Riuscire a leggere i sogni? Il nuovo cervello lo fa!

Dormire è fondamentale per mente e corpo, ma capire quando qualcosa va storto non è semplice. I disturbi del sonno sono comuni, ma i medici faticano a riconoscerli in fretta perché ogni persona è diversa e i sintomi si sovrappongono. Un gruppo di ricercatori ha creato un’intelligenza artificiale chiamata NRGAMTE che impara a “guardare” tre segnali corporei contemporaneamente: le onde cerebrali (EEG), i movimenti muscolari (EMG) e i movimenti degli occhi (EOG). Prima di tutto, i segnali grezzi vengono tagliati in frammenti da 30 secondi, poi ogni frammento viene analizzato da una rete neurale 1D-CNN che estrae le caratteristiche nascoste in ogni segnale. Un meccanismo di attenzione incrociata seleziona le informazioni più utili tra i tre segnali, mentre un percorso residuo mantiene i dettagli più importanti. Il risultato? NRGAMTE riconosce i disturbi del sonno con il 94,5% di precisione su un grande database e addirittura il 99,6% su un altro set di dati specializzato, superando molti metodi tradizionali. Questo sistema potrebbe aiutare i dottori a diagnosticare i problemi del sonno in modo veloce e affidabile, migliorando la qualità della vita di milioni di persone.

Il modello NRGAMTE combina più modalità fisiologiche per migliorare la rilevazione dei disturbi del sonno. I segnali grezzi vengono segmentati in finestre da 30 secondi per catturare sia dinamiche temporali che spettrali. Ogni segnale è codificato da una rete neurale 1D-CNN, che preserva le caratteristiche specifiche del segnale (ad esempio, la frequenza delle onde EEG, l’ampiezza degli artefatti EMG). La fusione cross-modale utilizza un meccanismo di attenzione residua con gate (MRGCAF) che calcola un peso dinamico per ogni coppia di modalità, enfatizzando le interazioni più informative e permettendo un percorso di riserva che aggira il gating per preservare i segnali critici. L’encoder transformer applica poi auto-attenzione su tutta la sequenza fused, catturando dipendenze temporali complesse tipiche dei modelli di sonno. Gli esperimenti su Sleep‑EDF e sul database CAP mostrano una precisione rispettivamente del 94,51% e del 99,64%, con una notevole riduzione del tempo di inferenza rispetto ai sistemi basati su CNN o RNN semplici. Questo approccio apre la strada a sistemi di screening del sonno clinicamente validati e a basso consumo energetico.