Genetik algoritma ile optimize edilmiş Üssel dönüşümlü Weibull gürültü giderme teknikleriyle biyomedikal sinyallerin geliştirilmesi

Tıbbi sinyallerin temizlenmesi neden önemli

Bir elektrokardiyogramdaki her kalp atışı ve bir beyin dalgası kaydındaki her dalgalanma ciddi hastalıklar hakkında ipuçları taşıyabilir. Ancak gerçek hastanelerde ve kliniklerde bu sinyaller genellikle kas spazmları, göz kırpma, elektriksel girişimler ve kusurlu sensörlerden gelen istenmeyen gürültü katmanlarının altında gömülüdür. Bu makale, doktorların ve bilgisayar algoritmalarının önemli desenleri daha net görmesini sağlayacak—büyük eğitim veri kümelerine veya süperbilgisayarlara ihtiyaç duymadan—bu karışık sinyalleri temizlemenin yeni bir yolunu sunuyor.

Düzensiz kalp atışları ve beyin dalgalarıyla ilgili sorun

Elektroensefalogramlar (EEG), elektrokardiyogramlar (EKG) ve MR ile röntgen gibi tıbbi görüntüler epilepsi, ritim bozuklukları ve yapısal anormalliklerin teşhisinde merkezi öneme sahiptir. Ancak bu kayıtlar kolayca bozulur. Göz hareketleri epileptik zirveleri maskeleyebilir, vücut hareketleri EKG’deki önemli özellikleri gizleyebilir ve grenli gürültü görüntülerde küçük ayrıntıları bulanıklaştırabilir. Basit filtreler, dalgacıklar veya popüler kör kaynak ayırma teknikleri gibi geleneksel temizleme yöntemleri çoğu zaman gürültünün düzgün, simetrik davrandığını varsayar. Oysa klinik gürültü düzensiz, çarpık ve bazen nadir, aşırı patlamalarla belirgindir. Yöntemler aşırı basitleştirilmiş gürültü modellerine dayandığında ya yeterince enterferansı kaldıramazlar ya da klinisyenlerin önemsediği ayrıntıları kazara düzleştirirler.

Zor gürültüyü tanımlamak için esnek bir yol

Yazarlar bunu Üssel Dönüşümlü Weibull Dağılımı (ETWD) adlı son derece uyarlanabilir bir gürültü modeli sunarak ele alıyor. Gürültü için tek bir sabit şekil varsaymak yerine ETWD eğrisini yeniden şekillendirmek için üç ana düğme kullanır; bu sayede tanınmış geniş bir dağılım ailesini taklit edebilir ve ağır kuyruklu ile asimetrik örüntülere uyum sağlayabilir. Pratikte bu, aynı matematiksel çerçevenin EEG’deki göz kırpma artefaktlarını, EKG’deki hareket patlamalarını ve tıbbi görüntülerdeki grenli lekelenmeyi tanımlayabileceği anlamına gelir. Ekip ayrıca ETWD’den özel bir “skor fonksiyonu” türetiyor ve bunu hızlı bir sinyal ayırma algoritması olan FastICA içine gömüyor. Bu skor fonksiyonu algoritmayı en olası gizli kaynaklara yönlendirerek sinyal ve gürültüyü verinin gerçek istatistiklerine uyum sağlayacak şekilde ayırıyor.

Temizleyiciyi evrimle ayarlamak

ETWD çok esnek olduğundan, parametrelerini elle seçmek kalabalık bir odada kulağa göre karmaşık bir müzik aletini akort etmeye benzer olurdu. Bunu otomatikleştirmek için araştırmacılar doğal seçilimden ilham alan bir arama prosedürü olan genetik algoritma kullanıyor. Aday parametre kümeleri bir popülasyondaki bireyler gibi ele alınır; veriye ne kadar iyi uyduklarına göre değerlendirilen en iyi performans gösterenler nesiller boyunca kademeli olarak iyileştirilir. Bu evrimsel adım kötü çözümlere takılmayı önler ve karmaşık türevlerin hesaplanmasını gerektirmez. Aynı optimizasyon dalgacık alanındaki seyrekleştirme kurallarını da ayarlıyor; bu kurallar küçük, gürültü baskın katsayıları seçici olarak küçültürken büyük, yapı açısından zengin katsayıları korur. Birlikte ETWD, FastICA, genetik arama ve seyreklik, eğitim gerektirmeyen ama güçlü biçimde veri odaklı tek bir gürültü giderme boru hattı oluşturuyor.

Beyin, kalp ve görüntülerde yöntemi kanıtlama

Yaklaşımı test etmek için yazarlar bunu üç farklı biyomedikal veri türüne uyguluyor. EEG için kas ve göz artefaktlarıyla kirlenmiş kayıtları temizliyorlar ve ardından sonuçlarda bir zirve tespit rutini çalıştırıyorlar. Tespit doğruluğu gürültülü veride %71 iken, seyreklik destekli ETWD ile gürültü giderme sonrası %94’e yükseliyor ve yanlış alarmlar belirgin şekilde azalıyor. EKG’de standart kalp atışı algılayıcılarının karakteristik R zirvelerini ne kadar iyi bulabildiğini değerlendiriyorlar. Gürültü giderme sonrası algılayıcının F1 skoru—vuruşlar ve kaçırmaların dengesi—0.89’dan 0.97’ye yükseliyor; bu, kritik kalp atışlarının hem daha iyi korunduğunu hem de daha kolay tespit edildiğini gösteriyor. Gaussian, speckle veya Rician gürültüsü eklenmiş tıbbi görüntülerde yöntem, birkaç standart filtre ile karşılaştırıldığında sürekli olarak tepe sinyal-gürültü oranını iyileştiriyor, ince anatomik ayrıntıları daha sadık biçimde ve daha kısa sürede geri kazanıyor.

Modern derin öğrenmeye karşı dayanma

Derin sinir ağları gürültü giderme için popüler hale geldi, ancak büyük etiketli veri kümeleri ve önemli eğitim süresi gerektirirler ve bazen ince yapıları aşırı düzleştirirler. Yazarlar çerçevelerini aynı EEG, EKG ve görüntü verileri üzerinde eğitilmiş konvolüsyonel otoenkoderlerle karşılaştırıyor. Görevler arasında ETWD tabanlı boru hattı kilit kalite ölçülerinde bu derin modellerle eşleşiyor veya onları geride bırakıyor ve ayrıca ayrı bir eğitim aşamasından kaçınıyor. Farklı protokollerle edinilmiş tamamen yeni veri kümelerine yeniden ayarlama yapmadan uygulandığında da iyi bir sağlamlık gösteriyor—performans yalnızca hafifçe düşüyor ve yine de standart Gaussian tabanlı temellere karşı üstünlük sağlıyor; bu da yöntemin farklı merkezler arasında makul düzeyde transfer edilebilir olduğunu düşündürüyor.

Hastalar ve klinisyenler için anlamı

Basitçe söylemek gerekirse, bu çalışma tıbbi sinyaller için daha akıllı bir gürültü silgisi sunuyor. Gürültüyü son derece esnek bir biçimde tanımlayarak ve bir evrimsel algoritmanın bunu otomatik olarak ayarlamasına izin vererek, çerçeve küçük zirveleri, keskin kalp atışlarını ve sıklıkla tanısal değer taşıyan soluk görüntü kenarlarını korurken karmaşayı uzaklaştırmayı başarıyor. Sonuç, devasa eğitim koleksiyonlarına veya kara kutu modellere ihtiyaç duymadan elde edilen daha net EEG izleri, daha temiz EKG ritimleri ve daha keskin tıbbi görüntüler. Klinik ortamlarda geniş çapta doğrulanırsa, bu tür uyarlanabilir, eğitim gerektirmeyen gürültü giderme, günlük izleme cihazlarını ve hastane sistemlerini daha güvenilir hale getirerek hem insanların hem de algoritmaların daha güvenli, daha emin teşhisler koymasına yardımcı olabilir.

Atıf: Sayedelahl, M.A., Farouk, R.M. & Adam, A.M. Enhancing biomedical signals through genetic algorithm optimized Exponentiated transmuted weibull denoising techniques. Sci Rep 16, 13409 (2026). https://doi.org/10.1038/s41598-026-46088-7

Anahtar kelimeler: biyomedikal sinyal gürültü giderme, EEG ve EKG gürültü giderimi, tıbbi görüntü iyileştirme, bağımsız bileşen analizi, genetik algoritma optimizasyonu