Derin öğrenme ve kelime gömme modelleri kullanarak parkinson hastalığının analizi

Amaç Parkinson hastalığı, hastanın yaşam kalitesini etkileyen, önemli sosyal ve ekonomik etkileri olan ve semptomların aşamalı görünümü nedeniyle erken teşhis edilmesi güç olan yaygın bir nörolojik hastalıktır. Parkinson hastalığının Twitter gibi sosyal medya platformlarında tartışılması, hastaların Parkinson hastalığının hem tanı hem de tedavi aşamasında birbirleriyle iletişim kurduğu bir platform sağlar. Bu çalışmanın amacı, derin öğrenme ve kelime gömme modelleri kullanarak insanların Parkinson hastalığı ile ilgili duygusallık analizlerini değerlendirmek ve karşılaştırmaktır. Bildiğimiz kadarıyla, Parkinson hastalığını sosyal medyadan kelime gömme modelleri ve derin öğrenme algoritmaları kullanarak analiz etmek için yapılan ilk çalışmadır. Materyaller ve yöntemler Parkinson hastalığı ile ilgili tweetler, Twitter sayfalarındaki ("ParkinsonsCure", "Parkinson", "ParkinsonsTreatment, ParkinsonDiagnosis") anahtar kelimeleri ile hesaplarını arayarak elde edildi. Parkinson hastalığına ilişkin tüm tweetler, 01.01.2009- 09.01.2019 tarihleri arasında Python programlama dilinde yazdığımız Selenium Crawler kullanılarak toplandı. Bu çalışmada Word2Vec, GloVe ve FastText, tweetleri anlamsal, bağlamsal ve sözdizimi açısından zenginleştirmek amacıyla kelime gömme modelleri olarak kullanılmıştır. Evrişimli Sinir Ağları (CNN'ler), Tekrarlayan Sinir Ağları (RNN'ler) ve Uzun Kısa Süreli Bellek Ağları (LSTM'ler) sınıflandırma görevi için uygulanılmıştır. Deneysel Sonuçlar Bu çalışmada, kelime gömme modelleri ve derin öğrenme algoritmaları kullanılarak Parkinson hastalığı hakkında kullanıcı yorumlarının duygularını analiz etmek için kapsamlı deneyler yapılmıştır. Doğruluk, her modelin sınıflandırma performansını ve çalışmamızın katkısını göstermek için deneylerde bir değerlendirme ölçütü olarak kullanılır. Ön işleme yöntemlerinin kelime gömme modelleri üzerindeki etkisi %50 eğitim setinde incelendiğinde, RH ve RU yöntemlerinin kombinasyonunun en iyi doğruluk performansını gösterdiği görülmektedir. Word2Vec kelime gömme modellerinde ön işleme yöntemleriyle %89,34 doğrulukla en iyi sonuçlara sahiptir. Benzer şekilde, ön işleme yöntemlerinin derin öğrenme algoritmaları üzerindeki etkisi incelendiğinde, RH ve RU konsolidasyonunun diğer ön işleme yöntemlerinden daha iyi sonuçlar verdiği görülmektedir. LSTM, RU + RH yöntemleriyle harmanlanarak %93,63 doğruluk performansına sahip en iyi performans gösteren sınıflandırma algoritmasıdır. Sonuçlar Bu çalışma, hastaların gereksinimlerini anlamak için kelime gömme modelleri ve derin öğrenme algoritmalarını kullanma etkinliğini ve duygularını analiz ederek tedavi sürecine değerli bir katkı sağladığını göstermektedir.