Dergiler / Düzce Üniversitesi Bilim ve Teknoloji Dergisi / 2020 / Cilt: 8 - Sayı: 3

Parkinson Hastalığı Teşhisi İçin Makine Öğrenmesi Tabanlı Yeni Bir Yöntem

Sayfa
1877–1893
Yayın Tarihi
2022-10-12
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Böylece PH olma ihtimali olan bireyin ses kayıtlarından oluşturulan veri seti ve uygulanan model yardımı ile doktora tıbbi karar destek sağlanacağı anlaşılmıştır.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Parkinson hastalığı (PH), dopamin üreten beyin hücrelerinin ölmesiyle yada zarar görmesiyle ortaya çıkan bir beyin hastalığıdır.
📊
Temel Bulgular & Veri:PH, konuşma, yürüme ve yazma gibi insan hareketlerini olumsuz olarak etkiler.
💡
Sonuç & Katkı:Böylece PH olma ihtimali olan bireyin ses kayıtlarından oluşturulan veri seti ve uygulanan model yardımı ile doktora tıbbi karar destek sağlanacağı anlaşılmıştır.
🔬Tür:Uygulamalı Anket & Alan Araştırması
📍Kapsam:252 birey
⚙️Değişkenler:Tıbbi Karar Destek Sistemleri · Sınıflandırma Algoritmaları · Parkinson Hastalığı

Özet

Parkinson hastalığı (PH), dopamin üreten beyin hücrelerinin ölmesiyle yada 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. Özellik seçme algoritması ile niteliklerin 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 kriterleri - bunlar; 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.

🔖

Bu Makaleye Atıf Yap

BOZKURT, M. R., UÇAR, M. K., ESMER, S., ÇİL, İ. (2022). Parkinson Hastalığı Teşhisi İçin Makine Öğrenmesi Tabanlı Yeni Bir Yöntem. Düzce Üniversitesi Bilim ve Teknoloji Dergisi, Cilt: 8 - Sayı: 3, 1877–1893. https://ajindex.com/articles/494301

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (8)

  1. A. Wood-Kaczmar, S. Gandhi, and N.W. Wood. Understanding the molecular causes of Parkinson’s disease. Trends in Molecular Medicine, 12(11):521–528, nov 2006. Roger A Barker and Stephen B. Dunnett. Functional integration of neural grafts in Parkinson’s disease, dec 1999.
  2. William M. McDonald, Paul E. Holtzheimer, and Eve H. Byrd. The diagnosis and treatment of depression in parkinson’s disease. Current Treatment Options in Neurology, 8(3):245–255, may 2006.
  3. Pratibha Surathi, Ketan Jhunjhunwala, Ravi Yadav, and PramodKumar Pal. Research in Parkinson’s 7 disease in India: A review. Annals of Indian Academy Parkinsondernegi.com. Doktorunuz Parkinson Hastalığı Tanısını Nasıl Koyar?, 2019.
  4. Biswajit Karan, Sitanshu Sekhar Sahu, and Kartik Mahto. Parkinson disease prediction using intrinsic mode function based features from speech signal. Biocybernetics and Biomedical Engineering, may 2019.
  5. Richa Mathur, Vibhakar Pathak, and Devesh Bandil. Parkinson Disease Prediction Using Machine Learning Algorithm. pages 357–363. 2019.
  6. C. Okan Sakar, Gorkem Serbes, Aysegul Gunduz, Hunkar C. Tunc, Hatice Nizam, Betul Erdogdu Sakar, Melih Tutuncu, Tarkan Aydin, M. Erdem Isenkul, and Hulya 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, 74:255–263, jan 2019.
  7. Jing Tang, Bao Yang, Matthew P. Adams, Nikolay N. Shenkov, Ivan S. Klyuzhin, Sima Fotouhi, Esmaeil Davoodi-Bojd, Lijun Lu, Hamid Soltanian-Zadeh, Vesna Sossi, and Arman Rahmim. Artificial Neural Network Based Prediction of Outcome in Parkinson’s Disease Patients Using DaTscan SPECT Imaging Features. Molecular Imaging and Biology, mar 2019.
  8. Ramzi M. Sadek, Salah A. Mohammed, Abdul Rahman K. Abunbehan, Abdul Karim H. Abdul Ghattas, Majed R. Badawi, Mohamed N. Mortaja, Bassem S. Abu-Nasser, and Samy S. Abu-Naser. Parkinson’s Disease Prediction Using Artificial Neural Network. 2019. Sukru Torun. Parkinsonlularda Konuşma Fonksiyonunun Subjektif ve Objektif (Elektrolaringografik) Yöntemlerle incelenmesi. 1991. Hüseyin Gürüler. 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, jul 2017. Ömer Eskidere. A Comparison of Feature Selection Methods for Diagnosis of Parkinson’s Disease fromVocal Measurements. Journal Engineering and Natural Science, 30:402–4