HINTERGRUND:Studien zu Schlafspindeln basieren typischerweise auf visuellen Markierungen durch Experten, ein Prozess, der zeitaufwendig ist und eine geringe Übereinstimmung zwischen Experten aufweist, was die Datenmenge begrenzt und anfällig für Verzerrungen macht. Ein automatischer Detektor könnte diese Probleme lösen, indem er große Mengen objektiv markierter Daten generiert.NEUE METHODE:Unser Ziel war die Entwicklung eines empfindlichen, präzisen und robusten Verfahrens zur Detektion von Schlafspindeln. Dabei lag der Schwerpunkt auf einer konsistenten Leistung über heterogene Aufzeichnungen hinweg und ohne die Notwendigkeit einer zusätzlichen Parametertuning. Der entwickelte Detektor arbeitet auf einer einzelnen Kanalbasis und basiert auf multivariater Klassifikation mittels Support-Vector-Machine (SVM). EEG-Aufzeichnungen der Kopfhaut wurden in Epochs segmentiert, die anschließend durch eine Auswahl relevanter und nicht redundanten Merkmalen charakterisiert wurden. Die Trainings- und Validierungsdaten stammten vom Medizinischen Zentrum der Universität Freiburg, die Testdaten bestanden aus 27 Aufzeichnungen aus zwei öffentlichen Datenbanken.ERGEBNISSE:Bei einer pro-Sample-Bewertung erreichte der Detektor auf der DREAMS-Datenbank eine Sensitivität von 53 %, eine Genauigkeit (Precision) von 37 % und eine Spezifität von 96 %. Auf der MASS-Datenbank wurden 77 % Sensitivität, 46 % Precision und 96 % Spezifität erzielt. Der entwickelte Detektor zeigte sich gegenüber früheren Detektoren vorteilhaft. Die Klassifikation normalisierter EEG-Epochen im mehrdimensionalen Raum sowie die Nutzung einer Validierungsgruppe ermöglichten es, objektiv einen einzigen Detektionsschwellenwert für alle Datenbanken und Teilnehmer festzulegen.SCHLUSSFOLGERUNGEN:Die Anwendung des entwickelten Tools wird die Datengröße und die statistische Signifikanz von Forschungsstudien zur Rolle von Schlafspindeln erheblich erhöhen.