T.C. İSTANBUL ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ YÜKSEK LİSANS TEZİ

Transkript

1 T.C. İSTANBUL ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ YÜKSEK LİSANS TEZİ POLİSOMNOGRAFİ SİNYALLERİNİN İŞLENMESİ ile UYKU APNESİNİN OTOMATİK TEŞHİSİ Gözde KARAMUSTAFAOĞLU Biyomedikal Mühendisliği Anabilim Dalı Biyomedikal Mühendisliği Programı Danışman Prof. Dr. Aydın AKAN II. Danışman Yrd. Doç. Dr. Esra SAATÇİ Haziran, 2014 İSTANBUL

2

3 ÖNSÖZ Desteklerini hiçbir zaman esirgemeyen danışman hocam Prof. Dr. Aydın AKAN a, aileme ve arkadaşlarıma teşekkürlerimi sunarım. Haziran, 2014 Gözde KARAMUSTAFAOĞLU i

4 İÇİNDEKİLER Sayfa No ÖNSÖZ... i İÇİNDEKİLER... ii ŞEKİL LİSTESİ... iv TABLO LİSTESİ... v SİMGE VE KISALTMA LİSTESİ... vi ÖZET... vii SUMMARY... ix 1. GİRİŞ GENEL KISIMLAR UYKU APNESİNE GENEL BAKIŞ Obstrüktif (Tıkayıcı) Uyku Apnesi (OSA) Santral (Merkezi) Uyku Apnesi Mikst Apne POLİSOMNOGRAFİ TESTİ UYKU APNESİ TEDAVİ YÖNTEMLERİ SİNYALLERİN UYKU APNESİ TEŞHİSİNDE İNCELENMESİ Elektrokardiyografi ve Sinyal İşleme Elektromiyografi ve Sinyal İşleme Elektroensefalografi ve Sinyal İşleme MALZEME VE YÖNTEM VERİLERİN ELDE EDİLMESİ EKG SİNYALLERİNİN İŞLENMESİ EMG SİNYALLERİNİN İŞLENMESİ EEG SİNYALLERİNİN İŞLENMESİ BULGULAR İŞLENMİŞ EKG SİNYALLERİ İŞLENMİŞ EMG SİNYALLERİ İŞLENMİŞ EEG SİNYALLERİ ii

5 5. TARTIŞMA VE SONUÇ KAYNAKLAR ÖZGEÇMİŞ iii

6 ŞEKİL LİSTESİ Sayfa No Şekil 2.1: Obstrüktif Apne (Çetintaş, 2008) 5 Şekil 2.2: Santral Apne (Çetintaş, 2008) 6 Şekil 2.3: Mikst Apne (Çetintaş, 2008) 6 Şekil 2.4: Apne çeşitlerine genel bakış (Öztürk, 2005) 7 Şekil 2.5: EKG derivasyonları 11 Şekil 2.6: Normal EKG Sinyali..11 Şekil 2.7: EKG ve KHD Sinyalleri (Yazgı, 2010)..13 Şekil 2.8: Kalp atım hızı değişkenlik sinyali güç spektral yoğunluğu (Yazgı, 2010)..14 Şekil 2.9: EMG elektrot yerleşimi.15 Şekil 2.10: Kafanın üstten görünümü, EEG elektrot yerleşimi Şekil 4.1: Sinyallerin işlenmemiş, ham halleri..25 Şekil 4.2: Sinyallerin işlenmesin zamanın belirlenmesi 26 Şekil 4.3: İstenilen zaman aralığında işlenmiş örnek bir EKG Sinyali..27 Şekil 4.4: İstenilen zaman aralığında işlenmiş örnek bir EMG Sinyali. 28 Şekil 4.5: İstenilen zaman aralığında işlenmiş örnek bir EEG Sinyali..29 Şekil 4.6: Tüm sinyallerin görüldüğü ara yüz 30 Şekil 4.7: Apnesiz döneme ait işlenmiş EKG Sinyali.31 Şekil 4.8: Tıkayıcı apneli döneme ait işlenmiş EKG Sinyali 32 Şekil 4.9: Apneli ve apnesiz dönemdeki sinyallerin LF/HF oranları...33 Şekil 4.10: Tıkayıcı apne durumunda işlenmiş EMG Sinyali 35 Şekil 4.11: Apnesiz durumda işlenmiş EMG Sinyali 36 Şekil 4.12: Hipopneli durumda işlenmiş EEG Sinyali. 37 Şekil 4.13: Apnesiz durumda işlenmiş EEG Sinyali.38 iv

7 TABLO LİSTESİ Sayfa No Tablo 3.1: Çalışmada verileri kullanılan hasta bilgileri Tablo 4.1: Tıkayıcı apneli ve apnesiz dönemlerde işlenmiş örnek EKG verileri Tablo 5.1: Çalışma verileri ve sonuçlar Tablo 5.2: Sistemin performansı Tablo 5.3: Çalışma sonuçlarının karşılaştırılması Tablo 5.4: Çalışmaların performans karşılaştırması v

8 SİMGE VE KISALTMA LİSTESİ Simgeler db dk Hz ms sa sn Açıklama : Desibel : Dakika : Hertz : Milisaniye : Saat : Saniye Kısaltmalar AHI AR BPAP CPAP EEG EKG EMG EOG ESC FFT GSY GUI HF KHD LF MATLAB NASPE OSA REM TEO VLF Açıklama : Apne Hipopne İndeksi : Özbağlanım (Auto Regressive) : İki Seviyeli Pozitif Havayolu Basıncı : Sürekli Havayolu Basıncı : Elektroensefalografi : Elektrokardiyografi : Elektromiyografi : Elektrookülografi : European Society of Cardiology : Hızlı Fourier Dönüşümü (Fast Fourier Transform) : Güç Spektral Yogunluğu : Grafiksel Kullanıcı Ara Yüzü (Graphical User Interface) : Yüksek Frekans (High Frequency) : Kalp Atım Hızı Değişkenlik Sinyali : Düşük Frekans (Low Frequency) : Matrix Laboratory : The North American Society of Pacing and Electrophysiology : Obstrüktif (Tıkayıcı) Uyku Apnesi : Hızlı Göz Hareketleri (Rapid Eye Movements) : Teager Enerji Operatörü : Çok Düşük Frekans (Very Low Frequency) vi

9 ÖZET YÜKSEK LİSANS TEZİ POLİSOMNOGRAFİ SİNYALLERİNİN İŞLENMESİ ile UYKU APNESİNİN OTOMATİK TEŞHİSİ Gözde KARAMUSTAFAOĞLU İstanbul Üniversitesi Fen Bilimleri Enstitüsü Biyomedikal Mühendisliği Danışman : Prof. Dr. Aydın AKAN II. Danışman : Yrd. Doç. Dr. Esra SAATÇİ Bu çalışmanın amacı uykuda solunum durması olarak adlandırılan uyku apnesi için polisomnografi sinyalleri incelenerek apne kestirim yöntemleri ortaya koymaktır. Böylece hastaların uyku laboratuvarlarına yatırılarak polisomnografi kayıtlarının alınmasına gerek olup olmadığı konusunda hekimlere yardımcı olabilecek bir karar destek sistemi oluşturmaktır. Çalışmada, uyku laboratuvarı kayıtlarından elde edilen, hastaların tüm gece boyunca uykularında kayıt altına alınmış polisomnografi sinyalleri kullanılmıştır. Elektrokardiyografi (EKG), Elektroensefalografi (EEG) ve Elektromiyografi (EMG) sinyallerine çeşitli sinyal işleme teknikleri uygulanarak apne teşhisi için kestirimlerde bulunulması hedeflenmiştir. Tıkayıcı apneli, hipopneli ve apnesiz dönemlerindeki sinyaller, Matlab grafiksel kullanıcı ara yüzünde oluşturulan bir sistemle eş zamanlı olarak işlenmiştir. Sinyalleri incelenen hastaların tanıları daha önce hekimler tarafından konulmuş ve hangi saniyede ne çeşit apne meydana geldiği, apnenin süresi gibi bilgiler hekimler tarafından belirlenmiştir. Çalışmada uygulanan yöntemlerle elde edilen verilerin, hekimler tarafından tanısı konulan verilerle karşılaştırılarak doğruluk dereceleri belirlenmeye çalışılmıştır. Yöntem olarak sinyallerin güç spektral yoğunluğunun belirlenmesi amacıyla Yule Walker, Welch ve Periyodogram yöntemleri kullanılmıştır. EKG sinyallerinin işlenmesine ek olarak genelde uyku evrelerinin belirlenmesinde kullanılan EEG ve EMG sinyallerinin güç spektral yoğunluklarının hesaplanmasının apne kestirimi için nasıl sonuç vereceği araştırılmıştır. Sonuç olarak EKG sinyallerinin güç spektral yoğunluğunun bulunması ile tıkayıcı apne ve hipopne durumlarında apne kestirimi %88,3 oranında başarıya ulaşmıştır. İleride yapılabilecek uyku apnesi belirleme çalışmalarında, bu tezde oluşturulan sinyal işleme ara yüzü kullanılarak EKG vii

10 sinyalleri otomatik olarak işlenebilecek, polisomnografi kayıtlarına gerek kalmadan hastalık tanısı konusunda hekime destek sağlanabilecektir. Haziran 2014, 58 Sayfa. Anahtar kelimeler: Uyku apnesi, polisomnografi sinyalleri, güç spektral yoğunluğu. viii

11 SUMMARY M.Sc. THESIS AUTOMATIC DETECTION of SLEEP APNEA by PROCESSING of POLYSOMNOGRAPHY SIGNALS Gözde KARAMUSTAFAOĞLU İstanbul University Graduate School of Science and Engineering Department of Biomedical Engineering Supervisor : Prof. Dr. Aydın AKAN Co-Supervisor : Asst. Prof. Dr. Esra SAATÇİ The aim of the present study is to manifest apnea prediction methods by investigating polysomnography signals for respiratory arrest during sleep, named as sleep apnea. Thus to produce a decision support system that could be supportive for the doctors in deciding whether it is necessary to hospitalize the patients to sleep laboratory and to obtain polysomnography records or not. Polysomnography signals which were recorded during all night sleep were obtained from the records of sleep laboratory, were used in the current study. We aimed to predict apnea diagnosis by applying several signal processing techniques to electrocardiography (ECG), electroencephalography (EEG) and electromyelography (EMG) signals. The signals during obstructive apnea, hypoapnea periods and during period without apnea were simultaneously processed by a system which was developed in Matlab graphical user interface. The patients in which signals were investigated, had been previously diagnosed by the doctors and the data such as which apnea occurs in which second and the duration of apnea were determined by the doctors. The data obtained by the applied methods in the study were compared with the data diagnosed by the doctors and their degree of accuracy was determined. Yule Walker, Welch and Periodogram methods were used as the methods to determine the power spectral density of the signals. In addition to processing of ECG signals, it was investigated how calculation of power spectral density of EEG and EMG signals which are generally used in determination of sleep periods, could result in prediction of apnea. In conclusion; determination of power spectral density of ECG signals has succeeded in prediction of apnea in obstructive and hypoapnea conditions at a rate of 88.3%. In the future sleep apnea determination studies, by using signal processing interface produced in this hypothesis, ECG signals would be automatically processed ix

12 and without any need for polysomnography records, assistance regarding diagnosis of disease would be provided to the doctors. June 2014, 58 Pages. Keywords: Sleep apnea, polysomnography signals, power spectral density. x

13 1 1.GİRİŞ Uyku doğal dinlenme yöntemidir. İnsan ömrünün 1/3 ünün uykuda geçtiği düşünüldüğünde uyku veriminin vücudumuzun ruhsal ve fiziksel gelişimi için ne kadar önemli olduğunu daha net anlamaktayız. Dolayısıyla uyku esnasında yaşanan sorunlar da insan sağlığı için hayati öneme sahiptir. Günümüzde çok sık rastlanan, insan sağlığını kötü yönde etkileyen uyku sorunlarından biri olan ve ilk kez 1964 yılında Gastaut tarafından tanımlanan uyku apnesi, yaşam kalitesini düşüren, tedavi edilmemesi durumunda önemli hastalıklara sebep olabilecek derecede önemli bir hastalıktır. Bir çeşit uyku bozukluğu olarak nitelendirilen uyku apnesinin oluşumu, uyku esanasında üst solunum yolunu kontrol eden kasların gevşemesi ile üst solunum yollarının daralması ya da tamamen tıkanması, beynin solunumu kontrol eden kaslara sinyal göndermemesi sonucu solunumun geçici olarak kesilmesi şeklinde tanımlanabilir. Uykuda solunumun geçici olarak durması, solunumun durmasına bağlı olarak gelişen oksijen saturasyonundaki azalma, gece terlemesi, kalp ritminin bozulması uyku konforunu bozan ve sık sık uykunun bölünmesine neden olan etkenlerdendir. Uyku kalitesi düşük olan kişilerde gündüz uykululuk hali, sinirlilik, yorgunluk gibi problemler ortaya çıkmakta bu da kişinin iş ve sosyal hayatını olumsuz yönde etkilemektedir. Tedavi edilmediğinde kalp rahatsızlıkları, hipertansiyon, felç gibi ciddi hastalıklara da sebep olabilir. Uyku bozukluklarının teşhisi, tedavi sürecinin verimli ve doğru bir şekilde yapılabilmesi için önem arz etmektedir. Tanısı uyku laboratuvarlarında polisomnografi adı verilen gelişmiş bir teknikle konulabilmektedir. Bu teknikte, gece boyunca kayıt alınabilmesi için hastanın vücut ve başının çeşitli bölgelerine elektrotlar yerleştirilir ve bütün gece bu elektrotlardan alınan bilgiler kaydedilir. Elde edilen kayıtlar hekimler ve uyku teknisyenleri tarafından skorlama yapılarak kişinin uyku apnesinin çeşidi ve seviyesi hakkında bilgiler elde edilir. Hastaların Apne-Hipopne indeksi (AHI) hesaplanır. Tüm gece boyunca yaşanan apne ve hipopnelerin toplamının, toplam uyku süresine

14 2 bölünmesiyle bulunan bu değer hastaların apne derecesini belirlenmesini sağlar. Bu bilgiler ışığında da hasta için en iyi tedavi yöntemi belirlenerek tedavi süreci başlatılır. Polisomnografi ve hekimler tarafından polisomnografi sonuçlarına göre gerekli görüldüğü taktirde yapılan cihaz titrasyonu (hastanın polisomnografi kaydı hariç 1 gece boyunca, sürekli havayolu basıncı uygulayarak hastanın solunum yolunu açık tutan CPAP veya BİPAP cihazları ile uyutulması), hastaların 2 gece boyunca uyku laboratuvarında yatmasını gerektiren hem maliyet hem de zaman açısından külfetli bir yöntemdir. Uyku laboratuvarlarının azlığı nedeniyle sıra almak ve çok ileri tarihlere verilen randevu gününü beklemek tanının konmasını geciktiren dolayısıyla tedavinin başlamasını aksatan bir durum olarak karşımıza çıkıyor. Bu çalışmada uyku apnesinin tanımı ve oluşumu ayrıntılı olarak anlatılmış, apne çeşitleri hakkında bilgi verilmiştir. Polisomnografinin ne olduğu, bu teknik ile hangi verilere ve sinyallere ulaşılabileceği ile bu sinyallerin özellikleri üzerinde durulmuştur. Materyal kısmında Physionet ten elde edilen Sleep Disorders Clinic at St Vincent's University Hospital, Dublin den alınan polisomnografi sinyalleri işlenmiştir. Bu sinyallerin hangi sinyal işleme yöntemleri ile incelendiği, bu yöntemlerin özellikleri, sinyal üzerindeki etkileri detaylı anlatılmıştır. Kullanılan sinyal işleme yöntemleri ile polisomnografi kayıtlarından elde edilen elektokardiyografi (EKG), elektroensefalografi (EEG) ve elektromiyografi (EMG) sinyallerinin güç spektral yoğunluklarının (GSY) bulunması hedeflenmiştir. Biyolojik sinyaller ham olarak incelendiklerinde karmaşık yapılarından dolayı çok fazla bir şey ifade etmezler ancak çeşitli sinyal işleme yöntemleri uygulanarak yorumlanabilir duruma gelebilirler. Güç spektral yoğunluğunun hesaplanması ile de sinyallerin değişik frekans değerlerine düşen yoğunlukları incelenerek belli hastalıkların ya da hastanın bulunduğu durum hakkında kestirimlerde bulunulması amaçlanır. Bu çalışmada da sinyaller incelenirken hangi sinyallerin güç spektral yoğunluklarının hastanın apnede olduğu dönemde ve apnede olmadığı dönemde spesifik farklılıklar gösterdiği incelenmiştir. Sinyalleri incelenen hastaların tanıları daha önce hekimler tarafından konulmuştur. Hastanın gece boyunca uykusunda hangi zaman aralığında, ne çeşit apneye girdiği ve apne süreleri hakkında detaylı bilgiler mevcuttur. Çalışma sonucunda elde edilen veriler

15 3 ile hekimler tarafından belirlenmiş bulgular karşılaştırılarak apne kestirimi yapılabilmesi amaçlanmıştır. Bu amaçtan yola çıkarak Matlab Gui (grafiksel kullanıcı ara yüzü) ile geliştirilen ara yüz vasıtasıyla elde edilen sinyaller otomatik olarak incelenerek apne için daha kolay tanı yöntemi bulunması ve hekimlere tanı konusunda destekleyici bilgiler verilmesi hedeflenmiştir.

16 4 2. GENEL KISIMLAR 2.1. UYKU APNESİNE GENEL BAKIŞ Uyku esnasında solunumun en az 10 sn süre ile durması uyku apnesi olarak tanımlanır. Apneyi, uyku boyunca saatte 5 ve üzeri görülen en az 10 sn süre ile başlayıp bir dakika kadar sürebilen nefes durmaları sonucu uykuda yaşanan bir sağlık problemi olarak da açıklayabiliriz. Ayrıca apne kelimesi yunanca kökenli olup soluksuz kalmak anlamına gelmektedir. Hipopne ise uyku esnasında solunum yapılırken hava akımının %50 oranında azalması olarak tanımlanır. Aşırı sigara ve alkol kullanımı, boğazdaki dokuların normalden büyük olması, sinir sisteminden kaynaklı problemler, dil ve boğaz kaslarının aşırı gevşemesi gibi sebepler nedeniyle apne oluşmakta ve hayati tehlike taşımaktadır. Erişkinlerde, erkeklerde, horlayanlarda, menopoza girmiş bayanlarda, yaşlılarda, ve kilolularda daha sık görüldüğü fikri olsa da hastalık çocuklarda, genç bayanlarda ve zayıf insanlarda da görülmektedir. Genel olarak uyku apnesi her yaşta ve cinsiyette görülebilen önemli ve tedavi edilmesi gereken bir hastalıktır. Solunumun durması ile gelişen komplikasyonlar, hastaların uykudan uyanması, uykunun hafiflemesi, terleme, kalbin zorlanması, oksijen saturasyonunun azalması gibi genel sonuçlar doğurur. Uzun vadede tedavi edilmediği taktirde ise dikkat bozukluğu, unutkanlık, felç, kronik kalp rahatsızlıkları, depresyon, tansiyon gibi daha kalıcı ve ciddi sağlık problemlerine neden olabilir. Uykuda solunumun durması üzerine yapılan çalışmaların artmasıyla uykuda yaşanan ani ölüm olayları ve yaşanan diğer rahatsızlıkların nedenleri daha iyi anlaşılmaktadır. Uykuda ölüm özellikle bebek ve yaşlılarda sık görülen, nedeni açıklanamayan tablolar olup, günümüzde bunların büyük bir kısmının uyku apnesi sonucunda gerçekleştiği ortaya konmuştur (Aydın ve diğ., 2005).

17 5 Uyku apnesi oluşumuna göre sınıflandırıldığında 3 farklı türle karşılaşıyoruz. Bunlar obstrüktif (tıkayıcı) uyku apnesi, santral(merkezi) uyku apnesi ve mikst apnedir Obstrüktif (Tıkayıcı) Uyku Apnesi (OSA) Obstrüktif uyku apnesi, üst solunum yollarında özellikle gırtlak bölgesinde bulunan dokuların uyku esnasında sarkarak solunum yolunu tıkaması sonucu oluşmaktadır. Dokular ilerleyen yaş, kilo artışı veya genetik faktörlerden dolayı genişleyip sarkabilmektedir, bu esnada hasta nefes almakta zorlanır veya geçici olarak solunumu durur. Bu obstrüksiyona bağlı olarak inspirasyonda en az 10 saniye süre ile hava akımı azalırsa hipopne, durursa apne olarak adlandırılır ( Köktürk ve Ulukavak Çiftçi, 2002). Tıkanmayla başetmek için göğüs ve karın bölgesinde yoğun aktivite dikkati çekmektedir (Aydın ve diğ., 2005). Şekil 2.1 de obstruktif apne esnasında hastadan alınan sinyallerdeki değişimler görülmektedir. Şekil 2.1: Obstrüktif Apne (Çetintaş, 2008) Santral (Merkezi) Uyku Apnesi Beynin, solunumu kontrol eden kaslara sinyal göndermemesi sonucunda görülen bir apne çeşididir. Obstrüktif uyku apnesine göre daha nadir görülür. Genellikle yeni doğmuş bebeklerde, kalp rahatsızlığı olan kişilerde görülmektedir.

18 6 Şekil 2.2 de santral (merkezi) apne esnasında hastadan alınan sinyallerdeki değişimler görülmektedir. Şekil 2.2: Santral Apne (Çetintaş, 2008) Mikst Apne Hastada hem santral uyku apnesi hem de obstrüktif uyku apnesinin olması durumudur. Başlangıçta hastada hem solunum çabası hem de hava akımı yoktur, daha sonra hastanın nefes alma çabasına rağmen devam eder. Şekil 2.3 de mikst apne esnasında hastadan alınan sinyallerdeki değişimler görülmektedir. Şekil 2.3: Mikst Apne (Çetintaş, 2008).

19 7 Şekil 2.4 de tüm apne çeşitlerinin, hastalar üzerinde meydana getirdiği etkilerin genel hali görülmektedir. Şekil 2.4. Apne çeşitlerine genel bakış (Öztürk, 2005). Apne teşhisi çalışmalarında, uyku esnasında hastanın ağız ve burun önüne gelecek şekilde yerleştirilen sensörler sayesinde ağız ve burundan alınıp verilen hava akımı kaydedilir. Şekil 2.4 de hipopne esnasında hava akımında biraz azalma görülürken, obstrüktif apne, santral apne ve mikst apne esnasında hava akımının bir süreliğine tamamen durduğu görülmektedir. Uyku esnasında parmak ucuna ya da kulak memesine yerleştirilen oksimetre aracılığı ile hastanın oksijen saturasyonundaki değişim incelendiğinde apne esnasında oksijen yüzdesinin azaldığı görülmektedir. Göğüs ve karın bölgesine yerleştirilen sensörler ile hastanın uyku esnasında solunum eforundaki değişimler de kayıt altında alınır. Obstrüktif apne ve hipopne durumlarında hastada solunum eforu gözlenirken, santral apnede solunum eforunun geçici olarak durduğu, mikst apnede ise apne başlangıcında solunum eforunun olmadığı ancak daha sonra solunum eforunun tekrar başladığı gözlenmektedir.

20 POLİSOMNOGRAFİ TESTİ Uykuda horlama, solunumun geçici olarak durması, nefes almada güçlük yaşanması gibi olayların altında yatan sebeplerin araştırılmasında kullanılan yöntemlerden birisi polisomnografi testidir. Bu test hastanelerin uyku laboratuvarlarında gercekleştirilen bir gece veya hastanın durumuna göre iki gece boyunca yapılan bir araştırmadır. Test kapsamında hastaların ağız, burun, çene, göz, baş, göğüs, karın, bacak bölgelerine yerleştirilen elektrotlar sayesinde tüm gece boyunca uykularında kayıtlar alınır. Uyku esnasında kalp atımındaki değişiklikler, oksijen saturasyonundaki değişim, solunum eforu, hava akımı, beynin elektriksel aktivitesi, gözdeki hareket değişiklikleri, kasların hareketleri incelenerek hastanın apne durumu hakkında bilgi elde edilmesi hedeflenir. Polisomnografi testinde kalbin elektriksel aktivitesindeki değişiklikler Elektrokardiyografi (EKG) elektrotları ile, kasların elektriksel aktivitesindeki değişiklikler Elektromiyografi (EMG) elektrotları ile, göz hareketleri Elektrookulografi (EOG) elektrotları ile, beynin elektriksel aktivitesindeki değişiklikler ise Elektroensefalografi (EEG) elektrotları ile gözlemlenir. Hasta apneye girmeden önce, apne esnasında ve apneden çıktığı dönemlerde vücudunda meydana gelen değişiklikler incelenir. Elde edilen sonuçlar değerlendirilerek hasta için en iyi tedavi yöntemine karar verilir UYKU APNESİ TEDAVİ YÖNTEMLERİ Polisomnografi testi sonucu uyku apnesi teşhisi konulan hastanın durumu uzman hekimler tarafından değerlendirilerek en iyi tedavi yöntemine karar verilir. Hastanın yaşı, kilosu, anatomik yapısı (boyun genişliği, geniz eti, burunda eğrilik..vb.) gibi etmenler de tedavi yöntemine karar verilirken göz önünde bulundurulur. Bir hastada uyku apnesinin varlığı ve şiddeti AHI (Apne Hipopne İndeksi) değeri ile belirlenir. AHI, uyku sırasında bir saatte görülen ve oksijen saturasyonunda azalmanın da eşlik ettiği apne ve hipopnelerin toplam sayısıdır. AHI değeri 2.1 de gösterilen denklemle hesaplanır.

21 9 (2.1) AHI değerinin 5 den büyük olmasında apne varlığından söz edilebilinir. Hastalarin apne hipopne indeksi 5 ile 15 arasında ise hafif şiddette uyku apnesi, 15 ile 30 arasında ise orta şiddette uyku apnesi, 30 un üzeri ise ağır şiddette uyku apnesi tanısı konulmaktadır. Bu değerler sonucunda apne tanısı konulan hastaların tedavisine karar vermeden önce fiziksel muayenesi yapılır. Hastaların durumlarına göre ameliyat bir tedavi yöntemi olabilir. Geniz etinin alınması, burundan kaynaklı problemlerin giderilmesi gibi cerrahi yöntemlere başvurulabilinir. Ameliyatla düzelme imkanı olmayan teşhislerde ise hastalara uyku esnasında cihaz desteği verilmesi kararlaştırılabilinir. Bu cihazlar CPAP ve BİPAP ventilasyon modlarına sahip ve gece boyunca uyku esnasında maske ile beraber kullanılan cihazlardır. CPAP (Continuous Positive Airway Pressure), sürekli havayolu basıncı olarak adlandırılan, hastanın üst solunum yollarında durumuna göre belirlenen basıncı oluşturacak şekilde sürekli hava vererek uyku esnasından solunum yolunun tıkanmasını önleyen ventilasyon modudur. BİPAP (Bi-level Positive Airway Pressure), nefes alma ve nefes verme esnasında iki farklı üst solunum yolu basıncı oluşturacak şekilde hava vererek hastanın solunum yolunun sürekli açık tutulmasını sağlayan ventilasyon modudur. Hastaya verilecek cihazın türü ve basınç değerleri, uyku laboratuvarlarında yapılan uyku tetkiki ve titrasyon çalışmaları sonucunda elde edilen verilere göre hekimler tarafından karar verilmektedir. Cihaz türü kararlaştırılan hasta artık uyku esnasında burun ya da ağız-burun maskesiyle birlikte cihazı kullanarak uyuyacaktır. Böylelikle hasta apneye girmeden sağlıklı ve rahat bir uyku geçirecektir.

22 SİNYALLERİN UYKU APNESİ TEŞHİSİNDE İNCELENMESİ Biyolojik işaretler canlı vücudundan elektrotlar veya dönüştürücüler aracılığıyla algılanan, elektrik kökenli olan veya elektrik kökenli olmayan işaretlerdir (Erdamar, 2013). Elektrik kökenli sinyaller EKG, EMG, EOG sinyalleri iken, elektrik kökenli olmayan sinyallere örnek ise vücut sıcaklığı, kalp sesi gibi sinyallerdir. Biyolojik işaretler, insan vücudundaki, sinir sistemi, beyin, kalp ve kas gibi çeşitli organların faaliyetleri sırasında oluşurlar. Biyolojik işaretlerin temelini, hücrelerdeki elektrokimyasal olayların sonucunda oluşan aksiyon potansiyeli oluşturur. Biyolojik işaretler, vücut içindeki karmaşık biyolojik yapıdan dışarıya kolay anlaşılabilir bilgi taşımazlar. Bunun için, elektrotlar yardımıyla algılanan bu işaretlerin işlenip yorumlanmaları gerekir (Yıldırım, 1999). Bu çalışmada polisomnografi kayıtları ile elde edilen EKG, EEG ve EMG sinyalleri işlenecek, apne varlığında sinyallerde oluşan spesifik farklılıklar araştırılarak, apne teşhisi için kestirimlerde bulunmaya çalışılanacaktır Elektrokardiyografi ve Sinyal İşleme İnsan vücudu üzerinde algılanabilen ve kalbin elektriksel aktivitesinin sonucu olarak ortaya çıkan belli tipteki biyolojik işaretlere elektrokardiyogram, elektrokardiyografik işaret, EKG işareti veya kısaca EKG denir (Coşkun ve Çömlekçi, 2007). EKG üzerinde kalbin elektrik potansiyellerinin yön, genlik ve zamana göre değişim bilgileri vardır. Bu bilgilere vücuda yerleştirilen elektrotlar sayesinde ulaşılır. Şekil 2.5 de EKG elektrotlarının vücut üzerinde yerleşim bölgeleri (V1, V2, V3, V4, V5) görülmektedir.

23 11 Şekil 2.5: EKG derivasyonları. 1 Uyku esnasında meydana gelen apnelerde, vücuttaki değişiklikler incelendiğinde; oksijen saturasyonunun azalması ve kalp atım hızında meydana gelen değişiklikler EKG dalga formlarında farklılıklar oluşturacağı kanısına varılmaktadır. Şekil.2.6 da normal bir EKG sinyali görülmektedir. Şekil 2.6: Normal EKG Sinyali. 2 1 Positions of right precordial chest leads V1R through V6R for a right-sided electrocardiogram, [Ziyaret Tarihi: 23 Mart 2014]. 2 EKG nin bileşenleri, [Ziyaret Tarihi: 17 Mart 2014].

24 12 Kalbin çalışması sırasındaki bozukluklarının iyi bir göstergesi olan ve insan vücudu üzerinden operasyon yapmadan kolaylıkla elde edilebilen EKG sinyalleri işlenme ve yorumlanma açısından büyük önem taşımaktadır (Coşkun ve Çömlekçi, 2007). Uyku bozukluklarının en önemli örneklerinden biri olan apne hastalığının tespit edilmesi amacıyla literatürde birçok çalışma mevcuttur. EKG sinyallerinin işlenmesinde en sıklıkla kullanılan yöntem kalp atım hızı değişkenlik sinyalinin zaman ve frekans düzleminde incelenmesidir (Bayrak ve diğ., 2011). Kalp atım hızı değişkenlik sinyali (KHD), EKG sinyallerindeki birbirini takipeden QRS komplekslerinde bulunan R dalgaları arası zaman değişimi ya da kardiyovasküler sistemdeki sapma oranı olarak kabul edilmektedir (Sztajzel, 2004), (Pumprla ve diğ., 2002). Dolayısıyla R dalgalarının tespit edilmesi de EKG sinyallerinin incelenmesi açısından önemlidir. Soluk alıp verme hızı, solunum hacmi, genliği gibi solunum parametreleri kalp atım hızı değişkenliği üzerinde büyük değişimlere yol açmaktadır (Pöyhönen ve diğ., 2004) yılında, ESC/NASPE Task Force adlı matematik, mühendislik, fizyoloji ve klinik tıp alanlarında toplam 13 üyeyle kalp atım hızı değişkenlik sinyalinin fizyolojik mekanizması, ölçüm yöntemleri, fizyolojik ilişkileri ve klinik kullanımıyla ilgili uygun tanımlamaları ve standartları bir araya getirebilmek için European Heart Journal da bir derleme yayınlamışlardır. Bu makalede kalp atım hızı değişkenlik sinyalinin tarihsel gelişimi, ölçümleri, kayıt gereklilikleri, fizyolojik ilişkileri, güvenirliği, klinik kullanımı ve geleceği ile ilgili bu tarihten sonraki çalışmalar için detaylı bilgi sağlanmıştır (Yazgı, 2010). Apne gerçekleştiğinde, solunumun geçici olarak durması, solunumda güçlük, tidal hacmin azalması gibi durumlar ortaya çıkması neticesinde de kalp atım hızında meydana gelen değişikliklerin incelenmesi önem teşkil etmektedir. Bu değişimler ise kalp atım hızı değişkenlik sinyaline ait güç spektral yoğunluğunun incelenmesi ile tespit edilebilinir. Güç spektrumu analizleri kalp atım hızı değişkenlik sinyaline ilk defa Akselrod vb. tarafından 1881 de uygulanmıştır (Sztajzel, 2004). Şekil 2.7 de EKG sinyalini ve QRS dalgalar arası sürelerin farklarından elde edilmiş örnek bir kalp atım hızı değişkenlik sinyali gösterilmiştir.

25 13 Şekil 2.7: EKG ve KHD Sinyalleri (Yazgı, 2010). EKG sinyallerinin R dalgaları tespitinde en sık kullanılan yöntemler türev tabanlı (Teager Enerji Operatörü gibi ) veya dalgacık dönüşüm algoritmalarıdır (Bayrak ve diğ., 2011). Kalp atım hızı değişkenlik sinyalinin güç spektral yoğunluğu ise parametrik (Yule Walker v.b.) veya parametrik olmayan (Welch, Hızlı Fourier Dönüşümü (FFT) v.b.) yöntemlerle oluşturulmaktadır (Bayrak ve diğ., 2011). Parametrik ve parametrik olmayan yöntemlerin sonuçları birbirleriyle örtüşür; ancak ikisinin de birbirlerine göre avantajları ve dezavantajları vardır. Parametrik yöntemle elde edilen spektrumun frekans çözünürlüğü parametrik olmayan yönteme göre (FFT) daha düzgündür, FFT tabanlı yöntem ise parametrik yönteme göre daha hızlı ve basit bit uygulamadır (Yazgı, 2010). Güç spektral yoğunluğu, çok düşük frekans (VLF), düşük frekans (LF), yüksek frekans (HF) bölgelerinden oluşur (Yıldız ve Yılmaz, 2007).

26 14 Çok düşük frekans 0.04 Hz nin altındaki bölgeyi, düşük frekans 0.04 Hz ile 0.15 Hz arasındaki bölgeyi, yüksek frekans ise 0.15 Hz ile 0.4 Hz arasındaki bölgeyi kapsar. Şekil 2.8 de örnek bir kalp atım hızı değişkenlik sinyaline ait güç spektral yoğunluğu görülmektedir. Frekans aralık değerleri (VLF, LF, HF) grafik içerisinde belirtilmiştir. Şekil 2.8: Kalp atım hızı değişkenlik sinyali güç spektral yoğunluğu (Yazgı, 2010). Literatürdeki apne kestirimi çalışmaları incelendiğinde, tıkayıcı uyku apnesi tanısı konulmuş hastalarda kalp atım hızı değişkenlik sinyalinin güç spektral yoğunluğundaki düşük frekans bölgesinin toplam enerjisi daha büyük olduğu ve buna bağlı olarak LF/HF oranlarının büyük çıktığı (Bayrak ve diğ., 2011) sonucuna varılmıştır Elektromiyografi ve Sinyal İşleme Uyarılabilen dokular herhangi bir uyarıya karşı hücre zarlarının elektriksel özelliğini değiştirerek aksiyon potansiyeli adı verilen elektriksel işaret ürütmektedirler. Kas fiberlerinin, elektriksel sinyallerin üzerlerinden iletildiği motor nöronlar vasıtasıyla merkezi sinir sistemi tarafından uyarıldığında ürettikleri elektriksel işaret EMG (elektromiyogram, elektromiyografik işaret) olarak adlandırılır, elektromiyografi ise

27 15 kasların kasılmasını sağlayan bu elektriksel aktivitenin incelendiği ve yorumlandığı bir kas incelemesidir (Çevikcan, 2007). İnsanda kas aksiyon potansiyellerini ilk kaydeden kişi Dubois Reymond (1851) olmuştur. EMG direkt inceleme yöntemlerinin yerini tutmasa da bu yöntemlere yol göstermekte, birçok hastalıkta ise direkt yöntemlere gerek kalmaksızın bazen tek basına bazen diğer dolaylı yöntemlerle klinisyene tanı koymada yardımcı olarak tedavinin yolunu açmaktadır (Korosec, 2000). Uyku esnasında EMG elektrotları genellikle çene bölgesine yerleştirilir. EMG işareti ilgili kasa batırılarak ya da ilgili kasın üzerine yüzey elektrot bağlanarak saptanabilir. Uykuda EMG sinyallerinin araştırılması, uyku evrelemesini, yüzeyel uyku (NREM evre 1,2), derin uyku (NREM evre 3,4) ve REM uykusunun ayırımını ve bu sırada oluşabilecek patolojik bulguların değerlendirilmesini sağlar, obstruktif apne sendromunda karakteristik polisomnografi bulguları incelendiğinde yüzeyel uykuda (NREM evre 1,2) artma, derin uyku (NREM evre 3,4) ve REM periyodunda azalma izlendiği saptanmıştır (Köktürk, 2004). Şekil 2.9 de hastanın çene bölgesine yerleştirilen EMG elektrotlarının yerleri gösterilmektedir. Çene orta kısmı, çene orta kısım sol aşağı tarafı ve çene orta kısım sağ aşağı tarafına elektrotlar yerleştirilmiştir. Şekil 2.9: EMG elektrot yerleşimi. 3 3 EMG Testing, [Ziyaret Tarihi: 19 Mart 2014].

28 16 Kayıt altına alınan EMG sinyalleri incelenmek üzere bilgisayar ortamına aktarılır. EMG ölçümleri stokastik sinyallerdir. EMG işaretinin zaman domenindeki karmaşık ve rastgele yapısından frekans domeninde nispeten daha anlamlı bir yapı elde etmek için uygun işaret yöntemleri ile işlenmesi gerekmektedir. Rastgele işaretler işlenmesi zor olup, durağan (stasyoner) ve durağan olmayan işaretler olarak ikiye ayrılır. Durağan olmayan işaretler için işlem yöntemleri pek etkili olmadığından durağan olmayan işaret, her biri durağan sayılan dilimlere (segmentlere) ayrılır (Karlık ve diğ., 2005). EMG sinyallerini işlemek için farklı sinyal işleme yöntemlerinden faydanılmaktadır. Hızlı Fourier Dönüşümü (FFT), özbağlanım (AR) katsayıları ve dalgacık dönüşümü katsayıları kullanılarak EMG sinyallerinin öznitelikleri çıkarılabilmektedir ( Karlık ve diğ., 2005) Elektroensefalografi ve Sinyal İşleme Elektroensefalogram (EEG) işaretleri beyin yüzeyinden elektrotlarla Elektroensefalograf cihazı ile algılanan düşük genlikli biyolojik işaretlerdir. Elektroensefalografi ise beyin dalgaları aktivitesinin elektriksel yöntemlerle incelenmesi ve yorumlanmasıdır. Henüz tam olarak açığa çıkarılamamakla birlikte, insan beyninden elde edilen bu işaretlerde çok miktarda bilgi saklandığı bilinmektedir. Ancak beynin kompleks yapısı itibarı ile elde edilen EEG işaretlerinin düşük genlikli olması bu bilgilere ulaşılmasını zorlaştırmaktadır (Guler, 2001). Araştırmalar bazı patolojik belirtilerin zaman domeninde fark edilemeyebildiğini ortaya koymuştur fakat genellikle nörologlar zaman alanına göre teşhis yapmaktadırlar (Ersöz ve Özşen, 2011). Klinik araştırmalar EEG şekillerinde uyku esnasında değişiklikler meydana geldiğini göstermektedir. Uyku kalitesinin belirticileri EEG sinyalinin hem zaman hem de frekans uzayındaki analizleriyle tanımlanmıştır (Duman ve diğ., 2009). Son zamanlarda bilgisayarların bu sinyalleri kayıt etmeleri ve spektral analiz yöntemlerinin geliştirilmesi bu patolojik belirtilerin bulunmasında frekans bileşenlerinden faydalanmayı mümkün kılmıştır (Weng ve Khorasani, 2009). EEG sinyallerini zaman alanından frekans alanına dönüştürerek incelenmesi için bir takım sinyal işleme yöntemleri uygulanır. Bunlardan bir tanesi dalgacık dönüşüm temelli sinyal analizidir. Dalgacık dönüşümünde, düşük frekanslar için geniş, yüksek frekanslar için dar olacak şekilde değişen pencere boyutları vardır. Böylece bütün

29 17 frekans aralıklarında optimum zaman-frekans çözünürlüğü sağlanabilmektedir (Wong ve Chi-Sing Leung, 1998). EEG işaretlerinin incelenmeye başlandığı ilk dönemlerde en iyi sinyal işleme yöntemi olan Fourier dönüşümü sıklıkla kullanılmış olup, bu şekilde yayınlanmış pek çok çalışma bulunmaktadır. Fourier dönüşümü, sinyali dönüştürürken frekans bölgesine taşır, sinyalin zaman bilgisi kaybolur, böylelikle sinyalin frekans bileşenlerinden kestirimler yapılmasına olanak sağlar. Uyku esnasında beyin aktiviteleri polisomnografi kullanılarak ölçülüp, kayıt altına alınmaktadır. Şekil 2.10 da EEG elektrotlarının yerleşim planını görülmektedir. Polisomnografi kayıtlarında elektrotlar genellikle hastaların C3-A2, C4-A1, O1-A2, O2-A1 bölgelerine yerleştirilerek kayıtlar alınır. Şekil 2.10: Kafanın üstten görünümü, EEG elektrot yerleşim bölgeleri. 4 4 Electroencephalography, [Ziyaret Tarihi: 20 Mart 2014].

30 18 3. MALZEME VE YÖNTEM 3.1. VERİLERİN ELDE EDİLMESİ Bu çalışmada St. Vincent s University Hospital in PhysioNet ten ulaşılan uyku hastalıkları kliniğinin verileri kullanılmıştır. Bu veriler 25 hastaya ait tüm gece polisomnografi kayıtlarından oluşmaktadır. Aynı zamanda bu kayıtlar polisomnografi verileri hariç eş zamanlı kayıt altına alınan 3 kanallı holter EKG verilerini de içermektedir. Kayıtlar 6 aylık dönemde kliniğe başvuran hastalardan rastgele seçilmiş olup, olası tıkayıcı ve merkezi apne varlığı değerlendirilmiştir. Çalışma, bilinen kalp rahatsızlığı olmayan ve 18 yaş üstü 21 bay, 4 bayanın verilerinden oluşmaktadır. 28 ila 68 yaş aralığında, kiloları ise 77 kg ila 109 kg aralığında değişmektedir. 25 hastanın Apne-Hipopne indeks (AHI) ortalaması 23 dür. En düşük AHI 5, en yüksek AHI ise 91 dir. Hastaların hangi zaman diliminde, hangi tür apneye girdiği ve apne süresi, her hasta için hekimler tarafından ayrıntılı olarak belirlenmiş ve paylaşılmıştır. Polisomnografi kayıtları Jaeger-Toennies (Erich Jaeger GmbH, Germany) sistemi kullanılarak elde edilmiştir. Kayıtlar; EEG (C3-A2), EEG (C4-A1), sol EOG, sağ EOG, EMG (çene), EKG (V2) elektrik sinyallerini içermekte ve.rec uzantısında edf (european data format) formatında bulunmaktadır. Çalışmada 25 hastaya ait polisomnografi kayıtları incelenmiş ve içlerinden 10 hastanın sinyallerinin ayrıntılı olarak işlenmesine karar verilmiştir. Bunun nedeni her hasta kaydının sinyal işlemeye uygun olmamasıdır (elektrotların uyku esnasında çıkması, kayıtların belli bölgelerinde kesintilerin olması vb. nedenler). Tablo 3.1 de polisomnografi kayıtları incelenen 10 hastaya ait detaylı bilgiler gösterilmektedir.

31 19 Tablo 3.1: Çalışmada verileri kullanılan hasta bilgileri. Yaş Boy (m) Kilo(kg) AHI Hasta 1 Hasta 2 Hasta 3 Hasta 4 Hasta 5 Hasta 6 Hasta 7 Hasta 8 Hasta 9 Hasta EKG SİNYALLERİNİN İŞLENMESİ Çalışmada kullanılacak olan EKG sinyallerine ilk olarak Teager Enerji İşleyici uygulanarak EKG sinyalindeki R tepelerinin belirlenmesi sağlanacaktır. Bunun amacı uyku apnesine giren bir hastanın kalp atım sayısındaki değişikliklerin araştırılmasıdır. EKG sinyalinin Teager Enerji İşleyici Operatörü 3.1 de belirtilen denklemle hesaplanır. ψts(n) = ψs 2 (n) ψs(n 1)ψs(n+1) (3.1) Burada; ψts, sinyalin Teager Enerji Operatörünü (TEO), ψs ise orijinal sinyali temsil eder (Uçar ve diğ., 2011). n ise zaman indisidir. Teager Enerji İşleyici, sinyale ve sinyalin ilk iki türevine bağlı bir enerji işlevidir, bir sinyale Teager Enerji İşleyici uygulandığında işaretteki süreksizlikler, sıçramalar gibi ani değişiklikler kuvvetlenirken, örnekler arasındaki yumuşak geçişler zayıflar (Erdamar ve diğ., 2006). Kalbin kasılması ve gevşemesi sonucu ortaya çıkan P,Q,R,S,T dalgalarına Teager Enerji İşleyici uygulandığında P,Q,S,T bölümleri zayıflar, R tepeleri güçlenir ve R tepelerinin yerlerinin belirlenmesi kolaylaşır. Apne esnasında solunumda meydana gelen değişiklikler kalp atım hızı değişkenliğini etkilemekte, bu etki de R dalgaları arasındaki zaman değişiminin incelenmesi ile ortaya çıkmaktadır. EKG sinyallerine Teager Enerji İşleyici uygulanması ile hastaların apne esnasında ve normal uyku durumlarında, girilen zaman aralığında, oluşan ortalama RR zamanları ve kalp atım hızı değişkenliklerinin incelenmesi hedeflenmiştir. Öte yandan kalp atım hızı

32 20 değişkenlik sinyaline spektral analiz yapılması hastanın apne durumuna girdiği zaman oluşabilecek EKG dalga formu değişikliklerini yorumlama açısından oldukça faydalıdır (Erdamar ve diğ., 2006). Güç spektral yoğunluğu kestirim yöntemleri, ilgilenilen sinyalin frekans bileşenleri ve güçlerinin bir kestirimini bulmak üzere kullanılır. Güç spektral yoğunluğu bulma yöntemleri genel olarak parametrik olmayan yöntemler, parametrik yöntemler ve alt uzay yöntemleri şeklinde üçe ayrılır. Parametrik ve parametrik olmayan yöntemler kalp atım hızı değişkenlik sinyallerinin analizleri ile ilgili çalışmalarda kullanılan temel yöntemler olmuşlardır (Yıldız ve Yılmaz, 2007). Bu çalışmada kalp atım hızı değişkenlik sinyallerinin güç spektral yoğunluğunun bulunmasında parametrik yöntemlerden AR (AutoRegressive) model parametrelerine dayanan Yule Walker yöntemi kullanılacaktır. Yule Walker yöntemi, spektral bileşenlerin daha düzgün bulunmasını sağlayarak her bir spektral bileşenin merkez frekansının kolaylıkla tespit edilmesine imkan sağlar (Yıldız ve Yılmaz, 2007). AR tabanlı parametrik yöntemlerde güç spektral yoğunluğu hesabı için öncelikle oto-korelasyon hesabı yapılır. Yule Walker yönteminde sinyallerin oto korelasyonları, ergodik olma koşulu altında eşitlik 3.2 ile hesaplanır (Yazgı, 2010). = -, 0 k N-1 (3.2) y(n)= ölçülen sinyal N= sinyal uzunluğu k= oto-korelasyon indeksi (n-k)= y(n) sinyalinin (n-k) daki kompleks eşleniği Hesaplanan oto-korelasyon eşitlik 3.3 te belirtilen Yule Walker denklemine yerleştirilerek AR parametreleri hesaplanır (Yazgı, 2010).

33 21 = (3.3) = AR parametreleri, = Beyaz gürültü varyansı 3.4 eşitliğinden elde edilen AR parametreleri 3.4 te belirtilen denklemde kullanılarak güç spektral yoğunluğu hesaplanır. (3.4) fs= örnekleme frekansı f= frekans Tüm gece boyunca hastalardan elde elden polisomnografi sinyallerinden EKG sinyallerinin ham halleri ve işlenmiş halleri, Matlab Gui ile oluşturulmuş bir ara yüzde incelenebilmektedir. Hastaların tüm gece boyunca hangi zaman aralıklarında ne kadar süre ile apneye girdiği ve apnelerin çeşitleri polisomnografi kayıtlarında mevcuttur. Ayrıca polisomografi sinyallerinin haricinde, polisomnografi ile eş zamanlı 3 kanallı holter EKG cihazından da kayıtlar alınmıştır. Bu bilgilerden yararlanarak, EKG sinyallerine hastanın apnede olduğu zaman aralıklarında ve apnede olmadığı zaman aralıklarında yukarıda bahsedilen sinyal işleme yöntemleri uygulanmıştır. Zaman aralığı seçiminde sinyaller epoklara ayrılarak incelenmiştir. 30sn yi geçmeyen epoklarla sinyaller incelenerek apne teşhisi kestirilmiştir. Güç spektral yoğunluğu hesaplanan EKG sinyallerinin yüksek frekans (HF) ve düşük frekanslardaki (LF) güç değerlerinin hesaplanması ile LF/HF oranı hakkında bilgi elde edilmiştir. Düşük frekans bölgesinde, sinyallerin yapılarına göre 0.06 Hz ile 0.12 Hz aralığında pik yapan kısmın, yüksek frekans bölgesinde ise 0.25 Hz ile 0.3 Hz aralığında pik yapan ya da sönük kısımların güçleri hesaplanmıştır. Tıkayıcı apneli, hipopneli ve apnesiz durumdaki EKG sinyallerinin LF/HF oranları arasında karşılaştırmalar yapılmıştır. Apneli sinyallerin kestirimi için genellemeler yapılması hedeflenmiştir.

34 22 Ayrıca holter EKG cihazından elde edilen EKG sinyalleri de işlenerek polisomnografi sinyalleri neticesinde elde edilen bulgularla karşılaştırılmıştır. Holter cihazı ile kayıt altına alınan sinyallerin işlenmesindeki amaç, tasarlanan sistemin performansını kontrol içindir, buradan elde edilen verilerle istatistiksel bir hesaplama yapılmamıştır EMG SİNYALLERİNİN İŞLENMESİ Bu çalışmada tüm gece polisomnografi kayıtlarından hastaların çenelerine yerleştirilen yüzey elektrotlarla elde edilen EMG sinyallerinin karmaşık yapısından kurtulup daha anlamlı ve yorumlanabilir hale getirilmesi için, sinyallerin zaman domeninden frekans domenine çevrilmesi hedeflenmiştir. Bu amaçla EMG sinyallerinin spektral yoğunlukları Welch yöntemi ile hesaplanmıştır. Welch tarafından iyileştirilmiş yapısı önerilen Periyodogram yöntemi parametrik olmayan yaklaşıma dayanan, Hızlı Fourier Dönüşümü temelli bir yöntem olup, klasik spektral kestirim yöntemlerindendir. Periyodogram frekansa karşı enerjinin yoğunluğunu ifade eden enerji spektral yoğunluğu, güç spektral yoğunluğu veya güç spektrumu ifadeleriyle isimlendirilir. Bu yöntemde işaret üst üste çakışabilecek bölümlere ayrılır,. Her bölümün iyileştirilmiş periyodogramı alınır, sonrada elde edilen bu bölümlere ait periyodogramların ortalaması alınır. İyileştirilmiş periyodogramların ortalaması tüm verinin tek bir periyodogram kestirimine göre varyansını azaltır (Çevikcan, 2007). Bölümler arasında üst üste binme gereksiz bilgiye yol açsa da bu etki üst üste binen, bölümlerin sonlarındaki örneklerin ağırlığını azaltan dikdörtgensel olmayan pencere kullanımı ile azaltılır. Eşitlik 3.5 de i inci iyileştirilmiş periyodogram ifadesi görülmektedir (Alkan ve Kiymik, 2006). (3.5)

35 23 Burada f = fs ile normalize edilmiş frekans değişkeni ve M bölünmüş sinyal parçası uzunluğudur. Ölçekleme faktörü Ts ayrık-zaman işaret spektrumunun genliğini analog işaret spektrumuna eşit olmasını sağlar. w(n) pencereleme fonksiyonu ve K normalize sabitidir ve 3.6 da verilen eşitlik ile hesaplanır. (Alkan ve Kiymik, 2006). (3.6) Ortalama Güç spektral yoğunluğu kestirimi 3.7 deki denklem ile hesaplanır (Alkan ve Kiymik, 2006). (3.7) Burada L pencere sayısıdır, yani dir. Çalışmada EMG sinyallerinin güç spektral yoğunlukları incelenerek, EKG sinyallerinin işlenmesi ile apne kestirimi yapılabilmesi için elde edilen verilere yardımcı ek bilgilerin ortaya çıkması hedeflenmiştir. Bu amaçla EMG sinyalleri, EKG sinyalleri ile eş zamanlı olarak en fazla 30 sn lik epoklara ayrılmış ve sinyallerin apne esnasında ve apnesiz durumlarda 0 ile 100 Hz aralığındaki değerlerde güç spektral yoğunlukları hesaplanmıştır. Matlab Gui de oluşturulan ara yüzde EMG sinyallerinin hem ham halleri hem de işlenmiş halleri gözlenmiştir.

36 EEG SİNYALLERİNİN İŞLENMESİ Polisomnografi sinyallerinden elde edilen EEG sinyallerinin frekans bölgesi analizi yapabilmek için EEG sinyallerine Hızlı Fourier Dönüşümü uygulanmıştır. Eşitlik 3.8 verilen Fourier dönüşümü, sinyali zaman bölgesinden frekans bölgesine taşır. Güç spektrum yoğunluğunun en temel kestirim yöntemi olan Periyodogram, sonlu uzunluktaki bir sinyalin Fourier dönüşümünün genlik karesi ile elde edilir. Çalışmamızda EEG sinyallerine ait güç spektrum yoğunlukları Periyodogram yöntemi ile hesaplanmıştır. (3.8) Çalışmada EEG sinyallerinin ham ve işlenmiş halleri Matlab Gui de oluşturulan ara yüzde incelenmektedir. EMG sinyallerinin işlenmesinde olduğu gibi EEG sinyalleri de EKG sinyalleri ile eş zamanlı olarak en fazla 30 saniyelik epoklar halinde apneli ve apnesiz durumlarda incelenmiştir. EEG sinyallerinin işlenmesindeki amaç EKG sinyallerinin işlenmesi ile elde edilebilecek tespitlere destek olabilecek verilerin elde edilmesidir.

37 25 4. BULGULAR Çalışmada 25 farklı yaş, cinsiyet ve fizyolojik özelliklere sahip hastaların polisomnografi kayıtları incelenmiştir. Polisomnografi kayıtlarından EKG, EMG ve EEG sinyallerini uygulanan farklı sinyal işleme yöntemleri ile apne teşhisi için kestirimlerde bulunulması hedeflenmiştir. Matlab Gui ile oluşturulan ara yüzde ilk olarak incelenen hastaya ait sinyallerin ham verileri Şekil 4.1 de olduğu gibi gösterilir. Şekil 4.1: Sinyallerin işlenmemiş, ham halleri. Ham sinyallerin gösterilmesinden sonra hangi zaman diliminin incelenmesi isteniyorsa Şekil 4.2 de gösterilen start time ve stop time kısımlarına başlangıç ve bitiş süreleri yazılır. Burada girilen zaman aralıkları hastaların gece boyunca hangi dönemlerde apneye girdiğini gösteren verilerden alınmıştır. Plot kısmına basıldığında sinyallerin işlenmiş halleri gösterilir.

38 26 Şekil 4.2: Sinyallerin işlenmesinde zamanın belirlenmesi. Sinyallerin hangi frekanstaki güç spektral yoğunluğunun hesaplanması isteniyorsa frekans değerleri her bir sinyale ait grafiğin altındaki kutucuğa yazılarak analyze tuşuna basılır. EKG sinyallerinin düşük frekans ve yüksek frekansdaki güç spektral yoğunluklarının oranı hesaplanmak istendiğinde, ara yüzde LF ve HF yazan kısımlara frekans değerleri yazılarak analyze tuşuna basılır. Böylece seçilen frekans değerlerindeki güç spektral yoğunluklarının oranı LF/HF şeklinde ekranda belirir. EKG sinyallerinin güç spektral yoğunluğunun hesaplanmasında, EKG sinyallerinin farklı genliklere sahip olması nedeniyle ara yüzde intensity ratio olarak adlandırılan bir hassaslık değeri girilmesi gerekmektedir. Buradaki amaç güç spektral yoğunluğu hesaplanan EKG epoğundaki tüm R dalgalarının işleme katılmasını sağlamaktır. İntensity ratio arttırıldıkça sistemin hassaslığı azalmakta, azaltıldıkça sistemin hassaslığı artmaktadır. Apne ve hipopneler genellikle 10sn-30sn aralığında bir süreyi kapsamaktadır. Sinyal işlemeler en fazla 30 sn lık epoklarda gerçekleştirilmiştir. Daha kısa ya da daha uzun zaman dilimlerinde araştırılma yapılmamasındaki amaç, sinyallerin yeterli uzunlukta olmamasından dolayı yeterli veri elde edilememesi veya sinyalin fazla uzun olması sonucu bir sonraki apne periyodu ile çakışmasını önlemektir. Yaklaşık olarak 25 farklı hastanın polisomnografi kayıtları incelenmiş ancak 10 farklı hastanın analizleri gerçekleştirilmiştir. Bunun nedeni her kaydın sinyal işlemeye uygun olmaması (elektrotların uyku esnasında çıkması, kayıtların belli bölgelerinde kesintilerin olması vb. nedenler) sonucu 10 farklı hastanın 300 adet tıkayıcı apneli sinyali işlenmiştir. 600 adet apnesiz sinyal de işlenerek tıkayıcı apneli, hipopneli ve apnesiz sinyaller arasında karşılaştırmalar yapılmıştır.

39 27 EKG sinyallerine ilk olarak istenilen zaman aralığında Teager Enerji Operatörü uygulanmış, RR aralıkları bulunmuştur. Ardında da Yule Walker yöntemi ile kalp atım hızı değişkenliği sinyaline ait güç spektral yoğunluğu elde edilmiştir. Şekil 4.3 te örnek işlenmiş EKG sinyali görülmektedir. Şekil 4.3: İstenilen zaman aralığında işlenmiş örnek bir EKG Sinyali.

40 28 EMG sinyalinin istenilen zaman aralığında Welch yöntemi ile Hz frekans aralığında güç spektral yoğunlukları bulunmuştur. Şekil 4.4 te örnek işlenmiş EMG sinyali görülmektedir. Şekil 4.4: İstenilen zaman aralığında işlenmiş örnek bir EMG Sinyali. EEG sinyaline Hızlı Fourier Dönüşümü uygulanması sonucu elde edilen örnek güç spektral yoğunluğu Şekil 4.5 te görülmektedir.

41 29 Şekil 4.5: İstenilen zaman aralığında işlenmiş örnek bir EEG Sinyali. Şekil 4.6 da ise Matlab Gui ile oluşturulan, yukarıda anlatılan sinyallerin bir arada bulunduğu genel ara yüz görülmektedir.

42 30 Şekil 4.6: Tüm sinyallerin görüldüğü ara yüz. Hastanın apneye, hipopneye girdiği başlangıç saniyesinden başlamak üzere, apnenin süresine göre ortalama 30sn lik zaman aralığında sinyaller işlenmiştir. Aynı şekilde hastanın uyku esnasında apnesiz olarak geçen dönemlerden 30sn lik kesitler alınarak sinyaller işlenmiştir İŞLENMİŞ EKG SİNYALLERİ 3 farklı sinyal için yapılan tıkayıcı apneli, hipopneli dönemlerin incelenmesinde spesifik farklılık gösteren kısım EKG sinyallerinin güç spektral yoğunluğu olmuştur. Bir hastanın tıkayıcı apneye ve hipopneye girdiği zaman ile apnede olmadığı zamanların işlenmiş EKG sinyalleri karşılaştırıldığında önemli farklılıklar gözlenmiştir. Bu farklılıkların gözlenebileceği örnekler Şekil 4.7 ve Şekil 4.8 de gösterilmiştir.

43 31 Şekil 4.7: Apnesiz döneme ait işlenmiş EKG Sinyali.

44 32 Şekil 4.8: Tıkayıcı apneli döneme ait işlenmiş EKG Sinyali. Hasta apnede olduğu dönemde güç spektral yoğunluğunun düşük frekans (LF) bölgesinin gücü, yüksek frekans (HF) bölgesinin gücüne göre çok daha yüksek çıkmaktadır. Hasta apneden çıktığında ve solunumu yerine geldiğinde ise LF bölgesinin gücünde düşüş, HF bölgesinin gücünde ise yükselme görülmektedir.

45 33 Şekil 4.9 da 10 hasta için oluşturulmuş tıkayıcı apneli, hipopneli ve apnesiz dönemlerdeki EKG sinyallerine ait güç spektral yoğunluklarının LF ve HF bölgelerinde seçilen frekanslardaki güçlerin oranları görülmektedir. 80 Apneli- Apnesiz Dönem LF/HF Karşılaştırması Hasta 1 Hasta 2 Hasta 3 Hasta 4 Hasta 5 Hasta 6 Hasta 7 Hasta 8 Hasta 9 Hasta 10 Apneli(LF/HF) Apnesiz (LF/HF) Şekil 4.9: Apneli ve apnesiz dönemdeki sinyallerin LF/HF oranları. Çalışma aynı hastanın hem apneli hem de apnesiz dönemlerinde işlenmiş EKG sinyallerinden oluşmaktadır. Açık renk (yeşil) ile gösterilen veri hastanın apnesiz döneminde LF bölgesinde seçilen frekansa karşılık gelen LF gücünün, HF bölgesinde seçilen frekansa karşılık gelen HF gücüne oranıdır. Koyu renk (mavi) ile gösterilen veriler ise aynı işlemin hastanın apneli dönemindeki işlenmiş EKG sinyaline uygulanması sonucu elde edilmiştir. Seçilen frekans değerleri ise LF ve HF bölgesinde pik yapan kısma karşılık gelen değer olarak belirlenmiştir, sönük olan kısımlarda ise o bölgedeki ortalama frekans değer seçilmiştir. İstenilen frekansa karşılık gelen güç değerleri ve LF/HF oranı

46 34 Matlab Gui de oluşturulan ara yüzde otomatik olarak hesaplanmaktadır. Şekil 4.9 da belirtilen sinyallere ait daha geniş bilgi Tablo 4.1 de verilmiştir. Tablo 4.1: Tıkayıcı apneli ve apnesiz dönemlerde işlenmiş örnek EKG verileri. Hasta 1 Hasta 2 Hasta 3 Hasta 4 Hasta 5 Hasta 6 Hasta 7 Hasta 8 Hasta 9 Hasta 10 Sinyalin Durumu Sinyal İşleme Başlangıç (sa:dk:sn) Sinyal İşleme Son (sa:dk:sn) LF Frekansı (Hz) LF Gücü (ms²) HF Frekansı (Hz) HF Gücü (ms²) LF/HF Apneli 04:55:00 04:55:30 0, , ,12 Apnesiz 01:53:02 01:53:32 0, , ,54 Apneli 01:18:45 01:19:15 0, , ,17 Apnesiz 01:11:00 01:11:30 0, , ,32 Apneli 03:20:41 03:21:11 0, , ,26 Apnesiz 03:04:57 03:05: ,25 Apneli 23:22:50 23:23:15 0, ,72 0,3 182,23 50,44 Apnesiz 22:59:50 23:00:20 0, ,42 Apneli 23:23:39 23:24:09 0, , ,44 Apnesiz 04:10:15 04:10:45 0,12 200,8 0,24 303,45 0,66 Apneli 06:19:21 06:19:41 0, , ,85 Apnesiz 23:55:10 23:55:40 0, , ,27 Apneli 00:48:01 00:48:30 0, , ,20 Apnesiz 23:40:01 23:40:31 0, , ,52 Apneli 04:04:52 04:05:22 0, , ,67 Apnesiz 04:11:30 04:12:00 0, , ,56 Apneli 05:27:48 05:28:10 0, , ,89 Apnesiz 23:55:20 23:55:35 0, , ,023 Apneli 00:17:10 00:17:40 0, ,55 Apnesiz 04:05:10 04: , , ,96

47 35 Hasta apneye girmeden önce veya apne sonrasında 0.15 Hz-0.4 Hz bölgesinde yani HF bölgesinde baskın olan frekans dağılımının, hastanın apneye girmesiyle baskınlığının azaldığı, söndüğü görülmektedir. Hastanın apnede olduğu dönemlerde LF bölgesinde pik yapan frekansın gücü fazla olduğu için LF/HF oranı fazla çıkmaktadır. Hasta apneden çıkması ile solunumu düzenlendiğinde yüksek frekans bölgesinde bir enerji artışı beklenmektedir. Bu durum LF/HF oranının azalmasına sebep olur İŞLENMİŞ EMG SİNYALLERİ Polisomnografi kayıtlarındaki EMG sinyalleri çene yüzeyinden alınmıştır. EMG elektrotlarının bağlanmasındaki amaç hastanın uyku evresi hakkında bilgi elde etmek içindir. Genellikle hasta uyanıkken çene EMG sinin genliği değişkendir ve uyku evrelerinden daha yüksektir. Hasta uykusunun REM dönemindeyken çene EMG si genellikle bütün kaydın en düşük seviyesindedir. Şekil 4.10 ve Şekil 4.11 de tıkayıcı apneli döneme ve apnesiz döneme ait işlenmiş örnek EMG sinyalleri görülmektedir. Şekil 4.10: Tıkayıcı apne durumunda işlenmiş EMG Sinyali.

48 36 Şekil 4.11: Apnesiz durumda işlenmiş EMG Sinyali. Tıkayıcı apneli, hipopneli ve apnesiz durumda işlenmiş EMG sinyalleri karşılaştırıldığında önemli farklılıklar gözlenmemiştir. Apne varlığında sinyallerde ayırt edici pikler, sinyal üzerinde bozulmalarla karşılaşılmamıştır. Uykuda esnasında, vücut dinlenme halinde iken kaydedildiği için 20 Hz-150 Hz frekans aralığında yaklaşık olarak aynı güç spektrum değerleri ile karşılaşılmıştır İŞLENMİŞ EEG SİNYALLERİ Polisomnografi sinyallerinden elde edilen EEG sinyallerine Hızlı Fourier Dönüşümü uygulanarak güç spektral yoğunlukları incelenmiştir. EEG sinyalleri uyku esnasında delta ağırlıklı delta ve teta aktivitesi göstermektedir. Delta dalgaları derin uyku

49 37 durumunda görülmektedir. Frekans aralığı 0.5 Hz-3.5 Hz dir. Tıkayıcı apneli, hipopneli ve apnesiz dönemlerde EKG sinyalleri ile eş zamanlı olarak işlenmiştir. Şekil 4.12 ve Şekil 4.13 de hipopneli ve apnesiz dönemlerde işlenmiş örnek EEG sinyalleri görülmektedir. Şekil 4.12: Hipopneli durumda işlenmiş EEG Sinyali.

50 38 Şekil 4.13: Apnesiz durumda işlenmiş EEG Sinyali. EEG sinyallerinin tıkayıcı apneli, hipopneli ve apnesiz dönemdeki güç spektral yoğunlukları karşılaştırıldığında istatistiksel olarak önemli farklılıklar gözlenmemiştir. Belli frekans değerlerinde hastanın apnede veya apnede olmadığı durumlarda önemli değişimler izlenmemiştir. Tıkayıcı apneli ve hipopneli durumlarda sinyallerde bazı frekanslarda görülen pikler ise o sinyalin durumundan kaynaklı olduğu düşünülmüş, ileri incelemelerde aynı durumla periyodik olarak karşılaşılmamıştır. 0.5 Hz-3.5 Hz frekansında sinyallerin genlikleri oldukça düşüktür. Bu durumda hastanın derin uykuya dalamadığı fikri ortaya çıkmaktadır. Bunun sebebi de gece boyunca sürekli apneye giren hastaların uykularının hafiflemesi, solunumda güçlük yaşamaları sonucu uyanmaları olduğu düşünülmektedir.

51 39 5. TARTIŞMA VE SONUÇ Çalışmada polisomnografi sinyallerinden EKG, EEG ve EMG sinyallerine çeşitli sinyal işleme yöntemleri uygulanmıştır. Matlab Gui (grafiksel kullanıcı ara yüzü) ile oluşturulan ara yüzde tüm sinyallerin seçilen zaman aralıklarında ham ve işlenmiş halleri görülmektedir. Uykuda meydana gelen geçici solunum durmaları ve tıkanmalar gibi durumların vücudun elektriksel sinyalleri üzerinde ne gibi etkiler gösterdiği incelenmiştir. Apneli, hipopneli sinyaller ile apnesiz dönemdeki sinyaller işlendikten sonra elde edilen parametreler birbirleri ile karşılaştırılmıştır. EKG sinyalinin güç spektral yoğunluğunun düşük frekans ve yüksek frekans bölgelerindeki güçlerinde değişiklikler görülmüştür. Tıkayıcı apne ve hipopne varlığında güç spektral yoğunluğunun düşük frekans bölgesinin gücünde artış, yüksek frekans bölgesinin gücünde azalma olduğu saptanmıştır. Apnesiz dönemde, solunumun artmasıyla birlikte yüksek frekans bölgesinin gücünde artış gözlenmiştir. Tıkayıcı apne ve hipopne esnasında vücutta meydana gelen fizyolojik değişiklikler, solunumun yavaşlaması, geçici süre ile durması gibi, EKG sinyalini de etkilemektedir. Güç spektral analizinin yapılması ile bu etkiler daha iyi gözlemlenebilir. Bu çalışmada EKG sinyallerinin işlenmesi ile elde edilen bulgular literatürdeki çalışmaları destekler niteliktedir. Apne kestirimi yapılmasında destekleyici bilgilere ulaşabilmek için polisomnografi sinyallerinden EEG ve EMG sinyallerine de sinyal işleme yöntemleri uygulanmıştır. Polisomnografi testinde çene EMG sinyallerinin incelenmesindeki amaç hastanın uyku evreleri hakkında bilgi elde etmek içindir. Bu çalışmada apne varlığında EMG sinyallerinde ne gibi değişikliklerin meydana geldiği araştırılmıştır. Tıkayıcı apneli, hipopneli ve apnesiz durumlardaki EMG sinyalleri karşılaştırıldığında, sinyaller arasında spesifik farklılıklar gözlenmemiştir. Apne kestirim yöntemleri için işlenen

52 40 EMG sinyallerinin, uyku dönemlerini belirleme amaçlı incelenmesinin daha uygun olduğu, apne kestirimi yapılabilmesi için Welch yönteminin yeterli olmadığı görüşü doğmuştur. Uyku esnasında beynin elektriksel aktivitesi sonucu oluşan EEG sinyalleri polisomnografi sinyalleri kapsamındadır. Kafanın belli bölgelerine yerleştirilen elektrotlarla elde edilen sinyallerin incelenmesi sonucu, tıkayıcı apneli, hipopneli ve apnesiz durumlarda EEG sinyallerinde de, EMG sinyallerinde olduğu gibi önemli değişimler gözlenmemiştir. Uyku esnasında çok düşük frekansta olan EEG sinyallerinin güç spektral yoğunluklarında belli bölgelerde pikler rastlanmış ama istatistiksel bir veri elde edilememiştir. Literatürde bahsedildiği üzere EEG sinyalleri, uyku evrelerinin incelenmesinde ve hastanın hangi uyku evresinde apneye girdiğinin tespitinde kullanılmaktadır. Bu çalışmada apne kestirimi yapılabilmesi için yardımcı veriler elde edilmesi amacı ile EEG sinyallerine Hızlı Fourier Dönüşümü uygulanmış ancak apne kestiriminde bulunabilmek için yeterli ek veriler elde edilememiştir. 0.5Hz-3.5Hz aralığında sinyallerin genliklerinin çok düşük olması neticesinde apne tanısı konulmuş hastaların derin uykuya dalamadığı kanısına varılmıştır. Bu çalışma, uyku laboratuarlarının azlığı ve çok uzun zamanlara verilen randevuları beklemenin hastalık teşhisi koyulmasında gecikilmesine ve tedavinin aksamasına neden olduğu fikri ile ortaya çıkmıştır. Yapılan incelemeler sonucunda apne teşhisinde EKG sinyallerinin işlenmesi ile elde edilen sonuçların yüzde 88,3 oranında başarılı olduğu görülmüştür. Tablo 5.1 de çalışmada kullanılan veriler ve elde edilen sonuçlar gösterilmektedir.

53 41 Tablo 5.1: Çalışma verileri ve sonuçlar. Çalışma Verileri ve Sonuçlar Örnek Sayısı Örnek Çeşidi DT YT 300 Apneli-Hipopneli Apnesiz DT: Hekim tanısı ile çalışmada elde edilen sonucun aynı olması. Doğru tespit. YT: Hekim tanısı ile çalışmada elde edilen sonuç arasında farklılık olması. Yanlış tespit. Çalışma sonucu elde edilen veriler kullanılarak sistemin performansı değerlendirilmiştir. Duyarlılık, özgüllük ve doğruluk değerleri 5.1, 5.2 ve 5.3 de belirtilen eşitliklerle hesaplanmıştır (Xie ve Minn, 2012). Duyarlılık = GP / (GP+YN) (5.1) Özgüllük = GN / (GN+YP) (5.2) Doğruluk = (GP+GN) / (GP+YP+YN+GN) (5.3) GP (Gerçek Pozitif) ve GN (Gerçek Negatif) değerleri sırasıyla doğru teşhis edilen apneli ve apnesiz sinyallerin sayısını belirtmektedir. Yani hekim teşhisi ile bu çalışmada elde edilen sonuçların aynı olması durumudur. YN (Yanlış Negatif) değeri hekim tarafından apne teşhisi konulmuş ancak bu çalışmada incelenmesi neticesinde apne olmadığı teşhisi konulan sinyallerin sayısını, YP (Yanlış Pozitif) değeri ise hekim tarafından apnesiz olarak teşhis edilen ancak bu çalışmada apneli olarak belirlenen sinyallerin sayını belirtmektedir. Duyarlılık, sistemin doğru apne dönemlerinin tespit yeteneğini, Özgüllük ise sistemin apnesiz dönemlerin tespit yeteneğini yansıtır. Tablo 5.2 de bu çalışmada elde edilen verilerle hesaplanan sistemin performansı görülmektedir.

54 42 Tablo 5.2: Sistemin performansı. GP YN GN YP % Duyarlılık ,3 Özgüllük Doğruluk ,11 Sonuçlara 10 farklı hastanın yaklaşık 300 adet tıkayıcı apneli, hipopneli ve 600 adet apnesiz sinyallerin işlenmesi ile ortaya çıkan sonuçların, hekimler tarafından tanısı konulmuş verilerle karşılaştırılmasıyla erişilmiştir. Çalışma aynı hastanın özellikle hem apneli hem de apneden çıktığı zamanlardaki sinyaller incelenerek yürütülmüştür. Çalışma başlangıçta apne türleri arasında ayrım yapılmadan sürdürülmüştür ancak sinyaller işlendikçe, merkezi apne ve mikst apne durumlarında yeterli istatistiksel veri elde edilemediğinden, tıkayıcı apne ve hipopne durumlarının incelenmesi ile devam edilmiştir. Literatürde daha önce apne kestirimi çalışmaları incelendiğinde, MJ Drinnan, J Allen, P Langley ve A Murray tarafından yapılan çalışma öne çıkmaktadır. Bu çalışmada 20 adet apneli döneme, 10 adet apnesiz döneme ait toplam 30 EKG sinyaline Fourier dönüşümü uygulanmıştır. İki spektral bölgenin ( devir/atım ve devir/atım), spektral eğrilerinin altındaki bölgelerin güç oranları hesaplanarak bir apne kestirim yöntemi sunulmuştur. Sonuç olarak apneli durumun tespitinde 20 sinyalden 17 tanesi, apnesiz durumun tespitinde 10 sinyalin hepsi doğru tespit edilmiştir (Drinnan ve diğ., 2000). Tablo 5.3 de Drinnan, Allen, Langley ve Murray tarafından yapılmış çalışmanın sonuçları ile bu tezde sunulan çalışmanın sonuçları karşılaştırılmıştır. Tablo 5.4 de ise çalışmaların performans karşılaştırmaları verilmiştir.

55 43 Tablo 5.3: Çalışma sonuçlarının karşılaştırılması. Çalışma Sonuçlarının Karşılaştırılması Örnek Sayısı Örnek Çeşidi GP YN GN YP 300 (A) Apneli-Hipopneli (B) Apneli (A) Apnesiz (B) Apnesiz A: Bu çalışmada elde edilen sonuçlar. B: Drinnan ve diğ., 2000 çalışmasında elde edilen sonuçlar. Tablo 5.4: Çalışmaların performans karşılaştırması. Duyarlılık (%) Özgüllük (%) Doğruluk (%) Bu Çalışma 88, ,11 Drinnan ve diğ., Bu çizelgedeki veriler ve performanslar incelendiğinde, EKG sinyaline Teager Enerji İşleyicisinin ve Yule Walker yönteminin uygulanması ile tıkayıcı apne ve hipopne kestirimi yapılabilmesine olanak sağlandığı fikri doğmuştur. Çalışmada kullanılan polisomnografi sinyallerinin, çalışma için bir önemli yani da hastalara gece boyunca kayıtları alınırken eş zamanlı olarak 3 kanallı EKG holter cihazı da bağlanmıştır ve bu cihazın kaydettiği verilere de ulaşılmaktadır. Çalışmada EKG holter cihazından elde edilen EKG sinyalleri de ayrıca işlenmiş ve polisomnografi sinyallerinin işlenmesi ile ulaştığımız sonucu destekler nitelikte veriler elde edilmiştir. Çalışmada EMG sinyalleri ve EEG sinyallerinin de güç spektral yoğunlukları incelenmiştir. Bu verilerden apne kestirimi hakkında bir sonuca ulaşılamamıştır. Ancak bu sinyaller daha detaylı incelenerek hastanın hangi uyku döneminde olduğu ve apneye

56 44 girdiği uyku evreleri hakkında bilgiler elde edilebileceği de bir gerçektir. Ayrıca incelenen sinyallerin sayısının artırılmasıyla daha kapsamlı ve doğrulukta analizler yapılması sağlanabilinir. İleride yapılacak çalışmalarda, analizler bir döngü halinde tüm gece kaydı üzerinden gerçekleştirilerek apne kesitirim yöntemleri denenebilir. Bu çalışma genel olarak göstermiştir ki, apne kestirimi yapılabilmesi için EKG sinyallerinin güç spektral yoğunluğunun hesaplanmasında Yule Walker yöntemi kullanılabilecek bir yöntemdir. Polisomnografi sistemleri olmayan merkezlerde hastalara gece boyunca holter cihazı bağlanarak EKG verileri ile eş zamanlı olarak hastaların tüm gece boyunca vücutlarındaki oksijen saturasyon değişimlerinin kayıt altına alınması ile elde edilen sonuçlar, bu çalışmada oluşturulan mekanizmada değerlendirilebilinir. Hastanın uyku esnasında oksijen saturasyonunun normalin altına düştüğü zaman aralıklarındaki EKG sinyalleri incelenerek, hastanın apne durumu hakkında bilgi elde edilebilinir. Altın standart olarak kabul gören polisomnografi sisteminden elde edilen sonuçların kesin doğruluğa sahip olduğu varsayımıyla, geliştirilen sistemin performansı ortaya konulmuştur. Çalışma, hastaların uyku laboratuarlarına yatırılarak polisomnografi kayıtlarının alınmasının gerek olup olmadığı konusunda hekimlere yardımcı olabilecek bir karar destek sistemidir.

57 45 KAYNAKLAR Alkan, A. ve Kiymik, M.K., 2006, Comparison of AR and Welch Methods in Epileptic Seizure Detection, Journal of Medical Systems, 30, Aydın, H., Özgen, F., Yetkin, S., Sütçügil, L., 2005, Uyku ve Uykuda Solunum Bozuklukları, Gülhane Askeri Tıp Akademisi Yayınları,63, 17. Bayrak, T., Koçak, O., Erdamar, A., 2011, Uyku Bozukluklarının Araştırılmasında Biyomedikal Mühendislik Yaklaşımları, TMMOB EMO Ankara Şubesi Haber Bülteni, 2011/2, Çetintaş, G., 2008, Apne-Hipopne İndeksi ile Akciğer Volümleri ve Hava Yolu Rezistansı Arasındaki İlişkinin Tanımlanması, Tıpta Uzmanlık, T.C. Sağlık Bakanlığı Süreyyapaşa Göğüs Hastalıkları ve Göğüs Cerrahisi E.A. Hastanesi. Çevikcan, B., 2007, Bel Fıtığı Bulunan Bireylerin Bel ve Karın Kası Fonksiyonlarının Elektromyografik Analizi, Tez (Yüksek Lisans), Erciyes Üniversitesi. Coşkun, Ö. ve Çömlekçi, S., 2007, Wavelet Teorisinin Medikal Alana Uygulanması Üzerine Bir Ön Çalışma, Akademik Bilişim 07-IX. Akademik Bilişim Konferansı Bildirileri, 31 Ocak- 2 Şubat 2007 Dumlupınar Üniversitesi, Kütahya, Drinnan, MJ., Allen, J., Langley, P., Murray, A., 2000, Detection of Sleep Apnea from Frequency Analysis of Heart Rate Variability, Computers in Cardiology 2000, September 2000 Cambridge, Duman, F., Erdamar, A., Eroğlu, O., Telatar, Z., Yetkin, S., 2009, Efficient Sleep Spindle Detection Algorithm With Decision Tree, Expert Systems With Applications, 36(6), Erdamar, A., 2013, Biyomedikal İşaret İşleme, BME%20423_L1.pdf, [Ziyaret Tarihi: 11 Şubat 2014]. Erdamar, A., Eroğlu, O., Duman, F., Yetkin, S., Tanyolaç, A., 2006, Polisomnografi Kayıtlarından Obstruktif Uyku Apnesinin Belirlenmesi, IEEE 14. Sinyal İşleme ve İletişim Uygulamaları, Nisan 2006 Antalya, ISBN: ,1-4. Ersöz, A., Özşen, S., 2011, Uyku EEG Sinyalinin Yapay Sinir Ağ Modeli İle Sınıflandırılması, [Ziyaret Tarihi: 10 Mart 2014].

58 46 Guler, I., Kiymik, M K., Akin, M., Alkan, A., 2001, AR Spectral Analysis of EEG Signals By Using Maximum Likelihood Estimation, Comp in Biology and Medicine, 31, Karlık, B., Koçyiğit, Y., Fidan, C.B., 2005, EMG İşaretlerini Sınıflamada Kullanılan İşaret İşleme Tekniklerinin Karşılaştırılması, IEEE 13. Sinyal İşleme ve İletişim Uygulamaları Kurultayı, Mayıs 2005 Kayseri, ISBN: , Korosec, J., 2000, Parametric estimation pf the continouous non- stationary spectrum and its Dynamics in surface EMG studies, International Journal of Medical Informatics,58-59, Köktürk, O. ve Ulukavak Çiftçi, T., 2002, Uykuda Solunum Bozukluklarında Yeni Tanımlamalar, Tüberküloz ve Toraks Dergisi, 50(4), Köktürk, O., 2014, Uykuda Solunum Bozuklukları, 3NJKL4NJ4H3BG3JH/kisokulu3-ppt- pdf/oguz_kokturk.pdf, [Ziyaret Tarihi: 19 Mart 2014]. Öztürk, Ç., 2005, Obstrüktif Uyku Apnesi Sendromu (OUAS), seminer-osas.htm, [Ziyaret Tarihi: 23 Mart 2014]. Pöyhönen, M., Syvaoja, S., Hartikainen, J., Ruokonen, E., Takale, J., 2004, The effect of carbon dioxide, respiratory rate and tidal volume on human heart rate variability, Acta Anaesthesiol Scand, 48(1), Pumprla, J., Howorka, K., Groves, D., Chester, M., Nolan, J., 2002, Functional assessment of heart rate variability: physiological basis and practical applications, International Journal of Cardiology, 84(1), Sztajzel, J., 2004, Heart rate variability: a noninvasive electrocardiographic method to measure the autonomic nervous system, Swiss Med Wkly, 134 (35-36), Uçar, E., Süt, N., Gülyaşar, T., Umut, T., Öztürk, L., 2011, Can obstructive apnea and hypopnea during sleep be differentiated electroencephalografic frequency bands? Statistical analysis of receiver operator curve characteristics, Turkish Journal Of Medical Sciences, 41(4), Weng, W., Khorasani, K., 1996, An Adaptive Structure Neural Network With Application To EEG automatic seizure detection, Neural Networks, 9(7), Wong, K. and Chi-Sing Leung, A., 1998, On-line successive synthesis of wavelet networks, Neural Processing Letters, 7(2), Xie, B. and Minn, H., 2012, Real-Time Sleep Apnea Detection by Classifier Combination, IEEE Transaction on Information Technology in Biomedicine, 16(3),

59 47 Yazgı, S., 2010, Yutkunmanın Kalp Hızı Değişkenliği Analizlerine Etkisi, Tez (Yüksek Lisans), Başkent Üniversitesi. Yıldırım, T., 1999, Tıp Elektroniği, [Ziyaret Tarihi: 11 Şubat 2014]. Yıldız, M. ve Yılmaz, D., 2007, Cep Telefonu Kalp Hızı Değişkenliğinin (KHD) Güç Spektral Yoğunluğu (GSY) Üzerindeki Etkileri, c db_ek.pdf, [Ziyaret Tarihi: ].

60 48 ÖZGEÇMİŞ Kişisel Bilgiler Adı Soyadı Uyruğu Doğum tarihi, Yeri Gözde KARAMUSTAFAOĞLU T.C , Giresun Telefon Web adres - Eğitim Derece Kurum/Anabilim Dalı/Programı Yılı Yüksek Lisans İ.Ü. Fen Bilimleri Enstitüsü/ Biyomedikal Mühendisliği Anabilim Dalı / Biyomedikal Mühendisliği Programı 2014 Lisans İstanbul Üniversitesi Fen Fakültesi Fizik Bölümü 2009 Lise Bahçeşehir Koleji 2004