تعیین میزان سلامت خواب با استفاده از الگوریتم های یادگیری ماشین

سلامت خواب در سال های اخیر به عنوان یک چالش در میان جمعیت است. امروزه توسعه و استفاده از فناوری های چند وجهی برای نظارت بر فعالیت بدنی ، خواب و ریتم های شبانه روزی گسترش چشمگیری داشته است. این پیشرفت ها نظارت دقیق خواب در مقیاس را برای اولین بار امکان پذیر می سازد. در این مقاله روش های مختلف تشخیص الگو برای یافتن روش مناسب مورد استفاده قرار گرفته است که عبارت اند از : شبکه عصبی پایه شعاعی) (RBF , پرسپترون چند لایه(MLP) , کلاسبندی نزدیک ترین همسایه (KNN) ماشین بردار پشتیبانی (SVM). لازم به ذکر است روش های مورد استفاده به دو صورت کیفی و کمی می باشند. پس از نقد و بررسی روش های ذکر شده، روش ماشین بردار پشتیبانی(SVM) بهترین نتیجه را برخوردار می باشد.

کلیدواژه ها:

کلید واژه- سلامت خواب ، تشخیص الگو ، کلاسبندی ، ماشین بردار پشتیبان(SVM)