تظل مهمة تصنيف مراحل النوم عبر مجموعات البيانات المختلفة واحدة من التحديات الكبرى في مجال علوم النوم، وذلك بسبب تباين إعدادات تسجيل الإشارات الكهربائية للدماغ (EEG) مثل اختلاف القنوات ومعدلات العينة وظروف التسجيل. على الرغم من أن التعلم العميق قد أثبت واعداً في تصنيف مراحل النوم بشكل تلقائي، تعتمد الأنظمة الحالية بشكل كبير على تمثيلات الإشارات أحادية البعد (1D).

لكن ما الجديد في نموذج STDA-Net (شبكة التكيف الزمني القائمة على الطيف)؟

هذا النموذج يتجاوز القيود المذكورة من خلال استخدام مدخلات تعتمد على الأطياف الثنائية الأبعاد (2D) ضمن إطار عمل للتكيف غير المراقب. يقوم STDA-Net بدمج شبكة عصبونية تلافيفية (CNN) لاستخراج الميزات من الأطياف، مع وحدة من الذاكرة طويلة الأمد ثنائية الاتجاه (BiLSTM) لنمذجة ديناميكيات النوم، بالإضافة إلى شبكة عصبونية عدائية للتكيف بين البيانات المصدر والهدف (DANN) دون الحاجة لبيانات مُعلمة من بيانات الهدف خلال فترة التدريب.

تمت التجارب باستخدام ثلاثة مجموعات بيانات متاحة للجمهور: Sleep-EDF وSHHS-1 وSHHS-2، تحت ستة إعدادات نقل بين مجموعات بيانات مختلفة. أظهرت النتائج أن النموذج المقترح حقق متوسط دقة مذهلة بلغت 89.03% ومتوسط معدل F1 من النوع الموزون بلغ 87.64%. كما كان أداءه متفوقاً على طرق التصنيف أحادية البعد (1D) من حيث الأداء، حيث أظهر تبايناً أقل عبر خمس تجارب مستقلة، مما يدل على استقرار وموثوقية محسنة.

تؤكد هذه النتائج أن استخدام تمثيلات الأطياف الثنائية الأبعاد مع النمذجة الزمنية والتكيف العدائي يوفر بديلاً قوياً ومنافساً للطرق التقليدية القائمة على إدخالات EEG أحادية البعد في تصنيف مراحل النوم عبر مجموعات البيانات.