Uyku esnasında çıkan seslerin sınıflandırılması

Uyku esnasında istemsiz olarak horlama, öksürme, hapşırma, ıslık gibi farklı akustik özelliklerde sesler ortaya çıkabilmektedir. Bu sesler, insanın uyku kalitesini doğrudan etkileyebileceği gibi, aynı ortamda bulunan diğer insanların da uyku kalitesini olumsuz yönde etkileyebilmektedir. İnsanın uyku kalitesinin arttırılması amacıyla bu seslerin kaydedilmesi, alınan ses kayıtlarının uzman doktor tarafından değerlendirilmesi ve değerlendirme sonucuna göre uygun tedavi yönteminin belirlenmesi gerekmektedir. Ancak, normal bir uyku süresinin altı ile sekiz saat aralığında olmasından dolayı, uzman doktor tarafından tüm ses kaydının dinlenmesi oldukça uzun ve yorucu bir süreç gerektirmektedir. Bu nedenle, uyku sırasında kaydedilen sesleri otomatik olarak analiz ederek, uzman doktora teşhis koymada yardımcı olacak ve önemli ölçüde zaman kazandıracak bir algoritmaya ihtiyaç duyulduğu belirlenmiştir. Daha önce yapılan literatür taramasında, bu konu üzerinde yapılan çalışma sayısının çok az olduğu ve mevcut çalışmaların büyük çoğunluğunun, ses kayıtları üzerinden sadece horlama sesini algıladığı ancak, uzman doktora teşhis koymada yardımcı olacak algoritmalar içermediği görülmüştür. Bu çalışmada, literatürden farklı olarak, ses kayıtlarının tamamını hızlı ve efektif bir şekilde analiz edecek, uyku esnasında çıkan sesleri otomatik olarak ve yüksek doğrulukta sınıflandırabilecek, doktora tanı koymada yardımcı olabilecek bilgisayar destekli tanı algoritmasının geliştirilmesi amaçlanmıştır. Bu amaç doğrultusunda, ilk olarak uyku ses kayıtları araştırılmış ve internet taraması yapılarak açık erişimli sitelerden farklı tipte ses kayıtları elde edilmiştir. Tüm kayıtlar tek tek dinlenerek gruplandırılmıştır. Çalışmanın ikinci aşamasında, literatürde geçen yöntemler doğrulanmıştır. Bu süreçte, tüm ses kayıtları üzerinde enerji, varyans, sıfır kesme oranı, özilinti fonksiyonu, Fourier dönüşümü yöntemleri uygulanmış ve ses kayıtları hakkında genel bilgi verecek öznitelikler elde edilmiştir. Çalışmanın üçüncü aşamasında, literatürden farklı olarak adaptif bölütleme algoritması geliştirilmiş, ses kaydı her bir bölütte tek çeşit ses olacak şekilde otomatik olarak parçalanmıştır. Her bir parçaya literatürdeki analiz yöntemleri uygulanarak, analiz edilen sese ait akustik öznitelikler elde edilmiştir. Bu yöntemlere ilaveten, tüm parçalara sürekli dalgacık dönüşümü yöntemi uygulanarak zaman, frekans ve genlik düzleminde olmak üzere görsel ve matematiksel öznitelikler çıkarılmıştır. Çalışmanın son aşamasında, sınıflandırıcı olarak destek vektör makineleri kullanılmış ve elde edilen öznitelikler sınıflandırıcı eğitilmiştir. Eğitim için 390 bölüt, test için 449 bölüt kullanılmıştır. Çalışma sonucunda, geliştirilen algoritma, nefes verme, basit horlama, yüksek frekans dubleks horlama, düşük frekans dubleks horlama, tripleks horlama ve öksürmeyi içeren altı farklı parametreyi %96.44 doğruluk oranıyla sınıflandırmıştır.