Nöromüsküler hastalıkların yapay zeka yöntemleri ile sınıflandırılması

Bu çalışmada Nöromüsküler hastalıkların en yaygın çeşidi olan ALS ve Myopati hastalıklarının teşhisi için beş 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 uzayındaki öznitelik vektörleri ve bunların farklı birleşimleri ile elde edilen çoklu öznitelik vektörleri olmak üzere toplam 25 tane öznitelik vektörü denenmiştir. Bir sonraki aşamada ise Destek Vektör Makinesi (DVM), K-En Yakın Komşu (K-EYK) algoritması ve Diskiriminant Analiz (DA) algoritmaları ile veriler sınıflandırılmıştır. Doğrulama ölçütü olarak çapraz geçerlilik yöntemi kullanılmıştır. Çapraz geçerlilikte k değeri 10 seçilmiştir. Deneysel sonuçlar önerilen öznitelik vektörleri arasında çoklu öznitelik vektörlerinin tekli öznitelik vektörlerine göre daha başarılı olduğunu göstermiştir. Çoklu öznitelik vektörlerinin kullanılması durumunda DVM sınıflandırıcı, K-EYK ve DA sınıflandırıcılarına göre EMG işaretlerini daha yüksek doğrulukla sınıflandırmıştır. Toplam doğruluk ALS için %97,39 iken myopati olanlar için %86,74’tür. Bu çalışma ile sınıflandırma başarımının öznitelik vektörünün sınıflar arası ayrılabilirliğinin yüksek derecede olmasına bağlı olduğu anlaşılmıştır.

___

  • 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.