Наушники, которые трекают сон [1/2] 💤Компания SOND запустила сбор средств на Kickstarter для производства
умных наушников и уже собрала почти $300k.
Обещают много всего, и в первую минуту рекламного видео подкинули камней в огород Оуры (слишком мы для них пассивные), поэтому захотелось разобрать поподробнее.
Основная идея — это активное влияние на качество сна вместо пассивного сбора данных.
You Don’t Need Better Sleep Data. You Need Better Sleep. Классный слоган, надо отдать должное.
Добиваться этого хотят при помощи активного шумоподавления во время сна с адаптацией под шумовой фон: от блокировки храпа и соседей до устранения уличных звуков. Обещают измерение 12-ти биометрик, вроде сердцебиения, HRV, частоты дыхания и фаз сна. И про AI не забыли, без него никак. Будут генерировать рассказы на ночь, добавят AI-тренера, который подстроит сегодняшнюю программу сна по вчерашним показателям, и насыпят сверху AI-generated инсайтов. Все стандартные способы пожечь токены ради
shareholder user value.
Всё это добро без подписки — удачи им с юнит-экономикой в будущем.
Все алгоритмы, включая классификацию фаз сна, работают на самом девайсе без необходимости синхронизации с приложением. С одной стороны, подход резонный — ближе к сенсорам, не нужна компрессия данных, zero-latency, можно моментально реагировать на показатели и окружающую среду, вот это вот всё. С другой — сложность и размер алгоритмов значительно ограничены производительностью железа наушников.
Батарейки там хватает на 12 часов, и это учитывая расход заряда на активное шупомодавление, так что на сенсоры и алгоритмы остаётся не так много. Скорее всего, CPU и памяти там будет хватать только на стандартную обработку сигналов и базовые ML модели.
Edge computing (вычисления на самом носимом устройстве а не в приложении на телефоне или в облаке) подразумевает, что веса моделей должны влезть в память устройства, а инференс и сопутствующие вычисления должны срабатывать быстро, но не сжирать батарейку за считанные минуты. Получается практическая задача оптимизации между точностью/сложностью модели и ресурсами устройства.
В принципе, классификацию сна можно делать и простыми on-device моделями. Первое и второе поколение Оуры вышли с базовыми классификаторами на самих кольцах, которые достигали 59-65% соответствия с полисомнографией — золотого стандарта при распознавании фаз сна.
Для сравнения, текущий алгоритм, который мы разработали в Оуре еще для третьего поколения кольца, — это мощная
deep-learning модель, которая крутится на телефоне и использует все возможности современных мобильных CPU. Только с её помощью удалось достичь 79% соответствия с золотым стандартом, что пока никто не смог превзойти.
Кстати, потолок у метрики качества классификации фаз сна не 100%, а 88%. Во время полисомнографии специально обученные специалисты производят разметку фаз сна вручную.
Для валидации этого метода во время масштабных независимых исследований, один и тот же сегмент сна размечают сразу несколько человек, чтобы оценить, насколько оценки совпадают друг с другом.
Наука не то чтобы точная, поэтому, в среднем, согласие насчет конкретных фаз сна у людей составляет от 80% до 88% в зависимости от фазы сна — это и есть потолок
