عنوان پایان‌نامه
بررسی تاثیر روشهای بیوفیدبک در به خواب رفتن شخص
- رشته تحصیلی
- مهندسی برق- مهندسی پزشکی - بیوالکتریک
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس 2 فنی شماره ثبت: E 2612;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 72279
- تاریخ دفاع
- ۱۰ شهریور ۱۳۹۳
- دانشجو
- علیرضا کاظمی بیدختی
- استاد راهنما
- سیدکمال الدین ستاره دان
- چکیده
- انسان‌ها به طور متوسط 33% از زندگی خود را در حالت خواب به سر می‌برند. این پدیده یک فرآیند فیزیولوژیک است که توسط مغز کنترل می‌شود. بیماری‌های جسمی و روحی متنوعی به طور مستقیم یا غیرمستقیم با خواب مرتبط هستند. اختلال‌های مرتبط با فرآیند به خواب رفتن به عنوان یکی از رایج‌ترین مشکلات خواب، حتی برای افراد سالم نیز اتفاق افتاده و زندگی روزمره آن‌ها را دچار آشفتگی می‌کند. در این پروژه به دنبال بررسی اثر بیوفیدبک به عنوان درمانی بی‌خطر، در نحوه به خواب رفتن شخص بوده‌ایم. به این منظور بیوفیدبک را یکبار با استفاده از سیگنال‌های تعداد ضربان قلب، نرخ تغییرات ضربان قلب و دمای بدن به کمک دستگاه ساخته شده در این پروژه، بر روی 8 مرد سالم تست کردیم. از دو نوع بیوفیدبک تلقینی و غیر تلقینی استفاده شد و به طور متوسط، بهبود 17% در کاهش ضربان قلب مشاهده شد. در بار دیگر بیوفیدبک به کمک تحلیل سیگنال‌های مغزی تولید و روی 8 مرد سالم تست شد. برای اولین بار با بکارگیری مشخصه‌ای از تحلیل‌های آماری مراتب بالاتر، اقدام به تولید بیوفیدبک به منظور به خواب رفتن با تحلیل سیگنال‌های مغزی کرده‌ایم. همچنین برای اولین بار روش یادگیری گسترش یافته تمرکزی مبتنی بر تلفیق تصمیم در این پروژه معرفی و به منظور شناسایی فازهای بیداری و خواب از روی سیگنال‌های مغزی استفاده شده است. آزمایش بر روی 8 مرد سالم انجام گرفته است. نشان داده‌ایم که بیوفیدبک به عنوان فرآیندی روانی و غیر شیمیایی می‌تواند در بهبود مشکلات خوابیدن موثر باشد. به کمک این روش به طور میانگین کاهش 1 دقیقه‌ای در تاخیر خواب مشاهده شد. بیوفیدبک در تحقیقات به صورت آموزشی مورد استفاده قرار می‌گیرد در حالیکه در این تحقیق برای اولین بار به دنبال بررسی تاثیر بیوفیدبک در خوابیدن افراد، بدون آموزش قبلی بوده‌ایم. بسیاری از افراد تمایل به گذاشتن وقت برای آموزش و تمرین با دستگاه‌های بیوفیدبک را ندارند. با اثبات کاربردی بودن بیوفیدبک حتی بدون آموزش قبلی می‌توان گامی مهم در تغییر فرهنگ استفاده از این دستگاه‌های بی‌خطر برداشت. کلیدواژه‌ها: اندیس خواب‌آلودگی، شناسایی الگوهای سیگنال‌های مغزی، طبقه‌بندی مراحل خواب، آنالیز آماری مراتب بالاتر، یادگیری تقویتی.
- Abstract
- On average every human sleeps about 33% of his whole life. Sleeping is a physiologic event which is controlled by the brain. Various physical and mental illnesses are directly or indirectly related to sleep. Disorders associated with the process of falling asleep are as one of the important common sleeping problems, even happened to normal people and usually influence one’s everyday life. In this project we investigated the effects of biofeedback as a safe therapy, on sleeping procedure. For this purpose, we generated biofeedback using heartbeat, heart rate variability and body temperature by means of a circuit which was designed and developed in this project. The test was performed on 8 healthy men. Two types of empathic and non-empathic biofeedback were used in this test. On average, improvement of 17% reduction in heartbeat was observed. In a second test, EEG signals were used for biofeedback generation and tested on 8 healthy men. We have used an indicator based on higher order statistical analysis for generating a biofeedback signal directly related to sleeping procedure as first time. Also a new learning method designed and developed in order to classify EEG signals to wake and sleep stages. This method is called generalized attentive decision fusion learning and is based on the active decision fusion learning. Applying these methods to 8 subjects, we have observed, on average 1 minute reduction in sleep latency. This test was performed without any training sessions prior to the procedure and showed that biofeedback can be effective as a non-pharmacological therapy in helping people falling asleep. These results and other similar researches demonstrate the effectiveness of biofeedback (even without training) can play an important role in changing the culture of using biofeedback as a safe therapy. Keywords: Sleepiness Index, EEG Pattern Recognition, Sleep Staging, Higher Order Statistical Analysis (HOSA), Reinforcement Learning.
