Geri Dön

OSAS hastaları ile sağlıklı bireylerdeki nabız geçiş sürelerinin makina öğrenmesi teknikleriyle sınıflandırılması

Classification of pulse transit times in healthy individuals with osas patients using the machine learning method

  1. Tez No: 538936
  2. Yazar: BEYZA NUR AKILOTU
  3. Danışmanlar: DR. ÖĞR. ÜYESİ SEDA ARSLAN TUNCER
  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: 2019
  8. Dil: Türkçe
  9. Üniversite: Fırat Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Yazılım Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 50

Özet

Tıkayıcı Uyku Apnesi (OSAS) en sık karşılaşılan uyku apnesi türüdür. Tıbbi açıdan incelenmediği süre içerisinde horlamayla karıştırıldığından ancak ileri safhalarda tanı koyulabilen bir hastalıktır. Uyku apnesinin tanısı için uyku laboratuvarlarında kişilerin polisomnografik sinyal kayıtları (PSG) kullanılmaktadır. PSG sinyal verileri arasında EEG (Elektroensefalografi sinyal verisi ),Solunum Sesi, Karbondioksit Ölçümü, EMG (Çene yüzeyi Elektromiyografi sinyal verisi), PTT (Nabız Geçiş Süresi) gibi birçok polisomnografik sinyal verisi kaydedilmektedir. Bu çalışmada PSG sinyallerinin kayıt aşamasında elde edilen PTT parametresi kullanılarak OSAS hastası kişilerle sağlıklı kişilerin makine öğrenmesi yöntemlerinden olan derin öğrenme yöntemleriyle ve klasik sınıflandırma yöntemlerinden olan yapay sinir ağları ve Naive Bayes yöntemleriyle sınıflandırılma işlemi yapılmıştır. Uygulamada ağ yapısı olarak Evrişimsel Sinir Ağları (ESA) kullanılmıştır. Önceden eğitilmiş ağ yapılarından AlexNet ve VGG-16 yapılarının fc6 ve fc7 katmanları karşılaştırılmıştır. Sınıflandırma için destek vektör makineleri (SVM) ve k-en yakın komşu algoritması (kNN) kullanılmıştır. MATLAB 2017b programıyla yapılan bu sınıflandırma işlemlerinde çapraz doğrulama işlemiyle doğruluk, hassasiyet ve özgünlük değerleri hesaplanmıştır. Doğruluk oranları SVM için AlexNet fc6 %92.64, AlexNet fc7 %92.60, VGG-16 fc6 %92.78, VGG-16 fc7 %92; kNN için AlexNet fc6 %90.72, AlexNet fc7 % 90.81, VGG-16 fc6 %91.72, VGG-16 fc7 %92.18 olarak bulunmuştur. Aynı zamanda yapay sinir ağları doğruluk değeri % 90, Naive Bayes doğruluk oranı ise %89.78 olarak belirlenmiştir.

Özet (Çeviri)

Obstructive Sleep Apnea (OSAS) is the most common type of sleep apnea. It is a disease that can only be diagnosed in advanced stages because it is confused with snoring while it is not examined medically. For the diagnosis of sleep apnea, polysomnographic signaling (PSG) is used in sleep laboratories. PSG signal data include many polysomnographic signal data such as EEG (Electroencephalography signal data), Respiratory Sound, Carbon Dioxide Measurement, EMG (Jaw surface Electromyography signal data), PTT (Pulse Transit Time). In this study, by using the PTT parameter obtained at the stage of recording of the PSG signals, the classification process was made by deep learning methods which are among the methods of learning machines and healthy neural networks and Naive Bayes methods. In the application, Convolutional Neural Networks (ESA) were used as the network structure. The fc6 and fc7 layers of the AlexNet and VGG-16 structures from pre-trained network structures were compared. Support vector machines (SVM) and k-nearest neighbor algorithm (kNN) were used for classification. The accuracy, sensitivity and specificity values were calculated by using the cross-validation process in MATLAB 2017b program. Accuracy rates for SVM were AlexNet fc6 92.64%, AlexNet fc7 92.60%, VGG-16 fc6 92.78%, VGG-16 fc7 92%; For kNN, AlexNet fc6 was found 90.72%, AlexNet fc7 90.81%, VGG-16 fc6 91.72%, VGG-16 fc7 92.18%. At the same time, the accuracy value of artificial neural networks is 90% and the accuracy rate of Naive Bayes is determined as 89.78%.

Benzer Tezler

  1. Obstrüktif uyku apne sendromu ateroskleroz ilişkisinin karotis intima-media kalınlığı ve nabız dalga hızı ile değerlendirilmesi

    Determination of the relationship between obstructive sleep apnea and atherosclerosis with evaluotion of carotid intima media thickness and pulse wave velocity analysis

    MUSTAFA SERKAN KARAKAŞ

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2011

    KardiyolojiAkdeniz Üniversitesi

    Kardiyoloji Ana Bilim Dalı

    PROF. DR. A. SELİM YALÇINKAYA

  2. Obstrüktif uyku apne sendromlu hastalarda kortizol düzeylerinin değerlendirilmesi

    Evaluation of cortisol levels in patients with obstructive sleep apnea syndrom

    MEHMET GÜVEN

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2013

    Endokrinoloji ve Metabolizma HastalıklarıDicle Üniversitesi

    Dahili Tıp Bilimleri Bölümü

    PROF. DR. ALPASLAN KEMAL TUZCU

  3. Osas hastaları için CPAP cihazlarındaki optimum basıncın yapay zeka ile tahmini

    Prediction of optimum pressure in CPAP devices for osas patients by artificial intelligence

    FATMA ZEHRA GÖĞÜŞ

    Doktora

    Türkçe

    Türkçe

    2020

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKonya Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. GÜLAY TEZEL

  4. Obstrüktif uyku apnesi sendromu (OUAS) olan hastalarda miyopatinin biyokimyasal belirteçler ile değerlendirilmesi

    Evaluation of myopathy with biochemical markers in the patients with obstuctive sleep apnea syndrome (OSAS))

    SERKAN ÇORAKÇI

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2010

    Kulak Burun ve BoğazZonguldak Karaelmas Üniversitesi

    Kulak Burun Boğaz ve Baş-Boyun Cerrahisi Ana Bilim Dalı

    DOÇ. DR. FİKRET ÇINAR

  5. Obstrüktif uyku apne sendromlu hastalarda beyin orta serebral arter kan akım hızlarının değerlendirilmesi

    Evaluati?on of brai?n mi?ddle cerebral artery blood flow veloci?ty i?n pati?ents wi?th obstructi?ve sleep apnea syndrome

    ELİF MÜRÜVVET BENLİ

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2012

    NörolojiKahramanmaraş Sütçü İmam Üniversitesi

    Nöroloji Ana Bilim Dalı

    DOÇ. DR. DENİZ TUNCEL