JP2020515313A - 無線信号からの睡眠段階の学習 - Google Patents

無線信号からの睡眠段階の学習 Download PDF

Info

Publication number
JP2020515313A
JP2020515313A JP2019550857A JP2019550857A JP2020515313A JP 2020515313 A JP2020515313 A JP 2020515313A JP 2019550857 A JP2019550857 A JP 2019550857A JP 2019550857 A JP2019550857 A JP 2019550857A JP 2020515313 A JP2020515313 A JP 2020515313A
Authority
JP
Japan
Prior art keywords
observations
sequence
encoded
sleep
subject
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.)
Pending
Application number
JP2019550857A
Other languages
English (en)
Inventor
ミンミン ザオ
ミンミン ザオ
シチャオ ユエ
シチャオ ユエ
ディナ カタビ
ディナ カタビ
トミー エス． ヤーッコラ
トミー エス． ヤーッコラ
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Massachusetts Institute of Technology
Original Assignee
Massachusetts Institute of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Massachusetts Institute of Technology filed Critical Massachusetts Institute of Technology
Publication of JP2020515313A publication Critical patent/JP2020515313A/ja
Pending legal-status Critical Current

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4806—Sleep evaluation
    • A61B5/4812—Detecting sleep stages or cycles
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/046—Forward inferencing; Production systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Epidemiology (AREA)
  • Databases & Information Systems (AREA)
  • Primary Health Care (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

被検者の睡眠段階を追跡するための方法は、観測時間期間にわたって感知される観測結果のシーケンスを入力として受け取る。観測値のシーケンスは、第１の人工ニューラルネットワーク（ＡＮＮ）を使用して、符号化された観測結果の対応するシーケンスを生み出すように処理され、符号化された観測値のシーケンスは、第２の人工ニューラルネットワークを使用して、睡眠段階指標のシーケンスを生み出すように処理される。各観測結果は、観測期間（例、少なくとも３０秒）の間隔に対応し得る。第１のＡＮＮは、符号化された観測結果における観測結果のシーケンスのソースを表す情報を減じるように構成され得る。

Description

関連出願の相互参照
本出願は、参照により本明細書に組み込まれている、「Learning Sleep Stages from Radio Signals」という名称の２０１７年３月２６日に出願した米国特許仮出願第６２／４７６，８１５号明細書、及び「Learning Sleep Stages from Radio Signals」という名称の２０１７年６月１２日に出願した米国特許仮出願第６２／５１８，０５３号明細書の便益を主張するものである。本出願はまた、やはり参照により本明細書に組み込まれている、「Vital Signs Monitoring Via Radio Reflections」という名称の米国特許出願公開第２０１７／００４２４３２号明細書、及び「Motion Tracking Via Body Radio Reflections」という名称の米国特許第９，７５３，１３１号明細書にも関する。
本出願は、無線信号による被検者の睡眠段階の推論に関する。
睡眠は、個人の健康と安らぎに重要な役割を果たす。睡眠は、複数の睡眠段階、すなわち、覚醒、浅い睡眠、深い睡眠、及びレム（急速な眼球運動（Rapid eye movement））を含むサイクルで進行する。異なる段階は、異なる生理学的機能に関連付けられる。例えば、深い睡眠は、細胞の増殖、筋肉の修復、及び記憶の固定に不可欠であり、一方、レムは、手続き的記憶と情緒面の健康に役立つ。少なくとも毎年４，０００万人の米国人が、慢性的な睡眠障害に悩まされている。ほとんどの睡眠障害は、一旦、正確に診断されると、管理できる。睡眠段階を監視することは、睡眠障害を診断し、治療に対する反応を追跡するのに重要である。
睡眠段階を監視するための現行の手法は、一般には、不便で、煩わしい。医療のゴールドスタンダードは、通常、病院又は睡眠検査室において実施される睡眠ポリグラフィー検査（ＰＳＧ，Polysomnography）に依存しており、被検者は、ＥＥＧ頭皮電極、ＥＣＧモニタ、及び呼吸を監視するための胸帯又は経鼻プローブなど、多くのセンサを着用する必要がある。結果として、患者は、睡眠のしづらさを経験する場合があり、それにより、測定結果が代表的ものでなくなる。さらには、ＰＳＧのコストと不快感により、長期の睡眠研究の可能性が限定される。
ワイヤレスシステムの近年の進歩は、無線技術により、身体に接触することなく、生理学的信号を捕捉できることを証明している。これらの技術では、低電力無線信号（すなわち、携帯電話の送信よりも１０００分の１の低い電力）が送信され、その反射が分析される。それらにより、人の身体に反射した無線周波数（ＲＦ，radio frequency）信号から、その人の呼吸及び心拍動が抽出される。心肺信号は、睡眠段階と相関性があるので、原則として、被検者の身体に反射したＲＦ信号を分析することによって、被検者の睡眠段階を学習することが期待できることになる。そのようなシステムにより、今日の睡眠段階付けのコストと不快感が大幅に減少し、長期の睡眠段階監視が可能になる。
睡眠段階付けのためのＲＦ測定の可能性を実現するにはいくつも課題がある。具体的には、睡眠段階及びそれらの時間的進行を捕捉するＲＦ信号特徴は、学習されなくてはならず、そのような特徴は、新しい被検者及び異なる環境に転送可能とすべきである。問題は、ＲＦ信号が、睡眠段階付けとは関係のない多くの情報を運び、個人及び測定条件に非常に依存していることである。具体的には、ＲＦ信号は、壁面と家具を含む環境内のすべての物体に反射し、被検者の位置及び無線機器からの距離によって影響を受ける。これらの課題は、分類器を訓練するのに手作りの信号特徴を使用した過去の作業では対処されていなかった。精度は、比較的低く（約６４％）、モデルは、測定結果が収集される単一の環境を越えて一般化されなかった。
畳み込みニューラルネットワーク（ＣＮＮ，Convolutional Neural Network）及び再帰型ニューラルネットワーク（ＲＮＮ，Recurrent Neural Network）の使用における近年の進歩は、空間パターン及び時間的力学をモデル化するための使用の成功につながっている。単純な潜在分布から複雑なデータ分布への写像をモデル化するためには、敵対的生成ネットワーク（ＧＡＮ，Generative Adversarial Network）及びその変形形態が使用されている。それらの学習された写像を使用して、新規サンプルを合成し、潜在空間で意味論的に意味のある算術演算を提供することができる。双方向写像もまた、弁別タスクについての逆写像を学習するために提案されている。
１つの態様では、概して、被検者の睡眠段階を追跡するための方法は、入力として、観測値のシーケンス（ｘｉ）を取り、この観測値のシーケンスは、略して「観測結果（observations）」とも呼ぶことができ、観測時間期間にわたって感知される。観測値のシーケンスは、符号化された観測値の対応するシーケンス（ｚｉ）を生成するように処理され、この符号化された観測値は、略して「符号化された観測結果（encoded observations）」と呼ぶことができる。観測値のシーケンスを処理するステップは、第１の人工ニューラルネットワーク（ＡＮＮ，artificial neural network）を使用して、第１の符号化された観測値を得るために第１の観測値を処理するステップを含む。符号化された観測値のシーケンスは、観測時間期間にわたって被検者の睡眠段階を表す睡眠段階指標のシーケンス（
、又はＱ（ｙ｜ｚｉ））を生成するように処理される。これは、第２の人工ニューラルネットワーク（ＡＮＮ）を使用して、第１の睡眠段階指標を生成するように、第１の符号化された観測値を含む複数の符号化された観測値を処理するステップを含む。
睡眠段階を追跡するための方法の態様は、１又は２以上の次の特徴を含むことができる。
各観測は、観測期間の少なくとも１つの３０秒間隔に対応する。
第１のＡＮＮは、符号化された観測結果における観測結果のシーケンスのソースを表す情報を減じるように構成されている。
第１のＡＮＮは、畳み込みニューラルネットワーク（ＣＮＮ）を含み、第２のＡＮＮは、再帰型ニューラルネットワーク（ＲＮＮ）を含む。
睡眠段階指標のシーケンスは、所定のセットの睡眠段階からの推論された睡眠段階のシーケンス（
）を含み、及び／又は所定のセットの睡眠段階にまたがる睡眠段階の確率分布のシーケンスを含む。
観測結果のシーケンス（ｘｉ）を決定するステップは、被検者の呼吸を表す成分を少なくとも含む信号を取得するステップと、観測結果のシーケンスを生成して、シーケンスにおける観測結果が被検者の呼吸の変動を表すように、取得された信号を処理するステップとを含む。
観測値のシーケンスを取得するステップは、無線周波数参照信号を発するステップと、被検者の身体からの参照信号の反射を含む反射信号を含む受信信号を受信するステップと、観測時間期間内の時間間隔中、被検者の身体の動きを表す観測値を得るために受信信号を処理するステップとを含む。
各観測値の時間間隔は、持続時間において少なくとも３０秒である。
受信信号を処理するステップは、被検者に関連付けられる物理的領域に対応する受信信号の成分を選定するステップと、実質的にその物理的領域内で動きを表すように成分を処理するステップとを含む。
観測値のシーケンスを取得するステップは、被検者に貼付されるセンサからの信号を取得するステップを含む。
別の態様では、概して、被検者の睡眠段階を追跡するための方法は、観測時間期間にわたって被検者を感知することによって、観測値のシーケンス（ｘｉ）を取得するステップを含む。観測値のシーケンスは、符号化された観測値の対応するシーケンス（ｚｉ）を生成するように処理される。観測値のシーケンスを処理するステップは、第１のセットのパラメータの値（θｅ）により構成される第１のパラメータ化変換（例、第１のＡＮＮ、例えば、畳み込みネットワーク）を使用して、第１の符号化された観測値を得るために、第１の観測値を処理するステップを含む。符号化された観測値のシーケンスは、時間期間にわたって被検者の睡眠段階を表す睡眠段階指標のシーケンス（Ｑ（ｙ｜ｚｉ））を生成するように処理され、この処理は、第２のセットのパラメータの値（θｆ）により構成される第２のパラメータ化変換を使用して、第１の睡眠段階指標を生成するように、第１の符号化された観測値を含む複数の符号化された観測値を処理するステップを含む。
この方法は、複数の関連性（タプル）を表す参照データを処理することによって、第１のセットのパラメータ値及び第２のセットのパラメータ値を決定するステップをさらに含むことができ、各関連性は、観測値（ｘｉ）と、対応する睡眠段階（ｙｉ）と、対応するソース値（ｓｉ）とを含む。この処理は、基準（Ｖ）を最適化するように、第１のセットのパラメータの値を決定して、第１のセットのパラメータの値に従って観測値から決定され、対応する睡眠段階に関係付けられる符号化された観測値における情報を増やし、対応するソース値に関係付けられる符号化された観測値における情報を減じる。
複数の関連性を表す参照データの処理は、第３のパラメータ化変換に関連付けられる第３のセットのパラメータの値（θｄ）を決定するステップをさらに含むことができ、第３のパラメータ化変換は、符号化された観測値を処理して、ソース値の指標（Ｑ（ｓ｜ｚｉ））を生成するように構成されている。例えば、参照データの処理は、基準を最適化するように、第１のセットのパラメータの値、第２のセットのパラメータの値、及び第３のセットのパラメータの値を決定する。いくつかの例では、対応する睡眠段階に関係付けられる符号化された観測値における情報は、第２のセットのパラメータの値に依存し、対応するソース値に関係付けられる符号化された観測値における情報は、第３のセットのパラメータの値に依存する。
別の態様では、概して、機械可読媒体が、その上に記憶される命令を含み、この命令は、プロセッサによって実行されると、プロセッサに、上記に開示の方法のうちのいずれかのステップを行わせる。
別の態様では、概して、睡眠追跡器が、上記に開示の方法のうちのいずれかのステップを行うように構成されている。
さらなる別の態様では、概して、睡眠関係のデータ以外のデータのための訓練手法が、入力値、出力値、及びソース値のタプルを使用する。入力からの出力の予測器は、符号化された入力を生成する符号器を含み、予測器は、符号化された入力を取り、予測された出力を生成する。概して、符号器のパラメータは、対応する真の出力に関係付けられる符号化された入力における情報を増やし、対応するソース値に関係付けられる符号化された入力における情報を減じるように選定される（例、訓練される）。
上記に概説し、又は詳しく後述する態様のうちの１又は２以上の利点は、予測された出力（例、予測された睡眠段階）の精度が高く、具体的には、被検者間の差、及び信号取得条件の差に対してロバストであることである。
１又は２以上の態様の別の利点は、睡眠状態を表す観測結果の特徴ではなく、観測結果のソースの変動に対する非感受性の向上である。具体的には、観測結果の符号器は、符号化された観測結果における観測結果のシーケンスのソースを表す情報を減じるために、従来にない形で構成され得る。符号器を構成する具体的な方式は、「条件付き敵対的訓練（conditional adversarial training）」と以下で呼ばれる新規技法を使用して、符号器を実装する人工ニューラルネットワークのパラメータを決定することである。同様の手法が、人工ニューラルネットワーク以外のタイプのパラメータ化された符号器に適用可能であることを理解すべきである。概して、符号器のパラメータは、観測結果の所望の側面を保護するとともに、例えば、睡眠段階の予測に役立つ情報を保護し、一方、例えば、被検者の属性情報又は信号取得設定など（例、場所、信号取得のモードなど）の観測結果のソースを表す望まれない側面についての情報を減じる最適化基準に従って決定され得る。
他の態様及び利点は、以下の説明及び特許請求の範囲から明らかになる。
ランタイム睡眠段階処理システムのブロック略図である。 図１のランタイムシステムのためのパラメータ推定システムのブロック略図である。 睡眠追跡器の人工ニューラルネットワーク（ＡＮＮ）実装部を示す図である。 訓練システムのブロック略図である。 反射無線波取得システムのブロック略図である。
図１を参照すると、睡眠段階処理システム１００が、睡眠中の被検者１０１を監視し、時間に応じて、被検者の睡眠の段階を推論する。様々なセットのあらかじめ定義された分類が、睡眠段階を分類する際に使用され得る。例えば、段階は、四方式の類別、すなわち、「覚醒」、「浅い睡眠」、「深い睡眠」、及び「急速な眼球運動（レム）」を含む所定の列挙を含み得るが、それらに限定されない。システム１００は、信号取得システム１１０を含み、この信号取得システム１１０は、被検者の活動を表す入力信号１０２を処理し、例えば、被検者の呼吸又は他の動きを感知する。さらに後述するように、信号取得システム１１０は、多様な接触手法又は非接触手法を使用して、被検者の肺機能、心拍数、又はその両方を表す、例えば、被検者の呼吸及び心拍動によって引き起こされる被検者の動きを表す、１又は２以上の信号若しくは信号成分を取得することによって被検者の活動を感知することができる。１つの実施形態では、システムは、反射無線波を使用して、被検者の動きを感知することができ、他の実施形態では、システムは、被検者に結合される電気センサ信号（例、胸部貼付型ＥＫＧモニタ）を使用することができる。
信号取得モジュール１１０の出力は、一連の観測値１１２であり、例として、１つの観測値は、例えば何時間にも及ぶ観測期間にわたって３０秒ごとに生成される。いくつかの場合、各観測値は、一連の取得されたサンプル値のサンプル、例えば２０ミリ秒ごとのサンプルを表し、１つの観測値１１２は、ウィンドウ化された時間範囲のサンプル値を表す。以下の説明では、時間インデックスｉにおける観測値は、ｘｉ（すなわち、単一の時間インデックスについてのサンプル値のシーケンス又はセット）と示される。以下では、ｘｉ（ボールド体）は、現在の時間ｉで終了する観測値のシーケンスｘｉ＝（ｘ１、ｘ２、．．．、ｘｉ）を示し、添え字がない場合には、ｘは、現在の時間インデックスまでのシーケンスを表す。
一連の観測値１１２は、睡眠段階追跡器１２０に渡り、この睡眠段階追跡器１２０は、一連の観測値１１２を処理し、一連の観測値ｘｉに基づく、
と示される、対応する時間インデックスｉについての一連の推論された睡眠段階１２２を生成する。各値
は、所定のセットの睡眠段階に属し、睡眠段階指標の一例である。睡眠段階追跡器１２０は、観測値のシーケンス１１２から推論された睡眠段階のシーケンス１２２への変換を制御する、θ１２１と示されるパラメータセットの値により構成される。これらのパラメータ値を決定するための手法については、図２を参照して後述する。
一連の推論された睡眠段階１２２は、１又は２以上のエンドシステム１３０によって使用され得る。例として、通知システム１３１は、被検者の睡眠段階を監視し、例えば、被検者が浅い睡眠段階に入り、覚醒する可能性があるとき、臨床医１４０に通知する。別の例として、予後診断システム１３２は、現在の睡眠段階シーケンスに基づいて、又は何日にもわたる睡眠段階のパターンの変化に基づいて、診断報告書を提供するように睡眠段階を処理することができる。
図２を参照すると、図１の睡眠処理システム１００の構成システム２００は、睡眠処理システム１００によってランタイムに使用されるパラメータセットの値θ１２１を決定するのに使用される。構成システムは、被検者のセット２０５から収集されたデータセット２２０を使用する。訓練被検者ごとに、対応する観測値ｘｉ及び既知の睡眠段階ｙｉが収集される。例えば、観測値ｘｉは、ランタイムシステムにおいて使用される同じタイプの信号取得モジュール１１０を使用して生成され、既知の睡眠段階ｙｉは、例えば、手動注釈によって、又は被検者の他の何らかの監視に基づいて（例、ＥＥＧデータを使用して）、処理２１０によって決定される。この構成に使用される睡眠段階ｙｉは「真（truth）」であると扱われ、一方、図１の睡眠追跡器１２０によって生成される推論された睡眠段階
は、それらの睡眠段階の推論された推定結果であることに留意されたく、この推論された推定結果は、理想的には、同じになるが、より概括的には、「真の」段階から外れることになる。各被検者からのデータは、列挙ソースセットからのソース識別子に関連付けられる。各観測結果ｘｉのソース値及び睡眠段階ｙｉは、記録され、ｓｉと示される。そのため、パラメータを決定するのに使用されるデータは、（ｘｉ、ｙｉ、ｓｉ）を含む関連性セット（タプル、トリプル）からなり（又はそれと等価な形で記憶され）、ｓｉは、観測値ｘｉに対応するソース（例、訓練被検者及び／又は記録環境のインデックス）並びに真の睡眠段階ｙｉを示す。
一旦、システムがデータセット２２０を集めると、パラメータ推定システム２３０は、パラメータの値θ１２１を生成するように、訓練データを処理する。概して、パラメータ推定システム２３０は、θにより構成される睡眠段階追跡器１２０（図１に示されている）が、入力信号からの睡眠固有の被検者に影響を受けない特徴を残すように、外在性に固有のすべての外部情報（例、所与のタプルがそこから抽出される固有の訓練被検者、測定条件）を破棄することによって、以前見られなかった環境内の新しい被検者における睡眠段階を追跡することになるという目標とともにタプルを処理する。そのような情報を破棄する目的は、広範囲な被検者及び広範囲なデータ取得方法に機能するシステムの性能を高めることである。
図３を参照すると、睡眠段階追跡器１２０は、Ｅ（３１０）、Ｆ（３２０）、及びＭ（３３０）とラベル付けされた複数の順次処理段階を含む。非常に概括的には、段階Ｅ３１０は、「符号器（encoder）」を実装し、この符号器は、現在の観測値（ｘｉ）、又はより概括的には、測定値のシーケンスｘｉを取り、それらの観測値の符号化された観測値（「符号化（encoding）」）ｚｉ＝Ｅ（ｘｉ）を出力する。段階Ｆ３２０は、「ラベル予測器（label predictor）」を実装し、このラベル予測器は、現在の符号化（ｚｉ）、又はより概括的には、観測値のシーケンスｚｉ＝（ｚ１、．．．、ｚｉ）を処理し、睡眠段階指標であると見なしてもよい、ＱＦ（ｙ｜ｚｉ）と示される、可能な睡眠段階ｙにわたる確率分布を出力する。最後に、段階Ｍ３３０は、「ラベル選定器（label selector）」を実装し、このラベル選定器は、睡眠段階の分布を処理し、選定された「最良の（best）」睡眠段階
を出力する。
１つの実施形態では、段階Ｅ３１０は、観測値のシーケンス１１２から睡眠段階固有のデータを抽出する一方、ソース又は記録条件を符号化し得る情報を破棄するように構成されている畳み込みニューラルネットワーク（ＣＮＮ）として実装される。いくつかの実施形態では、この観測値のシーケンス１１２は、ＲＦスペクトログラムとして符号器Ｅ３１０に提示され得る。この実施形態では、各観測値ｘｉは、３０秒ウィンドウのＲＦスペクトログラムを表す。具体的には、観測値は、毎秒５０個のサンプル及び１０個の周波数ビンを伴うアレイを含み、合計１５，０００個の複素スカラー値、又は３０，０００個の実値を生成する１０個の周波数インデックスによる１，５００個の時間インデックスを伴うアレイの場合、各複素値は、実部及び虚部、又は大きさ及び位相のいずれかとして表される。符号器の出力は、ベクトルスカラー値である。符号器Ｅ３１０のＣＮＮは、パラメータ変数θ１２１のサブセットである、θｅ３１１と集合的に示される重みにより構成される。
いくつかの実施形態では、ラベル予測器Ｆ３２０は、再帰型ニューラルネットワーク（ＲＮＮ）として実装される。ラベル予測器３２０は、符号化された値のシーケンスｚｉ３１２を入力として取り、睡眠段階ラベルｙｉにわたる予測された確率を出力する。この実施形態では、ラベル予測器３２０の出力の数は、可能な睡眠段階の数であり、各出力は、０．０〜１．０の間の実値を提供し、出力の和は、１．０に制限され、その睡眠段階の確率を表す。ニューラルネットワークの再帰的性質は、内部段階（すなわち、ある時間における出力から次の時間における入力にフィードバックされる値）を維持し、そのため、連続する符号化された値ｚｉは入力として提供されるが、出力分布は、符号化された値のシーケンス全体ｚｉに依存する。同時に、Ｅ３１０とＦ３２０とのカスケード配置は、確率分布ＱＦ（ｙ｜ｘｉ）をコンピュータ計算するように見なすことができる。ラベル予測器Ｆ３２０は、パラメータ変数θ１２１のサブセットである、パラメータセットθｆによって構成される。
いくつかの実施形態では、段階Ｍ３３０は、睡眠段階ｙにわたってＱＦ（ｙ｜ｚｉ）を最大化する値
を決定する選定器として実装される。この実施形態では、選定器３３０は、パラメータ化されていない。他の実施形態では、段階Ｍは、時間にわたって睡眠段階の変遷を推定又は決定するように、ラベル予測器の出力を平滑化、フィルタリング、追跡、又は別の形で処理することができる。
図４を参照すると、パラメータθ＝（θｅ、θｆ）１２１を決定するための１つの従来の手法は、
と定義されるコスト関数（損失関数とも呼ばれる）を最小化するようにパラメータ値を選定することであり、ただし、ｉにわたる和は、訓練データの訓練観測結果にわたるものであり、ｙｉは、「真の」睡眠段階であり、ｘｉは、睡眠段階追跡器１２０への入力である。この手法では、ソースｓｉは、無視されていることに留意されたい。この手法では、符号器Ｅ３１０及びラベル予測器Ｆ３２０のパラメータは、パラメータが
及び
と更新される勾配手法を使用して、訓練器２３０Ａ（図２の訓練器２３０の一バージョン）によって繰り返し更新され、ただし、ｉにわたる和は、サイズｍの訓練サンプルのミニバッチにわたるものであり、係数ηｅ及びηｆは、更新のサイズを制御する。
従来の手法は、大量の訓練データが利用可能である状況で有用である場合があるが、「条件付き敵対的訓練」と呼ばれる第１の好ましい手法が使用される。図５を参照すると、この訓練手法は、パラメータ化された「弁別器（discriminator）」Ｄ４２０を使用し、この弁別器Ｄ４２０は、符号器Ｅ３１０によって符号化される観測結果ｘｉ又は観測結果シーケンスｘｉの可能なソースｓにわたる分布Ｑ（ｓ｜Ｅ（ｘｉ））を出力として生成する。弁別器Ｄ４２０は、パラメータθｄによってパラメータ化され、このパラメータθｄは、訓練処理中にコンピュータ計算されるが、ランタイムシステムによって使用されるパラメータθ１２１の一部として保持されない。
弁別器Ｄ４２０の出力が、真のソースを首尾よく表す程度まで、次のコスト関数、
が低くなることを認識すべきである。そのため、各訓練サンプルのソースｓｉを特徴付ける情報を最良に抽出するパラメータθｄは、Ｌｄを最小化する。符号化された観測結果Ｅ（ｘｉ）により利用可能なソースについての情報が少ないほど、Ｌｄは大きくなる。
この第１の好ましい訓練手法では、目標は、符号器Ｅ３１０により観測結果を符号化することであり、それにより、睡眠段階についての情報は大量に、ラベル予測器Ｆ３２０の出力において利用可能であり、一方、訓練ソースについての実行可能な情報はほとんど、弁別器Ｄ４２０の出力において利用可能ではない。これらの二面性の目標を達成するために、重み付きコスト関数が、
Ｖｉ＝Ｌｉ ｆ−λＬｉ ｄ
と定義され、各訓練サンプルの全コスト関数は、
と定義される。符号化された観測結果Ｅ（ｘｉ）により利用可能なソースに関する情報が少なければ、Ｖは小さくなり、並びに睡眠段階についての情報が多ければ、Ｖは小さくなることに留意されたい。
「ｍｉｎ−ｍａｘ」訓練手法を使用して、パラメータが、
を達成するように選定される。つまり、（θｅ、θｆ）の任意の特定の選択の場合、Ｄがソースについてのほとんどの情報を抽出できるようにするパラメータθｄは、θｄにわたってＬｄを最小化することによって選定され、（θｅ、θｆ）の選択は、共通コスト（joint cost）
Ｖ＝Ｌｆ−λＬｄ
を最小化するように共通に最適化される。
このｍｉｎ−ｍａｘ手順は、次の入れ子ループで表現され得る。
手順１：
この手順では、Ｈ（ｓ）は、ソースｓにわたる期待値、−ｌｏｇＰ（ｓ）と定義されるエントロピーであり、ただし、Ｐ（ｓ）は、ソース値ｓの真の確率分布であり、ηｅ、ηｆ、及びηｄは、増分ステップサイズである。
第２の好ましい訓練手法では、手順１が使用された。しかしながら、代替の弁別器Ｄ５２０は、どの睡眠段階が存在するかについての情報を表すＥ（ｘｉ）に加えて入力を受取る。具体的には、第２の入力は、真の分布Ｐ（ｙ｜ｘｉ）である。この第２の入力を含めることによって、弁別器は、基本的には、睡眠段階とソースとの間の条件付き依存関係を取り除く。しかしながら、Ｐ（ｙ｜ｘｉ）は、知られていない場合があり、何らかの方式で近似されなくてはならないことを認識すべきである。
図６を参照すると、第３の好ましい手法は、第２の好ましい手法と同様であるが、ラベル予測器Ｆ３２０から出力されるＱＦ（ｙ｜Ｅ（ｘｉ））を使用してＰ（ｙ｜ｘｉ）を近似する。手順１に従ってθｄを更新する内部ループでは、ＱＦ（ｙ｜Ｅ（ｘｉ））は、固定のままであることに留意されたい。上記で紹介したように、手順１に従ってパラメータ（θｅ、θｆ、θｄ）の更新を完了した後、（θｅ、θｆ）は、ランタイムシステムを構成するように保持及び提供される。
上記に紹介したように、図１に示されている信号取得モジュール１１０は、３０秒ごとに１つの多値観測結果を提供する。１つの実施形態では、信号取得システムは、「Vital Signs Monitoring Via Radio Reflections」という名称の米国特許出願公開第２０１７／００４２４３２号明細書、及び「Motion Tracking Via Body Radio Reflections」という名称の米国特許第９，７５３，１３１号明細書に記載の手法を使用する。図７を参照すると、信号取得モジュール１１０は、被検者１０１から、被検者との物理的接触を何ら必要とすることなく入力信号１０２を取得する。信号取得システム１１０は、少なくとも１つの送信用アンテナ７０４、少なくとも１つの受信用アンテナ７０６、及び信号処理用サブシステム７０８を含む。いくつかの例では、単一の受信用アンテナ及び単一の送信用アンテナを有するのではなく、システム１００が複数の受信用アンテナ及び／又は複数の送信用アンテナを含むことに留意されたい。しかしながら、説明を簡略化するために、単一の受信用アンテナ／単一の送信用アンテナに対する説明のみが示されている。
概して、信号取得モジュール１１０は、送信用アンテナ７０４から環境内に低電力ワイヤレス信号を送信する。送信された信号は、（環境内の壁面及び家具などの他の物体の中で）被検者１０１に反射し、次いで、受信用アンテナ７０６によって受信される。受信された反射信号は、信号処理用サブシステム７０８によって処理されて、被検者の呼吸、心拍動、及び他の身体の動きに関係付けられる成分を含む信号を取得する。
モジュール１１０は、ワイヤレス信号の特性が、吸気及び呼気に起因する胸部運動、並びに心拍動に起因する皮膚振動を含む、環境内の動きによって影響を受けるということを活用する。具体的には、被検者が呼吸し、被検者の心臓が拍動するとき、モジュール１１０のアンテナと被検者１０１との間の距離は、変動する。いくつかの例では、モジュール１１０は、送信用アンテナ７０４及び受信用アンテナ７０６について導出される飛行時間（ＴＯＦ，time-of-flight）（「往復時間（round-trip time）」とも呼ばれる）情報を使用して、モジュールのアンテナと被検者との間の距離を監視する。この実施形態では、単一対のアンテナの場合、経路に関連付けられるＴＯＦは、経路の送信用アンテナ及び受信用アンテナの３次元座標とＴＯＦから決定される経路距離とによって画定される楕円体上にあるように、それぞれの被検者の場所を制約する。異なる楕円体上にある別の身体（すなわち、アンテナからの異なる距離にいる別の被検者）に関連付けられる運動は、分離され、個別に分析され得る。
上記のように、送信用アンテナと受信用アンテナとの対に対する楕円体上の距離は、吸気及び呼気に起因する被検者の胸部運動、並びに心拍動に起因する皮膚振動によりわずかに変動する。アンテナ７０４、７０６と被検者との間の経路上の変動する距離は、時間にわたって送信信号及び反射信号から導出される信号の位相変動として反射信号に現れる。概して、モジュールは、被検者の場所に一致する多数の伝搬経路長における送信信号及び反射信号からの位相変動を表すように、観測値１０２を発生させる。
信号処理用サブシステム７０８は、信号発生器７１６、コントローラ７１８、周波数シフトモジュール７２０、及びスペクトログラムモジュール７２２を含む。
コントローラ７１８は、送信用アンテナ１０４から発せられる信号パターンの繰り返しを発生させるように、信号発生器７１６を制御する。信号発生器７１６は、超広帯域周波数変調搬送波（ＦＭＣＷ，frequency modulated carrier wave）発生器７１６である。他の実施形態では、後述するもの以外の信号パターン及び帯域幅が、記載されている実施形態の他の態様に従いながら使用され得ることを理解すべきである。
送信用アンテナ７０４から発せられる信号パターンの繰り返しは、被検者１０１及び環境内の他の物体に反射し、受信用アンテナ７０６において受信される。受信用アンテナ７０６によって受信される反射信号は、ＦＭＣＷ発生器７１６によって発生する送信信号とともに周波数シフトモジュール７２０に提供される。周波数シフトモジュール７２０は、送信信号に従って（例、信号を乗算することによって）、受信信号を周波数シフトし（例、「ダウンコンバート（downconvert）」し、又は「ダウンミックス（downmix）」し）、周波数シフトされた受信信号を周波数ドメイン表現に（例、高速フーリエ変換（ＦＦＴ，Fast Fourier Transform）により）変換し、結果的に、周波数シフトされた受信信号の周波数ドメイン表現がもたらされる。送信信号のＦＭＣＷ構造により、反射信号についての特定の経路長は、特定のＦＦＴビンに対応する。
周波数シフトされた信号の周波数ドメイン表現は、呼吸及び心拍数変動が見出される一次ビンの付近でいくつかのＦＦＴビンを選定するスペクトログラムモジュールに提供される。例えば、１０個のＦＦＴビンが、スペクトログラムモジュール７２２において選定される。この実施形態では、ＦＦＴは、２０ミリ秒ごとに取られ、そのようなＦＦＴの一続きの３０秒が、信号取得モジュール１１０から出力される１つの観測値１０２を生成するように処理される。
信号取得の他の形態が使用され得ることを理解すべきである。例えば、ＥＥＧ信号は、接触電極を用いて取得され得、呼吸信号は、胸部拡張ストラップを用いて取得され得、等々である。しかしながら、信号取得モジュールの特定の形態には、残りの睡眠追跡システムによる異なる処理が必要でないことを認識すべきである。
実験は、「ＲＦ睡眠」データセットと呼ばれるデータセットを用いて実施された。ＲＦ睡眠は、対応する睡眠段階ラベルを含む、睡眠中のＲＦ測定結果のデータセットである。睡眠研究は、各被検者の寝室で行われる。無線機器が、寝室内に設置された。上述したように、機器の信号取得モジュールは、ＲＦ信号を送信し、被検者がベッドの上で寝ている間に、その反射を測定する。
研究中、各被検者は、ＦＤＡ承認のＥＥＧベースの睡眠モニタとともに睡眠し、このモニタは、３チャンネルの前頭ＥＥＧを収集する。モニタは、３０秒ごとの睡眠に被検者の睡眠段階のラベル付けをする。このシステムは、人間レベルに匹敵する精度を有する。
データセットは、２５人の若い健康な被検者（４０％が女性）からの１００日の夜間の睡眠を含む。このデータセットは、９０ｋ超えの３０秒エポックのＲＦ測定結果と、ＥＥＧベースの睡眠モニタによって提供されるそれらの対応する睡眠段階とを含む。約３８，０００個のエポックの測定結果もまた、睡眠専門家によってラベル付けされている。
訓練セットと検証セット（７５％／２５％）へのランダムな分割を使用して、推論された睡眠段階が、ＥＥＧベースの睡眠段階と比較された。睡眠段階（ｓ）は、「覚醒」、「レム」、「浅い」、及び「深い」とすることができる。これらの４つの段階では、システムの精度は８０％であった。
図６に示されているように、条件付き敵対的手法を使用してシステムを訓練する手法は、睡眠追跡以外の幅広い範囲の状況に適用できる。つまり、符号器（Ｅ）と分類器（Ｆ）とのカスケードは、所望の特性（例、睡眠段階）に一致するように訓練すべきであり、一方、既知の信号収集特徴（例、被検者／条件）を明示的に無視すべきであるという概念は、符号器及び分類器が既知の信号収集特徴を越えて明示的に外挿するように意味されている数多い状況に適用され得る。さらには、人工ニューラルネットワークを訓練する文脈で説明してきたが、同じ手法が、特に「ニューラルネットワーク」ではない多様なパラメータ化された手法に使用され得ることが効果的である。
上述の手法の態様は、非一時的機械可読媒体において記憶されている命令を含むことができるソフトウェアで実装され得る。命令は、コンピュータプロセッサによって実行されると、上述の機能を行う。いくつかの実装形態では、特定の態様は、ハードウェアで実装され得る。例えば、ＣＮＮ又はＲＮＮは、フィールドプログラマブルゲートアレイ（ＦＰＧＡ，Field Programmable Gate Array）の特定用途向け集積回路（ＡＳＩＣ，Application Specific Integrated Circuit）などの専用のハードウェアを使用して実装され得る。いくつかの実装形態では、信号の処理は、被検者に対してローカルに行うことができ、他の実装形態では、リモートコンピューティングサーバが、使用者に対してローカルなデータ取得機器とデータ通信することが可能である。いくつの例では、被検者に対する睡眠段階決定の出力は、例えば、臨床医（例、病院の看護士）による閲覧又は監視のために、ディスプレイに提供される。他の例では、睡眠段階の決定された時間変遷は、例えば、臨床診断若しくは評価システムによるさらなる処理のために、又は被検者に報告書ベースのフィードバックを提供するために、提供される。
前述の説明は、添付の特許請求の範囲によって定義される本発明の範囲を例示することを意図しており、限定することを意図していないことを理解されたい。他の実施形態は、以下の特許請求の範囲内にある。

Claims (19)

  1. 被検者の睡眠段階を追跡するための方法であって、
    観測時間期間にわたって前記被検者を感知することによって、観測結果のシーケンス（ｘｉ）を決定するステップと、
    符号化された観測結果の対応するシーケンス（ｚｉ）を生成するように、観測結果の前記シーケンスを処理するステップであって、第１の人工ニューラルネットワーク（ＡＮＮ，artificial neural network）を使用して、第１の符号化された観測結果を生成するように第１の観測結果を処理するステップを含む、ステップと、
    前記観測時間期間にわたって前記被検者の睡眠段階を表す睡眠段階指標のシーケンス（Ｑ（ｙ｜ｚｉ））を生成するように、符号化された観測結果の前記シーケンスを処理するステップであって、第２の人工ニューラルネットワーク（ＡＮＮ）を使用して、第１の睡眠段階指標を生成するように、前記第１の符号化された観測値を含む複数の前記符号化された観測値を処理するステップを含む、ステップと
    を含む、方法。
  2. 各観測結果が、観測期間の少なくとも１つの３０秒間隔に対応する、請求項１に記載の方法。
  3. 第１のＡＮＮが、前記符号化された観測結果における観測結果の前記シーケンスのソースを表す情報を減じるように構成されている、請求項１又は２に記載の方法。
  4. 前記第１のＡＮＮが、畳み込みニューラルネットワーク（ＣＮＮ，convolutional neural network）を含む、請求項１〜３のいずれかに記載の方法。
  5. 前記第２のＡＮＮが、再帰型ニューラルネットワーク（ＲＮＮ，recurrent neural network）を含む、請求項１〜３のいずれかに記載の方法。
  6. 睡眠段階指標の前記シーケンスが、所定のセットの睡眠段階からの推論された睡眠段階のシーケンス（
    ）を含む、請求項１〜５のいずれかに記載の方法。
  7. 睡眠段階指標の前記シーケンスが、所定のセットの睡眠段階にまたがる睡眠段階の確率分布のシーケンスを含む、請求項１〜５のいずれかに記載の方法。
  8. 観測結果の前記シーケンス（ｘｉ）を決定するステップが、前記被検者の呼吸を表す少なくとも１つの成分を含む信号を取得するステップと、観測結果の前記シーケンスを生成して、前記シーケンスにおける前記観測結果が前記被検者の呼吸の変動を表すように、前記取得された信号を処理するステップとを含む。請求項１〜７のいずれかに記載の方法。
  9. 観測値の前記シーケンスを取得するステップが、無線周波数参照信号を発するステップと、前記被検者の身体からの前記参照信号の反射を含む反射信号を含む受信信号を受信するステップと、前記観測時間期間内の時間間隔中、前記被検者の前記身体の動きを表す観測値を得るために前記受信信号を処理するステップとを含む、請求項１〜８のいずれかに記載の方法。
  10. 前記受信信号を処理するステップが、前記被検者に関連付けられる物理的領域に対応する前記受信信号の成分を選定するステップと、実質的に前記物理的領域内で動きを表すように前記成分を処理するステップとを含む、請求項９に記載の方法。
  11. 観測値の前記シーケンスを取得するステップが、前記被検者に貼付されるセンサからの信号を取得するステップを含む、請求項１〜８のいずれかに記載の方法。
  12. 被検者の睡眠段階を追跡するための方法であって、
    観測時間期間にわたって前記被検者を感知することによって、観測結果のシーケンス（ｘｉ）を取得するステップと、
    符号化された観測結果の対応するシーケンス（ｚｉ）を生成するように、観測結果の前記シーケンスを処理するステップであって、第１のセットのパラメータの値（θｅ）により構成される第１のパラメータ化変換を使用して、第１の符号化された観測結果を生成するように第１の観測結果を処理するステップを含む、ステップと、
    前記時間期間にわたって前記被検者の睡眠段階を表す睡眠段階指標のシーケンス（Ｑ（ｙ｜Ｚｉ））を生成するように、符号化された観測結果の前記シーケンスを処理するステップであって、第２のセットのパラメータの値（θｆ）により構成される第２のパラメータ化変換を使用して、第１の睡眠段階指標を生成するように、前記第１の符号化された観測結果を含む複数の符号化された観測結果を処理するステップを含む、ステップとを含み、
    複数の関連性を表す参照データを処理することによって、前記第１のセットのパラメータ値及び前記第２のセットのパラメータ値を決定するステップを含み、各関連性が、観測結果（ｘｉ）と、対応する睡眠段階（ｙｉ）と、対応するソース値（ｓｉ）とを含み、前記処理が、基準（ν）を最適化するように、前記第１のセットのパラメータの値を決定して、前記第１のセットのパラメータの前記値に従って観測結果から決定され、対応する睡眠段階に関係付けられる前記符号化された観測結果における情報を増やし、対応するソース値に関係付けられる前記符号化された観測結果における情報を減じる、
    方法。
  13. 複数の関連性を表す前記参照データの処理が、第３のパラメータ化変換に関連付けられる第３のセットのパラメータの値（θｄ）を決定するステップをさらに含み、第３のパラメータ化変換が、符号化された観測結果を処理して、ソース値の指標（Ｑ（ｓ｜ｚｉ））を生成するように構成されている、請求項１２に記載の方法。
  14. 前記参照データの前記処理が、前記基準を最適化するように、前記第１のセットのパラメータの値、前記第２のセットのパラメータの値、及び前記第３のセットのパラメータの値を決定する、請求項１３に記載の方法。
  15. 対応する睡眠段階に関係付けられる前記符号化された観測結果における情報が、前記第２のセットのパラメータの前記値に依存し、対応するソース値に関係付けられる前記符号化された観測値における情報が、前記第３のセットのパラメータの前記値に依存する、請求項１４に記載の方法。
  16. 記憶される命令を含む機械可読媒体であって、前記命令が、プロセッサによって実行されると、前記プロセッサに、請求項１〜１５のいずれかに記載のステップをすべて行わせる、機械可読媒体。
  17. 記憶される命令を含む機械可読媒体であって、前記命令が、プロセッサによって実行されると、前記プロセッサに、
    観測時間期間にわたって被検者を感知することから生じる観測結果のシーケンス（ｘｉ）を決定するステップと、
    符号化された観測結果の対応するシーケンス（ｚｉ）を生成するように、観測結果の前記シーケンスを処理するステップであって、第１の人工ニューラルネットワーク（ＡＮＮ，artificial neural network）を使用して、第１の符号化された観測結果を生成するように第１の観測結果を処理するステップを含む、ステップと、
    前記観測時間期間にわたって前記被検者の睡眠段階を表す睡眠段階指標のシーケンス（Ｑ（ｙ｜ｚｉ））を生成するように、符号化された観測結果の前記シーケンスを処理するステップであって、第２の人工ニューラルネットワーク（ＡＮＮ）を使用して、第１の睡眠段階指標を生成するように、前記第１の符号化された観測値を含む複数の前記符号化された観測値を処理するステップを含む、ステップと
    を行わせる、機械可読媒体。
  18. 請求項１〜１５のいずれかに記載のステップをすべて行うように構成されている睡眠追跡器。
  19. 睡眠追跡器であって、
    観測時間期間にわたって被検者を感知することから生じる観測結果のシーケンス（ｘｉ）を決定するように構成されている信号取得システム（１１０）と、
    符号器（３１０）及びラベル予測器（３２０）を含む追跡器（１２０）であって、前記符号器が、符号化された観測結果における観測結果の前記シーケンスのソースを表す情報を減じるように選定された記憶されたパラメータに従って、前記符号化された観測結果を形成するように前記観測結果のパラメータ化変換を実装し、前記ラベル予測器が、前記観測時間期間にわたって前記被検者の睡眠段階を表す睡眠段階指標を生成するように、前記符号化された観測結果のパラメータ化変換を実装する、追跡器（１２０）と
    を備える、睡眠追跡器。
JP2019550857A 2017-03-26 2018-03-23 無線信号からの睡眠段階の学習 Pending JP2020515313A (ja)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201762476815P 2017-03-26 2017-03-26
US62/476,815 2017-03-26
US201762518053P 2017-06-12 2017-06-12
US62/518,053 2017-06-12
PCT/US2018/023975 WO2018183106A1 (en) 2017-03-26 2018-03-23 Learning sleep stages from radio signals

Publications (1)

Publication Number Publication Date
JP2020515313A true JP2020515313A (ja) 2020-05-28

Family

ID=62063154

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019550857A Pending JP2020515313A (ja) 2017-03-26 2018-03-23 無線信号からの睡眠段階の学習

Country Status (6)

Country Link
US (1) US20180271435A1 (ja)
EP (1) EP3602572A1 (ja)
JP (1) JP2020515313A (ja)
CN (1) CN110520935A (ja)
CA (1) CA3057315A1 (ja)
WO (1) WO2018183106A1 (ja)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2022511739A (ja) 2018-11-20 2022-02-01 マサチューセッツ インスティテュート オブ テクノロジー 治療モニタリングシステム
CN113677270A (zh) * 2019-03-28 2021-11-19 皇家飞利浦有限公司 基于额叶脑活动监测传感器的信息增强深度睡眠
KR102631160B1 (ko) * 2019-07-11 2024-01-30 엘지전자 주식회사 차량 탑승자 상태 감지방법 및 차량 탑승자 상태 감지장치
CN111297327B (zh) * 2020-02-20 2023-12-01 京东方科技集团股份有限公司 一种睡眠分析方法、系统、电子设备及存储介质
US11832933B2 (en) 2020-04-20 2023-12-05 Emerald Innovations Inc. System and method for wireless detection and measurement of a subject rising from rest
CN112263218A (zh) * 2020-10-12 2021-01-26 上海大学 睡眠分期方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011015887A (ja) * 2009-07-10 2011-01-27 Mitsubishi Electric Corp 生体状態取得装置、生体状態取得プログラム、生体状態取得装置を備えた機器及び空気調和機
JP2011115188A (ja) * 2008-06-13 2011-06-16 Heart Metrics Kk 睡眠状態モニタリング装置、モニタリングシステムおよびコンピュータプログラム
US20150190086A1 (en) * 2014-01-03 2015-07-09 Vital Connect, Inc. Automated sleep staging using wearable sensors
JP2016005590A (ja) * 2009-07-16 2016-01-14 レスメド・リミテッドＲｅｓＭｅｄＬｉｍｉｔｅｄ 睡眠状態の検出
JP2016206033A (ja) * 2015-04-23 2016-12-08 沖電気工業株式会社 振動状態推定装置、振動状態推定方法、およびプログラム
JP2016209327A (ja) * 2015-05-11 2016-12-15 沖電気工業株式会社 睡眠深度推定装置、睡眠深度推定方法、およびプログラム

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009149126A2 (en) * 2008-06-02 2009-12-10 New York University Method, system, and computer-accessible medium for classification of at least one ictal state
AU2013318046B2 (en) * 2012-09-19 2016-07-21 Resmed Sensor Technologies Limited System and method for determining sleep stage
US10492720B2 (en) * 2012-09-19 2019-12-03 Resmed Sensor Technologies Limited System and method for determining sleep stage
US20140095181A1 (en) * 2012-09-28 2014-04-03 General Electric Company Methods and systems for managing performance based sleep patient care protocols
US9753131B2 (en) 2013-10-09 2017-09-05 Massachusetts Institute Of Technology Motion tracking via body radio reflections
JP6716466B2 (ja) 2014-04-28 2020-07-01 マサチューセッツ インスティテュート オブ テクノロジー 無線反射によるバイタルサインの監視
US11039784B2 (en) * 2014-12-05 2021-06-22 Agency For Science, Technology And Research Sleep profiling system with feature generation and auto-mapping
CN104873173A (zh) * 2015-05-19 2015-09-02 上海兆观信息科技有限公司 一种非接触式的睡眠分期和睡眠呼吸障碍检测方法
CN106236079A (zh) * 2016-08-18 2016-12-21 中山衡思健康科技有限公司 用于脑电与眼电复合检测的睡眠监测眼罩及睡眠监测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011115188A (ja) * 2008-06-13 2011-06-16 Heart Metrics Kk 睡眠状態モニタリング装置、モニタリングシステムおよびコンピュータプログラム
JP2011015887A (ja) * 2009-07-10 2011-01-27 Mitsubishi Electric Corp 生体状態取得装置、生体状態取得プログラム、生体状態取得装置を備えた機器及び空気調和機
JP2016005590A (ja) * 2009-07-16 2016-01-14 レスメド・リミテッドＲｅｓＭｅｄＬｉｍｉｔｅｄ 睡眠状態の検出
US20150190086A1 (en) * 2014-01-03 2015-07-09 Vital Connect, Inc. Automated sleep staging using wearable sensors
JP2016206033A (ja) * 2015-04-23 2016-12-08 沖電気工業株式会社 振動状態推定装置、振動状態推定方法、およびプログラム
JP2016209327A (ja) * 2015-05-11 2016-12-15 沖電気工業株式会社 睡眠深度推定装置、睡眠深度推定方法、およびプログラム

Also Published As

Publication number Publication date
US20180271435A1 (en) 2018-09-27
CN110520935A (zh) 2019-11-29
EP3602572A1 (en) 2020-02-05
CA3057315A1 (en) 2018-10-04
WO2018183106A1 (en) 2018-10-04

Similar Documents

Publication Publication Date Title
JP2020515313A (ja) 無線信号からの睡眠段階の学習
US10966666B2 (en) Machine learnt model to detect REM sleep periods using a spectral analysis of heart rate and motion
US10470719B2 (en) Machine learnt model to detect REM sleep periods using a spectral analysis of heart rate and motion
US10722182B2 (en) Method and apparatus for heart rate and respiration rate estimation using low power sensor
TWI720215B (zh) 提供即時訊號分段和基準點對準架構的系統與方法
Chen et al. Contactless electrocardiogram monitoring with millimeter wave radar
KR20190008991A (ko) 내장된 알람 피로도 감소 특성을 이용한 지속적인 스트레스 측정
WO2016168980A1 (zh) 一种生理体征信息获取方法和系统
Tazarv et al. A deep learning approach to predict blood pressure from ppg signals
CN109674456B (zh) 血压估计设备和方法以及可穿戴装置
Zhang et al. Sleep stages classification by CW Doppler radar using bagged trees algorithm
JP2023175924A (ja) 使用者の睡眠環境で測定されたデータに基づいて睡眠状態を予測するためのコンピューティング装置
Fioranelli et al. Contactless radar sensing for health monitoring
Brophy et al. A machine vision approach to human activity recognition using photoplethysmograph sensor data
Panindre et al. Artificial intelligence-based remote diagnosis of sleep apnea using instantaneous heart rates
WO2022067077A1 (en) Beamforming systems and methods for detecting heart beats
Han Respiratory patterns classification using UWB radar
Surapaneni et al. Graph Signal Processing Based Classification of Noisy and Clean PPG Signals Using Machine Learning Classifiers for Intelligent Health Monitor
JPWO2020166239A1 (ja) 睡眠時無呼吸症候群判定装置、睡眠時無呼吸症候群判定方法、及び、睡眠時無呼吸症候群判定プログラム
EP4385402A1 (en) Hypnodensity-based sleep apnea monitoring system and method of operation thereof
Liu et al. An intelligent bed sensor system for non-contact respiratory rate monitoring
Rawat et al. Study of Phylogenetic for Computational Analysis of Sleep Apnea Syndrome for Patient (Healthcare & Treatment) Using Machine Learning (Robot Vision)
Sweeney et al. A Review of the State of the Art in Artifact Removal Technologies as used in an Assisted Living Domain
EP4388985A1 (en) System for estimating uncertainty of overnight sleep parameters through a stochastic neural network
CN117814744A (zh) 用于识别用户睡眠的方法、装置、设备和介质

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20210323

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20220117

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20220228

A601 Written request for extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A601

Effective date: 20220316

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20221027