Teilweise dauert es recht lange, bis man einen Termin in einem Schlaflabor erhält. Dies kann zu Verzögerungen bei der Diagnose führen. In Schlaflaboren wird der Schlaf auf der Grundlage der Polysomnografie (PSG) gemessen und von Expertinnen und Experten in verschiedene Schlafstadien eingeteilt – ein personalintensiver, zeitaufwendiger und teurer Prozess. Neue, kostengünstige Messtechnologien und automatisierte Schlafbewertungsroutinen könnten helfen, den weit verbreiteten Schlafproblemen in modernen Gesellschaften zu begegnen. Die Forscherinnen und Forscher von Salzburg Research und der Universität Salzburg haben nun die Generalisierbarkeit von Ansätzen des maschinellen Lernens zur Klassifizierung von Schlafstadien analysiert.
Drei verschiedene Modelle trainiert
„Wir haben drei verschiedene Modelle zur Klassifizierung von Schlafstadien mit einem frei verfügbaren Forschungsdatensatz trainiert. Anschließend wurde dieser Datensatz und ein neuer, selbst aufgezeichneter Testdatensatz automatisiert durch die Modelle in Schlafstadien klassifiziert, um die Generalisierbarkeit der Modelle auf andere Datensätze mit anderen Merkmalen wie beispielsweise Alter oder Geschlecht zu analysieren“, sagt Stefan Kranzinger, Data Scientist bei dem auf Datenanalyse spezialisierten Forschungsinstitut Salzburg Research. „Es ist wichtig, die Modelle mit verschiedenen Datensätzen zu evaluieren, um Verzerrungen zu verringern und den leistungsfähigsten Ansatz ermitteln zu können.“
Daten der Probandinnen/Probanden zu Hause erheben?
Während des Schlafes verändern sich grundlegende physiologische Signale wie die Herzfrequenzvariabilität (HRV) und die Atmungsfrequenz, sodass der Schlaf allein anhand dieser Signale zuverlässig in drei bis vier Schlafstadien eingeteilt werden kann. Alle für die automatisierte Schlafstadienklassifikation verwendeten Merkmale werden aus derartigen Interbeat-Intervallen (IBI) oder Atmungsdaten berechnet. „In Zukunft sollte es möglich sein, diese Daten mit kostengünstigen Sensorsystemen zu erfassen, sodass die Daten für die Schlafstadienklassifizierung direkt bei den Probandinnen/Probanden zu Hause und nicht in klinischen Einrichtungen erhoben werden können“, so Salzburg Research-Forscher Kranzinger weiter.
Tiefschlaf schlechter vorhergesagt
Für die automatisierte Klassifizierung wurden drei verschiedene Klassifikationsalgorithmen – Random Forests sowie zwei Arten von neuronalen Netzen – verwendet. In einem ersten Szenario wurden drei Schlafstadien klassifiziert: Wachzustand, Rapid Eye Movement (REM)-Schlaf und nicht REM (NREM)-Schlaf. In einem zweiten Szenario wurde feiner unterschieden: Wachzustand, leichter Schlaf, Tiefschlaf und REM-Schlaf. Die Ergebnisse der Studie zeigen, dass für die dreistufige Klassifizierungsaufgabe – Wachzustand, NREM-Schlaf, REM-Schlaf – alle drei maschinellen Lernansätze geeignet sind, die Schlafstadien eines neuen Datensatzes zuverlässig zu klassifizieren. Nur die Klassifizierung der vier Schlafstadien – Wachsein, Leichtschlaf, Tiefschlaf, REM-Schlaf – zeigte, dass das mit dem frei verfügbaren Forschungsdatensatz trainierte Modell insbesondere den Tiefschlaf im neuen Datensatz schlechter vorhergesagt hat.
Ergänzung von Schlaflaboren?
„Insgesamt zeigen die Ergebnisse, dass wir mittels Machine Learning gute Aussagen zu den Schlafphasen erzielen können. Wir sind auf einem guten Weg, um in Zukunft mit automatisierten Technologien die Betreuung von Menschen in Schlaflaboren ergänzen zu können. Weiterführende Forschungsarbeit wird zu einer weiteren Verfeinerung der Klassifizierungen führen“, so Kranzinger. Dies könnte zur Entlastung der Schlaflabore durch automatisierte Schlafbewertung führen.
Quelle: idw/Salzburg Research Forschungsgesellschaft
Artikel teilen
