Classification of Sleep Stages from Polysomnography Signals with Deep Learning and Machine Learning Methods

Uyku, fiziksel ve zihinsel sağlığımızın günlük olarak yenilenmesi için önemli bir aktivite zamanıdır ve yaşamımızın üçte birini kaplar. Uyku bozuklukları, psikiyatrik bozuklukları şiddetlendirebilir veya semptomlarına neden olabilir. Bunlardan ilki uyku apnesi olabilir. Diğer bir neden ise huzursuz bacak sendromudur. Depresyon, anksiyete, ağrı ve bazı fiziksel problemler de uykusuzluğa neden olabilir. Uyku apnesi, sinir sistemi probleminden veya soluk yolu tıkanıklığından kaynaklanabilir. Uyku evrelerini incelemek, uyku ile ilgili bozuklukların teşhisinde çok önemlidir. Uyku evreleri de uyku sırasında kişinin yanında olunarak bir profesyonel tarafından belirlenir. Ortalama 8 saatlik uyku evre teşhis süresi düşünüldüğünde, bu bir profesyonel için oldukça uzun bir süredir. Ayrıca uyku evrelerinin tanımlanması ciddi bir uzmanlık ve bilgi birikimi gerektirmektedir. Literatürde tanımlanan hastalıkların teşhis ve tedavi sürecini otomatik olarak yapan bilgisayarlı teşhis sistemi teorik araştırmalara dayalı olarak uygulanmaya başlandı. Bu çalışma, insan sağlığını doğrudan etkileyen uyku bozukluklarının teşhisinde önemli parametreler olan uyku evrelerini otomatik olarak oluşturmak için derin öğrenme ve makine öğrenmesi tekniklerini kullanmayı amaçlamaktadır. Bu çalışmada, rastgele orman algoritması en başarılı sınıflandırmayı (doğruluk = 0,974, duyarlılık = 0,932, özgüllük = 0,983) gerçekleştirmiştir. Bu gelişmiş sınıflama başarısı, uykuyla ilişkili bozuklukların teşhisinde/tedavisinde önemli bir faktör olan uyku evrelerini otomatik olarak belirleyebilen bilgisayar destekli bir teşhis sistemi oluşturmanın uygulanabilirliğini göstermektedir.

[1]  P. Laguna,et al.  Pediatric sleep apnea: Characterization of apneic events and sleep stages using heart rate variability , 2023, Comput. Biol. Medicine.

[2]  S. Siuly,et al.  An intelligent model involving multi-channels spectrum patterns based features for automatic sleep stage classification , 2023, Int. J. Medical Informatics.

[3]  Víctor J. López-Madrona,et al.  Comparison of beamformer and ICA for dynamic connectivity analysis: A simultaneous MEG-SEEG study , 2022, NeuroImage.

[4]  A. Alkan,et al.  Biphasic majority voting-based comparative COVID-19 diagnosis using chest X-ray images , 2022, Expert Systems with Applications.

[5]  Zhongpeng Wang,et al.  A novel approach to automatic sleep stage classification using forehead electrophysiological signals , 2022, Heliyon.

[6]  Taro Tezuka,et al.  Fully automatic REM sleep stage-specific intervention systems using single EEG in mice , 2022, Neuroscience Research.

[7]  S. Durrant,et al.  Characterising the relationship between sleep stages and associated spectral power in diabetes. , 2022, Sleep Epidemiology.

[8]  Yingpeng Xu,et al.  Polysomnography findings in preschool children with obstructive sleep apnea are affected by growth and developmental level. , 2022, International journal of pediatric otorhinolaryngology.

[9]  A. Alkan,et al.  Lung cancer detection by using probabilistic majority voting and optimization techniques , 2022, Int. J. Imaging Syst. Technol..

[10]  A. Alkan,et al.  MR Spektroskopi kullanılarak beyin tümörü tespitinde LSTM tabanlı derin öğrenme uygulaması , 2022, Gazi Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi.

[11]  H. Arslan,et al.  A new COVID-19 detection method from human genome sequences using CpG island features and KNN classifier , 2021, Engineering Science and Technology, an International Journal.

[12]  Veysel Yarği,et al.  EEG İşareti Kullanılarak Bağımlılığa Yatkınlığın Makine Öğrenmesi Teknikleri ile Analizi , 2020 .

[13]  Mustafa Demirci.  Destek Vektör Makineleri ve M5 Karar Ağacı Yöntemleri Kullanılarak Yağış Akış İlişkisinin Tahmini , 2019, DÜMF Mühendislik Dergisi.

[14]  Carlyle T. Smith,et al.  The function of the sleep spindle: A physiological index of intelligence and a mechanism for sleep-dependent memory consolidation , 2011, Neuroscience & Biobehavioral Reviews.

[15]  S. Chokroverty,et al.  The visual scoring of sleep in adults. , 2007, Journal of clinical sleep medicine : JCSM : official publication of the American Academy of Sleep Medicine.

[16]  H. Driver,et al.  The influence of the menstrual cycle on upper airway resistance and breathing during sleep. , 2005, Sleep.

[17]  S. Hochreiter,et al.  Long Short-Term Memory , 1997, Neural Computation.

[18]  A. Alkan,et al.  The investigation of WISC-R profiles in children with border intelligence and intellectual disability with machine learning algorithms , 2021, Pamukkale University Journal of Engineering Sciences.

[19]  Sukanta Sabut,et al.  Automated segmentation and classification of brain stroke using expectation-maximization and random forest classifier , 2020, Biocybernetics and Biomedical Engineering.

[20]  Daniel J. Taylor,et al.  Nonrestorative sleep. , 2008, Sleep medicine reviews.