بیماری آپنه خواب یک بیماری نسبتا شایع بوده که در اثر وقفه‏های تنفسی در هنگام خواب شبانه ایجاد می‏گردد. این امر می‏تواند به علت ناهنجاری‏های سیستم اعصاب حرکتی یا انسداد مسیر تنفسی و یا هر دوی آن‏ها ایجاد شود. تحقیقات نشان داده است که با کنترل و پیش‏گیری از وقفه‏های تنفسی می‏توان از عوارض این بیماری جلوگیری نمود. ثبت پلی‏سومنوگرافی، روش تشخیصی استاندارد طلایی برای سندرم آپنه-هایپوپنه می‏باشد که جهت تشخیص این بیماری در یک دوره خواب شبانه مورد استفاده قرار می‏گیرد. از آن‏جا که ثبت‏های پلی‏سومنوگرافی گران‏قیمت و زمان‏بر بوده و هم‏چنین دسترسی به کلینیک‏های خواب به راحتی امکان‏پذیر نمی‏باشد، تشخیص این بیماری با استفاده از سیگنال‏های ساده‏تر می‏تواند بسیار ارزشمند باشد چرا که ثبت آن‏ها با سهولت بیشتر و بدون نیاز به مکان‏های خاصی برای ثبت (نظیر کلینیک‏های خواب) امکان‏پذیر است. هدف از انجام این پژوهش تشخیص و طبقه¬بندی خودکار انواع آپنه خواب بر اساس اعمال الگوریتم¬های طبقه‏بندی¬کننده به سیگنال¬های تلاش تنفسی قفسه سینه و اشباع اکسیژن خون می‏باشد. در این پژوهش، برخی ویژگی‏های زمانی، فرکانسی، طیفی متداول و غیرخطی از این دو سیگنال استخراج و سپس توسط هر یک از روش های الگوریتم ژنتیک، تجزیه و تحلیل مولفه‏های اصلی و الگوریتم انتخاب ویژگی گام به گام رو به جلو، به طور جداگانه به استخراج ویژگی‏های بهینه از بین ویژگی‏های اولیه استخراج شده پرداخته و در نهایت طبقه‏بندی کننده ماشین بردار پشتیبان برای دسته‏بندی ویژگی‏ها در سه کلاس افراد سالم، آپنه انسدادی و آپنه مرکزی به کار گرفته شده است. میانگین صحت نتایج سیستم تشخیص هوشمند بیماری و طبقه‏بندی کننده نوع آپنه خواب به سه کلاس افراد سالم، آپنه انسدادی و آپنه مرکزی، برابر 90.2 درصد (محدوده 95.8-87.5) در مجموعه داده‏های تست، و صحت 90.9 درصد در مجموعه داده‏های اعتباربخشی (داده‏های پایگاه داده فیزیونت) و به ازای الگوریتم تجزیه و تحلیل مولفه‏های اصلی برابر 66.7 درصد و به ازای الگوریتم انتخاب ویژگی گام به گام رو به جلو برابر 79.2 درصد در مجموعه داده‏های تست مشاهده گردید.