Geri Dön

Sleep stage classification using disagreement based co-active learning

Anlaşmazlık tabanlı öğrenme ile uyku evrelerinin sınıflandırılması

PDF İndir

  1. Tez No: 445038
  2. Yazar: AYŞE BETÜL YÜCE
  3. Danışmanlar: YRD. DOÇ. DR. YUSUF YASLAN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2016
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 67

Özet

Günlük yoğunluğun sebep olduğu stres ve problemler uyku düzenini doğrudan etkilemektedir. Buna bağlı olarak vücut ihtiyaç duyduğu enerjiyi depolayamaz. Bu problem hem performansı düşürüp stresle başetme direncini kırar, hem de önemli hastalıkları tetikleyebilir. Yapılan çalışmalar uyku eksikliğinin zihinsel yorgunluğa sebep olduğunu ve yaşam gücünü düşürdüğünü göstermiştir. Ayrıca vücudun uyku sırasında salgıladığı bazı önemli hormonlar bağışıklık ve endokrin sistemi etilemektedir. Uyku düzensizliğine sebep olan uyku hastalıklarının teşhis edilmesinde genellikle EEG verileri analiz edilerek hastanın uyku evrelerindeki anormallikler incelenir. Amerikan Uyku Tıbbi Akademisinin (AASM) çalışmalarına göre uyku döngüsel olarak devam eden beş farklı evre içerir. Bu evreler uyanıklık, hızlı olmayan göz hareketi 1 (Evre N1), hızlı olmayan göz hareketi 2 (Evre N2), hızlı olmayan göz hareketi 3 (Evre N3), ve hızlı göz hareketidir. Uyanıklıklık evresinde EEG sinyallerinde beta ve alfa dalgaları baskındır. Evre N1 ve evre N2 hafif uykuyu oluşturur. Birinci evrede teta dalgaları görülmeye başlar. Göz hareketleri yavaşlar, vücut kasları gevşer. İkinci evrede teta ve uyku iğciği dalgaları baskındır. Vücut uyku için hazır hale gelmeye başlar. Evre N3 derin uyku olarak da adlandırılır. Delta dalgaları baskındır. Bu evrede göz hareketleri ve kas hareketleri gözlenmez ve bireylerin uyanması çok zordur. Son olarak REM evresinde beta ve testere-dişi dalgaları baskındır. Göz ve beyin aktiviteleri artar. Nefes alma hızlanırken kaslar biraz daha gevşer. Beyin aktiviteleri arttığı için rüya görme bu evrede gerçekleşir. Gerçek dünya uygulamalarında, uyku evrelerini etiketlemek zaman alan ve uzman gözetimi gerektiren bir süreç olduğundan bu çalışmada önceki hastaların verileri kullanılarak yeni gelen hastanın verilerinin otomatik etiketlenmesi amaçlanmıştır. Uyku ile ilgili çalışmalarda çokça faydalanılan Sleep-EDF veri tabanından polisomnografi (PSG) olarak adlandırılan uyku kayıtları ve bu kayıtlara karşılık gelen sınıf etiketlerini içeren hypnogram (HYP) dosyaları kullanılmıştır. PSG kayıtları 6 farklı sinyal içerir. Kayıtlarda bulunan EEG sinyalleri beyin aktivitelerini gösterir ve iki farklı kanaldan elde edilmişlerdir (Fpz-Cz ve Pz-Oz). EMG ve EOG sinyalleri sırasıyla kas hareketleri ve göz hareketlerini gösterir. Bu sinyaller 100 Hz ile örneklenmiştir. Veritabanında bulunan diğer sinyaller solunum hareketleri ve sıcaklığı gösterir. Bu sinyallerin örnekleme frekansı ise 1 Hz dir. Bu çalışmada uyku evrelerinin etiketlenmesi için Fpz-Cz kanalında elde edilen EEG sinyalleri kullanılmıştır. Öznitelik çıkarımı için PSG ve HYP dosyaları devre olarak adlandırılan 30 saniyelik zaman aralıklarına bölünmüştür. Her devre bir sınıf etiketine karşılık gelmektedir. Dosyalarda uyanıklık evresi oldukça fazla bulunduğu için büyük bir kısmı eğitim ve test için kullanılmayarak sınıflandırma sonuçlarının baskın sınıfa eğilimi önlenmiştir. Uyku evrelerini sınıflandırmak için iki farklı yöntem kullanılarak öz nitelikler çıkarılmıştır. Bu öz nitelikler aktif öğrenmede iki farklı öznitelik uzayı olarak değerlendirilmiştir. İlk olarak, Hızlı Fourier Dönüşümü (FFT) kullanılarak frekans tabanlı enerji öz nitelikleri çıkarılmıştır. Uyku evreleri için ayırıcı özelliğe sahip olan alfa (8-13 Hz), beta (12-30 Hz), uyku iğciği (12-14 Hz), teta (4-8 Hz), delta (0.5-2 Hz) ve testere-dişi (2-6 Hz) frekans aralıklarına göre öz nitelikler belirlenmiştir. Bu frekans aralıkları göz önünde bulundurularak her devre için Ealfa, Ebeta, Edelta, Eteta, Etestere-dişi, Euyku-mili olarak adlandırılan altı enerji öz niteliği elde edilmiştir. İkinci olarak ampirik mod ayrıştırma (EMD) yöntemi uygulanmıştır. EMD metodu, sinyalleri özgün alt fonksiyonlarına (IMF) ayırarak durağan olmayan sinyalleri analiz etmek için kullanılmaktadır. IMF sinyallerinin iki özelliği sağlaması gerekmektedir. Tüm sinyalde; yerel maksimum-yerel minimum noktalarının ve sıfır geçişlerinin sayıları eşit olmalı ya da farkları 1'e eşit olmalıdır. Ayrıca herhangi bir anda IMF'lerin alt ve üst zarf ortalamalarının sıfıra yakın olması gerekmektedir. Bu şartlar göz önünde bulundurularak EEG verisinden IMF sinyalleri ve artık sinyal elde edilmiştir. Ayrıştırılan IMF sinyallerinin sayısı her dosya için farklılık gösterebilmektedir. Bu çalışmada daha önceki çalışmalardaki gibi sadece ilk 8 IMF göz önünde bulundurulmuştur. Ayrıştırılan IMF sinyallerinin enerji değerleri hesaplanarak, EMD metodu ile her bir devre için sekiz enerji öz niteliği elde edilmiştir. Bu öznitelik vektörleri kullanılarak aktif öğrenme metodu ile etiketsiz veri kümesinden en uygun veriyi seçerek sınıflandırma başarımını artırmak amaçlanmıştır. Aktif öğrenmede etiketlenecek veriyi seçmek için anlaşmazlık tabanlı yöntem uygulanmaktadır. Bu yöntem ile, farklı öznitelik uzaylarından elde edilen sınıflandırıcıların vermiş olduğu farklı kararlar anlaşmazlık verisi olarak tanımlanmıştır. Anlaşmazlık verisi içinden etiketlenecek veriyi seçmek için yoğunluk ağırlıklı örnekleme metodu kullanılmıştır. Böylelikle k-ortalama kümeleme algoritması anlaşmazlık verisi üzerine uygulanıp, kümelerin merkezlerine en yakın noktalar etiketlenmek üzere seçilmiştir. Küme sayısı sınıf sayısına bağlı olarak belirlenmiştir. Birlikte öğrenme metodunda önerildiği gibi, her öznitelik uzayının seçtiği veriler diğer öznitelik uzayının eğitim veri kümesine de eklenmiştir. Ayrıca seçilen veriler etiketsiz veri kümesinden çıkarılmıştır. Deneysel sonuçlar MLP, RF ve polinom çekirdeği ile SVM sınıflandırıcıları kullanılarak elde edilmiştir. Aktif öğrenme sürecinde toplamda 10 kişiden elde edilen EEG verilerinin 9 tanesi başlangıç verisi olarak kullanılıp, diğer kişinin verisi etiketsiz veri kümesi olarak değerlendirilmiştir. Her iterasyonda EMD ve frekans tabanlı özniteliklerden 5'er tane olmak üzere toplam 10 veri seçilmiştir. Eğitim veri kümesine çok fazla veri eklenmesini önlemek için iterasyon sayısı 25 ile sınırlandırılmıştır. İterasyonlar sonucunda etiketsiz verilerin yaklaşık olarak \%20'i eğitim veri kümesine eklenmiştir. Deneylerde önerilen çoklu öznitelik uzayı metodu ile tekil öznitelik metodu sonuçları farklı sınıflandırıcılar kullanılarak karşılaştırılmış ve aktif öğrenmeye etkisi ölçülmüştür. EMD ve frekans tabanlı öznitelik vektörleri ayrı ayrı bir öznitelik uzayı olarak değerlendirilirken, tekil öznitelik uzayı EMD ve frekans tabanlı öznitelik vektörlerinin birleştirilmesi ile elde edilmiştir. İlk deneyde, etiketsiz test verileri üzerine aktif öğrenme uygulamadan üç sınıflandırıcı ile elde edilen sonuçlar karşılaştırılmıştır. Tekil öznitelik uzayı ile ortalama olarak \%72.8 sınıflandırma başarımı elde edilmiştir. EMD ve frekans tabanlı öznitelikler ayrı ayrı değerlendirildiklerinde bu başarının gerisinde kalmaktadırlar. İkinci deneyde ise sınıflandırıcılar aktif öğrenme metodu kullanılarak etiketsiz veri üzerine uygulanmıştır. Çoklu öznitelik uzayı yönteminde aktif öğrenme metodu EMD ve frekans tabanlı öznitelik uzayları üzerinde ayrı ayrı uygulanmıştır. Aktif öğrenme süreci tamamlandıktan sonra EMD ve frekans öznitelik vektörlerinin birleştirilmesi ile nihai sonuç elde edilmiştir. Tekil öznitelik uzayı yönteminde ise aktif öğrenme metodu aynı şekilde genişletilmiş öznitelik vektörüne uygulanmıştır.Her üç sınıflandırıcıda da çoklu öznitelik uzayı yöntemi tekil öznitelik uzayı metodundan daha iyi sonuç vermektedir. Tekil öznitelik uzayı ile yapılan deneylerde en iyi sınıflandırma performansını \%73.97 ile SVM sınıflandırıcı gösterirken, çoklu öznitelik uzayı yönteminde karar ağaçları \%74.51 ile en iyi sonucu vermektedir. Ayrıca sınıflandırıcıların vermiş olduğu sınıflandırma başarılmaları üzerinde parametrik olmayan Friedman istatistiği uygulanmıştır. Bu test sonucunda algoritmaların başarımları arasındaki fark istatistiksel olarak anlamlı bulunmuştur.

Özet (Çeviri)

Eventful though days and stress may affect sleep patterns of a person. Hence the human body can not store enough energy. This problem prevents dealing with stress and may trigger serious illnesses. Accordingly, in recent years sleep related studies have become heavily researched. Sleep contains five different stages that progress cyclically. These stages are namely wakefulness, non-rapid eye movements 1, non-rapid eye movements 2, non-rapid eye movement 3, and rapid eye movements. In order to diagnose diseases, like narcolepsy, experts label sleep stages and analyse disturbances. However, labelling sleep stages is time consuming process and needs to be performed by an expert. This thesis proposes a co-active learning framework for sleep stage classification using two different feature views obtained from previous patients' EEG signals. In the experiments, sleep recordings of patients are obtained from the widely used Sleep-EDF database. In order to classify sleep stages, features are extracted in two domains. In the frequency domain, signals are passed through band-pass filter according to six characteristic wavelengths (alpha, beta, theta, delta, sleep-spindles, saw-tooth). Subsequently, the energy values of these filtered signals are considered as frequency based features. In the time domain, signals are decomposed into IMF (Intrinsic Mode Function) by using EMD (Empirical Mode Decomposition) method. Energy values of the first eight IMFs are considered as EMD based features. Frequency and EMD based feature vectors are used as two different feature views in active learning algorithm. At the beginning of the active learning, classifiers are trained on two separate feature views. These classifiers are updated on new patients' unlabeled data by applying a disagreement based co-active learning framework. In the disagreement based method, the most representative data samples are selected from a data set that is created from disagreed decisions of two classifiers on unlabelled data. Then k-means clustering is applied to the disagreement data set and data points that are closest to the centroids are selected to be labelled by an expert. After that labelled data samples are added to the training set of both classifiers with the co-training approach. Experimental results show that classification performance of multiple views is slightly better than single view. On the other hand, the proposed active learning method with multiple feature views boosts the classification accuracy to approximately 74.51\% on average.

Benzer Tezler

  1. Tez No

    245240

    Uyku evrelerinin EEG işaretleri kullanılarak sınıflandırılmasında yeni bir yaklaşım

    A new approach in sleep stages classification using EEG signals

    MURAT YILDIZ

    Doktora

    Türkçe

    Türkçe

    2009

    Elektrik ve Elektronik MühendisliğiSakarya Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. ETEM KÖKLÜKAYA

  2. Tez No

    392789

    Uyku evrelemesinde çeşitli dalgacık ve sınıflandırıcıların performans analizi

    Performance analysis of various wavelets and classifiers for sleep staging

    ERDEM TUNCER

    Yüksek Lisans

    Türkçe

    Türkçe

    2015

    BiyomühendislikKocaeli Üniversitesi

    Elektronik-Bilgisayar Eğitimi Ana Bilim Dalı

    DOÇ. DR. EMİNE BOLAT

  3. Tez No

    812992

    Derin öğrenme tabanlı algoritmalar kullanarak fizyolojik işaretlerden uyku skorlaması

    Sleep scoring in physiological signals by deep learning-based algorithms

    HASAN ZAN

    Doktora

    Türkçe

    Türkçe

    2023

    Elektrik ve Elektronik MühendisliğiDicle Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ABDULNASIR YILDIZ

  4. Tez No

    668831

    Automatic sleep stage scoring based EEG evoked response

    Başlık çevirisi yok

    WASSIM DIAI

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Elektrik ve Elektronik Mühendisliğiİzmir Ekonomi Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ FAEZEH YEGANLI

  5. Tez No

    595760

    Makine öğrenmesi algoritmaları yardımı ile polisomnografi sinyallerinden uyku evreleri sınıflandırılması

    Classification of sleep stages from polysomnography signals with the help of machine learning algorithms

    HİLAL SULTAN DURANOĞLU TUNÇ

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    Elektrik ve Elektronik MühendisliğiAtatürk Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. MEHMET ERTUĞRUL

Geri Dön