Bu tez çalışmasında, Elektroansefalogram (EEG) kayıtlarının otomatik olarak değerlendirilip, uyku evreleri içinde N-REM (Hızlı Göz Hareketleri Olmayan) Evre 2' nin bulunmasında önemli bir bileşen olan uyku iğciklerinin bulunması amaçlanmıştır. Bu çalışmada, önerilen metot iki adım içermektedir. İlk adımda ham EEG sinyallerinden zaman domeninde altı ve frekans domeninde dört özellik çıkarılmıştır. Ham EEG sinyallerinden Frekans domeni özelliklerinin çıkarılmasında Welch Spectral Analiz yöntemi kullanılmıştır. İkinci adımda ise yapay sinir ağları ile Levenberg-Marquardt algoritması kullanılarak daha önceden uyku uzmanı tarafından elle değerlendirilen uyku iğcikleri sınıflandırılmıştır. Uyku iğciklerinin sınıflandırılmasında LM-YSA kullanılarak elde edilen sınıflama doğruluğu zaman domeni özellikleri için % 100' dür (Gizli katmandaki düğüm sayısı on için). Çalışmada kullanılan uyku EEG sinyalleri Selçuk Üniversitesi Meram Tıp Fakültesi Uyku Laboratuvarında yapılan uyku skorlandırma çalışmaları dâhilinde, Yrd. Doç. Dr. Şebnem Yosunkaya ve ekibi tarafından kaydedilmiştir. Çalışma 3 hastada, toplam 712 epok üzerinde test edilmiştir. Son olarak; elde edilen sonuçlar, önerilen tanıma sisteminin uyku iğciklerinin otomatik olarak bulunmasında güvenle kullanılabileceğini göstermiştir. Aynı zamanda bu sistem N-REM evre 2' nin belirlenmesinde çok önemli bir parametredir.
In this study, it was aimed that detection of Sleep-Spindles which is the one of important components determining N-REM (Non-Rapid Eye Movement) Stage 2 in the sleep stages, by automatically evaluation of Electroencephalogram (EEG) records. In this study, the proposed method consists of two steps. In the first step, six time domain features and four frequency domain features have been extracted from raw EEG signals. The extraction of frequency domain features from raw EEG signals, Welch spectral analysis has been used. In the second step, artificial neural network (ANN) with LM (Levenberg-Marquardt) has been used to classify the sleep spindles evaluated before hand by sleep expert physicians. The obtained classification accuracies for time domain features set in the classification of sleep spindles are 100% by using LM-ANN (for ten node in hidden layer). The sleep EEG signals used in this study are recorded with in support of sleep scoring studies carried out in Selcuk University Meram Faculty of Medicene Department Sleep Laboratory by Asst. Prof. Dr. Şebnem YOSUNKAYA and her team. The study is tested on 3 patients with 712 epochs. Finally, the obtained results have presented that the proposed recognition system could be confidently used in the automatic classification of sleep spindles. And also, this system is a very important parameter in the determination of N-REM Stage 2.
