JP2020156603A - 睡眠状態判定装置、睡眠状態判定方法及びプログラム - Google Patents

Abstract

【課題】体動を計測するための専用の装置を用いずに、体動に関する情報を用いた睡眠状態の判定を可能とする。【解決手段】生体情報測定部１１０は、ユーザの生体情報として心拍間隔を測定し、時系列で生体情報ＤＢ１０６１に格納する。アウトライア抽出部１２０は、生体情報ＤＢ１０６１に格納されている生体情報のなかから予め定めた基準に合致しない生体情報であるアウトライアを抽出する。特徴量取得部１３０は、アウトライア抽出部１２０が抽出した生体情報のアウトライアに基づいて、ユーザの体動を示す指標である体動特徴量を取得する。睡眠状態判定部１５０は、特徴量取得部１３０が取得した体動特徴量に基づいて、ユーザの睡眠状態を判定する。【選択図】図３

Description

本発明は、ユーザの睡眠状態を判定する睡眠状態判定装置、睡眠状態判定方法及びプログラムに関する。

人の生体情報に基づいて、睡眠状態を判定する技術が知られている。例えば、特許文献１には、人の心拍数または脈拍数などの生体情報を計測して、生体情報の時系列の時間変化の増減傾向を表すトレンド曲線を算出し、このトレンド曲線をもとに睡眠状態を判定する睡眠状態判定装置について記載されている。

特開２００１−６１８２０号公報

ところで、睡眠状態は、人の体の動き（体動）と関連があることが知られている。そのため、上述した生体情報だけでなく、体動に関する情報も用いて睡眠状態を判定すれば、判定精度を向上させることが期待できる。しかしながら、この場合、生体情報を計測するセンサに加えて、体動を計測するための動きセンサ等の装置を新たに構成する必要がある。

本発明は上記実情に鑑みてなされたものであり、体動を計測するための専用の装置を用いずに、体動に関する情報を用いた睡眠状態の判定ができる睡眠状態判定装置、睡眠状態判定方法及びプログラムを提供することを目的とする。

上記目的を達成するため、本発明に係る睡眠状態判定装置は、
体動を直接測定する装置以外の装置であって、ユーザの生体情報を測定する測定手段と、
前記測定手段が測定した前記生体情報に基づいて、前記ユーザの体動を示す指標である体動特徴量を取得する取得手段と、
前記取得手段が取得した前記体動特徴量に基づいて、前記ユーザの睡眠状態を判定する判定手段と、
を備えることを特徴とする。

本発明によれば、体動を計測するための専用の装置を用いずに、体動に関する情報を用いた睡眠状態の判定が可能となる。

本発明の実施形態に係る睡眠状態判定システムの全体構成を示す図である。 本発明の実施形態に係る睡眠状態判定装置のハードウェア構成を示すブロック図である。 本発明の実施形態に係る睡眠状態判定装置の機能的な構成を示すブロック図である。 （Ａ）、（Ｂ）は、生体情報からアウトライアを抽出する例を示す図である。 本発明の実施形態に係る睡眠状態判定装置によって実行される学習処理の流れを示すフローチャートである。 本発明の実施形態に係る睡眠状態判定装置によって実行される睡眠状態判定処理の流れを示すフローチャートである。 睡眠特徴量を取得するその他の例を説明するための図である。

以下、本発明の実施形態について、図面を参照しながら詳細に説明する。なお、図中同一または相当部分には同一符号を付す。

本発明の実施形態に係る睡眠状態判定装置１００は、被験者であるユーザの睡眠状態を判定する装置である。具体的には、本実施形態に係る睡眠状態判定装置１００は、ユーザの睡眠状態として、覚醒状態、レム睡眠状態、ノンレム睡眠状態（ステージ１〜３）の何れかを判定することが可能である。図１に示すように、睡眠状態判定装置１００は、ＵＳＢ等の規格に準拠した通信線３００を介して脈波センサ２００と通信可能に接続されている。睡眠状態判定装置１００と脈波センサ２００とにより、睡眠状態判定システム１が構成される。

脈波センサ２００は、ユーザの指等に装着され、装着部位の血管の容積変化を示す波形（容積脈波）をリアルタイムで計測し、通信線３００を介して、容積脈波を示すデータを睡眠状態判定装置１００に随時送信している。具体的には、脈波センサ２００は、ＬＥＤ（Light Emitting Diode）等の発光素子とフォトダイオード等の受光素子とを備えており、ユーザの生体に向けて発光素子から光を照射し、生体内を反射した光を受光素子で電気信号に変換することにより容積脈波を計測する。

続いて、睡眠状態判定装置１００のハードウェア構成について説明する。図２に示すように、睡眠状態判定装置１００は、ＣＰＵ（Central Processing Unit）１０１と、ＲＯＭ（Read Only Memory）１０２と、ＲＡＭ（Random Access Memory）１０３と、表示装置１０４と、入力装置１０５と、記憶装置１０６と、Ｉ／Ｆ部１０７と、を備える。これらの各部は、バスラインＢＬを介して相互に電気的に接続されている。

ＣＰＵ１０１は、ＲＯＭ１０２や記憶装置１０６に記憶されているプログラムやデータをＲＡＭ１０３上に読み出して処理を実行することにより、睡眠状態判定装置１００全体を制御する。

ＲＯＭ１０２は、ＣＰＵ１０１が実行するプログラムやプログラム実行の際に使用されるデータ等を記憶する不揮発性メモリである。ＲＯＭ１０２は、例えば、後述する学習処理や睡眠状態判定処理に用いられる制御プログラムを記憶する。

ＲＡＭ１０３は、ＲＯＭ１０２や記憶装置１０６から読み出された各種プログラムや各種データを一時的に保持する揮発性のメモリであり、ＣＰＵ１０１の作業領域として使用される。

表示装置１０４は、ＬＣＤ（Liquid Crystal Display）、ＰＤＰ（Plasma Display Panel）、有機ＥＬ（Electro-Luminescence）表示装置等の表示装置であり、ＣＰＵ１０１の制御に従って、各種画像を表示する。

入力装置１０５は、マウス、キーボード等であり、ユーザからの操作を受け付け、受け付けた操作に対応した信号をＣＰＵに出力する。

記憶装置１０６は、記憶内容が書き換え可能な大容量かつ不揮発性の記憶装置であり、例えば、ＨＤＤ（Hard Disk Drive）である。記憶装置１０６は、ＣＰＵ１０１が実行する各種プログラムや各種データを記憶する。例えば、記憶装置１０６は、生体情報ＤＢ１０６１と、教師データＤＢ１０６２とを記憶する。

生体情報ＤＢ１０６１は、ユーザの生体情報が格納されるデータベースである。本実施形態において、生体情報は、ユーザの心拍間隔を示す情報である。生体情報ＤＢ１０６１には、ユーザの心拍間隔を示す生体情報が、当該心拍間隔が表れた時刻を示す情報と対応付けられて生体情報ＤＢ１０６１に時系列で格納される。

教師データＤＢ１０６２には、生体情報から睡眠状態を判定するための機械学習モデルを作成（学習）するための教師データが格納される。教師データは、所定期間分（例えば、３０秒間）の生体情報（心拍間隔）に、当該所定期間における人の睡眠状態を示す情報が付されたデータである。例えば、実際に計測された所定期間における人の心拍間隔とそのときの睡眠状態とを教師データとして用いてもよいし、経験的に知られている典型的な人の心拍間隔と睡眠状態とに基づいて教師データを作成してもよい。学習の精度を向上させるために、多数の異なる教師データが教師データＤＢ１０６２に格納されているのが望ましい。

Ｉ／Ｆ部１０７は、通信線３００を介して脈波センサ２００からのデータを受信するためのインタフェースである。

次に、図３を参照しながら、睡眠状態判定装置１００の機能構成について説明する。睡眠状態判定装置１００は、機能的な構成として、生体情報測定部１１０と、アウトライア抽出部１２０と、特徴量取得部１３０と、学習部１４０と、睡眠状態判定部１５０と、判定結果出力部１６０とを備える。これらの各部は、図２に示す各ハードウェアが協働して動作することによって実現される。

生体情報測定部１１０は、脈波センサ２００が計測した容積脈波からユーザの生体情報である心拍間隔を測定する。具体的には、生体情報測定部１１０は、バンドパスフィルタ等でフィルタリングした容積脈波の波形のピークの間隔を心拍間隔として測定すればよい。そして、生体情報測定部１１０は、測定した心拍間隔を示す生体情報を、当該心拍間隔が表れた時刻を示す情報と対応付けて生体情報ＤＢ１０６１に時系列で格納する。生体情報測定部１１０は、本発明の測定手段の一例である。

アウトライア抽出部１２０は、後述する学習処理において、教師データＤＢ１０６２に格納されている教師データに含まれる所定期間分の生体情報のなかから、予め定めた基準に合致しない生体情報であるアウトライアを抽出する。アウトライアは、通常の睡眠中の人からは計測されない生体情報である。また、アウトライア抽出部１２０は、後述する睡眠状態判定処理において、生体情報ＤＢ１０６１に格納されている生体情報のなかから、同様にアウトライアを抽出する。アウトライア抽出部１２０は、本発明の抽出手段の一例である。

睡眠中の人の心拍間隔は５００〜１５００ｍｓｅｃの範囲内であることが経験的に知られている。そのため、例えば、アウトライア抽出部１２０は、図４（Ａ）に示すように、生体情報Ｐ１〜Ｐ８のうち、５００〜１５００ｍｓｅｃの範囲外にある心拍間隔の生体情報Ｐ３、Ｐ４、Ｐ７を、アウトライアとして抽出すればよい。

また、一般的に、睡眠中の人の心拍間隔は安定しており、睡眠中に急激に心拍間隔が変化することはほとんどないことが経験的に知られている。そのため、例えば、アウトライア抽出部１２０は、図４（Ｂ）に示すように、生体情報Ｐ９〜Ｐ１６のうち、心拍間隔が前回のものから予め定めた値以上（例えば、５００ｍｓｅｃ以上）変動した生体情報Ｐ１１、Ｐ１２をアウトライアとして抽出すればよい。

なお、生体情報からアウトライアを抽出するための手法は、上述した図４（Ａ）（Ｂ）に限定されず、アウトライア抽出部１２０は、種々な基準に従って生体情報からアウトライアを取得可能である。

図３に戻り、特徴量取得部１３０は、学習処理及び睡眠状態判定処理において、生体情報から機械学習モデルに入力する特徴量を取得する。具体的には、特徴量取得部１３０は、抽出部が抽出したアウトライアから、体動特徴量を取得する。例えば、特徴量取得部１３０は、所定期間に抽出されたアウトライアの数と、所定期間に抽出された生体情報からアウトライアを除外したインライアの数との割合を体動特徴量として取得すればよい。特徴量取得部１３０は、本発明の取得手段の一例である。

上述したように、特徴量取得部１３０によって睡眠中の人からは通常計測されない生体情報をアウトライアとして抽出していることから、アウトライアが多く抽出された場合は脈波センサ２００の計測位置や角度のずれなどによって正確な信号が取得できていない、あるいは脈波に体の動きによる信号がのっている可能性が高く、このような場合は体動が多く発生していることが想定される。そのため、生体情報のアウトライアから取得した体動特徴量（アウトライアの数とインライアの数の割合）は、人の体動の特徴を示す指標となる。

また、特徴量取得部１３０は、生体情報のインライアから、睡眠特徴量を抽出する。インライアには、睡眠中の人からは通常計測されないアウトライアが含まれていない。そのため、生体情報のインライアのみから取得された睡眠特徴量は、ユーザの睡眠の特徴を正確に示す指標となる。

学習部１４０は、教師データＤＢ１０６２に格納されている教師データを用いて、睡眠状態を判定するための機械学習モデルを作成（学習）する。なお、学習部１４０が学習する機械学習モデルは、サポートベクタマシン、ランダムフォレスト等である。学習部１４０は、本発明の学習手段の一例である。

睡眠状態判定部１５０は、取得部が生体情報のアウトライアから取得した体動特徴量とインライアから取得した睡眠特徴量とを学習部１４０が学習した機械学習モデルに入力することにより、ユーザの睡眠状態を判定する。睡眠状態判定部１５０は、本発明の判定手段の一例である。

判定結果出力部１６０は、睡眠状態判定部１５０が判定したユーザの睡眠状態を示す情報を出力する。

（学習処理）
続いて、以上のように構成される睡眠状態判定装置１００の処理について説明する。始めに、睡眠状態判定装置１００で実行される学習処理について、図５に示すフローチャートを用いて説明する。なお、予め教師データＤＢ１０６２には、機械学習をするのに十分な量の教師データが記憶されているものとする。例えば、ユーザが入力装置１０５から所定の操作をして学習処理の開始を指示し、当該指示をＣＰＵが受信すると学習処理は開始される。

まず、アウトライア抽出部１２０は、教師データＤＢ１０６２から未選択の教師データを１つ選択する（ステップＳ１０１）。そして、アウトライア抽出部１２０は、選択した教師データに含まれる所定期間分の複数の生体情報のなかから、予め定めた基準に合致しない生体情報であるアウトライアを抽出する（ステップＳ１０２）。

続いて、特徴量取得部１３０は、抽出したアウトライアに基づいて体動特徴量を取得する（ステップＳ１０３）。

具体的には、特徴量取得部１３０は、選択した教師データに含まれる生体情報のうちステップＳ１０２で抽出したアウトライアの数と、抽出しなかった生体情報（インライア）の数との比率を体動特徴量として取得する。例えば、図４（Ａ）に示すような生体情報Ｐ１〜Ｐ８が教師データに含まれている場合、上述したように、３個の生体情報Ｐ３、Ｐ４、Ｐ７がアウトライアとなり、それ以外の５個の生体情報Ｐ１、Ｐ２、Ｐ５、Ｐ６、Ｐ８がインライアとなる。よって、３／５が体動特徴量として算出される。

図５に戻り、続いて、特徴量取得部１３０は、教師データに含まれる生体情報からアウトライアを除外したインライアの生体情報（心拍間隔）に基づいて、睡眠特徴量を取得する（ステップＳ１０４）。睡眠特徴量は、例えば、心拍間隔の平均値、分散、心拍間隔の変化を高速フーリエ変換（ＦＦＴ）で周波数解析した低周波成分（ＬＦ）、高周波成分（ＨＦ）、およびこれらの比率（ＬＦ／ＨＦ）等の各種の値である。

なお、特徴量取得部１３０は、上述した低周波成分（ＬＦ）及び高周波成分（ＨＦ）を求める際には、計測された心拍数の変化をスプライン曲線で近似し、当該スプライン曲線に基づいて周波数解析を行えばよい。

続いて、アウトライア抽出部１２０は、ステップＳ１０１で教師データＤＢ１０６２に格納されている全ての教師データを選択したか否かを判別する（ステップＳ１０５）。未選択の教師データがある場合（ステップＳ１０５；Ｎｏ）、処理はステップＳ１０１に戻り、未選択の教師データを選択して、当該教師データに含まれる所定期間分の生体情報から体動特徴量と睡眠特徴量とを取得する処理を繰り返す。

一方、全ての教師データが選択されていれば（ステップＳ１０５；Ｙｅｓ）、学習部１４０は、教師データ毎に当該教師データに含まれる生体情報から求めた特徴量（体動特徴量と睡眠特徴量）と、当該教師データに付されている睡眠状態を示す情報と、を用いた機械学習を行い、機械学習モデルを作成する（ステップＳ１０６）。これにより、生成された機械学習モデルを定義するパラメータの値はＲＡＭ１０３等に記憶される。以上で学習処理は終了する。

（睡眠状態判定処理）
続いて、睡眠状態判定処理について、図６のフローチャートを用いて説明する。なお、予め、脈波センサ２００により、ユーザの就寝から起床までの期間の容積脈波が計測されている。そして、生体情報測定部１１０により、計測された容積脈波から生体情報として心拍間隔が測定され、時刻情報が付されて生体情報ＤＢ１０６１に時系列で格納されているものとする。また、上述した学習処理も実行済であり、睡眠状態判定に最適な機械学習モデルが作成されている。このような状態で、例えば、ユーザが入力装置１０５から所定の操作をして睡眠状態判定処理の開始を指示し、当該指示をＣＰＵ１０１が受信すると睡眠状態判定処理は開始される。

まず、アウトライア抽出部１２０は、生体情報ＤＢ１０６１に記憶されている未だ選択していない生体情報のうち、付与されている時刻情報が古いものから所定期間分（例えば３０秒分）の生体情報を選択する（ステップＳ２０１）。そして、アウトライア抽出部１２０は、選択した所定期間分の生体情報のなかから、予め定めた基準に合致しない生体情報であるアウトライアを抽出する（ステップＳ２０２）。

続いて、特徴量取得部１３０は、抽出したアウトライアに基づいて体動特徴量を取得する（ステップＳ２０３）。ここで取得する体動特徴量は、学習処理のステップＳ１０３で取得した体動特徴量と同じ種類の特徴量である。

続いて、特徴量取得部１３０は、選択した所定期間分の生体情報からアウトライアを除外したインライアの生体情報（心拍間隔）に基づいて、睡眠特徴量を取得する（ステップＳ２０４）。ここで取得する睡眠特徴量は、学習処理のステップＳ１０４で取得した睡眠特徴量と同じ種類の特徴量である。

続いて、睡眠状態判定部１５０は、ステップＳ２０３で取得した体動特徴量とステップＳ２０４で取得した睡眠特徴量とを学習処理で作成した機械学習モデルに入力することにより、睡眠状態を判定する（ステップＳ２０５）。ここで判定された睡眠状態は、ステップＳ２０１で選択した所定期間における睡眠状態を意味する。

続いて、アウトライア抽出部１２０は、ステップＳ２０１で生体情報ＤＢ１０６１に格納されている全ての生体情報を選択したか否かを判別する（ステップＳ２０６）。未選択の生体情報がある場合（ステップＳ２０６；Ｎｏ）、処理はステップＳ２０１に戻り、未選択の所定期間分の生体情報を古い順から選択して、選択した生体情報から体動特徴量と睡眠特徴量とを取得して睡眠状態を判定する処理を繰り返す。

一方、全ての生体情報が選択されていれば（ステップＳ２０６；Ｙｅｓ）、判定結果出力部１６０は、睡眠状態の判定結果を出力する（ステップＳ２０７）。例えば、判定結果出力部１６０は、ステップＳ２０５で所定期間毎に判定した睡眠状態から、ユーザの就寝から起床までの期間における睡眠状態の変化を示すグラフを作成して表示装置１０４に表示させる。以上で睡眠状態判定処理は終了する。

このように、本実施形態に係る睡眠状態判定装置１００によれば、計測された生体情報のうち予め定めた基準に合致しない生体情報であるアウトライアから、ユーザの体動を示す指標となる体動特徴量が取得され、体動特徴量に基づいて睡眠状態が判定される。即ち、本実施形態によれば、体動を計測する動きセンサ等の専用の装置を用いずに、生体情報から取得したユーザの体動に関する情報（体動特徴量）を用いた睡眠状態の判定を精度よく行うことが可能となる。また、本実施形態では、動きセンサ等を必要としないため、システム全体の小型化やコストの削減も図ることが可能となる。

また、本実施形態に係る睡眠状態判定装置１００によれば、所定期間分の生体情報のなかからアウトライアを除外したインライアに基づいて、ユーザの睡眠の特徴を示す指標である睡眠特徴量が取得される。そして、体動特徴量だけでなく睡眠特徴量も用いて睡眠状態が判定されるため、睡眠状態判定の精度をより向上させることが可能となる。

（変形例）
なお、本発明は、上記実施形態に限定されず、本発明の要旨を逸脱しない部分での種々の修正は勿論可能である。

例えば、上記実施形態では、体動特徴量と睡眠特徴量とを用いて睡眠状態を判定したが、体動特徴量のみを用いて睡眠状態を判定してもよい。このようにすることで、睡眠状態判定処理に要する時間を短縮することが可能となる。

例えば、学習処理のステップＳ１０４（図５参照）、及び睡眠状態判定処理のステップＳ２０４（図６参照）において、特徴量取得部１３０は、アウトライアを除外したインライアの生体情報から睡眠特徴量を取得した。しかしながら、特徴量取得部１３０は、アウトライアを除外するだけでなく、除外したアウトライアをインライアの平均値等を有する生体情報に置換し、インライアと置換した生体情報とに基づいて、睡眠特徴量を取得してもよい。このようにすることで、睡眠特徴量を求めるために参照する生体情報の数が増加するため、より正確な睡眠特徴量を取得することが可能となる。

ここで、例を挙げて上述した睡眠特徴量の取得について説明する。図７は、図４（Ａ）に示す生体情報Ｐ１〜Ｐ８のうち、アウトライアの生体情報Ｐ３、Ｐ４、Ｐ７が、インライアの生体情報Ｐ１、Ｐ２、Ｐ５、Ｐ６、Ｐ８の平均値を有する生体情報Ｑ３、Ｑ４、Ｑ７にそれぞれ置換されている例を示す。この場合、特徴量取得部１３０は、インライアの生体情報Ｐ１、Ｐ２、Ｐ５、Ｐ６、Ｐ８だけでなく置換した生体情報Ｑ３、Ｑ４、Ｑ７も用いて睡眠特徴量を取得する。

また、特徴量取得部１３０は、アウトライアを除外せずに、全ての生体情報から睡眠特徴量を取得してもよい。

また、上記実施形態では、所定期間における生体情報のアウトライアの数とインライアの数の割合を体動特徴量として取得したが、体動特徴量はこれに限定されず、アウトライアから取得可能な様々な情報を体動特徴量として採用可能である。例えば、所定期間に抽出したアウトライアの数や、抽出したアウライアの分散等を体動特徴量としてもよい。

また、上述した実施形態では、生体情報は心拍間隔であると説明したが、本発明における生体情報は心拍間隔に限定されるものではない。例えば、脈拍間隔、脈波のピーク間隔、心拍数、脈拍数などの種々の情報を生体情報として本発明に適用することが可能である。

また、上述した実施形態では、機械学習により睡眠状態を判定したが、他の手法で睡眠状態を判定してもよい。例えば、体動特徴量及び睡眠特徴量と睡眠状態との関係を示すテーブルを記憶装置１０６に格納しておく。そして、睡眠状態判定処理において、睡眠状態判定部１５０は、生体情報から取得された体動特徴量及び睡眠特徴量とこのテーブルとに基づいて睡眠状態を判定してもよい。なお、この場合は学習処理を実行する必要もない。

また、上記実施形態では、睡眠状態判定装置１００は通信線３００により脈波センサ２００と接続されていると説明したが、無線により脈波センサ２００と接続されていてもよい。また、睡眠状態判定装置１００に脈波センサが内蔵されていてもよい。

なお、本発明に係る機能を実現するための構成を予め備えた睡眠状態判定装置１００として提供できることはもとより、プログラムの適用により、既存の情報処理装置等を、本発明に係る睡眠状態判定装置１００として機能させることもできる。すなわち、上記実施形態で例示した睡眠状態判定装置１００による各機能構成を実現させるためのプログラムを、既存の情報処理装置等を制御するＣＰＵ等が実行できるように適用することで、本発明に係る睡眠状態判定装置１００として機能させることができる。

また、このようなプログラムの適用方法は任意である。プログラムを、例えば、フレキシブルディスク、ＣＤ（Compact Disc）−ＲＯＭ、ＤＶＤ（Digital Versatile Disc）−ＲＯＭ、メモリカード等のコンピュータ読み取り可能な記憶媒体に格納して適用できる。さらに、プログラムを搬送波に重畳し、インターネットなどの通信媒体を介して適用することもできる。例えば、通信ネットワーク上の掲示板（ＢＢＳ：Bulletin Board System）にプログラムを掲示して配信してもよい。そして、このプログラムを起動し、ＯＳ（Operating System）の制御下で、他のアプリケーションプログラムと同様に実行することにより、上記の処理を実行できるように構成してもよい。

以上、本発明の好ましい実施形態について説明したが、本発明は係る特定の実施形態に限定されるものではなく、本発明には、特許請求の範囲に記載された発明とその均等の範囲とが含まれる。以下に、本願出願の当初の特許請求の範囲に記載された発明を付記する。

（付記１）
体動を直接測定する装置以外の装置であって、ユーザの生体情報を測定する測定手段と、
前記測定手段が測定した前記生体情報に基づいて、前記ユーザの体動を示す指標である体動特徴量を取得する取得手段と、
前記取得手段が取得した前記体動特徴量に基づいて、前記ユーザの睡眠状態を判定する判定手段と、
を備えることを特徴とする睡眠状態判定装置。

（付記２）
前記測定手段が測定した前記生体情報のうち予め定めた基準に合致しない生体情報であるアウトライアを抽出する抽出手段をさらに備え、
前記取得手段は、前記抽出手段が抽出した前記アウトライアに基づいて、前記体動特徴量を取得する、
ことを特徴とする付記１に記載の睡眠状態判定装置。

（付記３）
前記抽出手段は、所定期間毎に、当該所定期間に測定された前記生体情報のなかから前記アウトライアを抽出し、
前記取得手段は、前記所定期間毎に、抽出された前記アウトライアに基づいて前記体動特徴量を取得し、
前記判定手段は、前記所定期間毎に、前記体動特徴量に基づいて当該所定期間における前記ユーザの睡眠状態を判定する、
ことを特徴とする付記２に記載の睡眠状態判定装置。

（付記４）
前記取得手段は、前記抽出手段が抽出した前記アウトライアの数と、前記測定手段が測定した前記生体情報のうち前記アウトライアを削除した生体情報であるインライアの数との割合に基づいて、前記体動特徴量を取得する、
ことを特徴とする付記２又は３に記載の睡眠状態判定装置。

（付記５）
前記取得手段は、前記抽出手段が抽出した前記アウトライアの数に基づいて、前記体動特徴量を取得する、
ことを特徴とする付記２又は３に記載の睡眠状態判定装置。

（付記６）
前記取得手段は、前記測定手段が測定した前記生体情報のうち前記アウトライアを削除した生体情報であるインライアに基づいて、前記ユーザの睡眠の特徴を示す指標である睡眠特徴量をさらに取得し、
前記判定手段は、前記体動特徴量と前記睡眠特徴量とに基づいて睡眠状態を判定する、
ことを特徴とする付記２乃至５の何れか１つに記載の睡眠状態判定装置。

（付記７）
前記取得手段は、前記インライアと、前記アウトライアを予め定めた基準に合致する生体情報に置換した生体情報とに基づいて、前記睡眠特徴量を取得する、
ことを特徴とする付記６に記載の睡眠状態判定装置。

（付記８）
前記取得手段は、前記測定手段が測定した生体情報から前記体動特徴量と前記ユーザの睡眠の特徴を示す指標である睡眠特徴量とを取得し、
前記判定手段は、前記体動特徴量と前記睡眠特徴量とに基づいて睡眠状態を判定する、
ことを特徴とする付記１乃至７の何れか１つに記載の睡眠状態判定装置。

（付記９）
前記測定手段は、前記ユーザの心拍間隔を含む生体情報を測定する、
ことを特徴とする付記１乃至８の何れか１つに記載の睡眠状態判定装置。

（付記１０）
所定期間における前記体動特徴量と当該所定期間における睡眠状態を示す情報とに基づいて、睡眠状態を判定するための機械学習モデルを学習する学習手段をさらに備え、
前記判定手段は、前記学習手段が学習した機械学習モデルを用いて睡眠状態を判定する、
ことを特徴とする付記１乃至９の何れか１つに記載の睡眠状態判定装置。

（付記１１）
体動を直接測定する装置以外の装置により、ユーザの生体情報を測定する測定ステップと、
前記測定ステップで測定した前記生体情報に基づいて、前記ユーザの体動を示す指標である体動特徴量を取得する取得ステップと、
前記取得ステップで取得した前記体動特徴量に基づいて、前記ユーザの睡眠状態を判定する判定ステップと、
を備えることを特徴とする睡眠状態判定方法。

（付記１２）
コンピュータを、
体動を直接測定する装置以外の装置が測定した生体情報に基づいて、ユーザの体動を示す指標である体動特徴量を取得する取得手段、
前記取得手段が取得した前記体動特徴量に基づいて、前記ユーザの睡眠状態を判定する判定手段、
として機能させることを特徴とするプログラム。

１…睡眠状態判定システム、１００…睡眠状態判定装置、２００…脈波センサ、３００…通信線、１０１…ＣＰＵ、１０２…ＲＯＭ、１０３…ＲＡＭ、１０４…表示装置、１０５…入力装置、１０６…記憶装置、１０６１…生体情報ＤＢ、１０６２…教師データＤＢ、１０７…Ｉ／Ｆ部、１１０…生体情報測定部、１２０…アウトライア抽出部、１３０…特徴量取得部、１４０…学習部、１５０…睡眠状態判定部、１６０…判定結果出力部

Claims (12)

1. 体動を直接測定する装置以外の装置であって、ユーザの生体情報を測定する測定手段と、
   前記測定手段が測定した前記生体情報に基づいて、前記ユーザの体動を示す指標である体動特徴量を取得する取得手段と、
   前記取得手段が取得した前記体動特徴量に基づいて、前記ユーザの睡眠状態を判定する判定手段と、
   を備えることを特徴とする睡眠状態判定装置。
2. 前記測定手段が測定した前記生体情報のうち予め定めた基準に合致しない生体情報であるアウトライアを抽出する抽出手段をさらに備え、
   前記取得手段は、前記抽出手段が抽出した前記アウトライアに基づいて、前記体動特徴量を取得する、
   ことを特徴とする請求項１に記載の睡眠状態判定装置。
3. 前記抽出手段は、所定期間毎に、当該所定期間に測定された前記生体情報のなかから前記アウトライアを抽出し、
   前記取得手段は、前記所定期間毎に、抽出された前記アウトライアに基づいて前記体動特徴量を取得し、
   前記判定手段は、前記所定期間毎に、前記体動特徴量に基づいて当該所定期間における前記ユーザの睡眠状態を判定する、
   ことを特徴とする請求項２に記載の睡眠状態判定装置。
4. 前記取得手段は、前記抽出手段が抽出した前記アウトライアの数と、前記測定手段が測定した前記生体情報のうち前記アウトライアを削除した生体情報であるインライアの数との割合に基づいて、前記体動特徴量を取得する、
   ことを特徴とする請求項２又は３に記載の睡眠状態判定装置。
5. 前記取得手段は、前記抽出手段が抽出した前記アウトライアの数に基づいて、前記体動特徴量を取得する、
   ことを特徴とする請求項２又は３に記載の睡眠状態判定装置。
6. 前記取得手段は、前記測定手段が測定した前記生体情報のうち前記アウトライアを削除した生体情報であるインライアに基づいて、前記ユーザの睡眠の特徴を示す指標である睡眠特徴量をさらに取得し、
   前記判定手段は、前記体動特徴量と前記睡眠特徴量とに基づいて睡眠状態を判定する、
   ことを特徴とする請求項２乃至５の何れか１項に記載の睡眠状態判定装置。
7. 前記取得手段は、前記インライアと、前記アウトライアを予め定めた基準に合致する生体情報に置換した生体情報とに基づいて、前記睡眠特徴量を取得する、
   ことを特徴とする請求項６に記載の睡眠状態判定装置。
8. 前記取得手段は、前記測定手段が測定した生体情報から前記体動特徴量と前記ユーザの睡眠の特徴を示す指標である睡眠特徴量とを取得し、
   前記判定手段は、前記体動特徴量と前記睡眠特徴量とに基づいて睡眠状態を判定する、
   ことを特徴とする請求項１乃至７の何れか１項に記載の睡眠状態判定装置。
9. 前記測定手段は、前記ユーザの心拍間隔を含む生体情報を測定する、
   ことを特徴とする請求項１乃至８の何れか１項に記載の睡眠状態判定装置。
10. 所定期間における前記体動特徴量と当該所定期間における睡眠状態を示す情報とに基づいて、睡眠状態を判定するための機械学習モデルを学習する学習手段をさらに備え、
    前記判定手段は、前記学習手段が学習した機械学習モデルを用いて睡眠状態を判定する、
    ことを特徴とする請求項１乃至９の何れか１項に記載の睡眠状態判定装置。
11. 体動を直接測定する装置以外の装置により、ユーザの生体情報を測定する測定ステップと、
    前記測定ステップで測定した前記生体情報に基づいて、前記ユーザの体動を示す指標である体動特徴量を取得する取得ステップと、
    前記取得ステップで取得した前記体動特徴量に基づいて、前記ユーザの睡眠状態を判定する判定ステップと、
    を備えることを特徴とする睡眠状態判定方法。
12. コンピュータを、
    体動を直接測定する装置以外の装置が測定した生体情報に基づいて、ユーザの体動を示す指標である体動特徴量を取得する取得手段、
    前記取得手段が取得した前記体動特徴量に基づいて、前記ユーザの睡眠状態を判定する判定手段、
    として機能させることを特徴とするプログラム。

Images