روشي مبتني بر يادگيري عميق با رويكرد استفاده از بهينه ساز گوركن عسل براي تشخيص ناهنجاري آپنه خواب با استفاده از تحليل سيگنال هاي الكتروكارديوگرام

آپنه خواب شايعترين مشكل تنفسي خواب است و عدمدرمان آن ميتواند منجر به بيماريهاي عصبي و قلبي-عروقي فاجعه بار شود. به طور معمول، پلي- سومنوگرافي براي تشخيص آپنه استفاده ميشود ولي اين رويكرد هزينه بر و آزاردهنده براي بيمار، نياز به چندين الكترود، كابل و يك متخصص براي نظارت بر آزمايش دارد. يكي از روشه اي بيوانفورماتيك اميدواركننده جهت تشخيص آپنه، تجزيه و تحليل سيگنال هاي بدن به كمك روش هاي يادگيري عميق است كه سيگنال الكتروكارديوگرام (ECG )يكي از مرتبط ترين و مؤثرترين آنها است. بعد از انقلاب يادگيري عميق، استفاده از شبكه هاي عصبي كانولوشنال براي استخراج ويژگيهاي كارآمد به جاي انتخاب دستي ويژگيها و استفاده از شبكه هاي عصبي عميق بازگشتي جهت مدلسازي تكامل اين ويژگيها در يك بازه زماني بزرگتر مورد توجه بوده است. با اين حال، انتخاب بهترين مقادير هايپرپارامترها به دليل تعداد زياد احتمالات ميتواند چالش برانگيز باشد. بررسي عملكرد برخي مدلهاي يادگيري عميق در اين مطالعه، نشان داد در حالت عادي مدلهاي تركيبي مانند تركيب BiLSTM-ZFNet با دقت ۲۲.۹۴ ٪عملكرد به مراتب بهتري نسبت به مدلهاي تكي دارد و استفاده از بهينه ساز هوش جمعي گوركن عسل خوار براي انتخاب برخي هايپرپارامترها، باعث بهبود عملكرد برخي مدلها مانند-AlexNet GRU با دقت ۹۵ ٪گرديد.