Forschung mit sleep²

sleep² eröffnet neue Möglichkeiten für die Schlafforschung. Studien können in größerem Umfang, über längere Zeiträume und direkt im Alltag der Teilnehmenden durchgeführt werden – mit deutlich weniger Hardware- und Organisationsaufwand. Forschende profitieren von objektiven, wissenschaftlich validen Schlafdaten, die sich zuverlässig auswerten lassen und internationalen Standards entsprechen. Zusätzlich erhalten sie auf Wunsch auch Zugang zu den Rohdaten, um eigene Analysen durchzuführen und spezifische Fragestellungen noch präziser zu untersuchen. Damit lassen sich Forschungsprojekte einfacher skalieren, qualitativ hochwertig umsetzen und flexibel in bestehende Strukturen integrieren.

Forscher über sleep²

Peter Simor, Ph.D.

Außerordentlicher Professor an der Eötvös-Loránd-Universität, Institut für Psychologie (Budapest)

"Der einfache und unmittelbare Zugang zu Rohdaten ist ein großer Vorteil für uns, den wir bei der Arbeit mit sleep² in Forschungsprojekten sehr schätzen.“

Dr. Lampros Perogamvros

Assistenzprofessor an der Abteilung für Psychiatrie der UNIGE und Psychiater am HUG

„Für die Umsetzung von Studien zu Schlafstörungen im Alltag bietet sleep² eine wertvolle Datengrundlagen.“

Thanh Dang-Vu, MD Ph.D.

Professorin am Institut für Gesundheit, Bewegungswissenschaft und Angewandte Physiologie der Concordia-Universität

„In großen Kohortenstudien – insbesondere mit sensiblen Teilnehmergruppen wie älteren Menschen – hilft sleep² dabei, präzise Schlafdaten in der gewohnten häuslichen Umgebung zu erheben.“

Veröffentliche Studien zu sleep²

The Virtual Sleep Lab—A Novel Method for Accurate Four-Class Sleep Staging Using Heart-Rate Variability from Low-Cost Wearables.
Topalidis, P., Heib, D. P. J., Baron, S., Eigl, E-S., Hinterberger, A., & Schabus, M. (2023). The Virtual Sleep Lab—A Novel Method for Accurate Four-Class Sleep Staging Using Heart-Rate Variability from Low-Cost Wearables. Sensors, 23(5), [2390].
From Pulses to Sleep Stages: Towards Optimized Sleep Classification Using Heart-Rate Variability
Topalidis, P. I., Baron, S., Heib, D. P. J., Eigl, E-S., Hinterberger, A., & Schabus, M. (2023). From Pulses to Sleep Stages: Towards Optimized Sleep Classification Using Heart-Rate Variability. Sensors, 23(22), [9077]
Investigating the subjective and objective efficacy of a cognitive behavioural therapy for insomnia (CBT-I)-based smartphone app on sleep: A randomised controlled trial.
Hinterberger, A., Eigl, E.-S., Schwemlein, R. N., Topalidis, P., & Schabus, M. (2023). Investigating the subjective and objective efficacy of a cognitive behavioural therapy for insomnia (CBT-I)-based smartphone app on sleep: A randomised controlled trial. Journal of Sleep Research, [14136].

On the Efficacy of a CBT-I-Based Online Program for Sleep Problems: A Randomized Controlled Trial.
Eigl, E-S., Hauser, T., Topalidis, P. I., & Schabus, M. (2023). On the Efficacy of a CBT-I-Based Online Program for Sleep Problems: A Randomized Controlled Trial. Clocks & Sleep, 5(4), 590-603.
The role of objective sleep duration, continuity, and architecture for subjective sleep perception: Findings from an intensive longitudinal study using heart-rate variability to infer objective sleep indicators.
Hachenberger, J., Baron, S., Schabus, M., & Lemola, S. (2025). The role of objective sleep duration, continuity, and architecture for subjective sleep perception: Findings from an intensive longitudinal study using heart-rate variability to infer objective sleep indicators. Sleep Medicine, 129, 167-174
The balance and integration of artificial intelligence within cognitive behavioral therapy interventions.
Nelson, J., Kaplan, J., Simerly, G., Nutter, N., Edson-Heussi, A., Woodham, B., & Broman-Fulks, J. (2025). The balance and integration of artificial intelligence within cognitive behavioral therapy interventions. Current Psychology, 1-11.
The effectiveness of smartphone app-based interventions for insomnia and sleep disturbances: A meta-analysis of randomized controlled trials.
Linardon, J., Anderson, C., McClure, Z., Liu, C., & Messer, M. (2024). The effectiveness of smartphone app-based interventions for insomnia and sleep disturbances: A meta-analysis of randomized controlled trials. Sleep Medicine.
Non-guided, Mobile, CBT-I-based Sleep Training in War-torn Ukraine: A Feasibility Study.
Kurapov, A., Blechert, J., Hinterberger, A., Topalidis, P., & Schabus, M. (2024). Non-guided, Mobile, CBT-I-based Sleep Training in War-torn Ukraine: A Feasibility Study. bioRxiv, 2024-08.
Soccer, sleep, repeat: effects of training characteristics on sleep quantity and sleep architecture.
Frytz, P., Heib, D. P., & Hoedlmoser, K. (2023). Soccer, sleep, repeat: effects of training characteristics on sleep quantity and sleep architecture. Life, 13(8), 1679.
The European Insomnia Guideline: an update on the diagnosis and treatment of insomnia 2023.
Riemann, D., Espie, C. A., Altena, E., Arnardottir, E. S., Baglioni, C., Bassetti, C. L., ... & Spiegelhalder, K. (2023). The European Insomnia Guideline: an update on the diagnosis and treatment of insomnia 2023. Journal of sleep research, 32(6), e14035.

How it works

Datenerfassung im Alltag

Teilnehmende tragen handelsübliche POLAR H10 oder Verity Sense Sensoren während des Schlafs. Diese erfassen Herzrate und Inter-Beat-Intervalle (IBIs) mit hoher zeitlicher Auflösung und übertragen die Daten automatisch in die sleep² App. So wird Schlaf objektiv, präzise und nicht-invasiv im Alltag dokumentiert.

Nutzung von POLAR H10 oder Verity Sense
Automatische Datenübertragung in die App
Realistische Messung im Alltag der Teilnehmenden

Validierte Analyse und hohe Datenqualität

Die aufgezeichneten Daten werden durch einen wissenschaftlich validierten Algorithmus verarbeitet. Forschende profitieren von hoher Genauigkeit in der Schlafphasenerkennung und erhalten Zugriff auf zahlreiche Metriken. Darüber hinaus können auch Rohdaten exportiert werden, um eigene Analysen und Fragestellungen zu vertiefen.

Validierte Schlafstaging-Methodik mit hoher Genauigkeit
Zugriff auf umfangreiche Schlafmetriken (z. B. Dauer, Effizienz, Wachzeiten)
Möglichkeit zum Export und Zugang zu Rohdaten

Skalierbare Forschung ohne Labor

sleep² ermöglicht Studien in großem Maßstab, ohne dass aufwändige Labor-Infrastruktur nötig ist. Teilnehmende schlafen in ihrer gewohnten Umgebung, wodurch die Ergebnisse praxisnah und ökologisch valide sind. Gleichzeitig reduziert sich der organisatorische Aufwand erheblich, was große Feldstudien wirtschaftlich realisierbar macht.