Olasılıksal sembolik motif tanıma

Abstract

Yapay Zeka (YZ) hayatımızın her alanında yer bulmaya başlayan bir kavram olarak son yılların en popüler terimlerinden birisi haline gelmiştir. Özünde, insan beyninin kavrama ve yorumlama fonksiyonlarını yürütebilecek makinaların yaratılması olarak daha çok robotik alanı ile ilgilidir. Ancak, uygulamada, makine öğrenmesi ve derin öğrenme destekli istatistiksel karar verme yöntemlerinin bir uzantısı olarak biraz da yanlış bir şekilde bilimsel literatüre yerleşmiştir. Dolayısı ile, makine örenmesi temelli herhangi bir sınıflandırma ya da regresyon probleminin YZ olarak adlandırıldığı sayısız bilimsel çalışmaya rastlamak mümkündür. Bu çalışmada da YZ terimi, makina örenmesi, derin öğrenme ve istatistiksel modellemeyi kapsayan bir disiplini işaret edecek şekilde kullanılmıştır. Tıp bilimi, YZ'nın en yaygın kullanıldığı bir alan olarak öne çıkmaktadır. Bunda, biyomedikal mühendisliği ve bilgisayar teknolojilerindeki ilerlemeler ve makina öğrenmesi alanında ortaya atıla sayısız yeni algoritmaların katkısı büyüktür. Biyomedikal alandaki gelişmeler sayesinde insan fizyolojisini temsil eden daha fazla saha, yüksek frekans ve çözünürlükte ve daha uzun süreli veri üretmenin yolu açılmaktadır. Bu teknolojileri takiben oluşan daha yüksek hacimdeki verinin saklaması ve işlenmesi konusunda bilgisayar teknolojileri de sürekli gelişmektedir. Örneğin kan basıncını saniyede 2000 örnek (2000 Hz) alarak raporlayan bir yatak başı monitörü, tek bir hasta ve sadece kan basıncı için, sadece bir günde 172.600.000 veri üretmektedir. Dolayısı ile, son yirmi yılda, elektronik hasta kayıtlarında saklanabilen verini hacmi gigabayt seviyelerinden petabayt seviyelerine çıkmıştır. Buna rağmen, birçok hastanede, yatak başı monitörlerde üretilen veri saklanamamakta ver her 48 saate bir silinmektedir. Bu tür verilerin özetlenerek, temsili değişkenlerin saklandığı veri tabanları bir şekilde çözüm olabilmektedir. Hastanelerde üretilen yüksek hacimli verilerin depolanmasını dışında analizi de oldukça zorludur. Çünkü, elektronik hasta kayıtlarında derlenen veriler genellikle geleneksel parametrik istatistiksel yöntemlerin varsayımlarını sağlamayacak şekilde doğrusal ve normal olmayan, yüksek korelasyonlu, eksik ve yüksek oranda gürültü içeren türdendir. Bu tür verilerin analizlerinden doğan ihtiyacı karşılamak üzere son yıllarda makine öğrenmesi alanında birçok yeni algoritma geliştirilmiştir. Ancak, makine örenmesi algoritmaları, doğrudan ham veri ile çalışan derin öğrenme yöntemleri dışında, bu tür boylamsal verileri temsilen değişkenlerin çıkarılmasını gerektirir. Bu aşamada, sinyal işleme yöntemleri yüksek frekanslı boylamsal verilerden değişken çıkarılması için sıklıkla kullanılmaktadır ve bu alandaki literatürde hızla gelişmektedir. Yüksek frekanslı boylamsal verilerden temsili değişken çıkarılması için geliştirilmiş yeni algoritmalardan birisi, Olasılıksal Sembolik Motif Tanıma (OSMT) yöntemidir. OSMT yöntemi, boylamsal verilerin zaman içerisindeki değişimlerini olasılıksal modellerinin elde edilmesi ve bu olasılıksal modeller arasındaki uzaklıkların kullanılarak birden fazla serinin birbirlerine benzerliklerini karakterize eden değişkenler elde edilmesine dayanmaktadır. Bu çalışmanın amacı, OSMT yöntemini Türkçe literatüre kazandırmak ve kardiyovasküler hastalıkların tahmini üzerine uygulamasını göstermektir.