2. MATERYAL VE YÖNTEM
2.3. Tanı Derecelendirme Sistemi
2.3.7. Hatalı Görülen EMG (Artefakt)
Hatalı Görülen EMG (Artefakt): UF-sEMG testinin çoğunlukla pediatrik yaş grubundaki hastalara uygulanması sebebiyle kayda değer bilgiler elde etmede bazı zorluklar yaşanabilmektedir. Hastaların eksternal anal sfinkterinin yanına bağlanan yüzeyel sEMG propları birbirine temas edebilir veya ıslanabilir. Bu veya benzer istenmeyen durumlarda sEMG işareti, gereğinden büyük gözlemlenir ve test tekrarlanır. (Şekil 2.13.) (Çizelge 2.9.). Hekimler, “Hatalı Görülen EMG” için ampirik olarak 200000 µV eşik değeri tespiti yapmışlardır. Miksiyon anında 200000 µV değerini aşan sEMG aktivitesinin olması durumunda YSA doğrudan testin geçersiz ve tekrarlanması gerektiğini bildirmektedir.
Şekil 2.13. Hatalı Görülen EMG (Artefakt)’ye ait Örnek Eğri Şekli [20]
Derece NonEMG (Grade NonEMG) Miksiyon
Tepe
43
Çizelge 2.9. Hatalı Görülen EMG (Artefakt)’ye ait Örnek Şekilden Elde Edilen Öznitelikler
Tüm dereceler için örnek gösterilen UF-sEMG sinyallerinden (Şekil 2.7. - Şekil 2.13.) elde edilen öznitelikler Çizelge 2.10.’da yer almaktadır.
Çizelge 2.10. Örnek Gösterilen Tüm Derecelere Ait Öznitelikler
Derece Artefakt (Grade Artefact) Miksiyon
Tepe
44 2.4. Matlab R2016a Kullanımı
Bu tez çalışmasında mevcut 967 hasta verisinin öznitelikleri, Matlab R2016a kullanılarak yazılan kodlar ile çıkarılmıştır (EK-1). Bunun için hasta verilerinin kaydedildiği MMS Solar Uroflow cihazının arşivinden, her bir hastaya ait FLOW.ASC ve EMG1.ASC olmak üzere iki dosya alınarak Matlab ortamında analiz edilmiştir. Bu dosyalardan 967x8 boyutunda oluşturulan bir öznitelik matrisi elde edilmiştir. Bu öznitelik matrisi, veriler arasındaki farklılığı tek bir düzende ele almak amacıyla normalize edilmiş, bu işlem sonucunda her bir veri için [0,1] arasında bir değer elde edilmiştir. Normalizasyon işlemi için öznitelik matrisindeki her bir öznitelik sütunu (967x1) ayrı ayrı:
𝑉𝑁 = 0,8 · [𝑉𝑅−𝑉𝑚𝑖𝑛]
[𝑉𝑚𝑎𝑘𝑠−𝑉𝑚𝑖𝑛]+ 0,1 (2.9)
denklemi ile normalizasyon işlemine tabi tutulmuştur. Burada 𝑉𝑅 normalize edilecek veriyi, 𝑉𝑚𝑎𝑘𝑠 o öznitelik setindeki en büyük değere sahip veriyi, 𝑉𝑚𝑖𝑛 o öznitelik setindeki en küçük değere sahip veriyi, 𝑉𝑁 ise normalize edilmiş yeni değeri temsil etmektedir.
Normalizasyon işleminden sonra her biri 8 ayrı öznitelik ve bir teşhisten oluşan 967 hasta verisi rastgele seçilmek suretiyle %80 (773 adet) eğitim ve %20 (194 adet) test olmak üzere ikiye ayrılmıştır. Her bir dereceye ait hasta sayısı farklı olduğundan bu ayrım yapılırken, o dereceye ait hasta verileri kendi içlerinde eğitim ve test olmak üzere gruplandırılmıştır.
Bu aşamadan sonra Matlab R2016a programı kullanılarak YSA oluşturulmuş, gruplandırılan verilerle oluşturulan YSA’nın sınıflandırma başarısı hesaplanmıştır.
Matlab’da YSA uygulamaları farklı komutlarla gerçekleştirilebilir. Bu tez çalışmasında “nntool” komutu ile oluşturulan yapay sinir ağı tanıtılacaktır.
Çalışma aşağıda belirtilen yönergeler takip edilerek gerçekleştirilmiştir.
45
i. Matlab command window bölümüne “nntool” komutu yazılır ve bu komutla birlikte “Neural Network / Data Manager” penceresi açılır (Şekil 2.14.).
Şekil 2.14. Matlab Neural Network / Data Manager [33]
ii. “Neural Network / Data Manager” penceresinde bulunan “New Network”
butonu ile “Create Network or Data” penceresi açılır. Bu pencerede tez çalışmasına uygun olarak network tipi, eğitim fonksiyonu, adaptasyon eğitim fonksiyonu, performans fonksiyonu, katman sayısı, transfer fonksiyonu, gizli katmandaki nöron sayısı ve gizli katman sayısı değerleri seçilir (Şekil 2.15.).
46 Şekil 2.15. Matlab Create Network [33]
iii. Bu defa “Create Network or Data” penceresindeki “Data” sekmesi açılarak, daha önce hazırlanan eğitim girdi, eğitim çıktı ve test girdi setleri “Create” butonu ile tanıtılır (Şekil 2.16. Şekil 2.17. Şekil 2.18.).
Şekil 2.16. Matlab Create Data [33]
47 Şekil 2.17. Matlab Create Data [33]
Şekil 2.18. Matlab Create Data [33]
48
iv. İşlemlerin tamamlanması ile “Neural Network / Data Manager” araç kutusunda tüm veriler yer alır. Oluşturulan “UFsEMG” ağına giriş yapılarak ağın eğitim safhasına geçilir (Şekil 2.19.).
Şekil 2.19. Matlab Neural Network/Data Manager [33]
v. Açılan “Networks: UFsEMG” penceresinde, oluşturulan ağın yapısı “View”
sekmesi ile görülebilir (Şekil 2.20.).
Şekil 2.20. Matlab View [33]
49
vi. “Train” sekmesinde eğitim girdi / eğitim çıktı değerleri işaretlenir ve “Train Network” butonu ile ağ eğitilir (Şekil 2.21.).
Şekil 2.21. Matlab Train Info [33]
vii. Daha sonra eğitilmiş ağı test etmek üzere “Simulate” sekmesine geçilir. Test verisi girdileri işaretlenir ve ”Simulate Network” butonu ile ağın test işlemi tamamlanmış olur (Şekil 2.22.). “View/Edit Weights” sekmesi ile ağın ağırlık değerleri görülebilir (Şekil 2.23.).
Şekil 2.22. Matlab Simulate [33]
50 Şekil 2.23. Matlab View/Edit Weights [33]
viii. Test edilen yapay sinir ağının başarısın bulunması için ağın test sonuçları ile test amaçlı ayrılmış verilerin doktor tanıları karşılaştırılmalıdır. Bunun için “Neural Network / Data Manager” penceresinde oluşan “testcikti” açılır ve buradaki değerler alınır. Böylece yapay sinir ağının test sonuçları ile gerçek doktor tanılarının karşılaştırılması suretiyle başarı oranı bulunmuş olur (Şekil 2.24.).
Şekil 2.24. Matlab Test Çıktısı [33]
51
3. BULGULAR
Çocuk ürologları tarafından değerlendirilen 967 pediatrik hasta verisi, geri yayılım algoritması kullanılarak oluşturulan yapay sinir ağına tanıtılmıştır. YSA üç tabakadan oluşmuştur. Giriş katmanına öznitelikler girilmiştir. Gizli katman YSA’nın nöronları arasındaki ilişkileri içerir. Çıktı katmanı ise yedi ayrı derecelendirme grubundan birine karar verir (Şekil 3.1.).
Şekil 3.1. Yapay Sinir Ağı Yapısı
Verilerin 773 adedi (%80) eğitim, 194 adedi (%20) test amacıyla kullanılmıştır. Bu veriler doğrultusunda oluşturulan YSA Derece 0’ı (%75,55), Derece 1’i (%92,10), Derece 2’yi (%96,55), Derece 3’ü (%96,15), Derece 4’ü (%100) ve Derece NonEMG’yi (%59,46) başarı ile tespit etmiştir. Genel başarım ortalaması %82,99 olarak hesaplanmıştır (Çizelge 3.1.).
52
Bu defa sEMG verisi olmadan sadece UF verileri YSA’ya tanıtılmıştır. Verilerin 773 adedi (%80) eğitim, 194 adedi (%20) test amacıyla kullanılmıştır. Bu veriler doğrultusunda oluşturulan YSA Derece 0’ı (%40), Derece 1’i (%47,37), Derece 2’yi (%96,55), Derece 3’ü (%96,15), Derece 4’ü (%68,42) ve Derece NonEMG’yi
53
Çizelge 3.2. Öznitelik Olarak sEMG Kullanılmadan Sınıflandırılan Verilerin Adedi ve Sınıflandırma Doğruluğu
Derece 0
Çizelge 3.1. ve Çizelge 3.2.’den anlaşılacağı üzere, sfinkter kaslarından alınan sEMG sinyalinin kullanılması ile birlikte, YSA’nın başarı oranı %58,25’den %82,99’ye yükselmiştir. Çalışmamızın özünü teşkil eden bu durum, hekimler tarafından da kabul gören, hastaya konulacak tanıda sfinkter EMG bilgisinin UF ile kullanılması görüşünü desteklemektedir.
Çizelge 3.1. ve Çizelge 3.2. incelendiğinde özellikle Derece 0, Derece 1 ve Derece 4 grubu hastalarda sEMG’nin doğru tahmin başarısına büyük oranda katkısı olduğu görülmektedir. Ön tanı elde edebilme adına yapılmış bu tez çalışmasında normal üroflov eğrisine sahip Derece 0 ve Derece 1 grubu hastalarda elde edilen doğru tahmin başarısı artışı SEMG sinyalinin önemini ayrıca arttırmaktadır.
YSA Tanısı
Hekim Tanısı
54 3.1. ROC Analizi
Sistemin test edilmesi amacıyla kullanılan 194 adet hasta veri seti için yapay sinir ağından elde edilen sonuçların, hekim tanıları ile karşılaştırılması amacıyla ROC (Receiver Operating Curve) analizi uygulanmıştır.
ROC analizi radarların performansını tespit etmek amacıyla geliştirilmiştir [34] ve biyomedikal uygulamalarda özellikle sınıflandırıcı performansını test etmek amacıyla kullanılır. Sonuçları grafiksel olarak gösterdiğinden ötürü çok kullanışlı olan ROC analizinin performansı, ROC eğrisinin altında kalan alanın bulunmasıyla değerlendirilir [35].
Bu çalışma için UF sinyalinin tek bir tepe oluşturup oluşturmadığı kesim noktası olarak belirlenmiştir. Derece 0 ve Derece 1 grubu hasta verilerinde UF eğrisi, sağlıklı bireylerde görülmek istendiği gibi tek bir tepe oluşturacak şekilde meydana gelmiştir.
Her ne kadar Derece 1 grubu hastalarda miksiyon anında sEMG varlığı görülüyor olsa da UF eğrisinin tek bir tepe oluşturacak şekilde meydana gelmiş olmasından dolayı bu iki grup ROC analizinde “Hastalık yok” olarak ayrılmış ve “pozitif” olarak değerlendirilmiştir. Belirlenen kesim noktası sonrasında Derece 2, Derece 3, Derece 4 ve Derece NonEMG grubu hastalar “Hastalık var” olarak ayrılmış ve “negatif”
olarak değerlendirilmiştir (Şekil 3.2.).
Şekil 3.2. Teşhis Sonuçları
Kesim noktası
(1)
(2) (3) (4)
Hastalık VAR Hastalık YOK
Teşhis sayısı
55
ROC analizinde kullanılan kriterler aşağıda belirtildiği gibidir.
(1) Doğru Pozitif (DP) : Hastalık VAR ve YSA hastalık VAR olarak tespit etti.
(2) Yanlış Pozitif (YP) : Hastalık YOK ve YSA hastalık VAR olarak tespit etti.
(3) Yanlış Negatif (YN) : Hastalık VAR ve YSA hastalık YOK olarak tespit etti.
(4) Doğru Negatif (DN) : Hastalık YOK ve YSA hastalık YOK olarak tespit etti.
ROC eğrisi oluşturulurken YSA’nın test edilmesi amacıyla ayrılan 194 adet hasta verisi tabloda görüldüğü gibi gruplandırılmıştır (Çizelge 3.3.).
Çizelge 3.3. Hasta sayılarının Hekim teşhisi ve YSA sonucuna göre karşılaştırılması
Gerçek Durum YSA Sonucu Hastalık Var
Pozitif görülmektedir. Bunlardan 9 tanesi “hastalık yok” grubunda olmasına rağmen,
“hastalık var” olarak gruplandırılmıştır (YP: Yanlış Pozitif). UF-sEMG testi uygulanabilirliğinin kolaylığı ve doğrudan doğruya ilaç tedavisi veya girişimsel bir müdahale için yeterli bulunmaması gibi özelliklerinden ötürü, bu gruptaki hastalar için verilmiş olan hatalı ön tanı, daha sonra yapılacak tetkikler ile fark edilebilir ve bu sayede yapılan yanlışlık düzeltilebilir. Ancak YSA bunlardan başka 3 hastaya daha yanlış ön tanı koymuştur. Bu üç hasta “hastalık var” grubunda olmasına rağmen, “hastalık yok” olarak gruplandırılmıştır (YN: Yanlış Negatif). Yanlış Negatif bulunan üç hastanın dereceleri EK-2 tablodan bakıldığında görülmektedir.
Bunlardan bir tanesi “Derece 2” olmasına rağmen “Derece 1” olarak bulunmuş, iki
56
tanesi de “Derece NonEMG” olmasına rağmen “Derece 0” olarak bulunmuştur. Bu hatalı ön tanılara bakıldığında, birbirine en yakın derecelerin olduğu görülmektedir.
Bu tez çalışmasında doktor olmadan bir ön tanı koyma amaçlandığından, hastada rahatsızlığın olmasına rağmen bu rahatsızlığın tespit edilememesi önem verilmesi gereken bir durumdur. İleride yapılacak çalışmalarda yazılım ve YSA’nın geliştirilmesiyle daha başarılı sonuçlar alınabileceği değerlendirilmektedir.
Hasta verilerinin hekim teşhisi ve YSA sonucuna göre karşılaştırıldığı Çizelge 3.3.’ten elde edilen verilerle ROC eğrisi çizdirilebilir. Bunun için ROC analizinden
“Doğru Pozitif Oranı” ve “Yanlış Pozitif Oranı” değerlerinin hesaplanması gerekmektedir. Doğru pozitif oranı duyarlılık, yanlış pozitif oranı (1-seçicilik)’dir ve eğri eksenleri bu oranlar belirlenerek çizdirilir.
Duyarlılık = DP oranı = 𝐷𝑃 𝑠𝑎𝑦𝚤𝑠𝚤 𝑇𝑜𝑝𝑙𝑎𝑚 𝐻𝑎𝑠𝑡𝑎𝑙𝚤𝑘 𝑉𝑎𝑟⁄ (3.1) Duyarlılık = DP oranı = 108 111 = 0,9730⁄
1 − Seçicilik = 𝑌𝑃 𝑜𝑟𝑎𝑛𝚤 = 𝑌𝑃 𝑠𝑎𝑦𝚤𝑠𝚤 𝑇𝑜𝑝𝑙𝑎𝑚 𝐻𝑎𝑠𝑡𝑎𝑙𝚤𝑘 𝑌𝑜𝑘⁄ (3.2) 1 − Seçicilik = 𝑌𝑃 𝑜𝑟𝑎𝑛𝚤 = 9 83⁄ = 0,1084
Bu veriler ışığında çizilen ROC eğrisi Şekil 3.3.’de görüldüğü gibidir. ROC eğrisinin altında kalan alan 0,92 birim karedir. Bu değer sistemin %92 seviyelerinde doğru sınıflandırma yaptığını göstermektedir. Bu alan 0,9-1 aralığında ise mükemmel, 0,8-0,9 aralığında ise iyi, 0,7-0,8 aralığında ise orta, 0,6-0,7 aralığında ise zayıf, 0,5-0,6 aralığında ise başarısız olarak değerlendirilebilir [35].
57 Şekil 3.3. ROC Eğrisi
0,1084 1
0,973 0
Duyarlılık
(1 – Seçicilik)
1
58
4. SONUÇ ve ÖNERİLER
Alt üriner sistem disfonksiyonu (AÜSD), idrar depolama ve miksiyon gibi alt üriner sistem fonksiyonlarında anormallikler ile karşımıza çıkan durumları ifade eder.
AÜSD hastalıklarında üroflovmetre testi noninvaziv ve pratik oluşu nedeniyle sıklıkla kullanılmaktadır.
Literatürde üroflovmetre (UF) test verilerinden yola çıkarak yorum üreten çalışmalar mevcut olmakla birlikte, UF ile sEMG verisini birlikte değerlendirip yorumlayan bir çalışma mevcut değildir.
Bu çalışmada 2005-2014 tarihleri arasında AÜSD nedeni ile takip ve tedavi edilen çocuk hastalara uygulanan 967 elemanlı test grubu oluşturulmuştur. Bu çocuklara uygulanan UF-sEMG testleri sonrasında, Gülhane Eğitim ve Araştırma Hastanesi Üroloji Anabilim Dalı’nda görevli doktorlar tarafından, yeni ve daha detaylı derecelendirme metodu ile tanılar konulmuştur. Matlab ile yazılan kodlar vasıtasıyla, doktorlar tarafından tanıların konulma sürecinde dikkate alınan tüm bilgiler yapay sinir ağında girdi olarak kullanılmıştır. YSA’nın çıktıları ile doktor tanıları karşılaştırılarak başarı oranı bulunmuştur. Bu başarıda sEMG katkısı ayrıca irdelenmiştir. sEMG’nin ne kadar önemli bir veri olduğu, bu öznitelik çıkarılarak yapılan karşılaştırmalarla ortaya konmuş ve büyük oranda etkili olduğu görülmüştür.
Yapılan bu çalışma kapsamında sistemin uygulama kalitesinin ve başarımının yükselmesi, daha farklı sınıflandırma yöntemlerinin kullanıldığı çalışmalarla mümkün olabilecektir. Farklı algoritmalar kullanılarak yapılan çalışmalar başarı oranını arttırılabilir.
Ayrıca bu alanda çalışan doktorlara yeni bir karar desteği olması adına, çalışmada kullanılan Matlab yazılımı geliştirilebilir. Elde edilen sonuçlar; hastaların tanı, takip ve tedavi sürecinde sağlık personeline UF-sEMG sonuçlarını yorumlamada kolaylık sağlayabilir.
59
EMG ve üroflovmetreden oluşacak bir prototipte çevrimiçi ve öğretmensiz öğrenme özelliklerine sahip bir yapay sinir ağı modeli geliştirilerek sağlık hizmetine erişimin daha zor olduğu bölgelerdeki çocuk hastalara, doktor olmadan ön tanı konabilecek gezici ekipler oluşturulabileceği değerlendirilmektedir.
60 KAYNAKLAR
[1] Yağmur, İ., “Normal İdrar Akım Eğrisi”, Çocuk Cerrahisi Dergisi, Kasım 2016, Pages 571–576.
[2] Allen T.D., Bright T.C., “Urodynamic Patterns in Children with Dysfunctional Voiding Problems”, The Journal of Urology, Volume 119, Issue 2, February 1978, Pages 247 – 249.
[3] Köprü, B., Irkılata, H., Kibar, Y., Alp, B., Gök, F. ve Dayanç, M., “Alt Üriner Sistem İşeme Disfonksiyonu (AÜSD) Olan Çocuklarda Disfonksiyonel İşeme (Dİ)’nin Şiddetinin Değerlendirilmesinde Yeni Bir Derecelendirme (Grading) Sistemi”, 12.Türk Çocuk Ürolojisi Kongresi, Kasım 2013, Antalya, s. 77.
[4] Norgaard, J.P., Gool, J.D., Hjalmas., J.C., Djurhuus., J.C. “Standardization and Definitions in Lower Urinary Tract Dysfunction in Children”, British Journal of Urology, Volume 81, Issue 3, 1998, Pages 1-16.
[5] Köprü, B., Irkılata, H., Kibar, Y., Alp, B. ve Gök, F., “Aşırı Aktif Mesane (AAM) Tanılı Çocuk Hastalarda Elektromiyografili Üroflovmetri (UF-EMG) ile İşeme Fazının Değerlendirilmesi”, 12.Türk Çocuk Ürolojisi Kongresi, Kasım 2013, Antalya, s. 112.
[6] Irkılata, H., Kibar, Y., Alp, B., Topuz, B., Dayanç, M. ve Gök, F., “Veziko Üreteral Reflülü Çocuklarda Alt Üriner Sistem Disfonksiyonu Alt Tiplerinin UF-EMG ile Değerlendirilmesi”, 12.Türk Çocuk Ürolojisi Kongresi, Kasım 2013, Antalya, s. 109.
[7] Ergin, G., Kibar, Y., Ebiloğlu, T., Köprü, B., Irkılata, H. ve Gök, F., “Alt Üriner Sistem Disfonksiyonlu Çocuklarda Biofeedbak Tedavisinin Üroflow-EMG Parametreleri Üzerine Etkileri”, 12.Türk Çocuk Ürolojisi Kongresi, Kasım 2013, Antalya, s. 111.
[8] Irkılata, H., Örs, A.Ö., Kibar, Y. ve Sakallıoğlu, O., “Alt üriner Sistem İşlev Bozukluğu Olan Çocuklarda Üroflov-EMG Paternleri”, Türk Üroloji Dergisi, Volume 33, Issue 3, Ağustos 2007, Pages 334-338.
[9] Drzewiecki, B.A. and Bauer, S.B., “Urodynamic Testing in Children:
Indications, Technique, Interpretation and Significance”, The Journal of Urology, Volume 186, Issue 4, October 2011, Pages 1190-1197.
[10] Batavia, J.P., Combs, A.J., Hyun, G., Bayer, A., Medina-Kreppein, D., Schlussel, R.N. and Glassberg, K.I., “Simplifying the Diagnosis Of 4
61
Common Voiding Conditions Using Uroflow/Electromyography, Electromyography Lag Time and Voiding History”, The Journal of Urology, Volume 186, Issue 4, October 2011, Pages 1721-1727.
[11] Altunay, S., Telatar, Z., Erogul, O. and Aydur, E., “A new approach to urinary system dynamics problems: Evaluation and classification of uroflowmeter signals using artificial neural networks”, Expert Systems with Applications, Volume 36, Issue 3, Part 1, April 2009, Pages 4891 – 4895.
[12] Altunay, A.S., “Üroflowmetre Sistemi Tasarımı ve Üroflow Sinyallerinin Yorumlanması”, Yüksek Lisans Tezi, Ankara Üniversitesi, s. 61., Ankara 2006.
[13] Stanford Children’s Health, http://www.stanfordchildrens.org/en/topic/
default%3Fid%3Danatomy-of-the-urinary-system-85-P01468&
(Erişim tarihi: 26.02.2018)
[14] Tanagho, E.A. and McAninch J.W. Smith’s “General Urology”, McGraw-Hill /Appleton &Lange, 16𝑡ℎ Edition, page 830., SanFrancisco, 2003.
[15] Guyton, A.C. and Hall, J.E., “Textbook of Medical Physiology”, Saunders/Elsevier, 11𝑡ℎ Edition, page 1104., USA, 2005.
[16] Dayanç, M., https://www.cocukuroloji.com/tr/hastaliklar/Gunduz-cocuklarda-idrar-Kacirma/amp (Erişim tarihi: 21.03.2018)
[17] Dayanç, M., https://www.cocukuroloji.com/tr/aileler-icin-kilavuzlar/Yatak-islatma-kilavuzu (Erişim tarihi: 23.03.2018)
[18] Siroky, M.B., “Interpretation of Urinary Flow Rates”, Urologic Clinics of North Ameica, August1990, pages 537-42.
[19] Abdelmagid, M.E. and Gajewski, J.B., “Critical Rewiev of the Uroflowmetry”, Canadian Journal of Urology. 1998, pages 569-575.
[20] MMS Medical Measurement Systems B.V. The Netherlands, MMS Database ekran görüntüsü (Erişim tarihi: 20.03.2018)
[21] MEB Biyomedikal Cihaz Teknolojileri, “Kas Sinir Sinyal İzleyicilerde Kurulum” Ankara, 2012.
[22] Betatom EMAR http:// betatomavcilar.com/ hizmetlerimiz/ emg-elektromiyografi/ (Erişim tarihi: 24.03.2018)
[23] Efe Ö., Kaynak O., “Yapay Sinir Ağları ve Uygulamaları” Boğaziçi Üniversitesi, İstanbul, 2000.
62
[24] Öztemel E. “Yapay Sinir Ağları” Papatya Yayıncılık, İstanbul, 2006.
[25] Şen Z., “Yapay Sinir Ağları İlkeleri” Su Vakfı Yayınları, İstanbul, 2004.
[26] http://www.biyolojidefteri.com/index.php/impuls-olusumu-ve-iletimi (Erişim tarihi: 28.03.2018)
[27] https://www.hostingdergi.com.tr/yapay-zeka-ve-sinir-aglari/ (Erişim tarihi:
24.03.2018)
[28] Orçanlı, K., “Çok Değişkenli Kalite Kontrol Grafikleri ve Yapay Sinir Ağları Yöntemiyle Döküm Sanayinde Bir İstatistiksel Süreç Kontrolü Uygulaması”, Doktora Tezi, Atatürk Üniversitesi, Erzurum 2017.
[29] Diler, A.İ., “İMKB Ulusal-100 Endeksinin Yönünün Yapay Sinir Ağlarıyla Hata Geriye Yayma Yöntemi ile Tahmin Edilmesi”, İMKB Dergisi 7, 2003, s.
25-26, 65-81.
[30] MMS Medical Measurement Systems, http://www.mmsinternational.com/
usa/1410/urology-uroflowmetry-products-solar-uroflow (Erişim tarihi: 20.03.2018)
[31] Kröse, B. and Smagt, P. “An Introduction to Neural Networks”, University of Amsterdam Publication, 131 p., Amsterdam. 1996.
[32] Freeman, J.A., and Skapura, D.M., Neural Networks Algorithms, Applications and Programming Techniques, Addison-Wesley Publishing, Houston, 1991.
[33] MATLAB R2016a ekran görüntüsü (Erişim tarihi: 22.03.2018)
[34] Fawcett, T. “ROC Graphs: Notes and Particular Considerations for Data Mining Researchers”, Hewlett-Packard Company documentation notes, 2003.
[35] Duman, F. “EEG Sinyallerinin Analizi ile Uyku Durumunun Belirlenmesi”, Yüksek Lisans Tezi, Ankara Üniversitesi, 58 s., Ankara 2005.
63 EKLER
EK 1 Matlab R2016a’da Yazılmış Öznitelik Çıkarım Kodları
clear
if sifir_inme > 0 oz_sifir = 2;
else oz_sifir = 1;
end
maks_emg = max (emg1(baslangic:bitis));
if maks_emg < 5 oz_emg = 1;
end
64
if maks_emg > 5 && maks_emg<200000 oz_emg = 2;
oz_ort_akis = ceil(mean(flow(baslangic:bitis))/fs); % miksyon anında oz_yas = input ('yaş: ');
oz_cins = input('cinsiyet Erkek (1), Kız (2): ');
while oz_cins > 2
oz_cins = input('cinsiyet Erkek (1), Kız (2): ');
end
target(sayac,1) = input('Doktor değerlendirmesi: ');
tepe_sayisi =
65
giris(sayac,2) = oz_emg;
giris(sayac,3) = oz_maks_akis;
giris(sayac,4) = oz_maks_ulasma;
giris(sayac,5) = oz_ort_akis;
giris(sayac,6) = oz_sifir;
giris(sayac,7) = oz_tepe_sayisi;
giris(sayac,8) = oz_yas;
sayac = sayac +1;
save giris.mat giris sayac target;
66 EK 2 Öznitelik Çıkarım Akış Şeması
Dosya Yükleme flow.asc
emg1.asc Miksiyon anı tespiti
baslangic, bitis
Sıfıra İnme
i3 = baslangic:1:bitiş flow (i3) > 0 ise i3 = baslangic:1:bitiş
flow (i3) = 0 ise
oz_sifir = 2 Sıfıra inme var oz_sifir = 1
Sıfıra inme yok
max_emg < 5 EMG 5 < max_emg < 200000
max_emg > 200000
oz_emg = 1 EMG yok
oz_emg = 3 EMG artefakt
oz_emg = 2 EMG var
67
Maksimum Akış Hızı
oz_max_akis = ceil(max(flow(baslangic:bitiş))/𝑓𝑠)
Maksimum Akış Hızına Ulaşma
Süresi
flow(i4) = max(flow)
oz_max_ulasma = floor((i4-baslangic)/𝑓𝑠)
Ortalama Akış Hızı
oz_ort_akis = ceil(mean(flow(baslangic:bitiş))/𝑓𝑠)
68
Tepe Sayısı
oz_tepe_sayisi = 1
oz_tepe_sayisi = 1 oz_tepe_sayisi = 2
oz_tepe_sayisi = 2
oz_tepe_sayisi = 3
tepe_sayisi = 0 tepe_sayisi ≥ 4
tepe_sayisi = 1 tepe_sayisi = 3
tepe_sayisi = 2
Cinsiyet
Erkek Kız
oz_cins = 1 oz_cins = 2
Klavye Girişi (Cinsiyet, Yaş)
Yaş
69
70
71
72
73
74
75
76
EK 4 UF-sEMG Sinyallerinin Sınıflandırılmasını Gösteren Blok Şema
sEMG Sinyali (1 adet) UF Sinyali (5 adet)