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.
| 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: | Schlafstadien; Maschinelles Lernen; Zeitreihenklassifikation; PSG |
| First Page: | S22 |
| Last Page: | S23 |
| Note: | Volltextzugriff für Angehörige der Hochschule Konstanz möglich |
| Institutes: | Fakultät Informatik |
| Open Access?: | Nein |
| Licence (German): |  Urheberrechtlich geschützt |
