بهره‌گیری از بیان تنک به‌منظور کلاس‌بندی مراحل خواب با استفاده از سیگنال الکتروانسفالوگرام
در این مقاله، از بیان تنک سیگنال EEG به‌منظور طبقه‌بندی مراحل خواب استفاده شده است. در این راستا دو روند کلی تنک‌سازی پیشنهاد شده و تاثیر آن‌ها بر روند تشخیص مراحل چهارگانه خواب بررسی شده است. روش پیشنهادی اول مبتنی بر به‌کارگیری روش تحلیل مولفه اصلی تنک (SPCA) برای حالت‌های به‌کارگیری ویژگی‌های مخت...
| Main Authors: | , , |
|---|---|
| Format: | Article |
| Language: | fas |
| Published: |
University of Tabriz
2019-05-01
|
| Series: | پردازش سیگنال پیشرفته |
| Subjects: | |
| Online Access: | https://jasp.tabrizu.ac.ir/article_9176_b1d676ee6de407a1ab5c16401562bfbb.pdf |
| _version_ | 1818279850212851712 |
|---|---|
| author | بهاره آزادیان توحید یوسفی رضایی سعید مشگینی |
| author_facet | بهاره آزادیان توحید یوسفی رضایی سعید مشگینی |
| author_sort | بهاره آزادیان |
| collection | DOAJ |
| description | در این مقاله، از بیان تنک سیگنال EEG به‌منظور طبقه‌بندی مراحل خواب استفاده شده است. در این راستا دو روند کلی تنک‌سازی پیشنهاد شده و تاثیر آن‌ها بر روند تشخیص مراحل چهارگانه خواب بررسی شده است. روش پیشنهادی اول مبتنی بر به‌کارگیری روش تحلیل مولفه اصلی تنک (SPCA) برای حالت‌های به‌کارگیری ویژگی‌های مختلف، از جمله زمانی، فرکانسی و زمان-فرکانسی و اعمال به کلاس‌بندی ماشین بردار پشتیبان (SVM) است. روش پیشنهادی دوم بر اساس به‌کارگیری طبقه‌بندی‌کننده مبتنی بر بیان تنک (SRC) است که از الگوریتم پیگیر تطبیق متعامد (OMP) در مرحله ایجاد دیکشنری و بیان تنک بهره می‌برد. به منظور ارزیابی کارایی الگوریتم‌های پیشنهادی، عملکرد آن‌ها با الگوریتم‌های موجود مشابه مقایسه شده است و بدین منظور از داده‌های ثبت شده در پایگاه داده بین‌المللی PhysioNet استفاده شده است. مقایسه نتایج روش های پیشنهادی نشان دهنده بالاتر بودن دقت میانگین روش پیشنهادی اول نسبت به روش PCA و روش یادگیری عمیق به ترتیب %8.36 و %8.26 است. همچنین سرعت اجرای روش پیشنهادی دوم نسبت به دو روش مذکور %118 و %72 بالاتر است. |
| first_indexed | 2024-12-12T23:39:53Z |
| format | Article |
| id | doaj.art-7847d10343954a3ba809c944ae8b3ed7 |
| institution | Directory Open Access Journal |
| issn | 2676-3397 2676-3400 |
| language | fas |
| last_indexed | 2024-12-12T23:39:53Z |
| publishDate | 2019-05-01 |
| publisher | University of Tabriz |
| record_format | Article |
| series | پردازش سیگنال پیشرفته |
| spelling | doaj.art-7847d10343954a3ba809c944ae8b3ed72022-12-22T00:07:14ZfasUniversity of Tabrizپردازش سیگنال پیشرفته2676-33972676-34002019-05-01311119176بهره‌گیری از بیان تنک به‌منظور کلاس‌بندی مراحل خواب با استفاده از سیگنال الکتروانسفالوگرامبهاره آزادیان0توحید یوسفی رضایی1سعید مشگینی2گروه مهندسی پزشکی، دانشکده مهندسی برق و کامپیوتر، دانشگاه تبریز، تبریز، ایرانگروه مهندسی پزشکی، دانشکده مهندسی برق و کامپیوتر، دانشگاه تبریز، تبریز، ایرانگروه مهندسی پزشکی، دانشکده مهندسی برق و کامپیوتر، دانشگاه تبریز، تبریز، ایراندر این مقاله، از بیان تنک سیگنال EEG به‌منظور طبقه‌بندی مراحل خواب استفاده شده است. در این راستا دو روند کلی تنک‌سازی پیشنهاد شده و تاثیر آن‌ها بر روند تشخیص مراحل چهارگانه خواب بررسی شده است. روش پیشنهادی اول مبتنی بر به‌کارگیری روش تحلیل مولفه اصلی تنک (SPCA) برای حالت‌های به‌کارگیری ویژگی‌های مختلف، از جمله زمانی، فرکانسی و زمان-فرکانسی و اعمال به کلاس‌بندی ماشین بردار پشتیبان (SVM) است. روش پیشنهادی دوم بر اساس به‌کارگیری طبقه‌بندی‌کننده مبتنی بر بیان تنک (SRC) است که از الگوریتم پیگیر تطبیق متعامد (OMP) در مرحله ایجاد دیکشنری و بیان تنک بهره می‌برد. به منظور ارزیابی کارایی الگوریتم‌های پیشنهادی، عملکرد آن‌ها با الگوریتم‌های موجود مشابه مقایسه شده است و بدین منظور از داده‌های ثبت شده در پایگاه داده بین‌المللی PhysioNet استفاده شده است. مقایسه نتایج روش های پیشنهادی نشان دهنده بالاتر بودن دقت میانگین روش پیشنهادی اول نسبت به روش PCA و روش یادگیری عمیق به ترتیب %8.36 و %8.26 است. همچنین سرعت اجرای روش پیشنهادی دوم نسبت به دو روش مذکور %118 و %72 بالاتر است.https://jasp.tabrizu.ac.ir/article_9176_b1d676ee6de407a1ab5c16401562bfbb.pdfکلاس‌بندی خوابحسگری فشردهتنک‌سازیسیگنال الکتروانسفالوگرام |
| spellingShingle | بهاره آزادیان توحید یوسفی رضایی سعید مشگینی بهره‌گیری از بیان تنک به‌منظور کلاس‌بندی مراحل خواب با استفاده از سیگنال الکتروانسفالوگرام پردازش سیگنال پیشرفته کلاس‌بندی خواب حسگری فشرده تنک‌سازی سیگنال الکتروانسفالوگرام |
| title | بهره‌گیری از بیان تنک به‌منظور کلاس‌بندی مراحل خواب با استفاده از سیگنال الکتروانسفالوگرام |
| title_full | بهره‌گیری از بیان تنک به‌منظور کلاس‌بندی مراحل خواب با استفاده از سیگنال الکتروانسفالوگرام |
| title_fullStr | بهره‌گیری از بیان تنک به‌منظور کلاس‌بندی مراحل خواب با استفاده از سیگنال الکتروانسفالوگرام |
| title_full_unstemmed | بهره‌گیری از بیان تنک به‌منظور کلاس‌بندی مراحل خواب با استفاده از سیگنال الکتروانسفالوگرام |
| title_short | بهره‌گیری از بیان تنک به‌منظور کلاس‌بندی مراحل خواب با استفاده از سیگنال الکتروانسفالوگرام |
| title_sort | بهره‌گیری از بیان تنک به‌منظور کلاس‌بندی مراحل خواب با استفاده از سیگنال الکتروانسفالوگرام |
| topic | کلاس‌بندی خواب حسگری فشرده تنک‌سازی سیگنال الکتروانسفالوگرام |
| url | https://jasp.tabrizu.ac.ir/article_9176_b1d676ee6de407a1ab5c16401562bfbb.pdf |
| work_keys_str_mv | AT bhạrhậzạdyạn bhrhgyryạzbyạntnḵbhmnẓwrḵlạsbndymrạḥlkẖwạbbạạstfạdhạzsygnạlạlḵtrwạnsfạlwgrạm AT twḥydywsfyrḍạyy bhrhgyryạzbyạntnḵbhmnẓwrḵlạsbndymrạḥlkẖwạbbạạstfạdhạzsygnạlạlḵtrwạnsfạlwgrạm AT sʿydmsẖgyny bhrhgyryạzbyạntnḵbhmnẓwrḵlạsbndymrạḥlkẖwạbbạạstfạdhạzsygnạlạlḵtrwạnsfạlwgrạm |