Tez No	İndirme	Tez Künye	Durumu
774681		Tıkayıcı uyku apnesi tedavisinde kullanılan cihazlarda zeki ve adaptif sistem tasarımı / Intelligent and adaptive system design in devices used in the treatment of obstructive sleep apnea Yazar:MEHMET BALCI Danışman: PROF. DR. ŞAKİR TAŞDEMİR Yer Bilgisi: Selçuk 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 2022 113 s.
Uykuda solunum bozukluğu hastalıklarından en sık görülen ve yaşamı ciddi şekilde tehdit edenlerinden birisi tıkayıcı uyku apnesi sendromudur. Tıkayıcı uyku apnesi tedavisinde altın standart olarak kullanılan yöntem pozitif havayolu basıncı (positive airway pressure, PAP) cihazlarının kullanımıdır. PAP cihazlarının kullandığı fizyolojik sinyaller ve kullanılan algoritmalar cihazın hastaya uygulayacağı terapiyi ve hastalığın seyrini etkileyen ana unsurlardır. Bu çalışmada PAP cihazları için hem kullanılabilecek en etkili sinyallerin belirlenmesi hem de makine öğrenmesi yöntemleri ile kişiselleştirilmiş terapi uygulayabilen bir sistem önerilmektedir. Çalışmada polisomnografi (PSG) sinyalleri sinyal işleme ile işlenmiş daha sonra çıkarılan sinyal özelliklerine göre özellik seçme yapılarak, geliştirilecek yeni nesil PAP cihazı için, en etkili sinyal tipleri belirlenmiştir. Bu sinyaller akış basıncı (pressure flow), horlama basıncı (pressure snore) ve göğüs (thorax) sinyalleridir. Tez çalışması sonunda geliştirilen PAP cihazı donanımı da bu üç sinyali algılayabilecek sensörlerle donatılmıştır. Daha sonra, bu üç sinyali kullanan gerçek zamanlı öğrenebilen zeki ve adaptif bir sistem geliştirilmiştir. Birçok makine öğrenmesi yönteminin sınıflandırma amacıyla kullanıldığı tez çalışmasında, geliştirilen cihaz için gerçek zamanlı öğrenebilen bir yapay sinir ağı oluşturulmuştur. Geliştirilen ağ, sisteme gelen her yeni veri ile performansını daha üst seviyeye çıkarmaya odaklanmış adaptif bir sistem yaklaşımı ile çalışmaktadır. Hastadan aldığı verilerle sürekli eğitilen sistemin, ön eğitimi için 75 hastaya ait polisomnografi (PSG) verileri kullanılmıştır. Sistemdeki yapay sinir ağı, apne tespiti yerine apneleri önceden tahmin etme amacıyla çıktı üretmektedir. Böylece hasta apne sorununu yaşamadan önleyici terapi uygulayabilen bir sistem geliştirilmiştir. Çalışmada %95,2 doğruluk oranıyla apne tahmin başarısı elde edilmiştir. Geliştirilen sistem, gerçek zamanlı öğrenme ve adaptif çalışma yöntemi sayesinde apne oluşmadan önce apne riskini tahmin ederek, riski ortadan kaldırmak için PAP cihazı basıncını otomatik olarak ayarlayabilmektedir. Böylece apneler önceden tahmin edilerek apne riskinin ortadan kaldırılması başarılmıştır. Bu amaçla gerçek hasta verileri kullanılarak bir simülasyon yapılmış ve sonuçları çalışma sonuçlarında sunulmuştur.
Obstructive sleep apnea syndrome is one of the most common and life-threatening sleep disorders. The gold standard method used in the treatment of obstructive sleep apnea is the use of positive airway pressure (PAP) devices. The physiological signals used by PAP devices and the algorithms used are the main factors that affect the therapy that the device will apply to the patient and the course of the disease. In this study, a system that can both determine the most effective signals that can be used for PAP devices and apply personalized therapy with machine learning methods is proposed. In the study, polysomnography (PSG) signals were processed by signal processing, and then the most effective signal types were determined for the next generation PAP device to be developed by selecting features according to the extracted signal characteristics. These signals are Pressure Flow, Pressure Snore and Thorax. The hardware of the PAP device developed at the end of the thesis is also equipped with sensors that can detect these three signals. Then, an intelligent and adaptive system that can learn in real time using these three signals has been developed. In the thesis study, in which many machine learning methods are used for classification, a real-time learning artificial neural network has been created for the developed device. The developed network works with an adaptive system approach focused on increasing its performance with each new data coming into the system. Polysomnography (PSG) data of 75 patients were used for pre-training of the system, which was continuously trained with the data obtained from the patient. The artificial neural network in the system produces output to predict apneas instead of apnea detection. Thus, a system that can apply preventive therapy without the patient experiencing apnea has been developed. Apnea prediction success was achieved with an accuracy rate of 95.2% in the study. The developed system can automatically adjust the pressure of the PAP device to eliminate the risk by estimating the risk of apnea before apnea occurs, thanks to its real-time learning and adaptive working method. Thus, apneas were predicted and the risk of apnea was eliminated. For this purpose, a simulation was made using real patient data and the results are presented in the study results.