JP2023060172A - 血圧測定装置、モデル設定装置、および血圧測定方法 - Google Patents

Abstract

【課題】従来よりも高精度に生体の血圧を測定する。【解決手段】血圧測定装置は、被検体の第１血圧を測定する。血圧測定装置において、属性分類部は、被検体の血管状態に関連する属性情報に基づき、当該被検体の属性を分類する。血圧測定装置は、属性の分類結果に応じた少なくとも１つの血圧推定モデルが予め保管されたモデル保管部と通信可能に接続されている。血圧測定部は、上記分類結果に応じた少なくとも１つの血圧推定モデルを用いて、脈波パラメータに基づき第１血圧を算出する。【選択図】図１

Description

本開示の一態様は、生体の脈波に基づいて当該生体の血圧を測定する血圧測定装置に関する。
本願は、２０１９年２月１日に日本で出願された特願２０１９－１７１８９号に基づき優先権を主張し、その内容をここに援用する。

近年、生体（例：被検体）の血圧を測定するための様々な技術が提案されている。一例として、特許文献１には、生体の血圧を簡便に測定（より厳密には、推定）することを目的とした技術が開示されている。具体的には、特許文献１の技術では、生体の年齢（実年齢）および性別に応じて予め定式化されたモデル（計算式）を用いて、当該生体の血圧が推定される。

特開２０１０－２２０６９０号公報 特開２００２－２３８８６７号公報 特開２０１５－４０８３９号公報 特開２００９－０８６９０１号公報

しかしながら、以下に述べるように、生体の血圧をより高精度に測定するための具体的な手法については、なお改善の余地がある。本開示の一態様の目的は、従来よりも高精度に生体の血圧を測定することにある。

上記の課題を解決するために、本開示の一態様に係る血圧測定装置は、生体の脈波に基づき当該生体の第１血圧を測定する血圧測定装置であって、上記生体の体表における所定の領域において少なくとも１つの脈波を取得する脈波取得部と、上記少なくとも１つの脈波に基づき、少なくとも１つの脈波パラメータを算出する脈波パラメータ算出部と、上記生体の第２血圧を取得する血圧取得部と、上記生体の血管状態に関連する情報である属性情報を取得する属性情報取得部と、上記属性情報に基づき、上記生体の属性を分類する属性分類部と、を備えており、上記血圧測定装置は、上記属性の分類結果に該当する上記第１血圧を推定するための少なくとも１つの血圧推定モデルが予め保管されたモデル保管部と通信可能に接続されており、上記血圧測定装置は、上記属性の分類結果に該当する上記少なくとも１つの血圧推定モデルを用いて、上記少なくとも１つの脈波パラメータに基づき上記第１血圧を算出する第１血圧測定部をさらに備え、上記属性分類部は、上記血圧取得部が取得した第２血圧から算出された分類指標に基づき、上記生体の属性を分類する。

また、上記の課題を解決するために、本開示の一態様に係るモデル設定装置は、生体の脈波に基づき当該生体の第１血圧を測定する血圧測定装置と通信可能に接続されたモデル設定装置であって、上記生体の第２血圧を測定する第２血圧測定部と、上記生体の体表における所定の領域において少なくとも１つの脈波を取得する脈波取得部と、上記少なくとも１つの脈波に基づき、少なくとも１つの脈波パラメータを算出する脈波パラメータ算出部と、上記生体の血管状態に関連する情報である属性情報を取得する属性情報取得部と、上記属性情報に基づき、上記生体の属性を分類する属性分類部と、を備えており、上記モデル設定装置は、上記属性の分類結果に該当する上記第１血圧を推定するための少なくとも１つの血圧推定モデルを保管可能なモデル保管部と通信可能に接続されており、上記モデル設定装置は、上記少なくとも１つの脈波パラメータと上記第２血圧とに基づき上記少なくとも１つの血圧推定モデルを作成し、当該少なくとも１つの血圧推定モデルを上記モデル保管部に保管するモデル作成部をさらに備えており、上記属性分類部は、上記血圧取得部が取得した第２血圧から算出された分類指標に基づき、上記生体の属性を分類することを特徴とする。

また、上記の課題を解決するために、本開示の一態様に係る血圧測定方法は、生体の脈波に基づき当該生体の第１血圧を測定する血圧測定装置を用いた血圧測定方法であって、上記生体の体表における所定の領域において少なくとも１つの脈波を取得する脈波取得工程と、上記少なくとも１つの脈波に基づき、少なくとも１つの脈波パラメータを算出する脈波パラメータ算出工程と、上記生体の第２血圧を取得する血圧取得工程と、上記生体の血管状態に関連する情報である属性情報を取得する属性情報取得工程と、上記属性情報に基づき、上記生体の属性を分類する属性分類工程と、を含んでおり、上記血圧測定装置は、上記属性の分類結果に該当する上記第１血圧を推定するための少なくとも１つの血圧推定モデルが予め保管されたモデル保管部と通信可能に接続されており、上記血圧測定方法は、上記属性の分類結果に該当する上記少なくとも１つの血圧推定モデルを用いて、上記少なくとも１つの脈波パラメータに基づき上記第１血圧を算出する第１血圧測定工程を含んでおり、上記属性分類工程は、上記血圧取得工程が取得した第２血圧から算出された分類指標に基づき、上記生体の属性を分類する工程をさらに含んでいる。

本開示の一態様に係る血圧測定装置によれば、従来よりも高精度に生体の血圧を測定できる。本開示の一態様に係る血圧測定方法によっても、同様の効果を奏する。また、本開示の一態様に係るモデル設定装置によっても、同様の効果を奏する。

実施形態１の血圧測定装置の要部の構成を示す機能ブロック図である。 顔画像分割部の処理の一例について説明するための図である。 （ａ）は血管年齢が低い被検体から取得された加速度脈波波形の一例を示す図であり、（ｂ）は血管年齢が高い被検体から取得された加速度脈波波形の一例を示す図である。 波形特徴量に基づいて複数の被検体を分類した結果の一例を示す図である。 （ａ）は共通モデルにおける血圧真値と血圧予測値との間の関係の一例を示す図であり、（ｂ）は属性別モデルにおける血圧真値と血圧予測値との間の関係の一例を示す図である。 モデル評価部において測定モデルを設定するための処理の一例を説明するための図である。 測定モデル設定方法の処理の流れを例示する図である。 脈波信号のパワースペクトルの一例を示す図である。 異なる属性を有する被検体のそれぞれについての、血圧とＰＷＶとの間の関係の一例を示す図である。 実施形態２の血圧測定装置の要部の構成を示す機能ブロック図である。 平均血圧値と属性の一例を示す図である。 血圧値の手動入力の一例を示す図である。 （ａ）は被検体の名前と被検体の属性とが対応付けられた情報の一例であり、（ｂ）は被検体のＩＤと被検体の属性とが対応付けられた情報の一例である。 血圧測定装置の処理の流れの一例を示すフローチャートである。 平均血圧と脈圧の散布図、および平均血圧と脈圧に対応する属性の一例を示す図である。 クラウドを利用した変形例の一例を示す図である。

〔実施形態１〕
実施形態１の血圧測定装置１について、以下に説明する。便宜上、実施形態１にて説明した部材と同じ機能を有する部材については、以降の各実施形態では、同じ符号を付記し、その説明を繰り返さない。公知技術と同様の事項についても、説明を適宜省略する。なお、各図に示されている装置構成は、説明の便宜上のための単なる一例である。また、明細書中において以下に述べる各数値も、単なる一例である。

（血圧測定装置１の概要）
図１は、実施形態１の血圧測定装置１の要部の構成を示す機能ブロック図である。血圧測定装置１は、被検体Ｈ（生体）の脈波に基づいて、当該被検体Ｈの血圧（以下、単に血圧）を測定する。具体的には、血圧測定装置１は、以下に述べるモデル設定装置１００において設定された血圧測定モデル（以下、単に「測定モデル」とも称する）を用いて、血圧を測定する。なお、本明細書では、後述する血圧推定モデルを、単に「推定モデル」とも称する。また、測定モデルおよび推定モデルを総称的に、単に「モデル」と称する場合もある。

以下の説明では、非接触式の血圧測定装置（被検体Ｈに接触することなく血圧を測定可能な測定装置）としての血圧測定装置１について述べる。実施形態１では、被検体Ｈが人である場合を例示する。血圧測定装置１は、被検体Ｈの体表における所定の領域を、ＲＯＩ（Region of Interest，関心領域）として取り扱うことで、血圧を測定する。以下の説明では、ＲＯＩが顔である場合を例示する。なお、本明細書では、被検体Ｈの顔を、単に「顔」とも称する。その他の表記についても、同様である。

血圧測定装置１は、モデル設定装置１００、モデル選択部６０、脈波信号品質評価部１５０、血圧測定部１６０（第１血圧測定部）、および血圧測定結果出力部１７０を備えている。モデル設定装置１００は、血圧取得部２（第２血圧測定部）と、脈波取得部１０と、脈波パラメータ算出部２０、血管年齢算出部２１、性別検出部２２、属性分類部２３、モデル作成部３０、モデル評価部４０、およびモデル保管部５５を備えている。

図１の例では、モデル設定装置１００は、血圧測定装置１の内部に設けられている。但し、モデル設定装置１００を、血圧測定装置１の外部に設けることもできる（後述の実施形態２を参照）。

血圧取得部２は、被検体Ｈの血圧を測定する。血圧取得部２は、接触式の血圧計（例：カフ血圧計）である。血圧取得部２によって測定された血圧（以下、ＢＰｍ）は、モデル設定装置１００におけるテスト用データ（あるいは訓練用データ）として用いられる。すなわち、ＢＰｍは、モデル設定装置１００において（より具体的には、モデル評価部４０において）測定モデルを設定するために用いられる。また、ＢＰｍは、モデル作成部３０において少なくとも１つの推定モデルを作成するためにも用いられる。

血圧取得部２は、モデル作成部３０およびモデル評価部４０（より具体的には、以下に述べるモデル評価指数算出部４２）に、ＢＰｍを出力する。なお、血圧測定装置１における最終的な血圧測定結果（後述のＰ）を、第１血圧とも称する。また、当該第１血圧との区別のため、ＢＰｍを第２血圧とも称する。後述するように、Ｐは血圧測定部１６０によって測定（算出）される。

（脈波取得部１０）
脈波取得部１０は、ＲＯＩ（例：顔）における脈波を取得する。脈波取得部１０は、撮像部１１と、光源１２と、光源調節部１３と、顔画像取得部１４と、顔画像分割部１５と、肌領域抽出部１６と、脈波算出部１７とを備えている。

撮像部１１は、イメージセンサとレンズとを含むカメラである。当該イメージセンサとしては、例えば、ＣＭＯＳ（Complementary Metal-Oxide Semiconductor）型またはＣＣＤ（Charge-Coupled Device）型のイメージセンサが用いられてよい。撮像部１１は、所定のフレームレートによって（つまり、所定の時間間隔ごとに）、被検体Ｈを複数回撮像し、撮像した被検体Ｈの画像（以下、被検体画像）を顔画像取得部１４へ出力する。一例として、上記フレームレートは、３００ｆｐｓ（frames per second）である。

撮像部１１は、公知のカラーフィルタを含んでいてもよい。当該カラーフィルタは、血液量の増減を観察するために適した光学特性を有していることが好ましい。好適なカラーフィルタの例としては、（ｉ）ＲＧＢＣｙ（Red，Blue，Green，Cyan：赤，青，緑，シアン）カラーフィルタ、（ｉｉ）または、ＲＧＢＩＲ（Red，Blue，Green，Infrared：赤，青，緑，赤外）カラーフィルタを挙げることができる。あるいは、カラーフィルタとして、ベイヤー配列のカラーフィルタを用いてもよい。このように、撮像部１１は、ＲＧＢカメラであってもよいし、あるいはＩＲカメラであってもよい。

光源１２は、撮像部１１が被検体Ｈを撮像する場合に、当該被検体Ｈに対して光を照射する。光源調節部１３は、光源１２を調節する。一例として、光源調節部１３は、モデル設定装置１００によって設定された測定モデルにおいて使用される領域間の脈波伝播時間（脈波パラメータの一例）を精度良く算出できるように、光源を調節することが好ましい。

具体的には、光源調節部１３は、該当する領域において一定の信号品質を有する脈波を検出できるように光源１２を調節する。「一定の信号品質を有する脈波」とは、例えば、「ＳＮＲ（Signal-to-Noise Ratio，信号対雑音比）が高い脈波」である。より具体的には、光源調節部１３は、（ｉ）光源１２の光量、（ｉｉ）光源１２の光スペクトル、および、（ｉｉｉ）被検体Ｈの肌に対する照射角度、のうちの少なくとも１つを調節する。

なお、脈波取得部１０には、光源１２および光源調節部１３は必ずしも設けられなくともよい。光源１２および光源調節部１３が設けられない場合、撮像部１１は、周囲環境光のみを用いて被検体Ｈを撮像してもよい。

顔画像取得部１４は、撮像部１１によって撮像された被検体画像から、被検体Ｈの顔領域を抽出する。顔画像取得部１４は、顔領域が抽出された後の画像を、顔画像（被検体Ｈの顔が写った画像）として取得する。顔画像は、ＲＯＩの像を含む画像の一例である。一例として、顔画像取得部１４は、被検体が写った動画像（複数の被検体画像によって構成される動画像）に対してフェイストラッキングを行うことにより、当該動画像の所定のフレーム間隔毎に、顔領域を抽出してもよい。

但し、顔画像取得部１４は、必ずしもフェイストラッキングを行わなくとも、顔領域を抽出できる。例えば、（ｉ）予め設定された枠の中に被検体Ｈに顔を入れさせ、かつ、（ｉｉ）当該顔と撮像部１１とが固定された状態で、撮像部１１によって被検体画像を撮像してもよい。このような場合には、被検体画像における顔のブレを抑制できるので、フェイストラッキングは不要である。

顔画像分割部１５は、顔画像取得部１４によって抽出された顔画像を複数の領域（部分領域）に分割する。以下の説明では、便宜上、顔画像を「ＩＭＧ」とも称する。図２は、顔画像分割部１５の処理の一例について説明するための図である。図２には、顔画像分割部１５による分割後のＩＭＧの一例が示されている。図２のＩＭＧは、正面を向いた顔が写っている顔画像の一例である。

図２の例では、顔画像分割部１５は、ＩＭＧを、縦方向および横方向にそれぞれ１０分割（例：それぞれ１０等分）する。つまり、顔画像分割部１５は、ＩＭＧを、１００個の部分領域（部分領域１～１００）に分割する。但し、顔画像分割部１５によるＩＭＧの分割方法は、図２の例に限定されない。例えば、各部分領域のサイズは、必ずしも同一でなくともよい。

肌領域抽出部１６は、各部分領域から肌領域（肌の少なくとも一部が写った領域）を抽出する。肌領域は、被覆物（例：髪の毛またはサングラス）によって肌が完全に覆い隠されていない領域である。肌領域は、脈波の検出（算出）が可能な領域とも表現できる。図２の例では、肌領域は、各部分領域のうち、網掛けが付されていない領域として示されている。図２の例において、肌領域抽出部１６は、１００個の部分領域から、５２個（５２箇所）の肌領域を抽出する。

脈波算出部１７は、肌領域抽出部１６によって抽出された肌領域のそれぞれについて、脈波（より厳密には、脈波信号）を算出する。脈波算出部１７における脈波の算出方法としては、公知の手法（例：独立成分分析を利用した手法）が適用されてよい。一例として、顔画像分割部１５が設けられない場合には、脈波算出部１７によって１つの脈波が算出されてもよい。脈波算出部１７は、少なくとも１つの脈波を算出すればよい。

脈波パラメータ算出部２０は、脈波算出部１７によって算出された各肌領域の脈波に基づき、脈波パラメータを算出する。本明細書において、「脈波パラメータ」とは、測定モデルに基づく血圧の測定（算出）において用いられる説明変数（独立変数とも称される）を総称的に意味する。脈波パラメータ算出部２０は、少なくとも１つの脈波に基づき、少なくとも１つの脈波パラメータを算出すればよい。

脈波パラメータの一例としては、各肌領域間における脈波伝播時間（Pulse Transit Time，ＰＴＴ）を挙げることができる。そこで、実施形態１では、脈波パラメータ算出部２０は、公知の手法を用いて、各肌領域の脈波に基づきＰＴＴを算出する。なお、領域Ａ（任意の１つの肌領域）と領域Ｂ（領域Ａとは別の１つの肌領域）との間のＰＴＴを、ＰＴＴ（Ａ－Ｂ）とも表す。例えば、図２の領域２３・２４間のＰＴＴは、ＰＴＴ（２３－２４）として表される。

図２の例の場合、脈波パラメータ算出部２０は、５２個の肌領域から、任意の２つの肌領域の組み合わせを選択する。すなわち、脈波パラメータ算出部２０は、総数で_５２Ｃ_２＝１３２６通りの組み合わせを選択する。そして、脈波パラメータ算出部２０は、各組み合わせについて、ＰＴＴを算出する。このように、脈波パラメータ算出部２０は、１３２６通りのＰＴＴ、すなわち、ＰＴＴ（２３－２４）～ＰＴＴ（９６－９７）を算出する。

また、脈波パラメータの別の例としては、各肌領域における脈波の波形特徴量を挙げることもできる。そこで、脈波パラメータ算出部２０は、公知の手法を用いて、波形特徴量を算出してもよい。一例として、波形特徴量は、（ｉ）脈波波形、（ｉｉ）速度脈波波形（脈波信号を１回微分することで得られる波形）、または、（ｉｉｉ）加速度脈波波形（脈波信号を２回微分することで得られる波形）に基づいて、算出されてよい。

一例として、脈波パラメータ算出部２０は、脈波信号から加速度脈波波形を導出し、当該加速度脈波波形を解析することにより、波形特徴量を算出してよい。後述する図３には、加速度脈波波形の一例が示されている。図３のａ～ｄは、加速度脈波波形の特徴点を示す。具体的には、
・特徴点ａ：加速度脈波波形の第１の極大点；
・特徴点ｂ：加速度脈波波形の第１の極小点；
・特徴点ｃ：加速度脈波波形の第２の極大点；
・特徴点ｄ：加速度脈波波形の第２の極小点；
である。以下の説明では、簡単のため、特徴点ａにおける加速度脈波波形の振幅を、単に「振幅ａ」（あるいは、単に「ａ」）とも称する。ｂ～ｄについても同様である。

一例として、脈波パラメータ算出部２０は、（ｉ）各振幅（ａ～ｄ）を波形特徴量として算出してもよい。あるいは、脈波パラメータ算出部２０は、各振幅の比（例：ｂ／ａ）を波形特徴量として算出してもよい（図４も参照）。また、脈波パラメータ算出部２０は、各特徴点間の時間差（例：特徴点ａと特徴点ｂとの間の時間差）を、波形特徴量として算出してもよい。

（血管年齢算出部２１）
血管年齢算出部２１は、脈波算出部１７において算出された脈波に基づいて、被検体Ｈの血管年齢（以下、単に血管年齢）を算出する。例えば、血管年齢算出部２１は、上記脈波を解析することにより、血管年齢を算出する。血管年齢の算出には、公知の手法（例えば、特許文献２を参照）が用いられてよい。

血管年齢を示す情報（血管年齢情報）は、被検体Ｈの属性情報（以下、単に属性情報）の一例である。本明細書において、属性情報とは、被検体Ｈの血管状態に関連する情報（血管状態関連情報）を総称的に意味する。血管状態関連情報は、被検体Ｈ特有の性質（より具体的には、体質）に関連する情報の一例である。本明細書では、属性情報を取得する機能部を、総称的に属性情報取得部と称する。従って、血管年齢算出部２１は、属性情報取得部の一例である。

図３は、血管年齢と加速度脈波波形との間の関係の一例を示すグラフである（特許文献２も参照）。図３の（ａ）は、血管年齢が低い（若い）被検体から取得された加速度脈波波形の一例を示す。これに対し、図３の（ｂ）は、血管年齢が高い（老いた）被検体から取得された加速度脈波波形の一例を示す。具体的には、血管年齢が低い被検体とは、動脈硬化があまり進行していない被検体を意味する。他方、血管年齢が高い被検体とは、動脈硬化がある程度進行している被検体を意味する。

加速度脈波波形は、血管年齢に応じて変化することが知られている。図３の（ａ）に示されるように、血管年齢が若い場合には、振幅ｂは比較的大きく、振幅ｄは比較的小さい。これに対し、図３の（ｂ）に示されるように、血管年齢が高くなるにつれて、振幅ｂは小さくなり、その一方で振幅ｄが大きくなる。

そこで、血管年齢算出部２１は、以下の波形指数（Waveform Index，ＷＩ）、
ＷＩ＝ｄ／ａ－ｂ／ａ
を算出し、当該ＷＩに基づいて、血管年齢を算出してよい。ＷＩは、血管年齢を示す有効な指標の１つである。なお、血管年齢算出部２１は、複数の肌領域においてＷＩを算出した場合には、各ＷＩの代表値（例：平均値または中央値）を用いて血管年齢を算出してもよい。

（性別検出部２２）
性別検出部２２は、被検体Ｈの性別を検出（判定）する。一例として、性別検出部２２は、ＩＭＧを解析することによって、被検体Ｈの性別を判定する。実施形態１では、性別検出部２２は、公知のディープラーニング技術を用いて、ＩＭＧに映っている被検体Ｈの性別が、男性または女性のいずれであるかを特定する。被検体Ｈの性別を示す情報（性別情報）は、属性情報の別の例である。従って、性別検出部２２は、属性情報取得部の別の例である。

（属性分類部２３）
属性分類部２３は、属性情報に基づき、被検体Ｈの属性（以下、単に属性）を分類（検出）する。本明細書における属性とは、「血管状態に応じた属性」を意味する。具体的には、属性分類部２３は、当該属性が、予め設定された複数の属性に関するパターンのうちの、いずれのパターンに属するかを判定する。以下、パターンの総数をＮとして表す。Ｎは、２以上の任意の整数である。また、各パターンを、パターンｋとも称する。ｋは、１≦ｋ≦Ｎを満たす整数である。

一例として、属性分類部２３は、被検体Ｈの血管年齢および性別に基づき、属性を分類してよい。例えば、属性分類部２３は、複数の被検体Ｈを、血管年齢の年代および性別ごとに分類してよい。この場合、例えば、属性分類部２３は、
・被検体ＨＡの属性：血管年齢２０代の男性；
・被検体ＨＢの属性：血管年齢３０代の女性；
として、２人の異なる被検体（被検体ＨＡ・ＨＢ）の属性を、異なるパターンに分類できる。

但し、属性分類部２３による属性分類方法は、上記の例に限定されない。例えば、属性分類部２３は、脈波パラメータ算出部２０によって算出された波形特徴量（脈波パラメータ算出部２０による脈波の解析結果の一例）に基づいて、属性を分類してもよい。

本例では、脈波パラメータ算出部２０が、属性情報取得部として用いられていると言える。つまり、波形特徴量を示す情報（波形特徴量情報）を、属性情報として用いることもできる。このように、属性情報は、血管年齢情報および性別情報に限定されないことに留意されたい。

一例として、本願の発明者ら（以下、単に発明者ら）は、脈波パラメータ算出部２０によって、加速度脈波波形の振幅比「ｂ／ａ」を波形特徴量として算出した。そして、発明者らは、属性分類部２３によって、当該波形特徴量に基づき１０人の被検体を分類した。図４は、当該分類結果の一例を示す表である。図４の表では、各被検体の振幅比が、降順に並べられている。

図４の例では、属性分類部２３は、各被検体の振幅比と所定の閾値とを比較することによって、当該各被検体を２通りに分類する。図４の例では、閾値は、「－０．６００」として設定されている。具体的には、属性分類部２３は、ある被検体の振幅比が上記閾値以上である場合には、当該被検体の属性を、「属性１」として分類する。これに対し、属性分類部２３は、ある被検体の振幅比が上記閾値未満である場合には、当該被検体の属性を、「属性２」として分類する。属性１・２はそれぞれ、パターン１・２の一例である。なお、属性ｋを、「第ｋ属性」とも称する。

続いて、発明者らは、後述する方法により、属性１・２のそれぞれに応じた推定モデル（便宜上、属性別モデルと称する）を作成した。推定モデルとは、血圧を算出（推定）するための計算モデルである。

また、発明者らは、属性別モデルとの対比のため、従来の推定モデルを作成した。従来の推定モデルは、属性別に作成されていない（全ての属性について共通である）という点において、属性別モデルとは異なる。このことから、従来の推定モデルは、共通モデルとも称される。

そして、発明者らは、共通モデルと属性別モデルとの性能比較を行った。図５には、当該性能比較結果の一例が示されている。図５の（ａ）は、共通モデルにおける血圧真値と血圧予測値との間の関係の一例を示すグラフである。これに対し、図５の（ｂ）は、属性別モデルにおける血圧真値と血圧予測値との間の関係の一例を示すグラフである。

なお、図５における血圧真値とは、カフ血圧計（血圧取得部２）によって測定された、血圧（すなわちＢＰｍ）である。図５のＢＰｍは、血圧の実測値（真値）の一例である。これに対し、図５における血圧予測値とは、測定モデルを用いてモデル評価部４０（後述）によって算出された血圧（すなわちＢＰｅ）である。図５のＢＰｅは、血圧の予測値の一例である。

発明者らは、モデル評価部４０を用いて、共通モデルと属性別モデルとのそれぞれについて、血圧真値と血圧予測値との標準偏差（すなわち、誤差の標準偏差）を算出した。その結果、共通モデルにおける標準偏差は、１２．２３ｍｍＨｇであった。これに対し、属性別モデルにおける標準偏差は、９．２５ｍｍＨｇであった。

また、発明者らは、モデル評価部４０を用いて、共通モデルと属性別モデルとのそれぞれについて、血圧真値と血圧予測値との平均二乗誤差（Mean Square error，ＭＳＥ）を算出した。その結果、共通モデルにおけるＭＳＥは、１４９．６４ｍｍＨｇであった。これに対し、属性別モデルにおけるＭＳＥは１２２．０４ｍｍＨｇであった。

以上のように、属性別モデルによれば、共通モデルに比べて誤差を低減できることが確認された。このように、属性別モデルによれば、共通モデルに比べて血圧の測定精度を向上させることが可能である。

（補足）
なお、図４の例においても、Ｎは２に限定されない。分類対象となる被検体の総数をＮＴとした場合、Ｎは、２≦Ｎ≦ＮＴ－１を満たす任意の自然数Ｎであればよい。図４の例では、図４の例では、ＮＴ＝１０であるので、２≦Ｎ≦９である。この場合、振幅比に関して、第１閾値から第Ｎ－１閾値までの、Ｎ－１個の閾値を設定することにより、ＮＴ人の被検体を、Ｎ通りのパターン（第１属性～第Ｎ属性）に分類できる。一例として、各閾値の大小関係は、「第１閾値＞第２閾値＞…＞第Ｎ－１閾値」として、閾値番号順に設定されればよい。

（モデル作成部３０）
モデル作成部３０は、推定モデルを作成する。具体的には、モデル作成部３０は、（ｉ）血圧取得部２において取得された被検体Ｈの血圧（ＢＰｍ）と、（ｉｉ）脈波パラメータ算出部２０において算出された脈波パラメータとを、訓練（学習）用データとして用いることにより、推定モデルを作成する。脈波パラメータは、ＰＴＴおよび波形特徴量の少なくともいずれかであってよい。

図１に示されるように、モデル作成部３０は、第１モデル作成部３００－１、第２モデル作成部３００－２、…、および第Ｎモデル作成部３００－Ｎを有する。第ｋモデル作成部３００－ｋは、第ｋ属性（パターンｋ）に応じた推定モデルを作成する。ｋは、１≦ｋ≦Ｎを満たす整数である。このように、モデル作成部３０は、各属性に応じた推定モデルを作成できる。

本明細書では、便宜上、第１モデル作成部３００－１～第Ｎモデル作成部３００－Ｎを総称的に、モデル作成部３０とも称する。モデル作成部３０についての説明は、任意の第ｋモデル作成部３００－ｋに当てはまる。同様の趣旨により、本明細書では、後述する第１モデル評価用予測血圧算出部４１０－１～第Ｎモデル評価用予測血圧算出部４１０－Ｎを総称的に、評価用予測血圧算出部４１とも称する。また、後述する第１モデル評価指数算出部４２０－１～第Ｎモデル評価指数算出部４２０－Ｎを総称的に、モデル評価指数算出部４２とも称する。同様に、後述する第１モデル選択部６００－１～第Ｎモデル選択部６００－Ｎを総称的に、モデル選択部６０とも称する。

（推定モデルの作成方法の一例）
脈波が血管内を伝播する速度ｖは、Moens-Kortewegの式、すなわち、

によって表される。式（１）において、Ｅは血管のヤング率であり、ａは血管壁圧であり、Ｒは血管径であり、ρは血液密度である。

血管のヤング率Ｅは、血圧Ｐに対して指数関数的に変化することが知られている。従って、Ｐ＝０における血管のヤング率をＥ０とした場合、Ｅは、

として表される。γは、血管に依存する定数である。

また、血管経路の長さＬは、

として表される。Ｔは脈波伝播時間（ＰＴＴ）であり、Ｌは血管経路の長さである。

従って、式（１）～（３）から、

が導かれる。

式（４）に示されるように、Ｌが一定の場合、ＴはＰと相関関係を有する。このため、モデル作成部３０は、脈波パラメータ算出部２０において算出されたＰＴＴ（脈波パラメータの一例）を用いて、Ｐの推定モデルを少なくとも１つ作成してよい。

以下の説明では、簡単のため、脈波パラメータとしてＰＴＴのみを用いる場合を例示する。但し、上述の通り、ＰＴＴに替えて波形特徴量のみを用いて、推定モデルを作成することもできる。あるいは、ＰＴＴと波形特徴量との両方を用いて、推定モデルを作成することもできる。

まず、モデル作成部３０は、複雑度１の推定モデルＭ１を作成する。本明細書における「複雑度」とは、推定モデルにおける説明変数の数（例：推定モデルにおいて用いられる脈波パラメータの数）を意味する。以下の例では、推定モデルＭ１では、説明変数として１つのＰＴＴが用いられている。

以下の説明では、脈波パラメータ算出部２０において算出された１つのＰＴＴを、ＰＴＴ１として表す。ＰＴＴ１は、任意の２つの肌領域間におけるＰＴＴである。モデル作成部３０は、ＰＴＴ１とＢＰｍとに対して、最小二乗法を用いた回帰分析を行う。モデル作成部３０は、回帰分析の結果として、推定モデルＭ１を作成する。脈波パラメータ算出部２０において算出された各ＰＴＴ、および、血圧取得部２において取得されたＢＰｍはいずれも、訓練（学習）用データの一例である。

一例として、推定モデルＭ１が、
ＢＰ１＝α１×ＰＴＴ１＋α２ …（５）
によって表される線形モデル（線形関数によって表現される計算モデル）である場合を考える。式（５）において、ＢＰ１は予測血圧であり、α１およびα２はそれぞれ定数である。この場合、モデル作成部３０は、回帰分析を行うことにより、α１およびα２を算出する（すなわち、推定モデルＭ１を作成する）。

以下では便宜上、図２の例における１３２６通りのＰＴＴのそれぞれを、ＰＴＴ１－１～ＰＴＴ１－１３２６と称する。モデル作成部３０は、ＰＴＴ１－１～ＰＴＴ１－１３２６を用いて、当該ＰＴＴと同数の推定モデルＭ１を作成する。便宜上、これらの推定モデルＭ１のそれぞれを、Ｍ１－１～Ｍ１－１３２６と称する。

次に、モデル作成部３０は、複雑度２の推定モデルＭ２を作成する。推定モデルＭ２では、説明変数として２つのＰＴＴが用いられている。以下の説明では、脈波パラメータ算出部２０において算出された互いに異なる２つのＰＴＴを、ＰＴＴ１およびＰＴＴ２として表す。

モデル作成部３０は、（ｉ）ＰＴＴ１およびＰＴＴ２と、（ｉｉ）ＢＰｍと、に対して、最小二乗法を用いた回帰分析を行う。モデル作成部３０は、回帰分析の結果として、推定モデルＭ２を作成する。

一例として、推定モデルＭ２が、
ＢＰ２＝β１×ＰＴＴ１＋β２×ＰＴＴ２＋β３ …（６）
によって表される線形モデルである場合を考える。式（６）において、ＢＰ２は予測血圧であり、β１～β３はそれぞれ定数である。この場合、モデル作成部３０は、回帰分析を行うことにより、β１～β３を算出する。

図２の例では、モデル作成部３０は、ＰＴＴ１－１～ＰＴＴ１－１３２６を用いて、当該ＰＴＴよりも多数の推定モデルＭ２を作成する。本例では、ＰＴＴ１とＰＴＴ２の組み合わせは、８７８４７５通り（つまり、_１３２６Ｃ_２通り）である。従って、モデル作成部３０は、８７８４７５個の推定モデルＭ２を算出する。

ところで、上述の通り、ＰＴＴと波形特徴量との両方を用いて、推定モデルＭ２を作成することもできる。この場合、例えば、ＰＴＴを第１の説明変数、波形特徴量を第２の説明変数として、推定モデルＭ２が作成されてよい。

以下同様にして、モデル作成部３０は、複雑度３の推定モデルＭ３、複雑度４の推定モデルＭ４、…、複雑度ｚの推定モデルＭｚを作成する。ｚは、複雑度の上限値を示す。ｚは、モデル設定装置１００の製造者によって、適宜設定されてよい。モデル作成部３０は、作成した各推定モデルを、モデル評価部４０（より具体的には、評価用予測血圧算出部４１）に供給する。

以上の説明の通り、第１モデル作成部３００－１は、属性１に応じた推定モデル（以下、第１モデル）を作成する。第２モデル作成部３００－２～第Ｎモデル作成部３００－Ｎについても同様である。すなわち、第ｋモデル作成部３００－ｋは、属性ｋに応じた推定モデル（以下、第ｋモデル）を作成する。

このように、モデル作成部３０は、第１モデル～第Ｎモデルを作成する。以下、第１モデル～第Ｎモデルを総称して、推定モデル群とも称する。図１の例では、モデル作成部３０は、作成した推定モデル群を、モデル評価部４０およびモデル保管部５５にそれぞれ供給する。

（モデル評価部４０）
モデル評価部４０は、モデル作成部３０において作成された各推定モデルを評価し、その評価結果を出力する。具体的には、モデル評価部４０は、以下に述べるＰＩを、評価結果として出力する。図１の例では、モデル評価部４０は、モデル作成部３０から推定モデル群を直接的に取得している。但し、モデル評価部４０は、モデル保管部５５に予め保管された推定モデル群を取得してもよい。

モデル評価部４０は、評価用予測血圧算出部４１とモデル評価指数算出部４２とを有する。評価用予測血圧算出部４１は、第１モデル評価用予測血圧算出部４１０－１、第２モデル評価用予測血圧算出部４１０－２、…、および第Ｎモデル評価用予測血圧算出部４１０－Ｎを有する。また、モデル評価指数算出部４２は、第１モデル評価指数算出部４２０－１、第２モデル評価指数算出部４２０－２、…、および第Ｎモデル評価指数算出部４２０－Ｎを有する。

第ｋモデル評価用予測血圧算出部４１０－ｋおよび第ｋモデル評価指数算出部４２０－ｋはそれぞれ、第ｋモデルに応じた機能部である。第ｋモデル評価用予測血圧算出部４１０－ｋと第ｋモデル評価指数算出部４２０－ｋとを総称して、「第ｋモデル評価部」とも称する。

評価用予測血圧算出部４１は、モデル作成部３０において作成された推定モデルにおける予測血圧（以下、ＢＰｅ）を算出する。具体的には、評価用予測血圧算出部４１は、当該推定モデルに対し、テスト用データとして脈波パラメータ算出部２０によって算出された脈波パラメータを適用（具体的には代入）することにより、ＢＰｅを算出する。

モデル評価指数算出部４２は、上記推定モデルの評価指数（以下、ＰＩ）を算出する。モデル評価指数算出部４２は、ＢＰｍとＢＰｅとに基づき、ＰＩを算出してよい。一例として、モデル評価指数算出部４２は、ＢＰｍとＢＰｅとのＭＳＥを、ＰＩとして算出する。モデル評価指数算出部４２は、複雑度の小さい推定モデルから順番に、各推定モデルのＰＩを算出する。そして、モデル評価指数算出部４２は、算出したＰＩをモデル保管部５５に供給する。

なお、ＰＩ（評価指数）は、ＭＳＥに限定されない。ＰＩは、ＢＰｍとＢＰｅとに基づいて算出できる限り、任意である（後述の実施形態２も参照）。一例として、ＢＰｍとＢＰｅとの誤差の平均（例：平均絶対誤差）を、ＰＩとして用いてもよい。または、ＢＰｍとＢＰｅとの誤差の標準偏差を、ＰＩとして用いることもできる。

あるいは、ＢＰｍとＢＰｅとに基づいて複数の所定のパラメータ（数値）を算出し、当該複数のパラメータを順位付けしてもよい（例：当該複数のパラメータの優劣を特定してもよい）。この場合、各パラメータの順位を示す数を、ＰＩとして用いてもよい。

以上の説明の通り、第１モデル評価用予測血圧算出部４１０－１は、第１モデルにおける予測血圧（第１モデル用予測血圧）を算出する。第２モデル評価用予測血圧算出部４１０－２～第Ｎモデル評価用予測血圧算出部４１０－Ｎについても同様である。すなわち、第ｋモデル評価用予測血圧算出部４１０－ｋは、第ｋモデル用予測血圧（以下、ＢＰｅｋ）を算出する。このように、評価用予測血圧算出部４１は、ＢＰｅ１～ＢＰｅＮを算出する。以下、ＢＰｅ１～ＢＰｅＮを総称して、予測血圧群とも称する。評価用予測血圧算出部４１は、算出した予測血圧群を、モデル評価指数算出部４２に供給する。

続いて、第１モデル評価指数算出部４２０－１は、第１モデルにおける各ＰＩ（第１モデル評価指数セット）を算出する。第２モデル評価指数算出部４２０－２～第Ｎモデル評価指数算出部４２０－Ｎについても同様である。すなわち、第ｋモデル評価指数算出部４２０－ｋは、第ｋモデル評価指数セット（以下、ＰＩｋ）を算出する。

以下、ＰＩ１～ＰＩｋを総称して、評価指数セット群とも称する。モデル評価指数算出部４２は、算出した評価指数セット群を、推定モデル群と関連付けて、モデル保管部５５に供給する。

（モデル評価部４０による測定モデルの設定）
モデル評価部４０は、当該モデル評価部４０（より詳細には、モデル評価指数算出部４２）による評価結果（各ＰＩ）に基づいて、少なくとも１つの測定モデルを設定（選択）する。具体的には、モデル評価部４０は、モデル保管部５５に保管された少なくとも１つの推定モデルの中から、少なくとも１つの測定モデルを選択する。一例として、図６を参照し、１つの測定モデルが選択される場合を説明する。図６は、モデル評価部において測定モデルを設定するための処理の一例を説明するための図である。

図６に示すように、モデル評価部４０は、各複雑度におけるＭＳＥ（ＰＩの一例）が最も小さい血圧推定モデル同士をプロットしたときに、ＭＳＥが極小値となる推定モデルを測定モデルとして選択する。図６の例では、複雑度３の所定の１つの推定モデルが、測定モデルとして選択されている（図６の星形の凡例を参照）。

また、血圧測定装置１では、モデル作成部３０における血圧推定モデルの作成のためのデータ（訓練用データ）と、モデル評価部４０における血圧推定モデルの評価のためのデータ（テスト用データ）とは、異なるデータであることが好ましい。この場合、モデル評価部４０は、過学習に陥ることなくテスト用データへの当てはまりが良い、汎化性能に優れた測定モデルを選択することができる。

なお、測定モデルの設定方法は、上記の例に限定されない。例えば、モデル評価部４０は、少なくとも１つの推定モデルの中から、「ＰＩ（例：ＭＳＥ）が所定の閾値以下となる推定モデル」を、測定モデル候補として抽出してよい。そして、モデル評価部４０は、測定モデル候補の中から、少なくとも１つの測定モデルを選択してよい。一例として、モデル評価部４０は、測定モデル候補の内、ＰＩが最小となる推定モデルを、測定モデルとして選択してよい。あるいは、モデル評価部４０は、測定モデル候補の内、複雑度が最も小さい推定モデルを、測定モデルとして選択してもよい。

以上の説明の通り、モデル評価部４０は、少なくとも１つの第１モデルから、少なくとも１つの測定モデル（第１モデル内測定モデル）を選択する。第２モデル～第Ｎモデルについても同様である。すなわち、モデル評価部４０は、少なくとも１つの第ｋモデルから、少なくとも１つの測定モデル（第ｋモデル内測定モデル）を特定する。第ｋモデル内測定モデルとは、属性ｋの場合に、血圧測定部１６０において血圧（Ｐ）を測定するための計算モデルである。

なお、第ｋモデル作成部３００－ｋにおいて第ｋモデルが１つしか作成されていない場合には、モデル評価部４０は、当該１つの第ｋモデルを、測定モデル（第ｋモデル内測定モデル）として選択すればよい。以下、第１モデル内測定モデル～第Ｎモデル内測定モデルを総称して、測定モデル群とも称する。モデル評価部４０は、設定した測定モデル群をモデル保管部５５に供給する。

（モデル保管部５５）
モデル保管部５５は、各データを保管（格納）可能な公知の記憶装置であってよい。実施形態１では、モデル保管部５５には、（ｉ）モデル作成部３０によって作成された推定モデル群が保管されている。加えて、モデル保管部５５には、（ｉ）モデル評価指数算出部４２によって算出された評価指数セット群、および、（ｉｉ）モデル評価部４０によって設定された測定モデル群が、さらに保管されることが好ましい。

（測定モデル設定方法）
図７は、モデル設定装置１００の処理の流れの一例を示すフローチャートである。図７では、モデル設定装置１００によって測定モデルを設定する方法（測定モデル設定方法）の一例が示されている。

まず、撮像部１１は、被検体画像を撮像する（Ｓ１）。顔画像取得部１４は、撮被検体画像から顔画像（ＩＭＧ）を取得する（Ｓ２）。顔画像分割部１５は、ＩＭＧを複数の部分領域に分割する（Ｓ３）。肌領域抽出部１６は、当該複数の部分領域から肌領域を抽出する（Ｓ４）。脈波算出部１７は、肌領域のそれぞれについて、脈波（脈波信号）を算出する（Ｓ５）。Ｓ１～Ｓ５は、総称的に脈波取得工程とも称される。

続いて、脈波パラメータ算出部２０は、当該脈波に基づき、脈波パラメータを算出する。まず、脈波パラメータ算出部２０は、各肌領域間におけるＰＴＴ（脈波伝播時間）を算出する（Ｓ６）。続いて、脈波パラメータ算出部２０は、各肌領域における波形特徴量を算出する（Ｓ７）。Ｓ６およびＳ７は、総称的に脈波パラメータ算出工程とも称される。

続いて、性別検出部２２は、ＩＭＧを解析することによって、被検体Ｈの性別を検出する（Ｓ８）。血管年齢算出部２１は、上記脈波に基づき、被検体Ｈの血管年齢を算出する（Ｓ９）。Ｓ８およびＳ９は、総称的に属性情報取得工程とも称される。

そして、属性分類部２３は、属性情報に基づき、被検体Ｈの属性を分類する（Ｓ１０，属性分類工程）。本例では、属性分類部２３は、血管年齢情報および性別情報に基づき、当該被検体Ｈの属性を分類する。例えば、属性分類部２３は、被検体Ｈの属性を、属性１～Ｎのうちのいずれか１つの属性（属性ｋ）に分類する。

以下に述べる各処理は、属性ｋごとに行われる。まず、血圧取得部２は、被検体Ｈの血圧（ＢＰｍ，第２血圧）を取得する（Ｓ１１，第２血圧取得工程）。

次に、モデル作成部３０（より具体的には、第ｋモデル作成部３００－ｋ）は、訓練用データを用いて、属性ｋにおける少なくとも１つの推定モデル（第ｋモデル）を作成する。具体的には、モデル作成部３０は、脈波パラメータとＢＰｍとを用いて、各推定モデルを作成する（Ｓ１２，モデル作成工程）。なお、Ｓ１２において用いられるＢＰｍは、被検体画像の撮像（Ｓ１）と同時に、血圧取得部２によって測定された血圧である。つまり、第２血圧測定工程は、Ｓ１１に先立ち、Ｓ１と同時に予め１回実行されている。

次に、評価用予測血圧算出部４１（より具体的には、第ｋモデル評価用予測血圧算出部４１０－ｋ）は、テスト用データを用いて、各推定モデルにおける予測血圧（ＢＰｅ，より具体的にはＢＰｅｋ）を算出する。具体的には、評価用予測血圧算出部４１は、各推定モデルに対し脈波パラメータを適用することにより、ＢＰｅを算出する（Ｓ１３）。

次に、モデル評価指数算出部４２（より具体的には、第ｋモデル評価指数算出部４２０－ｋ）は、推定モデルの評価指数（ＰＩ，より具体的にはＰＩｋ）を算出する。具体的には、モデル評価指数算出部４２は、ＢＰｅとＢＰｍとの平均二乗誤差（ＭＳＥ）を、ＰＩとして算出する（Ｓ１４）。Ｓ１３およびＳ１４は、総称的にモデル評価工程とも称される。

そして、モデル評価部４０は、当該モデル評価部４０による評価結果（各ＰＩ）に基づいて、各推定モデルから少なくとも１つの測定モデル（第ｋモデル内測定モデル）を選択する。例えば、モデル評価部４０は、第ｋモデルのうち、ＭＳＥが最小となるモデルを、第ｋモデル内測定モデルとして設定する（Ｓ１５，モデル設定工程）。
Ｓ１１～Ｓ１５を、分類１～Ｎのそれぞれに対して実行することにより、モデル設定装置１００によって、第１モデル内測定モデル～第Ｎモデル内測定モデルを設定できる。

（脈波信号品質評価部１５０）
続いて、血圧測定装置１の残りの機能部について述べる。脈波信号品質評価部１５０は、血圧測定装置１（より具体的には、血圧測定部１６０）によって血圧（Ｐ）を測定する場合に用いられる、各肌領域の脈波信号の品質を評価する。一例として、脈波信号品質評価部１５０は、脈波信号のＳＮＲを、当該脈波信号の品質を示す指標として算出する。

図８は、脈波信号のパワースペクトル（以下、単にパワースペクトル）の一例を示すグラフである。当該グラフにおいて、横軸は周波数を、縦軸は脈波信号のパワーを、それぞれ示す。脈波信号品質評価部１５０は、脈波信号に周波数解析を行うことにより、パワースペクトルを導出する。

脈波は、心臓のポンプ作用によって動脈に伝わる波である。このため、脈波信号は、心拍に応じた一定の周期を有する。多くの場合、被検体Ｈの安静時には、１Ｈｚ前後の周波数帯において、パワースペクトルのピークが確認される。図８のＰＲ（Pulse Rate）は、当該ピークの一例である。

そこで、脈波信号品質評価部１５０は、所定の帯域幅において、信号成分（Ｓｉｇｎａｌ）および雑音成分（Ｎｏｉｓｅ）を算出してよい。一例として、脈波信号品質評価部１５０は、ＰＲを中心とする±０．０５Ｈｚの周波数帯を、信号帯域として設定してよい。そして、脈波信号品質評価部１５０は、当該信号帯域におけるパワースペクトルのパワー和を、Ｓｉｇｎａｌとして算出する。これに対し、脈波信号品質評価部１５０は、０．７５～４．０Ｈｚの周波数帯であって、かつ、Ｓｉｇｎａｌ帯域を除いた周波数帯を、雑音帯域として設定してよい。そして、脈波信号品質評価部１５０は、当該雑音帯域におけるパワースペクトルのパワー和を、Ｎｏｉｓｅとして算出する。そして、脈波信号品質評価部１５０は、ＳＮＲ＝Ｓｉｇｎａｌ／Ｎｏｉｓｅとして、ＳＮＲを算出する。

ところで、一部の肌領域からは、一定の信号品質を有する脈波（高精度な脈波）を取得できない場合が考えられる。このような肌領域の例としては、（ｉ）被覆物によってその一部が覆い隠されている肌領域、または、（ｉｉ）影がさしている肌領域を挙げることができる。従って、血圧測定精度の向上の観点からは、脈波信号品質評価部１５０による脈波信号の品質評価結果を用いて、このような肌領域の存在を考慮することが好ましい。

一例として、脈波信号品質評価部１５０は、各肌領域を、（ｉ）一定の信号品質を有する脈波を取得できた領域（以下、品質適合領域）と、（ｉｉ）その他の領域（以下、品質不適合領域）と、に分類してよい。品質不適合領域は、一定の信号品質を有する脈波を取得できなかった領域とも表現できる。一例として、「一定の信号品質」が、「ＳＮＲ＞０．１５」として表現できる場合を考える。この場合、脈波信号品質評価部１５０は、各肌領域のうち、ＳＮＲ＞０．１５である領域を、品質適合領域として特定する。

（モデル選択部６０）
モデル選択部６０は、第１モデル選択部６００－１、第２モデル選択部６００－２、…、および第Ｎモデル選択部６００－Ｎを有する。第ｋモデル選択部６００－ｋは、第ｋモデルに応じた機能部である。モデル選択部６０は、モデル設定装置１００による処理の終了後に、血圧測定部１６０において血圧（Ｐ）を測定するために動作する。

モデル選択部６０は、モデル設定装置１００（モデル評価部４０）によって予め設定された測定モデル群を、モデル保管部５５から読み出す。そして、モデル選択部６０は、当該測定モデル群から、属性分類部２３によって分類された被検体Ｈの属性に応じた測定モデルを選択する。すなわち、モデル選択部６０は、属性ｋ（パターンｋ）に応じた測定モデルを選択する。モデル選択部６０によって選択される測定モデルは、血圧測定部１６０における血圧の測定に用いられる、少なくとも１つの測定モデル（血圧測定用モデル）である。以下の説明では、血圧測定用モデルが１つである場合を例示する。

具体的には、第１モデル選択部６００－１は、属性１に応じた少なくとも１つの測定モデル（第１モデル内測定モデル）から、１つの測定モデル（血圧測定用第１モデル）を選択する。第２モデル選択部６００－２～第Ｎモデル選択部６００－Ｎについても同様である。すなわち、第ｋモデル選択部６００－ｋは、少なくとも１つの第ｋモデル内測定モデルから、１つの測定モデル（血圧測定用第ｋモデル）を選択する。

以上の通り、モデル選択部６０は、少なくとも１つの推定モデルのそれぞれの評価結果（各ＰＩ）に基づき、当該少なくとも１つの血圧推定モデルの中から測定モデルを選択する。

なお、モデル評価部４０において第ｋモデル内測定モデルが１つしか作成されていない場合には、第ｋモデル選択部６００－ｋは、当該１つの第ｋモデル内測定モデルを、血圧測定用第ｋモデルとして選択すればよい。従って、脈波信号品質評価部１５０は、血圧測定装置１の必須の構成要素ではない点に留意されたい。

但し、血圧測定装置１の測定結果（Ｐ）の精度向上のためには、脈波信号品質評価部１５０を設けることが好ましい。例えば、モデル選択部６０は、脈波信号品質評価部１５０による脈波信号の品質評価結果に基づいて、血圧測定用測定モデルを選択してよい。例えば、第ｋモデル選択部６００－ｋは、少なくとも１つの第ｋモデル内測定モデルのうち、脈波信号の品質が最も高いモデルを、血圧測定用第ｋモデルとして選択してよい。

さらに、モデル選択部６０は、測定モデル群のうち、品質適合領域のみが使用されているモデルのみを、血圧測定用モデルの候補として抽出してよい。これにより、血圧測定装置１の測定精度の低下を、より確実に防止できる。

（血圧測定部１６０および血圧測定結果出力部１７０）
血圧測定部１６０は、属性ｋに応じた推定モデル（第ｋモデル）を用いて、脈波パラメータに基づき血圧（Ｐ）を測定する。より具体的には、血圧測定部１６０は、モデル選択部６０によって選択された血圧測定用モデルを用いて、Ｐを測定する。すなわち、血圧測定部１６０は、当該血圧測定用モデルに、脈波パラメータ算出部２０によって算出された脈波パラメータを適用することにより、Ｐを算出する。このように、血圧測定部１６０は、血圧測定用モデルを用いることにより、脈波パラメータに基づき、Ｐを算出する。

上述のように、モデル選択部６０は、属性ｋに応じた血圧測定用モデル（血圧測定用第ｋモデル）を選択する。このため、血圧測定部１６０において、被検体Ｈの属性に適した血圧測定用モデルを用いて、Ｐを算出できる。

血圧測定結果出力部１７０は、血圧測定部１６０によって測定されたＰを取得する。そして、血圧測定結果出力部１７０は、当該Ｐを血圧測定結果として出力する。血圧測定結果出力部１７０は、Ｐを任意の報知態様によって提示してよい。一例として、血圧測定結果出力部１７０は、ディスプレイであってよい。この場合、血圧測定結果出力部１７０は、Ｐを示す数値を表示することにより、血圧測定結果を被検体Ｈに視覚的に提示できる。

なお、血圧測定結果出力部１７０は、各種の属性情報のうちの少なくとも一部（例：血管年齢情報）を、Ｐを示す数値とともに表示させてもよい。この場合、被検体Ｈの属性に応じた血圧測定が行われている旨を、当該被検体Ｈに示唆することができる。

（血圧測定方法）
血圧測定装置１によって血圧を測定する方法（血圧測定方法）の一例について説明すれば、以下の通りである。血圧測定方法の各処理は、図７の全処理が完了した後に実行される。従って、以下の例では、血圧測定方法の各処理の開始に先立ち、モデル設定装置１００によって導出された、推定モデル群と評価指数セット群と測定モデル群とが、予めモデル保管部５５に保管されているものとする。

まず、血圧測定方法では、図７のＳ１～Ｓ１０と同様の処理が実行される。すなわち、血圧測定方法においても、モデル設定方法と同様に、脈波取得工程と脈波パラメータ算出工程と属性情報取得工程と属性分類工程とが実行される。

その後、上述の通り、血圧測定部１６０は、第ｋモデルを用いて、脈波パラメータに基づきＰを算出する（第１血圧測定工程）。より具体的には、第１血圧測定工程に先立ち、モデル選択部６０は、属性ｋに応じた測定モデル（より厳密には、血圧測定用第ｋモデル）を選択する（モデル選択工程）。続いて、第１血圧測定工程では、血圧測定部１６０は、当該測定モデルを用いてＰを算出する。

（効果）
非接触式の血圧測定装置（例：血圧測定装置１）では、接触式の血圧測定装置（例：カフ血圧計としての血圧取得部２）とは異なり、被検体Ｈの血圧を物理量として直接的に取得することができない。このため、非接触式の血圧測定装置では、被検体Ｈの生体情報（例：脈波パラメータ）から血圧（Ｐ）を導出するためのモデルを設ける必要がある。

しかしながら、図９に示されるように、血圧とＰＷＶ（Pulse Wave Velocity，脈波伝搬速度）との間の相関関係は、被検体Ｈの年齢および性別などの要素によって、有意に相違しうることが知られている。図９は、異なる属性を有する被検体のそれぞれについての、血圧とＰＷＶとの間の関係の一例を示すグラフである。一例として、図９には、「ある血管年齢（血管年齢Ａ）の男性」、「別の血管年齢（血管年齢Ｂ）の男性」、および「さらに別の血管年齢（血管年齢Ｃ）の女性」のそれぞれについての、血圧とＰＷＶとの間の関係の一例が示されている。なお、ＰＷＶは、ＰＴＴと負の相関を有する。このため、図９のＰＷＶは、ＰＴＴと読み替えられてもよい。

このことから、ある被検体（例：血管年齢Ａの男性）の血圧測定に適した１つのモデルは、別の被検体（例：血管年齢Ｂの男性または血管年齢Ｃの女性）の血圧測定にとっても好適であるとは、必ずしも言えない。従って、上述の共通モデルを用いた場合には、被検体Ｈの個人差（例：年齢および性別）を考慮できないので、Ｐの測定精度を十分に向上させるには至らない。

以上の点を踏まえ、発明者らは、「被検体Ｈの属性に応じて設定された個別の測定モデルを用いて、Ｐを測定する」という新たな構成を想到した。より本質的には、発明者らは、「被検体Ｈの属性のそれぞれに応じた少なくとも１つの種類の推定モデルを作成する」という新たな構成を想到した。これらの構成によれば、被検体Ｈの個人差を考慮した血圧測定を行うことが可能となるので、従来に比べてＰの測定精度を向上させることができる（図５も参照）。

ところで、被検体Ｈの属性のそれぞれに応じた少なくとも１つの種類の推定モデルを作成する場合には、被検体Ｈの実年齢（以下、単に実年齢）に基づく属性分類を行うことも考えられる（参照：特許文献１）。しかしながら、実年齢は、被検体Ｈの血管状態を示す指標としては、必ずしも十分ではないとも考えられる。例えば、被検体Ｈの生活習慣（例：食習慣および運動習慣）によっては、実年齢が低くとも血管年齢が高い場合（あるいはその逆）もありうるためである。

この点を踏まえると、Ｐの測定精度を向上させるためには、被検体Ｈの血管状態を示す指標として、実年齢に替えて血管年齢を用いることが好ましい。そこで、例えば図７の例では、血管年齢に基づく属性分類が行われている。このように属性分類を行うことにより、実年齢に基づく属性分類が行われた場合に比べ、被検体Ｈの実際の血管状態により即した推定モデルを作成できる。

また、モデル設定装置１００では、例えばＩＭＧを解析することにより、属性情報を取得できる。このため、血圧測定装置１のユーザに、被検体Ｈに応じた測定モデルを手動で選択させることが不要となる。また、被検体Ｈに属性情報についての質問を行い、当該属性情報についての回答を当該被検体から直接的に取得することも不要となる。このように、血圧測定装置１によれば、従来よりも簡便かつ高精度にＰを測定できる。

（補足１）
特許文献３に示されるように、被検体Ｈの見た目年齢（以下、見た目年齢）は、血管年齢と強い相関性を有することが知られている。例えば、血管の老化に伴い、顔における、シミの拡大、毛穴の数の増加、および頬のたるみが顕著となる。このため、血管年齢が高くなるにつれて、見た目年齢も高くなる傾向にある。

そこで、実施形態１では、血管年齢に替えて、見た目年齢に基づく属性分類が行われてもよい。この場合、属性情報取得部（例：血管年齢算出部２１）は、血管年齢に替えて、見た目年齢を算出すればよい。見た目年齢の算出には、公知の手法（例えば、特許文献４を参照）が用いられてよい。例えば、属性情報取得部は、ＩＭＧを解析することにより、見た目年齢を算出する。このように、属性情報として、見た目年齢を示す情報（見た目年齢情報）を用いることもできる。

なお、血管年齢と見た目年齢とを、総称的に血管関連年齢とも称する。また、血管関連年齢を示す情報を、血管関連年齢情報とも称する。血管年齢情報および見た目年齢情報はいずれも、血管関連年齢情報の一例である。

血管関連年齢情報を属性情報として用いることにより、被検体Ｈの実際の血管状態を考慮できる。同様に、波形特徴量情報を属性情報として用いた場合にも、被検体Ｈの実際の血管状態を考慮できる。また、属性情報には、性別情報が含まれていることが望ましい。この場合、被検体Ｈの性差をさらに考慮できる。

（補足２）
以上の通り、本開示の一態様に係る血圧測定装置の本質的なコンセプトは、「属性情報に基づき被検体Ｈを分類し、その分類結果に応じて、当該被検体Ｈに適した推定モデルを使用する」点にあると言える。このことから、当該血圧測定装置では、「各推定モデルの評価結果に基づく測定モデルの選択」は、必須の処理ではないことに留意されたい。すなわち、本開示の一態様に係る血圧測定装置から、選択部を取り除くことも可能である。

以上のことから、モデル保管部には、評価指数セット群および測定モデル群は必ずしも予め保管されなくともよい。それゆえ、本開示の一態様に係るモデル設定装置から、モデル評価部を取り除くことも可能である。

〔変形例〕
（１）ところで、一部の薬剤は、被検体Ｈの血管状態に大きく影響を及ぼす。このため、当該薬剤を摂取した場合、血管状態の変化に起因して、被検体Ｈの顔にむくみが生じる場合がある。そこで、属性情報取得部は、ＩＭＧを解析することにより、被検体Ｈの顔にむくみが生じているかを判定してよい。

つまり、属性情報取得部は、ＩＭＧを解析することにより、被検体Ｈの顔にむくみが生じているか否かを示す情報（むくみ情報）を、属性情報として取得してよい。この場合、被検体Ｈの顔のむくみの有無に基づき、属性分類を行うことができる。換言すれば、被検体Ｈによる上記薬剤の服用の有無を考慮して、属性分類を行うことができる。このような属性分類によっても、実施形態１と同様の効果を奏する。

（２）当然ながら、上述した各種の個別の属性情報を組み合わせて、属性分類を行うこともできる。一例として、本開示の一態様に係る属性情報には、血管年齢情報、見た目年齢情報、性別情報、波形特徴量情報、および、むくみ情報の、少なくともいずれかが含まれていればよい。

〔実施形態２〕
実施形態１では、脈波算出部１７から算出された脈波信号に基づいて算出される血管年齢情報と、顔画像取得部１４で取得された顔画像に基づき検出された性別情報を用いて、被験者の属性分類を行った。

実施形態２では、実施形態１の代案、変形例として、脈波信号に基づいて算出される血管年齢情報に代わり、カフ血圧計等を用いて血圧を測定し、その結果に基づいて算出できる平均血圧（拡張期血圧＋収縮期血圧×1/3で算出）に基づいて被験者の分類を行い、分類ごとにモデル設定、血圧測定を行う。

図１０は、実施形態２の血圧測定装置１の要部の構成を示す機能ブロック図である。実施形態１と異なる機能を持つ、血圧取得部２、血管年齢算出部２１、属性分類部２３について説明する。
血圧取得部２は、モデル作成部３０およびモデル評価部４０に加えて、血管年齢算出部２１にＢＰｍを出力する。

血管年齢算出部２１は、被検体Ｈに最適な血圧推定モデルを選択するため、被検体Ｈの属性情報として、血圧取得部２において取得された被験体Ｈの血圧に基づいて、被検体Ｈの血管年齢情報を算出する。血管年齢算出部２１は、血圧取得部２で取得した血圧値（収縮期血圧(SBP)と拡張期血圧(DBP)）から平均血圧を算出する。平均血圧は、例えば、DBP+1/3＊（SBP－DBP）で算出できる。血管年齢算出部２１で算出した平均血圧は、属性分類部２３に出力される。

属性分類部２３は、性別検出部２２で検出された性別情報に加えて、カフ血圧値から算出された血管年齢情報を反映する平均血圧に基づいて、被検体Ｈを分類する。属性分類部２３は、平均血圧の値（分類指標）に応じて、例えば図１１のように属性を分類した場合、被測定者がどの属性に分類されるかを判定し、モデル選択部６０に入力する。

なお、被検体Ｈの属性分類は、血圧を測定する度に行う必要はなく、少なくとも測定前に一度実施すれば良いが、定期的に（例えば数ヶ月～数年に一度）実施することで、被検体Ｈの最新の血管状態を反映したモデルに更新できる。

また、血圧取得部２、血管年齢算出部２１、および属性分類部２３は、必ずしも血圧測定装置１の内部に設けられていなくてもよい。例えば、血圧測定装置１としてスマートフォン内臓のカメラを用いて血圧測定を行うような場合には、血圧測定装置本体とは別機の接触式血圧計（例えば、カフ式血圧計）で測定した血圧値を図１２のように手動で入力しても良い。

血圧測定部１６０は、被検体Ｈの名前、ＩＤ、顔画像（顔認証）等の被検体Ｈ個人を特定できる情報と、被検体Ｈの属性、また属性に対応する少なくとも一つの推定モデルと、を対応付けて血圧測定部１６０に保存しておくことで（図１３（ａ）、図１３（ｂ））、血圧測定の度にモデル選択を実施する必要がなく、モデル選択部６０と通信可能に接続されていない状態でも測定できる。また、モデル選択部６０は、血圧測定装置１内部に無くてもよく、血圧測定装置１と血圧測定装置１外部のモデル選択部６０とが通信可能に接続されていてもよい。

図１４は、血圧測定装置の処理の流れの一例を示すフローチャートである。図１４では、血圧測定装置１によって血圧を測定する方法の一例が示されている。

図１４に示すように、血圧測定装置１による血圧測定方法では、血圧測定装置１は、血圧測定方法被測定者の推定モデルが選択されているか判定し（Ｓ２０Ａ）、血圧測定方法被測定者の推定モデルが選択されていない場合（Ｓ２０Ａ：Ｎｏ）、下記Ｓ２１～Ｓ２３を実施する。血圧測定装置１は、血圧測定方法被測定者の推定モデルが選択されている場合（Ｓ２０Ａ：Ｙｅｓ）、選択モデルを更新するか判定し（Ｓ２０Ｂ）、既に選択されたモデルがある場合でも選択モデルを更新する場合（Ｓ２０Ｂ：Ｙｅｓ）には、下記Ｓ２１～Ｓ２３を実施する。血圧測定装置１は、選択モデルを更新しない場合（Ｓ２０Ｂ：Ｎｏ）には、下記Ｓ２１～Ｓ２３を実施せず、Ｓ２４からの処理を実施する。

まず、血圧取得部２が被測定者の血圧を取得する（Ｓ２１）。次に、血管年齢算出部２１が、血圧取得部が取得した血圧に基づいて分類指標（平均血圧）を算出する（Ｓ２２）。次に、属性分類部が血管年齢算出部２１で算出した分類指標に基づき、被測定者がいずれの属性に分類されるかを判別し、モデル選択部６０は該当する属性の推定モデルを被測定者の最適モデルとして選択する（Ｓ２３）。

以降のＳ２４～Ｓ３０は、予測血圧を算出する度に実施する。
まず、撮像部１１が被測定者の画像を撮像する（Ｓ２４）。次に、顔画像取得部１４が、撮像部１１が撮像した被測定者の画像から被測定者の顔画像を取得する（Ｓ２５）。

次に、顔画像分割部１５が、顔画像取得部１４で抽出した顔画像から脈波を算出する領域を設定（分割）する（Ｓ２６）。次に、肌領域抽出部１６が、顔画像分割部１５で設定した領域のうち肌が隠れていない領域を肌領域として抽出し、脈波算出部１７が、肌領域抽出部１６で抽出した肌領域のそれぞれについて、脈波を算出する（Ｓ２７）。

次に、脈波パラメータ算出部２０が、脈波取得部１０で算出した各肌領域の脈波から、脈波波形特徴量を脈波パラメータとして算出する（Ｓ２８）。尚、Ｓ２８において、脈波パラメータ算出部２０は、脈波を算出した領域が複数ある場合には、脈波伝播時間を脈波パラメータとして算出しても良い。

次に、血圧測定部１６０が脈波パラメータ算出部２０で算出した脈波パラメータと、Ｓ２１～Ｓ２３で選択された被測定者の属性に合った血圧推定モデルから予測血圧を算出する（Ｓ２９）。次に、血圧測定結果出力部１７０が、血圧測定部１６０で算出した予測血圧の結果を出力する（Ｓ３０）。

（効果）
実施形態２では、例えば、末梢の細い血管の動脈硬化の程度に関する情報を反映している平均血圧（参考：http://medica.sanyonews.jp/article/4523）に基づいて、被検体Ｈの属性を分類し、各属性の分類ごとに作成したモデルで血圧測定する。

そのため、各被検体の推定モデルへの適合度を向上させることが可能となり、精度良い血圧値を予測できる。なお本実施形態では、モデル選択部６０でカフ血圧計で取得した血圧値から算出した平均血圧の値と性別に応じて被検体に最適な血圧推定モデルを選択したが、これに限らず、被検体の実年齢、体重等でさらに細分類しても良い。

〔変形例〕
実施形態２では、事前にカフ血圧計で取得した収縮期血圧と拡張期血圧から、末梢の細い血管の動脈硬化に関する情報を反映した平均血圧を被検体Ｈごとに算出し、その平均血圧に基づいて被検体Ｈの属性を分類し、適切なモデルを選択した。

ここでは、平均血圧に加えて収縮期血圧と拡張期血圧の差から算出できる脈圧を、被検体の属性を判別する際の分類指標として用いる場合について説明する。

実施形態２と全体の構成は変わらないが、血管年齢算出部２１での機能が追加される。血管年齢算出部２１は、血圧取得部２で取得した血圧値（SBPとDBP）から平均血圧と脈圧を算出する。脈圧はSBP－DBPで算出できる。血管年齢算出部２１は、算出した平均血圧と脈圧を属性分類部２３に出力する。

平均血圧は末梢の細い血管の動脈硬化に関する情報を、脈圧は心臓に近い太めの血管の動脈硬化に関する情報を反映する（参考：http://medica.sanyonews.jp/article/4523）。また、動脈硬化は加齢に伴って、まず末梢の細い血管から起こり、やがて太い血管にも進行していくことが知られている。従って、まず最初に平均血圧が上昇し（末梢の細い血管の動脈硬化）、続いて５０歳以降頃から次第に脈圧が大きくなっていく（心臓に近い太めの血管の動脈硬化）。

そのため、図１５に示すように、平均血圧と脈圧の大きさに応じて属性を4つに分類した場合、（３）（平均血圧が高い＆脈圧が小さい）よりも、（４）（平均血圧が高い＆脈圧が大きい）の方が、より動脈硬化が進んだ被検体データであることが分かる。

これらの平均血圧、脈圧の値に基づいて、各被測定者を分類することで、動脈硬化の進行具合や、硬化している位置等の血管状態に関する個人差を考慮した血圧推定が可能になる。加齢に伴って、動脈硬化は進行（細い血管の硬化→太い血管の硬化）するが、同じ年齢でも、これまでの運動習慣や食習慣等の生活習慣によって、動脈硬化の進行度には個人差が生じるが、実際の血管状態に関する情報に基づいて分類できるため、年齢による分類よりもさらに、被測定者に適合したモデルでの血圧推定が可能になる。

なお実施形態２では、カフ血圧計で得られたSBP、DBPに基づいて、平均血圧、脈圧を算出し、属性分類に用いる指標としたが、得られたSBP、DBPそのものを分類指標としても用いても良い。

〔変形例〕
実施形態２では、各被検体の属性情報を判別するための血圧値は、ユーザが手動でスマートフォンに入力する場合について説明した。

ここでは、病院や薬局等で血圧を測定する場合や、学校や会社等の健康診断等で血圧を測定した場合に、得られた血圧値を自動でクラウド上（詳細には、例えば、クラウド上のサーバ）に送り、被検体の属性判別に必要な指標をクラウド上（詳細には、例えば、クラウド上のサーバ）で計算し、各被検体側のハード（スマートフォン、PC等）へ、被検体の属性と、対応する推定モデルをダウンロードしてモデル選択、更新を行う（図１６）。

血圧取得部２がクラウドと通信可能なハードである場合には、血圧取得部２が取得した血圧値と、被検体の名前、ＩＤ、顔画像（顔認証）等の被検体個人を特定できる情報を紐づけて、クラウド上に送る。

学校や会社等の健康診断での測定結果を、被検体のモデル選択、更新に用いる場合には、健康診断での測定値がまとめられたデータベースと連携し、得られた測定値に基づいて、被検体に最適なモデルを選択する。

血圧測定装置１内部のモデル選択部６０は、クラウド（詳細には、例えば、クラウド上のサーバ）と通信可能に接続されているような場合には、被検体の属性と対応するモデルを定期的に自動更新しても良く、あるいは被検体がモデルの更新を実施したいときに、クラウド（詳細には、例えば、クラウド上のサーバ）から被検体に最適な属性と対応するモデルをダウンロードする形でも良い。

企業や学校では、少なくとも年に一度の健康診断を義務付けているところが多いため、その際の測定結果を利用することで、少なくとも年に一度、被測定者に最適な推定モデルを更新することが出来る。そのため、被測定者の血管状態を定期的に反映した推定モデルを用いて血圧を予測できるため、精度が悪化することなく、一定レベルで維持することが出来る。

また、自宅でカフ血圧計を所有していないような場合にも、健康診断や病院等での測定結果を利用して、日々の変化をスマートフォンやPC等で精度よく血圧を測定することが出来る。なお、健康診断で血液検査が実施されるような場合には、血液の粘性等の指標を属性分類指標に用いても良い。

血圧測定装置１は、被検体の最新の分類指標(平均血圧および／または脈圧)の算出が例えば一定期間経っている場合には、被検体に通知し、モデルの更新を促すような提示を行っても良い。これによって、被検体の現在の血管状態に基づいてモデルを選択し、その選択されたモデルを用いて血圧を測定できるため、一定の精度を確保することが出来る。

〔実施形態３〕
（１）被検体Ｈは、人に限定されない。被検体Ｈは、本開示の一態様に係る血圧測定方法が適用可能な対象であればよい。例えば、被検体Ｈは、犬または猫等の動物であってもよい。

（２）ＲＯＩは、顔に限定されない。ＲＯＩは、脈波を取得可能な生体の体表であればよい。ＲＯＩの別の例としては、首、胸、および掌等を挙げることができる。但し、ＲＯＩは、顔であることが好ましい。ＩＭＧ（顔画像）を用いた場合、血圧の測定時における被検体Ｈに対する負担を少なくできる。すなわち、自然な状態（リラックスした状態）における被検体Ｈの血圧を測定しやすくなる。

（３）血圧測定部１６０は、必ずしも１つの血圧測定用モデルのみを用いて、Ｐを算出しなくともよい。つまり、モデル選択部６０は、複数の血圧測定用モデルを選択してもよい。一例として、血圧測定部１６０は、複数の血圧測定用モデルのそれぞれを用いて、複数の血圧を算出する。この場合、血圧測定部１６０は、当該複数の血圧の代表値（例：平均値または中央値）を算出し、当該代表値をＰとして出力してよい。

（４）属性情報は、必ずしも画像解析に基づいて取得されなくともよい。例えば、接触式のセンサを、属性情報取得部として用いることもできる。当該センサは、被検体Ｈに拘束感をなるべく与えないように構成されていればよい。このように、血圧測定装置１は、接触式の血圧測定装置であってもよい。

（５）推定モデルは、線形モデルに限定されない。モデル作成部３０は、回帰分析を行うことにより、非線形モデル（非線形関数によって表現される計算モデル）を作成してもよい。また、モデル作成部３０は、最小二乗法以外の手法を用いて、推定モデルを作成してもよい。例えば、モデル作成部３０は、Ｌ１正則化を導入したＬａｓｓｏ回帰によって、線形モデルを作成してもよい。Ｌａｓｓｏ回帰を用いることにより、過学習の抑制を考慮した線形モデルを作成できる。

（６）上述の通り、推定モデルの評価指数（ＰＩ）は、ＢＰｅとＢＰｍとに基づいて算出されるパラメータであればよい。このため、ＰＩは、誤差に関するパラメータに必ずしも限定されない。例えば、（ｉ）自由度調整済み決定指数、および、（ｉｉ）ＡＩＣ（Akaike's Information Criteria）を、ＰＩとして用いることもできる。

（７）脈波の信号品質の評価指標は、ＳＮＲに限定されない。例えば、各肌領域の画素値を、評価指標として用いることもできる。

（８）モデル保管部５５は、血圧測定装置１と通信可能に接続されていればよい。例えば、モデル保管部５５は、血圧測定装置１の外部に設けられたサーバ装置であってもよい。このように、モデル保管部５５は、必ずしも血圧測定装置１の内部に設けられていなくともよい。同様に、モデル保管部５５は、必ずしもモデル設定装置１００の内部に設けられていなくともよい。

また、モデル保管部５５を割愛することもできる。この場合、モデル選択部６０は、モデル作成部３０から各推定モデルを直接的に取得すればよい。また、モデル選択部６０は、モデル評価部４０から各ＰＩを直接的に取得すればよい。但し、血圧測定装置１によるＰの測定を高速化するためには、モデル保管部５５を設けることが好ましい。

（９）モデル設定装置１００は、血圧測定装置１と通信可能に接続されていればよい。例えば、モデル設定装置１００は、血圧測定装置１の外部に設けられたサーバ装置であってもよい。このように、モデル設定装置１００は、必ずしも血圧測定装置１の内部に設けられていなくともよい。従って、血圧測定装置１は、公知の情報処理装置（例：スマートフォン、タブレット、またはパーソナルコンピュータ）によって実現されてよい。

〔実施形態４〕
血圧測定装置１の制御ブロック（特に、モデル設定装置１００、モデル選択部６０、脈波信号品質評価部１５０、および血圧測定部１６０）は、集積回路（ＩＣチップ）等に形成された論理回路（ハードウェア）によって実現してもよいし、ソフトウェアによって実現してもよい。

後者の場合、血圧測定装置１は、各機能を実現するソフトウェアであるプログラムの命令を実行するコンピュータを備えている。このコンピュータは、例えば少なくとも１つのプロセッサ（制御装置）を備えていると共に、上記プログラムを記憶したコンピュータ読み取り可能な少なくとも１つの記録媒体を備えている。そして、上記コンピュータにおいて、上記プロセッサが上記プログラムを上記記録媒体から読み取って実行することにより、本開示の一態様の目的が達成される。上記プロセッサとしては、例えばＣＰＵ（Central Processing Unit）を用いることができる。上記記録媒体としては、「一時的でない有形の媒体」、例えば、ＲＯＭ（Read Only Memory）等の他、テープ、ディスク、カード、半導体メモリ、プログラマブルな論理回路などを用いることができる。また、上記プログラムを展開するＲＡＭ（Random Access Memory）などをさらに備えていてもよい。また、上記プログラムは、該プログラムを伝送可能な任意の伝送媒体（通信ネットワークや放送波等）を介して上記コンピュータに供給されてもよい。なお、本開示の一態様は、上記プログラムが電子的な伝送によって具現化された、搬送波に埋め込まれたデータ信号の形態でも実現され得る。

〔付記事項〕
本開示の一態様は上述した各実施形態に限定されるものではなく、請求項に示した範囲で種々の変更が可能であり、異なる実施形態にそれぞれ開示された技術的手段を適宜組み合わせて得られる実施形態についても本開示の一態様の技術的範囲に含まれる。さらに、各実施形態にそれぞれ開示された技術的手段を組み合わせることにより、新しい技術的特徴を形成できる。

Claims (22)

1. 生体の脈波に基づき当該生体の第１血圧を測定する血圧測定装置であって、
   上記生体の体表における所定の領域において少なくとも１つの脈波を取得する脈波取得部と、
   上記少なくとも１つの脈波に基づき、少なくとも１つの脈波パラメータを算出する脈波パラメータ算出部と、
   上記生体の第２血圧を取得する血圧取得部と、
   上記生体の血管状態に関連する情報である属性情報を取得する属性情報取得部と、
   上記属性情報に基づき、上記生体の属性を分類する属性分類部と、を備えており、
   上記血圧測定装置は、上記属性の分類結果に該当する上記第１血圧を推定するための少なくとも１つの血圧推定モデルが予め保管されたモデル保管部と通信可能に接続されており、
   上記血圧測定装置は、上記属性の分類結果に該当する上記少なくとも１つの血圧推定モデルを用いて、上記少なくとも１つの脈波パラメータに基づき上記第１血圧を算出する第１血圧測定部をさらに備え、
   上記属性分類部は、上記血圧取得部が取得した第２血圧から算出された分類指標に基づき、上記生体の属性を分類する血圧測定装置。
2. 上記モデル保管部には、さらに、上記少なくとも１つの血圧推定モデルのそれぞれの評価結果が予め保管されており、
   上記第１血圧測定部は、上記少なくとも１つの血圧推定モデルのそれぞれの上記評価結果に基づき、当該少なくとも１つの血圧推定モデルの中から、上記第１血圧を算出するための測定モデルを選択するモデル選択部により選択された上記属性の分類結果に応じた上記測定モデルを用いて、上記少なくとも１つの脈波パラメータに基づき上記第１血圧を算出する、請求項１に記載の血圧測定装置。
3. Ｎを２以上の整数として、
   上記属性分類部は、上記属性を、第１属性から第Ｎ属性までのＮ通りのパターンに分類し、
   ｋを１以上かつＮ以下の整数として、
   上記モデル保管部には、第ｋ属性に応じた上記少なくとも１つの上記血圧推定モデルである、少なくとも１つの第ｋモデルが予め保管されている、請求項１または２に記載の血圧測定装置。
4. 上記分類指標の最新の算出から一定期間経っている場合に、上記生体に通知することを特徴とする請求項１から３のいずれか１項に記載の血圧測定装置。
5. 上記属性情報取得部は、上記第２血圧の値に基づき、少なくとも上記第１血圧の測定前に一度、上記属性情報を取得する、請求項１から４のいずれか１項に記載の血圧測定装置。
6. 上記属性情報取得部は、接触式血圧計から得られた血圧値に基づき、上記属性情報を取得する、請求項１から５のいずれか１項に記載の血圧測定装置。
7. 上記属性情報には、上記生体の平均血圧を示す情報が含まれている、請求項１から６のいずれか１項に記載の血圧測定装置。
8. 上記属性情報には、上記生体の脈圧を示す情報が含まれている、請求項１から７のいずれか１項に記載の血圧測定装置。
9. 上記属性情報取得部は、上記属性情報をクラウドを介して取得することを特徴とする、請求項１から８のいずれか１項に記載の血圧測定装置。
10. 上記属性情報は、クラウド上で計算されることを特徴とする請求項１から９のいずれか１項に記載の血圧測定装置。
11. 上記属性情報取得部は、上記属性情報を手動で入力することで取得することを特徴とする、請求項１から８のいずれか１項に記載の血圧測定装置。
12. 上記属性情報には、上記生体の血管の動脈硬化の程度に関する情報が含まれている、請求項１から１１のいずれか１項に記載の血圧測定装置。
13. 上記属性情報には、上記生体の血管年齢を示す情報が含まれている、請求項１から１２のいずれか１項に記載の血圧測定装置。
14. 上記属性情報には、上記生体の見た目年齢を示す情報が含まれている、請求項１から１３のいずれか１項に記載の血圧測定装置。
15. 上記属性情報には、上記少なくとも１つの脈波の波形特徴量を示す情報が含まれている、請求項１から１４のいずれか１項に記載の血圧測定装置。
16. 上記属性情報には、上記所定の領域にむくみが生じているか否かを示す情報が含まれている、請求項１から１５のいずれか１項に記載の血圧測定装置。
17. 上記属性情報には、上記生体の性別を示す情報がさらに含まれている、請求項１から１６のいずれか１項に記載の血圧測定装置。
18. 上記所定の領域は、上記生体の顔である、請求項１から１７のいずれか１項に記載の血圧測定装置。
19. 生体の脈波に基づき当該生体の第１血圧を測定する血圧測定装置と通信可能に接続されたモデル設定装置であって、
    上記生体の第２血圧を測定する第２血圧測定部と、
    上記生体の体表における所定の領域において少なくとも１つの脈波を取得する脈波取得部と、
    上記少なくとも１つの脈波に基づき、少なくとも１つの脈波パラメータを算出する脈波パラメータ算出部と、
    上記生体の血管状態に関連する情報である属性情報を取得する属性情報取得部と、
    上記属性情報に基づき、上記生体の属性を分類する属性分類部と、を備えており、
    上記モデル設定装置は、上記属性の分類結果に該当する上記第１血圧を推定するための少なくとも１つの血圧推定モデルを保管可能なモデル保管部と通信可能に接続されており、
    上記モデル設定装置は、上記少なくとも１つの脈波パラメータと上記第２血圧とに基づき上記少なくとも１つの血圧推定モデルを作成し、当該少なくとも１つの血圧推定モデルを上記モデル保管部に保管するモデル作成部をさらに備えており、
    上記属性分類部は、上記血圧取得部が取得した第２血圧から算出された分類指標に基づき、上記生体の属性を分類することを特徴とするモデル設定装置。
20. 上記モデル設定装置は、上記少なくとも１つの血圧推定モデルのそれぞれを評価し、その評価結果を上記モデル保管部に保管するモデル評価部をさらに備えている、請求項１９に記載のモデル設定装置。
21. Ｎを２以上の整数として、
    上記属性分類部は、上記属性を、第１属性から第Ｎ属性までのＮ通りのパターンに分類し、
    ｋを１以上かつＮ以下の整数として、
    上記モデル作成部は、第ｋ属性に応じた上記少なくとも１つの上記血圧推定モデルである少なくとも１つの第ｋモデルを作成し、当該少なくとも１つの第ｋモデルを上記モデル保管部に保管する第ｋモデル作成部を有している、請求項１９または２０に記載のモデル設定装置。
22. 生体の脈波に基づき当該生体の第１血圧を測定する血圧測定装置を用いた血圧測定方法であって、
    上記生体の体表における所定の領域において少なくとも１つの脈波を取得する脈波取得工程と、
    上記少なくとも１つの脈波に基づき、少なくとも１つの脈波パラメータを算出する脈波パラメータ算出工程と、
    上記生体の第２血圧を取得する血圧取得工程と、
    上記生体の血管状態に関連する情報である属性情報を取得する属性情報取得工程と、
    上記属性情報に基づき、上記生体の属性を分類する属性分類工程と、を含んでおり、
    上記血圧測定装置は、上記属性の分類結果に該当する上記第１血圧を推定するための少なくとも１つの血圧推定モデルが予め保管されたモデル保管部と通信可能に接続されており、
    上記血圧測定方法は、上記属性の分類結果に該当する上記少なくとも１つの血圧推定モデルを用いて、上記少なくとも１つの脈波パラメータに基づき上記第１血圧を算出する第１血圧測定工程を含んでおり、
    上記属性分類工程は、上記血圧取得工程が取得した第２血圧から算出された分類指標に基づき、上記生体の属性を分類する工程をさらに含んでいる、血圧測定方法。

Images