Browsing by Author "Vatansev, Hülya"

Now showing 1 - 6 of 6

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%.
Designing a System That Records the Sleeping Position Data of Sleep Apnea Patients
(2022) Vatansev, Hülya; Vatansev, Hüsamettin; Gölcük, Adem; Taşdemir, Şakir; Balcı, Mehmet; Küçüktürk, Serkan
Sleeping positions have a significant impact on exposure of apnea patients to sleep apnea. In this study, the sleeping position of the patient was read with the STM microcontroller by using the body position sensor (SleepSense 1/8" Plug DC Body Position Sensor Kit) produced by the sleep sense company. This sensor produces results with analog signals between 0-2V. This analog signal was read using the ADC feature of the microcontroller. This signal read by the microcontroller was sent to the computer via the USB port. The C# software prepared on the computer reads the data from the microcontroller and saves this data and the arrival time of the data to the bit TXT file. The data in this TXT file is ready to be evaluated by signal processing methods. These data, together with other data obtained from the polysomnography device, can be used to learn the body position of the patient at the time of apnea.
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.
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.
Wavelet Dalgacık Dönüşümü ile Tıkayıcı Uyku Apnesi Tahmini ve Epok Sürelerinin Etkisi
(2021) Balcı, Mehmet; Gölcük, Adem; Küççüktürk, Serkan; Taşdemir, Şakir; Vatansev, Hüsamettin; Vatansev, Hülya
Tıkayıcı uyku apnesi halk arasında uykuda nefes durması olarak da bilinen çok ciddi bir halk sağlığı sorunudur. Bu sağlık sorununun tespit edilmesi ciddi laboratuvar tetkikleri gerektirmektedir. Polisomnografi (PSG) olarak adlandırılan bu tetkik sisteminde hastadan gece boyunca birçok fizyolojik veri toplanarak kaydedilir. Daha sonra bu veriler incelenerek teshis için kullanılır. Bu çalışmada yaşları 34 ile 73 arasında ve vücut kitle endeksleri 24,6 ile 49,3 arasında değişen 24 hastadan elde edilen gerçek veriler kullanılmıştır. Bu hastaların 17’si ciddi, 6’sı orta, 1’i de hafif derecede uyku apnesi teşhisi koyulmuş bireylerdir. 24 hastanın hastanenin uyku servisinde uyuma ve veri toplama için geçirdiği süre ortalama 5 saat 8 dakika 3 saniyedir. Bu çalışmada PSG ile toplanan fizyolojik verilerden olan pressure flow, pressuse snore ve thorax sinyalleri kullanılmıştır. Bu sinyaller önce epoklara ayrılmış, daha sonra ön işlemlerden geçirilmiştir. Farklı epok sürelerinin kullanıldığı çalışmada, her sinyalden wavelet dalgacık dönüşümü yöntemi ile sinyal özellikleri çıkarılarak bir özellikler veri seti oluşturulmuştur. Oluşturulan bu veri seti kullanılarak hastanın uyku sırasında meydana gelecek apnelerin önceden tahmin edilmesi amacıyla bir sistem geliştirilmiştir. Farklı sınıfandırıcıların da kullanıldığı bu sistemde ham sinyallerin bölümlendirilmesinde kullanılan epok sürelerin tahmin başarısına etkisi araştırılmıştır. Epok süresi 30 saniye olarak belirlendiğinde %88 doğruluk oranı elde edilirken, epok süresi 15 saniye olarak belirlendiğinde tahmin doğruluğu %93,3 olarak hesaplanmıştır. Epok süresi 5 saniye olarak belirlendiğinde ise tahmin başarısı %97,2 olarak gerçekleşmiştir. Sonuçlar, epok sürelerinin kısaltılmasının tahmin başarısını artırdığını göstermektedir. Bunun nedeni olarak apne olayının meydana geldiği ana daha yakın bir zaman diliminde elde edilen fizyolojik verilerin, meydana gelecek apneyi daha iyi tanımlamasıdır.