JP2022063926A - 睡眠状態推定システム - Google Patents

Abstract

【課題】 複数の睡眠深度を含む睡眠状態を推定できる睡眠状態推定装置を提供する。【解決手段】 動物の睡眠中に取得した心拍間隔の変動の瞬時位相と、呼吸パターンの瞬時位相との間の瞬時位相差に基づいて算出した位相コヒーレンスを取得する位相コヒーレンス取得手段と、体動に関する体動情報を取得する体動情報取得手段、心拍に関する心拍情報を取得する心拍情報取得手段、又は呼吸に関する呼吸情報を取得する呼吸情報取得手段と、動物の睡眠中に取得した睡眠状態と、位相コヒーレンスと、体動情報、心拍情報又は呼吸情報とを含む基礎データベースに基づいて機械学習を用いることにより作成した睡眠状態推定モデルを内蔵した睡眠状態推定手段と、を含み、位相コヒーレンスと体動情報、心拍情報、及び呼吸情報から選ばれた１つ以上のデータと、を睡眠状態推定モデルに入力し、当該睡眠状態推定モデルからの演算結果に基づいて、前記動物の睡眠状態を推定する。【選択図】 図１

Description

本発明は、動物から取得した生体情報に基づいて、睡眠状態を推定する睡眠状態推定システムに関し、特に、動物の睡眠中に取得した心拍間隔の変動の瞬時位相と、前記心拍間隔の変動と同一時系列における前記動物の呼吸パターンの瞬時位相との間の瞬時位相差に基づいて算出した位相コヒーレンスに基づいて、睡眠状態を推定する睡眠状態推定システムに関する。

ヒトの睡眠はノンレム睡眠とレム睡眠に大別され、睡眠中に約９０分周期で繰り返すと言われている。客観的に眠りの質や量（睡眠周期や睡眠深度）を評価する為には、睡眠ポリグラフィが必要であり、医療機関での計測や医療機関から機器を借りてきて計測が行われるが、脳波や心電図、筋電図、眼電図などの複数のセンサが必要であり、取り扱いが煩雑である。また、複数のセンサを身体の各所に固定する必要があり、センサによる拘束で動きが制限されていた。睡眠中の無意識の動作によってセンサが外れる可能性もあり、センサが外れると信号が検出できず、状態を把握できない点でも問題があった。さらに、装置が大型であるため、個人で評価できるような指標ではなく、睡眠の質を個人が把握できる状況には至っていない。このため、個人が簡便にストレス状態や睡眠の質を把握できる生体計測手法とその装置が求められている。

特許文献１には、動物の睡眠中に取得した心拍間隔の変動の瞬時位相と、心拍間隔の変動と同一時系列における動物の呼吸パターンの瞬時位相との間の瞬時位相差に基づいて位相コヒーレンスを算出する位相コヒーレンス算出手段を含む睡眠状態測定装置が開示されており、心拍間隔の変動の瞬時位相と動物の呼吸パターンの瞬時位相との間の瞬時位相差に基づく位相コヒーレンスが、睡眠中の脳波におけるδ波と相関していることから、位相コヒーレンスを計測することにより、睡眠状態を測定することが開示されている。また、特許文献１では、シート型圧電センサを用いて、生体振動信号を検出し、生体振動信号から心拍間隔と呼吸パターン（実線）を取得し、さらに、呼吸性不整脈と呼吸パターンをヒルベルト変換し、解析信号から瞬時位相を求め、その位相差から位相コヒーレンスを算出することも開示されている。

特許第６３５８７６８号公報

睡眠は、大きくはレム睡眠とノンレム睡眠に分類されるが、ノンレム睡眠は、さらにステージＩからＩＶまでの４段階に分類される。ステージＩ（まどろみ期、入眠期）は、うとうとした状態であり、α波のリズムが失われ、徐々に平坦化する。ステージＩＩは、ステージＩよりは眠りが深い状態であり、睡眠紡錘波（ｓｐｉｎｄｌｅ）とＫ複合波が出現する。ステージＩＩＩは、かなり深い睡眠であり、δ波が２０％以上５０％未満を占める。ステージＩＶは、δ波が５０％以上を占める段階であり、最も深い睡眠状態である。ノンレム睡眠のステージＩＩＩ及びＩＶは、脳波が徐波を示すことから徐波睡眠とも呼ばれる。一方、レム睡眠は、覚醒時に似た低振幅速波パターンの脳波を示すのに、覚醒させるために徐波睡眠よりも強い刺激を必要とする深い睡眠状態であり、急速眼球運動を伴う。睡眠状態は、通常、約９０分の周期（睡眠周期）で変動し、ステージＩから徐々に睡眠が深くなり、その後、一旦睡眠が浅くなり、レム睡眠に移行する。ただし、睡眠時間にも影響し、睡眠の前半ではノンレム睡眠が優勢であり、後半はレム睡眠が優勢となることが多い。上記のように、脳波における周波数１～４Ｈｚのδ波は、徐波睡眠において観察されることから、δ波を睡眠の深さの指標とすることができる。

特許文献１に記載の睡眠状態測定装置は、睡眠状態等を判定する判定機能として、算出した位相コヒーレンスを閾値と比較して、閾値よりも大きい場合は深い睡眠であると判定し、小さい場合は浅い睡眠と判定すること、位相コヒーレンスが閾値よりも大きい値だった時間で睡眠の品質を評価すること、位相コヒーレンスの変動の周期によって睡眠の品質を評価することが開示されている。また、複数の数値を設定し、段階的に睡眠の質を評価してもよいことは開示されている。しかし、睡眠状態は、上記のとおり、非常に複雑なものであり、睡眠ポリグラフィで検出したような睡眠深度に対応する睡眠状態を推定できる睡眠状態推定装置の要望が存在する。

本発明は、上記の課題の少なくとも一部を解決することを目的とするものであり、実際の睡眠ポリグラフィで検出した睡眠状態のように、複数の睡眠深度を含む睡眠状態を推定できる睡眠状態推定装置を提供することを課題とする。

上記課題を解決するため、本発明の睡眠状態推定システムは、動物の睡眠中に取得した心拍間隔の変動の瞬時位相と、前記心拍間隔の変動と同一時系列における前記動物の呼吸パターンの瞬時位相との間の瞬時位相差に基づいて算出した位相コヒーレンスを取得する位相コヒーレンス取得手段と、前記心拍間隔の変動と同一時系列における前記動物の体動に関する体動情報を取得する体動情報取得手段、前記心拍間隔の変動と同一時系列における心拍に関する心拍情報を取得する心拍情報取得手段、又は前記心拍間隔の変動と同一時系列における呼吸に関する呼吸情報を取得する呼吸情報取得手段と、動物の睡眠中に取得した睡眠状態と、前記睡眠状態と同一時系列で測定したデータから算出した位相コヒーレンスと、前記睡眠状態と同一時系列で測定した体動情報、心拍情報又は呼吸情報とを含む基礎データベースに基づいて機械学習を用いることにより作成した睡眠状態推定モデルを内蔵した睡眠状態推定手段と、を含み、前記睡眠状態推定手段は、前記位相コヒーレンス取得手段によって取得した前記位相コヒーレンスと、前記体動情報取得手段によって取得した前記体動情報、前記心拍情報取得手段によって取得した前記心拍情報、及び前記呼吸情報取得手段によって取得した前記呼吸情報から選ばれた１つ以上のデータとを前記睡眠状態推定モデルに入力し、当該睡眠状態推定モデルからの演算結果に基づいて、前記動物の睡眠状態を推定することを特徴とする。

さらに、上記睡眠状態推定システムにおいて、睡眠状態推定モデルは、睡眠状態と、前記睡眠状態と同一時系列で測定したデータから算出した位相コヒーレンスと、少なくとも前記睡眠状態と同一時系列で測定した体動情報とを入力することにより学習したものであり、前記睡眠状態推定手段は、前記位相コヒーレンス取得手段によって取得した前記位相コヒーレンスと、少なくとも前記体動情報取得手段によって取得した前記体動情報とを前記睡眠状態推定モデルに入力し、当該睡眠状態推定モデルからの演算結果に基づいて、前記動物の睡眠状態を推定するものであってもよく、前記体動情報は、体動の回数、単位時間あたりの体動の頻度、又は単位時間当たりの体動信号の積分値であってもよい。

さらに、上記睡眠状態推定システムにおいて、前記睡眠状態推定モデルは、睡眠状態と、前記睡眠状態と同一時系列で測定したデータから算出した位相コヒーレンスと、少なくとも前記睡眠状態と同一時系列で測定した心拍情報とを入力することにより学習したものであり、前記睡眠状態推定手段は、前記位相コヒーレンス取得手段によって取得した前記位相コヒーレンスと、少なくとも前記心拍情報取得手段によって取得した前記心拍情報とを前記睡眠状態推定モデルに入力し、当該睡眠状態推定モデルからの演算結果に基づいて、前記動物の睡眠状態を推定するものであってもよく、前記心拍情報は、心拍数、心拍数の変動係数、心拍数の偏差、心拍数の偏差の変動係数、心拍数の標準偏差、心拍数の標準偏差の変動係数、心拍間隔、心拍間隔の変動係数、心拍間隔の偏差、心拍間隔の偏差の変動係数、心拍間隔の標準偏差、心拍間隔の標準偏差の変動係数、心拍間隔の変動、心拍間隔の変動の変動係数、呼吸性不整脈、及び呼吸性不整脈の変動係数からなる群から選択された２つ以上のデータであってもよい。

さらに、上記睡眠状態推定システムにおいて、前記睡眠状態推定モデルは、睡眠状態と、前記睡眠状態と同一時系列で測定したデータから算出した位相コヒーレンスと、少なくとも前記睡眠状態と同一時系列で測定した呼吸情報とを入力することにより学習したものであり、前記睡眠状態推定手段は、前記位相コヒーレンス取得手段によって取得した前記位相コヒーレンスと、少なくとも前記呼吸情報取得手段によって取得した前記呼吸情報とを前記睡眠状態推定モデルに入力し、当該睡眠状態推定モデルからの演算結果に基づいて、前記動物の睡眠状態を推定するものであってもよく、前記呼吸情報は、呼吸数、呼吸数の変動係数、呼吸数の偏差、呼吸数の偏差の変動係数、呼吸数の標準偏差、呼吸数の標準偏差の変動係数、呼吸間隔、呼吸間隔の変動係数、呼吸間隔の偏差、呼吸間隔の偏差の変動係数、呼吸間隔の標準偏差、呼吸間隔の標準偏差の変動係数、及び単位時間当たりの鼾の回数からなる群から選択された２つ以上のデータであってもよい。

さらに、上記睡眠状態推定システムにおいて、前記睡眠状態推定モデルは、睡眠状態と、前記睡眠状態と同一時系列で測定したデータから算出した位相コヒーレンスと、少なくとも前記睡眠状態と同一時系列で測定した単位時間あたりの体動の頻度、心拍数、心拍数の標準偏差、呼吸数、及び呼吸数の標準偏差とを入力することにより学習したものであり、前記睡眠状態推定手段は、位相コヒーレンス、単位時間あたりの体動の頻度、心拍数、心拍数の標準偏差、呼吸数、及び呼吸数の標準偏差を前記睡眠状態推定モデルに入力し、当該睡眠状態推定モデルからの演算結果に基づいて、前記動物の睡眠状態を推定するものであってもよい。

さらに、上記睡眠状態推定システムにおいて、前記心拍情報又は前記呼吸情報は、睡眠中に取得した心拍情報又は呼吸情報の平均値で正規化された変動係数であることが好ましい。

本発明の睡眠状態推定システムは、δ波の振幅と相関関係がある心拍間隔の変動の瞬時位相と呼吸パターンの瞬時位相との瞬時位相差の位相コヒーレンスに加えて、同一時系列における動物の体動に関する体動情報、心拍に関する心拍情報、又は呼吸に関する呼吸情報を取得し、動物の睡眠中に取得した睡眠状態と、睡眠状態と同一時系列で測定したデータから算出した位相コヒーレンスと、睡眠状態と同一時系列で測定した体動情報、心拍情報又は呼吸情報とを含む基礎データベースに基づいて機械学習を用いることにより作成した睡眠状態推定モデルを用いて、より精度の高い睡眠状態を無拘束で推定することができる。この結果、僅かセンサ１枚で、医学的に確立している睡眠ポリグラフィ検査を用いた睡眠段階判別法に相当する結果を得ることができるとともに、睡眠に係る詳細なデータ、具体的には入眠・起床時間、深い睡眠時間とその割合、ＲＥＭ睡眠時間、ＷＡＫＥ（覚醒）時間、睡眠効率、睡眠周期等の睡眠に係る多くの情報を取得することができる。

睡眠状態推定システムの概略ブロック図。 睡眠状態推定モード及び学習モードの概念図。 （Ａ）及び（Ｂ）は睡眠状態推定処理のフローチャート。 検出、算出した信号波形を示す図。 単純ベイズ法に基づき位相コヒーレンス（λ）のみで学習させた睡眠状態推定モデルの推定結果。 単純ベイズ法に基づき位相コヒーレンス（λ）、及び体動（ＢＭ）で学習させた睡眠状態推定モデルの推定結果。 単純ベイズ法に基づき位相コヒーレンス（λ）、体動（ＢＭ）、呼吸数の変動係数（ＣＶ_RR）、及び呼吸数の標準偏差の変動係数（ＣＶ_SDRR）で学習させた睡眠状態推定モデルの推定結果。 単純ベイズ法に基づき位相コヒーレンス（λ）、体動（ＢＭ）、呼吸数の変動係数（ＣＶ_RR）、呼吸数の標準偏差の変動係数（ＣＶ_SDRR）、及び心拍数の標準偏差の変動係数（ＣＶ_SDHR）で学習させた睡眠状態推定モデルの推定結果。 単純ベイズ法に基づき位相コヒーレンス（λ）、体動（ＢＭ）、呼吸数の変動係数（ＣＶ_RR）、呼吸数の標準偏差の変動係数（ＣＶ_SDRR）、心拍数の変動係数（ＣＶ_HR）、及び心拍数の標準偏差の変動係数（ＣＶ_SDHR）で学習させた睡眠状態推定モデルの推定結果。 ＬＳＴＭニューラルネットワークに基づいて学習させた睡眠状態推定モデルに対し、ＥＣＧに基づくデータを入力させた時の推定結果。 ＬＳＴＭニューラルネットワークに基づいて学習させた睡眠状態推定モデルに対し、ＢＣＧに基づくデータを入力させた時の推定結果。

［睡眠状態推定システム］
本発明の睡眠状態推定システム１は、図１に示すように、少なくとも情報取得部２及び情報処理部３を備えており、さらに睡眠状態推定システム１は、記憶部４、操作部５、及び出力部６を備えていてもよい。情報取得部２は、位相コヒーレンス取得手段２２、体動情報取得手段２３、心拍情報取得手段２４、呼吸情報取得手段２５の一つ又は複数を含んでおり、さらに、睡眠状態取得手段２６を含んでいてもよく、さらに他の情報（画像、音声、温度等）を取得する手段を含んでいてもよい。情報処理部３は、睡眠状態推定手段３１を含み、さらに、位相コヒーレンス算出手段３２、体動情報算出手段３３、心拍情報算出手段３４、呼吸情報算出手段３５の一つ又は複数を含んでいてもよく、さらに、睡眠状態推定モデル学習手段３６を含んでいてもよい。睡眠状態推定システム１は、１台の装置で実現されてもよいし、ネットワーク等で接続された複数の装置又は部品で実現されてもよい。例えば、センサと、センサが接続された携帯情報端末（たとえば、携帯電話、スマートフォン等）と、携帯情報端末とネットワークを介して接続されたサーバとによって、センサを情報取得部２とし、携帯情報端末を情報処理部３の一部である各種情報算出手段及び位相コヒーレンス算出手段とし、サーバを睡眠状態推定手段３１として、本発明の睡眠状態推定システム１を実現してもよい。なお、睡眠状態取得手段２６及び睡眠状態推定モデル学習手段３６は、睡眠状態推定システム１には必要な構成ではないが、睡眠状態測定システム１を睡眠状態推定モデル学習システムとして機能させる際に使用される。

情報取得部２は、睡眠状態の推定に必要な情報を取得するものであり、動物を計測するためのセンサ及びセンサの情報を有線又は無線で入力する入力部を含む構成であってもよいし、すでに計測又は算出済みの情報が記録された他の記録媒体からの情報を有線又は無線で入力可能な入力部を含む構成であってもよい。すなわち、情報取得部２は、少なくとも情報を入力する入力部を備えており、場合によっては入力部と有線又は無線で接続された生体情報を計測するためのセンサを備えていてもよい。情報取得部２は、取得する情報によって、位相コヒーレンス取得手段２２、体動情報取得手段２３、心拍情報取得手段２４、呼吸情報取得手段２５、睡眠状態取得手段２６等として機能する。

情報処理部３は、入力された情報を処理するものであり、例えば、コンピュータのＣＰＵ（中央処理装置）の演算処理機能を利用することができる。また、情報処理の中には、デジタル回路ではなくアナログ回路で実現することも可能である。例えば、情報処理として周波数フィルタを行う場合は、コンデンサや抵抗及びオペアンプ等で構成されたローパスフィルタ（ＬＰＦ）やハイパスフィルタ（ＨＰＦ）のアナログフィルタで実現してもよいし、ＣＰＵの演算処理機能によってフィルタリングを行なうデジタルフィルタで実現してもよい。情報処理部３は、情報処理の種類に応じて、デジタル回路とアナログ回路の両方を含んでいてもよいし、入力される情報がアナログであれば、アナログ－デジタル変換回路によってデジタル信号に変換してもよい。情報処理部３は、入力される情報によって必要となる機能又は処理が異なるが、処理する情報に応じて、睡眠状態推定手段３１、位相コヒーレンス算出手段３２、体動情報算出手段３３、心拍情報算出手段３４、呼吸情報算出手段３５、睡眠状態推定モデル学習手段３６等として機能する。

位相コヒーレンス取得手段２２は、すでに算出された位相コヒーレンスを有線又は無線で入力可能な入力部でもよいし、位相コヒーレンスを算出するために必要な情報を情報取得部２に入力し、その情報から位相コヒーレンス算出手段３２によって算出した位相コヒーレンスを取得してもよい。位相コヒーレンス算出手段３２は、各種の情報から位相コヒーレンスを算出する手段である。位相コヒーレンスを算出するためには、例えば、次のような情報を入力して算出することができる。Ａ）情報取得部２に、同一時系列における心拍間隔の変動の瞬時位相と呼吸パターンの瞬時位相との瞬時位相差を入力し、情報処理部３の位相コヒーレンス算出手段３２によって入力された瞬時位相差を用いて位相コヒーレンスを算出する。Ｂ）情報取得部２の心拍情報取得手段２４及び呼吸情報取得手段２５に、同一時系列における心拍間隔の変動の瞬時位相及び呼吸パターンの瞬時位相を入力し、情報処理部３が、両者の瞬時位相差を算出する瞬時位相差算出機能を有し、瞬時位相差算出機能によって両者の瞬時位相差を算出し、算出された瞬時位相差を用いて位相コヒーレンス算出手段３２によって位相コヒーレンスを算出する。Ｃ）情報取得部２の心拍情報取得手段２４及び呼吸情報取得手段２５に、同一時系列における心拍間隔の変動及び呼吸パターンを入力（センサによる検出結果の入力を含む）し、情報処理部３の心拍情報算出手段３４及び呼吸情報算出手段３５が、それぞれ心拍間隔の変動の瞬時位相及び呼吸パターンの瞬時位相を算出し、算出された瞬時位相を用いて瞬時位相差算出機能及び位相コヒーレンス算出手段３２によって位相コヒーレンスを算出する。Ｄ）情報取得部２の心拍情報取得手段２４及び呼吸情報取得手段２５に、心拍に関する情報を含んだ生体情報及び呼吸に関する情報を含んだ生体情報を入力（センサによる検出結果の入力を含む）し、情報処理部３の心拍情報算出手段３４及び呼吸情報算出手段３５が、心拍間隔算出機能及び呼吸パターン算出機能を有し、心拍間隔算出機能によって心拍の情報を含んだ生体情報から心拍間隔の変動を算出し、呼吸パターン算出機能によって呼吸パターンの情報を含んだ生体情報から呼吸パターンを算出し、その後、上記Ｃ）と同様の処理を行う。Ｅ）情報取得部２に、心拍に関する情報及び呼吸に関する情報の両方を含む生体情報を入力（センサによる検出結果の入力を含む）し、情報処理部３の心拍情報算出手段３４及び呼吸情報算出手段３５が、かかる生体情報から心拍の情報及び呼吸パターンの情報を算出し、検出又は算出した心拍の情報又は呼吸パターンの情報を用いてその後の処理をしてもよい。

位相コヒーレンスは、呼吸に伴う心拍間隔の変動の瞬時位相ψ_h（ｔ）と呼吸パターンの瞬時位相ψ_r（ｔ）とを算出し、これらの差（瞬時位相差）を算出し、算出された瞬時位相差を使用して算出される。心拍間隔の変動の瞬時位相ψ_h（ｔ）は、心拍間隔のデータから呼吸に伴う心拍間隔変動の時間的変化（Ｓ（ｔ））を算出し、心拍間隔変動の時間的変化（Ｓ（ｔ））を下記式（１）で表されるヒルベルト変換により解析信号にすることによって算出できる。なお、式（１）及び式（２）のＨ［…］はヒルベルト変数であり、Ｐ．Ｖ．はコーシーの主値を意味する。

また、呼吸パターンの瞬時位相ψ_r（ｔ）は、呼吸パターンの情報から、呼吸パターン時間的変化（Ｒ（ｔ））を算出し、呼吸パターンの時間的変化（Ｒ（ｔ））を下記式（２）で表されるヒルベルト変換することによって算出できる。

瞬時位相差Ψ（ｔ）は、式（１）及び式（２）によって算出された心拍間隔の変動の瞬時位相ψ_h（ｔ）及び呼吸パターンの瞬時位相ψ_r（ｔ）を用いて、次の式（３）で算出できる。
Ψ（ｔ）＝ψ_h（ｔ）－ψ_r（ｔ）+２ｎπ （３）
ここで、ｎは－π≦Ψ≦πとなる適当な整数である。

そして、これらから時刻ｔ_k における位相コヒーレンスを下記式（４）から算出することができる。式（４）のＮはサンプリングされたデータ数であり、Ｎ個平均して求める。

位相コヒーレンスは、０～１の値をとり、心拍間隔の変動と呼吸パターンの瞬時位相差が一定の関係に近いほど１に近づき、瞬時位相差がランダムになるほど０に近づく。δ波の振幅が大きくなると位相コヒーレンス（λ）が１に近づき、δ波の振幅が小さくなると位相コヒーレンス（λ）が０に近づく傾向がある。また、安静リラックス時には位相コヒーレンスが１に近く、精神ストレスがかかると位相コヒーレンスが低下するので、心理ストレスを正規化した指標で推定することも可能である。

体動情報取得手段２３は、すでに算出された体動情報を有線又は無線で入力可能な入力部でもよいし、各種センサによる検出結果を入力し、情報処理部３の体動情報算出手段３３によって検出結果から算出した体動情報を取得してもよい。体動情報算出手段３３は、各種の情報から体動情報を算出する手段であり、センサの種類又は入力される信号に応じて適宜適当な処理が選択される。体動情報は、機械学習に使用可能な要素であり、例えば、体動の回数、所定時間内における体動の頻度、所定時間内における体動信号の積分値等を含んでもよい。所定時間は、データ切り取りの単位であり、他の入力データにおける単位時間に合わせることが好ましく、例えば、１０秒、２０秒、３０秒、４０秒、５０秒、１分等を設定してもよい。体動情報を取得するセンサとしては、例えば、圧電センサ等の振動センサ、加速度センサ、電磁波により体の動きを検知できる電磁波体動センサ等を使用することができる。振動センサで検出した生体振動信号は、通常、心臓の拍動による心弾動、呼吸による振動、体動、発声、外部環境等に基づく振動も含まれるため、体動情報算出手段３３は、例えば、下限周波数が１０Ｈｚ以上のハイパスフィルタ（ＨＰＦ）又はバンドパスフィルタ（ＢＰＦ）を通過させて、生体振動信号から体動に起因する振動信号を分離抽出する。体動に起因する振動信号について、例えば、算出した体動に起因する振動信号について、閾値として所定の強度を設定し、閾値を越えたピーク数をカウントして、体動情報として体動の回数を算出してもよいし、さらに所定時間を設定し、所定時間内における体動の回数をカウントして、体動情報として所定時間内における体動の頻度を算出してもよい。また、所定時間内における体動信号を積分して積分値を算出してもよい。

心拍情報取得手段２４は、すでに算出された心拍情報を有線又は無線で入力可能な入力部でもよいし、各種センサによる検出結果を入力し、情報処理部３の心拍情報算出手段３４によって算出した心拍情報を取得してもよい。心拍情報算出手段３４は、各種の情報から心拍情報を算出する手段であり、センサの種類又は入力される信号に応じて適宜適当な処理が選択される。心拍情報は、機械学習に使用可能な要素であり、例えば、心拍数（ＨＲ）、心拍数の変動係数（ＣＶ_HR）、心拍数の偏差（Ｄ_HR）、心拍数の偏差の変動係数（ＣＶ_DHR）、心拍数の標準偏差（ＳＤ_HR）、心拍数の標準偏差の変動係数（ＣＶ_SDHR）、心拍間隔（ＲＲＩ）、心拍間隔の変動係数（ＣＶ_RRI）、心拍間隔の偏差（Ｄ_RRI）、心拍間隔の偏差の変動係数（ＣＶ_DRRI）、心拍間隔の標準偏差（ＳＤ_RRI）、心拍間隔の標準偏差の変動係数（ＣＶ_SDRRI）、心拍間隔の変動（Ｖ_RRI）、心拍間隔の変動の変動係数（ＣＶ_VRRI）、心拍間隔の変動の瞬時位相（ψ_h（ｔ））、呼吸性不整脈（ＲＳＡ）、及び呼吸性不整脈の変動係数（ＣＶ_RSA）等を含んでもよい。心拍情報の各データは、睡眠中に取得した全データの平均値で正規化した変動係数を使用することが好ましい。例えば、心拍情報として心拍数を睡眠状態推定モデル３１１に入力する場合は、取得した心拍数の全データの平均との比（各心拍数／平均値）を算出し、正規化された心拍数の変動係数を入力してもよい。心拍情報及び／又は呼吸情報を正規化することにより、測定対象の動物における個体差を埋めてより睡眠状態推定モデルの汎用性を高めることができ、また、測定精度が向上する。ただし、睡眠中の全データを取得して平均値を算出してから変動係数を算出するため、リアルタイムで睡眠状態を推定することができない。このため、変動係数ではなく生データ（心拍数、呼吸数等）を使用してリアルタイムの睡眠状態を算出してもよく、さらに後から変動係数を用いた睡眠状態を算出してもよい。心拍情報を取得するセンサとしては、例えば、心電図計測用センサ、脈波センサ、振動センサ等を使用することができる。心拍情報算出手段３４は、例えば、心電図計測用センサで検出した心電図波形や脈波センサで検出した脈波から、必要に応じてノイズ（例：呼吸の成分等）を取り除き、各種の心拍情報を算出できる。また、振動センサで検出した生体振動信号は、通常、心臓の拍動による心弾動、呼吸による振動、体動、発声、外部環境等に基づく振動も含まれるため、心拍情報算出手段３４は、例えば、０．５Ｈｚ～１０Ｈｚのバンドパスフィルタ（ＢＰＦ）を通過させて、生体振動信号から心臓の拍動による心弾動を分離抽出する。さらに、分離抽出した心弾動に基づいて、各種の心拍情報を算出できる。

呼吸情報取得手段２５は、すでに算出された呼吸情報を有線又は無線で入力可能な入力部でもよいし、各種センサによる検出結果を入力し、情報処理部３の呼吸情報算出手段３５によって算出した呼吸情報を取得してもよい。呼吸情報算出手段３５は、各種の情報から呼吸情報を算出する手段であり、センサの種類又は入力される信号に応じて適宜適当な処理が選択される。呼吸情報は、機械学習に使用可能な要素であり、例えば、呼吸数（ＲＲ）、呼吸数の変動係数（ＣＶ_RR）、呼吸数の偏差（Ｄ_RR) 、呼吸数の偏差の変動係数（ＣＶ_DRR）、呼吸数の標準偏差（ＳＤ_RR) 、呼吸数の標準偏差の変動係数（ＣＶ_SDRR）、呼吸間隔（ＢＩ）、呼吸間隔の変動係数（ＣＶ_BI）、呼吸間隔の偏差（Ｄ_BI）、呼吸間隔の偏差の変動係数（ＣＶ_DBI）、呼吸間隔の標準偏差（ＳＤ_BI）、呼吸間隔の標準偏差の変動係数（ＣＶ_SDBI）、及び単位時間当たりの鼾の回数、呼吸パターンの瞬時位相（ψ_r（ｔ））等を含んでもよい。呼吸情報の各データは、睡眠中に取得した全データの平均値で正規化した変動係数を使用することが好ましい。例えば、心拍情報として呼吸数を睡眠状態推定モデル３１１に入力する場合は、取得した呼吸数の全データの平均との比（各呼吸数／平均値）を算出し、正規化された呼吸数の変動係数を入力してもよい。呼吸情報を取得するセンサとしては、例えば、呼吸センサ、心電図計測用センサ、脈波センサ、圧電センサ等の振動センサ、電磁波により胸郭の動きを検知できる電磁波呼吸センサ等を使用することができる。呼吸情報算出手段３５は、例えば、呼吸センサで検出した呼吸パターンの時間変化の信号から、必要に応じてノイズ（例：いびき、寝言等に起因する信号）を取り除き、各種の呼吸情報を算出できる。また、心電図計測用センサで検出した心電図波形、脈波センサで検出した脈波、振動センサで検出した生体振動信号については、呼吸情報算出手段３５は、例えば、上限周波数が１Ｈｚ以下のローパスフィルタ（ＬＰＦ）又はバンドパスフィルタ（ＢＰＦ）を通過させて、呼吸成分を分離抽出し、さらに、分離抽出した呼吸成分に基づいて、各種の呼吸情報を算出できる。

情報取得部２が情報取得手段として振動を計測する振動センサを含む場合、振動センサは、接触式でも非接触式でもよい。接触型の振動を計測するセンサの場合は、動物に直接又は間接的に接触させて配置することによって、心弾動図波形又は生体振動信号を検出することができる。心弾動図波形又は生体振動信号を検出するための接触型の振動を計測するセンサは、振動を発生する種々の生物に直接又は近傍に配置され、生物からの振動を検出し電気信号として出力できれば足りる。振動を計測するセンサとしては、圧電センサとしてピエゾ素子が好適に用いられるが、その他のセンサ、例えば高分子圧電体（ポリオレフィン系材料）を用いてもよい。ピエゾ素子の素材としては、例えば、多孔性ポリプロピレンエレクトレットフィルム（ＥｌｅｃｔｒｏＭｅｃｈａｎｉｃａｌ Ｆｉｌｍ（ＥＭＦＩ））、またはＰＶＤＦ（ポリフッ化ビニリデンフィルム）、またはポリフッ化ビニリデンと三フッ化エチレン共重合体（Ｐ（ＶＤＦ－ＴｒＦＥ））、又はポリフッ化ビニリデンと四フッ化エチレン共重合体（Ｐ（ＶＤＦ－ＴＦＥ））を用いてもよい。圧電センサとしては、フィルム状であることが好ましい。さらに、圧電センサの場合、動物を拘束せずに心弾動図波形又は生体振動信号を取得することが可能であり、よりストレスフリーで測定できるので好ましい。ただし、圧電センサは、リストバンド、ベルト、腕時計、指輪、ヘッドバンド等に取り付けて、動物に装着してウェアラブルセンサとして利用することもできる。また、その他の種類の振動を計測するセンサとして、例えば、高感度の加速度センサを用いて、腕時計、携帯端末のように体と接触させて、あるいはベッド、椅子等の一部に加速度センサを設置して心弾動図波形又は生体振動信号を取得してもよいし、チューブ内の空気圧又は液体圧の変化を圧力センサ等で検知して、心弾動図波形又は生体振動信号を取得してもよい。さらに、振動を計測するセンサとして、マイクロ波等を用いた信号受発信に伴って非接触で心弾動図波形又は生体振動信号を取得できる非接触式のセンサを利用してもよい。マイクロ波としてはマイクロ波ドップラーセンサ、ＵＷＢ（ウルトラワイドバンド）インパルスの反射遅延時間を測定し、対象物との距離を測定する受信波による心弾動図波形又は生体振動信号、マイクロ波以外の電磁波を用いて得られた心弾動図波形又は生体振動信号、ＬＥＤ光を使った反射又は透過光から得られる心弾動図波形又は生体振動信号、さらには、超音波の反射波から得られる心弾動図波形又は生体振動信号を使用してもよい。これらのマイクロ波等を用いたセンサは、小型化が可能であり、非接触かつ非拘束で信号を取得でき、遠隔から信号を取得できる。なお、加速度センサも小型化が可能である。

睡眠状態推定手段３１は、睡眠状態推定モデル３１１を内蔵しており、図２（Ａ）に示すように、情報取得部２によって取得した情報を入力データとして睡眠状態推定モデル３１１に入力し、当該睡眠状態推定モデル３１１からの演算結果に基づいて出力された動物の睡眠状態を推定結果として取得する。推定結果である睡眠状態は、必要に応じて出力部６を介して出力する。睡眠状態推定モデル３１１に入力する情報は、睡眠状態推定モデル３１１を作成する際に入力した情報であり、少なくとも位相コヒーレンス取得手段によって取得した位相コヒーレンスを含み、さらに、体動情報取得手段によって取得した体動情報、心拍情報取得手段によって取得した心拍情報、呼吸情報取得手段によって取得した呼吸情報、から選ばれた１つ以上のデータを含む。特に、睡眠状態推定モデル３１１は、位相コヒーレンス及び体動情報を入力して作成することが好ましく、さらに、位相コヒーレンスと体動情報とに加えて、２つ以上の心拍情報及び／又は２つ以上の呼吸情報を入力して作成してもよい。例えば、位相コヒーレンス（λ）、単位時間（２０秒）あたりの体動の頻度（ＢＭ）、心拍数の変動係数（ＣＶ_HR）、心拍数の標準偏差の変動係数（ＣＶ_SDHR）、呼吸数の変動係数（ＣＶ_RR）、呼吸数の標準偏差の変動係数（ＣＶ_SDRR）の６つのデータによって睡眠状態推定モデル３１１を作成した場合、睡眠状態推定手段３１は、情報取得部２で取得した、及び／又は情報処理部３で算出した６つのデータを睡眠状態推定モデル３１１に入力し、出力された睡眠状態を取得する。

睡眠状態推定モデル３１１は、入力された位相コヒーレンスを含む複数のデータに基づいて、入力された複数のデータを取得した際の動物の睡眠状態がどの状態（覚醒状態、レム睡眠状態、ノンレム睡眠状態又はその段階（Ｎ１，Ｎ２，Ｎ３，Ｎ４））かを演算して推定する情報（プログラム又はデータ構造）である。また、睡眠状態推定モデル学習手段３６は、図２（Ｂ）に示すように、睡眠状態推定モデル３１１を作成する際に使用され、睡眠状態と、対応する位相コヒーレンスと、追加の入力データとを含む基礎データベース４１に基づいて機械学習を用いることにより睡眠状態推定モデル３１１を作成する。すなわち、基礎データベース４１に蓄積された睡眠状態と、対応する位相コヒーレンスと、追加の入力データとを含むビッグデータから、必要なデータを睡眠状態推定モデル３１１に入力し、学習させる。例えば、睡眠状態推定モデル学習手段３６は、睡眠状態取得手段２６で取得した睡眠状態と、睡眠状態と同一時系列で測定したデータから算出した位相コヒーレンスとを含み、さらに、睡眠状態と同一時系列で測定した体動情報取得手段によって取得した体動情報、心拍情報取得手段によって取得した心拍情報、呼吸情報取得手段によって取得した呼吸情報の１つ以上のデータとを睡眠状態推定モデル３１１に入力する。機械学習に用いられる学習方法の例としては、単純ベイズ分類器、ニューラルネットワーク、ディープラーニング、決定木、アンサンブル学習法、サポートベクターマシン、判別分析、最近傍法等が挙げられる。これらは１種を単独で用いてもよく、２種以上を組み合わせて用いてもよい。機械学習に用いられるニューラルネットワークの例としては、畳み込みニューラルネットワーク（ＣＮＮ：Convolutional Neural Network）や、再帰型ニューラルネットワーク（ＲＮＮ：Recurrent Neural Network）や、長期・短期記憶（ＬＳＴＭ：Long Short-Term Memory）ニューラルネットワーク（ＬＳＴＭを用いて再帰型ニューラルネットワークを改良したもの）等が挙げられる。睡眠状態の状態遷移傾向を捉えるためには、学習方法として再帰的な結合をもつニューラルネットワーク（ＣＮＮ、ＬＳＴＭ）を用いることが好ましい。

記憶部４は、情報取得部２で取得した情報や、情報処理部３で算出した結果、判定機能で判定した結果などを記憶することができ、基礎データベース４１を有している。基礎データベース４１は、ビッグデータとして、動物の睡眠中に取得した睡眠状態と、前記睡眠状態と同一時系列で測定したデータから算出した位相コヒーレンスと、前記睡眠状態と同一時系列で測定した体動情報、心拍情報及び／又は呼吸情報とが格納されている。さらに、基礎データベース４１には、測定対象となる動物の種類、性別、年齢、身長、体重などの身体情報や、測定日の日付、睡眠時間、就寝時刻、起床時刻、季節などの時間情報、測定場所の気温、湿度、天気、騒音などの環境情報を含んでいてもよい。基礎データベース４１に格納されている個々の睡眠状態と、その状態に対応する位相コヒーレンスと、各種の体動情報、心拍情報及び／又は呼吸情報とは、睡眠状態推定モデル３１１の学習に使用される。さらに、身体情報、時間情報、及び／又は環境情報も特徴変数として睡眠状態推定モデル３１１に入力してもよい。また、身体情報、時間情報、及び／又は環境情報に応じて複数の睡眠状態推定モデル３１１を作成してもよく、例えば、年代別（１０代、２０代、３０～５０代）成人男性を対象とする睡眠状態推定モデル、昼間に睡眠した場合の睡眠状態推定モデル、最低気温が２５度以上の熱帯夜における睡眠状態推定モデル等を作成し、睡眠状態を推定する測定対象の状況に応じて睡眠状態推定モデルを変更してもよい。

操作部５は、使用者が睡眠状態測定装置１を操作するためのスイッチ、タッチパネル、ボタン、つまみ、キーボード、マウス、音声入力用マイク等の操作端子が設けられている。また操作部５には、操作内容等を表示するディスプレイが設けられていてもよい。出力部６は、推定した睡眠状態を出力してもよいし、取得した各種情報を出力してもよい。出力部６としては、結果を画像で表示するディスプレイ、結果を紙で出力するプリンター、結果を音声で出力するスピーカー、結果を電子情報で出力する有線又は無線の出力端子などを使用することができる。なお、出力部６としてのディスプレイを操作部５におけるタッチパネルや操作内容等を表示するディスプレイと兼用させる構成であってもよい。

図３（Ａ）は、睡眠状態推定システム１の一実施態様における睡眠状態推定処理のフローチャートである。Ｓ１において、睡眠状態推定システム１は、情報取得部２によって位相コヒーレンス及び睡眠状態推定モデル３１１に入力する同一時系列のデータを取得する。Ｓ２において、睡眠状態推定手段３１は、位相コヒーレンス及び取得したデータを睡眠状態推定モデル３１１に入力する。Ｓ３において、睡眠状態推定モデル３１１は、入力された位相コヒーレンス及びデータから、最も確率の高い動物の睡眠状態を演算する。Ｓ４において、睡眠状態推定モデル３１１は、演算の結果、最も確率の高かった睡眠状態を入力された位相コヒーレンス及びデータを測定した時の動物の睡眠状態であると推定して出力する。

図３（Ｂ）は、睡眠状態推定システム１の他の実施態様における睡眠状態推定処理のフローチャートである。Ｓ１１において、睡眠状態推定システム１は、振動センサで検出した動物の生体振動信号を取得する。Ｓ１２において、情報処理部３は、取得した生体振動信号から各種情報を算出する。体動情報算出手段３３は、生体振動信号から体動情報を算出し、心拍情報算出手段３４は、生体振動信号から心拍情報として少なくとも心拍間隔の変動の瞬時位相を算出し、呼吸情報算出手段３５は、生体振動信号から呼吸情報として少なくとも呼吸パターンの瞬時位相を算出する。Ｓ１３において、位相コヒーレンス算出手段３２は、心拍情報算出手段３４及び呼吸情報算出手段３５で算出した心拍間隔の変動の瞬時位相と呼吸パターンの瞬時位相とから、それらの瞬時位相差の位相コヒーレンスを算出する。Ｓ１４において、算出した心拍情報及び呼吸情報を睡眠中のデータの全部の平均値で正規化する。正規化処理は、情報処理部２において実行され、基礎データベース４１に格納された睡眠中の全データから平均値を算出し、算出した平均値により心拍情報及び呼吸情報を正規化する。その後、Ｓ１５において、睡眠状態推定手段３１は、位相コヒーレンス及び正規化したデータを睡眠状態推定モデル３１１に入力する。Ｓ１６において、睡眠状態推定モデル３１１は、入力された位相コヒーレンス及びデータから、最も確率の高い動物の睡眠状態を演算する。Ｓ１７において、睡眠状態推定モデル３１１は、演算の結果、最も確率の高かった睡眠状態を入力された位相コヒーレンス及びデータを測定した時の動物の睡眠状態であると推定して出力する。

［実施例１］単純ベイズ分類器によるモデル
本実施例では、単純ベイズ分類器に基づいて学習させた睡眠状態推定モデルを用いて睡眠状態を推定した。学習時及び推定時における入力データは、下記１－１（図５）では位相コヒーレンス（λ）のみであり、下記１－２（図６）では位相コヒーレンス（λ）及び単位時間（２０秒）あたりの体動の頻度（ＢＭ）の２データであり、下記１－３（図７）では位相コヒーレンス（λ）、単位時間（２０秒）あたりの体動の頻度（ＢＭ）、呼吸数の変動係数（ＣＶ_RR）、及び呼吸数の標準偏差の変動係数（ＣＶ_SDRR）の４データであり、下記１－４（図８）では位相コヒーレンス（λ）、単位時間（２０秒）あたりの体動の頻度（ＢＭ）、呼吸数の変動係数（ＣＶ_RR）、呼吸数の標準偏差の変動係数（ＣＶ_SDRR）、及び心拍数の標準偏差の変動係数（ＣＶ_SDHR）の５データであり、下記１－５（図９）では位相コヒーレンス（λ）、単位時間（２０秒）あたりの体動の頻度（ＢＭ）、呼吸数の変動係数（ＣＶ_RR）、呼吸数の標準偏差の変動係数（ＣＶ_SDRR）、心拍数の変動係数（ＣＶ_HR）、及び心拍数の標準偏差の変動係数（ＣＶ_SDHR）の６データである。

図４は、睡眠状態推定モデルに入力する入力データの一例である。図４（Ａ）は、睡眠状態の時系列のグラフであり、縦軸のＷＫは覚醒状態（起きている状態）、ＲＥＭはレム睡眠状態、Ｎ１はノンレム睡眠のステージＩ、Ｎ２はノンレム睡眠のステージＩＩ、Ｎ３はノンレム睡眠のステージＩＩＩ及びＩＶの状態を指し、横軸は時間（分）である。図４（Ａ）では、約１８０分の時点で就寝し、その後、短時間Ｎ１、Ｎ２状態となった後、一度覚醒し、すぐに段階的にＮ３まで至り、Ｎ２、ＲＥＭ状態を周期的に移行している。図４（Ｂ）は、心拍情報の時系列のグラフであり、心拍数の変動係数（ＣＶ_HR）及び心拍数の標準偏差の変動係数（ＣＶ_SDHR）であり、それらはそれぞれの平均値で除して、平均値が１となるように正規化している。図４（Ｃ）は、呼吸情報の時系列のグラフであり、呼吸数の変動係数（ＣＶ_RR）及び呼吸数の標準偏差の変動係数（ＣＶ_SDRR）であり、それらはそれぞれの平均値で除して、平均値が１となるように正規化している。図４（Ｄ）は、位相コヒーレンス（λ）の時系列のグラフであり、位相コヒーレンスは０～１の値をとり、δ波の振幅が大きくなると位相コヒーレンス（λ）が１に近づき、δ波の振幅が小さくなると位相コヒーレンス（λ）が０に近づく傾向がある。図４（Ｅ）は、体動（ＢＭ）の時系列のグラフであり、２０秒毎に体動信号を積分して得られた体動の頻度である。

図４の各データは、次のようにして算出した。図４（Ａ）は睡眠ポリグラフィ検査を用いて国際的に使用されている睡眠段階判定基準に基づいて判定した睡眠段階である。２０秒毎の心電図（ＥＣＧ）及び呼吸流速計で計測した呼吸波形のデータから位相コヒーレンス、心拍数、心拍数の標準偏差、呼吸数、呼吸数の標準偏差を求めた。体動は生体振動信号（ＢＣＧ）から求めており、ＢＣＧの生信号の２×標準偏差を閾値としてこれを上回る信号のみを２０秒毎に積算して算出した。これらを１０秒ずらしながら睡眠時間全域に亘って計算した。睡眠ポリグラフィ検査における睡眠段階は３０秒エポック（区間）で判定されているので、全ての計測データは３０秒間隔で線形補間した。補間した心拍数、心拍数の標準偏差、呼吸数及び呼吸数の標準偏差については、それぞれ睡眠中の全データの平均値を算出し、心拍数の変動係数（ＣＶ_HR）＝心拍数／心拍数の平均値、心拍数の標準偏差の変動係数（ＣＶ_SDHR）＝心拍数の標準偏差／心拍数の標準偏差の平均値、呼吸数の変動係数（ＣＶ_RR）＝呼吸数／呼吸数の平均値、及び呼吸数の標準偏差の変動係数（ＣＶ_SDRR）＝呼吸数の標準偏差／呼吸数の標準偏差の平均値の式により、各変動係数を算出して正規化した。

算出した入力データを単純ベイズ分類器により、Ｌｅａｖｅ－ｏｎｅ－ｏｕｔ法で被験者毎に睡眠段階を推定した。推定精度は、線形重み付き一致度ならびにＣｏｈｅｎ’ｓ ｋａｐｐａ係数で評価した。ここで、線形重み付き一致度とは、完全に一致した場合だけではなく、一致していない場合も考慮した一致度であり、本実施例では一次の重み付けとし、ｋ段階の推定で、推定結果がｉ段階、真値がｊ段階のとき 重み係数は１―｜ｉ－ｊ｜／（ｋ－１）となる。つまり、５段階の睡眠状態（ＷＫ、ＲＥＭ、Ｎ１、Ｎ２、Ｎ３）について、推定結果（推定した睡眠状態）と真値（実測の睡眠状態）とが一致（ｉ＝ｊ）していれば１、１段階（｜ｉ－ｊ｜＝１）ずれていれば３／４（０．７５）、２段階（｜ｉ－ｊ｜＝２）ずれていれば１／２、３段階（｜ｉ－ｊ｜＝３）ずれていれば１／４、４段階（｜ｉ－ｊ｜＝４）ずれていれば０となる。また、Ｃｏｈｅｎ’ｓ Ｋａｐｐａ係数κは、推定結果（推定した睡眠状態）と真値（実測の睡眠状態）の一致度を評価する指標であり、κ＝（Ｐｏ－Ｐｅ）／（１－Ｐｅ）（ただし、Ｐｏ：観測された重み付け一致度の割合、Ｐｅ：偶然一致する割合）で算出される。評価の指標としては、次のとおりである。
κ＜０：ほとんど一致していない（ｐｏｏｒ）
０＜κ≦０．２：わずかに一致（ｓｌｉｇｈｔ）
０．２＜κ≦０．４：一応一致（ｆａｉｒ）
０．４＜κ≦０．６：中程度一致（ｍｏｄｅｒａｔｅ）
０．６＜κ≦０．８：実質的に一致（ｓｕｂｓｔａｎｔｉａｌ）
０．８＜κ：完全一致（ｐｅｒｆｅｃｔ）

１－１ 位相コヒーレンスを入力
図５（Ａ）は、睡眠状態の実測値であり、図５（Ｂ）は、位相コヒーレンス（λ）のみを入力データとして学習させた睡眠状態推定モデルに対して位相コヒーレンスを入力した時の推定結果であり、図５（Ｃ）は、その推定結果と真値（実測値）との対応表である。対応表は、推定結果を行、真値を列とした表であり、左上から右下の対角線上のセルは、推定結果と真値とが一致しているセルであり、該当するデータ数が記載されている。つまり、推定結果がＷＫで実測値もＷＫであれば、一番左上のセルに該当し、推定結果がＷＫで実測値がＲＥＭであれば、その右側のセルに該当する。図５（Ｃ）に示すとおり、一致率は８４．３％であり、Ｃｏｈｅｎ’ｓ Ｋａｐｐａ係数は０．４１０と中程度一致の評価となった。

１－２ 位相コヒーレンス及び体動を入力
図６（Ａ）は、睡眠状態の実測値であり、図６（Ｂ）は、位相コヒーレンス（λ）及び体動（ＢＭ）を入力データとして睡眠状態を学習させた睡眠状態推定モデルに対し、位相コヒーレンス及び体動を入力した時の推定結果であり、図６（Ｃ）は、その推定結果と真値（実測値）との対応表である。図６（Ｃ）に示すとおり、一致率は８５．３％であり、Ｃｏｈｅｎ’ｓ Ｋａｐｐａ係数は０．４９８と中程度一致の評価となった。このように、少なくとも位相コヒーレンス及び体動を入力することにより、睡眠状態の一致度及び信頼性が高くなる。

１－３ 位相コヒーレンス、体動、呼吸数及び呼吸数の標準偏差を入力
図７（Ａ）は、睡眠状態の実測値であり、図７（Ｂ）は、位相コヒーレンス（λ）、体動（ＢＭ）、呼吸数の変動係数（ＣＶ_RR）、及び呼吸数の標準偏差の変動係数（ＣＶ_SDRR）を入力データとして睡眠状態を学習させた睡眠状態推定モデルに対し、位相コヒーレンス、体動、呼吸数の変動係数、及び呼吸数の標準偏差の変動係数を入力した時の推定結果であり、図７（Ｃ）は、その推定結果と真値（実測値）との対応表である。図７（Ｃ）に示すとおり、一致率は８９．３％であり、Ｃｏｈｅｎ’ｓ Ｋａｐｐａ係数は０．６３９と実質的に一致の評価となった。

１－４ 位相コヒーレンス、体動、呼吸数、呼吸数の標準偏差及び心拍数の標準偏差を入力
図８（Ａ）は、睡眠状態の実測値であり、図８（Ｂ）は、位相コヒーレンス（λ）、体動（ＢＭ）、呼吸数の変動係数（ＣＶ_RR）、呼吸数の標準偏差の変動係数（ＣＶ_SDRR）、及び心拍数の標準偏差の変動係数（ＣＶ_SDHR）を入力データとして睡眠状態を学習させた睡眠状態推定モデルに対し、位相コヒーレンス、体動、呼吸数の変動係数、呼吸数の標準偏差の変動係数、及び心拍数の標準偏差の変動係数を入力した時の推定結果であり、図８（Ｃ）は、その推定結果と真値（実測値）との対応表である。図８（Ｃ）に示すとおり、一致率は８９．２％であり、Ｃｏｈｅｎ’ｓ Ｋａｐｐａ係数は０．５６５と中程度一致の評価となった。

１－５ 位相コヒーレンス、体動、呼吸数、呼吸数の標準偏差、心拍数の標準偏差及び心拍数を入力
図９（Ａ）は、睡眠状態の実測値であり、図９（Ｂ）は、位相コヒーレンス（λ）、体動（ＢＭ）、呼吸数の変動係数（ＣＶ_RR）、呼吸数の標準偏差の変動係数（ＣＶ_SDRR）、心拍数の変動係数（ＣＶ_HR）、及び心拍数の標準偏差の変動係数（ＣＶ_SDHR）を入力データとして睡眠状態を学習させた睡眠状態推定モデルに対し、位相コヒーレンス、体動、呼吸数の変動係数、呼吸数の標準偏差の変動係数、心拍数の変動係数、及び心拍数の標準偏差の変動係数を入力した時の推定結果であり、図９（Ｃ）は、その推定結果と真値（実測値）との対応表である。図９（Ｃ）に示すとおり、一致率は８９．４％であり、Ｃｏｈｅｎ’ｓ Ｋａｐｐａ係数は０．６５９と実質的に一致の評価となった。このように、入力データを位相コヒーレンス（λ）、体動（ＢＭ）、呼吸数（ＲＲ）、呼吸数の標準偏差、心拍数（ＨＲ）、及び心拍数の標準偏差という６データとすることにより、一致率及び信頼性を極めて高くすることができた。

［実施例２］長期・短期記憶ニューラルネットワークによるモデル
本実施例では、長期・短期記憶（ＬＳＴＭ：Long Short-Term Memory）ニューラルネットワークに基づいて学習させた睡眠状態推定モデルを用いて睡眠状態を推定した。ＬＳＴＭニューラルネットワークは、短期記憶と長期記憶とを関連させることにより、長期依存を学習できるようにしたモデルである。本実施例のＬＳＴＭの構造は、入力層としてｓｅｑｕｅｎｃｅ ｉｎｐｕｔ、中間層としてＬＳＴＭ３層、出力層として５段階（ＷＫ、ＲＥＭ、Ｎ１、Ｎ２、Ｎ３）分類出力とし、ＬＳＴＭは双方向形、各ＬＳＴＭ層には６４個の隠れユニットを設定した。学習時には、図４で算出したＥＣＧに基づく位相コヒーレンス（λ）、呼吸数の変動係数（ＲＲ）、呼吸数の標準偏差の変動係数、心拍数の変動係数（ＨＲ）、及び心拍数の標準偏差の変動係数と、ＢＣＧに基づく体動（ＢＭ）を睡眠状態と関連付けて入力した。

２－１ ＥＣＧに基づくデータを入力
図１０（Ａ）は、睡眠状態の実測値であり、図１０（Ｂ）は、上記ＬＳＴＭニューラルネットワークに基づいて学習させた睡眠状態推定モデルに対し、ＥＣＧに基づく位相コヒーレンス、呼吸数の変動係数、呼吸数の標準偏差の変動係数、心拍数の変動係数、及び心拍数の標準偏差の変動係数と、ＢＣＧに基づく体動（ＢＭ）を入力した時の推定結果であり、図１０（Ｃ）は、その推定結果と真値（実測値）との対応表である。図１０（Ｃ）に示すとおり、一致率は９６．９％であり、Ｃｏｈｅｎ’ｓ Ｋａｐｐａ係数は０．９２７と完全一致の評価となった。このように、ＬＳＴＭニューラルネットワークに基づいて学習させたモデルにおいても睡眠状態の推定が可能であった。

２－２ ＢＣＧに基づくデータを入力
図１１（Ａ）は、睡眠状態の実測値であり、図１１（Ｂ）は、上記ＬＳＴＭニューラルネットワークに基づいて学習させた睡眠状態推定モデルに対し、生体振動信号（ＢＣＧ）から取得した位相コヒーレンス、体動、呼吸数の変動係数、呼吸数の標準偏差の変動係数、心拍数の変動係数、及び心拍数の標準偏差の変動係数を入力した時の推定結果であり、図１１（Ｃ）は、その推定結果と真値（実測値）との対応表である。図１１（Ｃ）に示すとおり、一致率は８８．８％であり、Ｃｏｈｅｎ’ｓ Ｋａｐｐａ係数は０．７４０と実質的に一致の評価となった。このように、ＥＣＧに基づくデータを使用して学習したモデルに対し、他の手段（ＢＣＧ）から取得したデータを入力しても睡眠状態の推定が可能であった。本実施例の結果によれば、学習した睡眠状態推定モデルがあれば、振動センサで取得した生体振動信号から、睡眠状態の推定が可能であることが確認された。

１ 睡眠状態測定システム
２ 情報取得部
３ 情報処理部
４ 記憶部
５ 操作部
６ 出力部
２２ 位相コヒーレンス取得手段
２３ 体動情報取得手段
２４ 心拍情報取得手段
２５ 呼吸情報取得手段
２６ 睡眠状態取得手段
３１ 睡眠状態推定手段
３２ 位相コヒーレンス算出手段
３３ 体動情報算出手段
３４ 心拍情報算出手段
３５ 呼吸情報算出手段
３６ 睡眠状態推定モデル学習手段
４１ 基礎データベース
３１１ 睡眠状態推定モデル

Claims (9)

1. 動物の睡眠中に取得した心拍間隔の変動の瞬時位相と、前記心拍間隔の変動と同一時系列における前記動物の呼吸パターンの瞬時位相との間の瞬時位相差に基づいて算出した位相コヒーレンスを取得する位相コヒーレンス取得手段と、
   前記心拍間隔の変動と同一時系列における前記動物の体動に関する体動情報を取得する体動情報取得手段、前記心拍間隔の変動と同一時系列における心拍に関する心拍情報を取得する心拍情報取得手段、又は前記心拍間隔の変動と同一時系列における呼吸に関する呼吸情報を取得する呼吸情報取得手段と、
   動物の睡眠中に取得した睡眠状態と、前記睡眠状態と同一時系列で測定したデータから算出した位相コヒーレンスと、前記睡眠状態と同一時系列で測定した体動情報、心拍情報又は呼吸情報とを含む基礎データベースに基づいて機械学習を用いることにより作成した睡眠状態推定モデルを内蔵した睡眠状態推定手段と、を含み、
   前記睡眠状態推定手段は、前記位相コヒーレンス取得手段によって取得した前記位相コヒーレンスと、前記体動情報取得手段によって取得した前記体動情報、前記心拍情報取得手段によって取得した前記心拍情報、及び前記呼吸情報取得手段によって取得した前記呼吸情報から選ばれた１つ以上のデータと、を前記睡眠状態推定モデルに入力し、当該睡眠状態推定モデルからの演算結果に基づいて、前記動物の睡眠状態を推定することを特徴とする睡眠状態推定システム。
2. 前記睡眠状態推定モデルは、睡眠状態と、前記睡眠状態と同一時系列で測定したデータから算出した位相コヒーレンスと、少なくとも前記睡眠状態と同一時系列で測定した体動情報とを入力することにより学習したものであり、
   前記睡眠状態推定手段は、前記位相コヒーレンス取得手段によって取得した前記位相コヒーレンスと、少なくとも前記体動情報取得手段によって取得した前記体動情報とを前記睡眠状態推定モデルに入力し、当該睡眠状態推定モデルからの演算結果に基づいて、前記動物の睡眠状態を推定することを特徴とする請求項１に記載の睡眠状態推定システム。
3. 前記体動情報は、体動の回数、単位時間あたりの体動の頻度、又は単位時間当たりの体動信号の積分値であることを特徴とする請求項２に記載の睡眠状態推定システム。
4. 前記睡眠状態推定モデルは、睡眠状態と、前記睡眠状態と同一時系列で測定したデータから算出した位相コヒーレンスと、少なくとも前記睡眠状態と同一時系列で測定した心拍情報とを入力することにより学習したものであり、
   前記睡眠状態推定手段は、前記位相コヒーレンス取得手段によって取得した前記位相コヒーレンスと、少なくとも前記心拍情報取得手段によって取得した前記心拍情報とを前記睡眠状態推定モデルに入力し、当該睡眠状態推定モデルからの演算結果に基づいて、前記動物の睡眠状態を推定することを特徴とする請求項１乃至３の何れか１項に記載の睡眠状態推定システム。
5. 前記心拍情報は、心拍数、心拍数の変動係数、心拍数の偏差、心拍数の偏差の変動係数、心拍数の標準偏差、心拍数の標準偏差の変動係数、心拍間隔、心拍間隔の変動係数、心拍間隔の偏差、心拍間隔の偏差の変動係数、心拍間隔の標準偏差、心拍間隔の標準偏差の変動係数、心拍間隔の変動、心拍間隔の変動の変動係数、呼吸性不整脈、及び呼吸性不整脈の変動係数からなる群から選択された２つ以上のデータであることを特徴とする請求項４に記載の睡眠状態推定システム。
6. 前記睡眠状態推定モデルは、睡眠状態と、前記睡眠状態と同一時系列で測定したデータから算出した位相コヒーレンスと、少なくとも前記睡眠状態と同一時系列で測定した呼吸情報とを入力することにより学習したものであり、
   前記睡眠状態推定手段は、前記位相コヒーレンス取得手段によって取得した前記位相コヒーレンスと、少なくとも前記呼吸情報取得手段によって取得した前記呼吸情報とを前記睡眠状態推定モデルに入力し、当該睡眠状態推定モデルからの演算結果に基づいて、前記動物の睡眠状態を推定することを特徴とする請求項１乃至５の何れか１項に記載の睡眠状態推定システム。
7. 前記呼吸情報は、呼吸数、呼吸数の変動係数、呼吸数の偏差、呼吸数の偏差の変動係数、呼吸数の標準偏差、呼吸数の標準偏差の変動係数、呼吸間隔、呼吸間隔の変動係数、呼吸間隔の偏差、呼吸間隔の偏差の変動係数、呼吸間隔の標準偏差、呼吸間隔の標準偏差の変動係数、及び単位時間当たりの鼾の回数からなる群から選択された２つ以上のデータであることを特徴とする請求項６に記載の睡眠状態推定システム。
8. 前記睡眠状態推定モデルは、睡眠状態と、前記睡眠状態と同一時系列で測定したデータから算出した位相コヒーレンスと、少なくとも前記睡眠状態と同一時系列で測定した単位時間あたりの体動の頻度、心拍数、心拍数の標準偏差、呼吸数、及び呼吸数の標準偏差とを入力することにより学習したものであり、
   前記睡眠状態推定手段は、位相コヒーレンス、単位時間あたりの体動の頻度、心拍数、心拍数の標準偏差、呼吸数、及び呼吸数の標準偏差を前記睡眠状態推定モデルに入力し、当該睡眠状態推定モデルからの演算結果に基づいて、前記動物の睡眠状態を推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推定システム。
9. 前記心拍情報又は前記呼吸情報は、睡眠中に取得した心拍情報又は呼吸情報の平均値で正規化された変動係数である請求項４乃至８の何れか１項に記載の睡眠状態推定システム。
   

Images