正文
Katabi和她在麻省理工学院计算机科学和人工智能实验室的成员们已经研发成功了一种基于辐射并且能够远程测量生命体征和行为健康指标的传感器。这些传感器由一种无线装置组成,大小类似于笔记本电脑,能够发出低功率的射频(RF)信号。
当无线电波反射身体时,身体的任何轻微运动都能改变反射波的频率。分析这些反射波可以揭示出诸如脉搏和呼吸频率等生命体征。
Katabi说,这是一个放在家中类似于WIFI的智能盒子,通过分析反射波中身体运动在射频信号上留下印记发现身体的所有变化。
Katabi和她的学生们也利用这种方法研发了一种名为“步态”的传感器,它可以通过无线信号来测量步行速度,这也能够为医生预测认知能力下降、摔倒、某些心脏或肺部疾病或其他健康问题提供帮助。在开发了这些传感器后,Katabi认为类似的方法也可以用于监测睡眠,该技术目前已在使用类似于脑电图(EEG)仪器检测患者一整夜睡眠的睡眠实验室中运用。
Mingmin Zhao说,这个机会非常好,因为我们不太了解睡眠,而且大部分人都有睡眠问题。我们有这样的一种技术,如果能让它付诸实践,就能把我们从每隔几个月在睡眠实验室里做一次睡眠研究的世界带到家中进行连续睡眠实验。
为了达到这一目标,研究人员必须想出一种方法,将他们测量的脉搏、呼吸率和运动状态转换到睡眠阶段中。
最近人工智能的发展使得计算机算法(被称为深度神经网络)能够从复杂的数据集中提取和分析信息
,例如从研究人员的传感器中获得的无线电信号。然而,这些信号中有很多与睡眠无关,并且可能会影响现有算法。基于此,麻省理工学院的研究人员不得不提出一种新型的基于深度神经网络的人工智能算法,这种算法可以消除非相关信息。
“周围的环境会给你的测量带来许多不需要的变化,而这种方法的新奇之处在于可以在保留睡眠信号的同时消除其他信号的干扰。”Jaakkola说
。他们的算法可以在不同地点运用不同的患者而不需要进行任何校准。
在对25名健康志愿者的测试中,研究人员发现他们的技术准确率约为80%,这与基于脑电图测量的睡眠专家所确定的准确率相当。Katabi说,我们的设备不仅可以移除安放在患者身上的所有传感器,而且可以让实验在家里做得更好,这也减轻了医生和睡眠技术专家的工作难度。他们不再需要检查数据并且手动贴标签。
其他研究人员试图利用无线电信号来监测睡眠,但这些系统的测定结果中只有65%的睡眠时间结果是准确的,而且它们主要用于确定一个人是否入睡,并不能判断所处的睡眠阶段。
Katabi和她的同事们可以通过训练算法来忽略房间里其他物体反射的无线信号,只获取来自睡眠被试者的数据。