ارزيابي قابليت ويژگي‌هاي زماني، فركانسي سيگنال EEG و ويژگي‌هاي مستخرج از تبديل بسته موجك در تفكيك مراحل مختلف خواب با استفاده از شبكه SOM

Assessment of Time, Frequency, and Wavelet Packet Transform Features Extracted from EEG for Sleep Staging using Self Organizing Maps (SOM)

سيگنال‌هاي زيستي مختلف شامل EEG، EOG و EMG به منظور تشخيص اختلالات خواب در آزمايشگاه‌هاي خواب ثبت مي‌شوند. تحليل اطلاعات ثبت شده در زمان خواب به‌وسيله متخصص خواب، به صورت شهودي انجام مي‌شود. طبقه‌بندي شهودي مراحل خواب به دليل طولاني بودن ثبت‌ها، كار زمان‌بر و خسته كننده‌اي است. تحليل خودكار خواب مي‌تواند اين امر را تسهيل كند. مهم‌ترين گام براي طبقه‌بندي خودكار مراحل خواب، استخراج ويژگي‌هاي مناسب است. در اين تحقيق دو دسته ويژگي از سيگنال EEG استخراج شدند: دسته اول ويژگي‌هايي هستند كه از روي ضرايب تبديل بسته‌هاي موجك (WPT) محاسبه شده‌اند و دسته دوم شامل تعدادي از ويژگي‌هاي فركانسي و يك ويژگي زماني يعني دامنه سيگنال EEG هستند. در ادامه اين دو مجموعه از ويژگي‌ها به طور مجزا به‌وسيله شبكه‌هاي عصبي SOM به فضاي دوبعدي نگاشته شدند. نگاشت به‌دست آمده نشان داد كه اين ويژگي‌ها در جدا كردن خودكار مراحل خواب بسيار مفيدند. اطلاعات استخراج شده از EEG بيداري و خواب عميق به دو ناحيه كاملاً مجزا نگاشته شدند. اين نگاشت همچنين نشان داد كه سيگنال EEG به‌تنهايي براي جدا كردن كامل مراحل خواب كافي نيست زيرا وقتي اطلاعات مستخرج از سيگنال EEG در خواب REM و مرحله 1 از خواب NREM به ناحيه يكسان نگاشت شدند، اطلاعات استخراج شده از سيگنال EEG در مرحله 2 خواب با ساير مراحل همپوشاني دارد كه اين نتايج منطبق با تعاريف فيزيولوژي مراحل خواب است.

Different biological signals including EEG, EOG, and EMG are recorded in sleep labs to diagnose sleep disorders. Data recorded during sleep is usually analyzed by sleep specialists visually. Since the sleep data is usually recorded for a long time period- namely a whole night- its visual inspection and classification is a very demanding and time consuming task so automatic analysis can definitely facilitate that. The key to automatic sleep staging is to extract suitable features. In the current study two classes of features are extracted from EEG signal. The first group is the features calculated from the coefficients of wavelet packet transformation (WPT) and the second group consists of a number of frequency features and a time feature, the amplitude of EEG signal itself. These two sets of features were separately mapped on a two dimensional space by SOM neural networks. The mappings indicated that these features are highly discriminative in separating sleep stages automatically. The data extracted from awake and deep sleep EEGs were mapped on two totally different regions. The mapping also indicated that EEG signal is not enough to separate stages thoroughly, as extracted data from EEG during REM and the first stage of NREM are mapped on the same region. Data extracted from EEG signals in the second stage overlapped with other stages which are in agreement with physiological definition of sleep stages.