På Oura strävar vi efter att ständigt höja ribban när det gäller exakthet. Idag börjar vi rulla ut vår nya sömnanalysalgoritm till våra medlemmar. Den här algoritmen är en av de mest exakta sömnanalysalgoritmerna som finns tillgängliga i en kroppsburen konsumentprodukt. Den har 79 % överensstämmelse med en polysomnografi (PSG) i ett sömnlabb, vilket är den högsta standarden för sömntestning, för klassificering av sömn i 4 stadier (vakenhet, lätt sömn, djupsömn och REM-sömn).
Forskningen och arbetet bakom den här algoritmen tog år att finslipa med hjälp av avancerade maskininlärningstekniker som tränats på en av de största sömndatauppsättningarna som någonsin samlats in.
| ”Den här algoritmen är en av de mest exakta sömnanalysalgoritmerna som finns tillgängliga i en kroppsburen konsumentprodukt och uppnår 79 % överensstämmelse med en polysomnografi (PSG) i ett sömnlabb.” |
”Den nya sömnanalysalgoritmen visar Ouras åtagande om exakthet och vetenskaplig validering som grundpelare i vår produkt. den visar även vår ständiga strävan att ge medlemmar möjligheten att ta kontroll över sin hälsa genom att leverera ingående, personliga hälsoinsikter”, säger Shyamal Patel, fil. dr, forskningsansvarig på Oura.
För att lära oss mer om det här projektet vände vi oss till medlemmar i Oura-teamets forskargrupp: Raphael Vallat, fil. dr, senior data scientist inom maskininlärning och tidigare sömnforskare vid University of California, Berkeley; Gerald Pho, fil. dr, senior data scientist inom maskininlärning; och Xi Zhang, fil. dr, ansvarig för hälsoavkänning.
Nedan berättar forskarna om vad som gör den nya sömnanalysalgoritmen unik, vad medlemmar behöver känna till och vilka utmaningar och framgångar som uppstått längs vägen.
LÄS MER: Hur spårar Oura min sömn?
Nyheter
Även om den nya sömnanalysalgoritmen är mer exakt än någonsin kan du vara trygg med att den gamla sömnanalysalgoritmen redan var en av de bästa bland kroppsburna enheter. Den var dessutom oberoende validerad för sin exakthet.
Den nya algoritmen höjer dock ribban. Nu uppnår Oura Ring 79 % överensstämmelse jämfört med den högsta standarden för labbtester (PSG). Det är ett anmärkningsvärt resultat, med tanke på att oberoende studier har visat att överensstämmelsen mellan mänskliga experter som analyserar PSG-studier om sömnanalys i 4 stadier är ungefär 88 % och överensstämmelsen mellan bedömare för klassificering av sömn i 5 stadier är ungefär 83 %.
Dessutom har den nya sömnanalysalgoritmen högre känslighet, exakthet och specificitet i fråga om alla sömnstadier, från 74 % till 98 %. Även om andra studier har visat liknande resultat när det gäller att upptäcka ett visst sömnstadium brukar sådana förbättringar ofta gå ut över de andra stadierna (till exempel kan hög exakthet för att upptäcka djupsömn innebära sämre förmåga att upptäcka REM-sömn).
Det innebär att Ouras nya sömnanalysalgoritm bättre kan avgöra i vilket sömnstadium du är under natten. Ökad känslighet för sömnstadierna ökar inte bara exaktheten för dina sömnpoäng, utan också dina dagsformspoäng. Du får helt enkelt en bättre bild av hur redo din kropp är överlag för dagen.
LÄS MER: Din sömnpoäng i Oura
Skillnaden med Oura Mångfald i data
När du sover övervakar Oura Ring dina kroppssignaler, till exempel puls, rörelser och kroppstemperaturtrender, för att avgöra när du har somnat och i vilket sömnstadium du är. Det är möjligt eftersom varje sömnstadium (vakenhet, lätt sömn, REM-sömn och djupsömn) kännetecknas av distinkta biosignaler.
I arbetet med att utveckla den nya sömnanalysalgoritmen samlade vi in en av de största datauppsättningarna från kroppsburna sömnenheter för att träna en algoritm att bättre upptäcka dessa biosignaler och de tillhörande sömnstadierna hos en mer varierad population”, berättar Vallat. ”Den förbättrade exaktheten ger Oura-medlemmar bättre insikter i sina sömnmönster och sin allmänna hälsa.”
Utvecklingsprocessen har inneburit mer än två års omfattande forskning. ”Vi har aktivt byggt upp den här datauppsättningen som innehåller över 1 200 nätter av sömn med PSG- och Oura Ring-data från sömnlabb runt om i världen”, säger Vallat.
Resultaten från deras forskning publicerades i den vetenskapliga tidskriften Sensors. Artikeln ger en djupgående inblick i hur algoritmen fungerar och är offentligt tillgänglig så att alla som vill förstå de tekniska detaljerna i hur vår sömnalgoritm fungerar kan göra det – vilket visar Ouras åtagande om transparens.
”Till skillnad från tidigare datauppsättningar samlade vi in data från en varierad population med varierande sömnmönster och bakgrunder, till exempel personer med olika hudtoner, hälsotillstånd, åldrar och sömnstörningar.”
Med en heterogen datauppsättning kan vi vara säkra på att algoritmen har tränats på, och därför kommer att fungera bra för, ett brett spektrum av individer. En av våra värderingar på Oura är att sätta människan först, så det är ytterst viktigt att se till att vår algoritm fungerar bra för alla.
”Sedan studien publicerades 2021 har vi fortsatt att utöka våra databaser för utbildning och testning”, säger Vallat. ”Med en mer än dubbelt så stor datauppsättning har vi ökat mångfalden bland patienterna för att säkerställa hög exakthet för olika typer av populationer.”
Vanligtvis utvecklas sömnanalysalgoritmer med en begränsad mängd data (<100 nätter av sömn) som tas från en homogen grupp, till exempel friska unga universitetsstudenter. Det betyder att när algoritmen används av en bredare och mer varierad population blir den oundvikligen mindre exakt.
| ”Med en mer än dubbelt så stor datauppsättning har vi ökat mångfalden bland patienterna för att säkerställa hög exakthet för alla typer av populationer.” |
LÄS ÄVEN: Vad är en sömnstudie med polysomnografi (PSG)?
Om tidslinjen för utveckling
Vägen från forskning och utveckling till att skapa produkter av vetenskapliga algoritmer tar tid och innebär unika utmaningar.
”Vetenskap är tidskrävande”, säger Pho. ”Det kan ta flera år att genomföra ordentliga tester och valideringar, och vår nya algoritm är inget undantag. Vi ville säkerställa att forskningsversionen av algoritmen stämmer överens med den slutliga implementeringen i produkten, vilket innebär att vi måste se till att den fungerar som förväntat för vår mycket större och mer varierade medlemsbas.”
”Dessutom utvecklas algoritmen utanför ringen som en teoretisk algoritm även när forskningen är ’klar’, och den behöver sedan synkas med både hårdvaran och appen”, förklarar Zhang. ”Att översätta algoritmen till programvara har varit en omfattande process som inbegriper ändringar i ringens fasta programvara, app- och molnutveckling och mycket mer.”
”Eftersom den nya sömnanalysalgoritmen är avgörande och har många följdeffekter, exempelvis påverkar den totalpoängen för sömn och dagsform, behövde vi kalibrera den för att säkerställa bra kontinuitet överlag”, säger Pho. ”Därför släppte vi en betaversion i november 2022. Vi ville samla in miljontals nätters data från medlemmar med hjälp av samverkande algoritmer för kohesion.”
Under två års tid lyckades Ouras forskare och vetenskapsmän runt om i världen utvidga vår vetenskapliga kunskapsbas avsevärt, och arbetet fortsätter i och med att vi ständigt utökar datauppsättningen och uppdaterar algoritmen.
Vilka förändringar kan Oura-medlemmar se?
”När vi använde data från en mer varierande population märkte vi några viktiga förändringar baserat på ålder och pulsvariabilitet (HRV)”, förklarar Vallat.
Några förändringar som Oura-medlemmar kan se i sina sömnvärden:
- De flesta kommer att uppleva en ökad lätt sömn. Men du kan vara lugn, även om det kallas ”lätt sömn” ger det ändå fördelar för både hjärnan och kroppen. Läs mer om lätt sömn.
- Om du har högre HRV kan du se en minskning av vakentid och djupsömn, och en ökning av REM-sömn.
- Personer med lägre HRV kan få mindre REM-sömn och mer vakentid.
LÄS ÄVEN: Vad är det genomsnittliga HRV-värdet?
En blick framåt
Det är viktigt att vara medveten om att sömnforskningen utvecklas med tiden – och det gör även forskningen bakom Oura. ”Vårt mål är att leverera så exakta värden och insikter som möjligt med den vetenskap och teknik som finns tillgänglig idag”, säger Patel. ”I takt med att vetenskapen och tekniken utvecklas kommer vi att fortsätta utvecklas tillsammans med den för att flytta gränserna för vad som är möjligt med Oura.”
”Vi är stolta över att vara ett vetenskapsbaserat företag och kommer att fortsätta investera i forskning och utveckling för att ge Oura-medlemmar de mest avancerade funktionerna för hälsoavkänning”, säger Patel.
Om Ouras experter
Shyamal Patel, fil. dr, är vetenskapschef på Oura, där han leder en tvärvetenskaplig organisation som fokuserar på forskning och utveckling av algoritmer som omvandlar sensordata till exakta mätvärden för hälsa och välbefinnande. Shyamal har en fil.dr i elektroteknik med inriktning på signalbehandling och tillämpad maskininlärning från Northeastern University. Han genomförde sin doktorsavhandling på Harvard University och bor i Boston.
Gerald Pho, fil. dr, är senior data scientist inom maskininlärning på Oura. Han har en doktorsexamen i neurovetenskap och har sedan han började på Oura bidragit till utvecklingen och implementeringen av flera algoritmer, däribland den nya sömnstadieanalysalgoritmen, puls vid träning och Health Risk Management.
Raphael Vallat, fil. dr, är senior data scientist inom maskininlärning på Oura. Han har tidigare arbetat som sömnforskare på Center for Human Sleep Science vid University of California, Berkeley (professor Matt Walkers labb). Han har publicerat många artiklar om sömn och människors hälsa, och hans arbete har omnämnts i flera stora nyhetsmedier och poddar.
Xi Zhang, fil. dr, är chef för hälsoavkänning på Oura. Han leder ett globalt team av forskare som forskar i och utvecklar algoritmer för flera hälsoappar. Dr Zhang tog sin doktorsexamen vid University of Michigan och byggde världens första icke-invasiva trombolysrobot. Efter sin examen arbetade han först på Fitbit och sedan på Apple. På Fitbit ledde han ett internt startup-projekt och levererade också några viktiga funktioner kopplade till hjärthälsa, såsom pulsmätning dygnet runt och upptäckt av förmaksflimmer (godkänt av FDA). Han sitter också i redaktionen för tidskriften Ultrasound in Medicine and Biology, med fokus på ML/AI-appar.