چکیده مقاله
طبقه بندی مناسب خواب می تواند اطلاعات مناسبی جهت درمان بیماران مبتلا به بی خوابی در اختیار پزشکان قرار دهد طبقه بندی دستی مراحل خوب با توجه به حجم انبوه داده های کاری وقت گیر و دارای خطا به دلیل خستگی متخصصان در طول فرآیند طبقه بندی می باشد برای رسیدن به مطلوب، روش های هوشمند داده کاوی کارایی خودرا ثابت کرده اند هدف از انجام این پژوهش ارائه یک مدل بهینه جهت استخراج ویژگی های موثر در شناسایی الگوهای خواب با استفاده از تکنیک های داده کاوی و براساس پردازش سیگنال های الکتروانسفالوگرام می باشد در روش پیشنهادی برای رسیدن به ویژگی های بهینه، در ابتدا پس از آماده سازی داده های دریافت شده، پیش پردازش داده هابا فیلتر باترورث IIR انجام شد پس از آن داده های شب افراد به بازه های ۳۰ ثانیه تقسیم شده و الگوریتم k میانگین اعمال شد ۴ دسه ویژگی شامل ویژگی های تبدیل موجک، ویژگی های زمانی، ویژگی های غیرخطی و ویژگی های انتروپی در مرحله استخراج ویژگی به دست آمد که در کل ۴۵ ویژگی استخراج شد سه الگوریتم آزمون t، تحلیل مولفه اصلی و ضریب همبستگی پیرسون بر ۴۵ ویژگی جهت انتخاب ویژگی های بهینه اعمال شد پس از استخراج و انتخاب ویژگی های مطلوب، مراحل خواب براساس شبکه عصبی مصنوعی چند لایه پرسپترون انجام شد نتایج به دست آمده نشان داد که بهترین مقادیر در معیارهای صحت، حساسیت ویژگی به ترتیب ۹۵ ۵۷، ۷۶ ۹۷ و ۹۸ ۴۱ درصد بوده است
کلیدواژه‌ها
نویسندگان
اسما غفوریان
دانشجوی کارشناسی ارشد، دانشکده مهندسی، واحد شهر قدس، دانشگاه آزاد اسلامی، تهران، ایران
راحیل حسینی
دانشیار، گروه مهندسی کامپیوتر، واحد شهرقدس، دانشگاه آزاد اسلامی، تهران، ایران
مهدی مزینانی
استادیار، گروه مهندسی برق الکترونیک، واحد شهر قدس، دانشگاه آزاد اسلامی، تهران، ایران
شیوه ارجاع
�فوریان، اسما و حسینی، راحیل و مزینانی، مهدی،1400،ارائه یک روش بهبود یافته مبتنی بر شبکه عصبی جهت شناسایی مراحل خواب براساس تحلیل سیگنال های EEG،ششمین کنفرانس بین المللی تحقیقات بین رشته ای در مهندسی برق، کامپیوتر، مکانیک و مکاترونیک در ایران و جهان اسلام،تهران
ارائه‌شده در
مجموعه مقالات ششمین کنفرانس بین المللی تحقیقات بین رشته ای در مهندسی برق، کامپیوتر، مکانیک و مکاترونیک در ایران و جهان اسلام21 اسفند 1400 · تهران