Raconteur

Hace poco te contamos de un poderoso software capaz de modificar nuestros sueños a través de aromas y sonidos, pues bien lo cierto es que la tecnología basada en IA podría ayudar a mucho más. En este sentido un estudio determinó que el aprendizaje automático (Machine Learning) podría ayudar a mejorar el diagnóstico de los trastornos del sueño, lo mejor de todo es que no necesitarías una clínica del sueño, pues podrá implementarse en un smartwatch.

Investigadores del Instituto de Tecnología de Georgia, publicaron un estudio titulado “REST: Redes neuronales robustas y eficientes para la monitorización del sueño en la naturaleza”, donde combinan la precisión de la información que provee una clínica del sueño y los modelos de aprendizaje automático que permitirán rastrear las etapas y el comportamiento del sueño.

“Estamos construyendo un nuevo proceso para ayudar a entrenar modelos de aprendizaje automático que se utilizarán para el entorno del hogar y ayudar a abordar este y otros problemas relacionados con el sueño”, dijo Scott Freitas, Ph.D. de Machine Leargning de segundo año. estudiante y coautor principal de un artículo recientemente publicado.

Se trata de una solución informática, que de acuerdo con sus creadores es mucho más rápido y eficiente, además tiene la ventaja de ser portable por lo que podrá instalarse en un wearable con un reloj inteligente.

Los desarrolladores señalan que se enfocan en que el ruido ambiental no interfiera con las señales que emiten los sensores de sueño en un wearable. Para esto usaron un entrenamiento conocido como Tándem con regulación espectral, esto evita los sesgos de error de las redes neuronales ante señales o interferencias eléctricas.

Así lo explican los especialistas:

Demostramos que REST produce modelos altamente robustos y eficientes que superan sustancialmente a los modelos de tamaño completo originales en presencia de ruido.

Para la tarea de estadificación del sueño sobre electroencefalograma de un solo canal (EEG), el modelo REST logra una puntuación macro-F1 de 0,67 frente a 0,39 lograda por un modelo de última generación en presencia de ruido gaussiano, mientras se obtiene una reducción de parámetros de 19x y 15x de MFLOPS en dos grandes conjuntos de datos EEG del mundo real.

Es decir que el sistema podrá analizar incluso cuando las señales EEG pueden ser interrumpidas por las ondas emitidas por un TV u otro equipo eléctrico sin interferencia de estas.

Asimismo, este modelo de aprendizaje automático es capaz de optimizar el proceso de análisis de sueño, reduciendo el tiempo de compresión y análisis de datos, que al implementarlo en un dispositivo Android logra una reducción de energía significativa.

Al implementar estos modelos en una aplicación de Android en un teléfono inteligente, observamos cuantitativamente que REST permite a los modelos lograr una reducción de energía de hasta 17 veces y una inferencia 9 veces más rápida.

Aunque actualmente los científicos están haciendo pruebas al sistema implementando un equipo que se usa en la cabeza, el objetivo es integrarlo en wearables como smartwatch o pulseras inteligentes, también se encuentran trabajando en reducir la cantidad de sensores que regularmente se usan para rastrear el estado del sueño.

“La tecnología portátil solo monitorea la frecuencia cardíaca con un sensor. El único sensor es más ideal y cómodo, por lo que estamos buscando una manera de obtener más datos sin agregar más cables o sensores “, dijo Rahul Duggal otro de los autores del estudio.

Actualmente existen apps de salud para wearables como FitBit que se implementan en smartwatch con el fin de monitorear los latidos del corazón, estatus del sueño y otra información de salud sin tener que ir al médico, sin embargo, estos suelen compartir y manejar cualquier cantidad de datos adicionales, por lo que el desarrollo de esta nueva tecnología podría sin duda marcar un antes y un después en el ecosistema de wearables y apps de salud.