لا تتجاهل التعلم الآلي التقليدي: التقنيات البسيطة والقابلة للتفسير تنافس التعلم العميق في تصنيف النوم

خلال السنوات القليلة الماضية، ركز البحث في تقييم النوم التلقائي بشكل أساسي على تطوير هياكل تعلم عميقة متزايدة التعقيد. ومع ذلك، حققت هذه الأساليب مؤخرًا تحسينات طفيفة فقط، غالبًا على حساب الحاجة إلى المزيد من البيانات وإجراءات التدريب الأكثر تكلفة. رغم كل هذه الجهود وأدائها المرضي، لم يتم اعتماد حلول تصنيف مراحل النوم التلقائية بعد بشكل واسع في السياق السريري. نعتقد أن معظم حلول التعلم العميق لتقييم النوم محدودة في قابليتها للتطبيق في العالم الحقيقي لأنها صعبة التدريب والنشر والتكرار. بالإضافة إلى ذلك، تعاني هذه الحلول من نقص في القابلية للتفسير والشفافية، وهي عناصر أساسية لزيادة معدلات الاعتماد. في هذا العمل، نعيد النظر في مشكلة تصنيف مراحل النوم باستخدام التعلم الآلي الكلاسيكي. تظهر النتائج أنه يمكن تحقيق أداء تنافسي مع خط أنابيب تعلم آلي تقليدي يتكون من المعالجة السابقة واستخراج الميزات ونموذج تعلم آلي بسيط. بشكل خاص، نقوم بتحليل أداء نموذج خطي ونموذج غير خطي (نمذجة الرفع التدرجي) (Gradient Boosting). يتفوق نهجنا على أفضل ما تم الوصول إليه حتى الآن (وهو يستخدم نفس البيانات) في قاعدتين بيانات عامتين: Sleep-EDF SC-20 (MF1 0.810) وSleep-EDF ST (MF1 0.795)، بينما يحقق نتائج تنافسية على Sleep-EDF SC-78 (MF1 0.775) وMASS SS3 (MF1 0.817). نوضح أن، بالنسبة لمهام تقييم مراحل النوم، فإن قوة التعبير لمتجه الميزات المصمم هي نفسها التي للممثيلات الداخلية التي يتعلمها نماذج التعلم العميق. هذا الملاحظ يفتح الباب أمام الاعتماد السريري، حيث يسمح متجه الميزات الممثل بتغليب كل من القابلية للتفسير والسجل الناجح لنماذج التعلم الآلي التقليدية.