Doppler işaretlerinin kaotik ölçütlerle sınıflandırılması
| dc.contributor.advisor | Arslan, Ahmet | |
| dc.contributor.author | Öztürk, Ali | |
| dc.date.accessioned | 2017-12-07T12:08:46Z | |
| dc.date.available | 2017-12-07T12:08:46Z | |
| dc.date.issued | 2008 | |
| dc.department | Enstitüler, Fen Bilimleri Enstitüsü, Elektrik Elektronik Mühendisliği Ana Bilim Dalı | en_US |
| dc.description.abstract | Bu tez çalışmasında, Transcranial Doppler (TCD) sinyallerini kaotik ölçütlerle otomatik olarak sınıflandırmak için kullanılabilecek yeni bir yaklaşım önerilmiştir. TCD sinyalleri 82 hasta ve 23 sağlıklı bireyin beyinlerinin temporal bölgesinden kaydedilmiştir. Tanının doğrulanması için TCD sinyallerine ait sonogramlar birbirleriyle ve manyetik rezosans görüntüleme kayıtlarıyla karşılaştırılmıştır. 82 hastanın, 20 tanesinde beyin damarında balonlaşma, 10 tanesinde beyin kanaması, 22 tanesinde beyinde su toplama ve geri kalan 30 tanesinde beyin tümörü tespit edilmiştir. Yapay veriler yöntemiyle yapılan doğrusalsızlık testleri TCD sinyallerinin doğrusal stokastik süreçle üretildiğine dair hükümsüz hipotezi reddetmektedir. Durağanlık analizleri, TCD sinyallerinin sinüs sinyali gibi tam deterministik sinyallerle rasgele sinyaller arasında bir dinamik durağanlığa sahip olduğunu göstermektedir. Sinyallere ait kaotik çekicilerin faz uzayında doğru biçimde yeniden oluşturulması için gerekli olan zaman gecikmesi ve en küçük gömülme boyutu değerleri elde edilmiştir. Bu verilerle, TCD sinyallerine ait kaotik çekiciler faz uzayında yeniden oluşturularak en büyük Lyapunov üsteli ve ilinti boyutu hesaplanmıştır. Kaosun en güçlü nicel göstergesi olan en büyük Lyapunov üsteli tüm TCD sinyalleri için pozitif bulunmuştur. İlinti boyutu da, yine tüm TCD sinyalleri için 2'den büyük ve kesirli olarak bulunmuştur. Burg autoregressive (AR) yönteminin TCD sinyallerine uygulanmasıyla elde edilen sonogramlar incelendiğinde, kaotik ölçütlerin TCD sinyallerinin tahmin edilemezlik ve karmaşıklık seviyesini gösterdiği tespit edilmiştir. Sonogram ne kadar periyodik ve düzenli ise, en büyük Lyapunov üstelinin değeri o kadar düşük olmaktadır. Benzer şekilde, sonogram karmaşıklaştıkça ilinti boyutunun değeri yükselmektedir. Elde edilen kaotik ölçütler çeşitli sınıflandırma algoritmalarına uygulanarak performansları karşılaştırılmıştır. Bunun için, yapay sinir ağlı bulanık sistemlerden ANFIS ve NEFCLASS yöntemleri ile Karar Ağacı, k-En Yakın Komşu ve Çok Katmanlı Algılayıcı Sinir Ağı algoritmaları incelenmiştir. Elde edilen sonuçlara göre, kaotik ölçütlerin özellik olarak çıkarıldığı önişleme algoritması ile Çok Katmanlı Algılayıcı Sinir Ağını birleştiren yöntem, incelenen beyin rahatsızlıklarını en yüksek doğruluk oranıyla sınıflandırmıştır. Karşılaştırma amacıyla, sınıflandırma algoritmalarının performansları doğrusal bir yöntem olan güç spektrum yoğunluğu kestirimi yöntemi ile elde edilen spektral parametrelerle de test edilmiştir. Kaotik ölçütlerin, spektral özelliklere göre daha yüksek sınıflandırma doğruluğu sağladığı gözlenmiştir. | en_US |
| dc.description.abstract | In this thesis study, a new approach to classify the Transcranial Doppler (TCD) signals with their chaotic invariant measures was proposed. The TCD signals were recorded from the temporal region of the brain on 82 patients and 23 healthy people. The sonograms of the TCD signals were compared with each other and also with the magnetic resonance imaging (MRI) records for verification of the diagnosis. Among 82 patients, 20 of them had cerebral aneurysm, 10 patients had brain hemorrhage, 22 patients had cerebral oedema and the remaining 30 patients had brain tumour. The result of the surrogate data test applied to each TCD signal rejected the null hypothesis that the signal was generated by a linear Gaussian stochastic process. According to the stationarity analysis, the dynamical stationarity of the TCD signals lies between the purely deterministic and the stochastic signals. The time delay and minimal embedding dimension which are crucial values to reconstruct the chaotic attractor in phase space were calculated for each signal. The maximum Lyapunov exponent which is the strongest quantitative indicator of chaos was found as positive for all the TCD signals. The correlation dimension was found as greater than 2 and fractional for all the TCD signals. The sonograms obtained by applying the Burg autoregressive (AR) method to the TCD signals showed that these two chaotic invariant measures represented the unpredictibility and complexity levels of the TCD signals. The more periodic and uniform the sonogram the lower the maximum Lyapunov exponent, whereas the more complex the sonogram the higher the correlation dimension. For comparison purposes, the classification performance of two different neuro-fuzzy methods, namely ANFIS and NEFCLASS as well as Decision Trees, k-Nearest Neighbour and Multilayer Perceptron Neural Network were investigated. According to the results, the proposed method which combines the chaotic invariant feature extraction algorithm as the preprocessing step and the Multilayer Perceptron Neural Network as the classifier has the highest classification accuracy in detecting the blood flow velocity changes due to various brain diseases. The spectral parameters obtained via power spectrum density estimation were also applied to the classifiers in order to observe their performace against the features extracted with linear methods, The results suggested that the chaotic measures provide better classification performance than the spectral features. | en_US |
| dc.identifier.citation | Öztürk, A. (2008). Doppler işaretlerinin kaotik ölçütlerle sınıflandırılması. Selçuk Üniversitesi, Yayımlanmış doktora tezi, Konya. | en_US |
| dc.identifier.uri | https://hdl.handle.net/20.500.12395/6956 | |
| dc.language.iso | tr | en_US |
| dc.publisher | Selçuk Üniversitesi Fen Bilimleri Enstitüsü | en_US |
| dc.relation.publicationcategory | Tez | en_US |
| dc.rights | info:eu-repo/semantics/openAccess | en_US |
| dc.selcuk | 20240510_oaig | en_US |
| dc.subject | Doppler | en_US |
| dc.subject | Doğrusal olmayan analiz | en_US |
| dc.subject | Nonlinear analysis | en_US |
| dc.subject | Kaos | en_US |
| dc.subject | Chaos | en_US |
| dc.subject | Karar ağacı | en_US |
| dc.subject | Decision tree | en_US |
| dc.subject | Sınıflandırma | en_US |
| dc.subject | Classification | en_US |
| dc.subject | Çok katmanlı perseptronlar | en_US |
| dc.subject | Multilayer perceptrons | en_US |
| dc.title | Doppler işaretlerinin kaotik ölçütlerle sınıflandırılması | en_US |
| dc.title.alternative | Classification of doppler signals with chaotic measures | en_US |
| dc.type | Doctoral Thesis | en_US |
