JP2016214491A - 無呼吸識別システム及びコンピュータプログラム - Google Patents
無呼吸識別システム及びコンピュータプログラム Download PDFInfo
- Publication number
- JP2016214491A JP2016214491A JP2015101782A JP2015101782A JP2016214491A JP 2016214491 A JP2016214491 A JP 2016214491A JP 2015101782 A JP2015101782 A JP 2015101782A JP 2015101782 A JP2015101782 A JP 2015101782A JP 2016214491 A JP2016214491 A JP 2016214491A
- Authority
- JP
- Japan
- Prior art keywords
- apnea
- heart rate
- subject
- rate variability
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 208000008784 apnea Diseases 0.000 title claims abstract description 122
- 238000004590 computer program Methods 0.000 title claims abstract description 13
- 201000002859 sleep apnea Diseases 0.000 claims abstract description 67
- 238000012545 processing Methods 0.000 claims abstract description 46
- 206010021079 Hypopnoea Diseases 0.000 claims abstract description 31
- 230000029058 respiratory gaseous exchange Effects 0.000 claims abstract description 30
- 230000002123 temporal effect Effects 0.000 claims description 39
- 238000012706 support-vector machine Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 9
- 238000001228 spectrum Methods 0.000 claims description 7
- 230000007958 sleep Effects 0.000 abstract description 38
- 230000000241 respiratory effect Effects 0.000 abstract description 27
- 238000000034 method Methods 0.000 description 23
- 238000001514 detection method Methods 0.000 description 19
- 230000001133 acceleration Effects 0.000 description 13
- 238000004364 calculation method Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 210000002820 sympathetic nervous system Anatomy 0.000 description 7
- 238000010276 construction Methods 0.000 description 6
- 230000007423 decrease Effects 0.000 description 6
- 230000002889 sympathetic effect Effects 0.000 description 6
- 210000000467 autonomic pathway Anatomy 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000008035 nerve activity Effects 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- 210000004072 lung Anatomy 0.000 description 4
- 210000005036 nerve Anatomy 0.000 description 4
- 210000005037 parasympathetic nerve Anatomy 0.000 description 4
- 210000001002 parasympathetic nervous system Anatomy 0.000 description 4
- 208000024172 Cardiovascular disease Diseases 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 208000001797 obstructive sleep apnea Diseases 0.000 description 3
- 108020003175 receptors Proteins 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- 230000000638 stimulation Effects 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 206010062519 Poor quality sleep Diseases 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 108091008698 baroreceptors Proteins 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 230000004060 metabolic process Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 210000001774 pressoreceptor Anatomy 0.000 description 2
- 230000010349 pulsation Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 210000001013 sinoatrial node Anatomy 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010005746 Blood pressure fluctuation Diseases 0.000 description 1
- 208000031872 Body Remains Diseases 0.000 description 1
- 208000007590 Disorders of Excessive Somnolence Diseases 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 206010041349 Somnolence Diseases 0.000 description 1
- 208000001871 Tachycardia Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 210000002376 aorta thoracic Anatomy 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 210000003403 autonomic nervous system Anatomy 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 230000036471 bradycardia Effects 0.000 description 1
- 208000006218 bradycardia Diseases 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 210000001715 carotid artery Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000034994 death Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000009532 heart rate measurement Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000004165 myocardium Anatomy 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000001734 parasympathetic effect Effects 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000011514 reflex Effects 0.000 description 1
- 210000002345 respiratory system Anatomy 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 230000004622 sleep time Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000011425 standardization method Methods 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
- 230000006794 tachycardia Effects 0.000 description 1
- 208000001072 type 2 diabetes mellitus Diseases 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
【課題】被験者の無呼吸又は低呼吸の状態と正常呼吸の状態との時間的変動を捉えることが可能な無呼吸識別システム及びコンピュータプログラムを提供する。
【解決手段】
被験者に装着した心拍計測器２００が、被験者の心拍を計測し、ＲＲＩデータを含む心拍データを出力する。処理部３００は、心拍データに含まれるＲＲＩデータに基づいて被験者のＨＲＶ指標を計算し、ＨＲＶ指標を呼吸識別モデル３１０に与え、被験者の無呼吸状態及び正常呼吸状態を睡眠中の時刻毎に識別する。処理部３００は、得られた無呼吸状態及び正常呼吸状態の時間的変動に基づいて、被験者の睡眠時無呼吸症候群の疑いを検知する。
【選択図】図１
【解決手段】
被験者に装着した心拍計測器２００が、被験者の心拍を計測し、ＲＲＩデータを含む心拍データを出力する。処理部３００は、心拍データに含まれるＲＲＩデータに基づいて被験者のＨＲＶ指標を計算し、ＨＲＶ指標を呼吸識別モデル３１０に与え、被験者の無呼吸状態及び正常呼吸状態を睡眠中の時刻毎に識別する。処理部３００は、得られた無呼吸状態及び正常呼吸状態の時間的変動に基づいて、被験者の睡眠時無呼吸症候群の疑いを検知する。
【選択図】図１
Description
本発明は、被験者の睡眠時の無呼吸を識別するための無呼吸識別システム及びコンピュータプログラムに関するものである。
睡眠時無呼吸症候群(sleep apnea syndrome; SAS)とは、睡眠時に呼吸停止または呼吸量が減少する疾患である。ＳＡＳは、日中の過度な眠気及び集中力の低下をもたらすため、交通事故のリスク要因になる。また、ＳＡＳは、様々な生活習慣病及びその重症化の原因となり、循環器障害、糖代謝異常、脂肪代謝異常などを引き起こすことが知られている。かかるＳＡＳの国内潜在患者数は２００万人と推定されるが、自身がＳＡＳであると自覚している人は少なく、病院で適切に受診している患者は１２万人に過ぎない。
ＳＡＳの診断には、終夜睡眠ポリグラフ検査(polysomnography; PSG)が用いられる。ＰＳＧは脳波計、心電計、呼吸センサ、体動センサなど複数の計測機器から構成され、使用には専門的知識と熟練を要する。そのため、ＳＡＳの簡易モニタ手法が望まれている。
ここで、特許文献１は、被験者の心拍変動のパワースペクトル密度を演算し、パワースペクトル密度のＶＬＦ帯域でのピークの有無から、ＳＡＳを判定する装置を開示している。
しかし、特許文献１の手法は、ＳＡＳを適切に判定できるものであるという検証結果が示されておらず、適切な手法であるのか否か不明である。しかも、特許文献１の手法では、心拍からＳＡＳであるか否かを判定するだけであり、ある時間において被験者が無呼吸又は低呼吸であるか正常呼吸であるかを識別することはできない。
ＳＡＳでは、睡眠中に時間に応じて無呼吸又は低呼吸の状態と正常呼吸の状態とを繰り返す。したがって、ＳＡＳの簡易かつ適切な診断のためには、各時間において前記被験者が無呼吸又は低呼吸であるか正常呼吸であるかの識別を、心拍計測に基づいて行えることが望ましい。
（１）本発明は、被験者の心拍データを出力する心拍計測器と、処理部と、を備え、前記処理部は、１又は複数の心拍変動指標が入力として与えられると、無呼吸であるか正常呼吸であるかを識別する第１識別モデルを有し、前記処理部は、前記心拍データを受け取り、前記心拍データに基づいて、１又は複数の心拍変動指標の時間的変動を算出し、算出した１又は複数の前記心拍変動指標の時間的変動に基づく入力を、前記第１識別モデルに与えることで、前記被験者が無呼吸又は低呼吸であるか正常呼吸であるかの時間的変動を得ることを含む処理を行う無呼吸識別システムである。
上記本発明によれば、第１識別モデルによって、心拍変動指標の時間的変動に基づき、被験者の無呼吸又は低呼吸の状態と正常呼吸の状態との時間的変動を捉えることができる。ここで、無呼吸は１０秒以上換気が停止する状態、低呼吸(Hypopnea: HYPO)は呼吸気流が５０％以上低下した状態が１０秒以上継続する状態と定義される。
（２）前記処理部が行う前記処理は、前記被験者が無呼吸又は低呼吸であるか正常呼吸であるかの前記時間的変動に基づいて、睡眠時無呼吸症候群の疑いを検知することを更に含むのが好ましい。
睡眠１時間あたりの無呼吸・低呼吸の回数は、無呼吸低呼吸指数（Apnea Hypopnea Index; AHI）と呼ばれ、ＳＡＳの重症度の診断に用いられている。ＡＨＩは、被験者が無呼吸又は低呼吸であるか正常呼吸であるかの時間的変動に基づく情報の１つである。したがって、上記の場合、被験者が無呼吸又は低呼吸であるか正常呼吸であるかの時間的変動を用いることで、睡眠時無呼吸症候群の疑いを正確に検知することが可能となる。
睡眠１時間あたりの無呼吸・低呼吸の回数は、無呼吸低呼吸指数（Apnea Hypopnea Index; AHI）と呼ばれ、ＳＡＳの重症度の診断に用いられている。ＡＨＩは、被験者が無呼吸又は低呼吸であるか正常呼吸であるかの時間的変動に基づく情報の１つである。したがって、上記の場合、被験者が無呼吸又は低呼吸であるか正常呼吸であるかの時間的変動を用いることで、睡眠時無呼吸症候群の疑いを正確に検知することが可能となる。
（３）前記第１識別モデルは、学習データを用いて構築されたサポートベクタマシンであり、前記学習データは、正常呼吸時学習データと、無呼吸時学習データと、を含み、前記正常呼吸時学習データは、健常者の１又は複数の心拍変動指標と、睡眠時無呼吸症候群患者の正常呼吸時における１又は複数の心拍変動指標と、を含み、前記無呼吸時学習データは、睡眠時無呼吸症候群患者の無呼吸又は低呼吸時における１又は複数の心拍変動指標を含むのが好ましい。
サポートベクタマシンは、線形分離不可能なデータに対しても、データを高次元空間に写像することで、当該高次元空間において分離超平面によって分離することができる２値分離手法である。上記の場合、かかるサポートベクタマシンを用いることで、被験者が無呼吸又は低呼吸であるか正常呼吸であるかを高精度に判別することができる。
サポートベクタマシンは、線形分離不可能なデータに対しても、データを高次元空間に写像することで、当該高次元空間において分離超平面によって分離することができる２値分離手法である。上記の場合、かかるサポートベクタマシンを用いることで、被験者が無呼吸又は低呼吸であるか正常呼吸であるかを高精度に判別することができる。
（４）１又は複数の前記心拍変動指標は、心拍変動のパワースペクトルのトータルパワーを前記心拍変動指標の一つとして含む複数の心拍変動指標であり、前記第１識別モデルに与えられる前記入力は、規格化された心拍変動指標を含み、規格化された前記心拍変動指標は、前記処理部が算出した複数の前記心拍変動指標のうちの少なくとも一つを、前記トータルパワーで除したものであるのが好ましい。
この場合、心拍変動指標をトータルパワーで除すことで、当該心拍変動指標から個人差を除くことができる。したがって、トータルパワーで除した心拍変動指標を用いることで、被験者が無呼吸又は低呼吸であるか正常呼吸であるかを高精度に判別することができる。
この場合、心拍変動指標をトータルパワーで除すことで、当該心拍変動指標から個人差を除くことができる。したがって、トータルパワーで除した心拍変動指標を用いることで、被験者が無呼吸又は低呼吸であるか正常呼吸であるかを高精度に判別することができる。
（５）前記処理部が行う前記処理は、前記被験者が入眠しているか否かを判定することを更に含み、前記処理部によって前記睡眠時無呼吸症候群の疑いを検知することは、前記被験者が入眠していると判定されている間における、前記被験者が無呼吸又は低呼吸であるか正常呼吸であるかの前記時間的変動に基づいて行われるのが好ましい。
この場合、ＳＡＳの疑いの検知に先立って、被験者が入眠しているか否かの判定が行われるので、被験者が入眠する前に無呼吸識別システムを動作させるだけで、自動的にＳＡＳの疑いの検知を行うことができる。
この場合、ＳＡＳの疑いの検知に先立って、被験者が入眠しているか否かの判定が行われるので、被験者が入眠する前に無呼吸識別システムを動作させるだけで、自動的にＳＡＳの疑いの検知を行うことができる。
（６）他の観点からみた本発明は、コンピュータを処理部として機能させるためのコンピュータプログラムであって、前記処理部は、１又は複数の心拍変動指標が入力として与えられると、無呼吸又は低呼吸であるか正常呼吸であるかを識別する第１識別モデルを有し、前記処理部は、前記心拍データを受け取り、前記心拍データに基づいて、１又は複数の心拍変動指標の時間的変動を算出し、算出した１又は複数の前記心拍変動指標の時間的変動に基づく入力を、前記第１識別モデルに与えることで、前記被験者が無呼吸又は低呼吸であるか正常呼吸であるかの時間的変動を得ることを含む処理を行うコンピュータプログラムである。
本発明によれば、被験者の無呼吸又は低呼吸の状態と正常呼吸の状態との時間的変動を捉えることが可能となる。
以下、本発明の好ましい実施形態について添付図面を参照しながら説明する。
［１．無呼吸識別システムの構成］
図１は、本実施形態に係る無呼吸識別システムの構成を示す模式図である。図１に示すように、この無呼吸識別システム１００は、心拍計測器２００と、処理部３００とを備えている。
図１は、本実施形態に係る無呼吸識別システムの構成を示す模式図である。図１に示すように、この無呼吸識別システム１００は、心拍計測器２００と、処理部３００とを備えている。
心拍計測器２００は、被験者の身体に取り付けられ、被験者の心拍を計測するための小型軽量なウェアラブルデバイスである。図２は、心電図波形を示すグラフである。図２において縦軸は電位を示し、横軸は時間を示している。心電図を計測すると、図２に示すような電位変化がＰ波、ＱＲＳ群、Ｔ波として周期的に現れる。その中でも最も電位の高いピークをＲ波といい、Ｒ波のタイミングで心臓が拍動する。図２に示すように、このＲ波同士の間隔をＲＲＩ(R-R interval)という。心拍計測器２００は、ＲＲＩを検知し、ＲＲＩを示すデータ(ＲＲＩデータ)を含む心拍データを出力する。
処理部３００は、心拍計測器２００から出力された心拍データを受け、心拍データに含まれるＲＲＩデータを処理して、被験者が無呼吸又は低呼吸であるか正常呼吸であるかの時間的変動を取得し、この時間的変動に基づいて被験者の睡眠時無呼吸症候群（ＳＡＳ）の疑いを検知する。
図１に、処理部３００の機能ブロックを示す。処理部３００は、通信部３０１、入眠識別手段３０２、ＨＲＶ指標算出手段３０３、呼吸識別手段３０４、ＳＡＳ検知手段３０５、及び表示部３０６としての機能を有している。
通信部３０１は、無線によって心拍計測器２００と通信し、心拍計測器２００から出力された心拍データを受信するためのものである。
入眠識別手段３０２は、被験者が入眠したか否かの識別をするためのものである。入眠識別手段３０２は、処理部３００に作用する加速度に基づいて、被験者が入眠したか否かの識別を行う。
ＨＲＶ指標算出手段３０３は、心拍データに含まれるＲＲＩデータに基づいて、心拍変動(heart rate variability; HRV)に関する指標であるＨＲＶ指標を算出するためのものである。
心臓は、洞結節という特別な心筋から発せられる電気信号により拍動の間隔が調整されている。この洞結節は自律神経に支配されているため、自律神経活動のゆらぎにより、拍動の間隔もゆらぐ。この拍動間隔のゆらぎがＨＲＶである。
拍動間隔は、頸動脈・大動脈弓の圧力を感知する動脈圧受容器、及び肺の伸展を感知する肺伸展受容器から発せられる信号に影響される。動脈圧受容器は約１０秒程度の血圧変動周期に、肺伸展受容器は３〜４秒程度の呼吸周期に対応する刺激信号を発し、この刺激信号は自律神経により心臓に伝達される。ここで、自律神経は、交感神経系と副交感神経系との２種類に分類される。交感神経と副交感神経とは信号伝達機構が異なり、交感神経は６〜７秒以下の信号を伝達できないが、副交感神経系は周期が１秒程度の信号も伝達できる。このため、交感神経活動が支配的になる緊張状態では、主に周期１０秒程度の変動がＨＲＶとして現れ、副交感神経活動が支配的となる安静状態では１０秒周期の変動と周期４秒程度の変動の両方がＨＲＶとして現れる。
閉塞型無呼吸症候群(obstructive sleep apnea syndrome; OSAS)の患者は、睡眠時に首周りの脂肪及び舌根の沈下により上気道が閉塞し、無呼吸又は低呼吸（以下、特に断らない限り「無呼吸」という）の状態が発生する。無呼吸期間周辺では、交感神経系の活性化に起因する心拍増加によりＨＲＶが減少する。これは無呼吸状態が発生すると、肺伸展受容器から生じる反射により、交感神経系が活性化しやすくなるためである。続いて、無呼吸による血中酸素飽和度の低下及び血中二酸化炭素飽和度の上昇が起こり、これも交感神経系の活性を高める。また、無呼吸状態の直後に起こる睡眠覚醒により、さらに交感神経系を活性化させる。これらの要因から、無呼吸期間とその直後には、血圧と心拍が急激に増加する。ＯＳＡＳでは無呼吸と正常呼吸とが繰り返されることから、患者の心拍は頻脈と除脈とを繰り返すことになる。
ＨＲＶ指標算出手段３０３は、以下の（１）〜（１１）のＨＲＶ指標を算出する。
（１）ｍｅａｎＮＮ：ＲＲＩの平均。
（２）ＳＤＮＮ：ＲＲＩの標準偏差。
（３）Ｔｏｔａｌ Ｐｏｗｅｒ：ＲＲＩの全パワースペクトル。
（４）ＲＭＳＳＤ：ｎ番目のＲＲＩとｎ＋１番目のＲＲＩの差の２乗の平均値の平方根。ＲＲＩの変動が多いと値は大きくなり、自律神経系の活動の指標となる。
（５）ＮＮ５０：ｎ番目とｎ+１番目のＲＲＩの差異が５０ミリ秒を超えた数。普通のＲＲＩの変動は５０ミリ秒以下であり、ＮＮ５０は激しい変動の指標となる。
（６）ｐＮＮ５０：ＮＮ５０の値の全Ｒ波の数に対する割合。ＮＮ５０は回数なので、一般に窓幅が長ければ大きな値となってしまう。ｐＮＮ５０を考えることで、大きな変動が起こる割合を把握できる。
（７）ＬＦ：ＬＦ帯（０．０４Ｈｚ〜０．１５Ｈｚ）の周波数帯のパワースペクトル。ＬＦは主に交感神経系の活動の指標とされる。
（８）ＨＦ：ＨＦ帯（０．１５Ｈｚ〜０．４Ｈｚ）の周波数帯のパワースペクトル。ＨＦは主に副交感神経系の活動の指標とされる。
（９）ＬＦ／ＨＦ：ＬＦ／ＨＦで定義されるＬＦとＨＦとの比で、交感神経系と副交感神経系との活動状況の比と考えられる。ＬＦ／ＨＦは、交感神経優位で値が大きくなり、副交感神経優位で値が小さくなる。
（１０）ＬＦｎｕ：ＬＦ／（ＬＦ＋ＨＦ）で定義される補正ＬＦ。交感神経活動の変化を強調する。
（１１）ＨＦｎｕ：ＨＦ／（ＬＦ＋ＨＦ）で定義される補正ＨＦ。副交感神経活動による変化を強調する。
（１）ｍｅａｎＮＮ：ＲＲＩの平均。
（２）ＳＤＮＮ：ＲＲＩの標準偏差。
（３）Ｔｏｔａｌ Ｐｏｗｅｒ：ＲＲＩの全パワースペクトル。
（４）ＲＭＳＳＤ：ｎ番目のＲＲＩとｎ＋１番目のＲＲＩの差の２乗の平均値の平方根。ＲＲＩの変動が多いと値は大きくなり、自律神経系の活動の指標となる。
（５）ＮＮ５０：ｎ番目とｎ+１番目のＲＲＩの差異が５０ミリ秒を超えた数。普通のＲＲＩの変動は５０ミリ秒以下であり、ＮＮ５０は激しい変動の指標となる。
（６）ｐＮＮ５０：ＮＮ５０の値の全Ｒ波の数に対する割合。ＮＮ５０は回数なので、一般に窓幅が長ければ大きな値となってしまう。ｐＮＮ５０を考えることで、大きな変動が起こる割合を把握できる。
（７）ＬＦ：ＬＦ帯（０．０４Ｈｚ〜０．１５Ｈｚ）の周波数帯のパワースペクトル。ＬＦは主に交感神経系の活動の指標とされる。
（８）ＨＦ：ＨＦ帯（０．１５Ｈｚ〜０．４Ｈｚ）の周波数帯のパワースペクトル。ＨＦは主に副交感神経系の活動の指標とされる。
（９）ＬＦ／ＨＦ：ＬＦ／ＨＦで定義されるＬＦとＨＦとの比で、交感神経系と副交感神経系との活動状況の比と考えられる。ＬＦ／ＨＦは、交感神経優位で値が大きくなり、副交感神経優位で値が小さくなる。
（１０）ＬＦｎｕ：ＬＦ／（ＬＦ＋ＨＦ）で定義される補正ＬＦ。交感神経活動の変化を強調する。
（１１）ＨＦｎｕ：ＨＦ／（ＬＦ＋ＨＦ）で定義される補正ＨＦ。副交感神経活動による変化を強調する。
呼吸識別手段３０４は、１又は複数のＨＲＶ指標に基づいて、被験者が無呼吸又は低呼吸であるか正常呼吸であるかを睡眠中の各時間について識別し、被験者が無呼吸又は低呼吸であるか正常呼吸であるかの時間的変動を取得するためのものである。本実施形態では、呼吸識別手段３０４は、複数のＨＲＶ指標に基づいて識別を行う。ＨＲＶ指標が複数であると、識別をより正確に行うことができる。
呼吸識別手段３０４は、第１識別モデルとして呼吸識別モデル３１０を有する。実施形態に係る呼吸識別モデル３１０は、サポートベクタマシンであり、ＨＲＶ指標が与えられると、無呼吸・低呼吸の状態と、正常呼吸の状態とを識別する。
ＳＡＳ検知手段３０５は、呼吸識別手段３０４の識別結果に基づいて、被験者のＳＡＳの疑いを検知するためのものである。
表示部３０６は、ＳＡＳ検知手段３０５による検知結果を表示するためのものである。
図３は、処理部３００のハードウェア構成を示すブロック図である。処理部３００は、スマートフォン、タブレット、又はＰＤＡ等の携帯型情報端末によって実現される。図３に示すように、処理部３００は、ＣＰＵ３１１、ＲＯＭ３１２、ＲＡＭ３１３、記憶部３１４、タッチパネルディスプレイ３１５、通信部３０１、及び加速度センサ３１６を備えており、ＣＰＵ３１１、ＲＯＭ３１２、ＲＡＭ３１３、記憶部３１４、タッチパネルディスプレイ３１５、通信部３０１、及び加速度センサ３１６は、バスによって接続されている。
ＣＰＵ３１１は、ＲＡＭ３１３にロードされたコンピュータプログラムを実行することが可能である。そして、ＳＡＳ検知用のコンピュータプログラムである無呼吸識別プログラム３２０を当該ＣＰＵ３１１が実行することにより、携帯型情報端末が処理部３００として機能し、上記の各機能ブロックが実現される。
ＲＯＭ３１２は、マスクＲＯＭ、ＰＲＯＭ、ＥＰＲＯＭ、又はＥＥＰＲＯＭ等によって構成されており、ＣＰＵ３１１に実行されるコンピュータプログラム及びこれに用いるデータ等が記録されている。
ＲＡＭ３１３は、ＳＲＡＭまたはＤＲＡＭ等によって構成されている。ＲＡＭ３１３は、記憶部３１４に記憶されている無呼吸識別プログラム３２０の読み出しに用いられる。また、ＣＰＵ３１１がコンピュータプログラムを実行するときに、ＣＰＵ３１１の作業領域として利用される。
記憶部３１４は、フラッシュメモリを使用したソリッドステートドライブ等である。記憶部３１４は、オペレーティングシステム及びアプリケーションプログラム等、ＣＰＵ３１１に実行させるための種々のコンピュータプログラム及び当該コンピュータプログラムの実行に用いられるデータがインストールされている。無呼吸識別プログラム３２０も、この記憶部３１４にインストールされている。
また、記憶部３１４は、上述した呼吸識別モデル３１０を記憶している。
記憶部３１４には、例えば米グーグル社が提供するAndroid（登録商標）、米アップル社が提供するiOS（登録商標）等のオペレーティングシステムがインストールされている。以下の説明においては、本実施の形態に係る無呼吸識別プログラム３２０は当該オペレーティングシステム上で動作するものとしている。
タッチパネルディスプレイ３１５は、携帯型情報端末に情報を入力し、また情報を表示するためのものである。タッチパネルディスプレイ３１５は、液晶パネルである表示部３０６と、当該表示部３０６の画面上に配置されたタッチパッドとを有する。
加速度センサ３１６は、携帯型情報端末に作用する加速度を計測するためのものである。入眠識別手段３０２は、加速度センサ３１６を含み、加速度センサ３１６によって計測された加速度に基づいて、入眠したか否かの識別を行う。
［２．呼吸識別モデルの構築］
次に、呼吸識別モデル３１０の構築について説明する。呼吸識別モデル３１０はサポートベクタマシンである。サポートベクタマシンは、学習データをカーネル関数と呼ばれる非線形関数によって高次元空間に写像し、高次元空間内で分離超平面を求める２値分類手法である。
次に、呼吸識別モデル３１０の構築について説明する。呼吸識別モデル３１０はサポートベクタマシンである。サポートベクタマシンは、学習データをカーネル関数と呼ばれる非線形関数によって高次元空間に写像し、高次元空間内で分離超平面を求める２値分類手法である。
学習データｘｉを２つのクラスＧ１，Ｇ２に分類することを考える。各データに所属クラスを表すラベル変数ｙｉを導入する。
この場合、サポートベクタマシンによる判別関数ｈ（ｘ）は、次式で与えられる。
ここで、ｘは入力、Ｋはカーネル関数、α＾ｉ及びｂ＾は最適化パラメータ、ｉ＝１，２，３，…。
図４は、呼吸識別モデル３１０の構築手順を示すフローチャートである。呼吸識別モデル３１０の構築には、ＳＡＳ患者から収集されたＲＲＩデータと、健常者から収集されたＲＲＩデータとが用いられる。まず、ＳＡＳ患者及び健常者のＲＲＩデータからＨＲＶ指標の時間的変動を計算する（ステップＳ１０１）。上述したように、拍動間隔の揺らぎがＨＲＶである。ＲＲＩは時間的に変動し、これに応じてＨＲＶも時間的に変動する。ステップＳ１０１の処理では、睡眠時の各時刻におけるＨＲＶ指標が算出され、その集合としてＨＲＶ指標の時間的変動が得られる。
患者のＨＲＶ指標から、正常呼吸時のＨＲＶ指標を抜き出し、これに健常者のＨＲＶ指標を加えたものを、正常呼吸時学習データとする（ステップＳ１０２）。また、患者のＨＲＶ指標から、無呼吸時のＨＲＶ指標を抜き出し、これを無呼吸時学習データとする（ステップＳ１０３）。次に、正常呼吸時学習データと無呼吸時学習データとを結合し、学習データである１つのデータセットとする（ステップＳ１０４）。
次に、データセットに対して前処理を実施する（ステップＳ１０５）。前処理は、一部のＨＲＶ指標を規格化することによって行われる。規格化の方法はいろいろ考えられるが、規格化は、例えば、ＨＲＶ指標をＴｏｔａｌ Ｐｏｗｅｒで除することで行える。Ｔｏｔａｌ Ｐｏｗｅｒで除す対象となり得るＨＲＶ指標は、ＬＦ、ＨＦ、ｍｅａｎＮＮ、Ｔｏｔａｌ Ｐｏｗｅｒ、ＳＤＮＮ，ＲＭＳＳＤ、ＮＮ５０、及びｐＮＮ５０のうちの少なくとも一つの指標であるのが好ましい。より具体的には、Ｔｏｔａｌ Ｐｏｗｅｒで除す対象となるＨＲＶ指標は、ＬＦ、ＨＦ、ｍｅａｎＮＮ、Ｔｏｔａｌ Ｐｏｗｅｒ、及びＲＭＳＳＤであるのが好ましい。
ＬＦ／ＨＦ、ＬＦｎｕ、及びＨＦｎｕは、既に規格化されているため、規格化の対象から除外する。ベースライン心拍数は被験者によって異なり、ＨＲＶは被験者ごとの個人差が大きい。上記のような規格化により、ＨＲＶ指標から個人差を除くことができ、無呼吸の識別精度を向上させることができる。
ＬＦ／ＨＦ、ＬＦｎｕ、及びＨＦｎｕは、既に規格化されているため、規格化の対象から除外する。ベースライン心拍数は被験者によって異なり、ＨＲＶは被験者ごとの個人差が大きい。上記のような規格化により、ＨＲＶ指標から個人差を除くことができ、無呼吸の識別精度を向上させることができる。
次に、前処理を実施したデータセットを、平均が０に、分散が１になるように標準化する（ステップＳ１０６）。
次に、標準化したデータセットに対して、時刻毎に無呼吸状態・正常呼吸状態のラベル付けを行う（ステップＳ１０７）。ＲＲＩデータは、各時刻において無呼吸状態・正常呼吸状態が既知であるものが用いられる。ラベル付けでは、分かっている無呼吸状態・正常呼吸状態を用いて、データセットに対して無呼吸のラベルと正常呼吸のラベルとを時刻毎に割り当てる。
図５は、ＳＡＳ患者のＨＲＶ指標の時間的変動の一例を示す図であり、図６は、健常者のＨＲＶ指標の時間的変動の一例を示す図である。図６において、縦軸は各ＨＲＶ指標のレベルを示し、横軸は時間を示す。図中のinstantaneous HRは一拍ごとの瞬時心拍数である。健常者と比較してＳＡＳ患者はＳＤＮＮ、ＮＮ５０、ｐＮＮ５０が低いことから、無呼吸により心拍数が増加しＨＲＶが減少していることがわかる。また、ＳＡＳ患者は無呼吸時に、ＬＦ、ＬＦ／ＨＦ、ＬＦｎｕが上昇し、ＨＦｎｕが減少している。これらは無呼吸によって自律神経活動に現れた異常が心拍に影響していることを意味する。図において、グレーの帯状の部分は無呼吸状態の時間帯を示している。図に示す無呼吸状態の時刻に対しては、無呼吸のラベルが割り当てられ、正常呼吸状態の時刻（つまり、グレーの帯状以外の白い部分）に対しては、正常呼吸のラベルが割り当てられる。
最後に、ラベル付けしたデータセットを学習データとして、上式（２）により呼吸識別モデル３１０を構築する（ステップＳ１０８）。構築された呼吸識別モデル３１０では、学習データに基づいて、最適化パラメータが最適化される。
［３．無呼吸識別システムの動作］
次に、無呼吸識別システム１００の動作について説明する。図７は、無呼吸識別システム１００による無呼吸識別動作の手順を示すフローチャートである。
次に、無呼吸識別システム１００の動作について説明する。図７は、無呼吸識別システム１００による無呼吸識別動作の手順を示すフローチャートである。
無呼吸識別システム１００のユーザは、心拍計測器２００を身体に取り付け、処理部３００を枕元等に配置して、就寝する。
まず、入眠識別手段３０２が、ユーザが入眠したか否かを判定する（ステップＳ２０１）。入眠すると身体が静止した状態が続くため、加速度センサ３１６によって検出される加速度により静止状態を検知することで、入眠の判定が行われる。
ユーザが入眠したと判定された場合（ステップＳ２０２においてＹＥＳ）、ステップＳ２０３に処理が移る。ユーザが入眠していないと判定された場合（ステップＳ２０２においてＮＯ）、ステップＳ２０１に処理が戻り、再度入眠判定が実行される。
心拍計測器２００がユーザの心拍を計測し、ＲＲＩデータを含む心拍データを送信する。心拍の計測は、ユーザが起床するまで行われる。通信部３０１は、心拍計測器２００から送信された心拍データを受信する（ステップＳ２０３）。
ＨＲＶ指標算出手段３０３は、心拍データに含まれるＲＲＩデータからＨＲＶ指標の時間的変動を計算する（ステップＳ２０４）。
ａ）図７に示すように、入眠判定を心拍データ（ＲＲＩデータ）の取得判定に用いる他、
ｂ）取得したＲＲＩデータのうち、無呼吸／正常呼吸識別用のデータの抽出に用いてもよい。
ｂ）取得したＲＲＩデータのうち、無呼吸／正常呼吸識別用のデータの抽出に用いてもよい。
上記のｂ）の場合、ユーザが入眠する前から起床するまで通信部３０１が心拍データを受信し、全ＲＲＩデータから、ユーザが入眠したと判定された時点以降のＲＲＩデータを無呼吸／正常呼吸識別用に抽出し、このＲＲＩデータを用いて無呼吸／正常呼吸識別用のＨＲＶ指標の時間的変動を算出する。
次に、ＨＲＶ指標算出手段３０３は、ＨＲＶ指標に対して前処理を実施する（ステップＳ２０５）。前処理は、前述した呼吸識別モデル３１０の構築における前処理と同じ規格化処理である。
ＨＲＶ指標算出手段３０３は、前処理を実施したＨＲＶ指標を、平均が０に、分散が１になるように標準化する（ステップＳ２０６）。
次に、呼吸識別手段３０４が、標準化されたＨＲＶ指標の時間的変動を式（２）における入力ｘとして呼吸識別モデル３１０に与える。呼吸識別モデル３１０によって、時刻毎に被験者が無呼吸状態であるか、正常呼吸状態であるかが識別され、識別結果が出力される。呼吸識別手段３０４は、このようにして被験者の無呼吸／正常呼吸の時間的変動を取得する（ステップＳ２０７）。
次に、ＳＡＳ検知手段３０５が、被験者の無呼吸／正常呼吸の時間的変動から、睡眠全体に占める無呼吸識別時間の比であるＡＳ比を計算する（ステップＳ２０８）。睡眠時間をｔ、無呼吸と識別された時間をｔａとすると、ＡＳ比は１００×ｔａ／ｔ（％）で定義される。
ＳＡＳ検知手段３０５は、ＡＳ比と、ＳＡＳの疑いを検知するための所定の閾値とを比較し、ＡＳ比が閾値以上であるか否かを判定する（ステップＳ２０９）。ＡＳ比が閾値以上の場合（ステップＳ２０９においてＹＥＳ）、ＳＡＳ検知手段３０５は、ＳＡＳの疑い有りと判定し（ステップＳ２１０）、ＡＳ比が閾値未満の場合（ステップＳ２０９においてＮＯ）、ＳＡＳ検知手段３０５は、正常と判定する（ステップＳ２１１）。ＳＡＳ検知手段によるＳＡＳの疑いの検知結果は、表示部３０６に表示される。以上により、無呼吸識別動作が終了する。
［４．評価試験］
発明者は、上記の実施の形態に係る無呼吸識別方法（以下、「提案法」という）の性能を評価するために、臨床データを用いた評価試験を実施した。
発明者は、上記の実施の形態に係る無呼吸識別方法（以下、「提案法」という）の性能を評価するために、臨床データを用いた評価試験を実施した。
患者３３名、健常者２４名に対して睡眠中ＰＳＧを実施した。ＥＣＧ電極不良などにより、実際に解析可能なデータが取得できたのは患者２２名分・健常者１２名分であった。
患者３名のＨＲＶ指標から、正常呼吸時のＨＲＶ指標を抜き出し、これに健常者５名のＨＲＶ指標を加えたものを、正常呼吸時学習データとした。また、患者７名のＨＲＶ指標から、無呼吸時のＨＲＶ指標を抜き出し、これを無呼吸時学習データとした。正常呼吸時学習データと無呼吸時学習データとを結合して学習データのデータセットとし、このデータセットから呼吸識別モデルを構築した。このとき用いたカーネル関数は、Ｇａｕｓｓｉａｎカーネルであり、パラメータσはσ＝２．５とした。パラメータσ、呼吸識別モデルのパラメータ、及びＴｏｔａｌ Ｐｏｗｅｒで規格化するＨＲＶ指標の組み合わせは、クロスバリデーションにより決定した。
構築した呼吸識別モデルを、モデル構築に用いていない患者１３名、健常者７名（以下、「解析対象者」という）のＨＲＶ指標に適用し、ＡＳ比を計算した。図８は、提案法により計算した解析対象者毎のＡＳ比を示すグラフである。図に示すように、患者のＡＳ比の平均が８８％に対して、健常者のＡＳ比の平均が２１％であった。このように、提案法による患者と健常者のＡＳ比の分布は異なり、両者に有意な差が認められた（ｐ＜０．０１）。
提案法では、ＡＳ比が閾値を上回った被験者をＳＡＳの疑い有りと判定し，ＳＡＳのスクリーニングを行う。このため、高い判定精度を得るためには、閾値の設定が重要である。図９は、呼吸識別モデルの構築に使用されたＳＡＳ患者７名及び健常者５名それぞれのＨＲＶ指標から得られるＡＳ比を示すグラフである。図９より、呼吸識別モデル構築用のＳＡＳ患者７名及び健常者５名を正確に分類するためには、閾値を２５％に設定すればよい。そこで、閾値を２５％に設定すると、図８に示すように、解析対象者のＳＡＳ患者１３人全員をＳＡＳの疑い有りとし、健常者７人中４人を健常者として識別できた。つまり、感度１００％、特異度５７％でＳＡＳの疑いを検知することができた。
一方、米国内科学会のガイドラインによると、ＳＡＳ患者のうち、心疾患による死亡、心血管疾患、ＩＩ型糖尿病発症のリスクが明らかに上昇するのは、ＡＨＩ≧３０の患者であることが報告されている。図９の患者９のＡＨＩは１９．９であるため、この患者が健常者と誤識別されても生命予後の観点からは問題ないと言える。そこで図９の患者９の健常者への誤識別を許容して、ＡＳ比の閾値を５０％として設定すると、図８に示すように、ＳＡＳ患者１３人中１３人をＳＡＳの疑い有りとし、健常者７人中６人を健常者として正しく識別できた。つまり、感度１００％、特異度８６％でＳＡＳの疑いを検知することができた。
以上のように、本実施形態に係る無呼吸識別システム１００にあっては、被験者の睡眠時における無呼吸状態／正常呼吸状態の時間的変動を得ることができ、この時間的変動に基づいて、ＳＡＳの疑いを正確に検知することができる。
また、本実施形態に係る無呼吸識別システム１００にあっては、心拍計測器２００によって得られた心拍データに含まれるＲＲＩデータを、処理部３００が処理することにより、医師によるデータの解釈を必要とすることなく、ＳＡＳの疑いを検知することができる。このため、無呼吸識別システム１００は、在宅でのＳＡＳスクリーニングに適している。
［５．その他の実施形態］
上記の実施形態においては、加速度センサ３１６により検出した加速度を用いて、被験者の入眠を識別する構成について述べたが、これに限定されるものではない。図１０は、他の実施形態に係る無呼吸識別システムの構成を示す模式図である。この無呼吸識別システム１００は、ＨＲＶ指標を用いて入眠の識別を行う入眠識別手段４０１を備えている。入眠識別手段４０１は、第２識別モデルとして入眠識別モデル４０２を有する。入眠識別モデル４０２は、サポートベクタマシンであり、ＨＲＶ指標が与えられると、睡眠状態と、覚醒状態とを識別する。睡眠状態では副交感神経が優位となり、覚醒状態では交感神経が優位となる。このため、睡眠状態では覚醒状態に比べて心拍数が減少する。したがって、ＨＲＶ指標を用いることで、入眠したか否かの識別が可能である。この場合、ユーザが入眠する前から起床するまで通信部３０１が心拍データを受信しておき、この心拍データに含まれるＲＲＩデータを用いてＨＲＶ指標の時間的変動を算出し、算出されたＨＲＶ指標の時間的変動を用いて、ユーザが入眠したか否かの識別を行う。入眠識別に用いられるＨＲＶ指標は、上記の無呼吸／正常呼吸の識別に用いられるＨＲＶ指標の一部又は全部でもよいし、他のＨＲＶ指標を含んでいてもよい。処理部３００が取得した全ＲＲＩデータから、入眠したと識別された時点以降のＲＲＩデータを無呼吸／正常呼吸識別用に抽出し、このＲＲＩデータを用いて無呼吸／正常呼吸識別用のＨＲＶ指標の時間的変動を算出する。
上記の実施形態においては、加速度センサ３１６により検出した加速度を用いて、被験者の入眠を識別する構成について述べたが、これに限定されるものではない。図１０は、他の実施形態に係る無呼吸識別システムの構成を示す模式図である。この無呼吸識別システム１００は、ＨＲＶ指標を用いて入眠の識別を行う入眠識別手段４０１を備えている。入眠識別手段４０１は、第２識別モデルとして入眠識別モデル４０２を有する。入眠識別モデル４０２は、サポートベクタマシンであり、ＨＲＶ指標が与えられると、睡眠状態と、覚醒状態とを識別する。睡眠状態では副交感神経が優位となり、覚醒状態では交感神経が優位となる。このため、睡眠状態では覚醒状態に比べて心拍数が減少する。したがって、ＨＲＶ指標を用いることで、入眠したか否かの識別が可能である。この場合、ユーザが入眠する前から起床するまで通信部３０１が心拍データを受信しておき、この心拍データに含まれるＲＲＩデータを用いてＨＲＶ指標の時間的変動を算出し、算出されたＨＲＶ指標の時間的変動を用いて、ユーザが入眠したか否かの識別を行う。入眠識別に用いられるＨＲＶ指標は、上記の無呼吸／正常呼吸の識別に用いられるＨＲＶ指標の一部又は全部でもよいし、他のＨＲＶ指標を含んでいてもよい。処理部３００が取得した全ＲＲＩデータから、入眠したと識別された時点以降のＲＲＩデータを無呼吸／正常呼吸識別用に抽出し、このＲＲＩデータを用いて無呼吸／正常呼吸識別用のＨＲＶ指標の時間的変動を算出する。
この場合、呼吸識別モデル３１０と同様に、入眠識別モデル４０２がＨＲＶ指標を用いるので、入眠しているか否かの判定にＨＲＶ指標以外のデータを必要とせず、システム構成の複雑化を回避し、コスト増大の抑制が可能となる。
また、入眠したか否かの識別を行わない構成とすることも可能である。この場合、入眠後に無呼吸識別動作を開始するよう、タイマーで開始時刻を設定したり、被験者以外の者が無呼吸識別システム１００を操作したりすることができる。
また、上記の実施形態においては、携帯型情報端末である処理部３００によって、ＲＲＩデータに基づき無呼吸と正常呼吸との識別を行う構成について述べたが、これに限定されるものではない。携帯型情報端末によってＲＲＩデータを、無呼吸識別プログラムを実行するサーバに送信し、サーバによってＲＲＩデータに基づき無呼吸と正常呼吸との識別を行う構成としてもよい。この場合、サーバが処理結果を携帯型情報端末に送信し、携帯型情報端末が処理結果を表示する。また、一部の処理（例えば、ＨＲＶ指標の計算等）を携帯型情報端末によって実施し、他の処理（例えば、無呼吸と正常呼吸との識別等）をサーバによって実施してもよい。
また、上記の実施形態においては、無呼吸識別システム１００が、被験者の無呼吸状態及び正常呼吸状態の時間的変動を取得し、この時間的変動に基づいてＳＡＳの疑いを検知する構成について述べたが、これに限定されるものではない。無呼吸識別システム１００が、被験者の無呼吸状態及び正常呼吸状態の時間的変動を出力する構成とし、出力された時間的変動を医師等が確認して、ＳＡＳの疑いを判断するようにしてもよい。
また、上記の実施の形態においては、呼吸識別モデルをサポートベクタマシンとする構成について述べたが、これに限定されるものではない。呼吸識別モデルは、他の構成とすることも可能である。例えば、ニューラルネットワークによって、ＨＲＶ指標から無呼吸状態及び正常呼吸状態を識別する構成としてもよい。但し、呼吸識別モデルをサポートベクタマシンとすれば、高い識別能力及び処理速度を得ることができる。
また、上記の実施の形態においては、１１種類のＨＲＶ指標を用いて無呼吸状態及び正常呼吸状態の識別を行う構成について述べたが、これに限定されるものではない。使用するＨＲＶ指標の数は問わず、上記の１１種類のＨＲＶ指標の一部を用いてもよいし、上記以外のＨＲＶ指標を用いてもよい。
１００ 無呼吸識別システム
２００ 心拍計測器
３００ 処理部
３０１ 通信部
３０２ 入眠識別手段
３０３ ＨＲＶ指標算出手段
３０４ 呼吸識別手段
３０５ ＳＡＳ検知手段
３０６ 表示部
３１０ 呼吸識別モデル
３１１ ＣＰＵ
３１４ 記憶部
３１６ 加速度センサ
３２０ 無呼吸識別プログラム
４０１ 入眠識別手段
４０２ 入眠識別モデル
２００ 心拍計測器
３００ 処理部
３０１ 通信部
３０２ 入眠識別手段
３０３ ＨＲＶ指標算出手段
３０４ 呼吸識別手段
３０５ ＳＡＳ検知手段
３０６ 表示部
３１０ 呼吸識別モデル
３１１ ＣＰＵ
３１４ 記憶部
３１６ 加速度センサ
３２０ 無呼吸識別プログラム
４０１ 入眠識別手段
４０２ 入眠識別モデル
Claims (6)
- 被験者の心拍データを出力する心拍計測器と、
処理部と、
を備え、
前記処理部は、１又は複数の心拍変動指標が入力として与えられると、無呼吸又は低呼吸であるか正常呼吸であるかを識別する第１識別モデルを有し、
前記処理部は、
前記心拍データを受け取り、
前記心拍データに基づいて、１又は複数の心拍変動指標の時間的変動を算出し、
算出した１又は複数の前記心拍変動指標の時間的変動に基づく入力を、前記第１識別モデルに与えることで、前記被験者が無呼吸又は低呼吸であるか正常呼吸であるかの時間的変動を得る
ことを含む処理を行う
無呼吸識別システム。 - 前記処理部が行う前記処理は、
前記被験者が無呼吸又は低呼吸であるか正常呼吸であるかの前記時間的変動に基づいて、睡眠時無呼吸症候群の疑いを検知する
ことを更に含む
請求項１記載の無呼吸識別システム。 - 前記第１識別モデルは、学習データを用いて構築されたサポートベクタマシンであり、
前記学習データは、
正常呼吸時学習データと、
無呼吸時学習データと、
を含み、
前記正常呼吸時学習データは、健常者の１又は複数の心拍変動指標と、睡眠時無呼吸症候群患者の正常呼吸時における１又は複数の心拍変動指標と、を含み、
前記無呼吸時学習データは、睡眠時無呼吸症候群患者の無呼吸又は低呼吸時における１又は複数の心拍変動指標を含む
請求項１又は２記載の無呼吸識別システム。 - １又は複数の前記心拍変動指標は、心拍変動のパワースペクトルのトータルパワーを前記心拍変動指標の一つとして含む複数の心拍変動指標であり、
前記第１識別モデルに与えられる前記入力は、規格化された心拍変動指標を含み、
規格化された前記心拍変動指標は、前記処理部が算出した複数の前記心拍変動指標のうちの少なくとも一つを、前記トータルパワーで除したものである
請求項１〜３のいずれか１項に記載の無呼吸識別システム。 - 前記処理部が行う前記処理は、
前記被験者が入眠しているか否かを判定する
ことを更に含み、
前記処理部によって前記睡眠時無呼吸症候群の疑いを検知することは、前記被験者が入眠していると判定されている間における、前記被験者が無呼吸又は低呼吸であるか正常呼吸であるかの前記時間的変動に基づいて行われる
請求項２記載の無呼吸識別システム。 - コンピュータを処理部として機能させるためのコンピュータプログラムであって、
前記処理部は、１又は複数の心拍変動指標が入力として与えられると、無呼吸又は低呼吸であるか正常呼吸であるかを識別する第１識別モデルを有し、
前記処理部は、
前記心拍データを受け取り、
前記心拍データに基づいて、１又は複数の心拍変動指標の時間的変動を算出し、
算出した１又は複数の前記心拍変動指標の時間的変動に基づく入力を、前記第１識別モデルに与えることで、前記被験者が無呼吸又は低呼吸であるか正常呼吸であるかの時間的変動を得る
ことを含む処理を行う
コンピュータプログラム。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2015101782A JP6691334B2 (ja) | 2015-05-19 | 2015-05-19 | 睡眠時無呼吸症候群の疑いを検知するためのシステム、処理部及びコンピュータプログラム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2015101782A JP6691334B2 (ja) | 2015-05-19 | 2015-05-19 | 睡眠時無呼吸症候群の疑いを検知するためのシステム、処理部及びコンピュータプログラム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2016214491A true JP2016214491A (ja) | 2016-12-22 |
| JP6691334B2 JP6691334B2 (ja) | 2020-04-28 |
Family
ID=57577606
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2015101782A Active JP6691334B2 (ja) | 2015-05-19 | 2015-05-19 | 睡眠時無呼吸症候群の疑いを検知するためのシステム、処理部及びコンピュータプログラム |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP6691334B2 (ja) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170265818A1 (en) * | 2016-03-17 | 2017-09-21 | Fujifilm Corporation | Diagnosis support apparatus, operating method, and non-transitory computer readable medium |
| ES2684533A1 (es) * | 2017-03-30 | 2018-10-03 | Universidad De Las Palmas De Gran Canaria | Método para la exploración de apnea obstructiva del sueño basado en la señal de saturación de oxigeno |
| KR20190140683A (ko) * | 2018-06-12 | 2019-12-20 | 전남대학교산학협력단 | 호흡상태 분류기의 생성 방법 및 생성한 호흡상태 분류기를 이용한 호흡상태 판단 방법 |
| WO2020166239A1 (ja) * | 2019-02-13 | 2020-08-20 | 国立大学法人京都大学 | 睡眠時無呼吸症候群判定装置、睡眠時無呼吸症候群判定方法、及び、睡眠時無呼吸症候群判定プログラム |
| JP2020168215A (ja) * | 2019-04-03 | 2020-10-15 | 帝人株式会社 | 睡眠状態推定装置、睡眠状態推定方法及び睡眠状態推定プログラム |
| JP2020168214A (ja) * | 2019-04-03 | 2020-10-15 | 帝人株式会社 | 睡眠状態表示方法及び睡眠状態表示プログラム |
| WO2020213689A1 (ja) * | 2019-04-17 | 2020-10-22 | 学校法人福岡大学 | 生体情報測定装置、生体情報測定方法および生体情報測定プログラム |
| KR20200131692A (ko) * | 2019-05-14 | 2020-11-24 | 경북대학교 산학협력단 | 졸음 상태 감지 방법 및 그 장치 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030055348A1 (en) * | 2001-09-14 | 2003-03-20 | University College Dublin | Apparatus for detecting sleep apnea using electrocardiogram signals |
| JP2004041387A (ja) * | 2002-07-10 | 2004-02-12 | Matsushita Electric Ind Co Ltd | 自活能力判定装置、自活能力判定方法、居住施設、媒体、及びプログラム |
| JP2013524865A (ja) * | 2010-03-15 | 2013-06-20 | シンガポール ヘルス サービシーズ ピーティーイー リミテッド | 患者の生存性を予測する方法 |
| JP2013208225A (ja) * | 2012-03-30 | 2013-10-10 | Toshiba Corp | 窒息時覚醒誘発装置 |
-
2015
- 2015-05-19 JP JP2015101782A patent/JP6691334B2/ja active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030055348A1 (en) * | 2001-09-14 | 2003-03-20 | University College Dublin | Apparatus for detecting sleep apnea using electrocardiogram signals |
| JP2004041387A (ja) * | 2002-07-10 | 2004-02-12 | Matsushita Electric Ind Co Ltd | 自活能力判定装置、自活能力判定方法、居住施設、媒体、及びプログラム |
| JP2013524865A (ja) * | 2010-03-15 | 2013-06-20 | シンガポール ヘルス サービシーズ ピーティーイー リミテッド | 患者の生存性を予測する方法 |
| JP2013208225A (ja) * | 2012-03-30 | 2013-10-10 | Toshiba Corp | 窒息時覚醒誘発装置 |
Non-Patent Citations (3)
| Title |
|---|
| GIOVANNA SANNINO ET AL.: "Monitoring Obstructive Sleep Apnea by means of a real-time mobile system based on the automatic extr", JOURNAL OF BIOMEDICAL INFORMATICS, vol. 49, JPN6019011195, 2014, pages 84 - 100, ISSN: 0004137788 * |
| LAIALI ALMAZAYDEH ET AL.: "Obstructive sleep apnea detection using SVM-based classification of ECG signal features", 34TH ANNUAL INTERNATIONAL CONFERENCE OF THE IEEE ENGINEERING IN MEDICINE AND BIOLOGY SOCIETY, JPN6019011193, 2012, pages 4938 - 4941, XP032464044, ISSN: 0004137786, DOI: 10.1109/EMBC.2012.6347100 * |
| 循環器領域における睡眠呼吸障害の診断・治療に関するガイドライン, JPN6019040588, 2012, pages 1053 - 1084, ISSN: 0004137787 * |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170265818A1 (en) * | 2016-03-17 | 2017-09-21 | Fujifilm Corporation | Diagnosis support apparatus, operating method, and non-transitory computer readable medium |
| ES2684533A1 (es) * | 2017-03-30 | 2018-10-03 | Universidad De Las Palmas De Gran Canaria | Método para la exploración de apnea obstructiva del sueño basado en la señal de saturación de oxigeno |
| KR20190140683A (ko) * | 2018-06-12 | 2019-12-20 | 전남대학교산학협력단 | 호흡상태 분류기의 생성 방법 및 생성한 호흡상태 분류기를 이용한 호흡상태 판단 방법 |
| KR102205806B1 (ko) * | 2018-06-12 | 2021-01-20 | 전남대학교산학협력단 | 호흡상태 분류기의 생성 방법 및 생성한 호흡상태 분류기를 이용한 호흡상태 판단 방법 |
| WO2020166239A1 (ja) * | 2019-02-13 | 2020-08-20 | 国立大学法人京都大学 | 睡眠時無呼吸症候群判定装置、睡眠時無呼吸症候群判定方法、及び、睡眠時無呼吸症候群判定プログラム |
| JP7403166B2 (ja) | 2019-02-13 | 2023-12-22 | 国立大学法人京都大学 | 睡眠時無呼吸症候群判定装置、睡眠時無呼吸症候群判定装置の動作方法、及び、睡眠時無呼吸症候群判定プログラム |
| JP7288333B2 (ja) | 2019-04-03 | 2023-06-07 | 帝人株式会社 | 睡眠状態表示装置の作動方法及び睡眠状態表示プログラム |
| JP2020168215A (ja) * | 2019-04-03 | 2020-10-15 | 帝人株式会社 | 睡眠状態推定装置、睡眠状態推定方法及び睡眠状態推定プログラム |
| JP2020168214A (ja) * | 2019-04-03 | 2020-10-15 | 帝人株式会社 | 睡眠状態表示方法及び睡眠状態表示プログラム |
| JP7288334B2 (ja) | 2019-04-03 | 2023-06-07 | 帝人株式会社 | 睡眠状態推定装置、睡眠状態推定装置の作動方法及び睡眠状態推定プログラム |
| WO2020213689A1 (ja) * | 2019-04-17 | 2020-10-22 | 学校法人福岡大学 | 生体情報測定装置、生体情報測定方法および生体情報測定プログラム |
| US11986303B2 (en) | 2019-04-17 | 2024-05-21 | Fukuoka University | Biological information measurement device, biological information measurement method, and medium storing biological information measurement program |
| JP7493811B2 (ja) | 2019-04-17 | 2024-06-03 | 学校法人福岡大学 | 生体情報測定装置、生体情報測定方法および生体情報測定プログラム |
| KR102243373B1 (ko) | 2019-05-14 | 2021-04-22 | 경북대학교 산학협력단 | 졸음 상태 감지 방법 및 그 장치 |
| KR20200131692A (ko) * | 2019-05-14 | 2020-11-24 | 경북대학교 산학협력단 | 졸음 상태 감지 방법 및 그 장치 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP6691334B2 (ja) | 2020-04-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6691334B2 (ja) | 睡眠時無呼吸症候群の疑いを検知するためのシステム、処理部及びコンピュータプログラム | |
| US11452457B2 (en) | Method and device for improving prediction and detection of change in a physiological condition | |
| US10687757B2 (en) | Psychological acute stress measurement using a wireless sensor | |
| Park et al. | Smart technologies toward sleep monitoring at home | |
| CN111246798B (zh) | 呼吸紊乱的自动检测 | |
| EP1711104B1 (en) | Method and apparatus for ecg-derived sleep disordered breathing monitoring, detection and classification | |
| JP5961235B2 (ja) | 睡眠／覚醒状態評価方法及びシステム | |
| US10624574B2 (en) | Determination system and method for determining a sleep stage of a subject | |
| JP6367982B2 (ja) | 増悪及び／又は入院の危険性を評価するための装置、システム、方法、及びコンピュータプログラム | |
| US20170368258A1 (en) | Closed-loop control of insulin infusion | |
| TW201538127A (zh) | 睡眠檢測系統和方法 | |
| JP2016016144A (ja) | 生体情報処理システム及び生体情報処理システムの制御方法 | |
| US20200359909A1 (en) | Monitoring device including vital signals to identify an infection and/or candidates for autonomic neuromodulation therapy | |
| US20180055373A1 (en) | Monitoring device to identify candidates for autonomic neuromodulation therapy | |
| JP7403166B2 (ja) | 睡眠時無呼吸症候群判定装置、睡眠時無呼吸症候群判定装置の動作方法、及び、睡眠時無呼吸症候群判定プログラム | |
| Lee et al. | Monitoring obstructive sleep apnea with electrocardiography and 3-axis acceleration sensor | |
| JP7476508B2 (ja) | 健康状態判定システム、健康状態判定方法及びプログラム | |
| RU2564902C1 (ru) | Способ диагностики синдрома обструктивного апноэ/гипопноэ сна | |
| Lee | Diagnosis of Obstructive Sleep Apnea Using ECG Sensor Computer-Aided Diagnosis with Portable ECG Recorder and Acceleration Sensors for Detecting Obstructive Sleep Apnea | |
| Kim et al. | Computer Supported Detection for Obstructive Sleep Apnea Using Electrocardiographic-Acceleration Sensors |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20150608 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20180402 |
|
| RD02 | Notification of acceptance of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7422 Effective date: 20180921 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20180921 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20190212 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20190402 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190517 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20191029 |
|
| A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20191206 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200127 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20200310 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20200403 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6691334 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313113 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |