رئیس دانشکده مهندسی برق و کامپیوتر مجله مهندسی برق دانشگاه تبریز 2008-7799 2026 04 11 Evaluation of Nonlinear Characteristics in Multi-Wavelength Photoplethysmography Signals for Muscle and Skin Sympathetic Nerve Activity in Stress Classification ارزیابی مشخصه‌های غیرخطی سیگنال فتوپلتیسموگرافی چند طول موجی در فعالیت‌های عصبی سمپاتیک پوست و عضله در طبقه بندی استرس 21393 10.22034/tjee.2026.68024.5044 FA ریحانه بسکابادی دانشجوی کارشناسی، گروه مهندسی پزشکی، دانشکده مهندسی، دانشگاه بین‌المللی امام رضا (ع)، مشهد، ایران اسما ذوقی بیلندی دانشجوی کارشناسی، گروه مهندسی پزشکی، دانشکده مهندسی، دانشگاه بین‌المللی امام رضا (ع)، مشهد، ایران سارا مشیریان دانشجوی کارشناسی ارشد، گروه مهندسی پزشکی، دانشکده مهندسی، دانشگاه بین‌المللی امام رضا (ع)، مشهد، ایران آرزو صنعتی فهندری دانشجوی کارشناسی ارشد، گروه مهندسی پزشکی، دانشکده مهندسی، دانشگاه بین‌المللی امام رضا (ع)، مشهد، ایران عاتکه گشوارپور گروه مهندسی پزشکی، دانشکده مهندسی، دانشگاه بین المللی امام رضا (ع)، مشهد، ایران. Journal Article 2025 07 09 Stress is one of the common psychological challenges of the 21st century that affects the function of the autonomic nervous system. In this study, the feasibility of non-invasive monitoring of muscle sympathetic nerve activity (MSNA) and skin sympathetic nerve activity (SSNA) was investigated using pre-extracted nonlinear features from multi-wavelength photoplethysmography (PPG) signals and by employing machine learning algorithms. PPG data from 32 healthy individuals (19 to 38 years old) at four wavelengths (red, infrared, blue, and green) were analyzed during three time phases (pre-stress, during stress, and post-stress induced by handgrip and cold pressor tests). Nonlinear features, including Higuchi, Katz, and Petrosian fractal dimensions, approximate entropy, and sample entropy, were used for classification. These features were applied in three classifiers—Support Vector Machine (SVM), K-Nearest Neighbors (KNN), and Recurrent Neural Network (RNN)—to classify stress states. The highest performance was observed using approximate entropy at the blue wavelength when distinguishing the pre-stress phase from the first two minutes of stress in the handgrip test (SVM: accuracy = 90.96%, AUC = 1.00). Independent t-tests and Wilcoxon tests revealed significant differences (p < 0.05) in the blue, green, and infrared wavelengths. These results confirm the role of nonlinear features and optimal wavelength selection in effective stress monitoring and highlight the potential application of PPG as a low-cost, non-invasive tool. استرس یکی از چالش‌های روانی شایع در قرن ۲۱ است که بر عملکرد سیستم عصبی خودکار تأثیر می‌گذارد. در این مطالعه، امکان پایش غیرتهاجمی فعالیت عصبی سمپاتیک عضلانی (MSNA) و فعالیت عصبی سمپاتیک پوستی (SSNA) با استفاده از ویژگی‌های غیرخطی از پیش استخراج‌شده از سیگنال‌های فتوپلتیسموگرافی (PPG) چندطول‌موج و با بهره‌گیری از الگوریتم‌های یادگیری ماشین بررسی شد. داده‌های PPG مربوط به ۳۲ فرد سالم (۱۹ تا ۳۸ سال) در چهار طول موج (قرمز، مادون‌قرمز، آبی و سبز) در سه فاز زمانی (پیش از استرس، حین استرس و پس از استرس ناشی از انقباض دست و آزمون فشار سرد) تحلیل شدند. ویژگی‌های غیرخطی شامل ابعاد فرکتالی هیگوچی، کاتز و پتروسیان، آنتروپی تقریبی و آنتروپی نمونه برای طبقه‌بندی استفاده شدند. این ویژگی‌ها در سه طبقه‌بند ماشین بردار پشتیبان (SVM)، نزدیک‌ترین همسایه (KNN) و شبکه عصبی بازگشتی (RNN) استفاده شدند تا وضعیت‌های استرس طبقه‌بندی گردند. بالاترین عملکرد با استفاده از آنتروپی تقریبی در طول موج آبی هنگام تمایز فاز پیش از استرس و دو دقیقه اول استرس در آزمون انقباض دست مشاهده شد (SVM: صحت برابر 90/96%، AUC برابر 00/1). آزمون‌های t مستقل و ویلکاکسون تفاوت‌های معناداری (p < 0.05) در طول‌موج‌های آبی، سبز و مادون‌قرمز نشان دادند. این نتایج نقش ویژگی‌های غیرخطی و انتخاب طول موج بهینه را در پایش مؤثر استرس تأیید کرده و کاربرد بالقوه PPG به عنوان یک ابزار ارزان و غیرتهاجمی را برجسته می‌سازند.