روشی مبتنی بر یادگیری عمیق با رویکرد استفاده از بهینه ساز گورکن عسل برای تشخیص ناهنجاری آپنه خواب با استفاده از تحلیل سیگنال های الکتروکاردیوگرام

آپنه خواب شایعترین مشکل تنفسی خواب است و عدمدرمان آن میتواند منجر به بیماریهای عصبی و قلبی-عروقی فاجعه بار شود. به طور معمول، پلی-سومنوگرافی برای تشخیص آپنه استفاده میشود ولی این رویکرد هزینه بر و آزاردهنده برای بیمار، نیاز به چندین الکترود، کابل و یک متخصص برای نظارت برآزمایش دارد. یکی از روشه ای بیوانفورماتیک امیدوارکننده جهت تشخیص آپنه، تجزیه و تحلیل سیگنال های بدن به کمک روش های یادگیری عمیق است کهسیگنال الکتروکاردیوگرام (ecg )یکی از مرتبط ترین و موثرترین آنها است. بعد از انقلاب یادگیری عمیق، استفاده از شبکه های عصبی کانولوشنال برای استخراجویژگیهای کارآمد به جای انتخاب دستی ویژگیها و استفاده از شبکه های عصبی عمیق بازگشتی جهت مدلسازی تکامل این ویژگیها در یک بازه زمانی بزرگترمورد توجه بوده است. با این حال، انتخاب بهترین مقادیر هایپرپارامترها به دلیل تعداد زیاد احتمالات میتواند چالش برانگیز باشد. بررسی عملکرد برخی مدلهاییادگیری عمیق در این مطالعه، نشان داد در حالت عادی مدلهای ترکیبی مانند ترکیب bilstm-zfnet با دقت 22.94 ٪عملکرد به مراتب بهتری نسبت بهمدلهای تکی دارد و استفاده از بهینه ساز هوش جمعی گورکن عسل خوار برای انتخاب برخی هایپرپارامترها، باعث بهبود عملکرد برخی مدلها مانند-alexnetgru با دقت 95 ٪گردید.