Parkinson's disease diagnosis by using autoencoder based on deep neural network (DNN) and metaheuristic method
Derin sinir ağına dayalı otokodlayıcı ve metasezgisel yöntem ile parkinson hastalığının teşhisi
- Tez No: 850977
- Danışmanlar: PROF. DR. FATİH VEHBİ ÇELEBİ
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Gelişmiş karınca kolonisi optimizasyonu, otokodlayıcı, derin öğrenme, öznitelik seçimi, parkinson hastalığı, Improved ant colony optimization, autoencoder, deep learning, feature selection, parkinson's disease
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Ankara Yıldırım Beyazıt Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 59
Özet
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.
Özet (Çeviri)
Parkinson's disease (PD) is a neurodegenerative disorder and affects the nerve cells that produce dopamine in the brain. In this thesis, we investigated comparative studies on the different scenarios such as AutoEncoder and Ant Colony Optimization feature selection algorithms to determine the effective features in the diagnosis of Parkinson's disease. These algorithms are implemented to the voice obtained from an online repository. Then selected features are used with the Decision tree, SVM, K-NN, Ensemble, Naive Bayes and Discriminant classifiers for each of the binary classification problems. The proposed methods are evaluated with the sensitivity, specificity, precision, recall and accuracy criteria. The suggested systems are trained and tested with these classifiers separately to carry out a comparative study and to analyze the success of feature selection methods in discriminating healthy people and PD patients. In Parkinson's Disease Dataset 24 features were obtained from the signal voices. Some of the features in the training of the classifier have problems and these problems reduce the accuracy of the system. It is found that for K-NN and Ensemble classification methods both Ant Colony Optimization (ACO) and Autoencoder have the same and the best training performance. Testing results show that the accuracy rate of the improved ACO is higher than the Autoencoder method.
Benzer Tezler
- Machine-learning approaches for neurological disorder diagnosis from genomic and neuroimaging data
Genomik ve nörogörüntüleme verilerinden nörolojik bozukluk teşhisi için makine öğrenmesi yaklaşımları
İSMAİL BİLGEN
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BEHÇET UĞUR TÖREYİN
- Derin öğrenme teknikleri kullanılarak Parkinson hastalığının konuşma sinyallerinden tespiti
Detection of Parkinson's disease from speech signals using deep learning techniques
AYŞE NUR TEKİNDOR
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiGazi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. EDA AKMAN AYDIN
- Parkinson hastalarında safra kesesi fonksiyonlarının kolesintigrafi ile değerlendirilmesi
Evaluation of gallbladder function in patient with parkinson's disease by using cholescintigraphy
NİLGÜN BALKAN AKSOY
Tıpta Uzmanlık
Türkçe
2007
Radyoloji ve Nükleer TıpZonguldak Karaelmas ÜniversitesiNükleer Tıp Ana Bilim Dalı
Y.DOÇ.DR. MEHMET ÇABUK
- Parkinson hastalığının teşhisinde derin öğrenme yöntemi ile spect görüntü analizi
Spect image analysis with deep learning method for diagnosis of parkinson's disease
OKAN ALKAN
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAğrı İbrahim Çeçen ÜniversitesiMatematik Ana Bilim Dalı
DOÇ. DR. AYTÜRK KELEŞ
- Telemonitoring of Parkinson's disease by using pattern recognition methods
Parkinson hastalığının örüntü tanıma metotları kullanılarak uzaktan izlenmesi
YASEMİN ŞAHİN
Yüksek Lisans
Türkçe
2012
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFatih ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. NAHİT EMANET