PARKİNSON HASTALIĞININ SES SİNYALLERİ ÜZERİNDEN MAKİNE ÖĞRENMESİ TEKNİKLERİ İLE TANIMLANMASI

Hasan BADEM (Kahramanmaraş Sütçü İmam Üniversitesi, Mühendislik ve Mimarlık Fakültesi, Bilgisayar Mühendisliği Bölümü)
Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi
3 2
Yıl: 2019 Cilt: 8 Sayı: 2 Sayfa Aralığı: 630 - 637 Metin Dili: Türkçe DOI: 10.28948/ngumuh.524658 İndeks Tarihi: 21-08-2020

PARKİNSON HASTALIĞININ SES SİNYALLERİ ÜZERİNDEN MAKİNE ÖĞRENMESİ TEKNİKLERİ İLE TANIMLANMASI

Öz:
Parkinson hastalığının en önemli belirtilerinden birisi konuşma bozukluklarıdır. Dolayısıyla, ses sinyallerindenproblemi temsil edebilecek özniteliklerin çıkarılması ile hastalık sınıflandırılabilmektedir. Makine öğrenmesiteknikleri ile sınıflandırma problemlerinde oldukça başarılı sonuçlar üretmektedir. Bu çalışmada, Parkinsonhastalığının ses sinyalleri üzerinden sınıflandırılmasında, KYK, ROS, DVM, NB ve KA makine öğrenmesitekniklerinin başarımının araştırılması amaçlanmıştır. Bu amaç için literatüre yeni sunulan yüksek boyutluöznitelik ve örnekleme sahip PDC veri seti kullanılmıştır. Gerçekleştirilen deneysel çalışmalarda, oldukçayüksek doğruluk değerleri elde edilmiştir. Ayrıca, kullanılan yöntemler istatiksel olarak karşılaştırılmıştır. Busonuçlara ek olarak, TBA ve DDA boyut indirme tekniklerinin başarıma etkileri analiz edilmiştir.
Anahtar Kelime:

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

Öz:
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 KYK, ROS, DVM, NB and KA 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. Moreover, the competitor methods have been also compared statistically. In addition to these results, the effects of TBA and DDA size reduction techniques have been analyzed.
Anahtar Kelime:

Belge Türü: Makale Makale Türü: Araştırma Makalesi Erişim Türü: Erişime Açık
  • [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 KMedoids Clustering Based Attribute Weighting And DVM.”, 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] BREIMAN L., “Random forests,” Machine learning, 45(1),5-32., 2001.
  • [17] BREIMAN L., “Bagging predictors,” Machine learning, 24(2), 123-140., 1996.
  • [18] BALAKRISHNAMA S., GANAPATHIRAJU A., “Linear discriminant analysis-a brief tutorial” Institute for Signal and information Processing,18,1-8, 1998.
  • [19] WOLD S., ESBENSEN K., GELADI P. “Principal component analysis” Chemometrics and intelligent laboratory systems, 2(1-3), 37-52, 1987.
  • [20] LI M., YUAN B., “D-LDA: A statistical linear discriminant analysis for image matrix” Pattern Recognition Letters, 26(5), 527-532, 2005.
  • [21] TING. K., “Sensitivity and Specificity” Encyclopedia of Machine Learning, Boston, MA, Springer, 2011.
  • [22] HOSSIN M., SULAIMAN N., “A Review On Evaluation Metrics For Data Classification Evaluations.,” International Journal of Data Mining & Knowledge Management Process,, 5(2), 2015.
  • [23] 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.
APA Badem H (2019). PARKİNSON HASTALIĞININ SES SİNYALLERİ ÜZERİNDEN MAKİNE ÖĞRENMESİ TEKNİKLERİ İLE TANIMLANMASI. , 630 - 637. 10.28948/ngumuh.524658
Chicago Badem Hasan PARKİNSON HASTALIĞININ SES SİNYALLERİ ÜZERİNDEN MAKİNE ÖĞRENMESİ TEKNİKLERİ İLE TANIMLANMASI. (2019): 630 - 637. 10.28948/ngumuh.524658
MLA Badem Hasan PARKİNSON HASTALIĞININ SES SİNYALLERİ ÜZERİNDEN MAKİNE ÖĞRENMESİ TEKNİKLERİ İLE TANIMLANMASI. , 2019, ss.630 - 637. 10.28948/ngumuh.524658
AMA Badem H PARKİNSON HASTALIĞININ SES SİNYALLERİ ÜZERİNDEN MAKİNE ÖĞRENMESİ TEKNİKLERİ İLE TANIMLANMASI. . 2019; 630 - 637. 10.28948/ngumuh.524658
Vancouver Badem H PARKİNSON HASTALIĞININ SES SİNYALLERİ ÜZERİNDEN MAKİNE ÖĞRENMESİ TEKNİKLERİ İLE TANIMLANMASI. . 2019; 630 - 637. 10.28948/ngumuh.524658
IEEE Badem H "PARKİNSON HASTALIĞININ SES SİNYALLERİ ÜZERİNDEN MAKİNE ÖĞRENMESİ TEKNİKLERİ İLE TANIMLANMASI." , ss.630 - 637, 2019. 10.28948/ngumuh.524658
ISNAD Badem, Hasan. "PARKİNSON HASTALIĞININ SES SİNYALLERİ ÜZERİNDEN MAKİNE ÖĞRENMESİ TEKNİKLERİ İLE TANIMLANMASI". (2019), 630-637. https://doi.org/10.28948/ngumuh.524658
APA Badem H (2019). PARKİNSON HASTALIĞININ SES SİNYALLERİ ÜZERİNDEN MAKİNE ÖĞRENMESİ TEKNİKLERİ İLE TANIMLANMASI. Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, 8(2), 630 - 637. 10.28948/ngumuh.524658
Chicago Badem Hasan PARKİNSON HASTALIĞININ SES SİNYALLERİ ÜZERİNDEN MAKİNE ÖĞRENMESİ TEKNİKLERİ İLE TANIMLANMASI. Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi 8, no.2 (2019): 630 - 637. 10.28948/ngumuh.524658
MLA Badem Hasan PARKİNSON HASTALIĞININ SES SİNYALLERİ ÜZERİNDEN MAKİNE ÖĞRENMESİ TEKNİKLERİ İLE TANIMLANMASI. Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, vol.8, no.2, 2019, ss.630 - 637. 10.28948/ngumuh.524658
AMA Badem H PARKİNSON HASTALIĞININ SES SİNYALLERİ ÜZERİNDEN MAKİNE ÖĞRENMESİ TEKNİKLERİ İLE TANIMLANMASI. Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi. 2019; 8(2): 630 - 637. 10.28948/ngumuh.524658
Vancouver Badem H PARKİNSON HASTALIĞININ SES SİNYALLERİ ÜZERİNDEN MAKİNE ÖĞRENMESİ TEKNİKLERİ İLE TANIMLANMASI. Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi. 2019; 8(2): 630 - 637. 10.28948/ngumuh.524658
IEEE Badem H "PARKİNSON HASTALIĞININ SES SİNYALLERİ ÜZERİNDEN MAKİNE ÖĞRENMESİ TEKNİKLERİ İLE TANIMLANMASI." Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, 8, ss.630 - 637, 2019. 10.28948/ngumuh.524658
ISNAD Badem, Hasan. "PARKİNSON HASTALIĞININ SES SİNYALLERİ ÜZERİNDEN MAKİNE ÖĞRENMESİ TEKNİKLERİ İLE TANIMLANMASI". Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi 8/2 (2019), 630-637. https://doi.org/10.28948/ngumuh.524658
Sayfa Oluşturulma Tarihi
24-04-2024 19:35

İLETİŞİM

TÜBİTAK ULAKBİM TR Dizin

Yüzüncüyıl, İşçi Blokları Mahallesi

Muhsin Yazıcıoğlu Caddesi No:51/C

06530 Çankaya / ANKARA +90 (312) 298 92 00

trdizin@tubitak.gov.tr

TÜBİTAK ULAKBİM Ulusal Akademik Ağ ve Bilgi Merkezi Cahit Arf Bilgi Merkezi © Tüm Hakları Saklıdır. Gizlilik Politikası Kullanım Şartları