حمید شرینی - گروه مهندسی و فیزیک پزشکی ، دانشکده پزشکی ، دانشگاه علوم پزشکی تهران، ایران
ارمین ا.. ورودی - گروه مهنسی و فیزیک پزشکی ، دانشکده پزشکی ، دانشگاه علوم پزشکی تهران، ایران
محمد شرینی - اداره کل آموزش فنی و حرفه ای استان کردستان، سنندج، ایران
سارا ابراهیمی - اداره کل آموزش فنی و حرفه ای استان کردستان، سنندج، ایران

سیگنال EEG نقش بسیار مهمی در تشخیص بیماری ها ایفا می کند. یکی از این بیماری ها اختلال خواب است .ثبت های EEG که توسط دستگاه های ثبت سیار ضبط و دستگاه الکتروانسفالوگرام می شود که اطلاعات مفید از اختلال خواب می دهد. این مقاله یک روش اتوماتیک برای پیدا کردن مراحل خواب فرد از EEG ثبت شده بر اساس شبکه عصبی پیشنهاد می کند که از آنتروپی و توان نسبی طیفی به عنوان ویژگی های ورودی استفاده می کند. توان نسبی طیفی پارامتر آماری می باشد که احتمال امواج آلفا، بتا ، دلتا و تتا را در هر مرحله خواب از مقادیر توان فرکانسی سیگنال فیزیولوژیکی را اندازه گیری می کند و نمایانگر نسبت تبدیل شده به توان مجموع فرکانسهای حاصله از هارمونیک موج مورد نظر به توان مجموع فرکانسها سیگنال در آن مرحله است. آنتروپی که پارامتر آماری است میزان بی نظمی این امواج در مراحل خواب نشان می دهد. دراین مقاله سعی شده تا به روشی نوین جهت تشخیص مراحل خواب با کمک شبکه عصبی دست یافته شود. یک ویژگی حوزه فرکانس به نام آنتروپی طیفی و توان نسبی طیفی برای این دسته بندی مورد استفاده قرار گرفته است. نتایج تجربی حاکی از این است که شبکه عصبی مصنوعی MLP قادر به تشخیص مراحل مهم خواب است که در تشخیص بیماری مهم هستند. 1- مرحله یک (شروع چرخه خواب و نسبتاً مرحله سبک و خفیفی از خواب است.2- مرحله دوم (مغز شروع به تولید امواج منظم و سریعی می کند) 3- مرحله سوم (دوره گذار بین خواب سبک و خواب بسیار عمیق است 4- مرحله چهارم (مرحله خواب عمیق است ) با درصد صحت تفکیک 85% برای داده های تست و 89% برای داده های آموزش میباشد که دارای پاسخ کامل و صحت بالای می باشد.

مراحل خواب ، توان نسبی طیفی ، آنتروپی طیفی، شبکه عصبیMLP