Biyomedikal işaretlerin sınıflandırılması için akıllı tekniklerin Labview ortamında gerçeklenmesi

Bu tez çalışmasında, biyomedikal işaretler kullanılarak elde edilen veri kümesinden, kişinin hasta mı yoksa sağlıklı mı olduğunu tespit edebilmek için akıllı hesaplama yöntemleri kullanılarak yeni sınıflandırma algoritmaları geliştirilmiştir. Bu algoritmalar, literatürde kullanımı gittikçe yaygınlaşan ve bir görsel programlama dili olan LabVIEW programı kullanılarak geliştirilmiştir. Gerçekleştirilen tez çalışması genel olarak iki kısımdan oluşmuştur. İlk kısımda LabVIEW'in çalışma performansı MATLAB ile karşılaştırılmıştır. Bunun için literatürde boyut azaltma algoritmalarıyla özellik seçimi yapmayı sağlayan; Temel Bileşen Analizi (TBA), Doğrusal Ayrıştırma Analizi (DAA) ve Kernel Temel Bileşen Analizi (KTBA) kullanılmıştır. Sınıflandırma algoritmalarından ise Destek Vektör Makinesi (DVM) kullanılmıştır. Sınıflandırma performanslarının her iki programlama dili için de yaklaşık aynı oranda çıkması, LabVIEW'in hem hızlı ve hem de kolay programlanabilir bir yapıya sahip olması ve bu tezde kullanılması önerilen modellerin daha önce LabVIEW ortamında yapılmamış olmasından dolayı tez çalışmasında LabVIEW programlama dili kullanılmıştır. İkinci kısımda ise, farklı özellikteki verilerin DVM ile doğrusal bir şekilde ayrılabilmesine imkân sağlayan çekirdek fonksiyonunun seçim zorluğunu giderebilmek amacıyla, iki farklı sınıflandırma algoritması önerilmiştir. Doğrusal yolla ayrım yapılması mümkün olmayan veri örneklerini sınıflandırmak için çekirdek fonksiyonları kullanılmaktadır. Çekirdek fonksiyonları, doğrusal olmayan bir haritalama ile verileri daha yüksek boyutlu ve doğrusal olarak ayrılabilecekleri bir özellik düzlemine aktarırlar. Farklı çekirdek fonksiyonlarının Makine Öğrenmesi (MÖ) algoritmalarında kullanımlarında, farklı sinyaller için sistemin başarısı da değişmektedir. Bu durum, her sinyal için farklı çekirdek fonksiyonu kullanılmasına neden olmaktadır. Fakat, sinyal analizi için bağımsız çekirdek fonksiyonu kullanımı ve iyi başarı oranı ile sınıflandırma yapılması arzu edilen bir durumdur. Bu amaçla tez çalışmasında, LabVIEW ortamında farklı çekirdek fonksiyonlarının analizleri için mevcut akıllı hesaplama yöntemlerinin iyi özelliklerini bir arada tutacak şekilde seri TBA-DAA-DVM (Temel Bileşen Analizi-Doğrusal Ayrıştırma Analizi-Destek Vektör Makinesi), paralel TBA-DAA-DVM, seri KTBA-DAA-DVM (Kernel Temel Bileşen Analizi-Doğrusal Ayrıştırma Analizi-Destek Vektör Makinesi) ve paralel KTBA-DAA-DVM yöntemleri önerilmiştir. Önerilen yöntemler kullanılarak, göğüs kanseri verileri ve EEG işaretleri için performans analizleri yapılmıştır. Ayrıca, geliştirilen sistemin doğruluğunu test etmek ve modellerin ezber bir eğitim yapmadığını göstermek amacıyla, eğitim verileri için hem holdout hem de çapraz doğrulama yöntemleri kullanılarak sınıflandırma performansları incelenmiştir. Elde edilen sonuçların yakın çıkması, geliştirilen sistemin ezber bir eğitim yapmadığını göstermiştir. Bu yöntemlerle sınıflandırma doğruluğu elde edilen sisteme, eğitim ve test aşamasında hiç kullanılmamış yeni bir veri girildiğinde, bu verinin hasta bir kişiye mi yoksa sağlıklı bir kişiye mi ait olduğu hakkında seçim yapabilmektedir. Bu tez çalışmasıyla, herhangi bir biyomedikal işarete (Elektroensefalografi-EEG, göğüs kanseri) ait verinin sağlıklı-hasta ayrımının yapılması ve sınıflandırılması için kolay ve etkili bir yöntem, farklı bir programlama diliyle sunulmuştur. Ayrıca, bu tez çalışmasında sınıflandırma haricinde; Elektrokardiyogram (EKG) verilerinden kalp atım hızı tespiti ve kan basıncı verilerinden de tansiyon tespiti yapılmıştır. EKG verilerinden elde edilen sonuçlar Amerikan Kalp Derneği standartlarına göre, kan basıncı verileri için elde edilen sonuçlar ise Dünya Sağlık Örgütü Uluslararası Hipertansiyon Komitesi standartlarına göre yorumlanmıştır. Bu tez kapsamında, LabVIEW ortamında gerçekleştirilen algoritmalar ve yeni bir veri için elde edilecek durum tespiti, literatüre yenilikçi bir katkı sağlamıştır.