سبحان شیخیوند؛ سحرانه قائمی
دوره 13، شماره 3 ، مهر 1398، ، صفحه 209-222
چکیده
طبقهبندی خودکار مراحل خواب به منظور تشخیص به موقع اختلالات و مطالعات مرتبط با خواب امری ضروری است. در این مقاله یک الگوریتم مبتنی بر EEG تککاناله برای شناسایی خودکار مراحل خواب با استفاده از تبدیل موجک گسسته و مدل ترکیبی الگوریتم کلونی مورچگان و شبکهی عصبی مبتنی بر طبقهبند RUSBoost ارائه شده است. سیگنال با استفاده از تبدیل موجک گسسته ...
بیشتر
طبقهبندی خودکار مراحل خواب به منظور تشخیص به موقع اختلالات و مطالعات مرتبط با خواب امری ضروری است. در این مقاله یک الگوریتم مبتنی بر EEG تککاناله برای شناسایی خودکار مراحل خواب با استفاده از تبدیل موجک گسسته و مدل ترکیبی الگوریتم کلونی مورچگان و شبکهی عصبی مبتنی بر طبقهبند RUSBoost ارائه شده است. سیگنال با استفاده از تبدیل موجک گسسته به چهار سطح تجزیه شده و ویژگیهای آماری از هر یک از این سطوح استخراج شده است. جهت بهینهسازی و کاهش ابعاد بردارهای ویژگی، از یک مدل ترکیبی الگوریتم کلونی مورچگان و شبکهی عصبی چندلایهی پسانتشار خطا استفاده شده و سپس از آزمون ANOVA برای تایید صحت ویژگیهای بهینه بهره گرفته شده است. طبقهبندی نهایی روی این ویژگیهای بهینه شده توسط طبقهبند RUSBoost صورت گرفته و مشاهده شده است که به طور میانگین صحت طبقهبندی 2 تا 6-کلاس مراحل مختلف خواب بالای 90% بوده که نشان دهندهی درصد موفقیت بالاتر روش پیشنهادی در طبقهبندی مراحل خواب نسبت به پژوهشهای پیشین میباشد.