Uyku bozukluğunun makine öğrenmesi algoritmaları ile tahmini
Prediction of sleep disorders using machine learning algorithms
- Tez No: 921303
- Danışmanlar: PROF. DR. OKAN BİNGÖL
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Elektrik ve Elektronik Mühendisliği, Mühendislik Bilimleri, Computer Engineering and Computer Science and Control, Electrical and Electronics Engineering, Engineering Sciences
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- 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: 102
Özet
Uyku, insan sağlığı ve yaşam kalitesi için hayati bir süreçtir. Ancak, uyku bozuklukları bireylerin günlük yaşamını, iş verimliliğini ve genel sağlık durumunu olumsuz etkileyebilmektedir. Geleneksel tanı yöntemleri zaman alıcı ve maliyetli olup, hastalıkların erken teşhisini zorlaştırmaktadır. Çalışma kapsamında, gerçek hasta verileri kullanılmıştır. Veri seti, hastaların demografik bilgileri, antropometrik ölçümleri, laboratuvar sonuçları ve solunum fonksiyon testlerinden oluşmaktadır. Makine öğrenmesi modelleri olarak K-En Yakın Komşu (KNN), Karar Ağaçları, Lojistik Regresyon, Destek Vektör Makineleri (SVM), Rastgele Orman ve Yapay Sinir Ağları (YSA) algoritmaları uygulanmıştır. Bu tez çalışmasında, uyku hastalıklarının teşhisinde kullanılmak üzere farklı makine öğrenmesi modellerinin etkinliği araştırılmış ve bu modellerin performansları karşılaştırılmıştır. Elde edilen sonuçlara göre, SVM modeli %95.43 doğruluk oranı ve 0.9787 ROC AUC skoru ile en yüksek performansı göstermiştir. Analizler, boyun çevresi, bel çevresi, LDL kolesterol seviyesi ve Epworth Uykululuk Skoru'nun uyku hastalıklarıyla en yüksek korelasyona sahip olduğunu ortaya koymuştur. Ayrıca, kalsiyum seviyesindeki artışın hastalık riskini azalttığı belirlenmiştir. Sonuç olarak, makine öğrenmesi yöntemlerinin uyku hastalıklarının erken teşhisi ve risk faktörlerinin belirlenmesinde etkili araçlar olduğu görülmüştür. Bu çalışma, tıbbi teşhis süreçlerinde makine öğrenmesi teknolojilerinin uygulanabilirliğini ve potansiyelini göstermektedir. Gelecekte, daha geniş veri setleri ve ek klinik özelliklerle bu modellerin geliştirilmesi, uyku hastalıklarının tanı ve tedavi süreçlerine önemli katkılar sağlayabileceğini göstermektedir.
Özet (Çeviri)
Sleep is a vital process for human health and quality of life. However, sleep disorders can negatively affect individuals' daily lives, work productivity, and overall health status. Traditional diagnostic methods are time-consuming and costly, making the early diagnosis of diseases challenging. In the scope of this study, real patient data were used. The dataset consists of patients' demographic information, anthropometric measurements, laboratory results, and pulmonary function tests. Machine learning models applied include K-Nearest Neighbor (KNN), Decision Trees, Logistic Regression, Support Vector Machines (SVM), Random Forest, and Artificial Neural Networks (ANN). In this thesis, the effectiveness of different machine learning models for use in the diagnosis of sleep disorders was investigated, and the performances of these models were compared. According to the results obtained, the SVM model demonstrated the highest performance with an accuracy rate of 95.43% and an ROC AUC score of 0.9787. Analyses revealed that neck circumference, waist circumference, LDL cholesterol level, and the Epworth Sleepiness Score had the highest correlation with sleep disorders. Additionally, it was determined that an increase in calcium levels reduced the risk of the disease. In conclusion, machine learning methods have been observed to be effective tools in the early diagnosis of sleep disorders and the identification of risk factors. This study demonstrates the applicability and potential of machine learning technologies in medical diagnostic processes. It indicates that, in the future, the development of these models with larger datasets and additional clinical features could make significant contributions to the diagnosis and treatment processes of sleep disorders.
Benzer Tezler
- 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
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiHesaplamalı Bilimler ve Mühendislik Ana Bilim Dalı
PROF. DR. FETHİYE AYLİN SUNGUR
- Machine-learning approaches for neurological disorder diagnosis from genomic and neuroimaging data
Genomik ve nörogörüntüleme verilerinden nörolojik bozukluk teşhisi için makine öğrenmesi yaklaşımları
İSMAİL BİLGEN
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BEHÇET UĞUR TÖREYİN
- BMI prediction from face images
Yüz görüntülerinden vücut kitle indeksi tahmini
GÜLPINAR BÖLÜKBAŞ
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA ERSEL KAMAŞAK
- Nöbetli çalışan erkeklerde BDNF, GDNF ve nörotrofin 3 düzeylerinin ve beyin hacimlerinin incelenmesi
Examination of BDNF, GDNF, and neurotrophin 3 levels and brain volumes in men working shifts
MÜCAHİDE BÜŞRA BALCIOĞLU
Yüksek Lisans
Türkçe
2022
Moleküler TıpKırşehir Ahi Evran ÜniversitesiMoleküler Tıp Ana Bilim Dalı
DR. ÖĞR. ÜYESİ DİLEK KUZAY AKSOY
- Derin öğrenme ağ yapılarının uyku evreleme problemlerine uygulanması
Application of deep learning architectures on sleep staging problems
ENES EFE
Doktora
Türkçe
2022
Elektrik ve Elektronik MühendisliğiKonya Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. SERAL ÖZŞEN