Durch machine learning unterstützte Schlafmodulation

Schlaf ist durch spezifische Hirnrhythmen strukturiert, insbesondere durch Slow Waves, die Gedächtniskonsolidierung, neuronale Erholung und mentale Gesundheit unterstützen. Mittels closed-loop auditorischer Stimulation (CLAS) lässt sich nicht-invasiv mit diesen Rhythmen im Tiefschlaf interagieren. Bisherige Systeme stützen sich jedoch auf einen einzelnen EEG-Kanal und behandeln alle Slow Waves gleich - obwohl Slow Waves in funktionell unterschiedlichen Subtypen vorkommen.

In diesem Projekt setzen wir machine learning ein, um die Schlafmodulation präziser zu gestalten. Wir entwickeln Deep-Learning-Modelle die hochauflösendes EEG (hdEEG) in Echtzeit analysieren, Eigenschaften ableiten und Slow-Wave-Subtypen aus kurzen EEG-Fenstern klassifizieren. Diese Modelle steuern ein closed-loop System, das hdEEG-Analyse und auditorische Stimulation kombiniert, um gezielt bestimmte Slow-Wave-Typen anzusprechen.

Das Projekt verfolgt drei aufeinander aufbauende Arbeitslinien:

• Post-hoc-Analyse: Charakterisierung von Slow-Wave-Subtypen in bestehenden hdEEG-Schlafdatensätzen und Identifikation derjenigen EEG-Merkmale, die sich am besten für eine Echtzeit-Klassifikation eignen.
• Modelierung: Training und Validierung der Machine-Learning-Pipeline auf simulierten und gemessenen Daten, mit Fokus auf Robustheit, Echtzeit-Performance und Interpretierbarkeit auf Quell-Ebene.
• Integration & klinische Translation: Kombination der Modelle mit closed-loop Hardware und Pilottests bei Erwachsenen, mit dem Ziel einer klinischen Studie mit ADHS-Kindern am Universitäts-Kinderspital Zürich (Kispi).

Durch die Verbindung methodischer Fortschritte im machine learning mit translationaler Schlafforschung wollen wir die nicht-invasive Schlafmodulation selektiver, besser interpretierbar und klinisch nutzbarer machen.

Gruppenleitung: Prof. Dr. Reto Huber
Projektleitung: Dr. Samuel Wehrli und Dr. Sara Fattinger
Doktorand: Julian Amacker

Institutionen: ZHAW School of Life Sciences and Facility Management, Institute of Computational Life Sciences (ICLS); Universitäts-Kinderspital Zürich, Abteilung Entwicklungspädiatrie

Projektpartner: TI Solutions AG; Ente Ospedaliero Cantonale (EOC) / Istituto di Neuroscienze Cliniche della Svizzera Italiana; Universität Zürich; Universitätsspital Zürich

Drittmittel

• DIZH-Innovationsprogramm — ConCLAS (Digitalisierungsinitiative der Zürcher Hochschulen, seit 09/2024)