De diagnose van een slaapstoornis krijgen of de kwaliteit van de slaap beoordelen is vaak een dure en lastige propositie, met slaapklinieken waar patiënten worden aangesloten op sensoren en draden voor monitoring.

draagbare apparaten, zoals de Fitbit en Apple Watch, bieden minder opdringerige en meer kosteneffectieve slaapbewaking, maar de afweging kan onnauwkeurige of onnauwkeurige slaapgegevens zijn.

Onderzoekers van het Georgia Institute of Technology werken eraan om de nauwkeurigheid van slaapklinieken te combineren met het gemak van draagbare computers door machine learning-modellen te ontwikkelen, of slimme algoritmen, die betere slaapmeetgegevens opleveren en aanzienlijk snellere, energiezuinigere software.

Het team richt zich op elektrisch omgevingsgeluid dat wordt uitgezonden door apparaten, maar dat vaak niet hoorbaar is en slaapsensoren op een draagbare gadget kan verstoren. Laat de tv 's nachts aan, en het elektrische signaal - niet de infomercial op de achtergrond - kan knoeien met je slaaptracker.

Deze extra elektrische signalen zijn problematisch voor draagbare apparaten die doorgaans slechts één sensor hebben om een ​​enkel biometrisch datapunt te meten, normale hartslag. Een apparaat dat signalen van elektrische omgevingsruis oppikt, vervormt de gegevens en leidt tot mogelijk misleidende resultaten.

"We bouwen een nieuw proces om [machine learning]-modellen te trainen voor gebruik in de thuisomgeving en om deze en andere problemen rond slaap aan te pakken, " zei Scott Freitas, een tweedejaars machine learning Ph.D. student en co-hoofdauteur van een nieuw gepubliceerd artikel.

Het team gebruikte een contradictoire training in combinatie met spectrale regularisatie, een techniek die neurale netwerken robuuster maakt voor elektrische signalen in de invoergegevens. Dit betekent dat het systeem de slaapstadia nauwkeurig kan beoordelen, zelfs wanneer een EEG-signaal wordt beschadigd door extra signalen zoals een tv of een wasmachine.

Met behulp van machine learning-methoden zoals sparsity-regularisatie, het nieuwe model kan ook de hoeveelheid tijd comprimeren die nodig is om gegevens te verzamelen en te analyseren, evenals verhoging van de energie-efficiëntie van het draagbare apparaat.

De onderzoekers testen met een product dat op het hoofd wordt gedragen, maar hopen het ook te integreren in smartwatches en armbanden. De resultaten zouden dan worden doorgegeven aan de arts van een persoon om te analyseren en een diagnose te stellen. Dit kan leiden tot minder bezoeken aan de arts, het verminderen van de kosten, tijd, en stress die gepaard gaat met het ontvangen van een diagnose van een slaapstoornis.

Een ander probleem waar de onderzoekers naar kijken, is het verminderen van het aantal sensoren dat nodig is om de slaap nauwkeurig te volgen.

"Als iemand een slaapkliniek bezoekt, ze zijn aangesloten op allerlei monitoren en draden om gegevens te verzamelen variërend van hersenactiviteit op EEG's, hartslag, en meer. Wearable tech meet de hartslag slechts met één sensor. De ene sensor is meer ideaal en comfortabel, dus we zijn op zoek naar een manier om meer gegevens te krijgen zonder meer draden of sensoren toe te voegen, " zei Rahul Duggal, een tweedejaars informatica Ph.D. student en co-hoofdauteur.

Het werk van het team is gepubliceerd in de paper "REST:Robust and Efficient Neural Networks for Sleep Monitoring in the Wild, " geaccepteerd voor de International World Wide Web Conference (WWW), gepland voor 20 t/m 24 april in Taipei, Taiwan.