JP2018524750A - ストレス状態をモニターするための方法およびシステム - Google Patents

Abstract

被験者（１０６）のストレス状態を評価するコンピュータ実行可能な方法は、被験者の心拍記録（２００）を入力として受信する工程（３０２）を有する。心拍記録は、睡眠前時間間隔（２０８）、睡眠開始時刻（２２４）および睡眠終了時刻（２２６）を含む睡眠中時間間隔（２０９）、および、睡眠後時間間隔（２１０）を有する期間にわたって得られた心拍データサンプルのシーケンスを有する。少なくとも睡眠開始時刻および睡眠終了時刻は、心拍記録内で同定（３０４）される。その後、知識ベース（１２４）にアクセス（３０６）され、それは、被験者のトレーニングセットのエキスパート評価を介して得られたデータを含み、ストレス状態と心拍特性との間の関係のコンピュータモデルを具体化する。知識ベース内の情報を使って、被験者のストレス状態に関連する少なくともひとつのメトリックを計算し、かつ、メトリックに基づいてストレス状態の指標を生成するべく、コンピュータモデルが適用される（３０８）。ストレス状態の指標が出力として与えられる（３１０）。

Description

本願発明は、概してメンタルヘルスケアの分野に関し、特に、心拍の測定値に基づいてストレスレベルをモニターするための、関連するハードウエアおよびソフトウエアコンポーネントを有する方法およびシステムに関する。

ストレスは、脅しまたは挑戦する状況に直面したときのプレッシャーに対する人間の反応特性である。あるレベルのストレスは正常であり、ピークのパフォーマンスを達成することを可能にする際に有用である。人体は、ストレスが誘導された経験につづく、ある時間間隔の後で、通常の状態に戻るべきである。しかし、個人が周期的にまたは繰り返してストレス状況にさらされるとき、通常の状態へのこの回帰が抑制される。長続きするか、圧倒的なストレスは、健康、幸福、人間関係、仕事および人生の楽しみにネガティブなインパクトを与える。

過度または高いレベルのストレスは、不安、鬱病、心身障害、免疫抑制、エネルギーおよび生産性の一般的な損失、および、健康問題に関するものに影響を与える。職場において、これは、常習的欠勤および病気での出勤の増加を生じさせる。オーストラリアの労働安全省は、２００８から２００９年の間に、仕事関連のストレスによるコストは、年間約５３億豪ドルと見積もった。ストレスによる経済的インパクトの米国での研究によれば、２０世紀から２１世紀にかけてコストは、年間２０００から３０００億ドルと見積もった。

トレーニングされたヘルスケア専門家は、ストレス関連の問題の典型的な症状を同定することができる。しかし、過剰なストレスのサインは、精神的および身体的健康のインパクトが重大になるまで、影響を受けた個人によってしばしば検出されない。また、雇用主、健康保険会社、および、より広い社会は、ストレスの早期の検出および管理から有意な経済的および社会的利益を達成することができるが、個人または会社がストレスレベルを管理しモニターすることができる有用なツールは、トレーニングされたヘルスケア専門家との定期的な検診を除けば、非常に限られている。

典型的にアンケートに基づく自己評価方法は、メンタルヘルスをモニターし管理する際に個人をアシストするように開発された。例えば、ホームズおよびレイによって１９６７年に最初に開発された社会的再適応評定尺度（ＳＲＲＳ）は、不健康な結果に寄与するストレスの多い４３個の生活事象のリストを有する。しかし、ホームズおよびレイのストレススケールは、最近の主な生活事象の経験に基づくストレスに対して個人が晒されたことのみを同定する。ニューサウスウェールズ大学で開発された、抑鬱不安ストレス尺度（ＤＡＳＳ）のような個人の現在の気分状態の評価を目指したアンケートは、気分の主観的な評価に基づいており、異なるメンタルヘルス状態の区別には適しているが、より深刻な状態に向かって有意に進行していないストレスレベル間の差を、日ごとにモニターすることはできない。

したがって、個人によって自己管理可能で、職場でサポート可能であり、客観的であり、かつ、異なるレベルのストレス間を差別化でき、問題の発生の早期同定を可能にするストレスレベルをモニターしかつ管理するための新規な方法およびシステムを開発することが所望される。

本願発明は、これらの要求に応えるべく考案されたものである。

ひとつの態様において、本願発明は、被験者の精神状態を評価するコンピュータ実行可能な方法を与え、当該方法は、
睡眠前時間間隔、睡眠開始時刻および睡眠終了時刻を含む睡眠中時間間隔、および、睡眠後時間間隔を有する期間にわたって得られた心拍データサンプルのシーケンスを含む被験者の心拍記録を、入力として受信する工程と、
少なくとも睡眠開始時刻および睡眠終了時刻を、心拍記録内で同定する工程と、
被験者のトレーニングセットのエキスパート評価を介して得られたデータを含む知識ベースにアクセスし、メンタル状態と心拍特性との間の関係のコンピュータモデルを実行する工程と、
患者のメンタル状態に関連する少なくともひとつのメトリックを計算し、かつ、当該メトリックに基づいてメンタル状態の指標を生成するべく、知識ベース内の情報を使ってコンピュータモデルを適用する工程と、
出力として、メンタル状態の指標を与える工程と
を有する。

本願発明の実施形態は、機械学習方法論を通じて生成された情報を含むところのエキスパートシステムを有する。例えば、知識ベースは、トレーニングセットを有する複数の被験者に対して測定済み心拍データを、該トレーニングセットの各々の被験者のエキスパート評価の結果とともに実行してもよい。この実施形態において、知識ベースは、対応するコンピュータモデルが後続の見えないテスト被験者のエキスパート評価を予測するのに採用可能な形式で、トレーニングセット内の各被験者のメンタル状態と、測定済みの心拍特性との間の関係に関連する顕著な情報を補足する。

本願発明の実施形態に従い、メンタル状態の指標は、被験者によって経験されたストレスレベルの指標を有する。例えば、メンタル状態の指標は、正常からわずかなストレスレベル、適切なストレスレベル、および、深刻なストレスレベルのような３つのストレスレベル間を区別する。睡眠開始時刻および睡眠終了時刻を同定することは、不安入力データの使用に関連する。ある実施形態において、例えば、入力された心拍記録は、加速度計のような活動モニターを使って計測される被験者の活動の記録によって達成される。

ある実施形態において、知識ベースは、正常または低レベルのストレスを経験しているとして、エキスパート評価者によって評価された人のトレーニングセット内の被験者の、スケーリングされかつ規格化された、心拍特性を平均することにより得られる心拍特性テンプレートを含んでよい。知識ベースは、テンプレート特性から正常として評価されたトレーニングセット内の被験者の心拍特性の平均ディスタンスの測定値を含む正常重心値をさらに有する。知識ベースは、テンプレート特性から正常重心に対するディスタンスの変化を表し、かつ、メンタル状態の異なる指標間の分類境界を画定する、セグメンテーションポイントのセットをさらに有する。例えば、２つのセグメンテーション値は３つの異なるストレスレベルの間の区別を与える。

代替的実施形態において、被験者の心拍特性は、複数の関連メトリクスを計算するために処理される。ある実施形態において、４つのメトリクス、すなわち、平均起床心拍、平均起床心拍と平均睡眠心拍との間の比、睡眠中時間間隔の最初の半分の間の心拍のスロープ、および、睡眠中時間間隔の残りの半分の間の心拍のスロープが採用されてもよい。理解されるように、これらの特定の４つのメトリクスは、区分線形心拍特性モデルを、被験者の受診した心拍記録にフィッティングすることにより計算される。

複数のメトリクスを採用する知識ベースは、上述したように、正常または低ストレスレベルを有するとしてエキスパートによって評価された被験者に基づいたテンプレート特性に対応するメトリクス値のアレイを含む。知識ベースは、正常または低ストレスレベルを有するとしてエキスパートによって評価されたすべての被験者に対するそれぞれのメトリクスの間の差の大きさを平均することにより計算される、複数のメトリクスの各々に対応する正常重心値のアレイ、および、同等のテンプレート特性メトリクスをさらに有する。被験者の受信された心拍記録に対する計算されたメトリクスと、対応する正常重心値との間の比較は、正常なメンタル状態からの患者のメンタル状態のディスタンス値を計算するのに使用されてよい。知識ベースは、メンタル状態分類間の境界に対応するディスタンス値を定義するセグメンテーション値のアレイをさらに含んでよい。

他の実施形態において、ｋ個の最近傍（ｋ−ＮＮ）計算モデルに基づいたメンタル状態分類が採用される。この実施形態において、知識ベースは、（Ｍ＋１）次元ベクトルのアレイを含み、ここで、Ｍは、採用される複数のメトリクスの数である。各ベクトルは、トレーニングセット内の被験者に対応し、計算されたメトリクスの各々に対する値および被験者の対応するエキスパート評価の値を有する。知識ベースはまた、最近傍パラメータＫの数の最適値を含む。

ｋ−ＮＮコンピュータモデルにおいて、被験者のメンタル状態の評価は、受信した心拍記録に基づく複数のメトリクスを計算し、かつ、複数のメトリクスによって定義されるＭ次元空間内でトレーニングセットからＫ個の最近傍を決定することにより実行される。Ｋ個の最近傍に関連するエキスパート評価はその後、被験者のメンタル状態の指標を生成するのに使用される。ある実施形態において、投票システムが採用される。ここで、被験者のメンタル状態の指標は、トレーニングセットから同定されたＫ個の最近傍に関連して最も頻繁に発生するメンタル状態として生成される。

他の態様において、本願発明は、被験者のメンタル状態を評価するためのコンピュータ実装システムを与え、当該システムは、
少なくともひとつのマイクロプロセッサと、
被験者のトレーニングセットのエキスパート評価を通じて得られるデータを含む知識ベースを有し、メンタル状態と心拍特性との間の関係の計算モデルを実行する少なくともひとつの不揮発性格納デバイスと、
マイクロプロセッサに動作的に関連づけられた少なくともひとつのコンピュータ読み取り可能なメモリデバイスと、
マイクロプロセッサと動作的に関連づけられた入力／出力インターフェースと、
を有し、
メモリデバイスは、マイクロプロセッサによって実行されたとき、以下の方法をマイクロプロセッサに実行させるコンピュータ読み取り可能なインストラクションコードを含み、当該方法は、
入力／出力インターフェースを通じて、睡眠前時間間隔、睡眠開始時刻および睡眠終了時刻を有する睡眠中時間間隔、および睡眠後時間間隔を含む期間にわたって得られた心拍データサンプルのシーケンスを有する被験者の心拍記録を受信する工程と、
少なくとも睡眠開始時刻および睡眠終了時刻を心拍記録内で同定する工程と、
被験者のメンタル状態に関連する少なくともひとつのメトリックを計算し、かつ、メトリックに基づいてメンタル状態の指標を生成するべく知識ベース内の情報を使って計算モデルを適用する工程と、
入力／出力インターフェースを通じて、被験者のメンタル状態の指標を与える工程と
を有する。

入力／出力インターフェースは、インターネットのようなワイドエリアネットワークへのアクセスを与えるネットワークインターフェースであってよい。

本願発明のある実施形態において、被験者の心拍記録は、睡眠前時間間隔、睡眠中時間間隔、および、睡眠後時間間隔を含む期間の間に、被験者によって着用される心拍モニターデバイスを通じて得られる。心拍モニターは、スマートフォン、タブレットコンピュータ、ノートブックコンピュータ、または、デスクトップコンピュータなどのネットワーク接続デバイスと通信するために、ブルートゥース（登録商標）インターフェースのような無線インターフェースを有する。代替的に、または、付加的に、心拍モニターデバイスは、ネットワーク接続デバイスと接続するために、ＵＳＢインターフェースのような有線インターフェースを有して良い。

心拍記録の測定実行中に、被験者をアシストするために、ネットワーク接続デバイス上で実行するアプリケーションが与えられる。アシストは、被験者に、心拍モニターデバイスを着用させるインストラクション、および、心拍モニターデバイスからネットワーク接続デバイスへ測定済み心拍データを転送させるインストラクションを与えることを含む。

被験者の心拍記録は、インターネットのようなワイドエリアネットワークを介して、ネットワーク接続デバイスからメンタル状態評価システムへ転送される。

本願発明のさらなる特徴および利点は、上述し、または、特許請求の範囲に定義されるように、本願発明の範囲を制限しない例示した以下の実施形態から明確となる。

本願発明の実施形態は、類似の特徴を同じ符号で示す添付図面を参照して説明される。

図１は、本願発明を実施する被験者のメンタル状態を評価するためのシステムの概略図である。 図２Ａは、本願発明を実施する心拍および活動記録の例を示すグラフである。 図２Ｂは、本願発明を実施する心拍および活動記録の例を示すグラフである。 図３は、本願発明を実施するメンタル状態を評価する方法のフローチャートである。 図４Ａは、本願発明を実施する代替的なコンピュータモデルに対応するフローチャートである。 図４Ｂは、本願発明を実施する代替的なコンピュータモデルに対応するフローチャートである。 図４Ｃは、本願発明を実施する代替的なコンピュータモデルに対応するフローチャートである。 図５Ａは、図４Ａのコンピュータモデルに対応する知識ベースのコンテンツを示すブロック図である。 図５Ｂは、図４Ｂのコンピュータモデルに対応する知識ベースのコンテンツを示すブロック図である。 図５Ｃは、図４Ｃのコンピュータモデルに対応する知識ベースのコンテンツを示すブロック図である。 図６は、本願発明を実施するコンピュータ実行のメインソフトウエア処理コンポーネントを示すブロック図である。 図７Ａは、図４Ａのコンピュータモデルに対応する知識ベース構築方法のフローチャートである。 図７Ｂは、図４Ｂのコンピュータモデルに対応する知識ベース構築方法のフローチャートである。 図７Ｃは、図４Ｃのコンピュータモデルに対応する知識ベース構築方法のフローチャートである。 図７Ｄは、本願発明を実施するコンピュータモデルの例示的パフォーマンスを示す。 図８は、本願発明を実施するスマートフォンアプリケーションの例示的スクリーンディスプレイを示す。 図９は、本願発明を実施するスマートフォンアプリケーションの例示的スクリーンディスプレイを示す。 図１０は、本願発明を実施するスマートフォンアプリケーションの例示的スクリーンディスプレイを示す。 図１１は、本願発明を実施するスマートフォンアプリケーションの例示的スクリーンディスプレイを示す。 図１２は、本願発明を実施するスマートフォンアプリケーションの例示的スクリーンディスプレイを示す。

図１は、本願発明を実施するオンラインシステム１００を示すブロック図である。システム１００は、それぞれがひとつ以上のコンピュータデバイスを有するシステムの異なるコンポーネント間で通信するために、典型的にインターネットであるワイドエリアネットワーク１０２を使用する。

システム１００は、評価サーバー１０４および遠隔に配置された評価被験者１０６を有する。被験者１０６は、心拍モニター１０８を備え、それは、スマートフォン１１０のようなひとつ以上の携帯デバイス、および／または、パーソナルコンピュータ１１２のようなひとつ以上のデスクトップデバイスと通信することが可能である。心拍モニター１０８とスマートフォン１１０との間の通信は、好適には、ブルートゥース（登録商標）のような無線通信チャネルを介した通信である。心拍モニター１０８とデバイス１１０、１１２との間でデータの転送に適した通信チャネルの他のタイプには、ＷｉＦｉ（登録商標）、有線イーサーネット（登録商標）、および、ＵＳＢのような他の有線接続形式が含まれる。

ここで説明する実施形態において、心拍モニター１０８によって収集される心拍データは、スマートフォン１１０またはデスクトップＰＣ１１２のような他のユーザデバイスに転送され、その後、評価サーバー１０４に転送される。しかし、本願発明の他の実施形態において、スマート心拍モニター１０８は、ＷｉＦｉインターフェースのようなネットワークインターフェースを含んでよく、インターネット１０２を介して評価サーバー１０４と接続し、直接データを転送することが可能である。他の実施形態において、評価サーバー１０４の機能は、被験者のＰＣ１１２上にインストールするよう作成されたソフトウエアを通じて、評価被験者１０６の位置で与えられてもよい。したがって、システム１００のオンラインアーキテクチャーは、現時点では有利と考えられるが、本願発明が実行される唯一の構成ではない。

評価サーバー１０４は、概してひとつ以上のコンピュータを有し、その各々は少なくともひとつのマイクロプロセッサ１１４を含む。コンピュータおよびプロセッサ１１４の数は、概して、システムに要求される処理能力に依存し、それは、予期されるワークロード、すなわち、サーバー１０４へのアクセスを有する評価被験者の数および処理すべきデータ量に依存する。ある実施形態において、サードパーティのクラウドコンピューティングプラットフォームがサーバー１０４として使用され、それにより、物理的ハードウエアリソースと置換可能となり、要求に応じてダイナミックに変更可能となる。しかし、説明の単純化のために、例示する評価サーバー１０４は単一のマイクロプロセッサ１１４を有する単一のコンピュータを含むと仮定する。

マイクロプロセッサ１１４は、不揮発性メモリ／ストレージデバイス１１６とインターフェースするか、さもなければ動作的に関連づけられる。不揮発性ストレージ１１６は、ハードディスクドライブであってよく、および／または、読み取り専用メモリ（ＲＯＭ）、フラッシュメモリ等のような固体不揮発性メモリを含む。マイクロプロセッサ１１４はまた、サーバー１０４の動作に関連するプログラムインストラクションおよび一時データを含むランダムアクセスメモリ（ＲＡＭ）のような揮発性ストレージ１１８ともインターフェースする。従来の構成において、格納デバイス１１６は、オペレーティングプログラムおよびデータ、ならびに、評価サーバー１０４の意図した機能に必要なアプリケーションソフトウエアを実行可能なものを含む。図示した実施形態において、ストレージデバイス１１６は、プロセッサ１１４によって実行された時、メンタル状態評価方法、特に、本願発明を実施する被験者１０６のストレスレベルを評価する方法の実行に関連する動作を、評価サーバー１０４に実行可能とするプログラムインストラクションを含む。動作中、ストレージデバイス１１６上のインストラクションおよびデータは、要求を実行するために、揮発性メモリ１１８へ転送される。

マイクロプロセッサ１１４は、従来の方法でネットワークインターフェース１２０と動作的に関連づけられる。ネットワークインターフェース１２０は、サーバー１０４と被験者デバイス１１０、１１２との間の通信用に採用されたインターネット１０２のようなひとつ以上のデータ通信ネットワークへのアクセスを容易にする。

使用中、揮発性ストレージ１１８は、本願発明の特徴を実施する処理および動作を実行するように構成されたプログラムインストラクションに対応するボディ１２２を有し、それは、図３から７に示すようなフローチャート、データ構造、およびソフトウエアアーキテクチャーを参照して以下で説明されるさまざまな処理ステップを備える。

また、説明する実施形態において、プログラムインストラクション１２２は、被験者のスマートフォン１１０上で実行されるアプリケーションのようなひとつ以上のクライアントアプリケーションとの通信を実行するインストラクションを含む。これらの通信動作は、心拍モニター１０８を使って記録された被験者１０６の心拍記録を評価サーバー１０４によって処理のために受信可能とする。

プログラムインストラクション１２２は、さらに、ウエブサーバーアプリケーションを採用するインストラクションを含んでよい。不揮発性ストレージ１１６および揮発性ストレージ１１８内に格納されたデータは、評価サーバーへのウエブベースインターフェースを容易にする被験者デバイス上に与えられ、および／または、実行するためのウエブベースコード（例えば、ＨＴＭＬまたはＪａｖａＳｃｒｉｐｔ（登録商標））を含む。例えば、ウエブベースインターフェースは、任意のデバイス（スマートフォン１１０またはデスクトップＰＣ１１２を含む）から評価サーバー１０４への心拍記録データのアップロードを可能にする。ウエブインターフェースは、被験者１０６に、デバイス１１０および／または１１２を通じて、評価サーバー１０４によって格納されかつ処理された自身のデータにアクセスすることを可能にする。

システム１００はまた、被験者のひとつ以上のトレーニングセットのエキスパート評価を通じて得られたデータを使って、および、メンタル状態（すなわち、被験者のストレスレベル）と心拍特性との間の関係のコンピュータモデルを採用する機械学習方法論を通じて生成された情報を含む知識ベース１２４を有する。

デシジョンツリー学習、関連ルール学習、人工神経ネットワーク、インダクティブロジックプログラミング、サポートベクトルマシン、クラスタ解析、ベイジアンネットワーク、レインフォース学習、リプレゼンテーション学習、類似学習、スパース辞書学習、および／または、遺伝子アルゴリズムを含むさまざまな機械学習方法論が、本願発明の異なる実施形態において採用可能である。

特に、図４から７を参照して説明する実施形態は、メトリック学習およびクラスタリングを含む技術を採用する。しかし、これらのアプローチは、例示に過ぎず、他の学習技術およびコンピュータモデルを本願発明の態様から除外するものではない。

知識ベース１２４は、不揮発性ストレージ１１６内に含まれるか、評価サーバー１０４に直接接続されるか、または、遠隔的に配置された別個のストレージデバイス内に格納されてよい。特に、知識ベース１２４は非常に大量のトレーニングおよび履歴被験者データを含むよう極限的に増加しているので、知識ベース１２４にとって、大規模データセンターおよび／またはひとつ以上の分散データベース（例えば、クラウドストレージサービス）内に格納されるのが有利である。以下で説明するように、要求されたデータが評価サーバー１０４による処理のためにアクセス可能である限り、知識ベース１２４の厳密な形式および位置は重要ではない。

図２Ａにおいて、被験者１０６の例示的な心拍記録のグラフが示されている。水平軸２０２は時間を示し、垂直軸は毎分の平均心拍を示す。したがって、グラフ２００によって表された被験者の心拍記録は、水平軸２０２上に示す全期間にわたって一分間に一回の割合で取得されかつ記録された、心拍データサンプルのシーケンスを含む。この特定の例において、心拍記録は、２４時間の期間をカバーするが、本願発明の実施形態は、睡眠前時間間隔２０８、睡眠中時間間隔２０９、および、睡眠後時間間隔２１０を含む全記録２０６の一部のみを要求してもよい。

ある実施形態において、睡眠前時間間隔２０８、睡眠中時間間隔２０９および睡眠後時間間隔２１０は、自動的に同定される。睡眠中時間間隔２０９の自動的同定のひとつの技術は、心拍モニター１０８、または、被験者１０６によって着用される他の着用可能なデバイス内に組み込まれた加速度計のような活動モニターの使用を通じてなされる。図２Ｂは、図２Ａの心拍記録に対応する、活動モニターなどを使った被験者の活動を示すグラフ２１２である。水平軸２１６は時間を示し、垂直軸２１６は記録時間間隔の各々の間に活動モニターによって検出された活動レベルに基づいて計算された活動係数である。活動記録のトレース２１８は、３つの非常に異なる時間間隔、すなわち、比較的大きい活動の第１ウォーキング時間間隔２２０、ほとんどまたは活動がない睡眠時間間隔２２１、および、大きい活動の第２ウォーキング時間間隔２２２である。

活動の大きい時間間隔２２０、２２２と、活動の小さい時間間隔２２１との間の極端に異なる遷移は、睡眠前時間間隔２０８、睡眠中時間間隔２０９、睡眠後時間間隔２１０を分離して、睡眠開始時刻２２４および睡眠終了時刻２２６の比較的単純かつ正確な抽出を可能にする。

活動レベルは、睡眠開始時刻２２４および睡眠終了時刻２２６を同定するひとつのメカニズムを提供するが、他の方法が代替的な実施形態で使用可能である。例えば、グラフ２００より明らかなように、睡眠中時間間隔２０９は、心拍の減少に概ね対応している。したがって、心拍記録２０６の適切な処理は、睡眠開始時刻２２４および睡眠終了時刻２２６を同定するのをアシストするために使用され得る。付加的に、または、代替的に、被験者１０６は、睡眠開始時刻２２４および終了時刻２２６の検出をアシストするために就寝および起床時刻の推定を与える。したがって、本願発明の異なる実施形態において、十分な正確性および信頼度を有する遷移時刻を同定するためにさまざまな技術が利用可能であることが理解されよう。

図３は、本願発明の実施形態に従う、被験者１０６のメンタル状態、すなわち、ストレスレベルを評価するための方法を示すフローチャート３００である。最初に、ステップ３０２において、被験者の心拍記録を入力として受信する。最初の処理３０４において、睡眠開始時刻２２４および睡眠終了時刻２２６を有する睡眠中時間間隔２０９を同定する。

評価サーバー１０４のプロセッサ１１４によって実行される適切なプログラムインストラクションを通じて実行される評価方法３００は、被験者のストレスレベルの評価を実行するために心拍記録をさらに解析するよう処理する。これを実行するために、ステップ３０６において知識ベース内の情報にアクセスする。知識ベースの例示的コンテンツは、図５Ａから図５Ｃを参照して以下で説明され、知識ベースを構築するための対応する例示的トレーニング方法は図７Ａから７Ｃを参照して説明される。この目的のために、知識ベース内でアクセスされる情報は、被験者のトレーニングセットのエキスパート評価に基づくものであり、知識ベースコンテンツに基づいて、被験者１０６のメンタル状態を推定することを、評価サーバー１０４が可能となるように解釈されるということを理解すべきである。概して、これは、被験者１０６のメンタル状態と関連するひとつ以上のメトリクスを計算し、これらのメトリクスに基づいてメンタル状態の指標を生成するプロセス３０８に関連する。

ステップ３１０において、メンタル状態、すなわち、ストレスレベルの結果指標、例えば、メンタルヘルス指標が出力される。出力結果は、不揮発性ストレージ１１６、知識ベース１２４、または、他のデータベース内の被験者記録内に格納される。代替的に、または付加的に、生成された指標は、スマートフォン１１０またはデスクトップＰＣ１１２のような被験者のデバイス上で実行可能なソフトウエアを使って、ウエブインターフェース、または、アプリケーションインターフェースを通じて、被験者へ渡される。

図４Ａから４Ｃは、本願発明を実施する３つの代替的なコンピュータモデルに対応するフローチャートである。図５Ａから５Ｃは、それぞれ、これらのモデルに対する知識ベースの対応するコンテンツを示すブロック図である。

第１のモデルに従い、テンプレートモデルの用語は、メトリックを計算し、フローチャート４００および知識ベースコンテンツ５００によって表される被験者のストレスレベルの指標を生成するプロセスである。特に、知識ベース１２４は、正常テンプレート５０２を含むコンテンツ５００を有する。正常テンプレート５０２は、被験者にストレスがないか、わずかなストレスを感じている状態に対応する代表記録である。正常テンプレート５０２を得る方法は、図７Ａを参照して以下で詳細に説明される。知識ベースコンテンツ５００はまた、正常重心と呼ばれる値５０４を有する。正常重心５０４は、エキスパート評価者によって診断されるような、トレーニングセット内の被験者がストレスを感じないか、わずかにストレスを感じている状態と、正常テンプレート５０２との間の典型的な差を表す数である。図４Ａを参照して、ステップ４０２において、評価被験者１０６に対してメトリックが計算され、それは、被験者の心拍記録と、正常テンプレート５０２との間の差の計測値を有する。ステップ４０４において、正常重心５０４とステップ４０２で計算されたメトリックとを比較することにより、分類が実行される。正常からわずかなストレス状態、適度なストレス状態、または、深刻なストレス状態のひとつに被験者１０６を分類するために、差の大きさが使用される。分類は、差の大きさを、知識ベース１２４のコンテンツ５００内のセグメンテーション値５０６のセットと比較することにより実行される。

フローチャート４０６および対応する知識ベースコンテンツ５０８は、マルチパラメータ／ディスタンスモデルと呼ばれる第２のコンピュータモデルを示す。ここで説明するマルチパラメータモデルは、被験者１０６の入力された心拍記録から計算される４つのメトリクスを使用している。この４つのメトリクスは、
・平均起床心拍、すなわち、睡眠前時間間隔２０８と睡眠後時間間隔２１０との間の平均心拍、
・平均起床心拍と、睡眠中時間間隔２０９の間の平均心拍との比として計算される心拍の比、
・睡眠中時間間隔２０９の最初の半分の間の被験者の心拍のスロープの計測値（すなわち、時間の関数としての変化）である第１スロープメトリック、および
・睡眠中時間間隔２０９の残りの半分の間の心拍のスロープの計測値である第２スロープメトリック、である。

理解されるように、これら４つのパラメータは、一定のウォーキング心拍値および睡眠中時間間隔２０９の最初の半分中での第１スロープメトリックにしたがって、および睡眠中時間間隔２０９の残りの半分の間の第２スロープメトリックにしたがって変化する睡眠心拍値を有する患者の心拍の区分的線形表示を完全に定義する。本願の発明者らは、この心拍記録の特定のパラメータ化が、トレーニングセット内の被験者のエキスパート評価のアシストとともに、ストレスレベルの機械学習および予測に対する有効な根拠を与えることを見いだした。

したがって、ステップ４０８、４１０、４１２、および、４１４において、上述した４つのメトリクスが計算される。知識ベース１２４のコンテンツ５０８は、正常テンプレートに対応する４つのメトリクス値、すなわち、正常からわずかにストレスを感じる状態のトレーニングセット内の被験者の平均値を有するアレイ５１０を含む、知識ベースコンテンツ５０８は、各メトリックに対して対応する正常重心値、すなわち、アレイ５１０内の平均値と、トレーニングセット内の実際の個々の被験者のすべてとの間の代表差のアレイ５１２をさらに有する。ステップ４１６において、被験者１０６の心拍記録から計算されたメトリクスは、ステップ４０８から４１４において、対応する正常重心値５１２と比較される。差の大きさは、単一のディスタンスを計算するよう組み合わされ、その後、それは知識ベースコンテンツ５０８内のセグメンテーション値５１４のセットと比較される。これらのセグメント値は被験者１０６の状態を、正常からわずかなストレス状態、適度なストレス状態、または、深刻なストレス状態に分類する。

第３のコンピュータモデルに従う被験者１０６のストレスレベルの分類方法がフローチャート４１８に示されている。方法は、ステップ４２０、４２２、４２４、および４２６においてそれぞれ計算される上述した４つのメトリクスに基づいている。ステップ４２８において、分類はｋ個の最近傍（ｋ−ＮＮ）コンピュータモデルに従って実行される。したがって、このモデルは、マルチパラメータ／ｋ−ＮＮモデルと呼ばれる。

マルチパラメータ／ｋ−ＮＮモデル用の知識ベース１２４のコンテンツ５１６が、図５Ｃに示されている。コンテンツ５１６は、（Ｍ＋２）次元アレイ５１８を有する。アレイ５１８は、トレーニングセット内の各被験者に対する（Ｍ＋１）次元ベクトルを含み、ここでＭは、マルチパラメータモデル内のメトリクスの数、すなわち、本例ではＭ＝４である。各ベクトルは、個々のトレーニングセットの被験者に対して、エキスパート評価者によって決定されるような対応する評価レーティングとともにＭ個のメトリクスの計算値を含む。メトリクス値は、Ｍ次元のメトリック空間内の点を定義するように関連づけられ、一方、エキスパートレーティングはその点に関連する値を与える。

知識ベースコンテンツ５１６はまた、最適化された値Ｋを定義する整数である値５２０を含む。プロセス４１８内の分類ステップ４２８は、ステップ４２０から４２６において計算された４つのメトリクスによって定義されたメトリック空間内のポイントへアレイ５１８からＫ個の最近傍を見つける工程を有する。このＫ個の最近傍に関連するエキスパートレーティングの値は、被験者１０６のストレスレベルを分類するのに使用される。ひとつの実施形態において、多数決アルゴリズムが採用され、それにより、被験者のストレスレベルはＫ個の最近傍のもっとも頻繁なエキスパートレーティングにしたがって分類される。したがって、ｋ−ＮＮアルゴリズムは、Ｍ次元メトリック空間内に存在する類似のエキスパート評価のクラスタに基づいて効果的に動作する。

図６に、本願発明を実施するコンピュータ実行可能なメインソフトウエア処理コンポーネントを示すブロック図６００が示されている。入力された心拍記録６０２は、睡眠開始時刻および睡眠終了時刻を同定するために、睡眠検出モジュール６０４によって処理される。記録は、付加的に、モジュール６０６においてリスケーリングすることによってさらに処理されてもよい。リスケーリングモジュール６０６は、リスケールされた記録を取得するために入力データ６０２を処理する。ここで、心拍の値は０と１との間で規格化され、時間は標準的スケール、例えば、０から１０００の時間ユニットに調節される。上述した実施形態において、リスケーリングはテンプレートモデルに対して要求され、正常テンプレート５０２と比べられているすべての心拍記録の中に類似性を保証することは重要である。リスケーリングは、本願発明の代替的実施形態に従う他のメトリクスの計算には使用可能であるが、上述した複数パラメータモデルに対して要求されない。

メトリック計算モジュール６０８は、本願発明の実施形態で使用される特定のコンピュータモデルに関連した関連メトリックまたはメトリクスを計算する。例えば、テンプレートモデルにおいて、メトリック計算モジュール６０８は、被験者１０６の心拍記録と正常テンプレート５０２との間の差を表す値を計算する。複数パラメータモデルにおいて、メトリック計算モジュール６０８は、図４Ｂを参照して上述した４つのメトリクスを計算する。

ある実施形態において、メトリックまたはメトリクスを計算するために、メトリック計算モジュール６０８は知識ベース１２４にアクセスする。例えば、テンプレートモデルにおいて、メトリック計算モジュール６０８は、正常テンプレート５０２を知識ベース１２４から検索する。

決定モジュール６１０は、特定のコンピュータモデルに関連するルールにしたがって、被験者１０６のストレスレベルを分類する。例えば、テンプレートモデルおよびマルチパラメータ／ディスタンスモデルにおいて、決定モジュール６１０は、計算されたディスタンスメトリックをセグメンテーション値５０６、５１４と比較することにより被験者１０６のストレスレベルを分類する。

マルチパラメータ／ｋ−ＮＮモデルにおいて、決定モジュール６１０は、Ｋ個の最近傍の最も頻度の高いエキスパート評価レーティングに従い、被験者１０６のストレスレベルを分類する。

典型的に、決定モジュール６１０は、決定基準を検索するために、知識ベース１２４へのアクセスを要求する。出力ストレスレベル指標６１２が決定モジュール６１０から生成される。

図７Ａは、テンプレートモデルに従って、知識ベース構築用のアルゴリズムに対応するフローチャート７００を示す。このアルゴリズムに対して、および、図７Ｂおよび７Ｃを参照して以下で説明する他の２つのアルゴリズムに対して、前提条件は、知識ベース１２４がトレーニング記録のデータセットを有するということである。各トレーニング記録は、トレーニングされた医師等のエキスパートによって実行される関連する診断／評価とともに、テスト被験者の心拍記録を有する。この評価は、テスト被験者の心拍記録のエキスパートのレビューに基づいて実行されるか、または、各テスト被験者とエキスパート評価者との間の面接等の他の診断手段によって得られてよい。トレーニングセット内のデータに関連するこれらの実際の評価は、知識ベース内の一次的なエキスパート知識を与える。この情報はその後、このエキスパートの使用するコンピュータモデルを構築するのに使用され、その後それはメンタル状態、すなわち、被験者の入力心拍記録に基づく構造の未知の被験者１０６のストレスレベルを予想するために使用される。

テンプレートトレーニングアルゴリム７００に戻って、ステップ７０２において、正常からわずかなストレスレベルの評価に関連するすべてのテスト被験者データが知識ベース１２４から検索される。各記録は、図２Ａのグラフに示すような心拍データサンプルのシーケンスを有する。すでに説明したように、ステップ７０８において、検索された正常データの記録はリスケーリングされ、その結果、心拍は０と１との間で規格化され、睡眠中時間間隔は共通の時間スケールに規格化される。

ステップ７０６において、検索されリスケーリングされたテスト被験者記録のすべての平均が計算される。これは、サンプル毎に平均化され、それは、正常テンプレートとして知られる、単一の代表心拍記録の生成をもたらす。

ステップ７０８において、検索された正常テスト被験者記録の各々に対して、正常テンプレートからのディスタンスの計測値が計算される。任意の適切なディスタンス計測方法が使用可能であり、例示的実施形態において、最小二乗ディスタンスが採用される。

ステップ７１０において、すべてのディスタンス計測値の平均が計算される。この平均値は、正常重心と呼ばれる。

テンプレートモデルは、単一のディスタンス計測値、および、特に正常重心と、被験者１０６の続く心拍記録に対する同様のディスタンス計測値との間の差が、被験者のストレスレベルを分類するのに使用されてもよい。したがって、セグメンテーション値のセットは、正常からわずかなストレス状態、適度なストレス状態、および深刻なストレス状態との間の境界を画定するのに要求される。この３つのレベルの分類に対して、２つのセグメンテーション値が要求され、それはステップ７１２で計算される。

本願の発明者らは、異なる提案ストレスレベル分類の間には明確な境界が存在せず、ある混同が存在することを見いだした。しかし、概して、特定の被験者１０６に対する計算されたディスタンス値と正常重心との間のディスタンスがより大きい場合、被験者に対してより高いストレスがかかる傾向があることを発見した。したがって、ストレスレベルの間の境界を形成するセグメンテーション値を定義するために適当な統計的テクニックを使用する必要がある。ある実施形態において、この目的のために混合ガウスモデル（ＧＭＭ）が使用される。

図７Ｂのフローチャートは、マルチパラメータモデル用の知識ベース構築アルゴリズムを示す。テンプレートモデルアルゴリズム７００と同様に、アルゴリズム７１４は、ステップ７１６においてトレーニングセットから、正常からわずかなストレス状態の被験者に対するすべての記録を検索することにより開始される。４つのメトリックは、検索された記録のすべてに対して、および、ステップ７１８において計算されたメトリクスの対応する平均値に対して、計算される。

ステップ７２０において、検索した正常からわずかなストレスレベルのデータ記録の各々に対して、個々のメトリクスと対応する平均との間のディスタンスの計算値が計算される。この個々のディスタンス計測値のすべては、その後、ステップ７２２において、４つのメトリクスの各ひとつに対応する４つの正常重心のベクトルを生成するべく平均化される。

マルチパラメータ／ディスタンスモデルにおいて、被験者１０６の心拍記録に対して計算された個々の値のメトリクス間のディスタンスと、対応する正常重心値との間のディスタンスが計算され、その後、単一の距離計測値を形成するべく組み合わされる。このディスタンス計測は、個々の差の大きさの単純和、加重和、ユークリッド差、または他の任意の適当なディスタンス計測値であってよい。ディスタンスデータを単一のディスタンス計測値に単純化した後、ストレスレベル間の境界を画定するセグメンテーション値のセットがその後、テンプレートモデルとして決定される。セグメンテーション値のこの決定はステップ７２４において実行される。再び、ひとつの実際的なアプローチは、トレーニングデータセット内のデータのすべてを使い、すなわち、正常からわずかなストレス状態の被験者だけでなく、トレーニングセット内の適度なストレス状態および深刻なストレス状態の被験者のすべてに関連するディスタンス計測値を計算する混合ガウスモデルを採用することである。

図７Ｃに示すフローチャートは、マルチパラメータ／ｋ−ＮＮモデルに対する知識ベース構築アルゴリズムを示す。アルゴリズム７２６は、トレーニングセットをトレーニングおよびテストパーティションに分割することにより、ステップ７２８で開始される。例えば、トレーニングセット内の被験者記録の９０パーセントは、トレーニング用に使用され、残りの１０パーセントは既知のエキスパート評価に対するトレーニングの有効性をテストするためのものである。生成されたコンピュータモデルの有効性は、トレーニングおよびテストパーティションのサイズ、および、各パーティションを形成するテスト被験者の特定の組成に基づいてよい。したがって、トレーニングメンバーおよびテストパーティションのランダム選択、および／または、トレーニングメンバーおよび／またはテストパーティションとして特定の記録の選択を含む、異なるテクニックが、トレーニングセットをパーティション化するために使用されてもよい。以下でさらに説明するように、アルゴリズム７２６は、計算モデルの効果を最適化するために、トレーニングセットのリパーティション化を採用してもよい。

ステップ７３０において、Ｋの初期値（すなわち、ｋ−ＮＮ計算で使用される最近傍の数）が選択される。任意の正の整数が選択可能であるが、概してＫ＝１に設定するのは生産的ではない。Ｋ＝１の場合、トレーニングパーティション内の各々の記録はメンタル状態のそれ自身の予測評価のみを決定し、したがって、それは正しいと保証されるからである。したがって、テストパーティション内の記録のような未知のデータに対する予測の品質に対する任意のコントロールを与えることなく、完璧な結果はトレーニングパーティションに対して達成される。

トレーニングおよびテストパーティションに基づいて結果を評価するための例示的実施形態で使用される品質測定値は、感度および特異性である。感度は、特定のレーティングの正しい分類の割合、例えば、コンピュータモデルによって適度なストレス状態にあるとして正しく同定された人に対する、適度なストレス状態にあるとエキスパートによって評価されたすべての被験者の割合として定義される。特異性は、特定の分類（例えば、適度なストレス状態）内のコンピュータモデルによって誤って分類された人に対する、その特定の分類内にはないとしてエキスパートによって評価されたすべての被験者の割合として定義される。

ステップ７３２において、したがって、現在の値Ｋに対して、トレーニングパーティション内のすべての記録に対する感度および特異性が計算される。トレーニングパーティション内の記録に関連する実際のメンタル状態のすべては既知であると仮定されているが、セットの特定のメンバーは、その最近傍によって多数得票されてもよいことに注意すべきである。トレーニングパーティションに対する感度および特異性の計算結果、および、特に１００パーセント以下の感度の減少は、メトリック空間の正確な領域内で、トレーニングパーティションの選択されたメンバーが如何によくクラスタ化されているかの計測である。特に興味があるのは、異常値、すなわち、メトリック空間の関連する体積内の最近傍のすべてまたは大多数と異なるメンタル状態の関連評価を有する個々のデータポイントである。

ステップ７３４において、テストパーティションに対して感度および特異性が計算される。テストパーティション内の記録に関連するメンタル状態は既知ではなく、Ｋ個の最近傍分類ルールに従って予測される。その後、予測は、テストパーティションに対する感度および特異性を取得するために、実際のエキスパート評価と比較される。

ステップ７３６において、さらに異なるＫ値に対する感度および特異性を計算するステップ７３２および７３４を繰り返すか否かが決定される。もしこれが所望されれば、Ｋの値はステップ７３８で更新され、ステップ７３２および７３４が繰り返される。例えば、プロセスは、Ｋの値の範囲を通じてスイープするか、または、コンピュータモデルによって作成された予測の品質の計測値を最大化する値に集結するために、Ｋを調節するための最大化プロシージャを使用してよい。

特に、品質のひとつの計測値は、メンタル状態のすべての分類、すなわち、正常からわずかなストレス状態、適度なストレス状態、および深刻なストレス状態をまたいだ感度および特異性の平均である。トレーニングおよびテストパーティションをまたいだこの計測値を最大化することにより、Ｋの値は、それに対するモデルの予測が、将来の未知のデータ記録に対して、対応する感度で最適化されるように選択可能である。したがって、ステップ７４０において、Ｋの値は、この方法で選択される。結果は、Ｋの選択値とともに、選択されたトレーニングパーティションを有するモデルであり、それは、未知の心拍記録に関連するメンタル状態の予測に対するｋ−ＮＮアルゴリズムで使用される。

ｋ−ＮＮアルゴリズムに関連するさらなる見地は、所与の品質のモデルに対して、より大きいＫ値は、小さいＫ値より、概してより安定かつ正確なモデルに対応するということである。これは、より大きいＫ値は、未知の記録の予測した分類を決定するのに使用されるより大きい最近傍の数と関連しているためである。他方で、極端に大きなＫ値に対しては、これが有意に特異性を減少させるため、高品質モデルは得られない。

しかし、全体として、相対的に大きいＫ値と組み合わせて、平均的に高い感度／特異性を生成するトレーニングパーティションを同定するために、トレーニングセットの異なる数のパーティションを有するアルゴリズムを実行することが所望される。したがって、ステップ７４２において、もしＫ値が小さすぎると考えられると、トレーニングセットはステップ７４４においてリパーティション化されてよく、ステップ７３０から７４０を繰り返すことにより、新しいパーティションを使ってＫに対して新しい最適化が実行される。ステップ７４４におけるリパーティション化はランダムであってよく、または、決定論的であってもよい。例えば、決定論的リパーティション化は、トレーニングセット内の異常値を同定することに関し、それを選択的に除去するか、または、テストパーティションへ移動することに関する。また、決定論的およびランダムなパーティション化の組みあわせが採用されてもよい。例えば、トレーニングセットは、最初にメンタル状態の各々（すなわち、正常からわずかなストレス状態、適度なストレス状態、および、深刻なストレス状態）に対応する記録へパーティション化され、その後、すべてのストレスレベルが両方のパーティションに比例して表されることを保証するべく、同等の割合でトレーニングおよびテストパーティション内にこれらのサブセットの各々をランダムにパーティション化してもよい。また、リパーティションと同時に改良されたトレーニングパーティションを作成するために、適切な最適化テクニックが採用されてもよい。例えば、シミュレーションされたアニーリング、または、その他の適当な最適化テクニックが、利用可能なトレーニングセットにわたって分類の品質を最大化するために連続的パーティションを生成する際に使用されてもよい。

最終トレーニングパーティションおよびＫ値が選択されると、ステップ７４８において、知識ベースがこれらの値によって更新される。例示として、図７Ｄは、特定のトレーニングセットにわたって、アルゴリズム７２６の実行により得られる例示的な感度および特異性の棒グラムを示す。この場合、全体のトレーニングセットの記録の９０パーセントが、トレーニングパーティション内に含まれ、残りの１０パーセントがテストパーティション内に含まれる。この例において、Ｋ＝６であり、異常値は、トレーニングおよびテストパーティションの両方をまたいで分布している。結果として、トレーニングおよびテストパーティションの両方内の３つのすべての分類にわたって、一定して高い平均感度および特異性が達成された。

左側の棒グラフ７５０は、トレーニングセットに対する感度よび特異性を示し、垂直軸７５２はパーセントを表す。棒グラフは、正常からわずかなストレス状態に対する感度７５４および特異性７５６を示し、適度なストレス状態に対する感度７５８および特異性７６０、および、深刻なストレス状態に対する感度７６２および特性７６４を示す。右側の棒グラフ７６６はテストパーティションに対する結果を示し、垂直軸７６８はパーセントを示す。この図は、正常からわずかなストレス状態に対する感度７７０および特異性７７２、適度なストレス状態に対する感度７７４および特異性７７６、深刻なストレス状態に対する感度７７８および特異性７８０を示す。

注目すべきは、両方の棒グラフ７５０、７６６において、得られた最高値は、両方のパーティションにおける深刻なストレス状態の特異性７６４、７８０に対してである。これは、コンピュータモデルが深刻なケースの分類をほとんど失敗しないことを暗示している。結果として、コンピュータモデルは、正常からわずかなストレス状態を、適度なストレス状態として、または、その逆として、分類失敗しやすい。得られた３つの結果から、分類ミスは、より高いストレス状態において少なくなると考えられる。それが自己評価用に使用されるか、および／または、ヘルスケアの専門家による評価および治療に関連して使用される場合、これは、コンピュータモデルの所望の性質である。すなわち、モデルにより、個人が、自身のストレスレベルをモニターおよび管理することを可能にし、ストレスレベルが長期間にわたって大きくなるとき、専門家の助けおよびサポートを探すことを薦めるよう使用可能である。

この点を考慮して、例えば、図１に示すシステム１００を通じて、ストレス評価が個人により入手可能とすることが所望される。評価サーバー１０４は、上述したようなコンピュータモデルを実行する。評価被験者１０６は、適切なアプリケーションを実行するスマートフォン１１０を通じて、および／または、スマートフォン１１０またはＰＣ１１２上のウエブインターフェースを通じて評価サーバー１０４にアクセス可能である。スマートフォン１１０を使ったアクセスは、スマートフォンアプリが心拍モニターデバイスと通信可能であり、測定時間間隔にわたってデータを収集し、かつ、生成された心拍データを評価サーバー１０４へ転送するように開発可能であるため、有利である。

したがって、図８は、本願発明を実施する適当なスマートフォンアプリケーションの例示的スクリーン表示を示す。ディスプレイ８００は、アプリケーションへの誘導を与え、ユーザに、評価サーバー１０４への登録を可能にするタッチスクリーンボタン８０２、８０４（すなわち“新しいプロファイルを開始”）を与えるか、評価サーバー１０４へログイン（すなわち、“既存のプロファイルでサインイン”）することを可能にする。

図９は、例示的な他のスマートフォンアプリケーションのディスプレイ９００を示し、それは、ユーザ１０６に対して、心拍モニターデバイス１０８を着用するインストラクション９０２を含む。ユーザが適当な心拍モニターデバイスを持っていない場合、タッチスクリーンボタン９０４は、例えば、評価サーバー１０４によって実行されるオーバーフォーム（図示せず）を通じて、または、インターネットに接続された他のイーコマースサーバー（図示せず）によって、心拍モニターデバイスが注文可能となるように与えられる。

図１０は、スマートフォンアプリケーションの他の例示的ディスプレイ１０００を示し、それは、例えば、ブルートゥース（登録商標）または他の無線接続を介して、心拍モニターデバイス１０８がうまく接触していることの指標１００２、および、モニターデバイスによって測定されるような現在の心拍の代表値１００４を含む。心拍モニターデバイス１０８への接続が確立されると、ユーザは、ボタン１００６をタッチして、睡眠中時間間隔を含む期間にわって得られた心拍データサンプルのシーケンスを有する心拍記録の測定を開始する。当該期間は２４時間、または、睡眠の開始および終了を同定可能にし、および、上述したアルゴリズムで要求されるような、解析されるべき起床心拍データを有する、十分な睡眠前時間間隔および睡眠後時間間隔を含むより短い時間間隔であってよい。

図１１は、測定中のユーザ１０６に与えられる他の例示的なアプリケーションディスプレイ１１００を示す。ディスプレイの上部領域１１０２は、現在の心拍、測定期間にわたる最小および最大心拍、ならびに、平均心拍を含む、キーデータのサマリを与える。ディスプレイの中央領域１１０４は、測定期間全体を通じた毎分平均心拍のグラフを示す。残りの測定時間はパネル１１０６に示されている。最後に、付加的なタッチスクリーンコントロールが、ディスプレイの下側領域１１０８に与えられ、ユーザ１０６は、ノートを追加し、測定を一時停止し、または中止することができる。

図１２は、測定の完了および評価サーバー１０４による結果の解析がユーザ１０６に与えられるディスプレイ１２００を示す。ディスプレイ１２００は、測定期間にわたるストレスレベルの指標１２０２、および、結果の単純な言語による解釈および被験者１０６におけるこのストレスレベルのインパクト傾向を含む。最後に、アプリケーションは、ディスプレイのタブ領域１２０６を与え、それによりユーザ１０６は、ストレスレベルを管理する際に補助となるさまざまなリソースへの単純なアクセスを与える。

要約すると、本願発明の実施形態は、サンプルおよび非侵襲的心拍測定を通じて、個々の被験者が経験するメンタル状態および特にストレスレベルの測定、モニターおよび評価を可能する方法およびシステムを提供する。日常的活を普通にこなしながら、個人が自宅で測定を実行可能なようにオンラインサービスが提供される。評価は例えば、エキスパートの評価情報を有する知識ベースを使って、インターネットを介してアクセス可能なサーバー上でコンピュータモデルを使って実行され、自動的に生成される。

本願発明の実施形態にしたがって与えられるサービスおよびアプリケーションは、個々の被験者に利用可能であり、または、従業員の健康を監視するために雇用主に利用可能であってもよい。特に、個人および／または従業員は、自身のストレスレベルをチェックすることができ、過剰または大きなストレスのリスクにあることの早期の警告を受けることができる。また、例えば、スマートフォンアプリケーションまたはウエブインターフェースを介して、評価サーバー１０４はチャネルとして使用され、教育資料を提供し、かつ、評価されたストレスレベルに基づく個人に対するサポートを提供する。該サポートは、一般開業医または他の専門医の受診を推薦することを含む。評価サーバー１０４は履歴を保持し、インターネットを介してこれを入手可能とし、個人は、ストレスレベルを連続的にモニターすることができ、その進行をチェックすることができる。

本願発明の潜在的な利益は、特定の職種および役職に関連するストレスレベルの改良した分析を有し、常習的欠勤および病気出勤を減少させることによる生産性の向上、および、ヘルスケアシステムに対するクレームおよびプレッシャーの減少をもたらす。したがって、個人、使用者および社会が、多くの利益が得られる。

特定の実施形態を使って、例示的に説明されてきたが、本願発明の態様の範囲内で多くの変更が可能であることは当業者の知るところである。したがって、例示的実施形態は、限定するものではなく、発明の範囲は添付した特許請求の範囲により画定されるべきである。

Claims (20)

1. 被験者のメンタル状態を評価するコンピュータ実行可能な方法であって、当該方法は、
   睡眠前時間間隔、睡眠開始時刻および睡眠終了時刻を含む睡眠中時間間隔、および、睡眠後時間間隔を有する期間にわたって得られた心拍データサンプルのシーケンスを有する前記被験者の心拍記録を入力として受信する工程と、
   少なくとも前記睡眠開始時刻および前記睡眠終了時刻を、前記心拍記録内で同定する工程と、
   前記被験者のトレーニングセットのエキスパート評価を介して得られたデータを含む知識ベースにアクセスし、メンタル状態と心拍特性との間の関係のコンピュータモデルを具体化する工程と、
   前記被験者のメンタル状態に関連する少なくともひとつのメトリックを計算し、かつ、前記メトリックに基づいてメンタル状態の指標を生成するべく、前記知識ベース内の情報を使って、前記コンピュータモデルを適用する工程と、
   前記メンタル状態の指標を出力として与える工程と、
   を備える方法。
2. 前記メンタル状態の指標は、前記被験者が経験するストレスレベルの指標である、ことを特徴とする請求項１に記載の方法。
3. 前記メンタル状態の指標は、３つのストレスレベルの間を区別する、ことを特徴とする請求項２に記載の方法。
4. 前記知識ベースは、テンプレート心拍特性を有する、ことを特徴とする請求項２に記載の方法。
5. 前記テンプレート心拍特性は、正常または低レベルのストレス状態としてエキスパート評価者によって評価された前記トレーニングセット内の被験者の、スケーリングされかつ規格化された心拍特性を平均することにより得られる、ことを特徴とする請求項４に記載の方法。
6. 前記知識ベースは、正常重心値をさらに有し、前記テンプレート特性から正常として評価されたトレーニングセット内の被験者の心拍特性の平均ディスタンスの計測値を有する、ことを特徴とする請求項５に記載の方法。
7. 前記知識ベースは、前記正常重心に対するテンプレート特性からのディスタンスの変化を表し、かつ、メンタル状態の異なる指標の間の分類境界を画定するセグメンテーションポイントのセットをさらに有する、ことを特徴とする請求項６に記載の方法。
8. 前記被験者の心拍特性は複数の関連メトリクスを計算するよう処理される、ことを特徴とする請求項２に記載の方法。
9. 前記メトリクスは、平均起床心拍、平均起床心拍と平均就寝心拍との間の比、前記睡眠中時間間隔の最初の半分の間の心拍のスロープ、および、前記睡眠中時間間隔の二番目の半分の間の心拍のスロープを有する、ことを特徴とする請求項８に記載の方法。
10. 前記知識ベースは、正常または低ストレスレベルを有するとしてエキスパートによって評価された被験者に基づいて、テンプレート特性に対応するメトリクス値のアレイを有する、ことを特徴とする請求項８に記載の方法。
11. 前記知識ベースは、複数のメトリクスの各々に対応し、正常または低レベルのストレスを有するとしてエキスパートによって評価されたすべての被験者に対するそれぞれのメトリクス間の差の大きさを平均化することにより計算された正常重心値のアレイ、および、同等のテンプレート特性メトリクスを有する、ことを特徴とする請求項１０に記載の方法。
12. 正常のメンタル状態からの被験者のメンタル状態のディスタンスの計測値を計算するべく、前記被験者の受診した心拍記録に対して計算されたメトリクスと、対応する正常重心値との間の比較を実行する工程とさらに備え、前記知識ベースは、メンタル状態分類の間の境界に対応するディスタンス測定値を画定するセグメンテーション値のアレイをさらに有する、ことを特徴とする請求項１１に記載の方法。
13. 前記知識ベースは、（Ｍ＋１）次元ベクトルのアレイを有し、ここで、Ｍは、使用される前記複数のメトリクスの数であり、各ベクトルは前記トレーニングセット内の被験者に対応し、前記知識ベースは計算されたメトリクスの各々に対する値を有し、前記被験者の対応するエキスパート評価者の値を有する、ことを特徴とする請求項８に記載の方法。
14. 前記メンタル状態の指標は、ｋ個の最近傍（ｋ−ＮＮ）コンピュータモデルを使って生成される、ことを特徴とする請求項１３に記載の方法。
15. 前記知識ベースは、最近傍パラメータＫの数の最適値をさらに有する、ことを特徴とする請求項１４に記載の方法。
16. 前記被験者の前記メンタル状態の指標は、前記トレーニングセットから同定されたＫ個の最近傍に関連する最も頻繁に発生するメンタル状態として生成される、ことを特徴とする請求項１４に記載の方法。
17. 被験者のメンタル状態を評価するコンピュータが実装されたシステムであって、当該システムは、
    少なくともひとつのマイクロプロセッサと、
    被験者のトレーニングセットのエキスパートの評価を介して得られたデータを有する知識ベースを含み、メンタル状態と心拍特性との間の関係のコンピュータモデルを具体化する少なくともひとつの不揮発性ストレージデバイスと、
    前記マイクロプロセッサと動作的に関連づけられた少なくともひとつのコンピュータ読み取り可能メモリデバイスと、
    前記マイクロプロセッサと動作的に関連づけられた入力／出力インターフェースと、
    を備え、
    前記メモリデバイスは、前記マイクロプロセッサを通じて実行されたとき、前記マイクロプロセッサに、方法を実行させるコンピュータ実行可能なインストラクションコードを含み、前記方法は、
    睡眠前時間間隔、睡眠開始時刻および睡眠終了時刻を含む睡眠中時間間隔、および、睡眠後時間間隔を有する就寝時間間隔を含む期間にわたって取得された心拍データのサンプルのシーケンスを有する前記被験者の心拍記録を、前記入力／出力インターフェースを通じて受信する工程と、
    少なくとも前記睡眠開始時刻および前記睡眠終了時刻を、前記心拍記録内で同定する工程と、
    前記被験者の前記メンタル状態に関連する少なくともひとつのメトリックを計算し、前記メトリックに基づいてメンタル状態の指標を生成するべく、前記知識ベース内の情報を使って、前記コンピュータモデルを適用する工程と、
    前記被験者の前記メンタル状態の指標を前記入力／出力インターフェースを介して、提供する工程を有する、ことを特徴とするシステム。
18. 前記被験者の前記心拍記録は、睡眠前時間間隔、睡眠中時間間隔、および睡眠後時間間隔を含む前記期間の間に、前記被験者によって着用された心拍モニターデバイスを通じて得られる、ことを特徴とする請求項１７に記載のシステム。
19. 前記心拍モニターは、前記被験者のネットワーク接続デバイスと通信するように構成された通信インターフェースを有する、ことを特徴とする請求項１８に記載のシステム。
20. 前記入力／出力インターフェースは、ワイドエリアネットワークへのアクセスを与えるネットワークインターフェースを有し、前記次の記録は、前記被験者の前記ネットワーク接続デバイスから前記ワイドエリアネットワークを通じて受信される、ことを特徴とする請求項１９に記載のシステム。

Images