🔬 Die Wissenschaft

Wie NightSnore
wirklich funktioniert.

Schnarchen hat einen einzigartigen akustischen Fingerabdruck, den Jahrzehnte der Forschung im Detail dokumentiert haben. NightSnore kombiniert klassische Signalverarbeitung mit einem KI-Klangklassifizierer auf dem Gerät — demselben Deep-Learning-Ansatz, der in begutachteten Studien validiert wurde — und läuft vollständig auf deinem iPhone: ohne Cloud, ohne Konto, ohne Abo.

Vom Mikrofon zum Morgenbericht.

In jeder Sekunde deines Schlafs läuft im Hintergrund ein leiser vierstufiger Prozess. Das passiert dabei.

🎧

Adaptive Geräuschbasis

NightSnore schätzt das Hintergrundrauschen deines Zimmers die ganze Nacht über kontinuierlich mit einer gleitenden Perzentil-Methode. Kein 30-Sekunden-Warten — es passt sich vom ersten Moment an still an und justiert weiter, wenn sich die Bedingungen ändern.

🎙️

Lauschen im Hintergrund

Dank iOS-Hintergrundaudio bleibt das Mikrofon aktiv, während dein Bildschirm aus ist. Audio wird in Echtzeit analysiert; gespeichert werden nur kurze Clips rund um erkannte Klangereignisse — niemals die ganze Nacht.

🤖

KI-Klangerkennung

Ein neuronales Netz, trainiert mit Millionen realer Klangbeispiele, bewertet jeden erkannten Laut gegen mehr als 500 Kategorien — und unterscheidet Schnarchen und verwandte Atemgeräusche von allem anderen, was ein Schlafzimmer hervorbringt.

📊

Morgenbericht

Ereignisse werden zu Episoden gruppiert, ein Schnarchindex wird berechnet und eine vollständige Zeitleiste erstellt — bereit zum Ansehen, sobald du aufwachst.

Schnarchen klingt wie nichts anderes.

Schnarchen entsteht in den oberen Atemwegen — demselben Teil deines Körpers, der Sprache erzeugt. Das verleiht Schnarchern eine charakteristische quasi-harmonische Struktur: eine tiefe Grundfrequenz (typischerweise unter 500 Hz), begleitet von gestapelten Obertönen, ähnlich einer Note auf einem Musikinstrument.[1]

Herumwälzen, raschelnde Bettdecken und Umdrehen erzeugen völlig andere Geräusche: kurze, perkussive Impulse mit Energie über alle Frequenzen verteilt — eher ein Beckenschlag als ein Ton. Genau diese physikalische Differenz ist der Fingerabdruck, den NightSnores KI-Modell zu erkennen gelernt hat.

Die Forschung bestätigt, dass Schnarchereignisse typischerweise 0,3 bis 3 Sekunden dauern.[2]NightSnore filtert Transienten unter 0,3 Sekunden — ein Türklicken, ein Stoß ans Nachttischchen — heraus, bevor sie den Klassifizierer überhaupt erreichen. So verunreinigen kurze Stöße deinen Bericht nicht.

Frequenzprofile
Schnarchen — Energie konzentriert in tiefen Harmonischen
Bettgeräusche — Energie über alle Frequenzen verteilt
50–500 Hz — typischer Grundfrequenzbereich des Schnarchens
Harmonische Struktur — die Vokaltrakt-Signatur, auf die das KI-Modell achtet
Spektrale Form — tonale Schnarcher heben sich von breitbandigem Bettrauschen ab
Erkennungs-Pipeline
Stufe 1 — Ereigniserkennung
Leichtgewichtige Signalverarbeitung verfolgt die ganze Nacht eine adaptive Geräuschbasis für dein Zimmer. Alles, was deutlich darüber liegt, wird zum Kandidaten-Ereignis.
Stufe 2 — KI-Klassifizierung
Ein neuronales Netz auf dem Gerät bewertet den Laut gegen 500+ Kategorien: Schnarchen, ein atembezogenes Geräusch oder etwas ganz anderes.
Schnarch-Entscheidung
Ein Laut zählt als Schnarchen, wenn die KI sicher ist, dass es einer ist — oder wenn schnarchverwandte Atemgeräusche zusammen dieselbe Geschichte erzählen.
Nachbearbeitung
Benachbarte Ereignisse werden zu Episoden zusammengeführt. Laute, die die KI nicht dem Schnarchen zuordnen konnte, werden nicht verworfen — sie landen unter „Andere Geräusche" zum Nachhören.

DSP findet den Laut.
KI entscheidet, was er ist.

Einfache Lautstärke-Apps markieren alles Laute als Schnarchen. Deshalb erfassen sie deinen Partner beim Umdrehen, einen vorbeifahrenden Lkw oder eine zufallende Tür im Flur.

NightSnore teilt die Aufgabe in zwei — dieselbe kaskadierte Architektur, die in der akademischen Forschung zur Klangereignis-Erkennung empfohlen wird.[3]Eine leichtgewichtige Signalverarbeitungsschicht, aufgebaut um eine adaptive Geräuschbasis, die dein Zimmer bei veränderten Bedingungen still neu lernt, entscheidet, wann etwas passiert ist. Dann entscheidet ein neuronales Netz auf dem Gerät — trainiert mit Millionen realer Klangbeispiele über mehr als 500 Kategorien — was es war: ein Schnarcher, ein atembezogenes Geräusch oder bloß ein Knarren, ein Husten, ein Rascheln.

Die KI bleibt auch nicht beim Lehrbuch-Schnarcher stehen. Sie erkennt ebenso Keuchen, schweres Atmen und andere Laute, die Schnarch-Episoden oft begleiten — so werden auch leisere oder fragmentierte Ereignisse gezählt. Und was sie nicht dem Schnarchen zuordnen kann, wird nicht verworfen: Es bleibt unter „Andere Geräusche" in deinem Bericht, bereit zum Nachhören.

Eine Zahl, die wirklich etwas bedeutet.

NightSnore zählt nicht nur Schnarchereignisse — es berechnet einen Schnarchindex: die Anzahl der Schnarchereignisse pro Stunde Schlaf. Das ist dieselbe Grundmetrik wie im klinischen Schlafmonitoring und macht deinen nächtlichen Wert über unterschiedlich lange Sitzungen hinweg vergleichbar.

Nur 4 statt 8 Stunden geschlafen? Der Schnarchindex sagt dir trotzdem dasselbe über deine Schnarchintensität. Er ist eine Rate, keine Rohzahl — so bleiben Trends über die Zeit aussagekräftig, auch wenn die Nächte variieren.

Sitzungen unter 30 Minuten fließen nicht in die Indexberechnung ein: Kürzere Aufnahmen erfassen keinen vollständigen Leichtschlafzyklus und können irreführende Ergebnisse liefern.

Schnarchindex-Referenzbereiche
Index Stufe Bedeutung
< 10 Leicht Gelegentliches Schnarchen; geringer Einfluss auf die Schlafqualität
10 – 30 Mittel Häufiges Schnarchen; Trends im Blick behalten
> 30 Schwer Sehr häufiges Schnarchen; ärztlichen Rat in Betracht ziehen

Nur zur Orientierung. NightSnore ist kein Medizinprodukt und nicht zur Diagnose von Schlafstörungen bestimmt.

Schnarcherkennung per Smartphone funktioniert.

Unabhängige Studien haben mikrofonbasierte Schnarcherkennung auf Smartphones mit Hunderten Teilnehmern und Tausenden Stunden Schlafaufnahmen validiert.

~95%

Genauigkeit unter kontrollierten Bedingungen

Ein CNN+RNN-Deep-Learning-Modell für Smartphone-Schnarcherkennung erreichte ~95 % Genauigkeit, ~92 % Sensitivität und ~98 % Spezifität — und untersuchte direkt den Einfluss des Mikrofonabstands.

Xie et al., Computer Methods and Programs in Biomedicine, 2020. doi:10.1016/j.cmpb.2020.105917

~90%

Sensitivität in echten Haushalten + Klinik

Eine Smartphone-Studie von 2025 mit einem Vision Transformer, validiert an Klinik- und Heimaufnahmen mit Hunderten Teilnehmern, berichtete Sensitivität und Spezifität von rund 90 % auf einem zurückgehaltenen Testset.

Hong et al., Nature and Science of Sleep, 2025. doi:10.2147/NSS.S514631

~99%

Spezifität bei Nicht-Schnarch-Geräuschen

Ein unabhängiger Benchmark von 2025 zu einem kommerziellen Schnarcherkennungs-Algorithmus ergab ~86 % Sensitivität und ~99 % Spezifität auf einem vielfältigen Testset inklusive simulierter Nicht-Schnarch-Dateien — also sehr wenige Fehlalarme.

Brown et al., JMIR mHealth and uHealth, 2025. doi:10.2196/67861

Diese Zahlen stammen aus unabhängigen akademischen Studien, nicht aus NightSnores eigenen Tests. Die tatsächliche Genauigkeit hängt von Handyplatzierung, Raumakustik und individuellen Schnarchmustern ab. NightSnore baut auf derselben Klasse von On-Device-Deep-Learning-Audioklassifizierung auf, die in dieser Forschung validiert wurde.

🔒

All das passiert auf deinem Handy.

Nichts von dem Audio, das NightSnore erfasst, verlässt jemals dein Gerät. Keine Mikrofondaten werden hochgeladen, keine Aufnahmen an einen Server geschickt, kein Konto wird benötigt. Die gesamte Pipeline — adaptive Geräuschverfolgung, KI-Klangklassifizierung, Ereignisaufzeichnung — läuft lokal mit Apples On-Device-Frameworks. Selbst die Inferenz des neuronalen Netzes findet direkt auf deinem iPhone statt. Du kannst alles jederzeit in den Einstellungen löschen.

NightSnore

Probier es heute Nacht.

Leg dein iPhone auf den Nachttisch, tippe auf Start und schlaf ein.
Wach mit einem klaren Bild deiner Nacht auf.

Im App Store laden

iOS 17.6 und neuer · Einmaliger Kauf · Kein Medizinprodukt

Quellen
  1. Aarts, R.M. et al., "Snoring: sources and correlates." Acta Acustica (2010). Available at: sps.tue.nl (PDF)
  2. González-Martínez et al., "Improving snore detection under different sleep conditions through harmonic/percussive source separation." Applied Acoustics (2024). doi:10.1016/j.apacoust.2023.109811
  3. MDPI Engineering Proceedings: "Cascaded false-positive rejection for snore event detection." doi:10.3390/engproc2022011008
  4. Xie et al., "Audio-based snore detection using deep neural networks." Computer Methods and Programs in Biomedicine (2020). doi:10.1016/j.cmpb.2020.105917
  5. Hong et al., "Real-Time Snoring Detection Using Deep Learning: A Home-Based Smartphone Approach." Nature and Science of Sleep (2025). doi:10.2147/NSS.S514631
  6. Brown et al., "Accuracy of Smartphone-Mediated Snore Detection." JMIR mHealth and uHealth (2025). doi:10.2196/67861