Polisomnografi İşaretlerinden Destek Vektör Makinesi ve K En Yakın Komşular Yöntemleri İle Uyku Apnesi Tespiti

Abstract

Uyku apnesi teşhisinde kullanılan Polisomnografi cihazı aracılığıyla hastanın 6-7 saat aralığında uyuması ile kaydedilen sinyallerin ilgili hekim tarafından incelerek hastalık teşhisinin konulması hem iş yükü hemde zaman kaybını beraberinde getirmektedir. Bu çalışmanın amacı hekimlerin bu iş yükünün hafifletilmesi ile zaman kaybının önüne geçilmesine katkı sağlamaktır. Toplumu olumsuz yönde etkileyerek hayati tehlikeye neden olabilecek bu hastalığın yapay zeka yöntemleriyle teşhisinin doğruluk oranları ile sunulması sağlanacaktır. Bu çalışmada kullanılan veri kümesi 2023 yılında Samsun Eğitim ve Araştırma Hastanesi'nden Samsun Üniversitesi Klinik Araştırmalar Etik Kurul izni ile alınmış olup çalışmada 76 adet hasta verisi kullanılmıştır. Hastalara ait 6 kanal EEG, 2 kanal EOG, 1 kanal EKG ve 1 kanal SPO2 verileri alınmıştır. Her bir hastaya ait apneli veri ile buna karşılık gelen sağlık veriler ayıklanmıştır. Elde edilen verilere önişleme ve filtreleme işlemi yapıldıktan sonra öznitelik çıkarımı yapılmıştır. Her bir sinyal için 10 adet olmak üzere sinyallerin tamamı kullanılması ile 100 adet öznitelik kullanılmıştır. Sinyallerin tekli, ikili, üçlü ve dörtlü kombinasyonlarında kullanılan sinyale göre öznitelik vektör boyutu değişiklik göstermiştir. Hastalar uyku apnesi teşhislerine göre ağır, orta ve hafif olarak gruplandırılmıştır. Ağır hasta grubunda 25, orta hasta grubunda 29, hafif hasta grubunda 22 hasta ve genel hasta grubunda tamamı olan 76 hasta yer almaktadır. Her bir grup tekli, ikili, üçlü ve dörtlü öznitelik vektör kombinasyonu, tüm hastalar ise tekil olarak dörtlü öznitelik vektör kombinasyonu ile sınıflandırılmıştır. Sınıflandırma algoritması olarak K En Yakın Komşu Algoritması (KNN) ile Destek Vektör Makinası (DVM) kullanılmış olup Matlab® içerisinde yer alan Sınıflandırma Öğreticisi uygulaması kullanılmıştır. Çoğunlukla dörtlü kombinasyon öznitelik vektörlerinin kullanılması ile en yüksek başarım elde edilmiştir. Bu çalışmada EEG, EOG, EKG, SPO2 sinyalleri ile 76 adet hastaya ait tüm veri kümesinin kullanılması ile en yüksek doğruluk oranının % 77,9 olduğu; 29 adet hasta (orta grup) veri kümesi kullanılması ile yapılan sınıflandırma sonucunda başarımın % 84,08 doğruluk olduğu ve 1 hastanın verileri ile yapılan sınıflandırma sonucunda % 97,72 doğruluk ile en yüksek başarımın elde edildiği görülmüştür.The examination of the signals recorded by the patient's 6-7 hours of sleep via the Polysomnography device used in the diagnosis of sleep apnea by the relevant physician and diagnosis of the disease brings about both workload and loss of time. The aim of this study is to contribute to the prevention of time loss by reducing this workload of physicians. The diagnosis of this disease, which can negatively affect society and cause life-threatening danger, will be provided with accuracy rates using artificial intelligence methods. The dataset used in this study was obtained from Samsun Education and Research Hospital in 2023 with the permission of Samsun University Clinical Research Ethics Committee and 76 patient data were used in the study. 6 channel EEG, 2 channel EOG, 1 channel ECG and 1 channel SPO2 data belonging to the patients were obtained. The apneic data of each patient and the corresponding health data were extracted. After preprocessing and filtering the obtained data, feature extraction was performed. 100 features were used by using all of the signals, 10 for each signal. The feature vector size changed according to the signal used in single, binary, triple and quadruple combinations of signals. The patients were grouped as severe, moderate and mild according to their sleep apnea diagnoses. There were 25 patients in the severe patient group, 29 in the moderate patient group, 22 in the mild patient group and 76 patients in the general patient group. Each group was classified with single, binary, triple and quadruple feature vector combinations and all patients were classified with singular quadruple feature vector combinations. K Nearest Neighbor Algorithm (KNN) and Support Vector Machine (SVM) were used as the classification algorithms and the Classification Tutor application in Matlab® was used. The highest performance was obtained mostly by using quadruple combination feature vectors. In this study, by using the entire dataset of 76 patients with EEG, EOG, ECG, SPO2 signals, the highest accuracy rate was 77.9%; As a result of the classification made using the dataset of 29 patients (middle group), it was seen that the accuracy was 84.08% and the highest success was achieved with 97.72% accuracy as a result of the classification made with the data of 1 patient.