Biyomedikal işaretlerin sınıflandırılmasında otomatik teşhis sistemlerinin başarımı

ÜBEYLİ, Elif Derya

Biyomedikal işaretlerin sınıflandırılmasında otomatik teşhis sistemlerinin başarımı

Elif Derya ÜBEYLİ (TOBB Ekonomi ve Teknoloji Üniversitesi, Mühendislik Fakültesi, Elektrik Elektronik Mühendisliği Bölümü, Ankara, Türkiye)

Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi

4 1

Yıl: 2007 Cilt: 22 Sayı: 3 Sayfa Aralığı: 461 - 469 Metin Dili: Türkçe İndeks Tarihi: 29-07-2022

Biyomedikal işaretlerin sınıflandırılmasında otomatik teşhis sistemlerinin başarımı

Öz:

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

Anahtar Kelime:

Konular: Mühendislik, Elektrik ve Elektronik Radyoloji, Nükleer Tıp, Tıbbi Görüntüleme

Performance of automated diagnostic systems in classification of biomedical signals

Öz:

In this study, the automated diagnostic systems employing diverse and composite features for Doppler ultrasound signals, electroencephalogram (EEG) and electrocardiogram (ECG) signals were analyzed and their accuracies were determined. In pattern recognition applications, diverse features are extracted from raw data which needs recognizing. Combining multiple classifiers with diverse features are viewed as a general problem in various application areas of pattern recognition. The classification accuracies of multilayer perceptron neural network, combined neural network, and mixture of experts trained on composite feature and modified mixture of experts trained on diverse features were compared. The inputs of these automated diagnostic systems composed of diverse or composite features and were chosen according to the network structures. The conclusions of this study demonstrated that the modified mixture of experts trained on diverse features achieved accuracy rates which were higher than that of the other automated diagnostic systems trained on composite features.

Anahtar Kelime:

Konular: Mühendislik, Elektrik ve Elektronik Radyoloji, Nükleer Tıp, Tıbbi Görüntüleme

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

1. 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, 2000.
2. Kwak, N., Choi, C.-H., “Input feature selection for classification problems”, IEEE Transactions on Neural Networks, Vol 13, No 1, 143-159, 2002.
3. 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.
4. Chen, K., “A connectionist method for pattern classification with diverse features”, Pattern Recognition Letters, Vol 19, No 7, 545-558, 1998.
5. 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.
6. Jordan, M.I., Jacobs, R.A., “Hierarchical mixture of experts and the EM algorithm”, Neural Computation, Vol 6, No 2, 181-214, 1994.
7. 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, 2005.
8. Soltani, S., “On the use of the wavelet decomposition for time series prediction”, Neurocomputing, Vol 48, 267-277, 2002.
9. Daubechies, I., “The wavelet transform, timefrequency localization and signal analysis”, IEEE Transactions on Information Theory, Vol 36, No 5, 961-1005, 1990.
10. Unser, M., Aldroubi, A., “A review of wavelets in biomedical applications”, Proceedings of the IEEE, Vol 84, No 4, 626-638, 1996.
11. 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.
12. 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, 2005.
13. 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.
14. 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, 1073-1085, 2002.
15. 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.
16. Güler, İ., Übeyli, E.D., “ECG beat classifier designed by combined neural network model”, Pattern Recognition, Vol 38, No 2, 199-208, 2005.
17. 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 101(23), e215-e220 [Circulation Electronic Pages; 2000 (June 13). http://circ.ahajournals.org/cgi/content/full/101/23/e215];
18. Wolpert, D.H., “Stacked generalization”, Neural Networks, Vol 5, 241-259, 1992.
19. 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.

APA	ÜBEYLİ E (2007). Biyomedikal işaretlerin sınıflandırılmasında otomatik teşhis sistemlerinin başarımı. , 461 - 469.
Chicago	ÜBEYLİ Elif Derya Biyomedikal işaretlerin sınıflandırılmasında otomatik teşhis sistemlerinin başarımı. (2007): 461 - 469.
MLA	ÜBEYLİ Elif Derya Biyomedikal işaretlerin sınıflandırılmasında otomatik teşhis sistemlerinin başarımı. , 2007, ss.461 - 469.
AMA	ÜBEYLİ E Biyomedikal işaretlerin sınıflandırılmasında otomatik teşhis sistemlerinin başarımı. . 2007; 461 - 469.
Vancouver	ÜBEYLİ E Biyomedikal işaretlerin sınıflandırılmasında otomatik teşhis sistemlerinin başarımı. . 2007; 461 - 469.
IEEE	ÜBEYLİ E "Biyomedikal işaretlerin sınıflandırılmasında otomatik teşhis sistemlerinin başarımı." , ss.461 - 469, 2007.
ISNAD	ÜBEYLİ, Elif Derya. "Biyomedikal işaretlerin sınıflandırılmasında otomatik teşhis sistemlerinin başarımı". (2007), 461-469.

APA	ÜBEYLİ E (2007). Biyomedikal işaretlerin sınıflandırılmasında otomatik teşhis sistemlerinin başarımı. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 22(3), 461 - 469.
Chicago	ÜBEYLİ Elif Derya Biyomedikal işaretlerin sınıflandırılmasında otomatik teşhis sistemlerinin başarımı. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 22, no.3 (2007): 461 - 469.
MLA	ÜBEYLİ Elif Derya Biyomedikal işaretlerin sınıflandırılmasında otomatik teşhis sistemlerinin başarımı. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, vol.22, no.3, 2007, ss.461 - 469.
AMA	ÜBEYLİ E Biyomedikal işaretlerin sınıflandırılmasında otomatik teşhis sistemlerinin başarımı. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi. 2007; 22(3): 461 - 469.
Vancouver	ÜBEYLİ E Biyomedikal işaretlerin sınıflandırılmasında otomatik teşhis sistemlerinin başarımı. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi. 2007; 22(3): 461 - 469.
IEEE	ÜBEYLİ E "Biyomedikal işaretlerin sınıflandırılmasında otomatik teşhis sistemlerinin başarımı." Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 22, ss.461 - 469, 2007.
ISNAD	ÜBEYLİ, Elif Derya. "Biyomedikal işaretlerin sınıflandırılmasında otomatik teşhis sistemlerinin başarımı". Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 22/3 (2007), 461-469.