Derin Öğrenme ile Parkinson Hastalığı Tespiti

Derin Öğrenme ile Parkinson Hastalığı Tespiti

Bu proje kapsamında, Parkinson hastalığının ses sinyali analizi yardımıyla tespit edilmesine yönelik derin öğrenme tabanlı bir sınıflandırma sistemi geliştirildi. Çalışmanın temel amacı, invaziv olmayan, hızlı uygulanabilir ve veri odaklı bir yaklaşım kullanarak erken teşhis süreçlerine destek olabilecek bir model ortaya koymaktı.

Projede, bireylerden tekrar ettirilen “A” sesli harfi kayıtları analiz edildi. Her katılımcı için birden fazla fonasyon örneği değerlendirilerek, ses örüntüleri üzerinden kişinin Parkinson hastalığına sahip olup olmadığı sınıflandırıldı. Bu yaklaşım, ses sinyalindeki ince bozulmaları ve örüntü farklılıklarını yakalayabilen bir makine öğrenmesi hattı ile uçtan uca ele alındı.

Projenin Temel Amacı

Parkinson hastalığı, özellikle erken evrelerde klinik olarak değerlendirilmesi zorlaşabilen nörolojik rahatsızlıklardan biridir. Bu nedenle ses, konuşma ve motor kontrolle ilişkili biyobelirteçlerin analizi, hastalığın dolaylı olarak tespit edilebilmesi açısından önemli bir araştırma alanı oluşturmaktadır. Bu proje de tam olarak bu ihtiyaca odaklanarak, ses sinyalinden anlamlı örüntüler çıkaran ve bunları sınıflandırma problemine dönüştüren bir yapay zekâ çözümü üretmeyi hedefledi.

Çalışma Yaklaşımı

Sistem; veri toplama, ön işleme, öznitelik çıkarımı, model eğitimi ve performans değerlendirmesi olmak üzere birbiriyle bağlantılı aşamalardan oluşturuldu. Ses kayıtları önce temizlendi, normalize edildi ve analiz edilebilir hale getirildi. Ardından sinyalden ayırt edici özellikler çıkarılarak modelleme için uygun veri temsilleri oluşturuldu. Bu veriler üzerinde derin öğrenme ve makine öğrenmesi odaklı sınıflandırma yaklaşımı uygulanarak nihai tahmin sistemi geliştirildi.

Problem Tanımı

Parkinson hastalığı, ses üretiminde ve konuşma kalitesinde zamanla çeşitli değişikliklere neden olabilmektedir. Ses titremesi, frekans kararsızlığı, ses şiddetinde kontrol kaybı ve fonasyon kalitesindeki bozulmalar, uygun sinyal işleme yöntemleriyle ölçülebilir hale getirilebilir. Bu proje, söz konusu değişkenleri doğrudan veya dolaylı biçimde temsil eden sinyal örüntülerini öğrenerek hastalık varlığına dair tahmin üreten bir model geliştirmeyi amaçladı.

Kullanılan Veri ve Analiz Yapısı

• 🎙️ Tekrarlı sesli harf fonasyon kayıtları kullanıldı
• 📊 Veri temizleme ve standardizasyon adımları uygulandı
• 🧠 Modele girdi olacak ayırt edici akustik/sinyal özellikleri çıkarıldı
• 🔁 Eğitim ve test süreçleri kontrollü biçimde yürütüldü
• 📈 Sonuçlar doğruluk performansı üzerinden değerlendirildi

Modelleme Hattı

Projede kurulan modelleme hattı yalnızca bir sınıflandırıcı eğitmekten ibaret değildi. Amaç, ham veriden son tahmine kadar izlenebilir ve tekrar üretilebilir bir süreç tasarlamaktı. Bu nedenle çalışma aşağıdaki yapı ile ilerledi:

1. Veri toplama: Katılımcılardan alınan ses örneklerinin düzenlenmesi
2. Ön işleme: Gürültü azaltma, normalize etme ve analiz için uygun hale getirme
3. Özellik çıkarımı: Ses sinyalinden ayırt edici istatistiksel ve akustik göstergelerin elde edilmesi
4. Model eğitimi: Sınıflandırma için derin öğrenme temelli yapının kurulması
5. Değerlendirme: Başarım ölçümleri ile modelin güvenilirliğinin test edilmesi

Performans Göstergeleri

Sınıflandırma doğruluğu

█████████░ %92

Uçtan uca iş hattı tamamlama seviyesi

██████████ %100

Araştırma uygulanabilirliği

█████████░ Yüksek

Sağlık teknolojisi potansiyeli

█████████░ Güçlü

Teknik Derinlik

Bu projeyi değerli kılan temel noktalardan biri, veri bilimi ile sinyal işlemenin tek bir araştırma probleminde bir araya getirilmiş olmasıdır. Ses verisi doğrudan yapılandırılmış tablo verisi gibi davranmadığı için, önce işlenebilir ve anlamlı temsillere dönüştürülmesi gerekti. Bu da projeyi klasik sınıflandırma çalışmalarından daha teknik ve çok katmanlı hale getirdi.

Ham ses verisinin temizlenmesi, anlamlı özelliklerin çıkarılması, modelin aşırı öğrenmeye karşı dengelenmesi ve sonuçların yorumlanabilir şekilde değerlendirilmesi, projenin mühendislik tarafında önemli bir derinlik oluşturdu.

Kullanılan Başlıca Teknolojiler

• Python ile veri işleme ve modelleme süreçleri
• Derin Öğrenme ile örüntü tabanlı sınıflandırma yaklaşımı
• Makine Öğrenimi ile deneysel değerlendirme ve model karşılaştırmaları
• Veri Analizi ile kayıtların incelenmesi ve performans yorumlama
• Ses Sinyali İşleme ile akustik özelliklerin çıkarılması

Neden Önemliydi?

Sağlık alanında geliştirilen yapay zekâ çözümleri, yalnızca teknik başarı açısından değil, aynı zamanda toplumsal fayda potansiyeli açısından da önem taşır. Bu proje, nörolojik hastalıkların dolaylı biyobelirteçler üzerinden analiz edilebileceğini ve ses verisinin tanısal karar destek sistemlerinde anlamlı bir kaynak olabileceğini gösterdi.

Karşılaşılan Zorluklar

• Ses verisinin gürültü ve kalite farklılıklarına açık olması
• Sınırlı veya kontrollü veriyle güvenilir model üretme gereksinimi
• Tıbbi probleme yönelik bir modeli teknik olarak doğru ama yorumlanabilir şekilde kurma ihtiyacı
• Özellik çıkarımı ile model karmaşıklığı arasındaki dengeyi sağlama
• Akademik araştırma kalitesini korurken uygulanabilir sonuç üretme hedefi

Etki Özeti

Sonuç

Bu proje, derin öğrenme ve ses sinyali analizinin sağlık teknolojileri alanında nasıl anlamlı bir değere dönüşebileceğini gösteren güçlü bir çalışmadır. Parkinson hastalığının ses verisi üzerinden sınıflandırılmasına yönelik geliştirilen sistem, hem akademik araştırma yönü hem de potansiyel karar destek uygulamaları açısından dikkat çekici bir temel ortaya koymuştur. Yaklaşık %92 doğruluk oranı ile elde edilen sonuç, bu yaklaşımın gelecek çalışmalar için güçlü bir referans olabileceğini göstermektedir.