الإشارات غير الغازية مثل تخطيط القلب الكهربائي (ECG) وإشارات التنفس سهلة الاكتساب عبر حساسات منخفضة التكلفة، مما يجعلها بديلاً واعدًا لتصنيف مراحل النوم. مع ذلك، غالبًا ما تعطي الطرق الحالية التي تستخدم هذه الإشارات دقة غير كافية. لمعالجة هذه المشكلة، قمنا بتحسين نموذج تصنيف النوم تدريجيًا من خلال تصميم سير عمل تجريبي منظم: بدأنا بمعالجة الإشارات التنفسية وECG، ثم استخرجنا ميزات مدمجة باستخدام تقنية محسّنة لاختيار الميزات، والتي لا تقلل فقط من الميزات المتكررة، بل تحسّن بشكل كبير قابلية التمييز بين الفئات للميزات. تعمل الميزات المدمجة الناتجة كجزء موثوق للميزات المستخدمة من قبل المُصنّف. في الوقت نفسه، اقترحنا خوارزمية تحسين هجينة تدمج بين خوارزمية تحسين الأفعى (SO) وخوارزمية تحسين مستعمرة النمل (ACO) لتحسين تلقائي لمعاملات الدعم في آلات المتجهات الدعم (SVMs). أُجريت تجارب باستخدام مجموعتي بيانات عامتين مستخرجة من تخطيط نوم متعدد القنوات، دراسة صحة القلب والنوم (SHHS) وقاعدة بيانات تخطيط النوم MIT-BIH (MIT-BPD)، لتقييم أداء التصنيف للإشارات متعددة الأنماط مقابل الإشارات ذات النمط الواحد. أظهرت النتائج أن تصنيف النوم ثنائي النمط باستخدام إشارات SHHS تفوق بشكل ملحوظ على الطرق الأحادية المعتمدة على ECG، وتم تحسين الدقة العامة لمجموعة بيانات SHHS بنسبة 12%. حقق نموذج SVM المحسن باستخدام خوارزمية Snake–ACO الهجينة متوسط دقة 89.6% لتصنيف اليقظة مقابل النوم على مجموعة بيانات SHHS، مما يمثل تحسنًا بنسبة 5.1% مقارنة بطرق البحث الشبكي التقليدية. في تجربة التقسيم المستقلة عن الموضوعات، حافظت مهمة تصنيف اليقظة مقابل النوم على ثبات جيد مع انخفاض في الدقة بنسبة 1.8% فقط. توفر هذه الدراسة رؤى جديدة لمراقبة النوم غير الغازية ولدعم اتخاذ القرارات السريرية.
درس شو وآخرون (الأربعاء،) هذا السؤال.