Erkennung von Schlaf und Wachheit mit beinsitzbaren Wearables durch tiefe Sensorfusion

Warum bessere Schlafüberwachung wichtig ist

Viele Familien kennen den Kampf um das Zubettgehen, unruhige Nächte und verschlafene Morgen — besonders wenn ein Kind an Aufmerksamkeitsdefizit-/Hyperaktivitätsstörung (ADHS) leidet. Schlechter Schlaf kann Unaufmerksamkeit, Hyperaktivität und Stimmung verschlechtern, doch die Werkzeuge, die Ärzte zur Messung des Schlafs verwenden, sind oft entweder zu komplex für den Alltag oder zu grob, um feine Details zu erfassen. Diese Studie untersucht einen neuen Ansatz, um den Schlaf von Kindern zu Hause zu überwachen: ein weiches Band am Bein kombiniert mit fortgeschrittenen Computermethoden zur Interpretation seiner Signale.

Von den Kabeln im Schlaflabor zu einfachen Beinbändern

Der derzeitige Goldstandard zur Schlafmessung, die Polysomnographie, erfordert eine Nacht im Labor mit vielen Kabeln, die Gehirnströme, Atmung und Bewegung aufzeichnen. Zwar ist dieses Verfahren sehr aussagekräftig, es ist aber teuer, umständlich und spiegelt möglicherweise nicht wider, wie ein Kind zu Hause tatsächlich schläft. Beliebte Armbänder messen dagegen vor allem Bewegung und können subtile Veränderungen in Atmung, Herzrhythmus oder Beinbewegungen übersehen, die den Schlaf zersetzen. Diese Lücke ist besonders relevant für Kinder mit ADHS, die häufig unruhige Beine, häufige kurze Aufwachphasen und verzögerte Einschlafzeiten haben — Aspekte, die Standard-Tracker nicht gut erfassen.

Ein genauerer Blick auf die Beine

Das Forschungsteam baute auf früherer Arbeit mit einem Gerät namens RestEaze auf, einem komfortablen, am Bein getragenen Band, das die ganze Nacht leise mehrere Signalarten aufzeichnet. Winzige Sensoren messen, wie sich das Bein in drei Dimensionen bewegt, wie es sich dreht, die Hauttemperatur und Veränderungen im Blutfluss, die Herzaktivität widerspiegeln. In dieser Studie trugen 14 Kinder, die auf ADHS untersucht wurden, RestEaze an beiden Beinen während nächtlicher Schlaflaboruntersuchungen, bei denen gleichzeitig Gehirnströme aufgezeichnet wurden. Experten werteten jede Minute anhand der Hirnaufzeichnungen als Schlaf oder Wachheit und lieferten so eine verlässliche Referenz, mit der die Daten des Beinbands verglichen werden konnten.

Den Rechnern das Lesen der Nacht beibringen

Statt einfache, von Menschen entworfene Zusammenfassungen der Signale zu verwenden, trainierte das Team Deep-Learning-Modelle — spezielle Algorithmen, die nützliche Muster direkt aus Rohdaten entdecken können. Sie testeten zwei Möglichkeiten, Informationen aus den vier Sensortypen zu kombinieren. Beim „Early-Fusion“-Ansatz wurden alle Signale zuerst zusammengeführt und dann in ein einzelnes Modell eingespeist. Beim „Late-Fusion“-Ansatz wurde jeder Sensortyp in einem eigenen Verarbeitungsweg analysiert, bevor die Ergebnisse für eine endgültige Entscheidung zusammengeführt wurden. Das Late-Fusion-Modell, das effektiv Bewegung, Puls und Temperatur jeweils eigenständig „sprechen“ lässt, bevor abgestimmt wird, erwies sich als am genauesten und am beständigsten über die Kinder hinweg.

Unruhige Nächte verständlich machen

Das leistungsfähigste Modell konnte Schlaf von Wachheit mit hoher Zuverlässigkeit unterscheiden, obwohl Schlafphasen in den Daten etwa fünfmal häufiger waren als Wachphasen. Aus seinen minutengenauen Entscheidungen berechneten die Forschenden bekannte klinische Messgrößen wie die Gesamtschlafdauer, die Einschlafzeit, die Zeit, die nach dem ersten Einschlafen wach verbracht wurde, und die Gesamtschlafeffizienz. Zunächst neigte das Modell dazu, die Nacht in zu viele winzige Aufwachphasen zu zerteilen. Um das zu beheben, fügte das Team einen einfachen Glättungsschritt hinzu, der die Nachbarminuten betrachtete und unplausible isolierte Wach- oder Schlafausreißer korrigierte. Diese Anpassung brachte die Schätzungen des Modells deutlich näher an die Laborergebnisse, ohne bedeutsame Perioden von Unruhe zu überdecken.

Was die Ergebnisse für Familien bedeuten

Praktisch zeigt die Studie, dass ein kleines, am Bein getragenes Band kombiniert mit modernen Mustererkennungsverfahren fast genauso gut wie eine vollständige Schlafuntersuchung erkennen kann, ob ein Kind schläft oder wach ist — zumindest in dieser Gruppe von Kindern mit ADHS. Bewegungssensoren am Bein trugen den größten Teil zur Leistung bei, während Puls und Temperatur hilfreichen Kontext lieferten. Obwohl die Forschung eine begrenzte Teilnehmerzahl hatte und sich auf eine klinische Gruppe konzentrierte, weist sie in Richtung einer Zukunft, in der Kinder über viele Nächte bequem zu Hause überwacht werden können. Diese langfristige Perspektive könnte Klinikern und Eltern helfen, Schlafprobleme früher zu erkennen, die Wirkung von Behandlungen besser zu verstehen und die Versorgung an die individuellen Schlafmuster jedes Kindes anzupassen.

Zitation: Anwar, Y., Bansal, K., Kucukosmanoglu, M. et al. Sleep awake detection from leg-worn wearables using deep sensor fusion. Sci Rep 16, 9930 (2026). https://doi.org/10.1038/s41598-026-42310-8

Schlüsselwörter: Schlafüberwachung, ADHS, tragbare Sensoren, Tiefes Lernen, Beinbewegung