تحلیل آثار محرومیت از خواب بر پایه‌ی ویژگی‌های غیرخطی آنتروپی استخراج شده از سیگنال‌های الکتروانسفالوگرام

امروزه محرومیت از خواب به‌عنوان یک مسئله فراگیر بر سلامت جسمی و روحی انسان تاثیرگذار است. در این پژوهش، با استفاده از سیگنال‌های الکتروانسفالوگرام ثبت شده از 30 شرکت‌کننده در دو حالت خواب کامل و محروم از خواب و با چشم‌باز و چشم‌بسته، به مطالعه اثرات محرومیت از خواب برعملکرد مغز و همچنین تشخیص آن پرداخته شده است. از داده‌های ثبت شده ویژگی‌های خطی نظیر توان سیگنال و ویژگی‌های غیرخطی نظیر آنتروپی‌های شنون، رنی، جای‌گشت و نمونه استخراج شده است. از روش‌های رتبه‌بندی ویلکاکسون و الگوریتم pca جهت انتخاب ویژگی‌های برتر به‌همراه طبقه‌بندهای دوکلاسه knn، svm و درخت تصمیم استفاده گردیده است. به‌منظور بررسی اثرات محرومیت از خواب، به‌کمک الگوریتم sloreta نگاشت نقشه مغز در ویژگی‌ها محاسبه و ترسیم شده است. براساس نتایج این تحقیق، بهترین عملکرد مربوط به طبقه‌بند درخت تصمیم با 100 ویژگی برتر و صحت و دقتی به‌ترتیب برابر با 99.0 و 99.8 درصد است. همچنین با مقایسه نقش ویژگی‌های خطی و غیرخطی، مشخص گردید در مسئله این تحقیق ویژگی‌های غیرخطی نقشی بسیار موثر در طبقه‌بندی ایفا می‌کنند. نگاشت ویژگی‌ها در نواحی مختلف مغز نشان‌دهنده بروز تغییرات محسوس در میزان توجه، تمرکز، تصمیم‌سازی و فعالیت‌های بینایی و حرکتی افراد پس از محرومیت از خواب است.

analysis of sleep deprivation effects based on nonlinear entropy features extracted from electroencephalogram signals

nowadays, sleep deprivation is a pervasive problem that affects human physical and mental health. in this research, the effects of sleep deprivation on brain function and its diagnosis have been studied using electroencephalogram (eeg) signals recorded from 30 subjects after complete sleep and one day of sleep deprivation with open and closed eyes. linear features like signal power and nonlinear features consisting of shannon, renyi, sample, and permutation entropies were extracted from signals. we used the pca algorithm and wilcoxon feature ranking method to extract the superior features and employed svm, knn, and a decision tree to detect sleep-deprived cases. brain maps of extracted features were plotted using the sloreta algorithm to investigate the effects of sleep deprivation. based on the results, the decision tree classifier with 100 superior selected features of wilcoxon achieved the best performance with accuracy and precision of 99.0% and 99.8%, respectively. also, comparing the results of linear and nonlinear features reveals the impressive role of the nonlinear features in the classification problem of this work. the maps of the features revealed noticeable changes in the level of attention, concentration, decision-making, and visual and movement activities.