| Tez Türü | Yüksek Lisans |
| Ülke | Türkiye |
| Üniversite | Tokat Gaziosmanpaşa Üniversitesi |
| Enstitü | Fen Bilimleri Enstitüsü |
| Anabilim Dalı | Mekatronik Mühendisliği Ana Bilim Dalı |
| Tez Onay Yılı | 2021 |
| Öğrenci Adı ve Soyadı | Zübeyir Şükrü ÖZKORUCU |
| Tez Danışmanı | DOÇ. DR. TURGUT ÖZSEVEN |
| Türkçe Özet | Dopamin hücresinin zamanla azalması ve yetersiz kalması sonucunda parkinson hastalığı ortaya çıkar. Bu azalma yaşa bağlı olarak değişir. Dünya nüfusunun gittikçe yaşlandığı gerçeği dikkate alındığında bu hastalık ilerleyen yıllarda artabilir. Bu hastalık için kesin bir teşhis yöntemi olmamakla birlikte hasta uzun bir süre takip altında tutulur ve sonrasında parkinson hastalığı tanısı konulabilir. Bu tez çalışmasında parkinson hastalarının tespit edilebilmesi için Destek Vektör Makineleri (DVM) ile sınıflandırma yapılmıştır. DVM'de bulunan parametrelerin seçimi oldukça önemlidir. Hatalı parametre seçimi DVM'nin sınıflandırma başarısını etkilemektedir. Bu yüzden son yıllarda literatürde meta sezgisel yöntemler yoğun bir şekilde kullanılmış ve başarılı sonuçlar elde edilmiştir. Bu çalışmada Yarasa Algoritması (YA), İyileştirilmiş Kaotik Parçacık Sürü Optimizasyonu (İKPSO), İyileştirilmiş Genetik Algoritma (İGA) ve Armoni Arama Algoritması (AAA) kullanılarak DVM optimizasyon modelleri oluşturulmuştur. Çalışmadaki deneyler UCI (Machine Learning Repository of University of California at Irvine) veri tabanından alınan iki farklı parkinson hastalığı veri seti üzerinde yapılmıştır ve bu veri setleri Parkinson 1 ve Parkinson 2 şeklinde isimlendirilmiştir. Elde edilen sonuçlar doğruluk, duyarlılık, seçicilik, kesinlik ve F1 skor değerlendirme ölçütleri kullanılarak karşılaştırılmıştır. DVM çekirdek fonksiyonlarından RBF, lineer ve polinom çekirdek fonksiyonu kullanılmıştır. İki veri setinde de genel olarak RBF çekirdek fonksiyonu en başarılı performansa sahiptir. Parkinson 1 ve Parkinson 2 veri setlerinde en iyi doğruluk sonuçları sırasıyla %88,75 ile İKPSO-DVM ve %95.422 ile YA-DVM modellerine aittir. Literatür karşılaştırmaları önerilen modellerin bazı çalışmalardan daha iyi, bazı çalışmalar ile de rekabet edebilecek seviyede olduklarını göstermiştir. |
| İlgilizce Özet | Parkinson's disease occurs as a result of the decrease and insufficiency of dopamine cells over the time. This decrease varies with age. Considering the fact that the world population is getting older, this disease may increase in the coming years. Although there is no definitive diagnosis method for this disease, the patient is kept under follow-up for a long time and then parkinson's disease can be diagnosed. In this thesis study, classification was made with Support Vector Machine (SVM) to detect parkinson's patients. The selection of parameters in SVM is very important. Incorrect parameter selection affects the classification success of SVM. Therefore, meta heuristic methods have been used extensively in the literature in recent years and successful results have been obtained. In this study, SVM optimization models were created using Bat Algorithm (BA), Improved Chaotic Particle Swarm Optimization (ICPSO), Improved Genetic Algorithm (IGA) and Harmony Search Algorithm (HSA). Experiments in the study were conducted on two different parkinson's disease datasets taken from the UCI (Machine Learning Repository of University of California at Irvine) database and these datasets were named as Parkinson 1 and Parkinson 2. Obtained results were compared using accuracy, sensitivity, specificity, precision and F1 score evaluation criteria. Among DVM kernel functions, RBF, linear and polynomial kernel functions were used. In general, RBF kernel function has the most successful performance in both datasets. The best accuracy results in Parkinson 1 and Parkinson 2 datasets belong to ICPSO-SVM model with 88.75% and BA-DVM model 95.422%, respectively. Literature comparisons have shown that the proposed models are better than some studies and can compete with some studies. |