JP2021171271A - 信号処理システム、及びセンサシステム - Google Patents

Abstract

【課題】 電波センサ信号から生成された生体情報の時系列データの精度低下を抑制することができる信号処理システム、及びセンサシステムを提供する。【解決手段】 信号処理システムは、データ推定部２２ｂと、信頼度推定部２２ｃと、補完部２２ｄと、を備える。データ推定部２２ｂは、人で反射された電波を受信する電波センサから出力された電波センサ信号Ｙ１１に基づいて、人の生体情報の第１時系列データＤ１を推定する時系列データ推定処理を行う。信頼度推定部２２ｃは、第１時系列データＤ１の信頼度を推定する。補完部２２ｄは、信頼度に基づいて第１時系列データＤ１が欠損していると判定すれば、第１時系列データＤ１の履歴に基づいて第１時系列データＤ１の欠損部分を補完することで、第２時系列データＤ２を生成する。【選択図】図４

Description

本開示は、信号処理システム、及びセンサシステムに関する。

特許文献１には、車両の運転座席、助手席、及び後部座席の乗員検知を行うと共に、運転座席等においては、乗員検知だけでなく、生体情報も取得する乗員状態検知システムが開示されている。

乗員状態検知システムでは、車両内に取り付けられた電波センサが電波を送信し、その反射波を受信して、反射物までの距離（変位）を検出する。乗員状態検知システムは、反射物までの距離を経時的に検出し、距離変動を算出することで、反射物までの距離が変動しているかどうかを確認する。その結果、距離変動がない、又は距離変動が一定検知の値以下であれば、車両内に人（乗員）がいないと判断する。また、距離が変動している、又は距離変動が一定値以上であれば、車両内に人が存在すると判断する。

さらに、上記生体情報の経時的変動の履歴を得ることで乗員の状態などのモニターにも利用される。

特開２０１８−２０２９２１号公報

上述のように、電波センサを用いて人の状態を判定する信号処理システムがある。しかしながら、電波センサの振動及び人の動きなどによって、生成された生体情報に欠損（データの欠け、劣化など）が生じることがある。生体情報に欠損が生じると、生体情報の精度が低下してしまう。

本開示の目的は、電波センサ信号から生成された生体情報の時系列データの精度低下を抑制することができる信号処理システム、及びセンサシステムを提供することである。

本開示の一態様に係る信号処理システムは、データ推定部と、信頼度推定部と、補完部と、を備える。前記データ推定部は、人で反射された電波を受信する電波センサから出力された電波センサ信号に基づいて、前記人の生体情報の第１時系列データを推定する時系列データ推定処理を行う。前記信頼度推定部は、前記第１時系列データの信頼度を推定する。前記補完部は、前記信頼度に基づいて前記第１時系列データが欠損していると判定すれば、前記第１時系列データの履歴に基づいて前記第１時系列データの欠損部分を補完することで、第２時系列データを生成する。

本開示の一態様に係るセンサシステムは、上述の信号処理システムと、前記電波センサと、を備える。

以上説明したように、本開示は、電波センサ信号から生成された生体情報の時系列データの精度低下を抑制することができるという効果がある。

第１実施形態の信号処理システムを備えるセンサシステムを示すブロック図である。 同上の信号処理システムの電波センサを示すブロック図である。 同上の信号処理システムを示すブロック図である。 同上の信号処理システムの要部を示すブロック図である。 同上の信号処理システムの電波センサ信号及び呼吸波形を示す波形図である。 同上の信号処理システムの呼吸波形の欠損を示す波形図である 第２実施形態の信号処理システムを備えるセンサシステムを示すブロック図である。 同上の信号処理システムの電波センサを示すブロック図である。 同上のセンサシステムを示す概略図である。 同上の別のセンサシステムを示す概略図である。

本実施形態は、一般に、信号処理システム、及びセンサシステムに関する。より詳細には、本開示は、電波センサを用いて生体情報を生成する信号処理システム、及びセンサシステムに関する。

以下に説明する各実施形態及び変形例は、本開示の一例に過ぎず、本開示は、各実施形態及び変形例に限定されない。これらの実施形態及び変形例以外であっても、本開示に係る技術的思想を逸脱しない範囲であれば、設計等に応じて種々の変更が可能である。

（１）第１実施形態
（１．１）センサシステムの概要
図１は、第１実施形態のセンサシステムＡ１を示す。

センサシステムＡ１は、電波センサ１、及び信号処理システム２を備える。本実施形態の信号処理システム２は、信号処理装置で構成される。

電波センサ１は、検出エリアＧ１内に電波を出力し、検出エリアＧ１内の物体９で反射した電波を受信して、物体９の状態に応じた電波センサ信号Ｙ１を出力する。物体９の状態は、物体９の動き、有無、移動速度、又は位置などである。本開示では、物体９として人９０を想定しており、人９０の状態は、生体情報（呼吸、心拍、脈拍など）、人の存在、移動速度、又は位置などである。

具体的に、電波センサ１は、送信波１０１として電波を出力し、人９０で反射した電波を受信波１０２として受信して、電波センサ１と人９０との間の距離Ｌの情報を含む電波センサ信号Ｙ１を出力する。なお、本実施形態の電波センサ信号Ｙ１は、アナログの時間信号である。

信号処理システム２は、電波センサ信号Ｙ１に信号処理を施すことで、人９０の生体情報の時系列データを生成する。人９０までの距離Ｌは、人９０の移動だけでなく、人９０の一部の動きによっても変化する。したがって、距離Ｌの情報を含む電波センサ信号Ｙ１に信号処理を施すことで、人９０の呼吸、心拍、及び脈拍などの生体情報の時系列データを得ることができる。なお、信号処理システム２は、人９０の生体情報の時系列データ以外に、人９０の存在、移動速度、動き、及び位置などの情報を生成してもよい。

（１．２）電波センサ
本実施形態の電波センサ１は、ＦＭＣＷ（Frequency-Modulated Continuous-Wave）方式の電波センサである。電波センサ１は、図２に示すように、送受信器１ａ、送信アンテナ１ｂ、及び受信アンテナ１ｃを備える。送受信器１ａは、周波数（送信周波数）が時間の経過に伴って変化する送信波１０１を送信アンテナ１ｂから出力し、周波数（受信周波数）が時間の経過に伴って変化する受信波１０２を受信アンテナ１ｃを介して受信する。そして、送受信器１ａは、送信周波数と受信周波数との周波数差に等しい周波数（ビート周波数）のビート信号を電波センサ信号Ｙ１として生成する。信号処理システム２は、電波センサ１から電波センサ信号Ｙ１を受け取り、電波センサ信号Ｙ１のビート周波数に基づいて人９０までの距離Ｌを求めることができる。なお、送信波１０１は、マイクロ波であることが好ましい。特に、送信波１０１の周波数は、２４．１５ＧＨｚであることが好ましい。但し、送信波１０１は、マイクロ波に限らず、ミリ波であってもよく、送信波１０１の周波数は特定の値に限定されない。

具体的に、ＦＭＣＷ方式を用いる送受信器１ａは、送信波１０１の周波数（送信周波数）を上昇させた後に下降させるスイープ処理を繰り返す。スイープ処理では、送信周波数は、掃引時間Ｔａの間に掃引周波数幅Δｆａだけ上昇する。光速をＣとすると、送信波１０１が出力されてから時間２Ｌ／Ｃ後に、送受信器１ａは反射波を受信する。反射波の周波数（受信周波数）は、送信周波数と同様に、時間の経過に伴って変化する。そして、送受信器１ａが、送信周波数と受信周波数との周波数差に等しい周波数（ビート周波数）ｆｂのビート信号を生成し、電波センサ信号Ｙ１として出力する。ビート周波数ｆｂは、ｆｂ＝［（Δｆａ・２Ｌ）／（Ｃ・Ｔａ）］となる。故に、人９０までの距離Ｌは、以下の式１で表される。
Ｌ＝（ｆｂ・Ｃ・Ｔａ）／（２・Δｆａ） ……… 式１
そして、電波センサ１は、電波センサ信号Ｙ１（周波数ｆｂのビート信号）として、同相（In-phase）成分及び直交（Quadrature）成分を含むＩＱ信号を出力する。なお、以降の説明では、同相成分をＩ成分と呼び、直交成分をＱ成分と呼ぶことがある。

また、ＦＭＣＷ方式の電波センサ１を用いた微動生体波形の抽出では、距離Ｌに対してレンジゲートを設けて、レンジゲート内の特定の距離における人９０の動きを抽出してもよい。

（１．３）信号処理システム（信号処理装置）
（１．３．１）信号処理システムの概要
信号処理システム２は、図３に示すように、受信部２１、信号処理部２２、判定部２３、及び通信部２４を備える。

受信部２１は、電波センサ信号Ｙ１を電波センサ１から受け取るインタフェース機能を有する。信号処理部２２は、電波センサ信号Ｙ１から、人９０の生体情報の第２時系列データＤ２を生成する。判定部２３は、生体情報の第２時系列データＤ２に基づいて、人９０の状態を判定する。

通信部２４は、判定部２３の判定結果を、判定信号Ｙ２として通知システム３へ送信する。通信部２４と通知システム３との間の通信は、通信線を介した有線通信、又は無線信号を用いた無線通信によって行われる。有線通信は、例えばツイストペアケーブル、専用通信線、またはＬＡＮ（Local Area Network）ケーブルなどを介した有線通信である。無線通信は、例えばWi-Fi（登録商標）、Bluetooth（登録商標）、ZigBee（登録商標）又は免許を必要としない小電力無線（特定小電力無線）等の規格に準拠した無線通信、あるいは赤外線通信などの無線通信である。

上述の信号処理システム２は、コンピュータシステムを備えることが好ましい。コンピュータシステムは、ハードウェアとしてのプロセッサ及びメモリを主構成とする。コンピュータシステムのメモリに記録されたプログラムをプロセッサが実行することによって、本開示における信号処理システム２としての機能の少なくとも一部が実現される。プログラムは、コンピュータシステムのメモリにあらかじめ記録されてもよく、電気通信回線を通じて提供されてもよく、コンピュータシステムで読み取り可能なメモリカード、光学ディスク、ハードディスクドライブ等の非一時的記録媒体に記録されて提供されてもよい。コンピュータシステムのプロセッサは、半導体集積回路（ＩＣ）又は大規模集積回路（ＬＳＩ）を含む一ないし複数の電子回路で構成される。ここでいうＩＣ又はＬＳＩ等の集積回路は、集積の度合いによって呼び方が異なっており、システムＬＳＩ、ＶＬＳＩ（Very Large Scale Integration）、又はＵＬＳＩ（Ultra Large Scale Integration）と呼ばれる集積回路を含む。さらに、ＬＳＩの製造後にプログラムされる、ＦＰＧＡ（Field-Programmable Gate Array）、又はＬＳＩ内部の接合関係の再構成若しくはＬＳＩ内部の回路区画の再構成が可能な論理デバイスについても、プロセッサとして採用することができる。複数の電子回路は、１つのチップに集約されていてもよいし、複数のチップに分散して設けられていてもよい。複数のチップは、１つの装置に集約されていてもよいし、複数の装置に分散して設けられていてもよい。ここでいうコンピュータシステムは、１つ以上のプロセッサ及び１つ以上のメモリを有するマイクロコントローラを含む。したがって、マイクロコントローラについても、半導体集積回路又は大規模集積回路を含む１乃至複数の電子回路で構成される。

また、コンピュータシステムは、１又は複数のコンピュータで構成されるシステムであってもよい。例えば、受信部２１、信号処理部２２、判定部２３、及び通信部２４の少なくとも一部の各機能は、クラウド（クラウドコンピューティング）によって実現されてもよい。

通知システム３は、サーバ、パーソナルコンピュータ、専用端末、スマートフォン、又はタブレット端末などの少なくとも１つを含み、判定部２３の判定結果に基づいた通知動作、又は警報動作などを行う。

（１．３．２）信号処理
本実施形態では図３に示すように、信号処理部２２は、前処理部２２ａ、データ推定部２２ｂ、信頼度推定部２２ｃ、補完部２２ｄ、及び記憶部２２ｅを備える。

（前処理部）
前処理部２２ａは、電波センサ信号Ｙ１を増幅する増幅機能、及びデジタル信号に変換するＡＤ変換機能を有しており、増幅されたデジタルの電波センサ信号Ｙ１１を生成する。さらに、前処理部２２ａは、電波センサ信号から異常値を除去又は減衰させるフィルタを備えていてもよい。電波センサ信号Ｙ１１は、電波センサ信号Ｙ１に増幅処理、ＡＤ変換処理、及びフィルタ処理を施した信号であり、電波センサ信号Ｙ１と実質的に同じ信号である。したがって、電波センサ信号Ｙ１及び電波センサ信号Ｙ１１はともに、電波センサ１から出力された電波センサ信号とみなすことができる。なお、電波センサ１が、前処理部２２ａを備えてもよい。この場合、電波センサ１が、電波センサ信号Ｙ１１を出力する。

（データ推定部）
データ推定部２２ｂは、電波センサ信号Ｙ１１に基づいて、人９０の生体情報の第１時系列データＤ１を推定する時系列データ推定処理を行う。すなわち、データ推定部２２ｂは、時系列データ推定処理によって、生体情報の推定結果である第１時系列データＤ１を生成する。

具体的に、データ推定部２２ｂは、図４に示すように、第１学習モデルＭ１を用いて、電波センサ信号Ｙ１１から、人９０の生体情報の第１時系列データＤ１を推定する。第１学習モデルＭ１は、再帰型のニューラルネットワーク（ディープラーニング）によって構築されたデータ推定用の学習モデルである。データ推定部２２ｂは、再帰型のニューラルネットワークとして、リカレントニューラルネットワーク（RNN：Recurrent Neural Network）、長短期記憶ユニット（LSTM：Long Short Term Memory）、又はゲート付き再帰型ユニット（GRU：Gated Recurrent Unit）を用いる。第１学習モデルＭ１は、多数の学習用の電波センサ信号Ｙ１１を学習データ（教師データ）として用いた教師あり学習によって予め生成されている。データ推定部２２ｂは、上述の予め生成された再帰型のニューラルネットワークによって構築された第１学習モデルＭ１を用いることで、時間に沿って変動する第１時系列データＤ１の推定精度を向上させることができる。ニューラルネットワーク学習時における学習データには、人体に直接装着される接触式センサ等によって得られた信頼性の高い生体情報が用いられることが好ましい。

学習データは、静止している人９０及び静止している電波センサ１にそれぞれ対応する電波センサ信号Ｙ１１だけでなく、揺動している人９０及び振動している電波センサ１にそれぞれ対応する電波センサ信号Ｙ１１も含むことが好ましい。すなわち、学習データとして、人９０の生体情報のみが含まれている電波センサ信号Ｙ１１だけでなく、人９０の揺動及び電波センサ１の振動などの外乱による外乱成分を含む電波センサ信号Ｙ１１も用いることが好ましい。この場合、実動作時には真の生体信号は存在しないが、学習済みの第１学習モデルＭ１を用いて、外乱成分を含む電波センサ信号Ｙ１１から生体情報の第１時系列データＤ１を推定できる確率がより高くなる。

データ推定部２２ｂは、第１学習モデルＭ１にＲＮＮ、ＬＳＴＭ、又はＧＲＵを用いることで、前ステップのニューラルネットワークのいずれかの層（例えば隠れ層）の出力が、次ステップのニューラルネットワークに再帰的に入力される。すなわち、データ推定部２２ｂは、電波センサ信号Ｙ１１を用いるだけでなく、第１時系列データＤ１の過去データを再帰的に参照することで、生体情報の第１時系列データＤ１を推定する。この結果、データ推定部２２ｂは、電波センサ信号Ｙ１１だけでなく、過去の生体情報も反映させて、現在の生体情報を推定することができる。したがって、データ推定部２２ｂは、電波センサ信号Ｙ１１に基づいて、時間に沿って変動する生体情報を高精度に推定することができる。さらに、データ推定部２２ｂは、学習済の外乱が発生したとしても、第１学習モデルＭ１を用いることによって、生体情報の第１時系列データＤ１を推定できる。一般的に第１学習モデルＭ１などの学習モデルは、上述のように過去データを利用して現在値の推定を行うが、現在値と過去データの両方を利用して、現在より前の値を推定してもよい。

データ推定部２２ｂが推定した生体情報の第１時系列データＤ１は、記憶部２２ｅに格納される。すなわち、記憶部２２ｅは、生体情報の第１時系列データＤ１の履歴を記憶する。

本実施形態のデータ推定部２２ｂは、人９０の生体情報の第１時系列データＤ１として、人９０の呼吸の時系列データである第１呼吸波形Ｄ１１を推定する。図５の上段は、電波センサ信号Ｙ１１のＩ成分Ｙ１１ａ、及び電波センサ信号Ｙ１１のＱ成分Ｙ１１ｂの各波形を示す。図５の下段は、第１呼吸波形Ｄ１１を示す。データ推定部２２ｂは、第１学習モデルＭ１を用いて、電波センサ信号Ｙ１１のＩ成分Ｙ１１ａ及びＱ成分Ｙ１１ｂから、第１呼吸波形Ｄ１１を推定する。第１呼吸波形Ｄ１１では、人９０が息を吸う吸気期間Ｔ１と人９０が息を吐く呼気期間Ｔ２とが交互に繰り返される。記憶部２２ｅは、データ推定部２２ｂが推定した第１呼吸波形Ｄ１１の履歴を記憶する。

図５では、データ推定部２２ｂは、第１学習モデルＭ１を用いて第１呼吸波形Ｄ１１を推定する時系列データ推定処理を時間ｔ０に開始している。しかしながら、時間ｔ０の直後では、今回の時系列データ推定処理による第１呼吸波形Ｄ１１の過去データがまだ蓄積されていない。したがって、データ推定部２２ｂは、時系列データ推定処理を開始した直後の初期期間Ｔ０では、第１学習モデルＭ１が過去データとして用いる第１呼吸波形Ｄ１１のデータ（初期データ）を必要とする。そこで、データ推定部２２ｂは、記憶部２２ｅに格納されている第１呼吸波形Ｄ１１の履歴を初期データとして用いて、電波センサ信号Ｙ１１から第１呼吸波形Ｄ１１を推定する。このとき、データ推定部２２ｂは、第１呼吸波形Ｄ１１の履歴内の所的期間における第１呼吸波形Ｄ１１、第１呼吸波形Ｄ１１の履歴に統計処理（平均化、又は正規化など）を施した統計データ、又は第１呼吸波形Ｄ１１の履歴の代表データなどを初期データとする。あるいは、データ推定部２２ｂは、初期データとして、予め決められている定型の呼吸波形のデータを用いてもよい。

したがって、データ推定部２２ｂは、第１呼吸波形Ｄ１１の過去データがまだ蓄積されていない初期期間Ｔ０では、初期データを過去データとして用いることで、第１呼吸波形Ｄ１１を推定することができる。

（記憶部）
データ推定部２２ｂが推定した生体情報の第１時系列データＤ１は、記憶部２２ｅに格納される。すなわち、記憶部２２ｅは、生体情報の第１時系列データＤ１の履歴を記憶する。本実施形態では、記憶部２２ｅは、生体情報の第１時系列データＤ１として、第１呼吸波形Ｄ１１のデータを記憶する。

なお、記憶部２２ｅは、例えばEEPROM（Electrically Erasable Programmable Read Only Memory）、又はフラッシュメモリなどの書き換え可能な不揮発性メモリであることが好ましい。

（信頼度推定部）
データ推定部２２ｂは、第１学習モデルＭ１を用いて、電波センサ信号Ｙ１１から、第１時系列データＤ１として第１呼吸波形Ｄ１１を推定する。しかしながら、想定外の外乱が生じると、第１呼吸波形Ｄ１１に欠損（第１呼吸波形Ｄ１１のデータの欠け、第１呼吸波形Ｄ１１のデータの劣化などを含む）が生じることがある。例えば、電波センサ１の想定外の振動、又は人９０の想定外の揺動などのように、第１学習モデルＭ１にとって未学習、学習不足、又は長時間の強い外乱が生じると、第１学習モデルＭ１が推定する第１呼吸波形Ｄ１１に欠損が生じることがある。すなわち、想定外の外乱によって、第１呼吸波形Ｄ１１の信頼性が低下することがある。

そこで、信頼度推定部２２ｃは、第１時系列データＤ１の信頼度として、第１呼吸波形Ｄ１１の信頼度を推定する。第１時系列データＤ１の信頼度は、生体情報の信頼度であり、生体情報の推定精度と言い換えることができる。

具体的に、信頼度推定部２２ｃは、図４に示すように、第２学習モデルＭ２を用いて、電波センサ信号Ｙ１１から第１呼吸波形Ｄ１１の信頼度を推定し、信頼度を表す信頼度データＲ１を生成する。第１呼吸波形Ｄ１１の信頼度は、第１呼吸波形Ｄ１１に欠損が生じていない可能性の指標であり、例えば０％〜１００％の範囲のいずれかの値に設定される。欠損が生じていない可能性が高いほど、信頼度は高くなり、欠損が生じていない可能性が低いほど、信頼度は低くなる。すなわち、欠損が生じている可能性が高いほど、信頼度は低くなる。

第２学習モデルＭ２は、再帰型のニューラルネットワークによって構築された信頼度推定用の学習モデルである。信頼度推定部２２ｃは、再帰型のニューラルネットワークとして、ＲＮＮ、ＬＳＴＭ、又はＧＲＵを用いる。第２学習モデルＭ２は、多数の学習用の電波センサ信号Ｙ１１を学習データとして用いた教師あり学習によって予め生成されている。学習データは、欠損を生じていない正常な電波センサ信号Ｙ１１、並びに一部に欠損を生じている電波センサ信号Ｙ１１を含む。例えば、第２学習モデルＭ２の学習データには、第１学習モデルＭ１により推定された第１呼吸波形Ｄ１１と第１学習モデルＭ１の学習データ（接触式センサ等によって得られた信頼性の高い生体情報）との差の関数が用いられる。

また、第２学習モデルＭ２は、より簡単な構造の多層パーセプトロン（MLP：Multi Layer Perceptron）などを利用してもよい。

以下、再帰型のニューラルネットワークによって構築された第２学習モデルＭ２について説明する。

信頼度推定部２２ｃは、第２学習モデルＭ２にＲＮＮ、ＬＳＴＭ、又はＧＲＵを用いることで、前ステップのニューラルネットワークのいずれかの層（例えば隠れ層）の出力が、次ステップのニューラルネットワークに再帰的に入力される。すなわち、信頼度推定部２２ｃは、現在の電波センサ信号Ｙ１１を用いるだけでなく、過去の電波センサ信号Ｙ１１を再帰的に用いることで、生体情報の第１時系列データＤ１の信頼度（推定誤差）を推定する。この結果、信頼度推定部２２ｃは、過去の電波センサ信号Ｙ１１も反映させて、現在の信頼度を推定することができる。したがって、信頼度推定部２２ｃは、時間に沿って変動する信頼度を高精度に推定することができる。

図６は、欠損が生じている第１呼吸波形Ｄ１１を示す。図６では、時間ｔ１１において、第１呼吸波形Ｄ１１を表す関数が不連続になっている。第１呼吸波形Ｄ１１を表す関数が不連続になると、第１呼吸波形Ｄ１１の振幅及び周期などの少なくとも１つが乱れてしまう。この場合、時間ｔ１１から第１呼吸波形Ｄ１１を表す関数が再び連続になって安定するまでの期間が欠損部分であり、信頼度推定部２２ｃは、当該欠損部分を欠損期間Ｔ１１とする。欠損期間Ｔ１１では第１呼吸波形Ｄ１１が乱れており、第１呼吸波形Ｄ１１の欠損が生じていると推定される。そこで、信頼度推定部２２ｃは、欠損期間Ｔ１１における信頼度を、正常時よりも低下させる。すなわち、信頼度推定部２２ｃは、第１呼吸波形Ｄ１１を表す関数が時間ｔ１１で不連続となれば、欠損期間Ｔ１１における信頼度を、欠損期間Ｔ１１以外の正常期間における信頼度よりも低下させている。

（補完部）
補完部２２ｄは、信頼度推定部２２ｃが推定した信頼度に基づいて第１呼吸波形Ｄ１１が欠損しているか否かを判定する。具体的に、補完部２２ｄは、信頼度データＲ１を参照し、信頼度を予め決められた閾値と比較する。補完部２２ｄは、信頼度が予め決められた閾値未満であれば、第１呼吸波形Ｄ１１は欠損していると判定する。補完部２２ｄは、信頼度が閾値以上であれば、第１呼吸波形Ｄ１１は欠損していないと判定する。例えば、補完部２２ｄは、図６の欠損期間Ｔ１１における信頼度が閾値未満であるので、欠損期間Ｔ１１において第１呼吸波形Ｄ１１は欠損していると判定する。

補完部２２ｄは、第１呼吸波形Ｄ１１が欠損していると判定すれば、第１呼吸波形Ｄ１１の履歴に基づいて第１呼吸波形Ｄ１１の欠損部分（例えば、欠損期間Ｔ１１）を補完する。そして、図４に示すように補完部２２ｄは、補完した第１呼吸波形Ｄ１１を第２呼吸波形Ｄ２１として判定部２３へ引き渡す。また、補完部２２ｄは、第１呼吸波形Ｄ１１が欠損していないと判定すれば、第１呼吸波形Ｄ１１を補完しない。そして、補完部２２ｄは、補完していない第１呼吸波形Ｄ１１を第２呼吸波形Ｄ２１として判定部２３へ引き渡す。なお、第２呼吸波形Ｄ２１は、第２時系列データＤ２に相当する。

補完部２２ｄは、第１呼吸波形Ｄ１１を学習モデルなどによって推定せず、予め決められたルールにしたがって（ルールベースで）第１呼吸波形Ｄ１１の欠損部分を補完する。本実施形態のルールでは、補完部２２ｄは、欠損部分より前の正常期間における第１呼吸波形Ｄ１１のデータを用いて、欠損部分を補完する。

例えば、補完部２２ｄは、図６の欠損期間Ｔ１１より前の正常期間Ｔ２１における第１呼吸波形Ｄ１１のデータを用いて、欠損期間Ｔ１１を補完する。この場合、補完部２２ｄは、正常期間Ｔ２１における第１呼吸波形Ｄ１１のデータを欠損期間Ｔ１１に挿入する。正常期間Ｔ２１の時間長さは、欠損期間Ｔ１１の時間長さと同じである。このとき、欠損期間Ｔ１１における第１呼吸波形Ｄ１１が、欠損期間Ｔ１１の前後の第１呼吸波形Ｄ１１と不連続にならないように正常期間Ｔ２１を設定することが好ましい。

上述のように、補完部２２ｄは、第１学習モデルＭ１が推定する第１呼吸波形Ｄ１１に想定外の外乱によって欠損が生じたとしても、予め決められたルールベースで第１呼吸波形Ｄ１１の欠損部分を補完することができる。したがって、信号処理部２２は、電波センサ信号Ｙ１から生成された呼吸情報などの生体情報の時系列データの精度低下を抑制することができる。

また、補完部２２ｄは、第１呼吸波形Ｄ１１に対して、フィルタ等を用いた平坦化処理を更に施してもよい。

（１．３．３）判定処理
判定部２３は、生体情報の第２時系列データＤ２に基づいて、人９０の状態を判定する。

特に、判定部２３は、第２呼吸波形Ｄ２１の時間変動（ばらつき）を検出し、第２呼吸波形Ｄ２１の時間変動に基づいて人９０の状態を判定することが好ましい。第２呼吸波形Ｄ２１の時間変動は、第２呼吸波形Ｄ２１のピーク値又は周期などのパラメータの変動量、分散、又は標準偏差などである。また、第２呼吸波形Ｄ２１の時間変動は、第２呼吸波形Ｄ２１の所定期間毎のパラメータの代表値（平均値、中央値、最大値、又は下限値など）の時間変動であってもよい。

具体的に、人９０の身体及び精神の少なくとも一方の状態を生体状態として判定するために、人の自律神経の状態を判断することが有用である。そこで、判定部２３は、第２呼吸波形Ｄ２１に基づいて、人９０の自律神経の状態を判定する。例えば、判定部２３は、第２呼吸波形Ｄ２１の時間変動に基づいて、自律神経における交感神経又は副交感神経の優位の程度を判定する。さらに、判定部２３は、人９０の自律神経の状態に基づいて、人９０が感じているストレスの程度、認知機能の程度、又は覚醒度などを生体状態として判定できる。また、判定部２３は、人９０の自律神経の状態に基づいて、人９０の居眠り、注意力の程度、又は疲労の程度などを生体状態として判定できる。

（１．３．４）通知処理
通信部２４は、判定部２３の判定結果を、判定信号Ｙ２として通知システム３へ送信する。通知システム３は、判定部２３の判定結果に基づいた通知動作、又は警報動作などを行う。通知システム３は、判定部２３の判定結果を管理者などへ通知する。通知システム３は、例えば管理者が用いるパーソナルコンピュータ、タブレット端末、スマートフォン、専用端末、又は車両の警報システムなどであることが好ましい。

（２）第２実施形態
図７は、第２実施形態のセンサシステムＡ２を示す。

センサシステムＡ２は、電波センサ１、振動センサ４、及び信号処理システム２Ａを備える。本実施形態の信号処理システム２Ａは、信号処理装置で構成される。なお、第１実施形態と同様の構成には同一の符号を付して、説明を省略する。

振動センサ４は、電波センサ１及び人９０の少なくとも一方の振動を検出し、検出した振動に応じた振動センサ信号Ｙ４を出力する。すなわち、振動センサ４は、電波センサ１自体の振動、人９０の外乱振動による揺動、及び人９０の周辺の振動などの少なくとも１つを検出する。振動センサ４の第１設置例として、振動センサ４は、電波センサ１の筐体に取り付けられる。この場合、振動センサ４は、電波センサ１の振動を検出する。振動センサ４の第２設置例として、振動センサ４は、人９０の周囲の構造物に取り付けられる。この場合、振動センサ４は、人９０の振動を間接的に検出する。振動センサ４の第３設置例として、振動センサ４は、人９０に取り付けられる。この場合、振動センサ４は、人９０の振動を直接的に検出する。なお、本実施形態の振動センサ信号Ｙ４は、アナログの時間信号である。

本実施形態では、振動センサ４として、３軸の加速度センサを用いる。３軸の加速度センサは、振動センサ４に固定の互いに直交する３軸のそれぞれについて振動による加速度を検出し、３軸の各加速度を表す振動センサ信号Ｙ４を出力する。振動センサ信号Ｙ４は、振動の周波数及び振幅などの情報を含む。

電波センサ信号Ｙ１には、人９０の生体情報だけでなく、電波センサ１の検出エリアＧ１で生じる振動によって時々刻々と変動する信号成分（以降、振動成分と称す）が含まれる。電波センサ１の検出エリアＧ１で生じる振動には、電波センサ１の振動、人９０の振動、及び人９０の周囲の構造物（椅子、壁、塀など）の振動などが含まれる。電波センサ信号Ｙ１に振動成分が含まれると、この電波センサ信号Ｙ１を用いて人９０の生体情報を検出し難くなる。特に、人９０の生体情報を検出する場合、電波センサ信号Ｙ１に含まれる生体情報の信号強度は比較的低いので、電波センサ信号Ｙ１から振動成分を減衰させることは有用である。そこで、信号処理システム２Ａは、振動センサ４から出力される振動センサ信号Ｙ４に基づいて、電波センサ１から出力される電波センサ信号Ｙ１に信号処理を施すことで、電波センサ信号Ｙ１から振動成分を減衰させる。

具体的に、信号処理システム２Ａは、図８に示すように、受信部２１Ａ、信号処理部２２Ａ、判定部２３、及び通信部２４を備える。

受信部２１Ａは、電波センサ信号Ｙ１を電波センサ１から受け取るインタフェース機能に加えて、振動センサ信号Ｙ４を振動センサ４から受け取るインタフェース機能を更に有する。

信号処理部２２Ａは、前処理部２２ａ、データ推定部２２ｂ、信頼度推定部２２ｃ、補完部２２ｄ、記憶部２２ｅに加えて、適応フィルタ２２ｆを更に備える。

前処理部２２ａは、振動センサ信号Ｙ４を増幅する増幅機能、及びデジタル信号に変換するＡＤ変換機能を更に有しており、増幅されたデジタルの振動センサ信号Ｙ４１を生成する。振動センサ信号Ｙ４１は、振動センサ信号Ｙ４に増幅処理、及びＡＤ変換処理を施した信号であり、振動センサ信号Ｙ４と実質的に同じ信号である。したがって、振動センサ信号Ｙ４及び振動センサ信号Ｙ４１はともに振動センサ４から出力された振動センサ信号とみなすことができる。なお、振動センサ４が、前処理部２２ａを備えてもよい。この場合、振動センサ４が、振動センサ信号Ｙ４１を出力する。

適応フィルタ２２ｆは、振動センサ信号Ｙ４１に基づいて振動成分を減衰させるフィルタリング処理を電波センサ信号Ｙ１１に施し、フィルタリング処理を施した電波センサ信号Ｙ１１をデータ推定部２２ｂ及び信頼度推定部２２ｃへ引き渡す。したがって、データ推定部２２ｂ及び信頼度推定部２２ｃは、振動成分が減衰した電波センサ信号Ｙ１１を用いてデータ推定処理及び信頼度推定処理をそれぞれ行うことができる。この結果、データ推定部２２ｂによる第１時系列データＤ１（第１呼吸波形Ｄ１１など）の推定精度が向上する。また、信頼度推定部２２ｃによる第１時系列データＤ１（第１呼吸波形Ｄ１１など）の信頼度の推定精度も向上する。

適応フィルタ２２ｆは、適応アルゴリズム（最適化アルゴリズム）に従ってフィルタ係数（伝達関数）を自己適応させる適応フィルタ（Adaptive filter using FastFourier Transform）であり、デジタルフィルタにより実現することができる。本実施形態の適応フィルタ２２ｆは、高速フーリエ変換（FFT：Fast Fourier Transform）を利用して適応アルゴリズムを実行する。具体的に、適応フィルタ２２ｆは、デジタルの電波センサ信号Ｙ１１、及びデジタルの振動センサ信号Ｙ４１に、ＦＦＴをそれぞれ施すことで、電波センサ信号Ｙ１１及び振動センサ信号Ｙ４１を周波数領域の信号にそれぞれ変換する。さらに、適応フィルタ２２ｆは、適応アルゴリズムとして、周波数領域においてＬＭＳ（Least Mean Square）アルゴリズムを実行する。すなわち、適応フィルタ２２ｆは、ＦＦＴを利用したＬＭＳアルゴリズムを実行する適応フィルタである。

また、適応フィルタ２２ｆは、離散コサイン変換（Discrete Cosine Transform：ＤＣＴ）を利用したＬＭＳアルゴリズムを実行する適応フィルタであってもよい。また、適応フィルタ２２ｆは、ラティスフィルタの機能を更に有していてもよい。

上述の処理は、電波センサ信号Ｙ１１自体の質を向上させるフィルタリング処理に相当するが、学習規模の増大を伴う。そこで、実施形態１において、第１モデルＭ１の学習データとして、接触式センサ等によって得られた信頼性の高い生体情報とともに、振動データも用いてもよい。この場合、学習規模の増大を抑えながら、電波センサ信号Ｙ１１自体の質を向上させるフィルタリング処理を実現できる。

（３）センサシステム
図９は車両Ｃ１内に設置されたセンサシステムＡ１（図１参照）を示す。図９では、運転座席８１に存在する運転者が人９０に相当する。電波センサ１は、運転座席８１の背もたれ８１１の内部に取り付けられて、人９０の後方から送信波を発する。

信号処理システム２（図３参照）は、例えばダッシュボード８２内に取り付けられている。信号処理部２２は、人９０の第２呼吸波形Ｄ２１などの生体情報の第２時系列データＤ２を生成する。判定部２３は、例えば人９０の自律神経の状態を判定する。さらに、判定部２３は、自律神経の状態に基づいて人９０の居眠り、注意力の程度、又は疲労の程度などを判定することで、人９０の状態が車両Ｃ１の運転に適しているか否かを識別できる。

通知システム３は、車室８４内に設けられているオーディオ装置又はナビゲーション装置を含み、人９０の状態が運転に適さない状態であると判定すれば、車両Ｃ１内に警報（ブザー音、又はメッセージなど）を発する。この結果、車両Ｃ１を運転する人９０によるヒューマンエラーを低減でき、安全性が向上する。

図１０は車両Ｃ１内に設置されたセンサシステムＡ２（図７参照）を示す。センサシステムＡ２は、電波センサ１に加えて、振動センサ４を更に備える。電波センサ１及び振動センサ４は、運転座席８１の背もたれ８１１の内部に取り付けられている。振動センサ４は、電波センサ１の振動、走行中又はエンジン駆動中などの車両Ｃ１の振動などを検出する。

信号処理システム２Ａ（図８参照）は、例えばダッシュボード８２内に取り付けられている。信号処理部２２Ａは、電波センサ１の振動、走行中又はエンジン駆動中などの車両Ｃ１の振動などの影響を抑制して、生体情報の第２時系列データＤ２を生成することができる。したがって、判定部２３は、人９０の状態が車両Ｃ１の運転に適しているか否かをより精度よく識別できる。

なお、電波センサ１は、車両Ｃ１の車内空間に取り付けられればよく、例えば運転座席８１の座面８１２、ダッシュボード８２内、又は天井８３などに取り付けられてもよい。振動センサ４も、運転座席８１の座面８１２、ダッシュボード８２内、又は天井８３などに取り付けられてもよい。

また、検知対象の人９０は、運転者に限定されず、助手席、又は後部座席の人を検知対象としてもよい。この場合、電波センサ１は、助手席又は後部座席に取り付けられることが好ましい。

また、センサシステムＡ１、Ａ２は、先進運転支援システム（ADAS：Advanced Driver Assistance System）に含まれてもよい。

（４）変形例
センサシステムＡ１、Ａ２は、住戸、工場、事務所、また店舗などの建造物に設置されてもよい。この場合、信号処理システム２、２Ａは、建造物内の人９０の生体情報の第２時系列データＤ２を生成する。

センサシステムＡ１、Ａ２は、車両Ｃ１以外の移動体に設置されてもよい。移動体は、例えば飛行機、又は船舶などであり、人９０の操作によって移動する。この場合、信号処理システム２、２Ａは、人９０の覚醒度を判定することで、人９０の居眠り、注意力の程度、及び疲労の程度などの少なくとも１つを生体状態として判定する。通知システム３は、移動体内の表示装置及び音響装置であり、表示及び音によって人９０の覚醒度を向上させる。

生体情報の時系列データは、呼吸波形に限定されず、人９０の脈拍波形又は心拍波形などであってもよく、さらには呼吸波形、脈拍波形、又は心拍波形などのうち２つ以上であってもよい。

データ推定部２２ｂの第１学習モデルＭ１は、粒子フィルタ、又はバックプロパゲーション型の多層パーセプトロンによって構築されたデータ推定用の学習モデルであってもよい。第１学習モデルＭ１が粒子フィルタによって構築されている場合、第１学習モデルＭ１は、過去データを参照して生体情報の第１時系列データＤ１を推定できる。第１学習モデルＭ１がバックプロパゲーション型の多層パーセプトロンによって構築されている場合、第１学習モデルＭ１は、実装性（リアルタイム性）が高くなる。

信頼度推定部２２ｃの第２学習モデルＭ２は、粒子フィルタ、又はバックプロパゲーション型の多層パーセプトロンによって構築されたデータ推定用の学習モデルであってもよい。第２学習モデルＭ２が粒子フィルタによって構築されている場合、第２学習モデルＭ２は、第１時系列データＤ１の信頼度を事後分布の信用区間に基づいて推定する。第２学習モデルＭ２がバックプロパゲーション型の多層パーセプトロンによって構築されている場合、第２学習モデルＭ２は、線形回帰などの手法を用いて第１時系列データＤ１の信頼度を推定する。

信頼度推定部２２ｃの第２学習モデルＭ２は、電波センサ信号Ｙ１１及び第１時系列データＤ１の少なくとも一方から信頼度を推定すればよい。すなわち、第２学習モデルＭ２は、第１時系列データＤ１から信頼度を推定してもよい。この場合、第２学習モデルＭ２は、多数の学習用の第１時系列データＤ１を学習データとして用いた教師あり学習によって予め生成されている。あるいは、第２学習モデルＭ２は、電波センサ信号Ｙ１１及び第１時系列データＤ１の両方から信頼度を推定してもよい。この場合、第２学習モデルＭ２は、多数の学習用の電波センサ信号Ｙ１１及び多数の学習用の第１時系列データＤ１を学習データとして用いた教師あり学習によって予め生成されている。

電波センサ１は、ＰＭＣＷ（Phase Modulated Continuous Wave）方式の電波センサであってもよい。また、電波センサ１は、複数の送信用アンテナ及び複数の受信用アンテナを有するＭＩＭＯ（Multiple Input Multiple Output）方式の電波センサであってもよい。また、センサシステムＡ１、Ａ２は、複数の電波センサ１を備えてもよい。

また、距離情報が不要であれば、電波センサ１として、ドップラセンサを用いてもよい。

振動センサ４は、３軸のジャイロセンサであってもよい。３軸のジャイロセンサは、互いに直交する３軸のそれぞれについて振動による角速度を検出し、３軸の各角速度を表す振動センサ信号を出力する。また、センサシステムＡ２は、複数の振動センサ４を備えてもよい。

また、信号処理システム２は、サーバに設けられてもよい。この場合、電波センサ信号、及び振動センサ信号は、インターネットなどのネットワーク経由でサーバに送信され、信号処理システム２が電波センサ信号、及び振動センサ信号を受け取る。信号処理システム２の検出結果は、ネットワーク経由で通知システム３へ送信される。

なお、上述の各実施形態、応用例、及び変形例は、適宜組み合わせることができる。

（５）まとめ
上述の実施形態に係る第１の態様の信号処理システム（２、２Ａ）は、データ推定部（２２ｂ）と、信頼度推定部（２２ｃ）と、補完部（２２ｄ）と、を備える。データ推定部（２２ｂ）は、人（９０）で反射された電波を受信する電波センサ（１）から出力された電波センサ信号（Ｙ１１）に基づいて、人（９０）の生体情報の第１時系列データ（Ｄ１）を推定する時系列データ推定処理を行う。信頼度推定部（２２ｃ）は、第１時系列データ（Ｄ１）の信頼度を推定する。補完部（２２ｄ）は、信頼度に基づいて第１時系列データ（Ｄ１）が欠損していると判定すれば、第１時系列データ（Ｄ１）の履歴に基づいて第１時系列データ（Ｄ１）の欠損部分を補完することで、第２時系列データ（Ｄ２）を生成する。

上述の信号処理システム（２、２Ａ）は、電波センサ信号（Ｙ１１）から生成された生体情報の時系列データの精度低下を抑制することができる。

実施形態に係る第２の態様の信号処理システム（２、２Ａ）では、第１の態様において、データ推定部（２２ｂ）は、再帰型のニューラルネットワークによって構築されたデータ推定用の学習モデル（Ｍ１）を用いて、電波センサ信号（Ｙ１１）から前記第１時系列データ（Ｄ１）を推定することが好ましい。

上述の信号処理システム（２、２Ａ）は、再帰型のニューラルネットワークによって構築された学習モデル（Ｍ１）を用いることで、時間に沿って変動する第１時系列データ（Ｄ１）の推定精度を向上させることができる。

実施形態に係る第３の態様の信号処理システム（２、２Ａ）では、第２の態様において、データ推定部（２２ｂ）は、電波センサ信号（Ｙ１１）から第１時系列データ（Ｄ１）の推定を開始するときに、学習モデル（Ｍ１）が用いる初期データとして、データ推定部（２２ｂ）が推定した過去の第１時系列データ（Ｄ１）又は予め決められた時系列データを用いることが好ましい。

上述の信号処理システム（２、２Ａ）は、第１時系列データ（Ｄ１）の過去データがまだ蓄積されていない初期期間では、初期データを過去データとして用いることで、第１時系列データ（Ｄ１）を推定することができる。

実施形態に係る第４の態様の信号処理システム（２、２Ａ）では、第１乃至第３の態様のいずれか１つにおいて、信頼度推定部（２２ｃ）は、第１時系列データ（Ｄ１）を表す関数が不連続となれば、信頼度を低下させることが好ましい。

上述の信号処理システム（２、２Ａ）は、時間に沿って変動する信頼度を高精度に推定することができる。

実施形態に係る第５の態様の信号処理システム（２、２Ａ）では、第１乃至第４の態様のいずれか１つにおいて、信頼度推定部（２２ｃ）は、再帰型のニューラルネットワークによって構築された信頼度推定用の学習モデル（Ｍ２）を用いて、電波センサ信号（Ｙ１１）及び第１時系列データ（Ｄ１）の少なくとも一方から信頼度を推定することが好ましい。

上述の信号処理システム（２、２Ａ）は、再帰型のニューラルネットワークによって構築された学習モデル（Ｍ２）を用いることで、時間に沿って変動する信頼度を高精度に推定することができる。

実施形態に係る第６の態様の信号処理システム（２Ａ）は、第１乃至第５の態様のいずれか１つにおいて、適応フィルタ（２２ｆ）を更に備えることが好ましい。適応フィルタ（２２ｆ）は、振動センサ（４）から出力された、電波センサ（１）及び人（９０）の少なくとも一方の振動に応じた振動センサ信号（Ｙ４１）に基づいて、振動の信号成分を減衰させるフィルタリング処理を電波センサ信号（Ｙ１１）に施す。

上述の信号処理システム（２Ａ）は、振動成分が減衰した電波センサ信号（Ｙ１１）を用いてデータ推定処理を行うことができるので、第１時系列データ（Ｄ１）の推定精度が向上する。

実施形態に係る第７の態様の信号処理システム（２、２Ａ）では、第１乃至第６の態様のいずれか１つにおいて、第１時系列データ（Ｄ１）は、人（９０）の呼吸波形（Ｄ１１）であることが好ましい。

上述の信号処理システム（２、２Ａ）は、生体情報として有用ない人（９０）の呼吸波形の精度の低下を抑制することができる。

実施形態に係る第８の態様の信号処理システム（２、２Ａ）は、第１乃至第７の態様のいずれか１つにおいて、第２時系列データ（Ｄ２）に基づいて人（９０）の状態を判定する判定部（２３）を更に備えることが好ましい。

上述の信号処理システム（２、２Ａ）は、人（９０）の自律神経の状態、人（９０）が感じているストレスの程度、認知機能の程度、覚醒度、居眠り、注意力の程度、又は疲労の程度などを人（９０）の状態として判定できる。

実施形態に係る第９の態様の信号処理システム（２、２Ａ）は、第７の態様において、第２時系列データ（Ｄ２）に基づいて人（９０）の呼吸波形（Ｄ２１）の時間変動を検出し、時間変動に基づいて人（９０）の状態を判定する判定部（２３）を更に備えることが好ましい。

上述の信号処理システム（２、２Ａ）は、人（９０）の状態を高精度に判定することができる。

実施形態に係る第１０の態様のセンサシステム（Ａ１、Ａ２）は、第１乃至第９の態様のいずれか１つの信号処理システム（２、２Ａ）と、電波センサ（１）と、を備える。

上述のセンサシステム（Ａ１、Ａ２）は、電波センサ信号（Ｙ１１）から生成された生体情報の時系列データの精度低下を抑制することができる。

実施形態に係る第１１の態様のセンサシステム（Ａ１、Ａ２）では、第１０の態様において、電波センサ（１）は、車両（Ｃ１）の座席（８１）に配置されることが好ましい。

上述のセンサシステム（Ａ１、Ａ２）は、車両（Ｃ１）内の人（９０）によるヒューマンエラーを低減でき、安全性が向上する。

１ 電波センサ
２、２Ａ 信号処理システム
２２ｂ データ推定部
２２ｃ 信頼度推定部
２２ｄ 補完部
２２ｆ 適応フィルタ
２３ 判定部
４ 振動センサ
８１ 運転座席（座席）
９０ 人
Ｙ１、Ｙ１１ 電波センサ信号
Ｙ４、Ｙ４１ 振動センサ信号
Ｄ１ 第１時系列データ
Ｄ１１ 第１呼吸波形（呼吸波形）
Ｄ２ 第２時系列データ
Ｄ２１ 第２呼吸波形（呼吸波形）
Ｍ１ 第１学習モデル（データ推定用の学習モデル）
Ｍ２ 第２学習モデル（信頼度推定用の学習モデル）

Claims (11)

1. 人で反射された電波を受信する電波センサから出力された電波センサ信号に基づいて、前記人の生体情報の第１時系列データを推定する時系列データ推定処理を行うデータ推定部と、
   前記第１時系列データの信頼度を推定する信頼度推定部と、
   前記信頼度に基づいて前記第１時系列データが欠損していると判定すれば、前記第１時系列データの履歴に基づいて前記第１時系列データの欠損部分を補完することで、第２時系列データを生成する補完部と、を備える
   信号処理システム。
2. 前記データ推定部は、再帰型のニューラルネットワークによって構築されたデータ推定用の学習モデルを用いて、前記電波センサ信号から前記第１時系列データを推定する
   請求項１の信号処理システム。
3. 前記データ推定部は、前記電波センサ信号から前記第１時系列データの推定を開始するときに、前記学習モデルが用いる初期データとして、前記データ推定部が推定した過去の前記第１時系列データ又は予め決められた時系列データを用いる
   請求項２の信号処理システム。
4. 前記信頼度推定部は、前記第１時系列データを表す関数が不連続となれば、前記信頼度を低下させる
   請求項１乃至３のいずれか１つの信号処理システム。
5. 前記信頼度推定部は、再帰型のニューラルネットワークによって構築された信頼度推定用の学習モデルを用いて、前記電波センサ信号及び前記第１時系列データの少なくとも一方から前記信頼度を推定する
   請求項１乃至４のいずれか１つの信号処理システム。
6. 振動センサから出力された、前記電波センサ及び前記人の少なくとも一方の振動に応じた振動センサ信号に基づいて、前記振動の信号成分を減衰させるフィルタリング処理を前記電波センサ信号に施す適応フィルタを更に備える
   請求項１乃至５のいずれか１つの信号処理システム。
7. 前記第１時系列データは、前記人の呼吸波形である
   請求項１乃至６のいずれか１つの信号処理システム。
8. 前記第２時系列データに基づいて前記人の状態を判定する判定部を更に備える
   請求項１乃至７のいずれか１つの信号処理システム。
9. 前記第２時系列データに基づいて前記人の呼吸波形の時間変動を検出し、前記時間変動に基づいて前記人の状態を判定する判定部を更に備える
   請求項７の信号処理システム。
10. 請求項１乃至９のいずれか１つの信号処理システムと、
    前記電波センサと、を備える
    センサシステム。
11. 前記電波センサは、車両の座席に配置される
    請求項１０のセンサシステム。

Images