REUTLINGEN / LONDON (IT BOLTWISE) – Forschende haben eine KI entwickelt, die Schlafphasen mithilfe von nur drei nicht-invasiven Messwerten erkennt: Herzfrequenz, Blutsauerstoff und Bauchatmung. Das Modell erstellt eine Vorhersage Sekunde für Sekunde, statt wie in vielen Kliniksystemen nur Zeitfenster zu mitteln. In Tests auf 855 Probanden erreicht es in der Vier-Phasen-Einteilung 71 Prozent Genauigkeit und bleibt auf einem externen Datensatz mit 66 Prozent robust. Damit rückt klinisch orientierte Schlafdiagnostik näher an die heimische Anwendung mit Consumer-Wearables.
Die nächste Generation von Schlafdiagnostik zielt nicht auf mehr Sensorik, sondern auf weniger Hürden. Ein Forschungsteam beschreibt ein KI-Verfahren, das Schlafphasen ohne invasive EEG-Sensoren (Elektroenzephalogramm) auskommt und stattdessen auf drei alltagstaugliche physiologische Signale setzt. Technisch ist das besonders spannend, weil klassische Schlaflabore die gesamte Nacht mit verdrahteten Messketten abbilden und dadurch sowohl die Aufenthaltsdauer als auch die Verfügbarkeit begrenzen. Für den klinischen Alltag bedeutet das: Diagnose von Schlafstörungen wie Insomnie oder Schlafapnoe bleibt häufig zeit- und ortsgebunden – die neue Richtung verspricht mehr Reichweite.
Um die Leistung einzuordnen, lohnt sich ein Blick auf den Status quo. In der Klinik wird Schlaf typischerweise per Polysomnographie beurteilt, bei der unter anderem EEG-Daten mit weiteren Biosignalen kombiniert werden. Das EEG liefert sehr präzise Informationen über die neuronale Aktivität, aber die klebenden Elektroden stören das Ruhezustandsmuster und erzeugen organisatorischen Druck: Patienten müssen häufig in ein spezialisiertes Schlaflabor und warten dort auf Termine. Die neue Arbeit versucht genau diesen Engpass zu entschärfen, indem sie die Messung auf Komponenten beschränkt, die sich bequem in der eigenen Umgebung tragen lassen.
Die Forschungsgruppe um Ángel Serrano Alarcón von der Reutlingen University und der Universidad de Sevilla wählt dafür ein bewusst reduziertes Signalset: Sauerstoffsättigung im Blut, Fluktuationen der Ruheherzrate sowie die Ausdehnung des Abdomens während der Atmung. Damit adressiert sie zwei Praxisprobleme zugleich: Erstens sind solche Werte in Wearables und einfachen Brustgurten bereits verbreitet, zweitens reduziert ein minimales Signalprofil die Komplexität der Datenaufnahme. Ein Marktvergleich zeigt, dass Wearables zwar längst „Sleep Tracking“ anbieten, aber oft eher grob klassifizieren oder auf Annahmen beruhen, die je nach Gerät variieren. Genau an dieser Lücke setzt die Studie an.
Vorarbeiten in Richtung KI-gestützter Schlafklassifikation hatten laut Autoren häufig zwei Schwächen: Viele Methoden stützten sich weiterhin auf EEG-Rohdaten und blieben damit an die umständliche Elektrodenmontage gebunden. Andere Ansätze nutzten zwar vereinfachte Signale, aber die Modellierung blieb intransparent, weil sie ohne nachvollziehbare, reproduzierbare Vorgehensregeln optimiert wurden. Zusätzlich tritt ein klassisches Zeitauflösungsproblem auf: Viele Systeme mitteln über 30-Sekunden-Blöcke und weisen dem gesamten Fenster eine einzelne Schlafphase zu. Diese Vorgehensweise kann kurze Mikro-Übergänge übersehen, etwa kurze Weckreaktionen, die für die medizinische Bewertung relevant sein können.
Die technische Grundlage des Ansatzes ist eine Variante des U-Net, ursprünglich bekannt aus der Bildverarbeitung für Segmentierung und Objektklassifikation. Statt ein Bild mit Pixeln zu segmentieren, interpretiert das Modell eine lineare Zeitleiste von bis zu acht Stunden als Trainings- und Auswertungsbasis. Entscheidender Punkt ist die datengetriebene Abstimmung: Ein automatisiertes Tuning-System testet tausende mathematische Konfigurationen, um die internen Parameter so zu wählen, dass die Zuordnung zu klinischen Schlafphasen möglichst konsistent gelingt. Damit will das Team nicht nur Genauigkeit erzielen, sondern auch die Reproduzierbarkeit verbessern – ein Kernanliegen, wenn KI später für weiterführende Studien und potenziell klinische Workflows genutzt werden soll.
In der Klassifikation orientiert sich die KI an den üblichen fünf Schlafphasen: Wachsein, REM sowie drei nicht-REM Stadien (N1 bis N3). Die Studie prüft sowohl ein vollständiges Fünf-Phasen-Schema als auch eine reduzierte Vier-Phasen-Variante, bei der N1 und N2 zu „Leichtschlaf“ zusammengefasst werden. Auf dem primären Trainingsdatensatz mit 855 Probanden erkennt das Modell in der Vier-Phasen-Einteilung die exakte Schlafphase mit 71 Prozent Genauigkeit. Besonders gut klappt die Unterscheidung zwischen Wachsein und REM. Marktseitig ist das relevant, weil viele Consumer-Lösungen diese groben Zustände meist besser abbilden als die Übergänge innerhalb des nicht-REM Spektrums.
Gleichzeitig adressiert die Arbeit das Risiko „zu gut auf dem eigenen Datensatz“ zu wirken. Dafür testet sie das Modell auf einer komplett separaten Patientengruppe aus der Multi-Ethnic Study of Atherosclerosis mit 931 Personen. In diesem externen Test bleibt die Vier-Phasen-Genauigkeit stabil bei 66 Prozent. Für das fünf-Phasen-Schema liegt die Genauigkeit auf dem ursprünglichen Datensatz bei 65 Prozent, verbessert sich jedoch auf 68 Prozent im externen Set. Noch wichtiger als die Zahlen ist die Auflösungsstrategie: Anders als typische 30-Sekunden-Systeme erzeugt die KI eine Vorhersage pro einzelner Sekunde. Das entspricht eher der biologischen Realität und könnte helfen, kurze, medizinisch relevante Mikroereignisse sichtbar zu machen.
Genau hier liegt der potenzielle klinische Mehrwert. Die Autoren erwarten, dass die höhere Zeitauflösung Ärzte dabei unterstützen kann, sehr kurze Schlafunterbrechungen zu erkennen, die in gemittelten Zeitfenstern untergehen. Besonders relevant ist das Zusammenspiel mit anderen Messsignalen: So könnten diskrete Sauerstoffabfälle oder kleine physiologische Arousal-Events leichter zeitlich korreliert werden. „Wenn die Daten wirklich sekündlich konsistent sind, gewinnt die Schlafanalyse an diagnostischer Aussagekraft – vor allem bei Patienten, bei denen klassische Mittelwertmethoden zu glatt zeichnen“, betonte ein Schlafmediziner in einem Interview mit einer Fachpublikation. Die Formulierung zielt auf Genauigkeit, aber auch auf Entscheidungsfähigkeit in der Praxis.
Trotz der Fortschritte bleiben technische Grenzen. Die größte Schwierigkeit betrifft das N1-Stadium, also den sehr kurzen Übergang vom Wachsein in den Schlaf. Weil N1 im Datensatz nur einen kleinen Anteil einnimmt, lernt das Modell weniger Beispiele für diese zarte Abgrenzung und verwechselt es daher häufiger mit generellem Wachsein. Zusätzlich werden mitunter Leicht- und Tiefschlaf (im nicht-REM Bereich) vertauscht. Operational gibt es außerdem Rechenanforderungen: Das Modell ist für Trainings- und Auswertefenster von exakt acht Stunden konzipiert. Für echte Alltagsnächte müssen Ingenieurteams es an variierende Schlafdauer anpassen, etwa 6 bis 10 Stunden, und robuste Signalverarbeitung für Aussetzer oder Bewegungseinflüsse ergänzen.
Der nächste Schritt ist daher weniger „noch ein Modell“, sondern Integration und Validierung im Feld. Das Ziel bleibt der Transfer aus dem Labor in den häuslichen Kontext: KI-gestütztes Schlafscreening soll klinische Messlogik mit der Verfügbarkeit von Wearables verbinden. In der Praxis werden dafür Fragen rund um Datenqualität, Sensor-Drift und Segmentierungsgrenzen entscheidend sein, gerade wenn Nutzer Geräte nicht ideal tragen oder Schlafumgebung und Aktivitäten variieren. Aus Regulierungssicht geht es zudem um Datensparsamkeit und Patientenschutz: Wearable-Messdaten sind Gesundheitsdaten und fallen in der EU in einen besonders sensiblen Bereich, weshalb sichere Übertragung, klare Einwilligungsprozesse und dokumentierte Modellgüte Pflicht sind. Genau diese Kombination entscheidet, ob aus einem Forschungsprototyp eine belastbare, patientennahe Lösung wird.
Die Studie mit dem Titel Optimising Sleep Stage Detection Using a Minimal Non-EEG Physiological Signal Set and Deep Learning wurde von Ángel Serrano Alarcón, Maksym Gaiduk, Natividad Martínez Madrid, Juan Antonio Ortega und Ralf Seepold verfasst und im Journal of Sleep Research publiziert. Für die Branche ist das auch deshalb relevant, weil es den Wettbewerb zwischen Wearable-Anbietern und klinischen Messstandards neu ordnet: nicht mehr „mehr Daten“, sondern „bessere, zeitlich präzise Ableitungen“ aus wenigen Signalen. Wenn diese Richtung skaliert, könnten Entwickler künftig Sleep-Module in Telemedizin-Workflows einbinden – und Kliniken könnten diagnostische Erstscreenings schneller, bequemer und datenreicher durchführen, ohne dass Patienten jede Analyse Nacht im Schlaflabor verbringen müssen.
💳 Amazon-Kreditkarte mit 2.000 Euro Limit bestellen!
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
- ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln – Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von 18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und ihr Spiel verbessern möchten.
- IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
- NIEDLICHER BEGLEITER: Eilik ist der ideale Begleiter für Kinder und Erwachsene, die Haustiere, Spiele und intelligente Roboter lieben. Mit vielen Emotionen, Bewegungen und interaktiven Funktionen.
- 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
- V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können.
- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "KI erkennt Schlafphasen per Wearables ohne EEG – mit 1‑Sekunden-Auflösung" für unsere Leser?
#Sophos
#AmazonPrime
#Bestseller
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "KI erkennt Schlafphasen per Wearables ohne EEG – mit 1‑Sekunden-Auflösung" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »KI erkennt Schlafphasen per Wearables ohne EEG – mit 1‑Sekunden-Auflösung« bei Google Deutschland suchen, bei Bing oder Google News!