Nuovo metodo per tracciare le fasi del sonno usando deep learning

Il sonno è super importante per la salute di tutti. La gente passa circa un terzo della propria vita a dormire. Nonostante ciò, capire quanto bene dormono le persone al di fuori di ambienti controllati è complicato. I metodi attuali per monitorare il sonno, come i diari del sonno, si basano su quello che le persone dicono sul loro riposo. Purtroppo, questi diari spesso non corrispondono bene a misurazioni più precise fatte con dispositivi.

Il modo migliore per misurare il sonno è attraverso un processo chiamato polisonnografia, che analizza molti segnali legati al sonno. Tuttavia, questo metodo è costoso e complicato, rendendo difficile l'uso su larga scala. Come soluzione, i dispositivi indossabili al polso, come gli accelerometri, possono essere utilizzati più facilmente in studi di grandi dimensioni. Questi dispositivi sono portatili e non troppo ingombranti per gli utenti.

#Sfide nel Monitoraggio del Sonno

Anche se i dispositivi indossabili al polso sono popolari per monitorare il sonno, gli algoritmi usati per valutare le Fasi del Sonno sono spesso tenuti segreti e sono stati testati solo su un numero ristretto di persone. Questo rende difficile sapere quanto siano precisi questi dispositivi. La maggior parte dei metodi per classificare il sonno si basa su caratteristiche specifiche raccolte dai dati di movimento, che potrebbero non utilizzare tutte le informazioni disponibili. Pertanto, utilizzare metodi avanzati come il deep learning potrebbe essere utile.

Molti studi che hanno usato accelerometri si sono concentrati solo sul fatto che una persona fosse sveglia o addormentata, senza approfondire le diverse fasi del sonno. Per affrontare questo problema, è stato sviluppato un nuovo approccio per valutare meglio le fasi del sonno.

#Obiettivi dello Studio

Questo studio aveva tre obiettivi principali:

1. Creare e testare un nuovo metodo open-source usando il deep learning per determinare le fasi del sonno da accelerometri indossati al polso.
2. Validare questo nuovo metodo in base a parametri esistenti per la classificazione del sonno.
3. Esaminare come la durata e l'Efficienza del sonno misurate dai dispositivi si relazionano ai tassi di mortalità complessivi.

#Progetto dello Studio e Partecipanti

In questo studio, i ricercatori hanno collaborato con partecipanti di diverse località per creare e testare un modello chiamato SleepNet. Questo modello utilizza un tipo speciale di tecnica di deep learning per classificare le fasi del sonno in tre categorie: sveglio, movimento oculare rapido (REM) e sonno non movimento oculare rapido (NREM).

Il processo ha coinvolto tre fasi principali:

1. Estrazione delle Caratteristiche: Questa fase ha preso dati raccolti in situazioni libere senza etichette.
2. Sviluppo del Modello: In questa fase, il modello è stato sviluppato per classificare i dati nelle tre fasi del sonno.
3. Analisi della Salute: Infine, i ricercatori hanno analizzato come i parametri del sonno prevedevano risultati di salute.

#Pipeline di Sviluppo di SleepNet

1. Il primo passo ha coinvolto l'uso di un grande dataset dal UK Biobank, che includeva dati da molti partecipanti raccolti in diversi giorni. Questo dataset ha aiutato il modello ad apprendere caratteristiche importanti per valutare il sonno.
2. Dopo, il modello è stato affinato con una rete più dettagliata per addestrarlo usando dati di sonno accurati dalla polisonnografia.
3. L'ultimo passo ha coinvolto il deployment di questo modello sui dati del UK Biobank per indagare come i parametri del sonno misurati si relazionassero ai risultati sulla salute.

#Dispositivi Accelerometrici e Elaborazione dei Dati

Nello studio, sono stati usati tre diversi tipi di accelerometri per raccogliere dati: ActiGraph GT3X, Axivity AX3 e GENEActive Original. Questi dispositivi hanno dimostrato di poter misurare il movimento con precisione. I ricercatori si sono concentrati sui dati dal polso dominante per mantenere coerenza con studi precedenti.

I dati sono stati elaborati usando strumenti specifici che assicuravano che i dati di movimento grezzi fossero puliti e utili. I dati sono stati preparati organizzandoli in finestre di 30 secondi ed escludendo i periodi in cui il dispositivo non era indossato.

#Misurazione delle Fasi del Sonno

La polisonnografia è lo standard d'oro per misurare le fasi del sonno. In questo studio, i dati di sonno dai dispositivi sono stati allineati con i dati di sonno dalla polisonnografia. Questo ha permesso ai ricercatori di usare i dati della polisonnografia come base per addestrare il loro modello.

In totale, i ricercatori hanno usato un grande numero di dati sul sonno - oltre un milione di finestre di sonno - per addestrare il loro modello. Il modello ha imparato a differenziare tra le varie fasi del sonno in base ai dati raccolti.

#Deep Learning per Analizzare le Fasi del Sonno

Il modello SleepNet è stato sviluppato per classificare le fasi del sonno per ogni segmento di dati di 30 secondi. Ha tre componenti principali: un estrattore di caratteristiche, una rete che impara da sequenze di dati e strati che prevedono le fasi del sonno. Nel processo di addestramento, il modello ha usato sia le tre fasi del sonno sia le cinque fasi definite dalla polisonnografia.

I dati sono stati suddivisi per scopi di validazione. I ricercatori hanno confrontato le prestazioni di SleepNet con altri modelli che si basano su caratteristiche manuali.

#Validazione e Prestazioni

Per la validazione, hanno usato due gruppi di partecipanti diversi. Nella validazione interna, il modello ha mostrato una buona corrispondenza con i dati del sonno raccolti attraverso la polisonnografia. Nella validazione esterna, il modello ha performato leggermente peggio, ma ha comunque fornito spunti utili sulla classificazione del sonno.

I ricercatori hanno riportato come SleepNet ha performato nella classificazione delle fasi del sonno. Hanno utilizzato metriche specifiche che sono meno influenzate da dati sbilanciati per valutare l'efficacia del modello.

#Misurare il Sonno nel UK Biobank

I ricercatori hanno poi applicato il loro modello SleepNet per analizzare il sonno in un ampio gruppo di partecipanti del UK Biobank. Hanno stimato la durata e l'efficienza del sonno per circa 66.000 partecipanti. Sono state effettuate analisi descrittive per vedere come i parametri del sonno variavano in base a età, sesso, livello di attività fisica e altri fattori.

#Analisi delle Associazioni con la Salute

Per vedere come le misure del sonno si relazionavano agli esiti di salute, i ricercatori hanno esaminato le connessioni tra Durata del sonno, efficienza e rischio di mortalità per tutte le cause. Hanno analizzato un grande dataset e hanno scoperto che una durata del sonno più corta era associata a un rischio maggiore di morte.

Lo studio ha anche esplorato come l'efficienza e la durata del sonno interagissero con altri fattori, come l'indice di massa corporea (BMI) e le scelte di vita.

#Risultati

In un arco di tempo significativo, sono stati registrati oltre 1.600 decessi tra i partecipanti. Chi dormiva meno di sei ore aveva un rischio maggiore di mortalità, indipendentemente dall'efficienza del sonno. È emerso che man mano che l'efficienza del sonno migliorava, il rischio di morte diminuiva.

Tuttavia, dormire di più non sembrava aumentare il rischio di mortalità. I ricercatori hanno concluso che una breve durata del sonno, non una lunga durata, è collegata a un aumento della mortalità.

#Conclusione

Questo studio ha sviluppato e validato un metodo di deep learning utile per analizzare l'architettura del sonno usando dati da accelerometri indossati al polso. I risultati indicano che una durata del sonno più corta è associata a un rischio maggiore di morte, indipendentemente dall'efficienza del sonno.

L'approccio adottato qui offre un modo per valutare le caratteristiche del sonno su larga scala, il che potrebbe aiutare negli studi futuri. Questo metodo consente ai ricercatori di raccogliere informazioni più accurate sul sonno e i suoi effetti sulla salute, portando potenzialmente a migliori intuizioni sui disturbi del sonno e sul benessere generale.