@article{GaidukSeepoldMart{\´i}nez Madridetal.2023,
  author    = {Gaiduk, Maksym and Seepold, Ralf and Mart{\´i}nez Madrid, Natividad and Penzel, Thomas and Glos, Martin},
  title     = {Analyse von Atmungs- und K{\"o}rperbewegungssignalen zur Identifikation von Schlafstadien},
  journal   = {Somnologie},
  volume    = {27},
  number    = {1},
  issn      = {1432-9123},
  doi       = {10.1007/s11818-023-00424-5},
  institution = {Informatik},
  pages     = {Abstracts der 31. Jahrestagung der Deutschen Gesellschaft f{\"u}r Schlafforschung und Schlafmedizin e. V.},
  year      = {2023},
  abstract  = {Fragestellung: Das klinische Standardverfahren und Referenz der Schlafmessung und der Klassifizierung der einzelnen Schlafstadien ist die Polysomnographie (PSG). Alternative Ans{\"a}tze zu diesem aufw{\"a}ndigen Verfahren k{\"o}nnten einige Vorteile bieten, wenn die Messungen auf eine komfortablere Weise durchgef{\"u}hrt werden. Das Hauptziel dieser Forschung Studie ist es, einen Algorithmus f{\"u}r die automatische Klassifizierung von Schlafstadien zu entwickeln, der ausschließlich Bewegungs- und Atmungssignale verwendet [1]. Patienten und Methoden: Nach der Analyse der aktuellen Forschungsarbeiten haben wir multinomiale logistische Regression als Grundlage f{\"u}r den Ansatz gew{\"a}hlt [2]. Um die Genauigkeit der Auswertung zu erh{\"o}hen, wurden vier Features entwickelt, die aus Bewegungs- und Atemsignalen abgeleitet wurden. F{\"u}r die Auswertung wurden die n{\"a}chtlichen Aufzeichnungen von 35 Personen verwendet, die von der Charit{\´e}-Universit{\"a}tsmedizin Berlin zur Verf{\"u}gung gestellt wurden. Das Durchschnittsalter der Teilnehmer betrug 38,6 +/- 14,5 Jahre und der BMI lag bei durchschnittlich 24,4 +/- 4,9 kg/m2. Da der Algorithmus mit drei Stadien arbeitet, wurden die Stadien N1, N2 und N3 zum NREM-Stadium zusammengef{\"u}hrt. Der verf{\"u}gbare Datensatz wurde strikt aufgeteilt: in einen Trainingsdatensatz von etwa 100 h und in einen Testdatensatz mit etwa 160 h n{\"a}chtlicher Aufzeichnungen. Beide Datens{\"a}tze wiesen ein {\"a}hnliches Verh{\"a}ltnis zwischen M{\"a}nnern und Frauen auf, und der durchschnittliche BMI wies keine signifikante Abweichung auf. Ergebnisse: Der Algorithmus wurde implementiert und lieferte erfolgreiche Ergebnisse: die Genauigkeit der Erkennung von Wach-/NREM-/REM-Phasen liegt bei 73 \%, mit einem Cohen's Kappa von 0,44 f{\"u}r die analysierten 19.324 Schlafepochen von jeweils 30 s. Die beobachtete gewisse {\"U}bersch{\"a}tzung der NREM-Phase l{\"a}sst sich teilweise durch ihre Pr{\"a}valenz in einem typischen Schlafmuster erkl{\"a}ren. Selbst die Verwendung eines ausbalancierten Trainingsdatensatzes konnte dieses Problem nicht vollst{\"a}ndig l{\"o}sen. Schlussfolgerungen: Die erreichten Ergebnisse haben die Tauglichkeit des Ansatzes prinzipiell best{\"a}tigt. Dieser hat den Vorteil, dass nur Bewegungs- und Atemsignale verwendet werden, die mit weniger Aufwand und komfortabler f{\"u}r Benutzer aufgezeichnet werden k{\"o}nnen als z. B. Herz- oder EEG-Signale. Daher stellt das neue System eine deutliche Verbesserung im Vergleich zu bestehenden Ans{\"a}tzen dar. Die Zusammenf{\"u}hrung der beschriebenen algorithmischen Software mit dem in [1] beschriebenen Hardwaresystem zur Messung von Atem- und K{\"o}rperbewegungssignalen zu einem autonomen, ber{\"u}hrungslosen System zur kontinuierlichen Schlaf{\"u}berwachung ist eine m{\"o}gliche Richtung zuk{\"u}nftiger Arbeiten.},
  language  = {de}
}