Geri Dön

Automated detection of sleep spindles

Uyku iğciklerinin yerinin otomatik saptanması

  1. Tez No: 143193
  2. Yazar: DİLAN GÖRÜR
  3. Danışmanlar: DOÇ. DR. NEVZAT GENÇER, PROF. DR. UĞUR HALICI
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Uyku iğcikleri, Çok Katmanlı Perseptron, Destek Vektör Makinesi, Kısa Zamanlı Fourier Dönüşümü, Özyinelemeli Modelleme, Sleep Spindles, Multilayer Perceptron, Support Vector Machines, Short Time Fourier Transform, Autoregressive Modeling
  7. Yıl: 2003
  8. Dil: İngilizce
  9. Üniversite: Orta Doğu Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 86

Özet

Uyku iğcikleri, uyku sırasında kaydedilen elektroensefelografi (EEG)'de gözlemlenen ritmik aktivitelerdendir. İyi tanımlanmış ve fonksiyonel oldukları için uyku iğciklerinin analizi beyin araştırmaları açısından önemlidir. Uyku iğciklerinin özelliklerini tanımlamak uykunun işlevi ile ilgili aydınlatıcı bilgiler verecektir. Bütün gece uyku EEG' sindeki uyku iğciklerinin bir uzman tarafından tek tek yerlerinin belirlenmesi çok zaman alıcı olmasının yanı sıra nesnel de olmayacaktır. Bu yüzden, otomatik yer belirleme sistemi uzmana yardımcı olacaktır. Bu çalışmada EEG' deki uyku iğciklerinin yerlerinin otomatik olarak saptanabilmesi için sağlıklı denekler ve uykusuzluk sorunu olan deneklerin EEG kayıtlan kullanılarak bir sistem geliştirilmiştir. Bu amaç için farklı metotlar incelenmiştir. Öznitelik bulmak için iki ayrı yöntem, kısa zamanlı Fourier dönüşümü (KZFD) ve özyinelemeli (ÖY) modelleme yöntemleri kullanılmıştır. Karşılaştırma amacıyla sınıflandırmada çok katmanlı perseptron (ÇKP) ve destek vektör makinesi (DVM) kullanılmıştır. ÇKP'nin en iyi performansı KZFD ve ÖY modellemeden elde edilen öznitelikler için sırasıyla %97,5 ve %93,6 olarak bulunmuştur. DVM ile elde edilen en iyi basan oranlan ise KZFD için %97,5 ve ÖY modelleme için %94,4 olarak bulunmuştur. Sağlıklı bir denek EEG'si ile eğitilen smıflandıncıların başka bir sağlıklı denek EEG'si üzerinde yüksek, uykusuzluk sorunu olan bir denek EEG'si üzerinde ise düşük basan sağladığı gösterilmiştir.

Özet (Çeviri)

Sleep spindles are one of the rhythmic activities observed in sleep electroencephalogram (EEG). As they are well defined and functional, sleep spindle analysis is significant for brain research. Identifying the characteristics of sleep spindles may lead to an understanding of the functions of sleep. Furthermore, understanding the sleep spindle generation mechanisms can explain the other rhythmical activity occurring in other brain regions. The detection process of the sleep spindle data of a whole night sleep EEG prepared by an expert would be too time consuming and it may be not objective for some spindle regions. Therefore, an automated detection system would assist the expert. In this thesis, a system for automated detection of sleep spindles in the EEG has been developed and tested on the recorded data of normal and insomniac subjects. Different methods for the automated detection of sleep spindles in EEG recordings are investigated. Features from the data are extracted by using two different approaches, short time Fourier transform (STFT) and autoregressive (AR) modeling. Multilayer perceptron (MLP) and also support vector machines (SVM) are utilized as classifiers for comparison. The best classification performances of MLP are found to be 97.5% and 93.6% for STFT and AR model features respectively. The best performances of SVM are found to be 97.5% for STFT and 94.4% for AR model. It is demonstrated that the classifiers trained by a healthy subject's EEG could perform well on another healthy subject's EEG but poorly on an insomniac subject's EEG.

Benzer Tezler

  1. EEG sinyallerinde uyku iğciklerinin zaman ve frekans domeni özellikleri kullanılarak analizi

    Analysis of sleep spindles on EEG signals by using time and frequency domain features

    MEHMET DURSUN

    Yüksek Lisans

    Türkçe

    Türkçe

    2009

    Elektrik ve Elektronik MühendisliğiSelçuk Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. SALİH GÜNEŞ

  2. Online uyku izleme ve evreleme sistemi için sinyal bileşenlerinin çıkarımı

    Extraction of signal components for online sleep tracing and staging system

    CÜNEYT YÜCELBAŞ

    Doktora

    Türkçe

    Türkçe

    2017

    Elektrik ve Elektronik MühendisliğiSelçuk Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. SERAL ÖZŞEN

  3. Sleep apnea events detection from polysomnogram studies using deep learning techniques

    Uyku apne etkinlikleri derin öğrenme teknikleri kullanılan polisomnogram araştırmalarından algılama

    MAHMOOD ABED

    Yüksek Lisans

    İngilizce

    İngilizce

    2020

    Elektrik ve Elektronik MühendisliğiÇukurova Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. TURGAY İBRİKÇİ

  4. Parametrik yöntemler ile akıllı sistemler kullanarak uyku apnesinin teşhisi ve sınıflandırılması

    Detection and classification of sleep apnea using modern parametric method with intelligent systems

    ALİ ÖTER

    Doktora

    Türkçe

    Türkçe

    2016

    Elektrik ve Elektronik MühendisliğiKahramanmaraş Sütçü İmam Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. MAHMUT KEMAL KIYMIK

  5. Automated behavioral analysis of asleep fruit fly

    Uyku halindeki meyve sineğinin davranışlarının otomatik analizi

    ALİ OSMAN BERK ŞAPCI

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSabancı Üniversitesi

    Bilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ÖZNUR TAŞTAN OKAN

    PROF. DR. SÜNDÜZ KELEŞ