طبقه بندی مرحله خواب بر اساس edr و hrv حاصل از ecg

این مقاله به تشخیص و طبقه‌بندی مراحل خواب براساس سیگنال ecg با استفاده از الگوریتم‌های یادگیری ماشین می‌پردازد. مراحل خواب شامل بیداری، مراحل خواب rem و nrem هستند که هر کدام ویژگی‌ها و الگوهای خاص خود را دارند. در این مطالعه، از دو ویژگی مهم در تحلیل سیگنال ecg استفاده شده است، شامل تنفس مشتق شده از ecg (edr) و تنوع ضربان قلبی(hrv). برای طبقه‌بندی مراحل خواب، از الگوریتم‌های یادگیری ماشین استفاده شده است. با استفاده از ویژگی‌های استخراج شده از سیگنال ecg و با استفاده از مدل‌های طبقه‌بندی مناسب، می‌توان مراحل خواب را به طور صحیح تشخیص داد. در این مقاله، از یک روش ترکیبی استفاده شده است که ترکیبی از الگوریتم‌های استخراج ویژگی و الگوریتم طبقه‌بندی است. این روش ترکیبی بهبود قابل توجهی در دقت و قابلیت تعمیم‌پذیری مدل طبقه‌بندی ارائه می‌دهد. نتایج آزمایشات بر روی مجموعه داده‌های واقعی نشان می‌دهد که دقت طبقه‌بندی برای تشخیص دو حالت خواب و بیدار برابر با 81.4% و دقت طبقه‌بندی برای تشخیص مراحل خواب rem و nrem برابر با 74.6% است. این نتایج نشان می‌دهد که روش ارائه شده قابلیت تشخیص و طبقه‌بندی مراحل خواب را بهبود بخشیده است.