ENGINEERING APPROACHES IN THE DIAGNOSIS OF SLEEP APNEA
DOI:
https://doi.org/10.29121/ijoest.v10.i2.2026.743Keywords:
Sleep Apnea, Artificial Intelligence, Polysomnography, PSG, Wearable DevicesAbstract
Sleep apnea is a sleep disorder that significantly affects human life and occurs as a result of repeated obstructions in the respiratory system lasting at least 10 seconds during sleep. The most common type, Obstructive Sleep Apnea (OSA), affects the upper respiratory tract, whereas Central Sleep Apnea (CSA) occurs due to dysfunction in the respiratory control center in the brain. Sleep apnea manifests with symptoms such as fatigue upon awakening, snoring, and daytime sleepiness. If left untreated, it may lead to serious health complications including stroke, cardiovascular diseases, and hypertension. Polysomnography (PSG) is the most widely used diagnostic method for sleep apnea. However, this test involves several limitations in terms of time consumption, patient comfort, and financial cost. Therefore, there is an increasing need for alternative engineering-based diagnostic support methods to complement polysomnography. Recent advancements in Biomedical Engineering, Electrical and Electronics Engineering, and Software Engineering have enabled the development of portable, cost-effective, and highly compatible systems for sleep apnea detection. Sleep apnea can be identified through the processing of physiological signals such as electroencephalography (EEG), electrocardiography (ECG), electrooculography (EOG), and oxygen saturation levels. The acquired data are analyzed using artificial intelligence techniques and machine learning algorithms, which have become prominent tools in biomedical signal analysis. Furthermore, the integration of wearable devices and Internet of Things (IoT)-based technologies allows continuous monitoring of patients in home environments. This study discusses the significance of engineering-based solutions in sleep apnea diagnosis and highlights their contributions to modern healthcare technologies.
Downloads
References
Abrak, R. A., and Yerci, M. (2012). En Küçük Karelerle Spektral Analiz ve Fourier Tekniğinin Karşılaştırılması. Selcuk University Journal of Engineering Sciences, 11(1), 32–47.
Akalın, B., and Veranyurt, Ü. (2022). Sağlık 4.0 ve Sağlıkta Yapay Zekâ. Sağlık Profesyonelleri Araştırma Dergisi, 4(1), 57–64.
Altun, S. (2015). Derin Öğrenme ve Makine Öğrenmesi Yöntemleriyle Polisomnografi Sinyallerinden Uyku Evrelerinin Sınıflandırılması. Karadeniz Fen Bilimleri Dergisi, 13(2), 583–600. https://doi.org/10.31466/kfbd.1246482
Aydın, N. (2019). Giyilebilir Sağlık Teknolojisinin Geleceği. In XI. International Balkan and Near Eastern Social Sciences Congress Series.
Babur, S., Bektaş, B., and Turhal, U. (2018). EKG Kayıtlarından Uyku Apnesi Hastalığının Destek Vektör Makineleri Yöntemi Kullanılarak Tespiti.
Balcı, M., Gölcük, A., Küççüktürk, S., Tasdemır, S., Vatansev, H., and Vatansev, H. (2021). Wavelet Dalgacık Dönüşümü ile Tıkayıcı Uyku Apnesi Tahmini ve Epok Sürelerinin Etkisi. Avrupa Bilim ve Teknoloji Dergisi, 26, 276–283. https://doi.org/10.31590/ejosat.954003
Belk, R. W., Belanche, D., and Flavián, C. (2023). Key Concepts in Artificial Intelligence and Technologies 4.0 in Services. Service Business, 17(1), 1–9. https://doi.org/10.1007/s11628-023-00528-w
Bilgin, M. (2017). Gerçek Veri Setlerinde Klasik Makine Öğrenmesi Yöntemlerinin Performans Analizi. Breast, 2(9), 683.
Bracewell, R. N. (1989). The Fourier Transform. Scientific American, 260(6), 86–95. https://doi.org/10.1038/scientificamerican0689-86
Çakır, F. S., Aytekin, A., and Tüminçin, F. (2018). Nesnelerin İnterneti ve Giyilebilir Teknolojiler. Sosyal Araştırmalar ve Davranış Bilimleri Dergisi, 4(5), 84–95.
Ersöz, A., and Özşen, S. (2011). Uyku EEG Sinyalinin Yapay Sinir Ağ Modeli ile Sınıflandırılması.
Evlice, A. T. (2012). Obstrüktif Uyku Apne Sendromu. Arşiv Kaynak Tarama Dergisi, 21(2), 134–150.
Giorgi, L., Nardelli, D., Moffa, A., Iafrati, F., Di Giovanni, S., Olszewska, E., ... and Casale, M. (2025, January). Advancements in Obstructive Sleep Apnea Diagnosis and Screening Through Artificial Intelligence: A Systematic Review. In Healthcare (Vol. 13, No. 2, 181). MDPI. https://doi.org/10.3390/healthcare13020181
Gün, A., and Bayzan, Ş. (2024). Dijitalleşmenin Teknolojik Boyutu.
Haghighat, S., Joghatayi, M., Issa, J., Azimian, S., Brinz, J., Ashkan, A., ... and Sangalli, L. (2025). Diagnostic Accuracy of Artificial Intelligence for Obstructive Sleep Apnea Detection: A Systematic Review. BMC Medical Informatics and Decision Making, 25(1), 278. https://doi.org/10.1186/s12911-025-03129-x
Hanbay, K. (2021). Görüntü Bölütleme İçin Fourier Dönüşümü, Hessian Matris ve Özdeğerler Kullanılarak Yeni Bir Aktif Kontur Modeli. Türk Doğa ve Fen Dergisi, 10(2), 242–247. https://doi.org/10.46810/tdfd.977786
İkizler, N., and Ekim, G. (2025). Epileptik Nöbet Tespiti İçin Yüksek Çözünürlüklü Güç Spektral Yoğunluk Yaklaşımları. Politeknik Dergisi, 1–1. https://doi.org/10.2339/politeknik.1605362
Karakoyun, M., and Hacıbeyoğlu, M. (2014). Biyomedikal Veri Kümeleri İle Makine Öğrenmesi Sınıflandırma Algoritmalarının İstatistiksel Olarak Karşılaştırılması. Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi, 16(48), 30–42.
Karamustafaoğlu, G., Akan, A., and Saatçi, E. (2014). Polisomnografi Sinyallerinin İşlenmesi ile Uyku Apnesinin Otomatik Teşhisi / Polisomnografi Sinyallerinin İşlenmesiyle Uyku Apnesinin Otomatik Tespiti.
Kılıç, H. Ö. (2017). Giyilebilir Teknoloji Ürünleri Pazarı ve Kullanım Alanları. Aksaray Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 9(4), 99–112.
Koçak, O., Beytar, F., Fırat, H., Telatar, Z., and Eroğul, O. (2016, October). Comparison of Non-Parametric PSD Detection Methods in the Anaylsis of EEG Signals in Sleep Apnea. In 2016 Medical Technologies National Congress (TIPTEKNO) (1–4). IEEE. https://doi.org/10.1109/TIPTEKNO.2016.7863133
Köktük, O., and Tu, Ç. (2003). Santral Uyku Apne Sendromu. Tuber ve Toraks Derg, 51(3), 349–360.
Köktürk, O. (2013). Uyku Kayıtlarının Skorlanması. Solunum, 15(2), 14–29. https://doi.org/10.5152/solunum.2013.027
Li, Y., Gao, H., and Ma, Y. (2017). Evaluation of Pulse Oximeter Derived Photoplethysmographic Signals for Obstructive Sleep Apnea Diagnosis. Medicine, 96(18), e6755. https://doi.org/10.1097/MD.0000000000006755
Mendonca, F., Mostafa, S. S., Ravelo-Garcia, A. G., Morgado-Dias, F., and Penzel, T. (2018). Obstrüktif Uyku Apnesi Tespit Yaklaşımlarının Bir İncelemesi. IEEE Journal of Biomedical and Health Informatics, 23(2), 825–837. https://doi.org/10.1109/JBHI.2018.2823265
Metlek, S., and Kayaalp, K. (2020). Makine Öğrenmesinde, Teoriden Örnek MATLAB Uygulamalarına Kadar Destek Vektör Makineleri (100). İksad Yayınevi.
Nazli, B. (2021, June). Evaluation of Different Machine Learning Algorithms for Classification of Sleep Apnea. In 2021 29th Signal Processing and Communications Applications Conference (SIU) (1–4). IEEE. https://doi.org/10.1109/SIU53274.2021.9477705
Öner, İ. V., Yeşilyurt, M. K., and Yılmaz, E. Ç. (2017). Wavelet Analiz Tekniği ve Uygulama Alanları. Ordu Üniversitesi Bilim ve Teknoloji Dergisi, 7(1), 42–56.
Özcan, F. (2025). Giyilebilir Teknolojiler ve Hasta İzleme. In Sağlık Bilimlerinde Tüm Yönleriyle Hemşirelik (39).
Pépin, J. L., Defaye, P., Vincent, E., Christophle-Boulard, S., Tamisier, R., and Lévy, P. (2009). Sleep Apnea Diagnosis Using an ECG Holter Device Including a Nasal Pressure (NP) Recording: Validation of Visual and Automatic Analysis of Nasal Pressure Versus Full Polysomnography. Sleep Medicine, 10(6), 651–656. https://doi.org/10.1016/j.sleep.2008.07.002
Pirim, A. G. H. (2006). Yapay Zeka. Yaşar Üniversitesi E-Dergisi, 1(1), 81–93.
Sak, Ö., and Beyen, K. (2019). Yapıların Zaman-Frekans Ortamında Dalgacık Dönüşümü Metoduyla Hasar Analizleri. Teknik Dergi, 30(1), 8835–8860. https://doi.org/10.18400/tekderg.300366
Şener, E., and Güner, P. (2024). Obstrüktif Uyku Apne Sendromu: Diş Hekimliği Yönünden Risk Faktörlerinin Değerlendirilmesi. Journal of Turkish Sleep Medicine, 11(2), 69–77. https://doi.org/10.4274/jtsm.galenos.2023.49091
Serçe, S., and Ovayolu, Ö. (2024). Obstrüktif Uyku Apne Sendromunda Giyilebilir Teknolojinin Yorgunluk ve Gündüz Uykululuğuna Etkisi: Literatür İncelemesi. Sağlık Bilimlerinde Değer, 14(1), 163–167. https://doi.org/10.33631/sabd.1271348
Sharma, P., Jalali, A., Majmudar, M., Rajput, K. S., and Selvaraj, N. (2022, July). Deep-Learning Based Sleep Apnea Detection Using SpO2 and Pulse Rate. In 2022 44th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC) (2611–2614). IEEE. https://doi.org/10.1109/EMBC48229.2022.9871295
Toraman, S., and Türkoğlu, İ. (2019). Dalgacık Dönüşümü ve Makine Öğrenme Teknikleri Kullanılarak FTIR Sinyallerinden Kolon Kanseri Hastaları ve Sağlıklı Kişileri Sınıflandırmak İçin Yeni Bir Yöntem. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 35(2), 933–942. https://doi.org/10.17341/gazimmfd.564803
Tosunoğlu, E., et al. (2021). Eğitimde Makine Öğrenmesi: Araştırmalardaki Güncel Eğilimler Üzerine İnceleme. Ahmet Keleşoğlu Eğitim Fakültesi Dergisi, 3(2), 178–199.
Uçar, M. K., et al. (n.d.). Uyku EEG ve EOG Sinyallerinin Sınıflandırılmasında Zaman ve Frekans Domeni Özelliklerinin Etkisi / Effect of Time and Frequency Domain Features in Sleep EEG and EOG Signals Classification. Delta, 1, 0.5–2.5.
Walker, J. S. (1997). Fourier Analizi ve Dalgacık Analizi. AMS Bildirileri, 44(6), 658–670.
Yıldız, A. (2017). Tek Kanallı EKG Kayıtları Analizinden Uyku Apne Tespiti. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, 8(1), 111–122.
Yıldız, M. (2021). Uyku Apnesi Tespitinde Yenilikler. Natural and Applied Sciences Journal, 3(Special Issue: Full Papers of 2nd International Congress of Updates in Biomedical Engineering), 32–39.
Yıldız, M. E. (2025). Giyilebilir Akıllı Cihazların Mobil Sağlık (mHealth) Ekosistemindeki Yükselişi. In Spor Bilimlerinde Güncel Kavramlar ve Yenilikçi Araştırmalar (34).
Yıldız, M., Tabak, Z., and Yetkin, S. (2017). Kalp Seslerinden Uyku Apnesi Tespit Edilebilir mi? Journal of Turkish Sleep Medicine, 4(1). https://doi.org/10.4274/jtsm.07108
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 Hatice Bilgili, Elif Kucuktag
This work is licensed under a Creative Commons Attribution 4.0 International License.
