داروهای هوشمند جدید نوتروپیک (2)
خواب زیاد، IH را برطرف نمیکند، اما داشتن یک برنامه منظم خواب هنوز ایده خوبی است. از سوی دیگر، روشهای یادگیری عمیق معمولی معمولاً برای یک کار طبقهبندی با اتلاف آنتروپی متقاطع (CE) آموزش میبینند. ما یک اتلاف ترکیبی جدید طراحی میکنیم که شامل اتلاف آنتروپی متقاطع (CE) و اتلاف تقابلی نظارتشده (SC) است. علاوه بر این، یک اتلاف ترکیبی جدید برای انجام همزمان یادگیری تقابلی و طبقهبندی با ادغام اتلاف تقابلی نظارتشده با اتلاف آنتروپی متقاطع طراحی شده است. به عنوان یک راه حل، ما یک اتلاف ترکیبی جدید طراحی میکنیم که اتلاف آنتروپی متقاطع را با اتلاف تقابلی ادغام میکند. اتلاف SC با به حداقل رساندن نسبت شباهت درون کلاسی به بین کلاسی به یادگیری عمومیتر و قویتر کمک میکند، در حالی که اتلاف CE آنتروپی متقاطع بر کشف ویژگیهای مفید برای حل کار طبقهبندی تمرکز دارد. در این کار، ما بر روی یک کاربرد بالینی خاص، یعنی تشخیص آپنه خواب، تمرکز میکنیم. به طور خلاصه، در این کار، ما یک روش جدید برای تشخیص آپنه خواب مبتنی بر یادگیری متقابل (ConCAD) با استفاده از دادههای ECG منفرد پیشنهاد دادیم.
شما در بیدار ماندن در مدرسه یا محل کار یا هنگام رانندگی مشکل دارید. در موارد نادر، بیماری دارم که هم داروهای محرک و هم داروهای خوابآور مصرف میکند. روش اصلی فعلی برای تشخیص آپنه خواب، نیاز به ثبت پلیسومنوگرام (PSG) توسط بیمار در یک کلینیک دارد که بسیار ناخوشایند و دیرهنگام است. دادههای ECG و تشخیص آپنه خواب به سبک سرتاسری. با پیشرفتهای اخیر در روشهای یادگیری عمیق، یادگیری خودکار ویژگیهای عمیق از دادههای اصلی به یک رویکرد مؤثر و گسترده تبدیل میشود. فاصله RR (RRI) و پوشش R-peak (RPE) و ساخت مدل یادگیری عمیق برای یادگیری خودکار بازنمایی و تشخیص آپنه خواب. مطالعات خواب میتواند به تشخیص نوع آپنه خواب و میزان جدی بودن آن کمک کند. پیچیدگی مدل و تعداد بیشتر پارامترهای قابل یادگیری میتوانست باعث شود که مدل با مجموعه آموزشی بیشبرازش داشته باشد و منجر به عملکرد ضعیف در مجموعه آزمایشی شود. همانطور که در دو مجموعه داده ECG عمومی با حاشیهنویسی آپنه خواب نشان داده شده است، ConCAD عملکرد تشخیص را به طور قابل توجهی بهبود میبخشد و از روشهای معیار پیشرفته بهتر عمل میکند. آپنه خواب یک بیماری شایع و جدی در ایالات متحده است.
آپنه خواب یکی از شایعترین اختلالات خواب است که یک فعالیت تنفسی غیرطبیعی است که به طور مکرر در طول خواب رخ میدهد. تا آنجا که ما میدانیم، کار ما اولین کاری است که با موفقیت یادگیری مقابلهای را برای تشخیص آپنه خواب ادغام میکند. یادگیری مقابلهای میتواند با نزدیک نگه داشتن نمونههای هر کلاس و دور کردن نمونههای کلاسهای مختلف در فضای تعبیه به طور همزمان، نمایشهای بهتری را یاد بگیرد. ما نشان میدهیم که چارچوب پیشنهادی ما از توجه متقابل مبتنی بر یادگیری مقابلهای، توانایی تعمیم بهتری دارد، به خصوص زمانی که تعداد دادههای آموزشی برچسبگذاری شده محدود باشد، در مقایسه با یک روش یادگیری عمیق ساده بدون آن. بیمارانی که در کنار درمان CPAP خود از دستگاههای اکسیژنساز برتر استفاده میکنند، اغلب به دلیل پشتیبانی بهتر از راه هوایی و افزایش سطح اشباع اکسیژن خون در طول چرخههای خواب، کیفیت خواب بهتری را گزارش میدهند. دکتر هولکمپ گفت که سطح اکسیژن یویو در درازمدت اثرات ناگفتهای دارد. با از بین رفتن اثر الکل در طول شب، احتمال خواب کمعمقتر و بیکیفیتتر فرد و بیدار شدن مکرر او بیشتر میشود. برای کاهش این مشکل، یک راه حل رایج، جمعآوری دادههای بیشتر است تا مدل بتواند ویژگیهای کلیتری را بدون تبعیض بیش از حد یاد بگیرد. از دست دادن کنتراست با خوشهبندی دادههای مشابه و جدا کردن دادههای غیرمشابه، به یادگیری ویژگیهای کلیتر و قویتر کمک میکند.
این مشکل زمانی بیشتر بروز میکند که اعضای خانواده نیز تحت تأثیر اختلال کابوس یا سایر پاراسومنیاها قرار دارند. این امر به ویژه در کارهایی با دادههای مرتبط با بالینی، که دادهها معمولاً محدود و پیچیده هستند، مفید است. این ویژگیهای انتخاب شده توسط متخصص میتوانند تعمیمپذیری مدل را افزایش داده و برخی از ویژگیهای داده، مانند فاصله زمانی بین دو الگو را به مدل یادآوری کنند. برای حفظ ویژگیهای عمیق ضمنی و ویژگیهای صریح انتخاب شده توسط متخصص، یک استراتژی ادغام مؤثر ضروری میشود. هم مکانیسم توجه متقابل و هم یادگیری مقابلهای میتوانند بدون دردسر در مدلهای استاندارد یادگیری عمیق ادغام شوند. در این بخش، مطالعات مربوط به مدل پیشنهادی ConCAD، از جمله کار بر روی تشخیص آپنه خواب، مکانیسم توجه متقابل برای ادغام ویژگیها و یادگیری مقابلهای را بررسی میکنیم. ارین هاوسویت، یک درمانگر تنفسی ثبت شده در سنفورد هلث در فارگو، داکوتای شمالی، میگوید آپنه خواب تقریباً 940 میلیون نفر را در سراسر جهان تحت تأثیر قرار میدهد و میتواند شدید باشد.
