Derin öğrenme ve kelime gömme modelleri kullanarak parkinson hastalığının analizi

Abstract

AmaçParkinson hastalığı, hastanın yaşam kalitesini etkileyen, önemli sosyal ve ekonomik etkileri olan ve semptomların aşamalı görünümü nedeniyle erken teşhis edilmesi güç olan yaygın bir nörolojik hastalıktır. Parkinson hastalığının Twitter gibi sosyal medya platformlarında tartışılması, hastaların Parkinson hastalığının hem tanı hem de tedavi aşamasında birbirleriyle iletişim kurduğu bir platform sağlar. Bu çalışmanın amacı, derin öğrenme ve kelime gömme modelleri kullanarak insanların Parkinson hastalığı ile ilgili duygusallık analizlerini değerlendirmek ve karşılaştırmaktır. Bildiğimiz kadarıyla, Parkinson hastalığını sosyal medyadan kelime gömme modelleri ve derin öğrenme algoritmaları kullanarak analiz etmek için yapılan ilk çalışmadır.Materyaller ve yöntemlerParkinson hastalığı ile ilgili tweetler, Twitter sayfalarındaki (`ParkinsonsCure`, `Parkinson`, `ParkinsonsTreatment, ParkinsonDiagnosis`) anahtar kelimeleri ile hesaplarını arayarak elde edildi. Parkinson hastalığına ilişkin tüm tweetler, 01.01.2009- 09.01.2019 tarihleri arasında Python programlama dilinde yazdığımız Selenium Crawler kullanılarak toplandı. Bu çalışmada Word2Vec, GloVe ve FastText, tweetleri anlamsal, bağlamsal ve sözdizimi açısından zenginleştirmek amacıyla kelime gömme modelleri olarak kullanılmıştır. Evrişimli Sinir Ağları (CNN'ler), Tekrarlayan Sinir Ağları (RNN'ler) ve Uzun Kısa Süreli Bellek Ağları (LSTM'ler) sınıflandırma görevi için uygulanılmıştır.Deneysel SonuçlarBu çalışmada, kelime gömme modelleri ve derin öğrenme algoritmaları kullanılarak Parkinson hastalığı hakkında kullanıcı yorumlarının duygularını analiz etmek için kapsamlı deneyler yapılmıştır. Doğruluk, her modelin sınıflandırma performansını ve çalışmamızın katkısını göstermek için deneylerde bir değerlendirme ölçütü olarak kullanılır. Ön işleme yöntemlerinin kelime gömme modelleri üzerindeki etkisi %50 eğitim setinde incelendiğinde, RH ve RU yöntemlerinin kombinasyonunun en iyi doğruluk performansını gösterdiği görülmektedir. Word2Vec kelime gömme modellerinde ön işleme yöntemleriyle %89,34 doğrulukla en iyi sonuçlara sahiptir. Benzer şekilde, ön işleme yöntemlerinin derin öğrenme algoritmaları üzerindeki etkisi incelendiğinde, RH ve RU konsolidasyonunun diğer ön işleme yöntemlerinden daha iyi sonuçlar verdiği görülmektedir. LSTM, RU + RH yöntemleriyle harmanlanarak %93,63 doğruluk performansına sahip en iyi performans gösteren sınıflandırma algoritmasıdır.SonuçlarBu çalışma, hastaların gereksinimlerini anlamak için kelime gömme modelleri ve derin öğrenme algoritmalarını kullanma etkinliğini ve duygularını analiz ederek tedavi sürecine değerli bir katkı sağladığını göstermektedir.

ObjectiveParkinson's disease is a common neurodegenerative neurological disorder, which affects the patient's quality of life, has significant social and economic effects, and is difficult to diagnose early due to the gradual appearance of symptoms. Examining the discussion of Parkinson's disease in social media platforms such as Twitter provides a platform where patients communicate each other in both diagnosis and treatment stage of the Parkinson's disease. The purpose of this work is to evaluate and compare the sentiment analysis of people about Parkinson's disease by using deep learning and word embedding models. To the best of our knowledge, this is the very first study to analyze Parkinson's disease from social media by using word embedding models and deep learning algorithms.Materials and MethodsTweets about Parkinson's disease are obtained by searching accounts on Twitter pages with keywords (`ParkinsonsCure`, `Parkinson`, `ParkinsonsTreatment, ParkinsonDiagnosis`). All tweets related to Parkinson's disease are collected from 01.01.2009 to 09.01.2019 using Selenium Crawler, which we write in Python programming language. In this study, Word2Vec, GloVe, and FastText are employed as word embedding models for the purpose of enriching tweets in terms of semantic, context, and syntax. Convolutional Neural Networks (CNNs), Recurrent Neural Networks (RNNs), and Long Short-Term Memory Networks (LSTMs) are implemented for the classification task.ResultsIn this study, extensive experiments are conducted to analyze the emotions of user comments about Parkinson's disease using word embedding models and deep learning algorithms. Accuracy is used as an evaluation metric in the experiments to demonstrate the classification performance of each model and the contribution of our study. When the effect of preprocessing methods on word embedding models is examined at 50% training set, it is observed that the combination of RH and RU methods shows the best accuracy performance. Word2Vec has the best results with 89.34% accuracy with preprocessing methods in word embedding models. Likewise, when the effect of preprocessing methods on deep learning algorithms is analyzed, it is observed that the consolidation of RH and RU gives better results than other preprocessing methods. LSTM is the best performing classification algorithm with 93.63% accuracy performance by blending with the RU + RH methods.ConclusionsThis study demonstrates the efficiency of using word embedding models and deep learning algorithms to understand the needs of patients' and provide a valuable contribution to the treatment process by analyzing sentiments of them.