Schlaf/Wach-Klassifizierung mit kardiorespiratorischen Merkmalen der Recurrence Quantification Analysis

Neben dem zeitlich getriebenen Lebenswandel findet ein demographischer Wandel zu einer immer älteren Bevölkerung statt. Dadurch wachsen das Risiko resultierender Schlafstörungen und die Anzahl an teuren bzw. aufwendigen Polysomnographie-Untersuchungen (PSG) im Schlaflabor. Untersuchungen zeigen, dass ohne die Auswertung von Hirnströmen bereits mit kardiorespiratorischen und aktigraphischen Merkmalen Aussagen über die Schlafqualität getroffen werden können. In dieser Arbeit werden mittels der Recurrence Quantification Analysis (RQA) 65 neuartige Merkmale vorgestellt, welche mit 126 aus der Literatur bekannten Merkmalen verglichen und kombiniert werden. Durch Nachbearbeitung aller Grundmerkmale entstehen in Summe 1353 Merkmale, welche vor der Klassifikation (lineare Diskriminanzanalyse) mit einem dafür entwickelten effizienten Selektionsalgorithmus nach der größten Relevanz ausgewählt werden. Die Datenbasis besteht aus insgesamt 313 PSG-Nächten von 164 verschiedenen Probanden (ca. 2500 Stunden). Das Hinzufügen der neuen RQA-Merkmale verbessert die Klassifikationsergebnisse, die mittels eines probandenbasierten Kreuzvalidierungsverfahrens über alle Probanden ermittelt werden. Die Auswertungen werden u. a. anhand des Cohens Kappa-Koeffizienten (κ) und durch Vergleich von „Receiver Operating Characterstics“- bzw. „Precision Recall“-Kurven durchgeführt. Die RQA-Merkmale unterstützen die Ermittlung schlafbezogener Parameter, wie der Schlafeffizienz oder der Gesamtschlafzeit, und verbessern zudem die Reliabilität. Durch Aufteilung der Probanden in etwa gleich große Alters- und Geschlechtsgruppen wird bewiesen, dass sich die Unterscheidung vom Schlaf- und Wachzustand grundsätzlich mit steigendem Alter verschlechtert.