Parkinson Disease Prediction Using Machine Learning Algorithm

Mathur, Richa; Pathak, Vibhakar; Bandil, Devesh

doi:10.1007/978-981-13-2285-3_42

Cited by 46 publications

(24 citation statements)

References 3 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Richa Mathur et al [23] suggested a method for predicting the PD. They used a weka tool for implementing the algorithms to perform preprocessing of data, classification and the result analysis on the given dataset.…”

Section: Literature Reviewmentioning

confidence: 99%

Voice-Based Detection of Parkinson’s Disease through Ensemble Machine Learning Approach: A Performance Study

Nissar¹,

Rizvi²,

Masood³

et al. 2019

EAI Endorsed Trans Perv Health Tech

View full text Add to dashboard Cite

INTRODUCTION: Parkinson's disease (PD) occurs due to the deficiency of dopamine that regulates various activities of the human body. Researchers have identified that voice is an underlying symptom of PD. Recently, Machine learning (ML) has helped in solving problems of computer vision, natural language processing, speech recognition etc.OBJECTIVES: This paper aims to analyse the effect of feature type selection i.e. MFCC and TQWT on the efficiency of voice based PD detection system along with the use an ensemble learning based classifier for this task.METHODS: Hence, in this work, various machine learning models, including Logistic Regression, Naive Bayes, KNN, Random Forest, Decision Tree, SVM, MLP, and XGBoost, have been employed and explored for PD detection purpose. The task of Feature selection was also done using minimum-Redundancy and Maximum-Relevance (mRMR) and Recursive Feature Elimination (RFE) techniques. RESULTS:The results of the XGBoost with mRMR feature selection, outperformed all other models with a high accuracy of 95.39% and precision, recall and F1-score of 0.95 each, when both MFCC and TQWT features were selected. CONCLUSION:The results obtained strongly support the use of XGBoost model for the voice sample based detection of PD along with mRMR feature selection technique.

show abstract

Section: Literature Reviewmentioning

confidence: 99%

Voice-Based Detection of Parkinson’s Disease through Ensemble Machine Learning Approach: A Performance Study

Nissar¹,

Rizvi²,

Masood³

et al. 2019

EAI Endorsed Trans Perv Health Tech

View full text Add to dashboard Cite

show abstract

“…Hastalar genellikle 60 ve üzeri yaşlarda [5] olduğu için istenen testler, bu yaşlardaki insanlara zor gelmektedir. Tüm bu zorluklar sebebiyle PH'ın tanısında daha basit ve güvenilir yöntemlere ihtiyaç duyulmaktadır [6][7][8].…”

Section: Introductionunclassified

“…Dönüşümün düşük oranda da olsa performans kriterlerinden doğruluk oranını arttırdığı belirtilmiştir. Bu çalışmalarda veriler PH ve sağlıklı bakımdan dengesiz dağılıma sahip olmasına rağmen herhangi bir alt ya da üst örnekleme yapılmadan araştırma gerçekleştirilmiştir [6][7][8][9][10][11][12][13][14][15][16][17][18][19][20].…”

Section: Introductionunclassified

“…PH'ın güvenilir ve hızlı bir şekilde teşhisinin yapılabilmesi için son yıllarda pek çok bilimsel çalışma yapılmıştır [6,7,[9][10][11][12][13][14][15][16][17][18][19][20]. Bu çalışmaların en önemli amacı hem hastalar için fiziki zorlukları ortadan kaldırmak hem de klinik çalışanları üzerindeki iş yükünü azaltmaktır.…”

Section: Introductionunclassified

“…PH'ın erken evrelerinde ve en sık görülen rahatsızlıklarından biri vokal (konuşma ve ses) problemlerdir [9][10][11]21]. Yakın geçmişte bireylerin konuşma kayıtları (sesleri) kaydedilerek PH teşhisi üzerinde çalışmalar gerçekleştirilmiştir [6][7][8][9][10][11][12][13][14][15][16][17][18][19][20]. Vokal çalışmalar literatürde belirgin bir yere sahiptir.…”

Section: Introductionunclassified

See 2 more Smart Citations

Parkinson Hastalığı Teşhisi İçin Makine Öğrenmesi Tabanlı Yeni Bir Yöntem

Esmer

Uçar

Çil

et al. 2020

Düzce Üniversitesi Bilim Ve Teknoloji Dergisi

View full text Add to dashboard Cite

Parkinson hastalığı (PH), dopamin üreten beyin hücrelerinin ölmesiyle ya da zarar görmesiyle ortaya çıkan bir beyin hastalığıdır. Böyle bir durumda, beyin normal fonksiyonlarını yerine getiremez. PH, konuşma, yürüme ve yazma gibi insan hareketlerini olumsuz olarak etkiler. Bu hastalığın teşhisinde detaylı tıbbi öykü, geçmiş tedavi öyküsü, fiziksel testler ve bazı kan testleri ile beyin filmleri istenilmektedir. Bu işlemler maliyetli ve meşakkatli olabildiği için daha az maliyetli ve daha kolay yapılabilen teşhis bu noktada önem kazanmaktadır. Bu çalışmada doktorun kararına destek olabilmesi için 252 bireyden alınan ses verileri ile PH'ın teşhis edilebilmesi amaçlanmıştır. Verilerden daha iyi sonuç alabilmek için bazı ön işlemler uygulanmıştır. Verilerde dengeleme işlemi yapılmış ve sistematik örnekleme metodu ile işleme alınacak veriler belirlenmiştir. Öznitelik seçme algoritması ile özniteliklerin etiket üzerindeki etki gücü hesaplanıp bazı veri grupları oluşturulmuştur. Sınıflandırma algoritmalarından Karar ağacı, Destek Vektör Makineleri ve K En Yakın Komşu Algoritması kullanılıp, performans değerlendirme kriterleribunlar; Doğruluk Oranı, Duyarlılık, Özgünlük, F-Ölçümü, Kappa, Auc-değerlendirilmiştir. En yüksek performans değerine sahip veri grubu ve kullanılan sınıflandırma algoritması belirlenip model oluşturulmuştur. Model en ilgiliden en ilgisize doğru sıralanmış veri setinin %45'inden ve Destek vektör makineleri algoritması kullanılarak oluşturulmuştur. Performans kriterlerinde %85 doğruluk oranı ve diğer kriterlerde de olumlu sonuçlar elde edilmiştir. Böylece PH olma ihtimali olan bireyin ses kayıtlarından oluşturulan veri seti ve uygulanan model yardımı ile doktora tıbbi karar destek sağlanacağı anlaşılmıştır.

show abstract