Für uns bei Oura ist es sehr wichtig, die Messlatte für Genauigkeit immer ein bisschen höher zu legen. Heute starten wir mit der Einführung unseres neuen Algorithmus der Schlafphasenanalyse für unsere Mitglieder. Dieser Algorithmus gehört zu den genauesten Algorithmen der Schlafphasenanalyse, die es in einem Verbraucher-Wearable gibt, und erreicht für die 4-stufige Schlafklassifizierung (Wach, Leichtschlaf, Tiefschlaf und REM-Schlaf) eine Übereinstimmung von 79 % mit einem Polysomnographie(PSG)-Schlaflabortest, dem Goldstandard der Schlafanalyse.
Bis zur Perfektion dieses Algorithmus sind Jahre an Forschung und Arbeit notwendig gewesen. Unter anderem wurden moderne Techniken des maschinellen Lernens eingesetzt, die mit einem der größten je erhobenen Schlafdatensätze trainiert wurden.
| „Dieser Algorithmus gehört zu den genauesten Algorithmen der Schlafphasenanalyse, die in einem Verbraucher-Wearable verfügbar sind, und erreicht eine Übereinstimmung von 79 % mit einem Polysomnographie(PSG)-Schlaflabortest.“ |
„Der neue Algorithmus der Schlafphasenanalyse unterstreicht Oura’s Engagement für Genauigkeit und wissenschaftliche Validierung als zentrale Säulen unseres Produkts sowie unser unermüdliches Bestreben, unsere Mitglieder auf ihrer Gesundheitsreise zu unterstützen, indem wir ihnen tiefgehende, personalisierte Gesundheitserkenntnisse liefern“, sagt Shyamal Patel, PhD, Head of Science bei Oura.
Um mehr über dieses Projekt zu erfahren, haben wir uns an Mitglieder des Wissenschaftsteams von Oura gewandt: Raphael Vallat, PhD, Senior Data Scientist für maschinelles Lernen und ehemaliger Schlafforscher an der University of California, Berkeley; Gerald Pho, PhD, Senior Data Scientist für maschinelles Lernen; und Xi Zhang, PhD, Head of Health Sensing.
Im Folgenden erzählen diese Wissenschaftler, was den neuen Algorithmus der Schlafphasenanalyse so besonders macht, was Mitglieder wissen sollten und welche Herausforderungen und Erfolge es auf dem Weg gab.
MEHR ERFAHREN: Wie misst Oura meinen Schlaf?
Was ist neu?
Auch wenn der neue Algorithmus der Schlafphasenanalyse jetzt noch genauer ist, kannst du sicher sein, dass der alte Algorithmus der Schlafphasenanalyse schon zu den besten im Wearable-Bereich gehörte und in Bezug auf seine Genauigkeit unabhängig validiert wurde.
Der neue Algorithmus legt jedoch die Messlatte noch etwas höher. Jetzt erreicht der Oura Ring eine Übereinstimmung von 79 % im Vergleich zum Goldstandard-PSG-Labortest. Das ist eine beeindruckende Leistung, wenn man bedenkt, dass Studien unabhängig voneinander gezeigt haben, dass die Übereinstimmung unter menschlichen Expert*innen bei der Bewertung einer PSG-Studie anhand der 4-Klassen-Schlafphasenanalyse bei etwa 88 % und zwischen den Bewerter*innen bei der 5-Klassen-Schlafphasenanalyse bei etwa 83 % liegt.
Außerdem zeigt der neue Algorithmus der Schlafphasenanalyse in allen Schlafphasen eine höhere Sensitivität, Genauigkeit und Spezifität, mit Werten zwischen 74 % und 98 %. Während andere Studien ähnliche Ergebnisse für die Erkennung einer bestimmten Schlafphase gezeigt haben, geht diese verbesserte Leistung meistens auf Kosten der anderen Phasen (zum Beispiel kann eine hohe Leistung bei der Erkennung von Tiefschlaf dazu führen, dass REM-Schlaf schlechter erkannt wird).
Das bedeutet, Ouras neuer Algorithmus der Schlafphasenanalyse erkennt besser, in welcher Schlafphase du dich im Laufe der Nacht befindest. Eine erhöhte Sensitivität über alle Schlafphasen hinweg erhöht nicht nur die Genauigkeit deines Schlafwerts, sondern auch deiner Tagesformbewertung. So bekommst du ein besseres Bild davon, wie bereit dein Körper insgesamt für den Tag ist.
MEHR ERFAHREN: Dein Oura-Schlafwert
Der Oura-Unterschied: Datenvielfalt
Während du schläfst, überwacht der Oura Ring deine Körpersignale wie Herzfrequenz, Bewegung und Temperaturtrends, um festzustellen, wann du eingeschlafen bist und in welcher Schlafphase du dich befindest. Das ist möglich, weil jede Schlafphase (Wach, Leichtschlaf, REM-Schlaf und Tiefschlaf) durch unterschiedliche Biosignale gekennzeichnet ist.
Um den neuen Algorithmus der Schlafphasenanalyse zu entwickeln, haben „wir einen der größten Datensätze von Schlaf-Wearables gesammelt, um einen Algorithmus zu trainieren, der diese Biosignale und die zugehörige Schlafphase in einer vielfältigeren Population besser erkennen kann“, erzählt uns Vallat. „Die verbesserte Genauigkeit verschafft Oura-Mitgliedern letztendlich bessere Erkenntnisse zu ihren Schlafgewohnheiten und zu ihrer allgemeinen Gesundheit.“
Der Entwicklungsprozess umfasste mehr als zwei Jahre umfangreicher Forschung. „Wir haben diesen Datensatz, der mehr als 1.200 Nächte Schlaf umfasst, aktiv aufgebaut, indem wir PSG- und Oura Ring-Daten aus Schlaflabors auf der ganzen Welt verwendet haben“, sagt Vallat.
Die Forschungsergebnisse wurden in der von unabhängigen Experten begutachteten wissenschaftlichen Fachzeitschrift Sensors veröffentlicht. Der Beitrag gibt einen detaillierten Einblick in die Funktionsweise des Algorithmus und ist öffentlich zugänglich, damit jeder, der die technischen Details unseres Schlafalgorithmus verstehen möchte, das auch tun kann – das zeigt, wie sehr Oura auf Transparenz setzt.
„Im Gegensatz zu früheren Datensätzen stammten die von uns gesammelten Daten aus einer vielfältigen Population mit schwankenden Schlafmustern und Hintergründen, zum Beispiel Menschen mit unterschiedlichen Hautfarben, Gesundheitszuständen, Altersgruppen und Schlafstörungen.“
Ein heterogener Datensatz sorgt dafür, dass der Algorithmus an vielen unterschiedlichen Personen trainiert wurde – und deshalb auch bei ganz unterschiedlichen Personen zuverlässig funktioniert. Einer unserer Werte bei Oura ist, dass der Mensch an erster Stelle steht. Deshalb setzen wir uns dafür ein, dass unser Algorithmus für alle gut funktioniert.
„Seit die Studie 2021 veröffentlicht wurde, haben wir unsere Trainings- und Testdatenbanken weiter ausgebaut“, sagt Vallat. „Mit mehr als doppelt so vielen Datensätzen haben wir die Vielfalt der Patienten erhöht, um eine hohe Genauigkeit über alle Bevölkerungsgruppen hinweg zu gewährleisten.“
In der Regel werden Algorithmen der Schlafphasenanalyse anhand einer geringen Datenmenge (weniger als 100 Nächte Schlaf) und aus einer homogenen Population, wie z. B. gesunden, jungen Studierenden, entwickelt. Das bedeutet, dass der Algorithmus zwangsläufig weniger genau wird, wenn er von einer größeren und vielfältigeren Gruppe von Menschen genutzt wird.
| „Mit mehr als doppelt so vielen Datensätzen haben wir die Vielfalt der Patient*innen erhöht, um eine hohe Genauigkeit für alle Bevölkerungsgruppen zu gewährleisten.“ |
VERWANDTE THEMEN: Was ist eine Polysomnographie(PSG)-Schlafstudie?
Chronik der Entwicklung
Der Weg von der Forschung und Entwicklung bis zur Produktreife wissenschaftlicher Algorithmen braucht Zeit und bringt ganz eigene Herausforderungen mit sich.
„Wissenschaft ist zeitaufwendig“, sagt Pho. „Es kann Jahre dauern, bis alle Tests und Validierungen abgeschlossen sind, und unser neuer Algorithmus ist da keine Ausnahme. Wir wollten sicherstellen, dass die Forschungsversion des Algorithmus mit der finalen Produktversion übereinstimmt. Das heißt, wir mussten sicherstellen, dass er bei unserer viel größeren und vielfältigeren Mitgliederbasis wie erwartet funktioniert.“
„Und selbst wenn die Wissenschaft als solche ‚fertig‘ ist, wird sie immer noch außerhalb des Rings als theoretischer Algorithmus entwickelt und muss mit der Hardware und der App synchronisiert werden“, erklärt Zhang. „Die Übersetzung des Algorithmus in Software war ein aufwändiger Prozess, bei dem die Ring-Firmware, die App, die Cloud und mehr verändert wurden.“
„Da der neue Algorithmus der Schlafphasenanalyse eine Grundlagenfunktion darstellt und viele nachgelagerte Auswirkungen hat, zum Beispiel auf den gesamten Schlafwert und die Tagesformbewertung, mussten wir Anpassungen an diesen Werten vornehmen, um eine gute Gesamtkontinuität sicherzustellen“, sagt Pho. „Aus diesem Grund haben wir im November 2022 eine Beta-Version veröffentlicht. Wir wollten durch den Einsatz von nebeneinander bestehenden Algorithmen Millionen Nächte an Mitgliedsdaten sammeln, um eine bessere Kohärenz zu erreichen.“
Letztendlich konnten Oura-Forschende und Wissenschaftler*innen aus aller Welt im Laufe von zwei Jahren unsere wissenschaftlichen Kenntnisse deutlich erweitern. Und die Arbeit geht weiter – wir fügen dem Datensatz ständig neue Daten hinzu und aktualisieren den Algorithmus regelmäßig.
Welche Änderungen könnten Oura-Mitglieder sehen?
„Da wir Daten aus einer vielfältigeren Population verwendet haben, haben wir einige wichtige Veränderungen festgestellt, die auf dem Alter und der Herzfrequenzvariabilität (HFV) beruhen“, erklärt Vallat.
Zu den Änderungen, die Oura-Mitglieder in ihren Schlaf-Messparametern sehen können, gehören die folgenden:
- Die meisten werden feststellen, dass sie mehr Leichtschlaf haben. Aber keine Sorge: Auch wenn es „Leichtschlaf“ heißt, bringt er trotzdem Vorteile für Gehirn und Körper. Mehr über Leichtschlaf erfahren.
- Personen mit einer höheren HFV sehen möglicherweise weniger Wachzeit und Tiefschlaf und mehr REM-Schlaf.
- Personen mit einer geringeren HFV könnten eine Abnahme des REM-Schlafs sowie eine Zunahme der Wachzeit bemerken.
VERWANDTE THEMEN: Was ist die durchschnittliche HFV?
Was die Zukunft bereithält
Es ist wichtig zu erkennen, dass sich die Schlafwissenschaft mit der Zeit weiterentwickelt – und ebenso entwickelt sich auch die Wissenschaft hinter Oura. „Unser Ziel ist es, mit den heute verfügbaren wissenschaftlichen und technologischen Mitteln möglichst genaue Messparameter und Erkenntnisse zu liefern“, sagt Patel. „Wenn sich Wissenschaft und Technologie weiterentwickeln, entwickeln wir uns auch weiter, um mit Oura die Grenzen des Möglichen zu verschieben.“
„Wir sind stolz darauf, ein wissenschaftlich orientiertes Unternehmen zu sein, und werden weiter in Forschung und Entwicklung investieren, um den Oura-Mitgliedern die fortschrittlichsten Gesundheitsüberwachungsfunktionen zu bieten“, sagt Patel.
Über unsere Oura-Experten
Shyamal Patel, PhD, ist Head of Science bei Oura, wo er eine interdisziplinäre Organisation mit Fokus auf der Forschung und Entwicklung von Algorithmen leitet, die Sensordaten in präzise Messwerte für die Gesundheit und das Wohlbefinden umwandeln. Shyamal hat einen Doktorabschluss in Elektrotechnik von der Northeastern University in Boston mit Schwerpunkt auf Signalverarbeitung und angewandtem maschinellen Lernen. Sein Postdoktorat absolvierte er an der Harvard University und heute lebt er in Boston.
Gerald Pho, PhD, ist Senior Data Scientist für maschinelles Lernen bei Oura. Er hat einen Doktortitel in Neurowissenschaften und seitdem er bei Oura ist, hat er zur Entwicklung und Einführung mehrerer Algorithmen beigetragen, darunter der neue Algorithmus der Schlafphasenanalyse, die Trainingsherzfrequenz und Health Risk Management.
Raphael Vallat, PhD, ist Senior Data Scientist für maschinelles Lernen bei Oura. Zuvor hat er als Schlafforscher im Center for Human Sleep Science an der University of California Berkeley (im Labor von Prof. Matt Walker) gearbeitet. Er hat viel zum Thema Schlaf und menschliche Gesundheit veröffentlicht und seine Arbeit wurde in mehreren großen Nachrichtenmedien und Podcasts vorgestellt.
Xi Zhang, PhD, ist Head of Health Sensing bei Oura. Er unterstützt ein globales Team von Wissenschaftlern bei der Erforschung und Entwicklung von Algorithmen für verschiedene Gesundheitsanwendungen. Dr. Zhang hat an der University of Michigan promoviert und den weltweit ersten nichtinvasiven Thrombolyse-Roboter gebaut. Nach seinem Studium arbeitete er zunächst bei Fitbit und anschließend bei Apple. Bei Fitbit hat er ein internes Start-up geleitet und außerdem ein paar wichtige Funktionen rund um die Herzgesundheit entwickelt, wie zum Beispiel die Herzfrequenzmessung rund um die Uhr und die Erkennung von Vorhofflimmern (mit FDA-Zulassung). Er ist außerdem in der Redaktionsleitung der Fachzeitschrift Ultrasound in Medicine and Biology und konzentriert sich dort auf ML/KI-Anwendungen.