Исследователи разработали модель искусственного интеллекта, которая способна отслеживать фазы сна по трем простым физиологическим показателям — частоте сердечных сокращений, уровню кислорода в крови и дыхательным движениям живота. Система определяет стадию сна посекундно и не требует использования датчиков мозговой активности, которые обычно применяются в клинических исследованиях сна.
Результаты работы опубликованы в Journal of Sleep Research. Авторы считают, что такой подход может сделать клинический мониторинг сна более удобным и доступным, в том числе для использования дома.
Точное определение переходов между бодрствованием, легким сном, глубоким сном и фазой быстрого сна важно для диагностики таких состояний, как бессонница и апноэ сна. Традиционно для этого используют полисомнографию: пациент проводит ночь в клинике, где к его телу подключают множество проводов и сенсоров. Одним из ключевых элементов такого обследования является электроэнцефалограмма, фиксирующая электрическую активность мозга с помощью электродов на коже головы.
Новый метод предложила группа под руководством Анхеля Серрано Аларкона из Ройтлингенского университета и Университета Севильи совместно с коллегами из HTWG Konstanz. Исследователи стремились создать автоматизированную систему, которая опирается только на сенсоры, пригодные для комфортного ношения в домашних условиях.
В отличие от многих предыдущих разработок, новая модель не использует сырые данные ЭЭГ. Кроме того, исследователи отказались от подхода, при котором вся ночь делится на фиксированные 30-секундные интервалы с присвоением одной стадии каждому отрезку. Такой способ может пропускать краткие пробуждения и мелкие нарушения сна внутри интервала. Вместо этого алгоритм выдает отдельный прогноз для каждой секунды сна.
Для обучения модели ученые использовали данные 855 участников исследования Sleep Heart Health Study. Из этой базы были взяты показания выбранных сенсоров и медицинские разметки, показывающие, каким фазам сна соответствуют эти сигналы. Затем модель проверили на независимом наборе данных из исследования Multi-Ethnic Study of Atherosclerosis, включавшем 931 человека.
В основе системы лежит архитектура глубокого обучения U-Net, изначально созданная для выделения и классификации объектов на изображениях. В этой работе ее адаптировали для анализа линейной восьмичасовой временной шкалы физиологических сигналов. Для настройки модели команда применила автоматизированную оптимизацию, которая перебирала тысячи математических конфигураций, чтобы найти наиболее точный вариант.
Алгоритм обучали в двух вариантах классификации: по полной пятиступенчатой клинической схеме и по сокращенной четырехступенчатой, где стадии N1 и N2 объединялись в категорию легкого сна. В четырехступенчатом варианте на основной выборке из 855 пациентов точность составила 71%. На независимых данных модель показала 66% точности. В пятиступенчатой классификации точность достигла 65% на исходной выборке и 68% на внешнем наборе данных.
Особенно хорошо система различала периоды бодрствования и фазу быстрого сна. При этом наиболее сложной для алгоритма оказалась стадия N1 — короткий переходный момент засыпания. Эта фаза занимает небольшую долю в медицинских данных, поэтому у модели меньше примеров для обучения. Также алгоритм иногда путал признаки легкого и глубокого сна.
Исследователи отмечают, что высокая временная детализация может помочь врачам замечать микронарушения сна, которые обычно теряются при усреднении данных по 30-секундным блокам. Посекундная шкала позволяет сопоставлять краткие пробуждения с другими физиологическими событиями, например с изолированными падениями уровня кислорода в крови.
У текущей версии системы остаются ограничения. Из-за вычислительных затрат модель пока анализирует строго восемь часов сна за один раз, хотя в реальности продолжительность сна у пациентов может существенно различаться. Кроме того, перед подачей данных в алгоритм применялась лишь минимальная фильтрация, поэтому в дальнейшем потребуется проверить, как система справляется с разрывами сигнала, резкими движениями тела и другими помехами.
Авторы работы считают, что дальнейшее развитие такой технологии может приблизить клинически значимую оценку сна к домашним условиям и сократить зависимость от громоздких лабораторных обследований.
