Az Oura elkötelezett termékei pontosságának folyamatos javítása mellett. A mai naptól az Oura-tagok rendelkezésére áll az új alvásfázis-azonosító algoritmus. Ez a viselhető eszközökben használtak közül az egyik legpontosabb alvásfázis-azonosító algoritmus, mivel 79%-os egyezést ér el az „iparági standardnak” számító poliszomnográfos (PSG) alváslaboratóriumi teszttel a négyfázisú alvásosztályozásban (ébrenlét, felületes alvás, mélyalvás és REM-alvás).
Az algoritmus tökéletesítése mögött több évnyi kutatás és kemény munka áll. Ehhez fejlett gépi tanulási technikákat is használtunk, melyeket a valaha volt egyik legnagyobb alvásadatbázison tanítottunk be.
| „Ez az egyik legpontosabb alvásfázis-azonosító algoritmus, amit valamilyen viselhető eszközben megtalálhatsz, és 79%-os egyezést ér el a poliszomnográfos (PSG) alváslaboratóriumi teszt eredményeivel.” |
„Az új alvásfázis-azonosító algoritmus is megmutatja, mennyire fontos nekünk a pontosság és a tudományos hitelesség, valamint, hogy állandóan azon dolgozunk, hogy részletes, személyre szabott Egészséginfókkal segíthessük az Oura-tagokat az egészségesebb élet felé vezető útjukon” – mondja Shyamal Patel, PhD, az Oura tudományos vezetője.
Hogy többet megtudhassunk erről a témáról, az Oura tudományos munkatársaihoz fordultunk: Raphael Vallat, PhD, Senior Machine Learning Data Scientist és a Kaliforniai Egyetem (Berkeley) korábbi alváskutatója; Gerald Pho, PhD, Senior Machine Learning Data Scientist; és Xi Zhang, PhD, a Health Sensing osztály vezetője.
Az alábbiakban ezek a szakemberek elmondják, miért különleges az új alvásfázis-azonosító algoritmus, mire érdemes odafigyelned Oura-tagként, és milyen kihívásokkal, illetve sikerekkel találkoztak a fejlesztés során.
TOVÁBBI INFORMÁCIÓK: Hogyan követi nyomon az Oura az alvásomat?
Mi változott?
Bár az új alvásfázis-azonosító algoritmus pontosabb, mint valaha, nyugodt lehetsz, a régi alvásfázis-azonosító algoritmus is az egyik legjobb volt a viselhető eszközök piacán és a pontosságát független szervek is igazolták.
Az új algoritmus viszont új szintre emeli a mércét. Jelenleg az Oura Ring 79%-os egyezést ér el az iparági standardnak számító PSG laboratóriumi tesztek eredményeivel. Ez kivételes eredmény, ha figyelembe vesszük, hogy független tanulmányok szerint az emberi szakértők pontossága a PSG vizsgálatok négyfázisú alvásosztályozásánál általában körülbelül 88%, míg az ötfázisos osztályozás esetén ez az arány körülbelül 83%.
Ezenkívül az új alvásfázis-azonosító algoritmus érzékenysége, pontossága és specifikussága minden alvásfázisban magasabb, 74% és 98% között mozog. Jóllehet más tanulmányok hasonló eredményeket mutattak egy-egy alvásfázis felismerésében, ez a jobb teljesítmény általában a többi fázis rovására ment (például, ha a mélyalvást jól érzékelték, akkor megtörtént, hogy a REM-alvás felismerése kevésbé pontos volt).
Ez azt jelenti, hogy az Oura új alvásfázis-azonosító algoritmusa még pontosabban fel tudja ismerni, melyik fázisban vagy az alvásod során. Az alvásfázisokkal szembeni megnövekedett érzékenység nemcsak az alvási pontszámod, hanem a készenléti pontszámod pontosságát is pozitívan befolyásolja, így ez jobban tükrözi, mennyire állsz készen az adott napra.
TOVÁBBI INFORMÁCIÓK: Az Oura alvási pontszámod
Az Oura erőssége: Az adatok sokfélesége
Alvás közben az Oura Ring figyeli a tested jelzéseit – például a pulzusodat, a mozgásodat és a testhőmérsékleted alakulását –, hogy megállapítsa, mikor aludtál el, és melyik alvásfázisban vagy. Ez azért lehetséges, mert minden alvásfázist (ébrenlét, felületes alvás, REM-alvás, és mélyalvás egyedi élettani jelek jellemeznek.
„Az új alvásfázis-azonosító algoritmus fejlesztéséhez összeállítottuk az egyik legnagyobb, viselhető alvásfigyelő eszközökből származó alvásadat-gyűjteményt, és ezen tanult az algoritmus, hogy pontosabban fel tudja ismerni az élettani jeleket és a hozzájuk tartozó alvásfázisokat egy sokszínűbb populációban” – meséli Vallat. „A pontosság javulása miatt jobb infókhoz juthatnak hozzá az Oura-tagok az alvási szokásaikat és az általános egészségi állapotukat illetően.”
A fejlesztési folyamat több mint két évnyi alapos kutatómunkával járt. „Mi magunk építettük fel ezt az adatbázist, ami több mint 1200 éjszakányi alvás adatait tartalmazza, PSG- és Oura Ring-adatokkal, amelyeket a világ különböző alváslaborjaiból gyűjtöttünk össze” – mondja Vallat.
Kutatásuk eredményeit egy szakértők által lektorált tudományos folyóiratban, a Sensorsban publikálták. A cikk részletesen bemutatja, hogyan működik az algoritmus, és nyilvánosan elérhető, hogy bárki, aki szeretné megérteni, hogyan működik az alvásfigyelő algoritmusunk technikai szempontból, megtehesse ezt – ezzel is bizonyítva az Oura elkötelezettségét az átláthatóság iránt.
„A korábbi adatkészletektől eltérően az általunk gyűjtött adatok egy sokféle háttérrel és változó alvási szokásokkal rendelkező, sokszínű populációból származtak: különböző bőrszínű, egészségi állapotú és életkorú emberektől, akik adott esetben különféle alvászavarokkal rendelkeztek.”
Ha az adatkészlet sokszínű, az azt jelenti, hogy az algoritmust sokféle emberi mintán tanították be, így sokkal többféle embernél fog jól is működni. Az Oura egyik értéke az emberközpontúság, ezért elkötelezettek vagyunk amellett, hogy az algoritmusunk mindenkinél jól működjön.
„A tanulmány 2021-es megjelenése óta folyamatosan bővítjük a képzési és teszt-adatbázisainkat” – mondja Vallat. „Az adatállomány több mint kétszeresére bővítésével növeltük a betegek sokszínűségét, hogy minden népességcsoportnál magas pontosságot érhessünk el.”
Általában az alvásfázis-azonosító algoritmusokat korlátozott mennyiségű adatra alapozva (<100 éjszaka alvás) fejlesztik, és ezek az adatok is gyakran homogén csoporttól, például egészséges, fiatal egyetemistáktól származnak. Ez azt jelenti, hogy amikor egy szélesebb és sokszínűbb közösség használja, az algoritmus kevésbé lesz pontos.
| „Az adatállomány több mint kétszeresére bővítésével növeltük a betegek sokszínűségét, hogy minden népességcsoportnál magas pontosságot érhessünk el.” |
KAPCSOLÓDÓ: Mi az a poliszomnográfos (PSG) alvásvizsgálat?
A fejlesztés ütemtervéről
A tudományos algoritmusok esetén a kutatás-fejlesztéstől a termékké alakításig vezető út időigényes, és egyedi kihívásokat tartogat.
„A tudomány időigényes” – mondja Pho. „A megfelelő tesztelés és validálás évekig is eltarthat, ez az új algoritmusunk esetén sem volt máshogy. Azt szerettük volna elérni, hogy az algoritmus kutatási verziója pontosan megegyezzen a végleges, termékben használt változattal – vagyis, hogy tényleg úgy működjön, ahogy elvárjuk, a sokkal nagyobb és sokszínűbb felhasználóbázisunkon is.”
„Ráadásul, ha tudományos szempontból már „kész” is vagyunk, még mindig csak egy elméleti algoritmusról van szó, ami még nincs benne a gyűrűben, még össze kell hangolni a hardverrel és az alkalmazással” – magyarázza Zhang. „Az algoritmus szoftverré alakítása hosszadalmas folyamat volt, módosítani kellett a gyűrű firmware-ét, az alkalmazást, a felhőbeli fejlesztést, és egyéb elemeket is.”
„Mivel az új alvásfázis-azonosító algoritmus egy kiemelten fontos alapelem, és számos területre hatással van – például az alvási pontszámra és a készenléti pontszámra –, ezért ilyen szempontból is kalibrálnunk kellett, hogy megőrizhessük az összhangot.” – mondja Pho. „Ezért adtuk ki a béta verziót 2022 novemberében. Több millió éjszakányi tagi adatot szerettünk volna összegyűjteni párhuzamosan futó algoritmusok segítségével, hogy egységes képet kapjunk.”
Két év alatt az Oura kutatói és tudósai jelentősen bővítették a tudományos ismereteinket, és a munka azóta is folytatódik, hiszen folyamatosan bővítjük az adatállományt és frissítjük az algoritmust.
Milyen változásokra számíthatsz Oura-tagként?
„Mivel egy változatosabb populáció adatait használtuk, észrevettünk néhány kulcsfontosságú változást az életkor és a pulzusvariabilitás (HRV) vonatkozásában” – magyarázza Vallat.
Az Oura-tagok a következő változásokat tapasztalhatják az alvási mutatóikat illetően:
- A legtöbben a felületes alvás növekedését tapasztalják majd. De aggodalomra semmi ok: bár „felületes alvásnak” hívják, azért még jót tesz az agyadnak és a testednek is. Bővebben a felületes alvásról.
- Ha magasabb a HRV-d, akkor csökkenést tapasztalhatsz az ébrenléti idődben és a mélyalvásodban, miközben nőhet a REM-alvásod mennyisége.
- Az alacsonyabb HRV-vel rendelkezőknél csökkenhet a REM-alvás mennyisége, és nőhet az ébrenléti idő.
KAPCSOLÓDÓ: Mi az átlagos HRV?
Előretekintve
Fontos tudomásul venni, hogy az alvás tudománya folyamatosan fejlődik – és ennek megfelelően, idővel az Oura mögött álló tudomány is változik. „Célunk, hogy a jelenleg elérhető tudomány és technológia segítségével a lehető legpontosabb mutatókat és infókat biztosítsuk” – mondja Patel. „Ahogy a tudomány és a technológia fejlődik, mi is fejlődünk velük együtt, hogy az Oura mindig a lehető legtöbbet nyújthassa.”
„Büszkék vagyunk arra, hogy tudományra alapozott vállalkozás vagyunk, és folyamatosan befektetünk a kutatásba és fejlesztésbe, hogy az Oura-tagoknak a legfejlettebb egészségérzékelő funkciókat nyújthassuk” – mondja Patel.
Az Oura szakértői
Shyamal Patel, PhD, az Oura tudományos vezetője, aki egy interdiszciplináris csapatot irányít, melynek tagjai olyan algoritmusokat fejlesztenek és kutatnak, amik a szenzoradatokat pontos egészség- és jólléti mutatókká alakítják át. Shyamal a Northeastern University-n szerzett villamosmérnöki PhD-fokozatot, szakterülete a jelfeldolgozás és az alkalmazott gépi tanulás volt. Posztdoktori kutatásait a Harvard Egyetemen végezte, és Bostonban él.
Gerald Pho, PhD, Senior Machine Learning Data Scientist Az idegtudomány területén szerzett PhD-fokozatot, és amióta csatlakozott az Oura csapatához, több algoritmus fejlesztésében és bevezetésében is részt vett, például az új alvásfázis-azonosító algoritmus, az edzési pulzusszám és a Health Risk Management fejlesztésén és bevezetésén is dolgozott.
Raphael Vallat, PhD, Senior Machine Learning Data Scientist Korábban alváskutatóként dolgozott a Kaliforniai Egyetem Berkeley-i Humán Alvástudományi Központjában, Matt Walker professzor laborjában. Sokat publikált az alvás és az emberi egészség témájában, és a munkáit több nagyobb hírportálon és podcastben is bemutatták.
Xi Zhang, PhD, az Oura Health Sensing részlegének vezetője. Egy globális tudóscsapatot segít abban, hogy algoritmusokat kutassanak és fejlesszenek különböző egészségügyi alkalmazásokhoz. Dr. Zhang a Michigani Egyetemen szerezte a PhD-fokozatát, és ő építette meg a világ első, nem invazív trombolízis robotját. Először a Fitbitnél dolgozott, aztán az Apple-nél, miután befejezte a posztgraduális képzést. A Fitbitnél egy belső startupot vezetett, és néhány kulcsfontosságú, a szívegészséghez kapcsolódó funkciót is bevezetett, például a folyamatos pulzusmérést és a pitvarfibrilláció észlelését (FDA-jóváhagyással). Emellett az Ultrasound in Medicine and Biology folyóirat szerkesztőbizottságának is tagja, ahol az ML/AI-alkalmazásokra fókuszál.