Klinische Neurophysiologie 1993; 24(4): 252-257>
DOI: 10.1055/s-2008-1060297
© Georg Thieme Verlag Stuttgart · New York

Automatische Schlafklassifikation bei Säuglingen mit Hilfe eines lernfähigen Systems

Sleep stage classification in infants using a self-learning systemG. Pfurtscheller, D. Flotzinger, K. Matuschik
  • Ludwig-Boltzmann Institut für medizinische Informatik und Neuroinformatik und Abteilung für Medizinische Informatik am Institut für Elektro- und Biomedizinische Technik der Technischen Universität Graz
Further Information

Publication History

Publication Date:
18 March 2008 (online)

Summary

The study reports on the possibility of classifying sleep stages in infants using a Learning Vector Quantizer. The polygraphic data from 8 babies aged 6 weeks and 6 months recorded over 8 hours were available for classification. From each person 22 signals were recorded, digitized and stored on an optical disc. Subsets of these signals and additional calculated parameters were used to obtain data vectors, each of which represents an interval of 30 s. For classification, a Learning Vector Quantizer was used. The teaching input for this self-learning system was provided by a human expert. In a first step input sets of each baby were tested separately, in a further step they were pooled and then tested on a baby not contained in the training set. Correct classification of up to 80 % were obtained for data not previously seen.

Zusammenfassung

Diese Studie beschäftigt sich mit der automatischen Schlafklassifikation bei Säuglingen unter Verwendung eines „Learning Vector Quantizers”. Polygraphische Ableitungen von acht Säuglingen im Alter von sechs Wochen bzw. sechs Monaten standen zur Verfügung. Von jedem wurden während acht Stunden Nachtschlaf 22 physiologische Größen abgeleitet, digitalisiert und auf einer optischen Platte gespeichert. Aus einem Teil dieser Signale wurden Parameter berechnet und Datenvektoren für jeweils 30 Sekunden lange Intervalle gebildet. Diese Datenvektoren wurden mit Hilfe eines Learing Vector Quantizers, der zuvor mit den Klassifikationen eines Experten trainiert worden war, den einzelnen Schlafstadien zugeordnet. Zunächst wurde jedes Datenset (Säugling) einzeln getestet. In einem weiteren Schritt wurden mehrere Sets zu einem Lernset zusammengesetzt und dieses an einem weiteren Säugling getestet. Mit der maschinellen Methode konnten in den besten Fällen über 80 % der Daten richtig klassifiziert werden, die während des Trainierens nicht verwendet wurden.

    >