State of the Art in Wearable Sleep Stage Classification and Intelligent Wake-Up Systems

Abstract

Forced awakening during Stage N3 slow-wave sleep produces sleep inertia, a transient state of cognitive impairment that degrades psychomotor performance for up to 30 minutes postarousal. Standard alarm clocks are oblivious to the sleeper’s physiological state, making deep-sleep awakenings statistically inevitable across the 90-minute ultradian sleep cycle. This thesis presents Non-intrusive Optimal Wakeup Monitor (NOOM), a personalised sleep monitoring and intelligent alarm system that classifies 30-second epochs of wrist-worn sensor data into three clinically meaningful categories — Wake, Non-Deep (NREM N1, N2 and REM), and Deep (N3) — and triggers the alarm at the physiologically optimal moment within a user-defined window. The model combines a per-signal one-dimensional CNN with Instance Normalisation and a TCN for multi-scale sequence modelling, augmented by a parallel branch of 14 hand-crafted physiologically motivated features. Hyperparameters are optimised via CMA-ES with a composite fitness function that explicitly rewards Deep-class F1, preventing minority-class collapse. Training and evaluation follow a strict leave-one-subject-out (LOSO) cross-validation protocol on the full 100-subject DREAMT 2.1.0 dataset ( 154 million samples at 64 Hz). The system achieves a pooled LOSO macro-F1 of 0.537 (Wake: 0.59, Non-Deep: 0.82, Deep: 0.20), an overall accuracy of 74%, and a Cohen’s of 0.398 (moderate agreement). The smart alarm decision engine employs a weighted urgency curve, a deep-sleep suppression gate, and an ACC-based motion gate. A Psychomotor Vigilance Task (PVT) module provides closed-loop cognitive feedback for continual on-device personalisation. Comparative analysis confirms that NOOM is the only fully open, privacy-preserving, edge-deployable pipeline evaluated under strict 100-subject LOSO with explicit deep-sleep suppression logic and a PVT feedback loop.***

Le réveil forcé pendant la phase de sommeil profond à ondes lentes (stade N3) provoque une inertie du sommeil, un état transitoire de déficience cognitive qui dégrade les performances psychomotrices pendant jusqu’à 30 minutes après l’éveil. Les réveils conventionnels sont indifférents à l’état physiologique du dormeur, rendant les éveils en sommeil profond statistiquement inévitables au cours du cycle ultradien de 90 minutes. Cette thèse présente NOOM, un système personnalisé de surveillance du sommeil et d’alarme intelligente qui classifie des époques de 30 secondes issues de capteurs portés au poignet en trois catégories cliniquement pertinentes — Éveil, Non-Profond (NREM N1, N2 et REM) et Profond (N3) — et déclenche l’alarme au moment physiologiquement optimal au sein d’une fenêtre définie par l’utilisateur. Le modèle combine un CNN unidimensionnel par signal avec normalisation d’instance et un TCN pour la modélisation de séquences multi-échelles, augmenté d’une branche parallèle de 14 caractéristiques physiologiques conçues manuellement. Les hyperparamètres sont optimisés via CMA-ES avec une fonction d’aptitude composite qui récompense explicitement le F1 de la classe Deep, prévenant l’effondrement de la classe minoritaire. L’entraînement et l’évaluation suivent un protocole de validation croisée LOSO strict sur l’ensemble des 100 sujets du jeu de données DREAMT 2.1.0 (environ 154 millions d’échantillons à 64 Hz). Le système atteint un macro-F1 groupé en LOSO de 0,537 (Éveil : 0,59, Non-Profond : 0,82, Profond : 0,20), une précision globale de 74%, et un kappa de Cohen de 0,398 (accord modéré). Le moteur de décision de l’alarme intelligente repose sur une courbe d’urgence pondérée, une porte de suppression du sommeil profond, et une porte de mouvement basée sur l’accéléromètre. Un module de Tâche de Vigilance Psychomotrice (PVT) fournit une rétroaction cognitive en boucle fermée pour une personnalisation continue sur l’appareil. L’analyse comparative confirme que NOOM est le seul système entièrement ouvert, respectueux de la vie privée et déployable en périphérie, évalué selon un protocole LOSO strict sur 100 sujets avec une logique explicite de suppression du sommeil profond et une boucle de rétroaction PVT.