Überwachung der Schlafqualität mit integriertem ML und dem Arduino Nano 33 BLE Sense
Überwachung der Schlafqualität mit integriertem ML und dem Arduino Nano 33 BLE Sense
Arduino-Team – 10. Januar 2023
Ein ausreichender, erholsamer Schlaf ist für die Aufrechterhaltung einer guten Gesundheit unerlässlich, da sich gezeigt hat, dass eine verminderte Schlafqualität eine Vielzahl von Problemen verursacht. Die Forscher Zongyan Yao und Xilin Liu von der University of Toronto erkannten diesen wichtigen Aspekt des Wohlbefindens und wollten ein kostengünstiges Gerät entwickeln, das die verschiedenen Schlafphasen klassifizieren und die daraus resultierenden Daten drahtlos melden kann.
Die klinische Schlafbewertung erfolgt durch Polysomnogramme, bei denen es sich im Wesentlichen um Messungen des Gehirns, des Herzens, der Atemwege und anderer physiologischer Merkmale handelt. Zongyan und Xilin entschieden sich aufgrund seines relativ schnellen Prozessors und verfügbaren Arbeitsspeichers für die Verwendung eines Arduino Nano 33 BLE Sense zur Klassifizierung von Einkanal-EEG-Werten mit einem leichten maschinellen Lernmodell. Die Trainingsdaten für das Modell stammen aus der umfangreichen Sleep-EDF-Datenbank, die mehrere Stunden Schlaftelemetrie enthält, einschließlich EEG, EOG, Luftstrom und Körpertemperatur, obwohl nur EEG-Daten gespeichert wurden.
Nach der Vorverarbeitung von Werten aus dem Datensatz zwischen 0,1 und 10 trainierte das Team ein benutzerdefiniertes 1D-Faltungsmodell, um jede Schlafphase vom Wachzustand bis zur schnellen Augenbewegung (REM) zu klassifizieren, was eine Genauigkeit von 77 %. Sie konnten diese Metrik durch fachspezifische Schulungen weiter steigern und weiter steigern. In Zukunft planen Zongyan und Xilin, ihr Projekt um einen EEG-Sensor weiter auszubauen, um ein breites Spektrum an Schlafforschung zu ermöglichen. Weitere Informationen finden Sie hier in ihrem Artikel.
Bildnachweis: Z. Yao et al.
Arduino-Team – 10. Januar 2023
Ein ausreichender, erholsamer Schlaf ist für die Aufrechterhaltung einer guten Gesundheit unerlässlich, da sich gezeigt hat, dass eine verminderte Schlafqualität eine Vielzahl von Problemen verursacht. Die Forscher Zongyan Yao und Xilin Liu von der University of Toronto erkannten diesen wichtigen Aspekt des Wohlbefindens und wollten ein kostengünstiges Gerät entwickeln, das die verschiedenen Schlafphasen klassifizieren und die daraus resultierenden Daten drahtlos melden kann.
Die klinische Schlafbewertung erfolgt durch Polysomnogramme, bei denen es sich im Wesentlichen um Messungen des Gehirns, des Herzens, der Atemwege und anderer physiologischer Merkmale handelt. Zongyan und Xilin entschieden sich aufgrund seines relativ schnellen Prozessors und verfügbaren Arbeitsspeichers für die Verwendung eines Arduino Nano 33 BLE Sense zur Klassifizierung von Einkanal-EEG-Werten mit einem leichten maschinellen Lernmodell. Die Trainingsdaten für das Modell stammen aus der umfangreichen Sleep-EDF-Datenbank, die mehrere Stunden Schlaftelemetrie enthält, einschließlich EEG, EOG, Luftstrom und Körpertemperatur, obwohl nur EEG-Daten gespeichert wurden.
Nach der Vorverarbeitung von Werten aus dem Datensatz zwischen 0,1 und 10 trainierte das Team ein benutzerdefiniertes 1D-Faltungsmodell, um jede Schlafphase vom Wachzustand bis zur schnellen Augenbewegung (REM) zu klassifizieren, was eine Genauigkeit von 77 %. Sie konnten diese Metrik durch fachspezifische Schulungen weiter steigern und weiter steigern. In Zukunft planen Zongyan und Xilin, ihr Projekt um einen EEG-Sensor weiter auszubauen, um ein breites Spektrum an Schlafforschung zu ermöglichen. Weitere Informationen finden Sie hier in ihrem Artikel.
Bildnachweis: Z. Yao et al.
What's Your Reaction?
