Naukowcy z uniwersytetów zaproponowali Omni-Sleep, nowy model fundamentalny do analizy snu, który wykorzystuje fizjologiczną strukturę ludzkiego organizmu jako przewodnik w uczeniu maszynowym. W odróżnieniu od poprzednich podejść, które po prostu łączyły różne sygnały biologiczne bez zrozumienia ich organizacji, Omni-Sleep jawnie modeluje dynamikę między ośrodkowym układem nerwowym (mózg, oczy, mięśnie) a autonomicznym układem (serce, oddychanie).
Model uczy się poprzez trzy współpracujące mechanizmy: wewnątrzukładową spójność, która wyłapuje wspólne wzorce w sygnałach neurobiologicznych; międzyukładową synchronizację, która dopasowuje trajektorie subsystemów do modelowania dynamiki mózgu-ciała; oraz maskowane modelowanie czasowe, które uchwycam długofalową dynamikę snu. Wszystko to oparte na ponad 100 tys. godzinach polisomnograficznych danych z wielu ośrodków medycznych, obejmujących EEG, EOG, EMG, EKG i oddychanie.
Wyniki pokazują, że ta fizjologicznie poinformowana architektura przynosi rzeczywiste korzyści: model lepiej klasyfikuje stadła snu i diagnozuje choroby niż istniejące rozwiązania, wymaga mniej etykiet do fine-tuningu, lepiej się uogólnia między różnymi zestawami danych i wytrzymuje brak któregoś z czujników. To sugeruje, że włączenie wiedzy medycznej do struktury sieci neuronowych to kluczowy kierunek dla bardziej praktycznych modeli AI w zdravia.