Volltext-Downloads (blau) und Frontdoor-Views (grau)
  • search hit 1 of 1
Back to Result List

Aufwandsbegrenztes maschinelles Lernen zur Bestimmung von Schlafstadien

  • 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.

Export metadata

Additional Services

Share in Twitter Search Google Scholar

Statistics

frontdoor_oas
Metadaten
Author:Ralf SeepoldORCiDGND, Klara Stuburić, Maksym GaidukORCiD, Natividad Martínez MadridORCiD, Thomas PenzelORCiDGND
DOI:https://doi.org/10.1007/s11818-020-00267-4
ISSN:1439-054X
ISSN:1432-9123
Parent Title (German):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)
Document Type:Conference Proceeding
Language:German
Year of Publication:2020
Release Date:2021/01/05
Tag:Maschinelles Lernen; PSG; Schlafstadien; Zeitreihenklassifikation
First Page:S22
Last Page:S23
Note:
Volltextzugriff für Angehörige der Hochschule Konstanz möglich
Institutes:Fakultät Informatik
Relevance:Sonstige Publikation
Open Access?:Nein
Licence (English):License LogoLizenzbedingungen Springer