داده کاوی سیگنالهای EEG جهت طبقه بندی مراحل خواب با استفاده از مدلهای مخفی مارکوف (HMM)

طبق آمارهای ارایه شده از سوی سازمان بهداشت جهانی حدود 30% از جمعیت جهان از اختلالات خواب رنج می برند. این مشکل توانایی کاری و سلامت ذهنی این افراد را به مخاطره می اندازد. سطح نرمال فعالیت ذهنی توسط سیکلهای خواب بیداری مشخص می شود. تشخیص سیکل خواب و مراحلی که شخص در حین خواب طی می کند. کاربردهای مختلف درمانی و تحقیقاتی مانند بررسی انواع بیخوابی و بررسی رفتار کودکان دارد. در گذشته تکنیسین های آموزش دیده به طور دستی با بررسی سیگنالهای حیاتی به تشخیص مراحل خواب در هر 30 ثانیه از داده ها می پرداختند اما مروزه با استفاده از تکنیکهای مختلف داده کاوی و باشناسایی الگو توانسته اند به درصد بالایی از تفکیک مراحل خواب دست یابند. تشخیص مراحل خواب نیازمند روشی مناسب است که بتواند هر مرحله را همانند روشهای دستی و با استفاده از دانشهای موجود در این زمینه تعیین نماید. تشخیص مراحل خواب نیازمند روشی مناسب است تا بتواند هر مرحله را همانند روشهای دستی و با استفاده از دانشهای موجود در این زمینه تعیین نماید. در این تحقیق با داده کاوی داده های EOG,EEG در حین خواب به منظور استخراج ویژگیهای آماری و فرکانسی مناسب از آنها و همچنین مرحلۀ قبلی خواب به عنوان یک ویژگی، با استفاده از مدلهای مخفی مارکوف (HMM) به تعیین مراحل خواب پرداخته شده است. نتایج نشان میدهد مدل مخفی مارکوف (HMM) پس از آموزش توانسته است مرحله IV خواب (خواب عمیق) را با دقت 73.5% از سایر مراحل تفکیک کند.

کلیدواژه ها:

داده کاوی ، استخراج ویژگی ، الکتروآنسفالوگرام ، مراحل خواب ، مدل مخفی مارکوف