Hibrit Özellik Seçimi ve Makine Öğrenimi ile Konuşmaya Dayalı Parkinson Tanısının Optimize Edilmesi

Creative Commons License

SAEMI S., Ozkok F. O.

Sinop Üniversitesi fen bilimleri dergisi, cilt.11, sa.1, ss.321-341, 2026 (TRDizin)

Özet

Parkinson hastalığı (PD), konuşma ve yürüme bozuklukları da dahil olmak üzere bilişsel ve motor işlevlerde bozulmalara neden olan yaygın bir nörolojik bozukluktur. Semptomları tedavi etmek için sıklıkla ilaç kullanılır, ancak bir tedavi henüz bulunamamıştır. Etkili hastalık yönetimi, erken teşhise bağlıdır. Bu çalışma, ses sinyali özelliklerine dayanarak Parkinson hastalığı olan bireyleri sağlıklı kontrollerden ayırt etmek için K-En Yakın Komşular (KNN), Çok Katmanlı Algılayıcı (MLP), Aşırı Gradyan Artırma (XGBoost) ve Naive Bayes (NB) dahil olmak üzere makine öğrenimi yaklaşımlarını kullanmaktadır. Sınıflandırma performansını artırmak için, filtre tabanlı yöntemler (korelasyon analizi, Varyans Analizi [ANOVA]), Özyinelemeli Özellik Eleme (RFE) gibi sarmalayıcı tabanlı yaklaşımlar, Rastgele Orman (RF) ve XGBoost önemini içeren gömülü modeller ve Genetik Algoritma (GA) dahil olmak üzere çoklu özellik seçimi teknikleri uygulandı. Ayrıca, en alakalı özellikleri belirlemek için GA ve XGBoost özellik önemini birleştirerek yeni bir hibrit yöntem önerildi. Modeller, sınıf dengesizliğini gidermek için özellik ölçeklendirme ve RandomOverSampler gibi standart ön işleme teknikleri kullanılarak eğitildi ve test edildi. Deneysel sonuçlar, hibrit özellik seçimi yönteminin sınıflandırma doğruluğunu önemli ölçüde iyileştirdiğini göstermektedir; titiz 10 Katlı Katmanlı Çapraz Doğrulama kullanılarak, önerilen yöntem %92.74’lük (XGBoost) sağlam bir Ortalama Doğruluk ve %91.13’lük (KNN) Geometrik Ortalama elde etmiştir. Bu bulgular, evrimsel ve model tabanlı özellik seçiminin entegrasyonunun Parkinson hastalığının teşhisini önemli ölçüde geliştirebileceğini ve ses tabanlı tıbbi karar destek sistemleri için umut vadeden bir yaklaşım sağlayabileceğini göstermektedir.
Parkinson’s disease (PD) is a common neurological disorder that causes cognitive and motor impairments, including speech and gait abnormalities. Medication is often used to treat symptoms, but a cure is still elusive. Effective disease management depends on early detection. This study employs ML approaches, including K-Nearest Neighbors (KNN), Multilayer Perceptron (MLP), Extreme Gradient Boosting (XGBoost), and Naive Bayes (NB), to distinguish between individuals with PD and healthy controls based on voice signal characteristics. To enhance classification performance, multiple feature selection techniques were applied, including filter-based methods (correlation analysis, Analysis of Variance [ANOVA]), wrapper-based approaches such as Recursive Feature Elimination (RFE), embedded models including Random Forest (RF) and XGBoost importance, and a Genetic Algorithm (GA). Furthermore, a novel hybrid method was proposed by combining GA and XGBoost feature importance to identify the most relevant features. The models were trained and tested using standard preprocessing techniques such as feature scaling and RandomOverSampler to address class imbalance. Experimental results demonstrate that the hybrid feature selection method significantly improved classification accuracy. Using rigorous 10-Fold Stratified Cross-Validation, the proposed method achieved a robust mean accuracy of 92.74% (XGBoost) and a geometric mean of 91.13% (KNN). These findings suggest that integrating evolutionary and model-driven feature selection can significantly enhance the diagnosis of PD, providing a promising approach for voice-based medical decision support systems.