EEG VE EKG İŞARETLERİNDEN ÖRÜNTÜ TANIMA UYGULAMALARI VE KARŞILAŞTIRILMASI

Abstract

Uykuya ilişkin fizyolojik veya hastalıklı bir durumun değerlendirilmesinde kullanılan geleneksel Polisomnografi tekniği, karmaşıklığı ve maliyeti nedeniyle birtakım dezavantajlara sahiptir. Son zamanlarda bu tekniğe alternatif olarak, tanı ve değerlendirmede yeni otomatik tanı teknikleri üzerinde çalışılmaktadır.Bu çalışmanın temel amaçlarından birincisi, uyanık durumdan uyku durumuna geçiş sürecinde kaydedilen Electroensefolagram (EEG) işaretlerinden, kişinin uyanıklık seviyesini tespit eden bir otomatik örüntü tanıma sistemi sunmaktır. Sunulan bu sistemde, EEG işaret örüntülerinin karakteristik özelliklerinin ortaya çıkarılması için Dalgacık Dönüşümü (DD) tabanlı iki ayrı özellik çıkarım yöntemi kullanılmıştır. Bu özellik çıkarım yöntemlerinin her birinin etkinliği, Yapay Sinir Ağları (YSA), En Küçük Kareler Destek Vektör Makineleri (EKK-DVM) ve Uyarlamalı Sinirsel Bulanık Çıkarım Sistemi (Adaptive neuro-fuzzy Inference System (ANFIS)) sınıflandırıcıları üzerinde test edilmiştir. Uyanıklık seviyesinin tespiti için kullanılan bu altı farklı sınıflandırma yaklaşımının performans karşılaştırılması yapılmıştır.Bu çalışmanın ikinci temel amacı ise kişinin gece boyunca alınan Elektrokardiyogram (EKG) kaydından, önemli bir halk sağlığı problemi olan, Obstruktif Uyku Apne Sendromu (OUAS) hastası olup olmadığını belirleyen bir otomatik örüntü tanıma sistemi sunmaktır. Bu sistemde öncelikle DD analizine dayalı bir algoritma kullanılarak, EKG kaydından Kalp Hız Değişkenliği (KHD) ve EKG'den Türetilen Solunum (ETS) işaretleri hesaplanmıştır. Daha sonra gerek KHD ve gerekse ETS işaretlerinin karakteristik özelliklerinin ortaya çıkarılması için yine DD tabanlı iki ayrı özellik çıkarım yöntemi kullanılmıştır. Sistemin sınıflandırma kısmında ise biri YSA, diğeri ise EKK-DVM olmak üzere iki farklı sınıflandırıcı kullanılmıştır. Bu otomatik örüntü tanıma sistemi ile EKG kayıtlarından kişinin OUAS hastası olup olmadığının tespiti için on iki farklı sınıflandırma yaklaşımı yapılıp, bu yaklaşımların test performans sonuçları karşılaştırılmıştır.Ayrıca bu tezde sunulan her iki sistem, performans açısından literatürdeki benzer çalışmalar ile kıyaslanmıştır.Anahtar Kelimeler: Uyanıklık Seviyesi, Obstruktif Uyku Apne Sendromu (OUAS), EEG, EKG, Kalp Hızı Değişkenliği (KHD), EKG'den Türetilen Solunum (ETS), Örüntü Tanıma, Dalgacık Dönüşümü (DD), En Küçük Kareler Destek Vektör Makineleri (EKK-DVM), Yapay Sinir Ağları (YSA), Uyarlamalı Sinirsel Bulanık Çıkarım Sistemi (ANFIS).Traditional polisomnograph technique, used in assessing any statements related with sleep, has several disadvantages due to its complexness and cost. Currently newer automatic diagnostic technique are studied in diagnose and assessment as an alternative to it.One of the main aims of this study is presenting an automatic pattern recognition system for estimation vigilance level by using Electroencephalogram (EEG) signals recorded during transition from alert to sleep cases. In this system two different feature extraction methods based on Wavelet transform (WT) were used to detect the characteristics of EEG signals. Forcefulness of each feature extraction methods were tested on Artificial Neural Network (ANN), Least Squares Support Vector Machine (LS-SVM) and Adaptive neuro-fuzzy Inference System (ANFIS) classifiers. Also, performance comparison of six different classification approaches used for detection of vigilance level was done.The other main aim of this thesis is to present an automatic pattern recognition system for the automatic recognition of patients with Obstructive Sleep apnea syndrome (OSAS) from nocturnal Electrocardiogram (ECG) recordings. In this system, Heart rate variability (HRV), and ECG derived respiration (EDR) signals were obtained using an algorithm based on WT. Then two different feature extraction methods were used to determine the characteristics of both HRV and EDR signals. In the classification section of this system two different classifiers, which were ANN, and LS-SVM, were used. Twelve different classification approaches were done for detecting the situation of patients whether they have OSAS or not from ECG recordings by using this automatic pattern recognition system. In addition all the test performance results of these classification approaches were compared.Consequently, the systems presented in this thesis were compared with similar studies in the literature from the viewpoint of performance.Key Words: Vigilance Level, Obstructive Sleep Apnoea Syndrome (OSAS), EEG, ECG, Heart Rate Variability (HRV), ECG-derived Respiration (EDR), Pattern Recognition, Wavelet Transform (WT), Least Squares Support Vector Machines (LS-SVM), Artificial Neural Network (ANN), Adaptive Neuro-Fuzzy Inference Systems (ANFIS)