失眠已經成為一項通病。
它難以治癒， 也很複雜， 因為研究起來就非常困難。
據美國疾病控制和預防中心的資料顯示， 三分之一的美國成年人通常睡眠不足。 該中心將健康睡眠定義為每天七小時以上。
通常會通過在患者身上佩戴胸帶、鼻探針和腦部電極等傳統感測器， 來對患者進行睡眠模式監測。 這些令人不舒服的方式本身就會導致失眠， 使得收集的資料不具有代表性。
為了給患者提供更好的睡眠， 麻省理工學院和麻省總醫院的研究人員正在研究使用AI和類似Wi-Fi的信號來監測病人， 而無需佩戴任何感測器。
麻省理工學院電氣工程與電腦科學教授兼校無線中心主任Dina Katabi表示：“我們對睡眠的瞭解還不夠深入， 因為我們無法持續監測睡眠狀況。 ”
該研究團隊成員包括Katabi、麻省總醫院睡眠醫學科負責人Matt Bianchi以及麻省理工學院電氣工程與電腦科學教授Tommi Jaakkola，
研究人員在臥室安裝了特殊的無線設備， 因此受監測人員可以在家中睡覺。 該設備收集從監測物件反射回來的信號， 並通過雲將資料發回給研究人員。
通過瞭解臥室內人員對射頻的影響方式， 並對脈搏、呼吸頻率和運動這些測量資料的分析， 研究人員可以確定不同的睡眠階段：輕度睡眠、深度睡眠、快速眼動或清醒狀態。
該研究採用一種被稱為“有條件的對抗性架構”（conditional adversarial architecture）的新型神經網路設計， 該架構會對射頻信號進行處理， 消除與睡眠無關的資訊， 並專注於與睡眠階段相關的重要資訊。 相較於以前只使用射頻信號對睡眠階段進行研究，
麻省理工學院的無線研究中心將預測精度提高到了近 80％， 而之前使用射頻方法的預測精度為 64％。
快速處理大量資料研究人員對25名人員在100個晚上的睡眠進行了研究， 每隔30秒進行一次睡眠標記， 並將用於訓練的資料與用於測試的資料互相分開。
其基於雲的服務可以遠端收集信號並運行演算法模型。 Katabi表示， 分析整夜睡眠只需幾秒鐘， 而且具有商業可行性。
“深度學習模型可以分析信號並明確分辨出人的睡眠階段。 ”她說道。
麻省理工學院的研究人員使用NVIDIA GPU進行模型訓練以及後端雲服務上的推理。 此外， 他們還使用了NVIDIA的cuDNN庫和TensorFlow深度學習框架。
研究意義睡眠階段的研究具有廣泛的應用價值。
睡眠階段是阿爾茨海默症研究的重要方面， 特別是對人們能否進入深度睡眠及其相關影響的研究。 對於帕金森症患者的研究也是如此。
Katabi指出：“睡眠對帕金森症患者來說是一個問題， 因為它會對疾病的發展產生影響。 睡眠問題也可能是帕金森症的早期徵兆。 ”
該項研究還將可以顯示睡眠呼吸暫停的情況， 症狀表現為呼吸在睡眠期間受阻。 此外， 通過觀察睡眠模式的變化， 醫生還可以監測心臟病患者和多發性硬化症患者。