Geri Dön

Sleep apnea events detection from polysomnogram studies using deep learning techniques

Uyku apne etkinlikleri derin öğrenme teknikleri kullanılan polisomnogram araştırmalarından algılama

PDF İndir

  1. Tez No: 643828
  2. Yazar: MAHMOOD ABED
  3. Danışmanlar: DOÇ. DR. TURGAY İBRİKÇİ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2020
  8. Dil: İngilizce
  9. Üniversite: Çukurova Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Uyku apnesinin tespit etme kabiliyetini keşfetmemizi sağlayan derin öğrenme tekniklerinin önemli ölçümde artmasından kaynaklıdır. Uyku apnesi yüksek sesle horlama ve ardışık uyanma dahil olarak uyku sırasında düzensiz solunum örnekleri ile tanımlanan bir solunum sorunudur. Bir-çok sayıda değerlendirilmeyen uyku apnesinin nedeni plisoygramın uyku laboratuvarlarında uzak ve yüksek maliyete uygulanmasından kaynaklıdır. Bu tezde, belirli fizyolojik sinyalleri hedefleyerek klinik varsayımını kanıtladık, belirli olan fizyolojik sinyaller, Göğüs, Karın, Oksijen Doygunluğu (SpO2)dan algılanmaktadır, Bu sinyallerden ve normal olaylardan uyku apnesi olaylarını da tespit edebildik. Bu tezde iki veri tabanı Physionet kaynaklarını ele alarak kullanılmıştır. Ilk veri tabanı 2018'de You Snooze You Win (YSYW) adlı, ve ikinci veri tabanı da 2000 yılında Apne-EKG adlı. Derin öğrenme tekniklerinin önemli ölçüde artması, Uyku Apnesinin (SA) saptanmasındaki kabiliyetini tespit etmesini sağladı. Uyku apnesi bir solunum sorunu olarak görünmektedir, ilk verileri eğtim ile test için kullanılırken ikinci veri tabanı ise test için kullanıldı. 60 saniyelik dönemler, giriş veri kümeleri olarak işlendi. Geçitli Tekrarlayan Birim (GRU) ve Uzun Kısa Süreli Bellek (LSTM) bu göreve faydalanmak için dahil edildi. Çalışma Sonuçlarımız, Konvolüsyon Sinir Ağları (CNN'ler) ve Tekrarlayan Sinir Ağlarından (RNN'ler) oluşan hibrit modelin diğer derin öğrenme tekniklerinden daha iyi performans gösterdiğini gösterdi. İlk veritabanındaki en yüksek genel doğruluk% 97' iken, ikinci veritabanındaki genel doğruluk oranını % 92 elde edildi. Sonuç olarak elde ediler veriler değer araştırma sonucları ile karşılaştırılıp tartışıldı.

Özet (Çeviri)

The significant raising of deep learning techniques has made us discover its capability in the detection of Sleep Apnea (SA). Sleep Apnea is a respiratory issue described by irregular breathing samples during sleep, including loud snoring and successive waking. Uncountable sleep apnea cases are under-evaluated because of the remoteness, burden, or cost of Polysomnogram in sleep laboratories. Thus, automated detection has been applied using different machine learning methods. In this thesis, we proved the clinical presumption by targeting specific physiological signals, which are Chest, Abdominal, Oxygen Saturation (SpO2). We were able to detect sleep apnea events from those signals and normal events as well. Two databases from Physionet are used in this thesis. The first database was a competition in 2018, called You Snooze You Win (YSYW), and the other database was also a competition in 2000, called the Apnea-ECG. We used the first one for training and testing, and for generalization, we used the second database for testing also. Epochs of 60 seconds in size have been handled as input datasets. Gated Recurrent Unit (GRU) and Long Short-Term Memory (LSTM) were included to be exploited in this task. Our results showed that the hybrid model consisting of Convolution Neural Networks (CNNs) and Recurrent Neural Networks (RNNs) outperformed the other deep learning techniques. The top overall accuracy reached on the first database is 97%, and the second database is 92%. Finally, we discussed the obtained results with other related researches.

Geri Dön