نهج تعتمد على الانتباه لتعلم الآلة العميقة لتصنيف مراحل النوم باستخدام تخطيط كهرباء الدماغ من قناة واحدة

يُعد تصنيف مراحل النوم التلقائي أمرًا بالغ الأهمية لقياس جودة النوم. في هذا البحث، نقترح معمارية تعلم عميق جديدة تعتمد على الانتباه تُدعى AttnSleep لتصنيف مراحل النوم باستخدام إشارات كهربائية دماغية أحادية القناة (EEG). تبدأ هذه المعمارية بوحدة استخراج الميزات المستندة إلى شبكة عصبية متعددة الدقة (MRCNN) وعمليات إعادة تقييم الميزات التكيفية (AFR). حيث يمكن لـ MRCNN استخراج الميزات ذات التردد المنخفض والمرتفع، في حين تُحسّن وحدة AFR جودة الميزات المستخرجة من خلال نمذجة الاعتماديات المتبادلة بين هذه الميزات. أما الوحدة الثانية فهي مُشفر السياق الزمني (TCE)، الذي يستخدم آلية الانتباه متعددة الرؤوس لالتقاط الاعتماديات الزمنية بين الميزات المستخرجة. وبشكل خاص، تستخدم آلية الانتباه متعددة الرؤوس التحويلات السببية (causal convolutions) لنمذجة العلاقات الزمنية في الميزات المدخلة. وقد قمنا بتقييم أداء النموذج المُقترح AttnSleep باستخدام ثلاث مجموعات بيانات عامة. وأظهرت النتائج أن نموذج AttnSleep يتفوق على التقنيات الرائدة في مجاله من حيث مجموعة متنوعة من مقاييس التقييم. يمكن الوصول إلى الكود المصدري، وبيانات التجربة، والمواد الإضافية عبر الرابط التالي: https://github.com/emadeldeen24/AttnSleep.