Traditional Machine Learning: Einfache und Interpretierbare Techniken sind Deep Learning bei der Schlafbewertung gewachsen

In den letzten Jahren hat die Forschung zur automatischen Schlafstadienbewertung hauptsächlich den Schwerpunkt auf der Entwicklung zunehmend komplexer Deep-Learning-Architekturen gelegt. Kürzlich jedoch erzielten diese Ansätze nur marginale Verbesserungen, oft unter dem Aspekt erhöhter Datenanforderungen und teurerer Trainingsprozeduren. Trotz aller dieser Bemühungen und ihrer zufriedenstellenden Leistung werden automatische Lösungen zur Schlafstadienbewertung im klinischen Kontext noch nicht weit verbreitet eingesetzt. Wir argumentieren, dass die meisten Deep-Learning-Lösungen für die Schlafstadienbewertung in ihrer praktischen Anwendbarkeit begrenzt sind, da sie schwierig zu trainieren, bereitzustellen und reproduzieren sind. Zudem fehlen diesen Lösungen Interpretierbarkeit und Transparenz, die oft entscheidend sind, um Akzeptanzraten zu steigern. In dieser Arbeit untersuchen wir das Problem der Schlaffaserklassifikation unter Verwendung klassischer Maschinelles Lernen. Die Ergebnisse zeigen, dass mit einem konventionellen Machine-Learning-Pipeline bestehend aus Vorverarbeitung, Merkmalsextraktion und einem einfachen Machine-Learning-Modell wettbewerbsfähige Leistungen erzielt werden können. Insbesondere analysieren wir die Leistung eines linearen Modells und eines nicht-linearen (Gradient Boosting) Modells. Unser Ansatz übertrifft den Stand der Technik (der dieselben Daten verwendet) in zwei öffentlichen Datensätzen: Sleep-EDF SC-20 (MF1 0,810) und Sleep-EDF ST (MF1 0,795), während er bei Sleep-EDF SC-78 (MF1 0,775) und MASS SS3 (MF1 0,817) wettbewerbsfähige Ergebnisse erzielt. Wir zeigen, dass für die Aufgabe der automatischen Schlafstadienbewertung die Ausdrucksstärke eines manuell gestalteten Merkmalsvektors mit den intern gelernten Repräsentationen von Deep-Learning-Modellen vergleichbar ist. Diese Erkenntnis bietet neue Möglichkeiten für eine klinische Einführung, da ein repräsentativer Merkmalsvektor sowohl die Interpretierbarkeit als auch den erfolgreichen Track Record traditioneller Machine-Learning-Modelle nutzen kann.