Makine Öğrenmesi Algoritmaları ile Ses Sinyallerinden Parkinson Hastalığının Tespit Edilmesi

Parkinson hastalığı nörolojik bir rahatsızlıktır. Bireylerde hastalığın tanımlanması ilk dönemlerde oldukça zordur. Bundan dolaylı tıbbi yönden kararı etkilemek amacıyla son zamanlarda bilgisayar destekli çözüm arayışları içine girilmiştir. Bu konularda derin öğrenme, bulanık mantık, görüntü işleme, makine öğrenmesi, yapay sinir ağları vb. metotlar oldukça sık ve yaygın olarak kullanılmıştır. Yapılan çalışma neticesinde bu alanda emek veren uzmanların Parkinson hastalığı teşhisi sürecini kolaylaştırmak ve teşhis doğruluğunu artırmak amacıyla gerçekleştirilen bu tez, alanında uzman olarak çalışan kişilerin yönlendirilmesine katkıda bulunmayı hedeflemektedir. Bu çalışmada UCI’den (Machine Learning Repository) temin edilen veriler 6 farklı makine öğrenmesi tekniği (rastgele orman, lojistik regresyon, Gaussion Navie Bayes, karar ağacı, destek vetktör makinesi ve aşırı gradyan artırma) ve yapay sinir ağları kullanılarak parkinson hastalığı teşhisi tahmini yapılmıştır. Yapay sinir ağları uygulamalarında ise, en etkili sonuçları veren eğitim fonksiyonunun seçilmesi (trainoss) ile katman sayılarıyla her bir katmandaki nöron sayılarının belirlenmesidir. Bu sayede, farklı makine öğrenmesi teknikleri ile eğitim fonksiyonları ve parametrelerinin kullanıldığı sonuçların doğruluk oranlarının karşılaştırılmasıyla en iyi başarı elde edilmeyi amaçlamıştır. Tahminler için 22 tane giriş ve 1 tane çıkış parametresi (Parkinson teşhisi tahmini) kullanılmıştır. Elde edilen tahminler gözlem değerleriyle karşılaştırılmıştır. Karşılaştırmalarda doğruluk (Accuracy mean), kesinlik (Precision mean), hatırlama (Recall mean) ve F1_Skoru (F1 score mean) yöntemleri kullanılmıştır. Çalışma sonucunda yapay sinir ağlarında doğruluk, f1 skor, kesinlik ve hatırlama ölçütlerine göre sırasıyla 0.87, 0.91, 0.91, 0.91 olmak üzere en iyi sonucu vermiştir. Bu çalışma sonucunda Parkinson hastalığına sahip bireylerden alınan veriler ile bilgisayar ortamında geliştirilen sistem ile elde edilen veriler kıyaslanarak, Parkinson hastalığına tanı koyabilecek derecede iyi sonuçlar elde edilmiştir. Tedavisi bulunmayan Parkinson hastalığı için yapılan sistem ile bilgisayar tabanlı erken tanı konulması gerçekleştirilmiştir. Böylece, makine öğrenme algoritmalarının ve yapay sinir ağı yöntemlerinin literatürde yer alan kabul görmüş geleneksel yöntemlere göre daha kolay ve alternatif bir yöntem olabileceği gösterilmiştir.

Erişime Açık
Görüntülenme
6
22.03.2024 tarihinden bu yana
İndirme
1
22.03.2024 tarihinden bu yana
Son Erişim Tarihi
07 Haziran 2024 16:06
Google Kontrol
Tıklayınız
Tam Metin
Tam Metin İndirmek için tıklayın Ön izleme
Detaylı Görünüm
Eser Adı
(dc.title)
Makine Öğrenmesi Algoritmaları ile Ses Sinyallerinden Parkinson Hastalığının Tespit Edilmesi
Yayın Türü
(dc.type)
Tez
Yazar/lar
(dc.contributor.author)
KARAGÖZ, Yusuf
Atıf Dizini
(dc.source.database)
Diğer
Konu Başlıkları
(dc.subject)
Parkinson Hastalığı
Konu Başlıkları
(dc.subject)
Makine Öğrenmesi
Konu Başlıkları
(dc.subject)
Derin Öğrenme
Konu Başlıkları
(dc.subject)
Yapay Sinir Ağları
Yayıncı
(dc.publisher)
KTO Karatay Üniversitesi
Tez Danışmanı
(dc.contributor.advisor)
ÖZTÜRK, Ali
Yayın Tarihi
(dc.date.issued)
2023
Kayıt Giriş Tarihi
(dc.date.accessioned)
2023-11-20T10:23:32Z
Açık Erişim tarihi
(dc.date.available)
2023-11-20T10:23:32Z
Tez Türü
(dc.type.thesis)
Yüksek Lisans
Özet
(dc.description.abstract)
Parkinson hastalığı nörolojik bir rahatsızlıktır. Bireylerde hastalığın tanımlanması ilk dönemlerde oldukça zordur. Bundan dolaylı tıbbi yönden kararı etkilemek amacıyla son zamanlarda bilgisayar destekli çözüm arayışları içine girilmiştir. Bu konularda derin öğrenme, bulanık mantık, görüntü işleme, makine öğrenmesi, yapay sinir ağları vb. metotlar oldukça sık ve yaygın olarak kullanılmıştır. Yapılan çalışma neticesinde bu alanda emek veren uzmanların Parkinson hastalığı teşhisi sürecini kolaylaştırmak ve teşhis doğruluğunu artırmak amacıyla gerçekleştirilen bu tez, alanında uzman olarak çalışan kişilerin yönlendirilmesine katkıda bulunmayı hedeflemektedir. Bu çalışmada UCI’den (Machine Learning Repository) temin edilen veriler 6 farklı makine öğrenmesi tekniği (rastgele orman, lojistik regresyon, Gaussion Navie Bayes, karar ağacı, destek vetktör makinesi ve aşırı gradyan artırma) ve yapay sinir ağları kullanılarak parkinson hastalığı teşhisi tahmini yapılmıştır. Yapay sinir ağları uygulamalarında ise, en etkili sonuçları veren eğitim fonksiyonunun seçilmesi (trainoss) ile katman sayılarıyla her bir katmandaki nöron sayılarının belirlenmesidir. Bu sayede, farklı makine öğrenmesi teknikleri ile eğitim fonksiyonları ve parametrelerinin kullanıldığı sonuçların doğruluk oranlarının karşılaştırılmasıyla en iyi başarı elde edilmeyi amaçlamıştır. Tahminler için 22 tane giriş ve 1 tane çıkış parametresi (Parkinson teşhisi tahmini) kullanılmıştır. Elde edilen tahminler gözlem değerleriyle karşılaştırılmıştır. Karşılaştırmalarda doğruluk (Accuracy mean), kesinlik (Precision mean), hatırlama (Recall mean) ve F1_Skoru (F1 score mean) yöntemleri kullanılmıştır. Çalışma sonucunda yapay sinir ağlarında doğruluk, f1 skor, kesinlik ve hatırlama ölçütlerine göre sırasıyla 0.87, 0.91, 0.91, 0.91 olmak üzere en iyi sonucu vermiştir. Bu çalışma sonucunda Parkinson hastalığına sahip bireylerden alınan veriler ile bilgisayar ortamında geliştirilen sistem ile elde edilen veriler kıyaslanarak, Parkinson hastalığına tanı koyabilecek derecede iyi sonuçlar elde edilmiştir. Tedavisi bulunmayan Parkinson hastalığı için yapılan sistem ile bilgisayar tabanlı erken tanı konulması gerçekleştirilmiştir. Böylece, makine öğrenme algoritmalarının ve yapay sinir ağı yöntemlerinin literatürde yer alan kabul görmüş geleneksel yöntemlere göre daha kolay ve alternatif bir yöntem olabileceği gösterilmiştir.
Yayın Dili
(dc.language.iso)
tr
Tek Biçim Adres
(dc.identifier.uri)
http://hdl.handle.net/20.500.12498/6061
Analizler
Yayın Görüntülenme
Yayın Görüntülenme
Erişilen ülkeler
Erişilen şehirler
6698 sayılı Kişisel Verilerin Korunması Kanunu kapsamında yükümlülüklerimiz ve cerez politikamız hakkında bilgi sahibi olmak için alttaki bağlantıyı kullanabilirsiniz.

creativecommons
Bu site altında yer alan tüm kaynaklar Creative Commons Alıntı-GayriTicari-Türetilemez 4.0 Uluslararası Lisansı ile lisanslanmıştır.
Platforms