.: ORİJİNAL ARAŞTIRMA
Yapay Sinir Ağları ile Ağız Kokusundan Diyabet Tanısı
Diagnosing Diabetes from Breath Odor Using Artificial Neural Networks
Turkiye Klinikleri J Med Sci. 2012;32(2):331-6
doi: 10.5336/medsci.2011-22770
Makale Dili: TR
Tam Metin
ÖZET
Amaç: Bu çalışma, tıbbi tanılamayı desteklemek amacıyla elektronik burun cihazı ve yapay sinir ağları (YSA) yöntemi kullanılarak ağız kokusundan diyabet tanısı koymayı hedeflemektedir. Gereç ve Yöntemler: İnsan vücudunun ürettiği kan, idrar, ter ve nefes kokuları gibi parametreler, tıpta hastalık tanısı için sıkça kullanılmaktadır. Son zamanlarda, kan ve idrar tahlillerine ait parametrelerin hastalık tanısına ışık tutmasının yanı sıra, kokudan bazı hastalıkların tanısı da, bilim adamlarının dikkatini çekmiş ve koku ile ilgili pek çok araştırma yapılmaya başlanmıştır. İnsan nefesinde en çok görülen 200 ila 400 arasında farklı tipte gaz bulunmaktadır. Ayrıca nefeste algılanmış ve tanımlanmış gaz sayısı 3000'i geçmektedir. Elektronik Burun teknolojisinden yararlanılarak bu gazlar algılanabilmektedir. Bu çalışmada, koku tanımak için FIS firmasına ait SB-41 kodlu bir elektronik burun kullanılmıştır. Bu sensör dizisi yardımı ile insan nefesindeki değerler ölçülmüş ve bunlar sayısal verilere dönüştürülmüştür. On saniyelik aralıklarla ölçümler yapılmış ve hasta başına 60 adet giriş verisi toplanmıştır. Sayısal değerlere dönüştürülen bu veriler MatLab ortamında oluşturulan iki farklı Yapay Sinir Ağı yöntemi kullanılarak derlenmiştir. Bulgular: Bu çalışmada ağız kokusundan diyabet tanısında kullanılan sınıflandırıcı yöntemleri; Çok Katmanlı İdrak (ÇKİ), Radyal Tabanlı Fonksiyon (RTF) ve Vektör Nicelemeli Öğrenme (VNÖ) algoritmalarıdır. Aynı koku verileri kullanılarak bu her üç algoritmanın performansları karşılaştırıldı. Sonuç: Deneysel sonuçlara göre, ÇKİ, RTF ve VNÖ nicelemeli öğrenme algoritmalarının hepsi çeşitli kokuları sınıflandırmada yüksek tanıma olasılığı sağladığı bilinmektedir. Ancak, RTF yöntemi, diğer yöntemlerden daha iyi tanıma özelliğine sahip olduğunu gösterdi.
Anahtar Kelimeler: Gliburid; sinir ağları (bilgisayar); yapı tanıma, fizyolojik
Amaç: Bu çalışma, tıbbi tanılamayı desteklemek amacıyla elektronik burun cihazı ve yapay sinir ağları (YSA) yöntemi kullanılarak ağız kokusundan diyabet tanısı koymayı hedeflemektedir. Gereç ve Yöntemler: İnsan vücudunun ürettiği kan, idrar, ter ve nefes kokuları gibi parametreler, tıpta hastalık tanısı için sıkça kullanılmaktadır. Son zamanlarda, kan ve idrar tahlillerine ait parametrelerin hastalık tanısına ışık tutmasının yanı sıra, kokudan bazı hastalıkların tanısı da, bilim adamlarının dikkatini çekmiş ve koku ile ilgili pek çok araştırma yapılmaya başlanmıştır. İnsan nefesinde en çok görülen 200 ila 400 arasında farklı tipte gaz bulunmaktadır. Ayrıca nefeste algılanmış ve tanımlanmış gaz sayısı 3000'i geçmektedir. Elektronik Burun teknolojisinden yararlanılarak bu gazlar algılanabilmektedir. Bu çalışmada, koku tanımak için FIS firmasına ait SB-41 kodlu bir elektronik burun kullanılmıştır. Bu sensör dizisi yardımı ile insan nefesindeki değerler ölçülmüş ve bunlar sayısal verilere dönüştürülmüştür. On saniyelik aralıklarla ölçümler yapılmış ve hasta başına 60 adet giriş verisi toplanmıştır. Sayısal değerlere dönüştürülen bu veriler MatLab ortamında oluşturulan iki farklı Yapay Sinir Ağı yöntemi kullanılarak derlenmiştir. Bulgular: Bu çalışmada ağız kokusundan diyabet tanısında kullanılan sınıflandırıcı yöntemleri; Çok Katmanlı İdrak (ÇKİ), Radyal Tabanlı Fonksiyon (RTF) ve Vektör Nicelemeli Öğrenme (VNÖ) algoritmalarıdır. Aynı koku verileri kullanılarak bu her üç algoritmanın performansları karşılaştırıldı. Sonuç: Deneysel sonuçlara göre, ÇKİ, RTF ve VNÖ nicelemeli öğrenme algoritmalarının hepsi çeşitli kokuları sınıflandırmada yüksek tanıma olasılığı sağladığı bilinmektedir. Ancak, RTF yöntemi, diğer yöntemlerden daha iyi tanıma özelliğine sahip olduğunu gösterdi.
Anahtar Kelimeler: Gliburid; sinir ağları (bilgisayar); yapı tanıma, fizyolojik
ABSTRACT
Objective: his study aims to diagnose diabetes from breath odor using electronic nose device and artificial neural networks (ANN) method in order to support medical diagnosis. Material and Methods: Parameters like blood, urine, sweat and breath odors produced by human body are frequently used for diagnosis of diseases in medicine. Recently, besides lightening the disease diagnosis by parameters of blood and urine analysis, diagnosing some diseases using odors called scientists' attention and many investigations have been conducted about odor. There are about 200-400 different types of common odors in human breath. Additionally, the number of gases sensed and described in breath exceeds 3000. These gases may be recognized utilizing electronic nose technology. In this study, an electronic nose with a code of 41 produced by FIS company was used for odor recognition. Values in human breath were measured utilizing this sensor sequence and they were converted to numerical data. Measurements were done with 10 second intervals and 60 input data were collected for each patient. The data converted to numerical values were collected using two different Artificial Neural Network methods formed in MatLab context. Results: In this study, the methods used for the diagnosis of diabetes from bad breath are Multi Layer Perceptron (MLP), Radial Based Functions (RBF) and Learning Vector Quantization (LVQ) algorithms. Afterwards, performances of all these three algorithms were compared using similar odor data. Conclusion: According to experimental results, all of MLP, RBF and LVQ algorithms are known to provide high recognition probability for classification of various odors. However RBF method was shown to have a better recognition capacity compared to the others.
Keywords: Glyburide; neural networks (computer); pattern recognition, physiological
Objective: his study aims to diagnose diabetes from breath odor using electronic nose device and artificial neural networks (ANN) method in order to support medical diagnosis. Material and Methods: Parameters like blood, urine, sweat and breath odors produced by human body are frequently used for diagnosis of diseases in medicine. Recently, besides lightening the disease diagnosis by parameters of blood and urine analysis, diagnosing some diseases using odors called scientists' attention and many investigations have been conducted about odor. There are about 200-400 different types of common odors in human breath. Additionally, the number of gases sensed and described in breath exceeds 3000. These gases may be recognized utilizing electronic nose technology. In this study, an electronic nose with a code of 41 produced by FIS company was used for odor recognition. Values in human breath were measured utilizing this sensor sequence and they were converted to numerical data. Measurements were done with 10 second intervals and 60 input data were collected for each patient. The data converted to numerical values were collected using two different Artificial Neural Network methods formed in MatLab context. Results: In this study, the methods used for the diagnosis of diabetes from bad breath are Multi Layer Perceptron (MLP), Radial Based Functions (RBF) and Learning Vector Quantization (LVQ) algorithms. Afterwards, performances of all these three algorithms were compared using similar odor data. Conclusion: According to experimental results, all of MLP, RBF and LVQ algorithms are known to provide high recognition probability for classification of various odors. However RBF method was shown to have a better recognition capacity compared to the others.
Keywords: Glyburide; neural networks (computer); pattern recognition, physiological
.: İşlem Listesi