Nöromüsküler hastalıkların yapay zeka yöntemleri ile sınıflandırılması

Hanife Küçük, İlyas Eminoğlu, Kemal Balcı
262 30

Öz


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.


Anahtar kelimeler


EMG; ALS; DVM; K-NN; DA

Tam metin:

PDF


Referanslar


J.V. Basmajian, C.J. De Luca, Muscles Alive: Their Functions Revealed by Electromyography, 5th edition, William & Wilkins, Baltimore, 1985.

C.I. Christodoulou, C.S. Pattichis, Unsupervised pattern recognition for the classification of EMG signALS, IEEE Trans. Biomed. Eng. 46 (1999) 169.

M. R. Bozkurt, «EMG İşaretlerinin Modern Yöntemlerle Önişlemesi ve Sınıflandırılması,» Sakarya Üni. , Fen Bilimleri Ens., Doktora Tezi, Sakarya, 2007.

Stalberg, Andressan S., Falck, B., Lang, H., Rosenfalck, A.,Trojaborg, W. 1986. Quantitative Analysis Of Đndividual Motor Unit PotentiALS: A Proposition For Standardized Terminology And Criteria For Measurement. J. Clinic Neurophysiology, 3: 313-348 .

Ejderha, H., EMG İşaretlerin Kullanılarak Yorgunluk Seviyeleri; Neuro-Fuzzy ve YSA İle Sınıflandırılması, Yüksek Lisans Tezi,Fen Bilimleri Enstitüsü,Kahramanmaraş Sütçü İmam Üniversitesi, KahramanMaraş, 2009.

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 (2012): 34-40.

Pfeiffer, The diagnostic power of motor unit potential analysis: an objective Bayesian approach, Muscle Nerve 22 (5) (1999) 584–591.

Y. Xiang, B. Pant, A. Eisen, M.P. Beddoes, D. Poole, Multiply sectioned Bayesian networks for neuromuscular diagnosis, Artif. Intell. Med. 5 (1993) 293.

E. Abel, P. Zacharia, A. Forster, T. Farrow, Neural network analysis of the EMG interference pattern, Med. Eng. Phys. 18 (1) (1996) 12–17.

Hamilton-Wright, D.W. Stashuk, H.R. Tizhoosh, Fuzzy classification using pattern discovery, IEEE Trans. Fuzzy Syst. 15 (5) (2007) 772–783.

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, 2002, pp. 400.

N.F. Guler, S. Koçer, Classification of EMG signALS using PCA and FFT, J. Neurosci. Methods 29 (3) (2005) 241–250.

Yousefi, Jamileh, and Andrew Hamilton-Wright. “Characterizing EMG data using machine-learning tools.” Computers in biology and medicine 51 (2014): 1-13.

Subasi, M. Yilmaz, H.R. Ozcalik, Classification of EMG signALS using wavelet neural network, J. Neurosci. Methods 156 (1–2) (2006) 360–367.

Bhardwaj, A. Manish, K. Arora, Classification of MUAPs by using ANN pattern recognition technique, Int. J. Sci. Res. Eng. Technol. (IJSRET) 1 (2012) 10.

S. Rasheed, D. Stashuk, M. Kamel, Adaptive fuzzy K-NN classifier for EMG signal decomposition, Med. Eng. Phys. 28 (2006) 694.

N.F. Guler, S. Koçer, Classification of EMG signALS using PCA and FFT, J. Neurosci. Methods 29 (3) (2005) 241–250.

G. Kaur, A.S. Arora, V.K. Jain, EMG diagnosis via modelling and binary support vector machine classification, Int. J. Eng. Sci. Technol. 2 (2010) 1767–1772.

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) (2012) 393–403.

Subasi, Medical decision support system for diagnosis of neuromuscular disorders using DWT and fuzzy support vector machines, Comput. Biol. Med. 42 (2012) 806–815.

G. Kaur, A.S. Arora, V.K. Jain, Multi-class support vector machine classifier in EMG diagnosis, WSEAS Trans. Signal Process. 2 (2009) 379.

Katsis, C.D., Likas, A. & Fotiadis, D.I.. “A novel method for automated EMG decomposition and MUAP”.Artificial Intelligence in Medicine, 37(1), pp.55-64, 2006.

Subasi, Classification of EMG signALS using PSO optimized DVM for diagnosis of neuromuscular disorders, Comput. Biol. Med. 43 (2013) 576–586.

Dorfman LJ, McGill KC., 1988. AAEE Minimonograph 29: Automatic Quantitative Electromyography. Muscle Nerve.; 11 (8): 804-18.

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.

Mc Grew, J.C.; Monroe, C.B. (1993) Statistical Problem Solving in Geography, Ww C. Brown.

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.

MathWorks, Matlab Toolbox of Bioinformatics: User’s Guide. Mathworks Inc, 2007.

Fisher, 1936. R. A. The Use of Multiple Measurements in Taxonomic Problems.

Özdamar K: Paket Programlar ile İstatistiksel Veri Analizi (Çok Değişkenli Analizler). Kaan Kitabevi, Eskişehir, 2004.

Weinsteim S, Obuchowski NA, Lieber ML. 2005. Clinical evaluation of diagnostic tests.AJR Am J Roentgenol.184,14-19.

M. R. Bozkurt, «EMG İşaretlerinin Modern Yöntemlerle Önişlemesi ve Sınıflandırılması,» Sakarya Üni. , Fen Bilimleri Ens., Doktora Tezi, Sakarya, 2007.

Katsis, A.L.Y. Goletsis, D. Fotiadis, I. Sarmas, A two-stage method for MUAP classification based on EMG decomposition, Artif. Intell. Med. 37 (2006) 55–64.

N.F. Guler, S. Kocer, Classification of EMG signALS using PCA and FFT, J. Neurosci. Methods 29 (3) (2005) 241–250.

M.J. Aminoff, Electromyography in Clinical Practice: Electrodiagnostic Aspects of Neuromuscular Disease, 2nd edition, Churchill Livingstone, New York, 1987.

Günay M., EMG İşaretlerinin Sınıflandırılması Ve Öbekleştirilmesi, Y.Lisans Tezi Fen Bilimleri,Sütçü İmam Ünviversitesi,Kahramanmaraş,2011.

Macit, E G. Çok Kriterli Sıralı Sınıflandırma Problemi Ve Sağlık Sektöründe Bir Uygulama. Y. Lisans Tezi,Erciyes Ünv. , 2014.

Tatlıdil, H. Uygulamalı Çok Değişkenli İstatiksel Analiz . Ankara: Cem Web Ofset Ltd., 1996.

N Güler, Antenatal Fetüs Verilerinin Örüntü Tanıma Yöntemleriyle Tanımlanması, Doktora Tezi. İstanbul: Yıldız teknik üniversitesi fen bilimleri enstitüsü, Matematik müh. Anabilim dalı, 2002.

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.

H. Küçük, İ. Eminoğlu, “Nöromüsküler Hastalıkların Teşhisinde SVM, K-EYK ve DA Algoritma Tabanlı Sınıflandırma Bölüm-I”, TIP TEKNO’16. 150-153, 2016.

H. Küçük, İ. Eminoğlu, “Nöromüsküler Hastalıkların Teşhisinde SVM, K-EYK ve DA Algoritma Tabanlı Sınıflandırma Bölüm-II”, TIP TEKNO’16. 154-157, 2016.




Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 License.