Искусственный интеллект научили точно распознавать стадии сна без "тяжёлой артиллерии" в виде датчиков на голове. Команда исследователей разработала модель глубокого обучения, которая определяет, что именно происходит со сном человека, опираясь всего на три физиологических показателя: частоту сердечных сокращений, уровень насыщения крови кислородом и движения живота, отражающие дыхание. Такой подход позволяет строить картину сна посекундно и при этом обходиться без инвазивного мониторинга мозговых волн - а значит, делает продвинутую диагностику потенциально более удобной и доступной для домашнего использования.
Сон - не пассивная "пауза", а активный биологический процесс, в котором организм проходит через несколько разных состояний. По мере засыпания и в течение ночи человек циклично перемещается между лёгкими стадиями, глубоким сном и фазой быстрого сна (REM). Эти этапы нужны не "для галочки": глубокий сон связан с физическим восстановлением, а REM и более поверхностные стадии участвуют в обработке информации и закреплении памяти. Поэтому точное понимание того, как и когда происходят переходы между стадиями, важно не только для науки, но и для медицины.
Клиническая оценка сна часто необходима при подозрении на бессонницу, апноэ сна и другие расстройства. Традиционным "золотым стандартом" остаётся полисомнография: человек проводит ночь в лаборатории, а специалисты подключают к телу множество проводов и датчиков. Центральное место в этой схеме занимает ЭЭГ - электроэнцефалография, которая считывает электрическую активность мозга через электроды на коже головы. ЭЭГ даёт очень точные данные, но сама процедура нередко мешает естественному сну, а лабораторный формат создаёт очереди и ограничивает доступность обследований.
Именно эту практическую проблему - неудобство и логистические ограничения - и пытались обойти авторы нового решения. Руководитель работы Анхель Серрано Аларкон (Reutlingen University и Universidad de Sevilla) вместе с коллегами из HTWG Konstanz нацелился на автоматизированный метод, который можно было бы применять с минимальным набором датчиков, пригодных для ношения в собственной постели, без сложной "шапочки" с электродами.
Ранее ИИ уже пытались использовать для автоматической разметки сна, но у таких подходов были заметные слабые места. Во‑первых, многие системы всё равно опирались на "сырые" мозговые сигналы и требовали те же неудобные датчики на коже головы. Во‑вторых, часть моделей, построенных на более простых измерениях, нередко создавали методом "проб и ошибок": инженерные решения получались непрозрачными, без понятных правил настройки, а значит - их сложнее воспроизвести и сравнить в последующих исследованиях.
Существовала и ещё одна принципиальная проблема - грубое деление ночи на отрезки времени. Большинство автоматизированных клинических систем режут данные на стандартные 30‑секундные "эпохи" и присваивают каждой из них одну стадию сна. Такой подход удобен для протоколов, но он может сгладить важные детали: короткие пробуждения, микропрерывания дыхания или мгновенные переходы между стадиями иногда укладываются в секунды, а не в полминуты.
Новая модель строится вокруг трёх маркеров, которые относительно легко снять без лаборатории: сатурации (насыщения крови кислородом), колебаний частоты сердечных сокращений и дыхательных движений живота. Эти сигналы можно собирать простыми носимыми устройствами - например, потребительскими "умными" кольцами или базовыми нагрудными ремнями, если они умеют фиксировать нужные параметры.
Для обучения исследователи использовали данные Sleep Heart Health Study, взяв записи по 855 участникам. Важная деталь: к физиологическим сигналам были привязаны официальные клинические разметки стадий сна - именно они выступили "эталоном", на котором алгоритм учился сопоставлять три измерения с тем, что врачебно считается бодрствованием, REM или одной из N‑стадий.
В качестве основы инженеры выбрали архитектуру U‑Net - тип модели глубокого обучения, который изначально создавали для выделения и классификации объектов на изображениях. В данном случае логику U‑Net адаптировали не к фотографии, а к линейной временной оси - условному восьмичасовому "коридору" сигналов организма. В результате сеть училась распознавать паттерны на последовательностях и выдавать классификацию по времени.
Чтобы избежать субъективной "ручной" настройки, команда применила автоматизированную процедуру подбора параметров. Программа перебрала тысячи математических конфигураций и выбрала наиболее точную. Такой формализованный путь важен не только для результата "здесь и сейчас": он задаёт воспроизводимую методику, благодаря которой другие разработчики смогут повторить настройку модели и честно сравнить её с альтернативами в будущих медицинских работах.
В клинической практике сон обычно делят на пять категорий: бодрствование, REM и три стадии медленного сна - N1, N2 и N3 (от более поверхностной к более глубокой). Авторы обучали систему работать как в полном пятистадийном варианте, так и в более компактной схеме из четырёх стадий, когда классификация делается укрупнённо. Такой подход даёт гибкость: в некоторых прикладных сценариях достаточно укрупнённой оценки, а где-то важна максимально детальная градация.
Отдельная ценность модели - попытка приблизиться к "высокому разрешению" анализа сна. Посекундная разметка потенциально позволяет заметить кратковременные события, которые в 30‑секундных окнах могли бы раствориться в усреднении. Для пациентов это может означать более точную картину фрагментации сна, а для врачей - дополнительный слой информации при интерпретации жалоб, особенно когда человек говорит: "Я просыпаюсь на секунды, но это повторяется всю ночь".
Практический смысл такого подхода выходит за рамки комфорта. Если стадирование сна можно достоверно получать без ЭЭГ и без ночи в лаборатории, диагностика становится потенциально масштабируемой: больше людей смогут пройти наблюдение, а повторные измерения (например, до и после лечения) могут стать проще. Для хронических проблем особенно важно наблюдать динамику, а не один единственный "снимок" ночи, сделанный в непривычной обстановке.
При этом домашний формат ставит новые вопросы к качеству данных. Носимые устройства могут смещаться, давать шум, по‑разному работать у людей с различными привычками сна. Поэтому дальнейшие исследования неизбежно будут упираться в проверку устойчивости модели: как она ведёт себя при нетипичном дыхании, при аритмиях, при низком качестве сигнала и в разных возрастных группах. Чем яснее будут описаны ограничения, тем безопаснее внедрение.
Есть и тема приватности: показатели сердечного ритма, кислорода и дыхания - это медицински значимая информация. Если подобные системы окажутся в бытовых гаджетах, пользователям понадобится понятный контроль над тем, где хранятся данные, кто получает к ним доступ и как долго они сохраняются. В медицине это не "опция", а часть доверия к технологии.
Ещё один важный момент - роль врача. Даже самая аккуратная автоматическая разметка стадий сна не равна диагнозу. Она может стать удобным инструментом скрининга и мониторинга, но интерпретация в контексте симптомов, сопутствующих заболеваний и лекарств остаётся задачей клинициста. На практике наиболее сильный эффект дают гибридные модели: ИИ берёт на себя рутинную обработку сигналов, а специалист - клинические выводы и решение о лечении.
В перспективе подобные модели могут стать основой для более персонализированного подхода к сну: например, отслеживать реакцию на изменение режима, терапию апноэ или работу со стрессом. Чем точнее и "дешевле" становится измерение сна, тем больше шансов перейти от разовых обследований к регулярному контролю - и быстрее замечать ухудшения до того, как они перерастут в серьёзную проблему.
В итоге исследователи показали, что для точного картирования сна не всегда требуется прямое считывание мозговых волн: информативные закономерности могут быть извлечены и из базовых физиологических сигналов. Комбинация трёх простых измерений, архитектуры U‑Net и строгой автоматизированной настройки приближает идею клинически значимого мониторинга сна к формату, который проще перенести из лаборатории в дом - без громоздких датчиков и с более детальной временной разметкой.
