Gần đây chúng tôi đã nói về phần mềm mạnh mẽ có thể sửa đổi giấc mơ của chúng tôi thông qua mùi và âm thanh, bởi vì sự thật là công nghệ dựa trên AI có thể giúp nhiều hơn nữa. Về vấn đề này, một nghiên cứu xác định rằng học máy có thể giúp cải thiện chẩn đoán rối loạn giấc ngủ, tốt nhất, bạn sẽ không cần một phòng khám về giấc ngủ, vì nó có thể được thực hiện trên một chiếc smartwatch.
Nhà nghiên cứu của Viện Công nghệ Georgia, công bố một nghiên cứu mang tên "REST: Mạng lưới thần kinh mạnh mẽ và hiệu quả để theo dõi giấc ngủ trong tự nhiên, nơi họ kết hợp độ chính xác của thông tin từ một phòng khám về giấc ngủ và các mô hình học máy cho phép theo dõi các giai đoạn và hành vi của giấc ngủ.
"Chúng tôi đang xây dựng một quy trình mới giúp đào tạo các mô hình học máy có thể được sử dụng cho môi trường gia đình và giúp giải quyết vấn đề này và các vấn đề khác liên quan đến giấc ngủ." Scott Freitas, tiến sĩ năm thứ hai học máy. sinh viên và đồng tác giả của một bài báo được xuất bản gần đây.
Đó là một giải pháp dữ liệu, theo các nhà sáng tạo, nhanh hơn và hiệu quả hơn, và cũng có lợi thế là có thể mang theo, do đó nó có thể được cài đặt trên một chiếc di động với đồng hồ thông minh.
Các nhà phát triển lưu ý rằng họ tập trung vào tiếng ồn xung quanh không can thiệp vào các tín hiệu được phát ra bởi cảm biến giấc ngủ trong máy tính xách tay. Đối với điều này, họ đã sử dụng một đào tạo, được gọi là song song với kiểm soát quang phổ. Điều này tránh sự thất bại của mạng lưới thần kinh khi chúng gặp phải tín hiệu điện hoặc nhiễu.
Đây là cách các chuyên gia giải thích nó:
Chúng tôi chứng minh rằng REST tạo ra các mô hình rất mạnh mẽ và hiệu quả, vượt trội hoàn toàn so với các mô hình gốc kích thước đầy đủ khi có tiếng ồn.
Đối với tác vụ phân chia giấc ngủ điện não đơn kênh (EEG), mô hình REST đạt được điểm F1-macro là 0, 67 so với 039 đạt được với một mô hình hiện đại với sự hiện diện của nhiễu Gaussian, trong khi thu được giảm MFLOPS 19x và 15x trong hai bộ dữ liệu EEG thực lớn.
Đó là nói sistema Bạn cũng sẽ có thể phân tích khi tín hiệu EEG có thể bị gián đoạn bởi sóng từ TV hoặc thiết bị điện khác mà không bị nhiễu.
Ngoài ra, mô hình học máy này có thể tối ưu hóa quá trình phân tích giấc ngủ, giảm thời gian nén và phân tích dữ liệu, khi được thực hiện trên thiết bị Android sẽ giảm được đáng kể năng lượng.
Bằng cách triển khai các mô hình này trong ứng dụng Android trên điện thoại thông minh, chúng tôi quan sát một cách định lượng rằng REST cho phép các mô hình đạt được mức giảm năng lượng và suy luận tới 17 lần 9 lần nhanh hơn.
Mặc dù các nhà nghiên cứu hiện đang thử nghiệm sistema Bằng cách thực hiện các thiết bị đeo trên đầu, mục tiêu là tích hợp nó vào quần áo đeo được như đồng hồ thông minh hoặc vòng đeo tay thông minh, chúng cũng hoạt động để giảm số lượng cảm biến thường được sử dụng để theo dõi trạng thái ngủ.
Công nghệ Portable Portable chỉ theo dõi nhịp tim bằng cảm biến. Cảm biến đơn là lý tưởng và thoải mái hơn, vì vậy chúng tôi đang tìm cách để có được nhiều dữ liệu hơn mà không cần thêm nhiều cáp hoặc cảm biến. " Rahul Duggal, một tác giả nghiên cứu khác, cho biết.
Hiện tại, có những ứng dụng sức khỏe dành cho thiết bị đeo như FitBit được triển khai trong smartwatch để theo dõi nhịp tim, trạng thái ngủ và các thông tin sức khỏe khác mà không cần phải đến bác sĩ, nhưng chúng thường chia sẻ và xử lý bất kỳ lượng dữ liệu bổ sung nào, vì vậy sự phát triển của công nghệ mới này chắc chắn có thể đánh dấu một trước và sau trong hệ sinh thái cho các ứng dụng di động và sức khỏe.
