Bij Oura zetten we ons in om de lat voor nauwkeurigheid steeds hoger te leggen. Vandaag beginnen we met het beschikbaar stellen van ons nieuwste algoritme voor slaapfasen aan onze leden. Dit algoritme is een van de meest nauwkeurige algoritmes voor slaapfasendie beschikbaar zijn in wearables voor consumenten. Het algoritme bereikt een overeenstemming van 79% met een polysomnografie (PSG), een slaaponderzoek volgens de gouden standaard, voor het classificeren van 4 slaapfasen (wakker, lichte slaap, diepe slaap en remslaap).
Het onderzoek en het werk dat aan dit algoritme ten grondslag ligt, heeft jaren geduurd om te perfectioneren. Hierbij is gebruikgemaakt van geavanceerde machine learning-technieken die zijn getraind op een van de grootste slaapdatasets die ooit zijn verzameld.
| “Dit algoritme is één van de meest nauwkeurige algoritmes voor slaapfasen die beschikbaar zijn in een wearable voor consumenten, met 79% overeenstemming met een polysomnografie (PSG) die in een slaaplaboratorium wordt gebruikt.” |
“Het nieuwe algoritme voor slaapfasen benadrukt Oura’s streven naar nauwkeurigheid en wetenschappelijke onderbouwing als basisprincipes van ons product, en onze voortdurende inzet om leden te ondersteunen op weg naar een gezonder leven door diepgaande, persoonlijke gezondheidsinzichten te bieden”, zegt Shyamal Patel, PhD, Head of Science bij Oura.
Om meer te weten te komen over dit project, hebben we gesproken met leden van het wetenschapsteam van Oura: Raphael Vallat, PhD, Senior Machine Learning Data Scientist en voormalig slaaponderzoeker aan de University of California, Berkeley; Gerald Pho, PhD, Senior Machine Learning Data Scientist; en Xi Zhang, PhD, Head of Health Sensing.
Hieronder delen de wetenschappers wat het nieuwe algoritme voor slaapfasen bijzonder maakt, wat je als lid moet weten en welke uitdagingen en successen ze tijdens het proces hebben gekend.
LEES VERDER: Hoe houdt Oura mijn slaap bij?
Wat is er nieuw?
Hoewel het nieuwe algoritme voor slaapfasen nauwkeuriger is dan ooit, kun je er zeker van zijn dat het oude algoritme al een van de beste was op het gebied van wearables en onafhankelijk gevalideerd was op nauwkeurigheid.
Het nieuwe algoritme legt de lat nog hoger. Nu behaalt de Oura Ring 79% overeenstemming in vergelijking met een polysomnografie (PSG), een slaaponderzoek volgens de gouden standaard. Dit is een opmerkelijke prestatie, zeker als je bedenkt dat onderzoeken onafhankelijk van elkaar hebben aangetoond dat de overeenstemming tussen menselijke experts die een PSG-onderzoek beoordelen volgens de classificatie van 4 slaapfasen ongeveer 88% is en tussen beoordelaars volgens de classificatie van 5 slaapfasen ongeveer 83% is.
Bovendien heeft het nieuwe algoritme voor slaapfasen een hogere gevoeligheid, nauwkeurigheid en specificiteit, variërend van 74% tot 98% voor alle slaapfasen. Hoewel andere onderzoeken vergelijkbare resultaten hebben opgeleverd voor het detecteren van een specifieke slaapfase, gaat deze verbeterde prestatie doorgaans ten koste van de andere fasen (bijvoorbeeld: een hoge nauwkeurigheid bij het detecteren van diepe slaap kan leiden tot een slechte nauwkeurigheid bij het detecteren van remslaap).
Dat betekent dat Oura’s nieuwe algoritme voor slaapfasen kan detecteren in welke slaapfase je gedurende de nacht zit. Verhoogde gevoeligheid voor alle slaapfasen verbetert niet alleen de nauwkeurigheid van je slaapscore, maar ook van je uitgerustheidsscore, waardoor je een beter beeld krijgt van hoe klaar je lichaam is voor de dag.
LEES VERDER: Je slaapscore van Oura
De unieke kracht van Oura: diversiteit in data
Terwijl je slaapt, meet de Oura Ring je lichaamssignalen, zoals je hartslag, beweging en trends in je lichaamstemperatuur, om te bepalen wanneer je in slaap valt en in welke slaapfase je zit. Dit is mogelijk omdat elke slaapfase (wakker, lichte slaap, remslaap en diepe slaap) wordt gekenmerkt door verschillende biologische signalen.
Om het nieuwe algoritme voor slaapfasen te ontwikkelen, hebben we een van de grootste datasets van slaap-wearables verzameld om een algoritme te trainen dat deze biologische signalen en de bijbehorende slaapfase beter detecteert bij een diversere groep mensen”, vertelt Vallat. “De verbeterde nauwkeurigheid zorgt er uiteindelijk voor dat je als Oura-lid beter inzicht krijgt in je slaapgewoonten en algehele gezondheid.”
Het ontwikkelingsproces bestond uit meer dan twee jaar uitgebreid onderzoek. “We hebben deze dataset, die meer dan 1200 nachten slaap bevat, actief opgebouwd met behulp van PSG- en Oura Ring-gegevens van slaaplaboratoria over de hele wereld”, zegt Vallat.
De resultaten van hun onderzoek werden gepubliceerd in het door vakgenoten getoetste wetenschappelijke tijdschrift Sensors. Het artikel geeft een diepgaand inzicht in hoe het algoritme werkt en is openbaar toegankelijk, zodat iedereen die de technische details van ons slaapalgoritme wil begrijpen, dat kan doen. Hiermee laat Oura zien dat het transparantie hoog in het vaandel heeft staan.
“In tegenstelling tot eerdere datasets, was de dataset die wij verzamelden afkomstig van een diverse populatie met uiteenlopende slaappatronen en achtergronden, bijvoorbeeld mensen met verschillende huidskleuren, gezondheidstoestanden, leeftijden en slaapstoornissen.”
Als je een heterogene dataset hebt, weet je zeker dat het algoritme getraind is op, en dus geschikt is voor, een brede groep mensen. Bij Oura staat de mens voorop, dus we zorgen ervoor dat ons algoritme voor iedereen goed presteert.
“Sinds het onderzoek in 2021 is gepubliceerd, hebben we onze trainings- en testdatabases verder uitgebreid”, aldus Vallat. “Met meer dan het dubbele aan data hebben we de diversiteit van patiënten vergroot, zodat we een hoge nauwkeurigheid voor alle bevolkingsgroepen garanderen.”
Meestal worden algoritmes voor slaapfasen ontwikkeld op basis van een beperkte hoeveelheid data (<100 nachten slaap) en zijn ze afkomstig van een homogene populatie, zoals gezonde jonge studenten. Dat betekent dat wanneer het algoritme door een bredere en meer diverse groep mensen wordt gebruikt, het onvermijdelijk minder nauwkeurig wordt.
| “Met meer dan het dubbele aan data hebben we de diversiteit van patiënten vergroot, zodat we een hoge nauwkeurigheid voor alle bevolkingsgroepen garanderen.” |
GERELATEERD: Wat is een polysomnografie (PSG)?
Over het ontwikkelingstraject
Het onderzoek, de ontwikkeling en het in de praktijk brengen van wetenschappelijke algoritmen kost tijd en brengt unieke uitdagingen met zich mee.
“Wetenschap is tijdrovend”, zegt Pho. “Het kan jaren duren voordat grondige tests en validatie zijn voltooid, en ons nieuwe algoritme vormt hierop geen uitzondering. We wilden er zeker van zijn dat de onderzoeksversie van het algoritme overeenkomt met de uiteindelijke implementatie in het product, wat betekent dat we ervoor moeten zorgen dat het naar verwachting werkt bij ons veel grotere en diversere ledenbestand.”
“Bovendien, zelfs als het wetenschappelijke gedeelte ‘klaar’ is, wordt het buiten de ring gebouwd als een theoretisch algoritme en moet het worden gesynchroniseerd met de hardware en de app”, legt Zhang uit. “Het omzetten van het algoritme naar software was een uitgebreid proces waarbij onder meer de firmware van de ring, de app en de cloudontwikkeling moesten worden aangepast.”
“Omdat het nieuwe algoritme voor slaapfasen fundamenteel is en veel gevolgen heeft, zoals invloed op de totale slaapscore en uitgerustheidsscore, moesten we aanpassingen doorvoeren om een goede algehele continuïteit te garanderen”, zegt Pho. “Daarom hebben we in november 2022 een bèta uitgebracht. We wilden miljoenen nachten aan gegevens van leden verzamelen met behulp van gelijktijdige algoritmen voor samenhang.”
Uiteindelijk hebben Oura-onderzoekers en wetenschappers van over de hele wereld onze wetenschappelijke kennis flink uitgebreid. En het werk gaat gewoon door, want we blijven de dataset aanvullen en het algoritme bijwerken.
Welke veranderingen kunnen Oura-leden zien?
“Toen we gegevens gebruikten van een diversere populatie, constateerden we enkele belangrijke veranderingen op basis van leeftijd en hartslagvariabiliteit (HRV)“, legt Vallat uit.
Veranderingen die Oura-leden mogelijk zien in hun slaapstatistieken zijn onder andere:
- De meesten zullen een toename van hun lichte slaap zien. Maar wees gerust: hoewel het ‘lichte slaap’ wordt genoemd, biedt het nog steeds voordelen voor je hersenen en lichaam. Meer informatie over lichte slaap.
- Als je een hogere HRV hebt, zie je misschien je tijd wakker en diepe slaap afnemen, en een toename in remslaap.
- Mensen met een lagere HRV zien mogelijk een afname van remslaap en een toename van tijd wakker.
GERELATEERD: Wat is de gemiddelde HRV?
Toekomstplannen
Het is belangrijk om te beseffen dat de wetenschap achter slaap zich in de loop van de tijd ontwikkelt, net als de wetenschap achter Oura. “Ons doel is om je de meest nauwkeurige statistieken en inzichten te geven die mogelijk zijn met de wetenschap en technologie die nu beschikbaar zijn”, zegt Patel. “Naarmate de wetenschap en technologie zich verder ontwikkelen, zullen wij ook blijven ontwikkelen om de grenzen van wat mogelijk is met Oura te verleggen.”
“We zijn er trots op een op wetenschap gebaseerd bedrijf te zijn en zullen blijven investeren in onderzoek en ontwikkeling om Oura-leden de meest geavanceerde mogelijkheden op het gebied van gezondheidsmonitoring te kunnen bieden”, aldus Patel.
Over de Oura-experts
Shyamal Patel, PhD, is Head of Science bij Oura, waar hij leidinggeeft aan een interdisciplinaire organisatie die zich bezighoudt met onderzoek en ontwikkeling van algoritmen waarmee gegevens van sensoren worden omgezet in nauwkeurige gezondheids- en welzijnsmetingen. Shyamal is gepromoveerd in de elektrotechniek met een specialisatie in signaalverwerking en toegepaste machinelearning aan Northeastern University. Hij heeft zijn postdoctoraal onderzoek afgerond aan Harvard University en woont in Boston.
Gerald Pho, PhD, is Senior Machine Learning Data Scientist bij Oura. Hij heeft een doctoraat in neurowetenschappen en heeft sinds hij bij Oura werkt bijgedragen aan de ontwikkeling en implementatie van verschillende algoritmen, waaronder het nieuwe algoritme voor slaapfasen, hartslag tijdens work-out en Health Risk Management.
Raphael Vallat, PhD, is Senior Machine Learning Data Scientist bij Oura. Hij was eerder werkzaam als slaaponderzoeker bij het Center for Human Sleep Science aan de University of California in Berkeley (het laboratorium van prof. Matt Walker). Hij heeft veel gepubliceerd over het onderwerp slaap en menselijke gezondheid, en zijn werk is in verschillende grote nieuwsmedia en podcasts aan bod gekomen.
Xi Zhang, PhD, is Head of Health Sensing bij Oura. Hij ondersteunt een wereldwijd team van wetenschappers bij het onderzoeken en ontwikkelen van algoritmen voor meerdere gezondheidsapplicaties. Dr. Zhang ontving zijn PhD van de University of Michigan en bouwde ’s werelds eerste niet-invasieve trombolyse-robot. Na zijn studie werkte hij eerst bij Fitbit en daarna bij Apple. Bij Fitbit gaf hij leiding aan een interne start-up en realiseerde hij ook een aantal belangrijke functies op het gebied van hartgezondheid, zoals continue hartslagmeting en detectie van boezemfibrilleren (goedgekeurd door de FDA). Hij is ook lid van de redactieraad van het tijdschrift Ultrasound in Medicine and Biology, dat zich richt op ML/AI-toepassingen.