Derin sinir ağına dayalı otokodlayıcı ve metasezgisel yöntem ile parkinson hastalığının teşhisi

Parkinson hastalığı nörodejeneratif bir hastalık olup beyinde dopamin üreten sinir hücrelerini etkilemektedir. Bu tezimizde Parkinson hastalığının teşhisinde etkili öznitelikleri belirlemek için öznitelik seçimi algoritmalarından Otokodlayıcı ve Karınca Kolonisi Optimizasyonu algoritmaları gibi farklı senaryolar üzerinde karşılaştırmalı çalışmaları araştırdık. Bu algoritmalar çevrimiçi bir depodan elde edilen sese uygulandı. Daha sonra seçilen öznitellikler, ikili sınıflandırma problemlerinden Karar ağacı, SVM, K-NN, Ensemble, Naive Bayes ve Discriminant sınıflandırıcılarının her biri için kullanıldı. Önerilen yöntemler duyarlılık, özgüllük, kesinlik, hatırlama ve doğruluk kriterleri ile değerlendirildi. Karşılaştırmalı bir çalışma yürütmek ve öznitelik seçme yöntemlerinin sağlıklı kişilerle Parkinson hastalarını ayırt etmedeki başarısını analiz etmek için önerilen sistemler bu sınıflandırıcılarla ayrı ayrı eğitilmiş ve test edilmiştir. Parkinson Hastalığı Veri Setinde sinyal seslerinden elde edilen 24 öznitelik bulunmaktadır. Sınıflandırıcının eğitimindeki bazı özniteliklerde problemler bulunmakta olup bu problemler sistemin doğruluğunu azaltmaktadır. K-NN ve Ensemble sınıflandırma yöntemleri için hem Karınca Kolonisi Optimizasyonu (ACO) hem de Otokodlayıcının aynı ve en iyi eğitim performansına sahip olduğu bulunmuştur. Test sonuçları, geliştirilmiş ACO'nun doğruluk oranının Autoencoder yöntemine göre daha yüksek olduğunu göstermektedir. Anahtar Kelimeler: Gelişmiş karınca kolonisi optimizasyonu, otokodlayıcı, derin öğrenme, öznitelik seçimi, parkinson hastalığı