Automatic Sleep Stage Scoring Based Eeg Evoked Response /

Abstract

Uyku uzmanları sıklıkla uyku laboratuvarlarında ki hastalardan elde ettiği nörofizyolojik sinyalleri analiz ederek uyku değerlendirmeleri yaparlar. Bu iş temelinde çok zor, sıkıcı ve zamana mal olan bir iştir. Manuel uyku aşaması kaydının kısıtlanması, Otomatik Uyku Aşaması Sınıflandırma sistemlerinin (ASSC) üretimine olan ihtiyacını artırdı. Uyku evrelerinin belirlenmesi, farklı uyku dönemlerinin tanınması için gereklidir ve doktorların ilişkili uyku anormalliklerini tanımasına ayrıca tedavi etmesine izin veren çok önemli bir adımdır. Çalışma boşluklarını tanımlamak ve potansiyel olarak gerçekçi bir yaklaşımı dahil etmek için, bu çalışma Elektroensefalogram (EEG) konusunda yer alan uyku evreleme aşamalarının her birinde kullanılan uyandırılmış yanıt ve diğer yaklaşımlar dahil, veri işleme, özellik çıkarma ve sınıflandırma konularında ki ilerlemeleri ve zorlukları analiz etmeyi amaçlamaktadır. Bu tezde, sağlıklı deneklerin uyku-edf veri seti birkaç sınıflandırıcıyı ölçmektedir. % 85'in üzerinde bir test doğruluğu için optimize edilmiş model, kayda değer bir ilerleme olduğunu kanıtlıyor. Bulgular, farklı sınıflandırıcılar arasındaki eşitsizliği göstermektedir. Son olarak, sağlıklı kişiler tarafından birleştirilen 2 EEG kanalı kullanılarak ilgili sınıflandırma doğrulukları elde edilebilir. Aslında, algoritmaları daha fazla kişi tarafından kullanılabilmesi için daha fazla genellemek mümkündür.

Sleep experts frequently perform sleep assessments by analyzing the neurophysiological signals obtained by the patient in sleep laboratories. It's a very tough, boring and time costly job basically. Restrictions of manual sleep stage recording expanded the need for the production of Automatic Sleep Stage Classification systems (ASSC). The designation of the sleep phases applies to the recognition of the different periods of sleep and is a crucial step in allowing doctors to recognize and treat associated sleep abnormalities. In an effort to define the study gaps and potentially incorporate a realistic approach, this work seeks to analyze progress and difficulties with many Electroencephalograms (EEG) including the evoked response and other approaches used in each of the phases for sleep staging, englobing the data processing, feature extraction and classification. In this thesis, the sleep-edf dataset of healthy subjects measures several classifiers. For a testing accuracy of over 85%, the optimized model proves remarkable progress. The findings illustrate the disparity between the different classifiers. Finally, respectable classification accuracies can be obtained using the 2 EEG channels combined by healthy people. In fact, it is possible to generalize algorithms further so they can be used by more individuals.