Transformer-Modell verbessert Schlafstadienklassifikation mit klinischen Daten
Die manuelle Schlafstadienklassifikation aus Polysomnographie (PSG) ist nicht nur zeitaufwendig, sondern auch von einer hohen Inter-Scorer-Variabilität geprägt. Obwohl moderne Deep‑Learning‑Modelle bereits Fortschritte bei der automatisierten Analyse erzielt haben, nutzen sie meist ausschließlich die rohen PSG‑Signale und vernachlässigen die kontextuellen Hinweise, die menschliche Experten bei ihrer Bewertung berücksichtigen.
