Geri Dön

Makine öğrenmesi algoritmaları yardımı ile polisomnografi sinyallerinden uyku evreleri sınıflandırılması

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

  1. Tez No: 595760
  2. Yazar: HİLAL SULTAN DURANOĞLU TUNÇ
  3. Danışmanlar: PROF. DR. MEHMET ERTUĞRUL
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2019
  8. Dil: Türkçe
  9. Üniversite: Atatürk Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Elektronik Bilim Dalı
  13. Sayfa Sayısı: 105

Özet

Bu tez çalışmasında, Physionet Challenge 2018 Database olarak internet üzerinden erişime açık polisomnografi bilgisi içeren bir veri seti kullanılmıştır. Polisomnografi veri seti bir çeşit biyolojik sinyaller dizisidir ve uyku evrelerinin otomatik olarak sınıflandırılması için kullanılmaktadır. Uyku, Amerikan Uyku Akademisi tarafından 2007'de yayınlanan AASM Uyku El kitabı'nda belirlenen standartlara göre beş aşamadan oluşan bir süreçtir, bunlar; Wake, NonRem1,NonRem2, NonRem3 ve REM evreleridir (AASM 2007). Uyku evrelerinin süresi ve uyku evrelerine girip çıkma sayısı kişinin uyku verimliliğini etkilemektedir ve aynı zamanda bu değişkenler çeşitli uyku bozukluklarının da nedeni olabilmektedir. Uyku ile ilgili rahatsızlıklarda uyku evrelerinin gözlemlenebilmesi büyük önem taşımaktadır. Uyku evrelerinin otomatik olarak sınıflandırılması amacına yönelik çalışma yapılırken ilgili sinyal dizisi üzerinde öncelikle bazı kanallar seçilerek bu kanallara özellik çıkarma işlemi uygulanmıştır. Bu işlemler; MFCC, ICA olarak seçilmiştir. Sonrasında çıkarılan özellikler LSTM yazılım mimarisi kullanılarak sınıflandırma işlemine tabi tutulmuştur. Kişi bağımlı algoritma kullanılmak suretiyle elde edilen en yüksek doğruluk oranı %93,36 olmuştur. Kullanılan özellik çıkarma yöntemi sırasıyla ICA ve MFCC' dir, kullanılan kanal yanlızca 1. Kanaldır. Kişi bağımsız algoritma kullanılarak elde edilen en yüksek doğruluk oranı %86,89 olarak bulunmuştur. Bu doğruluk oranına erişilirken yanlızca MFCC ile özellik çıkarılmıştır ve 7. Kanalın sinyal bilgisi kullanılmıştır. Yapılan çalışmada, bir uzman tarafından ve zaman gerektiren bir işlem olan bu sınıflandırma işlemi otomatik olarak yapılmaktadır. Uyku evresinin sınıflandırılması gibi tıbbi teşhis amaçlı uygulamaların otomatize edilmesi gelişen teknoloji ve bilimsel çalışmaların bir sonucu olmakla birlikte tezimi bu alanda yazmış olmamın da bu çalışmalara katkı sağlayacağını ummaktayım.

Özet (Çeviri)

In this thesis study, Pysionet Challenge 2018 Database which is consist of different kinds of biological signals (so we call this Database 'Polysomnography') is used for classifying sleep stages. While working for the purpose which is written above, firstly a few channels of the Database were tried to enhance the accuracy. Secondly different Feature Extraction Algorithms were tried to get the features of the Database (These feature extraction algorithms are: MFCC, ICA ). Finally the Database was classified by using a software architecture which has the name of Long Short Term Memory. Sleep consists of five stages, they are; Wake, NonRem1, NonRem2, NonRem3, Rem (AASM Manual). Duration of Sleep Stages and number of times in and out of these sleep stages are influential on the efficiency of sleeping and these topics can cause sleep disorders in different ways. It is of great importance to observe sleep stages in sleep disorders. In this thesis study, the sleep stage classification process which is done by an expert and which takes a lot of time and human effort is done by computer automatically. So this automatic process saves human effort and time concurrently. Sleep stages were classified into 5 groups. The highest accuracy obtained using the subject dependent algorithm was 93,36%. The feature extraction method which is used ICA and MFCC, respectively, the channel used is only the first one. The highest accuracy rate obtained using the subject independent algorithm was found to be 86,89%. In achieving this accuracy, only the MFCC feature was used and the signal information of Channel 7 was used. I would like to note that the automation of medical diagnostic applications such as the classification of the sleep stage is a result of developing technology and scientific studies, and I hope that my master thesis in this area will contribute to these studies.

Benzer Tezler

  1. Makine öğrenmesi algoritmaları ile ev kirası tahmini : Ankara ilinde bir uygulama

    House rent estimation with machine learning algorithms: An application in Ankara

    KAZIM BURAK YILMAZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOsmaniye Korkut Ata Üniversitesi

    Yönetim Bilişim Sistemleri Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ METİN ÖZŞAHİN

  2. Derin öğrenme teknikleri ile nanomalzeme katkılı nematik sıvı kristal yapıların elektro-optik özelliklerinin tahminlenmesi

    Prediction of electro-optical properties of nanomaterial doped nematic liquid crystal structures by deep learning techniques

    MUSTAFA AKSOY

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolİZMİR BAKIRÇAY ÜNİVERSİTESİ

    Akıllı Sistemler Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ GÜLNUR ÖNSAL

    DR. ÖĞR. ÜYESİ ONUR UĞURLU

  3. Veri madenciliği teknikleri ile meme kanseri tahmini için mammogram görüntülerinin analizi

    An analysis of mammogram imagesfor breast cancer predictionusing data mining techniques

    MOHAMMED I.F MANSOUR

    Yüksek Lisans

    İngilizce

    İngilizce

    2020

    Mekatronik MühendisliğiSakarya Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    ÖĞR. GÖR. MUSTAFA ÇAĞRI KUTLU

  4. Makine öğrenmesi algoritmaları ile engellilere yönelik EEG işaretlerinin sınıflandırılması

    Classification of EEG signals for the disabled with machine learning algorithms

    ALİ OSMAN SELVİ

    Doktora

    Türkçe

    Türkçe

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Uygulamalı Bilimler Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. ABDULLAH FERİKOĞLU

  5. Akut apandisit tanı oranının makine öğrenmesi yardımı ile prospektif olarak iyileştirilmesi

    Prospective improvement of acute appendicitis diagnosis rate with the help of machine learning

    ERHAN GÖK

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2024

    Genel CerrahiSağlık Bilimleri Üniversitesi

    Genel Cerrahi Ana Bilim Dalı

    DOÇ. DR. EDİP AKPINAR