Year: 2026
Type: dissertation
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.
Source: UTUPub (University of Turku)
Author: Lampinen, Sara
Language: Finnish
Subfield: Physiology (medical)
Field: Medicine
Domain: Health Sciences
Keywords: obstructive sleep apnea, sleep apnea detection, EEG signals, EEG, machine learning, artificial neural networks, sleep monitoring, method comparison, sleep apnea diagnosis, EEG signal processing, convolutional neural networks, recurrent neural networks, support vector machine, random forest, ensemble methods, feature extraction, feature selection, feature engineering, hyperparameter optimization
Open Access status: green
OpenAlex ID: W7148185492
