Polisomnografi işaretlerinden destek vektör makinesi ve K en yakın komşular yöntemleri ile uyku apnesi tespiti
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Ondokuz Mayıs Üniversitesi, Lisansüstü Eğitim Enstitüsü, Elektrik-Elektronik Mühendisliği Anabilim Dalı, Türkiye
Tezin Onay Tarihi: 2024
Tezin Dili: Türkçe
Öğrenci: EVRİM YILDIZ
Danışman: Cengiz Tepe
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Uyku apnesi teşhisinde kullanılan Polisomnografi cihazı aracılığıyla hastanın 6-7 saat aralığında uyuması ile kaydedilen sinyallerin ilgili hekim tarafından incelerek hastalık teşhisinin konulması hem iş yükü hemde zaman kaybını beraberinde getirmektedir. Bu çalışmanın amacı hekimlerin bu iş yükünün hafifletilmesi ile zaman kaybının önüne geçilmesine katkı sağlamaktır. Toplumu olumsuz yönde etkileyerek hayati tehlikeye neden olabilecek bu hastalığın yapay zeka yöntemleriyle teşhisinin doğruluk oranları ile sunulması sağlanacaktır. Bu çalışmada kullanılan veri kümesi 2023 yılında Samsun Eğitim ve Araştırma Hastanesi'nden Samsun Üniversitesi Klinik Araştırmalar Etik Kurul izni ile alınmış olup çalışmada 76 adet hasta verisi kullanılmıştır. Hastalara ait 6 kanal EEG, 2 kanal EOG, 1 kanal EKG ve 1 kanal SPO2 verileri alınmıştır. Her bir hastaya ait apneli veri ile buna karşılık gelen sağlık veriler ayıklanmıştır. Elde edilen verilere önişleme ve filtreleme işlemi yapıldıktan sonra öznitelik çıkarımı yapılmıştır. Her bir sinyal için 10 adet olmak üzere sinyallerin tamamı kullanılması ile 100 adet öznitelik kullanılmıştır. Sinyallerin tekli, ikili, üçlü ve dörtlü kombinasyonlarında kullanılan sinyale göre öznitelik vektör boyutu değişiklik göstermiştir. Hastalar uyku apnesi teşhislerine göre ağır, orta ve hafif olarak gruplandırılmıştır. Ağır hasta grubunda 25, orta hasta grubunda 29, hafif hasta grubunda 22 hasta ve genel hasta grubunda tamamı olan 76 hasta yer almaktadır. Her bir grup tekli, ikili, üçlü ve dörtlü öznitelik vektör kombinasyonu, tüm hastalar ise tekil olarak dörtlü öznitelik vektör kombinasyonu ile sınıflandırılmıştır. Sınıflandırma algoritması olarak K En Yakın Komşu Algoritması (KNN) ile Destek Vektör Makinası (DVM) kullanılmış olup Matlab® içerisinde yer alan Sınıflandırma Öğreticisi uygulaması kullanılmıştır. Çoğunlukla dörtlü kombinasyon öznitelik vektörlerinin kullanılması ile en yüksek başarım elde edilmiştir. Bu çalışmada EEG, EOG, EKG, SPO2 sinyalleri ile 76 adet hastaya ait tüm veri kümesinin kullanılması ile en yüksek doğruluk oranının % 77,9 olduğu; 29 adet hasta (orta grup) veri kümesi kullanılması ile yapılan sınıflandırma sonucunda başarımın % 84,08 doğruluk olduğu ve 1 hastanın verileri ile yapılan sınıflandırma sonucunda % 97,72 doğruluk ile en yüksek başarımın elde edildiği görülmüştür.