Wer anhaltend schlecht schläft, läuft früher oder später Gefahr, körperliche, aber auch psychische Probleme zu bekommen. Teilweise sind diese aber auch Ursache für Schlafstörungen, die den Organismus dann zusätzlich belasten können – ein Teufelskreis.
Um der Ursache für die Beeinträchtigung der Nachtruhe auf den Grund zu kommen, hilft meist nur der Gang in externe Schlaflabore, wo polysomnografische Geräte etwa die Herzfrequenzvariabilität und die Atmungsfrequenz messen. Fachleute werten vor Ort die Daten aus und können so die Schlafphasen der Betroffenen und etwaige Auffälligkeiten klassifizieren. Der Vorgang ist aufwendig, sowohl bei Personaleinsatz und Zeitaufwand als auch bei den Kosten.
Mit KI gegen Schlafstörungen
Forschende von Salzburg Research und der Universität Salzburg wollen diesen Prozess vereinfachen und testen daher maschinelle Lernansätze, die die Schlafphasen mittels künstlicher Intelligenz (KI) automatisiert klassifizieren sollen. Zusammen mit kostengünstigen Sensorsystemen, die nach und nach Verbreitung finden, könnten Betroffene ihren Schlaf künftig zu Hause im eigenen Bett aufzeichnen.
Im Rahmen einer Studie, die vor kurzem im Journal "Behaviormetrika" veröffentlicht wurde, konnten die Salzburger nachweisen, dass drei eingesetzte maschinelle Lernansätze in der Lage sind, die drei Schlafstadien Wachzustand, Rapid-Eye-Movement-Schlaf (REM-Schlaf) und Nicht-REM-Schlaf zuverlässig zu klassifizieren.
Bei der ebenfalls untersuchten, noch feineren Einteilung in Wachzustand, leichter Schlaf, Tiefschlaf und REM-Schlaf taten sich die Modelle allerdings schwerer, sprich sie waren deutlich fehleranfälliger, als wenn die Klassifikation durch die Fachleute durchgeführt wurde.
Vielversprechender Ansatz
"Insgesamt zeigen die Ergebnisse, dass wir mittels Machine Learning gute Aussagen zu den Schlafphasen erzielen können", zieht Stefan Kranzinger von Salzburg Research ein positives Resümee. Er sieht die Forschung auf einem guten Weg, um Schlaflabore in Zukunft mit automatisierten Technologien entlasten zu können.
Neben den Modellansätzen hängt der Erfolg von KI-Systemen wie in anderen Bereichen auch von den Datensätzen ab, mit denen sie trainiert werden. Abgesehen von einem frei verfügbaren Datensatz verwendeten die Forschenden in weiterer Folge einen selbst aufgezeichneten, um die Klassifizierbarkeit und Generalisierbarkeit der Modelle anhand von Merkmalen wie Alter oder Geschlecht analysieren zu können.
"Es ist wichtig, die Modelle mit verschiedenen Datensätzen zu evaluieren, um Verzerrungen zu verringern und den leistungsfähigsten Ansatz ermitteln zu können", erklärt Kranzinger. Weiterführende Forschungsarbeit werde zu einer weiteren Verfeinerung der Klassifizierung führen. (Martin Stepanek, 6.9.2023)