The Periodic Leg Movement Disorder (PLMD) has been analyzed with the DSP (Digital Signal Processing) and machine learning methods by means of other channels apart from the leg electromyography in records polysomnography (PSG). This study aimed to classify PLMD by means of the selected attributes in accordance with the machine learning algorithms.This study was carried out by means of PSG recordings among 153 people, defined by age and sex. PSG recordings take around 7-8 hours. A software program that uses the Digital Signal Processing (DSP) and machine learning techniques was developed by the working team. This software analyzes PSG recordings in 2, 5, 30, and 60-second epochs and compares the obtained results. Each epoch contains different attributes specific to its own. These attributes are deposited in the database with statistical and DSP analysis. The obtained attributes in the database are used to classify PLMD by using different machine learning algorithms.It is observed that classification results that obtained by using 60 and 30-second epochs are very close to each other and have high classification rates (79 %). It is also observed that classification results that obtained by using 2 and 5-second epochs are very close to each other but have low classification rates (63.93 %). lazy.Ibk? classification algorithm in machine learning algorithms has higher classification rate (79 %) and lower error value (RMSE= 0.4652) than other algorithms. On the other hand `functions.Logistic? classification algorithm has lower classification rate (63.34 %) and higher error value (RMSE= 0.4741).As a result of the analyzes, PLMD using PSG record other than the leg EMG channels, classified as high as rate (79 %) by the machine learning algorithms.

Uykuda Periyodik Hareket Bozukluğu (UPHB) Polisomnografi (PSG) kaydındaki bacak Elektromiyografisi (EMG) haricindeki diğer kanallar kullanılarak, dijital sinyal işleme yöntemleri ve makine öğrenmesi yöntemleri ile analiz edilmiştir. Bu hastalığın belirlenen özniteliklere uygun makine öğrenmesi algoritmalarıyla sınıflandırılması amaçlanmıştır.Çalışma UPHB hastalığı teşhisi konulmuş farklı yaş ve cinsiyetten 153 bireyin, PSG kayıtları kullanılarak gerçekleştirilmiştir. Hasta kayıtları (PSG) ortalama 7-8 saat sürmektedir. Çalışma ekibi tarafından dijital sinyal işleme ve makine öğrenmesi yöntemlerini kullanan bir yazılım geliştirilmiştir. Bu yazılım hasta kayıtlarını (PSG) 2, 5, 30 ve 60 saniyelik epok (bölüt) sürelerine parçalayarak analiz etmekte ve elde edilen sonuçları karşılaştırmaktadır. Her epok PSG kanallarının kendine ait farklı özniteliklerini içermektedir. Bu öznitelikler dijital sinyal işleme yöntemleri (Dalgacık ve Fourier) ve istatistiksel yöntemler kullanılarak elde edilip veritabanında saklanmıştır. Veritabanında saklanan öznitelikler, farklı makine öğrenmesi algoritmaları kullanılarak UPHB sınıflandırılmıştır.60 ve 30 saniyelik epoklar kullanılarak elde edilen sınıflandırma sonuçlarının birbirine çok yakın ve yüksek sınıflandırma oranlarına (% 79) sahip olduğu gözlemlenmiştir. 2 ve 5 saniyelik epoklar kullanılarak elde edilen sınıflandırma sonuçlarının da birbirine çok yakın olduğu ve düşük sınıflandırma oranlarına (% 63.93) sahip olduğu görülmüştür. Makine öğrenmesi algoritmalarından `lazy.Ibk? sınıflandırma algoritması diğer algoritmalara göre daha yüksek sınıflandırma oranı (% 79) ve düşük hata değerine (RMSE= 0.4652) sahiptir. Diğer yandan `functions.Logistic? algoritması ise daha düşük sınıflandırma oranı (% 63.34) ve daha yüksek hata değerine (RMSE= 0.4741) sahiptir.Yapılan analizler sonucunda, UPHB?nin bacak EMG?si kaydı kullanılmayarak, makine öğrenmesi algoritmalarıyla, % 79 gibi yüksek bir oranla sınıflandırılabileceği tespit edilmiştir.