Comprehensive Analysis of Machine Learning Models for Five-Class Sleep Stage Classification Using PPG Signals

Il detective notturno: perché dobbiamo sapere come dormiamo

Immaginate che il vostro cervello sia una città frenetica che non si spegne mai veramente, anche quando chiudete gli occhi. Invece di oscurarsi, la città passa attraverso diversi distretti: un centro città movimentato dove siete completamente svegli, una biblioteca silenziosa dove vi state addormentando, un bunker sotterraneo profondo dove siete in un sonno pesante e ristoratore, e un parco divertimenti surreale pieno di sogni. Gli scienziati chiamano questi diversi distretti "fasi del sonno". Sapere esattamente in quale distretto si trova il vostro cervello è fondamentale perché, se la città rimane bloccata nella zona sbagliata — come restare nel centro città frenetico quando dovrebbe essere nel bunker profondo — ciò può portare a problemi di salute come disturbi cardiaci, diabete o semplicemente al sentirsi intontiti durante tutto il giorno.

Per molto tempo, l'unico modo per mappare questa città notturna è stato inviare un team di esperti con uno zaino enorme e aggrovigliato di cavi. Questo metodo "gold standard", chiamato Polisomnografia (PSG), prevede l'applicazione di elettrodi sulla testa, sugli occhi e sul mento per leggere le onde cerebrali e i movimenti muscolari. È incredibilmente accurato, ma è anche costoso, scomodo e richiede solitamente di dormire in un laboratorio, il che non è affatto un modo naturale per fare un pisolino.

Entra in scena la rivoluzione dei "dispositivi indossabili". Avrete probabilmente visto persone che indossano smartwatch che monitorano il battito cardiaco. Questi dispositivi utilizzano un sensore chiamato Fotopletismografia (PPG). Inve invece di leggere direttamente le onde cerebrali, il PPG emette una piccola luce nella pelle per osservare il polso del sangue a ogni battito cardiaco. L'idea è semplice: il cuore batte in modo diverso a seconda che siate svegli, stiate sognando o siate in un sonno profondo. Quindi, se riusciamo ad ascoltare il ritmo del cuore, possiamo indovinare in quale "distretto" della città del sonno vi trovate? Questa è la grande domanda a cui i ricercatori stanno cercando di rispondere, sperando di trasformare un semplice cinturino in un detective del sonno che funzioni direttamente nella vostra camera da letto.

La missione del documento: un semplice orologio può raccontare tutta la storia?

In questo studio, un team di ricercatori ha deciso di vedere se fosse possibile utilizzare questi sensori del battito cardiaco per risolvere la versione più difficile dell'enigma del sonno: distinguere tutte le cinque fasi distinte del sonno (Veglia, Sonno Leggero 1, Sonno Leggero 2, Sonno Profondo e REM/Sogno). Mentre molti studi precedenti cercavano di semplificare il problema raggruppando le fasi insieme (come dire "dimmi solo se sono sveglio o addormentato"), gli autori sapevano che fondere queste fasi fa perdere dettagli importanti sulla salute. Volevano vedere se un modello standard di machine learning potesse distinguere tutte e cinque le fasi, usando solo i dati cardiaci di un dispositivo indossabile, senza bisogno della pesante ed costosa attrezzatura per le onde cerebrali.

Per farlo, non hanno costruito un nuovo supercomputer; al contrario, hanno agito come maestri chef che utilizzano un set standard di ingredienti. Hanno preso i dati di 48 persone che avevano già dormito in un laboratorio con attrezzature di monitoraggio complete (quindi la risposta "corretta" era già nota). Hanno prelevato i segnali cardiaci (PPG) di queste persone e li hanno tagliati in blocchi da 3 minuti. Perché 3 minuti? Gli autori hanno ragionato sul fatto che, sebbene il sonno venga spesso misurato in segmenti di 30 secondi, alcuni indizi della frequenza cardiaca sono come stufati a cottura lenta; hanno bisogno di più tempo per sobbollire e rivelare il loro vero sapore. Hanno poi utilizzato questi blocchi per istruire diversi tipi di modelli informatici "tradizionali" — pensateli come diversi stili di detective, inclusi Random Forest, k-Nearest Neighbors e XGBoost — per riconoscere i pattern di ogni fase del sonno.

I ricercatori hanno testato due strategie principali: una in cui il computer guardava solo la forma del segnale cardiaco, e un'altra in cui guardava la forma più gli intervalli di tempo tra i battiti cardiaci (chiamati Inter-Beat Intervals o IBIs). È come cercare di identificare una canzone ascoltando solo la melodia rispetto all'ascoltare sia la melodia che il ritmo insieme.

Le scoperte: il ritmo del battito cardiaco vince

I risultati sono stati piuttosto promettenti, ma con alcune avvertenze. Lo studio ha scoperto che combinare la forma del segnale con gli intervalli ritmici (IBI) era l'ingrediente segreto. Quando i modelli utilizzavano entrambi i tipi di indizi, diventavano molto più bravi a indovinare le fasi del sonno.

La star dello spettacolo è stata il modello Random Forest. Immaginate un comitato di 100 diversi esperti, ognuno dei quali pone una domanda leggermente diversa sui dati, e poi vota sulla risposta. Questo approccio a "comitato" ha funzionato meglio, raggiungendo un'accuratezza del 72,2% e un punteggio chiamato Cohen's Kappa di 0,65. Ciò significa che il modello era corretto circa tre quarti delle volte, il che è una prestazione solida per un compito così difficile. Il modello k-Nearest Neighbors (che indovina basandosi su quali siano stati i blocchi di sonno più "vicini" o simili) è arrivato un molto vicino secondo con un'accuratezza del 71,6%.

Tuttavia, il documento avverte esplicitamente dove i detective hanno avuto difficoltà. I modelli erano bravi nel rilevare quando eravate svegli o in sonno profondo, ma avevano difficoltà a distinguere le fasi di "Sonno Leggero" (specificamente lo Stadio 2). È come cercare di distinguere tra due tonalità di blu quasi identiche; i segnali cardiaci per queste fasi sono così simili che anche i migliori modelli si sono confusi.

Gli autori hanno anche escluso esplicitamente l'idea che sia necessario un enorme e complesso supercomputer di "deep learning" per ottenere questi risultati. Hanno dimostrato che questi modelli più semplici e tradizionali potevano performare altrettanto bene delle sofisticate reti neurali trovate in altri studi, ma con il vantaggio aggiuntivo di essere più facili da comprendere e richiedere meno potenza di calcolo. Questo è un punto fondamentale perché suggerisce che il vostro prossimo smartwatch potrebbe essere in grado di eseguire questa analisi direttamente sul dispositivo, senza dover inviare i vostri dati a una gigantesca farm di server.

In sintesi

Quindi, cosa significa tutto questo? Lo studio suggerisce che non è necessariamente necessario costringerci a un letto d'ospedale per ottenere una mappa dettagliata del nostro sonno. Utilizzando un semplice sensore cardiaco e modelli informatici intelligenti e tradizionali, possiamo ottenere un quadro piuttosto preciso delle nostre fasi del sonno, incluse quelle più difficili. Sebbene il sistema non sia ancora perfetto — riesce ancora a confondersi con le fasi di sonno più leggero — dimostra che un dispositivo indossabile potrebbe un giorno fornirci un rapporto dettagliato, "a cinque stelle", sulla qualità del nostro sonno direttamente dal nostro polso. Gli autori concludono che questo approccio è un passo pratico e forte verso il rendere il monitoraggio del sonno accessibile e confortevole per tutti, anche se non è ancora la "soluzione magica" che risolve ogni mistero del sonno durante la notte.