Solunum eforu uyku uyarılarının makine öğrenmesi kullanılarak tanımlanması
Identification of respiratory effort sleep araousal using machine learning
- Tez No: 956893
- Danışmanlar: PROF. DR. MEHMET BAKIR, DR. ÖĞR. ÜYESİ HASAN ULUTAŞ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Yozgat Bozok Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 83
Özet
Uyku, insan sağlığı ve yaşam kalitesi için vazgeçilmez bir fizyolojik süreçtir. Nitelikli bir uyku süreci, bireyin fiziksel iyilik halinin yanı sıra zihinsel ve duygusal dengesini de doğrudan etkilemektedir. Uyku bozuklukların erken teşhisi ve doğru analizi, bireyin yaşam kalitesini artırmak açısından büyük önem taşımaktadır. Uyku bozukluklarının tespitinde en yaygın yöntemlerden biri, bireyin bir gece boyunca izlenerek elde edilen polisomnografi (PSG) kayıtlarının analizidir. EEG, EMG, solunum, kalp atımı ve vücut pozisyonu gibi eşitli sensörlerden elde edilen bu çok boyutlu veriler, genellikle manuel olarak incelenmekte olup, zaman alıcı ve hata riski taşıyan bir süreçtir. Bu çalışmada, PSG kayıtları kullanılarak uyku uyarılarının anlık olarak tespit edilmesi ve bu sürecin makine öğrenmesi algoritmalarıyla otomatikleştirilmesi amaçlanmıştır. Veri seti, Yozgat Bozok Üniversitesi Göğüs Hastalıkları Uyku Laboratuvarı'nda, Philips Alice Clinic PSG cihazı kullanılarak 113 bireyden elde edilmiştir. Veri toplama süreci, ilgili etik kurul onayları alınarak yürütülmüş; kayıtlar, uzman bir doktor tarafından American Academy of Sleep Medicine (AASM) kriterlerine göre manuel olarak işaretlenmiştir. Toplamda 513,5 milyon adet sensör verisi, çeşitli makine öğrenmesi algoritmaları ile analiz edilmiş ve veri işleme teknikleri uygulanarak sınıflandırma performansı değerlendirilmiş olup kullanılan Ekstra Ağaç Sınıflandırma yöntemiyle %96,81 oranında başarım sağlanmıştır. Elde edilen sonuçlar, makine öğrenmesi tekniklerinin PSG verileriyle entegre edilerek uyku uyarılarının güvenilir ve hızlı bir şekilde tespit edilmesinde etkili bir yaklaşım sunduğunu göstermektedir. Bu çalışma, uyku bozukluklarının erken tanısına katkı sağlayabilecek otomatik sistemler için önemli bir temel oluşturmaktadır.
Özet (Çeviri)
Sleep is an indispensable physiological process for human health and quality of life. A good night's sleep directly affects not only an individual's physical well-being but also their mental and emotional balance. The early diagnosis and proper analysis of sleep disorders are of great importance in improving an individual's quality of life. One of the most common methods for detecting sleep disorders is the analysis of polysomnography (PSG) recordings obtained by monitoring an individual throughout the night. These multidimensional data, obtained from various sensors such as EEG, EMG, respiration, heart rate, and body position, are typically analyzed manually, which is a time-consuming and error-prone process. In this study, the aim was to detect sleep arousal events in real-time using PSG recordings and to automate this process using machine learning algorithms. The dataset was obtained from 113 individuals at the Yozgat Bozok University Chest Diseases Sleep Laboratory using the Philips Alice Clinic PSG device. The data collection process was carried out with the approval of the relevant ethics committee, and the recordings were manually annotated by a specialist physician according to the American Academy of Sleep Medicine (AASM) criteria. A total of 513.5 million sensor data points were analyzed using various machine learning algorithms, and classification performance was evaluated using data processing techniques. The Extra Tree Classification method achieved a success rate of 96.81%. The results demonstrate that machine learning techniques integrated with PSG data offer an effective approach for reliably and quickly detecting sleep disturbances. This study provides an important foundation for automated systems that could contribute to the early diagnosis of sleep disorders.
Benzer Tezler
- Obstrüktif uyku apnesi sendromlu hastalarda pulmoner hipertansiyon sıklığı ve belirleyicileri
Pulmonary hypertension frequency and its determinants in patients with obstructive sleep apnea syndrome
BETÜL CENGİZ
Tıpta Uzmanlık
Türkçe
2019
Göğüs HastalıklarıPamukkale ÜniversitesiGöğüs Hastalıkları Ana Bilim Dalı
PROF. DR. NEŞE DURSUNOĞLU
PROF. DR. SİBEL PEKCAN
- Obstrüktif uyku apne sendromu şiddetinin karotis arter intima - media kalınlığı ve serum paraoksonaz düzeyi ile ilişkisi
Başlık çevirisi yok
ESMA SEVİL AKKURT
Tıpta Uzmanlık
Türkçe
2014
Göğüs HastalıklarıBaşkent ÜniversitesiDahili Tıp Bilimleri Bölümü
DOÇ. DR. ŞERİFE SAVAŞ BOZBAŞ
- Uykuda obstrüktif solunum bozuklukları ve solunum eforu: Klinik ve polisomnografik çalışma
Obstructive sleep related breathing disorders and respiratory effort: Clinical and polisomnographical study
ZERRİN DEVELİOĞLU PELİN
- Kablosuz polisomnografi cihazı tasarımı
Design of a wireless polysomnography device
UĞUR ŞAHİN
Yüksek Lisans
Türkçe
2021
Bilim ve TeknolojiTOBB Ekonomi ve Teknoloji ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
PROF. DR. OSMAN EROĞUL
- Obstrüktif uyku apne sendromu (OUAS) fenotiplerinin TNF-alfa (-308G/A), PGE2 reseptör polimorfizmi ile ilişkisi
The relationship of obstructive sleep apnea syndrome (OSAS) phenotypes with TNF-alfa (-308G/A), PGE2 receptor polymorphism
BAHRİYE PARÇA
Tıpta Uzmanlık
Türkçe
2023
GenetikPamukkale ÜniversitesiGöğüs Hastalıkları Ana Bilim Dalı
PROF. DR. NEŞE DURSUNOĞLU