What Radio Waves Tell Us about Sleep

这种能力可以在家中评估睡眠、捕捉睡眠阶段并检测呼吸暂停（无需在身体上安装传感器），只需分析人们入睡时反射出的无线电波，非常强大。这种能力将允许在患者的家中进行长期数据收集，增进我们对睡眠及其与各种疾病及其治疗反应的相互作用的理解，无论是在临床试验还是日常护理中。在本文中，我们开发了一种先进的机器学习算法，用于从人们入睡时反射出的无线电波中被动监测睡眠和夜间呼吸。与黄金标准（即多导睡眠图）（n=849）进行比较的验证结果表明，该模型可以捕捉睡眠睡眠图（将30秒的时段分类为清醒、浅度睡眠、深度睡眠或快速动眼期，准确率为81%），检测睡眠呼吸暂停（AUROC=0.88），并测量患者的阻塞性睡眠呼吸暂停指数（ICC=0.95；95% CI=[0.93,0.97]）。值得注意的是，该模型在种族、性别和年龄方面表现出公平的性能。此外，该模型揭示了睡眠阶段和一系列疾病（包括神经、精神、心血管和免疫系统疾病）之间的信息交互。这些发现不仅有望用于临床实践和干预试验，而且强调了睡眠作为理解和管理各种疾病的基本组成部分的重要性。

论文旨在通过分析人体睡眠时反射的无线电波， passively monitoring sleep and nocturnal breathing，来解决在家中评估睡眠、捕获睡眠阶段和检测呼吸暂停的问题。

利用先进的机器学习算法，对无线电波进行分析，实现对睡眠和夜间呼吸的监测，并且与传统的多导睡眠监测技术（polysomnography）进行了验证。

实验结果表明该模型能够准确地捕捉睡眠阶段，检测呼吸暂停并测量患者的阻塞性睡眠呼吸暂停低通气指数（Apnea-Hypopnea Index）。模型的表现与种族、性别和年龄无关。此外，模型还发现了睡眠阶段与多种疾病之间的关联。

近期的相关研究包括：“Non-contact sleep monitoring using radio frequency signals”，“Sleep stage classification using unobtrusive body sensor networks”，“A review of contactless sensing methods for sleep monitoring”等。