Spasticity is a clinical condition caused by movement disorder induced by lesion in the upper motor pathways. There is no generally accepted method in diagnosis, measurement and evaluation of spasticity. In this thesis, a reliable clinical evaluation method is developed for spasticity based on signal processing and machine learning techniques. For this purpose, a measurement system that records the EMG data from RF and BF muscles when Patella T-reflex was triggered is designed. The data that is recorded by the system is passed through the preprocessing step. In the following feature extraction step, five features in time domanin and frequency domain of the short time EMG signal that measured from aech of two muscle groups are determined. These features are combined with six features of the Pendulum movement triggered by the Patelle T-reflex to generate the feature vector that characterizes the spasticity. Feature vector that includes 26 elements is obtained eventually.After feature extraction step, Fisher Score is used in the feature selection process that is developed to improve the separation ability of the feature vector. Preprocessing, feature extraction and feature selection steps constitute the signal processing part of the thesis. ANN, k-NN and SVM machine learning algorithms, which produce acceptable and reliable results in the grading of spasticity, were applied in the classification phase of the system. Furthermore, in this thesis AdaBoost algorithm is utilized to improve the performance of the classifiers. Neurologists reported that 80% and above accuracy scores in clinical trials are absolutely acceptable and feasible. Thus, the proposed method that includes Fisher Score, 3-fold cross validation and SVM or k-NN techniques can effectively be used for spasticity assessments. It was determined that the accuracy values of these combinations which are used to determine the normal, Ashworth 1 and Ashworth 2 spasticity levels were 86.66% and 80.33%, respectively. The proposed thesis performs the grading of spasticity in an authomatic and reliable way by using signal processing and machine learning methods and thus it is an important study that provides valuable information to the neorulogists.

Spastisite, üst motor yollarındaki lezyona bağlı hareket bozukluğu ile oluşan klinik birdurumdur. Spastisitesinin tanımlanmasında, ölçülmesinde ve değerlendirilmesindegenel kabul görmüş bir yöntem bulunmamaktadır. Bu tezde, sinyal işleme ve makineöğrenme tekniklerine dayalı olarak spastisite için güvenilir bir klinik değerlendirmeyöntemi geliştirilmiştir. Bu amaçla, Patella T-refleksi tetiklendiğinde katılımcıların RFve BF kaslarının EMG verilerini kaydeden bir ölçüm sistemi hazırlanmıştır. Sistemsayesinde kaydedilen veriler öncelikle bir önişleme adımından geçirilmiştir. Bu adımıtakip eden öznitelik çıkarma adımında, her iki kas grubundan ölçülen kısa süreli EMGsinyalinden zaman ve frekans uzaylarında beşer adet öznitelik belirlenmiştir. Buözellikler, spastisiteyi. karakterize eden öznitelik vektörünü oluşturmak için Patella Trefleksinin tetiklediği Pendulum hareketinin altı adet özniteliği ile birleştirilmiştir.Sonuçta toplam 26 elemandan oluşan öznitelik vektörü elde edilmiştir.Öznitelik çıkarma adımından sonra, öznitelik vektörünün ayırma kabiliyetini artırmakiçin gerçekleştirilen öznitelik seçimi sürecinde Fisher Skoru kullanılmıştır. Önişleme,öznitelik çıkarma ve öznitelik seçme adımları tezin sinyal işleme kısmınıoluşturmaktadır. Sistemin sınıflandırma evresinde ise, spastisite derecelendirmesindekabul edilebilir ve güvenilir sonuçlar veren YSA, k-EYK ve DVM makine öğrenmealgoritmaları uygulanmıştır. Ayrıca, sınıflandırıcıların performanslarını artırmakamacıyla tezde AdaBoost algoritmasından da faydalanılmıştır. Nörologlarınifadelerine göre, klinik değerlendirmelerde % 80 ve üzeri doğruluk yüzdelerikesinlikle kabul edilebilir ve uygulanabilirdir. Dolayısıyla, Fisher Skoru, üç katlıçapraz doğrulama ve DVM veya k-EYK teknikleri içeren önerilen yöntem spastisitedeğerlendirmeleri için etkin bir şekilde kullanılabilir. Normal, Ashworth 1 veAshworth 2 spastisite düzeylerini belirlemek amacıyla kullanılan bu kombinasyonlarındoğruluk değerleri sırasıyla % 86.66 ve % 80.33 olarak belirlenmiştir. Sunulan tezmakine öğrenmesi ve sinyal işleme yöntemlerini kullanarak spastisitederecelendirilmesini otomatik olarak güvenilir bir şekilde gerçekleştiren, bu sayedenörologlara fayda sağlayan önemli bir çalışma özelliği taşımaktadır.