ارائه‌کننده: صدف آرام
استاد راهنما:  دکتر بابک محمدزاده اصل
استاد مشاور اول: دکتر محمد قاسمی
استاد ناظر داخلی: دکتر منصوره پاکروان
استاد ناظر خارجی اول: دکتر مریم محبی (دانشگاه خواجه نصیر طوسی)
تاریخ: 1403/11/02
ساعت: 11
مکان: اتاق شیشه ای

چکیده:
طبقه‌بندی دقیق مراحل خواب نقش مهمی در تشخیص اختلالات خواب، درک الگوهای خواب و توسعه روش‌های درمانی مؤثر ایفا می‌کند. با این حال، طبقه‌بندی مراحل خواب به دلیل پیچیدگی سیگنال‌های الکتروانسفالوگرام (EEG) و همپوشانی ویژگی‌های مرتبط بین مراحل خواب، چالش‌های زیادی را به همراه دارد. این تحقیق با هدف بهبود دقت طبقه‌بندی مراحل خواب از طریق سیگنال‌های EEG و با استفاده از شبکه‌های عصبی عمیق طراحی شده است. در این راستا ما از داده‌های پایگاه داده Sleep-EDF استفاده کردیم که سیگنال‌های EEG مربوط به پنج مرحله خواب شامل بیداری، N1، N2، N3 و REM را شامل می‌شود. در این تحقیق، ابتدا سیگنال‌های EEG کانال   Fpz-Cz از داده‌های خام استخراج شده و با استفاده از تبدیل SynchroSqueezed (SST) به نمایش‌های زمان-فرکانس تبدیل می‌شوند. این تبدیل امکان استخراج ویژگی‌های هم‌زمان در حوزه‌های زمان و فرکانس را فراهم می‌آورد که برای طبقه‌بندی دقیق‌تر مراحل خواب ضروری است. به منظور حل مشکل طبقه‌بندی سیگنال‌های طولانی ۳۰۰۰ نمونه‌ای، هر سیگنال به بخش‌های کوچکتر ۲۵۶ نمونه‌ای با هم‌پوشانی ۷ تقسیم می‌شود. در مرحله اول یک شبکه عصبی کانولوشنی (CNN) بر روی این بخش‌ها آموزش داده می‌شود تا وزن‌های مدل به‌طور اولیه تنظیم شوند. در مرحله دوم با استفاده از روش یادگیری متضاد، استخراج ویژگی‌ها بهبود می‌یابد و شبکه توانایی بیشتری در تفکیک ویژگی‌ها میان مراحل مختلف خواب پیدا می‌کند. این آموزش دو مرحله‌ای مبنای محکمی برای استخراج ویژگی‌ها ایجاد می‌کند. پس از تکمیل آموزش اولیه، از شبکه پیش‌آموزش دیده برای طبقه‌بندی سیگنال‌های ۳۰۰۰ نمونه‌ای استفاده می‌شود. در مرحله‌‌ سوم، شبکه تقلید ویژگی (FIN) به‌طور مستقیم سیگنال‌های ۳۰۰۰ نمونه‌ای را برای محاسبه آنتروپی شانون پردازش می‌کند. هم‌زمان در مرحله چهارم، سیگنال‌ها به ۱۵ بخش ۲۵۶ نمونه‌ای تقسیم شده و به‌صورت توزیع‌شده در زمان پردازش می‌شوند و سپس ویژگی‌های استخراج شده به واحد‌های بازگشتی گیت‌دار (GRU) داده می‌شوند تا وابستگی‌های بلندمدت میان ویژگی‌ها استخراج شوند. در نهایت، ویژگی‌های استخراج شده از مراحل سوم و چهارم ادغام شده و برای تحلیل و طبقه‌بندی نهایی، وارد لایه‌های تمام متصل می‌شوند. این مدل به صحت ۸۳٪ ، دقت ۸۲٪، حساسیت ۸۳٪ و فاکتور F1 ٪۸۲ دست یافت. این نتایج بیانگر کارآمدی روش پیشنهادی در طبقه‌بندی مراحل خواب است و می‌تواند به‌عنوان ابزاری کمکی برای تشخیص و درمان اختلالات خواب در مراکز پزشکی به‌کار گرفته شود.