Vokal kord ölçümlerinden makine öğrenmesi yöntemleri kullanarak Parkinson hastalığının teşhisi

Parkinson hastalığının (PD) en önemli semptomlarından biri, ağız, dil, boğaz, ses tellerinin fiziksel bir bozukluğu nedeniyle konuşmada güçlük çeken konuşma bozukluğudur. Yaygın olarak kullanılan Birleşik Parkinson Derecelendirme Ölçeği (UPDRS) gibi standart ölçeklere rağmen hastalığın erken evrelerde teşhisi zordur. Bu yüzden, bu çalışmada, hastalardan alınan ve sağlıklı gönüllülerden kaydettiğimiz vokal kord işaretlerinin zaman, frekans ve zaman-frekans domenlerinde istatistiksel parametreler yardımıyla özellik vektörleri çıkarılmış ve bu vektörler PD tanısı için makine öğrenmesi (ML) temelli sınıflayıcı modellere girdi olarak uygulanmıştır. Bu amaç için, vokal kord işaretlerine ayrık Fourier dönüşümü (DFT) kullanılarak elde edilen frekans spektrumu üzerinde ve ayrık dalgacık dönüşümü (DWT) uygulanarak ayrıştırılan frekans alt-bantları üzerinde istatistiksel parametreler yardımıyla özellik vektörleri elde edilmiştir. Bu özellik vektörleri PD'nin teşhisi için yaygın olarak kullanılan ML yöntemlerine dayalı sınıflayıcı modellere giriş olarak uygulanmıştır. PD teşhisi için zaman, frekans ve zaman-frekans domenlerinde gerçekleştirilen sınıflandırma deneylerinde, kullanılan ortalama, geometrik ortalama, harmonik ortalama, varyans gibi temel istatiksel parametreleri ile hesaplanan özellik vektörleri sınıflayıcı modellere giriş olarak uygulandığında toplam doğru sınıflandırma (TCC) oranları açısından arzu edilen seviyelere ulaşılmıştır. Buna ek olarak, PD teşhisine ilişkin ilk kez bu tezde kullanılan noktalar-arası eğimi hem zaman hem de frekans domeninde uygulanıp elde edilen yeni işaretin Ki-Karesi ve entropisi hesaplanarak gerçekleştirilen sınıflandırma deneyleri tekrarlandığında özellikle işaretlerin frekans domeninde sınıflayıcı modeller çok daha yüksek TCC oranlarını sağlamıştır. Sonuç olarak, hastaların ses işaretlerine ait frekans alt-bantlarında istatistiksel parametrelerle ve ses işaretlerinin eğimi alınıp Ki-Kare ve entropi uygulandığında elde edilen özellik vektörlerinden ML yöntemleri yardımıyla PD'nin teşhisinin yüksek başarı oranlarında gerçekleştirilmesi mümkün olmuştur. 2019, -- SAYFA