ELECO '0 Elektrk Elektronk ve Blgsaar ühendslğ Sempozumu, 9 Kasım 0 Aralık 0, Bursa Amotrofk Lateral Skleroz (ALS) Hastalığının Destek Vektör aknes le eşhs Dagnoss of Amotrophc Lateral Scleross (ALS) th Support Vector achne Hanfe Küçük, Cengz epe, İlas Emnoğlu 3,,3 ElektrkElektronk ühendslğ, Ondokuz aıs Ünverstes husta@omu.edu.tr, ctepe@omu.edu.tr, 3 lasemnoglu@hotmal.com Özet Elektromogram (EG) şaretndek otor Ünte Akson Potanseller (ÜAP) kas ve snr hastalıkları tanısı çn öneml blg sunarlar. Bu çalışmada ALS hastalığı ve sağlıklı verlernn sınıflandırılması çn her br EG versne at ÜAP ların zaman uzaı ve frekans uzaında toplam 0 tane özntelk vektörü ve bunların çeştl şeklde brleştrlmes le elde edlen hbrt özntelk vektörler hesaplanmıştır. Seçlen özntelk vektörlernn Destek Vektör aknes (DV) sınıflandırıcısı üzerndek etkler ncelenmştr. Sonuç olarak, hbrt özntelk vektörlernn kullanılması durumunda DV sınıflandırıcı, ALS ve sağlıklı EG şaretlern % 98.36 doğrulukla sınıflandırmıştır. Abstract he otor Unt Acton Potentals (UAPs) n an electromogram (EG) sgnal provde an mportant source of nformaton for the dagnoss of neuromuscular dsorders. In ths stud, UAPs' n an EG data set (that contans both healt and ALS (Amotrophc Lateral Scleross) dsease subects) are represented n tme doman and frequenc doman th a total of 0 feature vectors. he selected feature vectors and ther hbrdzed versons are processed b usng Support Vector achne (SV) classfer. An accurac of 98.36% s obtaned th hbrd feature vectors.. Grş EG, kasın kasılmasıla medana gelen elektrokmasal olalar sonucu ortaa çıkan bopotansel şaretlerdr. Elektromograf se, kasların kasılmasını sağlaan elektrksel aktvtenn zlendğ ve orumlandığı br kas ncelemesdr. ıpta brçok ugulama alanında kendne er bulan EG şaretler özellkle kas ve snr davranışlarının ncelenmesnde aktf rol onamaktadır. EG şaret ne perodk ne de determnstk br şarettr []. Başka br deşle arı arı zamanlarda, kef olarak seçlecek EG şaretlernn statstksel davranışı tam olarak anı değldr. Belrl zaman aralıklarında EG şaretler kendlern tekrar etmezler ve tek br matematksel fade kaıt süresnn tamamı bounca elde edlen EG şaretn temsl edemez []. İşaretlern değerlendrlmes zaman düzlemnde ve frekans düzlemnde apılablr. EG şaretler durağan şaret değldrler. Buna laveten, her br motor brmlern ateşleme frekansı, kasılma mktarıla beraber artmakta ve en br motor ünte ateşleme apıncaa kadar bu davranışını korumaktadır. Dolaısıla motor brmlern ve bunun sonucu olarak EG şaretlernn belrl br frekans davranışından söz edlmes zordur [3]. EG versnde hastalık tanısı ÜAP dalga şeklnn bütüne bakılarak verlmeldr. Zamansal parametreler olan ÜAP ın genlk, süre, faz ve dönüş saısı değerler tanı komada hesaplanan değerlerdr. Ancak bu zamansal değerler tanı çn eterl değldr. Bu nedenle EG versnn tanısal değern arttırmak çn üksek derecel statstkler, spektral ve dalgacık analz, doğrusal arım analz, saısal fltreleme, modelleme analzler ve apa snr ağları gb en şaret şleme teknklerne htaç duulmaktadır [4]. Günümüzde EG şaretler üzerne apılan çalışmaların çoğunda EG şaretlernn karmaşık ve zamanla değşken olması gb özellklerne umaan zaman vea frekans düzleml teknkler kullanılmaktadır. Araştırmacılar kas ve snr (nöromüsküler) sstemnn davranışını, o bölgeden alınan EG şaretlernden anlaablmek çn tümleştrme (ntegrason), lneer üze örtüsü, kareler ortalamasının kare kökü, sıfır geçşlern sama gb br çok teknkler ugulamışlardır [5]. Son ıllarda gelştrlen bu öntemlern bazıları şaretlern statstksel analznn apılmasında, dğerler se özel dalga şekllernn belrlenp, arıştırılıp ncelenmesnde kullanılmaktadır. Bu öntemlere örnek olarak; zaman analz, frekans analz, zamanfrekans analz öntem ve dalga şekllernn arıştırılması ve sınıflandırılması saılablr [6]. Son zamanlarda apılan çalışmalara baktığımızda şaret şleme teknkler ve apa zeka teknklernn gelşmesne paralel olarak blgsaar tabanlı EG analz algortmaları gelşmştr. Bu çalışmada EG şaretlernden gerekl olan blglern çıkarılması ve sınıflandırılması beş aşamada gerçekleştrld: ) ön şlem aşamasında, EG şaretndek gürültü ve zoelektrk çzgdek kama/dalgalanmaı ok etmek çn bant geçren süzgeç kullanıldı. ) Bölütleme aşamasında, ÜAP ların başlangıç ve btş noktaları bulunarak bölütleme öntem le EG şaretndek ÜAP lar 406
ELECO '0 Elektrk Elektronk ve Blgsaar ühendslğ Sempozumu, 9 Kasım 0 Aralık 0, Bursa belrlend. ) Benzer olan ÜAP ların kümelenmes herarşk kümeleme öntem le sağlandı. v) Kümelenmş ÜAP ların zaman uzaı ve frekans uzaında özntelk vektörler hesaplandı v) Son olarak çıkarılan özntelk vektörler Destek Vektör aknesne verlerek sınıflandırıldı.. ateral ve Yöntem.. Ver Ednme Ve Önşlem Bu çalışmada kullanılan verler EGLAB [7] dek nternet stesnden alınmıştır. Verler 8 sane bounca brachal bceps, vastus medals kaslarından ğne elektrot le alınmıştır. Bu EG şaretler 0 u sağlıklı, 7 ALS hastalığı olan kşlerden toplam 37 ver alınmıştır. EG ölçümü sırasında elektrotların vücutla etkleşm ve hareketler nedenle EG şaretnn zoelektrk çzgde kama/dalgalanmalar (Baselne drft/baselne ander) medana gelmektedr. Bu kamalar EG den elde edlen bazı öneml blglern bozulmasına neden olur. EG şaretn doğru orumlamak çn bu kamaları ok etmek gerekmektedr. EG şaretndek üksek frekans bleşenl gürültüü ve düşük frekanslı kamaları gdermek çn frekans aralığı 0500 Hz olan chebshev band geçren süzgeç kullanıldı. İzoelektrk çzgdek dalgalanmaı gdermek çn üksek geçren süzgeç kullanılması durumunda elde edlen EG şaret Şekl de verlmştr. Adım : EG şaretnde eşğ aşan tepeler belrlenr: Lteratürde apılan çalışmalarda ÜAP genlğ çn standart br eşk seves kullanılmamaktadır. Dorfman ve cgll [7] dek çalışmalarında eşk genlğn 0 50 uv, Stalberg ve ark., 995 dek çalışmalarında eşk genlğn, 50 uv olarak seçmştr [8]. Bu çalışma çn eşk değer 50 uv olarak seçlmştr. Adım : ÜAP ların başlangıç ve btş noktalarını bulmak çn EG şaret üzernde kaan, ms süren pencerenn alt ve üst eşk değernn belrlenmes: İşaret üzernde kaan pencerenn dalga bçmne göre tolerans aralığı bu çalışmada ms süren pencere çersnde kalan noktalardan genlk olarak ortanca genlğn ±40uV değer alt ve üst eşk değer olarak belrlenmştr [9]. Adım 3: Başlangıç ve btş noktasına ada olacak noktaların belrlenmes ( Şekl ): eğer değlse Adım de belrlenen pencere çersnde alt ve üst eşğ aşan tepe oksa bu noktalardan ortancası başlangıç vea btş noktası olmaa adadır. (pencere çersnde en az br nokta eşk değern aşarsa) pencere çersndek noktalar dkkate alınmaz. Adım de EG şaretnde eşğ aşan her br ÜAP tepesnn solunda kalan Adım de bulunan lk ada nokta ÜAP ın başlangıç noktası olurken; sağında kalan lk ada nokta ÜAP ın btş noktasıdır Şekl : İzoelektrk çzgdek dalgalanmanın gderlmes.. ÜAP ların Başlangıç Ve Btş oktaları Bulunarak Bölütleme Bu bölümde, EG şaretndek ÜAP ların bölütlenmes 3 adımda gerçekleştrld. Başlangıç vea btş noktasına ada olacak nokta Şekl : Başlangıç ve btş noktasına ada olacak noktalar 407
ELECO '0 Elektrk Elektronk ve Blgsaar ühendslğ Sempozumu, 9 Kasım 0 Aralık 0, Bursa.3. Aşamalı (Herarşk) Kümeleme eknğ le ÜAP Kümeleme Herarşk kümeleme metotları, ver setnn brmlernn brbrlerne olan uzaklık değerlern kullanarak, ver setndek brmlern herarşk arıştırmasını apar. Herarşk arıştırma sırasında, ağaç ver apısı olarak da blnen dendogram kullanılır. Dendogram, herarşk kümeleme teknğle elde edlen kümelern görselleştrlmesn sağlar. Şekl 3 te ek Bağlantılı Kümeleme Yöntem le kümeleme kullanılarak elde edlmş ağaç ver apısı ve belrl eşk değerne karşılık elde edlen kümeleme sonuçları verlmştr. Bu ugulamada eşk değer her br eşleştrme sonucunda elde edlen Ökld mesafesnn en büük değer belrl br katsaı le çarpılarak elde edlmştr. Denemeler sonucunda en sonucu veren katsaı 0.66 olarak belrlenmştr..8.6.4. 0.8 0.6 0.4 0. 3 4 7 5 8 6 0.8 0.6 0.4 0. 0 0. 0.4 0.6 0.8 0 0 0 30 40 50 60 Şekl 3: Ağaç Ver Yapısı ve Belrl Eşk Değerlerne Karşılık Elde Edlen Kümeleme Sonuçları.4. Özntelk vektörlernn çıkarılması Bu çalışmada Çzelge de verlen zaman uzaı ve frekans uzaında toplam 0 tane özntelk vektörü ve bunların çeştl şeklde brleştrlmes le elde edlen hbrt özntelk vektörler her br EG vers çn hesaplanmıştır. Zor örüntü tanıma problemlernde ham verden elde edlen çoklu özntelk setler çeştl şeklde brleştrlp sınıflandırıcıa grş olarak verlmes halnde genel sınıflandırma performansını artırmak mümkündür [0]. Bu çalışmada sınıflandırma şlemnn vermn arttırmak amacıla, EG versnden elde edlen ÜAP den çıkartılan özntelklern çeştl şeklde brleştrlmes sınıflandırıcıa grş olarak verlmes lkesne daanmaktadır. Bu çalışmada her br EG versne at ÜAP ların özntelkler hesaplandıktan sonra ortalamaları ve standart sapma değerler sınıflandırıcıa grş olarak verlmştr. Çzelge : Zaman ve Frekans Uzaında Özntelk Vektörler.5. Destek Vektör aknes (DV) İle Sınıflandırma Destek vektör makneler (DV), Vladmr. Vapnk tarafından ortaa konulan statstksel öğrenme teorsne daalı öğrenme algortmasıdır []. Genellkle DV de kl sınıflandırmada etketlenmş eğtm vers () fadesndek gb belrtlr. Burada l; örnek saısı ; örnekler, ; bu örneklere at etketler temsl etmektedr., l R,, ümleşk EG EG () Ortalama utlak Değer EVAR OD Emg Varans Etkn Değer ED WG f Wllson Genlğ f n n, esk 0, aks durumda ORF Ortalama Frekans İkl sınıflandırma problemnde doğrusal olarak arılablen br ver setnn olduğu düşünülürse, bu ver setn aırablen sonsuz saıda hperdüzlem vardır. DV karar üzen oluştururken k sınıfa olan uzaklığı maksmum (en fazla) apmaa çalışır. Bu düzlemler arasında maksmum sınıra sahp sadece br hperdüzlem bulunmaktadır. Sınır genşlğn sınırlandıran noktalara se destek vektörler adı verlr. Şekl 4 de maksmum aralık,, ; sınır genşlğn sınırlandıran destek vektörlerdr. Destek vektör algortması en büük sınır genşlğne sahp aırıcı hperdüzlem le sınıflandırma aparak eğtm hatasını mnmze etmee çalışır. f P P Ortanca Frekans (OCF) OCF P P OCF Ortalama Güç OCF OG P oplam Güç G P Sıfır Geçş Saısı (SGS) P 0 ve 0 vea 0 ve 0 ve esk 408
ELECO '0 Elektrk Elektronk ve Blgsaar ühendslğ Sempozumu, 9 Kasım 0 Aralık 0, Bursa Sınıf 0 Şekl 4: İkl sınıflandırmada karar düzlem. Sınırı maksmum apmak; denklem () dek amaç fonksonunu, (3) dek kısıtlar altında mnmze etmee denktr. (3) fadesndek :ağırlık parametreler vektörü, b se: öteleme değerdr. b () (3) Eğer verler oluşturulan sınırın çnde vea hatalı tarafında se bu ver noktaları çn genelleme apılır ve kısıtları gevşetmek çn apa/alak değşkenler tanımlanır [3]. () ve (3) denklemlerne apa/alak değşkenler eklenmes durumunda (4) ve (5) denklemler elde edlr. C (4) b,,..., ve 0 (5) (4) denklemn mnmze etmek çn; Lagrange çarpanları öntem kullanılmaktadır. Bölece problem, denklem (6) dak kl (dual) bçme dönüşür. Denklem (6) dak α ler lagrange çarpanlarıdır. KarushKuhnucker şartına göre [4]; herhang br ver çn α >0 se bu verler destek vektörler olarak adlandırılır, α =0 se bu ver destek vektörü değldr ve en verlern sınıflandırılmasında hçbr rol onamamaktadır. Denklem (7) dek α nn üst sınırı olan C kullanıcı grşldr. 0 α C,,...,. + + Sınıf +. + + (6) (7) Dğer br çözüm olu olarak grş uzaında doğrusal olarak arılamaan verler hartalama fonksonu, φ(.) : R d R dφ le üksek boutlu br uzaa hartalanarak arılablr br duruma gelmektedr. Özellk uzaına aktarılan k vektör çarpılır bu çarpıma kernel fonksonu denr: K(,z)= φ() φ(z). Bölece denklem (6) dak kl problem, denklem (8) e dönüşür. + K (, DV, ercer koşullarını sağlaan kernel fonksonlarını kullanır. Yagın olarak kullanılan kernel fonksonlarından br denklem (9) da verlen radal tabanlı fonkson (RBF) kerneldr [5]. Denklem (0) dak σ değer RBF fonksonunun genşlğdr. K(, ) ep / (0) 3. Sonuçlar Bu çalışmada EG analz çn toplam 7 kşe (0 u sağlıklı, 7 ALS hastası) at verler atlab ın Bonformatcs oolbo da er alan kl destek vektör maknes kullanılarak sınıflandırıldı [6]. Sınıflandırıcının performansını belrlemek çn çapraz geçerllk (Cross Valdaton CV) öntem kullanılmıştır. Çapraz geçerllkte k değer 0 seçlmştr. Kernel fonksonu olarak RBF seçlmştr. Denesel çalışmalarda değşen gauss genşlğ: γ ve ceza faktörü: C değerler çn denemeler apılmış; en sonuç γ=0.85, C=00 çn elde edlmştr. Bu çalışmada zaman uzaı ve frekans uzaında toplam 0 tane özntelk vektörü ve bunların çeştl şeklde brleştrlmes le elde edlen hbrt özntelk vektörler le sınıflandırma sonuçları Çzelge de verlmştr. Sonuç olarak ALS ve sağlıklı EG şaretler hbrt EG+SGS+WG vektörünün ortalama olarak % 98.36 doğrulukla sınıflandırmıştır. Çzelge dek sınıflandırma sonuçlarına baktığımızda, zaman düzlemnde çıkartılan özntelk vektörlernn sınıflandırma başarımları, frekans düzlem özntelk vektörlerne göre daha üksek olduğu gözlenmştr. Bundan sonrak çalışmada, kullandığımız ver set lteratürde geçen farklı özntelk vektörler ve sınıflandırma algortmaları le denenecektr. Çzelge : Sınıflandırma Sonuçları Özntelk Vektörü est Başarım (%) EG+SGS+WG 98.36 OD+SGS+WG 97.90 OD 97.09 EG 96.98 EVAR 96.67 OD+OG 95.7 OG 94.55 ED 93.74 WG 9.0 G 73.67 OCF 7.7 ORF 66.03 SGS 50.83 ) (8) (9) 409
ELECO '0 Elektrk Elektronk ve Blgsaar ühendslğ Sempozumu, 9 Kasım 0 Aralık 0, Bursa eşekkür Bu çalışma PYO. UH.906.0.00BALLAB numaralı Ondokuz aıs Ünverstes BAP proes tarafından desteklenmştr. 4. Kanakça [] Rodrguez, I., alanda, A., Gla, L., Flter desgn for cancellaton of baselne fluctuaton n needle EG recordngs, Comput. eth. and Prog. n Bomed., 8, 7993, 006. [] Okkesm, Ş., Ortodontk Anormallkler Bulunan Hastalarda Kullanılan Pre Ortodontk raner Aparesnn Çene Ve Ağız Çevresndek Kaslara Olan Etksnn raner Aparesnn Çene Ve Ağız Çevresndek Kaslara Olan Etksnn EG Kaıtlarıla Değerlendrlmes, Yüksek Lsans ez, Erces Ünverstes, Fen Blmler Ensttüsü, Kaser, 006. [3] Özkaa, U., Yüze EG Snallernn Analz ve otor Ünte Akson Potonsellernn Belrlenmes, Yüksek Lsans ez, Süleman Demrel Ünverstes Fen Blmler Ensttüsü, Isparta, 005. [4] Dobroolsk, A. P., Werzbosk,., omczkecz, K., ultresoluton ÜAPs decomposton and SVbased analss n the classfcaton of neuromuscular dsorders, Computer ethods and Programs n Bomedcne, Elsever, 00. [5] Pagnagotacopulos,. D., Lae, J. S., Pope,. H., Evaluaton of EG sgnals from rehabltated patents th lo back pan usng avelets. J. Electromograph and Knesolog 8, 69 78, 998. [6] Bozkurt,. R., EG İşaretlernn odern Yöntemlerle Önşlemes ve Sınıflandırılması, Doktora ez, Sakara Ün., Fen Blmler Enst., Sakara, 007. [7] Dorfman, L. J., cgll, K. C., AAEE mnmonograph 9: automatc quanttatve electromograph, uscle & nerve (8), 80488, 988. [8] Stalberg, E., Falck, B., Sonoo,., Stalberg, S., and Astrom,., ultup EG analss a to ear eperence n dal clncal ork. Electroencelograph and Clncal europhsolog 97. Amsterdam, the etherlands: Elsever Scence, 4554, 995. [9] Gurmank, K., Shatru, A., Jan, V. K., ultclass Support Vector achne Classfer n EG Dagnoss, WSEAS ransactons on Sgnal Processng. 5 (), 379 389, 009. [0] Chrstodoulou, C. I., Pattchs, C. S., ttleton, L.. ultfeature, ultclassfer Analss n EG Dagnoss. Proceedngs of the VIII edterranean Conference on edcal and Bologcal Engneerng and Computng, 998. [] Burges, J.C., A utoral on Support Vector achnes for Pattern Recognton. Data nng and Knoledge Dscover, 67,998. [3] an, Y. ve Wang, J. A Support Vector achne th a Hbrd Kernel and nmal VapnkChervonenks Dmenson. IEEE ransactons on Knoledge and Data Engneerng, v.6 n.4, pp. 385395, 004. [4] Abe, S. Support Vector achnes for Pattern Classfcaton. (Advances n Pattern Recognton) Sprnger; edton, 005. [5] Vapnk, V.. An Overve of Statstcal Learnng heor, IEEE transactons on eural etorks, Vol.0, o.5, pp. 988999., 999 [6] athworks, atlab oolbo of Bonformatcs: User s Gude. athorks Inc, 007. [7] 0/07/ tarhnde aktf adres: http://.eglab.net 40