<?xml version="1.0" encoding="UTF-8"?>
    <!DOCTYPE article PUBLIC "-//NLM/DTD JATS (Z39.96) Journal Publishing DTD v1.2 20120330//EN" "http://jats.nlm.nih.gov/publishing/1.2/JATS-journalpublishing1.dtd">
    <!--<?xml-stylesheet type="text/xsl" href="article.xsl">-->
<article xmlns:ns0="http://www.w3.org/1999/xlink" xmlns:xlink="http://www.w3.org/1999/xlink" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" article-type="research-article" dtd-version="1.2" xml:lang="en">
	<front>
		<journal-meta>
			<journal-id journal-id-type="issn">2303-9868</journal-id>
			<journal-id journal-id-type="eissn">2227-6017</journal-id>
			<journal-title-group>
				<journal-title>Международный научно-исследовательский журнал</journal-title>
			</journal-title-group>
			<issn pub-type="epub">2303-9868</issn>
			<publisher>
				<publisher-name>ООО Цифра</publisher-name>
			</publisher>
		</journal-meta>
		<article-meta>
			<article-id pub-id-type="doi">10.60797/IRJ.2026.173.10</article-id>
			<article-categories>
				<subj-group>
					<subject>Brief communication</subject>
				</subj-group>
			</article-categories>
			<title-group>
				<article-title>Применение комплексной технологии мониторинга сна</article-title>
			</title-group>
			<contrib-group>
				<contrib contrib-type="author" corresp="yes">
					<contrib-id contrib-id-type="orcid">https://orcid.org/0000-0002-8498-3301</contrib-id>
					<contrib-id contrib-id-type="rinc">https://elibrary.ru/author_profile.asp?id=189500</contrib-id>
					<contrib-id contrib-id-type="rid">https://publons.com/researcher/AAM-6919-2021</contrib-id>
					<name>
						<surname>Дорофеев</surname>
						<given-names>Андрей Сергеевич</given-names>
					</name>
					<email>dorbaik@istu.edu</email>
					<xref ref-type="aff" rid="aff-1">1</xref>
				</contrib>
				<contrib contrib-type="author">
					<name>
						<surname>Желтов</surname>
						<given-names>Константин Юрьевич</given-names>
					</name>
					<email>kzheltov@yandex.ru</email>
					<xref ref-type="aff" rid="aff-2">2</xref>
				</contrib>
				<contrib contrib-type="author">
					<name>
						<surname>Жиленков</surname>
						<given-names>Кирилл Максимович</given-names>
					</name>
					<email>kirillzhilenkov@gmail.com</email>
					<xref ref-type="aff" rid="aff-3">3</xref>
				</contrib>
			</contrib-group>
			<aff id="aff-1">
				<label>1</label>
				<institution>Иркутский национальный исследовательский технический университет</institution>
			</aff>
			<aff id="aff-2">
				<label>2</label>
				<institution>ООО «Умные решения»</institution>
			</aff>
			<aff id="aff-3">
				<institution-wrap>
					<institution-id institution-id-type="ROR">https://ror.org/01zzkcm34</institution-id>
					<institution content-type="education">Иркутский национальный исследовательский технический университет</institution>
				</institution-wrap>
			</aff>
			<pub-date publication-format="electronic" date-type="pub" iso-8601-date="2026-11-17">
				<day>17</day>
				<month>11</month>
				<year>2026</year>
			</pub-date>
			<pub-date pub-type="collection">
				<year>2026</year>
			</pub-date>
			<volume>11</volume>
			<issue>173</issue>
			<fpage>1</fpage>
			<lpage>11</lpage>
			<history>
				<date date-type="received" iso-8601-date="2026-08-26">
					<day>26</day>
					<month>08</month>
					<year>2026</year>
				</date>
				<date date-type="accepted" iso-8601-date="2026-10-23">
					<day>23</day>
					<month>10</month>
					<year>2026</year>
				</date>
			</history>
			<permissions>
				<copyright-statement>Copyright: &amp;#x00A9; 2022 The Author(s)</copyright-statement>
				<copyright-year>2022</copyright-year>
				<license license-type="open-access" xlink:href="http://creativecommons.org/licenses/by/4.0/">
					<license-p>
						This is an open-access article distributed under the terms of the Creative Commons Attribution 4.0 International License (CC-BY 4.0), which permits unrestricted use, distribution, and reproduction in any medium, provided the original author and source are credited. See 
						<uri xlink:href="http://creativecommons.org/licenses/by/4.0/">http://creativecommons.org/licenses/by/4.0/</uri>
					</license-p>
					.
				</license>
			</permissions>
			<self-uri xlink:href="https://research-journal.org/archive/11-173-2026-november/10.60797/IRJ.2026.173.10"/>
			<abstract>
				<p>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.</p>
			</abstract>
			<kwd-group>
				<kwd>сон</kwd>
				<kwd> фазы сна</kwd>
				<kwd> полисомнография</kwd>
				<kwd> актиграф</kwd>
				<kwd> актиграфия</kwd>
				<kwd> фитнес-трекеры</kwd>
				<kwd> мониторинг сна</kwd>
				<kwd> механизм накопления данных</kwd>
				<kwd> микроконтроллеры</kwd>
				<kwd> датчик пульсоксиметр</kwd>
				<kwd> датчик акселерометр</kwd>
				<kwd> гироскоп</kwd>
			</kwd-group>
		</article-meta>
	</front>
	<body>
		<sec>
			<title>HTML-content</title>
			<p>1. Введение</p>
			<p>Сон — один из фундаментальных биологических процессов, играющий ключевую роль в поддержании физического и психического здоровья человека </p>
			<p>[1][2][3]</p>
			<table-wrap id="T1">
				<label>Table 1</label>
				<caption>
					<p>Нормы качества сна</p>
				</caption>
				<table>
					<tr>
						<td>Показатель</td>
						<td>​Норма</td>
						<td>​Допустимо для пожилых</td>
					</tr>
					<tr>
						<td>Латентность засыпания, минут</td>
						<td>≤ 15 </td>
						<td>31–60</td>
					</tr>
					<tr>
						<td>Пробуждения (&gt; 5 минут), </td>
						<td>​≤ 2</td>
						<td>​≤ 3</td>
					</tr>
					<tr>
						<td>, минут</td>
						<td>​≤ 20</td>
						<td>31–60</td>
					</tr>
					<tr>
						<td>, минут</td>
						<td>​≤ 20</td>
						<td>≤ 100</td>
					</tr>
				</table>
			</table-wrap>
			<p>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) </p>
			<p>[3]</p>
			<p>Фаза NREM, составляющая большую часть сна, подразделяется на три стадии: N1, N2 и N3. N1 — переходная стадия от бодрствования </p>
			<p>коСтадия представляет собой .Это[1]Фаза [4][5]</p>
			<fig id="F1">
				<label>Figure 1</label>
				<caption>
					<p>Циклы сна</p>
				</caption>
				<alt-text>Циклы сна</alt-text>
				<graphic ns0:href="/media/images/2026-08-26/32a46482-eac1-4d08-94e1-4fe95dde0595.jpg"/>
			</fig>
			<p>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.</p>
			<p>2. Постановка задачи</p>
			<p>Нарушения фаз сна могут приводить к нарушению самочувствия, снижению когнитивных функций и повышению риска хронических заболеваний </p>
			<p>[1][2][2][6][7][8][3][3][9][10][11][10]</p>
			<fig id="F2">
				<label>Figure 2</label>
				<caption>
					<p>Графическое представление комплексности подхода</p>
				</caption>
				<alt-text>Графическое представление комплексности подхода</alt-text>
				<graphic ns0:href="/media/images/2026-08-26/6fa1a766-8c61-470f-bda8-603583eb7ba0.jpg"/>
			</fig>
			<p>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% </p>
			<p>[13][11][16][14]</p>
			<p>3. Реализация программно-аппаратного комплекса мониторинга состояния человека</p>
			<p>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.</p>
			<fig id="F3">
				<label>Figure 3</label>
				<caption>
					<p>Блок-схема устройства мониторинга состояния человека</p>
				</caption>
				<alt-text>Блок-схема устройства мониторинга состояния человека</alt-text>
				<graphic ns0:href="/media/images/2026-08-26/dfdca344-e7c8-43c8-845b-2cca54697426.jpg"/>
			</fig>
			<p>[16]</p>
			<p>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).</p>
			<fig id="F4">
				<label>Figure 4</label>
				<caption>
					<p>Блок мониторинга микроклимата</p>
				</caption>
				<alt-text>Блок мониторинга микроклимата</alt-text>
				<graphic ns0:href="/media/images/2026-08-26/c22ae931-bccd-44ad-8234-5d296d4a8d84.jpg"/>
			</fig>
			<p>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.</p>
			<fig id="F5">
				<label>Figure 5</label>
				<caption>
					<p>Диаграмма последовательностей</p>
				</caption>
				<alt-text>Диаграмма последовательностей</alt-text>
				<graphic ns0:href="/media/images/2026-11-16/28524534-cd4d-46f4-bbdc-09e481032d83.jpg"/>
			</fig>
			<p>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.</p>
			<p>1. Блок мониторинга состояния человека:</p>
			<p>• PulseOximeter — работа с пульсоксиметром: измерение пульса и уровень насыщения крови кислородом, SpO₂;</p>
			<p>• Thermometer — работа с использованием термометра: измерение температуры тела;</p>
			<p>• MotionSensor — работа с использованием акселерометра для определения движения испытуемого во сне;</p>
			<p>• SensorManager — оркестрирует сбор данных со всех датчиков, управляет циклом измерений;</p>
			<p>• DataProcessor — фильтрация, усреднение, валидация данных;</p>
			<p>• DataPacket — формирование структуры данных (JSON);</p>
			<p>• Transmitter — отправка данных на сервер (Wi-Fi);</p>
			<p>• Logger — сбор ошибок и состояния системы;</p>
			<p>• SleepMonitor — мониторинга сна: определение активности.</p>
			<p>2. Блок мониторинга микроклимата:</p>
			<p>• EnvironmentSensor — базовый интерфейс для датчиков среды;</p>
			<p>• BMP280Sensor — измерение атмосферного давления;</p>
			<p>• CO2Sensor — измерение концентрации CO₂ ;</p>
			<p>• NoiseSensor — измерение уровня шума;</p>
			<p>• DHTSensor — измерение температуры и влажности;</p>
			<p>• EnvironmentManager — управляет всеми датчиками микроклимата, сбор данных.</p>
			<p>3. Подсистема регистрации и накопления данных:</p>
			<p>• DataReceiver — приём данных с блоков мониторинга;</p>
			<p>• DataParser — парсинг JSON пакетов, проверка целостности;</p>
			<p>• DataManager — управление потоком данных, буферизация;</p>
			<p>• EnvironmentAnalyzer — оценка комфорта по температуре, влажности, давлению, CO₂ ;</p>
			<p>• AirQualityMonitor — классификация качества воздуха по уровню CO₂/ TVOC;</p>
			<p>• EnvironmentPlotter — визуализация параметров микроклимата;</p>
			<p>• SleepAnalyzer — анализ данных: фазы сна, аномалии (апноэ, повышение пульса);</p>
			<p>• RealTimePlotter — визуализация данных в реальном времени;</p>
			<p>• AlertSystem — генерация предупреждений;</p>
			<p>• Logger — локальное логирование событий приложения.</p>
			<p>4. Подсистема машинного обучения:</p>
			<p>• FeatureExtractor — извлечение признаков из необработанных данных;</p>
			<p>• MultimodalFusion — объединение данных здоровья и микроклимата в единый вектор признаков;</p>
			<p>• MLModel — абстрактный интерфейс модели;</p>
			<p>• SleepPhaseClassifier — классифицирует фазу сна;</p>
			<p>• ApneaDetector — обнаруживает эпизоды апноэ по падению SpO₂ и отсутствию движения;</p>
			<p>• SleepQualityPredictor — предсказывает итоговую оценку сна метод регрессии);</p>
			<p>• EnvironmentImpactAnalyzer — определяет какие факторы среды сильнее всего влияют на сон;</p>
			<p>• ModelTrainer — обучает модели на исторических данных;</p>
			<p>• ModelStorage — загрузка/сохранение моделей. Взаимодействует с базой данных и файловой подсистемой.</p>
			<p>На рис. 6 приведена диаграмма компонентов, отражающая механизм взаимодействия подсистемы машинного обучения со всеми подсистемами комплекса мониторинга.</p>
			<fig id="F6">
				<label>Figure 6</label>
				<caption>
					<p>Диаграмма компонентов проектируемой системы</p>
				</caption>
				<alt-text>Диаграмма компонентов проектируемой системы</alt-text>
				<graphic ns0:href="/media/images/2026-08-28/dcfd9c9b-e92a-47e0-84c9-5cb668791662.jpg"/>
			</fig>
			<p>Аппаратные элементы передают данные в JSON-формате и накапливаются в специализированной СУБД (система управления базой данных) ClickHouse.</p>
			<p>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.</p>
			<p>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% </p>
			<p>[16][13][15][16][15][16]</p>
			<p>Логическая схема IoT, показывающая взаимодействие компонентов комплекса, отражающего обрабатываемые данные и действия с ними, приведена на рис. 7.</p>
			<fig id="F7">
				<label>Figure 7</label>
				<caption>
					<p>Логическая схема IoT сети мониторинга</p>
				</caption>
				<alt-text>Логическая схема IoT сети мониторинга</alt-text>
				<graphic ns0:href="/media/images/2026-08-28/851960a7-19d3-454c-8cc9-dcfedd939978.jpg"/>
			</fig>
			<p>Данная схема отражает взаимодействие модулей комплекса: сетевое взаимодействие систем регистрации данных с серверным решением, осуществляющим регистрацию и обработку данных. Взаимодействие осуществляется по беспроводному каналу связи WiFi.</p>
			<p>4. Процедура апробации</p>
			<p>Существующие IoT-системы для мониторинга сна, описанные в литературе, как правило, ограничиваются одной модальностью: ЭКГ (точность детекции апноэ до 99,56% </p>
			<p>[13][14][15]</p>
			<p>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 [3], [11], [13], [14].</p>
			<fig id="F8">
				<label>Figure 8</label>
				<caption>
					<p>Вывод числовых показателей для целей тестирования</p>
				</caption>
				<alt-text>Вывод числовых показателей для целей тестирования</alt-text>
				<graphic ns0:href="/media/images/2026-08-26/e041b4f4-a01a-49f9-8320-cec1f0b4f8a5.jpg"/>
			</fig>
			<p>Аналогичным образом осуществлялся мониторинг с применением программно-аппаратного актиграфа. Отображение результатов в реальном времени для наблюдения пользователем представлено через минималистичную web-панель, визуализирующую показатели, обрабатываемые моделью (рис. 9).</p>
			<fig id="F9">
				<label>Figure 9</label>
				<caption>
					<p>Визуализация показателей</p>
				</caption>
				<alt-text>Визуализация показателей</alt-text>
				<graphic ns0:href="/media/images/2026-08-26/2f364536-3f7e-4656-83ca-b799bba208c5.jpg"/>
			</fig>
			<p>Сопоставление параметров (отклонение регистрируемого времени начала и окончания сна), получаемых с носимых устройств (Samsung Galaxy Watch 5, Honor Band 9) и данных от разработанного программного комплекса показало высокую степень совпадения.</p>
			<p>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) </p>
			<p>[11][16]</p>
			<p>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.</p>
			<p>5. Заключение</p>
			<p>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 </p>
			<p>[3][9][3][3][12][16]</p>
			<p>• 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;</p>
			<p>• 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;</p>
			<p>• 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;</p>
			<p>• авторы полагают, что разработанная архитектура требует дальнейших исследований и в том числе в медицинских учреждениях для подтверждения устойчивости работы алгоритмов и системы в целом </p>
			<p>[12][13]</p>
			<p>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 </p>
			<p>[12]</p>
			<p>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.</p>
		</sec>
		<sec sec-type="supplementary-material">
			<title>Additional File</title>
			<p>The additional file for this article can be found as follows:</p>
			<supplementary-material xmlns:xlink="http://www.w3.org/1999/xlink" id="S1" xlink:href="https://doi.org/10.5334/cpsy.78.s1">
				<!--[<inline-supplementary-material xlink:title="local_file" xlink:href="https://research-journal.org/media/articles/27078.docx">27078.docx</inline-supplementary-material>]-->
				<!--[<inline-supplementary-material xlink:title="local_file" xlink:href="https://research-journal.org/media/articles/27078.pdf">27078.pdf</inline-supplementary-material>]-->
				<label>Online Supplementary Material</label>
				<caption>
					<p>
						Further description of analytic pipeline and patient demographic information. DOI:
						<italic>
							<uri>https://doi.org/10.60797/IRJ.2026.173.10</uri>
						</italic>
					</p>
				</caption>
			</supplementary-material>
		</sec>
	</body>
	<back>
		<ack>
			<title>Acknowledgements</title>
			<p/>
		</ack>
		<sec>
			<title>Competing Interests</title>
			<p/>
		</sec>
		<ref-list>
			<ref id="B1">
				<label>1</label>
				<mixed-citation publication-type="confproc">Groenewald C.B. Associations between adolescent sleep deficiency and prescription opioid misuse in adulthood / C.B. Groenewald, E.F. Law, J.A. Rabbitts [et al.] // Sleep. — 2021. — Vol. 44. — № 3. — P. zsaa201. — DOI: 10.1093/sleep/zsaa201.</mixed-citation>
			</ref>
			<ref id="B2">
				<label>2</label>
				<mixed-citation publication-type="confproc">Soh A.Z. Sleep lengthening in late adulthood signals increased risk of mortality / A.Z. Soh, M.W.L. Chee, J.M. Yuan [et al.] // Sleep. — 2018. — Vol. 41. — № 3. — P. zsy5. — DOI: 10.1093/sleep/zsy005.</mixed-citation>
			</ref>
			<ref id="B3">
				<label>3</label>
				<mixed-citation publication-type="confproc">De Zambotti M. Wearable sleep technology in clinical and research settings / M. De Zambotti, N. Cellini, A. Goldstone [et al.] // Medicine and Science in Sports and Exercise. — 2019. — Vol. 51. — № 7. — P. 1538–1557. — DOI: 10.1249/MSS.0000000000001947.</mixed-citation>
			</ref>
			<ref id="B4">
				<label>4</label>
				<mixed-citation publication-type="confproc">Sumi Y. The prevalence of depression in isolated/idiopathic rapid eye movement sleep behavior disorder: a systematic review and meta‑analysis / Y. Sumi, F. Masuda, H. Kadotani [et al.] // Sleep Medicine Reviews. — 2022. — Vol. 65. — P. 101684. — DOI: 10.1016/j.smrv.2022.101684.</mixed-citation>
			</ref>
			<ref id="B5">
				<label>5</label>
				<mixed-citation publication-type="confproc">Swift K.M. Sleep and PTSD: delving deeper to understand a complicated relationship / K.M. Swift // Sleep. — 2020. — Vol. 43. — № 9. — P. zsaa74. — DOI: 10.1093/sleep/zsaa074.</mixed-citation>
			</ref>
			<ref id="B6">
				<label>6</label>
				<mixed-citation publication-type="confproc">Горбачев Н.А. Возможности цифровых методов оценки сна и поведенческой терапии бессонницы / Н.А. Горбачев, М.Г. Полуэктов // Эффективная фармакотерапия. — 2024. — Т. 20. — № 33. — С. 80-86</mixed-citation>
			</ref>
			<ref id="B7">
				<label>7</label>
				<mixed-citation publication-type="confproc">Полуэктов М.Г. Диагностика и лечение нарушений сна / М.Г. Полуэктов. — Москва: МЕДпресс-информ, 2016. — 128 с.</mixed-citation>
			</ref>
			<ref id="B8">
				<label>8</label>
				<mixed-citation publication-type="confproc">Антипов О.И. Возможности различных методов автоматического распознавания стадий сна / О.И. Антипов, А.В. Захаров, И.Е. Повереннова [и др.] // Саратовский научно‑медицинский журнал]. — 2012. — № 2. — С. 374–379.</mixed-citation>
			</ref>
			<ref id="B9">
				<label>9</label>
				<mixed-citation publication-type="confproc">Figueiro M.G. Individually tailored light intervention through closed eyelids to promote circadian alignment and sleep health / M.G. Figueiro // Sleep Health. — 2015. — Vol. 1. — № 1. — P. 75–82. — DOI: 10.1016/j.sleh.2014.12.009.</mixed-citation>
			</ref>
			<ref id="B10">
				<label>10</label>
				<mixed-citation publication-type="confproc">Luo Y. Fast and accurate prediction of air temperature and velocity field in non‑uniform indoor environment under complex boundaries / Y. Luo, D. Cui, Y. Song [et al.] // Building and Environment. — 2023. — Vol. 230. — P. 109987. — DOI: 10.1016/j.buildenv.2023.109987.</mixed-citation>
			</ref>
			<ref id="B11">
				<label>11</label>
				<mixed-citation publication-type="confproc">John M. A 1D-CNN Based Deep Learning Technique for Sleep Apnea Detection in IoT Sensors / M. John [et al.] // IEEE International Symposium on Circuits and Systems (ISCAS). — 2021. — P. 1–5. — DOI: 10.1109/ISCAS51556.2021.9401510.</mixed-citation>
			</ref>
			<ref id="B12">
				<label>12</label>
				<mixed-citation publication-type="confproc">Fudim M. Phrenic nerve stimulation for the treatment of central sleep apnea: a pooled cohort analysis / M. Fudim [et al.] // Journal of Clinical Sleep Medicine: JCSM: Official Publication of the American Academy of Sleep Medicine. — 2019. — Vol. 15. — № 12. — P. 1747–1755. — DOI: 10.5664/jcsm.8076.</mixed-citation>
			</ref>
			<ref id="B13">
				<label>13</label>
				<mixed-citation publication-type="confproc">Jiang X. Convolutional neural network based on photoplethysmography signals for sleep apnea syndrome detection / X. Jiang, Y. Ren, H. Wu [et al.] // Frontiers in Neuroscience. — 2023. — Vol. 17. — P. 1222715. — DOI: 10.3389/fnins.2023.1222715.</mixed-citation>
			</ref>
			<ref id="B14">
				<label>14</label>
				<mixed-citation publication-type="confproc">Kilic O. Sleep Quality Prediction from Wearables using Convolution Neural Networks and Ensemble Learning / O. Kilic, B. Saylam, I. Durmaz [et al.] // Proceedings of the 8th International Conference on Machine Learning Technologies (ICMLT). — 2023. — P. 116–120. — DOI: 10.1145/3589883.3589900.</mixed-citation>
			</ref>
			<ref id="B15">
				<label>15</label>
				<mixed-citation publication-type="confproc">Walch O. Sleep classification from wrist-worn accelerometer data using random forests / O. Walch [et al.] // Scientific Reports. — 2021. — Vol. 11. — № 1. — P. 5449. — DOI: 10.1038/s41598-020-79217-x.</mixed-citation>
			</ref>
			<ref id="B16">
				<label>16</label>
				<mixed-citation publication-type="confproc">Altaheri H. Automatic sleep stage classification using deep learning: signals, data representation, and neural networks / H. Altaheri [et al.] // Artificial Intelligence Review. — 2024. — Vol. 57. — P. 135. — DOI: 10.1007/s10462-024-10926-9.</mixed-citation>
			</ref>
		</ref-list>
	</back>
	<fundings/>
</article>