شناسایی خودکار مراحل خواب از سیگنال EEG تک‌کاناله با استفاده از تبدیل موجک گسسته و مدل ترکیبی الگوریتم تبرید و شبکه‌ی عصبی

در سال‌های اخیر، استفاده از روشی هوشمند برای تشخیص خودکار مراحل خواب در کاربردهای پزشکی، برای کاهش حجم کار پزشکان در تجزیه و تحلیل داده‌های خواب از طریق بازرسی بصری، یکی از چالش‌های مهم به حساب می‌آید. در این مقاله، الگوریتمی مبتنی بر EEG تک‌کاناله برای شناسایی خودکار مراحل خواب، با استفاده از تبدیل موجک گسسته و مدل ترکیبی الگوریتم تبرید و شبکه‌ی عصبی ارائه می‌شود. سیگنال با استفاده از تبدیل موجک گسسته به 7 سطح تجزیه‌ شده و ویژگی‌های آماری از هر یک از سطوح تجزیه شده، استخراج ‌می‌گردد. جهت بهینه‌سازی و کاهش ابعاد بردارهای ویژگی، از یک مدل ترکیبی الگوریتم تبرید و شبکه‌ی عصبی چندلایه‌ی پس انتشار خطا استفاده شده، و سپس از آزمون ANOVA برای تائید صحت ویژگی‌های بهینه استفاده می‌شود. طبقه‌بندی نهایی روی این ویژگی‌های بهینه‌شده توسط یک شبکه‌ی عصبی پرسپترون با یک‌لایه‌ی پنهان انجام می‌شود، که به طور میانگین برای طبقه‌بندی 2-کلاس تا 6-کلاس مراحل مختلف خواب دقت بالای 90% را فراهم کرده و نشان می‌دهد که روش پیشنهادی درصد موفقیت بالاتری در طبقه‌بندی مراحل خواب نسبت به پژوهش‌های پیشین دارد.