JP2023505335A - 心拍数パターンに基づいてほてりを検知するためのシステム及び方法 - Google Patents

Abstract

個人におけるほてりの発生を検知する方法は、所定の時間にわたり、個人に関する心拍数シーケンスデータを取得するステップであって、心拍数シーケンスデータは、個人が装着したセンサーユニットによって検知された個人の心拍データに基づくステップと、心拍数シーケンスデータを計算モデル構成要素に提供するステップであって、計算モデル構成要素は、心拍数シーケンスデータを経時的に調べて、心拍数が低下してベースライン範囲を下回り、次いで上昇してベースライン範囲を上回るパターンに対する心拍数シーケンスデータのモニタリングに基づき、個人がほてりを感じている確率を決定するステップと、計算モデル構成要素で心拍数シーケンスデータを分析して確率を決定するステップとを有する。

Description

[01] 開示される概念は、個人におけるほてりの発生を検知するためのシステム及び方法に関し、特に、心拍数パターンに基づいて個人におけるほてりの発生を検知するためのシステム及び方法に関する。一態様では、ほてりが検知された場合、そのほてりに対する治療措置が自動的に開始される。

[02] ほてりは、突然始まり、自然発生的且つ一時的な熱っぽい感覚であり、通常は胸、首、及び顔に感じられ、直後に発汗が起こる。これらは、特に症状が生活の質を損なう場合、閉経前後の期間に女性が診療を求める最も一般的な理由となる。ほてりの頻度と重症度は、閉経への移行中に増す可能性があり、典型的には最終月経期の約１年後にピークに達する。ほてりは６か月から数年続く可能性があり、継続時間は平均で５分未満である。平均的な頻度は、１日１０回から１週間に数回までと様々である。

[03] ほてりは、胸部に熱さ及び発汗を引き起こすため、胸で電気皮膚反応（ＧＳＲ）をモニターすることによって検知可能である。しかしながら、胸でＧＳＲを測定するためのウェアラブルセンサーは、皮膚に付着させるための接着剤を必要とし、接着剤は時間の経過とともに劣化して定期的なメンテナンスが必要になるため、面倒である。

[04] したがって、女性のほてりの長期的なモニタリングを支援する、便利で低コストの解決策が求められている。

[05] したがって、本発明の目的は、一実施形態において、個人におけるほてりの発生を検知する方法を提供することである。この方法は、所定の時間にわたり、個人に関する心拍数シーケンスデータを取得するステップであって、心拍数シーケンスデータは、個人が装着したセンサーユニットによって検知された個人の心拍データに基づくステップと、心拍数シーケンスデータを計算モデル構成要素に提供するステップであって、計算モデル構成要素は、心拍数シーケンスデータを経時的に調べて、心拍数が低下してベースライン範囲を下回り、次いで上昇してベースライン範囲を上回るパターンに対する心拍数シーケンスデータのモニタリングに基づき、個人がほてりを感じている確率を決定するステップと、計算モデル構成要素で心拍数シーケンスデータを分析して確率を決定するステップとを有する。方法は、確率を評価して、ほてりが示されているかどうかを判定するステップと、確率によってほてりが示された場合に、個人に関連付けられた環境パラメータ制御装置にほてりに対する治療措置を開始させるステップとを更に有する。更に、ほてりの発生の判定を用いて、ほてり事象の尤度又は重症度の軽減を目的とした薬物治療、食事療法、及びライフスタイル要因などの介入戦略の有効性を評価することが可能である。

[06] 別の実施形態では、個人におけるほてりの発生を検知するためのシステムが提供される。システムは、計算モデル構成要素を含むコントローラを備え、計算モデル構成要素は、個人が装着したセンサーによって検知された個人の心拍データに基づく心拍数シーケンスデータを受け、心拍数シーケンスデータを経時的に調べて、心拍数が低下してベースライン範囲を下回り、次いで上昇してベースライン範囲を上回るパターンに対する心拍数シーケンスデータのモニタリングに基づき、個人がほてりを感じている確率を決定する。

[07] 本発明のこれら及び他の目的、特徴、及び特性、更には構造の関連する要素の動作方法及び機能、各部分の組み合わせ、並びに製造の経済性は、すべてが本明細書の一部を形成する添付の図面を参照しながら以下の説明及び添付の特許請求の範囲を考察すると、より明らかになるであろう。様々な図において、同様の参照番号は対応する部分を示す。しかしながら、図面は例示及び説明のみを目的とし、本発明の制限を定めるものではないことを明確に理解されたい。

[08] 睡眠中に発生するほてり事象の間に記録される典型的な心拍数パターンを示す図である。 [09] 覚醒中に発生するほてり事象の間に記録される典型的な心拍数パターンを示す図である。 [10] 睡眠中の短い覚醒の間に記録される典型的な心拍数パターンを示す図である。 [11] 睡眠中の長い覚醒の間に記録される典型的な心拍数パターンを示す図である。 [12] 開示される概念の例示的な一実施形態による、個人におけるほてりの発生を検知し、それに基づき治療措置を開始するためのシステムの概略図である。 [13] 開示される概念の非限定的且つ例示的な一実施形態によるウェアラブルセンサーユニットの内部構成要素を示すブロック図である。 [14] 開示される概念の例示的な一実施形態による、個人におけるほてりの発生を検知し、それに基づき治療措置を開始する方法を示す流れ図である。 [15] 開示される概念の代替的且つ例示的な一実施形態による、個人におけるほてりの発生を検知し、それに基づき治療措置を開始するためのシステムの概略図である。 [16] 開示される概念のさらなる代替的且つ例示的な実施形態による、個人におけるほてりの発生を検知し、それに基づき治療措置を開始するためのシステムの概略図である。 [17] 開示される概念の例示的な一実装形態に用いることができる、ほてり事象前後に観察される典型的な心拍数パターンに対応する重み値の典型的なセットを示す図である。 [18] テンプレートマッチングを使用する、開示される概念の例示的な一実装形態の動作を示す図である。

[19] 本明細書において使用されるとき、単数形は、コンテキストがそうではないことを明確に示していない限り、複数の参照を含む。

[20] 本明細書において使用されるとき、２つ以上の部分又は構成要素が「結合される」とは、リンクが生じている限り、それらの部分が、直接的又は間接的に、すなわち、１つ若しくは複数の中間の部分又は構成要素を介して、連結される又は共に動作することを意味するものとする。

[21] 本明細書において使用されるとき、「数」という用語は、１又は１より大きい整数（すなわち、複数）を意味するものとする。

[22] 本明細書において使用されるとき、「コントローラ」という用語は、データ（例えば、ソフトウェアルーチン、及び／又はそうしたルーチンによって用いられる情報）の格納、検索、実行、及び処理を行うことができる、いくつかのプログラム可能なアナログ及び／又はデジタルデバイス（関連付けられたメモリ部品又は部分を含む）を意味するものとし、限定されないが、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、複合プログラマブルロジックデバイス（ＣＰＬＤ）、プログラマブルシステムオンチップ（ＰＳＯＣ）、特定用途向け集積回路（ＡＳＩＣ）、マイクロプロセッサ、マイクロコントローラ、プログラマブルロジックコントローラ、又は任意の他の適切な処理デバイス若しくは装置を含む。メモリ部分は、コンピュータの内部記憶領域の形など、データ及びプログラムコードを格納するための記憶レジスタ、すなわち、非一時的機械可読媒体を提供する様々なタイプの内部及び／又は外部記憶媒体（限定されないが、ＲＡＭ、ＲＯＭ、（１つ又は複数の）ＥＰＲＯＭ、（１つ又は複数の）ＥＥＰＲＯＭ（登録商標）、ＦＬＡＳＨ（登録商標）など）のうちの任意の１つ又は複数とすることができ、揮発性メモリ又は不揮発性メモリとすることができる。

[23] 本明細書において使用されるとき、「構成要素」及び「システム」という用語は、ハードウェア、ハードウェアとソフトウェアの組み合わせ、ソフトウェア、又は実行中のソフトウェアのいずれかである、コンピュータに関連するエンティティを指すことが意図される。例えば、構成要素は、限定されないが、プロセッサで稼働中のプロセス、プロセッサ、オブジェクト、実行ファイル、実行のスレッド、プログラム、及び／又はコンピュータとすることができる。例として、サーバで稼働中のアプリケーションとサーバはどちらも、構成要素とすることができる。１つ又は複数の構成要素が、プロセス及び／又は実行のスレッドの中に存在することができ、構成要素は、１つのコンピュータに置くこと、及び／又は２つ以上のコンピュータの間で分散させることが可能である。

[24] 本明細書において使用されるとき、「ディープラーニングニューラルネットワーク」という用語は、入力層と出力層との間に複数の隠れ層を有し、各層を通して動かし、各出力の確率を計算することによって入力を出力に変える正しい数学的操作（線形又は非線形）を決定する人工ニューラルネットワークを意味するものとする。

[25] 本明細書において使用されるとき、「隠れ層」という用語は、その出力が他のニューロンの入力に接続され、結果としてネットワークの出力としては認識されない、１つ又は複数のニューロンからなるニューラルネットワーク層を意味するものとする。

[26] 本明細書において使用されるとき、「回帰型ニューラルネットワーク」という用語は、ノード間の接続が時間シーケンスに沿って有向グラフを形成し、したがって、ネットワークが時間的動的挙動を示すことを可能にする、一種の人工ニューラルネットワークを意味するものとする。

[27] 本明細書において使用される方向の表現、例えば、限定されないが、上部、底部、左、右、上方、下方、前方、後方、及びこれらの派生語は、図面に示される要素の向きに関するものであり、本明細書に明示的に記述されていない限り、特許請求の範囲を限定するものではない。

[28] 開示される概念は、ほてり事象前の（限定されないが、心電図（ＥＣＧ若しくはＥＫＧ）センサー、又はフォトプレチスモグラフ（ＰＰＧ）センサー）などのデバイスを用いて測定された）心拍数の時間経過が、睡眠中に観察される他のタイプの興奮によるものと実質的に異なるという独自の洞察から生まれている。より具体的には、図１Ａは、睡眠中に発生するほてり事象の間に記録される典型的な心拍数パターンを示し、図１Ｂは、覚醒中（例えば、日中）に発生するほてり事象の間に記録される典型的な心拍数パターンを示し、図１Ｃは、（ほてりではない興奮による）睡眠中の短い覚醒の間に記録される典型的な心拍数パターンを示し、図１Ｄは、（ほてりではない興奮による）睡眠中の長い覚醒の間に記録される典型的な心拍数パターンを示している。各図中の垂直線は、時間シーケンス内の各事象の開始時間を識別している。図１Ａ及び図１Ｂにおいて理解されるように、ほてり事象の間に得られる心拍数の測定値は、ほてり事象前に少なくとも第１の量（例えば、事象前の２分間は毎分４拍）のベースラインから下がった状態を示し、その後、事象中に急速に上昇して少なくとも第２の量（例えば、毎分８拍）のベースラインを超える。反対に、図１Ｃ及び図１Ｄにおいて理解されるように、ほてりではない興奮は、事象前には心拍数のベースラインからの低下を示さず、むしろ反対の心拍数の傾向を示す。すなわち、事象中、心拍数の上昇後に心拍数の低下が起こる。これは、ＰＰＧセンサー又はＥＣＧセンサーなどのセンサーによって測定される心拍数の時間経過に基づいて睡眠中に発生するほてり事象に関連する心拍数の上昇をほてりではない事象と比較し、区別することが可能であることを示している。

[29] したがって、本明細書において様々な特定の例示的実施形態で更に詳しく説明するように、開示される概念は、腕時計、インイヤーデバイス、チェストストラップ、又はパッチなどのウェアラブルデバイスに組み込まれたＰＰＧセンサー又はＥＣＧセンサーなどのセンサーを使って取得される心拍数データを用い、こうした閉経に関連する状態の影響を受ける女性を長期にモニタリングするための、ほてり事象を自動的に検知する方法を提供する。したがって、日中及び夜間に心拍数の測定を継続的に行ってほてりの開始を検知し、症状を緩和するための治療措置を作動させる。その結果、ユーザはもはやほてりによって目覚めることがなくなり、睡眠の質が改善する。

[30] 様々な特定の例示的実施形態に関して本明細書において更に詳しく説明するように、開示される概念は、以下のステップを含む。まず、邪魔にならないという、都合のよい長時間の使用に不可欠な特徴をもたらす上記のようなウェアラブルセンサーを用いて、心臓の活動状態をモニターする。これには、ウェアラブルデバイスの信号波形からの心拍の検知及び心拍数データの計算が含まれる。次に、ある特定の時間（例えば、４分）にわたる心拍数値のシーケンスを定める。次いで、シーケンスの初期（例えば、最初の１０秒）における平均心拍数を決定する。次いで、例えば各値から決定した平均心拍数を引くことによって、シーケンス中の心拍数値を正規化する。次いで、限定されないが、回帰型ニューラルネットワーク、ニューロンの全結合層、又はほてり事象前の心拍数の時間的推移に関する情報を含むフィルタなどの計算モデルを用いて、正規化された心拍数値のシーケンスを処理して、ほてり事象が発生している確率を決定する。最後に、尤度／確率の値のシーケンスを処理し、閾値処理を行うことによって、ほてり事象とほてりではない事象との間の二分決定を行う。ほてりが発生していると判定された場合には、治療緩和ステップを自動的に開始することができる。追加として又は別法として、発生の客観的な示度を与えるために、記録追跡するほてり事象を変更することができる。これは特に、夜には睡眠のために記憶（ｒｅｃａｌｌ ｄｉａｒｙ）の中で事象が忘れられる場合には特に興味深い。その結果、経時的な事象の記録を用いて、傾向を観察し、状態を管理することが可能になる。

[31] 図２は、開示される概念の例示的な一実施形態による、個人におけるほてりの発生を検知し、それに基づき治療措置を開始するためのシステム２の概略図である。図２において理解されるように、システム２は、ウェアラブルセンサーユニット４、ウェアラブルセンサーユニット４に近接し、それと電子通信する計算デバイス６、ネットワーク８、計算モデル構成要素１２を含む中央コンピュータシステム１０、及び環境パラメータ制御装置１４を含めた複数の構成要素を備えている。以下では、これらの構成要素のそれぞれについて詳しく説明する。図２において理解されるように、計算デバイス６、中央コンピュータシステム１０、及び環境パラメータ制御装置１４はすべて、本明細書に記載されるシステム２の操作を容易にするためにネットワーク８と電子通信している。更に、示される例示的実施形態では、計算モデル構成要素１２は「クラウド」に存在しているが、ＰＣなどの計算デバイスにローカルに実装されてもよいことが理解されるであろう。

[32] ウェアラブルセンサーユニット４は、モニターされる個人が装着するように構造及び構成が決められる。図３は、非限定的かつ例示的な一実施形態による、ウェアラブルセンサーユニット４の内部構成要素を示すブロック図である。例示的なウェアラブルセンサーユニット４は、ウェアラブルセンサーユニット４を装着する個人に対する心拍を表すデータ（すなわち、心拍データ）を生成するように構造及び構成が決められた心拍センサー１６を含む。例示的実施形態において、心拍センサー１６は、ＰＰＧセンサー又はＥＣＧセンサー（例えば、１～１２のリード）であるが、開示される概念の範囲内で他のタイプの心臓パラメータセンサーを使用してもよいことが理解される。例えば、限定されないが、心拍センサー１６は、心臓の鼓動による体の動き及び胸の振動を測定するセンサー（例えば、心拍データを測定するために胸部に配置される加速度計）などのバリストカルジオグラフィセンサーでもよい。

[33] ウェアラブルセンサーユニット４は、心拍センサー１６の出力を受けるように結合されたコントローラ１８を更に含み、非限定的な例示的実施形態では、本明細書に記載されるように、心拍数データ、及びそれから心拍数シーケンスデータを決定するように構造及び構成が決められる。最後に、ウェアラブルセンサーユニット４は、ウェアラブルセンサーユニット４が短距離無線ネットワークを介して計算デバイス６と通信することを可能にするように構造及び構成が決められた短距離無線通信モジュール２０を含む。短距離無線通信モジュール２０は、例えば、限定されないが、ＷｉＦｉモジュール、Ｂｌｕｅｔｏｏｔｈ（登録商標）モジュール、ＺｉｇＢｅｅモジュール、ＩＥＥＥ８０２．１５．４モジュール、又は互換性のある通信性能を提供する任意の他の適切な短距離無線通信モジュールとすることができる。

[34] 再び図２を参照すると、例示的実施形態において、計算デバイス６は、例えば、限定されないが、スマートフォン、タブレットＰＣ、ラップトップコンピュータ、又はいくつかの他の計算デバイスとすることができる。計算デバイス６は、デスクトップＰＣなど、非携帯用の計算デバイスでもよい。計算デバイス６は、上記のような短距離無線ネットワークを介してウェアラブルセンサーユニット４と無線通信できるように構成される。更に、計算デバイス６は、有線又は無線の接続を介してネットワーク８と通信できるように構造及び構成が決められる。例示的実施形態において、計算デバイス６は、本明細書に記載されるように、計算デバイス６がデータを収集及び伝達することを可能にするソフトウェアアプリケーション（例えば、ウェブ／モバイルアプリ）を格納及び実行する。

[35] ネットワーク８は、例えば、インターネット、１つ又は複数の専用通信ネットワーク、或いはそれらの任意の組み合わせとすることができる。本明細書において使用されるとき、「通信ネットワーク」という用語は、限定されないが、ローカルエリアネットワーク（ＬＡＮ）、ワイドエリアネットワーク（ＷＡＮ）、イントラネット、エクストラネット、グローバル通信ネットワーク、インターネット、及び／又は無線通信ネットワークを明示的に含むものとする。本明細書に記載されるネットワーク８への有線及び／又は無線の接続は、安全であることが好ましい（例えば、暗号化された仮想私設ネットワークの形）。

[36] 中央コンピュータシステム１０は、限定されないが、１つ又は複数のＰＣ或いはサーバコンピュータなど、計算デバイスとデータ格納用の１つ又は複数のメモリ構成要素とを有する任意の適切な処理又は計算用のシステムを備えている（例えば、コントローラ）。図１０において理解されるように、中央コンピュータシステム１０は、本明細書に記載されるように、中央コンピュータシステム１０が受けたデータを処理するための計算モデル構成要素１２を収容及び実行する。より具体的には、中央コンピュータシステム１０は、その内部にいくつかのルーチンを格納し、そうしたルーチンは、コントローラによって実行可能であり、また本明細書に記載される計算モデル構成要素１２の少なくとも１つの実施形態を（有形媒体に格納された、コンピュータ／プロセッサが実行可能な命令として）実行する。計算モデル構成要素１２は、例えば、限定されないが、回帰型ニューラルネットワーク又は人工ニューロンの全結合層を含むディープラーニングニューラルネットワークなど、テンプレートマッチングシステム又は人工知能システムとすることができる。計算モデル構成要素１２が人工知能システムを含む場合、開示される概念は、そうした人工知能システムが特定の訓練用心拍数データを用いて訓練及び試験を受け、将来的には受け取った心拍数データに基づいてほてり発生の確率を評価できるようになることを企図している。特に、本明細書において更に詳しく説明するように、そのような人工知能ベースのシステムは、（心拍データから決定される）心拍数データから個人がほてり事象を感じている確率を決定するために、そうしたデータの時間的変化を調べるように訓練される。

[37] 環境パラメータ制御装置１４は、ウェアラブルセンサーユニット４を装着する個人が居住する家、病院、又は看護施設などの場所に関連付けられたデバイスである。環境パラメータ制御装置１４は、本明細書に記載されるようにほてりが検知されたときに、治療措置（例えば、温度変更）を実施するように構造及び構成が決められ、例えば、限定されないが、コンピュータ制御のＨＶＡＣシステム、冷却ブランケット、又は水冷冷却システムとすることができる。例示的な環境パラメータ制御装置１４は、計算デバイス６によって送られたコマンドを受けて実行するように構造及び構成が決められたコントローラを含む。

[38] 図４は、開示される概念の例示的な一実施形態による、個人におけるほてりの発生を検知し、それに基づき治療措置を開始する方法を示す流れ図である。示される例示的実施形態において、図４の方法は、図２のシステム２によって実施される。この方法は、ウェアラブルセンサーユニット４がウェアラブルセンサーユニット４を装着している個人から生の心拍データを抽出するステップ１００から始まる。本明細書の他の箇所で論じるように、例示的実施形態において、ウェアラブルセンサーユニット４は、そうした目的のために心拍センサー１６を使用する。更に、例示的実施形態において、心拍データは、心拍センサー１６によって検知されたＲＲ間隔を識別するデータを含み、ＥＣＧ ＱＲＳ波形データ又はＰＰＧ脈波データの形とすることができる。次に、ステップ１０５において、ウェアラブルセンサーユニット４のコントローラ１８は、ある特定の時間（例えば、４分）にわたる生の心拍データから心拍数データを計算し、生の心拍数シーケンス（複数の生の心拍数を含む）を作成する。次いで、ステップ１１０において、コントローラ１８は、生の心拍数シーケンスから、その時間に対する正規化された心拍数シーケンスを生成する。例示的実施形態において、正規化された心拍数シーケンスは、最初の１０秒など、シーケンスの初期における平均心拍数を決定することによって生成される。その場合、シーケンス中の各心拍数値から、計算された平均心拍数値を引くことによって、シーケンス中の心拍数値が正規化される。しかしながら、この正規化の方法は例示的なものにすぎず、開示される概念の範囲内で、データを正規化する他の方法も企図されることが理解されるであろう。例えば、他の正規化手法には、同様の結果を得るために標準スケーリング又は最小－最大スケーリングを適用することが含まれる。

[39] 次に、ウェアラブルセンサーユニット４は、正規化された心拍数シーケンスデータを計算デバイス６へ送る。例示的実施形態において、これは、ウェアラブルセンサーユニット４の短距離無線通信モジュール２０を介して無線で行われる。しかしながら、そうしたデータを通信する他の方法も可能であることが理解されるであろう。次いで、計算デバイス６は、正規化された心拍数シーケンスデータを、ネットワーク８を通して中央コンピュータシステム１０へ伝える。次に、ステップ１１５において、心拍数シーケンスデータが実際のほてり事象を示している尤度又は確率を決定するために、正規化された心拍数シーケンスデータが、中央コンピュータシステム１０の計算モデル構成要素１２によって処理される。本明細書の他の箇所で論じるように、計算モデル構成要素１２は、いくつかの異なる代替の例示的手法として実装することができ、本明細書ではそれらのいくつかについて詳しく論じる。

[40] 次に、ステップ１２０において、決定された確率又は尤度がある所定の閾値よりも大きいかどうかの判定が行われる。ステップ１２０での答えが「はい」の場合、方法は、これまでに何らかの治療措置が作動されていたかどうかを判断するステップ１２５へ進む。答えが「はい」であれば、方法はステップ１００へ戻る。一方、ステップ１２５での答えが「いいえ」であれば、方法はステップ１３０へ進む。ステップ１３０では、中央コンピュータシステム１０が、治療措置を作動させるための手順をとる。特に、例示的実施形態において、中央コンピュータシステム１０は、ネットワーク８を通して計算デバイス６へ、次いで環境パラメータ制御装置１４へ送られる１つ又は複数の制御信号を生成し、それによって、環境パラメータ制御装置１４に、検知されたほてりに対する確実な治療措置を開始させる。例えば、環境パラメータ制御装置１４がＨＶＡＣシステムである場合、個人を冷やすために、個人がいる場所の温度を下げる。或いは、環境パラメータ制御装置１４が冷却ブランケット又は水冷システム（例えば、水冷床）などのデバイスである場合、個人の温度を下げるために、そのデバイスが作動される。次いで、方法はステップ１００へ戻る。一方、ステップ１２０での答えが「いいえ」の場合には、方法はステップ１２５へ進まずに、ステップ１３５へ進む。ステップ１３５では、これまでに治療措置が作動されていたかどうかが判断される。答えが「いいえ」であれば、方法はステップ１００へ進む。一方、ステップ１３５での答えが「はい」であれば、方法はステップ１４０へ進み、ステップ１４０では、これまで作動していた治療手段はもはや不要であるため、中央制御システム１０によって（適当なコマンド信号を介して）不作動にされる。次いで、方法はステップ１００へ戻る。

[41] このように、図２のシステム２、及び図４に示し、直前に説明した方法は、ほてりを示す心拍数の時間的傾向をモニターすることによってほてりの発生を検知するための自動化された機構を提供する。この機構は、ほてりが検知されると、検知されたほてりの影響を軽減するための治療措置を開始する。

[42] 上記のようなシステム２及び図４に示す方法は、開示される概念の例示的な一実装形態を提供するが、開示される概念の範囲内でその代替形態が企図されることが理解されるであろう。例えば、説明した方法は、ウェアラブルセンサーユニット４による生の心拍数シーケンスデータ及び正規化された心拍数シーケンスデータの計算を含むが、そうした工程は、例えば、計算デバイス６又は中央コンピュータシステム１０など、システム２の他の構成要素によって実施されてもよいことが理解されるであろう。そうした工程が実施された後、正規化された心拍数シーケンスデータを、本明細書において論じる計算モデル構成要素１２によって処理することができる。

[43] 更に他の代替形態も可能である。例えば、図５はシステム２に類似した代替のシステム２'を示しているが、計算モデル構成要素１２が中央コンピュータシステム１０に存在し、それによって実行されるのではなく、計算デバイス６に存在し、それによって実行され、従って処理は計算デバイス６でローカルに行われる。この例において、計算デバイス６は、必要に応じて環境パラメータ制御装置１４を制御するためのコマンドを発行する。別の例として、図６はシステム２及び２'に類似した更なる代替のシステム２''を示しているが、計算モデル構成要素１２が中央コンピュータシステム１０又は計算デバイス６に存在し、それによって実行されるのではなく、ウェアラブルセンサーユニット４のコントローラ１８に存在し、それによって実行され、従って処理はウェアラブルセンサーユニット４でローカルに行われる。この例では、ウェアラブルセンサーユニット４は、必要に応じて環境パラメータを制御するためのコマンドを（短距離無線通信モジュール２０を介して無線で）発行する。

[44] 特定の例示的な一実施形態において、計算モデル構成要素１２は（どこに存在する場合でも）、テンプレートマッチング手法を実施するように構造及び構成が決められる。特定の一実装形態において、テンプレートマッチング手法は、本明細書の他の箇所で説明するように、ほてり事象の間に生じ得る心拍数パターンを記述する重み（ｗ［ｉ］）のテンプレートを用いて、入力された心拍数シーケンス（例えば、正規化された心拍数シーケンスデータ）を乗算することを含む。図７は、ほてり事象の前後に観察される典型的な心拍数パターンに対応する値を有する重みの典型的なセットを示している。以下の式によれば、

入力された心拍数パターン（長さＮｉのＨＲ［ｉ］）とほてりパターン（長さＮｉのｗ［ｉ］）との間の一致度が、ＭＨＦＬ（ほてりテンプレートと心拍数シーケンスとの間のマッチング値）によって定められる。心拍数シーケンス（例えば、本明細書で説明する正規化された心拍数シーケンス）と典型的なほてりの心拍数パターンとの間の一致度を記述するＭＨＦＬを計算した後、後処理アルゴリズムを用いてほてり事象が始まる瞬間の識別を敏感にすることができる。テンプレートマッチング関数によって出力されるマッチング値（ＭＨＦＬ）の差の２０秒間（Ｎｗ＝２０）の標準偏差を用いて、ＰＨＦＬ（ほてり事象の確率）の値がある特定の閾値を超えたときにほてり事象を識別できることが確認されている。例示的実施形態において、ＰＨＦＬは以下の式に従って決定される。

図８Ａ及び図８Ｂは、ほてり事象付近の２４０秒のシーケンスにおけるＰＨＦＬの値と、訓練データセットの一晩中測定されたシーケンスの分布を示している。ＰＨＦＬの値がほてり事象に対応して増加することが理解される。同時に、図８Ａ及び図８Ｂは、ＰＨＦＬ値を閾値処理することによって、偶然（黒い対角線）を大きく上回るＲＯＣ曲線の下の面積で示されるように、夜間のほてり検知について高い精度が得られることを示している。

[45] 代替的な一実施形態において、計算モデル構成要素１２は、直前に説明したようにあるシーケンスと予め定められたテンプレートとの間の一致を測定するのではなく、人工ニューロンの１つ又は複数の全結合層とすることも可能であり、その場合、以下に従って、入力された心拍数値に重みを適用することにより、全結合層における各ノードの活性化関数の合計に基づいてほてりの尤度（ＰＨＦＬ）を与えることが可能である。
ＰＨＦＬ＝Σｊ：０…Ｎｊ（Ａ［ｊ］ｘ（Σｉ：０…Ｎｉ（ｗ［ｉ、ｊ］ｘＨＲ［ｉ］）））

[46] ここで、Ａ［ｊ］は全結合層（Ｎｊ＝２４０ノード）の各ｊノードの活性化関数（例えば、正規化線形、ロジットなど）であり、ｗ［ｉ、ｊ］は、入力層の値をｊノードに向かって変化させるために用いられる重みの値であり、ＨＲ［ｉ］は、心拍数セグメント全体のサイズ（Ｎｉ＝２４０入力ノード：ＨＲ／秒×６０秒／分×４分）である入力層におけるｉポジションでの値を表す。全結合層の処理ノードからの出力の合計を、いくつかの他の全結合層に送ること、又は、ＨＲ［ｉ］の入力を考慮すれば、ほてりの確率に応じた値を記述する出力として用いることが可能である。

[47] 別の代替的実施形態では、ＨＲ［ｉ］の入力シーケンスを、ディープラーニングニューラルネットワーク／回帰型ニューラルネットワークなどのアルゴリズム（長短期記憶層、ｇｒｕなど）を用いて処理することが可能である。このタイプのニューラルネットワーク層は、特に、ほてり事象の確率などの出力値に相当する入力データ中の特徴的な時間的パターンを見出すことが示されている。

[48] 更に別の代替的実施形態として、ほてり事象の間の時間経過がほてりではない事象に関連する興奮及び覚醒と異なる他のバイタルサイン（呼吸数、血圧、ＰＰＧ波形、体温）を、（１つ又は複数の適切なセンサーを備えた）ウェアラブルセンサーユニット４によって捉え、心拍数に加えてそうしたバイタルサインを用いてほてり事象の開始を確実に検知することも可能である。

[49] 特許請求の範囲において、括弧内に置かれた参照記号はいずれも、請求項を限定するものと解釈されるべきではない。「備える」又は「含む」という語は、請求項に挙げられたもの以外の要素又はステップの存在を排除するものではない。複数の手段を列挙するデバイスの請求項において、これらの手段の複数がハードウェアの同一のアイテムによって具現化されてもよい。単数形の要素は、そうした要素が複数存在することを排除するものではない。複数の手段を列挙するデバイスの請求項のいずれにおいても、これらの手段のうちの複数がハードウェアの同一のアイテムによって具現化されてもよい。特定の要素が互いに異なる従属請求項に記載されているからといって、これらの要素を組み合わせて使用できないことを示すわけではない。

[50] 本発明を、現在のところ最も実用的で好ましい実施形態と考えられるものに基づき、例示を目的として詳しく説明してきたが、そうした詳細は単に例示を目的としており、本発明は、開示される実施形態に限定されず、むしろ、添付の特許請求の範囲の主旨及び範囲内にある変更形態及び等価な構成部を含むことが意図されていることを理解されたい。例えば、本発明は、可能な限り、任意の実施形態の１つ又は複数の特徴を任意の他の実施形態の１つ又は複数の特徴と組み合せ可能であることを企図していることを理解されたい。

Claims (34)

1. 個人におけるほてりの発生を検知する方法であって、前記方法は、
   所定の時間にわたり、前記個人に関する心拍数シーケンスデータを取得するステップであって、前記心拍数シーケンスデータは、前記個人が装着したセンサーユニットによって検知された前記個人の心拍データに基づく、取得するステップと、
   前記心拍数シーケンスデータを計算モデル構成要素に提供するステップであって、前記計算モデル構成要素は、前記心拍数シーケンスデータを経時的に調べて、心拍数が低下してベースライン範囲を下回り、次いで上昇して前記ベースライン範囲を上回るパターンに対する前記心拍数シーケンスデータのモニタリングに基づき、前記個人がほてりを感じている確率を決定するステップと、
   前記計算モデル構成要素で前記心拍数シーケンスデータを分析して前記確率を決定するステップと
   を有する、方法。
2. 決定された前記確率を評価して、ほてりが示されているかどうかを判定するステップと、決定された前記確率によってほてりが示されていると判定された場合に、前記個人に関連付けられた環境パラメータ制御装置に前記ほてりに対する治療措置を開始させるステップとを更に有する、請求項１に記載の方法。
3. 決定された前記確率を評価して、ほてりが示されているかどうかを判定するステップと、決定された前記確率によってほてりが示されていると判定された場合に、示された前記ほてりの記録を格納するステップとを更に有する、請求項１に記載の方法。
4. 前記パターンにおいて、心拍数が低下して少なくとも第１の大きさだけ前記ベースライン範囲を下回り、次いで上昇して、少なくとも前記第１の大きさよりも大きい第２の大きさだけ前記ベースライン範囲を上回る、請求項１に記載の方法。
5. 前記パターンにおいて、ある特定の限られた時間内に心拍数が低下して少なくとも前記第１の大きさだけ前記ベースライン範囲を下回り、その後、心拍数が上昇して、少なくとも前記第２の大きさだけ前記ベースライン範囲を上回る、請求項４に記載の方法。
6. 決定された前記確率を評価して、ほてりが示されているかどうかを判定するステップは、前記確率が閾値を上回るかどうかを判定するステップを有する、請求項１に記載の方法。
7. 前記心拍数シーケンスデータは、前記センサーユニットによって検知された前記個人の前記心拍データに基づく生の心拍数シーケンスデータから生成された、正規化された心拍数シーケンスデータである、請求項１に記載の方法。
8. 前記生の心拍数シーケンスデータは心拍数値のシーケンスを含み、前記正規化された心拍数シーケンスデータは、前記シーケンスの初期の間の前記心拍数値の平均値を決定し、次いで、前記シーケンスの前記心拍数値から前記平均値を引くことによって生成される、請求項７に記載の方法。
9. 前記センサーユニットは、前記心拍データを生成するための、ＰＰＧセンサー、ＥＣＧセンサー、又は加速度計のうちの少なくとも１つを備える、請求項１に記載の方法。
10. 前記計算モデル構成要素は、前記パターンに対する前記心拍数シーケンスデータのモニタリングに基づき、前記個人がほてりを感じている前記確率を決定するために、テンプレートマッチング手法を使用する、請求項１に記載の方法。
11. 前記テンプレートマッチング手法は、前記パターンを記述する重みのテンプレートを用いて前記心拍数シーケンスデータを乗算することによって、マッチング値を決定することを含む、請求項１０に記載の方法。
12. 前記テンプレートマッチング手法は、前記マッチング値の差の標準偏差を用いて、確率値がある特定の閾値を超えたときにほてり事象を識別することを含む、請求項１１に記載の方法。
13. 前記計算モデル構成要素は、前記パターンに対する前記心拍数シーケンスデータのモニタリングに基づき、前記個人がほてりを感じている前記確率を決定するために、人工ニューロンの全結合層を使用する、請求項１に記載の方法。
14. 前記全結合層の各ノードが活性化関数を有し、心拍数シーケンスデータに重みを適用して、前記全結合層の各ノードの前記活性化関数の合計に基づいてほてりの尤度を与える、請求項１３に記載の方法。
15. 前記計算モデル構成要素は、前記パターンに対する前記心拍数シーケンスデータのモニタリングに基づき、前記個人がほてりを感じている前記確率を決定するために、ディープラーニングニューラルネットワークを使用する、請求項１に記載の方法。
16. 前記ディープラーニングニューラルネットワークは、回帰型ニューラルネットワークを含む、請求項１５に記載の方法。
17. 前記計算モデル構成要素は、前記センサーユニットとは別個に設置された計算デバイス内に存在する、請求項１に記載の方法。
18. 前記計算モデル構成要素は、前記センサーユニット内に存在する、請求項１に記載の方法。
19. 前記環境パラメータ制御装置は、ＨＶＡＣシステム、冷却ブランケット、及び水冷冷却システムのうちの１つである、請求項１に記載の方法。
20. コンピュータ可読プログラムコードが組み込まれた非一時的コンピュータ使用可能媒体であって、前記コンピュータ可読プログラムコードは、ほてりの発生を検知する請求項１に記載の方法を実施するために実行される、非一時的コンピュータ使用可能媒体。
21. 個人におけるほてりの発生を検知するための装置であって、前記装置は、
    計算モデル構成要素を含むコントローラ備え、前記計算モデル構成要素は、前記個人が装着したセンサーによって検知された前記個人の心拍データに基づく心拍数シーケンスデータを受け、前記心拍数シーケンスデータを経時的に調べて、心拍数が低下してベースライン範囲を下回り、次いで上昇して前記ベースライン範囲を上回るパターンに対する前記心拍数シーケンスデータのモニタリングに基づき、前記個人がほてりを感じている確率を決定する、装置。
22. 前記コントローラは、決定された前記確率を評価して、ほてりが示されているかどうかを判定し、決定された前記確率によってほてりが示されていると判定された場合に、前記個人に関連付けられた環境パラメータ制御装置に前記ほてりに対する治療措置を開始させる、請求項２１に記載の装置。
23. 前記パターンにおいて、心拍数が低下して少なくとも第１の大きさだけ前記ベースライン範囲を下回り、次いで上昇して、少なくとも前記第１の大きさよりも大きい第２の大きさだけ前記ベースライン範囲を上回る、請求項２１に記載の装置。
24. 前記心拍数シーケンスデータは、前記センサーユニットによって検知された前記個人の前記心拍データに基づく生の心拍数シーケンスデータから生成された、正規化された心拍数シーケンスデータである、請求項２１に記載の装置。
25. 前記生の心拍数シーケンスデータは心拍数値のシーケンスを含み、前記正規化された心拍数シーケンスデータは、前記シーケンスの初期の間の前記心拍数値の平均値を決定し、次いで、前記シーケンスの前記心拍数値から前記平均値を引くことによって生成される、請求項２４に記載の装置。
26. 前記計算モデル構成要素は、前記パターンに対する前記心拍数シーケンスデータのモニタリングに基づき、前記個人がほてりを感じている前記確率を決定するために、テンプレートマッチング手法を使用する、請求項２１に記載の装置。
27. 前記テンプレートマッチング手法は、前記パターンを記述する重みのテンプレートを用いて前記心拍数シーケンスデータを乗算することによって、マッチング値を決定することを含む、請求項２６に記載の装置。
28. 前記テンプレートマッチング手法は、前記マッチング値の差の標準偏差を用いて、確率値がある特定の閾値を超えたときにほてり事象を識別することを含む、請求項２７に記載の装置。
29. 前記計算モデル構成要素は、前記パターンに対する前記心拍数シーケンスデータのモニタリングに基づき、前記個人がほてりを感じている前記確率を決定するために、人工ニューロンの全結合層を使用する、請求項２１に記載の装置。
30. 前記全結合層の各ノードが活性化関数を有し、心拍数シーケンスデータに重みを適用して、前記全結合層の各ノードの前記活性化関数の合計に基づいてほてりの尤度を与える、請求項２９に記載の装置。
31. 前記計算モデル構成要素は、前記パターンに対する前記心拍数シーケンスデータのモニタリングに基づき、前記個人がほてりを感じている前記確率を決定するために、ディープラーニングニューラルネットワークを使用する、請求項２１に記載の装置。
32. 前記ディープラーニングニューラルネットワークは、回帰型ニューラルネットワークを含む、請求項３１に記載の装置。
33. 前記センサーユニットは、前記個人が装着するウェアラブルセンサーユニットの一部であり、前記コントローラは、前記ウェアラブルセンサーユニットとは別個に設置された計算デバイス内に存在する、請求項２１に記載の装置。
34. 前記コントローラ及び前記センサーユニットは、前記個人が装着するウェアラブルセンサーユニットの一部である、請求項２１に記載の装置。

Images