شبكة السياق الزمني داخل العصور وبين العصور (IITNet) باستخدام ميزات الفترات الفرعية للتصنيف التلقائي للنوم على بيانات الموجات الكهربائية الدماغية الأحادية القناة الخام

يُقترح نموذج تعلم عمقي يُسمى IITNet لتعلم السياقات الزمنية داخل العصور وبين العصور من التسجيلات الكهروencephalographic (EEG) الأحادية القناة الخام لأجل تصنيف النوم بشكل آلي. لتصنيف مرحلة النوم من تسجيلات EEG التي تستغرق نصف دقيقة، والتي تُعرف بالعصر، يقوم الخبراء في النوم بفحص الأحداث المتعلقة بالنوم ويأخذون بعين الاعتبار قواعد الانتقال بين الأحداث المكتشفة. وبالمثل، يستخرج IITNet الخصائص الممثلة على مستوى الفترات الفرعية باستخدام شبكة عصبية متبقية (Residual Neural Network) ويُلقي القبض على السياقات الزمنية داخل العصور وبين العصور من سلسلة هذه الخصائص عبر استخدام LSTM ثنائية الاتجاه (Bidirectional LSTM). تم دراسة الأداء لثلاثة مجموعات بيانات مع زيادة طول السلسلة (L) من واحد إلى عشرة. حقق IITNet أداءً مماثلاً للنتائج الرائدة الأخرى. كانت أفضل دقة، ومتوسط F1 (MF1)، وكappa كوهين ($κ$) 83.9٪، 77.6٪، 0.78 لمجموعة البيانات SleepEDF (L=10)، و86.5٪، 80.7٪، 0.80 لمجموعة البيانات MASS (L=9)، و86.7٪، 79.8٪، 0.81 لمجموعة البيانات SHHS (L=10) على التوالي. حتى عند استخدام أربعة عصور فقط، ظل الأداء مماثلاً تقريباً. بالمقارنة مع استخدام عصر واحد فقط، ارتفعت الدقة ومتوسط F1 بمتوسط نسبة 2.48 نقطة مئوية و4.90 نقطة مئوية على التوالي، بينما ارتفع F1 لكل من N1 وN2 وREM بنسبة 16.1 نقطة مئوية و1.50 نقطة مئوية و6.42 نقطة مئوية على التوالي. فوق أربعة عصور، لم يكن هناك تحسن كبير في الأداء. تدعم هذه النتائج أن الأخذ بعين الاعتبار آخر دقيقتين من تسجيل EEG الأحادي القناة الخام يمكن أن يكون خيارًا معقولًا لتصنيف النوم عبر الشبكات العصبية العميقة بكفاءة وموضوعية.بالإضافة إلى ذلك، أظهرت التجارب التي أجريت باستخدام الخطوط الأساسية أن إدخال تعلم السياق الزمني داخل العصور باستخدام شبكة عصبية متبقية عميقة يساهم في تحسين الأداء العام ولديه تأثير توافقي إيجابي مع تعلم السياق الزمني بين العصور.