Üroflovmetre-elektromiyografi sinyalleri sınıflandırılarak alt üriner sistem disfonksiyonu için tıbbi karar destek sistemi oluşturulması

Abstract

Alt Üriner Sistem Disfonksiyonu (AÜSD) özellikle çocuklarda oldukça yaygın olarak görülen geniş bir hastalık grubudur. İdrar tutamama, sık idrara çıkma, sıkışma hissi ve zayıf idrar akımı en sık görülen AÜSD semptomlarıdır. AÜSD tespiti için çeşitli yöntemler kullanılmaktadır. Günümüzde pediatrik yaş grubunda AÜSD hastalıklarının teşhisinde ve uygulanacak tedavinin takip edilmesinde, üroflovmetre (UF) ve elektromiyografi (EMG) sinyallerinin eş zamanlı olarak kayıt altına alındığı UF-EMG testi sıklıkla kullanılmaktadır. Bu tezin amacı UF-EMG sinyallerini farklı sınıflandırma algoritmaları aracılığıyla sınıflandırarak en iyi sınıflandırma performansını gösteren sınıflandırma metodunu belirlemektir. Belirlenen en iyi sınıflandırma metodu aracılığıyla sağlık personeline hastaların teşhis ve tedavisinde yardımcı olmak, UF-EMG sonuçlarının yorumlanmasında kolaylık sağlamak hedeflenmiştir. Bu tez çalışmasında üç farklı sınıflandırma yöntemi kullanılmıştır. Bu yöntemler K-En Yakın Komşu algoritması, Destek Vektör Makineleri ve Yapay Sinir Ağları'dır. Tez çalışmasında UF-EMG sinyalleri analiz edilerek sınıflandırma algoritmalarının çıktıları altı farklı gruba ayrılmıştır. Bütün veri seti uzman hekim tarafından analiz edilmiş olup sonuçlar uzman hekim kararının altın standart olduğu dikkate alınarak hesaplanmış, en başarılı sınıflandırma performansını 'İleri Beslemeli Çok Katmanlı Yapay Sinir Ağları' sisteminin gösterdiği belirlenmiştir.

Lower Urinary Tract Dysfunction (LUTD) is a disease which is commonly seen among children. Frequent urination, urinary incontinence, feeling of tightness and poor urine flow, etc., are main symptoms of LUTD. There are different ways for diagnosis of LUTD. The most popular method is Uroflowmetry-Electromyography (UF-EMG) test in which both UF and EMG signals are recorded synchronously. The main purpose of this study is to classify UF-EMG signals with different classification methods and determine which method will show the best classification performance. These results are expected to provide physicians supplementary information for diagnosis and treatment. Three different classification methods were used for this study. These methods are Support Vector Machine (SVM), Artificial Neural Networks (ANN) and K-Nearest Neighbor (KNN). In this study UF-EMG signals are analyzed and the outputs of SVM, ANN and KNN are classified into six different groups. All dataset has been analyzed by specialists and results of the learning algorithms are calculated considering specialist judgment as gold standard and found that 'Multi Layer Feed Forward Artificial Neural Network' structure has showed best classification performance.