فهرست نشریات علمی دسترسی آزاد ایران

تقریباً یک‌سوم زندگی انسان در خواب سپری می‌شود و اختلالات خواب می‌توانند به طور قابل توجهی بر کیفیت زندگی و عملکرد شناختی تأثیر بگذارند؛ از این‌رو، تشخیص دقیق مراحل خواب از اهمیت ویژه‌ای برخوردار است. در این پژوهش، یک مدل ترکیبی موازی سبک‌وزن برای طبقه‌بندی خودکار مراحل خواب با استفاده از سیگنال‌های EEG ارائه شده است. در این مدل، ویژگی‌های حاصل از اعمال مکانیزم توجه چندسر (MHA) بر محتوای طیفی سیگنال‌های EEG با ویژگی‌های استخراج ‌شده از لایه‌های پیچشی یک‌بعدی (1D-CNN) ادغام شدند. ترکیب ویژگی‌های طیفی بهبود یافته توسط MHA با ویژگی‌های زمانی استخراج‌ شده از CNN، منجر به افزایش چشمگیر دقت طبقه‌بندی شد. مدل پیشنهادی بر روی مجموعه‌داده‌ Sleep_Edf_20 به دقت کلی ۸۱ درصد در طبقه‌بندی مراحل خواب دست یافت، که نشان‌دهنده‌ عملکرد رقابتی آن نسبت به معماری‌های سنگین‌تر است. برای نشان دادن برتری مدل پیشنهادی، شبکه عصبی پیچشی یک بعدی، در سه ساختار مختلف با مکانیزم توجه چند سر ترکیب گردید. نتایج نشان داد که ساختار پیشنهادی با تعداد پارامترکمتر، دقت بیشتری در طبقه بندی مراحل خواب دارد. بعلاوه برای مقابله با مشکل عدم‌توازن داده‌ها بین کلاس‌های مختلف مراحل خواب، از روش وزن‌دهی در تابع هزینه استفاده شد که بهبود محسوسی در شناسایی مراحل کم‌نمونه، به‌ویژه مرحله یک خواب ایجاد کرد.