OSA er en relativt vanlig søvnforstyrelse som er karakterisert ved gjentatte episoder av delvis eller fullstendig kollabering av de øvre luftveiene under søvn. Det er estimert at omtrent 70-80% av alle OSA-tilfeller ikke er diagnostisert. God søvn er avgjørende for å opprettholde god fysisk og mental helse. OSA-diagnostisering er vanligvis gjennomført i et søvnlaboratorium på sykehus ved hjelp av polysomnografiinstrumenter med spesielle tester. OSA-diagnoseprosessen er ukomfortabel for pasienten og krever veldig mye ressurser: høye kostnader for spesialutstyr, sykehusplass, personale for pasientovervåking, og spesialistanalyse av polysomnografiresultene.
Moderne smarttelefoner og billige, minimalt invasive sensorer utgjør en lovende plattform for å gjennomføre OSA-monitorering hjemme. Vi vil forbedre OSA-diagnostisering ved å utvikle ny programvare som broker maskinlæring og dagens konsumerelektronikk med egnede sensorer for å supplere klassisk polysomnografi. Vi skal undersøke nytteverdien av veiledet og ikke-veiledet maskinlæring (data mining) for å identifisere viktige/interessante mønster i dataene som kan generere ny kunnskap for OSA-forskning og for verktøy for online-analyse av data. Designprosessen for online-analyseverktøy skal gjøre det mulig for personer med lite IT-kunnskap å tilpasse personspesifikk OSA-analyse.