این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مجله دانشکده پزشکی دانشگاه علوم پزشکی تهران، جلد ۷۶، شماره ۵، صفحات ۳۲۶-۳۳۰
عنوان فارسی معرفی ویژگی نرخ دوطیفی فرکانس‌های پایین به بالا به‌منظور تشخیص خواب عمیق از بیداری با سیگنال الکتروانسفالوگرام
چکیده فارسی مقاله زمینه و هدف: تشخیص دقیق خواب عمیق (خواب با امواج آهسته) از بیداری، باعث افزایش صحت طبقه‌بندی خواب به‌عنوان امری مهم در پزشکی خواهد شد. به‌دلیل هزینه‌بر و وقت‌گیر بودن تعیین دستی عمق خواب می‌توان با پردازش سیگنال مغزی به‌صورت اتوماتیک عمق خواب را تعیین کرد. در این مطالعه ویژگی جدیدی از طیف مرتبه دوم سیگنال الکتروانسفالوگرام جهت تشخیص خواب عمیق بررسی شد. روش بررسی: این مطالعه مقطعی در دانشکده فناوری‌های نوین علوم پزشکی دانشگاه علوم‌ پزشکی اصفهان از بهمن 1395 تا مهر 1396 انجام شد. مطالعه بر روی 2598 تکه سیگنال الکتروانسفالوگرام دریافت‌شده از هشت نفر می‌باشد. در این مطالعه از مقادیر طیف مرتبه دوم الکتروانسفالوگرام تصویر خاکستری ساخته شد و با آستانه‌گذاری اُتسو به تصویر باینری تبدیل گشت. سپس ویژگی جدید نسبت تعداد بیت‌های سفید بالای قطر فرعی به پایین آن (نرخ دوطیفی فرکانس‌های پایین به بالا) از تصویر استخراج شد. یافته‌ها: ویژگی‌های مبتنی بر انرژی از جمله مهمترین روش‌های پردازش سیگنال‌های حیاتی هستند. نرخ دوطیفی فرکانس‌های پایین به بالا، قادر است با درستی 99/50% حالت بیداری را از خواب عمیق جدا کند درحالی‌که براساس نتایج به‌دست‌آمده ویژگی‌های مبتنی بر انرژی چنین توانایی ندارند. نتیجه‌گیری: ویژگی معرفی‌شده کارایی لازم را برای استفاده در تعیین اتوماتیک عمق خواب دارا است. درستی به‌دست‌آمده در تفکیک خواب عمیق و بیداری با ویژگی معرفی‌شده بیش از درستی به‌دست‌آمده به‌وسیله همه ویژگی‌های مبتنی بر انرژی سیگنال است. می‌توان از این ویژگی در همه کارهایی که در آن‌ها از طیف مرتبه دوم استفاده می‌شود (مانند تعیین عمق بیهوشی)، استفاده کرد.
کلیدواژه‌های فارسی مقاله مطالعات مقطعی، انرژی، پردازش سیگنال، عمق خواب
عنوان انگلیسی Introduction of low to high frequencies bispectrum rate feature for deep sleep detection from awakening by electroencephalogram
چکیده انگلیسی مقاله Background: Accurate detection of deep sleep (Due to the low frequency of the brain signal in this part of sleep, it is also called slow-wave sleep) from awakening increases the sleep staging accuracy as an important factor in medicine. Depending on the time and cost of manually determining the depth of sleep, we can automatically determine the depth of sleep by electroencephalogram (EEG) signal processing. In this paper a new EEG bispectrum based feature is introduced for deep sleep discrimination. Methods: This cross-sectional study was conducted at Isfahan University of Medical Sciences, Faculty of Advanced Technologies in Medicine, from February to October 2017. In this study a gray scale image was made of electroencephalogram bispectrum amounts and converted to binary image with Otsu's Thresholding. Then the ratio of white bits in the above of the secondary diagonal to white bits in the down of secondary diagonal (low to high frequencies bispectrum rate) is extracted as a new feature. This feature is an effective method for detecting deep sleep from awakening. Results: One of the important methods in biomedical signal processing is the use of the power spectrum or signal energy. In sleep studies, energy-related features have also been used to determine the depth of sleep. Low to high frequencies bispectrum rate is able to separate deep sleep from awakening by accuracy of 99.50 percent, while energy-based features as one of the most important approaches to sleep classification do not have this ability. Conclusion: In this study we show that "Low to high frequencies bispectrum rate" feature has this capability to use in sleep staging. It is not used in previous works. The accuracy obtained in deep sleep separation from the awakening with the introduced feature (99.50 percent) is greater than the accuracy obtained by all the energy-based features (The simultaneous use of the 6 bands energy leads to 99.42 percent accuracy). This feature indicates the ratio of the phase coupling at low frequencies to high frequencies and can be used in all cases where the bispectrum is used (such as determining the depth of anesthesia).
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله احسان محمدی | Ehsan Mohammadi
Department of Bioelectrics and Biomedical Engineering, School of Advanced ‎Technologies in Medicine, Isfahan University of Medical ‎Sciences, Isfahan, Iran.
گروه مهندسی پزشکی (بیوالکتریک)، دانشکده فناوری‌های نوین در علوم پزشکی، ‌دانشگاه علوم پزشکی اصفهان، اصفهان، ایران.

سعید کرمانی | Saeed Kermani
Department of Bioelectrics and Biomedical Engineering, School of Advanced ‎Technologies in Medicine, Isfahan University of Medical ‎Sciences, Isfahan, Iran.
گروه مهندسی پزشکی (بیوالکتریک)، دانشکده فناوری‌های نوین در علوم پزشکی، ‌دانشگاه علوم پزشکی اصفهان، اصفهان، ایران.

بابک امرا | Babak Amra
Department of Pulmonology and ‏Somnologist, Bamdad ‏‎Respiratory Research Center‏‎, Isfahan University of Medical Sciences, ‎Isfahan, Iran.
گروه بیماری‌های تنفسی و خواب، مرکز تحقیقات تنفسی بامداد، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران.

نشانی اینترنتی http://tumj.tums.ac.ir/browse.php?a_code=A-10-3666-71&slc_lang=other&sid=1
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/54/article-54-802740.pdf
کد مقاله (doi)
زبان مقاله منتشر شده other
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده مقاله اصیل
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات