Beschreibung:

Technisches Gebiet:

Die vorliegende Erfindung betrifft ein Verfahren zur Klassifizierung von Schlafstadien auf Basis einer Polysomnographie-Aufnahme. Insbesondere betrifft die vorliegende Erfindung ein Verfahren zur Klassifizierung oder Einteilung einer kardiorespiratorischen Polysomnographie- Aufnahme in definierte Schlafstadien.

Stand der Technik:

Es gibt eine große Anzahl von Personen, die unter Schlafstörungen leiden. Die Schlafstörungen sind zum Teil sehr unterschiedlicher Art und können daher eine Vielzahl verschiedener Ursachen haben.

Es ist bekannt, dass Polysomnographie-Aufzeichnungen Hinweise auf die Ursachen der Schlafstörungen liefern können. Bei einer Polysomnographie wird eine Vielzahl von Körperfunktionsdaten eines Patienten während des Schlafvorgangs erfasst. Insbesondere aus dem Verlauf der Gehirnströme in bestimmten Bereichen des Gehirns, der Herztätigkeit und der Atmungsintensität und -frequenz während des Schlafens lassen sich Ursachen von Schlafstörungen erkennen. Daher werden während einer Polysomnographie die Gehirnströme an verschiedenen Stellen des Gehirns mittels einer Elektroenzephalographie (EEG), z. B. nach den Standards der American Academy of Sleep Medicine (AASM) oder nach Rechtschaffen und Kales, sowie die Herztätigkeit mittels einer Elektrokardiographie (EKG) erfasst. Darüber hinaus werden Atmungsparameter wie z.B. die Atemexkursion des Thorax und des Abdomens, der Atemfluss über die Nase oder über den Mund sowie bei Bedarf Schnarchgeräusche mit Hilfe eines Mikrofons oder die elektrische Muskelaktivität am Kinn sowie an den Unterschenkeln mittels Elektromyographie (EMG) gemessen.

Üblicherweise wird die Polysomnographie in einem speziell ausgestatteten Schlaflabor durchgeführt.

Der Schlaf wird anhand der aktuellen Polysomnographie-Standards in fünf verschiedene Stadien eingeteilt, nämlich das Stadium N1 , das Stadium N2 und das Stadium N3 (als Teile des Non- REM-Schlafs), das REM-Stadium sowie das Wach-Stadium, welches den Epochen oder dem Zeitraum während des Schlafs entspricht, bei denen der Mensch sich im Wachzustand befindet. Die körperliche Aktivität bzw. die körperlichen Funktionsdaten unterscheiden sich in diesen Stadien. Dies macht sich beispielsweise dadurch bemerkbar, dass die Gehirnströme, welche mittels einer Elektroenzephalographie (EEG) erfasst werden, in den einzelnen Stadien unterschiedlich sind. Hierbei unterscheiden sich unter anderem sowohl die Frequenz als auch die Intensität der Gehirnströme.

Bei einem gesunden Menschen verlaufen die Schlafstadien in einem mehr oder weniger regelmäßigen Muster. Bei Patienten mit Schlafstörungen kann dieses Verlaufsmuster von dem eines gesunden Menschen abweichen. Darüber hinaus können verschiedene Körperfunktionen, abhängig von der absoluten bzw. prozentualen Schlafstadieneinteilung während des Schlafes, von denen eines gesunden Menschen abweichen.

Um die Ursache von Schlafstörungen ausfindig zu machen, ist es somit hilfreich, die einzelnen Schlafstadien eines Patienten zu erkennen und Körperfunktionen bestimmten Schlafstadien zuzuordnen. Auf Basis von aufgefundenen Abweichungen in dem zeitlichen Ablauf der Schlafstadien und auf Basis von Abweichungen einzelner Körperfunktionen in den verschiedenen Schlafstadien gegenüber einem gesunden Menschen lassen sich die Ursachen einer Schlafstörung erkennen oder besser eingrenzen.

Eine Polysomnographie-Aufnahme dauert in der Regel sieben bis acht Stunden, da dies die übliche Schlafdauer eines Menschen ist. Da manche pathologische Ereignisse im Schlaf nur wenige Sekunden dauern können, werden die Daten in sehr kurzen Zeitabständen, d.h. quasi kontinuierlich, aufgenommen.

Aufgrund der großen Datenmenge versteht es sich, dass die Auswertung einer solchen Polysomnographie-Aufnahme sehr zeitaufwändig ist. Allein für die Klassifizierung der Schlafstadien einer Polysomnographie-Aufnahme einer kompletten Nacht benötigt eine Fachperson etwa eine bis zwei Stunden, dabei wird der Schlaf in 30-Sekunden-Einheiten, sogenannte Epochen, eingeteilt, wobei jede Epoche einem Schlafstadium zugeordnet wird. Weiterhin hängt die Qualität der Klassifizierung von der Erfahrung der Fachperson ab.

Es wurden bereits Versuche unternommen, die Klassifizierung einer Polysomnographie- Aufnahme automatisch durchzuführen. Bisher wurde jedoch noch kein zufriedenstellendes Verfahren gefunden, um eine Polysomnographie-Aufnahme automatisch mit einer hohen Genauigkeit in verschiedenen Schlafstadien zu klassifizieren. Darstellunq der Erfindunq:

Es ist Aufgabe der vorliegenden Erfindung, ein Verfahren zur Klassifizierung von Schlafstadien einer Polysomnographie-Aufnahme bereitzustellen, welches möglichst vollautomatisch erfolgt und zuverlässig eine Polysomnographie-Aufnahme mit hoher Genauigkeit in verschiedenen Schlafstadien klassifiziert.

Erfindungsgemäß wird die Aufgabe gelöst durch ein Verfahren zur Klassifizierung einer Polysomnographie-Aufnahme nach Anspruch 1 , welches folgende Schritte umfasst:

Zunächst wird der Schlaf eines Menschen in Raster mit verschiedenen Schlafstadien eingeteilt. Dann erfolgt eine Erfassung einer Vielzahl von Informationen zu Körperfunktionen über einen vorgegebenen Zeitraum in Form von Daten, wobei die Erfassung der Vielzahl von Informationen wenigstens eine Messung und Speicherung von Daten der elektrischen Aktivität des Gehirns über einen vorgegebenen Zeitraum während des Schlafs einer Testperson umfasst. Die erfassten Daten werden in zeitabhängige Datenblöcke unterteilt. Dies kann manuell, d.h. von einer Person, oder bevorzugt automatisch von einem Computer oder dergleichen erfolgen. Anschließend wird manuell, vorzugsweise jedoch automatisch eine vorgegebene Anzahl von Datenblöcken aus den erfassten Datenblöcken ausgewählt, wobei in diesen Datenblöcken Informationen, insbesondere Daten zur elektrischen Aktivität des Gehirns enthalten sind. Im nächsten Schritt erfolgt eine automatische Auswertung der Daten der elektrischen Aktivität des Gehirns in jedem ausgewählten Datenblock mit Hilfe einer Kreuzfrequenzkopplungs-Methode. Schließlich werden die ausgewerteten Datenblöcke einem Schlafstadium zugeordnet.

Mit Hilfe des beschriebenen Verfahrens ist es möglich, die Schlafstadien in einer Polysomnographie-Aufnahme automatisch, insbesondere vollautomatisch zu klassifizieren. Bisher wurde davon ausgegangen, dass eine Klassifizierung von Schlafstadien mit sehr hoher Genauigkeit nur mit einem teilautomatisierten Verfahren möglich ist, wobei auch bei den bisher bekannten teilautomatisierten Verfahren große Unterschiede bezüglich der Genauigkeit der Klassifizierung vorliegen. Völlig überraschend wurde festgestellt, dass mit diesem Verfahren eine Genauigkeit bei der Klassifizierung erreicht wird, wie sie bisher nur bei sehr guten teilautomatisierten Verfahren erzielt wurde. Im Vergleich mit vielen anderen bisher bekannten teilautomatisierten Verfahren sind die Ergebnisse des vorliegenden vollautomatisierten Verfahrens sogar noch besser. Wenn das Verfahren auch vollautomatisch durchgeführt werden kann, so können einzelne Teilschritte auch noch manuell durchgeführt werden. Entscheidend ist, dass die Zuordnung von ausgewählten Datenblöcken zu einem Schlafstadium automatisch erfolgt.

Als besonders vorteilhaft hat sich herausgestellt, dass der Schritt der automatischen Auswertung der Daten der elektrischen Aktivität des Gehirns in jedem ausgewählten Datenblock mittels einer Kreuzfrequenzkopplungs-Methode die Bestimmung eines charakteristischen Werts enthält, der eine Zuordnung zu einem Schlafstadium erlaubt, welches durch den charakteristischen Wert definiert ist. Die Bestimmung des charakteristischen Werts für ein Schlafstadium kann bereits vor bzw. unabhängig von der Erfassung der Körperfunktionen eines Menschen (Patienten) während des Schlafs erfolgen.

Die Erfindung basiert auf der Erkenntnis, dass die Gehirnströme, die mittels der Elektroenzephalographie gemessen werden, besonders gut Rückschlüsse auf das in einem Datenblock vorliegende Schlafstadium zulassen. Insbesondere die C3/C4-Daten des Elektroenzephalogramms sind vergleichsweise einfach zu ermitteln. Sie gehören zu den in der klinischen Praxis weltweit etablierten und nach allen gültigen Standards (z.B. Standard sowohl nach Rechtsschaffen und Kales als auch nach AASM-American Academy of Sleep Medicine) erfassten Daten im Rahmen einer Polysomnographie und ermöglichen aufgrund ihrer symmetrischen Anordnung auf dem Kopf einer Person darüber hinaus einen Vergleich der Messergebnisse untereinander. Von daher ist es gemäß einer bevorzugten Ausführungsform des beschriebenen Verfahrens vorgesehen, dass die Messung und Erfassung von Daten der elektrischen Aktivität des Gehirns mittels einer Elektroenzephalographie mit Messsensoren erfolgt, wobei vorzugsweise die Messsensoren der Elektroenzephalographie auf der Haut der Schädeloberfläche positioniert sind. Wie oben angeführt, ist es von besonderem Vorteil, dass die C3/C4-Daten einer Elektroenzephalographie erfasst werden.

Weiterhin liegt der Erfindung die Erkenntnis zugrunde, dass die mittels eines Elektroenzephalogramms erfassten Daten sich aus einer Überlagerung mehrerer schwingender Signale ergeben. Das Elektroenzephalogramm erfasst somit verschiedene Frequenzkomponenten, die miteinander interagieren. Klassische Analysen der Leistungsfrequenz, die beispielsweise auf der (fast) Fourier Transformation (FFT) oder verschiedenen Transformationen der Zeit (z.B. Hilbert-Transformation) basieren, stellen Modulationen der Amplituden innerhalb einer definierten Frequenz pro Zeit dar. Sie können jedoch nicht die Beziehungen von verschiedenen Frequenzen oder Frequenz-Komponenten zueinander identifizieren. Mit Hilfe der Kreuzfrequenzkopplungsmethode besteht die Möglichkeit, Kopplungsfrequenzen zu synthetisieren. Hier hat sich besonders eine

Kreuzfrequenzkopplungsmethode, die ein Phase- zu-Amplitude-Verfahren umfasst, bewährt.

Somit wird bevorzugt eine Kreuzfrequenzkopplungsmethode eingesetzt, die ein Phase- zu- Amplitude-Verfahren umfasst.

Es ist bekannt, dass in einem Elektroenzephalogramm verschiedene Wellenarten überlagert sind. Es werden in bekannter Weise Alpha-, Beta-, Gamma-, Delta- und Theta-Wellen unterschieden, die sich unter anderem in ihrem Frequenzbereich unterscheiden. Die Amplituden bzw. das Auftreten der verschiedenen Wellen hängen von der Tätigkeit der einzelnen Person ab.

Im Detail wird davon ausgegangen, dass Alpha-Wellen im Bereich von 8-13 Hz liegen und bei inaktivem Wachzustand bei geschlossenen Augen auftreten. Beta-Wellen mit einer Frequenz von 14- 30 Hz treten bei mentaler Aktivität auf. Bei sehr hoher mentaler Aktivität erscheinen Gamma- Wellen im Frequenzbereich von 31 - 100 Hz. Delta-Wellen liegen im Frequenzbereich von 1 bis 3 Hz und geben einen Hinweis auf Bewusstlosigkeit oder einen tiefen traumlosen Schlaf. Theta- Wellen mit einer Frequenz von 4-7 Hz treten in Stadien der Schläfrigkeit bzw. tiefer Schlafphasen auf.

Überraschend wurde festgestellt, dass eine mittels des beschriebenen Verfahrens durchgeführte Klassifizierung eine besonders hohe Genauigkeit aufweist, wenn die Kreuzfrequenzkopplungs- Methode auf Theta- und Gamma-Wellen oder auf Delta- und Alpha-Wellen angewendet wird.

Unter Einsatz der Kreuzfrequenzkopplungsmethode ist es einer Support-Vector-Machine möglich, vergleichbare Daten mit einer hohen Sicherheit richtig zu klassifizieren. Gemäß einer bevorzugten Weiterbildung des Verfahrens werden die ausgewählten Datenblöcke als Trainingsdatenblöcke an eine Support Vector Machine zur Erstellung einer Klassifizierung in der Support Vector Machine übermittelt und wenigstens ein Teil der Datenblöcke, die nicht als Trainingsdatenblöcke ausgewählt wurden, wird an die Support Vector Machine übermittelt und automatisch in die bekannten Schlafstadien eingeteilt.

Um die Vielzahl von vorliegenden Datenblöcken in einer kurzen Zeitdauer genau auszuwerten, ist es von Vorteil, dass die Support-Vector-Machine einen Algorithmus aufweist, welcher eine nicht lineare Basis-Kernel-Funktion nutzt.

Im Hinblick auf eine Auswertung einer Polysomnographie-Aufnahme ist es von Vorteil, dass die erfassten Daten in ein vordefiniertes Zeitintervall unterteilt werden, wobei insbesondere das Zeitintervall im Bereich von 15 Sekunden bis 5 Minuten liegt und insbesondere bezüglich elektroenzephalographischer Signale vorzugsweise 30 Sekunden beträgt (sog. 30-Sekunden- Epoche).

Bei einer bevorzugten Ausführungsform des Verfahrens werden zusätzlich Daten zu folgenden Körperfunktionen erfasst: Herzaktivität, Luftstrom der nasalen und/oder oralen Atmung, Atemexkursion des Thorax und des Abdomens, Atemgeräusche, insbesondere Schnarchgeräusche, Augenbewegungsmuster, elektrische Muskelaktivität im Kinnbereich sowie am Unterschenkel, wobei die Daten vorzugsweise mittels folgender Messverfahren oder Messgeräte ermittelt werden: Elektrokardiographie, Mikrophon, Luftströmungsmesser, Elektromyographie-Elektroden. Hierdurch werden zusätzliche Informationen zu dem Gesundheitszustand einer Person bereitgestellt.

Mittels des beschriebenen Verfahrens besteht die Möglichkeit, die Daten dieser Körperfunktion bestimmten Schlafstadien zuzuordnen. Somit können vergleichsweise einfach Aussagen zu Anomalien und somit gesundheitlichen Problemen getroffen werden.

Bei einer ersten Ausführungsform des Verfahrens können die Daten zu den Körperfunktionen in einem Schlaflabor erfasst werden, wobei vorzugsweise die Daten zu den Körperfunktionen in der zweiten Nacht im Schlaflabor erfasst werden.

Alternativ können die Daten zu den Körperfunktionen in häuslicher Umgebung erfasst werden.

Kurze Beschreibung der Zeichnungen:

Bevorzugte Ausführungsformen werden anhand der beigefügten Zeichnungen näher erläutert, in denen zeigen:

Fig. 1 eine schematische Darstellung des Ablaufs eines teilautomatisierten Verfahrens zur Klassifizierung einer Polysomnographie-Aufnahme in definierte Schlafstadien anhand von Elektroenzephalographie (EEG)-Daten in Verbindung mit einem Kopplungsfrequenzverfahren ;

Fig. 2 eine schematische Darstellung der Genauigkeit der Klassifizierung einzelner Schlafstadien unter Verwendung von Theta- und Gamma-Wellen;

Fig. 3 eine schematische Darstellung der Genauigkeit der Klassifizierung einzelner Schlafstadien unter Verwendung von Delta- und Alpha-Wellen. Wege zur Ausführung der Erfindung und gewerbliche Anwendbarkeit:

Fig. 1 zeigt eine schematische Darstellung des Ablaufs eines teilautomatisierten Verfahrens zur Klassifizierung einer Polysomnographie-Aufnahme in definierte Schlafstadien anhand von Elektroenzephalographie (EEG)-Daten in Verbindung mit einem Kopplungsfrequenzverfahren.

Bei dem in Fig. 1 dargestellten Ablauf wird im ersten Schritt der Schlaf eines Menschen in verschiedene Schlafstadien eingeteilt. Üblicherweise wird der Schlaf in die fünf bekannten Stadien eingeteilt, nämlich das Stadium N1 , das Stadium N2, das Stadium N3, das REM-Stadium und das Wach-Stadium.

Jedes dieser bekannten Stadien ist hierbei anhand wenigstens eines Datentyps identifizierbar. Im konkreten Fall ist vorgesehen, die einzelnen Stadien anhand der mittels einer Elektroenzephalographie erfassten Gehirnströme automatisch zu identifizieren und zu klassifizieren.

Im nächsten Schritt erfolgt eine Erfassung einer Vielzahl von Informationen zu Körperfunktionen über die Schlafdauer einer Person in Form einer bekannten Polysomnographie-Aufnahme in einem Schlaflabor. Üblicherweise dauert eine Polysomnographie-Aufnahme sieben bis acht Stunden.

Die erfassten Daten werden in zeitabhängige Datenblöcke mit einer Dauer von 30 Sekunden unterteilt. Dies kann manuell, d.h. von einer Person, oder automatisch von einem Computer oder dergleichen erfolgen.

Aus den Datenblöcken wählt eine geschulte Person oder eine Fachkraft eine begrenzte Anzahl von Trainingsdatenblöcken aus und ordnet diese ausgewählten Trainingsdatenblöcke jeweils einem Schlafstadium zu, wobei die Person oder die Fachkraft die Trainingsdatenblöcke so auswählt, dass die in dem Trainingsblock enthaltenen Daten jeweils eindeutig einem definierten Schlafstadium zugeordnet werden können. Idealerweise wählt die Person oder die Fachkraft für jedes Schlafstadium die gleiche Anzahl von Trainingsdatenblöcken aus. Es hat sich gezeigt, dass die Auswahl von vier Trainingsdatenblöcken pro Schlafstadium ausreichend ist. Es versteht sich jedoch, dass im Rahmen des beschriebenen Verfahrens auch mehr oder weniger Trainingsdatenblöcke ausgewählt werden können. Die Polysomnographie-Aufnahme und somit die Datenblöcke enthalten unter anderem die mittels einer Elektroenzephalographie erfassten Gehirnströme. Die Gehirnströme wurden hierbei an verschiedenen Stellen des Gehirns erfasst. Für das weitere Verfahren zur Klassifizierung einer Polysomnographie-Aufnahme in Schlafstadien werden die Daten, die an Positionen C3 und C4 am Kopf eines Patienten mittels der Elektroenzephalographie erfasst wurden, verwendet (siehe Abb. 1 in Fig. 1). Bei den Positionen C3, C4 handelt es sich um die Positionen, die bei einer Elektroenzephalographie üblicherweise als C3, C4 bezeichnet werden.

Die an den C3/C4-Positionen einer Elektroenzephalographie erhaltenen Daten eines jeden Trainingsdatenblocks werden mittels eines Datenaufbereitungsverfahrens ausgewertet.

Es ist bekannt, dass sich die Frequenz und die Amplitude der Gehirnströme in den einzelnen Schlafstadien ändern. Jedes Schlafstadium ist durch das Vorhandensein bzw. die Intensität oder Amplitude verschiedener bekannter Frequenzgruppen gekennzeichnet. Die Daten, die das Elektroenzephalogramm an einer Position des Gehirns anzeigt, sind somit eine Überlagerung verschiedener Signale, die das Gehirn in Form von Gehirnströmen aussendet. Eine einfache Frequenzanalyse der erfassten Daten, beispielsweise in Form einer (fast) Fourier- Transformation, liefert aufgrund der überlagerten Signale keine eindeutig an ein Schlafstadium zuordenbaren Frequenzfolgen.

Aus diesem Grund werden die an den C3/C4-Positionen der Elektroenzephalographie erhaltenen Daten mittels eines Kreuzfrequenzkopplungsverfahrens aufbereitet (siehe Abb. 2 in Fig. 1 ). Hierbei hat sich überraschend herausgestellt, dass sich ein Kreuzfrequenzkopplungsverfahren mit einem Phase-zu-Amplitude-Verfahren besonders eignet, um die Daten eines Elektroenzephalogramms Schlafstadien zuzuordnen.

Aus den im Rahmen einer Elektroenzephalographie erfassten Daten werden an den C3/C4- Positionen zwei Frequenzgruppen identifiziert, deren Verlauf und Intensität mittels eines Phase- zu-Amplitude-Verfahrens genau beschrieben werden können. Bei einem Phase-zu-Amplitude- Verfahren wird die Abhängigkeit zwischen der Amplitude eines höherfrequenten Signals und der Phase eines niederfrequenten Signals dargestellt. Der charakteristische Verlauf der mittels Phase-zu-Amplitude-Verfahren bearbeiteten Frequenzgruppen lässt sich eindeutig einem Schlafstadium zuordnen.

Die mit Hilfe des Kreuzfrequenzkopplungsverfahrens, insbesondere mit Hilfe des Phase-zu- Amplitude-Verfahrens erhaltenen Daten eines Datenblocks werden mit dem von einem Fachmann bestimmten Schlafstadium korreliert und bilden somit ein Trainingsobjekt. Die aus den ausgewählten Datenblöcken erhaltenen Trainingsobjekte werden an eine Support Vector Machine zur Erstellung einer Klassifizierung in der Support Vector Machine übermittelt (siehe Abb. 3 in Fig. 1).

Ein in der Support Vector Machine enthaltener Algorithmus markiert jedes Datenelement als einen Punkt in einem n-dimensionalen Raum, wobei n die Anzahl der Merkmale wiedergibt. Der Algorithmus muss zwischen verschiedenen separierenden Geraden den besten Mittelwert aus diesen errechnen, um damit für alle Punkte die beste gemeinsame separierende Ebene, also in diesem Fall eine Linie mit dem maximal möglichen Abstand zu allen Datenpunkten zu ermitteln. Die Klassifikation wird durchgeführt, indem die sogenannte optimale Hyperebene bestimmt wird. Als nächsten Schritt sucht sich der Algorithmus die Hyperebene, auf der die Datenpunkte mit der geringsten Distanz zur optimalen Hyperebene liegen, die sogenannten Support Vectors. Diese Distanz erhält den Namen Margin. Die optimale separierende Hyperebene maximiert nun die Margin, um deutlich voneinander getrennte Klassifikationsgruppen zu erhalten. Die Support Vector Machine unterteilt somit die Trainingsdatenblöcke in die vorgegebenen Schlafstadien.

Danach wird der restliche Teil der Datenblöcke, die nicht als Trainingsdatenblöcke ausgewählt wurden, an die Support Vector Machine übermittelt und es erfolgt eine automatische Einteilung dieser Datenblöcke in die bekannten Schlafstadien anhand der C3/C4-Daten einer Elektroenzephalographie.

In einer Testphase konnte mit dem beschriebenen Verfahren eine richtige Zuordnung der Datenblöcke in Schlafstadien und somit eine Trefferquote von mehr als 93% erreicht werden (siehe Abb. 4 in Fig. 1).

Eine besonders genaue Klassifizierung der nicht als Trainingsdatenblöcke ausgewählten Datenblöcke wird dadurch erreicht, dass eine nicht lineare Basis-Kernel-Funktion im Algorithmus der Support Vector Machine verwendet wird.

Obwohl man bisher davon ausgegangen ist, dass die vollautomatisierte Klassifizierung zu vergleichsweise schlechten Ergebnissen führt, insbesondere eine deutlich geringere Genauigkeit als die teilautomatisierten Klassifizierungen aufweist, wurde eine überraschend hohe Genauigkeit bei der Klassifizierung von Schlafstadien mit einem vollautomatisierten Verfahren erzielt, bei dem die Kreuzfrequenzkopplungsmethode auf EEG-Signale, insbesondere bestimmte Wellen der EEG-Signale, nämlich der C3- und C4- EEG-Signale, angewandt wurde. Bei diesem vollautomatisierten Verfahren wird wie bei dem in Fig. 1 dargestellten Ablauf im ersten Schritt der Schlaf eines Menschen in verschiedene Schlafstadien eingeteilt. Üblicherweise wird der Schlaf in die fünf bekannten Stadien eingeteilt, nämlich das Stadium N1 , das Stadium N2, das Stadium N3, das REM-Stadium und das Wach-Stadium.

Im nächsten Schritt erfolgt eine Erfassung einer Vielzahl von Informationen zu Körperfunktionen über die Schlafdauer einer Person in Form einer bekannten Polysomnographie-Aufnahme in einem Schlaflabor, wobei unter den Informationen zu den Körperfunktionen Informationen zu den Gehirnströmen enthalten sind.

Die Gehirnströme können an verschiedenen Stellen des Gehirns auf der Haut der Schädeloberfläche erfasst werden. Für das weitere Verfahren zur Klassifizierung einer Polysomnographie-Aufnahme in Schlafstadien werden jedoch vorzugsweise die Daten verwendet, die an Positionen C3 und C4 auf der Haut des Kopfes eines Menschen (Patienten) mittels der Elektroenzephalographie erfasst wurden. Von diesen Daten an diesen beiden Positionen C3 und C4 werden wiederum die Delta-, Alpha-, Gamma- und Theta-Wellen für die weitere Bearbeitung bzw. Auswertung herangezogen.

Die erfassten Daten werden in zeitabhängige Datenblöcke mit einer Dauer von 30 Sekunden unterteilt. Dies kann manuell, d.h. durch eine Person oder vorzugsweise automatisch durch einen Computer oder dergleichen erfolgen.

Zur Klassifizierung der Schlafstadien werden Datenblöcke als Trainingsdatenblöcke ausgewählt und die Theta- und Gamma-Wellen oder die Delta- und Alpha-Wellen dieser Trainingsdatenblöcke mittels der Kreuzfrequenzkopplungsmethode verarbeitet.

Insbesondere wird das entsprechende Phase-zu-Amplitude-Verfahren der Kreuzfrequenzkopplungsmethode angewendet. Die bearbeiteten Trainingsdatenblöcke werden automatisch den entsprechenden Schlafstadien zugeordnet.

Die ausgewählten und mittels der Kreuzfrequenzkopplungsmethode bearbeiteten Trainingsdatenblöcke werden, wie im Zusammenhang mit Fig. 1 beschrieben, an eine Support Vector Machine zur Erstellung einer Klassifizierung in der Support Vector Machine übermittelt.

Danach wird der restliche Teil der Datenblöcke, die noch nicht bearbeitet sind, an die Support Vector Machine übermittelt und es erfolgt eine automatische Einteilung dieser Datenblöcke in die bekannten Schlafstadien anhand der Theta- und Gamma- Wellen bzw. der Delta- und Alpha- Wellen. Es versteht sich, dass mit diesem Verfahren sämtliche erfassten Datenblöcke ausgewertet und mittels der Kreuzfrequenzkopplungsmethode bearbeiteten werden können, wobei diese bearbeiteten Datenblöcke dann an die Support Vector Machine übermittelt werden.

Im Rahmen des beschriebenen Verfahrens ist es sinnvoll, vor Beginn des Verfahrens einzelnen Schlafstadien charakteristische Werte zuzuordnen, wobei die charakteristischen Werte aus den Theta- und Gamma- Wellen bzw. den Delta- und Alpha-Wellen, welche einer entsprechenden Verarbeitung durch die Kreuzfrequenzkopplungsmethode unterzogen wurden, erhalten werden. Aus den Theta- und Gamma- Wellen bzw. den Delta- und Alpha-Wellen der Datenblöcke kann dann ebenfalls mittels der Kreuzfrequenzkopplungsmethode ein Wert ermittelt werden, der dem charakteristischen Wert eines Schlafstadiums entspricht. Mit Hilfe des so gewonnenen Wertes kann vergleichsweise einfach eine entsprechende Klassifizierung, d.h. Zuordnung des Datenblocks zu einem Schlafstadium durchgeführt werden.

Die Fig. 2 und 3 zeigen eine schematische Darstellung der Genauigkeit der Klassifizierung einzelner Schlafstadien unter Verwendung von Theta- und Gamma- Wellen (Fig. 2) bzw. Delta- und Alpha-Wellen (Fig.3) in einem vollautomatischen Verfahren mit einer Kreuzfrequenzkopplungsmethode, die ein Phase-zu-Amplitude-Verfahren umfasst.

Mit diesem vollautomatisierten Verfahren konnte eine Genauigkeit der Klassifizierung für alle Schlafstadien von über 80%, bei einzelnen Stadien sogar von mehr als 90% erreicht werden.