Biyomedikal işaretlerin sınıflandırılmasında otomatik teşhis sistemlerinin başarımı

Performance of automated diagnostic systems in classification of biomedical signals

Özet

Bu çalışmada, oftalmik atardamar Doppler işaretlerinin, elektroensefalogram (EEG) ve elektrokardiyogram (EKG) işaretlerinin sınıflandırılması için farklı ve birleşik özniteliklerin kullanıldığı otomatik teşhis sistemleri incelenmiş ve bu sistemlerin doğrulukları saptanmıştır. Şekil tanımlama uygulamalarında, tanımlanacak olan işlenmemiş işaretten farklı öznitelikler çıkarılır. Farklı öznitelikleri olan birden fazla sınıflayıcıyı birleştirme, şekil sınıflamanın birçok alanında problem olarak görülmektedir. Birleşik öznitelikler ile eğitilen çok katmanlı perseptron sinir ağı, birleşik sinir ağı, uzman ağların karışımı ve farklı öznitelikler ile eğitilen değiştirilmiş uzman ağların karışımı gibi modellerin sınıflama doğrulukları karşılaştırılmıştır. Otomatik teşhis sistemlerinin girişleri, ağ yapılarına göre farklı veya birleşik özniteliklerden oluşmaktadır. Bu çalışmanın sonuçları, farklı öznitelikler ile eğitilen değiştirilmiş uzman ağların karışımı modelinin, birleşik öznitelikler ile eğitilen diğer otomatik teşhis sistemlerine göre yüksek doğruluk elde ettiğini göstermiştir.

Abstract

In this study, the automated diagnostic systems employing diverse and composite features for Doppler ultrasound signals, electroencephalogram (EEG) and electrocardiogram (ECG) signals were analyzed and their accuracies were determined. In pattern recognition applications, diverse features are extracted from raw data which needs recognizing. Combining multiple classifiers with diverse features are viewed as a general problem in various application areas of pattern recognition. The classification accuracies of multilayer perceptron neural network, combined neural network, and mixture of experts trained on composite feature and modified mixture of experts trained on diverse features were compared. The inputs of these automated diagnostic systems composed of diverse or composite features and were chosen according to the network structures. The conclusions of this study demonstrated that the modified mixture of experts trained on diverse features achieved accuracy rates which were higher than that of the other automated diagnostic systems trained on composite features.