Transformer Kodlayıcı ve Zaman-Frekans Görüntüleri Kullanarak Otomatik Uyku Evreleri Sınıflandırması

Abstract

Bu çalışmada Polisomnografi (PSG) kayıtlarından alınan tek kanallı EEG verileri kullanarak otomatik uyku evreleri sınıflandırması yapan bir derin öğrenme modeli önerilmektedir. Önerilen model, EEG sinyallerinin kısa süreli Fourier dönüşümü (STFT) ile elde edilen zaman-frekans görüntülerinden öznitelik çıkarmak için Transformer kodlayıcı kullanmaktadır. Transformer kodlayıcının çok başlı dikkat mekanizması, zaman-frekans görüntülerindeki zaman bağımlılıklarını yakalayarak modelin uykunun sıralı doğasını anlama performansını artırmaktadır. Önerilen modelin performansı, SleepEDF Expanded adlı açık erişim veri seti üzerinde değerlendirilmiştir ve 0.84 F1 skoru ile yüksek doğruluk değerine sahip sonuç elde edilmiştir. Modelin zaman-frekans görüntüleri kullanması, EEG sinyallerinin temel zaman alanı ve frekans alanı özelliklerini yakalayarak doğru uyku evreleri sınıflandırmasına katkı sağlamaktadır. Gelecek çalışmalarda, diğer PSG kanalları da dâhil edilerek uygulamada kullanımı mümkün olabilecek bir model geliştirilebileceği değerlendirilmektedir.