Obtenir un diagnostic de trouble du sommeil ou évaluer la qualité du sommeil est une proposition souvent coûteuse et délicate, impliquant des cliniques du sommeil où les patients sont reliés à des capteurs et des fils pour la surveillance.

Appareils portables, comme la Fitbit et l'Apple Watch, offrir une surveillance du sommeil moins intrusive et plus rentable, mais le compromis peut être des données de sommeil inexactes ou imprécises.

Des chercheurs du Georgia Institute of Technology s'efforcent de combiner la précision des cliniques du sommeil avec la commodité de l'informatique portable en développant des modèles d'apprentissage automatique, ou des algorithmes intelligents, qui fournissent de meilleures données de mesure du sommeil ainsi que considérablement plus rapide, logiciel plus économe en énergie.

L'équipe se concentre sur le bruit ambiant électrique émis par les appareils, mais qui n'est souvent pas audible et peut interférer avec les capteurs de sommeil sur un gadget portable. Laisse la télé allumée la nuit, et le signal électrique, et non l'infopublicité en arrière-plan, pourrait perturber votre suivi du sommeil.

Ces signaux électriques supplémentaires sont problématiques pour les dispositifs portables qui n'ont généralement qu'un seul capteur pour mesurer un seul point de données biométriques, normalement la fréquence cardiaque. Un appareil captant les signaux du bruit électrique ambiant fausse les données et conduit à des résultats potentiellement trompeurs.

« Nous construisons un nouveau processus pour aider à former des modèles [d'apprentissage automatique] à utiliser pour l'environnement domestique et aider à résoudre ce problème et d'autres problèmes liés au sommeil, " a déclaré Scott Freitas, un doctorat en apprentissage automatique de deuxième année. étudiant et co-auteur principal d'un article récemment publié.

L'équipe a utilisé un entraînement contradictoire en tandem avec la régularisation spectrale, une technique qui rend les réseaux de neurones plus robustes aux signaux électriques dans les données d'entrée. Cela signifie que le système peut évaluer avec précision les phases de sommeil même lorsqu'un signal EEG est corrompu par des signaux supplémentaires comme un téléviseur ou une machine à laver.

En utilisant des méthodes d'apprentissage automatique telles que la régularisation de parcimonie, le nouveau modèle peut également compresser le temps nécessaire à la collecte et à l'analyse des données, ainsi que d'augmenter l'efficacité énergétique de l'appareil portable.

Les chercheurs testent avec un produit porté sur la tête mais espèrent l'intégrer également dans des montres connectées et des bracelets. Les résultats seraient ensuite transmis au médecin de la personne pour analyse et diagnostic. Cela pourrait entraîner moins de visites chez le médecin, réduire le coût, temps, et le stress lié à la réception d'un diagnostic de trouble du sommeil.

Un autre problème que les chercheurs étudient est la réduction du nombre de capteurs nécessaires pour suivre avec précision le sommeil.

"Quand quelqu'un visite une clinique du sommeil, ils sont connectés à toutes sortes de moniteurs et de fils pour recueillir des données allant de l'activité cérébrale sur les EEG, rythme cardiaque, et plus. La technologie portable surveille uniquement la fréquence cardiaque avec un seul capteur. Le seul capteur est plus idéal et confortable, nous cherchons donc un moyen d'obtenir plus de données sans ajouter plus de fils ou de capteurs, " dit Rahul Duggal, un doctorat en informatique de deuxième année. étudiant et co-auteur principal.

Les travaux de l'équipe sont publiés dans l'article « REST :Réseaux de neurones robustes et efficaces pour la surveillance du sommeil dans la nature, " accepted to the International World Wide Web Conference (WWW), scheduled to take place April 20 through 24 in Taipei, Taiwan.