JP2017124014A - Drowsiness detection program, drowsiness detection method, and drowsiness detection device - Google Patents
Drowsiness detection program, drowsiness detection method, and drowsiness detection device Download PDFInfo
- Publication number
- JP2017124014A JP2017124014A JP2016004807A JP2016004807A JP2017124014A JP 2017124014 A JP2017124014 A JP 2017124014A JP 2016004807 A JP2016004807 A JP 2016004807A JP 2016004807 A JP2016004807 A JP 2016004807A JP 2017124014 A JP2017124014 A JP 2017124014A
- Authority
- JP
- Japan
- Prior art keywords
- subject
- frequency
- spectral density
- frequency distribution
- variance
- 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
- 0 CC1C*CC1 Chemical compound CC1C*CC1 0.000 description 1
Images
Abstract
Description
本発明は、眠気検知プログラム、眠気検知方法および眠気検知装置に関する。 The present invention relates to a drowsiness detection program, a drowsiness detection method, and a drowsiness detection device.
交通事故の総数は、年々減ってきているものの、ヒューマンエラーによる事故はそれほど減っていない。ヒューマンエラーによる事故の原因の一つとして、運転中の眠気がある。このため、運転中の覚醒度に基づいてドライバに警告を発し、事故を未然に防ぐ技術が求められる。 Although the total number of traffic accidents has decreased year by year, accidents due to human error have not decreased so much. One of the causes of accidents caused by human error is sleepiness while driving. For this reason, there is a need for a technique that issues a warning to the driver based on the degree of arousal during driving and prevents accidents.
例えば、覚醒度を判定する従来技術として、ドライバの心拍信号から周波数解析によって算出されるスペクトル密度のLF(Low Frequency)およびHF(High Frequency)の周波数範囲での極大点の変化からドライバの覚醒度を判定する技術がある。かかる従来技術では、覚醒度が低い場合、ドライバが眠い状態であると判定する。 For example, as a conventional technique for determining the arousal level, the driver's arousal level is determined from a change in the maximum point in the frequency range of LF (Low Frequency) and HF (High Frequency) of the spectral density calculated by frequency analysis from the heartbeat signal of the driver. There is a technique to judge. In such a conventional technique, when the arousal level is low, it is determined that the driver is sleepy.
しかしながら、覚醒度が低い状態には、ドライバが眠い状態以外の状態もある。このため、上述した従来技術では、ドライバが眠い状態を精度良く判別できない場合がある。 However, the state where the degree of arousal is low includes states other than the state where the driver is sleepy. For this reason, in the conventional technology described above, the driver may not be able to accurately determine the sleepy state.
1つの側面では、被験者が眠い状態を精度良く推定できる眠気検知プログラム、眠気検知方法および眠気検知装置を提供することを目的とする。 In one aspect, it is an object to provide a drowsiness detection program, a drowsiness detection method, and a drowsiness detection device that can accurately estimate a sleepy state of a subject.
第1の案では、眠気検知プログラムは、コンピュータに、被験者から順次得られた心拍データについて周波数解析を行う処理を実行させる。眠気検知プログラムは、コンピュータに、周波数解析の結果得られた周波数分布のばらつき度合いに応じて、被験者が眠気のある状態またはリラックス状態であるかを推定する処理を実行させる。 In the first plan, the sleepiness detection program causes a computer to execute a process of performing frequency analysis on heartbeat data sequentially obtained from a subject. The drowsiness detection program causes the computer to execute processing for estimating whether the subject is drowsy or relaxed according to the degree of variation in the frequency distribution obtained as a result of the frequency analysis.
本発明の1実施態様によれば、被験者が眠い状態を精度良く推定できる。 According to one embodiment of the present invention, a subject can accurately estimate a sleepy state.
以下に、本願の開示する眠気検知プログラム、眠気検知方法および眠気検知装置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。 Hereinafter, embodiments of a sleepiness detection program, a sleepiness detection method, and a sleepiness detection device disclosed in the present application will be described in detail with reference to the drawings. Note that the present invention is not limited to the embodiments.
図1は、本実施例に係る眠気検知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、この眠気検知装置100は、センサ110と、心拍間隔算出部120と、解析部130と、判定部140と、推定部150と、設定部160と、警告部170とを有する。
FIG. 1 is a functional block diagram illustrating the configuration of the drowsiness detection device according to the present embodiment. As shown in FIG. 1, this
センサ110は、被験者の心拍信号を検出するセンサである。被験者は、例えば、車両のドライバに対応する。例えば、センサ110は、車両のハンドル等に設置されている。本実施例では一例として、心拍信号を検出する場合について説明するが、センサ110は、被験者の脈拍信号を検出してもよい。心拍信号および脈拍信号は、生体信号の一例である。センサ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。本実施例では、心拍信号データが心拍データに対応する。
The
図2は、心拍信号データの一例を示す図である。図2に示すように心拍信号データは、P、Q、R、S、T、U波と呼ばれる波形を有する。例えば、図2の横軸は時間を示し、縦軸は心拍信号の振幅を示す。 FIG. 2 is a diagram illustrating an example of heart rate signal data. As shown in FIG. 2, the heartbeat signal data has waveforms called P, Q, R, S, T, and U waves. For example, the horizontal axis in FIG. 2 indicates time, and the vertical axis indicates the amplitude of the heartbeat signal.
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を検出し、検出したタイミングの間隔を検出する処理部である。心拍信号の振幅ピークを検出したタイミングの間隔を、心拍間隔と表記する。図2を用いて、心拍間隔算出部120の処理を説明する。図2に示すように、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R、すなわち振幅ピークを検出し、検出した各ポイントRの間隔を、振幅間隔として検出する。心拍間隔算出部120は、検出した心拍間隔のデータを、解析部130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。 The heartbeat interval calculation unit 120 is a processing unit that detects the amplitude peak of the heartbeat signal based on the heartbeat signal data and detects the detected timing interval. The interval of timing at which the amplitude peak of the heartbeat signal is detected is expressed as a heartbeat interval. The processing of the heart rate interval calculation unit 120 will be described with reference to FIG. As shown in FIG. 2, the heartbeat interval calculation unit 120 detects a point R where the amplitude of the heartbeat signal is equal to or greater than a threshold, that is, an amplitude peak, and detects the detected interval between the points R as an amplitude interval. The heart rate interval calculation unit 120 outputs the detected heart rate interval data to the analysis unit 130. In the following description, heartbeat interval data is referred to as heartbeat interval data.
解析部130は、心拍間隔データを基にして、周波数解析を行う処理部である。解析部130は、被験者から順次得られ、心拍間隔算出部120により順次検出された心拍間隔データを少なくとも一定期間記憶する。そして、解析部130は、所定時間ごとに、直前の一定期間の間に得られた心拍間隔データの周波数解析を行って心拍間隔に対応するスペクトル密度を算出する。 The analysis unit 130 is a processing unit that performs frequency analysis based on heartbeat interval data. The analysis unit 130 stores heartbeat interval data sequentially obtained from the subject and sequentially detected by the heartbeat interval calculation unit 120 for at least a certain period. Then, the analysis unit 130 performs frequency analysis of the heartbeat interval data obtained during the immediately preceding fixed period every predetermined time, and calculates the spectral density corresponding to the heartbeat interval.
以下において、解析部130が、心拍間隔に対応するスペクトル密度を算出する処理の一例について説明する。解析部130は、心拍間隔データを基にして、時間変化によって変動する心拍間隔のデータを生成する。以下の説明において、時間変化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。 Hereinafter, an example of processing in which the analysis unit 130 calculates the spectral density corresponding to the heartbeat interval will be described. The analysis unit 130 generates heartbeat interval data that varies with time based on the heartbeat interval data. In the following description, the heart rate interval data that varies with time changes is referred to as heart rate interval variation data.
図3は、心拍間隔変動データの一例を示す図である。図3において、縦軸は心拍間隔を示す軸であり、横軸は時間を示す軸である。図3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。 FIG. 3 is a diagram illustrating an example of heartbeat interval variation data. In FIG. 3, the vertical axis is an axis indicating the heartbeat interval, and the horizontal axis is an axis indicating time. As shown in FIG. 3, the heartbeat interval fluctuates with time.
解析部130は、心拍間隔変動データを基にして、周波数解析を行って周波数とスペクトル密度との関係を算出する。図4は、周波数とスペクトル密度との関係を示す図である。図4において、縦軸はスペクトル密度を示す軸であり、横軸は周波数を示す軸である。図4に示す例では、スペクトル密度は、ポイント10a,10b,10c,10dにおいて極大となっている。以下の説明において、スペクトル密度と周波数との関係を示すデータを、スペクトル密度データと表記する。
The analysis unit 130 performs frequency analysis based on the heartbeat interval variation data and calculates the relationship between the frequency and the spectral density. FIG. 4 is a diagram showing the relationship between frequency and spectral density. In FIG. 4, the vertical axis is an axis indicating spectral density, and the horizontal axis is an axis indicating frequency. In the example shown in FIG. 4, the spectral density is maximum at
ここで、解析部130は、スペクトル密度と周波数との関係を算出する場合に、どのような方法を用いてもかまわないが、AR(Autoregressive)モデルを用いてスペクトル密度を算出することができる。ARモデルは、例えば、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。ARモデルは、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。なお、解析部130は、フーリエ変換により、スペクトル密度と周波数との関係を算出してもよい。 Here, the analysis unit 130 may calculate the spectral density using an AR (Autoregressive) model, although any method may be used when calculating the relationship between the spectral density and the frequency. The AR model is disclosed in, for example, non-patent literature (Shunsuke Sato, Akira Yoshikawa, Toru Kiryu, “Basics of Biological Signal Processing”, Corona). The AR model is a model that represents a state at a certain time point as a linear sum of past time-series data, and has a feature that a clear maximum point can be obtained even with a small number of data as compared with the Fourier transform. Note that the analysis unit 130 may calculate the relationship between the spectral density and the frequency by Fourier transform.
時系列x(s)のp次のARモデルは、過去の値に対する重みであるAR係数a(m)および誤差項e(s)を用いて、式(1)によって表すことができる。式(1)において、e(s)は理想的にはホワイトノイズである。 The p-order AR model of the time series x (s) can be expressed by Expression (1) using an AR coefficient a (m) that is a weight for a past value and an error term e (s). In equation (1), e (s) is ideally white noise.
pを同定次数、fsをサンプリング周波数、εpを同定誤差とし、
判定部140は、解析部130による解析結果を基にして、各時刻の被験者の覚醒度を判定する処理部である。例えば、判定部140は、解析部130による周波数解析により得られた心拍間隔に対応するスペクトル密度の極大値と、スペクトル密度の極大値に対応する周波数を基にして、覚醒度を判定する。 The determination unit 140 is a processing unit that determines the arousal level of the subject at each time based on the analysis result by the analysis unit 130. For example, the determination unit 140 determines the arousal level based on the maximum value of the spectral density corresponding to the heartbeat interval obtained by the frequency analysis by the analysis unit 130 and the frequency corresponding to the maximum value of the spectral density.
以下において、判定部140が、覚醒度を判定する処理の一例について説明する。最初に、判定部140が、スペクトル密度の極大値と、スペクトル密度の極大値に対応する周波数を基にして、覚醒度を判定する処理を説明する。以下の説明において、スペクトル密度の極大値を、極大スペクトル密度と表記する。また、極大スペクトル密度に対応する周波数を極大周波数と表記する。 Hereinafter, an example of a process in which the determination unit 140 determines the arousal level will be described. First, a process in which the determination unit 140 determines the arousal level based on the maximum value of the spectral density and the frequency corresponding to the maximum value of the spectral density will be described. In the following description, the maximum value of the spectral density is expressed as the maximum spectral density. A frequency corresponding to the maximum spectral density is expressed as a maximum frequency.
判定部140は、式(4)の関係を満たす周波数fを極大周波数として算出する。判定部140は、極大周波数を式(3)に代入することによって、極大スペクトル密度を得る。 The determination unit 140 calculates the frequency f satisfying the relationship of Expression (4) as the maximum frequency. The determination unit 140 obtains the maximum spectral density by substituting the maximum frequency into Expression (3).
判定部140は、スペクトル密度データを基にして、何れかの極大スペクトル密度を選択する。例えば、判定部140は、図4において、極大スペクトル密度10a〜10dの何れかを選択し、選択した極大スペクトル密度と、その極大スペクトル密度に対応する極大周波数の時間変化に伴う変化に着目する。
The determination unit 140 selects any maximum spectral density based on the spectral density data. For example, in FIG. 4, the determination unit 140 selects any one of the maximum
例えば、判定部140は、着目する極大スペクトル密度と、その極大スペクトル密度に対応する極大周波数との関係をグラフにプロットする。極大スペクトル密度および極大周波数により定まるグラフ上の点を特徴点と表記する。判定部140は、グラフ上の特徴点の位置に基づき、被験者の覚醒度を判定する。 For example, the determination unit 140 plots the relationship between the maximum spectral density of interest and the maximum frequency corresponding to the maximum spectral density on a graph. A point on the graph determined by the maximum spectral density and the maximum frequency is expressed as a feature point. The determination unit 140 determines the arousal level of the subject based on the position of the feature point on the graph.
図5は、覚醒度を判定する処理を説明するための図である。図5に示すグラフ20の縦軸は、極大スペクトル密度に対応する軸である。グラフ20では、下側から上側に向かって、極大スペクトル密度が低くなる。グラフ20の横軸は、極大周波数に対応する軸である。グラフ20では、左側から右側に向かって、極大周波数が高くなる。極大周波数が低下し、かつ、極大スペクトルが高くなると、被験者の覚醒度が低くなる。これに対して、極大周波数が高くなり、かつ、極大スペクトルが低くなると、被験者の覚醒度が高くなる。すなわち、特徴点が左下から右上方向に移動すると、被験者の覚醒度が覚醒方向に移動したといえる。
FIG. 5 is a diagram for explaining processing for determining the arousal level. The vertical axis of the
例えば、判定部140は、特徴点の位置が領域20aに含まれる場合に、被験者の覚醒度を「覚醒度1」と判定する。判定部140は、特徴点の位置が領域20bに含まれる場合に、被験者の覚醒度を「覚醒度2」と判定する。判定部140は、特徴点の位置が領域20cに含まれる場合に、被験者の覚醒度を「覚醒度3」と判定する。判定部140は、特徴点の位置が領域20dに含まれる場合に、被験者の覚醒度を「覚醒度4」と判定する。判定部140は、特徴点の位置が領域20eに含まれる場合に、被験者の覚醒度を「覚醒度5」と判定する。
For example, when the position of the feature point is included in the
図5に示すグラフでは、一例として、グラフ20の領域を20a〜20eに分割して、被験者の覚醒度を覚醒度1〜覚醒度5の何れかに分類しているが、これに限定されるものではない。例えば、グラフ20の領域を更に分割して、被験者の覚醒度を更に細かく分類しても良い。
In the graph shown in FIG. 5, as an example, the region of the
判定部140は、覚醒度と所定の閾値TH1とを比較して、覚醒度が閾値TH1未満となるか否かを判定する。判定部140は、覚醒度が閾値TH1未満となる場合には、被験者の覚醒度が低い状態である旨の情報を、推定部150に出力する。
The determination unit 140 compares the wakefulness level with a predetermined threshold value TH1 to determine whether the wakefulness level is less than the threshold value TH1. When the arousal level is less than the threshold TH1, the determination unit 140 outputs information indicating that the subject's arousal level is low to the
次に、判定部140が、スペクトル密度の周波数範囲毎の特徴量からドライバの覚醒度を判定する処理を説明する。心拍間隔は、呼吸によって変動、つまり自律神経の調整により変動する。変動の要素には、例えば、MWSA(Mayer Wave Sinus Arrhythmia)と呼ばれる心拍血圧性変動と、RSA(Respiratory Sinus Arrhythmia)と呼ばれる呼吸性洞性不整脈とがある。心拍間隔データにおける呼吸変動の周期は、MWSAに対応する0.05〜0.15Hz近辺の低周波数側(LF)の成分と、RSAに対応する0.15〜0.4Hz近辺の高周波数側(HF)成分とを含む。よって、スペクトル密度には、次のような特徴がある。図6は、周波数帯域の特徴を説明するための図である。図6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、0.05〜0.15Hzが、LF(Low Frequency)の周波数範囲である。0.15〜0.4Hzが、HF(High Frequency)の周波数範囲である。LFの周波数範囲のスペクトル密度の成分には、交感神経の活動状態が現れやすい。HFの周波数範囲のスペクトル密度の成分には、副交感神経の活動状態が現れやすい。図6の例には、覚醒度の高い状態と、覚醒度の低い状態の周波数ごとのスペクトル密度の分布の波形が示されている。図6に示すように、覚醒度の高い状態は、覚醒度の低い状態と比較して、HFの周波数範囲でスペクトル密度が極大となるピークが高くなる。また、覚醒度の高い状態は、覚醒度の低い状態と比較して、HFの周波数範囲でスペクトル密度が高い。 Next, processing in which the determination unit 140 determines the driver's arousal level from the feature amount for each frequency range of the spectral density will be described. The heartbeat interval varies with respiration, that is, with adjustment of the autonomic nerve. The factors of fluctuation include, for example, heart rate blood pressure fluctuation called MWSA (Mayer Wave Sinus Arrhythmia) and respiratory sinus arrhythmia called RSA (Respiratory Sinus Arrhythmia). The cycle of breathing fluctuation in the heartbeat interval data includes a component on the low frequency side (LF) around 0.05 to 0.15 Hz corresponding to MWSA and a high frequency side (around 0.15 to 0.4 Hz corresponding to RSA). HF) component. Therefore, the spectral density has the following characteristics. FIG. 6 is a diagram for explaining the characteristics of the frequency band. The horizontal axis in FIG. 6 indicates the frequency, and the vertical axis indicates the spectral density. For example, 0.05 to 0.15 Hz is a frequency range of LF (Low Frequency). 0.15-0.4 Hz is a frequency range of HF (High Frequency). The sympathetic activity state tends to appear in the spectral density component in the LF frequency range. The parasympathetic activity state is likely to appear in the spectral density component of the HF frequency range. The example of FIG. 6 shows a waveform of a spectral density distribution for each frequency in a state of high arousal and a state of low arousal. As shown in FIG. 6, the peak with the highest spectral density in the frequency range of HF is higher in the state with a high arousal level than in the state with a low arousal level. Moreover, the state with a high arousal level has a high spectral density in the frequency range of HF compared with the state with a low arousal level.
そこで、判定部140は、LFおよびHFの周波数範囲毎の周波数分布の特徴量からドライバの覚醒度を判定する。この特徴量は、ピークとなる極大点のスペクトル密度であってもよく、周波数範囲のスペクトル密度を積算した値であってもよい。判定部140は、LFおよびHFの周波数範囲毎の特徴量に基づいて、覚醒度を求める。例えば、判定部140は、LFの周波数範囲の特徴量に比べて、HFの周波数範囲の特徴量が大きいほど覚醒度が高いものとして、覚醒度を求める。判定部140は、覚醒度と閾値TH1とを比較して、覚醒度が閾値TH1以上であるか否かを判定する。判定部140は、覚醒度が閾値TH1以上ではない場合には、被験者の覚醒度が低い状態である旨の情報を、推定部150に出力する。例えば、判定部140は、LFの周波数範囲のスペクトル密度を積算したLF成分と、HFの周波数範囲のスペクトル密度を積算したHF成分を算出する。判定部140は、LF成分とHF成分との比が、7対3となる場合に、ドライバが覚醒状態であると判定し、LF成分とHF成分との比が、3対7となる場合に、被験者の覚醒度が低い状態である旨の情報を、推定部150に出力する。
Therefore, the determination unit 140 determines the driver's arousal level from the feature amount of the frequency distribution for each frequency range of LF and HF. This feature amount may be a spectral density at a maximum point that is a peak, or may be a value obtained by integrating spectral densities in a frequency range. The determination unit 140 obtains the arousal level based on the feature amount for each frequency range of LF and HF. For example, the determination unit 140 obtains the arousal level, assuming that the greater the feature quantity in the HF frequency range is, the higher the arousal level is compared to the feature quantity in the LF frequency range. The determination unit 140 compares the arousal level with the threshold value TH1 to determine whether the arousal level is equal to or higher than the threshold value TH1. When the arousal level is not equal to or higher than the threshold TH1, the determination unit 140 outputs information indicating that the subject's arousal level is low to the
推定部150は、判定部140により被験者の覚醒度が低い状態である旨の情報を受け付けた場合、被験者が覚醒度の低い状態のうち、どのような状態であるかを推定する。
When the determination unit 140 receives information indicating that the subject's arousal level is low, the
ここで、覚醒度の低い状態には、ドライバが眠い状態以外の状態もある。例えば、覚醒度の低い状態には、眠い状態と、緊張が解けたリラックス状態がある。眠い状態とは、眠気を感じ、注意力が低下している状態である。リラックス状態とは、眠気を感じておらず、注意力が保たれた状態である。ドライバは、リラックス状態である場合、注意力が保たれており、状況の変化に速やかに反応するため、周波数分布のばらつきが大きくなる。一方、ドライバは、眠い状態の場合、注意力が低下し、状況の変化への反応が低下するため、周波数分布に偏りがあり、周波数分布のばらつきが小さくなる。 Here, the state with a low arousal level includes a state other than the state where the driver is sleepy. For example, the state of low arousal includes a sleepy state and a relaxed state where tension is released. The sleepy state is a state in which sleepiness is felt and attention is reduced. The relaxed state is a state in which attention is maintained without feeling sleepy. When the driver is in a relaxed state, the driver's attention is maintained, and the driver reacts quickly to changes in the situation, so the frequency distribution varies greatly. On the other hand, in a sleepy state, the driver's attention is reduced and the response to changes in the situation is reduced, so the frequency distribution is biased and the frequency distribution variation is reduced.
そこで、推定部150は、解析部130により心拍間隔データを周波数解析した結果得られた周波数分布のばらつき度合いに応じて、被験者が眠気のある状態またはリラックス状態であるかを推定する。
Therefore, the
以下において、推定部150が、周波数分布のばらつき度合いに応じて、被験者が眠気のある状態またはリラックス状態であるかを推定する処理の一例について説明する。最初に、推定部150が、周波数分布のばらつき度合いとして、エントロピーを用いて、被験者が眠気のある状態またはリラックス状態であるかを推定する処理を説明する。
Hereinafter, an example of processing in which the
図7は、周波数分布の一例を示す図である。図7の例では、LFの周波数範囲(0.05〜0.15Hz)の周波数分布と、HFの周波数範囲(0.15〜0.4Hz)の周波数分布にパターンを付している。推定部150は、周波数分布を所定の周波数幅ごとに、当該周波数幅のスペクトル密度を積分したスペクトル密度の積分値を求める。周波数幅は、対象とする周波数範囲の周波数分布が概略的に示す積分値を求めることができれば、何れであってもよく、例えば、0.01Hzとする。推定部150は、周波数幅ごとに、全周波数のスペクトル密度の積分値に対する当該周波数幅のスペクトル密度の積分値の割合を求める。この周波数幅ごとのスペクトル密度の積分値の割合は、それぞれの周波数幅での出現確率である。なお、出現確率は、LFおよびHFの周波数範囲のスペクトル密度の積分値に対する周波数幅のスペクトル密度の積分値の割合として求めてもよい。
FIG. 7 is a diagram illustrating an example of a frequency distribution. In the example of FIG. 7, a pattern is given to the frequency distribution in the LF frequency range (0.05 to 0.15 Hz) and the frequency distribution in the HF frequency range (0.15 to 0.4 Hz). The
周波数幅iの出現確率をPiは、周波数fに関するスペクトル密度を表したPSD(Power Spectral Density Function、パワースペクトル密度関数)を用いて式(5−1)で表せる。エントロピーHは、式(5−2)によって表される。ここで、Piは確率分布となり、i=1,2,…n、Δf=0.05Hzとなる。Δfは、0.05Hz以外のもう少し小さい値でもよいし、大きな値でもよい。但し、積分の下限は、心拍揺らぎ周波数のLFの下限である0.05Hz、上限は、HFの上限である0.4Hzとすることが望ましい。推定部150は、式(5−1)、(5−2)を用いて、周波数幅iの出現確率PiからエントロピーHを算出する。
The appearance probability of the frequency width i can be expressed by Expression (5-1) using a PSD (Power Spectral Density Function) representing the spectral density related to the frequency f. Entropy H is represented by Formula (5-2). Here, Pi is a probability distribution, i = 1, 2,... N, Δf = 0.05 Hz. Δf may be a slightly smaller value other than 0.05 Hz, or a larger value. However, it is desirable that the lower limit of integration is 0.05 Hz which is the lower limit of the LF of the heartbeat fluctuation frequency, and the upper limit is 0.4 Hz which is the upper limit of HF. The
推定部150は、算出したエントロピーHが所定の閾値TH2以上の場合、被験者がリラックス状態であると推定し、エントロピーHが閾値未満の場合、被験者が眠気のある状態と推定する。閾値TH2は、固定値としてもよく、動的に変更されてもよい。例えば、性別や年齢層ごとに標準的な閾値TH2を予め記憶し、閾値TH2は、被験者の性別や年齢層に合わせて設定してもよい。本実施例では、閾値TH2は、初期値が定められており、後述する設定部160により動的に変更される。初期値は、1つの値であってもよく、被験者の性別や年齢層に合わせて設定してもよい。推定部150は、被験者が眠気のある状態と推定した場合、被験者が眠気のある状態と推定した旨の情報を警告部170へ出力する。
The
次に、推定部150が、周波数分布のばらつき度合いとして、分散を用いて、被験者が眠気のある状態またはリラックス状態であるかを推定する処理を説明する。
Next, a description will be given of a process in which the
推定部150は、周波数分布の一定区間でのスペクトル密度の分散を求める。一定区間は、全周波数範囲としてもよく、LFおよびHFの周波数範囲(0.05〜0.4Hz)など特定の周波数範囲としてもよい。推定部150は、一定区間でのn個の周波数f1、f2、・・・、fnが与えられた場合、それらの平均値は、式(6)によって表される。また、分散S2は、式(7)によって表される。
The
推定部150は、算出した分散S2が所定の閾値TH2以上の場合、被験者がリラックス状態であると推定し、分散S2が閾値TH2未満の場合、被験者が眠気のある状態と推定する。閾値TH2は、固定値としてもよく、動的に変更されてもよい。本実施例では、閾値TH2は、初期値が定められており、後述する設定部160により動的に変更される。推定部150は、被験者が眠気のある状態と推定した場合、被験者が眠気のある状態と推定した旨の情報を警告部170へ出力する。
ここで、周波数分布のスペクトル密度は、被験者の体調等によっても変化する。例えば、被験者の体調が悪い状態の場合、通常の状態(体調が健康な状態)の場合と比較して、周波数分布のスペクトル密度は、全体的に低くなる。図8Aは、被験者の体調が通常の状態の場合の周波数分布の一例を示す図である。図8Bは、被験者の体調が悪い状態の場合の周波数分布の一例を示す図である。図8Bは、図8Aに比較して全体的に低くなっている。被験者の体調が悪い状態の場合、周波数分布は、偏りが出来にくい。また、被験者の体調が悪い状態は、注意力が低くなりやすい。 Here, the spectral density of the frequency distribution also changes depending on the physical condition of the subject. For example, when the subject's physical condition is poor, the spectral density of the frequency distribution is lower overall as compared to the normal state (the physical condition is healthy). FIG. 8A is a diagram illustrating an example of a frequency distribution when a subject's physical condition is in a normal state. FIG. 8B is a diagram illustrating an example of a frequency distribution when the subject is in a poor physical condition. FIG. 8B is generally lower than FIG. 8A. When the subject's physical condition is poor, the frequency distribution is difficult to be biased. In addition, when the subject is in poor physical condition, attention is likely to be low.
そこで、推定部150は、周波数分布のスペクトル密度が全体的に低い状態の場合、周波数分布のばらつき度合いに関わらず、被験者が眠気のある状態と推定してもよい。例えば、推定部150は、スペクトル密度の積分値またはピークが所定の閾値TH3以下の場合、周波数分布のばらつき度合いに関わらず、被験者が眠気のある状態と推定する。閾値TH3は、例えば、多数の被験者について体調と周波数分布のスペクトル密度を求めて、体調が悪い状態と見なせる値に設定する。
Therefore, when the spectral density of the frequency distribution is generally low, the
設定部160は、リラックス状態と眠い状態の判別に用いる閾値TH2を設定する。一般的に、ドライバは、車両に乗車した時点では、眠気が低く、運転時間が長くなると眠気が発生しやすい。そこで、設定部160は、被験者が車両に乗車した時点から所定期間の周波数分布から閾値TH2を設定する。この所定期間は、被験者が車両に乗車して安定した状態での周波数分布が得られる期間であれば何れであってもよく、例えば、5分とする。例えば、周波数分布のばらつき度合いとして、エントロピーを用いる場合、設定部160は、被験者が車両に乗車した時点から所定期間の周波数分布のエントロピーを算出する。そして、設定部160は、算出したエントロピーよりも小さい値に閾値TH2を設定する。例えば、設定部160は、算出したエントロピーの70%の値に閾値TH2を設定する。同様に、例えば、周波数分布のばらつき度合いとして、分散を用いる場合、設定部160は、被験者が車両に乗車した時点から所定期間の周波数分布の分散S2を算出する。そして、設定部160は、算出した分散S2よりも小さい値に閾値を設定する。例えば、設定部160は、算出した分散S2の70%の値に閾値TH2を設定する。これにより、設定部160は、ドライバに合わせて閾値TH2を設定できるため、ドライバの状態を精度良く識別できる。 The setting unit 160 sets a threshold value TH2 used for discrimination between a relaxed state and a sleepy state. In general, when a driver gets on a vehicle, drowsiness is low, and drowsiness tends to occur when driving time is long. Therefore, the setting unit 160 sets the threshold value TH2 from the frequency distribution for a predetermined period from the time when the subject gets on the vehicle. This predetermined period may be any period as long as the subject can get on the vehicle and obtain a stable frequency distribution, for example, 5 minutes. For example, when entropy is used as the degree of variation in the frequency distribution, the setting unit 160 calculates the entropy of the frequency distribution for a predetermined period from the time when the subject gets on the vehicle. Then, the setting unit 160 sets the threshold value TH2 to a value smaller than the calculated entropy. For example, the setting unit 160 sets the threshold value TH2 to a value that is 70% of the calculated entropy. Similarly, for example, as the degree of variation of the frequency distribution, in the case of using the dispersion, setting unit 160, subject to calculate the variance S 2 of the frequency distribution of the predetermined time period from the time of riding in the vehicle. The setting unit 160 sets the threshold value to a value smaller than the calculated variance S 2. For example, the setting unit 160 sets the threshold value TH2 to 70% of the value of the calculated variance S 2. As a result, the setting unit 160 can set the threshold value TH2 in accordance with the driver, and thus can accurately identify the state of the driver.
警告部170は、推定部150から推定結果を受け付け、推定結果に応じて警告を行う処理部である。具体的に、警告部170は、被験者が眠気のある状態と推定した旨の情報を受け付けると、被験者に対して警告を行う。警告部170は、音による警告を行ってもよいし、車内に設置されたディスプレイを用いて、映像による警告を行ってもよい。
The
次に、本実施例に係る眠気検知装置100が眠気を検知する眠気検知処理を実行する流れについて説明する。図9は、眠気検知処理の手順の一例を示すフローチャートである。この眠気検知処理は、所定のタイミング、例えば、車両のエンジンが始動して車両の制御ユニットから処理開始の指示を受け付けたタイミングで実行される。
Next, a flow in which the
図9に示すように、眠気検知装置100のセンサ110は、被験者の心拍信号を検出し、心拍信号データを取得する(S10)。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を検出し、検出したタイミングの間隔を算出する(S11)。
As shown in FIG. 9, the
解析部130は、直前の一定期間の間に得られた心拍間隔データの周波数解析を行って心拍間隔に対応するスペクトル密度を算出する(S12)。判定部140は、周波数解析により得られた心拍間隔に対応するスペクトル密度の極大値と、スペクトル密度の極大値に対応する周波数を基にして、覚醒度を導出する(S13)。 The analysis unit 130 performs frequency analysis of the heartbeat interval data obtained during the immediately preceding fixed period to calculate a spectral density corresponding to the heartbeat interval (S12). The determination unit 140 derives the arousal level based on the maximum value of the spectral density corresponding to the heartbeat interval obtained by the frequency analysis and the frequency corresponding to the maximum value of the spectral density (S13).
判定部140は、導出した覚醒度が閾値TH1以上であるか否かを判定する(S14)。覚醒度が閾値TH1以上である場合(S14肯定)、後述するS21へ移行する。 The determination unit 140 determines whether or not the derived arousal level is equal to or greater than the threshold value TH1 (S14). When the arousal level is equal to or higher than the threshold value TH1 (Yes at S14), the process proceeds to S21 described later.
一方、覚醒度が閾値TH1以上ではない場合(S14否定)、推定部150は、周波数分布のスペクトル密度が全体的に低い状態か判定する。例えば、推定部150は、スペクトル密度のピークが閾値TH3以下であるか判定する(S15)。スペクトル密度のピークが閾値TH3以下である場合(S15肯定)、推定部150は、周波数分布のスペクトル密度が全体的に低い状態であるため、被験者が眠気のある状態と推定する(S16)。警告部170は、被験者に対して警告を行い(S17)、後述するS21へ移行する。
On the other hand, when the arousal level is not equal to or greater than the threshold value TH1 (No in S14), the
一方、スペクトル密度のピークが閾値TH3以下ではない場合(S15否定)、推定部150は、スペクトル密度のエントロピーHを算出する(S18)。推定部150は、エントロピーHが閾値TH2以上であるか判定する(S19)。エントロピーHが閾値TH2以上ではない場合(S19否定)、S16へ移行する。これにより、被験者が眠気のある状態と推定され、被験者に対して警告が行われる。
On the other hand, when the peak of the spectral density is not equal to or less than the threshold value TH3 (No at S15), the
一方、エントロピーHが閾値TH2以上である場合(S19肯定)、推定部150は、被験者がリラックス状態であると推定し(S20)、後述するS21へ移行する。
On the other hand, when the entropy H is greater than or equal to the threshold value TH2 (Yes in S19), the
解析部130は、処理終了が指示されたか否かを判定する(S21)。例えば、車両のエンジンが停止して車両の制御ユニットから処理終了の指示を受け付けた場合、解析部130は、処理終了が指示されたものと判定する。処理終了が指示された場合(S21肯定)、処理を終了する。 The analysis unit 130 determines whether an instruction to end the process has been given (S21). For example, when the engine of the vehicle stops and an instruction to end the process is received from the control unit of the vehicle, the analysis unit 130 determines that the instruction to end the process is given. When the process end is instructed (Yes at S21), the process ends.
一方、処理終了が指示されていない場合(S21否定)、上述のS10へ移行する。 On the other hand, when the process end is not instructed (No at S21), the process proceeds to S10 described above.
このように、本実施例に係る眠気検知装置100は、被験者から順次得られた心拍データについて周波数解析を行う。眠気検知装置100は、周波数解析の結果得られた周波数分布のばらつき度合いに応じて、被験者が眠気のある状態またはリラックス状態であるかを推定する。これにより、眠気検知装置100は、被験者が眠い状態を精度良く推定できる。
Thus, the
また、本実施例に係る眠気検知装置100は、周波数分布からエントロピーまたは分散を算出する。眠気検知装置100は、算出したエントロピーまたは分散が所定の閾値(閾値TH2)以上の場合、被験者がリラックス状態であると推定する。眠気検知装置100は、算出したエントロピーまたは分散が閾値(閾値TH2)未満の場合、被験者が眠気のある状態と推定する。これにより、眠気検知装置100は、周波数分布のばらつきが大きいか、小さいかを判別できるため、被験者が眠い状態を精度良く推定できる。
Further, the
また、本実施例に係る眠気検知装置100は、被験者が車両に乗車した時点から所定期間の周波数分布からエントロピーまたは分散を算出し、算出したエントロピーまたは分散よりも小さい値に閾値(閾値TH2)を設定する。これにより、眠気検知装置100は、ドライバに合わせて閾値TH2を設定でき、ドライバの状態を精度良く識別できる。
The
また、本実施例に係る眠気検知装置100は、心拍データから算出される心拍間隔のスペクトル密度から被験者の覚醒度を判定する。眠気検知装置100は、被験者の覚醒度が所定値(閾値TH1)以下の場合、周波数分布のばらつき度合いに応じて、被験者が眠気のある状態またはリラックス状態であるかを推定する。これにより、眠気検知装置100は、覚醒度の低い状態が、被験者が眠気のある状態またはリラックス状態であるかを推定できる。
Further, the
また、本実施例に係る眠気検知装置100は、スペクトル密度の積分値またはピークが予め定めた値以下の場合、周波数分布のばらつき度合いに関わらず、被験者が眠気のある状態と推定する。これにより、眠気検知装置100は、被験者の体調が悪い状態では覚醒度の低い状態で警告を行うことで、事故の発生を抑制できる。
In addition, when the integral value or peak of the spectral density is equal to or less than a predetermined value, the
さて、これまで開示の装置に関する実施例について説明したが、開示の技術は上述した実施例以外にも、種々の異なる形態にて実施されてよい。そこで、以下では、本発明に含まれる他の実施例を説明する。 Although the embodiments related to the disclosed device have been described above, the disclosed technology may be implemented in various different forms other than the above-described embodiments. Therefore, another embodiment included in the present invention will be described below.
例えば、上記の実施例では、周波数分布の全体的なばらつき度合いに基づいて、被験者が眠気のある状態またはリラックス状態であるかを推定する場合を説明した。しかし、開示の装置はこれに限定されない。推定部150は、周波数分布の特定の周波数範囲でのばらつき度合いに基づいて、被験者が眠気のある状態またはリラックス状態であるかを推定してもよい。例えば、推定部150は、周波数分布から、LFおよびHFの周波数範囲毎にエントロピーまたは分散をそれぞれ算出する。そして、推定部150は、算出したLFおよびHFの周波数範囲のエントロピーまたは分散に基づいて、被験者が眠気のある状態またはリラックス状態であるかを推定してもよい。例えば、推定部150は、LFおよびHFの周波数範囲のエントロピーまたは分散がそれぞれ所定の閾値以上である場合、リラックス状態と推定し、何れか一方または両方が閾値以上とならない場合、眠気のある状態と推定してもよい。また、推定部150は、LFまたはHFの周波数範囲でのばらつき度合いに基づいて、被験者が眠気のある状態またはリラックス状態であるかを推定してもよい。
For example, in the above-described embodiment, the case has been described in which it is estimated whether the subject is drowsy or relaxed based on the overall variation degree of the frequency distribution. However, the disclosed apparatus is not limited to this. The
また、図示した各装置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・統合の具体的状態は図示のものに限られず、その全部又は一部を、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又は物理的に分散・統合して構成することができる。例えば、心拍間隔算出部120、解析部130、判定部140、推定部150および設定部160の各処理部が適宜統合されてもよい。また、各処理部が機能によって複数の処理部に分けてもよい。さらに、各処理部にて行なわれる各処理機能は、その全部又は任意の一部が、CPU及び該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。
Further, each component of each illustrated apparatus is functionally conceptual, and does not necessarily need to be physically configured as illustrated. In other words, the specific state of distribution / integration of each device is not limited to that shown in the figure, and all or a part thereof may be functionally or physically distributed or arbitrarily distributed in arbitrary units according to various loads or usage conditions. Can be integrated and configured. For example, the processing units of the heartbeat interval calculation unit 120, the analysis unit 130, the determination unit 140, the
次に、上記の実施例に示した眠気検知装置100と同様の機能を実現する眠気検知プログラムを実行するコンピュータの一例を説明する。図10は、眠気検知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。
Next, an example of a computer that executes a drowsiness detection program that realizes the same function as the
図10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、各種情報を一時記憶するRAM206と、ハードディスク装置207を有する。そして、各装置201〜207は、バス208に接続される。
As illustrated in FIG. 10, the
ハードディスク装置207は、例えば、眠気検知プログラム207aを有する。CPU201は、眠気検知プログラム207aを読み出してRAM206に展開する。眠気検知プログラム207aは、眠気検知プロセス206aとして機能する。眠気検知プロセス206aは、例えば、心拍間隔算出部120、解析部130、判定部140、推定部150および設定部160に対応する。
The
なお、眠気検知プログラム207aについては、必ずしも最初からハードディスク装置207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がこれらから眠気検知プログラム207aを読み出して実行するようにしてもよい。
Note that the
100 眠気検知装置
110 センサ
120 心拍間隔算出部
130 解析部
140 判定部
150 推定部
160 設定部
170 警告部
DESCRIPTION OF
Claims (8)
前記周波数解析の結果得られた周波数分布のばらつき度合いに応じて、前記被験者が眠気のある状態またはリラックス状態であるかを推定する
処理をコンピュータに実行させることを特徴とする眠気検知プログラム。 Perform frequency analysis on heart rate data sequentially obtained from subjects,
A sleepiness detection program that causes a computer to execute a process of estimating whether the subject is sleepy or relaxed according to a degree of variation in frequency distribution obtained as a result of the frequency analysis.
ことを特徴とする請求項1に記載の眠気検知プログラム。 The estimation process calculates entropy or variance from the frequency distribution. If the calculated entropy or variance is equal to or greater than a predetermined threshold, the subject is assumed to be in a relaxed state, and the entropy or variance is less than the threshold. The sleepiness detection program according to claim 1, wherein the subject is estimated to be sleepy.
ことを特徴とする請求項1〜3の何れか1項に記載の眠気検知プログラム。 The estimation process calculates entropy or variance for each frequency range of LF (Low Frequency) and HF (High Frequency) from the frequency distribution, and based on the calculated entropy or variance of the frequency range of LF and HF. The sleepiness detection program according to any one of claims 1 to 3, wherein the subject is estimated whether the subject is sleepy or relaxed.
前記推定する処理は、前記被験者の覚醒度が所定値以下の場合、前記周波数分布のばらつき度合いに応じて、前記被験者が眠気のある状態またはリラックス状態であるかを推定する
ことを特徴とする請求項1〜4の何れか1項に記載の眠気検知プログラム。 Causing the computer to further execute a process of determining the arousal level of the subject from the spectral density of the heartbeat interval calculated from the heartbeat data;
The estimation process estimates whether the subject is drowsy or relaxed according to a degree of variation in the frequency distribution when the awakening level of the subject is equal to or less than a predetermined value. Item 5. The sleepiness detection program according to any one of Items 1 to 4.
ことを特徴とする請求項5に記載の眠気検知プログラム。 The estimation process is characterized in that when the integral value or peak of the spectral density is equal to or less than a predetermined value, the subject is estimated to be drowsy regardless of the degree of variation in the frequency distribution. 5. The sleepiness detection program according to 5.
前記周波数解析の結果得られた周波数分布のばらつき度合いに応じて、前記被験者が眠気のある状態またはリラックス状態であるかを推定する
処理をコンピュータが実行することを特徴とする眠気検知方法。 Perform frequency analysis on heart rate data sequentially obtained from subjects,
A drowsiness detection method, wherein the computer executes a process of estimating whether the subject is drowsy or relaxed according to a degree of variation in frequency distribution obtained as a result of the frequency analysis.
前記解析部による周波数解析の結果得られた周波数分布のばらつき度合いに応じて、前記被験者が眠気のある状態またはリラックス状態であるかを推定する推定部と、
を有することを特徴とする眠気検知装置。 An analysis unit that performs frequency analysis on heartbeat data sequentially obtained from the subject;
An estimation unit that estimates whether the subject is sleepy or relaxed according to the degree of variation in frequency distribution obtained as a result of frequency analysis by the analysis unit;
A drowsiness detection device comprising:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016004807A JP6750229B2 (en) | 2016-01-13 | 2016-01-13 | Drowsiness detection program, drowsiness detection method, and drowsiness detection device |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016004807A JP6750229B2 (en) | 2016-01-13 | 2016-01-13 | Drowsiness detection program, drowsiness detection method, and drowsiness detection device |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2017124014A true JP2017124014A (en) | 2017-07-20 |
JP6750229B2 JP6750229B2 (en) | 2020-09-02 |
Family
ID=59364694
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2016004807A Active JP6750229B2 (en) | 2016-01-13 | 2016-01-13 | Drowsiness detection program, drowsiness detection method, and drowsiness detection device |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6750229B2 (en) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020169738A (en) * | 2019-04-01 | 2020-10-15 | パナソニックIpマネジメント株式会社 | Air conditioner |
WO2023002785A1 (en) * | 2021-07-21 | 2023-01-26 | パナソニックIpマネジメント株式会社 | Air conditioner |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008229233A (en) * | 2007-03-23 | 2008-10-02 | Equos Research Co Ltd | State evaluation device, and state evaluation program |
JP2010012100A (en) * | 2008-07-04 | 2010-01-21 | Toyota Motor Corp | Sleepiness detector |
JP2013192719A (en) * | 2012-03-19 | 2013-09-30 | Fujitsu Ltd | Analyzing device, analyzing program and analyzing method |
JP2014012042A (en) * | 2012-07-03 | 2014-01-23 | Fujitsu Ltd | Drowsiness determination method, device, and program |
JP2015217035A (en) * | 2014-05-15 | 2015-12-07 | 富士通株式会社 | Drowsiness detection device, drowsiness detection method, and drowsiness detection program |
-
2016
- 2016-01-13 JP JP2016004807A patent/JP6750229B2/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008229233A (en) * | 2007-03-23 | 2008-10-02 | Equos Research Co Ltd | State evaluation device, and state evaluation program |
JP2010012100A (en) * | 2008-07-04 | 2010-01-21 | Toyota Motor Corp | Sleepiness detector |
JP2013192719A (en) * | 2012-03-19 | 2013-09-30 | Fujitsu Ltd | Analyzing device, analyzing program and analyzing method |
JP2014012042A (en) * | 2012-07-03 | 2014-01-23 | Fujitsu Ltd | Drowsiness determination method, device, and program |
JP2015217035A (en) * | 2014-05-15 | 2015-12-07 | 富士通株式会社 | Drowsiness detection device, drowsiness detection method, and drowsiness detection program |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020169738A (en) * | 2019-04-01 | 2020-10-15 | パナソニックIpマネジメント株式会社 | Air conditioner |
WO2023002785A1 (en) * | 2021-07-21 | 2023-01-26 | パナソニックIpマネジメント株式会社 | Air conditioner |
Also Published As
Publication number | Publication date |
---|---|
JP6750229B2 (en) | 2020-09-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Guede-Fernandez et al. | Driver drowsiness detection based on respiratory signal analysis | |
US10383562B2 (en) | Measuring psychological stress from cardiovascular and activity signals | |
US7970459B2 (en) | Sleepiness level detection method and apparatus | |
JP6516846B2 (en) | Device and method for sleep monitoring | |
EP3485806A1 (en) | Wearable device capable of detecting sleep apnea event and detection method thereof | |
JP5929020B2 (en) | Consciousness state estimation device and program | |
JP2018064900A (en) | Drowsiness determination device and drowsiness determination method, and driving support apparatus | |
JP2016123594A (en) | Device and method of estimating autonomic nerve activity | |
US20140378857A1 (en) | Arousal-level determining apparatus and arousal-level determining method | |
JP6666705B2 (en) | Biological condition estimation device, biological condition estimation method, and computer program | |
JP6750229B2 (en) | Drowsiness detection program, drowsiness detection method, and drowsiness detection device | |
JP2015029647A (en) | Information processing equipment and information processing method | |
Imam et al. | Effect of ECG-derived respiration (EDR) on modeling ventricular repolarization dynamics in different physiological and psychological conditions | |
JP6957011B2 (en) | Sleep stage determination device, sleep stage determination method and program | |
JP2016047305A (en) | Consciousness state estimation device and program | |
JP6596847B2 (en) | Awakening degree determination program and awakening degree determination device | |
JP2018015462A (en) | Drowsiness detection program, drowsiness detection method and drowsiness detection device | |
Rawal et al. | Adaptive correlation dimension method for analysing heart rate variability during the menstrual cycle | |
JP5962751B2 (en) | Arousal level determination device, arousal level determination program, and arousal level determination method | |
JPWO2016093347A1 (en) | Biological condition analyzer and computer program | |
US20160038079A1 (en) | Computer-readable recording medium and arousal-level determining apparatus | |
Hsu et al. | Heart rate variability signal processing for safety driving using Hilbert-Huang transform | |
JP5817525B2 (en) | Sleepiness detection applicability determination device, sleepiness detection applicability determination method, program | |
JP2023074818A (en) | Sleep stage estimation system, sleep stage estimation method and program |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20180912 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20190528 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20190524 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190725 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20191224 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200221 |
|
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: 20200714 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20200727 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6750229 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |