AR VE ARMA METOTLARININ KULLANIMI İLE TEŞHİS SİSTEMLERİ İÇİN ÖZNİTELİK ÇIKARMA: OFTALMİK ATARDAMAR DOPPLER İŞARETLERİNİN DURUM ANALİZİ

Öz

Teşhis sistemleri için özbağlaşımlı (autoregressive - AR) ve özbağlaşımlı yürüyen ortalamalı (autoregressive moving average - ARMA) metotların kullanımı ile işaretlerden öznitelik çıkarılmakta ve işaretlerin güç seviyesi-frekans dağılımları istatistiksel özellikler ile gösterilmektedir. Bu çalışmada, farklı kişilerden alınan oftalmik atardamar Doppler işaretlerinin spektral analizi AR ve ARMA metotları ile gerçekleştirilmiş ve işaret hakkında önemli bilgi içeren Doppler güç yoğunluk spektrum değerleri işareti temsil eden öznitelik vektörleri olarak ele alınmıştır. Öznitelik vektörlerinin boyutlarının azaltılabilmesi için Doppler güç yoğunluk spektrum değerleri üzerinde istatistiksel işlemler yapılmış ve sınıflama işleminde kullanılan çok katmanlı perseptron sinir ağlarının giriş öznitelik vektörleri seçilmiştir. Farklı algoritmalar ile eğitilen çok katmanlı perseptron sinir ağlarının performansları incelenerek AR ve ARMA metotlarının Doppler işaretlerinin analizindeki başarısı tespit edilmiştir. Gerçekleştirilen ağların toplam sınıflama doğrulukları, Levenberg-Marquardt algoritması ile eğitilen ve ARMA Doppler güç yoğunluk spektrum değerlerinden çıkarılan öznitelik vektörlerinin giriş olarak kullanıldığı çok katmanlı perseptron sinir ağının oftalmik atardamar Doppler işaretlerinin sınıflandırılmasında kullanılabileceğini göstermiştir.

Anahtar Kelimeler

• AR metodu, ARMA metodu, öznitelik çıkarma, Doppler güç yoğunluk spektrumu, sınıflama doğruluğu, oftalmik atardamar

Kaynakça

1. Güler, İ. ve Güler, N.F., “The electronic detail of a pulsed Doppler blood flow measurement system”, Measurement Science and Technology, Vol 1, No 10, 1087-1092, 1990.
2. Güler, İ., Hardalaç, F. ve Übeyli, E.D., “Determination of Behcet disease with the application of FFT and AR methods”, Computers in Biology and Medicine, Vol 32, No 6, 419-434, 2002.
3. Güler, İ. ve Übeyli, E.D., “Application of classical and model-based spectral methods to ophthalmic arterial Doppler signals with uveitis disease”, Computers in Biology and Medicine, Vol 33, No 6, 455-471, 2003.
4. Übeyli, E.D. ve Güler, İ., “Spectral analysis of internal carotid arterial Doppler signals using FFT, AR, MA, and ARMA methods”, Computers in Biology and Medicine, Vol 34, No 4, 293-306, 2004.
5. Güler, İ. ve Übeyli, E.D., “Detection of ophthalmic artery stenosis by least-mean squares backpropagation neural network”, Computers in Biology and Medicine, Vol 33, No 4, 333-343, 2003.
6. Übeyli, E.D. ve Güler, İ., “Neural network analysis of internal carotid arterial Doppler signals: predictions of stenosis and occlusion”, Expert Systems with Applications, Vol 25, No 1, 1-13, 2003.
7. Güler, N.F. ve Übeyli, E.D., “Wavelet-based neural network analysis of ophthalmic artery Doppler signals”, Computers in Biology and Medicine, 2004 (baskıda).
8. Güler, İ. ve Übeyli, E.D., “Detection of ophthalmic arterial Doppler signals with Behcet disease using multilayer perceptron neural network”, Computers in Biology and Medicine, 2004 (baskıda).

9. Güler, İ. ve Übeyli, E.D., “Classification of internal carotid arterial Doppler signals using wavelet-based neural networks”, IJCI Proceedings of International XII. Turkish Symposium on Artificial Intelligence and Neural Networks – TAINN 2003, Çanakkale, Cilt 1, No 1, 8-12, Temmuz 2003.
10. Kay, S.M. ve Marple, S.L., “Spectrum analysis – A modern perspective”, Proceedings of the IEEE, 69, 1380-1419, 1981.
11. Haykin, S., Neural Networks: A Comprehensive Foundation, Macmillan, New York, 1994.
12. Basheer, I.A. ve Hajmeer, M., “Artificial neural networks: fundamentals, computing, design, and application”, Journal of Microbiological Methods, Vol 43, No 1, 3-31, 2000.
13. Chaudhuri, B.B. ve Bhattacharya, U., “Efficient training and improved performance of multilayer perceptron in pattern classification”, Neurocomputing, Vol 34, 11-27, 2000.
14. Rumelhart, D.E., Hinton, G.E. ve Williams, R.J., “Learning representations by back-propagating errors”, Nature, Vol 323, 533-536, 1986.
15. Jacobs, R.A., “Increased rate of convergence through learning rate adaptation”, Neural Networks, Vol 1, 295-307, 1988.
16. Minai, A.A. ve Williams, R.D., “Back-propagation heuristics: a study of the extended delta-bar-delta algorithm”, Proceedings of International Joint Conference on Neural Networks, San Diego, California, Cilt 1, 595-600, 17-21 Haziran 1990.
17. Fahlman, S.E., “An empirical study of learning speed in backpropagation networks”, Computer Science Technical Report, CMU-CS-88-162, Carnegie Mellon University, Pittsburgh, 1988.
18. Hagan, M.T. ve Menhaj, M.B., “Training feedforward networks with the Marquardt algorithm”, IEEE Transactions on Neural Networks, Vol 5, No 6, 989-993, 1994.
19. Battiti, R., “First- and second-order methods for learning: between steepest descent and Newton’s method”, Neural Computation, Vol 4, 141-166, 1992.
20. Chan, L-W., “Efficacy of different learning algorithms of the back propagation network”, IEEE Region 10 Conference on Computer and Communication Systems, Hong Kong, Cilt 1, 23-27, 24-27 Eylül 1990.
21. Sidani, A. ve Sidani, T., “A comprehensive study of the backpropagation algorithm and modifications”, IEEE Conference Record, Orlando FL USA, 80-84, 29-31 Mart 1994.
22. Hannan, J.M. ve Bishop, J.M., “A comparison of fast training algorithms over two real problems”, IEE Fifth International Conference on Artificial Neural Networks, Conference Publication No 440, Cambridge UK, 1-6, 7-9 Temmuz 1997.
23. Akaike, H., “A new look at the statistical model identification”, IEEE Transactions on Automatic Control, Vol AC-19, 716-723, 1974.