JP2022098608A - 心拍変動指標推定装置、心拍変動指標推定方法、及び、心拍変動指標推定プログラム - Google Patents

Abstract

【課題】ウェアラブル端末により計測した心拍数から心拍変動を高精度に推定できるモデルを構築すること。【解決手段】複数のウェアラブル端末５０の心拍数時系列データを取得し、複数の心電計７０の心電図データを取得する。心拍数時系列データを変換した拍動間隔時系列データから複数の心拍変動指標を算出して説明変数とし、複数の説明変数を組み合わせる。心拍変動を目的変数とする回帰モデルを複数選定し、選定した回帰モデル毎に、説明変数の組み合わせを用いて、心拍変動を学習する。心電図データから算出した心拍変動実値と、学習済みモデルから算出される心拍変動とに基づいて、選定した回帰モデル毎に評価指標を算出し、評価指標が最も優れた回帰モデルと説明変数の組み合わせとからなるモデルを、最適モデルに選定する。【選択図】 図２

Description

本発明は、ウェアラブル端末が計測した心拍数に基づいて心拍変動を推定する心拍変動指標推定装置、心拍変動指標推定方法、及び、心拍変動指標推定プログラムに関する。

心臓は、電気信号のリズムに従って収縮と拡張とを規則的に繰り返す。電気信号は、急激に収縮して血液を心臓から送り出す際に、一番鋭いピークを示すＲ波を発生する。心臓が鼓動する間隔（拍動間隔）は、一般的に、Ｒ波を用いて計測される。拍動間隔（ＲＲ間隔）は、安静時は長く、運動時には短くなるが、安静にしている間も周期的に変動する。拍動間隔の周期的な変動（心拍変動）には、高周波成分（ＨＦ：High Frequency）と低周波成分（ＬＦ：Low Frequency）とが含まれる。ＨＦは、例えばリラックス状態にあるときにＬＦに対して相対的に高くなり、ＬＦは、例えば緊張状態にあるときにＨＦに対して相対的に高くなる。よって、心拍変動から算出されるＨＦあるいはＬＦ／ＨＦに基づいて心理的ストレスを推定することができる（非特許文献１、非特許文献２参照）。

例えば、特許文献１には、過去の心拍データに基づいて定めた間隔時間内で、心拍を計測するセンサのセンサ信号から心拍を計測できない場合に、センサにより取得した拍動間隔データを補間し、補間されたデータに基づいてＨＦあるいはＬＦ／ＨＦを算出する技術が開示されている。

特開２０１９－１０３６１４号公報

「ストレスと自律神経の科学」（http://hclab.sakura.ne.jp/stress_novice_hartrate.html) 「ストレスと自律神経の科学」（http://hclab.sakura.ne.jp/stress_novice_LFHF.html)

スマートウォッチなど、体に装着して使用する端末（ウェアラブル端末）の中には、心拍数計測機能を備えるものが多数存在する。ウェアラブル端末の心拍数計測機能は、一般にトレーニングの強度評価、睡眠覚醒リズムのモニタリング等、健康管理のために活用されている。最近になって、リラクゼーションやストレス評価、感情推定、睡眠覚醒判定にも使われるようになってきた。

図１０は、心電計（Ｓ＆ＭＥ社製ＤＬ－５０００、心電心拍センサＤＬ－３１０）と腕時計型ウェアラブル端末の心拍計（Ｐｏｌａｒ社製Ａ３７０）で同期測定されたデータを比較したものである。縦軸は、拍動間隔（ｍｓ）を示し、横軸は時間（ｓｅｃ）を示す。ウェアラブル端末は、脈波（血圧の変化、脈拍）を計測しており、心拍を直接計測しない。これに対して、心電計は、収縮と拡張を規則的に繰り返す心臓から発生する電気信号を測定しており、心拍を直接計測する。また例えば、ウェアラブル端末は、１～１．５Ｈｚの周期で脈波を計測するのに対し、心電図は、１ＫＨｚの周期で心拍を計測する。よって、ウェアラブル端末は、心電計に比べ、心拍数の計測精度が低く、心臓の実動に対するデータ欠損が多い。また、図１０のＰ１１，Ｐ１２に示すように、ウェアラブル端末の心拍数時系列データＷＨＲは、心電図に基づく拍動間隔時系列データＥＣＧに比べ、１０数秒のタイムラグが生じることがあった。

データ欠損を補間する技術としては、特許文献１に開示されたものがある。しかし、ウェアラブル端末の心拍数時系列データにおける欠損データを補間した場合、欠損データが平滑化されてしまっていた。そのため、例えば、図１０のＰ１１，Ｐ１２に示す部分にて、補間された心拍数時系列データと拍動間隔時系列データＥＣＧとの誤差が大きかった。

図１１は、図１０の拍動間隔時系列データＥＣＧから算出したＨＦと、図１０の心拍数時系列データＷＨＲから算出したＨＦとの相関を示すグラフである。図１２は、図１０の拍動間隔時系列データＥＣＧから算出したＬＦと、図１０の心拍数時系列データＷＨＲから算出したＬＦとの相関を示すグラフである。図１１、図１２の各横軸は、拍動間隔時系列データＥＣＧに基づく値を示し（ＨＦ＿ＥＣＧ、ＬＦ＿ＥＣＧ）、各縦軸は、ウェアラブル端末による心拍数時系列データＷＨＲに基づく値を示す（ＨＦ＿ＷＨＲ、ＬＦ＿ＷＨＲ）。ウェアラブル端末の心拍計の心拍数時系列データから得られるＬＦやＨＦの値（ＬＦ＿ＷＨＲ，ＨＦ＿ＷＨＲ）は、心電図の拍動間隔時系列データＥＣＧから得られるＬＦやＨＦの値（ＬＦ＿ＥＣＧ、ＨＦ＿ＥＣＧ）に比べ小さく、寄与率（ｒ＊ｒ＝０．３５２）も低かった。

本発明は、上記問題点を解決するためになされたものであり、ウェアラブル端末により計測した心拍数から心拍変動指標を高精度に推定できるモデルを構築する技術を提供することを目的とする。

本発明の一態様は、被験者の体の一部に装着されて前記被験者の心拍数を計測する心拍数計測機能を備える複数のウェアラブル端末毎に、前記ウェアラブル端末が計測した被験者の心拍数を時系列で示す心拍数時系列データを取得する第１取得部と、前記被験者に各々装着されて前記被験者の心臓が発生する電気信号を測定する複数の心電計毎に、前記心電計が計測した前記被験者の心拍変動を示す心電図データを取得する第２取得部と、前記第１取得部にて取得された前記心拍数時系列データを拍動間隔時系列データに変換し、前記拍動間隔時系列データから複数の特徴量を算出し、説明変数とする説明変数生成部と、前記説明変数生成部にて生成した複数の説明変数を組み合わせる説明変数組み合わせ部と、前記第２取得部にて取得された前記心電図データから心拍変動指標の実値を算出する心拍変動指標実値算出部と、心拍変動指標の実値を目的変数とする回帰モデルを複数選定し、選定した回帰モデル毎に、前記説明変数組み合わせ部にて組み合わされた説明変数の組み合わせデータに回帰モデルアルゴリズムを適用して学習するラーニング部と、前記目的変数生成部にて算出された前記心拍変動指標の実値と、前記ラーニング部にて学習した学習済みモデルから算出される心拍変動指標の推定値とに基づいて、前記選定した回帰モデル毎に評価指標を算出する評価指標算出部と、前記評価指標算出部にて算出された前記評価指標が最も優れていた回帰モデルと説明変数の組み合わせとからなるモデルを、最適モデルとして選定する最適モデル選定部と、を有すること、を特徴とする。

上記構成の心拍変動指標推定装置は、ウェアラブル端末の心拍数時系列データを拍動間隔時系列データに変換し、拍動間隔時系列データから複数の特徴量を算出して説明変数とし、その説明変数を組み合わせたデータに回帰モデルアルゴリズムを適用して学習する。そして、心電図データから算出した心拍変動指標の実値と学習済みモデルから算出した心拍変動指標の推定値とに基づいて算出される評価指標が最も優れていたモデルを、最適モデルとして選定するので、選定された最適モデルにより算出される心拍変動指標の推定値が、心電図データから算出した心拍変動指標の実値に近似する。よって、上記構成の心拍変動指標推定装置によれば、ウェアラブル端末により計測した心拍数から心拍変動指標を高精度に推定できるモデルを構築することができる。

上記装置によって実現される制御方法、システム、プログラム、当該プログラムを格納するコンピュータにて読取可能な記憶媒体も、新規で有用である。

上記構成を有する発明によれば、ウェアラブル端末により計測した心拍数から心拍変動指標を高精度に推定できるモデルを構築する技術を実現できる。

本発明の一実施形態に係る心拍変動指標推定装置の概略構成図である。 心拍変動指標推定装置が実行する機能のブロック図である。 モデル構築処理の制御手順の一例を示すフローチャートである。 表５の各回帰モデルにおいてＨＦが最大となった決定係数の平均値を示したグラフである。 表５の各回帰モデルにおいてＬＦが最大となった決定係数の平均値を示したものである。 第１、第２ウェアラブル端末を用いて同時計測した際の心拍数時系列データを示すグラフである。 ＨＦ推定値の結果を示すグラフである。 心拍を説明する図である。 心拍変動を説明する図である。 ウェアラブル端末で計測した心拍変動間隔時系列と、心電図に基づく心拍変動間隔（ＲＲ間隔）時系列とを比較するグラフである。 心電図の拍動間隔時系列データから算出したＨＦと、ウェアラブル端末の心拍数時系列データから算出したＨＦとの相関を示すグラフである。 心電図の拍動間隔時系列データから算出したＬＦと、ウェアラブル端末の心拍数時系列データから算出したＬＦとの相関を示すグラフである。

以下に、本発明の一実施形態について図面を参照しながら説明する。本形態は、ウェアラブル端末により計測された心拍数から心拍変動指標を推定する装置について、開示する。

＜心拍変動指標について＞
まず、心拍変動指標について説明する。心臓は、右心室と右心房と左心室と左心房の４つの部屋と、三尖弁と肺動脈弁と僧帽弁と大動脈弁の４つの弁を備え、電気信号のリズムに従って規則的に収縮と拡張を繰り返す。電気信号は、心臓が収縮する時に心臓内に起こる電気の分布の変化によって引き起こされるもので、体表面から電位として検出される。心電計により計測される心電図データは、このような心臓の電気的活動を記録したものである。

例えば、図８（ａ）に示すように、心電計によって計測される電気信号は、山や谷に、Ｐ，Ｑ，Ｒ，Ｔのような名前がついている。一番鋭いピークを示す「Ｒ」は、心臓の心室が急激に収縮して血液を心臓から送り出す時に発生する電気信号である。つまり、心臓が「ドックン」とするときに発生する信号である。拍動間隔は、Ｒ波を利用して計測されるのが一般的である。安静時のように心臓がゆっくり拍動している場合、図８（ｂ）に示すように、拍動間隔Ｔが長くなる。一方、心臓が速く拍動する場合、図８（ｃ）に示すように、拍動間隔Ｔが短くなる（例えば、非特許文献１参照）。

拍動間隔Ｔは、常に変動している。例えば、図９に示すように、拍動間隔は、安静時であっても、周期的に変動する。本明細書では、この拍動間隔Ｔの周期的な変動を「心拍変動」とする。心拍変動には、高周波成分（ＨＦ）と低周波成分（ＬＦ）とが含まれる。ＨＦは、高周波帯域のパワースペクトルの合計量を示す。ＬＦは、低周波数帯域のパワースペクトルの合計量を指す。

心拍変動へのＨＦの変動波とＬＦの変動波の現れる大きさは、交感神経と副交感神経の緊張状態のバランスによって異なる。リラックスしている状態、つまり、副交感神経が活性化しているときは、ＬＦが現れる一方、ＨＦが減少する。これに対して、緊張している状態、つまり、交感神経が活性化しているときは、ＨＦが現れる一方、ＬＦが減少する。よって、リラックス状態にあるときは、ＨＦがＬＦに対して相対的に大きくなり、ＬＦ／ＨＦが大きくなるが、緊張状態にあるときは、ＬＦがＨＦに対して相対的に大きくなり、ＬＦ／ＨＦが小さくなる。このような特性より、心拍変動の時系列から算出したＨＦやＬＦ／ＨＦは、ストレス指標等の心理状態の検討に使用可能な指標として使用される（例えば、非特許文献２参照）。

本明細書において、心拍変動指標とは、拍動間隔（Ｒ－Ｒ間隔）の揺らぎから算出される値と定義する。ＨＦ、ＬＦ、ＬＦ／ＨＦは、心拍変動指標の一例である。

＜心拍変動指標推定装置の構成＞
図１は、心拍変動指標推定装置１０の電気ブロック図である。心拍変動指標推定装置１０は、例えば、パーソナルコンピュータなどの情報処理装置であり、ＣＰＵ２１と、ＲＯＭ２２と、ＲＡＭ２３と、ＮＶＲＡＭ２４とを備えるコントローラ１１を有する。コントローラ１１には、通信部１２と操作部１３と表示部１４とが接続されている。

通信部１２は、ウェアラブル端末５０や心電計７０などの外部装置と通信を行うハードウェアを有する。心拍変動指標推定装置１０は、例えば、被験者Ｘ（Ｘ１，Ｘ２，Ｘ３…）に装着された複数のウェアラブル端末５０（５０Ａ，５０Ｂ，５０Ｃ…）及び複数の心電計７０（７０Ａ，７０Ｂ，７０Ｃ…）と、通信部１２を介して通信可能に接続される。通信部１２の通信方法は、無線でも有線でもよい。

ウェアラブル端末５０は、体の一部に装着して用いられる携帯端末であり、通信機能を備える。また、ウェアラブル端末５０は、脈波に基づいて心拍数を計測する心拍数計測部５１を備える。心拍数計測部５１は、例えば、光学式心拍センサ（ＰＰＧセンサ）である。ウェアラブル端末５０は、心拍数計測部５１により計測した心拍数を時系列で示す心拍数時系列データを心拍変動指標推定装置１０に送信する。

心電計７０は、心臓から発生する電気信号を測定し、心電図を記録する装置である。よって、ウェアラブル端末５０と心電計７０とでは、心拍の計測方法が異なる。心電計７０は、無線通信機能を備え、心電図を示す心電図データを心拍変動指標推定装置１０に送信する。心拍変動指標推定装置１０は、複数の心電計（７０Ａ，７０Ｂ，７０Ｃ…）に通信可能に接続される。心電計７０（７０Ａ，７０Ｂ，７０Ｃ…）は、ウェアラブル端末５０（５０Ａ，５０Ｂ，５０Ｃ…）を装着された被験者Ｘ（Ｘ１，Ｘ２，Ｘ３…）に各々装着され、ウェアラブル端末５０（５０Ａ，５０Ｂ，５０Ｃ…）と同期して心拍を計測する。

心拍数時系列データと心電図データは、それぞれ、ウェアラブル端末５０と心電計７０から、心拍変動指標推定装置１０に指定された時間、或いは、一定時間毎に、定期的に送信してもよいし、心拍変動指標推定装置１０からの要求に応じてウェアラブル端末５０と心電計７０から送信されてもよい。心拍変動指標推定装置１０が被験者や計測に用いられたウェアラブル端末５０や心電計７０を特定できるように、心拍時系列データと心電図データには、被験者を特定するユーザ情報や、ウェアラブル端末５０に関する端末情報や、心電計７０を示す心電計情報などが付されている。

操作部１３は、例えばキーボードやマウスであり、情報等の入力操作を受け付ける。表示部１４は、例えば液晶ディスプレイであり、情報を表示する。なお、操作部１３と表示部１４は、例えばタッチパネル等のように、操作機能と表示機能とを兼ね備える部品で構成してもよい。

ＲＯＭ２２とＮＶＲＡＭ２４は、不揮発性のメモリであり、各種のプログラムやデータが記憶されている。ＲＡＭ２３は、揮発性のメモリであり、例えば、ＲＯＭ２２やＮＶＲＡＭ２４に記憶されたプログラムを実行する際にデータを一時的に記憶するのに用いられる。

ＮＶＲＡＭ２４には、第１アプリ２５と第２アプリ２６が組み込まれている。第１アプリ２５は、ウェアラブル端末５０の心拍数時系列データから心拍変動指標を推定するのに最適なモデルを構築するためのアプリケーションプログラムである。第２アプリ２６は、心電図データから心拍変動指標の実値を算出するための解析アプリケーションプログラムである。本明細書では、心電図データから算出される心拍変動指標を「心拍変動指標の実値」と定義する。また、本明細書では、ウェアラブル端末が取得した心拍数時系列データから算出される心拍変動指標を「心拍変動指標の推定値」と定義する。例えば、第２アプリ２６により算出される心拍変動指数は「心拍変動指標の実値」である。そして、第１アプリ２５にて選定された最適モデルを用いて算出される心拍変動指数は「心拍変動指標の推定値」の一例である。

第１アプリ２５と第２アプリ２６は、予め心拍変動指標推定装置１０に組み込まれていてもよいし、アプリケーションストアや心拍変動指標推定装置１０の製造元のホームページなどからダウンロードすることで心拍変動指標推定装置１０組み込まれてもよい。第１アプリ２５は、「心拍変動指標推定プログラム」の一例である。

ＮＶＲＡＭ２４は、第１アプリ２５に用いられるデータを記憶する第１データベース（以下「第１ＤＢ」とする）２７と、第２データベース（以下「第２ＤＢ」とする）２８と、第３データベース（以下「第３ＤＢ」とする）２９と、を備える。

第１ＤＢ２７は、ウェアラブル端末５０から受信した心拍数時系列データを、当該心拍数時系列データに付されたユーザ情報や端末情報等に関連付けて記憶する。第２ＤＢ２８は、心電計７０から受信した心電図データを、当該心電図データに付されたユーザ情報や心電計情報等に関連付けて記憶する。第３ＤＢ２９は、学習済みモデルを、ウェアラブル端末５０の機種を示す機種情報に関連付けて記憶する。

ＣＰＵ２１は、ＲＯＭ２２やＮＶＲＡＭ２４に記憶されたプログラムを実行することにより、各種処理を実行する。第１アプリ２５も第２アプリ２６も、ＣＰＵ２１により実行される。なお、ＣＰＵ２１は「コンピュータ」の一例である。コントローラ１１を「コンピュータ」の一例としてもよい。

図２は、心拍変動指標推定装置１０の機能ブロック図である。心拍変動指標推定装置１０は、第１取得部１０１と、第２取得部１０２と、心拍変動指標実値算出部１０８と、説明変数生成部１０３と、説明変数組み合わせ部１０４と、ラーニング部１０５と、評価指標算出部１０６と、最適モデル選定部１０７と、を備える。

第１取得部１０１は、複数のウェアラブル端末５０毎に、ウェアラブル端末５０が計測した被験者Ｘの心拍数を時系列で示す心拍数時系列データを第１ＤＢ２７に記憶して取得する機能を有する。第２取得部１０２は、複数の心電計７０毎に、心電計７０が計測した被験者Ｘの心拍変動を示す心電図データを第２ＤＢ２８に記憶して取得する機能を有する。

説明変数生成部１０３は、第１取得部１０１にて取得された心拍数時系列データを拍動間隔時系列データに変換し、拍動間隔時系列データから複数の特徴量を算出し、説明変数とする機能を有する。説明変数組み合わせ部１０４は、説明変数生成部１０３にて生成された説明変数を組み合わせる機能を有する。心拍変動指標実値算出部１０８は、第２取得部１０２にて取得した心電図データから心拍変動指標となるＬＦとＨＦの実値を算出する機能を有する。

ラーニング部１０５は、心拍変動指標となるＨＦとＬＦを目的変数とする回帰モデルを複数選定し、選定した回帰モデル毎に、説明変数組み合わせ部１０４にて組み合わされた説明変数の組み合わせデータに回帰モデルアルゴリズムを適用して学習する機能を有する。評価指標算出部１０６は、心拍変動指標実値算出部１０８にて算出されたＨＦの実値及びＬＦの実値とラーニング部１０５にて推定されたＨＦの推定値およびＬＦの推定値とを、選定した回帰モデル毎に比較して評価指標を算出する機能を有する。最適モデル選定部１０７は、評価指標算出部１０６にて算出された評価指標が最も優れていた回帰モデルと説明変数の組み合わせとからなるモデルを、最適モデルとして選定する機能を有する。

続いて、心拍変動指標推定装置１０の動作を、図３を参照して説明する。図３は、モデル構築処理の制御手順の一例を示すフローチャートである。心拍変動指標推定装置１０は、最適モデルを構築するモデル構築指示を受け付けると、ＣＰＵ２１が第１アプリ２５を起動させ、図３に示すモデル構築処理の実行を開始する。

本形態では、第１ＤＢ２７と第２ＤＢ２８には、それぞれ、立位調理動作時のデータ４５６個、仰臥位時のデータ２７個、立位時のデータ２５個、立位スライド視聴時のデータ１６２個の計６７０個が記憶されているものとする。これらのデータは、いずれも健常大学生のものとする。また、これらのデータは、同一機種のウェアラブル端末５０（Ｐｏｌａｒ社製のＡ３７０）と、同一機種の心電計７０（Ｓ＆ＭＥ社製のＤＬ－５０００の心電心拍センサＤＬ－３１０）により計測されたものとする。

心拍変動指標推定装置１０は、通信部１２を介して複数のウェアラブル端末５０から、各ウェアラブル端末５０が計測した心拍数の心拍数時系列データを受信し、第１ＤＢ２７に記憶している。第１ＤＢ２７は「第１記憶部」の一例である。また、心拍変動指標推定装置１０は、通信部１２を介して複数の心電計７０から、各心電計７０が測定した心電図データを受信して第２ＤＢ２８に記憶している。心拍数時系列データを受信して第１ＤＢ２７に記憶するのは「第１取得ステップ」の一例であり、心電図データを受信して第２ＤＢ２８に記憶するのは「第２取得ステップ」の一例である。

まず、ＣＰＵ２１は、回帰モデルを複数選定する（Ｓ１）。回帰モデルには、それぞれ特徴があり、最も高精度な回帰モデルを選定するために、回帰モデルを複数選定する。例えば、ＣＰＵ２１は、表示部１４に選択可能な回帰モデルを一覧表示させ、操作部１３を介して複数の回帰モデルを操作者に選択させる。なお、各回帰モデルの目的変数は、心拍変動のＬＦ，ＨＦとする。

ＣＰＵ２１は、心拍変動指標の実値を取得する（Ｓ２）。つまり、ＣＰＵ２１は、第２アプリ２６を用いて、第２ＤＢ２８に記憶されている複数の心電図データについて、それぞれ、心電図データからＬＦの実値とＨＦの実値を算出させる。そして、ＣＰＵ２１は、算出されたＬＦの実値とＨＦの実値を、ＲＡＭ２３又はＮＶＲＡＭ２４に記憶させる。なお、ＲＡＭ２３又はＮＶＲＡＭ２４は「第２記憶部」の一例である。また、Ｓ２は、「心拍変動指標実値算出ステップ」の一例である。

ＣＰＵ２１は、ウェアラブル端末５０の機種を選定する（Ｓ３）。ウェアラブル端末５０は、機種によって、心拍数計測部５１の計測方法等が異なり、心拍数計測精度が異なる。ウェアラブル端末５０の機種による心拍数時系列データのバラツキを抑制するため、学習データの元となる心拍数を計測するウェアラブル端末５０の機種を１つ選定する。本説明では、同一機種のウェアラブル端末５０（Ｐｏｌａｒ社製のＡ３７０）により心拍数時系列データが取得されているので、Ｓ３では、ウェアラブル端末５０の機種として、Ｐｏｌａｒ社製のＡ３７０が選定される。例えば、ＣＰＵ２１は、第１ＤＢ２７に記憶されている心拍数時系列データに関連付けられた端末情報に基づいてウェアラブル端末５０の機種を表示部１４に一覧表示させ、操作部１３を介してウェアラブル端末５０の機種の選定操作を受け付けるようにしてもよい。

複数の回帰モデルとウェアラブル端末５０の機種が選定されると、ＣＰＵ２１は、心拍変動指標を算出するために、第１ＤＢ２７に記憶されている心拍数時系列データを、拍動間隔時系列データに変換する（Ｓ５）。例えば、ＣＰＵ２１は、抽出した心拍数時系列データを、下記数式１により拍動間隔時系列データに変換する。数式１において、心拍数時系列データ[hr(t)|t=1,…,n]、拍動間隔時系列データ[beat_i(t)|t=1,…,n]とする。

なお、本説明では、Ｓ５において、第１ＤＢ２７に記憶されている心拍数時系列データを全て、拍動間隔時系列データに変換するが、学習データとして使用される一部の心拍数時系列データのみを拍動間隔時系列データに変換してもよい。なお、第１ＤＢ２７に複数機種のウェアラブル端末５０の心拍数時系列データが記憶されている場合には、Ｓ３にて選定したウェアラブル端末５０の機種に関連付けられた心拍数時系列データを抽出し、変換してもよい。

ＣＰＵ２１は、Ｓ５にて変換された拍動間隔時系列データから、説明変数（特徴量）を算出する（Ｓ７）。Ｓ７は、「説明変数生成処理」、「説明変数生成ステップ」の一例である。下記表１は、説明変数の一例を示す。

表１の番号１に示す説明変数ＬＦ＿ｗは、拍動間隔時系列データbeat_i(t)に対し、フーリエ変換で得た０．０４～０．１５ＨｚのＬＦのパワースペクトル値である。説明変数ＬＦ＿ｗは、交感神経と副交感神経の両方の活動を反映した指標である。

表１の番号２に示す説明変数ＨＦ＿ｗは、拍動間隔時系列データbeat_i(t)に対し、フーリエ変換で得た０．１５～０．４ＨｚのＨＦのパワースペクトル値である。説明変数ＨＦ＿ｗは、副交感神経の活動を反映した指標である。

表１の番号３に示す説明変数ａｖｇは、拍動間隔時系列データbeat_i(t)の平均値である。すなわち、説明変数ａｖｇは、時間領域心拍変動指標データのひとつであり、期間内の拍動間隔の平均値である。説明変数ａｖｇは、活動量の増減を示す。

表１の番号４に示す説明変数ｓｄは、拍動間隔時系列データbeat_i(t)の標準偏差である。すなわち、説明変数ｓｄは、時間領域心拍変動指標データのひとつであり、期間内の拍動間隔の標準偏差を示す。つまり、説明変数ｓｄは、拍動間隔のバラツキを示し、緊張強度の指標を示す。

表１の番号５に示す説明変数ｃｖは、下記数式２により求められる拍動間隔時系列データbeat_i(t)の変動係数である。すなわち、説明変数ｃｖは、時間領域心拍変動指標データのひとつであり、期間内の拍動間隔の変動係数を示す。説明変数ｃｖは、説明変数ｓｄを無次元化したもので、説明変数ｓｄと扱いは同じである。

表１の番号６に示す説明変数ｐｐは、拍動間隔時系列データbeat_i(t)の最大値と最小値の差である。すなわち、説明変数ｐｐは、期間内の拍動間隔の最大変動幅を示す。

表１の番号７に示す説明変数ｒｍｓｓｄは、数式１で示す、隣接拍動間隔時系列データbeat_i(t)の差の二乗平均値の平方根（下記数式３参照）である。すなわち、説明変数ｒｍｓｓｄは、時間領域心拍変動指標データのひとつであり、迷走神経緊張強度の指標として用いられる。

表１の番号８に示す説明変数ｄｉｆ＿ａｖｇは、差分時系列beat_dif(t)の平均値である。ここで、beat_dif(t)は、拍動間隔時系列データで、次の項beat_i(t)から前の項beat_i(t-1)を引いた値である階差を示す。すなわち、説明変数ｄｉｆ＿ａｖｇは、ベースラインとなる拍動間隔が除去された変動を表す。

表１の番号９に示す説明変数ｄｉｆ＿ｍｉｎは、差分時系列beat_dif(t)の最小値である。すなわち、説明変数ｄｉｆ＿ｍｉｎは、期間内のベースラインとなる拍動間隔が除去された変動の最小値を示す。

表１の番号１０に示す説明変数ｄｉｆ＿ｍａｘは、差分時系列beat_dif(t)の最大値である。すなわち、説明変数ｄｉｆ＿ｍａｘは、期間内のベースラインとなる拍動間隔が除去された変動の最大値を示す。

表１の番号１１に示す説明変数ａｖｇ＿３０は、拍動間隔時系列データbeat_i(t)の３０秒間（ｔ＝３１～６０）の平均値を、拍動間隔時系列データbeat_i(t)のその前の３０秒間の平均値（ｔ＝１～３０）の平均値で除した値である。すなわち、説明変数ａｖｇ＿３０は、全データを３０秒間隔に区切り、最初の３０秒間の拍動間隔平均値に対するそれぞれの３０秒間の拍動間隔平均値の比を取ったものである。説明変数ａｖｇ＿３０は、開始時点からの大きな変動傾向を示す。

表１の番号１２に示す説明変数ａｖｇ＿６０は、拍動間隔時系列データbeat_i(t)の３０秒間（ｔ＝６１～１２０）の平均値を、拍動間隔時系列データbeat_i(t)のその前の３０秒間の平均値（ｔ＝１～６０）の平均値で除した値である。すなわち、説明変数ａｖｇ＿６０は、全データを６０秒間隔に区切り、最初の６０秒間の拍動間隔平均値に対するそれぞれの６０秒間の拍動間隔平均値の比を取ったものである。説明変数ａｖｇ＿６０は、開始時点からの大きな変動傾向を示す。

表１の番号１３に示す説明変数ａｖｇ＿９０は、拍動間隔時系列データbeat_i(t)の３０秒間（ｔ＝９１～１８０）の平均値を、拍動間隔時系列データbeat_i(t)のその前の３０秒間の平均値（ｔ＝１～９０）の平均値で除した値である。すなわち、説明変数ａｖｇ＿９０は、全データを９０秒間隔に区切り、最初の９０秒間の拍動間隔平均値に対するそれぞれの９０秒間の拍動間隔平均値の比を取ったものである。説明変数ａｖｇ＿９０は、開始時点からの大きな変動傾向を示す。

図３に示すように、ＣＰＵ２１は、Ｓ７にて説明変数を算出したら、算出した説明変数を任意に組み合わせる（Ｓ９）。Ｓ９は、「説明変数組み合わせ処理」、「説明変数組み合わせステップ」の一例である。説明変数を組み合わせることで、推定率を低下させる虞がある説明変数を予め排除しやすくする。例えば、ＣＰＵ２１は、表１に記載される番号１～１３に示す説明変数の組み合わせから、任意の組み合わせを複数選定する。説明変数そのままの組み合わせ数は、ｎ個の説明変数からｒ個取り出すこととなり、組み合わせ総数は、ｎＣｒ個となる。それらの組み合わせの中から、選定基準に沿って組み合わせを選定する。本形態では、下記表２に示すように、説明変数を組み合わせた。

表２の組み合わせ番号１に示す組み合わせは、表１の番号１に示す説明変数ＬＦ＿ｗと番号２に示す説明変数ＨＦ＿ｗとを組み合わせたものである。説明変数ＬＦ＿ｗとＨＦ＿ｗは、ウェアラブル端末の心拍時系列データを、フーリエ変換で得た実値とする。

表２の組み合わせ番号２に示す組み合わせは、表１の番号３から番号１３までの説明変数を組み合わせたものである。つまり、ウェアラブル端末５０の心拍時系列データから算出した心拍変動指標データを集合（集約）させる。

表２の組み合わせ番号３に示す組み合わせは、上記組み合わせ番号２に示す組み合わせの中で、目的変数との相関関係の絶対値が０．５以上となる説明変数の組み合わせである。つまり、同一の被験者Ｘ（Ｘ１）について、第１ＤＢ２７に記憶されている、ウェアラブル端末５０（５０Ａ）の心拍時系列データから得た時間領域心拍変動指標データなどと、第２ＤＢ２８に記憶されている、心電計７０（７０Ａ）から得たＬＦ及びＨＦとの相関係数を算出し、比較的相関の高い説明変数を集合（集約）させる。

表２の組み合わせ番号４に示す組み合わせは、上記組み合わせ番号２に示す組み合わせの中で、目的変数との相関関係の絶対値が０．５未満となる説明変数の組み合わせである。つまり、同一の被験者Ｘ（Ｘ１）について、第１ＤＢ２７に記憶されている、ウェアラブル端末５０（５０Ａ）の心拍時系列データから得た時間領域心拍変動指標データなどと、第２ＤＢ２８に記憶されている、心電計７０（７０Ａ）から得たＬＦ及びＨＦとの相関係数を算出し、比較的相関の低い説明変数を集合（集約）させる。組み合わせ番号４に示す組み合わせは、組み合わせ番号３に示す組み合わせに対する検証に使用する。

表２の組み合わせ番号５に示す組み合わせは、表１の番号３から番号１３までに示す１１個の説明変数を主成分分析し、固有値が１以上となった主成分である。番号３～１３の１１個の説明変数（特徴量）の数を減らすため主成分分析を行い、抽出された主成分に置き換えている。主成分のデータは主成分得点である。

表２の組み合わせ番号３と組み合わせ番号４について具体的に説明する。表３は、表２の組み合わせ番号３と組み合わせ番号４の説明変数の分類を示す。

表３に示す組み合わせ番号３に示すように、ＬＦの相関関係は、表１の番号３に示す説明変数ａｖｇと、表１の番号４に示す説明変数ｓｄと、表１の番号６に示す説明変数ｐｐと、表１の番号７に示す説明変数ｒｍｓｓｄと、表１の番号１０に示す説明変数ｄｉｆ＿ｍａｘと、で高くなった。一方、ＨＦの相関関係は、表１の番号３に示す説明変数ａｖｇと、表１の番号４に示す説明変数ｓｄと、表１の番号６に示す説明変数ｐｐと、表１の番号７に示す説明変数ｒｍｓｓｄと、表１の番号９に示す説明変数ｄｉｆ＿ｍｉｎと、表１の番号１０に示す説明変数ｄｉｆ＿ｍａｘと、で高くなった。

一方、表３に示す組み合わせ番号４に示すように、ＬＦの相関関係は、表１の番号５に示す説明変数ｃｖと、表１の番号８に示す説明変数ｄｉｆ＿ａｖｇと、表１の番号９に示す説明変数ｄｉｆ＿ｍｉｎと、表１の番号１１に示す説明変数ａｖｇ＿３０と、表１の番号１２に示す説明変数ａｖｇ＿６０と、表１の番号１３に示す説明変数ａｖｇ＿９０と、で低くなった。ＨＦの相関関係は、表１の番号５に示す説明変数ｃｖと、表１の番号８に示す説明変数ｄｉｆ＿ａｖｇと、表１の番号１１に示す説明変数ａｖｇ＿３０と、表１の番号１２に示す説明変数ａｖｇ＿６０と、表１の番号１３に示す説明変数ａｖｇ＿９０と、で低くなった。

よって、相関係数が０．５以上となる説明変数には、時間領域心拍変動指標データを中心に選定された。組み合わせ対象となる説明変数を、時間領域心拍変動指標データに限定することができるので、説明変数の組み合わせの総数を減らして処理負荷を低減することができる。また、組み合わせ番号３の組み合わせでは、心電図データと相関が高い説明変数を集約させることができ、推定率の向上を期待できる。

表２の組み合わせ番号５について具体的に説明する。表１の番号３～１３に示す説明変数を主成分分析したことにより、固有値が１以上になる主成分が３つあった。それぞれの主成分に対し主成分負荷量が大きい説明変数は、表４に示す通りであった。

表４に示すように、第１主成分に対し主成分負荷量が大きい説明変数は、表１の番号８に示す説明変数ｄｉｆ＿ａｖｇと、表１の番号１１に示す説明変数ａｖｇ＿３０と、表１の番号１２に示す説明変数ａｖｇ＿６０と、表１の番号１３に示す説明変数ａｖｇ＿９０と、であった。また、第２主成分に対し主成分負荷量が大きい説明変数は、表１の番号３に示す説明変数ａｖｇと、表１の番号７に示す説明変数ｒｍｓｓｄと、表１の番号９に示す説明変数ｄｉｆ＿ｍｉｎと、であった。さらに、第３主成分に対し主成分負荷量が大きい説明変数は、表１の番号４に示す説明変数ｓｄと、表１の番号５に示す説明変数ｃｖと、表１の番号６に示す説明変数ｐｐと、であった。

表４に示す各主成分にて、主成分負荷量が大きい説明変数同士で置き換えることで、Ｓ７にて生成する説明変数の数を減らす。これにより、説明変数の組み合わせの総数を減らして処理負荷を低減することが可能になる。

図３に示すように、ＣＰＵ２１は、Ｓ１にて選定した回帰モデル別に、Ｓ１３のラーニング処理とＳ１５の評価指標算出処理を所定回数繰り返し、心拍変動指標（ＬＦ，ＨＦ）の推定に最適な推定モデルを選定する（Ｓ１１～Ｓ２１）。

すなわち、ＣＰＵ２１は、Ｓ１にて選定した４つの回帰モデルから、ラーニングと評価を行っていない未処理の回帰モデルを抽出する（Ｓ１１）。例えば、Ｓ１にて、ガウス過程回帰、次数１次の線形重回帰、ランダムフォレスト回帰、ＳＶＭ回帰の４つの回帰モデルが選定されている場合、その中の１つの回帰モデルを抽出する。

そして、ＣＰＵ２１は、Ｓ１１にて抽出した回帰モデルについて、ラーニング処理を実行する（Ｓ１３）。Ｓ１３は、「ラーニングステップ」の一例である。ラーニング処理では、Ｓ７にて算出された特徴量のうち、７０％分を学習データとして使用する。なお、残り３０％分は、評価データとして使用する。拍動間隔時系列データの分割方法は、データの偏りがないように、ランダムとする。

ＣＰＵ２１は、Ｓ１３にてラーニング処理を行った学習済みモデルついて、評価データを用いて評価指標を算出する（Ｓ１５）。Ｓ１５は、「評価指標算出処理」、「評価指標算出ステップ」の一例である。本形態では、下記数式４を用いて算出される決定係数を評価指標として用いた。Ｒ²は決定係数、ＨＦバーは心電図データから得られたＨＦの平均値、弧ＨＦはモデルによるＨＦの推定値である。

なお、評価指標は、決定係数に限らず、平方平均二乗誤差（ＲＭＳＥ）、平均絶対誤差（ＭＡＥ）、等であってもよい。

図３に示すように、ＣＰＵ２１は、Ｓ１３のラーニング処理とＳ１５の評価指標算出処理を所定回数行ったか否かを判断する（Ｓ１７）。所定回数は、任意に設定可能だが、本説明では３０回とする。説明変数の組み合わせを任意に変更しながらラーニング処理と評価指標算出処理を３０回繰り返すことで、評価指標となる決定係数が、１つの回帰モデルにつき３０個算出される。

ＣＰＵ２１は、Ｓ１１にて抽出した回帰モデルについて、ラーニング処理と評価指標算出処理を所定回数行ったら（Ｓ１７：ＹＥＳ）、Ｓ１にて選定した全回帰モデルについて処理を終了したか否かを判断する（Ｓ１９）。例えば、Ｓ１にて選定した回帰モデルの中の一部しか処理を終了していない場合（Ｓ１９：ＮＯ）、ＣＰＵ２１は、Ｓ１１の処理に戻り、未処理の回帰モデルを抽出する。Ｓ１３以降の処理は上記と同様なので説明を省略する。

ＣＰＵ２１は、Ｓ１にて選定した全回帰モデルについてＳ１３のラーニング処理とＳ１５の評価指標算出処理を所定回数行ったら（Ｓ１９：ＹＥＳ）、最適モデルを選定する（Ｓ２１）。Ｓ２１は、「最適モデル選定処理」、「最適モデル選定ステップ」の一例である。

例えば、ＣＰＵ２１は、３０回のラーニング処理と評価指標算出処理により得られた３０個の決定係数の分散分析により統計的有意差を算出し、モデルの種類や説明変数の選択方法の比較を行うことで、モデル間の精度検証を行う。検証結果の一例を表５に示す。表５は、ガウス過程回帰、次数１次の線形重回帰、ランダムフォレスト回帰、ＳＶＭ回帰の各回帰モデルにおいて、３０個の決定係数の平均値が最大になった説明変数の組み合わせを、ＬＦとＨＦ別に表示したものである。

表５に示すように、ガウス過程回帰は、表２に示す組み合わせ番号３の説明変数の組み合わせを用いると、ＬＦの決定係数の平均値が最大となり、表２に示す組み合わせ番号２の決定係数の組み合わせを用いると、ＨＦの決定係数の平均値が最大となった。次数１次の線形重回帰は、表２に示す組み合わせ番号２の説明変数の組み合わせを用いると、ＬＦの決定係数の平均値が最大となり、表２に示す組み合わせ番号３の決定係数の組み合わせを用いると、ＨＦの決定係数の平均値が最大となった。

ランダムフォレスト回帰は、表２に示す組み合わせ番号２の説明変数の組み合わせを用いると、ＬＦの決定係数の平均値が最大となり、表２に示す組み合わせ番号３の決定係数の組み合わせを用いると、ＨＦの決定係数の平均値が最大となった。ＳＶＭ回帰は、表２に示す組み合わせ番号１の説明変数の組み合わせを用いると、ＬＦの決定係数の平均値が最大となり、表２に示す組み合わせ番号５の決定係数の組み合わせを用いると、ＨＦの決定係数の平均値が最大となった。

よって、推定率が高い説明変数の組み合わせは、回帰モデル毎に異なることがわかる。つまり、複数の回帰モデル毎に、ラーニング処理と評価指標算出処理を実行することで、最も優れた推定を行う回帰モデルが選定されるようになる。

図４は、表５の各回帰モデルにおいてＨＦが最大となった決定係数の平均値と標準偏差を示したグラフである。図５は、表５の各回帰モデルにおいてＬＦが最大となった決定係数の平均値と標準偏差を示したグラフである。なお、各グラフの横軸は、Ｇはガウス過程回帰、Ｍは次数１次の線形重回帰、Ｒはランダムフォレスト回帰、ＳはＳＶＭ回帰を示す。各グラフの縦軸は、Ｓ１３～Ｓ１５の処理を３０回繰り返して算出した決定係数の平均値を示す。

図４に示すように、ＬＦの決定係数は、ランダムフォレスト回帰、次数１次の線形重回帰、ガウス過程回帰、ＳＶＭ回帰の順に大きかった。また、図５に示すように、ＨＦの決定係数は、ランダムフォレスト回帰、ガウス過程回帰、次数１次の線形重回帰、ＳＶＭ回帰の順に大きかった。

このように、ＨＦとＬＦでは、回帰モデルの評価が異なっている。そのため、説明変数の組み合わせを任意に選定しながら、複数の回帰モデルについてラーニング処理と評価指標算出処理を実行することで、ＬＦとＨＦの最も優れた推定を行う説明変数の組み合わせと回帰モデルを選定することができる。最適モデルが選定されることで、ウェアラブル端末５０により計測される心拍数から、被験者の心理状態を検討することが可能になる。

ＣＰＵ２１は、決定係数の平均値が最大となる回帰モデル（図４、図５ではランダムフォレスト回帰）と説明変数の組み合わせとからなるモデルを最適モデルに選定する。そして、ＣＰＵ２１は、Ｓ３にて選定したウェアラブル端末５０の機種（Ｐｏｌａｒ製Ａ３７０）と、選定した最適モデルとを関連付け、第３ＤＢ２９に保存する。これにより、ＣＰＵ２１は、図３に示す処理を終了する。

ところで、ＬＦとＨＦの最適モデル構築にあたり、それぞれが異なる説明変数の組み合わせを用い、決定係数が最大となるモデルを採用してもよいが、できるだけ同じ説明変数の組み合わせを用いてモデル構築を行った方が、ＬＦとＨＦの推定値を算出する複雑さや手間を回避できる。

そこで、２０種類［回帰モデル４つ（ガウス過程回帰、次数１次の線形重回帰、ランダムフォレスト回帰、ＳＶＭ回帰）と説明変数の組み合わせ５つ（表２の組み合わせ）］のモデル構築で得た３０個の決定係数に対し、回帰モデル毎に説明変数の組み合わせ５つに対し一元配置分散分析を行い、表５のランダムフォレスト回帰の説明変数の組み合わせと同質のものとして扱える説明変数の組み合わせを抽出した。その結果を表６に示す。

表６に示すように、決定係数が最大となったＨＦのランダムフォレスト回帰に用いた、表２に示す組み合わせ番号３の組み合わせに基づく決定係数と、同質として扱われた説明変数の組み合わせは、表２の組み合わせ番号２の組み合わせとなった。これより、ＬＦとＨＦの推定モデルのアルゴリズムは、いずれもランダムフォレスト回帰で、説明変数の組み合わせは表２の組み合わせ番号２の組み合わせとなり、時間領域心拍変動指標データ（ａｖｇ、ＳＤ、ｃｖ、ｒｍｓｓｄ）のすべてが含まれたものを採用すると、ＬＦとＨＦの推定値の算出の複雑さや手間を回避できると考えられる。そこで、ＣＰＵ２１は、ランダムフォレスト回帰と、決定係数が最大となったときの説明変数の組み合わせ（組み合わせ番号３に示す組み合わせ）とを関連付け、最適モデルとして第３ＤＢ２９に記憶する。

なお、Ｓ２１の処理では、最適モデルを、Ｓ１にて選定したウェアラブル端末５０の機種に関連付けて、第３ＤＢ２９に記憶することが好ましい。ウェアラブル端末５０の機種によって、心拍数の計測特性が異なるからである。

図６は、第１、第２ウェアラブル端末を用いて同時計測した際の心拍数時系列データを示すグラフである。第１ウェアラブル端末としてＰｏｌａｒ社製のＶ８００を用い、第２ウェアラブル端末として、Ｐｏｌａｒ社製のＡ３７０を用いた。測定は、次の３条件に従って行った。第１条件は、第１ウェアラブル端末を左腕に装着する条件である。第２条件は、腕時計型の第２ウェアラブル端末を左腕に装着する条件である。第３条件は、腕時計型の第２ウェアラブル端末を右腕に装着する条件である。一般に、腕時計型心拍計は、利き腕とは反対側に装着することが推奨されている。

図６に示すように、第１～第３条件とも大きな動きは相似する。しかし、第１条件と第２条件に示すように、同じ左腕に装着した第１ウェアラブル端末と第２ウェアラブル端末は大きな動きが生じた時間帯の細かな変動はほとんど一致しておらず、機種によって誤差が生じていることがわかる。また、第２条件と第３条件に示すように、同じ機種でも、装着する腕によって誤差が生じていることがわかる。

例えば、第２ウェアラブル端末と同じ機種のウェアラブル端末５０により計測した心拍数に基づいて構築された最適モデルに、第１ウェアラブル端末により計測した心拍数に基づく心拍数データを入力したとする。この場合、最適モデルから算出されるＨＦやＬＦ／ＨＦは、評価指標としての信頼性が低いと考えられ、そのまま従来の指標解釈を適用するのは結果を見誤る可能性がある。

そこで、最適モデルは、ウェアラブル端末５０を１機種選定して行う（図３のＳ３）。これにより、ウェアラブル端末５０毎に最適モデルが構築され、ウェアラブル端末５０の機種の違いによる推定誤差を抑制し、心拍変動指標を高精度に推定することが可能になる。

＜推定モデルの適用＞
上記推定モデルの選定方法に基づき、周波数領域指標ＨＦの最適モデルをランダムフォレスト回帰アルゴリズムで導出し、他の実験においてウェアラブル端末５０により収集した心拍時系列データを用いて、その最適モデルからＨＦ推定値を算出し、既往の結果と比較した。

検証データは、健常女子高校生１１名のウェアラブル端末（Ｐｏｌａｒ社製Ａ３７０）により取得した心拍数時系列データである。１１名はガスコンロ使用時の火の管理方法をＶＲ（Ｖｉｒｔｕａｌ Ｒｅａｌｉｔｙ）教材で学んでから調理実習に臨んだ。ＶＲ教材で学んでから調理実習に臨むと、調理実習中の火の管理について慎重な行動をとるようになり、調理実習前に比べ加熱調理時は緊張するようになることが知られている（例えば、河原ゆう子、伊藤久敏、清水彩子、丸山智美：ＶＲを活用した「火」の学び教材の学習効果、日本調理科学会大会研究発表要旨集、３１（０）、ｐ．３１、２０１９）。

ＨＦ推定値（ＨＦ＿ｅｓｔ）は、調理実習前（Ｐｒｅ）と加熱調理時（Ｈｅａｔｉｎｇ）で切り分け、１１名の平均値を算出し、調理実習前に比べ加熱調理時のＨＦ推定値が低下したか否かを検証した。統計的な判定には、調理実習前と加熱調理時の平均値の差の検定を実施し、有意確率１％未満で判定した。ＨＦ推定値の結果を図７に示す。加熱調理時は調理実習前に比べ有意に低値となり、加熱調理時は緊張していたと解釈できる。これは、上記既往文献の論理展開を支持する結果になった。

＜使用例＞
例えば、上記のように算出された最適モデルは、講義等における情動判定に用いられる。例えば、最適モデルに対応するウェアラブル端末５０（例えばＰｏｌａｒ製Ａ３７０）を、講義を受講する受講生に装着させる。ウェアラブル端末５０は、講義中に、受講生の心拍数を計測し、例えばクラウドサーバに心拍数時系列データを送信する。クラウドサーバには、受講生の心拍数時系列データが蓄積される。クラウドサーバは、ウェアラブル端末５０の機種を含む端末情報、あるいは、受講生を識別する識別情報に関連付けて心拍数を記憶する。

受講生の心理状態を評価するために用いられるパーソナルコンピュータ（心理状態評価装置の一例、以下「ＰＣ」とする）には、ウェアラブル端末５０の機種毎に選定された最適モデルが記憶されている。ＰＣは、最適モデルに対応するウェアラブル端末５０の機種を１つ選定する操作を受け付ける。また、ＰＣは、推定する心拍変動指標（例えば、ＬＦ、ＨＦ）を選定する操作を受け付ける。ＰＣは、選定された機種に関連付けられた心拍数時系列データをクラウドサーバからダウンロードする。そして、ＰＣは、選定された機種に対応する最適モデルを読み出し、ダウンロードした心拍数時系列データを読み込む。最適モデルは、構築時に用いた説明変数の組み合わせを含むアルゴリズムを用いて入力された心拍数時系列データから、選定された心拍変動指標の推定値を算出し、出力する。例えば、ＰＣは、算出されたＨＦ、ＬＦの推定値をディスプレイに表示したり、描画したりする。なお、ＰＣは、最適モデルから算出されたＬＦの推定値とＨＦの推定値との比を算出し、表示あるいはプリントアウトしてもよい。

講義を行った教授等は、出力結果に基づいて受講生の講義への関心度等を分析し、講義内容を見直すことが可能になる。

以上説明したように、本形態の心拍変動指標推定装置１０は、ウェアラブル端末５０の心拍数時系列データを拍動間隔時系列データに変換し、拍動間隔時系列データから複数の特徴量を算出して説明変数とし、その説明変数を組み合わせたデータに回帰モデルアルゴリズムを適用して学習する。そして、心電図データから算出した心拍変動指標の実値と学習済みモデルから算出した心拍変動指標の推定値とに基づいて算出される評価指標が最も優れていたモデルを、最適モデルとして選定するので、選定された最適モデルにより算出される心拍変動指標の推定値が、心電図データから算出した心拍変動指標の実値に近似する。よって、本形態の心拍変動指標推定装置１０によれば、ウェアラブル端末５０により計測した心拍数から心拍変動を高精度に推定できるモデルを構築することができる。これにより、ウェラブル端末の心拍数計測機能を用いて計測した心拍数を最適モデルに入力することで算出される心拍変動指標の推定値を、従来の心電図データから算出した心拍変動指標と同様に解釈して、被験者の心理状態を検討することが可能になる。

尚、本発明は、上記実施形態に限定されることなく、色々な応用が可能である。例えば、上記形態では、心拍変動指標推定装置１０が、ウェアラブル端末５０と心電計７０から心拍数時系列データと心電図データとを受信して第１ＤＢ２７と第２ＤＢ２８に記憶させることで、心拍数時系列データと心電図データとを取得した。これに対して、ウェアラブル端末５０と心電計７０が、それぞれ、計測した心拍を心拍変動指標推定装置１０に随時送信し、心拍変動指標推定装置１０側で心拍数時系列データと心電図データを生成してもよい。

例えば、上記形態では、心拍数時系列データと心電図データを通信部１２を介して取得した。これに対して、心拍数時系列データと心電図データは、クラウドサーバなどの外部記憶装置や、メモリカードなどの記憶媒体に記憶され、心拍変動指標推定装置が、それらから心拍数時系列データと心電図データを読み取って取得するようにしてもよい。

例えば、上記形態では、説明変数１～１３を例に挙げたが、これ以外の説明変数を用いてもよい。また、上記形態では、組み合わせ番号１～５を例に挙げてモデル構築を行ったが、これ以外の方法で説明変数を組み合わせてもよい。但し、組み合わせ番号３の説明変数の組み合わせを用いることで、心電図データとの相関が高い説明変数を集約（集合）させて組み合わせを作ることができ、推定率の向上を期待できる。また、説明変数となる心拍変動指標データを時間領域拍動変動指標データに限定して、説明変数の組み合わせ総数を減らし、処理負荷を低減できる。また、組み合わせ番号５の説明変数の組み合わせを用いることで、組み合わせ対象となる説明変数の数が絞られ、説明変数の組み合わせの総数を減らして処理負荷を低減できる。

心拍変動指標の実値と推定値は、ＨＦおよびＬＦの実値と推定値でなくてもよい。例えば、pNN50(percent of difference between adjacent normal RRintervals greater than 50ms)、rMSSD (rootmean square successive difference)、SDNN(standard deviation of NN intervals),SDANN(standard deviation of the normal-normal R-R period)などを、心拍変動指標の実値と推定値にしてもよい。つまり、心拍変動指標の実値と推定値は、心理状態の検討に使用可能な指標に限らず、疾病の重症度の予測に使用可能な指標などでもよい。

例えば、最適モデル選定部１０７にて選定される最適モデルは、ＨＦを算出する回帰モデルと、ＬＦを算出する回帰モデルとで、説明変数の組み合わせが同じでなくてもよい。但し、説明変数の組み合わせを同じにすることで、推定値の算出の複雑さや手間を低減できる。

例えば、図３のＳ１の処理を省略し、複数の回帰モデルを予め指定してもよい。但し、Ｓ１にて複数の回帰モデルを選定できるようにすることで、目的に合った回帰モデルを選定しやすくなる。

例えば、図３のＳ３の処理を省略してもよい。但し、Ｓ３にてウェアラブル端末５０の機種を選定することで、複数のウェアラブル端末５０を用いて心拍数を計測する場合でも、ウェアラブル端末５０の機種毎に特性に応じたモデルを構築することができる。
例えば、最適モデルを選定する場合に、回帰モデル毎に評価指標（例えば決定係数）の平均値を算出しなくてもよい。但し、回帰モデル毎に評価指標の平均値を求め、評価指標の平均値が最も大きいモデルを最適モデルに選定することで、心拍変動指標の推定に適したアルゴリズムを有する回帰モデルを最適モデルとして選定できるようになる。

例えば、上記形態では、第２アプリ２６が心拍変動指標の実値を算出したが、第１アプリ２５にて心拍変動指標の実値を算出してもよい。

例えば、上記形態に開示されているフローチャートにおいて、任意の複数のステップにおける複数の処理は、処理内容に矛盾が生じない範囲で、任意に実行順序を変更できる、または並列に実行できる。

また、上記形態に開示されている処理は、単一のＣＰＵ、複数のＣＰＵ、ＡＳＩＣなどのハードウェア、またはそれらの組み合わせで実行されてもよい。また、上記形態に開示されている処理は、その処理を実行するためのプログラムを記録した記録媒体、または方法、システム等の種々の態様で実現することができる。

１０ 心拍変動指標推定装置
２１ ＣＰＵ
２７ 第１ＤＢ
２８ 第２ＤＢ
１０１ 第１取得部
１０２ 第２取得部
１０３ 説明変数算出部
１０４ 説明変数組み合わせ部
１０５ ラーニング部
１０６ 評価指標算出部
１０７ 最適モデル選定部
１０８ 心拍変動指標実値算出部

Claims (11)

1. 被験者の体の一部に装着されて前記被験者の心拍数を計測する心拍数計測機能を備える複数のウェアラブル端末毎に、前記ウェアラブル端末が計測した被験者の心拍数を時系列で示す心拍数時系列データを取得する第１取得部と、
   前記被験者に各々装着されて前記被験者の心臓が発生する電気信号を測定する複数の心電計毎に、前記心電計が計測した前記被験者の心拍変動を示す心電図データを取得する第２取得部と、
   前記第１取得部にて取得された前記心拍数時系列データを拍動間隔時系列データに変換し、前記拍動間隔時系列データから複数の特徴量を算出し、説明変数とする説明変数生成部と、
   前記説明変数生成部にて生成した複数の説明変数を組み合わせる説明変数組み合わせ部と、
   前記第２取得部にて取得された前記心電図データから心拍変動指標の実値を算出する心拍変動指標実値算出部と、
   心拍変動指標の実値を目的変数とする回帰モデルを複数選定し、選定した回帰モデル毎に、前記説明変数組み合わせ部にて組み合わされた説明変数の組み合わせデータに回帰モデルアルゴリズムを適用して学習するラーニング部と、
   心拍変動指標実値算出部にて算出された前記心拍変動指標の実値と、前記ラーニング部にて学習した学習済みモデルから算出される心拍変動指標の推定値とに基づいて、前記選定した回帰モデル毎に評価指標を算出する評価指標算出部と、
   前記評価指標算出部にて算出された前記評価指標が最も優れていた回帰モデルと説明変数の組み合わせとからなるモデルを、最適モデルとして選定する最適モデル選定部と、
   を有すること、
   を特徴とする心拍変動指標推定装置。
2. 請求項１に記載する心拍変動指標推定装置において、
   前記説明変数組み合わせ部は、前記説明変数生成部にて算出された前記複数の特徴量についてそれぞれ、当該特徴量と、前記第２取得部にて取得した前記心電図データから算出した値であって前記特徴量に対応する前記値との相関を分析し、前記複数の特徴量のうち、前記相関が高い特徴量を組み合わせること、
   を特徴とする心拍変動指標推定装置。
3. 請求項１又は請求項２に記載する心拍変動指標推定装置において、
   前記説明変数組み合わせ部は、前記説明変数生成部にて生成された説明変数のうち、時間領域拍動変動指標データを示す説明変数を組み合わせ対象とすること、
   を特徴とする心拍変動指標推定装置。
4. 請求項１に記載する心拍変動指標推定装置において、
   前記説明変数組み合わせ部は、前記説明変数生成部にて生成された説明変数を主成分分析し、固有値が大きい主成分に説明変数を置き換えること、
   を特徴とする心拍変動指標推定装置。
5. 請求項１から請求項３の何れか１つに記載する心拍変動指標推定装置において、
   前記心拍変動指標は、心拍変動の高周波成分と低周波成分であり、
   前記最適モデル選定部にて選定される前記最適モデルは、前記高周波成分を算出する回帰モデルと、前記低周波成分を算出する回帰モデルとで、前記説明変数の組み合わせが同じであること、
   を特徴とする心拍変動指標推定装置。
6. 請求項１から請求項５の何れか１つに記載する心拍変動指標推定装置において、
   前記ウェアラブル端末の機種毎に前記最適モデルを選定すること、
   を特徴とする心拍変動指標推定装置。
7. 請求項１から請求項６の何れか１つに記載する心拍変動指標推定装置において、
   前記心拍変動指標の推定値及び前記心拍変動指標の実値は、心理状態の検討に使用可能な指標を示すこと、
   を特徴とする心拍変動指標推定装置。
8. 心拍変動指標を推定する心拍変動指標推定方法であって、
   被験者の体の一部に装着されて前記被験者の心拍数を計測する心拍数計測機能を備える複数のウェアラブル端末毎に、前記ウェアラブル端末が計測した被験者の心拍数を時系列で示す心拍数時系列データを取得する第１取得ステップと、
   前記被験者に各々装着されて前記被験者の心臓が発生する電気信号を測定する複数の心電計毎に、前記心電計が計測した前記被験者の心拍変動を示す心電図データを取得する第２取得ステップと、
   前記第１取得ステップにて取得された前記心拍数時系列データを拍動間隔時系列データに変換し、前記拍動間隔時系列データから複数の特徴量を算出し、説明変数とする説明変数生成ステップと、
   前記説明変数生成ステップにて生成した複数の説明変数を組み合わせる説明変数組み合わせステップと、
   前記第２取得ステップにて取得された前記心電図データから心拍変動指標の実値を算出する心拍変動指標実値算出ステップと、
   心拍変動指標の実値を目的変数とする回帰モデルを複数選定し、選定した回帰モデル毎に、前記説明変数組み合わせステップにて組み合わされた説明変数の組み合わせデータに回帰モデルアルゴリズムを適用して学習するラーニングステップと、
   心拍変動指標実値算出ステップにて算出された前記心拍変動指標の実値と、前記ラーニングステップにて学習した学習済みモデルから算出される心拍変動指標の推定値とに基づいて、前記選定した回帰モデル毎に評価指標を算出する評価指標算出ステップと、
   前記評価指標算出ステップにて算出された前記評価指標が最も優れていた回帰モデルと説明変数の組み合わせとからなるモデルを、最適モデルとして選定する最適モデル選定ステップと、
   を行うこと、
   を特徴とする心拍変動指標推定方法。
9. 情報処理装置に組み込まれ、
   前記情報処理装置は、
   被験者の体の一部に装着されて前記被験者の心拍数を計測する心拍数計測機能を備える複数のウェアラブル端末毎に、前記ウェアラブル端末が計測した被験者の心拍数を時系列で示す心拍数時系列データを記憶する第１記憶部と、
   前記被験者に各々装着されて前記被験者の心臓が発生する電気信号を測定する複数の心電計毎に、前記心電計が計測した前記被験者の心拍変動を示す心電図データから算出した心拍変動指標の実値を記憶する第２記憶部と、
   を備えており、
   前記コンピュータに、
   前記第１記憶部に記憶されている前記心拍数時系列データを拍動間隔時系列データに変換し、前記拍動間隔時系列データから複数の特徴量を算出し、説明変数とする説明変数生成処理と、
   前記説明変数生成処理にて生成した複数の説明変数を組み合わせる説明変数組み合わせ処理と、
   心拍変動指標の実値を目的変数とする回帰モデルを複数選定し、選定した回帰モデル毎に、前記説明変数組み合わせ処理にて組み合わされた説明変数の組み合わせデータに回帰モデルアルゴリズムを適用して学習するラーニング処理と、
   前記第２記憶部に記憶されている前記心拍変動指標の実値と、前記ラーニング処理にて学習した学習済みモデルから算出される心拍変動指標の推定値とに基づいて、前記選定した回帰モデル毎に評価指標を算出する評価指標算出処理と、
   前記評価指標算出処理にて算出された前記評価指標が最も優れていた回帰モデルと説明変数の組み合わせとからなるモデルを、最適モデルとして選定する最適モデル選定処理と、
   を実行させること、
   を特徴とする心拍変動指標推定プログラム。
10. 請求項９に記載する心拍変動指標推定プログラムにおいて、
    前記コンピュータに、前記ウェアラブル端末の前記機種毎に、前記説明変数生成処理と、前記説明変数組み合わせ処理と、前記ラーニング処理と、前記評価指標算出処理と、前記最適モデル選定処理と、を実行させること、
    を特徴とする心拍変動指標推定プログラム。
11. 請求項９又は請求項１０に記載する心拍変動指標推定プログラムにおいて、
    前記ラーニング処理と前記評価指標算出処理を、選定した回帰モデル１つにつき、所定回数ずつ行い、
    前記最適モデル選定処理では、選定した回帰モデル毎に前記評価指標の平均値を求め、前記評価指標の平均値が最も大きい回帰モデルと説明変数の組み合わせとからなるモデルを、最適モデルとして選定する、
    ことを特徴とする心拍変動指標推定プログラム。

Images