Derin öğrenme ağ yapılarının uyku evreleme problemlerine uygulanması

Uyku, metabolizmayı yavaşlatarak vücudu rahatlatır ve dinlendirir, uyandığımızda fiziksel olarak daha güçlü ve zinde olmamızı sağlar. Ancak insanlarda meydana gelebilecek bir uyku bozukluğunda bu süreç tersine döner ve vücutta çeşitli rahatsızlıklar meydana gelir. Uyku evrelerinin belirlenmesi, bu tür uyku bozukluklarının teşhis ve tedavisi için hayati önem taşımaktadır. Bununla birlikte, uyku aşamalarının manuel olarak puanlanması yorucu, zaman alıcıdır ve önemli ölçüde uzmanlık gerektirir. Aynı zamanda uzmanlar arasındaki deneyim ve yorumlama farklılıkları da manuel uyku evrelemeyi bir derecede nesnellikten uzaklaştırmaktadır. Derin öğrenme teknikleri bu süreci otomatikleştirebilir, bu sorunların üstesinden gelebilir ve daha tutarlı sonuçlar üretebilir. Bu amaçla üç farklı çalışma yapılmıştır. Bunlardan ilki giriş verilerinin en doğru temsilini bulabilmek adına Kısa Zamanlı Fourier Dönüşümü (KZFD), Ayrık Dalgacık Dönüşümü (ADD), Ayrık Kosinüs Dönüşümü (AKD), Hilbert-Huang Dönüşümü (HHD), Ayrık Gabor Dönüşümü (AGD), Hızlı Walsh-Hadamard Dönüşümü (HWHD), Choi-Williams Dağılımı (CWD) ve Wigner-Willie Dağılımı (WWD) ile elde edilen Zaman-Frekans bileşenlerinin tek kanallı elektroensefalogram (EEG) tabanlı gözetimli derin bir Evrişimsel Sinir Ağına (ESA) verilmesi ve otomatik uyku evreleme işleminin gerçekleştirilmesidir. Yapılan bu çalışmada elde edilen sonuçlar, giriş verilerinin en doğru temsili için kullanılan dönüşüm yöntemlerinin, zaman, frekans veya non-linear özelliklerin elde edildiği manuel yani el-yapımı özellik çıkarımına dayalı geleneksel yöntemlerden çok daha iyi olduğunu göstermiştir. İkinci yapılan çalışma temel olarak dengesiz verisetlerinde sınıflandırma problemini Siyam Sinir Ağları'nın yardımıyla çözmeyi amaçlamaktadır. Ağ tasarımı sırasında, benzerlik skorunu hesaplayabilmek için Öklid, Manhattan, Jaccard, Kosinüs, Canberra, Bray-Curtis ve Kullback-Leibler Diverjans olmak üzere yedi farklı mesafe ölçüm yöntemi seçilmiştir. Bu sayede, derin öğrenme ve SSA'lara dayalı otomatik uyku evrelemesi için yeni bir rekabetçi yöntem türetilmiştir. Son olarak eğitim veri dengesizliği problemini çözmek için Odak Kaybı (OK) ve AKD yöntemlerini kullanan yeni bir hibrit sinir ağı mimarisi önerilmiştir. Model, k-kat çapraz doğrulama (KÇD) (kişi bazlı) kullanılarak dört farklı veritabanında eğitilmiş ve en yüksek puan iki kanal (EEG-Elektrookülogram (EOG)) kullanıldığında %87,11 doğruluk, %81,81 Kappa puanı ve %79,83 MF1 olarak elde edilmiştir. Yaklaşımımızın sonuçları, mevcut yöntemlerle karşılaştırıldığında umut vericidir.