تشخیص خودکار اختلالات خواب با استفاده از مدلهای یادگیری عمیق بر روی سیگنالهای EEG

سال انتشار: 1405
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 17

فایل این مقاله در 12 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ITNAF01_0140

تاریخ نمایه سازی: 14 آبان 1405

چکیده مقاله:

کیفیت خواب یکی از عوامل کلیدی در سلامت جسمی، عملکرد شناختی و بهبود کیفیت زندگی بزرگسالان به شمار می رود. اختلالات خواب با ایجاد اختلال در ساختار مراحل و چرخه های خواب می توانند زمینه ساز بروز یا تشدید بیماری های مزمن از جمله اختلالات قلبی عروقی، متابولیک و مشکلات روان شناختی شوند. از این رو، تشخیص خودکار و دقیق مراحل خواب و شناسایی زودهنگام ناهنجاری های مرتبط با آن اهمیت فراوانی در مراقبت های سلامت و تحقیقات بالینی پیدا کرده است. سیگنال های الکتروانسفالوگرافی (EEG) به عنوان ابزار استاندارد برای ارزیابی مراحل خواب جایگاهی محوری در تحلیل وضعیت خواب بزرگسالان دارند. روش های سنتی تحلیل این سیگنال ها بر استخراج ویژگی های دستی در حوزه های زمان، فرکانس، ریخت شناسی و الگوهای مکانی تکیه دارند. با وجود کاربرد گسترده این روش ها، به فرآیندهای طولانی، وابستگی به متخصص و محدودیت در مدل سازی وابستگی های زمانی دچارند و بنابراین برای نظارت های بلندمدت کارآمد نیستند. در سال های اخیر ترکیب الگوریتم های یادگیری ماشین با مدل های احتمالاتی مانند مدل مخفی مارکوف (HMM) به طور قابل توجهی دقت طبقه بندی مراحل خواب را افزایش داده است. در این رویکرد، ابتدا مجموعه ای از ویژگی های متنوع و موثر استخراج می شود و سپس با بهره گیری از تحلیل افزونگی و ارتباط، ویژگی های بهینه انتخاب می گردند. خروجی این مرحله به یک طبقه بند جنگل تصادفی و یک HMM متوالی داده می شود تا الگوهای زمانی و گذارهای ساختاریافته بین مراحل خواب به درستی مدل شوند. تحولات اخیر در یادگیری عمیق نیز نقش قابل توجهی در ارتقای عملکرد سیستم های تشخیص مراحل خواب داشته اند. مدل های کانولوشنی، بازگشتی و ترکیبی قادرند به صورت خودکار ویژگی های مرتبط را از سیگنال EEG استخراج کنند و با بهره گیری از پردازش چند کاناله، الگوهای پیچیده زمانی مکانی را شناسایی نمایند. ترکیب این مدل ها با HMM باعث افزایش دقت و پایداری طبقه بندی شده است. بر اساس مطالعات موجود، بهره گیری از یادگیری عمیق در کنار مدل های احتمالاتی می تواند به توسعه سامانه های پایش خواب خودکار دقیق و کم هزینه منجر شود و زمینه ای موثر برای تشخیص و مدیریت اختلالات خواب فراهم آورد.

نویسندگان

نجمه دهقانی قنات غستانی

دانشگاه صنعتی همدان