چکیده: چکیده بیماری آپنه درسال های اخیر یکی از بیماری های چالش برانگیز برای جوامع به شمار رفته به نحوی که به نقل از سازمان جهانی بهداشت بیش از 939 میلیون نفر را در جهان به خود مبتلا کرده است. آپنه نوعی اختلال خواب است و هنگامی رخ می‌دهد که تنفس شخص در حین خواب قطع ‌شود. تشخیص بیماری آپنه در مراحل اولیه و درمان آن می تواند تأثیر مستقیمی در بهبود کیفیت زندگی افراد بیمار داشته باشد. تاکنون پژوهش های متعددی در این حوزه انجام شده است اما عمده این تحقیقات از طبقه‎بندهای کلاسیک برای طبقه بندی بهره می برند که معمولاً از دقت خوبی برخوردار نبوده و یا نسبت به نویز و سایر مواردی که سیگنال الکتروکاردیوگراف را تحت تأثیر قرار می دهند، بسیار حساس هستند که مطلوب نیست و منجر به کاهش دقت و عملکرد ضعیف می‎گردد. پس چالش اساسی در این زمینه، رویکرد مناسب برای مواجهه با نویز و دقت کافی در تشخیص آپنه می باشد. برای کاهش خطا و افزایش دقت در تشخیص بیماری آپنه، یک سیستم جدید پیشنهاد می شود که به پزشکان کمک می کند تا آپنه انسدادی خواب با استفاده از روش های یادگیری عمیق تشخیص داده شود. در این پژوهش در مرحله نخست پیش پردازش سیگنال ECG با استفاده از فیلترهای میان گذر، موجک و ساویتزکی گولای و هودریک پروسکات است که اعمال آن باعث حذف داده های پرت، مشخص شدن موقعیت و استخراج دقیق فاصله قله های سیگنال قلبی می شود. استفاده از طبقه‌بندهای کارآمدی چون شبکه های عصبی عمیق همگشتی ، k-نزدیکترین همسایگی و همچین شبکه عصبی پرسپترون در تحلیل سیگنال های ECG مربوط به بیماران مبتلا به آپنه انتظار می رود به نتایج خوبی منجر شود. در این رساله روش پیشنهادی در قالب سه رویکرد ارائه شده است در رویکرد نخست و دوم از فیلترهای مرسوم و فیلتر ساویتزکی‌گولای برای پیش‎پردازش بهره گرفته شده است و در رویکرد سوم علاوه بر آن از یک فیلتر نوین با نام هودریک پروسکات استفاده شده است. در رویکرد اول و دوم یک شبکه عصبی عمیق با ساختاری ساده استفاده شده است و در رویکرد سوم از ساختار پیچیدگی بیشتری برخوردار است. پیاده سازی روی پایگاه داده آپنه خواب کالج دانشگاهی دوبلین در بهترین حالت منجر به صحت 1/99 درصد شده است. در پایگاه داده موسوم به کگل که در دسترس همگانی قرار دارد نیز بهترین درصد صحت بدست آمده 6/95 درصد می‎باشد. این نتایج در قیاس با پژوهش هایی که پیش از این در این حوزه انجام شده است بهبود نزدیک به 5 درصدی را نشان می دهد که دلیلی است بر این ادعا که در مسائل واقعی روی داده‌های تست جدید از عملکرد بهتری برخوردار است.