عنوان

طبقه‌بندی خودکار مراحل خواب بر پایه‌ی تئوری ادغام اطلاعات,‮‭Automatic Sleep-Stage Classification Based on Information Fusion Theory‬

شماره

‭۲۱۸۴۷پ‬

زبان متن نوشتاري يا گفتاري و مانند آن

per

عنوان اصلي

طبقه‌بندی خودکار مراحل خواب بر پایه‌ی تئوری ادغام اطلاعات

عنوان اصلي به زبان ديگر

‮‭Automatic Sleep-Stage Classification Based on Information Fusion Theory‬

نام نخستين پديدآور

/مهدی عبداله‌پور

نام ناشر، پخش کننده و غيره

: مهندسی برق و کامپیوتر

تاریخ نشرو بخش و غیره

، ‮‭۱۳۹۸‬

نام توليد کننده

، افشاری

نام خاص و کميت اثر

‮‭۹۳‬ص‬

متن يادداشت

چاپی - الکترونیکی

جزئيات پايان نامه و نوع درجه آن

کاشناسی ارشد

نظم درجات

مهندسی‌پزشکی

زمان اعطا مدرک

‮‭۱۳۹۸/۰۶/۲۰‬

کسي که مدرک را اعطا کرده

تبریز

متن يادداشت

طبقه‌بندی مراحل خواب مهم ترین بخش ارزیابی کیفیت خواب افراد است .طبقه‌بندی مراحل خواب این امکان را فراهم می‌کند تا فرآیند خواب را بررسی کرده و بیماری‌های مرتبط با خواب را تشخیص داد .در روش سنتی افرا باید شب را جهت ضبط پلی سومنوگرافی) سیگنا ل‌های حیاتی (در کلینیک سپری کنند و پزشک خواب با مشاهده‌ی سیگنال‌ها، طبقه‌بندی خواب را انجام دهد که کاری زمان بر و خسته کننده بوده و از خطاهای انسانی تاثیر می‌گیرد .مطالعات جدید درصدد ارائه ی روش‌های تماما خودکار برای طبقه‌بندی هستند که در نتیجه نیاز به حضور پزشک و حضور فرد در کلینیک نباشد و انجام این کار در محل خواب همیشگی فرد ممکن شود .با وجود مطالعات گسترده در این حوزه به دلیل تمرکز بر روی استفاده از یک کانال از سیگنال مغزی برای طبقه بندی، نتایج به دست آمده به علت منبع اطلاعاتی محدود، تا حد ایده آل فاصله دارد .از این رو در این پایان‌نامه روشی جدید جهت ادغام دو منبع اطلاعاتی شامل سیگنال های‮‭EEG‬ و ‮‭EOG‬ برای تفکیک مراحل خواب با صحت بالا ارائه می‌شود .در روش پیشنهادی ویژگی‌های استخراج شده در دو گروه شامل ویژگی‌های طیفی سیگنال ‮‭EEG‬ و ترکیبی از ویژگی‌های آماری و غیر خطی ‮‭EEG‬ و ‮‭EOG‬ تقسیم شده و بردارهای ویژگی هر گروه به گراف‌های دیداری افقی تصویر می‌شوند .در ادامه تصاویر این گراف‌ها با ساختار مشخص ایجاد شده و به وسیله‌ی شبکه‌ی عصبی کانولوشنی ارائه شده‌ی‮‭DF) - (TLCNN‬طبقه‌بندی می‌شوند .ویژگی منحصر به فرد این طبقه‌بند استفاده از یادگیری انتقالی در فاز آموزش آن است که باعث افزایش سرعت آموزش و افزایش صحت طبقه‌بندی می‌شود .از الگوریتم ارائه شده برای طبقه‌بندی دو دیتاست معیار‮‭EDFx- Sleep‬و‮‭EDF - Sleep‬استفاده شده است .با استفاده از الگوریتم پیشنهادی توانستیم در طبقه‌بندی دیتاست‮‭EDF- Sleep‬به وسیله‌ی‮‭DF - TLCNN‬به صحت ‮‭۹۳/۵۸‬ درصد و ضریب کاپای کوهن ‮‭۰/۸۹۹‬ برسیم .نتایج نشان می‌دهد روش پیشنهادی عملکرد بهتری را در مقایسه با تحقیقات معتبر سال‌های اخیر در حوزه ی طبقه‌بندی خودکار مراحل خواب، داشته است

متن يادداشت

The most important step in evaluating the quality of sleep is the classification of sleep stages. With the classification of sleep stages, it is feasible to assess the quality of sleep and the sleep-related disease diagnosis. In the traditional sleep staging method, subjects have to spend the night in the sleep clinic recording polysomnography (physiological signals) so that the physician can classify sleep stages by watching the signals, which is time-consuming and frustrating task and can be affected by human error. New studies propose fully automated techniques for classifying sleep stages that do not require a physician to attend the clinic and sleep scoring is possible in the persons usual sleeping place. Despite comprehensive studies have been performed in this field but by concentrating on the use of a limited source of information like single channel EEG signal for classification, the results are far from gold standard. Therefore, this thesis introduces a new method for fusing two sources of information, including EEG and EOG signals, to achieve high accuracy in the classification of sleep stages. In the proposed method, after extracting the features of the EEG and EOG signals, the features splitted into two groups and feature vectors of each group are mapped to a horizontal visibility graph. Next, the images of the graphs are produced in a specific framework and classified by proposed convolutional neural network. Remarkable characteristic of this classifier is the use of transfer learning in its training stage, which speeds up the learning phase of cnn and increases classification accuracy. The proposed algorithm was used to classify two benchmark datasets: Sleep-EDF and Sleep-EDFx. We were able to classify the Sleep-EDF data set by TLCNN-DF with accuracy of 93.58 and a kappa coefficient of 0.899. The results show that our proposed method has enhanced the results of automatic classification of sleep stages compared to state-of-the-art works

عنوان اصلي به زبان ديگر

‮‭Automatic Sleep-Stage Classification Based on Information Fusion Theory‬

مستند نام اشخاص تاييد نشده

عبداله‌پور، مهدی

مستند نام اشخاص تاييد نشده

Abdollahpour Name: Mehdi

مستند نام اشخاص تاييد نشده

یوسفی رضایی، توحید، استادراهنما

مستند نام اشخاص تاييد نشده

مشگینی، سعید، استادراهنما

مستند نام اشخاص تاييد نشده

فرزام‌نیا، علی، استادمشاور

يادداشت عمومي

سیاه و سفید

وضعیت فهرست نویسی

نمایه‌سازی قبلی