Predicting the level of knee osteoarthritis by using dimension reduction techniques on time series features of gait data

Abstract

Yürüme analizi insan yürüyüşünün sistematik olarak incelenmesidir. Yürüyüş analizi diz osteoarthritisi adı verilen eklem bölgesindeki bozuklukla ilgili hastalığın tanısı için de kullanılmaktadır. Bu çalışmada kullanılan veriler Şen tarafından gerçekleştirilen `A Decision Support System for Grading Knee Osteoarthritis Using Gait Data` isimli çalışma için Ankara Üniversitesi Fizik Tedavi ve Rehabilitasyon Merkezi'nde toplanmıştır. Özel kameralarla elde edilen yürüyüş verisinin analiz edilmesindeki en büyük sorun dalga biçimli verilerin yüksek miktardaki boyutu ve parametrelerin bağımlı oluşudur. Yürüyüş verilerinin karmaşıklığı ve yüksek miktarda olmasından dolayı hekimlerin bu verileri anlaması ve yorumlama kabiliyeti sınırlı olmaktadır. Bu çalışmanın amacı yüksek boyutlu verilerin bazı boyut küçültme teknikleri ile küçültülerek veri sınıflandırma methodlarının hastalığın derecesini belirlemekteki başarısını artırmaktır.

Gait analysis is the systematic study of human walking. Gait analysis is also used on facilitating medical diagnosis decisions such as on a disease called knee osteoarthritis (OA) which is a disorder that affects joint cartilage. Gait data used in this study was collected from Ankara University Department of Physical Medicine and Rehabilitation Gait Laboratory for the study called `A Decision Support System for Grading Knee Osteoarthritis Using Gait Data` implemented by Şen. Some of the main obstacles of analyzing gait data which was captured by special video cameras are multidimensionality and correlation of data. Due to the complexity and high dimensionality of gait patterns, clinicians have limited understanding and difficulty interpreting raw data. The objective of this study is to implement some dimension reduction techniques on the waveforms of gait data to improve accuracy of classification methods in grading OA.