Tez No	İndirme	Tez Künye	Durumu
660609		Uyku hastalıklarının tespiti için EEG sinyallerinin derin öğrenme ile işlenmesinde yeni bir yaklaşım / A new approach to processing EEG signals with deep learning for the detection of sleep diseases Yazar:GÖKSU ZEKİYE ÖZEN Danışman: DOÇ. DR. RAYIMBEK SULTANOV Yer Bilgisi: Kırgızistan-Türkiye Manas Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:	Onaylandı Doktora Türkçe 2020 90 s.
Uyku kalitesinin değerlendirilmesi ve uyku hastalıklarının teşhisi için öncelikle uyku evreleri tespit edilmektedir. Giyilebilir EEG cihazlarının üretilmesi ile tek kanallı EEG sinyalinden uyku evreleri tespiti yapılabilmesi için çalışmalar başlamıştır. Uyku hastalıkları, beyin fonksiyon bozuklukları ile ilişkili olduğundan EEG sinyali uyku rahatsızlıklarının tespitinde de kullanılmaktadır. Uyku hastalıklarının da tek kanallı EEG sinyalinden kabul edilebilir bir doğruluk oranında tespit edilebilmesi ile bireylerin çok daha erken tedaviye başlamasının yolu açılacaktır. Bu tez çalışmasında tek kanallı ham EEG sinyali kullanarak uyku evrelemesi yapan ve uyku hastalıklarını tespit eden otomatik bir sistem sunulmaktadır. Bu amaçla ham EEG sinyalleri ile Evrişimli Sinir Ağı (ESA) modelleri eğitilmiştir. Geliştirilen ESA modelleri uyku verisini sınıflandırmakta, Santral Apne(CA), Obstrüktif Apne(OA) ve Hipoapne(HA) rahatsızlıklarını tespit etmektedir. Yapılan testlerin sonuçlarına göre önerilen sistemin evreleme başarımı %93 makro F1-skoru ve %92 doğruluk olarak bulunmuştur. Sistem ayrıca uyku hastalıklarını ise %85 makro F1-skoru ve %85 doğrulukla tespit etmektedir. Yapılan çalışma literatürde yer alan güncel çalışmalarla karşılaştırıldığında, önerilen evreleme modelinin başarımı daha yüksektir, hastalık tespiti ise çok kanalları modellerle yaklaşık aynı başarım oranlarına sahiptir.
Sleep stages are determined firstly for the evaluation of sleep quality and the diagnosis of sleep diseases. Studies have begun for the detection of sleep stages from single-channel EEG signals obtained from wearable EEG devices. Since sleep diseases are associated with brain function disorders, the EEG signal is also used to detect sleep diseases. The way for individuals to start treatment much earlier will be opened with the detection of sleep diseases at an acceptable accuracy rate from the single-channel EEG signal. In this thesis study, an automatic system that performs sleep staging and detects sleep diseases using a single channel raw EEG signal is presented. Convolutional Neural Network (CNN) models were trained with the raw EEG signal. The developed CNN model classifies the sleep data, and detects Central Apnea (CA), Obstructive Apnea (OA), and Hypopnea (HA) diseases. According to the test results, the sleep staging performance of the proposed system was found to be 93% macro F1 score and 92% accuracy. The system also detects sleep diseases with an 85% macro F1-score and 85% accuracy. Compared to active studies in the literature, the performance of the proposed staging model is higher, and disease detection has approximately the same performance rates as current multi-channel models.