محمدرضا یوسفی نجف ابادی - دانشکده مهندسی برق، دانشگاه آزاد اسلامی، واحد نجف آباد، نجف آباد، ایران
محمد البهادلی - شرکت برق منطقه ای اصفهان، اصفهان، ایران

این مقاله به تشخیص و طبقه بندی مراحل خواب براساس سیگنال ECG با استفاده از الگوریتم های یادگیری ماشین می پردازد. مراحل خواب شامل بیداری، مراحل خواب REM و NREM هستند که هر کدام ویژگی ها و الگوهای خاص خود را دارند. در این مطالعه، از دو ویژگی مهم در تحلیل سیگنال ECG استفاده شده است، شامل تنفس مشتق شده از ECG (EDR ) و تنوع ضربان قلبی(HRV ). با استفاده از ویژگی های استخراج شده از سیگنال ECG و با استفاده از مدل های طبقه بندی مناسب، می توان مراحل خواب را به طور صحیح تشخیص داد. در این مقاله، از یک روش ترکیبی استفاده شده است که ترکیبی از الگوریتم های استخراج ویژگی و الگوریتم طبقه بندی است. این روش ترکیبی بهبود قابل توجهی در دقت و قابلیت تعمیم پذیری مدل طبقه بندی ارائه می دهد. نتایج آزمایشات بر روی مجموعه داده های واقعی نشان می دهد که دقت طبقه بندی برای تشخیص دو حالت خواب و بیدار برابر با ۸۱.۴% و دقت طبقه بندی برای تشخیص مراحل خواب REM و NREM برابر با ۷۴.۶% است. این نتایج نشان می دهد که روش ارائه شده قابلیت تشخیص و طبقه بندی مراحل خواب را بهبود بخشیده است.

تشخیص مرحله خواب، الکتروکاردیوگرام، تنفس ناشی از ECG، تغییرات ضربان قلب، ماشین بردار پشتیبانی