UYKU BOZUKLUKLARININ VE DÖNGÜSEL DEĞİŞEN ÖRÜNTÜ OLAYLARININ DERİN ÖĞRENME TABANLI SINIFLANDIRILMASI

Abstract

Uyku, insan sağlığının korunması, fizyolojik yenilenmenin sağlanması ve bilişsel işlevlerin sürdürülmesinde kritik rol oynayan temel bir biyolojik süreçtir. Bu hayati sürecin yapısını, kalitesini ve sürekliliğini bozan durumlar uyku bozuklukları olarak tanımlanmaktadır. Uyku bozuklukları, bireyin fiziksel ve psikolojik sağlığını olumsuz etkilemekte ve uzun vadede ciddi sağlık sorunlarına yol açabilmektedir. Bunun yanında, uykunun mikroyapısal bir göstergesi olan Döngüsel Değişen Örüntü (Cyclic Alternating Pattern, CAP), uyku kalitesinin değerlendirilmesi ve özellikle uyku bozukluklarının tespiti açısından önemli bilgiler sunmaktadır. Günümüzde uyku bozukluklarının teşhisi ve CAP olaylarının tespiti, polisomnografi kayıtlarındaki fizyolojik sinyallerin genellikle manuel analiz edilmesine dayanmaktadır. Ancak bu süreç zahmetli, zaman alıcı ve öznel hatalara açık bir yapıya sahiptir. Bu nedenle, uyku bozukluklarının ve CAP olaylarının doğru, hızlı ve nesnel biçimde analiz edilmesini sağlayacak otomatik yaklaşımların geliştirilmesi klinik tanı süreçlerinde büyük önem taşımaktadır. Son yıllarda yapay zekâ ve özellikle derin öğrenme (DÖ) yöntemleri, birçok karmaşık problemde olduğu gibi uyku tıbbında da başarılı sonuçlar elde etmiş; uyku bozukluklarının ve CAP olaylarının otomatik olarak tespitine yönelik çok sayıda çalışma gerçekleştirilmiştir. Ancak uyku bozukluklarının sınıflandırılması için mevcut yaklaşımların büyük çoğunluğu tek bir bozukluk türüne odaklanmış, sınırlı sayıda veri setiyle eğitilmiş ve genellenebilirliği düşük sonuçlar üretmiştir. CAP olayları tespitine yönelik çalışmalar ise alt tip sınıflandırması, sınıf dengesizliği ve açıklanabilirlik gibi konular yeterince ele alınmamıştır. Bu tez çalışmasında, söz konusu eksikleri gidermek amacıyla, uyku bozukluklarının çok sınıflı sınıflandırılması ve CAP olaylarının otomatik tespiti için yüksek doğruluğa sahip DÖ tabanlı modeller geliştirilmesi amaçlanmıştır. Bu doğrultuda, uyku bozuklukları için çok girişli özgün bir model olan MAF-SleepNet; CAP A fazı ve alt tiplerinin tespiti için ise çok kanal girişli MuRAt-CAP-Net modelleri önerilmiştir. Deneysel sonuçlar, MAF-SleepNet'in denek bağımsız ve denek bağımlı doğrulama stratejileri için sırasıyla %88,41 ve %99,72 doğruluk oranlarına ulaştığını ve mevcut yaklaşımlardan daha yüksek performans sergilediğini göstermiştir. MuRAt-CAP-Net ise A fazı tespiti için dengeli ve dengesiz veri setlerinde sırasıyla %81,26 ve %83,68; alt tiplerin sınıflandırılmasında %83,34 ve %87,31 doğruluk oranlarına ulaşarak önceki çalışmalardan daha başarılı sonuçlar elde etmiştir. Elde edilen bulgular, geliştirilen modellerin uyku bozukluklarının tanısında ve CAP olaylarının analizinde klinik karar destek sistemleri olarak kullanılabilecek düzeyde performans sunduğunu ortaya koymuştur.

Sleep is a fundamental biological process that plays a critical role in maintaining human health, ensuring physiological restoration, and sustaining cognitive functions. Conditions that disrupt the structure, quality, or continuity of this vital process are defined as sleep disorders. Sleep disorders adversely affect both the physical and psychological well-being of individuals and may lead to serious long-term health problems. Moreover, the Cyclic Alternating Pattern (CAP), a microstructural indicator of sleep, provides valuable insights for assessing sleep quality and particularly for detecting sleep disorders. Today, the diagnosis of sleep disorders and the detection of CAP events are primarily based on the manual analysis of physiological signals obtained from polysomnography recordings. However, this process is labor-intensive, time-consuming, and prone to subjective errors. Therefore, developing automated approaches capable of accurately, rapidly, and objectively analyzing sleep disorders and CAP events holds great importance for clinical diagnostic processes. In recent years, artificial intelligence, and especially deep learning (DL) methods, have achieved remarkable success in sleep medicine as in many other complex domains. Numerous studies have been conducted on the automatic detection of sleep disorders and CAP events. Nevertheless, most existing approaches for sleep disorder classification have focused on a single disorder type, have been trained on limited datasets, and have yielded results with low generalizability. Similarly, studies addressing CAP event detection have not sufficiently examined issues such as subtype classification, class imbalance, and explainability. In this thesis study, to address these gaps, DL-based models with high accuracy were developed for multi-class classification of sleep disorders and automatic detection of CAP events. Accordingly, a novel multi-input model named MAF-SleepNet was proposed for sleep disorder classification, while a multi-channel input model named MuRAt-CAP-Net was designed for detecting CAP phase A events and their subtypes. Experimental results demonstrated that MAF-SleepNet achieved accuracy rates of 88.41% and 99.72% for subject-independent and subject-dependent validation strategies, respectively, outperforming existing approaches. MuRAt-CAP-Net, on the other hand, achieved 81.26% and 83.68% accuracy for A-phase detection on balanced and imbalanced datasets, respectively, and 83.34% and 87.31% accuracy for subtype classification, surpassing previous studies.