AR ve ARMA metotlarının kullanımı ile teşhis sistemleri için öznitelik çıkarma: Oftalmik atardamar doppler işaretlerinin durum analizi

Feature extraction for diagnostic systems by usage of AR and ARMA methods: Ophthalmic arterial doppler signals case study

Özet

Teşhis sistemleri için özbağlaşımlı (autoregressive - AR) ve özbağlaşımlı yürüyen ortalamalı (autoregressive moving average - ARMA) metotların kullanımı ile işaretlerden öznitelik çıkarılmakta ve işaretlerin güç seviyesi-frekans dağılımları istatistiksel özellikler ile gösterilmektedir. Bu çalışmada, farklı kişilerden alınan oftalmik atardamar Doppler işaretlerinin spektral analizi AR ve ARMA metotları ile gerçekleştirilmiş ve işaret hakkında önemli bilgi içeren Doppler güç yoğunluk spektrum değerleri işareti temsil eden öznitelik vektörleri olarak ele alınmıştır. Öznitelik vektörlerinin boyutlarının azaltılabilmesi için Doppler güç yoğunluk spektrum değerleri üzerinde istatistiksel işlemler yapılmış ve sınıflama işleminde kullanılan çok katmanlı perseptron sinir ağlarının giriş öznitelik vektörleri seçilmiştir. Farklı algoritmalar ile eğitilen çok katmanlı perseptron sinir ağlarının performansları incelenerek AR ve ARMA metotlarının Doppler işaretlerinin analizindeki başarısı tespit edilmiştir. Gerçekleştirilen ağların toplam sınıflama doğrulukları, Levenberg-Marquardt algoritması ile eğitilen ve ARMA Doppler güç yoğunluk spektrum değerlerinden çıkarılan öznitelik vektörlerinin giriş olarak kullanıldığı çok katmanlı perseptron sinir ağının oftalmik atardamar Doppler işaretlerinin sınıflandırılmasında kullanılabileceğini göstermiştir.

Abstract

For diagnostic systems, features are extracted from signals by the usage of autoregressive (AR) and autoregressive moving average (ARMA) methods and power level-frequency distributions of the signals are demonstrated by statistical features. In the present study, spectral analysis of ophthalmic arterial Doppler signals obtained from different subjects was performed using the AR and ARMA methods and Doppler power spectral density values which contain a significant amount of information about the signal were considered as feature vectors representing the signal. In order to reduce the dimensionality of the extracted feature vectors, statistical processes were performed over the Doppler power spectral density values and input feature vectors of multilayer perceptron neural networks used in classification were selected. Performances of the AR and ARMA methods in the analysis of Doppler signals were determined by examining performances of multilayer perceptron neural networks'trained by different algorithms. Total classification accuracies of the constructed networks were demonstrated that multilayer perceptron neural network trained by Levenberg-Marquardt algorithm which used ARMA Doppler power spectral density values as inputs could be used in classification of ophthalmic arterial Doppler signals.