تشخیص خودکار اختلالات خواب با استفاده از مدل‌های یادگیری عمیق بر روی سیگنال‌های eeg

نجمه دهقانی قنات غستانی1

چکیده :
کیفیت خواب یکی از عوامل کلیدی در سلامت جسمی، عملکرد شناختی و بهبود کیفیت زندگی بزرگسالان به شمار می‌رود. اختلالات خواب با ایجاد اختلال در ساختار مراحل و چرخه‌های خواب، می‌توانند زمینه‌ساز بروز یا تشدید بیماری‌های مزمن از جمله اختلالات قلبی‌عروقی، متابولیک و مشکلات روان‌شناختی شوند. از این رو، تشخیص خودکار و دقیق مراحل خواب و شناسایی زودهنگام ناهنجاری‌های مرتبط با آن، اهمیت فراوانی در مراقبت‌های سلامت و تحقیقات بالینی پیدا کرده است. سیگنال‌های الکتروانسفالوگرافی (EEG) به عنوان ابزار استاندارد برای ارزیابی مراحل خواب، جایگاهی محوری در تحلیل وضعیت خواب بزرگسالان دارند. روش‌های سنتی تحلیل این سیگنال‌ها بر استخراج ویژگی‌های دستی در حوزه‌های زمان، فرکانس، ریخت‌شناسی و الگوهای مکانی تکیه دارند. با وجود کاربرد گسترده، این روش‌ها به فرآیندهای طولانی، وابستگی به متخصص و محدودیت در مدل‌سازی وابستگی‌های زمانی دچارند و بنابراین برای نظارت‌های بلندمدت کارآمد نیستند. در سال‌های اخیر، ترکیب الگوریتم‌های یادگیری ماشین با مدل‌های احتمالاتی مانند مدل مخفی مارکوف (HMM) به‌طور قابل توجهی دقت طبقه‌بندی مراحل خواب را افزایش داده است. در این رویکرد، ابتدا مجموعه‌ای از ویژگی‌های متنوع و مؤثر استخراج می‌شود و سپس با بهره‌گیری از تحلیل افزونگی و ارتباط، ویژگی‌های بهینه انتخاب می‌گردند. خروجی این مرحله به یک طبقه‌بند جنگل تصادفی و یک HMM متوالی داده می‌شود تا الگوهای زمانی و گذارهای ساختاریافته بین مراحل خواب به‌درستی مدل شوند. تحولات اخیر در یادگیری عمیق نیز نقش قابل توجهی در ارتقای عملکرد سیستم‌های تشخیص مراحل خواب داشته‌اند. مدل‌های کانولوشنی، بازگشتی و ترکیبی قادرند به صورت خودکار ویژگی‌های مرتبط را از سیگنال EEG استخراج کنند و با بهره‌گیری از پردازش چندکاناله، الگوهای پیچیده زمانی–مکانی را شناسایی نمایند. ترکیب این مدل‌ها با HMM باعث افزایش دقت و پایداری طبقه‌بندی شده است. بر اساس مطالعات موجود، بهره‌گیری از یادگیری عمیق در کنار مدل‌های احتمالاتی می‌تواند به توسعه سامانه‌های پایش خواب خودکار، دقیق و کم‌هزینه منجر شود و زمینه‌ای موثر برای تشخیص و مدیریت اختلالات خواب فراهم آورد.

کلمات کلیدی : الکتروانسفالوگرافی (eeg) استخراج ویژگی مدل‌های یادگیری اختلال خواب


زبان مقاله : فارسی
محور مقاله : مهندسی پزشکی
محل انتشار : کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری
آدرس وب سایت کنفرانس : itnaf.ir
کد IOI مقاله : AAHD-ABEEKF
لینک مستقیم مقاله : https://isnac.ir/AAHD-ABEEKF

سایر مقالات محل انتشار
  1. A Study on Design Understandability and Interaction of the therapy-specific Robots
  2. طراحی و مهندسی یک حسگر زیستی نوری چند مدی پلاسمونیک مبتنی بر تشدیدگرهای حلقه شکاف برای سنجش جامع آنتی‌ژن
  3. طراحی یک اسیلاتورکنترل شونده با ولتاژ با نویز فاز بسیار پایین و بازه وسیع فرکانسی با تکنولوژی نانولوله کربنی برای کاربردهای PLL
  4. یک چارچوب هوشمند آگاه به زمینه برای ارتباطات V2V و V2Iدر شبکه‌های خودرویی شهرهای هوشمند با استفاده از داده‌های ترافیکی شبکه سلولی
  5. An Ensemble Non-Dominated Feature Selection Method: A Case Study on Prostate Cancer
  6. تشخیص زودهنگام پوسیدگی دندان با استفاده از شبکه‌های عصبی
  7. Simulation and Performance Comparison of Torque Tube and LVDT Sensors in Displacer-Based Level Measurement Systems
  8. ارتقا سامانه ناوبری پهپاد مهاجر ۶ با استفاده از فناوری
  9. کاربرد نانوذرات مگنتیت (Fe3O4) در پزشکی (از سنتز تا عملکرد)
  10. Simulation and Modeling of Floating-Gate Non-Volatile Memory Performance: Focus on Oxide Thickness, Programming Speed, and Charge Transport Mechanisms
  11. Fraud Analytics with Big Data: A Literature Review on Machine Learning Algorithms in Bankruptcy Prediction and Financial Fraud Detection
  12. تحلیل آینده‌پژوهانه هم‌گرایی هوش مصنوعی، فناوری نانو و فناوری اطلاعات در مسیر تحول صنعتی آینده
  13. نقش تحول دیجیتال در خدمات کتابخانه‌های عمومی برای توان‌یابان جسمی و ذهنی
  14. Prediction and Optimization of Oxygen Production under Microgravity Conditions Using Machine Learning
  15. Simulation and Performance Comparison of Ultrasonic, Non-Contact Radar, and Guided Wave Radar Sensors in Level Measurement Systems