BİYOMEDİKAL İŞARETLERİN SINIFLANDIRILMASINDA OTOMATİK TEŞHİS SİSTEMLERİNİN BAŞARIMI

Yıl 2007, Cilt: 22 Sayı: 3, 0 - , 15.02.2013

Elif Übeyli

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

• West, D., West, V., “Improving diagnostic
• accuracy using a hierarchical neural network to
• model decision subtasks”, International Journal
• of Medical Informatics, Vol 57, No 1, 41-55,
• -
• Kwak, N., Choi, C.-H., “Input feature selection for
• classification problems”, IEEE Transactions on
• Neural Networks, Vol 13, No 1, 143-159, 2002.
• Übeyli, E.D., Güler, İ., “Feature extraction from
• Doppler ultrasound signals for automated
• diagnostic systems”, Computers in Biology and
• Medicine, Vol 35, No 9, 735-764, 2005.
• Chen, K., “A connectionist method for pattern
• classification with diverse features”, Pattern
• Recognition Letters, Vol 19, No 7, 545-558,
• -
• Jacobs, R.A., Jordan, M.I., Nowlan, S.J., Hinton,
• G.E., “Adaptive mixtures of local experts”,
• Neural Computation, Vol 3, No 1, 79-87, 1991.
• Jordan, M.I., Jacobs, R.A., “Hierarchical mixture
• of experts and the EM algorithm”, Neural
• Computation, Vol 6, No 2, 181-214, 1994.
• Güler, İ., Übeyli, E.D., “A mixture of experts
• network structure for modelling Doppler
• ultrasound blood flow signals”, Computers in
• Biology and Medicine, Vol 35, No 7, 565-582,
• -
• Soltani, S., “On the use of the wavelet
• decomposition for time series prediction”,
• Neurocomputing, Vol 48, 267-277, 2002.
• Daubechies, I., “The wavelet transform, timefrequency
• localization and signal analysis”, IEEE
• Transactions on Information Theory, Vol 36,
• No 5, 961-1005, 1990.
• Unser, M., Aldroubi, A., “A review of wavelets in
• biomedical applications”, Proceedings of the
• IEEE, Vol 84, No 4, 626-638, 1996.
• Lehnertz, K., “Non-linear time series analysis of
• intracranial EEG recordings in patients with
• epilepsy – an overview”, International Journal
• of Psychophysiology, Vol 34, No 1, 45-52, 1999.
• Güler, İ., Übeyli, E.D., “Adaptive neuro-fuzzy
• inference system for classification of EEG signals
• using wavelet coefficients”, Journal of
• Neuroscience Methods, Vol 148, No 2, 113-121,
• -
• Andrzejak, R.G., Lehnertz, K., Mormann, F.,
• Rieke, C., David, P., Elger, C.E., “Indications of
• nonlinear deterministic and finite-dimensional
• structures in time series of brain electrical activity:
• dependence on recording region and brain state”,
• Physical Review E, 64, 061907, 2001.
• Saxena, S.C., Kumar, V., Hamde, S.T., “Feature
• extraction from ECG signals using wavelet
• transforms for disease diagnostics”, International
• Journal of Systems Science, Vol 33, No 13,
• -1085, 2002.
• Foo, S.Y., Stuart, G., Harvey, B., Meyer-Baese,
• A., “Neural network-based EKG pattern
• recognition”, Engineering Applications of
• Artificial Intelligence, Vol 15, 253-260, 2002.
• Güler, İ., Übeyli, E.D., “ECG beat classifier
• designed by combined neural network model”,
• Pattern Recognition, Vol 38, No 2, 199-208,
• -
• Goldberger, A.L., Amaral, L.A.N., Glass, L.,
• Hausdorff, J.M., Ivanov, P.Ch., Mark, R.G.,
• Mietus, J.E., Moody, G.B., Peng, C.K., Stanley,
• H.E., Physiobank, Physiotoolkit, and Physionet:
• Components of a New Research Resource for
• Complex Physiologic Signals, Circulation
• (23), e215-e220 [Circulation Electronic Pages;
• (June 13).
• http://circ.ahajournals.org/cgi/content/full/101/23/
• e215];
• Wolpert, D.H., “Stacked generalization”, Neural
• Networks, Vol 5, 241-259, 1992.
• Übeyli, E.D., Güler, İ., “Improving medical
• diagnostic accuracy of ultrasound Doppler signals
• by combining neural network models”,
• Computers in Biology and Medicine, Vol 35,
• No 6, 533-554, 2005.