PSG kayıtları kullanılarak uyku evrelerinin sınıflandırılması

Polisomnografi(PSG), uyku ile ilgili çeşitli bozuklukların tespiti ve tedavisi için tüm gece normal uyku esnasında kişiden solunum, kandaki oksijen yoğunluğu ve belirli vücut bölgelerinden (kafa, yüz, kalp vs.) alınan sinyallerin kaydedildiği bir testtir. Kayıtların değerlendirilmesinde uygulanması gereken ilk aşama skorlamadır. Uyku evrelerinin skorlanması; uyku evreleme aşamasının önemli parçasıdır. Uyku evreleme solunum ve uyku hastalıklarının teşhisinde ve tedavisinde önemli rol oynamaktadır. Günümüzde uyku evreleme aşaması polisomnografi yöntemiyle yapılmaktadır. Uyku kayıtlarının skorlanması için ilk standart yöntemi Rechtschaffen ve Kales (R&K) tarafından 1968 yılında geliştirilmiştir. Bu yöntemde bütün polisomnagrafi, epok adı verilen 30 saniyelik parçalara bölünür ve her bir epoğa etiketleme yapılır. Her bir etiket uykunun temel evrelerinden birini gösterir. Bu evreler başta Elektroensefalogram (EEG), Elektrookülogram (EOG) ve Elektromiyogram (EMG) kayıtları olmak üzere pek çok sinyalin incelenmesi ile belirlenir. 2007 yılında Amerikan Uyku Tıbbı Akademisi (AASM), uyku kayıt teknikleri ve skorlamada standardizasyon sağlayan yeni bir skorlama el kitabı yayınlamış, 2012 yılında ise revize edilerek yayınlanan el kitabı ile skorlama kriterleri güncellenmiştir ve bu kitabcık sayesinde uyku evreleri skorlaması en son halini almış ve bilimsel çalışmalara temel oluşturmuştur. Bu çalışmada, PSG kayıtlarının uyku skorlanmasındaki önemleri gereği EEG, EOG ve EMG sinyali kullanarak uyku evlerinin skorlanması hedeflenmiştir. Necmettin Erbakan Üniversitesi Meram Tıp Fakültesi uyku laboratuvarında 124 hastadan EEG(C4A1), Çene EMG(CHIN)'si, sol göz EOG (LEOG) ve sağ göz EOG (REOG) sinyalleri elde edilmiştir. Uyanık (Wake), Non-REM-1, Non-REM-2, Non-REM-3, REM bölgeleri uyku uzmanı tarafından skorlanan bu sinyaller üzerinden, zaman, frekans ve doğrusal olmayan ortamında özellikler çıkarılmış ve sınıflandırmaya tabi tutulmuştur. Sinyaller, Uyanık (Wake), Non-REM-1(N1), Non-REM-2(N2), Non-REM-3(N3), REM olarak gruplanmıştır. Sınıflandırma algoritması olarak, Karar Ağacı (KA), k-En Yakın Komşu algoritması (kNN), Yapay Sinir Ağı (YSA), Torbalı Ağaç (TA), Destek Vektör Makinesi(DVM) algoritmaları kullanılmış olup Relief-F yöntemi ile özellik seçimi yapılmıştır. Yapılan üç çalışmanın arasında en başarılı sınıflandırma sistemi Torbalı Ağaç algoritması olmuştur. Üçüncü tam kapsayıcı son çalışmada toplam veri seti için 135 özellik hazırlanmış ve sınıflandırma sonucu %84.19 doğruluk ile en yüksek Torbalı karar ağacı algoritması vermiştir. Relief-F yöntemi ile özellik seçimi sonucunda en yüksek sınıflandırma doğruluğunun 14 özellikle Torbalı Ağaç algoritması olduğu ve %95.06 doğruluk ile sınıflandırdığı görülmüştür.