Multitaper LSTM Tabanlı EEG Analizi ile Uyku ve Uyanıklık Durumlarının Güvenilir Sınıflandırılması

Abstract

Uyku evrelerinin sınıflandırılması, uyku bozukluklarının teşhisinde ve elektroensefalografi (EEG) sinyallerini kullanarak beyin aktivitesinin analizinde temel bir görevdir. Geleneksel yaklaşımlar genellikle elle tasarlanmış özellik çıkarma yöntemlerine dayanır; bu da genelleştirmeyi sınırlayabilir ve sistemin karmaşıklığını artırabilir. Son zamanlarda yapılan çalışmalar, fizyolojik sinyallerdeki zamansal bağımlılıkları yakalama yetenekleri nedeniyle derin öğrenme tabanlı yöntemleri, özellikle de Uzun Kısa Süreli Bellek (LSTM) modelleri gibi tekrarlayan sinir ağlarını araştırmıştır. Ancak, standart LSTM mimarileri, EEG sinyallerinin en bilgilendirici zamansal segmentlerine etkili bir şekilde odaklanmakta zorlanabilir. Elektroensefalografi (EEG) sinyallerinden uyku ve uyanıklık durumlarının doğru bir şekilde sınıflandırılması, klinik ve araştırma uygulamaları için kritik öneme sahiptir. Bu çalışmada, Multitaper  spektral analiz ile Lineer Spektral Transform (LST) yönteminin birleşimiyle uyku ve uyanıklık durumlarının sınıflandırılması amaçlanmıştır. 100 katılımcıya ait EEG verileri analiz edilmiştir. Multitaper  parametreleri NW=3 ve K=5 olarak belirlenmiştir. Multitaper  yöntemi kullanılarak elde edilen logaritmik güç spektral yoğunluğu (PSD) özellikleri, çift yönlü Uzun Kısa Süreli Bellek (BiLSTM) ağı ile sınıflandırılmıştır. Önerilen yöntem %93,3 doğruluk oranı elde ederek, geleneksel yöntemlere kıyasla yüksek güvenilirlik ve etkinlik göstermiştir. Model, kamuya açık PhysioNet CAP Sleep (Doi: https://doi.org/10.13026/C2VC79) veri seti kullanılarak değerlendirilmiş ve performansı, temel LSTM tabanlı yaklaşımlarla karşılaştırılmıştır. Deney sonuçları, önerilen modelin daha yüksek sınıflandırma doğruluğu sağladığını ve uyku evreleri boyunca daha istikrarlı bir performans sergilediğini göstermektedir..Mevcut çalışmalarla karşılaştırıldığında, önerilen yaklaşım, rekabetçi performansını korurken uçtan uca öğrenme ve alana özgü özellik çıkarılmasına olan bağımlılığın azaltılması açısından avantajlar sunmaktadır. Bununla birlikte, model daha fazla hesaplama kaynağı ve özenli bir hiperparametre ayarlaması gerektirebilir. Genel olarak bu çalışma, etkili ve yorumlanabilir bir derin öğrenme çerçevesi sunarak otomatik uyku evresi sınıflandırmasının gelişmesine katkıda bulunmaktadır.