T.C.
DÜZCE ÜNİVERSİTESİ
FEN BİLİMLERİ ENSTİTÜSÜ
ANESTEZİ DERİNLİĞİ KONTROLÜNDE BULANIK MANTIK VE
YAPAY BAĞIŞIKLIK SİSTEMİ TEMELLİ KARAR DESTEK
SİSTEMİ
KUDRET YILMAZ
YÜKSEK LİSANS TEZİ
BİLGİSAYAR MÜHENDİSLİĞİ ANABİLİM DALI
DANIŞMAN
DR. ÖĞR. ÜYESİ ESRA ŞATIR
T.C.
DÜZCE ÜNİVERSİTESİ
FEN BİLİMLERİ ENSTİTÜSÜ
ANESTEZİ DERİNLİĞİ KONTROLÜNDE BULANIK MANTIK VE
YAPAY BAĞIŞIKLIK SİSTEMİ TEMELLİ KARAR DESTEK
SİSTEMİ
Kudret YILMAZ tarafından hazırlanan tez çalışması aşağıdaki jüri tarafından Düzce Üniversitesi Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Anabilim Dalı’nda
YÜKSEK LİSANS TEZİ olarak kabul edilmiştir. Tez Danışmanı
Dr. Öğr. Üyesi Esra Şatır Düzce Üniversitesi
Jüri Üyeleri
Dr. Öğr. Üyesi Esra Şatır
Düzce Üniversitesi _____________________
Prof. Dr. Resul Kara
Düzce Üniversitesi _____________________
Dr. Öğr. Üyesi İsmail Koyuncu
Afyon Kocatepe Üniversitesi _____________________ Tez Savunma Tarihi: 24/06/2019
BEYAN
Bu tez çalışmasının kendi çalışmam olduğunu, tezin planlanmasından yazımına kadar bütün aşamalarda etik dışı davranışımın olmadığını, bu tezdeki bütün bilgileri akademik ve etik kurallar içinde elde ettiğimi, bu tez çalışmasıyla elde edilmeyen bütün bilgi ve yorumlara kaynak gösterdiğimi ve bu kaynakları da kaynaklar listesine aldığımı, yine bu tezin çalışılması ve yazımı sırasında patent ve telif haklarını ihlal edici bir davranışımın olmadığını beyan ederim.
24 Haziran 2019 Kudret Yılmaz
TEŞEKKÜR
Yüksek lisans öğrenimimde ve bu tezin hazırlanmasında gösterdiği destek ve yardımdan dolayı değerli hocam Dr. Öğr. Üyesi Esra ŞATIR’a içten dileklerimle teşekkür ederim. Bu çalışmada yardımını esirgemeyen ve bilgisiyle bana yol gösteren saygı değer hocam Dr. Öğr. Üyesi Ferzan KATIRCIOĞLU’na sonsuz teşekkürlerimi sunarım.
Çalışmamda manevi desteklerini hep yanımda hissettiğim annem Hamiyet YILMAZ ve babam İsmail YILMAZ’a, çalışma boyunca yardımını ve sabrını esirgemeyen sevgili eşim Feride YILMAZ’a en derin duygularımla teşekkür ediyorum. Ayrıca çalışmamda beni motive edip çalışmam boyunca zinde hissetmemi sağlayan mutluluk kaynağım oğlum Yusuf Hamza YILMAZ’a da çok teşekkür ederim.
İÇİNDEKİLER
Sayfa No
ŞEKİL LİSTESİ ... VII
ÇİZELGE LİSTESİ ... VIII
KISALTMALAR ... IX
ÖZET ... X
ABSTRACT ... XI
1.
GİRİŞ ... 1
2.
ANESTEZİ VE ANESTEZİ DERİNLİĞİ ... 4
2.1. ANESTEZİNİN TARİHÇESİ ... 4 2.2. ANESTEZİ ÇEŞİTLERİ ... 4 2.2.1. Lokal Anestezi ... 5 2.2.2. Epidural Anestezi ... 5 2.2.3. Spinal Anestezi ... 5 2.2.4. Genel Anestezi ... 5
2.3. GENEL ANESTEZİ UYGULAMALARINDA ANESTEZİ DERİNLİĞİ ... 5
2.3.1. Solunum Anestezisinde Anestezi Derinliğini Belirleyen Etkenler ... 6
2.4. GENEL ANESTEZİDE ANESTEZİK DOZ SEVİYESİ ... 7
2.4.1. Sevofluran Maddesinin Özellikleri ... 8
3.
ANESTEZİ DERİNLİĞİNİ BELİRLEMEK İÇİN KULLANILAN
YÖNTEMLER ... 9
3.1. BULANIK MANTIK ... 9
3.2. BULANIK MANTIK SİSTEMİ ... 10
3.2.1. Bulanık Kümelerin Gösterimi ... 12
3.2.1.1. Gaussian Üyelik Fonksiyonu ...12
3.2.1.2. Çan Şekilli Üyelik Fonksiyonu ...12
3.2.1.3. Yamuk Üyelik Fonksiyonu ...13
3.2.1.4. Üçgen Üyelik Fonksiyonu ...14
3.2.2. Bulanık Çıkarım Modelleri ... 15
3.2.2.1. Mamdani Bulanık Mantık Modeli ...15
3.2.2.2. Sugeno Bulanık Mantık Modeli ...16
3.2.3. Durulaştırma Yöntemleri ... 17
3.2.3.1. Ağırlık Ortalaması Yöntemi ...17
3.2.3.2. En Büyüklerin Ortası Yöntemi ...18
3.2.3.3. En Büyük Üyelik Yöntemi ...18
3.3. YAPAY BAĞIŞIKLIK ... 19
3.3.1. Doğal Bağışıklık Sistemi ... 19
3.3.1.1. Bağışıklık Sistemi Organları ...20
3.3.1.2. Bağışıklık Sistemi Hücreleri ...21
3.3.2. Yapay Bağışıklık Sistemi (YBS) ... 26
3.3.2.1. Şekil Uzayı Kavramı ...28
3.3.2.2. Klonal Seçim Prensibi ...30
3.3.2.3. Öz Olan ve Öz Olmayan (Self/Nonself) Ayrımı ...31
3.3.3. Yapay Bağışıklık Algoritmaları ... 32
3.3.3.1. Kemik İliği Modeli ...33
3.3.3.2. Negatif Seçim Algoritması ...33
3.3.3.3. Klonal Seçim Algoritması ...34
4.
YÖNTEM ... 37
4.1. ADKDS ARAYÜZ TANITIMI ... 48
5.
BULGULAR VE TARTIŞMA ... 50
5.1. YBS’NİN ÇEŞİTLİ DÖNGÜ SAYILARIYLA PERFORMANSININ TEST EDİLMESİ ... 51
5.2. YBS’NİN BAŞLANGIÇ POPÜLASYON DEĞERLERİNE GÖRE TEST EDİLMESİ ... 54
5.3. YBS’NİN SEÇİLME SAYISI DEĞERLERİNE GÖRE TEST EDİLMESİ 57 5.4. YBS’NİN KLONLAMA FAKTÖRÜ DEĞERLERİNE GÖRE TEST EDİLMESİ ... 59
5.5. YBS’NİN TEST SONUÇLARI VE EN İYİ DEĞERLERİ ... 61
6.
SONUÇLAR VE ÖNERİLER ... 70
7.
KAYNAKLAR ... 71
ŞEKİL LİSTESİ
Sayfa No
Şekil 2.1. Ölçüm sistemi (Anestezi sırasında sinyal ve akış şeması) . ... 6
Şekil 3.1. Bulanık çıkarım sisteminin genel yapısı . ... 11
Şekil 3.2. Gaussian üyelik fonksiyonu ... 12
Şekil 3.3. Çan şekilli üyelik fonksiyonu . ... 13
Şekil 3.4. Yamuk üyelik fonksiyonu . ... 14
Şekil 3.5. Üçgen üyelik fonksiyonu ... 14
Şekil 3.6. Mamdani bulanık çıkarım sistem modeli blok diyagramı ... 15
Şekil 3.7. Sugeno çalışma modeli. ... 17
Şekil 3.8. Ağırlık ortalaması durulaştırma yöntemi ... 18
Şekil 3.9. En büyüklerin ortası durulaştırma yöntemi . ... 18
Şekil 3.10. En büyük üyelik durulaştırma yöntemi . ... 19
Şekil 3.11. Bağışıklık sistemine dışarıdan gelecek olan tehditlerin gösterimi. ... 19
Şekil 3.12. Bağışıklık sistemi organları . ... 21
Şekil 3.13. Bağışıklık sistemi hücreleri . ... 22
Şekil 3.14. Bağışıklık sistemi çalışma mekanizması . ... 25
Şekil 3.15. Bağışıklık sisteminin temel gösterimi ... 28
Şekil 3.16. Antikor ve antijen arasında gerçekleşen etkileşimler . ... 29
Şekil 3.17. Klonal seçim prensibi . ... 31
Şekil 3.18. Yapay bağışıklık algoritmaları . ... 32
Şekil 3.19. Negatif seçim algoritması şeması a) Detektör kümesini oluşturma, b) İstenmeyen (Non-self) maddelerin varlığını takip etmek ... 34
Şekil 3.20. Klonal seçim algoritmasının 3 temel adımı . ... 35
Şekil 3.21. Klonal seçim algoritması akış diyagramı . ... 35
Şekil 4.1. SAP için üyelik fonksiyonları . ... 38
Şekil 4.2. HPR için üyelik fonksiyonları . ... 39
Şekil 4.3. AO için üyelik fonksiyonları. ... 41
Şekil 4.4. ADKDS akış diyagramı. ... 45
Şekil 4.5. Tasarlana programın arayüzü ... 48
Şekil 5.1. Başlangıç popülasyon boyutu:10 Seçilme sayısı: 7 Klonlama faktörü: 5 için uygunluk fonksiyonu yakınsama grafikleri. ... 53
Şekil 5.2. Seçilme Sayısı: 7 Klonlama Faktörü: 5 ve çeşitli başlangıç popülasyon boyutu değerleri için uygunluk fonksiyonu yakınsama grafikleri. ... 56
Şekil 5.3. Başlangıç popülasyon boyutu: 50 Klonlama Faktörü: 5 ve çeşitli seçilme sayıları için uygunluk fonksiyonu yakınsama grafikleri. ... 58
Şekil 5.4. Başlangıç popülasyonu: 50 Seçilme sayısı: 40 ve çeşitli Klonlama faktörü değerleri için uygunluk fonksiyonu yakınsama grafikleri. ... 61
Şekil 5.5. Başlangıç popülasyon boyutu: 50 Seçilme sayısı: 40 Klonlama faktörü: 5 değerleri için uygunluk fonksiyonu yakınsama grafikleri. ... 62
Şekil 5.6. 1’inci hasta için anestezi miktarı karşılaştırma grafiği. ... 64
Şekil 5.7. 2’inci hasta için anestezi miktarı karşılaştırma grafiği. ... 66
Şekil 5.8. 3’üncü hasta için anestezi miktarı karşılaştırma grafiği. ... 67
ÇİZELGE LİSTESİ
Sayfa No
Çizelge 3.1. YBS ile ilgili yapılan bazı çalışmalar ... 27
Çizelge 4.1. Üyelik fonksiyon değerleri ... 38
Çizelge 4.2. İnsan fizyolojisinde geçersiz giriş koşulları ... 39
Çizelge 4.3. T ve N bulanık girdiler için kural tabanı . ... 40
Çizelge 4.4. Bulanık mantık sistemi kural verirleri ... 41
Çizelge 4.5. Anestezist tahmini ile verilen anestezik madde miktarı. ... 42
Çizelge 4.6. Antikorlar için belirlenen aralıklar. ... 44
Çizelge 5.1. Başlangıç popülasyon boyutu:10 Seçilme sayısı: 7 Klonlama faktörü: 5 için değerler ... 51
Çizelge 5.2. Başlangıç popülasyon boyutu:10,25,50 ve 100 Seçilme sayısı: 7 Klonlama faktörü: 5 için değerler. ... 54
Çizelge 5.3. Başlangıç popülasyon boyutu:50 Seçilme sayısı: 7,20,30,40 Klonlama faktörü: 5 için değerler. ... 57
Çizelge 5.4. Başlangıç popülasyon boyutu:50 Seçilme sayısı: 40 Klonlama faktörü: 5,4,10,20 için değerler. ... 59
Çizelge 5.5. Başlangıç popülasyon sayısı:50 Seçilme sayısı: 40 Klonlama faktörü:5 için değerler. ... 62
Çizelge 5.6. 1’inci hasta için sonuçların karşılaştırılması. ... 63
Çizelge 5.7. 2’inci hasta için sonuçların karşılaştırılması. ... 65
Çizelge 5.8. 3’üncü hasta için sonuçların karşılaştırılması. ... 67
KISALTMALAR
ADKDS Anestezik derinlik karar destek sistemi
ASH Antijen sunan hücreler
AO Anesthesia output (Verilen anestezi miktarı)
BIS Bispektral indeks
BM Bulanık mantık
CO2 Karbon dioksit
EEG Elektroensefalografi
𝑓𝑖 Uygunluk fonksiyonu
FREAL Anestezist verisi
fFIS Eğitim çıktısı
HCI Hidroklorik asit
HPR Heart pulse rate (Kalp atım hızı)
KSA Klonal seçim algoritması
MAC Minimum alveolar concentration (Minimum alveoller konsantrasyonu)
MAP Mean arterial pressure (Ortalama arter basıncı) MHC Major histocompatibility complex (Majör doku
uygunluk kompleksi)
MSE Mean square error (Ortalama karesel hata)
N2O Nitrous oxit
O2 Oksijen
PID Proportional integral derivative (Oransal denetleyici) QCM Quartz crystal microbalance (Kuvars kristal
mikrobalans)
RR Respiration rate (Solunum sayısı)
SAP Systolic arterial pressure (Sistolik arter basıncı) YBA Yapay bağışıklık algoritmaları
YBS Yapay bağışıklık sistemi
ÖZET
ANESTEZİ DERİNLİĞİ KONTROLÜNDE BULANIK MANTIK VE YAPAY BAĞIŞIKLIK SİSTEMİ TEMELLİ KARAR DESTEK SİSTEMİ
Kudret YILMAZ Düzce Üniversitesi
Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği Anabilim Dalı Yüksek Lisans Tezi
Danışman: Dr. Öğr. Üyesi Esra ŞATIR Haziran 2019, 75 sayfa
Cerrahi müdahalelerde hastaların bilinç ve duyu kaybı yaşamalarına anestezi denilmektedir. Anestezi, anestezik maddelerin hastaya damar yolundan enjekte edilerek veya solunum yolundan gaza sabitlenmiş bir maske yardımı ile verilebilmektedir. Anestezi derinliği ise bilinç ve duyu kaybının ameliyat boyunca devam etmesidir. Bir hastanın anestezi derinliği, anestezik madde ve hastanın fiziksel karakteristik özelliklerine (yaşı, vücut kütlesi gibi) göre değişebilmektedir. Ameliyat sırasında bir hastanın anestezi derinliği, anestezi uzmanının, hastanın sistolik arter basıncı (Systolic Arterial Pressure- SAP) ve kalp atım hızı (Heart Pulse Rate- HPR) parametrelerini kontrol etme deneyimi ile belirlenmektedir. Bu değerler doğrultusunda verilebilecek anestezi miktarı (Anesthesia Output- AO) hesaplanarak hastaya verilir. Teknolojinin gelişmesi ile birlikte anestezi derinliğinin kontrol edilmesinde farklı yöntemler ortaya çıkmıştır. Bunlardan biri olan sezgisel optimizasyon teknikleri, doğadan esinlenmiş olup karmaşık problemlerde, tüm çözüm uzayını taramadan sezgisel olarak çok kısa sürede en uygun değere ulaşmaktadır. Sezgisel optimizasyon tekniklerinden biri olan Yapay Bağışıklık Sistemi (YBS) ise, son yıllarda mühendislik problemlerinin çözümünde oldukça ilgi görmektedir. Bu çalışmada, anestezistlerin anestezi derinliğini ölçmelerine yardımcı olması amacı ile YBS ve Bulanık Mantık (BM) temelli Anestezik Derinlik Karar Destek Sistemi (ADKDS) önerilmektedir. YBS ile anestezi derinliği hesaplamalarında kullanılan, BM üyelik fonksiyonlarının optimizasyonu gerçekleştirilmiştir. Giriş üyelik değerleri HPR ve SAP, çıkış üyelik değeri ise AO olarak belirlenmiştir. Gerçekleştirilen çalışmanın amacı, BM ile elde edilen ortalama karesel hata (Mean Square Error- MSE) değerinin azaltılmasıdır. BM kontrolünde, Yapay Bağışıklık Algoritmalarından (YBA) olan Klonal Seçim Algoritması (KSA) ile, üyelik fonksiyonlarının optimum değerlerini elde etmek için her adımda arama, hesaplama ve değerlendirme gerçekleştirilmiştir. Böylelikle, BM yönteminde uzman kişi tarafından gerçekleştirilen üyelik fonksiyonu belirleme işlemindeki olası hatalar azaltılmıştır. Gerçekleştirilen çalışma sonunda, alınan sonuçlar anestezist ve BM ile karşılaştırılmıştır.
Anahtar sözcükler: Anestezi derinliği, Bulanık mantık, Klonal seçim algoritması, Yapay
ABSTRACT
DECISION SUPPORT SYSTEM BASED ON FUZZY LOGIC AND ARTIFICIAL IMMUNE SYSTEM IN ANESTHESIA DEPTH CONTROL
Kudret YILMAZ Düzce University
Graduate School of Natural and Applied Sciences, Department of Computer Master’s Thesis
Supervisor: Assist. Prof. Dr. Esra ŞATIR June 2019, 75 pages
Loss of consciousness and sense in Patients, undergoing surgical intervention are called anesthesia. Anesthesia can be given by injection of anesthetic agents into the patient by vascular injection or by a mask fixed to the gas from the respiratory tract. The depth of anesthesia is that the loss of consciousness and sense continues throughout the surgery. A patient’s the depth of anesthesia may change according to the anesthetic agent and the physical characteristics of a patient such as size of body, age, etc. The depth of anesthesia of a patient during surgery is determined by the experience of the anesthetist in controlling Patient’s Systolic Arterial Pressure (SAP) and Heart Pulse Rate (HPR) parameters. The amount of anesthesia Anesthesia Output (AO) that can be given according to these values is calculated and applied to the patient. Different methods for controlling the depth of anesthesia has emerged with the advancement of technology. One of them, heuristic optimization techniques, is inspired by nature and reaches the most appropriate value in a very short time without scanning the entire solution space in complex problems. One of the heuristic optimization techniques, Artificial Immune System (AIS), has attracted quite popular in the solution of engineering problems in recent years. In this study, AIS and fuzzy logic based Anesthetic Depth Decision Support System (ADDSS) are recommended to assist anesthesiologists measure the depth of anesthesia. Optimization of the fuzzy logic membership functions used in the calculation of depth of anesthesia was realised with AIS. The entry membership values are determined as HPR and SAP, and the output membership value is determined as AO. The aim of the study is to reduce the Mean Square Error (MSE) value obtained by fuzzy logic. Search, calculation and evaluation were carried out at each step to obtain the optimum values of the membership functions in the fuzzy logic control, with the Clonal Selection Algorithm (CSA), which is one of the Artificial Immune Algorithms (AIA). In this way, the possible errors in the process of determining the membership function performed by the expert in the fuzzy logic method have been reduced. At the end of the study, the results were compared with anesthesiologist and fuzzy logic.
Keywords: Anesthetic depth, Fuzzy logic, Clonal selection algorithm, Artificial immune
1. GİRİŞ
Bilinç ve duyu kaybı durumu olarak bilinen anestezi, özellikle cerrahi müdahalelerde kullanılmaktadır. Anestezik madde enjeksiyon veya solunum sistemi vasıtasıyla hastaya verilebilmektedir. Yine de cerrahi müdahalede solunum yolu daha çok tercih edilmektedir [1]. Solunum anestezisi, solunum yolunda bir maske veya gaza sabitlenmiş bir borunun yardımıyla yapılmaktadır [2]. Uygulanan anestezinin hastaya etkisi anestezi derinliği olarak bilinmektedir. Bir hastanın anestezi derinliği anestezik madde ve hastanın karakteristik özelliklerine (yaş ve kilosu gibi) göre değişmektedir [1]. Cerrahi girişim sırasında, bir hastanın anestezi derinliği anestezist deneyimi ile belirlenmektedir. Operasyonların uzun sürmesi ve anestezik gaz sızıntısı olması sebebiyle anestezistler yorgun ve dikkatini kaybetmiş olabilirler. Bu nedenle, hastalara yanlış anestezi derinliği uygulanabilir. Bunun sonucu olarak da anestezi emniyetli ve rahat olamayabilir. Ameliyatlarda hastaya uygulanan anestezik doz seviyesinin hassas bir şekilde ölçülmesi gerekmektedir. Buharlaştırıcıda oluşabilecek bir kalibrasyon hatası, anestezi işlemini kritik bir duruma getirebilir. Bu nedenle, hastaya uygulanan anestezik doz seviyesinin doğru olup olmadığını kontrol etmek için manuel olarak düzenlenen ve hastaya verilen anestezik gaz seviyesi, sürekli ölçülmelidir. Son yıllarda doz seviyesini ve anestezinin derinliğini belirlemek için hastanın kan basıncı ve kalp parametreleri kullanılarak birçok araştırma yapılmıştır [3].
Greenhow ve arkadaşları 1992 yılında yaptıkları çalışma ile anestezi derinliğinin tek bir gösterge kullanılarak saptamanın böyle karmaşık bir sistem için yeterince performans gösteremeyeceğini ifade etmişlerdir. Bu nedenle, anestezi derinliğinin kontrolüne karar destek sağlamak amacıyla bir dizi nitel klinik bulgu ve niceliksel ölçümü BM sistemi ile birleştirerek gerçek zamanlı bir uzman sistem geliştirmişlerdir [4]. Becker ve arkadaşları yaptıkları çalışmada, ameliyat sırasında hastaya solunum anestezisi verilirken, anestezi derinliği ölçümü için SAP ve HPR değerlerine dayalı, BM temelli bir model ile anestezistlere eşik değeri referansı olabilecek bir sistem tasarlamışlardır [5]. Vefghi ve arkadaşları, BM temelli anestezi derinliği ölçümü ve anestezik maddelerin dozajlarının sınıflandırılması için farklı bir bakış açısı getirerek Yapay Sinir Ağları (YSA) kullanmışlardır. Bu sayede farklı anestezi durumlarında elde edilen cerrahi veriler ile
anestezik doz seviyelerini modellemişlerdir [3]. Yardımcı ve arkadaşları, solunum anestezisinde hastanın anestezi derinliğinin sağlanması için kullanılan sevofluran anestezik maddesinin, anestezi derinliğini bozmadan verilmesi için BM tabanlı bir mikrodenetleyici sistem tasarlamışlardır [6]. Mahfouf ve arkadaşları, yaptıkları çalışmada izofluran maddesi kullanarak ameliyat esnasında hastaların Ortalama Arter Basıncı (Mean Arterial Pressure- MAP) değerlerini esas alarak anestezi derinliğini ölçmek için bir BM tabanlı kontrol sistemi tasarlamışlardır [7]. Shieh ve arkadaşları ise hastaların SAP ve HPR verilerini analiz ederek ameliyat sırasında hastanın anestezik derinliğini simüle etmek için BM temelli ve bilgisayar ekranı tabanlı bir simülatör geliştirilmişlerdir. Bu çalışma için kullandıkları anestezik maddeler ise fentanil ve propofol dür [8]. Nunes ve arkadaşları yaptıkları çalışmada, hastaların SAP ve HPR verileri ışığında, propofol ve reminfentanil anestezik maddelerinin verilmesi ile anestezi derinliği ölçümü için BM modeli oluşturmuşlardır [9]. Saraoğlu ve arkadaşları, solunum anestezisi sırasında SAP ve HPR değerlerini baz alarak, hastanın anestezi derinliğini ve verilebilecek anestezik madde miktarını ölçmek için Kuvars Kristal Mikrobalans (Quartz Crystal Microbalance- QCM) sensör dizisi vasıtası ile bir elektronik burun geliştirmişlerdir. Elektronik burunu anestezi ölçüm sisteminin çıkışına bağlayarak YSA ile oluşturdukları sistem sayesinde hastaya verilebilecek anestezi miktarını ölçümlemişlerdir. Yaptıkları çalışmada anestezik madde olarak sevofluran gazından yaralanmışlardır [10]. Şanlı ve arkadaşları, anestezi uzmanlarına yardımcı olmak amacı ile anestezi derinliğinin ölçülmesi için bir çalışma yapmışlardır. Çalışmada dört hastanın ameliyat esnasındaki SAP ve HPR verileri göz önünde bulundurularak verilecek anestezi miktarını hesaplayan, BM temelli bir sistem ortaya koymuşlardır. Çalışmalarında anestezik ajan olarak ta sevofluran maddesi kullanılmışlardır [11]. Saraoğlu, anestezi derinliği belirlemede kullanılan SAP, diyastolik basınç, HPR ve yaş parametrelerinin etki seviyelerini belirlemek için, YSA tabanlı bir çalışma yapmış ve anestezi uzmanlarına, hastalara uygulanacak anestezi seviyesini belirlemelerinde kullanılacak ön bilgi sistemi tasarımı gerçekleştirmiştir. Bu sistem, solunum anestezisinde çoğunlukla kullanılan sevofluran maddesi ile gerçekleştirilmiştir [12]. Güntürkün, hastaların SAP ve HPR bilgilerini kullanarak ameliyat esnasında izofluran ve sevofluran anestezik maddeleri arasındaki anestezi düzeyini belirlemek için YSA tabanlı bir algoritma kullanmıştır. Ayrıca yine YSA ile eğittiği EEG (Elektroensefalografi) spektrum bilgisi sayesinde, hastanın anestezi derinliğini bozmadan hastaya verilebilecek anestezi miktarı tahmini için bir çalışma yapmıştır [13].
Nogueira ve arkadaşları, profol ve remifentanil anestezik maddeleri ile hastanın anestezik derinliğini ölçmek için Oransal Denetleyici (Proportional Integral Derivative- PID) tabanlı bir sistem tasarlamışlardır. Tasarlanan sistemim işlevselliği anestezi derinliğinin ölçümünde kullanılan EEG bulgularını, sayısal olarak bildiren bir sistem olan, Bispektral Indeks (BIS) monitörü vasıtası ile test etmişlerdir [14].
Tıptaki yapay zekâ alanı, bu karmaşık sistemleri daha genel bir biçimde tanımlamak ve işlemek için yeni modelleme teknikleri sağlamaktadır. Tıbbi alanlarda, tecrübeli hekimler uzmanlık bilgilerini uygulayarak ve farklı kaynaklardan bilgi ve veriler çıkararak, hastanın durumunu teşhis eder. Bu karmaşık tanılama görevi, BM, YSA, YBS gibi biçimsel hesaplama metotlarının veya yazılımsal hesaplama tekniklerinin uygulandığı modern bilgisayar sistemleri tarafından desteklenmektedir. Bu teknikler geleneksel yollarla zor olan biyolojik süreçleri gözlemlemek ve işlemek için bir yapı sağlar [15]. Birçok çalışma, karmaşık süreçlerin kontrolü için biçimsel hesaplama metotlarının uygun yöntemler olduklarını göstermiştir. Anestezi sırasında anestezi derinliğinin ölçülmesinde herhangi bir biçimsel hesaplama yöntemi kullanmanın potansiyel faydaları; hastaların emniyet ve konforunu arttırmak, anestezistlerin dikkatini diğer fizyolojik değişkenlere yönlendirerek görev yüklerini azaltmak ve daha az anestezik madde kullanarak cerrahi operasyon maliyetlerini azaltıp çevrenin korunmasıdır.
Tezin birinci bölümünde giriş bölümü ve çalışma ile alakalı daha önce yapılan çalışmalardan bahsedilmiştir. İkinci bölümde anestezi, anestezi derinliği detaylı bir şekilde anlatılmıştır. Üçüncü bölümde anestezi derinliğini belirmek için kullanılan yöntemler anlatılmış, dördüncü bölümde ise bu yöntemler ışığında oluşturulan uygulama anlatılmıştır. Beşinci bölüm, çalışmada ki bulgular ve bu bulgulardaki sonuçlar detaylı olarak incelenmiştir. Altıncı bölümde yapılan uygulama ve bu uygulama neticesinde çıkan sonuçlar paylaşılmıştır.
2. ANESTEZİ VE ANESTEZİ DERİNLİĞİ
Anestezi, an (olumsuzluk) eki ve estezi (duyu, his) sözcüğünden oluşan hissizlik anlamına gelmektedir. Bugün anestezinin güvenli ve etkili yöntemleri, dünyada her yıl milyonlarca hastada ameliyat yapılmasına izin vermektedir. Anestezi genellikle cerrahi operasyonlarda, ağrıyı ortadan kaldırmak için hastanın daha konforlu ameliyat olması amacıyla, bilinç kaybı ile birlikte veya hastada bilinç kaybı olmadan, operasyon yapılan bölgedeki his ve duyumların kaybını sağlayan yöntemlerin genel adıdır [16]. Tıp dünyasında yüzyılı aşkın zamandır sadece ağrıyı yok etmek için değil, ayrıca cerrahi müdahale ile ortaya çıkan stresi, korkuyu ve endişeyi kontrol altına almak amacıyla da ameliyatlar sırasında uygulanmaktadır. Böylece ameliyatlar hasta için ağrısız ve anksietesi olmayan işlem halini almaktadır [17].
2.1. ANESTEZİNİN TARİHÇESİ
Tam tarihi bilinememekle birlikte ilk çağlardan beridir insanların anesteziyi, cerrahi girişimlerde kullandığı bilinmektedir [18]. Asırlarca bu girişimler sırasında bazı narkotik maddeler, alkol vs. gibi hissizleştirici maddeler kullanılmışsa da genelde ağrının giderilmesi için çok uğraşılmamıştır. 1700’lü yıllardan itibaren alkol-afyon karışımı içirmek, müdahale edilecek bölgeye buz uygulayarak hissizleştirme gibi yöntemler ile anestezi denendiği bilinmektedir [19]. 1878 yılında Amerika’da William Morton ilk kez eteri, genel anestezi de hastaya verilebilen anestezik madde olarak kullanmıştır [19]. Solunum anestezisinde kullanılan sevofluran ise 1960’lı yıllarda sentezlenmiş olup, 1992’de dünyada ve 1996 yılında da ülkemizde cerrahi operasyonlarda kullanılmaya başlanmış bir etil eterdir [20].
2.2. ANESTEZİ ÇEŞİTLERİ
Anestezi yöntemlerini, lokal anestezi, epidural anestezi, spinal anestezi ve genel anestezi olarak dört ana başlık altında toplamak mümkündür.
2.2.1. Lokal Anestezi
Vücudun operasyon için belirlenen bölgesinin, hastada bilinç kaybı olmadan, hissizleştirilmesidir [21].
2.2.2. Epidural Anestezi
Vücudun herhangi bir bölgesindeki ağrı iletimini durduran bölgesel anestezi türlerinden birisidir. Özellikle doğum sancılarında ağrıyı, geçici olarak yok etme de kullanılır. Etkisi 15-20 dakika sonra başlamasına rağmen uzun süre devam eder.
2.2.3. Spinal Anestezi
Anestezik maddelerin çok ince bir iğne ile omuriliği çevreleyen subaraknoid boşlukta bulunan spinal sıvının içine enjekte edilmesidir. Etkisini hemen gösterse de kısa sürelidir.
2.2.4. Genel Anestezi
Hastanın uyku durumuna sokularak kasların gevşetilmesi ile refleks aktivitelerinin minimum düzeye çeken, operasyon boyunca tam bilinç kaybına neden olan anestezi çeşididir. Genel anestezi ile lokal, epidural ve spinal anestezi arasındaki en önemli fark; genel anestezinin operasyon süresince tam bilinç kaybına yol açması, ancak diğerlerinde bilincin genellikle tümüyle açık olmasıdır [16]. Anesteziyi hastaya uygulamak için birkaç yöntem vardır ve buna “anestezi indüksiyonu” denir. Ameliyatlarda en çok kullanılan anestezik indüksiyon tiplerinden biri de inhalasyon indüksiyonu (solunum yolu ile yapılan anestezi) dur. Bu tip anestezide hasta uyku durumuna geçer. Anestezi uzmanı hastayı monitörlere bağladıktan sonra solunum yollarına bir maske takmaktadır. Maske oksijen ile birlikte anestezik madde veren anestezi cihazına bağlıdır [22].
2.3. GENEL ANESTEZİ UYGULAMALARINDA ANESTEZİ DERİNLİĞİ
Genel anestezi bilinç kaybı, acı duyumunun kaybı ve kas gevşemesinin kontrolünü içerir. Bu parametrelerden kas gevşemesi sayısal algoritmik yöntemlerle ölçülebilirken bilinç kaybı ve analjeziyi modellemek veya kesin olarak ölçmek imkânsızdır [23]. Uygulanan anestezinin hastaya etkisi anestezi derinliği olarak adlandırılmaktadır. Cerrahi girişim sırasında anestezi derinliğinin uygun düzeyde tutulması büyük önem taşımaktadır. Anestezi derinliği optimum düzeyden fazla ise hastanın hayati fonksiyonları durma noktasına gelmektedir. Optimum düzeyden az ise hastanın bilincinin yerine gelerek acıyı hissetme,
istemsiz hareket etme gibi operasyonu zora sokacak durumların meydana gelmesine sebep
olabilmektedir [24]. 1937’de Guedel [25]’ in anestezinin 4 evresini eter uygulaması ile
tanımlamasından bu yana, anestezi derinliğinin ölçülmesinde kullanılan standart bir yöntem hala söz konusu değildir [26].
2.3.1. Solunum Anestezisinde Anestezi Derinliğini Belirleyen Etkenler
Anestezinin derinliğini belirlemek ve doğru anestezik madde dozajını kararlaştırmak için anestezistler tarafından SAP, MAP, HPR, solunum sayısı (Respiration Rate- RR), gözbebeği boyu ve hasta hareketi gibi klinik bulgular izlenir. Arter basıncı sistolik ve diyastolik arter basıncından oluşur [3]. Anestezistler genellikle ameliyat sırasında sistolik kan basıncını gözlemlemektedirler [11]. Anestezistin ameliyat sırasındaki ana görevlerinden biri anestezinin derinliğini kontrol etmektir. Anestezi derinliği damar içine enjekte edilen veya gaz olarak solunan anestezik maddelerden oluşan bir ilaç karışımıyla kontrol edilir. Bu maddelerin (ajanların) çoğu MAP’ı düşürür. Solunum anestezisinde solunan anestezik gazlar arasında sevofluran anestezik maddesi, yaygın olarak kullanılmaktadır. Çoğu durumda Oksijen (O2) veya Diazot Monoksit (N2O) içinde
sevofluran hacimce %0 ila %4’lük bir karışımda bulunur. Verilen hava içerisindeki sevofluran konsantrasyonu, hastanın fizyolojik durumuna, cerrahisine, MAP’a ve diğer klinik olarak ilgili parametrelere bağlı olarak, anestezi uzmanı tarafından manuel ayarlanır [27]. Ölçüm sistemi Şekil 2.1’de gösterilmektedir.
Şekil 2.1’de gösterilen ölçüm sisteminde, O2 ve N2O gaz tanklarından çıkan gazlar belirli
oranda karıştırılır ve bu karışım buharlaştırıcıya geçer. Bu karışım anestezik madde taşıyıcısı olarak kullanılır. Buharlaştırıcı, anestezik maddeyi buharlaştırdıktan sonra bu karışıma ilave eder ve anestezi gazı olarak adlandırılan yeni bir karışım elde edilir. Anestezik gaz seviyesi ayarı, buharlaştırma ünitesi üzerindeki bir vana tarafından kontrol edilir. Bu gaz karışımı hastaya giriş vanasından verilir. Hastanın soluk vermesiyle birlikte hastanın maskesinden çıkan gaz vantilatör vasıtasıyla çekilerek çıkış vanasından (Karbon Dioksit) CO2 soğurucuna geçer. Hastanın vermiş olduğu nefesteki CO2 emilerek tekrar
buharlaştırıcı çıkışındaki gaz karışımına geri döner. Anestezik gazı teneffüs ettikten sonra hastanın, SAP ve HPR değerleri değişebilir. SAP ve HPR’de oluşan değişiklikler hasta konumu hakkında bilgi verir. Anestezi uzmanı, ameliyattaki hastanın bu değerlerini gözlemleyerek anestezik doz seviyesini belirler. Ameliyat sırasında bir hastanın anestezi derinliği, anestezistin SAP ve HPR parametrelerini kontrol etme deneyimi ile belirlenir. Belli bir anestezinin gücü, Minimum Alveolar Konsantrasyonu ((Minimum Alveolar Concentration- MAC) olarak ölçülür. Bu terim anestezik gazların potansiyelini tanımlar ve hastaya verilen anestetik miktar için bir kılavuz olarak kullanılır. MAC, bir hastanın ameliyat sırasında herhangi bir ağrı hissetmediği minimum değerdir. Sevofluran anestezik maddesinin miktarı, anestezist tarafından önceden ayarlanmış 1-8 doz seviyeleri arasında, ayarlanabilen bir vana kullanılarak hastaya verilir. MAC değerleri, hastaların SAP ve HPR değerleri yardımıyla sağlanmaktadır [1].
2.4. GENEL ANESTEZİDE ANESTEZİK DOZ SEVİYESİ
Ameliyatlarda hastaya uygulanan anestetik doz seviyesinin hassas bir şekilde ölçülmesi gerekir. Buharlaştırıcıda oluşabilecek bir ölçümleme hatası, anestezi işlemini kritik bir duruma getirebilir. Bu nedenle, hastaya uygulanan anestezik doz seviyesinin doğru olup olmadığını kontrol etmek için manuel olarak düzenlenen ve hastaya verilen anestezik gaz seviyesi sürekli ölçülmektedir [3]. Ameliyat sırasında hastaya uygulanan karışık gaz, O2,
N2O ve anestetik madde ihtiva eder. Solunum anestezisinde farklı özelliklere sahip
anestezik ajanlar (maddeler) kullanılır. Bu çalışmada Sevofluran anestezik maddesi yaygın olarak kullanıldığı için seçilmiştir.
2.4.1. Sevofluran Maddesinin Özellikleri
1960’lı yılların ortasında sentezlenen fakat ameliyatlarda kullanımına, 1990’lı yıllarda başlanan kan/gaz eriyebilirlik katsayısı 0,65 olan bir solunum anestezisi maddesidir. Sevofluran metil izopropil eterin yüksek florürlü bir türevidir. Formülü [Florometil-2-2,2-trifloro-1- (triflorometil) etil eter] olan sevofluran maddesi patlamayan, hoş kokulu ve alev almayan bir sıvıdır. Hoş kokusu sayesinde uygulanan hastalarda solunum bozulması sıklığı düşüktür. Nefes tutma, öksürük vb. gibi solunumu bozan durumlara sebebiyet vermemesinden dolayı solunum maskesi ile hastaya uygulanmasına olanak verir. Konvansiyonel vaporizatör teknolojisi ile kullanılabilir. Katkı maddesi ve koruyucu madde gerektirmeyen sevofluran, klinik olarak anlamlı karışımlarda da patlayıcı olmadığı belirtilir [28].
3. ANESTEZİ DERİNLİĞİNİ BELİRLEMEK İÇİN KULLANILAN
YÖNTEMLER
Anestezik derinliği belirlemeyi içeren karmaşık sistemler daha genel bir biçimde tanımlamak, uygun anestezik madde miktarını sağlamak ve işlemek için yeni modelleme tekniklerine ihtiyaç duymaktadırlar. Bu modelleme tekniklerinden bazıları yapay zekâ, BM, YSA, YBS vb. gibi biçimsel hesaplama yöntemlerinin veya yazılımsal hesaplama tekniklerinin uygulandığı modern bilgisayar sistemleridir. Tıbbi alanlarda, tecrübeli hekimler, uzmanlık bilgilerini uygulayarak ve farklı kaynaklardan bilgi ve veriler çıkararak, hastanın durumunu teşhis eder. Bu teknikler geleneksel yolarla zor olan biyolojik süreçleri gözlemlemek ve işlemek için bir yapı sağlamaktadır [15].
3.1. BULANIK MANTIK
Birçok bilim dalında olduğu gibi mühendislikte de problemler kesin matematiksel sistemler kullanılarak modellenmektedir. Bu modeller geleneksel kontrol teorisi de oluşturur ve bu sayede keskin analizler ile sağlam çözümler üretilmektedir. Klasik mantık, sistemin kesin matematiksel algoritmasının çıkarılamadığı durumlarda ya hiç problemi çözememekte ya da istenilen başarımı ortaya koyamamaktadır [29]. Klasik mantığın bu tip problemlerde yetersiz kalması ve bu problemleri çözerken insanın düşünce yapısını yeterince yansıtamamasından dolayı bilim adamları BM teorisini irdelemeye başlamışlardır ve 1965 yılında Lütfi A. Zade tarafından kaleme alınan bir makalede ilk kez bulanık küme ve bulanık sistem kavramları matematiksel bir yöntem olarak ortaya atılmıştır [30]. Uzun yıllar boyunca istediği özellikte kontrol sistemleri modellemeye çalışan Lütfi A. zade, nonlineer denklemlerin karşısına çıkması, kullanılan klasik kuramların çözüme ulaşamamasından dolayı BM’ye yönelmiştir [31]. Klasik mantıkta bir kümenin elemanları kesin özelliklidir. Keskin kümeler (crisp sets) olarak adlandırılan bu tip kümelerde bir eleman, bir kümeye ya üyedir ya da değildir. Fakat BM teorisinde üye olanlar veya olmayanlar gibi kesin bir sınıflandırma yoktur [32]. BM bir olayın olma ihtimalinden çok oluşma derecesiyle alakalıdır. Fakat bazı araştırmacılar BM’yi olasılığın devamı niteliğinde düşünmüşlerdir ki ikisi de birbirinden farklıdır.
Olasılık bir olayın olma ihtimalini ölçer. BM ise bu olayın ne dereceye kadar olduğunu anlamaya çalışır. Bir örnek vermek gerekirse; çölde mahsur kalan bir insanın uzun zamandır su içmediğini tasavvur edelim. Karşısına renksiz sıvı dolu iki kap çıksın ve ilkinin üzerinde 0,91 olasılıkla temiz su, diğerinde ise üyelik derecesi 0,91 olasılıkla temiz su sınıfına dâhildir yazsın. Bizde "acaba bu kaplardan hangisindeki içilebilir sıvı" sorusunu çözmeye uğraşalım. İlk kabın içinde 0,91 olasılıkla temiz su yazması, bu sıvının %91 olasılıkla suya benzer olmasını gerektirir. Ama bu renksiz sıvı Hidroklorik Asit te (HCI) olabilir. Temiz su sınıfına 0,91 üyelik derecesi ile dâhildir demek ise, ikinci kaptaki suyun 0,91 kalite de içilebilir su olmasını gerektirir. Buradan anlaşılacağı üzere ikinci kaptaki suyun içilmesi tercih edilir. Sonuçta bu iki ifade de problemi tanımlasa dahi birbirlerinden farklıdır [33]. Bulanık kümelerde üyelik derecesinin 0 ile 1 arasında olması, problemlerin çözümü esnasında sözel bilgilerin, sayısal verilerle birlikte işlenmesini sağlamaktadır. Bundan dolayı sözel ifadelerin bulanık modellere eklenmesi BM’nin diğer yöntemlerden farklılığını ortaya koyan en önemli yönlerinden birisidir [32]. BM sistemleri genellikle, eldeki verilerden seçilen girdi değişkenlerinden, çıktı değişkenlerinin elde edilmesini sağlamak amacıyla bulanık küme kurallarından yararlanan sistemlerdir. Bulanık sistemlerin bize sağlamış olduğu en büyük avantaj ise insan deneyimlerinin ve sözel verilerin BM sistemine eklenerek işlenmesi sayesinde çözüme kolaylıkla ulaşılmasıdır. Budan dolayıdır ki modelin girdi değişkenleri bulanık alt kümeler ile ifade edilirler ve söz konusu çıkarım için klasik küme işlemlerinin genelleştirilmesiyle kazanılan bulanık küme işlemleri kullanılır [34].
3.2. BULANIK MANTIK SİSTEMİ
BM sistemi bulanık eğer-o halde kuralları olarak bilinen bulanık kurallar sistemidir. BM sisteminin temeli, giriş ve çıkış bölümlerinden oluşmaktadır. Giriş kısmında giriş parametreleri ve bu parametreler arasındaki mantıksal ilişkiler, çıkış bölümünde ise giriş parametrelerine bağlı olarak meydana gelen sonuç parametreleri yer alır. Ekseriyetle bulanık kurallar aşağıdaki gibi formülize edilir.
Kural 1: Eğer x = A1 ve y=B1 O halde z=N1 Kural 2: Eğer x = A2ve y=B2 O halde z=N2
Burada x ve y giriş bölümündeki parametreler, z çıkış bölümündeki parametrelerdir. Şekil 3.1’de bulanık çıkarım sisteminin genel yapısı gösterilmiştir.
Bulanık Kural Tabanı Bulanık Çıkarım Motoru Durulaştırıcı Bulanıklaştırıcı Giriş Verileri Çıkış Verileri Bulanık Giriş Kümeleri Bulanık Çıkış Kümeleri
Şekil 3.1. Bulanık çıkarım sisteminin genel yapısı [35]. Şekilde verilen sistem bileşenleri aşağıda kısaca tanımlanmıştır.
• Giriş verileri: Araştırılacak hadisenin etkilendiği, giriş parametre bilgileridir. Burada ki parametreler sayısal ve/veya sözel olabilir. Bunun için genel veritabanı olarak ta isimlendirilir.
• Bulanıklaştırıcı: Sayısal giriş değerlerini sözel olarak belirtilen bulanık kümelerdeki üyelik derecelerine, atama işlemi yapan işlemcidir.
• Bulanık kural tabanı: Veri tabanındaki giriş parametrelerini çıkış parametreleri ile ilişkilendiren, mantıksal eğer- o halde türünde yazılan kuralların tamamını içerir. Bu kurallarda yalnızca giriş verileri ile çıkış verileri arasında olabilecek tüm bağlantılar (bulanık küme) düşünülmektedir. Bu sayede her bir kural, giriş uzayının bir bölümünü çıktı uzayına mantıksal olarak bağlar ve bu mantıksal bağların tamamı ise kural tabanını oluşturur.
• Bulanık çıkarım motor birimi: Bulanık kural tabanında giriş bulanık kümeleri ile çıkış bulanık kümeleri arasındaki parçalı ilişkileri toplayarak sistemden sağlıklı bir çıkış elde edilmesini sağlayan mekanizmadır. Bu birim, her bir kuralın sonuçlarını toplayarak tüm sistemin girdiler ışığında nasıl bir çıktı vereceğinin belirlemesini sağlar.
• Durulaştırıcı: Bulanık çıkarım motor biriminden çıkan bulanık çıkış kümelerini değerlendirip kesin sayısal çıkış değerlerine dönüştürür.
• Çıkış verileri: Durulaştırma sonucunda elde edilen çıktı değerlerinin tamamını belirtir [36].
3.2.1. Bulanık Kümelerin Gösterimi
Sayısal giriş değerlerini sözel olarak belirtilen bulanık kümeler, iki yöntemle gösterilmektedir. Bunlardan birincisi, küme elemanlarının üyelik derecelerine göre sıralanması, diğeri de matematiksel olarak üyelik fonksiyonu tanımlamak seklindedir. Bulanık kümelerde üyelik dereceleri arasında geçiş yumuşak ve sürekli bir şekilde olmaktadır [37]. Bulanık modeller tasarlanırken farklı şekillerde üyelik fonksiyonları seçilebilir. Birçok üyelik fonksiyonu üretilmesine rağmen, literatürde genellikle kullanılan üyelik fonksiyonları, normal dağılım (gaussian), çan şekilli (bell-shaped), yamuk (trapezoidal) ve üçgen (triangular) fonksiyonlarıdır [38].
3.2.1.1. Gaussian Üyelik Fonksiyonu
Gaussian üyelik fonksiyonu m ve σ parametreleri ile tanımlanmaktadır. Denklem (3.1)’de gaussian üyelik fonksiyonunun matematiksel ifadesi, Şekil 3.2’de ise gaussian üyelik fonksiyonu gösterilmiştir [39].
𝑒
−(𝑥−𝑚)2
2𝜎2
(3.1)
Şekil 3.2. Gaussian üyelik fonksiyonu
Burada σ değeri genişlik için kullanılırken m değeri ise fonksiyon merkezini göstermek için kullanılmıştır. Fonksiyon eğrisi üzerinde değişiklikler yapmak için σ değeri değiştirilebilir. σ değişkeninin değeri küçük iken üyelik fonksiyonu dardır. Bu değer büyütüldüğünde üyelik fonksiyonu da genişleyecektir [40].
3.2.1.2. Çan Şekilli Üyelik Fonksiyonu
(3.2)’de çan şekilli üyelik fonksiyonunun matematiksel ifadesi, Şekil 3.3’te ise çan şekilli üyelik fonksiyonu gösterilmiştir [39].
µ (𝑥 ; 𝑎1, 𝑎2, 𝑎3) = { 1
1+|𝑥−𝑎3
𝑎1 |
2} (3.2)
Şekil 3.3. Çan şekilli üyelik fonksiyonu [36].
Burada 𝑎1 ve 𝑎3 değişkenlerinin değerleri değiştirilerek üyelik fonksiyonunun şekli değiştirilebilirken 𝑎2 değişkeninin değeri değiştirildiğinde de geçiş noktalarındaki eğim
değeri değiştirilebilmektedir [39]. 3.2.1.3. Yamuk Üyelik Fonksiyonu
Yamuk üyelik fonksiyonu dört parametreden oluşur. Bunlar 𝑎1, 𝑎2, 𝑏1, 𝑏2 şeklinde ifade edilir. Yamuk üyelik fonksiyonunda, 𝑏1 ve 𝑏2 alınabilecek en büyük üyelik derecesini gösterirken 𝑎1 ve 𝑎2 ise en küçük değerleri göstermektedir. Yamuk üyelik
fonksiyonunun matematiksel ifadesi Denklem (3.3)’te verilmiştir. Yamuk üyelik fonksiyonunun gösterimi Şekil 3.4’teki gibidir [41].
µ (𝑥 ; 𝑎1, 𝑏1, 𝑏2, 𝑎2)= { 𝑎1 ≤ 𝑥 ≤ 𝑏1 𝑖𝑠𝑒 (𝑥 − 𝑎1) (𝑏⁄ 1− 𝑎1) 𝑏1 ≤ 𝑥 ≤ 𝑏2 𝑖𝑠𝑒 1 𝑏2 ≤ 𝑥 ≤ 𝑎2 𝑖𝑠𝑒 (𝑥 − 𝑎2) (𝑏⁄ 2− 𝑎2) 𝑥 > 𝑎2 𝑣𝑒𝑦𝑎 𝑥 < 𝑎1 𝑖𝑠𝑒 0 (3.3)
Şekil 3.4. Yamuk üyelik fonksiyonu [41].
3.2.1.4. Üçgen Üyelik Fonksiyonu
Üçgen üyelik fonksiyonu 𝑎1, 𝑏, 𝑎2 olacak şekilde üç parametrelidir. Burada 𝑎1 alınabilecek en küçük değeri 𝑏 orta değeri ve 𝑎2 ise en büyük değeri belirtmektedir.
Üçgen üyelik fonksiyonunun matematiksel ifadesi Denklem (3.4)’te verilmiştir. Üçgen üyelik fonksiyonunun gösterimi Şekil 3.5’teki gibidir [36].
µ (𝑥 ; 𝑎1, 𝑏, 𝑎2)= {
𝑎1 ≤ 𝑥 ≤ 𝑏 𝑖𝑠𝑒 (𝑥 − 𝑎1) (𝑏 − 𝑎⁄ 1)
𝑏 ≤ 𝑥 ≤ 𝑎2 𝑖𝑠𝑒 (𝑎2− 𝑥) (𝑎⁄ 2− 𝑏) 𝑥 > 𝑎2 𝑣𝑒𝑦𝑎 𝑥 < 𝑎1 𝑖𝑠𝑒 0
(3.4)
3.2.2. Bulanık Çıkarım Modelleri
BM sisteminde en çok kullanılan bulanık çıkarım modelleri mamdani ve sugeno modelleridir.
3.2.2.1. Mamdani Bulanık Mantık Modeli
Kolaylıkla oluşturulabilen ve insan davranış şekillerine uygun olan mamdani tipi bulanık model, diğer BM temellerini oluşturmakla birlikte yaygın bir kullanıma da sahiptir. Şekil 3.6’da mamdani modelinin blok diyagramı gösterilmektedir.
Şekil 3.6. Mamdani bulanık çıkarım sistem modeli blok diyagramı [42].
Bu modelin ilk kullanımı bir buhar motorunun kontrolü için dilsel kontrol kuralları vasıtasıyla kullanılmıştır [43]. Bu modelde, girdi ve çıktı değişkenleri üyelik fonksiyonları ile tanımlanmaktadır [44].
Mamdani tipli bulanık model aşağıdaki gibi beş adımda oluşturulur;
• Giriş verilerinin bulanıklaştırması: Giriş kısmındaki tüm bulanık ifadeler kullanılarak giriş değişkenleri için [0 1] aralığında üyelik dereceleri belirlenir.
• BM işlemlerini kullanarak kural ağırlıkları belirlenmektedir.
• Bulanık küme mantıksal işlemcileri (VE , VEYA) uygulanmaktadır.
• Sonuçların toplanması: Her bir kuralın çıktısını temsil eden bulanık kümeler belirlenmektedir.
• Durulaştırma: Son aşama olan durulaştırmanın amacı, bulanık çıkarım motoru ile elde edilen bulanık kümeleri, gerçek dünyada kullanmak üzere, kesin verilere dönüştürmektir.
Uygulamalarda kullanılan durulaştırma yöntemleri; en büyük üyelik ilkesi, ortalama en büyük üyelik, ağırlıklı ortalama yöntemi, en büyüklerin en küçüğü ve en büyüklerin en büyüğü gibi yöntemlerdir [45].
3.2.2.2. Sugeno Bulanık Mantık Modeli
Mamdani BM yönteminin bir türevidir. Giriş değişkenlerinin bulanıklaştırılması ve BM işlemleri, mamdani BM modeli ile aynıdır. Fakat çıkış üyelik fonksiyonları, bu iki yöntem arasındaki en bariz farktır. Sugeno tipi BM modellemesinde, çıkış üyelik fonksiyonları ya lineer ya da sadece sabittir. Sugeno BM modelinin;
• Hesaplama için çok uygun olması,
• Lineer olmayan sistemlerin kontrolünde lineer tekniklerin kullanılabilir olması, • Optimizasyon ve uyarlanabilir tekniklerle iyi çalışması ve çıkış parametrelerini en
uygun hale getirerek sonuçları düzenlemesi,
• Matematiksel çözümlemeler yapılabilmesi gibi avantajları vardır [45].
Bu model de çıkış Denklem (3.5)’de gösterildiği gibi, tüm kural çıkışlarının ortalaması ile hesaplanmaktadır.
Çıkış = ∑𝑁𝑖=1𝑊𝑖∗𝑍𝑖
∑𝑁𝑖=1𝑊𝑖 (3.5)
Burada 𝑁, kural sayısı, 𝑊𝑖, her bir kuralın ağırlığı, 𝑖, kaçıncı kural olduğu, 𝑍𝑖 ise kuralların çıkış seviyesidir. Sugeno modelinin çalışma prensibi ise Şekil 3.7’de gösterilmektedir [46].
Denklem (3.6)’ da formülü gösterilen 𝑊𝑖, Şekil 3.7’de görüldüğü gibi birinci giriş üyelik fonksiyonunun, ikinci üyelik fonksiyonu ile çarpılmasıyla hesaplanmaktadır.
Şekil 3.7. Sugeno çalışma modeli [45].
3.2.3. Durulaştırma Yöntemleri
Bulanık çıkarım motor biriminden çıkan bulanık çıkış kümelerinin, değerlendirip kesin sayısal çıkış değerlerine dönüştürülmesi gerekmektedir. Bu kümelerden çıkan değerin, kesin sayısal değere dönüştürülmesine “durulaştırma” denilmektedir. Durulaştırma işlemi için en çok kullanılan yöntemler şunlardır.
• Ağırlık ortalaması yöntemi • En büyüklerin ortası yöntemi • En büyük üyelik yöntemi 3.2.3.1. Ağırlık Ortalaması Yöntemi
Ağırlık ortalaması yöntemi en yaygın kullanılan durulaştırma metotlarından biridir. Bulanık 𝐶 kümesinin olabilirlik dağılımının çekim noktasını üretir. Çıktının niceleme sayısı 𝑛 olduğunda, 𝐶, (𝑧) çıkış boyutunda tanımlanan bir bulanık kümedir [36]. Ağırlık ortalaması yönteminin matematiksel ifadesi Denklem (3.7)’de verilmiştir. Ağırlık ortalaması durulaştırma yönteminin gösterimi Şekil 3.8’deki gibidir.
𝑧0 = ∑ 𝜇𝐶(𝑧𝑗).𝑧𝑗
𝑛 𝑗=1
∑𝑛𝑗=1𝜇𝐶(𝑧𝑗)
Şekil 3.8. Ağırlık ortalaması durulaştırma yöntemi [47]. 3.2.3.2. En Büyüklerin Ortası Yöntemi
En büyüklerin ortası yöntemi, üyelik fonksiyonlarının en büyüğe ulaştığında ortalama değerlerini temsil eden yöntemdir [36]. En büyüklerin ortalaması yönteminin matematiksel ifadesi, Denklem (3.8)’de verilmiştir. En büyüklerin ortası durulaştırma yönteminin gösterimi Şekil 3.9’da gösterildiği gibidir.
𝑧∗ = 𝑎+𝑏
2
(3.8)
Şekil 3.9. En büyüklerin ortası durulaştırma yöntemi [48]. 3.2.3.3. En Büyük Üyelik Yöntemi
Tüm üyelik dereceleri, içinde en büyük olana eşittir [47]. En büyük üyelik yönteminin matematiksel ifadesi Denklem (3.9)’da verilmiştir. En büyük üyelik durulaştırma yönteminin gösterimi Şekil 3.10’ daki gibidir.
Şekil 3.10. En büyük üyelik durulaştırma yöntemi [48].
3.3. YAPAY BAĞIŞIKLIK
Bu bölümde sırasıyla doğal bağışıklık sistemi ve YBS hakkında bilgi verilmiştir.
3.3.1. Doğal Bağışıklık Sistemi
Bağışıklık sistemi, insan vücudunu antijen ve patojen denilen yabancı hücrelerden koruyan ve ayrıca hücrelerimizin bozulmasıyla ya da dışarıdan gelen yabancı zararlı mikroorganizmaların, sağlığımızı tehdit edecek davranışlarına karşı savaşma yeteneği olan, hücre ve organların birleşiminden oluşan bir mekanizmadır [49]. Bağışıklık sistemi, vücut hücreleri ile yabancı mikroorganizmaları sezinleme konusunda etkin bir yeteneğe sahiptir ve Şekil 3.11’de görüldüğü üzere yaşam ortamında bulunan virüs, bakteri, parazit vb. gibi birçok dış etkenli organizmanın saldırısına maruz kalmaktadır.
Bağışıklık sisteminin asıl işlevi, bu organizmaların vücuda dahil olmasını bertaraf etmektir. Eğer bu zararlı organizmalar vücuda girmiş ise bağışıklık sistemi, bu bulaşıcıları vücuda dahil oldukları yerde sararak yayılmalarını engellemekte ya da vücudun diğer yerlerine bulaşmalarını geciktirmektedir. Ayrıca bağışıklık sistemi vücudu, enfeksiyona yol açabilen zararlı organizmaların bulaşıcı etkilerine karşı da korumaktadır. Bağışıklık sistemi bu işlevini, canlının hayatı sona erene kadar devam ettirir. Bağışıklık sisteminin diğer bir özelliği de vücuda girmiş ya da vücut içinden türemiş farklı yapıdaki mikroorganizma ve hücreleri tanıyıp bunları ayırt edebilme yeteneğine sahiptir. Bu yetenek bağışıklık sisteminin hafızası olduğu anlamına gelmektedir. Hafıza özelliği sayesinde bağışıklık sistemindeki organizmalar, gördüğü ilk yabancı hücreyi hafızasına kaydeder ve daha sonra karşılaştığında, anında savunma sistemini devreye alır. Bağışıklık sisteminin vücudumuzu bu kadar etkin bir şekilde savunabilmesinin altındaki en büyük etken; vücudumuzdaki muazzam özellikte ve her zaman etkin olan haberleşme ağı sayesindedir. Milyarlarca hücre, bilgiyi aldığında hemen sonraki hücreye iletir. Uyarıyı alan hücreler uyarının türüne göre pozisyon alarak yüksek etkili kimyasallar üretmeye başlar. Bu kimyasallar hücrelerin kendilerini şekillendirmelerine ve hareket etmelerine izin vererek vücut savunmasını başlatır [51]. Canlı, hayati fonksiyonlarını yitirdiğinde bağışıklık sistemi de çöker ve ölü bedeni çeşitli bakteriler, parazitler ve zararlı mikroorganizmalar istila etmeye başlar. Ayrıca canlı hayatta iken bağışıklık sistemi normal işlevinde çalışmaz ise canlı vücudu birçok bulaşıcı, alerjik veya ölümcül hastalıklara yakalanabilir [52].
3.3.1.1. Bağışıklık Sistemi Organları
Bağışıklık sistemi organları aşağıda listelendiği gibidir.
• Tonsil ve adenoid: Solunum yollarında bulunan ve hava yolu ile vücuda bulaşabilecek mikroorganizmalara karşı bağışıklık hücreleri içeren özel lenf düğümleridir.
• Lenf damarları: Bağışıklık sistemi organlarına antijenleri, lenf sıvılarını ve lenf hücrelerini kan dolaşımı vasıtası ile ulaşmasını sağlayan damarlarıdır.
• Kemik iliği: Bağışıklık hücrelerini üreten ve uzun kemiklerin baş kısmında; yassı, kısa ve düzensiz şekilli kemiklerin iç kısmında bulunan yumuşak dokudur. • Lenf düğümleri: Lenf damarlarının düğümlendiği yerde bulunan, B ve T
• Timus bezi: Kemik iliğinde üretilen hücreler burada çoğalıp farklılaşmalarını tamamlar. Ayrıca bağışıklık sisteminin merkezidir. Bütün bağışıklık sistemi buradan yönetilmektedir.
• Dalak: Lökositlerin kan dolaşımında bulunan yabancı mikroorganizmaları yok ettiği organdır.
• Apandisit ve payer plakları: Sindirim sistemini koruyan özel lenf düğümleridir [53].
Şekil 3.12’de bu organların vücudun hangi bölgelerinde olduğu gösterilmektedir.
Şekil 3.12. Bağışıklık sistemi organları [54].
Yukarıda anlatılan bağışıklık sistemi organları vücuda dışarıdan dahil olacak veya içeriden bozulmuş mikroorganizmalara karşı hayati bir öneme sahiptir.
3.3.1.2. Bağışıklık Sistemi Hücreleri
Bağışıklık sistemi hücreleri kemik iliğinde üretilir. Bu hücreler ya vücudun genel savunmasında görevlidir ya da belli patojenler için özelleşmiştir. Vücudumuzun dış etkenlere karşı kendini savunmada kullandığı bağışıklık hücreleri Şekil 3.13’te gösterilmiştir.
Şekil 3.13. Bağışıklık sistemi hücreleri [55].
Şekil 3.13’te verilen bağışıklık sistemi hücreleri ve işlevleri aşağıdaki gibidir.
• Lenfositler: Bağışıklık sisteminin en önemli hücreleridir. B ve T lenfositleri olarak iki türe ayrılırlar [55].
• B lenfositleri: Bağışıklık sisteminin yabancı mikroorganizmaları tanıma işlevini yerine getiren en önemli elemanları antikorlardır. B lenfositleri de antikorların, üretilmesinden ve salgılanmasından sorumludurlar. Ayrıca antikorların üretilmesi ve patojenlere bağlanması, diğer hücreler için yabancı organizmaları yok etme işareti anlamına gelmektedir.
• T hücreleri ve lenfokinler: T hücreleri timüs bezinde olgunlaşırlar. T hücrelerinin en önemli görevi, yabancı organizmalara maruz kalmış hücreleri yok etmek ve diğer hücrelerin çalışmalarını kontrol etmektir.
Üç çeşit T hücresi vardır. Bunlar: yardımcı, baskılayıcı ve öldürücü T hücreleridir. 1. Yardımcı T hücreleri: B hücrelerinin, diğer T hücrelerinin, makrofajların ve
doğal öldürücü hücrelerin etkin hale gelmesinden sorumludur.
2. Öldürücü T hücreleri: İstemsiz çoğalmayı sağlayan ya da hücreleri öldüren patojenleri, virüsleri ve istilacı hücreleri lenfokin denilen kimyasalları salgılayarak yok eden hücrelerdir. Lenfokinler güçlü kimyasal sinyallerdir. Hücre büyümesine, yenilenmesine ve etkinleşmesine destek olurken aynı zamanda zararlı hücreleri de yok ederler.
3. Baskılayıcı T hücreleri: Diğer hücreleri kontrol ederek, vücudun kendi hücrelerine zarar vermesini engellemekle görevlidir. Bu durum oto immün olarak adlandırılmaktadır [56].
• Doğal öldürücü hücreler: Kan, kemik iliği ve dalakta bulunurlar. Öldürücü T hücreleri gibi kimyasal salgılayabilen fakat T hücrelerinden farklı olarak, yabancı organizmaları tanımaya ihtiyaç duymayan hücrelerdir. Tümörleri ve enfeksiyona neden olan mikropların çoğunu yok ederler.
• Fagosit, monosit ve makrofajlar: Fagositlerin literatürdeki diğer adı da hücre yiyicilerdir. Bazı fagositlerin, lenfositlere antijenleri sunma özelliği de vardır. Bir fagosit türü olan monositler, kan dolaşımı sayesinde dokulara yerleşerek makrofaj (Büyük yiyiciler) haline dönüşürler. Makrofajlar, yabancı organizmaları parçaladıktan sonra, T lenfositlerine sunarak bağışıklık reaksiyonunun başlamasına yardımcı olurlar [53].
• Tamamlayıcı sistem: Vücudun çeşitli bölgelerinde bulunan 25 proteinden oluşmaktadır. Bu proteinler sayesinde, bir kompleks oluşturarak antikorların işlevlerine yardımcı olurlar. Tamamlayıcı sistem, antijen ile karşılaştığında bileşenleri ile bir dizi reaksiyon başlatır. Yabancı organizmanın yüzeyine bağlanarak, lezyon oluşturur.
• MHC (Major Histocompability Complex) molekülleri: I. ve II. sınıf olmak üzere İki sınıfı vardır: I. sınıf MHC molekülleri, tüm hücrelerde bulunurken II. sınıf MHC molekülleri ise sadece Antijen Sunan Hücrelerde (ASH) bulunurlar. Antijen sunan hücreler, yabancı organizmaları peptitlere ayırır. II. sınıf MHC molekülleri de bu peptitler ile birleşerek ASH'nin yüzeyinde taşınırlar [57].
• Antikor: Belirli bir antijene yönelik bir grup glikoproteindir. Diğer adı da immünglobulindir. Bağışıklık sistemi yabancı bir organizma algıladığında, B hücreleri tarafından bu antijene karşı antikor üretmeye başlar. Üretilen bu antikorlar, üretilme nedeni olan antijene özgü bir şekilde yabancı organizmanın yüzeyine bağlanırlar [58]. İmmünglobulinler (Ig, antikor), vücutta bağışıklık sistemi tarafından kanser hücreleri, bakteriler, virüsler, mantarlar gibi yabancı organizmalara karşı üretilen proteinlerdir. Görevleri ise antijenlere saldırarak bağışıklık sisteminin, onları yok etmesini sağlamak ve vücuda zarar vermelerini engellemektir. Bağışıklık sistemi B lenfositlerine, her antijene özgü Ig ürettirir. Ayrıca otoimmün hastalıklarda yani baskılayıcı T hücrelerinin diğer hücreler
üzerindeki kontrolünün gevşemesi ile diğer hücrelerin sağlıklı hücrelere saldırarak ortaya çıkan hastalıklarda olduğu gibi vücudun kendi doku ve organlarına da saldırabilirler. Ig’ler disülfid bağı ile birbirlerine bağlı iki ağır ve iki hafif zincirden oluşurlar. Bu ağır zincirler 5 çeşit (alfa, delta, Gama, mü ve epsilon) olmasına karşın 2 çeşit (Kappa ve Lambda) hafif zincir vardır. Ağır zincirler Ig tipilerini belirler ve adlarını da onlardan alırlar. Vücutta ne kadar az Ig üretilirse, vücut direnci de o kadar düşer ve tekrarlayan enfeksiyonlar sıklıkla görünmeye başlar. Ig üretiminin az olması, doğuştan olabileceği gibi kanserlerde olduğu gibi sonradan da olabilmektedir. İnsan vücudunda major olarak 5 tip Ig vardır.
1. IgA: Solunum yolları, sindirim sistemi mukozası, kulak, tükürük bezi, göz yaşı, kan ve vajinada bulunur. Doğumdan 6 aylığa ulaşıncaya kadar bu antikor insan vücudunda mevcut değildir. IgA’ların en önemli görevi vücudun mikropların girmesine müsait bölgelere yerleşip bu bölgeleri kontrol altında tutmasıdır. 2. IgG: En temel ve vücutta en fazla bulunan, ayrıca en küçük olan antikorlardır.
Gebelikten itibaren insan vücuduna yerleşirler. Kanda ve tüm vücut sıvılarında bulunurlar. Özellikle vücudu virüs ve bakterilere karşı korurlar.
3. IgM: En büyük boyutlu antikorlardır. İnsan vücudunun herhangi bir antijenle karşılaştığında ilk ürettiği antikordur. Kan ve lenfoid sıvısında bulunmaktadırlar. 4. IgE: Akciğer de ve kanda dolaşan antikorlardır. Polen, mantar, parazit enfeksiyonları gibi alerjenlere karşı savaşırlar. Alerjik bireylerin kanında genellikle seviyeleri yüksektir.
5. IgD: Kanda düşük düzeyde bulunan bu antikorlar, olgunlaşmamış B hücrelerinin yüzeyinde bulunurlar. Tek başlarına davranmazlar ve T hücrelerinin yüzeyine yerleşerek, onların antijenleri yakalamalarını sağlarlar [52].
3.3.1.3. Bağışıklık Sistemi Çalışma Prensibi
Bağışıklık sistemi, vücudu yabancı organizmalara karşı çok sayıda hücre ve moleküller ile korur. Koruma, şu sıralama ile gerçekleşir:
• Makrofajlar gibi antijen sunan hücreler, buldukları antijenleri antijenik protein parçacıklarına dönüştürürler.
• Bu parçacıklar MHC molekülleri ile bir bağ kurarlar. T hücreleri, reseptörleri sayesinde bu protein-MHC birleşmesini tanıyabilmektedir.
• T lenfositleri bu birleşimi ayırt ettikten sonra işlevsellik kazanırlar ve lenfokinler salgılayarak diğer bağışıklık sistemi hücrelerini uyarırlar.
• B lenfositleri de reseptörleri sayesinde aktive olurlar. B lenfositleri T lenfositlerinden farklı olarak MHC molekülleri olmasa dahi serbest antijenleri ayırt edebilmektedirler.
• İşlevsellik kazanan B hücreleri plazma hücrelerine dönüşerek antijenlere özgü antikor üretmeye başlarlar.
• Her antijene karşı, ona özgü üretilen antikorlar bu antijenlere bağlanarak onları işlevsiz hale getirirler. Tanımlayıcı sistem veya diğer enzimler yardımı ile bu antijenleri yok ederler.
• Bu antijenler ile tekrar karşılaşma olasılığına karşın daha güçlü ve ani reaksiyon gösterebilmek için, bazı T ve B lenfositleri antijen ile aktive olduktan sonra hafıza hücrelerine dönüşürler [57].
Şekil 3.14’de vücuda bir antijen girdiğinde bağışıklık sisteminin verdiği reaksiyon gösterilmektedir.
3.3.2. Yapay Bağışıklık Sistemi (YBS)
Klasik hesaplama yöntemleri ile çözülmesi mümkün olmayan veya çözümü uzun zaman gerektiren, ya da fazlasıyla karmaşık olup tam modelleri tanımlanamayan mühendislik problemlerinin tamamına yakınında, biyolojik sistemlerden ilham alınarak yapılan çalışmalar birçok problemin çözümünde başarılı sonuçlar vermiştir. Bunlardan en çok kullanılanları YSA, genetik algoritma, DNA hesaplama, karınca koloni optimizasyonu ve böcek zekâsıdır. Bağışıklık sistemine olan ilgi de 90 yılların başından beridir artarak devam etmiştir; mühendisler, matematikçiler, filozoflar ve diğer disiplinlerden araştırmacılar, karmaşık yapısı nedeni ile beyne benzeyen bu sisteme ve yeteneklerine yoğun ilgi duymuşlardır. Bundan dolayı da teorik bağışıklık ve karmaşık problem alanlarına uygulanan gözlemlenmiş bağışık fonksiyonlar, ilkeler ve modellerden esinlenmiş hesapsal sistemler olarak YBS önerilmiştir [54]. YBS 1990’larda YSA gibi biyolojik tabanlı birçok hesaplama yöntemini birleştiren bir sistem olarak ortaya çıkmıştır [60]. YBS, ilk olarak S. Forrest tarafından 1994’ te bilgisayar virüslerinin tespiti için uygulanmıştır [61]. Son yıllarda da birçok alanda kullanılmaktadır. YBS ile yapılan bazı çalışmalar Çizelge 3.1’de verilmiştir.
Çizelge 3.1. YBS ile ilgili yapılan bazı çalışmalar [55].
Yazarlar Yıl Çalışma Konuları
S. Forrest ve diğerleri 1994 Bilgisayar ve Ağ Güvenliği D. Dasgupta, S. Forrest 1996 Zaman Serileri Analizi A. Somayaji ve diğerleri 1997 Bilgisayar ve Ağ Güvenliği
M. Mori ve diğerleri 1997 Çizelgeleme
S. H. Russ ve diğerleri 1999 Çizelgeleme
D. Dasgupta, S. Forrest 1999 Alet Hatası Tespiti
D. Lee ve diğerleri 1999 Ortaklaşa Kontrol ve Grup Davranış Stratejisi Seçimi L. N. De Castro, F. J. Von Zuben 2000 Model Tanıma ve Optimizasyon
J. Timmis, M. J. Neal 2000 Veri Analizi
Carter 2000 Örüntü Tanıma ve Sınıflandırma
A. M. Costa ve diğerleri 2002 Çizelgeleme
L. N. De Castro, J. Timmis 2002 Model Tanıma ve Optimizasyon O. Nasaroui ve diğerleri 2002 Veri Madenciliği Sun ve diğerleri 2003 Örüntü Tanıma ve Sınıflandırma
Ong ve diğerleri 2005 Çizelgeleme
Greensmith ve arkadaşları 2005 Ayrılık veya Anormallik Tespiti Şahan ve diğerleri 2005 Sınıflandırma Problemi
Carpaneto ve diğerleri 2006 Çizelgeleme
Neal ve diğerleri 2006 Hasar Tespiti
B. Babayiğit ve diğerleri 2006 Doğrusal Anten Dizi Diyagramında 0’ların Üretilmesi Polat ve diğerleri 2006 Sınıflandırma Problemi
Balachandran ve diğerleri 2007 Bilgisayar Güvenliği
H. Kodaz 2007 Tanıma Sistemleri
E. D. Kaymaz 2007 Sınıflandırma Problemi
S. Özşen 2008 Sınıflandırma Problemi
K. C. Tan ve diğerleri 2008 Optimizasyon
G. C. Luh ,H. C. Chueh 2009 Çizelgeleme
M. Baygın, M. Karaköse, 2011 Grup Asansör Kontrolü W. Zhao, C. E. Davis 2011 Tanıma- Klinik Tedavi
D. K. Mahapatra 2012 Çizelgeleme
A.M. ACILAR 2013 Sınıflandırma Problemi
F.N. Nogueira ve arkadaşları 2014 Model Tanıma ve Optimizasyon A. Rezaee Jordehi 2015 Model Tanıma ve Optimizasyon R. Syahputra ve I. Soesanti 2016 Güç sistemi kontrol modelleri Mário M. Freire ve arkadaşları 2017 Bilgisayar Güvenliği
YBS, başta örüntü tanıma tekniği kullanan mühendislik alanlarında, bağışıklık sisteminin vücuda giren zararlı maddeyi kolayca tanıyabilmesi eğer tanıyamıyorsa bu madde ile başa çıkabilmek için iyi bir çözüm bulabilme özelliği sayesinde, daha iyi sonuçlar elde etmeyi sağlamaktadır [62]. YBS'nin asıl amacı, bir antijeni self (kendine ait olan) ve nonself (yabancı olan) olarak tanıyabilmektir. YBS’nin antijenleri tanıyabilmesi için, antijenlerin yüzey bölgeleri ile bu antijenlere özel olarak üretilecek antikorların yüzey bölgelerinin birbirlerini tamamlayacak şekilde bağlanmaları gerekmektedir [63]. Şekil 3.15’de bağışıklık sisteminin temel unsurları gösterilmiştir.
Şekil 3.15. Bağışıklık sisteminin temel gösterimi [59].
Yabancı organizmalar vücuda enfekte olduklarında, lenfositler bu yabancı organizmaları tanırsa, bunlara göre antikorlar üretir ve bu antikorlar antijenler ile bağlanmaya başlar. Eğer tanıma gerçekleşmez ise üretilen antikorlar, değişim göstererek klonlanır ve yeni antikorlar oluşturularak hafızaya kayıt edilir. Tekrar aynı antijenler vücuda nüfus ederlerse, antikorlar bunu tespit eder ve bağlanma gerçekleşir. Bu bağlanma enzimlerdeki gibi anahtar-kilit uyumuna benzetilebilir [50].
3.3.2.1. Şekil Uzayı Kavramı
Vücudumuzdaki antikorlar, protein ve amino asitlerden oluşurlar. Amino asitler ve proteinler de birçok farklı kombinasyon sergileyerek, dışarıdan gelebilecek tüm antijenlere karşı yeni antikor çeşitleri üretilmesine olanak sağlamaktadırlar. Bundan
dolayı, doğadan vücudumuza girebilecek tüm antijenler tanınabilmektedir. Şekil uzayı yaklaşımı, antikor ve antijenlerin birbirine olan etkileşimlerini modellemek için Peterson ve Oster tarafından ortaya atılmıştır [64]. Vücudumuzda birçok fizyokimyasal olayın meydana gelmesi, bu iki hücrenin reseptörleri arasında meydana gelen etkileşimin bir sonucudur. Yani N boyutlu şekil uzayında N tane eksen vardır. Bu N tane eksenden her biri, reseptörler arasındaki etkileşimlerden birini temsil eder. Şekil 3.16’da gösterildiği üzere B ve T hücrelerinin antijenleri tanıyabilmeleri için, bu antijenik yapıların belirli eşik değerlerini aşmaları gerekmektedir. Bu özellik, şekil uzayında tanıma çemberi ile modellenerek gösterilmiştir. Şekil uzayında gösterilen, her biri birer self hücre olan B veya T hücrelerinin yarıçapında, bir eşik seviyesi ile belirlenen bir tanıma çemberi mevcuttur. Her bir self hücre sadece bu çember içinde kalan antijenleri tanıyabilmektedir [65].
Şekil 3.16. Antikor ve antijen arasında gerçekleşen etkileşimler [50].
Şekil 3.16’da 𝑉 şekil uzayında üç tane self hücre olan, 𝑒 eşik değeri ile belirlenen 𝑉𝑒 çemberleri gösterilmiştir. I. bölgedeki 𝑉𝑒, 𝑥 ile gösterilen iki antijeni tanımaktadır. II. bölgedeki 𝑉𝑒, herhangi bir antijeni tanıyamamaktadır. III. Bölgedeki 𝑉𝑒, sadece bir antijeni
tanıyabilmektedir. Doğada bulunan tüm antikorlar ve antijenler iki boyutlu 𝑉 şekil uzayının içerisinde yer almaktadır. Dolayısıyla tüm antijenlere karşı antikorlar üretilebilmektedir. Şekil uzayında gösterildiği gibi uzaklık ölçütleri kullanılarak antikor ile antijen arasındaki etkileşim derecelendirilmesi bulunabilir. 𝑉 şekil uzayında antikor ve antijen vektörel olarak bir noktayı temsil etmektedir.
