機器學習技術可幫助可穿戴設備更好地診斷睡眠障礙和質量

被診斷出患有睡眠障礙或評估睡眠質量通常是一項昂貴且棘手的提議，涉及睡眠診所，在該診所中，患者需要連接傳感器和電線進行監視。Fitbit和Apple Watch等可穿戴設備提供較少的干擾性和更具成本效益的睡眠監控，但折衷方案可能是睡眠數據不準確或不準確。

佐治亞理工學院的研究人員正在通過開發機器學習模型或智能算法，將睡眠診所的準確性與可穿戴計算的便利性相結合，以提供更好的睡眠測量數據以及更快，更節能的軟件。

該團隊專注于設備發出的環境電噪聲，但通常聽不到，并且會干擾可穿戴設備上的睡眠傳感器。晚上將電視保持打開狀態，電信號(而不是后臺的電視廣告)可能會與您的睡眠跟蹤器發生混亂。

這些附加的電信號對于通常僅具有一個傳感器來測量單個生物特征數據點(通常為心率)的可穿戴設備而言是成問題的。從環境電氣噪聲中拾取信號的設備會使數據偏斜，并導致潛在的誤導性結果。

“我們正在建立一種新的過程，以幫助訓練用于家庭環境的[機器學習]模型，并幫助解決睡眠方面的這一問題和其他問題，”第二年的機器學習博士Scott Freitas說。新出版論文的學生和共同主要作者。

該團隊采用對抗訓練與頻譜正則化相結合，該技術可使神經網絡對輸入數據中的電信號更加魯棒。這意味著，即使EEG信號被電視或洗衣機之類

使用稀疏正則化等機器學習方法，新模型還可以縮短收集和分析數據所需的時間，并提高可穿戴設備的能源效率。

研究人員正在對戴在頭上的產品進行測試，但也希望將其集成到智能手表和手鐲中。然后將結果傳送給個人的醫生進行分析并提供診斷。這可以減少去看醫生的次數，減少接受睡眠障礙診斷所涉及的成本，時間和壓力。

研究人員正在關注的另一個問題是減少準確跟蹤睡眠所需的傳感器數量。

“當某人去睡眠診所時，他們會連接到各種監視器和電線以收集數據，包括腦電圖上的腦電活動，心率等等。可穿戴式技術只能使用一個傳感器來監測心率。一個傳感器可以監測更多信息。理想且舒適，因此我們正在尋找一種無需添加更多電線或傳感器即可獲取更多數據的方法，”計算機科學二年級博士Rahul Duggal說道。學生和共同首席作者。

該小組的工作發表在論文“ REST：用于野外睡眠監測的魯棒和高效神經網絡”中，該論文參加了將于4月20日至24日在臺灣臺北舉行的國際萬維網會議(WWW)。