Comprehensive Analysis of Machine Learning Models for Five-Class Sleep Stage Classification Using PPG Signals

Der nächtliche Detektiv: Warum wir wissen müssen, wie wir schlafen

Stellen Sie sich vor, Ihr Gehirn sei eine geschäftige Stadt, die niemals wirklich abschaltet, selbst wenn Sie die Augen schließen. Anstatt dunkel zu werden, wechselt die Stadt zwischen verschiedenen Bezirken: einem belebten Stadtzentrum, in dem Sie hellwach sind, einer ruhigen Bibliothek, in der Sie langsam einschlummern, einem tiefen unterirdischen Bunker, in dem Sie sich in einem schweren, erholsamen Schlaf befinden, und einem surrealen, traumreichen Vergnügungspark. Wissenschaftler nennen diese verschiedenen Bezirke „Schlafstadien“. Zu wissen, in welchem Bezirk sich Ihr Gehirn gerade befindet, ist entscheidend, denn wenn die Stadt in der falschen Zone stecken bleibt – etwa wenn sie im belebten Stadtzentrum verweilt, obwohl sie eigentlich im tiefen Bunker sein sollte – kann dies zu Gesundheitsproblemen wie Herzbeschwerden, Diabetes oder einfach nur einem Gefühl der Trägheit über den ganzen Tag führen.

Lange Zeit war der einzige Weg, diese nächtliche Stadt zu kartieren, das Entsenden eines Expertenteams mit einem riesigen, wirren Rucksack voller Kabel. Diese als „Goldstandard“ bezeichnete Methode, die Polysomnographie (PSG), beinhaltet das Anbringen von Elektroden an Ihrem Kopf, Ihren Augen und Ihrem Kinn, um Ihre Gehirnwellen und Muskelzuckungen zu lesen. Sie ist unglaublich genau, aber auch teuer, unkomfortabel und erfordert meistens, dass Sie in einem Labor schlafen, was alles andere als eine natürliche Art ist, ein paar ZZZ zu bekommen.

Hier kommt die „Wearable“-Revolution ins Spiel. Sie haben wahrscheinlich schon Menschen gesehen, die Smartwatches tragen, die ihre Herzschläge verfolgen. Diese Geräte nutzen einen Sensor namens Photoplethysmographie (PPG). Anstatt Gehirnwellen direkt zu lesen, strahlt PPG ein winziges Licht in Ihre Haut, um zu beobachten, wie Ihr Blut mit jedem Herzschlag pulsiert. Die Idee ist simpel: Ihr Herz schlägt unterschiedlich, je nachdem, ob Sie wach, träumend oder in einem Tiefschlaf sind. Wenn wir also den Rhythmus Ihres Herzens hören können, können wir dann erraten, in welchem „Bezirk“ der Schlafstadt Sie sich befinden? Das ist die große Frage, die Forscher zu beantworten versuchen, in der Hoffnung, ein einfaches Armband in einen Schlaf-Detektiv zu verwandeln, der direkt in Ihrem eigenen Schlafzimmer arbeitet.

Die Mission der Arbeit: Kann eine einfache Uhr die ganze Geschichte erzählen?

In dieser Studie beschlossen ein Team von Forschern zu prüfen, ob sie diese Herzschlag-Sensoren nutzen könnten, um das schwierigste Puzzleteil des Schlafs zu lösen: die Unterscheidung aller fünf verschiedenen Schlafstadien (Wachzustand, Leichtschlaf 1, Leichtschlaf 2, Tiefschlaf und REM/Träumen). Während viele vorangegangene Studien versuchten, das Problem zu vereinfachen, indem sie Stadien zusammenfassten (wie etwa zu sagen: „Sag mir einfach, ob ich schlafe oder wach bin“), wussten die Autoren, dass das Zusammenführen dieser Stadien wichtige Details über Ihre Gesundheit verloren gehen lässt. Sie wollten sehen, ob ein Standard-Maschinelles-Lernmodell den Unterschied zwischen allen fünf Stadien erkennen kann, indem es ausschließlich die Herzdaten eines Wearable nutzt, ohne die schwere, teure Gehirnwellen-Ausrüstung zu benötigen.

Um dies zu erreichen, bauten sie keinen neuen Supercomputer; stattdessen agierten sie wie Meisterköche, die einen Standard-Satz an Zutaten verwenden. Sie nahmen Daten von 48 Personen, die bereits unter voller Überwachung in einem Labor geschlafen hatten (sodass die „korrekte“ Antwort bereits bekannt war). Sie schnappten sich die Herzsignale (PPG) dieser Personen und hackten sie in 3-Minuten-Stücke. Warum 3 Minuten? Die Autoren argumentierten, dass Schlaf zwar oft in 30-Sekunden-Scheiben gemessen wird, einige Herzfrequenz-Hinweise jedoch wie langsam köchelnde Eintöpfe sind; sie brauchen eine längere Zeit, um zu köcheln und ihren wahren Geschmack zu offenbaren. Dann nutzten sie diese Stücke, um verschiedene Arten von „traditionellen“ Computermodellen zu lehren – denken Sie an sie als verschiedene Stile von Detektiven, einschließlich Random Forest, k-Nearest Neighbors und XGBoost –, um die Muster jedes Schlafstadium zu erkennen.

Die Forscher testeten zwei Hauptstrategien: eine, bei der der Computer nur auf die Form des Herzsignals schaute, und eine andere, bei der er auf die Form plus die zeitlichen Abstände zwischen den Herzschlägen (genannt Inter-Beat Intervals oder IBIs) schaute. Es ist wie der Versuch, ein Lied zu identifizieren, indem man nur auf die Melodie hört im Vergleich dazu, die Melodie und den Rhythmus zusammen zu hören.

Die Ergebnisse: Der Herzschlag-Rhythmus gewinnt

Die Ergebnisse waren sehr vielversprechend, aber mit ein paar Einschränkungen. Die Studie fand heraus, dass die Kombination aus der Signalform und den Rhythmus-Abständen (IBIs) das Geheimrezept war. Wenn die Modelle sowohl die Art der Hinweise als auch die Rhythmus-Abstände verwendeten, wurden sie wesentlich besser darin, die Schlafstadien zu erraten.

Der Star der Show war das Random Forest-Modell. Stellen Sie sich einen Ausschuss von 100 verschiedenen Experten vor, von denen jeder eine leicht andere Frage zu den Daten stellt und dann über die Antwort abstimmt. Dieser „Ausschuss“-Ansatz funktionierte am besten und erreichte eine Genauigkeit von 72,2 % und einen Wert namens Cohen's Kappa von 0,65. Das bedeutet, dass das Modell in etwa drei Vierteln der Fälle richtig lag, was eine solide Leistung für eine so schwierige Aufgabe ist. Das k-Nearest Neighbors-Modell (das basierend darauf rät, was die „nächsten“ ähnlichen Schlaf-Segmente waren) kam mit einer Genauigkeit von 71,6 % sehr dicht gefolgt.

Die Autoren weisen jedoch ausdrücklich darauf hin, wo die Detektive Schwierigkeiten hatten. Die Modelle waren großartig darin, zu erkennen, wann man wach oder im Tiefschlaf war, aber sie hatten Schwierigkeiten, die „Leichtschlaf“-Stadien (speziell Stadium 2) zu unterscheiden. Es ist wie der Versuch, zwischen zwei Nuancen von Blau zu unterscheiden, die fast identisch aussehen; die Herzsignale für diese Stadien sind so ähnlich, dass selbst die besten Modelle verwirrt wurden.

Die Autoren schlossen zudem explizit die Idee aus, dass man einen massiven, komplexen „Deep Learning“-Supercomputer benötigt, um diese Ergebnisse zu erzielen. Sie zeigten, dass diese einfacheren, traditionellen Modelle genauso gut abschneiden konnten wie die schicken neuronalen Netze aus anderen Studien, jedoch mit dem Vorteil, dass sie leichter zu verstehen sind und weniger Rechenleistung erfordern. Dies ist eine große Sache, denn es deutet darauf hin, dass Ihre nächste Smartwatch diese Analyse direkt auf dem Gerät durchführen könnte, ohne dass Ihre Daten an eine riesige Serverfarm gesendet werden müssen.

Das Fazit

Was bedeutet das also alles? Die Studie legt nahe, dass wir nicht unbedingt an ein Krankenhausbett gekettet sein müssen, um eine detaillierte Karte unseres Schlafs zu erhalten. Durch die Verwendung eines einfachen Herzsensors und smarter, traditioneller Computermodelle können wir ein ziemlich gutes Bild unserer Schlafstadien erhalten, einschließlich der schwierigen Phasen. Obwohl das System noch nicht perfekt ist – es lässt sich immer noch von den leichteren Schlafphasen verwirren – beweist es, dass ein Wearable-Gerät eines Tages ein detailliertes Fünf-Sterne-Bericht über unsere Schlafqualität direkt von unserem Handgelenk aus liefern könnte. Die Autoren kommen zu dem Schluss, dass dieser Ansatz ein starker, praktischer Schritt ist, um das Schlafmonitoring für alle erschwinglich und komfortabel zu machen, auch wenn es noch nicht das „Wundermittel“ ist, das jedes Schlaf-Rätsat über Nacht löst.