Comprehensive Analysis of Machine Learning Models for Five-Class Sleep Stage Classification Using PPG Signals

المحقق الليلي: لماذا نحتاج إلى معرفة كيف ننام

تخيل أن دماغك مدينة صاخبة لا تتوقف حقاً عن العمل، حتى عندما تغلق عينيك. بدلاً من أن تصبح مظلمة، تنتقل المدينة بين أحياء مختلفة: وسط مدينة مزدحم حيث تكون مستيقظاً تماماً، ومكتبة هادئة حيث تبدأ في الغفو، وخندق عميق تحت الأرض حيث تكون في سبات ثقيل ومجدد للنشاط، وحديقة ملاهٍ سريالية مليئة بالأحلام. يطلق العلماء على هذه الأحياء المختلفة اسم "مراحل النوم". إن معرفة الحي الذي يتواجد فيه دماغك بدقة أمر بالغ الأهمية، لأنه إذا علقت المدينة في المنطقة الخاطئة — مثل البقاء في وسط المدينة المزدحم بينما ينبغي أن تكون في الخندق العميق — فقد يؤدي ذلك إلى مشاكل صحية مثل مشاçكل القلب، أو السكري، أو مجرد الشعور بالخمول طوال اليوم.

لفترة طويلة، كانت الطريقة الوحيدة لرسم خريطة لهذه المدينة الليلية هي إرسال فريق من الخبراء مع حقيبة ظهر ضخمة ومتشابكة من الأسلاك. هذه الطريقة "المعيارية الذهبية"، والتي تسمى تخطيط النوم متعدد القنوات (PSG)، تتضمن لصق أقطاب كهربائية على رأسك وعينيك وذقنك لقراءة موجات دماغك وانقباضات عضلاتك. إنها دقيقة للغاية، لكنها مكلفة وغير مريحة، وتتطلب منك عادةً النوم في مختبر، وهو أمر ليس بالطريقة الطبيعية تماماً للحصول على بعض ساعات النوم.

هنا تأتي ثورة "الأجهزة القابلة للارتداء". ربما رأيت أشخاصاً يرتدون ساعات ذكية تتبع ضربات قلبهم. تستخدم هذه الأجهزة مستشعراً يسمى التصوير التحجمي الضوئي (PPG). وبدلاً من قراءة موجات الدماغ مباشرة، يسلط جهاز الـ PPG ضوءاً صغيراً في جلدك لمراقبة نبض دمك مع كل نبضة قلب. الفكرة بسيطة: قلبك ينبض بشكل مختلف اعتماداً على ما إذا كنت مستيقظاً، أو تحلم، أو في نوم عميق. لذا، إذا استطعنا الاستماع إلى إيقاع قلبك، فهل يمكننا تخمين أي "حي" في مدينة النوم تتواجد فيه؟ هذا هو السؤال الكبير الذي يحاول الباحثون الإجابة عليه، آملين في تحويل سوار بسيط إلى محقق للنوم يعمل في غرفة نومك الخاصة.

مهمة الورقة البحثية: هل يمكن لساعة بسيطة أن تروي القصة كاملة؟

في هذه الدراسة، قرر فريق من الباحثين معرفة ما إذا كان بإمكانهم استخدام مستشعرات نبضات القلب هذه لحل النسخة الأصعب من لغز النوم: التمييز بين جميع المراحل الخمس المتميزة (الاستيقاظ، النوم الخفيف 1، النوم الخفيف 2، النوم العميق، وحركة العين السريعة/الأحلام). وبينما حاولت دراسات سابقة كثيرة تبسيط المشكلة عبر دمج المراحل معاً (مثل قول "أخبرني فقط إذا كنت نائماً أم مستيقظاً")، أدرك المؤلفون أن دمج هذه المراحل يفقدنا تفاصيل مهمة عن صحتك. أرادوا معرفة ما إذا كان بإمكان نموذج تعلم آلي قياسي التمييز بين المراحل الخمس جميعها، باستخدام بيانات القلب فقط من جهاز قابل للارتداء، دون الحاجة إلى معدات موجات الدماغ الثقيلة والمكلفة.

وللقيام بذلك، لم يبنوا حاسوباً خارقاً جديداً؛ بل تصرفوا كطهاة مهرة يستخدمون مجموعة قياسية من المكونات. أخذوا بيانات من 48 شخصاً كانوا قد ناموا بالفعل في مختبر مع معدات مراقبة كاملة (لذا فإن "الإجابة الصحيحة" معروفة بالفعل). حصلوا على إشارات القلب (PPG) من هؤلاء الأشخاص وقسموها إلى قطع مدة كل منها 3 دقائق. لماذا 3 دقائق؟ برر المؤلفون أنه بينما يُقاس النوم غالباً بشرائح مدتها 30 ثانية، فإن بعض أدلة معدل ضربات القلب تشبه "الطبخ البطيء"؛ فهي تحتاج إلى وقت أطول لتنضج وتكشف عن نكهتها الحقيقية. ثم استخدموا هذه القطع لتعليم عدة أنواع مختلفة من النماذج الحاسوبية "التقليدية" — فكر فيها كأنها أساليب مختلفة من المحققين، بما في ذلك "الغابة العشوائية" (Random Forest)، و"الجيران الأقرب" (k-Nearest Neighbors)، و"XGBoost" — للتعرف على أنماط كل مرحلة من مراحل النوم.

اختبر الباحثون استراتيجيتين رئيسيتين: واحدة حيث ينظر فيها الحاسوب فقط إلى شكل إشارة القلب، وأخرى حيث ينظر إلى الشكل بالإضافة إلى الفترات الزمنية بين نبضات القلب (المسافات بين النبضات أو IBIs). الأمر يشبه محاولة التعرف على أغنية من خلال الاستماع إلى اللحن وحده مقابل الاستماع إلى اللحن والإيقاع معاً.

النتائج: إيقاع نبضات القلب هو الفائز

كانت النتائج واعدة للغاية، ولكن مع بعض التحفظات. وجدت الدراسة أن الجمع بين شكل الإشارة وفجوات الإيقاع (IBIs) كان هو "الخلطة السرية". عندما استخدمت النماذج كلا النوعين من الأدلة، أصبحت أفضل بكثير في تخمين مراحل النوم.

كان النجم في هذا العرض هو نموذج الغابة العشوائية (Random Forest). تخيل لجنة مكونة من 100 خبير مختلف، كل منهم يطرح سؤالاً مختلفاً قليلاً حول البيانات، ثم يصوتون على الإجابة. نهج "اللجنة" هذا كان الأفضل، حيث حقق دقة بلغت 72.2% ودرجة تُسمى "معامل كوهين كابا" بلغت 0.65. وهذا يعني أن النموذج كان صحيحاً في حوالي ثلاثة أرباع الحالات، وهو أداء قوي لمهمة صعبة كهذه. وجاء نموذج الجيران الأقرب (k-Nearest Neighbors) — الذي يخمن بناءً على ما هي "القطع الأكثر تشابهاً" في النوم — في المركز الثاني بفارق ضئيل جداً بدقة بلغت 71.6%.

ومع ذلك، كانت الورقة البحثية حريصة على الإشارة إلى المواضع التي تعثر فيها المحققون. كانت النماذج بارعة في اكتشاف ما إذا كنت مستيقظاً أو في نوم عميق، لكنها واجهت صعوبة في التمييز بين مراحل "النوم الخفيف" (تحديداً المرحلة الثانية). الأمر يشبه محاولة التمييز بين درجتين من اللون الأزرق تبدوان متطابقتين تقريباً؛ فإشارات القلب لهذه المراحل متشابهة جداً لدرجة أن أفضل النماذج أصيبت بالارتباك.

كما استبعد المؤلفون صراحةً فكرة أنك بحاجة إلى حاسوب خارق ضخم ومعقد يعتمد على "التعلم العميق" للحصول على هذه النتائج. لقد أظهروا أن هذه النماذج التقليدية الأبسط يمكن أن تؤدي بنفس كفاءة الشبكات العصبية المتطورة الموجودة في دراسات أخرى، ولكن مع ميزة كونها أسهل في الفهم وتتطلب قدرة حوسبة أقل. وهذا أمر كبير لأن ذلك يشير إلى أن ساعتك الذكية القادمة قد تكون قادرة على إجراء هذا التحليل مباشرة على الجهاز، دون الحاجة إلى إرسال بياناتك إلى مزارع خوادم ضخمة.

الخلاصة

إذاً، ماذا يعني كل هذا؟ تشير الدراسة إلى أننا لسنا بحاجة بالضرورة لربط أنفسنا بسرير مستشفى للحصول على خريطة مفصلة لنومنا. فمن خلال استخدام مستشعر قلب بسيط ونماذج حاسوبية تقليدية ذكية، يمكننا الحصول على صورة جيدة لمراحل نومنا، بما في ذلك المراحل الصعبة. ورغم أن النظام ليس مثالياً بعد — فلا يزال يرتبك أمام مراحل النوم الخفيف — إلا أنه يثبت أن جهازاً قابلاً للارتداء يمكنه يوماً ما أن يقدم لنا تقريراً مفصلاً بخمس نجوم عن جودة نومنا مباشرة من معاصمنا. ويخلص المؤلفون إلى أن هذا النهج يعد خطوة عملية وقوية نحو جعل مراقبة النوم ميسورة التكلفة ومريحة للجميع، حتى لو لم يكن "الحل السحري" الذي يحل كل أسرار النوم بين عشية وضحاها.