Etwa ein Drittel unserer Lebenszeit verbringen wir mit Schlaf. Schlaf, als notwendiger Prozess zur Aufrechterhaltung des Lebens, ist ein wichtiger Teil der Erholung, Integration und Konsolidierung des Gedächtnisses des Körpers. Schlechte Schlafqualität kann auf Dauer zu Unaufmerksamkeit, Persönlichkeitsstörungen und Depressionen, geschwächter Immunität und anderen Symptomen führen. Schlafstörungen sind aber nicht nur ein Problem für Erwachsene, sie treten auch bei Kindern auf. Mehrere Studien haben gezeigt, dass die Prävalenz von Schlafstörungen bei Kindern sogar deutlich höher ist als bei Erwachsenen. Daher ist eine Schlafstadienanalyse, insbesondere bei Säuglingen und Kindern, dringend erforderlich.

In Zusammenarbeit mit der DRK-Kinderklinik Siegen gGmbH entwickeln wir eine lernbasierte Mustererkennungsplattform zur automatischen Analyse von Zeitreihen aus Sensordaten, um die Klassifikation des Schlafs in die Schlafphasen zu optimieren. Im Schlaflabor erfassen wir Polysomnographie-Aufzeichnungen verschiedener Sensoren wie z.B. EEG, EOG und EMG. Dazu werden Elektroden auf dem Kopf des Patienten angebracht. Auf diesen Daten basierend kann unsere Mustererkennungssoftware die Schlafphasen ermitteln und mögliche Schlafstörungen bei Säuglingen und Kindern bereits frühzeitig diagnostizieren.

Neben den auf manuell definierten Merkmalen basierenden Klassifikationsverfahren setzen wir in diesem Kontext auf komplexe, neuronale Netze. Ein wesentlicher Vorteil von Deep Learning-Algorithmen besteht darin, dass die Rohdaten der Schlaflaborsensoren ohne den Zwischenschritt der manuellen Merkmalsdefinition verwendet werden können. Konkret testen wir hierbei unterschiedliche Ansätze aus dem Bereich Deep Neural Networks, wobei das sog. DeConvolutional Neural Network aktuell die besten Ergebnisse erzielt und die Schlafstadien bei Säuglingen und Kindern mit einer Klassifikationsrate von etwa 85% erkennt. Darüber hinaus wird ein aufmerksamkeitsbasiertes Modell namens DeConvolution- and Self-Attention-based Model getestet, um die Erklärbarkeit des Verhaltens von DNNs zu erhöhen und die Erkennungsgenauigkeit des Schlafübergangsstadiums deutlich zu verbessern. Es kann mit einer Gesamtgenauigkeit von 91% eine starke Leistung bei der Klassifizierung von Schlafstadien erbringen.
Für den realen klinischen Einsatz wurde auch ein auf Datenerweiterung basierendes kontrastives Lernmodell vorgeschlagen, das eine stabile und effiziente Klassifizierungsleistung für Schlafphasen (Genauigkeit von 92 %) bietet und den Modellausbildungs- und Implementierungsprozess durch die Verwendung einer Meta-Lernstrategie mit einer neuartigen abgeschnittenen Cross-Entropy-Verlustfunktion über verschiedene Datensätze hinweg beschleunigt. Insbesondere die Erkennungsempfindlichkeit des Schlafübergangsstadiums kann etwa 75 % erreichen.

Ansprechpartner

Dr.-Ing. Xinyu Huang

Publikationen

X. Huang, K. Shirahama, F. Li, and M. Grzegorzek. Sleep Stage Classification for Child Patients Using DeConvolutional Neural Network. Artificial Intelligence in Medicine (Elsevier, IF: 5.326), 2020, Vol. 110, pp. 101981.

X. Huang, K. Shirahama, M. T. Irshad, M. A. Nisar, A. Piet, and M. Grzegorzek. Sleep Stage Classification in Children Using Self-Attention and Gaussian Noise Data Augmentation. Sensors (MDPI, IF: 3.9), 2023, 23(7), 3446.

X. Huang, F. Schmelter, M. T. Irshad, A. Piet, M. A. Nisar, C. Sina, and M. Grzegorzek. Optimizing sleep staging on multimodal time series: Leveraging borderline synthetic minority oversampling technique and supervised convolutional contrastive learning. Computers in Biology and Medicine (Elsevier, IF: 7.7), 2023, 107501.