Onderzoekers van de TU Eindhoven zijn er in geslaagd om een beter presterend algoritme te ontwikkelen om slaapstoornissen te monitoren. Het nieuwe algoritme kan met wearables, en op basis van deep learning, slaapgegevens van mensen met slaapstoornissen beter analyseren dan tot nu toe mogelijk. Het nieuwe algoritme zou gebruikt kunnen worden in wearables van verschillende fabrikanten, op voorwaarde dat de sensoren in de apparaten van voldoende hoge kwaliteit zijn.
Ongeveer één op de tien mensen in de wereld lijdt aan slapeloosheid. En dat is nog maar een van de vele slaapstoornissen. Goed slapen is bewezen belangrijk voor het functioneren van mensen en er wordt steeds meer gedegen onderzoek naar slaap- en waakpatronen gedaan. In een nieuwe studie, gepubliceerd in het tijdschrift Scientific Reports, hebben TU/e-onderzoekers, samen met collega's van het Centrum voor Slaapgeneeskunde Kempenhaeghe en Philips binnen e/MTIC, een betrouwbaarder en beter presterend algoritme ontwikkeld om slaapstoornissen te analyseren. "Als dokters zouden we graag meer inzicht hebben in slaappatronen over langere perioden, en dat is waar draagbare technologieën en geschikte algoritmen kunnen helpen”, legt hoogleraar Sebastiaan Overeem uit.
Consumentenwearables zijn onnauwkeurig
De eerste vraag die zich opdringt bij dit onderzoek is waarom dit eigenlijk nodig is. Er zijn ten slotte al best veel wearables voor consumenten die de slaapkwaliteit beoordelen, met name op basis van variaties in de hartslag. Denk hierbij onder meer aan de nieuwste Apple Watches die steeds meer gezondheidsfuncties kunnen meten incluis de tracking van je slaap. Of wat te denken van fitbit-wearables en de Google Pixel Watch, ook al apparaten die automatisch je slaap detecteren als je je apparaat in bed draagt.
Co-auteur van het onderzoeksrapport Merel van Gilst, universitair docent aan de TU/e vertelt op de website van de universiteit waarom nieuwe algoritmes desondanks nodig zijn, vooral voor toepassing in klinische settings. "De algoritmes in consumentenapparaten zijn getest op kleine groepen gezonde proefpersonen die geen slaapstoornis hebben. Bovendien beoordelen deze apparaten de slaap vaak over grote tijdsvensters om de batterij te sparen. Hierdoor gaan fijne details in de gegevens verloren. Tevens zijn de prestaties en nauwkeurigheid voor verschillende slaapstadia vrij laag."
Nieuwe algoritme sneller en beter
Tot nu toe gebruikten onderzoekers en artsen met name metingen van lichaamsbewegingen om inzicht te krijgen in de slaap- en waakpatronen van patiënten op de langere termijn. In het nieuwe onderzoek gooit het onderzoeksteam, onder leiding van Sebastiaan Overeem, hoogleraar aan de afdeling Electrical Engineering van de TU/e en somnoloog bij het Centrum voor Slaapgeneeskunde Kempenhaeghe in Heeze, het over een andere boeg.
Ze begonnen met het 'voeden' van een neuraal netwerk met de ruwe bewegings- en hartslaggegevens, samen met gouden standaard PSG-slaapgegevens. Vervolgens lieten ze het algoritme automatisch interessante kenmerken detecteren. Het was een aanpak die leidde tot een goed presterend algoritme dat minder rekenkracht en tijd nodig had dan eerder ontwikkelde algoritmes. Volgens de onderzoekers is het nu zelfs haalbaar om dit nieuwe algoritme te implementeren in apparaten en clouddiensten voor klinisch gebruik.
Deep learning
Om betrouwbare algoritmen te ontwikkelen voor medische toepassing, zijn honderden slaapopnames nodig die gemeten zijn met PSG, in combinatie met gegevens van draagbare apparaten. Deze gegevens komen van mensen van verschillende leeftijden en met allerlei slaapstoornissen. Bovendien moeten de opnames handmatig worden gemarkeerd door slaapexperts. Pas daarna kunnen de algoritmes op basis van deep learning worden gemaakt. "Als je een van deze stappen overslaat, zul je een inferieur algoritme produceren”, zegt Overeem. "Bij monitoren van slaapstoornissen is het zo dat de effectiviteit van de hardware zo goed is als de algoritmes waarmee de gegevens worden geanalyseerd."
Overeem ziet zonder meer een goede toekomst voor het nieuwe algoritme voor het monitoren van de slaap. "We kunnen nu beginnen met studies om echt te kijken naar wat deze technologieën opleveren voor de klinische praktijk. We zijn bijvoorbeeld bezig om slaappatronen op lange termijn te beoordelen bij patiënten met slapeloosheid, in een poging om de ernst en variabiliteit van de stoornis beter in te schatten en de behandeling verder op maat te maken."
