Osteoporoza Bağlı Kifozlu Hastalara Uygulanan Egzersizlerin Oluşturduğu Denge Değişikliklerine İlişkin Veriler Kullanılarak Yapay Sinir Ağlarının Diğer Sınıflandırma Algoritmalarıyla Karşılaştırılması

Abstract

Osteoporoz, sırt kas gücünde azalma, ağrı, şekil bozuklukları, esneklik kaybı, vertebral veya nonvertebral kırık oluşturması gibi nedenlerden dolayı hastaların yaşam kalitesini olumsuz etkileyen bir hastalıktır. Osteoporoza bağlı kifozu olan hastalarda egzersizlerin denge üzerine olumlu etkisi vardır. Bu çalışmada egzersiz etkisinin araştırılması için yapılan bir çalışmadaki veriler kullanılmıştır. Hastalara uygulanan egzersizlerin öncesi (EÖ) ve sonrası (ES) iki farklı durumu karakterize edebilecek en uygun sınıflandırıcıyı bulmak amaçlanmıştır. Sınıflandırıcılar için ihtiyaç duyulan öznitelikler, statik denge performans değerlendirme skorları (öznitelik I) ve fonksiyonel mobilite değerlendirme skorları (öznitelik II) olmuştur. 26 sınıflandırıcı performansı karşılaştırıldığında, %91.4’lik en yüksek başarı oranı öznitelik I ve öznitelik II’nin giriş olarak kullanıldığı yapay sinir ağları; %36.4’lük en düşük başarı oranı ile sadece öznitelik I nin giriş yapıldığı Kuadratik (Quadratic) destek vektör makinası (DVM) ve sadece öznitelik II’nin giriş yapıldığı Kübik (Cubic) DVM algoritmaları ile elde edilmiştir. Doğruluk oranı açısından en başarılı olan yapay sinir ağları yönteminin eğitim için harcadığı zaman diğer başarılı algoritmalara göre daha fazla olmuştur.

Keywords

• Denge
• Egzersiz
• Makine öğrenme
• Yapay sinir ağları

Comparison of artificial neural networks with other classification algorithms using data on balance changes caused by exercises applied to patients with kyphosis due to osteoporosis

Abstract

Osteoporosis is a disease that negatively affects the quality of life of patients due to reasons such as decreased back muscle strength, pain, deformities, loss of flexibility, and vertebral or non-vertebral fractures. Exercises have a positive effect on balance in patients with osteoporotic kyphosis. In this study, data from a study conducted to investigate the effect of exercise were used. It is aimed to find the most appropriate classifier that can characterize two different situations before and after exercises applied to patients. The attributes needed for the classifiers were static balance performance evaluation scores (attribute I) and functional mobility evaluation scores (attribute II). When the classifier performances are compared, the highest success rate of 91.4% is artificial neural networks where attribute I and attribute II are used as inputs; with the lowest success rate of 36.4%, it was obtained with Quadratic SVM where only attribute I was logged in and Cubic SVM algorithms where only attribute II was logged in. Artificial neural network method was more time spent on education than other successful algorithms.

Keywords

• Balance
• Exercise
• Machine learning
• Artificial neural network

References

1. Alkan BM, Fidan F, Tosun A, Ardıçoğlu Ö, 2011. Fiziksel Tıp ve Rehabilitasyon Polikliniğimize Başvuran Hastalarda Osteoporoz İnsidansı. Türk Osteoporoz Dergisi, 17: 10-13.
2. Altuntaş Y, Kocamaz AF, 2019. Renk Momentleri ve Destek Vektör Makineleri Kullanarak Haploid Mısır Tohumlarının Tanımlanmasında Renk Uzaylarının Sınıflandırma Performansına Etkisinin Karşılaştırılması. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, 31 (2): 551-560.
3. Bonner FJ, Chesnut CH, Lindsay R, 2005. Osteoporosis. In: Delisa’s Physical Medicine and Rehabilitation. Lippincott Williams and Wilkins No: 4, pp. 699-719, Philadelphia-USA.
4. Cheeseman P, Stutz J, 1996. Bayesian Classification (Autoclass): Theory and Results. In: Advances in Knowledge Discovery and Data Mining. American Association for Artificial Intelligence Press, pp. 153–180, California-USA.
5. Dandıl E, Gürgen E, 2019. Yapay Sinir Ağları Kullanılarak Fotovoltaik Panel Güç Çıkışlarının Tahmini ve Sezgisel Algoritmalar ile Karşılaştırılması. Avrupa Bilim ve Teknoloji Dergisi, 16: 146-158.
6. Dixon SJ, Brereton RG, 2009. Comparison of Performance of Five Common Classifiers Represented as Boundary Methods: Euclidean Distance to Centroids, Linear Discriminant Analysis, Quadratic Discriminant Analysis, Learning Vector Quantization and Support Vector Machines, as Dependent on Data Structure. Chemometrics Intelligent Laboratory Systems, 95 (1): 1–17.
7. Erkmen N, Suveren S, Göktepe AS, Yazıcıoğlu K, 2007. Farklı Branşlardaki Sporcuların Denge Performanslarının Karşılaştırılması. Spormetre Beden Eğitimi ve Spor Bilimleri Dergisi, 5 (3): 115-122.
8. Eskiyurt N, 2005. Osteoporoz Rehabilitasyonu. Osteoporoz, Güneş Kitabevi, s. 259-291, Ankara-Türkiye.

9. Gündoğdu M, Öncel S, Şahin E, Baydar M, Dilek B, 2013. Osteoporoza Bağlı Kifozu Olan Hastalarda Omuz Retraksiyon Ortezinin Denge, Kifoz Açısı ve Yaşam Kalitesi Üzerine Etkisi. Turkish Journal of Geriatrics, 16 (3): 253-259.
10. Gündoğdu S, Çolak ÖH, Doğan EA, Gülbetekin E, Polat Ö, 2019. Bir Bulmaca Video Oyunu Oynama Sürecinde Baskın EEG Frekans Alt Bandların Belirlenmesi. Tıp Teknolojileri Kongresi (TIPTEKNO), 3-5 Ekim 2019, Kuşadası.
11. Harrington P, 2012. Machine Learning in Action. Manning Publications No: 1, pp. 3-17, New York-USA.
12. Hekler A, Utikal JS, Enk AH, Hauschild A, Weichenthal M, Maron RC, Berking C, Haferkamp S, Klode J, Schadendorf D, Schilling B, Holland-Letz T, Izar B, Kalle CV, Fröhling S, Brinker TJ, 2019. Superior Skin Cancer Classification by the Combination of Human and Artificial Intelligence. European Journal of Cancer, 120: 114-121.
13. Karadağ K, Tenekeci ME, Gümüşçü A, 2020. Yapay Sinir Ağları Kullanılarak İmleç Yönü Tespiti. Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, 9 (1): 172-179.
14. Kasthuriarachchi, KTS, Liyanage, SR, Bhatt CM, 2018. A Data Mining Approach to Identify the Factors Affecting the Academic Success of Tertiary Students in Sri Lanka. In: Software Data Engineering for Network eLearning Environments, Springer International Publishing No: 1, pp. 178-197, New York-USA.
15. Kou J, Liu J, Li Q, Fang W, Chen Z, Liu L, Guan T, 2013. Photovoltaic Power Forecasting Based on Artificial Neural Network and Meteorological Data. 2013 IEEE International Conference of IEEE Region 10 (TENCON 2013), Xian, October 22-25, 2013, pp:1-4.
16. Küçük H, Eminoğlu İ, Balcı K, 2019. Nöromüsküler Hastalıkların Yapay Zeka Yöntemleri ile Sınıflandırılması. Journal of the Faculty of Engineering and Architecture of Gazi University, 34 (4): 1725-1741.
17. Maimon O, Rokach L, 2010. Classification Trees. In: Data Mining and Knowledge Discovery Handbook, Springer No: 2, pp. 149-174, New York-USA.
18. Mitchell TM, 1997. Machine Learning. McGraw-Hill, New York-USA.
19. Morais CLM, Lima KMG, 2018. Principal Component Analysis with Linear and Quadratic Discriminant Analysis for Identification of Cancer Sample Based on Mass Spectrometry. Journal of the Brazilian Chemical Society, 29 (3): 472–481.
20. Morais CLM, Lima KMG, Martin FL, 2019. TTWD-DA: A MATLAB Toolbox for Discriminant Analysis Based on Trilinear Three-Way Data. Chemometrics Intelligent Laboratory Systems, 188: 46–53.
21. Mostafa SA, Mustapha A, Khaleefah SH, Ahmad MS, Mohammed MA, 2018. Evaluating the Performance of Three Classification Methods in Diagnosis of Parkinson’s Disease. Proceedings of the Third International Conference on Soft Computing and Data Mining (SCDM 2018), Johor, February 06–07, 2018, pp:43-52.
22. Mostafa SA, Mustapha A, Mohammed MA, Hamed RI, Arunkumar N, Ghani MKA, Jaber MM, Khaleefah SM, 2019. Examining Multiple Feature Evaluation and Classification Methods for Improving the Diagnosis of Parkinson’s Disease. Cognitive Systems Research, 54: 90-99.
23. Onan Y, 2015. Şirket İflaslarının Tahmin Edilmesinde Karar Ağacı Algoritmalarının Karşılaştırmalı Başarım Analizi. Bilişim Teknolojileri Dergisi, 8 (1): 9-19.
24. Pabuçcu H, 2019. Borsa Endeksi Hareketlerinin Tahmini: Trend Belirleyici Veri. Selçuk Üniversitesi Sosyal Bilimler Meslek Yüksekokulu Dergisi, 22 (1): 246-256.
25. Saini I, Singh D, Khosla A, 2013. QRS Detection Using K-Nearest Neighbor Algorithm (KNN) and Evaluation on Standard ECG Databases. Journal of Advanced Research, 4 (4): 331-344.
26. Sevindik S, Şiray GÜ, 2018. Diskriminant Analizi ve Bazı Alternatif Regresyon Analizleri. Çukurova Üniversitesi Fen ve Mühendislik Bilimleri Dergisi, 35 (9):117-125.
27. Sinaki M, Brey RH, Hughes CA, Larson DR, Kaufman KR, 2005. Balance disorder and Increased Risk of Falls in Osteoporosis and Kyphosis: Significance of Kyphotic Posture and Muscle Strength. Osteoporos International,16 (8):1004-1010.
28. Sindel D, 2002. Tanı Yöntemleri. Türkiye Klinikleri Fiziksel Tıp ve Rehabilitasyon Dergisi, 2:17-29. Song Y-Y, Lu Y, 2015. Decision Tree Methods: Applications for Classification and Prediction. Shanghai Archives of Psychiatry, 27 (2):130-135.
29. Talo M, Baloglu UB, Yıldırım Ö, Achary UR, 2019. Application of Deep Transfer Learning for Automated Brain Abnormality Classification Using MR Images. Cognitive Systems Research, 54: 176-188.
30. Timcenko V, Gajin S, 2017. Ensemble Classifiers for Supervised Anomaly Based Network Intrusion Detection. 13th IEEE International Conference on Intelligent Computer Communication and Processing (ICCP), Cluj-Napoca, September 07-09, pp:13-19.
31. Tosun A, Bölükbaşı N, 2004. Osteoporoz ve Egzersiz, Türkiye Klinikleri Fiziksel Tedavi Rehabilitasyon Dergisi, 4: 7-10.
32. Tsangaratos P, Ilia I, 2016. Comparison of a Logistic Regression and Naïve Bayes Classifier in Landslide Susceptibility Assessments: The Influence of Models Complexity and Training Dataset Size. Catena, 145 (2016):164–179.
33. Vapnik V, 2000. The Nature of Statistical Learning Theory. Springer-Verlag No: 2, New York-USA Venkata SK, Rao S, 2019. Fault Detection of a Flow Control Valve Using Vibration Analysis and Support Vector Machine, Electronics, 8 (1062): 1-15.
34. Verma C, Stoffaova V, Illes Z, 2020. Prediction of Residence Country of Student Towards Information, Communication and Mobile Technology for Real-Time: Preliminary Results. Procedia Computer Science, 167: 224–234.
35. Vo DM, Quang NQ, Lee SW, 2019. Classification of Breast Cancer Histology Images Using Incremental Boosting Convolution Networks. Information Sciences, 482:123-138.
36. Walker-Bone K, Dennison E, Cooper C, 2001. Epidemiology of Osteoporosis. Rheumatic Disease Clinics of North America, 27 (1): 1-18.
37. Yesilnacar E, Topal T, 2005. Landslide Susceptibility Mapping: a Comparison of Logistic Regression and Neural Networks Methods in a Medium Scale Study, Hendek Region (Turkey). Engineering Geology, 79 (3–4): 251–266.
38. Yılmaz H, Erkin G, Polat HAD, Küçükşen S, Sallı A, Uğurlu H, 2012. Osteoporozda Yaşam Kalitesi: Bir Kontrollü Çalışma. Turkish Journal of Osteoporosis, 18 (2): 47-52.
39. Zaychenko Y, Nafas AAGO, 2019. Medical Images Classification and Diagnostics Using Fuzzy Neural Networks. American Journal of Neural Networks and Applications, 5 (2): 45-50.
40. Zeng XD, Chao S, Wong F, 2010. Optimization of Bagging Classıfiers Based on SBCB algorithm. Proceedings of the Ninth International Conference on Machine Learning and Cybernetics, Qingdao, July 11-14, pp.262-267.