DERGI2006 V21 NO4 - Sayfa 759-779

Gazi niv. Mh. Mim. Fak. Der.
Cilt 21, No 4, 759-779, 2006
J. Fac. Eng. Arch. Gazi Univ. Vol 21, No 4, 759-779, 2006
KAOTK ZAMAN SERSNN ANALZ ZERNE BR ARATIRMA

Derya YILMAZ ve Nihal Fatma GLER*
Teknik Bilimler Meslek Yksekokulu, Bakent niversitesi, Balca Kampus, Ankara *Elektronik-Bilgisayar Eitimi Blm, Teknik Eitim Fakltesi, Gazi niversitesi, Teknikokullar, Ankara, derya@baskent.edu.tr, fnguler@gazi.edu.tr (Geli/Received: 03.10.2005; Kabul/Accepted: 27.02.2006) ZET Bu gne kadar yaplan almalarda, dinamik sistemler dorusal ve/veya dorusal olmayan metotlar kullanlarak incelenmilerdir. Kararl dorusal sistemler iin kullanlan dorusal metotlar, dorusal olmayan analizlerde genellikle baarsz olmakla beraber, yol gsterici olarak kullanlabilmektedir. Dinamik bir sistemi tanmlayan fark denklemlerindeki dorusal olmayan bir deikenden dolay, nceden bilinemeyen dinamikler meydana gelebilir. Kaos teorisi veya dorusal olmayan analiz metotlar bu tr dinamik sistemleri incelemek iin kullanlmaktadr. Dzensiz bir durumu ifade eden kaos, balang koullarna hassas duyarllk olarak tarif edilebilir. Eer dinamik sistemin fark denklemleri biliniyor ise balang artlarndaki deiimlerin sistemin dinamiine etkisi kolaylkla tespit edilebilir. Deneysel zaman serisi iin balang artnn bilinememesi, bu lmlerin alnd sistemlerin analizlerini zorlatrmaktadr. Bu almada, zaman iinde deien herhangi bir bykln belirli aralklarla ya da srekli olarak llmesi ile elde edilen zaman serisinin kaotik analizi iin kullanlan metotlar aklanmtr. Aklanan metotlarn eitli dinamik sistemlere ait zaman serileri zerinde uygulamalar yaplmtr. zellikle fizyolojik sistemlerden elde edilen zaman serileri zerinde bu zamana kadar yaplan baz almalar zetlenmitir. Anahtar Kelimeler: Kaotik analiz, zaman serisi analizi, dorusal olmayan analiz.
A STUDY ON THE CHAOTIC TIME SERIES ANALYSIS

ABSTRACT The dynamic systems are analyzed by using linear and/or nonlinear methods in the previous studies. Although the linear methods used for stable linear systems, generally fails at the nonlinear analysis, however, they give intuition about the problem. Due to a nonlinear variable in the difference equations describing the dynamic systems, unpredictable dynamics may occur. The chaos theory or nonlinear analysis methods are used to examine such dynamics systems. The chaos that expresses an irregular condition can be characterized by sensitive dependence on initial conditions. If the difference equations of a dynamic system are known, it can be easily found how can behave the system dynamics due to initial conditions. However since the initial conditions of the experimental time series are not exactly known, analysis of such systems those are measured is difficult. In this study, the methods for the chaotic analysis of the time series, obtained based on the discrete or continuous measurements of a variable are investigated. The chaotic analysis methods have been applied on the time series of various systems. Particularly, some previous studies on the time series obtained from physiologic systems are summarized in the study. Keywords: Chaotic analysis, time series analysis, nonlinear analysis. 1. GR (INTRODUCTION) Kaos, deterministik bir sistemin dzensiz yani hi beklenmedik bir ekilde davranabilmesidir. rnein, dzgn bir borudan akan bir svnn aknda bazen kaotik durumlar grlebilir. Newton kanunlarndan elde edilen dinamik denklemler dzgn aklar ifade edebilirken, akkann ak hz belirli bir deeri atktan sonra akta girdaplar oluur ve Newton kanunlar geerliliini yitirir. Yani artk ak kaotiktir.
D. Ylmaz ve N. F. Gler
Kaotik Zaman Serisinin Analizi zerine Bir Aratrma
Kaosun meydana gelmesi, belirli parametrelere bal olduu gibi sistemin yapsna da baldr. Kaos genellikle kararsz, karmak ve dorusal olmayan sistemlerde ortaya kmaktadr. Karmak sistemler, ok sayda elemann birbiriyle etkiletii, pek ok serbestlik derecesi olan yani eitli davran ekilleri gsterebilen, genellikle de daryla madde ve enerji alverii yapan, incelenmesi zor sistemlerdir. Dorusal olmayan bir sistem, deiim annda deiim kurallarnn da deitii bir sistemdir ve sistem, dardan gelebilecek etkilere kar aksa sistemden beklenmeyen davran biimleri grlebilir. rnein hava direncinin hzn kpyle deitii bir sarka deneyinde, dardan periyodik bir kuvvetin etkisiyle srtnme katsaysnn belli bir deerinden sonra kaotik bir davran grlmektedir [1, 2]. Kaotik sistemlerin en nemli zellii balang artlarna hassas duyarllklardr. Deterministik bir sistemin balang durumu ve denklemleri biliniyorsa, sistemin sonraki davran belirlenebilir. Kaotik sistemlerde, sistemin zaman iindeki geliimini tam olarak belirleyebilmek iin balang deerlerini sonsuz hassasiyetle bilmek gerekmektedir. nk kaotik sistemler dorusal olmadklar iin hata zamanla stel olarak artacaktr [3-5]. Teoride, gerekte zamana gre oluan her ey rnein; polen retimi, nfus art, ekonomik deiimler, dnya buz ktlesi vb... kaotik olabilir. Fizik, kimya, matematik, iletiim, biyoloji, fizyoloji, sosyoloji, ekonomi, tarih, ekoloji, astronomi, hidrolik, atmosferik, uluslararas ilikiler, solar sistemler, mhendislik gibi alanlarda kaotik almalar grlmektedir [2, 4, 5]. Bu almada, Blm 2de kaotik zaman serisi analizinin nasl yaplaca, kullanlan yntemler ksaca aklanarak ve eitli dinamik sistemler zerinde uygulamalar yaplarak aklanmtr. Blm 3te fizyolojik sistemlere ait zaman serileri zerinde yaplan kaotik analizlere ilikin literatrde yer alan almalar zetlenmitir. Blm 4te ise yaplan almalar deerlendirilerek, kaotik analizin medikal alanlarda nasl kullanld ve kullanlabilecei zerinde gr bildirilmitir. 2. KAOTK ZAMAN SERSNN ANALZ
(CAOTIC TIME SERIES ANALYSIS)
oluan zaman serilerinin analizinde ise ounlukla elimizde ne fark ne de trevsel denklemler vardr. Bir sistemden llm olan sinyale evresel artlar tarafndan, sinyal kaynandaki dzensizlikler ve lm cihazlarnn zellikleri sebebiyle grlt karr. Grlt problemi, zerinde lm yaplan tm sistemler iin ortaktr. Sisteme ait dinamiklerin en iyi ekilde analiz edilebilmesi iin sistemden alnan verinin mmkn olduu lde az grltye sahip olmas gerekir. Bu nedenle grlt bastrlmaldr. Kaotik sinyaller grlt gibi geni g spektrumlarna sahip olduklarndan, grltden ayrlmalar olduka zordur. Geni g spektrumu kaosun bir iareti olabilir fakat tek bana kaosu tanmlayamaz. Bu nedenle dorusal analiz geni g spektrumuna sahip sinyaller iin iyi bir analiz deildir. Kararsz dinamik sistemlere ait sinyallerin zellii periyodik bir durumun olmamasdr. Yine de sinyaldeki kararszln veya deiimin kaynan aklayabilecek gizli bir periyodik durumu aratrmak iin, ilk olarak spektral analiz uygulanabilir [6]. Dorusal olmayan analize balarken ilk yaplmas gereken, skaler veri eklindeki sinyalin faz uzaynda yeniden oluturulmasdr. Skaler lm x(t 0 + n s ) = x(n) olarak gsterilir. Burada t0 balang zaman, s deneyde kullanlan cihazn rnekleme zamandr. x(n), dorusal olmayan devredeki bir gerilim ya da akm veya bir akkan dinamiindeki hz ya da younluk olabilir [7].
Sinyalin lld sisteme ait dinamikleri modellemek iin iki yaklam vardr: Birincisi, x(n) koordinatlarnda fiziksel modelin yaplmasdr. Modelin, eitli deneyler veya deneyin farkl zellikleri ile gerekletirilmesi gerekir fakat modelin tasarm almas olduka zordur. Eer, sistemin balang koullarna hassas duyarllnn bir lsn veren Lyapunov stellerinden (Lyapunov exponents) birisi sfr ise dinamikleri belirlemek iin trevsel denklemler dzenlenebilir nk trevsel bir denklem, sistemin sonlu bir zaman uzayndaki gsteriminden daha kesindir [7]. kinci yaklam hz, basn, scaklk, gerilim gibi deerlerdeki deiimler iin matematiksel modellerin yaplmasna dayanr. Faz uzay iinde hareket eitliklerinin zmlenmesi sonucu konumlanan (bir nokta, kapal bir eri veya bir grn) ekerin (attractor) boyutlar ve sistemin Lyapunov stelleri gibi nicelikler iin modelin durumlar aratrlr [7]. ekil 1de, dorusal olmayan zaman serilerinin analizlerine ait ilemler taslak olarak gsterilmektedir. Dorusal sinyal analizi zorunlu olmamakla birlikte kaotik sinyaller iin de uygulanabilir. Burada kabaca ifade edilen kaotik ilemlerin hepsinin ayn anda kullanlmas gerekmez ancak her biri bir dierini destekler nitelikte sonular retir.
Gazi niv. Mh. Mim. Fak. Der. Cilt 21, No 4, 2006
Doal olaylar zamana bal olarak, srekli ve ayrk olmak zere iki ekilde meydana gelir. Srekli olaylar devaml olarak llmelidir. Bir lm ayrk zaman aralklarnda alnabilir ya da ayrk zamanl lmler srekli lmlerin rneklenmesi ile de oluturulabilir. Zamanla gelien olaylarda ayrk zamanl deiimler fark denklemleri ile ve tekrarlama yoluyla zlr. Tekrarlama, ayrk zamanl gelimelerin gsterilmesinin matematiksel bir yoludur ya da bir ilemin st ste yinelenmesidir. Srekli zamanl deiimler (srekli lmler) iin de trevsel denklemler kullanlr [4]. Zaman iinde deien herhangi bir bykln belirli aralklarla ya da srekli olarak llmesi ile
760
Sistemden elde edilen zaman serisi; x = x1 , x 2 , x3 ,..., x n
Grlt azaltma
Dorusal Sinyal leme Fourier analizi, parametrik ve parametrik olmayan metotlarla sinyalin g younluk spektrumlarnn bulunmas vb. Dorusalszln Tespiti Sinyalin periyodik, kaotik, rastgele olmadnn belirlenmesi.
parametrenin deerleri deitirilerek periyodik, yar periyodik ve kaotik sinyaller elde edilebilir. Buradaki kaotik sinyal, =10; b =8/3; r=28 yaplarak ve x=2, y=0, z=2 balang art iin Matlab ode45 fonksiyonu kullanlarak retilmitir. ekil 2de yer alan bu sinyalin g spektrumlarna baklacak olursa, periyodik sins sinyalinin tek bir frekans bileenine sahip olduu, kaotik sinyal ile grltnn g spektrumlarnn da olduka geni olduu grlmektedir. Yine bu sinyallerin faz uzayndaki durumlarna bakldnda, zellikle kaotik sinyale ait eker belirli bir blgede ve yapda iken, grlt sinyaline ait ekerin belirgin bir yapsnn olmad grlmektedir.
dx = ( y x) dt dy = xz + rx y dt dz = xy bz dt
vbolup
(1) (2) (3)
Faz Uzaynn Yeniden Oluturulmas
y (n) = [x( n), x(n + T ),..., x(n + (m 1)T )]

Zaman gecikmesinin ( T ) ve gml boyutun ( m ) tespiti
Sinyalin Snflandrlmas Lyapunov stelleri, ekerlerin fraktal boyutlar, kararsz priyodik yrnge (KPY) saylarnn bulunmas, poincare haritalarn elde edilmesi. Modelleme, Tahmin
y ( n ) y ( n + 1) zaman gecikmeli kopyas olmak zere; y ( n + 1) = F y ( n ), a 1 , a 2 ,..., a p
sabit snflayclarla (Lyapunov stelleri, fraktal boyutlar) birbirine uyan aj parametrelerinin bulunmas [7]
ekil 1. Kaotik zaman serisinin analizine ait ilemler

(The processes relating to analysis of chaotic time series)
2.1. Grltnn Azaltlmas (Noise Reduction)
Skaler sinyalin grltden ayrlmas ilemine grlt azaltma denir. Dorusal olmayan sinyalin alnd sistemin denklemleri biliniyorsa, bu bilgi, sinyali grltl sinyalden karmak iin kullanlabilir. Sistemin denklemleri bilinmiyorsa fakat sistemin daha nceden llm grltsz sinyali mevcutsa ya da biliniyorsa bu, grlt azaltma ilemi iin referans sinyal olarak kullanlabilir. Eer sistem denklemleri ve referans sinyal olmakszn yalnzca sinyal varsa, sinyalin modelleri (yerel ya da genel) yaplmaldr ve bu sayede grlt bastrlabilir [7]. Grltnn azaltlmas iin kullanlabilecek baka bir yol ise grlt kaynann tespit edilmesi olabilir. Bu, zellikle dar bantl grltler iin mmkndr. rnein, fizyolojik bir lm sinyaline karm olan ehir ebeke sinyali grlts varsa bu grltnn frekans bilindiinden sinyalden kolaylkla ayrlabilir. Grltnn azaltlabilmesi iin dorusal szgeler ve eitli dorusal olmayan grlt azaltma metotlar kullanlr. Kaotik sinyallerin szgelenmesinde dorusal szgeleme teknikleri kullanlacak ise dorusal szgelerin kaotik sinyaller zerindeki etkileri dikkate alnmaldr [9, 10]. nk dorusal szgeler sistemin kaotik dinamiklerinde deiikliklere sebep olabilirler. Eer fiziksel sistemden alnan sinyalin bulunduu frekans aral bilinmiyor ise veya grlt geni bantl bir frekans araln kaplyor ise standart szgeleme teknikleri ok az kullanlmtr. Bunlarn yerine, grlt azaltma teknii olarak, Wiener veya Kalman szgeleri ile son yllarda dalgack (wavelet) analizi kullanlmaktadr [11,12]. Dorusal olmayan sinyallere uygulanan dier grlt azaltma teknikleri iin [1315] numaral kaynaklara baklabilir.
2.2. Faz Uzaynn Yeniden Oluturulmas
(Phase Space Reconstruction)
Deneysel veri genellikle grlt sinyali iermektedir. Eer deneysel verinin kayna dorusal bir sistem ise deneysel verinin frekans spektrumu belirgin spektral tepelere sahiptir ve istenen bilgi sinyali arka plandaki istenmeyen grltlerden kolaylkla ayrlabilir. Bunun iin bilgi tayan sinyalle grlt arasndaki farklara baklmaldr ve eer sinyal ile grlt frekans spektrumunda farkl bantlarda ise bu Fourier analizi ile tespit edilebilir. Sinyalin kayna kaotikse, bilgi sinyali de arka plandaki sinyal de geni bantldr ve Fourier analizi bu ayrm yapmak iin yeterli deildir. Bu durumu ifade etmek amacyla ekil 2de, bir sins sinyali, kaotik sistemlerin en bilinenlerinden biri olan Lorenz [8] denklem sisteminden retilen kaotik sinyal ve rastgele retilmi bir grlt sinyali ile bunlara ait g spektrumlar ve iki boyutlu faz uzayndaki ekerleri gsterilmitir (sinyaller iki boyutlu faz uzaynda yeniden oluturulurken zaman gecikmesi, sins iin T=7, Lorenz sinyali iin T=16, grlt iin de T=1 olarak alnmtr). Eitlik 1, 2 ve 3 ile ifade edilen Lorenz denklemlerinde yer alan
x(n) = x(t 0 + n s ) ile ifade edilen skaler lm zerindeki bilgiden sistemin faz uzayn yeniden
761
a)Periyodik (sins) Sinyal
b)Kaotik (Lorenz) Sinyal
c)Grlt (rastgele) Sinyali
ekil 2. Periyodik (sins) (a), kaotik (Lorenz) (b) ve grlt (rastgele) (c) sinyallerinin g spektrumlar ve faz uzayndaki ekerleri. Yukardan aaya her bir stun, zaman serisi eklindeki sinyali, sinyalin g spektral younluunu ve iki boyutlu faz uzayndaki ekerini gstermektedir (Periodic (Sinus) (a), chaotic (Lorenz) (b) and noise
(random) signals power spectrums and attractors in the phase space. From top to bottom the each column shows the time series signal, power spectral density and attractor of the signal in two dimensional phase space)
oluturmak iin trev koordinatlar ve zaman gecikmeli koordinatlar metotlar kullanlabilir. Trev koordinatlar Packard ve ark. [16] tarafndan kullanlmtr ve bir zaman serisinin yksek dereceli trevlerinden ibarettir. Eer llm deikenlerin zaman trevleri bulunabilirse, trevler zerindeki eitli balantlar ve durum deikenleri saptanabilir. lmler yalnzca her bir sde olduundan trev yaklam:
x(n) =
dx(t) dt
t =t0 +n s
x(t0 + (n + 1) s ) x(t0 + n s )
(4)
bir veya daha fazla zaman gecikmeli kopyalar kullanlarak, bu deikenden sistemin mevcut dinamiklerini hesaplamak mmkndr. Bu teorem Sauer ve ark. [18] tarafndan gelitirilmitir. Buna gre; eer bir zaman serisi d boyutlu (d bir tamsay) bir ekerin eleman ise ekerin topolojik zellikleri (boyutlar, Lyapunov stelleri gibi), m boyutlu faz uzay vektrleri tarafndan ( m 2d + 1 ) ekillendirilen topolojiksel zelliklere edeerdir. Sinyale ait eker, Takens [17] teoremi ile sinyalin zaman gecikmeli kopyalar kullanlarak m boyutlu faz uzaynda oluturulur (Eitlik 5).
yi = ( x(it ), x(it + T ), x(it + 2T ),..., x(it + (m 1)T )) (5)
eklindedir [7]. Trevler grltye kar duyarl olduu iin, trev koordinatlar metodu deneysel veri iin kullanl olmaz [10]. Zaman gecikmeli koordinatlar metodu, dinamik bir sisteme ait skaler veriden ok boyutlu faz uzayna gei iin kullanlan tek sistematik metottur ve literatrde en ok kullanlan metottur [7]. Takens [17] tarafndan sunulan bu metoda gre, eer zaman boyunca bir sistemde yalnzca tek bir deiken izleniyorsa, orijinal sinyalin
762
Bu eitlikte, T zaman gecikmesi (time delay), m gml boyuttur (embedding dimension). Faz uzaynda oluan bu d-boyutlu ekle eker ad verilir. Farkl T ve m seimleri farkl ekerleri olutururlar [19].
Kararl periyodik sistemlerin zaman iindeki davranlar kestirilebilir ve faz uzayndaki eriler kapal bir gz eklindedir (limit dng). Eer zaman serisinde iki frekans bileeni varsa, eker bir simiti gsterecektir. Daha fazla frekans bileeninin olmas durumunda, eker bir n boyutlu simit olarak ekillenir. Faz uzaynda kapal bir gz olarak ortaya kan limit dngler dzenli modeller olduundan, bu erilerin birbirine yaknsama ve raksamasnn ortalama stel oran (Lyapunov steli) sfr olacaktr. Dorusal olmayan kaotik bir sisteme ait eker, simit ve limit dngden olduka farkl dinamiklere sahiptir. Bu durumda eker, sonsuz sayda gzden meydana gelen karmak bir ekil olarak ortaya kar. Yrngeler asla ayn nokta zerinden birden fazla gemezler, periyodik olmayan bir durumu ifade ederler ve btn faz uzayn doldurmazlar [6]. Eriler birbirini izlemez fakat sfrdan byk bir ortalama stel raksama oranna sahiptir. Ayrca dorusal olmayan kaotik
sistemlerin ekerleri fraktal (kesirli) bir geometriye sahiptir ve genel olarak garip eker (strange attractor) olarak isimlendirilir [1]. ekil 3te dorusal olmayan dinamik bir sistemin rneklerinden olan ve Eitlik 6 ile verilen Van der Pol osilatr denkleminin, deiik parametre deerlerinde rettii eitli sinyallere ait faz uzaylar grlmektedir [20].
d 2x dt 2 b(1 x 2 ) dx + x = a cos( wt ) dt
(6)
Burada a srme kuvveti, b negatif dorusal yavalatma katsays ve w harici srme frekansdr. Bu denklem adet birinci dereceden denkleme dntrlp Matlab Ode45 fonksiyonu kullanarak zmlenmitir. Osilatrn balang artlar ve parametre deerleri deitike rettii sinyal deimektedir. rettii her sinyal kaotik olmamakla birlikte baz
a)Periyodik hareket
b)Yar-periyodik hareket
c)Kaotik hareket ekil 3. Van der Pol osilatrn a) a =0, b=0.05, w=0.1, b) a =0.32, b=0.2, w=1.15, c) a =3, b=5, w=1.788, parametre deerleri iin rettii sinyaller ve bunlarn zaman gecikmesi T=1 iin boyutlu faz uzaynda yeniden oluturulmu ekerleri (The signals are produced by Van der Pol
oscillator for parameters a) a =0, b=0.05, w=0.1, b) a =0.32, b=0.2, w=1.15, c) a =5, b=3, w=1.788, and phase space reconstructions of these signals with time delay T=1 and dimension is three) Gazi niv. Mh. Mim. Fak. Der. Cilt 21, No 4, 2006 763
parametre deerleri veya balang artlar iin sinyal kaotiklemektedir. x1, x2, x3 balang deerleri srasyla 1, 0, 0 yaplarak ve eitli parametre deerlerinde osilatrn rettii sinyaller, zaman gecikmesi T=1 seilerek boyutlu faz uzaynda yeniden oluturulmutur. Buna gre ekil 3ada periyodik bir hareket ve faz uzaynda bir limit dng, ekil 3bde yar periyodik bir hareket ve faz uzaynda bir simit, ekil 3cde kaotik bir hareket ve faz uzaynda bir garip eker grlmektedir.
2.3. Zaman Gecikmesinin Belirlenmesi
(Determining of the Time Delay)
I(T) =
P(x(n),x(n +T))log P(x(n))P(x(n +T))

2 n=1
P(x(n),x(n +T))
I(T)0. (9)
Faz uzaynn yeniden oluturulmas iin seilecek her hangi bir zaman aral (T), veriden istenilen bilgileri karmak iin uygun olmayabilir. Eer T ok kk seilirse x(n+jT) ve x(n+(j+1)T) koordinatlar birbirine ok yakn olacandan birbirinden ayrt edilemezler. Eer T ok byk seilirse x(n+jT) ve x(n+(j+1)T) istatistiksel anlamda tamamen birbirinden bamsz olacandan eker zerindeki bir yrngenin izdm birbirinden tamamen bamsz iki yn zerinde oluur. Bu nedenle Tnin seimi nemlidir [21]. Bunun iin x(n) zaman serisinin dalmlarndan ve bu serideki lm deerlerinin birbirleri ile olan ilikilerinden yararlanlr. Bu aamada dorusal z ilinti fonksiyonu kullanlabilir (Eitlik 7).
1 N
I(T) deerinin nasl seilecei ise yle aklanabilir. Eer T ok kkse x(n) ve x(n+T) lmleri birbirleri hakknda ok fazla bir ey syleyemez ve her iki lmn de yaplmasna gerek yoktur. Eer T ok bykse I(T) sfra yaklar ve x(n) ile x(n+T) arasnda balant yoktur [7]. Zaman gecikmesi T, I(T)nin ilk minimum olduu yer olarak seilirse ok uygun olarak seilmi olur. nk bu durumda lmler bir dereceye kadar bamsz fakat istatistiksel olarak bamsz deillerdir [22].
2.4. Gml Boyutun Belirlenmesi
(Determining of the Embedding Dimension)
C L (T ) =
[ x(n + T ) x][ x(n) x]

n =1
1 N
[ x ( n) x ]
n =1
(7)
2
Burada
x=
1 N
x(n) dir ve zaman gecikmesi iin

n =1
Sinyalin faz uzaynda yeniden oluturulmasnda ama, yeteri kadar byk bir klit uzay (Rm) salayarak, sisteme ait ekerin yapsn herhangi bir belirsizlik olmadan grebilmektir. Bylece m boyutunda birbirine ok yakn olan iki nokta, mnin daha byk deerlerine sahip bir uzay iinde grnr hale gelir [7]. rnein, eer eker bir boyutlu ise ve iki boyutlu uzayda izdirilmise, eker kendi zerine katlanr yani ayrm noktalarnda kendini kesen bir boyutlu izgidir [21]. Bu ayrm noktalarnda bir belirsizlik vardr nk noktalarn komu olduu dier noktalarn hangileri olduu belirlenemez. Bu belirsizlik, ekerin boyutlu uzay iinde izdirilmesiyle tamamen zlr. Bu durumda kesiim noktalar grnr hale gelir. Eer drt boyutlu uzayda izdirilirse daha da iyi olacaktr. Btn belirsizliklerin zld Rm uzay, ekerin gml boyutunu verir [7]. Eer verinin gerektirdiinden ok daha byk boyutlarda allrsa, veriden istenilen zelliklerin kartlmas iin yaplan hesaplamalarn says artar ve gereksiz zaman harcanr. Veriden, gerekli gml boyutu tespit edebilmek iin eitli metotlar kullanlmtr. Tekil deer analizi metodu, ekerin dikey ynler zerine den izdmnn varyanslarnn byklne bal olarak gml boyuttaki dikey ynleri tanmlar. Faz uzaynda izdirilen eker tarafndan bu ynlerin ziyaret edilme saylar (byk tekil deerler olarak gsterilir), ekeri ieren ok kk bir alandaki boyutun bir hesabdr [23,24]. Sistem niceliklerinin doyumu metodu, ekere ait baz niceliklerin hesaplanmasn ierir. Hesaplanan niceliin deer deiimi durana kadar gml boyut arttrlarak hesaplamalar tekrarlanr. Verinin uzunluu, subjektif olmas ve ok zaman almas dezavantajlardr [24]. Doru vektr alanlar metodu ise sistemin dinamikleri iin istatistiksel yntemlerle gvenilir bir vektr alannn tekliini inceler [25]. Yanl en yakn komular metodu (YEK), (False Nearest Neighborhood - FNN) Kennel ve ark. [26] tarafndan sunulan ve ska kullanlan bir metottur. Bu metodu ksaca tanmlarsak: m boyutundaki her bir vektr;
CL(T) fonksiyon erisinin sfrdan ilk olarak getii yere baklr ve bu bize x(n) ve x(n+T)nin dorusal olarak serbestliini verir. Ancak dorusal olmayan sistemlerde T bu ekilde seilmemelidir. Bu nedenle ortalama karlkl bilgi fonksiyonu kullanlr [7]. A ve B gibi iki sistemden alnan lmlerden (ai ve bk) bknn lm ile ainin lm hakknda renilebileceklerin miktarna, ai ve bk lmlerinin karlkl bilgisi denir. Ortalama karlkl bilgi, olas btn lmlerin ortalamasdr ve u ekilde verilir [7, 21];
I AB (T ) =
ai ,bk
AB (ai , bk ) log2
PAB (ai , bk ) . PA (ai )PB (bk )
(8)
Bu ifade fiziksel sistemden alnan lmlere uygulanrsa; lm deerleri x(n) A kmesi olarak, T kadar bir zaman gecikmesi sonra alnan lmler de, x(n+T), B kmesi olarak dnlebilir. n ve (n+T)deki lmler arasndaki ortalama karlkl bilgi Eitlik 9 kullanlarak bulunur [21];
764
y (k ) = [x(k ), x(k + T ),..., x(k + (m 1)T )]
(10)
bir en yakn komuya (yNN(k)) sahiptir. y(k) ile yNN(k) arasnda m boyutundaki klit fark ise yle ifade edilebilir ( Rm(k)):
Rm(k)2 = x(k) xNN(k) + x(k + T) xNN(k + T) + ...
] [
2
... + x( k + T ( m 1)) x NN (k + T (m 1))
(11)
Eer m, iyi belirlenmise m boyutta birbirine yakn olan herhangi iki nokta m+1 boyutta oluturulan faz uzaynda da birbirine yakn olacaktr. Bu tr nokta iftlerine doru komular, byle deilse yanl komular denir. Eer sinyal faz uzayna iyi bir biimde gmlmse yanl komu olmayacaktr. YEK metoduna gre, eer bir yanl komu varsa, a(i,m) belirlenmi bir eik deerinden ok farkl olacaktr. Burada, bu eik deerinin seimi nemlidir nk farkl sinyaller iin farkl eik deerleri gerekir [24]. Bu problemi zmek iin Caonun metodunda btn a(i,m)lerin ortalama deeri kullanlr (Eitlik 16).
1 N mT
N mT i =1
m+1 boyutta bu en yakn komu fark (m+1)inci koordinatlarda x(k+mT) ve xNN(k+mT) bal olarak deiir,
2 2 Rm +1 ( k ) = Rm ( k ) + x(k + mT ) x NN ( k + mT ) . (12)
E (m ) =
a (i , m )
(16)
Komularn yanl olduu kararn vermek iin bir eik deeri (RT) gerekir. Eer,
x(k + Tm) x NN (k + Tm) Rm (k ) > RT
(13)
E(m) yalnzca m boyutuna ve T zaman gecikmesine baldr. Bunun mden m+1e deiimini incelemek iin E1(m) = E ( m + 1) / E ( m) bulunur. Eer zaman serisi bir eker haline gelmise E1(m)nin deiimi, m (boyut says) bir m0 deerinden daha byk olduunda duracaktr. m0+1 ise minimum gml boyut olarak alnr [24].
dx = y z dt dy = x + ay dt dz = b + z ( x c) dt
ise k (veya t0+ks) zaman noktasndaki en yakn komular yanl olarak deerlendirilir [7, 26]. Deilse bu noktaya ait olarak hesaplanm en yakn komular dorudur ve bu noktadaki boyut, gml boyut olarak kabul edilebilir. Bu metotta, bu eik deerinin (RT) belirlenmesini salayan herhangi bir kuraln olmay dezavantajdr. Eik deerinin subjektif olarak seimi, zellikle zaman serilerinin analizlerinde, farkl gml boyut deerlerinin elde edilmesine sebep olmaktadr. Cao [24] tarafndan gelitirilen ve Caonun minimum gml boyut metodu olarak bilinen bir baka metotta ise, YEK metotu bir eik deeri belirleme kriteri nerilerek gelitirilmitir. Bu metoda gre: y i (m) m gml boyutuna, y i (m + 1) ise m+1 boyutuna ve T zaman gecikmesine sahip faz uzayndaki iinci vektrler ve n(i, m) i ve mye bal bir saya (1 n(i, m) N mT ) olmak zere, YEK metodunda olduu gibi en yakn komu iftler arasndaki fark Eitlik 14 ile tespit edilir. Burada ... gsterimi, Eitlik 15 deki gibi belirlenen klit farkdr [24].
y i (m +1) yn(i,m) (m +1) yi (m) yn(i,m) (m)
(17) (18) (19)
ekil 4de Eitlik 17, 18 ve 19 ile verilen Rssler denklemlerinden [20], a=0.2, b=0.2, c=5.7 ve -9, 0, 0 balang art iin retilen zaman serisi (ekil 4a), ortalama karlkl bilgi fonksiyonu (ekil 4b) ve gml boyutunun belirlenmesi iin kullanlan Caonun metoduna ait sonular (ekil 4c) grlmektedir. Karlkl bilgi fonksiyonun ilk minimum olduu noktadaki deeri zaman gecikmesi olarak belirlenir (T=10). ekil 4cde ise E1(m)in deiimi ikinci boyuttan itibaren bir azalma gstermekle birlikte drdnc boyuttan sonra neredeyse durmaktadr. Bunlara gre Rssler ekerini yeniden oluturmak iin gerekli olan faz uzaynn boyutu drt olarak belirlenebilir. ekil 5te, ekil 4adaki Rssler verisi zaman gecikmesi T=10, gml boyut m=2 (ekil 5a) ve drt boyuttaki yeniden oluturma grsel olarak ekerin yapsn sergilemediinden bir karlatrma yapabilmek amacyla m=3 (ekil 5b) seilerek faz uzaynda yeniden oluturulmutur. Burada boyuttaki yeniden oluturma ile ekerin yaps, iki boyuttakine gre, daha iyi anlalmaktadr.
a(i, m) =
, i = 1,2,...,N mT (14)
yk (d ) yl (d ) =
max xk + jT xl + jT 0 j d 1
(15)
765
(a) (b) (c) ekil 4. Rssler zaman serisi iin zaman gecikmesinin ve gml boyutun belirlenmesi a)Rssler denklemleri kullanlarak retilen zaman serisi b)Ortalama karlkl bilgi fonksiyonu c)Caonun metoduna ait sonu (Determining of the time delay and embedding dimension for Rssler time series a)The time series produced by using the
Rssler equations b)Average amutual information function b)The result of Caos method)
(b) (a) ekil 5. Rssler verisinin faz uzaynda yeniden oluturulmas (T=10) a) ki boyutlu faz uzayndaki eker b) boyutlu faz uzayndaki eker (The phase space reconstruction of Rssler data (T=10) a) The attractor in the two dimensional
phase space b) The attractor in the three dimensional phase space)
(a) (b) (c) ekil 6. Poincare kesit a) boyutlu faz uzayndaki iki boyutlu (x-y) poincare yzeyi [28] b)ekil 3bdeki simite ait iki boyutlu poincare kesit c)ekil 5bdeki Rssler ekerinin iki boyutlu poincare kesiti (Poincare
section a)Two dimensional poincare surface in the three dimensional phase space [28] b)Two dimensional poincare section belong to torus in the Figure 3b c)Two dimensional poincare section of the Rssler attractor in the Figure 5b)
2.5. Poincare Kesit (Poincare Section)
Faz uzay iindeki takriben btn yrngelere karlk gelen eriler planna poincare kesit denir. Dinamik birsistemin faz uzayndaki davran, faz uzay belirli bir dzlemle kesilerek (Poincare kesit), yrngelerin u dzlemi kestii noktalarn oluturduu bir geometrik harita eklinde de gzlemlenebilir. Poincare kesitteki noktalarn dalm tek ve kk bir blgede sonlu sayda ise hareket periyodik, kapal bir eri ise hareket yar periyodik, belirli alanlarda younlam kmeler eklinde ise hareket kaotiktir [27].
766
ekil 6ada, boyutlu faz uzaynda iki boyutlu bir poincare kesitin nasl oluturulduu gsterilmektedir. ekil 6bde, ekil 3bdeki yar periyodik harekete ait simitin iki boyutlu poincare kesiti, ekil 6cde ise boyutta yeniden oluturulan Rssler verisinin iki boyutlu poincare kesiti grlmektedir. ekil 7de, normal hzl ve dzenli bir atriyal ritim olan normal sins ritmini1 (ekil 7a) ve ar hzl ve
1 : Normal sins ritmi ve venrikler fibrilasyona ait EKG verileri Daniel Kaplann internet sayfasndan alnmtr. (http://www.macalester.edu/~kaplan)
(b) ekil 7. Yukarda aklanan metotlarn normal sins ritmi (a) ve ventrikler fibrilasyona (b) ait EKG zaman serileri zerindeki uygulamalar. Yukardan aaya her bir stun: zaman serisi veri, ortalama karlkl bilgi fonksiyonu, Caonun metodu, boyutlu faz uzayndaki garip eker, boyutlu poincare kesit (The application of
the methods that explained above on the ECG time series that contains the normal sinus rhythm (a) and ventricular fibrillation. Up to bottom each column: time series data, average amutual information function, Caos method, the strange attractor in the three dimensional phase space, three dimensional Poincare section)
(a)
dzensiz bir ventikler ritim olan ventrikler fibrilasyonu1 (ekil 7b) ieren EKG zaman serileri zerinde yukarda aklanan uygulamalar gerekletirilmitir. Yukardan aaya her bir stunda srasyla; zaman serileri, karlkl bilgi fonksiyonu, Caonun metodu ile gml boyutun belirlenmesine ilikin fonksiyon erisi, zaman serilerinin boyutlu faz uzaynda yeniden oluturulmu ekerleri ile boyutlu poincare kesitleri (zaman serisi drt boyutlu faz uzaynda yeniGazi niv. Mh. Mim. Fak. Der. Cilt 21, No 4, 2006
den oluturularak) gsterilmitir. Zaman gecikmesi, ortalama karlkl bilgi fonksiyonundan, normal sins ritmi iin T=2, ventrikler fibrilasyon iin T=14 olarak bulunmutur. Caonun minimum gml boyut metodu ile gml boyut; normal sins ritmi iin m=7, ventrikler fibrilasyon iin m=8 olarak belirlenmitir. Bu zaman serilerine ait ekerler, grsel olmas asndan, boyutlu faz uzaynda yeniden oluturulmutur. Poincare kesit faz uzay boyutunun
767
bir eksiine sahip olacandan boyutlu poincare kesitler, zaman serileri drt boyutlu faz uzaynda yeniden oluturularak elde edilmitir.
2.6. Lyapunov stelleri (Lyapunov Exponents)
Kaotik sistemlerin periyodik olmayan dinamikler gstermesinin sebebi, faz uzay erilerinin her birinin neredeyse ayn balang artlarnda farkl stel art oranlarna sahip olmalardr. Bu duruma balang koullarna hassas duyarllk denir. Lyapunov steli , balang artlarna olan duyarlln bir lsn verir ve faz uzay iindeki komu erilerin yerel ayrlma derecelerinin ortalamas olarak tanmlanr [29]. Eer negatif ise farkl balang artlar ayn k deerlerini vermeye meyillidir ve dolaysyla gelime kaotik deildir. Eer pozitif ise farkl balang deerleri farkl k deerleri verir yani hareket kaotiktir. Biri referans olmak zere iki yakn eri zerinde yer alan birbirine en yakn iki nokta (x1 ve x2) arasnda balangta x(0) gibi ok kk bir fark vardr. Bir t zaman sonunda bu noktalar birbirlerinden uzaklarlar ve arasndaki fark x(t) olur. Lyapunov steli, ... ifadesi klit farkn gstermek zere, aadaki ekilde bulunur [28, 30];
Jacobian tabanl algoritmalarn bazlar sabit bir komu nokta says veya referans noktasnn etrafnda belirlenmi bir yarap ya da herhangi iki yarap deeri arasnda kalan noktalar iin hesaplama yaparlar [33, 34]. Gencay ve Dechert [35] Lyapunov stellerinin hesab iin yapay sinir alar tabanl bir algoritma; Abarbanel ve ark. [36] dorusal olmayan ok terimli yaklamlar sunmulardr. Brown ve ark. [21], Lyapunov spektrumunun hesab iin, yksek dereceli Taylor serileri ile uyguladklar yakn komudan yakn komuya elemeleri kullanmlar ve bunun yerel dorusal elemelerden daha iyi olduunu ifade etmilerdir. Briggs [37] tarafndan sunulan metotta ise en kk karelerin kullanld ok terimli uygunlatrma yaplarak Jacobian matrisleri grltl veri durumunda en iyi ekilde bulunmutur ve bu yntem dorusal uygunlatrma yntemlerine gre daha stndr. Oiwa ve Fiedler-Ferrara [38] tarafndan hazrlanan baka bir algoritmada, faz uzay, ekerin geometrisine uygun olarak kutulara ( boyutta kplere) blnm ve Lyapunov stelleri her bir kutu iin hesaplanan Jacobianlarn ortalamalar alnarak hesaplanmtr. Bu metodun ilem zaman Sano ve Sawada [39] tarafndan sunulan metotla karlatrldnda olduka ksadr. Direkt metotlar, veriye uygun bir model olmakszn, faz uzaynda oluturulan ekerlere ait erilerin raksama/yaknsama durumlarnn direkt olarak hesaplanmasna dayanr. Bir zaman serisinden direkt olarak Lyapunov stellerinin hesaplanmasna ynelik ilk algoritmalar Wolf ve ark. [31] ve Sano ve Sawada [39] tarafndan 1985de sunulmutur. Bu metotlar ilk olarak, yukarda aklanan zaman gecikmeli koordinatlar metodunu kullanarak zaman serisinin faz uzayndaki ekerini olutururlar. Wolf ve ark.nn [31] algoritmasna gre, faz uzaynda oluturulan eker zerinden en byk Lyapunov steli yle hesaplanabilir (ekil 8): x(t0) referans noktas ve y(t0) en yakn komu nokta seilerek, bu noktalar arasndaki ayrlma mesafesi f(t0) bu iki nokta arasndaki klit fark ile bulunur;
x ( t ) = x ( 0 ) e t
( i ) = lim
t
(20) (21)
x i (t ) 1 . log t xi (0 )
Faz uzaynda her bir boyuttaki raksama ve yaknsamay bir temsil ettiinden, d boyutlu dinamik bir sisteme (Rd) ait Lyapunov steli spektrumu, 1 en byk olmak zere 1 2 ... d eklinde elde edilir. Kaotik bir sistem en az bir pozitif Lyapunov steline sahip olaca iin herhangi bir sistemde en byk Lyapunov steli 1>0 ise davran kaotik, 1<0 ise davran kararldr. rnein boyutlu bir faz uzaynda karlalabilecek Lyapunov stelleri (1,2,3) yledir; (-,-,-): sabit nokta, (0,-,-): limit dng, (0,0,-): simit, (+,0,-): garip eker (kaos) [31]. + stel eker iinde kaos olduunu, 0 stel bir yrnge boyunca stelden daha yava bir gelime olduunu ve stel de uzayn bir eker ierdiini ifade eder [27].
2.6.1. Zaman serisinden Lyapunov stellerinin hesaplanmas (Calculating of the Lyapunov
exponents from time series)
f (t 0 ) = x(t 0 ) y(t 0 ) .
(22)
Zaman serisinden Lyapunov stellerinin hesaplanmas iin gelitirilen metotlar temelde iki snfa ayrlrlar: Jacobian tabanl metotlar ve direkt metotlar. Jacobian tabanl metotlarda, ilk olarak veriye uygun bir model oluturulur ve Lyapunov stellerinin hesaplanmasnda model eitliklerinin Jacobian matrisleri kullanlr. Bu algoritmalar dinamik sistemin eitliklerinin bilindii durumlar iin tasarlanmlardr [29, 32].
768
Bu noktalarn ait olduklar erilerin (x ve y erileri) t1 zaman sonrasndaki deerleri kullanlarak da f(t1) fark yine ayn ekilde hesaplanr. Referans erinin t1 noktasnda x(t1), ilk seilen eri (y erisi) ile yaklak olarak ayn yne sahip yeni bir eri (z erisi) seilir ki z(t1) noktas x(t1) noktasna en yakn olandr ve aralarndaki klit fark f(t1) bulunur. Bir t2 zaman iin yine bu erilere (x ve z) ait noktalar arasndaki fark da f(t2) olarak bulunur. Bu arada elde edilen klit farklarnn oran f(t1)/f(t0) veya f(t2)/f(t1) her bir nokta ifti arasndaki genilemeyi verir. log (f(ti+1)/f(ti))/(ti+1-ti) erinin bir noktadan itibaren stel genilemesini verir.
z(t2) y(t1) f(t2)
v(t3) Komu Eri, v(t) f(t3) x(t3)
Komu Eri, z(t)
Komu Eri, y(t)
f (t1) z(t1) f(t1) x(t1)
v(t2) f(t2)
x(t2)
y(t0) f(t0) x(t0)
Referans Eri, x(t)
ekil 8. Lyapunov stelinin hesaplanmas (Calculating the Lyapunov exponent)
Yukarda aklanan ilem N defa tekrar edilir ve en byk Lyapunov steli yle hesaplanr [31];
Burada ... ifadesi, jnin tm deerlerinin ortalamasn gsterir. Bu algoritma bir baka direkt metot olan Sato ve ark.nn [44] almalar temel alnarak oluturulmutur. Sato ve ark. [44] tarafndan gelitirilen metot, daha az parametreye ihtiya duyduundan basittir. Yine komu eriler arasndaki uzakln ortalama stel gelimesi logaritmik bir eksen zerinde incelenmitir.
1 Nt s
nn
1 t N t0
log
i =1
f ' (t i ) . f ( t i 1 )
(23)
Bu metotta, ayn eri zerindeki bitiik noktalarn seilmesinden kanmak gerekir nk byle seilirse, bunlar arasndaki mesafe zaman gecikmesinden daha kk olacaktr. Bu nedenle t1,...,tN zamanlar zaman gecikmesinden byk ancak stel ayrlmalar elde etmeye yetecek kadar kk olmaldr [19]. Bu algoritma grlt bozulmas olmayan geni bilgi kmeleriyle iyi alr fakat ksa ve/veya grltl bilgi kmelerinin bulunduu durumlarda baarl olamayabilir [40]. Bu snrlamalarn stesinden gelebilmek iin eitli algoritmalar [21,33,41-43] gelitirilmitir. Rosenstein ve ark.nn [41] algoritmalar en byk Lyapunov stelinin bulunmasna yneliktir ve kk, grltl veri kmeleri iin kolayca uygulanabilir. Yine ilk olarak zaman serisi eklindeki veri faz uzaynda yeniden oluturulur ve Lyapunov steli aadaki gibi hesaplanr.
p(k ) =
y n + k y nn + k log 2 y n y nn n =1
N n
(26)
Burada y , y in en yakn komusudur. p(k), tahmin hatasdr ve p(k)ya karlk knn izdirildii erinin dorusal ksmnn eimi en byk Lyapunov stelini verir. [44]. Lyapunov stelinin hesab iin, ounlukla yukarda aklanan algoritmalar kullanlmakla birlikte son yllarda gelitirilen baka algoritmalar da vardr [4551]. Bu algoritmalarn bir ksm varolan algoritmalarn daha da gelitirilmi hali iken, bir ksm olduka farkl yntemlerle oluturulmutur ve zellikle de grltl veri durumlarnda alrlar. Grond ve ark. [45, 46], Wolfun [31] algoritmas zerinde gl yerel bir algoritma gelitirmilerdir. Wolfun [31] algoritmasnn temel zellikleri korunarak bir standart sapma kriteri eklenmitir. Bu deiiklik ile tekdze olmayan etmenler (yani Lyapunov stellerinin standart sapmas) hesaplanarak, dorusal olmayan akn yerel davranlar belirlenebilmektedir. Stefanski ve ark. [47], zaman gecikmeli dinamik sistemler iin gelitirilmi, hem ak hem de ayrk elemelere uygulanabilen, bir en byk Lyapunov steli hesab algoritmas sunmulardr. Bu metot birletirilmi zde sistemlerin senkronizasyonuna dayanan bir metottur. Senkronizasyon kolayca tespit edilebildiinden bu metot dier geleneksel metotlara gre nemli bir kullanm avantajna sahiptir. Lyapunov vektrleri metodu olarak isimlendirilen ve srekli dinamik sistemlerin Lyapunov stellerini hesaplayan baka bir algoritmada ise, bir dikgen vektrler kmesinin geliiminin izlenmesi yoluyla Lyapunov stelleri karlr [48]. Metot, Wolfun
769
1(i ) =
1 1 i.t M i
M i j =1
ln d
d j (i )
j ( 0)
(24)
Burada dj(i), i ayrk zaman admlarnda en yakn komularn j. ifti arasndaki fark, t zaman serisinin rnekleme periyodu, i.t de saniyedir. M, faz uzaynda oluturulan noktalarn saysdr. d j (i ) C j e 1 ( it ) olarak bulunur, burada Cj balangtaki ayrlma mesafesidir. Her iki tarafn logaritmas alnrsa, ln d j ( i ) ln C j + 1 ( i . t ) ile j=1,2,,M iin eimleri
1 ile orantl olan, yaklak olarak paralel eriler kmesi elde edilir. En byk Lyapunov steli de eriye en kk kareler metodu uygulanarak yle hesaplanr;
y (i ) =
1 ln d j (i ) . t
(25)
[31] algoritmasndan daha doru sonular vermekte ve ok gl dorusal olmayan sistemler iin bile kararl davranmaktadr. Yonemoto ve Yanagawa [49] tarafndan, dinamik grltye sahip zaman serileri iin gelitirilen algoritmada ise, zaman gecikmesi ve gml boyut deerleri kullanlarak zaman serisinin iskeleti hesaplanmakta ve bir balang vektr verilerek hesaplanm iskeletten retilen veri ile hesaplanm iskeletin paral trevleri kullanlarak Lyapunov steli hesap edilmektedir. Liu ve ark. [50] da grlt dalmndan etkilenmeden en byk Lyapunov stelini hesaplayan bir algoritma sunmulardr. Bnner ve ark. [51] tarafndan gelitirilen baka bir algoritma ise zellikle yksek boyutlu faz uzayna gml sistemler iin Lyapunov spektrumunun yerel modeller kullanlarak hesaplanmasna yneliktir. Lyapunov steli hesabnda seilen parametrelerin ve grltnn etkisi iin [52-55] numaral kaynaklara baklabilir. Ayrca Lyapunov stelleri kullanlarak zaman serisi tahmini ve dzenli veya kaotik yrngelerin tespiti zerine sunulan almalar da vardr [56, 57].
2.7. Fraktal Boyutlar (Fractal Dimensions)
, kme iinde bulunan bir noktann j H hiperkpnde olma olasldr. H, kme iindeki noktalarn toplam saysdr ve Hj, j hiperkpndeki kmenin noktalarnn saysdr.
1 Dq = lim q 1 r 0 log
pj =
Hj
N (r ) j =1
pq j
log r
, q = 0,1,2,...
(27)
Verilen bir kme iin boyutlar genellikle D0 D1 D2 ... eklinde sralanr. Eer kme homojen bir ekerse btn boyutlar (Dq) eittir. D0 kutu-sayma (box-counting) boyutu, D1 bilgi boyutu ve D2 ilinti boyutu olarak isimlendirilir. Bir kmenin boyutunu hesaplamak iin iki farkl metot kullanlr. Birincisi kutu-sayma (box-counting) metodudur. Buna kutu-sayma boyutu (box-counting dimension) da denilir [58]. Kutu-sayma boyutu Haussdorff-Besicovitch boyutun basitletirilmi bir halidir [29]. Ancak kutu-sayma boyutu yalnzca dk boyutlu kmeler iin hesaplanabilir [60]. Bu metotta, faz uzayndaki eriyi oluturan noktalar kmesi, r boyutlu N(r) tane kk hcre ile kaplanmtr (iki boyut iin kareler, boyutta iin kplerle). Boyut hesab yaplrken kmenin bir parasn kapsayan yani ok ya da az sayda noktasn ieren her kutu hesaba katlr ve Eitlik 28de verildii gibi tespit edilir. Boyut spektrumu Dqnun hesaplanmasndaki zorluk kmenin ok kk boyutlu hcrelerle kaplanmasnda ortaya kar ve bu byk bir bilgisayar bellei ve zaman gerektirir. D boyutu, log(N(r))nin log(1/r)ye karlk gelen eksenleri arasnda izdirilen erinin doru olan parasnn eimi olarak hesaplanr. D0 boyutu sk sk kapasite boyutu (D0) ya da fraktal boyut olarak da isimlendirilir.
D = lim log( N (r )) 1 log( ) r
Fraktal geometri, bilimsel literatrde Mandelbrot [58] tarafndan ortaya konan bir terimdir. Mandelbrot, doal objelerin yapsal btnln incelemitir. Bir nokta, bir izgi, bir kare veya bir kp gibi matematiksel objeler srasyla sfr, bir, iki veya boyutlu objeler olarak bilinirler. Toplam boyut says objenin geometrik yaps hakknda bize bilgi verir. Mandelbrot, tamsay ile ifade edilen boyutlarn kaotik yaplara uygun olmadn gstermitir. Dorusal sistem ekerleri tamsay boyutlarla ifade edilebilirken, kaotik sistem ekerleri fraktal (kesirli) boyutlara sahiptir. Bir geometrik obje, mnin objedeki her bir noktann pozisyonunu en iyi ekilde belirlemeye yetecek kadar byk olduu bir klit uzaynda (Rm), tamamiyle bir noktalar kmesi tarafndan oluturulmu olabilir. Rm iindeki her bir kme [0,m] aralndaki bir tamsay deerine sahip topolojiksel bir d boyutuna sahiptir. Rmnin tamam bir kme ise d=mdir. klit geometride noktalar d=0, eriler d=1, alanlar d=2, boyutlu cisimler d=3 vb. boyutuna sahiptirler [19]. Bir fraktal boyut D, tamsay olmayan deerlere izin veren bir boyut lmdr [58]. Kaotik yapnn faz uzaynda bir gstergesi olan garip ekerlerin kaotikliinin derecesini bunlara ait fraktal boyutlar verir. Dinamik bir sistemin sahip olduu ekeri temsil eden ayrntl boyut hesaplar vardr. Bunlarn tamam boyut spektrumu Dq olarak adlandrlabilir. Hentschel ve Procaccia [59] tarafndan tanmlanan boyut spektrumu Eitlik 27 ile verilmitir. q deeri arttka yksek dereceli ilintilerin hesaba katld fraktal boyut deerleri elde edilir. Eitlik 27de N(r), kmeyi rtmesi gereken r byklndeki (r kenarl hiperkpler) m boyutlu hcrelerin saysdr ve
770
r 0
(28)
D1 boyutu bilgi boyutudur [19];
D1 = lim D2
q 1
= lim
r 0
N (r ) j =1
p j log p j
log r
(29)
Kaplan ve Yorkeun [61] almalar bilgi boyutunun Lyapunov stelleri ile ilikili olduunu gstermitir. Bu nedenle bilgi boyutu Kaplan-Yorke boyutu (DKY) veya Lyapunov boyutu (DL) olarak da bilinir.
D1 = D KY = D L
= j+
j i =1 i
j +1
(30)
D2 boyutu ilinti boyutu olarak isimlendirilir ve yle ifade edilir;

D2 = lim
log C (r ) , log r
N (r )
r 0
(31)
burada
C (r ) =
p
j =1
2 j
ilinti toplamdr ve kmenin
iki noktasnn ayn hcre iinde olma olasldr [62]. Veri kmesinin fraktal boyutlarnn hesaplanmasnda yaygn olarak kullanlan ikinci metot, ilinti integralinin hesaplanmasn gerektiren Grassberger ve Procaccia [62] algoritmasdr. Bu algoritmaya gre; bir kmenin iki noktasnn (Xi, Xj ve ij) ayn r boyutlu hcrede olma olasl, iki noktann rye eit veya rden kk bir uzaklkla ayrlm olma olaslna yaklak olarak eittir.
C (r ) lim { Xi X j r N2 ifadesini salayan (i,j) iftlerinin says} (32)
1 1 N(N 1) 2
(a)
C(r) = lim

N i=1
N j =i+1
( X i X j r) (33)
(b) ekil 9. ekil 4adaki Rssler verisinin ilinti boyutu a)log C(r)ye kar log(r)nin grafii b)Gml boyuta kar izilen ilinti boyutu grafii (The correlation dimension
of Rssler data in the Figure 4a a)The graph of log c(r) versus log(r) b)The graph of embedding dimension versus correlation dimension)
Burada
Xi X j =
m k =1
( X i ( k ) X j (k )) 2 klit
fark olarak hesap edilir. (l) ise l art salandnda 1, salanmadnda 0 deerini alan bir gsterge fonksiyonudur (Heaviside fonksiyonu). rnin deer aralklar iin C(r) hesaplanr ve ilinti boyutu D2, log(C(r))nin log(r)ye karlk izdirilmesi ile oluan erinin doru parasnn eimi olarak hesaplanr. linti integralinden D2nin hesaplanmasna ynelik algoritmalar [62-64] olduka sk kullanlmakla beraber gelitirilen baz yeni algoritmalar da mevcuttur [65, 66]. Boyut hesaplamalarnn doruluu eitli faktrlere bal olarak deikenlik gsterebilir. Hesaplamada kullanlan nokta says, rnekleme frekans, faz uzaynn oluturulmas iin gereken zaman gecikmesi ve gml boyut ve sinyaldeki grlt [15, 55] boyut hesaplamalarnda etkili olan parametrelerdir [67]. Bu parametrelerin belirlenmesindeki farkllklar ayn zaman serisi zerinde deiik sonular verebilmektedir. Bu nedenle, yaplan hesaplamalara uygulanabilecek baz test algoritmalar gelitirilmitir [67, 68]. Casaleggio ve Corana [67] ilinti boyutu ve dier boyut hesaplamalarna kolayca uygulanabilen ve D2nin gml boyuta balln ve log-log alandaki erinin dorusallk derecesini belirten iki nicelik hesabn ieren bir test metodu sunmulardr. ekil 9da, ekil 4adaki Rssler verisinin ilinti boyutu hesab gsterilmitir. Bu ayn zamanda, Rssler verisinin gml boyutunu bulmak iin sistem niceliklerinden biri olan ilinti boyutunun doyum durumuGazi niv. Mh. Mim. Fak. Der. Cilt 21, No 4, 2006
nu da ifade eder. Veri kmesi kk olduunda tercih edilen bu yntem (sistem niceliklerinin doyumu) ile 1den 7ye kadar boyut arttrlarak, her bir boyut iin ilinti boyutu hesab yaplmtr. ekil 9ada her bir boyut iin log C(r)nin log rye kar izdirilmesi ile oluan eriler grlmektedir. Bu erilerin dorusal paralarnn eimi olarak hesaplanan ilinti boyutlar ekil 9bde gml boyuta karlk gelecek ekilde izdirilmitir. Burada, drdnc boyuttan sonra ilinti boyutu deerinin doyuma gittii grlmektedir. Dolaysyla Rssler verisinin gml boyutunun drt, ilinti boyutunun da D2 1,8 civarnda olduu sylenebilir. Tablo 1de, bu almada eitli ekilde uygulamalar yaplan baz dinamik sistemlere ait denklemlerle retilen zaman serileri ve normal sins ritmi ve ventrikler fibrilasyona ait EKG zaman serileri iin hesaplanan Lyapunov stelleri, Lyapunov (bilgi) ve ilinti boyutlar verilmitir.
2.8. Modelleme ve Tahmin (Modelling and Prediction)
Mekanik sistemler iin Newton Kanunlar, akkan dinamikleri iin Navier-Stokes, elektromanyetik iin de Maxwellin denklemleri, kullanlan nemli modellerdir ve sistemlerin almalarn etkileyen birok parametre bu modellerde yer alr. Ancak bu modellerin de ifade edemedii baz durumlar olabilir ya da uygulamalar srasnda baz kstlamalar sz konusudur. Bir de deneysel modellemeler vardr ki bunlar deterministik veya stokastik olarak snflandrlabilirler ve
771
Tablo 1. Yukarda aklanan metotlarn zaman serilerine uygulanmas ile elde edilen sonular
obtained with methods explained above have applied to time series) Zaman gecikmesi Boyut (T) (m) Lyapunov stelleri (1,2,3) 0.30382, -8,9262e-17, -2.3666 0.0732, 0, -5.4824 1.512, 0, -21.334 0.0424, -0.0032, -0.0260, -0.0630 0.0250, 0.0109, 0.0035, -0.0020 Lyapunov Boyutu (DL) 2.1284 2.0133 2.070 3.0818 6.5245
(The results are linti Boyutu (D2) 1.5146 1.7827 2.0054 1.783 6.4031
a =5, b=3, w=1.788 [1 0 0]

Rssler Denklemleri a=0.2, b=0.2, c=5.7 [-9 0 0] Lorenz Denklemleri =16; b=4; r =45.92 [1 1 1] Normal Sins Ritmi* Ventrikler Fibrilasyon*
*
Van Der Pol Osilatr
1 10 10 2 14
3 3 3 7 8
:Normal sins ritmi ve ventrikler fibrilasyon verileri iin hesaplanan Lyapunov stellerinden ilk drt tanesi verilmitir
deneysel veri zerine uygulanrlar. Birok durum iin fiziksel modelin yaplma olasl yoktur ve bu durumlarda deneysel modelleme daha iyi bir yaklam olur. Geleneksel olarak kullanlan deneysel modeller, dorusal istatistiki teknikleri kullanr ancak doadaki hibir gelime dorusal deildir. Dorusal olmayan modellemede dorusal olmayan terimler ieren dorusal gerileme, ok terimli (polinomal) gerileme, yarap temel alan fonksiyonlar, Markov modelleri ve zellikle son yllarda yapay sinir alar kullanlmtr. Entropi kavram kabaca, bir sistemin dzensizlie olan eilimidir. Sistemin rastgelelik ve nceden bilinebilirliini ifade eder. Baka bir deyile entropi, xin lm ile x sinyalinin kayna hakknda renilen bilgilerin miktarn belirtir. Kolmogorov (1958) ve Sinai (1959) tarafndan formle edilmitir ve KS entropi olarak bilinir. Byk veri kmeleri iin KS entropi direkt olarak ilinti integralinden hesap edilebilir [69]. KS entropi ayn zamanda pozitif Lyapunov stellerinin toplamdr. Periyodik sistemler iin sfr, kaotik sistemler iin sfrdan byk, rastgele sistemler iin de sonsuz deerini verir. Bir sinyalin entropisi, zaman serilerinin gelecek bir zamandaki geliiminin kestirimi ile ilgilidir [40]. Dorusal olmayan kestirim, dinamik sistemlerin erileri hakknda ksa dnemli tahminler yapmak iin gelitirilen bir yaklamdr. Bu yaklamda genellikle, zaman serisinin yerel ve genel modeller kullanlarak tahmin edilen geliimi ile gerek gelime karlatrlr, aralarndaki fark normalletirilerek tahmin hatas tespit edilir [7, 70]. Bylece dinamiklerin yaps karakterize edilebilir [40]. Yerel dorusal modeller tm bilinmeyenleri aklayamaz fakat genel dorusal modellemeler dorusal olmayan sinyallerin modellenmesinde nemli derecede gelimi bir performansa sahiptir [7]. Yerel yaklamlarda yalnzca verilen bir noktann komuluk durumlar kullanlarak yerel olarak geerli parametreler hesaplanr [10]. rnein yerel dorusal yaklamlar ieren ok terimli (polinomal) [71] veya yarap temel alan fonksiyonlarn kullanld [72] modeller mevcuttur. Zaman serisi veriye uygulanan farkl modelleme teknikleri iin detayl bilgi [70, 73, 74] numaral kaynaklarda bulunabilir. Kaotik zaman serisinden sisteme ait dinamik denklemlerin karlmas ile ilgili almalar iin de [75, 76] numaral kaynaklara baklabilir.
772
2.9. Kararsz Periyodik Yrngeler

(Unstable Periodic Orbits)
Kararsz periyodik yrngeler (KPY) topolojik bir zelliktir ve dinamik sisteme ait garip ekerin iskeletini gsterir. KPYler faz uzaynda yeniden oluturulmu ekerden karlrlar ve KPYnin zellikleri biliniyorsa, fraktal boyut, Lyapunov steli ve entropi gibi kaosu karakterize eden nicelikler saptanabilir. Periyodik yrngeler bir sistemin deterministik dinamiklerini yanstr fakat KPY'ler kararszdr yani pozitif Lyapunov ifadesine sahiptir ve bundan dolay kaotik sistem iin tipikseldirler [77]. KPYlerin tespitinde en genel yaklam Pierson ve Moss [78] tarafndan sunulmutur ve faz uzayndaki ekillerin tekrarna dayanr. Bu yaklam baka almalarca da gelitirilmitir [79,80] ve dinamik bir sistemin tahmin ve kontrolnde kullanlr [81-83]. rnein Narayanan ve ark. [77], normal ve farkl patolojik durumlardaki EKG zaman serisini, ilinti boyutu ve Lyapunov stellerini hesaplayarak analiz ettiklerinde nemli farklar bulamamlar fakat KPY analizi yaptklarnda, KPYlerin say ve dalmlarnn olduka farkl olduunu grmlerdir.
2.10. Dorusalszln Tespiti (Detecting of Nonlinearity)
Zaman serileri fizyolojik, biyolojik, mekanik gibi gerek yaamsal sistemlerden elde edilen bilgilerle oluturulurlar. Bu sinyallerin periyodik, yar periyodik, kaotik veya rastgele ya da tamamiyle grltlerden ibaret olup olmad yukarda aklanan hesaplamalar yaplarak ortaya karlabilir ancak bu zor bir sretir. Kaotik bir sistem dk boyutlu dorusal olmayan bir sistemdir ve dorusalszln tespiti kaos iin gerekli bir arttr. Bu nedenle verinin dorusalszln tespit etmek iin eitli metotlar gelitirilmitir [84-88]. En ok kullanlan metot vekil veri (surrogate data) [84] metodudur. Bu metot zaman serisindeki dorusalszl tespit etmek iin istatistiksel bir yaklama dayanr. nce baz dorusal ilemler bir hkmsz hipotez (null hypothesis) olarak belirlenir. Sonra belirlenen bu hkmsz hipoteze uygun vekil veriler retilerek, orijinal veri ile vekil veri kmeleri arasnda bir istatistik fark hesaplanr. Bu istatistiksel karlatrma sonucunda, orijinal veri iin hesaplanan deer,
vekil verilerden hesaplanan deerlerden nemli derecede farkl ise hkmsz hipotez reddedilir ve dorusalszlk tespit edilir. Yu ve ark. [88] dorusalszln tespiti zerine yaptklar almada, faz uzayndaki bir eri boyunca, sabit olmayan dinamikleri zamandaki dorusal olmayan istatistiksel dalmlarna bal olarak dorudan tespit eden bir metot sunmulardr ve deneysel verinin analizinde gvenilir bir test metodu saladn gstermilerdir.
3. FZYOLOJK ZAMAN SERLER ZERNDEK KAOTK ANALZ UYGULAMALARI (CHAOTIC
ANALYSIS APPLICATIONS ON THE PHYSIOLOGICAL TIME SERIES)
normal tansiyona sahip ve bir bbrek atardamar kesilmi farelerdeki bbree ait kan ak ve hidrostatik basn deiimlerinde kaotik yapnn varln aratrmlardr. Basn bilgisine uygulanan ilinti boyutu hesab, dk boyutlu garip ekerin varln gstermitir. En byk Lyapunov steli de pozitif olarak bulunmutur. Bylece dzensiz basn deiimlerinde kaosun varln ortaya karmlardr. Dinlenme, egzersiz ve egzersiz sonrasnda n koldan lazer doppler ak ler ile llen kan ak sinyallerinin fraktal boyutlar hesaplandnda ise, egzersiz halinde iken fraktal boyutun dier durumlardakinden nemli derecede kk kt grlmtr [94]. Bu tr bir alma, salkl ve hastalkl verilerle yaplrsa hastalkl kiiler zerinde egzersizin etkisi ortaya konabilir. Kardiyovaskler sistem iindeki kan ak dinamikleri zerinde yaplan bir baka almada [54], evresel kan akndan llen sinyaller zerinde Lyapunov steli hesaplanm ve bir dolam problemi olmas durumunda en az bir Lyapunov steli sfra eit kmtr. Bunun deterministik bir yapnn iareti olabilecei ve kardiyovaskler sistemin sonlu saydaki serbestlik derecelerinde kan akn ynettii sonucuna varlmtr. Hastalkl ve salkl durumlarda alnan EKG, KHD, solunum, atardamar ve toplardamar basnc sinyalleri iin zaman ve frekans alannda analizler yaplm, Lyapunov steli ve ilinti boyutu hesaplanmtr [95]. Deiik patolojik durumlar iin hesaplanan deerlerdeki deiimler, bu durumlarn tans ve tahmini iin kullanlabilir. Baka bir almada koroner atardamar hastalar ile salkl kiilerin, on iki kanal EKG lm senkronizeli olarak alnarak Lyapunov stelleri hesaplanmtr [96]. En byk Lyapunov steli, koroner atardamar hastalarnda salkl kiilerdekinden daha kk kmtr. Uyku halindeki 15 bebekten alnan solunum bilgilerinin dorusalszl, vekil veri metodu kullanlarak tespit edilmeye allmtr [97]. Solunum verileri dorusal sistemlerden farkl olmasna ramen, dorusal olmayan modeller tarafndan retilen vekiller ile bu veriler arasnda ayrm yaplamam ve bundan dolay da insan solunumunun, yksek boyutlu dinamikler veya grlt ile ynetilen, ikiden daha fazla serbestlik derecesine sahip dorusal olmayan bir sisteme benzedii sonucuna varlmtr. Solunum seslerinin duraanl, dorusall ve kaotik dinamiklerinin incelendii bir baka almada [98], soluk borusundan ve akcierlerden alnan ses sinyalleri iin ilinti boyutu, Lyapunov spektrumu ve DKY boyutu hesaplanmtr. Elde edilen tm deerler kaotik davran gstermektedir. Lyapunov stellerinin toplam negatif olmakla beraber en byk Lyapunov steli pozitif kmtr. Veriler zerinde uygulanan vekil veri test metodu sonular akcier seslerinin dorusalszln gstermemekle birlikte soluk borusundan alnan sesler iin hkmsz hipotez ne dorulanm ne de reddedilmitir. Salkl kiilerin solunum sesleri iin yaplan bu alma patalojik durumlar iin de uygulanabilir.
773
Kaos teorisi ortaya k ile beraber, ok sayda deiken tarafndan kontrol edilen fizyolojik sistemlerden alnan sinyallere uygulanm ve bu sistemlerin modellenmesinde de kullanlmtr. nsan veya hayvanlarn eitli fizyolojik sistemlerinden alnan sinyaller ve grntler zerinde, yukarda aklanan kaotik hesaplamalarn bir ksm veya tamam uygulanarak bu sistemlerin kaotik zellikleri ortaya konmaya allmtr. Bu blmde kalp damar sistemi, kalp hz deikenlii, solunum, beyinsel aktiviteler, kan ak, kan basnc vb. sistem veya sinyaller zerinde yaplan kaotik uygulamalarn bazlarna deinilmitir. Kalp damar sistemi kan basncn, kan akn, kan iyon younluunu, vcut scakln vb. dzenleyen geri besleme mekanizmalar tarafndan ynetilir. Yani kalbin davrann bu tr geri besleme mekanizmalar belirler ve kalbin bir dinamik sistem gibi davrand ifade edilmitir [89]. Kalp hz deikenliinin (KHD) (Heart Rate Variability - HRV) ve Elektrokardiyagramlarn (EKG) dorusal analizleri, kalbin yeterliliini belirlemek iin yararl metotlardr. Bunlar zerinde yaplan dorusal olmayan analizlerde kaotik davranlar tespit edilmitir. Salkl yetikinlerde, KHDdeki dorusal olmayan dinamiklerin normal statde grndkleri grlr. Ancak, patolojik durumlarda bunlarn anlalmas zordur nk byle bir durumda kalp damar sistemi ile solunum sisteminin karlkl etkileimi bozulmu olabilir [40]. Bu nedenle salkl durum, kaosun belirli bir derecesi ile karakterize edilmitir. Otonom sinir sistemi fonksiyonlarndaki anormalliklerin kardiyak kaosunu azaltt bulunmutur [90]. Kalp damar sisteminden elde edilen zaman serileri zerinde yaplan Lyapunov steli hesaplamalar ile kaotik yapnn varl ortaya konmutur [90, 91]. Kardiyak deiimlerde kararsz periyodik yrngelerin (KPY) tespiti yaplarak, bunlar kalp damar sisteminin davrann belirtmek ve salkl kardiyovaskler sistemin durumunu tehis etmek iin kullanlmtr [77]. Cohen ve ark. [92], bir hayvan modelindeki karacier atardamar ve toplardamarndan alnan kan ak sinyallerinde periyodik durumlarn varln ve frekans bileenlerini incelemiler ve kan aknn kaotik zellikler tad bilgisine varmlardr. Yip ve ark. [93],
Vekil veri metodu, normal atm, ventrikler taikardi ve ventrikler fibrilasyon srasnda kaydedilen insan elektrokardiyogramlarna yeni bir ilinti boyutu hesab olan Gaussian Kernel algoritmas ile birlikte uygulanmtr [99]. Her nn de dorusal olmad ve ventrikler fibrilasyonun dierlerinden farkl ilinti boyutuna sahip olduu ortaya kmtr. Ventrikler fibrilasyonun balangcndaki geici karmaklk, yine Gaussian Kernel algoritmas kullanlarak yaplan ilinti boyutu ve entropi hesaplamalar ile de tespit edilmitir [100]. Bu sonulara bakldnda kaotik analiz ventrikler aritmilerin anlalmasnda yardmc olabilir. Vagal ve sempatik aktivitelerin kalp atm zerindeki etkileri, en byk Lyapunov steli hesab yaplarak belirlenmeye allm ve eitli kardiyak rahatszlklarna ait zaman serileri zerinde en byk Lyapunov steli ve entropi hesaplamalar ile snflama almas da yaplmtr [101, 102]. Uyku verisinin dorusal olmayan analizi, uykunun fonksiyonlar ile ilgili karakteristikler zerinde nemli bilgiler verebilir. Dzensiz uyku yaps ile karakterize edilen izofreni hastalna sahip kiilerin uyank durumdaki ve uykunun eitli evrelerindeki EEG (Elektroensefalogram) zaman serileri salkl kontrol grubu ile karlatrldnda, hesaplanan en byk Lyapunov steli hzl gz hareketi (HGH) (Rapid Eye Movement -REM) uykusunda ve uyank durumdaki hastalkl verilerde nemli derecede dk kmtr [103]. EEG zaman serileri kontrolsz uyku ataklar gsteren kiiler iin deerlendirildiinde, elde edilen ilinti boyutu deeri salkl kiilere gre anlaml lde farkl kmtr [104]. Sempatik ve parasempatik kontrol mekanizmalar ile ilikili olan uykunun farkl evrelerinde, srekli olarak kaydedilen EKG sinyalleri zerinde ilinti boyutu, Lyapunov steli, KS entropi, kararsz periyodik yrnge (KPY) hesaplar yaplmtr [105, 106]. HGH uykusu, yava dalga uykusu ile karlatrldnda Lyapunov stelinde art, ilinti boyutunda ise bir azalma tespit edilmitir. HGH uykusunda kaotik durumda ortaya kan art bu srada KHDnin de artm olmasnn, ilinti boyutundaki azalma ise bu srada solunum etkilerinin azalmasnn gstergeleri olarak yorumlanmtr. KHDnin karmak zelliklerini tespit etmek iin, farkl kardiyak hastalklarna ait standartlatrlm periyodogramlar zerinde entropi hesab yaplmtr [107]. Entropi lmleri kalp rahatszl olan hastalarn kiisel riskinin tahmini iin yararl bir yntem olmutur. Ayrca kardiyak hastalklarnn snflandrlmasnda, farkl KHD parametrelerinin bir arada deerlendirilmesi tek bir parametrenin deerlendirilmesinden daha yararl sonular verir. ocuk, gen, orta yal ve yal olmak zere drt farkl ya gurubundan alnan kalp atm sinyalleri zerinde yaplan bir baka almada [108], ortalama deer, standart sapma, g spektrumu, en byk Lyapunov steli, KS entropi, ve fraktal boyut hesaplanarak, KHDnin dk boyutlu kaotik karakteristie sahip olduu ve ilerleyen yala birlikte kaosun ve standart sapma miktarnn azald
774
ortaya karlmtr. Kardiyomiyopati hastalar ile bir kontrol grubundan alnan KHD sinyalleri iin, zaman gecikmesinin ilinti boyutu hesab zerindeki etkisi incelenmitir [109]. Deiik zaman gecikmesi deerleri iin hesaplanan ilinti boyutu deerleri gstermitir ki zaman gecikmesi 5 ve 5den byk seilirse ilinti boyutu deeri doyuma ulamaktadr. Salkl gruba ait ilinti boyutu, hastalkl grup iin elde edilenden anlaml derecede byk kmtr. Bu sonu, kardiyomiyopati hastalarnn 24 saatlik KHD ritmini kaybettiklerini gsterir ve kardiyak hastalklarnn bir gstergesi olarak dikkate alnabilir. Arteryel kan aknn yaa ve cinsiyete bal deiimlerinin, orta beyne ait atardamardaki kan akndan alnan Doppler verileriyle incelendii bir almada, ilinti boyutu ve en byk Lyapunov steli deerlendirilmitir [3]. Cinsiyete bal farklar gzlemlenmemise de ya ykseldike en byk Lyapunov stelinde bir azalma ve ilinti boyutunda bir art grlmtr. En byk Lyapunov stelinin yaa bal azalmas R-R aralklarndaki dzensizliklerin azalmas ile ortaya kan periyodiklii ifade eder. Artan ilinti boyutu ise ileri yalarda artan damar duvar sertlii sebebiyle oluan damar duvar salnmlar ile balantl olabilir sonularna ulalmtr. Damar hareketinin dinamikleri de kaotik adan incelenmitir. Kan damarlarnn apndaki (ya da direncindeki) ritmik deiiklikler kk arterlerde meydana geldii gzlenen bir fizyolojik olaydr. Bir parman klcal damarndan alnan nabz at incelendiinde en byk ve ikinci Lyapunov stellerinin pozitif olduu grlmtr [110]. D yzeye yakn damarlar otonom sinir sisteminin kontrol altnda olduundan, elde edilen sonular sinir sistemi nezdinde dorusal olmayan modlasyona dayanarak yorumlanmtr. Salkl damarlardaki normal kan aknn kaotik zellikler tad ortaya konmakla beraber [92], damarlarda meydana gelen bir daralma veya tkanma sonucu ya da kan aknn belirli bir hzn zerine kmas ile kaotik durumda art meydana gelir. Bir atardamar daralmasnn nnde ve arkasndaki (aka kar ve akn ynnde) girdapl ak tespit etmek iin kaotik analizden yararlanlmtr [111,112]. Fare karotid atardamarlar hazrlanan uygun bir ortama yerletirilerek, bir pompa yardmyla salnml ak salanmtr. Daralma damarn balanmas yntemi ile oluturularak, daralma miktar 0dan %95e kadar arttrlm ve daralmann eitli oranlarnda ak llmtr. Elde edilen her bir ak sinyali iin ilinti boyutu ve en byk Lyapunov steli hesaplanmtr. Girdapl akn derecesinin daralma alanyla ilikili olduu grlmtr. %40-%95 oranndaki daralmada girdapl akta art grlmtr. En byk Lyapunov steli tm lmlerde pozitif kmakla birlikte daralmann derecesi arttka deeri de artmaktadr. Bu ekilde, aktaki girdapl durumun derecesinin tespiti ile daralmann derecesi de belirlenebilir. Parkinson hastalar ile salkl kiilerin denge durumlarna ait zaman serileri kaotik analiz yntemleri kulGazi niv. Mh. Mim. Fak. Der. Cilt 21, No 4, 2006
lanlarak incelenmitir [113]. Veriler, salkl ve parkinson hastalkl kiilerin denge durumunu alglayan bir platform zerinde 60 saniye sresince ayakta tutulmas suretiyle alnmtr. linti boyutu ve en byk Lyapunov steli hesabnn yapld almada drt salkl, drt parkinson hastalkl veri kullanlmtr. Her iki veri grubu iin elde edilen sonular anlaml bir fark gstermemekle birlikte kaotik yapnn varln iaret eder. Parkinson hastalnn denge sistemine zarar verdiinin bilinmesine ramen sonularda anlaml bir fark grlmemesi, bu hastaln denge sisteminin dorusal olmayan etmenlerini etkilemedii sonucunu karmaktadr. Ancak, incelenen sistemin kaotik zelliklerinin ve kaotiklik derecesinin ortaya konduu bu tr almalarda veri saysnn arttrlmas sonularn doruluunun artmasnda nemli bir faktrdr. Bu nedenle, parkinson hastalarnn denge durumuna ilikin bu alma veri says arttrlarak veya deney koullar deitirilerek gelitirilebilir. Panik bozukluu olan ve olmayan kiilerden, yatar ve ayakta durur pozisyonda elde edilen KHD zaman serileri zerinde, minimum gml boyut, en byk Lyapunov steli ve dorusalszlk lmleri yaplarak dorusal olmayan dinamikler incelenmitir [114]. Hastalkl ve salkl gruplar iin elde edilen sonular arasnda nemli lde fark tespit edilmitir. Panik bozuklua sahip kiiler iin minimum gml boyut ve dorusalszlk deerlerindeki artn kardiyak sempatik aktivite artn, en byk Lyapunov steli deerinde grlen azalmann da kardiyak vagal aktivite azaln ifade ettii belirtilmitir. Kaotik analiz farkl kardiyak otonom fonksiyonlarnn incelenmesi iin de yararl bir ara olabilir. Mide kanseri hastalar iin yaplan bir almada, kandaki mekaniksel yayma (MY) (mechanoemission - ME) bilgisini tespit ve analiz eden bilgisayar kontroll bir cihaz gelitirilmi ve kandaki MY kaosu hesaplayan bir algoritma sunulmutur [115]. MY, biyolojik yaplarda mekaniksel bask, ekil deiiklii ve srtnmenin sebep olduu; elektron, iyon, elektromanyetik ve akustik dalga, s, ntr atom ve molekllerin yaylma zelliidir ve bir maddenin mekaniksel enerjisinin dier enerji ekillerine dnm prensibine dayanr. Mide kanseri hastalar iin hesaplanan MY kaosu, salkl ve mide mukozasnda iltihaplanma bulunan kiilerle karlatrldnda art gstermektedir. Buna benzer uygulamalar medikal tehis sistemlerinde kullanlabilir. Bunlarn yannda son yllarda kaotik analiz metotlar yapay sinir alarnn (YSA) (Artificial Neural NetworksANNs) kullanld snflama almalarnda da kullanlmtr [102, 116, 117]. eitli kardiyak hastalklarna ait KHD zaman serileri iin hesaplanan spektral entropi, en byk Lyapunov steli ve poincare kesit geometrisinden elde edilen standart sapma deerleri, YSA ve bulank (fuzzy) snflayclar kullanlarak yaplan snflama almalarnda kullanlmtr [102]. Snflamalarda doruluk oran % 80-85 olmutur. YSAnn kullanld bir baka almada, i karotid atardamar
Doppler sinyallerinde daralma ve tkankln tespiti iin en byk Lyapunov steli hesab yaplm ve elde edilen deerler snflama iin ok katmanl perseptron sinir ann (Multilayer Perceptron Neural NetworksMLPNNs) giriine uygulanmtr [116]. Snflama doruluu % 96 orannda kmtr. En byk Lyapunov steli hesab sonularnn yinelemeli sinir ann (Recurrent Neural Network-RNNs) girii olarak alnd, EEG sinyalleri kullanlarak sara hastalnn snflamas iin yaplan almada ise % 96,79 doruluk oran elde edilmitir [117]. Snflamada yinelemeli sinir a ile elde edilen doruluk oran, ok katmanl perseptron sinir ana gre daha yksektir. Bu almalar, kaotik analiz yntemleri ile birlikte YSA snflayc kullanmnn tehisi kolaylatrc, yararl sonular verdiini gstermektedir.
4. SONU (RESULT)
Bu almada, zaman serilerinin dorusal olmayan dinamiklerini tespit etmek iin kullanlan kaotik analiz metotlar ve bunlarn fizyolojik sistemler ve zaman serileri zerindeki baz uygulamalar aklanmtr. Zaman serilerinin kaotik analizlerinde kullanlan metotlara baklacak olursa, birka deiik algoritma dnda bunlarn ounluu ilk olarak retilen algoritmalardr. Kaotik analizler zerine gelitirilen yeni algoritmalarn deiik zaman serileri ve/veya kaotik sistemler iin uygulamalar yaplmamtr. Bu algoritmalar kaotik sistem ya da zaman serileri zerinde altrlabilir. Kaotik dinamiklerin hesaplanmas zerinde etkili olan veri uzunluu, grlt durumu, boyut says, zaman gecikmesi gibi parametrelerdeki deiimler bu algoritmalar iin deerlendirilebilir. Yaplan almalarda verideki grlt durumu aratrlm, grltnn azaltlmas ve grltl veri durumlarnda dzgn alacak algoritmalar zerinde allmtr. Grltnn bastrlmasna ynelik algoritmalar farkl veri kmeleri zerinde denenerek performanslar karlatrlabilir. Kaotik verinin analizinde boyut saysnn artmas ile birlikte, gerekli olan veri uzunluu ve ilem zaman da artmaktadr. zellikle yksek boyutlarda alan, veri uzunluunu ve ilem zamann azaltmaya ynelik yeni algoritmalar gelitirilebilir veya mevcut olanlar bu dorultuda iyiletirilebilir. Fizyolojik sistemlere ait kaotik zaman serileri zerinde yaplan almalara bakldnda ise, kardiyovaskler sistem ve buna bal olarak kalp atm ritimleri (EKG), kalp hz deikenlii (KHD), solunum sistemi, dolam sistemi, damar hareketleri ve damarlardaki kan ak hz ve kan basnc deiimleri, sinirsel aktiviteler, beyin sinyalleri (EEG) vb. deiik birok sistemin salkl ve hastalkl durumlar analiz edilmitir. Bu analizlerde ounlukla Lyapunov steli hesab, ilinti boyutu hesab ve vekil veri metodu kullanlmakla birlikte, kararsz periyodik yrnge (KPY), kapasite boyutu (fraktal boyut), bilgi boyutu (DKY, DL), KS
775
entropi hesaplar da yaplmtr. Lyapunov steli ve ilinti boyutu hesabna gre daha az kullanlm olan dier metotlar, uygulanmadklar sistem ve zaman serileri zerinde uygulanabilir. Yine ayn ekilde kaotik analize ait tm metotlar, zerinde hi allmam sistem ve zaman serilerinin dorusal olmayan davrann tespit ve dinamiklerini hesaplamak iin kullanlabilir. Daha nce kaotik analizleri yaplm olan sistem ve zaman serileri zerindeki kaotik hesaplamalar, veri uzunluu, veri says, gml boyut, zaman gecikmesi gibi parametre deerleri deitirilerek tekrarlanabilir. Bylelikle bu parametre deerlerinin sonu zerindeki etkileri aratrlarak, zerinde allan sistem iin parametrelerin doru deer aralklar belirlenebilir. Fizyolojik zaman serileri zerinde kaotik analiz yntemleri ile YSAnn birletirildii uygulamalarda, snflamalardaki doruluk oranlar % 96lara varmakla beraber, doruluk orannn arttrlmasna ynelik almalar yaplabilir. Bu amala, snflama sistemleri iin farkl eitim algoritmalar ve farkl a yaplar denenebilir. Ayrca snflayc girilerini temsil eden parametreler, eitim setlerinin kalitesi ve bykl gibi snflama sistemlerinin doruluunu etkileyen faktrler iyiletirilebilir. Fizyolojik sistemlerde kaotik analiz, salkl durum iin sistemin almasna ait yorumlarn gelimesini salad gibi zellikle hastalkl durumlarn tespitini kolaylatran nemli sonular retmektedir. Kaotik analiz ile dorusal analiz yntemleri, birbirlerini destekleyecek ekilde birletirilip snflama sistemlerine uygulanarak, medikal tehis alannda kullanlacak programlar organize edilebilir. Ayrca gerek zamanl kaotik zaman serisi analizi yapan programlarn oluturulmas ve medikal tehis sistemlerinde kullanlmas yararl olabilir.
KAYNAKLAR (REFERENCES)
1. Strogatz, S.H., Nonlinear Dynamics and Chaos with Application to Physics, Biology, Chemistry and Engineering, Perseus Books Publishing, Massachusetts, A.B.D., 1994. 2. Adem S., Kelebek Etkisi, Sznt, No 219, 114118, 1997. 3. Keunen, R.W.M., Vliegen, J.H.R., Stam, C.J. ve Tavy D.L.J., Nonlinear Transcranial Doppler Analysis Demonstrates Age-Related Changes of Cerebral Hemodynamics, Ultrasound Med. & Biol., Cilt 22, No 4, 383-390, 1996. 4. Williams, G.P., Chaos Theory Tamed, Taylor & Francis Publisher, London, 1997. 5. Baker, G.L., Chaotic Dynamics an Introduction, Cambridge University Pres., Cambridge, 1990. 6. Yamamoto, Y., Detection of Chaos and Fractals from Experimental Time Series, Modern Techniques in Neuroscience Research, Editr: Windhorst, U, ve H. Johansson, Springer-Verlag, Berlin Heidelberg New York Tokyo, 669-687, 1999.
776
7. Abarbanel, H.D.I., Brown R., Sidorowich J.J. ve Tsimring L.S., The Analysis of Observed Chaotic Data in Physical Systems, Reviews of Modern Physics, Cilt 65, No 4, 1331-1392, 1993. 8. Lorenz E.N., Dimension of weather and climate attractors, Nature, Cilt 353, 241-244, 1991. 9. Broomhead, D.S., Huke, J.P. ve Muldoon, M.R., Linear Filters and Nonlinear Systems, J. Roy. Stat. Soc., Cilt B54, 373-382, 1992. 10. Parlitz, U., Nonlinear Time Series Analysis, Nonlinear Modelling-Advanced Black-Box Techniques, Editr: Suykens, J.A.K. ve Vandewalle, J., Kluwer Academic Publishers, Boston, 209239, 1998. 11. Young, R.K., Wavelet Theory and Its Applications, Kluwer Academic Publishers, Boston, A.B.D., 1993. 12. Donoho, D.L., De-noising by soft-thresholding, IEEE Trans. Inform. Theory, Cilt 41, No 3, 613-627, 1995. 13. Brcker, J., Parlitz, U. ve Ogorzalek, M., Nonlinear Noise Reduction, Proceeding of the IEEE, Cilt 90, No 5, 898-918, 2002. 14. Hu, J., Gao, J.B. ve White, K.D., Estimating Measurement Noise in A Time Series by Exploiting Nonstationarity, Chaos, Solitions and Fractals, Cilt 22, No 4, 807-819, 2004. 15. Kostelich, E.J. ve Schreiber T., Noise Reduction in Chaotic Time-Series Data: A Survey of Common Methods, Phys. Rev. E, Cilt 48, No 2, 1752-1763, 1993. 16. Packard, N.H., Crutchfield, J.P., Farmer, J.D. ve Shaw, R.S., Geometry from Time Series, Phys. Rev. Lett., Cilt 45, 712-716, 1980. 17. Takens, F., Detecting Strange Attractors in Turbulence, Lecture Notes in Mathematics, Cilt 898, 366-381, 1981. 18. Sauer, T., Yorke, Y. ve Casdagli, M., Embedology, J. Stat. Phys., Cilt 65, 579-616, 1991. 19. Akay, M., Nonlinear Biomedical Signal Processing, Dynamic Analysis and Modelling, Volume II, IEEE Pres, 2000. 20. Sprott, J.C., Chaos and Time-Series Analysis, Oxford University Pres, 2003. 21. Brown, R., Bryant, P. ve Abarbanel, H.D.I., Computing the Lyapunov Spectrum of A Dynamical System from an Observed Time Series, Phys. Rev. A, Cilt 43, No 6, 2787-2806, 1991. 22. Fraser, A.M. ve Swinney, H.L., Independent Coordinates for Strange Attractors from Mutual Information, Phys. Rev. A , Cilt 33, 1134, 1986. 23. Broomhead, D.S. ve King, G.P., Extracting Qualitative Dynamics from Experimental Data, Physica D, Cilt 20, No 2, 217-236, 1986. 24. Cao, L., Practical Method for Determinig the Minimum Embedding Dimension of a Scalar Time Series, Physica D, Cilt 110, No 1, 43-50, 1997. 25. Kaplan, D.T. ve Glass, L., Direct Test for Determinism in a Time Series, Phys. Rev. Lett., Cilt 68, 427-430, 1992.
26. Kennel, M.B., Brown R. ve Abarbanel H.D.I., Determining Embedding Dimension for PhaseSpace Reconstruction Using a Geometrical Construction, Phys. Rev. A, Cilt 45, 34033411, 1992. 27. Yava, ., rg Titreimleri ve rglerde Kaos Analizi, Doktora Tezi, Ankara niv., Fen Bilimleri Enstits, 1992. 28. Faure, P. ve Korn, H., Is There Chaos in the Brain I. Concepts of Nonlinear Dynamics and Methods of Investigation, Comptes Rendus de l'Acadmie des Sciences - Series III - Sciences de la Vie, Cilt 324, No 9, 773-793, 2001. 29. Eckmann,J.P. ve Ruelle, D., Ergodic Theory of Chaos and Strange Attractors, Reviews of Modern Physics, Cilt 57, No 3, 617-656, 1985. 30. Lillekjendlie, B., Kugiumtzis, D. ve Chiristophersen, N., Chaotic Time Series - Part II: System Identification and Prediction, Modeling, Identification and Control, Cilt 15, No 4, 225-243, 1994. 31. Wolf, A., Swift, J.B., Swinney, H.L. ve Vastano, J.A., Determining Lyapunov Exponents from a Time Series, Physica D, Cilt 16, No 3, 285317, 1985. 32. Geist, K., Parlitz, U. ve Lauterborn, W., Comparison of Different Methods for Computing Lyapunov Exponents, Prog. Theor. Phys., Cilt 83, No 5, 875-893, 1990. 33. Eckmann, J.P., Kamphorst, S.O., Ruelle, D. ve Ciliberto, S., Lyapunov Exponents from Time Series, Phys. Rev. A, Cilt 34, 4971-4979, 1986. 34. Kruel, T.M., Eiswirthy, M. ve Schneider F.W., Computation of Lyapunov Spectra: Effect of Interactive Noise and Application to A Chemical Oscillator, Physica D, Cilt 63, 117-137, 1993. 35. Gencay, R. ve Dechert, W.D., An Algorithm for the n Lyapunov Exponents from Noisy Chaotic Time Series, Physica D, Cilt 59,142-157, 1992. 36. Abarbanel, H.D.I., Brown, R. ve Kennel M.B., Lyapunov Exponents in Chaotic Systems: Their Importance and Their Evaluation Using Observed Data, Int. J. Mod. Phys. B, Cilt B5, Say 9, 1347-1375, 1991. 37. Briggs K., An Improved Method for Estimating Liapunov Exponents of Chaotic Time Series, Physics Letters A, Cilt 151, 27-32, 1990. 38. Oiwa, N.N. ve Fiedler-Ferrara N., A Fast Algorithm for Estimating Lyapunov Exponents from Time Series, Physics Letters A, Cilt 246, 117-121, 1998. 39. Sano, M. ve Sawada, Y., Measurement of the Lyapunov Spectrum from A Chaotic Time Series, Phys. Rev. Lett., Cilt 55, 1082-1085, 1985. 40. Wagner, C.D. ve Persson, P.B., Chaos in the Cardiovascular System: An Update, Cardiovascular Research, Cilt 40, No 2, 257-264, 1998. 41. Rosenstein, M.T., Collins, J.J. ve De Luca C. J., A Practical Method for Calculating Largest Lyapunov Exponents from Small Data Sets, Physica D, Cilt 65, 117, 1993.
42. Brown, R., Calculating Lyapunov Exponents for Short and/or Noisy Data Set, Phys Rev E, Cilt 47, 3962-3969, 1993. 43. Kantz, H., A Robust Method to Estimate the Maximal Lyapunov Exponent of a time Series, Phys. Lett. A, Cilt 185, 77-87, 1994. 44. Sato, S., Sano, M. ve Sawada, Y., Practical Methods of Measuring the Generalized Dimension and Largest Lyapunov Exponent in High Dimensional Chaotic Systems, Prog. Theor. Phys., Cilt 77, No 1, 1-5, 1987. 45. Grond, F., Diebner, H.H., Sahle, S., Mathias, A., Fischer, S. ve Rssler, O.E., A Robust, Locally Interpretable Algorithm for Lyapunov Exponents, Chaos, Solitons and Fractals, Cilt 16, No 5, 841-852, 2003. 46. Grond, F. ve Diebner, H.H., Local Lyapunov Exponents for Dissipative Continuous Systems, Chaos, Solitons and Fractals, Cilt 23, No 5, 1809-1817, 2005. 47. Stefanski, A., Dabrowski, A. ve Kapitaniak, T., Evaluation of the Largest Lyapunov Exponent in Dynamical Systems with Time Delay, Chaos, Solitons and Fractals, Cilt 23, No 5, 16511659, 2005. 48. Lu, J., Yang, G., Oh, H. ve Luo, A.C.J., Computing Lyapunov Exponents of Continuous Dynamical Systems: Method of Lyapunov Vectors, Chaos, Solitons and Fractals, Cilt 23, No 5, 1879-1892, 2005. 49. Yonemoto, K., Yanagawa, T., Estimating the Lyapunov Exponent from Chaotic Time Series with Dynamic Noise, MHF Preprint Series, MHF 2004-1, Kyushu University, 2004. 50. Liu, H.F., Dai, Z.H., Li, W.F., Gong, X. ve Yu, Z.H., Noise Robust Estimates of the Largest Lyapunov Exponent, Phys. Lett. A, Cilt 341, 119-127, 2005. 51. Bnner, M.J. ve Hegger R., Estimation of Lyapunov Spectra from Space-Time Data, Phys. Lett. A, Cilt 258, 25-30, 1999. 52. Eckmann, J.P. ve Ruelle, D., Fundamental Limitations for Estimating Dimension and Lyapunov Exponents in Dynamical Systems, Physica D, Cilt 56, 185-187, 1992. 53. Casaleggio, A. ve Braiotta, S., Estimation of Lyapunov Exponents of ECG Time Series- The Influence of Parameters, Chaos, Solitons and Fractals, Cilt 8, No 10, 1591-1599, 1997. 54. Bracic, M. ve Stefanovska, A., Nonlinear Dynamics of the Blood Flow Studied by Lyapunov Exponents, Bulletin of Mathematical Biology, Cilt 60, 417-433, 1998. 55. Argyris, J., Andreadis, I., Pavlos, G. ve Athanasiou, M., On the Influence of Noise on the Largest Lyapunov Exponent and on the Geometric Structure of Attractors, Chaos, Solitons and Fractals, Cilt 9, No 6, 947-958, 1998. 56. Zhang, J., Lam, K.C., Yan, W.J., Gao, H. ve Li, Y., Time Series Prediction Using Lyapunov Exponents
777
57.
58. 59.
60.
61.
62. 63. 64.
65.
66.
67.
68. 69. 70.
71. 72. 73.
in Embedding Phase Space, Computers and Electrical Engineering, Cilt 30, 1-15, 2004. Awrejcewicz, J., Dzyubak, L. ve Grebogi, C., A Direct Numerical Method for Quantifying Regular and Chaotic Orbits, Chaos, Solitons and Fractals, Cilt 19, No 3, 503-507, 2004. Mandelbrot, B.B., Fractals: Form, chance, and dimension, W.H. Freeman, San Francisco, 1997. Hentschel, H.G.E. ve Procaccia, I., The Infinite Number of Generalized Dimensions of Fractals and Strange Attractors, Physica D, Cilt 8, 435444, 1983. Camastra, F. ve Vinciarelli, A., Estimating the Intrinsic Dimension of Data with a Fractal-Based Method, IEEE Trans. on Pattern Analysis and Machine Intelligence, Cilt 24, No 10, 2002. Kaplan, J. ve Yorke, J., Fuctional Differential Equations and the Approximation of Fixed Points, Lecture Notes in Mathematics, No 730, Berlin: SpringerVerlag, 1979. Grassberger, P. ve Procaccia, I., Measuring the Strangenes of Strange Attractors Physica D, Cilt 9, 189-208, 1983. Theiler, J., Estimating Fractal Dimension, J. Opt. Soc. Am. A, Cilt 7, 1055-1073, 1990. Ding, M., Grebogi, C., Ott, E., Sauer, T. ve Yorke, J.A., Estimating Correlation Dimension from Chaotic Time Series: When Does Plateau Onset Occur, Physica D, Cilt 69, 404-424, 1993. Corana, A., Bortolan, G. ve Casaleggio, A. Most Probable Dimension Value and Most Interval Methods for Automatic Estimation of Dimension from Time Series, Chaos, Solitons and Fractals, Cilt 20, No 4, 779-790, 2004. Radhakrishnan, P., Lian T.L. ve Sagar B.S.D., Estimation of Fractal Dimension Through Morphological Decomposition, Chaos, Solitons and Fractals, Cilt 21, No 3, 563-572, 2004. Casaleggio, A. ve Corana, A., A Posteriori Tests to Validate Dimension Estimates from Time Series, Chaos, Solitons and Fractals, Cilt 11, No 13, 2017-2030, 2000. Isliker, H.A., A Scaling Test for Correlation Dimensions, Phys. Lett. A, Cilt 169, 313-322, 1992. Grassberger, P. ve Procaccia, I., Estimation of the Kolmogorov Entropy From a Chaotic Signal Phys. Rev. A, Cilt 28, 2591-2593, 1983. Abarbanel, H.D.I., Brown, R. ve Kadtke, J.B., Prediction in Chaotic Nonlinear Systems: Methods for Time Series with Broadband Fourier Spectra, Phys. Rev. A, Cilt 41, No 4, 1782-1807, 1990. Farmer, J.D. ve Sidorowich, J.J., Predicting Chaotic Time Series, Phys. Rev. Lett. Cilt 59, No 8, 845-848, 1987. Casdagli, M., Nonlinear Prediction of Chaotic Time Series, Physica D, Cilt 35, 335-356, 1989. Brown, R., Rulkov, N.F. ve Tracy, E.R., Modelling and Synchronizing Chaotic Systems from Time-Series Data, Phys. Rev. E, Cilt 49, No 5, 3784-3800, 1994.
74. Linsay, P.S., An Efficient Method of Forecasting Chaotic Time Series Using Linear Interpolation, Phys. Lett. A, Cilt 153, 353-356, 1991. 75. Rowlands G. ve Sprott J.C., Extraction of Dynamical Equations from Chaotic Data, Physica D, Cilt 58, 251-259, 1992. 76. Baker, G.L., Gollub, J.P. ve Blackburn, J.A., Inverting Chaos: Extracting System Parameters from Experimental Data, Chaos, Cilt 6, No 4, 528-533, 1996. 77. Narayanan, K., Govindan, R.B. ve Gopinathan, M.S., Unstable Periodic Orbits in Human Cardiac Rhythms, Phys. Rev. E, Cilt 57, No 4, 45944603, 1998. 78. Pierson, D. ve Moss, F., Detecting Periodic Unstable Points in Noisy Chaotic and Limit Cycle Attractors with Applications to Biology, Phys. Rev. Lett., Cilt 75, 2124-2127, 1995. 79. Lathrop, D.P. ve Kostelich, E.J., Characterization of an Experimental Strange Attractor by Periodic Orbits, Phys. Rev. A, Cilt 40, 4028-4031, 1989. 80. So, P., Ott, E., Sauer, T., Gluckman, B.J., Grebogi, C. ve Schiff, S.J., Extracting Unstable Periodic Orbits from Chaotic Time Series Data, Phys. Rev. E, Cilt 55, 5398-5417, 1997. 81. Ott, E., Grebogi, C. ve Yorke, J.A., Controlling Chaos, Phys. Rev. Lett., Cilt 64, 1196-1199, 1990. 82. Pawelzik, K. ve Schuster, H.G., Unstable Periodic Orbits and Prediction, Phys. Rev. A, Cilt 43, 1808-1812, 1991. 83. Mirus, K.A. ve Sprott J.C., Controlling Chaos in Low- and High-Dimensional Systems with Periodic Parametric Perturbations, Phys. Rev. E, Cilt 59, No 5, 5313-5424, 1999. 84. Thelier, J., Eubank, S., Longtin, A., Galdrikian, B. ve Farmer J.D., Testing for Nonlinearity in Time Series: The Method of Surrogate Data, Physica D, Cilt 58, 77-94, 1992. 85. Takens, F., Detecting Nonlinearities in Stationary Time Series, Int. J. Bifurcation and Chaos, Cilt 3, No 2, 241-256, 1993. 86. Kaplan, D.T., Exceptional Events as Evidence for Determinism, Physica D, Cilt 73, 38-48, 1994. 87. Schreiber, T. ve Schmitz, A., Improved Surrogate Data for Nonlinearity Tests, Phys. Rev. Lett., Cilt 77, No 4, 635-638, 1996. 88. Yu, D., Lu, W. ve Harrison, R.G., Detecting Dynamical Nonstationarity in Time Series Data, Chaos, Cilt 9, No 4, 1999. 89. West, B.J., Zhang, R., Sanders, A.W., Miniyar, S., Zuckerman, J.H. ve Levine, B.D., Fractal Fluctuations in Cardiac Time Series, Physica A, Cilt 270, 552-566, 1999. 90. Hagerman, I., Berglund, M., Lorin, M., Nowak, J. ve Sylvn C., Chaos-Related Deterministic Regulation of Heart Rate Variability in Time and Frequency Domains: Effects of Autonomic Blockade and Exercise, Cardiovascular Research, Cilt 31, No 3, 410-418, 1996.
778
91. Poon, C-S. ve Merrill, C.K., Decrease of Cardiac Chaos in Congestive Heart Failure, Nature, Cilt 389; 492-495, 1997. 92. Cohen, M.E., Hudson, D.L., Anderson, M.F. ve Vazquez C., Blood Flow Data Exhibit Chaotic Properties, Int. J. Microcomputer Applications, Cilt 12, No 3, 82-87, 1994. 93. Yip, K.P., Holstein-Rathlou, N.H. ve Marsh, D.J., Chaos in Blood Flow Control in Genetic and Renovascular Hypertensive Rats, Am. J. Physiol. Soc., Cilt 261, F400-F408, 1991. 94. Carolan-Ress, G., Tweddel, A.C., Naka, K.K. ve Griffith, T.M., Fractal Dimension of Laser Doppler Flowmetry Time Series, Medical Engineering and Physics, Cilt 24, 71-76, 2002. 95. Stefanovska, A. ve Bracic, M., Reconstructing Cardiovascular Dynamics, Control Engineering Practice, Cilt 7, 161-172, 1999. 96. Wang, Z., Li, Z., Wei, Y.,Ning X. ve Lin, Y., Lyapunov Exponents for Synchronous 12-lead ECG Signals , Chinese Science Bulletin, Cilt 47, No 21, 2002. 97. Small, M. ve Judd K., Detecting Nonlinearity in Experimental Data Int. Journal of Bifurcation and Chaos, Cilt 8, No 6, 1231-1244, 1998. 98. Ahlstrom, C., Johansson, A., Hult, P. ve Ask, P., Chaotic Dynamics of Respiratory Sounds, Chaos, Solitions and Fractals, Baskda, 2005. 99. Small, M., Yu, D., Simonotto, J., Harrison, R.G., Grubb, N. ve Fox, K.A.A., Uncovering Nonlinear Structure in Human ECG Recordings, Chaos, Solitions and Fractals, Cilt 13, No 8, 1755-1762, 2002. 100. Yu, D., Small M., Harrison, R.G., Robertson, C., Clegg, G., Holzer, M. ve Sterz, F., Measuring Temporal Complexity of Ventricular Fibrillation, Physics Letters A, Cilt 265, 68-75, 2000. 101. Yeragani, V.K., Radhakrishna, R.K.A., Ramakrishnan, K.R. ve Srinivasan, S.H., Measures of LLE of Heart Rate in Different Frequency Bands: A Possible Measure of Relative Vagal and Sympathetic Activity, Nolinear Analysis: Real World Applications, Cilt 5, 441-462, 2004. 102. Acharya, R. U., Kumar, A., Bhat, P.S., Lim, C.M., Iyengar, S.S., Kannathal, N. ve Krishnan, S.M., Classification of Cardiac Abnormalities Using Heart Rate Signals, Medical and Biological Engineering and Computing, Cilt 42, 288-293, 2004. 103. Keshavan, M.S., Cashmere, J.D., Miewald, J. ve Yeragani, V.K., Decreased Nonlinear Complexity and Chaos during Sleep in First Episode Schizophrenia: A Preliminary Report, Schizophrenia Research, Cilt 71, 263-272, 2004. 104. Ferri, R., Salvatore, P., Nobili, L., Billiard M. ve Ferrillo F., Correlation Dimension of EEG Slow-Wave Activity During Sleep in Narcoleptic Patients Under Bed Rest Conditions, Int. J. Psychophysiology, Cilt 34, 37-43, 1999.
105. Fell, J., Mann, K., Rschke, J. ve Gopinathan, M.S., Nonlinear Analysis of Continuous ECG During Sleep I. Reconstruction, Biological Cybernetics, Cilt 82, No 6, 477-483, 2000. 106. Fell, J., Mann, K., Rschke, J. ve Gopinathan, M.S., Nonlinear Analysis of Continuous ECG During Sleep II. Dynamical Measures, Biological Cybernetics, Cilt 82, No 6, 485-491, 2000. 107. Wessel, N., Schumann, A., Schirdewan, A., Voss, A. ve Kurths, J., Entropy Measures in Heart Rate Variability Data, Lecture Notes in Computer Science, Cilt 1933, 78-87, 2000. 108. Yoshikawa, Y. ve Yasuda, Y., Non-Linear Dynamics in Heart Rate Variability in Different Generations, Bulletin of Toyohashi College, Cilt 7, 63-78, 2003. 109. Carvajal, R., Wessel, N., Vallverdu, M., Caminal, P. ve Voss, A., Correlation Dimension Analysis of Heart Rate Variability in Patients with Dilated Cardiomyopathy, Computer Methods and Programs in Biomedicine, Cilt 78, 133-140, 2005. 110. Tsuda, I., Thara, T. ve Iwanaga, H., Chaotic Pulsation in Human Capillary Vessels and Its Dependence on Mental and Physical Conditions, Int.J. Bifurc. Chaos, Cilt 2, 313-324, 1992. 111. May, P., Gerbault, O., Arrouvel, C., Revol, M., Servant, J.M. ve Vicaut, E., Nonlinear Analysis of Arterial Oscillated Flow in Experimental Stenosis and Microsurgical Anastomosis, J. Surgical Research, Cilt 99, 53-60, 2001. 112. May, P., Arrouvel, C., Revol, M., Servant, J.M. ve Vicaut, E., Detection of Hemodynamic Turbulance in Experimental Stenosis: An in Vivo Study in the Rat Carotid Artery, J. Vascular Research, Cilt 39, 21-29, 2002. 113. Pascolo, P.B., Marini, A., Carniel R. ve Barazza, F., Posture as a Chaotic System and an Application to the Parkinsons Disease, Chaos, Solitons and Fractals, Cilt 24, No 5, 1343-1346, 2005. 114. Radhakrishna, K.A.Rao ve Yeragani, V.K., Decreased Chaos and Increased Nonlinearity of Heart Rate Time Series in Patients with Panic Disorder, Autonomic Neuroscience: Basic and Clinical, Cilt 88, 99-108, 2001. 115. Orel, V.E., Romanov, A.V., Dzyatkovskaya, N.N. ve Melnik, Y.I., The Device and Algorithm for Estimation of the Mechanoemisson Chaos in Blood of Patients with Gastric Cancer, Medical Engineering and Physics, Cilt 24, 365-371, 2002. 116. Gler, . ve beyli, E.D., Detecting Variability of Internal Carotid Arterial Doppler Signals by Lyapunov Exponents, Medical Engineering and Physics, Cilt 26, No 9, 763-771, 2004. 117. Gler, N.F., beyli, E.D. ve Gler, ., Recurrent Neural Networks Employing Lyapunov Exponents for EEG Signals Classification, Expert System with Applications, Cilt 29, 506-514, 2005.
779

DERGI2006 V21 NO4 - Sayfa 759-779

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

DERGI2006 V21 NO4 - Sayfa 759-779

Uploaded by

Copyright:

Available Formats

Gazi niv. Mh. Mim. Fak. Der.

Cilt 21, No 4, 759-779, 2006

J. Fac. Eng. Arch. Gazi Univ. Vol 21, No 4, 759-779, 2006

KAOTK ZAMAN SERSNN ANALZ ZERNE BR ARATIRMA

A STUDY ON THE CHAOTIC TIME SERIES ANALYSIS

Kaotik Zaman Serisinin Analizi zerine Bir Aratrma

Kaotik Zaman Serisinin Analizi zerine Bir Aratrma

Sistemden elde edilen zaman serisi; x = x1 , x 2 , x3 ,..., x n

(1) (2) (3)

Faz Uzaynn Yeniden Oluturulmas

y (n) = [x( n), x(n + T ),..., x(n + (m 1)T )]

y ( n ) y ( n + 1) zaman gecikmeli kopyas olmak zere; y ( n + 1) = F y ( n ), a 1 , a 2 ,..., a p

ekil 1. Kaotik zaman serisinin analizine ait ilemler

2.1. Grltnn Azaltlmas (Noise Reduction)

Kaotik Zaman Serisinin Analizi zerine Bir Aratrma

a)Periyodik (sins) Sinyal

b)Kaotik (Lorenz) Sinyal

c)Grlt (rastgele) Sinyali

Kaotik Zaman Serisinin Analizi zerine Bir Aratrma

Kaotik Zaman Serisinin Analizi zerine Bir Aratrma

P(x(n),x(n +T))log P(x(n))P(x(n +T))

[ x(n + T ) x][ x(n) x]

x(n) dir ve zaman gecikmesi iin

PAB (ai , bk ) . PA (ai )PB (bk )

Kaotik Zaman Serisinin Analizi zerine Bir Aratrma

y (k ) = [x(k ), x(k + T ),..., x(k + (m 1)T )]

... + x( k + T ( m 1)) x NN (k + T (m 1))

(17) (18) (19)

Gazi niv. Mh. Mim. Fak. Der. Cilt 21, No 4, 2006

Kaotik Zaman Serisinin Analizi zerine Bir Aratrma

2.5. Poincare Kesit (Poincare Section)

Gazi niv. Mh. Mim. Fak. Der. Cilt 21, No 4, 2006

Kaotik Zaman Serisinin Analizi zerine Bir Aratrma

Kaotik Zaman Serisinin Analizi zerine Bir Aratrma

Gazi niv. Mh. Mim. Fak. Der. Cilt 21, No 4, 2006

Kaotik Zaman Serisinin Analizi zerine Bir Aratrma

z(t2) y(t1) f(t2)

v(t3) Komu Eri, v(t) f(t3) x(t3)

Komu Eri, z(t)

Komu Eri, y(t)

f (t1) z(t1) f(t1) x(t1)

y(t0) f(t0) x(t0)

Referans Eri, x(t)

ekil 8. Lyapunov stelinin hesaplanmas (Calculating the Lyapunov exponent)

Gazi niv. Mh. Mim. Fak. Der. Cilt 21, No 4, 2006

Kaotik Zaman Serisinin Analizi zerine Bir Aratrma

D1 boyutu bilgi boyutudur [19];

Gazi niv. Mh. Mim. Fak. Der. Cilt 21, No 4, 2006

Kaotik Zaman Serisinin Analizi zerine Bir Aratrma

D2 boyutu ilinti boyutu olarak isimlendirilir ve yle ifade edilir;

ilinti toplamdr ve kmenin

Kaotik Zaman Serisinin Analizi zerine Bir Aratrma

a =5, b=3, w=1.788 [1 0 0]

Van Der Pol Osilatr

2.9. Kararsz Periyodik Yrngeler

Kaotik Zaman Serisinin Analizi zerine Bir Aratrma

Kaotik Zaman Serisinin Analizi zerine Bir Aratrma

Kaotik Zaman Serisinin Analizi zerine Bir Aratrma

Kaotik Zaman Serisinin Analizi zerine Bir Aratrma

Kaotik Zaman Serisinin Analizi zerine Bir Aratrma

Kaotik Zaman Serisinin Analizi zerine Bir Aratrma

62. 63. 64.

68. 69. 70.