ウェアラブル睡眠段階分類:信号モダリティ、表現、マルチモーダル融合の体系的分析
Wearable Sleep-Stage Classification: A Systematic Analysis of Signal Modalities, Representations, and Multimodal Fusion
本研究は、ウェアラブルセンサーを用いた睡眠段階分類において、信号モダリティ、特徴表現、および睡眠段階の粒度が被験者非依存の分類性能に与える影響を調査した。DREAMTデータセットを使用し、CNN–BiGRUフレームワークでハンドクラフト特徴、深層時間周波数モデルでBVPと加速度計のSTFT表現を学習させ、3段階、4段階、5段階のタスクで比較した。STFT表現はハンドクラフト特徴よりもクラスバランス性能を向上させ、特にBVPのSTFT表現はREM段階の分類に有効であった。ハンドクラフト特徴のBVP+ACCでは、3段階、4段階、5段階タスクでそれぞれMacro-F1スコア0.5057、0.4005、0.3366であったのに対し、STFTではそれぞれ0.6404、0.5083、0.4376となった。ハイブリッド融合ではそれぞれ0.6476、0.5108、0.4464となり、単純な連結以上の複雑な融合戦略はMacro-F1スコアを向上させなかった。MESAコホートでの評価では、参加者数を増やすことでパルス信号ベースの睡眠段階分類が改善されたが、N1とN3段階の分類は依然として困難であった。結果として、効果的な信号表現と補完的な生理学的情報が、モダリティ数やモデル複雑性の単純な増加よりも重要であることが示された。
- DREAMTデータセットを用い、CNN–BiGRUフレームワークでハンドクラフト特徴とBVP・加速度計のSTFT表現を比較。STFT表現がハンドクラフト特徴よりクラスバランス性能で優位。
- BVP+ACCのMacro-F1はハンドクラフト特徴で3段階0.5057・4段階0.4005・5段階0.3366、STFT表現で0.6404・0.5083・0.4376へ改善。
- ハイブリッド融合は3段階0.6476・4段階0.5108・5段階0.4464にとどまり、単純連結を超える複雑な融合戦略はMacro-F1を向上させなかった。
- MESAコホート評価では参加者数増加でパルス信号ベースの睡眠段階分類が改善したが、N1・N3段階の分類は依然困難。
- 効果的な信号表現と補完的な生理学的情報が、モダリティ数やモデル複雑性の単純な増加よりも重要であると結論。
ウェアラブル睡眠段階分類の研究だが、投資視点では「モダリティ数やモデル複雑性の増加よりも、信号表現と補完的生理情報の設計が性能を左右する」という結論が重要。BVP+ACCのSTFT表現でMacro-F1が0.4005→0.5083(4段階)へ大幅改善し、単純連結以上の複雑な融合戦略は効果がなかった点は、ウェアラブルAIの開発コスト配分(アーキテクチャ肥大化よりもデータ表現・前処理への投資)を再考させる。睡眠モニタリングはAIヘルスケアの主要商用領域であり、DREAMTやMESAといった公開コホートで被験者非依存性能が検証されていることは、規制・臨床応用を見据えた製品化判断の材料になる。一方、N1/N3分類の困難さが残ることは、実用化時の精度限界リスクとして認識しておくべき。