معرفي ويژگي نرخ دوطيفي فركانس‌هاي پايين به بالا به‌منظور تشخيص خواب عميق از بيداري با سيگنال الكتروانسفالوگرام

Introduction of low to high frequencies bispectrum rate feature for deep sleep detection from awakening by electroencephalogram

زمينه و هدف: تشخيص دقيق خواب عميق (خواب با امواج آهسته) از بيداري، باعث افزايش صحت طبقه‌بندي خواب به‌عنوان امري مهم در پزشكي خواهد شد. به‌دليل هزينه‌بر و وقت‌گير بودن تعيين دستي عمق خواب مي‌توان با پردازش سيگنال مغزي به‌صورت اتوماتيك عمق خواب را تعيين كرد. در اين مطالعه ويژگي جديدي از طيف مرتبه دوم سيگنال الكتروانسفالوگرام جهت تشخيص خواب عميق بررسي شد. روش بررسي: اين مطالعه مقطعي در دانشكده فناوري‌هاي نوين علوم پزشكي دانشگاه علوم‌ پزشكي اصفهان از بهمن 1395 تا مهر 1396 انجام شد. مطالعه بر روي 2598 تكه سيگنال الكتروانسفالوگرام دريافت‌شده از هشت نفر مي‌باشد. در اين مطالعه از مقادير طيف مرتبه دوم الكتروانسفالوگرام تصوير خاكستري ساخته شد و با آستانه‌گذاري اُتسو به تصوير باينري تبديل گشت. سپس ويژگي جديد نسبت تعداد بيت‌هاي سفيد بالاي قطر فرعي به پايين آن (نرخ دوطيفي فركانس‌هاي پايين به بالا) از تصوير استخراج شد. يافته‌ها: ويژگي‌هاي مبتني بر انرژي از جمله مهمترين روش‌هاي پردازش سيگنال‌هاي حياتي هستند. نرخ دوطيفي فركانس‌هاي پايين به بالا، قادر است با درستي 99/50% حالت بيداري را از خواب عميق جدا كند درحالي‌كه براساس نتايج به‌دست‌آمده ويژگي‌هاي مبتني بر انرژي چنين توانايي ندارند. نتيجه‌گيري: ويژگي معرفي‌شده كارايي لازم را براي استفاده در تعيين اتوماتيك عمق خواب دارا است. درستي به‌دست‌آمده در تفكيك خواب عميق و بيداري با ويژگي معرفي‌شده بيش از درستي به‌دست‌آمده به‌وسيله همه ويژگي‌هاي مبتني بر انرژي سيگنال است. مي‌توان از اين ويژگي در همه كارهايي كه در آن‌ها از طيف مرتبه دوم استفاده مي‌شود (مانند تعيين عمق بيهوشي)، استفاده كرد.

Background: Accurate detection of deep sleep (Due to the low frequency of the brain signal in this part of sleep, it is also called slow-wave sleep) from awakening increases the sleep staging accuracy as an important factor in medicine. Depending on the time and cost of manually determining the depth of sleep, we can automatically determine the depth of sleep by electroencephalogram (EEG) signal processing. In this paper a new EEG bispectrum based feature is introduced for deep sleep discrimination. Methods: This cross-sectional study was conducted at Isfahan University of Medical Sciences, Faculty of Advanced Technologies in Medicine, from February to October 2017. In this study a gray scale image was made of electroencephalogram bispectrum amounts and converted to binary image with Otsu’s Thresholding. Then the ratio of white bits in the above of the secondary diagonal to white bits in the down of secondary diagonal (low to high frequencies bispectrum rate) is extracted as a new feature. This feature is an effective method for detecting deep sleep from awakening. Results: One of the important methods in biomedical signal processing is the use of the power spectrum or signal energy. In sleep studies, energy-related features have also been used to determine the depth of sleep. Low to high frequencies bispectrum rate is able to separate deep sleep from awakening by accuracy of 99.50 percent, while energy-based features as one of the most important approaches to sleep classification do not have this ability. Conclusion: In this study we show that “Low to high frequencies bispectrum rate" feature has this capability to use in sleep staging. It is not used in previous works. The accuracy obtained in deep sleep separation from the awakening with the introduced feature (99.50 percent) is greater than the accuracy obtained by all the energy-based features (The simultaneous use of the 6 bands energy leads to 99.42 percent accuracy). This feature indicates the ratio of the phase coupling at low frequencies to high frequencies and can be used in all cases where the bispectrum is used (such as determining the depth of anesthesia).