Uyku bozukluklarının ve döngüsel değişen örüntü olaylarının derin öğrenme tabanlı sınıflandırılması

Uyku, insan sağlığının korunması, fizyolojik yenilenmenin sağlanması ve bilişsel işlevlerin sürdürülmesinde kritik rol oynayan temel bir biyolojik süreçtir. Bu hayati sürecin yapısını, kalitesini ve sürekliliğini bozan durumlar uyku bozuklukları olarak tanımlanmaktadır. Uyku bozuklukları, bireyin fiziksel ve psikolojik sağlığını olumsuz etkilemekte ve uzun vadede ciddi sağlık sorunlarına yol açabilmektedir. Bunun yanında, uykunun mikroyapısal bir göstergesi olan Döngüsel Değişen Örüntü (Cyclic Alternating Pattern, CAP), uyku kalitesinin değerlendirilmesi ve özellikle uyku bozukluklarının tespiti açısından önemli bilgiler sunmaktadır. Günümüzde uyku bozukluklarının teşhisi ve CAP olaylarının tespiti, polisomnografi kayıtlarındaki fizyolojik sinyallerin genellikle manuel analiz edilmesine dayanmaktadır. Ancak bu süreç zahmetli, zaman alıcı ve öznel hatalara açık bir yapıya sahiptir. Bu nedenle, uyku bozukluklarının ve CAP olaylarının doğru, hızlı ve nesnel biçimde analiz edilmesini sağlayacak otomatik yaklaşımların geliştirilmesi klinik tanı süreçlerinde büyük önem taşımaktadır. Son yıllarda yapay zekâ ve özellikle derin öğrenme (DÖ) yöntemleri, birçok karmaşık problemde olduğu gibi uyku tıbbında da başarılı sonuçlar elde etmiş; uyku bozukluklarının ve CAP olaylarının otomatik olarak tespitine yönelik çok sayıda çalışma gerçekleştirilmiştir. Ancak uyku bozukluklarının sınıflandırılması için mevcut yaklaşımların büyük çoğunluğu tek bir bozukluk türüne odaklanmış, sınırlı sayıda veri setiyle eğitilmiş ve genellenebilirliği düşük sonuçlar üretmiştir. CAP olayları tespitine yönelik çalışmalar ise alt tip sınıflandırması, sınıf dengesizliği ve açıklanabilirlik gibi konular yeterince ele alınmamıştır. Bu tez çalışmasında, söz konusu eksikleri gidermek amacıyla, uyku bozukluklarının çok sınıflı sınıflandırılması ve CAP olaylarının otomatik tespiti için yüksek doğruluğa sahip DÖ tabanlı modeller geliştirilmesi amaçlanmıştır. Bu doğrultuda, uyku bozuklukları için çok girişli özgün bir model olan MAF-SleepNet; CAP A fazı ve alt tiplerinin tespiti için ise çok kanal girişli MuRAt-CAP-Net modelleri önerilmiştir. Deneysel sonuçlar, MAF-SleepNet'in denek bağımsız ve denek bağımlı doğrulama stratejileri için sırasıyla %88,41 ve %99,72 doğruluk oranlarına ulaştığını ve mevcut yaklaşımlardan daha yüksek performans sergilediğini göstermiştir. MuRAt-CAP-Net ise A fazı tespiti için dengeli ve dengesiz veri setlerinde sırasıyla %81,26 ve %83,68; alt tiplerin sınıflandırılmasında %83,34 ve %87,31 doğruluk oranlarına ulaşarak önceki çalışmalardan daha başarılı sonuçlar elde etmiştir. Elde edilen bulgular, geliştirilen modellerin uyku bozukluklarının tanısında ve CAP olaylarının analizinde klinik karar destek sistemleri olarak kullanılabilecek düzeyde performans sunduğunu ortaya koymuştur.