Sydiagnostik kan optimeras ytterligare med hjälp av maskininlärning i bärbara datorer

Vi pratade nyligen om kraftfull programvara som kan modifiera våra drömmar genom lukt och ljud, för sanningen är att AI-baserad teknik kan hjälpa mycket mer. I detta avseende fastställde en studie att maskininlärning kan hjälpa till att förbättra diagnosen av sömnstörningar, i bästa fall behöver du inte en sömnklinik, eftersom det kan göras på en smartklocka. .

Georgia Institute of Technology forskare, publicerade en studie med titeln “REST: Kraftfullt och effektivt neurala nätverk för sömnspårning i det vilda, där de kombinerar noggrannheten av information från en sömnklinik och maskininlärningsmodeller som möjliggör spårning av sömnstadier och beteenden.

“Vi bygger en ny process som hjälper till att träna maskininlärningsmodeller som kan användas för hemmiljöer och hjälpa till med detta och andra sömnrelaterade problem.” Scott Freitas, andra året doktor i maskininlärning. student och medförfattare till en nyligen publicerad artikel.

Det är en datalösning som, enligt skaparna, är snabbare och effektivare, och som dessutom har fördelen att vara portabel, så den kan installeras på en mobil enhet med en smartklocka. .

Utvecklarna noterar att de fokuserar på omgivande brus som inte stör signalerna som sänds ut av sömnsensorn i den bärbara datorn. För detta använde de en träning, som kallas parallell spektralkontroll. Detta undviker fel i neurala nätverk när de stöter på elektriska signaler eller brus.

Så här förklarar experterna det:

Vi visar att REST producerar mycket kraftfulla och effektiva modeller som överträffar inbyggda modeller i full storlek i närvaro av brus.

För enkanalselektroencefalogram (EEG) sömnuppdelning uppnådde REST-modellen ett F1-makropoäng på 0,67 jämfört med 039 uppnått med en modern modell i närvaro av Gaussiskt brus, samtidigt som den erhöll 19x och 15x MFLOPS-reduktioner i två stora verkliga EEG-datauppsättningar.

Det vill säga systemet Du kommer också att kunna analysera när EEG-signalen kan avbrytas av vågor från en TV eller annan elektrisk apparat utan störningar.

Dessutom kan denna maskininlärningsmodell optimera sömnanalys, minska datakomprimering och analystid, när den implementeras på Android-enheter kommer den att avsevärt minska effekten.

Genom att implementera dessa modeller i en Android-app för smartphones, observerar vi kvantitativt att REST tillåter modeller att uppnå upp till 17 gånger 9 gånger snabbare effektminskning och slutledning.

Även om forskare för närvarande testar systemet genom att implementera huvudburna enheter, är målet att integrera det i bärbara kläder som smarta klockor eller smarta armband, de arbetar också för att minska antalet sensorer som vanligtvis används för att övervaka sömnstatus.

Bärbar teknik övervakar endast hjärtfrekvensen med hjälp av sensorn. En sensor är idealisk och bekvämare, så vi letar efter sätt att få mer data utan att lägga till fler kablar eller sensorer. “ Rahul Duggal, en annan studieförfattare, sa.

För närvarande finns det bärbara hälsoappar som FitBit implementerade i smartklockor för att övervaka hjärtfrekvens, sömnstatus och annan hälsoinformation utan att behöva besöka en läkare, men de delar och hanterar ofta vilken mängd ytterligare data som helst, så utvecklingen av denna nya teknik kan definitivt markera ett före och efter i ekosystemet för hälsa och mobilappar.