| تشخیص و مرحله بندی خودکار مراحل خواب بر اساس سیگنال EEG با استفاده از ویژگی های چنددامنه ای و الگوریتم های یادگیری ماشین |
| کد مقاله : 1339-ISME2026 |
| نویسندگان |
|
مهکامه شربتدار *، نیما ناصربخت دانشکده مهندسی مکانیک، دانشگاه صنعتی خواجه نصیرالدین طوسی |
| چکیده مقاله |
| خواب نقش بنیادی در سلامت جسمی، شناختی و روانی دارد و اختلال خواب با افزایش خطر بیماریهای قلبی–عروقی، دیابت، افسردگی و اختلالات شناختی همراه است. تشخیص و مرحلهبندی خواب برای ارزیابی اختلالات خواب و طراحی درمان ضروری است، اما هنوز بر امتیازدهی دستی مستعد خطای پلیسومنوگرافی توسط متخصصان بر اساس راهنمای آکادمی پزشکی خواب متکی است. با گسترش پایگاههای داده نظیر EDF-Sleep و ابزارهای پردازش سیگنال و یادگیری ماشین، روشهای خودکار مرحلهبندی خواب توسعه یافتهاند و در بسیاری از مطالعات عملکردی همتراز با متخصصان گزارش شدهاند. در این مقاله، یک سامانه برای طبقهبندی پنج کلاسه مراحل خواب (بیداری، ۱،N ۲،N ۳N و REM (بر اساس دو کانال EEG از زیرمجموعه Cassette-Sleep پایگاه EDF-Sleep ارائه میشود. دادهها پس از پیشپردازش و همترازی با هیپنوگرام، به ایپاکهای ۳۰ ثانیه ای تقسیم و با راهبرد توازن کلاس، به مجموعه ۱۴۰۵۲ ایپاک از ۱۵۳ فرد تبدیل شدهاند. از هر ایپاک ۴۴ ویژگی شامل آمار زمانی، توان و توان نسبی باندها، پارامترهای هیوورث، انواع آنتروپی و شاخصهای هم بستگی بین کانالی استخراج میشود. سپس طبقهبندهای جنگل تصادفی، ماشین بردار پشتیبان، نزدیکترین همسایه k، گرادیان بوستینگ و یک مدل رأیگیری تجمیعی آموزش داده میشوند. بهترین عملکرد مربوط به گرادیان بوستینگ با دقت کلی ۹۴/۱۳% و ضریب کاپای ۰/۸۵۵۶ است که در محدوده بالایی روشهای کلاسیک گزارش شده بر روی EDF-Sleep و قابل مقایسه با برخی مدلهای عمیق سبک مانند EEGSNet و مدلهای ترکیبی HMM–CNN-D1 است. آنتروپیها، پارامترهای هیوورث، توان دلتا و بتا و همبستگی بین کانالها بیشترین سهم را در تفکیک مراحل خواب دارند. |
| کلیدواژه ها |
| سیگنال EEG، یادگیری ماشین، اختلالات خواب |
| وضعیت: پذیرفته شده برای ارائه شفاهی |