Integration of Neonatal Mortality Prediction Models into a Clinical Decision Support System

Integration of Neonatal Mortality Prediction Models into a Clinical Decision Support System
by
Hasmik Martirosyan, B.Sc.

A thesis submitted to the Faculty of Graduate and Postdoctoral Affairs
in partial fulfillment of the requirements for the degree of
Master of Applied Science
in
Biomedical Engineering
Ottawa - Carleton Institute for Biomedical Engineering (OCIBME)
Carleton University
Ottawa, Ontario © 2015

https://curve.carleton.ca/system/files/theses/32040.pdf

Yenidoğan Ölüm Tahmin Modellerinin Klinik Karar Destek Sistemine  Entegrasyonu.

Abstract
This thesis describes the development of neonatal mortality risk estimation models using Artificial Neural Networks (ANNs), the integration of these models into the Physician-Parent Decision Support (PPADS) tool, and the pilot study to test the PPADS tool.
A set of data mining programs were created to automate the data preparation, the development of ANN models and the selection of models that satisfy the usefulness criteria specified by our clinician partners. These programs were used to classify neonatal mortality data (6% mortality rate) with the average sensitivity and specificity of 81% and 98% respectively.
The mortality models were integrated with the PPADS tool to provide predictions about the risk of mortality for neonates admitted to the Neonatal Intensive Care Unit (NICU).
The observational and survey study conducted with parents whose infant did not graduate (died) from the NICU gave encouraging results regarding the usefulness of the PPADS tool.
....

Fast Artificial Neural Network library
In order to create ANN models, and make predictions in real time environment, we have explored several open sources libraries. We found the Fast Artificial Neural Network (FANN) library to be suitable to our work for the following reasons: firstly, the library implements feed-forward networks, which our research group has identified to be well performing machine learning methods for our medical datasets; secondly, the fast performance is one of the main features of the library, which is important in processing and analyzing real-time data; lastly, the library is implemented in C language which makes the FANN library based applications compatible with many software environments and portable to many different computer architectures or platforms (Nissen, 2007), (FANN, 2014).
....

Read More

Yapay Sinir Ağları ile Epilepsi İçin Otomatik EEG analizi

Özet :

Bu çalışma Epileptik ve Normal EEG verilerinin , Yapay Sinir Ağları ile ve PoincarePlot2D metoduyla çıkarılan öznitelikleri kullanarak sınıflandırılması üzerinedir.

Giriş :

Epilepsi Dünya nufusunun %1'ni etkileyen bir rahatsızlıktır. Beynimiz milyarlarca sinir hücresinden oluşur ve bu hücreler üzerinde sürkeli bir elektiriksel iletişim vardır. Epilepside Beynin normalde çalışması ile ilgili elektriğin, aşırı ve kontrolsüz yayılımı sonucu oluşan ve herhangi bir uyarı olmaksızın tekrarlayan, çoğunlukla geçici bilinç kaybına neden olan bir hastalıktır.

EEG yani Elektroensefalografi beynin elektriksel aktivitesini ölçmek için kullanılan bir metoddur. Aynı zamanda epilepsili hastaları ve şüphe oluşturan nöbet bozuklukları olan hastaları incelemekte kullanılan önemli bir tetkiktir.

Uzun süreli EEG sinyallerinin incelenmesi ve istenen bilgilerin çıkarılması oldukça uzun zaman alan ve tecrübe gerektiren bir iştir. Bu yüzden  Otomatik EEG analiz sistemleri üzerinde çalışmalar yapılmaktadır. Bu çalışmada benzeri bir sistem üzerinedir.

Metod :

Pek çok Yapay Zeka uygulamasında olduğu gibi ilk aşamalardan biri Öznitelik Çıkarma işlemidir. Biz bu çalışmada PoicarePlot2D diye adlandırdığımız -deneysel- bir metodu uyguladık.

Poicare Plot  adını fransız matematikçi H. Poincare den alan bir metoddur.  Basitçe anlatırsak

X1, X2,... Xn 

şeklindeki bir zaman serisinin  2 boyutlu bir koordinat sisteminde  sırayla

 (X1, X2 ) ,   (X2, X3 ) ,  (X3, X4) , .... ,   (Xn-1, Xn )

noktalarının  çizilmesidir.

 Mesela Basit bir sinus serisinin

Poincare Grafiğine dönüşmüş hali

 Şeklinde görünür.

Öznitelik çıkarma işleminde veri seti ile Poincare Grafiği oluşturulur ve çıkan şeklinden yola çıkılarak 20x20 lik bir matris oluşturulur.

Sinus verisi için çıkarılan öznitelik matrisi bu şekildedir.

İkinci aşama ise çıkarılan özniteliklerin seçilecek bir Yapay zeka Algoritmasıyla sınıflandırılmasından ibarettir. Biz çalışmamızda Yapay Sinir Ağı metodunu kullandık. YSA için FANN kütüphanesini kullandık .  Eğitimi ve sonuçların testi içinde FannTool programından faydalandık.

Veri Seti :

Çalışmamızda kullandığımız ,  Bonn Üniversitesinde,  Epileptoloji Bölümünün hazırladığı  bir EEG veri setidir.  Verilere  bu adresden ulaşabilirsiniz. 
Bütün kayıtların alımı 128 kanallı kayıt sisteminde 12-bit A/D dönüstürücü ile yapılmıştır. Örnekleme frekansı 173.61 Hz dir. Band-geçiren filtre aralıgı ise 0.53–40 Hz (12 dB/octave) dir.
5 sınıfa ayrılmış veriler var ve her sınıfda 100 adet veri dosyası var her dosyada 4096 değer var.

• Sınıf A  : Sağlıklı Gönüllülerden alınmış Göz Açık ( Z )
• Sınıf B  : Sağlıklı Gönüllülerden alınmış Göz Kapalı ( O )
• Sınıf C  :  Epilepsi hastası Kriz dışında Epileptik olmayan bölgeden  ( N )
• Sınıf D  : Epilepsi hastası Kriz dışında Epileptik olan bölgeden  ( F )
• Sınıf E  : Epilepsi hastası Kriz esnasında  ( S )

Uygulama :

Öncelikle  Veri setimizden

PoincarePlot2D metoduyla

Öznitelik çıkarma işlemini gerçekleştiriyoruz.

Bütün Sınıflandırma işlemini tek YSA ile yapmaya kalkıştığımızda Yaptığımız çeşitli denemeler sonucunda Test için ulaşabildiğimiz en yüksek başarı % 70 lerin biraz üstünde oluyor.

Bu yüzden bizde sınıflandırma işlemini parçalara ayırıyoruz ve her parça için ayrı YSA eğitiyoruz.
Bütün sınıflandırmayı 3 YSA ile gerçekleştiriyoruz

Birinci YSA ;  EEG verisi Sağlıklı birinden mi Epilepsi hastasından mı alınmış  kararını veriyor
500 veriden  375'ini eğitim ve 125'inide test için kullanıyoruz.

400 giriş 1 Çıkış

İkinci YSA ;  İlk YSA sonucunda Epilepsi Hastasından alınmış bir EEG ise, Verinin alınma konum ve yerine karar veriliyor.

• Kriz sırasında, 
• Kriz dışında, Epileptik taraftan 
• Kriz dışında, Epileptik olmayan taraftan 

Kriz dışında 3 durum var. 300 veriden  225'ini eğitim ve 75'inide test için kullanıyoruz.

400 giriş 3 Çıkış

Üçüncü YSA ;  İlk YSA sonucunda Sağlıklı bireylerden alınmış bir EEG ise Göz Kapalımı, Açıkmı  kararını veriyor.  200 veriden  150'ini eğitim ve 50'inide test için kullanıyoruz.

 400 giriş 1 Çıkış  

Sonuç :

YSA ile yaptığımız bütün sınıflandırmalarda  ulaştığımız sonuç;
hem Eğitim hemde Test verileri için %100 başarı
Aynı veri seti kullanılarak yapılan  diğer çalışmaların başarıları aşağıdaki tabloda görülmektedir.

Yapılmış olan benzeri çalışmalar hakkındaki detaylı bilgiye
Automated Epileptic Seizure Detection Methods: A Review Study 
çalışmasından ulaşabilirsiniz yukardaki tabloda o çalışmadan alınmıştır.

Read More

Yapay Sinir Ağları ile Koroner Arter Hastalığı Risk Hesaplama

Kırıkkale Üniversitesi - Bilgisayar Mühendisliği Bölümü
Yapay Sinir Ağları Final Projesi
Sinem Özder

Bu çalışmada amaç, bir hastadan alınan input seti ile hastada 10 yıl içinde Koroner Arter hastalığı görülme olasılığının tahmin edilmesidir

Proje için şekildeki gibi bir YSA dizayn edilmiştir.
Giriş değerleri ;

• Cinsiyet
• Yaş
• LDL Kolesterol
• HDL Kolesterol
• Diyastolik Kan Basıncı
• Sistolik Basıncı
• Diyabet
• Sigara

Çıkış değeri;

• KAH Riski

Yazıyı İndirmek için ;  KAH-Risk 

Read More

Diagnosis of Coronary Artery Disease Using ANN / YSA ile Koroner Arter Hastalığı Tanısı

Veri Setini University California Irvine nin ilgili sayfasından
http://archive.ics.uci.edu/ml/datasets/Heart+Disease
indirdik. Bu sayfadaki verilerden biz "Cleveland Clinic Foundation" tarafından oluşturulanları kullandık.
Bu syafada görebileceğiniz gibi bu verilerle pek çok çalışma yapılmıştır

Bizde YSA ile bir çalışma yapalım istedik.
YSA ya bir şeyler öğretebilmek için eğitim gerekli, Eğitim içinse veri.

Sınıflandırma yapmamız için etkili olan faktörler tespit edilir - Giriş değişkenleri -
Sonuçta bu faktörlere göre bir sınıflara ulaşırız -Çıkış değerleri - 
İşte Bu giriş ve çıkış değerleri YSA nın giriş ve çıkış değerleri oluyor.

Peki YSA verileri doğrudan verebilirmiyiz ?
Malesef veremeyiz.
YSA da katmanlar arasında veri iletişimi bir çeşit aktivasyon fonksiyonundan geçerek sağlanır. Bu fonksiyonlarda tipine göre (0 , - 1 ) yada (-1 , 1) aralığında sonuçlar verir. Bu durumda bizim verilerinizi bu aralıklara çekmemiz lazım.

Peki Bu normalizasyon işlemini nasıl yapacağız.
Değişkenin en küçük (min) ve en büyük (max) değerleri tespit edilir ve bir aralık hesaplanır
range = max-min
Biz bu uygulamamızda ( 0 - 1) aralığını kullandığımızdan normalizasyon formülümüz şöyle oluyor.

Norm(x)= (x-min)/range

ufak bir tavsiyede bulanayım değişkenin veri kümesinden tespit ettiğimiz min max değerlerini aralığı hafifçe açacak şekilde genişletirseniz daha iyi olur.

Giriş değişkeni eğer mantıksal bir değişkense, (doğru-yanlış) gibi sadece iki değeri içeriyorsa normalizasyonu gayet kolay değerin biri 0 diğeri 1 olarak seçilir.

Peki değişken eğer sayısal değilse ne yapacağız mesela bizim örneğimizde "chest pain type"
göğüs ağrısı tipi diye bir değişken var ve bu değişken {angina, abnang, notang, asympt} gibi 4
değişik kategoriden oluşuyor. Bu durumda yapacağımız şey bu tip değişkenleri mantıksal değişkenlere bölmek
yani chest pain type değişkenini 4 adet mantıksal alana yayıyoruz
eğer ağrı tipi

angina ise 1 0 0 0 

yok 

notang ise 0 0 1 0 gibi.

Şimdi gelelim verilerimize verilerin aslı aşağıdaki gibi bir matriste tutuluyor

60, male, asympt, 140, 293, fal, hyp, 170, fal, 1.2, flat, 2, rev, sick.
37, male, notang, 130, 250, fal, norm, 187, fal, 3.5, down, 0, norm, buff.
64, male, angina, 110, 211, fal, hyp, 144, true, 1.8, flat, 0, norm, buff.

bu matriste 14 sütün var ilk 13 ü giriş değişkenleri son sütün çıkış değişkeni. fakat biz bu
değişkenleri YSA ya aktarabilmek için normalize ederken sütün sayımız 25 e çıkıyor nasıl mı oluyor bakınız


ANN Dizaynı

| Inputs
| ------------------------
| -- 1. age : 1 sütun
| -- 2. sex : 1 sütun
| -- 3. chest pain type (4 values) : 4 sütun
| -- 4. resting blood pressure : 1 sütun
| -- 5. serum cholestoral in mg/dl : 1 sütun
| -- 6. fasting blood sugar > 120 mg/dl : 1 sütun
| -- 7. resting electrocardiographic results (values 0,1,2) : 3 sütun
| -- 8. maximum heart rate achieved : 1 sütun
| -- 9. exercise induced angina : 1 sütun
| -- 10. oldpeak = ST depression induced by exercise relative to rest : 1 sütun
| -- 11. the slope of the peak exercise ST segment : 3 sütun
| -- 12. number of major vessels (0-3) colored by flourosopy : 4 sütun
| -- 13. thal: ( normal, fixed defect,reversable defect) : 3 sütun
25 giriş

| Outputs
| ------------------------
| Absence (1) or presence (2) of heart disease 1 sütun

1 Çıkış

evet Elimizdeki 180 adet veriyi  normalize ettiktten sonra ikiye ayırıyoruz.
155 adedi eğitim için 25 adedi test için. ve verileri FANN kütüphanesinin standartına uygun olarak kaydediyoruz.

Bundan sonrasını FannTool'u kullanarak yapacağız. FannTool'u çalıştırın ve Eğitim için Training
Data File olaraka "heart_train_data.dat" yükleyin, Test içinde  "heart_test_data.dat" 'ı yükleyin.

Artık Keyfinize ve tecrübelerinize göre eğitim denemelerinini yapabilrsiniz.

ilk etapta saklı katman sayısı (# of Layer)
ve bu katmanlardaki hücre sayılarını (Hid Layer 1 ...) ayarlaya bilirsiniz.
İsterseniz Eğitim metodunu (Detect Optimum Training Algorithm)
ve Aktivasyon foksiyonlarını (Detect Optimum Activation Functions )
sizin için seçmesini istiyebilirsiniz.
Ezberci bir eğitime düşmemek için   ( Overtraining Caution System ) seçeneğini açıp eğitim esnasında test verilerinin hata durumlarını takip edebilirsiniz.
Artık Train -> Normal diyerek YSA eğitimini başlata bilirsiniz. Eğer Belirlediğiniz hata değerine yada altına ulaşıldığında Eğitilmiş YSA yı kaydetmek için sizden bir dosya ismi istenir. Bir isim verip kaydedin .net uzantılı olarak kaydetmeniniz iyi olur.

Eğitimin bir diğer metoduda Train->Cascade dir bu metodda YSA nın Saklı katmanlarını kendisi dinamik olarak belirler. Siz sadece kullanabileceği maksimum hücre sayısını belirtebilirsiniz. Bu değeri de FannTool Saklı katmanlardaki hücre sayılarını giriş ve çıkış hücre sayılarına ekleyerek hesaplar.
Ulaştığımız sonuçlar şöyle

Eğitim verileri İçin % 91.61  ( 142 Doğru 13 Yanlış )
Test Verileri İçin % 92 ( 23 Doğru 2 Yanlış )

 Eğitimizi tamamlayıp testimizi yaptık ve sonucunda tatminkar hata değerine ulaştık. Bütün bunlardan sonrayapılacak şey  bir arabirim yazmaktır. 
Onuda yazdık, İndirmek ( Download ) için : Hearth
Program Tanı için gereken verileri alıp Eğitilmiş YSA ya verileri verip sonucu ondan istiyor ve size gösteriyor. yani kısaca  Koroner Arter Hastalığı Tanısı işlemini gerçekleştiriyor.

Read More

Automated Analysis of Cardiotocograms

Orjinal Çalışma ;

SisPorto 2.0: a program for automated analysis of cardiotocograms

Özeti ;

To describe the latest version of SisPorto, a program for automated analysis of cardiotocograms that closely follows the FIGO guidelines, analyses ante- and intrapartum tracings, performs no signal reduction, and has the possibility of simultaneously recording twins.A detailed description of the program's processing algorithms and operation is provided, as well as the main results of the studies performed to-date with this system.Considering both current and previous versions of the program, SisPorto has been tested in over 6000 pregnancies. The system's FHR baseline was compared with an average of three experts' estimates, and the difference was under 8 bpm in all cases. A fair to good agreement was found with experts' identification of accelerations, decelerations, contractions, and normal/reduced variability (proportions of agreement 0.64-0.89). In a preliminary validity study (n = 85), a sensitivity of 100% and a specificity of 99% were obtained in prediction of poor neonatal outcome. The system is currently undergoing an international multicentre validation study.Although still at the research level, a considerable experience has now been gathered with this system. Promising results have been achieved in studies comparing SisPorto with experts' analysis and in those evaluating the validity of the system.

Çalışmanın verilerine The UCI Machine Learning Repository den Cardiotocography Data Set  başlığından ulaşabilirsiniz. Cardiotocography Anne karnındaki bebeğin kalp sağlığının belirlenmesi için kullanınal bir teknoloji. Sisporto ise Omniview-SisPorto adıyla ticarileşmiş bir proje artık.

Verilerin detayına bakacak olursak;

2126 fetal cardiotocograms (CTGs) were automatically processed and the respective diagnostic features measured. The CTGs were also classified by three expert obstetricians and a consensus classification label assigned to each of them. Classification was both with respect to a morphologic pattern (A, B, C. ...) and to a fetal state (N, S, P). Therefore the dataset can be used either for 10-class or 3-class experiments.

Attribute Information:

LB - FHR baseline (beats per minute)
AC - # of accelerations per second
FM - # of fetal movements per second
UC - # of uterine contractions per second
DL - # of light decelerations per second
DS - # of severe decelerations per second
DP - # of prolongued decelerations per second
ASTV - percentage of time with abnormal short term variability
MSTV - mean value of short term variability
ALTV - percentage of time with abnormal long term variability
MLTV - mean value of long term variability
Width - width of FHR histogram
Min - minimum of FHR histogram
Max - Maximum of FHR histogram
Nmax - # of histogram peaks
Nzeros - # of histogram zeros
Mode - histogram mode
Mean - histogram mean
Median - histogram median
Variance - histogram variance
Tendency - histogram tendency
CLASS - FHR pattern class code (1 to 10)
NSP - fetal state class code (N=normal; S=suspect; P=pathologic)

 Orjinal verinin 2 çeşit çıktısı var. İlkinde 10 çeşit FHR tipinden hangisi olduğu, ikincisinde ise üç çeşit Fetal State için (N=normal; S=suspect; P=pathologic) bir sınıflandırma var. Biz Örneğimiz için ikincisini kullandık.
Bütün YSA işlemleri FannTool ile yapıldı. Bir Önceki örneğimizdeki gibi program yazmadık sonuçalrı Excell Dosyasındaki "Full Sonuç-Eğitim" ve "Full Sonuç-Test" sayfalarında görebilirsiniz

Eğitim Verileri için Başarı Oranı :  % 98,72  (  1488 Örnekden  1469 Doğru )
Test Verileri için  Başarı Oranı   :  % 94.2  ( 638 Örnekden 601 Doğru  )
Dosyalar İndirmek İçin :  CTG.zip

Read More

Üriner sistem hastalıklarının ön tanısı / diagnosis of urinary system diseases

Üriner sistem hastalıklarının ön tanısı hakkında yapılmış bir çalışmadan yola çıkıldı.
Orjinal çalışma ;
Application of rough sets in the presumptive diagnosis of urinary system diseases

Bu Makale  "Artificial intelligence and security in computing systems" kitabında geçiyor  ( sayfa 41-51)

Konunun detayını aynen aktarıyorum

The main idea of this data set is to prepare the algorithm of the expert system, which will perform the presumptive diagnosis of two diseases of urinary system. It will be the example of diagnosing of the acute inflammations of urinary bladder and acute nephritises. For better understanding of the problem let us consider definitions of both diseases given by medics. Acute inflammation of urinary bladder is characterised by sudden occurrence of pains in the abdomen region and the urination in form of constant urine pushing, micturition pains and sometimes lack of urine keeping. Temperature of the body is rising, however most often not above 38C. The excreted urine is turbid and sometimes bloody. At proper treatment, symptoms decay usually within several days. However, there is inclination to returns. At persons with acute inflammation of urinary bladder, we should expect that the illness will turn into protracted form.

Acute nephritis of renal pelvis origin occurs considerably more often at women than at men. It begins with sudden fever, which reaches, and sometimes exceeds 40C. The fever is accompanied by shivers and one- or both-side lumbar pains, which are sometimes very strong. Symptoms of acute inflammation of urinary bladder appear very often. Quite not infrequently there are nausea and vomiting and spread pains of whole abdomen.  The data was created by a medical expert as a data set to test the expert system, which will perform the presumptive diagnosis of two diseases of urinary system. The basis for rules detection was Rough Sets Theory. Each instance represents an potential patient

Attribute Information:

a1 Temperature of patient { 35C-42C }
a2 Occurrence of nausea { yes, no }
a3 Lumbar pain { yes, no }
a4 Urine pushing (continuous need for urination) { yes, no }
a5 Micturition pains { yes, no }
a6 Burning of urethra, itch, swelling of urethra outlet { yes, no }
d1 decision: Inflammation of urinary bladder { yes, no }
d2 decision: Nephritis of renal pelvis origin { yes, no }

 Orjinal Çalışmada veriler Bir Uzman sistem tasarlanmak için kullanılmış biz YSA eğitmek için kullandık . YSA eğitimi için yine FannTool 'u kullandık. ve sonuçda  hem Eğitim hemde  Test Verileri için % 100.Başarıya ulaşıldı

Üstünüde Üriner sistem hastalıklarının ön tanısını yapan bir program yazdık;  
Programın yaptıkları kabaca;  Giriş değerlerini Kullanıcadan alıp Eğitilmiş YSA'yı bu giriş değerleriyle çalıştırmak. Ve tabii ki sonuçlarıda göstermek.


Indirmek için :   Acute_Inflammations

Read More

Konuşma ile Parkinson Hastalığı Tanısı

Önce Çalışmanın önemini anlayabilmek için Hastalıkdan söz edelim;

Parkinson hastalığı, beynin alt kısımlarındaki gri cevher çekirdeklerinin bozukluğuna bağlı bir sinir sistemi hastalığı. Genellikle orta yaş hastalığıdır. Adını hastalığı ilk defa 1817'de titremeli felç olarak tarifleyen James Parkinson'dan almıştır. Binde bir sıklıkla görülen, müzmin, ilerleyici, tedavisiz iyileşmeyen bir hastalıktır. (1)

Parkinson hastalığına tanı koymak için özel bir yöntem yoktur. Laboratuvar ya da röntgen tetkikleri sonucu da bunun anlaşılması mümkün değildir. Fakat uzman bir nörologun hastadan ve hastanın yakınlarından aldığı bilgiler, ayrıca yaptığı muayene sonucu tanı koyabilir. (2)

 Parkinson hastalığının klinik tanısı, hastanın anamnezinin değerlendirilmesi ve nörolojik muayenenin yapılması ile konulur.  Kesin tanıyı sağlayan laboratuar veya radyoloji yöntemi bulunmamaktadır. (3)


Orjinal Çalışma
'Suitability of dysphonia measurements for telemonitoring of Parkinson's disease'
diye geçen makale.
Özeti ;

 We present an assessment of the practical value of existing traditional and non-standard measures for discriminating healthy people from people with Parkinson‟s disease (PD) by detecting dysphonia. We introduce a new measure of dysphonia, Pitch Period Entropy (PPE), which is robust to many uncontrollable confounding effects including noisy acoustic environments and normal, healthy variations in voice frequency. We collected sustained phonations from 31 people, 23 with PD. We then selected 10 highly uncorrelated measures, and an exhaustive search of all possible combinations of these measures finds four that in combination lead to overall correct classification performance of 91.4%, using a kernel support vector machine. In conclusion, we find that non-standard methods in combination with traditional harmonics-to-noise ratios are best able to separate healthy from PD subjects. The selected non-standard methods are robust to many uncontrollable variations in acoustic environment and individual subjects, and are thus well-suited to telemonitoring applications.

Yapılanlara gelirsek; Oxford Üniversitesinden Max Little'in National Centre for Voice and Speech ile olan işbirliğiyle hazırlanmış.ve görebildiğim kadarıyla sınıflandırma için SVM kullanmışlar. Biz tahmin edeceğiniz üzre Yapay Sinir Ağı ve FannTool kullanacağız.

23'ü parkinson hastası olan 31 kişinin toplamda 195 ses kaydı yapılmış ve bu ses kayıtlarından çıkarılan özniteliklerle (feature extraction) Kişinin Hastamı, Sağlıklımı olduğuna karar vermek gerekiyor.

Verilerin nelerden oluştuğuna bakarsak

1 ) MDVP:Fo(Hz) - Average vocal fundamental frequency
2 ) MDVP:Fhi(Hz) - Maximum vocal fundamental frequency
3 ) MDVP:Flo(Hz) - Minimum vocal fundamental frequency
4 ) MDVP:Jitter(%),
5 ) MDVP:Jitter(Abs),
6 ) MDVP:RAP,
7 ) MDVP:PPQ,
8 ) Jitter:DDP - Several measures of variation in fundamental frequency
9 ) MDVP:Shimmer,
10) MDVP:Shimmer(dB),
11) Shimmer:APQ3,
12) Shimmer:APQ5,
13 ) MDVP:APQ,
14) Shimmer:DDA - Several measures of variation in amplitude
15) NHR,
16) HNR - Two measures of ratio of noise to tonal components in the voice
17) RPDE,
18) D2 - Two nonlinear dynamical complexity measures
19) DFA - Signal fractal scaling exponent
20) spread1,
21) spread2,
22) PPE - Three nonlinear measures of fundamental frequency variation
23) status - Health status of the subject (one) - Parkinson's, (zero) - healthy

detaylı bilgi için makaleye bakabilirsiniz.

Orjinal veriyi Tablolama programımıza aktarıyoruz ve Status kısmını son sütüna taşıyoruz.sonra sadece verileri seçip bir text dosyasına kaydediyoruz. "ParkinsonRaw.txt" bundan sonrası için FannTool kılavuzuna müracaaat edeblirsiniz.

Sonuçlardan bahsederek yazıyı bitirmek istiyorum.
Çeşitli denemelerden sonra optimum bir sonuç veren YSA kaydedildi.

Eğitim verisinde 117 verinin hepsi doğru sınıflandırılıyor ve başarı yüzdesi %100
Test Verisiyle ulaşılan sonuçlar ise
58 Parkinson Hastasının 56 sı doğru tahmin ediliyor başarı yüzdesi %96,55
20 Sağlıklı kişinin 17 si doğru tahmin ediliyor başarı yüzdesi %85
Konuyla ilgili çalışmaları görmek için ;
Parkinson

Read More