Research Article
BibTex RIS Cite

Uyku İğciğinin Yapay Sinir Ağları ve Morfolojik Filtreler Kullanılarak Tespit Edilmesi

Year 2017, , 190 - 196, 27.12.2017
https://doi.org/10.17780/ksujes.358730

Abstract

Derin uyku döneminde görülen uyku iğcikleri, kaliteli bir uykunun belirtecidir. Uyku iğcikleri, derin uykunun NREM2 evresinde sıklıkla görülen kısa süreli olaylardan birisidir. Bu iğcikleri, EEG işaretlerinde görülen yüksek frekanslı ve düşük genlikli bileşenlerdir. Yapılan çalışmada, yapay sinir ağları kullanılarak uyku sırasında EEG işaretinin NREM2 evresinde uyku iğcikleri belirlenmeye çalışılmıştır. EEG işaretlerindeki uyku iğcikleri, bir uzman tarafından görsel olarak işaretlenmiştir. Bu çalışmada, EEG işaretleri yapay sinir ağı ile işlenmiş, ağ çıkışının iyileştirilmesi için morfolojik filtre kullanılmış, elde edilen çıkış işareti skorlama işlemine tabi tutulmuştur. Çalışmada Sekiz farklı insandan kaydedilen EEG işaretleri kullanılmıştır. Bu işaretlerdeki 354 tane işaretlenen uyku iğciğinden 248 tanesi doğru olarak tespit edilmiştir. Yapılan çalışmanın, Uzman sistemler kullanılarak yapılan uyku skorlamalarında NREM2 evresinin skorlama başarısını artıracağı düşünülmektedir.

References

  • Akşahin, M. F., Aydın, S., Fırat, H., Eroğul, O., Ardıç, S., (2010) “EEG Senkronizasyon Ölçütleri Kullanarak Uyku Apnesi Çeşitlerinin Sınıflandırılması. Biyomut 2010: Antalya; 21/04/2010 - 24/04/2010.
  • Berry RB., Brooks R, Gamaldo CE., Harding SM., Lloyd RM., Marcus CL and Vaugh.n 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.
  • Camilleri T. A., Camilleri K. P., Fabri S. G. (2014), Automatic detection of spindles and K-complexes in sleep EEG using switching multiple models. Biomed. Signal Process. Control 10, 117–127. 10.1016/j.bspc.2014.01.010.
  • Gani A, Dogmus O, Acikgoz H, Kececioglu OF, Yildiz C, Sekkeli M (2016). Modeling dynamic characteristics of synchronous motor with radial based artificial neural networks,1st International Mediterranean Science and Engineering Congress (IMSEC 2016), 4-11.
  • Hernández-Pereira, Elena, Bolón-Canedo, Veronica, Sánchez-Maroño, Noelia, Álvarez-Estévez, Diego, Moret-Bonillo, Vicente, Alonso-Betanzos, Amparo: (2016), A comparison of performance of k-complex classification methods using feature selection. Inf. Sci. 328, 1–14.
  • Hsu, Y.L., Yang, Y.T., Wang, J. S., Hsu C.-Y., (2013), “Automatic sleep stage recurrent neural classifier using energy features of EEG signals”, Neurocomputing, vol. 104 p.105–114.
  • Huupponen E. ve ark., (2006), Determination of dominant simulated spindle frequency with different Methods. Journal of Neuroscience Methods 156, 275–283.
  • Iber, C., Ancoli-Israel, S., Chesson, A., & Quan, S. F. for the American Academy of Sleep and Medicine (2007), The AASM manual for the scoring of sleep and associated events: Rules, terminology and technical specifications. American Academy of Sleep Medicine.
  • Jordan, T. J. (2002), Understanding medical information: A user’s guide to informatics and decision making. New York: McGraw-Hill.
  • Kilic E., Ozbalci U., Ozcalik H.R., (2012), Lineer Olmayan Dinamik Sistemlerin Yapay Sinir Ağları ile Modellenmesinde MLP ve RBF Yapılarının Karşılaştırılması., ELECO2012 Elektrik-Elektronik ve Bilgisayar Mühendisliği Sempozyomu, (29.11.2012 -01.12.2012 ).
  • Nonclercq A., C. Urbain, D. Verheulpen, C. Decaestecker, P. Van Bogaert, and P. Peigneux, (2013). Sleep spindle detection through amplitude-frequency normal modelling, J. Neurosci. Methods, vol. 214, no. 2, pp. 192-203.
  • Öter, A , Aydoğan, O , Kıymık, M , Tuncel, D . (2016), Tıkayıcı Uyku Apnesinin Yapay Sinir Ağları ve Morfolojik Filtreler kullanılarak Sınıflandırılması İçin Yeni Yöntem. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi, 19 (2), 52-57. DOI: 10.17780/ksujes.74055
  • Rechtschaffen A. and Kales A., (1968), A manual of standardized terminology, techniques and scoring system for sleep stages of human subjects. Brain Research Institute/Brain Information Service, Los Angeles, USA.
  • Türk Toraks Derneği, (2012), Obstrüktif uyku apne Sendromu Tanı ve Tedavi Uzlaşı Raporu, Türk Torak Dergisi, Cilt 13,
  • Virkkala, J., Hasan, J., Varri, A., Himanen, S.-L., Muller, K., (2007) “A Automatic sleep stage classification using two-channel electro-oculography”, Journal of Neuroscience Methods vol. 166, p.109–115

Recognition of Sleep Spindle using Artificial Neural Networks and Morphological Filter

Year 2017, , 190 - 196, 27.12.2017
https://doi.org/10.17780/ksujes.358730

Abstract

Sleep spindles are indicator of a quality sleep in the deep sleep stage. They are commonly observed one of the short periods events in NREM2 stage of deep sleep. These spindles are high-frequency and low-amplitude components seen in EEG signals. In this study, sleep spindles were tried to detect using Artificial Neural Networks in NREM2 stage of EEG signals during sleep. Sleep spindles in EEG signals were visually scored by an expert. In this study, EEG signals were processed with artificial neural networks, network output was improved by using a morphological filter, the obtained output signal are subjected to the scoring process. In this work, EEG signals recorded by eight different humans were used. It was determined that 248 of the 354 of sleep spindle are true in these signals. It is considered that the work which are explained above will increase the scoring success of the NREM2 stage in sleep scoring by using expert systems.

References

  • Akşahin, M. F., Aydın, S., Fırat, H., Eroğul, O., Ardıç, S., (2010) “EEG Senkronizasyon Ölçütleri Kullanarak Uyku Apnesi Çeşitlerinin Sınıflandırılması. Biyomut 2010: Antalya; 21/04/2010 - 24/04/2010.
  • Berry RB., Brooks R, Gamaldo CE., Harding SM., Lloyd RM., Marcus CL and Vaugh.n 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.
  • Camilleri T. A., Camilleri K. P., Fabri S. G. (2014), Automatic detection of spindles and K-complexes in sleep EEG using switching multiple models. Biomed. Signal Process. Control 10, 117–127. 10.1016/j.bspc.2014.01.010.
  • Gani A, Dogmus O, Acikgoz H, Kececioglu OF, Yildiz C, Sekkeli M (2016). Modeling dynamic characteristics of synchronous motor with radial based artificial neural networks,1st International Mediterranean Science and Engineering Congress (IMSEC 2016), 4-11.
  • Hernández-Pereira, Elena, Bolón-Canedo, Veronica, Sánchez-Maroño, Noelia, Álvarez-Estévez, Diego, Moret-Bonillo, Vicente, Alonso-Betanzos, Amparo: (2016), A comparison of performance of k-complex classification methods using feature selection. Inf. Sci. 328, 1–14.
  • Hsu, Y.L., Yang, Y.T., Wang, J. S., Hsu C.-Y., (2013), “Automatic sleep stage recurrent neural classifier using energy features of EEG signals”, Neurocomputing, vol. 104 p.105–114.
  • Huupponen E. ve ark., (2006), Determination of dominant simulated spindle frequency with different Methods. Journal of Neuroscience Methods 156, 275–283.
  • Iber, C., Ancoli-Israel, S., Chesson, A., & Quan, S. F. for the American Academy of Sleep and Medicine (2007), The AASM manual for the scoring of sleep and associated events: Rules, terminology and technical specifications. American Academy of Sleep Medicine.
  • Jordan, T. J. (2002), Understanding medical information: A user’s guide to informatics and decision making. New York: McGraw-Hill.
  • Kilic E., Ozbalci U., Ozcalik H.R., (2012), Lineer Olmayan Dinamik Sistemlerin Yapay Sinir Ağları ile Modellenmesinde MLP ve RBF Yapılarının Karşılaştırılması., ELECO2012 Elektrik-Elektronik ve Bilgisayar Mühendisliği Sempozyomu, (29.11.2012 -01.12.2012 ).
  • Nonclercq A., C. Urbain, D. Verheulpen, C. Decaestecker, P. Van Bogaert, and P. Peigneux, (2013). Sleep spindle detection through amplitude-frequency normal modelling, J. Neurosci. Methods, vol. 214, no. 2, pp. 192-203.
  • Öter, A , Aydoğan, O , Kıymık, M , Tuncel, D . (2016), Tıkayıcı Uyku Apnesinin Yapay Sinir Ağları ve Morfolojik Filtreler kullanılarak Sınıflandırılması İçin Yeni Yöntem. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi, 19 (2), 52-57. DOI: 10.17780/ksujes.74055
  • Rechtschaffen A. and Kales A., (1968), A manual of standardized terminology, techniques and scoring system for sleep stages of human subjects. Brain Research Institute/Brain Information Service, Los Angeles, USA.
  • Türk Toraks Derneği, (2012), Obstrüktif uyku apne Sendromu Tanı ve Tedavi Uzlaşı Raporu, Türk Torak Dergisi, Cilt 13,
  • Virkkala, J., Hasan, J., Varri, A., Himanen, S.-L., Muller, K., (2007) “A Automatic sleep stage classification using two-channel electro-oculography”, Journal of Neuroscience Methods vol. 166, p.109–115
There are 15 citations in total.

Details

Subjects Electrical Engineering
Journal Section Research Articles
Authors

Osman Aydoğan

Ali Öter 0000-0002-9546-0602

Osman Doğmuş

Kerim Güney

Publication Date December 27, 2017
Submission Date November 28, 2017
Published in Issue Year 2017

Cite

APA Aydoğan, O., Öter, A., Doğmuş, O., Güney, K. (2017). Uyku İğciğinin Yapay Sinir Ağları ve Morfolojik Filtreler Kullanılarak Tespit Edilmesi. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi, 20(4), 190-196. https://doi.org/10.17780/ksujes.358730