Schlaf im Sekundentakt: Forschende aus Aachen machen ihre Schlaf-KI frei zugänglich

Ein paar Sekunden wach, dann wieder tief im Schlaf: Solche Momente rutschen bei der üblichen Auswertung im Schlaflabor leicht durchs Raster. „Wir schlafen rund 30 Prozent unseres Lebens, aber wir haben Schlaf nicht wirklich verstanden“, sagt Stephan Bialonski, Professor an der FH Aachen. Sein Team hat eine künstliche Intelligenz entwickelt, die Schlafdaten deutlich feiner auswertet als bisher üblich. Und es stellt sie allen frei zur Verfügung.

Warum 30 Sekunden zu grob sein können Wer im Schlaflabor übernachtet, schläft verkabelt. Elektroden zeichnen die Hirnströme auf, das sogenannte EEG, dazu die Bewegungen der Augen. Danach wird die Nacht ausgewertet, und zwar traditionell in Abschnitten von 30 Sekunden. Für jeden Abschnitt wird festgelegt, ob die Person wach war, leicht oder tief schlief oder sich im Traumschlaf befand. Das kostet viel Handarbeit. Und es hat einen Haken: Was kürzer dauert als ein solcher Abschnitt, etwa ein Aufwachen von wenigen Sekunden, taucht in der Auswertung oft gar nicht auf.

Was AnySleep anders macht Genau hier setzt AnySleep an. Das KI-Modell entstand im Fachbereich Medizintechnik und Technomathematik der FH Aachen am Campus Jülich. Es ordnet die Schlafstadien nicht nur im 30-Sekunden-Takt zu, sondern auch in viel kürzeren Intervallen. In ihrer Studie testeten die Forschenden Auflösungen bis hinunter zu Bruchteilen einer Sekunde. Die neuronale Grundarchitektur entwickelte der Doktorand Niklas Grieger, die ersten Experimente machte Jannik Raskob in seiner Masterarbeit. Beteiligt war außerdem Siamak Mehrkanoon von der Universität Utrecht.

Trainiert und geprüft wurde die KI mit mehr als 20.500 Aufzeichnungen ganzer Nächte aus 28 Datensätzen, zusammen rund 200.000 Stunden Messdaten. Die Bandbreite ist groß: Sie reicht von einem Datensatz mit Kindern, die im Schnitt sieben Jahre alt waren, bis zu einem mit Teilnehmenden, die im Schnitt über 80 Jahre alt waren. AnySleep kommt mit ganz unterschiedlichen Messanordnungen zurecht. Je mehr Kanäle es auswerten kann, desto besser wird das Ergebnis, doch auch mit einem einzigen Kanal bleibt es brauchbar. Bei der klassischen Auswertung in 30-Sekunden-Abschnitten schnitt das Modell laut Studie mindestens so gut ab wie etablierte Vergleichsverfahren. Veröffentlicht wurden die Ergebnisse im Fachjournal npj Digital Medicine.

Kurze Wachmomente werden sichtbar Spannend wird es bei der feinen Auflösung. Dort erkennt die KI sehr kurze Wachphasen, die zu sogenannten Arousals passen, also kurzen Weckreaktionen mitten im Schlaf. Außerdem zeigte sich: Mit den fein aufgelösten Schlafmustern ließen sich Menschen mit obstruktiver Schlafapnoe, Narkolepsie vom Typ 1 oder Schlaflosigkeit besser von Gesunden unterscheiden als mit der groben 30-Sekunden-Auswertung. Das spricht dafür, dass sich der Schlaf Betroffener gerade in Details unterscheidet, die im klassischen Raster untergehen.

Offen für alle, die Daten bleiben zu Hause Den Quellcode samt trainiertem Modell haben die Forschenden offen veröffentlicht, unter einer freien Lizenz. Wer nicht programmieren kann, nutzt die Browser-Anwendung SomnoBot, die die FH Aachen kostenlos anbietet. Nach Angaben der Hochschule verlassen die Daten dabei den eigenen Computer nicht. Das ist wichtig, denn Schlafaufzeichnungen sind sensible Gesundheitsdaten.

Gedacht ist das Angebot für Messdaten von Hirnströmen und Augenbewegungen, wie sie etwa im Schlaflabor entstehen. Mit einer Fitnessuhr hat das wenig zu tun: Solche Geräte schätzen den Schlaf grob, etwa über den Puls, AnySleep dagegen wertet Hirnströme aus. Die Forschenden grenzen ihr Werkzeug deshalb klar von Schlaftrackern ab und sehen es als Hilfsmittel für die klinische Forschung.

Noch kein Diagnosewerkzeug Bei aller Begeisterung bremst Bialonski die Erwartungen. Für Krankheitsdiagnosen mit dem Verfahren sei es „noch viel zu früh“. Auch in der Studie nennt das Team offen die Grenzen. Wie genau die KI im Sekundenbereich liegt, ließ sich bisher nur indirekt prüfen, weil es für so feine Auswertungen noch keinen Standard gibt, an dem man sie messen könnte. Die Daten wurden zudem rückblickend ausgewertet. Ob sich das Verfahren im Klinikalltag bewährt, müssen erst weitere Studien zeigen. Und für Geräte mit wenig Rechenleistung könnte das Modell noch zu anspruchsvoll sein.

Das Team forscht nun gemeinsam mit mehreren Kliniken weiter. Bestätigen sich die feinen Muster, könnte der Blick ins Sekundenraster helfen, Schlafstörungen künftig besser zu verstehen. Ein guter Anfang ist gemacht: Wer forschen will, muss nicht bei null beginnen, sondern kann das Werkzeug aus Aachen gleich nutzen.