ارزیابی قابلیت ویژگی های زمانی، فرکانسی سیگنال eeg و ویژگی های مستخرج از تبدیل بسته موجک در تفکیک مراحل مختلف خواب با استفاده از شبکه som

سیگنال های زیستی مختلف شامل eeg، eogو emgبه منظور تشخیص اختلالات خواب در آزمایشگاه های خواب ثبت می شوند. تحلیل اطلاعات ثبت شده در زمان خواب به وسیله متخصص خواب، به صورت شهودی انجام می شود. طبقه بندی شهودی مراحل خواب به دلیل طولانی بودن ثبت ها، کار زمان بر و خسته کننده ای است. تحلیل خودکار خواب می تواند این امر را تسهیل کند. مهم ترین گام برای طبقه بندی خودکار مراحل خواب، استخراج ویژگی های مناسب است. در این تحقیق دو دسته ویژگی از سیگنال eegاستخراج شدند: دسته اول ویژگی هایی هستند که از روی ضرایب تبدیل بسته های موجک (wpt) محاسبه شده اند و دسته دوم شامل تعدادی از ویژگی های فرکانسی و یک ویژگی زمانی یعنی دامنه سیگنال eegهستند. در ادامه این دو مجموعه از ویژگی ها به طور مجزا به وسیله شبکه های عصبی somبه فضای دوبعدی نگاشته شدند. نگاشت به دست آمده نشان داد که این ویژگی ها در جدا کردن خودکار مراحل خواب بسیار مفیدند. اطلاعات استخراج شده از eegبیداری و خواب عمیق به دو ناحیه کاملاً مجزا نگاشته شدند. این نگاشت همچنین نشان داد که سیگنالeegبه تنهایی برای جدا کردن کامل مراحل خواب کافی نیست زیرا وقتی اطلاعات مستخرج از سیگنال eegدر خواب remو مرحله 1 از خواب nremبه ناحیه یکسان نگاشت شدند، اطلاعات استخراج شده از سیگنال eegدر مرحله 2 خواب با سایر مراحل همپوشانی دارد که این نتایج منطبق با تعاریف فیزیولوژی مراحل خواب است.