Schläfrigkeit wirkt sich unmittelbar auf Sicherheit, Leistungsfähigkeit und Wohlbefinden aus. Das Verständnis von Schläfrigkeit ist von entscheidender Bedeutung für die Sicherheit im Automobil- und Verkehrsbereich, für Gesundheit und Arbeitsschutz am Arbeitsplatz, in der Luftfahrt, in der klinischen Schlafforschung, im Bereich der Verbrauchergesundheit sowie bei Tests zu menschlichen Faktoren. In der Forschung, die sich auf Schichtarbeit (insbesondere Nachtschichten oder lange Schichten) und lang andauernde Tätigkeiten (z. B. die Durchführung von Operationen, das Fliegen von Flugzeugen, das Fahren von Lastkraftwagen) konzentriert, werden häufig Schläfrigkeit, Müdigkeit, Erschöpfung und Wachsamkeit untersucht.

Dieser Artikel fasst verschiedene Möglichkeiten zusammen, wie man mit iMotions mithilfe physiologischer Sensoren – darunter Eye-Tracking, EKG und EEG – Schläfrigkeit untersuchen kann.

PERCLOS

PERCLOS (Prozentsatz des Augenlidschlusses im Zeitverlauf) misst den Anteil der Zeit, in der die Augen über einen Schwellenwert (in der Regel 80 %) hinaus geschlossen sind, und wird häufig als Verhaltensindikator für Schläfrigkeit herangezogen. PERCLOS ist ein zuverlässiger, auf der Sichtwahrnehmung basierender Indikator für den Augenlidschluss und verminderte Wachsamkeit.

PERCLOS – Überblick

Beliebte Branchen: Automobil-/Transportwesen (Fahrerüberwachungssysteme), Luftfahrt, Schwermaschinenbau und Arbeitssicherheit.
Hardware: Eye-Tracking-Brillen, bildschirmbasierte Eye-Tracker
Komplexität der Datenanalyse: gering bis mittel.
- Etablierte Algorithmen erfordern eine Vorverarbeitung (für die Gesichts- und Augenerkennung sowie die Blinzelungsfilterung) und eine Kalibrierung (für unterschiedliche Personen und Lichtverhältnisse).
- iMotions R Notebook umfasst die Vorverarbeitung und Kalibrierung in den entsprechenden Eye-Tracking-Modulen.

Überlegungen zur Verwendung von Eye-Tracking zur Messung von PERCLOS

Vorteile: Bei der bildschirmbasierten Blickverfolgung ist kein Körperkontakt erforderlich. Einfach zu bedienende Hardware mit Blickverfolgungsbrille. Eignet sich gut für die Überwachung im Fahrzeug, im Simulator oder am Arbeitsplatz. Die Datenausgabe ist leicht verständlich.

Nachteile: PERCLOS reagiert empfindlich auf Beleuchtung, Verdeckungen und die Position der Kamera.

Blickfrequenz

Die Blinzelfrequenz schwankt je nach Ermüdungsgrad: Längere Blinzeln und vermehrte langsame/teilweise Blinzeln deuten oft auf verminderte Wachsamkeit oder Schläfrigkeit hin.

Übersicht über die Blinkfrequenz

Beliebte Branchen: Fahrerüberwachung, Arbeitssicherheit, Usability-Tests und Verbrauchergesundheit.
Hardware: Eye-Tracker oder Webkameras (mit Modul zur Analyse von Gesichtsausdrücken)
Komplexität der Datenanalyse: gering bis mittel.
- Die Erkennungsalgorithmen sind zwar unkompliziert, doch die Blinzelfrequenz wird auch von umweltbedingten und kognitiven Faktoren beeinflusst, was die Interpretation erschwert.
- Die Eye-Tracking-Module von iMotions (bildschirmbasiert, Brille und VR) sowie das Modul zur Gesichtsausdrucksanalyse liefern automatisch die Blinzelfrequenz.

Hinweise zur Verwendung der Blinkfrequenz

Vorteile: Einfach mit Kameras zu messen, ergänzt PERCLOS und bietet eine hohe zeitliche Auflösung für kurze Zeiträume.

Nachteile: Die Blinzelwerte werden durch die Umgebung (Wind, trockene Augen) und die kognitive Belastung (nicht nur Müdigkeit) beeinflusst.

Herzfrequenzvariabilität (HRV)

Die Herzfrequenzvariabilität (HRV) spiegelt die zeitlichen Schwankungen zwischen den Herzschlägen wider (Intervall zwischen zwei Herzschlägen; IBI). Die HRV wird mittels Elektrokardiographie (EKG) gemessen und gibt Aufschluss über die Aktivität des autonomen Nervensystems. Genauer gesagt lassen sich anhand von HRV-Kennzahlen das Gleichgewicht zwischen dem parasympathischen und dem sympathischen Nervensystem beurteilen. Im Allgemeinen stehen Verringerungen bestimmter HRV-Kennzahlen in Zusammenhang mit Müdigkeit sowie verminderter Aufmerksamkeit und Wachsamkeit.

Weitere Informationen zu HRV finden Sie in unserem Blog.

Überblick über die Herzfrequenzvariabilität

Beliebte Anwendungsbereiche: klinische Forschung, Schlafmedizin, Arbeitsmedizin, Sport und militärische Anwendungen.
Hardware: EKG mit Elektroden, Brustgurten
Komplexität der Datenanalyse: mittel bis hoch.
- Die HRV erfordert eine zuverlässige Artefakterkennung, Berechnungen im Spektral- und Zeitbereich sowie eine Auswertung im Vergleich zu Referenzkurven.
- Mit dem iMotions HRV R Notebook erfolgen diese Berechnungen automatisch.

Überlegungen zur Verwendung des EKGs zur Messung der Herzfrequenzvariabilität

Vorteile: Nicht-invasive und leicht verfügbare Hardware. Kontinuierliche Überwachung. Ergänzt andere Messgrößen.

Nachteile: Geringe Spezifität, da auch Faktoren wie die kognitive Belastung eine Rolle spielen. Spiegelt langsame Veränderungen wider.

Theta- und Delta-Leistung

Erhöhte Werte der EEG-Leistung im Theta- (4–8 Hz) und Delta-Band (0,5–4 Hz) sind klassische neuronale Anzeichen für das Einschlafen und für Schläfrigkeit.

Überblick über Theta- und Delta-Leistung

Beliebte Anwendungsbereiche: Schlafforschung, klinische Neurologie, Überwachung von Hochrisikopersonal in der Militär- und Luftfahrtforschung sowie akademische Studien.
Hardware: EEG-Headsets
Schwierigkeitsgrad der Datenanalyse: mittel bis schwer.
- Die Vorverarbeitung der EEG-Rohdaten ist unerlässlich. Es muss geprüft werden, wie Artefakte erkannt und Störsignale herausgefiltert werden können.
- Wählen Sie die Berechnungsmethode, die Fensterlänge und die Frequenzen des Bandpassfilters
- Das iMotions Power Spectral Density R Notebook liefert Messwerte für Standardfrequenzbänder, einschließlich Theta- und Delta-Bänder. In iMotions Lab können Sie Optionen für die Vorverarbeitung auswählen. Das Power Spectral Density R Notebook ist zur öffentlichen Einsicht verfügbar, was die Beschreibung der Methoden für Veröffentlichungen vereinfacht. Es sind keine Programmierkenntnisse erforderlich.

Überlegungen zur Verwendung von EEG zur Messung der Theta- und Delta-Leistung

Vorteile: direkte Messung der Gehirnaktivität mit hoher Empfindlichkeit gegenüber Schlafphasen und Mikroschlaf-Ereignissen; hohe Aussagekraft im Forschungskontext.

Nachteile: Das EEG erfordert Kontaktsensoren, kann im Alltag als störend empfunden werden und reagiert empfindlich auf Bewegungen und Muskelartefakte; es bestehen Bedenken hinsichtlich der Zulassung und des Tragekomforts bei einem langfristigen Einsatz vor Ort.

Fazit

Die Erkennung von Schläfrigkeit funktioniert am besten mit kombinierten Verfahren, bei denen die Schwächen eines Instruments durch die Stärken eines anderen ausgeglichen werden, wodurch ein widerstandsfähigeres, kontextbewusstes System entsteht. PERCLOS bleibt aufgrund seiner Interpretierbarkeit und Echtzeitfähigkeit ein Eckpfeiler der bildbasierten Überwachung, während HRV und EEG physiologische Tiefe für längerfristige Trends und die Erkennung von Schlafzuständen hinzufügen. Hardwarekosten, Eingriffsintensität und Komplexität der Analyse variieren je nach Methode, sodass die Wahl der richtigen Kombination von der Anwendung und den Einsatzbedingungen abhängt.

Wenn Sie eine maßgeschneiderte Empfehlung oder eine Demo wünschen, in der PERCLOS mit synchronisierten physiologischen Datenströmen (PPG, EKG, EEG, Atmung, GSR und Stimme) integriert ist, wenden Sie sich an uns – wir helfen Ihnen gerne dabei, eine Lösung zu entwickeln, die Ihren Forschungszielen entspricht.

Literaturverzeichnis

Takashi Abe, PERCLOS-basierte Technologien zur Erkennung von Schläfrigkeit: Aktueller Stand der Forschung und zukünftige Perspektiven, SLEEP Advances, Band 4, Ausgabe 1, 2023, zpad006, https://doi.org/10.1093/sleepadvances/zpad006

M. Patel, S.K.L. Lal, D. Kavanagh, P. Rossiter, Anwendung neuronaler Netzwerke zur Analyse von Herzfrequenzvariabilitätsdaten zur Beurteilung der Fahrermüdigkeit, Expert Systems with Applications, Band 38, Ausgabe 6, 2011, Seiten 7235–7242, ISSN 0957-4174, https://doi.org/10.1016/j.eswa.2010.12.028.

Pan, T., Wang, H., Si, H., Li, Y. & Shang, L. (2021). Erkennung des Ermüdungszustands von Piloten anhand von Elektrokardiogrammsignalen. Sensors, 21(9), 3003. https://doi.org/10.3390/s21093003