خلاصه خبر: طبقه¬بندی مراحل خواب با سیستم یادگیری عمیق از روی سیگنال EEG

• عنوان: طبقه¬بندی مراحل خواب با سیستم یادگیری عمیق از روی سیگنال EEG
• ارائه‌کننده: ابراهیم خلیلی
• استاد راهنما: دکتر بابک محمدزاده اصل
• استاد ناظر داخلی اول: دکتر زهرا بهمنی
• استاد ناظر خارجی اول: دکتر رضا ابراهیم پور (دانشگاه: شهید رجایی )
• مکان: اتاق شورا
• تاریخ: 98/11/14
• ساعت: 0930

چکیده: خواب یکی از نیازهای ضروری انسان برای ادامه حیات است به طوری که هر گونه اختلال در خواب سلامت انسان را به خطر می اندازد. تشخیص و طبقه¬بندی مراحل خواب در بررسی های تحقیقاتی و کلینیکی از اهمیت خاصی برخوردار است. طبقه بندی مراحل خواب توسط یک متخصص و با استفاده از سیگنال های حیاتی که از آزمایش PSG به دست می‌آورند، انجام می شود. به دلیل خطای انسانی و تعداد زیاد سیگنال های مورد استفاده جهت طبقه بندی، انجام این کار به صورت دستی کار وقت گیر و همراه با خطا می¬باشد. در پژوهش حاضر به طراحی روشی تمام خودکار جهت طبقه بندی مراحل خواب با سیگنال تک کانال EEG و با استفاده از مدل عمیق خواهیم پرداخت. گمان بر این است که روشهای طبقه بندی با مدل عمیق از کلیت بیشتری نسبت به روش های طبقه بندی با ویژگی های دستی برخوردار هستند. در مدل ارائه شده ویژگی¬های سیگنال تک کانال EEG (کانال Fpz-cz) به صورت خودکار با لایه های CNN استخراج می‌شوند و با استفاده از ترکیب TCNN و CRF مراحل خواب با ویژگی-های استخراج شده طبقه بندی می‌شوند. برای ارزیابی مدل ارائه شده، از دو پایگاه داده Expand-edf 2013 و Expand-edf 2018 استفاده کردیم. مقدار صحت و کاپا به ترتیب برای پایگاه‌داده اول 85.39% -0.80 و برای پایگاه‌داده دوم 82.46% - 0.76 به دست آمد. در تلاش دیگر برای بهبود نتایج مدل، ترکیب 208 ویژگی از 807 ویژگی زمانی ، فرکانسی و غیر خطی استخراج شده، انتخاب شد و این ویژگی¬ها همراه با ویژگی¬های استخراج شده توسط مدل عمیق برای طبقه¬بندی به ترکیب شبکه¬ی TCNN + CRF و فیلتر مارکوف داده شد که بهبودی در نتایج حاصل نشد.
کلمات کلیدی: TEXT