TY  - CHAP
U1  - Konferenzveröffentlichung
A1  - Seepold, Ralf
A1  - Stuburić, Klara
A1  - Gaiduk, Maksym
A1  - Martínez Madrid, Natividad
A1  - Penzel, Thomas
T1  - Aufwandsbegrenztes maschinelles Lernen zur Bestimmung von Schlafstadien
T2  - Abstracts der 28. Jahrestagung der Deutschen Gesellschaft für Schlafforschung und Schlafmedizin e. V., „Schlaf und Arbeit“, 29.–31. Oktober 2020, virtuell (Somnologie, 2020, Vol. 24, Suppl. 1)
N2  - In diesem Beitrag wird eine Methode des maschinellen Lernens entwickelt, die die Schlafstadienerkennung untersucht. Übliche Methoden der Schlafanalyse basieren auf der Polysomnographie (PSG). Der präsentierte Ansatz basiert auf Signalen, die ausschließlich nicht-invasiv in einer häuslichen Umgebung gemessen werden können. Bewegungs-, Herzschlags- und Atmungssignale können vergleichsweise leicht erfasst werden aber die Erkennung der Schlafstadien ist dadurch erschwert. Die Signale werden als Zeitreihenfolge strukturiert und in Epochen überführt. Die Leistungsfähigkeit von maschinellem Lernen wird der Polysomnographie gegenübergestellt und bewertet.
KW  - Schlafstadien
KW  - Maschinelles Lernen
KW  - Zeitreihenklassifikation
KW  - PSG
Y1  - 2020
SN  - 1439-054X
SS  - 1439-054X
SN  - 1432-9123
SS  - 1432-9123
U6  - https://doi.org/10.1007/s11818-020-00267-4
DO  - https://doi.org/10.1007/s11818-020-00267-4
N1  - Volltextzugriff für Angehörige der Hochschule Konstanz möglich
SP  - S22
EP  - S23
ER  -