إطار CNN المتكامل للتصنيف والتوقع لتصنيف مراحل النوم تلقائيًا

تحديد مراحل النوم بشكل صحيح مهم في تشخيص وعلاج اضطرابات النوم. تقدم هذه الدراسة إطارًا مشتركًا للتصنيف والتوقع يستند إلى شبكات النيورونات التلافيفية (CNNs) لأتمتة تحديد مراحل النوم، ثم تقدم بنية بسيطة ومعقدة لشبكة النيورونات التلافيفية لتغذية هذا الإطار. بالنظر إلى عصر نوم واحد كمدخل، يحدد الإطار الجديد بشكل مشترك تصنيفه (التصنيف) وتصنيفات العصور المجاورة له (التوقع) في المخرج السياقي. بينما يكون الإطار المقترح متعامدًا مع خطط التصنيف الشائعة التي تأخذ عصرًا واحدًا أو عدة عصور كمدخلات سياقية وتنتج قرار تصنيف واحد على العصر المستهدف، فإننا نوضح فوائده بعدة طرق. أولاً، يستفيد من الارتباط بين العصور المتتابعة للنوم بينما يتخطى المشكلات التي تعاني منها خطط التصنيف الشائعة. ثانياً، حتى باستخدام نموذج واحد فقط، يتمتع الإطار بقدرة إنتاج قرارات متعددة، وهي ضرورية لتحقيق أداء جيد كما هو الحال في طرق الجمع بين النماذج، مع زيادة حسابية قليلة جدًا. ثم تم اقتراح تقنيات تجميع احتمالية للاستفادة من توفر القرارات المتعددة. أجرينا تجارب على مجموعتين من البيانات العامة: Sleep-EDF Expanded التي تحتوي على 20 موضوعًا، ومجموعة بيانات Montreal Archive of Sleep Studies التي تحتوي على 200 موضوع. حقق الإطار المقترح دقة تصنيف إجمالية بلغت 82.3% و83.6% على التوالي. كما نظهر أن الإطار المقترح ليس فقط أفضل من الخطوط الأساسية المستندة إلى خطط التصنيف الشائعة ولكنه أيضًا يتفوق على الأساليب الحالية للتعلم العميق. حسب علمنا، هذه هي أول دراسة تتخطى التصنيف التقليدي ذو المخرج الواحد لاعتبار شبكات النيورونات متعددة المهام لأتمتة تحديد مراحل النوم. يقدم هذا الإطار فرصًا لمزيد من دراسات مختلف هياكل شبكات النيورونات لأتمتة تحديد مراحل النوم.