JP2023107708A - 睡眠状態判定装置、睡眠状態判定方法およびプログラム - Google Patents

Abstract

【課題】リアルタイムに精度よく離床／覚醒／睡眠を判定する睡眠状態判定装置を提供する。【解決手段】睡眠ポリソムノグラフによる離床／覚醒／睡眠の情報を教師データとし、その教師データと同期する体動信号、呼吸数、心拍数、位相コヒーレンスを入力データとして睡眠状態判定モデルを作成し、この判定モデルにセンサが検出した生体振動信号から取得した体動信号、呼吸数、心拍数、位相コヒーレンスを入力して離床／覚醒／睡眠の睡眠状態を判定する。【選択図】図１

Description

発明の詳細な説明

本発明は、シート状のセンサが設置されたマット上に横たわる動物の体動情報や生体情報から、動物の離床、覚醒、睡眠の状態を判定する装置又は方法に関する。

ヒトの睡眠状態を判定する方法として、睡眠ポリソムノグラフ（ＰＳＧ； Ｐｏｌｙｓｏｍｎｏｇｒａｐｈｙ）や、アクチグラフ（Ａｃｔｉｇｒａｐｈ）等が周知である。
睡眠ポリソムノグラフは、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る、睡眠中の無意識の動作によってセンサが外れるという問題がある。

また、アクチグラフ方式は、過去と将来のデータに基づいて現在の状態を判定するのでリアルタイム性に問題があることが指摘されている（特許文献１）。
アクチグラフ方式の問題を解決するために、特許文献２には、チューブ状の体動検知手段を用いたリアルタイムな睡眠判定装置が開示されている。しかし、体動検知部が面でないので、マットの大きさよりも小さな動物を対象とする場合、その動物が体動検知手段の外側に存在し、体動がないので睡眠と判定するする恐れがある。

特開２０１０－２６４１９３ 特開２００８－１４２２３８

発明が解決しようとする課題

このような問題点を解決するために、本発明は、シート状の振動センサから取得した信号から、体動信号、呼吸数、心拍数、心拍間隔の変動と呼吸パターンの瞬時位相差の位相コヒーレンス（λ）を取得してリアルタイムに精度よく離床／覚醒／睡眠を判定する睡眠状態判定装置を提供する。

課題を解決するための手段

動物の生体振動信号を検出するセンサ部と、
センサ部が出力する生体振動信号を受信する生体振動信号受信部と、
前記生体振動信号から体動信号を出力する体動信号検出部と、
前記生体振動信号から呼吸数を出力する呼吸数検出部と、
前記生体振動信号から心拍数を検出する心拍数検出部と、
前記生体振動信号から検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の瞬時位相差から位相コヒーレンスを算出する位相コヒーレンス算出部と、
睡眠状態を判定する睡眠状態判定器を備え、
前記睡眠状態判定器は、睡眠ポリソムノグラフによる離床／睡眠／覚醒の情報を教師データとし、前記教師データと同期した体動信号、呼吸数、心拍数、心拍間隔の変動と呼吸パターンの瞬時位相差から算出された位相コヒーレンスを入力データとして機械学習することにより睡眠状態判定モデルを構築し、被験動物の前記体動信号、前記呼吸数、前記心拍数、前記位相コヒーレンスを入力して前記被験動物の睡眠状態が離床／睡眠／覚醒のいずれかを判定する。

さらには、前記睡眠状態判定器は、弱学習器（決定木）をシリーズに備えたアダプティブブースティングにより睡眠状態判定モデルを構築する。
また、前記睡眠状態判定器は、前記体動信号、前記呼吸数、前記心拍数、前記位相コヒーレンスそれぞれの過去２～２０個のデータを入力して睡眠状態判定を行う。

発明の効果

シート状の圧電センサを設置したマットに横たわるだけで、その動物の覚醒／睡眠または離床／覚醒／睡眠の状態をリアルタイムに把握することができる。

睡眠状態判定装置の概略ブロック図 ある被験者の過去８個のデータによる睡眠状態判定例。（Ａ）上側はＰＳＧによる判定、下側は本発明により判定された睡眠状態、（Ｂ）は判定結果と真値（実測値）の混同行列 過去８個のデータによる睡眠状態判定例のＫａｐｐａ係数の平均値 過去８個のデータによる睡眠状態判定例のＲＯＣ曲線。（Ａ）は睡眠のＲＯＣ曲線、（Ｂ）は覚醒のＲＯＣ曲線、（Ｃ）は離床のＲＯＣ曲線 全被験者の過去８個のデータによる判定結果と真値（実測値）の混同行列 過去８個のデータによる睡眠状態判定モデルの予測子の重要度 ある被験者の過去２個のデータによる睡眠状態判定例。（Ａ）上側はＰＳＧによる判定、下側は本発明により判定された睡眠状態、（Ｂ）は判定結果と真値（実測値）の混同行列 過去２個のデータによる睡眠状態判定例のＫａｐｐａ係数の平均値 過去２個のデータによる睡眠状態判定例のＲＯＣ曲線。（Ａ）は睡眠のＲＯＣ曲線、（Ｂ）は覚醒のＲＯＣ曲線、（Ｃ）は離床のＲＯＣ曲線 全被験者の過去２個のデータによる判定結果と真値（実測値）の混同行列 過去２個のデータによる睡眠状態判定モデルの予測子の重要度

センサ部３は、動物の生体振動を検出し、生体振動信号を出力する。たとえば、センサ部３は、シート状の圧電センサであり、動物が横たわるマットに設置され、体動、心拍（心臓の拍動による心弾動）、呼吸のほか、発声に基づく生体振動信号を出力するが、外部環境等に基づく振動に起因する信号が含まれる場合がある。なお、センサ部３は、シート状の圧電センサに限られるわけではない。

生体振動信号受信部２１は、センサ部３が出力する生体振動信号を受信する。センサ部３と生体振動信号受信部２１は、ケーブルや無線等の通信手段により結合される。

体動信号検出部２２は、生体振動信号を入力して体動信号を出力する。生体振動信号は、心拍情報や呼吸情報等に関する信号も含んでいるが、体動信号は心拍情報や呼吸情報に関する信号と比べて大きな信号である。体動信号検出部２２は、体動信号を適切な振幅の信号に変換して体動信号を出力する。また、体動信号はパルス状なので、微分処理をして得られた立ち上がりエッジを所定時間計数して、所定時間の体動数を出力することもできる。

呼吸数検出部２３は、生体振動信号を入力して呼吸数を出力する。生体振動信号に含まれる呼吸情報信号は、体動信号と比較して遥かに小さいので（通常１／１００より小さい）、呼吸数を算出するために、次に示すような処理が必要である。
生体振動信号の強度をｎ乗（ｎは２以上の整数であり、ｎが奇数の場合は絶対値を取る）して強調処理した後、０．５Ｈｚ以下の周波数範囲の通過域を有するローパスフィルタ（ＬＰＦ）を通過させてもよい。呼吸波形抽出手段３３のＬＰＦの遮断周波数は、０．３、０．４、０．６、０．７Ｈｚ、０．８Ｈｚであってもよい。
また、ローパスフィルタ（ＬＰＦ）の代わりにバンドパスフィルタ（ＢＰＦ）を通過させてもよい。バンドパスフィルタの下限周波数は十分に低い周波数であればよく、例えば０．１Ｈｚでよい。
このようにして得られた周期的な呼吸波形のピークを計数することで呼吸数を算出することができる。

心拍数検出部２４は、生体振動信号を入力して、心拍信号を抽出し、心拍数を算出する。生体振動信号に含まれる心拍信号は、体動信号と比較して遥かに小さいので（通常１／１００より小さい）、心拍信号を抽出し、心拍数を算出するために、次に示すような処理が必要である。
（１）生体振動信号を１～４ＨｚのＢＰＦで処理し、所定時間における周期的なピーク数を計数する。ＢＰＦは１～４Ｈｚに限られるわけではなく、下限周波数が０．５Ｈｚ以上、０．６Ｈｚ以上、０．７Ｈｚ以上、０．８Ｈｚ以上、０．９Ｈｚ又は１Ｈｚ以上、上限周波数が１０Ｈｚ以下、８Ｈｚ以下、６Ｈｚ以下、５Ｈｚ以下、３Ｈｚ以下であってもよい。
（２）生体振動信号をｎ乗強調処理（ｎは２以上の整数であり、ｎが奇数の場合は絶対値を取る）した後ＢＰＦ処理し、所定時間における周期的なピーク数を計数する。
（３）生体振動信号をウェーブレット変換し、所定時間における周期的なピーク数を計数する。

位相コヒーレンス算出部２５は、心拍間隔の変動の瞬時位相と呼吸パターンの瞬時位相の瞬時位相差として位相コヒーレンスを算出する。
位相コヒーレンス算出部は、心拍に関する情報および呼吸に関する情報を含む生体情報を取得する生体情報取得手段、呼吸パターンを抽出する呼吸波形抽出手段、心拍間隔の変動を算出する心拍間隔算出手段、呼吸パターンと心拍間隔の変動との間の瞬時位相差の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とを含む。詳しくは、ＷＯ２０１７／１４１９７６（本出願人の先願）を参照されたい。

睡眠状態判定器２６は、まず、被験動物を除く動物のＰＳＧ出力を教師データとし、体動信号、呼吸数、心拍数、位相コヒーレンス（λ）を入力データとして、離床／睡眠／覚醒の判定に関して機械学習を行う。
機械学習には、弱学習器（決定木）をシリーズにつないだアダプティブブースティングを用いる。
次に、被験動物の体動信号、呼吸数、心拍数、位相コヒーレンス（λ）を入力して、その動物の離床／睡眠／覚醒の判定をする。
なお、ＰＳＧの出力が３０秒に１回であることに合わせて、各データは３０秒に１個取得する。
離床／睡眠／覚醒は、過去のｎ個のデータを用いて判定するので、最初の３０＊ｎ秒以降、３０秒毎に判定結果を出力することができる。
ｎは、２以上のリアルタイム性を確保できる数値（～２０）をいろいろ試した結果、８前後が適当であることが分かったが、これに限るわけではない。

まず、１３８人の被験者のデータを用いて、図１に示す睡眠状態判定装置の機械学習を行う。睡眠状態判定層装置２の睡眠状態判定器２６には、弱学習器（決定木）をシリーズにつないだアダプティブブースティングを用いる。
教師データはＰＳＧによる判定結果であり、入力データは、ＰＳＧと同一時系列の体動信号、呼吸数、心拍数、位相コヒーレンス（λ）である。
体動信号は、体動信号検出部２２が生体振動信号を１０秒窓でサンプリングし、その窓を５秒ずつずらしながら体動の有無を判定し、６個のデータを平均して３０秒毎に取得する。例えば、０を体動なし、１を体動ありとして、６個のデータが０，０，１，１，０，０であれば体動信号は１／３となる。この３０秒は、ＰＳＧの出力が３０秒毎であることに合わせるものである。
呼吸数は、呼吸数検出部２３が、３０秒間における呼吸波形のピーク数をカウントして出力する。
心拍数は、心拍数検出部２４が、３０秒間における心拍波形のピーク数をカウントして出力する。
位相コヒーレンスは、位相コヒーレンス算出部２５が、３０秒毎に算出結果を出力する。
睡眠状態判定器２６は、過去のデータｎ個（に基づいて現在の睡眠状態を判定する。従って、最初の数分（ｎが８の場合、４分（３０秒＊８））は睡眠状態が出力されないが、それ以降は、３０秒毎にリアルタイムの睡眠状態が出力される。

［過去８個のデータに基づく離床／睡眠／覚醒の判定例］
まず、１３８人の被験者のＰＳＧによって判定された実測値を教師データとして、それらと同一時系列の体動信号、呼吸数、心拍数、位相コヒーレンス（λ）を入力データとして、弱学習器をシリーズにつないだアンサンブル学習器（アダプティブブースティング）による機械学習を行った。Ｌｅａｖｅ－ｏｎｅ－ｏｕｔ法による交差検証を行うため、学習は検証用の被験者１名を除いた１３７人のデータで行った。
次に、検証用被験者の体動信号、呼吸数、心拍数、位相コヒーレンス（λ）それぞれ過去８個のデータをアンサンブル学習器に入力して離床／睡眠／覚醒の判定を行った。
図２はある被験者の睡眠状態の判定例である。（Ａ）の上側がＰＳＧによる判定例（真値）で、Ｌは離床、Ｓは睡眠、Ｗは覚醒である。同図の下側が、本アンサンブル学習器の判定結果を示し、一致率は０．９３７、Ｋａｐｐａ係数は０．７６８であり、「かなり一致する」判定をしていると言える。
図２（Ｂ）は、本判定の混同行列である。
図３は、本判定例（判定数１３８例）における一致度とＫａｐｐａ係数を示すが、Ｋａｐｐａ係数の平均値は０．４９０±０．１３４（標準偏差）、一致度の平均値は０．８８２±０．０５７（標準偏差）と良好である。判定例全体における、Ｋａｐｐａ係数の平均値が０．４９０±０．１３４なので、本睡眠状態判定装置は「適度に一致する」判定をすることができると言える。

図４（Ａ）は、睡眠の判定に関するＲＯＣ曲線（Ｒｅｃｅｉｖｅｒ Ｏｐｅｒａｔｉｎｇ Ｃｈａｒａｃｔｅｒｉｓｔｉｃ ｃｕｒｖｅ）を示す。横軸は偽陽性率であり実際は睡眠でないのに誤って睡眠と判定した割合を示す。縦軸は真陽性率であり実際は陽性であるものを正しく睡眠と判定した割合を示す。睡眠の場合、真陽性率は０．９８、偽陽性率は０．５３である。
ＡＵＣ（Ａｒｅａ Ｕｎｄｅｒ ｔｈｅ Ｃｕｒｖｅ）は、ＲＯＣ曲線の下側の面積で判定器の性能を評価する指標である。ＡＵＣは０．５～１の値を取り、１に近いほど優れた判定がされているということができる。睡眠の場合、ＡＵＣは０．８７である。
図４（Ｂ）は、覚醒の判定に関するＲＯＣ曲線（Ｒｅｃｅｉｖｅｒ Ｏｐｅｒａｔｉｎｇ Ｃｈａｒａｃｔｅｒｉｓｔｉｃ ｃｕｒｖｅ）を示す。横軸は偽陽性率であり実際は覚醒でないのに誤って覚醒と判定した割合を示す。縦軸は真陽性率であり実際は覚醒であるものを正しく覚醒と判定した割合を示す。覚醒の場合、真陽性率は０．４２、偽陽性率は０．０２である。
ＡＵＣについての説明は、図４（Ａ）の場合と同様であるが、覚醒の場合のＡＵＣは０．８６である。
図４（Ｃ）は、離床の判定に関するＲＯＣ曲線（Ｒｅｃｅｉｖｅｒ Ｏｐｅｒａｔｉｎｇ Ｃｈａｒａｃｔｅｒｉｓｔｉｃ ｃｕｒｖｅ）を示す。横軸は偽陽性率であり実際は離床でないのに誤って離床と判定した割合を示す。縦軸は真陽性率であり実際は離床であるものを正しく離床と判定した割合を示す。離床の場合、真陽性率は０．９９、偽陽性率は０．００である。
ＡＵＣについての説明は、図４（Ａ）の場合と同様であるが、覚醒の場合のＡＵＣは１．００であり、離床を完璧に判定するモデルが構築されていると言える。
図５左側は、本判定例全体（判定数１３８例）の混同行列である。
１が睡眠、２が覚醒、３が離床である。
右側のＴＰＲは真陽性率で、実際に睡眠、覚醒、離床であるものを正しく睡眠、覚醒、離床と判定した割合である。
ＦＮＲは偽陽性率で実際は睡眠、覚醒、離床でないのに、誤って睡眠、覚醒、離床と判定した割合を示す。
図６は本アンサンブル学習器の予測子の寄与度を示すが、体動信号（ＢＭ）と心拍数（ＨＲ）および位相コヒーレンス（λ）は直近の過去１つのデータの寄与度が高く、また体動信号は過去のデータの影響も高いことを示している。

［過去２個のデータに基づく離床／睡眠／覚醒の判定例］
まず、１３８人の被験者のＰＳＧによって判定された実測値を教師データとして、それらと同一時系列の体動信号、呼吸数、心拍数、位相コヒーレンス（λ）を入力データとして、弱学習器をシリーズにつないだアンサンブル学習器（アダプティブブースティング）による機械学習を行った。Ｌｅａｖｅ－ｏｎｅ－ｏｕｔ法による交差検証を行うため学習は検証用の被験者１名を除いた１３７人のデータで行った。
次に、検証用被験者の体動信号、呼吸数、心拍数、位相コヒーレンス（λ）それぞれ過去２個のデータをアンサンブル学習器に入力して離床／睡眠／覚醒の判定を行った。
図７は、ある被験者の睡眠状態の判定例である。（Ａ）の上側がＰＳＧによる判定例（真値）で、Ｌは離床、Ｓは睡眠、Ｗは覚醒である。同図の下側が、本アンサンブル学習器の判定結果で、真値との一致率は０．９００、Ｋａｐｐａ係数は０．６３４である。Ｋａｐｐａ係数は０．６３４であるので、「かなり一致する」判定をしていると言える。
図７（Ｂ）は、本判定の混同行列である。
図８は、本判定例（判定数１３８例）における一致度とＫａｐｐａ係数を示すが、Ｋａｐｐａ係数の平均値は０．４２０±０．１２４（標準偏差）、一致度の平均値は０．８７２±０．０６０（標準偏差）と良好であり。判定例全体におけるＫａｐｐａ係数の平均値が０．４２０±０．１２４（標準偏差）なので、本睡眠状態判定装置は「適度に一致する」判定をすることができると言える。

図９（Ａ）は、睡眠の判定に関するＲＯＣ曲線（Ｒｅｃｅｉｖｅｒ Ｏｐｅｒａｔｉｎｇ Ｃｈａｒａｃｔｅｒｉｓｔｉｃ ｃｕｒｖｅ）を示す。横軸は偽陽性率であり実際は睡眠でないのに誤って睡眠と判定した割合を示す。縦軸は真陽性率であり実際は陽性であるものを正しく睡眠と判定した割合を示す。睡眠の場合、真陽性率は０．９８、偽陽性率は０．６３である。
ＡＵＣ（Ａｒｅａ Ｕｎｄｅｒ ｔｈｅ Ｃｕｒｖｅ）は、ＲＯＣ曲線の下側の面積で判定器の性能を評価する指標である。ＡＵＣは０．５～１の値を取り、１に近いほど優れた判定がされているということができる。睡眠のＡＵＣは０．８１である。
図９（Ｂ）は、覚醒の判定に関するＲＯＣ曲線（Ｒｅｃｅｉｖｅｒ Ｏｐｅｒａｔｉｎｇ Ｃｈａｒａｃｔｅｒｉｓｔｉｃ ｃｕｒｖｅ）を示す。横軸は偽陽性率であり実際は覚醒でないのに誤って覚醒と判定した割合を示す。縦軸は真陽性率であり実際は覚醒であるものを正しく覚醒と判定した割合を示す。覚醒の場合、真陽性率は０．３１、偽陽性率は０．０２である。
ＡＵＣについての説明は図９（Ａ）の場合と同様であるが、覚醒のＡＵＣは０．８０である。
図９（Ｃ）は、離床の判定に関するＲＯＣ曲線（Ｒｅｃｅｉｖｅｒ Ｏｐｅｒａｔｉｎｇ Ｃｈａｒａｃｔｅｒｉｓｔｉｃ ｃｕｒｖｅ）を示す。横軸は偽陽性率であり実際は離床でないのに誤って離床と判定した割合を示す。縦軸は真陽性率であり実際は離床であるものを正しく離床と判定した割合を示す。離床の場合、真陽性率は０．９９、偽陽性率は０．００である。
ＡＵＣについての説明は図９（Ａ）の場合と同様であるが、離床のＡＵＣは１．００であり、離床を完璧に判定するモデルが構築されていると言える。
図１０左側は、本判定例全体（判定数１３８例）の混同行列である。
１が睡眠、２が覚醒、３が離床である。
右側のＴＰＲは真陽性率で、実際に睡眠、覚醒、離床であるものを正しく睡眠、覚醒、離床と判定した割合である。
ＦＮＲは偽陽性率で実際は睡眠、覚醒、離床でないのに、誤って睡眠、覚醒、離床と判定した割合を示す。
図１１は本アンサンブル学習器の予測子の寄与度を示すが、体動信号（ＢＭ）は過去２つのデータが、心拍数（ＨＲ）と位相コヒーレンス（λ）は過去１つのデータの寄与度が高いことを示している。

このように、本発明によれば、シート状の圧電センサを備えたベッドに横たわっている人を拘束することなく、その人の離床／覚醒／睡眠の状態をリアルタイムで精度良く判定することができる。
よって、高齢者介護施設等において、終日ベッドに横たわっている人が、寝ているのか目覚めているのかをリアルタイムで把握できるので、被介護者の睡眠を阻害することなく介入することができ、介護者の負担も減らすことに寄与できる。
また、新生児や乳幼児に本手法を適用すれば覚醒／睡眠の状態をリアルタイムで確認できるので、新生児や乳幼児の発達障害・睡眠障害等の生育上の問題を早期に発見し解決することに寄与することができる。

１ 睡眠状態判定装置
２ 睡眠状態判定部
２１ 生体振動信号受信部
２２ 体動信号検出部
２３ 呼吸数検出部
２４ 心拍数検出部
２５ 位相コヒーレンス（λ）算出部
２６ 睡眠状態判定器
３ センサ部

Claims (5)

1. 動物の生体振動信号を検出するセンサ部と、
   センサ部が出力する生体振動信号を受信する生体振動信号受信部と、
   前記生体振動信号から体動信号を出力する体動信号検出部と、
   前記生体振動信号から呼吸数を出力する呼吸数検出部と、
   前記生体振動信号から心拍数を検出する心拍数検出部と、
   前記生体振動信号から検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の瞬時位相差から位相コヒーレンスを算出する位相コヒーレンス算出部と、
   睡眠状態を判定する睡眠状態判定器を備え、
   前記睡眠状態判定器は、睡眠ポリソムノグラフによる離床／睡眠／覚醒の情報を教師データとし、前記教師データと同期した体動信号、呼吸数、心拍数、心拍間隔の変動の瞬時位相と呼吸パターンの瞬時位相の瞬時位相差から算出された位相コヒーレンスを入力データとして機械学習することにより睡眠状態判定モデルを構築し、被験動物の前記体動信号、前記呼吸数、前記心拍数、前記位相コヒーレンスを入力して前記被験動物の睡眠状態が離床／睡眠／覚醒のいずれかを判定することを特徴とする睡眠状態判定装置。
2. 前記睡眠状態判定器は、弱学習器（決定木）をシリーズに備えたアダプティブブースティングにより睡眠状態判定モデルを構築することを特徴とする請求項１に記載の睡眠状態判定装置。
3. 前記睡眠状態判定器は、前記体動信号、前記呼吸数、前記心拍数、前記位相コヒーレンスそれぞれの過去２～２０個のデータを入力して睡眠状態判定を行うことを特徴とする請求項１に記載の睡眠状態判定装置。
4. センサ部が出力する生体振動信号を受信するステップと、
   前記生体振動信号から体動信号検出部が体動信号を検出し、呼吸数検出部が呼吸数を検出し、心拍数検出部が心拍数を検出し、位相コヒーレンス算出部が生体振動信号から検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の瞬時位相差から位相コヒーレンスを算出するステップと、
   睡眠状態判定器が、睡眠ポリソムノグラフによる離床／睡眠／覚醒の情報を教師データとし、前記教師データと同期した体動信号、呼吸数、心拍数、心拍間隔の変動の瞬時位相と呼吸パターンの瞬時位相の瞬時位相差から算出された位相コヒーレンスを入力データとして機械学習することにより睡眠状態判定モデルを構築するステップと、
   被験動物の前記体動信号、前記呼吸数、前記心拍数、前記位相コヒーレンスを入力して前記被験動物の睡眠状態が離床／睡眠／覚醒のいずれかを判定するステップを備えることを特徴とする睡眠状態判定方法。
5. コンピュータを、
   センサ部が出力する生体振動信号を受信する手段、
   前記生体振動信号から体動信号を出力する手段、
   前記生体振動信号から呼吸数を出力する手段、
   前記生体振動信号から心拍数を検出する手段、
   前記生体振動信号から検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の瞬時位相差から位相コヒーレンス位相コヒーレンスを算出する手段、
   睡眠ポリソムノグラフによる離床／睡眠／覚醒の情報を教師データとし、前記教師データと同期した体動信号、呼吸数、心拍数、心拍間隔の変動の瞬時位相と呼吸パターンの瞬時位相の瞬時位相差から算出された位相コヒーレンスを入力データとして機械学習することにより睡眠状態判定モデルを構築する手段、
   被験動物の前記体動信号、前記呼吸数、前記心拍数、前記位相コヒーレンスを入力して前記被験動物の睡眠状態が離床／睡眠／覚醒のいずれかを判定する手段として機能させることを特徴とする睡眠状態判定プログラム。