T.C. TRAKYA ÜNĠVERSĠTESĠ FEN BĠLĠMLERĠ ENSTĠTÜSÜ

Transkript

1 T.C. TRAKYA ÜNĠVERSĠTESĠ FEN BĠLĠMLERĠ ENSTĠTÜSÜ KALP RĠTĠM BOZUKLUĞU OLAN HASTALARIN TEDAVĠ SÜREÇLERĠNĠ DESTEKLEMEK AMAÇLI MAKĠNE ÖĞRENMESĠNE DAYALI BĠR SĠSTEMĠN GELĠġTĠRĠLMESĠ Fath AYDIN Yüksek Lsans Tez Blgsayar Mühendslğ Anablm Dalı DanıĢman: Yrd. Doç. Dr. Erdem UÇAR EDĠRNE 2011

2

3 ÖZET Yüksek Lsans Tez, Kalp Rtm Bozukluğu Olan Hastaların Tedav Süreçlern Desteklemek Amaçlı Makne Öğrenmesne Dayalı Br Sstemn Gelştrlmes, T.C. Trakya Ünverstes, Fen Blmler Ensttüsü, Blgsayar Mühendslğ Anablm Dalı. Bu tezde blgsayar blmlernn öneml br alanı olan yapay zekâ ve br alt alanı olan makne öğrenmes teknkler kullanılarak br tıp blşm uygulaması gelştrlmştr. Bu uygulamayla artm hastalarının tedav süreçlerne yardımcı olmak amacıyla öğrenmeye dayalı br sstem gerçekleştrlmştr. Gelştrlen sstem lokasyondan bağımsız olarak hastanın bazı metabolk parametrelern alarak bu verler uzak br sunucu üzerndek vertabanında depolamaktadır. Depolanan bu verler br uzman tarafından etketlendkten sonra ver ambarına aktarılmaktadır. Ver ambarındak bu verler daha sonra makne öğrenmes sınıflandırıcısı tarafından eğtm verler olarak kullanılmaktadır. Gelştrlen Sstemde, makne öğrenmes algortması olarak k-en yakın komşuluk (knn) algortması kullanılmıştır. knn algortmasının seçlme sebeb düşük bas a sahp nonlneer br fonksyon olmasındandır. Bu nedenle yapılan tahmnlerde yüksek oranda doğruluk sağlanmaktadır. Bu çalışmada br nsan uzman ve makne öğrenmes yöntem brlkte kullanılarak ndaktf uzman sstem tasarımına gdlmştr. Böyle br tasarıma gdlmesndek temel neden br nsan uzmanın geçmşten gelen tecrübelernn herhang br yöntemle kazanılamamasıdır. Lteratürde nsan uzmanlığını çnde barındıran bu tür yöntemler en çok önerlen yöntemlerden brdr. Bu tez 2011 yılında yapılmıştır ve 100 sayfadan oluşmaktadır. Anahtar Kelmeler: Makne Öğrenmes, Tembel Öğrenme, Tıp Blşm, Tıpta Yapay Zekâ, Artm.

4 v ABSTRACT Master of Scence Thess, Developng a Machne Learnng Based System to Assst Treatment Processes of Arrhythma Patents, T.C. Trakya Unversty, Graduate School Of Natural And Appled Scences, Department Of Computer Engneerng. In ths study, a medcal nformatcs applcaton s developed based on machne learnng technques, tself a subfeld of artfcal ntellgence whch has great sgnfcance n computer scences. Usng ths applcaton, we developed a learnng system to ad arrhythma patents durng ther treatment processes. Operatng ndependent of locaton, ths system receves some of the metabolc parameters of the patent and stores them on a remote server database. These data are, then, transferred to a data warehouse, upon beng nspected and labeled by an expert. The data n the warehouse, n turn, s used by a machne learnng classfer as tranng data. As for machne learnng algorthm, the system developed makes use of the k-nearest neghbor (knn) algorthm, for t s a nonlnear functon wth a low bas, thus ensurng hgh accuracy n predcton. In ths study we created an nductve experts system usng an expert and a machne learnng method together, the reason beng the lack of a method whereby an expert s past experence can be ganed. In the lterature, methods that nclude human expertse are among the ones most recommended. Ths thess s done n 2011 and conssts of 100 pages. Key words: Machne Learnng, Lazy Learnng, Medcal Informatcs, Artfcal Intellgence n Medcne, Arrhythma.

5 v ÖNSÖZ Yapay Zekâ kavramı modern blgsayar blm kadar eskdr. Alan Mathson Turng n sofstke br soru olan Makneler Düşüneblr m? sorusunu ortaya atmasıyla Yapay Zekâ kavramı tartışmaya açılmıştır. Bu anlamda Yapay Zekâ nsan düşüncesnn formelleştrlmes esasına dayanmaktadır. Yapay Zekânın blmsel br araştırma alanı olmasıyla brlkte çeştl alanlarda uygulanablrlğ görülmüştür. Bu alanlardan br de tıp tır lerle brlkte tıp alanında lk Yapay Zekâ çalışmaları başlamıştır. Bu çalışmalar byomedkal problemlerle boğuşan tıp araştırmacılarını büyülemekteyd. Tıp alanında, kalp hastalıkları üzerne Yapay Zekâ çalışmaları çok yoğun br bçmde yapılmaktadır. Bu çalışmaların yapıldığı kalp hastalıklarından br de Artm dr. Artm hastalarının tedav sürec boyunca lokasyondan bağımsız olarak kontrol edleblmes ve metabolk parametrelern non-nvazf yöntemlerle okunup değerlendrlmes çok önemldr. Bu anlamda Yapay Zekânın yanı sıra brçok teknolojnn de brlkte kullanılması gerekmektedr. Bu tez çalışması her ne kadar artm hastalarının tedav süreçlerne yardımcı br sstemn gelştrlmes üzerne olsada tezn dğer bölümler Tıpta Yapay Zekâ ve Makne Öğrenmes konusunda öneml blgler vermektedr.

6 v TEġEKKÜR Bu tez çalışmasının her aşamasında desteğn esrgemeyen ve ben bu konuya yönlendren saygıdeğer hocam ve danışmanım Yrd. Doç. Dr. Sayın Erdem UÇAR a tüm katkılarından ve hç eksltmedğ desteğnden dolayı teşekkür ederm. Yapay zekâ dersler le ufkumuzu açan ve böyle br tez hazırlamama katkıda bulunan hocamız Doç. Dr. Sayın Yılmaz KILIÇASLAN a teşekkürü br borç blrm. Bu konuda ortak çalıştığım değerl arkadaşım Öğretm Görevls Adnan Fath KOCAMAZ a tüm tez süresnce verdğ desteklerden dolayı çok teşekkür ederm. Trakya Ünvertes Blgsayar Mühendslğ Bölümü Araştırma Görevls Edp Serdar GÜNER e WEKA yazılımının ancak tecrübe le kazanılablecek blglern benmle paylaştığı çn teşekkür ederm.

7 v ĠÇĠNDEKĠLER ÖZET... ABSTRACT... v ÖNSÖZ... v TEġEKKÜR... v ĠÇĠNDEKĠLER... v SĠMGELER... x ġekġller TABLOSU... x ÇĠZELGELER TABLOSU... x 1. GĠRĠġ Tıp BlĢm ve Blgsayar Mühendslğ ĠlĢks DOLAġIM SĠSTEMĠ Kalbn Yapısı ve ĠĢleyĢ Kalbn odacıkları Kalbn kapakları Kalbn çalıģması Kalbn Uyarı ve Ġlet Sstem Kan Basıncı Nabız KALP RĠTĠM BOZUKLUĞU (ARĠTMĠ) Kardyak Nedenlere Bağlı Artmler Snüs düğümü ve atryoventrküler düğüm sorunları Snüs bradkards Snüs taģkards Hasta snüs sendromu Atryoventrküler düğüm hastalıkları Supraventrküler artmler Atryoventrküler nodal reentrant (AVNRT) Atryoventrküler resprokal reentrant (AVRT) Atryal taģkardler Atryum fbrlasyonu Atryal flatter Ventrküler artmler KaçıĢ vuruları ve dal bloklarına bağlı artmler... 19

8 v KaçıĢ vurularına bağlı artmler Dal bloklarına bağlı artmler Pskyatrk Nedenlere Bağlı Artmler Fzksel ve Duygusal Strese Bağlı Artmler TIPTA YAPAY ZEKÂ DÖNEMĠ Yapay Zekânın Tarh Tıp Alanında Yapay Zekânın BaĢlangıcı AIM n Ana Noktaları AIM Metotları AIM ÇalıĢmalarında Öneml AĢamalar MAKĠNE ÖĞRENMESĠ ML Nedr? Öğrenme Türler Örneğe Dayalı Öğrenme knn Sınıflandırıcı k-katlı Çapraz Doğrulama Özellk Seçm Ġstatksel Değerlendrme Ölçütler Kappa statstğ F-ölçütü Hata ölçütü: ortalama karesel hatanın karekökü Gürültü Bas-Varyans AyrıĢımı WEKA Temel Kavramlar Verkümes Sınıflandırıcı Explorer Expermeter KowledgeFlow Smple CLI ARĠTMĠ HASTALARI ĠÇĠN GELĠġTĠRĠLEN SĠSTEM Teze Konu Olan Projenn Tanıtımı Öğrenmeye Dayalı Sstem OluĢturan BleĢenler... 63

9 x 7.3. Ver Toplama Seçlen Ntelkler GELĠġTĠRĠLEN UYGULAMALAR Uzman Değerlendrmeler çn GelĢtrlen Uygulama Ver Toplama ve Ver Sınıflandırma çn GelĢtrlen Uygulama GELĠġTĠRĠLEN SĠSTEMĠN DEĞERLENDĠRĠLMESĠ SONUÇLAR VE TARTIġMA KAYNAKLAR EK-A EK-B ÖZGEÇMĠġ

10 x SĠMGELER AF AI AIM AT AV AVNRT AVRT CV DNA EKG GPRS GSM Hb HbO 2 HSS IBL IML IP knn KS LL MBL ML MSE OLAP PAT RMSE RNA SA Atryal Fbrlasyon Yapay Zekâ Tıpta Yapay Zekâ Atryal Taşkard Atryoventrküler Düğüm AV Nodal Reentran Taşkard AV Resprokal Taşkard Çapraz Doğrulama Deoxyrbonüklek Ast Elektrokardyograf Genel Paket Tabanlı Radyo Servs Mobl İletşm çn Küresel Sstem Hemoglobn Okshemoglobn Hasta Snüs Sendromu Örneğe Dayalı Öğrenme Tümevarımsal Makne Öğrenmes İnternet Protokol k-en Yakın Komşuluk Algortması Kappa İstatstğ Tembel Öğrenme Hafıza Tabanlı Öğrenme Makne Öğrenmes Ortalama Karesel Hata Onlne Analytcal Proccessng Parokssmal Atryal Taşkard Ortalama Karesel Hatanın Karekökü Rbonüklek Ast Snoatryal Düğüm

11 x SND SNP SPO 2 SVT TCP UT WWW Snüs Nod Dsfonksyonu Sngle Nucleotde Polymorphsm Perferk Oksjen Saturasyonu Supraventrküler Taşkard Transmsson Control Protocol Fayda Teors World Wde Web

12 x ġekġller TABLOSU Şekl 2-1. Kalbn konumu ve komşulukları... 5 Şekl 2-2. Kalbn ç kest... 6 Şekl 2-3. Ventrkül kasılmasında kalp kapakları... 8 Şekl 2-4. Ventrkül gevşemesnde kalp kapakları... 8 Şekl 2-5. Kalbn uyarı ve let sstem Şekl 2-6. Kalpte elektrksel uyarı akışı Şekl 5-1. k değernn sınıflandırıcının tahmnne etks Şekl 5-2. Br verkümesnde gürültü Şekl 5-3. g tahmn edcsnn bas ve varyansı Şekl 5-4. knn sınıflandırıcının k-değerne bağlı olarak MSE, bas ve varyans değşmnn grafğ Şekl 6-1. WEKA grafk arayüzü Şekl 6-2. Br hastanın örnek ARFF dosyası Şekl 6-3. Çalıştırılan komutun çıktısı Şekl 6-4. Explorer penceresnden br görünüm Şekl 6-5. Expermenter ortamından br görünüm Şekl 6-6. KnowledgeFlow ortamından genel br görünüş Şekl 6-7. Smple CLI arayüzünden genel br görünüm Şekl 7-1. GPRS n genel br görünümü Şekl 7-2. Gelştrlen AIM sstemnn genel br görünümü Şekl 8-1. Gelştrlen uygulamadan br görünüm Şekl 8-2. Hastanın vertabanında kayıtlı br versnden görünüm Şekl 8-3. Hastanın tüm verlerne göre sınıflandırıcının değerlendrmes Şekl 8-4. Uzman kşnn vernn eğtm çn yeterllğne karar verme sürec Şekl 8-5. Gelştrlen uygulamanın arayüzü Şekl 8-6. Hastadan gelen verye göre karar verme sürec... 75

13 x ÇĠZELGELER TABLOSU Çzelge 4-1. AIME-2011 dek konu ve temalar Çzelge 4-2. AIME-2007 dek konu ve temalar Çzelge 5-1. Lands ve Koch un Kappa değerler tablosu Çzelge 5-2. İk sınıflı br tahmn çn doğruluk tablosu... 41

14 1 1. GĠRĠġ Günümüzde, nsan yaşamının her alanında hız kazanan teknolojk değşmler, etklern özellkle sağlık sektörünü etkleyecek k yönde; medkal ve blşm teknolojler alanlarında göstermektedrler. Blşm teknolojlernde yaşanan gelşmeler sağlık endüstrsn de ler derecede etklemştr. Medkal ve blşm teknolojlernn bu noktada kesşmes sonucu bu etknn sınırları ve hızı artmaktadır (Saygılı vd., 2001). Tıp blşm(medcal Informatcs); blg blm(informaton Scence), blgsayar blm(computer Scence) ve sağlık(healthcare) konularının kesşm olarak fade edleblr. Tıp blşm, sağlık ve byotıp(bomedcal) konularında blgnn elde edlmes, depolanması, ger alınması ve kullanılması şlemlern yenden en uygun hale getrmek çn gerekl kaynaklar, chazlar ve metotlarla lglenr. Tıp blşm araçları sadece blgsayarlar değl aynı zamanda klnk prenspler, formal tıp termnolojler, blg ve letşm sstemlerdr. Bu bağlamda, Tıp Blşmn tıp alanındak blglern üretm, toplanması, değerlendrlmes, analz, saklanması, şlenmes, sunulması ve arşvlenmes süreçlernn tamamı le lşklendrmek mümkündür (Kocamaz, 2007). Tıp Blşm (Medcal Informatcs) tıp alanındak blglern (data, nformaton, knowledge) etkl ve etkn kullanımı, bu blglern yaygınlaştırılması, analz, yen yapılanmalara mkan sağlayacak şeklde yönetlmes çn değşk blm dalları le etkleşml br şeklde günümüz blgsayar ve letşm teknolojsnn en üst düzeyde kullanılmasını amaçlamaktadır. Blg teknolojler ve sağlık blmlernn kesştğ noktada bulunan tıp blşm, şmdye kadar çeştl tıbb araştırma ve gelştrme konularında olduğu gb, kuramsal ve uygulamalı eğtmde de rol almıştır. Tıbb Blşm teknkler, sağlık merkezlernn ver toplama, şleme ve değerlendrme yetlern üstel br şeklde artırarak global ölçekte doğru, ayrıntılı ve güvenlr sonuçlara ulaşılmasını sağlamaktadır (Kocamaz, 2007).

15 2 Tıp blşm, temel br araştırma dspln oluşturmak üzere çeştl teknk, teor ve yöntemlern br araya gelmesyle oluşmuş br blm dalıdır. Bu blm dalı tıp alanındak gelşmelern ortaya çıkardığı blg ve verlern oluşturulması, bçmlendrlmes, paylaşılması ve sonuçta hastaların bakım ve tedavlernn belrlenmes, seçlmes ve gelştrlmesn hedef alır. Yan tıp blşm, hasta hakkında düşünme yöntemler ve tedavlern tanımlanma, seçlme ve gelştrlme yolları üzerne ussal br çalışmadır ( Tıp blşmnde blmsel araştırma, dsplnlerarası br ntelk taşır ve blmsel yöntemler kullanır. Blmsel araştırmalarda sağlanan blgnn yardımıyla hasta verlernn elde edlmes, şlenmes ve yorumlanması çn yöntemler ve sstemler gelştrlr, değerlendrlr. Bütün bunları yaparken de blg ve letşm teknolojlernn nasıl uygulanacağını ve kullanılacağını araştırır. Blg teknolojlernde gelşmş yöntemlern ortaya çıkmasıyla sağlanan lerleme tıp blşmnn br blm dalı olarak gelşmesnde tc güç olmuştur ( Sağlık verler arasında karmaşık ve bulanık br lşk vardır. Bu nedenle de blgsayarda şleneblen blg (computatonal knowledge-blmsel sorunları analz etmek ve çözmek çn blgsayar kullanımıyla lgl blg olarak tanımlanablr) bu alanın olgularını açıklamak çn gerekldr. Tıp blşm sağlık alanındak blg le bu blgy kullanan kşler arasındak karmaşık lşkler anlamak çn yen araçlar ve yöntemler sağlamaktadır ( Tıp blşm, klnk karar destek sstemlernn tasarımından, yazılım ve donanım araçlarının gelştrlmesne kadar genş br konseptte çalışma alanı çerr. Tıp blşm brçok alanla şbrlğ çndedr. EKG ve çeştl elektronk tanı aletler le lgl olarak byomedkal mühendslkle, donanım üretm açısından elektrk mühendslğyle, algortmalar ve matematksel yönler le blgsayar mühendslğyle, yapay zeka yönüyle blgsayar blm ve blşsel blmlerle sürekl letşm halndedr (Kocamaz, 2007).

16 3 Br blm olarak tıp blşm teorden pratğe genş br alana htap eder. Aynı anda hem temel, hem deneysel, hem de uygulamalı br blm olma özellğn taşır. Br yandan model ve blg üretrken, dğer yandan bunları çözümler ve deneyler. Ayrıca pratk amaçlarla ortaya çeştl ürün ve sonuçlar koyar ( Bu tez çalışmasında kalp rtm bozukluğu hastalarının tedav süreçler çn gelştrlen öğrenmeye dayalı br sstem anlatılacaktır. Bu amaçla knc bölümde dolaşım sstem, kalbn yapısı ve damarlar hakkında temel blgler verlecektr. Üçüncü bölümde kalp rtm bozukluğu hastalığı (artm) le lgl blgler verlecektr. Daha sonra dördüncü bölümde tıpta yapay zekâ uygulamalarının blmsel araştırma safhaları belrtlecektr. Beşnc bölümde makne öğrenmes (ML), en yakın k-komşuluk algortması (knn) ve sstemn performansını etkleyen/ölçen krterler açıklanacaktır. Altıncı bölümde WEKA le lgl blgler verlecektr. Yednc bölümde sstem oluşturan bleşenler ve sstemn genel yapısı anlatılacaktır. Sekznc bölümde se bu teze konu olan çalışma çn gelştrlen yazılım uygulamaları tanıtılacaktır. Dokuzuncu bölümde gelştrlen sstemle lgl genel br değerlendrme yapılacaktır. Son bölümde se sonuçlar ve tartışma bölümü yer alacaktır Tıp Blşm ve Blgsayar Mühendslğ İlşks Blgsayar Mühendslğ, temeller 1945'l yıllarda lk blgsayarlarn kullanlmasıyla atlmş olan çok genç br mühendslk dalı olmasına rağmen, dünyada ve Türkye'de çok hızlı br gelşm göstermştr. Bu mühendslk dalı blgsayar sstemlernn yapısı, gelştrlmes ve bu sstemlern dğer dsplnler le etkn kullanımı konularında arastırmalar yapar. Ayrıca bu mühendslk temel blm dallarının teork çalışmaları ve deneysel yöntemler le dğer mühendslk blmlernn tasarm boyutunu da kapsamaktadır. Bu halyle teornn pratğe aktarılmasında ve genş ktlelern hzmetne sunulmasında en öneml payı olan dsplnlerden brsdr (Cumhuryet Ünverstes, 2001).

17 4 Genş br açıdan bakıldığında blgsayar uygulamaları tıp alanında artarak kullanılmaktadır. Tüm laboratuar tetkklernn yapıldığı chazlarda, tomograf, MRI, US ve Nükleer tıp uygulamalarında blgsayar teknolojs uzun br süredr kullanılmaktadır. Gelştrlmş robot blgsayarlar aracılığıyla pek çok amelyat günümüzde daha hızlı ve düşük hatalar le yapılablmektedr. Genetk çalışmalar blgsayarın tıp alanında en çok kullanılan alanlarıdır. Tıp uygulamaları çnde blgsayar teknolojler tıp eğtmnde oldukça yaygındır (Erdem vd., 2005). Blgsayar mühendslğnn tıp alanında gerçekleştrdğ çalışmalar aşağıdak gb sıralanablr (Umut, 2011). Fzyolojk sstemlern modellenmes, smülasyonu ve kontrolü, Fzyolojk snyallern algılanması, ölçülmes ve montörze edlmes, Byoelektrk verlern snyal şleme teknkler kullanılarak tespt, sınıflandırılması ve analz edlmes, Tedav ve rehabltasyon prosedürler ve chazlarının tasarlanması, Vücut fonksyonlarını yerne getrmede yardımcı olacak, protez vb. lave parçaların tasarlanması, Hastayla lgl blglern blgsayarla analz le klnk karar vermeye yardımcı olunması, Tıbb görüntüleme: anatomk detayların ve fzyolojk fonksyonların görüntülenmes, Faydalı amaçlar çn yen byolojk ürünlern tasarımı, Klnksel gereçler, chazlar, sstemler ve prosedürlern gelştrlmes ve dzayn edlmes (Enderle, 2000).

18 5 2. DOLAġIM SĠSTEMĠ Dolaşım sstem, kanın vücuda dağılmasını sağlayan kapalı br ağ sstemdr. Dolaşım sstemne kardyovasküler sstem de denr. Bu sstem kalp ve damarlardan (arterler, venler ve kapller) oluşur. Dolaşım sstem kalp tarafından rtmk hareketlerle pompalanan kanın damarlar vasıtasıyla hücrelere ulaşmasını ve hücrelerde kullanılmış olan kanı da damarlar vasıtasıyla toplayarak tekrar kalbe dönmesn sağlar Kalbn Yapısı ve ĠĢleyĢ Kalp, dolaşım sstemnn motor organıdır. Temel ş kanı pompalamak olan kalp, çzgl kastan oluşan br organdır. Çzgl kastan yapılmış olmasına rağmen steğmz dışında çalışır. Güçlü kas dokusuyla sürekl kasılıp gevşeyerek kanın damar çnde hareket etmesn sağlar. Vücudun htyaçlarına bağlı olarak kalp dakkada 5 le 35 ltre arasında kan pompalayablr. ġekl 2-1. Kalbn konumu ve komģulukları

19 Kalbn odacıkları Kalbn sağ ve sol kısımları brbrnden br duvarla ayrılmaktadır. Kalp ç boş dört odacıktan oluşmuştur. Bu odacıkları kalbn çn bölen çeştl duvarlar oluşturmuştur. Septum nteratrale (atrumlar arası bölme), septum nterventrculare (ventrküller arası bölme) ve septum atroventrculare (atrumlar ve ventrküller arası bölme) le kalp bölümlere ayrılmış dört odacık oluşmuştur. Bu odacıklardan kalbn tepe bölümündeklere kulakçık (atrum), taban bölümündeklere se karıncık (ventrkül) adı verlr. Bu odacıklar şunlardır: Sağ kulakçık, Sol kulakçık, Sağ karıncık, Sol karıncık. Sağ atrum ve sağ ventrkülün her ks brden sağ kalb oluşturur. Sağ kalpte oksjen bakımından fakr olan venöz (krl) kan bulunmaktadır. Sol atrum ve sol ventrkül se sol kalb oluşturur. Sol kalpte oksjen bakımından zengn olan arteral (temz) kan bulunmaktadır. ġekl 2-2. Kalbn ç kest

20 7 Sağ atrum kalbn bass bölümünün sağında bulunur. Sağ atruma yukarıdan üst ana toplardamar, aşağıdan alt ana toplardamar açılır. Bu damarlar le venöz kan kalbe döner. Sağ ventrkül pramd şeklnde br boşluktur. Bu boşluktan venöz kan akcğerlere pompalanmaktadır. Pompalama görev nedenyle duvarı kalındır. Sağ ve sol ventrküller aynı anda kasılır. Kasılan ventrkülden kan akcğer atardamarı yolu le akcğerlere gönderlr. Sol atrum kalbn arkasında, sol üst yanında yer almaktadır. Bu boşluğa, sağ ve sol akcğerlerden oksjenlenelerek dönen kanı getren dört adet akcğer ven açılır. Buraya gelen kan, sol ventrküle geçer. Sol ventrkül kalbn dyaphragmaya bakan yüzünde yer alır. Sol atrumdan gelen arteral kan sol ventrüküle pompalanmakta ve buradan da ana atardamarla (aortae) vücudun en nce kapllerne kadar gönderlmektedr. Pompalama görevnden dolayı duvar yapısı dğer boşluklara göre oldukça gelşmştr Kalbn kapakları Kalpte k adet atroventrküler kapak, k adet de büyük damar kapakları (semlunar kapak) olmak üzere 4 kapakcık bulunmaktadır. Kalp kapakçıklarının amacı kalpte kan akışının yalnızca tek yönde lerlemesn sağlamak ve kanın gerye dönüşünü engellemektr. Bu kapaklar fbröz yapıda olup kan damarı bulunmaz, beslenmes dfüzyon yolu le sağlanır (

21 8 ġekl 2-3. Ventrkül kasılmasında kalp kapakları ġekl 2-4. Ventrkül gevģemesnde kalp kapakları Kalbn çalıģması Kalp kası snrsel mpulsa gereksnm olmayan, kend uyarılarını kend oluşturablen br kastır. Ancak kalbn çalışması otonom snr sstemnn denetm altındadır. Sempatk snrler kalbn rtmk kasılma ve gevşeme hareketlern hızlandırırken parasempatk snrler yavaşlatılmasını sağlar ( Kalp, sürekl kasılıp gevşeyerek çalışır. Kalbn kasılmasına sstol, gevşemesne dastol denr. Kalpte her k atrum ve her k ventrkül brlkte kasılır ve gevşer. Atrumlar ve ventrküllern kasılıp gevşemes kanın hareket çn tc br güç oluşturur. Bu kasılıp gevşeme brbrne zıttır. Atrumların her ks aynı anda sstol

22 9 durumundayken ventrküller dastol durumuna geçer. Kalbn br sstol ve dastol hareketne br kalp atışı denr. Kalp atışı yetşkn br nsanda dakkada ortalama 70 dr, çocuklarda bu sayı dakkada arasındadır ( Atrumlar dastolde kanla dolar. Kanla dolduktan 0,1 sanye çnde sstol dönem başlar. Bu dönemde ventrküller dastol durumundayken basıncın etksyle sağ atrum ve sağ ventrkül arasındak trküspt, sol atrum ve sol ventrkül arasındak mtral kapakçıklar açılır. Böylece atrumlardak kan atro- ventrküler delklerden ventrküllere geçer ve ventrküller kanla dolar. Ventrküllern sstolünde artan basıncın etksyle trküsbt ve mtral kapaklar kapanır. Böylece kanın atrumlara ger dönüşü engellenr. Sağ ventrküldek venöz kan akcğer atardamarı grşndek semnular kapakçıkların açılmasıyla akcğerlere, sol ventrküldek arteryal kan se aort grşndek valvula aortun açılmasıyla aorta, oradan da tüm vücut dokularına dağılır Kalbn Uyarı ve Ġlet Sstem Kalbn atrum ve ventrküllernn kesntsz br şeklde sstol ve dastolünü sağlayan özel br yapısı vardır. Kalbn bu şn düzenl br şeklde dare eden ve çnde snr elemanları bulunan özel karakterdek kas demetne kalbn uyarı ve let sstem denr ( Bu sstem; özel hücre kümeler, demetler ve lflerden oluşur. Uyarı ve let sstem; snoatral düğüm (SA), atroventrküler düğüm (AV), atroventrküler demet (hs demet) ve purknje lfler olmak üzere dört bölümden meydana gelr. Bunlardan lk ks uyarı, dğer ks let sstemdr.

23 10 ġekl 2-5. Kalbn uyarı ve let sstem Snoatral (SA) düğüm, Sağ atrumun üst yan duvarında üst ana toplardamarın atruma açıldığı yern altındadır. Snoatral düğüm kalp atımlarını başlatan ve rtmn kontrol eden eletrksel uyarıların başladığı bölgedr. Bu nedenle snoatral düğüm pace maker (uyarı odağı) olarak tanımlanır. Snoatral düğümden çıkan uyartı önce atrumların kasını uyarır ve atroventrküler düğüme gelr. Kalp snoatral düğümün emr altında çalışırken dğer yapılar uyarı çıkarmaz. Snoatral düğümün gönderdğ uyarıları letme görevn yapar. Snoatral düğüm çalışmadığı veya snoatral düğümden çıkan uyarıların letlememes gb anormal koşullarda, atroventrküler düğüm veya dğer yapılar kalbn durmasını engellemek çn görev üstlenp uyarı çıkarmaya başlar. Atroventrküler (AV) düğüm, Trküspd kapağın arkasında sağ atrumun arka duvarında bulunur. Snoatral düğümde oluşan uyarılar, düğümler arası yollarla atroventrküler düğüme gelr. Buraya gelen uyarılar 0.1 sanyelk br geckmeyle hs demetne geçer. Hs demet, atroventrküler düğüme bağlıdır. Ventrküller arası bölmede sağ ve sol dallara ayrılır. Hs demetne gelen uyartı hs demetnn sağ ve sol dallarında lerleyerek sağ ve sol ventrkül kasındak purknje sstemne ulaşır. Ventrkül kaslarına dağılan hs demetnn daha küçük dallarına purknje lfler denr. Purknje lfler uyartıyı ventrkül kaslarına leterek ventrküllern kasılmasını sağlar.

24 11 Bu let sstem sayesnde kalp fonksyonel br bütün olarak çalışır. Snoatral düğümde oluşan uyartının atrum kasına yayılması sonucunda atrum sstolü, ventrkül kasına yayılması sonucunda ventrkül sstolü olur. Uyartının kalpte yayılması sırasında atroventrküler düğümdek 0.1 sanyelk geckme atrumların ventrküllerden önce kasılmasını sağlar. Böylece, ventrküller dastol hâlndeyken atrumlar sstoldedr. Snoatral düğümden her br uyartı kalp kasında br sstolü takp eden br dastole neden olur. Snoatral düğüm dakkada kaç uyartı çıkartıyorsa atrumlar ve ventrküller o kadar sayıda sstol yapar. Br kalp vuruşu ventrküllern sstolü olarak tanımlanablr. ġekl 2-6. Kalpte elektrksel uyarı akıģı 2.3. Kan Basıncı Dolaşım sstemnn şlevlernden br de damarlar çnde bell hızda ve sürekl olarak kan akımını sağlamaktır. Kalbn her sstolünde, arterlere pompalanan kan, damar yüzeyne br basınç uygular. Kalp ventrküllernn sstolü sonucu, kanın arter duvarlarına yaptığı basınca sstolk kan basıncı (büyük tansyon) denr. Kalbn

25 12 ventrküllernn dastolü sırasında arter duvarlarında oluşan drenç basıncına se dastolk kan basıncı (küçük tansyon) denr ( Kan basıncı, cıva basıncına göre belrlenen standart brm le tespt edlr. Normal br yetşkn nsanda sstolk basınç ortalama 120 mmhg, dastolk basınç 80 mmhg olarak blnr. İnsan organzmasının htyacına göre kan akış hızı değşeblr. İhtyaca göre oluşan bu değşklğ otonom snr sstem düzenler, böylece vücudun ortalama kan basıncı düzenlenmş olur ( Nabız Sstol esnasında, kalbn sol ventrkülünden aortta atılan kanın oluşturduğu basınç arter duvarında dalgalanmalara yol açar. Basıncın etksyle arterlerde oluşan dalgalanmalara nabız denr. Br dakkalık süre çnde kalbn kasılmasıyla pompalanan kanın arter duvarına yaptığı basıncın sayısına nabız sayısı denr. Nabız sayısı normal nsanda 60 80/dk. arasındadır. Nabız, kalbn br dakkalık süre çersnde arterlere kaç defa kan pompalandığının ve pompalama şlemnn rtmk olup olmadığının göstergesdr. Nabız genellkle el bleğnden alınır (

26 13 3. KALP RĠTĠM BOZUKLUĞU (ARĠTMĠ) Kalp hastalıklarının dünya genelnde önde gelen ölüm nedenlernden olmasından dolayı (Tantmongcolwat vd., 2008; WHO, 2004) kalp hastalıkları üzerne çok sayıda araştırma yapılmaktadır. Bu araştırmalardan br kısmı da artm (kalp rtm bozukluğu) üzernedr. Artm, kalp rtmnn düzenszleşmes, yan anormal kalp rtm olarak blnr. Kalp çarpıntısı polklnklere ve acl servslere en sık başvuru sebeplernden brsdr. Yurtdışında yapılmış br çalışmada (Görenek vd., 2010) dâhlye ve kardyoloj polklnklerne başvuran 500 hastanın %16 sının hekme gelş şkâyetnn kalp çarpıntısı olduğu tespt edlmştr (Kroenke vd., 1990). Günümüzde hemen her tür kalp çarpıntısı çn tek değl, brden çok tedav yaklaşımı mümkündür. Tedavye yönelk yaklaşımların çeştllğ br avantaj olarak görüleblse de, bu durum bazen hekmler karar verme konusunda arada bırakablmektedr (Görenek vd., 2010). Br ünverste hastanesnde çarpıntı şkâyet le başvuran 190 hastanın ncelendğ ve olguların %84 lük kısmında etyolojk sebeplern belrlenebldğ br çalışmada (Weber vd, 1996) çarpıntıların %43 ünde kardyak sorunlardan, %31 nde pskyatrk sebeplerden, %10 unda se dğer nedenlerden kaynaklandığı (örneğn; laçlar, trotokskoz, kafen, kokan, anem, vs.) görülmüştür (Görenek vd., 2010). Artmlern oluşmasında genel olarak üç neden öne çıkmaktadır. Bunlar pskyatrk nedenler, fzksel ve duygusal strese bağlı nedenler ve son olarak kardyak nedenlere bağlı artmlerdr.

27 Kardyak Nedenlere Bağlı Artmler Kardyak kökenl olguların br kısmında yapısal ya da elektrksel br kalp rahatsızlığı vardır. Yapısal kalp rahatsızlıkları arasında kalp kapak hastalıkları, akut myokart nfarktüsü, kardyomyopatler, pacemaker sendromu gb pek çok durum sayılablr. Bununla brlkte hçbr kardyak sorunu olmayan breylerde de zaman zaman supraventrküler hatta ventrküler artmlern görülebleceğ hatırda bulundurulmalıdır (Görenek vd., 2010). Kardyak kökenl artmlern oluşumuna neden olan sorunlardan bazıları aşağıda maddeler halnde açıklanmaktadır Snüs düğümü ve atryoventrküler düğüm sorunları Snüs bradkards Snüs bradkards, strahat halndek br kalp hızının yavaşlaması yan, dakkada 50 ya da altında olması durumudur. İstrahat halndek br kalp hızının dakkada 50 la 90 arasında olması, normokard yan normal kalp hızı aralığı olarak kabul edleblr (Görenek vd., 2010) Snüs taģkards Snoatryal nodan kaynaklanan ve hızı 100 vuru/dk yı aşan hızlı rtme snüs taşkards denr. Egzersz, anksyete ve sempatk snr sstemnn aktvtesn artıran herhang br hastalık snüs taşkardsne yol açablr (Bennett, 2008).

28 Hasta snüs sendromu Snüs nod hücrelernde kardyak mpuls oluşumunun bozulması le snüs nod dsfonksyonu (SND) oluşur (Josephson, 2008; Kalman vd, 2001; Dnçkal, 2006). İlk defa 1968 yılında Ferrer tarafından tanımlanan SND, çeştl nedenlere bağlı olarak snüs nodunun fzyolojk pacemaker fonksyonunu yapamamasını fade etmektedr (Ferrer, 1968; Sweeney, 2004). SND varlığında klnkte fzyolojk htyaca uymayan atryal hızlarla karakterze hasta snüs sendromu (HSS) ortaya çıkar (Kalman vd., 2001; Dnçkal, 2006; Bgger vd., 1979). HSS da, snüs bradkards, snüs duraklaması, snoatryal let bozukluğu, atryal taşartmler, taşkard bradkard atakları ve yavaş ventrkül yanıtlı atryal fbrlasyon (AF) görüleblr (Adan vd., 2003; Straus vd., 1977) Atryoventrküler düğüm hastalıkları Patolojk olarak AV düğüm hastalıkları konjental veya kazanılmış hastalıklar olarak sınıflandırılır (Daves, 1976). Herhang br hastalık ster akut ster kronk seyr göstersn myokardı etkleyerek AV düğüm sevyesnde AV düğümün kends, penetre olan veya dağılan hs demet parçalarına tesr ederek AV blok oluşturablmektedr (Görenek vd., 2010). Konjental AV blokta letm AV nod sevyesnde keslmştr. Sonuç olarak yardımcı odak olarak hs demetnden uyarı çıkar (40-80 vuru/dk) (Bennett, 2008) Supraventrküler artmler Anatomk olarak ventrkülün üst kısmından kaynaklandığı varsayılan taşkardk rtm sorunlarına supraventrküler, ventrkülden kaynaklananlara da ventrküler taşartmler denr (Lundqvst, 2003).

29 16 PAT (Parokssmal Atryal Taşkard) dğer adı SVT (SupraVentrküler Taşkard) sık karşılaşılan br rtm bozukluğudur. Bu çarpıntılar (taşkardler) genellkle atryumdan (kulakçık) başlar ya da atryumları çne aldığı çn bu şeklde adlandırılır. Anden başlayıp anden sonlanırlar genellkle hızları /dk dır. Hayat tehlkeye neden olmazlar fakat oldukça rahatsız eder, hastaların yaşam kaltesn düşürür. Kalp rtm uzmanları (Elektrofzyolog) tarafından çeştl sınıflamaları vardır. En sık AV düğüm çnde kısa döngü yapan AVNRT (AV Nodal Reentran Taşkard) çarpıntılar (taşkardler) gözlenr. Daha nadr olarak AVRT (AV Resprokal Taşkard) tp çarpıntılar olablr ( Atryoventrküler nodal reentrant (AVNRT) En sık karşılaşılan çarpıntı şekldr. AV nodun çndek kl yolun brbrleryle olan kısa döngüsünden kaynaklanır. Anden başlar ve anden sonlanır. Hastaları çoğu çarpıntı başlayınca sol göğüs bölgesnde kuş çırpınıyor gb hssederler. Boyun bölgesndek damarlar şşer ve bazı hastalarda göz kararması, halszlk ve tansyon düşmes gözlenr. Kalp hızı genelde /dk arasında hastadan hastaya değşr fakat her hastada sabt br hızdadır. Bazen lk ataktan sonra senelerce tekrar atak olmayablr, bazen de çok sık ataklar olur ( Atryoventrküler resprokal reentrant (AVRT) AV node ve normalde olmaması gereken aksesuar yol le kısa döngüsünden kaynaklanır. Akseuar yol normal letm yönünde elektrk aktvasyonu varsa çarpıntı olmadan normal elktrograf le tanınablr (Wolf Parknson Whte sendromu). Kalp hızı genelde /dk arasında hastadan hastaya değşr fakat her hastada sabt br hızdadır. Bazen lk ataktan sonra senelerce tekrar atak olmayablr, bazen de çok sık ataklar olur (

30 Atryal taģkardler Atryal taşkardler (AT), dğer supraventrküler artmlerle karşılaştırıldığında daha nadr görülen br dar QRS kompleksl taşkard türüdür. Atryal taşkard dennce, atryal yapılardan kaynaklanan ve devam etmes çn atryoventrküler noda gerek duymayan, AVNRT ve AVRT gb taşkardlerden farklı olan taşkardler anlaşılmaktadır. Bu taşkardler homojen değldr. Çoğunlukla köken aldıkları atryal yapı le lşkl olarak, armış otomaste, tetklenmş aktvte ve reentry gb mekanzmalar le oluşur. Taşkard sırasında atryal hız 130 le 250 /dk arasında değşmektedr (Görenek vd., 2010) Atryum fbrlasyonu Atryumdan kaynaklanan öneml br artm türüdür. Atryuma at dokularda dakkada kez gelşgüzel uyarılar oluşur (Bennett, 2008; Fak, 2011). Snüs düğümü devre dışıdır. Bu kadar çok ve kaotk uyarı dâhlnde atryum etkl şeklde kasılamaz. Dğer yandan atryoventrküler düğüm bu kaotk uyarıları düzensz olarak ve kısmen ventrküllere leteblr. Kalp ve nabız atımları tamamen düzenszdr, hızlı veya yavaş olablr (Fak, 2011) Atryal flatter Klnkte atryal flatter, tpk ve atpk olmak üzere k şeklde görülmektedr. En sık görülen tpk formda atryum dakkada 240 le 350 arasında uyarı çıkarmaktadır. Genellkle atryum hızı dakkada 300 cvarındadır. Artm neden sağ atryumdak br re entran daredr. Re entran darede uyarı sağ atryum lateral kenarı boyunca nferyora,

31 18 nteratryal septumda se süperyora doğru dönmektedr. Sol atryum sağ atryumdan kaynaklanan uyarılarla aktve olmaktadır (Bennett, 2008). Atpk atryal flatterde atryum hızı /dk dır. Bu tpte stmus ablasyonu ve hızlı atryal pacng taşkardy sonlandıramaz (Bennett, 2008) Ventrküler artmler Ventrküler artmler öneml morbdte ve mortalte nedendr. Altta yatan yapısal ve/veya elektrksel kalp hastalığı morbdte ve mortaltey etkleyen en öneml faktördür. Ventrküler artm sıklığı, tp ve sempton dereces morbdte ve mortaltey belrleyen dğer faktörlerdr (Zpes vd., 2006). Genel popülâsyonda an kardyak ölümün en sık neden akut myokardyal skem/nfarktüsüne kncl gelşen prmer ventrküler fbrlasyondur (Myerburg, 2001). Genel popülâsyonda ve görecel yüksek rskl olgularda (hpertansyon, dabetes melltüs, hperkolesterolem vs. koroner arter hastalığı rsk faktörler bulunan olgular) an kardyak ölümün en sık neden koroner arter tıkanıklığına bağlı gelşen myokardyal skem sonucu oluşan prmer ventrküler fbrlasyonudur (Zpes vd., 2006; Myerburg, 2001). Ventrküler erken vuru, beklenen snus vurusu zamanından önce gelen, genş QRS kompleksl ( 120 msn) ve sıklıkla retrograd P dalgalarının QRS kompleks çnde gözlendğ vurulardır. Anatomk olarak Hs demetnn altından kaynaklanırlar. Üç veya daha fazla ventrküler erken vurunun ard arda gelmes le oluşan, hızı 100 vuru/dakka olan, genş QRS kompleksl ( 120 msn) taşkardlere ventrküler taşkard denr. Ventrküler taşkardler devam sürelerne, morfolojlerne ve oluşturdukları hemodnamk bozukluklara göre sınıflandırılırlar (Görenek vd., 2010).

32 KaçıĢ vuruları ve dal bloklarına bağlı artmler KaçıĢ vurularına bağlı artmler Snüs nodunun uyarı çıkarmasında sorun oluşur se letm yollarındak yardımcı odaklardan kaçış vurusu ortaya çıkar. Kaçış vurusu bozulmuş pacemaker fonksyonunu göstermektedr. Kaçış rtmnn kendsnn tedav edlmesne gerek yoktur. Eğer tedav gerekrse yaklaşım temel rtmn hızlandırılmaya çalışılması şeklnde olmalıdır (Bennett, 2008). Atryal ve AV kavşak kaçış rtmler genellkle 40-60/dakka hızında ken ventrküler kaçış rtmlernde hız 25-40/dakkadır. Kaçış rtmlernde hızın bu düzeylern üzernde olması (atryumlar ve AV kavşak çn >60/dakka, ventrküller çn >40/dakka) hızlanmış kaçış rtm olarak adlandırılır (İlergelen, 2011) Dal bloklarına bağlı artmler Hs demet, nterventrküler septumda sol ve sağ dal olmak üzere kye ayrılmaktadır. Bu letm yolları sayesnde sol ve sağ ventrkül çok hızlı br şeklde uyarılmaktadır. Sol let dalı, sol anteryor ve sol posteryor olmak üzere kend çnde k fasküle ayrılmaktadır. Herhang brnde ortaya çıkan blok, anormal ve uzamış ventrküler QRS komplekslerne neden olmaktadır (Bennett, 2008) Pskyatrk Nedenlere Bağlı Artmler Etyolojk açıdan ele aldığımızda çarpıntı sebepler arasında pskyatrk sorunların oldukça öneml br yer tuttuğunu görmekteyz. Çarpıntı çok çeştl pskyatrk hastalıkların gösterges olablr. Bunlar arasında anksyete bozukluğu, pank atak, somatzasyon veya depresyon sayılablr (Barsky vd., 1994; Barsky vd., 1994). Bununla

33 20 brlkte pskyatrk sorunları olan hastalar gerçekte br artmler olmadığı halde çarpıntıdan şkâyet edeblrler. Yan bu grup hastalarda çarpıntı şkâyetnn oluşablmes çn artmnn varlığı şart değldr (Zelds vd., 1980). Çarpıntının anksyete ya da pank le lşklendrldğ hastalarda çarpıntının mı ruhsal sorunları tetkledğ, yoksa ruhsal sorunlardan dolayı mı çarpıntının oluştuğunun ayırt edlmes genellkle zor olmaktadır (Görenek vd., 2010) Fzksel ve Duygusal Strese Bağlı Artmler Bazı olgularda uzun sürel supraventrküler ve ventrküler taşkardler egzersze ya da duygusal strese bağlı sempatk sstem aktvasyonu ve katekolamn fazlalığı sebeb le ortaya çıkablmektedr. Egzersz testlernn gerçekleştrldğ çeştl çalışmalarda kısa sürel supraventrküler ve ventrküler artmlern uzun sürel artmlerden daha yaygın olduğu ve kalp hastalarında uzun sürel artmlern daha sık gelştğ gözlemlenmştr. Ancak bu durumun stsnaları da söz konusudur (Görenek vd., 2010).

34 21 4. TIPTA YAPAY ZEKÂ DÖNEMĠ 4.1. Yapay Zekânın Tarh Yapay zekâ (AI) araştırmalarının tanınmış smlernden D. Lenat ve E. Fegenbaum zekâyı arama alanı kavramı açısından şu şeklde tarf etmektedrler (Kocabaş, 2011): "Zekâ, karmaşık br problem çözüm arama alanını daraltarak kısa yoldan çözeblme kablyetdr". Fegenbaum daha sonra zekâyı blg kullanımı kavramına bağlı olarak tarf etmektedr: "Zekâ, karmaşık br problem çözmek çn gerekl blgler toplayıp brleştreblme kablyetdr." AI, nsan düşüncesnn formelleştrlmes esasına dayanır. Çnl, Hndstanlı ve Yunanlı flozoflar lk mlenyumda formel tümdengelmn yapısal metotlarını gelştrdler. Onların düşünceler Arsto, Ökld, El-Harzm, Occam ve Duns Scotus gb flozoflar tarafından lerleyen dönemler çersnde gttkçe gelştrld (Berlnsk, 2000). Mayorkalı flozof Ramon Llull ( ) tarafından blg üretmne dayalı brkaç mantıksal makne gelştrld (Artau vd., 1939). Ramon Llull gelştrdğ makney şu şeklde tanımlamaktadır: bast mantıksal şlemlerle brlkte temel ve nkâr edlemez gerçekler brleştren mekank br varlık (Bonner, 2007). Ramon Llull ın dışında mlad 9. yy. da Abbasler dönemnde ( ) Musa kardeşlern, hdrolk prensplerne göre çalışan otomatk makneler yaptıkları, daha sonra Selçuklular dönemnde Ebul İzz n bu çalışmaları devam ettrdğ blnmektedr (Kocabaş, 2011). Ayrıca otomatk makneler konusu, Rönesans dönemnde Leonardo da Vnc nn ( ) de dkkatn çekmşt (Kocabaş, 2011) ve bu amaçla mekank hesap maknes tasarlamıştır (Russell vd., 2003). 17. yy. geldğmzde Thomas Hobbes ( ) akıl yürütmenn dern düşüncelermzde ekledğmz ve çıkardığımız sayısal hesaplamalar gb olduğunu ler sürmekteyd. Ayrıca Gottfred Lebnz, Thomas Hobbes ve René Descartes tüm rasyonel düşüncenn cebr veya geometr kadar sstematk olablme olasılığını

35 22 keşfettler (Russell vd., 2003). Daha sonra Fransız matematkçs Pascal ( ) mekank br hesap maknes gelştrmeye çalıştı. 19. yüzyılda se İnglz blgn Babbage, Fransız mühends Jacquard ın dokuma tezgâhları çn cat ettğ br teknğ kullanarak lk programlanablr mekank blgsayarı gelştrmeye çalışmıştır, fakat o zamank teknoloj yeter kadar hassas olmadığı çn projes yarım kalmıştır (Kocabaş, 2011). Sembolk mantığın, 19. yy. knc yarısında Boole ve daha sonra Frege nn çalışmalarıyla başlayıp 20. yy. Russell ve Whtehead n çalışmalarıyla gelşmes de blgsayar blmlernn ve AI nın gelşmesnde öneml rol oynamıştır. İknc Dünya Savaşı öncesnde Turng n hesaplanablrlk teors üzerne yaptığı çalışmalar, zek sstemler üzerne yapılan öneml teork çalışmalar olmuştur larda sbernetk alanında yapılan çalışmalar se, nsan ve makne arasındak brçok paralellkler ortaya çıkarmıştır. Sbernetk, 1940 larda ve 1950 lerde enformasyon teors, ger beslemel kontrol sstemler ve elektronk blgsayarlarla lgl kavramları brleştren öneml br araştırma alanı olmuştur (Kocabaş, 2011). AI, ayrı br araştırma alanı olarak 1950 lerde blgsayarların tcar şrketlerde kullanılmasıyla ortaya çıkmıştır. Bu yıllarda Claude Shannon ve Allen Newell n gelştrdkler satranç programları ve dğer oyunları oynayan programlar gelştrlmştr. Gene bu yıllarda otomatk çevr programları üzerne çalışmalar yapılmıştır (Kocabaş, 2011) lern ortaları, AI nın ayrı br araştırma alanı olarak ortaya çıktığı dönem olarak kabul edlr da IBM tarafından Dartmouth Kolej nde yapılan br semnere daha sonra AI nın öncüler sayılacak olan Marvn Mnsky, Allen Newell ve Herbert Smon katılmış ve aynı toplantıya katılan John McCarthy bu alandak çalışmalara lk defa yapay zekâ adını vermştr (Kocabaş, 2011;

36 Tıp Alanında Yapay Zekânın BaĢlangıcı Yapay Zekâ nın blmsel br hüvyet kazanması le brlkte AI araştırma alanı kuruldu ( Bu dönemden 15 yıl sonra yan 1970 lern başından tbaren Tıpta Yapay Zekâ (AIM) üzerne çalışmalar ortaya çıkmıştır (Vmla vd., 2009). İlk olarak tıp araştırmacıları yaşam blmne AI metotlarının uygulanablrlğn keşfettler ların sonu ve 1970 lern başından tbaren Dendral deneylerde (Kocabaş, 2011; Lndsay vd., 1980; AI çalışmaları gözle görüleblr br şeklde çığır açmıştır ler boyunca AI nın byomedkal uygulamalarda kullanımına büyük br lg vardı. Stanford Ünverstesnde SUMEX-AIM Computng Resource un (Freherr, 1980) kurulmasıyla brlkte kısmen de olsa bu lg arttı (Vmla vd., 2009). Tıp alanında kullanılan lk AI sstemler şunlardır: Internst-1 (Mller vd., 1982), CASNET (Wess vd., 1978) ve MYCIN (Shortlffe, 1976). Tıp dünyasında gelştrlmş olan çeştl uygulamalar AI araştırma gruplarını büyülemekteyd. Aynı zamanda lg çekc byomedkal problemlerle boğuşan AIM araştırmacıları çn yen AI metotları da ortaya çıkıyordu. Ayrıca 1978 yılında, bu alanda k öncü br derg (Artfcal Intellgence, Elsever, Amsterdam) sadece AIM araştırmaları le lgl makalelere özel br yayın (Srdharan, 1978) ayırmaktaydı (Vmla vd., 2009) AIM n Ana Noktaları Edward H. Shortlffe 1991 yılındak br sunumunda AIM çn üç ana noktaya değnmştr. Bu noktalardan lk ks bu tez konusu le doğrudan lgl olduğundan dolayı bu konu başlığı altında yer almıştır. Bu noktalardan lknde Edward H. Shortlffe, Tıp alanında Yapay Zekânın; byomedkal blşmn yanı sıra dünya sağlık planlaması ve poltkasından ayrı düşünülemeyeceğn belrtmştr. Ayrıca sağlık hzmetler ve byomedkal blmlerde AIM n etklernn gerçekç beklentler brçok metodolojk alandan sadece br olarak

37 24 AI y kullanmamızı gerektrmektedr. Bu durum, AIM araştırmacılarının lkel yaklaşımlardan nsan-blgsayar etkleşmne ya da vertabanı teorsnden sayısal analze ve ler statstğe kadar olan alanı ve gereklyse blgsayar blm ve nformatk n dğer alanlarını da kullanmak çn stekl olmalarını gerektren br argümanı fade etmektedr (Vmla vd., 2009). İknc olarak gerçek dünya ortamında AIM n pratk etks, dğer uygulamalar ve blg-tabanlı araçlarla brleşmesne zn veren tümleşk ortamların gelşmne bağlı olmaktadır. Bağımsız konsültasyon sstemler kavramı 1980 lern sonlarına doğru açığa çıktı (Mller vd., 1990) ve böylece elektronk medkal kayıtlar, sparş takb sstemler, sonuç raporlama sstemler, reçete sstemler ya da byolojk açıdan genomk/proteomk ver yönetm ve analz araçları gb yaygın elektronk sstemlerle AI notasyonları brleştrlmeldr (Vmla vd., 2009) AIM Metotları AIM, öneml klnk ve byolojk problemler ele almak çn AI nn lham verc brçok metodunu kullanan AI araştırmacılarıyla brlkte çok canlı br konudur. AIME 2011 de ( ele alınan konu ve temalar Tablo 4-1 de gösterlmektedr. Blgsayar blm ve byomedkal nformatk n br alt dalı olarak tanımlanan Tıpta yapay zekâ yı tanımak ve tanımlamak çn k yılda br yapılan AIME konferansları ve uluslar arası br derg olan Artfcal Intellgence n Medcne bu alanda göze çarpan k büyük unsur olarak karşımıza çıkmaktadır. AIM araştırma alanları çersnde çok farklı AI metotları yer almaktadır. Özellkle AIME-2007 ( konferansında bu konular üzernde durulmuştur. Bu ele alınan konu ve temalar Tablo 4-2 de gösterlmektedr. Bu arada brkaç AIM araştırma alanında etkleyc lerlemeler görülmektedr (Vmla vd., 2009). Bu alanlar: blg gösterm (knowledge representaton [Stanford Ünverstes AIM araştırmalarının br sonucu olan ve dünyaca yaygın br ürün olan Prote ge (Noy vd., 2003) buna br örnektr.]), makne öğrenmes (ML), blg keşf çn ver madenclğ ve geçc temsl ve uslamlama.

38 25 Çzelge 4-1. AIME-2011 dek konu ve temalar Blg Tabanlı Sstemler Ver Madenclğ Yapay Zekâ Uygulamalarında Özel Konular Olasılık Modelleme ve Uslamlama Termnolojler ve Ontolojler Geçc Temsl ve Geçc Ver Madenclğ Terap Planlama, Zamanlama ve Yönergeye Dayalı Bakım I Terap Planlama, Zamanlama ve Yönergeye Dayalı Bakım II Doğal Dl İşleme I Doğal Dl İşleme II Çzelge 4-2. AIME-2007 dek konu ve temalar Blgsayar Tabanlı Blg Üretm Klnk Ver Madenclğ Olasılık and Bayesan Analz Görselleştrme Blg Erşm Geçc Ver Madenclğ Vertabanlarında Blg Keşf Doğal Dl İşleme Karar Destek Sstemler Örüntü Tanıma İş Akışı Ver ve Blg Temsl Blg Tabanlı Sağlık Hzmetler Özellk Seçm/Çıkarımı Sınıflandırma ve Fltreleme Etmen Tabanlı Sstemler Makne Öğrenmes Metn İşleme Ontolojler Resm İşleme Klnk Yönergeler 4.5. AIM ÇalıĢmalarında Öneml AĢamalar Peter Szolovts AIM çalışmalarının sadece dört öneml aşama le karşılaştığını belrtmektedr (Vmla vd., 2009). Bunlar aşağıda sırasıyla belrtlmektedr.

39 26 Ver yakalama ve şleme. İş akışı çn tasarım, destek ve modelleme gelştrme. Gzllk kaygıları olan hastalar çn güvenlr metotlar. En y modelleme teknkler. İlk dönem AIM araştırmalarının çoğu gelşmş blgsayar programları üzernden br nsan uzmanın uzmanlığını kullanmaya dönük düşünülmüştür. Bu dönemler çersnde güncel ver elde etmek çok kolay değld. Ancak günümüzde br ver okyanusu çersnde yüzmekteyz. Ancak bu duruma paralel olarak uzmanlığın değer gttkçe düşmektedr (Vmla vd., 2009). Ancak günümüzde sağlık hzmetlernde toplanan büyük mktarda ver olmasına rağmen, vernn büyük br kısmı eksk ya da yanlış toplanmaktadır (Vmla vd., 2009). Bu durum hastanın anamnez ya da laç tedavs gb detaylı kayıtlarında sorunlar teşkl etmesne sebebyet verr. Aynı zamanda yaygın br bçmde kabul görmüş termnoloj ve ontolojlern eksklğ ble y kayıt altına alınmış blgnn değşmn ve kullanımını zor kılar (Vmla vd., 2009). AIM ya da dğer metotlara dayalı olan ya da olmayan sstemler nsan pratsyenlerle brlkte yürütülmeldr. Bundan dolayı, bu sstemler pratsyenlern ne yaptığını, htyaç duydukları blgnn ne olduğu ve sstemdek bozulmanın sstem tarafından tolere edlebleceğnden daha fazla olduğu zamanı modellemeldrler. Böylelkle brçok hatanın görevden zyade hmalden kaynaklandığını göreblrz. Bu durum, arka planda çalışan sstemlern sürekl olarak her hasta çn verlen hzmetler zlemesnn garantsn verecektr (Vmla vd., 2009). Bu da bze her açıdan düşünülmüş br ş akış sürecnn AIM e dayalı sstemlern başarımını daha da artırdığını söylemektedr. Sağlık hzmetlernn elektronk olarak zlenmesyle oluşan drenç, sağlık hzmetlernn toplanması sonucu ktlesel açılımlara olan hassasyet arttırmasından kaynaklanır (Insttute of Medcne, 1997). Br anda mlyonlarca nsanın verlern etkleyen kurumsal hatalar günlük yaşantımızda sıklıkla karşılaştığımız br durumdur. Böylece bu ktlesel blgler tıbb fşadan zyade kmlk hırsızlığını tehlkesn ortaya çıkarmaktadır. Bu blglern stenmeyen yayılımını güvenlk altına almak çn günümüz kullanıcı adı/şfre kombnasyonu tarzındak yöntemlerden daha y güvenl kmlk

40 27 doğrulama sstemlerne htyaç vardır. Bunun çn kşsel akıllı kartlar, byometrkler ya da nsanların kmlklern tanımlamaya yardımcı olan mevcut akıllı teknolojler kullanılablr (Vmla vd., 2009). Yüzbnlerce DNA, RNA ve proten sevyelern eşzamanlı olarak belrleyen mkrodzler ve yarım mlyon SNP veya br kşnn bütün genetk dzlmn belrleyen yen ölçüm teknkler geleneksel teşhs veya tedav yürütme sstemlerndek çok sayıdak bulgu le bastçe çözülemez. Bu tür blgler anlamlandırmak, analzlern otomatkleştreblen ler sevyede AI yöntemlern gerektrecektr. Toplum olarak çok sayıda very çözümlemek çn geleneksel statstkî ve daha yen ver madenclğ metotları ve makne öğrenmes yaklaşımlarını benmsedk. Maalesef, bu teknkler sadece verlerdek bast lşkler keşfeder ve bzm nsanoğlu olarak moleküler byolojden kompleks multorganzmalara ve sıtma gb epdemelojdek çevresel faktörlere kadar bzm anlayışımızı vurgulayan kompleks lşkler ağını henüz keşfetme yeteneğ yoktur. Yüzyıllık tecrübe ve deneylerle gelşen nsan uzmanlığı verler analz ederek yenden keşfedleceğ ümdyle br kenara atılamaz. Örneğn, Peter Szolovts terabaytlarca kayıtlı yoğun bakım üntes zleme verlern çözümleyeblecek hatta kalp tarafından pompalandığı çn kan dolaşımı gb bast gerçekler ble keşfedeblecek otomatk br yöntem blmedğn söylemektedr. Ayrıca Peter Szolovts, sağlık ve hastalıkta nsan organzmasının nasıl şledğn ölçen hpotezler formüle eden çok çeştl mevcut verler şleyeblen makne öğrenmes metotları le nsan uzmanlığını brleştren daha y modeller oluşturmanın büyük br meydan okuma olduğunu düşünmektedr (Vmla vd., 2009). Mchael Berthold a göre tıpta AI yaklaşımlarının lerleyen ve devam eden meydan okumaları araştırmadan önce bu araştırma alanındak blm türünü kategorze etmek faydalıdır. Bu kategorze etme ş üç safhaya ayrılmaktadır. Bunlar: Toplama, Sstematkleştrme ve Bçmlendrme (Vmla vd., 2009). Toplama, eldek problemler hakkında ver toplamaktır. Öneml düzenlemeler ve sstemler hakkında ne net br blg var ne de araştırmacılar bu alandak ver alanları hakkında çok fazla blgye sahptr (Vmla vd., 2009).

41 28 Sstemleştrme, toplanan vernn daha y organze edlmes ve modellern bell özellkler tahmn etmek çn nşa edlmesdr. Ancak çoğu kez bu modeller bell sstem hakkında net br blgye sahp değldr. Orjnal verler oluşturan sstem daha çok kara kutudur (Vmla vd., 2009). Bçmlendrme de, bu öneml sstemn daha y anlaşılması gerçekleştrlr ve teorler, hedef ve sstematk deneylerle bçmlendrleblr ve doğrulanablr (Vmla vd., 2009).

42 29 5. MAKĠNE ÖĞRENMESĠ AI nın çalışma alanlarını kronolojk olarak üç ana başlık altında toplayablrz. Bunlar: Blşsel modelleme yaklaşımı, sembolk düşünmeye dayanan kavram öğrenme ve blg tabanlı sstemlerdr (Kocabaş, 2011). Blşsel modelleme yaklaşımı le brlkte zhnsel süreçlern nasıl çalıştığına lşkn teorler üretlmeye başlandı (Kılıçaslan, 2011) ve bu konudak lk çalışmalar McCulloch ve Ptts tarafından yapıldı ( Bu araştırmacıların önerdğ, yapay snr hücrelern kullanan hesaplama model, önermeler mantığı, fzyoloj ve Turng'n hesaplama kuramına dayanıyordu. Her hang br hesaplanablr fonksyonun snr hücrelernden oluşan ağlarla hesaplanableceğn ve mantıksal ve/veya şlemlernn gerçekleştrlebleceğn gösterdler. Bu ağ yapılarının uygun şeklde tanımlanmaları halnde öğrenme becers kazanableceğn de ler sürdüler. Daha sonra Newell ve Smon, nsan gb düşünme yaklaşımına göre üretlmş lk program olan Genel Sorun Çözücüyü gelştrmşlerdr. Smon, daha sonra fzksel smge varsayımını ortaya atmış ve bu kuram, nsandan bağımsız zek sstemler yapma çalışmalarıyla uğraşanların hareket noktasını oluşturmuştur. Smon'ın bu tanımlaması blm adamlarının AI ya yaklaşımlarında k farklı akımın ortaya çıktığını belrgnleştrmes açısından önemldr: Sembolk Yapay Zekâ ve Sbernetk Yapay Zekâ ( Sembolk Yapay Zekâ ya da dğer br değşle sembolk düşünmeye dayanan kavram öğrenme temel olarak mantık kurallarına dayanarak akıllı sstemler üretmey amaçlayan br yaklaşım çersnde olmuştur. Modern mantığın ve modern felsefenn kurucusu Alman mantıkçısı Gottlob Frege ( ) Matematk mantığın uygulama alanıdır, görüşünden hareketle matematğn, mantığın aksyomatk sstem üzerne kurulableceğn düşünmüştür. Bu düşünceden hareket ederek artmetğn temeller konusundak felsef çalışmaları çn br mantık sstem gelştrmştr (Kocabaş, 2011). Daha sonra, Ferege nn çalışmalarına dayanarak, Russell ve Whtehead

43 30 yılları arasında Matematğn Prenspler (Prncpa Mathematca) adını verdkler eserde matematğ mantığa ndrgeyerek formel br sstem halne getrmeye çalıştılar. Fakat matematğn formel hale getrlemeyeceğn Gödel 1933 te yayınladığı br ktabındak (Über de unentshedbare Saetze der Prncpa Mathematca und verwander Systeme) meşhur teoremyle gösterd (Kocabaş, 2011; Kılıçaslan, 2011). A. Robnson, 1967 de çözülüm teorem spatlama (resoluton theorem provng) metodunu gelştrd. Bu metot 1972 de A. Colmaurer tarafından lk Mantık Programlama (Prolog) dlnn gelştrlmesne yol açtı. Bu dl 1975 te D. Warren tarafından Warren Abstract Machne (WAM) olarak uygulandı. Kşsel blgsayarlar üzernde lk uygulamalar 1980 lerde ortaya çıktı. Mantığın Frege ve ötek mantıkçılar tarafından 19. yüzyılın sonlarında sembolk hale getrlmes, dokuzuncu yüzyılda Türk matematkçs M. Musa bn el-harezmî tarafından cebrn cat edlmesyle artmetk hesapların sembolk hale getrlmesyle karşılaştırılablr. Cebrn cadı matematkçler tarafından matematk tarhnn en büyük soyutlamalarından br olarak kabul edlmektedr (Kocabaş, 2011). Blg tabanlı sstemler bell br problem çözmek çn nsanın problem çözme becersn taklt etmeye programlanmış ve bu problemle lgl daha önceden blg le donatılmış sstemlerdr. Bu tür sstemlere örnek olarak Durum Tabanlı Çıkarsama Sstemler, Uzman Sstemler verldğ gb Makne öğrenmes (ML) de blg tabanlı sstemlere br örnek olup AI araştırma alanlarından br tanesdr ML Nedr? "Öğrenme, kesn br bçmde tanımlanması zor olan süreçler dzsn kapsar. Sözlük anlamı olarak öğrenme ; öğrenm, talmat ve deneym yoluyla becer, anlama ve blg kazanımı olarak tanımlanır (Nlsson, 1996; Wtten vd., 2005). Blg elde ednm sürec nsan öğrenmesnn öğrenme sürec boyunca elde etmş olduğu verler kullanması le mümkündür. Çünkü ver, br nesnenn özellkler hakkında bze blg veren en temel yapıdır. Yaşamımızda ve dünyada ver mktarının arttığı (Wtten vd., 2005) ve world wde web (WWW) le erşmnn gttkçe kolaylaştığı

44 31 görülmektedr. Bunun yanı sıra ver, soyutlama sevyesnn en düşük sevyes; blg se en yüksek sevyes olarak blnr. Ver üzernde örüntü bulma blg keşf çn öneml br süreçtr. Blg keşf sürec, ver madenclğ olarak da adlandırılır (Glossary of Terms, 1998) dğer br fadeyle ver üzernde ML metotlarının uygulanması ver madenclğ olarak adlandırılır (Alpaydın, 2004). ML, blg keşf sırasında kullanılan tümevarımsal algortmaların uygulanması sürecn tanımlamak çn çok yaygın br bçmde kullanılan blmsel br çalışma alanıdır (Glossary of Terms, 1998). ML genellkle AI le lşkl görevler yerne getren sstemlerdek değşm olarak ta adlandırılır. Bu gb görevler tanıma, teşhs, planlama, robot kontrol, tahmn vb. konuları çerr. Değşm fades le ya zaten çalışan br sstemn yleştrlmes ya da yen sstemlern brleştrlmes anlatılmaktadır (Nlsson, 1996). ML, örnek ver ya da geçmş deneymler kullanarak br başarım ölçütünü en uygun hale getrmek çn blgsayarları programlar. Bazı parametrelerle tanımlanmış br modele sahp olduğumuzu düşünürsek öğrenme, eğtm vers yada geçmş deneymler kullanarak bu modeln parametrelern en uygun hale getrmek çn br blgsayar programının yürütülmes olarak tanımlanablr. Model se geleceğe yönelk tahmnler yapmak çn br tahmn edc ya da verden blg elde etmek çn br tanımlayıcı ya da her ks olablr (Alpaydın, 2004). ML, öğrenc tarafından tutulan herhang br ön blg ve gözlemlenen very kullanarak olası hpotez uzayı çersnde en uygun olanına karar vermek çn arama gerçekleştrr (Mtchell, 1997) Öğrenme Türler Öğrenme çn uygun gerbldrm türü genellkle öğrenme problemnn doğasına karar vermede çok öneml br faktördür (Kılıçaslan, 2011). ML nn alanı üç öğrenme türüne ayrılır. Bunlar: Gözetml Öğrenme, Gözetmsz Öğrenme ve Takyel Öğrenme.

45 32 Gözetml Öğrenme, grşlerle çıkışların brbrleryle eşleştğ örneklerden br fonksyonun öğrenlmes ya da br hpotezn bulunmasıdır (Nlsson, 1996; Alpaydın, 2004; Kılıçaslan, 2011). Gözetml Öğrenmede grşlerle çıkışların brbrleryle eşleştrlmes br gözetc tarafından gerçekleştrlr. Gözetml öğrenme problemlernden br tanes de sınıflandırma dır (Alpaydın, 2004). Gözetmsz Öğrenmede br gözetc mevcut değldr (Alpaydın, 2004). Bundan dolayı grş verlerne karşılık br çıkış verlmemştr. Gözetmsz Öğrenme özel br çıkış değer verlmemş grşler üzernde br patern bulmayı hedefler (Nlsson, 1996; Alpaydın, 2004; Kılıçaslan, 2011). Gözetmsz Öğrenme metotları anlamlı kategorler bçmndek verler sınıflandırmak çn yollar bulmaya çalışan taksonomk problemler konusunda uygulaması vardır (Nlsson, 1996). Bazı uygulamalarda, sstemn çıkışı br hareketler dzs şeklndedr. Böyle br durumda tek br hareket öneml değldr. Öneml olan hedefe ulaşmak çn doğru hareketlern dzlmnn planlanmasıdır. Herhang br durumda en y hareket dye tanımlayableceğmz br şey yoktur. Br hareket eğer y br planın parçası se y olarak kabul edlr. Böyle br durumda, ML programı yapılan planların ylğne değer bçeblecek ve geçmştek y hareketlerden br plan oluşturablmey öğreneblecektr. Böyle öğrenme türler takvyel öğrenme olarak adlandırılır (Alpaydın, 2004) Örneğe Dayalı Öğrenme Öğrenme türlernden br olan Gözetml Öğrenmey kullanan brçok tümevarımsal makne öğrenmes algortması vardır. Tümevarımsal makne öğrenmes (IML) algortmaları çıkışı blnen etketlenmş verden patern öğreneblr (Duda vd., 2001). Ver üzernde pattern öğrenme çn çok farklı ML yaklaşımı vardır (Bshop, 2006). Bu yaklaşımlardan br tanes de Tembel Öğrenmedr. Tembel Öğrenme (LL) durum tabanlı öğrenme ve br vertabanındak depolanan paternler tarayan ve br sorguya yanıt vermek çn gerekl olan yerelleştrlmş br model kuran akıl yürütme yaklaşımlarını tanımlar (Brownlee, 2007).

46 33 Örneğe Dayalı Öğrenme ya da hafıza tabanlı öğrenme metotları bazen LL metotları olarak adlandırılır (Mtchell, 1997). Örneğe Dayalı Öğrenme (IBL)de tüm gerçek ş, eğtm kümes şlenldğ zaman değl yen br örnek sınıflandırmak stendğ zaman gerçekleştrlr. Br anlamda IBL le dğer öğrenme metotları arasındak fark öğrenme şlem meydana geldğ zamandır. IBL mümkün olduğu kadar gerçek ş erteledğ çn tembel (lazy) dr (Wtten vd., 2005). Bu nedenle IBL yaklaşımının dezavantajı yen br örneğ sınıflandırma malyetnn yüksek olablmesdr (Mtchell, 1997). Dğer öğrenme metotları se ver gelr gelmez br genelleme yaptığı çn gayretl (eager) lerdr (Wtten vd., 2005; Kılıçaslan vd., 2009). IBL de her br yen örnek metrk br mesafe kullanılarak mevcut olan dğer örneklerle karşılaştırılır ve en yakın mevcut örnek yen örneğn sınıfına atanır. Bu en yakın komşuluk sınıflandırma metodu olarak adlandırılır (Wtten vd., 2005). En yakın komşuluk (knn) algortması ML algortmaları arasında en bast olanlardan brdr knn Sınıflandırıcı m-boyutlu br uzayda br ver noktası koleksyonu ve br sorgu noktası verlsn, bu sorgu noktasına en yakın ver noktasını bulma sürec en yakın komşuluk problem olarak tanımlanır (Beyer vd., 1999). knn algortması se br sorgu noktasının br ver noktası koleksyonu çersndek en yakın k tane ver noktasına olan uzaklığı esasına dayanmaktadır. Uzaklıkların hesaplanmasında Eucldean, Manhattan, Chebyshev, Mnkowsk v.b. uzaklık formüller kullanılmaktadır. Mnkowsk uzaklık formülünde m=1 ve m=2 çn hesaplanan uzaklıklar sırasıyla Manhattan ve Eucldean uzaklığını vermektedr. göre; p ve q ver noktaları olmak üzere d(p, q) k nokta arasındak uzaklıktır. Buna d Eucldean n 2 p, q p q (1) 1

47 34 d n Manhat tan p, q p q (2) 1 d Chebyshev max p, q p q (3) d Mnkowsk n 1 m 1 m p, q p q (4) knn de sınıflandırma yapılırken vertabanındak her br kaydın dğer kayıtlarla olan uzaklığı hesaplanır. Ancak, br kayıt çn dğer kayıtlardan sadece k aded göz önüne alınır. Bu k adet kayıt, başka br deyşle vertabanındak nokta, mesafes hesaplanan noktaya dğer kayıtlara nazaran en yakın olan kayıtlardır (Slahtaroğlu, 2008). Bu yöntem coğraf blg sstemlernde çok kullanılır; belrlenen br noktaya en yakın şehr, stasyon vs belrlenmes aslında knn algortmasının temeln oluşturur (Beyer vd., 1999). Algortmada k değer önceden seçlr; değernn yüksek olması brbrne benzemeyen noktaların br araya toplanmasına, çok küçük seçlmesyse brbrne benzedğ, yan aynı sınıfın noktaları oldukları halde, bazı noktaların ayrı sınıflara konmasına ya da o tür noktalar çn ayrı sınıfların açılmasına neden olur (Slahtaroğlu, 2008). Tpk k değerler 3, 5 ve 7 dr (Maleq vd., 2002). knn algortması çn uygun k değernn belrlenmes çok önemldr; çünkü k değerne göre sorgu noktasının hang sınıfa at olacağı değşeblmektedr. Bu durum Şekl 5-1 de gösterlmektedr. k=1 olması durumunda sorgu noktası kare sınıfına atanır. Yalnız k değernn 3 olarak belrlenmes durumunda se sorgu noktası üçgen sınıfına atanır. k değernn gttkçe daha büyümes se çeştl sorunlara sebep olacaktır. Bu sorunlardan br tanes de sınıflardan herhang br çn yeterl eğtm vers bulunmuyorsa yan sınıflar arasındak eğtm verlernde br dengeszlk söz konusu se bu durumda test örneğnn yanlış br sınıfa atanması söz konusu olablr.

48 35 ġekl 5-1. k değernn sınıflandırıcının tahmnne etks Eğtm vers çersnde br sorgu noktasının ver noktalarına olan uzaklığı ortalama uzaklıktan çok farklı değlse o zaman en yakın komşuluk yararlı olmayablr (Beyer vd., 1999). Bu durumun neden; sorgu noktasının, eğtm verlern sınıflandırmak çn kullanılan sınıfların ya da etketlern dışında br etkete ya da sınıfa at olması olasılığıdır. Yan eğtm verlernn sınıflandırılması esnasında kullanılmayan sınıflar olablr. knn yukarıda anlatıldığı gb verlen br gözleme en yakın k komşunun belrlenmes ve sınıfı blnmeyen yen br gözlem değer çn, bu k gözlem çndek en fazla tekrar eden sınıfın seçlmes esasına dayanıyordu. Ancak seçlen bu sınıf, sadece k komşunun göz önüne alınması nedenyle her zaman uygun olmayablr. Bu son aşamada k komşu arasında en çok tekrarlanan sınıfı seçme yöntem yerne ağırlıklı oylama adı verlen br yöntem uygulanablr (Özkan, 2008). Ağırlıklı oylama yöntem gözlem değerler çn aşağıdak bağıntıya göre ağırlıklı uzaklıkların hesaplanmasına dayanır: 1 ' d, j (5) 2 d, j Burada yer alan d(,j) fades ve j gözlemler arasındak Ökld uzaklığıdır. Her br sınıf değer çn bu uzaklıkların toplamı hesaplanarak ağırlıklı oylama değer elde

49 36 edlr. En büyük ağırlıklı oylama değerne sahp olan sınıf değer yen gözlemn at olduğu sınıf olarak kabul edlr (Özkan, 2008). knn gb nonlneer metotlar düşük bas a sahptr. Buna karşılık yüksek varyansa sahptr (Mannng, 2008). Br sınıflandırıcının bas ı, sınıflandırıcının yapmış olduğu tahmn le vernn gerçek sınıfı arasındak fark olarak smlendrlr. Bu farkın çok fazla olması sınıflandırıcının sabetl tahmnler yapamadığını göstermektedr. Br sınıflandırıcının varance sı se sınıflandırıcının yaptığı tahmnlerdek değşm olarak fade edlr. Yan br sorgu noktası çn yapılan tahmnlern brbrlernden farklı olmasıdır k-katlı Çapraz Doğrulama Eğtm versnn br sınıflandırıcı tarafından öğrenlmes çn yeterl olup olmadığını belrlemenn farklı yolları vardır. Bu yollardan br tanes de k-katlı Çapraz Doğrulamadır. k-katlı Çapraz Doğrulama (CV) vernn yaklaşık olarak k eşt parçaya bölünerek br sınıflandırıcının doğruluğunu tahmn etmek çn br yöntem sunar. Böylelkle sınıflandırıcı k defa test edlr ve eğtlr. Her zaman sınıflandırıcı ver kümes üzernde br eksk katla eğtlr (Glossary of Terms, 1998). Yan k alt parçadan k-1 eğtm çn kullanılır. Ger kalan kat se test vers olarak kullanılır (Alpaydın, 2004). Sınıflandırıcının doğruluk tahmn se k adet kat çn ortalama doğruluktur (Glossary of Terms, 1998). CV kullanılarak eğtm verler çn ver mktarında sınırlamalar yapılablr (Wtten vd., 2005). Böylelkle gereksz mktarda vernn eğtm vers çersnden ayıklanması sağlanablmektedr. Bu da knn gb hafıza tabanlı öğrenme (MBL) algortmaları çn performans kazancı sağlayacaktır. CV teknğn kullanarak bas-varance ya da underfttng-overfttng değşm dengede tutulablmektedr (Mtchell, 1997). CV teknğ hesaplamasal olarak çok malyetldr. Ancak sınıflandırıcının hata

50 37 oranını tahmn etmek stedğmz zaman çok yararlı br metottur (Nlsson, 1996). Aynı zamanda sınırlı verye sahp k öğrenme algortmasını brbryle kıyaslamak çn de CV kullanılır (Mtchell, 1997). Eğer br sınıflandırıcının genelleme hatasını tahmn etmek çn elde yeternce ver varsa bu vernn %50 s eğtm vers, %25 doğrulama vers ve vernn gerye kalan %25 se test vers olarak kullanılablr. Bunun yanı sıra ML alanında doğrulama şlem br sınıflandırıcının parametrelern ayarlamak çn kullanılır (Wtten vd., 2005). Bu da sınıflandırıcının genelleme yeteneğn test etmek çn kullanılır (Alpaydın, 2004). CV de öneml br sorunda eğtm kümes le test kümesne dağılmış olan örneklern sınıfları arasındak dengeszlktr (Wtten vd., 2005). Yan belrl br sınıfa at olan örneklern heps ya da büyük çoğunluğunun test kümesne ger kalanların se eğtm kümesne atanması problemdr. Bu sınıf dengeszlğ ver kümesnden de kaynaklanablr. Yalnız bu durum CV le lgl br problem değldr. Bu sınıf dengeszlğnden dolayı sınıflandırıcı tam olarak br öğrenme gerçekleştremez. Bundan dolayı sınıflandırıcının hata oranları yüksek çıkablr. Bu problem çözmek çn se her br sınıfın hem eğtm kümes hem de test kümes çersnde dengel br bçmde dağılması gerekmektedr. Bu durum problemn çözümünü garant etmektedr. Problemn çözümünde uygulanan bu süreç stratfcaton olarak adlandırılır. Stratfcaton eğtm ve test kümelerndek dengesz temsl edlmeye karşı öncü br koruma sağlar (Wtten vd., 2005). WEKA ( CV teknğ sırasında stratfcaton sürecn uygular. Bu da güvenlr sonuçlar verr (Bouckaert vd., 2008). Değşmeyen belrl br ver örneğ üzernde br öğrenme teknğnn hata oranını tahmn etmenn standart yolu stratfed 10-Katlı CV kullanmaktır. Bu durumda ver tüm ver kümes üzernde yaklaşık olarak aynı oranlarda temsl edlen sınıflara at rastgele 10 parçaya bölünür. Herbr parça sırayla döndürülür. Ve parçaların onda dokuzu eğtm vers olarak kullanılır. Daha sonra hata oranı dışarıda tutulan parça üzernde hesaplanır. Böylece öğrenme sürec farklı eğtm kümeler üzernde toplam 10 defa yürütülür. Sonuç olarak, 10 hata tahmn bütün br hata tahmnn bulmak çn ortalaması alınır (Wtten vd., 2005).

51 38 k değernn nçn 10 alındığına gelnce: farklı öğrenme teknkler kullanılarak yapılan çeştl ver kümeler üzerndek yaygın testlerde hata oranının en doğru tahmnn yapmak çn doğru sayının 10 cvarında olduğu görülmektedr. Aynı zamanda teork kanıtlar da bu durumu desteklemektedr (Wtten vd., 2005) Özellk Seçm ML algortmalarının karar alma süreçlern öneml ölçüde etkleyen faktörlerden br de ntelklern uygun olup olmadığıdır. İy br ntelk altkümes seçldğ zaman temel olarak k yaklaşım vardır. Brnc yaklaşım vernn genel karakterstğne dayalı bağımsız br değerlendrme yapmaktır; dğer yaklaşım se öğrenme şlev çn kullanılan ML algortmasını kullanarak ntelk altkümesn değerlendrmektr (Wtten vd., 2005). İlk yaklaşım kullanılarak öğrenme aşamasına başlanmadan önce öğrenmeye dayalı sstemn etkn kararlar alması çn y br öğrenme gerçekleştrmeye yardımcı olablecek ntelkler belrlend. İknc yaklaşımı kullanarak aynı zamanda ntelklern seçmnde fayda teors (Parmgan, 2009) yaklaşımı da kullanılmış oldu. Fayda Teors (UT) br durum hakkında kararsız kaldığımız zaman rasyonel kararlar verme üzerne dayanır (Alpaydın, 2004). Bunu şu şeklde fade edersek: daha önce gözlemledğmz ntelk x olsun ve S durumu ayrıntılı durumlardan oluşsun; S k, k = 1,,n. Buna göre x ntelğne at olduğu blnen S k durumunun olasılığı P(S k x) olarak hesaplanır. x ntelğn S k durumuna atayan karar hareket α ve fayda fonksyonumuzu da U k olarak tanımlayalım. Böylece beklenlen fayda: EU x U P S x (6) k k k Beklenlen faydayı maksmze eden hareket α olduğunu varsayarsak x ntelğ

52 39 çn α hareketnn beklenlen faydası (7) eştlğndek gb gösterlr. EU x max U P S x (7) k k k Ntelk kümesne eklenen yen br ntelğmz y olsun. Buna göre beklenlen fayda (8) eştlğndek gb gösterlr. EU x, y max U P S x, y (8) k k k Buna göre eğer EU(x,y) > EU(x) se y ntelğnn dkkate değer br ntelk olduğu söyleneblr. Yan ntelk kümesne eklenen yen ntelğn beklenlen faydası öncek ntelk kümesnn beklenlen faydasından büyük se o zaman yen ntelğn yararlı br ntelk olduğu söyleneblr Ġstatksel Değerlendrme Ölçütler Br sınıflandırıcının öğrenme sürecnn sonucunda ne kadar başarılı olduğuna karar verlmes çn çeştl ölçütlere gereksnm vardır. Bu tez çalışmasına konu olan öğrenme sstemnn başarımını ölçmek çn kullanılan ölçütler şunlardır: Kappa İstatstğ, F-Ölçütü değer ve Ortalama Karesel Hatanın Karekökü dür. Bu ölçütler aşağıda açıklanmaktadır Kappa statstğ Kappa İstatstğ (KS) br ver kümesndek tahmn edlen ve gözlenlen sınıflandırmalar arasındak uyumu ölçmek çn kullanılan br ölçüttür (Wtten vd., 2005). KS lk Cohen (1960) (Cohen, 1960) tarafından ortaya konuldu (Wtten vd., 2005). Cohen e göre KS, k gözlemc arasındak uyum derecesn

53 40 ölçmede kullanılan br ölçüttür (Cohen, 1960). KS o zamandan ber brkaç dsplnde kullanıldı (Kılıçaslan vd., 2009). ML alanı da bu dsplnlerden br tanesdr. KS, ML alanında br sınıflandırıcının doğruluğunu arttırmaya yardımcı br ölçüt olarak kullanılmaktadır (Kılıçaslan vd., 2009). KS şu şeklde tanımlanmaktadır: Pr( a) Pr( e) K (9) 1 Pr( e) Pr(a) sınıflandırıcının doğruluğunu göstermektedr ve Pr(e) aynı ver kümes üzernde rastgele br bçmde tahmn yapan sınıflandırıcının elde etmş olduğu beklenlen doğruluktur (Kılıçaslan vd., 2009). Yan yapılan tahmnn ortaya çıkma olasılığıdır. Cohen'n KS sne getrlen en büyük eleştr bazen sez le beklenenden degşk sonuçlar vermesdr (Gwet, 2010). Yan k sınıftan oluşmuş ve eşt büyüklüktek k ver kümes üzernde yapılan öğrenme şlem sonucunda sınıflandırıcının yapmış olduğu doğruluk oranları eşt olmasına rağmen KS değer k ver kümes çn de farklı çıkablmektedr. KS değer -1 ve 1 arasında değer almaktadır. -1 değer tümüyle br uyumsuzluğu ya da ters yönde br lşk olduğunu göstermektedr. 1 se mükemmel uyumu göstermektedr (Kılıçaslan vd., 2009). KS 0.4 ya da üzer br değere sahp se şansın ötesnde kabul edleblr br uyumluluktan söz edleblr (Lands vd., 1977). Lands ve Koch (1977) tarafından sunulan Kappa tablosu aşağıda gösterlmektedr. Çzelge 5-1. Lands ve Koch un Kappa değerler tablosu. Kappa Yorum < 0 Uyuşma yok Önemsz uyuşma Orta derecede uyuşma Kabul edleblr uyuşma Öneml derecede uyuşma Mükemmel uyuşma

54 F-ölçütü F-Ölçütü (F-Measure) değer precson ve recall değerlernn harmonk ortalaması olarak fade edlr (Kılıçaslan vd., 2009). Poztf ve negatf olarak sınıflandırılan örnekler çn precson, poztf olarak tahmn edlen örnekler çersnden doğru olarak sınıflandırılan poztflern oranını verr. Recall se gerçek sınıfı poztf olan örnekler çersnden doğru olarak sınıflandırılan poztf örneklern oranını verr. Tablo 5-2 de k sınıflı br ver kümesnn doğruluk tablosu gösterlmektedr. Çzelge 5-2. Ġk sınıflı br tahmn çn doğruluk tablosu Tahmn Sınıf Evet Hayır Gerçek Sınıf Evet Doğru poztf (TP) Yanlış poztf (FP) Hayır Yanlış negatf (FN) Doğru negatf (TN) TP Pr ecson (10) TP FP TP Re call (11) TP FN F Measure 2 Pr ecson Recall Pr ecson Recall (12) F-ölçütü özellkle eğtm verlernn hazırlanış sürecnde sınıflandırıcının performansını arttırmak çn öneml br ölçüt olmaktadır. Bu açıdan Yılmaz Kılıçaslan ın (2008) sınıflandırıcıların performans analznde f-ölçütü ve ver büyüklüğü arasındak lşky ortaya koyduğu çalışma önemldr (Kılıçaslan vd., 2009). Bu teze konu olan çalışmada da f-ölçütü ve ver büyüklüğü arasında çzlen öğrenme eğrsnden

55 42 br mutluluk grafğ (Russell vd., 2003) elde edlmeye çalışılmıştır. Böylelkle gereksz verler ayıklanarak sınıflandırıcının performansı arttırılmaya çalışılmıştır. Bunun yanı sıra gelştrlen uygulama da F-ölçütü sınıfların tanı çn yeterl olup olmadığını tespt etmek amacıyla kullanılmıştır. Kabul edleblr F-ölçütü değer genellkle mnmum 0.5 olarak alınır. Bu tez çalışmasında da bu değer 0.5 olarak alınmıştır Hata ölçütü: ortalama karesel hatanın karekökü Ortalama Karesel Hatanın Karekökü (RMSE) Ortalama Karesel Hata değernn karekökünün alınmasıyla hesaplanır. Ortalama Karesel Hata (MSE) bell başlı ve çok yaygın olarak kullanılan br ölçüttür. Brçok matematksel teknk (lneer regresyon gb) matematksel olarak şlenmes en kolay ölçüt olduğu çn MSE y kullanır. ML de kullanım alanı se sınıflandırıcıların performans ölçümünü yapmaktır (Wtten vd., 2005). Br tahmn edcnn hata oranı gelşgüzel br tahmn yapmasından ya da doğru br tahmn yapablmesn sağlayacak blgy yakalayamamasından dolayı meydana gelr (Lehmann vd., 1998). MSE ve RMSE değer sıfıra ne kadar yakınsa hata oranı o kadar azdır. Ayrıca her öğrenme çn MSE ya da RMSE nn kabul edleblr hata değer farklıdır. MSE ve RMSE nn hesaplanmaları aşağıda gösterlmektedr. Buna göre p, yapılan tahmn değerler; a se gerçek değerler fade etmektedr. MSE 2 2 p1 a1... pn an (11) n RMSE 2 2 p1 a1... pn an (12) n

56 Gürültü Gürültü, verde hç stenmeyen br anormallktr. Verdek gürültüden dolayı, br test versnn sınıfını öğrenmek zor olablr ve bast br hpotez sınıfı çn ble sıfır hata mümkün olmaz. Aynı zamanda, k sınıflı br ver kümes çn poztf ve negatf örnekler arasında ble bast br sınır yoktur (Alpaydın, 2004). Bu durum Şekl 5-2 de gösterlmektedr. Gürültünün brkaç neden vardır. Bunlar: Ver kümesnn hazırlanışından kaynaklanan sorunlar olablr. Verkümesndek br örneğn sınıfını etkleyen ve göz önüne alınmayan lave ntelkler olablr. Bu gb ntelkler gzl olablr ve bu hmal edlen ntelklern etks gelş güzel br eleman gb modellenr ve bu durumda ver çersne gürültü dâhl edlmş olur (Alpaydın, 2004). Şekl 5-2 dek durum ncelendğnde ver kümes çersnde gürültü olmasaydı poztf ve negatf örnekler brbrnden ayırmak çn h 1 hpotez yeterl olacaktı. Yalnız gürültüden dolayı öğrenme algortması h 1 hpotez yerne h 2 hpotezn oluşturdu. Bu durumda h 1 hpotez gb bast br modelden h 2 hpotez gb kompleks br modele geçld. Kompleks br model kullanılarak verye mükemmel br uygunluk sağlanır (Alpaydın, 2004; Schölkopf vd., 2002). Bast br model kullanımında se bazı hatalar oluşablr (Alpaydın, 2004). Yalnız bast br model kullanmanın bazı avantajları mevcuttur. Bunları şu şeklde özetleyeblrz: Hesaplamasal komplekslk daha düşük olduğu çn kullanımı daha kolaydır (Alpaydın, 2004). Uzay komplekslğ daha düşük olduğu çn eğtmek daha kolaydır. Yan br dkdörtgen le tanımlanan br uzayın köşelern bulmak daha kolaydır. Böylelkle bu köşeler le kontrol yapmak ve sstem eğtmek daha kolay olur (Alpaydın, 2004). Bast br model açıklamak kolaydır. Bundan dolayı eğtm kümes çnde yer alan ham verden enformasyon çıkartablrz (Alpaydın, 2004).

57 44 Bast br model daha az varyansa sahp olduğundan dolayı kompleks br modele göre daha y genelleme gücüne sahptr. Bu prensp Occam ın usturası ( olarak blnr (Alpaydın, 2004). ġekl 5-2. Br verkümesnde gürültü 5.9. Bas-Varyans AyrıĢımı Bas-Varyans ayrışımı ML algortmalarını anlamada anahtar br araçtır. Son yıllarda deneysel çalışmalarda Bas-Varyans ayrışımının kullanımı gttkçe artmaktadır. Bas ve Varyans kavramları çok bast tahmn edclern çok karmaşık olanlara ne kadar üstün olabldğn ve model topluluklarının bast modellere ne kadar üstün olabldklern açıklamaya yardım eder. Bas-Varyans ayrışımı dğer statksel hata fonksyonlarının yanı sıra karesel kayıplar çn de türetlmştr (Domngos, 2000). Bu türetme Geman, Benenstock ve Doursat (Geman vd., 1992) tarafından yapılan br çalışmada gösterld. Bu göstermde öğrenme algortmasının ortalama hatası bas ın kares le varyans ın toplamı olarak fade edlmektedr. Bu göstermn dışında başka yazarlar bas-varyans değşmn farklı bçmde göstermektedrler. Bu göstermlerden br tanes 0-1 kaybı çn gösterlmştr. Bu göstermlern öneml br kısmı öneml

58 45 eksklkler çermektedr (Domngos, 2000; James, 2003). Örneğn Kong and Detterch'n (Kong vd., 1995) 0-1 kaybı çn yaptığı ayrışım varyans ın negatf çıkmasına neden olmakta ve gürültüden kaynaklanan sorunları dkkate almamaktadır (Domngos, 2000). Kayıp fonksyonu (loss functon) olarak karesel hatayı kullanmak çok uygundur. Çünkü karesel hata, onu kullanmayı çok cazp kılan bas-varyans ayrışımı gb y blnen matematksel özellklere sahptr (James, 2003). ML alanında bas ve varyans kavramlarını kısaca açıklayacak olursak ML alanında bas gerçek değer le tahmn değer arasındak fark; Varyans se yapılan tahmnlern ortalama tahmnden ne kadar saptığı olarak açıklanır. Şmd ML alanında MSE nn bas-varyans ayrışımı olarak fadesn verelm. Yalnız bu şlemlerden önce statstksel olarak beklenen değer fadesn açıklayalım. Çünkü matematksel olarak MSE nn ayrıştırılmasında beklenen değer oldukça sık kullanılmaktadır. S br deneydek örneklem uzayı olarak varsayılsın. Deneyn sonuçları yan S nn örneklem noktaları sayı olmayablr. Bununla beraber çoğu zaman her sonuca belrl br sayı bağlanır. Örneğn br çft zardak sayılar toplamı, brçtek asların sayıları v.b. Böyle sayılara raslantı değşkenler ya da rassal değşken denr. Buna göre X, sonlu görüntü kümel örneklem uzayındak X(S) = (x 1, x 2,, x n ) gb br rassal değşken olsun. X(S) olasılık uzayında, x nn olasılığı f(x ) bçmnde yazılan P(X=x ) olarak tanımlanarak yapılır. X(S) dek bu f fonksyonu, yan f(x ) = P(X=x ) olarak tanımlanan fonksyona X n dağılım ya da olasılık fonksyonu denr (Lpschutz, 1990). Buna göre f dağılımı çn; () f(x ) 0 n () f ( ) 1 1 x Koşullarını sağlar. Şmd X yukarıdak dağılımı olan br rassal değşken se X n E(X), E, µ x ya da µ bçmnde gösterlen ortalama ya da beklenen değer E X x1 f x1 x2 f x2... x n f x n n 1 x f x (13)

59 46 Olarak tanımlanır. Kısacası E(X) br rassal değşkenn alableceğ bütün değerlern, olasılıklarıyla çarpılması ve bu şlemn bütün değerler üzernden toplanmasıyla elde edlen değerdr. Ayrıca X n olası değerlernn ağırlıklı ortalaması da denlmektedr. Beklenlen değern çeştl özellkler vardır. Bunlar aşağıda gösterlmektedr. Sabt sayıların beklenen değer kendsne eşttr, yan a br sabt se E(a) = a dır. a ve b sabt sayılar ve X br değşken olmak üzere E(aX) = ae(x) ve E(aX = b) = ae(x) + b olur. a sabt br sayı, X br değşken ve Y=U(X) olarak tanımlanmış br başka değşken (X değşkennn br fonksyonu) se E(aY) = E(aU(X)) = ae(u(x)) dr. Dğer öneml br konu da beklenen değern koşullu olma durumudur. Bu durumda koşullu dağılımlardan elde edlen beklenen değere koşullu beklenen değer denr. X değşkennn A gb olaya göre koşullu beklenen değer E(X A) bçmnde gösterlr ve aşağıdak gb tanımlanır: E X A xp x A x A (14) (14) eştlğnde tanımlanan P(x A) koşullu olasılığı şu şeklde tanımlanmaktadır. P x A P( x) P( A) (15) Bu koşullu olasılık bze, A olayı blndğ taktrde x n olma olasılığını verr ve x n olasılığının hesaplanmasında ek blg verr. Şmd br tahmn edcnn MSE snn bas-varyans ayrışımını nceleyelm. Buna göre T = (x 1, a 1 ), (x 2, a 2 ),, (x N, a N ) şeklnde br eğtm kümes verlmş olsun. Bu eğtm kümesnn tahmn edcs p=g(x) olsun ve bu tahmn edc f=f(x) şeklnde tanımlanan gerçek fonksyona yaklaşmaya çalışsın. Eğtm kümes T çn gürültü olduğu varsayılarak çıkışlar a = f + ε şeklnde farzedlmekte olup E[ε] = 0 dır. Çünkü beklenen

60 47 değern brnc özellğne göre sabt değerlern beklenen değer sıfırdır. Böylece bu tahmn edcnn MSE s aşağıdak gb tanımlanır. MSE 1 N N 1 a p 2 (16) Buna göre tahmn edcnn tahmn başarımını değerlendrmek çn br f(x) den oluşan br test örneğn test ederek g(x) çn beklenen MSE değern elde edeblrz. Beklenen MSE değer aşağıdak gb tanımlanmaktadır. E MSE E 1 N N 1 a p 2 1 N N 1 E a p 2 (17) Şmd (17) eştlğnde tanımlanan eştlğn sağ tarafına eştlğ bozmayacak şeklde eklemeler yapalım. Buna göre: E a p 2 E a f f p 2 E a f 2 E f p 2 2E f p a f E E 2 2 E E f f p p E f a E f 2 E p a E p f (18) E 2 E f p 2 Yukarıdak eştlkte son term sonuç olarak sıfıra eşttr. Bunu göstermek çn her br termn sonucunu hesaplayalım. Buna göre: E[f a ] = E[f ].E[a ] dr ve E[a ] = f olduğundan dolayı sonuç E[f 2 ] olarak bulunur. Ayrıca f(x) fonksyonu kararlı olduğu çn E[f a ] = f 2 şeklnde hesaplanır. f(x) fonksyonu kararlı olduğu çn E[f 2 ] = f 2 şeklnde hesaplanır.

61 48 Eğtm versnde gürültü olduğu varsayıldığından dolayı gerçek değerler a = f + ε şeklnde hesaplanmaktadır. Ayrıca E[ε] = 0 dır. Buna göre E[p a ] şu şeklde yazılablr: E[p (f + ε)] = E[p f + p ε] = E[p f ] + 0 = E[p f ] dır. Bu durumda son term aşağıdak gb sıfır olarak hesaplanır: f p E f p E f E f E f p E a p E f E a f E (19) Böylelkle MSE, verdek gürültüden kaynaklanan varyans ve gerçek fonksyon le tahmn edlen değerler arasındak MSE olarak ayrıştırılablr. Şmd (18) eştlğndek sonucu oluşturan fadelerden son term alalım: E[(f -p ) 2 ]. (18) eştlğnde yaptığımız ekleme şlemlernn br benzern bu fade çn de uygulayalım. Buna göre: p Var bas p Var bas p E p E p E E p f E p E f E p Var bas p p E p E f E p p E E p E f E p p E p E f E p f E (20) Yukarıdak eştlkte son term yne sıfır olarak hesaplanmaktadır. Bunu göstermek çn son termn her br termnn sonucunu hesaplayalım. Buna göre: f(x) kararlı br fonksyon ve E[E[z]] = z olduğu çn E[f E[p ]] = f E[p ] olarak hesaplanır. E[E[p ] 2 ] = E[p ] 2 olarak hesaplanır.

62 49 E[p f ] = f E[p ] olarak hesaplanır. E[p E[p ]] = E[p ] 2 olarak hesaplanır. Bu durumda son term aşağıdak gb sıfır olarak hesaplanır: 2 E f E p E f p E E p 2 E p E p 2 f E p f E p E p 2 E p (21) 0 Sonuç olarak beklenen MSE nn ayrıştırılmasıyla aşağıdak yapı oluşur. Ayrıca g(x) tahmn edcsnn yaptığı tahmnler, bas ve varyans Şekl 5-3 te gösterlmektedr. E a p 2 Var Gürültü bas 2 Var p (22) ġekl 5-3. g tahmn edcsnn bas ve varyansı (22) eştlğndek son duruma göre Gürültünün varyansı mnmze edlemez (James, 2003; Vjayakumar, 2011). Çünkü Gürültü tahmn edcden bağımsızdır. MSE y mnmze etmek çn bas ve varyansı azaltmak gerekmektedr. Ancak bunu yapmak öneml değldr. Çünkü grş verlern önemsemeyp br şeklde çıkışı tahmn etmeye çalışmak kesnlkle yapılan tahmnlern varyansını mnmze edecektr. Ancak yapılan tahmnlern bas ı son derece fazla olacaktır. Genellkle uygun bas-varyans

63 50 değşmn bulmak zordur. Ancak CV gb yollarla uygun çözümler bulunablr (Vjayakumar, 2011). Şmd yukarıda tanımladığımız bas-varyans ayrışımını braz daha ayrıntılı nceleyp tahmn edcnn bas ve varyansını eğtm kümesnn değşmne göre yorumlayalım. Böylelkle eğtm kümes le tahmn edc arasındak lşk y br bçmde analz edleblr. Buna göre blnmeyen ortak br olasılık dağılımından oluşan br X=x t, r t, t=1,, N örneğ olsun. Bu örneğ kullanarak g(x) tahmnlermz oluşturalım. Buna göre beklenen karesel hata aşağıdak gb hesaplanır: E r g x 2 x E r E r x 2 x E r x g x 2 (23) Karesel Hata Gürültü (23) eştlğnde sağ taraftak lk term verlen x n çıkışının varyansıdır. Yan r nn varyansıdır. Bu durum eğtm versnde gürültü olarak adlandırılır ve bu durum g(x) ten bağımsızdır. Bundan dolayı hatanın bu kısmı kullandığımız tahmn edc ne olursa olsun azaltılamaz (Alpaydın, 2004). İknc kısım se g(x) n f(x) ten ne kadar saptığını gösteren kısmıdır. Hatanın bu kısmı eğtm kümes ve tahmn edcye bağımlıdır (Alpaydın, 2004). Bu durumda br örnek çn tahmn edc yan g(x) çok y uygunlukta olablr. Ancak dğer bazı örnekler çn se g(x) çok kötü br uygunluk göstereblr. Bu durumda g(x) tahmn edcsnn ne kadar y tahmnler yaptığını değerlendrmek çn olası ver kümelernn ortalamasını almak gerekmektedr (Alpaydın, 2004). Buna göre aynı olasılık yoğunluk fonksyonu le oluşan N elemanlı br X örneğnn ortalama hatası ya da hatanın beklenen değernn ayrışımı aşağıdak gbdr: E x E r x g x 2 x E r x E g x 2 E g x E g x 2 (24) x x x bas var yans Buna göre değşen örnekler çn bas ve varyansı tahmn etmeye çalışalım. Bunun çn X =x t, r t, =1,, M gb br ver kümes oluşturalım. Bu ver kümesnn gerçek fonksyonu f(x) olsun ve değşen her br örneğmz çn tahmn fonksyonumuz g (x)

64 51 olsun. Buna göre yapılan ortalama tahmn fonksyonu ya da beklenen tahmn fonksyonu E[g(x)] aşağıdak gb hesaplanır: E g x 1 M g( x) g x (25) M 1 Bu durumda bas ve varyans aşağıdak gb hesaplanır: 1 2 bas g 2 g x t f x t (26) N t 1 2 var yans g g x t g x t (27) NM t Şeklnde hesaplanır. Buna göre bas ve varyans hesaplamalarına göre aşağıdak yorumları yapablrz: Tahmn fonksyonu gerçek fonksyondan daha bast se bu durumda bas artar. Eğer tahmn fonksyonu gerçek fonksyondan daha kompleks se bu durumda da tahmn edcnn varyansı artar. Tahmn fonksyonunun bas ı arttığı zaman varyans ı düşer, varyans ı arttığı zaman da bas ı düşer. Bu durum bas-varyans klem olarak smlendrlr ve bas-varyans klem herhang br makne öğrenmes sstem çn sözkonusudur (Geman vd., 1992). Bundan dolayı uygun bas varyans değşmn bulmak zordur Vjayakumar, 2011). Bunun çn eğtm kümesnn değşmne bağlı olarak MSE grafğ oluşturulur ve br mutluluk grafğ (Russell vd., 2003; Kılıçaslan vd., 2009) elde edlmeye çalışılarak uygun bas-varyans değşm yakalanablr. MSE, bas ve varyansın brbrlerne göre durumunu gösteren grafk Şekl 5-4 te gösterlmektedr. Eğer tahmn edc de bas varsa, model sınıf çözümü çermez. Buna underfttng denr. Eğer varyans varsa, model sınıfın genelleme gücü uygunluğun üzernde olur ve verdek gürültüler de öğrenr. Buna da overfttng denr. Bu durumda

65 52 sınıfı bell olan br test vers fazla genellemeden dolayı farklı br sınıfa atanablr. ġekl 5-4. knn sınıflandırıcının k-değerne bağlı olarak MSE, bas ve varyans değģmnn grafğ

66 53 6. WEKA WEKA, verkümelerne kolaylıkla uygulanablen öğrenme algortmalarını çeren br araçtır. WEKA, Yen Zellanda da Wakato Ünverstesnde gelştrld ve sm Wakato Envronment for Knowledge Analyss sözcüğünden gelmektedr. WEKA sm aynı zamanda sadece Yen Zellanda da bulunan ve nesl tükenmş uçamayan br kuşun da adından esnlenlmştr. WEKA, Java programlama dl le gelştrlmş ve Genel Açık Lsans le dağıtımı yapılmaktadır. WEKA; Lnux, Wndows ve Macntosh şletm sstemler altında test edlmş ve herhang br platformda çalışablmektedr. WEKA le verkümelern şleyeblr, sınıflandırıcı sonuçlarını analz edeblr ve herhang br kod yazmadan WEKA nın performansından faydalanablrz (Wtten vd., 2005). WEKA tüm ver madenclğ problemler çn metotlar çerr. Bu metotlar şunlardır: Regresyon, sınıflandırma, kümeleme, brlktelk kuralları oluşturma ve ntelk seçm. WEKA dak tüm algortmalar bast lşksel tablo şeklnde olan ARFF dosya formatını grş olarak alablmektedr. WEKA yı kullanarak lk olarak br verkümesne öğrenme metotlarını uygulayablr ve ver hakkında daha fazla şey öğrenmek çn onun çıkışını analz edeblrz. İknc olarak yen gelen örnekler üzernde tahmnler yapmak çn öğrenlmş modeller kullanmak. Üçüncü olarakta farklı öğrenme algortmalarını uygulamak ve onların yapmışoldukları tahmnler brbryle karşılaştırmak çn kullanılmaktadır. Öğrenme metotları sınıflandırıcı olarakta smlendrlmektedr. Etkleşml WEKA arayüzünden stenlen br sınıflandırıcı kolay br bçmde seçleblmektedr. WEKA çersnde dört temel uygulamaya sahptr. Bu uygulamalar şunlardır: Explorer, Expermenter, KnowledgeFlow ve Smple CLI. Şekl 6-1 de Wekanın arayüzü görülmektedr.

67 54 ġekl 6-1. WEKA grafk arayüzü 6.1. Temel Kavramlar Verkümes Ver elemanlarının br topluluğu olan verkümes makne öğrenmesnn çok temel br kavramıdır. Verkümes k boyutlu br tablo ya da vertabanı tablosuna eşttr. WEKA da verkümes weka.core.instances sınıfı le uygulanılır. Br verkümes weka.core.instance sınıfının her br örneklern br koleksyonudur. Her br örnek br çok ntelkten oluşur. Bu değerler nomnal (değerler lstes bçmnde), nümerk (reel ya da tamsayı) ya da strng (karakter katarı) olablrler. Bu türlere laveten date ve relatonal ver tpler de mevcuttur. Br örnek sınıfın harc temsl br ARFF dosyasıdır (Bouckaert vd., 2008). ARFF dosyasının yapısı üç kısımdan oluşmaktadır. Bunlar: relaton, attrbute ve data dır. Şekl 6-2 de br hastanın örnek ARFF dosyasından br kest gösterlmektedr.

68 55 ġekl 6-2. Br hastanın örnek ARFF dosyası Sınıflandırıcı WEKA da herhang br öğrenme algortması soyut weka.classfers.classfer sınıfından türetlmektedr. Bunların az br kısmı temel br sınıflandırıcı çn gerekldr. Burada temel sınıflandırıcı, br eğtm verkümesnden br sınıflandırıcı model oluşturan br rutndr. Dğer rutnler se, öngörülemeyen br test verkümes üzernde oluşturulmuş br model değerlendren br rutn ya da tüm sınıflar çn br olasılık dağılımı oluşturan br rutndr (Bouckaert vd., 2008). Gelştrlen sstem çersnde kullanılan knn sınıflandırıcı weka.classfers sınıfından türetlmektedr. WEKA da sınıflandırıcılar WEKA nın çekrdeğnde yer

69 56 almaktadırlar. Sınıflandırıcılar çn brçok ortak seçenek vardır. Bu seçeneklerden en önemller ve gelştrlen yazılım uygulamalarında da kullanılan seçenekler aşağıda kısaca açıklanmaktadır. -t ARFF formatından hazırlanmış eğtm dosyasını belrtr. -T ARFF formatında hazırlanmış test dosyasını belrtr. Eğer bu parametre kullanılmamış se o zaman eğtm verler üzernde CV şlem gerçekleştrlr. CV çn k değer varsayılan olarak 10 olarak alınır. -x Eğer T parametres belrtlmemşse CV çn k değern set eder. -c Bu parametre br tabanlı ndeksl sınıf değşkenn set eder. Yan hang ntelğn sınıf ntelğ olacağı set edlr. Varsayılan olarak en son ntelk sınıf ntelğdr. -d Bu parametreyle brlkte eğtm şlemnden sonra oluşan model kaydedlr. Yalnız CV le oluşturulan çoklu modellerde kaydetme şlem olmaz. -l Önceden kaydedlmş model yükler. -p# tahmnler gösterr. Br test dosyası uygulanmış se bu parametre sonuç sınıfı çn yapılan - Bu parametre le doğruluk tablosundan oluşturulan precson, recall, true ve false poztf oranlar gb performans değerler çıkış olarak verlr. -v Eğtm vers çn statstklern yer almadığı br çıktı verr. -o Sınıflandırıcı tanımlarının yer almadığı ama statstksel sonuçların yer aldığı br çıktı verr. Gelştrlen yazılım uygulamalarında WEKA çersnde yer alan knn sınıflandırıcı çağrılmaktadır. Bu açıdan WEKA buna olanak sağlamaktadır. WEKA nın çağrılması le lgl kodlar EK-A da yer almaktadır. Yalnız komut satırından gönderlen parametrelern ncelenmes açısından aşağıdak komut verlmektedr. java -cp weka.jar weka.classfers.lazy.ibk -t tranng.arff -x 10 -v -o WEKA aracı Java programlama dl le gelştrldğnden dolayı ster herhang br program üzernden stenrse de komut penceresnden yukarıdak komut yazılablr. Öncelkle Java Çalışma Ortamı Derleycs çağrılır ve cp parametres le orta sevye koda dönüştürülen weka.jar dosyası yan WEKA aracı çalıştırılır. Daha sonra

70 57 weka.classfers.lazy.ibk sınıfı WEKA çersnden çağrılır. Daha önce weka.classfers sınıfının WEKA nın çekrdeğnde olduğunu söylemştk. Bu sınıf çersnde lazy algortmaları çeren br sınıf ve bu sınıftan türetlen IBk smnde de başka br sınıf yer almaktadır. WEKA da knn sınıflandırıcı IBk olarak çağrılmaktadır. Bu aşamadan sonra yazılan t tranng.arff fades le tranng.arff dosyası eğtm vers olarak seçlr. x 10 fades le de CV çn k değer 10 olarak belrlenr. v, -o ve parametreler yukarıda açıklanmaktadır. Buna göre bu kod çalıştırıldığı zaman 10 elemanlı br örnek verkümes çn Şekl dek çıktıyı verr. ġekl 6-3. ÇalıĢtırılan komutun çıktısı

71 Explorer WEKA nın ana grafk arayüzü Explorer olarak blnr (Bouckaert vd., 2008). Şekl 6-4 te Explorer penceres gösterlmektedr. Bu pencere altı menüden oluşmaktadır. Preprocess menüsü le eğtm versn çeren ARFF dosyası yüklenr ve verkümes le lgl ön şlemler yapılır. Classfy menüsü le br sınıflandırıcı seçlr ve bu sınıflandırıcı eğtm kümes yardımıyla eğtlmeye çalışılır. Cluster menüsü le brbrne yakın örnekler br arada gruplanır. Yan kümeleme şlem gerçekleştrlr. Assocate menüsü le ver çersnden brlktelk kuralları elde edlr. Select attrbutes menüsü le verkümes çersndek br çok lşkl ntelk seçlr. Vsualze menüsü le öğrenme şlem sonunda oluşan analz ve verkümesnn analz 2D olarak gösterlr. ġekl 6-4. Explorer penceresnden br görünüm

72 Expermeter Explorer ve KnowledgeFlow ortamları ML planlarının verlen br verkümes üzernde ne kadar y karar verdğ konusunda kullanıcılara yardım eder. Ancak cdd araştırma çalışmalarında çeştl parametre ayarlamaları, farklı verkümeler üzernde çalışan brkaç öğrenme algortmasının sınanması gb bazı deneyler gerçekleşmektedr. Expermenter kullanıcılara genş ölçekte deneyler gerçekleştreblmelerne olanak sağlar (Bouckaert vd., 2008). Şekl 6-5 te Expermenter ortamından br görünüm gösterlmektedr. ġekl 6-5. Expermenter ortamından br görünüm

73 KowledgeFlow KnowledgeFlow ortamı Explorer a alternatf olarak gelştrlmş br arayüzdür. Explorer le yapabldklermz araç çubuğu üzernde yer alan bleşenlerle gerçekleştrlr. Gerçekleştrlen şlemler Explorer dan farklı olarak görsellk taşımaktadır. Şekl 6-6 da KnowledgeFlow arayüzüne at br görünüm gösterlmektedr. ġekl 6-6. KnowledgeFlow ortamından genel br görünüģ 6.5. Smple CLI Smple CLI arayüzü le brlkte WEKA komut satırı kullanılarak verkümeler üzernde deneyler gerçekleştrlr. Yukarıda yazmş olduğumuz komutu Smple CLI ortamını kullanarak yazacak olursak Şekl dek görüntüyü elde ederz. Yalnız bunun

74 61 çn komutta ufak br değşklğe gtmek zorundayız. Bu durumda komut satırına yazacağımız komut aşağıdak gb olur. java weka.classfers.lazy.ibk -t tranng.arff -x 10 -v -o ġekl 6-7. Smple CLI arayüzünden genel br görünüm

75 62 7. ARĠTMĠ HASTALARI ĠÇĠN GELĠġTĠRĠLEN SĠSTEM 7.1. Teze Konu Olan Projenn Tanıtımı Artm brçok nedene bağlı olarak ortaya çıkan kaotk br hastalıktır. Bu hastalığın oluşmasına kalbn kaotk br bçmde kasılması neden olmaktadır. Bu düzensz kasılmalar bazen vücut tarafından tolere edleblmesne karşın bazen de metabolzmayı olumsuz br bçmde etkleyeblmektedr. Bu durum artm hastalarının sürekl br ölüm rsk taşımaları anlamına gelmektedr. Hastanın bu ölüm rsk karşısında hastalığın teşhs ve tedavs çn gözetm altında tutulması gerekmektedr. Bazen yanlış konulan teşhs ve bunun sonucunda tedavden dolayı hastanın artm şkâyetler devam edeblmektedr. Bu durum da hastanın dğer günlük faalyetlern de aksatmadan gözetm altında tutulması gerekeblmektedr. Bundan dolayı hastanın br sağlık kurumunun dışında herhang br ortamda da gözetm altında tutulması ve hastanın durumu hakkında blg alınması gerekmektedr. Bunun doğal sonucu olarak hasta lokasyondan bağımsız olarak zleneblecektr. Artm hastalarının teşhs sürecnde non-nvazf br yöntem olan EKG çok öneml br görev görmektedr. EKG le kalpten kaynaklanan artm şkâyetler tespt edleblmekte ve kalbn hang bölgesnn görevn yerne getremedğ bulunablmektedr. Yalnız br sağlık kurumu dışında çok hassas (12-dervasyonlu) br EKG chazını hastanın bulunduğu konumda bulundurablmes çok zordur. Aynı zamanda hastanın mobl olduğu düşünülürse bu durum mkânsız olur. Bu ve buna benzer nedenlerden dolayı ölçüm chazları çn çeştl yöntemler gelştrlmştr (Kovstonen vd., 2004; Alhanka vd., 1981; Brnk vd., 2006; Shrouzu v d., 2001). Bu çalışmada EKG gb kalp snyallern şleyen br chaz yerne metabolzmanın çalışmasının br sonucu olarak ortaya çıkan nabız, kan basıncındak dalgalanmalar, kandak oksjen mktarı vb. parametreler okuyan br chaz kullanılmış ve bu chaz moblze hale getrlerek gelştrlen ssteme entegre edlmştr.

76 63 Gelştrlen chazın hastadan aldığı blgler GPRS (Bettstetter vd., 1999; Brasche vd., 1997) teknolojs yardımıyla uzaktak Server ın şlemsel vertabanına kaydedlr. Daha sonra vertabanındak verler şlenerek ver ambarına taşınır. Br ver ambarı karar verme sürecne yardım etmek çn kurulan büyük br tümleşk ver topluluğudur (Hurtado vd., 1999). Ver ambarları şlemsel vertabanlarından oluşturulurken tüm verlern ş akış sürecne yönelk, bütünleşk ve belrl br zaman dlmne at olacak şeklde düzenlenmes gerekmektedr (Guerrero vd., 2004). Bu aşamadan sonra OLAP (Codd, 1993) ya da ver madenclğ (Wtten vd., 2005) gb karar vermeye yardımcı olacak ver analz ve sorgulamalar gerçekleştrlr. Bu tez çalışmasında OLAP yerne ver madenclğ ya da daha açık br fadeyle ML metotlarından knn sınıflandırıcı kullanılmıştır Öğrenmeye Dayalı Sstem OluĢturan BleĢenler Bu tez çalışması çn gelştrlen projenn bleşenler aşağıda sunulmaktadır. PIC 16F877 Dgtal Pulse Oxmeter Module ChpOx ( Telt GM862-GPS module ( Workstaton Weka Software Developer verson Bu bleşenlerden lk üçü hastanın üzernde taşıdığı chazı oluşturan bleşenlerdr. Dğer bleşenler se Server üzernde toplanan verlern öğrenldğ ve değerlendrldğ kısmı oluşturmaktadır. Bu kısım, gelştrlen web tabanlı br uygulama le beraber çalışmaktadır. Bu makalede daha çok knc kısım üzerne odaklanıldı.

77 Ver Toplama Hastalardan elde edlen verler GPRS teknolojs kullanılarak Server üzerndek ver tabanına kaydedlmektedr. Böylelkle hastanın bulunduğu ortamda herhang br kablolu letşm teknolojsnn bulunmamasının br önem olmamaktadır. Ayrıca verler lgl GSM/Gateway üzernden WWW e aktarılmakta ve TCP/IP paketler hâlnde Server a letlmektedr. Bu ssteme at alt yapı Şekl 7-1 de gösterlmektedr. ġekl 7-1. GPRS n genel br görünümü GPRS ağlarında TCP performansı kararlıdır (Meyer, 1999; Othman vd., 2007). Bu nedenle ver toplama çn kullanılan sstem performans, esneklk ve malyet açılarından etkndr.

78 65 Toplanan ver, vertabanına kaydedlmeden önce ver fltreleme şlem gerçekleştrlr. Bu şlem ver üzerndek bozuklukları tespt etmey ve pulse oksmetre (Nellcor, 1988) chazı le hastadan alınan verlern snyal kaltesnn düşük olması sonucu bu verler ptal etmey çermektedr. Ver fltreleme şlemnden sonra verler şlemsel vertabanına kaydedlr. Daha sonra uzman tarafından belrlenen verler normalze edlerek ver ambarına taşınır. Ver ambarındak verler daha sonra öğrenmeye dayalı sstem çn eğtm verler olarak kullanılır. AIM ya da dğer metotlara dayalı gelştrlen sstemler nsan uzmanlarla brlkte yürütülmes gerektğn (Vmla vd., 2009) daha önce de vurgulamıştık. Bunun neden olarakta hçbr sstemn br uzmanın yıllar çersnde kazandığı tecrübey kazanamamasıdır. Bu nedenle gelştrlen AIM sstem çersnde toplanan verler etketleme şlemn br nsan uzman yapmaktadır. Böylelkle gelştrlen AIM sstem çersnde br uzmanın katılımıyla gerçekleştrlen öğrenme le tümevarımsal uzman sstem tasarımına da gdlmş oldu. Bu sstem Şekl 7-2 de gösterlmektedr. ġekl 7-2. GelĢtrlen AIM sstemnn genel br görünümü

79 Seçlen Ntelkler UT ye göre yapılan özellk seçmnde seçlen ntelkler şunlardır: Pletsmogram, Perferk oksjen saturasyonu, nabız ve snyal kaltes. Bu ntelkler aşağıda açıklanmaktadır. Pletsmogram: Kalp atışı le brlkte kan akışının değşm atardamarlarda letlr ve br pulse dalgası olarak ölçüleblr. Ölçülen bu puls dalgasının yoğunluk değşm pletsmogram olarak adlandırılır (Sakane vd., 2003). Yan bu yoğunluk değşmnn neden atardamardak kan mktarındak dalgalanmalardır. Pletsmogram test kullanılarak kol ve bacaklardak kan pıhtıları kontrol edleblr ya da akcğerde ne kadar hava tutulduğu ölçüleblr. Hastalarda kullanılan pulse oksmetre chazının pletsmogram değer aralığı: 0 LSB le 255 LSB dr ( Perferk Oksjen Saturasyonu (SPO 2 ): Kandak oksjen satürasyonu ya da ermş oksjen sevyes olarak ölçülen SPO 2 aşağıdak formüle göre pulse oksmetre le hesaplanır. HbO 2 : okshemoglobn, Hb: hemoglobn HbO2 SPO (27) 2 HbO Hb 2 Hastalarda kullanılan pulse oksmetre chazının ölçülen SPO 2 değer aralığı 45% le 100% dür. Bu değerler çn doğruluk aralığı se kullanılan pulse oksmetre chazı tarafından 70% < SPO 2 < 100% olarak belrlenmektedr ( Nabız: Nabız, kalbn ne kadar yeterllkte çalıştığının br göstergesdr. Ayrıca güçlü ve ya zayıf nabız kalp ve damar problemlernn teşhsne yardımcı olablr. Çünkü bu durum kalbn kanı nasıl pompaladığını gösterr.

80 67 Kullanılan pulse oksmetre çn değer aralığı 0 le 250 dr. Bu değer 10 altında se nabız düşüktür. Eğer bu değer 15 se nabız yeterldr ( Snyal Kaltes: Snyal kaltes değer aralığı 0% - 100% dür ve snyal kaltes 90% nın üzerndeyse snyal kaltesnn y olduğu söyleneblr ( Pulse oksmetre le yapılan ölçümler sırasında 90% snyal kaltesnn üzerndek verler vertabanına kaydedlmektedr. Vertabanına kaydedlen verler ver ambarına taşınmadan önce snyal kaltes ntelğ üzernde mn-max normalleştrme yöntem uygulandı. Mn-max normalleştrlme yöntem uygulanarak snyal kaltes ntelğnn dğer ntelkler üzerndek baskısı azaltılmış oldu. Böylelkle kullanılan öğrenme algortması, snyal kaltes dışındak ntelklern öğrenme sürecndek etknlğn daha y kullanablmştr. Mn-max normalleştrme yöntem le verler 0 le 1 arasındak değerlere dönüştürülür. Bu dönüştürülme şlem (28) eştlğnde gösterlmektedr. Bu eştlğe göre; X * dönüştürülmüş değerler, X gözlem değerlern, X mn en küçük gözlem değern ve X max en büyük gözlem değern fade etmektedr. X X * mn X (28) max X X mn Snyal kaltes ntelğ çn uygulanan mn-max normalleştrlmes yöntemnde X mn değer 90 ve X max değer se 100 olarak alındı.

81 68 8. GELĠġTĠRĠLEN UYGULAMALAR Bu tez çalışmasının amacını gerçekleştrmek çn br web tabanlı dğer desktop tabanlı olmak üzere k yazılım gelştrld. Bu bölümde bu yazılımların gelştrlme nedenler ve görevler tanıtılacak. Gelştrlen yazılımlar Vsual Studo 2010 aracı kullanılarak.net platformunda C# programlama dl le gelştrldler. Web tabanlı uygulama.net 2.0, desktop tabanlı uygulama se.net 4.0 sürümünü kullanmaktadır. Uygulamalar vertabanına MS SQL Server 2005 sunucusunu kullanarak bağlanmaktadırlar. Aynı zamanda gelştrlen uygulamalar aynı sunucu üzernde hzmet vermektedrler Uzman Değerlendrmeler çn GelĢtrlen Uygulama Gelştrlen web tabanlı uygulama, vertabanında depolanan artm hastalarının verlern nceleyen br uzmanın verler analz edp bu verler etketleyeblmesn sağlayablen br arayüze sahptr. Bu arayüz Şekl 8-2 de gösterlmektedr. Bu şlemden önce tüm artm hastaları kullandıkları chazın ID s le eşleştrlerek vertabanına kaydedlmektedr. Ayrıca her hasta le lglenen br uzman doktor bulunmaktadır ve bu eşleştrme de yapılablmektedr.

82 69 ġekl 8-1. GelĢtrlen uygulamadan br görünüm Gelştrlen sstem, vertabanında depolanan verlern öğrenme çn yeterl olup olmadığı le lgl statstkî blgler uzman kşye sunmaktadır. Bununla lgl arayüz Şekl 8-3 te gösterlmektedr. Bu blglern hazırlanması le lgl yazılan kodlar EK-A de yer almaktadır. Uzman kş bu blglere göre verlern yeterl geldğne karar verrse, hasta çn depolanan verler ver ambarına taşınır ve eğtm verler hazırlanmış olur. Eğer verler yeterl değlse uzman kş yen gelen verler etketlemeye devam eder ve bu döngü tekrarlanır. Bu uygulamanın web tabanlı gelştrlmesnn avantajı uzman kşnn nerede olursa olsun nternetn olduğu her noktadan hasta blglerne erşm sağlayablmesdr.

83 70 ġekl 8-2. Hastanın vertabanında kayıtlı br versnden görünüm

84 71 ġekl 8-3. Hastanın tüm verlerne göre sınıflandırıcının değerlendrmes Şekl 8-4 te EK-A da verlen kodların akış şeması le brlkte uzman kşnn karar verme sürecndek rolü gösterlmektedr. Buna göre öncelkle vertabanında depolanan hasta verlernn WEKA da tanımlı olan ARFF dosya formatına uygun br bçmde formatlanması gerçekleştrlr. Daha sonra oluşturulan ARFF dosyası, konsol ortamda çağrılan WEKA ya eğtm vers olarak gönderlr. Bu blgnn yanı sıra CV değer, hang sınıflandırıcının kullanılacağı vb. blgler de WEKA ya parametre olarak gönderlr. Bu öğrenme şlem tamamlandıktan sonra WEKA dan statksel sonuçlar alınır. Alınan bu statksel sonuçlar değerlendrldkten sonra uzman kşye br değerlendrme sonucu gösterlr. Uzman kş bu değerlendre sonucuna göre hastanın

85 72 mevcut verlernn öğrenme çn yeterl gelp gelmedğne karar verr. Eğer yeterl gelmedğne kanaat getrrse o zaman hastanın yen verlernn gelmesn bekleyecektr. Eğer yeterl geldğne kanaat getrrse o zaman da mevcut verler vertabanından verambarına taşınır. Yalnız vertabanındak verler slnmez. Bu şlem her hasta çn aynı şeklde devam eder. ġekl 8-4. Uzman kģnn vernn eğtm çn yeterllğne karar verme sürec

86 Ver Toplama ve Ver Sınıflandırma çn GelĢtrlen Uygulama Gelştrlen bu uygulama nternet üzernden gelen artm hastalarının blglern alıp vertabanına kaydeder. Eğer hastanın blgler öğrenme çn yeterl se ve uzman kş bunu onaylamışsa gelen ver test vers olarak kullanılır. Daha sonra gelen bu test vers knn sınıflandırıcı tarafından sınıflandırılır. Eğer krtk br durum varsa bu blg hastanın doktoruna mal yoluyla bldrlr. Hastanın toplanan verler eğtm vers olmak çn yeterl değlse gelen verler toplanmaya devam eder. Şekl 8-5 te gelştrlen uygulamanın arayüzü görülmektedr. İnternet kanalıyla gelen verlern vertabanına kaydedlmes le lgl kodlar EK-B de yer almaktadır. ġekl 8-5. GelĢtrlen uygulamanın arayüzü Şekl 8-6 da verlen akış şemasında GPRS teknolojs le gönderlen ve nternet üzernden gelen hastada versnn değerlendrlme sürec gösterlmektedr. Buna göre öncelkle gelen vernn hang hastaya at olduğu belrlenr. Bu tespt şlem hastaya verlen chazın ID s le hastanın vertabanında eşleştrlmes le yapılır. Gelen vernn