IDENTIFICATION of PARKINSON DISEASE THROUGH THE SPEECH SIGNALS BY USING THE MACHINE LEARNING TECHNIQUES

Year 2019, Volume: 8 Issue: 2, 630 - 637, 31.07.2019

Hasan Badem

https://doi.org/10.28948/ngumuh.524658

Cited By: 6

Abstract

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.

Keywords

Parkinson's disease, machine learning, classification, decision support system

PARKİNSON HASTALIĞININ SES SİNYALLERİ ÜZERİNDEN MAKİNE ÖĞRENMESİ TEKNİKLERİ İLE TANIMLANMASI

Abstract

   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.

Keywords

Parkinson hastalığı, makine öğrenmesi, sınıflandırma, karar destek sistemi

References

• [1] BAŞTÜRK, A.., BAŞTÜRK, N. S., QURBANOV, O. , “A Comparative Performance Analysis Of Various Classifiers For Fingerprint Recognition,” Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi,, 7(2), 504-513, 2018.
• [2] LUNDBERG, S. M. , NAIR, B., VAVILALA, M. S., HORIBE, M., EISSES, M. J., ADAMS, T., LEE, S. I., “Explainable Machine-Learning Predictions For The Prevention Of Hypoxaemia During Surgery.”,Nature Biomedical Engineering, 2(10), 749, 2018.
• [3] DEO. R. C., “Machine Learning in Medicine,” Circulation, 132(20), 1920-30., 2015.
• [4] SAKAR C., SERBES, G. , GUNDUZ, A. , TUNC, H. , NIZAM, H., SAKAR, B., TUTUNCU M., AYDIN T., ISENKUL M., APAPAYDIN H. “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, 74, 255-263, 2019.
• [5] CAKMUR R., “Parkinson Hastalığı Ve Medikal Tedavisi” Klinik Gelişim, 53-58., 2011.
• [6] ERTAN S., “Parkinson Hastalığının Klinik Özellikleri,” Cerahpaşa Tıp Fakültesi Sürekli Tıp Eğitimi Sempozyum Dizis, 42, 249-254, 2005.
• [7] GÜRÜLER H., “A Novel Diagnosis System For Parkinson’s Disease Using Complex-Valued Artificial Neural Network With K-Means Clustering Feature Weighting Method,” Neural Computing and Applications, 28(7), 1657–1666, 2017.
• [8] PEKER M., “A Decision Support System To Improve Medical Diagnosis Using A Combination Of K-Medoids Clustering Based Attribute Weighting And SVM.”, Journal of Medical Systems, 40(116), 2016.
• [9] LITTLE M. A., MCSHARRY P. E., ROBERT S. J., CESTELLO D.A.. MOROZ I. M., “Exploiting Nonlinear Recurrence And Fractal Scaling Properties For Voice Disorder Detection,” Biomed. Eng., 6( 23), 2007.
• [10] SAKAR B. E., ISENKUL M. E., SAKAR C. O., SERTBAS A., GURGEN F., DELİL S., APAYDİN H. KURSUN O., “Collection and Analysis of a Parkinson Speech Dataset with Multiple Types of Sound Recordings,” IEEE Journal of Biomedical and Health Informatics, 17(14), 828-834, 2013.
• [11] DUA D. , KARRA TANISKIDOU E., “UCI Machine Learning Repository. Irvine, CA: University of California, School of Information and Computer Science.,” 2017. [Çevrimiçi]. Available: http://archive.ics.uci.edu/ml.
• [12] SMOLA A. J. SCHÖLKOPF B., “A Tutorial On Support Vector Regression,” Statistics and Computing, 14(3) 199–222, 2004.
• [13] COVER T. HART P., “Nearest Neighbor Pattern Classification.,” IEEE Transactions On Information Theory, 13(1), 21-27, 1967.
• [14] QUINLAN J., “Induction Of Decision Trees,” Machine Learning, 1(1) 81–106., 1986.
• [15] RISH I., “An empirical study of the naive Bayes classifier,” IJCAI 2001 workshop on empirical methods in artificial intelligence, New York, 2001.
• [16] TING. K., “Sensitivity and Specificity” Encyclopedia of Machine Learning, Boston, MA, Springer, 2011.
• [17] HOSSIN M., SULAIMAN N., “A Review On Evaluation Metrics For Data Classification Evaluations.,” International Journal of Data Mining & Knowledge Management Process,, 5(2), 2015.
• [18] CALİSKAN A.,, BADEM H., BASTURK A., YUKSEL M. E., “Diagnosis Of The Parkinson Disease By Using Deep Neural Network Classifier.” Istanbul University-Journal of Electrical & Electronics Engineering, 17(2), 3311-3319, 2017.