Kontaktloses Gesundheitsmonitoring: Wie Radartechnologie und Künstliche Intelligenz die Schlafanalyse neu denken

14.09.2026

Künstliche Intelligenz und digitale Gesundheitstechnologien verändern zunehmend, wie und wo Gesundheitsdaten erfasst und für die medizinische Versorgung genutzt werden können. Während viele Untersuchungen bislang nur mit spezialisierten Geräten in Kliniken, Arztpraxen oder Laboren möglich sind, können dank neuer Technologien relevante Gesundheitsinformationen auch außerhalb dieser klassischen Umgebungen gewonnen werden. Besonders vielversprechend sind kontaktlose Lösungen. Sie erlauben eine kontinuierliche und alltagsnahe Beobachtung, ohne Patientinnen und Patienten zusätzlich zu belasten. Radartechnologie kann beispielsweise Atemmuster, Körperbewegungen und Herzschläge messen, ohne dass Sensoren oder Elektroden direkt am Körper angebracht werden müssen. In Kombination mit Künstlicher Intelligenz könnten solche Daten künftig neue Wege für das Gesundheitsmonitoring eröffnen. Im Gespräch mit Bayern Innovativ gibt Prof. Dr. Björn Eskofier Einblicke in seine Forschung zu radarbasierter Sensorik, kontaktloser Schlafphasenerkennung und KI-gestützten Therapieentscheidungen.

Björn Eskofier: Wir möchten medizinische Entscheidungen stärker auf objektive Messdaten stützen. Herkömmliche Messsysteme und Geräte wie zum Beispiel Wearables liefern zwar sehr gute Daten, können aber auch aufwendig sein und mitunter sogar das Verhalten beeinflussen, das wir eigentlich unter möglichst natürlichen Bedingungen beobachten möchten. Wird außerdem beispielsweise vergessen, ein Gerät zu tragen, können auch keine Daten gewonnen werden.
Deshalb haben wir uns gefragt, ob wir relevante physiologische Signale erfassen können, ohne die Patientinnen und Patienten zu berühren, also mit Abstand und ohne direkten Körperkontakt. Radartechnologie eignet sich hierfür besonders gut, da sie wichtige Biosignale wie Atemmuster, Körperbewegungen und Herzschläge unauffällig und ohne direkten Körperkontakt messen kann. Diese Signale können wichtige Informationen über die Schlafqualität, die verschiedenen Schlafphasen und den allgemeinen Gesundheitszustand geben.

Björn Eskofier: Schlaf ist ein wesentlicher Bestandteil unseres Lebens. Wir verbringen damit durchschnittlich ein Drittel unseres Lebens. Schlaf kann uns wichtige Einblicke in unseren Gesundheitszustand geben, wenn es uns gelingt, Schlaf korrekt zu erfassen. Bislang findet eine umfassende Schlafanalyse hauptsächlich in spezialisierten Schlaflaboren statt. Meist mithilfe einer Polysomnographie; das bedeutet, es müssen zahlreiche Sensoren und Elektroden an Kopf und Körper angebracht werden. In unserer Arbeit haben wir deshalb Radar als neue und interessante Messtechnologie eingesetzt sowie Verfahren des maschinellen Lernens, um relevante Muster zu erkennen und einschätzen zu können, ob eine Person wach ist oder sich im Leichtschlaf, Tiefschlaf oder REM-Schlaf (REM steht für Rapid Eye Movement; REM-Schlaf ist die Traumschlafphase, die durch schnelle Augenbewegungen, lebhafte Träume und eine hohe Gehirnaktivität bei gleichzeitig gelähmten Skelettmuskeln gekennzeichnet ist – sie ist die letzte Phase eines Schlafzyklus) befindet. Das Spannende ist, dass all dies ohne Elektroden und ohne direkten Körperkontakt möglich ist. Das heißt, Menschen können in ihrem eigenen Bett schlafen und die klinisch relevanten und wichtigen Gesundheitsinformationen können zuhause gewonnen werden.
 

Björn Eskofier: Schlaflabore liefern sehr umfangreiche physiologische Informationen, unter anderem über Gehirnaktivität, Augenbewegungen und Muskelsignale. Sie werden auf absehbare Zeit nicht aus der Diagnostik verschwinden. Wearables wie Smartwatches sind leicht zugänglich, setzen aber eine aktive Mitwirkung voraus. Man muss daran denken, sie zu benutzen und auch daran denken, sie aufzuladen. Manche Menschen tragen ihre Uhr beispielsweise nachts nicht, weil sie, während sie schlafen, auf der Ladestation liegt.
Radar nimmt hier eine interessante Mittelstellung ein. Die Technologie arbeitet vollständig kontaktlos und erfordert – abgesehen von der anfänglichen Installation – praktisch keinen Aufwand seitens der Nutzerinnen und Nutzer. Ein Radarsensor könnte beispielsweise an der Decke angebracht werden. Dadurch ist die Technologie besonders für ein langfristiges Monitoring vielversprechend, etwa bei älteren Menschen oder kranken Personen, die aufgrund ihrer Erkrankung viel Zeit im Bett verbringen müssen. Natürlich aber auch bei Menschen, die einfach keine körpernahen Sensoren tragen möchten.
Es gibt allerdings auch Einschränkungen. Radar misst nicht alle relevanten physiologischen Signale direkt, beispielsweise die Gehirnaktivität. Stattdessen liefert die Technologie sogenannte Surrogatsignale. So lassen sich beispielsweise schnelle Augenbewegungen indirekt sichtbar machen, sie werden jedoch nicht unmittelbar gemessen. Deshalb kann ein radarbasiertes Monitoring die Polysomnographie, die derzeit als Goldstandard gilt, nicht vollständig ersetzen. Bevor die Technologie zu einer belastbaren Alternative werden kann, muss sie außerdem kontinuierlich an größeren und vielfältigeren Populationen validiert werden.

Björn Eskofier: Transfer Learning ist vor allem dann hilfreich, wenn für eine konkrete Fragestellung keine ausreichend großen Datensätze verfügbar sind, gleichzeitig aber auf größere Datensätze aus verwandten Anwendungsbereichen zurückgegriffen werden kann. Beim maschinellen Lernen gilt grundsätzlich: Je mehr Daten für das Training zur Verfügung stehen, desto besser. Doch gerade im Bereich der medizinischen KI stehen häufig nicht die benötigten Datenmengen zur Verfügung. Beim Transfer Learning kann zunächst ein größerer Datensatz aus einem verwandten Anwendungsbereich verwendet werden und das dabei gelernte Modell anschließend mit einem kleineren Datensatz, der tatsächlich für die konkrete Fragestellung relevant ist, gezielt weitertrainiert werden. Das heißt, das Wissen, das ein Modell in einem bestimmten Kontext erworben hat, kann effizient auf einen anderen Kontext übertragen werden.
In der Praxis bedeutet das, dass wir nicht jedes Mal bei null anfangen müssen, wenn wir mit einem neuen Datensatz, einer anderen Population oder einem veränderten Setup arbeiten. Stattdessen können wir das bestehende Modell gezielt an die jeweilige Anwendung anpassen. Dafür benötigen wir zwar weiterhin sorgfältig annotierte Daten aus dem Zielbereich, deren Erhebung aufwendig und teuer ist, aber der Umfang der neu benötigten Daten lässt sich dadurch reduzieren. Ich bin überzeugt, dass dieses Prinzip in Zukunft eine sehr wichtige Rolle spielen wird, wenn wir KI-Methoden in die reale Gesundheitsversorgung übertragen wollen.
 

Björn Eskofier: Eine zentrale Erkenntnis war, dass kontaktlose Radarmessungen relevante Informationen enthalten, um zwischen verschiedenen Schlafphasen unterscheiden zu können. Unsere Ergebnisse zeigten eine vielversprechende Genauigkeit. Eine weitere wichtige Beobachtung war, dass Transfer Learning die Generalisierungsfähigkeit deutlich verbessert hat. Ich denke, dass dieser Aspekt in der Zukunft immer wichtiger wird.
Insgesamt zeigt sich, dass sich klinisch relevante Gesundheitsinformationen auch außerhalb von Kliniken und spezialisierten Einrichtungen wie Schlaflaboren gewinnen lassen. Das bedeutet nicht, dass Schlaflabore verschwinden werden. Vielmehr könnten wir sie künftig gezielter einsetzen. Kontaktlose Sensorik könnte beispielsweise zuhause genutzt werden, während komplexere und kostenintensivere Untersuchungen weiterhin in spezialisierten diagnostischen Einrichtungen stattfinden könnten.

Björn Eskofier: Wir und viele andere Forschungsgruppen untersuchen Anwendungsmöglichkeiten im Stressmanagement, also bei der Erfassung von Stress sowie im Bereich des Monitorings der psychischen Gesundheit. Radartechnologie wird außerdem im Zusammenhang mit neurologischen Erkrankungen wie zum Beispiel Parkinson erforscht. Kontaktlose Sensorik kann auch in der Rehabilitation unterstützend eingesetzt werden, um frühe Anzeichen klinischer Symptome oder einer Verschlechterung des Gesundheitszustands zu erkennen. In Pflegeeinrichtungen könnten solche Technologien beispielsweise zur Überwachung älterer Menschen eingesetzt werden und so ein umfassendes Bild über den Gesundheitszustand einer Person liefern.
Das Ziel sollte sein, Gesundheitsversorgung kontinuierlicher und weniger episodisch zu denken. Je dichter die Informationsbasis ist, desto besser können wir nachvollziehen, wie sich der Gesundheitszustand eines Menschen im Laufe der Zeit verändert.

Björn Eskofier: Das ist eine sehr gute Frage. Ich sage immer, die Anwendung von KI-Verfahren im Gesundheitsbereich entwickelt sich nur so schnell weiter, wie Vertrauen entstehen kann. An erster Stelle müssen immer die Bedürfnisse der Patientinnen und Patienten stehen. Technologien sollten konkrete Bedürfnisse von Patientinnen und Patienten beziehungsweise klinische Anforderungen adressieren und einen klaren Nutzen nachweisen können. Wenn Menschen erkennen, dass eine Technologie ihre Gesundheit verbessert und sie auf sinnvolle Weise unterstützt, beispielsweise dabei, besser mit einer chronischen Erkrankung umzugehen, steigt auch ihre Bereitschaft, sie zu nutzen, Messungen zuzulassen und Daten zu teilen. Ein weiterer entscheidender Faktor ist Transparenz. Menschen müssen wissen, welche Daten erhoben werden, wie diese verarbeitet werden, wer darauf zugreifen kann und wie sie selbst die Kontrolle darüber behalten können. Ein wichtiger Teil meiner Forschung beschäftigt sich deshalb mit der Entwicklung von Gesundheitsdatenräumen, die Menschen Informationen über die Entwicklung ihrer Gesundheit bereitstellen und gleichzeitig gewährleisten sollen, dass sie die Kontrolle über ihre Daten behalten. Ebenso wichtig ist das Prinzip Privacy by Design. Datenschutz darf nicht erst nachträglich ergänzt werden, sondern muss von Beginn an bei der Entwicklung solcher Systeme berücksichtigt werden. Und nicht zuletzt müssen wir wissenschaftliche Belege für den Nutzen dieser Technologien schaffen. Dazu gehört, dass sie sorgfältig validiert, unter realen Bedingungen evaluiert und verantwortungsvoll implementiert werden. Unser Team arbeitet mit Expertinnen und Experten zusammen, die uns dazu beraten, wie sich solche Technologien sinnvoll in die reale Gesundheitsversorgung integrieren lassen.
Am Ende lautet die Frage nicht, ob wir KI im Gesundheitswesen einsetzen sollten, denn KI ist meiner Überzeugung nach nicht mehr aus der Gesundheitsversorgung wegzudenken, sondern die eigentliche Frage ist, wie wir KI im Gesundheitswesen so einsetzen können, dass sie Patientinnen und Patienten wirklich zugutekommt und ihr Vertrauen gewinnt.

Vielen Dank für das Gespräch, Herr Professor Eskofier!