Аналіз можливостей інформаційної системи покращення якості сну на основі аналізу біометричних даних

Марина Сергіївна Граф; Андрій Володимирович Яконюк; Даніїл Вячеславович Крант; Юрій Юрійович Головач

doi:10.26642/ten-2024-2(94)-113-120

Автор(и)

Марина Сергіївна Граф Державний університет «Житомирська політехніка», Україна https://orcid.org/0000-0003-4873-548X
Андрій Володимирович Яконюк Державний університет «Житомирська політехніка», Україна https://orcid.org/0009-0005-2461-8651
Даніїл Вячеславович Крант Державний університет «Київський авіаційний інститут», Україна https://orcid.org/0000-0003-4601-2827
Юрій Юрійович Головач Державний університет «Київський авіаційний інститут», Україна https://orcid.org/0000-0001-9872-8144

DOI:

https://doi.org/10.26642/ten-2024-2(94)-113-120

Ключові слова:

складна система, системний аналіз, структурний синтез, ситуаційний центр, системний підхід, кібернетична модель, показник якості, критерій ефективності

Анотація

У роботі проведено аналіз можливостей інформаційної системи покращення якості сну на основі аналізу біометричних даних з використанням технології Ambient Intelligence (AmI). В умовах сучасних стресових реалій, зокрема впливу пандемії COVID-19 та соціальних потрясінь, які значно погіршують психофізичний стан людей, покращення якості сну набуває особливої актуальності. AmI-системи дозволяють автоматично налаштовувати параметри середовища, такі як температура, освітлення та вологість, з урахуванням індивідуальних біометричних показників користувача, що сприяє підтриманню природних циркадних ритмів та підвищує загальний комфорт під час сну. У статті розглядаються сучасні дослідження у галузі адаптивних систем управління умовами сну, що враховують біоритми та фізіологічні потреби людини. Особлива увага приділяється можливостям AmI-систем для автономного налаштування параметрів середовища відповідно до даних, зібраних із сенсорів, таких як температура тіла, частота серцевих скорочень та фази сну. У дослідженні показано, що ці технології не лише покращують умови для сну, а й позитивно впливають на загальний стан здоров’я користувача та знижують рівень стресу. Система здатна самостійно функціонувати завдяки використанню алгоритмів машинного навчання, зокрема LSTM для прогнозування, фільтра Калмана для очищення даних, Isolation Forest для виявлення аномалій та K-means для кластеризації режимів сну.

Посилання

«Philips global sleep survey shows we want better sleep, but only if it comes easily», Philips, [Online], available at: https://www.philips.com/a-w/about/news/archive/standard/news/press/2019/20190307-philips-global-sleep-survey-shows-we-want-better-sleep-but-only-if-it-comes-easily.html

«Why do we sleep and how does sleep affect your youth?», Molodo™, [Online], available at: https://www.molodo.me/blogs/news/why-do-we-sleep

Korost, Ya.V. and Shkvarok, A.K. (2023), «Otsinka yakosti snu naselennia Ukrainy pid chas voiennoho stanu ta ryzyku rozvytku skarh z boku sertsevo-sudynnoi systemy na foni klinichno vyrazhenoho bezsonnia», Clinical and Preventive Medicine, Issue 7, pp. 68–73.

Sun, Y. and Li, S. (2021), «A systematic review of the research framework and evolution of smart homes based on the internet of things», Telecommunication Systems, [Online], available at: https://link.springer.com/article/10.1007/s11235-021-00787-w

Ramos, C., «Ambient intelligence – A state of the art from artificial intelligence perspective», SpringerLink, [Online], available at: https://link.springer.com/chapter/10.1007/978-3-540-77002-2_24

Aarts, E. and Wichert, R., «Ambient intelligence», SpringerLink, [Online], available at: https://link.springer.com/chapter/10.1007/978-3-540-88546-7_47

Gooley, J.J. et al. (2011), «Exposure to Room Light before Bedtime Suppresses Melatonin Onset and Shortens Melatonin Duration in Humans», The Journal of Clinical Endocrinology & Metabolism, Vol. 96, No. 3, рр. E463–E472, doi: 10.1210/jc.2010-2098.

Chang, A.-M. et al. (2014), «Evening use of light-emitting eReaders negatively affects sleep, circadian timing, and next-morning alertness», Proceedings of the National Academy of Sciences, Vol. 112, No. 4, рр. 1232–1237, doi: 10.1073/pnas.1418490112.

Pereira, M.O.K. et al. (2022), «Adjustable lighting system based on circadian rhythm for human comfort», Journal of Optics, doi: 10.1007/s12596-022-00874-4.

Zarindast, A. and Wood, J. (2021), «A Data-Driven Personalized Lighting Recommender System», Frontiers in Big Data, Vol. 4, doi: 10.3389/fdata.2021.706117.

Park, J.-H. and Lee, J.-D. (2023), «A Customized Deep Sleep Recommender System Using Hybrid Deep Learning», Sensors, Vol. 23, No. 15, doi: 10.3390/s23156670.

Murphy, P.J. and Campbell, S.S. (1997), «Nighttime Drop in Body Temperature: A Physiological Trigger for Sleep Onset?», Sleep., Vol. 20, No. 7, рр. 505–511, doi: 10.1093/sleep/20.7.505.

Okamoto-Mizuno, K. and Mizuno, K. (2012), «Effects of thermal environment on sleep and circadian rhythm», Journal of Physiological Anthropology, Vol. 31, No. 1, doi: 10.1186/1880-6805-31-14.

Li, D., Menassa, C.C. and Kamat, V.R. (2017), «Personalized human comfort in indoor building environments under diverse conditioning modes», Building and Environment, Vol. 126, рр. 304–317, doi: 10.1016/j.buildenv.2017.10.004.

Kalman, R.E. (1960), «A New Approach to Linear Filtering and Prediction Problems», Journal of Basic Engineering, Vol. 82, No. 1, рр. 35–45, doi: 10.1115/1.3662552.

Ma, X. et al. (2015), «Long short-term memory neural network for traffic speed prediction using remote microwave sensor data», Transportation Research. Part C. Emerging Technologies, Vol. 54, рр. 187–197, doi: 10.1016/j.trc.2015.03.014.

«Isolation forest» (2008), Eighth IEEE International Conference on Data Mining, рр. 413–422.

MacQueen, J. (1967), «Some methods for classification and analysis of multivariate observations», Proceedings of the fifth Berkeley symposium on mathematical statistics and probability, Vol. 1, No. 14, рр. 281–297.

ASHRAE 55-2020. Thermal Environmental Conditions for Human Occupancy (2021), Chynnyi vid 2021-04-30, Vyd. ofits.