>
Fa   |   Ar   |   En
   معرفی ویژگی نرخ دوطیفی فرکانس‌های پایین به بالا به‌منظور تشخیص خواب عمیق از بیداری با سیگنال الکتروانسفالوگرام  
   
نویسنده محمدی احسان ,کرمانی سعید ,امرا بابک
منبع مجله دانشكده پزشكي دانشگاه علوم پزشكي تهران - 1397 - دوره : 76 - شماره : 5 - صفحه:326 -330
چکیده    زمینه و هدف: تشخیص دقیق خواب عمیق (خواب با امواج آهسته) از بیداری، باعث افزایش صحت طبقه بندی خواب به عنوان امری مهم در پزشکی خواهد شد. به دلیل هزینه بر و وقت گیر بودن تعیین دستی عمق خواب می توان با پردازش سیگنال مغزی به صورت اتوماتیک عمق خواب را تعیین کرد. در این مطالعه ویژگی جدیدی از طیف مرتبه دوم سیگنال الکتروانسفالوگرام جهت تشخیص خواب عمیق بررسی شد.روش بررسی: این مطالعه مقطعی در دانشکده فناوری های نوین علوم پزشکی دانشگاه علوم پزشکی اصفهان از بهمن 1395 تا مهر 1396 انجام شد. مطالعه بر روی 2598 تکه سیگنال الکتروانسفالوگرام دریافت شده از هشت نفر می باشد. در این مطالعه از مقادیر طیف مرتبه دوم الکتروانسفالوگرام تصویر خاکستری ساخته شد و با آستانه گذاری اُتسو به تصویر باینری تبدیل گشت. سپس ویژگی جدید نسبت تعداد بیت های سفید بالای قطر فرعی به پایین آن (نرخ دوطیفی فرکانس های پایین به بالا) از تصویر استخراج شد.یافته ها: ویژگی های مبتنی بر انرژی از جمله مهمترین روش های پردازش سیگنال های حیاتی هستند. نرخ دوطیفی فرکانس های پایین به بالا، قادر است با درستی 99/50% حالت بیداری را از خواب عمیق جدا کند درحالی که براساس نتایج به دست آمده ویژگی های مبتنی بر انرژی چنین توانایی ندارند.نتیجه گیری: ویژگی معرفی شده کارایی لازم را برای استفاده در تعیین اتوماتیک عمق خواب دارا است. درستی به دست آمده در تفکیک خواب عمیق و بیداری با ویژگی معرفی شده بیش از درستی به دست آمده به وسیله همه ویژگی های مبتنی بر انرژی سیگنال است. می توان از این ویژگی در همه کارهایی که در آن ها از طیف مرتبه دوم استفاده می شود (مانند تعیین عمق بیهوشی)، استفاده کرد.
کلیدواژه مطالعات مقطعی، انرژی، پردازش سیگنال، عمق خواب
آدرس دانشگاه علوم پزشکی اصفهان, دانشکده فناوری‌های نوین در علوم پزشکی, گروه مهندسی پزشکی (بیوالکتریک), ایران, دانشگاه علوم پزشکی اصفهان, دانشکده فناوری‌های نوین در علوم پزشکی, گروه مهندسی پزشکی (بیوالکتریک), ایران, دانشگاه علوم پزشکی اصفهان, مرکز تحقیقات تنفسی بامداد, گروه بیماری‌های تنفسی و خواب, ایران
 
   Introduction of low to high frequencies bispectrum rate feature for deep sleep detection from awakening by electroencephalogram  
   
Authors Mohammadi Ehsan ,Kermani Saeed ,Amra Babak
  
 
 

Copyright 2023
Islamic World Science Citation Center
All Rights Reserved