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

Authors

1 facultu of electrical and computer engineering

2 Facultu of Electrical and Computer Engineering

3 Department of Mechanical Engineering, University of Tabriz, Tabriz, Iran

4 Faculty of Electrical and Computer Engineering, University of Tabriz, Tabriz, Iran

Abstract

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.

Keywords

Main Subjects

Full Text

1- مقدمه[1]

فعالیت‌های سوخت‌وساز مغز در فرد پس از 24 ساعت بیداری پایدار به‌طور چشمگیری کاهش می‌یابد. محرومیت از خواب، کاهش درجة حرارت بدن، کاهش آزادسازی هورمون رشد، تغییر ریتم ضربان قلب و ضعف سیستم دفاعی بدن را سبب می‌شود [1]. همچنین باعث ایجاد خواب‌آلودگی، نداشتن تمرکز و کاهش حافظه خواهد شد [2]. پزشک متخصص در درمان بالینی، تجزیه و تحلیل مراحل خواب را به‌طور معمول براساس بررسی بصری، با خوابیدن بیمار در بیمارستان و اندازه‌گیری‌های پلیسومنوگرافی[1] (PSG) با مجموعه‌ای از توصیه‌های آکادمی پزشکی AASM انجام می‌دهد [3]. اندازه‌گیری‌های PSG شامل الکتروانسفالوگرام[2] (EEG)، الکترومایوگرام[3] (EMG) و الکترواکولوگرام[4] (EOG) است [4]. در روش سنتی، در طول مدت 8 ساعت خواب، بازرسی بصری 2 تا 4 ساعت روی فرد مدنظر انجام می‌شود. نظارت مراحل خواب به شیوة سنتی براساس بررسی بصری به‌علت خستگی و نیازمندبودن به منابع انسانی متخصص، امری ناخوشایند، وقت‌گیر و همراه خطا است [5، 6]. همچنین موجب صحت زیر 90% در تحلیل و تشخیص بیماری فرد مدنظر خواهد شد [7]. در آزمایش‌های بالینی نیز در برخی موارد ممکن است به تشخیص سریع مراحل خواب نیاز باشد [8، 9]. تجزیه و تحلیل مراحل خواب به شیوة سنتی با چنین شرایطی مراحل خواب را نشان نمی‌دهد. عوامل ذکرشده اهمیت دسته‌بندی خودکار را نشان می‌دهد. همچنین، این عامل بر مطالعه روی افراد در مقیاس وسیع در تحقیقات خواب به‌شدت تأثیر می‌گذارد [10، 11]. بررسی خودکار فرایند تجزیه و تحلیل مراحل خواب علاوه بر اینکه موجب تشخیص سریع می‌شود افزایش صحت در تشخیص را نیز سبب خواهد شد [12]. PSG فرایندی پرهزینه و برای بیمار ناخوشایند است و مناسب نیست [13، 14]؛ با این حال، ثبت داده و تجزیه و تحلیل با اندازه‌گیری‌های PSG با تعدادی از چالش‌های فنی به‌ویژه در خانه مواجه است؛ به همین دلیل سیگنال‌های EEG برای ثبت داده بسیار ساده‌تر هستند و جایگزین مناسبی برای نظارت بر خواب در خانه محسوب می‌شوند. بیشتر الگوریتم‌های شناسایی خودکار مراحل خواب به‌منظور تشخیص صحیح به بیش از یک کانال نیاز دارند. شناسایی خودکار مراحل خواب مبتنی بر چندکانال محدودیت‌هایی ایجاد می‌کند و باعث کاهش کیفیت ثبت داده خواهد شد [15]؛ بدین ترتیب، استفاده از سیگنال‌های حاصل از EEG به الگوریتم مکان‌یابی سیگنال خواب برای استفاده از حداقل تعداد کانال‌های سیگنال فیزیولوژیک نیاز دارد [16]. استفاده از کانال سیگنال EEG، ضمن راحتی بسیار برای بیمار، در دستگاه‌های پرتابل EEG باعث افزایش عمر باتری خواهد شد. همچنین، تشخیص تک‌کاناله سریع‌تر (حجم محاسباتی کمتر)، ازنظر جایگذاری الکترودها راحت‌تر و ازنظر هزینه ارزان‌تر خواهد بود [11]؛ درنتیجه، شناسایی خودکار مراحل خواب مبتنی بر یک کانال، توجه جامعة تحقیق خواب را به خود جلب کرده است.

روش‌های مختلفی مانند توزیع زمان و فرکانس [17]، نظریة گراف [15]، مدل‌سازی سیگنال [18]، تبدیل موجک [19] و تجزیة حالت تجربی[5] [20] برای پردازش سیگنال در جداسازی مراحل خواب استفاده می‌شوند. همچنین برای بخش طبقه‌بندی، مدل‌های مختلفی استفاده می‌شود که شامل ماشین بردار پشتیبان[6] [15]، شبکة عصبی[7] [17] و حداقل مربعات جزئی[8] [18] هستند. رونژینا و همکاران با استفاده از چگالی طیفی توان[9] (PSD) سیگنال‌های EEG به همراه شبکة عصبی مصنوعی، طرح مبتنی بر EEG تک‌کاناله را ارائه دادند [21]. لاجنل و همکاران از ویژگی‌های مختلف از قبیل آنتروپی، خطای پیش‌بینی خطی، واریانس، چولگی، کشیدگی، آنتروپی پیمایش و ماشین بردار پشتیبان چندطبقه روی EMG، EOG و EEG برای ثبت خودکار مراحل خواب استفاده کردند [8]. پکر و همکاران، ترکیبی از تبدیل موجک (DT-CWT) و شبکة عصبی مبتنی بر تاگوچی را برای ثبت خودکار مراحل خواب از یک کانال EEG استفاده کرده‌اند [21]. کراکستا و همکاران، ویژگی‌های بسیاری ازجمله دامنة متوسط، واریانس و قدرت طیفی را از داده‌های جمع‌آوری‌شده از شش کانال EEG، دو کانال EOG و یک کانال EMG، استخراج و با استفاده از معیارهای درجه دوم تحلیل و بررسی کردند [22]. لیانگ و همکاران با استفاده از ویژگی‌های مبتنی بر آنتروپی Renyi استخراج‌شده، از توزیع فرکانس‌های مختلف برای شناسایی مراحل مختلف خواب با EEG تک‌کانال استفاده کردند [23]. زو و همکاران، گراف دیداری و گراف افقی را از سیگنال EEG تک‌کاناله تولید کردند و نه ویژگی از آنها را برای طبقه‌بندی با استفاده از ماشین بردار پشتیبان به کار گرفتند [15]. کیکسیگولو، طرح استخراج ویژگی مبتنی بر فناوری مدل خودبازگشتی[10] (AR) و الگوریتم حداقل مربعات جزئی[11] (PLS) را برای طبقه‌بندی مراحل خواب ارائه داد [18].

روش تجزیة حالت تجربی از مهم‌ترین روش‌های پردازش سیگنال در حوزة زمان - فرکانس است که هوانگ و همکاران (1998) آن را معرفی و مطالعه کردند [24]. با اعمال این روش هر سیگنال به تعدادی تابع حالت ذاتی تجزیه می‌شود و در پردازش سیگنال‌های غیرخطی و غیرثابت استفاده می‌شوند. امکان تعیین فرکانس لحظه‌ای سیگنال با ترکیب این روش با تبدیل هیلبرت ازجمله مزایای روش تجزیة حالت تجربی است. اگرچه روش تجزیة حالت تجربی یکی از قوی‌ترین روش‌های پردازش سیگنال است، مشکلاتی همچون پدیدة اختلاط حالت‌ها و نداشتن معیار توقف قوی در فرایند غربال را دارند. فلاندرین و همکاران (2005) برای رفع برخی از مشکلات روش تجزیة حالت تجربی، افزودن نویز سفید را پیشنهاد کردند [25]. هوانگ و همکاران (2009)، روش تجزیة حالت تجربی دسته‌ای[12]را برای رفع مشکل اختلاط حالت‌ها معرفی کردند [26]. تیسنالس و همکاران، تجزیه و تحلیل زمان فرکانس را برای استخراج ویژگی انجام دادند و برای طبقه‌بندی از الگوریتم رمزگذار خودکار انباشته‌شده استفاده کردند [17]. باتوجه‌به مطالعات انجام‌شده در پژوهش‌های پیشین، معلوم شد بیشتر الگوریتم‌های موجود برای شناسایی خودکار مراحل خواب به بیش از یک کانال نیاز دارند؛ بنابراین، این موضوع برای بیمار ناراحت‌کننده است و مانع سنجش دستگاه نظارت خواب در خانه می‌شود. همچنین معلوم شد پژوهش‌های پیشین در طبقه‌بندی مراحل مختلف خواب صحت زیر 90% ارائه دادند و ازنظر محاسباتی پیچیده و زمان‌بر هستند. این نکتة کلیدی پژوهشی است که در این مقاله بررسی خواهد شد.

در این مقاله برای شناسایی خودکار مراحل خواب از روش تجزیة حالت تجربی دسته‌ای کامل و مدل ترکیبی الگوریتم ژنتیک و شبکة عصبی استفاده شده است. این پژوهش مبتنی بر شش حالت خواب مطابق با استاندارد
[13]R & K است که شامل حالت بیدار (AWA)، مراحل حرکتی غیرسریع چشم (s1-s4) و حرکت سریع چشم (REM) است. این کلاس‌ها در جدول (1) شرح داده شده است. در روش پیشنهادی، سیگنال با استفاده از روش تجزیة حالت تجربی دسته‌ای کامل به توابع حالت ذاتی خود، تجزیه و چند ویژگی آماری از هریک از توابع حالت ذاتی استخراج می‌شود. سپس با استفاده از ترکیب الگوریتم ژنتیک[14] (GA) و شبکة عصبی ([15]MLP) ویژگی‌های مهم، انتخاب و به‌منزلة ورودی طبقه‌بند ([16]BPNN) برای تفکیک کلاس‌ها از یکدیگر استفاده می‌شوند.

 

 

جدول (1): شرح کلاس‌های مختلف در این کار

کلاس

حالت‌های خواب

6

REM , AWA, S1, S2, S3, S4

5

REM, AWA, S1, S2, SWS (S3-S4)

4

REM, AWA, S1-S2, SWS (S3-S4)

3

REM, AWA, NREM (S1-S4)

2

Sleep (REM & NREM), AWA

 

ادامة مقاله به‌صورت زیر تدوین شده است؛ بخش 2، طرح استخراج ویژگی‌ها را مشخص کرده است و عملکرد آن را تجزیه و تحلیل می‌کند. سپس انتخاب ویژگی‌ها، الگوریتم GA و شبکة عصبی توضیح داده می‌شود. در بخش 3، داده‌های آزمایشی و نتایج تجربی بررسی می‌شوند. بخش 4 دربارة اهمیت نتایج بحث می‌کند؛ در نهایت، بخش 5 به نتیجه‌گیری مربوط می‌شود.

2- مواد و روش‌ها

در این بخش ابتدا استخراج ویژگی‌ها تشریح می‌شود و سپس انتخاب ویژگی‌ها، الگوریتم GA و شبکة عصبی بررسی می‌شوند. شکل (1) طرح کلی از روش پیشنهادی را ارائه می‌دهد.

 

 

شکل (1): فلوچارتی از طرح پیشنهادی برای شناسایی خودکار مراحل خواب

2-1- تجزیة حالت تجربی دسته‌ای کامل [17](CEEMD)

هر سیگنال با استفاده از روش تجزیة حالت تجربی به مجموعه‌ای از توابع تک مؤلفه‌ای به نام توابع حالت ذاتی تجزیه خواهد شد. یک تابع حالت ذاتی مشابه یک تابع هارمونیک است، با این تفاوت که مانند یک تابع هارمونیک دامنه و بسامد ثابت ندارد و بسامدهای گوناگونی با دامنه‌های متفاوت دارد. در هر مرحله از تجزیة سیگنال به مؤلفه‌های فرکانسی آن، ابتدا مؤلفه‌هایی با فرکانس بالا جدا می‌شوند و این روند ادامه پیدا می‌کند تا در نهایت مؤلفه‌ای با کمترین فرکانس باقی بماند [24]. اختلاط حالت‌ها شاید رایج‌ترین مسئله‌ای است که هنگام کار با الگوریتم تجزیة حالت تجربی با آن مواجه خواهیم شد. یک سیگنال خاص ممکن است هر بار به توابع حالت ذاتی یکسانی جداسازی نشود؛ این مشکل، کار را برای استخراج ویژگی، آموزش مدل و تشخیص الگو سخت می‌کند. روش تجزیة حالت تجربی دسته‌ای با نظریة اضافه‌کردن نویز سفید در تمام مراحل تجزیة سیگنال برای حل این مشکل معرفی شد. این کار پدیدة اختلاط حالت‌ها را به‌طور مؤثری از بین خواهد برد. همة داده‌ها تقریباً به نویز آغشته‌اند. در مواردی داده‌ها از مشاهدات جداگانه‌ای به دست می‌آیند که خود به نویزهای مختلفی آغشته‌اند [26، 27]. روش تجزیة حالت تجربی دسته‌ای کامل در جداسازی طیفی حالت‌ها نسبت به روش تجزیة حالت تجربی دسته‌ای عملکرد بهتری را نشان می‌دهد و در تکرارهای کمتری به جواب می‌رسد؛ درنتیجه، ازلحاظ محاسباتی هزینة کمتری دارد.

روش تجزیة حالت تجربی دسته‌ای کامل در مراحل زیر بیان می‌شود [28]؛

۱- ابتدا در هر مرحله، درصدی از نویز گوسین به داده اضافه می‌شود. برای نویز مختلف گوسی EMD انجام می‌شود و مقدار IMF اول از میانگین مود به دست می‌آید.

(1)

  

۲- سپس مقدار  از رابطة زیر محاسبه می‌شود.

(2)

  

۳- برای به دست آوردن IMF2 باید از مقدار ، IMF را به دست آورد که مانند قسمت اول  است.

(3)

  

۴- برای  مقدار باقی‌مانده ام به‌صورت زیر حساب می‌شود.

(4)

  

۵- برای محاسبة ام از  مقدار IMF مانند قسمت اول حساب می‌شود.

(5)

  

6- این فرایند تا زمانی تکرار می‌شود که باقی‌ماندة بیش از 2 اکسترمم نداشته باشد.

حال با داشتن IMFها، فرکانس لحظه‌ای با تبدیل هیلبرت محاسبه می‌شود. فرکانس لحظه‌ای به‌دست‌آمده از هر IMF با تبدیل هیلبرت به‌صورت نمایشی دوبعدی از فرکانس لحظه‌ای متغیر نمایش داده می‌شود.

CEEMD به‌طور کامل بر داده‌ها مبتنی است و برخلاف تبدیل موجک به عمل پیش‌فرض پایه تکیه نمی‌کند. این دو ویژگی، CEEMD را به ابزار مناسب برای تحلیل سیگنال‌های غیرخطی و غیرثابت مانند EEG تبدیل می‌کند. CEEMD، مسئلة اختلاط موج‌ها را نیز حل خواهد کرد. شکل (2) نشان‌دهندة تفاوت در میان IMFها برای مراحل مختلف خواب است.

 

 

شکل (2): IMF4 و IMF5 استخراج‌شده از CEEMD

2-2- ویژگی‌ها

پس از تجزیة سیگنال به توابع حالت ذاتی خود، نه ویژگی آماری از هریک از توابع حالت ذاتی گرفته می‌شود. این ویژگی‌ها در زیر ارائه شده‌اند:

1- توان

(6)

  

که  سیگنال اصلی و تعداد نمونه‌های سیگنال خواهد بود.

2- میانگین

(7)

  

3- واریانس

(8)

  

4- انحراف از معیار استاندارد

این ویژگی میزان پراکندگی مقادیر سیگنال نسبت به میانگین را نشان می‌دهد. هنگامی که میانگین سیگنال به سمت صفر میل کند، انحراف از معیار و میزان مؤثر سیگنال با هم برابر می‌شوند.

(9)

  

5- کشیدگی

این ویژگی کشیدگی تابع چگالی احتمال سیگنال به یک سمت را نشان می‌دهد که به‌صورت زیر محاسبه می‌شود:

(10)

  

6- چولگی

چولگی، معیاری از تقارن یا عدم تقارن تابع توزیع است و به‌صورت زیر محاسبه می‌شود.

(11)

  

7- گشتاور مرتبه 4

مقدار نرمال‌شدة سیگنال نسبت به میانگین را نشان می‌دهد؛ این ویژگی به‌صورت زیر محاسبه می‌شود.

(12)

  

8- فاکتور ضربه

این ویژگی، ماهیت ضربه‌ای سیگنال را بیان می‌کند و برای پایش سیگنال‌های با تغییرات زیاد و گذرا بسیار کاربرد دارد؛ این ویژگی به‌صورت زیر محاسبه می‌شود.

(13)

  

9- انرژی

میزان انرژی یک سیگنال بیان‌کنندة میزان اغتشاش آن است؛ این ویژگی به‌صورت زیر محاسبه می‌شود.

(14)

  

در این مقاله، یازده حالت ذاتی اول برای استخراج ویژگی به کار برده شده است که در مجموع 99=119 ویژگی استخراج می‌شود. با در نظر گرفتن وابستگی ویژگی‌های 3 و 4 و همچنین ویژگی‌های 6 و 7 به یکدیگر با استخراج ویژگی از هر IMF، ویژگی‌های مطلوب انتخاب شده است.

2-3-  انتخاب و کاهش ویژگی‌های آماری مطلوب

پس از استخراج ویژگی‌ها، ویژگی‌های مطلوب، انتخاب و ویژگی‌های نامطلوب حذف می‌شوند. انتخاب ویژگی راه‌حل قطعی ندارد؛ ولی با تبدیل آن به مسئلة بهینه‌سازی و با کمک الگوریتم‌های متنوع، به‌خصوص الگوریتم‌های هوشمند، ویژگی‌های مناسب انتخاب می‌شوند. در روش پیشنهادی برای یافتن ویژگی‌های مناسب از مدل ترکیبی الگوریتم GA و شبکة عصبی MLP استفاده شده است و در ادامه از آزمون مک‌نمار (McNemar's) برای تأیید صحت ویژگی‌های مطلوب استفاده می‌شود که سطح معناداری آماری دارند.

2-4-  ساختار ترکیبی شبکة MLP و GA

در روش پیشنهادی برای جستجوی ویژگی‌های بهینه به کمک الگوریتم ژنتیک، ابتدا جمعیت اولیه شامل 20 کروموزوم تولید می‌شود. ژن‌های این کروموزوم‌ها به‌صورت باینری است و تنها مقادیر صفر و یک دارند؛ مقدار یک نشان‌دهندة وجود ویژگی با اندیس مربوطه و مقدار صفر نشان‌دهندة نبود ویژگی مدنظر در ساختار الگوی ژنی است. مراحل الگوریتم ژنتیک با تقابل تک‌نقطه‌ای و جهش‌های وارونه‌ساز صورت گرفته است. در مسئلة بهینه‌سازی، فضای جستجو باتوجه‌به قاعدة شمارش برابر است با:

 

مشاهده می‌شود ابعاد فضای جستجو برابر 1029 33/6 حالت است.

شبکة عصبی، شبکة چندلایة پرسپترون تحت قاعدة پس‌انتشار خطا با استفاده از تابع آموزش با عنوان لونبرگ -مارکوات است. معماری شبکة عصبی به‌صورت
feed-forward در نظر گرفته شده است [29]. در هر بار آموزش شبکة عصبی مقدار 50% داده‌ها، مجموعة آموزشی و 50% داده‌ها مجموعة آزمایشی به کار گرفته می‌شوند؛ در نهایت مقدار MSE[18] شبکه برای هر بردار ویژگی ورودی، محاسبه و برای محاسبة خطای شبکة عصبی از روابط زیر استفاده می‌شود:

(15)

  

(16)

  

(17)

  

که d، خروجی هدف و y، خروجی حاصل از شبکه است. مقدار e نیز خطای عملکردی شبکه است؛ بنابراین، خطای کل خروجی شبکة عصبی ، به‌ازای c نورون در لایة خروجی برابر است با:

(18)

  

همچنین، مقدار MSE شبکه برای N دادة آموزشی برابر خواهد بود با:

(19)

  

پس از آموزش شبکة عصبی برای هر 20 کروموزوم ورودی اولیه به شبکه، مقدار، تابع برازندگی الگوریتم ژنتیک، به‌صورت زیر محاسبه می‌شود [30]:

(20)

  

در این مقاله پس از استخراج ویژگی‌ها از هریک از توابع حالت ذاتی، برای انتخاب ویژگی‌های مطلوب، از مدل ترکیبی الگوریتم ژنتیک و شبکة عصبی استفاده می‌شود و 99 ویژگی استخراج‌شده از توابع حالت ذاتی به 29 ویژگی کاهش می‌یابد.

2-4-1-  تأیید ویژگی‌های انتخابی با استفاده از آنالیز آماری

در این مقاله از آزمون مک‌نمار برای تأیید صحت ویژگی‌های بهینه‌شدة حاصل از الگوریتم ژنتیک استفاده می‌شود. آزمون‌ها در نرم‌افزار پایتون در سطوح اطمینان 95% انجام می‌شوند. ویژگی‌ها قبل و بعد از بهینه‌سازی با استفاده از این آزمون آزمایش می‌شوند. اگر p-value حاصل‌شده بعد از انجام این آزمون، کوچک‌تر از 05/0 باشد، صحت ویژگی‌های انتخابی تأیید خواهد شد.

3-  بررسی نتایج

3-1-  مجموعة داده‌های EEG

ثبت دادة استفاده‌شده برای آزمایش و ارزیابی مربوطه از مردان و زنان قفقازی (35-21 ساله) بدون استفاده از هیچ دارویی به دست آمده است. این داده‌ها از بانک Sleep-EDF در پایگاه Physionet Data Bank دریافت می‌شوند که پایگاه عمومی برای دریافت دادة EEG است [31].

هشت داده در دو زیرمجموعه با عنوان‌های sc و st در طول خواب ثبت شده است. چهار دادة اول با عنوان sc مربوط به افراد سالم و چهار دادة دوم با عنوان st مربوط به افراد دچار خواب‌آلودگی خفیف است. برای ثبت داده از الکترودهای Pz-Oz و Fpz-Cz استفاده شده است. همچنین، فرکانس نمونه‌برداری 100 هرتز است [32]. مطالعات پیشین نشان می‌دهد سیگنال EEG ثبت‌شده از کانال Pz-Oz نسبت به کانال Fpz-Cz عملکرد بهتری در طبقه‌بندی ارائه می‌دهد [12، 23]؛ بنابراین در این مطالعه از کانال Pz-Oz استفاده شده است. هر 30 ثانیه داده‌های EEG مطابق با دستورالعمل‌های R & K از پایگاه Sleep-EDF به دست آمده است [33]. طول مدت زمان هر دوره در این مطالعه 30 ثانیه یا 3000 نمونه است. متخصصان خواب، هر دوره را در یکی از هشت کلاس AWA، S1، S2، S3، S4، REM، MVT (زمان حرکت) و UNS (حالت‌های ناشناخته) دسته‌بندی کرده‌اند. جدول (2) خلاصه‌ای از دوره‌های مختلف کلاس‌های استفاده‌شده در این کار را نشان می‌دهد. با توجه به جدول (2)، تعداد کل دوره‌های 30 ثانیه‌ای 15188 است که در این مطالعه استفاده می‌شود. برای انجام آزمایش‌ها نیمی از مجموعه داده‌های خواب Sleep-EDF به‌طور تصادفی برای آموزش مجموعه و بقیه داده‌ها برای ارزیابی مجموعه انتخاب‌شده‌اند؛ بدین ترتیب، اطمینان حاصل شده است که تمام مجموعه داده‌های
Sleep-EDF برای آموزش یا آزمودن استفاده می‌شوند.

جدول (2): توزیع دوره‌ها از مجموعه داده‌های پایگاه Sleep- EDF

 

AWA

S1

S2

S3

S4

REM

تعداد ایپاک

8055

604

3621

672

627

1609

4-2- نتایج حاصل از بهینه‌سازی

پس از 20 بار تولید نسل، آموزش‌های مداوم شبکة عصبی MLP و تولید بردارهای ویژگی تصادفی، در نهایت الگوریتم ژنتیک به‌سمت نسل بهینه همگرا می‌شود؛
شکل (3) این همگرایی را نشان می‌دهد. تمام نسل‌ها در خروجی آن، بردارهایی کاملاً یکسان و بهینه خواهند بود. جدول (3)، مقادیر p-value ویژگی‌های انتخاب‌شده و جدول (4)، نتایج حاصل از آزمون مک‌نمار را نشان می‌دهد. طبق جدول (4) برای مدل اول 99 ویژگی (قبل از بهینه‌سازی) و برای مدل دوم 29 ویژگی (بعد از بهینه‌سازی با الگوریتم ژنتیک) در آزمون استفاده شده است که پس از انجام آزمایش مشخص شد ویژگی‌های بهینه‌شده با
11-e*64/3 = p-value صحت کافی را ندارند. باتوجه‌به جدول (3) و جدول (4) نتیجه گرفته می‌شود 29 ویژگی انتخابی از مدل ترکیبی الگوریتم ژنتیک و شبکة عصبی ویژگی‌های مطلوبی هستند.

 

 

شکل (3): همگرایی GA در ترکیب با شبکة عصبی MLP

3-2- طبقه‌بندی با استفاده از BPNN

در این بخش، طبقه‌بند، جزئیات و نتایج آزمایش‌ها، بررسی و برخی از اهمیت نتایج بیان می‌شود. مشخصات رایانه‌ای استفاده‌شده در شبیه‌سازی این مقاله،

 

 

جدول (3): p-value ویژگی‌های انتخاب‌شده از IMFها

واریانس

انرژی

گشتاور

مرتبه 4

فاکتور ضربه

چولگی

کشیدگی

انحراف

معیار

میانگین

توان

 

-

-

-

-

-

-

-

00/0

-

IMF1

-

-

39/1e70-

-

-

89/1e117-

00/0

00/0

-

IMF2

00/0

-

00/0

-

00/0

-

-

-

-

IMF3

-

-

63/2e161-

-

00/0

-

-

-

-

IMF4

-

59/5e-25

12/5e103-

-

-

-

-

-

-

IMF5

76/4e116-

-

-

28/2e125-

18/4e224-

85/1e-228

23/1e91-

-

09/7e201-

IMF6

81/1e171-

-

42/8e226-

-

-

-

90/3e86-

-

4/2e70-

IMF7

-

-

-

00/0

-

00/0

-

-

-

IMF8

-

-

-

-

-

-

24/9e36-

-

00/0

IMF9

-

00/0

-

-

-

-

-

-

-

IMF10

-

-

-

-

-

00/0

53/3e159-

-

-

IMF11


جدول (4): تأیید ویژگی‌های قبل و بعد از بهینه‌سازی با استفاده از آزمون مک‌نمار

مدل اول با 99 ویژگی

(نادرست)

مدل اول با 99 ویژگی

(صحیح)

 

309

5412

مدل دوم با 29 ویژگی بهینه (صحیح)

93

498

مدل دوم با 29 ویژگی بهینه (نادرست)

p-valueحاصل‌شده از آزمونمک‌نمار = 11- e*64/3

 

اینتل Core (TM) i5-3470، پردازندة 6/1 گیگاهرتز و رم 8 گیگابایت است.

در این مقاله برای طبقه‌بندی حالت‌های مختلف خواب از شبکة عصبی پرسپترون چندلایه با الگوی پس‌انتشار خطا با استفاده از تابع آموزشی لونبرگ - مارکوات استفاده می‌شود. شبکة BPNN استفاده‌شده در این مقاله شبکه‌ای دولایه بوده و تعداد ورودی‌های شبکه برابر تعداد ویژگی‌های بهینه‌شده است. برای تعیین تعداد نورون‌های لایة مخفی چندین‌بار آموزش شبکة عصبی با تعداد نورون‌های مختلف انجام گرفته است. در هربار آموزش شبکه، خطای طبقه‌بندی، محاسبه و در انتها بهترین تعداد برای نورون‌های لایة مخفی شبکه تعیین می‌شود. برای این منظور از کل داده‌های موجود از پایگاه sleep-EDF برای شبیه‌سازی استفاده شده است؛ به‌گونه‌ای‌که 50% داده‌ها برای مجموعة آموزشی، 20% داده‌ها برای مجموعة اعتبارسنجی و 30% داده‌ها برای مجموعة آزمایشی استفاده شده‌اند. نتیجه گرفته می‌شود با در نظر گرفتن 30 نورون در لایة مخفی، شبکه بهترین عملکرد را در طبقه‌بندی حالت‌های مختلف خواب از خود نشان می‌دهد. گفتنی است تابع انتقال لایة مخفی به‌صورت سیگموئید است و از تابع softmax برای تبدیل مقادیر لایة خروجی به احتمال، استفاده شده است. همچنین، سه شرط هم‌زمان برای توقف آموزش شبکة عصبی [34] به‌صورت زیر در نظر گرفته می‌شود:

1. تعداد 500 تکرار در هر ایپاک؛

2. همگرایی در میانگین مربعات خطا در مقدار 6-10؛

3. همگرایی در نزول مقدار گرادیان خطا در 6-10.

در نهایت، صحت نهایی شبکه با میانگین‌گیری از صحت‌های حاصل‌شده در ده بار اجرای برنامه به دست آمده است.

همچنین، به غیر از BPNN، از طبقه‌بندهای نزدیک‌ترین همسایه، Naive Bayes، Discriminant Analysis و جنگل تصادفی از ویژگی‌های استخراج‌شده برای طبقه‌بندی استفاده شد. برای DA، عملکرد سه تابع شناخته‌شدة خطی، درجه دو و Mahalanobis بررسی شد. شکل (4)، عمکرد روش پیشنهادی را برای کلاس‌های مختلف نشان می‌دهد. با توجه به شکل (4)، BPNN بهترین مدل طبقه‌بندی شکل (4) در بین طبقه‌بندهای دیگر است. همچنین، سرعت و زمان اجرای طبقه‌بند پیشنهادی در مقایسه با طبقه‌بندهای شبیه‌سازی‌شده در شکل (4)، در جدول (5) نمایش داده شده است. طبق جدول (5)، زمان اجرای طبقه‌بند پیشنهادی نسبت به سایر طبقه‌بندها بیشتر است؛ اما ضریب صحت بالای 90% برای طبقه‌بندی 6-کلاسه مراحل خواب خواهد بود. جدول (6)، مقادیر صحت روش‌های مختلفی را نشان می‌دهد که از مجموعه دادة sleep-EDF استفاده کرده‌اند. با توجه به جدول (6)، تمامی مقادیر گزارش‌شده برای روش پیشنهادی، ضریب صحت بالای 90% دارند. همچنین، طبق جدول (6) باتوجه به صحت پژوهش‌های [10] و [19] برای طبقه‌بندی 6-کلاس خواب که به‌ترتیب 62/88% و 50/90% هستند، صحت روش پیشنهادی 93% است. شکل (5)، نمودار ROC برای طبقه‌بندی مطابق با جدول (1) را نشان می‌دهد. با توجه به شکل (5)، کلیة کلاس‌ها در شکل (5)  بازة 9/0 تا 1 قرار دارند که بیان‌کنندة عملکرد مطلوب الگوریتم پیشنهادی است. در مجموع نتیجه گرفته می‌شود عملکرد روش پیشنهادی از لحاظ اعتبار و قابلیت اطمینان امیدوارکننده است. همچنین عملکرد روش پیشنهادی به‌طور جداگانه برای طبقه‌بندی شش حالت خواب در جدول (7) مشاهده می‌شود. طبق جدول (7)، حساسیت روش پیشنهادی برای 2-کلاس تا 6-کلاس مراحل خواب بالای 88% است. جدول (8)، مقادیر ضریب کاپا کوهن روش پیشنهادی را در مقایسه با مطالعات پیشین نشان می‌دهد. با توجه به جدول (8)، مشخص مقادیر کاپا کوهن روش پیشنهادی برای 6-کلاس مراحل خواب در حدود 9/0 است که در مقایسه با مقالات [10]، [15] و [23] که به‌ترتیب ضریب کاپای 88/0، 81/0 و 74/0 دارند، ضریب کاپای بیشتری دارد.

 

شکل (5): منحنی ROC برای هر یک از 6 حالت خواب

 

 

   
   
 

شکل (4): عملکرد روش پیشنهادی برای کلاس‌های مختلف

جدول (5): زمان اجرای طبقه‌بند پیشنهادی در مقایسه با طبقه‌بندهای دیگر برای دادة SC4002 از پایگاه Sleep-EDF

زمان (ثانیه)

داده

بهینه‌سازی

طبقه‌بند

231

SC4002

-

KNN

159

SC4002

-

DA (Linear)

287

SC4002

-

DA (Quadratic)

256

SC4002

-

DA (Mahalnobis)

243

SC4002

-

Naïve Bayes

392

SC4002

-

RF

466

SC4002

GA

BPNN

 

جدول (6): عملکرد الگوریتم پیشنهادی در مقایسه با پژوهش‌های پیشین در مجموعة داده خواب پایگاه Sleep-EDF

الگوریتم‌های مختلف

2-کلاس

3-کلاس

4-کلاس

5-کلاس

6-کلاس

Berthomier et al.[35]

4/95%

30/88%

5/74%

20/71%

-

Doroshenkov et al.[36]

-

-

-

-

08/61%

Vural and Yildiz [37]

-

-

-

-

98/69%

Liang et al. [23]

-

-

-

%77/98

-

Hsu et al. [9]

-

-

-

20/87%

-

Ronzhina et al. [21]

%96/90

%88/97

42/81%

-

%76/70

Zhu et al. [15]

%97/90

%92/60

%89/30

%88/90

%87/50

Hassan and Bhuiyan [10]

%97/73

%93/55

%91/20

%90/11

%88/62

T. Silveir et al. [19]

30/97%

%93/90

%92/30

%91/50

%90/50

روش پیشنهادی

%98/90

%97/10

%96/70

%96/70

%93/80

 

جدول (7): ماتریس درهم‌ریختگی برای هریک از شش حالت خواب از پایگاه دادة Sleep-EDF

SEN(%)

S4

S3

S2

S1

AWA

REM

Expert

%5/97

0

0

144

147

70

3892

REM

%1/97

0

0

13

167

3995

11

AWA

%6/88

0

26

94

3558

13

44

S1

%2/91

37

102

3657

71

24

44

S2

%1/95

234

3800

98

74

11

0

S3

%3/93

3768

67

4

0

0

0

S4

 

جدول (8): ضرایب کاپا کوهن روش پیشنهادی در مقایسه با مطالعات پیشین از پایگاه دادة Sleep-EDF

روش پیشنهادی

Hassan et al. [10]

Zhu et al. [15]

Liang et al. [23]

 

98/0

98/0

96/0

-

2-کلاس

95/0

94/0

87/0

-

3-کلاس

95/0

93/0

83/0

-

4-کلاس

83/0

84/0

83/0

-

5-کلاس

90/0

88/0

81/0

74/0

6-کلاس

 

4- بحث

سیگنال EEG خواب شامل تعداد نمونه‌های یکسان برای هریک از شش حالت خواب نیست؛ درواقع، تعداد توزیع دوره‌ها در حالت‌های مختلف خواب بسیار بی‌ثبات است؛ جدول (2) این حقیقت را ثابت می‌کند. در جدول (2) مشاهده می‌شود بیش از نیمی از دوره‌ها به حالت AWA مربوط است. دوره‌های S1، S3 و S4 باتوجه‌به بقیه حالت‌های خواب سهم بسیار کمتری را در خواب افراد دارند. این مسئله باعث نبود تعادل بین کلاس‌ها در تجزیه و تحلیل سیگنال‌های EEG می‌شود. نبود تعادل بین کلاس‌ها مشکلی است که باعث ایجاد خطا و بایاس‌شدن طبقه‌بند در هنگام طبقه‌بندی داده‌ها به‌سمت کلاس اکثریت می‌شود. در روش پیشنهادی برای حل این مشکل از درون‌یابی مکعبی برای توازن بین کلاس‌ها استفاده شد.

درون‌یابی، ابزاری برای تقریب داده‌های نامشخص در بین داده‌های معلوم است. ازجمله کاربردهای درون‌یابی در پردازش تصویر و پردازش سیگنال است. از روش‌های مرسوم درون‌یابی یک‌بعدی به درون‌یابی چندجمله‌ای و درون‌یابی برپایة تبدیل فوریه اشاره می‌شود. در این مقاله برای توازن بین کلاس‌ها از درون‌یابی چندجمله‌ای استفاده شد. در این روش با استفاده از داده‌های موجود، یک تابع چندجمله‌ای بر داده‌ها برازش می‌شود و سپس مقدار تابع در نقاط میانی مدنظر محاسبه خواهد شد. روش‌های مختلفی برای درون‌یابی چندجمله‌ای وجود دارد که در روش پیشنهادی از درون‌یابی مکعبی برای به توازن رساندن داده‌ها استفاده شده است. در روش درون‌یابی مکعبی از الگوریتم درون‌یابی هرمیتی مکعبی تکه‌ای بین بردارهای x و y استفاده می‌شود که به حافظه و زمان اجرای بیشتری نسبت به روش‌های دیگر درون‌یابی نیاز دارد؛ البته داده‌های حاصل از درون‌یابی پیوسته است؛ بدین ترتیب کلیة کلاس‌ها به بالاترین دوره درون‌یابی می‌شوند و مشکل توازن‌نداشتن کلاس‌ها حل خواهد شد [38].

 

5- نتیجه‌گیری

در این مقاله، شناسایی خودکار مراحل خواب با استفاده از روش تجزیة حالت تجربی دسته‌ای کامل و مدل ترکیبی الگوریتم ژنتیک و شبکة عصبی ارائه شد. در روش پیشنهادی، سیگنال EEG تک‌کاناله با استفاده از روش تجزیة حالت تجربی دسته‌ای کامل به توابع حالت ذاتی خود، تجزیه و چند ویژگی آماری از هریک از توابع حالت ذاتی استخراج شد. سپس با استفاده از ترکیب الگوریتم ژنتیکو شبکة عصبی، ویژگی‌های مهم، انتخاب و به‌منزلة ورودی طبقه‌بند برای تفکیک کلاس‌ها از یکدیگر استفاده شد. در این پژوهش، صحت ویژگی‌های بهینة انتخاب‌شده از مدل ترکیبی الگوریتم ژنتیک و شبکة عصبی با استفاده از آزمون مک‌نمار بررسی شد. نتایج نشان داد انتخاب ویژگی‌های آماری مطلوب در تشخیص حالت‌های مختلف خواب بسیار مؤثر است.

نتایج الگوریتم برای طبقه‌بندی 2-کلاس تا 6-کلاس، ضریب صحت و ضریب کاپا کوهن بالای 90% را ارائه می‌دهد. همچنین باتوجه‌به بالابودن صحت الگوریتم، از آن برای تشخیص اختلالات خواب و رفتار و تشخیص بیماری‌ها ازجمله بیماری پارکینسون استفاده می‌شود. روش پیشنهادی برای تشخیص خودکار مراحل خواب روند سرعت تشخیص اختلالات خواب را افزایش می‌دهد و برای داده‌های حجیم EEG نیز استفاده می‌شود.


[1] تاریخ ارسال مقاله: 28/11/1396

تاریخ پذیرش مقاله: 23/03/1397

نام نویسندة مسئول: توحید یوسفی رضایی

نشانی نویسندة مسئول: ایران، تبریز، دانشگاه تبریز، دانشکدة برق و کامپیوتر


[1] Polysomnography

[2] Electromyogram

[3] Electroencephalogram

[4] Electrooculogram

[5] Empirical Mode Decomposition

[6] Support vector machine

[7] Neural Network

[8] Mean Square Error

[9] Power Spectral Density

[10] Autoregressive

[11] Partial Least Squares

[12] Ensemble Empirical Mode Decomposition

[13] Rechtschaffen and Kales

[14] Genetic Algorithm

[15] Multilayer Perceptron

[16] Back Propagation Neural Network

[17] Complete Ensemble Empirical Mode Decomposition

[18] Mean Square Error

References

   [1]      S. Kubicki, W. Scheuler, and H. Wittenbecher, "Short-term sleep EEG recordings after partial sleep deprivation as a routine procedure in order to uncover epileptic phenomena: an evaluation of 719 EEG recordings," Epilepsy research. Supplement, Vol. 2, pp. 217-230, 1991.
   [2]      Y. Koshino et al., "The influence of light drowsiness on the latency and amplitude of P300," Clinical Electroencephalography, Vol. 24, No. 3, pp. 110-113, 1993.
   [3]      L. Fraiwan, K. Lweesy, N. Khasawneh, H. Wenz, and H. Dickhaus, "Automated sleep stage identification system based on time–frequency analysis of a single EEG channel and random forest classifier," Computer methods and programs in biomedicine, Vol. 108, No. 1, pp. 10-19, 2012.
   [4]      A. Kales and A. Rechtschaffen, A manual of standardized terminology, techniques and scoring system for sleep stages of human subjects. US Department of Health, Education and Welfare, Public Health Service, National Institutes of Health, National Institute of Neurological Diseases and Blindness, Neurological Information Network, 1968.
   [5]      B. Boashash and S. Ouelha, "Automatic signal abnormality detection using time-frequency features and machine learning: A newborn EEG seizure case study," Knowledge-Based Systems, Vol. 106, pp. 38-50, 2016.
   [6]      S. B. Akben and A. Alkan, "Visual interpretation of biomedical time series using parzen window-based density-amplitude domain transformation," PloS one, Vol. 11, No. 9, p. e0163569, 2016.
   [7]      T. Penzel and R. Conradt, "Computer based sleep recording and analysis," Sleep medicine reviews, Vol. 4, No. 2, pp. 131-148, 2000.
   [8]      T. Lajnef et al., "Learning machines and sleeping brains: automatic sleep stage classification using decision-tree multi-class support vector machines," Journal of neuroscience methods, Vol. 250, pp. 94-105, 2015.
   [9]      Y.-L. Hsu, Y.-T. Yang, J.-S. Wang, and C.-Y. Hsu, "Automatic sleep stage recurrent neural classifier using energy features of EEG signals," Neurocomputing, Vol. 104, pp. 105-114, 2013.
[10]      A. R. Hassan and M. I. H. Bhuiyan, "Automated identification of sleep states from EEG signals by means of ensemble empirical mode decomposition and random under sampling boosting," Computer methods and programs in biomedicine, Vol. 140, pp. 201-210, 2017.
[11]      A. R. Hassan and M. I. H. Bhuiyan, "Automatic sleep scoring using statistical features in the EMD domain and ensemble methods," Biocybernetics and Biomedical Engineering, Vol. 36, No. 1, pp. 248-255, 2016.
[12]      Y. Li, M.-L. Luo, and K. Li, "A multiwavelet-based time-varying model identification approach for time–frequency analysis of EEG signals," Neurocomputing, Vol. 193, pp. 106-114, 2016.
[13]      A. Subasi, "A decision support system for diagnosis of neuromuscular disorders using DWT and evolutionary support vector machines," Signal, Image and Video Processing, Vol. 9, No. 2, pp. 399-408, 2015.
[14]      A. Subasi and M. I. Gursoy, "EEG signal classification using PCA, ICA, LDA and support vector machines," Expert systems with applications, Vol. 37, No. 12, pp. 8659-8666, 2010.
[15]      G. Zhu, Y. Li, and P. P. Wen, "Analysis and classification of sleep stages based on difference visibility graphs from a single-channel EEG signal," REM, Vol. 806, p. 803, 2014.
[16]      M. Ronzhina, O. Janoušek, J. Kolářová, M. Nováková, P. Honzík, and I. Provazník, "Sleep scoring using artificial neural networks," Sleep medicine reviews, Vol. 16, No. 3, pp. 251-263, 2012.
[17]      O. Tsinalis, P. M. Matthews, and Y. Guo, "Automatic sleep stage scoring using time-frequency analysis and stacked sparse autoencoders," Annals of biomedical engineering, Vol. 44, No. 5, pp. 1587-1597, 2016.
[18]      T. Kayikcioglu, M. Maleki, and K. Eroglu, "Fast and accurate PLS-based classification of EEG sleep using single channel data," Expert Systems with Applications, Vol. 42, No. 21, pp. 7825-7830, 2015.
[19]      T. L. da Silveira, A. J. Kozakevicius, and C. R. Rodrigues, "Single-channel EEG sleep stage classification based on a streamlined set of statistical features in wavelet domain," Medical & biological engineering & computing, Vol. 55, No. 2, pp. 343-352, 2017.
[20]      J. Dong et al., "Automated sleep staging technique based on the empirical mode decomposition algorithm: a preliminary study," Advances in Adaptive Data Analysis, Vol. 2, No. 02, pp. 267-276, 2010.
[21]      M. Ronzhina, O. Janouek, J. Kolrov, M. Novkov, P. Honzk, I. Provaznk,"Sleep scoring using artificial neural networks", Sleep Medicine Reviews, Vol. 16, No. 3, pp. 251 – 263, 2012.
[22]      A. Krakovská and K. Mezeiová, "Automatic sleep scoring: A search for an optimal combination of measures," Artificial intelligence in medicine, Vol. 53, No. 1, pp. 25-33, 2011.
[23]      S.-F. Liang, C.-E. Kuo, Y.-H. Hu, Y.-H. Pan, and Y.-H. Wang, "Automatic Stage Scoring of Single-Channel Sleep EEG by Using Multiscale Entropy and Autoregressive Models," IEEE Trans. Instrumentation and Measurement, Vol. 61, No. 6, pp. 1649-1657, 2012.
[24]      N. E. Huang et al., "The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis," in Proceedings of the Royal Society of London A: mathematical, physical and engineering sciences, 1998, Vol. 454, No. 1971, pp. 903-995: The Royal Society.
[25]      P. Flandrin, P. Gonçalves, and G. Rilling, "EMD equivalent filter banks, from interpretation to applications," in Hilbert–Huang transform and its applications: World Scientific, pp. 99-116, 2014.
[26]      Z. Wu and N. E. Huang, "Ensemble empirical mode decomposition: a noise-assisted data analysis method," Advances in adaptive data analysis, Vol. 1, No. 01, pp. 1-41, 2009.
[27]      X. Zhang and J. Zhou, "Multi-fault diagnosis for rolling element bearings based on ensemble empirical mode decomposition and optimized support vector machines," Mechanical Systems and Signal Processing, Vol. 41, No. 1-2, pp. 127-140, 2013.
[28]      M. E. Torres, M. A. Colominas, G. Schlotthauer, and P. Flandrin, "A complete ensemble empirical mode decomposition with adaptive noise," in Acoustics, speech and signal processing (ICASSP), 2011 IEEE international conference on, 2011, pp. 4144-4147: IEEE.
[29]      H. Pourghassem and S. Daneshvar, "A framework for medical image retrieval using merging-based classification with dependency probability-based relevance feedback," Turkish Journal of Electrical Engineering & Computer Sciences, Vol. 21, No. 3, pp. 882-896, 2013.
[30]      A. B. Sankar, J. A. V. Selvi, D. Kumar, and K. S. Lakshmi, "Effective enhancement of classification of respiratory states using feed forward back propagation neural networks," Sadhana, Vol. 38, No. 3, pp. 377-395, 2013.
[31]      B. Kemp, A. Zwinderman, B. Tuk, H. Kamphuisen, J. Oberye, "Analysis of a sleep dependent neuronal feedback loop: the slow-wave microcontinuity of the eeg", IEEE Trans. Biomed, Eng. Vol 47, No.9, pp. 1185–1194, 2000.
[32]      M. T. Hagan, and H. B. Demuth, "Neural Network Design", PWS Publishing Company, China, 1996.
[33]      A. Kales and A. Rechtschaffen, A manual of standardized terminology, techniques and scoring system for sleep stages of human subjects. US Department of Health, Education and Welfare, Public Health Service, National Institutes of Health, National Institute of Neurological Diseases and Blindness, Neurological Information Network, 1968.
[34]      H. Pourghassem and H. Ghassemian, "Content-based medical image classification using a new hierarchical merging scheme," Computerized Medical Imaging and Graphics, Vol. 32, No. 8, pp. 651-661, 2008.
[35]      C. Berthomier, X. Drouot, M. Herman-Stoïca, P. Berthomier, J. Prado, D. Bokar-Thire, O. Benoit, J. Mattout, M.-P. d’Ortho, "Automatic analysis of single-channel sleep EEG: validation in healthy individuals", Sleep, Vol. 30, No. 11, pp. 1587–1595, 2007.
[36]      L.G. Doroshenkov, V.A. Konyshev, S.V. Selishchev, "Classification of human sleep stages based on eeg processing using hidden Markov models", Biomed. Eng, Vol. 41, No. 1, pp. 24–28, 2007.
[37]      C. Vural and M. Yildiz, "Determination of sleep stage separation ability of features extracted from EEG signals using principle component analysis," Journal of medical systems, Vol. 34, No. 1, pp. 83-89, 2010.
[38]      R. Keys, "Cubic convolution interpolation for digital image processing," IEEE transactions on acoustics, speech, and signal processing, Vol. 29, No. 6, pp. 1153-1160, 1981.
Computational Intelligence in Electrical Engineering
Volume 9, Issue 1
February 2018
Pages 15-28

Files

History

  • Receive Date: 17 February 2018
  • Revise Date: 11 June 2018
  • Accept Date: 13 June 2018

Share

How to cite

Statistics