Maskinindlæringsteknik hjælper bærbare enheder med at blive bedre til at diagnosticere søvnforstyrrelser og kvalitet

At blive diagnosticeret med en søvnforstyrrelse eller vurdere søvnkvaliteten er et ofte dyrt og vanskeligt forslag, involverer søvnklinikker, hvor patienterne er koblet til sensorer og ledninger til overvågning.

Bærbare enheder, såsom Fitbit og Apple Watch, tilbyde mindre påtrængende og mere omkostningseffektiv søvnovervågning, men afvejningen kan være unøjagtige eller upræcise søvndata.

Forskere ved Georgia Institute of Technology arbejder på at kombinere nøjagtigheden af ​​søvnklinikker med bekvemmeligheden ved bærbar computer ved at udvikle maskinlæringsmodeller, eller smarte algoritmer, der giver bedre søvnmåledata samt betydeligt hurtigere, mere energieffektiv software.

Teamet fokuserer på elektrisk omgivelsesstøj, der udsendes af enheder, men som ofte ikke er hørbar og kan forstyrre søvnsensorer på en bærbar gadget. Lad fjernsynet være tændt om natten, og det elektriske signal - ikke infomercialet i baggrunden - kan ødelægge din søvnmåler.

Disse ekstra elektriske signaler er problematiske for bærbare enheder, der typisk kun har en sensor til at måle et enkelt biometrisk datapunkt, normalt puls. En enhed, der opfanger signaler fra elektrisk støj i omgivelserne, skæver dataene og fører til potentielt vildledende resultater.

"Vi bygger en ny proces for at hjælpe med at træne [machine learning] -modeller, der skal bruges til hjemmemiljøet og hjælpe med at løse dette og andre spørgsmål omkring søvn, "sagde Scott Freitas, et andet års maskinlæring ph.d. studerende og medlederforfatter til et nyligt udgivet papir.

Teamet benyttede kontradiktorisk træning sammen med spektralregularisering, en teknik, der gør neurale netværk mere robuste over for elektriske signaler i inputdataene. Det betyder, at systemet kan vurdere søvnfaser nøjagtigt, selv når et EEG -signal er beskadiget af yderligere signaler som et tv eller en vaskemaskine.

Brug af maskinlæringsmetoder såsom sparsity-regulering, den nye model kan også komprimere den tid, det tager at indsamle og analysere data, samt øge energieffektiviteten af ​​den bærbare enhed.

Forskerne tester med et produkt på hovedet, men håber også at integrere det i smartwatches og armbånd. Resultaterne ville derefter blive overført til en persons læge for at analysere og stille en diagnose. Dette kan resultere i færre besøg hos lægen, reducere omkostningerne, tid, og stress forbundet med at modtage en søvnforstyrrelsesdiagnose.

Et andet problem, som forskerne ser på, er at reducere mængden af ​​sensorer, der er nødvendige for nøjagtigt at spore søvn.

"Når nogen besøger en søvnklinik, de er koblet til alle slags skærme og ledninger for at indsamle data lige fra hjerneaktivitet på EEG'er, hjerterytme, og mere. Bærbar teknologi overvåger kun puls med en sensor. Den ene sensor er mere ideel og behagelig, så vi leder efter en måde at få flere data uden at tilføje flere ledninger eller sensorer, "sagde Rahul Duggal, et andet års datalogi Ph.D. studerende og medlederforfatter.

Teamets arbejde er offentliggjort i papiret "REST:Robuste og effektive neurale netværk til søvnovervågning i naturen, "accepteret til International World Wide Web Conference (WWW), planlagt til at finde sted 20. april til 24. i Taipei, Taiwan.