Kongestif Kalp Yetmezliğinin

İkinci-Derece Fark Harita Grafiği ile

Topografik Analizi ve Teşhisi

Apdullah YAYIK

Yakup KUTLU

Mustafa Kemal Üniversitesi

Sinyal İşleme ve İletişim Uygulamaları 2014

Kongestif Kalp Yetmezliği (KKY)

Kongestif Kalp Yetmezliği (KKY)

Kalbin vücudun ihtiyaçlarını karşılayabilecek kadar

kan pompalayamamasıdır.

KKY Teşhisi

KKY şüphesi bulunan hastalarda

Ekokardiyografi,

Anjiyografi,

Göğüs röntgen filmi,

BNP (Beyin(B-tip) Natriuretik Peptid),

NT-proBNP (BNP’nin öncü hormonunun (proBNP) N-Terminal

fragmanı),

MR görüntüleme

Elektrokardiyografi,

gibi ek testlerden bir veya birkaçı uygulanmakta ve sonrasında teşhis

konulabilmektedir.

KKY Teşhisi

KKY hastalığının uygun bir şekilde tedavi edilmesi,

hastalığın erken teşhis edilmesiyle mümkün olduğundan

elektrokardiyogram (EKG) kayıtlarından KKY

hastalığının otomatik olarak belirlenmesi klinik açıdan

oldukça önemlidir.

Kullanılan Veri Tabanı

www.physionet.org iki veritabanı kullanılmıştır.

KKY Hastası verileri : Yaşları 22 ile 71 arasında değişen 15

adet hastadan alınmış kayıtlardır.

Sağlıklı Kişi Verileri : Yasları 20 ile 50 arasında değişen 18 hasta

olmayan gönüllüden alınmış kayıtlardır.

Ön İşlem

Her hastadan 10 sn’ lik kayıtlar halinde bölümlenmiştir

10’ar saniyelik pencereler (2500 örnekli pencerelere

oluşturmaktadır),

her kayıttan150 farklı pencere alınarak incelenmiştir.

veri kümesinde

KKY hastalarından 2250

Normal EKG kayıtlardan 2700

Toplam 4950 adet 10’ar saniyelik pencereden oluşturulmuştur.

Normalizasyon işlemi yapılır.

Normalizasyon işlemi, bir örnek mutlak en büyük değere bölünerek

yapılmaktadır.

A Platform for Local Interactions between

Robots in Large Formations

Özniteliklerin Çıkarılması

İkinci-Dereceden fark (IDF) grafiği

X(t) EKG sinyali olduğunu kabul edersek, [X(t+1)-X(t)] ve [X(t+2)-X(t+1)] ikili noktalarının Kartezyen koordinat

grafiğinde oluşturduğu harita grafiğidir.

Diğer bir değişle EKG sinyalindeki ardışık noktaların farklarınınbirbirlerine göre saçılımlarından oluşmaktadır.

Böylece ardışık farkların değerlerinin istatiksel durumugözlenebilmektedir.

Çalışmalarda İDFG analizi yapılırken farklı yarıçaplı dairelerbölgelere bölünerek incelemeler yapılarak öznitelikler çıkarılmıştır

-1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1-1

-0.8

-0.6

-0.4

-0.2

0

0.2

0.4

0.6

0.8

1

1 4

32

3-3-3-1 6-5-1-0 1-1-1-0 6-5-3-0

46

5

3

0

Basit öznitelik çıkartma örneği

KKY ve Normal kayıtlar için IDF

grafiği örnekleri

Öz Düzenleyici Haritalar

Rekabete dayalı eğiticisiz öğrenme algoritmasını temel

alan bir yapay sinir ağı modelidir.

ÖDH ağları ile diğer sinir ağları modelleri arasındaki en

önemli fark, eğitimden sonra ağın verdiği yanıtların 2

boyutlu harita üzerinde topoğrafik olarak

düzenlenmesidir.

Öz Düzenleyici Harita Yapısı

||)()(||min||)()(|| twtxtwtxii

ici

)()( iwxwcii

xi n boyutlu giriş örüntü vektörü,

wij ise xj girişi ile i. işlem elemanı arasındaki ağırlıktır.

Ωc(i) komşuluk fonksiyonuyla (gaussian)

η öğrenme oranı

c indisi kazanan nöronudur

Öz düzenleyici Ağ yapısının U-matris

gösterimi

a) b) c)

İki boyutlu öz düzenleyici ağ yapısındaki bir birine yakın nöronlar

arasındaki uzaklıklar hesaplanır

Bu uzaklık değeri gerçek nöronlar arasında ekstra bir nöron olarak

yerleştirilerek U-matris elde edilir

U-matristeki küçük değerler benzerlikleri, yüksek genlikli değerleri ise

kümelerin birbirinden farklılığını göstermektedir.

Öz Düzenleyici Haritalar

U-matris gösterimi (a) İki boyutlu gri renk tonlu gösterimi, (b) Gerçek etiketli kümelerinin iki

boyutlu gri renk tonlu gösterimi, (c) Üç boyutlu gösterimi

Oluşturulan veri seti ÖDH ağının eğitiminde kullanılmıştır.

ÖDH yapısında toplam 2500 (50x50) nöronlu altıgen

topoloji kullanılmıştır. Daha sonra eğitilmiş ÖDH ağına

karşılık gelen U-matrisler hesaplanmıştır.

iki boyutlu U-matrisi gösterimi

SOM 25-Jan-2013

U-matrix

0.0706

6.25

12.4

Gerçek etiketli kümelerinin iki

boyutlu gri renk tonlu gösterimi

Sinyal İşleme ve İletişim UygulamalarıSOM 25-Jan-2013

U-matrix

0.0706

6.25

12.4

U-matris’in üç boyutlu gösterimi

Sinyal İşleme ve İletişim Uygulamaları

0

20

40

60

80

100

0

20

40

60

80

100

0

5

10

15

Sınıflandırıcı

Bu çalışmada

incelenen özniteliklerin ÖDH grafiği ile sonuçların tutarlılığını

değerlendirmek için

Radyal Tabanlı Fonksiyon (RTF) ağı sınıflandırıcı olarak tercih

edilmiştir.

Başarım Kriterleri

Başarım kriteri olarak

Duyarlılık (DUY),

Belirlilik (BEL),

Seçicilik (SEÇ)

Genel Basarım

olarak belirlenmiştir.

Sonuçlar

Sonuç olarak

Ham EKG verisi üzerinden RTF ağı sınıflandırıcının %99

genel başarım ile sınıflandırma yapabildiği tespit

edilmiştir.

Literatürde gerçekleştirilen çalışmaların başarımlarıyla

karşılaştırılmasını yapmak oldukça zordur.

Literatürde bu konuyla ilgili çalışmalar mevcuttur.

%80-100 arasında Genel Basarıma sahip çalışmalar mevcuttur.

Sonuç ve Tartışma

Sorular?

Ayrıntılı bilgi için,

apdullahyayik@gmail.com