Ser diagnosticado con un trastorno del sueño o evaluar la calidad del sueño es una propuesta a menudo costosa y complicada. involucrando clínicas del sueño donde los pacientes están conectados a sensores y cables para monitoreo.

Dispositivos portátiles, como Fitbit y Apple Watch, ofrecen un control del sueño menos intrusivo y más rentable, pero la compensación puede ser datos de sueño inexactos o imprecisos.

Los investigadores del Instituto de Tecnología de Georgia están trabajando para combinar la precisión de las clínicas del sueño con la conveniencia de la informática portátil mediante el desarrollo de modelos de aprendizaje automático. o algoritmos inteligentes, que proporcionan mejores datos de medición del sueño, así como considerablemente más rápido, software de mayor eficiencia energética.

El equipo se centra en el ruido ambiental eléctrico que emiten los dispositivos, pero que a menudo no es audible y puede interferir con los sensores de sueño en un dispositivo portátil. Deja la TV encendida por la noche y la señal eléctrica, no el infomercial de fondo, podría alterar su rastreador de sueño.

Estas señales eléctricas adicionales son problemáticas para los dispositivos portátiles que normalmente tienen un solo sensor para medir un único punto de datos biométricos. normalmente frecuencia cardíaca. Un dispositivo que capta señales de ruido eléctrico ambiental sesga los datos y conduce a resultados potencialmente engañosos.

"Estamos creando un nuevo proceso para ayudar a entrenar modelos [de aprendizaje automático] que se utilizarán en el entorno doméstico y ayudar a abordar este y otros problemas relacionados con el sueño, "dijo Scott Freitas, un doctorado en aprendizaje automático de segundo año. estudiante y coautor principal de un artículo recientemente publicado.

El equipo empleó entrenamiento contradictorio junto con la regularización espectral, una técnica que hace que las redes neuronales sean más robustas a las señales eléctricas en los datos de entrada. Esto significa que el sistema puede evaluar con precisión las etapas del sueño incluso cuando una señal de EEG se corrompe con señales adicionales como un televisor o una lavadora.

El uso de métodos de aprendizaje automático, como la regularización de la dispersión, el nuevo modelo también puede comprimir la cantidad de tiempo que se necesita para recopilar y analizar datos, así como aumentar la eficiencia energética del dispositivo portátil.

Los investigadores están probando con un producto que se usa en la cabeza, pero esperan integrarlo también en relojes inteligentes y pulseras. Luego, los resultados se transmitirían al médico de una persona para que los analice y proporcione un diagnóstico. Esto podría resultar en menos visitas al médico, reduciendo el costo, tiempo, y el estrés relacionado con recibir un diagnóstico de trastorno del sueño.

Otro problema que los investigadores están analizando es reducir la cantidad de sensores necesarios para rastrear con precisión el sueño.

"Cuando alguien visita una clínica del sueño, Están conectados a todo tipo de monitores y cables para recopilar datos que van desde la actividad cerebral en EEG, ritmo cardiaco, y más. La tecnología usable solo monitorea la frecuencia cardíaca con un sensor. El único sensor es más ideal y cómodo, por lo que buscamos una forma de obtener más datos sin agregar más cables o sensores, "dijo Rahul Duggal, un doctorado en ciencias de la computación de segundo año. estudiante y coautor principal.

El trabajo del equipo se publica en el artículo "REST:Redes neuronales robustas y eficientes para la monitorización del sueño en la naturaleza, "aceptado en la Conferencia Internacional World Wide Web (WWW), programado para realizarse del 20 al 24 de abril en Taipei, Taiwán.