شبکه عصبی کانولوشنی کم هزینه برای طبقه بندی خودکار و کارآمد مراحل خواب با استفاده از اسپکتروگرام های EEG تک کاناله با قابلیت استفاده در کاربردهای بلادرنگ

مطالعه و ارزیابی دقیق خواب، و هم چنین طبقه بندی مراحل آن نقشی کلیدی در تشخیص اختلالات، بیماری ها و بررسی کیفیت زندگی دارد. با توجه به این که برچسب گذاری دستی سیگنال ها امری زمان بر است و دقت آن به مهارت ارزیاب ها وابسته است، در سال های اخیر روش های هوشمند برای خودکارسازی این فرایند معرفی شدند اما همچنان چالش هایی مانند نامتوازن بودن تعداد داده های مراحل خواب، به ویژه مرحله N۱ وجود دارد. در این پژوهش رویکردی با پیچیدگی محاسباتی کمتر برای طبقه بندی مراحل خواب ارائه شده که امکان استفاده در کاربردهای بلادرنگ و سامانه های پایش خواب با منابع محدود را فراهم می کند. در این رویکرد از سیگنال EEG تک کاناله و نمایش زمان-فرکانسی آن استفاده شد تا الگوهای مغزی در قالب تصویر، قابل تحلیل شود، سپس یک مدل کانولوشنی آموزش داده شد که بتواند بدون نیاز به سخت افزار های پرهزینه و پیچیده، مراحل خواب را طبقه بندی کند. هدف این طراحی، دستیابی به مدلی کارآمد، سبک و قابل استفاده در شرایط واقعی و کاربردهای عملی است که میان دقت طبقه بندی و پیچیدگی محاسباتی تعادل برقرار کند. ارزیابی ها نشان می دهد که مدل پیشنهادی با وجود ساختار فشرده، عملکرد بسیار مناسبی در تشخیص مراحل خواب دارد و به دقت کلی حدود ۸۵ درصد دست یافته است، همچنین در مرحله N۱ نیز دقت قابل قبولی را در مقایسه با پژوهش های مشابه نشان می دهد. رویکرد پیشنهادی با تمرکز بر کاهش پیچیدگی محاسباتی و ساده سازی ورودی ها طراحی شده است.

کلیدواژه ها:

طبقه بندی مراحل خواب ، اسپکتروگرام EEG ، شبکه عصبی کانولوشنی ، EEG تک کاناله