Parkinson Hastalarının Tespitinde Karınca Koloni Algoritması ile Seçilen Özniteliklerin Performansa Etkisi

Yıl 2020, , 2443 - 2454, 29.10.2020

Ali Narin

https://doi.org/10.29130/dubited.650958

Öz

Nerodejeneratif bir hastalık olan Parkinson, dopamin üreten hücrelerin zamanla azalması sonucunda ortaya çıkar. Bu azalma yaşa bağlı olarak değişir. Dünya nüfusunun yaşlandığı gerçeğine göre bakıldığında bu hastalığın ilerleyen yıllarda daha da artacağı söylenebilir. Parkinson hastalığının tanısı oldukça uzun süreli bir iştir. Kesin bir tanı mekanizması olamamakla birlikte çoğunlukla hasta uzun bir süre takibe alınır ve sonrasında Parkinson hastalığına tanı konulabilir. Bu çalışmada, nörologlara yardımcı bir tanı mekanizması önerilmiştir. Ses verileri yardımıyla Parkinson hastalığına sahip olanlar otomatik olarak tespit edilmiştir. Elde edilen özniteliklere min-max normalizasyon işlemi uygulanıp, karınca koloni algoritması (KKA) ile özniteliklerin seçilmesi işlemi ile tespit başarımlarının arttırılması amaçlanmıştır. Hem normalize edilmiş hem KKA ile seçilmiş özniteliklerin başarımı arttırdığı gösterilmiştir. Destek vektör makinalarının ikinci dereceden fonksiyonları ve KKA ile seçilen 30 adet öznitelik ile %87,5 doğruluk, %89,2 duyarlılık, %85,8 özgüllük ve %89,2 hassaslık ile en yüksek başarım değerleri elde edilmiştir.

Anahtar Kelimeler

Parkinson, min-max nomalizasyon, karınca koloni optimizasyon algoritması, öznitelik seçimi

Kaynakça

• [1] K. W. Houser, M. Royer, and R. G. Mistrick, "Light loss factors for sports lighting,", The Journal of the Illuminating Engineering Society, vol. 6, no. 3, pp. 183-201, 2010.
• [2] K. W. Houser, M. Wei, and M. P. Royer, "Illuminance uniformity of outdoor sports lighting,", The Journal of the Illuminating Engineering Society, vol. 7, no. 4, pp. 221-235, 2011.
• [3] C. H. Hsu, "The Effects of Lighting Quality on Visual Perception at Sports Events: A Managerial Perspective," International Journal of Management, vol. 27, no. 3, pp. 693-703, 2010.
• [4] L. Tao, Y. Mengming, and Y. Meng, "Study of glare evaluation system for indoor sports lighting,", Electrical Technology of Intelligent Buildings, vol. 2, no.1, pp. 19-23, 2008.
• [5] T. Goodman, "Measurement and specification of lighting: A look at the future," Lighting Research & Technology, vol. 41, no. 3, pp. 229-243, 2009.
• [6] H. Zhou, F. Pirinccioglu, and P. Hsu, "A new roadway lighting measurement system," Transportation Research Part C: Emerging Technologies, vol. 17, no. 3, pp. 274-284, 2009.
• [7] R. A. Zimmer, "Mobile illumination evaluation system," Transportation Research Record, vol. 1172, pp. 68-73, 1988.
• [8] A. Zatari, G. Dodds, K. McMenemy, and R. Robinson, "Glare, luminance, and illuminance measurements of road lighting using vehicle mounted CCD cameras," The Journal of the Illuminating Engineering Society, vol. 1, no. 2, pp. 85-106, 2005.
• [9] J. He, Z. Zhu, F. Wang, and J. Li, "Illumination Control of Intelligent Street Lamps Based on Fuzzy Decision,", International Conference on Intelligent Transportation, Big Data & Smart City (ICITBS), Changsha, China, 513-516, (2019).
• [10] T. Muhammad, Y. Guo, Y. Wu, W. Yao, and A. Zeeshan, "CCD Camera-Based Ball Balancer System with Fuzzy PD Control in Varying Light Conditions,", IEEE 16th International Conference on Networking, Sensing and Control (ICNSC), Banff, Canada, 305-310, (2019).
• [11] P. Mohandas, J. S. A. Dhanaraj, and X.-Z. Gao, "Artificial Neural Network based Smart and Energy Efficient Street Lighting System: A Case Study for Residential area in Hosur," Sustainable Cities and Society, vol. 48, no. 101499, pp. 1-13, 2019.
• [12] M. Kayakuş and I. Üncü, "Research note: the measurement of road lighting with developed artificial intelligence software," Lighting Research & Technology, vol. 51, no. 6, pp. 969-977, 2019.
• [13] M. Şahin, Y. Oğuz, and F. Büyüktümtürk, "ANN-based estimation of time-dependent energy loss in lighting systems," Energy and Buildings, vol. 116, pp. 455-467, 2016.
• [14] T. Kazanasmaz, M. Günaydin, and S. Binol, "Artificial neural networks to predict daylight illuminance in office buildings," Building and Environment, vol. 44, no. 8, pp. 1751-1757, 2009.
• [15] R. W. da Fonseca, E. L. Didoné, and F. O. R. Pereira, "Using artificial neural networks to predict the impact of daylighting on building final electric energy requirements," Energy and Buildings, vol. 61, pp. 31-38, 2013.
• [16] de Basketball, Fédération Internationale. "Official Basketball Rules." (2000).
• [17] B. Mohebali, A. Tahmassebi, A. Meyer-Baese, and A. H. Gandomi, "Probabilistic neural networks: a brief overview of theory, implementation, and application," in Handbook of Probabilistic Models: Elsevier, 2020, pp. 347-367.
• [18] D. F. Specht, "Probabilistic neural networks," Neural networks, vol. 3, no. 1, pp. 109-118, 1990.
• [19] N. Nariman-Zadeh, A. Darvizeh, M. Darvizeh, and H. Gharababaei, "Modelling of explosive cutting process of plates using GMDH-type neural network and singular value decomposition," Journal of Materials Processing Technology, vol. 128, no. 1-3, pp. 80-87, 2002.
• [20] M.-W. Cho, G.-H. Kim, T.-I. Seo, Y.-C. Hong, and H. H. Cheng, "Integrated machining error compensation method using OMM data and modified PNN algorithm," International Journal of Machine Tools and Manufacture, vol. 46, no. 12-13, pp. 1417-1427, 2006.
• [21] G. Kumaşoğlu and B. Bolat, "Yapay sinir ağlarıyla müzikal tür tanıma,", Elektrik-Elektronik Bilgisayar Sempozyumu (FEEB), Elazığ, Turkey, 5-7, (2011).
• [22] S. Ayhan and Ş. Erdoğmuş, "Destek vektör makineleriyle sınıflandırma problemlerinin çözümü için çekirdek fonksiyonu seçimi," Eskişehir Osmangazi Üniversitesi İktisadi ve İdari Bilimler Dergisi, vol. 9, no. 1, pp. 175-201, 2014.
• [23] J. A. Suykens and J. Vandewalle, "Least squares support vector machine classifiers," Neural processing letters, vol. 9, no. 3, pp. 293-300, 1999.
• [24] L. Zhang, W. Zhou, and L. Jiao, "Wavelet support vector machine," IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics), vol. 34, no. 1, pp. 34-39, 2004.
• [25] S. K. Shevade, S. S. Keerthi, C. Bhattacharyya, and K. R. K. Murthy, "Improvements to the SMO algorithm for SVM regression," IEEE Transactions on Neural Networks, vol. 11, no. 5, pp. 1188-1193, 2000.
• [26] A. Fillbrunn, C. Dietz, J. Pfeuffer, R. Rahn, G. A. Landrum, and M. R. Berthold, "KNIME for reproducible cross-domain analysis of life science data," Journal of Biotechnology, vol. 261, pp. 149-156, 2017.
• [27] Berthold, M. R., Cebron, N., Dill, F., Gabriel, T. R., Kötter, T., Meinl, T., Ohl, P., Thiel, K., Wiswedel, B., "KNIME-the Konstanz Information Miner: Version 2.0 and Beyond," AcM SIGKDD Explorations Newsletter, vol. 11, no. 1, pp. 26-31, 2009.
• [28] C. Dietz and M. R. Berthold, "KNIME for open-source bioimage analysis: a tutorial,", Focus on Bio-Image Informatics: Springer, 2016.
• [29] S. Yu, D. Zhao, W. Chen, and H. Hou, "Oil-immersed power transformer internal fault diagnosis research based on probabilistic neural network," Procedia Computer Science, vol. 83, pp. 1327-1331, 2016.