KI-basierte Analyse von Smartwatch-Herzfrequenzdaten sagt Schlafqualität mit 90 % Genauigkeit voraus
Forscher nutzten Samsung-Smartwatches, um Herzfrequenzmuster im Tagesverlauf zu erfassen, und sagten anschließend nächtliche Schlafunterbrechungen mit einer Genauigkeit von 90 % vorher.
Zusammenfassung
Koreanische Forscher entwickelten ein KI-System, das die Schlafqualität vorhersagt, indem es die Herzratenvariabilität von Samsung-Smartwatches analysiert, die tagsüber getragen werden. Die Studie verfolgte 82 Teilnehmer über bis zu 28 Tage und maß dabei Herzfrequenzmuster am Tag, um Schlafstörungen der folgenden Nacht vorherzusagen. Ihr LSTM-neuronales Netzwerk erreichte eine Genauigkeit von 90 % bei der Vorhersage von Wachphasen nach dem Einschlafen (Wake-after-sleep-onset, WASO), einem wichtigen Marker für schlechten Schlaf. Die LF/HF-Ratio aus der Herzratenvariabilität erwies sich als stärkster Prädiktor, wobei höhere Verhältnisse auf stärker fragmentierten Schlaf hinwiesen.
Detaillierte Zusammenfassung
Schlafstörungen betreffen bis zu 50 % der Erwachsenen, doch wenn sich schlechte Nächte im Voraus vorhersagen ließen, könnten proaktive Maßnahmen ergriffen werden. Diese koreanische Studie zeigt, wie alltägliche Smartwatch-Daten die Schlafqualität mit bemerkenswerter Genauigkeit prognostizieren können.
Die Forschenden verfolgten 82 Teilnehmende in Winter- und Sommerexperimenten 2023 und erfassten kontinuierliche Herzratenvariabilitätsdaten (HRV) von Samsung Galaxy Watch Active 2-Geräten, die während der Wachstunden getragen wurden. Zum Schlafen legten die Teilnehmenden die Uhren zum Laden ab, sodass alle Vorhersagedaten aus Tagesmustern stammten. Das Team nutzte sieben Tage vorausgehende HRV-Daten, um das nächtliche Erwachen nach dem Einschlafen (WASO – wake-after-sleep-onset) des Folgetages vorherzusagen, also die Zeit, die nach dem ersten Einschlafen im Wachzustand verbracht wird.
Der herausragende Befund war, dass das LF/HF-Verhältnis – ein Maß für die Balance zwischen sympathischem und parasympathischem Nervensystem – stark mit Schlaffragmentierung korrelierte. Teilnehmende mit höheren LF/HF-Verhältnissen erlebten nahezu doppelt so lange WASO-Zeiten (14,9 vs. 7,5 Minuten). In Kombination mit Schlaffragebogen-Scores und eingespeist in ein LSTM-neuronales Netz erreichte dies eine Genauigkeit von 90,4 % bei der Vorhersage schlechter Schlafnächte.
Dieser Ansatz könnte die Schlafmedizin revolutionieren, indem er den Fokus von reaktiver Behandlung auf prädiktive Prävention verlagert. Anstatt Schlaflosigkeit erst nach ihrem Auftreten zu behandeln, könnten Menschen personalisierte Empfehlungen auf Basis ihrer Tagesstressmuster erhalten. Das System identifizierte nicht nur, wer schlecht schlafen würde, sondern lieferte auch nachvollziehbare Erklärungen dafür – vorrangig ein Ungleichgewicht des autonomen Nervensystems, das sich in Herzratenmustern widerspiegelt.
Die Stärke der Studie liegt in ihrer Alltagstauglichkeit mit handelsüblichen Geräten, wenngleich die vergleichsweise junge Stichprobe (Durchschnittsalter 25 Jahre) und die kurzen Beobachtungszeiträume die Übertragbarkeit auf ältere Erwachsene mit chronischen Schlafstörungen einschränken.
Wichtigste Erkenntnisse
- LSTM neural networks predicted next-day sleep disruptions with 90.4% accuracy using smartwatch data
- LF/HF heart rate ratio was the strongest predictor, with higher ratios doubling wake time
- Seven days of daytime heart patterns provided sufficient data for reliable sleep forecasting
- Consumer Samsung smartwatches generated clinically relevant sleep predictions
- Participants with higher stress ratios had 14.9 vs 7.5 minutes of nighttime wake time
Methodik
Prospektive Studie mit 82 Teilnehmern, die Samsung Galaxy Watch Active 2-Geräte während zwei Zeiträumen von 26–28 Tagen im Jahr 2023 trugen. Aus den tagsüber erfassten PPG-Signalen extrahierte Herzratenvariabilitätsmerkmale wurden verwendet, um mehrere Machine-Learning-Modelle zu trainieren, die den WASO des Folgetages vorhersagen.
Studienlimitierungen
Die Studienpopulation bestand überwiegend aus jungen Erwachsenen (Durchschnittsalter 25 Jahre), was die Übertragbarkeit auf ältere Bevölkerungsgruppen einschränkt. Kurze Erfassungszeiträume und das Abnehmen der Geräte während des Schlafs können wichtige nächtliche Muster übersehen, die die Schlafqualität beeinflussen.
Hat dir diese Zusammenfassung gefallen?
Erhalte die neueste Longevity-Forschung jede Woche in deinen Posteingang.
E-Mail-Adresse zum Abonnieren eingeben: