Elektrookulografi (EOG) sinyalleri ile uyku evreleme

(1)

T.C.

SELÇUK ÜNĠVERSĠTESĠ FEN BĠLĠMLERĠ ENSTĠTÜSÜ

ELEKTROOKULOGRAFĠ (EOG)

SĠNYALLERĠ ĠLE UYKU EVRELEME Ahmet COġKUN

YÜKSEK LĠSANS TEZĠ

Elektrik-Elektronik Mühendisliği Anabilim Dalı

(2)

TEZ KABUL VE ONAYI

Ahmet COġKUN tarafından hazırlanan “ELEKTROOKULOGRAFĠ (EOG) SĠNYALLERĠ ĠLE UYKU EVRELEME” adlı tez çalıĢması 22/06/2017 tarihinde aĢağıdaki jüri tarafından oy birliği ile Selçuk Üniversitesi Fen Bilimleri Enstitüsü Elektrik-Elektronik Mühendisliği Anabilim Dalı’nda YÜKSEK LĠSANS TEZĠ olarak kabul edilmiĢtir.

Jüri Üyeleri Ġmza

BaĢkan

Yrd. Doç. Dr. Ali Osman ÖZKAN DanıĢman

Doç. Dr. Seral ÖZġEN Üye

Yrd. Doç. Dr. Rahime CEYLAN

Yukarıdaki sonucu onaylarım.

(3)

TEZ BĠLDĠRĠMĠ

Bu tezdeki bütün bilgilerin etik davranıĢ ve akademik kurallar çerçevesinde elde edildiğini ve tez yazım kurallarına uygun olarak hazırlanan bu çalıĢmada bana ait olmayan her türlü ifade ve bilginin kaynağına eksiksiz atıf yapıldığını bildiririm.

DECLARATION PAGE

I hereby declare that all information in this document has been obtained and presented in accordance with academic rules and ethical conduct. I also declare that, as required by these rules and conduct, I have fully cited and referenced all material and results that are not original to this work.

Ahmet COġKUN 22/06/2017

(4)

iv ÖZET

YÜKSEK LĠSANS TEZĠ

ELEKTROOKULOGRAFĠ (EOG) SĠNYALLERĠ ĠLE UYKU EVRELEME

Ahmet COġKUN

Selçuk Üniversitesi Fen Bilimleri Enstitüsü Elektrik-Elektronik Mühendisliği Anabilim Dalı

DanıĢman: Doç. Dr. Seral ÖZġEN 2017, 88 Sayfa

Jüri

Yrd. Doç. Dr. Ali Osman ÖZKAN Doç. Dr. Seral ÖZġEN Yrd. Doç. Dr. Rahime CEYLAN

Uyku evreleme solunum ve uyku hastalıklarının teĢhisi ve tedavisinde önemli bir aĢamadır. Uyku evreleme günümüzde polisomnografi ile yapılmaktadır. Polisomnografi (PSG), uyku ile ilgili çeĢitli bozuklukların tespiti için gece normal uyku esnasında, kafa, yüz ve belirli vücut bölgelerine konulan sensörler yardımıyla sinyallerin kaydedildiği bir testtir. Kayıtların değerlendirilmesinde uygulanması gereken ilk aĢama uyku evrelerinin skorlanmasıdır. Uyku evrelerinin skorlanması için ilk standart metot Rechtschaffen and Kales (R&K) tarafından 1968 yılında geliĢtirilmiĢtir. Bu metotla bütün polisomnogram epoklara bölünür ve her bir epoğa etiket verilir. Her bir etiket uykunun temel evrelerinden birini gösterir. Bu evreler baĢta elektroensefalogram (EEG), elektrookülogram (EOG) ve elektromiyogram (EMG) kayıtları olmak üzere pek çok sinyalin incelenmesi ile belirlenir. 2007 yılında Amerikan Uyku Tıbbı Akademisi (AASM), uyku kayıt teknikleri ve skorlamada standardizasyon sağlayan yeni bir skorlama el kitabı yayınlamıĢ, 2012 yılında ise revize edilerek “AASM Manual for the Scoring of Sleep-Version 2.0” adı ile yayınlanan el kitabı ile skorlama kriterleri güncellenmiĢtir ve bilimsel çalıĢmalara temel olmuĢtur. Bu çalıĢmada, diğer çalıĢmalardan farklı olarak sadece EOG sinyali kullanarak uyku evrelenmek istenmiĢtir. Necmettin Erbakan Üniversitesi Meram Tıp Fakültesi uyku laboratuvarında 15 hastadan sol göz EOG (EOGL) ve sağ göz EOG (EOGR) sinyalleri elde edilmiĢtir. Uyanık (wake), REM, Non-REM-1, Non-REM-2, Non-REM-3 bölgeleri belirli olan bu sinyaller üzerinden, zaman ve frekans domeninde, 36 özellik çıkarılmıĢ ve sınıflandırmaya tabi tutulmuĢtur. Sinyaller uyanık (wake), hafif uyku (REM + Non-REM-1), derin uyku (Non-REM-2+Non-REM-3) olarak gruplanmıĢtır. Sınıflandırma algoritması olarak Naive Bayes, C4.5 karar ağacı (J48 decision tree), K-en yakın komĢu algoritması (K-nearest neighbours classifier), YSA (Multilayer Perceptron), Random Forest algoritmaları kullanılmıĢ olup Temel BileĢen Analizi (TBA) ile özellik seçimi yapılmıĢtır. ÇalıĢmanın sonucunda en yüksek sınıflandırma doğruluğunun Random Forest algoritması olduğu ve %80.15 doğruluk ile sınıflandırdığı görülmüĢtür.

Anahtar Kelimeler: AASM, Elektrookulogram (EOG), REM-1, REM-2, Non-REM-3 Polisomnografi, REM, Skorlama, Uyku, Uyanık, Hafif uyku, Derin uyku, YSA, TBA.

(5)

v ABSTRACT

MS THESIS

SLEEP STAGING WITH ELECTROOCULOGRAPHY (EOG) SIGNALS

Ahmet COġKUN

THE GRADUATE SCHOOL OF NATURAL AND APPLIED SCIENCEOF SELÇUK UNIVERSITY

THE DEGREE OF MASTER OF SCIENCE IN ELECTRICAL-ELECTRONIC ENGINEERING

Advisor: Assoc. Prof. Dr. Seral ÖZġEN 2017, 88 Pages

Jury

Asst. Prof. Dr. Ali Osman ÖZKAN Assoc. Prof. Dr. Seral ÖZġEN Asst. Prof. Dr. Rahime CEYLAN

Sleep staging is very important phase for diagnosing and treatment respiration and sleep diseases. Nowadays, sleep staging is made with polysomnography (PSG). Polysomnography is a standard test that the signals are recorded by means of sensors in face, head and body for diagnosing disease related to sleep during normal night sleep. During the evaluation of record first stage is scoring the sleep stages. First standard method was revealed by Rechtschaffen and Kales (R&K) for sleep staging in 1968. In this method, all signals are divided as epoches and each epoch is labelled. Each label (score) is shown stages of sleep and these stages are designated with examining electroensefalogram (EEG), elektrooculogram (EOG) ve electromyogram (EMG) signals in particular and so many other signals. American Academy of Sleep Medicine (AASM) published a manual of standardized terminology, techniques and scoring system for sleep stages of human subject in 2007. This academy revised criteria of scoring of this manual named of “AASM Manual for the Scoring of Sleep-Version 2.0” in 2012 and it has provided a basis for following studies. We distinctly purposed associating only Electrooculogram (EOG) to sleep staging unlike other studies. In this study, we obtained left eye (LEOG) and the right

eye (REOG) Electrooculogram EOG signals of 15 people at sleep laboratory of Meram Medicine Faculty

of Necmettin Erbakan University. 36 features that Wake, REM, Non-REM-1, Non-REM-2, Non-REM-3 stages were predetermined were extracted and classified in time and frequency domain. These signals were grouped as Wake, light sleep (Non-REM-1+REM), deep sleep (Non-REM-2+Non-REM-3). Naive Bayes, C4.5 (J48 decision tree), K-nearest neighbours classifier, ANN (Multilayer Perceptron), Random Forest algoritms were implamented on signals with 10-fold cross validation technique as a classifier and PCA (Principal component analysis) was implamented as a features selector. At the end of the study, was reached conclusion with the maximum test classification accuracy as %80.15 by using Rondom Forest classifier algorithm.

Keywords: AASM, Decision Tree, Electromyogram (EOG), REM-1, REM-2, Non-REM-3 polysomnography, REM, Scoring, Wake, ANN, IMF

(6)

vi ÖNSÖZ

Tez çalıĢmamın her safhasında değerli bilgilerini benden esirgemeyen, her zaman beni destekleyip yönlendiren danıĢman hocam Sayın Doç. Dr. Seral ÖZġEN’e teĢekkür ve saygılarımı sunarım.

Tez çalıĢmamda bana yarımcı olan sevgili eĢim ArĢ. Gör. Burcu AYDOĞAN COġKUN’a, bugünlere gelmemde büyük emek sahibi olan annem ve babama minnetlerimi sunuyorum.

Ahmet COġKUN KONYA-2017

(7)

vii ĠÇĠNDEKĠLER ÖZET ... iv ABSTRACT ... v ÖNSÖZ ... vi ĠÇĠNDEKĠLER ... vii SĠMGELER VE KISALTMALAR ... ix 1. GĠRĠġ ... 1 1.1. Uyku Fizyolojisi ... 1

1.2. Uyku Evreleme ve Yöntemleri ... 3

1.2.1. Uyku evreleme nedir? ... 3

1.2.2. Uyku evrelemede uygulanan yöntemler ve kullanılan sinyaller ... 4

1.2.3. Kayıt altına alınan sinyaller ve özellikleri ... 5

1.3. Uyku Evreleri ve Sinyal Özellikleri ... 8

1.3.1. Evre W: Uyanıklık ... 8

1.3.2. Evre N1 ... 10

1.3.3. Evre N2 ... 11

1.3.4. Evre N3 ... 12

1.3.5. Evre REM ... 13

1.4. Tez ÇalıĢmasının Amacı ve Önemi ... 15

2. KAYNAK ARAġTIRMASI ... 16

3. MATERYAL VE YÖNTEM ... 20

3.1. Özellik Çıkarma ... 21

3.1.1. HHD (Hilbert Huang DönüĢümü) özellikleri ... 21

3.1.2. Zaman domeni özellikleri ... 27

3.1.3. Frekans domeni özellikleri ... 28

3.1.4. Fark sinyali zaman domeni özellikleri ... 29

3.2. Özellik Seçme ve Sınıflandırma ... 30

3.2.1. Naive Bayes ... 31

3.2.2. J48 ... 32

3.2.3. K en yakın komĢu algoritması ... 34

3.2.4. Multilayer Perceptron (YSA) ... 35

3.2.5. Rastgele Orman (RO) Algoritması (Random Forest) ... 36

3.2.6. Temel BileĢen Analizi (TBA) ... 38

3.2.7. Performans Değerlendirme Kriterleri ... 39

4. ARAġTIRMA SONUÇLARI VE TARTIġMA ... 42

4.1. Uygulanan Algoritmaların Sonuçları ... 43

(8)

viii

4.1.2. J48 (C4.5 karar ağacı algoritması) ... 44

4.1.3. K en yakın komĢu algoritması ... 45

4.1.4. Multilayer Perceptron (YSA) ... 47

4.1.5. Random Forest (Rastgele Orman) ... 48

4.1.6. TBA ile özellik seçme ... 49

5. SONUÇLAR VE ÖNERĠLER ... 54

KAYNAKLAR ... 56

EKLER ... 59

(9)

ix SĠMGELER VE KISALTMALAR Kısaltmalar EEG : Elektroensefalografi EOG : Elektrookülografi EKG : Elektrokardiyografi EMG : Elektromiyografi gd : Gizli Düğüm Sayısı Ġtnum : Ġterasyon sayısı

lr : Öğrenme oranı

mc : Momentum sabiti

PSG : Polisomnografi REM : Hızlı göz hareketi SEM : YavaĢ göz hareketi YSA : Yapay sinir ağları

HHD : Hilbert-Huang DönüĢümü TDA : Tekil Değer AyrıĢımı

K-NN : K-Nearest Neigbour (K-En yakın KomĢu algoritması) DVM : Destek Vektör Makineleri

RO : Rastgele Orman algoritması

W : Wake evresi

N1 : Non-REM 1 evresi

(10)

1. GĠRĠġ

Uyku, vücudumuzun ve beynimizin dinlenmesi için gerekli olan bir döngüdür. Uyku çevreyi algılamaktan ve çevreye yanıt vermekten giderek uzaklaĢma ile Ģekillenen fakat geri dönüĢümü olan bir beyin davranıĢıdır. Uyku, yaĢamımızın ortalama üçte birini kapsayan, vücuttaki tüm organların tamamen farklı çalıĢtığı, yaĢamın devamı için gerekli olan farklı bir bilinç durumudur (Karadeniz, 2016). Uyku dıĢ uyaranlara karĢı uyarılma eĢiğinin yükseldiği fizyolojik bir hali olup koma ve benzeri diğer durumlardan farklı olarak geri dönüĢ özelliği taĢır (Arıkan, 2016). Ġnsan ömrünün üçte birini oluĢturan uyku, günlük hayatın en önemli parçasıdır ve zihni, öğrenme kabiliyetimizi etkiler. Çok önemli bir beyin aktivitesi olan uyku aynı zamanda hafızanın yeniden yapılandırılmasında, zihinsel ve psikolojik yenilenme için de gereklidir (Hori ve ark., 2001).

1.1. Uyku Fizyolojisi

Uyku, insan yaĢamının yaklaĢık üçte birini kapsayan fizyolojik ihtiyaçtır. Eğer insanın 75 yıl yaĢadığını düĢünürsek 18 ile 25 yıl gibi bir süre uykuda geçmektedir. Uyku, bilinç durumu açısından uyanıklığın yok olması değil, farklı bir bilinç durumudur. Bu farklı bilinç düzeylerinin farklı fizyolojik, biliĢsel ve elektrofizyolojik elemanları bulunmaktadır. Öğrenme, bellek ve duygusal yapı ile uyku arasında iliĢki vardır. Uykusuz bir gecenin ardından sonraki gün yaĢanan stres artıĢı, gerginlik, yoğunlaĢma güçlüğü, huzursuzluk ve verimsizlik buna örnektir. Hayvan deneylerinde de görüldüğü gibi yeni bir davranıĢ öğrenen hayvanda REM uykusu engellenirse öğrenme bozulmaktadır (Tural, 2016).

Uykunun özellikleri üzerinde olan en önemli faktör yaĢtır. Gebelik sürecinde tekrarlanan aktivitelerin tespit edilmesi, uyku-uyanıklık döngüsünün var olduğunu düĢündürmektedir. Gebeliğin yirminci haftasında döngüsel ve ritmik motor aktiviteleri tespit edilebilmektedir. Yirmi sekiz ile otuz ikinci haftalar arasında da düzenli bir uyku uyanıklık döngüsü izlenebilmektedir, hızlı göz hareketlerinin varlığıyla belli dönemlerde vücut hareketleri ile dönüĢümlü olarak uyku dönemlerinin izlendiği görülmektedir. Otuz ikinci haftadan sonra da Non-REM ve REM uykusu kolaylıkla ayırt edilebilmektedir. Zamanında doğan bir bebek bir günün on altı saatini uykuda geçirebilmektedir. Bebeğin uykusu genellikle REM uykusu ile baĢlamaktadır. Bebeğin uyku süresinin yarısını REM uykusu oluĢturmaktadır. REM uykusu insan büyüdükçe

(11)

azalmaktadır. Sekiz yaĢ dolaylarında artık gece uykusu vardır ve yaklaĢık on saat sürer. 20 yaĢ dolaylarında uyanıklık sayısı az, uyku etkinliği yüksek olmasına rağmen bu durum yaĢlandıkça giderek düĢmektedir. Otuz beĢ yaĢ civarlarında derin uyku oranı, önceki yaĢlara göre azalma gösterirken, REM uyku süresi yüzde yirmi beĢ ile sabit kalmaktadır. Bu yaĢlarda uykuda geçen süre giderek azalmakta, gece uykuya dalma süresi uzamakta ve gece uyanıklık sayısı giderek artıĢ göstermektedir. YaĢlılarda ise gece uyku süresi azalmakta ve gün içerisinde uyuklama sayısı ve süresi artmaktadır. YaĢlılarda delta dalgalarının genliğinde düĢme gözlenir. Bu durum uyku merkezinin bozulmasının bir nedeni olarak düĢünülmektedir. Uyku biçimindeki bu değiĢiklikler altmıĢ ile seksen yaĢ aralığındaki erkeklerde kadınlardakinden daha belirgin bir Ģekilde ortaya çıkmaktadır. REM uyku süresi daha da ileriki yaĢlarda yüzde yirmi oranlarına kadar düĢebilmektedir (Tural, 2016).

(12)

1.2. Uyku Evreleme ve Yöntemleri 1.2.1. Uyku evreleme nedir?

Uyku evreleme, uyku esnasında çeĢitli sensörler yardımıyla alınan biyolojik sinyallerin uykunun evrelerine göre etiketlenmesidir (Uçar ve ark., 2014).

Uyku evreleme belirli kurallara göre yapılır. Uyku evreleri, 1968 yılında Rechtschaffen ve Kales’in (RKS) editörlüklerini yaptığı araĢtırmacılar tarafından, insan uyku evrelerinin standart terminoloji, teknik ve skorlama el kitabına göre yapılmaktaydı (Rechtschaffen ve Kales, 1968). 2007 yılına kadar uyku evrelerinin skorlaması bu grubun belirlediği prensipler temel alınarak yapılmakta ve sağlıklı bir kiĢide normal uyku; N-REM (evre 1, evre 2, evre 3, evre 4) ve REM olmak üzere iki ana bölüm ve 5 evreden oluĢmaktaydı. Amerikan Uyku Tıbbı Akademisi (American Academy of Sleep Medicine, AASM)’nin oluĢturduğu bir çalıĢma grubu, uyku ve uykuyla iliĢkili olayların skorlanması konusunda yeni kurallar belirlemiĢ ve 2007 yılında yayınlamıĢtır (Iber ve ark., 2007).

2007 Yılında Amerikan Uyku Tıbbi Akademisi (AASM), uyku kayıt teknikleri ve skorlamada standardizasyon sağlayan yeni bir skorlama kuralları yayınlamıĢ, son olarak 2014 yılında revize etmiĢtir.

Günümüz AASM 2014 kriterlerine göre evreler uyanık (Wake: W), hızlı göz hareketi (Rapid Eye Movement: REM) ve hızlı olmayan göz hareketi (non-rapid Eye Movement: non-REM) olmak üzere üç ana kategoriye ayrılır. Non-REM uyku evresini de kendi içinde 3 evreye ayrılır: Non-REM evre-1, Non-REM evre-2 ve Non-REM evre-3) (Rechtschaffen ve Kales, 1968; Flemons ve ark., 1999; Berry ve ark., 2014). Uyku süreci boyunca bu evreler birbirini takip etmektedir ġekil 1.2’de gece uykusu boyunca birbirini takip eden uyku evreleri gösterilmektedir.

(13)

1.2.2. Uyku evrelemede uygulanan yöntemler ve kullanılan sinyaller Uyku evreleme temel olarak üç adımdan oluĢmaktadır.

a. Kaydedilen uyku sinyalleri 30 saniyelik epok denilen kısımlara ayrılır. b. Her epok bir uyku evre ile isimlendirilir

c. Ġki evre aynı epokta yer alıyorsa, epoğun yarısından fazlası hangi evre ise epok o evre olarak adlandırılır (Berry ve ark., 2014).

Uyku skorlama yapmak için hasta uyku merkezinde PSG (Polisomnografi) cihazı bağlanarak uyutulmakta ve sinyaller kaydedilmektedir. Günümüzde uygulamaya ve kayıt cihazına bağlı olarak değiĢmekle birlikte, AASM 2014 kriterlerine göre temel olarak insan kafasından alınan 6 EEG sinyali, sağ ve sol gözden alınan 2 EOG sinyali ve çeneden alınan 1 EMG sinyalini uzman hekim veya uzman kiĢiler tarafından incelenerek uyku skorlaması yapılmaktadır (Köktürk, 2013).

Uyku skorlaması üzerine yapılan çalıĢmalarda ġekil 1.3’te gösterilen temel adımlar uygulanır. Alınan sinyaller gürültülerden(diğer sinyallerin çalıĢılan sinyal üzerinde etkisi) temizlendikten sonra sinyal AASM kurallarına göre 30 saniyelik epoklara ayrılır ve bu epoklar üzerinden özellik çıkarımı yapıldıktan sonra çeĢitli yöntemlerle sınıflandırma yapılarak skorlama iĢlemi yapılmıĢ olur (Liang ve ark., 2012).

(14)

1.2.3. Kayıt altına alınan sinyaller ve özellikleri

Uyku laboratuvarlarında yeterli sayıda EEG, EMG, EOG kanallarına sahip olan PSG cihazları, bununla birlikte uyku çalıĢmalarında standart kabul edilen kardiyo-respiratuar parametrelerin (EKG, hava akımı, nabız, SatO2, göğüs ve karın eforu, bacak

EMG'si vb.) kaydını da anında görüntüleme yapabilmektedir (Anonim, 2016b).

Uyku evrelemede ve bilimsel çalıĢmalarda temel olarak EEG (Electroencephalogram), EOG (Electroculogram) ve EMG (Electromyogram) sinyalleri kullanılmaktadır (Lajnef ve ark., 2015).

1.2.3.1. EEG (Electroencephalogram)

Kafatası çevresine yerleĢtirilen elektrotlar sayesinde beyin faaliyeti esnasında oluĢan, sürekli ve ritmik elektriksel potansiyel değiĢimlerinin yazdırılması yöntemine elektroansefalografi (EEG) denir.

Periyodik olmayan, ancak ritmik olan bu sinyallerin frekansları, beynin aktivitesine göre, frekansı 0.5-70 Hz arasında, genlikleri ise 5-400 μV arasında değiĢir.

Beyin Dalgalarının ÇeĢitleri (ġekil 1.4):

• Alpha dalgaları: Ritmik, düzenli, düĢük-genlikli, yavaĢ ve senkron dalgalardır. DüĢük aktivitede çalıĢan beyinin yaydığı dalgalardır. Frekansları 8-13 Hz, genlikleri 2-10 µV arasındadır. Bu dalgaların biçimleri sinüsoidal biçimine yakındır. Uyanık haldeki bireylerin fiziksel ve zihinsel olarak tam dinlenme durumunda olduğu, dıĢ uyaranların olmadığı veya göz kapaklarının kapalı olduğu durumlarda görülürler. Oksipital (kafanın arka kısmı) bölgeden alınan kayıtlarda en belirgindir.

• Beta dalgaları: Ritmik ve daha düzensiz dalgalardır. Uyanıkken ve zihinsel olarak beynin uyarıldığı durumlarda görülür. Frekansları 13 Hz’den büyük, genlikler 1-5 µV arasındadır. Bu dalgalara dikkatli, odaklanmıĢ, zihinsel iĢ ve duyusal enformasyon iĢleme durumlarında ve uykunun hızlı göz hareketleri evrelerinde karĢılaĢılmaktadır. Beynin aktivitesinin en yüksek olduğu düzeydir. • Theta dalgaları: Alfa dalgalarından daha düzensizdir. Çocuklarda normal fakat

yetiĢkinlerde anormal Ģekildedir. Frekansları 4-8 Hz, genlikleri 5-100 µV arasındadır. Normal bireylerde bu dalgalar rüya görülen uyku durumunda, hafif

(15)

derinlikte anestezik durumlarda ,beynin düĢük aktivite anında ve ayrıca stres altında iken görülmektedir.

• Delta dalgaları: Yüksek genlikli dalgalardır. Frekansları 0.5-4 Hz, genlikleri 20-400 µV aralığındadır. Derin uyku esnasında izlenebilen bu dalgalar, genel anestezik durumda gibi beynin aktivitesinin çok düĢük olduğu durumlarda kaydedilir (Demirkazık, 2016).

ġekil 1.4. Beyin dalgalarının sinyal Ģekilleri (Demirkazık, 2016)

1.2.3.2. EMG (Electromyogram)

Elektromiyografi (EMG), sinir sistemi tarafından kontrol edilen kas kasılması esnasında ortaya çıkan elektrik sinyallerinin gerilim olarak kaydedilmesi yöntemidir. Bu yöntem ile kaydedilen elektriksel sinyallere EMG sinyali adı verilir. EMG sinyali, yüzey EMG (sEMG) sinyali ve kas içi EMG sinyali olmak üzere iki türlüdür (Farina ve Negro, 2012).

EMG sinyali rastlantısal özellik gösteren bir sinyaldir. Sinyal genliği 0-10 mV (tepeden tepeye ölçüm) , Sinyal frekans aralığı ise 0-500 Hz, Baskın enerjinin olduğu aralık ise 50-150 Hz (De Luca, 2002; Anonim, 2016c)’dir. ġekil 1.5’te çene EMG sinyal örneği görülmektedir.

(16)

ġekil 1.5. EMG sinyal örneği

1.2.3.3. EOG (Electroculogram)

Göz yuvarı, göz çukurundaki kasların etkisiyle hareket eder. Bu hareketler yumuĢak hareketler, hızlı ve kısa hareketler, baĢın hareketiyle gerçekleĢen sibular hareketler ve yakına odaklanmayla meydana gelen yakınsama hareketleridir. Elektrookülogram (EOG) sinyalleri göz hareketleri ile oluĢan kornea–retina arasında hiperpolarizasyon ve depolarizasyonlardan kaynaklanan kornea-retina potansiyelinden meydana gelen sinyallerdir. EOG sinyalleri farklı göz hareketleri ve farklı örüntülere sahip olmasına rağmen temel olarak 0-100 Hz frekans ve 50-3500 µV genlik aralığına sahiptir. Yatay ve düĢey harekete bağlı olarak EOG sinyalindeki değiĢim de değiĢmektedir. Yatayda 1 derecelik hareket 16 µV, düĢeyde 14 µV genlik değiĢimine neden olmaktadır. ġekil 1.6’da EOG sinyal örneği ve bağlantı Ģekli verilmektedir (Barea ve ark., 2002; Kumar ve Poole, 2002; Hendi ve ark., 2006; UĢaklı ve Gürkan, 2010; Kim ve Yoon, 2013).

(17)

Uyku esnasında göz hareketlerinin kaydedilmesinin iki temel sebebi vardır. Birincisi; REM döneminin saptanması için en karakteristik bulgu fazik ve hızlı göz hareketleridir. Böylece uyku evreleme yapabilmek için çok önemli bir kriter kaydedilmiĢ olur. Ġkincisi ise; uykunun baĢlangıcındaki yavaĢ göz hareketleridir (SEM) ve bunlar NREM evre-1’e geçiĢin bulgusudur. EOG sinyal kaydı uyku evreleme için kesin kriter olmamakla birlikte oldukça değerli bilgiler sağlar. EOG kaydı alabilmek için en az 2 kanal gereklidir. EOG kayıtlarında; kornea retinaya kıyasla daha pozitif yüklüdür ve hasta elektroda doğru baktığında (yani elektroda yaklaĢtığında) pozitif bir defleksiyon (dirsek, eğilme, sapma noktası) kaydedilir. Aksine elektrodun bulunduğu tarafın ters istikametine bakıldığında yani elektrottan uzaklaĢtığında negatif bir defleksiyon (dirsek, eğilme, sapma noktası) kaydedilir. Bu da PSG kaydında yukarı doğru bir dalga Ģeklinde izlenir (Köktürk, 2013).

1.3. Uyku Evreleri ve Sinyal Özellikleri

1.3.1. Evre W: Uyanıklık

Özellikler

Alfa ritmi: ġekil 1.7’de görülen beynin oksipital (kafa tası arkası) bölgesinden yayılan 8-13 Hz frekans aralığında değiĢen ve kapalı göz durumunda baskın dalgadır.

Beta aktivitesi: Gözler açık ve uyanıklıkta, frekansı 13 Hz’den fazla olan bu dalgalar frontal ve santral bölge kaynaklıdır.

Göz kırpma: Uyanık durumda 0.5-2 Hz’lik dikey göz hareketleridir.

Okuyan göz hareketleri: Birbirine ters yönde önce yavaĢ sonra hızlı göz hareketidir.

Hızlı göz hareketleri: REM evresinde geçerli olmakla beraber uyanık evrede de kiĢi çevresini incelerken görülür. Keskin çıkıĢlı, düzensiz, sert, 500 ms’den daha kısa süren göz hareketleridir (ġekil 1.8).

(18)

ġekil 1.7. Beynimizdeki temel yapısal bölgeler (Anonim, 2015)

ġekil 1.8. Uyanık evre dalga Ģekilleri (Köktürk, 2013)

Kurallar

1. Oksipital bölgeden alınan kayıttan elde edilen epoğun %50’si alfa dalgası ise epok uyanık olarak etiketlenir.

2. Alfa ritmi belirgin olarak gözlenemezken aĢağıdaki maddelerden biri gözleniyorsa uyanık olarak etiketlenir.

 0.5-2Hz arası göz kırpma hareketi

 Okuyan göz hareketi

(19)

1.3.2. Evre N1 Özellikler

YavaĢ göz hareketleri (SEM): En az 500 msn’den fazla süren bir hareketle baĢlayan, düzenli, sinüzoidal, konjuge, göz hareketleridir.

DüĢük genlik, karıĢık frekanslı aktivite (teta aktivitesi): 4-7 Hz arası frekanslarda en çok görülen EEG dalgasıdır. Belirli bir genlik sınırı yoktur.

Verteks keskin dalgaları (V dalgaları): En fazla 0.5 sn’lik, keskin dalgalardır. Beynin santral bölgesinden kaydedilir ve ayırt etmek kolaydır.

Uyku baĢlangıcı (sleep onset): Uyku evresinin ilk saptandığı epoktur. ġekil 1.9’da N1 evre dalga Ģekilleri görülebilmektedir.

ġekil 1.9. N1 evre dalga Ģekilleri (Köktürk, 2013)

Kurallar

1. Alfa ritmi varken epoğun %50’sinden fazlası alfa ritminin yerine düĢük genlikli i karıĢık frekanslı dalgalar alıyorsa bu epok N1 olarak etiketlenir.

2. Alfa ritmi bulunmayan kiĢide ise aĢağıdaki dalgalardan birinin bulunması N1 olarak etiketlenmesini sağlar.

 Bazal frekansın uyanık evreden 1 Hz daha yüksek Ģekilde (4-7 Hz) yavaĢlaması.

 Kesin Verteks dalgaları

(20)

1.3.3. Evre N2

Arousal: Uyku esnasında daha yüzeysel uyku evresine geçiĢ durumudur. Özellikler

K Kompleksi: Belirgin negatif keskin dalga ve onu takip eden pozitif dalga bileĢeni vardır, toplam süresi 500 msn’den fazladır, frontal bölgeden en yüksek genlikte alınabilir.

• Uyku iğciği: 12-14 Hz frekans aralığında, 500 msn’den uzun süren, santral bölgeden en yüksek genlikte elde edilen peĢ peĢe küçük dalgalardır.

ġekil 1.10’da k kompleksi ve uyku iğciği sinyal Ģekilleri görülmektedir.

Kurallar

N2 etiketleme yapabilmek için incelenen epoğun ilk yarısında veya bir önceki epoğun ikinci yarısında aĢağıdaki kurallar aranır ve N2 baĢlangıcı olarak etiketlenir.

1. Arousal’ın(uyartım) olmadığı bir veya daha fazla k kompleksi 2. Bir veya daha fazla uyku iğciği

Arousal bulunan k kompleksi barındırıyorsa N1 olarak etiketleme devam eder. N2’nin devamını sağlayan kurallar:

1. Arousalsız K kompleksi veya uyku iğciğinden önce düĢük genlikli ve karıĢık frekanslı EEG aktivitesi.

N2’nin sonlanma kuralları: 1. Uyanık evreye geçiĢ.

(21)

2. Arousal iliĢkili k kompleksi veya uyku iğciği çıkana dek N1 evresi olarak etiketlenir.

3. DüĢük genlikli, karıĢık frekanslı k kompleksi veya uyku iğciği bulunmayan EEG dalgası, yavaĢ göz hareketini takip eden büyük vücut hareketi.

4. N3 evresine geçiĢ. 5. REM evresine geçiĢ.

EOG dalgasında N2 evresinde genellikle göz hareketi aktivitesi yoktur.

1.3.4. Evre N3 Özellikler

YavaĢ dalgalı uyku evresidir. Frekans 0.5-2 Hz arasındadır. Delta dalgaları mevcuttur. Tüm gece uykusunun %20-25’i Non-REM-3 evresidir. Derin uyku söz konusu olduğundan kiĢiyi uyandırmak diğer evrelere göre daha zordur. Non-REM-3 evresinde derin ve rüyasız bir uyku durumu vardır. Çocuklarda büyüme hormonu özellikle derin uyku döneminde (Non-REM-3) salgılanır. ġekil 1.11’de Non-REM-3 evre dalga Ģekilleri görülmektedir.

Kurallar

1. Epogun %20 veya daha fazlasında yavaĢ dalga Ģekli izleniyorsa N3 olarak etiketlenir.

(22)

2. N3 evresinde uyku iğciği bulabilir. 3. Tipik göz hareketleri bulunmaz. 4. Çene EMG genlik değiĢkendir.

1.3.5. Evre REM Özellikler

Hızlı Göz hareketi(REM): 0.5saniyeden daha kısa hareketle baĢlayan konjuge(karĢılıklı), keskin, düzensiz göz hareketleridir.

DüĢük EMG tonüsü: Tüm kayıt incelendiğinde en düĢük EMG aktivitesi söz konusudur.

Testere diĢi dalgalar: Beynin santral bölgesinden maksimum genlikle alınan, 2-6 Hz keskin kenarlı, üçgenimsi, genellikle REM göz hareketlerine eĢlik eden dalgalardır.

Geçici kas aktivitesi: Genellikle 250’msn’den daha kısa süren, kısa, düzensiz EMG aktivitesi çıkıĢları Ģeklindedir. Çene ve bacak EMG’sinde izlenebildiği kadar EEG ve EOG’de de izlenebilir. Bu aktivite REM ile beraber görülür (ġekil 1.12) (Köktürk, 2013).

(23)

Kurallar

1. DüĢük genlikli, karıĢık frekanslı EEG 2. DüĢük EMG tonüsü

3. Hızlı göz hareketi

REM evresi devam etme kuralları

Bir veya daha fazla REM evresi sonrası; 1. EEG’de uyku iğciği veya k kompleksi yoksa 2. DüĢük çene EMG tonüsü varsa

REM evresi sonlandırma kuralları

1. Uyanık evre veya N3 evresine geçilmesi.

2. EMG tonüsünün REM evresine göre artıĢ göstermesi

Arousal oluĢması ve düĢük genlikli, karıĢık frekanslı EEG ve yavaĢ göz hareketlerinin takip etmesi (Köktürk, 2013).

Çizelge 1.1’de uyku evrelerinin sinyal özellikleri özet olarak görülebilmektedir.

Çizelge 1.1. Uyku evrelerinin sinyal özellikleri (Köktürk, 2013)

UYKU EVRESĠ EEG EOG EMG (ÇENE)

Uyanık (W) Gözler kapalı: alfa ritmi (8-13 Hz) Gözler açık: DüĢük

amplitüdlü karıĢık

YavaĢ veya hızlı iĢlemli göz hareketleri veya göz

kırpma hareketleri

Nispeten yüsek voltajda aktive izlenir.

Non-REM-1 Nispeten düĢük genlikli

karıĢık frekanslı aktivite Teta aktivitesi Gecenin baĢlangıcında verteks dalgaları YavaĢ göz hareketleri (SEM) (Genellikler gecenin baĢlangıcında) Uyanıklığa göre düĢük aktivite

Non-REM-2 DüĢük amplitüdlü karıĢık

frekanslı aktivite Uyku iğciği K kompleksi

Yer yer EEG dalgalarının yansıması

Kısman düĢük aktivite

Non-REM-3 Yüksek amplitüdlü

(>75μV) DüĢük frekanslı delta

dalgaları (0.5-2Hz)

Yer yer EEG dalgalarının yansımaları

Kısman düĢük aktivite

REM DüĢük amplitüdlü karıĢık

frekanslı aktivite 2-6 Hz’lik keskin kenerlı testere diĢi dalgalar

Hızlı göz hareketleri (REM)

Tüm kaydın en düĢük kas aktivitesi

(24)

1.4. Tez ÇalıĢmasının Amacı ve Önemi

Bu tez çalıĢmasında sadece EOG sinyalinin uyku evrelerindeki farklı karakteristik özelliklerinden faydalanarak EOG sinyalinden özellik çıkarılmıĢ ve uyku uyanık, hafif uyku ve derin uyku olarak sınıflandırılmıĢtır.

Literatür taraması yapıldığında sadece EOG sinyali kullanarak uyku evreleme çalıĢmalarına sıkça rastlanamamaktadır. ÇalıĢma sadece tek sinyal kullanarak uykunun basitçe (uyanık, hafif uyku, derin uyku) evrelenebileceğini göstermiĢtir. Ayrıca yapılan bu çalıĢma daha sonra uyku evreleme ile ilgili oluĢturulmak istenen sistemlerde EOG sinyal analizinde yardımcı olacaktır.

Uyku evrelemek için uyku laboratuvarlarında kullanılan sistem (polisomnografi) ġekil 1.13’te görüldüğü üzere çok karmaĢık yapıda olup ergonomik değildir. Uyku kalitesi ve hastalığı ölçülmek istenen bir insana rahat uyku imkânı sağlayamamakta ve veri kaydı sırasında uyku kalitesini düĢürmektedir. Ayrıca sistemde çok fazla donanım ve kablo bulunduğundan taĢınma imkânı bulunamamakta ve hastalar mecburen belirlenen uyku laboratuvarlarında izlenmek zorunda kalınmaktadır Bu dezavantajları ortadan kaldırmak için çalıĢmada yapılabilirliği ortaya konan tek sinyal (EOG) kullanılarak daha küçük, portatif, ergonomik bir cihaz tasarlanabilecektir. Örneğin; göz bandı Ģeklinde tasarlanabilecek olan bu cihaz küçük olmasından dolayı uyku evreleme kadı sırasında hastayı rahatsız etmeyecek ve daha sağlıklı bir sinyal kaydı imkânı sağlayacaktır. Kolaylıkla taĢınabilir olacağından dolayı hastaya sadece laboratuvar ortamında değil ev ortamında da kayıt imkânı sunacaktır. Günümüz modern çağ problemlerinden olan uyku, artık sadece doktorlar tarafından hastalık teĢhisi için değil normal insanlar tarafından da uyku kalitesi ölçümü ve takibi için kullanılmak istenmektedir. Göz bandı Ģeklinde tasarlanabilecek olan bu cihaz ve kayıtları analiz edebilecek olan bir telefon uygulamasıyla insanlar uyku takibi ve kalite ölçümünü istedikleri zaman yapabileceklerdir.

(25)

2. KAYNAK ARAġTIRMASI

Uyku ile ilgili hastalık, nöral rahatsızlıklar ve yorgunluk gibi durumların belirlemesi ve teĢhisinde uyku evreleme önemli bir yere sahiptir. Uyku evreleme konusunda birçok çalıĢma yapılmıĢ ve yapılmaktadır. Farklı metotlar kullanılarak evreleme iĢlemi baĢarısının artırılmaya çalıĢılmaktadır. EOG sinyallerinin iĢlenmesi ve bu sinyalleri kullanarak uyku evreleme konusunda yapılan bazı çalıĢmalar aĢağıda verilmektedir.

GüneĢ ve ark. (2009)’nın yaptığı çalıĢmada 3 kiĢinin PSG kaydını almıĢ; EEG, EOG ve çene EMG sinyallerinin her bir birinden zaman domeninde 6 özellik çıkararak uyku evreleri ile olan korelasyonlarını hesaplamıĢlardır. 30 saniyelik toplam 2241 epoktan ortalama değer, standart sapma, maksimum tepe değeri, eğrilik, basıklık ve Ģekil faktörü özellikleri çıkartılmıĢ ve korelasyon katsayıları hesaplanmıĢtır. Korelasyon katsayıları incelendiğinde EEG sinyali zaman domeni özelliklerinden eğrilik, sağ göz ve sol göze ait EOG sinyallerinde standart sapma ve çene EMG sinyalinde de ortalama değer özellikleri diğer özelliklere göre uyku evreleri ile daha fazla iliĢkili olduğu ortaya çıkmıĢtır.

ÖzĢen ve ark. (2010)’nın yaptığı çalıĢmada EEG, EMG, sağ göz ve sol göz EOG sinyallerini kullanmıĢ; EEG ve EOG sinyalleri 128 Hz ile örneklenmiĢken, EMG sinyalleri de 256 Hz ile örneklenmiĢtir. Sinyaller 30 saniyelik epoklara ayrılmıĢ ve her bir epok uyku uzmanı tarafından uyanık, Non-REM-1, Non-REM-2, Non-REM-3 ve REM olarak etiketlenmiĢtir. Sağ göz EOG ve sol göz EOG, EEG, EMG, sinyalinden çıkartılan zaman domeni özellikleri: Ortalama genlik, standart sapma, eğrilik (skewness), basıklık (kurtosis), ZCR (Zero Crossing Rate), entropi, maksimum-minimum değer, ortalama genlik/standart sapma, EEG, EMG sinyallerinden çıkarılan frekans domeni özellikleri: güç yoğunlukları toplamı, spektral ortalama, spektral entropi, spektral standart sapma, spektral eğrilik, spektral basıklık, maksimum değerdir. Toplamda 74 özellik arasından sıralı özellik seçme yöntemiyle özellikler seçilmiĢ ve traingdx öğrenme algoritması ile YSA uygulanarak sınıflandırma yapılmıĢtır (optimum gizli katman, optimum lr, optimum mc,). Sonuç olarak %69.30’luk doğruluk oranı ile Sol EOG sinyalinden zaman domeninde elde edilen (maksimum-minimum genlik) değeri, EEG sinyalinin spektrumundan elde edilen ASI (Alpha Slow Wave Index), sol EOG sinyalinden zaman domeninde elde edilen entropi, EEG sinyalinden zaman

(26)

ortamında elde edilen ait (maksimum-minimum genlik) değeri özellikleri ile maksimum doğruluk veren 4 özellik olarak belirlenmiĢtir.

Uçar ve ark. (2014)’nın yaptığı çalıĢmada EEG ve EOG sinyalleri üzerinden frekans ve zaman domeni özelliklerini çıkarmıĢtır. ÇalıĢmada 2 kanaldan EOG sinyal kaydı yapılarak sağ ve sol göz EOG sinyal verileri kullanılmıĢtır. EOG sinyalinin örnekleme frekansı 128 Hz’tir. EOG sinyalinin çalıĢma bant aralığı 0.1-38 Hz arasıdır. EOG sinyal gürültülerinin temizlenmesi amacıyla 0.1-40 Hz arası IIR Butterworth bant geçiren filtre kullanılmıĢtır. Filtreleme iĢleminden sonra EOG sinyali 30 saniyelik epoklara ayrılmıĢ ve toplam 1006 epok elde edilmiĢtir. ÇalıĢmada çıkarılan EOG Zaman Domeni Özellikleri: ortalama, standart sapma, varyans, ortalama eğri uzunluğu, ortalama enerji, ortalama Teager enerjisi ve Hjorth parametreleridir (aktivite katsayısı, hareketlilik katsayısı, karmaĢıklık katsayısı). EOG Frekans Domeni Özellikleri: Spektral güç yoğunlukları ve Hijort parametrelerinin frekans versiyonu olan 3 adet harmonik parametredir. Sınıflandırma için olasılıksal yapay sinir ağları algoritması kullanılmıĢtır.

Aydoğan ve ark. (2015)’nın yaptığı çalıĢmalarında Apne/Hipopne indeksi 15'ten az olan tıkayıcı uyku apne hastalarının uyku evreleri otomatik olarak skorlanmıĢtır. Skorlama iĢleminden önce EEG sinyalleri için 0.5-35 Hz, EOG sinyalleri için 0.3-40 Hz, EMG sinyalleri için 0.5-100 Hz bant geçiren filtre tasarlanmıĢtır. 30 saniyelik epoklara ayrılan EEG, EOG ve EMG sinyallerinin iĢaret gücü özelliği hesaplanmıĢtır. Sınıflandırma için 3 katmanlı YSA kullanılmıĢtır. Ġlk olarak hastalara ait uyku epok sayılarının %70’i eğitim, %30’u test için ayrılmıĢtır. Ġkinci olarak epoklarm %90'i eğitim ve %10’u test için ayrılarak, 10 katlı çapraz doğrulama (k-fold cross validation ) yapılmıĢtır. %30 test için %90.8 ve %10 test için %90.4 doğruluk oranı elde edilmiĢtir.

Aungsakul ve ark. (2012)’nın yaptığı çalıĢmada belirli göz hareketlerinin oluĢturduğu sinyalleri üzerinden zaman domeni üzerinde özellik çıkartılmıĢtır. Bu özellikler:

1. Maksimum genlik değeri (PAV) 2. Minimum genlik değeri (VAV)

3. Maksimum değerin zamanı eksenindeki pozisyonu (PAP) 4. Minimum değerin zaman eksenindeki pozisyonu (VAP) 5. Sinyal eğrisi altında kalan alan (AUC)

6. Sinyalin belirlenen sınır (treshold) değerlerini kestiği nokta sayısı (TCV) 7. EOG sinyalinin varyansı (VAR)

(27)

Özellik çıkarma yöntemi olarak ANOVA (analysis of variance) kullanılmıĢtır. Ortalaması ve varyans değeri hesaplanan özellikler “statistically significant” denen ortalama p değeri hesaplanmıĢ ve çizelgede gösterilmiĢtir. Daha sonra “F=grup ortalamasının varyansı/grup varyansının ortalaması” değeri hesaplanarak, bu istatistik hesaplamalarına göre VAP, AUC ve PAV değeri yüksek F değerine sahip çıkmıĢ. Sınıflandırma için p değeri 0.0001’den küçük olduğu için de geriye kalan özelliklerinde kullanılabileceği çalıĢmanın sonucunda belirtilmiĢtir.

Liang ve ark. (2012)’nın yaptığı çalıĢmalarında EEG, EMG ve EOG sinyallerini kullanarak ortalama %86.68’lik bir baĢarı elde etmiĢlerdir. EOG sinyalinin ise sadece frekans domeninde power ratio özelliğini kullanmıĢlar, karar ağacı oluĢturarak özelliklerin kappa katsayılarını hesaplamıĢ ve Çizelge 2.1’deki sonuçlara ulaĢmıĢlardır.

Çizelge 2.1. ÇalıĢmanın evrelere göre sonuçları (Liang ve ark., 2012)

Wake (%) N1 (%) N2 (%) SEM (%) REM (%) Ortalama (%)

88.43 35.12 87.01 90.80 90.51 86.68

Malaekah ve ark. (2014)’nın yaptıkları araĢtırma 7 sağlıklı 9 hasta kiĢi üzerinden alınan EOG sinyalleri üzerinde çalıĢılmıĢtırr. EOG sinyalleri 5 saniyelik epoklara ayrılmıĢtır. Sinyallerden:

1. Varyans

2. Maksimum genlik değeri (PAV) 3. Minimum genlik değeri (VAV) 4. Toplam enerji

5. Entropi enerjisi 6. Shannon entropi

özellikleri hesaplanmıĢ ve sınıflandırma için sıralı özellik seçme yöntemi (Sequential Feature Selection Method) kullanılmıĢtır. YSA’da eğitilirken Backpropation algoritması kullanılmıĢtır. Doğruluğu artırmak için bacward-forwad rule ve smoothing rule kullanılmıĢtır. Sonuç olarak Çizelge 2.2’de görüldüğü gibi entropi ve Shannon entropi özellikleri doğruluğu en çok etkileyen özellikler olmuĢtur.

(28)

Çizelge 2.2.Özelliklerin doğrulukları nasıl etkilediğini gösteren çizelge (Malaekah ve ark., 2014)

Özellikler

SAHS MA DYSS PLMS HEALTY

Doğruluk W S W S W S W S W S Varyans 0 100 0 100 99 0 0 94 0 100 Enerji Entropi(Sağ-EOG) 72.5 90 75 99 97 64 67 91 66 97 Shannon Entropi(Sağ-EOG) 28 98 43 96 100 0 32 90 33 95 Shannon Entropi(Sol-EOG) 11 99 43 96 100 0 34 90 33 94.5 Enerji Entropi(Sol-EOG) 67 70 76 99 97 73 73 94.5 66 98 Çapraz korelasyon 0 100 0 100 100 0 25 75 0 100 Toplam Güç 0 100 0 100 100 0 50 50 20 98 Minimum Genlik(Sağ-EOG) 70 89.5 70 90 97 33 64 92 57 97 Minimum Genlik(Sol-EOG) 675 91 76 97 97 30 60.5 91 55 97 Maksimum Genlik(Sağ-EOG) 69 96 51 96 97 18 60 92 67 98 Maksimum Genlik(Sol-EOG) 64 97 76 95 96 47 58 93 61,5 98 *W=Uyanık (wake) *S=Uyku (sleep)

Lajnef ve ark. (2015)’nın yaptığı çalıĢmada EEG, EMG, EOG sinyallerinden; 1. Lineer tahmin hata enerjisi (Linear prediction error energy)

2. Varyans

3. Standart Sapma 4. Ortalama değer 5. Basıklık (Kurtosis) 6. Eğrilik (Skewness)

7. Frekans domeninde spektral güç(Spectral Power) 8. Frekans domeninde güç oranı(Power Ratio) 9. Frekans domeninde spectral entropi

10. Permütasyonentropi

özellikleri hesaplanarak karar ağacı (dendrogram) tabanlı çok sınıflı destek vektör makineleri (multi-class support vector machine) sınıflandırma için kullanılmıĢtır. K-fold cross validation YSA tekniği ile özellikler doğrulanmıĢtır.

(29)

3. MATERYAL VE YÖNTEM

GerçekleĢtirilen çalıĢmada Necmettin Erbakan Üniversitesi Meram Tıp Fakültesi Uyku Laboratuvarı’ndan PSG cihazı ile 15 hastadan alınan sağ ve sol göz EOG sinyalleri kullanılmıĢtır. ÇalıĢmada sağ göz ve sol göz EOG sinyalleri birbiriyle konjuge olduğu için fark sinyallerinin kullanıldığı özellikler haricinde sol göz EOG sinyali kullanılmıĢtır. EOG sinyalleri 128 Hz ile örneklenmiĢtir.

AASM kuralları uyarınca sinyaller 30 saniyelik epoklara ayrılmıĢtır. Toplamda 11285 epok uyku uzmanı tarafından uyanık, Non-REM-1, Non-REM-2, Non-REM-3 ve REM olarak etiketlenmiĢtir ve ġekil 3.1’de gösterilen sınıflayıcı tasarlanmıĢtır.

ġekil 3.1. Proje uygulama adımları

Sadece EOG sinyal özellikleri kullanılan bu çalıĢmada evre sinyal özellikleri dikkate alınarak sinyaller uyanık, hafif uyku REM-1+REM), derin uyku

(30)

(Non-REM-2+Non-REM-3) olmak üzere 3 sınıfa ayrılmıĢtır. ÇalıĢmada kullanılan sinyallerin bu 3 sınıfa göre dağılımları ġekil 3.2’de gösterilmektedir. Sınıf-1 olarak 2055 epok, Sınıf-2 olarak 1995 epok, Sınıf-3 olarak 7235 epok etiketlenmiĢtir.

ġekil 3.2. Sınıfların epok dağılımları

Epoklar, sonucun sağlıklı hesaplanabilmesi için filtreleme ile gürültülerden temizlendikten sonra hastalar arası sinyal genlik aralığını eĢitlemek için normalizasyon uygulanmıĢ ve özellik çıkarılarak sınıflandırma yapılmıĢtır.

3.1. Özellik Çıkarma

EOGL ve EOGL-EOGR sinyalleri için toplam 36 özellik çıkarılmıĢtır. 3.1.1. HHD (Hilbert Huang DönüĢümü) özellikleri

Sinyal analizinde, Fourier, Laplace, Hilbert, Wavelet gibi birçok dönüĢüm yöntemi kullanılmaktadır (Johansson, 1999). Günümüzde çalıĢmaların artması neticesinde lineer ve sabit olmayan sinyaller üzerindeki iĢlemleri geniĢleten tekniklere ihtiyaç duyulmuĢtur. HHD (Hilbert Huang DönüĢümü) bu tekniklerden biridir. Bu dönüĢüm lineer olmayan ve sabit olmayan sinyaller için uygulanabilir niteliktedir. HHD iki temel kısımdan oluĢmaktadır. Eleme iĢlemi ile sinyalden temel kip fonksiyonlarının (TKF) elde edildiği deneysel kip ayrıĢımı (DKA), genlik, anlık faz ve anlık frekans bilgisinin elde edildiği Hilbert DönüĢümüdür (HD) (Huang ve ark., 1998).

(31)

3.1.1.1. Deneysel Kip AyrıĢımı (DKA)

Non-Lineer ve sabit olmayan yapılara ait sinyaller için kullanılan esnek ve önemli bir analiz yöntemidir. Kullanılan diğer dönüĢümlerden ayrıldığı en önemli özellik; lineer olmayan bir sinyalin kendine ait farklı frekanslardaki temel kip fonksiyonlarını (TKF) üreten bir algoritma olmasıdır. Her bir salınım TKF ile gösterilir. TKF aĢağıdaki iki temel koĢulu sağlayacak Ģekilde seçilir (Huang ve ark., 1998; Hou ve Tian, 2010).

1. Tüm sinyalde, tepe değerlerin ve sinyalin sıfır geçiĢlerinin sayısı ya aynı olmalı ya da farkları 1’e eĢit olmalıdır.

2. Herhangi bir t zamanında, yerel maksimumların ve bu yerel maksimumların birleĢtirilmesiyle oluĢturulan üst ve alt zarfın ortalama değeri sıfır olmalıdır. TKF’ler elde edilirken bu Ģartların istenmesinin sebebi, Hilbert DönüĢümü ile anlık frekans değerleri hesaplanırken negatif frekans değerlerinin oluĢmasını önlemek ve bu sinyallerin anlık frekans değerlerinin istenen bant aralığında çıkmasını sağlamaktır. DKA iĢleminde, yerel maksimumlar kullanılarak belirlenen üst zarf ile yerel minimumlar kullanılarak belirlenen alt zarfın ortalaması alınarak yerel ortalama değer bulunur (ġekil 3.3). Bulunan ortalama değer asıl sinyalden çıkarılarak elde edilen yeni sinyalin TKF olma koĢuluna uyup uymadığı kontrol edilir. Eğer koĢullar sağlanmıyorsa tekrar yerel maksimum ve yerel minimum değerleri kullanılarak ortalama değeri hesaplanır. Bu iĢlem elde edilen yeni sinyal TKF koĢullarına uyuncaya kadar gerçekleĢtirilir. Sinyalde sadece bir adet yerel uç değer kaldığında bu sinyalden TKF elde etmek mümkün değildir ve DKA iĢlemi bitirilir. DKA iĢleminden sonra elde edilen x(t) TKF temel kip fonksiyonunda, r(t) artık sinyali ve n adım sayısını ifade eder (Duman ve ark., 2012).

(3.1)

ġekil 3.4’te örnek bir EOG sinyali ve bu sinyalden elde edilen TKF bileĢenleri görülmektedir. ġekil 3.5’te de TKF-1, TKF-2 ve TKF-3 bileĢenlerinin zaman frekans dağılımı görülmektedir.

(32)

ġekil 3.3. DKA uygulanan sinyal örneği (Altan ve ark., 2014)

(33)

ġekil 3.5. Örnek epok TKF bileĢenlerinin zaman frekans dağılımı

3.1.1.2. Hilbert DönüĢümü ve HHD ile Özellik Çıkarma

Lineer olmayan sinyallerin en önemli karakteristiğini anlık frekans değerleri verir. Hilbert DönüĢümü (HD) sinyalin karakteristiğini Anlık frekans değeri belirler (Huang ve ark., 1998). HD uygulanmıĢ x(t) fonksiyonu y(t)’ye eĢittir.

∫ (3.2)

x(t) sinyaline karĢılık gelen analitik sinyal 3.3 numaralı eĢitlikte görülmektedir.

(3.3)

a(t) anlık genlik değeri olup 3.4 numaralı eĢitlikteki gibi yazılmaktadır.

√ (3.4)

Anlık faz fonksiyonu ise Ģu Ģekildedir:

(3.5)

(34)

(3.6)

Frekans bilgisi 3.6 numaralı eĢitlikteki gibi elde edilmiĢ olur (Huang ve ark., 1998; Duman ve ark., 2012).

ÇalıĢmada DKA kullanılarak sinyallerin ilk 3 TKF değerleri elde edilmiĢtir. Bu TKF değerlerinden HHD ile anlık frekans ve genlik değerleri hesaplanarak 0-35 Hz arası genlik değerleri alınmıĢ ve H matrisi oluĢturulmuĢtur.

ġekil 3.5. OluĢturulan H matris yapısı

Dolayısıyla EOGL için 3 TKF’ye ait H matrisi ve EOGL-EOGR için yine ilk 3 TKF’ye ait toplam 6 adet H matrisi elde edilmiĢtir. ġekil 3.5’te oluĢturulan H matris yapısı görülmektedir. OluĢturulan H matrisinde satırlar 0-35 Hz aralığında frekans değerlerine küçükten büyüğe olarak denk gelmektedir. Her bir H matrisi de 0-2 Hz, 2-4 Hz, 4-10 Hz arasına denk gelen H matris satır aralıklarındaki genlik toplamları hesaplanmıĢtır. Böylece oluĢturulan 6 adet H matrisinden 3’er adet frekans özelliği çıkarılarak 9 adet EOGL frekans özelliği ve 9 adet EOGR frekans özelliği olmak üzere toplam 18 adet frekans özelliği edilmiĢtir.

Bu özellikler çalıĢmada EOGL için Hn, EOGL-EOGR için DHn olarak isimlendirilmiĢtir.

HHD analizi ile elde edilen 18 özellik Ģunlardır:

1. EOGL TKF-1’den elde edilen H matrisden 0-2 Hz frekans bandındaki sinyal genlikler toplamı

(35)

7. EOGL TKF-3’ten elde edilen H matrisden 0-2 Hz frekans bandındaki sinyal genlikler toplamı

10. EOGL-EOGR TKF-1’den elde edilen H matrisden 0-2 Hz frekans bandındaki sinyal genlikler toplamı

13. EOGL-EOGR TKF-2’den elde edilen H matrisden 0-2Hz frekans bandındaki sinyal genlikler toplamı

16. EOGL-EOGR TKF-3’ten elde edilen H matrisden 0-2 Hz frekans bandındaki sinyal genlikler toplamı

(36)

3.1.2. Zaman domeni özellikleri

19. Ġlgili epoğun mutlak ortalaması:

(3.7)

20. Ġlgili epoğun enerjisi:

(3.8)

21. Ġlgili epoğun Ģekil faktörü:

√

(3.9)

22. Ġlgili epoğun standart sapması:

√

(3.10)

23. Ġlgili epoğun eğrilik değeri (Skewness):

(3.11)

24. Ġlgili epoğun basıklık değeri (Kurtosis):

(3.12)

25. Ġlgili epoğun enerjisinin bir önceki epok enerjisine oranı : Ġlgili epok

(37)

(3.13)

26. Ġlgili epoğun enerjisinin bir sonraki epok enerjisine oranı : Ġlgili epok (3.14)

27. Ġlgili epoğun enerjisinin tüm sinyal enerjisine oranı : Ġlgili epok : Tüm sinyal (3.15) 28. Ġlgili epoğun Ģekil faktörünün tüm sinyal Ģekil faktörüne oranı

: Ġlgili epok : Tüm sinyal √ √ (3.16)

29. Ġlgili epoğun standart sapmasının tüm sinyalin standart sapmasına oranı : Ġlgili epok : Tüm sinyal √ √ (3.17)

3.1.3. Frekans domeni özellikleri

30. 0-2 Hz arası relatif enerji-1

Ġlgili epokta 0-2 Hz bandında bulunan sinyallerin enerjisinin tüm epok sinyali enerjisine oranıdır.

(38)

: Ġlgili epokta 0-2 Hz arası sinyaller : Ġlgili epok sinyali

(3.18) 31. 0-2 Hz arası relatif enerji-2

Ġlgili epokta 0-2 Hz bandında bulunan sinyallerin enerjisinin tüm EOGL sinyal enerjisine oranıdır.

: Ġlgili epokta 0-2 Hz arası sinyaller : Tüm EOGL sinyali

(3.19) 32. 2-4 Hz arası relatif enerji-1

Ġlgili epokta 2-4 Hz bandında bulunan sinyallerin enerjisinin tüm epok sinyali enerjisine oranıdır.

: Ġlgili epokta 2-4 Hz arası sinyaller : Ġlgili epok sinyali

(3.20) 33. 2-4 Hz arası relatif enerji-2 (ilgili sinyal enerjisi/tüm sinyal enerjisi)

Ġlgili epokta 2-4 Hz bandında bulunan sinyallerin enerjisinin tüm EOGL sinyal enerjisine oranıdır.

: Ġlgili epokta 2-4Hz arası sinyaller : Tüm EOGL sinyali (3.21)

3.1.4. Fark sinyali zaman domeni özellikleri

34. ΔEOG=EOGL-EOGR değerinin mutlak ortalaması

(39)

35. ΔEOG=EOGL-EOGR değerinin mutlak standart sapması

√

(3.23)

36. ΔEOG=EOGL-EOGR değerinin enerjisi

(3.24)

Özellik çıkarma iĢlemi MATLAB ortamında gerçekleĢtirilmiĢ olup sonucunda toplamda yukarıdaki 36 özellik elde edilmiĢtir.

3.2. Özellik Seçme ve Sınıflandırma

Özellik çıkarma iĢleminden sonra 36 özellik kullanılarak WEKA programı kullanılarak özellik seçme ve sınıflandırma yapılmıĢtır. WEKA Waikato Üniversitesinde JAVA tabanlı geliĢtirilmiĢtir. WEKA ismi Waikato Environment for Knowledge Analysis kelimelerinin baĢ harflerinden oluĢur. WEKA programının kullanımı kolaydır, basit bir dosyadan alınabilen veriler üzerinde istatistiksel hesaplamalar yapılabilmektedir. Ayrıca WEKA üzerinde oluĢtulacak veri tabanı üzerinden veriler alınıp kullanılabilmektedir. WEKA üzerinde pek çok kütüphane hazır olarak gelmektedir. Veri öniĢleme, ilkelleme, sınıflandırma, gruplama, özellik seçme WEKA’da kullanılabilecek özellikleridir. Ayrıa WEKA programında görsel olarak verilerin gösterilmesini sağlayan özellikte bulunmaktadır.

Sınıflandırma esnasında 10-fold çapraz doğrulama yönteminden faydalanılmıĢtır. 10-fold çapraz doğrulama yönteminin kullanılmasının sebebi; sınıflandırılma yapılan birçok çalıĢmada k-fold çapraz doğrulama yöntemi güvenilir ve belirleyici olması nedeniyle tercih edilmiĢ ve uygulanmıĢtır. Kohavi (1995)’nin çalıĢmasında k-fold çapraz doğrulama yönteminin rastgele eğitim ve test kümelerini seçiminden ortaya çıkan yanılgıyı en aza indirmiĢ olduğu görülmektedir. Bu yöntemde veri kümeleri k eĢit parçaya bölünür. Bu parçalar k defa eğitilir ve test edilir. Her eğitim ve test sırasında k parçaya ayrılan verilerden bir tanesi test için, geri kalanı ise eğitim

(40)

için seçilir ve eğitilir. K test sonucu ve doğruluk değeri oluĢur. Bu değerlerin ortalaması algoritmanın test doğruluğunu vermektedir (Kohavi, 1995; YücelbaĢ, 2012).

Sınıflandırma yöntemi olarak da WEKA programında Naive Bayes, J48 (Decision Tree), K en yakın komĢu algoritması (K-nearest neighbours classifier), YSA (Multilayer Perceptron), Random Forest algoritmaları uygulanmıĢtır. Bu yöntemler aĢağıda detaylıca açıklanmaktadır.

3.2.1. Naive Bayes

17. yüzyılda yaĢamıĢ matematikçi Thomas Bayesin isim babalığını yaptığı Naive Bayes Sınıflandırıcı temelde olasılık hesabı yaparak sınıflandırma yapmaktadır. Yani varsayımlarla Bayes teoremini temel alan olasılıklı bir sınıflayıcıdır. Sisteme girilen eğitim verileri ile olasılık hesaplaması yaparak sınıflandırmada kullanılacak olan olasılık değerleri hesaplar. Basit tasarımına ve basitleĢtirilmiĢ varsayımlara rağmen Naive Bayes sınıflandırıcı gerçek dünyada beklenenden çok daha iyi sonuçlar vermektedir (Usta, 2014).

Naive Bayes sınıflandırmada sisteme öncelikle öğretilmiĢ veri sunulur (Örn: 100 adet). Veri eğitme için sunulan verilerin mutlaka bir etiketi bulunmalıdır. EğitilmiĢ veriler üzerinde yapılan olasılık iĢlemleri ve sisteme girilen yeni test verileri, daha önce elde eğitim esnasında else edilmiĢ olasılık değerlerine göre iĢleme sokulur ve sisteme sokulan test verisinin hangi sınıfta olduğu tespit edilmeye çalıĢılır. Yani eğitim esnasında sınıflama için öğrendiği olasılık katsayılarını kullanarak test verilerini sınıflandırmaya çalıĢır. Eğitim veri sayısı ne kadar çok ise, test verisinin gerçek sınıfının tespit doğruluğu o kadar yüksek olabilmektedir.

Bu teorem rastsal bir değiĢken için koĢullu olasılıklar ile önsel (marjinal) olasılıklar arasındaki iliĢkiyi gösterir.

(3.25)

P(A|B) : B olayı olduğu durumda A olayının meydana gelme olasılığı P(B|A) : A olayı olduğu durumda B olayının meydana gelme olasılığı P(A) ve P(B) : A ve B olaylarının önsel olasılıklarıdır.

(41)

Naive Bayes Sınıflandırma Modeli

Bir sınıflandırma problemi bir çok özellikten ve bir sonuç (hedef) değiĢkeninden oluĢur.

(3.26) C verilen hedefi ve F özelliklerimizi temsil eder. Naive Bayes sınıflandırıcı basitçe bütün koĢullu olasılıkların çarpımıdır (ġeker, 2013; Usta, 2014; Uzun, 2016).

3.2.2. J48

WEKA programında karar ağacı algoritmasıdır. Litaratürde C4.5 karar ağacı algoritması olarak geçmektedir. ID3 algoritmasını geliĢtiren Quinlan’ın geliĢtirdiği C4.5 karar ağacı oluĢturma algoritmasıdır. ID3 algoritmasındaki eksiklikler C4.5 algoritmasıyla giderilmiĢtir.

C4.5 algoritmasına geçmeden önce karar ağacı nedir, nasıl kullanılır kısmını inceleyelim. Bir problemi çözmek için risklerin, tercihlerin, hedeflerin, kazançların, tanımlanmasında yardımcı olabilen ve birbirini izleyen olasılığa bağlı olaylarla ilgili olarak çıkan çeĢitli karar noktalarını incelemek için kullanılan bir tekniktir.

Karar ağaçları eğiticili öğrenme konusunda kullanılan oldukça yaygın bir yöntemdir. Karar ağacı oluĢturmada entropi değerleri birer oran olarak tutulur ve iĢlenir. Karar ağacı oluĢturulurken adımlar aĢağıdaki gibidir.

1. Veri setinden T öğrenme çizelgesi oluĢturulur (Çizelge 3.1).

Çizelge 3.1. Karar ağacı öğrenme çizelgesi

HAFTA Hava Durumu ArkadaĢ Para Durumu Karar

1 GüneĢli Var Ġyi Sinema

2 GüneĢli Yok Ġyi Tenis

3 Rüzgarlı Var Ġyi Sinema

4 Yağmurlu Var Kötü Sinema

5 Yağmurlu Yok Ġyi Evde

6 Rüzgarlı Var Kötü Sinema

(42)

2. Veri setinde en ayırt edici özellikler belirlenir ve ağacın kökünü oluĢturur (ġekil 3.7).

Karar Ağacı oluĢturulurken ID3, C4.5 gibi karar ağacı metotlarında en ayırt edici özelliği belirlemek amacıyla her özellik için bilgi kazancı ölçülür. Bilgi kazancı ölçümünde entropi kullanılır. Entropi belirsizliği, rastgeleliği ve beklenmeyen durumların ortaya çıkma olasılığını gösterir.

EĢitlik 3.27’de entropi hesabı görülmektedir.

( ) (3.27)

Sekil 3.7. Karar ağacı kökü

3. Daha sonar en ayırt edici özelliklere göre ağacın çocuk düğümü (parents) diye adlandırılan A-B-C alt veri kümeleri belirlenir. ġekil 3.8’de en ayırt edici özellik hesabına göre A-B-C grupları oluĢmuĢtur. Çizelge 3.2’de güneĢli hava durumu için çizelge oluĢturulmuĢtur.

(43)

Sekil 3.8. Karar ağacı

Çizelge 3.2. Karar ağacı öğrenme çizelgesi

HAFTA Hava Durumu ArkadaĢ Para Durumu Karar

1 GüneĢli Var Ġyi Sinema

2 GüneĢli Yok Ġyi Tenis

4. 3. adımda oluĢturulan her alt veri grubu için aĢağıdaki durumlardan biri ortaya çıkıncaya kadar en ayırt edici özellik bulunmaya devam edilir.

 Örneklerin hepsi aynı sınıfa ait ise,

 Örnekleri gruplayacak nitelik kalmamıĢ ise,

 Kalan niteliklerin değerini taĢıyan örnek yoksa gruplama iĢlemi sonlandırılır. Diğer durumda alt veri kümesini ayırmak için 2. adımdan devam edilir (ġeker, 2013; Anonim, 2016d; Tezgider, 2017).

3.2.3. K en yakın komĢu algoritması

Litaratürde KNN algoritması olarak bilienen bu sınıflandırma yöntemi kullanımı basit ve kolay, öğrenme süreci kullanıĢlı ve güçlü olmasından dolayı sıklıkla kullanılmaktadır. K-NN algoritması, T.M. Cover ve P.E. Hart tarafından önerilen, K

(44)

değerine gore örnek veri noktasının bulunduğu sınıfın ve en yakın komĢunun, belirlendiği bir sınıflandırma yöntemidir.

Temel olarak bu algoritma sınıflandırma esnasında çıkarılan özelliklerden, sınıflandırılmak istenen verinin daha önceki verileren K tanesine yakınlığına bakar.

Örneğin K = 3 değeri için yeni sınıflandırılma yapılmak istensin. Bu durumda önceden sınıflandırılmıĢ elemanlardan en yakın 3 tanesine bakılır. Bu elemanlar hangi sınıfa aitse, yeni eleman da o sınıfa dahil edilir. Mesafe hesabında genelde öklit mesafesi (euclid distance) kullanılabilir (Anonim, 2016d).

3.2.4. Multilayer Perceptron (YSA)

Sınıflandırma sistemlerinde sıkça kullanılan yapay sinir ağları algoritması, WEKA programındaki adı multilayer perceptron’dır.

YSA basit tanımı ile yapı taĢı nöron olan insan beyninin modellenmesidir. Ġnsan beyninde bulunan yaklaĢık 100 milyar nöronda 1.000 - 100.000 arasında bağlantı noktası bulunmaktadır. Bilgi insan beyninde bu nöronlar arası bağlantılara dağıtılmıĢ bir Ģekilde saklanmaktadır ve bizler birden fazla bilgiyi aynı anda paralel olarak hafızamızdan çekip iĢleyebiliriz. Bu yapısıyla bir insan beyninin paralel iĢlem yapma yetisinin ne kadar fazla olduğunu görebiliyoruz.

ġekil 3.13’te çok katmanlı yapay sinir ağı modeli görülmektedir. Çok katmanlı yapay sinir ağları da insan beynine benzemektedir. Her nöron diğer nöronlara belli katsayılar ile bağlantılıdır. Eğitim sırasında bilgi bu bağlantı noktalarına dağıtılarak ağın öğrenilmesi sağlanır.

(45)

ġekil 3.13’te görüldüğü gibi bir yapay sinir ağı girdi katmanı, ara katman ve çıktı katmanı olmak üzere toplam 3 katmandan oluĢmaktadır. Burada gösterilen yuvarlak kutucukların nöronları, okların da bağlantı noktalarını temsil ettiğini düĢünebiliriz. Eğitim için hazırlanan veri seti girdi katmanında ağa gösterilir. Ara katmandaki bağlantı noktalarına eğitim sırasında öğrenilen olayların ağırlıkları atanır. Her bağlantı noktasının bir değeri olmak zorunda olmadığı gibi bazı noktaların değeri sıfır da olabilir. Bağlantı noktalarına sıfır değerler atanabildiği için sistem çıktımızın da sıfır olmaması için katmanlar arasında bir eĢik değeri eklenmektedir. Sistem eğitildikten sonra sisteme test verileri gönderilerek sınıflandırmadaki baĢarısı ölçülür.

Yapay sinir ağı sisteminin diğer sınıflandırma algoritmalarına göre avantajları vardır. Bunlar:

 Bilgiler tüm sistemde yayılarak saklanabildiğinden birkaç verinin kaybolması sistemin çalıĢmasını engellememektedir. Sadece performans kaybı yaĢanır, bu da kaybolan verinin önemi ile ilgilidir.

 YSA da birden fazla hücrenin bozulması sistemin çıktı üretmesini engellemez, bu da sistemin hata toleransı olarak ölçülür.

 Paralel iĢlem kabiliyeti vardır.

 Bir ağ zaman içerisinde yavaĢ ve göreceli olarak bozulmaya uğrayacağından anında bozulmaz.

YSA’da kullanılan parametreler

 gd: ara katmandaki gizli düğüm sayısı

 itnum: eğitmede kullanılan iterasyon sayısı

 lr: öğrenme oranı

 ms: momentum sabiti (mc) (Aymaz, 2015; Shiffman, 2017)

3.2.5. Rastgele Orman (RO) Algoritması (Random Forest)

Rastgele Orman algoritması temelde karar ağacı algoritmasıdır, fakat sınıflandırma esnasında birden fazla karar ağacı oluĢturarak sınıflandırmayı en doğru Ģekilde yapmayı hedefler. Breiman tek bir karar ağacı üretmek yerine birden çok karar ağacının farklı eğitim verileriyle eğitilip, karar ağaçları sonucunda ortaya çıkan farklı kararlardan tek bir karar çıkması mantığını önerir. Büyük veri setlerinin

(46)

sınıflanmasında, sistemlerde kayıp verilerin tahmin edilmesinde ve kayıp veri sonucunda oluĢan performans düĢüklüğüne engel olunmasında oldukça baĢarılı bir sistemdir.

Torbalama karar ağacı algoritmasında sınıflandırıcıyı eğitmek için değiĢmeli olarak eğitim veri setinden birden çok eğitim veri setleri oluĢturulur ve her bir eğitim veri seti için bir karar ağacı üretilir. Tekrarlı eğitimi kullanır ve yanlıĢ sınıflandırılmıĢ örnekler bundan sonraki iterasyonlarda daha önemli olsun diye ağırlıkları artırılır. RO algoritması rastgelelik özelliği eklenerek Torbalama yönteminin geliĢtirilmiĢ bir versiyonudur (Breiman, 2001). RO bir düğümü dallandırmak için tüm değiĢkenler içinden en iyi dalı kullanmak yerine, her bir düğümde rastgele olarak seçilen değiĢkenler içerisinden en iyisini kullanarak her bir düğümü dallandırır. Her bir veri seti orijinal veri setinden değiĢmeli olarak üretilir. Sonra rastgele özellik seçimi yapılarak ağaçlar geliĢtirilir. GeliĢtirilen bu karar ağaçları budanmaz ve bu da RO’nun doğruluğunu eĢsiz yapar (Breiman, 2001; Archer, 2008). RO aynı zamanda çok hızlıdır, aĢırı uyuma karĢı dayanıklıdır ve istenildiği kadar ağaçla çalıĢılır. RO algoritmasını baĢlatmak için temel olarak 2 parametre tanımlanmalıdır. Bu parametreler, en iyi bölünmeyi belirlemek için her düğümde kullanılacak olan değiĢkenlerin sayısı (m) ve geliĢtirilecek ağaçların sayısı N’dir. Ġlk olarak eğitim veri kümesinin 2/3’ünden önyükleme örnekleri oluĢturulur, outof-bag (OOB) verisi olarak adlandırılan 1/3’lük geri kalan kısım da hataları test etmek için kullanılacaktır (ġekil 3.14). Sonra ön yüklemeli örneklerden budama olmadan ağaç geliĢtirilir. Her bir düğümde m sayısı kadar değiĢken tüm değiĢkenler arasından rastgele seçilir ve bu değiĢkenler arasından en iyi dal belirlenir. RO ağaç üretmek için temelde CART (Classification and Regression Tree) algoritmasını kullanır (Breiman, 2001). Her bir düğüm de dallar CART algoritmasına göre oluĢturulur. GINI indeksi sınıf homojenliğini ölçer ve eĢitlik 3.28 ile ifade edilir.

(

)

(3.28) T: eğitim veri seti,

Ci: rastgele seçilen verinin ait olduğu sınıfı,

(47)

GINI indeksi büyüdükçe sınıfın heterojenliği artar, GINI indeksi azaldıkça sınıfın homojenliği artar. Bir alt düğümün GINI indeksi bir üst düğümün GINI indeksinden daha küçük olduğu zaman o dal baĢarılıdır. GINI indeksi sıfıra yaklaĢınca ağaç dallanma iĢlemi sonlanır (CoĢgun ve Karaağaoğlu, 2011).

ġekil 3.14. Random forest algoritma akıĢ Ģeması (CoĢgun ve Karaağaoğlu, 2011)

3.2.6. Temel BileĢen Analizi (TBA)

Temelde çok verinin bulunduğu sistemlerde araĢtırma yapabilmek için verinin boyutunu azaltmaya yarayan veri madenciliğinde çokça kullanılan bir yöntemdir. Karhunen-Loeve metodu da denilmektedir. Türkçe’de “temel bileĢenler analizi” denilen PCA, sınıflandırma, veri madenciliği, görüntü iĢleme alanlarında kullanılmaktadır. Bir veri setinin varyans-kovaryans yapısını, yani kullanılan özelliklerin birbirleriyle olan iliĢkilerini inceleyerek veya SVD (singular value decomposition) yöntemini kullanarak en az veri kaybıyla özellik kümesini değiĢtiren ve basitleĢtiren bir istatistik yöntemidir. TBA’nın temelde 3 amacı bulunur:

1. Veri kümesinin boyutunu azaltmak, 2. Tahmin yapmak,

3. Veri setini, bazı analizler için görüntülemek

TBA uygulandığında uzayın gerçek boyutu belirlenir. Bu gerçek boyuta da temel bileĢenler adı verilir. Temel bileĢenlerin üç özelliği vardır:

1. Birinci temel bileĢen toplam değiĢkenliği en çok açıklayan değiĢkendir. 2.Bir sonraki temel bileĢen kalan değiĢkenliği en çok açıklayan değiĢkendir. 3.Kolerasyonsuzlardır.