OSAS hastaları ile sağlıklı bireylerdeki nabız geçiş sürelerinin makina öğrenmesi teknikleriyle sınıflandırılması

Tıkayıcı Uyku Apnesi (OSAS) en sık karşılaşılan uyku apnesi türüdür. Tıbbi açıdan incelenmediği süre içerisinde horlamayla karıştırıldığından ancak ileri safhalarda tanı koyulabilen bir hastalıktır. Uyku apnesinin tanısı için uyku laboratuvarlarında kişilerin polisomnografik sinyal kayıtları (PSG) kullanılmaktadır. PSG sinyal verileri arasında EEG (Elektroensefalografi sinyal verisi ),Solunum Sesi, Karbondioksit Ölçümü, EMG (Çene yüzeyi Elektromiyografi sinyal verisi), PTT (Nabız Geçiş Süresi) gibi birçok polisomnografik sinyal verisi kaydedilmektedir. Bu çalışmada PSG sinyallerinin kayıt aşamasında elde edilen PTT parametresi kullanılarak OSAS hastası kişilerle sağlıklı kişilerin makine öğrenmesi yöntemlerinden olan derin öğrenme yöntemleriyle ve klasik sınıflandırma yöntemlerinden olan yapay sinir ağları ve Naive Bayes yöntemleriyle sınıflandırılma işlemi yapılmıştır. Uygulamada ağ yapısı olarak Evrişimsel Sinir Ağları (ESA) kullanılmıştır. Önceden eğitilmiş ağ yapılarından AlexNet ve VGG-16 yapılarının fc6 ve fc7 katmanları karşılaştırılmıştır. Sınıflandırma için destek vektör makineleri (SVM) ve k-en yakın komşu algoritması (kNN) kullanılmıştır. MATLAB 2017b programıyla yapılan bu sınıflandırma işlemlerinde çapraz doğrulama işlemiyle doğruluk, hassasiyet ve özgünlük değerleri hesaplanmıştır. Doğruluk oranları SVM için AlexNet fc6 %92.64, AlexNet fc7 %92.60, VGG-16 fc6 %92.78, VGG-16 fc7 %92; kNN için AlexNet fc6 %90.72, AlexNet fc7 % 90.81, VGG-16 fc6 %91.72, VGG-16 fc7 %92.18 olarak bulunmuştur. Aynı zamanda yapay sinir ağları doğruluk değeri % 90, Naive Bayes doğruluk oranı ise %89.78 olarak belirlenmiştir.