الخلفية:تُعتمد الدراسات المتعلقة بـ"النوبضات النومية" عادةً على التحديد البصري الذي يقوم به خبراء، لكن هذه العملية تستهلك وقتًا طويلاً وتُظهر اتفاقًا منخفضًا بين الخبراء، ما يؤدي إلى قلة كمية البيانات وزيادة احتمالية التحيز. وسوف يعالج كاشف تلقائي هذه المشكلات من خلال إنتاج كميات كبيرة من البيانات المُحدَّدة بشكل موضوعي.المنهج الجديد:كان هدفنا تطوير أداة كشف حساسة ودقيقة وقوية للأحداث النومية. وتم التركيز على تحقيق أداء متسق عبر تسجيلات متنوعة (مختلفة الأنواع) دون الحاجة إلى ضبط معلمات إضافية. يعتمد الكاشف المطور على قناة واحدة، ويعتمد على التصنيف المتعدد المتغيرات باستخدام آلة المتجهات الداعمة (Support Vector Machine). تم تقسيم تسجيلات التخطيط الكهربائي للدماغ من الجلد (EEG) إلى فترات زمنية (epochs)، ثم تم تمييز كل فترة باستخدام مجموعة من الميزات ذات الصلة وغير المكررة. تم استخدام بيانات التدريب والتحقق من صحتها من مركز الطب – جامعة فيربورغ، بينما تضمنت بيانات الاختبار 27 تسجيلاً من قواعد بيانات عامة متاحة.النتائج:باستخدام تقييم مبني على العينات، تم تحقيق حساسية قدرها 53% ودقة 37% وخصوصية 96% على قاعدة بيانات DREAMS. أما على قاعدة بيانات MASS، فقد تم تحقيق حساسية قدرها 77% ودقة 46% وخصوصية 96%. أظهر الكاشف المطور أداءً أفضل مقارنة بالكاشفات السابقة. وقد مكّن التصنيف الزمني المُوحّد للسجلات الكهربائية للدماغ في فضاء متعدد الأبعاد، إلى جانب استخدام مجموعة التحقق، من تحديد عتبة كشف واحدة موضوعية تُطبَّق على جميع قواعد البيانات والمشاركين.الاستنتاجات:سيمكن استخدام الأداة المطورة من زيادة حجم البيانات وزيادة الدلالة الإحصائية للدراسات البحثية المتعلقة بدور النوبضات النومية.