|
诊断和监测睡眠障碍通常需要将电极和各种其他传感器连接到患者身上，而这有可能会进一步破坏睡眠质量。麻省理工学院（MIT）的研究人员研究了一种使用先进人工智能（artificial intelligence algorithm）算法来分析人身上的无线电信号并将这些测量转化为标识轻度，深度或者快速眼动（REM，Rapid Eye Movement）等睡眠阶段的设备。 据研究人员介绍，他们的愿景是开发将消失在背景中并能捕获生理信号和重要的健康指标的健康传感器，而且不要求用户以任何方式改变他们的行为。 该项目的首席研究员Dina Katabi及其在麻省理工学院计算机科学和人工智能实验室的小组成员以前已经开发了基于无线电信号的传感器，这种能够远程测量可作为健康指标的生命体征和行为。这种传感器组成的无线设备的尺寸大约有笔记本电脑那么大，涉及到发射低功率RF信号，随着无线电波从身体中反射出来，身体的任何轻微的活动都会改变反射波的频率。分析这些反射电波就可以揭示生命体征，如脉搏和呼吸频率等。 Katabi和她的学生也使用这种方法创建一个称为WiGait的传感器，可以使用无线信号测量步行速度，这可以帮助医生预测病人的认知衰退，跌倒，某些心脏或者肺部疾病或其他健康问题。 为了达到这个目标，研究人员不得不想出一种方法来将其脉搏，呼吸频率和运动的测量值转换成睡眠阶段。人工智能的最新进展使得有可能训练称为深层神经网络的计算机算法来提取和分析来自收集到的复杂数据集的信息，例如从研究人员的传感器获得的无线电信号中进行数据分析。然而，这些信号具有大量与睡眠无关的信息，并且可能使现有算法出现混淆。麻省理工学院的研究人员不得不提出一种基于深层神经网络的AI算法，消除了不相关的信息。他们的算法可以在不同的位置和不同的人身上使用，并且不需要任何校准。 研究人员使用这种方法对25名健康志愿者进行了测试，发现他们的技术准确度高达80％，这与基于EEG测量的睡眠专家确定的评分准确度相当。 而其他研究人员也试图使用无线电信号监测睡眠，但这些系统只有65％的时间准确度，而且主要是在确定一个人是清醒的还是睡着的，而不是在确定睡眠阶段。Katabi和她的同事能够通过训练他们的算法来改善这一点，该算法可以忽略从室内其他物体反射的无线信号而仅包括从睡眠者身上反射的数据信息。研究人员现在计划使用这项技术来研究帕金森病是如何影响睡眠的。传感器还可用于帮助更多地了解关于阿尔茨海默病所产生的睡眠变化以及睡眠障碍如失眠和睡眠呼吸暂停的信息。研究睡眠中发生的癫痫发作也很有用，而这种情况通常难以检测。 |
