Auto Byte

专注未来出行及智能汽车科技

微信扫一扫获取更多资讯

Science AI

关注人工智能与其他前沿技术、基础学科的交叉研究与融合发展

微信扫一扫获取更多资讯

魏启扬

未火先凉,智能睡眠监测管理平台为何自己先休眠

图片来源于网络

凌晨3:23,二胎妈妈肖女士因为身旁的小宝翻了个身被惊醒了。此时,窗外一片寂静,肖女士脑袋无比清醒。

凌晨4:04,在床上辗转了40多分钟后,肖女士打开了手机开始刷剧,她放弃了继续睡觉的打算。

清晨6:20,随着小宝的一声啼哭,肖女士放下手机,振作了一下精神,准备迎接新的一天。失眠了一晚的肖女士此时头胀欲裂,内心焦躁。

这是一个饱受失眠困扰的睡眠障碍者普通一晚的真实写照。相信大多数人都有过失眠的经历。如果你对用吃安眠药的方式来解决你的睡眠问题有顾忌,那么你放心将你的睡眠交给那些挂着智能标签的睡眠监测管理平台吗?

由失眠人群催生的生意

倒床就睡的人永远不会知道失眠的痛苦,也永远不会知道有多少人在经受着失眠的困扰。

根据世界卫生组织统计,全球睡眠障碍率达27%。中国睡眠研究会2016年公布的睡眠调查结果显示,中国成年人失眠发生率高达38.2%,超过3亿中国人有睡眠障碍,且这个数据仍在逐年攀升中。就像是在验证这个说法一样,中国睡眠研究会2017年的一项调查研究表明,目前我国内地成年人中失眠患病率高达57%,工作人群中有65%的人存在睡眠障碍。

每一个痛点都意味着一个商机,失眠的人群有多少,背后与睡眠相关的生意就有多大。有数据显示,2015年我国涉及改善睡眠产品行业细分市场为2114亿,预计到2020年,整体睡眠市场的产业规模将达到4000多亿元。在这个体量庞大的市场中,AI自然不能缺位,相比床上用品、医药保健产品、食品、图书音像制品这些助眠类的玩家,科技圈更多关注的是AI+睡眠监测。于是,像手环、手机APP、被动式传感监测仪等睡眠监测产品或睡眠监测平台在这个赛道中诞生了。

AI监测睡眠是忽悠还是科学?

“睡眠也能被监测?特别是用手机APP也能监测,怕不是骗人的吧?”很多失眠者初次接触智能监测睡眠产品时都会有所怀疑?那么这些号称装备了深度学习大数据分析等黑科技的智能监测睡眠产品到底是用怎样的方式监测睡眠?它们的科学依据在哪?

以智能相对论魏启扬个人来看,睡眠监测平台的监测模式可以分为三类:以智能手环为代表的可穿戴设备监测;以配置了监测传感器的床垫、枕头等为代表的非穿戴设备监测;以及充斥在智能手机中的手机APP监测。这三类监测模式的工作原理各具特色。

可穿戴设备监测

可穿戴睡眠监测设备一般用体动记录仪来记录动作,以身体活动和感觉灵敏度作为衡量指标。体动记录仪将用户睡眠时的姿势数据进行记录,通过AI计算来判断睡眠状态。深度睡眠的时候人的肌肉会松弛,肢体不会产生较大的运动,而浅睡眠的时候,人体会产生一定的轻微运动。

目前的体动记录仪基本都具备从3个方向轴进行记录数据。根据记录数据,分析软件通过计算可以分析出能量消耗和睡眠相关参数,包括觉醒时间、觉醒次数、睡眠效率等。

代表产品:小米手环、Apple Watch手表。

非穿戴设备监测

非穿戴监测睡眠设备一般都“变身”为智能床垫、智能枕头、智能床带、智能枕头别扣等。这些设备都内置了高灵敏度的传感器,它们可以记录用户的睡眠质量、心率、呼吸和打鼾情况。用户可以通过蓝牙连接手机APP,查看经过AI分析后的睡眠报告。同时,大部分非穿戴监测睡眠的智能设备还拥有可以播放助眠音乐,智能闹钟等功能,让用户在浅睡眠的情况下比较没有痛苦地醒来。

代表产品:Beddit、Earlysense、Withings、Sleepace等。

手机APP监测

根据对人类睡眠研究,人在深度睡眠的时候,身体的重量相对比较重,因此手机加速器计得的感应值就比较大。根据这一原理,手机APP监测睡眠是利用手机内部的加速度传感器和陀螺仪来监测用户在睡眠中的活动,从而用AI推算出深浅睡眠状态,分析睡眠质量,深度睡眠时间等。

代表产品:蜗牛睡眠APP、萤火虫睡眠APP、睡眠大师APP等。

智能睡眠监测还未火已休眠

上述三种睡眠监测模式好像都有各自的“独门秘籍”,都有各自的专长和优势,但在睡眠监测赛道中,这三种模式没有绝对的强者,相反,都是在“火”过一阵之后渐趋平静。智能睡眠监测管理平台在没有解决人类失眠问题之前为何自己就先“休眠”了呢?其原因有四。

首先,睡眠监测结果不准。

“明明整夜都在做梦,大脑一片混沌,可手机APP给出的睡眠报告还是显示昨晚的睡眠质量不错。”不少失眠者在使用过一些智能监控睡眠平台的产品后都会有这样的经历。“测不准”是各类睡眠监测平台的“通病”,主要因为睡眠模式的多样(深睡、潜睡、做梦)与判断方式和标准未形成一套通用的AI算法。

根据Sleep Shepherd的创始人兼总裁Michael Larson的说法,人工智能算法的问题在于当下大多数人工智能算法的核心是模式匹配。而在睡眠技术领域所存在的一个问题就是,算法中使用的模式是有缺陷的,它们无法很好地来描述睡眠状态。”当它的算法基础与运动传感器发生偏离的时候,AI就会存在缺陷,可能会给出不准确的数据。

其次,可穿戴设备本身就不利睡眠。

对于用可穿戴设备来监测睡眠的模式来说,其本身就是一个悖论。

原意想利用这些设备监测睡眠,可现实给它的回应——没人会戴上手表或者手环去睡觉。对于那些有裸睡嗜好的人群或者强迫症患者,这些可穿戴设备很可能成为他们失眠的原因。

此外,晚上戴手环或手表睡觉,手环和手表会卡紧手腕,如果长期压迫手腕动脉,容易引起手臂麻木,进而影响睡眠。受睡姿的影响,可穿戴设备采集的数据也存在很大的误差。这个模式注定只是为那些出于好奇的用户尝鲜使用,在睡眠监测赛道中从来就不是最优方案。

再次,用户担心辐射影响健康。

手机辐射对人健康到底有无伤害?关于这个问题,很多媒体从不同角度、不同方面做过多次科普,但仍然有人对此保持怀疑。在问卷星上有一份《关于手机和手机辐射了解的调查》,在这份调查报告中,有79.41%的受访者认为使用时间越长,手机辐射越大;仅有22.06%的受访者晚上会将手机放在枕边充电,55.88%的受访者表示会将手机放在卧室但不放在床边,甚至有14.71的受访者晚上会将手机放在书房。在国民教育程度偏高的德国,一项德国媒体对“手机辐射是否会对人体造成伤害”的调查中,也有55%的德国人相信手机辐射存在风险。

很多智能监控睡眠设备都是采用雷达、射频技术进行数据采集,如何打消用户对辐射的顾虑,智能监测睡眠管理平台要做的,可能并不仅仅只是对用户进行教育,毕竟对于一个睡觉都要关机的老人,说服他将手机放在枕边监测睡眠并不是一件容易的事情。

最后,只监测不干预要你何用?

“睡的好不好,我自己心里难道没数吗?”智能监测睡眠管理平台以用户睡眠痛点切入,但未能击中痛点。

失眠者收到的睡眠监测报告,仅仅只是一份报告。平台通过数据分析,用户的睡眠质量很差,用户自己也知道自己经常失眠。然后,就没有然后了。报告对于用户如何改善和解决自己的睡眠问题毫无帮助,几个来回之后,睡眠监测平台逐渐被用户弃用,慢慢进入 “休眠”。

AI监测睡眠如何完成跨越?

很显然,只做睡眠监测,商业变现途径有限,那么AI监测睡眠平台实现跨越的方式有哪些呢?

1、生命监测优先,睡眠监测靠后

就智能睡眠监测平台的目前发展来看,纯粹的睡眠监测不痛不痒,无法在根本上解决和干预用户的睡眠问题,有些鸡肋的感觉。

智能相对论认为与其提升采集数据的精确度、监测报告的准确性,睡眠监测平台首先要解决,如何及时唤醒睡眠时打呼或因喝酒过渡产生的呕吐物可能引发窒息的问题,解决肥胖患者不会在睡眠中猝死的问题。智能睡眠监测管理平台优先发展的方向应该是保护生命。

只有在死亡面前,人类才会真正的惧怕,这才是最痛的痛点。

2、不光要监测还要干预

由于单单只以睡眠监测作为切入点无法直接给用户带来良好的睡眠体验,解决睡眠问题,如果能够形成“睡眠监测+数据分析+医生干预+医生随访”的闭环,根据失眠患者的具体状况提供精准定制化的失眠解决方案,那才是失眠人群最迫切希望出现的智能监测睡眠平台运行模式。虽然目前市场上已经有类似产品出现,但还远远没有形成标志性的商业样板。

智能相对论认为,在改善睡眠方面,除了平台外的人工干预外,监测设备在用户睡眠中的及时介入也非常重要。比如环境噪音、室内温度会影响到用户睡眠时,监测设备对窗户、空调等进行控制来优化睡眠质量。如果想象力再丰富一些,帮助用户驱赶蚊子、调整随时可能引发坠床事故的睡姿等,都是智能睡眠监测平台未来可以做的事情。

3、夜间物联网的入口

其实对于智能监测睡眠平台来说,它更为远大的意义在于如何打开夜间物联网的入口。

类比于智能音箱,互联网的巨头们将其看作智能家居的入口和家庭人工智能交互的切入点,现今其中的竞争异常激烈。带给智能监测睡眠平台的思考是——如果白天的场景被智能音箱承包,那晚上由谁来接管?睡眠监测技术和当前爆火的智能语音技术有着极大的相似性:那就是技术本身无法直接带来价值,但以技术为轴衍生出来的场景应用却是前景无限。

最后,用乔布斯著名的广告语送给尚处混沌之中的智能监测睡眠平台:你可以赞扬他,你可以侮辱他,你说他什么都行,但有一点你不能做到,就是你不能忽视他。

智能相对论
智能相对论

深挖人工智能这口井,评出咸淡,讲出黑白,道出深浅。重点关注领域:AI+医疗、机器人、智能驾驶、AI+硬件、物联网、AI+金融、AI+安全、AR/VR、开发者以及芯片、算法、人机交互等。

专栏二维码
产业智能监测睡眠平台人机交互深度学习模式匹配智能家居物联网
相关数据
深度学习技术

深度学习(deep learning)是机器学习的分支,是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。 深度学习是机器学习中一种基于对数据进行表征学习的算法,至今已有数种深度学习框架,如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

数据分析技术

数据分析是一类统计方法,其主要特点是多维性和描述性。有些几何方法有助于揭示不同的数据之间存在的关系,并绘制出统计信息图,以更简洁的解释这些数据中包含的主要信息。其他一些用于收集数据,以便弄清哪些是同质的,从而更好地了解数据。 数据分析可以处理大量数据,并确定这些数据最有用的部分。

模式匹配技术

在计算机科学中,模式匹配就是检查特定序列的标记是否存在某种模式的组成部分。 与模式识别相比,匹配通常必须是精确的。 模式通常具有序列或树结构的形式。 模式匹配的使用包括输出令牌序列内的模式的位置(如果有的话),输出匹配模式的某个分量,以及用另一个令牌序列(即搜索和替换)替换匹配模式。

人工智能技术

在学术研究领域,人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体(intelligent agent)

参数技术

在数学和统计学裡,参数(英语:parameter)是使用通用变量来建立函数和变量之间关系(当这种关系很难用方程来阐述时)的一个数量。

噪音技术

噪音是一个随机误差或观测变量的方差。在拟合数据的过程中,我们常见的公式$y=f(x)+\epsilon$中$\epsilon$即为噪音。 数据通常包含噪音,错误,例外或不确定性,或者不完整。 错误和噪音可能会混淆数据挖掘过程,从而导致错误模式的衍生。去除噪音是数据挖掘(data mining)或知识发现(Knowledge Discovery in Database,KDD)的一个重要步骤。

大数据技术技术

大数据,又称为巨量资料,指的是传统数据处理应用软件不足以处理它们的大或复杂的数据集的术语。

推荐文章
暂无评论
暂无评论~