تشخیص مراحل خواب با کمک جنگل تصادفی و ویژگی¬های فرکانسی استخراج شده از سیگنال¬های EEG و EOG

Abstract

تشخیص مراحل خواب یک فرایند مهم برای تحلیل خواب و همچنین تشخیص بسیاری از اختلالات مرتبط با خواب می¬باشد. از سوی دیگر دسته¬بندی مستقیم مراحل خواب توسط فرد متخصص و آموزش دیده با استفاده از بررسی چشمی نیز کاری سخت و زمانبر بوده و تا حدودی نیز در معرض خطای انسانی تکنسین مربوطه است. از همین رو تشخیص خودکار مراحل خواب توسط سیستمهای کامپیوتری مورد توجه پژوهشگران بوده است. در این پژوهش با استفاده از تکنیک یادگیری ماشین روشی خودکار برای تشخیص مراحل خواب ارائه شده است. روش ارائه شده صرفاً بر پایه ویژگی¬های فرکانسی استخراج شده از سیگنال مغز کار می¬کند. آزمایشهای انجام شده در این پژوهش شامل استفاده از دو کانال سیگنال EEG و یک کانال سیگنال EOG می¬باشد. نتایج آزمایشهای انجام شده نشان می¬دهد استفاده از ویژگی-های فرکانسی در کنار الگوریتم طبقه¬بندیِ جنگل تصادفی دقت بالایی در فرایند تشخیص مراحل خواب به همراه دارد. به ویژه هنگامی که سیگنالهای EEG و EOG در کنار هم مورد استفاده قرار گیرند نتایج الگوریتم دسته¬بندی دقیق¬تر خواهد بود.