KI-Generalisierungslücke bei der Staging komorbider Schlafstörungen
AI Generalisation Gap In Comorbid Sleep Disorder Staging
March 24, 2026
Autoren: Saswata Bose, Suvadeep Maiti, Shivam Kumar Sharma, Mythirayee S, Tapabrata Chakraborti, Srijitesh Rajendran, Raju S. Bapi
cs.AI
Zusammenfassung
Eine präzise Schlafstadienbestimmung ist entscheidend für die Diagnose von OSA und Hypopnoe bei Schlaganfallpatienten. Obwohl die Polysomnographie zuverlässig ist, ist sie kostspielig, arbeitsintensiv und manuell ausgewertet. Während Deep Learning eine automatisierte EEG-basierte Schlafstadienbestimmung bei gesunden Probanden ermöglicht, zeigt unsere Analyse eine schlechte Generalisierbarkeit auf klinische Populationen mit gestörtem Schlaf. Anhand von Grad-CAM-Interpretationen demonstrieren wir diese Limitation systematisch. Wir stellen iSLEEPS vor, einen neu klinisch annotierten ischämischen Schlaganfall-Datensatz (der öffentlich zugänglich gemacht wird), und evaluieren ein SE-ResNet plus bidirektionales LSTM-Modell für die Einzelkanal-EEG-Schlafstadienbestimmung. Wie erwartet ist die domänenübergreifende Leistung zwischen gesunden und erkrankten Probanden schlecht. Aufmerksamkeitsvisualisierungen, gestützt durch Rückmeldungen klinischer Experten, zeigen, dass das Modell bei Patientendaten auf physiologisch nicht informativen EEG-Regionen fokussiert. Statistische und computergestützte Analysen bestätigen weiterhin signifikante Unterschiede in der Schlafarchitektur zwischen gesunden Kohorten und ischämischen Schlaganfallpatienten, was die Notwendigkeit von subjektsensitiven oder krankheitsspezifischen Modellen mit klinischer Validierung vor dem Einsatz unterstreicht. Eine Zusammenfassung der Arbeit und der Code sind verfügbar unter https://himalayansaswatabose.github.io/iSLEEPS_Explainability.github.io/
English
Accurate sleep staging is essential for diagnosing OSA and hypopnea in stroke patients. Although PSG is reliable, it is costly, labor-intensive, and manually scored. While deep learning enables automated EEG-based sleep staging in healthy subjects, our analysis shows poor generalization to clinical populations with disrupted sleep. Using Grad-CAM interpretations, we systematically demonstrate this limitation. We introduce iSLEEPS, a newly clinically annotated ischemic stroke dataset (to be publicly released), and evaluate a SE-ResNet plus bidirectional LSTM model for single-channel EEG sleep staging. As expected, cross-domain performance between healthy and diseased subjects is poor. Attention visualizations, supported by clinical expert feedback, show the model focuses on physiologically uninformative EEG regions in patient data. Statistical and computational analyses further confirm significant sleep architecture differences between healthy and ischemic stroke cohorts, highlighting the need for subject-aware or disease-specific models with clinical validation before deployment. A summary of the paper and the code is available at https://himalayansaswatabose.github.io/iSLEEPS_Explainability.github.io/