Transcranial doppler işaretlerinin yapay zeka ortamında sınıflandırılması
Classification of transcranial doppler signals in artificial intelligence environment
- Tez No: 165962
- Danışmanlar: PROF.DR. İNAN GÜLER, Y.DOÇ.DR. FIRAT HARDALAÇ
- Tez Türü: Doktora
- Konular: Teknik Eğitim, Elektrik ve Elektronik Mühendisliği, Technical Education, Electrical and Electronics Engineering
- Anahtar Kelimeler: Transcranial Doppler, Hızlı Fourier Dönüşümü, Spektral analiz, Sinir ağı, Çok katmanlı algılayıcı, Geri yayılım, Genetik algoritma
- Yıl: 2005
- Dil: Türkçe
- Üniversite: Gazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektronik ve Bilgisayar Eğitimi Ana Bilim Dalı (disiplinlerarası)
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
TRANSCRANIAL DOPPLER İŞARETLERİNİN YAPAY ZEKA ORTAMINDA SINIFLANDIRILMASI (Doktora Tezi) Uçman ERGÜN GAZÎ ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ Şubat 2005 ÖZET Beyin arterlerindeki kan akışını inceleyerek arterlerdeki daralma ve tıkanıklıkların teşhis edilmesi amacıyla kullanılan transcranial Doppler inceleme yöntemi, hastaya direkt müdahalede bulunulmadığı için angiografî ve magnetik rezonansa alternatif bir yöntemdir. Bununla birlikte, transcranial Doppler işaretlerinin uzman doktorlarca tam olarak yorumlanamaması kliniklerde yoğun ve etkili şekilde kullanımını engellemektedir. Transcranial Doppler işaretlerini daha başarılı ve hızlı bir şekilde yorumlayabilmek için beyin arterlerinden (orta ve ön) alman transcranial Doppler işaretleri sayısal ortamda işlenerek spektral analizleri yapılmıştır. Bu spektral analiz sonucu durağanlaştırılan transcranial Doppler işaretlerinden elde edilen Doppler hız parametreleri lojistik regresyon ve sinir ağı modellerine uygulanıp eğitilmeye çalışılmıştır. Daha önceden uzman radyologlarca (darlık ve tıkanıklık açısından) sınıflandırılan bu verilerin lojistik regresyon ve ileri beslemeli geri yayılımlı sinir ağları tarafından doğru sınıflandırılması gerçekleştirilmiştir. Sinir ağı yapısının transcranial Doppler işaretlerini daha başardı bir şekilde sınıflandırılabilmesi için genetik algoritma kullanılarak optimize edilmesi amacıyla“Genetik Algoritma ve Sinir Ağı”yöntemi geliştirilmiştir. Hem sinir ağı girişlerinin seçilmesi hem de ağ parametrelerinin optimize edilmesi genetik algoritma tarafından gerçekleştirilerek geleneksel sinir ağlarına oranla daha yüksek bir sınıflama performansı elde edilmiştir. Üstelik sinir ağının girişine uygulanacaktranscranial Doppler verilerinin genetik algoritma ile seçilerek azaltılması sonucu giriş katmanında ve gizli katman/larda kullanılacak nöron sayısı da azaltılmaktadır. Bu sayede Doppler verilerinin sınıflandırılması daha az karmaşık sinir ağı yapıları ile gerçekleştirilmekte ve işlem yükü ve zamanı azalmaktadır. Bilim Kodu : 626.06.01
Özet (Çeviri)
Ill CLASSIFICATION OF TRANSCRANIAL DOPPLER SIGNALS IN ARTIFICIAL INTELLIGENCE ENVIRONMENT (Ph. D. Thesis) Uçman ERGÜN GAZI UNIVERSITY INSTITUTE OF SCIENCE AND TECHNOLOGY February 2005 ABSTRACT Transcranial Doppler examination technique, which being used in diagnosis of stenosis and occlusion of arteries by measuring the blood flow velocities in the brain arteries, is an alternative non-invasive diagnosis method in comparison with angiography and magnetic resonance methods. However, expert medical staff's enabling to interpret trancranial Doppler signals properly prevents its usage in the clinics more effectively and widely. The spectral analysis of transcranial Doppler signals obtained from brain arteries (middle and anterior) have been carried out for better and faster interpretation. The Doppler velocity parameters found as the result of spectral analysis are applied to logistic regression and neural network models as independent / input variables and tried to have learnt. By this method the data which have been previously classified by the expert radiologists (in terms of stenosis or occlusion) now been classified properly and more accurately by logistic regression and feed forward back propagation neural networks. The“Genetic Algorithm and Neural Network”method is developed to optimize the genetic algorithm used in better classification of transcranial Doppler signals by neural network structure. More efficient classification performance in comparison with the traditional neural networks is obtained by both selecting neural network inputs and the optimization of network parameters by genetic algorithm.IV Furthermore, the numbers of neurons to be used in input level and hidden level(s) are decreased as result of decreasing transcranial Doppler data applied in neural network inputs as selecting the data by genetic algorithm. This method allows the classification of Doppler signals performed in simpler neural network structures and both the processing load and time decreases. Science Code Key Words Page Number Advisers : 626.06.01 : Transcranial Doppler, Fast fourier transform, Spektral analysis, Neural network, Multilayer perceptron, Back propagation, Genetic algorithm :75 : Prof. Dr. İnan GÜLER Yrd. Doç. Dr. Fırat HARDALAÇ
Benzer Tezler
- Doppler işaretlerinin kaotik ölçütlerle sınıflandırılması
Classification of doppler signals with chaotic measures
ALİ ÖZTÜRK
Doktora
Türkçe
2008
Elektrik ve Elektronik MühendisliğiSelçuk ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. AHMET ARSLAN
- Minör kafa travmalı hastalarda serebral hemodinamik değişikliklerin renkli doppler ultrasonografi ile incelenmesi
Başlık çevirisi yok
HADİ UYSAL
Tıpta Uzmanlık
Türkçe
2004
Radyoloji ve Nükleer TıpFırat ÜniversitesiRadyodiagnostik Ana Bilim Dalı
YRD. DOÇ. DR. SELAMİ SERHATLIOĞLU
- Menenjitlerin erken dönem klinik seyrinin transkranial doppler ultrasonografi ile takibi
Başlık çevirisi yok
IŞIL ÖZER
Tıpta Uzmanlık
Türkçe
1996
Çocuk Sağlığı ve HastalıklarıSağlık BakanlığıÇocuk Sağlığı ve Hastalıkları Ana Bilim Dalı
- Trancranial doppler sinyalleri için en iyi spektral analiz metodunun belirlenmesi
The Determine of the best spectral analyse method for the transcranial doppler signals
FIRAT HARDALAÇ
Doktora
Türkçe
1997
Elektrik ve Elektronik MühendisliğiFırat ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. SADIK KARA