Çocuklar için otizm spektrum bozukluğunun veri madenciliği yöntemleri ile analizi

Abstract

Çağımızda, teknoloji alanında yaşanan gelişmelere paralel olarak bilişim sistemlerinin kullanımında artış yaşanmaktadır. Bu gelişmeler ile birlikte kullanılan sistemlerin verimliliği artmakta ve maliyetler de azalmaktadır. Azalan maliyetler ise daha fazla verinin depolanmasına imkân tanımaktadır. Veri madenciliği teknikleri, veriler arasında gizli kalmış olan örüntüleri ortaya çıkarmayı amaçlaması sebebiyle, depolanan verilerden yararlanmak için oldukça rağbet görmektedir. Bu kapsamda veri madenciliği, tıp gibi birçok alanda yaygın bir biçimde kullanılmaktadır.Teşhis ve tedavisi oldukça zor ve uzun bir süreçten oluşan Otizm spektrum bozukluğu doğuştan gelen ya da yaşamın ilk yıllarında ortaya çıkan karmaşık bir nöro-gelişimsel bozukluktur. Kullanılan ölçeklendirmeler için son gelişmeler sürekli olarak takip edilmeli, güncel veriler ile çalışılmalı ve çalışmalara güncel sistemler dâhil edilmelidir. Bu çalışmada gerçek ve güncel Otizm spektrum bozukluğu verilerinin çocuklar için olan alt kümesi kullanılmıştır. Çalışma da veri seti üzerinde eksik verilerin tamamlanması, kategorik verilerin sayısallaştırılması, normalizasyon gibi veri ön işleme aşamaları gerçekleştirilmiştir. Veriler yapay sinir ağları ve dilsel kuvvetli sinir-bulanık sınıflayıcı ile sınıflandırılmış, k-means ve x-means ile kümelenmiştir. Her bir yöntemin sonuçları değerlendirilmiş ve performanslar karşılaştırılmıştır.

In our age, the use of information systems has been increasing in parallel with the developments in the field of technology. With these developments, the efficiency of the systems used increases and the costs decrease. Decreasing costs allow more data to be stored. Data mining techniques are widely sought to exploit the stored data as they aim to reveal patterns that have been hidden between data. In this context, data mining is widely used in many areas such as medicine.Autism spectrum disorder is a complex neuro-developmental disorder that occurs during the first years of life. For the scales used, the latest developments should be continuously followed, up-to-date data should be studied and the current systems should be included in the studies. In this study, subset of actual and current Autism spectrum disorder data for children was used. In the study, data pre-processing stages such as completion of missing data, digitization of categorical data and normalization were performed on the data set. Data were classified by artificial neural networks and neuro-fuzzy classıfıer wıth lıngustıc hedges, clustered with k-means and x-means. The results of each method were evaluated and the performances were compared.