تشخیص و مرحله بندی خودکار مراحل خواب بر اساس سیگنال EEG با استفاده از ویژگی های چنددامنه ای و الگوریتم های یادگیری ماشین

خواب نقش بنیادی در سلامت جسمی، شناختی و روانی دارد و اختلال در معماری خواب با افزایش خطر بیماری های قلبی–عروقی، دیابت، افسردگی و اختلالات شناختی همراه است. تشخیص و مرحله بندی دقیق خواب برای ارزیابی اختلالات خواب و طراحی مداخلات درمانی موثر ضروری است، اما هنوز به طور گسترده بر امتیازدهی دستی پلی سومنوگرافی توسط متخصصان بر اساس راهنمای آکادمی پزشکی خواب آمریکا متکی است؛ فرایندی زمان بر و مستعد خطای بین امتیازدهنده ها و درون امتیازدهنده ها است. با گسترش پایگاه های داده استاندارد نظیر Sleep-EDF و ابزارهای پردازش سیگنال و یادگیری ماشین، روش های خودکار مرحله بندی خواب به سرعت توسعه یافته اند و در بسیاری از مطالعات عملیاتی نزدیک یا هم تراز با متخصصان گزارش شده اند. در این مقاله، یک سامانه سبک برای طبقه بندی پنج کلاسه مراحل خواب (بیداری، N۱، N۲، N۳ و REM) بر اساس دو کانال EEG از زیرمجموعه Sleep-Cassette پایگاه Sleep-EDF ارائه می شود. داده ها پس از پیش پردازش و هم ترازی با هیپنودرگم به ایپک های ۳۰ ثانیه ای تقسیم و ایپک های دارای برچسب «حرکت» یا «نامشخص» کنار گذاشته شدند. برای جلوگیری از غالب شدن چند فرد با رکوردهای طولانی، سقفی برای تعداد ایپک قابل استفاده از هر فرد اعمال و با نمونه گیری مجدد، کلاس ها تا حد امکان متعادل شدند؛ خروجی این مرحله ۱۴۰۵۲ ایپک در پنج کلاس (بیداری، N۱، N۲، N۳ و REM) از ۱۵۳ فرد بود. برای هر ایپک و هر کانال EEG مجموعه ای از ۴۴ ویژگی چنددامنه ای شامل ویژگی های زمانی، طیفی، پارامترهای هیورث، آنتروپی ها و شاخص های همبستگی بین کانالی استخراج شد. سپس طبقه بندهای جنگل تصادفی، ماشین بردار پشتیبان، نزدیک ترین همسایه k، گرادیان بوستینگ و مدل رای گیری نرم آموزش داده شدند. بهترین عملکرد مربوط به گرادیان بوستینگ با دقت کلی ۹۴.۱۳٪ و ضریب کاپای ۰.۸۵۵۶ در تقسیم ۳-۱ مطالعه روی پایگاه داده و پیش پردازش داده های این مطالعه از زیرمجموعه Sleep-Cassette پایگاه Sleep-EDF استخراج شده است. در این زیرمجموعه، برای هر ثبت شبانه دو کانال EEG (معمولا Fpz-Cz و Pz-Oz)، یک کانال EOG و EMG کاناله با نرخ نمونه برداری ۱۰۰ هرتز ثبت و هیپنودرگم متناوب در ایپک های ۳۰ ثانیه ای بر اساس معیارهای R&K یا AASM تهیه شده است. در این کار ۱۵۳ رکورد دارای سیگنال و هیپنودرگم معتبر انتخاب شده اند. روی کانال های EEG یک فیلتر باندگذر باترورث مرتبه چهار در بازه ۰.۵ تا ۳۰ هرتز اعمال شد تا رانش فرکانس پایین و نویز فرکانس بالا حذف شود. سپس سیگنال ها به ایپک های متوالی ۳۰ ثانیه ای تقسیم و ایپک های دارای برچسب "حرکت" یا "نامشخص" کنار گذاشته شدند. برای جلوگیری از غالب شدن چند فرد با رکوردهای طولانی، سقفی برای تعداد ایپک قابل استفاده از هر فرد اعمال و با نمونه گیری مجدد، کلاس ها تا حد امکان متعادل شدند؛ خروجی این مرحله ۱۴۰۵۲ ایپک در پنج کلاس (بیداری، N۱، N۲، N۳ و REM) از ۱۵۳ فرد بود.

کلیدواژه ها:

تشخیص خودکار مراحل خواب ، سیگنال EEG ، یادگیری ماشین