hazal/Turkish-Biomedical-corpus-trM · Datasets at Hugging Face

text stringlengths 7 4.73k
Anahtar kelimeler: Akciğer kanseri, Dalak aktivitesi, Sağ kalım, FDG PETBT, Nötrofil lenfosit oranı.
Böl., 10200, Bandırma, Balıkesir, Türkiye 2 Bandırma Onyedi Eylül Üniversitesi, Mühendislik ve Doğa Bilimleri Fakültesi, Elektronik ve Haberleşme Müh.
Yöntemler: MEG sinyallerini sınıflandırmak için Genelleştirilmiş Regresyon Sinir Ağı kullanılmıştır.
Riemannian yaklaşımı ile sinyallerin öznitelikleri çıkarılmış ve 10 katlı çapraz doğrulama tekniği ile GRSA’nın doğruluğu hesaplanmıştır.
Bulgular: Çalışmada 9 kız, 7 erkek bireye ait 306 kanaldan kaydedilen MEG verileri kullanılmıştır.
Her bireye yaklaşık 588 uyaran gösterilmiştir ve böylece tüm veri seti 9414 uyarandan oluşmaktadır.
Ortalama spesifite, ortalama duyarlılık ve ortalama sınıflandırma doğruluğu sırasıyla %75,43, %82,57 ve %79 olarak elde edilmiştir.
Bu çalışma ve aynı MEG veri setini kullanan diğer çalışmalar tarafından elde edilen sınıflandırma doğrulukları karşılaştırmalı olarak sunulmuştur.
Sonuç: GRSA’nın MEG sinyallerinin sınıflandırılmasında kullanılan mevcut yöntemlere başarılı bir alternatif oluşturduğu düşünülmektedir.
Anahtar kelimeler: Manyetoensefalografi Genelleştirilmiş regresyon sinir ağı, Sınıflandırma, Riemannian yaklaşımı.
GİRİŞ getiren arayüzü sistemdir.ile hale zihinsel Beyinbilgisayar insanmakine haberleşmesini aktivite olanaklı Sinir hücrelerinin elektrokimyasal etkileşimi sonucu ortaya çıkan beyin sinyallerinin kaydedilmesi, bu sistemler için en temel seviyedir1.
BBA tekniklerle alınan beyin sistemleri, çeşitli sinyallerinin ile gerçekleştirilmektedir.
Manyetoensefalografi , BBA sistemleri gerçekleştirmek için zihinsel kullanılan yöntemlerden biridir.
MEG, nöronal aktivite tarafından üretilen küçük manyetik alanların çoklu milisaniyede gerçekleştiren ve invazif olmayan fonksiyonel görüntüleme tekniğidir2.ölçümlerini aktivitenin tespitinde işlenmesi her İnsan beyni milisaniyeler mertebesinde görsel algılama hızına sahiptir ve bu mükemmel görsel sistematiğin nasıl çalıştığını anlamak nörobilim araştırmaları açısından önemlidir3.
Bireye bir uyaran gösterildiğinde, uyaran ve beyinde oluşan sinyal arasındaki ilişki, makine için öğrenmesi kullanılır.
MEG sinyalleri kullanılarak, eş zamanlı beyin aktivitesinden bireye sunulan algoritmaları geliştirmek 20 uyaranın tahmin edilmesinde, Yapay Sinir Ağları geliştirilen kullanılarak sınıflandırıcılar kullanılabilirler4.
MEG sınıflandırma sınıflandırma çalışmalarında bilgisayar işlemi eğitmek YSA, insan beyninin sistematiğinden esinlenen ve sıklıkla sistemleridir5.kullanılan gerçekleştirilirken Sınıflandırma sınıflandırıcıyı sınıflandırıcı ve doğruluğunu test etmek gerekmektedir.
MEG sinyallerinin karmaşıklığı, çevresel değişkenler ve beynin yapısından kaynaklanan fonksiyonel farklılıklar işlemini zorlaştırmaktadır4.görüntüleme tekniğinin kolay ulaşılamayan yapısı sebebiyle bu tekniğin kullanıldığı çalışmalar sınırlı sayıdadır4,612.
Sınıflandırıcının performansını iyi bir sınıflandırma artırmak algoritmasına hem de başarılı bir öznitelik çıkarım yöntemine ihtiyaç duyulmaktadır4.
Literatürde çok kanallı ve karmaşık yapıdaki özniteliklerinin beyin çıkarılmasında yöntemler kullanılmıştır13,15.
Öznitelik çıkarım yöntemleri rekabetçi arasında Riemannian yaklaşımı özelliğiyle öne çıkmaktadır15,16.sinyallerinin için hem çeşitli
Normal yüz ve anlamsız yüz örnekleri Özniteliklerin Belirlenmesi sunulmadan önce MEG verileri GRSA’ya sinyallerin örnekleme frekansı 250 Hz’e düşürülmüş ve bant geçiren filtre yardımıyla gürültüden arındırılmıştır2.
Filtreleme işlemi için 10.
Dereceden Butterworth 120 Hz bant geçiren filtre kullanılmıştır.
MEG sinyalleri çok kanallı olup hangi kanalların kritik bilgi içerdiğinin belirlenmesi önemlidir3.
Bu nedenle öznitelik çıkarma işleminin önemi büyüktür.
Konumsal filtreleme yardımıyla 306 olan kanal sayısı 8’e düşürülmüştür.
Daha sonra bu kanallardan alınan sinyallerden elde edilen kovaryans matrislerinin arasındaki Riemannian mesafesi20,21 hesaplanarak öznitelikler elde edilmiştir22.
Genelleştirilmiş Regresyon Sinir Ağı ile MEG Sinyallerinin Sınıflandırılması tahmin formun olduğunda gerçekleştir.sürekli regresyonlar Genelleştirilmiş regresyon sinir ağı, hedef değişkenler doğrusal Bu olmayan regresyon analizi, veri davranışını taklit eden fonksiyonel edilmesini gerektirir.
Çok boyutlu bir problemde, lineer olmayan regresyon analizi ile bu fonksiyonu seçmek zordur.
Donald Specht tarafından 1991 yılında önerilen GRSA algoritması, varsayılan bir işlevsel forma ihtiyaç duymadığından bu dezavantajı başarılı bir şekilde aşmaktadır23.
Geriye yayılım metodundan farklı olarak iteratif bir eğitim süreci gerektirmeyen GRSA, radyal tabanlı çalışan ileri beslemeli bir YSA Bu çalışma kapsamında, Specht tarafından önerilen Genelleştirilmiş Regresyon Sinir Ağı kullanılarak MATLAB programı vasıtasıyla MEG sinyalleri sınıflandırılmıştır.
Bu amaçla, Henson ve arkadaşları tarafından sunulan MEG veri setinden faydalanılmıştır17.
Öncelikle karmaşık ve çok kanallı MEG sinyali filtrelenmiş ve gürültüden sonra Riemannian yaklaşımı15,16 kullanılarak öznitelik çıkarım işlemi gerçekleştirilmiş, çok kanallı MEG sinyallerinin boyutu azaltılmıştır.10 katlı çapraz doğrulama ağının doğruluğunu hesaplamak için kullanılmıştır18.
Elde edilen sonuçlar, aynı MEG veri setini kullanan ile karşılaştırılmıştır.tekniği GRSA arındırılmıştır.yöntemler önceki Daha YÖNTEMLER Manyetoensefalografi Veri Seti yarışması tarafından “Dec2Meg2014”19 kapsamında yeniden düzenlenen MEG veri seti Henson ve sunulmuştur17.
Bu arkadaşları yarışmada amaç, bireye sunulan görsel uyaranın sınıfının beyin aktivitesinden tahmin edilmesidir.9’u kız, 7’si erkek toplam 16 bireye sıradan kişilerin yüzleri, ünlü kişilerin yüzleri ve bu resimlerin anlamsız halleri olmak üzere 3 farklı uyaran gösterilmiş ve 306 kanaldan MEG sinyalleri kaydedilmiştir.düzenledikleri Bu çalışmada, MEG veri seti Olivetti ve şekliyle arkadaşlarının kullanılmıştır.
Yapılan düzenlemeyle resimler normal yüz ve anlamsız yüz olmak üzere iki sınıfa ayrılmıştır2.
Veri seti hakkında daha referanstan detaylı bilgi edinilebilir.
numaralı Normal yüz ya da anlamsız yüzlerden oluşan yaklaşık 588 resim, 16 bireye rastgele ve seri şekilde 1 saniye boyunca gösterilmiş ve bireyler her bir resimden sonra 0,5 saniye dinlendirilmiştir.16 bireye toplamda 9414 resim gösterilmiştir.
Çetin O., Temurtaş F. modelidir24.‘F’ giriş vektörü için GRSA çıkışı ‘Y’ şu şekilde hesaplanır; 𝑌 = ∑ 𝑊𝑖 𝑒𝑥𝑝 2𝐷𝑖2𝜎2]Bu denklemde, n gözlenen örnek sayısını; Di2=T mesafe fonksiyonunu; Fi örnek değerlerini ve Wi ağırlık değerlerini; σ ise yayılım parametresini ifade etmektedir.
Sınıflandırmada kullanılan GRSA yapısının şematik gösterimi GRSA, her biri bir sonraki katmanla bağlantılı olmak üzere giriş katmanı, örüntü katmanı, toplama katmanı ve çıkış katmanı olmak üzere dört katmandan oluşmaktadır.
Bu dört katmandan her biri farklı sayılarda nörona sahiptir.
Giriş katmanındaki nöronların sayısı bağımsız değişkenlerin sayısına eşittir.
Eğitim veri setindeki her örnek veri için örüntü katmanında bir adet nöron ilişkilendirilmesi sebebiyle işlem sayısı artmaktadır.
Eğitim esnasında, giriş vektörünün her bir giriş nöronu için Öklid mesafesi hesaplanır.
Her bir giriş nöronundan gelen mesafeler, doğrusal olmayan üstel bir aktivasyon fonksiyonuna bir düzeltme parametresi ile beslenir.
Ortaya çıkan değerler toplama katmanına aktarılır.
Toplama katmanı, pay ve payda adı verilen iki nöron içerir.
Payda nöronu, örüntü katmanının çıktılarının toplamını hesaplar.
Pay nöronu ise örüntü katmanı çıktıları ile her eğitim verisinin beklenen değerlerini vektör arasındaki nokta çarpımı hesaplar.
Çıkış katmanında pay nöronundan gelen değer, payda nöronundan gelen değere bölünerek tahmini değer bulunur23,24.içeren bir Sınıflandırma Doğruluğu belirlemek performansını için Sistem performans ölçütlerinden değerlendirme faydalanılmaktadır.
Spesifite ve duyarlılık şu şekilde hesaplanmaktadır; parametresini doğrulama , 𝑆𝑝𝑒𝑠𝑖𝑓𝑖𝑡𝑒 = 𝑇𝑁𝑇𝑁 + 𝐹𝑃𝑇𝑃𝑇𝑃 + 𝐹𝑁𝐷𝑢𝑦𝑎𝑟𝑙𝚤𝑙𝚤𝑘 = Burada; • Yanlış pozitif : Anlamsız yüzlerin, normal yüz olarak sınıflandırma karar sayısı.• Yanlış negatif : Normal yüzlerin, anlamsız yüz olarak sınıflandırma karar sayısı.• Gerçek pozitif : Normal yüzlerin, normal yüz olarak sınıflandırma karar sayısı.22
Aynı zamanda duyarlılığın yüksek olması normal yüzün anlamsız yüze edildiği göre daha anlamına ayırt gelmektedir.
Ortalama spesifite, ortalama duyarlılık ve ortalama sınıflandırma doğruluğu sırasıyla %75,43, %82,57 ve %79 olarak elde edilmiştir.iyi Aynı MEG verisini kullanan yöntemler ve bu çalışma tarafından elde edilen sınıflandırma doğrulukları karşılaştırmalı olarak 2’de gösterilmiştir.ve 2’den de görüldüğü gibi Abdullah Çalışkan kullandıkları arkadaşları algoritmalar ile %68,36 ile %80,85 arasında elde değişen etmişlerdir3.
En iyi performansı Derin Sinir Ağı gösterirken en sınıflandırma doğrulukları • Gerçek negatif : Anlamsız yüzlerin, anlamsız yüz olarak sınıflandırma karar sayısı.
Kkatlı Çapraz Doğrulama GRSA ağının için veri Sistem doğruluğunun sınanması kümesi, eğitim kümesi ve test kümesi olmak iki parçaya ayrılmaktadır.
Çalışma üzere doğruluğu içerisinde hesaplanırken Kkatlı çapraz doğrulama tekniği kullanılmıştır.‘k’ parametresi, veri setinin eşit büyüklükte kaç alt kümeye bölüneceğini belirtmektedir.
Veri seti sınıflara ayrılır ve sonrasında sınıflandırma algoritması kkez eğitilir ve test edilir.
Her defasında k adet kümeden bir tanesi test işlemi için ayrılmakta ve geriye kalan k1 küme sınıflandırıcının eğitimi için kullanılmaktadır.
Böylece, k adım sonunda elde edilen kfarklı test sonucunun sınıflandırma ortalaması doğruluğu elde edilmektedir27.
Bu çalışmada GRSA ağının doğruluğunu hesaplamak amacıyla tekniği 10katlı kullanılmıştır18.doğrulama alınarak çapraz genel SONUÇLAR Bu çalışmada, 16 bireye ait 306 kanaldan kaydedilen MEG verileri kullanılmıştır.
Her bir bireye yaklaşık 588 uyaran olmak üzere toplam 9414 uyaran gösterilmiştir.
Gürültü içeren MEG sinyalleri filtrelenip gürültüden arındırılmış ve öznitelikleri elde edilmiştir.2176 özniteliğe sahip 9414 uyaran rastgele GRSA ağına GRSA sunulmuştur.kullanılarak MEG sinyalinin “normal yüz” ya da “anlamsız yüz” sınıflarından hangisine ait olduğunun belirlenmesidir.
Çalışmanın amacı, çapraz tekniği doğrulama 10katlı ile sınıflandırıcının doğruluğu sınanmıştır.
Bu amaçla veri seti 10 eşit parçaya bölünmüştür.
GRSA toplamda 10 kere eğitilip test edilmiş, her defasında parçalardan biri test işlemine ayrılıp geriye kalan 9 parça ağın eğitimi için kullanılmıştır.10 parça için elde edilen doğrulukların ortalaması alınarak sınıflandırma doğruluğu elde edilmiştir.
Çetin O., Temurtaş F. yapısı göstermiştir.
Çetin ve çalışmada öğrenmeli Temurtaş yaptıkları Vector kuantalama vektör QuantizationLVQ) kullanmışlar ve %69,39 sınıflandırma doğruluğu elde etmişlerdir4.
Bu sinyallerinin çalışma sınıflandırılmasında daha başarımı olan GRSA incelenmemiş kullanılmıştır.
Bu amaçla GRSA algoritması MATLAB programı üzerinde çalıştırılmıştır.10ile doğrulama çapraz katlı sınıflandırıcının sınanmış, performans değerlendirme ölçütleri olan spesifite ve duyarlılık da hesaplanmıştır.
GRSA, literatürde sınıflandırma işlemi için sıklıkla kullanılan SVM ve K En Yakın Komşu yöntemleri ile kıyaslandığında daha başarılı ve kullanımı gün geçtikçe artan fakat gerçekleştirilmesi yazılım kütüphanelerinin yaygın olmaması nedeniyle doğruluğu tekniği 24 uzmanlık gerektiren DNN yapısına yakın sonuç vermiştir.
Buradan yola çıkarak, GRSA’nın MEG sinyallerinin sınıflandırılmasında kullanılan mevcut yöntemler için başarılı bir alternatif oluşturduğu düşünülmektedir.
Çıkar Çatışması Beyanı: Yazarlar çıkar çatışması olmadığını bildirmişlerdir.
Finansal Destek: Bu çalışma her hangi bir fon tarafından desteklenmemiştir.
The high average MIC values of tigecycline in MRCoNS infections should also be monitored carefully Keywords: Methicillinresistant staphylococci, MIC, Etest, VISA/Hvisa Erişkin Yoğun Bakım Ünitelerinden İzole Edilen Metisiline Dirençli Staphylococcus Suşlarında ETest ile Farklı Antibiyotik MİK Değerlerinin Araştırılması Öz Giriş: Hastane enfeksiyonları morbidite ve mortalitesinin yüksek olması, hastanede kalış süresini uzatması ve yüksek tedavi maliyeti nedeniyle önemli bir sağlık sorunudur.
Son yıllarda özellikle Yoğun Bakım Ünite ’leri başta olmak üzere hastane enfeksiyonlarında en sık izole edilen etkenlerin başında metisiline dirençli stafilokok türleri gelmektedir.
Antibiyotiğin minimum inhibisyon konsantrasyon değeri, enfeksiyon bölgesinde bakteriyi inhibe etmek için gereksinim duyulan antibiyotik konsantrasyonudur.
Metisilin dirençli Staphylococcus aureus ve Metisilin dirençli Koagulaz Negatif Stafilokok enfeksiyonlarında, özellikle uzun süreli tedaviler esnasında MİK değerlerinin dikkatle izlenmesi gereklidir1,2.
Metisiline dirençli stafilokoklarda gittikçe artan antibiyotik direnci, farklı antibiyotiklere ihtiyaç duyulmasına neden olmuştur.
Yöntemler: Çalışmada Dicle Üniversitesi Hastanesi Mikrobiyoloji Laboratuvarı’na Nisan 2013Mart 2014 tarihleri arasında erişkin yoğun bakım ünitelerinden gelen metisiline dirençli 60 stafilokok suşu kullanılmıştır.
Konvansiyonel ve otomatize sistem ile tür tayini yapıldıktan sonra Etest yöntemi ile vankomisin, teikoplanin, daptomisin, linezolid, kinupristin/dalfopristin, tigesiklin, seftarolin antibiyotiklerine duyarlılıkları araştırılmıştır.
Bulgular: Göğüs Hastalıkları ve Tüberküloz yoğun bakım ünitesi, en fazla örneğin gönderildiği klinik, kan örnekleri mikroorganizmaların en sık izole edildiği materyal olmuştur.
Çalışmamızdaki tüm stafilokok suşları vankomisin, daptomisin, linezolid, teikoplanin ve tigesikline karşı duyarlı bulunmuştur.
Bir MRKNS, kinupristin/dalfopristin’e, 11 MRSA izolatının seftaroline dirençli olduğu bulunmuştur.
MRSA ve MRKNS suşlarının MİK değerleri karşılaştırıldığında sadece tigesiklinde anlamlı fark bulunmuştur.
Makro Etest yöntemi ile incelenen 30 MRSA suşu içerisinde vankomisine orta duyarlı S. aureus/ heterojen vankomisine orta duyarlı S. aureus suşlar tespit edilmemiştir.
MRSA ve MRKNS suşlarının MİK değerleri karşılaştırıldığında sadece tigesiklinde anlamlı fark bulunmuştur.30 MRSA suşu, makro Etest yöntemi ile Vankomisine orta duyarlı S. aureus/heterojen vankomisine orta duyarlı S. aureus açısından değerlendirilmiş, VISA/hVISA suşu tespit edilmemiştir.
Antibiyotik MİK değerinin altındaki tedavi dozları, mutant bakterilerin oluşumunda önemli bir faktör olmakla birlikte tedavi başarısızlığına yol açmaktadır.
MRSA ve MRKNS etkenlerine bağlı enfeksiyonların tedavisinde antibiyotiklere 52
İnvitro olarak vankomisine duyarlı olan ancak tedavi başarısızlığı gösteren MRSA enfeksiyonlarında VISA/hVISA akla gelmeli ve bu yönde ileri tetkikler yapılmalıdır.
Seftarolin, ülkemizde kullanılan bir ilaç olmamasına rağmen çalışmamızda yüksek direnç oranı dikkat çekicidir.
Bu durum, diğer beta laktam antibiyotiklerin yoğun kullanımına bağlı olabilir.
Dolayısıyla enfeksiyon hastalıklarının tedavisi planlanırken antibiyogram sonuçları mutlaka göz önünde bulundurulmalıdır.
MRKNS enfeksiyonlarında tigesiklindeki ortalama MİK değerinin yüksekliği, izlenmesi gereken bir durumdur.
Hastaların önemli bir bölümünde iyi bir anamnez ve fizik muayene ile etyoloji aydınlatılabilir.
Hayatı tehdit eden göğüs ağrısı nedenlerinin sıklığı azdır.
Bu çalışmada çocuklarda göğüs ağrısı nedenleri araştırılmış ve ayırıcı tanıda göz önünde bulundurulması gereken patolojilere dikkat çekilmiştir.
Yöntemler: Çalışmaya Çocuk Kardiyoloji Polikliniğine 1 Ekim 2017 1 Aralık 2017 tarihleri arasında göğüs ağrısı şikayeti ile başvuran 134 hasta alındı.
Hastaların dosya kayıtlarından ayrıntılı anamnezleri ve detaylı fizik muayane kayıtları incelendi ve etyolojiye yönelik incelemeler değerlendirildi.
Bulgular: Hastaların yaşı 12,7±3,2 yıl olup 78‘i erkekti.

Anahtar kelimeler: Akciğer kanseri, Dalak aktivitesi, Sağ kalım, FDG PETBT, Nötrofil lenfosit oranı.

Böl., 10200, Bandırma, Balıkesir, Türkiye 2 Bandırma Onyedi Eylül Üniversitesi, Mühendislik ve Doğa Bilimleri Fakültesi, Elektronik ve Haberleşme Müh.

Yöntemler: MEG sinyallerini sınıflandırmak için Genelleştirilmiş Regresyon Sinir Ağı kullanılmıştır.

Riemannian yaklaşımı ile sinyallerin öznitelikleri çıkarılmış ve 10 katlı çapraz doğrulama tekniği ile GRSA’nın doğruluğu hesaplanmıştır.

Bulgular: Çalışmada 9 kız, 7 erkek bireye ait 306 kanaldan kaydedilen MEG verileri kullanılmıştır.

Her bireye yaklaşık 588 uyaran gösterilmiştir ve böylece tüm veri seti 9414 uyarandan oluşmaktadır.

Ortalama spesifite, ortalama duyarlılık ve ortalama sınıflandırma doğruluğu sırasıyla %75,43, %82,57 ve %79 olarak elde edilmiştir.

Bu çalışma ve aynı MEG veri setini kullanan diğer çalışmalar tarafından elde edilen sınıflandırma doğrulukları karşılaştırmalı olarak sunulmuştur.

Sonuç: GRSA’nın MEG sinyallerinin sınıflandırılmasında kullanılan mevcut yöntemlere başarılı bir alternatif oluşturduğu düşünülmektedir.

Anahtar kelimeler: Manyetoensefalografi Genelleştirilmiş regresyon sinir ağı, Sınıflandırma, Riemannian yaklaşımı.

GİRİŞ getiren arayüzü sistemdir.ile hale zihinsel Beyinbilgisayar insanmakine haberleşmesini aktivite olanaklı Sinir hücrelerinin elektrokimyasal etkileşimi sonucu ortaya çıkan beyin sinyallerinin kaydedilmesi, bu sistemler için en temel seviyedir1.

BBA tekniklerle alınan beyin sistemleri, çeşitli sinyallerinin ile gerçekleştirilmektedir.

Manyetoensefalografi , BBA sistemleri gerçekleştirmek için zihinsel kullanılan yöntemlerden biridir.

MEG, nöronal aktivite tarafından üretilen küçük manyetik alanların çoklu milisaniyede gerçekleştiren ve invazif olmayan fonksiyonel görüntüleme tekniğidir2.ölçümlerini aktivitenin tespitinde işlenmesi her İnsan beyni milisaniyeler mertebesinde görsel algılama hızına sahiptir ve bu mükemmel görsel sistematiğin nasıl çalıştığını anlamak nörobilim araştırmaları açısından önemlidir3.

Bireye bir uyaran gösterildiğinde, uyaran ve beyinde oluşan sinyal arasındaki ilişki, makine için öğrenmesi kullanılır.

MEG sinyalleri kullanılarak, eş zamanlı beyin aktivitesinden bireye sunulan algoritmaları geliştirmek 20 uyaranın tahmin edilmesinde, Yapay Sinir Ağları geliştirilen kullanılarak sınıflandırıcılar kullanılabilirler4.

MEG sınıflandırma sınıflandırma çalışmalarında bilgisayar işlemi eğitmek YSA, insan beyninin sistematiğinden esinlenen ve sıklıkla sistemleridir5.kullanılan gerçekleştirilirken Sınıflandırma sınıflandırıcıyı sınıflandırıcı ve doğruluğunu test etmek gerekmektedir.

MEG sinyallerinin karmaşıklığı, çevresel değişkenler ve beynin yapısından kaynaklanan fonksiyonel farklılıklar işlemini zorlaştırmaktadır4.görüntüleme tekniğinin kolay ulaşılamayan yapısı sebebiyle bu tekniğin kullanıldığı çalışmalar sınırlı sayıdadır4,612.

Sınıflandırıcının performansını iyi bir sınıflandırma artırmak algoritmasına hem de başarılı bir öznitelik çıkarım yöntemine ihtiyaç duyulmaktadır4.

Literatürde çok kanallı ve karmaşık yapıdaki özniteliklerinin beyin çıkarılmasında yöntemler kullanılmıştır13,15.

Öznitelik çıkarım yöntemleri rekabetçi arasında Riemannian yaklaşımı özelliğiyle öne çıkmaktadır15,16.sinyallerinin için hem çeşitli

Normal yüz ve anlamsız yüz örnekleri Özniteliklerin Belirlenmesi sunulmadan önce MEG verileri GRSA’ya sinyallerin örnekleme frekansı 250 Hz’e düşürülmüş ve bant geçiren filtre yardımıyla gürültüden arındırılmıştır2.

Filtreleme işlemi için 10.

Dereceden Butterworth 120 Hz bant geçiren filtre kullanılmıştır.

MEG sinyalleri çok kanallı olup hangi kanalların kritik bilgi içerdiğinin belirlenmesi önemlidir3.

Bu nedenle öznitelik çıkarma işleminin önemi büyüktür.

Konumsal filtreleme yardımıyla 306 olan kanal sayısı 8’e düşürülmüştür.

Daha sonra bu kanallardan alınan sinyallerden elde edilen kovaryans matrislerinin arasındaki Riemannian mesafesi20,21 hesaplanarak öznitelikler elde edilmiştir22.

Genelleştirilmiş Regresyon Sinir Ağı ile MEG Sinyallerinin Sınıflandırılması tahmin formun olduğunda gerçekleştir.sürekli regresyonlar Genelleştirilmiş regresyon sinir ağı, hedef değişkenler doğrusal Bu olmayan regresyon analizi, veri davranışını taklit eden fonksiyonel edilmesini gerektirir.

Çok boyutlu bir problemde, lineer olmayan regresyon analizi ile bu fonksiyonu seçmek zordur.

Donald Specht tarafından 1991 yılında önerilen GRSA algoritması, varsayılan bir işlevsel forma ihtiyaç duymadığından bu dezavantajı başarılı bir şekilde aşmaktadır23.

Geriye yayılım metodundan farklı olarak iteratif bir eğitim süreci gerektirmeyen GRSA, radyal tabanlı çalışan ileri beslemeli bir YSA Bu çalışma kapsamında, Specht tarafından önerilen Genelleştirilmiş Regresyon Sinir Ağı kullanılarak MATLAB programı vasıtasıyla MEG sinyalleri sınıflandırılmıştır.

Bu amaçla, Henson ve arkadaşları tarafından sunulan MEG veri setinden faydalanılmıştır17.

Öncelikle karmaşık ve çok kanallı MEG sinyali filtrelenmiş ve gürültüden sonra Riemannian yaklaşımı15,16 kullanılarak öznitelik çıkarım işlemi gerçekleştirilmiş, çok kanallı MEG sinyallerinin boyutu azaltılmıştır.10 katlı çapraz doğrulama ağının doğruluğunu hesaplamak için kullanılmıştır18.

Elde edilen sonuçlar, aynı MEG veri setini kullanan ile karşılaştırılmıştır.tekniği GRSA arındırılmıştır.yöntemler önceki Daha YÖNTEMLER Manyetoensefalografi Veri Seti yarışması tarafından “Dec2Meg2014”19 kapsamında yeniden düzenlenen MEG veri seti Henson ve sunulmuştur17.

Bu arkadaşları yarışmada amaç, bireye sunulan görsel uyaranın sınıfının beyin aktivitesinden tahmin edilmesidir.9’u kız, 7’si erkek toplam 16 bireye sıradan kişilerin yüzleri, ünlü kişilerin yüzleri ve bu resimlerin anlamsız halleri olmak üzere 3 farklı uyaran gösterilmiş ve 306 kanaldan MEG sinyalleri kaydedilmiştir.düzenledikleri Bu çalışmada, MEG veri seti Olivetti ve şekliyle arkadaşlarının kullanılmıştır.

Yapılan düzenlemeyle resimler normal yüz ve anlamsız yüz olmak üzere iki sınıfa ayrılmıştır2.

Veri seti hakkında daha referanstan detaylı bilgi edinilebilir.

numaralı Normal yüz ya da anlamsız yüzlerden oluşan yaklaşık 588 resim, 16 bireye rastgele ve seri şekilde 1 saniye boyunca gösterilmiş ve bireyler her bir resimden sonra 0,5 saniye dinlendirilmiştir.16 bireye toplamda 9414 resim gösterilmiştir.

Çetin O., Temurtaş F. modelidir24.‘F’ giriş vektörü için GRSA çıkışı ‘Y’ şu şekilde hesaplanır; 𝑌 = ∑ 𝑊𝑖 𝑒𝑥𝑝 2𝐷𝑖2𝜎2]Bu denklemde, n gözlenen örnek sayısını; Di2=T mesafe fonksiyonunu; Fi örnek değerlerini ve Wi ağırlık değerlerini; σ ise yayılım parametresini ifade etmektedir.

Sınıflandırmada kullanılan GRSA yapısının şematik gösterimi GRSA, her biri bir sonraki katmanla bağlantılı olmak üzere giriş katmanı, örüntü katmanı, toplama katmanı ve çıkış katmanı olmak üzere dört katmandan oluşmaktadır.

Bu dört katmandan her biri farklı sayılarda nörona sahiptir.

Giriş katmanındaki nöronların sayısı bağımsız değişkenlerin sayısına eşittir.

Eğitim veri setindeki her örnek veri için örüntü katmanında bir adet nöron ilişkilendirilmesi sebebiyle işlem sayısı artmaktadır.

Eğitim esnasında, giriş vektörünün her bir giriş nöronu için Öklid mesafesi hesaplanır.

Her bir giriş nöronundan gelen mesafeler, doğrusal olmayan üstel bir aktivasyon fonksiyonuna bir düzeltme parametresi ile beslenir.

Ortaya çıkan değerler toplama katmanına aktarılır.

Toplama katmanı, pay ve payda adı verilen iki nöron içerir.

Payda nöronu, örüntü katmanının çıktılarının toplamını hesaplar.

Pay nöronu ise örüntü katmanı çıktıları ile her eğitim verisinin beklenen değerlerini vektör arasındaki nokta çarpımı hesaplar.

Çıkış katmanında pay nöronundan gelen değer, payda nöronundan gelen değere bölünerek tahmini değer bulunur23,24.içeren bir Sınıflandırma Doğruluğu belirlemek performansını için Sistem performans ölçütlerinden değerlendirme faydalanılmaktadır.

Spesifite ve duyarlılık şu şekilde hesaplanmaktadır; parametresini doğrulama , 𝑆𝑝𝑒𝑠𝑖𝑓𝑖𝑡𝑒 = 𝑇𝑁𝑇𝑁 + 𝐹𝑃𝑇𝑃𝑇𝑃 + 𝐹𝑁𝐷𝑢𝑦𝑎𝑟𝑙𝚤𝑙𝚤𝑘 = Burada; • Yanlış pozitif : Anlamsız yüzlerin, normal yüz olarak sınıflandırma karar sayısı.• Yanlış negatif : Normal yüzlerin, anlamsız yüz olarak sınıflandırma karar sayısı.• Gerçek pozitif : Normal yüzlerin, normal yüz olarak sınıflandırma karar sayısı.22

Aynı zamanda duyarlılığın yüksek olması normal yüzün anlamsız yüze edildiği göre daha anlamına ayırt gelmektedir.

Ortalama spesifite, ortalama duyarlılık ve ortalama sınıflandırma doğruluğu sırasıyla %75,43, %82,57 ve %79 olarak elde edilmiştir.iyi Aynı MEG verisini kullanan yöntemler ve bu çalışma tarafından elde edilen sınıflandırma doğrulukları karşılaştırmalı olarak 2’de gösterilmiştir.ve 2’den de görüldüğü gibi Abdullah Çalışkan kullandıkları arkadaşları algoritmalar ile %68,36 ile %80,85 arasında elde değişen etmişlerdir3.

En iyi performansı Derin Sinir Ağı gösterirken en sınıflandırma doğrulukları • Gerçek negatif : Anlamsız yüzlerin, anlamsız yüz olarak sınıflandırma karar sayısı.

Kkatlı Çapraz Doğrulama GRSA ağının için veri Sistem doğruluğunun sınanması kümesi, eğitim kümesi ve test kümesi olmak iki parçaya ayrılmaktadır.

Çalışma üzere doğruluğu içerisinde hesaplanırken Kkatlı çapraz doğrulama tekniği kullanılmıştır.‘k’ parametresi, veri setinin eşit büyüklükte kaç alt kümeye bölüneceğini belirtmektedir.

Veri seti sınıflara ayrılır ve sonrasında sınıflandırma algoritması kkez eğitilir ve test edilir.

Her defasında k adet kümeden bir tanesi test işlemi için ayrılmakta ve geriye kalan k1 küme sınıflandırıcının eğitimi için kullanılmaktadır.

Böylece, k adım sonunda elde edilen kfarklı test sonucunun sınıflandırma ortalaması doğruluğu elde edilmektedir27.

Bu çalışmada GRSA ağının doğruluğunu hesaplamak amacıyla tekniği 10katlı kullanılmıştır18.doğrulama alınarak çapraz genel SONUÇLAR Bu çalışmada, 16 bireye ait 306 kanaldan kaydedilen MEG verileri kullanılmıştır.

Her bir bireye yaklaşık 588 uyaran olmak üzere toplam 9414 uyaran gösterilmiştir.

Gürültü içeren MEG sinyalleri filtrelenip gürültüden arındırılmış ve öznitelikleri elde edilmiştir.2176 özniteliğe sahip 9414 uyaran rastgele GRSA ağına GRSA sunulmuştur.kullanılarak MEG sinyalinin “normal yüz” ya da “anlamsız yüz” sınıflarından hangisine ait olduğunun belirlenmesidir.

Çalışmanın amacı, çapraz tekniği doğrulama 10katlı ile sınıflandırıcının doğruluğu sınanmıştır.

Bu amaçla veri seti 10 eşit parçaya bölünmüştür.

GRSA toplamda 10 kere eğitilip test edilmiş, her defasında parçalardan biri test işlemine ayrılıp geriye kalan 9 parça ağın eğitimi için kullanılmıştır.10 parça için elde edilen doğrulukların ortalaması alınarak sınıflandırma doğruluğu elde edilmiştir.

Çetin O., Temurtaş F. yapısı göstermiştir.

Çetin ve çalışmada öğrenmeli Temurtaş yaptıkları Vector kuantalama vektör QuantizationLVQ) kullanmışlar ve %69,39 sınıflandırma doğruluğu elde etmişlerdir4.

Bu sinyallerinin çalışma sınıflandırılmasında daha başarımı olan GRSA incelenmemiş kullanılmıştır.

Bu amaçla GRSA algoritması MATLAB programı üzerinde çalıştırılmıştır.10ile doğrulama çapraz katlı sınıflandırıcının sınanmış, performans değerlendirme ölçütleri olan spesifite ve duyarlılık da hesaplanmıştır.

GRSA, literatürde sınıflandırma işlemi için sıklıkla kullanılan SVM ve K En Yakın Komşu yöntemleri ile kıyaslandığında daha başarılı ve kullanımı gün geçtikçe artan fakat gerçekleştirilmesi yazılım kütüphanelerinin yaygın olmaması nedeniyle doğruluğu tekniği 24 uzmanlık gerektiren DNN yapısına yakın sonuç vermiştir.

Buradan yola çıkarak, GRSA’nın MEG sinyallerinin sınıflandırılmasında kullanılan mevcut yöntemler için başarılı bir alternatif oluşturduğu düşünülmektedir.

Çıkar Çatışması Beyanı: Yazarlar çıkar çatışması olmadığını bildirmişlerdir.

Finansal Destek: Bu çalışma her hangi bir fon tarafından desteklenmemiştir.

The high average MIC values of tigecycline in MRCoNS infections should also be monitored carefully Keywords: Methicillinresistant staphylococci, MIC, Etest, VISA/Hvisa Erişkin Yoğun Bakım Ünitelerinden İzole Edilen Metisiline Dirençli Staphylococcus Suşlarında ETest ile Farklı Antibiyotik MİK Değerlerinin Araştırılması Öz Giriş: Hastane enfeksiyonları morbidite ve mortalitesinin yüksek olması, hastanede kalış süresini uzatması ve yüksek tedavi maliyeti nedeniyle önemli bir sağlık sorunudur.

Son yıllarda özellikle Yoğun Bakım Ünite ’leri başta olmak üzere hastane enfeksiyonlarında en sık izole edilen etkenlerin başında metisiline dirençli stafilokok türleri gelmektedir.

Antibiyotiğin minimum inhibisyon konsantrasyon değeri, enfeksiyon bölgesinde bakteriyi inhibe etmek için gereksinim duyulan antibiyotik konsantrasyonudur.

Metisilin dirençli Staphylococcus aureus ve Metisilin dirençli Koagulaz Negatif Stafilokok enfeksiyonlarında, özellikle uzun süreli tedaviler esnasında MİK değerlerinin dikkatle izlenmesi gereklidir1,2.

Metisiline dirençli stafilokoklarda gittikçe artan antibiyotik direnci, farklı antibiyotiklere ihtiyaç duyulmasına neden olmuştur.

Yöntemler: Çalışmada Dicle Üniversitesi Hastanesi Mikrobiyoloji Laboratuvarı’na Nisan 2013Mart 2014 tarihleri arasında erişkin yoğun bakım ünitelerinden gelen metisiline dirençli 60 stafilokok suşu kullanılmıştır.

Konvansiyonel ve otomatize sistem ile tür tayini yapıldıktan sonra Etest yöntemi ile vankomisin, teikoplanin, daptomisin, linezolid, kinupristin/dalfopristin, tigesiklin, seftarolin antibiyotiklerine duyarlılıkları araştırılmıştır.

Bulgular: Göğüs Hastalıkları ve Tüberküloz yoğun bakım ünitesi, en fazla örneğin gönderildiği klinik, kan örnekleri mikroorganizmaların en sık izole edildiği materyal olmuştur.

Çalışmamızdaki tüm stafilokok suşları vankomisin, daptomisin, linezolid, teikoplanin ve tigesikline karşı duyarlı bulunmuştur.

Bir MRKNS, kinupristin/dalfopristin’e, 11 MRSA izolatının seftaroline dirençli olduğu bulunmuştur.

MRSA ve MRKNS suşlarının MİK değerleri karşılaştırıldığında sadece tigesiklinde anlamlı fark bulunmuştur.

Makro Etest yöntemi ile incelenen 30 MRSA suşu içerisinde vankomisine orta duyarlı S. aureus/ heterojen vankomisine orta duyarlı S. aureus suşlar tespit edilmemiştir.

MRSA ve MRKNS suşlarının MİK değerleri karşılaştırıldığında sadece tigesiklinde anlamlı fark bulunmuştur.30 MRSA suşu, makro Etest yöntemi ile Vankomisine orta duyarlı S. aureus/heterojen vankomisine orta duyarlı S. aureus açısından değerlendirilmiş, VISA/hVISA suşu tespit edilmemiştir.

Antibiyotik MİK değerinin altındaki tedavi dozları, mutant bakterilerin oluşumunda önemli bir faktör olmakla birlikte tedavi başarısızlığına yol açmaktadır.

MRSA ve MRKNS etkenlerine bağlı enfeksiyonların tedavisinde antibiyotiklere 52

İnvitro olarak vankomisine duyarlı olan ancak tedavi başarısızlığı gösteren MRSA enfeksiyonlarında VISA/hVISA akla gelmeli ve bu yönde ileri tetkikler yapılmalıdır.

Seftarolin, ülkemizde kullanılan bir ilaç olmamasına rağmen çalışmamızda yüksek direnç oranı dikkat çekicidir.

Bu durum, diğer beta laktam antibiyotiklerin yoğun kullanımına bağlı olabilir.

Dolayısıyla enfeksiyon hastalıklarının tedavisi planlanırken antibiyogram sonuçları mutlaka göz önünde bulundurulmalıdır.

MRKNS enfeksiyonlarında tigesiklindeki ortalama MİK değerinin yüksekliği, izlenmesi gereken bir durumdur.

Hastaların önemli bir bölümünde iyi bir anamnez ve fizik muayene ile etyoloji aydınlatılabilir.

Hayatı tehdit eden göğüs ağrısı nedenlerinin sıklığı azdır.

Bu çalışmada çocuklarda göğüs ağrısı nedenleri araştırılmış ve ayırıcı tanıda göz önünde bulundurulması gereken patolojilere dikkat çekilmiştir.

Yöntemler: Çalışmaya Çocuk Kardiyoloji Polikliniğine 1 Ekim 2017 1 Aralık 2017 tarihleri arasında göğüs ağrısı şikayeti ile başvuran 134 hasta alındı.

Hastaların dosya kayıtlarından ayrıntılı anamnezleri ve detaylı fizik muayane kayıtları incelendi ve etyolojiye yönelik incelemeler değerlendirildi.

Bulgular: Hastaların yaşı 12,7±3,2 yıl olup 78‘i erkekti.