Deepsleep: Schnelle und genaue Abgrenzung von Schlafaufwachzuständen mit Millisekundenauflösung mittels Deep Learning

Hintergrund: Schlaf-Arousals sind transiente Perioden der Wachheit, die in den Schlaf eingebettet sind. Eine übermäßige Zahl an Schlaf-Arousals ist mit zahlreichen negativen Folgen verbunden, darunter Tagesmüdigkeit und Schlafstörungen. Eine hochwertige Annotation von Polysomnogrammen ist entscheidend für die Diagnose von Arousal-Störungen. Derzeit erfolgt die Annotation von Schlaf-Arousals hauptsächlich durch menschliche Experten, die Millionen von Datenpunkten manuell analysieren, was erheblichen Zeitaufwand und Aufmerksamkeit erfordert.Methoden: Wir nutzten die Polysomnogramme von 2.994 Individuen aus zwei unabhängigen Datensätzen (i) dem PhysioNet Challenge-Datensatz (n=994) und (ii) dem Sleep Heart Health Study-Datensatz (n=2000) zur Modelltrainierung (60 %), Validierung (15 %) und Testung (25 %). Wir entwickelten einen tiefen konvolutionellen neuronalen Netzwerkansatz, DeepSleep, zur automatisierten Segmentierung von Schlaf-Arousal-Ereignissen. Unser Ansatz erfasste sowohl langfristige als auch kurzfristige Wechselwirkungen zwischen physiologischen Signalen auf mehreren Zeitskalen, um die Erkennung von Schlaf-Arousals zu verbessern. Zudem wurde eine neuartige Daten-Augmentierungsstrategie angewandt, bei der ähnliche physiologische Kanäle zufällig ausgetauscht wurden, um die Vorhersagegenauigkeit weiter zu steigern.Ergebnisse: Im Vergleich zu anderen computergestützten Methoden in der Schlafforschung zeichnet sich DeepSleep durch hohe Genauigkeit (AUC der ROC-Kurve: 0,93; AUC der Precision-Recall-Kurve: 0,55), hohe Auflösung (5 Millisekunden) und Geschwindigkeit (10 Sekunden pro Schlafaufzeichnung) bei der Segmentierung von Schlaf-Arousals aus. Bei der Bewertung auf einem großen, ausgesparten Datensatz (n=989) im Rahmen des PhysioNet Challenge 2018 erreichte dieser Ansatz die erste Platzierung bei der Segmentierung von nicht-apneischen Arousals. Wir stellten fest, dass DeepSleep detailliertere Segmentierungen lieferte als menschliche Experten, insbesondere in den Bereich mit geringer Zuverlässigkeit zwischen Arousal- und Nicht-Arousal-Ereignissen. Dies deutet darauf hin, dass computergestützte Annotationen eine Ergänzung zu menschlichen Annotationen darstellen und potenziell das aktuelle binäre Label-System sowie die Bewertungskriterien für Schlaf-Arousals weiterentwickeln können.Interpretation: Das vorgeschlagene Deep-Learning-Modell erreichte einen state-of-the-art-Leistungsstand bei der Erkennung von Schlaf-Arousals. Durch die Einführung der Annotationssicherheit (Annotation Confidence) liefert das Modell präzisere Informationen für die Diagnose von Schlafstörungen und die Bewertung der Schlafqualität.