Neuer Transformer verbessert Schlafstadienklassifikation dank EEG‑EOG‑Fusion

Ein neues Verfahren namens SleepDIFFormer nutzt einen Multivariate Differential Transformer, um die Klassifikation von Schlafstadien aus EEG‑ und EOG‑Signalen zu optimieren. Durch die Kombination beider Messarten entsteht eine robuste, domäneninvariante Repräsentation, die die typische Nicht‑Stationarität dieser Signale kompensiert.

Der Ansatz reduziert gleichzeitig räumliche und zeitliche Rauschkomponenten, indem er eine gezielte Feature‑Verteilungsangleichung einsetzt. Dadurch kann das Modell auf bislang unbekannte Datensätze generalisieren, ein Problem, das bei bisherigen Machine‑Learning‑Methoden häufig auftritt.

In umfangreichen Tests auf fünf unterschiedlichen Schlaf‑Staging‑Datensätzen erzielte SleepDIFFormer einen neuen Stand der Technik. Die Ergebnisse übertrafen bestehende Modelle deutlich und zeigten, dass die Differential‑Attention‑Gewichte eng mit den charakteristischen EEG‑Mustern des Schlafes verknüpft sind.

Diese Fortschritte eröffnen neue Möglichkeiten für die automatisierte Schlafanalyse und könnten die Diagnose von Schlafstörungen wie Insomnie erheblich erleichtern. Die Forschung unterstreicht, wie moderne Transformer‑Architekturen in der medizinischen Signalverarbeitung eingesetzt werden können, um präzisere und zuverlässigere Ergebnisse zu liefern.