ارائه یک روش بهبود یافته مبتنی بر شبکه عصبی جهت شناسایی مراحل خواب براساس تحلیل سیگنال های EEG

طبقه بندی مناسب خواب می تواند اطلاعات مناسبی جهت درمان بیماران مبتلا به بی خوابی در اختیار پزشکان قرار دهد. طبقه بندی دستی مراحل خوب با توجه به حجم انبوه داده های کاری وقت گیر و دارای خطا به دلیل خستگی متخصصان در طول فرآیند طبقه بندی می باشد. برای رسیدن به مطلوب، روش های هوشمند داده کاوی کارایی خودرا ثابت کرده اند. هدف از انجام این پژوهش ارائه یک مدل بهینه جهت استخراج ویژگی های موثر در شناسایی الگوهای خواب با استفاده از تکنیک های داده کاوی و براساس پردازش سیگنال های الکتروانسفالوگرام می باشد. در روش پیشنهادی برای رسیدن به ویژگی های بهینه، در ابتدا پس از آماده سازی داده های دریافت شده، پیش پردازش داده هابا فیلتر باترورث IIR انجام شد. پس از آن داده های شب افراد به بازه های ۳۰ ثانیه تقسیم شده و الگوریتم k میانگین اعمال شد. ۴ دسه ویژگی شامل ویژگی های تبدیل موجک، ویژگی های زمانی، ویژگی های غیرخطی و ویژگی های انتروپی در مرحله استخراج ویژگی به دست آمد که در کل ۴۵ ویژگی استخراج شد. سه الگوریتم آزمون t، تحلیل مولفه اصلی و ضریب همبستگی پیرسون بر ۴۵ ویژگی جهت انتخاب ویژگی های بهینه اعمال شد. پس از استخراج و انتخاب ویژگی های مطلوب، مراحل خواب براساس شبکه عصبی مصنوعی چند لایه پرسپترون انجام شد. نتایج به دست آمده نشان داد که بهترین مقادیر در معیارهای صحت، حساسیت ویژگی به ترتیب ۹۵.۵۷، ۷۶.۹۷ و ۹۸.۴۱ درصد بوده است.

Keywords:

سیگنال الکتروانسفالوگرام , انتخاب ویژگی , شبکه عصبی , طبقه بندی , مراحل خواب