Ricevere una diagnosi di disturbo del sonno o valutare la qualità del sonno è una proposta spesso costosa e complicata, che coinvolgono cliniche del sonno in cui i pazienti sono collegati a sensori e cavi per il monitoraggio.

Dispositivi indossabili, come Fitbit e Apple Watch, offrono un monitoraggio del sonno meno invadente e più conveniente, ma il compromesso può essere dati sul sonno imprecisi o imprecisi.

I ricercatori del Georgia Institute of Technology stanno lavorando per combinare l'accuratezza delle cliniche del sonno con la comodità dell'informatica indossabile sviluppando modelli di apprendimento automatico, o algoritmi intelligenti, che forniscono dati di misurazione del sonno migliori e notevolmente più veloci, software più efficiente dal punto di vista energetico.

Il team si sta concentrando sul rumore ambientale elettrico emesso dai dispositivi ma che spesso non è udibile e può interferire con i sensori del sonno su un gadget indossabile. Lascia la TV accesa di notte, e il segnale elettrico, non la pubblicità in sottofondo, potrebbe interferire con il tuo tracker del sonno.

Questi segnali elettrici aggiuntivi sono problematici per i dispositivi indossabili che in genere hanno un solo sensore per misurare un singolo punto di dati biometrici, normale frequenza cardiaca. Un dispositivo che raccoglie segnali dal rumore elettrico ambientale distorce i dati e porta a risultati potenzialmente fuorvianti.

"Stiamo costruendo un nuovo processo per aiutare a formare modelli [di apprendimento automatico] da utilizzare per l'ambiente domestico e aiutare ad affrontare questo e altri problemi relativi al sonno, " ha detto Scott Freitas, un dottorato di ricerca in machine learning del secondo anno. studente e co-autore di un articolo appena pubblicato.

Il team ha impiegato la formazione in contraddittorio in tandem con la regolarizzazione spettrale, una tecnica che rende le reti neurali più robuste ai segnali elettrici nei dati di input. Ciò significa che il sistema può valutare con precisione le fasi del sonno anche quando un segnale EEG è corrotto da segnali aggiuntivi come una TV o una lavatrice.

Utilizzando metodi di apprendimento automatico come la regolarizzazione della scarsità, il nuovo modello può anche comprimere il tempo necessario per raccogliere e analizzare i dati, oltre ad aumentare l'efficienza energetica del dispositivo indossabile.

I ricercatori stanno testando con un prodotto indossato sulla testa ma sperano di integrarlo anche in smartwatch e bracciali. I risultati verrebbero quindi trasmessi al medico di una persona per analizzare e fornire una diagnosi. Ciò potrebbe comportare un minor numero di visite dal medico, riducendo il costo, tempo, e lo stress coinvolti nel ricevere una diagnosi di disturbo del sonno.

Un altro problema che i ricercatori stanno esaminando è la riduzione della quantità di sensori necessari per monitorare con precisione il sonno.

"Quando qualcuno visita una clinica del sonno, sono collegati a tutti i tipi di monitor e cavi per raccogliere dati che vanno dall'attività cerebrale su EEG, frequenza cardiaca, e altro ancora. La tecnologia indossabile monitora la frequenza cardiaca solo con un sensore. L'unico sensore è più ideale e confortevole, quindi stiamo cercando un modo per ottenere più dati senza aggiungere più cavi o sensori, " ha detto Rahul Duggal, un dottorato di ricerca in informatica del secondo anno. studente e co-autore.

Il lavoro del team è pubblicato nel documento "REST:Robust and Efficient Neural Networks for Sleep Monitoring in the Wild, " accettato alla International World Wide Web Conference (WWW), in programma dal 20 al 24 aprile a Taipei, Taiwan.