Makine öğrenmesi algoritmaları kullanılarak disfonik seslerin incelenmesi

Abstract

Erken tanı ve yönlendirme, ses bozukluğu tedavisinde hayati öneme sahiptir. Son zamanlarda yapılan çalışmalar, ses patolojisi tespit sistemlerinin ses bozukluklarının değerlendirilmesine etkin bir şekilde katkıda bulunabileceğini ve erken teşhisini sağlayabileceğini göstermektedir. Bu sistemler, birçok alanda kullanılan ve özellikle de ses patoloji tespitinde umut verici olarak kabul edilen makine öğrenimi teknikleridir. Yapılan çalışmalarda, sınıflandırmada kullanılan patolojiler, makine öğrenme modelleri ve performans ölçütleri önemli ölçüde farklılık göstermektedir. Bu farklılık ses patolojisinin tespitinde kullanılabilecek en iyi modelin belirlenmesini zorlaştırmaktadır.Bu tez çalışmasında makine öğrenme modelleri kullanılarak sağlıklı ve patolojik sesler sınıflandırılmıştır. Ses örnekleri `Saarbrucken Voice Database` (SVD)'den alınmıştır. Ses sinyallerinden öznitelik çıkarımı OpenSMILE algoritması ile yapılmıştır. Ayrıca MFCC yöntemi de kullanılmıştır. Modellerin başarım değerlerini artırmak için Kendall'sTau öznitelik seçim algoritması kullanılmıştır. Bu algoritma ile sınıflandırma başarımına pozitif etkisi olan en iyi öznitelikler seçilerek modeller eğitilip test edilmiştir. Çalışma sonucunda sağlıklı ve patolojik seslerin sınıflandırılmasında makine öğrenme modellerinin performansları sunulmuştur. Aynı zamanda öznitelik seçim algoritmalarının sınıflandırma başarımına olumlu yönde katkı sağladığı ortaya koyulmuştur. Sonuçlara göre makine öğrenme modelleri sağlıklı ve patolojik seslerin sınıflandırılmasında iyi bir performans göstermiştir. Ayrıca öznitelik seçimi ile modellerin başarımları önemli ölçüde artırılmıştır.Anahtar Kelimeler: Patolojik Ses Tanısı, Yapay Sinir Ağları, SVD, Makine Öğrenmesi.

Early diagnosis and referral are vital in the treatment of voice disorder. Recent studies show that voice pathology detection systems can contribute effectively to the assessment and early diagnosis of voice disorders. These systems are machine learning techniques that are used in many fields and are considered promising, especially in voice pathology detection. Pathologies, machine learning models and performance criteria used in classification differ significantly in studies. This difference makes it difficult to determine the best model that can be used in the detection of voice pathology. In this thesis study, healthy and pathological voices were classified using machine learning models. Sound samples are taken from `Saar-brucken Voice Database` (SVD). Feature extraction from audio signals is done with OpenSMILE algorithm. In addition, the MFCC method was also used. Kendall's Tau feature selection algorithm was used to increase the performance values of the models. With this algorithm, the best features that have a positive effect on the classification performance are selected and the models are trained and tested. As a result of the study, the performances of machine learning models in the classification of healthy and pathological voices are presented. At the same time, it has been revealed that feature selection algorithms contribute positively to the classification performance. According to the results, machine learning models performed well in classifying healthy and pathological voices. In addition, the performance of the models has been significantly increased with feature selection. Keywords: Diagnosis of Pathological Voice, Artificial Neural Networks, SVD, Machine Learning