Masters THESIS

56  Download (0)

Tam metin

(1)

ANKARA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ

YÜKSEK LİSANS TEZİ

HORLAMA KAYITLARINDAN DOĞRUSAL ÖNGÖRÜM KODLAMASI VE YAPAY SİNİR AĞLARI KULLANILARAK APNELİ HASTALARIN AYIRT

EDİLMESİ

Hakan AYDEMİR

ELEKTRONİK MÜHENDİSLİĞİ ANABİLİM DALI

ANKARA 2009

(2)

TEZ ONAYI

Hakan AYDEMİR tarafından hazırlanan “Horlama Kayıtlarından Doğrusal Öngörüm Kodlaması ve Yapay Sinir Ağları Kullanılarak Apneli Hastaların Ayırt Edilmesi” adlı tez çalışması 28.04.2009 tarihinde aşağıdaki jüri tarafından oy birliği ile Ankara Üniversitesi Fen Bilimleri Enstitüsü Elektronik Mühendisliği Anabilim Dalı’nda YÜKSEK LİSANS TEZİ olarak kabul edilmiştir.

Danışman: Doç. Dr. Hakkı Gökhan İLK

Eş Danışman: Doç. Dr. Osman EROĞUL

Jüri Üyeleri :

Başkan : Doç. Dr. Osman EROĞUL Gülhane Askeri Tıp Akademisi

Üye : Doç. Dr. Hakkı Gökhan İLK

Ankara Üniversitesi Elektronik Mühendisliği A.B.D.

Üye : Yrd. Doç. Dr. Murat H. SAZLI

Ankara Üniversitesi Elektronik Mühendisliği A.B.D.

Üye : Doç. Dr. Atila YILMAZ

Hacettepe Üniversitesi Elektrik Elektronik Mühendisliği A.B.D.

Üye : Doç. Dr. Timur AKÇAM Gülhane Askeri Tıp Akademisi Yukarıdaki sonucu onaylarım

Prof. Dr. Orhan ATAKOL Enstitü Müdürü

(3)

ÖZET

Yüksek Lisans Tezi

HORLAMA KAYITLARINDAN DOĞRUSAL ÖNGÖRÜM KODLAMASI VE YAPAY SİNİR AĞLARI KULLANILARAK APNELİ HASTALARIN AYIRT

EDİLMESİ Hakan AYDEMİR

Ankara Üniversitesi Fen Bilimleri Enstitüsü

Elektronik Mühendisliği Anabilim Dalı Danışman: Doç. Dr. Hakkı Gökhan İLK Eş Danışman: Doç. Dr. Osman EROĞUL

Bu çalışmada uyku sırasında solunumun 10 saniyeden fazla durması olarak kabul edilen ve ileri safhalarında ölümlere neden olabilen apnenin horlamayla ilişkili etkilerinin ve bu etkilere neden olan sinyal özelliklerinin incelenmesi hedef alınmıştır. Bu incelemeler sonucunda, normalde uyku odalarında sabaha kadar alınan kayıtların doktor tarafından incelenmesi sonucu hem vakit alan hem de maddi yük getiren apne teşhisi koyma yöntemlerinin geliştirilmesi ve hem hızlı hem ucuz hale getirilmesi amaçlanmıştır. Bu çalışma, apneli olduğu doktorlar tarafından teyit edilen hastalardan alınan kayıtlar kullanılarak yapılmıştır. Geliştirilen yöntemlerle hastalara konulan tanılar aynı hastalar için doktorlar tarafından onaylanmış tanılar ile karşılaştırılmış ve doğruluk dereceleri belirlenmeye çalışılmıştır. Yöntem olarak da konuşma işlemede sıkça kullanılan doğrusal öngörüm kodlaması ve formant frekanslarının belirlenmesini sağlayan çizgisel izge frekansları yöntemleri kullanılmıştır. Normalde konuşmacıyı tanıma da kullanılan insan akustiğine dayalı bu yöntemlerin horlama seslerine uygulanmasının nasıl sonuç verdikleri araştırılmıştır. Apneli hastalar ile basit horlayan hastaları ayırt etmek için de yapay sinir ağları mantığı ile geliştirilmiş bir sınıflandırıcı kullanılmıştır. Sonuç olarak geliştirilen yöntem sayesinde hastalardan alınan horlama kayıtları kullanılarak tanıyı

%96 oranında belirleyebilme başarısına ulaşılmıştır.

Nisan 2009, 46 sayfa

Anahtar Kelimeler: Horlama, apne, sinyal işleme, polisomnografi, yapay sinir ağları,

(4)

ABSTRACT

Masters THESIS

DIFFERANTIATION OF APNEA FROM SIMPLE SNORERS BY USING LINEAR PREDICTIVE CODING AND NEURAL NETWORKS

Hakan AYDEMİR

Ankara University

Graduate School of Natural and Applied Sciences Department of Electronics Engineering Supervisor: Assoc. Prof. Dr. Hakkı Gökhan İLK Co Supervisor: Assoc. Prof. Dr. Osman EROĞUL

Apnea is considered as the respiration cease for 10 seconds or more during sleep and even causes death at its further stages. The aim of this study is to investigate the effects of apnea related with snoring and signal characteristics which results these affects.

Diagnosis of apnea takes too much time and money. As a result of this study, it is aimed to have a system with less cost and improve the methodologies used for diagnosis of apnea by the investigation of the records that are taken in the sleep-rooms till morning normally by the doctors This study is accomplished by using the records from the patients who suffer from apnea. Also diagnosises optained by improved methodologies are compared by the same patients' records which are approved by the doctors and and their accuracy is evaluated.

Linear prediction coding which is widely used to process speech and line spectral frequency method which provides formant frequencies to be definited are used. These methods are based on human acoustic which is normally used to recognize the speaker.

For this study, the results of applying these methodologies to differentiate the snoring sounds is investigated. Discrepancies effects have been observed between patients who suffer from apnea snoring and simple snoring. A classifier which is developed with neural network logic has been used to differentiate the kind of snoring. Consequently, apnea has been detected with %96 success by using this developed methodology to diagnose the records of patients’ snoring,

April 2009, 46 pages

Key Words: Snoring, apnea, signal processing, polysomnography, neural networks, linear predictive coding, line spectral frequencies

(5)

TEŞEKKÜR

Desteklerini hiçbir zaman esirgemeyen danışman hocalarım Sayın Doç. Dr. H. Gökhan İlk’e (Ankara Üniversitesi Mühendislik Fakültesi), Sayın Doç. Dr. Osman EROĞUL’a (Gülhane Askeri Tıp Akademisi Biyomedikal Mühendislik Merkezi) ve kayıtların alınmasında her türlü yardımda bulunan Mustafa ÇAVUŞOĞLU’na, ellerinden geldiğince bütün imkânları ile bana yardımcı olan aileme ve arkadaşlarıma teşekkürlerimi sunarım.

Hakan AYDEMİR Ankara, Nisan 2009

(6)

İÇİNDEKİLER

ÖZET ... i

ABSTRACT ... ii

TEŞEKKÜR ...iii

ŞEKİLLER DİZİNİ ... vi

ÇİZELGELER DİZİNİ ...viii

1. GİRİŞ ... 1

2. HORLAMA VE APNEYE GENEL BAKIŞ ... 3

2.1 Apnenin Tanımı ... 3

2.2 Polisomnografi ... 5

3. SİNYAL İŞLEME VE HORLAMA ... 8

4. HORLAMADA SİNYAL İŞLEMEYE YENİ BİR BAKIŞ ... 13

4.1 Ötümlü-Ötümsüz Tanımları ... 13

4.1.1 Ötümlü-Ötümsüz sınıflandırması ... 13

4.1.2 Sinyalin enerji spektrumundan ötümlü ötümsüz ayırımı ... 14

4.1.3 Sinyalin sıfır geçişlerinin incelenmesi ile ötümlü ötümsüz ayırımı ... 14

4.2 Doğrusal Öngörüm Katsayıları ( LPC - Linear Prediction Coefficient ) ... 17

4.2.1 Doğrusal öngörüm katsayılarının hesaplanması ... 20

4.2.2 Doğrusal öngörüm katsayıları uygulamaları ... 22

4.3 Çizgisel İzge Frekansları ( LSF - Line Spectral Frequency) ... 23

4.4 Yapay Sinir Ağları ... 24

4.4.1 Nöron Modeli ... 25

4.4.2 Çok Katmanlı Perseptron (ÇKP - Multi-layer Perceptron) ağı ... 27

5. MATERYAL VE YÖNTEM ... 29

5.1 Veri Elde Etme ... 29

5.2 Verilerin İşlenmesi ... 29

5.3 Verilerin İşlenmesi Sonucu Elde Edilen Çıktılar ... 35

6. BULGULAR VE TARTIŞMA ... 40

KAYNAKLAR ... 44

ÖZGEÇMİŞ ... 46

(7)

SİMGELER DİZİNİ

LPC Linear Predictive Coding LSF Line Spectral Frequency

OSAS Obstructive Sleep Apnea Syndrome ECG Electrocardiogram

EEG Electroencephalogram EOG Electrooculography EMG Electromyogram

(8)

ŞEKİLLER DİZİNİ

Şekil 2.1 ABD’de apneden ölüm oranları (NIMH 1994)... 4

Şekil 2.2 Polisomnografi cihazına bağlanmış bir çocuk hasta (http://ticktot.files.wordpress.com/2008/04/pediatric_polysomnogram.jpg 2008)... 6

Şekil 2.3 Örnek bir Polisomnografi çıktısı ... 6

Şekil 3.1.a. Horlamaya ait bir sinyal, b. Şekil 3.1.a’daki 1. horlama sinyaline ait enerji dağılım grafiği, c. Şekil 3.1.a’daki 2. horlama sinyaline ait enerji dağılım grafiği (Dalmasso 1997). ... 9

Şekil 3.2.a. Horlama ses basıncının zaman bölgesi grafiği, b. Şekil 3.2.a’daki işaretlenmiş bölgenin zamana bağlı frekans/enerji spektrumu (Dalmasso 1997). ...10

Şekil 3.3 Horlamanın dört aşamasını gösteren bir spektogram. (Çavuşoğlu 2006) ... 11

Şekil 4.1 Orijinal sinyal ... 15

Şekil 4.2 Orijinal sinyalin enerji spektrumu ... 15

Şekil 4.3 Orijinal sinyalin her bir çerçeve için enerji değeri ve eşik değeri ... 16

Şekil 4.4 Orijinal sinyalin ötümlü ötümsüz olarak ayrılmış hali ... 17

Şekil 4.5 Doğrusal öngörüm kodlamasının matematiksel modellemesi ... 18

Şekil 4.6 Doğrusal öngörüm kodlamasının akustik modellemesi ... 19

Şekil 4.7 Orijinal sinyal ve LPC ile kodlanarak yeniden oluşturulmuş sinyal ... 23

Şekil 4.8 Yapay sinir ağı çalışma mantığı ... 25

Şekil 4.9 Tek girdili bir nöron modeli (Gurney 1997) ... 26

Şekil 4.10 Çok girdili bir nöron modeli (Gurney 1997) ... 26

Şekil 4.11 Çok girişli bir perseptron katmanı ... 28

Şekil 5.1 Çalışma için geliştirilecek algoritmanın blok diyagramı ... 30

Şekil 5.2 Sınıflandırıcı için geliştirilecek algoritmanın blok diyagramı ... 30

Şekil 5.3 Powerful Audio Tool’a ait bir görünüm ... 32

Şekil 5.4 Apneli hastaya ait bir horlama sesi örneği ... 34

Şekil 5.5 Basit horlamalı hastaya ait bir horlama sesi örneği ... 34

Şekil 5.6 Sınıflandırmaya tabi tutulacak orijinal sinyal ... 35

Şekil 5.7 Orijinal sinyalin sesli-sessiz sınıflandırılmış hali ... 36

Şekil 5.8 Örnek bir horlama sinyaline ait doğrusal öngörüm katsayılarının sunumu ... 37

(9)

Şekil 5.9 Basit horlamalı bir insanın 15 farklı horlamasına ait çizgisel izge frekans katsayıları ... 37 Şekil 5.10 Apneli bir hastanın 15 farklı horlamasına ait çizgisel izge frekans katsayıları ... 38 Şekil 5.11 Apneli ve basit horlayan iki ayrı hastaya ait çizgisel izge frekansları

katsayıları ... 38 Şekil 6.1 Basit horlama sesine karşı yapay sinir ağının çıktısı ... 41

(10)

ÇİZELGELER DİZİNİ

Çizelge 4.1 Çerçeve uzunlukları ve enerji değerleri ... 17

Çizelge 5.1 Kayıtların alındığı hasta sayıları ... 29

Çizelge 6.1 Eğitim verisi bilgileri ... 41

Çizelge 6.2 Basit horlama verileri ile test sonuçları ... 42

Çizelge 6.3 Apneli horlama verileri ile test sonuçları ... 42

(11)

1. GİRİŞ

Uyku bozuklukları hem sosyal sorunlara hem de bazı sağlık sorunlarına sebep olmaları sebebiyle önemlidir. Sorunlu bir gecenin sabahında fiziki olarak dinlenememiş bir vücut psikolojik olarak olumsuz etkilere neden olmakta ve insanın sosyal yaşantısını olumsuz yönde etkilemektedir. Sağlıksız bir uyku, vücudun kendisini yenilemesini engellemekte ve birçok probleme yol açabilmektedir. Aynı zamanda toplumsal açıdan iş gücü kayıplarına, kazalara da neden olmaktadır. En sık karşılaşılan uyku bozukluklarından biri de horlama ve uykuda solunum durması ile karakterize tıkayıcı uyku apne sendromudur. Tıkayıcı uyku apnesi, uyku esnasında üst hava yolunun kapanmasına bağlı olarak solunumun durması rahatsızlığıdır. Uykunun başlaması ile birlikte vücut kas tonüslerinde azalmalar olduğundan, hava yolunun açıklığını sağlayan kasların uykuda etkisinin ortadan kalkması havayolunun daralmasına sebep olur. Bazı kişilerde ise bu daralma tam tıkanıklık şeklinde gerçekleşir ve solunum durur. Uyku esnasında apne meydana geldiğinde kan oksijen düzeyinde azalma meydana gelir ve bu çeşitli refleks mekanizmaları uyararak hastanın havayolunun yeniden açılmasını sağlar. Gece boyunca çok sayıda meydana gelen apne atakları ve bunların neticesinde vücutta meydana gelen düzensizlikler, bazı sağlık sorunlarının oluşmasına ve yetersiz bir uyku yaşanması sebebiyle yorgun uyanma ve gün içinde aşırı uykululuk hali gibi problemlere yol açarlar.

Bu çalışmada öncelikle horlamanın fiziksel nedenleri anlatılmış, daha sonra apne ayrıntılı olarak açıklanmıştır. Ardından materyal ve yöntem kısmında anlatılacak olan yöntemlere ait teorik bilgiler ve yöntemlerin detaylarından bahsedilmiştir. Son bölümde ise hastalara ait horlama kayıtları incelenmiş ve kayıtlardaki anormallikler gözlemlenerek bu rahatsızlıklara dair belirgin sinyal özellikleri ortaya çıkartılmaya çalışılmıştır. Apne teşhisi normalde uyku laboratuarında alınan kayıtların doktorlar tarafından detaylı incelenmesi ve araştırılması ile konulmaktadır. Ancak bu yöntem hem para hemde zaman kaybı yaratmaktadır ve sınırlı uyku laboratuvarları nedeni ile aynı anda çok fazla kişiye imkân sağlanamamaktadır. Bu çalışma ile apneye ait belirgin horlama sinyali özellikleri ortaya çıkartılarak daha kolay tanı yöntemlerinin

(12)

verilebilmesi amaçlanmıştır. Çalışma girdi olarak sadece gece boyunca alınan bir horlama ses kaydını kullandığından uygulanması da kolay olacaktır. Çalışmada apnenin tam olarak teşhisini ortaya koymak gibi bir amaç gütmekten ziyade doktora tanıyı destekleyici olması açısından yardımcı teşhis verileri oluşturulması amaçlanmıştır.

(13)

2. HORLAMA VE APNEYE GENEL BAKIŞ

Horlama, uyku sırasında üst hava yolu yumuşak dokularının geçen hava ile titreşmesi sonucu ortaya çıkan gürültü biçimindeki bir ses olarak tanımlanır (Fairbanks 1994).

Horlama çok yakından fark edilebilecek düzeyde olabileceği gibi, yan odalardan ya da evlerden dahi duyulabilecek düzeylerde olabilir.

Normal yetişkinlerin % 45’i en azından arasıra ve % 25’i ise devamlı olarak horlar.

Horlama erkeklerde ve kilolu kişilerde daha sık görülür ve genellikle artan yaş ile kötüleşir. 30-35 yaş grubu erkeklerin %20’si, kadınların % 5’i; 60 yaş grubu erkeklerin

% 60’ı, kadınların % 40’ı daima horlar (Fairbanks 1994).

Horlama, tıkayıcı uyku apnesi sendromunun en erken ve en çok görülen semptomudur.

Tıkayıcı uyku apnesi sendromu olan hastaların, gündüz uyuklamaları ve uyku esnasında solunum duraklamaları başlamadan yıllarca öncesinde, sıklıkla şiddetli horlama hikayesi vardır. Apne sorunu olmayan hastalar basit horlayan hastalar olarak adlandırılır. Her insan üst solunum yolu enfeksiyonu, aşırı yorgunluk gibi sebeplerle zaman zaman basit horlama problemi yaşayabilir, ancak tıkayıcı uyku apne sendromu olan hastalarda bu problem süreklidir ve tedaviye ihtiyaç duyulmaktadır.

2.1 Apnenin Tanımı

Apne, uyku sırasında solunumun en az 10 saniye boyunca durmasıdır. Apneli hastalarda diğer yaygın bir olayda hava yolunun tam olmayan tıkanıklığı sonucu hava akımının normalin % 30’una indiği ve saturasyonda %3-4’lük düşmenin meydana geldiği hipopnelerdir (Fairbanks 1994). Uykuda solunumun kısa süreli durması ve kandaki oksijen düzeyinin belirli seviyelerin altına inmesiyle kendini gösteren bir sorun olan uyku apnesi toplumda % 5 gibi ciddi bir oranda görülmesine rağmen, yeterince tanınmamaktadır. Tıkayıcı uyku apnesini hasta tek başına fark edemediği için

(14)

apnesi olan kişiler sinirlilik ve uykusuzluk ile aşırı gündüz uykululuk hallerinden şikâyet edebilirler.

Uyku esnasında ara sıra meydana gelen apneler zararsızdır ve normal yetişkin populasyonda oldukça yaygındır. Bir saatlik uyku dönemindeki apne ve hipopnelerin toplamı apne-hipopne indeksi (AHI) olarak tanımlanır. Uykunun bir gecelik değerlendirmesinde, saat başına 5 yada daha fazla veya 6 saatlik uykuda en az 30 apne veya hipopne tespit edilmesi tıkayıcı uyku apnesi olarak tanımlanmaktadır.

Polisomnografide AHI’nin 5 ve daha fazla olması ve beraberinde klinik semptomların bulunması ise OUA sendromu olarak adlandırılır (Masood and Phillips 2006).

ABD Ulusal Akıl Sağlığı Enstitüsü’nün ( National Institute of Mental Health – NIMH) raporuna göre toplumun %35’i apneden şikâyetçidir ve apne azımsanmayacak ölçüde kalp krizi ve ölüm nedenidir. Şekil 2.1’de Amerika Birleşik Devletleri’nde (ABD) apne’den ölüm oranlarına ait bir grafik verilmiştir. Apne sorunu Amerikan toplumuna tıbbi gider, kaza kayıpları, işe gelmeme kaybı ve üretimde azalmalar gibi problemlere neden olmaktadır. Apne sorunu yaşayan insanlar iş yerinde yoğunlaşma güçlüğü çektiklerinden yeterince verimli olamamakta ve işlerini kaybetme riskiyle karşı karşıya kalabilmektedirler.

Şekil 2.1 ABD’de apneden ölüm oranları (NIMH 1994)

(15)

Farklı nedenlerle ortaya çıkan uyku apnesi nöroloji, KBB ve göğüs hastalıkları disiplinlerinin konusunu oluşturmaktadır. Ancak öncelikle sorunun şiddeti ve tanımının doğru olarak tespit edilmesi gerekir ki bu noktada da uyku laboratuarları etkili olmaktadır.

Apnenin teşhisinde kullanılan en etkili ve altın standart olarak bilinen yöntem polisomnografidir. Uyku laboratuarlarında polisomnografi cihazına bağlanan hasta bir gece geçirir ve gecenin sonunda toplanan bütün veriler uzman doktorlar tarafından yorumlanarak hastanın mevcut problemleri belirlenmeye çalışılır.

2.2 Polisomnografi

Apnenin teşhisinde polisomnografi altın standart olarak kabul edilir. Polisomnografi, horlama, uyku apnesi, uykuda periyodik bacak hareketleri gibi uyku bozuklularının tanısında kullanılan ve gece uykusu boyunca hastanın beyin dalgalarının, göz hareketlerinin, solunum faaliyetlerinin, kanındaki oksijen yüzdesinin ve kas aktivitesinin ölçülmesi ile yapılan incelemenin adıdır. Aynı zamanda uyku sırasında, başta nöro-fizyolojik, kardiak, respiratuar olmak üzere pek çok fizyolojik parametrenin genellikle gece boyunca eşzamanlı ve devamlı olarak kaydedilmesidir. Şekil 2.2’de polisomnografi cihazına bağlanmış bir çocuk hasta ve Şekil 2.3’de polisomnografi cihazına ait bir çıktı görülmektedir. Polisomnografi’de yapılan incelemeler genellikle şu şekildedir:

 Beyin dalgalarının izlenmesi

 Kas tonusunun izlenmesi

 Göğüs hareketlerinin incelenmesi

 Ağız ve burun hava giriş çıkışının incelenmesi

 Kalp ritmi ve kandaki oksijen seviyesinin ölçülmesi

 Kalp ritimlerinin izlenmesi

 Ses ve görüntü kaydı alınması

(16)

Şekil 2.2 Polisomnografi cihazına bağlanmış bir çocuk hasta

(http://ticktot.files.wordpress.com/2008/04/pediatric_polysomnogram.jpg 2008)

Şekil 2.3 Örnek bir Polisomnografi çıktısı

Polisomnografi ile beyin elektrosu (EEG), solunum hareketleri, uyku sırasında kandaki oksijen miktarı, kalp elektrosu (EKG), göz hareketleri, kaslardaki kasılmalar, kol - bacak ve gövde hareketleri, hastanın sürekli video görüntüsü eşzamanlı (senkronize)

(17)

kayıtlanır ve böylece uyku sırasında vücut işlevleri hakkında ayrıntılı bilgi elde edilir.

EEG ile uykunun seyri ve fazları, uykudaki anormal hareketler ve durumlar kaydedilmektedir. Polisomnografi, sık görülmeleri nedeni ile en sık uyku apnelerinin durumu ve tipinin saptanmasında kullanılır.

Bunun yanında nörolojik hastalıklar olan uyku bozukluklarının teşhisinde de kullanılmaktadır. Bu yöntemle uyku ritim bozuklukları (disomnialar), uykusuzlukların (insomnia) tip tayini, narkolepsi ve huzursuz bacak sendromu (restless leg) gibi nörolojik hastalıklar, uykuda hareket bozuklukları (parasomnialar) teşhis edilir. Diğer yaygın bir kullanım alanı da erkeklerdeki impotansların, yani penisteki sertleşme bozukluklarının teşhisidir. Özel bazı kaydedicilerle peniste uyku sırasındaki sertleşmeler kaydedilerek iktidarsızlığın gerçekten var olup olmadığı ve psikolojik mi yoksa organik mi olduğuna karar verilmekte, böylece tedavisi daha sağlıklı yapılmaktadır.

Uyku testlerinden sonra elde edilen bilgiler değerlendirilerek, uyku apnesinin gerçekten tedaviye ihtiyaç duyup duymadığına karar verilir. Burada da farklı disiplinlerdeki hekimlerin işbirliği içinde çalışması gerekir. Uyku apne sendromu olan hastaların nöroloji, kulak burun boğaz (KBB), göğüs hastalıklarının ortak takip ettiği hastalar olmakla birlikte; öncelikle nöroloji ve KBB takibinden geçmesinin uygun olacağı düşünülür.

(18)

3. SİNYAL İŞLEME VE HORLAMA

Ses sinyali, sesin elektronik ortamda beliren karşılığıdır. Doğaya özgü herhangi bir sesin özelliklerini araştırmak için bu sesin, ses sinyaline çevrilmesi gerekmektedir.

Örneğin, horlama kulakla algılanır, ancak bir de horlamanın elektronik ortamdaki karşılığı vardır. Bu karşılığı elde etmek için horlamanın ses dalgası formundan elektriksel sinyal formuna çevrilmesi gerekir. Kayıt cihazları yardımıyla horlama sesi, elektriksel forma çevrilir ve sesin orijinal halinin örneklenmesi ile de sayısal halinin elde edilmesi sonucu sesin sayısal sinyal hali elde edilir. Sinyal işleme ise sinyallerin bir sayı dizisi ile ifade edildikten sonra bu ifadelerden sinyale ait özel bilgilerin çıkartılması ve işlenmesidir. Bu çalışmada da horlama sesleri sinyal işleme yöntemleri ile incelenecek ve apneli hastalar ile basit horlayan hastaların horlama seslerine ait farklılıklar ortaya konulmaya çalışılacaktır.

Horlamanın sinyal özelliklerini incelemeye yönelik olarak yapılmış çalışmaların en önemlilerinden birisi Dalmasso’nun çalışmasıdır. Dalmasso genel olarak horlama sinyalinin güç spektrumunu incelemiştir. Dalmasso apne tanısı konulmuş ya da basit horlamalı hastalar üzerinde incelemeler yapmış ve horlama sinyalinin özniteliklerini ortaya çıkarmaya çalışmış, bu özniteliklerin apneli hastalarda ne gibi değişiklikler ya da benzerlikler gösterdiğini incelemiştir.

Şekil 3.1.a 10 snlik bir horlama sinyalini göstermektedir. Şekil 3.1.b’de ise bu sinyale ait enerji spektrumu gösterilmektedir. Şekil 3.1.b ve 3.1.c incelendiğinde iki farklı zamandaki horlamanın hemen hemen aynı frekans özelliklerini gösterdiği gözlenmektedir. Buradan yola çıkılarak horlama sinyaline ait ortak özellikler ortaya çıkarılmaya çalışılmıştır.

Şekil 3.1.b ve 3.1.c’ye bakıldığında enerjinin en büyük bölümünün 5.000 Hz üstünde ve ana bileşenlerin, düşük frekans aralığının altında, yaklaşık 130 Hz civarında yattıkları görülmektedir. Ana frekanslar ise 1060, 220 ve 3500 Hz aralığındadır (Dalmasso 1997).

(19)

Şekil 3.1.a. Horlamaya ait bir sinyal, b. Şekil 3.1.a’daki 1. horlama sinyaline ait enerji dağılım grafiği, c. Şekil 3.1.a’daki 2. horlama sinyaline ait enerji dağılım grafiği (Dalmasso 1997).

Frekans spektrumunun enerji dağılımı tek bir olay olarak ya da bir solunum döngüsü sırasında değiştiğinden dolayı, horlamanın üç boyutlu bir görünümü de incelenmelidir.

Bu, spektrumun zaman evriminin görsel olarak ortaya çıkarılabilmesini sağlar (Dalmasso 1997)

(20)

Şekil 3.2.a. Horlama ses basıncının zaman bölgesi grafiği, b. Şekil 3.2.a’daki

işaretlenmiş bölgenin zamana bağlı frekans/enerji spektrumu (Dalmasso 1997).

Şekil 3.2.b’de görüldüğü gibi, horlamanın başında enerji çoğunlukla düşük frekans aralığında, sonunda ise orta ve yüksek frekans (7khz’e kadar) aralığında yoğunlaşmıştır.

Şekil 3.3’de, horlama sinyalinin spektrogramı 4 horlama aşaması için gösterilmektedir.

Şekil 3.2 b’deki spektrumun yapısı incelendiğinde formantik bir yapıya benzediği, yani bazı frekans değerlerinde tepe noktaları bulunduğu görülmüştür. Spektrum temel bir frekans ve "formant tip" yapı göstermektedir. Sesçil (sesle ilgili) deneylerde, formantlar vokal kanalların şekil ve büyüklüklerinin analog akustikleridir. Her formant frekansı, bant genişliği ve şiddet seviyesi ile karakterize edilir ve aralığı salınım boşluklarının şekline bağlıdır. İncelenen konunun içindeki farklı durumlar ve horlayan hastalar frekans spektrumun içindeki formantların aralığını etkileyebilirler. Bu çalışmada da horlama sinyaline ait formant frekanslarının etkilenmesine apne rahatsızlığının da neden

(21)

Şekil 3.3 Horlamanın dört aşamasını gösteren bir spektogram. (Çavuşoğlu 2006)

Apneli horlayan hastalardaki trake nefes sesini gözlemlemek, uyku aşamalı frekans spektrumunda önemli bir değişikliği göstermedi ancak horlama sırasında temel frekansın evrimini ortaya çıkarttı. Perez Padilla ve Remmers, rastgele horlayan insanlar içinde, horlamanın karakteristik spektrumunu ortaya koyan 3 ana modeli buldu. Bunlar solunumun tipini tanımayı mümkün hale getirebilen çalışmalardı.

Dalmasso, çalışmaları sonucunda apneli horlayan hastalardaki belirgin farkı gösteren spektrumu bulmayı başardı. Özellikle, nefes alma sonrası ilk horlama, daha yüksek frekanslarda daha güçlü olan beyaz gürültüden oluşur. Böylelikle, Dalmasso apneli horlayanlar ile sıradan horlayanları, 800 Hz üzerindeki gücün 800 Hz altındaki güce oranının ayırt ettiğini önerdi. Standard polisomnografisi çekilen hastalarda, göğüs kemiğinin boşluğundaki horlama kaydedildi ve hızlı Fourier dönüşümü (Fast Fourier Transform – FFT) tekniği kullanılarak ikinci aşama uyku sırasındaki horlamalar da tespit edildi. Bu yöntemle horlamanın medyan frekansı ile nefes alıp-verme indeksi

(22)

(underactive, normalin altında çalışan kaslar) engel olmak isteyen değişken mevkilerle ilgili olabilir. Böylelikle yörüngesel analiz değerleri, formant yapı ve spektrumun şekli, sıradan horlama ile apneli yüksek sesli horlamayı birbirinden ayırır diyebildiler (Dalmasso 1997).

Dalmasso çalışmalarında formant yapısını ortaya koymuş ancak bu formant frekanslarını tam olarak belirlememiş, bu frekansların nasıl hesaplanabileceğini önermemiş ve bu değişimleri kullanarak bir sınıflandırıcı yöntemi tanımlamamıştır. Bu çalışmada formant frekansları belirlenmeye ve formant yapılarındaki farklılıklar bir sınıflandırıcıda kullanılarak basit horlayan hastalar ile apneli hastalar ayırt edilmeye çalışılacaktır. Formant frekansları bir akustik sistemin sağladığı çıktılar olarak düşünülebilir. Akustik sistemdeki herhangi bir değişiklik formant frekanslarında değişime neden olur. Hangi değişikliğin nasıl bir formant frekans değişimine neden olduğu gözlemlenerek akustik sistem detaylı olarak incelenebilir ve o akustik sisteme ait öznitelikler ortaya çıkarılabilir. Dalmasso’da çalışması sonucunda apneli hastalar ile basit horlayan hastaların horlama seslerine ait sinyalin farklı formant frekanslarına sahip olduğunu göstermiştir. Formant frekanslarının tam olarak belirlenebilmesi için sinyal işlemede genel olarak konuşma sinyallerine uygulanan LPC-LSF (Linear predictive coding-doğrusal öngörüm kodlaması, line spectral frequency – çizgisel izge frekansları) yöntemi kullanılabilir. Bu çalışmada da konuşma sinyalindeki başarısı bilinen LPC-LSF yöntemi horlama sinyaline uygulanacaktır. Basit horlayan hastalar ile apneli hastaların horlama sesleri incelenerek farklı öznitelikler belirlenmeye çalışılacaktır.

(23)

4. HORLAMADA SİNYAL İŞLEMEYE YENİ BİR BAKIŞ

Bu çalışmanın amacı apneli ve basit horlayan hastaların horlama seslerindeki farklılıklarını bularak, bu farklılıkların kullanılması sonucu otomatik bir ayrım yapabilmektir. İki sinyali birbirinden otomatik olarak ayırabilmek için bu iki sinyali birbirinden ayıran özniteliklerin bulunması gerekmektedir. Sinyallerin ayrı ayrı öznitelikleri bilinirse, test amaçlı olarak sisteme girdisi olan sinyalde benzer öznitelikler aranarak sinyal sınıflandırılabilir. Dalmasso’nun çalışmasında bahsedilen formant frekanslarındaki farklılıklar da apneli hastalar ile basit horlayan hastaların horlama seslerinden yola çıkılarak bir ayrım yapılabilmesine olanak sağlar. Herhangi bir sinyalin formant frekanslarını bulabilmek için konuşma işleme de kullanılan LPC-LSF yöntemi bu çalışmada kullanılmak üzere seçilmiştir. Çalışmada LPC-LSF yönteminin ne kadar uygun olduğu araştırılmış olacaktır. LPC-LSF analizlerini yapabilmek için sinyalin zaman bölgesinde kayıt edilmiş hali gerekmektedir. LPC-LSF analizi sinyaldeki ötümlü bölgeler üzerinde yapılmaktadır. Ötümlü-ötümsüz tanımları ve ayrım yöntemleri Bölüm 4.1’de anlatılacaktır.

4.1 Ötümlü-Ötümsüz Tanımları

Ötümsüz bölge ses sinyalinde enerjinin çok düşük olduğu sıfır geçişlerinin fazla yer aldığı gürültü sinyaline benzeyen sessiz bölgelerdir. Ötümlü bölgeler ise sinyalin enerjisinin fazla olduğu sıfır geçişlerinin az olduğu sesli kısımlardır. Sinyal işlemede bu bölgelerin genellikle birbirinden ayrılması gerekmektedir.

4.1.1 Ötümlü-Ötümsüz sınıflandırması

Ses sinyali işleme çalışmalarında kullanılacak kayıt dosyalarında genellikle ötümsüz bölgeler çalışma için herhangi bir anlam ifade etmezler. Bu nedenle işlem yükünü arttırmamak, incelenecek kayıtların dosya büyüklüğünü azaltmak için kayıtlardan ötümsüz bölgeler ayıklanır. Bu ayıklama işlemi için sinyal işlemede sıkça kullanılan iki yöntem bulunmaktadır. Bu yöntemlerden birisi sinyalin enerji spektrumuna bakmak,

(24)

4.1.2 Sinyalin enerji spektrumundan ötümlü ötümsüz ayırımı

Sinyalin öncelikle enerji spektrumu hesaplanır ve sinyal bu spektrumda eşit çerçevelere bölünür. Elde edilen her bir çerçevenin enerjisi hesaplanır ve elde edilen değerin ötümlü ya da ötümsüz olduğunu belirleyebilmek için kullanılan eşik değeri ile karşılaştırılır.

Eğer çerçevedeki sinyalin enerjisi bu eşik değerinden büyük ise ötümlü küçük ise ötümsüz olarak işaretlenir. Çerçevelerin enerjisini hesaplamak için formül 4.1 kullanılır.

=

= 1

0 2( )

N

i

k s i

Es

(4.1)

i = İndis, N = Çerçeve boyutu, E = Toplam enerji, s=O anki genlik değeri

4.1.3 Sinyalin sıfır geçişlerinin incelenmesi ile ötümlü ötümsüz ayırımı

Sinyalin zaman bölgesindeki orijinal hali öncelikle eşit boyuttaki çerçevelere ayrılır.

Her bir çerçeve için sinyalin sıfır noktasından geçiş sayısı hesaplanır. Bu hesaplamada sinyalin işaret değiştirdiği, yani pozitif değerde iken negatif değere düştüğü ya da negatif değerde iken pozitif değere çıktığı noktalar sayılır. Elde edilen toplam sıfır geçiş sayıları belli bir eşik değerinin üstünde ise işlenen çerçeve ötümsüz, aynı eşik değerinin altında ise ötümlü olarak işaretlenir. Şekil 4.1’de ötümlü-ötümsüz ayrımına tabi tutulacak örnek bir sinyal görülmektedir.

(25)

Şekil 4.1 Orijinal sinyal

Şekil 4.1’deki sinyal ötümlü-ötümsüz ayrımına tabi tutulacağı için öncelikle enerji spektrumu hesaplanacaktır. Bu hesaplama için formül 4.1 kullanılır. Şekil 4.2’de şekil 4.1’deki sinyalin hesaplanmış enerji spektrumu görülmektedir.

(26)

Şekil 4.1’deki sinyalin enerji spektrumu hesaplandıktan sonra 100ms lik zaman dilimleri kullanılarak sinyal çerçevelere ayrılmış ve her bir çerçevenin enerji değeri hesaplanarak eşik değeri ile karşılaştırılmıştır. Eşik değeri olarak 8000 sayısı kullanılmıştır. Şekil 4.3’de her bir çerçeve için hesaplanan enerji değerleri ve seçilen eşik değeri olan 8000 çizgisi görülmektedir. Aynı anda sinyalin sıfır geçişleri de hesaplanmış ve çerçevenin hem enerjisinin 8000 den büyük olup olmadığına hem de sıfır geçişlerinin 10’dan büyük olup olmadığına bakılmış, iki koşulunda aynı anda sağlandığı çerçeveler ötümlü olarak işaretlenmiştir. Sonuç olarak Şekil 4.4’de Şekil 4.1’deki sinyalin enerji spektrumu ve sıfır geçişleri yöntemleri ile ötümlü ötümsüz olarak işaretlenmiş hali görülmektedir.

Şekil 4.3 Orijinal sinyalin her bir çerçeve için enerji değeri ve eşik değeri

Çizelge 4.1’de ilk üç çerçeve için çerçeve uzunluğu ve çerçevelerin enerji değerleri verilmiştir. Enerji değeri 8000’den büyük olan çerçeveler ötümlü olarak

(27)

Çizelge 4.1 Çerçeve uzunlukları ve enerji değerleri Çerçeve Uzunluğu

(örnek sayısı)

Enerji Değeri

1. Çerçeve 14400 469.970

2. Çerçeve 12800 308.930

3. Çerçeve 15200 442.830

Şekil 4.4 Orijinal sinyalin ötümlü ötümsüz olarak ayrılmış hali

4.2 Doğrusal Öngörüm Katsayıları ( LPC - Linear Prediction Coefficient )

LPC (Linear Predictive Coding), Doğrusal Öngörüm Kodlaması, ses sinyali ve konuşma sinyali işlemede yaygın olarak kullanılan bir yöntemdir. Genel olarak LPC’ye

(28)

tekniklerinden birisidir ve iyi kalitede sıkıştırma sunabilen bir yöntemdir. Düşük bit sayısı ile yüksek kalitede sıkıştırma sağlayabilir. LPC analizi sonucu ortaya çıkan katsayılar iletim hattından gerekli yere iletilir ve iletilen kısımdaki ters sistem ile yeniden orijinal sinyale çok yakın bir sinyal elde edilir.

LPC çıktıları aynı zamanda konuşma sinyalinin formantlarını tahmin etmeye yarayan çizgisel izge frekansları yönteminin de girdilerini oluştururlar. LPC işlemi zaman bölgesinde yapılan bir analizdir.

Şekil 4.5’de LPC’nin matematiksel modeli gösterilmektedir.

Şekil 4.5 Doğrusal öngörüm kodlamasının matematiksel modellemesi

Şekil 4.6’da ise LPC’nin konuşma sinyaline özgü olarak ses yolundaki modellemesi gösterilmektedir. Bu model konuşma tanıma, konuşmacı tanıma da kullanılabilir.

(29)

Şekil 4.6 Doğrusal öngörüm kodlamasının akustik modellemesi

Şekil 4.5 ve Şekil 4.6’daki iki model karşılaştırıldığında matematiksel model ile insana ait akustik sistem modelindeki değişkenler şu de eşleştirilebilir. İnsana ait akustik sistemin çıktısı bu çalışmada horlama seslerinin kayıtları olarak ele alınmıştır.

Ses yolu ⇔ H(z), LPC Filtresi

Hava ⇔ u(n), Değişimler

Ses telleri titreşmesi ⇔ V, Ötümlü Bölgeler

Ses telleri titreşme periyodu ⇔ T, Perde periyodu

Hava hacmi ⇔ G, Kazanç

(30)

4.2.1 Doğrusal öngörüm katsayılarının hesaplanması

LPC genelde yörüngesel zarf bilgilerini iletmeyi amaçlar. Filtre katsayılarının iletimi direk olarak zordur bu nedenle daha ileri safhada yöntemler geliştirilmiştir. LPC katsayıları kovaryans ya da otokorelasyon yöntemleri ile hesaplanabilir. Bu çalışmada kullanılan Matlab programının lpc komutu otokorelasyon yöntemini kullanmaktadır.

Özellikle, doğrusal öngörüm, sinyalin sonraki izini tahmin etmeye yarayan katsayılar üretmek için hesaplanır. Formül 4.2’de x(n), önceki girdi sinyali iken ( )

~

n

x , x(n)’e ait tahmin edilmiş bir sonraki çıktı sinyalidir.

=

=

− +

+

− +

= M

i i

Mx n M a x n i

a n

x a n

x a n x

1 2

1

~

) ( )

( ...

) 2 ( ) 1 ( )

( (4.2)

~

x(n) = Orijinal sinyalin LPC ile yeniden elde edilmiş hali )

(n

x = Orijinal sinyal a = LPC katsayıları M = Örnek sayısı

4.2 numaralı formülde a dizisi öngörüm katsayılarıdır. Şu açıktır ki sıradaki çıktının tahmin edilmesi bu katsayılara ve genel sistem farkları denklemine doğrudan bağlıdır.

Genel olarak bir LTI (linear time invariant) sistemin derecesi bilinmese de böyle bir tahmin edici sistemi sinyal modelinin özelliklerini çıkartmaya yarayabilir.

Sinyal işlemede 4.2 numaralı formüldeki denklem kullanılarak elde edilen sinyal ile orijinal sinyalin arasındaki farkı ortaya koyan hata denklemi 4.3 numaralı denklemdeki gibi yazılabilir.

(31)

=

=

= M

i

ix n i a

n x n x n x n

1

~

) ( )

( ) ( ) ( )

ε( (4.3)

)

ε(n = Elde edilen sinyaldeki hata.

Bu modele tüm kutup modeli adı verilir.

Bir tüm kutup modelin kullanılmasının bazı nedenleri vardır.

(i) Genellikle girdi dizisine erişim yoktur.

(ii) Birçok basit sinyal kaynağı böyle bir model ile başarılı bir şekilde modellenmiştir.

(iii) Tüm kutup modeli kolaylıkla çözülebilen bir denklem sistemi sunar.

Formül 4.3’den yola çıkarak, LPC’nin başarısı hatanın en düşük seviyede tutulmasına bağlıdır. Bu nedenle hatanın sıfıra yakın olması sağlanmalıdır. Bu düşünceye göre formül 4.4 yazılabilir.

∑ ∑ ∑

=

=

=

n n

M

i

ix n i a

n x n

E

1

2

2( ) ( ( ) ( ))

ε (4.4)

Hatanın karesi sıfır olmalıdır. Bunun için hata denkleminin türevi sıfıra eşitlenmelidir.

4.4 numaralı denklemin türevinin sıfıra eşitlenmesi 4.5 numaralı denklem ile gösterilir.

∑ ∑

=

=

=

n

M

i

ix n i for k M

a n

x k n x

1

,..., 3 , 2 , 1 0

)) ( )

( )(

(

2 (4.5)

4.5 numaralı denklem açıldığında görülecektir ki elde M bilinmeyenli M tane denklem bulunmaktadır. Bu 4.6 numaralı denklem ile ifade edilebilir.

(32)

+

+ +

=

n n M n n

n x k n x M

n x k n x a n

x k n x a n x k n x

a1 ( ) ( 1) 2 ( ) ( 2) ... ( ) ( ) ( ) ( )

M k

for =1,2,3,..., (4.6)

4.6 numaralı denklemdeki her bir x(n-k)x(n-1) için 4.7 numaralı eşitlik yazılabilir.

Böylece 4.7 numaralı denklemi çözmek için 4.8 numaralı matris denklemi yazılabilir ve bu matris denkleminin çözümü ai katsayılarını verir. Buna otokorelasyon yöntemi ile LPC analizi denir.

=

+

=N k

n

k n x n x k

r

1

0

) ( ) ( )

( (4.7)

r(0) r(1) … r(M-2) r(M-1) a1 r(1)

r(1) r(0) … r(M-3) r(M-2) a2 r(2)

. . . .

. . . . . . = .

. . . . . . .

r(M-2) r(M-3) ... r(0) r(1) aM1 r(M-1)

r(M-1) r(M-2) … r(1) r(0) aM r(M)

(4.8)

4.2.2 Doğrusal öngörüm katsayıları uygulamaları

LPC olarak bilinen doğrusal öngörüm katsayıları genel olarak konuşma analizinde kullanılır. Bu senaryoda konuşma sinyali LPC analiz modülüne girdi olarak verildiğinde LPC katsayıları ile bu öngörüm sonrasında artan artık sinyaller (residual) elde edilir.

LPC sentez bloğu ise LPC analiz modülünün ters sistemi olarak düşünülebilir. Bu durumda artık sinyaller ile LPC katsayıları birlikte kullanılarak ses sentezi yapılabilir.

Bu yöntem etkin bir ses sıkıştırma ve kodlama yöntemi olduğundan iletişim firmaları tarafından sıklıkla tercih edilen GSM ve diğer güvenli kablosuz iletişim ağlarında kullanılabilirler. Şekil 4.7’de örnek bir orijinal sinyal ve bu orijinal sinyalin önce LPC ile kodlanmış ardından iletildiği yerde yeniden oluşturulmuş orijinal sinyale çok yakın

(33)

Şekil 4.7 Orijinal sinyal ve LPC ile kodlanarak yeniden oluşturulmuş sinyal

4.3 Çizgisel İzge Frekansları ( LSF - Line Spectral Frequency)

Konuşma sinyalinin en küçük birimi fonem olarak adlandırılır. Konuşma sinyalinin Fourier Dönüşümünün genlik izgesine ait zarfa ise formant denir. Konuşma işlemede fonemler kendi salınım frekansları yani formantları ile tanımlanırlar. LPC katsayılarının kullanımı ile oluşturulan yeni sinyal orijinal sinyale göre hata içermektedir ve bu hata her katsayıdaki hata payından kaynaklanmaktadır.

LPC katsayılarından üretilen ve çizgisel izge frekansları olarak adlandırılan katsayılar konuşma spektrumundaki her bir salınım frekansına, formantlarına denk gelmektedir.

Zarfın salınım frekansları, sinyalin Fourier Dönüşümünün genlik izgesindeki tepe ve çukur değerleridir.

(34)

LSFlere LPClerden geçiş için formül 4.9 kullanılabilir.

=

= p

k k kz a z

A

1

1 )

( , A(z) = Filtre (4.9)

Formül 4.9’da A(z) 4.10’daki gibi ifade edilebilir.

P(z) = A(z) + z − (p + 1)A(z − 1)

Q(z) = A(z) − z − (p + 1)A(z − 1) (4.10) P(z) ve Q(z) polinomlarının kökleri LSFleri vermektedir. LSFler 0 ile π (pi) arasında değerler olarak çıkarlar. Pi değeri sinyalin örnekleme frekansına denk gelmektedir.

Örneğin basit horlamalı bir hastaya ait horlama sinyalinin 10 adet LPC katsayıları ile LSF katsayıları şu şekildedir:

LPC katsayıları:

1.0000 -1.1008 0.0592 -0.0021 0.0822 -0.1992 0.5229 -0.2090 -0.1495 - 0.0847

LSF Katsayıları:

0.1240 0.2190 0.2994 0.5220 0.6820 0.7624 1.1135 1.2586 1.3542 1.5621

4.4 Yapay Sinir Ağları

Sinir ağları, nöron ismi verilen hesaplama elemanlarının paralel bir şekilde çalışmasından meydana gelir. Bu elemanlar biyolojik sinir sistemlerinden esinlenerek tasarlanmıştır. Belirli bir fonksiyonu gerçekleştirmek için bir sinir ağı, elemanları

(35)

arasındaki bağlantıların (ağırlıkların) değerleri ayarlanılarak eğitilebilir (Demuth 2006).

Bu çalışmada da basit horlama sinyali ile apneli hastaya ait horlama sinyallerinin öznitelikleri belirlendikten sonra bu özniteliklerin kullanılarak sınıflandırmaya tabi tutulması için yapay sinir ağı kullanılacaktır.

Genelde, sinir ağları eğitilerek belirli bir girişe karşılık verilen arzu edilen çıkışı elde ederler. Bu durum Şekil 4.8’de verilmiştir. Ağın çıkışı arzu edilen hedefe ulaşıncaya kadar çıkış ile hedef karşılaştırılarak ağın eğitimi (ağırlık değerlerlerinin ayarlanması) gerçekleştirilir. En basit tanımıyla yapay sinir ağları, bilinen en iyi eğri uydurma tekniklerinden birisidir.

Şekil 4.8 Yapay sinir ağı çalışma mantığı

Sinir ağları, örüntü tanıma, kimliklendirme, sınıflandırma, konuşma işleme, bilgisayarla görü ve kontrol sistemleri gibi karmaşık problemler içeren pek çok sahada kullanılmaktadır.

4.4.1 Nöron Modeli

Basit bir yapay nöron, bir ya da birden çok ölçekli girişe ve bir çıkışa sahip olan bir hesaplama elemanıdır. Tek girişli nöron modeli Şekil 4.9’da verilmiştir (Gurney 1997).

(36)

Şekil 4.9 Tek girdili bir nöron modeli (Gurney 1997)

Şekil 4.9’da p: nöronun girişi olan skaler değeri, w: p girişi ile nöron arasındaki ağırlık değerini, b: nöronun bias değerini, f, transfer fonksiyonunu, a: nöronun çıkışını belirtmektedir. p girişi önce w ağırlığı ile çarpılır. Ardından b kutup değeri ile toplanır ve transfer fonksiyonundan geçirilerek a çıkışı hesaplanır. Transfer fonksiyonu doğrusal ya da doğrusal olmayan türevlenebilir bir fonksiyondur. Şekil 4.9’daki basit nöron modelinde, giriş ile çıkış arasında basit bir matematiksel bağıntı kurulmuştur. Fakat nöronun arzu edilen çıkışı verebilmesi için w ve b ağırlık değerlerinin en uygun değer olacak şekilde ayarlanması gerekmektedir.

Birden fazla girişi olan nöron modeli Şekil 4.10’da verilmiştir.

Şekil 4.10 Çok girdili bir nöron modeli (Gurney 1997)

(37)

Şekil 4.10’da, r nöronun giriş sayısıdır. Görüleceği üzere giriş sayısı kadar da w ağırlık değeri vardır. Bu durumda Şekil 4.10’daki modelin matematiksel ifadesi formül 4.11’deki gibi olur:



 

 +

=

= R

i i

ip b

w f a

1

(4.11)

R=Toplam nöron sayısı, w=Ağırlık değerleri, p=Girişler, b=Kutup değeri, f=Transfer fonksiyonu, a=Çıkış değeri

4.4.2 Çok Katmanlı Perseptron (ÇKP - Multi-layer Perceptron) ağı

Yapay sinir ağlarında çok çeşitli ağ yapıları ve modelleri vardır. En çok kullanılan ağ yapılarından birisi çok katmanlı perseptron (ÇKP)’dur.

Bu ağda bilginin akışı ileri yönlüdür. Öğrenme ve eğitme algoritması olarak genelde türeve dayalı geriye yayılım (back propagation) algoritmaları tercih edilir. Şekil 4.11’den de görüleceği üzere nöronlar, katmanlar şeklinde organize edilmiştir. Her bir katmanda en az bir nöron bulunur. Bir önceki katmandaki tüm nöronlar bir sonraki katmandaki nöronlara bağlantı içermektedir. Bu şekilde arzu edildiği kadar katman oluşturulabilir. Şekil 4.11’de üç katmanlı bir yapay sinir ağı yapısı verilmiştir.

(38)

Şekil 4.11 Çok girişli bir perseptron katmanı

Şekil 4.11’de giriş vektörleri, aslında nöron olmamalarına rağmen bir sonraki katmana herbiri birer çapraz bağlantı içermektedir. Son katman çıkış katmanı olarak da isimlendirilir. Giriş ile çıkış katmanı arasında yer alan katmanlar gizli katman (hidden layer) olarak da anılmaktadır. Şekil 4.11’de 3 adet katman bulunmaktadır, giriş ile çıkış arasında birden fazla gizli katman bulunabilir. Bu surumda giriş ile çıkış arasında paralel bir matematiksel ilişki kurulmuş olur. Uygun bir öğrenme algoritması ile ağırlık değerleri ağın arzu edilen çıkışını verecek şekilde ayarlanmaktadır.

(39)

5. MATERYAL VE YÖNTEM

5.1 Veri Elde Etme

Bu çalışmada GATA (Gülhane Askeri Tıp Akademisi)’da bulunan uyku laboratuarında, apne ya da basit horlama tanısı konulmuş hastalardan alınan kayıtlar kullanılmıştır. Bu kayıtlar Sennhiser ME 64 modelinde bir mikrofon ile alınmıştır. Mikrofon 40-20000 Hz ve hassasiyet olarak 2.5 dB’lik frekans tepkisine sahiptir. Mikrofonun aynı zamanda dışı kardiyodid bir madde ile kaplandığı için dış ortam ekolarına müsaade etmez. Uyku sırasındaki hastanın başından 30 cm üzerine yerleştirilen mikrofon ile alınmış kayıtlara ait sinyaller BNC türünden bir kablo ile standart bir masaüstü bilgisayarına ( Personal Computer-PC ) iletilmiştir. Bu sinyaller Edirol UA-1000 modelinde çok kanallı bir veri yakalama sistemi sayesinde PC’ye bağlanmıştır. PC gürültü kirliliği yaratmaması için odanın dışına yerleştirilmiştir. Bu alınan sinyal 16 KHz 16 bit lik bir analog dijital çevirici ile işlenmiştir. Veri ayıklama kartı PC’ye evrensel seri veri yolu (universal serial bus - USB ) ile bağlanmıştır. Mikrofonun hassasiyetinin ayarlanması kayıt edilmiş sinyalin sinyal-gürültü-oranı (SNR, signal to noise ratio) kalitesi açısından önemlidir.

Toplanan veriler PC’de kaydedilmiş ve saklanmıştır. Çizelge 5.1’de kayıtların alındığı hasta sayısı verilmiştir. Mikrofon hastanın başının 30cm üzerinde asılı vaziyette durmaktadır ve kayıtlar bu şekilde sabitlenmiş mikrofon ile alınmıştır.

Çizelge 5.1 Kayıtların alındığı hasta sayıları

Hasta Bilgisi Apneli Hasta Basit Horlama

Hasta Sayısı 10 8

5.2 Verilerin İşlenmesi

Bu çalışmada kullanılacak olan horlama sinyalleri öncelikle ötümlü-ötümsüz ayrımına tabi tutulacak, daha sonra her bir ötümlü bölgenin LPC katsayıları ve bu LPC katsayıları

(40)

sınıflandırıcıya girdi olarak verilecek ve sonuçta apneli yada basit horlamalı hastaya ait örnekler şeklinde çıktılar elde edilecektir.

Çalışmada işlenecek blok diyagramı Şekil 5.1’de verilmiştir.

Şekil 5.1 Çalışma için geliştirilecek algoritmanın blok diyagramı

Şekil 5.1’deki algoritmada bahsedilen ötümlü-ötümsüz ayrımı, LPClerin bulunması, LPClerden LSFlere geçişler Bölüm 4’de anlatılmıştır. Horlama sinyalindeki ötümsüz bölgeler bu çalışmada herhangi bir anlam ifade etmemektedir. LSFlerin eğitileceği sınıflandırıcı için geliştirilen algoritmanın blok diyagramı da Şekil 5.2’de gösterilmiştir.

Evet Hayır

Ötümlü-ötümsüz sınıflandırması

Örneklerin LPC lerinin bulunması

LPC lerden LSF lere geçilmesi

LSF lerin sınıflandırıcıda test edilmesi Çıktı dizisi

Horlama sinyali

Ötümlü-ötümsüz Sınıflandırması

Örneklerin LPC lerinin bulunması

LPC lerden LSF vektörlerinin oluşturulması.

Her bir lsf dizisinin sınıflandırıcıya eğitim verisi olarak

gönderilmesi.

Eğitilmiş

sınıflandırıcı hazır

Sınıflandırıcı istenilen düzeye ulaştı mı?

(41)

Bu çalışmada sınıflandırıcı olarak çok katmanlı bir yapay sinir ağı kullanılmıştır. Sinir ağları ile ilgili genel bilgi Bölüm 4.4’de anlatılmıştır. Sınıflandırıcı olarak yapay sinir ağlarının kullanılmasının nedenleri olarak, en büyük eforun sadece eğitim aşamasında harcanması, test aşamasında hep aynı eğitilmiş ağ kullanılacağı için karar verme mekanizmasının daha az performansa ve zamana ihtiyacı olması, yapay sinir ağlarının bilinen en iyi eğri uydurma yöntemlerinden biri olması gösterilebilir. En önemli nedenlerden birisi de yapay sinir ağları tam doğrusal olmayan eğrileri uydurmada önemli derecede başarılıdırlar. Özellikle apneli hastalara ait horlama seslerinden elde edilen LSF katsayıları doğrusal olmadıkları için yapay sinir ağlarının başarılı olacağı düşünülmüştür. Çalışmada kullanılacak sinir ağı ileri beslemeli çok katmanlı bir ağdır.

Çok katmanlı ağlar hatayı geri yayma algoritmaları sayesinde iyi sonuçlar vermekte ve hatayı oldukça azalatmaktadırlar. Çalışmada kullanılan yapay sinir ağı MATLAB programındaki newff komutu ile oluşturulmuştur. Newff komutunun detayı şu şekildedir:

net = newff(PR,[S1 S2…SNl],{TF1 TF2…TFNl},BTF,BLF,PF) Burada;

PR - R elemanlı giriş vektörünün minimum ve maksimum değerlerini içeren Rx2 ‘lik matris.

Si - i’nci katmanda bulunan nöron sayısı.

TFi - i’nci katmanın transfer fonksiyonu, varsayılan= 'tansig'.

BTF - Geriye yayılım ağ eğitim fonksiyonu, varsayılan = 'trainlm'.

BLF - Geriye yayılım ağırlık/bias öğrenme fonksiyonu, varsayılan = 'learngdm'.

PF - Performans fonksiyonu, varsayılan = 'mse' dir.

Burada kullanılan yapay sinir ağı iki katmandan oluşmuştur. Birinci katmanda 5 ikinci katmanda yani çıkış katmanında 1 nöron bulunmaktadır. İlk katmanın transfer fonksiyonu tanjant sigmoid, ikinci katmanınki ise lineer’dir. Öğrenme algoritması, gradyent azaltım algoritması traingd’dir.

(42)

toplanan veriler eğitim verisi, diğer 5 apneli ile 4 basit horlamalı hastadan toplanan veriler de test verisi olarak kullanılmıştır. Her bir hastadan alınan kayıt 250 horlama örneği içermektedir. Şekil 5.2’deki algoritma için girdi olarak toplanan verilerden apneli hastalara ait 1250 ve basit horlamalı hastalara ait 1000 örneklik bloklar kullanılmıştır.

Sınıflandırıcımız bu veriler ile eğitilirken eğitim verisi olarak apneli hastalar için 0, basit horlamalı hastalar için 1 sayısı çıktı verisi olarak kullanılmıştır. Apneli bir hastaya ait 18 LSF (16000 hz örnekleme frekansına sahip bir sinyal için (Örnekleme frekansı(hz)/1000)+2 kuralına göre 16000/1000 + 2 = 18 adet LSF katsayısı kullanılmalıdır) katsayısının girdisi için 18 tane 0 sınıflandırıcıya eğitim sırasında çıktı olarak gösterilmiştir. Basit horlamalı bir hasta için de 18 adet 1 çıktı olarak gösterilmiştir.

Hastalardan kayıtlar toplandıktan sonra çalışmada kullanılmak üzere sadece horlama sesleri gerektiği için kayıtlardan horlama seslerinin ayıklanması gerekmektedir.

Horlama seslerinin ayıklanması için Powerful Audio Tool isimli ses düzenleme programı kullanılmıştır. Şekil 5.3’de powerful audio tool isimli programa ait bir görüntü verilmiştir.

Şekil 5.3 Powerful Audio Tool’a ait bir görünüm

(43)

Powerful Audio Tool programı her türlü formattaki ses dosyalarını iki kanallı olarak açabilmekte ve üzerinde istediğiniz kısımları kesme ya da kopyalama gibi işlemleri yapabilmenizi sağlamaktadır. Aynı zamanda düzenlediğiniz dosyayı da istediğiniz formatta ve örnekleme frekansında kaydedebilirsiniz. Bu program ile bütün kayıtlar tek tek açılmış ve uykunun başı ile sonunda bulunan çeşitli gürültüler ayıklanmıştır. Bu gürültüler sinyal şeklindeki farklılıkların izlenmesi ve sinyalin dinlenmesi ile ayıklanmıştır. Sinyal takip edilerek horlamaya ait olan bloklar tek tek ayrılmıştır.

Sonuçta elde edilen en küçük blok 250 horlama sesi içerdiğinden, verilerimiz 250 horlamadan oluşan bloklar olarak bölümlenmiş ve hastaya ve hastanın tanısına göre bu bloklar ayrıca kaydedilmiştir. Neticede elimizde yapay sinir ağından oluşan bir sınıflandırıcıda eğitmek için 4 ayrı basit horlayan insandan alınmış 1000 örneklik bir veri bloğu ile apne tanısı konulmuş 5 ayrı hastadan alınan 1250 örneklik bir veri bloğu bulunmaktadır. Bu bloklarla eğitilmiş sınıflandırıcımızı test etmek içinde toplam 4 ayrı hastadan alınmış 1000 örneklik veri bloğu ile 5 ayrı apne tanısına sahip hastadan alınmış 1250 örneklik ayrı bir veri bloğu bulunmaktadır. Şekil 5.4’de apne teşhisi konulmuş hastadan alınmış horlama örneği ile Şekil 5.5’de basit horlaması olan bir hastaya ait horlama örneği bulunmaktadır.

(44)

Şekil 5.4 Apneli hastaya ait bir horlama sesi örneği

Şekil 5.5 Basit horlamalı hastaya ait bir horlama sesi örneği

(45)

5.3 Verilerin İşlenmesi Sonucu Elde Edilen Çıktılar

GATA’da çeşitli yaş gruplarındaki hastalardan toplanan bu veriler ayıklandıktan sonra önce ötümlü ötümsüz ayrımına tabi tutulmuştur. Bu işlemde Bölüm 4.1.1 ötümlü ötümsüz sınıflandırması kısmında anlatılan teknik kullanılmıştır. Sinyalin enerjisine ve sıfır geçişlerine bakılarak ötümlü-ötümsüz bölgeleri işaretlenmiştir. Enerjisi için eşik değeri olarak 8000, sıfır geçişleri için de eşik değeri olarak 10 sayısı kullanılmıştır.

Sinyalin işlendiği her bir çerçeve 100 mslik bölümlerden oluşturulmuştur. Horlama seslerinde 100 mslik çerçeveler enerji hesaplama da başarılı sonuçlar vermiştir. Şekil 5.6’da basit horlamalı bir hastaya ait horlama sesinin orijinal görünümü verilmiştir.

Şekil 5.7’de ise bu sinyalin ötümlü ötümsüz olarak ayrılmış hali gösterilmektedir.

Şekil 5.6 Sınıflandırmaya tabi tutulacak orijinal sinyal

(46)

Şekil 5.7 Orijinal sinyalin sesli-sessiz sınıflandırılmış hali

Ötümlü ötümsüz ayırımı ile ayrılan kısımlar LPC analizine tabi tutularak LPC katsayıları hesaplanmıştır. LPC katsayıları hesaplanırken Matlab programındaki lpc komutu kullanılmıştır. Bu komut Bölüm 4.2.1’de anlatılan otokorelasyon yöntemini kullanarak katsayıları hesaplar. Şekil 5.8’de örnek bir horlama sinyalinin lpc komutu ile hesaplanmış LPC katsayılarının sunumu gösterilmiştir. LPC katsayıları LSF katsayılarının hesaplanması için girdi olarak kullanılmaktadır. Hesaplanan bu LPC katsayılardan LSF katsayılarına geçilmiş ve her bir örnek için 18 adet LSF elde edilmiştir. Burada 18 sayısı hesaplanırken (örnekleme frekansı(Hz)/1000)+2 formülü kullanılmıştır. Sinyalin örnekleme frekansı 16000 Hz olduğundan dolayı optimum bir çalışma için 18 LSF’e ihtiyaç bulunmaktadır. Bu LSFleri eğitmek için oluşturulan sinir ağı ise çok katmanlı bir perseptrondur. 18 adet LSF katsayısından oluşan her bir vektör her bir horlama örneği için oluşturulmuş ve eğitilmiş sinir ağına girdi olarak verilmiştir.

Sinir ağımız basit horlayan bir hasta için 1, apne tanılı bir hasta için ise 0 çıktısını ya da olasılıklarına göre bu değerlere yakın bir çıktıyı vermektedir. Şekil 5.9’da basit horlayan bir hastaya ait horlama sinyalinin elde edilmiş LSF katsayıları, Şekil 5.10’da

(47)

ise apneli bir hastaya ait horlama sinyalinin LSF katsayıları gösterilmiştir. Şekil 5.11’de ise Şekil 5.9 ve 5.10’un aralarındaki farklılıkları gösterebilmek için üst üste bindirilmiş hali verilmiştir.

Şekil 5.8 Örnek bir horlama sinyaline ait doğrusal öngörüm katsayılarının sunumu

(48)

Şekil 5.10 Apneli bir hastanın 15 farklı horlamasına ait çizgisel izge frekans katsayıları

Şekil 5.11 Apneli ve basit horlayan iki ayrı hastaya ait çizgisel izge frekansları katsayıları

(49)

Şekil 5.9 ve 5.10’a bakıldığında basit horlayan hastalara ait LSF katsayıları apneli hastalara ait LSF katsayılarından bazı LSF değerlerinde belirgin şekilde birbirlerinden ayrıldıkları gözlenebilir. Özellikle apneli hastalara ait horlama seslerinin LSF katsayılarının 17 ve 18. katsayı değerlerinin yüksek çıkması apneli horlama seslerinin bu noktada daha yüksek frekanslara sahip olduğunu göstermektedir. Yine Şekil 5.10’a bakıldığında apneli hastalara ait 7. ve 13. LSF katsayıların da basit horlama sesine ait LSF katsayılarına göre daha yüksek oldukları yani daha yüksek frekanslara sahip oldukları görülmektedir. LSF katsayılarındaki bu değer farklılıkları esas alınarak bir sınıflandırıcı geliştirilmiştir. Oluşturulan yapay sinir ağına bütün bu 18 LSF katsayısı da girdi olarak verildiği için spektrumun bütün tepe frekans değerleri sınıflandırıcıya gösterilmiş ve bu doğrultuda sınıflandırıcı eğitilmiş olduğu için başarı oranı artmaktadır. Daha az sayıda LSF katsayısı kullanılması durumunda bazı tepe frekans değerleri eksik kalacağı için başarı oranı da düşecektir.

(50)

6. BULGULAR VE TARTIŞMA

Uyku laboratuarları hem zaman açısından hem de maddi açıdan hem hastaya hem de hastanelere yük getirmektedir. Neticede uyku laboratuarlarında kayıt edilen her sinyal çeşitli araştırmalar için kullanılmakta ve çeşitli hastalıklara tanı konulmasının kolaylaştırılmasına ya da hastalıkların değişik özelliklerinin keşfedilerek tedavi yöntemlerinin geliştirilmesine çalışılmaktadır. Bu çalışmada da basit horlamalı hastalara ait horlama ve apneli hastalara ait horlama sinyalleri incelenmiştir.

Çalışmada kullanılan kayıtlar, uyku laboratuarında mümkün olan en sessiz ortam sağlanarak alınmıştır. Odada hiçbir gürültü kaynağı bırakılmamış, dışarıdan gelecek gürültüler de mümkün olduğunca engellenmiştir. Bu şekilde alınan kayıtlardan ötümlü ve ötümsüz bölgeler enerji spektrumu ve sıfır geçişleri yöntemine göre birbirinden ayırt edilmiş, daha sonra ötümlü bölgelerin hangilerinin basit horlama hangilerinin apneli hastaya ait horlama sesi olduğuna sınıflandırıcımız kullanılarak karar verilmiştir. Bu çalışmada kullanılan yöntem geliştirilirken horlama olduğu dinlenerek tespit edilmiş sinyallerin özellikleri incelenmiş ve bazı sinyal özellikleri ortaya çıkarılmaya çalışılmıştır. Önce horlama sinyalinin güç spektrumu incelenmiştir. Güç spektrumuna bakıldığında belli frekanslarda tepe noktaları tespit edilmiştir. Yalnız bu tepe noktalarının yani formant frekanslarının ne olduğu tam olarak belli olmamaktadır.

Bunun tespiti için de sinyal sıkıştırmada ve konuşma tanımada sıkça kullanılan LPC yönteminden LSFlere geçerek formant frekansları belirlenmeye çalışılmıştır.

Sistemimizde kullandığımız sınıflandırıcıyı eğittiğimiz veri test amaçlı olarak kullanılmamıştır. Sınıflandırıcımızın çıktısı 1 ise basit horlama, sıfır ise apneli horlama olarak adlandırılmıştır. Şekil 6.1’de basit horlamalı bir insandan alınan 308 örnek için sistemimizin çıktısı verilmiştir. Şekil 6.1’e bakıldığında örneklerin çok büyük bölümünün 1’in çok yakın komşuluğunda yoğunlaştığı görülmektedir, eşik değeri olarak 0.5 seçildiğinde sistem %90’ın üzerinden bir başarı ile bu örnek sinyalin basit horlamalı bir hastadan alınan horlama sesi sinyali olduğunu söylemektedir.

(51)

Şekil 6.1 Basit horlama sesine karşı yapay sinir ağının çıktısı

Çizelge 6.1’de sınıflandırıcının eğitildiği örneklere ait rakamlar verilmiştir. Toplamda 2250 örnek kullanılmıştır.

Çizelge 6.1 Eğitim verisi bilgileri

Çizelge 6.2’deki eğitim verileri ile eğitilen sinir ağı, elde bulunan test verileri ile test edildiğinde ulaşılan sonuçlar ve hata yüzdeleri basit horlamalı hastalar için Çizelge 6.2’de, apneli horlamalı hastalar için ise Çizelge 6.3’de verilmiştir.

Eğitim Verileri

Basit Horlama 1000 örnek (4 ayrı hasta) Apneli Horlama 1250 örnek (5 ayrı hasta)

(52)

Çizelge 6.2 Basit horlama verileri ile test sonuçları

Test Verileri ve Sonuçları

Örnek Sayısı TP FP Başarı

Yüzdesi Basit

Horlama

250 244 6 97.6

Basit Horlama

250 240 10 96

Basit Horlama

250 241 9 96.4

Basit Horlama

250 237 13 94.8

Toplam 1000 962 38 96.2

FP: Apne teşhisi konulmadığı halde apneli olarak çıkan örnek veriler.

TP: Basit horlama iken basit horlamalı olarak çıkan örnek veriler.

Çizelge 6.3 Apneli horlama verileri ile test sonuçları Test Verileri ve Sonuçları

Örnek Sayısı TP FP Başarı

Yüzdesi Apneli

Horlama

250 235 15 94

Apneli Horlama

250 242 8 96.8

Apneli Horlama

250 237 13 94.8

Apneli Horlama

250 240 10 96

Apneli Horlama

250 239 11 95.6

Toplam 1250 1193 57 95.4

FP: Apne teşhisi konulduğu halde basit horlamalı olarak çıkan örnek veriler.

TP: Apne teşhisi iken yine apneli olarak çıkan örnek veriler.

Bu çizelgelerdeki veriler ve başarı yüzdeleri incelendiğinde LSFlerin yapay sinir ağları ile birlikte horlamaları ayırt edebilmek için etkili bir yöntem olduğu söylenebilir. Basit horlamalı hastaların teşhisindeki başarı oranının daha yüksek çıkması normaldir. Çünkü

(53)

basit horlama çok fazla değişik frekans özelliği gösteren bir horlama çeşidi değildir, neticede apnenin de kendi içerisinde oluşma faktörlerine göre çeşitleri bulunmaktadır.

Bu çeşitlerden dolayı sistem apnenin teşhisinde daha az başarılı olmuştur. Ayrıca söylenebilir ki apneli hastalara ait horlama sesi basit horlamalı hastalardan alınan horlama sesine göre daha yüksek frekansları içermektedir. Formant yapısı gösteren sinyallerde bu tepe formant frekansı değerlerini bulmada LSF yöntemi başarılı olduğundan bu çalışmada da LSF yöntemi yapay sinir ağı ile birlikte denenmiştir ve sonuçlara bakıldığında LSF yönteminin burada da başarılı olduğu söylenebilir.

Bu çalışmada sadece mevcut horlama seslerinin basit horlama yada apneli hastaya ait horlama olduklarının sınıflandırılması amaçlanmıştır. Ancak kullanılan LSF yönteminin daha detaylı analizler için kullanılabileceği de bir gerçektir. Neticede apne de kendi içerisinde çeşitlidir. Derecesine göre apne teşhisi konulmuş hastalardan daha fazla kayıt alınarak apneli hastaların kendi içerisinde de LSF incelemeleri yapılıp apneler de sınıflandırılabilir. Geliştirilen sistem 18 LSF için çalıştırılmaktadır. Detaylı ileri istatistiksel çalışmalar ile daha yerel LSFlerin kullanılabilirliği de araştırılabilir.

Horlama sesleri ile birlikte eş zamanlı polisomnografi kayıtları alınıp polisomnografide tespit edilen sorunlara ait zaman dilimindeki horlama sesleri yine LSF yöntemi ile incelenip LSF katsayılarında hastanın sorunlarına ait birtakım değişikliklerin gözlenip gözlenemediği araştırılabilir. Bu çalışma genel olarak göstermiştir ki, konuşma tanıma da kullanılan LSFler apne tanısında da çeşitli çalışmalar için kullanılabilecek bir yöntemdir.

Şekil

Updating...

Referanslar

Benzer konular :