Derin öğrenme ağ yapılarının uyku evreleme problemlerineuygulanması

Abstract

Uyku, metabolizmayı yavaşlatarak vücudu rahatlatır ve dinlendirir, uyandığımızda fiziksel olarak daha güçlü ve zinde olmamızı sağlar. Ancak insanlarda meydana gelebilecek bir uyku bozukluğunda bu süreç tersine döner ve vücutta çeşitli rahatsızlıklar meydana gelir. Uyku evrelerinin belirlenmesi, bu tür uyku bozukluklarının teşhis ve tedavisi için hayati önem taşımaktadır. Bununla birlikte, uyku aşamalarının manuel olarak puanlanması yorucu, zaman alıcıdır ve önemli ölçüde uzmanlık gerektirir. Aynı zamanda uzmanlar arasındaki deneyim ve yorumlama farklılıkları da manuel uyku evrelemeyi bir derecede nesnellikten uzaklaştırmaktadır. Derin öğrenme teknikleri bu süreci otomatikleştirebilir, bu sorunların üstesinden gelebilir ve daha tutarlı sonuçlar üretebilir. Bu amaçla üç farklı çalışma yapılmıştır. Bunlardan ilki giriş verilerinin en doğru temsilini bulabilmek adına Kısa Zamanlı Fourier Dönüşümü (KZFD), Ayrık Dalgacık Dönüşümü (ADD), Ayrık Kosinüs Dönüşümü (AKD), Hilbert-Huang Dönüşümü (HHD), Ayrık Gabor Dönüşümü (AGD), Hızlı Walsh-Hadamard Dönüşümü (HWHD), Choi-Williams Dağılımı (CWD) ve Wigner-Willie Dağılımı (WWD) ile elde edilen Zaman-Frekans bileşenlerinin tek kanallı elektroensefalogram (EEG) tabanlı gözetimli derin bir Evrişimsel Sinir Ağına (ESA) verilmesi ve otomatik uyku evreleme işleminin gerçekleştirilmesidir. Yapılan bu çalışmada elde edilen sonuçlar, giriş verilerinin en doğru temsili için kullanılan dönüşüm yöntemlerinin, zaman, frekans veya non-linear özelliklerin elde edildiği manuel yani el-yapımı özellik çıkarımına dayalı geleneksel yöntemlerden çok daha iyi olduğunu göstermiştir. İkinci yapılan çalışma temel olarak dengesiz verisetlerinde sınıflandırma problemini Siyam Sinir Ağları'nın yardımıyla çözmeyi amaçlamaktadır. Ağ tasarımı sırasında, benzerlik skorunu hesaplayabilmek için Öklid, Manhattan, Jaccard, Kosinüs, Canberra, Bray-Curtis ve Kullback-Leibler Diverjans olmak üzere yedi farklı mesafe ölçüm yöntemi seçilmiştir. Bu sayede, derin öğrenme ve SSA'lara dayalı otomatik uyku evrelemesi için yeni bir rekabetçi yöntem türetilmiştir. Son olarak eğitim veri dengesizliği problemini çözmek için Odak Kaybı (OK) ve AKD yöntemlerini kullanan yeni bir hibrit sinir ağı mimarisi önerilmiştir. Model, k-kat çapraz doğrulama (KÇD) (kişi bazlı) kullanılarak dört farklı veritabanında eğitilmiş ve en yüksek puan iki kanal (EEG-Elektrookülogram (EOG)) kullanıldığında %87,11 doğruluk, %81,81 Kappa puanı ve %79,83 MF1 olarak elde edilmiştir. Yaklaşımımızın sonuçları, mevcut yöntemlerle karşılaştırıldığında umut vericidir.

Sleep relaxes and rests the body by slowing down the metabolism, making us physically stronger and fitter when we wake up. However, in a sleep disorder that may occur in humans, this process is reversed, and various disorders occur in the body. Therefore, the determination of sleep stages is of vital importance for the diagnosis and treatment of such sleep disorders. However, manual scoring of sleep stages is tedious, time-consuming, and requires considerable expertise. It also suffers from inter-observer variability. Deep learning techniques can automate this process, overcome these problems, and produce more consistent results. For this purpose, three different studies were conducted. Firstly, Time-Frequency components obtained by Short Time Fourier Transform, Discrete Wavelet Transform, Discrete Cosine Transform, Hilbert-Huang Transform, Discrete Gabor Transform, Fast Walsh-Hadamard Transform, Choi-Williams Distribution, and Wigner-Willie Distribution were classified with a supervised deep convolutional neural network to perform sleep staging. The results obtained in this study showed that the transformation methods used for the most accurate representation of the input data are much better than the traditional methods based on manual feature extraction, where time, frequency, or nonlinear features are obtained. The second study aims to solve the classification problem in imbalanced datasets with the help of Siamese Neural Networks. Seven distance measurement methods were chosen to calculate the similarity score during the network design: Euclidean, Manhattan, Jaccard, Cosine, Canberra, Bray-Curtis, and Kullback-Leibler Divergence. Thus, a new competitive method for automatic sleep staging based on deep learning and SNNs has been derived. Finally, a new hybrid neural network architecture is proposed using focal loss and discrete cosine transformation methods to solve the training data imbalance problem. The model was trained on four different databases using k-fold cross-validation (subject-wise), and the highest score was 87.11% accuracy, 81.81% Kappa score, and 79.83% MF1 when using two channels (EEG-EOG). The results of our approach are promising when compared to existing methods.