Uyku apnesi sendromu (UAS) dünyanın ciddi sağlık problemlerinden biridir. Bu sendromun tedavisinde erken teşhis oldukça önemli bir faktördür. Bu çalışmada, UAS'nin teşhisi ve sınıflandırılması için farklı yöntemler araştırıldı. Birinci metot, hastanın horlama ses işaretinin, zaman?frekans analizi ile ortaya çıkan apne ile ilintili belirli yapıdaki bileşenlerin enerjisi, tasarlanan YSA'ya verilerek UAS teşhisini ele almıştır. İkinci metot, hastalardan kayıtlanan EEG işaretlerini ele almıştır. EEG işaretinin delta, theta, alfa, beta, ve gamma altbantlarının ikiz?spektrumu ile ortaya çıkan kuadratik faz eşleşmeleri gibi karakteristik özellikler quantifiye edilerek YSA'ya verilmiştir. Üçüncü metot, hastadan alınan karın ve göğüs hareketi işaretlerini ele almıştır. Bu veriler sonra Ayrık Dalgacık Dönüşümü (ADD) kullanarak 7. seviyeye kadar dalgacık katsayılarına ayrıştırılmıştır. UAS sınıflandırması için bir ADD?YSA tasarlanmıştır. Bu dalgacıkların 1. seviyeden 7. seviyeye kadar detay katsayılarının enerjisi ile 7. seviyedeki yaklaşık katsayılarının enerjisi hesaplanarak bu ağa verilmiştir. YSA ile değerlendirilen veriler aynı zamanda Adaptif Ağ Yapısına Dayalı Bulanık Çıkarım Sistemi (ANFIS) ile de değerlendirildi ve elde edilen sonuçlar karşılaştırıldı. Önerilen bu metotlar ile UAS'yi teşhis ve sınıflandırmada yüksek başarım oranları elde edildi. Bu şekildeki veri analizinin nöroloji ve uyku bozuklukları alanlarında da kullanılması mümkündür. Hem hastaya hem de uzman hekime kolaylık sağlaması için geliştirilen SDD YSA ve ADD YSA modelleri PSG cihazına entegre edilebileceği düşünülmektedir.
Sleep Apnea Syndrome (SAS) is one of the serious worldwide health problems. Early diagnosis is an important factor in the treatment of the syndrome. In this study, various methods for estimating and classifying SAS were investigated. The first method, concerns estimation of SAS by an Artificial Neural Network (ANN) designed to employ the energy of particular scheme emerged through time?frequency analysis of snoring signals that linked to apnea. The second method, concerns the EEG signals taken from patients. The characteristic features, such as the Quadratic Phase Couplings (QPCs), exhibited by bi?spectrum of delta, theta, alfa, beta and gamma sub-bands of EEG were quantified and fed to ANN. The third method, concerns thoracic and abdominal signals taken from patients. These data were then split into wavelet coefficients up to 7th level through Discrete Wavelet Transform (DWT). A particular DWT?NN for classification of SAS was designed. The energies of coefficients of each detail (1?7 level) and the 7th approximation level were fed to the input of the ANN. The data evaluated through ANN were also evaluated through a specifically designed Adaptive Neuro?Fuzzy Inference System (ANFIS) and the obtained results were cross?compared. With the proposed methods, SAS was estimated and classified with highly significant success rates. Such data analysis may also be used in neurology and sleep disorder fields. The developed Wavelet?NN or DWT?NN model may be considered to integrate into the PSG system to provide ease both to medical specialists and patients.
