用深度学习研究睡眠阶段，给患者提供更好的睡眠

失眠已经成为一项通病。

它难以治愈，也很复杂，因为研究起来就非常困难。

据美国疾病控制和预防中心的数据显示，三分之一的美国成年人通常睡眠不足。该中心将健康睡眠定义为每天七小时以上。

通常会通过在患者身上佩戴胸带、鼻探针和脑部电极等传统传感器，来对患者进行睡眠模式监测。这些令人不舒服的方式本身就会导致失眠，使得收集的数据不具有代表性。

为了给患者提供更好的睡眠，麻省理工学院和麻省总医院的研究人员正在研究使用AI和类似Wi-Fi的信号来监测病人，而无需佩戴任何传感器。

麻省理工学院电气工程与计算机科学教授兼校无线中心主任Dina Katabi表示：“我们对睡眠的了解还不够深入，因为我们无法持续监测睡眠状况。”

该研究团队成员包括Katabi、麻省总医院睡眠医学科负责人Matt Bianchi以及麻省理工学院电气工程与计算机科学教授Tommi Jaakkola，他们共同撰写了一篇论文来描述这项工作（LearningSleep Stages from Radio Signals: A Conditional Adversarial Architecture，该论文的作者还包括麻省理工学院研究生Mingmin Zhao和Shichao Yue）。

研究人员在卧室安装了特殊的无线设备，因此受监测人员可以在家中睡觉。该设备收集从监测对象反射回来的信号，并通过云将数据发回给研究人员。

通过了解卧室内人员对射频的影响方式，并对脉搏、呼吸频率和运动这些测量数据的分析，研究人员可以确定不同的睡眠阶段：轻度睡眠、深度睡眠、快速眼动或清醒状态。

该研究采用一种被称为“有条件的对抗性架构”（conditional adversarial architecture）的新型神经网络设计，该架构会对射频信号进行处理，消除与睡眠无关的信息，并专注于与睡眠阶段相关的重要信息。相较于以前只使用射频信号对睡眠阶段进行研究，这种新的神经网络可使研究人员实现更高的精度。

麻省理工学院的无线研究中心将预测精度提高到了近 80％，而之前使用射频方法的预测精度为 64％。

快速处理大量数据

研究人员对25名人员在100个晚上的睡眠进行了研究，每隔30秒进行一次睡眠标记，并将用于训练的数据与用于测试的数据互相分开。

其基于云的服务可以远程收集信号并运行算法模型。Katabi表示，分析整夜睡眠只需几秒钟，而且具有商业可行性。

“深度学习模型可以分析信号并明确分辨出人的睡眠阶段。”她说道。

麻省理工学院的研究人员使用NVIDIA GPU进行模型训练以及后端云服务上的推理。此外，他们还使用了NVIDIA的cuDNN库和TensorFlow深度学习框架。

研究意义

睡眠阶段的研究具有广泛的应用价值。这种睡眠阶段检测技术可用于监测诸如抑郁症等疾病，因为抑郁症患者会较早出现睡眠的REM（快速眼动）阶段。这也是制药商关注的一个领域。

睡眠阶段是阿尔茨海默症研究的重要方面，特别是对人们能否进入深度睡眠及其相关影响的研究。对于帕金森症患者的研究也是如此。

Katabi指出：“睡眠对帕金森症患者来说是一个问题，因为它会对疾病的发展产生影响。睡眠问题也可能是帕金森症的早期征兆。”

该项研究还将可以显示睡眠呼吸暂停的情况，症状表现为呼吸在睡眠期间受阻。此外，通过观察睡眠模式的变化，医生还可以监测心脏病患者和多发性硬化症患者。