Sömn-vaken-detektion med bensburna enheter med djup sensorfusion

Varför bättre sömnspårning spelar roll

Många familjer känner igen kampen vid läggdags, oroliga nätter och trötta morgnar—särskilt när ett barn har uppmärksamhetsstörning med hyperaktivitet (ADHD). Dålig sömn kan förvärra ouppmärksamhet, hyperaktivitet och humör, samtidigt som de verktyg läkare använder för att mäta sömn ofta är antingen för komplicerade för vardagsbruk eller för grova för att fånga detaljer. Denna studie undersöker ett nytt sätt att övervaka barns sömn i hemmet med ett mjukt band som bärs på benet och avancerade datormetoder för att tolka dess signaler.

Från sömnlabbets sladdar till enkla bensband

Den nuvarande guldsstandarden för att mäta sömn, kallad sömnstudie, kräver en natt i ett labb uppkopplad med många sladdar som följer hjärnvågor, andning och rörelse. Även om detta är kraftfullt är uppläggningen dyr, besvärlig och speglar kanske inte hur ett barn faktiskt sover hemma. Å andra sidan mäter populära handledsenheter mest rörelse och kan missa subtila förändringar i andning, hjärtrytm eller bensrörelser som fragmenterar sömnen. Denna lucka är särskilt viktig för barn med ADHD, som ofta har rastlösa ben, frekventa korta uppvaknanden och fördröjda läggtider som standardspårare inte fångar väl.

En närmare titt på benen

Forskargruppen byggde vidare på tidigare arbete med en enhet kallad RestEaze, ett bekvämt bensband som tyst registrerar flera typer av signaler under hela natten. Små sensorer i bandet mäter hur benet rör sig i tre dimensioner, hur det vrider sig, hudens temperatur och förändringar i blodflödet som speglar hjärtaktivitet. I denna studie bar 14 barn som utvärderades för ADHD RestEaze på båda benen under nattliga sömnstudier som även spelade in hjärnvågor. Expertskådare märkte varje minut som sömn eller vaken med hjälp av hjärnregistreringen, vilket gav forskarna en tillförlitlig referens att jämföra bensbandets data mot.

Lära datorer att läsa natten

I stället för att handkonstruera enkla sammanfattningar av signalerna tränade teamet djupa inlärningsmodeller—särskilda algoritmer som kan upptäcka användbara mönster direkt i rådata. De testade två sätt att kombinera information från de fyra sensortyperna. I ”early-fusion”-metoden blandades alla signaler ihop först och matades sedan in i en enda modell. I ”late-fusion”-metoden bearbetades varje sensortyp i sin egen väg innan resultaten slogs ihop för ett slutgiltigt beslut. Late-fusion-modellen, som effektivt låter rörelse, puls och temperatur ”tala” var för sig innan de röstar, visade sig vara mest träffsäker och konsekvent över barnen.

Att tolka oroliga nätter

Den bäst presterande modellen kunde skilja sömn från vakenhet med hög tillförlitlighet, trots att sömnperioderna var ungefär fem gånger vanligare än vakenperioderna i datamängden. Utifrån minut-för-minut-besluten beräknade forskarna bekanta kliniska mått som total sömntid, insomningstid, hur lång tid barnet var vaken efter att första gången ha somnat och sömneffektivitet totalt. Inledningsvis tenderade modellen att dela upp natten i alltför många små uppvaknanden. För att åtgärda detta lade teamet till ett enkelt utjämningssteg som tittade på en minuts grannar i tidsserien och korrigerade osannolika isolerade vaken- eller sömnspikar. Denna justering förde modellens uppskattningar mycket närmare labbresultaten utan att dölja meningsfulla perioder av rastlöshet.

Vad fynden betyder för familjer

I praktiska termer visar studien att ett litet bensband kombinerat med moderna mönsterigenkänningsmetoder kan avgöra när ett barn sover eller är vaken nästan lika bra som en full sömnstudie, åtminstone i denna grupp barn med ADHD. Rörelsesensorer på benet bar mest av informationsbördan, medan puls och temperatur gav värdefull kontext. Även om forskningen involverade ett begränsat antal deltagare och fokuserade på en klinisk grupp pekar den mot en framtid där barn kan övervakas bekvämt hemma under många nätter. En sådan långsiktig vy skulle kunna hjälpa kliniker och föräldrar att upptäcka sömnproblem tidigare, förstå hur behandlingar fungerar och anpassa vården efter varje barns unika sömnmönster.

Citering: 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

Nyckelord: sömnovervakning, ADHD, bärbara sensorer, djupinlärning, bensrörelser