AQDD Özelliklerine BBA Yöntemleri Uygulanarak Parkinson Hastalığının Otomatik Teşhisi

Abstract

z-Parkinson hastalığı dopamin üreten beyin hücrelerinin kaybı sonucunda oluşan bir hastalıktır. Bu hastalığın birçok teşhis yöntemi bulunmakta olup ses sinyallerinin analizi de bunlardan birisidir. Bu çalışmada daha önceden 188 Parkinson hastası ve 64 sağlıklı olmak üzere toplam 252 kişiye ait kaydedilmiş ses sinyallerinden ayarlanabilir Q-faktör dalgacık dönüşümü (AQDD) metodu kullanılarak elde edilen özellikler kullanılmıştır. Bu özelliklere bağımsız bileşen analizi (BBA) çeşitlerinden olan hızlı BBA (HBBA), max-kurtosis BBA (KBBA) ve yeniden yapılanma BBA (YBBA) olmak üzere üç farklı özellik azaltma (boyut indirgeme) yöntemi uygulanmıştır. Bu işlemler sonucunda minimum özellik sayısıyla maksimum başarı oranı elde edilmeye çalışılmıştır. Bu amaçla, öncelikle yeni özellikler ile oluşturulan veri grubuna ayrı ayrı k-kat çapraz doğrulama yöntemi uygulanarak veriler eğitim-test olarak ayrılmıştır. Sonraki aşamada, hazırlanan veriler rastgele orman (RO) algoritması ile sınıflandırılmış ve sonuçlar çeşitli istatistiksel ölçütlerle yorumlanmıştır. Sonuçlar değerlendirildiğinde; kullanılan boyut indirgeme yöntemleri içerisinde en başarılı yöntem %82.01 sınıflandırma doğruluk oranı ve yaklaşık 0.85 ROC ve PRC değerleri ile YBBA olmuştur. Bu durum hasta ve sağlıklı sınıf ayrışımının mükemmele yaklaştığını kanıtlamıştır. Gerçek yaşam uygulamalarına uygun olan bu çalışmanın performans sonuçları ve kullanılan veri sayısının yüksek oluşu çalışmanın literatürdeki önemini ortaya koymaktadır. Ayrıca, çalışma kapsamında kullanılan özellik indirgeme yöntemlerinin analizi, bu alanda yapılabilecek çalışmalara yol gösterebilecek niteliktedir. Anahtar Kelimeler-Parkinson Hastalığı, Ses Sinyali Analizi, Boyut İndirgeme Metotları, AQDDbstract-Parkinson's disease is occurred due to loss of brain cells which are releasing dopamine. There are many different techniques to diagnosis of this disease and analysis of audio signals is one of them. In this study, the features obtained by using the tunable Q-factor wavelet transform (TQWT) method from the previously recorded audio signals of 252 subjects (188 of data belongs to Parkinson's disease and the others are healthy). Three different feature reduction (size reduction) methods such as fast ICA (FICA), max-kurtosis ICA (KICA) and reconstruction ICA (RICA), which are independent component analysis (ICA), were applied to these properties. We aimed to obtain maximum success rate with minimum number of features using these operations. To do this, firstly the k-fold cross validation method was applied to the data group created with new features and was split into training and test group. The data, then, was classified with random forest (RO) algorithm and the results were evaluated with various statistical criteria. It was concluded that RICA with 82.01% classification accuracy rate and approximately 0.85 ROC and PRC values are most successful method among the size reduction methods. This result showed that patient and healthy class separation is approaching excellence. The performance results o...

Parkinson Hastalığı Teşhisi İçin Makine Öğrenmesi Tabanlı Yeni Bir Yöntem

“…Yapılan çalışmalarda bu dengesizlik giderilmeden model oluşturulmuştur [6][7][8][9][10][11][16][17][18][19][20]. 2019 yılında H.Badem [29] ve C.Yücelbaş [30] yapmış oldukları farklı çalışmalarda yüksek doğruluk oranları bulmuşlardır. Çalışmalarda kapsamlı bir veri seti kullanılmıştır fakat dengeleme işlemi yapılmamıştır.…”

“…Tavsiye edilen model Çift Yoğunluklu 1-D Dalgacık Dönüşümü yöntemi ile kurulmuştur [28]. H.Badem ve C.Yücelbaş 2019 yılında yapmış oldukları farklı çalışmalarda [29,30] yüksek doğruluk oranları bulmuşlardır. Çalışmalarda kapsamlı bir veri seti kullanılmıştır fakat dengeleme işlemi yapılmamıştır.…”

Parkinson Hastalığı Tespitinde Farklı Boyutsallık İndirgeme Yöntemlerinin Karşılaştırılması

“…Eğitilen sınıflandırıcıların sonuçları farklı değerlendirme ölçütleriyle sınanmıştır. Çalışmanın sonuçları irdelendiğinde; en yüksek sınıflandırma başarısına %82.01 ile yeniden yapılanma Bağımsız Bileşen Analizi (YBBA) yöntemiyle erişildiği görülmüştür [32].…”

“…Eğitilen sınıflandırıcıların sonuçları farklı değerlendirme ölçütleriyle sınanmıştır. Çalışmanın sonuçları irdelendiğinde; en yüksek sınıflandırma başarısına %82.01 ile yeniden yapılanma Bağımsız Bileşen Analizi (YBBA) yöntemiyle erişildiği görülmüştür[32].Bahsedilen ilgili PH çalışmalarında yapay öğrenme yöntemleriyle beraber genellikle ses tabanlı özniteliklerin kullandığı açıktır. Ses temelli özniteliklerin yanında; elektroansefalogram (EEG), akıllı kalem ve giyilebilir algılayıcılar gibi farklı veri kaynaklarından öznitelik çıkaran çalışmalarda bulunmaktadır[17][18][19].…”

Parkinson Hastalığının Derecesi ile Yürüyüş Değişkenliği Arasındaki İlişkinin Bulanık Tekrarlılık Grafiğine Göre Araştırılması

“…Yücelbaş & C. Yücelbaş, 2019). Bu çalışmalarda Parkinson hastalarının sesleri (Sakar et al, 2013;Tsanas et al, 2010;C. Yücelbaş & Ş. Yücelbaş, 2019a;Yücelbaş, 2020), el yazıları (Afonso et al, 2019;Cantürk, 2020;Naseer et al, 2019) ve yürüyüş değişkenlikleri (T. D. Pham & Yan, 2017) gibi çeşitli verilerle hastalığın belirlenmesine çalışılmıştır.…”