Öneriler

Bu çalışmada hibrit sınıflayıcılar kullanılarak EKG verisinden kalp hastalıklarının teşhis edilmesi amaçlanmıştır. Kullanılan hibrit sınıflama algoritmalarının başarılarını test etmek için YSA ve YBS birer denetleyici algoritma olarak bu tez çalışmasında yerini almıştır. Hibrit algoritmalar olarak YBS-YSA ve PSO- YSA kullanılmış ve hem bu algoritmaların hem de denetleyici algoritmaların başarısını etkileyen parametreler üzerinde durulmuştur.

Bu tez çalışmasında hibrit sistemlerden YBS-YSA’ yı etkileyen parametrelerin başında HMH ve M’ nin geldiği anlaşılmış ve HMH değerinin minimuma yaklaşmasıyla maksimum sonuçların elde edilebileceği kanıtlanmıştır. Fakat aynı zamanda bu değerin küçülmesi süre ve iterasyon sayısını çok fazla oranlarda arttırdığı için HMH olarak 0.02 altındaki değerlerin kullanılması önerilmemektedir. Diğer hibrit sınıflayıcımız olan PSO-YSA’ yı ise PS ve AKNS parametrelerinin doğrudan etkilediği belirlenmiş ve bu parametrelerin süre ile iterasyon bakımından ekonomik olmaları için çok yüksek ya da çok düşük değerler seçmemek onun yerine belirli aralıklarda denemeler yapmak gerektiği görülmüştür. Yine YSA ve YBS için sırasıyla LR-AKNS ve SC-M parametreleriyle belli değerler içerisinde oynanarak maksimum sonuçlar elde edilmeye çalışılmış ve bu parametrelerin başarıyı doğrudan etkilediği gözlemlenmiştir. YSA sistemi için her LR oranı ve AKNS değerinde farklı sonuçlar çıktığı için genelleme yapmak mümkün değilken, YBS için başarının SC değeriyle doğru orantılı olarak arttığı görülmüştür. Fakat bu algoritma için de 0.98’ in üzerindeki SC değerlerinde süre ve iterasyon çok yüksek değerlere ulaştığı için yapılan denemelerde SC’ nin maksimum 0.98 alınmasının daha uygun olduğuna karar verilmiştir. Bunun yanında kullanılacak gerçel dünya problemlerindeki veriler içerisinde, o veri setiyle uyumsuz bazı verilerin tespit edilerek bunların veri setinden ayıklanmasıyla daha iyi performansın elde edilebileceği öngörülmektedir. Aynı zamanda, üzerinde çalışılacak verileri en iyi şekilde ifade edebilecek özelliklerin çıkarılarak sistemlere verilmesi performans sonucunu etkileyebilecek bir başka etken olarak ön plana çıkmaktadır. Bununla birlikte kullanılan tüm algoritmalar için değiştirilen parametreler üzerinde değişiklikler yapılarak sistem performansları farklı veri setleri için denenebilir. Ayrıca algoritmalarda kullanılan farklı hesaplama teknikleri da yine bu sistemler için denenebilir.

Bu tez çalışmasında kullanılan sınıflama algoritmalarının çıkışları 1 tanedir. Bu alanda çalışmak isteyen araştırmacılar bu sistemleri çoklu çıkışlar için deneyebilir ve sonuçlarını kıyaslayabilirler. Ayrıca sadece 5 adet EKG ile ilgili veri seti kullanıldığı için sistem sonuçları genele uyarlanamamaktadır. Bunun önüne geçebilmek için daha fazla veri seti ya da farklı veri (iris, vs.) ve sinyallerden (EEG, vs.) elde edilmiş data grupları bu sistemler üzerinde test edilebilir. Buna ek olarak kullanılan hibrit sistemler çoğaltılarak yine farklı bir çalışma yapılabilir.

KAYNAKLAR

Ai, T.J., Kachitvichyanukul, V., 2009, A Particle Swarm Optimization For The Vehicle Routing Problem With Simultaneous Pickup And Delivery, Computers&Operations Research, 36 (5), 1693-1702.

Altun, H., Eminoğlu, U. ve Tezekici, B.S., 2002, MLP Yapay Sinir Ağlarında Öğrenme Sürecinin Aktivasyon Fonksiyonu ve İstatiksel Değişim Gösteren Giriş Verilerine Bağımlılığı, Eleco 2002 Elektrik, Elektronik ve Bilgisayar Mühendisliği Sempozyumu, Bursa.

Batar, H., 2005, EEG İşaretlerinin Dalgacık Analiz Yöntemleri Kullanılarak Yapay Sinir Ağları ile Sınıflandırılması, Yüksek Lisans Tezi, Kahramanmaraş Sütçü İmam Üniversitesi Fen Bilimleri Enstitüsü, Kahramanmaraş.

Bergh, F.V. and Engelbecht, A.P., 2000, Cooperative Learning in Neural Networks Using Particle Swarm Optimizers, South African Computer Journal, 26, 84–90. Ceylan, R. And Özbay, Y., 2007, Comparison of FCM, PCA and WT Techniques for

Classification ECG arrhythmias using Neural Network, Expert Systems with Application, 33, 286-295.

Ceylan, R., 2009, Özellik Çıkarma Teknikleri Ve Yapay Sinir Ağları Kullanarak Bir Tele-Kardiyoloji Sistem Tasarımı, Doktora Tezi, Selçuk Üniversitesi Fen Bilimleri Enstitüsü, Konya.

Chowdhary, K., 2011, Heuristic Search, Artificial İntelligence.

Coşkun, C. ve Baykal, A., 2005, Veri Madenciliğinde Sınıflandırma Algoritmalarının Bir Örnek Üzerinde Karşılaştırılması, Dicle Üniversitesi, Diyarbakır.

De Castro, L. N. and Von Zuben, F. J., 1999a, Artificial Immune Systems: Part I- Basic Theory and Aplications, Technical Report DCA-RT 01/99.

De Castro, L. N. and Von Zuben, F. J., 1999b, Artificial Immune Systems: Part I- Basic Theory and Aplications, Technical Report-RT DCA.

De Castro, L.N. and Von Zuben, F.J., 2000, The Clonal Selection Algorithm with Engineering Applications, In Workshop Proceedings of GECCO, Las Vegas- USA, 36-37.

Delice, Y., 2008, Parçacık Sürü Optimizasyonu ile Yapay Sinir Ağlarından Sınıflandırma Kuralı Çıkarımı, Yüksek Lisans Tezi, Erciyes Üniversitesi Sosyal Bilimler Enstitüsü, Kayseri.

Doğan, B., 2009, Parçacık Sürü Optimizasyonuna Dayalı Yeni Bir Aritmi Sınıflama Yöntemi, Yüksek Lisans Tezi, İstanbul Teknik Üniversitesi Fen Bilimleri Enstitüsü, İstanbul.

Dong, J. and Xu M., 2005, Wearable ECG Recognition and Monitor, Proceedings of 18th IEEE Symposium on Computer-Based Medical Systems (CBMS‟05), Dublin, Ireland, 413-418.

Efe, Ö. ve Kaynak, O., 2000, Yapay Sinir Ağları ve Uygulamaları, Boğaziçi Üniversitesi, İstanbul.

Eren, B. Ve Eyüpoğlu, V., 2011, Yapay Sinir Ağları ile Ni(II) İyonu Geri Kazanım Veriminin Modellenmesi, 6th International Advanced Technologies Symposium (IATS’11), Elazığ, Türkiye.

Fauset, L., 1994, Fundamentals of neural networks: Architectures, Algorithms and Applications, Prentice Hall, Inc. A Simon&Schuster Company.

Foo, S.Y., Stuart, G., Harvey, B. and Meyer-Baese, A., 2002, Neural network-based EKG pattern recgnition, Elsevier Science Engineering Applications of Artificial Intelligence, 15, 253-260.

Forrest, S., Perelson., A., Allen., L. and Cherukuri, R., 1994, Self-Nonself Discrimination in a Computer, Proc. of the IEEE Symposium on Research in Security and Privacy, 202-212.

Gao, J., Sun, L. and Gen, M., 2008, A Hybrid Genetic And Variable Neighborhood Descent Algorithm For Flexible Job Shop Scheduling Problems, Computers&Operations Research, 35 (9), 2892-2907.

Gencer, C. ve Bali, Ö., 2010, Parçacık Sürü Optimizasyonu Algoritması ile U-Tipi Hat Dengeleme, Kara Harp Okulu Bilim Dergisi, 20 (1), 195-223.

Güler, İ. ve Übeyli, E. D., 2004, Dalgacık Dönüşümü ile EEG İşaretlerinden Çıkarılan Öznitelik Vektörleri Üzerinde İstatistiksel İşlemlerin Gerçekleştirilmesi, Elektrik- Elektronik-Bilgisayar Mühendisliği Sempozyumu ELECO-2004, 230-234, Bursa. Güler, İ. and Übeyli, E.D., 2005, ECG beat classifier designed by combined neural

network model, Elsevier Science Pattern Recognition, 38, 199-208.

Güler, T., 2002, Aritmi ve Elektrokardiyografi [online] , http://lokman.cu.edu.tr/anestezi/tayfunguler/files/aritmiler.htm, [Ziyaret tarihi 14 Mart 2013]

Haykin, S., 1994, Neural Networks: A Comprehensive Foundation. New York: Macmillan.

Hebb, D. O. , 1949, The Organization of Behavior. New York: Wiley & Sons.

Hema, C.R., Paulraj, M.P., Nagarajan, R., Yaacob, S. and Adom, A.H., 2008, Application of Particle Swarm Optimization for EEG Signal Classification, Biomedical Soft Computing and Human Sciences, 13 (1), 79-84.

Iung B., Baron, G., Butchart, E.G., Delahaye, F., Gohlke-Barwolf, C., Levang, O.W., Tornos, P., Vanoverschelde, J.L., Vermeer, F., Boersma, E., Ravaud, P. And Vahanian, A., 2003, A prospective survey of patients with valvular heart disease in Europe: The Euro Heart Survey on Valvular Heart Disease, European Heart Journal, 24, 1231–1243.

Jiapu, P. and Willis, J.T, 1985, A Real-Time QRS Detection , IEEE Transactions On Biomedical Engineering, 32 (3).

Kahramanlı, H. and Allahverdi, N., 2009, Extracting rules for classification problems: AIS based approach, Expert Systems with Applications, 36, 10494–10502.

Karlık, B. and Olgaç, V.A., 2011, Performance Analysis of Various Activation Functionsin Generalized MLP Architectures of Neural Networks , International Journal of Artificial Intelligence and Expert Systems, 1 (4), 111-122.

Karlık, B. and Harman, G., 2013, Computer-Aided Software for Early Diagnosis of Eerythemato-squamous Diseases, ELNANO 2013 (IEEE XXXIII International Scientific Conference on Electronics andNanotechnology), 276-79, Kiev, Ukraine. Kennedy, J. and Eberhart, R., 1995, Particle Swarm Optimization, Proceedings of IEEE

International conference on Neural Networks, Avustralya, 1942-1948.

Kennedy, J. and Eberhard, R.C., 1997, A Discrete Binary Version Of The Particle Swarm Optimization, Proc. Of The Conference on Systems, Man, and Cybernetics SMC97, 4104-4108.

Kohavi, R., 1995, A study of cross-validation and bootstrap for accuracy estimation and model selection, Proc. IJCAI’95 Conf.

Kulluk, S., 2009, Karınca Koloni Optimizasyonu ile Yapay Sinir Ağlarından Kural Çıkarımı, Yüksek Lisans Tezi, Erciyes Üniversitesi Fen Bilimleri Enstitüsü, Kayseri.

Liu, B., Wang, L. and Jin, Y., 2008, An Effective Hybrid Pso-Based Algorithm For Flow Shop Scheduling With Limited Buffers, Computers&Operations Research, 35 (9), 2791-2806.

McAndrew, A., 2004, Digital Image Processing with Matlab, USA. McClelland, 1986, Cambridge MA:M.I.T Press, 318-62.

Mishra, S. and Patra, S.K., 2008, Short Term Load Forecasting using a Neural Network trained by A Hybrid Artificial Immune System, 2008 IEEE Region 10 Colloquium and the Third International Conference on Industrial and Information Systems, Kharagpur, INDIA December 8 -10, 82.

Mohemmed, A.W., Sahoo, N.C. and Geok, T.K., 2008, Solving Shortest Path Problem Using Particle Swarm Optimization, Applied Soft Computing, 8 (4), 1643-1653.

Ninomiya, H. and Zhang, Q.J., 2008, Particle with Ability of Local Search Swarm Optimization:PALSO for Training of Feedforward Neural Networks, 2008 IEEE International Joint Conference on Neural Networks, Hong Kong, 3009-3014. Özbay, Y., 1999, EKG Aritmilerini Hızlı Tanıma, Doktora Tezi, Selcuk Üniversitesi

Fen Bilimleri Enstitüsü, Konya.

Özbay, Y., and Karlık, B., 2001, A recognition of ECG arrhytmias using artificial neural network, Proceedings-23. Annual Conference – IEEE/EMBS, İstanbul, Turkey Özbay, Y., Ceylan, R. and Karlık, B., 2006, A Fuzzy Clustering Neural network

Architecture for Classification of ECG Arrhythmias, Computers in Biology and Medicine, 36, 376-388.

Öztemel, E., 2006, Yapay Sinir Ağları, Papatya Yayıncılık, İstanbul.

Özşen, S., 2008, Biyomedikal Sınıflama Problemleri İçin Problem-Tabanlı Bir Yapay Bağışıklık Sisteminin Geliştirilmesi ve Biyomedikal Sınıflama Problemlerine Uygulanması, Doktora Tezi, Selçuk Üniversitesi Fen Bilimleri Enstitüsü, Konya. Pan, Q., Tasgetiren, M.F. and Liang, Y., 2008, A Discrete Particle Swarm Optimization

Algorithm For The No-Wait Flowshop Scheduling Problem, Computers & Operations Research, 35 (9), 2807-2839.

Rangayyan, R. M., 2002, Biyomedikal Sinyal Analizi , 178- 179.

Rodriquez, J., Goni, A. and Illarramendi, A., 2005, Real-Time Classification of ECGs on a PDA, IEEE Trans. on Information Technology in Biomedicine, 9 (1), 23-34. Rumelhart, D. E., Hinton, G. E. and Willams, R. J., 1986, Learning Internal

Representations by Error propagation, Parallel Distributed Processing, vol.1, chap. 8.

Sağıroğlu, Ş., Beşdok, E. ve Erler, M., 2003, Mühendislikte Yapay Zeka Uygulamaları- 1/Yapay Sinir Ağları, Ufuk Kitap Kırtasiye Yayıncılık Ltd. Şti., Kayseri.

Sarker, R. A. and Newton, C. S., 2008, Optimization modelling : a practical introduction, Boca Raton, FL : CRC Press, ISBN 9781420043105.

Salman, A., Ahmad, I. and Al-Madani, S., 2003, Particle Swarm Optimization For Task Assignment Problem, Microprocessors and Microsystems, 26, 363–371.

Semmlow, J. L., 2004, Biosignal and Biomedical Image Processing-MATLAB Based Application, Marcel Decker, Inc.

Serdengeçti, Ç., 2008, Biyomedikal İşaretlerin Ayrıştırılması, Yüksek Lisans Tezi, Ege Üniversitesi Fen Bilimleri Enstitüsü, İzmir.

Sezer, E., 2008, Epilepsi Teşhisi için EEG Sinyal Analizi, Selçuk Üniversitesi Fen Bilimleri Enstitüsü, Konya.

Sha, D.Y. and Hsu, C., 2006, A Hybrid Particle Swarm Optimization For Job Shop Scheduling Problem, Computers & Industrial Engineering, 51, 791–808.

Silverman, M. E. and Meyer, R. J., 1983, Electrocardiography: Basic Concepts and Clinical Applications, McGarwhill Com, New York.

Tamer, S. ve Karakuzu, C., 2006, Parçacık Sürüsü Optimizasyon Algoritması ve Benzetim Örnekleri, Kocaeli Üniversitesi Mühendislik Fakültesi Elektronik ve Haberleşme Mühendisliği Bölümü, Kocaeli.

Tasgetiren, M.F. and Liang, Y.C., 2003, A Binary Particle Swarm Optimization Algorithm For Lot Sizing Problem, Journal of Economic and Social Research, 5 (2), 1–20.

Tasgetiren, M. F., Sevkli, M., Liang, Y. C. and Gencyilmaz, G., 2004, Particle Swarm Optimization Algorithm For Permutation Flowshop Sequencing Problem, Lecture Notes in Computer Science, Springer-Verlag. 3172, 382–390.

Tewolde, G.S. and Hanna, D.M., 2007, Particle Swarm Optimization for Classification of Breast Cancer Data using single and Multisurface Methods of Data Seperation, IEEE EIT 2007 Proceedings, 443-446.

Tezel, G., 2007, Biyomedikal İşaretlerin Yeni Bir Adaptif Aktivasyon Fonksiyonlu Yapay Sinir Ağı İle Sınıflandırılması, Doktora Tezi, Selçuk Üniversitesi Fen Bilimleri Enstitüsü, Konya.

Uçak, D., 2005, Elektrokardiyografi, Nobel Tıp Kitabevleri.

Übeyli, E.D. and Guler, I., 2003, Neural network analysis of internal carotid arterial Doppler signals: predictions of stenosis and occlusion, Expert Systems with Applications, 25, 1-13.

Xiaoping, C., He, H., 2011, Immune Feedforward Neural Network for Fault Detection, Tsınghua Scıence And Technology, 16 ( 3), 272-277.

Werbos, P.J., 1974, Beyond Regression: New Tools for Prediction and Analysis in the Behavioral Sciences, PhD Thesis, MA: Harvard University, Cambridge.

Yalçın, N., 2012, Sezgisel Algoritma Öğrenmeli Yapay Sinir Ağları İle Epilepsi Hastalığının Teşhisi, Yüksek Lisans Tezi, Selçuk Üniversitesi Fen Bilimleri Enstitüsü, Konya.

Yan, G., Yaoguang, W., Dongmei, F., Wei, Z. and Shurong, N., 2006, Research and Application of a New Artificial Immune Algorithm Which Based on SOM Neural Network, IEEE, 1080-1083.

Yücelbaş, C., 2012, Elipsoid Tanıma Çemberli Bir Yapay Bağışıklık Sistemi Tasarımı Ve Sınıflama Problemlerindeki Performans Analizi, Yüksek Lisans Tezi, Selçuk Üniversitesi Fen Bilimleri Enstitüsü, Konya.

Zobolas, G.I., Tarantilis, C.D. and Ioannou, G., 2009, Minimizing Makespan in Permutation Flow Shop Scheduling Problems Using A Hybrid Metaheuristic Algorithm, Computers & Operations Research, 36 (4), 1249-1267.

ÖZGEÇMİŞ

KİŞİSEL BİLGİLER

Adı Soyadı : Şule YÜCELBAŞ

Uyruğu : T.C.

Doğum Yeri ve Tarihi : Tokat / 09.11.1987

Telefon : 0332-223 19 93 - 0542 671 13 07

Faks : ---

e-mail : syucelbas@selcuk.edu.tr

EĞİTİM

Derece Adı, İlçe, İl Bitirme Yılı

Lise : Adana Erkek Lisesi (Süper Lise) / Seyhan /Adana 2005 Üniversite : Marmara Üniversitesi / Kadıköy/ İstanbul 2010 İŞ DENEYİMLERİ

Yıl Kurum Görevi

2011 Milli Eğitim Bakanlığı Öğretmen

2011 Hakkari Üniversitesi Araştırma Görevlisi

2012 Selçuk Üniversitesi Araştırma Görevlisi

UZMANLIK ALANI Bilgisayar Donanımı YABANCI DİLLER İngilizce

YAYINLAR

Yücelbaş, Ş. ve Tezel, G., 2012, EEG Sinyallerinin Sınıflandırılmasında Yapay Sinir Ağları ve Yapay Bağışıklık Sisteminin Kıyaslanması, 17. Biyomedikal

Mühendisliği Ulusal Toplantısı-BİYOMUT 2012, İstanbul, 3-5 Ekim (Yüksek Lisans

seminerinden yapılmıştır).

Yücelbaş, Ş. and Tezel, G., 2013, The Classification Performance Comparison of ANN and PSO-NN on the Heart Diseases Diagnosis , IADIS International

Conference Intelligent Systems and Agents 2013, 22-24 July, Prague, Czech