Article Detail

Süleyman Altunok*

Keywords

Parkinson Hastalığı Ses Analizi Makine Öğrenmesi Öznitelik Seçimi Sınıflandırma.

Doi : 10.71350/jere.2026187

Abstract

Parkinson hastalığı (PH), erken ve objektif tanısı klinik açıdan hâlâ güçlükler barındıran, ilerleyici bir nörodejeneratif hastalıktır. Hastalığın erken evrelerinde bile hastaların büyük bir kısmında ses bozukluklarının ortaya çıkması nedeniyle, sürdürülen ünlü seslerine ait konuşma kayıtları, invaziv olmayan bir biyobelirteç kaynağı olarak yaygın biçimde araştırılmaktadır. Bu çalışmada, İstanbul Üniversitesi'nde 252 bireyden (188 PH hastası ve 64 sağlıklı birey) toplanan 756 ses kaydından oluşan UCI Parkinson Hastalığı Sınıflandırma veri seti kullanılmıştır. Temel özellikler, şiddet, formant frekansı, bant genişliği, vokal kord, MFCC, dalgacık dönüşümü ve ayarlanabilir Q-faktörlü dalgacık dönüşümü (TQWT) gruplarına ait toplam 754 akustik öznitelik, ANOVA F-testi tabanlı bir seçim yöntemiyle en ayırt edici 100 özniteliğe indirgenmiştir. Destek Vektör Makinesi, Rastgele Orman, k-En Yakın Komşu, Çok Katmanlı Algılayıcı, Gradient Boosting ve Karar Ağacı olmak üzere altı denetimli sınıflandırıcı, aynı bireye ait kayıtların tek bir katlamada tutularak veri sızıntısının önlendiği, birey-bazlı beş katlı çapraz doğrulama şemasıyla eğitilmiş ve değerlendirilmiştir. Gradient Boosting modeli %81,22 doğruluk ve %72,37 makro F1-skoru ile en dengeli performansı sergilemiş, bunu %81,23 doğrulukla Rastgele Orman modeli yakından takip etmiştir. Elde edilen sonuçlar, birey-bağımsız doğrulama altında değerlendirildiğinde klasik makine öğrenmesi yöntemlerinin ses sinyallerinden PH sınıflandırmasında gerçekçi ve klinik açıdan anlamlı performans tahminleri sunduğunu göstermektedir.

References

1. Bel, M., Kutlu, Y., Gürsoy-Demir, H. (2025). Comparative Analysis of Wavelet Types for Feature Extraction in Arrhythmia Classification. Journal of Artificial Intelligence with Applications, 6(1), 8-13, doi : 10.5281/zenodo.18105152
2. Camgözlü Y, Kutlu Y.(2021). Detection of coronavirus disease (COVID-19) from X-ray images using deep convolutional neural networks. Natural and Engineering Sciences, 6(3), 204-211., Doi: 10.28978/nesciences.868087 (Yayın No: 7515288)
3. Daşcı, R. (2025). Mental Health Care Seeking Prediction with Machine Learning: An Analysis Based on Lifestyle, Stress, and Demographic Factors. Health Science and Green Technology, 1(1), 31-43, doi : 10.5281/zenodo.18649982
4. Hossain, M. A., & Amenta, F. (2024). Machine learning-based classification of Parkinson's disease patients using speech biomarkers. Journal of Parkinson's Disease, 14(1), 95–109.
5. Jankovic, J. (2008). Parkinson's disease: clinical features and diagnosis. Journal of Neurology, Neurosurgery & Psychiatry, 79(4), 368–376.
6. Kaderoglu, M., Satır, E. (2025). Histopathological Breast Cancer Classification Using a Hybrid Swin Transformer and ConvNeXt Architecture. Journal of Artificial Intelligence with Applications, 6(1), 18-25, doi : 10.5281/zenodo.18138734
7. Little, M. A., McSharry, P. E., Hunter, E. J., Spielman, J., & Ramig, L. O. (2009). Suitability of dysphonia measurements for telemonitoring of Parkinson's disease. IEEE Transactions on Biomedical Engineering, 56(4), 1015–1022.
8. Tohma, S. (2025). Classification of Arrhythmia and Cardiac Anomalies from ECG Signals: A Machine Learning-Based Comparison on MIT-BIH and PTB-DB. Journal of Natural and Engineering Research, 1(1), 19-29, doi : 10.5281/zenodo.18664503
9. Sakar, B. E., Isenkul, M. E., Sakar, C. O., Sertbas, A., Gurgen, F., Delil, S., Apaydin, H., & Kursun, O. (2013). Collection and analysis of a Parkinson speech dataset with multiple types of sound recordings. IEEE Journal of Biomedical and Health Informatics, 17(4), 828–834.
10. Sakar, C. O., Serbes, G., Gunduz, A., Nizam, H., & Sakar, B. (2018). Parkinson's Disease Classification [Dataset]. UCI Machine Learning Repository. https://doi.org/10.24432/C5MS4X
11. Sakar, C. O., Serbes, G., Gunduz, A., Tunc, H. C., Nizam, H., Sakar, B. E., Tutuncu, M., Aydin, T., Isenkul, M. E., & Apaydin, H. (2019). A comparative analysis of speech signal processing algorithms for Parkinson's disease classification and the use of the tunable Q-factor wavelet transform. Applied Soft Computing, 74, 255–263.
12. Tsanas, A., Little, M. A., McSharry, P. E., Spielman, J., & Ramig, L. O. (2012). Novel speech signal processing algorithms for high-accuracy classification of Parkinson's disease. IEEE Transactions on Biomedical Engineering, 59(5), 1264–1271.