FORSCHUNG · VALIDIERUNG · OFFENE METHODIK

Die Forschung hinter SomniSense.

SomniSense, eine App zur Schlafapnoe-Erkennung, basiert auf unserer eigenen Forschung zur Geräuschanalyse mit Aufnahmen aus 80 Nächten, die Annotationen aus klinischen Schlafuntersuchungen (PSG) zugeordnet sind. Erfahre unten, was wir untersucht und herausgefunden haben. Lies den Leitfaden zur Genauigkeit, um die Forschungsergebnisse und ihre Bedeutung für deinen eigenen Bericht einzuordnen.

80
Nächte mit PSG-Zuordnung
40 Teilnehmende · 10 im Labor + 70 ambulant
13.538
einsekündige Schnarchsegmente
Aufgabe zur Schnarchklassifikation
2.953
200-Sekunden-Atemfenster
Separate Aufgabe zur Atemklassifikation
88,49 %
Treffergenauigkeit bei der Klassifikation von 200 Sekunden langen Atemtonaufnahmen
Auswertung des komprimierten Modells mit einem einzelnen Seed
4
öffentliche Preprints
Eine Gesamtarbeit und drei begleitende Arbeiten

Was wir testen wollten

Wir fragten: Wie genau kann ein Modell für Smartphone-Mikrofonaufnahmen gekennzeichnete einsekündige Schnarchsegmente und 200-sekündige Atemfenster in Aufnahmen mit PSG-Referenz klassifizieren?

Die Validierungsstudie

Die Erkennungsleistung wurde an der klinischen Referenz für Schlafaufzeichnungen gemessen — Polysomnographie (PSG) im Labor und ambulant — in Nächten, in denen Smartphone und PSG-Anordnung dieselbe Person in derselben Nacht zur selben Zeit aufzeichneten.

  • Stichprobe. 80 gekoppelte Nächte mit 40 Teilnehmenden: 10 PSG-Nächte im Labor und 70 ambulante PSG-Nächte mit Nasenflusskanüle. Untersucht wurden Erwachsene mit und ohne diagnostizierte schlafbezogene Atemprobleme. Die Gruppe bildet nicht jedes Alter, jeden Körperbau oder jede Bevölkerungsgruppe ab. Unter 18-Jährige und weitere Gruppen sind nicht ausreichend vertreten; die Ergebnisse gelten daher nicht ohne Weiteres für alle.
  • Aufnahmegeräte. Mikrofone handelsüblicher Smartphones und Tablets erfassten die Geräusche in unterschiedlichen Räumen und bei verschiedenen Umgebungsgeräuschen, auch in den häuslichen Schlafumgebungen der Teilnehmenden.
  • Klinische Referenz. Die Aufnahmen wurden Annotationen aus PSG-Schlafuntersuchungen zugeordnet, damit die Forschung Geräuschmuster mit einer klinischen Referenz vergleichen konnte.

Der Leitfaden zur Genauigkeit erklärt jedes Ergebnis zu Schnarchsegmenten und Atemfenstern zusammen mit der Frage, die es beantwortet.

Forschung mit Bezug zu deiner eigenen Nacht

Wir entwickeln eigene Algorithmen zur Geräuschanalyse. Die gepaarten Aufnahmen ermöglichen uns zu untersuchen, wie Muster in den Tonaufnahmen alltäglicher Geräte mit den Annotationen klinischer Schlafuntersuchungen zusammenhängen.

Die Studie zum komprimierten Modell berichtete 88,49 % Klassifikationsgenauigkeit bei gekennzeichneten 200-Sekunden-Atemfenstern, ausgewertet mit einem einzelnen Seed. Die Schnarchstudie ergab 94,29 % Genauigkeit bei einsekündigen Geräuschsegmenten. Jedes Ergebnis beschreibt seine eigene Forschungsaufgabe. Die Arbeiten erläutern die vollständigen Methoden und Ergebnisse.

In SomniSense unterstützt diese Arbeit eine Aufzeichnung, die du selbst ansehen kannst: Finde einen markierten Moment, betrachte seine Wellenform und höre die Geräusche davor und danach an. Die Prozentwerte aus der Forschung beschreiben die Studienaufgaben, keine persönliche Diagnose und nicht die Genauigkeit jeder Markierung deiner Nacht. Wenn du wegen Symptomen hier bist, erklären die folgenden Leitfäden, wann eine geeignete ärztliche Abklärung sinnvoll ist.

Unsere Arbeit zur Geräuschanalyse auf dem Smartphone ist Gegenstand von drei vorläufigen US-Patentanmeldungen. Lies die Arbeiten zu unseren Methoden und Ergebnissen.

Die Arbeiten

Unsere zusammenführende Arbeit auf Research Square verbindet und erweitert unsere früheren Arbeiten zur Geräuschanalyse. Die drei ergänzenden Arbeiten unten sind auf Zenodo frei zugänglich veröffentlicht. Zusammen stellen diese vier öffentlichen Preprints Methoden und Ergebnisse bereit. Sie sind keine begutachteten Veröffentlichungen in Fachzeitschriften.

  1. A Two-Stage Audio Cascade with Coordinate Attention for On-Device Snore and Sleep Apnea Detection

    Die Hauptstudie verbindet unseren früheren audio-basierten Erkennungsansatz mit dem aufmerksamkeitsbasierten Modell. Die begleitenden Arbeiten beschreiben Referenzmodelle und die Bewertung des Aufmerksamkeitsmodells. Eine separate Kompressionsstudie untersucht die Ausführung auf dem Gerät. Die Studien gehören zusammen; sie sind keine vier unabhängigen klinischen Kohorten.

    Yang L. (SomniAI LLC) · Research Square · Version 1, 3. Juli 2026 · doi:10.21203/rs.3.rs-10154077/v1

  2. A Cascaded Two-Stage CNN Pipeline for Audio-Based Snore and Sleep Apnea Detection on Smartphones: Reference Baselines with Multi-Seed Validation

    Bewertet die Analyse von Schlafgeräuschen zum Erkennen von Schnarchen und Atemunregelmäßigkeiten in PSG-zugeordneten Aufnahmen.

    Yang L. (SomniAI LLC) · Zenodo · doi:10.5281/zenodo.20662374

  3. Coordinate Attention for 1D Audio-Based Sleep Apnea Detection: A Multi-Seed Empirical Study on Smartphone-Deployable Architectures

    Untersucht einen Ansatz zum Erkennen von Atemunregelmäßigkeiten anhand von Schlafgeräuschen. Lies die Arbeit zur untersuchten Aufgabe und ihren Ergebnissen.

    Yang L. (SomniAI LLC) · Zenodo · doi:10.5281/zenodo.20663376

  4. Compression Pipeline for Sub-Millisecond Sleep Apnea Detection on Mobile Neural Engines

    Untersucht die Atemanalyse mit dem Smartphone und berichtet die Ergebnisse für die bewertete Aufgabe der Atemaudioanalyse.

    Yang L. (SomniAI LLC) · Zenodo · doi:10.5281/zenodo.20663768

Aufbauend auf dieser Arbeit sieht SomniAI die Zusammenarbeit mit weiteren Kliniken und Nutzern als wichtige Richtung für seine langfristige Forschung.

Liest du das wegen eines Symptoms?

Wenn du wegen eines Symptoms hier bist, beginne mit dem Ratgeber, der zu deinen Beobachtungen passt.

Entdecke die Ergebnisse. Und dann deine eigene Nacht.

Beginne mit deinem kompatiblen Smartphone und sieh nach, was in deiner eigenen Nacht markiert wurde. Im Bericht findest du Zeitpunkt, Wellenform und aufgenommene Geräusche zusammen, um sie in Ruhe anzusehen und anzuhören.

Lege dein Handy ans Bett und sieh dir nach dem Schlafen deine eigene Nacht an.

Deinen ersten vollständigen Bericht über Atemunregelmäßigkeiten kannst du kostenlos ansehen – und auch später jederzeit kostenlos wieder aufrufen.

Noch kein nutzbarer Bericht? Du kannst es erneut kostenlos versuchen.

Im App Store herunterladenBei Google Play herunterladen

Aufzeichnen und Auswerten bleiben kostenlos. Pro schaltet vollständige Berichte über Atemunregelmäßigkeiten für spätere Nächte frei; die Schnarchfunktionen bleiben kostenlos.

Alle Genauigkeitsergebnisse ansehen →

Audio und Wellenformen werden auf deinem Handy gespeichert. Nach dem Löschen oder automatischen Bereinigen kannst du diese Dateien nicht wiederherstellen und die Aufnahme nicht erneut anhören. Aufbewahrungsregeln für Audio und Wellenformen ↗