CN101467881A - 睡眠评估装置及其睡眠评估方法 - Google Patents

Abstract

本发明公开了一种睡眠评估装置(1)，该睡眠评估装置(1)包括传感器单元(2)和确定器，其中，传感器单元(2)恒定地检测躺在床上的人类对象的身体移动，而确定器基于检测结果来确定人类对象的睡眠状态和觉醒状态。该确定器将传感器单元的检测结果量化成N个身体移动数据(其中，N是满足N≥2的正整数)，并且针对通过划分这N个身体移动数据而得到的G个组(其中，G是满足2≤G＜N的整数)中的每一组和每个身体移动数据而获得G个标准差，并基于从中选出的gs(gs＜G)个标准差来获得L个标准差平均值(其中，L是满足2≤L≤G的整数)。基于这G个标准差和这L个标准差平均值来确定人对象的睡眠状态和觉醒状态。

Description

睡眠评估装置及其睡眠评估方法

技术领域

本发明涉及一种通过确定对象是否在睡眠以及睡眠深度(例如，睡眠持续时间和睡眠质量)来评估睡眠的装置及其方法。

背景技术

常规上已经提供了多种这样的装置，即，测量人体在睡眠期间的生物特征信息或者基于测得的生物特征信息来进行某一类型的评估(在下文中，统称为“睡眠评估装置”)。根据这些睡眠评估装置，可以通过特定值来确认某些信息，诸如从人体对象上床开始直到该对象醒来为止获得了多少个实质睡眠小时。另外，还有这么一种装置，它具有在睡眠期间观察到生物特征信息异常的情况下，向值班人员等发出警告从而提示值班人员等采取适当措施的功能。

这种睡眠评估装置的一个已知的例子是日本专利申请特开公报No.2000-000214(以下称作JP 2000-000214)。

JP 2000-000214中公开的技术具有“位于测试对象的身体下方的身体移动检测装置”和“信号提取装置，用于从所述身体移动检测装置的输出信号中提取心率、呼吸速率、翻身频率和打鼾信号当中的至少一个信号”，从而通过所述信号提取装置所提取的信号来“检测该测试对象的身体数据”(引自JP 2000-000214的权利要求1)。

在JP 2000-000214中，使用了“气垫11”作为身体移动检测装置(参照段[0018]或[0016]和权利要求4等)。在说明书中提到：由于使用气垫无需提供“手腕上、脚踝上、手指上以及胳臂上的带子”(段[0005])，所以“无需对测试对象施加精神和肉体负担”就能够实现“收集身体数据”的目的(段[0010]和[0031])。毫无疑问，与提供“带子”的情况相比，能够获得这种效果。

然而，“信号提取装置”对于JP 2000-000214中所描述的技术中的发明来讲是必不可少的。该信号提取装置按照JP 2000-000214中所描述的可以被认为是一种用于对“身体数据”进行“成形”(段[0021])的装置，或者是一类用于执行身体数据成形的中间装置，但是“从心率、呼吸速率、翻身频率和打鼾的信号当中提取至少一个信号”不一定是非常容易的。尽管JP 2000-000214描述了“由于这些身体移动信号的特征在于频率、幅值等的每一个，所以进行提取没有太大的困难”(段[0025])，但是却根本没有提及执行提取的方法。

即使接受了JP 2000-000214中描述的观点，该技术仍然需要“信号提取装置”作为中间装置，这进而导致睡眠评估装置的成本增大。另外，如果假定了上述的信号提取和成形，则可以在一定程度上准确地推断人的睡眠状态。然而，在不需要这种严格的睡眠分析的情况下，例如在想要确定睡眠状态或觉醒状态这两类状态的情况下，“信号提取装置”的使用有时候是“多余的”。此外，即使进行了信号提取，如上所述，也不能保证非常容易地通过该信号提取而获得信号分离。因此，存在这样的置疑：是否真的可以获得与提供信号提取装置的成本价值相当的性能(它对于准确推断睡眠状态有多大贡献)。

因此，问题是，在身体数据被获得为时间线上某个数据串的意义上，如何以低成本尽可能准确地以及利用基于具有相对单调的特征的身体移动数据的简单方法来评估人的睡眠状态。

发明内容

本发明是鉴于上述内容而设想出的，并且本发明的目的在于提供一种用于解决所有或部分上述问题的睡眠评估装置以及一种睡眠评估方法。

为了解决上述问题，根据本发明的一种睡眠评估装置包括：身体移动检测器，其恒定地检测躺在床上的人类对象的身体移动；以及确定器，其基于该身体移动检测器的检测结果来至少确定该人类对象是处于睡眠状态还是处于觉醒状态。该确定器1)以预定时间间隔将该身体移动检测器的检测结果量化成N个身体移动数据，其中，N是满足N≥2的正整数，2)针对通过划分这N个身体移动数据而得到的G个组中的每一组以及包括在每一组中的每个身体移动数据而获得G个标准差，其中，G是满足2≤G<N的整数，3)基于从这G个标准差中选出的gs个标准差(gs<G)来获得L个标准差平均值，其中，L是满足2≤L≤G的整数，以及4)基于这G个标准差和L个标准差平均值来确定该人类对象是处于睡眠状态还是处于觉醒状态。

根据本发明，由于是“以预定时间间隔”来“量化”身体移动检测器的检测结果，所以“身体移动数据”输出被获得为时序(chronological)数据。

针对G个组中的每一个，“标准差”都表示作为时序数据的身体移动数据的变化程度。“标准差平均值”是“标准差”的平均值，因此表示在比对应于“标准差”的时间段更长的时间段内身体移动数据的变化程度(另外，在一定程度上拉平标准差以后)。

因此，由于本发明使用了“标准差”和“标准差平均值”，即基本上通过对原始数据进行加减乘除而获得数据，所以不会特别需要复杂的结构和处理。尽管如此简单，但是“标准差”和“标准差平均值”的特征方面的不同点在于：“标准差”恰当地表明了在相对较短的时间段内人类对象的身体移动的改变，另外，“标准差平均值”恰当地表明了在相对较长的时间段内身体移动的改变(尤其，能够消除循环改变)。利用这些特征的差别，可以在一定程度上恰当地推断人类对象的睡眠状态。

总而言之，根据本发明，能够以低成本并且利用简单方法以尽可能高的准确度来确定人类对象的睡眠状态。

应该注意，在本发明中，由单词“恒定”表示的时间间隔可以认为与根据本发明的“以预定时间间隔”相同。然而，优选的是，前者短于后者。在这种情况下，优选的是，可以通过对作为模拟信号的“检测结果”进行预定采样处理而将“身体移动数据”获得为数字数据。

在本发明的睡眠评估装置中，确定器可以1)基于G个标准差中连续的gs个标准差(gs<G)来获得L个平均值，2)从L个标准差平均值获得满足以下条件的所有第p个标准差平均值的平均值作为基线值，即，第p个标准差平均值与第(p+1)个标准差平均值之间的差的绝对值小于等于预定值，其中，p是满足p≤L-1的整数，以及3)基于该基线值来确定人类对象是处于睡眠状态还是处于觉醒状态。

根据这种模式，获得“基线值”。在标准差平均值表达为HenAv[x](其中，x是编号)的情况下，基线值是满足ABS[HenAv[p]-HenAv[p+1]]≤A的所有HenAv[p]的平均值，其中，“ABS”是指获得括号“[]”内的绝对值，A表示预定值。这个“基线值”表示在人类对象的身体移动相对于A在一定程度上保持稳定状态的情况下的所有HenAv[p]的平均值。

另外，根据这种模式，如果重复获得上述这个“基线值”，则可基于人类对象的身体移动相对于A在一定程度上保持稳定状态的情况下的所有HenAv[p]的平均值来推断人类对象的睡眠状态。换言之，通过假定与基于在相对较长时间段内执行的观察的人类对象的身体移动相对应的多个时间段中相对稳定的时间段是人类对象的基线(即，“baseline”)来推断人类对象的睡眠状态。

结果，例如，随着实际观察到的身体移动数据与“基线值”的偏离程度变大，可以更加容易地确定人类对象是觉醒的。因此，能够更准确地执行人类对象的睡眠状态的确定。

因此，根据本模式，引入“基线值”的概念能够更加准确地确定人类对象的睡眠状态。

应该注意，在本模式中，假定对L个标准差平均值进行了编号(即，存在“第p个”或“第(p+1)个这种值”)。优选的是，基于获取包括在基于其来计算L个标准差平均值中的每一个的组中的“身体移动数据”的时间来赋值编号。

例如，在L个标准差平均值的第L1个标准差平均值是与第G1个、第G2个、...、第G10个组中的每一个相对应的标准差平均值并且获取包括在每组中的多个身体移动数据中的最早身体移动数据的时间点是T1，而在第L2个标准差平均值是与第G11个、第G12个、...、第G20个组中的每一个相对应的标准差平均值并且获取包括在每组中的多个身体移动数据中的最早身体移动数据的时间点是T2，并且满足T2>T1(即，T2是比T1晚的时间)的情况下，可以将第L1个和第L2个标准差平均值分别确定为“第p个”和“第(p+1)个”。

作为优选实施方式，该确定器可以获得L个标准差平均值作为gs个标准差的移动平均值。

根据这种配置，可以恰当地确定L个标准差平均值。换言之，假定各个标准差平均值是gs个标准差的移动平均值，通过恰当确定gs的值可以更适当地实现上述拉平或消除循环改变(只要引入了“移动平均值”的概念，就可以特别称作“平滑”)。因此，根据这种模式，可以增强使用“标准差平均值”作为表示在相对较长时间段内身体移动的改变的指数的意义。

因此，另一方面，可以根据这种模式更恰当地确定基线值。

因此，根据这种模式，能够更有效地获得上述效果。

应该注意，这里使用的“移动平均值”例如包括第p个标准差平均值是与第p个、第(p-1)个和第(p-2)个组相对应的标准差平均值，而第(p+1)个标准差平均值是与第(p+1)个、第p个和第(p-1)个组相对应的标准差平均值的情况。在以下对实施方式的描述中，将对包括在这种模式的“移动平均值”中的另一个例子进行描述。

另外，在本发明的睡眠评估装置中，在G个标准差中的任意一个落在预定值E之下的情况下，该确定器确定在获得检测结果的时间点人类对象处于觉醒状态，其中，身体移动数据是基于该检测结果而获得的，而落在预定值E之下的标准差是基于该身体移动数据而计算出的。

根据这种模式，通过适当地将预定值E设置为相对较低值，可以检测到人类对象不再位于床上的觉醒状态的特定情况。

另外，在本发明的睡眠评估装置中，在G个标准差当中第(q+1)个标准差大于通过将预定值F1与第q个标准差相加所得的值的情况下，该确定器可以确定人类对象在获得检测结果的时间点处于觉醒状态，其中，身体移动数据是基于该检测结果而获得的，而第(q+1)个标准差是基于该身体移动数据而计算出的，其中，q是满足q≤G-1的整数。

根据这种模式，如果恰当设置预定值F1，就能够恰当确定人类对象过渡到觉醒状态的时间点。

应该注意，优选地使用对L个标准差平均值进行编号的同一想法来赋值第q个或第(q+1)个编号(即，针对G个组中的每一个来计算身体移动数据的时间顺序)。

另外，在本发明的睡眠评估装置中，在G个标准差中的任意一个大于预定值F2的情况下，该确定器可以确定人类对象在获得检测结果的时间点处于觉醒状态，其中，身体移动数据是基于该检测结果而获得的，而标准差是基于该身体移动数据而计算出的。

根据这种模式，如果恰当地设置预定值F2，就能够恰当确定人类对象过渡到觉醒状态的时间点。

另外，在本发明的睡眠评估装置中，该确定器可以获得G个标准差的标准差作为总标准差，通过从G个标准差的平均值中减去该基线值并且将相减所得值除以该总标准差来获得表示人类对象的身体移动量的指标，并且基于表示人类对象的身体移动量的指标来确定从睡眠状态过渡到觉醒状态的时间点。

根据这种模式，提供了基线值的优选例子。也就是说，根据这种模式，在G个标准差是AveHensa且总标准差是HenStd的情况下，表示人类对象的移动频率的指标Move被获得为

Move＝(AveHensa-(基线值))/HenStd

由于Move在字面意义上可以认为表示人类对象的移动频率，所以例如通过将基于Move而适当设置的标准值与G个标准差中的每一个进行比较能够恰当确定人类对象从睡眠状态到觉醒状态的过渡。

另外，在本发明的睡眠评估装置中，身体移动检测器可以包括包含预定流体的床垫，并且根据流体的压力改变来检测人类对象的身体移动。

根据这种模式，该身体移动检测器不需要束缚人类对象的身体或者身体的某部分就能够检测人类对象的身体移动。因此，该睡眠评估装置不会对人类对象施加过多负担，然而，在本发明中或者在本发明的各种模式中仍能够准确地确定人类对象的睡眠状态。

因此，根据本模式，可同时获得这两个效果。

另外，为了解决以上问题，本发明提供了一种睡眠评估方法，该方法包括以下步骤：通过以预定时间间隔对躺在床上的人类对象的身体移动进行量化而获得N个身体移动数据，其中，N是正整数；针对通过划分这N个身体移动数据而得到的G个组中的每一组以及包括在每一组中的每个身体移动数据来获得G个标准差，其中，G是满足2≤G<N的整数；基于从这G个标准差中选出的gs个标准差(gs<G)来获得L个标准差平均值，其中，L是满足2≤L≤G的整数；以及基于这G个标准差和这L个标准差平均值来确定人类对象是处于睡眠状态还是处于觉醒状态。

根据本发明，可以获得与通过根据本发明的睡眠评估装置而获得的上述效果相同的效果。

附图说明

图1是根据本发明实施方式的睡眠评估装置的立体图，该图示出了该装置正被使用的状态；

图2是图1的睡眠评估装置的电路框图；

图3是使用图1的睡眠评估装置的主流程图；

图4是示出在图2的存储装置中配置的D[x]、Stage[x]、Hensa[x]和HenAv[x]中的每一个具体值的配置例的说明图；

图5是图3的步骤S11中的数据分析处理的主流程图；

图6是示出获得基线值Baseline和稳定时期的数量Stable的处理的流程图；

图7是示出获得表示移动频率的指标Move和睡眠期间Stable的比例的处理的流程图；

图8是示出下床时期计算处理的流程图；

图9是示出翻身时期计算处理的流程图；

图10是示出已经作为图8和图9的处理的结果而设置的Stage[x]的具体值的说明图；

图11是示出中间觉醒时期计算处理的流程图的前一半；

图12是示出中间觉醒时期计算处理的流程图的后一半；

图13是用于视觉上理解图11所示的参数H1到H3和J1到J3以及Move之间的关系的说明图；

图14是示出已经作为图11和图12的处理的结果而设置的Stage[x]的具体值的说明图；

图15是示出睡眠潜伏计算处理的流程图；

图16是示出中间觉醒时期计算处理(图11和图12的补充处理)的流程图的前一半；

图17是示出中间觉醒时期计算处理(图11和图12的补充处理)的流程图的后一半；

图18是示出睡眠潜伏时期计算处理的流程图；

图19是示出觉醒时期计算处理的流程图；

图20示出了作为图3的步骤S11的数据分析结果而显示的第一显示例；

图21示出了作为图3的步骤S11的数据分析结果而显示的第二显示例；而

图22示出了要与图20和图21进行比较的正常状态下的显示例。

具体实施方式

下面将参照图1和后续附图来描述根据本发明的实施方式。应该注意，在本实施方式中，在每个附图中，单元的比例尺寸有时与实际比例不同。

将首先参照图1和图2来描述睡眠评估装置的构成。图1是示出睡眠评估装置1正在被使用时该装置的外观的框图。图2是示出睡眠评估装置1的构成的框图。

在图1中，睡眠评估装置1包括：传感器单元2，用于检测躺在床上的人类对象的生物特征信号；和与传感器单元2相连的控制台3，用于确定睡眠状态并评估睡眠质量。控制台3包括显示单元4，该显示单元4用于显示睡眠阶段(状态？)的确定结果，还用于显示诸如示出睡眠的评估指标的指南。控制台3还包括操作单元5，该操作单元5用于执行诸如通电或关电操作以及测量开始或测量结束操作的操作。

传感器单元2例如能够通过麦克风(例如，电容麦克风)来检测其中密封了不可压缩流体的床垫6上的压力变化。如图所示，床垫铺在床下，从而传感器单元2可检测包括躺在床上的人类对象的呼吸信号或姿势改变在内的生物特征信号。

如图1所示，对于根据本实施方式的睡眠评估装置1而言，在执行测量时不需要束缚人类对象的身体。这是因为，如上所述，可以简单地通过将传感器单元2置于床下而检测人类对象的身体移动。

另外，如图2所示，除了上述显示单元4和操作单元5以外，控制台3还设置有电源10、计时单元11、控制器CP、存储装置20和分析单元30，在它们当中，位于该装置的中心的单元是控制器CP。因此上述每个元件都连接到控制器CP，传感器单元2也不例外。

控制器CP设置有用于将从传感器单元2接收到的输入信号转换成数字信号的AD(模拟到数字)转换器、CPU(中央处理单元)、RAM(随机存取存储器)、ROM(只读存储器)和所需的其它元件(未示出)。

控制器CP执行整体控制从而根据本实施方式的睡眠评估装置1整体上协调地运行。

电源10向本实施方式的睡眠评估装置1提供电能。另外，计时单元11识别当前时间以供应给控制器CP。

分析单元30基于传感器单元2检测到的人类对象的姿势改变以及计时单元11测得的当前时间的信息，通过计算、分析和评估来确定或判定睡眠状态的时序改变和睡眠质量。

存储装置20存储以上分析单元30的确定结果。另选的是，当需要时，存储装置20存储在分析单元30进行计算的过程中获得的中间结果、中间实现信息等，并且存储睡眠评估装置1运行所需的其它各种类型的信息和程序。

根据本发明的“确定器”至少包括本实施方式的控制器CP、分析单元30和存储装置20。

下面将参照图3到图22来描述具有以上构成的睡眠评估装置1的操作。应该注意，除非另外指定，否则以上控制器CP对将在下面进行描述的各种类型的操作、计算和处理发挥主要、主导作用。

在用户初次按下睡眠评估装置1的操作单元5中的电源按钮并且电源10接通的情况下，控制器CP获得当前时间(图3中的步骤S1)，并将获得的当前时间显示在显示单元4上(图3中的步骤S2)。

接下来，控制器CP确定是否发出了开始测量的指令(图3中的步骤S3)。例如，该指令是基于用户对操作单元5的测量开始按钮的按下操作而发出的，或者另选地是在到达特定时间的情况下自动发出的。另外，这里使用的术语“测量”是指测量传感器单元2检测到的人类对象的身体移动的时序改变。

如果没有发出测量开始指令，则根据本实施方式的睡眠评估装置1基本上重复以上当前时间获取处理和之后的显示处理(参照图3中的步骤S4：否)。然而，如果在该重复处理执行时用户使用操作单元5设置了另一个当前时间(图3中的步骤S4：是)，则插入显示该设置时间的处理(图3中的步骤S5)。

另一方面，如果发出了测量开始指令，则控制器CP从该重复处理中退出并进行到另一个处理。也就是说，首先确定测量是否完成(图3中的步骤S6)。如果确定测量没有完成(图3中步骤S6：否)，则控制器CP对通过传感器单元2扫描到的信号执行AD转换(图3中的步骤S7)，并且将通过AD转换处理而获得的数字数据存储在存储装置20中作为身体移动数据(图3中的步骤S8)。

作为执行以上连续处理的结果，在存储装置20中配置了如图4中的例子所示的数据表T1。数据表T1连续接受与存储装置20的地址编号1到100相对应的身体移动数据的写操作。如图所示，每个身体移动数据512、356、......、457、615、601、......、824都写入在一个地址中。应该注意，D[0]、D[1]、......、D[99]是变量标识符，并且身体移动数据的数量仅仅是一个例子。

控制器CP在构建这种数据表T1的同时并行获得(图3中的步骤S9)和显示(图3中的步骤S10)当前时间。

在图3的步骤S6中，如果确定测量完成了，即完成了数据表T1的构建(图3中步骤S6：是)，则对数据表T1中的身体移动数据进行分析(图3中的步骤S11)。稍后将在说明书中详细描述这个数据分析处理。

在完成该数据分析的情况下，控制器CP显示分析的结果(图3中的步骤S12)。然后确定是否返回到当前时间的显示处理，并且当该确定是肯定时，控制器CP返回到重复处理(从图3中的步骤S13：是到步骤S1)。应该注意，步骤S13的确定还可理解为例如确定是否将分析的结果显示足够长时间从而使用户能够看见它。当控制器CP确定经过了特定时间段或者当由用户进行了这样的指示时，可以确认该确定。

接下来，将描述图3的步骤S11中的数据分析处理的细节。

分析单元30准备出进行根据本实施方式的数据分析所需的不同类型的数组变量(图5中的步骤S21)。这些不同类型的数组变量例如是如图4所示的Stage[x]、Hensa[x]和HenAV[x]。

Hensa[x]是从上述D[0]、D[1]、......、D[99]中选出的预定数量的关于x的D[s]、D[s+1]、......、D[s+z]的标准差，其中，s是1、2、......、98之一，而z对应于(预定数-1)。也就是说，在给出AveD＝(D[s]+D[s+1]+...+D[s+z])/(z+1)的情况下，Hensa[x]通常如下：

Hensa[x]＝sqr[(1/(z+1))*SS(D[i]-AveD)²]    ......(1)，

其中，i＝s，s+1，...，s+z。另外，“sqr”是平方根(下同)。另外，“SS”是指对()中的表达式相加i次(即，这对应于希腊大写字母∑)。

在本实施方式中，特别设置了s＝10x且z＝9。因此，如作为例子的图4的数据表T3所示，Hensa[0]具有D[0]、D[1]、......、D[9]的标准差，而Hensa[5]具有D[50]、D[51]、......、D[59]的标准差。由于在本实施方式中身体移动数据的总数是100，所以定义了总计10个Hensa[x]：Hensa[0]、Hensa[1]、......、Hensa[9]。

应该注意，诸如上述的计算处理与在图5的步骤S22中执行的处理相同。通过这种处理，Hensa[0]、Hensa[1]、......、Hensa[9]的每个实际值都将被写入到数据表T3中。应该注意，数据表T3对应于存储装置20的地址编号211到220。

根据以上计算基础或者方程(1)可以理解，这个Hensa[x]表示在一定时间段(在下文中，有时候将其称作“单位时间段”)内人类对象的身体移动的变化程度。从上述描述能够清楚地看出，本实施方式中的单位时间段大致与在传感器单元2获得作为原始数据的10个单位的身体移动数据的时间段一致。

“单位时间段”与根据本发明的一个“组”所概念化的时间段一致。

HenAv[x]是一类从上述Hensa[0]、Hensa[1]、......、Hensa[9]中选出的关于x的预定数量的Hensa[t]、Hensa[t+1]、......、Hensa[t+y]的移动平均值，其中，t是0、1、2、......、8之一，而y是(预定数-1)。换言之，通常

HenAv[x]＝(Hensa[t]，Hensa[t+1]，...，Hensa[t+y])/(y+1)    ......(2)。

在本实施方式中，特别设置可t＝x-1且y＝2。因此，如作为例子的图4的数据表T4所示，HenAv[1]具有Hensa[0]、Hensa[1]和Hensa[2]的平均值。由于在本实施方式中Hensa[x]的总数是10，所以定义了总计八个HenAv[x]：Hensa[1]、Hensa[2]、......、Hensa[8]。然而，在本实施方式中，另外设置了HenAv[0]和HenAv[9]，从而总共定义了10个Hensa[x]。

诸如上述的计算处理与图5的步骤S23中执行的处理相同。通过这个处理，HenAv[0]、HenAv[1]、......、HenAv[9]的每个实际值都将被写入到数据表T4中。数据表T4对应于存储装置20的地址编号221到230。

根据以上计算基础或方程(2)可以理解，这个HenAv[x]表示在针对Hensa[x-1]、Hensa[x]和Hensa[x+1]所概念化的时间段内(即以x为中心的三个单位时间段内)人类对象的身体移动的变化程度的平均值。

因此，HenAv表达为：

HenAv[x]＝(Hensa[x-1]+Hensa[x]+Hensa[x+1])/3

根据本发明的“移动平均值”包括这种情况。

Stage[x]表示人类对象是处于睡眠状态还是处于觉醒状态。在本实施方式中，x在这种情况下是指“时期”。这与以上Hensa[x]中的x相同。在Hensa[x]的情况下，一个x表示10个单位的身体移动数据，同样针对Stage[x]中的x，通过对其中获取了10个身体移动数据作为集合单位的时间段进行计数来定义一个单位(即，“1个时期”)。严格来讲，Stage[x]充当了表达在每个时期(即，x＝1，2，3，...，每个)内人类对象是处于睡眠状态还是处于觉醒状态的变量。

在图4的数据表T2内，Stage[0]和Stage[9]的值是“1”，这表示在这些时期0和时期9中人类对象处于觉醒状态。另一方面，Stage[1]的值为“0”，这表示在时期1内人类对象处于睡眠状态。每个Stage[x]中的值的设置将在以下处理中执行：图8(下床时期计算处理)、图9(翻身时期计算处理)、图11和图12(中间觉醒时期计算处理)、图15(睡眠潜伏时期计算处理)以及图16和图17(中间觉醒时期计算处理)。在稍后描述这些处理时将再次描述Stage[x]。

一旦获得了Hensa[x]和HenAv[x]，分析单元30就获得全部Hensa[x]的标准差(图5的步骤S24)。因此，

HenStd＝sqr[(1/10)*SS(Hensa[j]-AveHensa)²]       ......(3)，

其中，j＝0，1，2，...或9，而AveHensa＝(Hensa[0]+...+Hensa[9])/10。另外，“SS”是指对()中的表达式相加j次(即，这对应于希腊大写字母∑)。

分析单元30获得基线值baseline以及稳定时期的数量stable(图5的步骤S25)。图6中示出了该处理的细节。稍后将描述基线值Baseline和稳定时期的数量Stable的意义。

在图6中，在对变量(在这种情况下，“I”和“Counter”)以及稳定时期的数量Stable和基线值Baseline进行了初始设置(图6的步骤S41)以后，分析单元30基于以下条件方程来确定“真”或“假”(图6的步骤S42)。

ABS[HenAv[I]-HenAv[I+1]]≤A      ......(4)，

其中，“ABS”是指利用[]的值的绝对值(下同)。

换言之，该条件表达式表示确定HenAv[x]的两个连续值(或者两个连续单位时间段)之间的差的绝对值是否小于等于预定值“A”。

在方程(4)为真的情况下，分析单元30将变量“Counter”的值递增1，并将变量“Baseline”的值递增与HenAv[I]相对应的值(图6中的步骤S43和S44)。

另一方面，在方程(4)为假的情况下，分析单元30确定下面的条件表达式是真还是假(图6中的步骤S45)。

ABS[Hensa[I]-Hensa[I+1]]≤B       ......(5)，

其中，B>A。

在方程(5)得到满足的情况下，分析单元30将变量Stable的值递增1(图6的步骤S46)，但是在方程(5)得不到满足的情况下，不对Counter、Baseline或者Stable的值进行改动。

执行以上处理，直到到达HenAv[9](从步骤S47：否到步骤S48，然后进入图6的步骤S42)。在完成一直到I+1＝9的处理的情况下，计算

Baseline＝(Baseline/Counter)       ......(6)，

并且获得“基线值”或“Baseline”的最终值(图6的步骤S49)。

根据图6的以上处理具有下面的含义。

由于HenAv[x]表达了在以x为中心的三个单位时间段内人类对象的身体移动的变化程度的平均值，所以方程(4)中的“HenAv[I]-HenAv[I+1]”对应于时间段(I-1)、I和(I+1)内的变化程度的平均值与对应于时间段I、(I+1)和(I+2)内的变化程度的平均值之间的差(因为HenAv是移动平均值，所以这些单位时间段部分地彼此重叠)。绝对值小于等于“A”意味着：人类对象在从I到(I+1)的过渡中保持了一定程度的状态稳定性。在这种情况下，如上所述，将HenAv[I]的值加入Baseline中(参照图6的步骤S44)。对于I＝1，2，...重复相同处理，最终获得了在步骤S44中加入的所有HenAv[x]的平均值作为“Baseline”，如方程(6)所示。

因此，基线值“Baseline”表示与在其中保持了一定程度的状态稳定性的情况相对应而选择的HenAv[x]的平均值。

相反，当方程(5)中所示的绝对值小于等于“B(B>A)”时，意味着在从相同时段I到(I+1)的过渡中人类对象没有进行诸如翻身的相对大的身体移动(然而，要和B进行比较的值是Hensa[x])。在这种情况下，稳定时期的数量的值Stable在过渡时间段内增大，从而记录了没有发生翻身的事实。如果假定人类对象在测量时间段内根本没有翻身，则不可避免地执行图6的步骤S46中的处理，并且Stable的值将是(I-1)。

因此，稳定时期的数量Stable表示了其中人类对象没有相对较大的身体移动的时间段(可以基于作为标准或作为单位的单位时间段来对该时间段进行计数)的数量。

一旦如上所述获得了基线值Baseline和稳定时期的数量Stable，分析单元30就获得表示移动频率的指标Move以及睡眠过程中稳定时间段的比例Percent(图5的步骤S26)。图7中示出了该处理的细节。

如图7所示，Move的值是这样获得的：用Hensa[x]的平均值(与以上方程(3)中出现的“AveHensa”相同)减去以上获得的基线Baseline并且将相减的结果除以HenStd(图7的步骤S51)。随着这个Move的值增大，人类对象的移动更加频繁。

另外，Percent是稳定时期的数量Stable除以Hensa[x]的数组的数量即本实施方式中的10(“单位时间段”的总数)的100倍(图7的步骤S52)。

接下来，分析单元30获得下床时期(图5的步骤S27)。图8中示出了该处理的细节。

在图8中，在对变量(在这种情况下为“I”)进行了初始设置(图8中的步骤S61)以后，分析单元30确定Hensa[x]的平均值(与以上方程(3)中的“AveHensa”相同)是否落在预定值C之下(图8的步骤S62)。如果确定出它落在预定值C之下(图8的步骤S62：是)，则将预定值E1赋值给变量Bedout(图8的步骤S64)。

另一方面，如果它没有落在预定值C之下(图8的步骤S62：否)，则确定基线值Baseline是否落在预定值D之下(图8的步骤S63)。如果基线值Baseline落在预定值D之下(图8的步骤S63：是)，则将预定值E2赋值给变量Bedout(图8的步骤S65)。另一方面，如果它没有落在预定值D之下，则将预定值E3赋值给变量Bedout(图8的步骤S66)。

E1、E2和E3满足E1<E2<E3。

然后，分析单元30确定Hensa[I]的值是否落在变量Bedout之下，该变量的值取决于以上确定结果为E1、E2或E3(图8的步骤S67)。如果它落在预定数之下，则将“Wake”赋值给Stage[x](图8的步骤S68)。另一方面，如果它没有落在预定数之下，则不对Stage[x]的值进行改动(参照图8的步骤S67：否)。

在本实施方式中，执行这个处理直到到达Hensa[9]为止(参照图8的步骤S69和S70)。

上述“Wake”对应于图4的数据表T2中所示的值“1”。因此，图4的数据表T2中所示的值“0”是指不是“Wake”的情况。下文中同样如此。

根据图8的这个处理具有下面的含义。

在这个处理中，针对每个时期确定了参照图4描述的Stage[x]的值。在此情况下，在图8中，从步骤S67中具有不同值E1、E2或E3的“Bedout”的值可以理解，确定人类对象是卧床还是下床的基础发生了改变。每个基值Bedout具体地讲E1、E2或E3都是非常小的值，并且这个值用于检测传感器单元2没有检测到人类对象的身体移动的情形(或时期)。这就是在Hensa[I]<Bedout为真的情况下设置为Stage[I]＝“Wake”的原因。

另外，从E1<E2<E3为真，并且E1对应于AveHensa<C为真，E2对应于基线值Baseline<D为真而E3对应于其它情况的条件可以理解，E1到E3是根据睡眠过程中人类对象的稳定程度来定义的。由于AveHensa落在C之下的情况是指在所有时间段内人类对象的身体移动的变化相对较小的情况，所以优选地应当利用较小的基值E1来确定是否发生了“下床”状态。另一方面，在Baseline落在D之下(并且AveHensa≥C)的情况下，Baseline是HenAv[x]的平均值，其中，如上所述，这些HenAv[x]是在假定Baseline对应于保持了一定程度的稳定状态的情况下选出的。因此，能够推断出：该人类对象相对安静，至少处于稳定时间段，因此，优选使用大于E1的基值E2。

其它情况是以上两种情况不为真的情况，因此，大于E2的基值E3是优选的。

总而言之，在本实施方式中，是否发生了“下床”状态是基于睡眠过程中人类对象的身体移动的一般特征的差别来确定的。

一旦以上述方式确定了起床时期，分析单元30就获得翻身时期(图5的步骤S28)。图9中示出了这个处理的细节。

在图9中，在对变量(在此情况下为“I”)进行了初始设置(图9的步骤S71)以后，分析单元30确定下面的条件表达式是真还是假(图9的步骤S72)。

Hensa[I+1]>Hensa[I]+F1    ......(7)

在确定其为假的情况下，另外确定下面的条件表达式是真还是假(图9的步骤S73)。

Hensa[I+1]>F2            ......(8)

如果方程(7)或方程(8)被确定为真的(图9中，步骤S72：是，或者S73：是)，则将“Wake”赋值给Stage[I+1](图9的步骤S74)。另一方面，如果这两个方程均被确定为假(图9的步骤S73：否)，则不对Stage[I+1]进行改动(图9的步骤S75)。

在本实施方式中，重复这个处理，直到到达Hensa[9]为止(参照图9中的步骤S76)。

根据图9的处理具有下面的含义。

也就是说，在这个处理中，在人类对象的身体移动在给定时间段(I+1)内的标准差Hensa[I+1]与时间段I“相比”增大的情况下或者在标准差Hensa[I+1]自身“绝对”大的情况下，将这个时间段(I+1)确定为发生了“翻身”的时期。此时，这个“翻身”事件可以被认为与人类对象“醒来”或“起身”相同。这是因为：在发生“翻身”时观察到的脑电波可以被认为与在人类对象处于觉醒状态时的脑电波相同。

因此，在这个处理中，在发生了翻身的情况下，即使在上述下床时期计算处理中没有确定为“Wake”，也会将这个时期确定为“Wake”。

在执行了根据图8和图9的处理以后，每个Stage[x]都将具有如图10中的例子所示的值。这个图10中的示例性值表明：作为根据图8的处理的结果，在Stage[0]、Stage[2]和Stage[9]中发生了“下床”并且在根据图9的处理以后，在Stage[7]中发生了“翻身”。(如图中的箭头所示，Stage[0]、Stage[2]和Stage[9]的值保持为与执行根据图8和图9的处理之前相同)。

接下来，分析单元30获得中间觉醒时期(图5的步骤S29)。图11和12中示出了这个处理的细节。

在图11中，在对另一个变量(在此情况下为I1)进行了初始设置(图11的步骤S81)以后，分析单元30确定以上获得的表示移动频率的指标Move(参照图5)是否大于等于H1(图11的步骤S82)。如果确定为假，则例程返回到根据图5的数据分析处理的主流程图。这是因为，此时已经最终决定“人类对象在睡眠过程中没有醒来”，即“没有中间觉醒”。

另一方面，如果步骤S82的确定结果为真，则分析单元30确定Move是否大于等于H2(图11的步骤S83)，并且如果为假，则进一步确定Move是否大于等于H3(图11的步骤S84)。如果步骤S83的确定结果为真，则将J1赋值给变量Value(图11的步骤S85)。如果步骤S84的确定结果为真，则将J2赋值给Value(图11的步骤S86)。另外，如果步骤S83和步骤S84的两个确定结果均为假，则将J3赋值给Value(图11的步骤S87)。

以上H1、H2和H3满足H2>H3>H1。另外，以上J1、J2和J3满足J3>J2>J1。

接下来，分析单元30确定下面的条件表达式是真还是假(图11的步骤S88)。

HenAv[I1]≥Baseline+Value        ......(9)

如果它被确定为真，则分析单元30确定在对变量(在此情况下为I2)进行初始化(图11的步骤S89)以后HenAv[I1-I2]≥Baseline+K是否为真(图11的步骤S90)。如果它被确定为真，则将“Wake”赋值给Stage[I1-I2](图11的步骤S91)。然后，在步骤S92中，使I2的值递增1。

重复地执行利用I2的这个处理，直到I2的值到达这个处理开始时I1的值为止(参照图11的步骤S92和S93)。

另一方面，在以上步骤S90中，如果HenAv[I1-I2]≥Baseline+K被确定为假，则分析单元30确定在对变量(在此情况下为I2)进行初始化(从图11的连接符号“C1”到图12的步骤S94)以后HenAv[I1+I2]≥Baseline+K是否为真(图12的步骤S95)。如果步骤S95的确定结果为真，则将“Wake”赋值给Stage[I1+I2](图12的步骤S96)。

重复执行利用I2的这个处理，直到当通过将I2和这个处理开始时的I1相加所获得的值与HenAv数组的总数一致为止(参照图12的步骤S97和S98)。

在从图11的步骤S89到图12的步骤S98的处理中，可以改变Stage[x]的值；然而，如果在图11的以上步骤S88中HenAv[I1]≥Baseline+Value被确定为假，则分析单元30不改变Stage[x]的值(参照从图11的步骤S88：否到连接符号“C2”然后到图12的步骤S99的流程)。

在本实施方式中的以上每个处理中，都是执行从步骤S88到S98的处理，直到到达HenAv[9]为止(参照图12的步骤S99和S100以及图12和11的连接符号“C3”)。

根据图11和图12的这个处理具有下面的含义。

也就是说，这个处理的前一半(即其中基于H1到H3来设置J1到J3的从图11的步骤82到S87的处理)是指：根据人类对象的移动频率来设置基值。换言之，在人类对象的移动非常活跃的情况下(即，Move≥H2(>H3>H1))，将基值设置为最小程度的J1，否则(即，H2>Move≥H3(>H1))，将基值设置为中等程度的J2，而在移动最小的情况下(即，H3>Move≥H1)，将基值设置为最大的J3。

因此，象征性地来讲，J1、J2和J3充当通过方程(9)可以理解的基值。具体地讲，如上所述，尽管如果方程(9)为假则关于I1的处理完成，但是随着人类对象的移动从非常活跃变成中等活跃然后变为最小，基值逐渐变大，并且该基值表示Stage[x]是否可以改变。

应该注意，在人类对象的移动非常小的情况下(即，Move<H1)，不执行设置基值的处理或者后续处理。

图13的表中示出了以上例子。

在设置了这个基值Value以后，执行该处理的后一半(即从图11的步骤S88到图12的步骤S100的处理)以获得中间觉醒时期。这个处理可以被认为具有两类处理。

第一类处理是从图11的步骤S89到S93的处理。在这个处理中，确定在早于时间段I1的时间点是否存在中等觉醒的事件(在“更早的时间点”进行确定是指：在这第一类处理中，针对I1即I1-0、I1-1、I1-2、......执行该确定)。另外，确定的基础是“Baseline+K”(参照图11的步骤S90)。于是，在HenAv[I1-I2]大于等于“Baseline+K”的值的情况下，确定“存在中间觉醒”，并且将“Wake”赋值给Stage[x]。

另一方面，第二类处理是从图12的步骤S94到S98的处理。在这个处理中，确定在晚于时间段I1的时间点是否存在中间觉醒的事件(在“更晚的时间点”进行确定是指：在这第二类处理中，针对I1即I1+0、I1+1、I1+2、......执行该确定)。使用的确定基础与在第一类处理中使用的相同(参照图12的步骤S95)。

图14中在视觉上并理想地示出了以上处理。也就是说，在这个图14中，给定以上I1是5，如图中的向上和向下箭头所示，关于这个点向前和向后来执行对中间觉醒的搜索。图14还示出了这样一个例子，除了Stage[5]以外，Stage[4]也被确定为中间觉醒时期。应该注意，图14的左侧部分与图10的相同，并且图中的指右箭头的含义与参照图10描述的相同。

因此，在根据图11和图12的处理中，首先基于指标Move和基线值Baseline来评估人类对象在时期I1内的睡眠状态(参照图12的步骤S88)，然后基于这个评估，在后和全面地确定是否存在中间觉醒(参照以上对于第一类和第二类处理的描述)。

以上述方式获得中间觉醒时期，然后分析单元30执行睡眠潜伏计算处理(图5的步骤S30)。图15中示出了这个处理的细节。

在图15中，分析单元30获得睡眠潜伏时期(图15的步骤S101)。

图18中示出了这个步骤的细节。在这个睡眠潜伏时期计算处理中，在对变量(在此情况下为I)进行了初始化(图18的步骤S141)以后，分析单元30确定Stage[I]是否对应于“Wake”(图18的步骤S142)。如果该确定是否定的，则例程返回到图15的主处理(从图18的步骤S142：否到图15的步骤S102)。另一方面，如果该确定是肯定的，则使I递增1并重复后续处理(参照图18的步骤S142：是、步骤S143和S144)。

因此，在这个睡眠潜伏时期计算处理中，搜索不为“Wake”的Stage[x]。因此，当图18的处理完成时，随着I递增，Stage[I]的值不为“Wake”的情况下的“I”(在下文中，有时候将其称作“睡眠潜伏时的I”)的值或者Stage[I]的值不再为“Wake”的情况下的“I”的值将被返回给主处理(图15的处理)。

接下来，分析单元30确定Stage[I+Ka1]的值是否为“Wake”(图15的步骤S102)。如果这是肯定的，则将值“Wake”再赋值给Stage[I+Ka1](图15的步骤S103)，然后Ka1递减1(图15的步骤S104)。执行这些赋值处理和减法处理，直到Ka1到达0为止(参照从图15的步骤S105到步骤S103的流程)。结果，数组编号为x0＝I+1、I+2、......、I+Ka1的所有Stage[x0]的值都将为“Wake”。

另一方面，在以上步骤S102中，如果Stage[I+Ka1]不是Wake，则仅简单地将KaI递减1(图15的步骤S106)。将重复这个处理，直到KaI到达0或者直到找到与Wake一致的Stage[I+Ka1]为止(参照图15的步骤S107)。如果没有找到与Wake一致的Stage[I+Ka1]，则将执行上述处理。

根据图15的处理具有下面的含义。

也就是说，如果在远离睡眠潜伏时的I任意设置的Ka1的时间点存在满足Stage[I+Ka1]＝Wake的时期(I+Ka1)，则不能将这个时间点确定为人类对象真正意义上进入睡眠状态的时期。这基于如下经验规则或逻辑规则，即：在“睡眠潜伏”以后通常不会立即发生“翻身”(即，这种时间点处的时期通常不会是“Wake”)。因此，在这种情况下，Stage[I+1]、Stage[I+2]、......和Stage[I+KaI]将被重新确定为是觉醒状态。

因此，根据图15的处理，为了准确确定人类对象真实意义上处于睡眠状态的时间段，搜索Stage[x]不为Wake的情况作为错误，并且将由此获取的Stage[x]复位为Wake。

在以上述方法完成睡眠潜伏计算处理的情况下，分析单元30获得中间觉醒时期(图5的步骤S31)。图16和图17中示出了这个处理的细节。

在图16中，在对变量(在此情况下为M)进行了初始化(图16的步骤S111)以后，分析单元30获得睡眠潜伏时期(图16的步骤S112)。在这个步骤中，执行图18所示的上述处理。因此，当图18的处理完成时，将获取睡眠潜伏时的I。

接下来，分析单元30确定睡眠潜伏时的I是否落在M之下(图16的步骤S113)。如果确定它落在M之下，则确定Stage[I]是否与“Wake”一致(图16的步骤S114)。如果Stage[I]与“Wake”一致，则分析单元30进行到持续觉醒时期计算处理(从图16的步骤S114：是到步骤S117)。另一方面，如果在步骤S113中满足了I≥M，则不会执行根据步骤S114的确定(图16的步骤S113：否到步骤S115)。

将对每个I重复执行这个处理，其中，每个I都相对于睡眠潜伏时的I递增了1(参照图16的步骤S115和S116)。

重复处理的数量被限定为Stage[x]的总数(时期的总数)(参照图16的步骤S116)。如果到达了这个限制，该例程就返回到根据图5的主流程图的数据分析处理。

图19中示出了持续觉醒时期计算处理的细节。在该持续觉醒时期计算处理中，在对变量(在这种情况下为X)进行了初始设置(图19的步骤S151)以后，分析单元30确定Stage[I+X]是否对应于“Wake”(图19的步骤S152)。此时，I应该满足Stage[I]＝Wake，只要对以上步骤S114给出了肯定性确定即可(换言之，此时，I不再是“睡眠潜伏时的I”)。

如果在步骤S152中Stage[I+X]＝Wake是否定的，则该例程返回到主处理(从图19的步骤S152：否到图16的步骤S116)。另一方面，如果它是肯定的，则使X递增1，并且该例程重复后续处理(参照图19中的步骤S152：是以及步骤S153和S154)。

因此，在这个持续觉醒时期计算处理中，确定“Wake”在Stage[x]中保持的程度，其中，x大于等于在睡眠阶段从“睡眠潜伏时的I”进入到觉醒状态的时间点处的I。在下文中，这个I有时被称作“觉醒状态开始时的I”。因此，当图19中的处理完成时，在Stage[I+X]的值不为“Wake”的情况下的“X”值将返回到主处理(图16中的处理)，或者在随着X增大Stage[I+X]的值不再为“Wake”的情况下的“X”值将返回到主处理(在下文中，这个X有时被称作“持续觉醒时的X”)。

分析单元30随后确定持续觉醒时的X是否大于等于Ne(图16中的步骤S118)。如果这是肯定的，则执行下面的处理。

在将恰当值设置给变量O(图16中的步骤S119)以后，分析单元30确定Stage[I-O]是否为“Wake”(图16的步骤S120)。如果这是肯定的，则将“Wake”再次赋值给Stage[I-O](图16的步骤S123)，使O递减1(图16的步骤S124)。重复这个处理，直到O到达1为止(参照从图16的步骤S125到S123的流程)。结果，具有自觉醒开始时的初始I滞后了O的数组编号x1的所有Stage[x1]的值都将为“Wake”。

另一方面，在以上步骤S123中，如果Stage[I-O]不为Wake，则O仅递减1(图16的步骤S121)。将重复这个处理，直到O到达1或者找到与Wake一致的Stage[I-O]为止(参照从图16的步骤S122到S120的流程)。在找到与Wake一致的Stage[I-O]的情况下，将执行上述的处理。

当上述处理完成时，分析单元30进行到图17的处理(参照图16和图17中的连接符号“C5”)，将再次为变量O设置任意值(图17的步骤S126)。

分析单元30在确定觉醒开始时的I、持续觉醒时的X和任意设置的O的总和与时期的总数一致的情况下，使例程返回到图5的数据分析处理的主流程图(图17的步骤S127：是)。否则，将执行下面的处理(图17的步骤S127：否)。

也就是说，分析单元30确定Stage[I+X+O]是否为“Wake”(图17的步骤S128)。如果这是肯定的，则将“Wake”再次赋值给Stage[I+X+O](图17的步骤S131)，然后使O递减1(图17的步骤S132)。重复这个处理，直到O到达1为止(参照图17的步骤S133到步骤S131)。结果，具有直到自通过将持续觉醒时的X与觉醒开始时的初始I相加所获得的值晚了O的时间点的数组编号x2的所有Stage[x2]的值都将为“Wake”。

另一方面，在以上步骤S128中，如果Stage[I+X+O]不为Wake，则仅使O递减1(图17的步骤S129)。重复这个处理，直到O到达1或者找到与Wake一致的Stage[I+X+O]为止(参照从图17的步骤S130到S128的流程)。在找到与Wake一致的Stage[I+X+O]的情况下，将执行上述处理。

在以上步骤S130或S133被确定为是的情况(即，满足O＝1的情况)下，分析单元30将I+X赋值给M(图17的步骤S134)，然后返回到图16的处理(参照图17和图16的连接符号“C6”)。

另一方面，如果在图16的以上步骤S118中没有满足X≥Ne(即，X<Ne)，则仅执行将I+X赋值给M的上述处理(图17的步骤S134)，然后该例程返回到图16的处理(参照图16的步骤S118：否→连接符号“C4”→图17的步骤S134→连接符号“C6”)。

关于剩余部分，通过图16中的以上连接符号“C6”后面的步骤可以理解，将会如上所述来执行图16的步骤S113以及后续步骤的处理。

根据图16和图17的处理具有下面的含义。

简单地讲，这个处理的含义在于再次确认是否存在被漏掉的要被确定为觉醒的时期。换言之，该处理是对根据图11和图12的以上处理的补充。在查找是否存在被漏掉的这种时期的过程中，持续觉醒X尤其发挥了重要作用(参照图16的步骤S118)。具体地讲，如果这个持续觉醒X的值大于等于某值Ne，则很大程度上可以假定：在该时间附近的时间段内人类对象实际上处于觉醒状态。因此，在步骤S118中以及后续步骤中，检查Stage的值是否为比I早了O的时期和比I+X晚了O的时期中的每一个，并且在检查的值是Wake的情况下，即使Stage[x]初始被赋值为0，也将它们之间的时期再次赋值为Stage[x]＝1。中间时期的这种再次赋值基于以上假定。

另外且更具体地讲，根据图16和图17的处理可以被认为具有两类处理，这与根据图11和图12的处理相似。

第一类处理是从图16的步骤S119到S125的处理。在这个处理中，确定在相对于觉醒开始时的I的时间点更早的时间点是否存在觉醒(在“更早的时间点”进行确定是指：在第一类处理中，针对I即I-O、I-(O-1)、I-(O-2)、......来进行确定)。另外，确定的条件是简单的Stage[I-O]＝Wake(参照图16的步骤S120)。只要这个条件满足，就将“Wake”赋值给具有以上数组编号的Stage[x]。

另一方面，第二类处理是从图16的步骤S126到S133的处理。在这个处理中，确定在相对于[(觉醒开始时的I)+(持续觉醒时的X)]较晚的时间点是否存在觉醒(在“较晚的时间点”进行确定是指：在第二类处理中，针对(I+X)即I+X+O、I+X+(O-1)、I+X+(O-2)、......来进行该处理)。确定的条件与用于第一类处理的条件相同(参照图17的步骤S128)。

通过执行根据图16和图17的处理，即使假定在图11和图12中要确定为觉醒的时期被漏掉了，也可以将该时期再次定义为觉醒状态(即，执行一类核实(back up))。

至此参照图4到图19给出的描述是图3的步骤S11中的数据分析处理的细节。在执行了这些处理以后，控制器CP显示先前描述的结果(图3的步骤S12)，它的显示例子如图20或图21中所示。图20示出了这样一个例子，其中，显示单元4显示了“睡眠效率89.2％，睡眠持续时间07:16(即，7小时16分钟)”的结果。图21示出了这样一个例子，其中，显示单元4显示了“睡眠稳定度76.0％”。“睡眠效率”表示通过执行上述图11和图12或者图16和图17中的每个处理而设置的Stage[x]的值1，0，1，0，1，1，0，...，1，1当中0的百分比。另外，“睡眠稳定性”是图7所示的“Percent”的值。

图22是正常状态下显示的从而可以与图20和图21的显示进行比较的内容的细节。这对应于图3的步骤S2中的当前时间显示处理的结果。

根据本实施方式的睡眠评估装置1，可以获得下面的效果。

(1)如上所述，根据本实施方式的睡眠评估装置1，使用Hensa[x]或HenAv[x]来确定人类对象的睡眠状态，其中Hensa[x]或HenAv[x]是通过简单地对身体移动数据D[0]、D[1]、......、D[9]进行加减乘除而获得的数据。因此，不需要复杂的构成或处理。另外，在保持这种轻松的同时，Hensa[x]和HenAv[x]的特征不同点在于：Hensa[x]恰当表示了在相对较短的时间段内人类对象的身体移动的改变；而HenAv[x]恰当表示了在相对较长的时间段内人类对象的身体移动的改变。因此，通过利用Hensa[x]和HenAv[x]，可以在一定程度上正确地执行人类对象的睡眠状态的确定。

总而言之，根据本实施方式，能够以低成本、简易方法以及尽可能高的准确度来实现人类对象的睡眠状态的推断。

(2)在本实施方式的睡眠评估装置1中，基线值Baseline在确定人类对象的睡眠状态的处理中发挥了相对重要的作用。也就是说，基线值Baseline在图8(下床时期计算处理)、图11和图12(中间觉醒时期计算处理)中发挥了重要作用，并且具体来讲，图11和图12的处理中所用的变量Move也是直接基于基线值Baseline来确定的(参照图7)。

另外，考虑到在直接利用处理的前提下执行与直接利用基线值Baseline的处理(以下称为“直接利用处理”)不同的一些处理，可以认为这些其它处理间接地接收到基线值Baseline的好处。例如，在图11和图12的处理中的给定Stage[a]为Wake的情况下，在图16和图17的处理中Stage[a]可以是新的初始点(例如，参照步骤S120或步骤S128)。

因此，在本实施方式中，引入基线值Baseline显著地增大了进行更准确的人类对象睡眠状态确定的可能性。

另外，在本实施方式中，由于基线值Baseline自身是利用HenAv[x]的移动平均值来设置的(参照图4和图6及其描述)，所以进一步增强了确定人类对象的睡眠状态的准确度。

上面已经描述了根据本发明的实施方式，然而，根据本发明的睡眠评估装置并不限于以上实施方式，而是可以进行下面的各种变型。

(1)在以上实施方式中，描述了获得100份身体移动数据的例子，但是本发明不限于此。可以更自然地假定：身体移动数据的数量通常大于或远大于100(仅仅为了简单而选择了以上描述中的“100份”，并非出于任何其它目的)。另外，相似的是，Hensa[x]被获得作为多少份身体移动数据的标准差，或者HenAv[x]被获得作为多少份Hensa[x]的平均值基本上是可以随意设置的。

另外，相似的是，尽管在以上实施方式中，通过对从传感器单元2提供的信号执行AD转换而获得了数字形式的身体移动数据，但是AD转换中的采样间隔的长度基本上是可以随意设置的。然而，如果将这个采样间隔设置得相对较长，则身体移动数据的总数有可能减小，而如果设置得较短，则身体移动数据的总数有可能增加。(使用“有可能”这种措辞是因为，在床上的持续时间通常取决于人类对象并且即使对于同一人类对象也会每天发生变化，等等)。

(2)在以上实施方式中，身体移动数据D[x]、Stage[x]、Hensa[x]和HenAv[x]均记录在睡眠评估装置1的存储装置20中，但是本发明不限于此。例如，可以通过适当的接口在外部存储装置中的存储介质中执行这种记录。

(3)根据本发明的睡眠评估装置的主要功能在于：通过被动地接收人类对象的身体移动来确定人类对象的睡眠状态和觉醒状态，以及进行身体移动的某种解释；然而，作为额外功能，例如，可以在某个本实施方式中设置一种强迫唤醒人类对象的功能，即，类似闹钟的功能。假定以上实施方式的睡眠评估装置1具有计时功能(参照图2的计时单元11)，则实现类似闹钟的这个功能应该是非常容易的。当然，这种实施方式落在本发明的范围之内。

Claims (9)

1、一种睡眠评估装置，该睡眠评估装置包括：

身体移动检测器，其恒定地检测躺在床上的人类对象的身体移动；以及

确定器，其基于该身体移动检测器的检测结果来至少确定人类对象是处于睡眠状态还是处于觉醒状态，

其中该确定器以预定时间间隔将该身体移动检测器的检测结果量化成N个身体移动数据，其中，N是满足N≥2的正整数，

其中该确定器针对通过划分这N个身体移动数据而得到的G个组中的每一组以及包括在每一组中的每个身体移动数据而获得G个标准差，其中，G是满足2≤G<N的整数，

其中该确定器基于从这G个标准差中选出的gs个标准差(gs<G)来获得L个标准差平均值，其中，L是满足2≤L≤G的整数，并且

其中该确定器基于这G个标准差和这L个标准差平均值来确定人类对象是处于睡眠状态还是处于觉醒状态。

2、根据权利要求1所述的睡眠评估装置，

其中所述确定器基于所述G个标准差中连续的gs个标准差(gs<G)来获得所述L个平均值，

其中所述确定器从所述L个标准差平均值中获得满足以下条件的所有第p个标准差平均值的平均值作为基线值，所述条件为：第p个标准差平均值与第(p+1)个标准差平均值之间的差的绝对值小于等于预定值，其中，p是满足p≤L-1的整数，并且

其中所述确定器基于该基线值来确定人类对象是处于睡眠状态还是处于觉醒状态。

3、根据权利要求2所述的睡眠评估装置，

其中所述确定器获得所述L个标准差平均值作为所述gs个标准差的移动平均值。

4、根据权利要求1到3中任意一项所述的睡眠评估装置，

其中，在所述G个标准差中的任意一个落在预定值E之下的情况下，所述确定器确定人类对象在获得检测结果的时间点处于觉醒状态，其中，身体移动数据是基于该检测结果而获得的，而落在该预定值E之下的标准差是基于该身体移动数据而计算出的。

5、根据权利要求1到4中任意一项所述的睡眠评估装置，

其中，在所述G个标准差当中第(q+1)个标准差大于通过将预定值F1与第q个标准差相加所得的值的情况下，所述确定器确定人类对象在获得检测结果的时间点处于觉醒状态，其中，身体移动数据是基于该检测结果而获得的，而第(q+1)个标准差是基于该身体移动数据而计算出的，其中，q是满足q≤G-1的整数。

6、根据权利要求1到5中任意一项所述的睡眠评估装置，

其中，在所述G个标准差中的任意一个大于预定值F2的情况下，所述确定器确定人类对象在获得检测结果的时间点处于觉醒状态，其中，身体移动数据是基于该检测结果而获得的，而所述标准差是基于该身体移动数据而计算出的。

7、根据权利要求2到6中任意一项所述的睡眠评估装置，

其中所述确定器获得所述G个标准差的标准差作为总标准差，

其中所述确定器通过从所述G个标准差的平均值中减去所述基线值并且将相减所得值除以该总标准差来获得表示人类对象的身体移动量的指标，并且

其中所述确定器基于表示人类对象的身体移动量的该指标来确定从睡眠状态过渡到觉醒状态的时间点。

8、根据权利要求1到7中任意一项所述的睡眠评估装置，

其中，所述身体移动检测器包括包含预定流体的床垫，并且根据该流体的压力改变来检测人类对象的身体移动。

9、一种睡眠评估方法，该睡眠评估方法包括以下步骤：

通过以预定时间间隔对躺在床上的人类对象的身体移动进行量化而获得N个身体移动数据，其中，N是正整数；

针对通过划分这N个身体移动数据而得到的G个组中的每一组以及包括在每一组中的每个身体移动数据来获得G个标准差，其中，G是满足2≤G<N的整数；

基于从这G个标准差中选出的gs个标准差(gs<G)来获得L个标准差平均值，其中，L是满足2≤L≤G的整数；以及

基于这G个标准差和这L个标准差平均值来确定人类对象是处于睡眠状态还是处于觉醒状态。

Images