Neural CHF Detection and Topographic Analyses SIU 2014
1. Kongestif Kalp Yetmezliğinin
İkinci-Derece Fark Harita Grafiği ile
Topografik Analizi ve Teşhisi
Apdullah YAYIK
Yakup KUTLU
Mustafa Kemal Üniversitesi
Sinyal İşleme ve İletişim Uygulamaları 2014
2. Kongestif Kalp Yetmezliği (KKY)
Kongestif Kalp Yetmezliği (KKY)
Kalbin vücudun ihtiyaçlarını karşılayabilecek kadar
kan pompalayamamasıdır.
3. KKY Teşhisi
KKY şüphesi bulunan hastalarda
Ekokardiyografi,
Anjiyografi,
Göğüs röntgen filmi,
BNP (Beyin(B-tip) Natriuretik Peptid),
NT-proBNP (BNP’nin öncü hormonunun (proBNP) N-Terminal
fragmanı),
MR görüntüleme
Elektrokardiyografi,
gibi ek testlerden bir veya birkaçı uygulanmakta ve sonrasında teşhis
konulabilmektedir.
4. KKY Teşhisi
KKY hastalığının uygun bir şekilde tedavi edilmesi,
hastalığın erken teşhis edilmesiyle mümkün olduğundan
elektrokardiyogram (EKG) kayıtlarından KKY
hastalığının otomatik olarak belirlenmesi klinik açıdan
oldukça önemlidir.
5. Kullanılan Veri Tabanı
www.physionet.org iki veritabanı kullanılmıştır.
KKY Hastası verileri : Yaşları 22 ile 71 arasında değişen 15
adet hastadan alınmış kayıtlardır.
Sağlıklı Kişi Verileri : Yasları 20 ile 50 arasında değişen 18 hasta
olmayan gönüllüden alınmış kayıtlardır.
6. Ön İşlem
Her hastadan 10 sn’ lik kayıtlar halinde bölümlenmiştir
10’ar saniyelik pencereler (2500 örnekli pencerelere
oluşturmaktadır),
her kayıttan150 farklı pencere alınarak incelenmiştir.
veri kümesinde
KKY hastalarından 2250
Normal EKG kayıtlardan 2700
Toplam 4950 adet 10’ar saniyelik pencereden oluşturulmuştur.
Normalizasyon işlemi yapılır.
Normalizasyon işlemi, bir örnek mutlak en büyük değere bölünerek
yapılmaktadır.
7. A Platform for Local Interactions between
Robots in Large Formations
Özniteliklerin Çıkarılması
İkinci-Dereceden fark (IDF) grafiği
X(t) EKG sinyali olduğunu kabul edersek,
[X(t+1)-X(t)] ve [X(t+2)-X(t+1)] ikili noktalarının Kartezyen koordinat
grafiğinde oluşturduğu harita grafiğidir.
Diğer bir değişle EKG sinyalindeki ardışık noktaların farklarının
birbirlerine göre saçılımlarından oluşmaktadır.
Böylece ardışık farkların değerlerinin istatiksel durumu
gözlenebilmektedir.
Çalışmalarda İDFG analizi yapılırken farklı yarıçaplı daireler
bölgelere bölünerek incelemeler yapılarak öznitelikler çıkarılmıştır
10. Öz Düzenleyici Haritalar
Rekabete dayalı eğiticisiz öğrenme algoritmasını temel
alan bir yapay sinir ağı modelidir.
ÖDH ağları ile diğer sinir ağları modelleri arasındaki en
önemli fark, eğitimden sonra ağın verdiği yanıtların 2
boyutlu harita üzerinde topoğrafik olarak
düzenlenmesidir.
11. Öz Düzenleyici Harita Yapısı
||)()(||min||)()(|| twtxtwtx ii
i
ci
)()( iwxw cii
xi n boyutlu giriş örüntü vektörü,
wij ise xj girişi ile i. işlem elemanı arasındaki ağırlıktır.
Ωc(i) komşuluk fonksiyonuyla (gaussian)
η öğrenme oranı
c indisi kazanan nöronudur
12. Öz düzenleyici Ağ yapısının U-matris
gösterimi
a) b) c)
İki boyutlu öz düzenleyici ağ yapısındaki bir birine yakın nöronlar
arasındaki uzaklıklar hesaplanır
Bu uzaklık değeri gerçek nöronlar arasında ekstra bir nöron olarak
yerleştirilerek U-matris elde edilir
U-matristeki küçük değerler benzerlikleri, yüksek genlikli değerleri ise
kümelerin birbirinden farklılığını göstermektedir.
13. Öz Düzenleyici Haritalar
U-matris gösterimi (a) İki boyutlu gri renk tonlu gösterimi, (b) Gerçek etiketli kümelerinin iki
boyutlu gri renk tonlu gösterimi, (c) Üç boyutlu gösterimi
Oluşturulan veri seti ÖDH ağının eğitiminde kullanılmıştır.
ÖDH yapısında toplam 2500 (50x50) nöronlu altıgen
topoloji kullanılmıştır. Daha sonra eğitilmiş ÖDH ağına
karşılık gelen U-matrisler hesaplanmıştır.
15. Gerçek etiketli kümelerinin iki
boyutlu gri renk tonlu gösterimi
Sinyal İşleme ve İletişim Uygulamaları
SOM 25-Jan-2013
U-matrix
0.0706
6.25
12.4
16. U-matris’in üç boyutlu gösterimi
Sinyal İşleme ve İletişim Uygulamaları
0
20
40
60
80
100
0
20
40
60
80
100
0
5
10
15
17. Sınıflandırıcı
Bu çalışmada
incelenen özniteliklerin ÖDH grafiği ile sonuçların tutarlılığını
değerlendirmek için
Radyal Tabanlı Fonksiyon (RTF) ağı sınıflandırıcı olarak tercih
edilmiştir.
18. Başarım Kriterleri
Başarım kriteri olarak
Duyarlılık (DUY),
Belirlilik (BEL),
Seçicilik (SEÇ)
Genel Basarım
olarak belirlenmiştir.
20. Sonuç olarak
Ham EKG verisi üzerinden RTF ağı sınıflandırıcının %99
genel başarım ile sınıflandırma yapabildiği tespit
edilmiştir.
Literatürde gerçekleştirilen çalışmaların başarımlarıyla
karşılaştırılmasını yapmak oldukça zordur.
Literatürde bu konuyla ilgili çalışmalar mevcuttur.
%80-100 arasında Genel Basarıma sahip çalışmalar mevcuttur.
Sonuç ve Tartışma