Uyku bozukluklarının ve döngüsel değişen örüntü olaylarının derin öğrenme tabanlı sınıflandırılması
Classification of sleep disorders and cyclic alternating pattern events using deep learning
- Tez No: 982429
- Danışmanlar: PROF. DR. HASAN GÜLER
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Nöroloji, Electrical and Electronics Engineering, Computer Engineering and Computer Science and Control, Neurology
- Anahtar Kelimeler: Sayısal işaret işleme, Uyku, Yapay zeka, Digital signal processing, Sleep, Artificial intelligence
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Fırat Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektronik Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
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.
Özet (Çeviri)
Sleep is a fundamental biological process that plays a critical role in maintaining human health, ensuring physiological restoration, and sustaining cognitive functions. Conditions that disrupt the structure, quality, or continuity of this vital process are defined as sleep disorders. Sleep disorders adversely affect both the physical and psychological well-being of individuals and may lead to serious long-term health problems. Moreover, the Cyclic Alternating Pattern (CAP), a microstructural indicator of sleep, provides valuable insights for assessing sleep quality and particularly for detecting sleep disorders. Today, the diagnosis of sleep disorders and the detection of CAP events are primarily based on the manual analysis of physiological signals obtained from polysomnography recordings. However, this process is labor-intensive, time-consuming, and prone to subjective errors. Therefore, developing automated approaches capable of accurately, rapidly, and objectively analyzing sleep disorders and CAP events holds great importance for clinical diagnostic processes. In recent years, artificial intelligence, and especially deep learning (DL) methods, have achieved remarkable success in sleep medicine as in many other complex domains. Numerous studies have been conducted on the automatic detection of sleep disorders and CAP events. Nevertheless, most existing approaches for sleep disorder classification have focused on a single disorder type, have been trained on limited datasets, and have yielded results with low generalizability. Similarly, studies addressing CAP event detection have not sufficiently examined issues such as subtype classification, class imbalance, and explainability. In this thesis study, to address these gaps, DL-based models with high accuracy were developed for multi-class classification of sleep disorders and automatic detection of CAP events. Accordingly, a novel multi-input model named MAF-SleepNet was proposed for sleep disorder classification, while a multi-channel input model named MuRAt-CAP-Net was designed for detecting CAP phase A events and their subtypes. Experimental results demonstrated that MAF-SleepNet achieved accuracy rates of 88.41% and 99.72% for subject-independent and subject-dependent validation strategies, respectively, outperforming existing approaches. MuRAt-CAP-Net, on the other hand, achieved 81.26% and 83.68% accuracy for A-phase detection on balanced and imbalanced datasets, respectively, and 83.34% and 87.31% accuracy for subtype classification, surpassing previous studies.
Benzer Tezler
- İnfantil kolik ile migren ve biyoritm düzensizliklerinin ilişkisinin değerlendirilmesi
Analysis of relationship between infantile colic and migraine and bioritm disorders
TUĞBA ÜÇÜNCÜ EGELİ
Tıpta Uzmanlık
Türkçe
2017
Çocuk Sağlığı ve HastalıklarıDokuz Eylül ÜniversitesiÇocuk Sağlığı ve Hastalıkları Ana Bilim Dalı
PROF. DR. HASAN ÖZKAN
- Potansiyel obezite biyobelirteçlerinin tayini için impedimetrik biyosensör sistemlerinin geliştirilmesi
Development of impedimetric biosensor systems for determination of potential obesity biomarkers
ALP YÜCEL
- Çocuklarda uyku bozukluklarının serebral palsi ile ilişkisi ve vitamin D, B12 ve folik asit düzeyinin uyku bozukluklarıyla ilişkisinin değerlendirilmesi
Evaluation of the relationship between sleep disorders and cerebral palsy in children and the association of vitamin D, B12, and folic acid levels with sleep disorders
İBRAHİM HALİL TURAN
Tıpta Uzmanlık
Türkçe
2026
Çocuk Sağlığı ve HastalıklarıSelçuk ÜniversitesiÇocuk Sağlığı ve Hastalıkları Ana Bilim Dalı
DOÇ. DR. FATİH MEHMET AKİF ÖZDEMİR
- Sıçanlarda uyku bozukluklarının hipokampüs aracılı öğrenme ve hafıza işlevleri üzerine etkisinin araştırılması
Investigation of the effects of sleep disorders on the hippocampal mediated learning and memory in rats
MUSTAFA SAYGIN
Doktora
Türkçe
2013
FizyolojiSüleyman Demirel ÜniversitesiFizyoloji Ana Bilim Dalı
PROF. DR. MEHMET FEHMİ ÖZGÜNER
DOÇ. DR. Önder ÖZTÜRK
- Serebral palsili çocuklarda uyku bozukluklarının saptanması ve aileye etkisinin değerlendirilmesi
Sleep disorders in children with cerebral palsy and evaluation of the impact on the family
CEYDA ÖZYAMAÇ
Tıpta Uzmanlık
Türkçe
2014
Çocuk Sağlığı ve HastalıklarıTrakya ÜniversitesiÇocuk Sağlığı ve Hastalıkları Ana Bilim Dalı
PROF. DR. SERAP TEVHİDE KARASALİHOĞLU