Apple Watchの深い睡眠測定はなぜ誤っているのか：誤差の程度と代わりに信頼すべき指標

朝目を覚まし、Apple Watchの睡眠グラフに目を通すと、「深い睡眠」が1時間38分と表示されており、回復状態に満足感を覚えるかもしれません。しかし、その数値——特に「深い睡眠」のタイル——はほぼ間違いなく誤っています。わずかなズレではありません。本日のトレーニング強度を高くすべきかどうかを睡眠データに基づいて判断している場合、無視できないレベルで、システム的かつ構造的な誤差が生じています。

近年の終夜睡眠多源検査（PSG）を対照とした研究によって、この誤差の具体的な数値が明らかにされています。6種類のウェアラブルデバイスとPSGを直接比較したBerryhillらの2025年の研究では、Apple Watch Series 8を含む大半のデバイスが、ゴールド標準であるPSGと比較して、総睡眠時間、睡眠効率、入眠後途中覚醒時間（WASO）、および浅い睡眠の分類において有意な差を示しました。『Journal of Clinical Sleep Medicine』に掲載された2025年のメタアナリシス（24件の研究、計798名の患者）でも同様の傾向が確認されています。ウェアラブルデバイスは総睡眠時間と睡眠効率を過大評価し、入眠後途中覚醒時間を過小評価する傾向があり、特にApple Watchに関しては、浅い睡眠を大幅に過大評価し、深い睡眠を過小評価していることが示されました。

誤差はどれくらい大きいのか？

Berryhillらの研究では、アントワープ大学病院にて、62名の成人（男性52名、女性10名、平均年齢46歳）を対象に1晩のPSG測定を実施しました。Apple Watch Series 8は、同期された脳波スコアリングと比較された6つのウェアラブルデバイスの1つでした。結果として、Apple Watchは浅い睡眠（N1＋N2）を大幅に過大分類し、深い睡眠（N3）を過小分類しました。深い睡眠の平均絶対誤差（MAE）は抄録内に単一の数値としては公表されていませんが、この傾向は同クラスのデバイス全体で一貫していました。

JCSMのメタアナリシスでは、24件の研究と798名の患者のデータを統合しました。結果の方向性は一律であり、手首装着型デバイスは総睡眠時間と睡眠効率を過大評価し、入眠後途中覚醒時間を過小評価し、睡眠ステージを誤分類していることが示されました。最も一貫した誤差は、浅い睡眠の過大評価と深い睡眠の過小評価でした。特にApple Watchについて、メタアナリシスでは睡眠ステージの分類において一部の競合デバイスよりも有意に劣っていると指摘されていますが、純粋なアクチグラフィよりは優れています。

Brigham and Women's Hospitalの2024年の直接比較研究では、単一ラボ環境下でApple Watch、Fitbit、Oura RingをPSGと比較しました。Apple WatchとFitbitはいずれも浅い睡眠を大幅に過大評価し、深い睡眠を過小評価しました。Oura Ringは、総睡眠時間、覚醒、浅い睡眠、深い睡眠、レム睡眠、睡眠効率のいずれにおいてもPSGと有意な差を示しませんでした。しかし、Ouraはセンサーの装着部位（指対手首）とアルゴリズムが異なります。体動アーティファクトや血流灌流の変動性が高い手首と比較して、指で血流を測定する方が物理的難易度が低くなります。

なぜウォッチは測定を誤るのか

Apple Watchは、加速度センサー（体動）、光学式心拍計（PPG）、および心拍変動（HRV）の組み合わせから睡眠ステージを推測します。一方、PSGは脳波（EEG）を用いて脳の電気活動から直接N1、N2、N3をスコアリングします。このギャップは、ソフトウェアアップデートによって完全に解消できるものではありません。

PPGと体動データの組み合わせは、「睡眠中か覚醒中か」を比較的高精度で検知できます。しかし、浅いNREM睡眠と深いNREM睡眠を信頼性高く分離することはできません。徐波脳波活動、筋緊張、自律神経活動の特定パターンといった根底にある生理的違いが、手首からは測定できないためです。ウォッチが検知するのは、体動がなく、心拍数が安定し、HRVが低い状態です。このパターンは深い睡眠である可能性もあれば、あまり体を動かさない人の浅い睡眠である可能性もあります。アルゴリズムは推測を行いますが、必要以上に「浅い睡眠」と推測する頻度が高くなります。

覚醒が浅い睡眠として誤分類され、深い睡眠が浅い睡眠へとまとめられる——この両方が同じ方向へと数値を歪めます。ウォッチは、実際の浅い睡眠、一部の深い睡眠、そして安静な覚醒状態を一括りに分類するため、多量の「浅い睡眠」を認識します。画面に表示される「深い睡眠」の数値は、その一括り処理の残余に過ぎず、系統的に低い値となります。

トレーニングの判断における意味

深い睡眠の数値に基づいてハードなトレーニングを行うか負荷を落とすかを判断している場合、ノイズの多いシグナルに対して最適化を行っていることになります。1晩の深い睡眠の測定値は20〜40分ズレる可能性があります。1週間を通してみると、この誤差は不均一に蓄積されます。ウォッチの推測が比較的正確な夜もあれば、大きく外れる夜もあり、利用者がそれを判別する手段はありません。

手首から得られる信頼性の高い情報は、就床総時間とHRVトレンドです。これらこそがトレーニングを変えるApple Watchの数値です。就床総時間は、PSGで測定された総睡眠時間とある程度良好な相関を示します（ただし、依然としてわずかに過大評価されます）。毎朝一貫して測定されるHRVトレンドは、睡眠ステージの内訳には反映されない自律神経の回復状態を示します。

睡眠ステージの内訳——特に「深い睡眠」のタイル——は、正確に較正された数値ではなく、大まかな方向性として捉えるべきです。ウォッチが3晩連続で「深い睡眠30分」と表示している場合、おそらく十分な深い睡眠が得られていません。しかし、「1時間40分」と表示されている場合、十分に取れている可能性もあれば、実際には同様の不足状態にある可能性もあります。単一の夜のデータよりも、1週間を通したトレンドの方が遥かに信頼できます。

代わりに何を信頼すべきか

トレーニングにおいて、ウォッチから得られる最も実用的なシグナルは睡眠ステージの円グラフではありません。以下の要素の組み合わせです：

• 総睡眠時間：ベッドの中で実際に睡眠をとっていた時間は何時間か。これは、ほとんどのトレーニーにとって翌日の回復度を示す最も優れた単一の予測指標です。
• HRVトレンド：毎朝一貫して測定された、モーニングHRVの7日間移動平均。これは、単一の夜のステージ内訳よりも自律神経のバランスを良好に反映します。低下トレンドが見られる場合は、トレーニングボリュームを抑えるべき真のシグナルとなります。
• 主観的感覚：目覚めたときの感覚はどうか。ウォッチはこれを測定できません。体が疲弊していると感じるのに、ウォッチが「素晴らしい睡眠」と示している場合は、自身の感覚を信頼してください。

睡眠ステージの内訳は、「あれば好ましい情報」であり、「必須の情報」ではありません。睡眠ダッシュボードの中で最も情報量が多く見える部分ですが、実際には最も信頼性が低い部分です。

「ダッシュボードとしてのウェアラブル」という問題

ここには、Apple Watchにとどまらない、より本質的な問題が存在します。一般消費者向けウェアラブル業界は、睡眠ステージ、コンディションスコア、回復率といった数値のダッシュボードを提示し、それらを確定的な事実として受け止めるようユーザーを導いてきました。数値は緑、黄、赤で色分けされ、祝福のメッセージや控えめな促しが添えられます。UX（ユーザー体験）は、ユーザーに疑問を持たせるためではなく、十分な情報を得たと実感させるために設計されています。

これは睡眠に応用されたWhoopの記憶問題です。デバイスは昨晩のスコアを記録し、トレンドの矢印とともに提示し、ユーザーはそのデータに基づいて判断を下します。しかし、そのスコアは既知の文書化された弱点を持つモデルに基づいて構築されています。深い睡眠の要素は、そのモデルの中で最も脆弱な部分です。

より優れたアプローチは、ユーザー自身がダッシュボードを解釈するのではなく、ウォッチの限界を理解しているシステムへのインプットとして利用することです。ウォッチは生のデータを収集します。どのシグナルが信頼でき（総睡眠時間、HRVトレンド）、どのシグナルにノイズが多いか（ステージ内訳）を把握しているコーチングレイヤーは、円グラフを凝視するユーザー自身よりも的確な判断を下すことができます。

それこそがDorsiの役割です。私はあなたの睡眠データ（総時間、HRV、トレンド）を読み取りますが、行動の指針とするには信頼性が不十分であるため、睡眠ステージの内訳は表示しません。本日のトレーニング強度の決定は、アプリを開く前に完了しています。ユーザーは継続性をもたらし、私はウォッチを読み取ります。

要約

本記事から幾つかのポイントのみを記憶に留めるのであれば、以下となります：

• Apple Watchは浅い睡眠を過大評価し、深い睡眠を過小評価します。この誤差はPSG対照研究（Berryhill 2025、n=62； JCSM 2025 メタアナリシス、24研究、798患者； Brigham and Women's 2024 直接比較）で実証されています。
• 限界要因は物理的特性であり、ソフトウェアではありません。手首でのPPGと加速度センサーの組み合わせでは、浅いNREM睡眠と深いNREM睡眠を信頼性高く分離することはできません。
• 睡眠ステージの内訳よりも、総睡眠時間とHRVトレンドを信頼してください。単一の夜ではなく、1週間のトレンドを活用してください。
• 体が疲弊していると感じるのにウォッチが良い睡眠を示している場合は、自身の感覚を信頼してください。
• 睡眠データの最も良い活用法は、数値を凝視する必要がなく、バックグラウンドで本日のセッションを静かに方向付けることです。

就寝時間の一定性、睡眠環境、ストレス管理といった「インプット」を追求すれば、睡眠数値は自ずとついてきます。「深い睡眠」の数値を直接追い求めると、グラフの最適化に1年を費やし、実際の回復プロセスが疎かになる結果となります。

出典文献

6種類のウェアラブルデバイスと終夜睡眠多源検査（PSG）を直接比較したBerryhillらのSLEEP Advances（2025年）の研究は、管理されたラボ環境下で62名の成人をテストした、睡眠ステージスコアリングの精度に関する最新かつ最も明瞭なデータセットです。24件の研究と798名の患者を統合したJournal of Clinical Sleep Medicine（2025年）のメタアナリシスは、一般消費者向けの手首装着型デバイスが浅い睡眠を過大評価し、深い睡眠を過小評価する傾向を裏付けており、特にApple Watchに関しては大幅な誤分類が指摘されています。Brigham and Women's Hospitalの2024年の研究では、Ouraとの直接比較が加えられ、測定部位による物理的優位性が示されています。ステージ分類において指装着型PPGは手首装着型を上回るものの、手首装着型デバイス全般において依然として有意な誤差が存在します。