Dergiler / Gazi Mühendislik Bilimleri Dergisi / 2022 / Cilt: 8 - Sayı: 3

2 Boyutlu Evrişimsel Sinir Ağları ile EEG Tabanlı Otomatik Uyku Evrelerinin Sınıflandırılması

EEG Based Automatic Sleep Staging via Simple 2D-Convolutional Neural Network

Sayfa
491–498
Yayın Tarihi
2022-12-31
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Bu araştırmada iki boyutlu basit bir evrişimsel sinir ağlarına dayalı otomatik uyku evre sınıflandırılmasının uygulanabilirliği incelenmiştir. iki boyutlu evrişimsel sinir ağlarının %92.5 doğruluk ve 0.82 Cohen Kappa değeri ile sınıflandırmabildiği bulunmuştur.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Uyku bozuklukları toplumda oldukça yaygın görülmekle birlikte çeşitli sağlık sorunlarına neden olmaktadır.
📊
Temel Bulgular & Veri:Bu bozuklukların teşhis edilmesi ve uyku kalitesinin belirlenmesi için Polisomnogram metodu ile birçok fizyolojik veri toplanılır.
💡
Sonuç & Katkı:Bu araştırmada iki boyutlu basit bir evrişimsel sinir ağlarına dayalı otomatik uyku evre sınıflandırılmasının uygulanabilirliği incelenmiştir. iki boyutlu evrişimsel sinir ağlarının %92.5 doğruluk ve 0.82 Cohen Kappa değeri ile sınıflandırmabildiği bulunmuştur.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:EEG · Otomatik Uyku Evre sınıflandırma · Derin öğrenme

Özet

Uyku bozuklukları toplumda oldukça yaygın görülmekle birlikte çeşitli sağlık sorunlarına neden olmaktadır. Bu bozuklukların teşhis edilmesi ve uyku kalitesinin belirlenmesi için Polisomnogram metodu ile birçok fizyolojik veri toplanılır. En önemli data uyku halinde beyinden kaydedilen EEG verisidir. Saatler süren uykuya ait EEG verilerinin uzmanlar tarafından analiz edilmesi yüksek dikkat isteyen çok zahmetli bir iştir. Son zamanlarda insan hatalarını önlemek ve hızlı nesnel bir analiz gerçekleştirmek amacıyla EEG sinyallerini kullanan otomatik uyku evre sınıflandırıları geliştirilmiştir. Bu sınıflandırıcılar makine öğrenmesi yöntemlerini kullanır ve her bir EEG kesitine dair uyku evresini tahmin eder. Geleneksel makine öğrenmesi yöntemlerine kıyasla elle hiçbir öznitelik çıkarımı gerektirmeyen derin öğrenme uyku evre sınıflandırmasında daha başarılı olabilmiştir. Son zamanlarda, tek boyutlu evrişimsel sinir ağları otomatik uyku evre sınıflandırmasında ana yöntem olmuştur. Bu araştırmada iki boyutlu basit bir evrişimsel sinir ağlarına dayalı otomatik uyku evre sınıflandırılmasının uygulanabilirliği incelenmiştir. iki boyutlu evrişimsel sinir ağlarının %92.5 doğruluk ve 0.82 Cohen Kappa değeri ile sınıflandırmabildiği bulunmuştur.

Abstract

Sleep disorders have high prevalence and cause various health problems. For the diagnostics of these disorders and assessment of the sleep quality, many physiological data are collected using polysomnogram (PSG) method. The most important PSG data is the EEG recorded from the brain during sleep. Analysis of hours of sleep EEG data by experts is an onerous task which requires high attention. Recently, many automatic sleep staging classifiers using EEG are developed in order to prevent human error, and to provide a quick objective analysis. They use machine learning techniques and predict the sleep stage of each EEG epoch. Compared to traditional machine learning, deep learning which requires no hand-crafted feature extraction was able to classify sleep stages better. 1D Convolutional Neural Networks (CNN) are the main methods used in automatic sleep staging recently. In this research a simple 2D-CNN based automatic sleep staging feasibility is investigated. It has been found that a 2D CNN can classify the sleep stages by accuracy of 92.55% and with a Cohen’s kappa of 0.82.

🔖

Bu Makaleye Atıf Yap

KAYA, İ. (2022). 2 Boyutlu Evrişimsel Sinir Ağları ile EEG Tabanlı Otomatik Uyku Evrelerinin Sınıflandırılması. Gazi Mühendislik Bilimleri Dergisi, Cilt: 8 - Sayı: 3, 491–498. https://ajindex.com/articles/859415

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (9)

  1. W.H. Spriggs, Essentials of Polysomnography; Jones & Bartlett Learning: Burlington, MA, USA, 2014
  2. H. Schulz, “Rethinking sleep analysis,” Journal of Clinical Sleep Medicine. vol. 4 no. 2, pp. 99–103, 2008 [3] T. Hori, Y. Sugita, E. Koga, S. Shirakawa, K. Inoue, S. Uchida,; H. Kuwahara, M. Kousaka, T. Kobayashi, Y. Tsuji, et al. Proposed supplements and amendments to ‘A Manual of Standardized Terminology, Techniques and Scoring System for Sleep Stages of Human Subjects’, the Rechtscha_en & Kales (1968) standard. Psychiatry Clin. Neurosci., 55, 305–310. 2001
  3. Carley, D.W.; Farabi, S.S. Physiology of sleep. Diabetes Spectr. 29, 5–9. 2016 [5] Özen G., Sultanov R., Özen Y., Güneş Z.Y. A Convolutional Neural Network Based on Raw Single Channel EEG for Automatic Sleep Staging. Sakarya University Journal of Computer and Information Sciences, 3(2), 149-158. 2020. [6] Šušmákov K. "Human sleep and sleep EEG." Measurement science review 4.2 pp. 59-74, 2004
  4. Berry, R.B., Brooks, R., Gamaldo, C.E., Harding, S.M., Marcus, C. and Vaughn, B.V., 2012. The AASM manual for the scoring of sleep and associated events. Rules, Terminology and Technical Specifications, Darien, Illinois, American Academy of Sleep Medicine, 176, p.2012
  5. Mousavi, Z., T. Yousefi Rezaii, S. Sheykhivand, A. Farzamnia, and S. N. Razavi. "Deep convolutional neural network for classification of sleep stages from single-channel EEG signals." Journal of neuroscience methods 324 (2019): 108312
  6. Craik A, He Y, Contreras-Vidal JL. Deep learning for electroencephalogram (EEG) classification tasks: a review. Journal of neural engineering. 2019 Apr 9;16(3):031001
  7. Bojarski M, Del Testa D, Dworakowski D, Firner B, Flepp B, Goyal P, Jackel LD, Monfort M, Muller U, Zhang J, Zhang X. End to end learning for self-driving cars. arXiv preprint arXiv:1604.07316. 2016 Apr 25
  8. Phan H, Andreotti F, Cooray N, Chén OY, De Vos M. Joint classification and prediction CNN framework for automatic sleep stage classification. IEEE Transactions on Biomedical Engineering. 2018 Oct 22;66(5):1285-96
  9. Kemp, B.; Zwinderman, A.; Tuk, B.; Kamphuisen, H.; Oberye, J. Analysis of a sleep-dependent neuronal feedback loop: The slow-wave microcontinuity of the EEG. IEEE Trans. Biomed. Eng. 2000, 47, 1185–1194. [10] [13] Zhou, D., Hu, G., Zhang, J., Wang, J., Yan, R., Li, F.,. & Cong, F. (2021). SingleChannelNet: A Model for Automatic Sleep Stage Classification with Raw Single-Channel EEG. bioRxiv, 2020-09