Aşırı Öğrenme Makineleri ile biyolojik sinyallerin gizli kaynaklarına ayrıştırılması

Authors : Ömer Faruk ERTUĞRUL

Pages : 41-50

View : 17 | Download : 7

Publication Date : 2016-06-01

Article Type : Other Papers

Abstract :Artan teknoloji, düşen maliyetler ve küçülen donanım boyutları nedeniyle işaret işleme yöntemleri birçok alanda sıklıkla kullanılmaya başlanmıştır. Algılanan bazı sinyaller tek bir kaynaktan değil de birçok kaynaktan oluşan sinyallerin karışımı olabilmektedir. Bu tip durumlarda işaret işleme teknikleriyle elde edilebilecek başarı oranı düşüktür. Aynı zamanda sistemin içyapısının anlaşılması zordur. Bu tip durumlarda gizli kaynak ayrıştırma işlemi ile ölçülen sinyaller gizli kaynaklarına ayrıştırılabilmektedir. Bu amaçla yaygın olarak kullanılan temel kaynak ayrıştırma (PCA) ve bağımsız kaynak ayrıştırma (ICA) istatiksel yöntemlerinde sinyallerin ayrıştırılabileceği gizli kaynak sayısı ölçülen sinyal sayısı ile sınırlıdır. Bu sebeple karmaşık sinyallerde gizli kaynaklara ulaşmak bu yöntemlerle zordur. Bu yöntemlere alternatif olarak yapay sinir ağları (YSA) da gizli kaynak ayrıştırma amacıyla başarıyla kullanılmıştır. Bu çalışmada ise tek gizli katmanlı ileri beslemeli yapay sinir ağlarını eğitmek için kullanılan aşırı öğrenme makineleri (ELM) yöntemi klasik YSA ile gizli kaynak ayrıştırma yöntemlerinden farklı bit yaklaşım ile kullanılarak tek bir sinyal birden fazla birbirinden bağımsız gizli kaynağa ayrıştırılmıştır. Bu amaçla EEG, EMG, ECG sinyalleri ile ivmeölçer, magnetometre ve jiroskop algılayıcılarından alınan zaman sinyalleri gizli kaynaklarına ayrıştırılmıştır. Önerilen metodun başarısını eğitim başarısını gösteren ortalama hataların karekökü (RMSE) ve gizli kaynakların bağımsızlığını gösteren kovaryans kullanılmıştır. Test sinyallerinde 10-4 -64x10-4 aralığında RMSE ve 0.2x10-4 -38.3x10-4 aralığında kovaryans değerleri elde edilmiştir. Elde edilen RMSE değerleri YSA’nın başarılı olarak eğitildiğini, elde edilen kovaryans değerleri ise ayrıştırılmış sinyallerin birbirinden bağımsız olduğunu göstermiştir. Ayrıca 2 adet epileptik ve 2 adet normal EEG sinyali 16 ayrı gizli kaynağa kadar ayrıştırılmıştır. Dört örnekte de elde edilen başarı oranları önerilen metodun gizli kaynak ayrıştırmada başarıyla kullanılabileceğini göstermiştir.
Keywords : Gizli kaynak ayrıştırma, İşaret işleme, Aşırı Öğrenme Makineleri, Yapay Sinir Ağları