CuEEG: EEG Verilerinin Hızlı İşlenmesi için GPU Tabanlı Bir Yaklaşım CuEEG: A GPU-Based Approach for Fast Processing of EEG Data

Transkript

1 ELECO '212 Elektrk - Elektronk ve Blgsayar Mühendslğ Sempozyumu, 29 Kasım - 1 Aralık 212, Bursa CuEEG: EEG Verlernn Hızlı İşlenmes çn GPU Tabanlı Br Yaklaşım CuEEG: A GPU-Based Approach for Fast Processng of EEG Data Musa PEKER 1, Baha ŞEN 2 1 Blgsayar Mühendslğ Karabük Ünverstes pekermusa@gmal.com 2 Blgsayar Mühendslğ Yıldırım Beyazıt Ünverstes bsen@ybu.edu.tr Özet Bu çalışmada EEG verlernn sınıflandırılmasına yönelk yen br yaklaşım sunulmaktadır. Bu yaklaşımın dkkate aldığı krter hız parametresdr. Şmdye dek gerek epleps teşhs gerekse EEG verlernn sınıflandırılmasına yönelk yapılmış hemen hemen bütün çalışmalar sınıflandırma doğruluğunu yleştrmeye yönelk olarak gerçekleştrlmştr. Bu çalışmada özellkle gerçek zamanlı uygulamalarda br vazgeçlmez olan hız parametres dkkate alınmakta ve EEG verlernn hızlı br şeklde sınıflandırılması çn yen br yaklaşım sunulmaktadır. Bunun çn özellkle son yıllarda popülartes gttkçe artan grafk şlemcler üzernde programlama yapmamızı sağlayan CUDA programlamadan yararlanılmıştır. Grafk şlemclerden sınıflandırma aşamasında yararlanılmıştır. Sınıflandırma algortması olarak EEG verlernn sınıflandırılmasında yüksek doğruluk oranı veren ger yayılımlı snr ağı terch edlmştr. Bu çalışmada epleptk nöbet tespt çn kullanılan br ver tabanı üzernde deneyler gerçekleştrlmştr. Sonuçlar ncelendğnde CUDA programlamanın sonuçlar üzernde olumlu etklernn olduğu görülmüştür. Bu şeklde sadece EEG verlerne yönelk değl dğer byomedkal şaretlern sınıflandırılmasında da grafk şlemcler kullanılarak gerçek zamanlı uygulamalara yönelk hızlı br sstemn altyapısı oluşturulablmektedr. Abstract The study presents a new approach n the classfcaton of EEG data. The basc crteron n ths approach s the parameter of speed. Almost all up to date studes both for the dagnoss of eplepsy and for the classfcaton of EEG data am to mprove classfcaton accuracy. Ths study focuses on the speed parameter whch s an ndspensable part n real tme applcatons and presents a new approach to classfy EEG data n a faster manner. CUDA program has been utlzed that makes t possble to make programs on Graphc Processors whch s hghly popular especally n the last years. Graphc processors have been used n the classfcaton phase. As classfcaton algorthm, back propagaton neural network wth a hgher accuracy rate has been preferred n the classfcaton of EEG data. The study utlzed experments on a data base used for dagnoss of epleptc attacks. Data show that CUDA programmng has postve effects on the results. It s beleved that ths approach can be used for the buldng the nfrastructure for a speedy system for real tme applcatons by usng graphc processors for the classfcaton of not only EEG data but also of other bometrc sgnals. 1. Grş GPU lar (Graphcs Processng Unt Grafk İşleme Brm), esas olarak grafksel şlemlerde CPU (Central Processng Unt Merkez İşlemc Brm) üzerndek yükü azaltmak ve daha y performans sağlamak çn özelleşmş yapılardır. Günümüzde, GPU lar da CPU lar gb çok çekrdekl yapılara sahp hale gelmştr. Paralel çok çekrdekl, genel matematk şlemlern grafk şleme brm üzernde yapmaya olanak sağlayan GPU lar, grafk kartlarının günümüzde özellkle yüksek performans gerektren snyal şleme algortmalarının gerçeklemesnde öneml br yere gelmesn sağlamıştır [1]. Snyal şleme yazılımlarında kullanılan algortmaların karmaşıklığı arttıkça ve verlern boyutları büyüdükçe büyük verler kısa sürelerde şlemeye yönelk br arayış ortaya çıkmaya başlamıştır. GPU ların kablyetlern arttırmaya yönelk olarak 27 yılında serbest br platform olan CUDA nın NVIDIA tarafından pyasaya sürülmesnn ardından, bu alana lg artmış, grafk kartları üzernde de genel amaçlı matematksel şlemlern yapılableceğ görülmüş ve lerleyen süreçlerde bu alanda çalışmalar hızlanmıştır [1]. Bu çalışmada CUDA Programlama le EEG verlernn daha hızlı sınıflandırılması amaçlanmıştır. Sınıflandırma aşamasında, genellkle EEG verlernn sınıflandırılmasında yüksek doğruluk değerler veren ger yayılımlı snr ağı terch edlmştr. Yapay snr ağlarının eğtm, optmal performansa ulaşmak çn gerekl ağırlık güncellemeler ve yüksek terasyon sayısından dolayı zaman alıcı olmaktadır [2]. Hesaplama malyetn azaltmak veya yakınsama hızını yükseltmek çn çaba gösterlen çalışmalar mevcuttur [3, 4]. CUDA üzernde ger yayılımlı snr ağı uygulaması gerçekleştrlrken BLAS kütüphanesnn br CUDA uygulaması olan CUBLAS kullanılarak süreç bastleştrlmştr. Bununla beraber CUBLAS gerekl bütün kütüphanelere sahp olmadığı çn çekrdek (kernel) fonksyon kullanımına htyaç duyulmuştur. 685

2 ELECO '212 Elektrk - Elektronk ve Blgsayar Mühendslğ Sempozyumu, 29 Kasım - 1 Aralık 212, Bursa Uygulama epleps ve sağlıklı nsanların EEG şaretlernden oluşan br ver tabanı üzernde gerçekleştrlmştr. NVIDIA grafk kartı üzernde tek gzl katman le gerçekleştrlen uygulama, performans açısından CPU ya göre daha y br performans vermştr. 2. Ver Set Bu çalışmada Bonn Ünverstes epleptoloj klnğnde hazırlanan EEG ver tabanı kullanılmıştır [5]. Bu ver tabanında A, B, C, D, E olmak üzere, 5 farklı EEG ver kümes bulunmaktadır. Bu çalışmada A ve E ver kümes kullanılmıştır. A kümes, sağlıklı kşlerden, gözler açık bçmde, yüzey elektrotları le kaydedlmş EEG versn çerr. E kümes se hastalıklı kşlerden, epleps krz anında, grşmsel olarak kaydedlmş EEG versn çerr. Snyaller 12 bt analog-sayısal dönüştürücü le dönüştürüldükten sonra blgsayar ortamına Hz örnekleme frekansı le aktarılmıştır. Epleptk özellkler kendn 3-4 Hz altındak frekans bantlarında gösterdğnden spektral aralığı.5-85 Hz olan snyallere.53-4 Hz bant geçren fltre uygulanmıştır. Örnek EEG görüntüler Şekl 1 de görülmektedr. Genlk (μv) Genlk (μv) a)sağlıklı kşden alınan EEG kaydı b) Epleps hastasından alınan EEG kaydı Şekl 1: A ve E ver setlernden alınan örnekler 3. Özntelk Çıkarma Bu aşamada EEG snyallernden anlamlı blgnn keşf çn 9 özntelk çıkarma algortması kullanılmıştır. 496 noktadan oluşan her EEG snyal bu özntelk çıkarma aşamasından geçtkten sonra 9 nokta le temsl edlmştr. Bu özntelkler statksel ve enerj tabanlı özntelklerdr. Bu çalışmada terch edlen özntelk algortmaları sırasıyla mnmum değer, maksmum değer, standart sapma, artmetk ortalama, varyans, ortanca, sıfır geçş sayısı, ortalama teager enerjs ve ortalama enerj değerlerdr. 4. Sınıflandırma Bu bölümde lk aşamada sınıflandırma aşamasında kullanılan ger yayılım snr ağı hakkında kısa br blg verlmştr. İknc aşamada CUDA programlamadan bahsedlecektr İler Beslemel Ger Yayılımlı Snr Ağı Danışmanlı öğrenen, ler beslemel ger yayılım ağları, adını hatayı yayma bçmnden almıştır. Hata azaltma şlemn hatayı tüm ağa yayarak gerçekleştrdğ çn bu ağa Hatayı Gerye Yayma da denmektedr. Bu algortmada elde edlen çıktı le olması gereken çıktı arasındak fark yan hata değer, tüm ağırlıklara yansıtılarak derecel olarak mnmum düzeye ndrlmeye çalışılır [6]. Ger yayılım algortmasında eğtme rastgele br ağırlık kümes le başlanır, Q katmanlı ler beslemel br ağ çn ger yayılım algortması [7]; q = 1, 2, 3,..., Q katman numarası, X q : q nc katmandak brmnn grds, y q : q nc katmandak brmnn grds, w j q : (q-1) nc katmandak brmn, q ncu katmandak j brmne bağlayan ağırlık olmak üzere aşağıdak adımlarla gerçekleştrlr: 1. Adım: w ye reel değerl küçük rastgele sayıları başlangıç değer olarak atanır. 2. Adım: Rastgele br (grş-hedef) çalışma model seçlr ve q katmanındak her br j brm çn ler yönde çıktı değerler hesaplanır. Böylece çıkış, y q q 1 = f y w q j (1) 3. Adım: Çıkış brmler çn hata termler (δ) hesaplanır: δ Q = y q y p f X Q (2) 4. Adım: q = Q, Q 1,..., 2 katmanlarındak tüm brmler çn gerye yayılımla gzl katman brmler çn hata termler hesaplanır. δ q 1 = f X q 1 δ q q w j (3) 5. Adım: Ağırlık değerler aşağıdak denklemlere göre güncellenr. w yen j = w esk q j + w (4) j Öğrenme katsayısı η kullanılarak, öğrenme aşamasında ağırlıkta yapılan değşm w q j, aşağıdak eştlğe göre olmalıdır. w q j = ηδ q q 1 y (5) 6. Adım: 2. adıma dönüp, toplam hata kabul edleblr br düzeye gelene kadar her br p model çn şlemler tekrarlanır. Bu çalışmada Q=3 çn şlemler yapılmıştır Cuda Programlama CUDA, GPU üzerndek yüzlerce çekrdeğ kullanarak genel amaçlı matematk şlemler yapmaya olanak sağlayan br GPU mmars, yazılımı ve programlama platformudur [1]. CUDA nın başarılı sonuçlar üretmesnn altında yatan neden, CUDA mmarsnn, grafk şleme gb şlem yoğunluğu olan ve yüksek derecelerde paralellk gerektren şlemler çn gelştrlmş olmasından kaynaklanmaktadır. Sekl 2: GPU ver şleme çn daha fazla transstor tahss eder. CUDA programlama le lgl genş br blg [8] numaralı kaynaktan alınablr. 5. Uygulama ve Değerlendrme Bu çalışmada EEG verlernn sınıflandırılması çn önerlen yapıya at blok gösterm Şekl 3 de verlmektedr. Bu yapıda verlern özntelklernn çıkarılablmes çn hem A ver set (sağlıklı), hem de E ver set (epleptk aktvte durumu) çn 1*496 boyutunda k ayrı vektör matrs oluşturulmuştur. Bu vektörlerden, 1*496 boyutundak A ve E ver setnn her br sütunu çn 9 adet özntelk parametres elde edlerek ger yayılımlı snr ağı le sınıflandırılmıştır. 686

3 ELECO '212 Elektrk - Elektronk ve Blgsayar Mühendslğ Sempozyumu, 29 Kasım - 1 Aralık 212, Bursa 1 2. İstatstk ve enerj tabanlı özntelk çıkarma CPU EEG Snyaller 496 Artmetk Ortalama Mnmum Değer Ortanca Değer Maksmum Değer Ortalama Teager Enerjs Varyans Sıfır Geçş Sayısı Ortalama Enerj Standart Sapma GPU İler beslemel ger yayılımlı snr ağı Şekl 3: Epleptk atak tespt çn önerlen yöntem 5.1. CUDA Tabanlı Snr Ağının Gerçekleştrm Epleps Sağlıklı Snr ağı uygulaması CUDA tarafından uygulanan br ser matrs çarpımı ve aktvasyon fonksyonu uygulaması olarak gerçekleştrleblr. CUDA blok başına paylaşılan hafızayı (shared memory) kullanarak matrs çarpımını etkn şeklde şleyeblmektedr. Uygulamalarda paylaşımlı bellek verm öneml oranda artıracaktır. Örnek verlrse; GPU genel şlemlernde global hafızaya erşm çn yaklaşık olarak 4-6 döngü gereklyse, CUDA nın hafıza ortamında paylaşılan hafızaya erşm çn sadece 4 döngü yeterl olmaktadır [9]. Bu nedenle CUDA nın paylaşımlı hafızası şlemlern etkn yürütülmes çn yardımcı olmaktadır. Ayrıca matrsn eleman sayısına eşt sayıda dzn (thread) sağlayarak ve daha sonra da her br dznde (thread) şlemler bağımsız olarak hesaplayarak aktvasyon fonksyonlar da paralel olarak uygulanablr [9]. Şekl 4 de CUDA üzernde gerçekleştrlen snr ağının lerye doğru hesaplama adımlarından br kısmının matrs şlemler sunulmaktadır. Şekl ncelendğnde, snr ağlarının paralel şlemeye müsat br yapısının olduğu görülecektr. Ger yayılımlı snr ağı algortmasının paralel uygulaması, verlern GPU da matrs ve vektör şlemlernn uygulanmasından barettr [1]. Bu çalışmada k tür paralel şlem mevcuttur: vektör-matrs şlemler ve artmetk şlemler. Vektör-matrs şlemlerne örnek olarak grş değerler le grş ve gzl katman değerler arasındak ağırlık değerlernn çarpımı verleblr. Artmetk şlemlere de örnek olarak sgmod fonksyonu ve ağırlık güncellemeler verleblr. Bu çalışmada lk aşamada yan matrs ve vektör şlemler çn CUBLAS kütüphanes terch edlmştr. CUBLAS optmum paralellğe uygun yapılandırılmış br ser algortma sunduğundan, bloklar ve dznlern tanımlanması problem teşkl etmemektedr [1]. İknc aşamada yan artmetk şlemler çn se çekrdek (kernel) tanımlanarak paralellğn gerçekleştrlmes sağlanmıştır. Burada kernel, GPU üzernde çalışan fonksyona verlen smdr. Bu k aşama le lgl bazı örnekler aşağıda sunulmaktadır. Matrs çarpım şlemlernde CUBLAS fonksyonlarından cublassgemm fonksyonu kullanılmıştır. Örnek br kullanım aşağıda sunulmaktadır. cublassgemm (char transa, char transb, nt m, nt n,nt k, float alpha, const float *A, nt lda,const float *B, nt ldb, float beta,float *C, nt ldc) A, B ve C matrs değerlerdr. Alpha ve beta se skaler değerlerdr. Global Bellek (Global Memory) W 11 W 12 W 1n X 11 X 12 X 1n W 21 W 22 W 2n X 21 X 22 X 2n W n1 W n2 W nn X n1 X n2 X nn Grd (Buradak şlemler cublassgemm fonksyonu kullanılarak gerçekleştrld. W 11 W 12.. W 1n x x.. x W 21 W 22 W 2n x x x W n1 W n2 W nn x x x X 11 X 21.. X n1 X 11 X 21 X n1 X 1n X 2n X nn = =.. = = = = = = = Y 11 + Y 12.. Y 1n Y 21 + Y 22 Y 2n Y n1 + Y n2 Y nn Y 11 thread Y 21 thread Y nn thread blok Paylaşımlı Bellek (Shared Memory) (Buradak şlemler çn çekrdek fonksyon yazıldı) Sgmod S 11 S 12 S 1n Fonksyonu Sgmod S 21 S 22 S 2n Fonksyonu S n1 S n2 S nn Şekl 4: CUDA kullanarak ger yayılımlı snr ağının matrs çarpım şlemler (ler hesaplama adımlarından br kest)[9] Bu fonksyona göre A matrs mxk, B matrs kxn ve C matrs de mxn boyutundadır. cublassgemm fonksyonu C = (alpha x A x B) + (beta x C) matrs şlemn hesaplar. Alpha=1 ve beta= olarak alındığında şlem C=AxB ye ndrgenr. Lda, ldb ve ldc se sabt değerlerdr. Fonksyondak trans fades matrs transpoze şlemler çn kullanılmaktadır. Genellkle n yapısı terch edlr. Kullanımı aşağıda belrtlmştr. Eğer transa= N veya n, A=A., Eğer transa= T, t, C or c se A=A T dr. transb fades se aynı amaçla B matrs çn kullanılır. CUBLAS kullanırken dkkat edlmes gereken MATLAB' da olduğu gb matrslerde vernn "column major (verler sütun öncelkl olarak bellekte tutulmaktadır)" şeklnde şlendğ ve tutulduğudur. Belrtlen cublassgemm fonksyonunun dışında bu çalışmada GPU bellek ayrımı çn cublasalloc, ayrılan bellek alanını tekrar bırakmak çn cublasfree, CPU dan GPU ya vektör aktarımı çn CublasSetVector, GPU dan CPU ya vektör aktarımı çn CublasGetVector, CPU dan GPU ya matrs aktarımı çn CublasSetMatrx, GPU dan CPU ya matrs aktarımı çn CublasGetMatrx fonksyonlarından yararlanılmıştır. Artmetk şlemlern paralellğ çn kernel tanımlanmıştır. Aktvasyon fonksyonu, hata fonksyonu ve ağırlık güncellemeler çn çekrdek (kernel) fonksyonlar gelştrlmştr. Sgmod aktvasyon fonksyonu le lgl hesaplamalarda şlemlern GPU üzernde gerçekleştrlmesn sağlayan örnek br kernel Şekl 5 de sunulmuştur. global vod sgmod( float *cks1, nt maksmum) { shared float u_shared[32]; //Paylaşımlı bellek ayırma nt sutun = blockidx.x * blockdm.x + threadidx.x; //GPU dznnn (thread) şleyeceğ adres blgs f (sutun<maxmum){ u_shared[sutun] = d_an[sutun]; //Paylaşık hafızaya yazma u_shared[sutun] = (1/(1+ expf(-1*u_shared[sutun]))); //sgmod fonksyon değernn hesaplanması syncthreads(); } // bloktak tüm threadlern bu noktaya erşmesn bekletr (Senkronzasyon amaçlı kullanılır). d_an[sutun]=u_shared[sutun]; //Global hafızaya yazma } 687

4 ELECO '212 Elektrk - Elektronk ve Blgsayar Mühendslğ Sempozyumu, 29 Kasım - 1 Aralık 212, Bursa Şekl 5: CUDA donanımı üzernde çalışacak sgmod fonksyonu çn yazılan kernel fonksyonu Bu çekrdek fonksyonunun çağrımı aşağıdak gb gerçekleştrlmştr. sgmod<<< Grd Sayısı, Blok Sayısı >>>(, ); GPU üzernde gerçekleştrlen snr ağı çn çeştl optmzasyonlar yapılmıştır. Gerçekleştrlen optmzasyon aşamalarından öneml olanlar aşağıda lstelenmştr. Paralel yapılablen kod parçalarının CUDA üzernde, ser olması gereken şlemlern CPU üzernde çalıştırılmasına dkkat edlmştr. CUDA le şlenecek verlern br kerede GPU üzerne alınması ve GPU üzernde tüm şlemler yapıldıktan sonra CPU ya alınmasına dkkat edlmştr. (Şekl 5 de verlen örnekte bu kurala uygun br örnek görülmektedr.) Paylaşımlı bellek kullanımı, hesaplamalar esnasında bellek erşmn çokça kullanan fonksyonlarda öneml derecede performans artışı sağlamıştır Uygulama Sonuçları GPU performansı çn deneyler NVIDIA GeForce GT 525M grafk kartı üzernde yapılmıştır. Bu grafk kartında 96 Cuda çekrdeğ mevcuttur. İşlemc hızı 12 Mhz dr. CPU performansını tespt etmek çn aynı blgsayarın şlemcs terch edlmştr. Bu şlemc Intel (R) Core 7-267QM 2.2 GHz özellklerne sahptr. Blgsayarın belleğ 8 GB kapasteye sahptr. Karşılaştırmaların adl olması çn yazılımlar aynı programlama dlnde kodlanmıştır. Ayrıca kodlamalarda tek duyarlıklı (sngle precson) gösterm terch edlmştr. Gelştrlen yazılımlar Vsual C++ 21 programlama dl le hazırlanmıştır. Uygulamada kullanılan ver set 2 şeklde kullanılmıştır. İlknde ver setnn %5 s eğtm çn, %5 s test çn ayrılmıştır. İknc şeklde ver setnn %7 eğtm çn, %3 u test çn ayrılmıştır. Bu ayrım rastgele br şeklde yapılmaktadır. Deneysel sonuçlarda kolaylık olması açısından brnc dağılım çn, knc dağılım çnse denlecektr Hız Performansı Paralel programlamanın etksn görmek çn 2 aşamada deneyler yapılmıştır. İlk aşamada sonlandırma krter olarak eşt terasyon değer terch edlmştr. Bu aşamada gzl katman nöron sayısının artması durumunda GPU ve CPU nun sonuca ulaşma zamanları karşılaştırılmıştır. Gzl katman nöron sayısı arttıkça ağırlık matrsler de büyüyecek ve problem daha karmaşık br hale gelecektr. İknc aşamada se ağ mmars sabt tutulup terasyon değerler değştrlmştr. Ağ mmars olacak şeklde sabtlenmştr. Burada 9 sayısı grş katmanındak elemanların sayısını, 2 gzl katman nöron sayısını ve 2 se çıkış katmanındak elemanların sayısını vermektedr. Algortmaların çalıştırılmaları sonucu elde edlen sonuçlar Şekl 6 ve Şekl 7 de görülmektedr. Sonuçlar mlsanye (ms) cnsnden hesaplanmıştır. Hesaplama süreler Şekl 3 de görüldüğü gb CPU ortamında elde edlen 9 özntelk değernn GPU ya taşınması, bellek ayrımı, GPU-CPU arası ver aktarımları ve ler beslemel snr ağının uygulanması sonucunda elde edlen sürelern toplamından oluşmaktadır. Her deney 1 defa tekrar edlmş ve bulunan değerlern ortalaması kullanılmıştır. Şekl 6-7 ncelendğnde CUDA Programlamanın sonuçlara etksnn yüksek olduğu görülmektedr. speed-up (CPU/GPU) Gzl Katman Nöron Sayısı Şekl 6: Gzl katman nöron sayısına göre değşen speed-up değerler Şekl 6 da çn ortalama speed-up değernn 71.21, çn ortalama speed-up değernn 7.56 çıktığı görülmektedr. Bu durumda gzl katman nöron sayısının etks göz önüne alındığında CUDA Programlama le ortalama 7x cvarında br başarının sağlandığından bahsedleblr. Grafktek bazı değerler aşağıda tablo halnde sunulmuştur. Çzelge 1 de görüldüğü gb paralel programlamanın etksyle yaklaşık 48 sanye süren br şlemn.69 sanyeye düşürüldüğü görülmektedr. speed-up (CPU/GPU) Çzelge 1: Gzl katman nöron sayılarına göre sınıflandırma süreler(msn) Gzl Katman Nöron Sayısı GPU CPU GPU CPU terasyon değerler Şekl 7: İterasyon sayısına göre değşen speed-up değerler Şekl 7 de çn ortalama speed-up değer 42.1, çn ortalama speed-up değer çıkmıştır. Bu durumda terayon değernn etks göz önüne alındığında CUDA Programlama le ortalama 43x cvarında br başarının sağlandığından bahsedleblr. Grafktek bazı değerler aşağıda tablo halnde sunulmuştur. Çzelge 2 de görüldüğü gb paralel programlamanın etksyle yaklaşık 395 sanye süren br şlemn yaklaşık 9 sanyeye ndğ görülmektedr. Çzelge 2: İterasyon değerlerne göre sınıflandırma süreler(msn) İterasyon Değer GPU CPU GPU CPU Başarı Performansı

5 ELECO '212 Elektrk - Elektronk ve Blgsayar Mühendslğ Sempozyumu, 29 Kasım - 1 Aralık 212, Bursa Çalışmada en y sonucu veren uygun parametre değerlernn tespt deneme-yanılma metodu le bulunmuştur. Buna göre öğrenme katsayısı.6, momentum katsayısı.5, gzl katman nöron sayısı 5 olarak belrlenmştr. İterasyon değer 5 olarak sabtlenmştr. Bu değerler kullanılarak eğtlen ağın İterasyon-MSE (Ortalama Karesel Hata) grafğ Şekl 8 de sunulmaktadır. Grafk ncelendğnde ver setnn daha büyük br oranını eğtm çn kullanan nn daha başarılı sonuçlar verdğ görülmektedr. MSE İterasyon Şekl 8: İterasyon-MSE grafğ Başarı performansı çn ayrıca statstk analz değerler hesaplanmıştır. Bulunan değerler 1 farklı deneme sonucu elde edlen değerlern ortalamasıdır. Performans değerlendrme krterlerne göre elde edlen sonuçlar Çzelge 3 de sunulmaktadır. Çzelge 3: Performans değerlendrme krterlerne göre elde edlen sonuçlar Performans Krter Doğruluk oranı (DO) % 96.8 % 98.5 Duyarlılık % 96.9 % 98.2 Özgünlük % 96.1 % 98.9 MSE 2.17x x1-7 Bu çalışmada elde edlen doğruluk oranları le aynı ver set üzernde daha önce yapılmış çalışmalar karşılaştırılmıştır. Doğruluk değerler dkkate alınarak yapılan karşılaştırmalı analz Çzelge 4 de sunulmaktadır. Çzelge 4: Lteratürdek çalışmalar le doğruluk değerlernn kıyaslanması Ref. No Metot DO [11] Dalgacık Dönüşümü-Bağıl Dalgacık Enerjs- %95. Snr Ağları (YSA) [12] Lneer olmayan ön şleme fltreler-ysa %97.2 [13] İstatksel özntelkler-dskrmnant Analz %96.9 [14] Zaman ve frekans tabanlı özntelkler-ger %99.6 beslemel snr ağları [15] Entrop tabanlı özntelkler-uyarlamalı snrsel %92.2 bulanık denetm sstem [16] Hızlı Fourer dönüşümü-karar ağaçları %98.7 Sonuçlar ncelendğnde önerlen metodun EEG verlern hızlı br şeklde ve yüksek doğruluk değerlernde sınıflandırdığı görülmektedr. Önerlen metodun epleps hastalığına yönelk olarak da nha karar açısından hekmlere faydalı olacağı öngörülmektedr. 6. Sonuçlar Bu çalışma le CUDA teknolojs sayesnde EEG snyallernn daha kısa zamanda sınıflandırıldığı görülmüştür. Bu çalışmada kullanılan grafk kartı ortalama br performansa sahptr. Pyasada 4-1 arası çekrdek sayısına sahp Ferm, Tesla gb grafk kartları da mevcuttur. Yne karşılaştırma amaçlı kullanılan CPU se şu anda pyasadak en y şlemcler arasında gözükmektedr. Ortalama performansa sahp br ekran kartı le çok y performansa sahp br şlemcnn karşılaştırıldığını düşündüğümüzde CUDA programlamanın önem daha ön plana çıkacaktır. Ayrıca çalışmada önerlen metodun sınıflandırılma doğruluğu ve dğer statstk sonuçları da elde edlmştr. Başarı performansı yönüyle de yüksek doğruluk değerler elde edlmştr. Bu yönüyle de önerlen metodun hem hız hem de performans yönüyle etkl br metot olduğu söyleneblr. İlerk çalışmalarımızda ön şleme aşamasını da GPU üzernde gerçekleştrerek, tamamen GPU üzernde çalışan br sstem hedeflemekteyz. Bu tarz çalışmalarla sadece Byomedkal Snyal İşleme çn değl, gerçek zamanlı çalıştırılması hedeflenen brçok çalışmanın hızlı br şeklde çalıştırılıp, hızlı ve başarılı sonuçların elde edlmes sağlanablr. 7. Kaynaklar [1] Sağel, B., Ceylan, S., Akpulat, M.C., Türken, H. ve Erdoğdu, S., "CUDA Altyapısı Kullanılarak Snyal İsleme Yazılımı Optmzasyonu", 5. UYMS, [2] Şen, B. ve Peker, M., "Novel Approaches for Automated Epleptc Dagnoss usng FCBF Feature Selecton and Classfcaton Algorthms", Turksh Journal of Electrcal Engneerng & Computer Scences, 1.396/elk-123-9, 212. [3] Crstea, A. ve Okamoto, T., A Parallelzaton Method for Neural Networks wth Weak Connecton Desgn, Internatonal Symposum on Hgh Performance Computng, 1997, [4] Seffert, U., Artfcal Neural Networks on Massvely Parallel Computer Hardware, ESANN 12, 22, [5] ng=3&changelang=3 (Erşm Tarh: ) [6] Aydoğmuş, Z. ve Çötel, R., Yapay Snr Ağları Yardımıyla İzolatör Yüzeynde Potansyel Tahmn, F.Ü. Fen ve Müh. Bl. Dergs, 17/2, , 25. [7] Keleşoğlu, Ö. ve Akarsu, E.E., Betonarme Br Bnada Yıllık Isı Kaybı ve Enerj İhtyacının Yapay Snr Ağları le Belrlenmes, e-journal of New World Scences Academy Natural and Appled Scences, 3(2), , 28. [8] CUDA Programmng Gude 4.2, NVIDIA CUDA, 212 [9] Ln, J. ve Ln. J, Acceleratng BP Neural Network-Based Image Compresson by CPU and GPU Cooperaton, Internatonal Conference on Multmeda Technology, 21, [1] Canto, X.S., Ramrez, F.M. ve Cetna, V.U., Parallel Tranng of a Back-Propagaton Neural Network Usng CUDA, ICMLA, 21, [11] Guo, L., Rvero, D., Seoane, J.A. ve Pazos, A., Classfcaton of EEG Sgnals usng Relatve Wavelet Energy and Artfcal Neural Networks, GCE 9, 29, [12] Ngam, V. ve Graupe, D., A Neural-Network-based Detecton of Eplepsy, Neurologcal Research, 26(1), 55 6, 24. [13] Fathma, T., Khan, Y.U., Bedeeuzzaman, M. ve Farooq, O., Dscrmnant Analyss for Epleptc Sezure Detecton, ICDeCom 11, 211, 1-5. [14] Srnvasan, V., Eswaran, C. ve Srraam, N., Artfcal Neural Network based Epleptc Detecton Usng Tme Doman and Frequency Doman Features, Journal of Medcal Systems, 29(6), , 25. [15] Kannathal, N., Choo, M. L., Acharyab, U. R., ve Sadasvana, P. K., Entropes for Detecton of Eplepsy n EEG, Computer Methods and Programs n Bomedcne, 8, , 25. [16] Polat, K. ve Güneş, S., Classfcaton of Epleptform EEG usng a Hybrd System Based on Decson Tree Classfer and Fast Fourer transform, Appled Mathematcs and Computaton, 187(2), ,