Search

Bu calismada Noromuskuler hastaliklarin en yaygin cesidi olan ALS ve Myopati hastaliklarinin teshisi icin bes islem asamasindan olusan bir siniflandirma yapisi duzenlenmistir. EMG (Elektromiyogram) isaretleri, siniflandirilmadan once on isleme, bolutleme, kumeleme ve oznitelik cikarma asamalarindan gecirilmistir. Kumeleme asamasinda melez kumeleme yontemi kullanilmistir. Sonrasinda zaman, frekans uzayindaki oznitelik vektorleri ve bunlarin farkli birlesimleri ile elde edilen coklu oznitelik vektorleri olmak uzere toplam 25 tane oznitelik vektoru denenmistir. Bir sonraki asamada ise Destek Vektor Makinesi (DVM), K-En Yakin Komsu (K-EYK) algoritmasi ve Diskiriminant Analiz (DA) algoritmalari ile veriler siniflandirilmistir. Dogrulama olcutu olarak capraz gecerlilik yontemi kullanilmistir. Capraz gecerlilikte k degeri 10 secilmistir. Deneysel sonuclar onerilen oznitelik vektorleri arasinda coklu oznitelik vektorlerinin tekli oznitelik vektorlerine gore daha basarili oldugunu gostermistir. Coklu oznitelik vektorlerinin kullanilmasi durumunda DVM siniflandirici, K-EYK ve DA siniflandiricilarina gore EMG isaretlerini daha yuksek dogrulukla siniflandirmistir. Toplam dogruluk ALS icin %97,39 iken myopati olanlar icin %86,74’tur. Bu calisma ile siniflandirma basariminin oznitelik vektorunun siniflar arasi ayrilabilirliginin yuksek derecede olmasina bagli oldugu anlasilmistir.