One
of the most important symptoms of Parkinson's disease is speech disturbances.
Thus, the disease can be classified by extracting the features from the speech
signals that may remark the problem. Machine learning techniques produce very
successful results in classification problems. In this study, it is aimed to
investigate the performance of machine learning techniques including SVM, KNN,
DT and NB in the classification of Parkinson's disease through speech signals.
For this purpose, PDC data set with high dimensional features and instances has
been used. In the performed experimental studies, high accuracy values have
been obtained. In addition, the competitor methods have been also compared
statistically.
Parkinson hastalığının en önemli
belirtilerinden birisi konuşma bozukluklarıdır. Dolayısıyla, ses sinyallerinden
problemi temsil edebilecek özniteliklerin çıkarılması ile hastalık
sınıflandırılabilmektedir. Makine öğrenmesi teknikleri ile sınıflandırma
problemlerinde oldukça başarılı sonuçlar üretmektedir. Bu çalışmada, Parkinson
hastalığının ses sinyalleri üzerinden sınıflandırılmasında, KYK, ROS, DVM, NB
ve KA makine öğrenmesi tekniklerinin başarımının araştırılması amaçlanmıştır.
Bu amaç için literatüre yeni sunulan yüksek boyutlu öznitelik ve örnekleme
sahip PDC veri seti kullanılmıştır. Gerçekleştirilen deneysel çalışmalarda, oldukça
yüksek doğruluk değerleri elde edilmiştir. Ayrıca, kullanılan yöntemler
istatiksel olarak karşılaştırılmıştır. Bu sonuçlara ek olarak, TBA ve DDA boyut
indirme tekniklerinin başarıma etkileri analiz edilmiştir.
Primary Language | Turkish |
---|---|
Subjects | Computer Software |
Journal Section | Computer Engineering |
Authors | |
Publication Date | July 31, 2019 |
Submission Date | February 8, 2019 |
Acceptance Date | May 13, 2019 |
Published in Issue | Year 2019 |