دوره 76، شماره 5 - ( مرداد 1397 )                   جلد 76 شماره 5 صفحات 326-330 | برگشت به فهرست نسخه ها

XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Mohammadi E, Kermani S, Amra B. Introduction of low to high frequencies bispectrum rate feature for deep sleep detection from awakening by electroencephalogram. Tehran Univ Med J. 2018; 76 (5) :326-330
URL: http://tumj.tums.ac.ir/article-1-8965-fa.html
محمدی احسان، کرمانی سعید، امرا بابک. معرفی ویژگی نرخ دوطیفی فرکانس‌های پایین به بالا به‌منظور تشخیص خواب عمیق از بیداری با سیگنال الکتروانسفالوگرام. مجله دانشکده پزشکی، دانشگاه علوم پزشکی تهران. 1397; 76 (5) :326-330

URL: http://tumj.tums.ac.ir/article-1-8965-fa.html


1- گروه مهندسی پزشکی (بیوالکتریک)، دانشکده فناوری‌های نوین در علوم پزشکی، ‌دانشگاه علوم پزشکی اصفهان، اصفهان، ایران.
2- گروه مهندسی پزشکی (بیوالکتریک)، دانشکده فناوری‌های نوین در علوم پزشکی، ‌دانشگاه علوم پزشکی اصفهان، اصفهان، ایران. ، kermani@med.mui.ac.ir
3- گروه بیماری‌های تنفسی و خواب، مرکز تحقیقات تنفسی بامداد، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران.
چکیده:   (415 مشاهده)
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 ۱۳۹۵ تا مهر ۱۳۹۶ انجام شد. مطالعه بر روی ۲۵۹۸ 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 ۹۹/۵۰% 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.
متن کامل [PDF 858 kb]   (107 دریافت)    
نوع مطالعه: مقاله اصیل |

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA code

ارسال پیام به نویسنده مسئول