Derin öğrenme teknikleri kullanılarak Parkinson hastalığının konuşma sinyallerinden tespiti
Detection of Parkinson's disease from speech signals using deep learning techniques
- Tez No: 909947
- Danışmanlar: DOÇ. DR. EDA AKMAN AYDIN
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Gazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 94
Özet
Parkinson hastalığı (PH) beyinde dopamin adı verilen kimyasalın azalması sonucu ortaya çıkan nörodejeneratif bir hastalıktır. Parkinson hastalığın kesin bir tedavisi yoktur ancak erken evrelerde semptomların kontrol altına alınabilmesi için kullanılan bazı ilaçlar hastalığın ilerleme sürecinde kritik bir etkiye sahiptir. Parkinson hastalarının yaklaşık %90'ında vokal problemler görülmektedir ve erken evrelerde görülen ses bozuklukları hastanın konuşmasında belirgin olmasa da akustik analizler ile tespit edilebilmektedir. Bu tez çalışmasında derin öğrenme tekniklerinden faydalanılarak konuşma sinyallerine dayalı PH teşhisi için bir karar destek sistemi önerilmiştir. Çalışmalar üç senaryo üzerine kurgulamıştır. Senaryo 1'de konuşma sinyallerinin CNN & LSTM modellerine giriş verisi olarak kullanılması, Senaryo 2'de konuşma sinyallerinin basit, evrişimli ve yinelemeli oto-kodlayıcı & LSTM modellerine giriş verisi olarak kullanılması, Senaryo 3'te ise konuşma sinyallerinden spektrogram, mel-spektrogram ve chromagram olarak elde edilen zaman frekans gösterimlerinin CNN & LSTM modellerinde kullanılmasını içermektedir. Oluşturulan temel CNN ve oto-kodlayıcı modellerinin LSTM katmanları ile hibritleşmesi ve derinleşmesinin sınıflandırma performansına etkisi gözlemlenmiştir. Çalışma kapsamında önerilen CNN & LSTM hibrit modeli %98,21, evrişimli oto-kodlayıcı & LSTM hibrit modeli ise %97,79 doğruluk oranı ile ses sinyallerine dayalı PH teşhisi için başarılı sonuçlar sağlamıştır. Ayrıca, zaman-frekans temsilleri ile eğitilen CNN & LSTM hibrit modeli ise %99,15 doğruluğa ulaşmıştır. Çalışmalar doğrultusunda, genel olarak modellerin hibritleştirilmesinin başarıyı artırdığı, ağın belli bir ölçüde derinleşmesinin ise sınıflandırma performansını iyileştirdiği sonucuna ulaşılmıştır.
Özet (Çeviri)
Parkinson's disease (PD) is a neurodegenerative disorder that occurs as a result of a decrease in the chemical called dopamine in the brain. There is no definitive treatment for Parkinson's disease, but some medications used to control symptoms in the early stages have a critical effect on the progression of the disease. Approximately 90% of patients with Parkinson's disease have vocal problems, and although voice disorders seen in the early stages are not apparent in the patient's speech, they can be detected by acoustic analysis. In this thesis, a decision support system is proposed for the diagnosis of PD using the speech signals of individuals with Parkinson's disease by utilizing the feature extraction power of various deep learning models. The studies are structured on three scenarios. Scenario 1 includes using speech signals as input data to CNN & LSTM models, Scenario 2 includes using speech signals as input data to simple, convolutional and recurrent auto-encoder & LSTM models, and Scenario 3 includes using time-frequency representations obtained from speech signals as spectrogram, mel-spectrogram and chromagram in CNN & LSTM models. The effect of hybridization and deepening of the created CNN and auto-encoder base models with LSTM layers on the classification performance was observed. Within the scope of the study, the proposed CNN & LSTM hybrid model provided successful results with 98.21% accuracy rate, while the convolutional auto-encoder & LSTM hybrid model provided 97.79% accuracy rate for PD diagnosis based on audio signals. In addition, the CNN & LSTM hybrid model trained with time-frequency representations reached 99.15% accuracy. It was concluded that hybridization of the models generally increases the accuracy, and deepening the network to a certain extent improves the classification performance.
Benzer Tezler
- Classification of Parkinson's disease using deep learning techniques on finger, hand and tremor data
Derin öğrenme teknikleri kullanarak parmak, el ve titreme verileriyle Parkinson hastalığının sınıflandırılması
BEYZA GÜL
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Medipol ÜniversitesiElektrik-Elektronik Mühendisliği ve Siber Sistemler Ana Bilim Dalı
PROF. DR. BAHADIR KÜRŞAT GÜNTÜRK
- Parkinson hastalığının teşhisinde ses verileri üzerinden makine öğrenmesi ve derin öğrenme yöntemlerinin incelenmesi
Investigation of machine learning and deep learning methods on voice data in diagnosis of Parkinson's disease
İBRAHİM HALİL GÖKÇİN
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHarran ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ NAGEHAN İLHAN
- Parkinson's disease detection using deep learning based on voice recording
Derin öğrenme ile ses kaydına dayalı Parkinson hastalığı tespiti
SAJA MURTADHA HASHIM AL-GBURI
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. HAKAN KUTUCU
- Makine öğrenmesi teknikleri kullanılarak nörodejeneratif hastalık tespiti ve derecelendirmesi
Neurodegenerative disease detection and rating using machine learning techniques
ÇAĞATAY BERKE ERDAŞ
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBaşkent ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ EMRE SÜMER
ÖĞR. GÖR. SEDA KİBAROĞLU
- Makine öğrenmesi algoritmaları ile ses sinyallerinden parkinson hastalığının tespit edilmesi
Detecting parkinson's disease from audio signals with machine learning algorithms master's thesis
YUSUF KARAGÖZ
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKTO Karatay ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ALİ ÖZTÜRK