@article{article_1595455, title={Makine Öğrenimi Modelleri ile Kırılganlık Seviyesi Sınıflandırma ve Veri Tipi Etkisi}, journal={Afyon Kocatepe Üniversitesi Fen Ve Mühendislik Bilimleri Dergisi}, volume={25}, pages={1106–1113}, year={2025}, DOI={10.35414/akufemubid.1595455}, author={Özalp, Mehmet Halit and Ölçer, Didem}, keywords={EKG, İvmeölçer, Kırılganlık Sınıflandırma, Makine Öğrenmesi, Öznitelik Çıkarımı, STAIR testi}, abstract={Günümüzde kırılganlık, yaşlanan nüfus ile önemli bir sorun haline gelmektedir. Kırılganlık erken teşhis edilmesi ve uygun müdahaleler ile azaltılabilen veya tersine çevrilebilen geriatrik bir sendromdur. Bu nedenle bu çalışmada, KNN (K-Nearest Neighbors), Naïve Bayes, XGBoost (Extreme Gradient Boosting), RF (Random Forests), MLP (Multi-Layer Perceptron), 1D-CNN (1D Convolutional Neural Network) modelleri ile, STAIR testi sırasında toplanan EKG, üç eksenli ivme ölçer ve bu iki sensor verilerinin birleşiminden elde edilen üç ayrı veri seti üzerinde zaman alanı öznitelikleri kullanılarak kırılganlık sınıflandırma problemine çözüm aranmaktadır. Çalışmanın sonucunda RF ve XGBoost modellerinin en başarılı sonuçları verdiği, ayrıca EKG verilerinin kırılganlık tahmininde kullanımının akselerometre verilerinin kullanımından daha yüksek doğrulukta tahminleme yapılabildiği görülmüştür. Ayrıca Kırılganlık tahmininde daha doğru sonuçlar veren verilerin takibi ile birlikte, daha kesin sonuçlarla kişiler, kırılganlık durumlarını izleyebilecek ve sadece gerekli olduğunda bir uzman görüşüne danışacaktır.}, number={5}, publisher={Afyon Kocatepe Üniversitesi}