Att få diagnosen sömnstörning eller bedöma sömnkvaliteten är ett ofta dyrt och knepigt förslag, involverar sömnkliniker där patienter är anslutna till sensorer och ledningar för övervakning.

Bärbara enheter, som Fitbit och Apple Watch, erbjuder mindre påträngande och mer kostnadseffektiv sömnövervakning, men avvägningen kan vara felaktig eller oprecis sömndata.

Forskare vid Georgia Institute of Technology arbetar för att kombinera sömnklinikernas noggrannhet med bekvämligheten med bärbar datoranvändning genom att utveckla modeller för maskininlärning, eller smarta algoritmer, som ger bättre sömnmätningsdata samt betydligt snabbare, mer energieffektiv programvara.

Teamet fokuserar på elektriskt omgivande buller som avges från enheter men som ofta inte hörs och kan störa sömnsensorer på en bärbar pryl. Lämna TV:n på natten och den elektriska signalen – inte inforeklamen i bakgrunden – kan störa din sömnspårare.

Dessa ytterligare elektriska signaler är problematiska för bärbara enheter som vanligtvis bara har en sensor för att mäta en enda biometrisk datapunkt, normalt puls. En enhet som plockar upp signaler från omgivande elektriskt brus snedvrider data och leder till potentiellt vilseledande resultat.

"Vi bygger en ny process för att hjälpa till att träna [maskininlärning]-modeller som ska användas för hemmiljön och hjälpa till att lösa detta och andra problem kring sömn, "sa Scott Freitas, en andra året maskininlärning Ph.D. student och medförfattare till ett nyutgivet papper.

Teamet använde kontradiktorisk utbildning tillsammans med spektral regularisering, en teknik som gör neurala nätverk mer robusta mot elektriska signaler i indata. Detta innebär att systemet noggrant kan bedöma sömnstadier även när en EEG-signal är skadad av ytterligare signaler som en TV eller tvättmaskin.

Med hjälp av maskininlärningsmetoder som sparsitetsregularisering, den nya modellen kan också komprimera den tid det tar att samla in och analysera data, samt öka energieffektiviteten för den bärbara enheten.

Forskarna testar med en produkt som bärs på huvudet men hoppas också kunna integrera den i smartklockor och armband. Resultaten skulle sedan överföras till en persons läkare för att analysera och ge en diagnos. Detta kan leda till färre läkarbesök, minska kostnaden, tid, och stress involverad i att få en sömnstörningsdiagnos.

En annan fråga som forskarna tittar på är att minska mängden sensorer som behövs för att exakt spåra sömn.

"När någon besöker en sömnklinik, de är anslutna till alla typer av bildskärmar och ledningar för att samla in data från hjärnaktivitet på EEG, hjärtfrekvens, och mer. Wearable tech övervakar endast hjärtfrekvensen med en sensor. Den ena sensorn är mer idealisk och bekväm, så vi letar efter ett sätt att få mer data utan att lägga till fler kablar eller sensorer, " sa Rahul Duggal, ett andra års datavetenskaplig doktorsexamen student och medledande författare.

Teamets arbete publiceras i tidningen "REST:Robust and Efficient Neural Networks for Sleep Monitoring in the Wild, "accepterad till International World Wide Web Conference (WWW), planerad att äga rum 20 till 24 april i Taipei, Taiwan.