Omni-Sleep: базовая модель сна на связке ЦНС и вегетативной нервной системы

Физиология сна складывается из согласованной работы центральной нервной системы (ЦНС) и вегетативной нервной системы (ВНС, отвечает за сердечный ритм, дыхание и другие автоматические функции организма). Это видно по многоканальной полисомнографии, ночной записи сигналов, куда входят ЭЭГ (электроэнцефалограмма, активность мозга), ЭОГ (движения глаз), ЭМГ (мышечный тонус), ЭКГ (работа сердца) и дыхание. Авторы отмечают: существующие базовые модели сна объединяют эти разнородные сигналы «в лоб», не учитывая их физиологическую организацию, то есть не различают, какие каналы относятся к мозгу, а какие к телу.

Omni-Sleep решает эту проблему, закладывая разделение на ЦНС и ВНС прямо в архитектуру обучения представлений. Модель обучается по трём целям одновременно: (1) внутрисистемная согласованность, выделяет общие факторы отдельно внутри неврологических сигналов (мозг) и отдельно внутри кардио-респираторных сигналов (сердце и дыхание); (2) межсистемная синхронизация, сопоставляет траектории обеих подсистем, моделируя связь «мозг-тело»; (3) маскированное моделирование во времени в скрытом пространстве, улавливает долгосрочную динамику сна на протяжении ночи.

Модель предобучена на данных более чем 100 000 часов многоцентровой полисомнографии из разных клиник и лабораторий. Её проверили на двух задачах: определении стадий сна (глубокий, поверхностный, REM и так далее) и классификации нескольких заболеваний по записям сна. На разных наборах данных и в условиях, когда часть каналов сигналов искусственно убирали (абляция модальностей), Omni-Sleep превзошла сильные базовые модели-конкуренты. Авторы отмечают три практических преимущества: модель эффективнее работает при малом объёме размеченных данных, лучше переносится с одного набора данных на другой и устойчивее к ситуациям, когда часть сигналов отсутствует или повреждена. Код модели выложен в открытый доступ на GitHub (AutoBrain-sleep/OmniSleep).

Ключевые факты

Omni-Sleep, базовая модель для анализа сна, которая явно разделяет сигналы центральной нервной системы (ЭЭГ, ЭОГ, ЭМГ) и вегетативной нервной системы (ЭКГ, дыхание) вместо их смешивания без разбора
Обучение построено на трёх целях: согласованность внутри каждой подсистемы, синхронизация между мозгом и телом, моделирование долгосрочной динамики сна во времени
Модель предобучена на более чем 100 000 часах многоцентровой полисомнографии
Проверена на задачах определения стадий сна и классификации нескольких заболеваний, превосходит сильные модели-конкуренты, в том числе при отсутствии части сигналов
Код опубликован в открытом доступе на GitHub

Почему это важно

Большинство базовых моделей для биосигналов сна объединяют все каналы (мозговые и телесные) единым потоком, будто это данные одной природы. Omni-Sleep показывает, что учёт физиологической иерархии, раздельное моделирование ЦНС и ВНС с последующей синхронизацией, даёт заметный прирост качества. Это довод в пользу того, что для медицинских биосигналов архитектуру стоит проектировать с оглядкой на физиологию, а не по шаблону из обработки текста или изображений.

Кому это важно

Разработчикам медицинских ИИ-систем и специалистам по сомнологии (наука о сне), которые строят модели диагностики по полисомнографии; исследователям базовых моделей для биосигналов, ищущим более устойчивые архитектуры; медтех-компаниям, которым нужна модель, стабильно работающая при неполном наборе датчиков, частой ситуации в реальных клиниках и домашних устройствах сна.

Как это применить

Код и предобученная модель выложены в открытом доступе на GitHub (AutoBrain-sleep/OmniSleep), что позволяет использовать модель как основу для собственных задач: дообучение на стадировании сна, диагностике конкретных заболеваний по полисомнографии, либо работу в условиях, когда часть датчиков (например, ЭМГ или ЭКГ) недоступна.

Можно ли доверять

Работа опубликована как препринт на arXiv, то есть ещё не прошла рецензирование в журнале. При этом заявленные результаты подкреплены сравнением с несколькими сильными базовыми моделями на разных наборах данных, а не только на одном бенчмарке, и код открыт для независимой проверки, это повышает доверие к воспроизводимости, хотя независимая клиническая валидация пока не проводилась.

Риски и подводные камни

Как препринт, работа не прошла рецензирование, и заявленное превосходство над конкурентами описано только со слов авторов. Оценка ограничена конкретными наборами полисомнографических данных и задачами (стадирование сна, классификация заболеваний), неясно, как модель поведёт себя на данных с другим оборудованием или популяцией пациентов вне тестовых датасетов. Клинического применения или регуляторной проверки (например, как медицинского изделия) в статье не описано.