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.
بیوالکتریک
سبحان شیخیوند؛ توحید یوسفی رضایی؛ زهره موسوی؛ سعید مشگینی
دوره 11، شماره 4 ، بهمن 1396، ، صفحه 313-325
چکیده
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 ...
بیشتر
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.