Tıkayıcı Uyku Apnesinin Yapay Sinir Ağları ve Morfolojik Filtreler kullanılarak Sınıflandırılması İçin Yeni Yöntem

Abstract

ÖZET: Yıllardan beri Tıkayıcı Uyku Apnesi hastalığının teşhisi için çeşitli yöntemler kullanmıştır. Çalışmaların bir kısmında gerçek zamanlı sistemler kullanılırken, bir kısmında ise özellikle hastalık tanısı için, geceyi uyku laboratuvarında geçiren apne hastalarından polisomnografi cihazıyla elde edilen işaretler yardımıyla Tıkayıcı Uyku Apnesi belirlemeye dayalı çalışmalar yaygın olarak yapılmaktadır. Yapılan çalışmada hastalardan elde edilen işaretlerinin güç değerleri kullanılmıştır. Çalışmada, İleri beslemeli Yapay Sinir Ağları ve morfolojik filtre bir arada kullanılarak Tıkayıcı Uyku Apnesi belirlenmeye dayalı bir yöntem önerilmiştir. Yapılan skorlamanın toplam doğruluğu hesaplanarak, doktor tarafından yapılan görsel skorlama ile karşılaştırılmıştır. Yalnızca Yapay Sinir Ağları kullanılarak yapılan çalışmada başarım performansı düşük kalmıştır. Morfolojik filtrelerin kullanıldığında sınıflandırma performansı önemli oranda artmıştır. Önerilen yöntemle ortalama %90,7 doğruluk oranına ulaşılmıştır. Önerilen yöntem kullanılarak Tıkayıcı uyku apnesinin belirlendiğinde, doktorların incelemeler için uzun zaman kayıplarının önüne geçeceği kullanım kolaylığı sağlayacağı düşünülmektedir. Anahtar Kelimeler: Yapay Sinir Ağı, Tıkayıcı Uyku Apnesi, Morfolojik Filtre, Polisomnografi A New Method for Obstructive sleep apnea classification using Feedforward Neural Networks and Morphological FilterABSTRACT: Various metods have been used so far for the diagnosis of Obstructive Sleep Apnea. While some studies used real-time systems, there are also numerous studies which focus on diagnosing Obstructive Sleep Apnea via signals obtained by polysomnography from apnea patients who spend the night in sleep laboratory. Pover values of signals obtained from patients were used in this study. The method proposed in this study combines Feedforward Neural Network and morphological filter in order to diagnose Obstructive Sleep Apnea. After total accuracy of scoring was calculated, it was compared with visual scoring performed by the doctor. While the classification performance is low in the study carried out via Artifical Neural Networks, its performance significantly increased when ANN and morphological filters were used together. The proposed method reached an accuracy of 90.7 percent. The proposed method reduces the time in the diagnosis of Obstructive Sleep Apnea as well as offering an easier usage.