Receber o diagnóstico de um distúrbio do sono ou avaliar a qualidade do sono é uma proposta frequentemente cara e complicada, envolvendo clínicas do sono onde os pacientes são conectados a sensores e fios para monitoramento.

Dispositivos vestíveis, como o Fitbit e o Apple Watch, oferecem monitoramento do sono menos intrusivo e mais econômico, mas a compensação pode ser dados de sono imprecisos ou imprecisos.

Pesquisadores do Georgia Institute of Technology estão trabalhando para combinar a precisão das clínicas do sono com a conveniência da computação vestível, desenvolvendo modelos de aprendizado de máquina, ou algoritmos inteligentes, que fornecem melhores dados de medição do sono, bem como consideravelmente mais rápidos, software mais eficiente em termos de energia.

A equipe está se concentrando no ruído ambiente elétrico que é emitido por dispositivos, mas que muitas vezes não é audível e pode interferir nos sensores de sono em um dispositivo vestível. Deixe a TV ligada à noite, e o sinal elétrico - não o comercial de fundo - pode atrapalhar o seu rastreador de sono.

Esses sinais elétricos adicionais são problemáticos para dispositivos vestíveis que normalmente têm apenas um sensor para medir um único ponto de dados biométricos, normalmente a freqüência cardíaca. Um dispositivo que capta sinais de ruído elétrico ambiente distorce os dados e leva a resultados potencialmente enganosos.

"Estamos construindo um novo processo para ajudar a treinar modelos [de aprendizado de máquina] a serem usados ​​no ambiente doméstico e ajudar a resolver este e outros problemas relacionados ao sono, "disse Scott Freitas, um Ph.D. em aprendizado de máquina no segundo ano. aluno e co-autor principal de um artigo recém-publicado.

A equipe empregou treinamento adversarial em conjunto com a regularização espectral, uma técnica que torna as redes neurais mais robustas a sinais elétricos nos dados de entrada. Isso significa que o sistema pode avaliar com precisão os estágios do sono, mesmo quando um sinal de EEG é corrompido por sinais adicionais, como uma TV ou máquina de lavar.

Usando métodos de aprendizado de máquina, como regularização de dispersão, o novo modelo também pode reduzir a quantidade de tempo necessária para coletar e analisar dados, bem como aumentar a eficiência energética do dispositivo vestível.

Os pesquisadores estão testando com um produto usado na cabeça, mas esperam integrá-lo também em smartwatches e pulseiras. Os resultados seriam então transmitidos ao médico de uma pessoa para analisar e fornecer um diagnóstico. Isso pode resultar em menos visitas ao médico, reduzindo o custo, Tempo, e estresse envolvido em receber um diagnóstico de distúrbio do sono.

Outro problema que os pesquisadores estão analisando é a redução da quantidade de sensores necessários para monitorar o sono com precisão.

"Quando alguém visita uma clínica do sono, eles são conectados a todos os tipos de monitores e fios para coletar dados que vão desde a atividade cerebral em EEGs, frequência cardíaca, e mais. A tecnologia vestível monitora apenas a frequência cardíaca com um sensor. O único sensor é mais ideal e confortável, por isso, estamos procurando uma maneira de obter mais dados sem adicionar mais fios ou sensores, "disse Rahul Duggal, um doutorado em ciência da computação no segundo ano. aluno e co-autor principal.

O trabalho da equipe está publicado no artigo "REST:Redes Neurais Robustas e Eficientes para Monitoramento do Sono na Natureza, "aceito na International World Wide Web Conference (WWW), programado para ocorrer de 20 a 24 de abril em Taipei, Taiwan.