نموذج تصنيف مراحل النوم المخصص: إطار تعلمي مبتكر لتحسين دقة تصنيف مراحل النوم

يُعَد تصنيف مراحل النوم من العناصر الأساسية لتشخيص وإدارة اضطرابات النوم، ورغم أهمية هذا المجال، فإن معظم الدراسات الآلية في هذا الصدد تعتمد على مرجع تقليدي واحد، مما يؤدي إلى عدم الدقة بسبب تباين تقييم الخبراء. في محاولة لتحسين هذه العملية، يأتي هذا البحث ليعرض إطار عمل مبتكر يعتمد على نموذج تصنيف مخصص لراحل النوم، والذي يستفيد من الحسابات الجماعية للخبراء المتعددين.

استُخدمت في هذه الدراسة مجموعات بيانات DOD-H وDOD-O المتاحة للجمهور، حيث تم تقسيم إشارات التخطيط الكهربائي للدماغ (EEG) وإشارات العضلات تحت الذقن (EMG) إلى فترات زمنية مدتها 30 ثانية. من كل نمط بيانات، تم استخراج 30 ميزة، مما نتج عنه 60 ميزة لمزيج EEG وEMG.

نقدم نموذجًا قائمًا على التعلم يُعرف بالتخطيط الكهربائي للنوم (LBH)، والذي يقوم بنمذجة سلوك كل خبير بشكل خاص باستخدام مصفوفات الالتباس التي تم توليدها من نماذج التعلم الآلي. بعد تطبيق عملية التطبيع على الأعمدة، تُستخدم هذه المصفوفات لتقدير احتمال كل مرحلة نوم صحيحة بناءً على تصنيف كل خبير، ليتم تجميع الاحتمالات عبر جميع الخبراء لإصدار التسمية النهائية لكل فترة زمنية.

تم تقييم LBH باستخدام مصنفات مثل الغابة العشوائية (Random Forest) وآلة دعم المتجهات (Support Vector Machine) والشبكات العصبية متعددة الطبقات (Multilayer Perceptron) في كل من إعدادات EEG فقط وEEG مع EMG، وتمت مقارنته بالرسم التخطيطي المرجعي للبيانات (DH) والرسم التخطيطي لأفضل خبير (BSH). يُظهر النموذج الجديد تحسينًا مستمرًا في الأداء العام، حيث حقق أفضل النتائج مع الغابة العشوائية وإعداد EEG+EMG، ووصل إلى دقة 86.07% وPrecision 85.46% وF1-score 85.29% على مجموعة البيانات DOD-H، ودقة 86.04% وPrecision 85.21% وF1-score 84.70% على مجموعة البيانات DOD-O. تشير هذه النتائج إلى أن نموذج التصنيف المخصص يمكن أن يُحسِّن من بناء الرسم التخطيطي المرجعي دون إلغاء المعلومات المهمة من خبراء مختلفين.

ما رأيكم في استخدام استراتيجيات التعلم الآلي في تحسين صحة النوم؟ شاركونا آرائكم في التعليقات.