پژوهشگران دانشگاه بیهانگ و دانشگاه نیروی هوایی چین در پژوهشی به بررسی امکان طبقه‌بندی مراحل خواب حسب الگوهای یادگیری، فعالیت و روش تحلیل شبکه‌های عصبی مصنوعی تکرارشونده پرداختند.
روش:
در این پژوهش آزمایشی ۳۹ نفر داوطلب در دامنه سنی ۱۹ تا ۶۴ سال شرکت نمودند. نوارمغزی خواب افراد با دستگاه خواب‌نگاری ۶۴ کاناله بدست آمد. فعالیت بدنی و ضربان قبل افراد نیز با مچ‌بندهای ثبت فعالیت بصورت دیجیتالی ثبت شد. ارزیابی‌ها در سه فاز حالت فعالیت، حالت آرامش و حالت خواب صورت گرفتند.
نتایج نشان دادند:
- طبق بررسی امواج مغزی و فعالیت‌نگاری حاصل از مچ‌بندهای ثبت فعالیت روزانه، مراحل خواب شامل ۵ مرحله بیداری، حرکت غیرسریع چشم ۱ تا ۳، و حرکت سریع چشم هستند.
- تفاوت معناداری بین مراحل خواب الگوهای مختلف یادگیری که توسط مچ‌بند ثبت فعالیت روزانه محاسبه شدند، وجود دارد. این مراحل انطابق کاملی با وضعیت امواج مغزی استاندارد مراحل مختلف خواب و بیداری، دارند.
- پایایی و اعتبار مراحل خواب محاسبه شده توسط مچ‌بندهای ثبت فعالیت در هر فرد در روزهای مختلف مشابه است.
- با استفاده از مچ‌بندهای ثبت فعالیت روزانه می‌توان بخوبی تفکیک مراحل خواب و مراحل بیداری را با دقت بالایی محاسبه نمود.
- استفاده از مچ‌بندهای ثبت فعالیت روزانه، افزون بر سطح دقت بالا، هزینه‌های بررسی وضعیت و سطوح خواب را به میزان بسیار زیادی کاهش می‌دهد.
راهبردهای کارکردی:
- با توجه به اینکه خواب عامل بسیار مهمی در شکل‌گیری، تثبیت و تحکیم حافظه و تقویت یادگیری دارد، استفاده از مچ‌بندهای ثبت فعالیت بویژه در کودکان و نوجوانان، می‌تواند سطح روزانه خواب آنها را نشان داده و ابزاری مطمئن برای سنجش کیفیت یادگیری و درس خواندن آنها باشد.
- بزرگسالان می‌توانند با استفاده از مچ‌بندهای ثبت فعالیت، الگوهای فعالیت و خواب روزانه خود را پایش کرده و علاوه بر کنترل وزن و توان یادگیری مغزی خود، به پیشگیری و مبارزه با فراموشی، مشکلات شناختی و آلزایمر در سال‌های آتی بپردازند.
Abstract
Background
Automatic sleep stage classification is essential for long-term sleep monitoring. Wearable devices show more advantages than polysomnography for home use.
In this paper, we propose a novel method for sleep staging using heart rate and wrist actigraphy derived from a wearable device.
Methods
The proposed method consists of two phases: multi-level feature learning and recurrent neural networks-based (RNNs) classification.
The feature learning phase is designed to extract low- and mid-level features. Low-level features are extracted from raw signals, capturing temporal and frequency domain properties. Mid-level features are explored based on low-level ones to learn compositions and structural information of signals.
Sleep staging is a sequential problem with long-term dependencies. RNNs with bidirectional long short-term memory architectures are employed to learn temporally sequential patterns.
Results
To better simulate the use of wearable devices in the daily scene, experiments were conducted with a resting group in which sleep was recorded in the resting state, and a comprehensive group in which both resting sleep and non-resting sleep were included.
The proposed algorithm classified five sleep stages (wake, non-rapid eye movement 1–۳, and rapid eye movement) and achieved weighted precision, recall, and F1 score of 66.6%, 67.7%, and 64.0% in the resting group and 64.5%, 65.0%, and 60.5% in the comprehensive group using leave-one-out cross-validation. Various comparison experiments demonstrated the effectiveness of the algorithm.
Conclusions
Our method is efficient and effective in scoring sleep stages. It is suitable to be applied to wearable devices for monitoring sleep at home.
Keywords
Sleep stage, Classification, Feature learning, Recurrent neural networks, Wearable device
لینک منبع پیشنهادی برای مطالعه بیشتر 
(further reading)
