Parkinson's disease is occurred due to loss of brain cells which are releasing dopamine. There are many different techniques to diagnosis of this disease and analysis of audio signals is one of them. In this study, the features obtained by using the tunable Q-factor wavelet transform (TQWT) method from the previously recorded audio signals of 252 subjects (188 of data belongs to Parkinson’s disease and the others are healthy). Three different feature reduction (size reduction) methods such as fast ICA (FICA), max-kurtosis ICA (KICA) and reconstruction ICA (RICA), which are independent component analysis (ICA), were applied to these properties. We aimed to obtain maximum success rate with minimum number of features using these operations. To do this, firstly the k-fold cross validation method was applied to the data group created with new features and was split into training and test group. The data, then, was classified with random forest (RO) algorithm and the results were evaluated with various statistical criteria. It was concluded that RICA with 82.01% classification accuracy rate and approximately 0.85 ROC and PRC values are most successful method among the size reduction methods. This result showed that patient and healthy class separation is approaching excellence. The performance results of this study, which is suitable for real life applications and the high number of data used, reveal the importance of the study in the literature. Moreover, the analysis of feature reduction methods used in this study is high enough to guide the future studies in this field.
Parkinson hastalığı dopamin üreten beyin hücrelerinin kaybı sonucunda oluşan bir hastalıktır. Buhastalığın birçok teşhis yöntemi bulunmakta olup ses sinyallerinin analizi de bunlardan birisidir. Buçalışmada daha önceden 188 Parkinson hastası ve 64 sağlıklı olmak üzere toplam 252 kişiye ait kaydedilmişses sinyallerinden ayarlanabilir Q-faktör dalgacık dönüşümü (AQDD) metodu kullanılarak elde edilen özelliklerkullanılmıştır. Bu özelliklere bağımsız bileşen analizi (BBA) çeşitlerinden olan hızlı BBA (HBBA), max-kurtosis BBA(KBBA) ve yeniden yapılanma BBA (YBBA) olmak üzere üç farklı özellik azaltma (boyut indirgeme) yöntemiuygulanmıştır. Bu işlemler sonucunda minimum özellik sayısıyla maksimum başarı oranı elde edilmeye çalışılmıştır.Bu amaçla, öncelikle yeni özellikler ile oluşturulan veri grubuna ayrı ayrı k-kat çapraz doğrulama yöntemiuygulanarak veriler eğitim-test olarak ayrılmıştır. Sonraki aşamada, hazırlanan veriler rastgele orman (RO)algoritması ile sınıflandırılmış ve sonuçlar çeşitli istatistiksel ölçütlerle yorumlanmıştır. Sonuçlardeğerlendirildiğinde; kullanılan boyut indirgeme yöntemleri içerisinde en başarılı yöntem %82.01 sınıflandırmadoğruluk oranı ve yaklaşık 0.85 ROC ve PRC değerleri ile YBBA olmuştur. Bu durum hasta ve sağlıklı sınıfayrışımının mükemmele yaklaştığını kanıtlamıştır. Gerçek yaşam uygulamalarına uygun olan bu çalışmanınperformans sonuçları ve kullanılan veri sayısının yüksek oluşu çalışmanın literatürdeki önemini ortaya koymaktadır.Ayrıca, çalışma kapsamında kullanılan özellik indirgeme yöntemlerinin analizi, bu alanda yapılabilecek çalışmalarayol gösterebilecek niteliktedir.
