شناسايي خودكار مراحل خواب از سيگنال EEG تك كاناله با استفاده از تبديل موجك گسسته و مدل تركيبي الگوريتم كلوني مورچگان و شبكه عصبي مبتني بر طبقه‌بند RUSBoost

Automatic Stage Scoring of Single-Channel Sleep EEG using Discrete Wavelet Transform and a hybrid model of ant colony optimizer and neural network based on RUSBoost Classifier

طبقه‌بندي كردن خودكار مراحل خواب به منظور تشخيص دادن به موقع اختلالات و مطالعات مرتبط با خواب امري ضروري است. در اين مقاله الگوريتمي مبتني بر EEG تك كاناله براي شناسايي خودكار مراحل خواب با استفاده از تبديل موجك گسسته و مدل تركيبي الگوريتم كلوني مورچگان و نيز شبكه عصبي مبتني بر طبقه‌بند RUSBoost ارائه مي‌شود. سيگنال با استفاده از تبديل موجك گسسته به 4 سطح تجزيه‌ شده و ويژگي‌هاي آماري از هر يك از سطوح تجزيه شده، استخراج ‌مي‌شود. جهت بهينه‌سازي كردن و كاهش ابعاد بردارهاي ويژگي، از يك مدل تركيبي الگوريتم كلوني مورچگان و نيز يك شبكه عصبي چندلايه پس انتشار خطا استفاده شده است. سپس از آزمون ANOVA براي تائيد صحت ويژگي‌هاي بهينه استفاده مي‌شود. طبقه‌بندي نهايي بر روي اين ويژگي‌هاي بهينه‌شده توسط طبقه‌بند RUSBoost انجام مي‌شود و به‌طور ميانگين براي طبقه‌بندي 2-كلاس تا 6-كلاس مراحل مختلف خواب صحت بالاي 90% را فراهم مي‌كند. نتايج نشان مي‌دهد كه روش پيشنهادي، درصد موفقيت بالاتري در طبقه‌بندي مراحل خواب نسبت به پژوهش‌هاي پيشين دارد

The automatic classification of sleep stages is essential for the timely detection of disorders and the sleep-related studires. In this paper, a single-channel EEG-based algorithm is used to automatically identify the sleep stages using discrete wavelet transform and the hybrid model of ant colony optimiser and the neural network based on RUSBoost. The signal is decomposed using a discrete wavelet transform into four levels and statistical properties of each level is calculated. To optimize and reduce the dimensions of feature vectors, the hybrid model of ant colony optimizer algorithm and the multi-layered neural network are used. Then ANOVA test is applied to validate the selected features. Finally the classification is performed on RUSBoost, which provides an average of 90% classification accuracy for 2 to 6-class classification of different steps of sleep EEG. Suggesting that the proposed method has higher degree of success in classifying sleep stages compared to the existing methods.