JP4588515B2 - 状態解析装置及びソフトウエアプログラム - Google Patents

Description

本発明は、状態解析装置及びソフトウエアプログラムに関し、特に対象物に周期的な動きがあるにもかかわらず存在しうる異常を判別することができる状態解析装置及びソフトウエアプログラムに関するものである。

空間内、例えば風呂場やトイレ等での対象物、例えば人物の動きを検出する動き検出装置として、従来から、動き検出センサが提案されている。代表的な例としては、ベッド上の就寝者にパターンを投影し、投影されたパターンを連続的に撮像した画像からパターンの移動量を算出することで、就寝者の呼吸を監視する監視装置があった。（例えば、特許文献１参照。）。
特開２００２−１７５５８２号公報 （第５−９頁、第１−１３図）

以上のような従来の装置では、例えば患者の呼吸運動の増減やその量を計測・モニタリングしたり、呼吸の有無等を検出することが可能であり、例えば、筋ジストロフィー患者等の人工呼吸中の神経筋疾患患者における人工呼吸回路不全の発見を目的とした患者の呼吸の監視装置があった。この場合、例えば特許文献１に記載の監視装置では、生成された呼吸運動に関する信号と、判定対象時点以前の一定期間の呼吸運動に関する値から抽出される判定のための基準値とを比較して、呼吸運動の停止や低下を判定するものがあった。

しかしながら、例えば、呼吸回路のはずれ等により患者自身の自発呼吸に移行した場合、患者が危険な状態でのデータを大量に取得し、判定のための特徴量を抽出したり、判定論理を組み立てたりすることは、患者に大きな負担を強いることになり、また、患者を危険な状態に曝すため倫理的にもできるだけ避けるべきである。すなわち、例えば患者の呼吸が異常状態でのデータ取得は被検者に大きな負担をかけるため、正常状態と異常状態の識別領域を形成するための十分なデータが取得できないことがあり、したがって、例えば、患者に大きな負担をかけずに患者の状態を判別することのできる装置が望まれていた。

そこで本発明は、対象物に周期的な動きがあるにもかかわらず存在しうる異常を判別することができる状態解析装置及びソフトウエアプログラムを提供することを目的とする。

上記目的を達成するために、第１の態様に係る発明による状態解析装置は、例えば図１に示すように、周期的な動きのある対象物２の状態を示す測定データに基づいて、判定対象時点の前後の第１の所定期間Ｔ１（例えば、図３参照）以前の第２の所定期間Ｔ２（例えば、図３参照）の周期的な動きの大きさに関するデータの確率分布と、第１の所定期間Ｔ１（例えば、図３参照）の周期的な動きの大きさに応じて、判定対象時点における対象物２の状態が異常か否かを判別する第１の状態判別手段２４を備えるように構成される。

このように構成すると、第１の状態判別手段は、第２の所定期間の周期的な動きの大きさに関するデータの確率分布と第１の所定期間の周期的な動きの大きさに応じて、判定対象時点における対象物の状態が異常か否かを判別するので、対象物にできる限り負担をかけずに対象物の状態を判別することのできる状態解析装置を提供することができる。さらに、対象物に周期的な動きがあるにもかかわらず存在しうる異常を判別することができる状態解析装置とすることができる。

また第２の態様は、第１の態様に記載の状態解析装置で、例えば図１に示すように、第１の状態判別手段２４は、第２の所定期間Ｔ２（例えば、図３参照）の周期的な動きの大きさに関するデータの確率分布に基づいて、第１の所定期間Ｔ１（例えば、図３参照）の周期的な動きの大きさに関するデータの分布から求められる所定範囲の分布状態が発生する第１の確率を推定し、当該第１の確率を用いて対象物２の異常を判別するように構成してもよい。

このように構成すると、第１の状態判別手段は、第２の所定期間の周期的な動きの大きさに関するデータの確率分布に基づいて、第１の所定期間の周期的な動きの大きさに関するデータの分布から求められる所定範囲の分布状態が発生する第１の確率を推定する。さらに、第１の状態判別手段は、当該推定した第１の確率を用いて対象物の異常を判別するので、例えば、大量にデータを取得しなくとも、対象物の異常を判別することができる。

例えば、第１の所定期間の周期的な動きの大きさに関するデータの分布から求められる所定範囲の分布状態を、第１の所定期間の周期的な動きの大きさの平均がａ以下である分布状態であるものとする。この場合、第２の所定期間の周期的な動きの大きさに関するデータの平均値がμ、標準偏差がσ、データ数がｎとすると、ｎが十分大きければ、第１の所定期間の周期的な動きの大きさの平均値の分布は、平均値μ、標準偏差σ／√ｎの正規分布とみなすことができる。第１の確率は、この正規分布の値ａ以下の確率、すなわち、この正規分布の値ａの下側確率として求めることができる。なお、例えば、第１の所定期間の周期的な動きの大きさに関するデータの分布から求められる所定範囲の分布状態を、第１の所定期間の周期的な動きの大きさの最大値がａ’以下である分布状態である場合等でも、同様に第２の所定期間のデータの分布から第１の確率を求めることができる（例えば、図４参照）。

また第３の態様は、第１の態様に記載の状態解析装置で、例えば図１に示すように、第１の状態判別手段２４は、第２の所定期間Ｔ２（例えば、図３参照）の周期的な動きの大きさに関するデータの確率分布に基づいて、第１の所定期間Ｔ１（例えば、図３参照）の周期的な動きの大きさに関して、その分布から求められる所定範囲の分布状態の発生確率が第２の確率以下となる前記所定範囲を推定し、前記第１の所定期間Ｔ１（例えば、図３参照）の周期的な動きの大きさに関するデータの分布状態が当該所定範囲に含まれるか否かに基づいて対象物の異常を判別するように構成してもよい。

このように構成すると、第１の状態判別手段は、第２の所定期間の周期的な動きの大きさに関するデータの確率分布に基づいて、第１の所定期間の周期的な動きの大きさに関して、その分布から求められる所定範囲の分布状態の発生確率が第２の確率以下となる前記所定範囲を推定する。さらに、第１の状態判別手段は、前記第１の所定期間の周期的な動きの大きさに関するデータの分布状態が当該所定範囲に含まれるか否かに基づいて対象物の異常を判別するので、例えば、大量に学習用のデータを取得しなくとも、対象物の異常を判別することができる。なお、第２の確率は、例えば、予め設定される任意の確率であり、医学的な見地から導き出される任意な確率や状態解析装置の目標とする誤報頻度等である。

また第４の態様は、第３の態様に記載の状態解析装置で、例えば図１に示すように、第１の状態判別手段２４は、第２の所定期間Ｔ２（例えば、図３参照）の周期的な動きの大きさに関するデータの確率分布と第２の確率に基づいて閾値を算出し、第１の所定期間Ｔ１（例えば、図３参照）内の周期的な動きの大きさの最大値が閾値を下まわった場合に、対象物が異常であると判別するように構成してもよい。

このように構成すると、第２の所定期間の周期的な動きの大きさに関するデータの確率分布と第２の確率に基づいて閾値を設定することで、対象物固有の状況に応じて可能な限り高い閾値を設定することができるので、誤報を防止しつつ、検出漏れを防ぐことができる。

当該閾値は、例えば、第２の所定期間の周期的な動きの大きさに関するデータの確率分布の一例である図４（ｂ）を参照すると、呼吸数ｎ_ｖ／分＝２０ 回／分、第２の確率としての誤報頻度を３０日（ｔ_ｅ秒＝２５９２０００秒）に1 回、すなわち、１／２５９２０００で、第１の所定期間Ｔ１、第２の所定期間Ｔ２の長さをｔ_０秒＝３０秒とすると、後述する（１）式より、確率Ｐ_ｔ≒０．４８８となる。Ｐ_ｔ≒０．４８８であれば、図４（ｂ）の累積度数分布図を用いると、対応するクラスは「４．８」程度となり、ここではより安全を考えて判定閾値は「５」とすればよい。

また第５の態様は、第１の態様乃至第４の態様のいずれか１の態様に記載の状態解析装置で、例えば図１に示すように、第３の所定期間の測定データに基づく値の基準値との比較結果に応じて、判定対象時点における対象物２の状態が異常か否かを判別する第２の状態判別手段２５を備えるように構成してもよい。

このように構成すると、第１の状態判別部と第２の状態判別部とを組み合わせることで、包括的かつ漏れがなく、誤報の少ない判別をすることができる。

また第６の態様は、第５の態様に記載の状態解析装置で、例えば図１に示すように、測定データに基づいて、第３の所定期間のスペクトルを算出するスペクトル算出手段２６と；スペクトルに基づいて、当該スペクトルの低周波成分と高周波成分とを比較するスペクトル比較手段２７とを備え；第２の状態判別手段２５は、スペクトル比較手段２７の比較結果に基づいて、対象物の異常を判別するように構成してもよい。

このように構成すると、スペクトル算出手段は、周期的な動きのある対象物の状態を示す測定データに基づいてスペクトルを算出し、スペクトル比較手段はスペクトルの低周波成分と高周波成分とを比較する。第２の状態判別手段は、当該比較結果に基づいて、対象物の異常を判別するので、対象物の状態をより確実に判別することのできる状態解析装置を提供することができる。なお、例えば、対象物が呼吸をしている人物である場合、低周波成分は呼吸に近い周波数の成分、高周波成分は呼吸以外、典型的にはノイズの周波数の成分である。

なお、第２の状態判別手段は、典型的には、低周波成分のスペクトルの総和が高周波成分のスペクトルの総和を第４の所定期間連続的に下まわった場合に、対象物が異常であると判別するように構成してもよい。この場合、さらに確実に対象物の状態を判別することができる。

また、第２の状態判別手段は、典型的には、低周波成分のスペクトルの総和の第５の所定期間の平均が高周波成分のスペクトルの総和の第５の所定期間の平均を下まわった場合に、対象物が異常であると判別するように構成してもよい。この場合、より確実、迅速に対象物の状態を判別することができる。

また第７の態様は、第１の態様乃至第６の態様のいずれか１の態様に記載の状態解析装置で、第１の状態判別手段２４は、さらに、判定対象時点の周期的な動きの周期が変動した場合に、対象物が異常であると判別するように構成してもよい。

このように構成すると、第１の状態判別手段は、判定対象時点の周期的な動きの周期が変動した場合に、対象物が異常であると判別するので、誤った判別を防止することができる。

また第８の態様は、第１の態様乃至第７の態様のいずれか１の態様に記載の状態解析装置で、例えば図１に示すように、測定データに基づいて、周期的な動きとともに起こる非周期的な動きを判定して検出する非周期的動き検出手段２８を備え；第１の状態判別手段２４は、第１の所定期間Ｔ１（例えば、図３参照）又は第２の所定期間Ｔ２（例えば、図３参照）を非周期的動き検出手段２８で非周期的動きの検出された期間を除いた期間とするように構成してもよい。

このように構成すると、非周期的動き検出手段は、測定データに基づいて周期的な動きとともに起こる非周期的な動きを判定して検出し、第１の状態判別手段は、第１の所定期間又は第２の所定期間を非周期的動きの検出された期間を除いた期間とするので、正確な判別を行うことができる。例えば、対象物が呼吸をしている人物である場合、非周期的動きは寝返り等の体動である。

また第９の態様は、第１の態様乃至第８の態様のいずれか１の態様に記載の状態解析装置で、周期的な動きの大きさは、ゼロクロスからゼロクロスまでの測定データを積分することにより得られる値を用いるように構成してもよい。

このように構成すると、周期的な動きの大きさに、ゼロクロスからゼロクロスまでの測定データを積分することにより得られる値を用いるので、測定データの振幅、周期の両方の変化を、周期的な動きの大きさに反映させることができ、異常の判別をより精度よく行うことができる。

また第１０の態様は、第１の態様乃至第９の態様のいずれか１の態様に記載の状態解析装置で、例えば図１１に示すように、測定データを取得する測定装置１０を備え；測定装置１０は、対象領域３（例えば図１０参照）に複数の輝点１１ｂ（例えば図１０参照）を投影する投影装置１１と、複数の輝点１１ｂ（例えば図１０参照）が投影された対象領域３（例えば図１０参照）を撮像する撮像装置１２と、撮像装置１２により異なる時点に取得された２フレームの画像から複数の輝点１１ｂ（例えば図１０参照）の２フレーム間の移動量を算出する移動量算出手段１４１と、移動量を時系列に並べてなる移動量波形データを生成する移動量波形生成手段１４２とを有するように構成してもよい。

このように構成すると、測定装置を備え、測定データは、測定装置から取得されたものであるので、正確に対象物の状態を測定できる。また、測定装置は、投影装置と、撮像装置と、移動量算出手段と、移動量波形生成手段とを含んで構成されるので、例えば非接触で対象物の状態を正確に測定できる。

上記目的を達成するために、第１１の態様に係る発明によるソフトウエアプログラムは、例えば図１５に示すように、コンピュータにインストールして、該コンピュータを状態解析装置として作動させるソフトウエアプログラムであって；周期的な動きのある対象物の状態を示す測定データに基づいて、判定対象時点の前後の第１の所定期間Ｔ１（例えば、図３参照）以前の第２の所定期間Ｔ２（例えば、図３参照）の周期的な動きの大きさに関するデータの確率分布と、第１の所定期間Ｔ１（例えば、図３参照）の周期的な動きの大きさに応じて、判定対象時点における対象物の状態が異常か否かを判別する処理（Ｓ１０８）を実行するようにコンピュータを制御するように構成される。

このように構成すると、第２の所定期間の周期的な動きの大きさに関するデータの確率分布と第１の所定期間の周期的な動きの大きさに応じて、判定対象時点における対象物の状態が異常か否かを判別するので、対象物にできる限り負担をかけずに対象物の状態を判別することのできるソフトウエアプログラムを提供することができる。さらに、対象物に周期的な動きがあるにもかかわらず存在しうる異常を判別することができるソフトウエアプログラムとすることができる。

上記目的を達成するために、第１２の態様に係る発明による状態解析装置は、例えば図１に示すように、周期的な動きのある対象物２の状態を示す測定データに基づいて、判定対象時点の前後の第１の所定期間Ｔ１（例えば、図３参照）の周期的な動きの大きさに関するデータの最大値と最大閾値との比較に基づいて、判定対象時点における対象物２の状態が異常か否かを判別する第１の状態判定手段２４を備えるように構成される。

このように構成すると、第１の状態判別手段は、周期的な動きのある対象物の状態を示す測定データに基づいて、判定対象時点の前後の第１の所定期間の周期的な動きの大きさに関するデータの最大値と最大閾値との比較する。さらに、当該比較の結果に基づいて、判定対象時点における対象物の状態が異常か否かを判別するので、対象物に周期的な動きがあるにもかかわらず存在しうる異常を判別することができる状態解析装置を提供することができる。

以上のように本発明によれば、周期的な動きのある対象物の状態を示す測定データに基づいて、判定対象時点の前後の第１の所定期間以前の第２の所定期間の周期的な動きの大きさに関するデータの確率分布と、第１の所定期間の周期的な動きの大きさに応じて、判定対象時点における対象物の状態が異常か否かを判別する第１の状態判別手段を備えるように構成されるので、対象物に周期的な動きがあるにもかかわらず存在しうる異常を判別することができる状態解析装置を提供することができる。

以下、本発明の実施の形態について、図面を参照して説明する。なお、各図において互いに同一あるいは相当する部材には同一符号を付し、重複した説明は省略する。

図１は本発明の実施の形態に係る状態解析装置としての呼吸モニタ１の構成例を示すブロック図である。呼吸モニタ１は、演算装置２０と、周期的な動きのある対象物の状態を示す測定データを取得する測定装置としてのＦＧセンサ１０とを含んで構成される。演算装置２０は、例えば、パソコンやマイコンといったコンピュータである。また演算装置２０は、呼吸モニタ１を操作するための情報を入力する入力装置３５と、呼吸モニタ１の処理状態を表示するディスプレイ４０とを有している。入力装置３５は、例えばタッチパネル、キーボードあるいはマウスである。ディスプレイ４０は、典型的にはＬＣＤ（Ｌｉｑｕｉｄ Ｃｒｙｓｔａｌ Ｄｉｓｐｌａｙｓ、液晶表示装置）である。ディスプレイ４０に表示される呼吸モニタ１の処理状態は、例えば後述のＦＧセンサ１０によって取得される測定データ、後述のスペクトル比較部２７によって比較されるスペクトル、後述の第１状態判別部２４、第２の状態判別部２５による対象物２の状態の判別結果等である。本図では、入力装置３５とディスプレイ４０は、演算装置２０に外付けするものとして図示されているが、内蔵されていてもよい。なおＦＧセンサ１０については図１１で詳述する。

演算装置２０は、周期的な動きのある対象物の状態を示す測定データに基づいて、判定対象時点の前後の第１の所定期間以前の第２の所定期間の周期的な動きの大きさに関するデータの確率分布と、第１の所定期間の周期的な動きの大きさに応じて、判定対象時点における対象物の状態が異常か否かを判別する第１の状態判別手段としての第１の状態判別部２４を備える。

さらに、演算装置２０は、第３の所定期間の測定データに基づく値の基準値との比較結果に応じて、判定対象時点における対象物の状態が異常か否かを判別する第２の状態判別手段としての第２の状態判別部２５を備える。また、演算装置２０は、典型的には、周期的な動きのある対象物２の状態を示す測定データに基づいて、第３の所定期間のスペクトルを算出するスペクトル算出手段としてのスペクトル算出部２６と、スペクトルに基づいて、当該スペクトルの低周波成分と高周波成分とを比較するスペクトル比較手段としてのスペクトル比較部２７とを備え、典型的には第２の状態判別部２５はスペクトル比較部２７の比較結果に基づいて、対象物２の異常を判別するように構成される。

さらに、演算装置２０は、前記測定データに基づいて、前記周期的な動きとともに起こる非周期的な動きを判定して検出する非周期的動き検出手段としての体動検出部２８を備え、第１の状態判別部２４は、第１の所定期間又は第２の所定期間を体動検出部２８で非周期的動きの検出された期間を除いた期間とするように構成される。

なお、本実施の形態の主な所定期間には、第１の所定期間から第８所定期間までがある。これらの所定期間については、順次後述で説明していく。ただし、順番は必ずしも番号順ではない。

また、ここでは、第１の状態判別部２４と、第２の状態判別部２５とは、それぞれ別個に構成されるものとして説明するが、一体に構成してもよい。

ここで、対象物は、本実施の形態では、人物２であるものとして説明するが、牛やブタ等の家畜であってもよい。なお家畜はネコやイヌ等のペットも含むものとする。以下対象物は人物２として説明する。ここでは人物２はベッド３上で人工呼吸を行っている場合で説明する。ここで、周期的な動きとは、例えば、人間２の呼吸運動であり、非周期的な動きとは、例えば、人間２の呼吸運動以外の体動（以下特に断りのない限り単に「体動」という。）である。なお、人間２の呼吸運動は、実際にはその周期や振幅等、呼吸運動を示す後述の波形データに不安定性があり、極端な場合には振幅が失われることもあるが、多少の不安定性であれば、無視して解析することができる。人物２の体動とは、例えば寝返りといった呼吸より周期性に乏しく、呼吸より大きい人物２の動きである。さらに呼吸より大きい人物２の動きとは、例えば動きの大きさ、あるいは動きの変化の大きさで呼吸に対して特徴づけられるものである。

ここで、人物２が異常であるとは、本実施の形態では、人工呼吸を行っている人物２の人工呼吸回路が異常である状態、典型的には、実質的に人工呼吸が働かない状態をいう。すなわち、呼吸モニタ１は、人工呼吸を行っている人物２の人工呼吸回路の異常を検出する装置であり、例えば、筋ジストロフィー患者や筋萎縮性側索硬化症（ＡＬＳ）患者などの人工呼吸を監視し、人工呼吸の事故を防止することを目的とした装置である。

人工呼吸は、筋ジストロフィー患者や筋萎縮性側索硬化症（ＡＬＳ）患者の延命に重要な役割を担っているが、その一方で、人工呼吸のトラブルも頻繁に起こっている。特に、自発呼吸やコミュニケーション能力の低い患者の場合、人工呼吸のトラブルは直接重大な事故に結びつくので、人工呼吸器（不図示）の警報機能に頼るだけでなく、二重、三重の安全措置が必要である。

そこで人工呼吸の監視を行う呼吸モニタ１では、幾つかの異常、危険の検出が必要である。例えば、１つ目は、気管切開による人工呼吸をしている患者など、自発呼吸がほとんど無い患者において人工呼吸回路の切断などにより呼吸ができなくなった場合、すなわち呼吸停止の検出である。この場合、後述のＦＧセンサ１０が取得する呼吸運動波形がほぼ消失し、一刻も早い発見、通報が求められる。２つ目は、一定の自発呼吸がある患者において、人工呼吸が実質的に働かなくなった場合である。この場合、患者の呼吸の状態が変わること、言い換えれば、呼吸の変調が予想されるが、呼吸停止ほど明確でなく、発見が難しい。その代わり、なるべく早期に見つけることが望ましいが、発見に少々時間がかかってもすぐに重篤な事故になることはない。

本実施の形態では、人物２が異常であるとは、さらに具体的に言えば、例えば、自発呼吸のない人物２の人工呼吸器が外れて呼吸が停止した状態、多少の自発呼吸のある人物２の人工呼吸器が外れて人工呼吸が実質的に働かなくなった状態、言い換えれば、人物２の人工呼吸にトラブルがある状態をいう。

また本実施の形態では、測定データは、ＦＧセンサ１０で測定されたデータである。人物２の状態を示す測定データとは、人物２の測定範囲（例えば人物２の胸部や腹部を含む範囲）での一定時間内の動きに関する量、さらに具体的には、体表面の上下方向移動速度に関する量である。また、人物２の状態を示す測定データは、人物２の動きを複数の点で測定した測定結果に基づいたデータであり、複数の点での各測定値の総和に基づく第１の測定データとしての呼吸データと、複数の点での各測定値の絶対値の総和のデータである第２の測定データとしての体動データとの両方またはいずれか一方を含んでいる。なお絶対値の総和は各測定値の二乗の値の総和を含む概念である。ここでは、測定データは呼吸データと体動データとの両方を含んでいる。また、呼吸データ及び体動データは、さらに各々測定点の数又は測定値に一定以上の変動があった測定点の数で除算したデータとしてもよい。

図２は、本発明の実施の形態に係る呼吸モニタに用いる、呼吸データ及び体動データが形成する波形パターンの例について示した概要図である。測定データは、例えば図２に示すような波形パターンを形成する。なお図２（ａ）は、人物２の正常呼吸を測定した場合の呼吸データを単純化した一例である。また、図２（ｂ）は体動を示すデータを含む呼吸データの典型例であり、図２（ｃ）は体動を示すデータを含む体動データの典型例である。図２（ｂ）、図２（ｃ）に示すように、呼吸以外の身体の動き（体動）がある場合には、体動データは大きい値の分布を持ち、同時に呼吸データの振れ幅も大きくなり周期性を失う。またここでは測定データのサンプリング間隔（１データの取得間隔）は例えば０．１〜０．２５秒である。またここでは、人物２の動きを複数の点で測定した各測定値は、一定時間内の人物２の動き、言い換えれば人物２の動きの速度に関する値である。従って、各測定点の測定値を加え合わせれば、一定期間内の一定方向への全体的な平均的位置変化に関するデータを得ることができる（呼吸データ）。また各測定値の絶対値を加え合わせれば、全体の動きの総量に関するデータを得ることができる（体動データ）。なおここでは、呼吸データと体動データとの両方を用いる場合で説明するが、例えば呼吸データのみでも以下で説明する全てのプロセスを行うことができる。

なお、ＦＧセンサ１０から取得された測定データの本装置による状態の判別は、一定期間の測定データを取得してからまとめ行ってもよいし、人物２の状態推移に伴って、データの取得に対してリアルタイムに行ってもよい。本実施の形態では、上述したように、呼吸モニタ１が人工呼吸を行っている人物２の人工呼吸回路の異常を検出する装置であるから、状態の判別は、人物２の状態推移に伴って、データの取得に対してリアルタイムに行う場合で説明する。

またここで、判定対象時点とは、人物２の異常を判別する時点のことであり、当該時点は時間経過とともに順次移動していく。判定対象時点の間隔は、各時点でほぼ等間隔に設定され、例えば、測定データのサンプリング間隔等に合わせて適宜決めればよい。すなわち、ここでは判定対象時点の間隔は、（１データの取得間隔）は例えば０．１〜０．２５秒程度である。
以下、再び図１を参照して上記各構成について詳細に説明する。

第１の状態判別部２４は、具体的には第２の所定期間の呼吸の動きの大きさに関するデータの確率分布に基づいて、第１の所定期間の呼吸の動きの大きさに関して、その分布から求められる所定範囲の分布状態の発生確率が第２の確率（第１の確率については後述する。）以下となる所定範囲を推定し、第１の所定期間の周期的な動きの大きさに関するデータの分布状態が当該所定範囲に含まれるか否かに基づいて人物２の異常を判別するように構成される。

ここで、図３は、本発明の実施の形態に係る呼吸モニタ１に用いる、第１の所定期間としての観察期間Ｔ１及び第２の所定期間としての基準データ取得期間Ｔ２について説明する図である。なお、本図は、図中向かって左側が過去側、右側が未来側の時系列となるように図示している。

第１の所定期間は、判定対象時点の前後の期間であり、実際に判定対象時点での人物２の異常を判別するために呼吸の動きの大きさに関するデータを観察する期間である。本実施の形態では、呼吸モニタ１はリアルタイムに状態を判別する装置であるので、第１の所定期間は判定対象時点以前の期間とする。なお、リアルタイムに判断するのではない場合は、第１の所定期間は、判定対象時点をまたぐような期間であっても良い。以下、特に断りのない限り、第１の所定期間を観察期間Ｔ１という。

第２の所定期間は、観察期間Ｔ１以前の期間であり、観察期間Ｔ１のデータの確率分布の発生確率が第２の確率以下となる分布の範囲を推定する基準となるデータを取得するための期間である。本実施の形態では、第１の状態判別部２４は、第２の所定期間のデータの確率分布から観察期間Ｔ１のデータの確率分布の発生確率が第２の確率以下となる分布の範囲を推定するように構成されるので、第２の所定期間は、より確実な推定ができるように、観察期間Ｔ１にできるだけ近い期間、すなわち、観察期間Ｔ１の直前の期間とする。なお、第２の所定期間は、観察期間Ｔ１以前の期間であれば、観察期間Ｔ１から若干間隔のあいた期間であっても良い。なお、基準データ取得期間Ｔ２は、観察期間Ｔ１と一部重なっていても良い。以下、特に断りのない限り、第２の所定期間を基準データ取得期間Ｔ２という。

なお、観察期間Ｔ１と基準データ取得期間Ｔ２の長さは、第１の状態判別部２４による判別を正確に行うため、典型的には同等の長さの期間とすることが好適であり、両期間とも、例えば３０秒から５分程度、好ましくは３０分から３分程度とすると良い。本実施の形態では、観察期間Ｔ１と基準データ取得期間Ｔ２の長さは、各々３０秒から１分程度とする。

ここで、人物２の呼吸の動きの大きさは、例えば、少なくても１周期分の期間を含む一定期間内（例えば、５〜１５秒）の呼吸データ（図２（ａ）参照）の振幅、ピーク値、ボトム値、一回換気量に相当する量等を用いることができる。なお、ここで、ピークとは測定データが形成する波形パターンの山の部分であり、ボトムは谷の部分である（図２（ａ）参照）。またここでは振幅とはピークとボトムの差である。

本実施の形態では、人物２の呼吸の動きの大きさは、人物２の一回換気量に相当する量、いわゆる、準一回換気量を用いる。準一回換気量とは、ゼロクロスからゼロクロスまでの測定データ、ここでは呼吸データ（図２（ａ））を積分することにより得られる値である（実際は、さらに面積を乗じたものが換気量となるが、面積は変化しないものとして無視する。）。ゼロクロスとは、周期的な動きも値がゼロになること、例えば、図２（ａ）のように、横軸を時間、縦軸を速度として、横軸が速度０で縦軸と交差するものとしたとき、速度が時間軸と交差すること、又はその交差した点をいう。すなわち、速度がゼロとなることあるいはゼロとなる点のことである。ここでは、「ゼロクロスからゼロクロスまで」とは、連続する２回のゼロクロスの間で、測定データが予め決められた正又は負のいずれかの符号を持った期間のことをいう。準一回換気量は、厳密な一回換気量ではなく、一回換気量に相当する値であるため「準」と記載している。

すなわち、第１の状態判別部２４は、人物２の呼吸の動きの大きさとしてゼロクロスからゼロクロスまでの呼吸データ（図２（ａ））を積分することにより得られる準一回換気量を算出するように構成される。

人物２の呼吸の動きの大きさとして準一回換気量を用いることで、呼吸データの振幅とインターバルの両方の変化を反映することができる。すなわち、振幅が小さくなり、インターバルが短くなれば、準一回換気量はより小さくなり、振幅のみを用いる場合よりも精度よく呼吸の動きの大きさの変化を反映するということができる。

図４は、本発明の実施の形態に係る呼吸モニタ１に用いる準一回換気量に関するデータの分布の一例を示した図であり、（ａ）はヒストグラムと、平均値と標準偏差とがほぼ等しい正規分布の確率密度曲線、（ｂ）は累積分布曲線を示す。ヒストグラムにおいて各度数を全度数で除することにより、各クラス（階級）の相対度数、すなわち、確率分布を得ることができる。同様に、累積度数分布についても全度数で除することにより、累積相対度数分布、すなわち、累積分布を得ることができる。ここで確率分布とは、典型的には、ある事象と当該事象が生起する確率との対応関係を、生起し得る全事象について示すものである。測定値から得られる確率分布や累積分布は、データ数に限りがあるため不連続である。これらを用いて後述する判定閾値を求める際に、より細かく、あるいは連続的な値が欲しい場合は、測定値の確率分布を平均値と標準偏差とがほぼ等しい正規分布にあてはめて累積分布曲線を求めたり、累積分布曲線を補完して用いる。

ヒストグラムとは、数量化できる要因や特性のデータについて、横軸の目盛りに特性値、ここでは人物２の呼吸の動きの大きさをとり、当該データが存在する範囲をいくつかのクラス（階級）に分け、当該クラスの幅を底辺とし、クラスに含まれるデータの度数に比例する面積をもつ柱（長方形）を並べたものである。図４（ａ）のヒストグラムでは、横軸をクラス（階級）、縦軸を度数（右側）及び正規分布の確率密度（左側）としている。本図中、棒グラフで示したものが度数分布、実線で示したものが正規分布である。

クラス（階級）は、例えば、測定データ（図２（ａ））の出力の大きさに対応するものであり、本実施の形態では、人物２の呼吸の動きの大きさ、すなわち、準一回換気量に対応する値である。また、クラスは本図では、データの分布に基づいて等間隔に設定されている。また、クラスの幅は、一定期間内の全測定データの平均値と標準偏差を基準として、０から平均値＋標準偏差×２までをＮ分割してもよい。ここでＮは全データ数により決定するとよい。例えば通常１０〜数十である。あるいは、暫定的に設定したクラスの幅で求めた再頻値の４倍を５０分割する等でもよい。また、クラスの幅は、一定期間内のデータ数や、予め計測しておいた一晩（７〜１０時間程度）でのデータの分布範囲、バラツキ等から適宜求めることもできる。

相対度数は、各クラス（階級）の度数を全度数で除したもので、相対度数分布は、各クラスの確率分布に相当する。また、相対度数を累積したものが累積相対度数であり、この分布曲線は累積分布関数に相当する。累積度数は、度数を累積させたものであり、ここでは、所定のクラス（階級）以下の度数を合計したものである。図４（ｂ）の累積相対度数分布図では、横軸をクラス（階級）、縦軸をクラス（階級）の発生確率（相対度数）としている。累積相対度数分布図は、相対度数分布そのものを用いても良いし、上述したように、さらに補完法を用いても良い。また、データの平均値と標準偏差から正規分布を仮定してもよい。本図中、点でプロットしたものが累積相対度数分布、実線で示したものが正規分布である。例えば、累積相対度数分布を用いた場合、「５」以下のクラス（階級）が発生する確率は、０．６×１００＝６０％程度となる。

第１の状態判別部２４は、上述したように、基準データ取得期間Ｔ２（図３参照）の準一回換気量に関するデータの確率分布に基づいて、観察期間Ｔ１（図３参照）の準一回換気量に関して、その分布から求められる所定範囲の分布状態の発生確率が第２の確率以下となる前記所定範囲を推定する。

呼吸筋が衰えた患者の場合、人工呼吸を行っている間は平均的な換気量の変動の中に、各回の変動として大きな呼吸が混ざることが多い。これに対して、自発呼吸の場合、大きい呼吸ができず、平均的換気量の低下と共に、換気量最大値も低下すると考えられる。したがって、本実施の形態では第１の状態判別部２４による判別には、予め設定した検出時間に対応する期間の準一回換気量の最大値が一定以下に下がる確率を用いることが好適であるため、これを用いる。

まず、第１の状態判別部２４は、判定対象時点から過去側に観察期間Ｔ１（図３参照）を設定し、さらに観察期間Ｔ１の始点から過去側に観察期間Ｔ１と同等の長さの期間をとって基準データ取得期間Ｔ２（図３参照）とする。さらに、第１の状態判別部２４は、基準データ取得期間Ｔ２の準一回換気量に関するデータの確率分布（図４参照）に基づいて、基準データ取得期間Ｔ２での状態が、観察期間Ｔ１でも継続したと仮定した場合に、観察期間Ｔ１における準一回換気量の最大値が判定閾値以下となる確率が予め仮定する第２の確率以下となるように判定閾値を決定する。言い換えれば、第１の状態判別部２４は、基準データ取得期間Ｔ２（図３参照）の準一回換気量に関するデータの確率分布と第２の確率に基づいて、観察期間Ｔ１での準一回換気量の最大値に対する判定閾値を算出する。

第２の確率は、典型的には、観察期間Ｔ１内の準一回換気量の最大値が判定閾値を超えない確率である。言い換えれば、判定閾値は、第２の確率が観察期間Ｔ１内の準一回換気量の最大値が当該判定閾値を超えない確率となるように設定される。第２の確率は、例えば、医学的な見地から導き出される任意な確率や呼吸モニタ１の目標とする誤報頻度等を用いればよく、本実施の形態では呼吸モニタ１の目標とする誤報頻度を用いることとする。以下特に断りのない限り、第２の確率は目標とする誤報頻度として説明する。

判定閾値は、具体的には以下に示す（１）式に基づいて算出することができる。すなわち、観察期間Ｔ１及び基準データ取得期間Ｔ２の長さをｔ_０秒、呼吸数をｎ_ｖ／分、目標とする誤報頻度をｔ_ｅ秒に1 回と設定し、基準データ取得期間Ｔ２内において一回分の準一回換気量が判定閾値以下である確率をＰ_ｔとする。準一回換気量を呼気→吸気と吸気→呼気のそれぞれにおいて求めるものとすれば、観察期間Ｔ１における準一回換気量のデータ数は（ｎ_ｖ・ｔ_０／６０）・２＝ｎ_ｖ・ｔ_０／３０となるので、次式（１）を得ることができる。
左辺は、判定閾値以下の準一回換気量が、観察期間Ｔ１の間連続する確率を表し、右辺は、誤報頻度の目標値（平均誤報間隔中の準一回換気量データ数の逆数）を表す。

判定閾値は、（１）式から得られるＰ_ｔと、基準データ取得期間Ｔ２の準一回換気量に関するデータの確率分布（図４参照）とに基づいて求めることができる。例えば、呼吸数ｎ_ｖ／分＝２０ 回／分、目標とする誤報頻度を３０日（ｔ_ｅ秒＝２５９２０００秒）に1 回、すなわち、１／２５９２０００で、観察期間Ｔ１、基準データ取得期間Ｔ２の長さをｔ_０秒＝３０秒とすると、確率Ｐ_ｔ≒０．４８８となる。例えば、Ｐ_ｔ≒０．４８８であれば、図４（ｂ）の累積相対度数分布図を用いると、対応するクラスは「４．８」程度となり、ここではより安全を考えて判定閾値は「５」とすればよい。したがって、実際の観察期間Ｔ１で最大値となる準一回換気量のクラス（階級）が「５」以下となれば、実際の観察期間Ｔ１の準一回換気量に関するデータの確率分布は、基準データ取得期間Ｔ２の確率分布から推定される観察期間Ｔ１のデータの分布状態の発生確率が目標とする誤報頻度以下となるような所定範囲の分布状態に含まれることになる。

すなわち、目標とする誤報頻度を（１）式に代入して基準データ取得期間Ｔ２内において一回分の準一回換気量が判定閾値以下である確率Ｐ_ｔを算出し、当該算出された確率Ｐ_ｔと基準データ取得期間Ｔ２の準一回換気量に関するデータの確率分布から、判定閾値を算出することが、基準データ取得期間Ｔ２の準一回換気量に関するデータの確率分布に基づいて、観察期間Ｔ１の準一回換気量に関して、その分布から求められる所定範囲の分布状態の発生確率が目標とする誤報頻度以下となるようなデータの分布状態の所定範囲を推定することにあたる。判定閾値以下の範囲が、発生確率が目標とする誤報頻度以下となるデータの分布状態の所定範囲である。

第１の状態判別部２４は、実際の観察期間Ｔ１内での準一回換気量の最大値と対応する基準データ取得期間Ｔ２のデータから算出された判定閾値を比較して、当該最大値が判定閾値を下まわった場合に、人物２が異常であると判別する。すなわち、実際の観察期間Ｔ１内での準一回換気量の最大値と判定閾値とを比較することが、実際の観察期間Ｔ１の準一回換気量に関するデータの分布状態が上記のようにして推定された所定範囲に含まれるか否かの判断にあたる。

具体的に言えば、実際の観察期間Ｔ１のデータの分布状態が推定された分布状態の所定範囲に含まれるとは、発生確率が目標とする誤報頻度以下となる分布、すなわち、以上で説明した例で言えば、実際の観察期間Ｔ１内での準一回換気量の最大値のクラス（階級）がクラス（階級）＝「５」以下の分布の範囲に含まれることである。すなわち、図４（ｂ）を参照すると、実際の観察期間Ｔ１の確率分布が、クラス（階級）＝「５」を境界として、本図中向かって左側におさまっているような状態である。結局、観察期間Ｔ１内の準一回換気量の最大値に着目し、当該最大値が判定閾値以下であれば、実際の観察期間Ｔ１の準一回換気量に関するデータの分布状態は、発生確率が目標とする誤報頻度以下となるような分布の所定範囲の分布状態に含まれることになる。

したがって、第１の状態判別部２４は、観察期間Ｔ１内の準一回換気量の最大値が当該閾値を下まわった場合に、判定対象時点の観察期間Ｔ１の準一回換気量に関するデータの分布状態の発生確率が予め設定した目標とする誤報頻度よりもさらに発生しにくい特異な確率となる分布範囲であることから、人物２が異常の状態であると判別することができる。

なお、第１の状態判別部２４は、上述した（１）式から算出される確率Ｐ_ｔから判定閾値を求め、異常判定を行う際に、自発呼吸の能力が低く呼吸低下が大きい患者に対して、早期発見を重視して観察期間Ｔ１、基準データ取得期間Ｔ２を短くした場合は、確率Ｐ_ｔが小さくなって判定閾値が比較的低い値になる。逆に自発呼吸の能力が高かったり、長い周期的な呼吸低下を伴う睡眠呼吸障害の症状等を持つ患者の場合に、観察期間Ｔ１、基準データ取得期間Ｔ２を長く取ると確率Ｐ_ｔが１ に近づき、したがって、判定閾値は観察期間Ｔ１における準一回換気量のピーク値に近づくので、わずかな準一回換気量の低下でも、それが続く場合には異常として検出できることになる。

例えば、上述したように、呼吸数ｎ_ｖ／分＝２０ 回／分、目標とする誤報頻度を３０日（ｔ_ｅ秒＝２５９２０００秒）に１回、すなわち、１／２５９２０００で、観察期間Ｔ１、基準データ取得期間Ｔ２の長さをｔ_０秒＝３０秒とすると、確率Ｐ_ｔ≒０．４８８となる。一方、観察期間Ｔ１、基準データ取得期間Ｔ２の長さをｔ_０秒＝２４０秒とすると、Ｐ_ｔ≒０．９１４ となる。これは、観察期間Ｔ１、基準データ取得期間Ｔ２の長さをｔ_０秒＝３０秒でも、呼吸の大きさの分布が平均値の上下で対照な通常考えられる分布をしていれば、閾値はそれまでの平均値にほぼ近く、その閾値以下の呼吸が３０秒間続いたときに異常と判定されることを示す。また、観察期間Ｔ１、基準データ取得期間Ｔ２の長さをｔ_０秒＝２４０秒としたときは、閾値はそれまでのピークに近づき、呼吸の低下がわずかでもそれが２４０秒続けば、異常として検出できることになる。これにより、観察期間Ｔ１、基準データ取得期間Ｔ２の長さをｔ_０に応じて最も高い閾値により判定を行うことが可能となる。また、睡眠呼吸障害の症状等の周期的な呼吸低下や呼吸停止を起こす患者の場合、観察期間Ｔ１をこの周期より長く設定することにより、誤報を回避することが可能である。

図５は、本発明の実施の形態に係る呼吸モニタ１に用いる測定データと準一回換気量の最大値の推移についての第１の具体例を示した図であり、（ａ）は測定データの推移、（ｂ）、（ｃ）は準一回換気量の最大値の推移を示している。図５（ａ）中、上段が測定データとしての呼吸データ（Ｒｅｓｐｉｒａｔｏｒｙ ｍｏｖｅｍｅｎｔ、図２（ａ）参照）、下段が測定データとしての体動データ（Ｂｏｄｙ ｍｏｖｅｍｅｎｔ、図２（ｃ）参照）である。また、図５（ｂ）、（ｃ）は、図５（ａ）の測定データに対応した準一回換気量（Ｑｕａｓｉ ｔｉｄａｌ ｖｏｌｕｍｅ）の推移を示しており、本図中、濃い実線は観察期間Ｔ１内の準一回換気量の最大値（評価値；Ｅｖａｌｕａｔｉｏｎ ｖａｌｕｅ）の推移、薄い実線は判定閾値（Ｔｈｒｅｓｈｏｌｄ）の推移を示している。また、（ｂ）と（ｃ）との相違点は後述するように、観察期間Ｔ１、基準データ取得期間Ｔ２の長さｔ_０が異なる点にある。

図５（ｂ）、（ｃ）に示す観察期間Ｔ１内の準一回換気量の最大値と判定閾値は、それぞれ観察期間Ｔ１、基準データ取得期間Ｔ２の終了時点でプロットしたものなので、第１の状態判別部２４は、判定対象時点での当該最大値が判定閾値以下となったか否かを観察期間Ｔ１の長さ分だけ過去の時点の判定閾値と比較して判定することになる。

図５に示す第１の具体例は、（ａ）に示す呼吸データから明らかなように、睡眠呼吸障害等により周期的な無呼吸を伴う患者の呼吸の例である。（ｂ）では、観察期間Ｔ１、基準データ取得期間Ｔ２の長さｔ_０＝６０秒に設定している。この場合、図中矢印で示す判定対象時点での観察期間Ｔ１内の準一回換気量の最大値は判定閾値を下まわっている。したがって、第１の状態判別部２４は、当該時点では人物２が異常な状態であると判別する。一方、（ｃ）では、観察期間Ｔ１、基準データ取得期間Ｔ２の長さｔ_０＝９０秒に設定している。この場合、図中矢印で示す判定対象時点での観察期間Ｔ１内の準一回換気量の最大値は閾値を上回っている。したがって、第１の状態判別部２４は、当該時点では人物２が異常な状態であるとは判別しない。すなわち、誤った判断にはならない。

ここで、例えば、人工呼吸器が外れて患者に十分な空気が送られなくなったときには、自発呼吸のある患者は、自発呼吸を開始するが、概ねその自発呼吸は弱いため、呼吸数が上がる傾向がある。すなわち、判定対象時点の呼吸の周期が短くなる傾向にある。そこで、第１の状態判別部２４は、上述したように、観察期間Ｔ内の準一回換気量の最大値が判定閾値を下まわり、加えて、判定対象時点の呼吸の動きの周期、例えば、呼吸インターバルが変動した場合に、人物２が異常であると判別するように構成してもよい。

判定対象時点の呼吸の周期（呼吸インターバル）は、判定対象時点直前の第６の所定期間の呼吸データ（図２（ａ）参照）から算出すればよい。なお、呼吸の周期として呼吸インターバルの代わりに、呼吸インターバルの逆数、すなわち、呼吸数（呼吸レート）が変動した場合に、人物２が異常であると判別するように構成してもよい。また、以下、特に断りのない限り、呼吸の周期を算出するための期間である第６の所定期間を呼吸周期算出期間Ｔ６という。

呼吸周期算出期間Ｔ６は、典型的には、少なくとも通常の呼吸一周期分を含む期間とすればよく、例えば、５〜ｔ_０秒程度とするとよい。ここでは、呼吸周期算出期間Ｔ６は、６０秒程度とする。ちなみに、大人の場合の通常の呼吸の範囲は、呼吸の周期（呼吸インターバル）であれば２．４秒〜６秒程度、呼吸数（呼吸レート）であれば１分間に１０〜２５回程度である。

第１の状態判別部２４は、判定対象時点の呼吸の周期（呼吸インターバル）が、１つ前の判定対象時点の呼吸の周期（呼吸インターバル）に対して、例えば、±３０％程度以上、典型的には、±２０％程度以上ずれた場合に、呼吸の周期が変動したと判断するように構成する。なお、特に呼吸インターバルが短くなる場合（呼吸数が増加する場合）のみを異常の判断の条件としてもよい。また、判定対象時点の周期は、観察期間Ｔ１内の各判定対象時点毎に得られる呼吸の周期の平均値を用いてもよい。

この場合、第１の状態判別部２４は、観察期間Ｔ内の準一回換気量の最大値が判定閾値を下まわったと判定し、さらに、判定対象時点の呼吸の周期（呼吸インターバル）が変動した場合に、人物２が異常であると判別するように構成することで、当該周期の変動がない場合には、人工呼吸が正常に行われている証拠になるので、仮に準一回換気量だけが変動しても、人工呼吸の異常は起こっていないと判別することができる。これにより、観察期間Ｔ内の準一回換気量の最大値が判定閾値を下まわったか否かだけでは、呼吸の異常を判別しにくいような場合、例えば、正常な人工呼吸をしているにもかかわらず呼吸の大きさが下がってしまうことがあるような場合に、誤った判別を防止することができる。また、睡眠呼吸障害等による周期的な呼吸低下や呼吸停止は、多くの場合低下時に呼吸数の増加を伴わないので、長い周期の呼吸低下を伴う患者を監視する場合に、観察期間Ｔ１をこの周期より短く設定したとしても自発呼吸、すなわち呼吸の低下の判定が可能であり、より迅速な異常の判別が可能である。

なお、本実施の形態では、第１の状態判別部２４は、観察期間Ｔ１、基準データ取得期間Ｔ２を、後述する体動検出部２８により検出された体動を示すデータ（図２（ａ）、（ｂ）参照）の存在する期間である体動期間を除いた期間とするように構成される。

図６は、本発明の実施の形態に係る呼吸モニタ１で観察期間Ｔ１に体動期間が重なった場合について説明する図である。図６（ａ）に示すように、後述する体動検出部２８により検出された体動期間と、観察期間Ｔ１とが重なる場合には、体動期間の測定データを除いた残りの測定データに、前記除いた期間に相当する期間の測定データを加えて、観察期間Ｔ１の測定データとする。具体的には、例えば観察期間Ｔ１に体動期間が重なる場合には、観察期間Ｔ１（１分）のさらに過去側の測定データから、前記除いた期間に相当する期間の測定データを加えるようにするとよい（図６（ｂ）参照）。なお、人物２の監視がリアルタイムではない場合や、測定データの取得と第１の状態判別部２４による状態の解析との間にタイムラグがある場合等で同様に観察期間Ｔ１に体動期間が重なる際に、観察期間Ｔ１（１分）の判定対象時点に続く未来側の測定データから、前記除いた期間に相当する期間の測定データを加えるようにしてもよい（図６（ｃ））。即ち、体動期間を含まない連続した１分間（観察期間Ｔ１）の測定データを確保できるようにする。基準データ取得期間Ｔ２と体動期間とが重なった場合も同様である。

第１の状態判別部２４は、観察期間Ｔ１、基準データ取得期間Ｔ２から体動期間を除くことで、呼吸以外の体動が起こっているときのデータを排除することができ、体動の影響を受けずに呼吸の異常の判定を行うことができ、誤った判別を防止することができる。なお、第１の状態判別部２４は、一度体動が検出されたら、それが収まるまで、体動が検出されなくなってから一定期間（例えば３〜５秒間）、呼吸の状態の判別を行わないように構成しても良い。また、５秒以上の長い体動が起こったときには、呼吸データの感度が変化した可能性があるものとして、それまでの呼吸データをリセットし、あらためて観察期間Ｔ１でのデータ蓄積を開始するものとしてもよい。

また、上述では、図５（ｂ）、（ｃ）に示す観察期間Ｔ１内の準一回換気量の最大値と判定閾値は、それぞれ観察期間Ｔ１、基準データ取得期間Ｔ２の終了時点でプロットしたものなので、第１の状態判別部２４は、判定対象時点での当該最大値が判定閾値以下となったか否かを観察期間Ｔ１の長さ分だけ過去の時点の判定閾値と比較して判定することになると説明したが、体動期間が存在した場合には、判定対象時点での当該最大値と観察期間Ｔ１＋体動期間の長さ分だけ過去の時点の判定閾値とを比較して判定することになる。なお、図５（ｂ）、（ｃ）では、体動期間（Ｉｎｖａｌｉｄ ｐｅｒｉｏｄ ｂｙ ｂｏｄｙ ｍｏｖｅｍｅｎｔ）を破線で図示している。

以上のように、第１の状態判別部２４は、基準データ取得期間Ｔ２の準一回換気量に関するデータの確率分布と、観察期間Ｔ１の準一回換気量に応じて、判定対象時点における人物２の状態が異常か否かを判別することで、本発明は、人物２にできる限り負担をかけずに、安全に呼吸の状態を判別することができる。すなわち、人物２の危険な状態でのデータを取ること無しに、少ない誤報で異常判定を行うことができる。また、基準データ取得期間Ｔ２の準一回換気量に関するデータの確率分布と目標とする誤報頻度に応じて判定閾値を設定することで、人物２固有の睡眠呼吸障害の症状等の状況に応じて可能な限り高い閾値を設定することができるので、誤報を防止しつつ、検出漏れを防ぐことができる。また、以上のように準一回換気量の最大値に基づいて判別を行うことは、特に、神経筋疾患患者等は人工呼吸がはずれた場合には大きな呼吸ができなくなり、準一回換気量の最大値も大きくならないことから好適である。

なお、以上の説明では、第１の状態判別部２４は、観察期間Ｔ１内での準一回換気量の最大値のとる確率に基づいて状態の判別をするものとして説明したが、例えば、平均値や観察期間Ｔ１のデータの合計、例えば全度数の和が一定以下になる確率や、観察期間Ｔ１の各データの発生確率の積など、基準データ取得期間Ｔ２のデータの確率分布から推定される様々な観察期間Ｔ１のデータ分布の確率等を用いることができる。

ところで、以上の説明では、判定閾値を算出することで、基準データ取得期間Ｔ２の準一回換気量に関するデータの確率分布に基づいて、観察期間Ｔ１の準一回換気量に関して、その分布から求められる所定範囲の分布状態の発生確率が目標とする誤報頻度以下となる所定範囲を推定し、実際の観察期間Ｔ１内での準一回換気量の最大値と判定閾値とを比較することで、実際の観察期間Ｔ１の準一回換気量に関するデータの分布状態が推定された所定範囲に含まれるか否かの判断を行い人物２の異常を判別したが、判定閾値を求めることなく判別を行ってもよい。

すなわち、第１の状態判別部２４は、基準データ取得期間Ｔ２の準一回換気量に関するデータの確率分布に基づいて、実際の観察期間Ｔ１の準一回換気量に関するデータの分布から求められる所定範囲の分布状態が発生する第１の確率を推定し、当該第１の確率に基づいて人物２の異常を判別してもよい。

ここで、実際の観察期間Ｔ１の準一回換気量に関するデータの分布から求められる所定範囲とは、例えば、上述したような実際の観察期間Ｔ１内での準一回換気量の最大値によって規定されるデータの分布状態の範囲である。

例えば、基準データ取得期間Ｔ２の準一回換気量に関するデータの確率分布として図４（ｂ）の累積相対度数分布図を用いた場合、実際の観察期間Ｔ１内での準一回換気量の最大値のクラスが「５」であれば、当該最大値以下となる準一回換気量の発生確率は、０．６×１００＝６０％程度となる。観察期間Ｔ１内での全ての準一回換気量が当該最大値以下であれば、観察期間Ｔ１の準一回換気量に関するデータの分布状態は、最大値が「５」以下であるという所定の範囲の分布状態に含まれるデータの分布状態となる。そして、当該所定範囲の分布状態が発生する確率、すなわち、第１の確率は当該最大値以下となる準一回換気量が観察期間Ｔ１内の全度数分独立に起こるものとして求めることができことから、当該最大値以下となる準一回換気量の発生確率＝０．６を全度数分だけ掛け合わせることで算出することができる。例えば、観察期間Ｔ１内の全度数が３０回である場合、クラス（階級）＝「５」に対応する発生確率である０．６を３０乗した０．００００００２２１程度が第１の確率となる。このようにして、第１の状態判別部２４は、基準データ取得期間Ｔ２の準一回換気量に関するデータの確率分布に基づいて第１の確率を推定することができる。

すなわち、第１の確率は、観察期間Ｔ１で基準データ取得期間Ｔ２の準一回換気量に関するデータの分布が継続したと仮定した場合に、当該基準データ取得期間Ｔ２のデータの確率分布から推定される確率であって、観察期間Ｔ１内での実際の準一回換気量に関するデータの分布状態が、観察期間Ｔ１内での実際の準一回換気量に関するデータの分布から求められる所定範囲の分布状態に含まれる確率である。

第１の状態判別部２４は、算出した第１の確率と目標とする誤報頻度とを比較し、第１の確率が目標とする誤報頻度を下まわった場合に、第１の確率が目標とする誤報頻度よりもさらに発生しにくい特異な確率であることから、人物２が異常であると判別することができる。

なお、ここでは、第１の確率を、基準データ取得期間Ｔ２の準一回換気量に関するデータの確率分布に基づいて推定される確率であって、観察期間Ｔ１内での実際の準一回換気量に関するデータの分布状態が、実際の観察期間Ｔ１内での準一回換気量の最大値から求められるデータの分布状態の所定範囲に含まれる確率として説明したが、例えば、平均値、最小値、中央値（Ｍｅｄｉａｎ）、最頻値（Ｍｏｄｅ）から求められるデータの確率分布の範囲に含まれる確率分布が発生する確率としてもよい。

なお、前述では基準データ取得期間Ｔ２（例えば、３０秒）の準一回換気量に関するデータの確率分布に基づいて、観察期間Ｔ１（例えば、３０秒）の準一回換気量に関して、その分布から求められる所定範囲の分布状態の発生確率が目標とする誤報頻度（例えば、１／２５９２００）以下となるような所定範囲（例えば、クラス＝「５」以下の範囲）を推定するのに対して、ここでは、観察期間Ｔ１で実際の観察期間Ｔ１内での準一回換気量のデータの最大値から求められる所定範囲の分布状態が発生する第１の確率を推定する。しかしながら、実質的には実際の観察期間Ｔ１内での準一回換気量の最大値が一定の値以下であるか否かに応じて人物２の異常を判別していることになり、結局は、観察期間Ｔ１の準一回換気量に関して、その分布から求められる所定範囲の分布状態の発生確率が目標とする誤報頻度以下となるような所定範囲を推定して、実際の観察期間Ｔ１の準一回換気量に関するデータの分布状態が、推定された分布状態の所定範囲に含まれるか否かの判断を行っているのに等しい。

同様に、第１の状態判別部２４は、目標とする誤報頻度を（１）式に代入して所定範囲のデータの分布状態の発生確率が目標とする誤報頻度以下となる場合での一回分の準一回換気量の範囲の発生確率を算出し、基準データ取得期間Ｔ２の準一回換気量に関するデータの確率分布に基づいて、観察期間Ｔ１内の準一回換気量最大値が実際に測定された観察期間Ｔ１内での準一回換気量の最大値以下となる確率を算出し、当該発生確率同士を比較して人物２の異常を判別してもよい。しかしながら、この場合も、結局は実際の観察期間Ｔ１内での準一回換気量の最大値が一定の値以下であるか否かに応じて人物２の異常を判別していることになる。

再び、図１を参照する。第２の状態判別部２５は、上述したように、第３の所定期間の測定データに基づく値の基準値との比較結果に応じて、判定対象時点における人物２の状態が異常か否かを判別するように構成される。さらに、本実施の形態では、第２の状態判別部２５は、上述したように、スペクトル比較部２７の比較結果に基づいて、人物２の異常を判別するように構成される。

スペクトル算出部２６は、上述したように、呼吸の動きのある人物２の状態を示す測定データ、ここでは呼吸データ（図２（ａ））に基づいて、第３の所定期間のスペクトルを算出する。ここで、スペクトルは、振幅スペクトルでもよいし、パワースペクトルでもよい。本実施の形態では、スペクトルは、スペクトルの実部と虚部の二乗和に相当するパワースペクトルを用いる。パワースペクトルは、振幅スペクトルよりも周波数分布が強調されるので、スペクトルの低周波成分と高周波成分とを比較して、人物２の異常を判別する際には好適である。

具体的には、スペクトル算出部２６は、判定対象時点直前の第３の所定期間の呼吸データ（図２（ａ））を離散フーリエ変換すること、典型的にはＦＦＴ（Ｆａｓｔ Ｆｏｕｒｉｅｒ Ｔｒａｎｓｆｏｒｍ、高速フーリエ変換）によって判定対象時点のパワースペクトルを算出する。

また、第３の所定期間は、ＦＦＴを実行するための呼吸データ（図２（ａ））を蓄積するための時間であり、例えば、判定対象時点より以前の少なくとも１周期分を含む期間、例えば５〜６０秒、好ましくは５秒〜３２秒、ここでは判定対象時点直前の８秒である。なお、以下、特に断りのない限り、呼吸データ（図２（ａ））を蓄積するための時間である第３の所定期間をデータ蓄積時間Ｔ３という。

図７は、本実施の形態に係る呼吸モニタ１のスペクトル算出部２６によって算出されるパワースペクトルの一例を示した図である。実際に正常な呼吸運動がある場合には、正常な呼吸数に近い範囲の周波数のパワースペクトルが大きくなり、正常な呼吸運動がなくなると、当該パワースペクトルが小さくなる。一方、呼吸運動にはない範囲、すなわち、ノイズ範囲の周波数のパワースペクトルは、正常な呼吸運動の有無にかかわらずその変化は小さい。ここで、正常な呼吸数に近い範囲の周波数とは、例えば、１０〜５０回／分の周波数成分であり、それ以外のノイズ成分の範囲の周波数は、典型的には、正常な呼吸数に近い周波数成分よりも高い範囲の周波数成分となる。したがって、パワースペクトルの低周波成分と高周波成分とを比較することによって対象物２の異常、すなわち、ここでは、人物２の正常な呼吸の有無、あるいは停止に近いレベルまでの低下を判別することができる。

ここで、典型的には、低周波成分の範囲は６０回／分以下、高周波成分の範囲は６０回／分以上であり、本実施の形態では、低周波成分の範囲は上述のように１０〜５０回／分、高周波成分の範囲は８０〜１２０回／分とする。なお、低周波成分の範囲と高周波成分の範囲とは、一部が重複するようにしてもよく、例えば、低周波成分の範囲を１０〜７０回／分、高周波成分の範囲を６０〜１２０回／分としてもよい。

スペクトル比較部２７は、具体的には、低周波成分のパワースペクトルの総和（以下、特に断りのない限り「信号成分」という）と、高周波成分のパワースペクトルの総和（以下、特に断りのない限り「ノイズ成分」という）を算出する。各成分のパワースペクトルの総和は、各成分のパワースペクトルをそれぞれ単純に足し合わせてもよいし、各成分のパワースペクトルを周波数について積分して算出してもよい。スペクトル比較部２７は、算出した信号成分とノイズ成分を比較する。スペクトル比較部２７は、当該比較結果の信号をディスプレイ４０に送信し、当該比較結果をディスプレイ４０に表示する。

図８は、本実施の形態に係る呼吸モニタ１の実際の測定により取得した呼吸データ、スペクトル比較部２７によって比較される信号成分、ノイズ成分のデータの波形パターンの一定時間分（６分程度）の例を示したものである。

第２の状態判別部２５は、スペクトル比較部２７により比較される信号成分と、ノイズ成分との比較結果に基づいて、信号成分がノイズ成分を第４の所定期間連続的に下まわった場合に、人物２が異常である、ここでは、人物２の呼吸が停止したと判別するように構成される。

すなわち、ここでは、データ蓄積時間Ｔ３の呼吸データ（図２（ａ））をＦＦＴすることによって得られる低周波成分のパワースペクトルの総和、すなわち、信号成分がデータ蓄積時間Ｔ３の測定データに基づく値であり、高周波成分のパワースペクトルの総和、すなわち、ノイズ成分が比較のための基準値である。すなわち、第２の状態判別部２５は、信号成分がノイズ成分を下まわるか否かに基づいて、判定対象時点における人物２の状態が異常か否かを判別する。また、言い換えれば、第２の状態判別部２５は、判定対象時点の周期的な動きの大きさに関するデータとしての信号成分が、該データが最小閾値としてのノイズ成分を下まわるか否かに基づいて判定対象時点における人物２の状態が異常か否かを判別する。

ここで、第４の所定期間は、呼吸の停止を評価するのに十分な期間であり、典型的には、少なくとも判定対象時点より以前の１周期分を含む期間、例えば５〜３２秒、好ましくは５秒〜１６秒、ここでは８秒である。以下、特に断りのない限り、人物２の異常を評価・判別するための期間である第４の所定期間を判別評価期間Ｔ４という。なお、ここで、判別評価期間Ｔ４連続的に下まわるとは、必ずしも一度もその条件から外れてはいけないという意味ではなく、実質的に連続していればよく、瞬間的に外れても判別に影響がなければよい。以下の説明でも、特に断りのない限り同様である。

以上のように、第２の状態判別部２５は、例えば、１つの固定された閾値を用いずに、信号成分とノイズ成分との相対的な比較結果に基づいて呼吸の停止を判別することで、人物２の姿勢や上掛けの状況、外乱光の状況等、環境条件により、後述するＦＧセンサ１０により取得される測定データの検出感度やノイズレベルが変化する場合でも、当該変化に適切に対応した、より正確な判別を下すことができる。また、信号成分とノイズ成分との相対的な比較結果によって第２の状態判別部２５による判別を行うので、例えば、人工呼吸回路が人物２の体位変換時に外れた場合や、介護時に外して付け忘れた場合、寝返り等の体動により人物２の体勢が変わった場合等に、改めてある程度の時間をかけて閾値を設定し直す必要がなく、人物２の呼吸停止を迅速に検出することができる。

さらに、本実施の形態に係る呼吸モニタ１は、第１の状態判別部２４と第２の状態判別部２５とを組み合わせることで、第１の状態判別部２４又は第２の状態判別部２５のいずれか一方が人物２の呼吸の異常を判別した場合に呼吸の異常を検出することができるので、包括的かつ漏れのない判別をすることができる。なお、呼吸モニタ１は、第１の状態判別部２４と第２の状態判別部２５の両方が人物２の呼吸の異常を判別した場合に、はじめて呼吸の異常を検出するように構成してもよい。この場合は、誤報をより少なくすることができる。

なお、以上の説明では、第２の状態判別部２５は、信号成分がノイズ成分を判別評価期間Ｔ４だけ連続的に下まわった場合に、人物２の呼吸が異常であると判別したが、信号成分とノイズ成分の大きさを単純に比較する方法以外にも、差や比を用いる等、種々の比較の方法が選択可能である。信号成分とノイズ成分との相対的な関係は、パワースペクトルの低周波数成分の範囲と高周波数成分の範囲の選び方などによって異なることがある。そこで、例えば、当該各範囲の選び方等に応じて、比較の際に、一方あるいは両方の信号にバイアスを加えたり係数をかけたりすることで、信号成分がノイズ成分を下まわる前に人物２の呼吸の異常を判別する構成にすることができる。

なお、以上の説明では、呼吸データから離散フーリエ変換によりパワースペクトルを算出するためのデータ蓄積時間Ｔ３は、８秒程度であるものとして説明した。図７で示したように、８秒間の呼吸データのサンプリングによりパワースペクトルを求めた場合、パワースペクトルは、７．５回／分程度の呼吸数分解能で得ることができる。より精密な呼吸数を知りたい場合は、データのサンプリング時間を長くとる必要があり、このような短いサンプリング時間では細かい精密な呼吸数は分からないが、ここでは大まかな高周波成分と低周波成分の量が分かれば良いので、短時間のサンプリングで得られるデータで十分に呼吸の異常の判別が可能である。従って結果として、より迅速に呼吸の異常の判別をすることができることになる。以上で説明した実施の形態では、データ蓄積時間Ｔ３として８秒程度、判別評価期間Ｔ４として８秒程度、合計の１６秒程度で呼吸の停止の判別が可能である。

なお、第２の状態判別部２５は、低周波成分のスペクトルの総和の第５の所定期間の平均が前記高周波成分のスペクトルの総和の第５の所定期間の平均を下まわった場合に、対人物２が異常であると判別するように構成してもよい。第５の所定期間は、過去の判定対象時点が複数含まれていればよく、例えば判別評価期間Ｔ４と同様に５〜３０秒、好ましくは５秒〜１５秒、典型的には８秒である。さらに好ましくは、呼吸モニタ１による人物２のリアルタイムな監視に差し支えのない時間であるとよい。以下、特に断りのない限り、スペクトルの総和の平均値を取るための期間である第５の所定期間をスペクトル平均化期間Ｔ５という。

すなわち、この場合、スペクトル比較部２７は、判定対象時点の信号成分、ノイズ成分を算出し、さらに、判定対象時点直前のスペクトル平均化期間Ｔ５内の信号成分、ノイズ成分を用いて、各々の平均値を算出する。判定対象時点直前のスペクトル平均化期間Ｔ５内の信号成分、ノイズ成分は、過去の判定対象時点で算出した信号成分、ノイズ成分である。スペクトル比較部２７は、当該算出した信号成分の平均値とノイズ成分の平均値を比較する。

このようにすることで、第２の状態判別部２５は、スペクトル平均化期間Ｔ５の長さにもよるが、上述した判別評価期間Ｔ４を短くしたり、極端な場合には判別評価期間Ｔ４を０秒とし、信号成分の平均値がノイズ成分の平均値を下まわった時点で、判別評価期間Ｔ４の経過を待たずに、人物２が異常であると判別するように構成することができる。

また、図８の図中破線で囲んだ部分には、上述した体動を示すデータ（図２参照）が現れている。例えば、体位変換や介護等により体動があった場合には、図中破線で囲んだ部分に示すように、ノイズ成分が大きくなることがある。この際、ノイズ成分が信号成分を上回ることもあり得るので、誤って呼吸の停止があったと判別してしまう場合がある。そこで、第２の状態判別部２５は、判定対象時点の動きが後述する体動検出部２８（図１参照）によって体動であると判定された場合、すなわち、判定対象時点が後述する体動期間である場合は、呼吸停止の判別を行わないようにしてもよい。これにより、誤った判別を防止することができる。またその際、一度体動が検出されたら、それが収まるまで、体動が検出されなくなってから一定期間（例えば３〜５秒間）、呼吸停止の判別を行わないようにしてもよい。また、データ蓄積時間Ｔ３、判別評価期間Ｔ４、スペクトル平均化期間Ｔ５等を、観察期間Ｔ１、基準データ取得期間Ｔ２と同様に、体動期間を除いた期間とするようにしてもよい。

また、ここでも第１の状態判別部２４による判別の場合と同様に、人物２が睡眠時無呼吸など、人工呼吸に起因しない呼吸異常を持っている患者である場合には、その呼吸異常によって、人物２の呼吸停止を誤って判別しないように、判別評価期間Ｔ４をその患者の最も長い無呼吸時間より長くするとよい。すなわち、判別評価期間Ｔ４は、入力装置３５（図１参照）を操作して、対象物２の特性等に応じて任意に調節すればよい。また、信号成分がノイズ成分を下まわっている期間が判別評価期間Ｔ４連続しても、連続した期間が最も長い無呼吸時間より短い場合には、第２の状態判別部２５による判別を行わないようにしてもよい。これにより、同様に、第２の状態判別部２５による判別の誤りを防止することができる。なお、この場合、上述したスペクトル平均化期間Ｔ５も同様に最も長い無呼吸時間より少し長くするとよい。

なお、以上の説明では、第２の状態判別部２５は、データ蓄積時間Ｔ３の測定データに基づく値としてパワースペクトルの信号成分を用い、信号成分がノイズ成分を下まわるか否かに基づいて、すなわち、信号成分のノイズ成分との比較結果に応じて判定対象時点における人物２の状態が異常か否かを判別するものとして説明したが、データ蓄積時間Ｔ３の測定データに基づく値の基準値との比較結果に応じて、判定対象時点における前記対象物の状態が異常か否かを判別する構成であれば別の形態でもよい。例えば、最も単純には、第２の状態判別部２５は、測定データに基づく値としての準一回換気量を用い、当該準一回換気量に対して固定的な最小閾値を設けて基準値とし、判定対象時点の準一回換気量が当該閾値を下まわるか否かに基づいて、人物２の状態が異常か否かを判別するように構成してもよい。言い換えれば、準一回換気量の最小値に応じて判定対象時点における人物２の状態が異常か否かを判別するように構成してもよい。また、測定データに基づく値として信号成分とノイズ成分との差を用い、当該差に対して最小閾値を設けて基準値として、信号成分とノイズ成分との差が当該閾値を下まわるか否かに基づいて、人物２の状態が異常か否かを判別するように構成してもよい。

再び図１を参照する。体動検出部２８は、上述したように周期的な動きのある対象物、すなわち呼吸運動のある人物２の状態を示す測定データに基づいて、呼吸運動とともに起こる非周期的な動き、すなわち体動を判定して検出し、さらに、当該測定データ中から対象物の体動を示すデータの存在する期間である体動期間を検出するように構成される。

本実施の形態では、体動検出部２８は、判定対象時点直前の第７の所定期間内の測定データ、ここでは、体動データ（図２（ｃ）参照）の分布状況に基づいて体動基準値を算出するように構成する。以下、特に断りのない限り、体動基準値を算出するための期間である第７の所定期間を体動基準値算出期間Ｔ７という。体動基準値算出期間Ｔ７は、体動基準値を算出するための期間であり、例えば、判定対象時点直前の１〜２分程度とするとよい。

ここで体動データの分布状況は、例えば、体動基準値算出期間Ｔ７の体動データ（測定値）の平均値＋標準偏差×ａにより算出し、これを体動基準値とする。ここでａは定数である。このａを例えば３とすればデータがガウス分布をしている場合、体動データ（測定値）の９９．８５％は、この式により算出した値の範囲に入るので、そこから外れたものは、通常の分布ではなく、体動であると判定できる。すなわち、体動検出部２８は、判定対象時点の体動データ（測定値）が上記のようにして算出する体動基準値を超えた場合に、判定対象時点での動きが体動であると判定する。

体動検出部２８は、判定対象時点の人物２の動きが体動であると判定した場合、さらに、当該測定データ中から人物２の体動を示すデータの存在する期間である体動期間を検出するように構成される。体動期間は、実際に体動があると判定された期間でよいが、上述したように、体動が検出された期間の前後数秒は、測定データ（例えば呼吸データ）が多少不安定となることが予め予測できるので、実際に体動があると判定された期間に、当該期間の前後数秒を加えた期間を、体動期間とすることが好適である。なお、体動検出部２８が上述のように、判定対象時点の動きが体動であるか否かを検出することは、言い換えれば、判定対象時点が体動期間であるか否かを判定することでもある。

なお、リアルタイムに推移していく判定対象時点のデータから順次この作業を行っていけば、過去の判定対象時点が体動であるかが次の判定対象時点で判っているので、体動である時点、すなわち体動を示す期間は、体動基準値算出期間Ｔ７から除外することが好ましい。すなわち、体動を示す測定データは以降の体動基準値の計算に入れないようにすることが好ましい。このようにすることでより正確に体動を検出することができるようになる。また、体動検出部２８は、体動データ（測定値）が上記のようにして算出する体動基準値を、例えば１〜５秒程度連続的に超えた場合に、体動であると判定するように構成してもよい。

またここで、本実施の形態の呼吸モニタ１はリアルタイムに人物２を監視するものであるため、判定対象時点に用いる体動基準値は、判定対象時点にすでに算定されていることが好ましい。本実施の形態では、判定対象時点に実際に用いる体動基準値には、１つ前の時点（１時点過去に遡った判定対象時点）までの体動基準値算出期間Ｔ７内のデータを用いて算出した体動基準値を用いる。すなわち、言い換えれば、判定対象時点に用いる体動基準値と、判定対象時点までの体動基準値算出期間Ｔ７内のデータを用いて算出した体動基準値とは異なるものである。

なお、体動検出部２８は、第８の所定期間内の測定データ（例えば体動データ）に基づいて、判定対象時点の人物２の体動を判定するための体動判定値を算出し、算出した体動判定値と、体動の判定の基準となる体動基準値とを比較し、その比較結果に基づいて人物２の体動を判定するように構成してもよい。以下、特に断りのない限り、体動判定値を算出するための期間である第８の所定期間を体動判定値算出期間Ｔ８という。

この場合、体動判定値算出期間Ｔ８は、人物２の動きが周期的か非周期的かを判定することのできるに十分なある幅をもった時間帯内であり、例えば、体動判定値の算出に後述のように情報エントロピーやＣＶ値を使うような場合には、５〜１０秒程度とするとよい。さらに、体動判定値算出期間Ｔ８は、本実施の形態に係る呼吸モニタ１が人物２の状態推移をリアルタイムに監視する装置であるから、典型的には、判定対象時点直前期間とするとよい。体動判定値は、測定データ（例えば体動データ）から求める各時点での２次パラメータである。

さらにこの場合、体動判定値は体動判定値算出期間Ｔ８内の測定データ（例えば体動データ）のバラツキに関する量とするとよい。バラツキに関する量とは、例えば情報エントロピーや変動係数（ＣＶ値）である。まずＣＶ値とは、「ＣＶ値＝標準偏差／平均値」で算出できるものであり、変動の大きさをバイアスレベルで正規化する意味を持つ。従って、測定データのバイアスレベルの変動や、計算期間と比較してゆっくりした変化に対しては大きく反応せず、バイアスの状態に比較して大きい急な変動に反応することになる。

また情報エントロピーとは、物理学で用いられるエントロピーを事象の不確かさとして考え、ある情報による不確かさの減少分が、その情報の情報量であるとすると、情報を受け取る前後の不確かさの相対値である。例えば、サイコロを振ったとき、結果を見る前はどの目が出たかまったく分からないので、不確かさ即ち情報エントロピーは最大である。奇数の目が出たという情報を受け取ると、情報エントロピーは減少する。１の目が出たことを知れば、結果は一意に確定し、情報エントロピーは最小となる。また情報量は確率に対して単調減少関数である。珍しい事象が起きたことを知れば、その情報量は大きいが、珍しい事象は当然めったに起こらない。それほど珍しくはないが多少変わったことが起きたということをそのたびに知れば、長い間観察した総情報量は大きくなる場合もある。このような観点から見た長い間の平均的な情報量が情報エントロピーである。具体的には情報エントロピーＨ（Ｘ）は例えば次式（２）で算出される。ここで、ｐ（ｘ）は、複数の事象の集合Ｘの中で、事象ｘが起こる確率を示す。

なお、情報エントロピーは測定データのヒストグラムから求めることができる。ヒストグラムは例えば図９に示すようなものである。図９では縦軸を度数、横軸をクラス（階級）としている。なお、クラスは例えば測定データの出力の大きさに対応するものであり、図示では測定データの分布に基づいて、等間隔に設定されている。具体的にはクラスの幅は、全測定データの平均値と標準偏差を基準として、０から平均値＋標準偏差×２までをＮ分割してもよい。ここでＮは全データ数により決定するとよい。例えば通常１０〜数十である。あるいは、暫定的に設定したクラスの幅で求めた再頻値の４倍を５０分割する等でもよい。ここで、あるクラスのｘの生起確率ｐ（ｘ）＝クラスの度数／全データ数となる。なお、図中一番右のクラス（Ｎクラス）は、Ｎクラス以上のデータがすべてカウントされているため、度数が大きくなっている。

またこの際には、図９のように縦軸を度数、横軸をクラス（階級）としたヒストグラムを求める場合、クラスの幅（横軸）をＬｏｇスケールにしたヒストグラムとするとよい。それによって、クラスの幅がクラスの中心値に比例して変化することになり、信号（例えば測定データ）の感度の変動に対して不変な情報エントロピーを求めることができる。なお、ヒストグラムのクラスの幅は、体動判定値算出期間Ｔ８内のデータ数や、予め計測しておいた一晩（７〜１０時間程度）での体動データの分布範囲、バラツキ等から求めることができる。

なお、体動判定値は、判定対象時点の周囲の周波数分布から算出してもよい。ここで、判定対象時点の周囲とは、例えば、判定対象時点を含む、又は隣接する体動判定値算出期間Ｔ８のことであり、典型的には、判定対象時点直前の体動判定値算出期間Ｔ８である。周波数分布は、例えば、ハイパスフィルタを通した出力、フーリエ変換による周波数成分の分布、ウェーブレット変換によるスケールに対する出力の分布に反映されるものである。これにより取出された測定データ（例えば体動データ）の大きさ（出力値等）の分布に基づいて体動判定値を算出するようにしてもよい。

また、上記のようにして体動判定値を算出し、比較する場合の基準となる体動基準値は、個々の測定データ（例えば体動データ）に関係なく、基準となる値を１つの値に決めても良いし、リアルタイムに推移していく判定対象時点毎の複数の体動判定値の分布や、予め計測しておいた一晩（７〜１０時間程度）分の体動判定値の分布から決めてもよい。また、体動検出部２８は、判定対象時点以前の体動基準値算出期間Ｔ７内の測定データ（例えば体動データ）に基づいて、人物２の体動の判定の基準となる体動基準値を算出し、判定対象時点の体動判定値と体動基準値とを比較して、その比較結果に基づいて人物２の体動を判定するように構成してもよい。

また、体動検出部２８による体動の判定は、例えば体動基準値算出期間Ｔ７での測定データ（例えば体動データ）の分布から体動閾値を設定して体動基準値とし、この体動閾値と判定対象時点の体動データとの比較により判定してもよい。ここで上記の体動閾値Ｔｈｍ（図９に図示）は、例えば図９のヒストグラムの最頻値の度数の一定割合（例えば６０％（即ちｅ―１／２））となる位置までの最頻値からの距離の一定倍（例えば３倍）を最頻値に加えた位置として決定できる。なお、図中ヒストグラムのピークの右側は、体動による影響を受けているので、左側でピークに対する度数の割合を評価するとよい。

なお、本発明の実施の形態に係る呼吸モニタ１は、人物２が、第１の状態判別部２４、又は第２の状態判別部２５によって異常であると判別された際に、警報を発する警報装置３６を備えるとよい。警報装置３６（図１参照）は、例えば、スピーカ等の警報音を発する手段を有し、人物２が異常であると判別された際に、当該警報音を発し、医師や看護士等に人物２の異常を知らせる。この場合、第１の状態判別部２４、第２の状態判別部２５は、人物２の呼吸が異常であると判別した際に、警報信号を警報装置３６（図１参照）に送信するように構成するとよい。警報装置３６（図１参照）は、警報信号を受信すると警報音を発するように構成される。また、この場合、第１の状態判別部２４、第２の状態判別部２５が警報信号を生成する構成でなくても、第１の状態判別部２４、第２の状態判別部２５とは別体の不図示の警報手段によって警報信号を生成する構成としてもよい。すなわち、呼吸モニタ１は、第１の状態判別部２４、第２の状態判別部２５により人物２の呼吸が異常であると判別された際に、当該異常の判別に基づいて警報信号を生成し、該警報信号を警報装置３６（図１参照）に送信する警報手段を備える構成としてもよい。また、図１では、警報装置３６は外付けとして図示してあるが内蔵としてもよい。

また、演算装置２０（図１参照）は、警報装置３６（図１参照）が作動した場合に、インターフェイス（不図示）を介して、警報の発生を外部に通報するように構成してもよい。通報は、例えば音声、文字、記号、室内照明を含む光の強弱又は、振動などによるものである。またインターフェイス（不図示）は、一般電話回線、ＩＳＤＮ回線、ＰＨＳ回線、または、携帯電話回線、ＬＡＮなどの通信回線に対して接続する機能を備えている。

図１０は、本発明の実施の形態に係る呼吸モニタ１のＦＧセンサ１０の模式的斜視図である。本図を参照して、呼吸モニタ１に適した測定装置であるＦＧセンサ１０について説明する。ＦＧセンサ１０は、対象領域としてのベッド３に所定の照明パターン１１ａ、言い換えれば複数の輝点１１ｂを投影する投影装置１１と、投影装置１１により投光された光、すなわち、複数の輝点１１ｂが投影されたベッド３を撮像する撮像装置１２と、撮像装置１２により撮像された画像に基づいて、人物２の状態を示す測定データを生成する測定部１４とを含んで構成される。なお、本実施の形態では測定部１４は演算装置２０と一体に構成されている場合で説明する。

図１１は、本発明の実施の形態に係る呼吸モニタ１のＦＧセンサ１０の概略構成を示すブロック図である。測定部１４は、撮像装置１２により異なる２時点に取得された２フレームの画像から、複数の輝点の前記２フレーム間の移動量を算出する移動量算出手段としての移動量算出部１４１と、移動量算出部１４１により算出された移動量を時系列に並べてなる移動量波形データを生成する移動量波形生成手段としての移動量波形生成部１４２とを備えている。

ここで、異なる２時点の像に基づく、輝点の移動の測定について説明する。異なる２時点の像は、任意の時点とそのわずかに前の時点とするとよい。わずかに前とは、人物２の動きを検出するのに十分な時間間隔だけ前であればよい。この場合、人物２のわずかな動きも検出したいときは短く、例えば人物２の動きが大きくなり過ぎず、実質的にはほぼ動き無しとみなせる程度の時間、例えば０．１秒程度とすればよい。あるいはテレビ周期の１〜１０周期（１／３０〜１／３）とするとよい。また、人物２の大まかな動きを検出したいときは長く、例えば１０秒程度としてもよい。但し、本実施の形態のように、人物２の呼吸も検出する場合では長くし過ぎると、正確な呼吸の検出が行えなくなるので、例えば１分などにするのは適切でない。以下、任意の時点（現在）で取得した像を取得像、取得像よりわずかに前（過去）に取得した像を参照像として説明する。なお、参照像は、記憶部（不図示）内に保存される。

さらに、本実施の形態では、異なる２時点の像は、取得像（Ｎフレーム）と、取得像の１つ前に取得した像（Ｎ−１フレーム）とする。すなわち参照像は、取得像の１つ前に取得した像である。また、像の取得間隔は、例えば装置の処理速度や、上述のように検出したい動きの内容により適宜決めるとよいが、例えば０．１〜３秒、好ましくは０．１〜０．５秒程度とするとよい。ここでは０．１〜０．２５秒とする。また、より短い時間間隔で像を取得し、平均化またはフィルタリングの処理を行うことで、例えばランダムノイズの影響を低減できるので有効である。なお、測定部１４については後で詳しく説明する。

図１０に戻って、ＦＧセンサ１０の設置例について説明する。図中ベッド３上に、人物２が睡眠状態で横たわって存在している。ここでは、人物２の上には、さらに寝具４がかけられており、人物２の一部と、ベッド３の一部とを覆っている。この場合には、ＦＧセンサ１０は、寝具４の上面の高さ方向の一定時間内の動きに関する量を測定している。また寝具４を使用しない場合には、ＦＧセンサ１０は、人物２そのものの高さ方向の一定時間内の動きに関する量を測定する。なお、人物２の高さ方向の動きは、例えば人物２の呼吸や体動に伴う動きである。

ＦＧセンサ１０を構成している投影装置１１と、撮像装置１２は、測定範囲であるベッド３の鉛直方向上方に配置されている。なお測定範囲は、人物２の胸部や腹部を含む範囲に設定されている。図示では、人物２のおよそ頭部上方に投影装置１１が、ベッド３のおよそ中央部、または中央部よりやや頭部寄り上方に撮像装置１２が配置されている。投影装置１１は、ベッド３上に照明パターンとしてのパターン１１ａを投光している。パターン１１ａは複数の輝点光である。また、撮像装置１２の画角は、人物２の上半身に相当する部分を含むベッド３のおよそ中央部分を撮像できるように設定される。撮像装置１２はほぼ垂直にベッド３を見下ろすように設置されていが、ある程度傾けて設置してもよい。なおここでは、撮像装置１２により撮像できる人物２上に投光された複数の輝点１１ｂの各位置が各測定点に対応する。

投影装置１１と撮像装置１２とは、ある程度距離を離して設置するとよい。このようにすることで、距離ｄ（基線長ｄ、図１３参照）が長くなるので、変化を敏感に検出できるようになる（検出感度がよくなる）。なお、基線長は長く取ることが好ましいが、短くてもよい。但しこの場合には、呼吸等の小さな動きを検出しにくくなるが、後述のように、輝点の重心位置を検出するようにすれば、小さな動き（呼吸）の検出も可能である。

ここで基線長ｄ（図１３参照）について説明する。ここでは、ＦＧセンサ１０は、図１３で後述するように、パターンを形成する輝点の移動を測定するものである。この際に、例えば、対象物（ここでは人物２）の高さ又は高さ方向の動きが大きくなればなるほど、輝点の移動量も大きくなる。このため、図１３で後述する概念によると、輝点の移動量が大きいと、比較すべき輝点の隣の輝点を飛び越してしまう現象が起こることがある。この場合、隣の輝点から移動したと判断され、測定される輝点の移動量は小さくなってしまうことがある。すなわち、正確に輝点の移動量を測定できない。基線長が短い場合には、輝点の移動量は小さく、上記の飛び越えが起こりにくいが、微小な動きに対してはノイズとの区別が難しくなる。また、基線長ｄ（図１３参照）が長い場合には、例えば対象物の僅かな動きであっても、輝点の移動量に大きく反映されるので、微小な高さ又は高さ方向の動きを測定することができるが、例えば大きな動きがあった場合に飛び越えが起きることがある。

図１２は、本発明の実施の形態に係る呼吸モニタ１の投影装置１１を説明する模式的斜視図である。本図を参照して、呼吸モニタ１に適した投影装置１１について説明する。なおここでは、説明のために、測定範囲を平面１０２とし、後述のレーザ光束Ｌ１を平面１０２に対して垂直に投射する場合で説明する。投影装置１１は、可干渉性の光束を発生する光束発生手段としての光束発生部１０５と、ファイバーグレーティング１２０（以下、単にグレーティング１２０という）とを備えている。光束発生部１０５により投射される可干渉性の光束は、典型的には赤外光レーザである。光束発生部１０５は、平行光束を発生するように構成されている。光束発生部１０５は、典型的には不図示のコリメータレンズを含んで構成される半導体レーザ装置であり、発生される平行光束は、レーザ光束Ｌ１である。そしてレーザ光束Ｌ１は、断面が略円形状の光束である。ここで平行光束とは、実質的に平行であればよく、平行に近い光束も含む。なお、略円形状とは略楕円形状を含む。

またここでは、グレーティング１２０は、平面１０２に平行に（Ｚ軸に直角に）配置される。グレーティング１２０に、レーザ光Ｌ１を、Ｚ軸方向に入射させる。するとレーザ光Ｌ１は、個々の光ファイバー１２１により、そのレンズ効果を持つ面内で集光したのち、発散波となって広がって行き、干渉して、投光面である平面１０２に複数の輝点アレイであるパターン１１ａが投光される。なお、グレーティング１２０を平面１０２に平行に配置するとは、例えば、グレーティング１２０を構成するＦＧ素子１２２の各光ファイバー１２１の軸線を含む平面と、平面１０２とが平行になるように配置することである。

また、グレーティング１２０は、２つのＦＧ素子１２２を含んで構成される。本実施の形態では、各ＦＧ素子１２２の平面は、互いに平行である。以下、各ＦＧ素子１２２の平面を素子平面という。また、本実施の形態では、２つのＦＧ素子１２２の光ファイバー１２１の軸線は、互いにほぼ直交している。

ＦＧ素子１２２は、例えば、直径が数１０ミクロン、長さ１０ｍｍ程度の光ファイバー１２１を数１０〜数１００本程度、平行にシート状に並べて構成したものである。また、２つのＦＧ素子１２２は、接触して配置してもよいし、それぞれの素子平面の法線方向に距離を空けて配置してもよい。この場合には、２つのＦＧ素子１２２の互いの距離は、パターン１１ａの投光に差支えない程度とする。レーザ光束Ｌ１は、典型的には、グレーティング１２２の素子平面に対して垂直に入射させる。

このように、投影装置１１は、２つのＦＧ素子１２２を含んで構成されたグレーティング１２０が光学系となるので、複雑な光学系を必要とすることなく、光学筐体を小型化できる。さらに投影装置１１は、グレーティング１２０を用いることで、単純な構成で、複数の輝点１１ｂをパターン１１ａとして対象領域に投光できる。なお、パターン１１ａは、典型的には正方格子状に配列された複数の輝点１１ｂである。また、輝点の形状は楕円形を含む略円形である。

図１３は、本発明の実施の形態に係る呼吸モニタ１の輝点の移動の概念について説明する概念的斜視図である。本図を参照して撮像装置１２について説明する。撮像装置１２は、結像光学系１２ａと撮像素子１５を有するものである。撮像素子１５は、典型的にはＣＣＤ撮像素子である。また、撮像素子１５として、ＣＣＤの他にＣＭＯＳ構造の素子が最近盛んに発表されており、それらも当然使用可能である。特にこれらの中には、素子自体にフレーム間差算や二値化の機能を備えたものがあり、これらの素子の使用は好適である。
好適である。

また、撮像装置１２は、前述の光束発生部１０５（図１２参照）により発生されるレーザ光束Ｌ１の波長の周辺部以外の波長の光を減光するフィルタ１２ｂを備えるとよい。フィルタ１２ｂは、典型的には干渉フィルタ等の光学フィルタであり、結像光学系１２ａの光軸上に配置するとよい。このようにすると、撮像装置１２は、撮像素子１５に受光する光のうち、投影装置１１より投影されたパターン１１ａの光の強度が相対的にあがるので、外乱光による影響を軽減できる。また、光束発生部１０５（図１２参照）により発生されるレーザ光束Ｌ１（図１２参照）は、典型的には赤外光レーザの光束である。また、レーザ光Ｌ１（図１２参照）は、継続的に照射してもよいし、断続的に照射してもよい。断続的に照射する場合には、撮像装置１２による撮像を、照射のタイミングに同期させて行うようにする。

ここで、輝点の移動の概念について説明する。ここでは、判りやすく、対象領域を平面１０２、対象物を物体１０３として説明する。さらにここでは、説明のために、参照像は、物体１０３が平面１０２に存在しないときのパターン１１ａの像であり、取得像は、物体１０３が平面１０２に存在しているときのパターン１１ａとして説明する。

図中物体１０３が、平面１０２上に載置されている。またＸＹ軸を平面１０２内に置くように、直交座標系ＸＹＺがとられており、物体１０３はＸＹ座標系の第１象限に置かれている。一方、図中Ｚ軸上で平面１０２の上方には、投影装置１１と、撮像装置１２とが配置されている。撮像装置１２は、投影装置１１によりパターン１１ａが投光された平面１０２を撮像する。即ち平面１０２上に載置された物体１０３を撮像する。

撮像装置１２の結像光学系としての結像レンズ１２ａは、ここでは、その光軸がＺ軸に一致するように配置されている。そして、結像レンズ１２ａは、平面１０２あるいは物体１０３上のパターン１１ａの像を、撮像装置１２の撮像素子１５の結像面１５’（イメージプレーン）に結像する。結像面１５’は、典型的にはＺ軸に直交する面である。さらに、結像面１５’内にｘｙ直交座標系をとり、Ｚ軸が、ｘｙ座標系の原点を通るようにする。平面１０２から結像レンズ１２ａと等距離で、結像レンズ１２ａからＹ軸の負の方向に距離ｄ（基線長ｄ）だけ離れたところに、投影装置１１が配置されている。物体１０３と平面１０２には、投影装置１１により複数の輝点１１ｂが形成するパターン１１ａが投光される。

投影装置１１により平面１０２に投光されたパターン１１ａは、物体１０３が存在する部分では、物体１０３に遮られ平面１０２には到達しない。ここで物体１０３が存在していれば、平面１０２上の点１０２ａに投射されるべき輝点１１ｂは、物体１０３上の点１０３ａに投射される。輝点１１ｂが点１０２ａから点１０３ａに移動したことにより、また結像レンズ１２ａと投影装置１１とが距離ｄ（基線長ｄ）だけ離れているところから、結像面１５’上では、点１０２ａ’（ｘ，ｙ）に結像すべきところが点１０３ａ’（ｘ，ｙ＋δ）に結像する。即ち、物体１０３が存在しない時点と物体１０３が存在する時点とは、輝点１１ｂの像がｙ軸方向に距離δだけ移動することになる。

これは、例えば図１４に示すように、撮像素子１５の結像面１５’に結像した輝点は、高さのある物体１０３により、δだけｙ軸方向に移動することになる。

このように、この輝点の移動量δを算出することにより、物体１０３上の点１０３ａの位置が三次元的に特定できる。即ち、例えば点１０３ａの高さがわかる。このように、ある点が、物体１０３が存在しなければ結像面１５’上に結像すべき点と、結像面１５’上の実際の結像位置との差を算出することにより、物体１０３の高さの分布、言い換えれば三次元形状が測定できる。あるいは物体１０３の三次元座標が測定できる。また、輝点１１ｂの対応関係が不明にならない程度に、パターン１１ａのピッチ、即ち輝点１１ｂのピッチを細かくすれば、物体１０３の高さの分布はそれだけ詳細に測定できることになる。

以上のような概念に基づいて、輝点の移動量を算出することで対象物の高さが測定できる。但しここでは、取得像と、取得像の１つ前に取得した像即ち参照像に基づいて、高さ方向の動きを測定するので、輝点の移動量を見ることになる。このため、例えば人物２の絶対的な高さは測定できなくなるが、人物２の高さ方向の動きを検出することが目的であるので問題は無い。

再び図１１に戻って、測定部１４について詳述する。移動量算出部１４１は、図１４で説明したように、輝点の移動量を算出するものである。移動量算出部１４１は、以上のような、輝点の移動量の算出を、パターン１１ａを形成する複数の各輝点毎に行うように構成される。即ち、複数の輝点の位置がそれぞれ測定点となる。移動量算出部１４１は、パターン１１ａを形成する複数の各輝点毎に算出した輝点の移動量を移動量波形生成部１４２へ出力する。即ち、算出した各輝点の移動量が、各測定点での測定値となる。言い換えればここでは人物２の動きを複数の点で測定した各測定値は、各輝点の移動量に対応する。

なお、任意の時点とそのわずかに前の時点の異なる２時点の像に基づく、輝点の移動の測定で得られる波形（例えば輝点の移動量の総和など）は、距離の微分波形、即ち速度変化を表す波形になる。また例えば、高さ変化を表すような波形を得たいときは、前記波形を積分すれば距離の波形、即ち高さ変化を示す波形になる。

ここで、取得像と参照像は、例えば撮像装置１２により撮像された像であるが、それぞれの像上での、輝点の位置情報も含む概念である。即ち、取得像と参照像は、各々の時点で、投影装置１１の投光により形成されたパターン１１ａの像である。なお、本実施の形態では、参照像は、例えば、いわゆる像としてではなく、各輝点の位置に関する、座標等の位置情報の形で不図示の記憶手段に保存される。このようにすると、後述する輝点の移動量を算出する際に、例えば輝点の座標や方向を比較するだけで済むので処理が単純になる。さらに、ここでは、輝点の位置は、輝点の重心位置とする。このようにすることで、僅かな輝点の移動も計測することができる。

また、輝点の移動量は、参照像上の各輝点の位置情報と、取得像上の各輝点の位置情報とを比較することで、輝点の移動量を算出できる。なお、それぞれの移動量は、例えば、輝点の位置が移動した画素数（何画素移動したか）を計数することで求められる。但し、輝点の位置を重心位置として求めれば、１画素より小さい単位で移動量を算出することが可能である。算出される輝点の移動量は、輝点の移動方向を含む概念である。即ち、計測される輝点の移動量には、移動した方向の情報も含まれる。このようにすると、後述のように、差分像を生成しないで済むので処理を単純化できる。

なお上記では、輝点の位置情報を比較する場合で説明したが、参照像と取得像との差分像を作成してもよい。この場合、この差分像から対応する輝点の位置に基づいて、輝点の移動量を算出する。このようにすると、移動した輝点のみが差分像上に残るので、処理量を減らすことができる。

また移動量波形生成部１４２は、移動量算出部１４１で算出された各輝点の移動量を時系列に並べてなる移動量波形データを生成するものである。なおここでは、移動量算出部１４１で算出された輝点の移動量は、上述のように、取得像（Ｎフレーム）と、取得像の１つ前に取得した像（Ｎ−１フレーム）との異なる時点に取得された２フレームの画像に基づいて算出されている。言い換えれば任意の時点とそのわずかに前の時点の異なる２時点の像に基づいて算出されている。このため、生成する移動量波形データは、（例えば各輝点の移動量の総和をとった場合）は、単位時間あたりの体積変動波形、あるいはおおまかな単位時間あたりの平均的高さの変動波形、即ち体積変動の推移あるいは平均的高さの変動の推移を表す波形になる。また例えば、高さの推移を表すような波形を得たいときは、前記波形を積分すれば距離の波形、即ち高さ推移を示す波形になる。

ここで、移動量の総和をとった場合は、概ね、単位時間あたりの体積変動量を示す。各輝点の移動が個々の高さ変動を示しているため総和を取ることで体積変動となる。また各輝点の移動量は、各輝点位置での単位時間あたりの輝点位置の変化（即ち輝点移動速度）であり、単位時間での高さ変化に概ね相当する。

移動量波形生成部１４２は、以上のように生成された移動量波形データを測定データとして演算装置２０の第１の状態判別部２４（図１参照）、スペクトル算出部２６（図１参照）、体動検出部２８（図１参照）等へ出力するものである。即ち、移動量波形生成部１４２は、少なくとも上述した輝点の移動量の総和の移動量波形データである呼吸データと、例えば輝点の移動量の絶対値の総和の移動量波形データである体動データとの両方の波形データを含む測定データを出力するものである。

なお、ＦＧセンサで取得される測定データの検出感度やノイズレベルは、外乱光の状況等の環境条件やベッド３上での人物２の姿勢や位置等に影響されることがある。ベッド３上での人物２の姿勢や位置等に影響される場合としては、例えば、基線長ｄ（図１３参照）を長くするため投影装置１１（図１０参照）をベッド３（図１０参照）の中心から外して設置した際に、パターン１１ａ（図１０参照）の投影が斜めに行われることになり、ベッド３上での輝点の密度、言い換えれば、輝点の間隔が投影装置１１から離れるにしたがって広くなり、結果的に投影装置１１に近い位置と遠い位置とでは、検出感度やノイズレベルが異なることになる場合がある。

図１５は、本発明の実施の形態に係る呼吸モニタ１による処理工程の概略を示すフロー図である。本図を参照して呼吸モニタ１による人物２の異常の監視方法について説明する。なお、呼吸モニタ１の構成については適宜図１又は図１１を参照する。なお、呼吸モニタ１の構成の説明と重複する説明はできる限り省略するものとする。

まず、輝点移動量取得工程として、移動量算出部１４１によりベッド３上に投影される複数の各輝点１１ｂ（図１０参照）毎に、撮像装置１２により異なる時点に取得された２フレームの画像から、複数の輝点１１ｂ（図１０参照）の前記２フレーム間の輝点移動量を算出する（Ｓ１００）。次に、測定データ生成工程として、移動量波形生成部１４２によって、移動量算出部１４１により算出された輝点移動量を時系列に並べてなる移動量波形データとして測定データを生成する（Ｓ１０２）。具体的には、移動量波形生成部１４２は、輝点移動量の総和の移動量波形データである呼吸データと、例えば輝点の移動量の絶対値の総和の移動量波形データである体動データとを生成する。

次に、体動検出部２８により、１つ前の判断対象時点までの体動基準値算出期間Ｔ７内の測定データ（例えば体動データ）に基づいて算出される体動基準値と判断対象時点の体動データ（測定値）とを比較して、判定対象時点の動きが体動であるか否か、すなわち、判定対象時点が体動期間に含まれるか否かを判定する（Ｓ１０４）。ここで、判定対象時点が体動期間である場合（Ｓ１０４；ＹＥＳ）には、現時点での呼吸モニタ１による人物２の異常の判定は行わず、続けて、監視を継続するか否かを判定する（Ｓ１１４）。監視を継続する場合（Ｓ１１４；ＹＥＳ）には、輝点移動量取得工程（Ｓ１００）に戻って、以降の各処理を繰り返し実行する。監視を継続しない場合（Ｓ１１４；ＮＯ）には、監視を終了する。判定対象時点が体動期間でない場合（Ｓ１０４；ＮＯ）には、次段の体動基準値算出工程（Ｓ１０６）に移行する。

なお、呼吸モニタ１による監視の開始直後の場合には、次段の体動基準値算出工程（Ｓ１０６）は未だ実行されておらず体動基準値は算出されていないので、最初のＳ１０４では現在の判定対象時点は体動期間でないと擬制して体動基準値算出工程（Ｓ１０６）に移行してもよいし、開始直後の場合にのみ用いる体動基準値を予め設定しておいてもよい。

体動基準値算出工程では、体動検出部２８により判定対象時点までの体動基準値算出期間Ｔ７内の測定データ（例えば体動データ）に基づいて、体動基準値を算出する（Ｓ１０６）。現在の判定対象時点までのデータ（判定対象時点のデータを含む）を用いて算出された体動基準値は、次の判定対象時点での体動の検出に用いられる。なお、体動検出部２８は、体動基準値算出期間Ｔ７には既に体動期間であると判別されている期間を含めずに体動基準値を算出する。なお、体動基準値算出工程（Ｓ１０６）は、判定対象時点が体動期間であるか否かを判断する工程（Ｓ１０４）の前に行ってもよい。この場合、判定対象時点に実際に用いる体動基準値として、１つ前の時点（１時点過去に遡った判定対象時点）で算出した体動基準値を用いるのではなく、判定対象時点直前（判定対象時点のデータを含まない）の体動基準値算出期間Ｔ７内の測定データ（例えば体動データ）に基づいて体動基準値を算出し、そのまま当該判定対象時点に用いる体動基準値とすればよい。これは、判定対象時点の測定データが体動であるか否かは次段で判断されるので、ここでは判定対象時点の測定データを体動基準値の算出に用いてもよいか否かが分からないからである。

次に、第１の状態判別工程として、測定データに基づいて、基準データ取得期間Ｔ２の準一回換気量に関するデータの確率分布と、観察期間Ｔ１内の準一回換気量に応じて、判定対象時点における人物２の状態が異常か否かを判別する（Ｓ１０８）。本実施の形態では、第１の状態判別部２４は、上述したように、基準データ取得期間Ｔ２の準一回換気量に関するデータの確率分布と目標とする誤報頻度に基づいて判定閾値を算出し、当該判定閾値と観察期間Ｔ１内の準一回換気量の最大値とを比較する。準一回換気量の最大値が判定閾値を下まわった場合（Ｓ１０８；ＹＥＳ）には、第１の状態判別部２４は、人物２の呼吸が異常であると判別し、警報信号を警報装置３６に送信し、警報装置３６が警報を発する（Ｓ１１８）。準一回換気量の最大値が判定閾値を下まわらなかった場合（Ｓ１０８；ＮＯ）は、次のパワースペクトル算出工程（Ｓ１１０）に移行する。

なお、Ｓ１０８では、第１の状態判別部２４は、観察期間Ｔ１又は基準データ取得期間Ｔ２と体動期間が重なる場合には、観察期間Ｔ１又は基準データ取得期間Ｔ２から体動期間の測定データを除いた残りの期間に、前記除いた期間に相当する期間を過去側から加えて観察期間Ｔ１又は基準データ取得期間Ｔ２とする。

また、呼吸モニタ１による監視の開始直後の場合には、基準データ取得期間Ｔ２を確保できないことから判定閾値を算出することができない場合がある。この場合は、現在の判定対象時点では異常がないと擬制して、次段のパワースペクトル算出工程（Ｓ１１０）に移行してもよいし、開始直後の場合にのみ用いる判定閾値を予め設定しておいてもよい。

パワースペクトル算出工程（Ｓ１１０）では、スペクトル算出部２６により判定対象時点直前のデータ蓄積時間Ｔ３（ここでは、８秒程度）の呼吸データから、ＦＦＴを用いて判定対象時点のパワースペクトルを算出する。次に、スペクトル比較部２７は、低周波成分のパワースペクトルの総和を取って信号成分を、高周波成分のパワースペクトルの総和を取ってノイズ成分を算出し、比較する。

次に、第２の状態判別工程として、第２の状態判別部２５は、スペクトル比較部２７による信号成分とノイズ成分との比較結果に基づいて信号成分がノイズ成分を下まわっているか否かを判断し（Ｓ１１２）、信号成分がノイズ成分を下まわっていない場合（Ｓ１１２；ＮＯ）は、次のＳ１１４に移行する。信号成分がノイズ成分を下まわっている場合（Ｓ１１２；ＹＥＳ）には、第２の状態判別部２５は、信号成分がノイズ成分を下まわっている期間が判別評価期間Ｔ４（ここでは、８秒程度）連続的に経過したか否かを判定する（Ｓ１１６）。判別評価期間Ｔ４経過していない場合（Ｓ１１６；ＮＯ）にはＳ１１４に移行する。判別評価期間Ｔ４経過している場合（Ｓ１１６；ＹＥＳ）には、第２の状態判別部２５は、人物２の呼吸が異常であると判別し、警報信号を警報装置３６に送信し、警報装置３６が警報を発する（Ｓ１１８）。Ｓ１１４では監視を継続するか否かを判定し、監視を継続する場合（Ｓ１１４；ＹＥＳ）には、輝点移動量取得工程（Ｓ１００）に戻って、以降の各処理を繰り返し実行する。監視を継続しない場合（Ｓ１１４；ＮＯ）には、監視を終了する。

なお、ここで、演算装置２０の各部での各処理、上述の方法は、コンピュータにインストールして、該コンピュータを呼吸モニタとして作動させ、各処理を実行するようにコンピュータを制御するソフトウエアプログラムとして実現することが可能であり、係るソフトウエアプログラムを記録する記録媒体としても実現可能である。ソフトウエアプログラムはコンピュータ内蔵のプログラム部（不図示）に記録されて使用されても良く、外付けの記憶装置やＣＤ−ＲＯＭに記録され、プログラム部（不図示）に読み出されて使用されても良く、またインターネットからプログラム部（不図示）にダウンロードされて使用されても良い。

以上で説明した本発明の実施の形態に係る呼吸モニタ１又はソフトウエアプログラムによれば、第１の状態判別部２４は、基準データ取得期間Ｔ２の準一回換気量に関するデータの確率分布と、観察期間Ｔ１の準一回換気量に応じて、判定対象時点における人物２の状態が異常か否かを判別することで、人物２にできる限り負担をかけずに、安全に呼吸の状態を判別することができる。すなわち、人物２の危険な状態でのデータを大量に取得すること無しに、少ない誤報で異常判定を行うことができる。また、基準データ取得期間Ｔ２の準一回換気量に関するデータの確率分布と目標とする誤報頻度に応じて判定閾値を設定することで、人物２固有の睡眠呼吸障害の症状等の状況に応じて可能な限り高い閾値を設定することができるので、誤報を防止しつつ、検出漏れを防ぐことができる。また、以上のように準一回換気量の最大値に基づいて判別を行うことは、特に、神経筋疾患患者等は人工呼吸がはずれた場合には大きな呼吸ができなくなり、準一回換気量の最大値も大きくならないことから好適である。

さらに、第２の状態判別部２５は、例えば、１つの固定された閾値を用いずに、信号成分とノイズ成分との相対的な比較結果に基づいて呼吸の停止を判別することで、人物２の姿勢や上掛けの状況、外乱光の状況等、環境条件により、後述するＦＧセンサ１０により取得される測定データの検出感度やノイズレベルが変化する場合でも、当該変化に適切に対応した、より正確な判別を下すことができる。また、信号成分とノイズ成分との相対的な比較結果によって第２の状態判別部２５による判別を行うので、例えば、人工呼吸回路が人物２の体位変換時に外れた場合や、介護時に外して付け忘れた場合、寝返り等の体動により人物２の体勢が変わった場合等に、改めてある程度の時間をかけて閾値を設定し直す必要がなく、人物２の呼吸停止を迅速に検出することができる。

さらに、第１の状態判別部２４と第２の状態判別部２５とを組み合わせることで、第１の状態判別部２４又は第２の状態判別部２５のいずれか一方が人物２の呼吸の異常を判別した場合に呼吸の異常を検出することができるので、包括的かつ漏れのない判別をすることができる。

また、体動検出部２８により検出される体動期間が観察期間Ｔ１、基準データ取得期間Ｔ２等と重なる場合に、観察期間Ｔ１、基準データ取得期間Ｔ２等から体動期間を除外して状態の判別を行うのでより正確な判別をすることができる。
を用いないことで、より正確な判別をすることができる。

したがって、例えば、自発呼吸がほとんど無い患者において人工呼吸回路の切断などにより呼吸ができなくなった場合、すなわち、患者の呼吸が停止した場合や、一定の自発呼吸がある患者において人工呼吸が実質的に働かなくなった場合など、人工呼吸のトラブルが直接重大な事故に結びつくことを最大限防止することができる。

また、呼吸モニタ１は、測定装置としてＦＧセンサ１０を用いるので、人物２の状態を示す測定データを人物２に接触することなく取得でき、人物２に負担をかけることが無く、健常人の就寝時呼吸監視や入院患者の呼吸監視に加えて、常時人工呼吸を行っている筋ジストロフィやＡＬＳの患者の人工呼吸監視に最適である。さらに、呼吸のような人物２の小さな動きでも正確に測定できる。また、人物２の自然な状態でのデータが取れなかったり、睡眠中にセンサが外れてデータが欠落する恐れもない。また、人物２の体に直接センサ類を付ける必要がないことから、設置に要する人手も少なくてすみ、コスト的にも心理的にも負荷を低減することができる。

なお、以上で説明した第１の状態判定部２４は、周期的な動きのある人物２の状態を示す測定データに基づいて、判定対象時点の前後の観察期間Ｔ１（例えば、図３参照）の準一回換気量に関するデータの最大値と、最大閾値としての判定閾値との比較に基づいて、判定対象時点における人物２の状態が異常か否かを判別するものということができる。すなわち、人物２が周期的な呼吸を行っているにもかかわらず、呼吸の動きの大きさが小さくなるような場合でも呼吸の異常（例えば、呼吸の低下）を判別することができ、人物２に周期的な動きがあるにもかかわらず存在しうる異常を判別することができる。さらに、第２の状態判定部２５は、判定対象時点の準一回換気量に関するデータが最小閾値を下まわるか否かに基づいて、判定対象時点における対象物２の状態が異常か否かを判別するものということができる。すなわち、ここでは、信号成分に対するノイズ成分の値が最小閾値となる。これにより、異常の検出漏れを防止することができる。

なお、以上の説明では、呼吸モニタ１は、人工呼吸を行っている人物２の人工呼吸回路の異常を検出する装置であり、例えば、人工呼吸の事故を防止することを目的とした装置であるものとして説明した。しかしながらこれに限らず、人工呼吸の事故を防止する目的でなくても、例えば、単に呼吸が停止した状態、呼吸が低下した状態を判別する装置としてもよいことはいうまでもない。すなわち、この場合は、人物２が異常であるとは、単に呼吸が停止した状態、呼吸が低下した状態等の危険な呼吸の状態をいう。

本発明の実施の形態に係る呼吸モニタの構成例を示すブロック図である。 本発明の実施の形態に係る呼吸モニタに用いる、呼吸データ及び体動データが形成する波形パターンの例について示した概要図である。 本発明の実施の形態に係る呼吸モニタに用いる観察期間及び基準データ取得期間について説明する図である。 本発明の実施の形態に係る呼吸モニタに用いる準一回換気量に関するデータの分布の一例を示した図である。 本発明の実施の形態に係る呼吸モニタに用いる測定データと準一回換気量の推移についての第１の具体例を示した図である。 本発明の実施の形態に係る呼吸モニタで観察期間に体動期間が重なった場合について説明する図である。 本発明の実施の形態に係る呼吸モニタのスペクトル算出部によって算出されるパワースペクトルの一例を示した図である。 本発明の実施の形態に係る呼吸モニタの実際の測定により取得した呼吸データ、スペクトル比較部によって比較される信号成分、ノイズ成分のデータについて説明する線図である。 本発明の実施の形態に係る呼吸モニタが情報エントロピーを求める場合に用いる、測定データのヒストグラムの例を示す線図である。 本発明の実施の形態に係る呼吸モニタのＦＧセンサの模式的斜視図である。 本発明の実施の形態に係る呼吸モニタのＦＧセンサの概略構成を示すブロック図である。 本発明の実施の形態に係る呼吸モニタの投影装置を説明する模式的斜視図である。 本発明の実施の形態に係る呼吸モニタの輝点の移動の概念について説明する概念的斜視図である。 図１３の場合での受像面に結像した輝点について説明する模式図である。 本発明の実施の形態に係る呼吸モニタによる処理工程の概略を示すフロー図である。

符号の説明

１ 呼吸モニタ
２ 人物
３ ベッド
１０ ＦＧセンサ
１１ 投影装置
１１ａ パターン
１１ｂ 輝点
１２ 撮像装置
１４ 測定部
２０ 演算装置
２４ 第１の状態判別部
２５ 第２の状態判別部
２６ スペクトル算出部
２７ スペクトル比較部
２８ 体動検出部
２９ 閾値酸算出部
３６ 警報装置
１４１ 移動量算出部
１４２ 移動量波形生成部
Ｔ１ 観察期間
Ｔ２ 基準データ取得期間
Ｔ３ データ蓄積時間
Ｔ４ 判別評価期間
Ｔ５ スペクトル平均化期間
Ｔ６ 呼吸周期算出期間
Ｔ７ 体動基準値算出期間
Ｔ８ 体動判定値算出期間

Claims (11)

1. 呼吸による周期的な動きのある対象物の状態を示す測定データに基づいて、判定対象時点の前後の第１の所定期間以前の第２の所定期間の周期的な動きの大きさに関するデータの確率分布と、前記第１の所定期間の周期的な動きの大きさに応じて、前記判定対象時点における前記対象物の状態が異常か否かを判別する第１の状態判別手段を備え；
   前記第１の状態判別手段は、前記第２の所定期間の周期的な動きの大きさに関するデータの確率分布に基づいて、前記第１の所定期間の周期的な動きの大きさに関するデータの分布から求められる所定範囲の分布状態が発生する第１の確率を推定し、当該第１の確率を用いて前記対象物の異常を判別する、
   状態解析装置。
2. 呼吸による周期的な動きのある対象物の状態を示す測定データに基づいて、判定対象時点の前後の第１の所定期間以前の第２の所定期間の周期的な動きの大きさに関するデータの確率分布と、前記第１の所定期間の周期的な動きの大きさに応じて、前記判定対象時点における前記対象物の状態が異常か否かを判別する第１の状態判別手段を備え；
   前記第１の状態判別手段は、前記第２の所定期間の周期的な動きの大きさに関するデータの確率分布に基づいて、前記第１の所定期間の周期的な動きの大きさに関して、その分布から求められる所定範囲の分布状態の発生確率が第２の確率以下となる前記所定範囲を推定し、前記第１の所定期間の周期的な動きの大きさに関するデータの分布状態が当該所定範囲に含まれるか否かに基づいて前記対象物の異常を判別する、
   状態解析装置。
3. 前記第１の状態判別手段は、前記第２の所定期間の周期的な動きの大きさに関するデータの確率分布と前記第２の確率に基づいて閾値を算出し、前記第１の所定期間内の周期的な動きの大きさの最大値が前記閾値を下まわった場合に、前記対象物が異常であると判別する、
   請求項２に記載の状態解析装置。
4. 第３の所定期間の前記測定データに基づく値の基準値との比較結果に応じて、前記判定対象時点における前記対象物の状態が異常か否かを判別する第２の状態判別手段を備える；
   請求項１乃至請求項３のいずれか１項に記載の状態解析装置。
5. 前記測定データに基づいて、前記第３の所定期間のスペクトルを算出するスペクトル算出手段と；
   前記スペクトルに基づいて、当該スペクトルの低周波成分と高周波成分とを比較するスペクトル比較手段とを備え；
   前記第２の状態判別手段は、前記スペクトル比較手段の比較結果に基づいて、前記対象物の異常を判別する、
   請求項４に記載の状態解析装置。
6. 前記第１の状態判別手段は、さらに、前記判定対象時点の前記周期的な動きの周期が変動した場合に、前記対象物が異常であると判別する、
   請求項１乃至請求項５のいずれか１項に記載の状態解析装置。
7. 前記測定データに基づいて、前記周期的な動きとともに起こる非周期的な動きを判定して検出する非周期的動き検出手段を備え；
   前記第１の状態判別手段は、前記第１の所定期間又は前記第２の所定期間を前記非周期的動き検出手段で非周期的動きの検出された期間を除いた期間とする、
   請求項１乃至請求項６のいずれか１項に記載の状態解析装置。
8. 前記周期的な動きの大きさは、ゼロクロスからゼロクロスまでの前記測定データを積分することにより得られる値を用いる、
   請求項１乃至請求項７のいずれか１項に記載の状態解析装置。
9. 前記測定データを取得する測定装置を備え；
   前記測定装置は、対象領域に複数の輝点を投影する投影装置と、前記複数の輝点が投影された対象領域を撮像する撮像装置と、前記撮像装置により異なる時点に取得された２フレームの画像から前記複数の輝点の前記２フレーム間の移動量を算出する移動量算出手段と、前記移動量を時系列に並べてなる移動量波形データを生成する移動量波形生成手段とを有する、
   請求項１乃至請求項８のいずれか１項に記載の状態解析装置。
10. コンピュータにインストールして、該コンピュータを状態解析装置として作動させるソフトウエアプログラムであって；
    呼吸による周期的な動きのある対象物の状態を示す測定データに基づいて、判定対象時点の前後の第１の所定期間以前の第２の所定期間の周期的な動きの大きさに関するデータの確率分布と、前記第１の所定期間の周期的な動きの大きさに応じて、前記判定対象時点における前記対象物の状態が異常か否かを判別する処理を実行するように前記コンピュータを制御し；
    前記判別する処理は、前記第２の所定期間の周期的な動きの大きさに関するデータの確率分布に基づいて、前記第１の所定期間の周期的な動きの大きさに関するデータの分布から求められる所定範囲の分布状態が発生する第１の確率を推定し、当該第１の確率を用いて前記対象物の異常を判別する処理を含む、
    ソフトウエアプログラム。
11. コンピュータにインストールして、該コンピュータを状態解析装置として作動させるソフトウエアプログラムであって；
    呼吸による周期的な動きのある対象物の状態を示す測定データに基づいて、判定対象時点の前後の第１の所定期間以前の第２の所定期間の周期的な動きの大きさに関するデータの確率分布と、前記第１の所定期間の周期的な動きの大きさに応じて、前記判定対象時点における前記対象物の状態が異常か否かを判別する処理を実行するように前記コンピュータを制御し；
    前記判別する処理は、前記第２の所定期間の周期的な動きの大きさに関するデータの確率分布に基づいて、前記第１の所定期間の周期的な動きの大きさに関して、その分布から求められる所定範囲の分布状態の発生確率が第２の確率以下となる前記所定範囲を推定し、前記第１の所定期間の周期的な動きの大きさに関するデータの分布状態が当該所定範囲に含まれるか否かに基づいて前記対象物の異常を判別する処理を含む、
    ソフトウエアプログラム。