CN112617747B - 状态推定装置、状态推定方法以及存储介质 - Google Patents

Abstract

本发明提供一种状态推定装置、状态推定方法以及存储介质，提取适合于推定对象的状态的生物体信号的特征量，此外，基于这样被提取出的特征量来高精度地推定对象的状态。状态推定装置具备：生物体信号获取部(110)，获取对象的生物体信号；时间窗设定部(120)，在生物体信号被获取的某个期间内，将彼此不同的时间长的多个时间窗设定为多个提取用时间窗；特征量提取部(130)，提取多个提取用时间窗各自中的生物体信号的特征量；以及推定部(140)，基于被提取的特征量来推定对象的状态。

Description

状态推定装置、状态推定方法以及存储介质

关联申请的参照

本申请主张以日本专利申请的特愿2019-172841号为基础的优先权，将该特愿2019-172841号的说明书、权利要求书、摘要以及说明书附图的全部内容作为参照援引于此。

技术领域

本发明涉及状态推定装置、状态推定方法以及存储介质。

背景技术

以往，作为推定对象的状态的装置，例如已知JP特开2015-217130号公报中公开的装置。该现有的装置被构成为推定人的睡眠状态，具备被安装于人的胸部的、包含压电元件的传感器。此外，在现有的装置中，设定由该传感器检测出的人的呼吸波形数据中的判定单位时间(以下称为“时期”)，按每个该时期来提取呼吸波形数据的峰值-峰值间的差分等的多个特征量，并且利用被提取的特征量，推定人的睡眠状态是“清醒”、“浅睡眠”以及“深睡眠”的三个阶段的哪一个。

但是，在上述现有的装置中，由于按每个规定的时期来提取多个特征量，因此担心无法提取适合于对象(人)的睡眠状态的这种对象的状态的推定的特征量，进而无法高精度地推定人的睡眠状态。

发明内容

本发明是鉴于上述情况而提出的，其目的在于，提供一种能够提取适合于推定对象的状态的生物体信号的特征量、此外能够基于这样提取出的特征量来高精度地推定对象的状态的状态推定装置、状态推定方法以及存储介质。

为了实现上述第1目的，本发明所涉及的状态推定装置具备：获取单元，获取对象的生物体信号；设定单元，在所述生物体信号被获取的某个期间内，将彼此不同的时间长的多个时间窗设定为多个提取用时间窗；提取单元，提取所述多个提取用时间窗各自中的生物体信号的特征量；以及推定单元，基于所述被提取的特征量来推定所述对象的状态。

根据本发明，能够提取适合于推定对象的状态的生物体信号的特征量，此外，能够基于这样被提取出的特征量高精度地推定对象的状态。

附图说明

图1是表示本发明的实施方式所涉及的状态推定装置的机械结构的图。

图2是表示本发明的实施方式所涉及的状态推定装置的功能结构的图。

图3是表示本发明的实施方式所涉及的脉搏波传感器的检测波形的图。

图4是表示本发明的实施方式所涉及的睡眠状态推定处理的流程图。

图5是表示本发明的实施方式所涉及的生物体信号获取处理的流程图。

图6是表示本发明的实施方式所涉及的推定出的心跳间隔的一例的图。

图7是表示本发明的实施方式所涉及的特征量提取处理的流程图。

图8本发明的实施方式所涉及的心跳间隔的重采样的一例的图。

图9是表示本发明的实施方式所涉及的频率系特征量提取处理的流程图。

图10是说明本发明的实施方式所涉及的数据串的提取中被利用的提取用时间窗的图。

图11是表示本发明的实施方式所涉及的呼吸系特征量提取处理的流程图。

图12是表示本发明的实施方式所涉及的时间系特征量提取处理的流程图。

图13是表示本发明的实施方式所涉及的推定部的图。

具体实施方式

以下，参照附图，对本发明的实施方式所涉及的特征量提取装置、状态推定装置、特征量提取方法、状态推定方法以及存储介质进行说明。

(第1实施方式)

本实施方式中，对作为对象的状态推定被检验者即人类的睡眠状态的例子进行说明。

如图1所示，本实施方式所涉及的状态推定装置10在物理上具备：控制部11、存储部12、用户接口13、通信部14、脉搏波传感器15以及身体运动传感器16。

控制部11具备CPU(Central Processing Unit)、ROM(Read Only Memory)以及RAM(Random Access Memory)。CPU例如是微处理器，是执行各种处理、运算的中央运算处理器。在控制部11中，CPU经由系统总线而连接于状态推定装置10的各部，读出ROM中所存储的控制程序，将RAM作为工作存储器使用，并且作为控制状态推定装置10整体的动作的控制单元发挥功能。

存储部12是闪存、硬盘等的非易失性存储器。存储部12存储控制部11为了进行各种处理而使用的程序以及数据。例如，存储部12保存作为教示数据的生物体数据、以及确定生物体状态推定中的各种设定的表格。此外，存储部12通过控制部11进行各种处理来存储生成或者获取的数据。

用户接口13具备：输入按键、按钮、开关、触控板、触摸面板等的这种输入接受部、液晶面板、LED(Light Emitting Diode)等的显示部、扬声器、蜂鸣器等的声音输出部、以及振动器等的振动部等。用户接口13经由输入部从用户接受各种的操作指示，将接受的操作指示发送至控制部11。此外，用户接口13从控制部11获取各种的信息，将表示所获取的信息的图像显示于显示部。

通信部14具备用于状态推定装置10与外部的设备进行通信的接口。所谓外部的设备，例如是个人电脑、平板电脑终端、智能手机等的终端装置。通信部14例如经由USB(Universal Serial Bus)、Wi-Fi(Wireless Fidelity)等的无线LAN(Local AreaNetwork)、Bluetooth(注册商标)等来与外部的设备通信。通信部14在控制部11的控制之下，经由这种的基于有线或者无线的通信，从外部的设备获取包含教示数据的各种数据。另外，上述数据可以预先存储于存储部12。

脉搏波传感器15检测作为被检验者的生物体信号之一的脉搏波。脉搏波传感器15例如被安装于被检验者的耳屏、手腕、手指等。脉搏波传感器15通过从被检验者的皮肤的表面照射光，并观测其反射光、透射光，由此检测基于血液内的氧合血红蛋白的光的吸收量的变化。由于该光的吸收量的变化与血管的容积变化对应，因此由脉搏波传感器15如图3所示那样获得可将血管的容积变化获取为波形的脉搏波201。

并且，由于认为血管的容积变化是与心脏的搏动处于同步，因此能够将脉搏波的振幅为峰值的定时(时间点)推定为心脏发生了搏动时的定时(以下称为“搏动定时”)，此外，能够将在时间轴上彼此相邻的脉搏波的两个峰值的时间间隔推定为心跳间隔(R-RInterval、以下称为“RRI”。)。因此，控制部11基于由脉搏波传感器15检测出的脉搏波，能够推定心跳间隔。搏动定时例如能够利用CPU具有的计时器(或者时钟)、脉搏波的采样频率来进行推定，但是也可以利用其他的适当方法来进行推定。图3中，脉搏波201为峰值的定时相当于搏动定时201t、202t、203t，此外，脉搏波201的峰值的间隔相当于心跳间隔202i、203i。本实施方式中，利用由LED光来检测脉搏波(心跳)的例子进行说明。当然也可以直接检测心脏的电信号。

身体运动传感器16是作为被检验者的身体的运动而检测相互正交的XYZ轴的三轴方向的加速度的加速度传感器。身体运动传感器16例如被安装于被检验者的耳屏。此外，作为身体运动传感器16，可以使用陀螺仪传感器、压电传感器等。

接下来，参照图2，对状态推定装置10中的控制部11的功能结构进行说明。如图2所示，状态推定装置10在功能上具备：生物体信号获取部110，是用于获取被检验者的生物体信号的获取单元；时间窗设定部120，是用于设定从生物体信号获取部110获取的生物体信号来提取特征量的提取用时间窗的设定单元；特征量提取部130，是在由时间窗设定部120设定的提取用时间窗的范围内从生物体信号提取特征量的提取单元；以及推定部140，是基于所提取的特征量来推定睡眠状态的推定单元。在控制部11中，CPU将存储于ROM的程序读出至RAM并执行，由此作为这些各部发挥功能。另外，从状态推定装置10除去推定部的部分形成第1实施方式所涉及的特征量提取装置。

接下来，参照图4，与睡眠状态推定处理中的处理的流程一起来说明状态推定装置10的各功能。若状态推定装置10启动，则该睡眠状态推定处理开始。或者，也可以状态推定装置10经由输入部而从用户接受指示来开始睡眠状态推定处理。首先，状态推定装置10的生物体信号获取部110执行生物体信号获取处理。(步骤S101)。

图5表示该生物体信号获取处理的流程图。首先，生物体信号获取部110获取来自脉搏波传感器15的脉搏波信号以及来自身体运动传感器16的身体运动信号(步骤S201)。从脉搏波传感器15获取的脉搏波信号以某个频率(例如250Hz)进行采样，被采样的脉搏波信号通过包含带通滤波器的预滤波器进行滤波，除去其低频分量、高频噪声(步骤S202)。接下来，根据被滤波的脉搏波信号进行RRI的计算(推定)(步骤S203)。

作为计算RRI的方法，存在使用相关函数的方法、使用快速傅里叶变换(FFT：FastFourier Transform)的方法、以及基于振幅的极大值的检测来进行计算的方法等各种的方法。例如，在基于振幅的极大值的检测来计算RRI的情况下，从脉搏波信号检测振幅的极大值，与在从振幅的极大值被检测出的定时起前后某个时间内被检测出的其他的多个振幅的极大值进行比较。比较的结果，将检测出最大的振幅的极大值的定时推定为搏动定时。针对脉搏波信号的各振幅的极大值进行这种比较，将时间轴上彼此相邻的两个搏动定时的时间间隔计算为RRI。若在横轴取时间、在纵轴取RRI来排列计算出RRI，则得到图6所示的这种曲线。图6中表示了彼此相邻的两个搏动定时(202t等)的间隔相当于RRI，无法计算搏动定时204t与搏动定时205t之间本来存在的搏动的情况下的例子。

若计算出RRI，则进行用于除去RRI的离群值(异常值)的离群值处理(步骤S204)。离群值处理例如按以下方式进行。将计算出的RRI的整个区间分割为一定间隔(例如2sec)，计算分割出的各区间的标准偏差。如果计算出的标准偏差低于阈值，则该区间的RRI被视为离群值，并被除去。此外，如果RRI处于通常设想的某个范围内，则设为不满足安静时的心跳间隔，从而该区间的RRI被视为离群值，并被除去。进而，如果相邻的RRI的差超过某个值，则由于急剧的心跳间隔的变动难以考虑，因此相邻的RRI的双方被视为离群值，并被除去。图中的心跳间隔205i作为离群值(异常值)被除去。

接下来，生物体信号获取部110以某个采样率(例如30Hz)，对上述步骤S201中获取的身体运动信号、即XYZ轴的三轴方向的加速度进行采样，进而以比该采样率低的采样率(例如2Hz)进行重采样，获取加速度的时间序列数据，根据获取的加速度数据来计算XYZ轴方向的加速度的合成矢量的大小(范数)(步骤S205)。尽管未图示，但是对计算出的合成矢量的范数实施基于带通滤波器的滤波，除去噪声。该情况下，带通滤波器的通带例如被设定为0.05Hz～0.25Hz。

返回至图4，若生物体信号获取部110结束生物体信号获取处理，则特征量提取部130进行用于根据由生物体信号获取部110计算出的RRI以及加速度范数来提取特征量的特征量提取处理(步骤S102)。特征量按时间窗设定部120所设定的提取用时间窗被提取。

特征量提取部130作为特征量提取基于RRI的频率的特征量即频率系特征量、基于从RRI提取的呼吸信号的特征量即呼吸系特征量、以及基于RRI的时间、加速度范数的时间的特征量即时间系特征量。由于RRI基于被检验者的脉搏波信号，因此这些特征量能够视为脉搏波信号的特征量，此外，由于加速度范数基于被检验者的身体运动信号，因此时间系特征量能够视为身体运动信号的特征量。按照图7的流程图，依次说明步骤S102中进行的特征量提取处理。

特征量提取部130若计算RRI，则作为特征量提取的前处理，进行将RRI的波动导致的采样间隔的不规则统一为等间隔来生成等间隔RRI的处理(步骤S301)。通过将采样间隔视为等间隔，可执行为了特征量提取而进行的FFT处理。例如，如图8所示，通过离群值除去后的RRI进行直线插补(也可以是样条插补等)求出虚线200，以被设定为与身体运动传感器16的身体运动信号的采样频率相同的值的重采样频率(2Hz)，即每隔0.5如点211、点212、...、点223那样，对被插补的虚线200上的值进行重采样，将采样间隔设为等间隔。由此，生成等间隔RRI的数据串。

特征量提取部130若在步骤S301中结束前处理，则进行用于进行上述的频率系特征量、呼吸系特征量以及时间系特征量各自的提取的各种特征量提取处理(步骤S302)。

图9表示上述的步骤S302中执行的各种特征量提取处理之中的、用于提取频率系特征量的频率系特征量提取处理。首先，对该频率系特征量提取处理的概要进行说明。在频率系特征量提取处理中，针对通过后述的各提取用时间窗被提取出的等间隔RRI的数据串rdata[i]进行FFT处理，并进行频率解析，来计算频率中的功率谱的分布。根据功率谱的分布，求取低频带的功率谱、高频带的功率谱，将基于这些功率谱的多个参数提取为特征量。

低频带lf(例如0.01Hz～0.15Hz)的功率谱主要表示交感神经和副交感神经的活性状况。此外，高频带hf(例如0.15Hz～0.5Hz)的功率谱主要表示副交感神经的活性状况，高频带hf的功率谱越大，则视为被检验者的副交感神经越活跃。

交感神经以及副交感神经与睡眠状态具有一定的相关关系。人的睡眠状态能够分类为清醒状态、快速眼动睡眠、以及非快速眼动睡眠的这种阶段。对于非快速眼动睡眠，能够分类为浅睡眠和深睡眠的这种阶段。非快速眼动睡眠时交感神经休息，搏动变慢。相对于此，在快速眼动睡眠时，交感神经与清醒时相同程度地活动，与非快速眼动睡眠时相比，搏动变快。因此，能够利用等间隔RRI的低频带lf的功率谱和高频带hf的功率谱来进行睡眠状态的推定。

如图9所示，在频率系特征量提取处理中，首先设定用于进行上述的FFT处理的提取用时间窗(步骤S401)。时间窗设定部120设定用于从由生物体信号获取部110获取的RRI以及加速度范数来提取特征量的区间即提取用时间窗。在多导睡眠监测(PSG：Polysomnography)中，以一定时间的时期单位进行睡眠状态的推定。时期选择30sec的情况较多。为此，与此相匹配地，使提取用时间窗在时间轴上每隔30sec错开来进行设定，提取所设定的提取用时间窗内的RRI的特征量。提取用时间窗被设定为用于提取大量的特征的长时间窗、用于提取瞬间的特征的短时间窗、它们的中间的窗等的多级。通过如此进行构成，获取多样的特征量。

图10表示在时期的基准时间点t所设定的提取用时间窗。横轴表示时间轴，在以基准时间点t为中心、采样频率2Hz、包含512样本点的256sec(4分钟)的长度的期间内，设定具有层0～层3的相互不同的多个期间的提取用时间窗。层0中，设定具有256sec(/>4分钟)的时间长的期间即窗1。窗1中，包含2×256＝512个的样本点。层1中，设定具有128sec(/>2分钟)的时间长的期间即窗2～窗4的三个提取用时间窗。窗2～窗4分别被设定在时间轴上的相互不同的位置，以使得相邻的窗重复64sec(/>1分钟)。因此，窗3将基准时间点t设为中心。在各个提取用时间窗，包含256个的样本点。层2中，设定具有64sec(/>1分钟)的时间长的期间即窗5～窗11的七个提取用时间窗。窗5～窗11分别被设定在时间轴上的相互不同的位置，以使得相邻的窗重复32sec。因此，窗8将基准时间点t设定为中心。各个提取用时间窗中包含128个的样本点。层3中，设定具有32sec的时间长的期间即窗12～窗19的八个提取用时间窗。窗12～窗19被设定在时间轴上的相互不同的位置，以使得相互不重复、不空出间隔而连续。各个提取用时间窗中包含64个样本点。以下，以rdata[p][i]表示从等间隔RRI的数据串利用各提取用时间窗所提取的数据串。另外，p是时间窗的编号，i是样本的编号。也就是说，p为1至19的值，如果数据串rdata[p][i]的提取中使用的各提取用时间窗中的样本数为n，则i为1至n的值。这些的窗1～窗19各自的时间长被设定为与等间隔RRI的重采样频率、FFT处理中的数据个数的限制相应的值。

基于步骤S401中所设定的提取用时间窗，提取用于特征量提取的数据(步骤S402)。所使用的提取用时间窗因提取的特征量而不同。针对基于提取用时间窗所提取的数据来进行FFT处理(步骤S403)。在频率系特征量提取处理中，使用层0至层3的全部的提取用时间窗(窗1～窗19)来进行FFT处理。若针对利用各提取用时间窗所提取的等间隔RRI的数据串rdata[p][i]进行FFT频率解析处理，来计算频率功率谱密度，则按每个提取用时间窗来进行RRI的特征量的提取(步骤S404)。该情况下，为了睡眠状态的判定，作为RRI的特征量，提取包含上述的低频带lf的功率谱、高频带hf的功率谱的以下的9个特征量。

lf、hf、vlf、tf、hf_lfhf、lf_hf、vlf/tf、lf/tf、hf/tf

这里，

lf：大于0.01Hz且0.15Hz以下的功率谱

hf：大于0.15Hz且0.5Hz以下的功率谱

vlf：0.01Hz以下的功率谱

tf：vlf+lf+hf

hf_lfhf：hf/(hf+lf)

lf_hf：lf/hf。

如上述，设定了层0的窗数为1、层1的窗数为3、层2的窗数为7、层3的窗数为8、合计19个的提取用时间窗。由于利用各提取用时间窗所提取的RRI的特征量为9个，因此合计提取171(＝9×19)维的RRI的特征量。

接下来，对图7的步骤S302中执行的各种特征量提取处理之中的、呼吸系特征量提取处理进行说明。呼吸系特征量是与作为生物体信号的呼吸有关的特征量。RRI中包含呼吸性的变动分量，由于呼气心跳数减少、吸气心跳数增大导致产生的呼吸性窦性心律不齐(Respiratory Sinus Arrhythmia、以下称为“RSA”。)而出现约0.25Hz的波动。作为与呼吸相关的特征量，使用该RSA。

图11表示在图7的步骤S302中执行的、用于提取呼吸系特征量的呼吸系特征量提取处理。首先，在步骤S501中，设定提取用时间窗。接下来，基于步骤S501中所设定的提取用时间窗，提取用于特征量提取的数据(步骤S502)。针对基于提取用时间窗所提取的数据来进行FFT处理(步骤S503)。在该呼吸系特征量的提取处理中，在步骤S501中，设定层1的3个提取用时间窗即窗2～窗4。然后，在步骤S502、S503中。针对利用各提取用时间窗提取的等间隔RRI的数据串(rdata[2][i]、rdata[3][i]以及rdata[4][i])进行FFT频率解析处理，将在0.1Hz～0.4Hz的范围内功率谱密度最大的频率求取为RSA。若求取出RSA，则按每个提取用时间窗来进行与呼吸有关的特征量的提取(步骤S504)。由于呼吸在非快速眼动睡眠的状态下是稳定的，因此标准偏差较小。相反，在清醒状态、快速眼动睡眠状态下，呼吸不稳定，因此标准偏差较大。为此，提取等间隔RRI的数据串中包含的呼吸数据之中、认为与睡眠具有相关关系的以下的6个特征量。

对于上述求取的RSA[j](j为对应于提取中使用的提取用时间窗(窗2：j＝0、窗3：j＝1、窗4：j＝2))，

mRSA：RSA[j]的平均值＝(RSA[0]+RSA[1]+RSA[2])/3

sdRSA：RSA[j]的标准偏差＝根据RSA[0]、RSA[1]以及RSA[2]而得到的标准偏差

minRSA：RSA[j]的最小值＝min(RSA[0]，RSA[1]，RSA[2])

maxRSA：RSA[j]的最大值＝max(RSA[0]，RSA[1]，RSA[2])

cvRSA：sdRSA/mRSA(其中，如果则cvRSA＝0)呼吸变动系数

RSA[1]：中央的提取用时间窗即窗3的RSA

在该呼吸系特征量提取处理中，从窗2～窗4的3个提取用时间窗提取6维的特征量。

接下来，对图7的步骤S302中执行的各种特征量提取处理之中的时间系特征量提取处理进行说明。时间系特征量提取处理包含提取从等间隔RRI的数据串rdata[p][i](时间序列数据)其本身得到的特征量的RRI系特征量提取处理、提取从加速度的数据串mdata[p][i]其本身得到的特征量的身体运动系特征量提取处理。该加速度的数据串mdata[p][i]是图5的步骤S205中计算出的加速度的范数的数据串，p以及i是时间窗的编号以及样本的编号。

关于时间系特征量提取处理，如图12所示，在步骤S601中设定了提取用时间窗之后，基于所设定的提取用时间窗来提取用于特征量提取的数据(步骤S602)。在时间系特征量提取处理中，设定层0至层3的全部的提取用时间窗(窗1～19)。针对基于各提取用时间窗所提取的RRI的数据串rdata[p][i]进行RRI系特征量的提取，并且针对加速度的数据串mdata[p][i]进行身体运动系特征量的提取(步骤S603)。RRI系特征量以及身体运动系特征量如以下所示。

(RRI系特征量)

作为RRI系特征量，按每个提取用时间窗来计算(导出)以下的mRRI、mHR、sdRRI、cvRRI、RMSSD、pNN50的6个值。其中，rdata[p][i]的值的单位设为毫秒，各值如以下所示。

mRRI[p]＝rdata[p][i]的平均值

mHR[p]＝60000/mRRI[p]

(注：根据以毫秒为单位的mRRI[p]，求取每一分钟的拍数(mHR)，因此60秒×1000＝60000除以mRRI[p]。)

sdRRI[p]＝rdata[p][i]的标准偏差

cvRRI[p]＝sdRRI[p]/mRRI[p]

RMSSD[p]＝彼此相邻的rdata[p][i]的差的平方的平均值的平方根

pNN50[p]＝彼此相邻的rdata[p][i]的差超过某个时间(例如50msec)的次数的比例

(注：连续的相邻的心跳间隔的差超过50msec的比例被作为迷走神经紧张强度的指标，因此在本实施方式中，作为上述的某个时间采用50msec。)

每个提取用时间窗得到上述6个值，提取用时间窗有19个，因此导出合计6×19＝114个的特征量。

(身体运动系特征量)

由加速度传感器测量的身体运动的大小和发生次数在清醒状态和睡眠状态中不同。作为身体运动系特征量，按每个提取用时间窗导出以下的mACT、sdACT、minACT、maxACT、cvACT的5个值。各值如以下所示。

mACT[p]：mdata[p][i]的平均值

sdACT[p]：mdata[p][i]的标准偏差

minACT[p]：mdata[p][i]的最小值

maxACT[p]：mdata[p][i]的最大值

cvACT：sdACT[p]/mACT[p]

由于每个提取用时间窗得到上述5个值，提取用时间窗有19个，因此导出合计5×19＝95个的特征量。

另外，除了上述的特征量以外，也可以将从发生了较大的身体运动到进行周期性地被进行的睡眠状态的推定中的本次的推定为止的经过时间，提取为特征量。身体运动由上述的加速度范数表示，按每个基准时间点t来计算身体运动的平均值mACT。mACT超过阈值从而判定为发生了较大的身体运动。作为阈值而设定不同的4个值。每当检测出较大的身体运动之后达到下一个时期基准时间点t则计数一次，来测量经过时间。提取计数值最后mACT超过1.05之后的计数值、最后mACT超过1.10之后的计数值、最后mACT超过1.15之后的计数值、最后mACT超过1.20之后的计数值的4个、即四维的特征量。在此，mACT＝1.0表示被检验者处于静止，表示其值越大则被检验者的身体运动越大。

返回至图7，若计算出各特征量，进行从这些特征量削减不必要的特征量的特征量选择(维压缩)处理(步骤S303)。作为特征量选择的方法，例如通过分散分析(ANOVA：analysis of varianc)和递归特征消去(RFE：Recursive Feature Elimination)来削减特征量。在RFE中，实际利用机器学习的模型，学习/评价特征集合从而确认哪个特征是重要的，进行特征量的消去直到成为指定的特征数为止。

若通过维压缩而特征量被削减，则进行使剩余的特征量在时间轴上向前方(未来)或者后方(过去)移动的结果追加为特征量的特征量扩大处理(步骤S304)。另外，上述维压缩处理(步骤S303)以及特征量扩大处理(步骤S304)在实施本发明的方面不是必须的，也可以省略。

进行了特征量扩大处理的特征量通过预滤波器在时间方向上进行平滑化(步骤S305)。预滤波器例如是高斯滤波器，使得不自然地急剧变化的数据不被输入至推定部140，从而防止进行错误的睡眠状态的推定。提取出的特征量在0～1之间被标准化从而输入至推定部140。

返回至图4，若由特征量提取部130提取出多个特征量(频率系特征量、呼吸系特征量、时间系特征量)，则推定部140基于由特征量提取部130提取的特征量来推定睡眠状态(步骤S103)。该睡眠状态的推定以30sec单位来进行。

推定部140包含组合了2类识别器的多类识别器。识别器例如采用多类-逻辑回归。例如，对于被划分为被检验者的睡眠状态为清醒状态即[awake]类、清醒状态以外的状态即[其他]类的2个类的目标变量(从属变量)，能够获知tf，vlf，lf，hf，hf_lfhf，lf_hf，vlf/tf，lf/tf，hf/tf等的特征量即说明变量(独立变量)之中的、哪个组合有意地产生影响。相对于输入的特征量，输出设为表示睡眠状态为清醒状态(awake)、快速眼动睡眠状态(rem)、浅睡眠状态(light)、深睡眠状态(deep)的输出的四个输出。因此，推定部140如图13所示那样由四个2类的识别器的组合构成。即，推定部140具备：识别睡眠状态是清醒状态[awake]和清醒状态以外的状态[awake以外]的哪一个的第1识别器301、识别是快速眼动睡眠状态[rem]和快速眼动睡眠状态以外的状态[rem以外]的哪一个的第2识别器302、识别是浅睡眠状态[light]和浅睡眠状态以外的状态[light以外]的哪一个的第3识别器303、以及识别是深睡眠状态[deep]和深睡眠状态以外的状态[deep以外]的哪一个的第4识别器304，并且具备对第1～第4识别器301～304的输出进行分数判定的分数判定器305。逻辑回归由以下的关系式(sigmoid函数)表示目标变量和说明变量。

(式1)

f(x)＝1/{1+exp[-(a1·x1+a2·x2+...+an·xn+a0)]}

f(x)表示作为目标变量的事件的发生概率，xn表示作为说明变量的各种特征量，an表示学习系数(判定条件的参数)，n表示作为数据的种类数即维数。通过f(x)与1-f(x)的大小比较，识别是2类的哪一个。通过上述关系式，可明确预测值的计算、关系式中使用的说明变量的相对于目标变量的贡献度。

若对作为一对其他的2类识别器即第1识别器301、第2识别器302、第3识别器303、以及第4识别器304分别输入特征量，则各个识别器进行识别处理。

第1识别器301输出被检验者的睡眠状态为清醒状态的概率P1(＝f(x))，并根据与不是清醒状态的概率1-P1(＝1-f(x))的大小比较，在概率P1为大于1-P1的情况下，作为输出的概率P1表示睡眠状态为清醒状态，在1-P1大于P1的情况下，表示是清醒状态以外。第2识别器302输出被检验者的睡眠状态为快速眼动睡眠状态的概率P2，并根据与不是快速眼动睡眠状态的概率1-P2的大小比较，在概率P2大于1-P2的情况下，作为输出的概率P2表示睡眠状态为快速眼动睡眠状态，在1-P2较大的情况下，表示是快速眼动睡眠状态以外。第3识别器303输出被检验者的睡眠状态为浅睡眠状态的概率P3，根据与不是浅睡眠状态的概率1-P3的大小比较，在概率P3大于1-P3的情况下，作为输出的概率P3表示睡眠状态为浅睡眠状态，在1-P3较大的情况下，表示是浅睡眠状态以外。第4识别器304输出被检验者的睡眠状态为深睡眠状态的概率P4，根据与不是深睡眠状态的概率1-P4的大小比较，在概率P4较大的情况下，表示是深睡眠状态，在1-P4较大的情况下，表示是深睡眠状态以外。针对各类输出结果，设置时间方向高斯滤波器。输出数据通过滤波器被平滑化，不自然的急剧的输出数据的变化被除去，防止进行错误的睡眠状态的推定。

通过高斯滤波器被平滑化的第1～第4识别器301～304的输出(概率P1～P4)输入至分数判定器305。分数判定器305对第1～第4识别器301～304的输出(概率P1～P4)进行大小比较，推定被检验者的睡眠状态是与概率P1～P4之中的最大值对应的睡眠状态，将表示该情况的数据输出至用户接口13。由此，向用户提示被推定的睡眠状态。

判定条件的参数an通过使用了样本数据的机器学习而被决定。由于基于推定部140的睡眠状态的推定以30sec为单位进行，因此每30sec，将记录有由专家基于脑波、心电图仪等而推定出的睡眠状态的标签附加于特征量的样本数据。样本数据按清醒状态、快速眼动睡眠状态、浅睡眠状态、深睡眠状态的每一个来准备。针对准备的样本数据来进行特征量提取处理。将提取出的特征量的数据与标签对应起来存储为教示数据。另外，机器学习可以在本识别装置内进行，也可以由其他装置执行并将判定模型保存在本识别装置中。

另外，通过作为激活函数使用sigmoid函数来设置多个一对其他的2类识别器由此构成推定部140，但是并不限于此，也可以作为激活函数使用softmax函数来构成为多类识别器。此外，也可以通过设置多个一对一的2类识别器来构成推定部140。此外，作为机器学习的算法使用了逻辑回归，但是并不限于此，也可以使用例如支持向量机、神经网络、决策树、随机森林等。此外，也可以组合使用多个算法。例如，存在SVC(Support VectorClassification)、SVR(Support Vector Regression)、Linear SVC(Support VectorClassification)、xgboost(eXtreme Gradient Boosting)等。

返回至图4，基于推定部140的睡眠状态的推定实时地以30sec为单位进行。控制部11判定是否满足结束条件(步骤S104)。结束条件例如是从处理开始的经过时间达到了设定的时间的情况、经由输入部而存在结束的指示的情况等。在不满足结束条件的情况下(步骤S104：否)，返回至步骤S101，继续进行睡眠状态的推定处理。在满足结束条件的情况下(步骤S104：是)，结束睡眠状态推定处理。

如以上，根据本实施方式，在获取了生物体信号的某个期间内，设定相互不同的时间长的多个提取用时间窗，并且提取被设定的多个提取用时间窗各自中的生物体信号的特征量，作为特征量，能够提取生物体信号经过长时间而变化的宏观特征、以短时间变化的微观特征。例如，在生物体信号随着时间而变化的特征在推定睡眠状态上成为较大因素的情况下，若特征量提取的提取用时间窗较短，则无法提取随着时间变化的特征量。该情况下，通过进行基于使用在某个期间内向过去以及未来有较大扩展的窗1来提取出的特征量的推定，基于这样被推定出的特征量能够进行正确的睡眠状态的推定。

相反，在生物体信号的局部的短时间的变化作为特征量在判断睡眠状态上成为较大因素情况下，若特征量提取的提取用时间窗的时间长较长，则无法将该局部的变化作为特征量而掌握。该情况下，通过缩短特征量提取的提取用时间窗的时间长，能够将局部的变化提取为特征量，基于这样被推定出的特征量能够进行正确的睡眠状态的推定。此外，在基于某个期间内的生物体信号的特征量的睡眠状态的判定中，例如也可能存在向过去稍微回溯的时间点的生物体信号的局部的变化成为睡眠状态的较大的判定因素的情况。还可能这种的生物体信号的局部的变化在相互不同的多个时间点发生。该情况下，通过缩短特征量提取的提取用时间窗的时间长，并且将提取用时间窗设定在时间轴上的某个期间内向过去回溯的多个位置，由此能够提高睡眠状态的推定精度。此外，使在时间轴上彼此相邻的提取用时间窗在时间轴上部分地重复(重叠)，由此能够非常精细地(无遗漏地)提取特征量。此外，在某个期间内设定为使提取用时间窗连续，能够从某个期间内被获取的生物体信号无遗漏地提取特征量。认为成为睡眠状态的判断的较大的因素的特征量的发生位置以及范围是多样的。因此，通过将不同的时间长的提取用时间窗设定为时间轴上的相互不同的位置，并用从这些提取用时间窗得到的特征量，由此能够没有遗漏地掌握特征量的宏观的变化、围观的变化，能够提高睡眠状态的推定精度。

进而，作为多个提取用时间窗，设定比2组多的4组的时间窗(层0～层3的各个时间窗)，因此能够补偿因不确定性原理导致的影响，从而能够进一步提高睡眠状态的推定精度。

进而，也可以根据睡眠状态的推定的目的来变更提取的特征量。例如，在想要获知就寝中整体的睡眠状态的倾向的情况下，可以选择从时间长较长的提取用时间窗得到的特征量，在想要获知就寝中的某一时间点的睡眠状态的详细的情况下，可以选择从时间长较短的提取用时间窗得到的特征量。

通过以上的睡眠状态推定处理，即便被检验者处于睡眠中，状态推定装置10也能够实时地推定睡眠状态。

通过本实施方式推定了45人的被检验者的睡眠状态，表示其推定精度的total_accuracy以及total_kappa分别为0.7229以及0.5960。限定于此，如上述的现有技术那样，在使用单一的提取用时间窗(30秒)来提取生物体信号的特征量，并且基于提取出的生物体信号的特征量来推定相同的45人的被检验者的睡眠状态的情况下，total_accuracy为0.6942，total_kappa为0.5576。这样可知，与使用单一的提取用时间窗的情况相比，能够高精度地推定被检验者的睡眠状态。

在上述的实施方式中，可以将多个提取用时间窗的个数以及时间长的至少一方根据各种的条件、参数而设定为可变。例如，多个提取用时间窗的个数、时间长基于对象的睡眠状态的变化而被变更。该情况下，在睡眠状态变化的状况下，为了提高睡眠状态的推定精度，提取更多的特征量地来设定提取用时间窗。相反，在睡眠状态没有变化的这种状况下，通过减少提取用时间窗的个数，并且将提取用时间窗的时间长设定得较长，由此降低运算负荷。睡眠状态变化的状况例如能够基于被检验者的周围的气温的变化程度、被检验者的周围的照度的变化程度、被检验者的深部体温的变化程度等(这些的至少一个)来进行判定。该判定通过CPU作为判定单元发挥功能来进行。被检验者的深部体温能够从被检验者的耳朵、头部利用传感器等来检测。此外，能够基于心跳数、身体运动等或者特征量本身，来判定睡眠状态变化的状况。或者，在对象(人类)的安静中的情况下和运动中的情况下，可以将提取用时间窗的个数以及时间长的至少一方设定为相互不同。作为对象的状态的判定，通过CPU作为判定单元发挥功能来进行，基于身体运动传感器16等的检测结果来该对象是否为安静中以及运动中的任一个的判定。

再有，可以根据包含对象的性别以及年龄的至少一方的对象的个体信息，来设定提取用时间窗的个数以及时间长的至少一方。该情况下，对象(人类)的个体信息经由用户接口13由用户输入，CPU作为个体信息获取单元发挥功能来获取被输入的个体信息。

此外，上述的实施方式中，将时间长比较短的多个提取用时间窗(窗12～窗19)设定为在时间轴上相互不重复且不空出间隔而相互连续，但是也可以设定为在时间轴上相互空出间隔。该情况下，能够抑制生物体信号的特征量的精度的降低，并且减少特征量的数据量。

在上述的实施方式中，为了检测被检验者(对象)的脉搏波，具备脉搏波传感器15、用于检测身体的运动的身体运动传感器16，但是传感器的种类并不限定于这些。如果是获取对象的生物体信号的传感器，则能够具备任意的传感器。此外，例如在经由通信部14而从外部的装置等能够接收生物体信号或者生物体信号的特征量的情况下，状态推定装置10不需要具备传感器。

另外，在上述的实施方式中，状态推定装置10作为生物体信号而使用基于被安装于耳屏的脉搏波传感器的脉搏波、基于被安装于耳屏的加速度传感器的加速度，但是生物体信号并不限定于这些。作为状态推定装置10能够使用的生物体信号，包含身体运动(由设置于头部、手腕、胸部、脚、躯体等的加速度传感器检测)、肌电(由设置于头部(太阳穴或鼻子周围)、手腕、胸部、脚、躯体等的肌电传感器检测)、汗液(由皮肤电位计或湿度传感器检测)、心跳(由心电图仪、设置于床下的压力传感器(心冲击图波形的检测)、设置于头部、手腕、胸部、脚、躯体等的脉搏波传感器等检测)等。

此外，在上述的实施方式中，状态推定装置10作为用于进行睡眠状态的推定的特征量，使用了基于RRI的频率系特征量、基于RRI以及身体运动的时间系特征量、呼吸系特征量，但是特征量并不限定于上述特征量，只要是能够用于进行睡眠状态的推定的特征量，能够使用任意种类的特征量，特征量的个数也没有限定。例如，作为生物体信号，还使用肌电、汗液等的情况下，关于针对这些的检测值，可以与其他特征量同样地以例如2Hz进行采样，以将基准时间点t作为基准的多个提取用时间窗来提取数据，计算特征量。

此外，在上述的实施方式中，状态推定装置10推定人类的被检验者的睡眠状态。但是，推定睡眠状态的对象并不限于人类，能够将狗、猫、马、牛、猪、鸡等的一般对象作为对象。这是因为对于这些对象也能够安装脉搏波传感器、加速度传感器，从而获取睡眠状态推定所需的特征量。此外，实施方式中，作为对象的状态，推定睡眠状态，但是也可以取而代之，推定感情(喜悦、悲伤、愤怒、死心、惊讶、厌恶、恐惧、放松等)。例如，交感神经在精神紧绷等的紧张状态时活跃地起作用。相对于此，副交感神经在放松状态时活跃地起作用。交感神经起到加速搏动的作用，副交感神经起到减缓搏动的作用。因此，通过基于RRI的低频带lf以及高频带hf的功率谱的特征量，能够推定是否为放松状态。此外，当然也可以提取适合于对象的状态的推定的其他适当的生物体信号的特征量。

在上述实施方式中，控制部11通过CPU执行存储于ROM的程序，作为生物体信号获取部110、时间窗设定部120、特征量提取部130以及推定部140来发挥功能。但是，控制部11例如可以具备ASIC(Application Specific Integrated Circuit)、FPGA(Field-Programmable Gate Array)、各种控制电路等的专用硬件，专用硬件可以作为生物体信号获取部110、时间窗设定部120、特征量提取部130、推定部140发挥功能。该情况下，各部的功能可以分别由分立的硬件实现，也可以统一由单一的硬件来实现各部的功能。此外，可以由专用的硬件实现各部的功能之中的一部分功能，由软件或固件来实现另一部分。

另外，不仅可以提供为预先具备用于实现本发明所涉及的功能的结构的无线通信装置，也能够通过程序的应用而使现有的信息处理装置等作为本发明所涉及的无线通信装置发挥功能。这种程序的应用方法是任意的。能够将程序例如保存在软盘、CD(CompactDisc)-ROM、DVD(Digital Versatile Disc)-ROM、存储卡等计算机可读取的存储介质中来应用。进而，也能够将程序重叠于载波，经由互联网等的通信介质来应用。例如，可以在通信网络上的告示板(BBS：Bulletin Board System)公开并发布程序。并且，也可以构成为：启动该程序，在OS(Operating System)的控制下，与其他应用程序同样地执行，由此能够执行上述处理。

说明了本发明的实施方式，但是本发明的范围并不限定于上述实施方式，包含权利要求书中记载的发明的范围及其等同的范围。

Claims (9)

1.一种状态推定装置，具备：

获取单元，获取对象的生物体信号；

设定单元，在所述生物体信号被获取的某个期间内，将彼此不同的时间长的多个时间窗设定为多个提取用时间窗；

提取单元，提取所述多个提取用时间窗各自中的生物体信号的特征量；以及

推定单元，基于被提取的所述特征量来推定所述对象的状态，

所述设定单元至少设定第1层和第2层这两者，所述第1层设置为用于提取宏观特征量的第1时间长的多个提取用时间窗在时间轴上相互部分地重叠，所述第2层设置为用于提取微观特征量的比所述第1时间长短的第2时间长的多个提取用时间窗在时间轴上相互不重复。

2.根据权利要求1所述的状态推定装置，其中，

作为所述多个提取用时间窗，所述设定单元将彼此相同时间长的多个时间窗还设定在时间轴上的彼此不同的位置。

3.根据权利要求1或2所述的状态推定装置，其中，

所述多个提取用时间窗的至少两个被设定为在时间轴上相互空出间隔。

4.根据权利要求1或2所述的状态推定装置，其中，

所述多个提取用时间窗的至少两个被设定为在时间轴上相互不重复、且不空出间隔而相互连续。

5.根据权利要求1所述的状态推定装置，其中，

所述对象的生物体信号是脉搏波以及身体运动。

6.根据权利要求5所述的状态推定装置，其中，

所述特征量是基于从作为所述对象的人类的所述脉搏波得到的心跳间隔的频率的频率系特征量、从所述心跳间隔的时间序列数据得到的时间系特征量、从所述人类的所述身体运动的时间序列数据得到的时间系特征量、以及基于所述心跳间隔中包含的呼吸性的变动分量的特征量即呼吸系特征量的至少一个。

7.根据权利要求6所述的状态推定装置，其中，

所述呼吸系特征量是所述多个提取用时间窗中的所述呼吸性的变动分量的平均值、所述多个提取用时间窗中的所述呼吸性的变动分量的标准偏差、所述多个提取用时间窗中的所述呼吸性的变动分量的最小值、以及所述多个提取用时间窗中的所述呼吸性的变动分量的最大值的至少一个。

8.一种状态推定方法，具备：

获取步骤，获取对象的生物体信号；

设定步骤，在所述生物体信号被获取的某个期间内，将彼此不同的时间长的多个时间窗设定为多个提取用时间窗；

提取步骤，提取所述多个提取用时间窗各自中的生物体信号的特征量；以及

推定步骤，基于被提取的所述特征量来推定所述对象的状态，

在所述设定步骤中，至少设定第1层和第2层这两者，所述第1层设置为用于提取宏观特征量的第1时间长的多个提取用时间窗在时间轴上相互部分地重叠，所述第2层设置为用于提取微观特征量的比所述第1时间长短的第2时间长的多个提取用时间窗在时间轴上相互不重复。

9.一种非暂时性的存储介质，其存储有程序，所述程序使计算机执行如下步骤：

获取步骤，获取对象的生物体信号；

设定步骤，在所述生物体信号被获取的某个期间内，将彼此不同的时间长的多个时间窗设定为多个提取用时间窗；

提取步骤，提取所述多个提取用时间窗各自中的生物体信号的特征量；以及

推定步骤，基于被提取的所述特征量来推定所述对象的状态，

在所述设定步骤中，至少设定第1层和第2层这两者，所述第1层设置为用于提取宏观特征量的第1时间长的多个提取用时间窗在时间轴上相互部分地重叠，所述第2层设置为用于提取微观特征量的比所述第1时间长短的第2时间长的多个提取用时间窗在时间轴上相互不重复。