Parkinson Hastalığında Ses Sinyalleri Üzerinden Makine Öğrenmesi Algoritmalarının Karşılaştırılması

Year 2023, Volume: 8 Issue: 2, 130 - 140, 31.08.2023

İbrahim Halil Gökçin

https://doi.org/10.46578/humder.1217255

Abstract

Parkinson hastalığının belirtilerinden olan konuşma bozukluğu ve yazı yazmada zorlanma gibi semptomlar günümüzde makine öğrenmesi teknikleri kullanılarak değerlendirilebilmektedir. Bu çalışmada da konuşma bozukluklarının değerlendirilmesine yönelik kullanılan makine öğrenmesi algoritmalarının karşılaştırılmasının yapılması amaçlanmıştır. Çalışmada örneklem olarak Cerrahpaşa Tıp Fakültesi Nöroloji kliniğinde 188 Parkinson hastası ve 64 sağlıklı bireyden toplanan verilerle oluşturulmuş olan PCD veri seti kullanılmıştır. Bu çalışmada, Karar Ağaçları, K-En Yakın Komşu, Destek Vektör Makineleri (DVM) kullanılmıştır ve DVM için ise Doğrusal Kernel, Polinomsal Kernel ve RBF Kernel kullanılmıştır. Adaboost Karar Ağaçları, Rastgele Orman, Konvolüsyonel Sinir Ağları,Çok Katmanlı Algılayıcılar ve Derin Boltzmann Makinesi kullanılmıştır. Çalışma sonucunda en iyi sonuçların Konvolüsyonel Sinir Ağları algoritmasından elde edildiği görülmüştür.

Keywords

Parkinson, Ses Sinyalleri, Makine Öğrenmesi

References

• O. B. Tysnes ve A. Storstein, Epidemiology of Parkinson’s Disease, cilt 124, no. 8, pp. 901-905, 2017.
• F. Çevik ve Z. H. Kilimci, Derin Öğrenme Yöntemleri ve Kelime Yerleştirme Modelleri Kullanılarak Parkinson Hastalığının Duygu Analiziyle Değerlendirilmesi, cilt 27, no. 2, pp. 151-161, 2020.
• J. Jankovic, Parkinson’s disease: clinical features and diagnosis, Journal of neurology, neurosurgery & psychiatry, cilt 79, no. 4, pp. 368-376, 2008.
• R. Çakmur, Parkinson hastalığı ve medikal tedavisi, Klinik Gelişim Dergisi, pp. 53-58, 2011.
• S. Fahn, Description of Parkinson's Disease as a Clinical Syndrome, Annals of the New York Academy of Sciences, cilt 991, no. 1, pp. 1-14, 2003.
• Ş. Torun, Parkinson'lularda konuşma fonksiyonunun subjektif ve objektif (elektrolaringografik) yöntemlerle incelenmesi,, Uzmanlık Tezi, Anadolu ÜniversitesiTıp Fakültesi, Nöroloji Anabilim Dalı, Eskişehir, 1991.
• S. Özekmekçi, H. Apaydın, S. Oğuz ve İ. Zileli, Parkinson Hastalığı Hasta ve Yakınları İçin El Kitabı, İstanbul: Bayçınar Tıbbi Yayıncılık ve Reklam Hiz. Tic. Ltd. Şti, 2013.
• M. A. Little, P. E. McSharry, E. J. Hunter, J. Spielman ve L. O. Ramig, Suitability of Dysphonia Measurements for Telemonitoring of Parkinson's Disease, IEEE Transactions on Biomedical Engineering, cilt 56, no. 4, pp. 1015-1022, 2009.
• Ö. Bizal, Makine Öğrenmesi Teknikleriyle Parkinson Hastalığının Belirlenmesi, 2014.
• B. E. Şakar, M. E. Isenkul, C. O. Şakar, A. Sertbas, F. Gürgen, S. Delil ve O. Kurşun, Collection and analysis of a Parkinson speech dataset with multiple types of sound recordings, IEEE Journal of Biomedical and Health Informatics, cilt 17, no. 4, pp. 828-834, 2013.
• H. Badem, Parkinson Hastaliğinin Ses Sinyalleri Üzerinden Makine Öğrenmesi Teknikleri ile Tanimlanmasi, Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, cilt 8, no. 2, pp. 630-637, 2019.
• A. Tsanas, M. A. Little, P. E. McSharry ve L. O. Raming, Accurate telemonitoring of Parkinson's disease progression by noninvasive speech tests, IEEE transactions on biomedical engineering, cilt 57, no. 4, pp. 884-893, 2010.
• C. Sakar, G. Serbes, H. Tunç, A. Gündüz, H. Nizam, B. Sakar, M. Tütüncü, T. Aydın, M. İsenkul ve H. Apaydın, “A Comparative Analysis Of Speech Signal Processing Algorithms For Parkinson's Disease Classification And The Use Of The The Tunable Q-Factor Wavelet Transform, Applied Soft Computing, cilt 74, pp. 255-263, 2019.
• S. Esmer, M. K. Uçar, İ. Çil ve M. R. Bozkurt, Parkinson Hastalığı Teşhisi İçin Makine Öğrenmesi Tabanlı Yeni Bir Yöntem, Düzce Üniversitesi Bilim ve Teknoloji Dergisi, cilt 8, no. 3, pp. 1877-1893, 2020.
• Ü. Varanyurt, A. Deveci, M. F. Esen ve O. Veranyurt, Makine Öğrenmesi Teknikleriyle Hastalık Sınıflandırması: Random Forest, K-Nearest Neıghbour ve Adaboost Algoritmaları Uygulaması, Uluslararası Sağlık Yönetimi ve Stratejileri Araştırma Dergisi, cilt 6, no. 2, pp. 275-286, 2020.
• H. Nizam, Sosyal Medyada Makine Öğrenmesi İle Duygu Analizinde Dengeli ve Dengesiz Veri Setlerinin Performanslarının Karşılaştırılması, XIX Türkiye'de İnternet Konferansı, cilt 1, no. 6, 2014.
• S. Ayhan ve Ş. Erdoğmuş, Destek vektör makineleriyle sınıflandırma problemlerinin çözümü için çekirdek fonksiyonu seçimi, Eskişehir Osmangazi Üniversitesi İktisadi ve İdari Bilimler Dergisi, cilt 9, no. 1, pp. 175-201, 2014.
• B. Başer, M. Yangın ve E. S. Sarıdaş, Makine Öğrenmesi Teknikleriyle Diyabet Hastalığının Sınıflandırılması, Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, cilt 25, no. 1, pp. 112-120, 2021.
• F. Doğan ve İ. Türkoğlu, Derin Öğrenme Modelleri ve Uygulama Alanlarına İlişkin Bir Derleme, Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, cilt 10, no. 2, pp. 409-445, 2019.
• U. Orhan, M. Hekim ve M. Özer, EEG İşaretlerinin Çok-‐Katmanlı Algılayıcı Yapay Sinir Ağı Modeli ile Sınıflandırılmasında Ayrıklaştırma Yaklaşımı, In Biomedical Engineering Meeting (BIYOMUT), 2010.
• K. Tekeli ve R. Aşlıyan, Çok Katmanlı Algılayıcı, K-NN ve C4. 5 Metotlarıyla İstenmeyen E-postaların Tespiti, Adnan Menderes Üniversitesi, 2016.