Tıkayıcı Uyku Apnesinin Yapay Sinir Ağları ve Morfolojik Filtreler kullanılarak Sınıflandırılması İçin Yeni Yöntem
Öz
Yıllardan beri Tıkayıcı Uyku Apnesi hastalığının teşhisi için çeşitli yöntemler kullanmıştır. Çalışmaların bir kısmında gerçek zamanlı sistemler kullanılırken, bir kısmında ise özellikle hastalık tanısı için, geceyi uyku laboratuvarında geçiren apne hastalarından polisomnografi cihazıyla elde edilen işaretler yardımıyla Tıkayıcı Uyku Apnesi belirlemeye dayalı çalışmalar yaygın olarak yapılmaktadır. Yapılan çalışmada hastalardan elde edilen işaretlerinin güç değerleri kullanılmıştır. Çalışmada, İleri beslemeli Yapay Sinir Ağları ve morfolojik filtre bir arada kullanılarak Tıkayıcı Uyku Apnesi belirlenmeye dayalı bir yöntem önerilmiştir. Yapılan skorlamanın toplam doğruluğu hesaplanarak, doktor tarafından yapılan görsel skorlama ile karşılaştırılmıştır. Yalnızca Yapay Sinir Ağları kullanılarak yapılan çalışmada başarım performansı düşük kalmıştır. Morfolojik filtrelerin kullanıldığında sınıflandırma performansı önemli oranda artmıştır. Önerilen yöntemle ortalama %90,7 doğruluk oranına ulaşılmıştır. Önerilen yöntem kullanılarak Tıkayıcı uyku apnesinin belirlendiğinde, doktorların incelemeler için uzun zaman kayıplarının önüne geçeceği kullanım kolaylığı sağlayacağı düşünülmektedir.
Anahtar Kelimeler
References
- Köktürk O. (2013) “Uyku Kayıtlarının Skorlanması”, Türk Solunum Araştırma Derneği, Solunum
- Berry RB, Brooks R, Gamaldo CE, Harding SM, Lloyd RM, Marcus CL and Vaughn BV for the American Academy of Sleep Medicine. (2014)The AASM Manual for the Scoring of Sleep and Associated Events: Rules, Terminology and Technical
- Specifications, Version 2.1. www.aasmnet.org, Darien, Illinois: American Academy of Sleep Medicine.
- Romero O.F., Berdinas B.G., Betanzos A.A., Bonillo V.M. (2005). A new method for sleep apnea feedforward Intelligence in Medicine, 65-76. networks. neural Artificial
- Marcos J.V, Hornero R. ve diğ. (2009). Assessment of four statistical pattern recognition techniques to assist in obstructive sleep apnoea diagnosis from nocturnal oximetry. Medical Engineering & Physics, 971–978.
- Güneş S., Polat K.,Yosunkaya Ş. (2010). Multi- class f-score feature selection approach to classification of obstructive. Expert Systems with Applications, 998–1004.
- Babaeizadeh S. Zhou S.H., Pittman S.D., White D.P. respiration in screening of sleep-disordered breathing. Journal of Electrocardiology, 700–706.
- Papoulis, A. (1991). Probability, Random Variables,and Stochasic Processes. McGraw-Hill İnternotional Editions.
Details
Primary Language
Turkish
Subjects
-
Journal Section
-
Publication Date
September 9, 2016
Submission Date
June 2, 2016
Acceptance Date
-
Published in Issue
Year 2016 Volume: 19 Number: 2
Cited By
Recognition of Sleep Spindle using Artificial Neural Networks and Morphological Filter
Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi
https://doi.org/10.17780/ksujes.358730DERİN ÖĞRENME YÖNTEMİ İLE BİTKİ YAPRAĞI HASTALIK SINIFLANDIRMA ÇALIŞMASI PERFORMANS ANALİZİ
Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi
https://doi.org/10.17780/ksujes.1096541Optimization of CBCT data with image processing methods and production with fused deposition modeling 3D printing
Medical & Biological Engineering & Computing
https://doi.org/10.1007/s11517-023-02889-w