AI Summary & Key Takeaways
AI InsightBu çalışma ile sınıflandırma başarımının öznitelik vektörünün sınıflar arası ayrılabilirliğinin yüksek derecede olmasına bağlı olduğu anlaşılmıştır.
📌 3 Key Takeaways
Özet
Bu çalışmada Nöromüsküler hastalıkların en yaygın çeşidi olan ALS ve Myopati hastalıklarının teşhisi için beş işlem aşamasından oluşan bir sınıflandırma yapısı düzenlenmiştir. EMG (Elektromiyogram) işaretleri, sınıflandırılmadan önce ön işleme, bölütleme, kümeleme ve öznitelik çıkarma aşamalarından geçirilmiştir. Kümeleme aşamasında melez kümeleme yöntemi kullanılmıştır. Sonrasında zaman, frekans uzayındaki öznitelik vektörleri ve bunların farklı birleşimleri ile elde edilen çoklu öznitelik vektörleri olmak üzere toplam 25 tane öznitelik vektörü denenmiştir. Bir sonraki aşamada ise Destek Vektör Makinesi (DVM), K-En Yakın Komşu (K-EYK) algoritması ve Diskiriminant Analiz (DA) algoritmaları ile veriler sınıflandırılmıştır. Doğrulama ölçütü olarak çapraz geçerlilik yöntemi kullanılmıştır. Çapraz geçerlilikte k değeri 10 seçilmiştir. Deneysel sonuçlar önerilen öznitelik vektörleri arasında çoklu öznitelik vektörlerinin tekli öznitelik vektörlerine göre daha başarılı olduğunu göstermiştir. Çoklu öznitelik vektörlerinin kullanılması durumunda DVM sınıflandırıcı, K-EYK ve DA sınıflandırıcılarına göre EMG işaretlerini daha yüksek doğrulukla sınıflandırmıştır. Toplam doğruluk ALS için %97,39 iken myopati olanlar için %86,74’tür. Bu çalışma ile sınıflandırma başarımının öznitelik vektörünün sınıflar arası ayrılabilirliğinin yüksek derecede olmasına bağlı olduğu anlaşılmıştır.