شناسایی خودکار مراحل خواب از سیگنال EEG تک کاناله با استفاده از تبدیل موجک گسسته و مدل ترکیبی الگوریتم کلونی مورچگان و شبکه عصبی مبتنی بر طبقه‌بند RUSBoost

نوع مقاله: مقاله کامل پژوهشی

نویسندگان

1 کنترل، دانشکده برق و کامپیوتر ، دانشگاه تبریز

2 گروه مهندسی پزشکی دانشکده برق و کامپیوتر، دانشگاه تبریز، تبریز، ایران

10.22041/ijbme.2019.100663.1432

چکیده

طبقه‌بندی کردن خودکار مراحل خواب به منظور تشخیص دادن به موقع اختلالات و مطالعات مرتبط با خواب امری ضروری است. در این مقاله الگوریتمی مبتنی بر EEG تک کاناله برای شناسایی خودکار مراحل خواب با استفاده از تبدیل موجک گسسته و مدل ترکیبی الگوریتم کلونی مورچگان و نیز شبکه عصبی مبتنی بر طبقه‌بند RUSBoost ارائه می‌شود. سیگنال با استفاده از تبدیل موجک گسسته به 4 سطح تجزیه‌ شده و ویژگی‌های آماری از هر یک از سطوح تجزیه شده، استخراج ‌می‌شود. جهت بهینه‌سازی کردن و کاهش ابعاد بردارهای ویژگی، از یک مدل ترکیبی الگوریتم کلونی مورچگان و نیز یک شبکه عصبی چندلایه پس انتشار خطا استفاده شده است. سپس از آزمون ANOVA برای تائید صحت ویژگی‌های بهینه استفاده می‌شود. طبقه‌بندی نهایی بر روی این ویژگی‌های بهینه‌شده توسط طبقه‌بند RUSBoost انجام می‌شود و به‌طور میانگین برای طبقه‌بندی 2-کلاس تا 6-کلاس مراحل مختلف خواب صحت بالای 90% را فراهم می‌کند. نتایج نشان می‌دهد که روش پیشنهادی، درصد موفقیت بالاتری در طبقه‌بندی مراحل خواب نسبت به پژوهش‌های پیشین دارد

کلیدواژه‌ها


عنوان مقاله [English]

Automatic Stage Scoring of Single-Channel Sleep EEG using Discrete Wavelet Transform and a hybrid model of ant colony optimizer and neural network based on RUSBoost Classifier

نویسندگان [English]

  • Sehraneh Ghaemi 1
  • sobhan sheykhivand 2
1 Faculty of Electrical & Computer Engineering, University of Tabriz
2 Faculty of Electrical and Computer Engineering, University of Tabriz, Tabriz, Iran
چکیده [English]

The automatic classification of sleep stages is essential for the timely detection of disorders and the sleep-related studires. In this paper, a single-channel EEG-based algorithm is used to automatically identify the sleep stages using discrete wavelet transform and the hybrid model of ant colony optimiser and the neural network based on RUSBoost. The signal is decomposed using a discrete wavelet transform into four levels and statistical properties of each level is calculated. To optimize and reduce the dimensions of feature vectors, the hybrid model of ant colony optimizer algorithm and the multi-layered neural network are used. Then ANOVA test is applied to validate the selected features. Finally the classification is performed on RUSBoost, which provides an average of 90% classification accuracy for 2 to 6-class classification of different steps of sleep EEG. Suggesting that the proposed method has higher degree of success in classifying sleep stages compared to the existing methods.

کلیدواژه‌ها [English]

  • Discrete wavelet transform
  • Automatic Sleep Stage Detection
  • Ant colony optimization algorithm
  • RUSBoost