Parkinson hastalığının en önemli belirtilerinden birisi konuşma bozukluklarıdır. Dolayısıyla, ses sinyallerinden problemi temsil edebilecek özniteliklerin çıkarılması ile hastalık sınıflandırılabilmektedir. Makine öğrenmesi teknikleri ile sınıflandırma problemlerinde oldukça başarılı sonuçlar üretmektedir. Bu çalışmada, Parkinson hastalığının ses sinyalleri üzerinden sınıflandırılmasında, KYK, ROS, DVM, NB ve KA makine öğrenmesi tekniklerinin başarımının araştırılması amaçlanmıştır. Bu amaç için literatüre yeni sunulan yüksek boyutlu öznitelik ve örnekleme sahip PDC veri seti kullanılmıştır. Gerçekleştirilen deneysel çalışmalarda, oldukça yüksek doğruluk değerleri elde edilmiştir. Ayrıca, kullanılan yöntemler istatiksel olarak karşılaştırılmıştır. Bu sonuçlara ek olarak, TBA ve DDA boyut indirme tekniklerinin başarıma etkileri analiz edilmiştir.
One of the most important symptoms of Parkinson's disease is speech disturbances. Thus, the disease can be classified by extracting the features from the speech signals that may remark the problem. Machine learning techniques produce very successful results in classification problems. In this study, it is aimed to investigate the performance of machine learning techniques including SVM, KNN, DT and NB in the classification of Parkinson's disease through speech signals. For this purpose, PDC data set with high dimensional features and instances has been used. In the performed experimental studies, high accuracy values have been obtained. In addition, the competitor methods have been also compared statistically.
Alan : Mühendislik
Dergi Türü : Uluslararası
Benzer Makaleler | Yazar | # |
---|
Makale | Yazar | # |
---|