طبقه بندی خودکار مراحل خواب توسط یک ساختار ترکیبی مبتنی بر مکانیزم توجه چند سر فرکانسی و شبکه عصبی پیچشی

تقریبا یک سوم زندگی انسان در خواب سپری می شود و اختلالات خواب می توانند به طور قابل توجهی بر کیفیت زندگی و عملکرد شناختی تاثیر بگذارند؛ از این رو، تشخیص دقیق مراحل خواب از اهمیت ویژه ای برخوردار است. در این پژوهش، یک مدل ترکیبی موازی سبک وزن برای طبقه بندی خودکار مراحل خواب با استفاده از سیگنال های EEG ارائه شده است. در این مدل، ویژگی های حاصل از اعمال مکانیزم توجه چندسر (MHA) بر محتوای طیفی سیگنال های EEG با ویژگی های استخراج شده از لایه های پیچشی یک بعدی (۱D-CNN) ادغام شدند. ترکیب ویژگی های طیفی بهبود یافته توسط MHA با ویژگی های زمانی استخراج شده از CNN، منجر به افزایش چشمگیر دقت طبقه بندی شد. مدل پیشنهادی بر روی مجموعه داده Sleep_Edf_۲۰ به دقت کلی ۸۱ درصد در طبقه بندی مراحل خواب دست یافت، که نشان دهنده عملکرد رقابتی آن نسبت به معماری های سنگین تر است. برای نشان دادن برتری مدل پیشنهادی، شبکه عصبی پیچشی یک بعدی، در سه ساختار مختلف با مکانیزم توجه چند سر ترکیب گردید. نتایج نشان داد که ساختار پیشنهادی با تعداد پارامترکمتر، دقت بیشتری در طبقه بندی مراحل خواب دارد. بعلاوه برای مقابله با مشکل عدم توازن داده ها بین کلاس های مختلف مراحل خواب، از روش وزن دهی در تابع هزینه استفاده شد که بهبود محسوسی در شناسایی مراحل کم نمونه، به ویژه مرحله یک خواب ایجاد کرد.

کلیدواژه ها:

مکانیزم توجه ، تبدیل فوریه کوتاه مدت ، شبکه عصبی پیچشی ، طبقه بندی خودکار مراحل خواب ، سیگنال EEG