Yuxu sağlamlıq üçün vacibdir, lakin onun dinamikasını öyrənmək üçün yuxu manual şəkildə mərhələlənməsini, tədqiqat və klinik qayğıda çox işçi tələb edən bir addım tələb edir. Mərkəzlər üzrə polisomnografiya (PSG) qeydləri ənənəvi olaraq fiziki deyil, pragmatik səbəblər üçün 30-cu illərdə qeyd olunur və elektroda sayında, montajda və subyekt xüsusiyyətlərində dəyişir. Bu məhdudiyyətlər harmoniyalı çox mərkəz tədqiqatlarına və daha qısa müddətdə güclü biomarkərlərin aşkarlanmasına meydan oxumuşdur. Biz "AnySleep"i təqdim edirik, elektron beyinfalografiya (EEG) və ya elektrookulografiya (EOG) məlumatlarından yuxu tənzimlənə bilən zamanlı qətnamələrlə hesablayan dərin bir sinir şəbəkəsi. Modeldə təlim verdik və bir çox klinikada 28 məlumat dəstindən olan 20 000 gecədən bir qədər sürətli qeydə alınan (> 200 000 saat EEG və EOG) üzərində təsdiq etdik. Model ən müasir performans əldə edir və 30-cu illərdə qurulan əsas xətləri keçirir və ya bərabərdir. Daha çox kanalla performans yaxşılaşır, lakin EOG-nin olmaması və ya yalnız EOG və ya tək EEG-dən (frontal, mərkəzi və ya oksipital) çıxarışlar mövcud olduqda güclü qalır. 30' dan aşağı zaman ölçülərində, model stimullara uyğun qısa müddətli təcili müdaxilələri əhatə edir və 30' dan artıq patofizoloji vəziyyətlərin (obstruktiv yuxu apneası, narkolepsia tipi 1, yuxusuzluq) proqnozunu yaxşılaşdırır. Modeldə heterogen elektrod quruluşları ilə genişmiqyaslı tədqiqatların aparılmasını asanlaşdırmaq və yuxuda biomarkerlərin aşkarlanmasını sürətləndirmək üçün istifadəyə veririk.
Yuxu, yuxu pozğunluqlarından kardiyometabolik, psixi və nevrodegenerativ xəstəliklərə qədər müxtəlif xəstəliklərdə diaqnostiki və proqnoz qiymətini verir. Klinik təcrübə və tədqiqatlarda bu məlumatların çıxarılması ümumiyyətlə gecədə polisomnografiya (PSG) və işçi qeydləri (yuxu mərhələsi) tələb edir. Bu iş intensiv, bahalı və rütbələr arasında əhəmiyyətli dəyişikliklərə məruz qalır1,2,3. Bundan əlavə, yuxu dinamikası ənənəvi olaraq 30-cu illərin dövrlərinə əsasən təhlil edilmişdir, hər hansı bir əsaslı fizoloji məntiqdən daha çox kağız zolaqlarında əl ilə qeydlərin praktik məhdudiyyətlərindən irəli gələn bir konvensiya4,5. Bu yanaşma uzun müddət yuxu araşdırmasının əsasını təşkil edib, lakin yuxu 30-cu illərin pəncərələri ilə təsvir edilə bilən zamanlı qətnamələrlə daha yaxşı şəkildə inkişaf edir. Bu, xüsusilə yuxu dövrünün tədricən keçidlərində, qısa orta substasiyalar5,6 - dan keçə biləcək və ya mikrorəkim və ya mikrorəkimlər nəticəsində qısa pozuntularda müşahidə olunur. Sonuncu saniyə miqyasında baş verir və REM yuxu davranış pozuntuları (RBD), obstruktiv yuxu apneyası (OSA) və yuxusuzluq da daxil olmaqla müxtəlif yuxu pozuntularında kritik rol oynayır7,8,9,10,11,12.
Bu səbəbdən daha qısa müddətdə qeyd edilən genişmiqyaslı tədqiqatlar yuxu dinamikası haqqında dərin bir anlayış əldə etmək və yeni biomarkerlər aşkar etmək üçün dəyərli olacaq. Bununla belə, böyük miqdarda xam PSG məlumatlarının mövcudluğuna baxmayaraq, ekspert qeydlərinə əsaslanan genişmiqyaslı tədqiqatların aparılması praktik olaraq mümkün deyil, çünki əl hesablama üçün tələb olunan vaxt və səy qeydlərin tezliyi ilə əhəmiyyətli dərəcədə artır. Eyni zamanda, empirik tədqiqatlar göstərmişdir ki, daha qısa qeydlər rütbələr arasındakı dəyişikliyin artmasına səbəb olur12,13,14, baxmayaraq ki, daha qısa dövrlərin qeyri-müəyyən keçid dövrlərinin sayını azaltmaqla fikir ayrılıqlarını azalda biləcəyi fərziyyə qoyulub15.
Maşın öyrənməsinə əsaslanan avtomatik yuxu mərhələli modelləri bu məhdudiyyətlərə potensial bir həll təklif edir. Bu modellər ənənəvi 30-s etiketləri ilə təlim olunduqda belə, yüksək qətnamədə yuxu qeydlərini tez və səmərəli şəkildə təmin edə bilərlər (məsələn, daha qısa giriş pəncərələri14,16,17, yüksək qətnaməli xüsusiyyət xəritələri18, segmentasiya memarlıqları19,20 və ya 30-s pəncərəsi üçün üst-üstə düşən proqnozlar yaratmaq üçün sürüşmə pəncərələri metodları7,21). Bununla birlikdə, bu modellərin genişmiqyaslı tədqiqatlar üçün uyğunlaşdırılması kohortlar və klinikalar arasında güclü ümumiləşdirmə, eləcə də heterogen montajların çevik idarə edilməsini tələb edir. Bundan əlavə, modellər yuxu mərhələsinin geniş zaman aralığında yuxu dinamikası öyrənilməsi üçün vacib olan konfiqurasiyalı qətnamələrdə proqnozlaşdırılmasını təmin edə bilərlər. Bu aspektlər üzrə son işlərdə tək-tək və ya cüt-cüt, o cümlədən ümumiləşdirmə18,19,22,23,24, müxtəlif kanal konfigüratsiyalarına möhkəmlik22,25, və çevik yüksək qətnaməli proqnozlar19-da irəliləyişlər əldə olunsa da, üç qabiliyyəti birləşdirən vahid yanaşma hələ də açıq bir problemdir.
Son modellər arasında U-Sleep bu tələblərə ən yaxın gəlir, 128 Hz-ə qədər tənzimlənə bilən zamanlı qətnamələrdə yuxu mərhələsinin proqnozlarını təqdim edir və məlumat dəstləri arasında güclü ümumiləşdirmə göstərir19. Bununla birlikdə, U-Sleep-in praktiki faydası, böyük miqyaslı tədqiqatlarda rast gəlinən heterogen çoxkanal quruluşlarının inteqrasiyasını dəstəkləməyən, məqsədyönlü olaraq sabit edilmiş giriş modalitetinin və kanal tələblərinin (orjinal versiyada bir EEG və bir EOG kanalı, sonrakı inkişaflarda tək kanallar) məhdudlaşması ilə məhdudlaşır. Bir və ya iki kanalla girişləri məhdudlaşdırmaq, eyni zamanda baş cərrahiyyəsinin məkanı həllini məhdudlaşdırır, bu da Amerikan Yuxu Tibb Akademiyasının (AASM) yuxu ölçüsü üçün baş cərrahiyyəsinin qabaq, mərkəzi və qolu bölgələrində yerləşən ən azı üç EEG kanalından, habelə yuxu ölçməsinə EOG və EMG kanallarından istifadə etmək tövsiyələrini əks etdirmir27. Bu tövsiyələr insan hesablamaları üçün hazırlansa da, empirik sübutlar avtomatik sistemlərin əlavə kanallara girişdən də fayda əldə etdiyini göstərir22,28,29. U-Sleep-in iki kanaldan çox işləməsini təmin etmək üçün, müxtəlif kanal kombinasiyaları ilə bir neçə dəfə qeydlərin qiymətləndirilməsi və nəticədə əldə olunan proqnozları əksəriyyət səsləri ilə cəmləmək təklif edildi19, bu, praktik bir həll yolu kimi xidmət edə biləcək post-hoc strategiyası, lakin mürəkkəb kanal arası əlaqələri öyrənmək üçün açıq bir mexanizm yoxdur və kanal sayının artması ilə əlaqədar zəif miqyasda ölçülür.
Bu işdə, biz hər hansı bir yuxu, dinamik birləşə bilən dərin sinir şəbəkəsi təqdim edirik
Xülasə — davamını mənbədə oxuyun.
