JP2013192719A

JP2013192719A - 解析装置、解析プログラムおよび解析方法

Info

Publication number: JP2013192719A
Application number: JP2012062654A
Authority: JP
Inventors: Junichi Odagiri; 淳一小田切; Yuta Masuda; 裕太増田
Original assignee: Fujitsu Ltd
Current assignee: Fujitsu Ltd
Priority date: 2012-03-19
Filing date: 2012-03-19
Publication date: 2013-09-30
Anticipated expiration: 2032-03-19
Also published as: JP5982910B2

Abstract

【課題】被験者に負担をかけることなく、周波数の変化が被験者の眠気によるものか否かを判定すること。
【解決手段】解析装置１００は、心拍信号データを取得して、心拍間隔データを生成する。解析装置１００は、心拍間隔データの代表値と心拍間隔データと基にして、心拍間隔が代表値から離れている度合いを解析し、心拍間隔が代表値から離れている度合いが大きい場合に、ノイズが発生していると判定する。これに対して、解析装置１００は、心拍間隔が代表値から離れていない場合には、ノイズが発生していないと判定する。
【選択図】図１

Description

本発明は、解析装置等に関する。

近年、被験者の眠気や覚醒度を判定する様々な技術が存在する。例えば、従来技術１では、被験者の心拍信号を周波数解析することで、周波数とスペクトル密度との関係を求める。例えば、従来技術１では、スペクトル密度の極大点に対応する周波数の変化を基にして、被験者の覚醒度を判定する。例えば、従来技術１では、極大点に対応する周波数が、低周波の方向へ変化する場合に、被験者が眠くなっていると判定する。

しかし、被験者の体動によっても、極大点に対応する周波数が、低周波の方向に変化してしまう。このため、従来技術１では、低周波の方向に変化した場合に、被験者が眠くなっているのか否かを正確に判定することができなかった。ここで、被験者の体動は、ハンドル操作や会話などに対応する。

この問題を解消するために、例えば、従来技術２では、複数のセンサーパッドを取り付け、被験者の体動を検出する技術が存在する。かかるセンサーパッドは、被験者の生体活動により生じる体表面の音や圧変化を検出するセンサである。従来技術２により、体動を検出することで、例えば、低周波の方向に変化した場合に、被験者が眠くなっているのか否かを区別することができる。

国際公開第２００８／０６５７２４号国際公開第２００６／１２０７５４号

しかしながら、上述した従来技術では、被験者に負担をかけることなく、周波数の変化が被験者の眠気によるものか否かを判定することができないという問題があった。

例えば、従来技術２のように複数のセンサーパッドを生体に横切るように配置すると、センサーパットが被験者の邪魔になり、被験者の負担になってしまう。

開示の技術は、上記に鑑みてなされたものであって、被験者に負担をかけることなく、周波数の変化が被験者の眠気によるものか否かを判定することができる解析装置、解析プログラムおよび解析方法を提供することを目的とする。

開示の解析装置は、心拍間隔算出部、代表値算出部、解析部を有する。心拍間隔算出部は、被験者の心拍信号から時間毎の心拍間隔を算出する。代表値算出部は、時間毎の心拍間隔に基づいて、各時間における心拍間隔から予想される次の心拍間隔を代表値として特定する。解析部は、代表値と、前記時間毎の心拍間隔とを基にして、心拍間隔が前記代表値から離れている度合いを解析する解析し、解析結果に基づいて、心拍信号にノイズが発生しているか否かを判定する。

図６、図７のように、例えば、会話による呼吸の乱れがノイズ発生の原因となるが、このようなノイズ発生区間とそうでない場合は、以下のような差異が存在する。

（１）ノイズ発生区間時の揺らぎ
体動発生、呼吸の乱れなどが脈拍間隔にランダムかつ大きな影響を与えた結果、周波数解析上は通常の脈拍周期よりランダムで長い周期が発生する。この結果、周波数解析して算出した代表値と大きな差が生じる。

（２）通常の揺らぎ
通常の揺らぎは、例えば、体動がない状態である。純粋に運転のみをしている場合は，会話や体動も発生せず、呼吸周期が睡眠時のように整っている。これは、ドライバーが眠い場合でも同様である。この場合は、（脈波揺らぎ）周期および振幅は一定であり、（１）に比べると周期が短く、振幅は小さい。この結果、分散が小さくなる。

上記のとおり、（１）の場合は明らかに周期性は存在せず且つ振幅が大きくなるため、ノイズ発生区間は実測値と代表値の差が大きな分散として顕著に現れる（図６）。また、特に、ノイズが発生しない通常状態では分散値が小さく、突発的にノイズが混入して分散値が大きくなったとしても、直ぐに小さい分散値に戻るため、ヒストグラムなどを形成することで小さい分散値に集中している集合を見つけることで、通常状態を定義しやすくなる。

開示の解析装置によれば、被験者に負担をかけることなく、周波数の変化が被験者の眠気によるものか否かを判定することができるという効果を奏する。

図１は、本実施例に係る解析装置の構成を示す機能ブロック図である。図２は、心拍信号データの一例を示す図である。図３は、心拍間隔算出部の処理を説明するための図である。図４は、代表値算出部の処理を説明するための図である。図５は、実測値と代表値との関係を示す図である。図６は、分散値の算出結果を示す図である。図７は、ヒストグラムの一例を示す図である。図８は、心拍間隔変動データの一例を示す図である。図９は、周波数とスペクトル密度との関係を示す図である。図１０は、眠気レベルを説明するための図である。図１１は、本実施例に係る解析装置の処理手順を示すフローチャートである。図１２は、眠気判定処理の処理手順の一例を示すフローチャートである。図１３は、自律神経活動を評価する技術の一例を示す図である。図１４は、解析プログラムを実行するコンピュータの一例を示す図である。

以下に、本願の開示する解析装置、解析プログラムおよび解析方法の実施例を図面に基づいて詳細に説明する。なお、この実施例によりこの発明が限定されるものではない。

本実施例に係る解析装置の構成について説明する。図１は、本実施例に係る解析装置の構成を示す機能ブロック図である。図１に示すように、この解析装置１００は、心拍検出部１１０、心拍間隔算出部１２０、代表値算出部１３０、解析部１４０、分散値記憶部１５０、スペクトル算出部１６０、眠気判定部１７０、表示部１８０を有する。

心拍検出部１１０は、被験者の心拍信号を検出する処理部である。心拍検出部１１０は、例えば、被験者に接触している電極に対して電圧を印加し、各電極の電位差から被験者の心拍信号を取得する。例えば、電極は車両のハンドルなどに設置されており、心拍検出部１１０は、被験者が運転している間に、被験者から心拍信号を検出しても良い。心拍検出部１１０は、心拍信号のデータを、心拍間隔算出部１２０に出力する。以下の説明において、心拍信号のデータを、心拍信号データと表記する。

図２は、心拍信号データの一例を示す図である。図２の横軸は時間を示し、縦軸は心拍信号の振幅を示す。図２に示すように、心拍信号データは、一定の周期で、振幅ピークが現れる。

心拍間隔算出部１２０は、心拍信号データに基づいて心拍信号の振幅ピークのタイミングをそれぞれ検出し、振幅ピークの各タイミングの間隔を検出する処理部である。図３は、心拍間隔算出部の処理を説明するための図である。図３において、横軸は時間を示し、縦軸は心拍信号の振幅を示す。図３の信号は、図２に示した心拍信号データの一部である。

心拍間隔算出部１２０は、心拍信号の振幅が閾値以上となるポイントを、振幅ピークとして検出する。図３に示す例では、心拍間隔算出部１２０は、振幅ピークＲ１、Ｒ２を検出する。そして、心拍間隔算出部１２０は、振幅ピークＲ１のタイミングと、振幅ピークＲ２との時間間隔を検出する。各振幅ピークの時間間隔を、心拍間隔と表記する。

心拍間隔算出部１２０は、順次心拍間隔を検出し、検出した心拍間隔のデータを、代表値算出部１３０およびスペクトル算出部１６０に出力する。以下の説明において、心拍間隔のデータを、心拍間隔データと表記する。なお、振幅ピークの検出方法は上述の方法に限るものではなく、例えば、心拍間隔算出部１２０は、心拍信号の微分係数が正から負に変わるゼロクロス点を使う方法、振幅波形につきパターンマッチングを行ってピークを検出する方法などを用いても構わない。

代表値算出部１３０は、心拍間隔データを基にして、心拍間隔の代表値を算出する処理部である。図４は、代表値算出部の処理を説明するための図である。図４の横軸は時間であり、縦軸は心拍間隔である。まず、代表値算出部１３０は、心拍間隔データを基にして、時間経過によって変動する心拍間隔のデータを生成する。時間経過によって変動する心拍間隔のデータを、心拍間隔変動データと表記する。

代表値算出部１３０は、ＡＲ（Autoregressive）モデルを利用して、一定区間内の心拍間隔変動データの心拍間隔との予測誤差が最小になる代表値を算出する。代表値算出部１３０は、心拍間隔変動データと代表値とを解析部１４０に出力する。

例えば、実測値Ｘ_ｎと、代表値Ｘ_ｎ’との関係は、式（１）によって表される。また、式（１）のＡ_１〜Ａ_ｍは、所定の係数である。実測値Ｘ_ｎの値は、心拍間隔変動データを利用する。式（２）は、予測誤差Ｕ_ｎ、実測値Ｘ_ｎと、代表値Ｘ_ｎ’の関係を示す式である。

Ｘ_ｎ’＝Ａ_１Ｘ_ｎ−１＋Ａ_２Ｘ_ｎ−２＋・・・＋Ａ_ｍＸ_ｎ−ｍ・・・（１）

Ｕ_ｎ＝Ｘ_ｎ−Ｘ_ｎ’・・・（２）

例えば、代表値算出部１３０は、Ａ_１〜Ａ_ｍの値を変化させながら、式（２）の予測誤差Ｕ_ｎの値が最小となるＡ_１〜Ａ_ｍを特定する。代表値算出部１３０は、特定したＡ_１〜Ａ_ｍの値を、式（１）に代入することで、代表値Ｘ_ｎ’を算出する。

図５は、実測値と代表値との関係を示す図である。図５において、横軸は時間を示し、縦軸は心拍間隔を示す。図５において破線１０ａは実測値を示し、実線１０ｂは代表値を示す。図５では一例として、実測値１０ａは、信号振幅２、周波数０．３３３３Ｈｚの正弦波である。信号とノイズとの振幅比は、１０：１である。

なお、ＡＲモデルは、非特許文献（佐藤俊輔、吉川昭、木竜徹、”生体信号処理の基礎”、コロナ社）などに開示されている。この非特許文献では、ある時点の状態を過去の時系列データの線形和で表すモデルであり、フーリエ変換と比較して少ないデータ数でも明瞭な極大点が得られるという特徴がある。

解析部１４０は、心拍間隔変動データと、代表値とを基にして、心拍信号データにノイズが発生しているか否かを判定する処理部である。ここで、ノイズは、例えば、被験者の体動等により発生するものである。以下において、解析部１４０の処理について具体的に説明する。解析部１４０は、分散値を算出する処理、ヒストグラムを生成する処理、ノイズが発生しているか否かを判定する処理を実行する。

解析部１４０が、分散値を算出する処理について説明する。解析部１４０は、所定区間内の心拍間隔変動データと、所定区間内の代表値とを基にして、所定区間内の分散値σ_ｎを算出する。例えば、式（３）により、分散値を算出する。式（３）において、Ｎは、所定区間内に含まれる実測値の数である。

σ_ｎ＝１／Ｎ＊ΣＵ_ｎ ^２・・・（３）

図６は、分散値の算出結果を示す図である。図６において、横軸は時間を示し、縦軸は分散値を示す。解析部１４０は、分散値の算出結果を、分散値記憶部１５０に記憶させる。分散値記憶部１５０は、分散値を記憶する記憶装置である。

解析部１４０が、ヒストグラムを生成する処理について説明する。解析部１４０は、分散値記憶部１５０を参照し、現在時刻から５分前までの分散値を基にして、ヒストグラムを生成する。図７は、ヒストグラムの一例を示す図である。図７において、横軸は分散値を示し、縦軸は頻度を示す。

解析部１４０は、ヒストグラムを基にして、分散値の最小値から所定の分散値までの範囲内を走査し、最頻値に対応する分散値を算出する。最頻値に対応する分散値を、基準分散値と表記する。例えば、図７において、走査対象の範囲を範囲２０とすると、最頻値は約８０となり、該最頻値に対応する基準分散値は２．５となる。例えば、範囲２０は、管理者が適宜設定可能である。

解析部１４０が、ノイズが発生しているか否かを判定する処理について説明する。解析部１４０は、現時間帯の心拍間隔変動データと代表値との分散値が、基準分散値の１．５倍の値以上である場合に、現時間帯にノイズが発生していると判定する。これに対して、解析部１４０は、現時間帯の心拍間隔変動データと代表値との分散値が、基準分散値の１．５倍未満の値未満である場合には、現時間帯においてノイズが発生していないと判定する。解析部１４０は、判定結果を眠気判定部１７０に出力する。

スペクトル算出部１６０は、心拍間隔データを基にして心拍間隔の変動に対するスペクトル密度を算出する処理部である。ここで、スペクトル算出部１６０の処理を具体的に説明する。まず、スペクトル算出部１６０は、心拍間隔データを基にして、時間経過によって変動する心拍間隔変動データを生成する。

図８は、心拍間隔変動データの一例を示す図である。図８において、横軸は時間を示し、縦軸は心拍間隔の大きさを示す。図８に示すように、心拍間隔は、時間変化に伴って変動している。

スペクトル算出部１６０は、心拍間隔変動データを基にして各周波数に対応するスペクトル密度を算出する。図９は、周波数とスペクトル密度との関係を示す図である。図９の横軸は周波数を示し、縦軸はスペクトル密度の大きさを示す。スペクトル算出部１６０は、各周波数に対応するスペクトル密度のデータを、眠気判定部１７０に出力する。以下の説明において、各周波数に対応するスペクトル密度のデータを、スペクトル密度データと表記する。

なお、スペクトル算出部１６０がスペクトル密度データを算出する方法はどのような方法を用いても構わない。例えば、スペクトル算出部１６０は、フーリエ変換を行うことで、スペクトル密度データを算出しても良い。

眠気判定部１７０は、スペクトル密度データと、解析部１４０の判定結果を基にして、眠気レベルを判定する処理部である。眠気判定部１７０は、判定結果を表示部１８０に出力する。

ノイズが発生していない場合の、眠気判定部１７０の処理について説明する。眠気判定部１７０は、スペクトル密度データを参照し、極大点に対するスペクトル密度の大きさと、極大点に対する周波数との関係から、眠気レベルを判定する。図９に示したように、複数の極大点３０ａ、３０ｂ、３０ｃ、３０ｄが存在する場合には、いずれか一つの極大点を利用する。

図１０は、眠気レベルを説明するための図である。図１０の横軸は周波数を示し、縦軸はスペクトル密度を示す。例えば、周波数とスペクトル密度とのグラフを５つの領域に分割し、それぞれ眠気レベルをＬｅｖｅｌ１〜Ｌｅｖｅｌ５とする。Ｌｅｖｅｌ５が最も眠たい状態であり、Ｌｅｖｅｌ１が最も眠たくない状態である。眠気判定部１７０は、極大点に対応する周波数とスペクトル密度との関係が、どの領域にふくまれるかにより、眠気レベルを判定する。例えば、極大点に対応する周波数とスペクトル密度との関係が、図１０の点３０に対応する場合には、眠気判定部１７０は、眠気レベルをＬｅｖｅｌ３と判定する。

ノイズが発生している場合の、眠気判定部１７０の処理について説明する。ノイズが発生している場合には、眠気判定部１７０は、ノイズが発生していない場合に判定した、直近の眠気レベルの判定結果を表示部１８０に出力する。

表示部１８０は、眠気判定部１７０が判定した眠気レベルを表示する表示装置である。例えば、表示部１８０は、ディスプレイやタッチパネルに対応する。

次に、本実施例に係る解析装置１００の処理手順について説明する。図１１は、本実施例に係る解析装置の処理手順を示すフローチャートである。例えば、図１１に示す処理は、心拍信号データを取得したことを契機にして実行される。

図１１に示すように、解析装置１００は、心拍信号データを取得し（ステップＳ１０１）、心拍間隔を検出する（ステップＳ１０２）。

解析装置１００は、分散値を算出し（ステップＳ１０３）、眠気判定処理を実行する（ステップＳ１０４）。解析装置１００は、ノイズが発生しているか否かを判定する（ステップＳ１０５）。

解析装置１００は、ノイズが発生していない場合には（ステップＳ１０５，Ｎｏ）、眠気レベルを出力し（ステップＳ１０６）、ステップＳ１０８に移行する。一方、解析装置１００は、ノイズが発生している場合には（ステップＳ１０５，Ｙｅｓ）、前回の眠気レベルを出力し、ステップＳ１０８に移行する。

解析装置１００は、処理が終了したか否かを判定する（ステップＳ１０８）。解析装置１００は、処理が終了していない場合には（ステップＳ１０８，Ｎｏ）、ステップＳ１０１に移行する。一方、解析装置１００は、処理が終了している場合には（ステップＳ１０８，Ｙｅｓ）、処理を終了する。

次に、図１１のステップＳ１０４に示した眠気判定処理の処理手順について説明する。図１２は、眠気判定処理の処理手順の一例を示すフローチャートである。図１２に示すように、解析装置１００は、ヒストグラムを生成し（ステップＳ２０１）、基準分散値を算出する（ステップＳ２０２）。

解析装置１００は、現在の心拍信号データに対応する分散値が、基準分散値よりも１．５倍以上大きいか否かを判定する（ステップＳ２０３）。解析装置１００は、現在の心拍信号データに対応する分散値が、基準分散値よりも１．５倍以上大きい場合には（ステップＳ２０３，Ｙｅｓ）、ノイズが発生していると判定する（ステップＳ２０４）。

一方、解析装置１００は、現在の心拍信号データに対応する分散値が、基準分散値よりも１．５倍未満の場合には（ステップＳ２０３，Ｎｏ）、スペクトル密度を算出する（ステップＳ２０５）。解析装置１００は、眠気レベルを判定する（ステップＳ２０６）。

次に、本実施例に係る解析装置１００の効果について説明する。解析装置１００は、心拍間隔データの代表値と心拍間隔データと基にして、心拍間隔が代表値から離れている度合いを解析し、心拍間隔が代表値から離れている度合いが大きい場合に、ノイズが発生していると判定する。一般的に、体動の影響を受けた心拍信号データの波形はランダムで大きく乱れる。これに対して、通常状態では、心拍信号データは一定の波形となる。このため、心拍間隔が代表値から離れている度合いが大きい場合には、体動などのノイズが発生しているといえる。また、解析装置１００は、センサーパッドを被験者に取り付けることをしない。したがって、解析装置１００によれば、被験者に負担をかけることなく、周波数の変化が被験者の眠気によるものか否かを判定することができる。

また、解析装置１００は、代表値と時間毎の心拍間隔とを基にして分散値を算出し、分散値を基にして、心拍信号にノイズが発生しているか否かを判定する。このため、センサーパッドを用いることなく、分散値により、心拍信号にノイズが発生しているか否かを正確に判定することができる。

また、解析装置１００は、ヒストグラムを生成して最頻値となる基準分散値を算出し、かかる基準分散値よりも大きい分散値を含む心拍信号にノイズが発生しているか否かを判定する。このため、ノイズが含まれる心拍信号とノイズが含まれない心拍信号とを正確に区別することができる。

また、解析装置１００は、ノイズ成分の含まれていない心拍信号を基にして、周波数毎のスペクトル密度を算出し、極大点となるスペクトル密度と該極大点に対する周波数の動きを基にして、眠気レベルを判定する。このため、被験者の体動の影響を受けることなく、眠気レベルを正確に判定することができる。

さて、これまで本発明の実施例について説明したが、本発明はその他の異なる形態にて実施されてよいものである。そこで、以下では、他の実施例を説明する。

本実施例では、ノイズが発生しているか否かの判定結果を基にして、眠気レベルを判定していたが、これに限定されるものではない。この他にも、ノイズ発生の判定結果を、各種の心拍信号を利用する技術に適用できる。

例えば、解析装置１００の技術は、自律神経活動を評価する技術に適用することができる。図１３は、自律神経活動を評価する技術の一例を示す図である。図１３の横軸は周波数を示し、縦軸はスペクトル密度を示す。自律神経を評価する技術では、低周波領域ＬＦと高周波領域ＨＦとに分割し、ＨＦの面積に対するＬＦの面積の比が、閾値以上となる場合に、被験者のストレスが大きいと判定する。例えば、かかる技術に、解析装置１００の技術を適用し、ノイズが発生いていない時点で、ストレスの大小を判定する用にしても良い。

なお、図１に示した分散値記憶部１５０は、ＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）、フラッシュメモリ（Flash Memory）などの半導体メモリ素子に対応する。または、分散値記憶部１５０は、ハードディスク、光ディスクなどの記憶装置に対応する。

また、図１に示した各処理部１１０、１２０、１３０、１４０、１６０、１７０は、例えば、ＡＳＩＣ（Application Specific Integrated Circuit）や、ＦＰＧＡ（Field Programmable Gate Array）などの集積装置に対応する。また、各処理部は、例えば、ＣＰＵやＭＰＵ（Micro Processing Unit）等の電子回路に対応する。

ところで、本実施例において説明した各処理のうち、自動的に行われるものとして説明した処理の全部または一部を手動的に行うこともでき、あるいは、手動的に行われるものとして説明した処理の全部あるいは一部を公知の方法で自動的に行うこともできる。この他、上記文書中や図面中で示した処理手順、制御手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。

また、実施例に示した解析装置１００の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。さらに、各装置にて行われる各処理機能は、その全部または任意の一部がＣＰＵおよび当該ＣＰＵにて解析実行されるプログラムにて実現され、あるいは、ワイヤードロジックによるハードウェアとして実現され得る。

図１４は、解析プログラムを実行するコンピュータの一例を示す図である。図１４に示すように、コンピュータ２００は、各種演算処理を実行するＣＰＵ２０１と、ユーザからのデータの入力を受け付ける入力装置２０２と、ディスプレイ２０３を有する。また、コンピュータ２００は、記憶媒体からプログラム等を読み取る読み取り装置２０４と、ネットワークを介して他のコンピュータとの間でデータの授受を行うインターフェース装置２０５とを有する。また、コンピュータ２００は、被験者の心拍信号を検出する心拍検出装置２０６を有する。また、コンピュータ２００は、各種情報を一時記憶するＲＡＭ２０７と、ハードディスク装置２０８を有する。そして、各装置２０１〜２０８は、バス２０９に接続される。

ハードディスク装置２０８は、例えば、心拍間隔算出プログラム２０８ａ、代表値算出プログラム２０８ｂ、解析プログラム２０８ｃ、スペクトル算出プログラム２０８ｄ、眠気判定プログラム２０８ｅを有する。ＣＰＵ２０１は、各プログラム２０８ａ〜２０８ｅを読み出して、ＲＡＭ２０７に展開する。

心拍間隔算出プログラム２０８ａは、心拍間隔算出プロセス２０７ａとして機能する。代表値算出プログラム２０８ｂは、代表値算出プロセス２０７ｂとして機能する。解析プログラム２０８ｃは、解析プロセス２０７ｃとして機能する。スペクトル算出プログラム２０８ｄは、スペクトル算出プロセス２０７ｄとして機能する。眠気判定プログラム２０８ｅは、眠気判定プロセス２０７ｅとして機能する。

例えば、心拍間隔算出プロセス２０７ａは、心拍間隔算出部１２０に対応する。代表値算出プロセス２０７ｂは、代表値算出部１３０に対応する。解析プロセス２０７ｃは、解析部１４０に対応する。スペクトル算出プロセス２０７ｄは、スペクトル算出部１６０に対応する。眠気判定プロセス２０７ｅは、眠気判定部１７０に対応する。

なお、各プログラム２０８ａ〜２０８ｅについては、必ずしも最初からハードディスク装置２０８に記憶させておかなくてもよい。例えば、コンピュータ２００に挿入されるフレキシブルディスク（ＦＤ）、ＣＤ−ＲＯＭ、ＤＶＤディスク、光磁気ディスク、ＩＣカードなどの「可搬用の物理媒体」に各プログラムを記憶させておく。そして、コンピュータ２００がこれらから各プログラム２０８ａ〜２０８ｅを読み出して実行するようにしてもよい。

以上の各実施例を含む実施形態に関し、さらに以下の付記を開示する。

（付記１）被験者の心拍信号から時間毎の心拍間隔を算出する心拍間隔算出部と、
前記時間毎の心拍間隔に基づいて、各時間における心拍間隔から予想される次の心拍間隔を代表値として特定する代表値算出部と、
前記代表値と、前記時間毎の心拍間隔とを基にして、心拍間隔が前記代表値から離れている度合いを解析する解析し、解析結果に基づいて、心拍信号にノイズが発生しているか否かを判定する解析部と
を有することを特徴とする解析装置。

（付記２）前記解析部は、前記代表値と、前記時間毎の心拍間隔とを基にして分散値を算出し、分散値を基にして、心拍信号にノイズが発生しているか否かを判定することを特徴とする付記１に記載の解析装置。

（付記３）前記解析部は、分散値と分散値の頻度とを対応付けた度数分布データを生成し、該度数分布データを基にして、分散値の最小値から所定の分散値までの範囲内で、最頻値となる分散値を算出し、最頻値となる分散値よりも大きい分散値を含む心拍信号にノイズ成分が発生していると判定すること特徴とする付記２に記載の解析装置。

（付記４）前記ノイズ成分の含まれていない心拍信号を基にして、周波数解析を実行し、周波数毎のスペクトル密度を算出し、算出結果を基にして、極大となるスペクトル密度と該極大に対する周波数の動きを基にして、眠気レベルを判定する眠気判定部を更に有することを特徴とする付記２または３に記載の解析装置。

（付記５）コンピュータに、
被験者の心拍信号から時間毎の心拍間隔を算出し、
前記時間毎の心拍間隔に基づいて、各時間における心拍間隔から予想される次の心拍間隔を代表値として特定し、
前記代表値と、前記時間毎の心拍間隔とを基にして、心拍間隔が前記代表値から離れている度合いを解析する解析し、解析結果に基づいて、心拍信号にノイズが発生しているか否かを判定する
各処理を実行させることを特徴とする解析プログラム。

（付記６）前記解析する処理は、前記代表値と、前記時間毎の心拍間隔とを基にして分散値を算出し、分散値を基にして、心拍信号にノイズが発生しているか否かを判定することを特徴とする付記５に記載の解析プログラム。

（付記７）前記解析する処理は、分散値と分散値の頻度とを対応付けた度数分布データを生成し、該度数分布データを基にして、分散値の最小値から所定の分散値までの範囲内で、最頻値となる分散値を算出し、最頻値となる分散値よりも大きい分散値を含む心拍信号にノイズ成分が発生していると判定すること特徴とする付記６に記載の解析プログラム。

（付記８）前記ノイズ成分の含まれていない心拍信号を基にして、周波数解析を実行し、周波数毎のスペクトル密度を算出し、算出結果を基にして、極大となるスペクトル密度と該極大に対する周波数の動きを基にして、眠気レベルを判定する処理を更に実行させることを特徴とする付記６または７に記載の解析プログラム。

（付記９）コンピュータが実行する解析方法であって、
被験者の心拍信号から時間毎の心拍間隔を算出し、
前記時間毎の心拍間隔に基づいて、各時間における心拍間隔から予想される次の心拍間隔を代表値として特定し、
前記代表値と、前記時間毎の心拍間隔とを基にして、心拍間隔が前記代表値から離れている度合いを解析する解析し、解析結果に基づいて、心拍信号にノイズが発生しているか否かを判定する
各処理を実行することを特徴とする解析方法。

（付記１０）前記解析する処理は、前記代表値と、前記時間毎の心拍間隔とを基にして分散値を算出し、分散値を基にして、心拍信号にノイズが発生しているか否かを判定することを特徴とする付記９に記載の解析方法。

（付記１１）前記解析する処理は、分散値と分散値の頻度とを対応付けた度数分布データを生成し、該度数分布データを基にして、分散値の最小値から所定の分散値までの範囲内で、最頻値となる分散値を算出し、最頻値となる分散値よりも大きい分散値を含む心拍信号にノイズ成分が発生していると判定すること特徴とする付記１０に記載の解析方法。

（付記１２）前記ノイズ成分の含まれていない心拍信号を基にして、周波数解析を実行し、周波数毎のスペクトル密度を算出し、算出結果を基にして、極大となるスペクトル密度と該極大に対する周波数の動きを基にして、眠気レベルを判定する処理を更に実行することを特徴とする付記１０または１１に記載の解析方法。

１１０心拍検出部
１２０心拍間隔算出部
１３０代表値算出部
１４０解析部
１５０分散値記憶部
１６０スペクトル算出部
１７０眠気判定部
１８０表示部

Claims

被験者の心拍信号から時間毎の心拍間隔を算出する心拍間隔算出部と、
前記時間毎の心拍間隔に基づいて、各時間における心拍間隔から予想される次の心拍間隔を代表値として特定する代表値算出部と、
前記代表値と、前記時間毎の心拍間隔とを基にして、心拍間隔が前記代表値から離れている度合いを解析する解析し、解析結果に基づいて、心拍信号にノイズが発生しているか否かを判定する解析部と
を有することを特徴とする解析装置。
前記解析部は、前記代表値と、前記時間毎の心拍間隔とを基にして分散値を算出し、分散値を基にして、心拍信号にノイズが発生しているか否かを判定することを特徴とする請求項１に記載の解析装置。
前記解析部は、分散値と分散値の頻度とを対応付けた度数分布データを生成し、該度数分布データを基にして、分散値の最小値から所定の分散値までの範囲内で、最頻値となる分散値を算出し、最頻値となる分散値よりも大きい分散値を含む心拍信号にノイズ成分が発生していると判定すること特徴とする請求項２に記載の解析装置。
前記ノイズ成分の含まれていない心拍信号を基にして、周波数解析を実行し、周波数毎のスペクトル密度を算出し、算出結果を基にして、極大となるスペクトル密度と該極大に対する周波数の動きを基にして、眠気レベルを判定する眠気判定部を更に有することを特徴とする請求項２または３に記載の解析装置。
コンピュータに、
被験者の心拍信号から時間毎の心拍間隔を算出し、
前記時間毎の心拍間隔に基づいて、各時間における心拍間隔から予想される次の心拍間隔を代表値として特定し、
前記代表値と、前記時間毎の心拍間隔とを基にして、心拍間隔が前記代表値から離れている度合いを解析する解析し、解析結果に基づいて、心拍信号にノイズが発生しているか否かを判定する
各処理を実行させることを特徴とする解析プログラム。
コンピュータが実行する解析方法であって、
被験者の心拍信号から時間毎の心拍間隔を算出し、
前記時間毎の心拍間隔に基づいて、各時間における心拍間隔から予想される次の心拍間隔を代表値として特定し、
前記代表値と、前記時間毎の心拍間隔とを基にして、心拍間隔が前記代表値から離れている度合いを解析する解析し、解析結果に基づいて、心拍信号にノイズが発生しているか否かを判定する
各処理を実行することを特徴とする解析方法。