Dual-Pipeline-Framework liefert 98,67 % Genauigkeit bei automatischer Schlafstörungsklassifikation

Ein neues Machine‑Learning‑Framework aus dem Open‑Access‑Repository arXiv präsentiert eine hochpräzise Methode zur automatischen Erkennung von Schlafstörungen wie Insomnie und Schlafapnoe. Durch die Kombination von zwei parallelen Analysewegen soll die Skalierbarkeit von Schlafstudien für die Bevölkerung verbessert werden.

Der Ansatz nutzt das Sleep Health and Lifestyle‑Datenset und teilt die Verarbeitung in zwei Pipelines auf. Die statistische Pipeline setzt auf Mutual Information und Lineare Diskriminanzanalyse, um lineare Trennbarkeit zu maximieren. Parallel dazu wird in einer Wrapper‑Pipeline die Boruta‑Feature‑Auswahl mit einem Autoencoder kombiniert, um nichtlineare Merkmale zu extrahieren.

Um das Problem der Klassenungleichgewichte zu adressieren, wird die hybride SMOTETomek‑Resampling‑Strategie eingesetzt. In den Experimenten erzielten Extra Trees und K‑Nearest‑Neighbors eine Genauigkeit von 98,67 %, was die bisherigen Baselines deutlich übertrifft. Der Wilcoxon‑Signed‑Rank‑Test bestätigt die statistische Signifikanz dieser Verbesserung, während die Inferenzlatenz unter 400 Millisekunden bleibt.

Diese Ergebnisse zeigen, dass das Dual‑Pipeline‑Design eine zuverlässige und effiziente Grundlage für die nichtinvasive Risiko‑Stratifizierung von Schlafstörungen bietet und damit die Grundlage für großflächige Screening‑Programme schafft.