Распознавание стадий сна по данным с носимых устройств

Распознавание стадий сна по данным с носимых устройств: методы, алгоритмы и практическое применение

Распознавание стадий сна (полисомнография, ПСГ) является ключевой задачей в изучении качества отдыха и диагностике его нарушений. Традиционно эта процедура проводится в клинических лабораториях сна с использованием стационарного оборудования, регистрирующего электроэнцефалограмму (ЭЭГ), электроокулограмму (ЭОГ), электромиограмму (ЭМГ) и другие физиологические сигналы. Однако развитие технологий носимых устройств (фитнес-трекеров, умных часов, специализированных патчей) открыло возможность непрерывного, долгосрочного и неинвазивного мониторинга сна в естественных условиях. Основная задача заключается в том, чтобы с помощью ограниченного набора датчиков (акселерометр, оптический пульсометр, иногда датчик температуры кожи и электродермальной активности) максимально точно аппроксимировать результаты клинической ПСГ.

Физиологические основы стадий сна

Сон человека является циклическим процессом, состоящим из двух основных фаз: сна с быстрыми движениями глаз (REM-сон, или БДГ-сон) и сна без быстрых движений глаз (NREM-сон). Фаза NREM, в свою очередь, подразделяется на три стадии (по классификации Американской академии медицины сна AASM, 2007): N1, N2 и N3. Стадия N3 также известна как медленноволновой сон (Slow-Wave Sleep, SWS) или глубокий сон.

• Бодрствование (Wake): Характеризуется высокой мышечной активностью, быстрыми движениями глаз и альфа-ритмом (8-13 Гц) на ЭЭГ при закрытых глазах.
• Стадия N1 (переход ко сну): Легкий сон, занимающий 5-10% от общего времени сна. На ЭЭГ снижается альфа-ритм, появляются тета-волны (4-7 Гц). Мышечный тонус начинает снижаться.
• Стадия N2 (легкий сон): Составляет около 50% времени сна. На ЭЭГ появляются специфические паттерны: «сонные веретена» (сигма-ритм, 12-16 Гц) и K-комплексы. Движения глаз прекращаются, частота сердечных сокращений (ЧСС) и температура тела снижаются.
• Стадия N3 (глубокий сон): Занимает 15-25% времени сна. Преобладают медленные дельта-волны (0.5-4 Гц) высокой амплитуды. Это фаза наиболее интенсивного физического восстановления. Мышечная активность минимальна, разбудить человека сложно.
• Стадия REM (сон с быстрыми движениями глаз): Составляет 20-25% времени сна. На ЭЭГ активность схожа с бодрствованием (низкоамплитудная, смешанная частота). Характерны быстрые движения глаз, полная атония скелетных мышц (за исключением диафрагмы), нерегулярное дыхание и ЧСС. Это фаза, наиболее связанная со сновидениями и когнитивной консолидацией памяти.

Цикл сна (N1 → N2 → N3 → N2 → REM) повторяется в среднем каждые 90-110 минут, причем продолжительность стадии N3 уменьшается к утру, а REM-сна — увеличивается.

Данные, собираемые носимые устройствами

Носимые устройства для отслеживания сна используют комбинацию датчиков, каждый из которых предоставляет косвенные признаки для определения стадий.

Тип датчика	Измеряемый параметр	Связь со стадиями сна	Ограничения
Акселерометр/Гироскоп	Движение тела и его ориентация (актиграфия).	Минимальные движения характерны для N3 и REM (при атонии). Периодические движения или смена позы чаще происходят в стадиях N1, N2 и при микропробуждениях. Основа для простейших алгоритмов «сон/бодрствование».	Не может надежно различать REM и N3 (оба состояния малоподвижны). Не регистрирует мозговую активность.
Оптический пульсометр (PPG)	Частота сердечных сокращений (ЧСС), вариабельность сердечного ритма (ВСР), иногда насыщение крови кислородом (SpO2).	ЧСС: Снижается при переходе от бодрствования к NREM, минимальна в N3, нерегулярна и повышена в REM. ВСР: Высокая парасимпатическая активность (высокий HF-компонент) в N3. Симпатическая активность и низкая ВСР в REM. Изменения тонуса ВНС — ключевой маркер для различения стадий.	Сигнал подвержен артефактам движения. Точность ВСР зависит от качества сигнала и частоты дискретизации.
Датчик температуры кожи	Периферическая температура кожи.	Температура кожи обычно повышается при засыпании и во время REM-сна и понижается во время NREM-сна из-за изменения вазодилатации, регулируемой вегетативной нервной системой.	На температуру сильно влияют условия окружающей среды и постельные принадлежности.
Датчик электродермальной активности (EDA)	Кожно-гальваническая реакция, связанная с активностью потовых желез.	Всплески активности (фазовые реакции) могут коррелировать с микропробуждениями, изменениями стадий или нарушениями дыхания (апноэ). Тонус (уровень) может меняться в зависимости от стадии.	Сигнал очень чувствителен к внешним факторам и эмоциональному состоянию.
Микрофон/Анализатор храпа	Звуковая среда, храп.	Помогает определить эпизоды обструктивного апноэ, которые часто связаны с микропробуждениями и фрагментацией сна. Может косвенно указывать на стадию (храп чаще в NREM).	Проблемы с конфиденциальностью. Шумы окружающей среды создают помехи.

Методы и алгоритмы машинного обучения для классификации стадий

Процесс распознавания стадий сна представляет собой задачу временной классификации последовательностей. Алгоритмы работают с эпохами — короткими отрезками данных, обычно длительностью 30 секунд (как в клинической ПСГ).

1. Подготовка и извлечение признаков (Feature Engineering)

Из сырых сигналов (особенно актиграфии и PPG) извлекаются сотни статистических, спектральных и временных признаков за каждую эпоху:

• Актиграфия: Средняя амплитуда движения, дисперсия, количество пиков выше порога, энтропия сигнала.
• ЧСС и ВСР: Средняя ЧСС, стандартное отклонение интервалов RR (SDNN), мощность в низкочастотном (LF, 0.04-0.15 Гц) и высокочастотном (HF, 0.15-0.4 Гц) диапазонах, отношение LF/HF (индекс симпато-вагального баланса).
• Спектральные признаки PPG: Амплитуда пульсовой волны, ее производные, которые могут коррелировать с изменениями артериального давления, связанными со стадиями сна.

2. Классические алгоритмы машинного обучения

После извлечения признаков используются модели, обученные на размеченных данных (где стадии сна определены с помощью ПСГ).

• Случайный лес (Random Forest): Популярный метод, устойчивый к переобучению. Способен оценивать важность признаков, например, что ВСР и ее HF-компонент часто являются наиболее информативными для разделения REM и N3.
• Градиентный бустинг (XGBoost, LightGBM): Обеспечивают высокую точность, эффективно работают с табличными данными признаков.
• Скрытые марковские модели (HMM): Учитывают временную структуру сна (вероятность перехода из одной стадии в другую, например, из N3 в REM маловероятна, а из N2 в N3 или REM — вероятна). Часто используются как постобработка для сглаживания предсказаний классификатора.

3. Глубокое обучение и нейронные сети

Эти методы позволяют работать с сырыми или слабо обработанными сигналами, автоматически извлекая иерархические признаки.

• Сверточные нейронные сети (CNN): Анализируют одномерные сигналы (PPG, акселерометр) как временные ряды, выявляя локальные паттерны (например, форму пульсовой волны или паттерны движения).
• Рекуррентные нейронные сети (RNN), особенно с долгой краткосрочной памятью (LSTM): Учитывают долгосрочные временные зависимости между эпохами, что критически важно для моделирования цикличности сна.
• Архитектуры «гибридные» (CNN + LSTM): CNN извлекает признаки из короткого сегмента сигнала, а LSTM анализирует последовательность этих признаков во времени. Это современный стандарт для задач классификации стадий сна.
• Модели-трансформеры: Начинают применяться для анализа временных рядов сна благодаря механизму внимания, который позволяет модели «фокусироваться» на наиболее важных участках сигнала.

Оценка точности и вызовы

Точность алгоритмов оценивается путем сравнения с «золотым стандартом» — ручной разметкой эксперта по данным ПСГ. Основные метрики: точность (accuracy) по всем эпохам, а также F1-score для каждой стадии, особенно для REM и N3, которые сложнее всего определять.

Тип устройства/алгоритма	Ожидаемая точность (совпадение с ПСГ)	Основные проблемы
Простые актиграфы (только движение)	~60-75% (только сон/бодрствование, грубое различение легкого/глубокого сна)	Неразличение REM и бодрствования (оба состояния подвижны), высокая ошибка в определении глубокого сна.
Умные часы/браслеты с PPG и акселерометром (классические ML)	~70-85% (для 4-5 стадий: Wake, Light, Deep, REM)	Трудности с точным определением момента засыпания, микропробуждений. Точность REM-сна редко превышает 80% F1-score.
Специализированные устройства (EEG-повязки, патчи) + DL алгоритмы	До 85-90% и выше	Высокая стоимость, необходимость контакта с кожей головы/лица. Более инвазивны, чем браслет.

Ключевые вызовы:

• Индивидуальные вариации: Физиология сна сильно различается у разных людей (возраст, пол, наличие заболеваний). Алгоритм, обученный на общей популяции, может плохо работать для конкретного пользователя.
• Артефакты сигнала: Движения во сне, плохой контакт датчика с кожей, низкий заряд батареи ухудшают качество данных, особенно PPG.
• Недостаток размеченных данных: Создание датасетов с параллельной записью ПСГ и данных с носимых устройств — дорогой и трудоемкий процесс.
• Проблема «черного ящика»: Сложные модели глубокого обучения трудно интерпретировать, что ограничивает их использование в клинической практике.

Практическое применение и будущее развитие

Точное распознавание стадий сна на носимых устройствах открывает возможности для:

• Персонализированных рекомендаций: Умный будильник, который будит в фазу легкого сна в заданном временном окне; рекомендации по времени отхода ко сну.
• Долгосрочный мониторинг здоровья: Выявление тенденций к сокращению глубокого или REM-сна, что может быть ранним маркером неврологических, психических или сердечно-сосудистых заболеваний.
• Скрининг нарушений сна: Обнаружение признаков бессонницы, апноэ сна (по сочетанию падения SpO2, учащения ЧСС и микропробуждений), периодических движений конечностей.
• Исследования: Массовый сбор данных о сне в реальных условиях для эпидемиологических и научных исследований.

Будущие направления: Развитие многомодальных датчиков (например, радарных для бесконтактного мониторинга дыхания), федеративное обучение для улучшения моделей без передачи конфиденциальных данных, создание адаптивных алгоритмов, которые калибруются под конкретного пользователя за несколько ночей, интеграция с данными о активности и питании для комплексной оценки здоровья.

Часто задаваемые вопросы (FAQ)

Насколько точны показания стадий сна в фитнес-браслете по сравнению с клиникой?

Точность современных фитнес-браслетов и умных часов для различения стадий «бодрствование», «легкий сон», «глубокий сон» и «REM-сон» в среднем составляет 70-85% по сравнению с клинической полисомнографией. Наибольшая точность достигается в определении глубокого сна (N3), так как он имеет четкие признаки в виде минимального движения и низкого стабильного ЧСС. Наименьшая точность — у стадии REM, которую часто путают с легким сном (N1/N2) или бодрствованием из-за схожести паттернов движения и ЧСС. Устройства хорошо определяют общую структуру и цикличность сна, но их не следует использовать для постановки медицинских диагнозов.

Почему устройство иногда не показывает REM-сон или показывает его слишком мало?

Есть две основные причины: 1) Алгоритмическая ошибка: REM-сон, особенно короткие первые эпизоды, технически сложно отличить от бодрствования или легкого сна без данных ЭЭГ. Алгоритм может «пропускать» эти эпизоды. 2) Реальная физиология: Количество и распределение REM-сна зависят от многих факторов: стресс, употребление алкоголя или кофеина перед сном, депривация сна, прием некоторых лекарств. При недосыпе организм в первую очередь восстанавливает дефицит глубокого сна, «жертвуя» REM-фазой. Если такая картина наблюдается постоянно, это может быть поводом для консультации со специалистом.

Можно ли доверять данным о сне от носимого устройства для постановки диагноза?

Нет, данные с потребительских носимых устройств не являются диагностическими. Они предназначены для самоконтроля и отслеживания общих тенденций в качестве сна. Для постановки диагноза (например, апноэ сна, нарколепсия, расстройство поведения в фазе REM) требуется обязательное проведение клинической полисомнографии или других утвержденных медицинских тестов под наблюдением врача-сомнолога. Устройства могут служить полезным инструментом для скрининга и предоставления предварительной информации врачу.

Какие датчики в носимых устройствах наиболее важны для определения стадий сна?

Комбинация оптического пульсометра (PPG) и акселерометра является минимально необходимой и наиболее распространенной для более-менее точной классификации. Акселерометр хорошо отделяет периоды движения (бодрствование, микропробуждения) от неподвижного сна. PPG-сигнал, а именно производные от него параметры вариабельности сердечного ритма (ВСР), является ключевым для различения глубокого сна (высокий тонус парасимпатической системы) и REM-сна (повышенная симпатическая активность). Добавление датчика температуры кожи и электродермальной активности повышает точность, но увеличивает стоимость и энергопотребление устройства.

Как алгоритмы отличают просто лежание в кровати без сна от настоящего сна?

При неподвижном бодрствовании (например, чтение в кровати) акселерометр показывает отсутствие движений, аналогично глубокому сну. В этом случае решающую роль играет анализ сердечного ритма. В состоянии расслабленного бодрствования ВСР и ЧСС будут отличаться от паттернов, характерных для N2 или N3 сна (например, не будет наблюдаться прогрессирующего замедления и стабилизации ЧСС, характерных для перехода в глубокий сон, или появления периодических «всплесков», связанных с микропробуждениями). Современные алгоритмы анализируют комплекс признаков, а не только движение, что позволяет с определенной вероятностью определить момент засыпания.