Ein zentraler technischer Schwerpunkt lag auf der Erforschung und Entwicklung neuronaler Netze für die Analyse medizinischer Zeitreihendaten, insbesondere EKG-Signale. Zwei Modellarten wurden systematisch verglichen: ein Deep Convolutional Recurrent Artificial Neural Network (ANN) und ein energieeffizientes Spiking Neural Network (SNN) mit biologisch plausiblen Leaky-Integrate-and-Fire-Neuronen. Beide Modelle wurden vollständig in PyTorch, norse und snnTorch implementiert und mit einer robusten Datenvorverarbeitungspipeline trainiert.

Die Evaluation zeigte, dass die entwickelten Modelle den bisherigen Stand der Technik bei der Schlaf-/Wach-Erkennung übertrafen. Besonders die SNN-Architektur erwies sich in der Klassifikation mit mehreren Klassen (Schlaf-/Wach- und REM-Phasen) sowie bei der Apnoe-Erkennung als überlegen und bot zudem Vorteile für den Einsatz auf energieeffizienter, batteriebetriebener Hardware. Die Arbeiten führten zur Publikation „Sleep Stage and Apnea Classification from Single-Lead ECG Using Artificial and Spiking Neural Networks“, die 2024 mit dem Best Paper Award der IEEE-EMBS Conference on Biomedical Engineering & Sciences ausgezeichnet wurde [1]. Darüber hinaus entstand die Publikation „A Formal Treatment of Homomorphic Encryption Based Outsourced Computation in the Universal Composability Framework“ [2].