Koneoppimismenetelmät uniapnean tunnistamisessa aivosähkökäyrästä

Abstract

Tämä tutkielma käsittelee uniapnean tunnistamiseen kehitettyjä EEG-signaaliin perustuvia menetelmiä sekä vertailee niitä. Tutkielmassa käsitellään myös menetelmiin liittyviä haasteita ja tulevaisuuden näkymiä. EEG-signaalin hyödyntämisessä uniapnean tunnistamiseen on suuri potentiaali, sillä sen avulla saadaan kattavaa tietoa aivojen aktiivisuudesta unen aikana. EEG-signaalin avulla pystytään tunnistamaan uniapneapotilaan hengityskatkokset unen aikana, ja niiden määrän perusteella pystytään tekemään diagnoosi. Tutkielma suoritettiin kirjallisuuskatsauksena, ja se perustuu ajankohtaisiin akateemisiin julkaisuihin. Tavoitteena on tarjota katsaus nykyisiin menetelmiin sekä arvioida niitä.

Tutkielma painottuu koneoppimiseen perustuvien menetelmien käsittelyyn. Menetelmät voidaan jakaa pääpiirteittäin perinteiseen koneoppimiseen perustuviin menetelmiin, neuroverkkoihin perustuviin menetelmiin sekä muihin menetelmiin. Menetelmissä toistui paljon samankaltaisuuksia sekä samoja algoritmeja. Tutkielmassa vertaillaan tutkimuksissa käytettyä dataa, menetelmien tarkkuutta sekä niissä käytettyjä ratkaisuja.

Tutkielman perusteella havaittiin, että EEG-signaalin käsittelyyn on kehitetty paljon erilaisia koneoppimista hyödyntäviä menetelmiä uniapnean tunnistamiseen. Löydettyjen aineistojen perusteella ei pystytty toteamaan yhtä parhaiten suoriutuvaa menetelmää. Menetelmissä toistui samankaltaisia haasteita sekä niihin liittyviä ongelmia. Menetelmien vertailu osoittautui myös monelta osalta haastavaksi. Hyvin suoriutuvia menetelmiä on kehitetty paljon, mutta niiden parantamisessa on vielä potentiaalia.