Slaap-waakdetectie met beengedragen wearables via diepe sensorfusie

Waarom betere slaapregistratie ertoe doet

Veel gezinnen kennen de strijd rond bedtijd, onrustige nachten en slaperige ochtenden — zeker wanneer een kind attention deficit hyperactivity disorder (ADHD) heeft. Slechte slaap kan onoplettendheid, hyperactiviteit en stemming verslechteren, maar de hulpmiddelen die artsen gebruiken om slaap te meten zijn vaak ofwel te complex voor dagelijks gebruik of te grof om de details te vangen. Deze studie onderzoekt een nieuwe manier om de slaap van kinderen thuis te volgen met een zachte band om het been en geavanceerde computermethoden om de signalen te interpreteren.

Van slaaplabdraden naar eenvoudige beenbanden

De huidige gouden standaard voor het meten van slaap, het slaaponderzoek, vereist een nacht in een laboratorium met veel draden die hersengolven, ademhaling en beweging volgen. Hoewel krachtig, is deze opstelling duur, onhandig en weerspiegelt mogelijk niet hoe een kind thuis daadwerkelijk slaapt. Populaire polsapparaten meten vooral beweging en kunnen subtiele veranderingen in ademhaling, hartritme of beenbewegingen die de slaap fragmenteren missen. Deze kloof is bijzonder belangrijk bij kinderen met ADHD, die vaak rusteloze benen, frequente korte ontwakingen en vertraagde bedtijden hebben die standaard trackers slecht vastleggen.

Een nadere blik op de benen

Het onderzoeksteam bouwde voort op eerder werk met een apparaat genaamd RestEaze, een comfortabele beenband die stil verschillende soorten signalen de hele nacht opneemt. Kleine sensoren meten hoe het been in drie dimensies beweegt, hoe het draait en kantelt, hoe warm de huid is en veranderingen in de bloedstroom die hartactiviteit weerspiegelen. In deze studie droegen 14 kinderen die werden geëvalueerd op ADHD RestEaze aan beide benen tijdens overnachtingsonderzoeken die ook hersengolven vastlegden. Deskundige beoordelaars labelden elke minuut als slaap of waak met behulp van de hersenopnames, wat de onderzoekers een betrouwbare referentie gaf om de data van de beenband mee te vergelijken.

Computers leren de nacht lezen

In plaats van handmatig eenvoudige samenvattingen van de signalen te maken, trainde het team deep learning-modellen — speciale algoritmen die nuttige patronen rechtstreeks uit ruwe data kunnen ontdekken. Ze testten twee manieren om informatie van de vier sensoren te combineren. In de “early-fusion” aanpak werden alle signalen eerst samengevoegd en daarna in één model gevoed. In de “late-fusion” aanpak werd elk sensortype in een eigen verwerkingspad verwerkt voordat de resultaten werden samengevoegd voor een eindbeslissing. Het late-fusion model, dat beweging, pols en temperatuur elk effectief eerst liet “spreken” voordat ze gezamenlijk een keuze maakten, bleek het meest nauwkeurig en consistent over de kinderen heen.

Rusteloze nachten begrijpelijk maken

Het best presterende model kon slaap van waak onderscheiden met hoge betrouwbaarheid, hoewel slaapperioden in de data ongeveer vijf keer vaker voorkwamen dan waakperioden. Vanuit zijn minuut-tot-minuut beslissingen berekenden de onderzoekers bekende klinische maten zoals totale slaaptijd, hoe lang het duurde om in slaap te vallen, hoeveel tijd het kind wakker doorbracht nadat het eerst in slaap was gevallen, en de algehele slaapefficiëntie. Aanvankelijk deelde het model de nacht op in te veel kleine ontwakingen. Om dit te verhelpen voegde het team een eenvoudige gladstrijkstap toe die naar de naburige minuten in de tijd keek en onwaarschijnlijke geïsoleerde waak- of slaapflikkers corrigeerde. Deze aanpassing bracht de schattingen van het model veel dichter bij de laboratoriumresultaten zonder betekenisvolle perioden van onrust te verbergen.

Wat de bevindingen betekenen voor gezinnen

Simpel gezegd laat de studie zien dat een kleine, beengedragen band gecombineerd met moderne patroonherkenningsmethoden kan bijhouden wanneer een kind slaapt of wakker is, bijna net zo goed als een volledige slaapstudie — althans in deze groep kinderen met ADHD. Bewegingssensoren op het been droegen het meest bij, terwijl pols en temperatuur nuttige context toevoegden. Hoewel het onderzoek een beperkt aantal deelnemers betrof en zich op één klinische groep richtte, wijst het op een toekomst waarin kinderen comfortabel thuis over meerdere nachten kunnen worden gemonitord. Zo’n langetermijnperspectief kan artsen en ouders helpen slaapproblemen eerder te detecteren, te begrijpen hoe behandelingen werken en de zorg af te stemmen op het unieke slaappatroon van elk kind.

Bronvermelding: Anwar, Y., Bansal, K., Kucukosmanoglu, M. et al. Sleep awake detection from leg-worn wearables using deep sensor fusion. Sci Rep 16, 9930 (2026). https://doi.org/10.1038/s41598-026-42310-8

Trefwoorden: slaapmonitoring, ADHD, wearable sensoren, deep learning, beenbeweging