Yazar "Çentik, Güven" seçeneğine göre listele

Listeleniyor 1 - 2 / 2
  • Küçük Resim
    Öğe
    Makine öğrenmesi yöntemlerinin polisomnografik verilere uygulanması
    (Trakya Üniversitesi Fen Bilimleri Enstitüsü, 2013) Çentik, Güven; Umut, İlhan
    Uykuda Periyodik Hareket Bozukluğu (UPHB) Polisomnografi (PSG) kaydındaki bacak Elektromiyografisi (EMG) haricindeki diğer kanallar kullanılarak, dijital sinyal işleme yöntemleri ve makine öğrenmesi yöntemleri ile analiz edilmiştir. Bu hastalığın belirlenen özniteliklere uygun makine öğrenmesi algoritmalarıyla sınıflandırılması amaçlanmıştır. Çalışma UPHB hastalığı teşhisi konulmuş farklı yaş ve cinsiyetten 153 bireyin, PSG kayıtları kullanılarak gerçekleştirilmiştir. Hasta kayıtları (PSG) ortalama 7-8 saat sürmektedir. Çalışma ekibi tarafından dijital sinyal işleme ve makine öğrenmesi yöntemlerini kullanan bir yazılım geliştirilmiştir. Bu yazılım hasta kayıtlarını (PSG) 2, 5, 30 ve 60 saniyelik epok (bölüt) sürelerine parçalayarak analiz etmekte ve elde edilen sonuçları karşılaştırmaktadır. Her epok PSG kanallarının kendine ait farklı özniteliklerini içermektedir. Bu öznitelikler dijital sinyal işleme yöntemleri (Dalgacık ve Fourier) ve istatistiksel yöntemler kullanılarak elde edilip veritabanında saklanmıştır. Veritabanında saklanan öznitelikler, farklı makine öğrenmesi algoritmaları kullanılarak UPHB sınıflandırılmıştır. 60 ve 30 saniyelik epoklar kullanılarak elde edilen sınıflandırma sonuçlarının birbirine çok yakın ve yüksek sınıflandırma oranlarına (% 79) sahip olduğu gözlemlenmiştir. 2 ve 5 saniyelik epoklar kullanılarak elde edilen sınıflandırma sonuçlarının da birbirine çok yakın olduğu ve düşük sınıflandırma oranlarına (% 63.93) sahip olduğu görülmüştür. Makine öğrenmesi algoritmalarından `lazy.Ibk' sınıflandırma algoritması diğer algoritmalara göre daha yüksek sınıflandırma oranı (% 79) ve düşük hata değerine (RMSE= 0.4652) sahiptir. Diğer yandan 'functions.Logistic' algoritması ise daha düşük sınıflandırma oranı (% 63.34) ve daha yüksek hata değerine (RMSE= 0.4741) sahiptir. Yapılan analizler sonucunda, UPHB'nin bacak EMG'si kaydı kullanılmayarak, makine öğrenmesi algoritmalarıyla, % 79 gibi yüksek bir oranla sınıflandırılabileceği tespit edilmiştir.Anahtar Kelimeler:Uykuda Periyodik Hareket Bozukluğu (UPHB), Sayısal İşaret İşleme, Makine Öğrenmesi, Polisomnografi (PSG)
  • Küçük Resim Yok
    Öğe
    Mobil horlama yastığı
    (2018) Umut, İlhan; Koç, Mehmet Sena; Çentik, Güven; Koçyiğit, Gökhan; Uçar, Erdem; Öztürk, Levent
    Günümüzde yapılan çalışmalar horlamanın günlük yaşantımızı olumsuz yönde etkilediğini ortaya koymuştur.Bununla beraber horlama sebebiyle doktora başvuran birey sayısının giderek artması bizi bu çalışmayıgerçekleştirmeye yönlendirmiştir. Horlama uykuda görülen bir solunum bozukluğudur ve hem horlayankişiyi hem de aynı ortamda bulunan kişileri rahatsız etmektedir. Horlamanın birçok sebebi olmakla beraberbu sebeplere bağlı farklı tedavi yöntemleri mevcuttur.Gerçekleştirdiğimiz çalışma bir cerrahi müdahale yöntemi değildir. Çalışmamızın amacı yatış bozukluğunabağlı olarak ortaya çıkan horlamaya çözüm bulmaktır. Kişi uyku esnasında horlamaya başladığındabaşucunda veya aynı ortamda duran cep telefonu veya bilgisayar mikrofonu tarafından horlama sesialgılanır. Horlama algılandığında, bu durum bluetooth ile gerçekleştirdiğimiz cihaza gönderilir. Cihaziçerisinde bulunan hava pompası ve valfler yardımıyla yastık içerisinde bulunan hava miktarı değiştirilerekbaşın pozisyonu değiştirilir. Bu şekilde kişinin horlaması kesilmiş olur. Çünkü horlama sırt üstü yatışdurumunda daha fazla ortaya çıkmaktadır.Çalışma ekibi olarak yaptığımız denemelerde uyku kalitesinde fark edilir bir artış olduğu gözlemlenmiştir