FORSCHUNG · VALIDIERUNG · OFFENE METHODIK
Die Forschung hinter SomniSense.
Worauf stützen sich die möglichen Atempausen in der App? Die Forschung vergleicht definierte akustische Klassifikationsaufgaben mit PSG-Referenzmarkierungen aus 80 gekoppelten Nächten. Die Methoden unten erklären diese Aufgaben und ihre Grenzen. Was die Ergebnisse beim Öffnen einer markierten Wellenform bedeuten, erläutert die Genauigkeitsseite. Forschungsbenchmarks bestätigen weder eine Diagnose noch jedes einzelne markierte Ereignis.
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
Illustration, keine Studiendaten. Die untersuchte Stichprobe wird im Text beschrieben.
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 mit 40 Teilnehmenden: 10 PSG-Nächte im Labor und 70 ambulante PSG-Nächte mit Nasenflusskanüle. Untersucht wurden Erwachsene mit und ohne diagnostizierte schlafbezogene Atemprobleme. Die Gruppe bildet nicht jedes Alter, jeden Körperbau oder jede Bevölkerungsgruppe ab. Unter 18-Jährige und weitere Gruppen sind nicht ausreichend vertreten; die Ergebnisse gelten daher nicht ohne Weiteres für alle.
- 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 aufgabenspezifischen Kennzahlen für Schnarchsegmente und Atemfenster werden auf der Genauigkeitsseite mit ihren jeweiligen Grenzen erklärt.
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.
Das Zwischenraster enthält etwa 600 Zahlen pro Fenster. Für das komprimierte Atemklassifikationsmodell werden unter 60 KB und eine Inferenzzeit von 0.064 ms auf der Apple M2 Neural Engine berichtet. Diese Angaben gelten für das genannte Modell und die Testhardware, nicht für die Größe der gesamten App oder eine garantierte Geschwindigkeit auf jedem Handy.
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
Quantisierungsbewusstes Training und strukturiertes Pruning verkleinern das Atemmodell auf unter 60 KB. Die Arbeit berichtet die gemessene Klassifikationsleistung unter den angegebenen Testbedingungen.
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?
Auf der Genauigkeitsseite finden Sie die Ergebnisse mit ihrer jeweiligen Aufgabe und ihren Grenzen. Möchten Sie sehen, was das Handy in Ihrem Zimmer aufnimmt? Beginnen Sie mit Free und sehen Sie sich die erste Nacht an. Starte mit Free. Pro ist nach der Zahlung verfügbar; es gibt keinen kostenlosen Pro-Test.
App laden — kostenlos beginnen Vollständige Genauigkeitsaufschlüsselung ansehen →