نحو مراحل نوم أكثر دقة عبر التعلم العميق بالنقل

الخلفية: على الرغم من التقدم الملحوظ الذي تحقق مؤخرًا في تطوير طرق تصنيف النوم التلقائي، لا يزال بناء نموذج جيد تحديًا كبيرًا للدراسات المتعلقة بالنوم ذات المجموعات الصغيرة بسبب مشكلتي تنوع البيانات وعدم كفاءة البيانات. يقدم هذا العمل نهجًا عميقًا لتعلم النقل بهدف التغلب على هذه المشكلات وتمكين نقل المعرفة من قاعدة بيانات كبيرة إلى مجموعة صغيرة لتصنيف النوم التلقائي.الطرق: نبدأ من إطار عام للتعلم العميق من البداية إلى النهاية لتصنيف النوم من سلسلة إلى سلسلة، ثم نشتق شبكتين كوسيلة لتعلم النقل. يتم تدريب الشبكات أولاً في المجال المصدر (أي القاعدة البيانات الكبيرة). ثم يتم ضبط الشبكات المدربة مسبقًا في المجال المستهدف (أي المجموعة الصغيرة) لإكمال عملية نقل المعرفة. نستخدم قاعدة بيانات أرشيف مونتريال للدراسات المتعلقة بالنوم (MASS) التي تتكون من 200 موضوع كمجال مصدر، وندرس تعلم النقل العميق في ثلاثة مجالات مستهدفة مختلفة: مجموعة Sleep Cassette الفرعية ومجموعة Sleep Telemetry الفرعية من قاعدة بيانات Sleep-EDF Expanded، بالإضافة إلى قاعدة بيانات Surrey-cEEGrid. تم اختيار المجالات المستهدفة بعناية لتغطية درجات مختلفة من عدم التطابق بين البيانات والمجالات المصدر.النتائج: تظهر نتائج التجارب لدينا تحسنًا ملحوظًا في أداء تصنيف النوم التلقائي في المجالات المستهدفة باستخدام النهج المقترح لتعلم النقل العميق.الاستنتاجات: تقترح هذه النتائج فعالية النهج المقترح في معالجة مشكلتي تنوع البيانات وعدم كفاءة البيانات المشار إليهما سابقًا.الأهمية: نتيجة لذلك، سيتمكن الباحثون من تحسين جودة نماذج تصنيف النوم التلقائي عندما يكون حجم البيانات صغيرًا نسبيًا. يمكن الحصول على الكود المصدر والنموذج المدرب مسبقًا عبر الرابط http://github.com/pquochuy/sleep_transfer_learning.