Parkinson Hastaları için İstirahat Tremörünün FLC ve WFLC Yapıları ile Modellenmesi

Bu çalışmada ise Parkinson hastalarında rastlanan istirahat tremorünü modelleyebilmek için FLC-LMS ve WFLC-LMS yapıları kullanılmış olup, başarımları detaylı bir şekilde karşılaştırılmıştır. Burada literatürde yaygın kullanılan Derin Beyin Uyartımının Parkinson Tremorüne Etkisi ( Effect of Deep Brain Stimulation on Parkinsonian Tremor ) ile isimlendirilen (Beuter vd., 2001) veri kümesinde yer alan “refh” adlı derin beyin uyartımının olmadığı 5 adet istirahat tremorü kullanılmıştır. Bu işaretler, 100 Hz’lik örnekleme frekansına sahiptir. (Beuter vd., 2001). Bu kapsamda, kullanılan FLC-LMS ve WFLC-LMS algoritmalarına ait parametreler aşağıdaki gibidir:

 Adım büyüklüğü, her iki algoritma için 0.1 seçilmiştir.

 Başlangıç frekansları ( f ), FLC-LMS algoritması için 5 Hz ve WFLC-LMS ₀ algoritması için ise 6 Hz değerlerine kurulmuştur.

 Her iki algoritma için Fourier seri katsayısı, M ise 1’dir.

 Son olarak ise yukarıda bahsedilen “refh” adlı veri kümesinde bulunan g2rof, v4rof, v5rog, s6rof ve s7rof verileri sırasıyla İşaret 1, İşaret 2, İşaret 3, İşaret 4 ve İşaret 5 şeklinde isimlendirilmiştir.

Şekil 4.8 ve 4.9’da, Veri 1 için sırasıyla adaptif FLC-LMS ve WFLC-LMS algoritmalarına ait çıkışlar sunulmuştur. Burada her iki yapının, tremor sinyalini yüksek bir başarımla takip ettiği görülmektedir. Fakat FLC-LMS algoritmasının tremor işaretini

en iyi şekilde modelleyebilmesi için algoritmanın başlangıç frekansının önceden belirlenmesi gerekir ve bu frekansın tremor işaretinin baskın frekansına yakın seçilmesi gerekir. Yakın seçilmediği durumlarda ise FLC-LMS algoritmasının başarımı önemli ölçüde düşmektedir.

WFLC-LMS yapısında, başlangıç frekansı her hangi bir pozitif değere ayarlandığında, bu yapı kendi frekansını anlık olarak tremorün değişen frekansına ayarlayabilmektedir (Rezayi ve Mengüç, 2019). WFLC-LMS algoritması, frekansı anlık olarak değiştirdiği Şekil 4.10’dan görülmektedir. Şekil 4.10’dan görüldüğü üzere; WFLC-LMS algoritması, ilk etapta yüksek olan frekansı zaman geçtikçe adaptif bir şekilde tremor sinyalinin frekansına yakın olan 6 Hz civarında bir frekansa ayarlamaktadır. Dolayısıyla, tremor işaretinin baskın frekansının bilinmesine gerek duyulmadan, WFLC-LMS algoritması tremor işaretini efektif bir şekilde modelleyebilmektedir.

Ayrıca, Veri 1 için hem FLC-LMS hem de WFLC-LMS yapılarının frekans tayfları Şekil 4.11’de yer almaktadır. Bu şekilden de görüldüğü üzere, her iki yapı tremor işaretinin frekansa göre genlik değişimini yüksek doğrulukta modelleyebilmektedir.

Son olarak ise her iki yapının tüm işaretler üzerindeki başarımını incelemek için Çizelge 4.3’te MSE değerlerine yer verilmiştir. Çizelge 4.3’te gösterilen MSE başarımları incelendiğinde, WFLC-LMS yapısının adaptif olarak değişebilen frekans özelliğinden dolayı tremor işaretinin modellenmesinde FLC-LMS yapısına göre daha iyi bir başarım sergilediği gözlemlenmiştir. Sonuç olarak, FLC-LMS yapısının modelleme başarımı doğrudan tremor işaretinin baskın frekansına önemli ölçüde bağlıdır.

1.

(a)

(b)

Şekil 4.8. (a) İşaret 1’in bütün örnekleri için FLC-LMS yapısının çıkışı (b) İşaret 1’in 0.4 ile 0.5’inci saniyeler arasındaki örnekleri için FLC-LMS yapısının çıkışı

(a)

(b)

Şekil 4.9. (a) İşaret 1’in bütün örnekleri için WFLC-LMS yapısının çıkışı (b) İşaret 1’in 0.4 ile 0.5’inci saniyeler arasındaki örnekleri için WFLC-LMS yapısının çıkışı

Şekil 4.10. İşaret 1 için WFLC-LMS yapısının frekansa göre anlık değişimi

Şekil 4.11. İşaret 1 için FLC-LMS ve WFLC-LMS yapılarının frekans tayfları Çizelge 4.3. FLC yapılarına ait MSE başarımları

FLC Yapıları ^{MSE Değerleri}

Veri1 Veri 2 Veri 3 Veri 4 Veri 5

FLC-LMS 105x10^-4 235x10^-4 75x10^-4 528x10^-4 26x10^-4

BÖLÜM V SONUÇLAR

Bu tez çalışmasında, patolojik el tremor sinyallerinin adaptif kestirimi ve Parkinson hastalarında görülen istirahat tremor sinyallerinin modellenmesi gerçekleştirilmiştir. Yapılan çalışmanın ilk aşamasında, tremor sinyallerinin etkin bir şekilde kestirimi için Fourier lineer birleştirici yapısı bir kestirim problemi olarak tanımlanmış ve ardından LMS, NLMS, SILMS ve SELMS algoritmaları yardımıyla bu yapıya ait Fourier katsayıları adaptif olarak güncellenmiştir. Bu sayede ilk defa bu çalışmada, literatürde mevcut olan LMS tabanlı algoritmaların tamamının başarımları karşılaştırmalı olarak istemli hareketlerin mevcut olduğu patolojik el tremorü sinyallerinin kestirimi üzerinde test edilmiştir. Bu kapsamda yapılan benzetimler, NLMS algoritmasının diğer algoritmalara kıyasla daha iyi bir başarım sağladığını göstermiştir. Bu sonuca ek olarak, yapılan benzetimler sayesinde, yüksek işlem hızının gerektiği gerçek zamanlı uygulamalarda ise LMS ve NLMS tipi algoritmaların yerine, daha az hesap yüküne sahip olan SILMS algoritmasının tercih edilebileceği ayrıca görülmüştür.

Çalışmanın ikinci aşamada ise aynı patolojik el tremor sinyallerinin kestirimi için FLC-OCLMS algoritması önerilmiş ve başarımı klasik FLC-LMS algoritması ile karşılaştırılmıştır. Bu çalışma kapsamında gerçekleştirilen benzetimler ise önerilen FLC-OCLMS algoritmasının çevrimiçi veri sansürleme tekniği vasıtasıyla gereksiz olan verileri güncelleme kuralında kullanmadığını ve bu sayede hesap yükünü önemli bir oranda azalttığını göstermektedir. Ayrıca elde edilen sonuçlardan, önerilen FLC-OCLMS algoritmasının yakınsama oranın klasik FLC-LMS algoritması ile benzer olduğu gözlemlenmiştir. Sonuç olarak, önerilen FLC-OCLMS algoritmasının yüksek hız gerektiren gerçek zamanlı uygulamalarda veya giyilebilir teknolojilerin tasarlanmasında etkin bir şekilde kullanılabileceği kanısına varılmıştır.

Çalışmanın son aşamasında ise Parkinson hastalarında istemli hareketin mevcut olmadığı istirahat tremorü ele alınmıştır. Tremor işaretlerinin modellenmesinde literatürde yaygın kullanılan FLC-LMS ve WFLC-LMS yapıları kullanılmıştır. Her bir yapının başarımı ise gerçek veri kümesi üzerinde ortalama kare hata ve sinyal takibi cinsinden karşılaştırmalı olarak analiz edilmiştir. Yapılan analizler, her iki metodun

Parkinson hastalarında gözlemlenen istirahat tremorünün modellenebilmesinde etkin bir şekilde kullanılabileceğini göstermiştir. Bunun yanı sıra yapılan analizler neticesinde, tremor işaretinin baskın frekansının bilinmediği durumlarda WFLC-LMS yapısının kullanılmasının daha uygun olduğu kanısına varılmıştır.

KAYNAKLAR

Adelstein, B., Peripheral Mechanical Loading and Mechanism of Abnormal Intention Tremor, MD thesis, Massachusetts Institute of Technology USA, Cambridge, 1981.

Adhikari,K., Tatinati,S., Ang,W. T., Veluvolu,K. C., and Nazarpour,K. “A Quaternion Weighted Fourier Linear Combiner for Modeling Physiological Tremor”, IEEE

Transactions on Biomedical Engineering 63(11), 2336-2346, 2016.

Aisen, M., et al., “Glutethimide treatment of disabling action tremor in patients with multiple sclerosis and traumatic brain injury”, Archives of Neurology 49, 513–515, 1991.

Ang, W. T., “Active Tremor Compensation in Handheld Instrument for Microsurgery, Ph. D. Thesis, Robotics Institute, Carnegie Mellon University Pittsburgh, 2004.

Ang, W.T., Riviere, C.N. and Khosla, P.K., An active hand-held instrument for enhanced microsurgical accuracy, MICCAI, 1935, 878-886, 2000.

Atashzar,S. F., Shahbazi,M., Samotus,O., Tavakoli,M., Jog,M. S., and Patel,R. V., “Characterization of Upper-Limb Pathological Tremors: Application to Design of an Augmented Haptic Rehabilitation System”. IEEE Journal of Selected Topics in Signal

Processing 10(5), s. 888-903, 2016.

Berberidis, D., Kekatos, V. and Giannakis,G. B., “Online censoring for large-scale regressions with application to streaming big data,” IEEE Transactions on Signal

Processing 64(15), 3854–3867, 2016.

Beuter, A., Titcombe, M.S., Richer, F., Gross, C. and Guehl, D., “Effect of deep brain stimulation on amplitude and frequency characteristics of rest tremor in Parkinson’s disease”, Thalamus and Related System 1(3), 203-211, 2001.

Bhidayasiri, R., "Differential diagnosis of common tremor syndromes", Postgraduate

Medical Journal 81(962), 756-762, 2005.

Charles, S., Taylor, R.H., Dexterity enhancement for surgery. In Computer Integrated

Surgery: Technology and Clinical Applications; Lavellee, S., Burdea, G.C., Mosges,