Tremor işaretlerinin sınıflandırılması

Abstract

ÖZET TREMOR İŞARETLERİNİN SINIFLANDIRILMASI DEMÎRAĞ, Serdar Yüksek Lisans Tezi, Elektrik Elektronik Mühendisliği Bölümü Tez Yöneticisi: Yrd.Doç.Dr. Mehmet ENGÎN Mayıs 2005, 75 sayfa Bu çalışmada, tremor işaretlerinin tanı amaçlı sınıflandırılması amaçlanmaktadır. Akselerometre tabanlı bir sistemle kaydedilen, Parkinson hastalığı, Esansiyel Tremor hastalarına ve sağlıklı kişilere ait tremor işaretlerinin zaman ve frekans çözümlemeleri yapılmıştır. Ön işleme aşamasından sonra, farklı güç yoğunluk izgesi kestirimleri gerçekleştirilmiştir. Zaman düzlemi yöntemleri olarak, öz ilişki ve çapraz ilişki işlevleri tremor işaretleri için hesaplanmaktadır. Ayrıca, spektrogram kestirimleri de aynı işaretler için verilmektedir. Doğrusal kestirim katsayıları, dalgacık dönüşümü ayrıntı katsayılarının varyansı, kümülant, entropi ve güç oranı olmak üzere beş farklı öznitelik (feature) oluşturulmuştur. Ayrıca, Tremor işaretleri, yapay sinir ağları algoritmaları ile sağlıklı veya hastalıklı olarak sınıflandırılmaktadır. Bu amaçla, geriye yayınım temelli çok katmanlı algılayıcı kullanılmaktadır. Geriye yayınım temelli ağ yapısında; ölçekli-eşlenik gradyan ve BFGS yöntemleri eğitim algoritmaları kullanılmıştır. Anahtar Sözcükler : Tremor analizi, biyomedikal işaret işleme, yapay sinir ağlan, yüksek seviyeli istatistikler, dalgacık dönüşümü, AR modelleme, güç izgesi.

VII ABSTRACT CLASSIFICATION OF TREMOR SIGNALS DEMİRA?, Serdar MSc in Electronic Engineering Supervisor: Asst.Prof.Dr. Mehmet ENGİN May 2005, 75 pages This work is concerned with the tremor classification for the purpose of medical diagnosis. Time and frequency analysis were applied to accelerometer based tremor signals. For this aim, Parkinson's disease, Essential tremor and Healty tremor signals are considered. After preprocessing of the recorded tremor signals, different types of spectrum estimation methods were implemented. As the time domain techniques, auto-correlation and cross-correlation functions are computed. Also, spectrogram estimation of the same signals was computed. Linear prediction coefficients, Wavelet transform detail coefficients, Wavelet based entropy, power ratio and higher-order statistics have formed as elements of the feature vectors. The tremor segments belonging to different pathological or normal classes, are classified by an Artifical Neural Network (ANN) algorithms. To this aim, backpropagation based multilayer perceptron networks were used. In backpropagation based multilayer perceptron network, scaled- conjugate and BFGS gradient training algorithms were used in training. Keywords: Tremor analysis, biomedical signal processing, neural Networks, wavelet transform, higher-order statistics, AR modelling, power spectrum.