Obstrüktif uyku apnesinin derin ögrenme kullanilarak tahmin edilmesi

Abstract

Nefes alışverişinin en az on saniye boyunca durması olarak tanımlanan uyku apnesi, günümüzde sık karşılaşılan bir uyku hastalığı olarak bilinmektedir. Obstrüktif uyku apnesi (OUA), solunum yolunda tıkanmaya bağlı gerçekleşen en yaygın uyku hastalıklarından biridir. Bu sendromun geliştirilen modeller yardımıyla otomatik olarak tespit edilebilmesinin yanında ön görülebilmesi de ciddi seviyelerde sağlık problemlerini ve hayati tehlikeyle karşı karşıya kalma durumunu önlemek açısından önemlidir. Yüksek doğrulukla çalışan tahmin modellerinin geliştirilmesi ile OUA rahatsızlığı yaşayan kişilerin sendrom anı gelmeden uyarılması ve uykudan uyandırılması ile olası risklerin yaşanmadan önlenmesi mümkün olabilecektir. Bu tez çalışmasında, derin öğrenme yöntemlerinden biri olan Evrişimsel Sinir Ağları (Convolutional Neural Networks, CNN) ile OUA tanısı konmuş hastalara ait elektrokardiyografi sinyalleri kullanılarak apne tahmini yapan modeller sunulmuştur. Bu modellerden birincisi, önceden eğitilmiş mimariler ile yapılan sıfırdan eğitim çalışmasıdır. İkinci model, önceden eğitilmiş mimariler ile transfer öğrenme yöntemi kullanılarak yapılan çalışmadır. Üçüncü model, ilk iki modelde gözlemlenen bulgulara bağlı olarak önerilmiş yeni bir modeldir. Son modelde ise üçüncü modelde önerilen derin öğrenme mimarisinden elde edilen özniteliklerin, mimarinin kendi sınıflandırıcısı yerine Destek Vektör Makineleri, Rastgele Alt Uzay k-En yakın Komşuluk ve Rastgele Alt Uzay Diskriminant Analizi yöntemleri ile sınıflandırıldığı durumda gözlemlenen sonuçlar sunulmuştur. Çalışmanın sonucunda gözlemlenen yüksek doğruluktaki bulgular, önerilen modellerin OUA tahmininde iyi bir belirteç olarak kullanılabileceğini göstermektedir.

Sleep apnea is defined as the cessation of breathing for at least ten seconds and known as a common sleep disorder. Obstructive sleep apnea (OSA) is the most common type of sleep apnea that occurs due to obstruction in the airway. Besides the detection of sleep apnea with the help of developed algorithms, early prediction of this syndrome is important in order to prevent serious health problems and life-threatening situations. With the prediction models working with high accuracy, it will be possible to prevent the possible risks without experiencing them by stimulating the OSA patients before the syndrome occurs and waking them up from sleep. In this thesis, models that predict apnea using electrocardiographic signals of patients diagnosed with obstructive slep apnea by using Convolutional Neural Networks (CNN) are presented. The first model is the training from scratch with pre-trained architectures. The second model is the study of using the transfer learning method with pre-trained architectures. The third model is the study in which the new results observed with the changes made on the architecture that performed the best prediction performance in the first two models. In the last model, the results are presented when the features obtained from the deep learning architecture proposed in the third model are classified by Support Vector Machines, Random Subspace k-Nearest Neighborhood and Random Subspace Discriminant Analysis methods instead of the architecture's own classifier. The high accuracy findings observed at the end of the study show that the proposed model can be used as a good indicator for the prediction of OSA syndrome.