Browsing by Author "Koca, Yasin"

Now showing 1 - 6 of 6

Citation - Scopus: 1
Automatic Sleep Stage Classification for the Obstructive Sleep Apnea
(Trans Tech Publications Ltd, 2023) Özsen, Seral; Koca, Yasin; Tezel, Gülay Tezel; Solak, Fatma Zehra; Vatansev, Hulya; Kucukturk, Serkan
Automatic sleep scoring systems have been much more attention in the last decades. Whereas a wide variety of studies have been used in this subject area, the accuracies are still under acceptable limits to apply these methods to real-life data. One can find many high-accuracy studies in literature using a standard database but when it comes to using real data reaching such high performance is not straightforward. In this study, five distinct datasets were prepared using 124 persons including 93 unhealthy and 31 healthy persons. These datasets consist of time-, nonlinear-, welch-, discrete wavelet transform- and Hilbert-Huang transform features. By applying k-NN, Decision Trees, ANN, SVM, and Bagged Tree classifiers to these feature sets in various manners by using feature-selection highest classification accuracy was searched. The maximum classification accuracy was detected in the case of the Bagged Tree classifier as 95.06% with the use of 14 features among a total of 136 features. This accuracy is relatively high compared with the literature for a real-data application.
Classification of Sleep Stages Using Psg Recording Signals
(2020) Koca, Yasin; Özşen, Seral; Göğüş, Fatma Zehra; Tezel, Gülay; Küççüktürk, Serkan; Vatansev, Hülya
Automatic sleep staging is aimed within the scope of this paper. Sleep staging is a study by a sleep specialist. Since this process takes quite a long time and sleep is a method based on the knowledge and experience, it is inevitable for each person to show different results. For this, an automatic sleep staging method has been introduced. In the study, EEG (Electroencephalogram), EOG (Electrooculogram), EMG (Electromyogram) data recorded by PSG (Polysomnography) device for seven patients in Necmettin Erbakan University sleep laboratory were used. 81 different features were taken from the data in time and frequency environment. Also, PCA (Principal component analysis) and SFS (Sequential forward selection) feature selection methods were used. The classification success of the sleep phases in different machine learning methods was measured by using the received features. Linear D. (Linear Discriminant Analysis), Cubic SVM (Support vector machine), Weighted kNN (k nearest neighbor), Bagged Trees, ANN (Artificial neural network) were used as classifiers. System success was achieved with a 5 fold cross-validation method. Accuracy rates obtained were respectively 55.6%, 65.8%, 67%, 72.1%, and 69.1%.
Determining the Most Powerful Features in the Design of an Automatic Sleep Staging System
(2023) Özşen, Seral; Koca, Yasin; Tezel, Gülay; Çeper, Sena; Küççüktürk, Serkan; Vatansev, Hülya
Spending too much time on manual sleep staging is tiring and challenging for sleep specialists. In addition, experience in sleep staging also creates different decisions for sleep experts. The search for finding an effective automatic sleep staging system has been accelerated in the last few years. There are many studies dealing with this problem but very few of them were conducted with real sleep data. Studies have been carried out on mostly processed and cleaned-ready data sets. In addition, there are few studies in which the data distribution in sleep stages is balanced (equal numbers of epochs from each stage are used), and it is seen that the performance of these studies is quite low compared to other studies. When the literature studies are examined, there is a wide range of studies in which many features are extracted, many feature selection methods are used, many classifiers are applied and various combinations of these are available. For this reason, to determine the best-performing features and the most powerful features, 168 features were extracted from the real EEG, EOG, and EMG signals of 124 patients. These features were selected with 7 different feature selection methods, and classification was carried out with 4 classifiers. In general, the ReliefF feature selection method has performed best, and the Bagged Tree classifier has reached the highest classification accuracy of 67.92% with the use of nonlinear features.
Citation - WoS: 6
Citation - Scopus: 6
Identification of Apnea-Hypopnea Index Subgroups Based on Multifractal Detrended Fluctuation Analysis and Nasal Cannula Airflow Signals
(INT INFORMATION & ENGINEERING TECHNOLOGY ASSOC, 2020) Göğüş, Fatma Zehra; Tezel, Gülay; Özşen, Seral; Küççüktürk, Serkan; Vatansev, Hülya; Koca, Yasin
The diagnosis of obstructive sleep apnea hypopnea syndrome (OSASH) and making decision of treatment necessity with positive airway pressure (PAP) therapy are time consuming and costly processes. There were different approaches in literature to accomplish these processes successfully and as soon as possible by using physiological signals with selected feature extraction and machine learning techniques. To reach fastest and true result, selection of optimal physiological signal(s), feature extraction and learning techniques is important. This study aimed to identify apnea hypopnea index (AHI) subgroups of 120 subjects and thus diagnose of OSASH and determine the need for PAP therapy by applying Multifractal Detrended Fluctuation Analysis (MDFA) as a feature extraction technique to only single channel nasal cannula airflow signals. After the extracted features from airflow signals with MDFA were gone through feature selection phase, the selected features were evaluated in Random Forest classifier. With the implementation of all processes, OSAHS patients were discriminated from healthy subjects with 95.83% accuracy, 96.88% sensitivity and 93.75% specificity. 93.75% sensitivities and 93.75%, 100% and 96.88% specificities were obtained for 15 <= AHI (PAP therapy necessary), 5 <= AHI<15 (require additional information for PAP therapy decision) and AHI <5 (not require PAP therapy) subgroups, respectively.
Psg Kayıtları Kullanılarak Uyku Evrelerinin Sınıflandırılması
(Konya Teknik Üniversitesi, 2022) Koca, Yasin; Özşen, Seral
Polisomnografi(PSG), uyku ile ilgili çeşitli bozuklukların tespiti ve tedavisi için tüm gece normal uyku esnasında kişiden solunum, kandaki oksijen yoğunluğu ve belirli vücut bölgelerinden (kafa, yüz, kalp vs.) alınan sinyallerin kaydedildiği bir testtir. Kayıtların değerlendirilmesinde uygulanması gereken ilk aşama skorlamadır. Uyku evrelerinin skorlanması; uyku evreleme aşamasının önemli parçasıdır. Uyku evreleme solunum ve uyku hastalıklarının teşhisinde ve tedavisinde önemli rol oynamaktadır. Günümüzde uyku evreleme aşaması polisomnografi yöntemiyle yapılmaktadır. Uyku kayıtlarının skorlanması için ilk standart yöntemi Rechtschaffen ve Kales (R&K) tarafından 1968 yılında geliştirilmiştir. Bu yöntemde bütün polisomnagrafi, epok adı verilen 30 saniyelik parçalara bölünür ve her bir epoğa etiketleme yapılır. Her bir etiket uykunun temel evrelerinden birini gösterir. Bu evreler başta Elektroensefalogram (EEG), Elektrookülogram (EOG) ve Elektromiyogram (EMG) kayıtları olmak üzere pek çok sinyalin incelenmesi ile belirlenir. 2007 yılında Amerikan Uyku Tıbbı Akademisi (AASM), uyku kayıt teknikleri ve skorlamada standardizasyon sağlayan yeni bir skorlama el kitabı yayınlamış, 2012 yılında ise revize edilerek yayınlanan el kitabı ile skorlama kriterleri güncellenmiştir ve bu kitabcık sayesinde uyku evreleri skorlaması en son halini almış ve bilimsel çalışmalara temel oluşturmuştur. Bu çalışmada, PSG kayıtlarının uyku skorlanmasındaki önemleri gereği EEG, EOG ve EMG sinyali kullanarak uyku evlerinin skorlanması hedeflenmiştir. Necmettin Erbakan Üniversitesi Meram Tıp Fakültesi uyku laboratuvarında 124 hastadan EEG(C4A1), Çene EMG(CHIN)'si, sol göz EOG (LEOG) ve sağ göz EOG (REOG) sinyalleri elde edilmiştir. Uyanık (Wake), Non-REM-1, Non-REM-2, Non-REM-3, REM bölgeleri uyku uzmanı tarafından skorlanan bu sinyaller üzerinden, zaman, frekans ve doğrusal olmayan ortamında özellikler çıkarılmış ve sınıflandırmaya tabi tutulmuştur. Sinyaller, Uyanık (Wake), Non-REM-1(N1), Non-REM-2(N2), Non-REM-3(N3), REM olarak gruplanmıştır. Sınıflandırma algoritması olarak, Karar Ağacı (KA), k-En Yakın Komşu algoritması (kNN), Yapay Sinir Ağı (YSA), Torbalı Ağaç (TA), Destek Vektör Makinesi(DVM) algoritmaları kullanılmış olup Relief-F yöntemi ile özellik seçimi yapılmıştır. Yapılan üç çalışmanın arasında en başarılı sınıflandırma sistemi Torbalı Ağaç algoritması olmuştur. Üçüncü tam kapsayıcı son çalışmada toplam veri seti için 135 özellik hazırlanmış ve sınıflandırma sonucu %84.19 doğruluk ile en yüksek Torbalı karar ağacı algoritması vermiştir. Relief-F yöntemi ile özellik seçimi sonucunda en yüksek sınıflandırma doğruluğunun 14 özellikle Torbalı Ağaç algoritması olduğu ve %95.06 doğruluk ile sınıflandırdığı görülmüştür.
Türk Osas Hastalarında Cpap Değerini Etkileyen Polisomnografik Özelliklerin Belirlenmesi ve Optimum Cpap Değerinin Yapay Zekâ İle Tahmini
(2021) Koca, Yasin; Solak, Fatma Zehra; Çeper, Sena; Küççüktürk, Serkan; Vatansev, Hülya; Özşen, Seral; Tezel, Gülay
Bu projede, uyku kliniğine başvuran hastaların tedavisi için optimum CPAP seviyesinin tahmin edilmesi ve bu seviyeyi en çok etkileyen özelliklerin tanımlanması hedeflenmiştir. Günümüze kadar yapılan çalışmalarda, klinik ortamlarda kullanılmasına rağmen CPAP seviyesi belirlenecek hastaların polisomnografi (PSG) kayıtlarına (fizyolojik sinyaller ve apneik ataklar) ilişkin özelliklerin, optimum basınç bulma sürecinde değerlendirmeye alınmadığı görülmüştür. Bu nedenle, proje kapsamında literatürde kullanılan özelliklerin yanı sıra uzman görüşlerine dayalı PSG sinyal ve apneik atak özellikleri dikkate alınmıştır. CPAP terapisi ile tedavi edilmesi gerekli olan hastaların belirlenmesinin ardından, bu hastalara ait optimum seviyelerin tahmin edilebilmesi amacıyla doğrusal regresyon analizleri ve yapay zeka yöntemleri ile CPAP tahmin modelleri geliştirilmiştir. Ayrıca, bu proje kapsamında literatürden farklı olarak, uyku evreleme işlemi projeye dahil edilmiştir. Son olarak, geliştirilen tahmin yönteminin uyku uzmanları tarafından laboratuvarlarda denenmesi için titrasyonu yapılmamış 3 hastanın CPAP değerleri tahmin edilerek bu basınç ile hastaların tedavisi klinik olarak test edilmiştir. Yapılan denemeler, farklı fonksiyonlara sahip SVM?in, tahmin işleminde en başarılı algoritma olduğunu göstermiştir. Oluşturulan 30 modelin test sonuçlarına göre, proje çalışması kapsamında geliştirilen 19 model, tahmin edilen CPAP seviyeleri ve uyku laboratuvarında uzmanlar tarafından titrasyon işlemiyle belirlenen referans optimum CPAP seviyeleri arasında yüksek ilişki ortaya koymuştur. Test başarılarına göre 6 modelin ise tahmin edilen ve referans optimum CPAP seviyeleri arasındaki ilişkileri çok yüksek olarak tanımlamıştır. Ayrıca bu proje, elde edilen bulgularla, fiziksel ve demografik özelliklere ek olarak hava akımı ve oksimetri sinyallerinin ve OSAS hastalarının geçirmiş oldukları apneik ataklarla ilişkili karakteristik özellikler ve desaturasyon özelliklerinin optimum basınçlar üzerinde büyük etkileri olduğunu ortaya koymuştur. Uyku evrelemede EEG, EOG ve EMG ile %95.06 ve sadece EEG ile %69 başarıya ulaşılmıştır. Bu sonuçlar, geliştirilen sistemin uyku uzmanlarına destek olabileceğinin önemli bir göstergesidir.