BİYOMEDİKAL İŞARETLERİN SINIFLANDIRILMASINDA OTOMATİK TEŞHİS SİSTEMLERİNİN BAŞARIMI

Öz

Bu çalışmada, oftalmik atardamar Doppler işaretlerinin, elektroensefalogram (EEG) ve elektrokardiyogram(EKG) işaretlerinin sınıflandırılması için farklı ve birleşik özniteliklerin kullanıldığı otomatik teşhis sistemleriincelenmiş ve bu sistemlerin doğrulukları saptanmıştır. Şekil tanımlama uygulamalarında, tanımlanacak olanişlenmemiş işaretten farklı öznitelikler çıkarılır. Farklı öznitelikleri olan birden fazla sınıflayıcıyı birleştirme,şekil sınıflamanın birçok alanında problem olarak görülmektedir. Birleşik öznitelikler ile eğitilen çok katmanlıperseptron sinir ağı, birleşik sinir ağı, uzman ağların karışımı ve farklı öznitelikler ile eğitilen değiştirilmişuzman ağların karışımı gibi modellerin sınıflama doğrulukları karşılaştırılmıştır. Otomatik teşhis sistemleriningirişleri, ağ yapılarına göre farklı veya birleşik özniteliklerden oluşmaktadır. Bu çalışmanın sonuçları, farklıöznitelikler ile eğitilen değiştirilmiş uzman ağların karışımı modelinin, birleşik öznitelikler ile eğitilen diğerotomatik teşhis sistemlerine göre yüksek doğruluk elde ettiğini göstermiştir.

Anahtar Kelimeler

• Farklı öznitelikler, birleşik öznitelikler, biyomedikal işaretler, otomatik teşhis sistemleri.

Kaynakça

1. West, D., West, V., “Improving diagnostic
2. accuracy using a hierarchical neural network to
3. model decision subtasks”, International Journal
4. of Medical Informatics, Vol 57, No 1, 41-55,
5. -
6. Kwak, N., Choi, C.-H., “Input feature selection for
7. classification problems”, IEEE Transactions on
8. Neural Networks, Vol 13, No 1, 143-159, 2002.

9. Übeyli, E.D., Güler, İ., “Feature extraction from
10. Doppler ultrasound signals for automated
11. diagnostic systems”, Computers in Biology and
12. Medicine, Vol 35, No 9, 735-764, 2005.
13. Chen, K., “A connectionist method for pattern
14. classification with diverse features”, Pattern
15. Recognition Letters, Vol 19, No 7, 545-558,
16. -
17. Jacobs, R.A., Jordan, M.I., Nowlan, S.J., Hinton,
18. G.E., “Adaptive mixtures of local experts”,
19. Neural Computation, Vol 3, No 1, 79-87, 1991.
20. Jordan, M.I., Jacobs, R.A., “Hierarchical mixture
21. of experts and the EM algorithm”, Neural
22. Computation, Vol 6, No 2, 181-214, 1994.
23. Güler, İ., Übeyli, E.D., “A mixture of experts
24. network structure for modelling Doppler
25. ultrasound blood flow signals”, Computers in
26. Biology and Medicine, Vol 35, No 7, 565-582,
27. -
28. Soltani, S., “On the use of the wavelet
29. decomposition for time series prediction”,
30. Neurocomputing, Vol 48, 267-277, 2002.
31. Daubechies, I., “The wavelet transform, timefrequency
32. localization and signal analysis”, IEEE
33. Transactions on Information Theory, Vol 36,
34. No 5, 961-1005, 1990.
35. Unser, M., Aldroubi, A., “A review of wavelets in
36. biomedical applications”, Proceedings of the
37. IEEE, Vol 84, No 4, 626-638, 1996.
38. Lehnertz, K., “Non-linear time series analysis of
39. intracranial EEG recordings in patients with
40. epilepsy – an overview”, International Journal
41. of Psychophysiology, Vol 34, No 1, 45-52, 1999.
42. Güler, İ., Übeyli, E.D., “Adaptive neuro-fuzzy
43. inference system for classification of EEG signals
44. using wavelet coefficients”, Journal of
45. Neuroscience Methods, Vol 148, No 2, 113-121,
46. -
47. Andrzejak, R.G., Lehnertz, K., Mormann, F.,
48. Rieke, C., David, P., Elger, C.E., “Indications of
49. nonlinear deterministic and finite-dimensional
50. structures in time series of brain electrical activity:
51. dependence on recording region and brain state”,
52. Physical Review E, 64, 061907, 2001.
53. Saxena, S.C., Kumar, V., Hamde, S.T., “Feature
54. extraction from ECG signals using wavelet
55. transforms for disease diagnostics”, International
56. Journal of Systems Science, Vol 33, No 13,
57. -1085, 2002.
58. Foo, S.Y., Stuart, G., Harvey, B., Meyer-Baese,
59. A., “Neural network-based EKG pattern
60. recognition”, Engineering Applications of
61. Artificial Intelligence, Vol 15, 253-260, 2002.
62. Güler, İ., Übeyli, E.D., “ECG beat classifier
63. designed by combined neural network model”,
64. Pattern Recognition, Vol 38, No 2, 199-208,
65. -
66. Goldberger, A.L., Amaral, L.A.N., Glass, L.,
67. Hausdorff, J.M., Ivanov, P.Ch., Mark, R.G.,
68. Mietus, J.E., Moody, G.B., Peng, C.K., Stanley,
69. H.E., Physiobank, Physiotoolkit, and Physionet:
70. Components of a New Research Resource for
71. Complex Physiologic Signals, Circulation
72. (23), e215-e220 [Circulation Electronic Pages;
73. (June 13).
74. http://circ.ahajournals.org/cgi/content/full/101/23/
75. e215];
76. Wolpert, D.H., “Stacked generalization”, Neural
77. Networks, Vol 5, 241-259, 1992.
78. Übeyli, E.D., Güler, İ., “Improving medical
79. diagnostic accuracy of ultrasound Doppler signals
80. by combining neural network models”,
81. Computers in Biology and Medicine, Vol 35,
82. No 6, 533-554, 2005.