世界最大級の睡眠学会「SLEEP 2026」にて、PSG・ウェアラブルを用いた睡眠解析に関する研究成果2件をポスター発表しました

〜「睡眠機会」の自動推定と、睡眠時無呼吸重症度別にみたウェアラブル睡眠判定モデルの検証〜

東京大学発のスリープテック／ニューロテックスタートアップの株式会社ACCELStars（本社：福岡県久留米市、代表取締役：宮原禎、以下「ACCELStars」）は、米国メリーランド州ボルチモアにて開催された国際学会「SLEEP 2026」にて、睡眠ポリグラフ検査（PSG）およびウェアラブルデバイスを用いた睡眠解析に関する研究成果2件をポスター発表いたしましたことをお知らせいたします。

【発表①】

発表タイトル：
1207　Automated Detection of Sleep Opportunity Start and End from Polysomnography Signals
（日本語：PSG信号からの睡眠機会の開始・終了の自動検出）

発表者（共著者）：
兼田 充1、大垣 翔1、野原 友幸1、藤田 修平1、大迫 直志1、八木 朝子2、緒方 貴紀1

1. 株式会社ACCELStars、2. 久留米大学

臨床PSGでは、検査技師が消灯・点灯の時刻を記録し、睡眠機会区間を定義します。この消灯から点灯までの時間は総記録時間（TRT）に相当し、睡眠効率や睡眠潜時などの睡眠指標を算出する基準となります。一方で、後ろ向きデータや在宅・無人環境で取得されたPSGデータでは、消灯・点灯時刻の記録が欠損している、または記録方法が統一されていない場合があります。そのため、明示的なメタデータに依存せず、生体信号から睡眠機会区間を推定する技術が求められています。

本研究では、健常者473名および睡眠呼吸障害が疑われた244名のPSGデータを対象に、睡眠機会区間の開始・終了を自動的に推定する手法を検討しました。既存の5段階睡眠ステージ判定モデルを拡張し、覚醒、N1、N2、N3、REMに加えて、「睡眠機会区間の外」を示す6番目のラベルを導入しました。脳波、眼電図、筋電図から得られる特徴量を30秒エポックごとに算出し、生理学的に妥当な睡眠・覚醒ステージが連続して出現する地点を、睡眠機会区間の開始および終了として推定しました。

解析の結果、短時間の一過性の判定変動を除外し、睡眠・覚醒ステージが一定時間連続して出現する区間を睡眠機会区間として抽出することで、検査技師が記録した消灯・点灯時刻と良好に一致する境界推定が可能であることが示されました。この手法により、TRTの技師判定との平均的なずれは小さく、PSG信号のみから睡眠機会区間を推定できる可能性が確認されました。

本成果は、消灯・点灯時刻の記録が利用できないPSGデータや技師が介在しない在宅PSGにおいても、睡眠指標の算出に必要な睡眠機会区間を自動的に推定できることを示すものです。今後、自動睡眠ステージ判定、後ろ向き研究、大規模PSGデータベース解析において、メタデータ欠損の影響を低減する実用的な技術としての活用が期待されます。

【発表②】

発表タイトル：

1227　Validation of a Wrist-Worn Deep Learning Model for Sleep Staging Across the Spectrum of Sleep Apnea Severity

（日本語：睡眠時無呼吸重症度別にみた、手首装着型デバイスによる睡眠ステージ判定深層学習モデルの検証）

発表者（共著者）：

大垣 翔1、兼田 充1、野原 友幸1、藤田 修平1、大迫 直志1、八木 朝子2、富田 康弘3、緒方 貴紀1

1. 株式会社ACCELStars、2. 久留米大学、3. 虎の門病院

ウェアラブルデバイスの進歩により、長期間にわたり非侵襲的に生体信号を取得できるようになりました。一方で、睡眠障害の有無や種類・重症度によってデバイスの性能がどう変化するかを検証することが重要です。

本研究では、手首装着型デバイスで計測した心拍RR間隔と加速度を入力とする深層学習モデルを開発し、専門医によるPSG判定を基準として睡眠ステージ判定の性能を評価しました。健常者群（50夜）と睡眠時無呼吸（SA）患者群（50夜）を対象に、5段階分類の正解率・Cohenのκ係数、総睡眠時間（TST）の平均絶対誤差（MAE）を算出。さらにSA群をAHIにより3群（30未満、30以上50未満、50以上）に分けて評価しました。

健常者群では正解率0.70・κ係数0.58・MAE14分であったのに対し、SA患者群（全体）では正解率0.59・κ係数0.44・MAE26分でした。健常者群との差は正解率で約0.11、κ係数で約0.14、MAEで約12分であり、SAがある場合にどの程度性能が低下するかを具体的な数値として把握できました。

SA群をAHI別に見ると、軽症・中等症群（I群：AHI30未満）は正解率0.62・κ係数0.49・MAE24分、重症群（II群：AHI30以上50未満）は0.57・0.42・27分、最重症群（III群：AHI50以上）は0.60・0.42・29分でした。I群を基準にすると、より重症の群ではκ係数が0.49から0.42へ約0.07低下し、TST誤差（MAE）も24分から27〜29分へと増大しました。AHIが大きくなるにつれて、睡眠ステージ判定の一致度およびTST推定精度が低下する傾向が確認され、重症度に応じた性能低下の度合いを数値として明らかにしました。

一方で、TST誤差（MAE）の増大はI群（24分）とIII群（29分）で約5分の差であり、SA群全体でも約26分（TSTの約10%）でした。総睡眠時間の推定誤差はAHIの上昇に伴って増大するものの、その増大幅を把握することで、簡便な睡眠評価・スクリーニング用途においては、SAの有無や重症度が実用上に及ぼす影響は限定的と考えられます。本手法は、こうした実用的な睡眠評価のアプローチとして有用な可能性を示した成果です。

ACCELStarsでは、今後もこれらの技術を活用し、睡眠医療現場における働き方改革を支援する解析効率化や、解析精度のさらなる向上、ウェアラブルを用いた簡便な睡眠評価の実現に取り組んでまいります。

【関連リンク】

• Automated Detection of Sleep Opportunity Start and End from Polysomnography Signals
  • DOI：https://doi.org/10.1093/sleep/zsag091.1206
• Validation of a Wrist-Worn Deep Learning Model for Sleep Staging Across the Spectrum of Sleep Apnea Severity
  • DOI：https://doi.org/10.1093/sleep/zsag091.1226

【SLEEP 2026について】
「SLEEP」は、米国睡眠医学会（AASM：American Academy of Sleep Medicine）と米国睡眠研究学会（SRS：Sleep Research Society）が共同で運営する米国睡眠関連専門学会連合（APSS：Associated Professional Sleep Societies, LLC）が主催する年次学会であり、世界最大級の睡眠医学および睡眠科学の国際学会です。

第40回目となる本年の開催は、2026年6月14日〜17日にメリーランド州ボルチモアのボルチモア・コンベンションセンターで実施され、世界中の臨床医、研究者、産業関係者が参加しました。

詳細：https://www.sleepmeeting.org/

【会社概要】
株式会社ACCELStars（アクセルスターズ）
代表取締役 宮原 禎
設立日：2020年8月28日
本社所在地：〒839-0864　福岡県久留米市百年公園1-1
東京オフィス：〒113-0033　東京都文京区本郷7-3-1 東京大学アントレプレナープラザ205
HP：https://www.accelstars.com/

【本件に関するお問合せ】
株式会社ACCELStars（アクセルスターズ）
広報担当：press@accelstars.com

ACCELStars Presents Two Poster Presentations at SLEEP 2026, One of the World’s Largest Sleep Medicine Conferences

Research on Automated Estimation of “Sleep Opportunity” and Validation of a Wearable Sleep Staging Model Across Sleep Apnea Severity Levels

ACCELStars, Inc. (Head Office: Kurume City, Fukuoka Prefecture; CEO: Tadashi Miyahara; hereinafter “ACCELStars”), a sleep-tech/neuro-tech startup originating from the University of Tokyo, is pleased to announce that it presented two research posters on sleep analysis using polysomnography (PSG) and wearable devices at SLEEP 2026, an international conference held in Baltimore, Maryland, USA.

Presentation 1

Title: 1207 — Automated Detection of Sleep Opportunity Start and End from Polysomnography Signals

Authors:　Mitsuru Kaneda¹, Sho Ogaki¹, Tomoyuki Nohara¹, Shuhei Fujita¹, Naoshi Osako¹, Asako Yagi², Takanori Ogata¹

1. ACCELStars, Inc. 2. Kurume University

In clinical PSG, technicians record “lights-off” and “lights-on” times to define the sleep opportunity window. The interval from lights-off to lights-on corresponds to the total recording time (TRT), which serves as the basis for calculating sleep metrics such as sleep efficiency and sleep latency. However, in retrospective datasets or PSG data collected at home or in unattended settings, lights-off/lights-on times may be missing or recorded inconsistently. This creates a need for technology that can estimate the sleep opportunity window directly from physiological signals, without relying on explicit metadata.

This study examined an automated method for estimating the start and end of the sleep opportunity window, using PSG data from 473 healthy individuals and 244 individuals suspected of having sleep-disordered breathing. The team extended a conventional five-stage sleep staging model by introducing a sixth label indicating “outside the sleep opportunity window,” in addition to wake, N1, N2, N3, and REM. Features derived from EEG, EOG, and EMG were calculated for each 30-second epoch, and points where physiologically plausible sleep/wake stages appeared continuously were estimated as the start and end of the sleep opportunity window.

The analysis showed that by excluding brief, transient fluctuations in staging and extracting intervals where sleep/wake stages continued consistently over a set duration, boundary estimates could be produced that closely matched the lights-off/lights-on times recorded by technicians. This method resulted in a small average discrepancy from technician-determined TRT, confirming the feasibility of estimating the sleep opportunity window from PSG signals alone.

These findings demonstrate that the sleep opportunity window—needed to calculate sleep metrics—can be automatically estimated even for PSG data lacking lights-off/lights-on records, or for at-home PSG conducted without a technician present. Going forward, this technique is expected to serve as a practical tool for reducing the impact of missing metadata in automated sleep staging, retrospective studies, and large-scale PSG database analysis.

Presentation 2

Title: 1227 — Validation of a Wrist-Worn Deep Learning Model for Sleep Staging Across the Spectrum of Sleep Apnea Severity

Authors:　Sho Ogaki¹, Mitsuru Kaneda¹, Tomoyuki Nohara¹, Shuhei Fujita¹, Naoshi Osako¹, Asako Yagi², Yasuhiro Tomita³, Takanori Ogata¹

1. ACCELStars, Inc. 2. Kurume University 3. Toranomon Hospital

Advances in wearable devices have made it possible to acquire physiological signals non-invasively over extended periods. At the same time, it is important to verify how device performance varies depending on the presence, type, and severity of sleep disorders.

This study developed a deep learning model that uses heart rate RR interval and acceleration data measured by a wrist-worn device as inputs, and evaluated its sleep staging performance against PSG assessments made by specialist physicians as the reference standard. Five-stage classification accuracy, Cohen’s kappa, and mean absolute error (MAE) for total sleep time (TST) were calculated for a healthy group (50 nights) and a sleep apnea (SA) patient group (50 nights). The SA group was further divided into three subgroups by AHI (apnea-hypopnea index): under 30, 30 to under 50, and 50 or above.

The healthy group showed an accuracy of 0.70, a kappa of 0.58, and an MAE of 14 minutes, compared to an overall accuracy of 0.59, a kappa of 0.44, and an MAE of 26 minutes for the SA group. This represents a difference of approximately 0.11 in accuracy, 0.14 in kappa, and 12 minutes in MAE compared with the healthy group, providing concrete figures on the degree of performance decline associated with sleep apnea.

Within the SA group, breakdown by AHI severity showed: the mild-to-moderate group (Group I: AHI under 30) had an accuracy of 0.62, kappa of 0.49, and MAE of 24 minutes; the severe group (Group II: AHI 30 to under 50) had 0.57, 0.42, and 27 minutes; and the most severe group (Group III: AHI 50 or above) had 0.60, 0.42, and 29 minutes. Relative to Group I, kappa declined by approximately 0.07 (from 0.49 to 0.42) in the more severe groups, while TST error (MAE) increased from 24 minutes to 27–29 minutes. These results confirmed a trend of declining agreement in sleep staging and declining TST estimation accuracy as AHI increased, quantifying the degree of performance decline associated with severity.

On the other hand, the increase in TST error (MAE) was only about 5 minutes between Group I (24 minutes) and Group III (29 minutes), and averaged approximately 26 minutes (about 10% of TST) across the SA group as a whole. While estimation error for total sleep time does increase with rising AHI, understanding the magnitude of this increase suggests that, for simplified sleep assessment and screening applications, the practical impact of SA presence or severity may be limited. This finding highlights the potential usefulness of this method as a practical approach to sleep assessment.

ACCELStars will continue to leverage these technologies to support workstyle reform in sleep medicine through improved analysis efficiency, to further enhance analytical accuracy, and to advance the realization of simplified sleep assessment using wearable devices.

Related Links

• Automated Detection of Sleep Opportunity Start and End from Polysomnography Signals
  DOI: https://doi.org/10.1093/sleep/zsag091.1206
• Validation of a Wrist-Worn Deep Learning Model for Sleep Staging Across the Spectrum of Sleep Apnea Severity
  DOI: https://doi.org/10.1093/sleep/zsag091.1226

About SLEEP 2026

SLEEP is the annual meeting of the Associated Professional Sleep Societies, LLC (APSS), jointly operated by the American Academy of Sleep Medicine (AASM) and the Sleep Research Society (SRS). It is one of the largest international conferences in the world dedicated to sleep medicine and sleep science.

This year marked the 40th meeting, held June 14–17, 2026, at the Baltimore Convention Center in Baltimore, Maryland, drawing clinicians, researchers, and industry professionals from around the world.

Details: https://www.sleepmeeting.org/

Company Overview

ACCELStars, Inc.
CEO: Tadashi Miyahara
Founded: August 28, 2020
Head Office: 1-1 Hyakunen Koen, Kurume City, Fukuoka Prefecture 839-0864, Japan
Tokyo Office: University of Tokyo Entrepreneur Plaza, Room 205, 7-3-1 Hongo, Bunkyo-ku, Tokyo 113-0033, Japan
Website: https://www.accelstars.com/

Media Contact

ACCELStars, Inc.
Public Relations: press@accelstars.com