مروری جامع بر تشخیص آپنه انسدادی خواب با استفاده از سیگنال های EEG، یادگیری عمیق و هوش مصنوعی توضیح پذیر: چالش ها، پیشرفت ها و چشم اندازهای آینده

در سال های اخیر، آپنه انسدادی خواب (OSA) به عنوان یکی از شایع ترین اختلالات خواب با پیامدهای جدی قلبی–عروقی، متابولیک و عصبی، توجه گسترده ای را در حوزه سلامت دیجیتال به خود جلب کرده است. روش استاندارد تشخیص این بیماری، پلی سومنوگرافی شبانه (PSG) است که اگرچه دقت بالایی دارد، اما به دلیل هزینه بالا، پیچیدگی و دسترسی محدود، کاربرد گسترده ای در غربالگری ندارد. در همین راستا، استفاده از سیگنال الکتروانسفالوگرافی (EEG) به عنوان یک منبع غنی از اطلاعات مغزی و توسعه الگوریتم های یادگیری ماشین و یادگیری عمیق، مسیر جدیدی را برای تشخیص خودکار OSA فراهم کرده است. این مقاله مروری با تمرکز بر مطالعات سال های ۲۰۲۳ تا ۲۰۲۶، به بررسی روش های کلاسیک و مبتنی بر یادگیری عمیق شامل CNN، LSTM، BiLSTM، معماری های ترکیبی CNN–LSTM و مدل های مبتنی بر Transformer در تحلیل سیگنال EEG می پردازد. همچنین نقش هوش مصنوعی توضیح پذیر (XAI) شامل روش هایی مانند SHAP، LIME و Grad-CAM در افزایش اعتمادپذیری بالینی این مدل ها مورد بررسی قرار گرفته است. نتایج مرور نشان می دهد که مدل های هیبریدی و مبتنی بر Attention عملکرد بهتری نسبت به روش های کلاسیک دارند، با این حال چالش هایی نظیر کمبود داده های چندمرکزی، عدم تعادل کلاس ها و نبود استانداردسازی ارزیابی همچنان پابرجاست. در نهایت، این مطالعه شکاف های پژوهشی موجود را شناسایی کرده و مسیرهای آینده از جمله EEG تک کاناله، یادگیری فدرال، مدل های بنیادین و سیستم های بلادرنگ را برای توسعه سامانه های دقیق و قابل اعتماد تشخیص OSA پیشنهاد می کند.

کلیدواژه ها:

آپنه انسدادی خواب ، الکتروانسفالوگرافی ، یادگیری عمیق ، شبکه عصبی کانولوشنی ، LSTM ، BiLSTM ، ترنسفورمر ، هوش مصنوعی توضیح پذیر ، SHAP ، پردازش سیگنال های زیستی