ارائه‌ کننده: صدف آراماستاد راهنما:   دکتر بابک محمدزاده اصلاستاد مشاور اول:   دکتر محمد قاسمی استاد ناظر داخلی:   دکتر منصوره پاکرواناستاد ناظر خارجی اول:   دکتر مریم محبی (دانشگاه خواجه نصیر طوسی) تاریخ: ۱۴۰۳/۱۱/۰۲ ساعت: ۱۱ مکان: اتاق شیشه‌ایچکیده: طبقه‌ بندی دقیق مراحل خواب نقش مهمی در تشخیص اختلالات خواب، درک الگوهای خواب و توسعه روش‌ های درمانی مؤثر ایفا می‌ کند. با این حال، طبقه‌ بندی مراحل خواب به دلیل پیچیدگی سیگنال‌ های الکتروانسفالوگرام (EEG) و همپوشانی ویژگی‌ های مرتبط بین مراحل خواب، چالش‌ های زیادی را به همراه دارد. این تحقیق با هدف بهبود دقت طبقه‌ بندی مراحل خواب از طریق سیگنال‌ های EEG و با استفاده از شبکه‌ های عصبی عمیق طراحی شده است. در این راستا ما از داده‌ های پایگاه داده Sleep-EDF استفاده کردیم که سیگنال‌ های EEG مربوط به پنج مرحله خواب شامل بیداری، N۱، N۲، N۳ و REM را شامل می‌ شود. در این تحقیق، ابتدا سیگنال‌ های EEG کانال    Fpz-Cz از داده‌ های خام استخراج شده و با استفاده از تبدیل SynchroSqueezed (SST) به نمایش‌ های زمان-فرکانس تبدیل می‌ شوند. این تبدیل امکان استخراج ویژگی‌ های هم‌ زمان در حوزه‌ های زمان و فرکانس را فراهم می‌ آورد که برای طبقه‌ بندی دقیق‌ تر مراحل خواب ضروری است. به منظور حل مشکل طبقه‌ بندی سیگنال‌ های طولانی ۳۰۰۰ نمونه‌ ای، هر سیگنال به بخش‌ های کوچکتر ۲۵۶ نمونه‌ ای با هم‌ پوشانی ۷ تقسیم می‌ شود. در مرحله اول یک شبکه عصبی کانولوشنی (CNN) بر روی این بخش‌ ها آموزش داده می‌ شود تا وزن‌ های مدل به‌ طور اولیه تنظیم شوند. در مرحله دوم با استفاده از روش یادگیری متضاد، استخراج ویژگی‌ ها بهبود می‌ یابد و شبکه توانایی بیشتری در تفکیک ویژگی‌ ها میان مراحل مختلف خواب پیدا می‌ کند. این آموزش دو مرحله‌ ای مبنای محکمی برای استخراج ویژگی‌ ها ایجاد می‌ کند. پس از تکمیل آموزش اولیه، از شبکه پیش‌ آموزش دیده برای طبقه‌ بندی سیگنال‌ های ۳۰۰۰ نمونه‌ ای استفاده می‌ شود. در مرحله‌ ‌ سوم، شبکه تقلید ویژگی (FIN) به‌ طور مستقیم سیگنال‌ های ۳۰۰۰ نمونه‌ ای را برای محاسبه آنتروپی شانون پردازش می‌ کند. هم‌ زمان در مرحله چهارم، سیگنال‌ ها به ۱۵ بخش ۲۵۶ نمونه‌ ای تقسیم شده و به‌ صورت توزیع‌ شده در زمان پردازش می‌ شوند و سپس ویژگی‌ های استخراج شده به واحد‌ های بازگشتی گیت‌ دار (GRU) داده می‌ شوند تا وابستگی‌ های بلندمدت میان ویژگی‌ ها استخراج شوند. در نهایت، ویژگی‌ های استخراج شده از مراحل سوم و چهارم ادغام شده و برای تحلیل و طبقه‌ بندی نهایی، وارد لایه‌ های تمام متصل می‌ شوند. این مدل به صحت ۸۳٪، دقت ۸۲٪، حساسیت ۸۳٪ و فاکتور F۱ ٪۸۲ دست یافت. این نتایج بیانگر کارآمدی روش پیشنهادی در طبقه‌ بندی مراحل خواب است و می‌ تواند به‌ عنوان ابزاری کمکی برای تشخیص و درمان اختلالات خواب در مراکز پزشکی به‌ کار گرفته شود.