JP2016533846A - 人の心血管フィットネスを推定するためのシステムと方法 - Google Patents

Abstract

本発明は、人の心拍についての情報を含む心拍信号を取得するための心拍モニタ１０、人の身体活動を示す活動信号を取得するための活動モニタ２０、取得された活動信号に基づいて人の活動を分類するための分類器３０、人の心血管フィットネスの推定において使用するために、取得された心拍信号と活動の分類とに基づいて、取得された心拍信号から得られる一つ以上の心拍特徴を選択するための選択器４０、並びに一つ以上の選択された心拍特徴に基づいて人の心血管フィットネスを推定するための推定器５０を有する、人の心血管フィットネスを推定するためのシステム１に関する。

Description

本発明は、人の心血管フィットネスを推定するためのシステム、方法、プロセッサ及び処理法に関する。さらに、本発明は上記処理法を実現するためのコンピュータプログラムに関する。

心血管フィットネスは、スポーツ、フィットネス産業、診断、予後及びリハビリテーションのための臨床、並びに無症候者におけるセルフモニタリングなど、多数の分野で重要である。フィットネスの直接測定は最大限の生理学的努力を要し、これは心血管イベントのより高いリスク、高価な装置及び訓練された人材を伴う。フィットネスの間接推定はこれらの制限の一部を克服するが、依然として特定プロトコルを厳密に経ることを要し、時間がかかり、特定機器（実験用自転車、ステップなど）の使用を伴うことが多い。

ＵＳ６，２４１，６８４は大型装置の制約なしに、又は面倒な操作が実行されることを要することなく、最大酸素摂取量を決定することができる装置を開示する。装置は適切な運動強度に対応する脈拍数の上限値と下限値を表示し、脈波情報を処理する情報処理装置との脈波信号などの情報の送受信を、光通信を用いて無線で実現する。装置は、被験者の脈波形を検出するための脈波検出器；脈波形から被験者の心拍速度を決定するためのＦＦＴプロセッサ；被験者が走っているときの体動を検出するための体動検出器；被験者によるランニング中の体動からピッチを決定するためのＦＦＴプロセッサ；ランニング中の体動からピッチ、被験者のストライド、及び運動強度を決定するための運動強度計算器；Ａｓｔｒａｎｄ‐Ｒｙｈｍｉｎｇノモグラムによって示される関係を記録し、心拍数と運動強度から最大酸素摂取量を決定するためのノモグラムレコーダを備える。得られた最大酸素摂取量は単位体重あたり最大酸素摂取量を計算するために被験者の体重で除される。次に、性別に従って最大酸素摂取量と脈が決定され、脈拍数の上限値と下限値を決定するために脈拍数に上限及び下限値係数を乗じる。

ＷＯ２０１２／０５７８５２ Ａ１は虚血を検出し虚血のタイプを分類するための技術を開示する。心臓活動の心電図が生成され評価される。心電図メトリックの変化が検出されるかどうかに基づいて虚血が検出され良性若しくは悪性と分類される。心電図メトリックにおける変化と心拍数若しくは患者活動の変化の相対的タイミングも考慮され得る。システムは患者に運動するよう指示すること若しくは心臓ペーシングレートを増加することによって虚血を検出するためのストレステストを作成し得る。

ＥＰ ２ ５２４ ６４７ Ａ１は人の睡眠ステージを決定するためのシステムと方法を開示する。心拍数と体動が検出され分類される。心拍数クラスと体動クラスの組み合わせが特定され、人の睡眠ステージ及び／又は睡眠イベントがそれに基づいて決定される。

ＥＰ ２ ３３５ ５６３ Ａ１は心臓活動センサとモーションセンサをさらに有する運動関連データを処理するためのシステムを開示する。ユーザが実行したい運動のタイプがユーザインターフェースを通じてユーザによって入力される。それに基づいて運動関連情報が計算され得る。

Ａｌｔｉｎｉらはエネルギー推定誤差及び個人間変動を減らすために心拍数正規化因子を用いるエネルギー消費推定の個人化を開示する（"Ｐｅｒｓｏｎａｌｉｚｉｎｇ ｅｎｅｒｇｙ ｅｘｐｅｎｄｉｔｕｒｅ ｅｓｔｉｍａｔｉｏｎ ｕｓｉｎｇ ａ ｃａｒｄｉｏｒｅｓｐｉｒａｔｏｒｙ ｆｉｔｎｅｓｓ ｐｒｅｄｉｃａｔｅ"，７ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｐｅｒｖａｓｉｖｅ Ｃｏｍｐｕｔｉｎｇ Ｔｅｃｈｎｏｌｏｇｉｅｓ ｆｏｒ Ｈｅａｌｔｈｃａｒｅ（ＰｅｒｖａｓｉｖｅＨｅａｌｔｈ），ｐｐ．６５‐７２，５‐８ Ｍａｙ ２０１３）。上記正規化因子の推定は、身体測定特性と一緒に、横たわって休んでいる間及び異なるスピードで歩いている間の被験者の心拍数を有するパラメータの固定セットに基づく。

ユーザが既定プロトコルに厳密に従うこと及び／又はトレッドミル若しくはエルゴメータのような所定機器を使用することを必要とせず、ユーザが日常生活の状況において自分の心血管フィットネスを確実に評価することを可能にする、人の心血管フィットネスを推定するためのシステム、方法、プロセッサ及び処理法を提供することが本発明の目的である。

本発明の第一の態様において、以下を有する人の心血管フィットネスを推定するためのシステムが提示される：
‐人の心拍についての情報を含む心拍信号を取得するための心拍モニタ、
‐人の身体活動を示す活動信号を取得するための活動モニタ、
‐取得された活動信号に基づいて人の活動を分類するための分類器、
‐人の心血管フィットネスの推定において使用するために、取得された心拍信号と活動の分類とに基づいて、取得された心拍信号から得られる一つ以上の心拍特徴を選択するための選択器、
‐一つ以上の選択された心拍特徴に基づいて人の心血管フィットネスを推定するための推定器。

本発明のさらなる態様において、
‐人の身体活動を示す取得された活動信号に基づいて人の活動を分類し、
‐人の心血管フィットネスの推定において使用するために、取得された心拍信号と活動の分類とに基づいて、人の心拍についての情報を含む取得された心拍信号から得られる一つ以上の心拍特徴を選択し、
‐一つ以上の選択された心拍特徴に基づいて人の心血管フィットネスを推定する
ように構成される処理手段を有する、人の心血管フィットネスを推定するためのプロセッサが提示される。

本発明のさらなる態様において、対応する方法、コンピュータプログラムがコンピュータ上で実行されるときに本明細書に開示の処理法のステップをコンピュータに実行させるためのプログラムコード手段を有するコンピュータプログラム、並びにプロセッサによって実行されるときに本明細書に開示の処理法を実行させるコンピュータプログラム製品を中に格納する非一時的コンピュータ可読記録媒体が提供される。

本発明の好適な実施形態は従属請求項に定義される。請求される方法、プロセッサ、コンピュータプログラム及び媒体は請求されるシステム及び従属請求項に定義されるものと同様の及び／又は同一の好適な実施形態を持つことが理解されるものとする。

本発明は、人がいかなる特定プロトコルを経ることも要することなく、人（ユーザ）の心血管フィットネスを評価（"推定"）するというアイデアに基づく。ユーザの心拍（ＨＲ）及び身体活動をモニタリングすることによって、人によって実行される活動のタイプが認識（"分類"）され、主にこの認識に基づいて、人のフィットネスを評価するためにどのＨＲ特徴を使用するかが決定される。さらに、どのＨＲフェーズが現在利用可能であるかについての情報が、人のフィットネスを推定するために最も適切なＨＲ特徴を選択するために使用される。従って人が、時間がかかり、多数の場合特定機器（ステアマスター、トレッドミル若しくはエルゴメータなど）を要する、既定プロトコルに厳密に従う必要があるという問題が克服される。本発明は日常生活の状況において人の心血管フィットネスの正確な推定を可能にする。

一般に、様々な種類の活動モニタが人の身体活動を示す活動信号を取得するために使用され得る。好適には、例えばアクティビティカウント（単位時間当たりの動きの数）、活動の強度、動かされた身体部位の加速度などを含む活動パターンが得られる。好適な実施形態において上記活動モニタは活動信号として人の体の少なくとも一部の加速度を示す加速度信号を取得するための加速度計を含む。かかる加速度計は広く知られており、安価で、人の可動性を妨げることなく人が容易に装着することができる。

別の実施形態によれば上記分類器は人の活動を少なくとも活動及び無活動に、特にサイクリング、ウォーキング、ランニング、上昇、定常回復及び無活動に分類するように構成される。活動のタイプがより良く分類され得るほど、より適切にＨＲ特徴がフィットネス評価のために選択され得る。好適には、一つ以上の回帰モデルが適用され、活動信号から得られる様々なパラメータがこの分類のために使用される。

一実施形態において上記選択器は、心拍回復、ピーク心拍、心拍変動、心拍上昇、安静時心拍を有する心拍特徴のグループから一つ以上の心拍特徴を選択するように構成される。

好適には、上記選択器はどの心拍フェーズが現在存在するかに基づいて一つ以上の心拍特徴を選択するように構成される。例えば、上昇ＨＲの場合、ＨＲ回復の場合（その場合使用されるＨＲ特徴は例えば最初の１０秒間の時定数、線形切片である）と異なるＨＲ特徴（例えば傾き、線形切片）が好適に使用される。

推定器は人の体力を示す最大酸素摂取量を推定するように有利に構成される。心血管機能は最大心拍出量に起因し、これは一般に知られるＦｉｃｋの原理により、例えばＢａｓｓｅｔｔ ＤＲ，Ｊｒ．，Ｈｏｗｌｅｙ ＥＴ，Ｌｉｍｉｔｉｎｇ ｆａｃｔｏｒｓ ｆｏｒ ｍａｘｉｍｕｍ ｏｘｙｇｅｎ ｕｐｔａｋｅ ａｎｄ ｄｅｔｅｒｍｉｎａｎｔｓ ｏｆ ｅｎｄｕｒａｎｃｅ ｐｅｒｆｏｒｍａｎｃｅ，Ｍｅｄ Ｓｃｉ Ｓｐｏｒｔｓ Ｅｘｅｒｃ．２０００ Ｊａｎ；３２（１）：７０‐８４に記載の通り、最大酸素摂取量（ＶＯ_２ｍａｘ）に関連する。

さらに別の実施形態においてシステムは人の年齢、性別、体重、身長、ＢＭＩの一つ以上を含む人についてのユーザ情報を受信するためのインターフェースをさらに有する。さらに、上記推定器はこの実施形態において一つ以上の選択された心拍特徴とユーザ情報とに基づいて人の心血管フィットネスを推定するように構成される。これはフィットネス推定の精度をさらに増加する。心血管フィットネスは好適には、研究室で評価される相対誤差について重み付けされた各心拍特徴によって推定される平均ＶＯ_２ｍａｘを考慮して計算される。

好適には、上記選択器は心拍特徴として、
‐人の身体活動が検出される場合、ピーク心拍から得られる一つ以上の心拍特徴、
‐人の身体活動が検出されない場合、一つ以上の心拍回復パラメータ、及び／又は、
‐人の身体活動が検出されない場合及び人の心拍が安静時である場合、一つ以上の心拍統計的測定、
を選択するように構成される。

この実施形態はフィットネス推定の信頼できる正確な結果を提供することが示されている。

さらに、精度をさらに増すことに向けられた実施形態において、上記推定器は、特に二乗平均平方根推定を使用して、異なる選択された心拍特徴に基づいて推定された心血管フィットネス間の整合性を評価するように構成される。

より実用的な実施形態において、上記心拍モニタはフォトプレチスモグラフィ若しくは光学センサ（例えばＷＯ２０１３／０７６６５６ Ａ１に記載）を含み、及び／又は上記心拍モニタと上記活動モニタは人によって装着され得る共通ウェアラブルデバイスに、特に手首装着デバイスに統合される（例えばＷＯ２０１３／０３８２９６ Ａ１に記載）。

本発明のこれらの及び他の態様は以降に記載の実施形態から明らかとなり、それらを参照して解明される。

本発明にかかるシステムの一実施形態の略図を示す。 本発明にかかるシステムの実用的実施の一実施形態を示す。 分類器の一実施形態の略図を示す。 ウォーキング及びランニング中のＶＯ_２ｍａｘ及びＨＲ／カウント間の相関を図示する図を示す。 本発明にかかる方法の一実施形態のフローチャートを示す。

心血管系の機能的能力の評価はスポーツ医学において必須である。心血管機能は最大心拍出量に起因し、これはＦｉｃｋの原理によって最大酸素摂取量（ＶＯ_２ｍａｘ）に関連する。アスリートにおいて、ＶＯ_２ｍａｘはその有酸素パワーについて有益な情報を与える。有酸素パワーは持久力スポーツのパフォーマンスの基本的決定要因であり、トレーニングの有効性の指標である。臨床設定において、ＶＯ_２ｍａｘは、冠動脈疾患若しくは心不全の患者など、複数の臨床集団において重要な診断及び予後情報を提供する。同様に、心血管機能評価は無症候成人においてフィットネスを評価するために非常に重要であり得る。ＶＯ_２ｍａｘの直接決定は最も正確な方法であるが、これは被験者による最大レベルの労作を要し、これは心血管障害の中度から高度のリスクとともに個人に有害イベントの高リスクをもたらす。さらに、呼気分析システムが必要であり、これは専門知識を要し追加コストを伴う。最大下運動試験中のＶＯ_２ｍａｘの推定は貴重な代替手段を提供し得る。過去数十年にわたり多くのプロトコルがこの目的のために開発されてきた。しかしながら、最大下プロトコルはユーザが標準運動プロトコルに従うことを要する。多くの場合これらの運動プロトコルは時間（３〜６分）と特殊な機器（ステップ、トレッドミル、エルゴメータ）を要し、とりわけ、ユーザがその心血管機能のよい推定を得るために適切に指示に従わなければならない。

最終的に、心血管フィットネスは心臓サイズと本質的に関連する。大きな心臓はより大きな一回拍出量（Ｌ／拍）を持つ。一回拍出量は各心臓サイクル（拍）ごとに拍出される血液量である。体は、約５Ｌ／分（安静時標準被験者）の十分な血液供給を要するので、心拍は一回拍出量に従って適応される。一回拍出量が大きい、例えば１２５ｍＬ／拍である場合、４０拍／分の心拍（ＨＲ）が出力５Ｌ／分を供給するために十分であり得る。逆に、同じ標準被験者において心臓が小さい場合、その結果一回拍出量は少なくなり、例えば５６ｍＬになり、その場合９０（拍／分）のより高いＨＲが同じ５Ｌ／分の心拍出量を供給するために必要である。これは運動状態及び回復状態にも当てはまり得る。これが心血管フィットネスを評価するためにＨＲが使用されることが多い理由である。

安静時ＨＲそれ自体は個人のフィットネスレベルをよく代表するが、これは感情、温度、消化、薬剤（カフェイン）などといった外的若しくは内的ストレッサーによる影響も受ける。人（以降ユーザともよばれる）が身体活動に従事するとき、ＨＲはこれらの要因によってあまり影響されず、活動自体の代謝要求（ＶＯ_２）に直接関連する。しかしながら、運動ＨＲは疲労、温度及び運動強度などの一部のフィットネス独立因子によっても影響され得る。さらに、ピーク運動ＨＲが到達可能な最大ＨＲに近い場合、これは個人のフィットネスに関係なく年齢によって主に影響される。ＨＲの一拍ごとの変動（ＨＲＶ）もフィットネスを予測するために使用され得る。しかしながら、フィットネスとのその関係はＨＲのみとの関係よりもあまり直感的でない。この関係は自律神経系が心臓のペースメーカーの調節において果たす役割にあると見られ、これは前述の通り心臓サイズによって強く影響される。ＨＲＶにはいくらかの限界もあり、実際、これは呼吸、動き及び多くの他の要因によって影響される。

上記から得られる認識に基づき、本発明者らはこれらのＨＲ由来パラメータが、その予測力が最高であるときに使用される統合的アプローチを使用するという論拠に達した。さらに、加速度測定法（若しくはより一般的に人の身体活動の検出）が、身体活動のタイプを分類するために、特に身体活動の負荷（スピード）を推定するために使用される。各負荷（すなわちランニングスピード）あたり、健康／不健康な人は、体重、年齢及び性別などの何らかの個人データを所与として、何らかの既知の運動ＨＲ及び回復ＨＲを示すはずなので、これは有益な情報であることがわかっている。従って、その推定負荷あたり基準ＨＲと測定ＨＲを比較することによって、ユーザの実際のフィットネスが予測され得る。正確な身体活動の開始及び終了認識と、正確な活動分類を示唆するこの追加特徴は、フィットネス予測の精度を大いに改良する。これから詳細がより詳細に説明される。

図１は本発明にかかる人の心血管フィットネスを推定するためのシステム１の一実施形態の略図を示す。システム１は人の心拍についての情報を含む心拍信号を取得するための心拍モニタ１０と、人の身体活動を示す活動信号を取得するための活動モニタ２０とを有する。取得された活動信号に基づいて人の活動を分類するための分類器３０が設けられる。人の心血管フィットネスの推定において使用するために、取得された心拍信号と活動の分類とに基づいて、取得された心拍信号から得られる一つ以上の心拍特徴を選択するための選択器４０が設けられる。一つ以上の選択された心拍特徴に基づいて人の心血管フィットネスを推定するための推定器５０が設けられる。

分類器３０の一実施形態において、選択器４０と推定器５０はプロセッサ２上で実現されるが、他の実施例（例えば個別プロセッサ、ソフトウェア要素、専用ハードウェア要素を通じて）も可能である。

オプションとして、人の年齢、性別、体重、身長、ＢＭＩの一つ以上を含む人についてのユーザ情報を受信するためのインターフェース６０が付加的に設けられる。当該情報は人によって入力され得るか、又は記憶素子（不図示）に格納され得る。このオプションで、推定器５０は一つ以上の選択された心拍特徴とユーザ情報とに基づいて人の心血管フィットネスを推定するように構成される。推定の例は：
ＶＯ_２ｍａｘ＝ａ０×年齢＋ａ１×性別（男性１、女性０）＋ａ３×体重＋ａ４×身長＋ａ５×ＢＭＩ＋ａ６ＨＲ特徴
であり、ａ０からａ６は各情報ピースが推定において考慮されるべき重要度を示す、人についての様々な情報ピースに重みを割り当てるための既定重み係数である。

時間がかかり、多数の場合特殊機器（ステップ、トレッドミル、エルゴメータ）を要する、ユーザが決まったプロトコルに従う必要があるという、並びにＶＯ_２ｍａｘの正確な推定を可能にするために運動プロトコルが厳密に従われなければならないという、心血管機能（ＶＯ_２ｍａｘ）における問題は、提案されるシステムによって克服される。本発明はユーザの背景及び挙動に従って、ＨＲ回復（運動期間後に心拍がベースラインに戻るときの心拍）、ピークＨＲ（最大ＨＲ；身体活動中に人が達する最高心拍）、ＨＲ変動（ＨＲＶ；心拍間時間間隔における変動）、安静時ＨＲ（安静時の心拍）など、一つ以上の異なるＨＲ特徴を組み合わせる。システムは自由生活条件においてフィットネスを確実に評価するためにどのＨＲ特徴をいつ使用するかを決定する（例えばユーザが座っている若しくは横たわっている場合、ＨＲＶが好適に使用され；ユーザが運動から回復している場合、ＨＲ回復が好適に使用される）。

一般に、いかなるＨＲモニタも活動モニタ（例えば加速度計）と組み合わせて使用されることができる。この目的のために使用され得る統合装置の一実施例は例えばＷＯ２０１３／０３８２９６ Ａ１に記載の通り（ＨＲ検出用）フォトプレチスモグラフィセンサと（活動検出用）三軸加速度計を含む光学ＨＲセンサである。かかる統合装置は、ユーザ４によってその腕５に装着され得る、図２に例示の手首装着装置３として実現され得る。この技術は体のいかなる場所（例えば手首）においても邪魔にならず快適にＨＲのモニタリングを可能にする。この実施形態は、ユーザが一日及び場合により夜間を通して腕時計若しくはブレスレットを装着するだけでそのフィットネス評価を行うので、理想的である。

一般に、他の種類のＨＲモニタ及び身体活動モニタも本発明にかかるシステムにおいて使用され得る。例えば、ＨＲモニタとしてＥＣＧセンサ若しくは従来のＨＲセンサが使用されてもよく、身体活動モニタとして一つ以上のモーションセンサが使用されてもよい。心拍モニタの他の実施例はＰＰＧセンサであり、カメラＰＰＧセンサとＧＰＳは活動モニタとしても使用され得る。

分類器３０の一実施形態の略図が図３に描かれる。最も単純な実施形態において分類器３０は活動がユーザによって実行されるか否かを認識する、すなわち安静（無活動）及び活動などの対応するインジケータを決定する。

身体活動モニタ２０で記録される信号はさらに動き速度、強度、スピード、エネルギー若しくは信号エントロピーについての情報を得るために使用され得る。これらの特徴は安静及び活動などの活動状態を分類することができる機械学習アルゴリズムを開発するために有用である。装着式センサデータから異なる活動を識別し分類する異なる技術のレビューは、Ｐｒｅｅｃｅ ＳＪ，Ｇｏｕｌｅｒｍａｓ ＪＹ，Ｋｅｎｎｅｙ ＬＰ，Ｈｏｗａｒｄ Ｄ，Ｍｅｉｊｅｒ Ｋ，Ｃｒｏｍｐｔｏｎ Ｒ．Ａｃｔｉｖｉｔｙ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｕｓｉｎｇ ｂｏｄｙ‐ｍｏｕｎｔｅｄ ｓｅｎｓｏｒｓ‐ａ ｒｅｖｉｅｗ ｏｆ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｔｅｃｈｎｉｑｕｅｓ．Ｐｙｓｉｏｌ Ｍｅａｓ．２００９ Ａｐｒ；３０（４）：Ｒ１‐３３．ｄｏｉ：１０．１０８８／０９６７‐３３３４／３０／４／Ｒ０１．Ｅｐｕｂ ２００９ Ａｐｒ ２に見られる。

図３における分類器３０の実施形態例を再度参照すると、分類器３０は身体活動モニタ２０で記録される活動信号２１を受信する。分類器は特徴抽出器３１を含み、これは分ベースで測定されるアクティビティカウント（ＡＣ）；モーションレベル、すなわち曲線下の信号領域の振幅（ＭＬ）；モーションレート（ＭＲ，ｂｐｍ）；モーション周波数；モーションスピード；加速度計の三つの検出軸（Ｃｘ，Ｃｙ，Ｃｚ）に投影される垂直方向に沿った単位ベクトル（重力ベクトル）の成分；信号エントロピー（Ｊ）；及びモーション品質、例えば信号エントロピーの逆数（ＭＲＱｕａｌｉｔｙ、例えば０から１の範囲の値であらわされる）など、活動信号２１から動き特徴を計算する。

動き特徴は、ユーザが身体活動を実行しているか若しくは座っているかどうかを決定する、安静／活動分類器と呼ばれる第一分類器ステージ３２への入力をあらわす。以下のアルゴリズムは安静／活動分類器の出力を決定するために使用され得る：

分類器３０は活動が安静（Ｃ_ＲＥＳＴ）若しくは活動（Ｃ_{ＡＣＴＩＶＥ}）クラスに属するかどうかを決定する二段階分類を提供するマルチパラメトリックモデルを利用することができ、Ｃ_ＲＥＳＴ及びＣ_{ＡＣＴＩＶＥ}は安静若しくは活動の状態を示す分類器のクラス出力をあらわす。活動が第一分類器ユニット３２によって検出される場合、活動タイプ分類器とよばれる第二分類器ユニット３３が、身体活動のタイプを区別するために利用される。動きのスピード及び階段の上り下りを検出する高度の変化に関する動き特徴を評価することによって、歩行、階段歩行、ランニング、及びサイクリングの区別がなされ得る。この第二分類器ユニット３３が構築され得る方法についての別の実施例は、活動信号の特徴のリスト（上記リスト）を所与として活動タイプの確率を記述するＮａｉｖｅＢａｙｅｓ分類器としてである。測定された活動信号から計算される特徴が、データベースにおける特定活動について事前に記録された特徴と値が類似するとき、活動モニタ２０によって測定される活動がデータベースにおいて特定される活動に対応する確率は大きい。それにより、活動タイプが第二分類器ユニット３３によって分類され得る。そして分類器３０の出力Ｃ_{ＡＣＴＩＶＥ}は活動のタイプを示す。

さらに、身体活動の持続時間、開始及び終了に関する時間的情報も分類器出力から推定され得る。この情報は活動の開始時のＨＲ上昇中の傾向、活動が継続している間のＨＲピークの活動終了後のＨＲ回復における傾向など、ＨＲダイナミクスを特徴付けるためにさらに使用され得る。そしてこれらの特徴は心肺フィットネスを推定するためにＶＯ_２ｍａｘ予測アルゴリズムと組み合わせて使用される。

活動が実行されるか否かに従って、及びどのＨＲフェーズ（例えば上昇ＨＲ、定常運動ＨＲ、ＨＲ回復）が利用可能かに従って、選択器４０はその活動についてＶＯ_２ｍａｘを推定するために最も適切なＨＲ特徴を選択する。ＶＯ_２ｍａｘの最も適切な推定は好適には検証試験（好適には研究室で事前に一度なされる）において最低二乗平均平方根誤差（ＲＭＳＥ）を示したものである。

一実施形態によればＶＯ_２ｍａｘ推定モデルはより多数のＨＲ特徴ベースモデルの中から選ばれる。例えば、アクティビティカウントが１０００未満である場合、安静時ＨＲ（例えば安静時ＨＲ中央値）若しくはＨＲＶ（例えばＳＤＮＮ；ＮＮ間隔の標準偏差）回帰モデルがＶＯ_２ｍａｘを推定するために使用される。アクティビティカウントが少なくとも１分以上１０００から５０００の間である場合、運動ＨＲ（例えばＨＲ／カウント）に基づく回帰モデルが使用される；分類器が少なくとも３０秒の活動回復を認識する場合、ＨＲ回復（例えば勾配若しくはデルタ）が使用されるなど。

以下、複数の異なるＨＲ特徴に基づく回帰モデルの実施例が示される：
ｉ)ＶＯ_２ｍａｘ［Ｌ／ｋｇ／分］＝６９．９２４３−０．４０６３７×安静時ＨＲ中央値
トレーニング＊＊
ｂｉａｓ＝−９．７７ｅ−０１５
ｒｍｓｅ＝５．８７７２
％ｓｔｄ＝０．１４２８
％ｍｅａｎ＝−０．０２２０４３
％ｓｅｅ＝０．０３５７６７
検証＊＊
ｂｉａｓ＝１．６３９５
ｒｍｓｅ＝７．５０４４
％ｓｔｄ＝０．１７５９９
％ｍｅａｎ＝０．０２０９２９
％ｓｅｅ＝０．０４０６０３

ｉｉ）ＶＯ_２ｍａｘ［Ｌ／ｋｇ／分］＝５０．１８５５−１．３３９８×安静時ＳＴＤ ＨＲ(ＳＤＮＮ)
トレーニング＊＊
ｂｉａｓ＝−６．２１７２ｅ−０１５
ｒｍｓｅ＝５．９３０３
％ｓｔｄ＝０．１４４０９
％ｍｅａｎ＝−０．０２１２４３
％ｓｅｅ＝０．０３４６７３
検証＊＊
ｂｉａｓ＝１．５４８１
ｒｍｓｅ＝６．２８６４
％ｓｔｄ＝０．１４６４３
％ｍｅａｎ＝０．０１８６３３
％ｓｅｅ＝０．０３２２９７

ｉｉｉ）ＶＯ_２ｍａｘ［Ｌ／ｋｇ／分］＝４３．４８５８−０．００９０２７６×立ち上がり時時定数指数関数フィット
トレーニング＊＊
ｂｉａｓ＝−７．６３８３ｅ−０１５
ｒｍｓｅ＝６．２４６４
％ｓｔｄ＝０．１５１７６
％ｍｅａｎ＝−０．０２５３８
％ｓｅｅ＝０．０３９６８
検証＊＊
ｂｉａｓ＝０．２７４４４
ｒｍｓｅ＝７．０７９４
％ｓｔｄ＝０．１６９７４
％ｍｅａｎ＝−０．０１５１９３
％ｓｅｅ＝０．０４０９７

ｉｖ）ＶＯ_２ｍａｘ［Ｌ／ｋｇ／分］＝２９．９５８＋０．４４２４×３０秒間の回復デルタＨＲ
トレーニング＊＊
ｂｉａｓ＝−３．７３０３ｅ−０１５
ｒｍｓｅ＝５．９６０１
％ｓｔｄ＝０．１４４８１
％ｍｅａｎ＝−０．０２２９７６
％ｓｅｅ＝０．０３７６１３
検証＊＊
ｂｉａｓ＝１．８２０９
ｒｍｓｅ＝７．２６４５
％ｓｔｄ＝０．１６９０１
％ｍｅａｎ＝０．０２１４３２
％ｓｅｅ＝０．０４０４２６

ｖ）ＶＯ_２ｍａｘ［Ｌ／ｋｇ／分］＝３４．０３１９−１１．７１８×回復勾配
トレーニング＊＊
ｂｉａｓ＝５．８６２ｅ−０１５
ｒｍｓｅ＝５．９９５６
％ｓｔｄ＝０．１４５６７
％ｍｅａｎ＝−０．０２３３２７
％ｓｅｅ＝０．０３７６０５
検証＊＊
ｂｉａｓ＝１．５２３８
ｒｍｓｅ＝７．７０８２
％ｓｔｄ＝０．１８１５９
％ｍｅａｎ＝０．０１２４７６
％ｓｅｅ＝０．０４４７８６

ｖｉ）ＶＯ_２ｍａｘ［Ｌ／ｋｇ／分］＝６６．８１３５−６．０３９２×性別−３６８４．１４１７×フィットネスＩＸ−＞ウォーク／ランについてのＨＲ／カウント比（ウォーキング及びランニングＨＲ及びアクティビティカウントが利用可能な場合）
ステップワイズＭＬＲトレーニング＊＊
ｂｉａｓ＝１．７７６４ｅ−０１６
ｒｍｓｅ＝４．８５４５
％ｓｔｄ＝０．１１７９５
％ｍｅａｎ＝−０．０１５７５４
％ｓｅｅ＝０．０３１５１４
ステップワイズＭＬＲ検証＊＊
ｂｉａｓ＝１．９６２７
ｒｍｓｅ＝５．５０３２
％ｓｔｄ＝０．１２３３６
％ｍｅａｎ＝０．０３８２８３
％ｓｅｅ＝０．０２９１８
これらの数はモデルの性能を報告する。

図４はウォーキング及びランニング中のＶＯ_２ｍａｘとＨＲ／カウント間の相関を図示する図を描く。これはモデルＨＲ／カウントがＶＯ_２ｍａｘの推定においてどのように機能するかを図示する。

図５は本発明にかかる方法の一実施形態のフローチャートを示す。このアルゴリズムは利用可能なデータに基づいて、最低検証ＲＭＳＥを伴う予測モデルによって生成されるＶＯ２_ｍａｘ推定を選ぶ。予測モデルは利用可能な全ＨＲ特徴に基づいてモデルのラボエラーを比較するアルゴリズムである。例えば三つの特徴が検出されている場合、
モデル１→ＨＲ特徴１エラー＝３
モデル２→ＨＲ特徴２エラー＝３．５
モデル３→ＨＲ特徴３エラー＝１
システムはモデル３によって推定されるＶＯ_２ｍａｘを選ぶ。

例えば心拍特徴"回復勾配"が利用可能であるようにＨＲ回復データの一部のみが利用可能であることが起こり得る。その場合、ＶＯ_２ｍａｘ推定はＨＲ回復勾配モデル（ＲＭＳＥ＝７．７）に基づく。しかし安静データも利用可能である場合、安静時ＳＴＤ ＨＲ（ＳＤＮＮ）が使用され得る。そのＲＭＳＥが６．３であり従ってＨＲ回復モデルの場合よりも低いので、これが表示されるＶＯ_２ｍａｘ予測となる。

第一のステップＳ１０において加速度信号１００に基づいて動きの存在の評価がなされる。ステップＳ１２でチェックされる通り、動きが存在する場合、活動及び心拍フェーズの分類がステップＳ１４においてなされる、すなわち活動のタイプ（ウォーキング、ランニング、上昇、定常状態、回復、サイクリングなど）が検出される。活動テンプレート４００の使用によりステップＳ１６でチェックされる通り、所定タイプの活動が認識されない場合、アルゴリズムはステップＳ１０へ戻る。

処理の並列経路において、安静時ＨＲ様変動がステップＳ２０において心拍信号２００に基づいて評価される。ステップＳ１２でチェックされる通り動きが検出されない場合、及びステップＳ２２でチェックされる通り５分経過した場合、安静時ＨＲ２５０が検出される。そうでなければアルゴリズムはステップＳ２０へ戻る。そしてステップＳ２４において（時間領域及び／又は周波数領域における；非線形）ＨＲＶ特徴の導出がなされる。

ステップＳ１６においてチェックされる通り、所定タイプの活動が認識される場合、ステップＳ２６において現在のＨＲ２００が安静時ＨＲ２５０と比較される。その後、ステップＳ２８において、現在のＨＲが安静時ＨＲより高いかどうかチェックされる。これが当てはまらない場合、アルゴリズムはステップＳ１６へ戻る。そうでなければ、負荷（例えばスピード）の評価がステップＳ３０においてなされるか、及び／又は運動ＨＲ特徴（ＨＲｆ）の評価がステップＳ３２においてなされる。加えてユーザ情報３００（例えばユーザの年齢、性別、体重）を使用するステップＳ３０のためのアルゴリズム例Ｓ３４は、実施例ｖｉ）として上記されている。同様にユーザ情報３００を使用するステップＳ３２のためのアルゴリズム例Ｓ３６は実施例ｉｉｉ）として上記されている。同様にユーザ情報３００を使用するステップＳ２４のためのアルゴリズム例Ｓ３８は実施例ｉ）及びｉｉ）として上記されている。

最後に、ステップＳ４０においてステップＳ３４、Ｓ３６、Ｓ３８における様々な推定の整合性が、好適には最低ＲＭＳＥに基づいて作られ、最も整合性のある推定結果がステップＳ４２において出力される。

一般に、いかなるＨＲモニタもいかなる活動モニタとも組み合わせて使用されることができる。有用な実施形態はユーザによってその体に（例えば手首に若しくは胸部まわりに）装着される光学ＨＲセンサを有する。加速度計もユーザによってその体に（これは同じ場所若しくは異なる場所であり得る）装着される。

一実施形態において、加速度計が加速度（従って動き）を検出するとき、ＨＲセンサからの情報が、どのタイプの活動がユーザによって実行されるかを区別するために分類器によって使用される。フィットネス推定に有用な活動のタイプが認識されると（ウォーキング、ランニング、サイクリングなど）、この活動の負荷（例えばスピード、若しくはスピードと傾斜など）が加速度データから推定される。同時にユーザのＶＯ_２ｍａｘを推定するためにピークＨＲに由来するＨＲ由来パラメータがユーザの特徴と一緒に使用される。加速度計が動きをもう検出しないと、ユーザのＶＯ_２ｍａｘのさらなる推定をなすためにＨＲ回復パラメータが抽出される。加速度計がいかなる動きも検出せず、ユーザのＨＲが安静時である場合、ユーザのＶＯ_２ｍａｘを推定するためにＨＲＶ統計的測定がユーザ情報と一緒に使用される。

一実施形態においてこれらのＶＯ_２ｍａｘ推定間の整合性が（例えば最低ＲＭＳＥに基づいて）評価され、これは最も整合性のある推定を選択し、推定の精度を増す。

本発明は様々な用途において使用され得る。第一の応用分野は、ＶＯ_２ｍａｘ推定がアスリートの能力を評価して有酸素トレーニングの効果を改良し追跡するために重要であるスポーツにおける。第二の応用分野はジム、フィットネスセンターなどといったフィットネス産業である。第三の応用分野は、心肺機能及び心血管機能が多数の臨床集団において非常に重要な診断及び予後情報であるため、臨床である。さらに、心血管フィットネスモニタリングは、心臓発作などの心臓イベントから回復する患者の改善を評価するために非常に重要である。最後に、ＶＯ_２ｍａｘのセルフモニタリングは、無症候成人において有益な情報である、心血管フィットネスの情報を与えるので、重要である。

本発明は図面と上記説明において詳細に図示され記載されているが、かかる図示と記載は例示若しくは説明であって限定ではないとみなされるものとする。本発明は開示の実施形態に限定されない。開示の実施形態への他の変更は、図面、開示及び添付の請求項の考察から、請求される発明を実施する上で当業者によって理解されもたらされることができる。

請求項において、"有する"という語は他の要素若しくはステップを除外せず、不定冠詞"ａ"若しくは"ａｎ"は複数を除外しない。単一の要素若しくは他のユニットは請求項に列挙される複数の項目の機能を満たし得る。特定の手段が相互に異なる従属請求項に列挙されるという単なる事実は、これら手段の組み合わせが有利に使用されることができないことを示さない。

コンピュータプログラムは、他のハードウェアと一緒に若しくはその一部として供給される光学記憶媒体若しくはソリッドステート媒体などの適切な非一時的媒体上に格納／分散され得るが、インターネット又は他の有線若しくは無線通信システムなどを介して他の形式で分散されてもよい。

請求項における任意の参照符号は範囲を限定するものとして解釈されてはならない。

Claims (15)

1. 人の心血管フィットネスを推定するためのシステムであって、
   前記人の心拍についての情報を含む心拍信号を取得するための心拍モニタと、
   前記人の身体活動を示す活動信号を取得するための活動モニタと、
   取得された前記活動信号に基づいて前記人の活動を分類するための分類器と、
   前記人の心血管フィットネスの推定において使用するために、取得された前記心拍信号と前記活動の分類とに基づいて、取得された前記心拍信号から得られる一つ以上の心拍特徴を選択するための選択器と、
   選択された前記一つ以上の心拍特徴に基づいて前記人の心血管フィットネスを推定するための推定器と
   を有する、システム。
2. 前記活動モニタが、前記人の体の少なくとも一部の加速度を示す加速度信号を活動信号として取得するための加速度計を含む、請求項１に記載のシステム。
3. 前記分類器が、前記人の活動を少なくとも活動及び無活動に、特にサイクリング、ウォーキング、ランニング、上昇、定常回復及び無活動に分類するように構成される、請求項１に記載のシステム。
4. 前記選択器が、心拍回復、ピーク心拍、心拍変動、心拍上昇、安静時心拍を有する心拍特徴のグループから一つ以上の心拍特徴を選択するように構成される、請求項１に記載のシステム。
5. 前記選択器が、どの心拍フェーズが現在存在するかに基づいて一つ以上の心拍特徴を選択するように構成される、請求項１に記載のシステム。
6. 前記推定器が、前記人の体力を示す最大酸素摂取量を推定するように構成される、請求項１に記載のシステム。
7. 前記人の年齢、性別、体重、身長及びＢＭＩの一つ以上を含む前記人についてのユーザ情報を受信するためのインターフェースをさらに有し、
   前記推定器が選択された前記一つ以上の心拍特徴と前記ユーザ情報とに基づいて前記人の心血管フィットネスを推定するように構成される、
   請求項１に記載のシステム。
8. 前記選択器が心拍特徴として、
   前記人の身体活動が検出される場合、ピーク心拍から得られる一つ以上の心拍特徴、
   前記人の身体活動が検出されない場合、一つ以上の心拍回復パラメータ、及び／又は、
   前記人の身体活動が検出されない場合及び前記人の心拍が安静時である場合、一つ以上の心拍統計的測定
   を選択するように構成される、請求項１に記載のシステム。
9. 前記推定器が、特に二乗平均平方根推定を用いて、異なる選択された心拍特徴に基づいて推定される心血管フィットネス間の整合性を評価するように構成される、請求項８に記載のシステム。
10. 前記心拍モニタがフォトプレチスモグラフィ若しくは光学センサを含む、請求項１に記載のシステム。
11. 前記心拍モニタと前記活動モニタが、前記人によって装着され得る共通ウェアラブルデバイス、特に手首装着デバイスに統合される、請求項１に記載のシステム。
12. 人の心血管フィットネスを推定するための方法であって、
    前記人の心拍についての情報を含む心拍信号を取得するステップと、
    前記人の身体活動を示す活動信号を取得するステップと、
    取得された前記活動信号に基づいて前記人の活動を分類するステップと、
    前記人の心血管フィットネスの推定において使用するために、取得された前記心拍信号と前記活動の分類とに基づいて、取得された前記心拍信号から得られる一つ以上の心拍特徴を選択するステップと、
    選択された前記一つ以上の心拍特徴に基づいて前記人の心血管フィットネスを推定するステップと
    を有する、方法。
13. 人の心血管フィットネスを推定するためのプロセッサであって、
    前記人の身体活動を示す取得された活動信号に基づいて前記人の活動を分類し、
    前記人の心血管フィットネスの推定において使用するために、取得された心拍信号と前記活動の分類とに基づいて、前記人の心拍についての情報を含む前記取得された心拍信号から得られる一つ以上の心拍特徴を選択し、
    選択された前記一つ以上の心拍特徴に基づいて前記人の心血管フィットネスを推定する
    ように構成される処理手段を有する、プロセッサ。
14. 人の心血管フィットネスを推定するための処理法であって、
    前記人の身体活動を示す取得された活動信号に基づいて前記人の活動を分類するステップと、
    前記人の心血管フィットネスの推定において使用するために、取得された心拍信号と前記活動の分類とに基づいて、前記人の心拍についての情報を含む前記取得された心拍信号から得られる一つ以上の心拍特徴を選択するステップと、
    選択された前記一つ以上の心拍特徴に基づいて前記人の心血管フィットネスを推定するステップと
    を有する、処理法。
15. コンピュータプログラムがコンピュータ上で実行されるときに請求項１４に記載の方法のステップを当該コンピュータに実行させるためのプログラムコード手段を有するコンピュータプログラム。

Images