Rilevamento sonno/veglia da dispositivi indossati sulla gamba tramite fusione profonda dei sensori

Perché un monitoraggio del sonno migliore è importante

Molte famiglie conoscono le difficoltà delle lotte per andare a letto, delle notti irrequiete e delle mattine assonnate—soprattutto quando un bambino ha disturbo da deficit di attenzione/iperattività (ADHD). Un sonno di scarsa qualità può peggiorare disattenzione, iperattività e umore, tuttavia gli strumenti che i medici usano per misurare il sonno sono spesso o troppo complessi per l’uso quotidiano o troppo grezzi per cogliere i dettagli. Questo studio esplora un nuovo modo di monitorare il sonno dei bambini a casa usando una fascia morbida indossata sulla gamba e tecniche informatiche avanzate per interpretarne i segnali.

Dai fili del laboratorio a semplici fasce per la gamba

Lo standard attuale per misurare il sonno, chiamato polisonnografia, richiede una notte in laboratorio collegati a molti fili che tracciano onde cerebrali, respirazione e movimento. Pur essendo potente, questa configurazione è costosa, scomoda e potrebbe non riflettere come un bambino dorme realmente a casa. D’altra parte, i dispositivi da polso diffusi rilevano principalmente il movimento e possono perdere cambiamenti sottili nella respirazione, nel ritmo cardiaco o nei movimenti delle gambe che frammentano il sonno. Questa lacuna è particolarmente rilevante per i bambini con ADHD, che spesso presentano gambe irrequiete, risvegli brevi e frequenti e ritardi nell’addormentamento che i tracker standard faticano a cogliere.

Uno sguardo più attento alle gambe

Il gruppo di ricerca ha sviluppato partendo da lavori precedenti un dispositivo chiamato RestEaze, una fascia confortevole da indossare sulla gamba che registra silenziosamente diversi tipi di segnali per tutta la notte. Piccoli sensori all’interno misurano come la gamba si muove nelle tre dimensioni, come ruota e si torce, la temperatura della pelle e le variazioni nel flusso sanguigno che riflettono l’attività cardiaca. In questo studio, 14 bambini valutati per ADHD hanno indossato RestEaze su entrambe le gambe durante studi del sonno notturni che registravano anche le onde cerebrali. Esperti valutatori hanno etichettato ogni minuto come sonno o veglia usando le registrazioni cerebrali, fornendo ai ricercatori un riferimento affidabile con cui confrontare i dati della fascia da gamba.

Addestrare i computer a leggere la notte

Invece di costruire a mano riassunti semplici dei segnali, il team ha addestrato modelli di deep learning—algoritmi speciali in grado di scoprire pattern utili direttamente dai dati grezzi. Hanno testato due modalità di combinare le informazioni provenienti dai quattro sensori. Nell’approccio di “fusione precoce” (early-fusion), tutti i segnali venivano miscelati insieme prima di essere immessi in un unico modello. Nell’approccio di “fusione tardiva” (late-fusion), ogni tipo di sensore veniva elaborato in un proprio percorso prima che i risultati venissero uniti per una decisione finale. Il modello a fusione tardiva, che di fatto permette al movimento, al battito e alla temperatura di “esprimersi” separatamente prima di votare, si è dimostrato il più accurato e coerente tra i bambini.

Interpretare le notti irrequiete

Il modello con le migliori prestazioni riusciva a distinguere sonno da veglia con elevata affidabilità, nonostante i periodi di sonno fossero circa cinque volte più frequenti dei periodi di veglia nei dati. Dalle sue decisioni minuto per minuto, i ricercatori hanno calcolato misure cliniche familiari come la durata totale del sonno, il tempo impiegato per addormentarsi, il tempo trascorso svegli dopo il primo addormentamento e l’efficienza complessiva del sonno. Inizialmente il modello tendeva a spezzare la notte in troppe piccole risvegli. Per correggere questo comportamento, il team ha aggiunto un semplice passaggio di smoothing che esamina i minuti vicini nel tempo e rettifica isolati e implausibili lampi di veglia o sonno. Questo aggiustamento ha avvicinato molto le stime del modello ai risultati di laboratorio senza nascondere periodi significativi di irrequietezza.

Cosa significano i risultati per le famiglie

In termini pratici, lo studio mostra che una piccola fascia indossata sulla gamba, combinata con metodi moderni di riconoscimento di pattern, può tracciare quando un bambino è addormentato o sveglio quasi altrettanto bene di uno studio del sonno completo, almeno in questo gruppo di bambini con ADHD. I sensori di movimento sulla gamba hanno fornito la maggior parte delle informazioni, mentre battito e temperatura hanno aggiunto contesto utile. Sebbene la ricerca abbia coinvolto un numero modesto di partecipanti e si sia concentrata su un gruppo clinico specifico, essa indica un futuro in cui i bambini possano essere monitorati comodamente a casa per molte notti. Questa visione a lungo termine potrebbe aiutare clinici e genitori a rilevare prima i problemi del sonno, capire come funzionano i trattamenti e adattare le cure ai modelli di sonno unici di ciascun bambino.

Citazione: Anwar, Y., Bansal, K., Kucukosmanoglu, M. et al. Sleep awake detection from leg-worn wearables using deep sensor fusion. Sci Rep 16, 9930 (2026). https://doi.org/10.1038/s41598-026-42310-8

Parole chiave: monitoraggio del sonno, ADHD, sensori indossabili, deep learning, movimento della gamba