使用深度学习来改进算法与衣物的监测睡眠障碍

大约10%的世界人口受到失眠,也就是各种各样的严重的睡眠障碍之一。在一项新的研究发表在科学报告,你/ e研究者,从Kempenhaeghe睡眠医学中心的同事一起,在e / MTIC和飞利浦,开发出了一种更可靠的基于深度学习和更好的执行算法更好地分析睡眠睡眠障碍患者的数据,测量使用可戴衣物。

根据爱尔兰谚语“一个好的笑和长时间睡眠最好的治疗医生的书。”While almost everyone enjoys a good joke once in a while, a good,长时间睡眠不是每个人都可以。

鉴于睡眠的重要性,它是至关重要的监控病人的睡眠质量的睡眠模式是一种睡眠障碍而中断。在临床的设置黄金标准是多导睡眠图(PSG)的数组是连接到一个病人。算法开发的监控和衣物睡觉可以作为一个强有力的补充,由于其突出的性质通常是有限的使用一个或最多两个晚上。

“作为医生,我们想要更大的洞察力在更长时间的睡眠模式,这就是可穿戴技术和合适的算法可以帮助Sebastiaan Overeem,电气工程系教授你/ e和somnologist Heeze Kempenhaeghe睡眠医学中心。

一种新的算法

在过去,研究者和临床医生使用活动检测仪收集一些有关长期病人睡眠/唤醒模式,负责监控身体运动。但活动检测仪关键劣势。“健康的人移动时更少的睡眠。然而,人患有失眠睡不着觉,可以一动不动,一个活动检测仪认为睡眠,当它不是,”Overeem指出。

研究人员试图解决这个问题通过测量心率的变化使用可戴photoplethysmography (PPG),光被用来测量体积的变化流动的血液。

”技术是一回事,但这是另一件事有正确的工具来分析大量的数据可由临床医生到达准确预测,“Overeem说。”在我们的一些以前的工作中,我们使用机器学习算法,以帮助分析,但这种方法需要大量的计算能力和时间,以及耗时的手工标记睡眠信号测量的特性从一个病人。”

在新的研究最近发表在杂志上科学报告,Overeem和他的同事们从你/ e, Kempenhaeghe睡眠医学中心和飞利浦的另一种方法。从助理教授合著者梅瑞尔·Gilst涂/ e解释道。“我们开始通过“喂”一个神经网络与原始运动和心跳数据,连同金本位PSG睡眠数据。然后,我们让算法自动检测功能感兴趣的。”

这种方法训练了一个高性能的算法需要更少的计算能力和时间。“现在可行的设备和云服务来实现该算法临床使用,”van Gilst说。

消费设备没有达到标准

你是想知道为什么研究人员需要创建和训练新算法对睡眠监测,当有一个广泛的消费设备使用的变化,评估睡眠质量心率。只是觉得苹果的设备和Garmin运动手表,例如。嗯,范Gilst突出这些设备的主要缺点是对临床设置。

“消费者设备检测算法使用小群体的健康受试者没有睡眠障碍。此外,这些设备通常评估睡眠在大时间窗节省电池寿命。因此,在数据丢失细节。补充说,不同的睡眠阶段的性能和精度很低,”van Gilst说。

开发可靠的算法为睡眠监测设备在临床设置,数以百计的睡眠与PSG记录测量与数据可穿戴设备是必需的。这个数据应该来自不同的年龄的人,各种各样的睡眠障碍。需要手动添加,录音睡眠专家,然后只基于ai算法可以创建。“如果你跳过这些步骤,你将会产生一个差算法,“Overeem说。

”,当涉及到监测睡眠障碍的有效性硬件只是一样好算法设计分析数据产生。”

下一个步骤

研究人员开发的新算法可用于可穿戴设备从不同的制造商,提供足够高的传感器设备的质量。

“这样的技术和算法可以添加到工具箱的评估非常重要睡眠障碍,强烈补充PSG的黄金标准的方法,”van Gilst指出。

与新算法到位,Overeem兴奋的未来的可能性。“我们现在可以开始研究真正看看这些技术带来的临床设置。例如,我们正在评估长期失眠症患者的睡眠模式,为了更好地评估的严重性和可变性障碍和进一步调整治疗。”

此外,Overeem想使用数据来测量数据在24小时内。“在这种情况下,我们可以得到一个更好的主意中断睡在一个病人的负面影响在日常活动。”