La recherche derrière SomniSense.

Ce que nous voulions tester

La question du benchmark est volontairement étroite : avec quelle exactitude un modèle utilisant le microphone d'un téléphone peut-il classer des segments de ronflement étiquetés de 1 seconde et des fenêtres respiratoires étiquetées de 200 secondes dans des enregistrements référencés par PSG ?

Elle ne demande pas si un téléphone remplace la PSG et ne valide pas le BRI nocturne, les limites ou la durée des événements, ni un diagnostic. Tout ce qui suit décrit les deux tâches de classification évaluées et leurs limites.

L'étude de validation

Illustration, et non données d’étude. L’échantillon est décrit dans le texte.

Les performances de détection ont été mesurées face à la référence clinique de l'enregistrement du sommeil — la polysomnographie (PSG) en laboratoire et ambulatoire — lors de nuits où le téléphone et l'installation PSG enregistraient la même personne, la même nuit, au même moment.

• Échantillon. 80 nuits appariées chez 40 participants : 10 nuits PSG en laboratoire et 70 nuits PSG ambulatoires avec canule de débit nasal. Des adultes avec et sans trouble respiratoire du sommeil diagnostiqué. La cohorte ne représente pas tous les âges, morphologies ou groupes démographiques. Les moins de 18 ans et certains autres groupes ne sont pas suffisamment représentés ; ces résultats ne se généralisent donc pas à tout le monde.
• Support d'enregistrement. Un smartphone ordinaire au chevet (un mélange de modèles iPhone et Android depuis 2018), à 50–90 cm de la tête du participant. Pas de matériel de laboratoire. Le but était de tester ce que les utilisateurs possèdent réellement.
• Vérité terrain. L'audio PSG a été noté par des techniciens du sommeil formés selon l'AASM, sans qu'ils sachent ce que SomniSense avait indiqué pour chaque segment. La notation en aveugle évite que le test soit circulaire : les évaluateurs ne voient pas notre réponse en premier.
• Limite des sorties de production. Les limites, la durée et le type des événements, le BRI nocturne et les tendances personnelles sont des sorties du produit. Elles exigent une analyse propre à chaque sortie et n'héritent pas de l'exactitude du benchmark de fenêtres publié.

Les métriques propres aux segments de ronflement et aux fenêtres respiratoires sont expliquées sur la page sur l’exactitude, avec la tâche évaluée et ses limites.

Comment fonctionne réellement le système

SomniSense n'est pas un seul modèle. C'est une cascade de deux modèles, et sa structure est ce dont je suis le plus fier : elle rend un modèle du sommeil en temps réel assez petit pour tenir dans un téléphone plutôt que dans un centre de données.

• Étape 1 — écoute sur fenêtre courte. Un petit CNN examine une seconde d'audio à la fois et pose une seule question : était-ce un ronflement ? Il le fait chaque seconde, toute la nuit.
• Étape 2 — lecture sur fenêtre longue. Ces réponses par seconde, avec deux caractéristiques simples de volume, sont assemblées en une grille compacte de 200 × 3 — environ 600 nombres décrivant une séquence de 200 secondes de votre nuit. Un second CNN lit cette grille et décide si la séquence contenait une irrégularité respiratoire.

La grille intermédiaire résume une fenêtre de 200 secondes en environ 600 valeurs pour le second modèle. Le modèle compressé de classification respiratoire publié mesure moins de 60 KB ; son temps d’inférence mesuré est de 0.064 ms sur Apple M2 Neural Engine. Ces chiffres concernent ce modèle et ce matériel de test, pas la taille de toute la chaîne ni une vitesse garantie pour l’app sur chaque téléphone.

Certains détails du système sur l'appareil — notamment la cascade, la compression, le contrôle de passage et l'architecture d'inférence protégeant la confidentialité — sont couverts par des demandes provisoires de brevet américain déposées par SomniAI LLC. Ces demandes sont en instance et n'ont pas fait l'objet d'un examen de fond ; leur statut ne valide aucun benchmark, résultat clinique ou diagnostic.

Les travaux

La cascade complète en deux étapes fait l'objet d'un travail — un preprint Research Square doté d'un DOI citable. Trois preprints complémentaires en documentent chaque partie intégralement — publiés ouvertement sur Zenodo, chacun avec son propre DOI (catégories cs.LG et eess.AS). Aucun n'a été évalué par les pairs ; je les appelle donc des preprints, pas des articles approuvés par une revue. Les liens DOI figurent ci-dessous.

1. Paper A — Pipeline CNN en cascade à deux étapes pour la détection audio du sommeil sur smartphone

   Les deux références CNN et la structure en cascade, validées par bootstrap sur plusieurs initialisations aléatoires pour que les chiffres ne résultent pas d'une seule répartition chanceuse.

   Yang L. (SomniAI LLC) · cs.LG, eess.AS · Zenodo · doi:10.5281/zenodo.20662374

2. Paper C — Coordinate Attention pour la détection de l'apnée du sommeil à partir d'audio 1D

   Une conception Coordinate-Attention unidimensionnelle pour l'étape des événements respiratoires — 93% de paramètres en moins que la référence simple, évaluée avec plusieurs initialisations aléatoires.

   Yang L. (SomniAI LLC) · cs.LG, eess.AS · Zenodo · doi:10.5281/zenodo.20663376

3. Paper E — Compression sur l'appareil pour la détection de l'apnée du sommeil

   Comment le modèle passe d'un réseau de taille expérimentale à la version de moins de 60 KB distribuée — entraînement sensible à la quantification et élagage structuré, sans perte d'exactitude.

   Yang L. (SomniAI LLC) · cs.LG, eess.AS · Zenodo · doi:10.5281/zenodo.20663768

Pourquoi des preprints avant l'évaluation par les pairs

L'évaluation par les pairs prend des mois. Attendre reviendrait à ne rien vous donner de concret à vérifier entre-temps. La méthode est donc publiée maintenant, ouvertement, sous forme de preprints que vous pouvez lire et contester, avec l'avertissement explicite qu'ils n'ont pas fait l'objet d'une évaluation formelle. Lorsque cela changera, cette page changera et j'expliquerai ce qui a changé.

Ce que cette recherche est — et n'est pas

La validation indique les performances de classification sur deux tâches acoustiques référencées par PSG. Elle ne transforme pas une app de bien-être en dispositif médical et ne s'étend pas automatiquement à toutes les sorties de production.

• Pas un diagnostic. SomniSense indique un Breathing Irregularity Index (BRI) défini par le produit à partir de l'audio du microphone. BRI n'est pas l'AHI clinique et ne diagnostique pas l'apnée obstructive du sommeil.
• Pas un substitut à une étude du sommeil. Un diagnostic exige un professionnel de santé qualifié et des examens cliniques appropriés. Des symptômes tels que des pauses observées, des halètements ou une somnolence diurne persistante — et non un seuil de l'app — justifient d'envisager cette discussion.
• Non validé pour les moins de 18 ans. La cohorte ne comprenait que des adultes.

Vous lisez ceci à cause d'un symptôme ?

La recherche constitue la couche de preuve. Si vous êtes arrivé ici en raison de quelque chose que vous ressentez réellement, ces pages partent du symptôme plutôt que de la méthode :

• → Se réveiller en haletant
• → Être fatigué après huit heures
• → Ronflements bruyants