Bu çalışmada uyku evrelerini sınıflandırma amacıyla EEG işaretlerinden çıkartılan özelliklerin uyku evrelerini ne ölçüde ayrıştırdığını belirlemek amacıyla yöntemler sunulmuş ve olasılıksal sinir ağları ile uygulaması yapılmıştır. Sunulan yöntemler, Karhunen-Loeve dönüşümü olarak da bilinen temel bileşen analizine dayalıdır. Uyku evrelerini sınıflandırmada sunulan özellikler ana üç grupta toplanmıştır: (i) zaman-uzayı özellikleri, (ii) frekans-uzayı özellikleri, (iii) hibrit özellikler. Yapılan detaylı simülasyonlarla her bir gruptaki özelliklerin uyku evrelerini ne oranda ayrıştırdığı belirlenmiş ve elde edilen önbilginin literatürdeki sonuçlarla uyumlu olduğu görülmüştür. Sunulan yöntemler sayesinde sınıflandırıcın başarılı sonuç verip vermeyeceğini ve sınıflandırma başarısının analiz kısmında elde edilen sonuçlarla uyumlu olup olmadığını sınıflandırıcıyı gerçekleştirmeden söylemek mümkündür. Temel bileşen analizi ile hangi özelliklerin sınıflandırma için daha iyi sonuç vereceği tespit edilmeye çalışılmıştır. Simülasyonlar hibrit özelliklerinin en iyi ayrıştırmayı verdiğini göstermiştir. Daha sonra, sadece hibrit özellikler kullanılarak temel bileşen analizi ve kernel tabanlı temel bileşen analizi ile uyku evrelerinin ne oranda ayrıştığı incelenmiştir. Yapılan bu ayrıştırma sonuçlarının geçerliliği olasılıksal sinir ağları kullanılarak gösterilmiştir. Çalışma sonunda temel bileşen analizi ve kernel tabanlı temel bileşen analizinin ayrıştırma yetenekleri olasılıksal sinir ağı aracılığıyla karşılaştırılmıştır.
In this study, methods were presented in order to determine how well features extracted from the EEG signals separate the sleep stages for the purpose of sleep stage classification and they were implemented using probabilistic neural networks. The proposed methods are based on the principle component analysis also known as the Karhunen-Loéve transform. The features frequently used in the sleep stage classification studies were divided into three main groups: (i) time-domain features, (ii) frequency-domain features, and (iii) hybrid features. That how well features in each group separate the sleep stages was determined by performing extensive simulations and it was seen that the results obtained are in agreement with those available in the literature. Considering the fact that sleep stage classification algorithms consist of two steps, namely feature extraction and classification, it will be possible to tell a priori whether the classification step will provide successful results or not without carrying out its realization thanks to the proposed methods. Principles component analysis was used in order to determine the features that give the best results. Simulations showed that hybrid features give the best separation. Then, how well sleep stages separate was investigated with principle component analysis and kernel based principle component analysis by using only hybrid features. The validity of these separation results was shown by using probabilistic neural networks. Finally, separation capabilities of principle component analysis and kernel based principle component analysis was compared by means of probabilistic neural network.
