1 / 35

ROBUST REGRESYON ALGORİTMASI İLE HORLAMA SESLERİNİN ANALİZİ VE KLİNİK UYGULAMASI

ROBUST REGRESYON ALGORİTMASI İLE HORLAMA SESLERİNİN ANALİZİ VE KLİNİK UYGULAMASI. Mustafa ÇAVUŞOĞLU Mustafa KAMAŞAK Timur AKÇAM Sinan YETKİN Fuat ÖZGEN Osman EROĞUL. Horlama.

hayden
Download Presentation

ROBUST REGRESYON ALGORİTMASI İLE HORLAMA SESLERİNİN ANALİZİ VE KLİNİK UYGULAMASI

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. ROBUST REGRESYON ALGORİTMASI İLE HORLAMA SESLERİNİN ANALİZİ VE KLİNİK UYGULAMASI Mustafa ÇAVUŞOĞLU Mustafa KAMAŞAK Timur AKÇAM Sinan YETKİN Fuat ÖZGEN Osman EROĞUL

  2. Horlama • Halk arasında bireyin çıkarttığı gürültülü ses olara tanımlanan , tıbbi manası ile uyku esnasında ağız ve yutak bölgesinde yer alan kasların ve küçük dilin gevşeyerek çökmesi ve akciğerden gelen havanın bu gevşemiş yapılara çarparak oluşturduğu titreşimdir. • Horlama sadece gürültü değil aynı zamanda ciddi uyku bozukluklarınında habercisidir.

  3. Horlama Şiddeti ve Evlilik • Asfalt Delme Makinesi= 75 decibel • Formula 1 arabası = 105 decibel • Horlama = 120 decibel

  4. Kimler Horlar? • Yeryüzündeki yetişkinlerin yüzde yirmisi horluyor. Ancak bu yüzde yirminin içinde erkeklerin oranı daha fazla. • İngiliz Horlama ve Uyku Apnesi Birliği’nin yaptığı bir araştırmaya göre, horlayanların çoğu ve onların yanlarında uyuyanlar, bu sorundan kurtulmakla ilgili rüyalar görüyorlar. • Horlamanın en büyük etkisi kalitesiz uyku ve yorgun uyanmak. Horlayanların çoğu baş ağrısı problemiyle de karşı karşıya. • Tabi buna eşinizle yaşayabileceğiz olası sorunları da dahil etmek mümkün

  5. Amaç • Bu çalışmada, uzun süreli solunum seslerini analiz etmek amacıyla bölütlenmiş horlama sesleri için bir sınıflandırma sistemi geliştirilmiştir. • Bu sınıflandırma sistemine niye ihtiyaç var?

  6. Ses Kayıtları

  7. Ses Kayıtları

  8. SINIFLANDIRMA Hastalardan alınan ses kayıtları incelenerek,elde edilen bölütler 10 farklı sınıfa ayrılmıştır. • Horlama • Nefes verme • Öksürme • Boğaz temizleme • Tıkanma • Burun çekme • Yutkunma • Konuşma • Mırıltı • Çevre gürültüsü

  9. SINIFLANDIRMA(HORLAMA)

  10. SINIFLANDIRMA(NEFES VERME)

  11. SINIFLANDIRMA(ÖKSÜRME)

  12. SINIFLANDIRMA(BOĞAZ TEMİZLEME)

  13. SNIFLANDIRMA(TIKANMA)

  14. SINIFLANDIRMA(BURUN ÇEKME)

  15. SINIFLANDIRMA(YUTKUNMA)

  16. SINIFLANDIRMA(KONUŞMA)

  17. SINIFLANDIRMA(MIRILTI)

  18. AMAÇ • Horlama seslerinin analizinde, sinyali zaman ve frekans bölgesinde karakterize eden özelliklerin hesaplanabilmesi için her bir horlama episodunun algılanması gerekmektedir. • Burada amaç horlama episodlarını seçip kayıtta bulunan öksürme, konuşma, tıkanma gibi diğer istenilmeyen gürültülerin reddedilmesidir.

  19. YÖNTEM • Horlama sesleri ile istenilmeyen dalga şekillerinin spektogramları incelendiğinde frekans bandlarına göre enerji dağılımlarının yoğunluklarının farklı olduğu görülmüştür. • Enerji dağılımındaki bu farklılıktan dolayı horlama seslerinin diğer gürültülerden ayırt edilmesi için spektogram tabanlı öznitelik vektörleri kullanılmıştır.

  20. SPEKTOGRAM

  21. SPEKTOGRAM • Yukarıdaki şekilde görüldügü üzere horlama seslerinin enerjisi belli frekans bölgelerinde yoğunlaşırken, istenilmeyen dalga şekillerinin enerjilerinin frekans bandlarına göre dağılımında bir yoğunlaşma görülmemektedir.

  22. YÖNTEM • Spektogram tabanlı öznitelik vektörleri hesaplamak amacıyla 0-7500 Hz aralığı 500 Hz’lik frekans bandlarına ayrılarak her bir banddaki toplam enerji miktarı bulunmuştur. • Kayıtlardaki episodların genlikleri hastadan hastaya değişebilmektedir. • Özniteliklerin hastadan bağımsız hale getirilebilmesi için 500 Hz’lik frekans bandlarının enerjisi episodun toplam enerjisi ile normalize edilmiştir.

  23. ÖZNİTELİKLER • Bu işlem ile elde edilen öznitelikler aşağıdaki şekilde ifade edilmektedir. • Elde edilen öznitelik vektörlerinin oluşturduğu uzaydan, sınıflandırma probleminde temel olarak kullanılacak özniteliklerin bulunduğu altuzayın belirlenmesi için ana bileşenler analizi (principal component analysis) kullanılmıştır

  24. YÖNTEM • Bu alt uzayda yer alan yeni öznitelik vektörleri aşağıdaki gibi hesaplanmıştır. • Bu eşitlikte , eğitim veri kümesinden elde edilen öznitelik vektörlerinin ortalamasını, C matrisi ise bu vektörlerin kovaryansını ifade etmektedir.

  25. KOVARYANS MATRİSİ • Bu kovaryans matrisinin ana bileşenleri aşağıdaki gibi hesaplanmıştır.

  26. YÖNTEM • Bu analizden elde edilen kovaryans matrisinin yüksek özdeğerlerine karşılık gelen özvektörler, sınıflandırma probleminde kullanılacak alt uzayın temel bileşenleridir. Diğer bir söyleyişle bu özvektörler sınıflandırma probleminde kullanılacak alt uzayı gerer. Öznitelik vektörlerinin bu alt uzaydaki izdüşümleri yeni öznitelik vektörlerini oluşturur.

  27. YÖNTEM • Hastalardan gece uykusu boyunca alınan ses kayıtları bölütlenerek sınıflandırılmıştır. • Bu sınıflandırma dikkate alınarak oluşturulan veri tabanı eğitim ve test kümesi olmak üzere iki kümeye ayrılmıştır. • Farklı apne/hipopne indeksine(AHI) sahip 30 farklı hastadan alınan episodlar için öznitelik vektörleri hesaplanmıştır. • Yukarıda anlatılan biçimde elde edilen kovaryans matrisinin özdeğerlerinden ilk ikisinin yüksek çıkması sınıflandırma problemi için kullanılacak alt uzayın iki boyutlu olmasının yeterli olacağını göstermektedir.

  28. YÖNTEM • Eğitim veri kümesinden elde edilen öznitelik vektörlerinin kullanılan alt uzaydaki iz düşümleri incelendiğinde bu yeni öznitelik vektörlerinin bir çizgi üzerinde toplandığı görülmüştür.

  29. YÖNTEM • Şekilde eğitim ve test kümelerinin kullanılan alt uzaydaki yerleri gösterilmektedir. Robust regresyon algoritması kullanılarak episodların horlama olup olmadığına karar verilmektedir.

  30. Eğitim ve test kümelerinin alt uzaydaki yerleri

  31. SONUÇ • Sonuç olarak horlama sesleri %94.4, istenilmeyen dalga şekilleri ise %90 doğrulukla sınıflandırılmıştır.

  32. Horlama Seslerinin Dedeksiyonu

  33. Sistemin öksürme episoduna tepkisi

  34. Almanya’ya yolunuz düşerse • Almanya’nın Aşağı Saksonya eyaletinde küçük bir kasaba olan Alfeld’teki müze, tamamıyla horlama fenomenine ve horlamayla savaşma yöntemlerine ayrılmış. Müzenin bilgilerine göre, şair Maria Novikova horlama üzerine mini bir şiir yazmış, şiirde şöyle diyor, Bu rahatsız edici ses sonsuz aşkın garantisidir: Bir kadın sevdiğinin horlamasını mazur görür, eğer daima yanında uyuyorsa…

  35. Bir Soru Bir cevap ! • Teşekkürler…

More Related