JP2015112423A - てんかん性発作兆候検知装置、てんかん性発作兆候検知モデル生成装置、てんかん性発作兆候検知方法、てんかん性発作兆候検知モデル生成方法、てんかん性発作兆候検知プログラムおよびてんかん性発作兆候検知モデル生成プログラム - Google Patents

Abstract

【課題】容易にてんかん性発作の兆候の検知できるてんかん性発作兆候検知装置を提供する。
【解決手段】情報処理装置１４は、演算処理部を備える。被検者Ｐの心電信号から生成されたＲＲＩデータを取得し、心拍に関する複数種類のＨＲＶ指標それぞれについてのＨＲＶ指標値を示す複数のＨＲＶ指標データを生成する。演算処理部は、複数種類のＨＲＶ指標それぞれについてのＨＲＶ指標値からＴ２統計量およびＱ統計量を算出する所定の発作兆候検知モデルを用いて、複数のＨＲＶ指標データから算出されるＴ２統計量およびＱ統計量に基づいて、てんかん性発作の兆候の有無を識別する。発作兆候検知モデルは、発作間欠期における心電信号から生成されたＲＲＩデータに基づいて生成された、心拍に関する複数種類のＨＲＶ指標それぞれについてのＨＲＶ指標値を示す複数のＨＲＶ指標データについて主成分分析を行うことにより生成されたものである。
【選択図】図１

Description

本発明は、てんかん性発作兆候検知装置、てんかん性発作兆候検知モデル生成装置、てんかん性発作兆候検知方法、てんかん性発作兆候検知モデル生成方法、てんかん性発作兆候検知プログラムおよびてんかん性発作兆候検知モデル生成プログラムに関する。

従来、被検者について計測した心拍パターンからてんかん性発作の兆候を予測する装置が提案されている（例えば、特許文献１参照）。特許文献１では、てんかん性発作を予測するものとして知られている心拍パターンを記憶しておき、記憶した心拍パターンと計測して得た心拍パターンとの比較結果に基づいててんかん性発作の兆候を検知する。

特表２００９−５１９８０３号公報

しかしながら、実際には、てんかん性発作を予測する心拍パターンは知られていない。また、上記特許文献に記載された技術では、てんかん性発作を予測する心拍パターンを示すデータが必須となる。
また、被検者の心拍データ計測中にてんかん性発作が起きる頻度は少なく、てんかん性発作を予測する心拍パターン（てんかん性発作の兆候を示す心拍パターン）を取得することは困難であるという実態がある。

本発明は、上記事由に鑑みてなされたものであり、容易にてんかん性発作の兆候を検知できるてんかん性発作兆候検知装置、てんかん性発作兆候検知方法およびてんかん性発作兆候検知プログラムを提供することを目的とする。

（１）本発明に係るてんかん性発作兆候検知装置は、被検者の心電信号から生成されたサンプルデータを取得する取得部と、前記サンプルデータに基づいて心拍に関する複数種類の指標それぞれについての指標値を示す複数の第１指標データを生成する指標データ生成部と、前記複数種類の指標それぞれについての指標値から少なくとも１つの管理値を算出する所定の発作兆候検知モデルを用いて、前記複数の第１指標データから算出される前記管理値に基づいて、てんかん性発作の兆候の有無を識別する識別器と、を備え、前記発作兆候検知モデルは、発作間欠期における心電信号から生成されたサンプルデータに基づいて生成された、心拍に関する前記複数種類の指標それぞれについての指標値を示す複数の第２指標データについて主成分分析を行うことにより生成されたものである。

てんかん性発作患者にてんかん性発作が起きる頻度は少なく、てんかん性発作患者にてんかん性発作の兆候が現れている状態におけるサンプルデータを取得することは困難であるという実態がある。従って、このてんかん性発作の兆候が現れている状態におけるサンプルデータから第２指標データを生成するのも当然困難となる。
これに対して、本構成によれば、発作兆候検知モデルが、発作間欠期（てんかん性発作が起きていない状態）における第２指標データについて主成分分析を行うことにより生成される。つまり、発作兆候検知モデルの生成に際して、てんかん性発作の兆候が現れている状態における第２指標データは不要なので、その分、発作兆候検知モデルを比較的容易に生成できる。そして、発作兆候検知モデルを比較的容易に生成できることにより、てんかん性発作の兆候の検知を容易に行うことができる。

また、本構成によれば、識別器が、発作兆候検知モデルを用いることにより、被検者についての第１指標データ間の相関関係を考慮して、てんかん性発作の兆候の有無を識別することが可能となる。従って、例えば第１指標データそれぞれについて個別にてんかん性発作の兆候の検知を行う構成に比べて、第１指標データ間の相関関係を考慮できる分、てんかん性発作の兆候を精度良く検知することができる。

（２）また、本発明に係るてんかん性発作兆候検知装置は、上記発作兆候検知モデルが、複数のてんかん性発作患者について得られた上記複数の第２指標データについて主成分分析を行うことにより生成されたものであってもよい。
本構成によれば、複数のてんかん性発作患者について得られた第２指標データを用いることにより、発作兆候検知モデルの汎用性が高まる。

（３）また、本発明に係るてんかん性発作兆候検知装置は、上記指標データ生成部が、所定幅の時間窓に含まれる上記サンプルデータに基づいて生成される複数種類の心拍に関する指標についての指標値を、時間窓に含まれるサンプルデータの大きさを反映した値を用いて正規化することにより、上記第１指標データを生成するよう構成されているものであってもよい。
本構成によれば、時間窓に含まれるサンプルデータの大きさを反映した値を用いて正規化することにより、第１指標データにおける被検者間での個人差を低減することができる。また、第１指標データとして、時間窓に含まれるＲＲＩデータに関する統計的な指標値から構成されるデータを採用することができる。

（４）また、本発明に係るてんかん性発作兆候検知装置は、上記取得部が、心電信号から得られる心電信号から得られる時間的に等間隔に並んでいない経時データについて、補間処理を行うことにより、時間的に等間隔に並んだ前記サンプルデータを生成するよう構成されているものであってもよい。
本構成によれば、サンプルデータとして時間的に等間隔に並んだデータを得ることができるので、時間窓を用いた第１指標データの生成が可能となる。

（５）また、本発明に係るてんかん性発作兆候検知装置は、上記識別器が、上記発作兆候検知モデルを用いて、第１時刻における第１指標データと、第１時刻よりも過去の第２時刻における第１指標データとから算出される上記管理値に基づいて、てんかん性発作の兆候の有無を識別するよう構成されているものであってもよい。
本構成によれば、識別器は、第１指標データの経時変化が考慮された管理値を算出することができるので、てんかん性発作の兆候が生じた場合に特有の第１指標データの経時変化を捉えることができる。従って、てんかん性発作の兆候を精度良く識別することが可能となる。

（６）また、本発明に係るてんかん性発作兆候検知装置は、上記サンプルデータが、被検者の心電信号から生成されたＲ波の間隔を示すＲＲＩデータであってもよい。
本構成によれば、心拍の変動を的確に把握することができる。

（７）また、本発明に係るてんかん性発作兆候検知装置は、上記指標データ生成部が、所定幅の時間窓に含まれる上記ＲＲＩデータに対応するパワースペクトルを算出し、算出したパワースペクトルにおける第１周波数帯域の値と、パワースペクトルにおける第１周波数帯域よりも低周波数側の第２周波数帯域の値とを第１指標データとして生成するよう構成されているものであってもよい。
本構成によれば、時間窓に含まれるＲＲＩデータのゆらぎ成分を捉えることが可能となる。これにより、自律神経系によって制御されている心拍数変動に特有のゆらぎ成分を指標とすることができるので、自律神経系に関連するてんかん性発作の兆候の検知精度向上を図ることができる。

（８）また、本発明に係るてんかん性発作兆候検知装置は、上記第１周波数帯域が、０．１５Ｈｚ〜０．４Ｈｚであってもよい。
ところで、呼吸周波数と同じ周波数である、０．１５Ｈｚ〜０．４Ｈｚの成分は、略副交感神経系の活動性のみを反映している。このことから、本構成によれば、てんかん性発作の兆候が現れることに伴う副交感神経系の活動性の変動を捉えることができるので、その分、てんかん性発作の兆候の検知精度向上を図ることができる。

（９）また、本発明に係るてんかん性発作兆候検知装置は、上記第２周波数帯域が、０．０４Ｈｚ〜０．１５Ｈｚであってもよい。
ところで、約１０秒の周期をもつ０．０４〜０．１５Ｈｚの成分は、交感神経系と副交感神経系の両方の活動性を反映している。このことから、本構成によれば、てんかん性発作の兆候が現れることに伴う交換神経系と副交感神経系の両方の活動性の変動を捉えることができるので、その分、てんかん性発作の兆候の検知精度向上を図ることができる。

（１０）また、本発明に係るてんかん性発作兆候検知装置は、上記発作兆候検知モデルは、上記第１指標データが入力されると、第１指標データについて主成分分析を行うことにより算出される主成分得点および予測誤差からＴ２統計量およびＱ統計量を管理値として算出し、上記識別器が、Ｔ２統計量およびＱ統計量の少なくとも一方が上記管理領域を外れた場合、てんかん性発作の兆候が有ると識別する。
本構成によれば、識別器が、Ｔ２統計量およびＱ統計量それぞれに対する管理領域を設定し、Ｔ２統計量およびＱ統計量それぞれを独立して監視する。これにより、例えばＴ２統計量のみで指標データの変動を監視する構成とは異なり、てんかん性発作の兆候が現れたことに伴う、指標データ間の相関関係の変化を検知することができる。従って、てんかん性発作の兆候の検知精度向上を図ることができる。

（１１）また、本発明に係るてんかん性発作兆候検知装置は、上記発作兆候検知モデルが、上記第１指標データが入力されると、上記第１指標データについて主成分分析を行うことにより算出される主成分得点を、所定の非線形写像に基づいて特徴量に変換し、当該特徴量が所定の特徴量管理領域内である場合、上記管理値として第１値を出力し、特徴量が特徴量管理領域外である場合、管理値として第２値を出力し、上記識別器が、管理値が第２値である場合、てんかん性発作の兆候が有ると識別するよう構成されているものであってもよい。
本構成によれば、発作兆候検知モデルから出力される管理値が二値化されているので、識別器における、てんかん性発作の兆候の有無を識別する識別処理の簡素化を図ることができる。

（１２）他の観点から見た本発明に係るてんかん性発作兆候検知モデル生成装置は、発作間欠期におけるてんかん性発作患者の心電信号から生成されたサンプルデータに基づいて、心拍に関する複数種類の指標それぞれについての指標値を示す複数の指標データを生成する指標データ生成部と、複数の指標データについて主成分分析を行うことにより、複数種類の指標それぞれについての指標値から少なくとも１つの管理値を算出する所定の発作兆候検知モデルを生成するモデル生成部と、を備える。

てんかん性発作患者にてんかん性発作が起きる頻度は少なく、てんかん性発作患者にてんかん性発作の兆候が現れている状態におけるサンプルデータを取得することは困難であるという実態がある。従って、このてんかん性発作の兆候が現れている状態におけるサンプルデータから第２指標データを生成するのも当然困難となる。
これに対して、本構成によれば、発作兆候検知モデルが、発作間欠期における第２指標データについて主成分分析を行うことにより生成される。つまり、発作兆候検知モデルの生成に際して、てんかん性発作の兆候が現れている状態における第２指標データは不要なので、その分、発作兆候検知モデルを比較的容易に生成できる。そして、発作兆候検知モデルを比較的容易に生成できることにより、てんかん性発作の兆候の検知を容易に行うことができる。

（１３）他の観点から見た本発明に係るてんかん性発作兆候検知方法は、被検者の心電信号から生成されたサンプルデータを取得するステップと、サンプルデータに基づいて心拍に関する複数種類の指標それぞれについての指標値を示す複数の第１指標データを生成するステップと、複数種類の指標それぞれについての指標値から少なくとも１つの管理値を算出する所定の発作兆候検知モデルを用いて、複数の第１指標データから算出される管理値に基づいて、てんかん性発作の兆候の有無を識別するステップと、を含み、発作兆候検知モデルが、発作間欠期における心電信号から生成されたサンプルデータに基づいて生成された、心拍に関する前記複数種類の指標それぞれについての指標値を示す複数の第２指標データについて主成分分析を行うことにより生成されたものである。

（１４）他の観点から見た本発明に係るてんかん性発作兆候検知モデル生成方法は、発作間欠期におけるてんかん性発作患者の心電信号から生成されたサンプルデータに基づいて、複数種類の心拍に関する指標となる指標データを生成するステップと、指標データについて主成分分析を行うことにより発作兆候検知モデルを生成するステップと、を含む。

（１５）他の観点から見た本発明にかかるてんかん性発作兆候検知プログラムは、被検者のてんかん性発作の兆候を検知するてんかん性発作兆候検知処理をコンピュータにより実現させるてんかん性発作兆候検知プログラムであって、てんかん性発作兆候検知処理は、被検者の心電信号から生成されたサンプルデータを取得するステップと、サンプルデータに基づいて心拍に関する複数種類の指標それぞれについての指標値を示す複数の第１指標データを生成するステップと、複数種類の指標それぞれについての指標値から少なくとも１つの管理値を算出する所定の発作兆候検知モデルを用いて、前記複数の第１指標データから算出される管理値に基づいて、てんかん性発作の兆候の有無を識別するステップとを含み、発作兆候検知モデルが、発作間欠期における心電信号から生成されたサンプルデータに基づいて生成された、心拍に関する複数種類の指標それぞれについての指標値を示す複数の第２指標データについて主成分分析を行うことにより生成されたものである。

（１６）他の観点から見た本発明に係るてんかん性発作兆候検知モデル生成プログラムは、被検者のてんかん性発作の兆候を検知するために用いるてんかん性発作兆候検知モデル生成処理をコンピュータにより実現させるてんかん性発作兆候検知モデル生成プログラムであって、てんかん性発作兆候検知モデル生成処理は、発作間欠期（てんかん性発作が生じていない状態）におけるてんかん性発作患者の心電信号から生成されたサンプルデータに基づいて、複数種類の心拍に関する指標となる指標データを生成するステップと、前記指標データについて主成分分析を行うことにより発作兆候検知モデルを生成するステップと、を含む。

本発明によれば、容易かつ精度良くてんかん性発作の兆候が検知できる。

実施形態１に係るてんかん発作兆候検知システムの概略構成図である。 実施形態１に係る情報処理装置のブロック図である。 （ａ）は、心電信号の一例を示し、（ｂ）は、（ａ）に示す心電信号に対応するＲ波データを示す。 実施形態１に係るＲＲＩデータの一例を示し、（ａ）は被検者Ｐにストレスが加わっている場合、（ｂ）は被検者Ｐにストレスが加わっていない場合を示す。 実施形態１に係る演算処理部のモデル構築動作を示すフローチャートである。 実施形態１に係るパワースペクトルの一例を示し、（ａ）は健常者にストレスが加わっている場合、（ｂ）は健常者にストレスが加わっていない場合を示す。 実施形態１に係る、てんかん性発作の発作起始前と発作起始後の複数種類のＨＲＶ指標データの一例を示す図である。 実施形態１に係る、てんかん性発作が起きていない状態における複数種類のＨＲＶ指標データの一例を示す図である。 実施形態１に係る演算処理部のＨＲＶ指標データ生成処理における動作を示すフローチャートである。 実施形態１に係る演算処理部が、ＲＲＩデータから、各ＨＲＶ指標データを生成する動作の動作説明図である。 （ａ）は、２つの変数（変数１、変数２）と２つの主成分（第１主成分、第２主成分）との関係を示す図であり、（ｂ）は、２つの変数および２つの主成分とＴ２値との関係を示す図であり、（ｃ）は、第１主成分と第２主成分と予測誤差との関係を示す図である。 実施形態１に係る演算処理部１４３の発作検知動作を示すフローチャートである。 第１主成分、第２主成分および予測誤差と、管理領域との関係を示す概念図である。 てんかん性発作患者について発作起始前と発作起始後のＴ２統計量およびＱ統計量の時間プロファイルを示す図である。 発作間欠期のてんかん性発作患者についてのＴ２統計量およびＱ統計量の時間プロファイルを示す図である。 実施形態２に係る演算処理部１４３のモデル構築動作を示すフローチャートである。 ２次元のデータと、当該２次元のデータを、非線形写像を用いて写像した２次元の特徴量空間との関係を示す概念図である。 実施形態２に係る演算処理部１４３の発作検知動作を示すフローチャートである。 てんかん性発作患者について発作起始前と発作起始後の判定値の時間プロファイルを示す図である。 発作間欠期のてんかん性発作患者についての判定値の時間プロファイルを示す図である。 てんかん性発作患者について発作起始前と発作起始後のＴ２統計量およびＱ統計量の時間プロファイルを示す図である。 発作間欠期のてんかん性発作患者についてのＴ２統計量およびＱ統計量の時間プロファイルを示す図である。 てんかん性発作患者について発作起始前と発作起始後の判定値の時間プロファイルを示す図である。 発作間欠期のてんかん性発作患者についての判定値の時間プロファイルを示す図である。

＜実施形態１＞
＜１＞構成
図１は、本実施形態に係るてんかん発作兆候検知システムの概略構成図である。

てんかん発作兆候検知システムは、Ｒ波検出器１２と、情報処理装置１４と、を備える。
Ｒ波検出器１２は、被検者Ｐについて計測した心電信号からＲ波を抽出し、抽出したＲ波を示す信号を無線送信する。また、Ｒ波検出器１２には、被検者Ｐの体表に取り付けられる複数（図１では３つ）の電極１６が接続されている。ここで、３つの電極１６は、例えばプラス電極と、マイナス電極と、接地電極とから構成される。このＲ波検出器１２は、例えば、特開２０１１−２５５０５１号公報に記載されているＲ波検出器と同じ構成とすることができる。

情報処理装置１４は、てんかん性発作の兆候を検知するてんかん性発作兆候検知装置として機能するとともに、後述の発作兆候検知モデルを生成するてんかん性発作兆候検知モデル生成装置としても機能する。
情報処理装置１４は、Ｒ波検出器１２から送信されるＲ波を示す信号に基づいて、Ｒ波間隔（以下、「ＲＲＩ（Ｒ−Ｒ Ｉｎｔｅｒｖａｌ）」と称する。）を示すＲＲＩデータを取得することができる。

図２は、本実施形態に係る情報処理装置１４のブロック図である。
情報処理装置１４は、通信部１４１と、ＲＲＩ算出部１４２と、演算処理部１４３と、報知部１４４と、ユーザが情報処理装置１４の電源投入または電源オフの操作を行うための操作部（図示せず）と、を備える。
通信部１４１は、例えば、Ｒ波検出器１２から送信されたＲ波を示す無線信号を受信し、受信した無線信号からＲ波を示すデータを生成してＲＲＩ算出部１４２へ入力する。ここで、Ｒ波を示すデータとしては、例えば、Ｒ波を示す信号の振幅が所定の閾値電圧以上か否かに応じて値が「０」または「１」をとるデジタルデータ（以下、「Ｒ波データ」と称する。）が挙げられる。この場合、通信部１４１は、例えば、受信器からノイズフィルタを通じて取得した信号の振幅と所定の閾値電圧との比較結果に応じて出力が変動するコンパレータを備える構成とすることができる。

ＲＲＩ算出部１４２は、例えば専用のマイクロコンピュータから構成される。ＲＲＩ算出部１４２は、例えば通信部１４１から取得したＲ波データに基づいて、Ｒ波の間隔を示すＲＲＩ変数の時系列データであるＲＲＩデータを生成する。
図３（ａ）は、心電信号の一例を示し、図３（ｂ）は、図３（ａ）に示す心電信号に対応するＲ波データを示す。図３に示すように、Ｒ波データは、心電信号におけるＲ波に対応する期間（信号強度Ｉが所定の強度閾値Ｉｔｈを超える期間）が「１」に設定され、それ以外の期間が「０」に設定された矩形パルス列を表すデータである。そして、ＲＲＩ算出部１４２は、例えばこのＲ波データから、時間的に隣り合う２つの矩形パルスの立下り時刻の時間間隔をＲＲＩ変数として算出し、算出した当該ＲＲＩ変数を時系列に並べることにより、ＲＲＩデータを生成する。

図４は、本実施形態に係るＲＲＩデータの一例を示し、（ａ）は被検者Ｐにストレスが加わっている場合、（ｂ）は被検者Ｐにストレスが加わっていない場合を示す。なお、図４（ａ）および（ｂ）の横軸は、心拍の順番を表す。ここで、「被検者Ｐにストレスが加わっている場合」とは、例えば被検者Ｐが運動や作業をしている最中に相当する。また、「被検者Ｐにストレスが加わっていない場合」とは、例えば被検者Ｐが安静にしている最中に相当する。また、図４（ａ）および（ｂ）は、いずれも被検者Ｐにてんかん性発作の兆候がなく、正常な状態で取得したＲＲＩデータを示している。
図４（ａ）および（ｂ）に示すように、ＲＲＩデータは、被検者Ｐにストレスが加わっていない場合、７００ｍｓ〜９５０ｍｓの範囲内で周期的に変化している。これに対し、被検者Ｐにストレスが加わっている場合、比較的高い値（８００ｍｓ〜１０００ｍｓ）で推移する。このように、被検者Ｐにてんかん性発作の兆候がなく、被検者Ｐが通常に行動している場合であっても、ＲＲＩデータの時間プロファイルは大きく変わり得る。
また、ＲＲＩ算出部１４２は、算出したＲＲＩデータを演算処理部１４３へ入力する。

演算処理部１４３は、例えばＣＰＵとメモリとを含んで構成される。メモリは、ＲＲＩデータ記憶部と、発作兆候検知モデル記憶部と、プログラム記憶部とを含んで構成されている。ここで、ＲＲＩデータ記憶部は、ＲＲＩデータを記憶する。発作兆候検知モデル記憶部は、後述の発作兆候検知モデルを記憶する。プログラム記憶部は、後述のモデル構築動作およびてんかん性発作検知動作を実現するための所定のプログラムを記憶している。そして、演算処理部１４３では、ＣＰＵがプログラム記憶部に記憶された所定のプログラムを実行することにより後述の各種動作を行うことができる。また、プログラム記憶部および発作兆候検知モデル記憶部は、例えばＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）から構成され、ＲＲＩデータ記憶部がＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）から構成されるものであってもよい。

演算処理部１４３は、ＲＲＩ算出部１４２から入力されるＲＲＩデータをメモリのＲＲＩデータ記憶部に格納する。演算処理部１４３は、ＲＲＩデータを取得し、取得したＲＲＩデータに基づいて被検者の心拍に関する指標となる複数種類の指標データを生成し、生成した複数種類の指標データに基づいて、てんかん性発作の兆候の有無を識別する。即ち、演算処理部１４３は、ＲＲＩデータを取得する取得部、ＲＲＩデータに基づいて複数種類のＨＲＶ指標データを生成する指標データ生成部および複数種類の指標データから得られる管理値に基づいて、てんかん性発作の兆候の有無を識別する識別器、として機能する。
そして、演算処理部１４３は、てんかん性発作の兆候が有ると判定すると、報知部１４４を駆動させるための駆動信号を報知部１４４へ入力する。なお、この演算処理部１４３の動作の詳細は後述する。

報知部１４４は、例えばスピーカ等から構成され、演算処理部１４３から駆動信号が入力されると鳴動する。なお、報知部１４４は、スピーカ等の限定されるものではなく、例えば、光を点滅させることにより被検者Ｐやその周囲の人にてんかん発作の兆候を視覚的に報知する構成であってもよい。

＜２＞動作
次に、本実施形態に係る演算処理部１４３の動作について説明する。
本実施形態に係る演算処理部１４３は、多変量統計的プロセス管理（ＭＳＰＣ: Ｍｕｌｔｉｖａｒｉａｔｅ Ｓｔａｔｉｓｔｉｃ Ｐｒｏｃｅｓｓ Ｃｏｎｔｒｏｌ）を利用した識別器として機能する。ここでは、てんかん性発作の兆候の検知に必要なモデルを構築するモデル構築動作と、構築したモデルを用いて発作の兆候を検知する発作兆候検知動作とに分けて説明する。

＜２−１＞モデル構築動作
初めに、演算処理部１４３が発作兆候検知モデルを生成するてんかん性発作兆候検知モデル生成装置の機能を実現する場合の動作（モデル構築動作）について説明する。ここにおいて、演算処理部１４３では、ＣＰＵがプログラム記憶部に記憶されたてんかん性発作兆候検知モデル生成プログラムを実行する。
ここでは、演算処理部１４３が、複数のてんかん性発作患者のてんかん性発作の発作間欠期（てんかん性発作が起きていない状態）におけるＲＲＩデータを用いてモデル構築動作を行う。ここにおいて、てんかん性発作患者はＮ人存在するとし、各人に番号ｎ（ｎ＝１，２，・・・，Ｎ）が付与されているものとする。
図５は、本実施形態に係る演算処理部１４３のモデル構築動作を示すフローチャートである。
まず、演算処理部１４３は、てんかん性発作患者それぞれに付与された番号ｎを「１」に設定する（ステップＳ１１）。

次に、演算処理部１４３は、ｎ番目のてんかん性発作患者についてＲＲＩデータを取得する（ステップＳ１２）。ここでは、演算処理部１４３が、メモリに格納されたＲＲＩデータを再構築する。具体的には、演算処理部１４３は、まず、ＲＲＩ算出部１４２から入力されたＲ波を示すデータについて、Ｒ波が検出された第１時刻と、直前にＲ波が検出された第２時刻との間の時間間隔を、上記第１時刻におけるＲＲＩ値として算出していく。これにより、ＲＲＩ値の経時変化を示すデータが生成される。その後、演算処理部１４３は、ＲＲＩ値の経時変化を示すデータについてスプライン補間を行い等間隔にサンプリングすることで、時間的に等間隔に並んだＲＲＩ値の経時変化を示すデータをＲＲＩデータとして生成する。

つまり、演算処理部１４３が、心電信号から得られる時間間隔が異なる経時データについて、スプライン補間（補間処理）を行い等間隔にサンプリングすることにより、時間的に等間隔に並んだＲＲＩデータを生成する。

これにより、ＲＲＩデータとして時間的に等間隔に並んだデータを得ることができるので、時間窓を用いたＨＲＶ指標データ（第１指標データ）の生成が可能となる。

続いて、演算処理部１４３は、取得したＲＲＩデータ（ＲＲＩ変数）から、てんかん性発作患者の心拍に関する指標となる複数種類の指標データ（以下、「ＨＲＶ（Ｈｅａｒｔ Ｒａｔｅ Ｖａｒｉａｂｉｌｉｔｙ）指標データ」と称する。）を生成する（ステップＳ１３）。このＨＲＶ指標データは、ＲＲＩ平均値、ＲＲＩ標準偏差、ＲＭＳＳＤ、トータルパワー、ＮＮ５０、ｐＮＮ５０、ＨＲＶ三角指標、ＬＦ、ＨＦ、ＬＦ／ＨＦ比率の１０種類のＨＲＶ指標変数が時系列に並んだデータから構成される。このＨＲＶデータ生成処理の詳細は、後出＜２−２＞で詳細に説明する。

ところで、ＨＲＶ指標データは、時間領域のＨＲＶ指標データと、周波数領域のＨＲＶ指標データとに分類される。ＲＲＩ平均値、ＲＲＩ標準偏差、ＲＭＳＳＤ、トータルパワー、ＮＮ５０、ｐＮＮ５０、ＨＲＶ三角指標は、時間領域のＨＲＶ指標データである。一方、ＬＦ、ＨＦ、ＬＦ／ＨＦ比率は、周波数領域のＨＲＶ指標データである。時間領域のＨＲＶ指標データは、ＲＲＩデータから直接算出され、周波数領域のＨＲＶ指標データは、ＲＲＩデータから得られるパワースペクトルから算出される。

まず、時間領域のＨＲＶ指標データについて説明する。
ＲＲＩ平均値は、時間窓内（例えば、時刻ｔ−１８０ｓｅｃ〜時刻ｔ）におけるＲＲＩ値の平均値である。
ＲＲＩ標準偏差は、時間窓内に含まれるＲＲＩデータの標準偏差である。
ＲＭＳＳＤは、時間窓内に含まれるＲＲＩデータについて、時間的に隣り合う２つのＲＲＩデータの差分値の二乗平均の平方根である。
トータルパワーは、時間窓内に含まれるＲＲＩデータの２乗和である。
ＮＮ５０は、時間窓内に含まれるＲＲＩデータについて、時間的に隣り合う２つのＲＲＩデータのペアのうち、その差分が５０ｍｓｅｃを超えるペアの数である。
ｐＮＮ５０は、ＮＮ５０を、時間窓内におけるＲＲＩデータの総数で除して得られる値である。
ＨＲＶ三角指標は、時間窓内に含まれるＲＲＩデータについて、１／１２８ｓｅｃ間隔でヒストグラムを作成し、その後、各ＲＲＩデータを、当該ＲＲＩデータに対応するヒストグラムの高さで除することにより生成される。

次に、周波数領域のＨＲＶ指標データについて説明する。
この周波数領域のＨＲＶ指標データの算出において、まず、演算処理部１４３が、時間窓（時刻ｔ（第１時刻）と時刻ｔ−１８０ｓｅｃ（第３時刻）との間）に含まれるＲＲＩデータに対応するパワースペクトルを算出する。
そして、演算処理部１４３は、パワースペクトルにおける０．１５Ｈｚ〜０．４Ｈｚ（第１周波数帯域）および０．０４〜０．１５Ｈｚ（第２周波数帯域）それぞれの積分値（第１積分値、第２積分値）を、ＨＦ、ＬＦ（ＨＲＶ指標データ）として生成する。

これにより、時間窓に含まれるＲＲＩデータのゆらぎ成分を捉えることが可能となる。これにより、自律神経系によって制御されている心拍変動に特有のゆらぎ成分を指標とすることができるので、自律神経系に関連するてんかん性発作の兆候の検知精度向上を図ることができる。

ところで、呼吸周波数と同じ周波数である、０．１５Ｈｚ〜０．４Ｈｚの成分は、副交感神経系の活動性を反映している。このことから、ＨＲＶ指標データとして上記ＨＦを採用すれば、てんかん性発作の兆候が現れることに伴う副交感神経系の活動性の変動を捉えることができるので、その分、てんかん性発作の兆候の検知精度向上を図ることができる。ここで、上記ＨＦとは、パワースペクトルにおける０．１５Ｈｚ〜０．４Ｈｚの積分値である。

また、約１０秒の周期をもつ０．０４〜０．１５Ｈｚの成分は、交感神経系と副交感神経系の両方の活動性を反映している。このことから、ＨＲＶ指標データとして上記ＬＦを採用することにより、てんかん性発作の兆候が現れることに伴う交換神経系と副交感神経系の両方の活動性の変動を捉えることができるので、その分、てんかん性発作の兆候の検知精度向上を図ることができる。ここで、上記ＬＦとは、パワースペクトルにおける０．０４Ｈｚ〜０．１５Ｈｚの積分値である。
また、ＬＦ／ＨＦ比率は、ＬＦをＨＦで除して得られる値である。

以上説明したように、演算処理部（指標データ生成部）１４３は、時間窓に含まれるＲＲＩデータに基づいて、てんかん性発作の兆候の有無を識別する時刻ｔ（第１時刻）におけるＨＲＶ指標データを生成する。言い換えると、演算処理部１４３は、時刻ｔと時刻ｔよりも時間窓長さ分だけ過去の時刻（例えば時刻ｔ−１８０ｓｅｃ）（第３時刻）との間に含まれるＲＲＩデータに基づいて、時刻ｔにおけるＨＲＶ指標データを生成する。

図６は、本実施形態に係るパワースペクトルの一例を示し、（ａ）は健常者にストレスが加わっている場合、（ｂ）は健常者にストレスが加わっていない場合を示す。
図６（ｂ）に示すように、健常者にストレスが加わっていない場合、０．０４〜０．１５Ｈｚの帯域のパワー（ＬＦ）と、０．１５〜０．４Ｈｚの帯域のパワー（ＨＦ）との比率は、１．４程度である。
これに対し、図６（ａ）に示すように、健常者にストレスが加わっている場合、パワースペクトルは０．０４〜０．１５Ｈｚの帯域にピークが発生し、ＬＦとＨＦとの比率は１３まで増加する。このように、健常者が通常に行動している場合であっても、パワースペクトルの形状は大きく変わり得る。

図７および図８は、本実施形態に係る複数種類のＨＲＶ指標データの一例を示す図である。図７（ａ）および（ｂ）は、それぞれてんかん性発作患者Ａ１、Ｂ１について、てんかん性発作の発作起始前と発作起始後の各ＨＲＶ指標データの時間プロファイルを示す図である。なお、図７（ａ）および（ｂ）における縦線「ＯＮ」は、てんかん性発作患者Ａ１、Ｂ１について、てんかん性発作が起きた時刻を示している。
図８（ａ）および（ｂ）は、それぞれてんかん性発作患者Ｃ１、Ｄ１について、てんかん性発作が起きていない状態における各ＨＲＶ指標データの時間プロファイルを示す図である。
図７（ａ）および（ｂ）に示すように、各てんかん性発作患者Ａ１、Ｂ１のてんかん性発作起始周辺では、各ＨＲＶ指標データの時間プロファイルが変化しているものの、図８（ａ）および（ｂ）に示すように、各てんかん性発作患者Ｃ１、Ｄ１にてんかん性発作が起きていない発作間欠期であっても、各ＨＲＶ指標データの時間プロファイルが変化している。このように、各ＨＲＶ指標データの時間プロファイルは、発作間欠期であっても、例えば食事や運動等の他の要因により変化し得る。

図５に戻って、ステップＳ１３の処理を行った後、演算処理部１４３は、てんかん性発作患者に付与された番号ｎが、てんかん性発作患者の総数Ｎ以下であるか否かを判定する（ステップＳ１４）。
ステップＳ１４において、てんかん性発作患者に付与された番号ｎがてんかん性発作患者の総数Ｎ未満であれば（ステップＳ１４：Ｙｅｓ）、演算処理部１４３は、番号ｎを「１」だけインクリメントして（ステップＳ１５）、再びステップＳ１２の処理を行う。

一方、ステップＳ１４において、てんかん性発作患者に付与された番号ｎがてんかん性発作患者の総数Ｎ以上であれば（ステップＳ１４：Ｎｏ）、演算処理部１４３は、Ｎ人のてんかん性発作患者について、複数種類のＨＲＶ指標データそれぞれについて平均値を算出する（ステップＳ１６）。このとき、演算処理部１４３は、Ｎ人のてんかん性発作患者それぞれについて、発作間欠期におけるＨＲＶ指標データ全てを用いて平均値を算出する。

次に、演算処理部１４３は、複数種類のＨＲＶ指標データ（第１指標データ）それぞれについて、ステップＳ１３で算出した平均値を差し引く処理を行うことにより、新たなＨＲＶ指標データ（第２指標データ）を生成する（ステップＳ１７）。なお、演算処理部１４３は、算出されたＨＲＶ指標データそれぞれについて、適当な定数を用いて正規化する処理を更に行うようにしてもよい。

続いて、演算処理部１４３は、発作兆候検知モデルを生成するモデル生成処理を行う（ステップＳ１８）。ここでは、演算処理部１４３は、時刻ｔ、時刻ｔ−Δｔ、時刻ｔ−２Δｔの３つの時刻における１０種類のＨＲＶ指標変数から構成される計３０個の変数を使って、主成分分析処理を行う。そして、演算処理部１４３は、主成分分析処理を行うことにより、てんかん性発作患者のＨＲＶ指標データから、後述のＴ２統計量およびＱ統計量から構成される２つの管理値を算出するのに用いられる発作兆候検知モデルを生成する。ここで、時間Δｔは、例えば１ｓｅｃに設定される。このモデル生成処理については、後出＜２−２＞で詳細に説明する。

最後に、演算処理部１４３は、Ｔ２統計量およびＱ統計量に対する管理限界を決定する（ステップＳ１９）。これにより、Ｔ２統計量およびＱ統計量それぞれに対して管理限界以下である管理領域が設定される。ここにおいて、管理限界は、例えば、複数のてんかん性発作患者について得られたＴ２統計量およびＱ統計量それぞれの最大値に設定することができる。

そして、演算処理部１４３は、生成した発作兆候検知モデルおよびＴ２統計量およびＱ統計量それぞれに対する管理領域を示すデータを、前述の発作兆候検知モデル記憶部に記憶する。

このように、本実施形態に係るてんかん性発作兆候検知システムでは、発作兆候検知モデルが、複数のてんかん性発作患者について得られた複数のＨＲＶ指標データ（第２指標データ）について主成分分析を行うことにより生成される。

そして、複数のてんかん性発作患者について得られたＨＲＶ指標データ（第２指標データ）を用いることにより、発作兆候検知モデルの汎用性を高めることができる。

また、本実施形態に係るてんかん性発作兆候検知システムでは、管理領域が、てんかん性発作患者の発作間欠期におけるＨＲＶ指標データ（ＲＲＩデータ）から算出されるＴ２統計量およびＱ統計量に基づいて設定される。

この場合、Ｔ２統計量およびＱ統計量の２つの管理値に対して管理領域を設定すればよいので、例えば管理値が３種類以上の複数の指標データである構成に比べて、管理領域を比較的容易に設定することができるという利点がある。

＜２−２＞ＨＲＶ指標データ生成処理
次に、ＨＲＶ指標データ生成処理について詳細に説明する。
図９は、本実施形態に係る演算処理部１４３のＲＲＩデータ生成処理における動作を示すフローチャートである。ここにおいて、演算処理部１４３は、時間窓の長さをＷに設定しているとする。また、ＲＲＩデータのデータ総数は、Ｌ（Ｌは正の整数）であるとする。

まず、演算処理部１４３は、ＲＲＩデータの取得開始時刻から時間窓Ｗ以上の時間が経過した時刻ｔ［ｌ］（≧Ｗ）の中から、時刻が最小となる時刻ｔ［ｌ０］を選択する（ステップＳ１０１）。ここで、時刻ｔ［ｌ］は、ｌ番目のＲＲＩデータに対応する時刻を示している。また、ｌ番目のＲＲＩデータに対応する時刻と、ｌ＋１番目のＲＲＩデータに対応する時刻との間隔は、時間Δｔであるとする。

次に、演算処理部１４３は、時刻ｔ［ｌ］−Ｗ＋Δｔ〜時刻ｔ［ｌ］（ｌ≧ｌ０）の間に対応するＲＲＩデータを切り出す（ステップＳ１０２）。
続いて、演算処理部１４３は、切り出したＲＲＩデータから前述の複数種類のＨＲＶ指標データそれぞれを生成する（ステップＳ１０３）。
その後、演算処理部１４３は、生成した複数種類のＨＲＶ指標データそれぞれについて、時間窓毎に、トータルパワーで正規化する処理を行う（ステップＳ１０４）。

このように、時間窓に含まれるＲＲＩデータのトータルパワー（ＲＲＩデータの大きさを反映した値）を用いて正規化することにより、ＨＲＶ指標データ（第１指標データ）におけるてんかん性発作患者（被検者）間での個人差を低減することができる。また、ＨＲＶ指標データとして、時間窓に含まれるＲＲＩデータに関する統計的な指標値から構成されるデータを採用することができる。

次に、演算処理部１４３は、切り出す対象となるＲＲＩデータを変更するために、データ番号ｌを１だけインクリメントする（ステップＳ１０５）。
続いて、演算処理部１４３は、データ番号ｌがデータ総数Ｌ未満か否かを判定する（ステップＳ１０６）。
ステップＳ１０６において、データ番号ｌがデータ総数Ｌ未満であると判定されると（ステップＳ１０６：Ｙｅｓ）、演算処理部１４３は、再びステップＳ１０２の処理を行う。
一方、ステップＳ１０６において、データ番号ｌがデータ総数Ｌ以上であると判定されると、演算処理部１４３は、ＨＲＶデータ生成処理を終了する。

図１０は、本実施形態に係る演算処理部１４３が、ＲＲＩデータから、各ＨＲＶ指標データを生成する動作の動作説明図である。
演算処理部１４３は、前述のステップＳ１０１〜Ｓ１０６の一連の処理を行うことにより、ＲＲＩデータに対する時間窓を時間Δｔずつ移動させながら各ＨＲＶ指標データを生成していく。例えば、演算処理部１４３は、２０分間のＲＲＩデータに対して、時間窓の長さＷを３分（１８０ｓｅｃ）、時間Δｔを１ｓｅｃに設定した場合、時間窓を１ｓｅｃずつ移動させながら（図１０中の矢印参照）、各時刻におけるＨＲＶ指標データを生成していく。例えば、時刻ｔにおける各ＨＲＶ指標変数は、時刻ｔ−１８０ｓｅｃから時刻ｔまでの間のＲＲＩデータから算出される。このようにして、演算処理部１４３は、複数種類のＨＲＶ指標データを生成する。

＜２−３＞モデル生成処理について
次に、前述のモデル生成処理（ステップＳ１８）の内容について詳細に説明する。ここでは、主成分分析処理により主成分得点および予測誤差を算出する処理と、算出された主成分得点および予測誤差からＴ２統計量およびＱ統計量を求める処理とに分けて説明する。

＜２−３−１＞主成分得点および予測誤差を算出する処理
主成分分析処理では、複数の変数（例えばＨＲＶ指標変数）から主成分と呼ばれる新たな合成変数を生成する。
ここで、ＨＲＶ指標変数が２つであり、主成分が２つの場合について説明する。
図１１（ａ）は、２つのＨＲＶ指標変数（変数１、変数２）と２つの主成分（第１主成分、第２主成分）との関係を示す図であり、図１１（ｂ）は、２つのＨＲＶ指標変数および２つの主成分とＴ２統計量との関係を説明するための図であり、図１１（ｃ）は、第１主成分と第２主成分と予測誤差との関係を示す図である。
ここにおいて、ＨＲＶ指標変数としては、前述の１０種類のＨＲＶ指標変数から２つを選択すればよい。例えばＲＲＩ平均値とＬＦとを選択することができる。

図１１（ａ）に示すように、モデル生成処理では、ＨＲＶ指標データを表す空間における一方向を第１主成分とし、その第１主成分と直交する空間の一方向を第２主成分に設定する。この手順を繰り返すことにより複数の主成分が設定される。ここで、第１主成分は、主成分得点の分散が最大となる方向に設定される。なお、「主成分得点」とは、主成分軸上の座標、即ち、主成分が張る空間へＨＲＶ指標データを射影して得られる値である。図１１（ａ）の場合、第１主成分および第２主成分へＨＲＶ指標データを射影して得られる値が主成分得点となる。

次に、主成分分析による主成分得点の算出方法と予測誤差の算出方法について下記式（１）〜式（５）を用いて説明する。
ＨＲＶ指標データを表すデータ行列をＸ∈Ｒ^Ｎ×Ｐとする。ここで、ＰはＨＲＶ指標データの種類の数を表し、Ｎは各ＨＲＶ指標データに含まれるデータ数を示す。図１１に示すように、ＨＲＶ指標データが２種類の場合、Ｐ＝２となる。なお、各ＨＲＶ指標データは、平均０に中心化されており、さらに正規化をしてもよい。ここで、「正規化」とは、例えば、前述のようにＨＲＶ指標データをトータルパワーで正規化することである。
ここで、上記データ行列Ｘの特異値分解を下記式（１）で表すとする。

ここで、ＵとＶとは直交行列であり、対角行列Ｓの対角要素には，特異値ｓｒが降順に並んでいる。採用する主成分の数をＲとすると，第ｒ主成分は、負荷量行列Ｖ_Ｒの第ｒ列ｖｒで与えられる。この第ｒ列ｖｒは、Ｐ次元のベクトルで表される。図１１に示すように、変数が２つの場合、第ｒ列ｖｒは、２次元のベクトルとなる。

また、第ｒ主成分得点ｔｒは、下記式（２）で表される。

ここで、ｕｒは、行列Ｕ_Ｒの第ｒ列を表している。従って、Ｒ個の主成分それぞれに対応する主成分得点をまとめて表現すると、下記式（３）で表される。

式（１）〜式（３）から分かるように、主成分という概念を導入することによって、Ｐ個のＨＲＶ指標変数で構成されるＰ次元のデータを、Ｒ個の主成分から構成されるＲ次元のデータへ変換することができる。なお、図１１（ａ）に示すように、ＨＲＶ指標データが２種類であり、主成分の数が２つの場合は、データの次元は変化しないことになる。

そして、変数の個数Ｐよりも主成分の個数Ｒのほうが小さい場合、データ（ＨＲＶ指標データ）を表現するための空間をＰ次元からＲ次元へ圧縮することができる。この場合、Ｐ次元空間の基底が、主成分となり、主成分得点がＲ次元空間における座標となる。このＲ次元空間におけるデータ行列をＸ’∈Ｒ^Ｎ×Ｒとすると、Ｘ’とＰ次元空間におけるデータ行列Ｘとの間には、下記式（４）の関係が成立する。

ここにおいて、Ｐ次元からＲ次元に圧縮したことにより失われる情報は、予測誤差と呼ばれる。そして、この予測誤差を示すデータ行列をＥとすると、Ｅは下記式（５）で表される。

前述では、ＨＲＶ指標データが２種類で、主成分数が２つの場合について例を挙げて説明したが、ＨＲＶ指標データが３種類以上の場合も同様である。

本実施形態に係るモデル生成処理では、演算処理部１４３が、時刻ｔ、時刻ｔ−Δｔ、時刻ｔ−２ΔｔにおけるＨＲＶ指標変数から構成される３０個の変数（３０次元のデータ）を使って、主成分分析処理を行う。ここにおいて、演算処理部１４３は、主成分数を例えば４つに設定する。この場合、ＨＲＶ指標データを表現するための空間が、３０次元から４次元に圧縮されることになる。

＜２−３−２＞Ｔ２統計量およびＱ統計量を算出する処理
次に、前述の主成分分析処理により得られる主成分得点および予測誤差からＴ２統計量およびＱ統計量を算出する処理について説明する。
Ｔ２統計量は、主成分分析により得られる主成分得点から下記式（６）の関係式を用いて算出される。

ここで、σ（ｔｒ）は、第ｒ主成分得点ｔｒの標準偏差であり、Ｔ２統計量は、Ｒ次元空間の原点からのマハラノビス距離に対応している。

このＴ２統計量を利用することによって、例えば、図１１（ａ）に示すようにＲ次元空間において楕円形状に設定された管理限界が、図１１（ｂ）に示すような真円状の管理限界ＣＬ２に変形することができる。これにより、複数の主成分得点について標準偏差が異なる場合であっても、正常と異常を区別するのに適した上限値をＴ２統計量に対して設定すればよいこととなる。

ところで、ＨＲＶ指標データを表現する空間の次元を圧縮した場合（Ｐ＞Ｒの場合）、主成分で張られる部分空間と、その直交補空間とに分解できる。
例えば、３個のＨＲＶ指標変数から構成される３次元の空間を、２つの主成分で張られる２次元の空間に圧縮したとする。この場合、図１１（ｃ）に示すように、２つの主成分に直交する１つの成分（予測誤差成分）で張られる１次元の空間（直線）を求めることができる。ここにおいて、あるＨＲＶ指標データ（図１１（ｃ）中のＰｏ１参照）は、第１、第２主成分得点がｔ１、ｔ２、予測誤差がｅ１であるとすることができる。そして、この予測誤差の大きさを反映する統計量、即ち、ＨＲＶ指標データのうち、主成分で張られる部分空間では表現できない部分を表す統計量が、Ｑ統計量である。
Ｑ統計量は、主成分分析により得られる主成分得点から下記式（７）の関係式を用いて算出される。

つまり、式（７）は、式（５）で表される予測誤差の２乗ノルムに相当する。

本実施形態に係るモデル生成処理では、演算処理部１４３が、前述の３０個の変数（３０次元のデータ）を使う。ここにおいて、演算処理部１４３は、主成分数を例えば４つに設定する。この場合、Ｔ２統計量は、４つの主成分に対応する主成分得点から式（６）を用いて算出されることになる。また、Ｑ統計量は、４つの主成分に直交する１６個の主成分に対応する２乗予測誤差に相当することになる。ここで、演算処理部１４３は、てんかん性発作患者の発作間欠期のＨＲＶ指標データを用いて、Ｔ２統計量とＱ統計量を算出する。

＜２−４＞てんかん性発作兆候検知動作
次に、演算処理部１４３が、てんかん性発作の兆候を検知するてんかん性発作兆候検知装置の機能を実現する場合の動作（てんかん性発作兆候検知動作）について説明する。ここにおいて、演算処理部１４３では、ＣＰＵがプログラム記憶部に記憶されたてんかん性発作検知プログラムを実行する。
図１２は、本実施形態に係る演算処理部１４３のてんかん性発作検知動作を示すフローチャートである。
まず、演算処理部１４３は、ＲＲＩデータを取得する（ステップＳ２１）。ここでは、演算処理部１４３が、＜２−１＞で説明したステップＳ１１の処理と同様に、メモリに格納されたＲＲＩデータを再構築する。ここにおいて、演算処理部１４３は、時間窓の長さをＷに設定した場合、ｔ［ｌ］が長さＷ以上になるまで、ＲＲＩデータの取得を継続する。

次に、演算処理部１４３は、取得したＲＲＩデータから、複数種類のＨＲＶ指標データを生成する（ステップＳ２２）。このＨＲＶ指標データは、＜２−１＞で説明したのと同様に、ＲＲＩ平均値、ＲＲＩ標準偏差、ＲＭＳＳＤ、トータルパワー、ＮＮ５０、ｐＮＮ５０、ＨＲＶ三角指標、ＬＦ、ＨＦ、ＬＦ／ＨＦ比率の１０種類のＨＲＶ指標変数が時系列に並んだデータから構成される。

ここにおいて、演算処理部１４３は、前述＜２−２＞で説明したステップＳ１０１〜ステップＳ１０４の処理を行う。なお、演算処理部１４３は、前述＜２−２＞のステップＳ１０５以降の処理は行わない。具体的には、演算処理部１４３は、ＲＲＩデータを取得する毎に、当該ＲＲＩデータに対応する時刻と、当該時刻から前述の時間窓分だけ過去の時刻との間におけるＲＲＩデータを用いて、各ＨＲＶ指標データを生成していく。例えば、演算処理部１４３は、１８０ｓｅｃの時間窓を設定した場合、時刻ｔにおけるＲＲＩデータを取得すると、時刻ｔ−１８０ｓｅｃ＋Δｔから時刻ｔまでの間のＲＲＩデータから時刻ｔにおける各ＨＲＶ指標データを生成する。

次に、演算処理部１４３は、発作兆候検知モデルを用いて、Ｔ２統計量およびＱ統計量を算出する（ステップＳ２３）。演算処理部１４３は、前述の発作兆候検知モデル記憶部から発作兆候検知モデルを取得する。
ここでは、演算処理部１４３は、発作兆候検知モデルを用いて、時刻ｔ、時刻ｔ−Δｔ、時刻ｔ−２ΔｔにおけるＨＲＶ指標変数から構成される３０個の変数から、Ｔ２統計量およびＱ統計量を算出する。なお、発作兆候検知モデルは、上記式（６）および式（７）の関係式で表現できる。

次に、演算処理部１４３は、異常を検知したか否かを判定する（ステップＳ２４）。ここでは、演算処理部１４３が、算出したＴ２統計量およびＱ統計量のいずれか一方が管理領域を所定の判定期間以上外れ続けた場合、異常と判定する。この「判定期間」の長さの決め方については、後出＜２−４＞で詳細に説明する。

このように、演算処理部（識別器）１４３は、Ｔ２統計量およびＱ統計量（管理値）のいずれか一方が、管理領域を外れた状態が所定の判定時間以上継続した場合に、てんかん性発作の兆候が有ると識別する。

これにより、てんかん性発作の兆候が現れていない場合における、Ｔ２統計量およびＱ統計量の突発的な管理領域外れを以て、てんかん性発作の兆候があると識別されることがないので、てんかん性発作の兆候の誤識別を抑制することができる。

ここで、演算処理部１４３が、３個の変数から構成される３次元の空間を、２つの主成分で張られる２次元の空間に圧縮した場合を例に挙げて説明する。
図１３は、第１主成分、第２主成分および予測誤差と、管理領域との関係を示す概念図である。
この場合、演算処理部１４３は、前述のモデル構築処理における管理限界を設定する処理（ステップＳ１９の処理）において、図１３に示すような、管理限界を示す楕円柱で囲まれた管理領域を設定することになる。
そして、演算処理部１４３は、Ｔ２統計量に基づいて、第１主成分得点および第２主成分得点のいずれか一方が管理領域から外れたことを検知する。例えば、演算処理部１４３は、Ｔ２統計量に基づいて、予測誤差の値は管理領域内に収まっているが第１主成分得点が管理領域から逸脱している状態を検知できる（図１３中の点ＡＰｏ１参照）。
また、演算処理部１４３は、Ｑ統計量に基づいて、予測誤差が管理領域から外れたことを検知する。例えば、演算処理部１４３は、Ｑ統計量に基づいて、第１主成分得点および第２主成分得点は管理領域内に収まっているが予測誤差の値が管理領域から逸脱している状態を検知できる（図１３中の点ＡＰｏ２参照）。
つまり、演算処理部１４３は、Ｔ２統計量に基づいて、主成分得点が管理領域内に存在するか否かを判定し、Ｑ統計量に基づいて、予測誤差が管理領域内に存在するか否かを判定する。そして、演算処理部１４３は、主成分得点および予測誤差の少なくとも一方が管理領域を所定の判定期間以上外れ続けた場合に異常を検知したものと判定する。

ステップＳ２４において、異常を検知したと判定されると（ステップＳ２４：Ｙｅｓ）、演算処理部１４３は、異常を報知する処理を行い（ステップＳ２５）、その後、ステップＳ２６の処理を行う。ここで、異常を報知する処理とは、例えば、演算処理部１４３が報知部１４４に駆動信号を入力することにより、報知部１４４を駆動させる処理を意味する。

一方、ステップＳ２４において、異常を検知しないと判定されると（ステップＳ２４：Ｎｏ）、演算処理部１４３は、ユーザにより終了操作がなされたか否かを判定する（ステップＳ２６）。ここにおいて、演算処理部１４３は、例えば、ユーザが操作部から電源オフ操作を行った場合に更新される終了フラグを保持しておき、当該終了フラグの内容に基づいて終了操作がなされたか否かを判定するようにすればよい。

ステップＳ２６において、終了操作がなされていないと判定されると（ステップＳ２６：Ｎｏ）、演算処理部１４３は、再びステップＳ２１の処理を行う。
一方、ステップＳ２６において、終了操作がなされたと判定されると（ステップＳ２６：Ｙｅｓ）、演算処理部１４３は、そのまま処理を終了する。

以上説明したように、本実施形態に係るてんかん性発作兆候検知システムでは、演算処理部（識別器）１４３が、発作兆候検知モデルを用いて算出されるＴ２統計量およびＱ統計量の少なくとも一方が管理領域を外れた場合、てんかん性発作の兆候が有ると識別する。

ここで、発作兆候検知モデルでは、てんかん性発作患者のＨＲＶ指標データについて主成分分析を行うことにより複数（例えば４つ）の主成分に対応する主成分得点ｔｒ（ｒ＝１〜４）および予測誤差Ｅが算出される。そして、発作兆候検知モデルでは、主成分得点ｔｒ（ｒ＝１〜４）からＴ２統計量を算出し、予測誤差ＥからＱ統計量を算出する。

即ち、演算処理部１４３は、Ｔ２統計量Ｔ２およびＱ統計量Ｑそれぞれを独立して監視する。これにより、例えばＴ２統計量のみでＨＲＶ指標データの変動を監視する構成とは異なり、てんかん性発作の兆候が現れたことに伴う、ＨＲＶ指標データ間の相関関係の崩れを検知することができる。従って、てんかん性発作の兆候の検知精度向上を図ることができる。

更に、演算処理部（識別器）１４３は、発作兆候検知モデルを用いて、時刻ｔ（第１時刻）、時刻ｔ−Δｔおよび時刻ｔ−２Δｔ（第２時刻）それぞれにおけるＨＲＶ指標データからＴ２統計量およびＱ統計量（管理値）を算出する。そして、演算処理部１４３は、算出されたＴ２統計量およびＱ統計量に基づいて、てんかん性発作の兆候の有無を識別する。ここで、時刻ｔ−Δｔおよび時刻ｔ−２Δｔは、いずれも時刻ｔよりも過去の時刻である。

これにより、演算処理部１４３は、ＨＲＶ指標データの経時変化が考慮されたＴ２統計量およびＱ統計量を算出することができるので、てんかん性発作の兆候が生じた場合に特有のＨＲＶ指標データの経時変化を捉えることができる。従って、てんかん性発作の兆候を精度良く識別することが可能となる。

＜２−５＞判定期間の長さの設定方法について
次に、本実施形態に係る演算処理部１４３における上記判定期間の長さの設定方法について説明する。
判定期間は、てんかん性発作起始前に生じる、Ｔ２、Ｑ統計量が管理限界を超え続ける期間の長さに基づいて設定する。

図１４（ａ）および（ｂ）は、てんかん性発作患者について発作起始前と発作起始後のＴ２統計量およびＱ統計量の時間プロファイルを示す図である。また、図１５（ａ）および（ｂ）は、発作間欠期のてんかん性発作患者Ｃ２、Ｄ２についてのＴ２統計量およびＱ統計量の時間プロファイルを示す図である。なお、図１４（ａ）および（ｂ）における縦線ＯＮは、発作起始時刻を示す。また、図１４および図１５における破線は、Ｔ２統計量およびＱ統計量それぞれに対する管理限界Ｔ２ｔｈ、Ｑｔｈを示す。
図１４（ａ）に示すように、てんかん性発作患者Ａ２の場合、てんかん性発作起始約４２０ｓｅｃ前に、Ｔ２統計量が管理限界Ｔ２ｔｈを超え続ける期間Ｉ１が存在する。この期間Ｉ１は、約９０ｓｅｃの長さである。また、発作起始約３６０ｓｅｃ前に、Ｑ統計量が管理限界Ｑｔｈを超え続ける期間Ｉ２が存在する。この期間Ｉ２の長さは、約５０ｓｅｃである。
図１４（ｂ）に示すように、てんかん性発作患者Ｂ２の場合も、発作起始約１００ｓｅｃ前に、Ｔ２統計量が管理限界Ｔ２ｔｈを超え続ける期間Ｉ３が存在する。この期間Ｉ３の長さは、約８０ｓｅｃである。
一方、図１５（ａ）および（ｂ）に示すように、発作間欠期におけるてんかん性発作患者Ｃ２、Ｄ２の場合、管理限界Ｔ２ｔｈ、Ｑｔｈを超える期間はほとんど存在しない。なお、てんかん性発作の兆候が現れていない場合でも、Ｔ２統計量やＱ統計量が、突発的に管理領域を外れることがある。しかし、Ｔ２統計量やＱ統計量が、管理限界Ｔ２ｔｈ、Ｑｔｈを超える期間が存在しても高々１０ｓｅｃ程度である。

以上の結果から、判定期間の長さは、例えば８０ｓｅｃに設定されれば、てんかん性発作患者Ａ２、Ｂ２について、てんかん性発作の兆候を検知することができる。

＜３＞まとめ
データ測定中にてんかん性発作患者にてんかん性発作が起きる頻度は少なく、てんかん性発作患者にてんかん性発作の兆候が現れている状態におけるＲＲＩデータを取得することは困難であるという実態がある。従って、このてんかん性発作の兆候が現れている状態におけるＲＲＩデータからＨＲＶ指標データ（第２指標データ）を生成するのも当然困難となる。

これに対して、本実施形態に係るてんかん性発作兆候検知システムによれば、発作兆候検知モデルが、発作間欠期におけるＨＲＶ指標データについて主成分分析を行うことにより生成される。つまり、発作兆候検知モデルの生成に際して、てんかん性発作の兆候が現れている状態におけるＨＲＶ指標データは不要なので、その分、発作兆候検知モデルを比較的容易に生成できる。そして、発作兆候検知モデルを比較的容易に生成できることにより、てんかん性発作の兆候の検知を容易に行うことができる。

また、本実施形態にかかるてんかん性発作兆候検知システムによれば、演算処理部（識別器）が、発作兆候検知モデルを用いることにより、被検者ＰについてのＨＲＶ指標データ（第１指標データ）間の相関関係を考慮して、てんかん性発作の兆候の有無を識別することが可能となる。従って、例えばＨＲＶ指標データについて個別にてんかん性発作の兆候の検知を行う構成に比べて、ＨＲＶ指標データ間の相関関係を考慮できる分、てんかん性発作の兆候を精度良く検知することができる。

＜実施形態２＞
本実施形態に係るてんかん発作兆候検知システムは、実施形態１に係る構成と同様である。但し、演算処理部１４３が行う処理内容が、実施形態１とは相違する。
演算処理部１４３は、「−１」（ｎｏｒｍａｌｙ値：第１値）または「１」（ａｎｏｒｍａｌｙ値：第２値）のいずれかを判定値（管理値）として出力する発作兆候検知モデルを用いて、てんかん性発作の兆候の有無を識別する。そして、演算処理部１４３は、発作兆候検知モデルから出力される判定値が「１」である場合、てんかん性発作の兆候が有ると識別する。

ここで、発作兆候検知モデルは、ＨＲＶ指標データが入力されると、当該ＨＲＶ指標データに対応する主成分得点を、後述の非線形写像Φに基づいて特徴量に変換する。そして、発作兆候検知モデルは、当該特徴量が所定の特徴量管理領域内である場合、判定値として「−１」（ｎｏｒｍａｌ値）を出力し、前記特徴量が特徴量管理領域外である場合、判定値として「１」（ａｎｏｒｍａｌｙ値）を出力する。
また、演算処理部１４３は、１クラスサポートベクターマシン（Ｏｎｅ−Ｃｌａｓｓ Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ）を利用して特徴量管理領域を特定する。

そこで、本実施形態では、演算処理部１４３の動作説明のみ行い、構成説明は省略する。演算処理部１４３の動作は、実施形態１と同様にモデル構築動作と発作検知動作に分けられる。初めに、演算処理部１４３が発作兆候検知モデルを生成するてんかん性発作兆候検知モデル生成装置の機能を実現する場合の動作（モデル構築動作）について説明する。ここにおいて、演算処理部１４３では、ＣＰＵがプログラム記憶領域に記憶されたてんかん性発作兆候検知モデル生成プログラムを実行する。

図１６は、本実施形態に係る演算処理部１４３のモデル構築動作を示すフローチャートである。なお、実施形態１と同様の処理については、同一の符号を付して適宜説明を省略する。
演算処理部１４３は、実施形態１で説明したステップＳ１１〜Ｓ１７までの処理と同じ処理を行う。
演算処理部１４３は、各ＨＲＶ指標データを正規化した後（ステップＳ１７の後）、発作兆候検知モデルを生成するモデル生成処理を行う（ステップＳ２１８）。ここでは、演算処理部１４３は、時刻ｔ、時刻ｔ−Δｔ、時刻ｔ−２Δｔそれぞれにおける１０種類のＨＲＶ指標変数から構成される計３０個の変数を使って、主成分分析処理を行う。そして、演算処理部１４３は、主成分分析処理を行うことにより、てんかん性発作患者のＨＲＶ指標データから発作兆候検知モデルを生成する。この発作兆候検知モデルの詳細は後述する。なお、時間Δｔは、例えば１ｓｅｃに設定される。また、発作兆候検知モデルの特徴量管理領域は、１クラスサポートベクターマシンを利用して特定される。

そして、演算処理部１４３は、生成した発作兆候検知モデルを、前述の発作兆候検知モデル記憶部に記憶する。

次に、ステップＳ２１８におけるモデル生成処理について詳細に説明する。
まず、演算処理部１４３が、実施形態１と同様な主成分分析処理を行い、各主成分に対応する主成分得点データを算出する。ここでは、演算処理部１４３が、複数（例えば５つ）の主成分それぞれの主成分得点データを算出する。その後、演算処理部１４３は、各主成分得点データを、所定の非線形写像Φを用いて特徴量空間上に写像する。そして、演算処理部１４３は、主成分得点データそれぞれに対応する特徴量空間上の座標（特徴量）に基づいて、原点からの距離が最大となるような超平面を特定する。ここにおいて、超平面は、特徴量空間において、モデル生成処理に用いるＨＲＶ指標データの多くがこの超平面を挟んで原点側とは反対側に存在するように配置されている。
そして、この超平面を挟んで原点側とは反対側に位置する非線形写像Φに対応する主成分得点データが存在する領域が、特徴量管理領域に相当する。

図１７（ａ）および（ｂ）は、２次元のデータ（例えば２種類の主成分それぞれの主成分得点データ）と、当該２次元のデータを、非線形写像Φを用いて写像した２次元の特徴量空間との関係を示す概念図である。図１７において、四角点は、２次元のデータのうちモデル生成処理に用いる正常なデータを示している。また、図１７（ｂ）中の直線ＨＰは、超平面を示す。
図１７（ｂ）に示すように、特徴量空間において、モデル生成処理に用いるデータは、超平面ＨＰを挟んで原点側とは反対側に存在する。
そして、図１７（ａ）に示す主成分得点を表す２次元空間における、図１７（ｂ）における超平面ＨＰを挟んで原点側とは反対側の領域に対応する領域ＡＲが、特徴量管理領域に相当する。

次に、演算処理部１４３が、特徴量管理領域を特定する方法について詳細に説明する。
ここで、特徴量空間における各変数をΦ（ｘｉ）（ｉ＝１，２，・・・，Ｎ）とすると特徴量空間内に配置される平面は、下記式（８）で表される。

ここで、ｗは、各変数へのウェイトを示すウェイトベクトルである。また、Ｎは、例えば主成分得点データ（ＨＲＶ指標データ）のデータ数に設定することができる。
そして、超平面は、特徴量空間内に配置される平面のうち、下記式（９）の関係式で表されるウェイトベクトルｗを有するものとして特定される。

ここで、ξｉ（ｉ＝１，２，・・・，Ｎ）は、ウェイトベクトルｗで表される平面の超平面からのずれの程度を表す非負のスラック変数である。また、ｖは、原点から平面までの距離を決める係数である。

ここで、式（９）は、ラグランジュの未定乗数法を利用して解くことができる。このとき、ラグランジュ関数Ｌ（ｗ，ξ，ρ）として、下記式（１０）で表される関数を設定する。

ここで、αｉ、ξｉ（ｉ＝１，２，・・・，Ｎ）は、非負のラグランジュ乗数を表す。
そして、ラグランジュ関数Ｌ（ｗ，ξ，ρ）の最適解において、下記式（１１）で表される関係式が成立する。

そして、式（１１）から、下記式（１２）の関係式が導き出される。

ここにおいて、式（９）の関係式は、式（１２）の関係式を用いると、下記式（１３）のように書き換えることができる。

ここで、Ｋ（ｘｉ，ｙｊ）は、Φ（ｘｉ）とΦ（ｘｊ）との内積（カーネル）を表す。

そして、演算処理部１４３は、式（１３）を解くことにより、特徴量空間における超平面に対応するラグランジュ定数解αｉ^＊（ｉ＝１，２，・・・，Ｎ）を算出することができる。

次に、演算処理部１４３は、算出したラグランジュ定数解αｉ^＊用いて、式（１４）に示すような発作兆候検知を示す関数（以下、単に「発作兆候検知モデル」と称する。）を生成する。

ここで、ｘは、判定対象となる主成分得点を表し、ｘｓは、特徴量空間における超平面上の任意の点に対応する主成分得点である。また、ｓｉｇｎ（＊）は、符号関数を表す。
発作兆候検知モデルＦ（ｘ）は、特徴量空間において、主成分得点ｘに対応する特徴量Φ（ｘ）が超平面を挟んで原点側よりも反対側にあれば、第１項が第２項に比べて小さくなるので、判定値として「−１」（ｎｏｒｍａｌ値）を出力する。
一方、発作兆候検知モデルＦ（ｘ）は、主成分得点ｘに対応する特徴量Φ（ｘ）が超平面よりも原点側にあれば、第１項が第２項に比べて大きくなるので、判定値として「１」（ａｎｏｍａｌｙ値）を出力する。例えば、図１７（ａ）および（ｂ）に示すように、２つの主成分それぞれの主成分得点が、２つの主成分で表される二次元空間における点ＡＰの座標で表されるとする。この場合、点ＡＰは、非線形写像Φ（ｘ）により、特徴量空間における超平面ＨＰよりも原点側の点（図１７（ｂ）中の点ＡＰ）に写像されることになる。

以上説明したように、本実施形態に係るてんかん性発作兆候検知システムでは、発作兆候検知モデルＦ（ｘ）が、１クラスサポートベクターマシンを利用して特徴量管理領域を特定することにより生成される。ここで、１クラスサポートベクターマシンは、てんかん性発作患者の発作間欠期におけるＨＲＶ指標データから求まる複数（例えば５つ）の主成分に対応する主成分得点に対して適用される。

本構成によれば、特徴量管理領域が、てんかん性発作患者の発作間欠期におけるＨＲＶ指標データに対応する主成分得点に対して、１クラスサポートベクターマシンを適用することにより特定される。従って、てんかん性発作患者の発作間欠期におけるＨＲＶ指標データの特性を比較的忠実に反映した特徴量管理領域を設定することが可能となる。

次に、演算処理部１４３がてんかん性発作の兆候を検知するてんかん性発作検知装置の機能を実現する場合の動作（てんかん性発作兆候検知動作）について説明する。ここにおいて、演算処理部１４３では、ＣＰＵが、プログラム記憶部に記憶されたてんかん性発作兆候検知プログラムを実行する。
図１８は、本実施形態に係る演算処理部１４３の発作検知動作を示すフローチャートである。なお、実施形態１と同様の処理については、同一の符号を付して適宜説明を省略する。
演算処理部１４３は、実施形態１で説明したステップＳ２１およびＳ２２までの処理と同じ処理を行う。

続いて、演算処理部１４３は、前述のモデル生成処理により生成された発作兆候検知モデル（式（１４）参照）を用いて、判定値（管理値）を算出する（ステップＳ２２３）。ここで、演算処理部１４３は、前述の発作兆候検知モデル記憶部から発作兆候検知モデルを取得する。

その後、演算処理部１４３は、異常（てんかん性発作の兆候）を検知したか否かを判定する（ステップＳ２２４）。ここでは、演算処理部１４３が、判定値が「１」（ａｎｏｍａｌｙ値）の状態が所定の判定期間以上継続した場合、てんかん性発作の兆候を検知したと判定する。この「判定期間」の長さの設定方法については、後述する。

ステップＳ２２４において、異常を検知したと判定されると（ステップＳ２２４：Ｙｅｓ）、演算処理部１４３は、異常を報知する処理を行い（ステップＳ２５）、その後、ステップＳ２６以降の処理を行う。
一方、異常を検知しないと判定されると（ステップＳ２２４：Ｎｏ）、演算処理部１４３は、ステップＳ２６以降の処理を行う。

次に、本実施形態に係る演算処理部１４３における上記判定期間の長さの設定方法について説明する。判定期間は、てんかん性発作の起始前に生じる、判定値が「１」（ａｎｏｒｍａｌｙ値）で継続する期間の長さに基づいて設定する。

図１９（ａ）および（ｂ）は、てんかん性発作患者Ａ２、Ｂ２について発作起始前と発作起始後の判定値の時間プロファイルを示す図である。また、図２０（ａ）および（ｂ）は、てんかん性発作患者Ｃ２、Ｄ２の発作間欠期についての判定値の時間プロファイルを示す図である。なお、図２０（ａ）および（ｂ）における縦線ＯＮは、てんかん性発作起始時刻を示す。
図１９（ａ）に示すように、てんかん性発作患者Ａ２の場合、てんかん性発作起始約３００ｓｅｃ前に、判定値が「１」（ａｎｏｒｍａｌｙ値）で継続する期間Ｉ２１が存在する。この期間Ｉ２１の長さは、約５０ｓｅｃである。
また、図１９（ｂ）に示すように、てんかん性発作患者Ｂ２の場合も、てんかん性発作起始約９０ｓｅｃ前に、判定値が「１」（ａｎｏｒｍａｌｙ値）で継続する期間Ｉ２２が存在する。この期間Ｉ２２の長さは、約８０ｓｅｃである。

一方、図２０（ａ）および（ｂ）に示すように、てんかん性発作患者Ｃ２、Ｄ２の発作間欠期の場合、判定値が「１」（ａｎｏｒｍａｌｙ値）で継続する期間はほとんど存在しない。また、判定値が「１」（ａｎｏｒｍａｌｙ値）で継続する期間が存在しても高々５ｓｅｃ程度である。

以上の結果から、判定期間の長さは、例えば５０ｓｅｃに設定されれば、てんかん性発作患者Ａ２、Ｂ２について、てんかん性発作の兆候を検知することができる。

結局、本実施形態に係るてんかん性発作兆候検知システムでは、演算処理部１４３が、ＨＲＶ指標データに対応する特徴量が特徴量管理領域内か否かに応じて、「−１」または「１」の判定値を出力する発作兆候検知モデルＦ（ｘ）を用いる。

このように、発作兆候検知モデルから出力される判定値（管理値）が二値化されているので、演算処理部（識別器）１４３における、てんかん性発作の兆候の有無を識別する識別処理の簡素化を図ることができる。

＜変形例＞
（１）実施形態１および２では、Ｔ２統計量およびＱ統計量の少なくとも一方が管理限界を超えた状態、或いは判定値が「１」（ａｎｏｒｍａｌｙ値）の状態が所定の判定期間以上継続した場合にてんかん性発作の兆候が有ると識別する例について説明した。但し、演算処理部１４３は、上記状態が継続する期間の長さに基づいててんかん性発作の兆候有無の識別を行う構成に限定されるものではない。例えば、演算処理部１４３が、所定の期間内において上記状態を検知した回数に基づいて、てんかん性発作の兆候の有無を識別する構成であってもよい。

具体的には、演算処理部１４３が、所定の期間内（例えば１０ｍｉｎ以内）に３回以上Ｔ２統計量およびＱ統計量の少なくとも一方が管理限界を超えた場合に、てんかん性発作の兆候有りと識別するようにしてもよい。
或いは、演算処理部１４３が、所定の期間内（例えば１０ｍｉｎ以内）に判定値が３回以上「１」（ａｎｏｒｍａｌｙ値）となった場合に、てんかん性発作の兆候有りと識別するようにしてもよい。

本構成によれば、演算処理部１４３が、上記状態の継続する期間の長さを計時する必要がなくなるので、演算処理部１４３における処理の簡素化を図ることができる。

（２）実施形態１および２では、ＨＲＶ指標データが、ＲＲＩ平均値、ＲＲＩ標準偏差、ＲＭＳＳＤ、トータルパワー、ＮＮ５０、ｐＮＮ５０、ＨＲＶ三角指標、ＬＦ、ＨＦ、ＬＦ／ＨＦ比率の１０種類から構成される例について説明した。
但し、ＨＲＶ指標データの種類は、これらの線形なＨＲＶ指標データに限定されるものではなく、非線形なＨＲＶ指標データであってもよい。非線形なＨＲＶ指標データとしては、例えば、サンプルエントロピーやＤＦＡ（Ｄｅｔｒｅｎｄｅｄ Ｆｌｕｃｔｕａｔｉｏｎ ａｎａｌｙｓｉｓ）値、ローレンツプロット値等が挙げられる。

サンプルエントロピーは、時間窓内に含まれるＲＲＩデータの取り得る値の数を反映した値である。時間窓内に含まれるＲＲＩデータの時間プロファイルの形状が、規則性がなく複雑なものであればあるほど、ＲＲＩデータの取り得る値が増大するので、サンプルエントロピーの値は大きくなる。
ＤＦＡ値は、時間窓内に含まれるＲＲＩデータのフラクタル相関特性の有無を示す変数である。
ローレンツプロット値は、時間窓内に含まれるＲＲＩデータについて、横軸をｋ番目（ｋは正の整数）のＲＲＩデータとし、縦軸をｋ＋１番目のＲＲＩデータとしてプロットして得られる相関図の特性を示す値である。

次に、本変形例に係る演算処理部１４３における判定期間の長さの設定方法について説明する。
まず、演算処理部１４３が、ＭＳＰＣを利用した識別器を構成することにより、発作の兆候の検知を行う場合について説明する。
この場合、判定期間は、実施形態１と同様に、てんかん性発作の起始前に生じる、Ｔ２、Ｑ統計量が管理限界を超え続ける期間の長さに基づいて設定する。

図２１（ａ）および（ｂ）は、てんかん性発作患者Ａ２、Ｂ２について発作起始前と発作起始後のＴ２統計量およびＱ統計量の時間プロファイルを示す図である。また、図２２（ａ）および（ｂ）は、てんかん性発作患者Ｃ２、Ｄ２について発作起始前と発作起始後のＴ２統計量およびＱ統計量の時間プロファイルを示す図である。なお、図２０（ａ）および（ｂ）における縦線ＯＮは、発作起始時刻を示す。また、図２１および図２２における破線は、Ｔ２統計量およびＱ統計量それぞれに対する管理限界Ｔ２ｔｈ、Ｑｔｈを示す。
なお、演算処理部１４３による発作兆候検知モデルを生成する際の主成分数は、３つに設定されている。
図２１（ａ）に示すように、てんかん性発作患者Ａ２の場合、てんかん性発作起始約３５０ｓｅｃ前に、Ｔ２統計量が管理限界Ｔ２ｔｈを超え続ける期間Ｉ３１が存在する。この期間Ｉ３１は、約２０ｓｅｃの長さである。また、てんかん性発作起始約３５０ｓｅｃ前に、Ｑ統計量が管理限界Ｑｔｈを超え続ける期間Ｉ３２が存在する。この期間Ｉ２の長さは、約２０ｓｅｃである。
図２１（ｂ）に示すように、てんかん性発作患者Ｂ２の場合も、てんかん性発作起始約１００ｓｅｃ前に、Ｔ２統計量が管理限界Ｔ２ｔｈを超え続ける期間Ｉ３３が存在する。この期間Ｉ３３の長さは、約１０ｓｅｃである。

一方、図２２（ａ）および（ｂ）に示すように、てんかん性発作患者Ｃ２、Ｄ２の発作間欠期の場合、Ｔ２統計量が管理限界Ｔ２ｔｈを超える期間は存在しない。また、てんかん性発作患者Ｃ２の場合、Ｑ統計量が管理限界Ｑを超える期間は存在しない。てんかん性発作患者Ｄ２の場合、Ｑ統計量が管理限界Ｑｔｈを超える期間期間が存在するがその長さは高々５ｓｅｃ未満である（図２２（ｂ）のＱ統計量参照）。

以上の結果から、判定期間の長さは、例えば１０ｓｅｃに設定されれば、てんかん性発作患者Ａ２、Ｂ２について、てんかん性発作の兆候を検知することができる。

次に、演算処理部１４３が、ＯｃＳＶＭ（Ｏｎｅ−Ｃｌａｓｓ Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ）を構成することにより、発作の兆候を検知する場合について説明する。
この場合、判定期間は、てんかん性発作の起始前に生じる、判定値が「１」（ａｎｏｒｍａｌｙ値）で継続する期間の長さに基づいて設定する。

図２３（ａ）および（ｂ）は、てんかん性発作患者Ａ２、Ｂ２について発作起始前と発作起始後の判定値の時間プロファイルを示す図である。また、図２４（ａ）および（ｂ）は、てんかん性発作患者Ｃ２、Ｄ２の発作間欠期についての判定値の時間プロファイルを示す図である。なお、図２３（ａ）および（ｂ）における縦線ＯＮは、発作起始時刻を示す。また、演算処理部１４３による発作兆候検知モデルを生成する際の主成分数は、３つに設定されている。
図２３（ａ）に示すように、てんかん性発作患者Ａ２の場合、てんかん性発作起始約３００ｓｅｃ前に、判定値が「１」（ａｎｏｒｍａｌｙ値）で継続する期間Ｉ４１が存在する。この期間Ｉ４１の長さは、約４０ｓｅｃである。
また、図２３（ｂ）に示すように、てんかん性発作患者Ｂ２の場合も、てんかん性発作起始前約１５０ｓｅｃ前に、判定値が「１」（ａｎｏｒｍａｌｙ値）で継続する期間Ｉ４２が存在する。この期間Ｉ４２の長さは、約２０ｓｅｃである。

一方、図２４（ａ）および（ｂ）に示すように、てんかん性発作患者Ｃ２、Ｄ２の発作間欠期の場合、判定値が「１」（ａｎｏｒｍａｌｙ値）で継続する期間はほとんど存在しない。また、判定値が「１」（ａｎｏｒｍａｌｙ値）で継続する期間が存在しても高々５ｓｅｃ程度である。

以上の結果から、判定期間の長さは、例えば２０ｓｅｃに設定されれば、てんかん性発作患者Ａ２、Ｂ２について、てんかん性発作の兆候を検知することができる。

（３）実施形態１では、演算処理部１４３が、Ｔ２統計量とＱ統計量とについて個別に管理限界を設けて、異常を検知する構成について説明したが、例えば、Ｔ２統計量とＱ統計量との両方に依存する判定量を設定し、当該判定量に管理限界を設けて管理してもよい。
具体的には、演算処理部１４３が、下記式（１５）で求められる判定量Ｊに対して、管理限界を設けて異常を検知するようにしてもよい。

ここで、Ｔ２は、Ｔ２統計量を表し、ＱはＱ統計量を表し、ｋは、所定の係数を表す。

本構成によれば、管理すべき対象が判定量Ｊだけになるので、演算処理部１４３における処理負荷の軽減を図ることができる。

（４）実施形態１および２や変形例（２）では、演算処理部１４３が主成分得点を算出する主成分の数が、３〜５に設定されている例について説明したが、主成分得点を算出する主成分の数はこれらに限定されるものではない。
例えば、複数（３０個）のＨＲＶ指標データの分散を算出し、当該複数のＨＲＶ指標データの分散のうちの少なくとも１つよりも大きい分散を有する主成分について、主成分得点を算出するようにしてもよい。

（５）なお、実施形態１および２や各変形例では、サンプルデータとして、心電信号における隣り合うＲ波の時間間隔を示すＲＲＩデータを用いる例について説明したが、サンプルデータの種類はこれに限定されるものではない。例えば、サンプルデータとして、心電信号における隣り合うＰ波やＱ波、Ｓ波、Ｔ波の間隔を示すデータ、或いは、Ｐ波とＲ波の間隔を示すデータ（ＰＲＩデータ）を用いてもよい。

（６）また、実施形態１および２や各変形例では、１つの情報処理装置１４が、てんかん性発作兆候検知装置およびてんかん性発作兆候検知モデル生成装置の両方として機能する例について説明した。但し、例えば、てんかん性発作兆候検知装置と、てんかん性発作兆候検知モデル生成装置とが、別個の装置から構成されるものであってもよい。

１２ Ｒ波検出器
１４ 情報処理装置
１６ 電極
１４１ 通信部
１４２ 算出部
１４３ 演算処理部
１４４ 報知部

Claims (16)

1. 被検者の心電信号から生成されたサンプルデータを取得する取得部と、
   前記サンプルデータに基づいて心拍に関する複数種類の指標それぞれについての指標値を示す複数の第１指標データを生成する指標データ生成部と、
   前記複数種類の指標それぞれについての指標値から少なくとも１つの管理値を算出する所定の発作兆候検知モデルを用いて、前記複数の第１指標データから算出される前記管理値に基づいて、てんかん性発作の兆候の有無を識別する識別器と、を備え、
   前記発作兆候検知モデルは、発作間欠期における心電信号から生成されたサンプルデータに基づいて生成された、心拍に関する前記複数種類の指標それぞれについての指標値を示す複数の第２指標データについて主成分分析を行うことにより生成されたものである
   てんかん性発作兆候検知装置。
2. 前記発作兆候検知モデルは、複数のてんかん性発作患者について得られた前記複数の第２指標データについて主成分分析を行うことにより生成されたものである
   請求項１記載のてんかん性発作兆候検知装置。
3. 前記指標データ生成部は、所定幅の時間窓に含まれる前記サンプルデータに基づいて生成される複数種類の心拍に関する指標についての指標値を、前記時間窓に含まれる前記サンプルデータの大きさを反映した値を用いて正規化することにより、前記第１指標データを生成するよう構成されている
   請求項１または請求項２記載のてんかん性発作兆候検知装置。
4. 前記取得部は、心電信号から得られる時間的に等間隔に並んでいない経時データについて、補間処理を行うことにより、時間的に等間隔に並んだ前記サンプルデータを生成するよう構成されている
   請求項３記載のてんかん性発作兆候検知装置。
5. 前記識別器は、前記発作兆候検知モデルを用いて、第１時刻における第１指標データと、前記第１時刻よりも過去の第２時刻における第１指標データとから算出される前記管理値に基づいて、てんかん性発作の兆候の有無を識別するよう構成されている
   請求項１または請求項２記載のてんかん性発作兆候検知装置。
6. 前記サンプルデータは、被検者の心電信号から生成されたＲ波の間隔を示すＲＲＩデータである
   請求項１〜請求項５のいずれか１項に記載のてんかん性発作兆候検知装置。
7. 前記指標データ生成部は、
   所定幅の時間窓に含まれる前記ＲＲＩデータに対応するパワースペクトルを算出し、算出した前記パワースペクトルにおける第１周波数帯域の値と、前記パワースペクトルにおける前記第１周波数帯域よりも低周波数側の第２周波数帯域の値とを前記第１指標データとして生成するよう構成されている
   請求項６記載のてんかん性発作兆候検知装置。
8. 前記第１周波数帯域は、０．１５Ｈｚ〜０．４Ｈｚである
   請求項７記載のてんかん性発作兆候検知装置。
9. 前記第２周波数帯域は、０．０４Ｈｚ〜０．１５Ｈｚである
   請求項７または請求項８記載のてんかん性発作兆候検知装置。
10. 前記発作兆候検知モデルは、前記第１指標データが入力されると、前記第１指標データについて主成分分析を行うことにより算出される主成分得点および予測誤差からＴ２統計量およびＱ統計量を前記管理値として算出し、
    前記識別器は、前記Ｔ２統計量および前記Ｑ統計量の少なくとも一方が前記管理領域を外れた場合、てんかん性発作の兆候が有ると識別する
    請求項１〜請求項９のいずれか１項に記載のてんかん性発作兆候検知装置。
11. 前記発作兆候検知モデルは、前記第１指標データが入力されると、前記第１指標データについて主成分分析を行うことにより算出される主成分得点を、所定の非線形写像に基づいて特徴量に変換し、当該特徴量が所定の特徴量管理領域内である場合、前記管理値として第１値を出力し、前記特徴量が前記特徴量管理領域外である場合、前記管理値として第２値を出力し、
    前記識別器は、前記管理値が前記第２値である場合、てんかん性発作の兆候が有ると識別するよう構成されている
    請求項１〜請求項９のいずれか1項に記載のてんかん性発作兆候検知装置。
12. 発作間欠期におけるてんかん性発作患者の心電信号から生成されたサンプルデータに基づいて、心拍に関する複数種類の指標それぞれについての指標値を示す複数の指標データを生成する指標データ生成部と、
    前記複数の指標データについて主成分分析を行うことにより、前記複数種類の指標それぞれについての指標値から少なくとも１つの管理値を算出する所定の発作兆候検知モデルを生成するモデル生成部と、を備える
    てんかん性発作兆候検知モデル生成装置。
13. 被検者の心電信号から生成されたサンプルデータを取得するステップと、
    前記サンプルデータに基づいて心拍に関する複数種類の指標それぞれについての指標値を示す複数の第１指標データを生成するステップと、
    前記複数種類の指標それぞれについての指標値から少なくとも１つの管理値を算出する所定の発作兆候検知モデルを用いて、前記複数の第１指標データから算出される前記管理値に基づいて、てんかん性発作の兆候の有無を識別するステップと、を含み、
    前記発作兆候検知モデルは、発作間欠期における心電信号から生成されたサンプルデータに基づいて生成された、心拍に関する前記複数種類の指標それぞれについての指標値を示す複数の第２指標データについて主成分分析を行うことにより生成されたものである
    てんかん性発作兆候検知方法。
14. 発作間欠期におけるてんかん性発作患者の心電信号から生成されたサンプルデータに基づいて、複数種類の心拍に関する指標となる指標データを生成するステップと、
    前記指標データについて主成分分析を行うことにより、前記複数種類の指標それぞれについての指標値から少なくとも１つの管理値を算出する所定の発作兆候検知モデルを生成するステップと、を含む
    てんかん性発作兆候検知モデル生成方法。
15. 被検者のてんかん性発作の兆候を検知するてんかん性発作兆候検知処理をコンピュータにより実現させるてんかん性発作兆候検知プログラムであって、
    前記てんかん性発作兆候検知処理は、
    被検者の心電信号から生成されたサンプルデータを取得するステップと、
    前記サンプルデータに基づいて心拍に関する複数種類の指標それぞれについての指標値を示す複数の第１指標データを生成するステップと、
    前記複数種類の指標それぞれについての指標値から少なくとも１つの管理値を算出する所定の発作兆候検知モデルを用いて、前記複数の第１指標データから算出される前記管理値に基づいて、てんかん性発作の兆候の有無を識別するステップと、を含み、
    前記発作兆候検知モデルは、発作間欠期における心電信号から生成されたサンプルデータに基づいて生成された、心拍に関する前記複数種類の指標それぞれについての指標値を示す複数の第２指標データについて主成分分析を行うことにより生成されたものである
    てんかん性発作兆候検知プログラム。
16. 被検者のてんかん性発作の兆候を検知するために用いるてんかん性発作兆候検知モデル生成処理をコンピュータにより実現させるてんかん性発作兆候検知モデル生成プログラムであって、
    前記てんかん性発作兆候検知モデル生成処理は、
    発作間欠期におけるてんかん性発作患者の心電信号から生成されたサンプルデータに基づいて、複数種類の心拍に関する指標となる指標データを生成するステップと、
    前記指標データについて主成分分析を行うことにより、前記複数種類の指標それぞれについての指標値から少なくとも１つの管理値を算出する所定の発作兆候検知モデルを生成するステップと、を含む
    てんかん性発作兆候検知モデル生成プログラム。