Search

Der Goldstandard der klinischen Schlafauswertung basiert auf der Polysomnographie. Den ersten Schritt dieser Auswertung bildet die manuelle Annotation von Schlafstadien aus dem Polysomnogramm. Diese Messung ist jedoch aufwendig, teuer und unbequem für den Patienten. Deshalb wird bereits seit zwei Jahrzehnten an Möglichkeiten geforscht, Schlafstadien anhand von vergleichsweise einfach messbaren Biosignalen automatisiert zu klassifizieren. Diese Arbeit basiert auf der Hypothese, dass durch die Kombination von kardiorespiratorischen Signalen und maschinellem Lernen eine Schlafstadienklassifikation mit sehr guter Übereinstimmung zur manuellen Annotation möglich ist. Im Rahmen dieser Arbeit wurden verschiedene Klassifikatoren für die automatisierte Schlafstadienklassifikation anhand kardiorespiratorischer Signale optimiert. Ein besonderes Augenmerk lag dabei auf der Verbesserung der Klassifikationsgüte, Bewertung der Zuverlässigkeit und Übertragbarkeit der Ergebnisse. Die Untersuchungen wurden hauptsächlich mit Daten aus der Sleep Heart Health Study durchgeführt. Sie enthält Polysomnogramme inkl. manueller Schlafstadienannotationen von 5804 Studienteilnehmern. Aus diesen Aufzeichnungen wurden kardiorespiratorische Signale (Elektrokardiogramm und respiratorisches Induktionsplethysmogramm) und Annotationen zum Training der Klassifikatoren extrahiert. Im Elektrokardiogramm wurden die Intervalle zwischen den R-Zacken detektiert und zu RRI-Zeitreihen vorverarbeitet. Ebenso wurden die Intervalle zwischen Atemzügen aus dem respiratorischen Induktionsplethysmogramm zu BBI-Zeitreihen vorverarbeitet. Aus RRI- und BBI-Zeitreihen erfolgte schließlich die Berechnung von Merkmalen der Atem- und Herzratenvariabilität. Zunächst erfolgte eine Untersuchung zur Individualisierung von Klassifikatoren. Dafür wurde ein Random-Forest-Klassifikator mit den Merkmalen der Atem- und Herzratenvariabilität für die Schlafstadienklassifikation trainiert. Die Umsetzung der Individualisierung erfolgte m, Analysis of the polysomnography is the gold standard of clinical sleep evaluation. Manual annotation of sleep stages from the polysomnogram is the first step of this analysis. However, this measurement is time-consuming, expensive, and uncomfortable for the patient. Therefore, for the last two decades, research has been conducted towards sleep stage classification from comparably easily measurable biosignals. This work is based on the hypothesis that by combining cardiorespiratory signals and machine learning, sleep stage classification with very good agreement to manual annotation is possible. In this thesis, several classifiers have been optimized for automated sleep staging from cardiorespiratory signals. Special attention was paid to improvement of classification quality, evaluation of model reliability and transferability of results. Mainly, investigations were conducted on data from the Sleep Heart Health Study. It contains polysomnograms of 5804 study participants including manual sleep stage annotations. From these measurements, cardiorespiratory signals (electrocardiogram and respiratory inductance plethysmogram) and annotations were extracted for training of classifiers. In the electrocardiogram, intervals between R-peaks were detected and processed into RRI time series. Similarly, breath to breath intervals were detected from the respiratory inductance plethysmogram and processed into BBI time series. Finally, features were calculated from the breath and heart rate variability. Firstly, an investigation of individualisation was conducted. To that end, a Random Forest classifier was trained for sleep staging on breath and heart rate variability features. It yielded individualisation by utilizing small, optimized training subsets for each participant, therefore resulting in an individualized classifier per participant. The results were compared to a generalised reference classifier trained on the complete training set. In the following, the research focus c