脳波（EEG）に基づく睡眠段階判定の科学：基礎原理から最新技術まで
睡眠はヒトの健康とパフォーマンスにとって不可欠な生理現象です。その質や構造を客観的に評価する上で中心的な役割を果たすのが、睡眠段階の判定です。睡眠段階の正確な判定は、睡眠障害の診断や治療効果の評価、そして近年急速に発展している睡眠テクノロジー製品のコア機能を実現するための基盤となります。本記事では、この睡眠段階判定において最も重要な生体信号である脳波（Electroencephalography: EEG）に焦点を当て、その科学的原理、技術的な側面、応用例、そして最新の研究動向について解説します。
睡眠段階の定義と脳波の特徴
睡眠は単一の状態ではなく、周期的に変動する複数の段階から構成されます。一般的に、睡眠は大きくノンレム睡眠とレム睡眠に分けられます。ノンレム睡眠はさらに段階1（N1）、段階2（N2）、段階3（N3、旧称徐波睡眠 SWS）に分類されます。これらの睡眠段階は、脳波（EEG）、眼球運動（Electrooculography: EOG）、筋電図（Electromyography: EMG）などの生体信号のパターンに基づいて定義されます。中でも脳波は、各段階に特有の電気活動を反映するため、睡眠段階判定において最も重要な情報源となります。
各睡眠段階に特徴的な脳波パターンを以下に示します。
- 覚醒時: 低振幅で速い周波数（ベータ波 13-30 Hz）が優勢です。目を閉じると後頭部でより遅いアルファ波（8-13 Hz）が出現します。
- ノンレム睡眠 段階1（N1）: 覚醒から睡眠への移行期です。脳波は低振幅で混合周波数となり、アルファ波が減少し、より遅いシータ波（4-7 Hz）が出現し始めます。徐波の割合は低いです。
- ノンレム睡眠 段階2（N2）: 睡眠時間の約50%を占める段階です。背景活動はシータ波が優勢ですが、この段階に特徴的な波形として「睡眠紡錘波（Sleep Spindles）」と「K複合波（K-complexes）」が出現します。睡眠紡錘波は11-16 Hz（中心は12-14 Hz）の短時間（0.5-1.5秒）の突発的な波、K複合波は高振幅で鋭い陰性波に続く陽性波からなる複合波です。
- ノンレム睡眠 段階3（N3）: 深い睡眠、いわゆる徐波睡眠（SWS）です。高振幅で遅いデルタ波（0.5-4 Hz）が睡眠時間率（Epoch）の20%以上を占めるのが特徴です。この段階で心拍数や呼吸数は低下し、体温も下がります。疲労回復や成長ホルモンの分泌に関わると考えられています。
- レム睡眠（REM）: Rapid Eye Movement（急速眼球運動）を伴う睡眠です。脳波は覚醒時に似た低振幅で混合周波数（速波）となりますが、筋活動はほぼ消失（筋トーヌスの弛緩）します。特徴的な波形として「PGO波（Ponto-geniculo-occipital waves）」が知られていますが、ヒトの頭皮上EEGでは捉えにくい場合が多いです。夢を見るのは主にこの段階と考えられています。
これらの波形や活動量の組み合わせにより、睡眠専門家は30秒または20秒ごとの脳波記録（Epoch）を目視で判定し、睡眠段階を決定します。
脳波計測の科学的原理と技術
脳波は、大脳皮質の多数のニューロン集団のシナプス後電位の変化によって生じる電気活動の集合電位を、頭皮上に配置した電極で捉えるものです。
- 電気信号の発生: ニューロンの発火に伴うイオンチャネルの開閉により、細胞膜内外の電位差が変化します。多数のニューロンが同期して活動すると、その総和としての電位変動が脳組織を通して頭皮まで伝搬します。
- 電極による検出: 頭皮に設置された電極は、この微弱な電位差を検出します。標準的な脳波計測では、特定の部位（国際10-20法などに基づいた位置）に複数の電極を配置し、基準電極（耳朶やマストイドなど）との間の電位差を計測します。
- 増幅とフィルタリング: 頭皮で検出される脳波信号は数マイクロボルト（µV）と非常に微弱なため、高感度の生体アンプで増幅されます。また、呼吸や心拍、筋活動によるアーチファクトや商用電源ノイズなどを除去するために、アナログフィルターやデジタルフィルターが適用されます。
- デジタル変換: アンプで増幅・フィルタリングされたアナログ信号は、A/Dコンバーターによってデジタルデータに変換されます。これにより、コンピュータでの記録、表示、解析が可能となります。サンプリング周波数や分解能は、記録の目的によって異なりますが、睡眠ポリソムノグラフィー（PSG）では通常、脳波に対して200 Hz以上が推奨されます。
PSGでは脳波に加え、EOG、EMG、心電図（ECG）、呼吸努力、気流、SpO2、体位なども同時に記録されます。これにより、睡眠段階判定の精度を高めるとともに、様々な睡眠関連事象（無呼吸、低呼吸、周期性四肢運動など）を検出できます。
脳波信号解析と自動判定アルゴリズム
記録された脳波信号は、睡眠段階判定のために様々な解析手法が用いられます。
- 時間領域解析: 信号の振幅、周期、特定の波形（睡眠紡錘波、K複合波、徐波）の出現頻度や持続時間などを直接的に評価します。
- 周波数領域解析: フーリエ変換（特に高速フーリエ変換 FFT）を用いて、脳波を構成する様々な周波数成分のパワーを分析します。デルタ波（0.5-4 Hz）、シータ波（4-7 Hz）、アルファ波（8-13 Hz）、ベータ波（13-30 Hz）などの特定の周波数帯域のパワーやその比率は、睡眠段階を特徴づける重要な指標となります。例えば、N3睡眠ではデルタ波パワーが増加し、REM睡眠ではベータ波パワーが相対的に高くなる傾向があります。
- 時間-周波数解析: 短時間フーリエ変換（STFT）やウェーブレット変換などを用いて、時間の経過に伴う周波数成分の変化を同時に可視化・分析します。これにより、睡眠紡錘波のような一時的な特徴波形の周波数特性や出現タイミングを捉えやすくなります。
- 特徴量抽出: 上記の解析から得られる指標（例: デルタ波パワー密度、紡錘波の数、K複合波の数、周波数帯域パワー比など）を特徴量として抽出します。これらの特徴量は、後述の自動判定アルゴリズムへの入力となります。
睡眠段階の自動判定アルゴリズムは、これらの特徴量や脳波の生波形パターンを用いて、各Epochの睡眠段階を機械的に分類するものです。
- ルールベース/統計的手法: 事前に定義された閾値や統計モデルに基づいて分類を行います。例えば、「デルタ波パワーが〇〇以上であればN3」、「特定の周波数帯域で睡眠紡錘波が〇〇個以上検出されればN2」といったルールを設定します。これらの手法は直感的で解釈しやすい反面、人間の判定基準の複雑さや個体差への対応が難しい場合があります。
- 機械学習: サポートベクターマシン（SVM）、ランダムフォレスト、隠れマルコフモデル（HMM）などが用いられます。専門家によってラベル付けされた大量のPSGデータを学習データとして使用し、抽出された特徴量から最適な分類境界や確率モデルを構築します。
- 深層学習: 近年最も注目されているアプローチです。畳み込みニューラルネットワーク（CNN）やリカレントニューラルネットワーク（RNN）、長・短期記憶（LSTM）などが用いられます。生波形データや時間-周波数表現（スペクトログラムなど）を直接入力とし、ネットワーク自身が睡眠段階分類に有効な特徴量を自動的に抽出・学習します。これにより、人手による特徴量設計の手間を削減し、複雑なパターンも捉えることが可能になります。特に、CNNは時間方向の特徴（波形パターン）の抽出に、RNN/LSTMは睡眠段階の遷移といった時間的な文脈の学習に適しています。
自動判定アルゴリズムの性能評価には、人間の専門家判定との一致率（Kappa係数など）や、各睡眠段階における精度（Precision）、再現率（Recall）、F1スコアなどが用いられます。
睡眠テクノロジーへの応用
脳波に基づく睡眠段階判定技術は、医療分野におけるPSG装置だけでなく、様々な睡眠テクノロジー製品に応用されています。
- 医療用PSGシステム: 多数の電極を用いた精密な脳波計測と専門家による判定を組み合わせた診断のゴールドスタンダードです。自動判定機能も搭載されていますが、最終的には専門家がレビュー・修正を行います。
- ホームPSG/ポータブルモニター: PSGよりも少ない電極数で、自宅での長期記録を可能にしたシステムです。脳波チャネル数も減りますが、自動判定アルゴリズムの活用により、一定の精度で睡眠構造を評価します。
- ウェアラブルデバイス: ヘッドバンド型、耳栓型、指輪型などのデバイスが登場しています。これらのデバイスでは、限られた電極数や、より簡易な計測手法（例: ウェアラブル脳波計、あるいは加速度計や心拍計からの間接的な推定）を用いつつ、搭載された小型チップ上のアルゴリズムでリアルタイムまたはバッチ処理で睡眠段階を推定します。精度はPSGに劣る場合が多いですが、継続的なモニタリングによる長期的な睡眠パターンの把握に貢献します。アルゴリズムの設計においては、ノイズの多い環境や不十分な生体信号からいかに正確な情報を引き出すかが課題となります。
- 非接触型デバイス: マット型やセンサー内蔵枕など、体に接触しない形で睡眠をモニタリングするデバイスです。これらのデバイスは通常、体動、呼吸、心拍などを計測しますが、これらの信号から睡眠段階を推定する際に、PSGやウェアラブル脳波計で得られた脳波データに基づいて構築されたアルゴリズムや機械学習モデルが活用されることがあります。例えば、特定の体動パターンや心拍変動が、脳波で定義される特定の睡眠段階と相関することを利用します。
最新の研究動向と課題
睡眠段階判定における脳波関連の研究は、精度向上、実用化、そして新たな睡眠理解へと進んでいます。
- 深層学習モデルの進化: 大規模な睡眠データセットを用いた深層学習モデルの開発が進み、専門家レベルまたはそれを超える判定精度を目指す研究が行われています。個人の睡眠特性に合わせたモデルのファインチューニングや、異なる人種・年齢層への汎化性能の向上も重要な課題です。
- 少チャネル・単チャネルからの高精度判定: ウェアラブルデバイスなどで使用される少数の脳波チャネルや、特に睡眠段階判定に有用とされる中心部電極（C3, C4）など単一チャネルからの高精度な判定技術の開発が活発です。単チャネルEEGからの特徴波形検出や周波数解析に基づいた深層学習モデルなどが提案されています。
- 脳波以外の生体信号との統合: 脳波、EOG、EMGだけでなく、心拍変動（HRV）、呼吸パターン、体温、活動量計データなど、他の種類の生体信号も統合的に解析することで、より頑健で多角的な睡眠評価を目指す研究も行われています。マルチモーダルデータの効果的な統合手法が模索されています。
- 個人の特性と睡眠構造: 睡眠段階構造には個人差や年齢による変化があります。単一の汎用モデルだけでなく、個々のユーザーの長期データから学習し、パーソナライズされた睡眠段階判定や評価を行うアプローチも研究されています。
- 睡眠段階判定を超えた脳活動解析: 単純な睡眠段階分類だけでなく、睡眠中の脳波マイクロストラクチャー（例: スローオシレーション、紡錘波の同期性や結合性）、脳領域間の機能的結合性などを解析することで、睡眠の機能（記憶固定、感情調節など）との関連を探る研究も進んでいます。これは、より高度な睡眠質評価や、睡眠介入技術の開発に繋がる可能性があります。
主要な課題としては、依然として高精度な教師データ（専門家によるPSG判定）の収集コスト、異なる計測機器間での信号特性のばらつき、ノイズやアーチファクトへの頑健性、そしてアルゴリズムの臨床的妥当性の検証などが挙げられます。また、ウェアラブルや非接触デバイスにおける「睡眠段階」という概念の解釈や、限られた情報からの推定精度についても議論が必要です。
まとめ
脳波（EEG）に基づく睡眠段階判定は、睡眠科学研究と睡眠テクノロジーの発展を支える中核的な技術です。各睡眠段階に特有の脳波パターンを理解し、それを正確に計測・解析する技術は、睡眠の質を客観的に評価するために不可欠です。PSGに始まり、ウェアラブル、非接触へと応用が広がる中で、深層学習をはじめとする最新の信号処理・機械学習技術は、限られた情報からの高精度推定や、より詳細な睡眠中の脳機能解析を可能にしつつあります。
製品開発に携わる皆様にとって、脳波の科学的原理、様々な計測・解析手法、そしてアルゴリズムの特性や限界を深く理解することは、自社製品の機能向上や新たな価値創造に繋がるでしょう。今後の研究の進展により、脳波解析技術は、より個人の睡眠に最適化されたソリューションや、睡眠中の脳機能そのものへの介入技術へと発展していくことが期待されます。