BibTex RIS Kaynak Göster
Yıl 2016, , 52 - 57, 09.09.2016
https://doi.org/10.17780/ksujes.74055

Öz

Kaynakça

  • 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.
  • Şenel F.A., Tokat S. (2012) Calculating The People Density Of An Environment Using Image Processing Tecniques ELECO '2012 Elektrik - Elektronik Sempozyumu, 29 Kasım - 01 Aralık 2012, p. 613- 617.Bursa Mühendisliği
  • Serra J., Vincent L. (1992) An Overview Of Morphological Filtering Published in Circuits, Systems and Signal Processing, Vol. 11, No. 1, pp. 47 108
  • Jordan T. J, (2002) Understanding medical information: A user’s guide to informatics and decision making. New York: McGraw-Hill.

Tıkayıcı Uyku Apnesinin Yapay Sinir Ağları ve Morfolojik Filtreler kullanılarak Sınıflandırılması İçin Yeni Yöntem

Yıl 2016, , 52 - 57, 09.09.2016
https://doi.org/10.17780/ksujes.74055

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.

Kaynakça

  • 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.
  • Şenel F.A., Tokat S. (2012) Calculating The People Density Of An Environment Using Image Processing Tecniques ELECO '2012 Elektrik - Elektronik Sempozyumu, 29 Kasım - 01 Aralık 2012, p. 613- 617.Bursa Mühendisliği
  • Serra J., Vincent L. (1992) An Overview Of Morphological Filtering Published in Circuits, Systems and Signal Processing, Vol. 11, No. 1, pp. 47 108
  • Jordan T. J, (2002) Understanding medical information: A user’s guide to informatics and decision making. New York: McGraw-Hill.
Toplam 11 adet kaynakça vardır.

Ayrıntılar

Bölüm Araştırma Makalesi
Yazarlar

Ali Öter

Osman Aydoğan

Mahmut Kemal Kıymık

Deniz Tuncel

Yayımlanma Tarihi 9 Eylül 2016
Gönderilme Tarihi 2 Haziran 2016
Yayımlandığı Sayı Yıl 2016

Kaynak Göster

APA Öter, A., Aydoğan, O., Kıymık, M. K., 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. https://doi.org/10.17780/ksujes.74055