Makine öğrenmesi algoritmaları yardımı ile polisomnografi sinyallerinden uyku evreleri sınıflandırılması

Abstract

Bu tez çalışmasında, Physionet Challenge 2018 Database olarak internet üzerinden erişime açık polisomnografi bilgisi içeren bir veri seti kullanılmıştır. Polisomnografi veri seti bir çeşit biyolojik sinyaller dizisidir ve uyku evrelerinin otomatik olarak sınıflandırılması için kullanılmaktadır. Uyku, Amerikan Uyku Akademisi tarafından 2007'de yayınlanan AASM Uyku El kitabı'nda belirlenen standartlara göre beş aşamadan oluşan bir süreçtir, bunlar; Wake, NonRem1,NonRem2, NonRem3 ve REM evreleridir (AASM 2007). Uyku evrelerinin süresi ve uyku evrelerine girip çıkma sayısı kişinin uyku verimliliğini etkilemektedir ve aynı zamanda bu değişkenler çeşitli uyku bozukluklarının da nedeni olabilmektedir. Uyku ile ilgili rahatsızlıklarda uyku evrelerinin gözlemlenebilmesi büyük önem taşımaktadır. Uyku evrelerinin otomatik olarak sınıflandırılması amacına yönelik çalışma yapılırken ilgili sinyal dizisi üzerinde öncelikle bazı kanallar seçilerek bu kanallara özellik çıkarma işlemi uygulanmıştır. Bu işlemler; MFCC, ICA olarak seçilmiştir. Sonrasında çıkarılan özellikler LSTM yazılım mimarisi kullanılarak sınıflandırma işlemine tabi tutulmuştur. Kişi bağımlı algoritma kullanılmak suretiyle elde edilen en yüksek doğruluk oranı %93,36 olmuştur. Kullanılan özellik çıkarma yöntemi sırasıyla ICA ve MFCC' dir, kullanılan kanal yanlızca 1. Kanaldır. Kişi bağımsız algoritma kullanılarak elde edilen en yüksek doğruluk oranı %86,89 olarak bulunmuştur. Bu doğruluk oranına erişilirken yanlızca MFCC ile özellik çıkarılmıştır ve 7. Kanalın sinyal bilgisi kullanılmıştır.Yapılan çalışmada, bir uzman tarafından ve zaman gerektiren bir işlem olan bu sınıflandırma işlemi otomatik olarak yapılmaktadır. Uyku evresinin sınıflandırılması gibi tıbbi teşhis amaçlı uygulamaların otomatize edilmesi gelişen teknoloji ve bilimsel çalışmaların bir sonucu olmakla birlikte tezimi bu alanda yazmış olmamın da bu çalışmalara katkı sağlayacağını ummaktayım.

In this thesis study, Pysionet Challenge 2018 Database which is consist of different kinds of biological signals (so we call this Database 'Polysomnography') is used for classifying sleep stages. While working for the purpose which is written above, firstly a few channels of the Database were tried to enhance the accuracy. Secondly different Feature Extraction Algorithms were tried to get the features of the Database (These feature extraction algorithms are: MFCC, ICA ). Finally the Database was classified by using a software architecture which has the name of Long Short Term Memory.Sleep consists of five stages, they are; Wake, NonRem1, NonRem2, NonRem3, Rem (AASM Manual). Duration of Sleep Stages and number of times in and out of these sleep stages are influential on the efficiency of sleeping and these topics can cause sleep disorders in different ways. It is of great importance to observe sleep stages in sleep disorders.In this thesis study, the sleep stage classification process which is done by an expert and which takes a lot of time and human effort is done by computer automatically. So this automatic process saves human effort and time concurrently. Sleep stages were classified into 5 groups. The highest accuracy obtained using the subject dependent algorithm was 93,36%. The feature extraction method which is used ICA and MFCC, respectively, the channel used is only the first one. The highest accuracy rate obtained using the subject independent algorithm was found to be 86,89%. In achieving this accuracy, only the MFCC feature was used and the signal information of Channel 7 was used. I would like to note that the automation of medical diagnostic applications such as the classification of the sleep stage is a result of developing technology and scientific studies, and I hope that my master thesis in this area will contribute to these studies.