Nöromüsküler hastalıkların yapay zeka yöntemleri ile sınıflandırılması

Küçük, Hanife; EMİNOĞLU, ilyas; BALCI, Mustafa Kemal

doi:10.17341/gazimmfd.571506

Nöromüsküler hastalıkların yapay zeka yöntemleri ile sınıflandırılması

Hanife KÜÇÜK, (Ondokuz Mayıs Üniversitesi, Elektrik Elektronik Mühendisliği, Samsun, Türkiye)

İlyas EMİNOĞLU, (Ondokuz Mayıs Üniversitesi, Elektrik Elektronik Mühendisliği, Samsun, Türkiye)

Mustafa Kemal BALCI (Ondokuz Mayıs Üniversitesi, İç Hastalıkları Anabilim Dalı, Samsun, Türkiye)

Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi

8 2

Yıl: 2019 Cilt: 34 Sayı: 4 Sayfa Aralığı: 1725 - 1741 Metin Dili: Türkçe DOI: 10.17341/gazimmfd.571506 İndeks Tarihi: 05-01-2021

Nöromüsküler hastalıkların yapay zeka yöntemleri ile sınıflandırılması

Öz:

Bu çalışmada Nöromüsküler hastalıkların en yaygın çeşidi olan ALS ve Myopati hastalıklarının teşhisi içinbeş 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 uzayındakiöznitelik vektörleri ve bunların farklı birleşimleri ile elde edilen çoklu öznitelik vektörleri olmak üzeretoplam 25 tane öznitelik vektörü denenmiştir. Bir sonraki aşamada ise Destek Vektör Makinesi (DVM), KEn Yakın Komşu (K-EYK) algoritması ve Diskiriminant Analiz (DA) algoritmaları ile verilersınıflandırılmıştır. Doğrulama ölçütü olarak çapraz geçerlilik yöntemi kullanılmıştır. Çapraz geçerlilikte kdeğeri 10 seçilmiştir. Deneysel sonuçlar önerilen öznitelik vektörleri arasında çoklu öznitelik vektörlerinintekli öznitelik vektörlerine göre daha başarılı olduğunu göstermiştir. Çoklu öznitelik vektörlerininkullanılması durumunda DVM sınıflandırıcı, K-EYK ve DA sınıflandırıcılarına göre EMG işaretlerini dahayüksek doğrulukla sınıflandırmıştır. Toplam doğruluk ALS için %97,39 iken myopati olanlariçin %86,74’tür. Bu çalışma ile sınıflandırma başarımının öznitelik vektörünün sınıflar arası ayrılabilirliğininyüksek derecede olmasına bağlı olduğu anlaşılmıştır.

Anahtar Kelime:

Classification of neuromuscular diseases with artificial intelligence methods

Öz:

In this study, a classification structure consisting of five processing stages was organized for the diagnosis of ALS and Myopathic diseases, the most common types of neuromuscular diseases.EMG (Electromyogram) signals have been passed through pre-processing, division, clustering, and feature extraction steps before being classified. Hybrid clustering method is used in clustering phase. Afterwards, feature vectors intime and frequency domains and their different combinations of multiple feature vectors (a total of 25 feature vectors) are used. In the next step, data are classified by Support Vector Machine (DVM), K-Nearest Neighbor (K-EYK) algorithm and Discriminant Analysis (DA) algorithms. Verification is used as a measure of cross-validation method. Cross-validation of the k-value of 10 is selected. Experimental results show that the proposed feature vectors are more successful than the single feature vectors of multiple feature vectors. When usedin multiple feature vectors; SVM classifier, has classified the EMG signals withhigher accuracy in according to the K-NN and DA classifiers. Total accuracy is97.39% for ALS and 86.74% for the myogenic. It is understood with this study; the classification performance depends on a high degree of feature vectors of interclass separability

Anahtar Kelime:

Belge Türü: Makale Makale Türü: Araştırma Makalesi Erişim Türü: Erişime Açık

1. V. Basmajian, C.J. De Luca, Muscles Alive: Their Functions Revealed by Electromyography, 5th edition, William & Wilkins, Baltimore, 1985.
2. C.I. Christodoulou, C.S. Pattichis, Unsupervised pattern recognition for the classification of EMG signALS, IEEE Trans. Biomed. Eng. 46, 169, 1999.
3. M.R. Bozkurt, EMG İşaretlerinin Modern Yöntemlerle Önişlemesi ve Sınıflandırılması, Sakarya Üni. , Fen Bilimleri Ens., Doktora Tezi, Sakarya, 2007.
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. 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. 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. G. Pfeiffer, The diagnostic power of motor unit potential analysis: an objective Bayesian approach, Muscle Nerve 22 (5),584–591, 1999.
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.
9. E. Abel, P. Zacharia, A. Forster, T. Farrow, Neural network analysis of the EMG interference pattern, Med. Eng. Phys. 18 (1),12–17, 1996.
10. A. Hamilton-Wright, D.W. Stashuk, H.R. Tizhoosh, Fuzzy classification using pattern discovery, IEEE Trans. Fuzzy Syst. 15 (5), 772–783, 1999.
11. C.D. Katsis, D.I. Fotiadis, A. Likas, I. Sarmas, A novel EMG decomposition method that discovers the number of MUAP clusters, in: Proceedings of the 2nd European Medical and Biological Engineering Conference EMBEC 2002, Vienna, Austria, 400, 2002.
12. N.F. Guler, S. Koçer, Classification of EMG signals using PCA and FFT, J. Neurosci. Methods 29 (3), 241– 250, 2005.
13. Yousefi, Jamileh, and Andrew Hamilton-Wright. Characterizing EMG data using machine-learning tools. Computers in biology and medicine 51, 1-13, 2014.
14. A. Subasi, M. Yilmaz, H.R. Ozcalik, Classification of EMG signALS using wavelet neural network, J. Neurosci. Methods 156 (1–2), 360–367, 2006.
15. A. Bhardwaj, A. Manish, K. Arora, Classification of MUAPs by using ANN pattern recognition technique, Int. J. Sci. Res. Eng. Technol. (IJSRET) 1, 10, 2012.
16. S. Rasheed, D. Stashuk, M. Kamel, Adaptive fuzzy KNN classifier for EMG signal decomposition, Med. Eng. Phys. 28, 694, 2006.
17. S., Lahmiri, B., Mounir. Improved Electromyography Signal Modeling for Myopathy Detection, Circuits and Systems (ISCAS), 2018 IEEE International Symposium on. IEEE, 2018.
18. G. Kaur, A.S. Arora, V.K. Jain, EMG diagnosis via modelling and binary support vector machine classification, Int. J. Eng. Sci. Technol. 2, 1767–1772, 2010.
19. A.P. Dobrowolski, M. Wierzbowski, K. Tomczykiewicz, Multiresolution MUAPs decomposition and DVM-based analysis in the classification of neuromuscular disorders, Comput. Methods Prog. Biomed. 107 (3), 393–403, 2012.
20. A. Subasi, Medical decision support system for diagnosis of neuromuscular disorders using DWT and fuzzy support vector machines, Comput. Biol. Med. 42, 806–815, 2012.
21. G. Kaur, A.S. Arora, V.K. Jain, Multi-class support vector machine classifier in EMG diagnosis, WSEAS Trans. Signal Process. 2, 379, 2009.
22. Katsis, C.D., Likas, A. & Fotiadis, D.I.. A novel method for automated EMG decomposition and MUAP, Artificial Intelligence in Medicine, 37 (1), 55-64, 2006.
23. A. Subasi, Classification of EMG signALS using PSO optimized DVM for diagnosis of neuromuscular disorders, Comput. Biol. Med. 43, 576–586, 2013.
24. Dorfman LJ, McGill KC., AAEE Minimonograph 29: Automatic Quantitative Electromyography. Muscle Nerve.; 11 (8), 804-18, 1988.
25. Gurmanik, K., Shatru, A., Jain, V. K., Multi-Class Support Vector Machine Classifier in EMG Diagnosis, WSEAS Transactions on Signal Processing. 5 (12), 379- 389, 2009.
26. Mc Grew, J.C., Monroe, C.B., Statistical Problem Solving in Geography, Ww C. Brown, 1993.
27. G. Kayhan, A. Ozdemir ve I. Eminoglu, Reviewing and designing pre-processing units for RBF networks: Initial structure identification and coarse-tuning of free parameters, Neural Computing and Applications, 2012.
28. MathWorks, Matlab Toolbox of Bioinformatics: User’s Guide. Mathworks Inc, 2007.
29. Fisher, R. A. The Use of Multiple Measurements in Taxonomic Problems, 1936.
30. Özdamar K: Paket Programlar ile İstatistiksel Veri Analizi (Çok Değişkenli Analizler). Kaan Kitabevi, Eskişehir, 2004.
31. Weinsteim S, Obuchowski NA, Lieber ML. Clinical evaluation of diagnostic tests.AJR Am J Roentgenol.184, 14-19, 2005.
32. M. R. Bozkurt, EMG İşaretlerinin Modern Yöntemlerle Önişlemesi ve Sınıflandırılması, Sakarya Üni. Fen Bilimleri Ens., Doktora Tezi, Sakarya, 2007.
33. C. Katsis, A.L.Y. Goletsis, D. Fotiadis, I. Sarmas, A two-stage method for MUAP classification based on EMG decomposition, Artif. Intell. Med. 37,55–64, 2006.
34. N.F. Guler, S. Kocer, Classification of EMG signALS using PCA and FFT, J. Neurosci. Methods 29 (3), 241– 250, 2005.
35. M.J. Aminoff, Electromyography in Clinical Practice: Electrodiagnostic Aspects of Neuromuscular Disease, 2nd edition, Churchill Livingstone, New York, 1987.
36. Günay M., EMG İşaretlerinin Sınıflandırılması Ve Öbekleştirilmesi, Y.Lisans Tezi Fen Bilimleri,Sütçü İmam Ünviversitesi,Kahramanmaraş, 2011.
37. Macit, E G. Çok Kriterli Sıralı Sınıflandırma Problemi Ve Sağlık Sektöründe Bir Uygulama. Y. Lisans Tezi, Erciyes Ünv., 2014.
38. Tatlıdil, H. Uygulamalı Çok Değişkenli İstatiksel Analiz Ankara: Cem Web Ofset Ltd., 1996.
39. N Güler, Antenatal Fetüs Verilerinin Örüntü Tanıma Yöntemleriyle Tanımlanması, Doktora Tezi. İstanbul: Yıldız teknik üniversitesi fen bilimleri enstitüsü, Matematik müh. Anabilim dalı, 2002.
40. Mishra, V.K., Bajaj, V., Kumar, A., Singh, G.K.: Analysis of ALS and normal EMG signals based on empirical mode decomposition. IET Sci. Meas. Technol. 10 (8), 963–971, 2016
41. H. Küçük, İ. Eminoğlu, Nöromüsküler Hastalıkların Teşhisinde SVM, K-EYK ve DA Algoritma Tabanlı Sınıflandırma Bölüm-I, TIP TEKNO’16. 150-153, 2016.
42. H. Küçük, İ. Eminoğlu, Nöromüsküler Hastalıkların Teşhisinde SVM, K-EYK ve DA Algoritma Tabanlı Sınıflandırma Bölüm-II, TIP TEKNO’16. 154-157, 2016.
43. Aydın F., Aslan Z., Diagnosis of neuro degenerative diseases using machine learning methods and wavelet transform, Journal of the Faculty of Engineering and Architecture of Gazi University, 32 (3), 749-766, 2017.
44. T. Artug, B. Bolat, O. Osman,˙I. Göker, B. Baslo, Determining MUAP activitycorridor in scanning EMG recordings, in: IEEE International Symposium onINnovations in Intelligent SysTems and Applications (INISTA), AutonomousUniversity of Madrid, Madrid, Spain, 2015.
45. T., Artuğ, I., Goker, B., Bolat, O., Osman, E. K., Orhan, & M. B., Baslo. New features for scanned bioelectrical activity of motor unit in health and disease. Biomedical Signal Processing and Control, 41, 109-128, 2018.

APA	Küçük H, EMİNOĞLU i, BALCI M (2019). Nöromüsküler hastalıkların yapay zeka yöntemleri ile sınıflandırılması. , 1725 - 1741. 10.17341/gazimmfd.571506
Chicago	Küçük Hanife,EMİNOĞLU ilyas,BALCI Mustafa Kemal Nöromüsküler hastalıkların yapay zeka yöntemleri ile sınıflandırılması. (2019): 1725 - 1741. 10.17341/gazimmfd.571506
MLA	Küçük Hanife,EMİNOĞLU ilyas,BALCI Mustafa Kemal Nöromüsküler hastalıkların yapay zeka yöntemleri ile sınıflandırılması. , 2019, ss.1725 - 1741. 10.17341/gazimmfd.571506
AMA	Küçük H,EMİNOĞLU i,BALCI M Nöromüsküler hastalıkların yapay zeka yöntemleri ile sınıflandırılması. . 2019; 1725 - 1741. 10.17341/gazimmfd.571506
Vancouver	Küçük H,EMİNOĞLU i,BALCI M Nöromüsküler hastalıkların yapay zeka yöntemleri ile sınıflandırılması. . 2019; 1725 - 1741. 10.17341/gazimmfd.571506
IEEE	Küçük H,EMİNOĞLU i,BALCI M "Nöromüsküler hastalıkların yapay zeka yöntemleri ile sınıflandırılması." , ss.1725 - 1741, 2019. 10.17341/gazimmfd.571506
ISNAD	Küçük, Hanife vd. "Nöromüsküler hastalıkların yapay zeka yöntemleri ile sınıflandırılması". (2019), 1725-1741. https://doi.org/10.17341/gazimmfd.571506

APA	Küçük H, EMİNOĞLU i, BALCI M (2019). Nöromüsküler hastalıkların yapay zeka yöntemleri ile sınıflandırılması. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 34(4), 1725 - 1741. 10.17341/gazimmfd.571506
Chicago	Küçük Hanife,EMİNOĞLU ilyas,BALCI Mustafa Kemal Nöromüsküler hastalıkların yapay zeka yöntemleri ile sınıflandırılması. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 34, no.4 (2019): 1725 - 1741. 10.17341/gazimmfd.571506
MLA	Küçük Hanife,EMİNOĞLU ilyas,BALCI Mustafa Kemal Nöromüsküler hastalıkların yapay zeka yöntemleri ile sınıflandırılması. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, vol.34, no.4, 2019, ss.1725 - 1741. 10.17341/gazimmfd.571506
AMA	Küçük H,EMİNOĞLU i,BALCI M Nöromüsküler hastalıkların yapay zeka yöntemleri ile sınıflandırılması. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi. 2019; 34(4): 1725 - 1741. 10.17341/gazimmfd.571506
Vancouver	Küçük H,EMİNOĞLU i,BALCI M Nöromüsküler hastalıkların yapay zeka yöntemleri ile sınıflandırılması. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi. 2019; 34(4): 1725 - 1741. 10.17341/gazimmfd.571506
IEEE	Küçük H,EMİNOĞLU i,BALCI M "Nöromüsküler hastalıkların yapay zeka yöntemleri ile sınıflandırılması." Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 34, ss.1725 - 1741, 2019. 10.17341/gazimmfd.571506
ISNAD	Küçük, Hanife vd. "Nöromüsküler hastalıkların yapay zeka yöntemleri ile sınıflandırılması". Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 34/4 (2019), 1725-1741. https://doi.org/10.17341/gazimmfd.571506