DERİN ÖZELLİKLER KULLANILARAK BEBEKLER İÇİN ANOMALİ TESPİTİ

II. INTERNATIONAL ANKARA MULTIDISCIPLINARY STUDIES CONGRESS, Ankara, Türkiye, 7 - 08 Haziran 2021, ss.13-20

Yayın Türü: Bildiri / Tam Metin Bildiri
Basıldığı Şehir: Ankara
Basıldığı Ülke: Türkiye
Sayfa Sayıları: ss.13-20
Erciyes Üniversitesi Adresli: Evet

Bebekler doğuma kadar, solunum, beslenme ve bağışıklık gibi durumlarda anneye bağımlıdır. Doğumdan sonra bebeklerin vücut sistemleri dış ortama adapte olacak şekilde gelişmeye başlar. Solunum, yetişkin insanlarda olduğu gibi bebekler için de hayati öneme sahip yaşamsal faaliyettir. Nefessiz kalma durumu bebeklerde kalıcı hasarlara ve hatta ölümlere sebebiyet vermektedir. Bebeklerin sağlığı açısından bu kadar hassas olan bu alanda araştırmacılar yoğun çalışmalar gerçekleştirmektedir. Normal ve anormal durumun tespit edildiği bu alan için klasik makine öğrenmesi ve derin öğrenme tabanlı yöntemler sınıflandırıcı olarak belirlenmektedir.

Ön eğitimli evrişimli sinir ağı modelleri sınıflandırma, transfer öğrenme ve özellik çıkarıcı olarak kullanılmaktadır. Özellik çıkarıcı olarak kullanılan bu modeller aracılığı ile elde edilen derin özellikler çoğunlukla klasik makine öğrenmesi algoritmaları ile sınıflandırılmaktadır.

Bu çalışmada, bebeğin nefessiz kalma durumunu ortaya çıkarabilecek ağlama, morarma ve kusma gibi durumları anomali olarak tespit eden bir derin öğrenme tabanlı metot önerilmiştir. Bu metotta, ön eğitimli derin öğrenme modelinden özellik çıkarımı ile elde edilen özellikler kullanılarak destek vektör makineleri algoritması ile sınıflandırma gerçekleştirilmiştir. Özellik çıkarma için kullanılan 4 farklı ön eğitimli modelden dolayı önerilen yöntemin 4 varyantı (Metot1, Metot2, Metot3 ve Metot4) oluşturulmuştur. Deneysel sonuçlara göre AlexNet evrişimli sinir ağı ön eğitimli modelin kullanıldığı Metot4 ile en başarılı sonuca ulaşılmış olup %80,54'e kadar doğruluk oranı elde edilmiştir.

Babies are dependent on the mother's care until birth in situations such as breathing, nutrition, and immunity. After birth, the body systems of babies begin to adapt to the external environment. Respiration is a vital activity for babies as well as for adults. Breathlessness causes permanent damage and even death in babies. Researchers are carrying out intensive studies in this area, which is so sensitive to the health of babies. Classical machine learning and deep learning-based methods are determined as classifiers for this area where normal and abnormal situations are detected.

Pre-trained convolutional neural network models are used for classification, transfer learning, and feature extraction. The deep features obtained through these models, which are used as feature extractors, are mostly classified by classical machine learning algorithms.

In this study, a deep learning-based method is proposed that detects conditions such as crying, bruising, and vomiting as anomalies that may occur as a result of the baby's breathlessness. In this method, the classification with decision-support machines algorithm is performed by using the features obtained by feature extraction from the pre-trained deep learning model. Due to 4 different pre-trained models used for feature extraction, 4 variants of the proposed method (Method1, Method2, Method3, and Method4) were generated. According to the experimental results, the most successful result was achieved with Method4 using the AlexNet convolutional neural network pre-trained model and obtained an accuracy rate of up to 80.54%.