Research Article
Tıkayıcı Uyku Apnesinin Uyarlamalı Sinirsel Bulanık Çıkarım Sistemi ile Sınıflamasında Üyelik Fonksiyonlarının Etkisinin İncelenmesi
Abstract
Tıkayıcı tip
uyku apnesi (TUA) birçok sonuçları olan uyku bozukluğudur. Yıllardan beri
çeşitli sinyaller TUA hastalığının teşhisi için kullanmıştır. Yapılan önceki çalışmalarda,
geceyi uyku laboratuvarında geçiren hastalardan Polisomnografi cihazıyla elde
edilen solunum işaretleri kullanılarak TUA belirlemeye dayanır. Bu çalışmada Uyarlamalı
Sinirsel Bulanık Çıkarım Sistemi (ANFIS) kullanılarak 15 hasta için TUA
skorlama yapılmıştır. Morfolojik filtreler, ağ çıkışındaki istenmeyen
dalgalanmaları bastırmak için kullanılmıştır. TUA sınıflandırılmasında, farklı üyelik
fonksiyonları için performans değerlendirmeleri yapılarak en uygun üyelik fonksiyonu
belirlenmiştir.
Keywords
References
- Avcı, C., Bilgin G., (2013) Sleep Apnea Detection Using Adaptive Neuro Fuzzy Inference System, Engineering, 2013, 5, 259-263 Aydoğan, O., Öter, A., Güney, K., Kıymık, M.K., Tuncel, D. (2016). Automatic Diagnosis of Obstructive Sleep Apnea/Hypopnea Events Using Respiratory Signals. Journal of Medical Systems, 40(12), Doi: 10.1007/s10916-016-0624-0 Berdiñas, B.G., Pereira E.H., Barral D.P. (2012). A mixture of experts for classifying sleep apneas. Expert Systems with Applications, 7084–7092. Elmas, Ç., (2003) Bulanık Mantık Denetleyiciler, Seçkin Yayıncılık A. Ş. Jang, Jyh-Shing Roger., (1993), ANFIS: Adaptive-Network-Based Fuzzy Inference System, Department of Electrical Engineering and Computer Science University of California, Berkeley, 665-685 Khandoker, A.H., Karmakar C.K., Palaniswami M. (2009). Automated recognition of patients with obstructive sleep apnoea using wavelet-based features of electrocardiogram recordings. Computers in Biology and Medicine, 88--96 Köktürk, O., (2013) “Uyku Kayıtlarının Skorlanması”, Türk Solunum Araştırma Derneği, Solunum Öter, A., (2016). Modern Parametrik Yöntemler ile Akıllı Sistemler Kullanarak Uyku Apnesinin Teşhisi ve Sınıflandırılması, Kahramanmaraş Sütçü İmam Üniversitesi Fen Bilimleri Enstitüsü, Elektrik-Elektronik Mühendisi Anabilim Dalı Punjabi, N. (2008). The epidemiology of adult obstructive sleep apnea. Proc Am Thorac Soc, 136-143 Romero, O.F., Berdinas B.G., Betanzos A.A., Bonillo V.M. (2005). A new method for sleep apnea classification using wavelets and feedforward neural networks. Artificial Intelligence in Medicine, 65-76. Sezgin, N. (2015). EMG classication in obstructive sleep apnea syndrome and periodic limb movement syndrome patients by using wavelet packet transform and extreme learning machine. Turk J Elec Eng & Comp Sci, 873-884. Tagluk, M. E., Akin M., Sezgin N. (2010). Classıfıcation of sleep apnea by using wavelet transform and artificial. Expert Systems with Applications, 1600–1607. Udwadia, Z. D. (2004). Prevalence of sleep disordered breathing and sleep apnea in middle-aged urban Indian men. Am J Respir Crit Care Med, 169-168. Yildiz, A., Akın M., Poyraz M. (2009). Application of adaptive neuro-fuzzy inference system for vigilance level estimation by using wavelet-entropy feature extraction. Expert Systems with Applications, 7390–7399.
Year 2017,
Volume: 20 Issue: 2, 74 - 80, 25.08.2017
Abstract
References
- Avcı, C., Bilgin G., (2013) Sleep Apnea Detection Using Adaptive Neuro Fuzzy Inference System, Engineering, 2013, 5, 259-263 Aydoğan, O., Öter, A., Güney, K., Kıymık, M.K., Tuncel, D. (2016). Automatic Diagnosis of Obstructive Sleep Apnea/Hypopnea Events Using Respiratory Signals. Journal of Medical Systems, 40(12), Doi: 10.1007/s10916-016-0624-0 Berdiñas, B.G., Pereira E.H., Barral D.P. (2012). A mixture of experts for classifying sleep apneas. Expert Systems with Applications, 7084–7092. Elmas, Ç., (2003) Bulanık Mantık Denetleyiciler, Seçkin Yayıncılık A. Ş. Jang, Jyh-Shing Roger., (1993), ANFIS: Adaptive-Network-Based Fuzzy Inference System, Department of Electrical Engineering and Computer Science University of California, Berkeley, 665-685 Khandoker, A.H., Karmakar C.K., Palaniswami M. (2009). Automated recognition of patients with obstructive sleep apnoea using wavelet-based features of electrocardiogram recordings. Computers in Biology and Medicine, 88--96 Köktürk, O., (2013) “Uyku Kayıtlarının Skorlanması”, Türk Solunum Araştırma Derneği, Solunum Öter, A., (2016). Modern Parametrik Yöntemler ile Akıllı Sistemler Kullanarak Uyku Apnesinin Teşhisi ve Sınıflandırılması, Kahramanmaraş Sütçü İmam Üniversitesi Fen Bilimleri Enstitüsü, Elektrik-Elektronik Mühendisi Anabilim Dalı Punjabi, N. (2008). The epidemiology of adult obstructive sleep apnea. Proc Am Thorac Soc, 136-143 Romero, O.F., Berdinas B.G., Betanzos A.A., Bonillo V.M. (2005). A new method for sleep apnea classification using wavelets and feedforward neural networks. Artificial Intelligence in Medicine, 65-76. Sezgin, N. (2015). EMG classication in obstructive sleep apnea syndrome and periodic limb movement syndrome patients by using wavelet packet transform and extreme learning machine. Turk J Elec Eng & Comp Sci, 873-884. Tagluk, M. E., Akin M., Sezgin N. (2010). Classıfıcation of sleep apnea by using wavelet transform and artificial. Expert Systems with Applications, 1600–1607. Udwadia, Z. D. (2004). Prevalence of sleep disordered breathing and sleep apnea in middle-aged urban Indian men. Am J Respir Crit Care Med, 169-168. Yildiz, A., Akın M., Poyraz M. (2009). Application of adaptive neuro-fuzzy inference system for vigilance level estimation by using wavelet-entropy feature extraction. Expert Systems with Applications, 7390–7399.
There are 1 citations in total.
Details
| Subjects | Electrical Engineering |
|---|---|
| Journal Section | Research Articles |
| Authors | |
| Publication Date | August 25, 2017 |
| Submission Date | June 21, 2017 |
| Published in Issue | Year 2017Volume: 20 Issue: 2 |