شناسایی خودکار مراحل خواب از سیگنال EEG تک کاناله با استفاده از تبدیل موجک گسسته و مدل ترکیبی الگوریتم تبرید و شبکه ی عصبی

در سال های اخیر، استفاده از روشی هوشمند برای تشخیص خودکار مراحل خواب در کاربردهای پزشکی، برای کاهش حجم کار پزشکان در تجزیه و تحلیل داده های خواب از طریق بازرسی بصری، یکی از چالش های مهم به حساب می آید. در این مقاله، الگوریتمی مبتنی بر EEG تک کاناله برای شناسایی خودکار مراحل خواب، با استفاده از تبدیل موجک گسسته و مدل ترکیبی الگوریتم تبرید و شبکه ی عصبی ارایه می شود. سیگنال با استفاده از تبدیل موجک گسسته به 7 سطح تجزیه شده و ویژگی های آماری از هر یک از سطوح تجزیه شده، استخراج می گردد. جهت بهینه سازی و کاهش ابعاد بردارهای ویژگی، از یک مدل ترکیبی الگوریتم تبرید و شبکه ی عصبی چندلایه ی پس انتشار خطا استفاده شده، و سپس از آزمون ANOVA برای تایید صحت ویژگی های بهینه استفاده می شود. طبقه بندی نهایی روی این ویژگی های بهینه شده توسط یک شبکه ی عصبی پرسپترون با یک لایه ی پنهان انجام می شود، که به طور میانگین برای طبقه بندی 2-کلاس تا 6-کلاس مراحل مختلف خواب دقت بالای 90% را فراهم کرده و نشان می دهد که روش پیشنهادی درصد موفقیت بالاتری در طبقه بندی مراحل خواب نسبت به پژوهش های پیشین دارد.