Geri Dön

Yapay zeka teknikleri ile polisomnografi sinyallerinden uyku apnesi sınıflandırılması

Sleep apnea classification from polysomnography signals with artificial intelligence techniques

  1. Tez No: 476135
  2. Yazar: ÜMRAN IŞIK
  3. Danışmanlar: DOÇ. DR. AYŞEGÜL GÜVEN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Mühendislik Bilimleri, Engineering Sciences
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2017
  8. Dil: Türkçe
  9. Üniversite: Erciyes Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Biyomedikal Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 112

Özet

Obstrüktif uyku apnesi (OSA) en önemli uyku rahatsızlıklarından biridir. Solunum durmaları ve sonrasındaki solunum çabası temel olarak hastalığı karakterize eder. Polisomnografi (PSG) gece uyku boyunca alınan, EEG, EOG, EMG, EKG, Hava akışı, SPO2 gibi çeşitli fizyolojil sinyalleri içerisinde barındıran ve teşhiste faydalanılan temel yöntemdir. Bu çalışmanın amacı OSA hastaları ve normal teşhis konulmuş bireylerin PSG kayıtlarından (Erciyes Üniversiyesi Uyku Laboratuvarı) faydalanarak OSA durumunun değerlendirilmesidir. Çalışma 3 uygulama halinde planlanmıştır. Uygulama 1'de Normal (OSA teşhisi konulmayan kontrol grubu), Hafif, Orta ve Ağır OSA hastalarının sınıflandırılması üzerinde çalışılmıştır. Herbir gruptan 30 ar örnek olmak üzere toplam 120 örnek üzerinde çalışılmıştır. PSG raporlarından elde edilen toplam 30 özellik sınıflandırmada kullanılmıştır. Daha sonraki adımında belirlenen özelliklere Temel Bileşen Analizi (TBA) uygulanarak elde edilen temel bileşenlerle sınıflandırma tekrar gerçekleştirilmiştir. Uygulama 2'de ve 3'de 6 OSA hastası ve 6 kontrole (OSA teşhisi konulmamış normal olarak teşhiş konulmuş bireyler) ait kayıtlar üzerinde çalışılmıştır. OSA hastaları için nazal kanülden OSA olan örnekler normal teşhis konan kişiler için ise apneli olmayan rasgele bölgeler seçilerek diğer sinyallerin seçilen bu kısımlara denk gelen bölgeleri bulunmuş ve bu kısımların istatistiksel özellikleri olan ortalama, varyans ve entropi değerleri hesaplanmıştır. Uygulama 2'de seçilen kısımlardan EEG, EMG, EKG, EOG, SPO2 ye denk gelen sinyal parçaları için ortalama, varyans ve entropi değerleri hesaplanarak daha sonraki analizlerde kullanılmıştır. Analizde yine TBA uygulanarak sınıflandırma tekrar yapılmıştır. Uygulama 3'de ise seçilen sinyal parçalarının wavelet katsayılarına ait ortalama, varyans ve entropi değerleri herbir EEG kanalı için (C3A2 ve C4A1) hesaplanmış ve REM (Hızlı göz hareketi olan Uyku Evresi) ve NREM (Hızlı Göz Hareketi Olmayan Uyku Evresi) bölgeleri için örnekler alınarak birleştirilmiş ve sınıflandırmada kullanılmıştır. Analiz daha sonra iki veri indirgeme yöntemi (önemli katsayıların belirlenmesi ve TBA) ile elde edilen özelliller üzerinden tekrarlanmıştır. Bütün uygulamalarda ve kullanılan sınıflandırıcıların büyük çoğunluğunda genel olarak % 80 - % 90 gibi yüksek doğruluk oranları gözlenmiştir. Bölümlerin kendi içinde değerlendirildiği birçok analizde yine %90 doğruluk oranlarının üzerine çıkıldığı da gözlenmiştir. Uygulama 1'de genel olarak sınıflandırıcılarla yüksek doğruluk oranlarına ulaşılmıştır. Genel olarak bakıldığında YSA, SL, OneR, LMT, DT, RF, CVR nispeten yüksek doğruluk oranları veren sınıflandırıcılar arasındadır. Uygulama 2 sonuçları genel olarak değerlendirildiğinde; SPO2'nin genelde çok yüksek sonuç verdiği gözlemlenmiştir. Abdominal sinyalinin de yine SPO2 kadar olmamakla beraber nispeten yüksek değerler verdiği görülmektedir. Abdominalden sonra nispeten yüksek değerler veren diğer sinyal EEG'dir. EKG, EMG ya da EOG sinyallerine bakıldığında tek tek kullanıldıklarında SPO2, Abdominal ya da EEG sinyallerine göre biraz daha düşük değerler vermişlerdir. Uygulama 2 ve 3 için genel olarak tüm sonuçlara bakıldığında NREM bölgesinin REM bölgesine göre genel olarak CCI ve ROC değerleri için daha yüksek doğruluk oranları verdiği görülmektedir. Benzer şekilde daha düşük MAE değerleri yani daha düşük hata oranları dolayısıyla yine daha yüksek doğruluk oranları verdiği görülmektedir. Uygulama 3 sonuçları genel olarak değerlendirildiğinde SL, YSA, LMT, LG, KNN, RF, VR, MCC, RFC, RC sınıflandırıcıları nispeten yüksek doğruluk oranları veren sınıflandırıcılar arasında çıkmıştır.

Özet (Çeviri)

Obstructive Sleep apnea (OSA) is one of the most important sleep disorders. Respiratory arrests and following respiratory efforts in the absence of airflow during sleep stages mainly characterises the disease. Polysomnography (PSG) is the main method for diagnosis of the disease comprising physiological signals such as EEG, EOG, EMG, ECG, Air flow, SPO2 etc. collected throughout the night sleep. The aim of this study is to evaluate OSA situation for OSA patients and normal diagnosed individuals from Erciyes University Sleep Laboratory. The study is planned to has 3 main parts. At the 1st part, low, mild, severe OSA patients & normal controls have been studied. 30 samples of each group with a total of 120 sample has been studied. 30 attributes from the polisomnography reports have been used for the classification. After this Principal Component Analysis (PCA) is conducted & the classification is repeated. At the 2nd & 3rd part PSG reports of 6 OSA & 6 controls have been studied. Obstructive apnea samples from REM & NREM stages from nasal channel have been taken for the OSA patients & random non-apnea parts have been taken from the normal controls after which other signals the same signal parts have been determined and mean, variance & entropy of those parts have been calculated. At the 2nd part EEG, EMG, ECG, EOG, SPO2 signals parts have been determined from the choosen nasal signal part. PCA is then be conducted & the classification has been repeated. At the third part as taking apnea samples from REM & NREM stages from nasal channel and applying Wavelet Transform to Electroencephalography channels from PSG signals to those chosen parts. Mean, variance & entropy of the signals' Wavelet coefficients are calculated after which're used as attributes for evaluating OSA situation via various classifiers. 2 levels data reduction applied and reduced data also used for classification (significant wavelet coefficients & PCA). In all parts and for the great amounts of the used classifiers, high accuracy values are observed such as 80 % - 90 % in general. Also in many analysis which the parts have evaluated for its own, the accuracy values are observed to be above 90 %. At the 1st part, generally high accuracy results have been reached. ANN, SL, OneR, LMT, DT, RF, CVR are among the classifiers having relatively high accuracy results in general. As considerig the 1st part results in general; SPO2 is given the most high results. Abdominal signal is coming after the SPO2 and EEG is coming after the abdominal in terms of the higher accuracy results. ECG, EMG & EOG are given some less results comparing to related SPO2, Abdomibal & EEG signals in general. As considering the results of both 2nd & 3rd parts NREM regions are generally given better accuracy results than REM regions in terms of CCI & ROC values, whereas are given lower error (MAE) which also points to higher accuracy results similar to CCI & ROC values. At the 3rd part SL, YSA, LMT, LG, KNN, RF, VR, MCC, RFC, RC are among the classifiers having relatively high accuracy results in general.

Benzer Tezler

  1. Yapay zeka teknikleri ile yenidoğanların konfor davranış düzeylerinin değerlendirilmesi

    Evaluation of comfort behavior levels of newborns with artificial intelligence techniques

    DENİZ YİĞİT

    Doktora

    Türkçe

    Türkçe

    2022

    HemşirelikEskişehir Osmangazi Üniversitesi

    Hemşirelik Ana Bilim Dalı

    DOÇ. DR. AYFER AÇIKGÖZ

  2. Yapay zeka teknikleri ile müşteri şikayetlerinin otomatik kategorilere ayrılması

    Automatic categorization of customer complaint with artificial intelligence techniques

    AHSEN EKERYILMAZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    Bilim ve TeknolojiDokuz Eylül Üniversitesi

    Yönetim Bilişim Sistemleri Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ KUTAN KORUYAN

  3. Yapay zekâ teknikleri ile hastaların koroner anjiyografi gerekliliğinin tahmini

    Prediction of coronary angiography requirement of patients with artificial intelligence techniques

    HARUN AKBULUT

    Yüksek Lisans

    Türkçe

    Türkçe

    2013

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKırıkkale Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. NECAATTİN BARIŞÇI

  4. Yapay zekâ teknikleri ile Wi-Fi ve bluetooth tabanlı kapalı alan konumlandırma sistemi geliştirilmesi

    Development of Wi-Fi and bluetooth based indoor positioning system with artificial intelligence techniques

    KADİR ARSLAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    Mühendislik BilimleriBurdur Mehmet Akif Ersoy Üniversitesi

    Malzeme Teknolojileri Mühendisliği Ana Bilim Dalı

    DOÇ. DR. İSMAİL KIRBAŞ

  5. Yapay zeka teknikleri ile manyetik rezonans görüntülerinden multipl skleroz hastalığının teşhisi ve gelecekteki aktivitesinin tahmini

    Identification of multipl sclerosis and prediction of future activity from magnetic resonance images by artificial intelligence techniques

    ZÜLEYHA YILMAZ ACAR

    Doktora

    Türkçe

    Türkçe

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. FATİH BAŞÇİFTÇİ