Derin öğrenme yöntemleri kullanarak EEG işaretlerinden uyku apne sendromu tespiti ve sınıflandırılması

Bu çalışmada makine öğrenmesi yöntemleri kullanarak Elektroensefalografi (EEG) işaretlerinden uyku apne sendromunun tespit ve sınıflandırılmasına odaklanılmaktadır. Polisomnografi (PSG) kayıtlarından alınan EEG işaretlerine tüm deneylerde kullanılmak üzere örnekleme, filtreleme, pencereleme, normalizasyon ve frekans altbandlarına ayırma uygulanmıştır. Elde edilen EEG işaretlerinin altbandlarına temel istatistiksel parametreler uygulanarak öznitelik çıkarma işlemi gerçekleştirilmiştir. Bu öznitelikler çok katmanlı algılayıcı sinir ağı (MLPNN) modeline giriş olarak uygulanarak uyku apne sendromu sınıflandırması yapılmıştır. Normalizasyonun ve frekans altbandlarına ayrıştırmanın etkisini değerlendirmek için ham EEG işaretleri ve normalizeli işaretler aynı MLPNN modeli ile tekrar sınıflandırılmıştır. Normalizasyonun sınıflandırma başarısında ciddi bir artış sağlamadığından normalizeli işaretler, frekans altbandlarına ayrılarak öznitelik çıkarma işlemi tekrarlanmış ve aynı MLPNN modeli ile sınıflandırılmıştır. Normalize edilerek frekans altbandlarına ayrıştırma sınıflandırma başarısını önemli derecede artırmıştır. Diğer bir çalışmada EEG işaretlerinin spektrogramlarının entropisi MLPNN modeline giriş olarak uygulanmıştır. Her sınıfta başarı artışı gözlemlenmiş fakat şiddetli apne sınıfının başarı oranının en yüksek olduğu görülmüştür. Başka bir deneyde MLPNN dışında literatürde sıklıkla kullanılan derin öğrenme modellerinden evrişimsel sinir ağı (CNN) modeli kullanılmıştır. İki ayrı deneysel çalışma olarak EEG işaretlerinin görüntüleri ve spektrogramları bu modele giriş olarak uygulanmış ve uyku apne sendromu sınıflandırması yapılmıştır. Önişlem ve öznitelik çıkarımı gerektirmeyen bu sınıflandırma modelinde spektrogramlarla yapılan deney sonucunda başarı oranı daha yüksek bulunmuştur. Çalışmanın son deneyi olarak YOLOv5 ve YOLOv8 modelleri ile de uyku apne sendromu sınıflandırması yapılmıştır. Bu sınıflandırmalar için pencerelenen EEG işaretlerinin spektrogramları kullanılmıştır. İşlem hızının yüksek olması, katman ve parametre sayısının az olması ve yüksek sınıflandırma başarısı vermesi nedeniyle YOLOv8 modelinin performansı, YOLOv5 modeline göre daha yüksek çıkmıştır.