Recognizing and classifying fetal heart rate signals with a self-organizing algorithm

Abstract

XV ÖZET FETAL MONITOR SİNYALLERİNİN `SELF-ORGANIZING` YÖNTEMİYLE TANINMASI VE SINIFLANDIRILMASI Kadir ÖZDEMİR Bu tezin amacı, kardiotokogramdan alınan bebek kalp atım sinyallerinin orüntü tanıma ve sinir ağları ile tanınması ve sınıflandırılmasıdır, örüntü tanıma, özellik çıkarma ve sınıflandırma aşamalarından oluşur, özellik çıkarma aşaması Karhunen Loeve açılımı ile gerçekleştirilirken, sınırlandırma aşamasında yeni bir `self-organizing` sinir ağı algoritması geliştirilmiştir. Bu çalışmada 676 anne adayına ait 3731 sinyal kullanılmıştır. Bu sinyallerden 500 anne adayına ait olanları, kadın doğum doktoru tarafından test grubu olarak belirlenmiş ve bunlar iyi sonuçlanan ve kötü sonuçlanan doğumlar olmak üzere iki gruba ayrılmıştır. Doktorun sonuçları ile oluşturulan sistemin sonuçları karşılaştırılmış ve sistemin iki hafta arayla kaydedilmiş on dakikalık iki sinyal ile %70, üç sinyal ile %89 ve dört sinyal ile %97'nin üzerinde doğum sonucunu tahmin ettiği görülmüştür. Anahtar sözcükler: örüntü tanıma, Sinir ağları, Karhunen Loeve açılımı

Ill SUMMARY RECOGNIZING AND CLASSIFYING FETAL HEART RATE SIGNALS WITH A SELF-ORGANIZING ALGORITHM Kadir ÖZDEMİR The aim of this study is to evaluate and classify fetal heart rate (FHR) signals from cardiotocograph tracings using pattern recognition techniques and neural networks. The problem of pattern recognition is usually divided into two stages: feature extraction and classification. We achieve the feature extraction phase by the Karhunen Loeve expansion while, for the classification stage, a new unsupervised neural network algorithm is developed. To validate the model and the program developed in this thesis, 3731 tracings are used from a pool of 676 pregnant women. Clinical validation is performed on a sample of randomly selected 500 pregnant women from which 334 were subsequently identified as having normal outcome and 166 as having bad outcome. The predictive value of our model is over %70 when two ten-second FHR are used, over %89 when three and over % 97 when four. Key words : FHR, Pattern recognition, Classification, Feature extraction, Karhunen Loeve expansion, Neural network