JP2018149260A - 睡眠段階判定装置、睡眠段階判定方法及びプログラム - Google Patents

Abstract

【課題】被測定者に負担をかけずに、被測定者のレム睡眠を精度良く判定できるようにする。【解決手段】被測定者の第１の期間毎の心拍の中央値の増加率が、所定の閾値以上であるとき、第１のレム睡眠期間の開始と判定し、第１の期間毎の心拍の中央値の減少率が減少したとき、第１のレム睡眠期間の終了を判定する。また、被測定者の体動を第２の期間毎に周波数解析し、その周波数解析したデータの分析で、レム睡眠の判定を得る決定木を機械学習により複数生成し、生成した複数の決定木で得られたレム睡眠か否かの判定の多数決から、第２の期間が第２のレム睡眠期間であると判定する。そして、これらの第１及び第２のレム睡眠期間の判定を行った結果から、レム睡眠期間の確定処理を行う。【選択図】図９

Description

本発明は、レム睡眠状態を判定する睡眠段階判定装置及び睡眠段階判定方法、並びに睡眠段階の判定を実行するプログラムに関する。

医療現場では、睡眠障害などによる睡眠の質の低下を診断するために、被測定者の睡眠段階を測定することが行われている。人間の睡眠段階は、睡眠の深さの観点で６段階に分類したものが知られており、その６つの睡眠段階は、眠りが浅い段階から順に、覚醒、レム睡眠、ノンレム睡眠（ステージ１〜４）と呼ばれている。これらの６段階の睡眠段階の判定は、従来、例えば被計測者の顔や頭部に多数の電極を装着して、その多数の電極から脳波、眼球運動、及び顎筋電を測定し、測定結果の解析により行われていた。

このような顔や頭部に多数の電極を装着した状態での睡眠段階の検査は、通常、医療機関に宿泊して、長時間連続して電極を身体に装着して行う検査であり、日常と異なる状況での睡眠であるため、被測定者（患者）に精神的な負担と肉体的な負担を強いることになる。また、電極を使って取得したデータは、専門知識と経験を持つ医師が解析して判定する必要があり、睡眠状態を簡単に判定できるものではないという問題があった。

これらの問題を解決するために、専門医師による診断を不要とする睡眠段階推定手法が従来から数多く提案されている。
例えば、特許文献１には、遺伝的アルゴリズムによる学習手法を改良したDatabase-based Compact Genetic Algorithmと称される手法で、マットレス型圧力センサの検出データから睡眠段階を推定する技術が記載されている。この特許文献１に記載された技術は、マットレス型圧力センサが検出した被測定者の体動と心拍に基づいて、睡眠段階を推定するものである。このようなマットレス型圧力センサを使って睡眠段階を推定することで、被測定者に負担を強いることなく、被測定者の睡眠状態を推定することができる。

特開２０１４−２３９７８９号公報

ところで、上述した６段階の睡眠段階を考えた場合に、眠りが浅い段階から順に、覚醒、レム睡眠、４つのノンレム睡眠（ステージ１〜４）が存在するが、これら６つの段階は、検出データを６つの範囲に区切って得るような単純な処理では判定できないという問題がある。特に、レム睡眠は、ノンレム睡眠や覚醒とは全く異なる睡眠状態であり、従来、レム睡眠を精度良く判定することは非常に困難であった。
特許文献１に記載されるように、マットレス型圧力センサのような圧力センサを使って睡眠段階を判定することができれば、被測定者に負担を強いることなく睡眠状態の診断が可能になる。しかし、従来から提案されている手法では、レム睡眠の判定精度が高くなく、結果的に睡眠段階の推定の信頼性がそれほど良くないという問題があった。

本発明の目的は、被測定者に負担をかけずに、被測定者のレム睡眠を精度良く判定できるようにすることにある。

上記課題を解決するため、本発明の睡眠段階判定装置は、データ処理部と睡眠段階判定部とを備える。
睡眠段階判定部は、被測定者の第１の期間毎の心拍の中央値の増加率が、所定の閾値以上であるとき、第１のレム睡眠期間の開始と判定し、第１の期間毎の心拍の中央値の減少率が減少したとき、第１のレム睡眠期間の終了を判定すると共に、被測定者の体動を第２の期間毎に周波数解析したデータの分析で、レム睡眠の判定を得る決定木を機械学習により複数生成し、生成した複数の決定木で得られたレム睡眠か否かの判定の多数決から、第２の期間が第２のレム睡眠期間であると判定する。
睡眠段階判定部は、第１のレム睡眠期間と判定した期間と第２のレム睡眠期間と判定した期間とが重なる期間を含み、かつ一定間隔以内に第２のレム睡眠期間と判定した期間が存在する場合に、その一定間隔以内に第２のレム睡眠期間と判定した期間を、レム睡眠期間と確定する。

また、本発明の睡眠段階判定方法は、第１のレム睡眠期間判定処理と、第２のレム睡眠期間判定処理と、睡眠段階判定処理と、を含む。
第１のレム睡眠期間判定処理は、被測定者の第１の期間毎の心拍の中央値の増加率が、所定の閾値以上であるとき、第１のレム睡眠期間の開始と判定し、第１の期間毎の心拍の中央値の減少率が減少したとき、第１のレム睡眠期間の終了を判定する。
第２のレム睡眠期間判定処理は、被測定者の体動を第２の期間毎に周波数解析したデータの分析で、レム睡眠の確率値を得る決定木を機械学習により複数生成し、生成した複数の決定木で得られたレム睡眠か否かの判定の多数決から、第２の期間が第２のレム睡眠期間であると判定する。
睡眠段階判定処理は、第１のレム睡眠期間と判定した期間と第２のレム睡眠期間と判定した期間とが重なる期間を含み、かつ一定間隔以内に第２のレム睡眠期間と判定した期間が存在する場合に、その一定間隔以内に第２のレム睡眠期間と判定した期間を、レム睡眠期間と確定する。

また、本発明のプログラムは、上記睡眠段階判定方法の第１のレム睡眠期間判定処理と第２のレム睡眠期間判定処理と睡眠段階判定処理とを実行する手順を、コンピュータに実行させるものである。

本発明によれば、圧力センサから得た被測定者の睡眠中の圧力データに基づいて、レム睡眠の期間を正確に判定できるようになる。

本発明の一実施の形態例による睡眠段階判定装置の構成例を示すブロック図である。 本発明の一実施の形態例による睡眠段階の判定状態の例を示す図である。 本発明の一実施の形態例の睡眠段階判定装置のハードウェア構成例を示すブロック図である。 本発明の一実施の形態例による心拍成分の判定処理例を示すフローチャートである。 本発明の一実施の形態例による全周波数成分の判定処理例を示すフローチャートである。 本発明の一実施の形態例によるレム睡眠の判定処理例を示す図である。 本発明の一実施の形態例によるレム睡眠の判定処理例を示すフローチャートである。 本発明の一実施の形態例によるレム睡眠の判定例を示す図である。 本発明の一実施の形態例による実際の検出データからレム睡眠を判定した例を示す図である。

以下、本発明の一実施の形態例（以下、「本例」と称する）について、添付図面を参照して説明する。
［１．睡眠段階判定装置の構成］
図１は、本例の睡眠段階判定装置１０の構成を示すブロック図である。図２は、本例の睡眠段階判定装置１０を使って睡眠段階の判定を行う状態の例を示す図である。
本例の睡眠段階判定装置１０は、被測定者の体動をマットレスセンサ２で圧力データとして取得する。マットレスセンサ２は、例えば図２に示すように、被測定者Ａが睡眠を行うベッド１のマットレスの上に敷いて、被測定者Ａの睡眠中の上半身の体動を圧力の変化として検出する。被測定者Ａの下側になるマットレスの上にマットレスセンサ２を配置するのは一例であり、例えばマットレスの中にマットレスセンサ２を内蔵させてもよい。
図２では、ベッド１の脇に睡眠段階判定装置１０を設置し、マットレスセンサ２と睡眠段階判定装置１０をケーブルで接続した例を示すが、例えばマットレスセンサ２が取得した圧力データを、無線伝送で別の部屋の睡眠段階判定装置１０に伝送するようにしてもよい。

睡眠段階判定装置１０は、図１に示すように、生体データ取得部１１と、生体データ処理部１２と、睡眠段階判定部１３と、出力部１４とを備える。
生体データ取得部１１は、マットレスセンサ２が出力する圧力データを取得する。生体データ取得部１１が取得した圧力データは、データ処理部１２に供給される。生体データ処理部１２は、供給される圧力データの解析処理を行う。具体的には、圧力データをサンプリングしてデジタルデータ化し、そのデジタルデータ化された圧力データの高速フーリエ変換処理（以下、「ＦＦＴ処理」と称する）により、各周波数の成分を取得する。そして、取得したそれぞれの周波数成分の状態から、心拍と呼吸の状態を判別する。すなわち、圧力データをＦＦＴ処理で得た周波数成分の内で、心拍及び呼吸に相当する周波数成分から、心拍数と呼吸数を判別する。
さらに、生体データ処理部１２は、ＦＦＴ処理で得た周波数成分を使って、睡眠段階の解析に必要なデータ処理を行う。

そして、生体データ処理部１２で解析した結果が睡眠段階判定部１３に供給される。睡眠段階判定部１３は、生体データ処理部１２で解析した結果に基づいて、被測定者Ａの睡眠状態を判定する。睡眠段階判定部１３は、レム睡眠の睡眠状態と、レム睡眠以外の睡眠状態の判定を行う。さらに、睡眠段階判定部１３は、レム睡眠以外の睡眠状態として、覚醒とノンレム睡眠（ステージ１〜４）の５段階の判定を行う。なお、以下の説明では、レム睡眠の睡眠状態と、レム睡眠以外の睡眠状態との判定を行う処理を中心に説明し、レム睡眠以外の睡眠状態を５段階（覚醒及びノンレム睡眠のステージ１〜４）に判定する処理の説明は省略する。なお、ノンレム睡眠の睡眠段階は、睡眠の深さと対応付けて考えられており、ステージ１から４の順に睡眠が深くなることを示す。例えば、ステージ２はステージ１よりも睡眠が深く、「ステージ２以下」と記載した場合には、ステージ２〜４を示す。

出力部１４は、睡眠段階判定部１３が判定した睡眠段階を出力する。出力部１４は、例えば表示装置により構成され、睡眠段階を表示する。あるいは、出力部１４を記録装置として構成して、一晩の睡眠状態を記録するようにしてもよい。

［２．睡眠段階判定装置のハードウェア構成例］
図３は、睡眠段階判定装置１０をコンピュータ装置で構成した場合のハードウェア構成例を示す。
コンピュータ装置Ｃは、バスＣ８に接続されたＣＰＵ（Central Processing Unit：中央処理装置）Ｃ１、ＲＯＭ（Read Only Memory）Ｃ２、及びＲＡＭ（Random Access Memory）Ｃ３を備える。さらに、コンピュータ装置Ｃは、不揮発性ストレージＣ４、ネットワークインターフェイスＣ５、入力装置Ｃ６、及び表示装置Ｃ７を備える。

ＣＰＵ Ｃ１は、睡眠段階判定装置１０の生体データ処理部１２や睡眠段階判定部１３が備える各機能を実現するソフトウェアのプログラムコードをＲＯＭ Ｃ２から読み出して実行する。圧力データを周波数解析するＦＦＴ処理についても、該当する処理を実行するプログラムをＲＯＭ Ｃ２から読み出して、ＣＰＵ Ｃ１が実行する。ＲＡＭ Ｃ３には、演算処理の途中に発生した変数やパラメータ等が一時的に書き込まれる。

不揮発性ストレージＣ４としては、例えば、ＨＤＤ（Hard disk drive）、ＳＳＤ（Solid State Drive）、フレキシブルディスク、光ディスク、光磁気ディスク、ＣＤ−ＲＯＭ、ＣＤ−Ｒ、磁気テープ、不揮発性のメモリ等が用いられる。この不揮発性ストレージＣ４には、ＯＳ（Operating System）、各種のパラメータの他に、コンピュータ装置Ｃを睡眠段階判定装置１０として機能させるためのプログラムが記録されている。また、睡眠段階判定部１３が判定した睡眠段階についてのデータが、不揮発性ストレージＣ４に記録される。

ネットワークインターフェイスＣ５には、例えば、ＮＩＣ（Network Interface Card）等が用いられ、端子が接続されたＬＡＮ（Local Area Network）、専用線等を介して各種のデータを送受信することが可能である。例えば、コンピュータ装置Ｃは、マットレスセンサ２が出力する圧力データを、ネットワークインターフェイスＣ５を介して取得する。入力装置Ｃ６は、例えばキーボード等の機器で構成され、この入力装置Ｃ６により、睡眠段階判定装置１０で睡眠段階を判定する期間の設定や、睡眠段階の表示形態の指示等が行われる。表示装置Ｃ７は、睡眠段階判定装置１０で判定された睡眠段階を表示する。
なお、睡眠段階判定装置１０をコンピュータ装置から構成するのは一例であり、例えばＦＦＴ処理などのデータ処理を、専用のハードウェアを用意して行うようにしてもよい。

［３．レム睡眠の判定処理］
次に、本例の睡眠段階判定装置１０が行うレム睡眠の判定処理について説明する。
本例の睡眠段階判定装置１０は、２種類の手法によりレム睡眠の判定処理（第１のレム睡眠期間判定処理及び第２のレム睡眠期間判定処理）を行い、その２種類の手法によるレム睡眠の判定結果を総合的に判断して、最終的にレム睡眠の期間の判定結果を得る。ここでは、２種類の手法を手法１及び手法２と称する。
２種類の手法の詳細は後述するが、手法１は、心拍数変動に着目したレム睡眠判定手法であり、手法２は、全周波数成分を用いた機械学習によるレム睡眠判定手法である。睡眠段階判定装置１０は、これらの２つの手法を使ったハイブリッド構造でレム睡眠判定を行うものである。

まず、手法１によるレム睡眠の判定処理について説明する。
この手法１では、一定時間の心拍情報から心拍数変動の中周波成分を三角関数回帰モデル（Trigonometric Function Model：ＴＦＭ）を用いてリアルタイムに推定し、算出した心拍変動から睡眠深度を推定する。ここでは、レム睡眠時に心拍数が揺らぐという生理学的な観点を利用して、レム睡眠を推定する。

図４は、手法１によるレム睡眠の判定処理を示すフローチャートである。
まず、生体データ処理部１２は、ＦＦＴ処理で周波数解析したデータから、心拍の値を取得する。生体データ処理部１２は、検出された心拍について、一定時間（ここでは５分間）毎の中央値ＨＲを算出する（ステップＳ１１１）。
そして、生体データ処理部１２は、検出した心拍の中央値ＨＲの５分毎の変動量ΔＨＲを算出し、その５分毎の変動量ΔＨＲを閾値ＴＨ１と比較する（ステップＳ１１２）。
ここでは、推定する時刻から直前５分間の心拍の中央値をΔＨＲ_ｃｕｒｒ、５分前から１０分前までの心拍の中央値をΔＨＲ_ｐｒｅｖとしたとき、次の［数１］式により、変動量ΔＨＲを得る。

ステップＳ１１２では、このようにして得た５分毎の変動量ΔＨＲと閾値ＴＨ１とを比較する。このステップＳ１１２の比較では、閾値ＴＨ１を０．０４とし、ΔＨＲ＞０．０４の条件を満たすか否かを判断する。
ステップＳ１１２で、ΔＨＲ＞０．０４の条件を満たさない場合には（ステップＳ１１２のＮＯ）、生体データ処理部１２は、該当する条件を満たすまで待機する。
そして、ΔＨＲ＞０．０４の条件を満たすと判断したとき（ステップＳ１１２のＹＥＳ）、生体データ処理部１２は、レム睡眠期間（手法１によるレム睡眠期間）の開始と判断する（ステップＳ１１３）。その後、生体データ処理部１２は、変動量ΔＨＲの減少率が減少したか否かを判断する（ステップＳ１１４）。なお、「減少率が減少」するとは、例えば、ΔＨＲの値が０．０７から０．０６に変わることをいう。ここで、変動量ΔＨＲの減少率が減少しないとき（ステップＳ１１４のＮＯ）、生体データ処理部１２は、変動量ΔＨＲの減少率が減少するまで待機する。また、変動量ΔＨＲの減少率が減少したとき（ステップＳ１１４のＹＥＳ）、生体データ処理部１２は、レム睡眠期間（手法１によるレム睡眠期間）の終了を判断し（ステップＳ１１５）、ステップＳ１１２の変動量ΔＨＲと閾値ＴＨ１との比較に戻る。
このように、手法１では、心拍数の変動量に基づいてレム睡眠の期間を判断することができる。

次に、手法２によるレム睡眠の判定処理について説明する。
この手法２は、アンサンブル学習による機械学習手法であるランダムフォレスト（Random Forests）を用いて、レム睡眠とレム睡眠以外とを判定する手法である。この手法２では、一定期間（ここでは３０秒間）のマットレスセンサ２が取得した圧力データに対してＦＦＴ処理を施すことで周波数解析を行って、レム睡眠を判定するものである。

図５は、手法２によるレム睡眠の判定処理を示すフローチャートである。
まず、生体データ処理部１２は、生体データ取得部１１が取得した生体データを一定期間（１エポック区間：３０秒間）ごとに分割し、一定期間ごとの生体データに対してＦＦＴ処理で周波数解析を行うことで周波数表現された生体データ生成する（ステップＳ１２１）。そして、ＦＦＴ処理された生体データの全周波数成分について正規化を行い、全周波数成分の総和が１になるようにする。なお、ここで正規化を行うのは一例であり、正規化を行わないデータを扱うようにしてもよい。
そして、生体データ処理部１２は、その一定期間毎の圧力データを使って、ランダムフォレストの機械学習手法による２値判定を行う（ステップＳ１２２）。ランダムフォレストの機械学習による２値判定の詳細については後述する。

その後、生体データ処理部１２は、ステップＳ１２２による２値判定で、レム睡眠の条件を満たすか否かを判断する（ステップＳ１２３）。この判断でレム睡眠の条件を満たさない場合には（ステップＳ１２３のＮＯ）、ステップＳ１２１の処理に戻り、生体データ処理部１２は、次の一定期間の処理に移る。
そして、この判断でレム睡眠の条件を満たした場合には（ステップＳ１２３のＹＥＳ）、生体データ処理部１２は、該当する一定期間（３０秒間）をレム睡眠期間（手法２によるレム睡眠期間）に設定し（ステップＳ１２４）、その後ステップＳ１２１の処理に戻り、次の一定期間の処理に移る。

図６は、ランダムフォレストの機械学習による２値判定状態を説明する図である。
まず、図６の上側に示すように、生体データ処理部１２は、３０秒間の圧力データＤ１を取得する。圧力データＤ１のグラフの縦軸はセンサ値であり、横軸は時間（３０秒間）を示す。
この圧力データＤ１について、生体データ処理部１２がＦＦＴ処理を施すことで、周波数成分毎の強度値を示したＦＦＴデータＤ２を得る。ＦＦＴデータＤ２のグラフの縦軸は強度値であり、横軸は周波数（０．０１６Ｈｚ〜５．０Ｈｚ）を示す。ここでは、ＦＦＴデータＤ２として、５Ｈｚ以下の周波数成分のみの３００次元ベクトルのデータとする。

生体データ処理部１２は、この３００次元ベクトルのデータから、ランダムフォレストと称される機械学習のアルゴリズムを使って、予測モデルである決定木を複数生成する。すなわち、図６に示すように、複数の決定木Ｔ_１，Ｔ_２，・・・，Ｔ_Ｎ（Ｎは任意の整数）を生成する。それぞれの決定木は、各周波数成分の状態がどのようであるかに基づいて分岐して、各睡眠段階（ここではレム睡眠段階）の判定を得るものである。例えば、図６の左下に示すように、決定木Ｔ_１のある段階Ｓａでは、周波数成分０．３Ｈｚの正規化値が０．２５より小さいか否かを判断し、その判断で、正規化値が０．２５より小さいとき未確定と判定し、０．２５以上のとき、レム睡眠と判定する。そして、その未確定の場合（０．３Ｈｚの成分の正規化値が０．２５より小さいとき）に、次の段階Ｓｂで、周波数成分１．５Ｈｚの正規化値が０．０５より大きいか否かを判断し、その判断で、正規化値が０．０５より大きいとき、ノンレム睡眠と判定し、正規化値が０．０５以下のとき、レム睡眠と判定する。

このようにして、決定木Ｔ_１に基づいてＦＦＴデータＤ２を解析することで、レム睡眠か否かの判定ｑ_１を得る。また、決定木Ｔ_１とは別の条件の決定木Ｔ_２に基づいてＦＦＴデータＤ２を解析することで、レム睡眠か否かの判定ｑ_２を得る。このようにして、それぞれ異なる条件の決定木Ｔ_１，Ｔ_２，・・・，Ｔ_Ｎ毎に、レム睡眠か否かの判定ｑ_１，ｑ_２，・・・，ｑ_Ｎを得る。
そして、生体データ処理部１２は、複数の決定木Ｔ_１，Ｔ_２，・・・，Ｔ_Ｎ毎に得たレム睡眠か否かの判定ｑ_１，ｑ_２，・・・，ｑ_Ｎの多数決で、現在の３０秒間の期間がレム睡眠か否かを判定する。

図７は、手法１でレム睡眠と判定した区間と、手法２でレム睡眠と判定した区間とを使って、レム睡眠期間を確定する処理例を示すフローチャートである。このレム睡眠期間を確定する処理は、睡眠段階判定部１３が判定する。
まず、睡眠段階判定部１３は、手法１でレム睡眠と判定した区間があるか否かを判断する（ステップＳ１３１）。この判断で、手法１によりレム睡眠と判定した区間がない場合には（ステップＳ１３１のＮＯ）、睡眠段階判定部１３は、探索した期間内にレム睡眠の期間がないと判断して、レム睡眠期間を探索する処理を終了する。
そして、手法１によりレム睡眠と判定した区間がある場合には（ステップＳ１３１のＹＥＳ）、睡眠段階判定部１３は、手法１によりレム睡眠と判定した区間と、手法２によりレム睡眠と判定した区間とが重なる区間があるか否かを判断する（ステップＳ１３２）。

さらに、ステップＳ１３２の判断で、手法１によりレム睡眠と判定した区間と、手法２によりレム睡眠と判定した区間とが重なる区間がある場合には（ステップＳ１３２のＹＥＳ）、手法１によりレム睡眠と判定した区間を含み、一定期間以内（ここでは２分以内）に手法２でレム睡眠と判定した区間が存在する全ての期間を、レム睡眠期間と確定する（ステップＳ１３３）。また、ステップＳ１３２の判断で、手法１によりレム睡眠と判定した区間と、手法２によりレム睡眠と判定した区間とが重なっていない場合には（ステップＳ１３２のＮＯ）、手法１によりレム睡眠と判定した区間を、レム睡眠期間と確定する（ステップＳ１３４）。

図８は、図７のフローチャートに示した手法１での判定結果と手法２での判定結果から、レム睡眠の期間を確定する処理状態の例を示す説明図である。
図８Ａの例は、ある期間に、手法１による判定でレム睡眠と判定した区間があり、その区間と重なる期間に、手法２による判定でレム睡眠と判定した区間がない場合を示す。この図８Ａに示す状態の場合には、睡眠段階判定部１３は、手法１でレム睡眠と判定した区間を、レム睡眠区間と確定する。この図８Ａの確定処理は、図７のフローチャートのステップＳ１３４でレム睡眠と確定する処理に相当する。

図８Ｂの例は、ある期間に、手法１による判定でレム睡眠と判定した区間があり、その区間と重なる期間に、手法２による判定でレム睡眠と判定した区間がある場合を示す。この場合には、睡眠段階判定部１３は、手法１による判定でレム睡眠と判定した区間を全てレム睡眠期間と確定すると共に、手法２による判定でレム睡眠と判定した区間についても、レム睡眠期間と確定する。なお、ここでの手法２による判定でレム睡眠と判定した区間は、手法２によって、２分以内にレム睡眠と判定した区間がある期間を、連続したレム睡眠期間とする。この図８Ｂの確定処理は、図７のフローチャートのステップＳ１３３でレム睡眠と確定する処理に相当する。

図８Ｃの例は、ある期間に、手法２による判定でレム睡眠と判定した区間があり、手法１では該当する区間をレム睡眠と判定しない場合を示す。この場合には、睡眠段階判定部１３は、該当する区間をレム睡眠とは確定しない。

図９は、被測定者の睡眠状態を判定した例を示す。図９の特性ＢＷ及び特性ＨＲの横軸は時間を示し、この図９では数時間の睡眠中の特性ＢＷ及び特性ＨＲを示す。
図９の上側に示す特性ＢＷは、被測定者の睡眠状態（睡眠段階）を、脳波計により測定した例（つまり本例の睡眠段階判定装置１０とは別の装置により測定した例）を示す。この特性ＢＷのグラフの縦軸において、Ａと示す位置は覚醒を示し、１，２，３，４の数字で示す位置はノンレム睡眠のステージ１〜４を示す。図９に示す特性ＢＷでは、レム睡眠の期間の判定を行っていないが、ノンレム睡眠のステージ１と覚醒との間に、レム睡眠が存在することになる。

ここで、図９の特性ＢＷに重ねて示す区間Ｒ１，Ｒ２，Ｒ３，Ｒ４，Ｒ５は、本例の睡眠段階判定装置１０が手法１と手法２の双方の判定結果から確定したレム睡眠期間である。

図９の下側に示す特性ＨＲは、心拍数の変化を示す。この心拍数を示す特性ＨＲは、図２に示すマットレスセンサ２が検出した圧力データに基づいて、睡眠段階判定装置１０が取得したものである。この心拍数の変動を示す特性ＨＲの内で、前後の心拍数よりも一時的に高くなるピークの位置ｒａ１，ｒａ２，ｒａ３，ｒａ４，ｒａ５（図９で破線の円で示す部分のほぼ中央部）は、手法１でレム睡眠と判定した区間に相当する。
手法１でレム睡眠と判定した区間ｒａ１，ｒａ２，ｒａ３，ｒａ４，ｒａ５は、特性ＨＲの心拍数がピークとなる位置であり、比較的短時間の区間である。

また、図９に示す複数の区間ｒｂは、それぞれが手法２でレム睡眠と判定した区間である。図９では、レム睡眠期間Ｒ４及びＲ５の付近のみ、手法２でレム睡眠と判定した区間ｒｂを示し、その他の区間は図示を省略する。
本例の場合、手法２でレム睡眠と判定する１つの区間ｒｂは３０秒間であり、その３０秒間の区間ｒｂが２分以内に存在したとき、手法２で判定したレム睡眠が連続していると見なして、１つのレム睡眠期間（例えば期間Ｒ４やＲ５）が確定する。但し、本例の場合には、その３０秒間の区間ｒｂが２分以内に存在した期間が、手法１でレム睡眠と判定した区間ｒａ１〜ｒａ５と重なっていない箇所については、レム睡眠でないと判定する。

このようにして、心拍に基づいてレム睡眠を判定する手法１と、マットレスセンサ２が検出した圧力データの周波数分布の機械学習に基づいてレム睡眠を判定する手法２とを組み合わせて、レム睡眠の期間を判定することで、非常に精度の高いレム睡眠の判定ができるようになる。
具体的には、心拍に基づいてレム睡眠を判定する手法１では、図９の区間ｒａ１〜ｒａ５で分かるように、比較的短時間の区間をレム睡眠と判定しており、実際のレム睡眠の長さとは一致していない可能性が高い。
一方、検出データの周波数分布の機械学習からレム睡眠を判定する手法２では、例えば図９の区間Ｒ４と区間Ｒ５の間の、最終的にレム睡眠と確定しない期間であっても、レム睡眠と判定される区間ｒｂが存在し、レム睡眠と判定する精度がそれ程高くない可能性があった。

ここで、本例の場合には、この手法１と手法２を組み合わせて、少なくとも手法１でレム睡眠と判定された区間があり、かつ手法２でレム睡眠と判定される区間ｒｂが一定期間（２分間）以内に存在した場合に、レム期間Ｒ１〜Ｒ５と確定するようにしたことで、非常に精度の高いレム睡眠期間の判定が行えるようになる。
しかも本例の場合には、手法１の判定を行うための心拍データと、手法２の判定を行うための体動の周波数分布のデータのいずれについても、マットレスセンサ２が取得した被測定者の体動に基づいた圧力データであり、脳波を測定する場合と異なり、被測定者に負担をかけずに、的確なレム睡眠の判定ができるようになる。

なお、上述した実施の形態例では、手法１の判定を行うための心拍データと、手法２の判定を行うための体動の周波数分布のデータの双方を、同じセンサ（マットレスセンサ２）の出力データから得るようにしたが、例えば心拍データについては、別のセンサから取得するようにして、手法２の判定を行うための体動の周波数分布のデータのみを、マットレスセンサ２から得るようにしてもよい。

また、上述した実施の形態例で説明した、手法１の判定を行うための心拍の判断期間（ステップＳ１１１での５分間）や、手法２の判定を行うための周波数分布の集計期間（ステップＳ１２１での３０秒間）の長さは、好適な一例を示したものであり、これらの値に限定されるものではない。さらに、上述した実施の形態例で説明した閾値の値についても、上述した値は一例であり、その他の値を設定してもよい。

１…ベッド、２…マットレスセンサ、１０…睡眠段階判定装置、１１…生体データ取得部、１２…生体データ処理部、１３…睡眠段階判定部、１４…出力部、Ａ…被測定者、Ｃ…コンピュータ装置、Ｃ１…ＣＰＵ、Ｃ２…ＲＯＭ、Ｃ３…ＲＡＭ、Ｃ４…不揮発性ストレージ、Ｃ５…ネットワークインターフェイス表示部、Ｃ６…入力装置、Ｃ７…表示装置、Ｃ８…バス

Claims (5)

1. 被測定者の第１の期間毎の心拍の中央値の増加率が、所定の閾値以上であるとき、第１のレム睡眠期間の開始と判定し、前記第１の期間毎の心拍の中央値の減少率が減少したとき、前記第１のレム睡眠期間の終了を判定すると共に、
   前記被測定者の体動を第２の期間毎に周波数解析し、その周波数解析したデータの分析で、レム睡眠の判定を得る決定木を機械学習により複数生成し、生成した複数の決定木で得られたレム睡眠か否かの判定の多数決から、前記第２の期間が第２のレム睡眠期間であると判定するデータ処理部と、
   前記第１のレム睡眠期間と判定した期間と前記第２のレム睡眠期間と判定した期間とが重なる期間を含み、かつ一定間隔以内に第２のレム睡眠期間と判定した期間が存在する場合に、その一定間隔以内に第２のレム睡眠期間と判定した期間を、レム睡眠期間と確定する睡眠段階判定部と、を備える
   睡眠段階判定装置。
2. さらに、前記睡眠段階判定部は、前記第２のレム睡眠期間と重なっていない前記第１のレム睡眠期間についても、真のレム睡眠期間と判定する
   請求項１に記載の睡眠段階判定装置。
3. 前記被測定者の体動を検出する圧力センサの出力データを取得する生体データ取得部を備え、
   前記心拍は、前記生体データ取得部が取得した前記圧力センサの出力データから得ると共に、前記第２のレム睡眠期間を判定する体動についても、前記生体データ取得部が取得した前記圧力センサの出力データから得るようにした
   請求項１又は２に記載の睡眠段階判定装置。
4. 被測定者の第１の期間毎の心拍の中央値の増加率が、所定の閾値以上であるとき、第１のレム睡眠期間の開始と判定し、前記第１の期間毎の心拍の中央値の減少率が減少したとき、前記第１のレム睡眠期間の終了を判定する第１のレム睡眠期間判定処理と、
   前記被測定者の体動を第２の期間毎に周波数解析したデータの分析で、レム睡眠の判定を得る決定木を機械学習により複数生成し、生成した複数の決定木で得られたレム睡眠か否かの判定の多数決から、前記第２の期間が第２のレム睡眠期間であると判定する第２のレム睡眠期間判定処理と、
   前記第１のレム睡眠期間と判定した期間と前記第２のレム睡眠期間と判定した期間とが重なる期間を含み、かつ一定間隔以内に第２のレム睡眠期間と判定した期間が存在する場合に、その一定間隔以内に第２のレム睡眠期間と判定した期間を、レム睡眠期間と確定する睡眠段階判定処理と、を含む
   睡眠段階判定方法。
5. 被測定者の第１の期間毎の心拍の中央値の増加率が、所定の閾値以上であるとき、第１のレム睡眠期間の開始と判定し、前記第１の期間毎の心拍の中央値の減少率が減少したとき、前記第１のレム睡眠期間の終了を判定する第１のレム睡眠期間判定手順と、
   前記被測定者の体動を第２の期間毎に周波数解析し、その周波数解析したデータの分析で、レム睡眠の判定を得る決定木を機械学習により複数生成し、生成した複数の決定木で得られたレム睡眠か否かの判定の多数決から、前記第２の期間が第２のレム睡眠期間であると判定する第２のレム睡眠期間判定手順と、
   前記第１のレム睡眠期間と判定した期間と前記第２のレム睡眠期間と判定した期間とが重なる期間を含み、かつ一定間隔以内に第２のレム睡眠期間と判定した期間が存在する場合に、その一定間隔以内に第２のレム睡眠期間と判定した期間を、真のレム睡眠期間と判定する睡眠段階判定手順と、
   をコンピュータに実行させるプログラム。
   

Images