良質な睡眠の研究は驚くほど難しい。ゴールドスタンダードであるポリソムノグラフィーは、患者が頭皮、顔、胸、脚に電極を貼り付け、胴体にはベルト、指にはパルスオキシメーターを装着して、実験室で一晩過ごすことを必要とする。このセットアップは高価で、不快であり、睡眠障害に必要な定期的なモニタリングには実用的ではない。
研究者たちは長年にわたり、よりシンプルな代替手段を追求してきた。それは、額や耳の後ろの数個の電極から記録された単一チャンネルのEEGと、睡眠段階を自律的に判別できるアルゴリズムを組み合わせるというものだ。課題は、単一チャンネルでは完全な臨床モンタージュよりもはるかに少ない情報しか取得できず、睡眠中の脳の電気的パターンは微妙で混同されやすいことである。
テヘランのタルビアト・モダレス大学とミシガン州立大学のチームが、単一チャンネル睡眠段階分類を臨床的有用性に近づける方法を発表した。Scientific Reportsに記載された彼らのアプローチは、SynchroSqueezed Transformと呼ばれる特殊な時間周波数変換と3段階の深層学習パイプラインを組み合わせ、標準的なベンチマークデータセットで83%の全体精度を達成している。
生の波形から鮮明な画像へ
単一チャンネル睡眠段階分類法が直面する最初の問題は、生のEEG信号をどのように表現するかである。30秒の記録は、時間経過に伴う電圧変化のノイズの多いゆらぎである。睡眠段階分類にとって意味のある情報は、どの周波数が存在し、そのパワーが夜間にどのように変化するかにある — 深い睡眠の遅いデルタ波、ステージ2の睡眠紡錘波、覚醒時の速いアルファ波とベータ波。
この情報を抽出する標準的な方法はスペクトログラムであり、信号を短い窓に分割し、それぞれに存在する周波数を計算する。しかし、スペクトログラムには基本的なトレードオフがある：時間分解能を良くすると周波数分解能が悪くなり、その逆もまた然りである。Aramたちが使用したSynchroSqueezed Transformは、スペクトルエネルギーを時間周波数平面内のよりシャープで集中した尾根に再割り当てすることで、この制限を回避する。結果として、脳のリズムが時間とともにどのように進化するかのより明確な画像が得られ、近接する周波数間のぼやけが減少する。
チームは各30秒エポックを256サンプルセグメントに分割した — 彼らが使用したSleep-EDFデータセットの100Hzサンプリングレートで約2.56秒である。これらの短いセグメントを、彼らが逐次表現学習パイプラインと呼ぶものの第一段階で畳み込みニューラルネットワークに入力した。
違いを見ることを学ぶ
睡眠段階分類のように複雑なタスクのために深層ニューラルネットワークをゼロから訓練することは困難であり、特に単一のEEGチャンネルからの限られたデータではなおさらである。研究者たちは、専門家が学習する方法に似た3段階戦略でこれに取り組んだ：まずEEGパターンの基礎を理解し、次に睡眠段階を区別することを学び、最後に段階が時間的にどのように連続するかを学ぶ。
第一段階は単純な教師あり事前学習である。CNNは2.56秒のマイクロセグメントを睡眠段階に分類することを学習し、有用な特徴抽出器の基盤を構築する。しかし、チームの重要な革新は第二段階、すなわち対照学習にある。
対照学習は、ネットワークに類似信号の表現を互いに近づけ、異なる信号の表現を引き離すように教えることで機能する。研究者たちはこれをエポックレベル — 完全な30秒ウィンドウ — で適用し、同じ睡眠段階からポジティブペアを、異なる段階からネガティブペアを作成した。このステップは、ネットワークがEEG信号を表現する抽象空間において、完全な夜の時間構造を見る前でも、エンコーダが睡眠段階を分離する能力を高める。
第三段階は、ネットワークがシーケンスで考えることを学ぶところである。事前学習されたエンコーダは、時間分散戦略を使用して完全な3000サンプルエポックを処理する。つまり、信号をチャンクにわたってスライドさせ、特徴ベクトルのシーケンスを生成する。これらのベクトルは、時間とともに展開するパターンを学習することに特化したリカレントニューラルネットワークの一種である、2つの積み重ねられたゲート付き回帰ユニットに入力される。GRUは連続するエポック間の依存関係を捉える：ステージ2の睡眠が通常徐波睡眠に先行するという事実、REMがサイクルを通じて特定の進行に従うこと、ステージ3の途中で目覚める可能性が低いこと。
83%とその意味
この方法は、健康な被験者からの夜間EEG記録の広く使用されているコレクションであるSleep-EDFデータセットで83%の全体精度を達成した。パフォーマンスは睡眠段階によって異なった。覚醒とREM睡眠が最も正確に分類された。ノンレム睡眠の深い段階 — ステージ3、時には徐波睡眠またはデルタ睡眠と呼ばれる — は、自動睡眠段階分類でよくあるように、より高い混乱を示した。
83%は完璧ではなく、複雑な睡眠障害の診断のために臨床ポリソムノグラムを置き換えるものではない。しかし、単一チャンネル手法の最先端と競合するものであり、既存の技術を新しい方法で組み合わせたパイプラインから生まれている。シーケンスモデリングの前に対照学習を使用して特徴の分離可能性を改善することは、ネットワーク全体をエンドツーエンドで訓練する従来のアプローチとの違いである。
実験室から寝室へ
単一のEEGチャンネルは最小限のセットアップで記録できる — 耳の後ろの粘着パッチ、ヘッドバンド、小型ウェアラブル。技術者は不要で、一晩の入院も不要である。睡眠時無呼吸症が疑われる患者の場合、初期スクリーニングは自宅で複数晩にわたって行われ、慣れない実験室での一晩よりも代表的な画像を生成できる。睡眠専門家が現在行っている手動スコアリングを自動化することで、訓練されたスコアラーが不足している環境での臨床リソースを解放することもできる。
まだできないこと
Sleep-EDFデータセットは標準的ではあるが、主要な睡眠障害のない健康な被験者のわずかな数の記録のみを含んでいる。この方法が不眠症やナルコレプシーなどの状態の患者に一般化できるかどうかは不明である。アルゴリズムはまた、EEGのみに依存しており、ポリソムノグラフィーがREMと覚醒を区別するために使用する筋緊張と眼球運動チャンネルを欠いている。これらの信号を追加すれば精度が向上する可能性が高いが、セットアップの複雑さも増す。この方法は、低コストの消費者向けEEGハードウェアや管理されていない家庭環境でもテストされていない。
結論
単一チャンネルからの自動睡眠段階分類は長年の目標であった。SynchroSqueezed Transform前処理と対照的に事前学習されたリカレントネットワークの組み合わせは、83%の精度が改善の余地を残しているとはいえ、真の方法論的進歩を表している。このアプローチは、睡眠実験室を必要とせずに機能する、信頼性が高く快適な在宅睡眠モニタリングという目標に、さらに一歩近づくものである。
Source: Aram, S., Ghassemi, M.M. & Mohammadzadeh Asl, B. Single-channel EEG sleep stage classification using synchrosqueezed transform and sequential representation learning. Sci Rep 16, 42477395 (2026). https://doi.org/10.1038/s41598-026-62832-5
雅子 訳