مریم بدیعی - دانشجو،دانشگاه قم،دانشکده فنی و مهندسی،دپارتمان کامپیوتر و فناوری اطلاعات
فرانک فتوحی - هیئت علمی، دانشگاه قم،دانشکده فنی و مهندسی،دپارتمان کامپیوتر و فناوری اطلاعات

آپنه خواب شایعترین مشکل تنفسی خواب است و عدم درمان آن میتواند منجر به بیماریهای عصبی و قلبی-عروقی فاجعه بار شود. به طورمعمول، 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 بر آزمایش دارد. یکی از روشهای بیوانفورماتیک امیدوارکننده جهت تشخیص آپنه، تجزیه وتحلیل سیگنالهای بدن به کمک روشهای 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 استخراج ویژگی های کارآمد به جای انتخاب دستی ویژگی ها و استفاده از شبکه های عصبی عمیق بازگشتی جهت مدلسازی تکامل این ویژگی ها در یک بازه زمانی بزرگتر موردتوجه بوده است. بااینحال، انتخاب بهترین مقادیر هایپرپارامترها به دلیل تعداد زیاد احتمالات می تواند چالش برانگیز باشد. بررسی عملکرد برخی مدل های یادگیری عمیق در این مطالعه، نشان داد در حالت عادی مدل های ترکیبی مانند ترکیب ZFNet-BiLSTM با دقت ۹۴.۲۲ ٪ عملکرد به مراتب بهتری نسبت به مدل های تکی دارد و استفاده از بهینه ساز هوش جمعی گورکن عسلخوار برای انتخاب برخی هایپرپارامترها، باعث بهبود عملکرد برخی مدل ها مانند AlexNet-GRU با دقت ۹۵ ٪ گردید.

آپنه خواب (SA)، الگوریتم گورکن عسل خوار (HBA)، بهینه ساز هوش جمعی (SI)، معماری هیبریدی CNN-DRNN، یادگیری عمیق (DL)