شناسایی خودکار مراحل خواب از سیگنال eeg تک‌کاناله با استفاده از تبدیل موجک گسسته و مدل ترکیبی الگوریتم کلونی مورچگان و شبکه‌ی عصبی مبتنی بر طبقه بند rusboost

طبقه‌بندی خودکار مراحل خواب به منظور تشخیص به موقع اختلالات و مطالعات مرتبط با خواب امری ضروری است. در این مقاله یک الگوریتم مبتنی بر eeg تک‌کاناله برای شناسایی خودکار مراحل خواب با استفاده از تبدیل موجک گسسته و مدل ترکیبی الگوریتم کلونی مورچگان و شبکه‌ی عصبی مبتنی بر طبقه‌بند rusboost ارائه شده است. سیگنال با استفاده از تبدیل موجک گسسته به چهار سطح تجزیه‌ شده و ویژگی‌های آماری از هر یک از این سطوح استخراج شده است. جهت بهینه‌سازی و کاهش ابعاد بردارهای ویژگی، از یک مدل ترکیبی الگوریتم کلونی مورچگان و شبکه‌ی عصبی چندلایه‌ی پس‌انتشار خطا استفاده شده و سپس از آزمون anova برای تایید صحت ویژگی‌های بهینه بهره گرفته شده است. طبقه‌بندی نهایی روی این ویژگی‌های بهینه شده توسط طبقه‌بند rusboost صورت گرفته و مشاهده شده است که به طور میانگین صحت طبقه‌بندی 2 تا 6کلاس مراحل مختلف خواب بالای 90% بوده که نشان دهنده‌ی درصد موفقیت بالاتر روش پیشنهادی در طبقه‌بندی مراحل خواب نسبت به پژوهش‌های پیشین می‌باشد.