مرحله‌بندی خواب یک فرآیند مهم در تشخیص و درمان اختلالات خواب است. امروزه، ثبت سیگنال الکتروانسفالوگرافی (EEG) به عنوان یک روش استاندارد برای بررسی فعالیت الکتریکی مغز در طول خواب مورد استفاده قرار می‌گیرد. با این حال، تفسیر و برچسب‌گذاری دقیق سیگنال‌های EEG نیازمند متخصصین آموزش‌دیده و زمان‌بر است. از این رو، توسعه روش‌های خودکار و کارآمد برای مرحله‌بندی خواب بر اساس سیگنال EEG از اهمیت ویژه‌ای برخوردار است.

این مقاله توسط Xue Jiang، Jianhui Zhao، Bo Du و Zhiyong Yuan نگاشته شده است. نویسندگان در زمینه یادگیری ماشین و پردازش سیگنال‌های زیستی فعالیت می‌کنند و تلاش آن‌ها بر توسعه روش‌های نوین برای تحلیل و تفسیر سیگنال‌های EEG متمرکز است. زمینه تحقیقاتی این مقاله در مرز بین یادگیری ماشین و علوم اعصاب قرار دارد و هدف آن، استفاده از تکنیک‌های پیشرفته یادگیری ماشین برای حل چالش‌های موجود در مرحله‌بندی خواب است.

این مقاله یک روش جدید برای مرحله‌بندی خواب بر اساس سیگنال EEG با استفاده از یادگیری تباینی خودنظارتی (Self-Supervised Contrastive Learning) ارائه می‌دهد. ایده اصلی این روش، استفاده از داده‌های بدون برچسب EEG برای آموزش یک مدل یادگیری ماشین است. این مدل قادر است ویژگی‌های کلی و مهم سیگنال‌های EEG را یاد بگیرد و در نتیجه، عملکرد بهتری در مرحله‌بندی خواب داشته باشد، حتی در مواردی که تعداد داده‌های برچسب‌گذاری شده محدود است. به طور خلاصه، این مقاله بر این مشکل تمرکز دارد که برچسب‌گذاری سیگنال EEG هزینه زیادی دارد، و رویکردی را پیشنهاد می‌کند که از داده‌های بدون برچسب برای آموزش مدل با کارایی بالا استفاده می‌کند. این رویکرد به ویژه در شرایطی که داده‌های برچسب‌گذاری شده محدود هستند، بسیار مفید است.

روش پیشنهادی در این مقاله شامل دو مرحله اصلی است:

1. مرحله پیش‌آموزش (Pretext Task): در این مرحله، شبکه عصبی با استفاده از داده‌های بدون برچسب EEG آموزش داده می‌شود. هدف از این آموزش، یادگیری ویژگی‌های کلی و مهم سیگنال‌های EEG است. برای این منظور، یک وظیفه پیش‌آموزشی تعریف می‌شود که شبکه باید آن را حل کند. در این مقاله، وظیفه پیش‌آموزشی “تطبیق جفت‌های تبدیل شده” است. به این معنی که شبکه باید تشخیص دهد که کدام دو نمونه سیگنال EEG از یکدیگر مشتق شده‌اند (مثلاً با اعمال تغییرات زمانی یا فرکانسی).
2. مرحله آموزش نهایی (Fine-tuning): پس از اتمام مرحله پیش‌آموزش، شبکه عصبی با استفاده از داده‌های برچسب‌گذاری شده EEG آموزش داده می‌شود تا به طور خاص برای مرحله‌بندی خواب تنظیم شود. از آنجایی که شبکه قبلاً ویژگی‌های کلی سیگنال‌های EEG را یاد گرفته است، در این مرحله به داده‌های برچسب‌گذاری شده کمتری نیاز دارد.

این روش از یادگیری تباینی برای آموزش شبکه استفاده می‌کند. یادگیری تباینی یک رویکرد یادگیری خودنظارتی است که در آن هدف، یادگیری نمایش‌هایی از داده‌ها است که نمونه‌های مشابه به یکدیگر نزدیک و نمونه‌های متفاوت از یکدیگر دور باشند. در این مقاله، از یادگیری تباینی برای آموزش شبکه به تشخیص نمونه‌های EEG که از یک دوره خواب مشابه آمده‌اند، استفاده می‌شود. به عنوان مثال، سیگنال‌های EEG یک فرد در مرحله خواب REM باید به یکدیگر نزدیک‌تر از سیگنال‌های EEG همان فرد در مرحله خواب عمیق باشند.

انتخاب تبدیلات مناسب در مرحله پیش‌آموزش بسیار مهم است. این تبدیلات باید ویژگی‌های مهم سیگنال‌های EEG را حفظ کنند و در عین حال، تنوع کافی را ایجاد کنند تا شبکه بتواند ویژگی‌های کلی را یاد بگیرد. در این مقاله، از تبدیلات زمانی و فرکانسی مختلفی استفاده شده است تا شبکه بتواند ویژگی‌های مرتبط با الگوهای خواب مختلف را یاد بگیرد.

نتایج آزمایش‌ها نشان می‌دهد که روش پیشنهادی در این مقاله، عملکرد رقابتی در مرحله‌بندی خواب دارد. این روش توانسته است به دقت 88.16% و نمره F1 برابر با 81.96% در مجموعه داده Sleep-edf دست یابد. این نتایج نشان می‌دهد که استفاده از یادگیری تباینی خودنظارتی می‌تواند به بهبود عملکرد مدل‌های مرحله‌بندی خواب کمک کند، به ویژه در شرایطی که داده‌های برچسب‌گذاری شده محدود است.

علاوه بر این، نتایج نشان می‌دهد که عملکرد شبکه به انتخاب تبدیلات و میزان داده‌های بدون برچسب مورد استفاده در مرحله پیش‌آموزش بستگی دارد. به عبارت دیگر، با انتخاب تبدیلات مناسب و استفاده از حجم کافی از داده‌های بدون برچسب، می‌توان عملکرد شبکه را بهبود بخشید.

به عنوان مثال، نویسندگان نشان دادند که استفاده از تبدیلات فرکانسی (مانند فیلتر کردن و تبدیل موجک) به شبکه کمک می‌کند تا ویژگی‌های مرتبط با باندهای فرکانسی مختلف (مانند دلتا، تتا، آلفا و بتا) را یاد بگیرد. این باندها با مراحل مختلف خواب ارتباط دارند و یادگیری آن‌ها برای مرحله‌بندی دقیق خواب ضروری است.

روش پیشنهادی در این مقاله می‌تواند در زمینه‌های مختلفی کاربرد داشته باشد، از جمله:

• تشخیص و درمان اختلالات خواب: با استفاده از این روش، می‌توان به طور خودکار مراحل خواب را تعیین کرد و به پزشکان در تشخیص و درمان اختلالات خواب کمک کرد.
• پژوهش‌های مربوط به خواب: این روش می‌تواند در پژوهش‌های مربوط به خواب، مانند بررسی تاثیر داروها یا عوامل محیطی بر کیفیت خواب، مورد استفاده قرار گیرد.
• توسعه سیستم‌های پایش خواب خانگی: با استفاده از این روش، می‌توان سیستم‌های پایش خواب خانگی را توسعه داد که قادر به تحلیل و تفسیر سیگنال‌های EEG در خانه هستند.

یکی از دستاوردهای مهم این مقاله، ارائه یک روش کارآمد برای استفاده از داده‌های بدون برچسب EEG در مرحله‌بندی خواب است. این امر می‌تواند به کاهش هزینه‌های برچسب‌گذاری داده‌ها و افزایش دسترسی به داده‌های بیشتر برای آموزش مدل‌های یادگیری ماشین کمک کند. دسترسی به داده های بیشتر، خود منجر به بهبود عملکرد و قابلیت تعمیم مدل ها می گردد. همچنین، ارائه کدهای مربوط به این روش به صورت عمومی، امکان استفاده و توسعه آن توسط سایر محققان را فراهم می‌کند.

این مقاله یک روش جدید و کارآمد برای مرحله‌بندی خواب بر اساس سیگنال EEG با استفاده از یادگیری تباینی خودنظارتی ارائه می‌دهد. نتایج آزمایش‌ها نشان می‌دهد که این روش می‌تواند عملکرد رقابتی در مرحله‌بندی خواب داشته باشد و به ویژه در شرایطی که داده‌های برچسب‌گذاری شده محدود است، مفید است. این تحقیق گامی مهم در جهت توسعه روش‌های خودکار و کم‌هزینه برای مرحله‌بندی خواب است و می‌تواند در زمینه‌های مختلفی کاربرد داشته باشد. نکته حائز اهمیت این است که رویکردهای خود نظارتی (SSL) در حوزه یادگیری ماشین، به‌ویژه در زمینه‌هایی که برچسب‌گذاری داده‌ها پرهزینه یا دشوار است، به طور فزاینده‌ای مورد توجه قرار می‌گیرند. این مقاله به خوبی نشان می‌دهد که چگونه می‌توان از این رویکردها برای حل مسائل مربوط به پردازش سیگنال‌های EEG استفاده کرد.