به مسابقه 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 (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.

این رویداد فرصتی عالی برای علاقه‌مندان به علوم داده، یادگیری ماشین، و کاربردهای آن در حوزه سلامت و پزشکی خواب فراهم می‌کند. 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.

توضیحات فنی داده‌ها

• 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.