Uykuda solunum bozukluklarının teşhisi ve sınıflandırılmasının yumuşak hesaplama algoritmaları kullanılarak gerçeklenmesi

Abstract

Uyku hastalıkları arasında en sık karşılaşılan ve toplumun %1-5'ini etkileyen Obstrüktif Uyku Apne Sendromu (OUAS) her yaşta ve etnik grupta görülebilen bir hastalıktır. Hastalığın teşhisinde altın standart olarak kabul edilen Polisomnografi (PSG) incelemesi uzun zaman alan ve masraflı bir yöntemdir. Elektrokardiyografi (EKG) analizinin uyku apnesi tespitinde basit ve etkili bir yöntem olması nedeniyle alternatif teşhis ve karar destek sistemleri için Kalp Atım Hızı Değişimi (KAHD) ile solunumu dolaylı olarak gösteren EKG'den Türetilmiş Solunum (ETS) sinyali analizine dayalı birçok araştırma yapılmıştır.Bu çalışmada, yumuşak hesaplama algoritmaları ile gece uykusu sırasında oluşan apneleri EKG sinyali üzerinden yüksek doğrulukta sınıflandırarak, OUAS'ın teşhisi ve derecesinin belirlenmesinde hekime yardımcı olacak güvenilir bir örüntü tanıma sistemi oluşturmak amaçlanmıştır. Çalışmada, bir tanesi eğitim, diğeri de test amacıyla gerçek hasta kayıtlarından oluşan iki farklı veri apne tabanı kullanılmıştır. EKG sinyalinden elde edilen KAHD ile ETS sinyallerinin zaman ve frekans uzaylarındaki analizlerinden elde edilen öznitelikler dört farklı grup altında, k-En Yakın Komşu Algoritması (kNN), Çok Katmanlı Almaç (MLP), Destek Vektör Makineleri (SVM) ve C4.5 Karar Ağacı sınıflandırıcılarının kullanıldığı 16 örüntü tanıma modeli oluşturulmuştur. Her modül öznitelik seçimi ve sınıflandırıcı optimizasyonu sonrasında eğitilmiş ve test verileriyle test edilmiştir. Test sonucunda %100 doğrulukta OUAS teşhisi ile %97 doğrulukta OUAS derecesinin sınıflandırılması başarımı sağlanmıştır.Sonuç olarak, EKG sinyali üzerinden holter gibi pratik ve taşınabilir bir EKG kayıt cihazının kullanılması ile KAHD ve ETS sinyallerinin zaman uzayı analizinden seçilmiş özniteliklerin kullanıldığı, optimize edilmiş kNN sınıflandırıcısına dayalı model ile OUAS şüphesi olan hastaların güvenilir seviyede teşhisinin ve sınıflandırılmasının yapılabileceği sonucuna varılmıştır.

Obstructive Sleep Apnea Syndrome (OSAS) is the most common among sleep disorders and affects 1-5% of population from all age and ethnic groups. Polysomnography (PSG) is accepted as the golden standard for OSAS diagnosis however it requires long time and it is an expensive technique. Since ECG is simple and efficient technology for sleep apnea detection, various researches have been conducted based on Heart Rate Variability (HRV) and ECG Derived Respiratory (EDR) for alternate diagnosis and decision support systems. The aim of this study, is to make a reliable pattern recognition system for physicians to diagnose and classify the degree of OSAS, based on soft computing techniques utilizing ECG.The ECG recordings used in this study were collected from two different apnea databases; the first database was used for training and the second for testing. In total 16 pattern recognition models were formed by using four groups of features extracted from HRV and EDR analysis in frequency and time domains and using k-Nearest Neighbor (kNN), Multilayer Perceptron (MLP), Support Vector Machines (SVM) and C4.5 Decision Tree classifiers. Each module was trained and tested after feature selection and classifier optimization. In test results, 100% accuracy for diagnosis and 97% accuracy for classification of OSAS is achieved.It is concluded that by analyzing ECG signals acquired from a portable ECG device such as holter, the pattern recognition model based on selected time domain features utilized with kNN classifier can be used for diagnosis and classification of OSAS suspected patients.