هوش مصنوعی ریتم‌های "خواب عمیق" را آشکار می‌کند.

آنها از یادگیری ماشین و هوش مصنوعی برای طراحی و ساخت یک ابزار آنلاینِ رایگانِ مورد‌ استفاده توسط متخصصین و محققان خواب در سراسر جهان، بهره بردند؛ از این ابزار جهت کشف نقش K-complex(مجموعه‌ی k)، یک الگوی بارز، مختصر و نوسانی فعالیت الکتریکی مغز در الکترو‌انسفالوگرام (EEG) که طی خواب حدود نیم ثانیه طول می‌کشد، استفاده می‌شود.

باستین لچات، نویسنده‌ی اصلی مقاله‌ی جدید دانشگاه فلیندرز، که در ژورنال Sleep منتشر شده است، می‌گوید: به هنگام نمایش روی صفحه‌یEEG ، این الگو شبیه "K" به نظر می‌رسد.

"ما امیدواریم که این الگوریتم به پیشرفت سریع اکتشافات در مورد شکل موج اسرارآمیز K-complex و نتایج آن در حوزه‌ی سلامت کمک کند."

"کمبود K-complex با مشکلات مختلفی، مانند بیماری آلزایمر و بی‌خوابی همراه است، که نشان می‌دهد که K-complex ها بخش مهمی از سلامتی و خواب طبیعی هستند. در حالیکه معنی و نقش K-complex ها کاملاً نامشخص است، یکی از نظریه‌های پیشتاز این است که آنها پردازش تصمیم‌گیریِ سطح‌پایین در پاسخ به ورودی حسی را توضیح می‌دهند که حال در واکنش به این ورودی‌ها یا بیدار می‌شویم یا به خواب خود ادامه می‌دهیم. "

K-complex ها تقریباً هر دو دقیقه در طول خواب رخ می‌دهند، بنابراین برای نمره‌دهی خواب معمول زحمت و زمان زیادی را می‌طلبد.

جهت سنجش K-complex ها، از یک تکنسین خواب تقریباً 0.5 تا 1.5 ساعت زمان گرفته می‌شود تا یک مطالعه‌ی خواب را نمره‌دهی کند.

امتیازدهی دستی نیز با تغییرات زیادی همراه است و اتفاق‌نظر بین نمره‌دهندگان خبره حتی به نرخ پایین 50 درصد می‌رسد. الگوریتم یادگیری عمیق به طور خودکار، K-complex ها را طی مطالعات خواب شبانه، بسیار سریعتر و قابل‌اعتماد‌تر از نمونه‌ی دستی نمره‌دهی می‌کند.

دکتر برانکو زاجامسک، دستیار نویسنده‌ی این مطالعه، می‌گوید: " این الگوریتم حدود 3 دقیقه طول می‌کشد تا یک شب کامل خواب را نمره‌دهی کند و از تمام روش‌های خودکار موجود و در دسترس، بهتر عمل می‌کند. این الگوریتم علاوه بر سرعت و دقت بیشتر در تشخیص، درصد اطمینان یا احتمال را نیز ارائه می‌کند، و این امکان را برای مقایسه‌ی کاربردی بین سیگنال‌های K-complex واضح – در برابر مبهم- فراهم می‌آورد که توسط نمره‌دهی انسان نیز تعریف شده است. این امر باعث می‌شود که نتایج به دست آمده از نمره‌دهی خواب ، جامع و در عین حال در مقایسه با دیگر روش‌های خودکار بسیار قابل درک‌تر باشد."

منبع: نوروساینس نیوز