YAPAY SİNİR AĞLARI VE DALGACIK DÖNÜŞÜMÜ KULLANILARAK
DAMAR SERTLİĞİ HASTALIĞININ TEŞHİSİ
Diagnosis of Atherosclerosis Using Artificial Neural Networks and Discrete Wavelet Transform
Fatma DİRGENALİ*, Sadık KARA**
*
TSE, Organize Sanayi Bölgesi, 6. cad. no:4, 38512, Kayseri. e-posta: fdirgenali@tse.org.tr
**
Erciyes Üniversitesi, Mühendislik Fakültesi, Elektrik-Elektronik Bölümü, 38039, Kayseri, kara@erciyes.edu.tr
Özetçe – Bu çalışmada, 82 sağlıklı ve 95 hastalıklı kişiden
karotid atardamar Doppler sinyalleri kaydedilmiştir. Bu
sinyallere Dalgacık Dönüşümü kullanılarak işaretlerin
özniteliği çıkarılmış ve Kısa-Zaman Fourier dönüşümü
metodu kullanılarak öznitelik sinyallerinin güç spektrumu
elde edilmştir. Daha sonra veri azaltmak amacıyla kullanılan
Temel Bileşenler Analizi sonucunda elde edilen veriler
kullanılarak Yapay Sinir Ağları sınıflandırma yöntemi ile
hastalıklı kişiler ayırd edilmiştir. Eğitimden sonra yapay sinir
ağlarının testi gerçekleştirilmiştir. Test sonucunda 97 kişiden
2 kişinin yanlış sınıflandırılması sonucu %97.9 başarı elde
edilmiştir. Bu çalışma sonucunda ses ötesi Doppler cihazına
yardımcı olarak kullanılabilecek yazılım gerçekleştirilmiştir.
Hızlılığı, kullanım kolaylığı, ucuzluğu, hata yapmadan karar
vermede yardımcı olması bu sistemin üstünlüklerini
sağlamaktadır.
Anahtar Sözcükler: Damar sertliği, Karotid Atardamarı, Dalgacık
Dönüşümü, Güç spektral yoğunluğu, Temel Bileşenler Analizi,
Yapay Sinir Ağları
Abstract - In this study, Doppler ultrasound signals were acquired
from carotid arteries of 82 patients with atherosclerosis and 95
healthy volunteers. We have employed discrete wave transform
(DWT) of Doppler signals and power spectral density graphics of
these decomposed signals using Short Time Fourier Transform
(STFT) method. After that, we have performed Principles component
analysis (PCA) for data reduction and ANN in order to distinguish
between atherosclerosis and healthy subjects. After the training
phase, testing of the artificial neural network (ANN) was established.
The overall results show that 97.9% correct classification was
achieved, whereas 2 false classifications have been observed for the
test group of 97 people. In conclusion we are proposing a
complimentary expert system that can be coupled to software of the
ultrasonic Doppler devices. The diagnosis performances of this study
show the advantages of this system: it is rapid, easy to operate, non
invasive, inexpensive and making a decision without hesitation.
Keywords: Atherosclerosis, Carotid artery, Wavelet Transform, Power
spectral density, Principles component analysis, Artificial Neural Network
I. GİRİŞ
Damar sertliği atardamarlarda yağ ve bağ dokusu
hücrelerinin birikimiyle damar duvarında kalınlaşma ve
esneklik kaybına yol açan bir hastalıktır ve yaygın olarak
bütün atardamarları tutan bir hastalıktır. Damar sertliğine
ait klinik belirtiler hastalığın ileri dönemlerinde, damar
hasarı belirginleştikten sonra ortaya çıkmaktadır ve sonuçta
damar fonksiyonunun bozulması beyin kanaması, bacakları
kullanmada zorluklar oluşturmaktadır [1, 2]. Damar
sertliğinin teşhisi için kan testleri, anjiografi ve ses ötesi
Biyomedikal Mühendisliği Ulusal Toplantısı, BİYOMUT 2005, İstanbul – TÜRKİYE
testler olmak üzere pek çok test tekniği kullanılmaktadır ve
anjiografi altın standart olarak bilinmektedir. Fakat pahalı
olması ve invasive olması gibi dezavantajlara sahiptir.
Daha ucuz ve noninvasive teknik olan ses ötesi Doppler
tekniği daha çok tercih edilmektedir. Bu teknikte kana bir
sesötesi sinyali gönderilir ve bu sinyalin kırmızı kan
hücreleri tarafından yansıtılan kısmı algılanır. Gönderilen
ve yansıyan dalgalar arasında oluşan Doppler ses sinyali
fark frekansı, kanın akış hızı ile doğrudan orantılıdır [3].
Kan akışı ile Doppler ses sinyali arasındaki ilişkiden
yararlanılarak çeşitli tıbbi bilgiler elde edilebilmesi için
Doppler ses sinyali, spektrum analiz metotları ile analiz
edilmektedir [4]. Hastalık derecesini değerlendirmek için
Doppler ses sinyalinin frekansının spektral analizini
gerçekleştirmek sadece kan akış hızı hakkında bilgi
vermeyip aynı zamanda dağınık akış hakkındada bilgi
vermektedir.
Doppler seslerinde frekans analizi için çoğunlukla Kısa-
Zaman Fourier dönüşümü (KZFD) tekniği kullanılmıştır
[5]. Bu metot da işaretin durağan sayılabilecek kısımları
pencere ismi verilen fonksiyonlarla elde edilir ve Fourier
dönüşümü, elde edilen bu sinyale uygulanır. Seçilecek
pencereleme işaretinin türü çok önemlidir. Çünkü zaman
ekseninde dar pencerelerle gerçekleştirilen KZFD
sonucunda, işaret zaman ekseninde iyi bir çözünürlük
sergilerken frekans ekseninde ise çözünürlük kötü
seviyelerde olacaktır. Tersi durumda yani pencere
genişletildiğinde frekans çözünürlüğünde iyileşme
gözlenirken zaman ekseninde çözünürlük azalacaktır.
KZFD’nin özünde taşıdığı bu problemden dolayı yeni
alternatif bir teknik olarak ayrık zamanlı dalgacık
dönüşümü kullanılmaktadır. [6] Bu çalışmada farklı
kişilerden alınan karotid atardamar Doppler işaretlerinin
spektral analizi ayrık zamanlı dalgacık dönüşümü ile
gerçekleştrilmiştir. Ayrık zamanlı dalgacık dönüşümü
sonucunda elde edilen öznitelik vektörlerine Fourier
dönüşüm metodu kullanılarak güç spektral yoğunlukları
elde ediştir ve elde edilen güç spektrumlarına Ana
Bileşenler Analizi (ABA) kullanılarak veri azaltma işlemi
gerçekleştirilmiştir. Böylelikle sınıflandırma işlemi için
kullanılan çok katmanlı perseptron sinir ağının giriş
vektörü elde edilmiştir.
201
 II. MATERYAL VE YÖNTEM (3)

(4)
Doppler sinyalleri 82 sağlıklı ve 95 damar sertliği tanısı başlangıç şartı H0(z) = 1 dir ve Formül (5) de zaman
almış hastadan alınmıştır. Karotid arter Doppler sinyalleri ekseninde ikili skala olarak ifade edilmektedir.
kayıtları, Gevher Nesibe uygulama hastanesi kardiyoloji ve
kalp-damar cerrahisi kliniği radyoloji anabilim dalı içinde
bulunan Toshiba PowerVision Doppler ultrasonografi
cihazı ile yapılmıştır. (5)
Sistem donanımı; lineer ultrasonik dönüştürücü, darbeli
modda çalışabilen dijital Doppler ünitesi, Doppler
[ . ]↑m alt simgesi ayrık zamanda örneklenmiş m ve k
cihazının ses verilerinin analiz edilerek güç spektrumunun
faktörleri ile yukarı örneklemeyi gösterir.
çizdirilmesi ve görsel hale getirilmesi için kullanılan kişisel
bilgisayardan oluşmaktadır. Normalize edilmiş dalgacık ve temel skala
Doppler ünitesinde 10MHz doğrusal ultrason fonksiyonlarını simgeleyen ifadesi,
dönüştürücüsü ile uzun ekseni boyunca görüntülenmiş Formül (6) ile tanımlanır.
bulunan karotid arterin merkezine darbeli ses ötesi dalgalar
gönderilerek yansıyan sinyaller kaydedildi. Bütün
hastalarda ve sağlıklı kişilerde ses dalgalarının gönderildiği
açı ve cihazın diğer önayarları sabit tutuldu. Ses (6)
dalgalarının gönderildiği açı elektronik doğrultma
yöntemleri ve elle manipülasyon suretiyle 45 derecede
sabitlenerek daha sonra elde edilen spektrum analizlerinin Bu formülde 2i/2 iç çarpım faktörü, i ve l de sırasıyla
standardize edilmesi hedeflendi. Kazanç ayarı zemin skala ve dönüşüm faktörüdür. Ayrık dalgacık dönüşüm
gürültüsünün izlenmemesine gayret edilerek spektral dalga ayrıştırması ise Formül (7) ile tanımlanır.
formu net izlenebilecek şekilde yapıldı. Bu şekilde optimal
görüntüleme sağlandıktan sonra Doppler ünitesi ses
çıkışından 44100Hz. frekansta örneklenerek kaydedilen
Doppler sinyalleri arabirim kartıyla bir bilgisayara aktarıldı (7)
[7]. Doppler sinyallerinin içerdiği spektral bilgiyi görsel
olarak incelemek ve işaretin spektrumunun zamanla
değişimini incelemek için modern spektral analiz
Bu formül de sırasıyla s(i ) (l ) ve di (l ) , i
metodlarından ayrık zamanlı dalgacık dönüşümü metodu çözünürlüğünde yaklaşım ve detay katsayılarıdır [8, 9].
kullanılmıştır. Sağlıklı ve hastalıklı kişilere ait Doppler sinyalinin db3
dalgacığı kullanılarak elde edilen ayrıştırılmış sinyalleri şekil 1 ve
Ayrık Dalgacık Dönüşümü
2 de görülmektedir. Her bir ayrıştırılmış sinyalin güç spektral
Dalgacık dönşümü, şaretleri analiz etmek için yoğunlukları Fourier dönüşüm metodu kullanılarak
kullanılan bir yöntemdir, yüksek frekanslarda yüksek hesaplanmıştır. Fourier metodu uygulanırken 256’lık
zaman çözünürlüğü ve düşük frekans çönrlük özelliğine Hanning penceresi kullanılmış ve her bir hesaplama için
sahipken alçak frekanslarda ise yüksek frekans 128 örnekleme kaydırılarak yapılmıştır. Ayrıştırılmış
çözünürlüğü ve düşük zaman çözünürlüğünü sağlar. öznitelik vektörlerinin güç spektrum grafikleri şekil 4 ve 5
Yapılan çalışmada Doppler sinyalleri, Daubechies, ‘db3’ te verilmiştir. Hesaplamaların tamamında MATLAB
dalgacığının dördüncü seviyesi kullanılarak ayrılmıştır. programı kullanılmıştır. Fourier metodu için
Ana sinyal, dört detay (D1-4) ve son yaklaşım sinyali (A4) N −1
2π
kullanılarak katsayı matrisinden yeniden elde edilebilir. X k = ∑ x[n ]exp( − jkn ) (8)
n =0 N
Bütün dalgacık dönüşümleri standart tümlev ayna filtre
şartlarına kafi gelen alçak geçiren filtre, h a göre tayin denklemi kullanılmıştır. Buradaki X k katsayıları ayrık
edilebilir. Fourier katsayıları olarak adlandırılır. Burada N çerçeve
(1) []
boyu, X n zaman domeni giriş işaretidir. Bu işaretin güç
Bu formüldeki H(z) h filtresinin z-dönüşümünü temsil spectral yoğunluğunu bulmak için ayrık Fourier dönüşüm
etmektedir. Bu filtrenin tümleyeni olan yüksek geçiren katsayıları olan X k katsayılarının mutlak değerlerinin
filtre Formül (2) ile tanımlanır karelerinin logaritması alınmıştır.
(2) P(k ) = 10 log X k
2
(9)
Filtrelerin dizisi i alt simgesi ile sıralanan uzunluğa
göre elde edilebilir.
Ana Bileşenler Analizi

202 BİYOMUT 2005, National Symposium on Biomedical Engineering, İstanbul - TURKEY

 Sınıflandırma aşamasında güç spektral yoğunluk
vektörlerinin yüksek boyuta sahip olmasından dolayı
sınıflandırma performansı ABA gibi yöntemlerle
hızlandırılabilmektedir. Bunu gerçekleştirmek için hem
boyut azaltma hem de öznitelik vektörlerine farklı bir
izdüşüm kullanılabilir. ABA yöntemi öznitelik izdüşümünü
göstermek için kullanılan yöntemdir ve verinin
varyanslarını en iyi gösteren sistemi araştırır [10].

Çok Kamanlı Perseptronlar

Çok Katmanlı Perseptronlar (ÇKP), basit olması
sebebiyle yaygın bir şekilde kullanılan yapay sinir
ağlarıdır. Temel bir ÇKP giriş katı, gizli kat ve çıkış katı
olmak üzere üç ana kattan oluşur. Bu çalışmada iki gizli kat
kullanılmıştır. ve kullanılan ağ yapısı şekil 5’te
görülmektedir. Giriş katmanındaki işlem elemanları veya
nöronlar sadece giriş sinyali Ii nin gizli kattaki nöronlara Şekil 1. Sağlıklı kişiye ait Doppler sinyalinin db3 dalgacığı kullanılarak
dağıtılmasını sağlayan tampon görevini yaparlar. Gizli elde edilen ayrıştırılmış sinyalleri
katta bulunan her bir j indeksli işlem elemanı Ii giriş
sinyalinin giriş katından wji ağırlıkları ile çarpıldıktan sonra
toplar ve toplamın bir f işlevi olarak yi çıkışını aşağıdaki
gibi hesaplar:

yi = f (∑ wij I i ) (10)

Kullanılan YSA yapısı, klinik açıdan teşhisi konmuş

hastalara ait veriler ile eğitilmiştir. Bu çalışmada
oluşturulan ağ yapısını eğitmek için Levenberg Marquart
(LM) algoritması kullanılmıştır. Maksimum komşuluk fikri
üzerine kurulmuş olup, Gauss Newton ve Steepest Descent
algoritmasının değişik bir uyarlaması olan LM algoritması,
son yıllarda kullanılan en yaygın yöntemlerden biridir. Bu
metotta µ parametresi hesaplama süresince otomatik olarak
güncellenmekte ve böylece yavaş yakınsama probleminden
etkilenmediği için hızlı bir yaklaşım elde edilmektedir.
Yaklaşım oranı hızlanması ile eğitim kısa sürmektedir. Şekil 2. Damar Sertliğine sahip hastanın Doppler sinyallerinin db3
dalgacığı kullanılarak elde edilen ayrıştırılmış sinyalleri.
Ancak fazla işlem yapmakta ve sonucunda çok fazla hafıza
kullanmayı gerektirmektedir [11-14].
Kullanılan ağ yapısında iki ara katman bulunmakta ve
ilk ara katmanda 18, ikinci ara katmanda 7 nöron
bulunmaktadır. Ortalama karesel hata 0.0001 ve iterasyon
sayısı 50 olarak tanımlanmıştır. Eğitim setinde 42 sağlıklı
ve 38 hastalıklı kişiye ait veriler bulunurken test sırasında
53 sağlıklı ve 44 hastalıklı kişiye ait veriler bulunmaktadır.

Şekil 3. Ayrıştırılmış normal Doppler sinyallerinin güç spektral yoğunluk

grafiği.

Biyomedikal Mühendisliği Ulusal Toplantısı, BİYOMUT 2005, İstanbul – TÜRKİYE 203

 işleme tekniği olarak kullanılmıştır. Bu metotla Doppler
ünitelerinde sonograma bakarak hastalığın teşhisinden daha
güvenilir bilgi sağlayabiliriz. Bu çalışmada kişiye bağlı tek
kritik nokta ses sinyallerinin gönderildiği açının sabit
tutulmasının zorluğudur. Hasta sayısı daha da artırılarak
daha fazla grup üzerinde çalışılması amaçlanmakadır.

TABLO I.
TEST SONUÇLARI

Grup Tipi Test grubu Doğru Yanlış

Birey sayısı
Eksi (Sağlıklı) 53 52(%98.1) 1(%1.9)
Artı (Damar
Sertlikli) 44 43(%97.7) 1(%2.3)
Toplam 97 95(%97.9) 2 (%2.1)
Duyarlık=(TP)/(TP+FN) % = %97.7
Hassasiyet= TN/(TN+FP) % = %98.1
Artı Tahmin=TP/(TP+FP) % = %97.7
Şekil 4. Ayrıştırılmış hasta Doppler sinyallerinin güç spektral yoğunluk
grafiği. TP: Doğru Artı TN: Doğru Eksi
FP: Yanlış Artı FN: Yanlış Eksi

İle ri A ktivite
1

1 2
1 Çıkış
2 Kat man ı
GİRİŞLER

ÇIKIŞ

1
3

4 7

18
Gizli Kat man la r

Hata Yayılımı
Şekil 6. YSA da iterasyon sayısına göre hatadaki değişim
Şekil 5. Kullanılan çok katlı perseptron yapısı

III. TARTIŞMA VE SONUÇ
Test sonucunda ortalama karesel hata 0.00103 iken
eğitim sonucunda ortalama karesel hata 9 iterasyon da
5.80*10-5 olarak elde edilmiştir (Şekil 6). Tablo 1 de
görüldüğü gibi , 97-98 % oranında sınıflandırma başarısı
elde edilmiştir. Eksi grupta 52 birey sağlıklı olarak
sınıflandırılırken 1 birey için yanlış sınıflandırma
görülmektedir. Artı grupta da çok yüksek bir hassasiyetle 1
yanlış sınıflandırma ve 43 doğru sınıflandırma
görülmektedir. Genel olarak baktığımızda toplam 97 birey
için 2 yanlış sınıflandırma görülerek %97.9 doğru
sınıflandırma ile başarı sağlanmıştır. Bu sonuçlarla YSA
97.7 % duyarlılıkta, 98.1% hassasiyette ve 97.7% olarak
artı tahminde hesaplanmıştır.
Bu çalışmada, ayrık dalgacık dönüşümü metodu,
Fourier dönüşüm metodu, ana bileşenler analizi ve YSA
kullanarak carotid arter doppler sinyallerinden damar
sertliği hastalığı için bir sistem oluşturulmuştur. Bu
metotlarla etkin bir sonuç çıkarabileceğimiz ortaya
çıkmaktadır. Ayrık dalgacık dönüşümü metodu Doppler
sinyallerinden bilgi çıkarma arasıyla kullanılan bir işaret
KAYNAKLAR
[1] Ross J, Schmid-Schoenbein G. “Dynamics of the peripheral
circulation” In: West JB (ed.). Physiologic basis of medical practice.
Williams and Wilkins, pp 138-158, Baltimore 1990.
[2] Libley P. “Prevention and treatment of atherosclerosis” In: by
Braunwald E, Fauci AS, Kasper DL, Hauser SL, Longo DL, Jameson
JL (Ed.s). Harrison's Principles of Internal Medicine. McGraw-Hill,
(15th ed), pp 1382-1385, London 2001.
[3] .W. Nichols, M.F. O’Rourke, McDonald’s blood flow in arteries:
Theoretical, experimental and clinical principles, (3rd ed), London,
UK: Edward Arnold, (1990).
[4] F.S. Schlindwein, D.H. Evans, A real-time spectrum analyzer for
Doppler ultrasound signals. Ultrasound Med Biol.; 15(3), p. 263–72.
(1989).
[5] Z. Guo, LG. Durand, H.C. Lee, Comparison of time-frequency
distribution techniques for analysis of simulated Doppler ultrasound
signals of the femoral artery. IEEE Trans. Biomed. Eng., 41(4),
(1994)
[6] J.H. Li, H. Peng, Y.Y. Du, J.H. Li, W.H. Wang, Analysis of Doppler
ultrasound blood flow signal basing on wavelet transform, J.
Northeastern University (Nat Sci), 21(5), 487–489, (2000).
[7] S. Kara, A study of Mitral and Tricuspid valve blood flows by
Autoregressive spectral analysis method and Doppler Unit, Thesis of
Doctorate, Institute of Science of Erciyes University Press, (1995)

204 BİYOMUT 2005, National Symposium on Biomedical Engineering, İstanbul - TURKEY

[8] Girault J. M., Kouame D., Ouahabi A., Patat F., “Micro-emboli
detection: an ultrasound Doppler signal processing view point”,
IEEE Trans. Biomed. Eng., sayı 47, sayfa 1431–1439, 2000.
[9] Zhang Y., Wang Y., Wang W., Liu B., “Doppler ultrasound signal
denoising based on wavelet frames”, IEEE Trans. Ultrason.
Ferroelectr. Frequency Control, sayı 48, sayfa 709–716, 2001.
[10] I. Lindsay, A. Smith, A tutorial on Principal Components Analysis,
http://kybele.psych.cornell.edu/~edelman/Psych-465-Spring-
2003/PCA-tutorial, (2002,)
[11] Tsai, C.Y., “An Iterative Feature Reduction Algorithm for
Probabilistic Neural Networks”, Omega, Vol. 28, pp. 513-524, 2000.
[12] Simpson, P.S., Artificial Neural Networks, A Foundation, Paradigm,
Applications and Implementation, pp. 65-76, Pergamon Press, 1990.
[13] Maren, A., Harston, C.,Rap, R., Handbook of Neural Computing
Applications, pp. 54-63, ISBN 0-12-471260-6, Academic Press,
London, UK, 1990.
[14] Basheer, I.A., Hajmeer, M., “Artificial Neural Networks:
Fundamentals, Computing, Design, and Application”, Journal of
Microbiological Methods, Vol. 43, pp. 3–31, 2000.

Biyomedikal Mühendisliği Ulusal Toplantısı, BİYOMUT 2005, İstanbul – TÜRKİYE 205