JP2018082975A - 状態推定装置、方法およびプログラム - Google Patents

Abstract

【課題】 呼吸統制を行うことなく、正確に状態を判別することができるようにする。【解決手段】 本発明の一態様は、状態推定装置において、被験者の心電を計測する心電計測手段から出力される信号に基づいて心拍変動の高周波成分を算出する算出手段と、前記算出された心拍変動の高周波成分に基づいて呼吸特徴量を推定する推定手段と、前記推定された呼吸特徴量に基づいて前記被験者の状態を判別する判別手段と、を備えるようにしたものである。【選択図】図１

Description

本発明は、被験者の生体情報に基づいて被験者の状態を推定する技術に関する。

自律神経には、交感神経と迷走神経の２つがある。交感神経および迷走神経は、各臓器などに広く分布し、循環や代謝をはじめとする不随意な身体機能を制御する。多くの場合、交感神経および迷走神経が１つの臓器を拮抗的に支配すると言われている。

自律神経活動の１つである交感神経活動は、暗算負荷などのストレス刺激によって亢進することが知られている（非特許文献１を参照）。本明細書では、暗算負荷実行時と同様の交感神経活動が誘発されていると考えられるストレス状態を「タスク状態」と呼ぶ。

一方、もうひとつの自律神経活動である迷走神経活動は、迷走神経が各臓器において主に副交換性の神経活動を担うことから、副交感神経活動と同等に理解されることも多い。なお、迷走神経とは、厳密には脳神経のひとつである第Ｘ神経の名称であり、脳から各臓器などに至る当該神経すべてを指す。このため、例えば心臓迷走神経のように、支配対象となっている臓器の名称を付記することで、対象臓器における副交感神経活動を示す場合がある。

自律神経が支配する臓器のひとつに心臓がある。心拍数は交感神経および迷走神経によって拮抗的に支配されており、交感神経活動と迷走神経活動の静的なバランスを反映すると言われている（引用文献２を参照）。特に、図６に示すような隣接する２つのＲ波の間隔である瞬時心拍（ＲＲＩ：R-R interval）のゆらぎは交感神経活動と迷走神経活動の両方によって変化することが知られている。なお、Ｒ波とは、心電図計測によって得られる心電波形のひとつであり、心臓の脱分極活動を反映している（非特許文献３を参照）。

実環境で自律神経活動を推定する手法として、瞬時心拍変動の周波数スペクトル解析がある。この手法によれば、不等間隔である瞬時心拍を周波数スペクトル解析した際の低周波成分（以降、ＨＲＶ_ＬＦと記載する）は交感神経活動と心臓迷走神経活動の両方、高周波成分（以降、ＨＲＶ_ＨＦと記載する）は心臓迷走神経活動を反映する指標として解釈される（非特許文献１および非特許文献２を参照）。

また、ＨＲＶ_ＬＦおよびＨＲＶ_ＨＦは、それぞれ他の器官の影響を反映するとも言われている。この解釈によると、ＨＲＶ_ＬＦは血管の圧受容反射によるＭａｙｅｒ波、ＨＲＶ_ＨＦは呼吸性洞性不整脈の成分を含むと言われている（非特許文献４を参照）。すなわち、瞬時心拍変動と呼吸には関係があり、少なくともＨＲＶ_ＨＦは呼吸成分を含む。

実環境で適切なストレスマネジメントを行うためには、タスク状態の判別と、タスク状態中に受けたストレス負荷を把握する必要がある。従来手法では、ＨＲＶ_ＬＦとＨＲＶ_ＨＦの比であるＨＲＶ_{ＬＦ／ＨＦ}を用いたタスク状態の判別などが行われている（非特許文献１および非特許文献５を参照）。この手法では、タスク状態におけるＨＲＶ_{ＬＦ／ＨＦ}が休憩状態におけるＨＲＶ_{ＬＦ／ＨＦ}よりも高いと想定する。瞬時心拍変動を周波数スペクトル解析して得たＨＲＶ_ＬＦおよびＨＲＶ_ＨＦからＨＲＶ_{ＬＦ／ＨＦ}を算出し、その値を基にサポートベクターマシン（ＳＶＭ：Support Vector Machine）などの手法で状態判別を行う。この時に使用するＨＲＶ_{ＬＦ／ＨＦ}の算出式を式（１）に示す。

山口勝機，「心拍変動による精神負荷ストレスの分析」，志學館大学人間関係学部研究紀要，Vol.31，No.1，pp.1-10，2010 井上博，「循環器疾患と自律神経機能 第２版」，医学書院，2001 奥出潤，「これならわかる！かんたんポイント心電図 第２版」，医学書院，2011 吉田豊、外１名，「心拍変動時系列からの呼吸関連パラメータの推定」，生体医工学，Vol.43，No.3，pp.456-460，2005 井出裕人、外６名，「生理指標の多変量解析に基づく個人に依らないストレス推定手法の研究」，情報処理学会創立50周年記念（第72回）全国大会論文集，pp.561-562，2010

心拍変動は自律神経活動だけでなく、呼吸によっても変化する。特に、ＨＲＶ_ＨＦは呼吸数および換気量によって変化するため、タスク状態におけるＨＲＶ_{ＬＦ／ＨＦ}が休憩状態におけるＨＲＶ_{ＬＦ／ＨＦ}よりも常に高いとは言えない。このため、従来手法によるタスク状態の推定は適切に行えない場合がある。

上記問題の回避手法として、呼吸数および換気量を意図的に調節する（以降、呼吸統制と呼ぶ）ことが考えられる。しかしながら、実環境において毎分呼吸数と換気量を常に一定に保つことは極めて困難であり、日常的なサービスに呼吸統制を組み込むことはほぼ不可能に近い。

本発明は、上記の事情に鑑みてなされたものであり、その目的は、呼吸統制を行うことなく、より正確に被験者の状態を判別することができる状態推定装置、状態推定方法およびプログラムを提供することである。

本発明の第１の態様は、状態推定装置において、被験者の心電を計測する心電計測手段から出力される信号に基づいて心拍変動の高周波成分を算出する算出手段と、前記算出された心拍変動の高周波成分に基づいて呼吸特徴量を推定する推定手段と、前記推定された呼吸特徴量に基づいて前記被験者の状態を判別する判別手段と、を備えるようにしたものである。

本発明の第２の態様は、前記推定手段が、単回帰分析によって、前記算出された心拍変動の高周波成分から前記呼吸特徴量を算出するようにしたものである。

本発明の第３の態様は、前記算出手段が、前記信号に基づいて心拍変動の低周波成分をさらに算出し、前記推定手段が、前記算出された心拍変動の低周波成分および高周波成分に基づいて前記呼吸特徴量を推定するようにしたものである。

本発明の第４の態様は、前記推定手段が、重回帰分析によって、前記算出された心拍変動の低周波成分および高周波成分から前記呼吸特徴量を算出するようにしたものである。

前記呼吸特徴量は、例えば、呼吸数、換気量、またはこれらの両方に基づくものであり得る。呼吸特徴量は、例えば、換気量における低周波成分の割合に基づくものであり得る。

本発明によれば、呼吸統制を行うことなく、より正確に状態を判別することが可能になる。

第１の実施形態に係る状態推定装置の構成例を示すブロック図。 図１に示した呼吸特徴量推定用データ記録部に格納されるデータを生成するシステムの一例を示すブロック図。 図１に示した状態判別用データ記録部に格納されるデータを生成するシステムの一例を示すブロック図。 図１に示した状態判別用データ記録部に格納されるデータを生成するシステムの他の例を示すブロック図。 第１の実施形態に係る状態判別処理の手順例を示すフローチャート。 瞬時心拍（ＲＲＩ）を示す図。

以下、図面を参照しながら本発明の実施形態を説明する。

［第１の実施形態］
第１の実施形態に係る状態判別手法は、心拍変動（ＨＲＶ：Heart Rate Variability）における低周波成分ＨＲＶ_ＬＦおよび高周波成分ＨＲＶ_ＨＦから呼吸特徴量を推定し、呼吸特徴量の推定値に基づいて状態判別を行うものである。本実施形態では、一例として、換気量（例えば１回換気量）における低周波成分の割合（以降、ＲＶＶ_{（ＬＦ，ｎ）}と呼ぶ）を呼吸特徴量として用いる場合について説明する。

（構成）
図１は、本発明の第１の実施形態に係る状態推定装置の構成例を示す。図１に示す状態推定装置１０は、心電計測部１１および状態推定部１２を備える。一例として、状態推定装置１０は、心電計測部１１を被験者（ユーザ）に装着可能なウェアラブルデバイスとし、状態推定部１２をスマートフォン、タブレット型端末、パーソナルコンピュータ（ＰＣ）などのコンピュータデバイスとしたシステムにより実現される。例えば、コンピュータデバイスは、ＣＰＵ（Central Processing Unit）などのプロセッサと、プロセッサに接続されるメモリと、心電計測部１１と（例えば無線で）通信するための通信インタフェースと、を備える。なお、状態推定装置１０の実現形態は、この例に限定されるものではない。例えば、状態推定装置１０は１つのデバイスとして実現されてもよい。また、心電計測部１１は状態推定装置１０の外部に設けられてもよい。言い換えると、状態推定装置１０は、心電計測部１１に相当する外部の心電計測装置から被験者の心電を計測した結果を取得してもよい。

心電計測部１１は、被験者の心電を計測し、計測結果を状態推定部１２に送る。心電は、循環器系の生体信号であり、例えば、心室の収縮と同期した周期的な信号を含む。心電計測部１１は、少なくとも２極の電極によって心電の計測を行う。計測結果は、心電図におけるＲ波相当の心電を抽出可能なデータを含む。例えば、計測結果は心電図のデータを含む。心電計測部１１は、Ｒ波相当の心電を計測することができればよく、その実現形態は問わない。例えば、心電計測部１１はホルター心電計からなる。

状態推定部１２は、心電計測部１１から計測結果を受け取り、受け取った計測結果に基づいて被験者の状態を推定する。例えば、状態推定部１２は、心拍特徴量算出部１２１、呼吸特徴量推定部１２２、状態判別部１２３、呼吸特徴量推定用データ記録部１２４、および状態判別用データ記録部１２５を備える。心拍特徴量算出部１２１、呼吸特徴量推定部１２２、状態判別部１２３、呼吸特徴量推定用データ記録部１２４、および状態判別用データ記録部１２５の機能は、例えば、プロセッサがメモリに格納されているプログラムを読み出して実行することにより実現される。なお、これらの機能の一部または全部は、特定用途向け集積回路（ＡＳＩＣ）などの回路によって実現されてもよい。

心拍特徴量算出部１２１は、心電計測部１１からの計測結果に基づいて、心拍特徴量であるＨＲＶ_ＬＦおよびＨＲＶ_ＨＦを算出する。例えば、心拍特徴量算出部１２１は、計測結果からＲ波を抽出し、隣接するＲ波間の間隔である瞬時心拍（ＲＲＩ）を算出し、それにより、ＲＲＩの時系列データを生成する。続いて、心拍特徴量算出部１２１は、ＲＲＩの時系列データを周波数スペクトル解析し、ＨＲＶ_ＬＦおよびＨＲＶ_ＨＦを算出する。ＨＲＶ_ＬＦおよびＨＲＶ_ＨＦの算出精度を上げるために、異常値の除外などの処理を心拍特徴量の算出前に実行してもよい。また、周波数スペクトル解析で用いる演算手法としては、ＨＲＶ_ＬＦおよびＨＲＶ_ＨＦの算出に用いる解析手法が同じであれば、ピリオドグラムや自己回帰モデルなどのいかなる手法を用いてもよい。一例として、心拍特徴量算出部１２１は、自己回帰モデルを用いてパワースペクトル密度を計算し、０．０５Ｈｚから０．１５Ｈｚまでの周波数領域にわたるパワーの積分値をＨＲＶ_ＬＦとして算出し、０．１５Ｈｚから０．４０Ｈｚまでの周波数領域にわたるパワーの積分値をＨＲＶ_ＨＦとして算出する。

呼吸特徴量推定部１２２は、心拍特徴量算出部１２１によって算出された心拍特徴量に基づいて呼吸特徴量を推定する。例えば、呼吸特徴量推定部１２２は、呼吸特徴量推定用データ記録部１２４から呼吸特徴量を推定するために必要なデータ（呼吸特徴量推定用データ）を受け取り、呼吸特徴量推定用データを用いて心拍特徴量から呼吸特徴量を推定する。呼吸特徴量推定部１２２による処理は、心拍特徴量から呼吸特徴量を推定することができれば、いかなるものであってもよい。一例として、呼吸特徴量推定部１２２は、式（２）を用いて重回帰分析を行うことで呼吸特徴量ＲＶＶ_{（ＬＦ，ｎ）}を算出する。
この例では、α、β、γが呼吸特徴量推定用データに相当する。

状態判別部１２３は、呼吸特徴量推定部１２２によって算出された呼吸特徴量に基づいて被験者のタスク状態を判別する。例えば、状態判別部１２３は、状態判別用データ記録部１２５から状態判別に必要なデータ（状態判別用データ）を受け取り、状態判別用データを用いて呼吸特徴量からタスク状態を判別する。状態判別用データは、例えば、ＳＶＭなどのパターン認識モデルであり得る。状態判別部１２３は、被験者が複数種類のタスク状態のうちのいずれの状態であるかを判別するものであってもよく、被験者がタスク状態にあるか否か（具体的には、ストレス状態と休憩状態のようなリラックス状態とのいずれであるか）を判別するものであってもよい。

（動作）
次に、本実施形態に係る状態推定装置１０による状態推定動作について説明する。
本実施形態に係る状態推定処理は、学習フェーズと運用フェーズの２つからなる。学習フェーズは、呼吸特徴量推定用データ記録部１２４および状態判別用データ記録部１２５に記録するデータを生成するものである。運用フェーズは、学習フェーズで生成されたデータを用いて呼吸特徴量の推定および状態推定を行うものである。

本実施形態と同じ手法を用いる場合は、運用フェーズの実行前に学習フェーズを実施しておく必要がある。なお、本実施形態では、学習フェーズで作成する呼吸特徴量推定用データ記録部１２４および状態判別用データ記録部１２５に保持する値の更新頻度を規定しない。はじめに実施した学習フェーズで求まった値を継続して用いてもよいし、運用フェーズ実行後に適切な学習データを用いて学習フェーズを再実施してもよい。

＜学習フェーズ＞
学習フェーズでは、心拍特徴量から呼吸特徴量を推定する際に使用する呼吸特徴量推定用データと、呼吸特徴量からタスク状態を判別する際に使用する状態判別用データと、を生成する。本実施形態では、一例として、呼吸特徴量推定部１２２で重回帰分析を用い、状態判別部１２３でサポートベクターマシンを用いる。

（Ａ）呼吸特徴量推定用データの生成
本処理では、心拍特徴量から呼吸特徴量を推定する際に使用する重回帰式の係数および切片を決める。このため、本処理の実施にあたっては、正解値となる呼吸特徴量と心拍特徴量のデータ対が複数必要となる。本処理に用いるシステムの一例を図２に示す。図２に示す呼吸特徴量推定用データ生成システムは、心電計測部２１、心拍特徴量算出部２２、呼吸計測部２３、呼吸特徴量算出部２４、呼吸特徴量推定用データ作成部２５、および呼吸特徴量推定用データ記録部２６を備える。

心電計測部２１は、サンプルである被験者の心電を計測する。心拍特徴量算出部２２は、心電計測部２１による計測の結果に基づいて心拍特徴量であるＨＲＶ_ＬＦおよびＨＲＶ_ＨＦを算出する。心電計測部２１および心拍特徴量算出部２２はそれぞれ、図１に示した心電計測部１１および心拍特徴量算出部１２１と同様の処理を行うものとすることができる。このため、心電計測部２１および心拍特徴量算出部２２についての詳細な説明は省略する。

呼吸計測部２３は、心電計測の対象と同じ被験者の呼吸を計測し、呼吸曲線のデータを生成する。呼吸計測部２３は、吸気と呼気の換気量に相当する特徴量を取得できればよく、その実現形態は問わない。例えば、呼吸計測部２３は、ピエゾセンサ、熱線型呼吸流量計、ニューモタコグラフなどを用いることができる。

呼吸特徴量算出部２４は、呼吸計測部２３で得られた呼吸曲線を解析して呼吸特徴量を算出する。一例として、換気量に関連する特徴量を呼吸特徴量として用いる場合について説明する。呼吸特徴量算出部２４は、呼吸曲線から換気量の時系列データを抽出し、心拍特徴量算出部２２と同じ手法で周波数スペクトルを算出する。ここで、算出された換気量の低周波成分をＲＲＶ_ＬＦ、高周波成分をＲＲＶ_ＨＦと呼ぶ。重回帰分析の目的変数とするＲＲＶ_{（ＬＦ，ｎ）}は、式（３）に従って算出される。

呼吸特徴量推定用データ作成部２５は、説明変数をＨＲＶ_ＬＦおよびＨＲＶ_ＨＦ、目的変数をＲＲＶ_{（ＬＦ，ｎ）}として、心拍特徴量から呼吸特徴量を推定する重回帰式の係数および切片を求める。本実施形態では、上記の式（２）を重回帰式として仮定する。心電計測部２１、心拍特徴量算出部２２、呼吸計測部２３、および呼吸特徴量算出部２４を用いてＲＲＶ_{（ＬＦ，ｎ）}とこれに対応するＨＲＶ_ＬＦおよびＨＲＶ_ＨＦのデータ対を複数用意し、呼吸特徴量推定用データ作成部２５は、これらのデータ対を基に式（２）中の係数αおよびβならびに切片γを求め、求めた係数αおよびβならびに切片γを呼吸特徴量推定用データ記録部２６に保存する。呼吸特徴量推定用データ記録部２６に保存されるものと同じデータが図１に示した呼吸特徴量推定用データ記録部１２４に保存される。

（Ｂ）状態判別用データの生成
本処理では、タスク状態の判別に用いる判別器を構築する。このため、本処理の実施にあたっては、正解値となる状態ラベルと呼吸特徴量のデータ対が複数必要となる。本処理に用いるシステムの一例を図３に示す。図３に示す状態判別用データ生成システムは、呼吸計測部３１、呼吸特徴量算出部３２、状態判別器作成部３３、状態ラベル記録部３４、および状態判別用データ記録部３５を備える。

呼吸計測部３１は、サンプルである被験者の呼吸を計測し、呼吸曲線のデータを生成する。呼吸特徴量算出部２４は、呼吸計測部２３で得られた呼吸曲線を解析して呼吸特徴量ＲＶＶ_{（ＬＦ，ｎ）}を算出する。呼吸計測部３１および呼吸特徴量算出部３２はそれぞれ、図２に示した呼吸計測部２３および呼吸特徴量算出部２４と同様の処理を行うものとすることができる。このため、呼吸計測部３１および呼吸特徴量算出部３２についての詳細な説明は省略する。

状態ラベル記録部３４は、呼吸特徴量を計測している時間における被験者のタスク状態を示す状態ラベルを保持する。状態判別器作成部３３は、呼吸特徴量算出部３２によって算出された呼吸特徴量とそれに対応するタスク状態のラベルとを基に、呼吸特徴量からタスク状態を推定する際に必要な判別器を作成する。具体的には、様々なタスク状態でＲＶＶ_{（ＬＦ，ｎ）}を算出し、ＲＶＶ_{（ＬＦ，ｎ）}をタスク状態でラベル付けしたデータを多数用意する。状態判別器作成部３３が、ＲＶＶ_{（ＬＦ，ｎ）}によってタスク状態を判別するＳＶＭを作成し、状態判別用データ記録部３５に保存する。状態判別用データ記録部３５に保存されるものと同じデータが図１に示した状態判別用データ記録部１２５に保存される。

なお、状態判別器作成部３３で使用する呼吸特徴量については、推定値を用いてもよい。例えば、呼吸特徴量は、上述した処理（Ａ）で作成した呼吸特徴量推定用データを用いて推定したものであってもよい。呼吸特徴量の推定値を用いる場合のシステムの一例を図４に示す。図４に示す状態判別用データ生成システムは、心電計測部４１、心拍特徴量算出部４２、呼吸特徴量推定部４３、呼吸特徴量推定用データ記録部４４、状態判別器作成部３３、状態ラベル記録部３４、および状態判別用データ記録部３５を備える。図４において、図３と同じ部分については同じ参照符号を付して、それらについての説明は省略する。

呼吸特徴量推定用データ記録部４４は、上述した処理（Ａ）で作成された呼吸特徴量推定用データを保持する。心電計測部４１は、サンプルである被験者の心電を計測する。心拍特徴量算出部４２は、心電計測部４１からの計測結果に基づいて心拍特徴量を算出する。呼吸特徴量推定部４３は、呼吸特徴量推定用データ記録部４４に保持されている呼吸特徴量推定用データを用いて、心拍特徴量算出部４２によって算出された心拍特徴量から呼吸特徴量を推定し、呼吸特徴量の推定値を状態判別器作成部３３に出力する。心電計測部４１、心拍特徴量算出部４２、および呼吸特徴量推定部４３はそれぞれ、図１に示した心電計測部１１、心拍特徴量算出部１２１、および呼吸特徴量推定部１２２と同様の動作を行うものとすることができる。このため、心電計測部４１、心拍特徴量算出部４２、および呼吸特徴量推定部４３についての詳細な説明は省略する。

＜運用フェーズ＞
運用フェーズでは、図１に示した状態推定装置１０によって、心拍特徴量から呼吸特徴量を推定し、推定結果を用いて状態判別を行う。

図５は、本実施形態に係る状態判別処理の手順の一例を示す。
図５のステップＳ５０１において、心電計測部１１は、被験者の心電を計測する。ステップＳ５０２において、心拍特徴量算出部１２１は、心電計測部１１による計測の結果に基づいて、心拍変動の低周波成分ＨＲＶ_ＬＦおよび高周波成分ＨＲＶ_ＨＦを算出する。例えば、心拍特徴量算出部１２１は、心電計測部１１から出力された心電信号からＲ波を抽出し、隣接する２つのＲ波からＲＲＩを算出し、ＲＲＩ列の周波数スペクトルを自己回帰モデルによって解析し、ＨＲＶ_ＬＦおよびＨＲＶ_ＨＦを算出する。

ステップＳ５０３において、呼吸特徴量推定部１２２は、呼吸特徴量推定用データ記録部１２４に保持されているデータを用いて、算出されたＨＲＶ_ＬＦおよびＨＲＶ_ＨＦから呼吸特徴量の推定値ＲＶＶ_{（ＬＦ，ｎ）}を算出する。例えば、呼吸特徴量推定部１２２は、ＨＲＶ_ＬＦおよびＨＲＶ_ＨＦを説明変数とする重回帰式である上記の式（２）に従ってＲＶＶ_{（ＬＦ，ｎ）}を算出する。

ステップＳ５０４において、状態判別部１２３は、状態判別用データ記録部１２５に保持されているデータを用いて、呼吸特徴量の推定値ＲＶＶ_{（ＬＦ，ｎ）}から被験者のタスク状態を判別する。

（効果）
以上のように、本実施形態では、心拍特徴量と呼吸特徴量との関係、ならびに、呼吸特徴量とタスク状態との関係を事前に学習しておき、心拍特徴量から呼吸特徴量を推定し、推定した呼吸特徴量からタスク状態を判別する。これにより、呼吸の心拍変動への影響を反映した状態推定が可能となる。この結果、呼吸統制をすることなく、高い精度での状態推定が可能となる。さらに、心拍特徴量から呼吸特徴量を推定するので、運用フェーズにおいては、呼吸特徴量を計測するための機器を導入する必要がない。

［他の実施形態］
本発明は、上述した第１の実施形態に限定されるものではない。例えば、呼吸特徴量として、ＲＶＶ_{（ＬＦ，ｎ）}に限らず、呼吸に関連する他の指標を用いてもよい。例えば、呼吸特徴量は、呼吸数に基づくものであってもよく、換気量と呼吸数の両方に基づくものであってもよい。

また、呼吸特徴量は、心拍変動の低周波成分ＨＲＶ_ＬＦを用いることなしに、心拍変動の高周波成分ＨＲＶ_ＨＦに基づいて推定されてもよい。これは、心拍変動の高周波成分の寄与率のほうが高いためであり、精度低下を許容できる場合などにおいて有効である。一例として、呼吸特徴量ＲＶＶ_{（ＬＦ，ｎ）}は、式（４）に示す単回帰分析によって心拍変動の高周波成分ＨＲＶ_ＨＦから算出することができる。
この例では、β、γが呼吸特徴量推定用データに相当する。

要するに本発明は、上記実施形態そのままに限定されるものではなく、実施段階ではその要旨を逸脱しない範囲で構成要素を変形して具体化できる。また、上記実施形態に開示されている複数の構成要素の適宜な組み合せにより種々の発明を形成できる。例えば、実施形態に示される全構成要素から幾つかの構成要素を削除してもよい。さらに、異なる実施形態に亘る構成要素を適宜組み合せてもよい。

１０…状態推定装置、１１…心電計測部、１２…状態推定部、１２１…心拍特徴量算出部、１２２…呼吸特徴量推定部、１２３…状態判別部、１２４…呼吸特徴量推定用データ記録部、１２５…状態判別用データ記録部、２１…心電計測部、２２…心拍特徴量算出部、２３…呼吸計測部、２４…呼吸特徴量算出部、２５…呼吸特徴量推定用データ作成部、２６…呼吸特徴量推定用データ記録部、３１…呼吸計測部、３２…呼吸特徴量算出部、３３…状態判別器作成部、３４…状態ラベル記録部、３５…状態判別用データ記録部、４１…心電計測部、４２…心拍特徴量算出部、４３…呼吸特徴量推定部、４４…呼吸特徴量推定用データ記録部。

Claims (8)

1. 被験者の心電を計測する心電計測手段から出力される信号に基づいて心拍変動の高周波成分を算出する算出手段と、
   前記算出された心拍変動の高周波成分に基づいて呼吸特徴量を推定する推定手段と、
   前記推定された呼吸特徴量に基づいて前記被験者の状態を判別する判別手段と、
   を備える状態推定装置。
2. 前記推定手段は、単回帰分析によって、前記算出された心拍変動の高周波成分から前記呼吸特徴量を算出する、請求項１に記載の状態推定装置。
3. 前記算出手段は、前記信号に基づいて心拍変動の低周波成分をさらに算出し、
   前記推定手段は、前記算出された心拍変動の低周波成分および高周波成分に基づいて前記呼吸特徴量を推定する、請求項１に記載の状態推定装置。
4. 前記推定手段は、重回帰分析によって、前記算出された心拍変動の低周波成分および高周波成分から前記呼吸特徴量を算出する、請求項３に記載の状態推定装置。
5. 前記呼吸特徴量は、呼吸数、換気量、またはこれらの両方に基づく、請求項１乃至請求項４のいずれか１項に記載の状態推定装置。
6. 前記呼吸特徴量は、換気量における低周波成分の割合に基づく、請求項１乃至請求項５のいずれか１項に記載の状態推定装置。
7. 被験者の心電を計測した信号に基づいて心拍変動の高周波成分を算出することと、
   前記算出された心拍変動の高周波成分に基づいて呼吸特徴量を推定することと、
   前記推定された呼吸特徴量に基づいて前記被験者の状態を判別することと、
   を備える状態推定方法。
8. 請求項１乃至請求項６のいずれか１項に記載の状態推定装置が備える各手段としてコンピュータを機能させるためのプログラム。