Search

UF-EMG test, in which non-invasive uroflowmetry (UF) and electromyography (EMG) signals are simultaneously recorded, is frequently used in children diagnosed with lower urinary tract dysfunction disease (AUSD) and its treatment. In the literature, independent (single) UF signals and integrated (dual) UF-EMG signals are graded many times but there is no classification study of UF-EMG integrated signals with Artificial Neural Networks (ANN), although studies have been done to classify UF signals with ANN. In this paper, it was aimed to classify the UF-EMG signals recorded from pediatric patients during the UF-EMG tests in Urodinami Center of Gulhane Education and Research Hospital using ANN. 773 (80%) of the 967 patients with an average age of 8 were used for training and 194 (20%) were used for the test. In YSA, the contribution of the features obtained from the EMG signals played a crucial role and was the main reason to improve the signal classification from 58% to 84.02%. The new classification method created by the obtained data does facilitate the interpretation of UF-EMG results for the clinical personnel in diagnosis, follow-up and treatment of patients. It is also aimed that the pediatric patients living in regions with less access to health care can be treated by providing an early and easy preliminary diagnostic tool., Günümüzde çocuklarda alt üriner sistem disfonksiyonu (AÜSD) hastalıklarının teşhisinde ve tedavinin takibinde, girişimsel olmayan (noninvaziv) üroflovmetri (UF) ve elektromiyografi (EMG) sinyallerinin eşzamanlı olarak kaydedildiği UF-EMG testi sıklıkla kullanılmaktadır. Literatürde, bağımsız UF sinyalleri ve UF-EMG sinyalleri birçok defa derecelendirilmiş, UF sinyallerinin Yapay Sinir Ağları (YSA) ile sınıflandırılmasına dair çalışmalar yapılmış olmasına rağmen, UF-EMG sinyallerinin birlikte kullanıldığı YSA ile sınıflandırma çalışması bulunmamaktadır. Bu çalışmada, Gülhane Eğitim ve Araştırma Hastanesi Ürodinami Merkezinde, pediatrik hastalara uygulanan UFEMG testleri sırasında kaydedilen sinyallerin YSA kullanılarak sınıflandırılması amaçlanmıştır. Yaş ortalaması 8 olan 967 hasta verisinden 773 adedi (%80) eğitim, 194 adedi (%20) ise test amaçlı kullanılmış, YSA’da EMG sinyallerinden elde edilen özniteliklerin katkısı başarı oranının %58‘den %84,02 seviyelerine gelmesini sağlamıştır. Elde edilen veriler ile oluşturulan yeni sınıflandırma metodu hastaların tanı, takip ve tedavisinde sağlık personelinin UF-EMG sonuçlarını yorumlamasında kolaylık sağlamayı; sağlık hizmetine ulaşma imkânı daha az olan bölgelerdeki çocuk hastalara, daha erken ve kolay ön tanı konularak uygun tedaviye yönlendirme imkânı sağlamayı hedeflemektedir.

Karakaş, Sirel (Dogus Author) -- Doğutepe, Elvin (Dogus Author) -- Conference full title : 25th Signal Processing and Communications Applications Conference (SIU); 15 May 2017 through 18 May 2017. Antalya; Turkey Dikkat Eksikliği ve Hiperaktivite Bozukluğu (DEHB), psikiyatri servislerine başvuran çocuklarda en çok rastlanan rahatsızlıktır. Bu bozukluk 20. Yüzyılın başında tanımlanmasına rağmen, teşhisinde halen ciddi sorunlar yaşanmaktadır. Bu çalışmada, Olaya ilişkin Potansiyel (OİP) verilerinden çıkarılan zaman frekans özellikleri kullanılarak DEHB olan çocukların bu bozukluğu taşımayanlara göre sınıflandırılması elde edilmiştir. Bu özniteliklerin DEHB teşhisinde en etkili olanları Destek Vektör Makinesi – Yinelemeli Öznitelik Seçimi yöntemiyle belirlenmiş ve bu özniteliklerle eğitilen Destek Vektör Makinesi, üç öznitelik kullanıldığında %98 ve altı öznitelik kullanıldığında %99.5 doğrulukla DEHB teşhisi koymayı başarmıştır. Sonuçlar Tekrarlanan Çapraz Geçerlilik Yöntemiyle elde edilmiştir. Ayrıca, bu yöntem Kararlılık Seçimi ile desteklenerek DEHB tanısında en etkili öznitelikler belirlenmiştir. Ayrıca yeni bir tasarımla önerilen düzenek test edilmiş ve % 100 doğruluk elde edilmiştir. Sonuçlar, çalışmadaki düzeneğin psikiyatrik bozuklukların tanısında ve seyrinde kullanılabileceğini göstermektedir. Attention-deficit/hyperactivity disorder (ADHD) is the most frequent diagnosis among children who are referred to psychiatry departments. Although ADHD was discovered at the beginning of the 20th century, its diagnosis is confronted with many problems. In this paper, a novel classification approach that discriminates ADHD and non-ADHD groups over the timefrequency domain features of ERP recordings is presented. Support Vector Machine-Recursive Feature Elimination (SVMRFE) was used to obtain best discriminating features. When only three of these features were used the accuracy of classification reached to 98%, and use of six features further improved classification accuracy to 99.5%. The proposed scheme was tested with a new experimental setup and 100% accuracy is obtained. The results were obtained using RCV. The classification performance of this study suggests that TFHA can be employed as a core component of the diagnostic and prognostic procedures of various psychiatric illnesses.

Date of Conference: 16-19 May 2016 Conference Name: IEEE 24th Signal Processing and Communications Applications Conference, SIU 2016 In this paper, we offer and examine a new algorithm for sequential nonlinear regression problem. In this architecture, we use piecewise adaptive linear functions to find the nonlinear regression model sequentially. For more accurate and faster convergence, we combine a large class of piecewise linear functions. These piecewise linear functions are constructed by composing different adaptive linear functions, which are represented by the nodes of a lexicographical tree. With this tree structure, computational complexity of the algorithm is significantly reduced. To show the performance of the proposed algorithm, we present a simulation which is performed by using a well-known real data set.

Kilimci, Zeynep Hilal (Dogus Author) -- Akyokuş, Selim (Dogus Author) -- Conference full title: 24th Signal Processing and Communication Application Conference, SIU 2016; Zonguldak; Turkey; 16 May 2016 through 19 May 2016. Bu yayında esasen metin sınıflandırma alanında n-gram modeller üzerine odaklandık. N-gram modellerin sınıflandırma başarısı üzerindeki etkisini ölçmek için Naïve Bayes sınıflandırıcıya çeşitli yumuşatma yöntemlerini uyguladık. Naïve Bayes sınıflandırıcısı, metin sınıflandırmada genel olarak Bernoulli ve multinomial olmak üzere iki temel model üzerine inşa edilir. Araştırmacılar, metin sınıflandırma ve benzer alanlarda genellikle multinomial model ve Laplace yumuşatma metodunu birlikte kullanırlar. Bu çalışmanın amacı ise Naïve Bayes sınıflandırma başarısını her iki model için analiz edip n-gram modellerini farklı bir açıdan kullanarak göstermektir. İki model arasındaki çeşitli örüntüleri bulmak için deneylerimizi geniş bir Türkçe veri kümesi üzerinde yürüttük. Deney sonuçları, Bernoulli modelin uygun bir yumuşatma yöntemiyle kullanıldığında n-gram modellerin çoğunda daha iyi bir sonuç verebildiğini gösterdi. In this paper, we mainly study on n-gram models on text classification domain. In order to measure impact of n-gram models on the classification performance, we carry out Naïve Bayes classifier with various smoothing methods. Naïve Bayes classifier has generally used two main event models for text classification which are Bernoulli and multinomial models. Researchers usually address multinomial model and Laplace smoothing on text classification and similar domains. The objective of this study is to demonstrate the classification performance of event models of Naïve Bayes by analyzing both event models with different smoothing methods and using n-gram models from a different perspective. In order to find various patterns between two event models, we carry on experiments a large Turkish dataset. Experiment results indicate that Bernoulli event model with an appropriate smoothing method can outperform on most of the n-gram models.