@inproceedings{SeepoldStuburićGaiduketal.2020,
  author    = {Seepold, Ralf and Stuburić, Klara and Gaiduk, Maksym and Mart{\´i}nez Madrid, Natividad and Penzel, Thomas},
  title     = {Aufwandsbegrenztes maschinelles Lernen zur Bestimmung von Schlafstadien},
  booktitle = {Abstracts der 28. Jahrestagung der Deutschen Gesellschaft f{\"u}r Schlafforschung und Schlafmedizin e. V., „Schlaf und Arbeit", 29.-31. Oktober 2020, virtuell (Somnologie, 2020, Vol. 24, Suppl. 1)},
  issn      = {1439-054X},
  doi       = {10.1007/s11818-020-00267-4},
  institution = {Fakult{\"a}t Informatik},
  pages     = {S22 -- S23},
  year      = {2020},
  abstract  = {In diesem Beitrag wird eine Methode des maschinellen Lernens entwickelt, die die Schlafstadienerkennung untersucht. {\"U}bliche Methoden der Schlafanalyse basieren auf der Polysomnographie (PSG). Der pr{\"a}sentierte Ansatz basiert auf Signalen, die ausschließlich nicht-invasiv in einer h{\"a}uslichen Umgebung gemessen werden k{\"o}nnen. Bewegungs-, Herzschlags- und Atmungssignale k{\"o}nnen vergleichsweise leicht erfasst werden aber die Erkennung der Schlafstadien ist dadurch erschwert. Die Signale werden als Zeitreihenfolge strukturiert und in Epochen {\"u}berf{\"u}hrt. Die Leistungsf{\"a}higkeit von maschinellem Lernen wird der Polysomnographie gegen{\"u}bergestellt und bewertet.},
  language  = {de}
}