Loading...

Design and Implementation of Sleep detection Algorithm for Obstructive Apnea Disorder using EEG and EOG Signals

Sharifi, Pargol | 2024

0 Viewed
  1. Type of Document: M.Sc. Thesis
  2. Language: Farsi
  3. Document No: 57530 (05)
  4. University: Sharif University of Technology
  5. Department: Electrical Engineering
  6. Advisor(s): Fakharzadeh Jahromi, Mohammad
  7. Abstract:
  8. Automatic classification of different sleep stages is an important and challenging research topic in the field of biomedical signal processing. The methods proposed so far for this purpose have been based on multi-channel physiological signals such as electroencephalogram , electrooculogram, and electromyogram . These signals can provide valuable information about the individual's sleep pattern and stages, but their use in a home environment is limited due to the need for complex equipment and specialized skills. Therefore, the development of a sleep stage classification method based on a single-channel signal that can achieve this goal with high accuracy without the need for complex equipment is of great importance. Such an approach can enable the development of home-based sleep monitoring systems and help improve people's quality of life. In recent years, considerable progress has been made in this area, and numerous studies have explored methods based on single-channel signals. Sleep stage detection is of great importance in the identification and management of sleep disorders. Since sleep apnea is considered one of the most common and dangerous sleep disorders worldwide, this project aims to use the analysis of sleep stage patterns to diagnose this disorder. Sleep apnea refers to a condition where the individual experiences cessation of breathing or inadequate breathing during sleep, and it can have serious health consequences such as daytime fatigue, cognitive impairments, and cardiovascular problems. Therefore, timely identification of this disorder and the provision of appropriate management strategies are of high importance. The results of this research can be used as a valuable diagnostic tool for healthcare professionals in the diagnosis and treatment of sleep apnea disorder. In this research, we aim to use the MIT-BIH dataset to separate and detect different stages of sleep. This dataset is one of the most common and comprehensive datasets related to the recording of brain signals and sleep, which enables the investigation and analysis of different sleep patterns. In this part of the research, the detection of sleep stages was investigated for classification problems with different numbers of classes: 2, 3, 4, 5, and 6. This allows for the comparison and evaluation of the accuracy of sleep stage detection under different conditions. To further improve the results of sleep stage classification, the use of feature matrix preprocessing methods and balancing the number of epochs for each class were investigated. This led to improved quality and separability of the extracted features, and consequently, an increase in the evaluation metrics. Finally, the best result of this part of the research was achieved for a two-class classification model with an approximate accuracy of 98 percent. This achievement demonstrates the success of the feature matrix preprocessing and class epoch balancing approaches in improving the performance of automatic sleep stage detection systems. In the next stage of this research, the researchers used various features in the temporal and spatial domains to detect sleep apnea. For this purpose, several simulation scenarios were implemented. In the first scenario, the researchers used features extracted from 6 sleep stages to diagnose sleep apnea disorder. In the second scenario, only 2 sleep stages were used. In this scenario, first the wakefulness epochs were identified and removed, and then features independent of sleep stages (in time and frequency domains) were used to diagnose sleep apnea disorder. Finally, the results obtained from both scenarios were improved using the balanced optimization method. The results showed that the second scenario led to the best evaluation criteria for sleep apnea disorder. These values for the criteria of accuracy, sensitivity, and specificity are 87.18, 85.19, and 89.16 percent, respectively. This observation clearly highlights the importance of selecting and optimally using appropriate features in improving the performance of automatic sleep disorder detection systems. Thus, the approach based on the removal of wakefulness epochs and the use of sleep-stage-independent features in this study has been able to achieve promising results in the diagnosis of sleep apnea disorder
  9. Keywords:
  10. Random Forest Algorithm ; Artificial Intelligence ; Machine Learning ; Sleep Stages ; Sleep Apnea ; Electroencphalogram Signal ; Polysomnography (PSG) ; ElectroOculogram (EOG)

 Digital Object List

 Bookmark

  • مقدمه
    • تعریف مسئله
    • اهمیت موضوع
    • ساختار پایان‌نامه
  • مفاهیم اولیه
    • مفاهیم و تعاریف اولیه
      • سلول عصبی یا نورون
      • دندریت
      • آکسون
      • پتانسیل غشاء
      • آستانه‌ی تحریک
      • پتانسیل استراحت
      • پتانسیل عمل
      • نحوه‌ی انتقال پتانسیل عمل در طول آکسون و باز و بسته‌شدن کانال‌ها
        • مجراهای یونی
        • کانال‌های یونی
        • پمپ‌های یونی
      • مدل‌سازی نورون
      • روش‌های ثبت فعالیت عصبی مغز
      • روش‌های ثبت تهاجمی
      • روش‌های ثبت غیرتهاجمی
        • روش الکتروانسفالوگرافی
        • روش مگنتوانسفالوگرافی
      • خواب
      • الکترود الکتروانسفالوگرافی
        • انواع الکترودها
      • سیستم بین‌المللی20-10
        • الکترود زمین
      • اختلالات خواب
      • روند کلی فرآیند ثبت سیگنال مغزی
      • آزمایش پلی‌سومنوگرافی
      • الگوهای سیگنال الکتروانسفالوگرام
      • باندهای فرکانسی مراحل مختلف خواب
        • باند دلتا
        • باند تتا
        • باند آلفا
        • باند بتا
        • باند گاما
      • چرخه‌ی خواب
      • مراحل پردازش سیگنال
    • مرحله‌ی پیش‌پردازش سیگنال مغزی ثبت‌شده
      • جداسازی /مکان‌یابی منابع
        • میانگین‌گیری
        • تصویربرداری عصبی/مغز
        • مدل‌سازی با استفاده از گراف
        • ICA
        • تجزیه‌ی سیگنال باروش موجک Wavelet
        • روش ترکیبی WT-ICA
        • پردازش سیگنال‌های آرایه‌ای و سیستم‌های آرایه فازی
      • فیلتر کردن سیگنال
      • راه‌های ارزیابی روش‌های حذف نویز
        • معیارهای ارزیابی فیلتر طراحی‌شده
      • انواع آرتیفکت‌های سیگنال EEG و روش‌های حذف آن
        • مباحث تئوری طراحی فیلتر
      • پاک‌سازی مجموعه‌داده‌
    • استخراج ویژگی
    • انتخاب ویژگی
      • MRMR
      • نمودار جفتPP
      • نمودار همبستگی
      • نقشه‌ی گرمایی یا رنگی
    • طبقه‌بندی
      • تقسیم داده‌های ماتریس ویژگی به دو دسته‌ی آموزش و آزمایش به منظور آموزش‌دادن به مدل یادگیری ماشین
      • پاک‌سازی مجموعه‌داده‌ی مدل یادگیری ماشین
        • انجام عملیات بر روی داده‌های گسسته
        • رسیدگی به داده‌های گمشده
        • استانداردسازی مجموعه‌داده
        • رسیدگی به داده‌های پرت یا خارج از محدوده
        • انتخاب ویژگی
      • ماتریس کانفیوژن
      • هیپنوگرام
      • تعادل و عدم تعادل در مجموعه‌داده و پارادوکس دقت
  • کارهای پیشین
    • مروری بر ادبیات موضوع
      • مروری بر روش‌های حذف نویز مورد استفاده در مقالات منتشرشده
        • حذف نویز با استفاده از فیلترها
        • حذف نویز با استفاده از موجک‌ها
      • مروری بر مقالات مورد استفاده در این پروژه
    • شبیه‌سازی‌های انجام‌شده در این پژوهش
      • طراحی و پیاده‌سازی فیلتر
        • مجموعه‌داده‌ی مورد استفاده
        • واردکردن سیگنال داده
        • افزودن نويز به سيگنال
        • طراحی و شبیه‌سازی فیلتر
        • نتایج بدست‌آمده از معیارها برای فیلتر میان‌گذر طراحی‌شده
        • محیط نرم‌افزاری مورداستفاده در طراحی فیلتر
        • نتیجه‌گیری
      • استخراج ویژگی
      • طبقه‌بندی
      • ارزیابی الگوریتم های پیاده‌سازی شده
        • مجموعه‌داده‌ی مورد استفاده
      • شبیه‌سازی اول: طبقه‌بندی مجموعه‌داده‌ی UCI با استفاده از الگوریتم‌های طراحی‌شده
      • شبیه‌سازی دوم: طبقه‌بندی مجموعه‌داده‌ی Dream با استفاده از الگوریتم‌های طراحی‌شده
        • پیش‌پردازش مجموعه‌داده‌ی Dream
    • روش های بهبود نتایج مدل های یادگیری ماشین
      • شبیه‌سازی بهبود نتایج با استفاده از پا‌ک‌سازی مجموعه‌داده
        • ‌مجموعه‌داده‌ی مورد استفاده
        • پیش‌پردازش مجموعه‌داده
        • شبیه‌سازی اول
      • روش‌های پیاده‌سازی‌شده انتخاب ویژگی
        • شبیه‌سازی اول
        • شبیه‌سازی دوم
        • شبیه‌سازی سوم
        • شبیه‌سازی چهارم
        • شبیه‌سازی پنجم
      • روش‌های مختلف رسیدگی به داده‌های پرت و گمشده
        • شبیه‌سازی انجام‌شده در این پژوهش
        • نتیجه‌گیری
      • طبقه‌بندی مراحل خواب
        • مجموعه‌داده‌ی مورد استفاده
        • بلوک‌دیاگرام کلی مقاله مورد استفاده در این بخش
        • بلوک‌دیاگرام مورد استفاده در این پژوهش
        • شبیه‌سازی‌های انجام‌شده
        • شبیه‌سازی روش اول
        • شبیه‌سازی روش دوم
  • نتایج جدید
    • تشخیص آپنه
    • تشخیص آپنه به‌کمک مراحل خواب
      • مجموعه‌داده‌ی مورد استفاده
      • شبیه‌سازی مربوط به تشخیص مراحل خواب
        • شرح شبیه‌سازی‌های انجام‌شده
        • جمع‌بندی
        • پیشنهادات
      • شبیه‌سازی مربوط به تشخیص آپنه‌ی انسدادی با استفاده از مراحل خواب
        • ‌مجموعه‌داده‌ی مورداستفاده
        • شبیه‌سازی مربوط به تشخیص آپنه با استفاده از مراحل خواب
    • تشخیص آپنه به‌طور مستقیم و بدون نیاز به دانستن مراحل خواب
      • نتیجه‌گیری
      • پیشنهادات
  • نتیجه‌گیری
    • مجموعه‌داده
    • نحوه‌ی واردکردن سیگنال و برچسب‌های مجموعه‌داده به نرم‌افزار متلب
    • ویژگی‌های استخراج‌شده برای تشخیص خواب
    • جمع‌بندی
    • پیشنهادات
  • مراجع
  • واژه‌نامه
...see more