همزمان با سومین رویداد هوش مصنوعی در سلامت
مسابقه هوش مصنوعی در نوروساینس
طبقه بندی مراحل خواب از روی داده های EEG
تا زمان شروع دسترسی به داده ها
به مسابقه طبقه بندی مراحل خواب خوش آمدید!
مسابقه طبقهبندی مراحل خواب با استفاده از هوش مصنوعی فرصتی منحصربهفرد برای علاقهمندان به یادگیری ماشین و علوم داده است تا دانش و مهارتهای خود را در یک چالش علمی واقعی به نمایش بگذارند. این رویداد با تمرکز بر تحلیل دادههای خواب و طراحی الگوریتمهای دقیق مرحلهبندی خواب، بستری برای مشارکت در پیشرفت فناوریهای مرتبط با علوم اعصاب و سلامت فراهم میکند.
خواب فرآیندی طبیعی و ضروری است که بدن برای استراحت و بازیابی انرژی به آن نیاز دارد. در طول خواب، مغز مراحل مختلفی را طی میکند که شامل بیداری همراه با خواب آلودگی (Wake - مرحله ۰)، خواب سبک (NREM1 - مرحله ۱)، خواب عمیق (NREM2 و NREM3 - مراحل ۲ و ۳) و خواب همراه با رویا (REM - مرحله ۴) است. هر یک از این مراحل نقش حیاتی در یادگیری، حافظه و سلامت عمومی دارند. هدف این مسابقه استفاده از دادههای سیگنالهای مغزی (EEG) ثبتشده از داخل گوش و طراحی الگوریتمهای هوش مصنوعی است که بتوانند این مراحل را با دقت بالا تشخیص دهند.
دادههای ارائهشده در این مسابقه به بازههای زمانی ۳۰ ثانیهای تقسیم شدهاند و هر بازه توسط متخصصین مربوطه به یکی از این مراحل خواب (۰ تا ۴) برچسبگذاری شده است. شرکتکنندگان وظیفه دارند با طراحی مدلهای هوشمند و تحلیل این دادهها، الگوریتمهایی توسعه دهند که بتوانند مراحل خواب را با دقت بالا طبقهبندی کنند.
مخاطبان این رویداد شامل دانشجویان، محققان و متخصصانی هستند که به موضوعات هوش مصنوعی، تحلیل داده و علوم اعصاب علاقهمندند. شرکت در این مسابقه امکان یادگیری مفاهیم پیشرفته، مواجهه با چالشهای واقعی و مشارکت در توسعه فناوریهای نوین در حوزه سلامت و علوم اعصاب را برای شما فراهم میکند.
امکان شرکت تیمی بین یک تا سه نفر امکان پذیر است.
توضیحات فنی دادهها:
داده های سیگنال مغزی از نوع سری زمانی است.
دادهها از پیشپردازش شدهاند و ویژگیهای طیفی (Spectrogram) آنها محاسبه شده است.
ابعاد هر نمونه داده ورودی(بازههای ۳۰ ثانیهای)، یك ماتریس دوبعدی ۵۹×۵۱ است.
پوشه دادهها (AISContest_Data)، دارای پنج پوشه است كه هریك شامل نمونههای مربوط به كلاسهای NREM3, NREM2, NREM1, WAKE و REM است.
مدلها و الزامات:
استفاده از مدلهای پیشآموزشدیده (Pre-trained) آزاد است.
فرمت ذخیره مدلها: h5 برای مدلهای Keras/TensorFlow و pth برای مدلهای Pytorch
فایلهای نهایی باید شامل کد فایل notebook(ipynb) و مدل ذخیرهشده باشند.
نحوه ارزیابی مدلها:
ارزیابی مدلها بر مبنای معیار F1-Score با متد Micro صورت میپذیرد.