Parkinson Hastalığı Teşhisi İçin Makine Öğrenmesi Tabanlı Yeni Bir Yöntem

Yıl 2020, Cilt: 8 Sayı: 3, 1877 - 1893, 31.07.2020

Sadullah Esmer , Muhammed Kürşad Uçar , İbrahim Çil , Mehmet Recep Bozkurt

https://doi.org/10.29130/dubited.688223

Cited By: 3

Öz

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.

Anahtar Kelimeler

Tıbbi Karar Destek Sistemleri, Sınıflandırma Algoritmaları, Parkinson Hastalığı, Makine Öğrenmesi

Kaynakça

• 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.
• 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.
• 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.
• 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.
• Richa Mathur, Vibhakar Pathak, and Devesh Bandil. Parkinson Disease Prediction Using Machine Learning Algorithm. pages 357–363. 2019.
• 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.
• 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.
• 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, 30:402–414, 2012.
• C. Okan Sakar and Olcay Kursun. Telediagnosis of Parkinson’s Disease Using Measurements of Dysphonia. Journal of Medical Systems, 34(4):591–599, aug 2010.
• A. Tsanas, M. A. Little, P. E. McSharry, and L. O. Ramig. Nonlinear speech analysis algorithms mapped to a standard metric achieve clinically useful quantification of average Parkinson’s disease symptom severity. Journal of The Royal Society Interface, 8(59):842–855, jun 2011.
• Max A Little, Patrick E McSharry, Eric J Hunter, Jennifer Spielman, and Lorraine O Ramig. Suitability of dysphonia measurements for telemonitoring of Parkinson’s disease. IEEE transactions on bio-medical engineering, 56(4):1015, apr 2009.
• Musa Peker. A decision support system to improve medical diagnosis using a combination of k-medoids clustering based attribute weighting and SVM. Journal of Medical Systems, 40(5):116, may 2016.
• Betul Erdogdu Sakar, Gorkem Serbes, and C Okan Sakar. Analyzing the effectiveness of vocal features in early telediagnosis of Parkinson’s disease. PloS one, 12(8):e0182428, 2017.
• Musa Peker, Baha Sen, and Dursun Delen. Computer-Aided Diagnosis of Parkinson’s Disease Using Complex-Valued Neural Networks and mRMR Feature Selection Algorithm. Journal of healthcare engineering, 6(3):281–302, 2015.
• Kyoungjune Pak, Heeyoung Kim, Ju Won Seok, Myung Jun Lee, Seunghyeon Shin, Keunyoung Kim, Jae Meen Lee, Youngduk Seo, Bum Soo Kim, Sungmin Jun, and In Joo Kim. Prediction of future weight change with dopamine transporter in patients with Parkinson’s disease. Journal of Neural Transmission, 126(6):723–729, jun 2019.
• Srishti Grover, Saloni Bhartia, Akshama, Abhilasha Yadav, and Seeja K.R. Predicting Severity Of Parkinson’s Disease Using Deep Learning. Procedia Computer Science, 132:1788–1794, 2018.
• Timothy J. Wroge, Yasin Ozkanca, Cenk Demiroglu, Dong Si, David C. Atkins, and Reza Hosseini Ghomi. Parkinson’s Disease Diagnosis Using Machine Learning and Voice. In 2018 IEEE Signal Processing in Medicine and Biology Symposium (SPMB), pages 1–7. IEEE, dec 2018.
• Elif Kartal and Zeki Ozen. Dengesiz Veri Setlerinde Sınıflandırma. pages 109–131. 2017.
• Reha Alpar. Spor Sağlık Ve Eğitim Bilimlerinden Örneklerle UYGULAMALI İSTATİSTİK VE GEÇERLİK GÜVENİRLİK. DETAY YAYINCILIK, 5 edition, 2018.
• Salvador García, Sergio Ramírez-Gallego, Julián Luengo, José Manuel Benítez, and Francisco Herrera. Big data preprocessing: methods and prospects. Big Data Analytics, 1(1):9, dec 2016.
• Elif Kartal. Sınıflandırmaya Dayalı Makine Öğrenmesi Teknikleri ve Kardiyolojik Risk Değerlendirmesine İlişkin Bir Uygulama. PhD thesis, 2015.
• J. R. (John Ross) Quinlan and J. Ross. C4.5 : programs for machine learning. Morgan Kaufmann Publishers, 1993.
• M.A. Hearst, S.T. Dumais, E. Osuna, J. Platt, and B. Scholkopf. Support vector machines. IEEE Intelligent Systems and their Applications, 13(4):18–28, jul 1998.
• Sevgi AYHAN and Şenol ERDOĞMUŞ . Destek Vektör Makineleriyle Sınıflandırma Problemlerinin Çözümü İçin Çekirdek Fonksiyonu Seçimi. Eskişehir Osmangazi Üniversitesi İktisadi ve İdari Bilimler Dergisi, 9(1):175–201, nov 2014.
• Soman Kp, R Loganathan, and Ajay Vadakkepatt. Machine learning with SVM and other kernel methods. 2009.
• Pádraig Cunningham and Sarah Jane Delany. k-Nearest Neighbour Classifiers. Technical report, 2007.
• BALABAN M. Erdal and KARTAL Elif. Veri Madenciliği ve Makine Öğrenmesi Temel Algoritmaları ve R Dili ile Uygulamaları. Çağlayan Kitabevi, 2 edition, 2018.
• M Özgür Dolgun, Özdemir T. Güzel, and Oğuz Doruk. Veri madenciliği’nde yapısal olmayan verinin analizi: Metin ve web madenciliği. İstatistikçiler Dergisi, 48-58, 2009.
• Betul Erdogdu Sakar, M. Erdem Isenkul, C. Okan Sakar, Ahmet Sertbas, Fikret Gurgen, Sakir Delil, Hulya Apaydin, and Olcay Kursun. Collection and Analysis of a Parkinson Speech Dataset With Multiple Types of Sound Recordings. IEEE Journal of Biomedical and Health Informatics, 17(4):828–834, jul 2013. 9