Применение комплексной технологии мониторинга сна
Применение комплексной технологии мониторинга сна
Аннотация
В статье рассматриваются основные аспекты сна, его физиологические фазы, методы диагностики и роль современных технологий в мониторинге сна. Освещены как традиционные, так и инновационные подходы к изучению сна, включая использование носимых устройств и амбулаторных методов диагностики. Представлен комплексный обзор текущего состояния исследований в области сна, практических методов мониторинга физиологического состояния человека и микроклимата помещения в момент отхода ко сну и в период сна для обеспечения качественного пробуждения и бодрствования. Также рассматривается текущая работа по созданию программно-аппаратного комплекса для регистрации, накопления и анализа данных о состоянии организма.
1. Введение
Сон — один из фундаментальных биологических процессов, играющий ключевую роль в поддержании физического и психического здоровья человека
, . Современные исследования подтверждают, что качество и продолжительность сна существенно влияют на когнитивные функции, эмоциональное состояние, продуктивность и социальные взаимодействия. В статье рассмотрены основные аспекты сна, включая его фазы, методы диагностики, альтернативные подходы к организации сна и роль технологий в его анализе, с целью предоставить комплексный обзор текущего состояния исследований . В сомнологии существует понятие «норма качества сна». Национальный фонд сна США (2017) предлагает критерии, представленные в таблице 1.Таблица 1 - Нормы качества сна
Показатель | Норма | Допустимо для пожилых |
Латентность засыпания, минут | ≤ 15 | 31–60 |
Пробуждения (> 5 минут), раз/ночь | ≤ 2 | ≤ 3 |
Время бодрствования после сна, минут | ≤ 20 | 31–60 |
Дневной сон, минут | ≤ 20 | ≤ 100 |
Эксперты Американской академии медицины сна рекомендуют спать взрослым не менее 7 часов в сутки для поддержания оптимального здоровья и благополучия. Сон имеет сложную и хорошо регулируемую структуру, включающую две основные фазы: медленноволновой сон (NREM) и быстрый сон (REM)
. Эти фазы чередуются в течение ночи (см. рис. 1), формируя циклы продолжительностью примерно 90–120 минут, которые повторяются 4–6 раз за ночь в зависимости от индивидуальных особенностей.Фаза NREM, составляющая большую часть сна, подразделяется на три стадии: N1, N2 и N3. N1 — переходная стадия от бодрствования ко сну (около 5% времени сна). N2 занимает примерно 45–55% и характеризуется снижением чувствительности к внешним раздражителям. Стадия N3 представляет собой глубокий или дельта‑сон. Это наиболее восстановительная стадия (15–25% ночного сна), которая важна для физического восстановления и иммунитета
. Фаза REM начинается примерно через 90 минут после засыпания, отличается повышенной мозговой активностью, занимает около 20–25% сна и связана с обработкой эмоций, консолидацией памяти и сновидениями , .
Рисунок 1 - Циклы сна
Исследование базируется на комплексном подходе к изучению качества сна и включает следующие основные методы: полисомнография, физиологический мониторинг, экологический контроль, разработка программно-аппаратного комплекса, машинное обучение.
2. Постановка задачи
Нарушения фаз сна могут приводить к нарушению самочувствия, снижению когнитивных функций и повышению риска хронических заболеваний
, . Хронический недостаток сна связан с увеличением вероятности сердечно‑сосудистых заболеваний, метаболических нарушений (например, диабета) и психических расстройств, включая депрессию. Избыточный сон также может быть вредным и ассоциироваться с повышенным риском инсульта и ожирения . Полисомнография (ПСГ) остаётся «золотым стандартом» исследования сна. Она регистрирует электроэнцефалографию (ЭЭГ), движения глаз, тонус мышц, дыхание и другие параметры. Метод требует пребывания пациента в лаборатории, что может вызывать «эффект первой ночи» — искажение данных из‑за стресса. Для амбулаторного мониторинга используют, в частности, два метода. Первый — актиграфия (регистрация активности с помощью акселерометра). Актиграф — это специализированный прибор (обычно в виде наручных часов), предназначенный для непрерывной регистрации двигательной активности человека (прибор оснащен чувствительным датчиком движения — акселерометром), а актиграфия — метод исследования, основанный на использовании этого прибора для оценки циклов сна и бодрствования. Точность метода у здоровых людей составляет 89–98%, но снижается у пациентов с расстройствами сна. Второй — опросники, которые дают субъективную оценку и часто неточны: люди склонны завышать продолжительность сна примерно на 15–20 минут. В России продолжается разработка и внедрение цифровых методов коррекции нарушения сна , , . С развитием носимых устройств (умные часы, фитнес‑трекеры) появились новые возможности самостоятельного анализа сна. Эти устройства регистрируют движения, пульс и освещённость, позволяя оценивать фазы сна и периоды бодрствования . Однако алгоритмы трекеров имеют ограничения: они могут ошибочно определять начало и конец сна и не учитывать внешние маркеры (например, выключение света). Поэтому пользователям рекомендуется критически относиться к данным и, при необходимости, вести дневник сна для аннотаций. Фитнес‑трекеры обычно классифицируют состояние как «сон», «бодрствование» и «беспокойный сон» с разрешением в одну минуту. При соблюдении условий (сон длительностью более 3 часов, надёжный контакт датчика с кожей) некоторые устройства способны дифференцировать REM, лёгкий и глубокий сон. Принцип основан на акселерометрии и фотоплетизмографии (PPG), а также непрямом мониторинге температуры (STM). Акселерометры отслеживают активность запястья, предполагая, что отсутствие движений свидетельствует о сне, а активность — о бодрствовании. Однако такой подход имеет свои недостатки: устройство может ошибочно считать состояние покоя без движений за сон или не заметить пробуждения, сопровождаемые минимальной активностью. В то же время акселерометр остаётся основным датчиком для регистрации сна, поэтому для точной оценки фаз требуются дополнительные методы измерения физиологического состояния, такие как кардиография, что затрудняет широкое применение этих устройств. С другой стороны, в фитнес-браслетах применяется механизм фотоплетизмографии — измеряется пульс и вариабельность сердечного ритма через световые датчики, что помогает уточнить фазы сна. Например, учащение пульса может указывать на наступление REM-фазы. Тем не менее, алгоритмы, используемые устройствами для классификации фаз сна, разработанные компанией Fitbit, основываются на данных о движении и пульсе. Эти алгоритмы могут ошибочно интерпретировать начальные и конечные стадии сна как периоды бодрствования, что влияет на точность расчетов времени засыпания и пробуждения . Отсутствие учета внешних маркеров также ограничивает возможности анализа, делая результаты менее надежными. Обозначив достоинства и недостатки программно-аппаратных способов исследования сна, авторы предприняли эксперимент по созданию собственной системы мониторинга состояния человека. Однако в данном случае дополнительным элементом контроля выступает комплексный мониторинг микроклимата помещения, в котором находится человек во время сна , . Данный подход применяется для построения собственной «экосистемы сна» с применением «Интернета вещей» (IoT) и машинного обучения . В совокупности данная система позволит выстраивать аналитику состояния человека после пробуждения, организовывать систему мониторинга, а впоследствии и управления микроклиматом помещения для повышения качества жизни конкретного потребителя .
Рисунок 2 - Графическое представление комплексности подхода
В настоящее время для анализа данных сна широко применяются методы машинного обучения. Глубокие нейронные сети (CNN, LSTM, BiLSTM) демонстрируют достаточно высокую точность классификации стадий сна по данным ЭЭГ, ЭКГ и акселерометрии: точность 5-классовой классификации (W, N1, N2, N3, REM) достигает 71–90%
. Для детекции апноэ на данных носимых IoT-устройств применяются 1D-CNN, SVM и Random Forest, обеспечивая точность 93–99% , . Использование рекуррентных нейронных сетей на основе данных фотоплетизмографии и акселерометрии с носимых устройств позволяет классифицировать фазы сна с F1-score 60–67% . Эти результаты обосновывают выбор архитектуры с многомодальным объединением признаков и применением методов глубокого обучения в разработанном комплексе.3. Реализация программно-аппаратного комплекса мониторинга состояния человека
Разрабатываемый механизм регистрации времени периодов сна базируется на классическом подходе к ведению личного дневника сна для самоконтроля. Для построения собственной системы регистрации сна, осуществляющей регистрацию движение тела, параметры пульса, уровня кислорода и температуры, авторами была реализована аппаратная составляющая комплекса. В её состав входят: микропроцессорная система ESP32; датчик пульса MAX30102; пьезометрический датчик температуры; датчик ЭКГ (электрокардиограмма) AD8232; датчик акселерометр на основе гироскопа GY-521 (применяется два элемента: крепление на руку и грудь). На рис. 3 приведена блок-схема аппаратного обеспечения для мониторинга физиологического состояния человека.

Рисунок 3 - Блок-схема устройства мониторинга состояния человека
Вторым устройством, выполненным в корпусе декоративного светильника, является также микропроцессорная система, состоящая из датчика качества воздуха CCS811; датчика влажности и температуры DHT11; датчика микрофона (определение шума в помещении), барометра BMP280 (рис. 4). Устройство позволяет создавать в помещении приглушенный свет с постепенным гашением, а также индикацию для отображения качества микроклимата (выполнено в виде трехцветной подсветки).

Рисунок 4 - Блок мониторинга микроклимата
Разработка программной подсистемы мониторинга и ее последующего документирования базируется на построении ряда диаграмм, описывающих работу системы мониторинга с разных аспектов. На диаграмме последовательностей (рис. 5) отражается общий принцип выполнения мониторинга состояния здоровья.

Диаграмма последовательностей
Исходя из рис. 5, проектируемое приложение состоит из четырех подсистем, реализованных на блоках мониторинга и сервере накопления и обработки (накопление данных и блок машинного обучения). Для них далее выделены классы выполняемых функций.
1. Блок мониторинга состояния человека:
• PulseOximeter — работа с пульсоксиметром: измерение пульса и уровень насыщения крови кислородом, SpO₂;
• Thermometer — работа с использованием термометра: измерение температуры тела;
• MotionSensor — работа с использованием акселерометра для определения движения испытуемого во сне;
• SensorManager — оркестрирует сбор данных со всех датчиков, управляет циклом измерений;
• DataProcessor — фильтрация, усреднение, валидация данных;
• DataPacket — формирование структуры данных (JSON);
• Transmitter — отправка данных на сервер (Wi-Fi);
• Logger — сбор ошибок и состояния системы;
• SleepMonitor — мониторинга сна: определение активности.
2. Блок мониторинга микроклимата:
• EnvironmentSensor — базовый интерфейс для датчиков среды;
• BMP280Sensor — измерение атмосферного давления;
• CO2Sensor — измерение концентрации CO₂ ;
• NoiseSensor — измерение уровня шума;
• DHTSensor — измерение температуры и влажности;
• EnvironmentManager — управляет всеми датчиками микроклимата, сбор данных.
3. Подсистема регистрации и накопления данных:
• DataReceiver — приём данных с блоков мониторинга;
• DataParser — парсинг JSON пакетов, проверка целостности;
• DataManager — управление потоком данных, буферизация;
• EnvironmentAnalyzer — оценка комфорта по температуре, влажности, давлению, CO₂ ;
• AirQualityMonitor — классификация качества воздуха по уровню CO₂/ TVOC;
• EnvironmentPlotter — визуализация параметров микроклимата;
• SleepAnalyzer — анализ данных: фазы сна, аномалии (апноэ, повышение пульса);
• RealTimePlotter — визуализация данных в реальном времени;
• AlertSystem — генерация предупреждений;
• Logger — локальное логирование событий приложения.
4. Подсистема машинного обучения:
• FeatureExtractor — извлечение признаков из необработанных данных;
• MultimodalFusion — объединение данных здоровья и микроклимата в единый вектор признаков;
• MLModel — абстрактный интерфейс модели;
• SleepPhaseClassifier — классифицирует фазу сна;
• ApneaDetector — обнаруживает эпизоды апноэ по падению SpO₂ и отсутствию движения;
• SleepQualityPredictor — предсказывает итоговую оценку сна метод регрессии);
• EnvironmentImpactAnalyzer — определяет какие факторы среды сильнее всего влияют на сон;
• ModelTrainer — обучает модели на исторических данных;
• ModelStorage — загрузка/сохранение моделей. Взаимодействует с базой данных и файловой подсистемой.
На рис. 6 приведена диаграмма компонентов, отражающая механизм взаимодействия подсистемы машинного обучения со всеми подсистемами комплекса мониторинга.

Рисунок 6 - Диаграмма компонентов проектируемой системы
Аппаратные элементы передают данные в JSON-формате и накапливаются в специализированной СУБД (система управления базой данных) ClickHouse.
Инструменты машинного обучения, применяемые в проекте, основаны на фреймворке PyTorch. Обработка звука выполняется библиотекой Librosa. Процедура обучения моделей включает сбор размеченных данных с последующей экспертной верификацией, разделение выборки на обучающую (70%), валидационную (15%) и тестовую (15%) части, а также обучение с применением техники ранней остановки для предотвращения переобучения. Для каждой модели проводится подбор гиперпараметров и кросс-валидация, оценка качества осуществляется по специализированным метрикам. Обученные модели конвертируются в формат ONNX (открытый формат и стандарт для представления моделей машинного обучения). Подобная архитектура обеспечивает баланс между вычислительной эффективностью и точностью анализа, позволяя масштабировать систему и оперативно обновлять модели по мере накопления данных.
В современной литературе методы машинного обучения для анализа сна демонстрируют высокие результаты. Так, свёрточные нейронные сети (CNN), применяемые для классификации фаз сна по ЭЭГ-сигналам, достигают точности 83–95%, а гибридные архитектуры CNN-LSTM — до 96%
. Для детекции апноэ на основе ЭКГ-сигналов с носимых IoT-устройств одномерные CNN (1D-CNN) показывают точность до 99,56% при посекундном разрешении . Модели на основе LSTM, использующие PPG-сигналы, достигают точности 76–90% при классификации четырёх фаз сна , . Алгоритмы Random Forest, применяемые к данным акселерометрии запястья, обеспечивают F1-score 73,9% для бинарной классификации «сон–бодрствование» . Глубокое обучение с применением transfer learning (перенос обучения с ЭКГ на PPG) позволяет повысить точность классификации фаз сна с носимых устройств до 76,4% (Cohen's κ = 0,65) . Полученные в литературе результаты подтверждают целесообразность многомодального подхода, объединяющего физиологические сигналы и параметры окружающей среды для повышения точности анализа сна.Логическая схема IoT, показывающая взаимодействие компонентов комплекса, отражающего обрабатываемые данные и действия с ними, приведена на рис. 7.

Рисунок 7 - Логическая схема IoT сети мониторинга
4. Процедура апробации
Существующие IoT-системы для мониторинга сна, описанные в литературе, как правило, ограничиваются одной модальностью: ЭКГ (точность детекции апноэ до 99,56%
), PPG (точность классификации синдрома апноэ >90% ) или акселерометрия (F1 = 73,9% ). Ключевое отличие разработанного комплекса состоит в интеграции многомодальных физиологических данных (пульс, SpO₂, ЭКГ, движение, температура тела) с параметрами микроклимата (CO₂, TVOC, влажность, температура, шум, освещённость), что потенциально повышает объяснительную способность моделей качества сна. Однако количественная оценка этого приращения точности требует дальнейшей валидации.В процессе осуществления ручного и полуавтоматизированного тестирования использовался простой вывод показателей с их динамическим обновлением через заданный промежуток времени — 1 секунда. На рис. 8 приведен снимок экрана приложения устройства мониторинга среды, отражающий пример показаний. Все показатели, получаемые с устройства, фиксировались в базе данных. Дополнительно следует отметить, что устройство мониторинга подвергалось воздействию агрессивной среды: повышенный шум, распыление спирта в окружающей среде, изменение интенсивности освещенности, изменение температурного режима. Подобные «испытания» требуются для машинного обучения, а именно – для получения пограничных и допустимых значений качества окружающей среды
, , , .
Рисунок 7 - Вывод числовых показателей для целей тестирования

Рисунок 8 - Визуализация показателей
Сравнение разработанного комплекса с существующими решениями показывает следующие преимущества и ограничения. Коммерческие носимые устройства (Samsung Galaxy Watch, Honor Band, Apple Watch) обеспечивают удобство и автономность, однако их алгоритмы закрыты, а данные о микроклимате не регистрируются. Исследовательские IoT-системы на базе ESP32 для мониторинга сна и апноэ, описанные в литературе, используют схожий набор датчиков (SpO₂, ЧСС, акселерометр) и достигают точности детекции апноэ до 93–99% при использовании методов машинного обучения (SVM, Random Forest, 1D-CNN)
, . Ключевое отличие разработанного комплекса — интеграция мониторинга микроклимата с физиологическими данными в единой многомодальной архитектуре, что позволяет оценивать влияние факторов среды на качество сна.Следует отметить, что в рамках настоящей работы количественная валидация на синхронизированных данных полисомнографии не проводилась. Заявленная апробация ограничивается ручным и полуавтоматизированным тестированием прототипа. В дальнейшем планируется проведение полевого исследования с участием не менее 30 испытуемых, параллельная регистрация данных разработанным комплексом и ПСГ, а также расчёт метрик точности: accuracy, F1-score, Cohen's κ, построение графиков Блэнда–Альтмана для оценки пределов согласия. Только после проведения такого исследования возможен корректный сравнительный анализ точности разработанной системы и существующих решений.
5. Заключение
Проведённый обзор источников в сфере сомнологии и реализованный эксперимент показывают, что сочетание носимых устройств мониторинга состояния человека и окружающего его микроклимата, представляет собой перспективное направление в сфере сомнологии для повышения объективности исследований в естественных условиях
, . Полисомнография хотя и остаётся «золотым стандартом» для клинической диагностики и детального изучения архитектуры сна, но её лабораторные ограничения — эффект первой ночи и низкая доступность для длительного наблюдения — обосновывают востребованность амбулаторных и носимых решений для масштабных эпидемиологических и длительных когортных исследований . Разработанная авторами архитектура объединяет мультисенсорный IoT‑подход, реализованный в актиграфе и устройстве мониторинга (интернет вещей), и машинное обучение (Machine Learning, ML). Она позволяет собирать многомодальные данные (движение, ЭКГ/ PPG, SpO₂, температура и параметры микроклимата) в естественной среде проживания испытуемого. Данная стратегия получения данных улучшает информативность признаков по сравнению с классической полисомнографией, что повышает аналитическую способность моделей к обнаружению клинически релевантных событий, таких как эпизоды апноэ и аномалии сердечного ритма, одновременно оценивая влияние внешних факторов на качество сна , , . В результате исследования выявлены следующие практические выводы:• предполагается, что включение параметров микроклимата (температура, влажность, CO₂/TVOC, уровень шума, освещённость) существенно повышает объяснительную способность моделей качества сна. Однако данное утверждение требует дополнительных полевых исследований;
• объединение данных акселерометрии с физиологическими сигналами (PPG/ЭКГ, SpO₂) и применение адаптивных алгоритмов с учётом индивидуальной вариабельности возможно в ближайшем будущем будет применяться как один из показателей точности распознавания фаз сна;
• в полевых исследованиях необходимо регулярно фиксировать качество входящих сигналов (уровень PPG, плотность контакта сенсора с кожей, время автономной работы устройств, версии программного обеспечения), так как эти параметры существенно влияют на воспроизводимость результатов;
• авторы полагают, что разработанная архитектура требует дальнейших исследований и в том числе в медицинских учреждениях для подтверждения устойчивости работы алгоритмов и системы в целом
, .Исследование проблем качественного сна и влияние на него окружающего микроклимата должно включать валидацию разработанных алгоритмов на синхронизированных данных ПСГ. Однако, согласно исследованиям, приведенным в Phrenic Nerve Stimulation for the Treatment of Central Sleep Apnea: A Pooled Cohort Analysis
, для более надёжного выявления апноэ эффективен комбинированный подход, сочетающий падения SpO₂ с отсутствием движения и акустической регистрацией дыхательных шумов, однако такая схема требует валидации по данным ПСГ.В контрольных точках, отражающих различные нарушения сна, фиксируются длительные изменения микроклимата на метрики сна в кросс‑субъектных и индивидуальных траекториях, а также внедрение адаптивных методов обучения (transfer learning, персонализированные модели) и процедур контроля качества данных IoT‑устройств.
