000			05046nam a2200433 i 4500
999			_c200449185 _d67397
003			TR-AnTOB
005			20230908001002.0
007			ta
008			171111s2022 xxu e mmmm 00| 0 eng d
035			_a(TR-AnTOB)200449185
040			_aTR-AnTOB _beng _erda _cTR-AnTOB
041	0		_atur
099			_aTEZ TOBB FBE BMM Ph.D’22 NAS
100	1		_aNasıfoğlu, Hüseyin _eauthor _9126275
245	1	0	_aObstrüktif uyku apnesinin derin öğrenme kullanılarak tahmin edilmesi / _cHüseyin Nasıfoğlu; thesis advisor Osman Eroğul.
246			_aObstructive sleep apnea prediction using deep learning
264		1	_aAnkara : _bTOBB ETÜ Fen Bilimleri Enstitüsü, _c2022
300			_axv, 92 pages : _billustrations ; _c29 cm
336			_atext _btxt _2rdacontent
337			_aunmediated _bn _2rdamedia
338			_avolume _bnc _2rdacarrier
502			_aTez (Doktora Tezi)--TOBB ETÜ Fen Bilimleri Enstitüsü Mayıs 2022
520			_aNefes alışverişinin en az on saniye boyunca durması olarak tanımlanan uyku apnesi, günümüzde sık karşılaşılan bir uyku hastalığı olarak bilinmektedir. Obstrüktif uyku apnesi (OUA), solunum yolunda tıkanmaya bağlı gerçekleşen en yaygın uyku hastalıklarından biridir. Bu sendromun geliştirilen modeller yardımıyla otomatik olarak tespit edilebilmesinin yanında ön görülebilmesi de ciddi seviyelerde sağlık problemlerini ve hayati tehlikeyle karşı karşıya kalma durumunu önlemek açısından önemlidir. Yüksek doğrulukla çalışan tahmin modellerinin geliştirilmesi ile OUA rahatsızlığı yaşayan kişilerin sendrom anı gelmeden uyarılması ve uykudan uyandırılması ile olası risklerin yaşanmadan önlenmesi mümkün olabilecektir. Bu tez çalışmasında, derin öğrenme yöntemlerinden biri olan Evrişimsel Sinir Ağları (Convolutional Neural Networks, CNN) ile OUA tanısı konmuş hastalara ait elektrokardiyografi sinyalleri kullanılarak apne tahmini yapan modeller sunulmuştur. Bu modellerden birincisi, önceden eğitilmiş mimariler ile yapılan sıfırdan eğitim çalışmasıdır. İkinci model, önceden eğitilmiş mimariler ile transfer öğrenme yöntemi kullanılarak yapılan çalışmadır. Üçüncü model, ilk iki modelde gözlemlenen bulgulara bağlı olarak önerilmiş yeni bir modeldir. Son modelde ise üçüncü modelde önerilen derin öğrenme mimarisinden elde edilen özniteliklerin, mimarinin kendi sınıflandırıcısı yerine Destek Vektör Makineleri, Rastgele Alt Uzay k-En yakın Komşuluk ve Rastgele Alt Uzay Diskriminant Analizi yöntemleri ile sınıflandırıldığı durumda gözlemlenen sonuçlar sunulmuştur. Çalışmanın sonucunda gözlemlenen yüksek doğruluktaki bulgular, önerilen modellerin OUA tahmininde iyi bir belirteç olarak kullanılabileceğini göstermektedir.
520			_aSleep apnea is defined as the cessation of breathing for at least ten seconds and known as a common sleep disorder. Obstructive sleep apnea (OSA) is the most common type of sleep apnea that occurs due to obstruction in the airway. Besides the detection of sleep apnea with the help of developed algorithms, early prediction of this syndrome is important in order to prevent serious health problems and life-threatening situations. With the prediction models working with high accuracy, it will be possible to prevent the possible risks without experiencing them by stimulating the OSA patients before the syndrome occurs and waking them up from sleep. In this thesis, models that predict apnea using electrocardiographic signals of patients diagnosed with obstructive slep apnea by using Convolutional Neural Networks (CNN) are presented. The first model is the training from scratch with pre-trained architectures. The second model is the study of using the transfer learning method with pre-trained architectures. The third model is the study in which the new results observed with the changes made on the architecture that performed the best prediction performance in the first two models. In the last model, the results are presented when the features obtained from the deep learning architecture proposed in the third model are classified by Support Vector Machines, Random Subspace k-Nearest Neighborhood and Random Subspace Discriminant Analysis methods instead of the architecture's own classifier. The high accuracy findings observed at the end of the study show that the proposed model can be used as a good indicator for the prediction of OSA syndrome.
653			_aEvrişimsel sinir ağları
653			_aObstrüktif uyku apnesi
653			_aDerin öğrenme
653			_aElektrokardiyografi
653			_aTahminleme
653			_aConvolutional neural networks
653			_aObstructive sleep apnea
653			_aDeep learning
653			_aElectrocardiography
653			_aPrediction
700	1		_aEroğul, Osman _9126315 _eadvisor
710			_aTOBB Ekonomi ve Teknoloji Üniversitesi. _bFen Bilimleri Enstitüsü _977078
942			_cTEZ _2z