Parkinson hastalığı (PH), iyi bilinen motor semptomlarının ortaya çıkmasından önce uzun bir asemptomatik döneme sahip olan yaygın bir nörodejeneratif hastalıktır ve erken evrelerinde teşhis edilmesi oldukça güçtür. Bu çalışmada, kullanıcıların klavyede yazı yazarken elde edilen tuş vuruşu dinamiklerine dayanarak Parkinson hastalığının teşhisini gerçekleştirmek amacıyla makine öğrenmesi yöntemlerinden yararlanılmıştır.
Çalışmada, PhysioNet veri tabanında yer alan Tappy Keystroke veri seti kullanılmıştır. Örneklerden hold time, flight time ve latency değerlerine ilişkin istatistiksel analizler yoluyla toplam 33 özellik çıkarılmıştır. Temel sınıflandırıcı olarak Bayesyen optimizasyon ile birleştirilen AdaBoost algoritması kullanılmıştır.
Elde edilen sonuçlar Decision Tree, Naive Bayes, K-Nearest Neighbor, Artificial Neural Network, RUSBoost ve Bagging yöntemleri ile karşılaştırılmış ve AdaBoost algoritmasının %87.16 doğruluk ve 0.9129 AUC değeri ile en yüksek performansı gösterdiği belirlenmiştir. Ayrıca, topluluk tabanlı yöntemlerin genel olarak tekil sınıflandırıcılara kıyasla daha dengeli ve daha yüksek performans sergilediği gözlemlenmiştir.
En başarılı modelin karar süreci SHAP yöntemi kullanılarak yorumlanmış ve HoldTime ile FlightTime değişkenlik ölçütlerinin sınıflandırmada belirleyici rol oynadığı tespit edilmiştir. Elde edilen bulgular, tuş vuruşu dinamiklerinin klinik bir ortam gerektirmeyen, invaziv olmayan ve ölçeklenebilir bir Parkinson hastalığı biyobelirteci olarak kullanılabileceğini göstermektedir.
