Makine öğrenmesi yöntemleri ile uyku-uyanıklık tahmini
Sleep-wake prediction with machine learning methods
- Tez No: 903958
- Danışmanlar: PROF. DR. OKAN BİNGÖL
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Electrical and Electronics Engineering, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Isparta Uygulamalı Bilimler Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Uyku, sağlığımız ve genel yaşam kalitemiz için hayati bir öneme sahiptir. Yeterli ve kaliteli uyku, enerji seviyelerimizi artırır, odaklanma yeteneğimizi geliştirir ve ruh halimizi olumlu yönde etkiler. Ayrıca, düzenli ve sağlıklı bir uyku alışkanlığı, birçok kronik hastalığın önlenmesine katkı sağlar. Buna karşın, uyku süresinin kısa olması veya uyku kalitesinin düşük olması, bireylerde çeşitli sağlık sorunlarına yol açabilir. Bu nedenle, uyku kalitesinin düzenli olarak izlenmesi ve analiz edilmesi büyük önem taşımaktadır. Günümüzde sağlık teknolojilerindeki yenilikler sayesinde, uykunun kalitesi ve süresi çeşitli cihazlar ve teknikler kullanılarak ölçülmekte ve analiz edilmektedir. Ancak bu tekniklerin genellikle uyku laboratuvarlarında uygulanması, sürecin zaman alıcı ve maliyetli olmasına neden olmaktadır. Ayrıca, uyku laboratuvarlarına erişimin zor olması, uyku analizinin herkes için uygun olmamasına yol açmaktadır. Bu durumlar, uyku analizinde alternatif ve daha erişilebilir yöntemlerin gerekliliğini ortaya koymaktadır. Bu tez çalışmasında, uyku ve uyanıklık durumlarının tahmin edilmesinde beş farklı makine öğrenmesi algoritmasının etkinliği incelenmiştir. Çalışma, algoritmaların zaman serisi verilerini modelleme kabiliyetleri ve sürekli, sıralı verilere sahip problemlere uygunluklarını değerlendirmiştir. Sonuçlara göre, Uzun Kısa Süreli Bellek (LSTM) algoritması, uyku/uyanıklık tahmininde %93.48 doğruluk oranıyla en yüksek başarıyı elde etmiştir. Bunun yanı sıra, Rastgele Orman algoritması %81, Karar Ağaçları ise %76 başarı göstermiştir. Elde edilen bu sonuçlar, sürekli ve sıralı verilerin bulunduğu problemlerde LSTM algoritmasının ideal bir seçenek olduğunu göstermektedir. Bu bulgu, uyku ve uyanıklık durumunun tahmin edilmesinde LSTM'nin diğer algoritmalara göre daha etkili olduğunu ve daha gelişmiş uyku analiz yöntemlerinin geliştirilmesine olanak sağladığını göstermektedir.
Özet (Çeviri)
Sleep is vital for our health and overall quality of life. Adequate and quality sleep increases our energy levels, improves our ability to focus and positively affects our mood. In addition, a regular and healthy sleep habit contributes to the prevention of many chronic diseases. On the other hand, short sleep duration or poor sleep quality can lead to various health problems in individuals. Therefore, regular monitoring and analysis of sleep quality is of great importance. Today, thanks to innovations in health technologies, the quality and duration of sleep can be measured and analyzed using various devices and techniques. However, these techniques are usually applied in sleep laboratories, making the process timeconsuming and costly. In addition, difficult access to sleep laboratories makes sleep analysis not suitable for everyone. These situations reveal the need for alternative and more accessible methods in sleep analysis. In this thesis, the effectiveness of five different machine learning algorithms in predicting sleep and wakefulness states is investigated. The study evaluated the algorithms' ability to model time series data and their suitability for problems with continuous, sequential data. According to the results, the Long Short-Term Memory (LSTM) algorithm achieved the highest success in sleep/wake prediction with 93.48% accuracy. In addition, the Random Forest algorithm achieved 81% and Decision Trees achieved 76%. These results show that the LSTM algorithm is an ideal choice for problems with continuous and sequential data. This finding shows that LSTM is more effective than other algorithms in predicting sleep and wakefulness states and enables the development of more advanced sleep analysis methods.
Benzer Tezler
- Akım volüm halkası ile obstrüktif uyku apnesi teşhisi için makine öğrenmesi tabanlı bir yöntem geliştirilmesi
Development of a machine learning-based method for the diagnosis of obstructive sleep apnea using flow volume loop
SEVAL BULUT ERİŞ
Doktora
Türkçe
2026
Elektrik ve Elektronik MühendisliğiSakarya ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET RECEP BOZKURT
PROF. DR. CAHİT BİLGİN
- Obstrüktif uyku apne teşhisi için makine öğrenmesi tabanlı yeni bir yöntem geliştirilmesi
Developing a new method for obstructive sleep apnea diagnosis based on machine learning
MUHAMMED KÜRŞAD UÇAR
Doktora
Türkçe
2017
BiyoistatistikSakarya ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET RECEP BOZKURT
- Interferon induced transmembrane protein 1 as a candidate clock regulator gene
Aday saat düzenleyici gen olarak ınterferon ile indüklenmiş transmembran protein 1
EYLEM KÜLKÖYLÜOĞLU
Yüksek Lisans
İngilizce
2015
GenetikKoç ÜniversitesiMoleküler Biyoloji ve Genetik Ana Bilim Dalı
DOÇ. DR. İBRAHİM HALİL KAVAKLI
- Uyku bozukluğunun makine öğrenmesi algoritmaları ile tahmini
Prediction of sleep disorders using machine learning algorithms
OSMAN ŞAHİN
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolIsparta Uygulamalı Bilimler ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. OKAN BİNGÖL
- Machine learning approach for predicting severity of obstructive sleep apnea syndrome
Obstrüktif uyku apnesinin şiddetinin tahminlenmesinde makine öğrenmesi yaklaşımı
ONURHAN HAMZAOĞLU
Yüksek Lisans
İngilizce
2019
Halk Sağlığıİstanbul Teknik ÜniversitesiHesaplamalı Bilim ve Mühendislik Ana Bilim Dalı (disiplinlerarası)
PROF. DR. FETHİYE AYLİN SUNGUR