شناسایی خودکار مراحل خواب از سیگنال EEG تک‌کاناله با استفاده از تجزیۀ حالت تجربی دسته‌ای کامل و مدل ترکیبی الگوریتم ژنتیک و شبکۀ عصبی

Abstract

استفاده از روشی هوشمند برای تشخیص خودکار مراحل خواب در کاربردهای پزشکی به‌منظور کاهش حجم کار پزشکان در تجزیه و تحلیل داده‌های خواب با بازرسی بصری یکی از مسئله‌های مهم در سال‌های اخیر است. در این مقاله، الگوریتمی مبتنی بر EEG تک‌کاناله برای شناسایی خودکار مراحل خواب با استفاده از روش تجزیة حالت تجربی دسته‌ای کامل و مدل ترکیبی الگوریتم ژنتیک و شبکة عصبی ارائه می‌شود. سیگنال با استفاده از تجزیة حالت تجربی دسته‌ای کامل به توابع حالت ذاتی خود، تجزیه و ویژگی‌های آماری از هریک از توابع حالت ذاتی استخراج می‌شود. برای بهینه‌سازی و کاهش ابعاد بردارهای ویژگی از مدل ترکیبی الگوریتم ژنتیک و شبکة عصبی چندلایه پس انتشار خطا استفاده شده است. سپس از آزمون مک‌نمار برای تأیید صحت ویژگی‌های بهینه استفاده می‌شود. شبکة عصبی پرسپترون با یک لایه پنهان، طبقه‌بندی نهایی روی این ویژگی‌های بهینه‌شده را انجام می‌دهد و به‌طور میانگین برای طبقه‌بندی 2-کلاس تا 6-کلاس، مراحل مختلف خواب به‌ترتیب صحت 90/98%، 10/97%، 70/96%، 80/94% و 80/93% و ضریب کاپا کوهن 98/0، 95/0، 95/0، 83/0 و 9/0 را فراهم می‌کند و نشان می‌دهد روش پیشنهادی، درصد موفقیت بیشتری در طبقه‌بندی مراحل خواب نسبت به پژوهش‌های پیشین دارد.<br />