شناسايي خودكار مراحل خواب از سيگنال EEG تك‌كاناله با استفاده از تجزيۀ حالت تجربي دسته‌اي كامل و مدل تركيبي الگوريتم ژنتيك و شبكۀ عصبي

Automatic Stage Scoring of Single-Channel Sleep EEG using CEEMD of Genetic Algorithm and Neural Network

استفاده از روشي هوشمند براي تشخيص خودكار مراحل خواب در كاربردهاي پزشكي به‌منظور كاهش حجم كار پزشكان در تجزيه و تحليل داده‌هاي خواب با بازرسي بصري يكي از مسئله‌هاي مهم در سال‌هاي اخير است. در اين مقاله، الگوريتمي مبتني بر EEG تك‌كاناله براي شناسايي خودكار مراحل خواب با استفاده از روش تجزية حالت تجربي دسته‌اي كامل و مدل تركيبي الگوريتم ژنتيك و شبكة عصبي ارائه مي‌شود. سيگنال با استفاده از تجزية حالت تجربي دسته‌اي كامل به توابع حالت ذاتي خود، تجزيه و ويژگي‌هاي آماري از هريك از توابع حالت ذاتي استخراج مي‌شود. براي بهينه‌سازي و كاهش ابعاد بردارهاي ويژگي از مدل تركيبي الگوريتم ژنتيك و شبكة عصبي چندلايه پس انتشار خطا استفاده شده است. سپس از آزمون مك‌نمار براي تأييد صحت ويژگي‌هاي بهينه استفاده مي‌شود. شبكة عصبي پرسپترون با يك لايه پنهان، طبقه‌بندي نهايي روي اين ويژگي‌هاي بهينه‌شده را انجام مي‌دهد و به‌طور ميانگين براي طبقه‌بندي 2-كلاس تا 6-كلاس، مراحل مختلف خواب به‌ترتيب صحت 98/90%، 97/10%، 96/70%، 94/80% و 93/80% و ضريب كاپا كوهن 0/98، 0/95، 0/95، 0/83 و 0/9 را فراهم مي‌كند و نشان مي‌دهد روش پيشنهادي، درصد موفقيت بيشتري در طبقه‌بندي مراحل خواب نسبت به پژوهش‌هاي پيشين دارد.

Using an intelligent method to automatically detect sleep patterns in medical applications is one of the most important challenges in recent years to reduce the workload of physicians in analyzing sleep data through visual inspection. In this paper, a single-channel EEG-based algorithm is presented for automatic recognition of sleep stages using complete ensemble empirical mode decomposition and combined model of genetic algorithm and neural network. The signal is decomposed into IMFs using the complete ensemble empirical mode decomposition and statistical properties of each of the inherent state functions are extracted. In order to optimize and reduce the dimension of the feature vectors, a hybrid model of genetic algorithm and multi-layer propagation neural network is used. Then, McNemar's test is used to confirm the accuracy of the selected features. The final classification is performed on these optimized properties by a perceptron neural network with a hidden layer. On the average, classification accuracy of 98.9%, 97.1%, 96.7%, 94.8% and 93.8% are obtained respectively for 2, 3, 4, 5 and 6 classes with corresponding Kappa cohen coefficients of 0.98, 0.95, 0.95, 0.83 and 0.90. The results prove that the proposed sleep stage classification method has better performance compared to the previously existing methods.