AnySleep: KI analysiert Schlafphasen mit nur einer Elektrode präzise

Ein Forschungsteam der Fachhochschule Aachen hat in Zusammenarbeit mit der Universität Utrecht ein Modell namens AnySleep vorgestellt, das Schlafphasen flexibel und unabhängig von der verwendeten Hardware analysieren kann. Das System verarbeitet beliebige Kombinationen von Elektroenzephalografie- (EEG) und Elektrookulografie-Signalen (EOG). Die zugrundeliegende Untersuchung erschien am 30. Oktober 2026 im Fachjournal npj Digital Medicine.

Hohe Präzision im Vergleich zu bestehenden Systemen

Für die Entwicklung und Validierung des Algorithmus griff das Team auf einen umfangreichen Datenbestand zurück. Das Modell wurde mit 20.589 Ein-Nacht-Registrierungen trainiert und getestet, was einem Gesamtumfang von rund 200.000 Stunden entspricht. Diese Messungen stammen aus 28 unterschiedlichen klinischen Kollektionen.

In der klassischen Auswertung, die auf Intervallen von 30 Sekunden basiert, erreicht AnySleep eine mittlere F1-Bewertung von 0,812. Damit übertrifft das System etablierte Vergleichsmodelle wie U-Sleep, das in denselben Testszenarien einen Wert von 0,799 erzielte.

Neben der Standarddauer von 30 Sekunden ist AnySleep zudem in der Lage, auch deutlich kürzere Zeitabschnitte präzise auszuwerten. Ein weiterer technischer Vorteil liegt in der Signalverarbeitung: Die Methode liefert selbst dann verwertbare Ergebnisse, wenn lediglich eine einzige Elektrode zur Messung zur Verfügung steht.

Relevanz für Diagnostik und Open-Source-Ansatz

Die durch das Modell gewonnenen Daten bieten einen praktischen Mehrwert für die medizinische Forschung. Laut der Studie ermöglichen die präziseren Analysen eine verbesserte Prädiktion mehrerer weit verbreiteter Schlafstörungen. Dazu zählen insbesondere die obstruktive Schlafapnoe, Typ-1-Narkolepsie sowie Formen von Insomnie.

Wer Schlafphasen künftig mit weniger Kanälen auswerten will, findet hier den Einstieg: Das offene Modell verarbeitet beliebige Kombinationen von EEG- und EOG-Signalen und liefert auch mit einer einzigen Elektrode verwertbare Ergebnisse. Der Leitfaden zeigt in drei Schritten, wie Sie Signale prüfen, das Modell testen und die Ergebnisse einordnen. Kostenlosen Praxisleitfaden jetzt anfordern

Um der wissenschaftlichen Gemeinschaft weitere Überprüfungen und Anpassungen zu ermöglichen, haben die beteiligten Einrichtungen sowohl den Programmcode als auch das trainierte Modell öffentlich zur Verfügung gestellt.

Methodische Einschränkungen der Untersuchung

Trotz der gemessenen Kennzahlen weisen die beteiligten Forscher auf bestehende methodische Grenzen hin. So erfolgte die Bewertung der Genauigkeit bei sehr kurzen Analyseabschnitten bisher ausschließlich über indirekte Verfahren, da für diese Sequenzen keine manuellen Experten-Annotationen zur Validierung vorlagen. Zudem unterliegen die Resultate gewissen Schwankungen in Abhängigkeit vom jeweiligen Trainingsdurchlauf.

Schlafapnoe und Insomnie werden oft spät erkannt, weil die Auswertung aufwendig ist. Der Leitfaden zeigt, wie präzisere Schlafphasen-Daten die Prädiktion verbreiteter Schlafstörungen verbessern können — und wo die Grenzen liegen: kurze Abschnitte sind bisher nur indirekt bewertet, eine klinische Studie steht aus. Checkliste Schlafstörungs-Prädiktion sichern

Darüber hinaus betonen die Autoren, dass es sich bei den bisherigen Auswertungen um eine rein datenbasierte Modellentwicklung und noch nicht um eine klinische Studie handelt. Vor einem breiten Einsatz im medizinischen Routinebetrieb sind daher weitere Validierungsschritte unter Realbedingungen erforderlich.