Uyku apnesi tanısı için bilgisayar destekli tespit sisteminin tasarımı ve gerçeklemesi

Abstract

Tez çalışmasında, uyku apnesi teşhisi gerçekleştirebilen bir bilgisayar destekli teşhis sistemi önerilmiş ve PhysioNet Apnea-ECG veri tabanı üzerinde doğrulanmıştır. Önerilen sistemin ön işleme aşamasında, veritabanında yer alan elektrokardiyogram sinyalleri z-skor normalizasyonuna tabi tutulmuş, bant geçiren filtreden geçirilmiş ve bir-dakikalık bölütlere ayrılmıştır. Sonrasında, öznitelik çıkarımı aşamasında, bir-dakikalık bölütler gerek uzamsal düzlemde gerekse frekans düzleminde yedi farklı öznitelik grubu ile betimlenmiştir. Ayrıca, her bir öznitelik grubuna temel bileşen analizi, ortak vektör yaklaşımı ve ayırt edici ortak vektör yaklaşımı yöntemleri uygulanarak öznitelik seçimi gerçekleştirilmiştir. Sınıflandırma aşamasında ise lojistik doğrusal sınıflandırıcı, doğrusal ayırtaç sınıflandırıcı, fisher doğrusal ayırıcı analizi, bayes sınıflandırıcı, k-en yakın komşu sınıflandırıcısı kullanılarak, 2- ve 3-sınıflı teşhis çalışmaları gerçekleştirilmiştir. Sonuç olarak, bir-dakikalık bölütlerin apneli/apnesiz olarak sınıflandırıldığı 2-sınıflı teşhis çalışmasında kalp atım hızı değişkenliği öznitelikleri kullanılarak maksimum %72,29, kalp atım hızı değişkenliği özniteliklerinin temel bileşen analizi yöntemi ile boyut indirgemesi yapıldıktan sonra %67,00 doğruluk sağlandığı tespit edilmiştir. Hasta/sınırda/sağlıklı olarak sınıflandırıldığı 3-sınıflı teşhis çalışmasında da kalp atım hızı değişkenliği öznitelikleri kullanılarak maksimum %68,67, hibrit özniteliklerinin temel bileşen analizi ile boyut indirgemesi yapıldıktan sonra %68,67 doğruluk sağlandığı tespit edilmiştir.

In the thesis study, a computer aided diagnostic system capable of diagnosing sleep apnea is proposed and validated on the PhysioNet Apnea-ECG database. In the preprocessing phase of the proposed system, electrocardiogram signals in the database is subjected to z-score normalization, bandpass filtered and divided into one-minute segments. Then, in the feature extraction stage, one-minute segments are described with seven different feature groups in both the spatial plane and the frequency plane. In addition, feature selection is performed by applying principal component analysis, common vector approach and distinguished common vector approach methods to each feature group. In the classification stage, 2- and 3-class diagnostic studies are performed using the logistic linear classifier, linear differential classifier, fisher linear differential analysis, bayes classifier, k-neighbor classifier. As a result, In the 2- class diagnostic study, it is determined that maximum 72.29% accuracy is achieved by using heart rate variability features, and 67.00% accuracy is achieved after size reduction of heart rate variability features by principal component analysis method. In the 3-class diagnostic study, in which the patient is classified as borderline/healthy, it is determined that the maximum accuracy is 68.67% using heart rate variability features, and 68.67% accuracy is achieved after size reduction with principal component analysis of hybrid features.