Neues Modell sleep2vec vereint nächtliche Biosignale trotz Gerätediversität

In der Schlafmedizin und klinischen Diagnostik werden bislang verschiedene Geräte – von Polysomnographien über stationäre Monitore bis hin zu tragbaren Sensoren – eingesetzt, um nächtliche Biosignale wie EEG, EOG, ECG und SpO₂ zu erfassen. Die große Vielfalt der Messgeräte und häufig auftretende Sensorausfälle erschweren jedoch die Entwicklung einheitlicher Modelle, die alle Modalitäten gleichzeitig nutzen können.

Mit dem neuen Foundation‑Model sleep2vec wird dieses Problem angegangen. Das System lernt eine gemeinsame Repräsentation aller nächtlichen Biosignale durch cross‑modal alignment. Dabei wird ein spezielles Contrastive‑Learning‑Verfahren namens „Demography, Age, Site & History‑aware InfoNCE“ eingesetzt, das demografische und Aufnahme‑Metadaten (z. B. Alter, Geschlecht, Aufnahmestandort) berücksichtigt, um negative Beispiele dynamisch zu gewichten und so verzerrte Lernpfade zu vermeiden.

Die Autoren haben sleep2vec auf 42.249 Übernachtungsaufzeichnungen aus neun verschiedenen Modalitäten vortrainiert. In anschließenden Tests zur Schlafstadienklassifikation und zur Bewertung klinischer Ergebnisse übertrifft das Modell konsequent starke Baselines. Besonders bemerkenswert ist die Robustheit gegenüber beliebigen Kombinationen von verfügbaren Modalitäten und Sensorausfällen.

Darüber hinaus untersuchen die Forscher erstmals Skalierungs­gesetze für nächtliche Biosignale, die zeigen, wie sich Modellgröße und Modalitätsvielfalt auf die Leistung auswirken. Diese Erkenntnisse unterstreichen, dass eine einheitliche, cross‑modal ausgerichtete Modellierung in Kombination mit gezieltem Skalieren die Grundlage für effiziente, generalistische Anwendungen in der realen Schlafmedizin bildet.