Derin öğrenme tabanlı algoritmalar kullanarak fizyolojik işaretlerden uyku skorlaması
Sleep scoring in physiological signals by deep learning-based algorithms
- Tez No: 812992
- Danışmanlar: DR. ÖĞR. ÜYESİ ABDULNASIR YILDIZ
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Dicle Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 103
Özet
Uyku, insan sağlığı için gerekli olan karmaşık ve dinamik bir süreçtir. Uyku bozuklukları, uykunun kalitesi, miktarı veya zamanlamasındaki bozulmalarla karakterize edilen bir grup tıbbi durumdur. Uyku bozukluklarının teşhis edilmesi, bu bozuklukların etkili yönetimi ve tedavisi için oldukça önemlidir. Polisomnografi, uyku bozukluklarının teşhisi için kullanılan ve uyku sırasında beyin dalgaları, göz hareketleri, kas tonusu, kalp atış hızı ve nefes alma gibi çeşitli fizyolojik parametrelerin kaydedildiği non-invaziv bir testtir. Uyku evresi ve arousal skorlama, uyku uzmanlarının bir hastanın uyku düzenini değerlendirmesine yardımcı olan polisomnografinin iki önemli bileşenidir. Fakat, uyku skorlama, eğitimli uzman personel gerektiren, en az altı saat uzunluğundaki kayıtların önceden belirlenen kurallara göre dikkatlice incelenip skorlanmasını içeren oldukça yorucu ve zaman alıcı bir süreçtir. Bu tezde, polisomnografi sinyallerinden uyku evresi ve arousal tespiti için derin öğrenme tabanlı, verimli ve etkili iki yöntem önerilmiş ve bu yöntemler iki çalışma halinde sunulmuştur. İlk çalışmada, uyku evrelerinin sınıflandırılması için önerilen yeni bir yaklaşımın değerlendirilmesi ve doğrulanması amaçlanmıştır. Yaklaşım, yerel örüntü dönüşümleri ve evrişimsel sinir ağlarının kullanımına dayanmaktadır. Sinyaller, yerel örüntü dönüşümü yöntemlerinden biri kullanılarak yerel örüntüler içeren yeni sinyallere dönüştürülmüştür. Dönüştürülen sinyaller 30 saniyelik epoklara ayrılmıştır. Sınıflandırma, birden fazla ardışık epoku kabul edebilen bir model kullanılarak gerçekleştirilmiştir. Birden fazla epoktan özellikleri öğrenen model sınıflandırma sırasında epoklar arası bağlamı da dikkate almaktadır. Modelin performans analizi Sleep-EDF Expanded veri seti ve denek bazlı 20 katlı çapraz doğrulma ile gerçekleştirilmiştir. Geniş kapsamlı bir analiz için dört yerel dönüşüm yöntemi, beş sinyal kombinasyonu ve epok sayısı için üç farklı değer kullanılarak toplamda 60 adet deney yapılmıştır. Genel anlamda, en iyi performans sonuçları iki kanallı EEG ile tek kanallı EOG sinyallerinin birleşimi, bir boyutlu yerel ikili örüntü yöntemi ve beş epoklu giriş ile 0,848 doğruluk, 0,782 F1 skor ve 0,790 Cohen kapa olarak elde edilmiştir. İkinci çalışmada ise uyku evresi ve arousal tespiti için tam evrişimsel sinir ağı tabanlı, yeni ve çok görevli bir öğrenme yaklaşımı önerilmiştir. Çalışmada, tüm gece boyunca kaydedilen tek kanallı EEG sinyallerini kabul eden, girişine verilen sinyaller için uyku evresi ve arousal etiketlerini oluşturan bir model oluşturulmuştur. Önerilen model evrişim, yineleme, dikkat ve segmentasyon modüllerinden oluşmaktadır. Evrişim modülü giriş sinyallerinden lokal özellikleri çıkarır, yineleme modülü ise çıkarılan bu özellikler arasında uzun süreli bağlam kurar, dikkat modülü modelin girişin önemli bölgelerine odaklanmasını sağlar ve segmentasyon modülü iki adet tahmin maskesi oluşturur. Model uyku evresi ve arousal skorlamayı segmentasyon problemleri olarak ele alır ve bu problemlerin çözümü için birleşik bir çözüm sunar. Modelin performans değerlendirmesi Sleep Heart Health Study (SHHS) ve Multi-Ethnic Study of Atherosclerosis (MESA) veri setleri kullanılarak gerçekleştirilmiştir. SHHS veri seti ile uyku evresi skorlama için 0,875'lik doğruluk, 0,803'lük F1 skor ve 0,826'lık kapa elde edilmiştir. MESA veri seti için ise bu değerler sırasıyla 0,829, 0,761 ve 0,755 olarak kaydedilmiştir. SHHS veri seti için modelin arousal skorlama performansı AUPRC ve AUROC cinsinde 0,695 ve 0,973 olarak başarılmıştır. MESA veri seti için de oldukça benzer skorlar kaydedilmiştir. Uyku evresi skorlaması için geliştirilen diğer yöntemlerin aksine önerilen model iki görevi eşzamanlı olarak gerçekleştirmesine ve ham EEG sinyalleri kullanmasına rağmen uyku evresi skorlama açısından literatürdeki en iyi çalışmadan yalnızca %0,2 oranında daha düşük bir performans sergilemiştir. Model, literatürde arousal skorlaması için bildirilen en iyi performans değerlerini ise önemli oranda iyileştirmiştir.
Özet (Çeviri)
Sleep is a complex and dynamic process that is essential for human health. Sleep disorders are a group of medical conditions characterized by disturbances in the quality, quantity, or timing of sleep. The diagnosis of sleep disorders is crucial for the effective management and treatment of these disorders. Polysomnography is a non-invasive test used for the diagnosis of sleep disorders in which various physiological parameters such as brain waves, eye movements, muscle tone, heart rate, and breathing are recorded during sleep. Sleep stage and arousal scoring are two important components of polysomnography that help sleep specialists assess a patient's sleep patterns. However, sleep scoring is a tedious and time-consuming process that requires trained personnel to carefully review and score at least six hours of recordings according to predetermined rules. In this thesis, efficient and effective deep learning-based methods for sleep stage classification and arousal detection from polysomnography signals are presented in two studies. The first study aims to evaluate and validate a novel approach proposed for sleep stage classification. The approach is based on the use of local pattern transformations and convolutional neural networks. The signals were transformed into new signals containing local patterns using one of the local pattern transformation methods. The transformed signals are divided into 30-second epochs. Classification is performed using a model that can accept multiple consecutive epochs. The model learns features from multiple epochs and takes into account the context between epochs during classification. Performance analysis of the model was performed with the Sleep-EDF Expanded dataset and leave-one-out cross-validation. For a comprehensive analysis, a total of 60 experiments were conducted using four local transformation methods, five signal combinations, and three different values for the number of epochs. Overall, the best performance results were obtained with the combination of two-channel EEG and single-channel EOG, one-dimensional local binary pattern method, and five epochs of input, with an accuracy of 0.848, an F1 score of 0.782, and a Cohen kappa of 0.790. In the second study, we propose a novel multi-task learning approach based on fully convolutional neural networks for sleep stage and arousal detection. The model accepts single-channel EEG signals recorded overnight and generates sleep stage and arousal labels. It comprises convolution, recurrent, attention, and segmentation modules to extract local features, establish long-term dependencies, focus on important regions of the inputs, and generate prediction masks. We treat sleep stage and arousal detection tasks as segmentation problems, providing a unified solution for both tasks. The performance evaluation on the Sleep Heart Health Study (SHHS) and Multi-Ethnic Study of Atherosclerosis (MESA) datasets demonstrated strong results. For sleep stage scoring, the model achieved high accuracy, F1 score, and kappa of 0.875, 0.803, and 0.826 for SHHS and 0.829, 0.761, and 0.755 for MESA, respectively. In terms of arousal scoring, the model obtained impressive AUPRC and AUROC of 0.695 and 0.973 for SHHS, with similar scores for MESA. These results demonstrated the model's effectiveness in accurately detecting sleep stages and arousals, surpassing previous literature benchmarks and significantly improving arousal scoring performance.
Benzer Tezler
- Emotion aware artificial intelligence for cognitive systems
Bilişsel sistemler için duygu farkındalıklı yapay zeka
DEĞER AYATA
Doktora
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. YUSUF YASLAN
PROF. DR. MUSTAFA ERSEL KAMAŞAK
- Yüz tanıma sistemleri için derin öğrenme tabanlı 3 boyutlu yüz sahteciliği önleme sistemi geliştirilmesi
Development of deep learning-based 3D face fraud prevention system for face recognition systems
ZEYNEP KOYUN
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BETÜL AY
- Classification of abnormal respiratory sounds using deep learning techniques
Solunum seslerinin derin öğrenme yöntemleri ile sınıflandırılması
AHAMADI ABDALLAH IDRISSE
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
DOÇ. DR. OKTAY YILDIZ
- Emotion recognition in children: Single and multimodal approaches with facial and physiological data
Çocuklarda duygu tanima: Yüz ve fizyolojik verilerle tekli ve çoklu modalite yaklaşimlari
ŞEYMA TAKIR
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. HATİCE KÖSE
- Aydınlatmanın görüntü işleme problemlerine etkisinin yapay zeka teknikleri kullanılarak analizi
Analysis of the effect of lighting on image processing problems using artificial intelligence techniques
BİRKAN BÜYÜKARIKAN
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKonya Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ERKAN ÜLKER