تشخیص خودکار اختلالات خواب با استفاده از مدلهای یادگیری عمیق بر روی سیگنالهای eeg
تشخیص خودکار اختلالات خواب با استفاده از مدلهای یادگیری عمیق بر روی سیگنالهای eeg
نجمه دهقانی قنات غستانی1
1) نویسنده مسئول
کد IOI مقاله
:
AAHD-ABEEKF
محل انتشار :
کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری (itnaf.ir)
چکیده :
کیفیت خواب یکی از عوامل کلیدی در سلامت جسمی، عملکرد شناختی و بهبود کیفیت زندگی بزرگسالان به شمار میرود. اختلالات خواب با ایجاد اختلال در ساختار مراحل و چرخههای خواب، میتوانند زمینهساز بروز یا تشدید بیماریهای مزمن از جمله اختلالات قلبیعروقی، متابولیک و مشکلات روانشناختی شوند. از این رو، تشخیص خودکار و دقیق مراحل خواب و شناسایی زودهنگام ناهنجاریهای مرتبط با آن، اهمیت فراوانی در مراقبتهای سلامت و تحقیقات بالینی پیدا کرده است. سیگنالهای الکتروانسفالوگرافی (EEG) به عنوان ابزار استاندارد برای ارزیابی مراحل خواب، جایگاهی محوری در تحلیل وضعیت خواب بزرگسالان دارند. روشهای سنتی تحلیل این سیگنالها بر استخراج ویژگیهای دستی در حوزههای زمان، فرکانس، ریختشناسی و الگوهای مکانی تکیه دارند. با وجود کاربرد گسترده، این روشها به فرآیندهای طولانی، وابستگی به متخصص و محدودیت در مدلسازی وابستگیهای زمانی دچارند و بنابراین برای نظارتهای بلندمدت کارآمد نیستند. در سالهای اخیر، ترکیب الگوریتمهای یادگیری ماشین با مدلهای احتمالاتی مانند مدل مخفی مارکوف (HMM) بهطور قابل توجهی دقت طبقهبندی مراحل خواب را افزایش داده است. در این رویکرد، ابتدا مجموعهای از ویژگیهای متنوع و مؤثر استخراج میشود و سپس با بهرهگیری از تحلیل افزونگی و ارتباط، ویژگیهای بهینه انتخاب میگردند. خروجی این مرحله به یک طبقهبند جنگل تصادفی و یک HMM متوالی داده میشود تا الگوهای زمانی و گذارهای ساختاریافته بین مراحل خواب بهدرستی مدل شوند. تحولات اخیر در یادگیری عمیق نیز نقش قابل توجهی در ارتقای عملکرد سیستمهای تشخیص مراحل خواب داشتهاند. مدلهای کانولوشنی، بازگشتی و ترکیبی قادرند به صورت خودکار ویژگیهای مرتبط را از سیگنال EEG استخراج کنند و با بهرهگیری از پردازش چندکاناله، الگوهای پیچیده زمانی–مکانی را شناسایی نمایند. ترکیب این مدلها با HMM باعث افزایش دقت و پایداری طبقهبندی شده است. بر اساس مطالعات موجود، بهرهگیری از یادگیری عمیق در کنار مدلهای احتمالاتی میتواند به توسعه سامانههای پایش خواب خودکار، دقیق و کمهزینه منجر شود و زمینهای موثر برای تشخیص و مدیریت اختلالات خواب فراهم آورد.
کلمات کلیدی : الکتروانسفالوگرافی (eeg) استخراج ویژگی مدلهای یادگیری اختلال خواب