| dc.description.abstract | Uykuda anlık olarak ortaya çıkan, kendine özgü yapısal özellikleri, genlik ve frekansları olan, elektroensefalografi (EEG)’nin arka planından ayırt edilmesi zor geçici dalga formları(k-kompleksler, uyku iğcikleri, arousal vb.) EEG’nin mikro yapısı olarak adlandırılır. Bu dalga formlarının analizi beyin araştırmaları, uyku çalışmaları, uyku evre skorlamaları, uyku bozukluklarının değerlendirilmesi açısından önemlidir. Literatürde bulunan mevcut çalışmalar, geçici dalga formlarının belirlenen öznitelikleri kullanılarak yapılan tespit ve sınıflandırma çalışmaları şeklindedir. Bu tez çalışmasında, literatürdeki çalışmalardan farklı olarak, tek bir geçici EEG dalga formu için değil, üç farklı dalga formu için yüksek doğruluk oranında tespit yapacak yöntemler geliştirilmesi amaçlanmıştır. Çalışmada, National Sleep Research Resource, DREAMS veri tabanları ve Ankara Gülhane Askeri Tıp Akademisi Ruh Sağlığı ve Hastalıkları Anabilim Dalı uyku laboratuvarında yapılan uyku skorlandırma çalışmaları sırasında kaydedilen gerçek hastalara ait polisomnografi kayıtları kullanılmıştır.
Çalışmanın ilk aşamasında, sinyal işleme yöntemleri kullanılarak veri tabanı ve hasta kayıtlarındaki EEG sinyallerinin analizleri gerçekleştirilmiştir. Spektral analizlerde, ayrık Fourier dönüşümü, güç spektrumu yöntemleri, zaman-frekans analizinde kısa zamanlı Fourier dönüşümü yöntemi, dalgacık analizlerinde ayrık dalgacık dönüşümü ve sürekli dalgacık dönüşümü yöntemleri kullanılmıştır. Dalga formu analizlerinde ise, EEG’nin etkin enerji değeri, alt bant enerji analizi, çapraz ilinti fonksiyonu, sıfır kesme oranı, ortalama ve varyans gibi sinyal parametreleri incelenmiştir. Uygulanan analizler sonucu uykudaki geçici dalga formlarından k-kompleks için normalize çapraz ilinti fonksiyonu, alt bant enerji analiz değerleri ve sıfır kesme oranı; uyku iğcikleri için sürekli dalgacık dönüşümü sonucu uyku iğciğinin sahip olduğu karakteristik frekans aralığındaki dalgacık dönüşümükatsayılarının toplamı; arousal için ise sürekli dalgacık dönüşümü sonucu elde edilen aralıkta sinyalin ortalama ve varyans değerleri öznitelik olarak belirlenmiştir. Çalışmanın ikinci aşamasında, doğrusal ayırtaç analizi, destek vektör makineleri ve yapay sinir ağları kullanılarak belirlenen öznitelikler ile geçici dalga formu “var” ya da “yok” şeklinde sınıflandırma yapılmıştır. Çalışma sonucunda, literatürden daha iyi veya literatürle eş seviyede sonuçlar veren ve başarılı olarak tespit yapabilen bir karar destek sistem algoritması geliştirilmiştir.
Transient waveforms (k-complexes, sleep spindles, arousal, etc.) happens instantaneously in sleep, have distinctive structural features, amplitudes and frequencies, and are difficult to distinguish from the background of electroencephalography (EEG) which are called the microstructure of the EEG. The analysis of these waveforms is important for brain research, sleep studies, sleep stage scorings and assessment of sleep disorders. In literature, related works are used the specified feature extraction of the transient waveforms and classification studies. In this study, different from the literature, it is aimed to develop several methods to detect high accuracy three different waveforms with high accuracy, unlike single transient EEG waveform. In this study, the EEG recordings were obtained from the National Sleep Research Resource, DREAMS databases and Ankara Gulhane Military Medical Academy, Psychiatry Department the Sleep Laboratory.
In the first part of the study, signal processing methods were used to analyze patients’ EEG signal records. Discrete Fourier transform, power spectrum methods in spectral analysis; short - time Fourier transform in time-frequency analysis; discrete and continuous wavelet transform in the wavelet analysis were used. In wave form analyzes, signal parameters such as effective value of EEG energy, sub-band energy analysis, cross correlation function, zero cross rate, mean and variance were investigated. According to results, cross correlation function, sub-band energy analysis and zero cross rate for k-complex; the sum of the continuous wavelet transform coefficients in the frequency range for sleep spindles; and the mean and variance of the continuous wavelet transform coefficients for arousal were determined as features. In the second part of the study, with determined features, transient waveforms were classified as "existence" or "absence" using linear discriminant analysis, support vector machines and artificial neural networks. As a result of the study, a decision support system algorithm, can detect transient waveforms successfully, was developed that can yield results better than or as equivalent as the literature. | en_US |
