KONUŞMA VERİLERİNDEN OTOMATİKLEŞTİRİLMİŞ PARKİNSON HASTALIĞI TESPİTİ VE SINIFLANDIRILMASI

Abstract

Parkinson hastalığı, dünya genelinde milyonlarca bireyi etkileyen, ilerleyici ve nörodejeneratif bir hastalıktır. Bu tez çalışması, ses sinyallerinin analizi yoluyla Parkinson hastalığının teşhisinde kullanılabilecek yeni yöntemlerin geliştirilmesini hedeflemektedir. Çalışmada, ses sinyallerinde belirli akustik özelliklerin, Parkinson hastalığının tespiti ve sınıflandırılmasında biyobelirteç olarak işlev görebileceği gösterilmiştir. Araştırmada, 28 sağlıklı kontrol, 22 ilaçsız Parkinson hastası (Med-off) ve 30 ilaçlı Parkinson hastası (Med-on) olmak üzere toplamda 80 bireyden oluşan bir örneklem grubu kullanılmıştır. Veri seti, katılımcılara Fırat Üniversitesi Nöroloji Bölümü'nde önceden belirlenmiş bir metnin, sessiz bir ortamda okutulmasıyla elde edilmiştir. Bu ses kayıtlarından toplam 19 akustik özellik çıkarılmış ve analiz edilmiştir. Çalışmada, Destek Vektör Makineleri (SVM), Naive Bayes, Karar Ağaçları, k-En Yakın Komşu (k-NN) ve bu çalışmaya özgü geliştirilen bir yapay sinir ağı modeli gibi çeşitli makine öğrenimi algoritmaları kullanılmıştır. Modellerin performans değerlendirmesi, 10 katlı çapraz doğrulama yöntemiyle gerçekleştirilmiştir. Elde edilen bulgular, ses sinyallerinde Parkinson hastalarını sağlıklı bireylerden ayırt eden belirgin farklılıklar olduğunu ortaya koymuştur. Bu farklılıkların, hastalığın erken teşhisinde önemli bir rol oynayabileceği sonucuna ulaşılmıştır. Çalışma, Parkinson hastalığının teşhisine yönelik invaziv olmayan, etkili ve yenilikçi bir yöntem sunarak literatüre değerli bir katkı sağlamaktadır.

Parkinson's disease is a progressive and neurodegenerative disorder that affects millions of individuals worldwide. This thesis aims to develop novel methods for the diagnosis of Parkinson's disease through the analysis of speech signals. The study demonstrates that specific acoustic features within speech signals can serve as biomarkers for the detection and classification of Parkinson's disease. The research utilized a sample group consisting of 28 healthy controls, 22 drug-naive Parkinson's patients (Med-off), and 30 medicated Parkinson's patients (Med-on), totaling 80 participants. The dataset was constructed by recording participants reading a predefined text in a quiet environment at the Neurology Department of Fırat University. From these recordings, a total of 19 acoustic features were extracted and analyzed. Various machine learning algorithms, including Support Vector Machines (SVM), Naive Bayes, Decision Trees, k-Nearest Neighbors (k-NN), and a neural network model specifically developed for this study, were employed. The performance of these models was evaluated using 10-fold cross-validation. The findings revealed significant differences in speech signals that distinguish Parkinson's patients from healthy individuals. These differences were shown to play a crucial role in facilitating early diagnosis of the disease. This study contributes a non-invasive, effective, and innovative approach to the diagnosis of Parkinson's disease, enriching the existing body of literature.