RSESLIBKNN MAKİNE ÖĞRENMESİ YÖNTEMİ KULLANILARAK PARKİNSON HASTALIĞININ TANISI

Öz

Parkinson Hastalığı, insanların yaşam kalitesini etkileyen nörolojik bir hastalıktır. Parkinson hastalığı merkezi sinir sistemini olumsuz etkileyen bir hastalıktır. Hastaların ölümüne yol açabilmektedir. Bu nedenle, Parkinson hastalığının erken tespiti son derece önemlidir. Parkinson hastalığına ait belirtiler, potansiyel olarak gelişmiş makine öğrenme tekniklerine dayanan bilgisayar destekli tanı sistemleri ile tespit edilebilir. Bu çalışmada Parkinson hastalığı tanısı için kNN, RseslibKnn ve A1DE makine öğrenmesi yöntemleri kullanılmıştır. Çalışmanın amacı Parkinson hastalığı veri kümesi üzerinde makine öğrenmesi yöntemlerinin başarı oranlarının karşılaştırılarak en uygun karar destek sisteminin sunulmasıdır. Veri kümesi olarak ‘UC Irvine Machine Learning Repository’ veri tabanından elde edilen, 252 örnekten ve 753 öznitelikten oluşan veri kümesi kullanılmıştır. Literatür üzerinde farklı çalışmalar da incelenip karşılaştırılmıştır. Deneysel çalışmalar farklı çapraz geçerlilikler üzerinden yapılmış olup bunların ortalaması başarı sonucu olarak verilmiştir. Çalışma sonucunda, parkinson hastalığı veri kümesi kNN, RseslibKnn ve A1DE makine öğrenmesi yöntemleri ile sınıflandırılmış ve daha sonra eğitim ve test sonuçları doğruluk, duyarlılık ve özgüllük değerleri temel alınarak değerlendirilmiştir. Farklı çapraz geçerlilik değerleri ile ele alınan tüm yöntemler incelediğinde en yüksek başarı sonucu %97,61 doğruluk oranı ortalaması ile RseslibKnn yöntemi vermiştir. Değerlendirme sonucunda RseslibKnn makine öğrenmesi yönteminin Parkinson hastalığının tespiti ile ilgili karar destek sistemleri üzerine önerilerde bulunulmuştur.

Anahtar Kelimeler

• Makine öğrenmesi
• Parkinson hastalığı
• RseslibkNN
• A1DE
• kNN

DIAGNOSIS OF PARKINSON'S DISEASE USING RSESLIBKNN MACHINE LEARNING METHOD

Abstract

Parkinson's disease is a neurological disease that affects the quality of life of people. Parkinson's disease is a disease that negatively affects the central nervous system. It can lead to death of patients. Therefore, early detection of Parkinson's disease is extremely important. Symptoms of Parkinson's disease can be detected with computer-assisted diagnostic systems based on potentially advanced machine learning techniques. In this study, kNN, RseslibKnn and A1DE machine learning methods were used for the diagnosis of Parkinson's disease. The aim of the study was to compare the success rates of the machine learning methods on the Parkinson's disease dataset and to present the most appropriate decision support system. The data set was composed of 252 samples and 753 attributes from the ‘UC Irvine Machine Learning Repository’ database. Different studies on the literature are also examined and compared. Experimental studies were conducted on different cross-validations and the average of these studies was given as a result of success. At the end of the study, the Parkinson's disease data set was classified with kNN, RseslibKnn and A1DE machine learning methods and then the training and test results were evaluated based on accuracy, sensitivity and specificity values. When all the methods examined with different cross validity values were examined, RseslibKnn method gave the highest success result with an average of %97,61 accuracy rate. As a result of the evaluation, the recommendations of the RseslibKnn machine learning method on decision support systems for the detection of Parkinson's disease were made.

Keywords

• Machine learning
• Diagnosis of Parkinson's
• RseslibKnn
• A1DE
• kNN

Kaynakça

1. Ö. Eskidere, “A Comparison of Feature Selection Methods for Diagnosus of Parkinson's Disease From Vocal Measurements”, Journal of Engineering and Natural Sciences, vol. 30, pp. 402-403, 2012.
2. E. Akbayır, M. Şen, U. Ay, S. Şenyer, E. Tüzün ve C. İ. Küçükal, “Parkinson Hastalığının Etyopatogenezi”, Deneysel Tıp Dergisi, vol. 7, no. 13, pp. 3, 2017.
3. F. Özyiğit, S. C. Kabay ve Ö. Arık, “Rational Drug Use And Parkinson Disease”, Journal Of Contemporary Medicine, vol. 6, no. 2, pp. 105, 2016.
4. E. Taşdemir, “Parkinson Hastalığında Nöroinflamasyonun Rolü”, SDÜ Tıp Fakültesi Dergisi, vol. 26, no. 3, pp. 348, 2019.
5. D. Narmadha, D. Marudhadevi ve B. Santhi, “Parkinson’s Disease Detection Using Soft Computing Techniques”, World Applied Sciences Journal, vol. 29, no. 16, pp. 29-89, 2014.
6. Ö. Bizal, “Makine Öğrenmesi Teknikleriyle Parkinson Hastalığının Belirlenmesi”, 2014.
7. S. Lahmiri, D. A. Dawson ve A. Shmuel, “Performance of machine learning methods in diagnosing Parkinson’s disease based on dysphonia measures”, Biomedical Engineering Letters, vol. 8, no. 1, pp. 29-39, 2018.
8. C. Kotsavasilogloua, N. Kostikis, D. Hristu-Varsakelis ve M. Arnaoutoglouc, “Machine learning-based classification of simple drawing movements in Parkinson’s disease”, Biomedical Signal Processing and Control, vol. 31, pp. 174-180, 2017.

9. C. O. Sakar, G. Serbes, A. Gunduz, H. C. Tunc, H. Nizam, B. E. Sakar, M. Tutuncu, T. Aydin, M. E. Isenkul ve H. Apaydin “A comparative analysis of speech signal processing algorithms for Parkinson’s disease classification and the use of the tunable Q-factor wavelet transform”, Applied Soft Computing, vol. 74, pp. 74, 2019.
10. S. A. Dudani, “The distance-weighted k-nearest-neighbor rule”, IEEE Transactions on Systems, Man, and Cybernetics, vol. 6, no. 4, pp. 325-327, 1976.
11. V. Chaurasia ve S. Pal, “A Novel Approach for Breast Cancer Detection using Data Mining Techniques”, International Journal of Innovative Research in Computer and Communication Engineering, vol. 2, no. 1, 2017.
12. A. Wojna, R. Latkowski ve L. Kowalski, RSESLIB User Guide. pp. 45-58, 2019.
13. A. Wojna, Analogy-Based Reasoning In Classifier Construction, Warsaw: Banacha, 2005.
14. R. Jankovi, “Machine Learning Models for Cultural Heritage Image Classification: Comparison Based on Attribute Selection”, Information, vol. 11, no. 12, pp. 5-6 2019.
15. S. O. M. Kamel, H. M. Harb, N. Hegazi, A. S. Tag El Dein ve H. M. Abd El Kader, “A Novel Ensemble Learner Algorithm for Anomaly Based Detection in Intrusion Prevention System”, International Journal of Engineering and Technical Research (IJETR), vol. 3, no. 12, pp. 24, 2015.
16. S. Picek, A. Heuser ve S. Guilley, “Template attack versus Bayes classifier”, Journal of Cryptographic Engineering, vol. 7, no. 4, pp. 345-346, 2017.
17. H. Badem, “Parkinson Hastalığının Ses Sinyalleri Üzerinden Makine Öğrenmesi Teknikleri İle Tanımlanması”, Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, vol. 8, no. 2, pp.630-637, 2019.
18. A. Karacı, “Detection Of Parkinson's Disease With Hybrid Ensemble Classifier”, 2nd International Turkish World Engineering and Science Congress, Türkiye, 2019.
19. B. E. Sakar, M.E. İsenkul, C.O. Sakar, A. Sertbaş, F. Gürgen, S. Delil, H. Apaydın ve O. Kurşun, “Collection and Analysis of a Parkinson Speech Dataset With Multiple Types Of Sound Recordings”, IEEE Journal Of Biomedical and Health Informatics, vol. 17, no. 4, pp. 828-834, 2013.