Emg İşaretlerinin Tanı Destek Amaçlı Sınıflandırılması

Abstract

Bu tezde amaçlanan; EMG işaretlerini nöromüsküler rahatsızlığı olan veya olmayan şeklinde sınıflandıran bir sistemi tasarlamak ve bölümde tasarımı tamamlanan prototip EMG cihazına entegre edilebilecek gerçek zamanlı çalışan bir yazılımın alt yapısı ve ön hazırlığını oluşturmaktır. Bu çalışmada kas ve sinir (nöromüsküler) hastalıkların en yaygın çeşidi olan ALS (Amyotrofik Lateral Skleroz) ve Miyopati hastalıklarının teşhisi için beş işlem aşamasından oluşan bir sınıflandırma yapısı önerilmiştir. EMG (Elektromiyogram) işaretleri, ön işlem, bölütleme, kümeleme, öznitelik çıkarma ve sınıflandırma aşamalarından geçirilmiştir. Kümeleme aşamasında hiyerarşik ve melez kümeleme yöntemleri denenmiştir. Sonrasında zaman, frekans uzayındaki öznitelikler, morfolojik öznitelikler ve bunların farklı birleşimleri ile elde edilen çoklu öznitelik vektörleri olmak üzere 25 adet öznitelik vektörü kullanılmıştır. Sınıflandırma aşamasında ise Destek Vektör Makinesi (DVM), K-En Yakın Komşu (K-EYK) algoritması ve Diskriminant Analiz (DA) algoritmaları denenmiştir. Doğrulama ölçütü olarak çapraz geçerlilik yöntemi kullanılmıştır, çapraz geçerlilikte k değeri 10 seçilmiştir. Deneysel sonuçlar melez kümeleme algoritmasının sınıflandırma doğruluğunu arttırmada hiyerarşik kümelemeye göre daha iyi olduğunu; önerilen öznitelik vektörleri arasında çoklu öznitelik vektörlerinin tekli öznitelik vektörlerine göre daha başarılı olduğunu göstermiştir. Çoklu öznitelik vektörlerinin kullanılması durumunda DVM sınıflandırıcı, K-EYK ve DA sınıflandırıcılarına göre EMG işaretlerini daha yüksek doğrulukla sınıflandırmıştır. Toplam doğruluk ALS için %97.39 iken miyopati olanlar için %86.74' tür. Bu çalışma ile sınıflandırma başarımının öznitelik vektörünün sınıflar arası ayrılabilirliğinin yüksek derecede olmasına bağlı olduğu anlaşılmıştır.

The purpose of this thesis is to design a system which can classify the EMG signals for the diagnosis of neuromuscular disorders and to make preliminary preparations for a real time software system which can be integrated to the prototype EMG system developed in our department. This study proposes a classification structure consisting of five stages for the automatic diagnosis of the neuromuscular disease of ALS (Amyotrophic Lateral Sclerosis) and myopathy being a muscular disease. EMG (electromyogram) signals are passed through pre-processing, segmentation, clustering, feature extraction and classification stages. Hierarchical and hybrid clustering methods were tested in the clustering stage. Following this, feature vectors containing time domain parameters, frequency domain parameters, morphological parameters as well as feature vectors composed of combination of these parameters (a total of 25 feature vectors) were used. In the classification stage, Support Vector Machines (SVM), K-Nearest Neighbors (K-NN) and Discriminant Analysis (DA) algorithms were employed. Cross-validation method was chosen to be the verification measure. 10 was the used k-value parameter for the cross-validation. Experimental results showed that the pre-processing step of hybrid clustering algorithm was better in terms of the final classification accuracy of the proposed algorithm than the hierarchical clustering; and among the proposed feature vectors, multiple feature vectors proved to be more successful compared to the individual feature vectors. When multiple feature vectors are used; SVM classifier algorithm classified the EMG signals with higher accuracy than the K-NN and DA classifiers. Total accuracy was 97.39% for ALS and 86.74% for the myopathy. It is understood with this study; the classification performance depends highly on separability of feature vectors between different classes.