机器学习技术可帮助可穿戴设备更好地诊断睡眠障碍和质量

被诊断出患有睡眠障碍或评估睡眠质量通常是一项昂贵且棘手的提议，涉及睡眠诊所，在该诊所中，患者需要连接传感器和电线进行监视。Fitbit和Apple Watch等可穿戴设备提供较少的干扰性和更具成本效益的睡眠监控，但折衷方案可能是睡眠数据不准确或不准确。

佐治亚理工学院的研究人员正在通过开发机器学习模型或智能算法，将睡眠诊所的准确性与可穿戴计算的便利性相结合，以提供更好的睡眠测量数据以及更快，更节能的软件。

该团队专注于设备发出的环境电噪声，但通常听不到，并且会干扰可穿戴设备上的睡眠传感器。晚上将电视保持打开状态，电信号(而不是后台的电视广告)可能会与您的睡眠跟踪器发生混乱。

这些附加的电信号对于通常仅具有一个传感器来测量单个生物特征数据点(通常为心率)的可穿戴设备而言是成问题的。从环境电气噪声中拾取信号的设备会使数据偏斜，并导致潜在的误导性结果。

“我们正在建立一种新的过程，以帮助训练用于家庭环境的[机器学习]模型，并帮助解决睡眠方面的这一问题和其他问题，”第二年的机器学习博士Scott Freitas说。新出版论文的学生和共同主要作者。

该团队采用对抗训练与频谱正则化相结合，该技术可使神经网络对输入数据中的电信号更加鲁棒。这意味着，即使EEG信号被电视或洗衣机之类

使用稀疏正则化等机器学习方法，新模型还可以缩短收集和分析数据所需的时间，并提高可穿戴设备的能源效率。

研究人员正在对戴在头上的产品进行测试，但也希望将其集成到智能手表和手镯中。然后将结果传送给个人的医生进行分析并提供诊断。这可以减少去看医生的次数，减少接受睡眠障碍诊断所涉及的成本，时间和压力。

研究人员正在关注的另一个问题是减少准确跟踪睡眠所需的传感器数量。

“当某人去睡眠诊所时，他们会连接到各种监视器和电线以收集数据，包括脑电图上的脑电活动，心率等等。可穿戴式技术只能使用一个传感器来监测心率。一个传感器可以监测更多信息。理想且舒适，因此我们正在寻找一种无需添加更多电线或传感器即可获取更多数据的方法，”计算机科学二年级博士Rahul Duggal说道。学生和共同首席作者。

该小组的工作发表在论文“ REST：用于野外睡眠监测的鲁棒和高效神经网络”中，该论文参加了将于4月20日至24日在台湾台北举行的国际万维网会议(WWW)。