عنوان	ارزیابی الگوریتم‌های طبقه‌بندی در تشخیص بیماری پارکینسون مبتنی بر داده‌های صوتی
نوع پژوهش	مقاله ارائه شده
کلیدواژه‌ها	کلمات کلیدی بیماری پارکینسون، داده‌های صوتی، یادگیری ماشین، متوازن‌سازی داده‌ها، (SMOTE)
چکیده	تشخیص به‌موقع بیماری پارکینسون به دلیل خاصیت پیشروی سریع آن، چالشی مهم در حوزه پزشکی است. یکی از روش‌های تشخیص غیرتهاجمی و زودهنگام این بیماری، استفاده از روش‌های مبتنی بر یادگیری ماشین بر اساس داده‌های صوتی ضبط شده از بیمار است. هم‌چنین، نامتوازن بودن مجموعه‌داده‌های جمع‌آوری شده برای این بیماری و تفاوت زیاد بین تعداد افراد بیمار وسالم، می‌تواند منجر به سوگیری مدل‌های یادگیری ماشین به سمت یکی از کلاس‌های افراد بیمار یا سالم شود. این مقاله با هدف بهبود تشخیص بیماری پارکینسون بر اساس ویژگی‌های صوتی، رویکردی دو مرحله‌ای ارائه می‌دهد: ابتدا برای غلبه بر مشکل عدم توازن نمونه‌ها، از الگوریتم بیش‌نمونه‌برداری SMOTE استفاده شده است. سپس عملکرد سه الگوریتم طبقه‌بندی پرکاربرد یعنی درخت تصمیم C4.5، شبکه عصبی پرسپترون چندلایه (MLP) و جنگل تصادفی (RF) بر روی داده‌های متوازن‌شده ارزیابی و مقایسه گردید. آزمایش‌ها بر روی مجموعه‌داده پارکینسون از مخزن UCI و با استفاده از اعتبارسنجی متقابل پنج‌بخشی انجام شد. معیارهای ارزیابی شامل دقت، حساسیت، اختصاصیت و میانگین هندسی بود. نتایج نشان داد که استفاده از SMOTE به‌ طور قابل‌توجهی تعادل بین معیارهای حساسیت و اختصاصیت را بهبود بخشید. در میان طبقه‌بند‌ها، الگوریتم جنگل تصادفی (RF) پس از اعمال SMOTE با کسب دقت %92.59، حساسیت ۹۲.۷۰٪، اختصاصیت %۹۲.۵۱ و میانگین هندسی %۹۲.۶۱، به‌عنوان کارآمدترین طبقه‌بند برای تشخیص دقیق و متوازن بیماران و افراد سالم شناسایی شد. این پژوهش می‌تواند در ساخت و توسعه سیستم‌های تشخیصی کم‌هزینه و دقیق برای شناسایی زودهنگام پارکینسون مفید باشد.
پژوهشگران	زینب عباسی (نفر اول)