i
ÖZET
Yüksek Lisans Tezi
EEG S NYALLER NDE UYKU
C KLER N N ZAMAN VE FREKANS
DOMEN ÖZELL KLER KULLANILARAK ANAL Z
Mehmet DURSUN
Selçuk Üniversitesi
Fen Bilimleri Enstitüsü
Elektrik-Elektronik Mühendisli-i Anabilim Dal/
Dan/0man: Doç. Dr. Salih GÜNE3
2009, 86 sayfa
Jüri: Doç. Dr. Salih GÜNE3
Yrd. Doç. Dr. Mehmet ÇUNKA3
Yrd. Doç. Dr. Nihat YILMAZ
Bu tez çal mas nda, Elektroansefalogram (EEG) kay tlar n n otomatik olarak
de erlendirilip, uyku evreleri içinde N-REM (H zl Göz Hareketleri Olmayan)
Evre 2’ nin bulunmas nda önemli bir bile en olan uyku i ciklerinin bulunmas
amaçlanm t r.
ii
Bu çal mada, önerilen metot iki ad m içermektedir. +lk ad mda ham EEG
sinyallerinden zaman domeninde alt ve frekans domeninde dört özellik ç kar lm t r.
Ham EEG sinyallerinden Frekans domeni özelliklerinin ç kar lmas nda Welch
Spectral Analiz yöntemi kullan lm t r. +kinci ad mda ise yapay sinir a lar ile
Levenberg-Marquardt algoritmas kullan larak daha önceden uyku uzman taraf ndan
elle
de erlendirilen
uyku
i cikleri
s n fland r lm t r.
Uyku
i ciklerinin
s n fland r lmas nda LM-YSA kullan larak elde edilen s n flama do rulu u zaman
domeni özellikleri için % 100’ dür (Gizli katmandaki dü üm say s on için).
Çal mada kullan lan uyku EEG sinyalleri Selçuk Üniversitesi Meram T p
Fakültesi Uyku Laboratuvar nda yap lan uyku skorland rma çal malar dâhilinde,
Yrd. Doç. Dr. >ebnem Yosunkaya ve ekibi taraf ndan kaydedilmi tir. Çal ma 3
hastada, toplam 712 epok üzerinde test edilmi tir.
Son olarak; elde edilen sonuçlar, önerilen tan ma sisteminin uyku i ciklerinin
otomatik olarak bulunmas nda güvenle kullan labilece ini göstermi tir. Ayn
zamanda bu sistem N-REM evre 2’ nin belirlenmesinde çok önemli bir parametredir.
Anahtar Kelimeler – Uyku i ci i, Özellik Ç kar m , +statiksel Ölçümler, Welch
Yöntemi, EEG Veri Kümeleri, Yapay Sinir A lar .
iii
ABSTRACT
Master Thesis
ANALYSIS OF SLEEP SPINDLES ON EEG SIGNALS BY USING
TIME AND FREQUENCY DOMAIN FEATURES
Mehmet DURSUN
Selcuk University
Graduate School of Natural and Applied Sciences
Department of Electrical-Electronics Engineering
Supervisor: Assoc. Prof. Dr. Salih GÜNE3
2009, 86 pages
Jury: Assoc. Prof. Dr. Salih GÜNE3
Asst. Prof. Dr. Mehmet ÇUNKA3
Asst. Prof. Dr. Nihat YILMAZ
In this study, it was aimed that detection of Sleep-Spindles which is the one of
important components determining N-REM (Non-Rapid Eye Movement) Stage 2 in
the sleep stages,
records.
by automatically evaluation of Electroencephalogram (EEG)
iv
In this study, the proposed method consists of two steps. In the first step, six
time domain features and four frequency domain features have been extracted from
raw EEG signals. The extraction of frequency domain features from raw EEG
signals, Welch spectral analysis has been used. In the second step, artificial neural
network (ANN) with LM (Levenberg-Marquardt) has been used to classify the sleep
spindles evaluated before hand by sleep expert physicians. The obtained
classification accuracies for time domain features set in the classification of sleep
spindles are 100% by using LM-ANN (for ten node in hidden layer).
The sleep EEG signals used in this study are recorded with in support of sleep
scoring studies carried out in Selcuk University Meram Faculty of Medicene
Department Sleep Laboratory by Asst. Prof. Dr. >ebnem YOSUNKAYA and her
team. The study is tested on 3 patients with 712 epochs.
Finally, the obtained results have presented that the proposed recognition
system could be confidently used in the automatic classification of sleep spindles.
And also, this system is a very important parameter in the determination of N-REM
Stage 2.
Keywords – Slip spindles, Feature extraction, Statistical Measurements, Welch
Method, EEG Data Set, Artificial Neural Networks.
v
TE3EKKÜR
Bu tez çal mam süresince her konuda, anlay
ve deste ini esirgemeyen,
çal malar mda de erli bilgi ve tecrübeleriyle bana yol gösteren dan man m Say n
Doç. Dr. Salih GÜNE>’ e, Bölüm Ba kan m z Say n Prof. Dr. Saadetdin HERDEM’
e, tez süresince belirtti i görü ler ve önerilerle tezin ekil almas nda bana yard mc
olan Say n Ar .Gör. Dr. Kemal POLAT’ a ayr ca Selçuk Üniversitesi Meram T p
Fakültesi Gö üs Hastal klar Anabilim Dal Ö retim Üyesi Say n Yrd. Doç. Dr.
>ebnem YOSUNKAYA ve Say n Uzman Uyku Teknisyeni Serkan KÜÇÜKTÜRK’
e ilgi ve yard mlar ndan dolay te ekkürü bir borç bilirim.
Sevgi ve özverileriyle bugünlere gelmemi sa layan, ho görüleri ile her zaman
yan mda olan sevgili anneme, babama ve karde lerime te ekkürlerimi sunar m.
Mehmet DURSUN
2009, Konya
vi
Ç NDEK LER
ÖZET.................................................................................................................................i
ABSTRACT ....................................................................................................................iii
TE3EKKÜR ....................................................................................................................v
Ç NDEK LER ..............................................................................................................vi
S MGELER VE KISALTMALAR ............................................................................viii
3EK LLER L STES ......................................................................................................x
TABLOLAR L STES ..................................................................................................xii
1.
G R 3 ........................................................................................................................1
2.
L TERATÜR ARA3TIRMASI ..............................................................................4
3.
EEG (ELEKTROENSOFLOGRAM) ....................................................................6
3.1. EEG' nin Tarihsel Geli imi ............................................................................6
3.2. EEG Nedir ? ...................................................................................................7
3.3. EEG Cihaz n n Temel Çal ma >ekli ve Uygulanmas .................................7
3.4. EEG De erlendirilmesi ..................................................................................9
3.5. EEG + aretlerinin Elektriksel Özellikleri .....................................................10
3.6. EEG Dalga >ekilleri.....................................................................................11
4.
UYKU VE UYKU EVRELER .............................................................................14
4.1. Uyku ………................................................................................................14
4.2. Uyku Evreleri ve Uyku Evreleme ................................................................15
4.2.1.Uyku evreleri...........................................................................................16
4.2.1.1. Evre W (Uyan kl k evresi) .............................................................16
4.2.1.2. NREM Evre I .................................................................................17
4.2.1.3. NREM Evre II ................................................................................18
4.2.1.4. NREM Evre III ...............................................................................21
4.2.1.5. REM Evresi.....................................................................................22
4.2.2.Ya a göre uyku evrelerinin da l m ......................................................24
4.2.3. Örnek bir uyku modeli ..........................................................................24
4.3. Polisonografi ................................................................................................26
4.4. Uyku Laboratuar .........................................................................................27
4.5. Hastan n Haz rlanmas .................................................................................27
4.6. Hastan n +zlenmesi .......................................................................................28
4.6.1. Nörofizyolojik izlem ..............................................................................28
4.6.1.1. EEG kanallar ...................................................................................29
4.6.1.2. EOG kanallar ...................................................................................31
4.7. Veri Toplanmas ...........................................................................................32
vii
5.
MATERYAL ve METOD.....................................................................................34
5.1. Üzerinde Çal lan Veriye Ait Özellikler.....................................................34
5.1.1. Spindle bulunan epok.............................................................................34
5.1.2. Spindle bulunmayan epok ......................................................................35
5.2. Önerilen Sistemin Ak Diyagram ..............................................................36
5.2.1. EEG de C3-A2 kanal ndaki sinyalin al nmas .......................................37
5.2.2. Filtreleme ...............................................................................................40
5.2.2.1. Filtreleme alt program .....................................................................41
5.2.3. Segmantasyon ........................................................................................41
5.2.3.1. Segmantasyon alt program ..............................................................41
5.3. Özellik Ç kar m ...........................................................................................42
5.3.1. Zaman domeni özellik ç kar m .............................................................42
5.3.2. Frekans domeni özellik ç kar m ............................................................43
5.3.2.1. Welch metodu yard m ile güç spektrum yo unlu unun
hesaplanmas .....................................................................................44
5.3.2.1.1. Periodogram metodu ..................................................................45
5.3.2.1.2. Bartlett metodu...........................................................................46
5.3.2.1.3. Welch metodu ............................................................................47
5.3.2.1.4. Welch yöntemi ile frekans domeni özelliklerini bulan alt
program kodlar ...........................................................................49
5.3.2.2. Pencereleme metodu ........................................................................49
5.3.2.2.1. Pencereleme i lemi ....................................................................51
5.3.3. Özellik azalt m ......................................................................................52
5.4. Yapay Sinir A lar Kullan larak Uyku + ciklerinin S n fland r lmas .........53
5.4.1. Yapay sinir a lar ...................................................................................53
5.4.1.1. Çok katmanl alg lay c yapay sinir a lar .......................................54
5.4.1.2. Levenberg – Marquardt algoritmas .................................................57
5.4.2. Yapay sinir a lar n n e itilmesi .............................................................60
5.5. Tez Çal mas nda Önerilen YSA Modeli.....................................................61
6.
DENEYSEL SONUÇLAR...................................................................................63
6.1. Performans Kriterleri ..................................................................................64
6.1.1. S n flama do rulu u...............................................................................65
6.1.2. Hassasiyet...............................................................................................66
6.1.3. Seçicilik..................................................................................................66
6.2. Elde Edilen Test sonuçlar ...........................................................................66
7.
SONUÇLAR VE ÖNER LER ...........................................................................78
7.1. Sonuçlar.... ...................................................................................................78
7.2. Öneriler….. ..................................................................................................81
8.
KAYNAKLAR ....................................................................................................82
viii
S MGELER VE KISALTMALAR
Adaline
: Adaptive linear neuron
AFD
: Ayr k fourier dönü ümü
ANN
: Yapay sinir a lar (Artificial neural network)
AR
: Özba lan ml (Autoregressive)
ATS
: Duyarl l k e ik ölçüsü (Affinity threshold scalar)
BKÖS
: Bilgi kazanc na dayanan özellik seçme algoritmas
BT
: Bilgisayarl tomografi
BVAÖ
: Bulan k veri a rl kland rma ön-i leme yöntemi
DR
: Dorsal Rabhe
EEG
: Electroencephalography
EKG
: Elektrokardiyografi
EMG
: Elektromiyogram
FFT
: H zl fourier dönü ümü (Fast fourier transform)
LAA
: Lineer ayr m analizi
LM
: Levenberg marquard
LM-YSA
: Levenberg Marquard – Yapay sinir a lar
LVQ
: Ö renme vektörü inceleme
MLE
: Maksimum olabilirlik kestirimi
MRG
: Manyetik rezonans görüntüleme
MUSIC
: Çoklu sinyal s n fland rmas
NREM
: H zl olmayan göz hareketleri
PSG
: Polisomnografi
ix
REM
: H zl göz hareketleri
STFT
: K sa zamanl fourier dönü ümü
YBS
: Yapay ba
kl k sistemi
YBTS
: Yapay ba
kl k tan ma sistemi
YSA
: Yapay sinir a lar
x
3EK LLER L STES
>ekil 3.1 Alfa dalga ekli………….……………………….….…..............................11
>ekil 3.2 Beta dalga ekli……………..……………………………………………..12
>ekil 3.3 Teta dalga ekli……..….………………………………………………….12
>ekil 3.4 Delta dalga ekli…….…….………………………………………………13
>ekil 4.1 W Evresine ait PSG sinyal kayd .…............................................................17
>ekil 4.2 NREM Evre I e ait PSG sinyal kayd .........................................................18
>ekil 4.3 K kompleksi ve uyku i ci i bulunan bir PSG kayd ...................................20
>ekil 4.4 NREM Evre II’ ye ait PSG sinyal kayd …..................................................20
>ekil 4.5 NREM Evre III………………………………............................................21
>ekil 4.6 REM Evresi ne ait PSG sinyal kayd ...........................................................23
>ekil 4.7 Sekiz saatlik örnek bir uyku süreci..............................................................25
>ekil 4.8 Uluslar aras 10-20 sistemi…………………………………......................30
>ekil 4.9 EOG elektrotlar ba lant ekli………………............................................31
>ekil 4.10 Polisomnografi kay t öncesi hasta ba lant lar ..........................................32
>ekil 4.11 Bilgisayar destekli polisomnografi cihaz n n kay t arayüzü…..................33
>ekil 5.1 Evre 2 ye ait spindle bulunan epok..............................................................35
>ekil 5.2 Evre 2 ye ait spindle bulunmayan epok………………...............................35
>ekil 5.3 Önerilen sistemin ak diyagram ................................................................37
>ekil 5.4 Datalar n .edf dosya format na dönü ümü...................................................38
>ekil 5.5 Datalar n .ascii dosya format na dönü ümü.................................................39
>ekil 5.6 Datalar n .dat dosya format na dönü ümü...................................................40
>ekil 5.7 128 pencereye ayr lm Spindle bulunan EEG sinyalinin Welch
yöntemi sonucu güç spektrum yo unlu u....................................................52
>ekil 5.8 Zaman domeni için tasarlanan ve en yüksek s n flama do rulu u elde
edilen YSA Mimarisi……………………………......................................................62
>ekil 6.1 Spindle bulunan 1 Epokluk ( 30 saniyelik ) EEG i areti.............................63
>ekil 6.2 Spindle bulunmayan 1 Epokluk ( 30 saniyelik ) EEG i areti......................64
>ekil 6.3. Zaman domeninde lineer da l m gösteren grafik.....................................76
xi
>ekil 6.4. Frekans domeninde non-lineer da l m gösteren grafik............................77
>ekil 7.1. Zaman domeninde lineer da l m gösteren grafik.....................................79
>ekil 7.2 Frekans domeninde non-lineer da l m gösteren grafik.............................80
xii
TABLOLAR L STES
Tablo 3.1 EEG dalga ekilleri.....................................................................................10
Tablo 4.1 Ya a göre uyku evrelerinin da l m ……………….................................24
Tablo 4.2 Standart polisomnografi parametreleri …………….................................26
Tablo 4.3 EEG dalga ekilleri………………….…………………………………...29
Tablo 4.4 Çe itli EEG paternleri.................................................................................29
Tablo 5.1 Hastalara ait istatiksel de erler...................................................................34
Tablo 5.2 Zaman domeni özellikleri...........................................................................43
Tablo 5.3 Frekans domeni özellikleri.........................................................................44
Tablo 5.4 Pencere tipleri ve e itlikleri………….……………….…………..............51
Tablo 6.1 Karma kl k matrisi....................................................................................65
Tablo 6.2 Zaman domeninde Hasta 1’ e ait karma kl k matrisi...............................67
Tablo 6.3 Frekans domeninde Hasta 1’ e ait karma kl k matrisi..............................67
Tablo 6.4 Zaman - Frekans domeninde Hasta 1’ e ait karma kl k matrisi……….68
Tablo 6.5 Yapay sinir a lar kullan larak zaman ve frekans domenlerinde sleep
spindllar n s n fland r lmas sonucu elde edilen sonuçlar. (Hasta 1)…….................69
Tablo 6.6 Zaman domeninde Hasta 2’ e ait karma kl k matrisi...............................70
Tablo 6.7 Frekans domeninde Hasta 2’ e ait karma kl k matrisi..............................70
Tablo 6.8 Zaman - Frekans domeninde Hasta 2’ e ait karma kl k matrisi……….71
Tablo 6.9 Yapay sinir a lar kullan larak zaman ve frekans domenlerinde sleep
spindllar n s n fland r lmas sonucu elde edilen sonuçlar. (Hasta 2)…….................72
Tablo 6.10 Zaman domeninde Hasta 3’ e ait karma kl k matrisi.............................73
Tablo 6.11 Frekans domeninde Hasta 3’ e ait karma kl k matrisi............................73
Tablo 6.12 Zaman - Frekans domeninde Hasta 3’ e ait karma kl k matrisi…..….74
Tablo 6.13 Yapay sinir a lar kullan larak zaman ve frekans domenlerinde sleep
spindllar n s n fland r lmas sonucu elde edilen sonuçlar. (Hasta 3)…….................75
1
1. G R 3
Organizman n
çevreyle
ileti iminin,
de i ik
iddette
uyaranlarla
geri
döndürülebilir bir biçimde geçici, k smi ve periyodik olarak kaybolmas durumu
olarak tan mlanan uyku, insano lunun her zaman çok ilgilendi i konular içerisinde
yer alm t r. Bunun nedeni her birimizin günlük i levselli imizi sürdürebilmek için
uyku uyumaya ihtiyac m z n olmas d r. Günlük aktivitelerimizi devam ettirebilmek
ve gün içerisinde çal malar m zda daha verimli olabilmek için her gün belirli bir
süre uyumam z gerekmektedir (Dursun 2008).
Bu uyku süreci çe itli evreler içermekte ve bu evrelerin karakterize edilmesinde
sinir hücrelerinin olu turdu u elektriksel aktivitelerinin yap sal bile imi rol
oynamaktad r.
Sleep Spindle yani uyku i cikleri, uykunun Non-Rem Evre 2 diye tan mlanan
bölümünün karakteristik dalga eklidir (Dursun 2008).
+ ciklerin olu umu ve i levi hakk nda tam bir fikir birli i olmamakla birlikte
kabul gören iki varsay m vard r. Birinci varsay ma göre i cikler, motor ç k n ve
alg
geçi lerinin bast r lmas
yoluyla uyku halinin sürdürülmesini sa layan
sal n mlard r. +kinci varsay ma göre ise i cikler, talamo-kortikal alanda önceki
deneyimlerin bütünle tirilmesi için gereken i levlerin bir araya getirilmesine
yard mc olur. Hipersomniyak ve insomniyak denekler üzerinde yap lan çal malar
i cik yo unluklar n n hastal
i ciklerin
uyku
n türü ile ba lant l olarak de i ti ini göstermekte ve
sürecini
düzenleyici
i levinin
oldu u
bulgusunu
kuvvetlendirmektedir (Ero ul vd 1999).
T p alan nda hastal klar n te hisinde ve bu alanda yap lan ara t rmalarda
kullan lan EEG (Elektroensefalogram) i aretleri beynin sinirsel aktivitesi sonucu
elde edilen biyoelektrik tabanl i aretlerdir. Bu i aretler beynin fonksiyonlar ve
çal mas ile ilgili çok miktarda bilgi bar nd r r. Bu bilgilerin kullan labilir hale
gelmesi
için
sinyal
i leme
alan ndaki
uzmanlar
çok
çe itli
ara t rmalar
yapmaktad rlar.
EEG
sinyallerinin
problemlerindeki
ba ar l
spektral
uygulama
analizlerine
ek
yöntemlerinden
olarak,
s n fland rma
dolay
yapay
zekâ
2
uygulamalar n n bir çe idi olan yapay sinir a lar (YSA) biyomedikal sinyal i leme
alan nda çal an uzmanlar n s kl kla ba vurdu u bir s n flay c olmu tur.
YSA’nin ö renme yetene i, ara t rmac lar cezbeden en önemli özelliklerinden
birisidir. Çünkü YSA herhangi bir olay hakk nda, do rusal olsun ya da olmas n,
girdiler ve ç kt lar aras ndaki ili kiyi eldeki mevcut örneklerden ö renir ve daha önce
hiç kar la lmam olaylar , önceki örneklerden ça r mlar yaparak olaya çözümler
üretir. + te bu özellik YSA’ daki zeki davran n da temelini te kil eder (Polikar
1999).
1987 y l nda yap lan ilk yapay sinir a lar sempozyumundan sonra YSA
uygulamalar yayg nla m t r. Günümüzde, YSA ile ilgili ara t rmalar yapan çok
say da bilim adam ve ara t rma gruplar vard r ( Batar 2005 ).
Uyku i ciklerinin sezimi ve incelenmesi konusunda farkl
yöntemler
önerilmi tir (Ero ul vd 1999). + cikleri modellemek için Zygierewicz (2000) uyumlu
dalgac k yöntemini kullanm t r. Ero ul vd (1999) dalgac k dönü ümü ile birlikte
Teager enerji i lecini i ciklerin yerinin belirlenmesi için kullanm t r. Görür vd
(2002) k sa zamanl Fourier dönü ümünü öznitelik bulmak için, i ciklerin yerinin
belirlenmesi için de Çok Katmanl
Perseptron ve Destek Vektör Makinesi
kullanm lard r. Duman F. ve arkada lar (2009), çal malar nda EEG sinyallerinin
analizinden sonra karar a ac algoritmas yla uyku i ciklerinin tesbit edilmesi,
yerlerinin kesin olarak bulunmas n
sa lam
ve bunun için üç farkl
yol
kullanm lard r. Bunlar STFT (Shirt Time Fourier Transform), MUSIC (Multiple
Signal Classification) Algoritmas ve TEO (Teager Energy Operator) dur.
Bu tez çal mas nda ise uyku laboratuarlar nda, uyku dönemlerinin belirlenmesi
için çal an uzmanlar n uyku i ci i olarak adland rd klar ve özellikle uykunun
NREM Evre 2 olarak nitelendirilen dönemlerinde ortaya ç kan EEG dalga eklinden
zaman domeni özellikleri ve Welch metodu kullan larak frekans domeninde özellik
ç kart m yap larak YSA ile s n fland r lmas ve sonuçta incelenen sinyalde uyku
i ci i olup olmad
n n bulunmas amaçlanmaktad r.
Bu tez çal mas n n birinci bölümünde konuya giri yap lm
yap lan çal ma
hakk nda tan mlara yer verilmi tir. +kinci bölümde tez konusuyla ilgili yap lan
literatür çal mas bulunmaktad r. Üçüncü bölümde EEG hakk nda bilgi verilmekte
3
dördüncü bölümde ise uyku ve uykunun gece boyunca ya anan evreleri
anlat lmaktad r.
Be inci bölümde çal mada kullan lan materyalden bahsedilmi ve önerilen
sistemin gerçekle tirilmesinde nas l bir metod kullan ld
na yer verilmi tir. Alt nc
bölümde çal mada ortaya ç kan deneysel sonuçlar tart lm t r. Buradan elde edilen
sonuçlar yedinci bölümde de i ik aç lardan irdelenmi ve bu alanda çal ma yapmay
dü ünenlere önerilerde bulunulmu tur.
Son olarak sekizinci bölümde çal mada faydalan lan kaynaklar verilmi tir.
4
2. L TERATÜR ARA3TIRMASI
Sweldens (1994), çal mas nda bir fonksiyonun dalgac k sabitlerini bu
fonksiyonun örneklerinden hesaplanmas üzerine interpolasyon, quadrature e itlik ve
filtreleme metotlar yla uygulamalar sunmu tur.
Anderson ve ark. (1995), çal malar nda EEG i aretleri yard m yla zihinsel
durumun tan mlanmas amac yla yapay sinir a lar kullanm lard r.
Grap (1995), makalesinde geleneksel Fourier metotlar , Dalgac k teorisi ve
analizlerinin geli imini inceleyerek sinyal i leme alan temelli çe itli kar la t rmalar
yapm , ayr ca henüz geli en dalgac k analizinin uygulama alanlar ndan bahsetmi tir.
Kalayc ve Özdamar (1995), giri ve ç k
datas n n sinyalin karakteristik
özelliklerini gösterebilecek ekilde i lenebilmesi durumunda yapay sinir a lar n n
daha iyi sonuç verdi ini gösteren bir çal ma yapm lard r.
Dograhmi ve ark. (1997), çal mas nda EEG kay tlar n n spektral analiz temelli
s n fland r lmas n amaçlayarak elektrot say s n n ve uygulanan spektral analiz
yöntemi özelliklerinin bir s n fland r c gibi kullan lmas konusunu incelemi lerdir.
Mckeown ve ark. (1997), EEG i aretlerinin analizi ve uyar de i ikliklerinin
bulunmas amac yla istatistiksel yöntemler kullanarak bir çal ma yapm lard r.
Jung ve ark. (1998), çal mas nda uyku ve uyan kl k durumlar n n yapay sinir
a lar ile s n fland r lmas nda, ham EEG i aretlerinden ziyade Fourier Dönü ümü
al nm EEG’ nin daha uygun sonuçlar verdi ini gözlemlemi lerdir.
Miner (1998), bu raporda geleneksel Fourier metotlar , Dalgac k teorisi ve
analizlerinin geli imini inceleyerek sinyal i leme alan temelli çesitli kar la t rmalar
yap lm , ayr ca sürekli ve ayr k dalgac k analizi algoritmalar verilmi tir.
Torrence ve ark. (1998), çal malar nda yayg n olarak kullan lan temel dalgac k
fonksiyonlar s n fland r lm , özellikleri verilerek ayr k zaman diziler için sürekli
dalgac k dönü ümü yakla kl
Pencerelenmi
güvenirlik aral
verilmi tir. Sonlu uzunlukta zaman serilerine
Fourier ve Dalgac k dönü ümü uygulayarak istatistik önem ile
analizleri yapm lard r.
Önal ve ark. (1998), EEG sinyallerindeki epileptik sürecin Dalgac k Dönü ümü
yöntemi ile belirlenmesini amaçlayarak bir çal ma yapm lar ve bu çal mada
5
parsiyel nöbet geçiren 3 ya ndaki bir çocuktan al nan gerçek EEG i areti kullanarak
epileptik süreçte özellikle dü ük frekans band V’ n n etkinli ini göstermi lerdir.
Güne
ve ark. (1998), EEG i aretlerine Dalgac k Dönü ümü teknikleri
uygulayarak, Sürekli ve Ayr k Dalgac k Dönü ümlerinin üstünlüklerini göstermeyi
amaçlayan bir çal ma yapm lard r.
Güne
(1999), EEG i aretlerinin Dalgac k Analizi ve di er parametrik
yöntemlerle kar la t r lmas konulu bir tez çal mas yapm t r.
Suleesathira ve ark. (2000), deterministik, dura an olmayan sinyallerin
gösteriminin ayr k evrimsel dönü ümle yap labilirli i konusunda çal m lard r.
Girault ve ark. (2000), çal malar nda dura an olmayan benzetim ve gerçek
sinyaller üzerinde FFT, AR, Zamanla de i en parametrik model yakla m
metotlar n kullanm lar, frekans kestirimi için de kar la t rma maksad yla spektral
a rl k merkezi hesab yla de erlendirmelerde bulunmu lard r.
Güler +. (2001), çal mas nda EEG sinyallerini AR (autoregressive method)
kullanarak analiz etmi tir. Bu çal mada parametreler maksimum olabilirlik kestirimi
(MLE) yöntemi kullan larak belirlenmi tir.
K ym k ve ark. (2004), gerçek zamanl uygulamalar için EEG sinyallerindeki
epileptik sürecin belirlenmesinde STFT (Shirt Time Fourier Transform) ve Dalgac k
Analiz yöntemlerini kapsayan bir çal ma yapm lar ve bu çal mada Dalgac k
Dönü ümü’ nün di er spektral analiz yöntemi olan STFT’ ye oranla daha ba ar l
sonuçlar verdi ini göstermi lerdir.
Ac r N. ve arkada lar (2004), yapay sinir a lar kullanarak EEG de uyku
i ciklerini otomatik olarak tan yan sistemi önermi lerdir.
Álvarez, D., ve arkada lar (2009), çal malar nda apne hipapne sendromunda
apneik olaylar n bulunmas na fuzzy logic tabanl bir çözüm önerisi getirmi lerdir.
Duman F. ve arkada lar (2009), çal malar nda EEG sinyallerinin analizinden
sonra karar a ac algoritmas yla uyku i ciklerinin tesbit edilmesi, yerlerinin kesin
olarak bulunmas sa lanm ve bunun için üç farkl yol kullan lm t r. Bunlar STFT
(Shirt Time Fourier Transform), MUSIC (Multiple Signal Classification) Algoritmas
ve TEO (Teager Energy Operator) dur.
6
3. EEG
3.1. EEG’ nin Tarihsel Geli0imi
Beyinde bir tak m elektriksel faaliyetlerin var oldu u 1875 y l nda Caton adl
bir bilim adam taraf ndan hayvanlar üzerinde yapt
deneyler sonucunda ortaya
at lm t r. 1929 y l nda ise ilk defa insan beyninde elektriksel aktivitenin varl
Alman Psikiyatrist Hans Berger taraf ndan kafaya konulan elektrotlar ve bunlara
ba l bir galvanometre düzene i sayesinde ke fedilmi tir. Dünya bu olay Berger’ in
"Beyin taraf ndan üretilen zay f elektrik ak mlar n grafiksel olarak ka t üzerinde
kaydetmek kafatas n açmadan mümkün olmu tur"
ö renmi tir. Bu geli me devrimsel bir bulu
eklinde yapt
beyan ile
olmu tur. Asl nda Berger, Klinik
Nörofizyoloji ad yla tamamen yeni ve çok önemli bir t bbi bilim dal n ke fetmi tir.
Berger, (1930)’ da ise Elektroensefolagram ad verilen bu dalgalar n gözün
aç l p kapanmas yla de i ti ini ortaya koydu.
Fakat Berger’ in kulland
elektrotlar EEG' nin detayl topografik ölçümü için
çok büyüktüler. Bu durum Gray Walter ad ndaki +ngiliz bilim adam nca bertaraf
edildi. 1936' da kafatas na çok say da küçük elektrod yerle tirilmesi ile beyinde
tümör etraf ndaki elektriksel aktivitenin belirlendi ini ve içindekinin kayboldu unu
ispatlad .
EEG'nin iki boyutlu haritalar n olu turma olas l klar yla peki erek Walter
1957'de toposkopu icat etti. Toposkop, her biri kafatas na tutturulmu bir çift
elektroda ba l 22 katod
k tüp (TV tüpü benzeri) bulundurur. Toposkopun
elektrodlar ve ilgili tüpleri iki boyutlu geometrik düzlem üzerinde ayarland , t pk
her tüpün beyinde belirli alanlar n EEG ölçümlerini olu turan bir k s m ritimlerin
yo unlu unun betimlemesi gibi. Gray Walter deneklerine birkaç zihinsel görev
vererek EEG ritimlerinin farkl yollarla, farkl zamanda ve beynin farkl bölümleriyle
de i ti i sonucunu görmü tür. Örne in, ilk olarak dinlenme halindeki alfa ritminin,
dikkat isteyen zihinsel bir etkinlik esnas nda neredeyse tüm beyinden kayboldu unu
ve daha h zl olan beta dalgalar n n hakim olduklar gözlemlenmi tir.
7
Epileptik noktalar n tespitinde toposkopun büyük yard m
olabilece i
gerçe inin yan s ra çok karma k ve pahal olmas ticari ba ar s n ve yayg n
kullan m n engellemi tir. Beyin elektriksel etkinli inin topografik yakla m 80' li
y llarda masaüstü bilgisayarlar yla birlikte yeniden do mu tur. EEG beyin
topografisi günümüzde renkli beyin haritalamas olarak da an lmaktad r.
3.2. EEG nedir?
Beyinin biyoelektrik aktivitesinin incelenmesine ve uygun amplifikasyon ve
yazd rma
sistemleri
kullan larak
ka t
üzerinde
i lenmesi
yöntemine
elektroensefalografi denir. EEG yöntemini kullanarak beyinde çe itli sebeplerden
dolay ortaya ç kan hastal klar için bazen kesin veriler elde edemezken bazen de
hastal a ait küçük bir veri sonucu te his yap labilmektedir. Baz de i iklikler
hastal a sebep olan durumun saptanmas n sa larken baz de i iklikler de metabolik
olay n çe itleri konusunda bilgi vermektedir.
Bu yöntem beynin yap sal i levlerinden çok fonksiyonel durumu hakk nda bilgi
verir. Bu nedenle yap sal görüntüleme yöntemlerinden MRG (Manyetik Rezonans
Görüntüleme), BT (Bilgisayarl
Tomografi) gibi geli melere ra men önemini
korumaktad r. Bu yöntemler daha çok birbirini tamamlay c i levler olan yap sal ve
fonksiyonel inceleme üzerinde etkili olmaktad rlar. Yap sal inceleme sonucu
gözlemlenen patolojik bulgular n olmad
durumlarda EEG önem ta maktad r.
3.3. EEG Cihaz/n/n Temel Çal/0ma 3ekli ve Uygulanmas/
EEG cihazlar nda genel olarak kafatas n n çe itli yerlerinden ayn anda kay t
yapabilen 8, 16 veya daha fazla say da ayr
amplifikatörler bulunmaktad r.
Amplifikatörler beyinden al nan sinyalleri yükseltirler ve mürekkeple yazan
kalemleri hareket ettirerek veya özel bir ka d yakma yöntemiyle kay t al nmas n
8
sa larlar. Kalemler saniyede 3cm. h zla ilerleyen ka da voltaj de i imlerini çizerler.
Olu an dalgalar n frekans aral
0.5 ile 35 Hz. Aras nda de i mektedir. Böylece
beyin dalgalar n n voltaj zaman grafi i elde edilir. Standart voltaj kalibrasyonu 7
mm. 50 µV olacak ekildedir.
EEG tamamen a r s z ve zarars z bir inceleme yöntemidir. Saçl deriden
kay tlanan
potansiyellerin
ço u
piramidal
hücrelerdeki
toplam
sinaptik
potansiyellerin ekstrasellüler ak mlarla ili kisinin sonucudur. Bu potansiyeller
sonucu al nan kay tlar montaj ad verilen ba lant larla de erlendirilir. Eskiden
kullan lan EEG aletlerinde (yukarda bahsedilen) o andaki kay t ka da yap l r ve
parametreleri sonradan de i tirilemez. Oysa imdi kullan lan dijital EEG cihazlar n n
en önemli avantaj
kay t yap lan montajdan daha sonra di er montajlara
geçilebilmesi, amplitüd ve di er parametrelerin her olgu için ve her bulgu için
yeniden ayarlanarak en sa l kl bilginin sa lanmas d r.
Genelde EEG çekimi yakla k 30 dakika sürer, çekimden önce elektrotlar n
yerle imi çok önemli bir haz rl k a amas d r. Elektrotlar beynin sa ve sol lopuna
göre simetrik biçimde yerle tirilmelidir. Bu da hemisferler aras k yaslaman n
sa l kl yap labilmesi için gereklidir. Loplara yerle tirilen elektrotlar lopun ad n n
ba harfine göre solda tek say ile sa da çift say ile ifade edilir. Örne in sol arka
frontal için F7 sa ön frontal için F4 kullan l r.
Yerle tirilen elektrot say s yakla k 20 civar ndad r. Genelde elektrotlar n
yerle tirilece i noktalar uluslararas 10 - 20 sistemine göre yap l r. Elektrotlar kafa
derisi üzerine uygun yap kan ve elektri i geçiren bir macunla yap t r larak ya da
apka eklinde kauçuk bantlarla s k t r larak yerle tirilir ve baz özel pastalar ya da
tuzlu su ile iletkenlikleri sa lan r.
EEG çekimi öncesinde hastan n saçlar n n temiz olmas önem ta r. EEG
çekimi süresince hasta sakin bir ekilde gözleri kapal oturmal d r. EEG teknisyenin
talimatlar nca hasta gözlerini aç p kapayabilir.
Tüm EEG çekimlerinde hiperventilasyon uygulan r. Bunun sebebi bir epileptik
oda
aktifle tirmektir. Ayr ca EEG’ de uygulanmas gereken önemli bir aktivasyon
da aral kl
k uyar m d r.
9
3.4. EEG De-erlendirilmesi
EEG
bulgular n n
de erlendirilebilmesi
için
öncelikle
normal
EEG
özelliklerinin çok iyi bilinmesi gereklidir. Her EEG çekiminde önce temel aktivite
de erlendirilir. Normal temel aktivite ya la, uyan kl k durumuyla, açl k gibi baz
fizyolojik durumlarla çok belirgin farkl l klar gösterir. Üç ayl k bir bebek için normal
say lan aktivite 3 ya nda bir çocuk için patolojiktir. Ya da derin uykuda olan bir
eri kinin EEG aktivitesi ayn ki i uyan kken görüldü ünde ciddi bir patolojik bulgu
anlam na gelebilir.
EEG de beynin hemisferleri aras nda simetri vard r, bu nedenle iki yar kürenin
k yaslanmas önemlidir. Bunun d nda EEG de erlendirirken en önemli sorun
artefaktlar n ay rt edilebilmesidir. Artefaktlar EEG kayd nda yer alan, ancak
beyinden kaynaklanmayan (göz hareketleri, hareket ve kas artefakt , elektrot
kaymas , terleme gibi) çe itli mekanik-elektriksel potansiyellerin sonucudur.
Deneyimli bir ki inin hemen tan yabilece i baz artefaktlar kolayca patolojik beyin
aktiviteleri san labilir.
EEG çekimi s ras nda hastan n kulland
ilaçlar ve varsa metabolik
problemleri mutlaka kaydedilmelidir. Çünkü baz ilaçlar n ve metabolik durumlar n
EEG üzerinde etkileri belirgindir. Ayr ca epileptik hastan n nöbeti ile EEG çekimi
aras ndaki süre, yani EEG’nin postiktal mi yoksa interiktal dönemde mi yap ld
baz bulgular n yorumu aç s ndan önem ta r.
EEG sonucunda yorum yaparken görülen bulgular tan mlamay ye lemek ve
EEG bulgusu ile klinik tan aras nda yanl
olabilecek bir yak t rma yapmamak
gerekir. EEG de erlendirmesini bu konuda deneyimli uzmanlar n yapmas ancak her
hekimin sonuçlar yorumlayabilmesi gereklidir.
10
3.5. EEG 0aretlerinin Elektriksel Özellikleri
EEG i aretlerinin frekans bile enleri klinik bak mdan oldukça önemli oldu u
gibi, farkl bölgelerden al nan benzer EEG i aretleri aras ndaki faz ili kileri de
say sal anlamda oldukça ilgi çekicidir. Bu türden bilgiler, EEG’ nin kayna n n
incelenmesinde çok faydal olup beyin çal mas ile ilgili daha birçok bilginin elde
edilmesine olanak sa lar. Kafatas na yerle tirilen elektrotlar yard m yla al nan EEG
sinyallerinin genli i tepeden tepeye 1–100 µV ve frekans band ise 0.5 - 35 Hz
aral
ndad r. Ölçümler aç k beyin ameliyatlar gibi durumlarda beyin üzerinden
do rudan al nd
takdirde, genlik de eri 10 kat daha artar. EEG’ de olu an farkl
frekanslar n olu um mekanizmalar henüz tam olarak aç klanamam t r.
EEG, EKG ve EMG i aretlerinde oldu u gibi ekil bak m ndan de il, kapsad
frekanslara göre de erlendirilmektedir. Çünkü EEG i aretleri periyodik de ildir;
genlik, faz ve frekanslar sürekli olarak zaman içerisinde de i ir. Bu sebeple anlaml
bir veri elde edebilmek için ölçümlerin oldukça uzun bir sürede yap lmas gerekir.
EEG i aretlerinin ana frekans ile beyin aktivitesi yak ndan ili kilidir. Aktivite ile
frekans birlikte yükselir. Tablo 3.1, EEG i aretleri, kapsad klar frekans bantlar ve
bu bantlara verilen özel isimler ile birlikte a a daki gibi verilmi tir.
Tablo 3.1 EEG dalga ekilleri
Dalga Tipi
Özelli-i
Beta
> 13 Hz
Alfa
13-8 Hz
Teta
7-3 Hz
Delta
2-0.5 Hz max.
11
3.6. EEG Dalga 3ekilleri
Alfa Dalgalar/: Alfa dalgalar 8–13 Hz aras ndaki beyin dalgalar d r. Uyan k normal
ve sakin kimselerde görülür. Yo un ekilde oksipital bölgede ortaya ç kar, genlikleri
5 µV kadard r. Uyku durumunda yok olurlar. Uyan k ki i dikkatini özel bir eye
yöneltirse [ dalgalar yerine, daha yüksek frekansl , fakat dü ük genlikli EEG
i aretleri (\ dalgalar ) meydana gelir. >ekil 3.1’ de Alfa dalgas görülmektedir
(Yazgan ve Korurek 1996).
>ekil 3.1 Alfa dalga ekli
Beta Dalgalar/: Beta dalgalar , Frekanslar 13 Hz’ in üzerindeki beyin dalgalar d r.
25 Hz’ e ve nadir hallerde 50 Hz’ e kadar uzan rlar. Saçl derinin parietal ve frontal
bölgelerinde belirgin olarak kaydedilebilir. Beta-I (BI) ve Beta-II (BII) diye ikiye
ayr l rlar. BII dalgalar n n frekans , BI’ inkinin iki iki mislidir ve [ dalgalar nda
oldu u gibi zihinsel aktivitenin artmas ile ortadan kalkarlar ve yerlerine dü ük
genlikli asenkron i aretler olu ur. BII dalgalar , merkezi sinir sisteminin kuvvetli
aktivasyonunda veya gerginlik hallerinde ortaya ç kar. >ekil 3.2’ de Beta dalgas
görülmektedir (Yazgan ve Korurek 1996).
12
>ekil 3.2 Beta dalga ekli
Teta Dalgalar/: Teta dalgalar 3–7 Hz aras ndaki dalgalard r. Özellikle, çocuklarda
parietal ve temporal bölgelerde ortaya ç karlar. Yeti kinlerde de duygusal gerginlik,
dü k r kl
durumlar nda ortaya ç karlar. Genlikleri 100 µV (p-p)’ den küçüktür.
>ekil 3.3’ de Teta dalgas görülmektedir (Yazgan ve Korurek 1996).
>ekil 3.3 Teta dalga ekli
Delta Dalgalar/: Delta dalgalar 2–0,5 Hz’ in alt ndaki beyin dalgalar d r. Baz
durumlarda 0,5 Hz’ in alt na da dü er. Süt çocuklar nda ve a r organik beyin
hastal klar nda görülür. Genlikleri–100 µV (p-p)’ den küçüktür. >ekil 3.4’ de Delta
dalgas görülmektedir (Yazgan ve Korurek 1996).
13
>ekil 3.4 Delta dalga ekli
Gamma
Dalgalar/:
Baz
ara t rmac lar
taraf ndan
kullan lmaktad r.
Baz
ara t rmac lar da bu dalgalar n yerine, BII dalgalar n kullanmaktad r. Genlikleri, 2
µV (pp)’ den daha küçüktür. Kafan n merkezinde, genlikleri daha büyüktür.
Uykunun karakteristik belirtisini ta rlar (Yazgan ve Korurek 1996).
14
4. UYKU ve UYKU EVRELER
4.1. Uyku
Uyku insano lunun her zaman çok ilgilendi i konular içerisinde yer alm t r.
Bunun nedeni her birimizin günlük i levselli imizi sürdürebilmek için uyku
uyumaya ihtiyac m z n olmas d r. Günlük aktivitelerimizi devam ettirebilmek için,
verimli olabilmek için her gün belirli bir süre uyumam z gerekmektedir.
Her insan, ömrünün üçte birini uyuyarak geçirir. Her gün ya ad
m z ve
gerçekte büyük bir mucize olan uyku genellikle bilinenin aksine tüm vücut
sistemlerinin pasifle ti i bir dinlenme süresi de ildir. Çünkü uyku esnas nda vücut
aktif bir yenilenme sürecine girer. Tüm bu verilenler
nda uykunun bir tan m n
öyle yapabiliriz.
Uyku; organizman n çevreyle ileti iminin, de i ik iddette uyaranlarla geri
döndürülebilir bir biçimde geçici, k smi ve periyodik olarak kaybolmas durumudur.
Uykunun ba lamas , e zamanl olarak meydana gelen bir dizi faaliyet sonucu
olmaktad r. Retiküler Aktivasyon Sistemi (RAS) ile çevresel sinir sistemi aras ndaki
pozitif geribildirim döngüsünün engellenmesi (ketlenmesi), uyku merkezlerinin
engelleyici etkileri ve uykuyu olu turan kimyasal ajanlar n (nörotransmiterlerin)
birikmesi uyan kl ktan uykuya geçi e yol açmaktad r. Ayr ca, uykuya geçerken vücut
ss
ve kortizol düzeyi dü mekte, melatonin salg s
artmaktad r. Organizma,
“sirkadien ritm” e uygun olarak uykuya giri e haz rlanmakta, sinir sisteminde korteks
alt bölgelerde, locus coeruleus’ da (LC) engellenme ba lamakta, giderek dorsal
raphe çekirdeklerinde (DR) faaliyetin artt
dikkati çekmektedir. Bunun sonucu,
e zamanl olarak derin uyku ortaya ç kmakta, uyku derinle tikçe sinir sistemindeki
engellenme derinle mektedir (Uykuder 1. Uyku Bozukluklar Kongre Kitab , 2008).
Özetle düzenli uyku vücudun performans n art r rken, kronik uykusuzluk
i gücünü azaltmakta ve mental yetenekleri k s tlamaktad r. Uyku döneminde ba ta
merkezi sinir sistemi olmak üzere, solunum, dola m ve kas iskelet sistemi gibi,
organizman n büyük bir bölümünün günlük y pranmas tamir edilmektedir. Uykuda
15
bir
bozukluk
oldu unda
tamir
edilemeyen
sistemler
verimsiz
çal maya
ba lamaktad r.
4.2. Uyku Evreleri ve Uyku Evreleme
Uyku bozukluklar n n tan s için “alt n standart” yöntem olan polisomnografi;
uyku s ras nda, nörofizyolojik, kardiyorespiratuar, di er fizyolojik ve fiziksel
parametrelerin belli bir periyod, genellikle gece boyunca, e zamanl ve devaml
olarak kaydedilmesi”
eklinde tan mlanabilir. (Uykuder 1. Uyku Bozukluklar
Kongre Kitab , 2008)
1968 y l nda Rechtschaffen ve Kales’ in (R&K) editörlüklerini yapt
12
ara t rmac , insan uyku evrelerinin standart terminoloji, teknik ve skorlama el
kitab n haz rlam lard r. Yak n geçmi e kadar uyku evrelerinin skorlamas bu
grubun belirledi i prensipler esas al narak yap lmakta ve sa l kl bir ki ide normal
uyku; NREM 1, 2, 3, 4 ve REM olmak üzere iki ana bölüm ve 5 evreden
olu maktayd .
Amerikan Uyku T bb Akademisi’nin (American Academy of Sleep MedicineAASM), Dr. Iber Conrad ba kanl
nda olu turdu u bir çal ma grubu uzun süren
çal malar sonunda, uyku ve ili kili olaylar n skorlanmas konusunda yeni kurallar
belirlemi ve 2007 y l nda bir manüel olarak yay nlanm t r. Art k günümüzde bu
uzla raporu kurallar esas al nmaktad r. Buna göre;
A. Uyku evreleri uyan kl k (W), evre I (N 1), evre II (N2), evre III (N3) ve REM (R)’
den olu maktad r (Non-REM evre 4 uyku terminolojisinden kald r lm t r).
B. Uyku epoklara göre skorlan r
1. Uyku evrelerinin skorlanmas için 30 saniyelik epoklara ihtiyaç vard r.
2. Her epok bir evre ile isimlendirilir.
3. +ki evre ayn epokta yer al yorsa, epo un yar s ndan fazlas hangi evre ise o
evre olarak adland nl r.
16
4.2.1. Uyku evreleri
4.2.1.1. Evre W (uyan/kl/k evresi)
W evresi, uyan kl k evresidir ve en alert durumdan uykuya dalmak üzere olan
duruma kadar de i en bir yelpaze içerir.
W evresinde, gözler kapal yken genellikle alfa ritmi izlenir. Gözler aç kken
alfa’n n ritmisitesi olmaks z n dü ük amplitudlü aktivite içeren EEG paterni izlenir.
+nsanlar n %10’unda gözler kapal iken alfa dalgalar izlenmez, %lO’unda ise çok
azd r. Bu ki ilerde göz aç k ya da kapal iken EEG paterni ayn d r.
W evresinde, EOG’de 0.5-2 Hz frekans nda h zl göz hareketleri (göz
k rpmalar ) izlenir. Uykuya dalmak üzereyken göz k rpmalar n s kl
yava lar, göz
k rpmalar n yerini yava göz hareketleri al r, bu arada alfa ritmi sebat eder. E er
gözler aç ksa istekli h zl göz hareketleri ya da okuyan göz hareketleri izlenebilir.
Tan/mlar:
Alfa ritmi: 8-13 Hz frekanslardad r. Gözler kapal iken ve oksipital bölgeden al n r,
gözler aç l nca zay flar.
Göz k/rpma: 0.5-2 Hz’ lik vertikal göz hareketleridir.
Okuyan göz hareketleri: Ters istikametlerde önce yava sonra takibinde h zl faz
içeren göz hareketleridir.
H/zl/ göz hareketleri: R evresinde geçerli olmakla beraber uyan k, göz aç k ve ki i
çevreyi gözleri ile tararken de görülür. +rregüler, sert, keskin pikler tarz nda dalgalar
mevcuttur.
>ekil 4.1’ de Uyan kl k (W) evresine ait PSG sinyal kayd bulunmaktad r.
17
>ekil 4.1 Uyan kl k (W) Evresine ait PSG sinyal kayd
4.2.1.2. NREM Evre I
NREM Evre I’ de Verteks keskin dalgalar bulunabilir ama NREM Evre I
evresini skorlamak için gerekli de ildir.
EOG’ de, NREM Evre I’ de yava göz hareketleri izlenir ama NREM Evre I
diye skorlamak için bu art de ildir. NREM Evre I boyunca çene EMG aktivitesi
de i kendir ama s kl kla W evresine göre amplitüdü dü üktür. T pk alfa ritimlerinin
yava
göz hareketlerinden önce ba lamas
gibi uyku latans
alfa ritmi
olu turamayanlara göre daha k sa olabilir. NREM Evre I uyku zaman n n %2 - 5’ ini
içerir. E er ki i uykunun bu evresinde uyand r l rsa etraf nda olup bitenden tamamen
haberdar olmamas na kar n genellikle uyumad
n uyan k oldu unu söyleyecektir.
Tan/mlar:
Yava0 göz hareketleri (SEM): En az 0.5 sn’ nin üstünde bir defleksiyonla ba layan
konjuge, düzenli, sinüzoidal göz hareketleridir.
Dü0ük amplitüd, kar/0/k frekansl/ aktivite: 4-7 Hz’ lik aktivite bask n durumdad r.
Verteks keskin dalgalar/ (V dalgalar/): Maksimum 0.5 saniyelik keskin uçlu
dalgalard r, santral bölgelerden al n r, bazal aktiviteden net olarak ayr labilir.
18
Uyku ba0lang/c/ (sleep onset): W d ndaki herhangi bir uyku evresinin ilk
görüldü ü epoktur (olgular n ço unda, genellikle NREM Evre I).
>ekil 4.2’ de NREM Evre I’ e ait PSG sinyal kayd bulunmaktad r.
>ekil 4.2 NREM Evre I e ait PSG sinyal kayd
4.2.1.3. NREM Evre II
EOG’ de genellikle NREM Evre II’ de göz hareketleri aktivitesi yoktur, ama
bazen SEM sebat eder. NREM Evre II evresinde, EMG amplitüdü de i kendir, ama
genellikle W’ den dü ük hatta R kadard r. Bu evre total uykunun % 45-55’ ini içerir.
Uykunun
bu
evresinde
bilinç,
ki i
uyand r ld
nda
uykuda
oldu unu
hat rlayabilmesine yeterli olacak ekilde EEG paternleri görülür.
Tan/mlar:
K Kompleksi: +yi ay rt edilen negatif keskin ve onu takip eden pozitif komponenti
vard r, toplam süresi 0.5 saniyeden uzundur, maksimum amplitüd frontal
19
derivasyonlardan sa lan r. Bir arousal’
K kompleksine e lik eden arousal kabul
etmek için K kompleksinden sonra en fazla 1 saniye içinde geli mi olmas gerekir.
Uyku i-ci-i: 12-14 Hz’lik (11-16 da olabilir) frekanstad r, 0.5 saniyeden uzun süren,
en yüksek amplitüdün santral derivasyonlardan al nd
pe pe e küçük dalgalardan
olu ur.
Uyku
i cikleri
thalamokortikal
sal n mlar n
güdümüyle
kortekste
gözlemlenebilen geçici dalga biçimleridir. + cik aktivitesi uykunun 2. döneminde
yo un olmak üzere di er NREM uyku evrelerinde nadiren de olsa mevcuttur. Ya n
ilerlemesiyle, ya am boyu var olan uyku i ciklerinin yo unluklar nda azalma,
frekans nda artma görülmektedir (A.Nicolas 2001).
+ ciklerin olu umu ve i levi hakk nda tam bir fikir birli i olmamakla birlikte
kabul gören iki varsay m vard r. Birinci varsay ma göre i cikler, motor ç k n ve
alg
geçi lerinin bast r lmas
yoluyla uyku halinin sürdürülmesini sa layan
sal n mlard r. +kinci varsay ma göre ise i cikler, talamo-kortikal alanda önceki
deneyimlerin bütünle tirilmesi için gereken i levlerin bir araya getirilmesine
yard mc olur. Hipersomniyak ve insomniyak denekler üzerinde yap lan çal malar
i cik yo unluklar n n hastal
i ciklerin
uyku
sürecini
n türü ile ba lant l olarak de i ti ini göstermekte ve
düzenleyici
i levinin
oldu u
bulgusunu
kuvvetlendirmektedir (Ero ul vd 1999).
+ ciklerin geçici rejim özelliklerini ve arka plan EEG (elektroansefalografi)
i aretlerine göre daha dü ük genliklere sahip olmalar gözle ay rt edilmelerini ve
ayr t rmalar n güçle tirir. + ciklerin otomatik sezimi ve dalga biçimlerinin analizi
nesnel olarak de erlendirilebilmeleri için önemlidir (Ero ul vd 1999).
>ekil 4.3’ de K kompleksi ve Uyku i ci i bulunan bir PSG sinyal kayd
bulunmaktad r.
20
>ekil 4.3 K kompleksi ve uyku i ci i bulunan bir PSG kayd
>ekil 4.4’ de NREM Evre II’ ye ait PSG sinyal kayd bulunmaktad r.
>ekil 4.4 NREM Evre II’ ye ait PSG sinyal kayd
21
4.2.1.4. NREM Evre III
NREM evre III’ de uyku i cikleri sebat edebilir. NREM evre III’ de göz
hareketleri tipik de ildir ve EMG amplitüdü de i kendir, s kl kla NREM evre III’
dekine göre dü ük hatta bazen R’ deki kadard r. Bu evre uykunun en derin, en
iyile tirici ve en uygun dinlenme noktas d r. Yava dalgal uyku evresidir. Frekans
0.5-2 Hz aras ndaki sinyaller mevcuttur bu sinyaller Delta dalgalar d r. NREM evre
III’ tüm gece uykusunun %20-25 ini içerir. Ki iyi uyand rmak daha zordur. Bu
esnada derin ve rüyas z bir uyku durumu vard r. Çocuklarda büyüme hormonu
özellikle derin uyku döneminde (Evre III ) sal n r.
Tan/mlar:
Yava0 dalga aktivitesi: Delta dalgalar n n frekans 0.5-2 Hz’ dir. Frontal bölgeden
al nan dalgan n amplitüdü >75 mikro volttur.
>ekil 4.5’ de NREM Evre III’ e ait PSG sinyal kayd bulunmaktad r.
>ekil 4.5 NREM Evre III
22
4.2.1.5. REM Evresi
REM evresindeki dü ük amplitüd, kar k frekansl aktivite NREM evre I’ e
benzer. Baz ki ilerde alfa aktivitesi NREM evre I’ den çok R’ de izlenir. R’ deki alfa
aktivitesi W’ a göre 1-2 Hz daha yava t r.
A a daki fenomenler R evresini, üpheli durumlarda skorlamaya yard mc
olur.
a) Testere di i dalgalar
b) Geçici kas akitivitesi
c) Özellikle gecenin ilk R epizotunda, R’ de K kompleksi ve uyku i ci i
izlenebilir ama h zl göz hareketleri yok ve sadece dü ük EMG söz konusu ise
NREM evre II olarak skorlanmal d r.
Tüm gece uykusunun % 20-25 ini kapsar. EEG’ de dü ük voltajl h zl aktivite
gözlenir. Rüyalar n % 80' inin REM s ras nda görüldü ü bilinmektedir. Bu evrede
görülen rüyalar hat rlan r (bu evrede kal c bellek kayd vard r). 90 dakikada bir, 5-30
dakikal k süreçler halinde ortaya ç kar. REM s ras nda beyindeki kan ak m
üzerindeki çal malar, kan ak m n n ve oksijen
kullan m n n uyan kl a benzer
tarzda art lar gösterdi ine i aret etmektedir. Tüm vücutta kas tonusu azal r. Kalp
at mlar , solunum say s ve kan bas nc düzensizle ir. Baz düzensiz kas hareketleri
(göz hareketleri gibi) olu ur. Bu evre uykunun di er evrelerinin aras na
serpi tirilmi tir.
Tan/mlar:
REM: 0.5 sn’ lik defleksiyonla ba layan konjüge, düzensiz, keskin pikli göz
hareketleridir.
Dü0ük EMG tonüsü: EMG aktivitesi di er herhangi bir evreden daha yüksek
de ildir, genellikle bütün kayd n en dü ük seviyesine sahiptir.
Testere di0i dalgalar: Santral bölgelerden al nan, maksimum 2-6 Hz dalgal keskin
uçlu, üçgenimsi, genellikle REM göz hareketlerine e lik eden dalgalard r.
Geçici kas aktivitesi: Genellikle 0.25 saniyeden k sa süreli bazaldeki dü ük EMG
tonüsüne süperpoze k sa, irregüler EMG aktivitesi patlamalar
eklindedir. Çene ve
23
bacak EMG’ sinde oldu u kadar EEG ve EOG’ de de izlenebilir. Bu aktivite h zl
göz hareketleri ile beraber maksimumdur.
>ekil 4.6’ da REM Evresi’ ne ait PSG sinyal kayd bulunmaktad r.
>ekil 4.6 REM Evresi’ ne ait PSG sinyal kayd
24
4.2.2. Ya0a göre uyku evrelerinin da-/l/m/
Uyku evrelerinin da l m ya la de i kenlik gösterir. REM süresinde ya la
de i iklik olmazken, çocuklar eri kinlere k yasla daha fazla ya l lar ise daha az
yava dalga uykusu (NREM Evre 3) uyurlar. Ya a göre uyku evrelerinin da l m
Tablo 4.1’ de verilmi tir.
Tablo 4.1 Ya a göre uyku evrelerinin da l m
UYKU
ÇOCUK
EVRELER+
GENÇ
YA>LI
ER+>K+N
Uyan k
<
5
>
REM
=
20-25
=
NREM-1
<
1-5
>
NREM-2
=
40-50
>
NREM-3
>
20-25
<
TOPLAM saat
10-12
8-10
6-8
4.2.3. Örnek bir uyku modeli
>ekil 4.7’ deki grafikte sar hat uyan kl k dönemini simgelemektedir. Uyku
ba lang c nda süratle yüzeyel uykudan derin uykuya geçilir. Genellikle uykuya
dald ktan sonra 1 saat içinde NREM döneminin en derin basama
olan üçüncü
basama a girilir. Daha sonra uykunun derinli i azal r ve ilk REM dönemine geçilir.
25
>ekil 4.7 Sekiz saatlik örnek bir uyku süreci
Bu ilk REM dönemi 5-10 dakika devam eder. Bundan sonra NREM ve onu
izleyen REM’ den olu an ve 80–100 dakika süren periyotlar uyku s ras nda pe pe e
4-6 kez meydana gelir. REM’ in toplam süresi, uykunun toplam süresinin % 20-25’ i
kadard r.
Rem döneminde uykunun en hafif dönemine ula r z. Bu noktada uyanma
ihtimalimiz çok yüksektir veya çevremizdeki sesler, hareketler, içimizdeki a r lar
veya üzüntülerle aniden uyan p canlanabiliriz. Tekrar uykuya geri dönersek, bütün
devreler yeniden ba lar.
Uykunun ilk üçte birinde NREM’ in derin basamaklar egemen durumdad r.
Uykunun ortas nda ve ikinci yar s nda yava dalgal uyku süresi k sal r, REM
döneminin süresi ise genellikle uzar.
26
4.3. Polisomnografi
OSAS tan s için “alt n standart” tan yöntemi olan “polisomnografi” (PSG)
Yunanca ye Romence köklerden olu mu bir kelimedir. Bu terim ilk kez 1974
y l nda Holland ve arkada lar taraf ndan kullan lm t r.
"Uyku s ras nda, norofizyolojik, kardiyorespiratuar, di er fizyolojik ye fiziksel
parametrelerin belli bir periyod, genellikle gece boyunca, e zamanl ve devaml
olarak kaydedilmesi" eklinde tan mlanabilir (Uykuder 1. Uyku Bozukluklar Kongre
Kitab , 2008).
Bu yöntemle uyku evreleri ile birçok fizyolojik parametre ayr nt l olarak
izlenmekte ve çe itli organ ve sistemlerin fonksiyonu, uyku ve uyan kl k s ras ndaki
etkile imleri konusunda bilgi sa lanmaktad r.
Tablo 4.2’ de standart PSG parametrelerigörülmektedir.
Tablo 4.2 Standart polisomnografi parametreleri
Standart polisomnografi parametreleri
1. Elekroensefalografi (EEG)
2. Elektraokulografi (EOG)
3. Elektramyografi (EMG-submentalis)
4. Ora-nasal hava ak m
5. Torako-abdominal hareketler
6. Oksijen satürasyonu
7. Elektrokardiyografi (EKG)
8. Elektromyografi (EMG-tibialis.)
9. Vücut pozisyonu
EEG, EOG, submental EMG; uyku evrelemesini, yüzeyel uyku (NREM evre
1,2), derin uyku (evre 3) ve REM uykusunun ayr m n ve bu s rada olu abilecek
patolojik bulgular n de erlendirilmesini sa lar.
27
Ora-nasal hava ak m
ve solunumsal çaban n de erlendirilmesi (torako-
abdominal hareketler) apnenin varl
, tipini (obstriktüf, santral, mikst ayr m ) ve
süresini saptamam z sa lar.
Oksijen
satürasyonunun
desatürasyonlar n varl
izlenmesi,
postapneik
ve/veya
nonapneik
n , derecesini ve süresini saptar.
Nab z ve EKG kayd ile kardiyak patolojilerin (ritim bozukluklar , miyokard
iskemisi, ventriküler hipertrofisi vs.) ve apneik epizotlarla ili kisinin saptanmas
mümkün olur.
EMG tibialis ile, uyku s ras ndaki periyodik bacak hareketleri ara t r l r.
4.4. Uyku Laboratuar/
PSG için ilk gereksinim, yaln zca bir hastan m incelenebilece i, yeterli
geni likte, tuvalet, banyosu bulunan bir uyku odas d r. Çevresel uyaranlar n uyku
üzerine etkisini elimine etmek ve hastan n rahat bir ortamda uyuyabilmesini
sa lamak amac yla PSG, sesten, gürültüden ar nd r lm , klimatize edilmi ve tam
karanl k sa lanabilecek bir odada uygulanmal d r. Rahat bir yatak ve kay t kalitesinin
yüksek olmas için yeterli teknik imkanlar bulunmal d r.
Bir infrared
k kayna
ve dü ük
k video kamera, teknisyene uyku
laboratuar ndaki hastay uzaktan görsel ve i itsel izleme olana
tan r.
4.5. Hastan/n Haz/rlanmas/
Genellikle saat 20.00' de hasta uyku laboratuar na al n r. Hastaya yap lacak
i lem hakk nda bilgi verilir. Daha önceden bro ür, mektup, telefon ve-veya ki isel
görü me ile bilgilendirilmi hastalar n laboratuara uyumu daha iyi olmaktad r.
28
Çal ma öncesi hastan n uyku özellikleri ile ilgili bir anket uygulan r ve çal ma
sonunda hastaya tekrar bir anket uygulanarak gece ki uykusuna yönelik sorgulama
yap l r.
Hastan n normal uyku ritminin kaydedilebilmesi için, çal madan birkaç gün
önce uyku düzenini etkileyen ilaçlar kesilir. Skorlamay önemli ölçüde etkilemeleri
nedeniyle, bu ilaçlar uzun yar lanma ömürleri dikkate al narak çal madan 5-10 gün
önce kestirilir.
Çal ma günü a r fiziksel egzersiz yapmaktan kaç n l r. Hastan n kahve, siyah
çay ve alkol almas yasaklan r. Hafif bir ak am yeme inden sonra uygun bir elbise
giyerek ve tuvalet ihtiyac n gidererek çal ma için haz rlan r.
Teknisyen hastan n vücuduna çe itli sensörler yerle tirir. Ba lant lar kontrol
eder, kalibrasyonlar n yapar. Bu i lem 30-60 dakika süre al r. Hasta yata a al n r ve
k söndürülerek çal ma ba lat l r.
4.6. Hastan/n zlenmesi
Hastan n izlenmesi nörofizyolojik izlem, respiratuar izlem, kardiyovasküler
izlem ve di er parametreler ad alt nda dört ana bölümden olu maktad r. Bu k s mda
özellikle bizim için daha fazla önem ta yan Nörofizyolojik izlem anlat lacak olup
di erlerinden k saca bahsedilecektir.
4.6.1. Nörofizyolojik izlem
PSG' de temel kanallar EEG, EOG ve EMG' dir. Uyku ve uyan kl
olarak gösterilmesinin ba l ca dayana
kaydedildi i EEG' dir.
n objektif
ise beynin elektriksel aktivitesinin
29
4.6.1.1. EEG kanallar/
EEG de erlendirilmesi dalgan n amplitüd ve frekans , bunun yan nda baz
spesifik paternler göz önüne al narak yap l r. EEG aktivitesi alfa, beta, teta ve delta
dalgalar olarak tan mlanabilir. Tablo 4.3’ de EEG dalga ekilleri ve hangi evrelerde
görüldü ü, Tablo 4.4’ de ise çe itli spesifik uyku paternleri görülmektedir.
Tablo 4.3 EEG dalga ekilleri
Dalga Tipi
Özelli-i
Görüldü-ü evre
Beta
> 13 Hz
Uyan k, aktif ki i
Alfa
8-13 Hz
Gözler kapal , sakin
uyan kl k
Teta
3-7 Hz
Hafif uyku
Delta
0.5-2 Hz max.
NREM derin uyku
Tablo 4.4 Çe itli EEG paternleri
EEG Paterni
Özelli-i
Görüldü-ü Evre
Uyku i cikleri
12-14 Hz, >0.5 sn
NREM evre 2
K kompleksleri
Keskin negatif, daha
NREM evre 2
yava pozitif, >0.5 sn
Vertex keskin
Keskin negatif
dalgalar
defleksiyonlar
Nrem evre 1
Uyku EEG si nörolojide kullan lan klinik EEG’ den önemli farkl l klar gösterir.
Ba n üzerine çok say da elektrot yerle tirilen klinik EEG nin aksine uyku EEG’
sinde ba a sadece birkaç elektrot yerle tirilir (En az 1 kanal EEG kayd gereklidir).
30
Ço unlukla da uyku i ciklerinin ve K komplekslerinin en iyi kaydedildi i C3
veya C4 bölgeleri kullan l r.
Alt n veya gümü kapl EEG elektrotlar yüzey temizlendikten sonra 10-20
sistemine göre kollodium ile kafa derisine s k ca yap t r l r. >ekil 4.8’ de bu sistem
ayr nt l olarak gösterilmi tir.
>ekil 4.8 Uluslar aras 10-20 sistemi
REM evresindeki h zl göz hareketlerinin ve erken NREM Evre-I uykusundaki
yava dairesel göz hareketlerinin saptanmas için sa ve sol EOG elektrodlar her iki
göz d kantusuna biri yukar da, di eri a a da olacak ekilde yerle tirilir. Bu ekilde
vertikal göz hareketleri de kaydedilmi olur.
31
4.6.1.2. EOG kanallar/
Uyku s ras nda göz hareketleri kayd n n iki temel nedeni vard r. Bunlar;
1- REM döneminin en karakteristik bulgusu olan h zl göz hareketleri
saptan r. Böylece uyku evrelemesi için çok önemli bir kriter kaydedilmi
olur.
2- Uykunun ba lang c nda görülen yava göz hareketleri (SEM) ve NREM
Evre 1’ e geçi in bulgusudur.
EOG kayd için en az iki kanal gereklidir. Sa ve sol EOG elektrotlar her iki
göz d kantusunun (üst göz kapa
iç ve d kö esinde yer alan deri k vr mlar aras )
hafif letareline (d yan), biri 1 cm yukar da, di eri ise 1 cm a a da olacak ekilde
yerle tirilir. Bu sayede hem horizantel hem de vertikal göz hareketleri kaydedilmi
olur. >ekil 4.9’ da EOG elektrodlar ba lant ekli görülmektedir.
>ekil 4.9 EOG elektrotlar ba lant ekli
Genel olarak bunlar n d nda hastaya EMG aktivitelerinin ölçülmesi için
çeneye ve baca a EMG elektrotlar , dola m sistemi genel bilgisi için EKG
elektrotlar , ora-nasal hava ak m n n ölçülmesi için ora-nasal kanül ve termistör,
oksijen saturasyonunu ölçmek için pulsoksimetre, torako-abdominal hareketler için
gö üs ve kar n kemeri, horlama için horlama sensörü, uyku pozisyonunun
belirlenmesi için ise pozisyon sensörleri tak l r.
32
Tüm bu elektrotlar n tak lmas ndan sonra kay t alma i lemi için haz rlanm
hastan n görüntüsü >ekil 4.10’ da görülmektedir.
>ekil 4.10 Polisomnografi kay t öncesi hasta ba lant lar
4.7. Veri Toplanmas/ (Kay/t)
Klasik PSG uygulamas nda biyolojik sinyaller ka t üzerine mürekkep ile
devaml olarak kaydedilir. Bu ekilde saniyede 10 mm’ lik h zla her kay t sayfas nda
(epok) 30 sn’ lik bir kay t yap lm
olur. Sekiz saatlik bir kay t sonras nda ise bu
sistemle 432 m uzunlu unda ve yakla k 13 kg a rl
nda bir ka t birikmektedir.
Yüksek ka t maliyeti, ka t ve kalemler ile ilgili mekanik problemler, kay t
ka tlar n n saklanmas gibi güçlükler klasik PSG’ nin majör k s tlamalar d r.
Bu nedenle komputerize PSG’ ler geli tirilmi tir. Dijital sistemlerde veriler
DAT kasetlere, optik disklere veya CD’ lere kaydedilerek klasik PSG’ lerin maliyet
33
ve depolama sorunlar a lm t r. Ancak özellikle klinik çal malar için yine de klasik
sistemlere ihtiyaç duyulmaktad r. >ekil 4.11’ de bilgisayar destekli polisomnografi
cihaz n n kay t arayüzü görülmektedir.
>ekil 4.11 Bilgisayar destekli polisomnografi cihaz n n kay t arayüzü
PSG için genellikle uygulanan yöntem tüm gece boyunca (full-night) veya en
az 6 saatlik kay t yap lmas d r. Uykuda solunum bozukluklar n n de erlendirilmesi
için yar gece (half-night veya split-night) çal malar da uygulanm t r. “Split-night”
çal malarda gecenin ilk yar s nda tan , ikinci yar s nda ise CPAP titrasyonu yap l r.
Ancak bu yöntemle uykuda solunum bozuklu unun a rl
yap labilir. Çünkü apne epizodlar n n özellikle s kla t
n saptamada hata
REM dönemine, daha çok
gecenin ikinci yar s nda girilir. Bu nedenle sa l kl olan tüm gece yap lan
çal malard r.
34
5. MATERYAL VE METOD
5.1. Üzerinde Çal/0/lan Veriye Ait Özellikler
Bu çal mada kullan lan EEG sinyalleri; Selçuk Üniversitesi Meram T p
Fakültesi Gö üs Hastal klar Anabilim Dal Uyku Laboratuar na uyku rahats zl klar
sebebiyle ba vuran üç ayr hastadan al nm t r. EEG kay tlar ortalama 7–8 saat
boyunca kafatas üzerine 10-20 sistemine göre yerle tirilmi iki elektrot yard m yla
C3-A2 kanal ndan al nan verilerden olu maktad r. Sinyallerin örnekleme frekans
128 Hz. dir. Hastalar içerisinde Hasta 1 (39 ya nda - kad n)’ den 500 epokluk,
toplam 15000 sn’ lik kay t, Hasta 2 (55 ya nda - kad n)’ den 88 epokluk, toplam
2640 sn’ lik kay t ve Hasta 3 (33 ya nda - erkek)’ den 124 epokluk, toplam 3720 sn’
lik kay t olmak üzere genel toplamda 712 epokluk, 21360 sn. lik (5 saat, 56
dakikal k) kay t al narak çal mada kullan lm t r. Epoklar n 356’ s n n içerisinde en
az bir tane spindle vard r. Burada ad geçen epoklar her biri 30 sn. lik sinyal
parçalar d r.
Tablo 5.1’ de çal mada EEG kay tlar kullan lan hastalara ait istatiksel veriler
bulunmaktad r.
Tablo 5.1 Hastalara ait istatiksel de erler
ADI SOYADI
Hasta 1
Hasta 2
Hasta 3
C NS YET
YA
Erkek
33
Kad n
39
Kad n
55
K LO
83
60
84
BOY
177
158
160
5.1.1. Spindle bulunan epok
>ekil 5.1’ de Hasta 1’ den al nan evre 2 ye ait spindle bulunan bir EEG kayd
görülmektedir.
35
>ekil 5.1 Evre 2 ye ait spindle bulunan epok
5.1.2. Spinle bulunmayan epok
>ekil 5.2’ de Hasta 1’ den al nan rem evresine ait spindle bulunmayan bir EEG
kayd görülmektedir.
>ekil 5.2 REM evresine ait spindle bulunmayan epok
36
5.2. Önerilen Sistemin Ak/0 Diyagram/
Bu tez çal mas nda uyku bozukluklar n n tan s için uyku laboratuarlar nda
hastalardan al nan kay tlardan faydalan larak, uyku evrelerinin belirlenmesinde
özellikle Evre 2 olarak nitelendirilen uyku bölümünün tespit edilmesinde bir i aret
olarak gösterilen sleep spindle yani uyku i ciklerinin bilgisayar yard m yla
bulunmas na yönelik bir yöntem önerilmi tir.
Daha önceki bölümlerde hastan n test için nas l haz rland
, PSG cihaz n n
yap s , hastadan hangi parametrelere ait kay tlar n hangi elektrotlar yard m yla
al nd
anlat lm t .
Bu k s mda PSG cihaz ndan al nan kay tlar n i lenebilir kay tlar haline
getirilmesi süreci >ekil 5.3’ de gösterilen sistemin ak
faydalan larak anlat lacakt r. Bu süreç u ekilde i lemektedir.
diyagram ndan da
37
>ekil 5.3 Önerilen sistemin ak diyagram
5.2.1. EEG de C3-A2 kanal/ndaki sinyalin al/nmas/
PSG cihaz , yakla k boyutu 90 MB. olan ham datalar cihaz n ad n sembolize
eden bir dosya format yla SD kart üzerine kay t eder. Bu dosyan n i lenebilir hale
getirilebilmesi için baz programlar vas tas yla .edf, .ascii ve son olarak da .dat dosya
format na dönü türülür.
+lk olarak dosya, cihaz n kendi ara yüz program sayesinde .edf ( European
Data Format) dosya format na dönü türülür. >ekil 5.4’ de bu dönü türme ara yüzü
görülmektedir.
38
>ekil 5.4 Datalar n .edf dosya format na dönü ümü
Buradan elde edilen .edf dosyas daha sonra EDF to ASCII dosya dönü türme
program ile ASCII dosyas na dönü türülür. >ekil 5.5’ de bu dönü türme ara yüzü
görülmektedir. Dönü türme ara yüzünde kaynak dosya, hedef dosya ve
dönü türülecek EEG kanal seçilerek dönü türme i i yap l r. Biz EEG kanal n
C3-A2 olarak seçtik.
39
>ekil 5.5 Datalar n .ascii dosya format na dönü ümü
Son olarak elde edilen .ascii uzant l dosya Edit Plus adl program yard m yla
aç l r ve .dat dosya format nda farkl
kaydedilerek sinyal i leme s ras nda
kullanaca m z dosya format na ula lm olur. >ekil 5.6’ da görüldü ü gibi hastaya
ait yakla k 8 saatlik veri 4.323.840 adet sat r ve bir sütundan olu an matris
format na dönü türülmü olur.
40
>ekil 5.6 Datalar n .dat dosya format na dönü ümü
5.2.2. Filtreleme
Elimizdeki ham sinyal ilk olarak bir bant geçiren filtreden geçirilir. Sinyalin
filtrelenmesinde 6. dereceden 0,5 Hz – 35 Hz frekans band n geçiren Butterworth
IIR dijital filtre kullan lm t r. Burada seçilen aral k daha önceden de anlat ld
gibi
delta, teta, alfa ve beta olarak tan mlanan EEG sinyallerinin bulundu u frekans
band d r. 0,5 Hz alt ndaki ve 35 Hz üstündeki frekanslar n, rutin saçl deri kay tlar
aç s ndan s n rl bir klinik yarar vard r. Çünkü ço unlukla bu aktivitenin serebral
41
kökenli olup olmad
aç k de ildir (Fisch 1997, Tükel 1979). Bu filtre Matlab da
a a daki alt program ile tasarlanm t r.
5.2.2.1. Filtreleme alt program/
n =6; Wn = [0.5 35]/128;
ftype = 'bandpass';
[b,a] = butter(n,Wn,ftype);
y=filter(b,a,x);
x=y
5.2.3. Segmantasyon
Segmantasyon yakla k 8 saatlik verinin 30 sn süreler ile parçalanmas sa layan
alt program kümesi taraf ndan yap l r. Parçalanan her bir 30 sn lik bölüme bir epok
denir. EEG sinyallerinin uyku laboratuarlar nda incelenmesi 30 sn lik bu sinyal
parçalar üzerinden yap l r. Matlab da segmantasyon u alt program marifetiyle
yap l r.
5.2.3.1. Segmantasyon Alt Program/
k=1;
for i=1:3840:h
for j=0:3839
x_eeg_epok(j+1,k)=x(j+i);
end
k=k+1;
end
x_eeg_epok=x_eeg_epok';
42
5.3. Özellik Ç/kar/m/
Bu tez çal mas nda EEG verilerinin i lenmesinde, pencereleme ve Welch
metodlar , kullan lm t r. Sinyalleri segmentlere ay rmak için kullan lan pencereleme
yöntemi ve sinyalin içerdi i frekans bile enlerini gösteren, güç spektral yo unlu unu
elde edebilmek için kullan lan Welch metodu a a da anlat lm t r.
5.3.1. Zaman domeni özellik ç/kar/m/
Bir i aretin, incelenebilecek olan ve i areti karakterize eden birçok zaman
domeni ölçümü veya parametresi vard r. Bunlar n en önemlisi i aretin ortalama ve
efektif de erleridir.
EEG i aretlerini analiz etmek ve beynin aktiviteleri hakk nda bilgi sahibi olmak
için frekans domeninde oldu u kadar zaman domeninde de pek çok parametre
kullan lmaktad r.
Bu tez çal mas nda zaman domenine ait 6 özellikli uyku i ci i veri kümesini
elde etmek için istatiksel ölçümler kullan lm t r. PSG cihaz ndan elde edilen EEG
sinyallerine ait zaman domeni özellikleri Tablo 5.2’ de özetlenmi tir. Kullan lan
zaman domeni özellikleri: ortalama de er, standart sapma, maksimum tepe de eri,
e rilik, bas kl k ve ekil faktörü özellikleridir.
43
Tablo 5.2 Zaman domeni özellikleri
1.
2.
Ortalama de-er:
Xm =
N
x ( n) N
n =1
Standart sapma:
2
N
X std =
n =1
( x(n) xm )
3.
N 1
Maksimum tepe de-eri: x p = max x( n)
4.
E-rilik (Skewness):
3
N
xske =
5.
n =1
( x( n) x m )
( N 1) x3 std
Bas/kl/k (Kurtosis):
4
N
xske =
6.
n =1
( x ( n) x m )
( N 1) x 4 std
3ekil faktörü (Shape factor):
SF =
xrms
1
N
N
x( n)
n =1
Burada, x(n) , n = 1,2,..., N için bir zaman serisidir. N ise, veri noktalar n n say s d r.
5.3.2. Frekans domeni özellik ç/kar/m/
EEG sinyallerinden frekans domeninde özellik ç kart m i leminde, Welch
metodu pencereleme i leminde ise hamming pencere modeli kullan lm t r ve
Hamming pencere say s
128 olarak seçilmi tir. E itlik 5.1’ de k frekans
domenindeki özellik say s olmak üzere;
k=
nFFT
+1
2
(5.1)
oldu u için elde edilen özellik say s 65 olarak bulunmu tur.
Frekans domenine ait elde etti imiz 65 özellikli uyku i ci i veri kümesinin
boyutunu azaltmak için istatiksel ölçümler kullan larak özellik say m z 4’ e
44
indirilmi tir. Frekans domeni için özellik azalt m nda kullan lan ve Tablo 5.3’ de
özetlenen istatiksel özellikler: ortalama de er, standart sapma, maksimum tepe de eri
ve minimum de erdir.
Tablo 5.3 Frekans domeni özellikleri
1. Ortalama de-er:
Xm =
N
x ( n) N
n =1
2. Standart sapma:
2
N
X std =
3. Minimum de-eri:
n =1
( x(n) xm )
N 1
x p = min x(n)
4. Maksimum tepe de-eri:
x p = max x(n)
5.3.2.1. Welch metodu yard/m/ ile güç spektrum yo-unlu-unun (Power
Spectrum Density-PSD) hesaplanmas/
Spektral analiz bize bir sinyalin frekans içeri i hakk nda bilgi verir. Baz
durumlarda, sinyallerin frekans bilgileri, zaman bölgesi çözümünden daha yararl
aç l mlar sa larlar. EEG, EKG, EMG, EOG gibi pek çok biyolojik sinyal, frekans
bölgesinde i lendi i zaman, ihtiyac m z olan tan sal bilgileri bize rahatl kla sa lar.
Bir sinyalin spektrumunun ba ar s , sinyalin periyodik, sonlu uzunlukta ve gürültüsüz
olmas na ba l d r. Pek çok biyolojik uygulamada, sinyal ya sonsuz uzunlukta yada
analiz için yeterli uzunluktad r. Bu her iki durumda biyolojik sinyallerin analizinde
problem olabilmektedir. Bunun yan s ra, biyolojik sinyaller ço unlukla gürültü ve
artefaktlar ile bozulmu lard r. Oysa gerçek sinyalin bir k sm analiz edilebilse
ve/veya gürültü sinyal boyunca olsa, bütün spektrum analiz yöntemleri mutlaka
gerçek spektruma yakla r. Farkl spektrum analiz yakla mlar özel spektral
özelliklerin yakla m do rulu unu art rmak için çal r (Semmlov 2004).
Genel olarak spektrum yakla m yöntemleri iki grupta incelenmektedir. Welch
metodunun da içinde bulundu u, spektral yakla m veya parametrik olmayan
yakla m olarak adland r lan ilk kategori, spektrumun tamam n n ekli ile ilgilenir.
45
+kinci kategori olan parametrik yakla mda ise spektrumun tamam n n yan nda yerel
özelliklerini de dikkate al r (Semmlov 2004).
Autoregressive
Model
parametrik
spektrum
yakla m n n
en
popüler
yöntemlerinden biridir. Parametrik olmayan yöntemlerin H zl Fourier Dönü ümüne
(HFD) göre avantajlar olmakla birlikte k sa veri uzunluklar nda s n rl frekans
çözünürlükleri dezavantajlar olarak say labilir (Ifeachor ve Jervis 2002).
Sonlu enerjisi olmayan ve dolay s yla Fourier dönü ümü al namayan,
sinyallerin sonlu ortalama güçleri vard r ve güç spektral yo unlu u ile karakterize
edilirler (Proakis ve ark. 1992). Güç spekrum yo unlu u (PSD) di er bir deyi le güç
spektrumunun en basit ekli periodogram ile ifade edilir. Welch metodu periodogram
metoduna yeni düzenlemeler eklenerek elde edilmi bir yöntemdir. Bu sebeple
Welch metodunun daha iyi anla labilmesi için öncelikle periodogram metodu ve
Barlett metodunun anlat lmas faydal olacakt r.
5.3.2.1.1. Periodogram metodu
Güç spektrumu temelde otokorelasyon fonksiyonunun Fourier dönü ümü
olarak da tan mlanabilir. Sonlu enerjisi olmayan ve dolay s yla Fourier dönü ümü
al namayan stabil rasgele sinyaller bir ortalama güce sahiptir ve güç spektral
yo unlu u ile karakterize edilirler (Proakis ve ark. 1992). x(t) dura an rastgele bir
sinyali göstermektedir ve E itlik 5.2’ deki gibi tan mlanabilir.
x(t ) = [ X K ] = [X 0 , X 1 ,....... X N
N örnekli [ X K ] verisinin periodogram
1
]
(5.2)
(PXX ( f )) , [X K ] verisinin Ayr k Fourier
Dönü ümünün ( AFD ) (F ( jw)) karesi olarak E itlik 5.3’ deki gibi tan mlanabilir.
PXX ( f ) = F ( jw)
2
(5.3)
E er N veri noktas var ise en az N noktada AFD hesaplan r ve f K = k N
frekans nda E itlik 5.4’ deki gibi tan mlan r..
46
PXX
1
k
=
N
N
N 1
n =0
x(n )e
j 2 nk
2
N
k = 0,1,...., N 1
(5.4)
Pratik olarak s k örneklenmeyen spektrumlarda sürekli PXX ( f ) yakla m na
göre kayda de er bir sonuç elde edilemez. Bu problemin a lmas PXX ( f ) ’in ek
frekanslarda da hesaplanmas yoluyla sa lanabilir. Ayn
yap larak dizinin uzunlu u artt r labilir ve daha sonra
ekilde, s f r eklemesi
PXX ( f ) daha yo un
frekanslarda hesaplanabilir. Böylece veri dizisinin büyüklü ü L noktaya artt r larak L
noktada AFD al n r. Bir sinyale s f r eklenmi
ve L > N noktada AFD’ si
hesaplanm olmas spektral yakla mda frekans çözünürlü ünü iyile tirmemektedir.
Bu yanl zca daha yüksek frekansta, ölçülen spektrumun interpolasyonunu sa lar.
Spektral yakla mda, frekans çözünürlü ü PXX ( f ) veri kayd n n N uzunlu u ile
tan mlan r (Proakis ve ark. 1992).
5.3.2.1.2. Bartlett metodu
Periyodogramdaki varyans indirgemek için önerilen Bartlett metodu üç
ad mdan te ekkül etmi tir. Birinci ad mda, N noktal veri dizisi üst üste binmeyen K
tane segmente bölünür. Her bir segmentin uzunlu u M olan K tane veri segmenti için
veri yap s :
X % (n ) = X (n + iM )
i = 0,1,...., K 1
n = 0,1, …, M - 1
(5.5)
E itlik 5.5’ deki gibi tan mlan r ve periodogram hesab her bir segment için ayr ayr
yap l r.
1
P (f )=
M
i
XX
M 1
n=0
x % (n )e
2
j 2 fn
i = 0,1,...., K 1
(5.6)
47
Bartlett güç spektrumun yakla m n hesaplamak için ise K tane segmentin
periodogramlar n n ortalamas al n r (Proakis ve ark. 1992). E itlik 5.7 elde edilir.
B
(f )=
PXX
1
K
K 1
i =0
i
(f )
PXX
(5.7)
5.3.2.1.3. Welch metodu (Modifiye edilmi0 periodogramlar/n ortalamas/)
Welch metodunda Bartlett metoduna göre iki yeni revizyon yap lm t r. +lk
olarak Welch metodunda veri segmentlerinin üst üste binmesine izin verilmektedir.
Bundan ba ka her segmente pencereleme i lemi uygulanmaktad r (Proakis ve ark.
1992). Welch metodunda veri segmentleri E itlik 5.8’ deki gibi ifade edilebilir.
X i (n ) = X (n + iD )
i = 0,1,...., L 1
n = 0,1, …, M - 1
(5.8)
ifadede i.D, i. segment için ba lang ç noktas olarak verilmi tir. D=M olmas halinde
segmentlerde üst üste binme yoktur. D=M/2 olmas halinde ise ard k veri
segmentleri aras nda %50 üst üste binme vard r ve L=2K olarak bulunur (Proakis ve
ark. 1992). E er üst üste binme %50 - %75 civar nda olursa, verinin en çok özelli i
muhafaza edilmi olur (Ifeachor ve Jervis 2002).
Welch metodunda Bartlett metoduna göre yap lan ikinci revizyon ise
periodogram n hesaplanmas için veri segmentlerinin pencerelenmesidir. Sonuç
olarak her segment için düzenlenmi periodogram, E itlik 5.9’ daki
1
P (f )=
MU
i
XX
M 1
n =0
x% ( n ) w ( n ) e
2
j 2 fn
i = 0,1,...., L 1
(5.9)
ifadeyle tan mlan r. +fadede w(n) pencere fonksiyonu ve U da pencere
fonksiyonundaki güç için normalizasyon faktörüdür.
U=
1
M
M 1
n =0
w(n )
2
(5.10)
48
Welch güç spektrum yakla m , bu revize edilmi
periodogramlar n
ortalamas d r (Proakis ve ark. 1992). E itlik 5.11’ de görülmektedir.
L 1
1
L
W
(f )=
PXX
i =0
i
(f )
PXX
(5.11)
Welch yakla m n n sonucu olarak ula lmak istenen de er,
[
]
W
(f ) =
E PXX
1
L
L 1
i =0
E [Pj ( f )] = E [Pj ( f )]
(5.12)
E itlik 5.12 yard m yla bulunur. Burada bulunan de er Bartlett metodu ile bulunan
de er ile ayn d r. N
ve M
olursa, bu de er gerçek güç spektral
yo unlu una yak nsar. + te bu sebeple büyük N ve M de erleri için Welch güç
spektrum yo unlu u tarafs zd r. Bu ko ullar alt nda Welch metodunun varyans s f ra
yak nsar (Ifeachor ve Jervis 2002).
Ayr ca Welch metoduna göre L=K durumunda üst üste binme,
var[PW ]
1 2
P (f )
K
(5.13)
E itlik 5.13’ deki gibi ifade edilir. Bu de er ayn ko ullar alt ndaki Bartlett
varyans na e ittir. %50 binme oldu u zaman ise a a daki gösterilir. Bu de er
Bartlett varyans ndan daha azd r ve E itlik 5.14’ deki gibi ifade edilir. (Ifeachor ve
Jervis 2002, Proakis ve ark. 1992)
var[PW ]
9
P2( f )
8L
(5.14)
49
5.3.2.1.4. Welch yöntemi ile frekans domeni özelliklerini bulan alt program
kodlar/
for i=1:r,
x_eeg_epok_1welch(i,:)=pwelch(x_eeg_epok(i,:),128, 64, 128, 128)';
end
x_eeg_epok_1welch=x_eeg_epok_1welch';
[q,k]=size(x_eeg_epok_1welch);
for p=1:k,
eeg_1_feature_7(:,p)=min(x_eeg_epok_1welch(:,p),[],1);
eeg_2_feature_8(:,p)=max(x_eeg_epok_1welch(:,p),[],1);
eeg_3_feature_9(:,p)=std(x_eeg_epok_1welch(:,p),0,1);
eeg_4_feature_10(:,p)=mean(x_eeg_epok_1welch(:,p),1);
end
eeg_1_feature_7=eeg_1_feature_7';
eeg_2_feature_8=eeg_2_feature_8';
eeg_3_feature_9=eeg_3_feature_9';
eeg_4_feature_10=eeg_4_feature_10';
5.3.2.2. Pencereleme metodu
Pencereleme i leminin amac , spektral s zma ve lekelenmelerin zararl
etkilerini uygun bir pencere yard m yla en aza indirmektir (Semmlov 2004). Bir
sinyal sonsuz uzunlukta bir segment de olsa ya periyodiktir ya da periyodik de ildir.
Bunun yan s ra benzer dalga ekillerinin sadece belirli bir bölümü s n rl belle e
sahip bir bilgisayara sunulabilir ve bu durumda da dalgan n nas l parçalara ayr laca
önem kazan r (Hayes 1996).
50
En basit haliyle bir segment basitçe bir dalga eklinden kesilir ve bu bütün
veriye rectangular pencerenin uygulanmas ile ayn d r. Analiz sadece dalgan n
pencerelenmi bölümü ile s n rl d r. Rectangular d ndaki pencere ekilleri, istenilen
ekille dalgan n zaman domeninde çarp lmas d r (Semmlov 2004).
Bunun yan nda pencereleme, hem zaman domeninde (veri pencereleri) hem de
frekans domeninde (frekans pencereleri) yap labilir. Çünkü zaman domeninde
çarpma frekans domeninde konvolüsyon i lemi ile ayn d r. Frekans domeninde
pencereleme, frekans domeni penceresi ile sinyal spektrumunun konvolüsyonu
eklinde uygulan r (Ifeachor ve Jervis 2002).
Güç spektrumu yönteminde pencere seçimi etkili bir faktördür. Çünkü bir veri
seçildi i zaman pencerenin frekans karakteristi i spektral sonucun bir parças olur.
Bütün pencereler iki tip artefakt üretir: analob (mainlob) ve yanlob (sidelob)
(Semmlov 2004). Pencere taraf ndan üretilen artefakt pencerenin Fourier dönü ümü
al narak bulunabilir. Gerçek spektrum analob denilen artefakt ile geni letilir ve yan
lob ad verilen ek pikler üretilir. E er i lem, yak n frekans uzay ndaki iki dar bantl
sinyalin çözümünde ise en dar bantl pencere (rectangular) tercih edilir. Bir güçlü ve
bir zay f sinyal söz konusu ise güçlü sinyallerin yan loblar n n zay f sinyaller
taraf ndan yok edilmesini önlemek için h zla azalan yan loblar olan pencereler tercih
edilir. E er iki tane orta derecede güçlü sinyal var ise (bunlardan biri zay f sinyale
daha yak n di eri daha uzak oldu u zaman) orta derecede dar analob ve orta
derecede zay flayan loblar en iyi çözümdür. Genellikle bir sinyale hangi tipte
pencere uygulanaca n n bulunmas
için farkl
tipte pencerelerle denemeler
yap lmas gerekmektedir (Semmlov 2004). Tablo 5.4’ de en s k kullan lan pencere
tipleri ve e itlikleri verilmi tir (Stearns ve David 1988).
51
Tablo 5.4 Pencere tipleri ve e itlikleri
5.3.2.2.1. Pencereleme i0lemi
Bant geçiren filtre’den geçen EEG sinyallerinin her biri çerçevelere bölünür.
Bu çal mada pencereleme i leminde hamming pencereleme metodu kullan lm t r.
E itlik 5.15’ de Hamming pencereleme metoduna ait e itlik verilmi tir.
Wn =
0.54 0.46*cos ( 2* * n / ( N 1) )
0
0 n<N
yada
>ekil 5.7’ de 128 pencereye ayr lm
(5.15)
Spindle bulunan EEG sinyalinin Welch
yöntemi sonucu güç spektrum yo unlu u görülmektedir. Burada bulunan pikler
spindle olarak belirtilen frekans aral
spinle bulundu unu gösteriyor.
nda bile enler oldu unu yani bu epok üzerinde
52
>ekil 5.7 128 pencereye ayr lm Spindle bulunan EEG sinyalinin Welch yöntemi
sonucu güç spektrum yo unlu u
5.3.3. Özellik azalt/m/
YSA için giri vektörünün seçimi, gerçekten önemli bir konudur. Giri ler kötü
seçildi inde kullan lan bu kötü giri lerle, en iyi s n fland r c
bile beklenen
performans göstermeyebilir. Bu nedenle s n fland r lacak veriyi en iyi temsil edecek
ekilde YSA’ n n giri vektörlerinin seçimi yap lmal d r (Güler ve Übeyli 2005).
Özellik seçme ve boyut azalt m yöntemleri; veri kümesinde bulunan ilgisiz
veya gereksiz özellikleri uzakla t rmak ve veri da l m n
daha uygun ve
ayr t r labilir bir hale getirmek için uygulan r. Bu sayede, s n fland r c n n hem
hesaplama maliyeti azalmaktad r hem de s n flama performans artmaktad r.
Bu çal mada özellik azalt m EEG sinyallerinin frekans domeni özellikleri
üzerinde istatiksel ölçümler kullan larak yap lm t r.
53
5.4. Yapay Sinir A-lar/ Kullan/larak Uyku -ciklerinin S/n/fland/r/lmas/
Bu k s mda hastadan al nan ve i lenebilir veriler haline getirilen kay tlar n,
çe itli metodlarla i lendikten sonra ak
a amas
diyagram nda son k s m olan s n flama
anlat lacakt r. Öncelikle s n fland rmada kullan lan yapay sinir a lar
hakk mda bilgi verilerek s n flaman n safhalar anlat lacakt r.
5.4.1. Yapay sinir a-lar/
Pek çok tan m bulunan yapay sinir a lar basit olarak, beyindeki sinirlerin
çal mas ndan esinlenilerek sistemlere ö renme, hat rlama, bilgiler aras nda ili kiler
olu turma gibi yetenekleri kazand rmay amaçlayan bilgi i leme algoritmalar d r.
Yapay sinir a nda hesaplamalar, ö renme ad verilen süreçle yap lmaktad r.
+yi bir ba ar m elde edebilmek için, sinir hücresi, nöron veya i leme birimi ad
verilen, basit hesaplama hücreleri aras nda uygun ba lant lar kullan r. Nöronlar,
ba lant lar üzerinden i aret göndererek birbirlerini etkiler. Bu ba lant lar n herbirinin
kendine özgü bir a rl k katsay s vard r. Uyarlamal hesaplanabilen bu a rl klar,
bilgiyi, do ru olarak bildirir. Genellikle bilgi, a boyunca da ld
a rl klar n
için, ba lant
önceden belirlemek mümkün de ildir. Bu sebeple, a rl klar n
de i tirilece i bir ö renme i lemi gereklidir. Haykin (1999) taraf ndan yap lan
tan mda; “ Bir sinir a , basit i lem birimlerinden olu an, deneyimsel bilgileri
biriktirmeye yönelik do al bir e ilimi olan ve bunlar n kullan lmas n sa layan
yo un bir ekilde paralel da t lm bir i lemcidir.” denilir.
Bu i lemcinin beyin ile benzerlik gösteren iki özelli i vard r:
1. Bilgi, a taraf ndan bir ö renme süreciyle çevreden elde edilir.
2. Elde edilen bilgileri biriktirmek için sinaptik a rl klar olarak da bilinen nöronlar
aras ba lant güçleri kullan l r (Yurto lu, 2005).
A n bilgiyi ortamdan almas n sa layan ö renme i lemi, ö renme algoritmas
ad yla bilinen, a n sinaptik a rl klar n güncelleyerek istenen modele ula lmas n
54
sa layan fonksiyonlard r. Ö renme i lemi üç tiptir: e iticili ö renme, e iticisiz
ö renme ve özdenetimli ö renme. Bu ö renme ekilleri, a daki a rl klar e itmek
için hata i areti kullan larak tan mlan r. E iticili ö renmede, ortam n d ndan bir
e itici, her ç k nöronu için hata üretir. E iticisiz ö renmede, hata i areti üretilmez,
bunun yerine, a rl klar de i tirmek için kullan lmak üzere, nöronlar aras ndaki
hatalar üretilir. Özdenetimli ö renmede ise sistem, giri lerin istatistiksel düzenini
belirledikten sonra, s n flamay ba aracak beceriyi olu turur.
E iticili ö renmede, nöronlar birle tiren a rl klar, e itici taraf ndan ayr nt l
hata bilgileri a a uygulanacak ekilde yerle tirilirler. Pekçok durumda a , giri -ç k
çiftleri kullan larak e itilir. Bu ö renme i leminin performans , e itim kümesi
kullan larak istenen sonuca ula labilmesi ve e itilen a n genelle tirilebilmesiyle
ölçülür.
5.4.1.1. Çok katmanl/ alg/lay/c/ yapay sinir a-lar/
Yapay sinir a lar , hücrelerin birbirleri ile çe itli ekillerde ba lanmalar ndan
olu ur. Hücre ç k lar , a rl klar üzerinden di er hücrelere ya da kendilerine giri
olarak ba lanabilir ve ba lant larda gecikme birimi de kullan labilir. Hücrelerin
ba lant
ekillerine, ö renme kurallar na ve aktivasyon fonksiyonlar na göre çe itli
YSA yap lar geli tirilmi tir .
Geri yay lmayla e itilen çok katmanl alg lay c (Rumelhart ve McClelland,
1986), yapay sinir a
s n fland r c lar içinde en ünlüsü ve en yayg n kullan lan d r.
Lineer olmayan aktivasyon fonksiyonlu ve tek gizli katmanl a lar n en çok kabul
gören s n fland r c lar oldu u bilinmektedir. Do ru biçimde e itildiklerinde, herhangi
bir örüntüyü belirleyen özellik kümesini giri
vektörü olarak al p, istenilen
s n fland rmay yapabilecek güce sahiptirler. Çok Katmanl Alg lay c (ÇKA) Sinir
A lar çok çe itli tan ma ve tahmin görevlerini yerine getirmek için kullan lan
parametrik olmayan tekniklerdir (Hayk n 1994, Basheer ve Hajmeer, 2000,
Chaudhuri ve Bhattacharya, 2000). Ö renme ve genelleme yetene i, dü ük e itim
gereksinimleri, e itimden sonra h zl i lem yapabilme ve kolay gerçekle tirim gibi
özelliklere sahiptirler. Bir ÇKA Sinir A , giri de i kenlerini temsil eden dü ümlere
55
sahip giri katman farkl s n flara temsil eden ç k katman ve verilerdeki do rusal
d l
yakalamak için dü ümler içeren bir veya daha fazla gizli katmandan olu ur.
Gizli katmandaki her j dü ümü, kendilerine gelen her
a rl
yla çarpt ktan sonra toplayarak ç k
x i sinyalini ilgili w ji
de erini E itlik 5.16’ daki toplam
fonksiyonu ile hesaplar (Sa ro lu 2003).
yj = f (
w ji xi )
(5.16)
Yukar daki e itlikde f, dü üme gelen tüm sinyallerin a rl kl toplam n bir
ç k de erine dönü türen aktivasyon fonksiyonudur.
Aktivasyon fonksiyonu olarak kullan labilecek birkaç seçenek vard r. Bu tez
çal mas nda Sigmoid fonksiyon kullan lm t r. Bu fonksiyon E itlik 5.17’ de
görülüyor.
f (net i ) =
1
1+ e
neti
Qo
(5.17)
E itlik 5.17’ de Q0 terimi, sinir hücresinin s cakl k de eridir. S cakl k ne kadar
büyükse, Sigmoid fonksiyonu o kadar yava olur. Çok küçük s cakl klarda ise bir
ad m fonksiyonuna dönü ür.
Giri
örüntülerinin uygun s n fland r lmas
için gerekli bilgi, a rl klar
taraf ndan tutulur. +lk ba ta, belirli bir problem için a rl klar bilinmez. Uygun
a rl klar bilinmedi i sürece a hiçbir zaman sorunu çözemez. Uygun a rl klar
bulma i lemine e itme denir. E itme i lemi, bir grup giri vektörüne kar l k gelen
uygun s n flar n a a verilmesiyle gerçekle ir. Bu ekilde, her giri vektörüne kar l k
beklenen ç k lar n a a verilmesi i lemine ö retici yard m yla e itme denir
(Sa ro lu 2003).
A n e itilmesi i lemi, e itme setindeki vektörlerin yanl
s n fland r lmas
oran belirli bir s n r de erin alt na ininceye kadar devam eder. A , gerçekte ona
ö retildi inden ba ka bir problemi çözemez. E er e itme kümesi iyi seçilmi se ve
56
e itme algoritmas etkinse, a e itme seti d ndaki verilere de belli oranda do ru
olarak s n fland rabilir. Bu kavram a n genelleme yetene i olarak bilinir.
Yapay sinir a lar n n tan ma i leminde kullan lmas iki a amada dü ünülebilir.
E itme a amas nda, a a rl klar problem kümesinin özelliklerini yans tacak ekilde
adapte edilir. +kinci a ama test a amas d r ve a rl klar e itme i leminin sonundaki
de erlerini korur. A a e itme setinden farkl
test verileri yüklenir ve bir
s n fland rma yapmas beklenir.
Bir a
e itme i lemi, önceden tespit edilmi beklenen bir de ere ula ana kadar
devam eder. Bu bizi a n toplam hatas kavram na götürür. Ö retici yard m yla
e itmede, elimizdeki e itme seti için beklenen de eri bilmemiz gerekir. Bu yüzden
e itme setinin uygun seçimi, ba ar l bir s n fland rma i lemi için çok önemlidir.
E itme seti uygun boyda olmal ve problem uzay n tam olarak yans tmal d r
(Sa ro lu 2003).
Geri yay lmal e itim algoritmas nda, ortalama kare hatas (mean squared error)
olarak bilinen hata kriteri olabilir (Rumelhart ve McClelland 1986). Asl nda bu
fonksiyon tek hata kriteri de ildir. Sürekli ve diferansiyel ba ka bir hata fonksiyonu
da kullan labilir. Fakat ba ka fonksiyon seçerken dikkatli olunmal d r, çünkü bu yeni
fonksiyon i lemlere ek yük getirebilir. Ayr ca seçilen fonksiyon, beklenen ve
gerçekte olu an ç k
de erleri aras nda anlaml bir fark ölçümü sa lamal d r.
Ortalama kare hatas fonksiyonu E itlik 5.18’ deki gibi tan mlan r.
Ep =
1
2
N
j =1
2
(t pj
(5.18)
O pj )
Burada, Ep, p vektör için hatay , tpj j sinir hücresi için beklenen de eri (yani e itme
setindeki ilgili ç k
de erini) ve Opj, j ç k
dü ümünün gerçek de erini
göstermektedir. Hatalar n karesini almakla, beklenen de erden uzakta olan ç k
de erlerinin toplam hatay
olu turmas
büyütürsek, bu etki daha da artacakt r.
sa lanmaktad r. E er üssü daha çok
57
5.4.1.2. Levenberg – Marquardt algoritmas/
Geriye yay l m algoritmas , yapay sinir a lar nda en çok kullan lan
algoritmad r. Geriye yay l m ö renmesi s ras nda a , her giri örüntüsünü, ç k
nöronlar nda sonuç üretmek üzere gizli katmanlardaki nöronlardan geçirir. Daha
sonra ç k
katman ndaki hatalar bulabilmek için, beklenen sonuçla, elde edilen
sonuç kar la t r l r. Bundan sonra, ç k
hatalar n n türevi ç k
katman ndan geriye
do ru gizli katmanlara geçirilir. Hata de erleri bulunduktan sonra, nöronlar kendi
hatalar n azaltmak için a rl klar n ayarlar. A rl k de i tirme e itlikleri, a daki
performans fonksiyonunu en küçük yapacak ekilde düzenlenir.
+leri
beslemeli
a larda
kullan lan
ö renme
fonksiyonunu en küçük yapacak a rl klar
algoritmalar ,
performans
ayarlayabilmek için, performans
fonksiyonunun gradyenini kullan rlar. Geriye yay l m algoritmas da, a boyunca
gradyen hesaplamalar n geriye do ru yapar. En basit geriye yay l m ö renme
algoritmas gradyen azalmas algoritmas d r. Bu algoritmada a rl klar, performans
fonksiyonunun azalmas yönünde ayarlan r. Fakat bu yöntem, pekçok problem için
çok yava kalmaktad r. Bu algoritmadan daha h zl , daha yüksek performansl
algoritmalar da vard r.
H zl algoritmalar genel olarak iki kategoriye ayr labilirir. +lk kategorideki
algoritmalar, deneme yan lma tekniklerini kullanarak, standart gradyen azalmas
(steepest descent) yönteminden daha iyi sonuçlar verebilir. Deneme-yan lma
i lemlerini kullanan geriye yay l m algoritmalar ; momentum terimli geriye yay l m,
ö renme h z de i en geriye yay l m ve esnek geriye yay l m algoritmalar d r. H zl
algoritmalar n ikinci kategorisindeki algoritmalar, standart say sal optimizasyon
yöntemlerini kullan r. Bu algoritmalar; e lenik gradyen ö renme algoritmas ,
Newton ö renme algoritmalar ve Levenberg – Marquardt ö renme algoritmas d r.
Ö renme algoritmalar , kendisinden önce geli tirilen algoritmalara alternatif
olarak ortaya ç km t r ve önceki algoritmalar n iyi yönlerini geli tirip, kötü yönlerini
azaltmaya yönelmi tir. Levenberg – Marquardt algoritmas da, Newton ve Gradyen
Azalmas algoritmalar n n en iyi özelliklerinden olu ur ve k s tlamalar n ortadan
kald r r.
58
E lenik gradyen ö renme algoritmas na alternatif olarak sunulan Newton
yöntemlerinde, temel ad m Hessian matrisini elde etmektir. Hessian matrisi,
performans fonksiyonunun a rl klara göre ikinci dereceden türevlerinden olu an bir
matristir. Hessian matrisi, a rl k uzay n n farkl
do rultular ndaki gradyen
de i imini gösterir.
H (n) =
2
E ( n)
w (n 1)
(5.19)
2
Burada H Hessian matrisi, E performans fonksiyonu, w a n sinaptik a rl
d r.
Performans fonksiyonu, duruma göre toplam ani hata veya ortalama karesel hata
olarak al nabilir.
E ( n ) = Eort (n) =
1
N
N
1
e 2j ( n )
n =1 2 j! C
(5.20)
Burada N e itim kümesindeki toplam örüntü say s n , ej hata i aretini, C a n ç k
katman ndaki bütün nöronlar içeren kümeyi göstermektedir. dj istenen de er, yj a n
çk
olmak üzere hata i areti,
e ( n) = d j ( n) y j ( n)
(5.21)
olarak bulunabilir. Hessian matrisi hesapland ktan sonra, tersi bulunarak a rl klar
yenilenebilir. Ancak Hessian matrisi çok karma k ve ileri beslemeli bir yapay sinir
a
için hesaplanmas zor bir matristir. Newton yöntemlerinin içinde, ikinci
dereceden türevlerin hesaplanmadan i lem yap lan bir s n f vard r. Bu s n ftaki
yöntemler,
Quasi–Newton
yöntemleri
olarak
adland r l rlar.
Quasi–Newton
yöntemleri, algortiman n heriterasyonunda, Hessian matrisinin yakla k bir eklini
kullan r.
Levenberg–Marquardt algoritmas da Quasi–Newton yöntemleri gibi, Hessian
matrisinin yakla k de erini kullan r. Levenberg–Marquardt algoritmas için Hessian
matrisinin yakla k de eri u ekilde bulunabilir:
59
H ( n) = J T ( n) J ( n) + µ I
(5.22)
E itlik 5.22’ da µ Marquardt parametresi, I ise birim matristir. Burada J matrisi,
Jakobien matrisi olarak adland r l r ve a
hatalar n n a rl klara göre birinci
türevlerinden olu ur:
J (n) =
E itlik 5.23’ de e, a
e ( n)
(5.23)
w ( n 1)
hatalar vektörüdür. Jakobien matrisi, hesaplamada
Hessian matrisinden daha kolay oldu u için tercih edilir. A n gradyeni,
g (n) = J T (n) e ( n)
(5.24)
olarak hesaplan r ve a rl klar E itlik 5.24’ e göre de i tirilir:
w ( n + 1) = w ( n ) "$ H ( n ) #% g ( n )
1
(5.25)
Marquardt parametresi, µ, skaler bir say d r. E er µ s f rsa, bu yöntem yakla k
Hessian matrisini kullanan Newton algoritmas ; e er µ büyük bir say ise, küçük
ad ml gradyen azalmas yöntemi haline gelir. Newton yöntemleri, en küçük hata
yak nlar nda daha h zl ve kesindir. Her ba ar l ad mdan sonra, yani performans
fonksiyonunun azalmas nda µ azalt l r ve sadece deneme niteli indeki bir ad m
performans fonksiyonunu yükseltecekse µ artt r l r. Bu yöntemle, algoritman n her
iterasyonunda, performans fonksiyonu daima azalt l r.
Genel olarak Levenberg – Marquardt algoritmas
yava
yak nsama
probleminden etkilenmez. Burada hedef, performans fonksiyonun en küçük yapacak
a rl k de erini bulmaktad r (M. O uz 2001, S. H. Ngia 2000).
60
5.4.2. Yapay sinir a-lar/n/n e-itilmesi
Yapay sinir a lar nda i lemci elemanlar aras ndaki ba lant lar n a rl k
de erlerinin de i tirilmesi i lemi “a89n e8itilmesi” olarak tan mlan r. Ba lang ç
a amas nda rastgele atanan bu a rl k de erleri, a a gösterilen örneklerle
de i tirilmektedir. Burada hedeflenen, a a gösterilen örnekler için do ru ç kt lar
üretecek a rl k de erlerinin bulunmas d r. Yapay sinir a lar n n e itilmesinde
kullan lan girdi ve ç kt çiftlerinden olu an veri kümesine “e8itim seti” denilmektedir
(Ba 2006).
Yapay sinir a lar n n e itimi, belli kurallar dahilinde yap lmaktad r. Bu
kurallara ö renme kurallar ad verilmektedir. A rl klar ö renme kurallar na göre
de i tirilir. Bir yapay sinir a nda a rl klar n do ru de erlere ula mas , çözüm
aranan problem konusunda a n genellemeler yapabilme yetene ini kazanmas
olarak ifade edilir. Genelleme, yapay sinir a n n e itiminde kullan lmam , ancak
ayn evrenden gelen girdi-ç kt örneklerini do ru s n fland rabilme yetene i olarak
tan mlan r. A n genelleme kabiliyetini kazanmas i lemine “a89n ö8renmesi” denir
(Ba 2006).
Yapay sinir a lar nda ö renmenin iki a amas vard r. Birinci a amada a a
gösterilen örnek için a n üretece i ç kt belirlenir. Bu ç kt de erinin do ruluk
derecesine göre, ikinci a amada a n ba lant lar n n sahip oldu u a rl klar
de i tirilir. A n ç kt s n n belirlenmesi ve a rl klar n de i tirilmesi ö renme
kural na ba l olarak farkl biçimlerde olmaktad r (Ba 2006).
Bir yapay sinir a n n e itim a amas
bittikten sonra, a n ö renip
ö renmedi ini yani a n performans n ölçmek için denemeler yap larak a n test
edilmesi gerekmektedir. Bir yapay sinir a n n test edilmesi için a n e itimi
s ras nda görmedi i, veri seti içerisinde e itimden arta kalan di er bir ifadeyle test
amaçl olarak ayr lan örnekler kullan l r. Test amaçl olarak ayr lan bu örneklere “test
seti” ad n verilir. Test i leminde a n a rl k de erleri de i tirilmemektedir.
Örnekler a a gösterilmekte ve a
e itimi s ras nda belirlenen a rl k de erlerini
kullanarak daha önce görmedi i bu örnekler için ç kt lar üretmektedir. Elde edilen
ç kt lar n do ruluk dereceleri a n ö renmesi hakk nda bilgi vermektedir. Sonuç ne
kadar iyi olursa e itimin performans da o kadar iyi demektir (Öztemel, 2003).
61
E itim ve test setlerinin olu turulmas nda yeterli e itim ve test verisi miktar n n
ne olmas gerekti i önemli bir ayr nt d r. E er veri bulma problemi yoksa , yapay
sinir a
mümkün oldu u kadar çok veriyle e itilmelidir. E itim verisinin yeterli
olup olmad
konusun test etmek için e itim verisi miktar art r larak, bunun a n
performans nda bir de i ikli e sebep olup olmad
olmad
na bak l r. Ancak bunun mümkün
durumlarda yapay sinir a n n e itim ve test verileri üzerindeki
performans n n yak n olmas da verilerin yeterli oldu una ili kin bir gösterge olarak
kabul edilebilir. Bununla birlikte e itim setinin içermesi gereken veri miktar de i ik
yapay sinir modellerine ve özellikle problemin gösterdi i karma kl a göre farkl l k
göstermektedir (Ba 2006).
5.5. Tez Çal/0mas/nda Önerilen YSA Modeli
Bu tez çal mas nda; geriye yay l m (back-propagation) algoritmas n n bir türü
olan Levenberg – Marquardt algoritmas na dayananan ve dan mal ö renme metodu
kullan lan bir YSA modeli önerilmi tir.
Bu tez çal mas n n yapay sinir a lar n n e itilmesi a amas nda EEG
sinyallerinden elde edilen veri kümeleri, 3 ayr hastadan al nan spindle bulunan 361
epok, spindle bulunmayan 361 epok olmak üzere toplam 722 epoktan olu maktad r.
Çal mada spindle bulunan ve spindle bulunmayan epoklara ait verilerin yar s
e itme di er yar s ise test verisi olarak kullan lm t r. S n fland rma a amas nda gizli
katmandaki dü üm say s 1, 5, 8, 10, 15, 20 ve 25 olarak ayr ayr test edilmi , bu
ekilde e itilmi
olan sistemin s n flama do ruluklar , hassasiyet ve seçicilik
de erleri ayr ayr hesaplanm t r. Sonuç olarak en yüksek s n flama do rulu unun
hangi gizli dü üm say s yla elde edildi i bulunmu ve sistem bu model üzerine
tasarlanm t r.
A a da >ekil 5.8’ de zaman domenindeki veriler üzerinde s n flama yapan ve
en yüksek s n flama do rulu u elde etti imiz 10 tane gizli dü üm say s na sahip
YSA modelinin basit yap s görülmektedir. Bu modelde zaman domenine ait 6 adet
62
giri , gizli katman ve spindle var veya spindle yok olarak sonuç veren 2 adet ç k
bulunmaktad r.
>ekil 5.8 Zaman domeni için tasarlanan ve en yüksek s n flama do rulu u elde
edilen YSA Mimarisi
63
6. DENEYSEL SONUÇLAR
Bu tez çal mas nda, Selçuk Üniversitesi Meram T p Fakültesi Gö üs
Hastal klar Anabilim Dal Uyku Laboratuar Bölümü’ ne uyku rahats zl klar
sebebiyle ba vuran üç ayr hastadan al nan 361 adet spindle bulunan epok, 361 adet
spindle bulunmayan epok olmak üzere toplam 722 epoktan olu an veri kümesi
üzerinde çal lm t r.
Çal mada spindle bulunan ve spindle bulunmayan epoklara ait verilerin yar s
e itme di er yar s ise test verisi olarak kullan lm t r. S n fland rma a amas nda gizli
katmandaki dü üm say s 1, 5, 8, 10, 15, 20 ve 25 olarak ayr ayr test edilmi , bu
ekilde e itilmi
olan sistemin s n flama do ruluklar , hassasiyet ve seçicilik
de erleri ayr ayr hesaplanm t r. Sonuç olarak en yüksek s n flama do rulunun
hangi dü üm say s yla elde edildi i bulunmu ve yapay sinir a
mimarisi bu ekilde
olu turulmu tur.
>ekil 6.1’ de çal mada kulland
m z spindle bulunan 1 epokluk (30 saniyelik)
EEG i areti görülmektedir.
Spindle Bulunan EEG Sinyali
6000
4000
2000
Genlik
0
-2000
-4000
-6000
0
5
10
15
Zaman (sn)
20
25
30
>ekil 6.1 Spindle bulunan 1 Epokluk ( 30 saniyelik ) EEG i areti
64
>ekil 6.2’ de ise spindle bulunmayan 1 epokluk ( 30 saniyelik ) EEG i areti
görülmektedir.
Spindle Bulunmayan EEG Sinyali
8000
6000
4000
2000
Genlik
0
-2000
-4000
-6000
-8000
0
5
10
15
Zaman (sn)
20
25
30
>ekil 6.2 Spindle bulunmayan 1 Epokluk ( 30 saniyelik ) EEG i areti
Zaman ve frekans domeni özellikleri ç kart larak yapay sinir a lar yla yar s
e itim yar s test verisi olarak kullan lmak art yle e itme ve s n fland rma i lemine
tabi tutulan
veriler performans kriterleri aç s ndan incelenerek
u sonuçlara
var lm t r.
6.1. Performans Kriterleri
Herhangi bir modelin test performans s n flama do rulu u (CA), belirlilik
(specificity-SPE) ve hassasiyet (sensitivity-SEN) ile hesaplanabilmektedir. Bu
analizlerin yap labilmesi için a n üretti i ç k
ile uzman görü üyle belirlenmi
65
hedef ç k
de erleri a a da verilen kriterlere göre de erlendirilir (Tarrasenko ve
ark. 1998, Dirgenali ve Kara 2006).
Karma0/kl/k Matrisi: Gerçek de erler ile sistemin üretti i ç k de erlerini gösteren
bir matristir. Örnek bir karma kl k matrisi Tablo 6.1’ de gösterilmektedir.
Tablo 6.1 Karma kl k matrisi
Karma:9kl9k matrisi
Negatif
Pozitif
Negatif
Do8ru Negatif (DN)
Yanl9: Pozitif (YP)
Pozitif
Yanl9: Negatif (YN)
Do8ru Pozitif (DP)
a) Do-ru pozitif (DP): Uzman taraf ndan hastal kl olarak i aretlenen epok, YSA
taraf ndan da hastal kl olarak bulmu tur.
b) Do-ru negatif (DN): Uzman taraf ndan normal olarak i aretlenmi epok, YSA
taraf ndan da normal olarak bulunmu tur.
c) Yanl/0 pozitif (YP): Uzman taraf ndan normal olarak tan mlanm
epok, YSA
taraf ndan hastal kl olarak bulunmu tur.
d) Yanl/0 negatif (YN): Uzman taraf ndan hastal kl olarak tan mlanm epok, YSA
taraf ndan normal olarak tespit etmi tir.
Bulunan bu kriterlere ba l olarak s n flama do rulu u (CA), belirlilik (SPE) ve
hassasiyet (SEN) E itlik 6.1, 6.2 ve 6.3’ e göre hesaplan r
6.1.1. S/n/flama do-rulu-u (CA)
S n fland rma
i leminin
tamamlanmas n n
ard ndan,
sonuç
ürünün
do rulu unun belirlenmesi gerekir. Burada s n fland rma do rulu u ortaya ç kar.
66
S n flama do rulu u s n fland rma sonuçlar ile kontrol alanlar kar la t r larak elde
edilir. E itlik 6.1 kullan larak s n flama do rulu u bulunur.
CA ( % ) =
DP + DN
DP + DN + YP + YN
(6.1)
6.1.2. Hassasiyet (SEN)
S n fland r c n n hastal kl veriyi tespit etme yetene idir. Hassasiyet E itlik 6.2
uyar nca hesaplan r.
SEN (% ) =
DP
× 100
(DP + YN )
(6.2)
6.1.3. Seçicilik (SPE)
S n fland r c n n normal veriyi tespit etme yetene idir. Seçicilik 6.3 deki e itlik
yard m yla hesaplan r.
SPE (% ) =
DN
× 100
(DP + YP)
(6.3)
6.2. Elde Edilen Test Sonuçlar/
Karma kl k matrislerine ait veriler ve elde edilen sonuçlar her bir hasta için
a a daki gibi bulunmu tur.
Zaman domeninde Hasta 1’ e ait karma kl k matrisi Tablo 6.2’ de verilmi tir.
67
Tablo 6.2 Zaman domeninde Hasta 1’ e ait karma kl k matrisi
Gerçek/Tahmin
edilen
Spindle
Non-spindle
Spindle
Non-spindle
Spindle
Non-spindle
Spindle
Non-spindle
Spindle
Non-spindle
Spindle
Non-spindle
Spindle
Non-spindle
Spindle
Non-spindle
31
0
18
20
31
0
31
0
31
0
31
0
31
0
0
31
13
11
0
31
0
31
0
31
0
31
0
31
Gizli
katmandaki
dü-üm say/s/
1
5
8
10
15
20
25
Frekans domeninde Hasta 1’ e ait karma kl k matrisi Tablo 6.3’ de verilmi tir.
Tablo 6.3 Frekans domeninde Hasta 1’ e ait karma kl k matrisi
Gerçek/Tahmin
edilen
Spindle
Non-spindle
Spindle
Non-spindle
Spindle
Non-spindle
Spindle
Non-spindle
Spindle
Non-spindle
Spindle
Non-spindle
Spindle
Non-spindle
Spindle
Non-spindle
29
18
31
28
31
29
28
11
31
29
30
0
30
21
2
13
0
3
0
2
3
20
0
2
1
31
1
10
Gizli
katmandaki
dü-üm say/s/
1
5
8
10
15
20
25
68
Zaman ve Frekans domeninde Hasta 1’e ait karma kl k matrisi Tablo 6.4’ de
verilmi tir.
Tablo 6.4 Zaman ve Frekans domeninde Hasta 1’ e ait karma kl k matrisi
Gerçek/Tahmin
edilen
Spindle
Non-spindle
Spindle
Non-spindle
Spindle
Non-spindle
Spindle
Non-spindle
Spindle
Non-spindle
Spindle
Non-spindle
Spindle
Non-spindle
Spindle
Non-spindle
27
0
22
29
27
8
28
1
29
1
30
0
31
1
4
31
9
2
4
23
3
30
2
30
1
31
0
30
Gizli
katmandaki
dü-üm say/s/
1
5
8
10
15
20
25
69
Hasta 1’ e ait kay tlarda yapay sinir a lar kullan larak zaman ve frekans
domenlerinde sleep spindllar n s n fland r lmas sonucu elde edilen sonuçlar Tablo
6.5’ de verilmi tir.
Tablo 6.5 Yapay sinir a lar kullan larak zaman ve frekans domenlerinde sleep
spindllar n s n fland r lmas sonucu elde edilen sonuçlar (Hasta 1)
Performans Ölçüm Kriteri
Gizli Katmandaki
Kullan/lan Özellik
Dü-üm Say/s/
Hassasiyet (%)
Seçicilik (%)
100
100
100
46,77
47,36
45,83
8**
100
100
100
10**
100
100
100
15**
100
100
100
20**
100
100
100
25**
100
100
100
1
67,74
61,70
86,67
5
54,83
52,54
100
8
53,22
51,66
100
10
77,41
71,79
86,96
15
53,22
51,66
100
20**
98,38
100
96,88
25
64,51
58,82
90,91
Hem zaman hem
1
93,55
100
88,57
frekans
5
38,70
43,13
18,18
8
80,64
77,14
85,19
10
93,54
96,55
90,91
15
95,16
96,67
93,75
20**
98,38
100
96,88
25**
98,38
96,88
100
Kümesi
Do-rulu-u (%)
Zaman domeni
1**
özellikleri
5
Frekans
domeni
özellikleri
özellikleri
domeni
S/n/flama
NOT: Test i leminde 31 spindle ve 31 non spindle içeren veri kullan lm ve en iyi performans ** ile
i aretlenmi tir.
70
Zaman domeninde Hasta 2’ ye ait karma kl k matrisi Tablo 6.6’ da verilmi tir.
Tablo 6.6 Zaman domeninde Hasta 2’ ye ait karma kl k matrisi
Gerçek/Tahmin
edilen
Spindle
Non-spindle
Spindle
Non-spindle
Spindle
Non-spindle
Spindle
Non-spindle
Spindle
Non-spindle
Spindle
Non-spindle
Spindle
Non-spindle
Spindle
Non-spindle
125
0
125
0
115
0
125
0
124
0
122
0
118
5
0
125
0
125
10
125
0
125
1
125
3
125
7
120
Gizli
katmandaki
dü-üm say/s/
1
5
8
10
15
20
25
Frekans domeninde Hasta 2’ ye ait karma kl k matrisi Tablo 6.7’ de
verilmi tir.
Tablo 6.7 Frekans domeninde Hasta 2’ ye ait karma kl k matrisi
Gerçek/Tahmin
edilen
Spindle
Non-spindle
Spindle
Non-spindle
Spindle
Non-spindle
Spindle
Non-spindle
Spindle
Non-spindle
Spindle
Non-spindle
Spindle
Non-spindle
Spindle
Non-spindle
125
125
124
125
125
125
125
125
125
125
115
30
125
125
0
0
1
0
0
0
0
0
0
0
10
95
0
0
Gizli
katmandaki
dü-üm say/s/
1
5
8
10
15
20
25
71
Zaman ve Frekans domeninde Hasta 2’ ye ait karma kl k matrisi Tablo 6.8’ de
verilmi tir.
Tablo 6.8 Zaman ve Frekans domeninde Hasta 2’ ye ait karma kl k matrisi
Gerçek/Tahmin
edilen
Spindle
Non-spindle
Spindle
Non-spindle
Spindle
Non-spindle
Spindle
Non-spindle
Spindle
Non-spindle
Spindle
Non-spindle
Spindle
Non-spindle
Spindle
Non-spindle
125
0
125
0
114
0
96
1
121
1
117
2
84
3
0
125
0
125
11
125
29
124
4
124
8
123
41
122
Gizli
katmandaki
dü-üm say/s/
1
5
8
10
15
20
25
72
Hasta 2’ ye ait kay tlarda yapay sinir a lar kullan larak zaman ve frekans
domenlerinde sleep spindllar n s n fland r lmas sonucu elde edilen sonuçlar Tablo
6.9’ da verilmi tir.
Tablo 6.9 Yapay sinir a lar kullan larak zaman ve frekans domenlerinde sleep
spindllar n s n fland r lmas sonucu elde edilen sonuçlar (Hasta 2)
Performans Ölçüm Kriteri
Gizli Katmandaki
Kullan/lan
Dü-üm Say/s/
Özellik Kümesi
S/n/flama
Hassasiyet (%)
Seçicilik (%)
Do-rulu-u (%)
Zaman domeni
1**
100
100
100
özellikleri
5**
100
100
100
8
96
100
92,59
10**
100
100
100
15
99,6
100
99,21
20
98,8
100
97,66
25
95,2
95,93
94,49
1
50,00
50,00
0,00
5
49,6
49,80
0,00
8
50
50
0,00
10
50
50
0,00
15
50
50
0,00
20**
84
79,31
90,48
25
50
50,00
0,00
Hem zaman hem
1**
100
100
100
frekans
5**
100
100
100
8
95,6
100
91,91
10
88
98,97
81,05
15
98
99,18
96,88
20
96
98,32
93,89
25
82,4
96,55
74,85
Frekans
domeni
özellikleri
özellikleri
domeni
NOT: Test i leminde 125 spindle ve 125 non spindle içeren veri kullan lm ve en iyi performans **
ile i aretlenmi tir.
73
Zaman domeninde Hasta 3’ e ait karma kl k matrisi Tablo 6.10’ da verilmi tir.
Tablo 6.10 Zaman domeninde Hasta 3’ e ait karma kl k matrisi
Gerçek/Tahmin
edilen
Spindle
Non-spindle
Spindle
Non-spindle
Spindle
Non-spindle
Spindle
Non-spindle
Spindle
Non-spindle
Spindle
Non-spindle
Spindle
Non-spindle
Spindle
Non-spindle
17
0
22
0
18
0
22
0
22
0
20
0
21
0
5
22
0
22
4
22
0
22
0
22
2
22
1
22
Gizli
katmandaki
dü-üm say/s/
1
5
8
10
15
20
25
Frekans domeninde Hasta 3’ e ait karma kl k matrisi Tablo 6.11’ de
verilmi tir.
Tablo 6.11 Frekans domeninde Hasta 3’ e ait karma kl k matrisi
Gerçek/Tahmin
edilen
Spindle
Non-spindle
Spindle
Non-spindle
Spindle
Non-spindle
Spindle
Non-spindle
Spindle
Non-spindle
Spindle
Non-spindle
Spindle
Non-spindle
Spindle
Non-spindle
22
22
14
18
19
21
19
22
19
22
16
20
21
22
0
0
8
4
3
1
3
0
3
0
6
2
1
0
Gizli
katmandaki
dü-üm say/s/
1
5
8
10
15
20
25
74
Zaman ve Frekans domeninde Hasta 3’ e ait karma kl k matrisi Tablo 6.12’ de
verilmi tir.
Tablo 6.12 Zaman ve Frekans domeninde Hasta 3’ e ait karma kl k matrisi
Gerçek/Tahmin
edilen
Spindle
Non-spindle
Spindle
Non-spindle
Spindle
Non-spindle
Spindle
Non-spindle
Spindle
Non-spindle
Spindle
Non-spindle
Spindle
Non-spindle
Spindle
Non-spindle
18
18
2
0
20
0
22
0
19
22
17
22
13
21
4
4
20
22
2
22
0
22
3
0
5
0
9
1
Gizli
katmandaki
dü-üm say/s/
1
5
8
10
15
20
25
75
Hasta 3’ e ait kay tlarda yapay sinir a lar kullan larak zaman ve frekans
domenlerinde sleep spindllar n s n fland r lmas sonucu elde edilen sonuçlar Tablo
6.13’ de verilmi tir.
Tablo 6.13 Yapay sinir a lar kullan larak zaman ve frekans domenlerinde sleep
spindllar n s n fland r lmas sonucu elde edilen sonuçlar (Hasta 3)
Performans Ölçüm Kriteri
Gizli Katmandaki
Kullan/lan Özellik
Dü-üm Say/s/
Hassasiyet (%)
Seçicilik (%)
88,64
100,00
81,48
100
100
100
90,90
100
84,62
10**
100
100
100
15**
100
100
100
20
95,45
100
91,67
25
97,72
100,00
95,65
1**
50,00
50,00
0,00
5
40,90
43,75
33,33
8
45,45
47,5
25,00
10
43,18
46,34
0,00
15
43,18
46,34
0,00
20
40,90
44,44
25,00
25
47,72
48,84
0,00
Hem zaman hem
1
50,00
50
50
frekans
5
54,54
100
52,38
8
95,45
100
91,67
100
100
100
15
43,18
46,34
0,00
20
38,63
43,59
0,00
25
31,81
38,24
10,00
Kümesi
Do-rulu-u (%)
Zaman domeni
1
özellikleri
5**
8
Frekans
domeni
özellikleri
özellikleri
domeni
S/n/flama
10**
NOT: Test i leminde 22 spindle ve 22 non spindle içeren veri kullan lm ve en iyi performans ** ile
i aretlenmi tir.
76
EEG Sinyallerinden elde edilen zaman domeni özelliklerine göre Spindle ve
Non-Spindle verilerinin da l m grafi i >ekil 6.3’ de verilmi tir.
Bu grafikten anla l yor ki sadece zaman domeni özellikleri
kullan larak
spindle ve non-spindle durumlar kolayl kla ay rt edilebilir. Burada grafik sadece ilk
üç özellik kullan larak çizdirilmi tir. +lk üç özellik kullan lmas na ra men lineer bir
da l m n elde edilmesi, zaman domeninde spindle bulma i inin sadece üç özellikle
bile kolayl kla yap labilece ini göstermektedir.
>ekil 6.3 Zaman domeninde lineer da l m gösteren grafik
77
EEG Sinyallerinden elde edilen frekans domeni özelliklerine göre Spindle ve
Non-Spindle verilerinin da l m grafi i >ekil 6.4’ de verilmi tir.
Bu grafikten anla l yor ki sadece frekans domeni özellikleri
kullan larak
spindle ve non-spindle durumlar n ay rt etmek zordur. Welch yöntemi kullan larak
Frekans domeni özelliklerine göre spindle ve non-spindle veri kümesi lineer olarak
ayr lamayan bir veri da l m na sahiptir. Bu sebeple Welch yöntemi kullan larak
yap lan frekans domeni analizi nadiren yüksek s n flama do rulu u verse de spindle
bulma ad na kullan l bir metod de ildir.
>ekil 6.4 Frekans Domeninde Non-Lineer da l m gösteren grafik
78
7. SONUÇLAR ve ÖNER LER
7.1. Sonuçlar
Bu tez çal mas nda uyku laboratuarlar nda, uyku dönemlerinin belirlenmesi
için çal an uzmanlar n uyku i ci i olarak adland rd klar ve özellikle uykunun
NREM Evre 2 olarak nitelendirilen dönemlerinde ortaya ç kan EEG dalga eklinin
bilgisayar marifetiyle bulunmas amaçlanm t r.
Bu amaç do rultusunda hastalardan al nan EEG sinyallerinin zaman domeni
özellikleri ve Welch metodu kullan larak frekans domeninde özellik ç kart mlar
yap larak yapay sinir a lar ile s n fland r lmas sonucunda incelenen sinyalde uyku
i ci i olup olmad
n n bulan bir sistem önerilmi tir.
Özellik ç kar m sonucunda elde edilen veri setlerinin içerisinde i imize
yaramayacak özelliklerin s n flama performans m z azaltaca , ilgisiz verilerle
çal man n sistemimizde zaman ve emek kayb na sebep olaca
frekans
domeninde
elde
edilen
özellikler
istatiksel
dü ünülerek özellikle
ölçümler
kullan larak
azalt lm t r.
Zaman domeninde elde edilen alt ve frekans domeninde, özellik azalt m ndan
sonra elde edilen dört özellikten olu an veri kümesinin %50 si e itme,
% 50 si test
için kullan lm t r.
Yapay
sinir
a lar n n
e itilmesinin
ard ndan
test
veri
kümesinin
s n fland r lmas yap lm t r. S n fland rma a amas nda gizli katmandaki dü üm
say s 1, 5, 8, 10, 15, 20 ve 25 olarak ayr ayr test edilmi , bu ekilde e itilmi olan
sistemin s n flama do ruluklar , hassasiyet ve seçicilik de erleri ayr
ayr
hesaplanm t r. Sonuç olarak en yüksek s n flama do rulunun hangi dü üm say s yla
elde edildi i bulunmu ve sistem bu model üzerine tasarlanm t r.
Zaman domeninde gizli katmandaki dü üm say s 10 olarak tasarlanan YSA
mimarisiyle, üzerinde çal lan tüm hastalarda %100 s n flama do rulu u elde
edilmi tir.
79
Buradan EEG sinyalleri içerinde sleep spindle bulma i inde sadece zaman
domeni üzerinde çal larak %100 ba ar sa lanabilece i sonucuna ula lm t r.
Bu sonucu daha ba ka bilimsel verilere dayand rarak sonucu desteklemek ad na
zaman ve frekans özelliklerinin ilk üçü kullan larak spindle bulunan ve spindle
bulunmayan EEG sinyallerinin veri da l m grafi i
matlap program yla
çizdirilmi tir. Elde edilen grafikler bulunan sonucu destekler niteliktedir.
>ekil 7.1 Zaman domeninde lineer da l m gösteren grafik
Bu grafikte zaman domenindeki özelliklerin sadece üç tanesi kullan lmas na
ra men spindle ve non-spinle verilerin lineer bir ekilde ayr t
epokta spindle olup olmad
n yani incelenen
n n zaman domeninde kolayl kla bulunabilece i
görülmektedir. Bu da bizim buldu umuz sonucu desteklemektedir.
Frekans domeninde ayn i lemi yapt
m zda ise >ekil 7.2’ deki grafi e göre
spindle ve non-spinle verilerin non-lineer olarak yani birbirine kar m
biçimde bir
80
da l ma sahip oldu u görülmektedir. Bu sebeple Welch yöntemi kullan larak
yap lan frekans domeni analizi nadiren yüksek s n flama do rulu u verse de spindle
bulma ad na kullan l bir metod de ildir.
>ekil 7.2 Frekans Domeninde Non-Lineer da l m gösteren grafik
81
7.2. Öneriler
Bu tez çal mas nda üzerinde uyku i cikleri bulunan ve bulunmayan EEG
i aretleri aras ndaki farkl l klar de erlendirilmi ve yapay sinir a lar da kullan larak
bilgisayar destekli bir sistem ortaya ç kar lm t r.
Tasarlanan bu sistem otomatik uyku evreleme sistemlerinde Evre II’ nin
bulunmas görevini yüksek do rulukla yerine getirebilir.
Kullan lan YSA modeli yeniden ele al narak farkl e itme algoritmas kullanan
di er yapay sinir a
algoritmalar
ile de kar la t r labilir ve sistemlerin
verimlilikleri üzerinde de erlendirmeler yap labilir.
Bu tez çal mas nda özellik ç kar m nda kullan lan Welch metodu ve istatistiki
özellikler d nda farkl özellik ç karma yöntemleri denenerek, YSA veya ba ka
s n fland rma teknikleri kullan larak sistemlerin elde etti i s n flama do ruluklar
aras nda kar la t rmalar yap labilir.
82
8. KAYNAKLAR
A.nicolas, D.Petit, S.Rompre, J. Montplaisir,"Sleepspindle caracteristics in healty
subjects of different age groups,"Clinical Neorophysiology, 112:521527,2001
Ac r, N., Güzeli , C., 2004. Automatic recognition of sleep spindles in EEG by using
artificial neural Networks, Expert Systems with Applications 27 : 451–458
Álvarez-Estévez, D.,
Moret-Bonillo, V., (2009) Fuzzy reasoning used to detect
apneic events in the Sleep apnea-hypopnea syndrome, Expert Systems with
Applications 36: 7778–7785
Anderson, C.W., Devulapall, S. V. & STOLZ, E. A., 1995. Determining mental state
from EEG signals using neural networks. Scientific Programming, 4: 171–
183.
Ba , N.,2006. "Yapay Sinir A lar Yakla m ve Bir Uygulama" Yüksek Lisans Tezi
M.S.Ü.
Batar, H., 2005. EEG + aretlerinin Dalgac k Analiz Yöntemleri Kullan larak Yapay
Sinir
A lar
+le
S n fland r lmas
K.S.Ü.
Yüksek
Lisans
Tezi,
Kahramanmara
Dirgenali F., Kara S. 2006. Recognition of early phase of atherosclerosis using
principles component analysis and artificial neural networks from carotid
artery Doppler signals. Expert Systems with Applications 31:861-874.
83
Duman, F.,Erdamar, A., Ero ul, O., Telatar, Z., Yetkin, S.,2009. Efficient Sleep
spindle detection algorithm with decision tree. Expert Sysytem with
Application 36 : 9980-9985
Dursun, M., 2008, “ Uyku Evreleri ”Yüksek lisans Semineri, S.Ü.
Ero ul, O., Güler, E. Ç., Bahad rlar, Y. ve Ayd n, H. 1999. Uyku EEG’sinde
kar la lan i ciklerin (Spindle) sezimi ve analizi için bir yöntem.
Biyomedikal Ulusal Toplant s – BIYOMUT’99, Kayseri.
Fisch,B.J. 1997. Spehlmann’ n EEG El kitab , 6.Bask Turgut Yay nc l k ve Ticaret
A.>.
Görür, D., Hal c , U., Ayd n, H., Ongun, G.,Özgen, F. ve Leblebicio lu, K. 2002.
K sa Zamanl Fourier Dönü ümü ve Yapay Sinir A lar Kullanarak Uyku
+ ciklerinin Sezimi. Siu.
Grap, A. 1995a. An Introduction To Wavelets. IEEE Computational Secience And
Engineering, 2(2)
Güler, I., K ym k, M. K., Ak n, M. & Alkan, A., 2001. AR spectral analysis of EEG
signals by using maximum likelihood estimation. Computers in Biology and
Medicine, 31: 441-450.
Güler, +., Übeyli E.D. 2005b. Adaptive neuro-fuzzy inference system for
classification of EEG signals using wavelet coefficients”, Journal of
Neuroscience Methods 148: 113-121.
Güne , M., 1999. EEG i aretlerinin Dalgac k Analizi ve Di er Yöntemlerle
Kar la t r lmas , Yüksek Lisans Tezi KSÜ Fen Bilimleri Enstitüsü.
Haykin, S., 1994. Neural networks: A comprehensive foundation. New York:
Macmillan
84
Ifeachor E.C., Jervis B.W., 2002. Digital Signal Processing-A Practical Approach,
2nd ed. Pearson Education Limited USA.
Jung T.-P., Humphries C., Lee, T.-W., Makeig S., McKeown M.J., Iragui
V.,Sejnowski T.J., 1998. Removing electroencephalographic artifacts:
comparison between ICA and PCA. Neural Networks for Signal Processing
VIII, Proceedings of the 1998 IEEE Signal Processing Society Workshop
63 – 72.
Kalayc , T. & Özdamar, O., 1995. Wavelet preprocessing for automated neural
network detection of EEG spikes. IEEE Engineering in Medicine and Biology
Magazine,16: 0–166.
Levenberg-Marquardt Algorithm". IEEE Trans. on Signal Process., Vol 48, pp.
1915-1927, 2000.
M. O uz, Yal tkan Maddelerde Elektriksel Delinme Dayan m n n Yapay Sinir A lar
ile Belirlenmesi, Yüksek Lisans Tezi, +TÜ, 2001.
Miner, N.E., 1998. An Introduction to Wavelet Theory and Analysis. Sandia Report,
NM, October:1-25.
Özbay Y., Ceylan R., Karlik B., 2006. A fuzzy clustering neural network architecture
Özbay, Y., Kara, S., Latifo lu,F., Ceylan, R., Ceylan, M., 2007a. “Complex-valued
wavelet artificial neural network for Doppler signals classifying”, Artificial
Intelligence in Medicine, 40(2): 143-156.
Öz en, S., Güne , S., 2008. “Effect of feature-type in selecting distance measure for
an artificial immune system as a pattern recognizer”, Digital Signal
Processing, 18(4): 635-645.
Öztemel, E., 2003. Yapay Sinir A lar , Papatya Yay nc l k, +stanbul.
85
Palaniappan R., Raveendran P. 2002. Genetic algorithm to Select Features for Fuzzy
Artmap Classifiction of Evoked EEG, , 2002. APCCAS '02 Asia-Pacific
Conference on Circuits and Systems 2:53 - 56, 28-31 Oct.
Pang, C.C.C., Upton, A.R.M., Shine, G., Kamath, M.V. 2003 A comparison of
algorithms for detection of spikes in the electroencephalogram IEEE
transactions on Biomedical Engineering, 50(4): 521 – 526 April.
Polikar, R., 1999. The Engineer's Ultimate Guide To Wavelet Analysis The Wavelet
Tutorial. Http://Engineering. Rowan. Edu/~Polikar /Wavelets /Wtpart3.Html
Polat, K., Güne , S., 2007. “A hybrid approach to medical decision support systems:
Combining feature selection, fuzzy weighted pre-processing and AIRS”,
Computer Methods and Programs in Biomedicine, 88(2): 164-174.
Polat, K., Yosunkaya >., Güne S., 2008. “Comparison of Different Classifier
Algorithms on the Automated Detection of Obstructive Sleep Apnea
Syndrome”, Journal of Medical Systems, 32(3) 2008, 243-250.
Pradhan, N., Sadas van, P. K. & Arunodaya,G. R. (1996). Detection of seizure
activity in EEG by an artificial neural network: A preliminary study.
Computers and Biomedical Research, 29: 303-313
Proakis J.G., Manolakis D.G. 1996. Digital Signal Processing: Principles,
Algorithms and Applications, 3th ed.,Prentice Hall Inc. New Jersey.
Proakis J.G., Rader C.M., Ling F., Nikias C.L. 1992. Advanced Digital Signal
Processing, Macmillian Publishing Company, USA.
Rechtschaffen, A. and Kales, A. ,1968. A Manual of Standardized Terminology,
Techniques and Scoring System for Sleep Stages of Human Subject.
Washington DC: U.S. Government Printing Office.
86
Rumelhart, D. E., Hilton, G. E., & Williams, R. J. 1986, “Learning representations
by back-propagating errors”, Nature, 323, 533–536.
S. H. Ngia, "Efficient Training of Neural Nets for Nonlinear Adaptive Filtering
Using a Recursive
Sa ro lu >., Be dok E., Erler M., 2003. Mühendislikte Yapay Zeka Uygulamalar Semmlov, J.L. 2004. Biosignal and Biomedical +mage Processing, Marcel Deccer
Inc. USA.
Stearns D.S., David A.R. 1988. Signal Processing Algorithms, Prentice-Hall Inc.,
Englewood Cliffs, New Jersey.
Sweldens, W. 1994. Wavelet Sampling Technics.
Tarassenko L., Khan Y.U., Holt M.R.G. 1998 Identification of Interictal spikes in the
EEG
using
Neural
Network
Analysis.
In
Gaven
S.,editor
IEEE
proceedings,Science Measurements and Technology. United Kingdom:IET
270-278.
Torrence, C., Compo, P.C., 1998. A Practical Guide To Wavelet Analysis. Bulletin
Of American Meteorological Society, 79(1):61-78.
Uykuder 1. Uyku Bozukluklar Kongre Kitab , 2008
Yazgan, E. Korurek, M. (1996). T p Elektronigi, _TÜ Matbaas , s.220 Semmlov, J.L.
Yurto lu, H., 2005, Yapay Sinir A lar Metodolojisi +le Öngörü Modellemesi: Baz
Makroekonomik De i kenler +çin Türkiye Örne i, Uzmanl k Tezi, Ekonomik
Modeller ve Stratejik Ara t rmalar Genel Müdürlü ü, Ankara.
Zygicrewicz, J., 2000. Analysis of Sleep Spindles and a Model of Their Generation,
PhD thesis.Warsaw University.

Market Raflarında Dönüşüm ve Ölçeklendirmeye Dayanıklı Nesne

bildiri - Ulusal Mühendislik Ölçmeleri Sempozyumu - 2014

2014-2015 öğretim yılı ders içerikleri

İhale İlanı

Psikiyatride Yaşam Kalitesi

sert damakta perđferal osteoma: vaka raporu

gfodev10 - Yrd.Doç.Dr. Fikret Korur

TÜKENMEYEN NEFESLE 44 YILDAN DAHA İLERİYE

yavuz selim özdemir yardımcı doçent - akaweb

Solenne-Oturma Grupları