Uyku evresi sınıflandırması, uyku veya uyku ile ilişkili hastalıkların teşhisi için çok önemli bir süreçtir. Şu anda bu süreç, kaynak yoğun ve hataya açık olan manuel elektroensefalogram (EEG) analizine dayanmaktadır. Bu sorunları çözmek için analiz sürecini standartlaştırmak ve otomatikleştirmek için çeşitli makine öğrenimi modelleri önerilmiştir. Gereçler ve yöntemler: Bu araştırmada, L-tetrolet modeli tabanlı bir uyku evresi sınıflandırma modelini eğitmek ve test etmek için iyi bilinen döngüsel alternatif model (CAP) uyku veri seti kullanılmıştır. Bu veri kümesi kullanılarak, aşağıdaki üç vaka oluşturulur ve bunlar: Insomnia, Normal ve Fused vakalarıdır. Bu durumların her biri için makine öğrenimi modeli, altı uyku aşamasını belirlemekle görevlendirilir. Model, özellik oluşturma açısından yapılandırılmıştır, öznitelik seçimi ve sınıflandırma. Özellik oluşturma, yeni bir L-tetrolet (Tetris harfi) işlevi ve seviye oluşturma için çoklu havuz ayrıştırma ile kurulur. Bir eşik değeri kullanarak ReliefF ve yinelemeli komşu bileşen analizi (INCA) özellik seçimini birleştiriyoruz. Hibrit ve yinelemeli özellik seçiciler, eşik seçimi tabanlı ReliefF ve INCA (TSRFINCA) olarak adlandırılır. Seçilen özellikler, bir kübik destek vektör makinesi kullanılarak sınıflandırılır. Bulgular: Sunulan L-tetrolet paterni ve TSRFINCA tabanlı uyku evresi sınıflandırma modeli Uykusuzluk, Normal veri seti ve Kaynaşmış vakalar için sırasıyla %95,43, %91,05 ve %92,31 doğruluk sağlar.
