Eleco 2014 Elektrik Elektronik Bilgisayar ve Biyomedikal Mühendisliği Sempozyumu, Kasım 2014, Bursa

Transkript

1 İçse Mod Fonksiyonarının Tekrarıık Grafiği Kuanıarak EEG Sinyaerinde Epieptik öbetin Agıanması Epieptic Seizure Detection in EEG Signas Using Recurrence Pot of Intrinsic Mode Functions Funda KUTLU OAY 1, Cema KÖSE 2 1,2 Mühendisik Fakütesi Bigisayar Mühendisiği Böümü Karadeniz Teknik Üniversitesi 1 fkutu@ceng.ktu.edu.tr, 2 ckose@ktu.edu.tr Özet Bigisayarı sistemer yardımıya hastaıkarın ön tanısı günümüzde yaygın ve popüer oan araştırma konuarından birisidir. Böyece tanı için geçen zaman ve yanış tanı oranı azamaktadır. Bu amaça, epiepsi hastaığının ön tanısının gerçekeştirimesi ve sağıkı ve epieptik bireyerin agıanması için EEG işareteri kuanımıştır. Çaışmada, özniteik çıkarmada Hibert-Huang dönüşümü ie ede edien içse mod fonksiyoarının tekrarıık grafiğinden faydaanımıştır. Sınıfandırma aşamasında ise destek vektör makineeri (DVM), çok katmanı yapay sinir ağarı (ÇKYSA) ve k-en yakın komşuuk (k-eyk) sınıfandırıcıarına başvurumuştur. Buna bağı oarak, DVM kuanıdığı durumda %96.67 sınıfandırma başarısı ede edimiştir. Abstract The pre-diagnosis of diseases with computerized system is the one of the most common and popuar research topic in recent days. So, the time taken for diagnosis and misdiagnosis rate is decreasing. EEG signas were used in the reaization of a prediagnosis of epiepsy and detection of epieptic and heathy individuas for this reason. In this study, feature extraction was carried out with recurrence pot of intrinsic mode functions acquired with Hibert-Huang transformation. in cassification stage, support vector machines (SVM), mutiayer perceptron neura networks (MLP) and k- nearest neighbor (k-) cassifiers have been utiized. Accordingy, in the case of using SVM, 96,6% cassification performance was obtained. 1. Giriş Bigisayarı sistemere hastaık teşhisi, son zamanarın en popüer konuarından birisi haine gemiştir. Geiştirien yazıımar sayesinde yanış tanı ve tanı için geçen sürenin azatıması sağanmaktadır. Bu teknoojinin kuanıdığı aanardan birisi de epiepsi hastaığının teşhisidir. Epiepsi hastaığı tekrarayan nöbeter şekinde seyreden ve yaygın oarak görüen bir beyin fonksiyon bozukuğu hastaığıdır. Dünya nüfusunun %1 ini etkisi atına aan bu hastaığın her yaşta görüebime oasıığı vardır. İnsan yaşamını oumsuz hade etkiemesi, biyomedika araştırmaarda epiepsi teşhisini önemi ve popüer bir hae getirmektedir [1]. Literatürde epiepsi işaretinin anaizi ie epiepsi hastaığının teşhisine yöneik çok sayıda çaışma mevcuttur. Bu çaışmaarda zaman, frekans ya da zaman-frekans uzayında özniteik çıkarma yöntemeri uyguanıp, uygun sınıfandırıcı yöntemi ie sınıfandırma işeminin gerçekeştirimesine yöneik bir akış izenmektedir. Çaışmada Amanya Bonn Üniversitesi Epieptooji Böümü nden temin edien, epiepsi teşhisi ve epieptik nöbet agıama araştırmaarında kuanımak üzere kaydedien EEG veri seti kuanımıştır. Literatürde çok sayıda çaışma bu veri seti üzerinden yöntemer önermiş ve başarıı sonuçar ede etmişerdir. Bei başı çaışmaardan bahsediecek oursa; Gautama vd., doğrusa omayan anaiz yöntemeri ie, norma ve epieptik EEG işareterini temsi etmiş ve %86.2 sınıfandırma başarısı sağamışardır [2]. Kannatha vd., entropi ve adaptif buanık mantık çıkarım sisteminden (ABMÇS, AFIS) yararanarak norma ve epieptik EEG işareterini sınıfandırmışar ve %90 başarı ede etmişerdir [3]. Sadati vd., norma ve epieptik dönemerin agıanması amacıya uyaranabiir nöra buanık ağar yöntemini öne sürmüşer ve AFIS ie %85.9 sınıfandırma doğruuğu ede etmişerdir [4]. Srinivasan vd., yakaşık entropi yöntemini kuanan YSA tabanı otomatik epieptik EEG beireme sistemini öne sürmüşerdir ve Eman ve oasııksa YSA yöntemerini kuanarak %100 sınıfandırma performansı ede etmişerdir [5]. Tzaas vd., zaman-frekans anaizi metotarından faydaanarak, k-en yakın komşuuk (k-eyk) sınıfandırıcı sayesinde %97.71 ie %100 arasında başarı ede etmişerdir [6]. Son oarak Poat ve Güneş, karar ağacı ve hızı Fourier dönüşümü tabanı meez bir sistem öne sürerek, epieptik nöbetin tespitini %98 doğruuka gerçekeştirmişerdir [7]. Bir sonraki böümde sırasıya; kuanıan veri seti ve özeikerinden, ede edien özniteikerden ve uyguanan sınıfandırma yakaşımarından bahsediecektir. Daha sonra 613

2 ede edien sınıfandırma doğruukarı, iteratürde benzer oan çaışmaara karşıaştırıacaktır. 2. Kuanıan Veri Seti ve Özeikeri Çaışmada, Amanya Bonn Üniversitesi, Epieptooji Böümü nde Andrzejak vd. tarafından epiepsi teşhisi ve epieptik nöbet beireme araştırmaarında kuanımak üzere kaydedien EEG veri setinden faydaanımıştır [8]. Herkese açık oan bu veri seti 128-kanaı 12 bit EEG kayıt sistemi ie, örnekeme frekansıya örnekenerek kaydedimiş ve bu 128 kanaın ortaama değeri aınarak tek bir kanaa indirgenmiştir. Topam 500 denemeden ouşan bu sistem, 5 grup bireyden ede edimiştir (A, B, C, D ve E). Her bir deneme 23.6 sn uzunuğundadır. Doayısıya her bir deneme 173,61*23,6=4097 örneke temsi ediir. Kayıt işemi, uusararası eektrot sistemine göre gerçekeştirimiş oup, tüm denemeer göz ve kas hareketerinden doayı ouşan artifaktardan arındırımıştır. A ve B at gruparı, 5 gönüü sağıkı bireyden, sırasıya göz açık ve kapaı durumda kaydedimiştir. C ve D at gruparı 5 epiepsi hastası bireyden nöbet omayan dönemde öçüen ve kafatası içinden aınan kayıtardır. Son oarak E at grubu, aynı 5 hasta bireyden nöbet döneminde aınan kayıtarıdır. Bu 5 at gruba ait birer örnek deneme; A, B, C, D ve E sırasıya Şeki 1 de verimiştir. Bir sonraki böümde ik oarak Hibert-Huang dönüşümü ie ede edien içse mod fonksiyonarından, daha sonra ise tekrarıık grafiğinden bahsediecektir Hibert-Huang Dönüşümü Hibert-Huang Dönüşümü (HHD), doğrusa omayan ve durağan omayan işareterin anaizinde kuanıan deneyse bir yöntemdir. Matematikse ifadesinin net ve keskin omayışı, yöntemin ampirik bir yöntem oduğu fikrini ortaya koymaktadır [9]. HHD yöntemi iki aşamaı bir yöntemdir. İk oarak İçse Mod Fonksiyonarı (İMF) ede ediir, ikinci oarak ise Hibert Dönüşümü (HD) ie anık frekans ve genik değereri zamanfrekans uzayında ede ediir. HHD, doğrusa omayan ve durağan omayan işareterin zaman-frekans uzayında temsierinde, geenekse yöntemere göre daha net sonuçar verdiğinden tercih edimektedir İçse Mod Fonksiyonarının Ede Edimesi Bu yöntem ie çaışmada EEG işareti oarak kuanıan girdi sinyai, farkı karakteristik saınım özeikeri barındıran İMF er cinsinden ifade edimektedir. y(t) s ( t) r (t) i i1 (1) Burada s i (t), işaretin ayrıştırıdığı İMF eri, r (t) ise bu tane İMF nin topamından arda kaan artık işareti temsi eder. Buunan İMF erin iki özeiği barındırması gerekir: Birincisi, yere maksimum ve minimumarının sayısı ve sıfır geçiş sayıarı eşit ya da 1 farkı omaıdır. İkincisi ise, İMF sinyaine ait üst ve at zarf ortaaması, herhangi bir an için sıfıra yakın (seçien eşiğin atında) omaıdır [10]. İMF erin buunması aşağıdaki agoritmaya göre gerçekenmektedir: Şeki 1: Sırasıya A, B, C, D ve E gruparına karşıık geen EEG örnek sinyaeri Buna göre "sağıkı" bireyer A ve B gruparına, "hastaıkı" bireyer ise C, D ve E gruparına karşıık gemektedir. Çaışmada ise bu iki sınıfın sınıfandırıması ee aınmıştır. 3. Özniteik Çıkarma Özniteik çıkarma aşamasında, Hibert-Huang dönüşümü ie ede edien içse mod fonksiyonarının tekrarıık grafiği kuanımıştır. Bunun için önceike hastaıkı ve sağıkı omak üzere ouşturuan iki grup, çapraz doğruamanın 10-kat doğruama yöntemi ie %60 eğitim ve %40 test verisi oacak şekide rastgee oarak ayrııp, daha sonra sınıfandırma işemine tabi tutumuşardır. i) Girdi sinyaindeki yere ekstremum değerer kuanıarak ara değereme ie üst ve at zarfar ede ediir. Bunarın ortaaması ie ortaama zarf sinyai buunur. ii) girdi sinyainden ortaama zarf sinyai çıkarıarak detay işareti buunur. iii) Ede edien detay işareti, yukarıda beirtien İMF özeikerini taşımıyorsa, üstteki adımar detay işareti için tekrar uyguanır. iv) İMF özeikerinin sağanması ie detay işaretinin ede edimesi durumunda, İMF sinyai hesapanmış our ve bu seviyedeki artık sinya ede ediir. İstenen İMF sayısına uaşana dek, adımar artık sinya üzerinden tekraranır Hibert Dönüşümü Bir sinyai ifade etmenin en iyi you anık frekansardır. Hibert dönüşümü de, anık frekansarın koayıka hesapanıp ifade edidiği bir yöntemdir. Gerçe değeri x(t) fonksiyonunun HD si, karmaşık uzayda bir fonksiyona karşıık geir [11]. Bu da (2) deki gibi ifade ediir: z(t) x(t) j y(t) a(t) e j (t) (2) 614

3 Bu ifadenin anık genik ve faz fonksiyonu (3) teki gibidir. Burdan da anık frekans bigisi (4) teki gibi ede ediir. yöntemdir. Örnek iki sınıfa ait tekrarıık grafiği şekide verimiştir. 2 2 y(t) a(t) x (t) y (t), (t) arcta n( ) x() t (3) d(t) 1 d(t) (t), f (t) (4) dt 2 dt Her bir İMF için HD dönüşümü aınarak anaitik bir ifade ede ediir. HD göstermektedir ki, her bir İMF asında genik veya frekans modüasyonuna uğratımış işareterdir. İMF ayrıştırma işemi, Fourier Dönüşümünün aksine sabit omayan yani değişken genik ve frekans öçekerine sahip oan bir dönüşüm oduğundan, EEG sinyai gibi durağan omayan işareter için odukça faydaı bir ayrıştırma işemidir [12]. Şekide sağıkı bireyden aınan EEG sinyai ve bu sinyain ik 5 İMF si verimiştir. İk 5 İMF nin sinyain temsii ve sınıfandırımasında yeteri oduğu deneyse oarak beirenmiştir. Şeki 3: Örnek iki sınıfa ait tekrarıık grafiği Tekrarıık oduğundan bahsediebimesi için, i ve j gibi iki nokta arasındaki uzakık bir ε eşik değerinin atına düşmeidir. i. nokta j. noktaya yeteri öçüde yakın ise, grafik üzerindeki (i,j) konumuna bir nokta konur. x i nin x j ye oan uzakığı, x j nin x i ye oan uzakığına eşit oacağından, tekrarıık grafiği i=j eksenine göre simetriktir. Böyeike, tekrarıık grafiği x boyutta noktaardan ouşan bir matristir. Acharya vd. [14], çaışmaarında norma, nöbet öncesi ve nöbet dönemerinin tanımanmasında bu yönteme başvurmuşardır. Tekrarıık grafiğinin yorumanmasında tekrarıık öçme anaizi (TÖA) parametreerinden faydaanıır. R, x boyutu bir tekrarıık grafiği omak üzere, kuanıan TÖA parametreeri Çizege 1 deki gibi hesapanmaktadır: Çizege 1: TÖA parametreeri Şeki 2: Sağıkı bireyden aınan EEG sinyai ve bu sinyain ik İMF örnekeri Epieptik ve epieptik omayan EEG işareterinden İMF er ede ediip, HD uyguandıktan sonra, geenekse özniteiker yerine, Tekrarıık Grafiği (TG) yönteminden faydaanıarak özniteik çıkarma işemi gerçekeştirimiştir Tekrarıık Grafiği ve Tekrarıık Öçme Anaizi Tekrarıık grafiği (TG), Eckmann [13] tarafından öne sürüen ve dinamik bir sistemde meydana geen tekrarı durumarı gösteren bir matristir. Bir sinyain durağan omama durumunu öçmede faydaanıır. TG yöntemi, doğrusa omayan sınıfandırma probemerinde kuanıan avantajı bir Parametre Denkem 1 i j Tekrarıık Oranı RR R 2, Beiriik Tabakaanma Beiriik ve tekrarıık oranı DET LAM RATIO i, j1 min i, j min 1 P() R i, j P( ) R( ) min iişkisi P() 1 Ortaama çapraz hat uzunuğu Yakaama zamanı En uzun çapraz (Lmax) ve dikey (Vmax) hat uzunuğu Iraksakık Düzensizik TT L 2 min min min min P() P () P() P( ) P( ) Lmax max i; i 1... Vmax max i; i DIV L min max 2 ETR p( )n p( ) Şeki 4 te ve Şeki 5 te sırasıya sağıkı ve epiepsi hastası bireyerin bir denemesinin İMF erine ait tekrarıık grafikeri verimiştir. Buradan ede edien özniteiker, sınıfandırma aşamasında kuanıacaktır. 615

4 4. Sınıfandırma Bu kısımda, TÖA sonucu ede edien özniteiker ie k-eyk, DVM ve ÇKYSA sınıfandırıcıarına başvuruarak sınıfandırma işemi yapımıştır k-eyk Sınıfandırıcı k-en yakın komşuuk agoritması, örüntü tanıma ve otomatik öğrenmeye iişkin uyguamaarda, verierin sınıfandırımasında kuanıan bir danışmanı öğrenme metodudur [15]. Buna göre, tanıma yapıacak oan örüntü örneğine en yakın oan k komşusu tespit ediir. Daha sonra bu k tane komşunun en faza hangi sınıfa ait oduğu buunur ve o sınıfın etiket değeri, tanınacak örüntü örneğine atanır. Burada kuanıan k parametresinin seçimesinde çapraz doğruama yöntemi kuanımıştır. İki nokta arasındaki uzakık ise Ökit uzakığı yöntemi ie hesapanmıştır Çok Katmanı Yapay Sinir Ağarı ÇKYSA sistemeri, insandaki biyoojik sinir sisteminin temeini ouşturan nöronarın çaışma mekanizmasından esinenierek geiştirien bir sınıfandırma tekniğidir [16]. Şeki 4: Sağıkı bireye ait bir denemenin İMF erinin tekrarıık grafikeri Probeme dair çıkarıan özniteiker bir vektöre dönüştürüdükten sonra yapay sinir ağına girdi oarak verierek, çıktı katmanında uygun karar değerin ede edimesi amaçanır. Burada, ağın doğru eğitimesi ağ kaitesini artırır [17]. Bir ÇKYSA; veriere ait özniteikerin sunuduğu bir girdi katmanı, ayrıştırmayı sağayan bir veya daha faza gizi (ara) katman ve girdierin sınıf bigisini ortaya koyan çıktı katmanından ouşur. Bu çaışmada kuanıan ÇKYSA mimarisinde girdi katmanı 10, ara katman 40 ve çıkış katmanı 1 nörondan ouşmaktadır Destek Vektör Makineeri Destek vektör makineeri, danışmanı öğrenme yakaşımıya çaışan bir sınıfandırma tekniğidir. Hem doğrusa ayrıabien hem de doğrusa ayrıamayan sınıfandırma probemerinde kuanıır. Ancak DVM nin çaışma prensibi teme oarak iki sınıfa ait verieri birbirinden en uygun şekide ayıran karar sınırarının yani hiper-düzemerin beirenmesine dayaıdır [18]. Şeki 5: Epieptik bireye ait bir denemenin İMF erinin tekrarıık grafikeri Gerçek zamanı uyguamaarın çoğunda, doğrusa ayrıştırma mümkün omadığından çekirdek fonksiyonu denien fonksiyonar yardımıya girdi uzayında doğrusa oarak ayrıamayan verier, girdi uzayından daha yüksek boyutu oan bir başka uzayda tanımanır. Böyece verier doğrusa oarak ayrıabiecek ve hiper-düzem beirenebiecek duruma getiriir. Çaışmada radya tabanı çekirdek fonksiyonu kuanımıştır ve (5)'teki gibi ifade ediir. Burada, çekirdek boyutunu ifade eder. 2 x x i K(x, y) e (5) 616

5 5. Sonuçar ve Tartışma Bu böümde epieptik ve epieptik omayan EEG işareterinden çıkarıan özniteikere göre sınıfandırma performansarından bahsediecektir. HHD ie ede edien İMF erin tekrarıık grafikerinin öçme kritererine göre sınıfandırma doğruukarı Çizege 2 de verimiştir. Çizege 2: Sınıfandırma doğruukarı İMF k-(%) SVM(%) YSA(%) 98,80 99,6 98,80 İMF2 82,8 88,4 88 İMF3 80,4 80,8 78,4 İMF4 77,2 84,0 84,0 İMF5 75,6 75,2 75,20 İMF2 81,95 91,26 94,8 İMF4 70,4 83,8 84,6 İMF2 İMF4 77,6 85,33 84,27 Taboya bakıdıuğında, 1 numaraı içse mod fonksiyonunun TÖA parametreeri üzerinden SVM ie sınıfandırma yapıdığında, %99,6 sınıfandırma doğruuğu ede edimiştir. Aynı veri setini kuanan benzer bir çaışmada ise, dagacık dönüşümü ve içse mod fonksiyonarının karşıaştırıması yapımış ve en yüksek %98 özgüük değeri ede edimiştir [19]. 6. Kaynakar [1] Reynods, P. E. H., Epiepsy: The Disorder, Epiepsy Atas, (2005) [2] Gautama, T., Mandic, D. P. ve Hue, M. M. V., Indications of oninear Structures in Brain Eectrica Activity, Phys. Rev. E, 67,4 (2003) ,5. [3] Kannatha,., Choo, M. L., Acharya, U. R. ve Sadasivan, P. K., Entropies for Detection of Epiepsy in EEG, Computer Methods and Programs in Biomedicine, 80, 3 (2005) [4] Sadati,., Mohseni, H. R. ve Maghsoudi, A., Epieptic Seizure Detection Using eura Fuzzy etworks, 2006 IEEE Internationa Conference on Fuzzy Systems, Juy 2006, Canada, Bidiri Kitabı: [5] Srinivasan, V., Eswaran, C. ve Sriraam,., Approximate Entropy-Based Epieptic EEG Detection Using Artificia eura etworks, IEEE Transactions on Information Technoogy in Biomedicine, 11, 3 (2007) [6] Tzaas, A. T., Tsipouras, M. G. ve Fotiadis, D. I., Automatic Seizure Detection Based on Time-Frequency Anaysis and Artificia eura etworks, Computationa Inteigence and euroscience, 2007 (2007) ,13. [7] Poat, K. ve Güneş, S., Cassification of Epieptiform EEG Using a Hybrid System Based on Decision Tree Cassifier and Fast Fourier Transform, Appied Mathematics and Computation, 187, 2 (2007) [8] Andrzejak, R. G., Lehnertz, Mormann, F., Rieke, David, P. ve Eger, C.E., Indications of oninear Deterministic and Finite Dimensiona Structures in Time Series of Brain Eectrica Activity: Dependence on Recording Region and Brain State, Phys. Rev. E, 64 (2001) ,8. [9] Roy, A. Wen, C.-H., Doherty, J. H. and Mathews, J. D., Signa Feature Extraction From Microbarograph Observations Using the Hibert Huang Transform, IEEE Transactions on Geoscience ans Remote Sensing, 46, 5 (2008) [10] Şayi, Ö., Hibert-Huang Dönüşümü İe Sounum Seserindeki Üfürümün Saptanması [11] Hekim Tanç, Y. ve Akan, A., "Hibert-Huang Dönüşümü İe Sayısa Modüasyon Türü Sınıfandırması" [12] Huang,. E. and Wu, Z., A Review on Hibert-Huang Transform: Method and Its Appications to Geophysica Studies, Reviews of Geophysics, 46, 2 (2008) [13] Eckmann, J. P., Kamphorst, S. O. ve Ruee, D., Recurrence Pots of Dynamica Systems, Europhy. Lett., 4 (1987) [14] Acharya, U. R., Sree, S. V., Chattopadhyay, S., Wenwei, Y. U. ve Avin, A. P. C., Appication of Recurrence Quantification Anaysis for the Automated Identification of Epieptic EEG Signas, Int. J. eura Syst. 21,3 (2011) [15] Larose, D. T., Discovering Knowedge in Data, A John Wiey & Sons Inc. Pubication, ewyork, [16] Yegnanarayana, B., Artificia eura etworks, Prentice Ha of India, ew Dehi, [17] Özteme, E., Yapay Sinir Ağarı, Papatya Yayıncıık, İstanbu, [18] Vapnik, V., The ature of Stastica Learning Theory, Springer-Verag, ewyork, [19] Li, S., QiYuan, W., Geng S., Cai, D., Feature Extraction and Recognition of Icta EEG Using EMD and SVM, Computers in Bioogy and Medicine, 43(2013)