DOI: https://doi.org/10.47857/irjms.2026.v07i01.08867
تاريخ النشر: 2026-01-01
المؤلف: Nikita Band وآخرون
الموضوع الرئيسي: تخطيط الدماغ وواجهات الدماغ-الكمبيوتر
نظرة عامة
تقدم ورقة البحث إطار عمل للتعلم العميق الاستدلالي (HeurDL) يهدف إلى أتمتة تصنيف أحداث انقطاع النفس أثناء النوم باستخدام إشارات تخطيط الدماغ الكهربائي (EEG) أحادية القناة. تقتصر تقنيات تخطيط النوم التقليدية (PSG) على تكلفتها وتعقيدها، مما يثير الحاجة إلى طرق فحص أكثر سهولة. يستخدم الإطار المقترح تحليل الموجات الموجية لتفكيك نطاقات EEG الفرعية، واختيار الميزات الاستدلالية، وشبكة عصبية تلافيفية أحادية البعد خفيفة الوزن (1D-CNN) لتحسين دقة التصنيف مع تقليل المتطلبات الحاسوبية. من خلال التركيز على نطاقات EEG الفرعية ذات الأهمية الفسيولوجية، يحدد الإطار الميزات الزمنية والطيفية وغير الخطية الرئيسية المرتبطة بانقطاع النفس أثناء النوم، مما يعزز كل من القابلية للتفسير والتعميم مقارنة بأساليب التعلم العميق التقليدية.
تظهر النتائج التجريبية أن إطار عمل HeurDL يحقق دقة تصنيف مثيرة للإعجاب تبلغ 91.2%، متفوقًا على الطرق الهجينة الحالية المعتمدة على EEG وwavelet-CNN. تعالج هذه الطريقة الهجينة بفعالية قيود الدراسات السابقة، مثل الإفراط في التكيف وسوء القابلية للتفسير، بينما تعمل على تحسين استخدام معلومات EEG الخاصة بالتردد. تجعل التعقيد الحاسوبي المنخفض للنموذج مناسبًا لتطبيقات المراقبة في الوقت الحقيقي وفي المنزل. قد تشمل التحسينات المستقبلية دمج بيانات فسيولوجية إضافية، مثل SpO₂ وECG، لتحسين دقة التصنيف وتوسيع الكشف عن أنواع مختلفة من انقطاع النفس. بالإضافة إلى ذلك، يمكن أن يعزز الاستفادة من النماذج المدربة مسبقًا مع تقنيات التكيف مع المجال الأداء عبر مجموعات بيانات متنوعة ويسمح بتخصيص المستخدم دون الحاجة إلى إعادة تدريب مكثفة.
مقدمة
تناقش مقدمة الورقة الآثار الصحية الكبيرة لانقطاع النفس أثناء النوم، وخاصة انقطاع النفس الانسدادي أثناء النوم (OSA)، الذي يؤثر على الملايين عالميًا. على الرغم من انتشاره، فإن التشخيص المبكر وإدارة OSA غالبًا ما تكون غير كافية، خاصة في المناطق الريفية ذات الوصول المحدود للرعاية الصحية. الطريقة التشخيصية القياسية، تخطيط النوم (PSG)، دقيقة ولكنها مكلفة وغير عملية للمراقبة على نطاق واسع، مما يؤدي إلى زيادة الطلب على بدائل تشخيصية آلية وسهلة الاستخدام وفعالة من حيث التكلفة.
لقد مكنت التقدمات الأخيرة في معالجة الإشارات والتعلم الآلي من استخراج معلومات حاسمة من إشارات EEG، التي تعد جزءًا لا يتجزأ من PSG. استكشفت دراسات مختلفة تصنيف انقطاع النفس أثناء النوم باستخدام ميزات EEG المدمجة مع تقنيات التعلم الآلي، محققة درجات متفاوتة من النجاح. ومع ذلك، لا تزال التحديات قائمة، مثل الإفراط في التكيف في نماذج التعلم العميق وغياب القابلية للتفسير والرؤى الفسيولوجية. لمعالجة هذه القضايا، تقترح الورقة إطار عمل للتعلم العميق الاستدلالي (HeurDL) يدمج المعرفة الاستدلالية المدفوعة بالمجال في اختيار الميزات وتصميم النموذج. يستخدم هذا الإطار تحليل الموجات الموجية لتفكيك نطاقات EEG الفرعية وهندسة 1D-CNN خفيفة الوزن، بهدف تعزيز دقة التصنيف، والقابلية للتفسير، والكفاءة الحاسوبية مع إظهار أداء تنافسي على مجموعات بيانات EEG المرجعية.
الطرق
تحدد المنهجية المقترحة إطار عمل للتعلم العميق الاستدلالي يهدف إلى تصنيف أحداث انقطاع النفس أثناء النوم المعتمدة على EEG. يتم هيكلة هذا الإطار في عدة مراحل رئيسية: أولاً، يتم إجراء معالجة مسبقة لإشارات EEG لتحضير البيانات للتحليل. بعد ذلك، يتم استخدام تحليل الموجات الموجية لتفكيك النطاقات الفرعية لعزل مكونات التردد ذات الصلة من إشارات EEG. بعد ذلك، يتم إجراء استخراج الميزات اليدوية لاشتقاق خصائص ذات مغزى من الإشارات المفككة. أخيرًا، يتم استخدام نموذج التعلم العميق الاستدلالي لتصنيف الميزات المستخرجة، مما يسهل تحديد أحداث انقطاع النفس أثناء النوم من بيانات EEG. يتم تمثيل التصميم العام وتدفق الإطار بصريًا في الشكل 1.
النتائج
تظهر نتائج الدراسة فعالية إطار العمل المقترح للتعلم العميق الاستدلالي في الكشف عن انقطاع النفس أثناء النوم باستخدام تسجيلات EEG من مجموعة بيانات PhysioNet. تم إجراء التجارب على محطة عمل تعمل بنظام Windows 11 مع معالج Intel i5 وذاكرة RAM سعة 16 جيجابايت، باستخدام بيئة تطوير PyCharm وتوزيع Anaconda. تم تقسيم مجموعة البيانات إلى 70% للتدريب و30% للاختبار، وتم تقييم أداء النموذج من خلال مصفوفة الارتباك ومتوسطها على عملية التحقق المتقاطع ذات العشر طيات. أظهر النموذج، وهو 1D-CNN، حساسية محسنة للتغيرات الخاصة بالتردد المرتبطة بأحداث انقطاع النفس مع تقليل المتطلبات الحاسوبية، مما يجعله مناسبًا لتطبيقات الوقت الحقيقي في أجهزة مراقبة النوم المحمولة.
تشير نتائج التصنيف إلى أن النموذج حقق دقة تبلغ 89.3% واسترجاعًا قدره 93.0% لفئة انقطاع النفس، مما أدى إلى درجة F1 تبلغ 91.1% ودقة إجمالية تبلغ 91.2%. تعكس هذه المقاييس قدرة النموذج القوية على التمييز بين الأحداث الانقطاعية وغير الانقطاعية. بالمقارنة مع الطرق الحالية، مثل مصنفات SVM وRandom Forest، التي حققت دقة تبلغ 88.99% و82.69% على التوالي، تفوق النموذج المقترح على هذه الأساليب، خاصة في قدرته على التعميم عبر مواضيع مختلفة دون الاعتماد بشكل كبير على الميزات اليدوية. تؤكد النتائج على إمكانية النموذج للكشف الفعال عن انقطاع النفس أثناء النوم في البيئات السريرية والمحمولة.
المناقشة
استخدم إطار العمل المقترح للتعلم العميق الاستدلالي للكشف عن انقطاع النفس أثناء النوم مجموعة بيانات Sleep-EDF Expanded، مع التركيز على بيانات EEG أحادية القناة لتحليل الاستيقاظات أثناء النوم وأحداث انقطاع النفس. تضمنت المنهجية تقسيم إشارات EEG إلى فترات زمنية مدتها 30 ثانية، تلتها معالجة مسبقة شاملة، بما في ذلك إزالة الاتجاه، والتطبيع، والترشيح لإزالة الشوائب. تم استخدام تحويل الموجات الموجية المنفصلة (DWT) لتفكيك EEG إلى خمسة نطاقات ترددية فرعية، مما يسمح باستخراج مجموعة شاملة من الميزات اليدوية التي تلتقط الديناميات الإحصائية والطيفية وغير الخطية. تم تطبيع هذه الميزات وتجميعها في متجه موحد للتصنيف باستخدام شبكة عصبية تلافيفية أحادية البعد (1D-CNN)، التي أظهرت تحسينات كبيرة في الكشف عن أحداث انقطاع النفس أثناء النوم.
أشارت النتائج إلى أن دمج معالجة الإشارات الخاصة بالمجال مع تقنيات التعلم العميق عزز دقة التصنيف إلى 91.2%، متجاوزًا النماذج الحالية. يسمح تصميم الإطار بإجراء فحص فعال في البيئات المنزلية، مما يقلل الحاجة إلى تخطيط النوم الكامل ويعالج التحديات المتعلقة بالنشر السريري، مثل الامتثال التنظيمي وخصوصية البيانات. بينما يظهر النموذج وعدًا لمراقبة انقطاع النفس أثناء النوم على نطاق واسع وغير جراحي، يُعترف بأن الاعتماد الحصري على EEG قد يحد من الحساسية لبعض الأحداث التنفسية. قد تتضمن الأعمال المستقبلية دمجًا متعدد النماذج لتحسين القدرات التشخيصية وتكييف النموذج لمجموعات بيانات متنوعة وتخصيص المستخدم. بشكل عام، يمثل هذا الإطار تقدمًا كبيرًا في الكشف الآلي عن انقطاع النفس أثناء النوم، مما يوفر حلاً قابلًا للتوسع للتطبيقات السريرية والمنزلية.
DOI: https://doi.org/10.47857/irjms.2026.v07i01.08867
Publication Date: 2026-01-01
Author(s): Nikita Band et al.
Primary Topic: EEG and Brain-Computer Interfaces
Overview
The research paper presents a Heuristic Deep Learning (HeurDL) framework aimed at automating the classification of sleep apnea events using single-channel electroencephalogram (EEG) signals. Traditional polysomnography (PSG) is limited by its cost and complexity, prompting the need for more accessible screening methods. The proposed framework employs wavelet-based EEG sub-band decomposition, heuristic feature selection, and a lightweight one-dimensional convolutional neural network (1D-CNN) to improve classification accuracy while reducing computational demands. By focusing on physiologically significant EEG sub-bands, the framework identifies key temporal, spectral, and nonlinear features associated with sleep apnea, enhancing both interpretability and generalization compared to conventional deep learning approaches.
The experimental results demonstrate that the HeurDL framework achieves an impressive classification accuracy of 91.2%, outperforming existing EEG-based and wavelet-CNN hybrid methods. This hybrid approach effectively addresses limitations of previous studies, such as overfitting and poor interpretability, while optimizing the use of frequency-specific EEG information. The model’s low computational complexity makes it suitable for real-time and home-based monitoring applications. Future enhancements may include integrating additional physiological data, such as SpO₂ and ECG, to further improve classification accuracy and broaden the detection of various apnea types. Additionally, leveraging pre-trained models with domain adaptation techniques could enhance performance across diverse datasets and allow for user personalization without the need for extensive retraining.
Introduction
The introduction of the paper discusses the significant health implications of sleep apnea, particularly Obstructive Sleep Apnea (OSA), which affects millions globally. Despite its prevalence, early diagnosis and management of OSA are often inadequate, especially in rural areas with limited healthcare access. The standard diagnostic method, polysomnography (PSG), is precise but costly and impractical for large-scale monitoring, leading to a growing demand for automated, user-friendly, and cost-effective diagnostic alternatives.
Recent advancements in signal processing and machine learning have enabled the extraction of critical information from EEG signals, which are integral to PSG. Various studies have explored the classification of sleep apnea using EEG features combined with machine learning techniques, achieving varying degrees of success. However, challenges remain, such as overfitting in deep learning models and the lack of interpretability and physiological insights. To address these issues, the paper proposes a Heuristic Deep Learning (HeurDL) framework that integrates domain-driven heuristic knowledge into feature selection and model design. This framework utilizes wavelet-based EEG subband decomposition and a lightweight 1D-CNN architecture, aiming to enhance classification accuracy, interpretability, and computational efficiency while demonstrating competitive performance on benchmark EEG datasets.
Methods
The proposed methodology outlines a heuristic deep learning framework aimed at classifying EEG-based sleep apnea events. This framework is structured into several key stages: first, EEG signal preprocessing is conducted to prepare the data for analysis. Following this, wavelet-based sub-band decomposition is employed to isolate relevant frequency components of the EEG signals. Subsequently, handcrafted feature extraction is performed to derive meaningful characteristics from the decomposed signals. Finally, a heuristic deep learning model is utilized for the classification of the extracted features, facilitating the identification of sleep apnea events from EEG data. The overall design and flow of the framework are visually represented in Figure 1.
Results
The results of the study demonstrate the effectiveness of the proposed heuristic deep learning framework for detecting sleep apnea using EEG recordings from the PhysioNet dataset. The experiments were conducted on a Windows 11 workstation with an Intel i5 processor and 16 GB of RAM, utilizing the PyCharm IDE and Anaconda distribution. The dataset was divided into 70% for training and 30% for testing, with model performance evaluated through a confusion matrix and averaged over a 10-fold cross-validation process. The model, a 1D-CNN, showed enhanced sensitivity to frequency-specific changes associated with apneic events while reducing computational demands, making it suitable for real-time applications in portable sleep monitoring devices.
The classification results indicate that the model achieved a precision of 89.3% and a recall of 93.0% for the apnea class, resulting in an F1-score of 91.1% and an overall accuracy of 91.2%. These metrics reflect the model’s robust ability to distinguish between apneic and non-apneic events. In comparison to existing methods, such as SVM and Random Forest classifiers, which achieved accuracies of 88.99% and 82.69% respectively, the proposed model outperformed these approaches, particularly in its ability to generalize across different subjects without relying heavily on handcrafted features. The findings underscore the model’s potential for effective sleep apnea detection in clinical and portable settings.
Discussion
The proposed heuristic deep learning framework for sleep apnea detection utilized the Sleep-EDF Expanded dataset, focusing on single-channel EEG data to analyze sleep arousals and apneic events. The methodology involved segmenting EEG signals into 30-second epochs, followed by extensive pre-processing, including detrending, normalization, and filtering to eliminate artifacts. The Discrete Wavelet Transform (DWT) was employed to decompose the EEG into five frequency subbands, allowing for the extraction of a comprehensive set of handcrafted features that captured statistical, spectral, and nonlinear dynamics. These features were normalized and aggregated into a unified vector for classification using a one-dimensional Convolutional Neural Network (1D-CNN), which demonstrated significant improvements in detecting sleep apnea events.
The results indicated that the integration of domain-specific signal processing with deep learning techniques enhanced the classification accuracy to 91.2%, surpassing existing models. The framework’s design allows for effective screening in home environments, reducing the need for full polysomnography and addressing challenges related to clinical deployment, such as regulatory compliance and data privacy. While the model shows promise for large-scale and non-invasive sleep apnea monitoring, it is acknowledged that exclusive reliance on EEG may limit sensitivity to certain respiratory events. Future work may involve multimodal integration to further improve diagnostic capabilities and adapt the model for diverse datasets and user personalization. Overall, this framework represents a significant advancement in automated sleep apnea detection, offering a scalable solution for clinical and home-based applications.