Geri Dön

Tıkayıcı uyku apnesinin konuşma sinyallerinin doğrusal olmayan analizleri ile tespit edilmesi

Determination of obstructive sleep apnea with nonlinear analysis of speaking signals

PDF İndir

  1. Tez No: 636055
  2. Yazar: YASEMİN UYAR TOPRAK
  3. Danışmanlar: DR. ÖĞR. ÜYESİ DERYA YILMAZ, DOÇ. DR. METİN YILDIZ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Mühendislik Bilimleri, Electrical and Electronics Engineering, Engineering Sciences
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2020
  8. Dil: Türkçe
  9. Üniversite: Başkent Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Biyomedikal Ana Bilim Dalı
  12. Bilim Dalı: Biyomedikal Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 161

Özet

Tıkayıcı Uyku Apnesi (TUA) en sık görülen uyku bozukluklarından biridir. TUA Altın Standart Tanı Yöntemi Polisomnografidir. TUA tanısı, bir gece uykusu boyunca çok sayıda fizyolojik parametrenin kaydı ve bu kayıtların skorlanması sonucunda konulabilmektedir. Uygulanması sırasında karşılaşılan zorluklar ve maliyetinin yüksek olması nedeniyle, son yıllarda TUA tespitinde Polisomnografinin yerine basitleştirilmiş yaklaşımların geliştirilmesine yönelik çalışmalar önem kazanmıştır. Hastaların evlerinde kendi başlarına kaydedebilecekleri fizyolojik parametrelerin ve TUA belirteçlerinden biri olan horlama seslerinin değerlendirilmesini içeren çalışmalar, apne tespitinde belli oranda başarı göstermişlerdir. Ancak bu yöntemlerde gece boyunca kayıt yapılması dezavantajı ortadan kaldırılamamıştır. Son yıllarda, solunum ve ses yolunun ortak olmasını dikkate alan çalışmalarda, hastalar uyanıkken kaydedilen birkaç dakikalık ünlü harfleri içeren konuşma seslerinin klasik ses analizleriyle değerlendirilmesi yaklaşımıyla TUA tespitine odaklanılmıştır. Bu çalışmada, literatürdeki çalışmalardan farklı olarak, TUA hastalarında uyku sırasında sarkarak solunum yolunu tıkayan kaslar (art damak, yumuşak damak, küçük dil veya dil kökü) tarafından üretilen ünsüz sesler kullanılarak yüksek doğrulukla TUA tespiti yapmak amaçlanmıştır. Çalışmada, 20 TUA hastası ve 20 sağlıklı denekten alınan; {/ca/, /ci/, /cı/, /cu/, /ga/, /gi/, /gı/, /gu/, /ha/, /hi/, /hı/, /hu/, /ka/, /ki/, /kı/, /ku/, /na/, /ni/, /nı/, /nu/, /sa/, /si/, /sı/, /su/} ünsüz ve {/a/, /i/, /ı/, /u/} ünlü seslerin doğrusal olmayan doğasını ortaya koyan özellikleri hesaplanmış ve bunların TUA tespit başarımları, K En Yakın Komşu (K-EYK) ve Destek Vektör Makineleri (DVM) sınıflayıcılarıyla değerlendirilmiştir. Öncelikle doğrusal olmayan özelliklerle sadece ünlü, sadece ünsüz ve tüm sesler için sınıflama yapılmıştır. Ardından, doğrusal olmayan özelliklere klasik ses analizlerinde kullanılan bazı özellikler eklenerek, yapılan sınıflama işlemleri tekrarlanmıştır. Doğrusal olmayan özelliklerle elde edilen TUA tespit doğrulukları; ünlü, ünsüz ve tüm sesler için sırasıyla, K-EYK ile %97,5, %97,5 ve %100; DVM sınıflayıcısıyla %95, %97,5 ve %96,25 olmuştur. Hem doğrusal olmayan hem de klasik ses analizine ait özelliklerin birlikte kullanıldığı sınıflamalarda ise K-EYK sınıflama doğruluğu sadece ünlü seslerde artarak %100'e ulaşmış, diğer gruplarda neredeyse değişiklik olmamıştır. Bu uygulamadaki DVM doğrulukları ise ünlüler ve tüm sesler için bir miktar artarken (%98,75), ünsüz seslerde (%97,5) değişmemiştir. Bu sonuçlar, ünsüz sesler için doğrusal olmayan özelliklerin ayırt edici olduğunu göstermektedir. Elde edilen sonuçlar, doğrusal olmayan özelliklerin hem ünsüz hem de ünlü sesler için, klasik ses analizleri ile literatürde elde edilenlerden çok daha yüksek TUA tespit başarımı sağladığını göstermektedir. Sonuç olarak bu tez çalışmasında, TUA hastası kişilerden alınacak birkaç dakikalık ses kaydı ve doğrusal olmayan analizlerle daha önce klasik ses analizlerini kullanarak TUA tespiti yapan çalışmaların ulaştığı başarım değerlerinin oldukça üzerinde değerlere ulaşılmıştır. Çalışmada önerilen sistemin, başarılı TUA ön tanısı yapılabileceği öngörülmektedir.

Özet (Çeviri)

Obstructive Sleep Apnea (OSA) is one of the most common sleep disorders. Polysomnography is a gold standard diagnostic method for OSA. OSA can be diagnosed as a result of recording many physiological parameters of patients during a night's sleep and scoring these records. Due to the difficulties encountered during its implementation and the high cost, the studies for the development of simplified approaches instead of Polysomnography in OSA detection have gained importance in recent years. Studies involving the evaluation of physiological parameters and snoring sounds, which are one of the OSA markers, that patients can record on their own at home, have shown some success in the detection of apnea. However, in these methods, the disadvantage of recording night long could not be eliminated. In recent years, studies, that take into account the commonness of the respiratory and vocal tract, focus on OSA detection with the approach of evaluating the speech sounds containing a few minutes of vowels recorded while patients are awake by using the classical sound analysis. In this study, unlike the studies in the literature, it was aimed to detect OSA with high accuracy using consonant sounds produced by the muscles (art palate, velum, uvula or tongue root) that shake during sleep and block the airway in OSA patients. In the study, the characteristics revealing the nonlinear nature of consonant {/ca/, /ci/, /cı/, /cu/, /ga/, /gi/, /gı/, /gu/, /ha/, /hi/, /hı/, /hu/, /ka/, /ki/, /kı/, /ku/, /na/, /ni/, /nı/, /nu/, /sa/, /si/, /sı/, /su/} and vowel {/a/, /i/, /ı/, /u/} sounds obtained from 20 OSA patients and 20 healthy subjects were calculated, and their OSA detection performances were evaluated with the K Nearest Neighbors (K-NN) and Support Vector Machines (SVM) classifiers. Firstly, classification is made only for vowels, only consonants and all sounds with nonlinear features. Then, some properties used in classical sound analysis were added to the nonlinear features and the classification procedures were repeated. OSA detection accuracies obtained with nonlinear features were found as 97.5%, 97.5% and 100% (with K-NN); 95%, 97.5% and 96.25% (with DVM), for vowels, consonants and all sounds, respectively. In classifications where both non-linear and classical sound analysis features are used together, K-NN classification accuracy increased only in vowel sounds and reached 100%, while other groups almost did not change. DVM accuracies in this application were slightly increased for vowels and all voices (98.75%), but did not change for consonant voices (97.5%). These results indicate that nonlinear features are distinctive for consonant sounds. The obtained results show that nonlinear features provide much higher OSA detection performance for both consonant and vowel sounds than those reported in the literature with classical sound analysis. As a result, in this thesis study, we reached higher values with a few minutes of voice recording to be taken from OSA patients and nonlinear time series analysis than those achieved by previous studies, using traditional sound analysis. It is anticipated that the system proposed in the study can successfully make pre-diagnosis of OSA.

Benzer Tezler

  1. Tez No

    841509

    Tıkayıcı uyku apnesinin konuşma seslerinin doğrusal olmayan zaman serisi analizleri ve akıllı karar verme yöntemleri ile tespiti

    Detection of obstructive sleep apnea using nonlinear time series analysis of speech signals and intelligent decision making methods

    TUĞÇE KANTAR UĞUR

    Doktora

    Türkçe

    Türkçe

    2023

    BiyomühendislikBaşkent Üniversitesi

    Biyomedikal Mühendisliği Ana Bilim Dalı

    DOÇ. DR. DERYA YILMAZ

    DOÇ. DR. METİN YILDIZ

  2. Tez No

    538936

    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

    BEYZA NUR AKILOTU

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat Üniversitesi

    Yazılım Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ SEDA ARSLAN TUNCER

  3. Tez No

    688920

    Standart polisomnografik parametrelerin uyku apnesinin teşhisine etkisinin makine öğrenmesi yöntemleriyle araştırılması

    Investigation of the effect of standard polysomnographic parameters on the diagnosis of sleep apnea using machine learning methods

    YAKUP ÇİÇEK

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat Üniversitesi

    Yazılım Mühendisliği Ana Bilim Dalı

    DOÇ. DR. SEDA ARSLAN TUNCER

  4. Tez No

    612214

    Machine learning approach for predicting severity of obstructive sleep apnea syndrome

    Obstrüktif uyku apnesinin şiddetinin tahminlenmesinde makine öğrenmesi yaklaşımı

    ONURHAN HAMZAOĞLU

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Hesaplamalı Bilimler ve Mühendislik Ana Bilim Dalı

    PROF. DR. FETHİYE AYLİN SUNGUR

  5. Tez No

    545895

    İstatistiksel değişim algılama algoritmaları ile horlama seslerinin bölütlenmesi ve uyku apnesinin tesbiti

    Segmentation of snore sounds and detection of sleep apnea with statistical change detection algorithms

    GÜLSEVİN KODALOĞLU

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    Elektrik ve Elektronik MühendisliğiAnkara Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. FİKRET ARI

Geri Dön