FORSCHUNG · VALIDIERUNG · OFFENE METHODIK
Die Forschung hinter SomniSense.
SomniSense ist eine Wellness-App für Verbraucher. Zugleich ist sie das produktseitige Ergebnis eines Forschungsprogramms, an dem ich seit Jahren arbeite: eine Validierungsstudie anhand von PSG-Referenzaufzeichnungen, ein kleines Modell, das vollständig auf Ihrem Smartphone läuft, und ein kurzes Preprint-Portfolio, das die Funktionsweise beschreibt. Diese Seite legt die Forschung verständlich dar. Die Verbraucherversion — konkrete Zahlen und ein Rahmen, in dem Sie widersprechen können — finden Sie unter /accuracy. Diese Seite erklärt das Warum und Wie unter diesen Zahlen.
Was wir testen wollten
Die Benchmark-Frage ist bewusst eng gefasst: Wie genau kann ein Smartphone-Mikrofonmodell gekennzeichnete 1-Sekunden-Schnarchsegmente und gekennzeichnete 200-Sekunden-Atemfenster in PSG-referenzierten Aufzeichnungen klassifizieren?
Sie fragt nicht, ob ein Smartphone die PSG ersetzt, und validiert weder nächtlichen BRI noch Ereignisgrenzen, Dauer oder Diagnose. Alles Folgende beschreibt die beiden bewerteten Klassifikationsaufgaben und ihre Grenzen.
Die Validierungsstudie
Die Erkennungsleistung wurde an der klinischen Referenz für Schlafaufzeichnungen gemessen — Polysomnographie (PSG) im Labor und ambulant — in Nächten, in denen Smartphone und PSG-Anordnung dieselbe Person in derselben Nacht zur selben Zeit aufzeichneten.
- Stichprobe. 80 gekoppelte Nächte von 40 Teilnehmenden — 10 PSG-Nächte im Labor und 70 ambulante PSG-Nächte mit Nasenflusskanüle. Erwachsene mit und ohne diagnostizierte schlafbezogene Atemprobleme. Aus Gründen der Ehrlichkeit nennen wir bewusst unterrepräsentierte Gruppen — unter 18-Jährige, BMI-Extremwerte und bestimmte Bevölkerungsgruppen — statt dies hinter einer großen aggregierten Zahl zu verbergen.
- Aufnahmemedium. Ein gewöhnliches Smartphone am Bett (eine Mischung aus iPhone- und Android-Modellen ab 2018), 50–90 cm vom Kopf der teilnehmenden Person entfernt. Keine Laborhardware. Es sollte getestet werden, was Nutzende tatsächlich besitzen.
- Referenzstandard. Das PSG-Audio wurde von nach AASM geschulten Schlaftechnikerinnen und -technikern bewertet, die nicht wussten, was SomniSense zu den einzelnen Segmenten gesagt hatte. Die verblindete Bewertung verhindert einen zirkulären Test — die Bewertenden sehen unsere Antwort nicht zuerst.
- Grenze der App-Ausgaben. Ereignisgrenzen, Dauer, Typkennzeichnungen, nächtlicher BRI und persönliche Trends sind Ausgaben der aktuellen App. Sie benötigen eine auf die jeweilige App-Ausgabe zugeschnittene Analyse und übernehmen nicht die Genauigkeit des veröffentlichten Fensterbenchmarks.
Die vollständige Aufschlüsselung Zahl für Zahl — Schnarchsegmentmetriken, Atemfenstermetriken und bootstrap-Bereiche — steht unter /accuracy, für alle, die jede Zahl genau prüfen möchten.
Wie das System tatsächlich funktioniert
SomniSense ist nicht ein Modell. Es ist eine Kaskade aus zwei Modellen, und auf diese Struktur bin ich besonders stolz, weil sie ein Echtzeit-Schlafmodell klein genug macht, um auf einem Smartphone statt in einem Rechenzentrum zu leben.
- Stufe 1 — Kurzfenster-Listener. Ein kleines CNN betrachtet jeweils eine Sekunde Audio und stellt eine einzige Frage: War das ein Schnarchen? Das geschieht jede Sekunde, die ganze Nacht.
- Stufe 2 — Langfenster-Leser. Diese sekundengenauen Antworten werden zusammen mit zwei einfachen Lautstärkemerkmalen in ein kompaktes 200 × 3-Raster zusammengesetzt — etwa 600 Zahlen, die einen 200-Sekunden-Abschnitt Ihrer Nacht beschreiben. Ein zweites CNN liest das Raster und entscheidet, ob der Abschnitt eine Atemunregelmäßigkeit enthielt.
Der Kniff ist dieses Zwischenraster. Die meisten Audiomodelle schleppen ein schweres Spektrogramm mit sich — mehrere MB pro Fenster. Indem jedes Fenster auf etwa 600 Zahlen komprimiert wird, bevor die zweite Stufe es sieht, schrumpft die gesamte Pipeline auf ein Modell unter 60 KB, das in 0.064 ms auf einer Apple Neural Engine läuft. Das erfordert „auf dem Gerät, ohne Cloud“ tatsächlich unter der Haube.
Bestimmte Details des Systems auf dem Gerät — darunter Kaskade, Kompression, Gating und eine datenschutzwahrende Inferenzarchitektur — sind Gegenstand vorläufiger US-Patentanmeldungen von SomniAI LLC. Diese Anmeldungen sind anhängig und wurden nicht inhaltlich geprüft; ihr Status validiert weder einen Benchmark noch ein klinisches Ergebnis oder eine Diagnose.
Die Arbeiten
Die vollständige zweistufige Kaskade ist in einer Arbeit beschrieben — einem Research-Square-Preprint mit zitierfähiger DOI. Darunter dokumentieren drei begleitende Preprints jedes Element vollständig — offen auf Zenodo veröffentlicht, jeweils mit eigener DOI (Kategorien cs.LG und eess.AS). Keiner wurde begutachtet; ich nenne sie daher Preprints und nicht fachzeitschriftlich bestätigte Artikel. Die DOI-Links stehen unten.
- Paper A — Eine kaskadierte zweistufige CNN-Pipeline zur Smartphone-Schlafaudioerkennung
Die beiden CNN-Baselines und die Kaskadenstruktur, validiert mit Multi-Seed-bootstrap, damit die Zahlen nicht aus einer einzigen glücklichen Aufteilung stammen.
Yang L. (SomniAI LLC) · cs.LG, eess.AS · Zenodo · doi:10.5281/zenodo.20662374
- Paper C — Coordinate Attention für 1D-audiobasierte Schlafapnoeerkennung
Ein eindimensionales Coordinate-Attention-Design für die Atemereignisstufe — 93% weniger Parameter als die einfache Baseline, über mehrere Seeds untersucht.
Yang L. (SomniAI LLC) · cs.LG, eess.AS · Zenodo · doi:10.5281/zenodo.20663376
- Paper E — Kompression auf dem Gerät zur Schlafapnoeerkennung
Wie das Modell vom Netzwerk in Forschungsgröße zur ausgelieferten Version unter 60 KB gelangt — quantisierungsbewusstes Training plus strukturiertes Pruning, ohne Genauigkeitsverlust.
Yang L. (SomniAI LLC) · cs.LG, eess.AS · Zenodo · doi:10.5281/zenodo.20663768
Warum Preprints vor der Begutachtung
Die Begutachtung dauert Monate. Abzuwarten würde bedeuten, Ihnen währenddessen nichts Konkretes zur Prüfung zu geben. Deshalb wird die Methodik jetzt offen als Preprints veröffentlicht, die Sie lesen und hinterfragen können — mit dem ausdrücklichen Hinweis, dass sie nicht formal begutachtet wurden. Ändert sich das, ändert sich diese Seite, und ich erkläre, was sich geändert hat.
Was diese Forschung ist — und was nicht
Die Validierung berichtet die Klassifikationsleistung bei zwei PSG-referenzierten akustischen Aufgaben. Sie macht aus einer Wellness-App kein Medizinprodukt und erstreckt sich nicht automatisch auf jede Produktionsausgabe.
- Keine Diagnose. SomniSense berichtet aus Mikrofon-Audio einen produktdefinierten Breathing Irregularity Index (BRI). BRI ist kein klinischer AHI und diagnostiziert keine obstruktive Schlafapnoe.
- Kein Ersatz für eine Schlafuntersuchung. Eine Diagnose erfordert qualifiziertes medizinisches Fachpersonal und geeignete klinische Tests. Symptome wie beobachtete Pausen, Luftschnappen oder anhaltende Tagesschläfrigkeit — nicht ein App-Schwellenwert — sind Gründe, ein solches Gespräch zu erwägen.
- Nicht für unter 18-Jährige validiert. Die Kohorte umfasste nur Erwachsene.
Lesen Sie dies wegen eines Symptoms?
Die Forschung ist die Beweisebene. Wenn Sie wegen etwas hergekommen sind, das Sie tatsächlich erleben, beginnen diese Seiten beim Symptom statt bei der Methode:
Sie möchten Zahlen, keine Erzählung?
Jede Metrik, jeder bootstrap-Bereich und jede ehrlich benannte Grenze steht auf der Genauigkeitsseite, damit Sie sie hinterfragen können. Oder, wenn Sie genug gelesen haben: Die ersten 7 Tage von Pro sind kostenlos.
App laden — kostenlos beginnen Vollständige Genauigkeitsaufschlüsselung ansehen →