DOI: https://doi.org/10.11591/ijece.v16i2.pp818-826
تاريخ النشر: 2026-03-17
المؤلف: Mohd. Maroof Siddiqui وآخرون
الموضوع الرئيسي: تخطيط الدماغ وواجهات الدماغ-الكمبيوتر
نظرة عامة
تستكشف هذه الورقة البحثية اضطرابات النوم من خلال تحليل إشارات تخطيط الدماغ الكهربائي (EEG)، مع التركيز على الخصائص الطيفية لهذه الإشارات عبر مراحل النوم المختلفة. الهدف الرئيسي هو تقييم فعالية أنماط EEG في تشخيص اضطرابات النوم، وخاصة اضطراب سلوك حركة العين السريعة (REM). باستخدام طريقة تحليل كثافة طيف الطاقة (STFAPSD)، تقوم الدراسة بتطبيع القيم المحسوبة وتفحص متوسط طاقة مكونات موجات EEG المختلفة (دلتا: 1-4 هرتز؛ ثيتا: 4-8 هرتز؛ ألفا: 8-13 هرتز؛ بيتا: 13-30 هرتز). تشير النتائج إلى وجود اختلافات كبيرة في طاقة بيتا الطبيعية بين الأفراد الأصحاء وأولئك الذين يعانون من اضطرابات سلوك نوم REM، وخاصة في قنوات C4-A1 وEMG1-EMG2 خلال مرحلة REM.
تخلص الدراسة إلى أن حساب الطاقة الطبيعية يوفر طريقة قوية للتمييز بين الأفراد الذين تظهر عليهم الأعراض والذين لا تظهر عليهم. من خلال التركيز على قنوات معينة (ROC-LOC، C4-A1، وEMG1-EMG2) واستخدام مؤشرات كثافة الطيف الطاقي (PSD)، تظهر الأبحاث تحسينات في قدرات التعرف على الميزات مقارنةً بتقييمات الطاقة المتوسطة التقليدية. لا تعزز هذه المنهجية دقة التشخيص فحسب، بل تقدم أيضًا بديلاً فعالاً من حيث التكلفة لطرق الكشف الرسومية التقليدية، مما يجعلها متاحة لجمهور أوسع يمتلك مهارات الكمبيوتر الأساسية.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على أهمية نوم حركة العين السريعة (REM)، وخاصة ارتباطه باضطراب سلوك نوم REM (RBD)، الذي يمكن أن يظهر كسلوكيات تمثيلية للأحلام بسبب نقص التوتر العضلي الطبيعي. يُعتبر RBD مؤشراً مبكراً محتملاً للأمراض التنكسية العصبية مثل مرض باركنسون (PD)، مما يبرز أهمية الكشف المبكر والتدخل من أجل إدارة فعالة للمرضى. تهدف المراجعة إلى تلخيص طرق وتقنيات مختلفة لتشخيص RBD، داعيةً إلى دمج الأدوات المتقدمة وواجهات الإنسان-الكمبيوتر الذكية لتعزيز اتخاذ القرارات السريرية ورعاية المرضى.
علاوة على ذلك، تناقش الورقة الفوائد المحتملة لرقمنة العمليات التشخيصية للاضطرابات العصبية، وخاصة من خلال تنفيذ أنظمة تخطيط الدماغ الكهربائي الرقمية (EEG). تشمل المزايا الرئيسية تحسين دقة التشخيص، وتقليل تكاليف الرعاية الصحية، وزيادة الوصول للمرضى في المناطق المحرومة، وفي النهاية تحسين نتائج المرضى. يؤكد المؤلفون على ضرورة الالتزام بالمعايير الأخلاقية والقانونية في تطوير هذه الحلول الرقمية، لضمان أن يتمكن كل من المهنيين الصحيين والمرضى من اتخاذ قرارات مستنيرة مع إعطاء الأولوية لسلامة البيانات.
طرق
في هذا القسم، يحدد المؤلفون المنهجية النظامية المستخدمة في دراستهم لضمان تحليل قوي وقابلية تكرار النتائج. تشمل المنهجية عدة إجراءات بحثية راسخة، والتي تتضمن جمع البيانات، والمعالجة المسبقة، والتقنيات التحليلية، تليها تفسير النتائج. من خلال الالتزام بطريقة محددة مسبقًا، يهدف المؤلفون إلى الحفاظ على الوضوح والاتساق والصرامة العلمية طوال عملية البحث الخاصة بهم.
نتائج
تكشف النتائج المقدمة في هذه الدراسة عن اختلافات كبيرة في الطاقة الطبيعية لموجات بيتا بين المرضى العاديين وأولئك الذين تم تشخيصهم باضطراب سلوك REM (RBD). على وجه التحديد، تتراوح الطاقة الطبيعية للمواضيع الأصحاء من $0.0010$ إلى $0.0049$، بينما يظهر مرضى RBD نطاقًا أعلى بشكل ملحوظ من $0.0076$ إلى $0.014$. تشير هذه الفجوة إلى وجود ارتباط محتمل بين نشاط موجات بيتا ووجود RBD، مما يدل على أن تطبيع موجات بيتا يمكن أن يكون علامة حيوية قيمة للتمييز بين هاتين المجموعتين.
تؤكد التحليلات الإضافية، مع التركيز بشكل خاص على إشارات EEG خلال مرحلة REM في قنوات C4-A1 وEMG1-EMG2، على الأهمية السريرية لهذه النتائج. يُلاحظ أن الطاقة الطبيعية لموجات بيتا للأفراد الأصحاء تتراوح بين $0.0020$ و$0.0089$، مما يتناقض بشكل حاد مع المستويات المرتفعة التي لوحظت في مرضى RBD، والتي تتراوح من $0.053$ إلى $0.0791$. لا تبرز هذه النتائج فقط الاختلافات الكمية في نشاط موجات بيتا، بل تؤكد أيضًا على أهمية ميزات EEG المحددة في عملية التشخيص لاضطرابات النوم. تدعو الدراسة إلى مزيد من البحث للتحقق من هذه النتائج وتعزيز قابليتها للتطبيق في الإعدادات السريرية، مما يعزز دور الطاقة الطبيعية لموجات بيتا كعامل تمييز في تشخيص RBD.
مناقشة
تسلط قسم المناقشة في الورقة البحثية الضوء على التقدم الكبير في الكشف وتقييم اضطراب سلوك نوم REM (RBD)، مما يبرز أهمية التشخيص في الوقت المناسب بسبب ارتباطه بالأمراض التنكسية العصبية. تكشف مراجعة شاملة للأدبيات أنه على الرغم من أن الطرق التقليدية مثل تخطيط العضلات الكمي (EMG) وتخطيط النوم (PSG) تظل حاسمة، إلا أن هناك تحولًا ملحوظًا نحو الأتمتة وتقنيات التعلم الآلي من أجل فحص أكثر كفاءة. على الرغم من الأداء الواعد لنماذج التعلم العميق، إلا أن هناك مجالًا للتحسين، خاصة في سياق RBD المرتبط بمرض باركنسون. تم الاعتراف بإمكانية التقنيات القابلة للارتداء للمراقبة على نطاق واسع، على الرغم من أنها تفتقر حاليًا إلى التخصص المطلوب للتشخيص المستقل.
يناقش القسم أيضًا طرق التقييم السريرية المختلفة لـ RBD، بما في ذلك PSG، التاريخ السريري، الاستبيانات، النشاط الحركي، ومراقبة الفيديو. يتم مراجعة موثوقية كل طريقة وتطبيقها في الممارسة السريرية، مما يبرز ضرورة اتباع نهج متعدد الجوانب للتشخيص. يتم تفصيل معالجة بيانات EEG لنمط النوم المتناوب الدوري، مع التركيز على تحليل كثافة الطيف الطاقي (PSD) للتمييز بين الأفراد الأصحاء وأولئك الذين يعانون من اضطرابات النوم. يتم تقديم خوارزمية الدراسة للكشف عن اضطرابات النوم، مما يظهر نهجًا منهجيًا من معالجة الإشارة إلى التصنيف، مما يعزز دقة تشخيص حالات مثل RBD والأرق. بشكل عام، تدعو النتائج إلى تطوير أنظمة موثوقة وآلية للكشف عن RBD توازن بين الدقة، والوصول، وقابلية التوسع، مما يوجه في النهاية اتجاهات البحث المستقبلية في هذا المجال الحرج من طب النوم.
DOI: https://doi.org/10.11591/ijece.v16i2.pp818-826
Publication Date: 2026-03-17
Author(s): Mohd. Maroof Siddiqui et al.
Primary Topic: EEG and Brain-Computer Interfaces
Overview
This research paper investigates sleep disorders through the analysis of electroencephalogram (EEG) signals, focusing on the spectral characteristics of these signals across different sleep stages. The primary aim is to evaluate the effectiveness of EEG patterns in diagnosing sleep disorders, particularly rapid eye movement (REM) behavior disorder. Utilizing the short time-frequency analysis of power spectrum density (STFAPSD) method, the study normalizes calculated values and examines the average power of various EEG wave components (delta: 1-4 Hz; theta: 4-8 Hz; alpha: 8-13 Hz; beta: 13-30 Hz). The findings indicate significant differences in normalized beta power between healthy individuals and those with REM sleep behavior disorders, particularly in the C4-A1 and EMG1-EMG2 channels during the REM stage.
The study concludes that the calculation of normalized power provides a robust method for distinguishing between symptomatic and asymptomatic individuals. By focusing on specific channels (ROC-LOC, C4-A1, and EMG1-EMG2) and utilizing power spectral density (PSD) indices, the research demonstrates improved feature recognition capabilities compared to traditional average power assessments. This methodology not only enhances diagnostic accuracy but also offers a cost-effective alternative to conventional graphical detection methods, making it accessible to a wider audience with basic computer skills.
Introduction
The introduction of this research paper highlights the significance of rapid eye movement (REM) sleep, particularly its association with REM sleep behavior disorder (RBD), which can manifest as dream-enacting behaviors due to the lack of normal muscle atonia. RBD is noted as a potential early indicator of neurodegenerative diseases such as Parkinson’s disease (PD), emphasizing the importance of early detection and intervention for effective patient management. The review aims to summarize various methods and techniques for diagnosing RBD, advocating for the integration of advanced tools and smart human-computer interfaces to enhance clinical decision-making and patient care.
Furthermore, the paper discusses the potential benefits of digitalizing the diagnostic processes for neurological disorders, particularly through the implementation of digital electroencephalogram (EEG) systems. Key advantages include improved diagnostic accuracy, reduced healthcare costs, increased accessibility for patients in underserved areas, and ultimately better patient outcomes. The authors stress the necessity of adhering to ethical and legal standards in the development of these digital solutions, ensuring that both healthcare professionals and patients can make informed decisions while prioritizing data safety.
Methods
In this section, the authors outline the systematic methodology employed in their study to ensure robust analysis and the repeatability of findings. The methodology encompasses several well-established research procedures, which include data acquisition, preprocessing, and analytical techniques, followed by the interpretation of results. By adhering to a predefined method, the authors aim to maintain clarity, consistency, and scientific rigor throughout their research process.
Results
The results presented in this study reveal significant differences in the normalized power of beta waves between normal patients and those diagnosed with REM Behavior Disorder (RBD). Specifically, the normalized power for healthy subjects ranges from $0.0010$ to $0.0049$, while RBD patients exhibit a markedly higher range of $0.0076$ to $0.014$. This disparity suggests a potential link between beta wave activity and the presence of RBD, indicating that beta wave normalization could serve as a valuable biomarker for distinguishing between these two groups.
Further analysis, particularly focusing on the EEG signals during the REM stage at channels C4-A1 and EMG1-EMG2, underscores the clinical relevance of these findings. The normal beta wave power for healthy individuals is noted to be between $0.0020$ and $0.0089$, contrasting sharply with the elevated levels observed in RBD patients, which range from $0.053$ to $0.0791$. These results not only highlight the quantitative differences in beta wave activity but also emphasize the importance of specific EEG features in the diagnostic process for sleep disorders. The study advocates for further research to validate these findings and enhance their applicability in clinical settings, reinforcing the role of beta wave normalized power as a discriminative factor in diagnosing RBD.
Discussion
The discussion section of the research paper highlights significant advancements in the detection and evaluation of REM sleep behavior disorder (RBD), emphasizing the importance of timely diagnosis due to its association with neurodegenerative diseases. A comprehensive literature survey reveals that while traditional methods like quantitative electromyography (EMG) and polysomnography (PSG) remain crucial, there is a notable shift towards automation and machine learning techniques for more efficient screening. Despite the promising performance of deep-learning models, there is room for improvement, particularly in the context of RBD linked to Parkinson’s disease. The potential of wearable technologies for large-scale monitoring is acknowledged, although they currently lack the specificity required for standalone diagnostics.
The section further discusses various clinical assessment methods for RBD, including PSG, clinical history, questionnaires, actigraphy, and video monitoring. Each method’s reliability and application in clinical practice are reviewed, underscoring the necessity for a multi-faceted approach to diagnosis. The processing of cyclic alternating pattern sleep EEG data is detailed, with a focus on power spectral density (PSD) analysis to differentiate between healthy individuals and those with sleep disorders. The study’s algorithm for detecting sleep disorders is presented, demonstrating a systematic approach from signal preprocessing to classification, which enhances the accuracy of diagnosing conditions like RBD and insomnia. Overall, the findings advocate for the development of reliable, automated systems for RBD detection that balance accuracy, accessibility, and scalability, ultimately informing future research directions in this critical area of sleep medicine.