Derin öğrenme yöntemleri kullanarak EEG işaretlerinden uyku apne sendromu tespiti ve sınıflandırılması
Detection and classification of sleep apnea syndrome from EEG signals using deep learning methods
- Tez No: 845393
- Danışmanlar: PROF. DR. MAHMUT HEKİM
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Tokat Gaziosmanpaşa Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Mekatronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Mekatronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 70
Özet
Bu çalışmada makine öğrenmesi yöntemleri kullanarak Elektroensefalografi (EEG) işaretlerinden uyku apne sendromunun tespit ve sınıflandırılmasına odaklanılmaktadır. Polisomnografi (PSG) kayıtlarından alınan EEG işaretlerine tüm deneylerde kullanılmak üzere örnekleme, filtreleme, pencereleme, normalizasyon ve frekans altbandlarına ayırma uygulanmıştır. Elde edilen EEG işaretlerinin altbandlarına temel istatistiksel parametreler uygulanarak öznitelik çıkarma işlemi gerçekleştirilmiştir. Bu öznitelikler çok katmanlı algılayıcı sinir ağı (MLPNN) modeline giriş olarak uygulanarak uyku apne sendromu sınıflandırması yapılmıştır. Normalizasyonun ve frekans altbandlarına ayrıştırmanın etkisini değerlendirmek için ham EEG işaretleri ve normalizeli işaretler aynı MLPNN modeli ile tekrar sınıflandırılmıştır. Normalizasyonun sınıflandırma başarısında ciddi bir artış sağlamadığından normalizeli işaretler, frekans altbandlarına ayrılarak öznitelik çıkarma işlemi tekrarlanmış ve aynı MLPNN modeli ile sınıflandırılmıştır. Normalize edilerek frekans altbandlarına ayrıştırma sınıflandırma başarısını önemli derecede artırmıştır. Diğer bir çalışmada EEG işaretlerinin spektrogramlarının entropisi MLPNN modeline giriş olarak uygulanmıştır. Her sınıfta başarı artışı gözlemlenmiş fakat şiddetli apne sınıfının başarı oranının en yüksek olduğu görülmüştür. Başka bir deneyde MLPNN dışında literatürde sıklıkla kullanılan derin öğrenme modellerinden evrişimsel sinir ağı (CNN) modeli kullanılmıştır. İki ayrı deneysel çalışma olarak EEG işaretlerinin görüntüleri ve spektrogramları bu modele giriş olarak uygulanmış ve uyku apne sendromu sınıflandırması yapılmıştır. Önişlem ve öznitelik çıkarımı gerektirmeyen bu sınıflandırma modelinde spektrogramlarla yapılan deney sonucunda başarı oranı daha yüksek bulunmuştur. Çalışmanın son deneyi olarak YOLOv5 ve YOLOv8 modelleri ile de uyku apne sendromu sınıflandırması yapılmıştır. Bu sınıflandırmalar için pencerelenen EEG işaretlerinin spektrogramları kullanılmıştır. İşlem hızının yüksek olması, katman ve parametre sayısının az olması ve yüksek sınıflandırma başarısı vermesi nedeniyle YOLOv8 modelinin performansı, YOLOv5 modeline göre daha yüksek çıkmıştır.
Özet (Çeviri)
This study is focused on the detection and classification of sleep apnea syndrome from Electroencephalography (EEG) signals using machine learning methods. Sampling, filtering, windowing, normalization and frequency subbanding were processed on EEG signals from Polysomnography (PSG) recordings for using in all experiments. Feature extraction was performed by applying basic statistical parameters to the subbands of the obtained EEG signals. These features were applied as input to a multilayer perceptron neural network (MLPNN) model for sleep apnea syndrome classification. To evaluate the effect of normalization and frequency subband segmentation, the raw EEG signals and normalized signals were reclassified by using the same MLPNN model. The normalization results in less significant increase in classification success, so the normalized signals were segmented into frequency subbands, the feature extraction proccess was repeated and classified by using the same MLPNN model. Normalization and frequency subband segmentation significantly improved the classification success. In another experiment the entropy of spectrograms were applied as input to the MLPNN model. In each class, an increase in success was observed, but the success rate of the severe apnea class was the highest. In another experiment, a convolutional neural network (CNN) model, one of the deep learning models frequently used in the literature, was used in additional to MLPNN. In two different experimental studies, images and spectrograms of EEG signals were applied as input to this model and sleep apnea syndrome classification was performed. In this classification model which does not require preprocessing and feature extraction, the success rate was higher as a result of the experiment with spectrograms. As the last experiment of the study, sleep apnea syndrome classification was performed by using YOLOv5 and YOLOv8 models. For these classifications, spectrograms of windowed EEG signals were used. The performance of the YOLOv8 model was higher than the YOLOv5 model because of its high proccessing speed, less number of layers and parameters and high classification success.
Benzer Tezler
- Classification of the motor EEG signals by using deep neural networks
Derin sinir ağları kullanarak motor EEG sinyallerinin sınıflandırılması
LEYLA ABILZADE
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
PROF. DR. TAMER ÖLMEZ
- Derin öğrenme tabanlı algoritmalar kullanarak fizyolojik işaretlerden uyku skorlaması
Sleep scoring in physiological signals by deep learning-based algorithms
HASAN ZAN
Doktora
Türkçe
2023
Elektrik ve Elektronik MühendisliğiDicle ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ABDULNASIR YILDIZ
- EEG işaretlerinden dikkat eksikliği ve hiperaktivite bozukluklarının makine öğrenmesi yöntemleri ile belirlenmesi
Attention deficit and hyperactivity from EEG signs determination of disorders by machine learning methods
BUĞRA KARAKAŞ
Yüksek Lisans
Türkçe
2024
Çocuk Sağlığı ve HastalıklarıFırat ÜniversitesiElektronik-Bilgisayar Eğitimi Ana Bilim Dalı
PROF. DR. ABDULKADİR ŞENGÜR
- Classification of ten different motor imagery eeg signals by using deep neural networks
On farklı motor hareket hayaline ait eeg işaretlerinin derin sinir ağları ile sınıflandırılması
NURİ KORHAN
Doktora
İngilizce
2023
Mekatronik Mühendisliğiİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. ZÜMRAY ÖLMEZ
- Epileptic seizure prediction using EEG signals with deep learning
Derin öğrenme yoluyla EEG işaretlerinden eğileptik nöbet tahmini
SAMET ORAN
Yüksek Lisans
İngilizce
2023
Elektrik ve Elektronik MühendisliğiAdana Alparslan Türkeş Bilim Ve Teknoloji ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ESEN YILDIRIM