Automatic Recognition of Parkinson’s Disease from Sustained Phonation Tests Using ANN and Adaptive Neuro-Fuzzy Classifier

Abstract

Neurological disorders contain Parkinson‟s disease (PD), epilepsy and Alzheimer‟s; influence the lives of patients and their families. PD creates cognitive and state of mind disturbances. Generally, the diagnosis is based on medical history and neurological inspection conducted by interviewing and observing the patient in person using the Unified Parkinson's Disease Rating Scale (UPDRS). In this study, we aimed to discriminate between healthy people and people with PD. For that reason, Parkinson dataset that contains biomedical voice of human is used. Artificial Neural Networks (ANN) are widely used in biomedical field for modeling, data analysis, and diagnostic classification. Two types of the ANNs were used for classification: Multilayer Perceptrons (MLP) and Radial Basis Function (RBF) Networks. The other method is Adaptive Neuro-Fuzzy Classifier (ANFC) with linguistic hedges. This method is also used for feature selection from the dataset. Adaptive Neuro-Fuzzy Classifier with linguistic hedges gave the best recognition results with %95.38 training and %94.72 testing classifying performance indeed. 

Keywords

• Parkinson‟s Disease
• Sustained Vowel Phonation
• Classification
• Adaptive Neuro-Fuzzy Classifier with Linguistic Hedges
• Artificial Neural Networks

Yapay Sinir Ağları ve Adaptif Sinir-Bulanık Sınıflayıcı Kullanarak Sürdürülmüş Fonasyon Testlerinden Parkinson Hastalığının Otomatik Tanınması

Abstract

Parkinson hastalığı, epilepsi ve Alzheimer hastalığı hasta ve ailesinin yaşamını etkileyen nörolojik bozukluklardır. Parkinson hastalığı, ruhsal durum çöküntülerine ve bilişsel bozukluklara sebep olur. Genellikle, bu hastalığın teşhisinde Parkinson Hastalığı Değerlendirme Ölçeğinin kullanıldığı gözle incelenme ve karşılıklı konuşmaya dayalı nörolojik muayene ve hastanın medikal hikâyesi esas alınır. Bu çalışmada, sağlıklı kişiler ile Parkinson hastalığı olan kişileri birbirinde ayırt etmek amaçlandı. Bu sebeple, insanın biyomedikal konuşma sesinden (sürdürülmüş fonasyon test kayıtları) elde edilmiş özelliklerini içeren Parkinson veri seti kullanıldı. Yapay Sinir Ağları (YSA) biyomedikal alanda modelleme, veri analizi ve teşhis amaçlı sınıflandırma için geniş uygulama alanı bulmaktadır. Sınıflandırma için iki tip YSA kullanıldı: Çok Katmanlı Algılayıcı (ÇKA) ve Radyal Tabanlı Fonksiyon Ağları (RTFA). Diğer metot olarak ise Dilsel Kuvvetli Adaptif Sinir-Bulanık Sınıflayıcı (DKASBS) kullanıldı. DKASBS aynı zamanda veri setinden özellik seçimi için de kullanıldı. Dilsel Kuvvetli Adaptif Sinir-Bulanık Sınıflayıcı %95.38 eğitim ve %94.72 test başarı oranları ile en iyi tanıma sonuçlarını vermiştir.

Keywords

• Parkinson Hastalığı
• Sürdürülmüş Sesli Harf Fonasyonu
• Sınıflandırma
• Dilsel Kuvvetli Adaptif

References

1. National Institute of Neurological Disorders and Stroke, http://www.ninds.nih.gov/disorders/parkinsons_disease/detail_park insons_disease.htm, (2009.06.21)
2. WebMD, http://www.webmd.com/parkinsons- disease/guide/parkinsons-disease-cause , (2009.06.21)
3. WebMD, http://www.webmd.com/parkinsons- disease/guide/parkinsons-disease-topic-overview?page=2 , (2009.06.21)
4. Gelb, D., Oliver, E., Gilman S, "Diagnostic criteria for Parkinson disease". Arch Neurol 56 (1): 33–9, doi:10.1001/archneur.56.1.33. PMID 9923759, 1999.
5. Ene, M., “Neural network-based approach to discriminate healthy people from those with Parkinson‟ s disease”, Annals of University of Craiova, Math. Comp. Sci. Ser., Vol. 35, 112-116, 2008.
6. Apaydın H., Özekmekci, S., Parkinson Hastalığı: Hasta ve Yakınları için El Kitabı, Parkinson Hastalığı Derneği, İstanbul, 2008.
7. Little, M.A., McSharry, P.E., Hunter, E.J., Spielman, J., Ramig, L.O., „Suitability of dysphonia measurements for telemonitoring of Parkinson‟s hdl:10101/npre.2008.2298.1, 2008. Nature Precedings,
8. Little, M.A., McSharry, P.E., Roberts, S.J., Costello, D.A.E., Moroz, I.M., “Exploiting Nonlinear Recurrence and Fractal Scaling Properties for Voice Disorder Detection”, BioMedical Engineering, OnLine 6:23, 2007.

9. Jang, J.S.R., Sun, C.T. & Mizutani, E., Neuro-fuzzy and soft computing‟, Upper Saddle River :Prentice Hall, 1997.
10. Cetisli, B., “Development of an adaptive neuro-fuzzy classifier using linguistic hedges: Part 1” Expert Systems with Applications, doi:10.1016/j.eswa.2010.02.108, 2010.
11. Toprak I. B., Caglar M. F., Merdan M.,"High Accuracy Classification of EEG Signals Using Wavelet Transform and Neural Networks for Diagnosing Epilepsy", INISTA-2007 (Innovations in Intelligent Systems and Applications), Istanbul, 2007.