Etkin EEG Özellikleri Çıkarılarak Arousal Tespiti

Öz

Son zamanlarda toplumun en önemli problemlerinden biri olan uyku bozuklukları, bireylerin sağlığını ve yaşam kalitesini ciddi şekilde etkilemektedir. Uykusuzluk (Insomnia), narkolepsi, uyku apnesi ve huzursuz bacak sendromu gibi birçok uyku bozukluklarının neden olduğu rahatsızlıklar vardır. Uyku bozukluklarına sebep olan ana faktör ise bireyin uyku anındaki uyanma ile sonuçlanamayan, uyku kalitesini düşüren uyku kesintileridir. Arousal diğer bir adı ile uyanayazma geçici olan bu kesintilerdir ve bir beyin dalga (Elektroansefalogram -EEG) aktivitesinin paternindeki ani değişikliği temsil etmektedir. Arousal tespiti genellikle EEG verileri kullanılarak Amerikan Uyku Tıbbı Akademisi (American Academy of Sleep Medicine-AASM) tarafından belirlenen kriterlere göre yapılmaktadır. Bu çalışmada amaç, AASM tarafından belirlenen kriterler doğrultusunda EEG sinyalleri vasıtasıyla hasta bireylerdeki arousalların tespitidir. Bu amaç doğrultusunda, öncelikle, çalışmaya dahil edilen 5 hasta bireyin tek kanallı (C3/A2) EEG sinyallerine sırasıyla filtreleme, normalizasyon ve segmantasyon önişlemleri uygulanmıştır. Daha sonra Spektral Güç Yoğunluğu (Power Spectral Density-PSD) ve Ayrık Dalgacık Dönüşümü (Discrete Wavelet Transform-DWT) yöntemleri ile gerçekleştirilen özellik çıkarma süreci sayesinde, EEG sinyal segmentlerine ait 2 özellik seti ve bu özellik setlerinin birleştirilmesiyle 3. özellik seti oluşturulmuştur. Ardından oluşturulan 3 özellik seti üzerine Sarmal Alt Küme Değerlendirme (Wrapper Subset Evaluation-WSE) özellik seçme yöntemi uygulanarak etkin özellikler belirlenmiştir. Nihai olarak belirlenen özelliklerin Yapay Sinir Ağları (YSA) ve Rasgele Orman (RO) algoritmaları tarafından sınıflandırılmaları ile arousal içeren EEG segmentleri tespit edilmiştir. Gerçekleştirilen bu çalışmaların beraberinde EEG sinyal kayıtlarından başka hiçbir PSG sinyal kaydına ihtiyaç duymadan, yalnızca tek kanallı EEG sinyalleri ile oldukça başarılı sonuçlar elde edildiği tespit edilmiştir. Çalışma sonucunda ise Özellik Seti 3’ün etkin özellikleri ve YSA ile en yüksek doğruluk oranı %99.05 olarak elde edilmiştir.

Anahtar Kelimeler

• Arousal
• EEG
• Spektral Güç Yoğunluğu
• Ayrık Dalgacık Dönüşümü
• , Sarmal Alt Küme Değerlendirme
• Yapay Sinir Ağları
• Rasgele Orman Algoritması

Arousal Detection by Extracting Efficient EEG Features

Abstract

Nowadays, sleep disorders, one of the most important problems of society, affect the health and quality of life of individuals seriously. There are diseases caused by many sleep disorders such as insomnia, narcolepsy, sleep apnea and restless legs syndrome. The main factor that causes sleep disorders is sleep interruptions that don’t result in the awakening of the individual during sleep and reduce sleep quality. Arousal, also known as awakening, are these temporary interruptions and represent a sudden change in the pattern of brainwave (Electroencephalogram-EEG) activity. Generally, Arousal detection is performed by utilizing EEG datas according to the criterions determined by American Academy of Sleep Medicine (AASM). This study's purpose is to detect arousals of patients through EEG, in accordance with the criterions of ASSM. For this purpose, primarily, filtering, normalization and segmentation pre-processes were applied to single channel (C3 / A2) EEG signals of 5 patients included in the study, respectively. Afterwards 2 feature sets and 3rd feature set by combining these 2 feature sets were generated for EEG signal segments thanks to feature extraction processing carried out Power Spectral Density (PSD) and Discrete Wavelet Transform (DWT) methods. Subsquently, efficient features were determined by implementing Wrapper Subset Evaluation (WSE) that is feature selection method on to the 3 features sets created. Finally, the EEG segments containing arousals were detected by classifying the determined features by Artificial Neural Networks (ANN) and Random Forest (RO) algorithms. With these studies performed , it has been determined to achieve successful results with only single-channel EEG signals without the need for any PSG signal recording other than EEG signal recording. As a result of the study, the highest accuracy rate (99.05%) were obtained by using the effective features of Feature Set 3 and ANN.

Keywords

• Arousal
• EEG
• Spectral Power Density
• Discrete Wavelet Transform
• Wrapper Subset Evaluation
• Artificial Neural Networks
• Random Forest Algorithm

Kaynakça

1. American Academy of Sleep Medicine. (2012). The AASM Manual for the Scoring of Sleep and Associated Events, Version v2.0. [Online]. Available: https://aasm.org/clinical-resources/scoring-manual/.
2. Demir, A., Ursavaş, A., Aslan, A. T., Gülbay, B., Çiftçi, B., Çuhadaroğlu, Ç., Keyf, F., Fırat, H., Yılmaz, M., Gerek, M., Köktürk, O., İtil, O., Karakoç, Ö., Başoğlu, Ö. K., Ersu, R., Ardıç, S., Öktem, S., Güven, S. F., & Çiftçi, T. U. (2012). Türk Toraks Derneği Obstrüktif Uyku Apne Sendromu Tanı ve Tedavi Uzlaşı Raporu. Türk Toraks Dergisi, 13: 1-66.
3. Goldberger, A., Amaral, L., Glass, L., Hausdorff, J., Ivanov, P. C., Mark, R., Mietus, J. E., Moody, G. B., Peng, C. K., & Stanley, H. E. (2000). PhysioBank, PhysioToolkit, and PhysioNet: Components of a new research resource for complex physiologic signals. Circulation [Online], 101: e215–e220. https://doi.org/10.1161/01.cir.101.23.e215.
4. Göğüş, F. Z., Tezel, G., Özşen, S., Küççüktürk, S., Vatansev, H., & Koca, Y. (2020). Identification of Apnea-Hypopnea Index Subgroups Based on Multifractal Detrended Fluctuation Analysis and Nasal Cannula Airflow Signals. Traitement du Signal, 37: 145-156. https://doi.org/10.18280/ts.370201.
5. Uğur, T. K., & Erdamar, A. (2019). An efficient automatic arousals detection algorithm in single channel EEG. Computer Methods and Programs in Biomedicine, 137: 131-138. https://doi.org/10.1016/j.cmpb.2019.03.013.
6. Varela, F. I., Pereira, E. H., Estévez, D. Á., & Bonillo, V. M. (2017). Combining Machine Learning Models for the Automatic Detection of EEG Arousals. Neurocomputing, 268: 100-108. https://doi.org/10.1016/j.neucom.2016.11.086.
7. Wallant, D. C., Mutoa, V., Gaggionia, G., Jaspara, M., Chellappaa, S. L., Meyera, C., Vandewallea, G., Maqueta, P., & Phillips, C. (2016). Automatic artifacts and arousals detection in whole-night sleep EEG recordings. Journal of Neuroscience Methods, 258: 124-133. https://doi.org/10.1016/j.jneumeth.2015.11.005.
8. Witten, I. H., Frank, E., Trigg, L. E., Hall, M. A., Holmes, G., & Cunningham, S. J. (1999) .Weka: Practical machine learning tools and techniques with Java implementations.

9. Wong, K., & Leung, A. C. (1998). On-line successive synthesis of wavelet networks. Neural Processing Letters, 7: 91– 100. https://doi.org/10.1023/A:1009684412215.
10. Xu, J. & Ho, D. W. C. (2002). A basis selection algorithm for wavelet neural Networks. Neurocomputing, 48: 681–689. https://doi.org/10.1016/S0925-2312(01)00638-5.