تفکیک بازه‌های زمانی بیداری ازخواب مبتنی بر پردازش طیف مرتبه‌ی دوم سیگنال ‏الکتروانسفالوگرام

نوع مقاله : مقاله های پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد، گروه بیوالکتریک و مهندسی پزشکی و کمیته‌ی تحقیقات دانشجویی، دانشکده‌ی فن‌آوری‌های نوین علوم پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران

2 دانشیار، گروه بیوالکتریک و مهندسی پزشکی، دانشکده‌ی فن‌آوری‌های نوین علوم پزشکی، دانشگاه علوم پزشکی ‏اصفهان، اصفهان، ایران

3 فوق تخصص بیماری‌های تنفسی و خواب، مرکز تحقیقات تنفسی بامداد و استاد، گروه داخلی، دانشکده‌ی پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران

چکیده

مقدمه: تفکیک دقیق بازه‌های زمانی بیداری از خواب، باعث افزایش دقت طبقه‌بندی مراحل خواب وتعیین شاخص بازده خواب می‌گردد که از نظر تشخیصی از اهمیت بالایی برخوردار است. در این مقاله، سه ویژگی جدید از طیف مرتبه‌ی دوم سیگنال استخراج و از ترکیب آن‌ها با ویژگی خود همبستگی فاز جهت تفکیک خواب از بیداری استفاده گردید.روش‌ها: از مقادیر طیف مرتبه‌ی دوم الکتروانسفالوگرام تصویر خاکستری ساخته شد و با آستانه‌گذاری Otsu به تصویر دو سطحی تبدیل گشت. سپس، از آن سه ویژگی تعداد بیت یک، نسبت تعداد بیت‌های یک بالای قطر فرعی به پایین آن و آنتروپی استخراج و با ترکیب این ویژگی‌ها با میانگین مقادیرخود همبستگی فاز، روش کارآمد و جدیدی برای تمایز خواب از بیداری پیشنهاد گردید.یافته‌ها: میزان صحت، ویژگی و حساسیت برای نتایج محاسبه شد. با استفاده از ویژگی خود همبستگی فاز، بازه‌ی بیداری از خواب با دقت 53/77 درصد و ویژگی نسبت تعداد بیت یک در دو طرف قطر فرعی تصویر طیف مرتبه‌ی دوم با 12/88 درصد قابل تفکیک است. در نهایت، ترکیب این سه ویژگی با ویژگی خود همبستگی فاز، صحت تفکیک خواب از بیداری را به 42/92 و میزان حساسیت و ویژگی را به 82/91 و 10/93 ‌رساند.نتیجه‌گیری: ویژگی‌های پیشنهاد شده، کارایی لازم را برای استفاده در تعیین عمق خواب دارا بودند. روش ارایه شده جهت تمایز خواب از بیداری با ترکیب ویژگی‌های استخراج شده از تصویر طیف مرتبه‌ی دوم با خود همبستگی فاز، از روش‌های مشابه خود به جهت دقت بالاتر و پیچیدگی محاسباتی کمتر، کاراتر است.

کلیدواژه‌ها

عنوان مقاله [English]

Automatic Separation of Awakening from Sleep Epochs based on Bispectrum Analysis of Electroencephalogram Signals

نویسندگان [English]

  • Ehsan Mohammadi 1
  • Saeed Kermani 2
  • Babak Amra 3
1 MSc Student, Department of Bioelectrics and Biomedical Engineering AND Student Research Committee, School of Advanced Technologies in Medicine, Isfahan University of Medical Sciences, Isfahan, Iran
2 Associate Professor, Department of Bioelectrics and Biomedical Engineering, School of Advanced Technologies in Medicine, Isfahan University of Medical Sciences, Isfahan, Iran
3 Pulmonologist and Somnologist, Bamdad Respiratory Research Center AND Professor, Department of Internal Medicine, School of Medicine, Isfahan University of Medical Sciences, Isfahan, Iran
چکیده [English]

Background: Accurate separation of awakening from sleep increases the accuracy of detecting sleep stages and determining sleep efficiency index that is important for medical diagnosis. In this study, 3 new bispectrum-based features were extracted, and combination of them with Bi-Phase correlation was used to detect awakening from sleep.Methods: A gray scale image was made of electroencephalogram bispectrum amounts and converted to binary image with Otsu’s thresholding. Then, 3 features were extracted from it: total numbers of one bits, ratio of one bit in the above of the secondary diagonal to the down of it, and entropy. By combining these features with the average Bi-Phase correlation, an efficient and new way to distinguish the awakening of sleep was proposed.Findings: The accuracy, specificity, and sensitivity were calculated. Awakening intervals could be distinguished from sleep using Bi-Phase correlation feature by the accuracy of 77.53%, and using ratio of one bit in the above of the secondary diagonal to the down of it, by the accuracy of 88.12%. Finally, combining 3 mentioned features with Bi-Phase correlation gave the ability to separate awakening from sleeping with the accuracy of 92.42%, sensitivity of 91.82%, and specificity of 93.10%.Conclusion: New features have this capability to use in sleep staging. The proposed method in awakening and sleep discrimination, by combining bispectrum image-based features with Bi-Phase correlation, is better than other existing ‎approaches because of high accuracy and low calculation complexity.

کلیدواژه‌ها [English]

  • Sleep stages
  • Electroencephalography
  • Wavelet analysis
  • classification

مراجع

  1. Touchette E, Petit D, Seguin JR, Boivin M, Tremblay RE, Montplaisir JY. Associations between sleep duration patterns and behavioral/cognitive functioning at school entry. Sleep 2007; 30(9): 1213-9.
  2. Rechtschaffen A, Kales A. A manual of standardized terminology, techniques and scoring system for sleep stages of human subjects. Bethesda, MD: National Institute of Neurological Diseases and Blindness, Neurological Information Network; 1968.
  3. Sadock BJ, Sadock VA. Kaplan and Sadock's synopsis of psychiatry: Behavioral sciences/clinical psychiatry. Philadelphia, PA: Lippincott Williams and Wilkins; 2011.
  4. Sen B, Peker M, Cavusoglu A, Celebi FV. A comparative study on classification of sleep stage based on EEG signals using feature selection and classification algorithms. J Med Syst 2014; 38(3): 18.
  5. Venkatakrishnan P, Sangeetha S, Sukanesh R. Bispectral analysis of human electroencephalogram (EEG) signals during various sleep stages. Proceedings of the New Trends in Audio and Video/Signal Processing Algorithms, Architectures, Arrangements, and Applications; 2008 Sep 25-27; Poznan, Poland.
  6. Sundaramoorthy G, Raghuveer MR, Dianat SA. Bispectral reconstruction of signals in noise: amplitude reconstruction issues. IEEE Trans Acoust 1990; 38(7): 1297-306.
  7. Nikias CL, Raghuveer MR. Bispectrum estimation: A digital signal processing framework. Proc IEEE 1987; 75(7): 869-91.
  8. Shabanian-Boroujeni T. Electroencephalogram analysis for diagnosis of mild cognitive [MSc Thesis]. Isfahan, Iran: School of Advanced Technologies in Medicine, Isfahan University of Medical Sciences; 2016. [In Persian].
  9. Goldberger AL, Amaral LAN, Glass L, Hausdorff JM, Ivanov PC, Mark RG, et al. PhysioBank, PhysioToolkit, and PhysioNet. Circulation 2000; 101(23): e215.
  10. Chua KC, Chandran V, Acharya UR, Lim CM. Application of higher order statistics/spectra in biomedical signals--a review. Med Eng Phys 2010; 32(7): 679-89.
  11. Otsu N. A threshold selection method from gray-level histograms. IEEE Trans Syst Man Cybern Syst 1979; 9(1): 62-6.
  12. Shabanian-Boroujeni T, Kermani S, Barekatain M, Kashefpoor M. Proposing an approach for diagnosis of mild cognitive impairment based on approximate entropy. J Isfahan Med Sch 2017; 34(407): 1356-61. [In Persian].
  13. van Milligen BP, Sunchez E, Estrada T, Hidalgo C, Branas B, Carreras B, et al. Wavelet bicoherence: A new turbulence analysis tool. Physics of Plasmas 1995; 2(8): 3017-32.
  14. Ho TK. Random decision forests. Proceedings of the 3rd International Conference on Document Analysis and Recognition; 1995 Aug 14-16; Montreal, Canada.
  15. Hsu YL, Yang YT, Wang JS, Hsu CY. Automatic sleep stage recurrent neural classifier using energy features of EEG signals. Neurocomputing 2013; 104: 105-14.
  16. Bajaj V, Pachori RB. Automatic classification of sleep stages based on the time-frequency image of EEG signals. omput Methods Programs Biomed 2013; 112(3): 320-8.
  17. Doroshenkov LG, Konyshev VA, Selishchev SV. Classification of human sleep stages based on EEG processing using hidden Markov models. Biomed Eng 2007; 41(1): 25-8.
مجله دانشکده پزشکی اصفهان
دوره 35، شماره 448 - شماره پیاپی 448
مهر و آبان 1396
صفحه 1271-1275

فایل ها

سابقه مقاله

  • تاریخ دریافت: 05 شهریور 1396
  • تاریخ بازنگری: 06 اردیبهشت 1403
  • تاریخ پذیرش: 17 فروردین 1401

هم رسانی

ارجاع به این مقاله

آمار