Slaapstadiumdetectie: hoe technologie ziet wat je brein doet terwijl je slaapt
Slaapstadiumdetectie is de verzamelnaam voor technieken waarmee wordt vastgesteld in welke slaapfase iemand zich bevindt: wakker, lichte slaap, diepe slaap of de droomslaap die bekendstaat als REM-slaap (Rapid Eye Movement, oftewel snelle oogbewegingen). Een nacht slaap is geen ononderbroken toestand, maar een reeks fasen die elkaar in cycli afwisselen, ongeveer elke negentig minuten. Slaapstadiumdetectie is de technologie die deze fasen herkent, meestal op basis van lichaamssignalen zoals hersengolven, hartslag of beweging.
Een handige vergelijking is die van een toneelstuk met verschillende bedrijven. Een toeschouwer die alleen naar het decor kijkt, kan al grofweg raden welk bedrijf er speelt: felle verlichting en veel beweging duiden op een ander bedrijf dan een donker, stil toneel. Slaapstadiumdetectie werkt vergelijkbaar: apparatuur 'kijkt' niet rechtstreeks in het brein, maar leidt uit indirecte signalen af welk 'bedrijf' van de slaap er op dat moment gaande is. Hoe preciezer de sensor en hoe slimmer de analyse, hoe betrouwbaarder die inschatting wordt.
Wat is het precies?
De medische gouden standaard voor het meten van slaapstadia heet polysomnografie (PSG). Dit gebeurt meestal in een slaapkliniek, waar iemand een nacht slaapt terwijl elektroden op het hoofd, rond de ogen en op de kin zijn geplakt. Deze meten drie soorten signalen: EEG (elektro-encefalografie, de elektrische activiteit van de hersenen), EOG (elektro-oculografie, oogbewegingen) en EMG (elektromyografie, spierspanning, met name onder de kin).
Op basis van die drie signalen samen deelt een geschoolde analist de nacht op in blokken van dertig seconden, 'epochs' genoemd, en kent aan elk blok een stadium toe. De internationale richtlijn hiervoor komt van de American Academy of Sleep Medicine (AASM), die in 2007 een gestandaardiseerd scoringssysteem publiceerde als opvolger van oudere regels uit de jaren zestig. Dit systeem onderscheidt wakker zijn, drie stadia van non-REM-slaap (N1, N2 en N3, waarbij N3 de diepe slaap is) en de REM-slaap.
Omdat PSG duur, arbeidsintensief en ongemakkelijk is (wie slaapt er nu goed vol met kabels?), is er al decennialang gezocht naar eenvoudigere manieren om hetzelfde te schatten. Moderne draagbare sensoren gebruiken vaak fotoplethysmografie (PPG): een lampje en een lichtsensor in bijvoorbeeld een horloge of ring meten hoe het bloedvolume in de huid verandert met elke hartslag. Daaruit valt de hartslag en de variatie daarin af te leiden, wat samenhangt met de mate van ontspanning van het zenuwstelsel. Gecombineerd met een bewegingssensor (accelerometer) en soms huidtemperatuur, voedt dit een algoritme dat voorspelt in welk stadium iemand waarschijnlijk verkeert.
Die algoritmes zijn tegenwoordig vaak gebaseerd op machine learning: een model wordt getraind op duizenden nachten PSG-data waarvan de juiste labels al bekend zijn, en leert daaruit patronen herkennen in de eenvoudigere signalen van een horloge of ring. Recente onderzoeksmodellen gebruiken diepe neurale netwerken die rechtstreeks ruwe signalen verwerken, in plaats van vooraf handmatig bepaalde kenmerken.
Wat wil men ermee bereiken?
Het belangrijkste doel is het toegankelijker maken van slaaponderzoek en -diagnostiek. Een nacht in een slaapkliniek is kostbaar, beperkt beschikbaar en meet bovendien maar één nacht, terwijl slaap van nacht tot nacht sterk kan verschillen. Betrouwbare thuismeting zou artsen in staat stellen om aandoeningen als slaapapneu (herhaaldelijk stokkende ademhaling), insomnie (chronische slapeloosheid) of narcolepsie beter en goedkoper op te sporen, over meerdere nachten en in de eigen slaapomgeving van de patiënt.
Daarnaast is er een groeiende markt van consumenten die inzicht willen in hun eigen slaap, gedreven door onderzoek dat aantoont hoe belangrijk voldoende diepe en REM-slaap zijn voor geheugen, herstel en algemene gezondheid. Fabrikanten van smartwatches en slaaptrackers beloven gebruikers te helpen hun slaapgewoonten te verbeteren door ze feedback te geven over hoeveel diepe slaap of REM-slaap ze die nacht hebben gehad.
Voor de wetenschap ligt er nog een derde doel: automatische slaapstadiumdetectie versnelt onderzoek. Het handmatig scoren van een enkele PSG-nacht kost een getrainde analist al snel een uur of langer. Bij grootschalige studies met duizenden nachten is automatisering vrijwel een noodzaak geworden om data behapbaar te houden.
Voorbeelden uit de praktijk
Fitbit introduceerde in 2017 een functie genaamd Sleep Stages, die op basis van hartslagvariabiliteit en beweging een schatting geeft van lichte slaap, diepe slaap, REM-slaap en wakker zijn, zonder EEG.
Apple voegde slaapstadia toe aan de Apple Watch met de introductie van watchOS 9 in 2022. Het horloge gebruikt daarvoor de ingebouwde bewegingssensor en hartslagmeting, en toont 's ochtends een overzicht van de nacht opgedeeld in wakker, REM, kern- en diepe slaap.
Oura, bekend van zijn slaapring, heeft zijn algoritmes voor slaapstadia over meerdere generaties van de ring verfijnd en gevalideerd in vergelijkende studies met PSG, waarbij vooral het onderscheid tussen totale slaaptijd en wakker liggen relatief goed lukt, en het onderscheid tussen de fijnere stadia lastiger blijft.
Withings brengt met de Sleep Analyzer een heel ander soort sensor op de markt: een dunne mat die onder het matras wordt gelegd en via drukveranderingen ademhaling, hartslag en beweging registreert, zonder dat de gebruiker iets hoeft om te doen of aan te zetten.
In de onderzoekswereld is het model U-Sleep een veelbesproken voorbeeld: een team rond onderzoeker Mathias Perslev publiceerde in 2021 een diep neuraal netwerk dat getraind was op een groot aantal PSG-datasets uit verschillende landen, en dat automatische slaapscoring haalde die in de buurt komt van de overeenstemming tussen twee menselijke analisten onderling.
Hoe ver is de techniek?
Polysomnografie zelf is een volwassen, decennialang gebruikte techniek die als betrouwbaar geldt, al blijft ook handmatige scoring door mensen niet perfect: twee ervaren analisten die dezelfde nacht beoordelen, zijn het niet altijd met elkaar eens, vooral over de grens tussen lichte slaapstadia.
Automatische detectie op basis van EEG-achtige signalen (dus nog steeds met elektroden, maar met minder kanalen dan volledige PSG) is inmiddels behoorlijk nauwkeurig en wordt al gebruikt om analisten te ondersteunen in plaats van te vervangen.
Het lastigste stuk is detectie via consumentenapparatuur zonder EEG, dus via pols, vinger of matras. Deze apparaten zijn over het algemeen redelijk goed in het onderscheiden van slapen en wakker zijn, maar aanzienlijk minder goed in het fijnere onderscheid tussen lichte slaap, diepe slaap en REM. Onafhankelijke validatiestudies laten wisselende resultaten zien, en de nauwkeurigheid verschilt per merk, per algoritme-versie en zelfs per individu: mensen met een onregelmatig slaappatroon of een medische aandoening worden vaak minder goed ingeschat dan gezonde, regelmatige slapers.
Een belangrijk obstakel is dat de meeste fabrikanten hun algoritmes niet volledig openbaar maken en niet elke versie-update opnieuw laten valideren in onafhankelijk, peer-reviewed onderzoek. Vrijwel geen enkele consumenten-slaaptracker is in de Verenigde Staten goedgekeurd door de FDA als medisch diagnostisch hulpmiddel voor slaapstoornissen; ze worden verkocht en gebruikt als wellness-product, niet als vervanging voor een medische slaapkliniek.
Wie werken eraan?
Aan de kant van consumentenelektronica zijn Apple, Google (met Fitbit), Oura, Whoop en Withings de bekendste namen die slaapstadiumdetectie inbouwen in horloges, ringen en matrassensoren.
In de medische en academische wereld zijn universitaire slaapcentra en ziekenhuizen wereldwijd betrokken bij het verzamelen van PSG-data en het ontwikkelen van scoringsalgoritmes, vaak in samenwerking met onderzoeksgroepen op het gebied van machine learning, zoals de groep rond de ontwikkeling van U-Sleep bij de Universiteit van Kopenhagen in samenwerking met Deense ziekenhuizen.
In de Verenigde Staten speelt de National Sleep Research Resource (NSRR), gehost door Brigham and Women's Hospital en gefinancierd met Amerikaanse overheidsgeld, een centrale rol als open dataverzameling van PSG-opnamen uit grote cohortstudies zoals de Sleep Heart Health Study, die onderzoekers wereldwijd gebruiken om nieuwe algoritmes te trainen en te testen.
De American Academy of Sleep Medicine blijft de belangrijkste vakorganisatie die de scoringsregels beheert en periodiek bijwerkt, en die daarmee wereldwijd de referentie vormt waaraan nieuwe technologie wordt afgemeten.