Door: Gerson Veenstra
Voor iemand die jarenlang serieuze slaapproblemen heeft gehad, is voldoende slaap krijgen altijd een beetje spannend. Ik hou daarom ook al heel lang mijn slaapdata bij, met behulp van mijn Apple Watch en de app AutoSleep. Daardoor ben ik me er ook heel erg van bewust dat het niet gaat om die ene nacht slechte of goede slaap, maar dat het om gemiddelden gaat. De app Sleep Cycle registreert slaapdata met geluid.
Volgens Mikael Kågebäck, CTO van Sleep Cycle, gaat dat verder dan alleen inzicht in slaap. Hij legt uit hoe het geluid van ademhaling, hoesten en andere signalen wordt gebruikt om patronen te herkennen met AI en grote hoeveelheden data.
Van ademhaling naar data
Sleep Cycle gebruikt audio via de telefoon die naast het bed ligt. Die registreert geluiden tijdens de nacht en verwerkt die lokaal. Op basis daarvan bepaalt de app onder meer slaapfases.
Kågebäck zegt dat ademhaling een belangrijk signaal is. "Je kunt horen dat iemands ademhaling regelmatiger wordt als die in slaap valt." Het model kijkt naar die regelmaat en berekent onder andere de ademhalingsfrequentie en hoe stabiel die is.
Het systeem herkent ook andere geluiden, zoals snurken, praten en hoesten. Die geluiden zijn gelabeld in datasets, zodat het model ze automatisch kan detecteren.
Met die aanpak bepaalt Sleep Cycle slaapfasen. Kågebäck zegt dat de prestaties vergelijkbaar zijn met wearables zoals de Apple Watch. "We hebben een vergelijkbare performance als Apple Watch."
Een kaart van hoestgedrag
Sleep Cycle verzamelde data van miljarden nachten. "We hebben nu 3,4 miljard nachten aan data." De app wordt wereldwijd gebruikt, waardoor er dagelijks veel audio beschikbaar is.
Die data gebruikt het team om hoestpatronen te analyseren. Dat gebeurt niet op individueel niveau maar per gebied. Kågebäck noemt dat een 'cough radar' (probeer vooral!). Per gebied wordt eerst bepaald wat een normale hoeveelheid hoesten is. Daarna vergelijkt het model actuele data met dat gemiddelde. Als het aantal hoestmomenten boven een grens komt, wordt dat zichtbaar op de kaart.
In Austin laat hij zien dat er in de zomer weinig wordt gehoest en in januari een duidelijke piek zichtbaar is. Hij koppelt die piek aan influenza. Door in te zoomen ontstaan meer lokale patronen met meerdere pieken.
Twee weken eerder zichtbaar
Sleep Cycle vergeleek deze hoestdata met cijfers over ziekenhuisopnames door influenza en COVID-19. Kågebäck zegt dat veranderingen in hoestgedrag eerder zichtbaar zijn in de data. "We beginnen die hoestsignalen ongeveer twee weken te zien voordat mensen in het ziekenhuis terechtkomen." Volgens hem is dat patroon zichtbaar in meerdere staten.
De data wordt dagelijks bijgewerkt. Kågebäck zegt dat het systeem bijna realtime inzicht geeft en dat het direct meetbare signalen gebruikt. "We meten daadwerkelijk het biologische fenomeen van hoesten."
Onderzoek en toepassingen
Kågebäck noemt samenwerkingen met onder meer de Britse gezondheidsdienst en onderzoeksinstellingen zoals Carnegie Mellon, Stanford en Berkeley, die de data gebruiken voor onderzoek.
Ook noemt hij onderzoek naar luchtvervuiling, waarbij hoestdata is vergeleken met vervuilingsniveaus in verschillende steden. Daarbij ziet het team dat meer vervuiling samenhangt met meer hoesten en dat dit effect sterker is in combinatie met influenza.
Aan het einde van zijn verhaal zegt hij dat het doel is om eerder signalen op te vangen. "De beste oplossing is natuurlijk als je die verspreiding stopt voordat je zelf ziek wordt."
De vraag die blijft hangen: wat kan er dan in de toekomst nog meer?
Verantwoording: dit verslag is een combinatie van zelf geschreven tekst en tekst van ChatGPT op basis van het transcript van de sessie. Hier kun je lezen hoe ik te werk ga.