USING DEEP LEARNING ALGORITHM TO DIAGNOSE PARKINSON DISEASE WITH HIGH ACCURACY

Hem motor hem de motor dışı semptomlarda hayati ve kalıcı hasara neden olan Parkinson hastalığının erken teşhisi, hasta durumunun daha da kötüleşmesini önlemek için çok önemlidir. Bu çalışmada, UCI deposundan alınan Parkinson Hastalığı verileri derin öğrenme mimarisi kullanılarak sınıflandırılmıştır. Çalışmadaki derin öğrenme mimarisi, Python Keras  tarafından oluşturulan ileri beslemeli bir sinir ağıdır (FFNN). Çalışmadaki mimari, bir girdi katmanı, iki gizli katman ve softmax fonksiyonunu ReLu (Rectified Linear Units) ile bir çıkış katmanı olarak oluşturulmaktadır. Derin öğrenme mimarisi, PD veri seti iki sınıfa sahip olduğundan dolayı, ikili veri sınıflandırma problemini çözer. PD veri setini sınıflandırmak için test ve eğitim verisi farklı oranlarda bölünerek birçok test yapıldı. PD veri seti sınıflandırması, % 20'sinde test ve kalan veri eğitim verisi olmak üzere, derin öğrenme algoritması kullanılarak % 100 doğrulukta başarılı oldu.

Early diagnosis of Parkinson's disease, which causes vital and permanent damage to both motor and non-motor symptoms, is very important to prevent further deterioration of the patient condition. In the present study, Parkinson's Disease data set from UCI repository is classified using deep learning architecture. The deep learning architecture in the study is a feed-forward neural network (FFNN) which is builded by Keras of Python. The architecture in the study composes of an input layer, two hidden layers and softmax function with ReLu (Rectified Linear Units) as an output layer. The deep learning architecture solves binary classification problem since PD data set has two classes. In order to classify the PD data set, many tests were performed by splitting the test and train data in different ratios. The PD data set classification was succeeded with 100% accuracy using deep learning algorithm splitting in %20 of the data as the test and the remaining as train data in epoch 30.