Obstrüktif uyku apne teşhisi için tek kanal EKG ve hibrit makine öğrenmesi tabanlı yeni bir yöntem

Abstract

Obstrüktif Uyku Apnesi (OSA) sadece uyku esnasında meydana gelen bir solunum durması rahatsızlığıdır. Bu rahatsızlık sadece uykunun bölünmesine sebep olmakla kalmayıp ölüm ile sonuçlanması da muhtemeldir. Hastalığın teşhisi polisomnografi (PSG) cihazı vasıtasıyla Amerikan Uyku Tıbbı Akademisi (AASM)'nin yayınladığı kılavuzdaki kriterlere göre yapılır. Buna göre uyku evreleme ve solunum skorlama aşamalarının gerçekleştirilmesi gerekir. Teşhis edildikten sonra tedavisi olan bu hastalığın teşhis aşamasının hasta açısından oldukça meşakkatli olması, daha konforlu ve aynı zamanda güvenilir teşhis yöntemlerine ihtiyaç duyulmasına sebep olmuştur. Bu tez çalışmasında OSA hastalığının güvenilir ve konforlu teşhisi için PSG cihazından daha kolay kullanımlı ve daha basit yeni bir sistem geliştirilmiştir. Çalışmada 10 hastaya ait Elektrokardiyografi (EKG) sinyalleri kullanılmıştır. EKG sinyalinin farklı frekans bantlarına ait bileşenleri türetilmiş, 225 adet özellik çıkarılmış, çıkartılan özellikler Fisher Özellik Sıralama Algoritması ve Temel Bileşen Analizi (PCA) ile seçilerek azaltılmıştır. Daha sonra bu özelliklerin tümü ve azaltılmış özellikler ayrı ayrı kullanılarak sınıflandırma işlemleri yapılmıştır. Çalışmada Karar Ağacı (DT), Destek Vektör Makineleri (SVMs), k-En Yakın Komşuluk Algoritması (kNN) ve Topluluk Sınıflandırıcı olmak üzere toplam dört sınıflandırıcı kullanılmıştır. Sınıflandırma performansı Birini dışarıda bırak (Leave One Out - LOO) yöntemi ile incelenmiştir. Sınıflandırma performansının değerlendirilmesi için ayrıca duyarlılık, özgüllük ve doğruluk oranı değerleri hesaplanıp verilmiştir. Fisher özellik sıralama algoritması ile her sinyale ait özellikler seçilerek sınıflandırılmıştır. Seçilen özellik miktarının artması ile birlikte başarı oranında %10 kadar artış meydana gelmiştir. Özellikle EKG sinyaline ait özellik seçim işleminde uyku evrelemede %87,12, solunum skorlamada %85,12 doğruluk oranı ile en büyük başarı yakalanmıştır. Bu aşamada uyku evrelemede 10 özellik için özgüllük ve duyarlılık oranları sırasıyla 0,85 ve 0,90, solunum skorlamada 13 özellik için özgüllük ve duyarlılık oranları ise sırasıyla 0,86 ve 0,85 dir. Bu başarım değerleri literatür ile uyumlu ve oldukça yüksektir. Çalışmada elde edilen sonuçlar OSA'nın teşhisini kolaylaştıracak, pratikte de kullanılabilir olan bir sistemin geliştirilebilir olduğunu göstermiştir.

Obstructive Sleep Apnea (OSA) is a respiratory arrest condition that occurs only during sleep. This disorder not only causes sleep to be interrupted but also causes many other ailments, including the risk of death. According to the criteria published in the guidelines of the American Academy of Sleep Medicine (AASM), the diagnosis of the disorder is practiced in two stages, sleep staging and respiratory scoring with the help of the polysomnography (PSG) device. There is a cure for this disease after a diagnosis, but the fact that the diagnosis phase is quite difficult for the patient has led to the need for more comfortable and also reliable diagnostic methods. In this thesis, a new system that is easier to use and simpler than the PSG device has been developed for the reliable and comfortable diagnosis of OSA disease. Electrocardiography (ECG) signals of 10 patients were used in the study. The components of the ECG signal belonging to different frequency bands were derived, 225 features were extracted, the extracted features were selected and decreased, and classified by Fisher Feature Sorting Algorithm and Basic Component Analysis (PCA). In the study, four classifiers were used: Decision Tree (DT), Support Vector Machines (SVMs), k-Nearest Neighborhood Algorithm (kNN), and Ensemble Classifier. Classification performance was examined by the Leave-One-Out (LOO) method. In order to evaluate the classification performance, sensitivity, specificity and accuracy rate values were calculated and given. The features of each signal were selected and classified by the Fisher feature sorting algorithm. An increase of 10% in the success rate has occurred when the number of features selected were increased. Especially in the feature selection process of the ECG signal, the greatest success was achieved with an accuracy rate of 87.12% in sleep staging and 85.12% in respiratory scoring. At this stage, sensitivity and specificity for 10 features in sleep staging were 0.90 and 0.85, respectively, and sensitivity and specificity for 13 features in respiratory scoring were 0.85 and 0.86, respectively. These performance values are compatible with the literature and are quite high. The results obtained in the study showed that a system that can be used in practice, which will facilitate the diagnosis of OSA, can be developed.