بخشی از مقاله
چکیده
با وجود تحقیقاتی که در زمینه تشخیص خواب آلودگی با استفاده از سیگنال های مغزی انجام شده است اما مساله تشخیص خواب آلودگی همچنان یک چالش جدی برای محققان به شمار می آید چرا که هنوز یک روش قابل اطمینان برای تشخیص خواب آلودگی وجود ندارد.به دلیل ماهیت غیر خطی سیستم های بیولوژیکی اخیرا استفاده از روش ها ی غیر خطی در پردازش سیگنال های فیزولوژیکی محبوبیت زیادی پیدا کرده است.
در این مقاله هدف ارائه یک روش جدید برمبنای آنالیز غیر خطی سیگنال EEG به منظور تشخیص خواب آلودگی می باشد. آنالیز کمی بازگشت - RQA - 1 یک الگوریتم غیر خطی است که با استفاده از نقشه های بازگشتی - RP - 2 یک سیستم دینامیکی ویژگی های فضای فاز آن سیستم را کمی می کند. با درنظر گرفتن مغز به عنوان یک سیستم غیرخطی و سیگنال EEG به عنوان تظاهرات این سیستم، می توان با اعمال این الگوریتم به برخی تغییرات ایجاد شده در سیگنال EEG که ناشی از تغییر حالت ذهنی می باشد پی برد.
خوا ب آلودگی یکی از این حالات ذهنی است که باعث تغییر در نقشه بازگشتی مغز به عنوان یک سیستم دینامیکی شود.در این مقاله دوازده ویژگی استخراج شده از RQA برای تشخیص خواب آلودگی استفاده شد. که درنهایت ویژگی قطعیت - DET - به عنوان بهترین ویژگی برای تشخیص خواب آلودگی تشخیص داده شد. نتایج نشان دادند که با استفاده از ویژگی قطعیت و با استفاده از کلاسبند SVM می توان به دقت نزدیک به %90 درصد در تشخیص خواب آلودگی دست یافت.
مقدمه
در سراسر جهان خواب آلودگی یکی از عوامل اصلی تصادفات مرگبار به حساب می آید. طبق آمارهای ارایه شده توسط بنیاد جهانی خواب در سال 2005 ، %60 رانندگان بزرگسال گفته اند که تجربه رانندگی در حالت خواب آلودگی را داشته اند و بیش از یک سوم آن ها در حین رانندگی به خواب رفته اند. این آمار نشان دهنده اهمیت نقش خواب آلودگی انسان در تصادفات جاده ای می باشد.
امروزه برای جلوگیری از چنین تصادفاتی روش های گوناگونی توسط محققان ارایه شده است. یکی از روش های مرسوم برای تشخیص خواب آلودگی استفاده از علائم فیزیولوژیکی افراد است. علائم فیزیولوژیکی شامل تغییرات نرخ ضربان قلب، باز و بسته شدن چشم و فعالیت الکتریکی مغز - EEG - می باشند.
سیگنال EEG یکی از علائم فیزیولوژیکی است که در بحث تشخیص خواب آلودگی مورد توجه خاص بسیاری از محققان قرار گرفته است. روش های انجام شده برای استخراج ویژگی های مربوط به حالت خواب آلودگی از روی سیگنال EEG را می توان به طور کلی به دو دسته روش های خطی و روش های غیر خطی تقسیم کرد. به عنوان نمونه در سال 2005 ،لین و همکارانش برای تشخیص خواب آلودگی روشی را بر مبنای تخمین طیف توان سیگنال EEG، آنالیز مولفه های مستقل و شبکه های عصبی فازی در یک محیط رانندگی واقعیت مجازی ارائه کردند.
در سال 2006 پاپادلیس و همکارانش از نرخ باند نسبی باندهای فرکانسی سیگنال EEG، آنتروپی شانون،و آنتروپی کولباک-لیبلراستفاده کردند. در سال 2007 نیز یاشیدا و همکارانش روشی را با مبنای پهنای باند معادل لحظه ای به منظور دنبال کردن تغییرات پهنای باند پیشنهاد دادند.
در یک مقاله دیگر که در سال 2009 منتشر شد پیکوت روشی را برای تشخیص خواب آلودگی به صورت آنلاین پیشنهاد کرد در این روش ابتدا طیف توان نسبی باند آلفا محاسبه شده وسپس از یک فیلتر میانه با پنجره لغزان به منظور حذف مقادیر غیر معمول عبور می شود، در نهایت یک آزمون مقایسه میانگین برای مقایسه انرژی با یک سطح مرجع انجام می شود تا حالت خواب آلودگی از حالت هوشیار تشخیص داده شود.
ژائو و همکارانش با اعمال KPCA و استفاده از SVM نشان دادند که انرژی بسته موجک سیگنال EEG شدیدا با سطح خستگی همبسته است
اکثر تحقیقات انجام شده در این زمینه افزایش توان در محدوده ریتم آلفا را نشان می دهند به وجود آمدن انفجارهای الفا در هنگام خواب آلودگی به خوبی نشان داده شده است. وجود این ریتم های منظم می تواند نشان دهنده افزایش قطعیت سیگنال EEG در هنگام خواب آلودگی باشد. یک ابزار مناسب برای نشان دادن قطعیت سیگنال استفاده از آنالیز کمی بازگشت - RQA - می باشد
با وجود تحقیقاتی که در این زمینه انجام شده است اما مساله تشخیص خواب آلودگی همچنان یک چالش جدی برای محققان به شمار می آید چرا که هنوز یک روش قابل اطمینان برای تشخیص خواب آلودگی وجود ندارد.به دلیل ماهیت غیر خطی سیستم های بیولوژیکی اخیرا استفاده از روش های غیر خطی در پردازش سیگنال های فیزولوژیکی محبوبیت زیادی پیدا کرده است. پوانکاره در سال 1890 اثبات کرد که هر سیستم دینامیکی پس از گذشت مدت زمانی به یک همسایگی از حالت قبلی اش بازگشت می کند. آنالیز کمی بازگشت - RQA - از این خاصیت طبیعی بازگشت که یک پدیده ذاتی در سیستم های پیچیده مثل مغز می باشد به منظور کمی کردن این سیستم ها استفاده می کند.
شکل :1 بلوک دیاگرام الگوریتم استفاده شده برای تشخیص خواب آلودگی
در این مقاله ما قصد داریم با استفاده از آنالیز کمی بازگشت - RQA - ، که یک روش غیرخطی است برای استخراج ویژگی های مربوط به حالت خواب آلودگی سیگنال EEG استفاده کنیم.
شکل 1 بلوک دیاگرام الگوریتم پیشنهادی را نشان می دهد.
روش منحنی های بازگشتی و آنالیز کمی بازگشت:
با استفاده از تئوری تیکن می توان نشان داد که می توان با داشتن یک سری زمانی از سیستم فضای فاز آن را باز سازی کرد.پارامتر های لازم برای بازسازی فضای فاز، تاخیر ، بعد جاسازی و شعاع همسایگی می باشند.روش معمول برای محاسبه تاخیر استفاده از اطلاعات متقابل و برای محاسبه بعد جاسازی استفاده از نزدیک ترین همسایه دروغین می باشد.
با داشتن فضای فاز بازسازی شده سیستم، ماتریس بازگشت از رابطه 1 به دست می آید.
که آستانه همسایگی و تابع هویساید و DE بعد بازسازی می باشد. به این صورت هر وقت فاصله بین دو نقطه i و j در فضای فاز از یک آستانه کمتر شود به عنوان همسایه در نظر گرفته می شوند و با یک نقطه در ماتریس بازگشت نشان داده می شوند در صورتیکه تراژکتوری در فضای فاز به نزدیکی نقطه قبلی باز گشت کند دو نقطه نزدیک به هم به صورت قطری در ماتریس بازگشت ایجاد می شود.بنابراین می توان خطوط قطری را در منحنی بازگشتی به عنوان یک معیار از قطعیت سیستم در نظر گرفت.
در آنالیز کمی بازگشت ازساختار و تراکم این نقاط به منظور تعریف معیار های مختلف که توصیف کننده رفتار سیستم می باشند استفاده می شود. این معیار ها شامل قطعیت، نرخ بازگشت،آنتروپی، لامیناریتی، بیشترین طول قطری،بیشترین طول خط عمودی، زمان به دام افتادن،زمان بازگشت نوع یک ، زمان بازگشت نوع دو، آنتروپی زمان بازگشت و گذرایی می شوند.
یکی از پرکاربرد ترین معیار های RQA قطعیت - DET - 3 می باشد که به صورت نسبت خطوط قطری به کل نقاط بازگشت تعریف می شود و با رابطه 2 محاسبه می شود.
که l بیانگر طول خطوط ایجاد شده در منحنی بازگشتی و p - l - احتمال آن می باشد. ایده استفاده از این شاخص برای تشخیص خواب آلودگی به این واقعیت بر می گردد که در حالت خواب آلودگی میزان قطعیت سیستم به خاطر ایجاد همزمانی بین نورون های مغزی افزایش می یابد
در شکل 2 نقشه های بازگشتی برای داده های هوشیار خواب آلوده رسم شده است با توجه به شکل می توان تشخیص داد که میزان بازگشت پذیری در حالت خواب آلودگی افزایش می یاید
ثبت و پردازش سیگنال EEG
داده های این مقاله در آزمایشگاه پردازش سیگنالهای بیولوژیکی، واقع در دانشگاه شاهد، و با استفاده از شبیه ساز رانندگی ثبت شده است. برای ثبت دادههای EEG و EOG از دستگاه 16 کاناله شرکت جی تک اتریش استفاده شده است. ثبت سیگنال از 6 نفر از دانشجویان مرد به صورت داوطلبانه انجام شد. برای تشخیص بهتر الگوهای خواب آلودگی از هوشیاری، داوطلبین قبل از انجام آزمایش، به طور میانگین، حدود 22ساعت محرومیت از خواب را تجربه کردند.
در حین انجام آزمایش، به منظور ارزیابی هر چه بهتر میزان خواب آلودگی از آزمون مقیاس خواب آلودگی کارولینسکا - KSS - 4 استفاده شد. این مقیاس تمام بازه بین بیداری تا ابتدای خواب را در 9 مرحله عددی بین 1 تا 9 تقسیم بندی میکند. بر این اساس، عدد 1 معرف وضعیت به شدت هوشیار و عدد 9 به معنی خیلی خواب آلوده است. هر 12دقیقه، از ابتدای شروع رانندگی، با ظاهر شدن یک مستطیل در پایین صفحه، راننده موظف به اعلام یک عدد به عنوان آزمون KSS بود.
دادههای EEG و EOG با فرکانس 256 Hz و براساس استاندارد 12 ثبت شد. تعداد 15 کانال برای ثبت EEG و یک کانال برای ثبت سیگنال EOG از چشم چپ مورد استفاده قرار گرفت.
کانالهای ثبت EEG عبارتند از: CZ، PZ، O2، P4 ، F4، FPZ، C4، T6، F8، O1 ، O3، FP1 ، T5 ، T3 و . F7 محل FZ به عنوان زمین دستگاه و A2 به عنوان مرجع ثبت سیگنال به کار گرفته شد. فیلترهای داخلی دستگاه برای ثبت سیگنال شامل یک فیلتر میانگذر با فرکانس 2 Hz تا 32 Hz و یک فیلتر ناچ Hz 52 بود. فیلتر ناچ 52 Hz برای تضعیف هر چه بیشتر سیگنالها در محدوده فرکانس برق شهر به کار گرفته شد. مدت زمان ثبت سیگنال برای هر فرد حدود 52 دقیقه بود.
داده های این آزمایش با توجه به کیفیت رانندگی،مشاهده ناظر از وضعیت سوژه و عدد KSS گفته شده توسط شخص به دو بخش هوشیار و خواب آلوده تقسیم شدند.
سیگنالهای ثبت شده به بخش های 3 ثانیه ای بخش بندی شد. و در نهایت داده های مربوط به سوژه ای که بیشترین تعداد بخش های هوشیار و خواب آلوده بود برای اعمال اگورتیم انتخاب شدند.
الگوریتم RQA با پارمترهایDE = 3،= . 6 و تاخیر زمانی =3 بر روی داده های حالت هوشیار و خواب آلوده اعمال شد.که دوازده ویژگی از جمله ویژگی قطعیت برای پانزده کانال استخراج گردید.سپس میانگین و واریانس ویژگی ها به دست آمده برای هر کانال محاسبه شد.با اعمال آزمون آماری t بر روی ویژگی های همه کانال ها بهترین کانال و بهترین ویژگی ها از نظر قابلیت تفکیک پذیری به دست آمدند.
برای رسیدن به بالاترین میزان دقت در طبقه بندی ویژگی های به دست آمده با روش های انتخاب ویژگی SFS و LDA کاهش بعد داده شدند سپس هر دسته ویژگی به دست آمده به طور جداگانه به کلاسبند اعمال شد. به منظور مقایسه، ویژگی قطعیت نیز به طور جدا گانه به کلاسبند اعمال شد.جهت دستیابی به بهترین نتیجه، سه کلاسبند مختلف SVM, KNN, Fisher مورد ارزیابی قرار گرفتند.
شکل :2 نقشه های بازگشتی برای نمونه های 1000 تاییداده های هوشیار - سمت راست - و خواب آلوده - سمت چپ -
نتایج
مجموعه ویژگی های به دست آمده با روش LDA5 و SFS6 به همراه ویژگی قطعیت به تنهایی به طبقه بند اعمال شدند و سه شاخص صحت ، دقت و حساسیت به ازای این سه مجموعه ویژگی برای سه طبقه بند مختلف در همه کانال ها محاسبه شدند. نتایج حاصل از کلاسبندی بالا ترین قابلیت تفکیک را برای سه کانال Cz ،F4 و F8 نشان داد.نتایج حاصله برای سه دسته ویژگی و سه کلاسبند مختلف برای این سه کانال در جدول 1 نشان داده شده است..
با توجه به جدول 1 مشاهده می شود که ویژگی قطعی ت به تنهایی با استفاده از طبقه بند SVM می تواند به %90 از دقت در تشخیص خواب آلودگی منجر شود. این میزان دقت در کانال F8 مشاهده می شود. در حالی که در همین کانال و با طبقه بند مشابه، دو مجموعه ویژگی انتخاب شده با روش LDA و SFS به سطح پایین تری از دقت دست یافته اند، یعنی میزان %88 با مجموعه ویژگی LDA و %84 با مجموعه ویژگی SFS ، که نشان می دهد ویژگی DET به تنهایی معیار مناسبی برای تشخیص داده ها خواب آلوده از داده های هوشیار می باشد.
جدول :1 نتایج حاصل از طبقه بندی سه دسته ویژگی مختلف با استفاده از این نتایج نشان می دهند که بیشترین تفکیک پذیری در تشخیص خواب آلودگی با استفاده از ویژگی های استخراج شده به روش RQA در کانال های جلویی و مرکزی مشاهده می شوند.
