A methodology for the assessment of sleep quality through a context-aware and adaptive evaluation

It is easy to disregard the impact sleep has on our daily life. General unawareness about sleep problems and disorders contribute to an epidemic of low sleep quality affecting most industrialized countries, with a dramatic toll taken on the health of individuals and the healthcare system at large. Most people affected by sleep disorders remain undiagnosed due to the costly practices and procedures needed to monitor and analyze sleep signals. Demand and need for accessible home-based diagnostic systems are extremely important problems to be met with the most advanced technologies available. Alongside the market of daily activity trackers, wearable sleep monitoring devices are another important market to be effectively tackled. Differently from how nowadays trained physicians are needed in order to position sensors on the patient’s body, the customer buying a wearable system would put in place the device autonomously and effortlessly. In addition to the sole recording and analysis of vital signals, environmental signals and perceived sleep quality have been considered as important information to be analyzed. In fact, sleep is highly influenced by both personal habits and preferences of a single user and the context in which a person rests. We developed an adaptive context-aware system for automatic evaluation of sleep quality able to assess the presence of a sleep disorder medical condition and inform both customers and doctors. Testing of the state-of-the-art Machine Learning algorithms on sleep data has been focused on the reconstruction of the distribution of different sleep stages across a night, and the automatic diagnosis of the obstructive sleep apnea (OSA) medical condition. The literature has shown the potential for the heart signal alone to reconstruct the distribution of sleep stages through a Heart Rate Variability (HRV) analysis. The innovation of this work is bringing together the different domains of HRV, which are most often analyzed separately. While automatic OSA diagnosis has shown significant accuracy, demonstrated potential of HRV analysis for sleep stage classification is still to be enhanced by the analysis of different vital signals.

È facile trascurare l’impatto che il sonno ha sulla nostra vita. Una generale inconsapevolezza riguardo problematiche e disturbi del sonno contribuiscono a una epidemia di sonno di scarsa qualità che colpisce molti paesi industrializzati, con drammatiche conseguenze sulla salute degli individui e sul sistema sanitario in generale. Molte persone affette da disturbi del sonno rimangono non diagnosticate a causa di costose pratiche e procedure necessarie per monitorare e analizzare i segnali del sonno. La richiesta e la necessità di sistemi accessibili per la diagnostica home-based sono problemi estremamente importanti da risolvere con le tecnologie più avanzate. Accanto al mercato dei tracker per le attività diurne, i dispositivi indossabili per il monitoraggio del sonno sono un altro importante mercato da soddisfare in maniera efficace. A differenza di come oggi siano necessari medici specializzati per posizionare i sensori sul corpo del paziente, il cliente che compra un sistema wearable dovrebbe poter sistemare un dispositivo autonomamente e senza fatica. In aggiunta alla sola registrazione e analisi dei segnali vitali, altre informazioni importanti da analizzare sono i segnali ambientali e la percezione soggettiva della qualità del sonno. Infatti, il sonno è altamente influenzato da personali abitudini e preferenze del singolo individuo e dal contesto in cui la persona dorme. Abbiamo sviluppato un sistema adattivo e consapevole del contesto per la valutazione automatica della qualità del sonno capace di rilevare la presenza di disturbi del sonno patologici e di informare sia l’utente sia il medico. Ci siamo focalizzati sul testing di algoritmi di Machine Learning all’avanguardia su dati sul sonno per la ricostruzione della distribuzione delle diverse fasi del sonno durante la notte, e la diagnosi automatica della patologia nota come apnea del sonno ostruttiva (OSA). La letteratura ha mostrato il potenziale del segnale del cuore per la ricostruzione della distribuzione delle fasi del sonno tramite l’analisi di Heart Rate Variability (HRV). L’innovazione di questo lavoro è mettere insieme i diversi domini di HRV, che spesso sono analizzati separatamente. Mentre la diagnosi automatica di OSA ha mostrato accuratezza significativa, il potenziale dell’analisi HRV per la classificazione delle fasi del sonno deve essere ancora potenziata dall’analisi di altri segnali vitali.