Прогнозування параметрів сну на основі математичного моделювання та машинного навчання

Автор(и)

DOI:

https://doi.org/10.24144/2616-7700.2026.48(1).172-185

Ключові слова:

машинне навчання, якість сну, метрика, Random Forest, стандартизація

Анотація

У роботі розглядається задача класифікації якості сну за допомогою алгоритмів машинного навчання. Актуальність теми зумовлена зростаючим інтересом до інструментів цифрової медицини, які дозволяють проводити оцінку стану здоров'я людини на основі об'єктивних показників. Метою дослідження є створення ефективної моделі, здатної здійснювати прогноз рівня Quality of Sleep на основі таких факторів, як: вік (Age), тривалість сну (Sleep Duration) та рівень стресу (Stress Level).

На початковому етапі було здійснено комплексну підготовку даних, що включала видалення викидів із використанням методу міжквартильного розмаху, стандартизацію числових змінних, кодування категоріальних ознак та побудову кореляційної матриці. Такий підхід забезпечив підвищення якості навчальних даних та стабільність статистичних оцінок. Далі набір даних було розділено на навчальну та тестову вибірки у співвідношенні 80:20. З метою порівняння ефективності різних підходів до класифікації було реалізовано чотири моделі: Logistic Regression, Random Forest, K-Nearest Neighbors та Support Vector Classifier. Гіперпараметри кожної моделі були підібрані з використанням методу GridSearchCV із п'ятиразовою крос-валідацією.

Оцінювання продуктивності моделей здійснювалося за метриками точності (Accuracy), прецизійності (Precision), повноти (Recall) та F1-міри. Найвищу ефективність показала модель Random Forest, яка досягла значення F1-міри 0.9866. Подальший аналіз включав інтерпретацію ймовірнісних прогнозів моделі та симуляцію нових комбінацій вхідних даних для оцінки впевненості прийнятих рішень. Було встановлено, що більшість прогнозів моделі мають середній або високий рівень ймовірності, що свідчить про її стабільну роботу. Результати дослідження демонструють доцільність використання алгоритмів машинного навчання у завданнях моніторингу якості сну та відкривають перспективи для подальшого вдосконалення моделі шляхом розширення набору ознак і джерел даних.

Спонсор дослідження

  • Дослідження було проведено без фінансової підтримки

Біографії авторів

I. М. Лях, ДВНЗ «Ужгородський нацiональний унiверситет»

Професор кафедри iнформатики та фiзико-математичних дисциплiн. Доктор технiчних наук, професор

В. I. Дорогiй, ДВНЗ «Ужгородський нацiональний унiверситет»

Аспiрант кафедри кiбернетики i прикладної математики

М. В. Пономарьов, ДВНЗ «Ужгородський нацiональний унiверситет»

Магiстрант 1-ого курсу ОПП «Комп’ютерно-математичне моделювання»

Я. О. Чухрай, ДВНЗ «Ужгородський нацiональний унiверситет»

Бакалавр 4-ого курсу ОПП «Iнформацiйнi системи та технологiї»

Посилання

  1. Boloban, O. A. (2025). Methods and tools for predicting respiratory diseases and apnea based on artificial intelligence and microservice architecture: (dissertation . . . doctor of philosophy). Kyiv, 156 p. Retrieved from https://ela.kpi.ua/items/7d1c9b55-5f5b-4bd2-97cc-32341abe501f [in Ukrainian].
  2. Liashenko, V. P., & Stetsenko, S. M. (2024). Peculiarities of heart rate variability against the background of sleep disturbance and stress factors: theoretical aspect. Slobozhansky Scientific Bulletin. Series: Natural Sciences, (1), 43–49. https://doi.org/10.32782/naturalspu/2024.1.5
  3. Wang, X., & Wilhelm, E. (2025). Individualized and Interpretable Sleep Forecasting via a Two-Stage Adaptive Spatial-Temporal Model. arXiv preprint. https://doi.org/10.48550/arXiv.2509.06974
  4. Hamza, M. A., Abdalla Hashim, A. H., Alsolai, H., Gaddah, A., Othman, M., Yaseen, I., . . . & Zamani, A. S. (2023). Wearables-assisted smart health monitoring for sleep quality prediction using optimal deep learning. Sustainability, 15(2), 1084. https://doi.org/10.3390/su15021084
  5. Corda, E., Massa, S. M., & Riboni, D. (2024). Context-aware behavioral tips to improve sleep quality via machine learning and large language models. Future Internet, 16(2), 46. https://doi.org/10.3390/fi16020046
  6. Hidayat, A. A., Budiarto, A., & Pardamean, B. (2023). Long short-term memory-based models for sleep quality prediction from wearable device time series data. Procedia Computer Science, 227, 1062–1069. https://doi.org/10.1016/j.procs.2023.10.616
  7. Lee, H., Cho, M., Lee, S. W., & Park, S. S. (2025). Predicting sleep quality with digital biomarkers and artificial neural networks. Frontiers in Psychiatry, 16, 1591448. https://doi.org/10.3389/fpsyt.2025.1591448
  8. Verma, R. K., Dhillon, G., Grewal, H., Prasad, V., Munjal, R. S., Sharma, P., . . . & Surani, S. (2023). Artificial intelligence in sleep medicine: Present and future. World Journal of Clinical Cases, 11(34), 8106. https://doi.org/10.12998/wjcc.v11.i34.8106
  9. Alabdan, R., Mengash, H. A., Maray, M., Alotaibi, F., Abdelbagi, S., & Mahmud, A. (2023). Modified bald eagle search algorithm with deep learning-driven sleep quality prediction for healthcare monitoring systems. IEEE Access, 11, 135385–135393. https://doi.org/10.1109/ACCESS.2023.3337647
  10. Olfati, M., Samea, F., Faghihroohi, S., Balajoo, S. M., K¨uppers, V., Genon, S., . . . & Tahmasian, M. (2024). Prediction of depressive symptoms severity based on sleep quality, anxiety, and gray matter volume: a generalizable machine learning approach across three datasets. EBioMedicine, 108. https://doi.org/10.1016/j.ebiom.2024.105313
  11. Loh, P. L. (2024). A theoretical review of modern robust statistics. Annual Review of Statistics and Its Application, 12. https://doi.org/10.1146/annurev-statistics-112723-034446
  12. Ding, Y. J., Yap, W. S., & Khor, K. C. (2023). Profiling and identifying Smurfs or boosters on Dota 2 using K-means and IQR. IEEE Transactions on Games, 16(3), 577–585. https://doi.org/10.1109/TG.2023.3317053
  13. Divakaruni, A. S., & Jastroch, M. (2022). A practical guide for the analysis, standardization and interpretation of oxygen consumption measurements. Nature metabolism, 4(8), 978–994. https://doi.org/10.1038/s42255-022-00619-4
  14. Kavetskyi, M. S., Sievierinov, O. V., Gvozdov, R. Y., & Smirnov, A. O. (2024). Using machine learning to classify DOS/DDOS attacks. Radiotekhnika, 2(217), 55–63. https://doi.org/10.30837/rt.2024.2.217.04 [in Ukrainian].
  15. Mishchenko, L. D., & Klymenko, I. A. (2023). Recognition of fake news using natural language processing and a low-power architecture for edge computing. Problems of Informatization and Management, 4(76), 59–67. https://doi.org/10.18372/2073-4751.76.18241 [in Ukrainian].
  16. Kotenko, V. V., Bashynskyi, S. I., & Piskun, I. A. (2021). Application of the Pearson method to obtain dependences of the chemical elements distribution within the kaolin deposit. Technical Engineering, (2(88)), 129–134. https://doi.org/10.26642/ten-2021-2(88)-129-134 [in Ukrainian].
  17. Aprilliandhika, W., & Abdulloh, F. F. (2024). Comparison Of K-Nearest Neighbor and Support Vector Machine Algorithm Optimization With Grid Search CV On Stroke Prediction. Jurnal Teknik Informatika (Jutif ), 5(4), 991–1000. https://doi.org/10.52436/1.jutif.2024.5.4.1951
  18. Oursatyev, O. A., Volkov, O. Y., & Tkalya, V. H. (2025). Automated Machine Learning. State and Prospects Development. Information Technologies and Systems, 2(2), 3–33. https://doi.org/10.15407/intechsys.2025.02.003 [in Ukrainian].
  19. Radionova, I., & Fedorenko, T. (2025). Analysis of state budget expenditures in wartime using logistic regression. Science Notes of KROK University, (3(79)), 25–34. https://doi.org/10.31732/2663-2209-2025-79-25-34 [in Ukrainian].
  20. Liakh, I. M., Dudnyk, V. V., Tsipino, Y. M., & Tsipino, A. Y. (2025). Forecasting user engagement in educational web platforms using machine learning algorithms. Scientific Bulletin of Uzhhorod University. Series of Mathematics and Informatics, 46(1), 218–225. https://doi.org/10.24144/2616-7700.2025.46(1).218-225 [in Ukrainian].
  21. Klymenko, O. (2024). Concept of supervised machine learning algorithms based on the k-nearest neighbors method for load balancing on pharmaceutical sorting lines. Control, Navigation and Communication Systems, 1(75), 28–30. https://doi.org/10.26906/SUNZ.2024.1.028 [in Ukrainian].
  22. Bovchaliuk, S., & Haidai, Y. (2024). Analysis of the support vector machine algorithm in comparison to traditional market movements prediction methods. Control, Navigation and Communication Systems, 3(77), 89–92. https://doi.org/10.26906/SUNZ.2024.3.089 [in Ukrainian].

##submission.downloads##

Опубліковано

2026-01-29

Як цитувати

Лях I. М., Дорогiй В. I., Пономарьов, М. В., & Чухрай, Я. О. (2026). Прогнозування параметрів сну на основі математичного моделювання та машинного навчання. Науковий вісник Ужгородського університету. Серія «Математика і інформатика», 48(1), 172–185. https://doi.org/10.24144/2616-7700.2026.48(1).172-185

Номер

Том 48 № 1 (2026)

Розділ

Iнформатика, комп’ютернi науки та прикладна математика

Ліцензія

Авторське право (c) 2026 I. М. Лях, В. I. Дорогiй, М. В. Пономарьов, Я. О. Чухрай

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.