Uyanıklık seviyesinin kestiriminin DSP tabanlı olarak gerçekleştirilmesi

Abstract

Günlük aktivitelerin devam ettirilebilmesi için, her gün belirli bir süre uyunması gerekmektedir. İnsan, ömrünün yaklaşık üçte birini uykuda geçirmekte ve uyku bu yönüyle yaşam için vazgeçilmez bir ihtiyaç olmaktadır.Bu çalışmanın amacı, insanların uyku-uyanıklık seviyesinin DSP tabanlı olarak beyinden elde edilen elektriksel işaretlerden tespit edilmesidir.Bu amaç doğrultusunda, sağlıklı 8 kişiden alınan EEG işaretleri 5'er saniyelik bölütler şeklinde uzman hekim yardımıyla uyanık, uyuklama ve uyku işaretleri olarak ayrıştırılmıştır. Elde edilen bu EEG bölütlerine Ayrık Dalgacık Dönüşümü uygulanarak bunlara ait dalgacık katsayıları (öznitelik vektörleri) elde edilmiştir. Daha sonra öznitelik vektörlerinin boyutları istatistiksel işlemler uygulanarak küçültülmüş ve çok katmanlı sinir ağının giriş öznitelik vektörleri olarak kullanılmıştır. Sınıflandırma işlemi, tasarlanan Simulink modelinin TMS320C6713 DSK üzerinde çalıştırılması ile deneysel olarak yapılmıştır.Önerilen modelin toplam sınıflama doğruluğu, uyanıklık seviyesinin sınıflandırılmasında geliştirilen modelin kullanılabileceğini göstermiştir.

To keep on the daily activities, human being need to sleep a certain time everyday. Human spend about one third of his life in sleep and so that sleep is indispensable necessary for life.The aim of this study is estimating the sleep-alertness level from electrical signals taken from brain as DSP based.For this aim, EEG signals taken from 8 healthy subjects were separated as alert, drowsy, and sleep signals in the form of 5 s epochs with the aid of expert doctor. The wavelet coefficients (feature vector) of each EEG signals were obtained by using Discrete Wavelet Transform. Statistical operations were applied to reduce size of feature vectors and obtained vectors were used as input feature vectors of multilayer neural network. The designed Simulink model for classification process was run on TMS320C6713 DSK.The total classification accuracy of proposed model showed that the developed model can be used in the classification of alertness level.