基于机器学习和元启发式优化技术的睡眠障碍分类增强研究

本研究针对传统多导睡眠图(PSG)诊断睡眠障碍存在耗时、资源受限等痛点，创新性地结合二元Al-Biruni地球半径(bBER)优化器进行特征选择，构建BER-MLP混合模型。该模型准确率达95.41%，灵敏度92.45%，为临床提供高效自动化诊断工具，推动AI在睡眠医学领域的应用突破。

　　

睡眠障碍正成为困扰全球数千万人的健康难题，从失眠、睡眠呼吸暂停到不宁腿综合征，这些疾病不仅降低生活质量，更与糖尿病、高血压等慢性病密切相关。传统诊断"金标准"多导睡眠图(PSG)虽准确却存在明显局限——需整夜监测、设备昂贵且专业要求高，在资源有限地区尤为不便。这种诊断困境导致大量患者未能及时确诊，错失早期干预时机。面对这一医疗痛点，来自沙特阿拉伯努拉公主大学的研究团队在《Biomedical Signal Processing and Control》发表创新研究，通过融合机器学习(ML)与元启发式优化技术，成功开发出准确率超95%的智能诊断系统。

研究采用Sleep Health and Lifestyle Dataset数据集，包含人口统计学、睡眠参数、生活方式及心血管指标等多维数据。核心技术路线包含三大创新点：首先应用二元Al-Biruni地球半径(bBER)优化器进行特征选择，通过动态亚组划分和自适应变异策略筛选关键特征；其次采用连续型BER算法优化多层感知器(MLP)超参数；最终构建BER-MLP混合模型。这种双层次优化策略既解决了高维医疗数据中常见的冗余特征问题，又显著提升了模型泛化能力。

在"Materials and methods"部分，研究团队系统阐述了数据预处理流程：通过箱线图、直方图等探索性分析评估变量相关性，采用标准化处理消除量纲影响。特征选择阶段，bBER优化器通过平衡全局搜索与局部开发，有效剔除无关特征，将原始特征空间压缩至最优子集。模型构建环节，标准BER算法通过自适应移动策略优化MLP的隐含层节点数、学习率等关键参数，避免早熟收敛。

"Experimental Results"显示：基础MLP模型经特征选择后准确率已达89.92%，灵敏度91%；而经过BER算法进一步优化的BER-MLP模型性能显著提升，准确率达95.41%，灵敏度92.45%。特别值得注意的是，优化后的模型在保持高灵敏度的同时，有效降低了过拟合风险，这对医疗诊断场景中假阴性结果的规避尤为重要。

"Conclusion"部分强调，该研究首次将bBER优化器应用于睡眠障碍分类领域，开创性地实现了特征选择与超参数调优的协同优化。相较于传统方法，BER-MLP模型不仅诊断准确率提升5.49个百分点，更具三大临床优势：一是降低对PSG设备的依赖，使基层医疗机构具备筛查能力；二是通过可解释的特征重要性排序，为临床决策提供透明依据；三是处理单例数据仅需毫秒级响应，满足实时诊断需求。研究团队Amel Ali Alhussan等人指出，这种"优化器+ML"框架可扩展至其他生理信号分析领域，为智慧医疗发展提供新范式。

局限性方面，当前研究尚未纳入更复杂的共病情况数据，未来计划整合可穿戴设备动态监测信息。团队特别致谢努拉公主大学科研支持项目(PNURSP2025R308)，这为跨学科医疗AI研究提供了重要保障。该成果的发表标志着元启发式算法在医疗诊断优化领域取得实质性突破，为睡眠障碍的精准化、普惠化诊断开辟了新路径。