Новый метод машинного обучения помогает носимым устройствам диагностировать нарушения сна

Целых 70 миллионов американцев страдают от нарушений сна, которые влияют на их повседневную жизнь, здоровье и долголетие. Долгосрочные последствия недосыпания и нарушений сна включают риск гипертонии, диабета, ожирения, депрессии, сердечного приступа и инсульта. Стоимость одного только невыявленного апноэ во сне оценивается в 100 миллиардов в США.

Основным инструментом в выявлении нарушений сна является гипнограмма, которая документирует прогрессирование стадий сна (стадия быстрого сна, этапы медленного N1–N3 и этап пробуждения) в течение всей ночи (см. рис. 1 вверху). Процесс получения гипнограммы из необработанных сенсорных данных называется сценированием сна, и именно ему посвящена эта работа.

Традиционно для достоверного получения гипнограммы пациенту необходимо пройти ночное исследование сна, называемое полисомнографией (ПСГ), в лаборатории сна с использованием биосенсоров, измеряющих физиологические сигналы, в том числе электроэнцефалограмму (ЭЭГ). , движения глаз (ЭОГ), мышечную активность или активацию скелетных мышц (ЭМГ) и сердечный ритм (ЭКГ). К сожалению, процесс получения полисомнографии является затратным и инвазивным для пациентов, что снижает их участие, что в конечном итоге приводит к недиагностированным нарушениям сна.

Что мешает лучше диагностировать расстройство сна?

Одним из многообещающих направлений сокращения невыявленных нарушений сна является обеспечение мониторинга сна в домашних условиях с использованием коммерческих носимых устройств (например, Fitbit, Apple Watch, Emotiv). Тем не менее, мы должны сначала решить 2 сложные задачи:

1. Устойчивость к шуму. Глубокие нейронные сети (ГНС) очень чувствительны к внешнему шуму (рис. 1, вверху). В случае носимых устройств шум является серьезным фактором, поскольку датчики биоэлектрических сигналов (например, электроэнцефалограмма «ЭЭГ», электрокардиограмма «ЭКГ») обычно чувствительны к гауссовскому и дробовому шуму. , которые могут быть вызваны электрическими помехами (например, линиями электропередач) и движениями пользователя (например, сокращением мышц, дыханием).
2. Энергоэффективность и вычислительная эффективность. Мобильные системы глубокого обучения традиционно переносят интенсивные вычисления на облачные серверы, что требует передачи конфиденциальных данных и предположения о доступном Интернете. Однако этот процесс загрузки данных сложен для многих сценариев здравоохранения из-за — (1) конфиденциальности: люди часто неохотно делятся медицинской информацией, поскольку считают ее очень конфиденциальной; и (2) доступность: домашний мониторинг в режиме реального времени больше всего необходим в средах с ограниченными ресурсами, где высокоскоростной доступ в Интернет может быть недоступен. Непосредственное развертывание нейронной сети на мобильном телефоне позволяет обойти эти проблемы. Однако из-за ограниченного объема вычислений и энергетического бюджета мобильных устройств эти модели должны быть быстрыми и экономичными в плане энергопотребления.

Как мы можем лучше диагностировать нарушения сна?

Мы разработали REST, первую платформу для разработки помехоустойчивых и эффективных нейронных сетей для домашнего мониторинга сна (рис. 1).

Надежные и эффективныенейронные сети для Sмониторингасна: путем интеграции новой комбинации трех методов обучения цели, REST наделяет модель устойчивостью к шуму за счет (1) состязательного обучения и (2) спектральной регуляризации; и повышает энергоэффективность и вычислительную эффективность, обеспечивая сжатие посредством (3) регуляризации разреженности (рис. 2).