Công nghệ nhận diện giai đoạn giấc ngủ hoạt động thế nào?

Cốt lõi của công nghệ nhận diện giai đoạn giấc ngủ là sự kết hợp giữa chuyển động cơ thể và tín hiệu tim, đặc biệt là nhịp tim và các biến thiên giữa những nhịp tim. Một số thiết bị còn bổ sung hô hấp, nhiệt độ da hoặc độ bão hòa oxy để tăng lượng dữ liệu đầu vào.

Quy trình có thể hình dung như sau:

Cảm biến → Tín hiệu sinh lý → Tiền xử lý → Trích xuất đặc trưng → Mô hình thuật toán → Ước tính giai đoạn ngủ

Thiết bị consumer thực sự đo những tín hiệu nào?

Khác với đa ký giấc ngủ (polysomnography – PSG) trong phòng xét nghiệm, thiết bị đeo thường không đo trực tiếp hoạt động điện của não bằng điện não đồ (EEG). Nó dựa vào những tín hiệu gián tiếp có liên quan đến sự thay đổi trạng thái sinh lý khi con người ngủ.

Chuyển động là tín hiệu nền tảng

Gia tốc kế và, ở một số thiết bị, cảm biến chuyển động khác ghi nhận mức độ cử động của cổ tay hoặc cơ thể. Khi người dùng nằm yên trong thời gian dài, thuật toán có thêm bằng chứng cho thấy người đó đang ngủ thay vì thức.

Tuy nhiên, nằm yên không đồng nghĩa với một giai đoạn ngủ cụ thể. Một người có thể ít cử động trong nhiều trạng thái khác nhau. Vì vậy, chuyển động thường hữu ích để phân biệt thức–ngủ và bổ trợ cho việc phân loại sâu hơn, thay vì tự nó xác định chính xác REM, N2 hay N3.

Tín hiệu tim bổ sung thông tin sinh lý

Cảm biến quang học PPG có thể theo dõi biến thiên thể tích máu ngoại vi để ước tính nhịp tim. Từ chuỗi nhịp tim, thuật toán có thể phân tích thêm các đặc trưng liên quan đến heart rate variability (HRV).

Trong khi ngủ, hoạt động của hệ thần kinh tự chủ thay đổi theo trạng thái. Vì vậy, hình thái của nhịp tim và các biến thiên của nó cung cấp thêm thông tin mà cảm biến chuyển động không có.

Đây chính là lý do công nghệ nhận diện giai đoạn giấc ngủ hiện đại thường không chỉ dựa vào “người dùng có cử động hay không”, mà kết hợp actigraphy với tín hiệu tim.

Thuật toán suy ra REM và NREM từ tín hiệu như thế nào?

Điểm quan trọng nhất là thiết bị không thực hiện một phép đo đơn lẻ rồi kết luận “đây là REM”. Nó thường xử lý một chuỗi dữ liệu theo thời gian và tìm mẫu hình kết hợp.

Bước 1: Chia dữ liệu thành các khoảng thời gian

Dữ liệu cảm biến được xử lý thành các đoạn thời gian liên tiếp. Trong PSG tiêu chuẩn, việc chấm điểm giấc ngủ thường sử dụng các epoch 30 giây.

Mỗi đoạn được mô tả bằng nhiều đặc trưng, chẳng hạn:

·         Mức độ và kiểu chuyển động

·         Nhịp tim

·         Các đặc trưng HRV

·         Biến thiên tín hiệu PPG

·         Nhịp thở hoặc đặc trưng hô hấp nếu thiết bị có cảm biến phù hợp

·         Các tín hiệu sinh lý bổ sung nếu phần cứng hỗ trợ

Bước 2: Trích xuất đặc trưng

Thuật toán không nhất thiết sử dụng tín hiệu thô nguyên bản. Nó có thể chuyển chúng thành các đặc trưng có ý nghĩa hơn.

Ví dụ, thay vì chỉ biết “nhịp tim là X”, mô hình có thể quan tâm đến nhịp tim thay đổi ra sao trong một khoảng thời gian, mức biến thiên giữa các nhịp và mối quan hệ giữa biến thiên tim với chuyển động.

Bước 3: Mô hình học máy phân loại trạng thái

Các đặc trưng sau đó được đưa vào mô hình phân loại. Mô hình được huấn luyện trên dữ liệu mà trạng thái ngủ đã được chuyên gia chấm điểm bằng phương pháp tham chiếu, thường là PSG.

Vì vậy, mô hình học một quan hệ kiểu:

Mẫu tín hiệu quan sát được → xác suất thuộc trạng thái ngủ nhất định

Thay vì đo trực tiếp hoạt động não, thiết bị đang thực hiện một bài toán ước tính trạng thái tiềm ẩn từ các tín hiệu quan sát được.

Bước 4: Dùng ngữ cảnh trước và sau

Một epoch không nhất thiết được phân loại độc lập. Các mô hình có thể tận dụng diễn biến theo thời gian để tránh những chuyển trạng thái phi thực tế.

Ví dụ, nếu một chuỗi epoch trước và sau đều có đặc điểm nhất quán với một trạng thái, thông tin đó có thể giúp mô hình xử lý một đoạn tín hiệu nhiễu tốt hơn.

Vì sao kết hợp chuyển động và tín hiệu tim lại hữu ích?

Hai nhóm tín hiệu cung cấp những thông tin khác nhau.

Chuyển động cho biết cơ thể đang hoạt động đến mức nào. Đây là tín hiệu trực quan và tương đối hữu ích để nhận diện những khoảng thức rõ ràng hoặc giấc ngủ ít vận động.

Tín hiệu tim lại phản ánh một phần thay đổi của hệ thần kinh tự chủ. Những thay đổi này không nhất thiết tạo ra chuyển động rõ ràng nhưng vẫn có thể xuất hiện trong dữ liệu sinh lý.

Khi kết hợp hai nguồn, thuật toán có thể phân biệt những tình huống mà chỉ dùng một cảm biến sẽ khó xử lý. Chẳng hạn, hai khoảng thời gian đều rất ít chuyển động nhưng có đặc trưng tim khác nhau có thể được mô hình đánh giá khác nhau.

Đó là Information Gain quan trọng của phương pháp đa tín hiệu: không yêu cầu một cảm biến phải tự mình xác định toàn bộ trạng thái ngủ.

Một số thiết bị còn đưa thêm dữ liệu hô hấp, nhiệt độ da hoặc SpO₂ vào mô hình. Tuy nhiên, việc có thêm cảm biến không đồng nghĩa mọi thiết bị đều sử dụng chúng trực tiếp để phân loại giai đoạn ngủ; cách triển khai phụ thuộc phần cứng và thuật toán của từng hệ thống.

Giai đoạn ngủ được nhận diện khác nhau ở điểm nào?

Giấc ngủ thường được phân thành NREM và REM, trong đó NREM tiếp tục gồm N1, N2 và N3.

Trong PSG, việc xác định các giai đoạn này dựa nhiều vào EEG kết hợp với EOG và EMG. Thiết bị consumer thiếu phần đo trực tiếp này nên phải tìm các dấu hiệu gián tiếp.

N1

N1 là giai đoạn chuyển tiếp từ thức sang ngủ. Đây là trạng thái tương đối khó phân biệt chỉ bằng cảm biến cổ tay vì những thay đổi sinh lý có thể không đủ đặc trưng và người dùng có thể chuyển trạng thái khá nhanh.

N2

N2 thường chiếm một phần đáng kể của giấc ngủ ở người trưởng thành. Đối với thiết bị consumer, việc nhận diện N2 không phải là đọc trực tiếp các đặc điểm EEG đặc trưng của PSG mà là suy luận từ mẫu hình sinh lý và diễn biến giấc ngủ.

N3

N3 thường được gọi là giấc ngủ sâu. Trong PSG, đây là giai đoạn được xác định chủ yếu từ đặc điểm EEG. Thiết bị consumer không có cùng kênh đo EEG nên “deep sleep” trên ứng dụng phải được hiểu là ước tính của thuật toán, không phải phép đo EEG trực tiếp.

REM

REM có đặc điểm sinh lý khác biệt, bao gồm thay đổi trong hoạt động tự chủ và đặc trưng chuyển động mắt mà thiết bị cổ tay thông thường không trực tiếp đo được bằng EOG. Vì vậy, khi đồng hồ hiển thị REM, đó là kết quả suy luận từ các tín hiệu mà nó có khả năng thu nhận, kết hợp với mô hình đã được huấn luyện.

Vì sao kết quả từ đồng hồ thông minh không giống PSG?

Đây là giới hạn quan trọng nhất cần hiểu khi đọc báo cáo giấc ngủ từ thiết bị consumer.

PSG có thể đồng thời ghi EEG, EOG và EMG, nhờ đó chuyên gia có dữ liệu trực tiếp hơn để chấm điểm các epoch ngủ. Thiết bị consumer thường chỉ quan sát một tập tín hiệu nhỏ hơn và chủ yếu từ bên ngoài cơ thể.

Điều này tạo ra ba khác biệt.

Thứ nhất, thiết bị đang ước tính chứ không đo trực tiếp toàn bộ tiêu chí phân loại. Một trạng thái được ứng dụng gọi là “REM” không có nghĩa thiết bị đã ghi nhận trực tiếp tất cả đặc điểm điện sinh lý dùng để xác định REM trong PSG.

Thứ hai, độ chính xác không đồng đều giữa các trạng thái. Phân biệt một khoảng thức rõ ràng với một khoảng ngủ thường dễ hơn việc phân biệt các giai đoạn ngủ gần nhau về mặt hành vi hoặc sinh lý. Vì vậy, không nên mặc định mọi con số về thời lượng REM, N1, N2 hay N3 có cùng mức tin cậy.

Thứ ba, kết quả phụ thuộc vào người dùng và điều kiện đo. Vị trí đeo, độ tiếp xúc cảm biến, chuyển động bất thường, đặc điểm sinh lý cá nhân và chất lượng tín hiệu đều có thể ảnh hưởng đến đầu vào của thuật toán.

Do đó, báo cáo từ thiết bị consumer phù hợp hơn để theo dõi xu hướng theo thời gian khi sử dụng nhất quán, thay vì xem từng con số về từng giai đoạn là phép đo chẩn đoán độc lập.

Công nghệ nhận diện giai đoạn giấc ngủ nên được hiểu thế nào?

Cách hiểu chính xác nhất là xem thiết bị consumer như một hệ thống suy luận đa tín hiệu.

Nó bắt đầu bằng dữ liệu cảm biến, đặc biệt là chuyển động và tín hiệu tim. Sau đó, hệ thống trích xuất các đặc trưng theo thời gian, đưa chúng vào mô hình được huấn luyện từ dữ liệu tham chiếu và ước tính xác suất người dùng đang ở trạng thái thức, NREM hoặc REM.

Giá trị của công nghệ không nằm ở một cảm biến đơn lẻ mà ở mối quan hệ giữa nhiều tín hiệu và diễn biến của chúng theo thời gian.

Đồng thời, cần giữ một ranh giới rõ ràng: báo cáo “sleep stage” trên thiết bị consumer là ước tính bằng thuật toán, không tương đương với việc đo PSG trong môi trường lâm sàng. Vì vậy, dữ liệu có ý nghĩa nhất khi được dùng để quan sát xu hướng và thay đổi của giấc ngủ, trong khi những vấn đề cần đánh giá chuyên môn vẫn phải dựa trên phương pháp đo phù hợp.