طبقه‌بندی مراحل خواب با استفاده ماشین لرنینگ

1. هدف ما به‌دنبال یک مهندس یا Researcher هستیم تا یک State-of-the-Art Sleep Detection & Staging System را با استفاده از داده‌های PPG و 3-Axis Accelerometer از یک Wrist-Worn Device پیاده‌سازی کند. این سیستم باید Deep Learning Algorithms پیشرفته را ارزیابی و مقایسه کند، از جمله PPG-Only Models (مثل SleepPPG-Net2 با Cohen’s κ ≈ ‎0.75 و Generalization بالا بین دیتاست‌ها) و PPG+ACC Temporal Sequence Models (مثل Olsen et al. U-Net-style با κ ≈ ‎0.64 و Validated برای Night-Level Metrics). مقایسه باید هم از نظر Staging Accuracy و هم Practical Usability برای سیگنال‌های Wrist-Based Wearables انجام شود. رویکرد باید شامل Transfer Learning برای Adapt کردن مدل‌های Pre-trained به داده‌های Real-Time خام از مچ‌بند باشد تا عملکرد سیستم در شرایط مختلف کاربران، Motion Conditions و Signal Quality متغیر، پایدار بماند. 2. محدوده کار شامل طراحی یک Signal Preprocessing Pipeline برای Resampling، Noise Filtering، Motion Artifact Suppression و Signal Quality Index (SQI) Computation جهت استفاده فقط از بخش‌های Reliable Data است. داده‌های پردازش‌شده وارد Deep Learning Models می‌شوند که مراحل استاندارد خواب (Wake، N1، N2، N3، REM) را طبقه‌بندی کرده و Night-Level Metrics معتبر شامل Total Sleep Time (TST)، Sleep Efficiency (SE)، Sleep Onset Latency (SOL) و Wake After Sleep Onset (WASO) را محاسبه می‌کنند. انتخاب الگوریتم باید بر اساس Per-Epoch Accuracy، Model Generalization و توانایی ارائه Full-Night Behavioral Metrics توجیه شود. در صورت امکان، آموزش باید از Multi-Dataset Pretraining و Fine-Tuning استفاده کند تا محدودیت‌های خاص Wrist PPG و Accelerometer برطرف شود. 3. اعتبارسنجی و اهداف عملکرد اعتبارسنجی باید با Subject-Wise Data Splits (بدون Overlap بین Train و Test Subjects) انجام شود تا Generalization واقعی تضمین گردد. گزارش عملکرد باید شامل Cohen’s κ، Macro و Per-Class F1 Scores (با تاکید بر REM و N3)، Confusion Matrices و خطاهای Night-Level Metrics باشد. سیستم باید به حداقل κ ≥ ‎0.62 (هدف ≥ ‎0.70 در شرایط بهینه)، Macro F1 ≥ ‎0.60 با REM F1 ≥ ‎0.50 و N3 F1 ≥ ‎0.55 برسد و Median Absolute Errors برای TST، WASO و SOL حداکثر ±20 دقیقه و برای SE حداکثر ±5% باشد. همچنین باید Ablation Studies برای مقایسه PPG-Only vs PPG+ACC Inputs، استفاده با/بدون SQI و Short vs Long Context Sequences انجام شود تا Best Configuration مشخص گردد. 4. اقلام قابل تحویل اقلام قابل تحویل شامل: 1. Codebase — اسکریپت‌های کامل Training و Inference (Python، TensorFlow) با Directory Structure شفاف. 2. Preprocessing Module — شامل Resampling، Noise/Artifact Handling، SQI Computation همراه با Unit Tests. 3. Trained Models — شامل Checkpoints و Config Files برای تمام Architectureهای تست‌شده. 4. Evaluation Report — شامل تمام Metrics، Confusion Matrices، نتایج Ablation و Discussion درباره Trade-Offs الگوریتم‌ها. 5. Integration Guide — دستورالعمل اجرای Preprocessing، Training و Inference روی Sample Data همراه با I/O Specifications. 6. Sample Results — شامل Per-Epoch Predictions، Confidence Scores و Nightly Metrics محاسبه‌شده برای یک Test Dataset کوچک. مراجع 1. A Flexible Deep Learning Architecture for Temporal Sleep Stage Classification using Accelerometry and Photoplethysmography https://github.com/MADSOLSEN/SleepStagePrediction 2. SleepPPG-Net2: Deep learning generalization for sleep staging from photoplethysmography https://arxiv.org/pdf/*******