JP2022188307A - 特徴量抽出装置、状態推定装置、特徴量抽出方法、状態推定方法及びプログラム - Google Patents

Abstract

【課題】対象の状態を推定するのに適した生体信号の特徴量を抽出し、また、そのように抽出された特徴量に基づいて対象の状態を精度良く推定する。【解決手段】特徴量抽出装置は、対象の生体信号を取得する生体信号取得部１１０と、生体信号が取得されているある期間内に、互いに異なる時間長の複数の時間窓を複数の抽出用時間窓として設定する時間窓設定部１２０と、複数の抽出用時間窓の各々における生体信号の特徴量を抽出する特徴量抽出部１３０と、を備える。【選択図】図２

Description

本発明は、特徴量抽出装置、状態推定装置、特徴量抽出方法、状態推定方法及びプログラムに関する。

従来、対象の状態を推定する装置として、例えば特許文献１に開示された装置が知られている。この従来の装置は、人の睡眠状態を推定するように構成されており、人の胸部に装着される、圧電素子から成るセンサを備えている。また、従来の装置では、このセンサにより検出された人の呼吸波形データにおける所定の判定単位時間（以下「エポック」という）が設定され、このエポックごとに、呼吸波形データのピーク－ピーク間の差分などの複数の特徴量が抽出されるとともに、抽出された特徴量を用いて、人の睡眠状態が「覚醒」「浅眠」及び「深眠」の三段階の何れであるかが、推定される。

特開２０１５－２１７１３０号公報

しかし上記従来の装置では、所定のエポックごとに複数の特徴量を抽出するので、対象（人）の睡眠状態といった対象の状態の推定に適した特徴量を抽出できず、ひいては、人の睡眠状態を精度良く推定することができないおそれがある。

本発明は、上記に鑑みてなされたものであって、対象の状態を推定するのに適した生体信号の特徴量を抽出することができる特徴量抽出装置、特徴量抽出方法及びプログラムを提供することを第１の目的とし、そのように抽出された特徴量に基づいて対象の状態を精度良く推定することができる状態推定装置、状態推定方法及びプログラムを提供することを第２の目的とする。

上記の第１の目的を達成するため、本発明に係る特徴量抽出装置は、
対象の生体信号を取得する取得手段と、
前記生体信号が取得されているある期間内に、互いに異なる時間長の複数の時間窓を複数の抽出用時間窓として設定する設定手段と、
前記複数の抽出用時間窓の各々における生体信号の特徴量を抽出する抽出手段と、
を備える。

また、上記の第２の目的を達成するため、本発明に係る状態推定装置は、
上記の特徴量抽出装置と、
前記特徴量抽出装置により抽出された特徴量に基づいて前記対象の状態を推定する推定手段と、
を備える。

本発明によれば、対象の状態を推定するのに適した生体信号の特徴量を抽出でき、また、そのように抽出された特徴量に基づいて対象の状態を精度良く推定することができる。

本発明の実施の形態に係る状態推定装置の機械的構成を示す図である。 本発明の実施の形態に係る状態推定装置の機能的構成を示す図である。 本発明の実施の形態に係る脈波センサの検出波形を示す図である。 本発明の実施の形態に係る睡眠状態推定処理を示すフローチャートである。 本発明の実施の形態に係る生体信号取得処理を示すフローチャートである。 本発明の実施の形態に係る推定された心拍間隔の一例を示す図である。 本発明の実施の形態に係る特徴量抽出処理を示すフローチャートである。 本発明の実施の形態に係る心拍間隔のリサンプリングの一例を示す図である。 本発明の実施の形態に係る周波数系特徴量抽出処理を示すフローチャートである。 本発明の実施の形態に係るデータ列の抽出に利用される抽出用時間窓を説明する図である。 本発明の実施の形態に係る呼吸系特徴量抽出処理を示すフローチャートである。 本発明の実施の形態に係る時間系特徴量抽出処理を示すフローチャートである。 本発明の実施の形態に係る推定部を示す図である。

以下、本発明の実施の形態にかかる特徴量抽出装置、状態推定装置、特徴量抽出方法、状態推定方法及びプログラムについて、図面を参照して説明する。

（第１の実施の形態）
本実施の形態では、対象の状態として被験者である人間の睡眠状態を推定する例について説明する。

本実施の形態にかかる状態推定装置１０は、物理的には、図１に示すように、制御部１１と、記憶部１２と、ユーザインタフェース１３と、通信部１４と、脈波センサ１５と、体動センサ１６と、を備える。

制御部１１は、ＣＰＵ（Central Processing Unit）、ＲＯＭ（Read Only Memory）及びＲＡＭ（Random Access Memory）を備える。ＣＰＵは、例えばマイクロプロセッサ等であって、様々な処理や演算を実行する中央演算処理部である。制御部１１において、ＣＰＵは、システムバスを介して状態推定装置１０の各部に接続されており、ＲＯＭに記憶されている制御プログラムを読み出して、ＲＡＭをワークメモリとして用いながら、状態推定装置１０全体の動作を制御する制御手段として機能する。

記憶部１２は、フラッシュメモリ、ハードディスク等の不揮発性メモリである。記憶部１２は、制御部１１が各種処理を行うために使用するプログラム及びデータを記憶する。例えば、記憶部１２は、教師データとする生体データ、及び、生体状態推定における各種の設定を定めたテーブルを格納している。また、記憶部１２は、制御部１１が各種処理を行うことにより生成又は取得するデータを記憶する。

ユーザインタフェース１３は、入力キー、ボタン、スイッチ、タッチパッド、タッチパネル等のような入力受付部と、液晶パネル、ＬＥＤ（Light Emitting Diode）等の表示部、スピーカ、ブザー等の音出力部、バイブレータ等の振動部等を備える。ユーザインタフェース１３は、入力部を介してユーザから各種の操作指示を受け付け、受け付けた操作指示を制御部１１に送信する。また、ユーザインタフェース１３は、各種の情報を制御部１１から取得して、取得した情報を示す画像を表示部に表示する。

通信部１４は、状態推定装置１０が外部の機器と通信するためのインタフェースを備える。外部の機器とは、例えば、パーソナルコンピュータ、タブレット端末、スマートフォン等の端末装置である。通信部１４は、例えば、ＵＳＢ（Universal Serial Bus）、Ｗｉ－Ｆｉ（Wireless Fidelity）等の無線ＬＡＮ（Local Area Network）、Ｂｌｕｅｔｏｏｔｈ（登録商標）等を介して外部の機器と通信する。通信部１４は、制御部１１の制御の下、このような有線又は無線による通信を介して、外部の機器から教師データを含む各種データを取得する。なお、上記データは記憶部１２に予め記憶されていてもよい。

脈波センサ１５は、被験者の生体信号の１つである脈波を検出する。脈波センサ１５は、例えば被験者の耳珠、腕、指等に装着される。脈波センサ１５は、被験者の皮膚の表面から光を照射し、その反射光や透過光を観測することにより、血液内の酸化ヘモグロビンによる光の吸収量の変化を検出する。この光の吸収量の変化は血管の容積変化に対応するので、脈波センサ１５により、図３に示すように、血管の容積変化を波形としてとらえた脈波２０１が得られる。

そして、血管の容積変化は心臓の拍動に同期していると考えられるので、脈波の振幅がピークとなるタイミング（時点）を、心臓の拍動が発生した時のタイミング（以下「拍動タイミング」という）として推定することができ、また、時間軸上で互いに隣り合う脈波の２つのピークの時間間隔を、心拍間隔（Ｒ－Ｒ Ｉｎｔｅｒｖａｌ、以下「ＲＲＩ」という。）として推定することができる。したがって、制御部１１は、脈波センサ１５で検出した脈波に基づき、心拍間隔を推定することができる。拍動タイミングは、例えば、ＣＰＵが有するタイマ（又はクロック）や、脈波のサンプリング周波数を用いて、推定することができるが、他の適当な手法で推定してもよい。図３では、脈波２０１がピークとなっているタイミングが拍動タイミング２０１ｔ，２０２ｔ，２０３ｔに相当し、また、脈波２０１のピークの間隔が心拍間隔２０２ｉ，２０３ｉに相当する。本実施の形態では、ＬＥＤ光により脈波（心拍）を検出する例を用いて説明する。もちろん心臓の電気信号を直接検出してもよい。

体動センサ１６は、被験者の体の動きとして、互いに直交するＸＹＺ軸の３軸方向の加速度を検出する加速度センサである。体動センサ１６は、例えば、被験者の耳珠に取り付けられる。また、体動センサ１６としてジャイロセンサ、圧電センサ等を用いてもよい。

次に、図２を参照して、状態推定装置１０における制御部１１の機能的な構成について説明する。図２に示すように、状態推定装置１０は、機能的に、被験者の生体信号を取得するための取得手段である生体信号取得部１１０と、生体信号取得部１１０が取得した生体信号から特徴量を抽出するための抽出用時間窓を設定する設定手段である時間窓設定部１２０と、時間窓設定部１２０で設定された抽出用時間窓の範囲で生体信号から特徴量を抽出する抽出手段である特徴量抽出部１３０と、抽出された特徴量に基づいて睡眠状態を推定する推定手段である推定部１４０と、を備える。制御部１１において、ＣＰＵがＲＯＭに記憶されたプログラムをＲＡＭに読み出して実行することにより、これら各部として機能する。なお、状態推定装置１０から推定部を除いた部分は、第１の実施の形態に係る特徴量抽出装置を形成する。

次に状態推定装置１０の各機能について、図４を参照して、睡眠状態推定処理における処理の流れとともに説明する。状態推定装置１０が起動すると、この睡眠状態推定処理が開始される。または、状態推定装置１０は入力部を介してユーザから指示を受けて睡眠状態推定処理を開始してもよい。まず、状態推定装置１０の生体信号取得部１１０は、生体信号取得処理を実行する。（ステップＳ１０１）。

図５は、この生体信号取得処理のフローチャートを示している。まず、生体信号取得部１１０は脈波センサ１５からの脈波信号及び体動センサ１６からの体動信号を取得する（ステップＳ２０１）。脈波センサ１５から取得された脈波信号は、ある周波数（例えば２５０Ｈｚ）でサンプリングされ、サンプリングされた脈波信号は、バンドパスフィルタから成るプリフィルタによりフィルタリングされて、その低周波成分や高周波ノイズが取り除かれる（ステップＳ２０２）。続いて、フィルタリングされた脈波信号からＲＲＩの算出（推定）が行われる（ステップＳ２０３）。

ＲＲＩを算出する方法として、相関関数を使用する方法、高速フーリエ変換（ＦＦＴ：Fast Fourier Transform）を使用する方法、振幅の極大値の検出に基づいて算出する方法等種々の方法がある。例えば、振幅の極大値の検出に基づいてＲＲＩを算出する場合、脈波信号から振幅の極大値を検出し、振幅の極大値が検出されたタイミングから前後に所定の時間内において検出された他の複数の振幅の極大値と比較する。比較の結果、最も大きい振幅の極大値が検出されたタイミングを、拍動タイミングとして推定する。このような比較を、脈波信号の各振幅の極大値について行い、時間軸上で互いに隣り合う２つの拍動タイミングの時間間隔を、ＲＲＩとして算出する。算出されたＲＲＩを、横軸に時間、縦軸にＲＲＩをとって並べると、図６に示すようなグラフが得られる。図６では、互いに隣り合う２つの拍動タイミング（２０２ｔ等）の間隔がＲＲＩに相当し、拍動タイミング２０４ｔと拍動タイミング２０５ｔの間に本来あった拍動を算出できなかった場合の例が示されている。

ＲＲＩが算出されると、ＲＲＩの外れ値（異常値）を除去するための外れ値処理が行われる（ステップＳ２０４）。外れ値処理は、例えば以下のように行われる。算出されたＲＲＩの全区間を一定間隔（例えば２ｓｅｃ）に分割し、分割した各区間の標準偏差を計算する。計算された標準偏差が所定の閾値未満であれば、その区間のＲＲＩは、外れ値とみなされ、除去される。また、ＲＲＩが通常予想される所定の範囲（例えば０．４ｓｅｃ＜ＲＲＩ＜２．０ｓｅｃ）にあるか否か判断を行い、ＲＲＩがこの所定の範囲内になければ、安静時の心拍間隔を満たしていないとして、その区間のＲＲＩは外れ値とみなされ、除去される。さらに、隣接するＲＲＩの差が所定の値（例えば０．３ｓｅｃ）を超えているか否か判断を行い、隣接するＲＲＩの差がこの値を超えていれば、急激な心拍間隔の変動は考えにくいので、隣接するＲＲＩの双方が外れ値とみなされ、除去される。図の心拍間隔２０５ｉは外れ値（異常値）として除去される。

続いて、生体信号取得部１１０は、前記ステップＳ２０１で取得された体動信号、すなわちＸＹＺ軸の３軸方向の加速度を、あるサンプリングレート（例えば３０Ｈｚ）でサンプリングし、さらにこのサンプリングレートよりも低いサンプリングレート（例えば２Ｈｚ）でリサンプリングして、加速度の時系列データを取得し、取得した加速度データからＸＹＺ軸方向の加速度の合成ベクトルの大きさ（ノルム）を算出する（ステップＳ２０５）。図示しないが、算出された合成ベクトルのノルムに、バンドパスフィルタによるフィルタリングを施し、ノイズが除去される。この場合、バンドパスフィルタの通過帯域は、例えば０．０５Ｈｚ～０．２５Ｈｚに設定されている。

図４に戻って、生体信号取得部１１０が生体信号取得処理を終了すると、特徴量抽出部１３０は、生体信号取得部１１０で算出されたＲＲＩ及び加速度ノルムから特徴量を抽出するための特徴量抽出処理を行う（ステップＳ１０２）。特徴量は、時間窓設定部１２０で設定された抽出用時間窓にしたがって抽出される。

特徴量抽出部１３０は、特徴量としてＲＲＩの周波数に基づく特徴量である周波数系特徴量と、ＲＲＩから抽出される呼吸信号に基づく特徴量である呼吸系特徴量と、ＲＲＩの時間、加速度ノルムの時間に基づく特徴量である時間系特徴量を抽出する。これらの特徴量は、ＲＲＩが被験者の脈波信号に基づくため、脈波信号の特徴量とみなすことができ、また、時間系特徴量は、加速度ノルムが被験者の体動信号に基づくため、体動信号の特徴量とみなすことができる。ステップＳ１０２で行われる特徴量抽出処理について、図７のフローチャートにしたがって、順番に説明する。

特徴量抽出部１３０は、ＲＲＩが算出されると、特徴量抽出の前処理として、ＲＲＩの揺らぎによるサンプリング間隔の不揃いを等間隔に揃えて等間隔ＲＲＩを生成する処理を行う（ステップＳ３０１）。サンプリング間隔を等間隔にすることにより、特徴量抽出のために行われるＦＦＴ処理を可能とする。例えば、図８に示すように、外れ値除去後のＲＲＩを直線補間（スプライン補間等も可能）することにより点線２００を求め、補間された点線２００上の値を、体動センサ１６の体動信号のサンプリング周波数と同じ値に設定されたリサンプリング周波数（２Ｈｚ）で、すなわち０．５秒ずつ、点２１１、点２１２、…、点２２３のようにリサンプリングし、サンプリング間隔を等間隔にする。これにより、等間隔ＲＲＩのデータ列が生成される。

特徴量抽出部１３０は、ステップＳ３０１で前処理を終えると、上記の周波数系特徴量、呼吸系特徴量及び時間系特徴量の各々の抽出を行うための各種特徴量抽出処理を行う（ステップＳ３０２）。

図９は、上記のステップＳ３０２で実行される各種特徴量抽出処理のうち、周波数系特徴量を抽出するための周波数系特徴量抽出処理を示している。まず、この周波数系特徴量抽出処理の概要について説明する。周波数系特徴量抽出処理では、後述する各抽出用時間窓によって抽出された等間隔ＲＲＩのデータ列ｒｄａｔａ［ｉ］に対してＦＦＴ処理を行うことによって周波数解析し、周波数におけるパワースペクトルの分布を算出する。パワースペクトルの分布から、低周波帯域のパワースペクトルと、高周波帯域のパワースペクトルとを求め、これらのパワースペクトルに基づく複数のパラメータを、特徴量として抽出する。

低周波帯域ｌｆ（例えば０．０１Ｈｚ～０．１５Ｈｚ）のパワースペクトルは、主に交感神経の活性状況を表しており、低周波帯域ｌｆのパワースペクトルが大きいほど、被験者の交感神経はより活発であるとみなせる。また、高周波帯域ｈｆ（例えば０．１５Ｈｚ～０．５Ｈｚ）のパワースペクトルは、主に副交感神経の活性状況を表しており、高周波帯域ｈｆのパワースペクトルが大きいほど、被験者の副交感神経が活発であるとみなせる。

交感神経と副交感神経は睡眠状態と一定の相関関係を有している。人の睡眠状態は、覚醒状態、レム睡眠、ノンレム睡眠といった段階に分類することができる。ノンレム睡眠については、さらに浅い睡眠と深い睡眠といった段階に分類することができる。ノンレム睡眠時は、交感神経が休息し、拍動が遅くなる。これに対してレム睡眠時は、覚醒時と同程度に交感神経が働いており、ノンレム睡眠時と比較して拍動は速くなる。したがって、等間隔ＲＲＩの低周波帯域ｌｆのパワースペクトルと高周波帯域ｈｆのパワースペクトルを用いて、睡眠状態の推定を行うことができる。

図９に示すように、周波数系特徴量抽出処理では、まず、上述したＦＦＴ処理を行うための抽出用時間窓を設定する（ステップＳ４０１）。時間窓設定部１２０は、生体信号取得部１１０で取得されたＲＲＩ及び加速度ノルムから特徴量を抽出するための区間である抽出用時間窓を設定する。睡眠ポリグラフ検査（ＰＳＧ：Polysomnography）では、一定時間であるエポック単位で睡眠状態の推定が行われる。エポックは３０ｓｅｃが選ばれることが多い。そこで、これに合わせて、抽出用時間窓を、時間軸上で３０ｓｅｃずつずらしながら設定し、設定した抽出用時間窓内におけるＲＲＩの特徴量を抽出する。抽出用時間窓は、大局的な特徴を抽出するための長時間窓、瞬間的な特徴を抽出するための短時間窓、これらの中間的な窓等、多段に設定される。このように構成することで、多様な特徴量が取得される。

図１０は、エポックの基準時点ｔにおいて設定される抽出用時間窓を示している。横軸は時間軸を表し、基準時点ｔを中心として、サンプル周波数２Ｈｚ、５１２サンプルポイントが含まれる２５６ｓｅｃ（≒４分）の長さの期間内で、レイヤ０～レイヤ３までの互いに異なる複数の期間を有する抽出用時間窓が設定される。レイヤ０には、２５６ｓｅｃ（≒４分）の時間長を有する期間である窓１が設定される。窓１には、２×２５６＝５１２個のサンプルポイントが含まれる。レイヤ１には、１２８ｓｅｃ（≒２分）の時間長を有する期間である窓２～窓４の３つの抽出用時間窓が設定される。窓２～窓４は、隣接する窓が６４ｓｅｃ（≒１分）重複するように、時間軸上の互いに異なる位置に、それぞれ設定される。したがって窓３は、基準時点ｔを中心に設けられる。それぞれの抽出用時間窓には、２５６個のサンプルポイントが含まれる。レイヤ２には、６４ｓｅｃ（≒１分）の時間長を有する期間である窓５～窓１１の７つの抽出用時間窓が設定される。窓５～窓１１は、隣接する窓が３２ｓｅｃ重複するように、時間軸上の互いに異なる位置に、それぞれ設定される。したがって、窓８は、基準時点ｔを中心に設定される。それぞれの抽出用時間窓には、１２８個のサンプルポイントが含まれる。レイヤ３には、３２ｓｅｃの時間長を有する期間である窓１２～窓１９の８つの抽出用時間窓が設定される。窓１２～窓１９は、互いに重複することなく、間隔を空けずに連続するように、時間軸上の互いに異なる位置に、設定される。それぞれの抽出用時間窓には、６４個のサンプルポイントが含まれる。以下、等間隔ＲＲＩのデータ列から各抽出用時間窓で抽出されたデータ列をｒｄａｔａ［ｐ］［ｉ］で表す。なお、ｐは時間窓の番号で、ｉはサンプルの番号である。つまり、ｐは１から１９までの値となり、データ列ｒｄａｔａ［ｐ］［ｉ］の抽出に用いた各抽出用時間窓におけるサンプル数がｎなら、ｉは１からｎまでの値となる。

ステップＳ４０１で設定された抽出用時間窓にしたがって、特徴量抽出のためのデータが抽出される（ステップＳ４０２）。抽出する特徴量によって用いられる抽出用時間窓は異なる。抽出用時間窓にしたがって抽出されたデータに対してＦＦＴ処理が行われる（ステップＳ４０３）。周波数系特徴量抽出処理においては、レイヤ０からレイヤ３までの全ての抽出用時間窓（窓１～窓１９）を使用してＦＦＴ処理を行う。各抽出用時間窓で抽出された等間隔ＲＲＩのデータ列ｒｄａｔａ［ｐ］［ｉ］に対してＦＦＴ周波数解析処理が行われ、周波数パワースペクトル密度が算出されると、抽出用時間窓毎に、ＲＲＩの特徴量の抽出が行われる（ステップＳ４０４）。この場合、睡眠状態の判定のために、ＲＲＩの特徴量として、前述した低周波帯域ｌｆのパワースペクトル、高周波帯域ｈｆのパワースペクトルを含む以下の９つの特徴量を抽出する。
ｌｆ，ｈｆ，ｖｌｆ，ｔｆ，ｈｆ＿ｌｆｈｆ，ｌｆ＿ｈｆ，ｖｌｆ／ｔｆ，ｌｆ／ｔｆ，ｈｆ／ｔｆ
ここで、
ｌｆ：０．０１Ｈｚより大きく、０．１５Ｈｚ以下のパワースペクトル
ｈｆ：０．１５Ｈｚより大きく、０．５Ｈｚ以下のパワースペクトル
ｖｌｆ：０．０１Ｈｚ以下のパワースペクトル
ｔｆ：ｖｌｆ＋ｌｆ＋ｈｆ
ｈｆ＿ｌｆｈｆ：ｈｆ／（ｈｆ＋ｌｆ）
ｌｆ＿ｈｆ：ｌｆ／ｈｆ
である。

上述したように、レイヤ０の窓数が１、レイヤ１の窓数が３、レイヤ２の窓数が７、レイヤ３の窓数が８、合計１９個の抽出用時間窓が設定されている。各抽出用時間窓で抽出されるＲＲＩの特徴量は９個であることから、合計で１７１（＝９×１９）次元のＲＲＩの特徴量が抽出される。

次に、図７のステップＳ３０２で実行される各種特徴量抽出処理のうち、呼吸系特徴量抽出処理について説明する。呼吸系特徴量は、生体信号としての呼吸に関する特徴量である。ＲＲＩには、呼吸性の変動成分が含まれており、呼気で心拍数が減少し、吸気で心拍数が増大することにより生じる呼吸性洞性不整脈（Respiratory Sinus Arrhythmia、以下「ＲＳＡ」という。）により約０．２５Ｈｚの揺らぎが生じる。呼吸に関する特徴量として、このＲＳＡを用いる。

図１１は、図７のステップＳ３０２で実行される、呼吸系特徴量を抽出するための呼吸系特徴量抽出処理を示している。まず、ステップＳ５０１では、抽出用時間窓を設定する。次いで、ステップＳ５０１で設定された抽出用時間窓にしたがって、特徴量抽出のためのデータが抽出される（ステップＳ５０２）。抽出用時間窓にしたがって抽出されたデータに対してＦＦＴ処理が行われる（ステップＳ５０３）。この呼吸系特徴量の抽出処理では、ステップＳ５０１において、レイヤ１の３個の抽出用時間窓である窓２～窓４が設定される。そして、ステップＳ５０２、Ｓ５０３において、各抽出用時間窓で抽出された等間隔ＲＲＩのデータ列（ｒｄａｔａ［２］［ｉ］、ｒｄａｔａ［３］［ｉ］及びｒｄａｔａ［４］［ｉ］）に対してＦＦＴ周波数解析処理が行われ、０．１Ｈｚ～０．４Ｈｚの範囲でパワースペクトル密度が最大の周波数を、ＲＳＡとして求める。ＲＳＡが求められると、抽出用時間窓毎に、呼吸に関する特徴量の抽出が行われる（ステップＳ５０４）。呼吸はノンレム睡眠の状態において安定するため、標準偏差が小さくなる。逆に、覚醒状態、レム睡眠状態においては、呼吸が安定しないため、標準偏差が大きくなる。そこで等間隔ＲＲＩのデータ列に含まれる呼吸データのうち、睡眠と相関関係があると考えられる以下の６個の特徴量を抽出する。

上記で求めたＲＳＡ［ｊ］（ｊは抽出に用いた抽出用時間窓に対応する（窓２：ｊ＝０、窓３：ｊ＝１、窓４：ｊ＝２））に対して、
ｍＲＳＡ：ＲＳＡ［ｊ］の平均値＝（ＲＳＡ［０］＋ＲＳＡ［１］＋ＲＳＡ［２］）／３
ｓｄＲＳＡ：ＲＳＡ［ｊ］の標準偏差＝ＲＳＡ［０］、ＲＳＡ［１］及びＲＳＡ［２］から得られる標準偏差
ｍｉｎＲＳＡ：ＲＳＡ［ｊ］の最小値＝ｍｉｎ（ＲＳＡ［０］，ＲＳＡ［１］，ＲＳＡ［２］）
ｍａｘＲＳＡ：ＲＳＡ［ｊ］の最大値＝ｍａｘ（ＲＳＡ［０］，ＲＳＡ［１］，ＲＳＡ［２］）
ｃｖＲＳＡ：ｓｄＲＳＡ／ｍＲＳＡ（ただし、ｍＲＳＡ≒０ならｃｖＲＳＡ＝０） 呼吸変動係数
ＲＳＡ［１］：中央の抽出用時間窓である窓３のＲＳＡ
この呼吸系特徴量抽出処理では、窓２～窓４の３個の抽出用時間窓から６次元の特徴量を抽出する。

次に、図７のステップＳ３０２で実行される各種特徴量抽出処理のうちの時間系特徴量抽出処理について説明する。時間系特徴量抽出処理は、等間隔ＲＲＩのデータ列ｒｄａｔａ［ｐ］［ｉ］（時系列データ）そのものから得られる特徴量を抽出するＲＲＩ系特徴量抽出処理と、加速度のデータ列ｍｄａｔａ［ｐ］［ｉ］そのものから得られる特徴量を抽出する体動系特徴量抽出処理を含む。この加速度のデータ列ｍｄａｔａ［ｐ］［ｉ］は、図５のステップＳ２０５で算出された加速度のノルムのデータ列のことであり、ｐ及びｉは、時間窓の番号及びサンプルの番号である。

時間系特徴量抽出処理について、図１２に示すように、ステップＳ６０１で抽出用時間窓が設定された後、設定された抽出用時間窓にしたがって特徴量抽出のためのデータが抽出される（ステップＳ６０２）。時間系特徴量抽出処理においては、レイヤ０からレイヤ３までの全ての抽出用時間窓（窓１～１９）が設定される。各抽出用時間窓にしたがって抽出されたＲＲＩのデータ列ｒｄａｔａ［ｐ］［ｉ］に対してＲＲＩ系特徴量の抽出が行われるとともに、加速度のデータ列ｍｄａｔａ［ｐ］［ｉ］に対して体動系特徴量の抽出が行われる（ステップＳ６０３）。ＲＲＩ系特徴量及び体動系特徴量は以下に示す通りである。

（ＲＲＩ系特徴量）
ＲＲＩ系特徴量として、以下のｍＲＲＩ、ｍＨＲ、ｓｄＲＲＩ、ｃｖＲＲＩ、ＲＭＳＳＤ、ｐＮＮ５０の６個の値を、抽出用時間窓毎に算出（導出）する。ただし、ｒｄａｔａ［ｐ］［ｉ］の値の単位はミリ秒とし、各値は以下のとおりである。
ｍＲＲＩ＝ｒｄａｔａ［ｐ］［ｉ］の平均値
ｍＨＲ＝６００００／ｍＲＲＩ
（注：ミリ秒を単位とするｍＲＲＩから、１分当たりの拍数（ｍＨＲ）を求めるため、６０秒×１０００＝６００００をｍＲＲＩで割っている。）
ｓｄＲＲＩ＝ｒｄａｔａ［ｐ］［ｉ］の標準偏差
ｃｖＲＲＩ＝ｓｄＲＲＩ／ｍＲＲＩ
ＲＭＳＳＤ＝互いに隣り合うｒｄａｔａ［ｐ］［ｉ］の差の自乗の平均値の平方根
ｐＮＮ５０＝互いに隣り合うｒｄａｔａ［ｐ］［ｉ］の差が所定の時間（例えば５０ｍｓｅｃ）を超える回数の割合
（注：連続した隣接する心拍間隔の差が５０ｍｓｅｃを超える割合は、迷走神経緊張強度の指標とされているため、本実施形態では上記所定の時間として５０ｍｓｅｃを採用している。）
抽出用時間窓毎に上記６個の値が得られ、抽出用時間窓が１９個あるため、合計６×１９＝１１４個の特徴量が導出される。

（体動系特徴量）
加速度センサによって計測される体動の大きさと発生回数は、覚醒状態と睡眠状態において異なる。体動系特徴量として、以下のｍＡＣＴ、ｓｄＡＣＴ、ｍｉｎＡＣＴ、ｍａｘＡＣＴ、ｃｖＡＣＴの５個の値を、抽出用時間窓毎に導出する。各値は以下のとおりである。
ｍＡＣＴ：ｍｄａｔａ［ｐ］［ｉ］の平均値
ｓｄＡＣＴ：ｍｄａｔａ［ｐ］［ｉ］の標準偏差
ｍｉｎＡＣＴ：ｍｄａｔａ［ｐ］［ｉ］の最小値
ｍａｘＡＣＴ：ｍｄａｔａ［ｐ］［ｉ］の最大値
ｃｖＡＣＴ：ｓｄＡＣＴ／ｍＡＣＴ
抽出用時間窓毎に上記５個の値が得られ、抽出用時間窓が１９個あるため、合計５×１９＝９５個の特徴量が導出される。

なお、上述した特徴量の他に、大きな体動が発生してからの経過時間を特徴量として抽出してもよい。体動は、上述した加速度ノルムで表され、基準時点ｔ毎に体動の平均値ｍＡＣＴが算出される。ｍＡＣＴが所定の閾値を超えたことによって大きな体動が発生したと判定される。閾値として異なる４つの値が設定される。経過時間は、大きな体動が検出されてから次のエポック基準時点ｔに達する毎に１ずつカウントすることによって計測される。カウント値は、最後にｍＡＣＴが１．０５を超えてからのカウント値、最後にｍＡＣＴが１．１０を超えてからのカウント値、最後にｍＡＣＴが１．１５を超えてからのカウント値、最後にｍＡＣＴが１．２０を超えてからのカウント値の４つであり、４次元の特徴量が抽出される。ここで、ｍＡＣＴ＝１．０は、被験者が静止していることを表し、その値がより大きくなるほど、被験者の体動がより大きいことを表す。

図７に戻って、各特徴量が計算されると、これらの特徴量から不必要な特徴量を削減する特徴量選択（次元圧縮）処理が行われる（ステップＳ３０３）。被験者の睡眠状態を推定するために、特徴量を入力とする機械学習のモデルを使用する際には、有効な特徴量の組み合わせを決定することが重要である。特徴量の中には、モデルの性能に寄与しないばかりか逆に悪影響を与えるものもあり得る。特徴量の選択を行うことにより、変数を少なくして解釈性を上げる、計算コストを下げて学習時間を短縮する、過適合を避けて汎用性を向上させる、といった効果が得られる。特徴量選択の手法として、例えば、分散分析（ＡＮＯＶＡ：analysis of varianc）と再帰的特徴消去（ＲＦＥ：Recursive Feature Elimination）により特徴量を削減する。ＲＦＥにおいて、実際に機械学習のモデルを用いて、特徴集合を学習・評価してどの特徴が重要であるかを確認し、指定した特徴数になるまで特徴量の消去を行う。

次元圧縮により特徴量が削減されると、残った特徴量を時間軸上で前方（未来）あるいは後方（過去）に移動させたものを特徴量として追加する特徴量拡大処理が行われる（ステップＳ３０４）。なお、上記次元圧縮処理（ステップＳ３０３）及び特徴量拡大処理（ステップＳ３０４）は、本発明を実施するうえで必ずしも必要でなく、省略も可能である。

特徴量拡大処理が行われた特徴量は、プリフィルタにより時間方向に平滑化が行われる（ステップＳ３０５）。プリフィルタは、例えば、ガウシアンフィルタであり、不自然な急激に変化するデータが推定部１４０に入力されないようにして、誤った睡眠状態の推定が行われることを防止する。抽出された特徴量は０～１の間で正規化されて推定部１４０に入力される。

図４に戻って、特徴量抽出部１３０により複数の特徴量（周波数系特徴量、呼吸系特徴量、時間系特徴量）が抽出されると、推定部１４０は、特徴量抽出部１３０で抽出された特徴量に基づき、睡眠状態を推定する（ステップＳ１０３）。この睡眠状態の推定は３０ｓｅｃ単位で行われる。

推定部１４０は、２クラス識別器を組み合わせた多クラス識別器で構成される。識別器は、例えば、多クラス－ロジスティック回帰を採用する。例えば、被験者の睡眠状態が覚醒状態である［ａｗａｋｅ］クラスと、覚醒状態以外の状態である［それ以外］クラスの２つのクラスに分けられた目的変数（従属変数）に対して、ｔｆ，ｖｌｆ，ｌｆ，ｈｆ，ｈｆ＿ｌｆｈｆ，ｌｆ＿ｈｆ，ｖｌｆ／ｔｆ，ｌｆ／ｔｆ，ｈｆ／ｔｆ等の特徴量である説明変数（独立変数）のうち、どの組み合わせが有意に影響するかを知ることができる。入力される特徴量に対して、出力は、睡眠状態が覚醒状態（ａｗａｋｅ）であること、レム睡眠状態（ｒｅｍ）であることを、浅い睡眠状態（ｌｉｇｈｔ）であること、深い睡眠状態（ｄｅｅｐ）であることを表す出力の４つの出力とする。このため、推定部１４０は、図１３に示すように、４つの２クラスの識別器の組み合わせで構成される。すなわち、推定部１４０は、睡眠状態が覚醒状態［ａｗａｋｅ］と覚醒状態以外の状態［ａｗａｋｅ以外］のいずれであるかを識別する第１の識別器３０１と、レム睡眠状態［ｒｅｍ］とレム睡眠状態以外の状態［ｒｅｍ以外］のいずれであるかを識別する第２の識別器３０２と、浅い睡眠状態［ｌｉｇｈｔ］と浅い睡眠状態以外の状態［ｌｉｇｈｔ以外］のいずれであるかを識別する第３の識別器３０３と、深い睡眠状態［ｄｅｅｐ］と深い睡眠状態以外の状態［ｄｅｅｐ以外］のいずれであるかを識別する第４の識別器３０４とを備えるとともに、第１～第４の識別器３０１～３０４の出力をスコア判定するスコア判定器３０５を備える。ロジスティック回帰は、目的変数と説明変数を以下の関係式（シグモイド関数）で表す。

（数１）
ｆ（ｘ）＝１／｛１＋ｅｘｐ［－（ａ１・ｘ１＋ａ２・ｘ２＋
．．．＋ａｎ・ｘｎ＋ａ０）］｝

ｆ（ｘ）は、目的変数である事象の発生確率、ｘｎは説明変数である各種の特徴量、ａｎは学習係数（判定条件のパラメータ）、ｎはデータの種類数である次元数を表す。ｆ（ｘ）と１－ｆ（ｘ）の大小比較で、２クラスのいずれであるか識別する。上記関係式により、予測値の算出、関係式に用いた説明変数の目的変数に対する貢献度を明らかにする。

１対他の２クラス識別器である第１の識別器３０１、第２の識別器３０２、第３の識別器３０３、及び第４の識別器３０４の各々に特徴量が入力されると、それぞれの識別器が識別処理を行う。

第１の識別器３０１は、被験者の睡眠状態が覚醒状態である確率Ｐ１（＝ｆ（ｘ））を出力し、覚醒状態でない確率１－Ｐ１（＝１－ｆ（ｘ））との大小比較から、確率Ｐ１が１－Ｐ１よりも大きい場合には、出力としての確率Ｐ１は、睡眠状態が覚醒状態であることを表し、１－Ｐ１がＰ１よりも大きい場合には、覚醒状態以外であることを表す。第２の識別器３０２は、被験者の睡眠状態がレム睡眠状態である確率Ｐ２を出力し、レム睡眠状態でない確率１－Ｐ２との大小比較から、確率Ｐ２が１－Ｐ２より大きい場合には、出力としての確率Ｐ２は、睡眠状態がレム睡眠状態であることを表し、１－Ｐ２が大きい場合には、レム睡眠状態以外であることを表す。第３の識別器３０３は、被験者の睡眠状態が浅い睡眠状態である確率Ｐ３を出力し、浅い睡眠状態でない確率１－Ｐ３との大小比較から、確率Ｐ３が１－Ｐ３より大きい場合には、出力としての確率Ｐ３は、睡眠状態が浅い睡眠状態であることを表し、１－Ｐ３が大きい場合には、浅い睡眠状態以外であることを表す。第４の識別器３０４は、被験者の睡眠状態が深い睡眠状態である確率Ｐ４を出力し、深い睡眠状態でない確率１－Ｐ４との大小比較から、確率Ｐ４が大きい場合には、深い睡眠状態であることを表し、１－Ｐ４が大きい場合には、深い睡眠状態以外であることを表す。各クラス出力結果に対して時間方向ガウシアンフィルタが設けられる。出力データはフィルタによって平滑化されることにより、不自然な急激な出力データの変化が除去され、誤った睡眠状態の推定が行われないようにする。

ガウシアンフィルタによって平滑化された第１～第４の識別器３０１～３０４の出力（確率Ｐ１～Ｐ４）は、スコア判定器３０５に入力される。スコア判定器３０５は、第１～第４の識別器３０１～３０４の出力（確率Ｐ１～Ｐ４）を大小比較し、被験者の睡眠状態が、確率Ｐ１～Ｐ４のうちの最大値に対応する睡眠状態であると推定し、そのことを表すデータをユーザインタフェース１３に出力する。これによって、推定された睡眠状態がユーザに提示される。

判定条件のパラメータａｎは、サンプルデータを用いた機械学習により決定される。推定部１４０による睡眠状態の推定が３０ｓｅｃ単位で行われることから、３０ｓｅｃ毎に、専門家により脳波、心電計等に基づいて推定された睡眠状態を記録したラベルを、特徴量のサンプルデータに付加する。サンプルデータは、覚醒状態、レム睡眠状態、浅い睡眠状態、深い睡眠状態ごとに用意される。用意されたサンプルデータについて特徴量抽出処理が行われる。抽出した特徴量のデータとラベルは対応付けて教師データとして記憶される。なお、機械学習は本識別装置内で行っても、別の装置で実行されて判定モデルを本識別装置に保存してもよい。

なお、推定部１４０を、活性化関数としてシグモイド関数を使って１対他の２クラス識別器を複数設けることにより構成したが、これに限らず、活性化関数としてソフトマックス関数を用いて、多クラス識別器として構成してもよい。また、１対１の２クラス識別器を複数設けることにより推定部１４０を構成してもよい。また、機械学習のアルゴリズムとして、ロジスティック回帰を用いているが、これに限らず、例えば、サポートベクターマシン、ニューラルネットワーク、決定木、ランダムフォレストなどを用いてもよい。また、複数のアルゴリズムを組み合わせて用いてもよい。例えば、ＳＶＣ（Support Vector Classification）、ＳＶＲ（Support Vector Regression）、Ｌｉｎｅａｒ ＳＶＣ（Support Vector Classification）、ｘｇｂｏｏｓｔ（eXtreme Gradient Boosting）等がある。

図４に戻って、推定部１４０による睡眠状態の推定は、リアルタイムに３０ｓｅｃ単位で行われる。制御部１１は、終了条件を満たしたか否かを判定する（ステップＳ１０４）。終了条件は、例えば、処理開始からの経過時間が設定した時間に達した場合、入力部を介して終了の指示があった場合等である。終了条件を満たさない場合（ステップＳ１０４：ＮＯ）、ステップＳ１０１に戻り、引き続き睡眠状態の推定処理を行う。終了条件を満たす場合（ステップＳ１０４：ＹＥＳ）、睡眠状態推定処理を終了する。

以上のように、本実施の形態によれば、生体信号が取得されているある期間内に、互いに異なる時間長の複数の抽出用時間窓を設定するとともに、設定された複数の抽出用時間窓の各々における生体信号の特徴量を抽出することにより、特徴量として、生体信号が長い時間をかけて変化するマクロ的な特徴と、短時間で変化するミクロ的な特徴とを抽出することが可能である。例えば、生体信号が時間をかけて変化していく特徴が睡眠状態を推定する上で大きな要因となる場合であっても、特徴量抽出の抽出用時間窓が短いと、時間をかけて変化していく特徴量を抽出することができない。この場合、ある期間内において過去及び未来に向けて大きく広がる窓１を用いて抽出した特徴量に基づく推定を行うことにより、そのように推定された特徴量に基づいて正しい睡眠状態の推定が可能となる。

逆に、生体信号の局所的な短い時間の変化が特徴量として睡眠状態を判断する上で大きな要因となる場合であっても、特徴量抽出の抽出用時間窓の時間長が長いと、この局所的変化を特徴量として把握することができない。この場合、特徴量抽出の抽出用時間窓の時間長を短くすることにより、局所的変化を特徴量として抽出することができ、そのように推定された特徴量に基づいて正しい睡眠状態の推定が可能となる。また、ある期間内における生体信号の特徴量に基づいた睡眠状態の判定において、例えば過去に多少遡った時点での生体信号の局所的変化が、睡眠状態の大きな判定要因となる場合もあり得る。さらにこのような生体信号の局所的変化が、互いに異なる複数の時点で発生することもあり得る。この場合、特徴量抽出の抽出用時間窓の時間長を短くするとともに、抽出用時間窓を、時間軸上における所定期間内において過去に遡った複数の位置に設定することにより、睡眠状態の推定精度を高めることが可能となる。また、時間軸上で互いに隣り合う抽出用時間窓を、時間軸上で部分的に重複（オーバーラップ）させることにより、特徴量をきめ細かく（洩れなく）抽出することができる。また、ある期間内において抽出用時間窓を連続させるように設定することにより、ある期間内に取得される生体信号から洩れなく特徴量を抽出することができる。睡眠状態の判断の大きな要因となる特徴量の発生の位置及び範囲は多様であると考えられる。したがって、異なる時間長の抽出用時間窓を時間軸上の互いに異なる位置に設定し、これらの抽出用時間窓から得られた特徴量を併用することにより、特徴量のマクロ的変化、ミクロ的変化を逃すことなく捉えることが可能となり、睡眠状態の推定精度を高めることが可能となる。

さらに、睡眠状態の推定の目的に応じて、抽出する特徴量を変更してもよい。例えば、就寝中全体における睡眠状態の傾向を知りたい場合は、時間長が長い抽出用時間窓から得られる特徴量を選択し、就寝中のある一時点における睡眠状態の詳細を知りたい場合は、時間長が短い抽出用時間窓から得られる特徴量を選択するようにしてもよい。

以上の睡眠状態推定処理により、状態推定装置１０は、被験者が睡眠中であっても睡眠状態をリアルタイムで推定することができる。

本実施の形態により被験者４５人分の睡眠状態を推定したところ、その推定精度を表すｔｏｔａｌ＿ａｃｃｕｒａｃｙ及びｔｏｔａｌ＿ｋａｐｐａがそれぞれ、０．７２２９及び０．５９６０となった。これに対し、前述した従来のように、単一の抽出用時間窓（３０秒）を用いて生体信号の特徴量を抽出するとともに、抽出した生体信号の特徴量に基づいて同じ被験者４５人分の睡眠状態を推定した場合には、ｔｏｔａｌ＿ａｃｃｕｒａｃｙが０．６９４２となり、ｔｏｔａｌ＿ｋａｐｐａが０．５５７６となった。このように、単一の抽出用時間窓を用いた場合と比較して、被験者の睡眠状態を精度良く推定できることが分かった。

上記の実施の形態において、複数の抽出用時間窓の数及び時間長の少なくとも一方を、各種の条件やパラメータに応じて可変に設定してもよい。例えば、複数の抽出用時間窓の数や時間長は、対象の睡眠状態の変化に基づいて変更される。この場合、睡眠状態が変化する状況において、睡眠状態の推定精度を上げるために、より多くの特徴量を抽出するように、抽出用時間窓を設定する。逆に睡眠状態が変化しないような状況では、抽出用時間窓の数を少なくするとともに、抽出用時間窓の時間長を長く設定することにより、演算負荷を低下させる。睡眠状態が変化する状況は、例えば、被験者の周囲の外気温の変化度合や、被験者の周囲の照度の変化度合、被験者の深部体温の変化度合等（これらの少なくとも１つ）に基づいて判定できる。この判定は、ＣＰＵが判定手段として機能することによって行われる。被験者の深部体温は、被験者の耳や頭からセンサ等を用いて検出することができる。また、心拍数、体動等あるいは特徴量そのものに基づいて、睡眠状態が変化する状況を判定することができる。あるいは、抽出用時間窓の数及び時間長の少なくとも一方を、対象（人間の）の安静中の場合と運動中の場合とで、互いに異ならせるように設定してもよい。この対象が安静中及び運動中のいずれであるか否かの判定は、対象の状態の判定として、ＣＰＵが判定手段として機能することにより行われ、体動センサ１６などの検出結果に基づいて行われる。

さらに、抽出用時間窓の数及び時間長の少なくとも一方を、対象の性別及び年齢の少なくとも一方を含む対象の個体情報に応じて設定してもよい。この場合、対象（人間）の個体情報は、ユーザインタフェース１３を介してユーザにより入力され、入力された個体情報が、ＣＰＵが個体情報取得手段として機能することによって取得される。

また、上述の実施の形態では、時間長が比較的短い複数の抽出用時間窓（窓１２～窓１９）を、時間軸上で互いに重複せず且つ間隔をあけずに互いに連続するように、設定しているが、時間軸上で互いに間隔をあけるように、設定してもよい。その場合には、生体信号の特徴量の精度の低下を抑えながら、特徴量のデータ量を削減することができる。

上述の実施の形態では、被験者（対象）の脈波を検出するため脈波センサ１５や体の動きを検出するための体動センサ１６を備えていたが、センサの種類はこれらに限定されない。対象の生体信号を取得するセンサであれば、任意のセンサを備えることができる。また、例えば通信部１４を介して外部の装置等から生体信号又は生体信号の特徴量を受信できる場合は、状態推定装置１０は、センサを備える必要はない。

なお、上述の実施の形態では、状態推定装置１０は、生体信号として、耳珠に装着された脈波センサによる脈波と、耳珠に装着された加速度センサによる加速度とを用いていたが、生体信号はこれらに限定されない。状態推定装置１０が用いることができる生体信号としては、体動（頭部、腕、胸、足、胴体等に設置した加速度センサで検出）、筋電（頭部（こめかみや鼻の周り）、腕、胸、足、胴体等に設置した筋電センサで検出）、汗（皮膚電位計や湿度センサで検出）、心拍（心電計、ベッド下に設置された圧力センサ（心弾動図波形の検出）、頭部、腕、胸、足、胴体等に設置した脈波センサ等で検出）等が含まれる。

また、上述の実施の形態では、状態推定装置１０は、睡眠状態の推定を行うための特徴量として、ＲＲＩに基づく周波数系特徴量、ＲＲＩ及び体動に基づく時間系特徴量、呼吸系特徴量を用いていたが、特徴量は上述の特徴量に限定されず、睡眠状態の推定を行うための特徴量であれば、任意の種類の特徴量を用いることができ、特徴量の数も限定されない。例えば、生体信号として、筋電、汗等も用いる場合は、これらについての検出値について、他の特徴量と同様に例えば２Ｈｚでサンプリングして、基準時点ｔを基準とした複数の抽出用時間窓でデータを抽出して、特徴量を算出するようにしてもよい。

また、上述の実施の形態では、状態推定装置１０は、人間の被験者の睡眠状態を推定していた。しかし、睡眠状態を推定する対象は人間に限られず、犬、猫、馬、牛、豚、鶏等、対象一般を対象とすることが可能である。これらの対象にも脈波センサや加速度センサを取り付けて、睡眠状態推定に必要な特徴量を取得することが可能だからである。また、実施形態では、対象の状態として、睡眠状態を推定しているが、これに代えて、感情（喜び、悲しみ、怒り、諦め、驚き、嫌悪、恐怖、リラックス等）を推定してもよい。例えば、交感神経は、ストレス等の緊張状態の時に活発に働く。これに対して副交感神経は、リラックスしている状態の時に活発に働く。交感神経は拍動を速める働きをし、副交感神経は拍動を遅くする働きをする。したがって、ＲＲＩの低周波帯域ｌｆ及び高周波帯域ｈｆのパワースペクトルに基づく特徴量により、リラックス状態であるか推定することができる。また、対象の状態の推定に適した他の適当な生体信号の特徴量を抽出してもよいことは、もちろんである。

上記実施の形態において、制御部１１はＣＰＵがＲＯＭに記憶されたプログラムを実行することによって、生体信号取得部１１０、時間窓設定部１２０、特徴量抽出部１３０、推定部１４０として機能した。しかしながら、制御部１１は、例えばＡＳＩＣ（Application Specific Integrated Circuit）、ＦＰＧＡ（Field-Programmable Gate Array）、各種制御回路等の専用のハードウェアを備え、専用のハードウェアが、生体信号取得部１１０、時間窓設定部１２０、特徴量抽出部１３０、推定部１４０として機能しても良い。この場合、各部の機能それぞれを個別のハードウェアで実現しても良いし、各部の機能をまとめて単一のハードウェアで実現しても良い。また、各部の機能のうち、一部を専用のハードウェアによって実現し、他の一部をソフトウェア又はファームウェアによって実現しても良い。

なお、本発明に係る機能を実現するための構成を予め備えた無線通信装置として提供できることはもとより、プログラムの適用により、既存の情報処理装置等を、本発明に係る無線通信装置として機能させることもできる。このようなプログラムの適用方法は任意である。プログラムを、例えば、フレキシブルディスク、ＣＤ（Compact Disc）－ＲＯＭ、ＤＶＤ（Digital Versatile Disc）－ＲＯＭ、メモリカード等のコンピュータ読み取り可能な記憶媒体に格納して適用できる。さらに、プログラムを搬送波に重畳し、インターネットなどの通信媒体を介して適用することもできる。例えば、通信ネットワーク上の掲示板（ＢＢＳ：Bulletin Board System）にプログラムを掲示して配信してもよい。そして、このプログラムを起動し、ＯＳ（Operating System）の制御下で、他のアプリケーションプログラムと同様に実行することにより、上記の処理を実行できるように構成してもよい。

本発明の実施の形態を説明したが、本発明の範囲は、上述の実施の形態に限定するものではなく、特許請求の範囲に記載された発明の範囲とその均等の範囲を含む。以下に、この出願の願書に最初に添付した特許請求の範囲に記載した発明を付記する。付記の番号は、この出願の願書に最初に添付した特許請求の範囲の通りである。

（付記１）
対象の生体信号を取得する取得手段と、
前記生体信号が取得されているある期間内に、互いに異なる時間長の複数の時間窓を複数の抽出用時間窓として設定する設定手段と、
前記複数の抽出用時間窓の各々における生体信号の特徴量を抽出する抽出手段と、
を備える特徴量抽出装置。

（付記２）
前記設定手段は、前記複数の抽出用時間窓として、互いに同じ時間長の複数の時間窓を、時間軸上の互いに異なる位置にさらに設定する、
付記１に記載の特徴量抽出装置。

（付記３）
前記複数の抽出用時間窓の少なくとも２つは、時間軸上で互いに間隔をあけるように設定される、
付記１又は２に記載の特徴量抽出装置。

（付記４）
前記複数の抽出用時間窓の少なくとも２つは、時間軸上で互いに部分的に重なるように設定される、
付記１から３のいずれか１つに記載の特徴量抽出装置。

（付記５）
前記複数の抽出用時間窓の少なくとも２つは、時間軸上で互いに重複せずに、かつ、間隔をあけずに互いに連続するように設定される、
付記１から４のいずれか１つに記載の特徴量抽出装置。

（付記６）
前記対象の生体信号は脈波及び体動である、
付記１から５のいずれか１つに記載の特徴量抽出装置。

（付記７）
前記特徴量は、前記対象としての人間の前記脈波から得られる心拍間隔の周波数に基づく周波数系特徴量、前記心拍間隔の時系列データから得られる時間系特徴量、前記人間の前記体動の時系列データから得られる時間系特徴量、前記心拍間隔に含まれる呼吸性の変動成分に基づく特徴量である呼吸系特徴量の少なくとも１つである、
付記６に記載の特徴量抽出装置。

（付記８）
付記１から７のいずれか１つに記載の特徴量抽出装置と、
前記特徴量抽出装置により抽出された特徴量に基づいて前記対象の状態を推定する推定手段と、
を備える状態推定装置。

（付記９）
対象の生体信号を取得する取得ステップと、
前記生体信号が取得されているある期間内に、互いに異なる時間長の複数の時間窓を複数の抽出用時間窓として設定する設定ステップと、
前記複数の抽出用時間窓の各々における生体信号の特徴量を抽出する抽出ステップと、
を備える特徴量抽出方法。

（付記１０）
付記９に記載された特徴量抽出方法により抽出された特徴量に基づいて前記対象の状態を推定する推定ステップ、
を備える状態推定方法。

（付記１１）
コンピュータに、
対象の生体信号を取得する取得ステップ、
前記生体信号が取得されているある期間内に、互いに異なる時間長の複数の時間窓を複数の抽出用時間窓として設定する設定ステップ、
前記複数の抽出用時間窓の各々における生体信号の特徴量を抽出する抽出ステップ、
を実行させるためのプログラム。

（付記１２）
コンピュータに、
付記１１に記載されたプログラムを実行させることにより抽出された特徴量に基づいて前記対象の状態を推定する推定ステップ、
を実行させるためのプログラム。

（付記１３）
前記対象の状態を判定する判定手段をさらに備え、
前記設定手段は、前記対象の状態に基づいて、前記抽出用時間窓の数及び時間長の少なくとも一方を設定する、
付記１から７のいずれか１つに記載の特徴量抽出装置。

（付記１４）
前記判定手段は、前記対象の状態が変化中であるか否かを判定し、
前記設定手段は、前記対象の状態が変化中であると判定されている場合に、前記抽出用時間窓の数及び時間長の前記少なくとも一方を、前記対象の状態が変化中でないと判定されている場合と異ならせるように設定する、
付記１３に記載の特徴量抽出装置。

（付記１５）
前記対象の性別及び年齢の少なくとも一方を含む個体情報を取得する個体情報取得手段をさらに備え、
前記設定手段は、前記抽出用時間窓の数及び時間長の前記少なくとも一方を、前記個体情報に応じて設定する、
付記１３又は１４に記載の特徴量抽出装置。

１０…状態推定装置、１１…制御部、１２…記憶部、１３…ユーザインタフェース、１４…通信部、１５…脈波センサ、１６…体動センサ、１１０…生体信号取得部、１２０…時間窓設定部、１３０…特徴量抽出部、１４０…推定部、２００…点線、２０１…脈波、２０２ｉ，２０３ｉ，２０４ｉ，２０５ｉ，２０６ｉ，２０７ｉ…心拍間隔、２０１ｔ，２０２ｔ，２０３ｔ，２０４ｔ，２０５ｔ，２０６ｔ，２０７ｔ…拍動タイミング、２１１，２１２，２１３，２１４，２１５，２１６，２１７，２１８，２１９，２２０，２２１，２２２，２２３…点、３０１…第１の識別器、３０２…第２の識別器、３０３…第３の識別器、３０４…第４の識別器、３０５…スコア判定器

上記の第１の目的を達成するため、本発明に係る特徴量抽出装置は、
対象の生体信号を取得する取得手段と、
前記生体信号が取得されているある期間内に、互いに異なる時間長の複数の時間窓を複数の抽出用時間窓として設定する設定手段と、
前記複数の抽出用時間窓の各々における生体信号の特徴量を抽出する抽出手段と、
を備え、
前記設定手段は、マクロ的な特徴量を抽出するための第１時間長の複数の抽出用時間窓が時間軸上で互いに部分的に重なるように設けられた第１レイヤと、ミクロ的な特徴量を抽出するための前記第１時間長よりも短い第２時間長の複数の抽出用時間窓が時間軸上で互いに重複しないように設けられた第２レイヤと、の両方を少なくとも設定する、
ことを特徴とする。

Claims (12)

1. 対象の生体信号を取得する取得手段と、
   前記生体信号が取得されているある期間内に、互いに異なる時間長の複数の時間窓を複数の抽出用時間窓として設定する設定手段と、
   前記複数の抽出用時間窓の各々における生体信号の特徴量を抽出する抽出手段と、
   を備える特徴量抽出装置。
2. 前記設定手段は、前記複数の抽出用時間窓として、互いに同じ時間長の複数の時間窓を、時間軸上の互いに異なる位置にさらに設定する、
   請求項１に記載の特徴量抽出装置。
3. 前記複数の抽出用時間窓の少なくとも２つは、時間軸上で互いに間隔をあけるように設定される、
   請求項１又は２に記載の特徴量抽出装置。
4. 前記複数の抽出用時間窓の少なくとも２つは、時間軸上で互いに部分的に重なるように設定される、
   請求項１から３のいずれか１項に記載の特徴量抽出装置。
5. 前記複数の抽出用時間窓の少なくとも２つは、時間軸上で互いに重複せずに、かつ、間隔をあけずに互いに連続するように設定される、
   請求項１から４のいずれか１項に記載の特徴量抽出装置。
6. 前記対象の生体信号は脈波及び体動である、
   請求項１から５のいずれか１項に記載の特徴量抽出装置。
7. 前記特徴量は、前記対象としての人間の前記脈波から得られる心拍間隔の周波数に基づく周波数系特徴量、前記心拍間隔の時系列データから得られる時間系特徴量、前記人間の前記体動の時系列データから得られる時間系特徴量、前記心拍間隔に含まれる呼吸性の変動成分に基づく特徴量である呼吸系特徴量の少なくとも１つである、
   請求項６に記載の特徴量抽出装置。
8. 請求項１から７のいずれか１項に記載の特徴量抽出装置と、
   前記特徴量抽出装置により抽出された特徴量に基づいて前記対象の状態を推定する推定手段と、
   を備える状態推定装置。
9. 対象の生体信号を取得する取得ステップと、
   前記生体信号が取得されているある期間内に、互いに異なる時間長の複数の時間窓を複数の抽出用時間窓として設定する設定ステップと、
   前記複数の抽出用時間窓の各々における生体信号の特徴量を抽出する抽出ステップと、
   を備える特徴量抽出方法。
10. 請求項９に記載された特徴量抽出方法により抽出された特徴量に基づいて前記対象の状態を推定する推定ステップ、
    を備える状態推定方法。
11. コンピュータに、
    対象の生体信号を取得する取得ステップ、
    前記生体信号が取得されているある期間内に、互いに異なる時間長の複数の時間窓を複数の抽出用時間窓として設定する設定ステップ、
    前記複数の抽出用時間窓の各々における生体信号の特徴量を抽出する抽出ステップ、
    を実行させるためのプログラム。
12. コンピュータに、
    請求項１１に記載されたプログラムを実行させることにより抽出された特徴量に基づいて前記対象の状態を推定する推定ステップ、
    を実行させるためのプログラム。

Images