KARDİOTOKOGRAM VERİSİNDEN FETAL İYİLİK HALİNİN BELİRLENMESİ İÇİN BİR KARAR DESTEK SİSTEMİ

Transkript

1 Uludağ Ünverstes Mühendslk Fakültes Dergs, Clt 1, Sayı, 016 ARAŞTIRMA DOI: /uumfd KARDİOTOKOGRAM VERİSİDE FETAL İYİLİK HALİİ BELİRLEMESİ İÇİ BİR KARAR DESTEK SİSTEMİ Ersen YILMAZ * Alınma: ; düzeltme: ; kabul: Öz: Bu çalışmada kardotogram versnden fetal ylk halnn belrlenmes çn br karar destek sstem önerlmştr. Sstem En Küçük Kareler Destek Vektör Makneler ve Temel Bleşen Analz üzernde temellendrlmştr. Temel Bleşen Analz yöntem le kardotokogram ver kümesnn boyutu ndrgenmştr. Özellk boyutu ndrgenen ver kümes üzernde En Küçük Kareler Destek Vektör Makneler kullanılarak sınıflandırma şlem gerçekleştrlmştr. Önerlen karar destek sstemnn başarımı UCI Makne Öğrenmes Ambarlarından alınan kardotokogram ver kümes üzernde 10-katlı Çapraz Doğrulama teknğ kullanılarak ncelenmştr. Deneysel sonuçlar önerlen sstemn %98,74 sınıflandırma doğruluğuna, %98,86 duyarlılık oranına ve %98,73 özgüllük oranına sahp olduğunu göstermştr. Anahtar Kelmeler: Kardotokogram, Karar destek sstem, Destek vektör makneler, Temel bleşen analz, Fetal ylk hal A Decson Support System for Determnaton of Fetal Well-Beng from Cardotocogram Data Abstract: In ths study, we propose a decson support system for assessment of fetal well-beng from cardotocogram data. The system s based on Prncpal Component Analyss and Least Squares Support Vector Machnes. Prncpal Component Analyss s used for feature reducton of the cardotocogram data set. Classfcaton of the data set wth reduced features s made by usng Least Squares Support Vector Machnes. Performance analyss of the proposed system s examned on the cardotocogram data set avalabe on UCI Machne Learnng Repostory by usng 10-fold Cross Valdaton procedure. Expermetal results show that the proposed system has 98.74% classfcaton accuracy, 98.86% senstvty and 98.73% specfcty rates. Keywords: Cardotocogram, Decson support system, Support vector machnes, Prncpal component analyss, fetal well-beng 1. GİRİŞ Fetal kalp hareketllğ hamlelğn erken dönemlernden tbaren başlar. Otonom snr sstemnn gelşm aşamaları fetal kalp hızının (FKH) kontrolü ve değşmnde öneml br role sahptr. Ayrıca, fetaln oksjen sevyes FKH nın bazı bleşenlern etklemektedr (Fanell ve dğ., 013). Dolayısıyla, fetaln sağlık durumunun başka br deyşle fetal ylk halnn zlenmesnde FKH öneml br parametre olarak kullanılmaktadır. Kardotokograf gebelk dönemnde ve doğum sırasında fetal sağlık durumunun zlenmes amacıyla kullanılan br yöntemdr. Kardotokogram (KTG), FKH ve utern aktvte snyallernn kaydından oluşmaktadır (Georgoulas ve dğ., 006). KTG takb le fetaln oksjen yetmezlğ * Uludağ Ünverstes, Mühendslk Fakültes, Elektrk-Elektronk Mühendslğ Bölümü, 16059, Bursa İletşm Yazarı: Ersen Yılmaz (ersen@uludag.edu.tr) 331

2 Yılmaz E.: Kardotokogram Versnden Fetal İylk Halnn Belrlenmes İçn Br Karar Destek Sstem yaşayıp yaşamadığının erken tespt yapılablr, böylece lave testler gerçekleştrleblr veya erken doğum kararı verlr (Alfrevc ve dğ., 013). KTG nn doğru olarak analz edlmes daha sonra zlenecek adımlar açısından hayat öneme sahptr. Bu nedenle, makne öğrenmes yöntemler kullanılarak KTG versnden fetal ylk halnn belrlenmesne yönelk çalışmalar son dönemde lg çekmeye başlamıştır. Bu çalışmaların öneml br bölümünde aynı KTG vers kullanılmıştır (Ocak ve Ertunç, 013; Ocak, 013; Huang ve Hsu, 01; Sundar ve dğ., 01; Sundar ve dğ., 013; Karabulut ve İbrkç, 014; Jezewsk ve dğ., 014; Yılmaz ve Kılıkçıer, 013; Ravndran ve dğ., 015). Fetal ylk halnn belrlenmes problem Ocak ve Ertunç (013) le Ocak (013) çalışmalarında k sınıflı sınıflandırma problem olarak ele alınmıştır. Ocak ve Ertunç (013) problemn çözümü çn br Uyarlanablr Snrsel Bulanık Çıkarım Sstem (USBÇS) önermşlerdr. Ocak (013) fetal ylk halnn değerlendrlmes çn Destek Vektör Makneler (DVM) ve Genetk Algortma (GA) üzernde temellendrlmş br karar destek sstem önermştr. Aynı problem Huang ve Hsu (01), Sundar ve dğ. (01), Sundar ve dğ (013), Karabulut ve İbrkç (014), Jezewsk ve dğ. (014), Yılmaz ve Kılıkçıer (013) le Ravndran ve dğ. (015) çalışmalarında üç sınıflı sınıflandırma problem olarak ncelenmştr. Huang ve Hsu (01) problemn çözümünde Ayırma Analz, Karar Ağacı ve Yapay Snr Ağı (YSA) yöntemlern kullanmıştır. Sundar ve dğ. (01) KTG versnn sınıflandırılması çn br YSA model önermştr. Önerlen YSA modelnn başarımı Sundar ve dğ. (013) çalışmasında K-Ortalamalı ve Bulanık C-Ortalamalı öbekleme algortmalarının başarımları le karşılaştırılmıştır. Karabulut ve İbrkç (014) fetal durumunu tahmn etmek çn Karar Ağacı temell br Uyarlanablr Boostng yöntem önermştr. Jezewsk ve dğ. (014) üç farklı özellk seçm algortmasının fetal durumunun belrlenme kaltesne olan etksn araştırmıştır. Yılmaz ve Kılıkçıer (013) Fetal durumunun belrlenmes çn En Küçük Kareler DVM (EKK-DVM) ve İkl Karar Ağaçları üzernde temellendrlmş br karar destek sstem önermştr. Ravndran ve dğ. (015) İyleştrlmş Uyarlanablr Genetk Algortmalar (İUGA) ve Aşırı Öğrenme Maknes (AÖM) yöntemlern br arada kullanarak fetal ylk halnn belrlenmes çn br medkal karar destek sstem önermşlerdr. Bu çalışmada Ocak ve Ertunç (013), Ocak (013), Huang ve Hsu (01), Sundar ve dğ. (01), Sundar ve dğ. (013), Karabulut ve İbrkç (014), Jezewsk ve dğ. (014), Yılmaz ve Kılıkçıer (013) ve Ravndran ve dğ. (015) çalışmalarında kullanılan KTG ver kümes kullanılmış ve fetal ylk halnn belrlenmes problem Ocak ve Ertunç (013) ve Ocak (013) çalışmalarında olduğu gb k sınıflı sınıflandırma problem olarak ele alınmıştır. Problemn çözümü çn Temel Bleşen Analz (TBA) ve EKK-DVM üzernde temellendrlmş br karar destek sstem önerlmştr. Ocak ve Ertunç (013) ve Ocak (013) çalışmalarında önerlen sstemlern başarım ncelemeler yapılırken KTG ver set %50-%50 eğtm ve test kümes bçmnde ayrıştırılmıştır. Bu çalışmada se başarım ncelemes daha kararlı sonuçların alınableceğ 10-katlı Çapraz Doğrulama (10kÇD) teknğ kullanılarak gerçekleştrlmştr. TBA le özellk vektörü boyutu ndrgenmş ve EKK-DVM le kl sınıflandırma problemnn çözümü gerçekleştrlmştr. Başarım sonuçları sınıflandırma doğruluğu, hata matrs, duyarlılık ve özgüllük ölçütler kullanılarak sunulmuştur.. İLGİLİ ÇALIŞMALAR Lteratürde bu çalışmada da kullanılan KTG ver kümesn kullanan çalışmalar, problem ele alış bçmlerne göre k grupta toplanablrler. Brnc grupta yer alan çalışmalar, Huang ve Hsu (01), Sundar ve dğ. (01), Sundar ve dğ. (013), Karabulut ve İbrkç (014), Jezewsk ve 33

3 Uludağ Ünverstes Mühendslk Fakültes Dergs, Clt 1, Sayı, dğ. (014), Yılmaz ve Kılıkçıer (013) le Ravndran ve dğ. (015), fetal ylk halnn belrlenmes problemn üç sınıflı sınıflandırma problem olarak ele alırken knc grupta yer alan çalışmalar, Ocak ve Ertunç (013) le Ocak (013), aynı problem k sınıflı olarak ele almışlardır. Huang ve Hsu (01) br Çok Katmanlı Algılayıcı YSA (ÇKA-YSA) model le %97,80 sınıflandırma doğruluğuna ulaşmışlardır. Başarım ncelemes ver kümes %80 eğtm, %10 test ve %10 doğrulama kümes olarak ayrıştırılarak yapılmıştır. Sundar ve dğ. (01) çalışmasında problemn çözümü çn yne br ÇKA-YSA model önerlmştr. Modeln başarımı 10 deneme yapılarak test edlmştr. Başarım sonuçları her br deneme çn kesnlk, hassasyet ve F-Ölçütü ölçekler cnsnden sunulmuştur. Aynı yazarlar önerdkler ÇKA-YSA model le K-Ortalamalı ve Bulanık C-Ortalamalı öbekleme algortmalarının başarımlarını Sundar ve dğ. (013) çalışmasında karşılaştırmışlardır. İlgl çalışmada, ÇKA-YSA nın başarım sonuçlarının daha y olduğu ve öbekleme algortmalarının Şüphel ve Patolojk örneklern sınıflandırmasında zayıf kaldıkları görülmektedr. Karabulut ve İbrkç (014) fetal durumunun belrlenmes problemnn çözümünde altı farklı modeln başarım karşılaştırmasını yapmışlardır. Ayrıca, Uyarlanablr Boostng algortmasının bu modellern başarımları üzerndek etksn ncelemşlerdr. En yüksek başarım oranı %95,01 sınıflandırma doğruluğu le Uyarlanablr Boostng algortmasında C4.5 karar ağacı temel sınıflandırıcı olarak kullanıldığında elde edlmştr. Başarım ncelemes yapılırken 10kÇD teknğ kullanılmıştır. Jezewsk ve dğ. (014) üç özellk seçm / ndrgeme yöntemnn fetal durumunu belrleme kaltes üzerndek etksn ncelemşlerdr. Sınıflandırma yöntem olarak Lagragan DVM kullanmışlardır. Başarım sonuçlarını etknlk, duyarlılık, özgüllük ve kalte nds ölçekler cnsnden sunmuşlardır. Yılmaz ve Kılıkçıer (013) k adet EKK-DVM sınıflandırıcıyı İkl Karar Ağaç yapısı le brlkte kullanarak problemn çözümünü gerçekleştrmşlerdr. EKK-DVM lern başarımını artırmak çn çekrdek fonksyonlarının parametre değerlern Parçacık Sürüsü Optmzasyonu le belrlemşlerdr. Başarım analz yapılırken 10kÇD kullanılmış ve %91,6 lk sınıflandırma doğruluğuna ulaşılmıştır. Ravndran ve dğ. (015) AÖM le İUGA yöntemlern br arada kullanarak fetal ylk halnn belrlenmes problemnn çözümünü yapmışlardır. İUGA le özellk seçm yaparak AÖM le sınıflandırma şlemn gerçekleştrmşlerdr. Başarım ncelemes 10kÇD teknğn kullanılarak yapılmış ve %93,61 sınıflandırma doğruluğuna ulaşmışlardır. Ocak ve Ertunç (013) fetal ylk halnn belrlenmes problemn k sınıflı sınıflandırma problem olarak çözmüşlerdr. Çözüm çn br USBÇS önermşlerdr. Sstemn başarım ncelemesn ver kümesn %50 eğtm ve %50 test kümesne ayırarak gerçekleştrmşlerdr. Önerlen USBÇS nn test kümes üzernde %96,6 duyarlılık ve %97, özgüllük oranlarına sahp olduğu görülmektedr. Ocak (013) çalışmasında problem yne k sınıflı olarak ele alınmış ve GA le EKK yöntemler üzernde temellendrlmş br karar destek sstem önerlmştr. GA le özellk seçm yapılmış ve EKK le sınıflandırma şlem gerçekleştrlmştr. Sstemn başarım ncelemes ver kümes %50 eğtm ve %50 test kümes bçmnde ayrıştırılarak yapılmıştır. Önerlen GA-EKK sstemnn test kümes başarım sonuçlarından %100 duyarlılık ve %99,3 özgüllük oranlarına sahp olduğu görülmektedr. Bu çalışmada fetal ylk halnn belrlenmes problem k sınıflı sınıflandırma problem olarak ele alınmıştır. Lteratürde problem k sınıflı olarak ele alan Ocak ve Ertunç (013) ve Ocak (013) çalışmalarında önerlen sstemlern başarım ncelemeler yapılırken ver kümes %50 eğtlme ve %50 test kümes bçmnde ayrıştırılmıştır. Bu çalışmada se başarım ncelemes daha kararlı sonuçların alınableceğ 10kÇD teknğ kullanılarak yapılmış ve TBA le EKK temell br karar destek sstem le çözümü gerçekleştrlmştr. 333

4 Yılmaz E.: Kardotokogram Versnden Fetal İylk Halnn Belrlenmes İçn Br Karar Destek Sstem 3. TEMEL YAPI TAŞLARI 3.1. Temel Bleşen Analz Temel Bleşen Analz (TBA), boyut ndrgeme amacıyla sıklıkla kullanılan doğrusal br yöntemdr. Boyut ndrgeme şlem, vernn daha küçük boyutta olan ve temel altuzay olarak blnen br doğrusal altuzaya gömülmes le sağlanır (Van der Maaten ve dğ., 009). p (, ), x ve y { 1,,..., c} bçmnde verlen elemanlı br ver kümes çn, ( x y 1 x, p özellğe sahp örnekler ve y se bu örneklere lşkn sınıf blgsn göstermek üzere), temel altuzaya at eksenler (1) denklemnde verlen evrensel ortak-değşnt matrs S den türetlr. 1 S c j j1 1 ( x burada tüm örneklern evrensel ortalama değern, j j T )( x ) (1) j x j' nc sınıftan olan ' nc örneğ, j j' nc sınıfa at örnek sayısını ve c se sınıf sayısını göstermektedr. m adet temel eksen, K 1,..,Km, S nn lk m en değerl özvektörü bulunarak elde edlr: SK K, { 1,,..., m}, m p () burada, S nn ' nc en büyük özdeğerdr. Ver kümesndek herhang br x örneğnn temel bleşenler (3) denklem le elde edlr: burada x T x K x, { 1,,..., } m ve [ K1, K,..., Km] (3) K (Wang ve Palwal, 003). 3.. En Küçük Kareler Destek Vektör Makneler En Küçük Kareler Destek Vektör Makneler (EKK-DVM) Suykens ve Vandewalle (1999) tarafından önerlmştr. Geleneksel DVM (Boser ve dğ., 199) üzernde temellendrlmş p hesaplama yükü daha haff br yöntemdr. ( x, y ) 1, x ve y 1 bçmnde verlen elemanlı br ver kümes çn, ( x, p özellğe sahp örnekler ve y se bu örneklere lşkn sınıf blgsn göstermek üzere), EKK-DVM aracılığıyla (4) denklem le verlen enyleme problemnn çözümü gerçekleştrlr: 1 1 En Küçükleme J ( w, e) w LS e (4) w b e Kısıtlama, y,, 1 T ( w ( x ) b) 1 e, { 1,,..., } burada w aşırı düzleme olan normal vektör, b yan veya dengeleyc br sabt, φ (.) örnek noktalarını daha yüksek boyutlu br uzaya hartalayan doğrusal olmayan br fonksyon, γ ve e se sırasıyla ceza ve arttıran yapay değşkenler olarak tanımlanır (Boser ve dğ. 199; Suykens ve Vandewalle, 1999; Krupa ve dğ. 011;Yılmaz ve Kılıkçıer, 013). (4) denklemnn çözümü çn aşağıda verlen Lagrangan fonksyonu tanımlanır: L LS T ( w, b, e; ) J ( w, e) { y [ w ( x ) b] 1 e } (5) LS 1 334

5 Uludağ Ünverstes Mühendslk Fakültes Dergs, Clt 1, Sayı, burada α ler Lagrange çarpanlarıdır. Enyleme aşağıdak doğrusal denklem takımının çözümü le gerçekleştrlr (Suykens ve Vandewalle, 1999): 0 Y Y ZZ T T I b 1 0 I (6) burada Z=[ φ T (x 1 ) y 1 ;...; φ T (x )y ], Y=[ y 1 ;...; y ], I=[1 ;...; 1 ], α=[ α ;...; α ]. EKK-DVM sınıflandırıcısı aşağıdak gb tanımlanır ve (6) le verlen doğrusal denklem takımının çözümü le elde edlr: f ( x) sgn ( 1 y K( x, x )) b) (7) K x, x ) çekrdek fonksyonu olarak smlendrlr ve k vektörün yüksek boyutlu uzaydak ç ( çarpımı bçmnde tanımlanır, x) T ( x ) (Boser ve dğ. 199; Suykens ve Vandewalle, 1999; ( Krupa ve dğ., 011; Yılmaz ve Kılıkçıer, 013). 4. ÖERİLE KARAR DESTEK SİSTEMİ Bu çalışmada önerlen sstemn mmars Şekl 1 de verlmştr. Sstem k aşamalı br yapıya sahptr. Brnc aşamada KTG ver kümesnn özellk vektörü boyutu detayları 3.1 alt bölümünde verlen TBA yöntem yardımıyla ndrgenmektedr. İndrgenmş özellk vektörüne sahp KTG vers sınıflandırma şlemnn gerçekleştrlmes amacıyla EKK-DVM sınıflandırıcısına uygulanmaktadır. EKK-DVM n çalışma prenspler 3. alt bölümünde verlmştr. Önerlen sstemde EKK-DVM n çekrdek fonksyonu olarak (8) denklem le verlen radal temell fonksyon kullanılmaktadır. 1 K( x, x ) exp( ( x x ) ) (8) burada çekrdek fonksyonunun genşlğdr. En yüksek başarım sonucunun elde edlmes amacıyla EKK-DVM parametreler ve nn değerler enyleme yoluyla belrlenmektedr. Enyleme şlemnde k boyutlu (B) ızgara arama yöntem kullanılmaktadır. B ızgara arama yöntemnde ve nn en y değerler belrlenen tanım aralıklarında aynı anda aranmaktadır. Bu çalışmada EKK-DVM parametrelernn en y değerler [0, ] aralığı aranarak belrlenmştr. ve nn, 0,001 den başlayan ve ölçeklenmş adım genşlğ le e kadar ulaşan tüm değerler çn EKK-DVM başarım sonuçları elde edlmştr. Bu başarım sonuçları arasında en yüksek EKK-DVM başarımını veren ve değerler en y değerler olarak seçlmştr. 335

6 Yılmaz E.: Kardotokogram Versnden Fetal İylk Halnn Belrlenmes İçn Br Karar Destek Sstem KTG Ver Kümes, 1 Özellkl Temel Bleşen Analz KTG Ver Kümes, Özellk Vektörü Boyutu < 1 En Küçük Kareler Destek Vektör Makneler B Izgara Arama Karar: Fetal İylk Hal Sınıfı Şekl 1: Önerlen TBA-EKK-DVM mmars 5. DEEYLER 5.1. Kardotokogram Ver Kümes Bu çalışmada UCI Makne Öğrenmes Ambarları ndan alınan KTG ver kümes kullanılmıştır ( Erşm Tarh: ). Ver kümesnde 3 özellkle tanımlanmış 16 örnek bulunmaktadır. Son k özellk FKH örneğ ve fetal durumu le lgl sınıf kodunu vermektedr. Her br örnek FKH örneğ ve fetal durumuna göre sınıflandırılablmektedr. Fetal durumu çn ormal, Patolojk ve Şüphel olmak üzere üç sınıf kodu bulunmaktadır. 16 örneğn 1655 adet ormal, 176 adet Patolojk ve 95 adet se Şüphel sınıfına attr. KTG ver kümesne at özellklern açıklamaları ve detayları ( Ayres-de-Campos ve dğ., 000) kaynaklarında bulunablr. 5.. Başarım Analz Önerlen karar destek sstemnn başarım ncelemes 10kÇD teknğ kullanılarak yapılmıştır. Başarım ölçütler olarak sınıflandırma doğruluğu, hata matrs, duyarlılık ve özgüllük kullanılmıştır. Çapraz doğrulama teknğ ve kullanılan ölçütler alt bölümlerde açıklanmıştır. 336

7 Uludağ Ünverstes Mühendslk Fakültes Dergs, Clt 1, Sayı, Çapraz Doğrulama Çapraz Doğrulama (ÇD), makne öğrenmes algortmalarının başarım ncelemelernde kullanılan statstksel br yöntemdr. ÇD de ver kümes eğtm ve test kümes olmak üzere kye ayrılır. Bu kümeler, her br örneğn br kez doğrulama şansına sahp olacağı bçmde, ardışık tekrarlamalar yoluyla brbrleryle karşılaştırılır (Refaelzadeh ve dğ. 009; Kohav ve Provost 1998, Yılmaz ve Kılıkçıer, 013). Detaylı blg (Refaelzadeh ve dğ., 009) le (Kohav ve Provost, 1998) çalışmalarında bulunablr Sınıflandırma Doğruluğu Sınıflandırma doğruluğu, br sınıflandırıcının doğru olarak tahmn ettğ örnek sayısının ver kümesnde yer alan tüm örnek sayısına oranı olarak bast br bçmde açıklanablr (Kohav ve Provost, 1998) Hata Matrs Hata matrs, br ver kümes çn tahmn edlen ve gerçek sınıflandırmaları gösterr. İk sınıflı br sınıflandırma problem çn hata matrs Tablo 1 de verldğ gb x boyutlu olarak oluşur (Kohav ve Provost, 1998; Yılmaz, 013). Tablo 1. Hata matrs Tahmn Edlen Gerçek Poztf egatf Poztf DP (Doğru Poztf) YP (Yanlış Poztf) egatf Y (Yanlış egatf) D (Doğru egatf) Duyarlılık ve Özgüllük Duyarlılık doğru poztf oranı, özgüllük se doğru negatf oranı olarak tanımlanırlar ve (9) le (10) denklemlernde verldğ gb fade edlrler (Kohav ve Provost 1998; Yılmaz, 013). DP Duyarlılık (9) DPY Özgüllük D (10) YP D 5.3. Deney Sonuçları Fetal ylk halnn belrlenmes problem k sınıflı sınıflandırma problem olarak ele alınmıştır. KTG ver kümes adet ormal ve 176 adet Patolojk örneğe sahptr. Deneyler yapılırken 10kÇD teknğ kullanılmıştır. Ver kümesnde yer alan örneklern 1 adet olan özellk vektörü boyutu TBA yöntem kullanılarak ndrgenmştr. Deneyler yapılırken, ndrgenmş özellk vektörü boyutu olarak [5-15] aralığı kullanılmış ve EKK-DVM parametrelernn ( γ ve ) seçm [0, ] arasında k boyutlu ızgara arama yöntemyle gerçekleştrlmştr. 337

8 Yılmaz E.: Kardotokogram Versnden Fetal İylk Halnn Belrlenmes İçn Br Karar Destek Sstem Tablo. TBA-EKK-DVM n her br kat çn sınıflandırma doğruluğu ve ortalama sınıflandırma doğruluğu (% Olarak) Yapılan deneyler sonucunda en yüksek başarı, ndrgenmş özellk boyutunun 10 ve EKK- DVM parametrelernn γ=100 ve olduğu durumda gerçekleşmştr. Önerlen sstemn bu durum çn 10kÇD başarım sonuçları Tablo ve Tablo 3 de sunulmuştur. Kat- 1 Kat- Kat-3 Kat-4 Kat-5 Kat-6 Kat-7 Kat-8 Kat-9 Kat-10 99,45 99,46 98,36 98,91 99,45 98,91 99,45 98,36 98,36 96,7 Ortalama Sınıflandırma Doğruluğu : 98,74 Tablo 3. TBA-EKK-DVM çn hata matrs Tahmn Edlen Gerçek Patolojk ormal Patolojk ormal Toplam Hata matrs kullanılarak duyarlılık ve özgüllük değerler sırasıyla %98,86 ve %98,73 olarak elde edlmştr Tartışma Bu çalışmada elde edlen sonuçlar le aynı ver kümes üzernde daha önce yapılan çalışmaların sonuçları başarım karşılaştırması yapmak amacıyla Tablo 4 de sunulmuştur. Tablo 4. Önerlen sstem le daha önce yapılan çalışmaların karşılaştırılması Yöntem USBÇS, Ocak ve Ertunç (013) GA-DVM (Özellk Vektörü Boyutu=13), Ocak 013 TBA-EKK-DVM (Bu Çalışma, İndrgenmş Özellk Vektörü Boyutu =10) Başarım İncelemes %50 Eğtlme %50 Test %50 Eğtlme %50 Test Duyarlılık Özgüllük %96,6 %97, %100 %99,3 10kÇD %98,9 %98,7 Tablo 4 ncelendğnde TBA-EKK-DVM n duyarlılık ve özgüllük oranlarının USBÇS n lgl oranlarından %,3 ve %1,5 daha y olduğu, GA-DVM e at duyarlılık ve özgüllük oranlarından se %1,1 ve %0,6 daha kötü olduğu görülmektedr. Fakat şunu da not etmek gerekr k; GA- DVM n başarım sonuçları 13 adet özellk vektörü kullanılarak elde edlmştr. TBA-EKK- DVM n başarım sonuçları se ndrgenmş özellk vektörü boyutunun 10 olduğu durum çn elde edlmştr. Ayrıca, GA-DVM n başarım ncelemes yapılırken ver kümes eğtlme ve test kümes olmak üzere kye ayrılırken, TBA-EKK-DVM de se 10kÇD teknğ kullanılmıştır. 338

9 Uludağ Ünverstes Mühendslk Fakültes Dergs, Clt 1, Sayı, 6. SOUÇLAR VE GELECEK ÇALIŞMALAR Bu çalışmada kardotokogram versnden fetal ylk halnn belrlenmes çn Temel Bleşen Analz ve En Küçük Kareler Destek Vektör Makneler yöntemler üzernde temellendrlmş br karar destek sstem önerlmştr. Sstemn başarımı 10 katlı Çapraz Doğrulama teknğ kullanılarak ncelenmştr. Yapılan deneyler le önerlen sstemn %98,7 sınıflandırma doğruluğuna, %98,9 duyarlılık oranına ve %98,7 özgüllük oranına sahp olduğu gösterlmştr. Ayrıca, daha önce yapılan çalışmalarda kullanılan sstemler le karşılaştırıldığında önerlen sstemn öneml br başarım sonucuna erştğ görülmektedr. Yapılan deneyler ışığında; bu çalışmada önerlen Temel Bleşen Analz ve En Küçük Kareler Destek Vektör Makneler yöntemlerne dayanan sstemn kardotokogram versnden fetal ylk halnn tesptnde başarılı br karar destek sstem olarak kullanılableceğ sonucuna varılmıştır. Gelecek çalışmalar kapsamında düşük özellk vektörü boyutu le yüksek başarım oranlarının elde edlebleceğ melez yöntemlern çalışılması planlanmaktadır. TEŞEKKÜR Yazar, UCI Makne Öğrenmes Ambarlarına değerl br açık ver tabanı olduğu çn teşekkür eder. Lchman, M. (013). UCI Machne Learnng Repostory [ Irvne, CA: Unversty of Calforna, School of Informaton and Computer Scence. REFERASLAR 1. Alfrevc, Z., Devane, D. ve Gyte, G.M.L. (013). Contnuous cardotocography (CTG) as a form of electronc fetal montorng (EFM) for fetal assessment durng labour, Cochrane Database of Systematc Revews. do: / CD pub. Ayres-de-Campos, D., Bernardes, J., Garrdo, A. ve dğ. (000). SsPorto.0: a program for automated analyss of cardotocograms. Journal of Maternal-Fetal and eonatal Medcne, 9(5), do: / Boser, B.E., Guyon, I.M. ve Vapnk, V.. (199). A tranng algorthm for optmal margn classfers, 5th Annual ACM Workshop on Computatonal Learnng Theory, Pttsburgh, PA, USA, do: / Fanell, A., Magenes, G., Campanle, M. ve Sgnorn, M.G. (013). Quanttatve assessment of fetal well-beng through CTG recordngs: A new parameter based on phaserectfed sgnal average. IEEE Journal of Bomedcal and Health Informatcs, 17(5), do: /JBHI Georgoulas, G., Stylos, C.D. ve Groumpos, P.P. (006). Predctng the rsk of metabolc acdoss for newborns based on fetal heart rate sgnal classfcaton usng support vector machnes, IEEE Transactons on Bomedcal Engneerng, 53(5), do: /TBME Huang, M. ve Hsu, Y. (01). Fetal dstress predcton usng dscrmnant analyss, decson tree, and artfcal neural network, Journal of Bomedcal Scence and Engneerng. do: /jbse Jezewsk, M., Czabansk, R. ve Lesk, J. (014). The nfluence of cardotocogram sgnal feature selecton method on fetal state assessment effcacy, Journal of Medcal Informatcs & Technologes, 3,

10 Yılmaz E.: Kardotokogram Versnden Fetal İylk Halnn Belrlenmes İçn Br Karar Destek Sstem 8. Karabulut, E.M. ve Ibrkc, T. (014). Analyss of cardotocogram data for fetal dstress determnaton by decson tree based adaptve boostng approach, Journal of Computer and Communcatons, (9), do: /jcc Kohav, R. ve Provost, F. (1998). Glossary of terms, Machne Learnng, 30(-3), Krupa,., MA, M.A., Zahed, E., Ahmed, S. ve Hassan, F.M. (011). Antepartum fetal heart rate feature extracton and classfcaton usng emprcal mode decomposton and support vector machne, BoMedcal Engneerng Onlne. do: / X Ocak, H. ve Ertunç, H.M. (013). Predcton of fetal state from the cardotocogram recordngs usng adaptve neuro-fuzzy nference systems, eural Computng and Applcatons, 3(6), do: /s Ocak, H. (013). A medcal decson support system based on support vector machnes and the genetc algorthm for the evaluaton of fetal well-beng, Journal of Medcal Systems, 37(9913), 1-9. do: /s Refaelzadeh, P., Tang, L. ve Lu, H. (009). Cross-valdaton. In Lu, L., Ozsu, M. T. (Eds.), Encyclopeda of Data Base Systems, do: / _ Ravndran, S., Jambek, A.B., Muthusamy, H. ve Sew-Chn,. (015). A novel clncal decson support system usng mproved adaptve genetc algorthm for the assessment of fetal well-beng, Computatonal and Mathematcal Methods n Medcne. do: /015/ Sundar, C., Chtradev, M. ve Geetharaman, G. (01). Classfcaton of cardotocogram data usng neural network based machne learnng technque, Internatonal Journal of Computer Applcatons. do: / Sundar, C., Chtradev, M. ve Geetharaman, G. (013). An overvew of research challenges for classfcaton of cardotocogram data, Journal of Computer Scence. do: /jcssp Suykens, J.A.K. ve Vandewalle, J. (1999). Least squares support vector machne classfers, eural Processng Letters, 9(3), do: /A: Van der Maaten, L., Postma, E. ve Van den Herk, J. (009). Dmensonalty reducton: a comparatve revew, Tlburg Unversty, TCC TR Wang, X. ve Palwal K.K. (003). Feature extracton and dmensonalty reducton algorthms and ther applcatons n vowel recognton, Pattern Recognton, 36(003), do: /S (03)00044-X 0. Yılmaz, E. ve Kılıkçıer, Ç. (013). Determnaton of fetal state from cardotocogram usng LS-SVM wth partcle swarm optmzaton and bnary decson tree, Computatonal and Mathematcal Methods n Medcne. do: /013/ Yılmaz, E. (013). An expert system based on Fsher score and LSSVM for cardac arrhythma dagnoss, Computatonal and Mathematcal Methods n Medcne. do: /013/