Araştırma Makalesi

Nöromüsküler hastalıkların yapay zeka yöntemleri ile sınıflandırılması

Cilt: 34 Sayı: 4 25 Haziran 2019
Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi Kapak
Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi
PDF İndir

Nöromüsküler hastalıkların yapay zeka yöntemleri ile sınıflandırılması

Öz

Bu çalışmada Nöromüsküler hastalıkların en yaygın çeşidi olan ALS ve Myopati hastalıklarının teşhisi için beş işlem aşamasından oluşan bir sınıflandırma yapısı düzenlenmiştir. EMG (Elektromiyogram) işaretleri, sınıflandırılmadan önce ön işleme, bölütleme, kümeleme ve öznitelik çıkarma aşamalarından geçirilmiştir. Kümeleme aşamasında melez kümeleme yöntemi kullanılmıştır. Sonrasında zaman, frekans uzayındaki öznitelik vektörleri ve bunların farklı birleşimleri ile elde edilen çoklu öznitelik vektörleri olmak üzere toplam 25 tane öznitelik vektörü denenmiştir. Bir sonraki aşamada ise Destek Vektör Makinesi (DVM), K-En Yakın Komşu (K-EYK) algoritması ve Diskiriminant Analiz (DA) algoritmaları ile veriler sınıflandırılmıştır. Doğrulama ölçütü olarak çapraz geçerlilik yöntemi kullanılmıştır. Çapraz geçerlilikte k değeri 10 seçilmiştir. Deneysel sonuçlar önerilen öznitelik vektörleri arasında çoklu öznitelik vektörlerinin tekli öznitelik vektörlerine göre daha başarılı olduğunu göstermiştir. Çoklu öznitelik vektörlerinin kullanılması durumunda DVM sınıflandırıcı, K-EYK ve DA sınıflandırıcılarına göre EMG işaretlerini daha yüksek doğrulukla sınıflandırmıştır. Toplam doğruluk ALS için %97,39 iken myopati olanlar için %86,74’tür. Bu çalışma ile sınıflandırma başarımının öznitelik vektörünün sınıflar arası ayrılabilirliğinin yüksek derecede olmasına bağlı olduğu anlaşılmıştır.

Anahtar Kelimeler

Kaynakça

  1. 1. V. Basmajian, C.J. De Luca, Muscles Alive: Their Functions Revealed by Electromyography, 5th edition, William & Wilkins, Baltimore, 1985.
  2. 2. C.I. Christodoulou, C.S. Pattichis, Unsupervised pattern recognition for the classification of EMG signALS, IEEE Trans. Biomed. Eng. 46, 169, 1999.
  3. 3. M.R. Bozkurt, EMG İşaretlerinin Modern Yöntemlerle Önişlemesi ve Sınıflandırılması, Sakarya Üni. , Fen Bilimleri Ens., Doktora Tezi, Sakarya, 2007.
  4. 4. Stalberg, Andressan S., Falck, B., Lang, H., Rosenfalck, A., Trojaborg, W. 1986. Quantitative Analysis Of Individual Motor Unit PotentiALS: A Proposition For Standardized Terminology And Criteria For Measurement. J. Clinic Neurophysiology, 3, 313-348.
  5. 5. Ejderha, H., EMG İşaretlerin Kullanılarak YorgunlukSeviyeleri; Neuro-Fuzzy ve YSA İle Sınıflandırılması, Yüksek Lisans Tezi,Fen Bilimleri Enstitüsü,Kahramanmaraş Sütçü İmam Üniversitesi, KahramanMaraş, 2009.
  6. 6. Fattah, Shaikh Anowarul, et al. Evaluation of Different Time and Frequency Domain Features of Motor Neuron and Musculoskeletal Diseases, International Journal of Computer Applications 43.23, 34-40, 2012.
  7. 7. G. Pfeiffer, The diagnostic power of motor unit potential analysis: an objective Bayesian approach, Muscle Nerve 22 (5),584–591, 1999.
  8. 8. Y. Xiang, B. Pant, A. Eisen, M.P. Beddoes, D. Poole, Multiply sectioned Bayesian networks for neuromuscular diagnosis, Artif. Intell. Med. 5, 293, 1993.

Ayrıntılar

Birincil Dil

Türkçe

Konular

Mühendislik

Bölüm

Araştırma Makalesi

Yazarlar

Yayımlanma Tarihi

25 Haziran 2019

Gönderilme Tarihi

5 Ocak 2018

Kabul Tarihi

-

Yayımlandığı Sayı

Yıl 2019 Cilt: 34 Sayı: 4

DOI

https://doi.org/10.17341/gazimmfd.571506

IZ

https://izlik.org/JA75UT78FZ

Kaynak Göster

RIS / Bibtex
APA
Küçük, H., Eminoğlu, İ., & Balcı, K. (2019). Nöromüsküler hastalıkların yapay zeka yöntemleri ile sınıflandırılması. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 34(4), 1725-1742. https://doi.org/10.17341/gazimmfd.571506
AMA
1.Küçük H, Eminoğlu İ, Balcı K. Nöromüsküler hastalıkların yapay zeka yöntemleri ile sınıflandırılması. GUMMFD. 2019;34(4):1725-1742. doi:10.17341/gazimmfd.571506
Chicago
Küçük, Hanife, İlyas Eminoğlu, ve Kemal Balcı. 2019. “Nöromüsküler hastalıkların yapay zeka yöntemleri ile sınıflandırılması”. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 34 (4): 1725-42. https://doi.org/10.17341/gazimmfd.571506.
EndNote
Küçük H, Eminoğlu İ, Balcı K (01 Haziran 2019) Nöromüsküler hastalıkların yapay zeka yöntemleri ile sınıflandırılması. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 34 4 1725–1742.
IEEE
[1]H. Küçük, İ. Eminoğlu, ve K. Balcı, “Nöromüsküler hastalıkların yapay zeka yöntemleri ile sınıflandırılması”, GUMMFD, c. 34, sy 4, ss. 1725–1742, Haz. 2019, doi: 10.17341/gazimmfd.571506.
ISNAD
Küçük, Hanife - Eminoğlu, İlyas - Balcı, Kemal. “Nöromüsküler hastalıkların yapay zeka yöntemleri ile sınıflandırılması”. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 34/4 (01 Haziran 2019): 1725-1742. https://doi.org/10.17341/gazimmfd.571506.
JAMA
1.Küçük H, Eminoğlu İ, Balcı K. Nöromüsküler hastalıkların yapay zeka yöntemleri ile sınıflandırılması. GUMMFD. 2019;34:1725–1742.
MLA
Küçük, Hanife, vd. “Nöromüsküler hastalıkların yapay zeka yöntemleri ile sınıflandırılması”. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, c. 34, sy 4, Haziran 2019, ss. 1725-42, doi:10.17341/gazimmfd.571506.
Vancouver
1.Hanife Küçük, İlyas Eminoğlu, Kemal Balcı. Nöromüsküler hastalıkların yapay zeka yöntemleri ile sınıflandırılması. GUMMFD. 01 Haziran 2019;34(4):1725-42. doi:10.17341/gazimmfd.571506

Cited By

GMDH sinir ağı kullanılarak elastomer tabakalar üzerinde küresel elastomerik yatağın maksimum gerilmesinin tahmini

Gazi Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi

https://doi.org/10.17341/gazimmfd.722514

Osteoporoza Bağlı Kifozlu Hastalara Uygulanan Egzersizlerin Oluşturduğu Denge Değişikliklerine İlişkin Veriler Kullanılarak Yapay Sinir Ağlarının Diğer Sınıflandırma Algoritmalarıyla Karşılaştırılması

Journal of the Institute of Science and Technology

https://doi.org/10.21597/jist.743051

Artificial Intelligence Applications Used in the Prevention and Management of Complications of Diabetes Mellitus

Sağlık Bilimleri Üniversitesi Hemşirelik Dergisi

https://doi.org/10.48071/sbuhemsirelik.1764068