ارائه کننده: نازنین صیاد مژده بر
استاد راهنما: دکتر بابک محمدزاده اصل
استاد ناظر داخلی اول: دکتر زهرا بهمنی
استاد ناظر خارجی اول: دکتر مریم محبی
تاریخ: 1402/12/22
ساعت: 10:30
مکان: اتاق شورا دانشکده عمران

چکیده:
رویاها می ­توانند بازتابی از درونی­ ترین نیازها و خواسته ­های مرتبط با فرآیندهای احساسی باشند که جهت شناخت عملکرد مغز و حالت­ های رفتاری و روانی انسان­ ها، استفاده شوند. تحقیقات بر احساسات مرتبط با رویا در سال­های اخیر، با استفاده از اخذ سیگنال­های الکتروانسفالوگرام(EEG)  از مرحله­ی حرکت سریع چشم از خواب امکان­ پذیر گشته است. با اینکه تحقیقات گسترده ­ای درمورد تشخیص و طبقه­ بندی احساسات در حالت بیداری با استفاده از سیگنال EEG انجام شده است، تحقیقات درمورد تشخیص و طبقه ­بندی احساسات مرتبط با حالت رویا، بسیار محدود می­ باشد. ثبت احساسات در حالت بیداری می­تواند به راحتی تحت تاثیر محیط خارجی، دچار نویز و اختلال شود. همچنین، گاهی امکان ثبت احساسات افراد در حالت بیداری به دلیل برخی شرایط جسمانی و روانی منحصر به فرد، وجود ندارد؛ در نتیجه، ثبت احساسات مرتبط با رویا می­تواند نتایج دقیق­تری از تحولات احساسات در درون هر فرد در راستای مطالعات روانشناختی، فراهم سازد. در این مطالعه از مجموعه­ داده ­ی DEED که حاوی سیگنال­های EEG اخذ شده از 38 نفر در طول 82 شب خواب است، استفاده شده است. در روش پیشنهادی، ابتدا سیگنال EEG به سگمنت­ هایی با طول مختلف 5، 10 و 20 ثانیه تقسیم شد. در مرحله­ ی بعد، هر یک از سگمنت­ های به دست آمده با استفاده از تبدیل موجک گسسته(DWT)  ، تبدیل موجک تجربی (EWT)، تبدیل موجک با فاکتور Q تنظیم­پذیر(TQWT) ، تجزیه حالت تجربی (EMD)، تجزیه حالت تجربی گروهی (EEMD)، تجزیه کامل حالت تجربی گروهی با نویز تطبیقی (CEEMDAN)، تجزیه حالت متغیر (VMD) و فیلتر میان­گذر باترورث به زیرباندهای مختلف تجزیه می­گردد. سپس، تک ویژگی غیرخطی آنتروپی فازی از تک­تک این زیرباندها، استخراج می­شود. جهت حل مشکل عدم توزیع متعادل کلاس­ها، از روش نمونه­ برداری بیش از حد کمترین نمونه­ها به صورت مصنوعی (SMOTE) استفاده شده است. ماتریس ویژگی چند کلاسه­(کلاس احساس مثبت، کلاس احساس خنثی و کلاس احساس منفی) حاصل از این روش، به عنوان ورودی به طبقه­بندهای k نزدیکترین همسایگی، ماشین بردار پشتیبان، افزایش شدید شیب  (XGBoost)و جنگل تصادفی جهت ارزیابی و طبقه­بندی داده می­شود. استخراج ویژگی آنتروپی فازی از زیرباندهای حاصل از EEMD با استفاده از طبقه­ بند XGBoost با فراهم کردن میانگین صحت 40/97درصد، میانگین امتیاز F1 41/97 درصد، میانگین دقت 43/97 درصد و میانگین بازیابی 38/97 درصد بهترین تفکیک ­پذیری چندکلاسه به ازای طول سگمنت­ 10 ثانیه­ ای، فراهم می­ سازد. با این وجود، سایر روش ­های ارائه شده در این تحقیق نیز نتایج بهتری نسبت به مطالعات قبلی فراهم کردند. نتایج حاصل شده در این مطالعه تنها با استخراج تک ویژگی آنتروپی فازی به دست آمده ­اند و بیشترین میانگین صحت را در مقایسه با کلیه­ ی مطالعات قبلی انجام شده بر این مجموعه­ داده­ ارائه کرده ­اند؛ بدین سبب، می­ توان نتیجه گرفت که این روش پتانسیل بالایی در تشخیص احساسات مرتبط با رویا دارد، می­ تواند منجر به بهبود روش­ های تشخیصی و درمانی در این حوزه گردد و برای روانشناسان و محققان علوم شناختی و سلامت روان، مفید و پرکاربرد واقع شود.