Parkinson Hastalığı İçin Öznitelik Seçiminin Önemi

Temel Bulgular & Veri:Bu çalışmada, bu hastalığın tespiti için sıralama tekniklerini kullanarak özniteliklerin önemliliğini değerlendirmeye dayalı yeni bir uygulama yapılmıştır.

💡

Sonuç & Katkı:En iyi performans sunan model bilgisini içeren bu çalışma bu hastalığın etkin teşhisi için güçlü bir araç olabilir.

🔬Tür:Modelleme & Sayısal Simülasyon

📍Kapsam:Genişletilmiş Akademik Örneklem

⚙️Değişkenler:Parkinson hastalığı · özniteliğin önemi · Stability Selection

Özet

Parkinson hastalığı, ileri yaşlarda ortaya çıkan nörolojik bir hastalıktır. Bu hastalık, en acı verici, tehlikeli ve tedavi edilmeyen hastalıklardan biridir. Bu çalışmada, bu hastalığın tespiti için sıralama tekniklerini kullanarak özniteliklerin önemliliğini değerlendirmeye dayalı yeni bir uygulama yapılmıştır. Parkinson hastalığı üzerinde özniteliklerin etkilerinin tanımlanması için Stability Selection (Kararlılık Seçimi) metodu uygulanmıştır. Bu hastalığın tanısında etkin olacak olan en iyi modeli elde etmek için seçilmiş öznitelikler veriseti ve tüm öznitelikler veriseti giriş verisi olarak Rastgele Orman ve Lojistik Regresyon algoritmalarına gönderilmiştir. En iyi performans sunan model bilgisini içeren bu çalışma bu hastalığın etkin teşhisi için güçlü bir araç olabilir.

Abstract

Parkinson disease is a neurological disorder occurring at older ages. It is one of the most painful, dangerous and untreated diseases. In this study, a new application based on assessing the importance of attributes using the ranking techniques was carried out for diagnosis of this disease. The effects of the attributes on the Parkinson disease are determined by utilizing Stability Selection method. The selected attributes dataset and all attributes dataset have been sent as input data to the Random Forest and Logistic Regression algorithms in order to investigate the best model which is to be effective in the diagnosis of this disease. This study including the model which presented the best performance might be a powerful tool for effective diagnosis of this disease.

Anahtar kelimeler

Parkinson hastalığı özniteliğin önemi Stability Selection k-fold çapraz doğrulama makine öğrenmesi Parkinson disease importance of attribute k-fold cross validation machine learning

🔖

Bu Makaleye Atıf Yap

AKYOL, K., BAYIR, Ş., ŞEN, B. (2020). Parkinson Hastalığı İçin Öznitelik Seçiminin Önemi. Academic Platform Journal of Engineering and Smart Systems, Cilt: 8 - Sayı: 1, 175–180. https://ajindex.com/articles/730633

📄 Tam Metin PDF Okuyucu

Yeni Sekmede Aç ↗

↗Yeni Sekme

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (13)

G. Yadav, Y. Kumar, G. Sahoo, “Predication of Parkinson's disease using data mining methods: a comparative analysis of tree, statistical, and support vector machine classifiers”, Indian J Med Sci vol. 65, no. 6, pp. 231-242, 2011
K. Al-Tawil, A. Akrami, H. Youssef, “A new authentication protocol for GSM networks”, In: Proceedings of the 23rd Annual Conference on Local Computer Networks, 11-14 Oct 1998, Lowell, MA, USA, 1998
R. Subrata and A. Zomaya, “Artificial Life Techniques for Reporting Cell Planning in Mobile Computing”, In: Proceedings of the International Parallel and Distributed Processing Symposium vol. 14, pp. 169–187, 2003
M.A. Little, P.E. McSharry, E.J. Hunter, J. Spielman, L.O. Ramig, “Suitability of dysphonia measurements for telemonitoring of Parkinson’s disease”, IEEE T Bio-Med Eng vol. 56, no. 4, pp. 1015-1022, 2009
R. Das, “A comparison of multiple classification methods for diagnosis of Parkinson disease”, Expert Syst Appl vol. 37, no. 2, pp. 1568-1572, 2010
R.A. Barker and S.B. Dunnett, “Functional integration of neural grafts in Parkinson’s disease”, Nat Neurosci vol. 2, no.12, pp. 1047-1048, 1999
L.O. Ramig, C. Fox, S. Sapir, “Parkinson's disease: Speech and voice disorders and their treatment with the Lee Silverman Voice Treatment”, Seminars in Speech and Language vol. 25, no. 2, pp. 169-180, 2004
A.K. Ho, R. Iansek, C. Marigliani, J.L. Bradshaw, S. Gates, “Speech impairment in a large sample of patients with Parkinson’s disease”, Behav Neurol vol. 11, no. 3, pp. 131-137, 1998
K. Umapathy, S. Krishnan, V. Parsa, D.G. Jamieson, “Discrimination of pathological Voices Using a Time-Frequency Approach”, IEEE T Bio-Med Eng vol. 52, no. 3, pp. 421-430, 2005
J.I. Godino Lorente and P. Gomez-Vilda, “Automatic detection of voice impairments by means of short-term cepstral parameters and neural network based detectors”, IEEE T Bio-Med Eng vol. 51, no. 2, pp. 380-384, 2004
R. Shrivastav, “The use of an auditory model in predicting perceptual ratings of breathy voice quality”, J Voice vol. 17, no. 4, pp. 502-512. 2003
B.E. Sakar, M.E. Isenkul, C.O. Sakar, A. Sertbas, F. Gurgen, S. Delil, H. Apaydin, O. Kursun, “Collection and analysis of a Parkinson speech dataset with multiple types of sound recordings”, Journal of Biomedical and Health Informatics vol. 17, no. 4, pp. 828–834. 2013
B. Harel, M. Cannizzaro, P.J. Snyder, “Variability in fundamental frequency during speech in prod