ترکیب طبقه بندها جهت تشخیص خودکار مراحل مختلف خواب از روی سیگنال eeg

خواب سالم نقش مهمی در زندگی روزانه افراد دارد، چرا که در عملکرد کاری، ارتباط با دیگران، حالات اخلاقی و ذهنی آن ها تأثیرگذار است. یکی از اقدامات مهم در تشخیص مشکلات بالقوه ی خواب، طبقه بندی خودکار مراحل خواب است. طبقه بندی مراحل خواب به صورت دستی که توسط افراد خبره صورت می گیرد، کاری بسیار بغرنج و زمان بر است. در این پایان نامه، پیشنهادی نو برای بهبود عملکرد طبقه بندی خودکار مراحل خواب ارائه شده است. این روش بر پایه سیگنال eeg، انتخاب ویژگی و ترکیب طبقه بندها استوار است. ابتدا مجموعه ای از ویژگی های مختلف در حوزه فرکانس، زمان و تبدیل موجک از دو کانال سیگنال eeg استخراج شده است. سپس، برای هر طبقه بند، به صورت جداگانه و با استفاده از روش "انتخاب ترتیبی پیشرو"، بهترین ویژگی ها انتخاب شده است. طبقه بندهای استفاده شده عبارت از تحلیل تمایز خطی (lda)، k همسایه نزدیک تر (k-nn)، و درخت تصمیم گیری (dt) می باشند. از ویژگی های انتخاب شده، به عنوان داده ی ورودی به طبقه بندها استفاده کرده و عملکرد هر کدام بررسی گردید. از آنجایی که هر طبقه بند نقاط قوت و ضعف خاص خودش را دارد و تنها مرحله یا مراحلی از خواب را با نرخ بالا طبقه بندی می کند، تصمیم گرفته-شد تا با ترکیب خروجی طبقه بندها بر این مشکل غلبه کنیم. بدین وسیله از مزایای همه ی طبقه بندها در شناسایی و تفکیک مطلوب همه ی مراحل خواب بهره می بریم. از روش ساده و معروف رأی گیری اکثریت (majority voting) برای ترکیب خروجی طبقه بندها استفاده شده است. نتایج به دست آمده نشان دادند که نرخ کلی طبقه بندی lda، k-nn و dt به ترتیب 70.00 % و 68.72 % و 72.38 % بودند که با ترکیب آن ها به نرخ نهایی 77.57 % رسیدیم و درنهایت توانستیم عملکرد طبقه بندهای پایه را تا حد قابل قبولی بهبود بخشیم تا همه ی مراحل خواب به خوبی شناسایی و تفکیک شوند.