آیا آپنه خواب باعث افزایش وزن میشود (2)
برخلاف CNNها، ViT سیگنالهای ورودی را به صورت توالیهایی از تکهها پردازش میکند و به طور مؤثر وابستگیهای محلی و سراسری را از طریق مکانیسمهای خود-توجه ثبت میکند. سهم سیگنال ورودی را در مرحله نهایی خواب و طبقهبندی اختلالات خواب بررسی کنید. علاوه بر این، ما سهم سیگنالهای ورودی را در مرحله نهایی خواب و طبقهبندی اختلالات خواب با تجزیه و تحلیل وزنهای خود-توجه از بلوک رمزگذار ترانسفورماتور بررسی میکنیم. در مرحله آخر، هر چهار کانال برای ایجاد مجموعه داده کامل، که ابعادی برابر با 4994 × 1920 × 4 داشت، روی هم انباشته شدند. 4994 تعداد کل بخشهای 30 ثانیهای، 1920 تعداد نمونهها در هر کانال و 4 تعداد کانالها (692) برای REM است. علاوه بر این، هر بخش 30 ثانیهای با نوع خاصی از آپنه خواب مشاهده شده، حاشیهنویسی شده است. آپنه خواب مرکزی کمتر از آپنه خواب انسدادی شایع است. شکل 5: نقشههای توجه رسم شده بر روی سیگنال تنفسی برای وقوع اختلالات خواب مختلف (الف) هیپوپنه انسدادی، (ب) هیپوپنه انسدادی، (ج) هیپوپنه انسدادی، (د) آپنه مرکزی و (ه) آپنه انسدادی خواب.
در مجموع، 2089 آپنه در این مطالعه شناسایی شد که به شرح زیر طبقهبندی شدند: آپنه مرکزی (18٪، 372 مورد)، آپنه انسدادی (29٪، 587 مورد) و هیپوپنه انسدادی (53٪، 1109 مورد). در این مطالعه، ما از MTL برای افزایش عملکرد روشهای مبتنی بر طبقهبندی با استفاده از ویژگیهای مشترک بین وظایف مرتبط با طبقهبندی استفاده میکنیم. این رویکرد، تعمیمپذیری و عملکرد را افزایش میدهد، به ویژه هنگامی که وظایف وابستگی متقابل یا ویژگیهای مشترک دارند. نتایج تجربی، اثربخشی رویکرد پیشنهادی را در مقایسه با مدلهایی با معماری مشابه و همچنین سایر روشهای CNN نشان میدهد. ارزیابی عملکرد مدل پیشنهادی از نظر دقت، صحت، یادآوری، امتیاز F1 و کاپای کوهن. برای اطمینان از تعمیمپذیری مدل به افراد جدید، از یک رویکرد آزمایش بین بیمار استفاده کردیم. هدف از این رویکرد، استفاده از ویژگیهای اساسی مشابه در اختلالات خواب و مراحل مختلف خواب است. با این حال، مدلهای یادگیری ماشین (ML) و DL موجود در دستیابی به عملکرد قوی برای مرحلهبندی دقیق خواب (مثلاً ۴ یا ۵ مرحله) شکست میخورند و اغلب به حجم زیادی از مجموعه دادهها یا منابع محاسباتی گسترده برای آموزش نیاز دارند. داشتن یک مجموعه داده متعادل برای آموزش مدلهای یادگیری ماشین قابل اعتماد بسیار مهم بود، زیرا به مدل اجازه میداد از نمونههای متنوع یاد بگیرد.
مجموعه دادهها شامل سوابق مربوط به مطالعات پلیسومنوگرافی فردی روی ۱۲۳ فرد بود که ۴۸ نفر از آنها مبتلا به آپنه انسدادی خواب (OSA) و بقیه مبتلا به اختلالات خواب غیرتنفسی تشخیص داده شدند. روش پیشنهادی و مجموعه دادهها در بخش 2 ارائه شدهاند. تنظیمات آزمایشی در بخش 3 شرح داده شده است. عملکرد روش در بخش 4 ارزیابی شده است. در نهایت، بخش 5 مقاله را به پایان میرساند. ارزیابی مدل پیشنهادی با استفاده از دادههای چندوجهی و چندبرچسبی که برای محیط خانه قابل تطبیق هستند. شبکه پیشنهادی شامل کانولوشن یک بعدی و توالیهایی از وصلهها برای ثبت وابستگیهای محلی و سراسری از طریق مکانیسمهای خودتوجهی است. رمزگذار ترانسفورماتور شامل لایههای LL است که هر کدام دارای یک مکانیسم خودتوجهی چندسر (MHSA) و یک شبکه عصبی پیشخور (FFN) هستند. معماری مدل، که در شکل 2 نشان داده شده است، شامل چندین مؤلفه کلیدی است که در زیر شرح داده شده است. در این بخش، مراحل آمادهسازی دادهها را شرح میدهیم (شکل 1 را ببینید). تجزیه و تحلیل مراحل خواب ما شامل چهار سیگنال زیستی است: سیگنال PPG از یک پالس اکسیمتر انگشتی، سیگنال جریان تنفسی (RF) و سیگنالهای تلاش تنفسی قرار داده شده روی قفسه سینه و شکم (RC و RA). در این مطالعه، دادههای PPG سیگنال خامی است که مستقیماً از PSG بدون هیچ پردازش یا تمیزکاری اضافی بازیابی شده است. در طول این مطالعه، کادر پزشکی در یک آزمایشگاه تخصصی خواب، خواب کودک شما را زیر نظر خواهند داشت.
طبق یک مطالعه در سال ۲۰۱۷، اکثر افراد ترجیح میدهند به یک پهلو بخوابند، بنابراین احتمالاً تشکهای زیادی را خواهید یافت که برای رفع نیازهای خواب شما طراحی شدهاند. نرمالسازی نمره Z شامل تفریق میانگین و تقسیم بر انحراف معیار برای هر کانال بود که دادههایی با میانگین صفر و انحراف معیار یک را تولید میکرد. این میتواند باعث خستگی روزانه شود و برای مبتلایان به OSA غیرمعمول نیست که در طول روز یک یا چند چرت بزنند. دورههای اختلال تنفسی در خواب باعث تغییرات رگهای خونی میشود که میتواند باعث ایجاد و کمک به بیماریهای قلبی عروقی شود. این مرحله برای کمک به مدل برای تمرکز بر شکل و تغییرات سیگنالها به جای مقادیر واقعی آنها مهم بود. این مرحله به ویژه در یادگیری عمیق مفید است زیرا فرآیند آموزش را روانتر میکند و سرعت یادگیری مدل را بهبود میبخشد. MTL با ثبت همبستگی بین وظایف، نتایج را بهبود میبخشد و اغلب به دلیل توانایی شبکههای عصبی در یادگیری و تعمیم بازنماییهای مشترک با یادگیری عمیق مرتبط است.
