Automatic Sleep Stages Detection Based on EEG Signals Using Combination of Classifiers

طبقه بندي مراحل خواب يكي از مهم ترين روش ها براي تشخيص بيماري هاي رواني و عصبي است. در اين مقاله، تركيبي از سه نوع طبقه بند براي طبقه بندي سيگنال EEG به پنج مرحله خواب، شامل: بيداري، NREM 1، NREM 2، NREM 3&4 (كه مرحله خواب موج آرام يا SWS ناميده مي شود) و REM؛ پيشنهاد مي شود. در اين تحقيق، از سيگنال هاي خواب مربوط به 25 بيمار كه از سايت Physionet گرفته شده، استفاده شده است. سيگنال هاي EEG با استفاده از درخت بسته هاي موجك به زيرباندهاي فركانسي تجزيه گشته و مجموعه اي از ويژگي هاي آماري از اين زيرباندها براي نمايش توزيع ضرايب موجك، استخراج مي شود. سپس اين ويژگي هاي آماري به عنوان ورودي سه طبقه بند پايه 1) طبقه بند خطي منطقي، 2) طبقه بند گوسين و 3) طبقه بند تابع شعاع- محور (RBF) استفاده مي شوند. همان طور كه نتايج نشان مي دهند، هر طبقه بند خصوصيات مخصوص خودش را دارد؛ يعني هركدام مراحل خاصي از خواب را با دقت بالا آشكار مي كند اما توانايي كافي براي آشكارسازي مراحل ديگر ندارد. براي غلبه بر اين مشكل، روش تركيب راي گيري اكثريت را براي تركيب خروجي هاي اين طبقه بندهاي پايه به كار مي گيريم تا موفقيت بالاتري در آشكارسازي همه مراحل خواب ايجاد شود. بالاترين دقت طبقه بندي براي مرحله SWS با نرخ 81.68% و پايين ترين دقت، براي مرحله NREM 1 با نرخ 43.68% به دست مي آيد. دقت كل نيز برابر با 70% است.

Sleep stages classification is one of the most important methods for diagnosis in psychiatry and neurology. In this paper, a combination of three kinds of classifiers are proposed which classify the EEG signal into five sleep stages including Awake, N-REM (non-rapid eye movement) stage 1, N-REM stage 2, N-REM stage 3 and 4 (also called Slow Wave Sleep), and REM. Twenty-five all night recordings from Physionet database are used in this study. EEG signals were decomposed into the frequency sub-bands using wavelet packet tree (WPT) and a set of statistical features was extracted from the sub-bands to represent the distribution of wavelet coefficients. Then, these statistical features are used as the input to three different classifiers: (1) Logistic Linear classifier, (2) Gaussian classifier and (3) Radial Basis Function classifier. As the results show, each classifier has its own characteristics. It detects particular stages with high accuracy but, on the other hand, it has not enough success to detect the others. To overcome this problem, we tried the majority vote combination method to combine the outputs of these base classifiers to have a rather good success in detecting all sleep stages. The highest classification accuracy is obtained for Slow Wave Sleep as 81.68% in addition to the lowest classification accuracy of 43.68% for N-REM stage 1. The overall accuracy is 70%.