スマートフォンベースで測定した心拍数を入力として，入眠時刻の推定を行った結果を示す．

1. スマートフォンによる
短時間睡眠支援に向けた入眠時刻の推定
永田大地†, 荒川豊†, 安本慶一†
† 奈良先端科学技術大学院大学

2. 目次
1. 背景
2. 関連研究
3. 提案手法
4. 実験
5. まとめ
2

3. 研究背景
睡眠時間の不足
• 日本人の睡眠時間
OECD諸国の中で2番目に少ない[1]
40年間で約50分の減少[2]
睡眠時間の増加は困難
“短時間睡眠(昼寝)”の推奨
[1] : 睡眠時間の国際比較（OECD:経済協力開発機構，34ヶ国が加盟） 3
[2] : 国民の生活時間2000 NHK放送文化研究所・編

4. 短時間睡眠
理想的な睡眠→ 長さが重要“20分”[3]
4
20分昼寝をしよう。
目覚ましを20分後に
設定して寝よう。
寝付けないな。また
今から２０分後に
設定し直そう。
１０分経過
寝付けない！何度
も目覚ましを設定
するのは面倒だ！
５分経過
短時間睡眠を行おうとした例
[3] : SC Mednick. “Take a Nap!:Change Your Life”, New York, Workman Pub (2006).

5. 短時間睡眠
理想的な睡眠→ 長さが重要“20分”[3]
5
20分昼寝をしよう。
目覚ましを20分後に
設定して寝よう。
寝付けないな。また
今から２０分後に
設定し直そう。
１０分経過
寝付けない！何度
も目覚ましを設定
するのは面倒だ！
５分経過
短時間睡眠を行おうとした例
眠る時刻が知りたい
[3] : SC Mednick. “Take a Nap!:Change Your Life”, New York, Workman Pub (2006).

6. 提案システムの位置付け
6

7. 提案システムの位置付け
7

8. 提案システムの位置付け
8

9. 睡眠状態
睡眠状態は5 段階に分類
REM
NREM
1st phase
NREM
2st phase
NREM
3rd phase
NREM
4th phase
2014/6/11 9

10. 睡眠状態
睡眠状態は5 段階に分類
→ 今回は，3 段階に変更しての利用
REM
NREM
1st phase
NREM
2st phase
NREM
3rd phase
NREM
4th phase
REM Light-Sleep Deep-Sleep
2014/6/11 10

11. 入眠時刻推定の必要性
• 理想的な起床時刻がわかる
（推定入眠時刻）+ “20分” =（理想起床時刻）
11
快適な目覚め・効果の高い睡眠
入眠の定義覚醒状態→睡眠状態

12. 病院で用いられる入眠時刻推定手法
脳波や生理指標を用いた
終夜睡眠ポリグラフ検査(PSG)
12
脳波計測装置
睡眠状態の高精度な推定
→入眠時刻の推定
課題点
・限定された環境・患者に大きな負担
・高価な専用機器の必要性・専門家による判定

13. 病院で用いられる入眠時刻推定手法
13
脳波計測装置
脳波や生理指標を用いた
終夜睡眠ポリグラフ検査(PSG)
睡眠状態の高精度な推定
→入眠時刻の推定
課題点
・限定された環境・患者に大きな負担
日常的な計測は困難
・高価な専用機器の必要性・専門家による判定

14. 目次
1. 背景
2. 関連研究
3. 提案手法
4. 実験
5. まとめ
14

15. 外部装置を用いた研究例[4]
タニタ社マット型睡眠計スリープスキャン
マットレスや布団の下に設置
普段と同じ睡眠を行うことが可能
呼吸，脈拍，体動から（覚醒・睡眠）の推定
• 30秒毎に睡眠状態(4段階)を推定可能
• 睡眠状態を90%以上(PSGとの比較)の
精度で推定
外部装置が必要
[4] : 小西円, 中西純子, 西田佳世, “高齢者の睡眠/覚醒判定におけるセンサーマット型睡眠計の15
有用性－アクティグラフとの比較から－”, 愛媛県立医療技術大学紀要. vol.9, no.1, pp.5-9 (2012).

16. スマートフォンのみを用いた研究例[5]
スマートフォンアプリ「iSleep」
ベット（寝具）周辺に設置
マイクから取得した音のみで体の動きや咳な
どを検出し，推定に用いる
16
• 睡眠に関連性の高い行動を検出
• 睡眠状態，睡眠の質の推定
環境雑音に弱い
[5] : Hao T., Xing G., Zhou G. “isleep: Unobtrusive sleep quality monitoring using smartphones”,
SenSys, pp.1-14 (2013).

17. 既存研究の問題点
短時間睡眠を想定
• 専用機器は不必要
• 使用環境は限定されない
外部装置を用いず，環境依存の少ない
17
入眠時刻推定システムを目標

18. 目次
1. 背景
2. 関連研究
3. 提案手法
4. 実験
5. まとめ
18

19. 提案手法
<目的>
短時間睡眠における入眠時刻から
20分経過後での起床支援
<提案システム>
スマートフォンのみを用いた
心拍数による入眠時刻推定システム
19

20. 睡眠計測における生理指標
20
正確性を維持しながら簡易性を追求

21. 心拍数を用いる理由
• 睡眠との関連性が高い
“覚醒状態では高く，睡眠状態では低い値”[6]
• 環境ノイズの影響が少ない
音環境等の変化に依存しない
• 手軽に計測可能
小型装置，スマートフォンで計測可能
計測可能箇所が豊富
21
[6] : 亀山研一, 鈴木琢治, 行谷まち子, “快眠のための睡眠判定と睡眠モニタリングシステム
”東芝レビュー, Vol.61, No.10. (2006)

22. 心拍数計測方法
22
• 搭載カメラから指先の画像を取得
血流の強弱から画像処理を用いた心拍数導出
• 心拍数測定アプリを実装
既存の心拍計と平均誤差1.83 bpm
カメラフラッシュ
(バンド装着イメージ) (断面図)
(計測中)

23. 睡眠状態推定
• 機械学習を用いる
心拍：覚醒状態と睡眠状態で変動
23
90
85
80
75
70
65
60
55
心拍数[bpm]
心拍数グラフ
覚醒覚醒
睡眠
Time

24. 特徴量の選定
前提知識として
睡眠状態では心拍数の値，変動幅は低下
<用いる特徴量>
• 平均値
• 分散値
<データの分割方法>
各区間を一定時間毎(エポック)に区切る
24

25. システム構成
25

26. 目次
1. 背景
2. 関連研究
3. 提案手法
4. 実験
5. まとめ
26

27. 実験
検証すべき項目
1. 睡眠状態の分類精度
2. 入眠時刻推定精度
27

28. 実験
検証すべき項目
1. 睡眠状態の分類精度
2. 入眠時刻推定精度
28

29. 実験
検証すべき項目
1. 睡眠状態の分類精度
2. 入眠時刻推定精度
29

30. 実験1 睡眠状態分類
<方法>
• SVMを用いた分類
4クラス（state = wake, rem-sleep, light-sleep,
deep-sleep）
2クラス（state = wake, sleep）
• 検証方法
Hold out 法
Cross validation 法
• エポックを30s に設定
30

31. データ収集環境
• 5 名の成人，各1 回の睡眠（計6睡眠）
環境：研究室に設置されたベット
体勢：横になった状態での睡眠
• 心拍計
SUUNTO t6d (腕時計+専用ベルト)を代用
• 睡眠段階のGround Truth
タニタ社のマット型睡眠計スリープスキャン
正解ラベルの作成
31

32. 睡眠状態推定の結果
32
検証方法4クラス2クラス
Hold out 45.7 % 80.0 %
Cross validation 40 ±23 % 76 ±13 %
4クラス分類での精度は低い

33. 睡眠状態推定の結果
33
検証方法4クラス2クラス
Hold out 45.7 % 80.0 %
Cross validation 40 ±23 % 76 ±13 %
実用上，問題の無い精度を確認

34. 実験2 入眠時刻推定
<方法>
• 睡眠状態から入眠時刻を推定
• スリープスキャンの入眠時刻と比較
エポック1 2 3 4 5 6 7
経過時刻
34
( s )
0 - 30 30 - 60 60 - 90
90 -
120
120 -
150
150 -
180
180 -
210
睡眠状態wake wake wake
Light
sleep
Light
sleep
Deep
sleep
Deep
sleep

35. 実験2 入眠時刻推定
<方法>
• 睡眠状態から入眠時刻を推定
• スリープスキャンの入眠時刻と比較
エポック1 2 3 4 5 6 7
経過時刻
35
( s )
0 - 30 30 - 60 60 - 90
90 -
120
120 -
150
150 -
180
180 –
210
睡眠状態wake wake wake
Light
sleep
Light
sleep
Deep
sleep
Deep
sleep
入眠時刻が含まれるエポック

36. 入眠時刻推定の結果
36
睡眠ID
入眠エポック最大誤差
スリープスキャン提案システム( s )
1 15 6 300
2 7 3 150
3 13 11 90
4 54 48 210
5 34 28 210
平均192s で推定可能

37. まとめ
• 短時間睡眠支援の方法
• 心拍数を用いた入眠時刻推定
心拍数による状態分類
入眠時刻推定平均192s 以内
37

38. 今後の課題
• 個人性の考慮
ユーザ毎の特徴を導出
ユーザカテゴリの設定
• 変化点検出など他の手法との比較
• 心拍測定アプリの入眠時刻推定機能追加
プロトタイプ版(心拍数測定)の実装完了
• ユーザによるシステム評価
38