Çift Yoğunluklu 1-D Dalgacık Dönüşümü Kullanılarak Parkinson Hastalığının Yaş Faktörüne Göre Tespit Edilmesi

Parkinson, hareketi etkileyen nörolojik bir sinir sistemi rahatsızlığıdır. Parkinson gibi sinir hücreleriyle yakından ilgisi olan birhastalığın yürüme verileriyle tespit edilebilmesi muhtemeldir. Günümüzde birçok hastalığa ait belirtiler çok erken yaşlarda ortayaçıkmaya başlamıştır. Bu nedenle bütün hastalıklar için yaş faktörüne göre gerçekleştirilen analiz çalışmaları önem kazanmıştır. Busebeple bu çalışmada Çift Yoğunluklu 1-D Dalgacık Dönüşümü (ÇY1DDD) kullanılarak deneklerden elde edilen verilerin yaşfaktörüne göre analiz edilmesi ve Parkinson hastalığının (PH) yüksek doğrulukla tespit edilmesi amaçlanmıştır. Kullanılan veri setigenç, yetişkin ve yetişkin hasta olmak üzere 15 denekten alınan yürüyüş verilerinden oluşmaktadır. Kaydedilen veriler üzerindeöncelikle ÇY1DDD yöntemi üç seviye olarak uygulanmış ve yaklaşım (YK) ile detay katsayıları (DK) elde edilmiştir. Daha sonra yaşfaktörüne göre elde edilen son seviye YK verilerinden 10 adet özellik çıkarılmıştır. Çıkarılan bu özellikler sağlıklı genç-yetişkin hastave sağlıklı yetişkin-yetişkin hasta olmak üzere ikili sınıflar şeklinde 4 farklı karar mekanizmasına verilmiştir. Elde edilen sonuçlarbirçok istatistiksel metrikle yorumlanmıştır. Uzman sistemler sayesinde anlamlı sonuçlara ulaşılmış ve genç-sağlıklı verilerininyetişkin-hasta verilerinden daha düşük hata değerleri ve %100 sınıflama doğruluğu (SD) oranı ile ayrılabildiği görülmüştür. Kararmekanizmaları arasında ise sıfıra en yakın hata değerleriyle yapay sinir ağları (YSA), her iki sınıf için de başarısını kanıtlamıştır.Literatürde her ne kadar bu alanda yapılan çalışmalar bulunsa bile, yaş faktörünün PH üzerindeki etkisinin ayrıntılı analizine yeterliderecede yer verilmemesi bu çalışmanın önemini arttırmıştır. Bunun yanında kullanılan etkin özelliklerden bazılarının PH’nin uzmansistemler tarafından otomatik tespit edildiği çalışma alanında daha önce kullanılmamış olması, çalışmanın literatüre katkısını önemliölçüde desteklemektedir.

Detection of Parkinson's disease according to age factor using Double Density 1-D Wavelet Transform

Parkinson's is a neurological nervous system disorder that affects movement. A disease that is closely related to nerve cells such as Parkinson's is likely to be detected using gait data. Nowadays, symptoms of many diseases start to appear at a very early age. For this reason, analysis studies performed according to age factor for all diseases have gained importance. Therefore, in this study, it was aimed to analyze the data obtained from the subjects according to the age factor by using Double Density 1-D Wavelet Transform (DD1DWT) and to detect Parkinson's disease (PD) with high accuracy. The data set consists of gait data from 15 subjects, young, adult and adult patients. Firstly, DD1DWT method was applied to data in three levels and, the approximation (CA) and detail (CD) coefficients were obtained. Afterwards, 10 features were extracted from the last level CA data obtained according to age factor. The extracted features were given to 4 different decision mechanisms in the form of binary classes as healthy young-adult patient and healthy adult-adult patient. The obtained results were interpreted with many statistical metrics. Significant results were obtained through expert systems and it was found that young-healthy data could be distinguished from adult-patient data with lower error values and 100% classification accuracy rate. ANN has proved its success for both classes with the error values closest to zero among the decision mechanisms. Although there are studies in this field in literature, the lack of adequate analysis of the effect of age factor on PH increased the importance of this study. Furthermore, the fact that some of the effective features used in this study were not used previously in this area where PD was automatically detected by expert systems supports the contribution of the study to the literature.

PDF

___

[1] D. Braga, A. M. Madureira, L. Coelho, & R. Ajith. (2019). Automatic detection of Parkinson’s disease based on acoustic analysis of speech. Engineering Applications of Artificial Intelligence, vol. 77, pp. 148-158.
[2] D. Joshi, A. Khajuria, & P. Joshi. (2017). An automatic non-invasive method for Parkinson's disease classification. Computer methods and programs in biomedicine, vol. 145, pp. 135-145.
[3] F. Wahid, R. K. Begg, C. J. Hass, S. Halgamuge, & D. C. Ackland. (2015). Classification of Parkinson's disease gait using spatialtemporal gait features. IEEE journal of biomedical and health informatics, vol. 19, no. 6, pp. 1794-1802.
[4] J. Hannink et al. 2016. Stride length estimation with deep learning. arXiv preprint arXiv:1609.03321.
[5] T. Khan & J. Westin. (2011). Motion cues analysis for Parkinson gait recognition. in 15th International Congress of Parkinson's Disease and Movement Disorders, Toronto, Canada, 5-9 juni, 2011.
[6] J. D. A. Paredes, B. Muñoz, W. Agredo, Y. Ariza-Araújo, J. L. Orozco, & A. Navarro. (2015). A reliability assessment software using Kinect to complement the clinical evaluation of Parkinson's disease. in 2015 37th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC): IEEE, pp. 6860-6863.
[7] A. P. Rocha, H. Choupina, J. M. Fernandes, M. J. Rosas, R. Vaz, & J. P. S. Cunha. (2015). Kinect v2 based system for Parkinson's disease assessment. in 2015 37th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC): IEEE, pp. 1279-1282.
[8] A. P. Rocha, H. Choupina, J. M. Fernandes, M. J. Rosas, R. Vaz, & J. P. S. Cunha. (2014). Parkinson's disease assessment based on gait analysis using an innovative RGB-D camera system. in 2014 36th Annual International Conference of the IEEE Engineering in Medicine and Biology Society: IEEE, pp. 3126-3129.
[9] H.-L. Chen, G. Wang, C. Ma, Z.-N. Cai, W.-B. Liu, & S.-J. Wang. (2016). An efficient hybrid kernel extreme learning machine approach for early diagnosis of Parkinson׳ s disease.Neurocomputing, vol. 184, pp. 131-144.
[10] D. Rodriguez-Martin, A. Samà, C. Pérez-López, J. Cabestany, A. Català, & A. Rodríguez-Molinero. (2015). Posture transition identification on PD patients through a SVM-based technique and a single waist-worn accelerometer. Neurocomputing, vol. 164, pp. 144-153.
[11] A. Zhao, L. Qi, J. Li, J. Dong, & H. Yu. (2018). A hybrid spatio-temporal model for detection and severity rating of Parkinson’s Disease from gait data. Neurocomputing, vol. 315, pp. 1-8.
[12] J. M. Hausdorff, P. L. Purdon, C. Peng, Z. Ladin, J. Y. Wei, & A. L. Goldberger. (1996). Fractal dynamics of human gait: stability of long-range correlations in stride interval fluctuations. Journal of applied physiology, vol. 80, no. 5, pp. 1448-1457 https://physionet.org/content/gaitdb/1.0.0/.
[13] J. M. Hausdorff et al. (1997). Altered fractal dynamics of gait: reduced stride-interval correlations with aging and Huntington’s disease. Journal of applied physiology, vol. 82, no. 1, pp. 262-269.
[14] J. M. Hausdorff, M. E. Cudkowicz, R. Firtion, J. Y. Wei, & A. L. Goldberger. (1998). Gait variability and basal ganglia disorders: stride‐to‐stride variations of gait cycle timing in Parkinson's disease and Huntington's disease. Movement disorders, vol. 13, no. 3, pp. 428-437.
[15] A. Jilbab, A. Benba, & A. Hammouch. (2017). Quantification system of Parkinson’s disease. International Journal of Speech Technology, vol. 20, no. 1, pp. 143-150.
[16] S. Yucelbas, S. Ozsen, C. Yucelbas, G. Tezel, S. Kuccukturk, & S. Yosunkaya. (2016). Effect of EEG time domain features on the classification of sleep stages. Indian J. Sci. Technol, vol. 9, no. 25, pp. 1-8.
[17] P. Careena, M. M. S. J. Preetha, & P. Arun. (2019). Research on Murmur from Time Domain Features of Heart Sounds. International Journal of Recent Technology and Engineering (IJRTE), vol. 8, no. 1S4, pp. 736-743.
[18] I. W. Selesnick. (2001). The double density DWT. inWavelets in Signal and Image Analysis: Springer, pp. 39-66.
[19] C. M. Bishop. (2006). Pattern recognition and machine learning. New York, NY : Springer, 738 p.
[20] I. H. Witten, E. Frank, L. E. Trigg, M. A. Hall, G. Holmes, & S. J. Cunningham. (1999). Weka: Practical machine learning tools and techniques with Java implementations.
[21] C. J. Willmott & K. Matsuura. (2005). Advantages of the mean absolute error (MAE) over the root mean square error (RMSE) in assessing average model performance. Climate research, vol. 30, no. 1, pp. 79-82.
[22] F. Yildiz, & A.T. Özdemir. (2019). Prediction of laser-induced thermal damage with artificial neural networks. Laser Phys., 29 (7), 7 pp.
[23] F. Yıldız. (2019). 1940 Nm Fiber Lazer Kaynağının Karaciğer Dokusundaki Isıl Hasarının Yapay Sinir Ağları İle Tahmini. Uludağ University Journal of The Faculty of Engineering, 24 (2) , 583-594.
[24] P. Cichosz. (2015). Data mining algorithms: explained using R. Wiley Online Library.
[25] Gepsoft. (2019). Analyzing GeneXproTools Models Statistically - Root Relative Squared Error (Access date: 10 September 2019) https://www.gepsoft.com/gxpt4kb/Chapter10/Section1/SS07.htm. .
[26] J. R. Landis & G. G. Koch. (1977). An application of hierarchical kappa-type statistics in the assessment of majority agreement among multiple observers. Biometrics, pp. 363-374.
[27] Ş. Yücelbaş, C. Yücelbaş, G. Tezel, S. Özşen, S. Küççüktürk, & Ş. Yosunkaya. (2017). Pre-determination of OSA degree using morphological features of the ECG signal. Expert Systems with Applications, vol. 81, pp. 79-87.
[28] F. Yildiz. (2019). Optimization of an artificial neural network to estimate laser ablation efficiency. Laser Phys., 29 (11), 7 pp.
[29] H. Apaydın, S. Özekmekçi, S. Oğuz, & İ. Zileli. (2013). Parkinson Hastalığı Hasta Ve Yakınları İçin El Kitabı. http://parkinsondernegi.com/wp-content/uploads/2017/04/Parkinson-Hastaligi-Hasta-ve-Yakinlari-icin-El-Kitabi.pdf," İstanbul.