طبقه ‌بندی خودکار مراحل خواب به کمک سیگنال‌های الکتروانسفالوگرام و الکتروکاردیوگرام تک کاناله

خواب سالم نقش مهمی در زندگی روزانه افراد دارد و طبقه‌ بندی مراحل خواب، به شناسایی دقیق مراحل مختلف خواب اشاره دارد و گامی مهم برای کمک به پزشکان، در تشخیص و درمان اختلالات مربوط به خواب است. طبقه‌ بندی مراحل خواب به صورت دستی که توسط افراد خبره صورت می‌گیرد، به دلیل خطای انسانی و تعداد زیاد سیگنال‌های مورد استفاده جهت طبقه‌ بندی، کاری بسیار زمان‌بر و پرخطا است. بنابراین هدف ما در این مقاله، استفاده از تنها دو سیگنال حیاتی اصلی الکتروانسفالوگرام و الکتروکاردیوگرام است که علاوه بر اینکه حاوی بیشترین اطلاعات هستند، تنها با یک کانال یا یک لید قابل ثبت اند و به بیمار احساس راحتی و آزادی بیشتری برای داشتن یک خواب راحت می‌دهند. درنتیجه، با توجه به کمتر شدن تعداد دفعات بیداری ناشی از اتصال بیمار به لید‌ها، کار طبقه‌ بندی با دقت بیشتری انجام خواهد گرفت. برای این منظور، از پایگاه داده‌ی mit-bih polysomnographic استفاده کردیم و پس از استخراج ریتم‌های سیگنال eeg و سیگنال‌های hrv و edr از سیگنال ecg، بهترین ویژگی‌های استخراج شده از آنها را در کنار هم قرار دادیم. در نهایت دقت %95.50، %89.20، %94.90 و 86.61%، به ترتیب برای تفکیک دو کلاس حرکت سریع و غیر سریع چشم، خواب و بیدار، خواب عمیق و سبک، و سه کلاس بیدار، حرکت سریع و غیر سریع چشم بدست آمد که در مقایسه با مطالعات اخیر، دقت بالاتری را برای طبقه‌ بندی خودکار مراحل خواب ارائه داده است.

Automatic Sleep Stages Classification Using Single-Channel Electroencephalogram and Electrocardiogram

Healthy sleep has an important role in people s daily lives and the classification of sleep stages refers to the accurate identification of different stages of sleep and it is an important step of helping physicians diagnose and treat sleep disorders. Manual Classification of sleep stages by experts is a very time consuming and error-prone task due to human error and the large number of signals used for classification. Therefore, our purpose in this article is using only the two main vital signals which are electroencephalogram and electrocardiogram. These signals contain the most information and can only be recorded with one channel or one lead. So, they make the patient feel more comfortable, free and as a conclusion, have a comfortable sleep. As a result, the classification work will be done more accurately due to the lower number of waking times due to the patient connecting to the leads. For this purpose, we used the MIT-BIH Polysomnographic database. After extracting the EEG signal rhythms and the HRV and EDR signals from the ECG signal, we put the best features extracted from them together. Finally, 95.50%, 89.20%, 94.90% and 86.61% accuracy were obtained to dissociation two classes of rapid and non-rapid eye movement, sleep and wake, deep and light sleep, and three classes of wake, rapid and non-rapid eye movement, respectively. Compared to recent studies, our proposed method has provided higher accuracy for automatic classification of sleep stages.