Makina temelli ö÷renim sistemi: DEHB olan ve
olmayan katÕlÕmcÕlarÕn sÕnÕflandÕrmasÕ
Machine-Based Learning System: Classification of
ADHD and non-ADHD participants
Özetçe— Dikkat Eksikli÷i ve Hiperaktivite Bozuklu÷u (DEHB), psikiyatri servislerine baúvuran çocuklarda en çok rastlanan rahatsÕzlÕktÕr. Bu bozukluk 20. YüzyÕlÕn baúÕnda tanÕmlanmasÕna ra÷men, teúhisinde halen ciddi sorunlar yaúanmaktadÕr. Bu çalÕúmada, Olaya øliúkin Potansiyel (OøP) verilerinden çÕkarÕlan zaman frekans özellikleri kullanÕlarak DEHB olan çocuklarÕn bu bozuklu÷u taúÕmayanlara göre sÕnÕflandÕrÕlmasÕ elde edilmiútir. Bu özniteliklerin DEHB teúhisinde en etkili olanlarÕ Destek Vektör Makinesi – Yinelemeli Öznitelik Seçimi yöntemiyle belirlenmiú ve bu özniteliklerle e÷itilen Destek Vektör Makinesi, üç öznitelik kullanÕldÕ÷Õnda %98 ve altÕ öznitelik kullanÕldÕ÷Õnda %99.5 do÷rulukla DEHB teúhisi koymayÕ baúarmÕútÕr. Sonuçlar Tekrarlanan Çapraz Geçerlilik Yöntemiyle elde edilmiútir. AyrÕca, bu yöntem KararlÕlÕk Seçimi ile desteklenerek DEHB tanÕsÕnda en etkili öznitelikler belirlenmiútir. AyrÕca yeni bir tasarÕmla önerilen düzenek test edilmiú ve % 100 do÷ruluk elde edilmiútir. Sonuçlar, çalÕúmadaki düzene÷in psikiyatrik bozukluklarÕn tanÕsÕnda ve seyrinde kullanÕlabilece÷ini göstermektedir.
Anahtar Kelimeler — DEHB, kararlÕlÕk seçimi, ZFHAÇ, özö÷renim makinesi, sÕnÕflandÕrma, öznitelik seçimi, DVM-YÖE
Abstract—Attention-deficit/hyperactivity disorder (ADHD) is the most frequent diagnosis among children who are referred to psychiatry departments. Although ADHD was discovered at the beginning of the 20th century, its diagnosis is confronted with many problems. In this paper, a novel classification approach that discriminates ADHD and non-ADHD groups over the time-frequency domain features of ERP recordings is presented. Support Vector Machine-Recursive Feature Elimination (SVM-RFE) was used to obtain best discriminating features. When only three of these features were used the accuracy of classification reached to 98%, and use of six features further improved classification accuracy to 99.5%. The proposed scheme was tested with a new experimental setup and 100% accuracy is obtained. The results were obtained using RCV. The classification performance of this study suggests that TFHA can be employed as a core component of the diagnostic and prognostic procedures of various psychiatric illnesses.
Keywords — attention-deficit/hyperactivity disorder (ADHD); time-frequency Hermite atomizer; machine learning, classification, feature selection, support vector machine-recursive feature elimination (SVM-RFE).
I. GøRøù
Dikkat Eksikli÷i ve Hiperaktivite Bozuklu÷u (DEHB), ço÷unlukla çocuklarÕn ilkokula baúladÕklarÕ ilk yarÕyÕlda görülen psikiyatrik bir bozukluktur [1]. ÇocuklarÕn yaklaúÕk %5-10’unu ve eriúkinlerin %4’ünü etkileyen DEHB, dünya çapÕnda yaygÕn bir sorundur [2]. RahatsÕzlÕk tedavi edildi÷inde belirgin düzelme elde edilmesi; tedavi edilmedi÷inde ise yetiúkinlik dönemine kadar pek çok psikiyatrik ve sosyal soruna yol açabilmesi nedeniyle yüksek önem taúÕmaktadÕr. TÕbbi teúhis esas olarak kiúinin davranÕúlarÕnÕ gözlemlemeye ba÷lÕdÕr. YardÕmcÕ bilgi olarak, gözlem sonucunda uygulanan psikometrik testler kullanÕlmaktadÕr. DEHB nöropsikiyatrik bir bozukluktur ve davranÕúlardaki sorunlarÕn temeli beynin yapÕsÕndadÕr.
AraútÕrma ekibimizin geçmiú yÕllardaki çalÕúmalarÕ kapsamÕnda Olaya øliúkin Potansiyeller (OøP), Zaman Frekans Bileúen ÇÕkarÕmÕ (ZFBÇ) algoritmasÕ kullanarak analiz edilmiúti [3]. Daha sonra geliútirilmiú Zaman Frekans Hermit Atom ÇÕkarÕmÕ (ZFHAÇ) ise OøP bileúenlerini daha etkin bir úekilde tanÕmlamÕú ve sunmakta oldu÷umuz çalÕúmanÕn temelini oluúturmuútur. Öze÷itimli makinelerin frekans bileúenlerine uygulanmasÕ DEHB olan ve olmayan bireyleri sÕnÕflandÕrma açÕsÕndan önemli bir araútÕrma konusudur.
Geçmiú yÕllarda sunulan araútÕrma çalÕúmalarÕ; psikometrik testin uygulanmasÕ, sinyal iúleme teknikleri ve sÕnÕflandÕrma yöntemleri bakÕmÕndan çeúitlilik göstermektedirler. Örne÷in, git/ gitme testi sÕrasÕnda ölçülen OøP sinyalleri, Ba÷ÕmsÕz Bileúen Analizi (BBA) ile bileúenlere ayrÕlmÕú ve Destek Vektör Makinesi (DVM) tarafÕndan sÕnÕflandÕrÕlmÕútÕ [4]. ÇalÕúmada, ortalama do÷ruluk ise % 92 olarak analiz edilmiúti. [5]’de ise dairesel çekirdekli DVM kullanÕlmÕú ve do÷ruluk % 88 olarak
978-1-5090-6494-6/17/$31.00 ©2017 IEEE
Hüseyin Öztoprak*, Mehmet Toycan*, Yaúar Kemal Alp†
כElektrik ve Elektronik Mühendisli÷i UluslararasÕ KÕbrÕs Üniversitesi, Lefkoúa, KKTC
{hoztoprak, mtoycan} @ciu.edu.tr †ASELSAN
ykemalalp@gmail.com
Orhan ArÕkan‡, Elvin Do÷utepe# ve Sirel Karakaú#
‡ Elektrik ve Elektronik Mühendisli÷i Bilkent Üniversitesi, Ankara, Türkiye
oarikan@ee.bilkent.edu.tr #Psikoloji Bölümü
Do÷uú Üniversitesi, østanbul, Türkiye
bulunmuútu. Ahmodlou [6], DalgacÕk Dönüúümü (DD) ve Yapay Sinir A÷Õ kullanarak % 95,6’lÕk bir do÷ruluk sunmuútu. SÕnÕflandÕrma do÷rulu÷undaki bu de÷iúkenlik, deneysel farklÕlÕklardan ortaya çÕkabilecektir. Örne÷in, örneklemler arasÕndaki nicel ve niteliksel farklÕlÕklar, kullanÕlan sinyal iúleme ve sÕnÕflandÕrma yöntemleri analiz sonuçlarÕna etki etmektedirler.
Bu bildirinin temel amacÕ, geliútirilmiú zaman-frekans analiz yönteminin çÕktÕlarÕnÕ kullanarak bir otomatik sÕnÕflandÕrma makinesi geliútirmektir. ÇalÕúma kapsamÕnda, DEHB ve kontrol gruplarÕnÕ ayÕran en etkili öznitelikler analiz edilmiútir.
II.YÖNTEM
Sunulan çalÕúmanÕn araútÕrma aúamalarÕ ùekil 1’de gösterilmektedir. ÇalÕúma üç temel safhadan oluúmaktadÕr, veri toplama, öznitelik çÕkarÕmÕ ve sÕnÕflandÕrma.
ùekil 1. AraútÕrma AúamalarÕ
Veri toplam ve öznitelik çÕkarÕm çalÕúmalarÕ daha önceki çalÕúmalar sonucunda tamamlanmÕú [7] ve farklÕ bilimsel makalelerde yayÕnlanmÕútÕr [8-10]. Bu çalÕúmada; çok merkezli, büyük ölçekli bir projenin nöro-elektriksel çÕktÕlarÕ kullanÕlmÕútÕr [7]. KullanÕlan veriler, DEHB tanÕsÕ konmuú 70 çocuk ve yaú aralÕ÷Õ eúleútirilmiú 30 kiúilik kontrol çocuk grubundan STROOP testi sÕrasÕnda alÕnmÕú OøP kayÕtlarÕndan oluúmaktadÕr. Sonuçlar sonrasÕnda bootstrap yöntemi kullanÕlarak kararlÕlÕk artÕrÕlmÕútÕr. Bu yöntemle ortaya çÕkan veri setinde, 20 DEHB ve 20 kontrol grubuna ait örnek bulunmaktadÕr.
OøP sinyallerinde bulunan salÕnÕm bileúenlerini analiz etmek için ZFHAÇ algoritmasÕ kullanÕlmÕútÕr. ZFHAÇ algoritmasÕ Hermit-Gauss fonksiyonlarÕnÕ temel alarak bileúenlerine bölmektedir. Hermit-Gauss en iyi yo÷unlu÷a sahip oldu÷u için OøP sinyallerinde tespit edilen delta, teta, beta, alfa ve gamma bileúenleri yüksek çözünürlü÷e ve zaman-frekans düzleminde yerelli÷e sahiptir. ZFHAÇ, her OøP üzerindeki bileúen çÕkarÕmÕnÕ geriye kalan sinyalin enerjisi ihmal edilebilir oluncaya kadar sürdürür. ZFHAÇ analizi farklÕ koúullar altÕnda ölçülmüútür. Bu farklÕlÕklar, uyarÕcÕ (uyuúan-u, uyuúmayan-un) cevabÕn do÷rulu÷u (do÷ru-d, yanlÕú-y) ve kayÕtÕn yapÕldÕ÷Õ elektrotun koordinatlarÕnda (Fz, Cz, Pz, F3, F4) bulunmaktadÕr. Zaman-frekans bileúenleri (delta, teta, alfa, beta ve gama) üç farklÕ zaman penceresinde ölçülmüútür (erken-e, orta-o, geç-g).
III.OTOMATøK SINIFLANDIRMA
DEHB ve DEHB-olmayan kiúilerin otomatik olarak belirlenmesi için sÕnÕflandÕrma yöntemi kullanÕlmÕútÕr. Bu amaçla katÕlÕmcÕlarÕn OøP bileúenlerinden, ZFHAÇ kullanarak çÕkarÕlan özniteliklerden yararlanÕlmÕútÕr. Otomatik sÕnÕflandÕrma standart olarak úu aúamalardan oluúmaktadÕr: (1) öznitelik seçimi, (2) seçilmiú öznitelikleri kullanarak sÕnÕflandÕrmayÕ e÷itmek ve (3) test grubundaki katÕlÕmcÕlarÕ (DEHB, DEHB-olmayan) sÕnÕflandÕrmak. SÕnÕflandÕrÕcÕ olarak
çok iyi bilinen bir özö÷renim makinesi yöntemi olan DVM kullanÕlmÕútÕr [11]. DVM yerel çözümle sÕnÕrlÕ kalmayarak, çok boyutlu öznitelik uzayÕnÕ etkili úekilde kullanabilmektir [12]. Bu çalÕúmada, DVM’nin modelledi÷i n-boyutlu uzay ZFHAÇ’Õn OøP’lerden çÕkardÕ÷Õ özniteliklerden oluúur. Her katÕlÕmcÕn öznitelik gurubu n-boyutlu uzayda bir nokta olarak düúünülebilir. Bu çalÕúmada DVM, DEHB (pozitif grup) ve DEHB-olmayan (negatif grup) katÕlÕmcÕlarÕ ayrÕútÕrmak için e÷itilmiútir. DVM pozitif ve negatif sÕnÕflarÕn arasÕnda maksimum boúlu÷u sa÷layabilecek aúÕrÕ düzlemi seçer. Bu ayÕrÕcÕ aúÕrÕ düzlem, pozitif ve negatif sÕnÕflardaki destek vektörleri arasÕndaki mesafenin maksimize edildi÷i zaman en iyi hale gelir. Ortaya çÕkan modelin daha anlaúÕlÕr olmasÕ için bu çalÕúmada do÷rusal aúÕrÕ düzlem kullanÕlmÕútÕr.
Makine özö÷renim performans sÕnÕflandÕrmasÕ önceden uygulanacak etkili bir öznitelik seçim tekni÷iyle iyileútirilebilir. Bu çalÕúmada öznitelik seçim tekni÷i olarak Destek Vektör Makinesi – Yinelemeli Öznitelik Elemesi (DVM –YÖE) [13] kullanÕlmÕútÕr. DVM’nin içerisinde yer alan bir algoritma olan DVM-YÖE otomatik tÕbbi teúhisi de içeren birçok farklÕ sÕnÕflandÕrma uygulamasÕnda baúarÕyla kullanÕlmÕútÕr.
Öznitelik seçiminin baúarÕlÕ olabilmesi için sÕnÕflandÕrÕcÕnÕn seçilen özniteliklerden etkili úekilde yararlanabilmesi yüksek önem göstermektedir. Bunu sa÷lamak için güçlü ve yansÕz örneklendirme tekniklerinden yararlanÕlabilir. Bu örneklendirmeler sayesinde veri de÷erlendirme sayÕsÕ artar ve baúarÕlÕ özniteliklerin kararlÕlÕ÷Õ yükselir. Buna ek olarak, analiz edilen do÷ruluk sonuçlarÕnÕn da güvenilirli÷i artar. YaygÕn olarak kullanÕlan örneklendirme tekniklerinden biri Çapraz Geçerliliktir (ÇG). Çapraz geçerlilik yönteminde, sÕnÕflandÕrÕcÕnÕn performansÕnÕ ölçmek için veri k parçaya bölünür. Her analiz öncesinde verinin kí1’lik kÕsmÕ sÕnÕflandÕrÕcÕyÕ e÷itmek, geriye kalan kÕsmÕ ise sÕnÕflandÕrÕcÕnÕn performansÕnÕ test etmek için kullanÕlÕr. ÇG yönteminin getirdi÷i dezavantaj ise toplam test örne÷inin veri setindeki toplam örnek sayÕsÕyla sÕnÕrlÕ olmasÕdÕr. Bu sÕnÕrÕ aúmanÕn yollarÕndan biri ÇG yöntemini birden fazla kez tekrar etmektir (Tekrarlanan Çapraz Geçerlilik - TÇG). Bu tekrarlarÕn her birinde veri seti k parçaya farklÕ úekilde bölünür. ÇG n kere tekrar edildi÷inde, test örne÷i sayÕsÕ n ile çarpÕlÕr. Bu çalÕúmada n=5 ve k=5 olarak seçilmiútir. Bu düzenleme toplam olarak 25 e÷itim/test çiftine ve 200 test örne÷ine denk gelmektedir.
IV.BENZETøM SONUÇLARI
A. TekrarlanmÕú Çapraz Geçerlilik SonuçlarÕ
Bu bölümde DVM-YÖE tekni÷inin DEHB olan ve olmayan örnekleri ayrÕútÕrmadaki performansÕ incelenmiútir. KÕyaslama amacÕyla chi-karesi ve bilgi kazancÕ yöntemleri de kullanÕlmÕútÕr. AyrÕca DVM-YÖE’nin çÕktÕlarÕ kararlÕlÕk seçimi ile birleútirilerek, en etkili öznitelikler belirlenmiútir. Son olarak yeni bir deneysel düzenekle kararlÕlÕk seçiminin üretti÷i öznitelikler ile DVM-YÖE yeniden test edilmiútir. ùekil 2 DVM-YÖE ile iki tek olasÕlÕklÕ tekni÷in sÕnÕflandÕrma etkinli÷ini karúÕlaútÕrmaktadÕr. Tek olasÕlÕklÕ tekniklerin hata oranlarÕ genel olarak benzerken, 0.05 ve 0.30 arasÕndadÕr. DVM-YÖE’nin hata oranÕ ise di÷er yöntemlere göre belirgin úekilde düúüktür. Tablo 1 tüm yöntemlerin duyarlÕlÕk ve özgüllük performansÕnÕ vermektedir. Bu tablo DVM-YÖE’nin 1. Safha: Veri Toplama
Klinik ÇalŦƔmalar.
Deneysel
ÇalŦƔmalar EEG KayŦtlarŦ
2. Safha: Öznitelik ÇŦkarŦmŦ
O7P ÇŦkarŦmŦ Bootstrapping Teknik KullanŦmŦ
Zaman Frekans Hermit Atom ÇŦkarŦmŦ 3. Safha: SŦnŦflandŦrma Özellik Seçimi Kernel Seçimi SŦnŦflandŦrŦcŦ Seçimi SŦnŦflandŦrŦcŦ Deneme ÇalŦƔmasŦ Biyomarker Seçimi: Etkin Özellikler Frekans BandŦ Performans Analizi Parametre AltgruplarŦ Performans Analizi
hem duyarlÕlÕk hem de özgüllük ölçütlerinde daha baúarÕlÕ oldu÷unu ortaya koymaktadÕr. Ancak özgüllük ölçütündeki fark daha belirgindir.
ùekil 2. Öznitelik seçim tekniklerinin performansÕ. Tüm veri seti 552 öznitelikten oluúmaktadÕr. Sonuçlar 25 TÇG parçasÕnÕn ortalamasÕdÕr. Tablo 1. Öznitelik seçme yöntemlerinin duyarlÕlÕk ve özgüllük sonuçlarÕ
Chi-karesi Bilgi KazancÕ DVM-YÖE Öznitelik
SayÕsÕ Duy. Özg. Duy. Özg. Duy. Özg.
1 78 69 73 74 84 74 2 87 78 82 72 92 80 3 92 78 90 82 98 93 4 95 81 96 87 98 98 5 95 85 97 91 99 100 6 95 89 97 87 99 100 7 96 88 95 89 99 100 8 96 88 95 90 99 100 9 97 89 95 90 99 100 10 97 91 95 92 99 99
Tek da÷ÕlÕmlÕ teknikler her özniteli÷i di÷er özniteliklerden ba÷ÕmsÕz olarak de÷erlendirdi÷i için, öznitelikler arasÕnda tekrar eden bilgiyi veya özniteliklerin ilgilenilen sÕnÕflandÕrma problemine yönelik olan iúbirliklerini tespit edemezler. Bu sebeble, seçilen öznitelik grubu mevcut sÕnÕflandÕrma problemi için en iyi olmayabilir. DEHB probleminde de DVM-YÖE’nin baúarÕsÕ büyük olasÕlÕkla öznitelikler arasÕndaki çok olasÕlÕklÕ iliúkileri göz önünde bulundurmasÕna dayanmaktadÕr. ÇÕkan olumlu sonuçlarda, öznitelik seçimi yöntemine ek olarak kullanÕlan sinyal iúleme yönteminin (ZFHAÇ) getirdi÷i yenilikler ve seçilen psikometrik testin (STROOP) sÕnÕflar arasÕndaki nöro-elektriksel farklÕlÕklarÕ artÕrmasÕnÕn da rol oynadÕ÷Õ düúünülebilir.
B. KararlÕk Seçimi
KararlÕlÕk seçimi kullanÕlarak, 25 TÇG parçasÕnda DVM-YÖE tarafÕndan bulunan en iyi öznitelikler tek bir listede sÕralanmÕútÕr. KararlÕlÕk seçimi ilk önce her listeyi sadece en yukardaki d öznitelik kalacak úekilde kÕsaltÕr. Daha sonra
öznitelikler kÕsaltÕlmÕú listelerde görülme sÕklÕklarÕna göre puanlanÕp tek bir listede sÕralanÕr. Bir önceki bölümde görüldü÷ü üzere beú öznitelik kullanÕlmasÕ sÕfÕra yakÕn hata oranÕ verdi÷i için d=5 olarak seçilmiútir. Tablo 2 en yüksek puan alan 10 özniteli÷i göstermektedir.
Tablo 2. KararlÕlÕk seçimi ile elde edilen öznitelik
SÕra Puan Öznitelik
1 21 CZ_11YanlÕú_Delta_geç_zaman_standart_sapma 2 20 F3_22Do÷ru_Alpha_erken_zaman_merkez 3 17 FZ_11Do÷ru_Beta_erken_baúlangÕç 4 12 CZ_22Do÷ru_Alpha_erken_frekans_tepe 5 6 CZ_22Do÷ru_Alpha_erken_frekans_merkez 6 5 F3_22YanlÕú_Delta_erken_zaman_tepe 7 5 FZ_22Do÷ru_Delta_erken_frekans_merkez 8 5 F3_11Do÷ru_Delta_erken_frekans_standart_sapma 9 4 F3_11Do÷ru_Delta_erken_son 10 4 F3_11Do÷ru_Delta_erken_zaman_merkez
Birinci sÕrada yer alan öznitelik delta bandÕna ait olup, zaman eksenindeki standart sapmasÕnÕ vermektedir. ùekil 3, DEHB ve DEHB-olmayan iki örne÷i incelemektedir. DEHB olmayan örnekte bileúen oldukça yerelken, DEHB’e sahip olan örnekte bileúen oldukça yayÕlmÕútÕr. Birinci öznitelikle birlikte listedeki beú öznitelik daha delta bandÕna aittir. Geçmiú yÕllarda, DEHB’nu makine özö÷renimiyle sÕnÕflandÕrma çalÕúmalarÕnda delta bandÕ belirleyi bir özellik olarak analiz edilmiúti [4][5][6]. Di÷er yandan, ço÷unlukla öznitelik olarak frekans bantlarÕndaki gücü ve bu güçler arasÕndaki oranlarÕ analiz edilmiúti [4][5][6]. Bu çalÕúmada ise ZFHAÇ’Õn sa÷ladÕ÷Õ öznitelik zenginli÷i delta bandÕnÕn öne çÕkmasÕna katkÕda bulunmuútur. Dikkat çeken baúka bir bulgu ise listenin a÷ÕrlÕklÕ olarak istatistiksel (merkez ve standart sapma) de÷iúkenlerinden oluúmasÕdÕr. Bu olgu istatiksel de÷iúkenlerin di÷er de÷iúkenlere göre yerel ölçüm hatalarÕna karúÕ daha az hassas olmalarÕna ba÷lanabilir.
ùekil 4 veri setindeki tüm örneklerin Tablo 2’de ilk üç sÕrada yer alan özniteliklere göre olan serpilme diyagramÕ verilmiútir. KÕsÕtlÕ sayÕda öznitelikten oluúan bu set DEHB olan ve olmayan örnekleri geniú bir sÕnÕrla ayÕrmakta yeterli olacaktÕr. Bu ba÷lamda, ùekil 4’teki görsel sonuçlar, ùekil 2 ve Tablo 1’deki sayÕsal sonuçlarÕ desteklemektedir.
KararsÕzlÕk seçimi ve DVM-YÖE’nin iúbirli÷ini test etmek için son olarak yeni bir deneysel düzenek tasarlanmÕútÕr. Bu yansÕz düzenekte veri seti e÷itim (26 örnek) ve test (14 örnek) olarak ikiye ayrÕlmÕútÕr. Daha sonra e÷itim seti kullanÕlarak, A bölümünde anlatÕlan TÇG ve DVM-YÖE ile 25 tane öznitelik listesi çÕkarÕlmÕú ve B bölümünde anlatÕlan kararlÕlÕk seçimi ile en iyi 5 öznitelik elde edilmiútir. Bu öznitelikler kullanÕlarak e÷itilen DVM, test setinde çalÕútÕrÕlmÕútÕr. Sonuç olarak % 100 do÷ruluk elde edilmiútir. Bu sonuç kullanÕlan tasarÕmÕn sÕnÕflandÕrma açÕsÕndan etkili oldu÷unu göstermektedir.
V.SONUÇLAR
ùekil 4. Örneklerin Tablo II’deki ilk üç özniteli÷e göre serpme diyagramÕ.
V.SONUÇLAR
Bu çalÕúmada DEHB olan ve olmayan çocuklarÕ ayrÕútÕrmak için DVM kullanÕlarak sÕnÕflandÕrma çalÕúmasÕ tamamlanmÕútÕr. Analizler kapsamÕnda, öznitelik uzayÕ olarak STROOP testi sÕrasÕnda kaydedilmiú OøP’lerin ZFHAÇ sinyal analiz tekni÷i ile iúlenmiú çÕktÕlarÕ kullanÕlmÕútÕr. Öznitelik seçim tekni÷i olarak çok olasÕlÕklÕ DVM-YÖE’nin tek olasÕlÕklÕ süzgeç tekniklerinden belirgin úekilde üstün oldu÷u görülmüútür. 3 öznitelik kullanÕlarak % 98, 6 öznitelik kullanÕlarak ise % 99.5’luk do÷ruluk perfomansÕ elde edilmiútir.
Nörolojik ve istatistiksel anlamda en etkili 10 özniteli÷i bulmak için 25 TÇG parçasÕnÕn sonuçlarÕ kararlÕlÕk seçimiyle analiz edilmiútir. Bu úekilde ortaya çÕkan listeye göre DEHB teúhisinde istatiksel de÷iúkenler öne çÕkmaktadÕr. Bu sebeble, sonraki çalÕúmalarda çarpÕklÕk ve basÕklÕk de÷eri gibi daha ileri momentlerin de öznitelik olarak kullanÕlmasÕ planlanmaktadÕr. FrekansÕ bandÕ olarak, literatürdeki bulgularÕn aksine, delta bandÕ belirleyici özellik olarak analiz edilmiútir. Bu farklÕlÕk ZFHAÇ’Õn sa÷ladÕ÷Õ öznitelik çeúitlili÷inden kaynaklanmÕútÕr. Son olarak, TGÇ, DVM-YÖE ve kararlÕlÕk seçiminin birlikte kullanÕmÕ yeni bir deneysel tasarÕmla test edilmiú, % 100 do÷ruluk elde edilmiútir.
Bahsi konu performans analiz sonuçlarÕ de÷erlendirildi÷inde kullanÕlan makine temelli yöntem, DEHB ve baúka psikatrik bozukluklarÕn sÕnÕflandÕrÕlmasÕ için kullanÕlabilecektir.
KAYNAKLAR
[1] Öktem F, Sonuvar B. Dikkat eksikli÷i tanÕsÕ alan çocuklarÕn özellikleri.
Turk Psikiyatri Derg 1993; 4:267-72.
[2] Polanczyk G, de Lima MS, Horta BL, Biederman J, Rohde LA. The worldwide prevalence of ADHD: a systematic review and metaregression analysis. Am J Psychiatry 2007; 164:942-948.
[3] Alp, Y.K., ArÕkan, O. (2012). Time-frequency analysis of signals using support adaptive Hermite–Gaussian expansions. Digital Signal Processing, 22(2012), 1010-1023.
[4] Mueller, A., Candrian, G., Kroptov, J.D., Ponomarev, V., Baschera, G.M. Classification of ADHD patients using a machine learning system. Nonlinear Biomedical Physics, 4(1), 2010, 1-12.
[5] Anuradha, J., Tisha, Ramachandran, V., Arulalan, K.V., Tripathy, B.K. Diagnosis of ADHD using SVM algorithm. In: Proceedings of the Third Annual ACM Bangalore Conference, January 2010.
[6] Ahmadlou, M., Adeli, H. (2010). Wavelet-synchronization methodology: A new approach for EEG-based diagnosis of ADHD. Clinical EEG and Neuroscience, 41(1), 1-10, 2010.
[7] Karakaú, S., Gücüyener, K., TalÕ, T., Topçu, M.., ArÕkan, O., Karakaú, M., Ataú, A., Bekçi, B., Baran. Z., Çakmak, E.D., Do÷utepe, E., Erdo÷an-Bakar, E., Özkan, A., Soysal, ù., TürkyÕlmaz, M.D., Kahraman, B., Tüfekçi, ø., (2006). Diagnosis of Attention Deficit Hyperactivity Disorder and its subtypes: A multidisciplinary and Multicenter approach. Project No: DPT-HÜAF 2006K120-640-06-08.
[8] Alp, Y.K., ArÕkan, O. (2012). Time-frequency analysis of signals using support adaptive Hermite–Gaussian expansions. Digital Signal Processing, 22(2012), 1010-1023.
[9] Karakaú, S., ArÕkan, O. (2006). Hypothesis testing for gamma response generation using alternative signal analysis techniques. 13th World Congress of Psychophysiology. The Olympics of the Brain. International Journal of Psychophysiology, 61(3), 324. [10] Karakaú, S., Baúar, E. (2006). Models and theories of brain
function within a framework of behavioral cognitive psychology. International Journal of Psychophysiology (Special Issue on Models and Theories of Brain Function with Special Emphasis on Cognitive Processing), 60(2), 186-193.
[11] Cristianini, N., Shawe-Taylor, J. (2000). Support Vector Machines and Other Kernel Based Learning Methods. Cambridge: Cambridge University Press.
[12] Onton, J., Makeig, S. (2006). Information-based modelling of event-related brain dynamics. In Progress in Brain Dynamics. Edited by: Neuper C, Klimesch W. Amsterdam: Elsevier.
[13] Guyon, I., Weston, J., Barnhill, S., Vapnik, V. (2002). Gene selection for cancer classification using support vector machines. Journal of Machine Learning. 46, 389–422.
[14] Guyon, I., Elisseeff, A. (2003). An introduction to variable and feature selection. Journal of machine learning research, 1157-1182.
[15] Jin, X., Xu, A., Bie, R. and Guo, P. (2006), April. Machine learning techniques and chi-square feature selection for cancer classification using SAGE gene expression profiles. In International Workshop on Data Mining for Biomedical Applications, 106-115. Springer
Zaman (ms) Fr ek ans (Hz ) Fr ek ans (Hz ) Zaman (ms)
ùekil 3.Tablo II’de bir numarada olan özniteli÷in çÕktÕsÕ olarak gösterimi: (a) DEHB (b) Kontrol
Öznite
lik 2
× DEHB
