این مقاله به بررسی کارایی طبقه بندهای ترکیبی CNN-DRNN در شناسایی آپنه خواب با استفاده از سیگنال الکتروکاردیوگرام قلب (ECG) پرداخته است. در این مطالعه، مدل های مختلف شبکه های عصبی کانولوشنی ازجمله AlexNet، VGG16، VGG19 و ZFNet در ترکیب با مدل های شبکه عصبی بازگشتی عمیق شامل LSTM، GRU و BiLSTM مورد ارزیابی قرارگرفته است. این مدل ها با و بدون استفاده از بهینه سازهای هوش جمعی گورکن عسل و گرگ خاکستری برای تعیین مقادیر بهینه ابرپارامترها مقایسه شده اند. نتایج نشان می دهد که مدل ترکیبی AlexNet-GRU پس از اعمال هر دو بهینه ساز، بهترین عملکرد را با دقت 95٪، نرخ تشخیص 61/97٪ و F-Score 37/93٪ ارائه کرده است. در این پژوهش، چالش بهینه سازی ابرپارامترها در مدل های یادگیری عمیق با استفاده از دو بهینه ساز گورکن عسل و گرگ خاکستری بررسی شده است. این بهینه سازها با الهام از رفتارهای طبیعت، تعامل غیرمستقیم میان عامل ها و توزیع هوشمند به حل این چالش کمک می کنند. البته، بهینه ساز گورکن عسل در مقایسه با گرگ خاکستری در انتخاب مقادیر بهینه ابرپارامترها عملکرد بهتری از خود نشان داده است.