JP5606604B2 - Biological state acquisition device, biological state acquisition program, device provided with biological state acquisition device, and air conditioner - Google Patents
Biological state acquisition device, biological state acquisition program, device provided with biological state acquisition device, and air conditioner Download PDFInfo
- Publication number
- JP5606604B2 JP5606604B2 JP2013195934A JP2013195934A JP5606604B2 JP 5606604 B2 JP5606604 B2 JP 5606604B2 JP 2013195934 A JP2013195934 A JP 2013195934A JP 2013195934 A JP2013195934 A JP 2013195934A JP 5606604 B2 JP5606604 B2 JP 5606604B2
- Authority
- JP
- Japan
- Prior art keywords
- sleep
- signal
- biological
- biological state
- state
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Classifications
-
- Y02B70/3216—
-
- Y02B70/3275—
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
- Y04S20/20—End-user application control systems
- Y04S20/221—General power management systems
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
- Y04S20/20—End-user application control systems
- Y04S20/242—Home appliances
- Y04S20/244—Home appliances the home appliances being or involving heating ventilating and air conditioning [HVAC] units
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Description
本発明は、呼吸、心拍、体動などの生体信号を処理して生体状態情報を取得する生体状態取得装置、生体状態取得プログラム、生体状態取得装置を備えた機器及び空気調和機に関するものである。 The present invention relates to a biological state acquisition device that acquires biological state information by processing biological signals such as respiration, heartbeat, and body movement, a biological state acquisition program, a device including the biological state acquisition device, and an air conditioner. .
従来より、呼吸、心拍、体動などの生体状態を非接触で取得する方法として、ドップラレーダセンサーを用いた装置が知られている。ドップラレーダセンサーを用いた生体状態取得装置として、例えば、マイクロ波を人体に向けて送信し、その送信波と人体からの反射波の波長の変化であるドップラ信号の周波数を求め、その周波数からヒトの脈拍数、あるいは呼吸数を演算する装置がある(例えば、特許文献1参照)。 2. Description of the Related Art Conventionally, an apparatus using a Doppler radar sensor is known as a method for acquiring a biological state such as respiration, heartbeat, and body movement without contact. As a biological state acquisition device using a Doppler radar sensor, for example, a microwave is transmitted toward a human body, a frequency of a Doppler signal that is a change in wavelength of the transmitted wave and a reflected wave from the human body is obtained, and a human being is obtained from the frequency. There is a device that calculates the pulse rate or respiratory rate of the patient (see, for example, Patent Document 1).
近年では、この種の生体状態取得装置で得られた生体状態情報を用いて、就寝中のヒトの睡眠深度を測定する技術や、自律神経機能の状態を推定する技術、更には生体状態情報に基づいて各種機器を制御する技術も提案されている(例えば、特許文献2,特許文献3参照)。
In recent years, using biological state information obtained by this type of biological state acquisition device, technology for measuring the sleep depth of a sleeping human, technology for estimating the state of autonomic nerve function, and biological state information Techniques for controlling various devices based on these have also been proposed (see, for example,
上記従来技術では、生体状態を取得するにあたり、ドップラ信号の周波数を求めており、反射波に対して周波数解析などの複雑な処理が必要となる。生体状態情報を各種機器の制御に利用する場合には、生体信号(センサ情報)を高速且つ高精度に処理してリアルタイムに生体状態を取得することが求められる。このため、従来技術では、CPUに対して高い処理能力が求められ、低コスト化及び機器の簡略化が困難であるという問題があった。また、生体状態情報を用いた睡眠深度測定、自律神経状態の推定、機器の制御を行うそれぞれの技術においても、生体状態情報を高速且つ高精度に取得することが求められている。 In the above-described conventional technology, the frequency of the Doppler signal is obtained when acquiring the biological state, and complicated processing such as frequency analysis is required for the reflected wave. When the biological state information is used for controlling various devices, it is required to process the biological signal (sensor information) at high speed and with high accuracy to acquire the biological state in real time. For this reason, in the prior art, there is a problem that high processing capability is required for the CPU, and it is difficult to reduce the cost and simplify the device. Also, in each technique for measuring sleep depth using biological state information, estimating an autonomic nerve state, and controlling a device, it is required to acquire biological state information at high speed and with high accuracy.
本発明はこのような点を鑑みなされたもので、非接触で生体の生体信号を取得し、生体信号に対して周波数解析などの複雑な処理を行うことなく、生体状態に関する情報を取得することが可能な生体状態取得装置、生体状態取得プログラム、生体状態取得装置を備えた機器及び空気調和機を提供することを目的とする。 The present invention has been made in view of such points, and acquires a biological signal of a living body in a non-contact manner, and acquires information on the living body state without performing complicated processing such as frequency analysis on the living body signal. An object of the present invention is to provide a biological state acquisition device, a biological state acquisition program, a device including the biological state acquisition device, and an air conditioner.
本発明に係る生体状態取得装置は、生体の体表面に電磁波を送信し、その反射波をIQ検波して、I信号とQ信号を出力するIQ検波器から出力されたI信号とQ信号とを時系列に順次取得するIQ信号取得手段と、IQ信号取得手段で取得した取得信号のIQ平面上の軌跡に基づいて、生体の状態を取得する生体状態取得手段とを有し、生体状態取得手段は、IQ平面上の取得信号の位置ベクトルのノルムを単位期間分積算し、その積算値に対して閾値判定を行って単位期間内の体動の有無を判定する体動検出手段を備え、体動検出手段は、積算値が閾値以上の場合に体動有り、積算値が閾値未満の場合に体動無しと判定するものである。 The biological state acquisition device according to the present invention transmits an electromagnetic wave to the body surface of a biological body, IQ-detects the reflected wave, and outputs an I signal and a Q signal. IQ signal acquisition means for sequentially acquiring the time series, and biological state acquisition means for acquiring the biological state based on the locus on the IQ plane of the acquisition signal acquired by the IQ signal acquisition means. The means comprises body motion detection means for accumulating the norm of the position vector of the acquired signal on the IQ plane for a unit period, determining a threshold value for the accumulated value, and determining the presence or absence of body motion within the unit period, The body movement detecting means determines that there is body movement when the integrated value is greater than or equal to the threshold value and that there is no body movement when the integrated value is less than the threshold value.
本発明によれば、IQ信号取得手段で取得した取得信号のIQ平面上の軌跡に基づいて生体の状態を取得するようにしたので、周波数解析などの負荷の高い処理が不要で、低い処理能力で生体状態に関する情報を取得することができる。 According to the present invention, since the state of the living body is acquired based on the trajectory on the IQ plane of the acquired signal acquired by the IQ signal acquiring means, processing with high load such as frequency analysis is unnecessary, and low processing capability With this, it is possible to acquire information on the biological state.
以下、本発明の好適な実施の形態について、図面を参照しながら説明する。実施の形態1〜5では、生体状態取得装置について詳細に説明する。以下に説明する生体状態取得装置では、呼吸、心拍、体動等の生体の活動状態を基礎データとして取得するとともに、この基礎データを基に、更に、自律神経の状態(交感神経優位、副交感神経優位等)と、生体の睡眠深度とを取得する。以下の各実施の形態では、睡眠中の生体(例えば、ヒト)の生体状態を取得する場合を例に説明する。
Hereinafter, preferred embodiments of the present invention will be described with reference to the drawings. In
実施の形態1.(呼吸検出)
図1は、本発明の実施の形態1に係る生体状態取得装置を備えた生体状態取得システムの構成を示すブロック図である。実施の形態1では、生体状態の基礎データとして呼吸に関する呼吸情報を取得する。そして、取得した呼吸情報に基づいて自律神経の状態と、ヒトの睡眠深度とを算出(取得)する場合について説明する。
生体状態取得システム100は、睡眠中のヒトに対して電磁波(マイクロ波)を送信し、その送信波のヒトからの反射波を受信するドップラレーダセンサー10と、IQ検波器20と、バンドパスフィルター30と、AD変換器40とを備えている。生体状態取得システム100は更に、生体状態取得装置としての演算装置50と、各種データ(後述の学習データ等)を記憶する記憶装置60とを備えている。
FIG. 1 is a block diagram illustrating a configuration of a biological state acquisition system including a biological state acquisition device according to
The biological
ドップラレーダセンサー10は、睡眠中のヒトに向けて電磁波を照射するとともに、ヒト体表面で反射される反射波を取り込み可能に配置されている。ドップラレーダセンサー10は、反射波を受信波として受信するアンテナと、入出力の増幅器と、発振器と、IQミキサ(検波器)と、電源と、周辺部品とを収容したモジュールで構成(何れも図示せず)されている。
The
IQ検波器20は、ドップラレーダセンサー10のアンテナで受信した反射波を入射波に対する同相成分(I信号)と直交成分(Q信号)に分解し、バンドパスフィルター30に出力する。バンドパスフィルター30は、呼吸検出用の低域のバンドパスフィルター31を有し、ターゲットとする信号を抽出してAD変換器40に出力する。IQ検波器20の出力は、呼吸だけでなく、心拍及び体動も全て重畳された信号であるため、その信号をバンドパスフィルター31を通すことにより呼吸信号を抽出する。そして、バンドパスフィルター31を通過後の信号をAD変換器40でデジタル信号に変換して演算装置50に出力する。なお、呼吸検出用のバンドパスフィルター31の通過周波数帯域は予め設定されている。
The
演算装置50はマイクロコンピューターで構成され、内部にCPU、ROM及びRAMを備えており、ROMに記憶されている各種プログラムに従って動作する。CPUがROMに記憶されている生体状態取得プログラムを実行することにより、AD変換器40からのIQ信号を取得するIQ信号取得手段51と、生体状態取得手段52とが機能的に構成されている。
The
生体状態取得手段52は、ドップラレーダセンサー10を睡眠中のヒトに対して適用し、呼吸や心拍、寝返りなどの体動によりヒトの体表面が動くことによるドップラ効果を利用して生体状態(呼吸、自律神経の状態、睡眠深度等)を取得するものである。
The biological
生体状態取得手段52は、生体の呼吸を検出して呼吸数等の呼吸情報を算出する呼吸検出手段53と、呼吸検出手段53で算出した呼吸情報に基づいて生体の自律神経状態を判定する自律神経状態判定手段54とを備えている。生体状態取得手段52は更に、呼吸検出手段53で算出した呼吸情報に基づいて生体の睡眠深度を判定する睡眠深度判定手段55を備えている。
The biological state acquisition means 52 detects the respiration of the living body and calculates respiration information such as the respiration rate, and the autonomy for determining the autonomic nervous state of the living body based on the respiration information calculated by the respiration detection means 53. And a nerve state determination means 54. The biological
なお、図1ではドップラレーダセンサー10の後段にバンドパスフィルター31及びAD変換器40を設けた例を示したが、バンドパスフィルター31及びAD変換器40は、ドップラレーダセンサー10のモジュールに組み込んでも良い。また、バンドパスフィルター31をディジタルフィルターで構成し、AD変換器40の後段に配置してもよい。また、IQ検波器20の出力が足りない場合にはAD変換器40の前段に更に増幅器を配置するなど、IQ信号が正確にフィルタリングされて演算装置50に入力できれば構成はどのような構成でも良い。
Although FIG. 1 shows an example in which the
以下、生体状態取得システム100の動作について説明する。
ドップラレーダセンサー10は、睡眠中のヒトに向けて電磁波を照射し、ヒトからの反射波をアンテナ(図示せず)で受信する。そして、ドップラレーダセンサー10は、受信した反射波を増幅器で増幅してIQ検波器20に出力する。IQ検波器20に入力された信号は、I信号とQ信号に分解された後、バンドパスフィルターにより呼吸信号が抽出され、AD変換器40でデジタル信号に変換された後、演算装置50に出力される。演算装置50には、AD変換器40からの呼吸信号(I信号とQ信号)が時系列に順次入力される。
Hereinafter, the operation of the biological
The
演算装置50は、AD変換器40からのI信号及びQ信号をIQ信号取得手段51で取得し、取得した取得信号のIQ平面上の軌跡に基づいて呼吸検出を行う。以下、演算装置50の呼吸検出手段53における呼吸検出方法について詳細に説明する。
The
ここでまず、生体状態の測定原理について簡単に説明する。ヒトは、呼吸による呼吸筋、横隔膜の活動による動作や、心拍による脈動、体動によって体表面が動く。呼吸の場合、呼吸によって胸部分の体表面が動く。このため、ドップラレーダセンサー10のアンテナで受信されるヒトからの反射波には、呼吸による体表面の動きの速度に応じたドップラシフトが生じている。
First, the measurement principle of the biological state will be briefly described. In humans, the body surface moves due to movements of respiratory muscles and diaphragm due to breathing, pulsation due to heartbeat, and body movement. In the case of breathing, the body surface of the chest is moved by breathing. For this reason, a Doppler shift corresponding to the speed of movement of the body surface due to respiration occurs in the reflected wave from the person received by the antenna of the
呼吸時の体表面の挙動を細かく分析すると、呼吸開始(吸い込み開始)前は体表面の動きの速度は略ゼロであり、吸い込み開始後、徐々に速度が上昇してピークに達する。そして、呼吸の端点(吸う吐くの切り替わり時)に向かって今度は速度が下降し、呼吸の端点で略ゼロとなる。そして、吐き出し開始後、体表面の動きの速度は徐々に上昇してピークに達し、その後、吐き出しの端点(吐き出し終了時)に向かうに従って今度は速度が下降し、吐き出しの端点で速度は略ゼロとなる。このような体表面の速度変化をIQ検波の検波結果から検出することにより呼吸を検出する。 When the behavior of the body surface during breathing is analyzed in detail, the speed of movement of the body surface is substantially zero before the start of breathing (start of inhalation), and after the inhalation starts, the speed gradually increases and reaches a peak. Then, the velocity decreases this time toward the end point of breathing (when switching to sucking and exhaling), and becomes substantially zero at the end point of breathing. After the start of exhalation, the speed of movement of the body surface gradually increases and reaches a peak, and then the speed decreases toward the exhalation end point (at the end of exhalation), and the speed is almost zero at the exhalation end point. It becomes. Respiration is detected by detecting such a change in the velocity of the body surface from the detection result of IQ detection.
図2は、図1の演算装置における生体状態取得処理の流れを示すフローチャートである。以下、図2を参照して生体状態取得処理の流れを説明する。
(S1:I信号及びQ信号取得)
演算装置50のIQ信号取得手段51は、ヒトの体表面の動きに応じてAD変換器40から時系列に順次出力されたIQ信号を取得する。そして、生体状態取得手段52は、取得したI信号及びQ信号のIQ平面上の軌跡に基づき、まず、速度ベクトルのノルムを算出する。以下、速度ベクトルのノルム算出について説明する。
FIG. 2 is a flowchart showing the flow of the biological state acquisition process in the arithmetic device of FIG. Hereinafter, the flow of the biological state acquisition process will be described with reference to FIG.
(S1: I signal and Q signal acquisition)
The IQ signal acquisition means 51 of the
(S2:速度ベクトルのノルム算出、S2:呼吸検出)
IQ信号取得手段51で取得した取得信号をIQ平面上にプロットすると、ヒトの体表面の動きに応じて次の図3に示すような軌跡を描く。
(S2: Speed vector norm calculation, S2: Respiration detection)
When the acquired signal acquired by the IQ signal acquiring means 51 is plotted on the IQ plane, a locus as shown in FIG. 3 is drawn according to the movement of the human body surface.
図3は、ヒトの呼吸時の体表面の動きに応じた反射波のIQ平面の一例を示す図である。図3(A)は、体表面がドップラレーダセンサー10に近づく場合、図3(B)は体表面がドップラレーダセンサー10から遠ざかる場合を示している。
図3(A)の反時計回り方向の矢印は、体表面がドップラレーダセンサー10に近づいたときのIQ信号のIQ平面上の座標の軌跡の方向を示している。図3(B)の時計回り方向の矢印は、体表面がドップラレーダセンサー10から遠ざかったときのIQ信号のIQ平面上の座標の軌跡の方向を示している。また、図3(A)の各点1〜9及び図3(B)の各点1〜9はサンプリングタイム毎のIQ信号の座標をプロットしたものである。
呼吸時の体表面の動作は、上述したように吸い込み時は、吸い込み開始後、徐々に速度が上昇してピークに達する。そして、呼吸の端点(吸う吐くの切り替わり時)に向かって今度は速度が下降し、呼吸の端点で略ゼロとなる。体表面の動きが速いと、ドップラ効果による反射波の位相変化が大きくなる。このため、IQ平面上において図3(A)の各点間の間隔が、動作開始時は間隔が狭く、次第に間隔が広くなり、軌跡の中間部分では最も長くなった後、再度間隔が狭くなっていく様子が示されている。吐き出し時も同様の特徴を有するIQ平面となる。
FIG. 3 is a diagram illustrating an example of an IQ plane of a reflected wave according to the movement of the body surface during human breathing. 3A shows a case where the body surface approaches the
The arrow in the counterclockwise direction in FIG. 3A indicates the direction of the locus of coordinates on the IQ plane of the IQ signal when the body surface approaches the
As described above, the movement of the body surface during breathing reaches a peak when the inhalation is started and the speed gradually increases after the inhalation starts. Then, the velocity decreases this time toward the end point of breathing (when switching to sucking and exhaling), and becomes substantially zero at the end point of breathing. When the body surface moves quickly, the phase change of the reflected wave due to the Doppler effect increases. For this reason, on the IQ plane, the distance between the points in FIG. 3A is narrow at the start of the operation, gradually widens, becomes longest at the middle part of the trajectory, and then narrows again. The state of going is shown. An IQ plane having similar characteristics is also obtained during discharge.
速度ベクトルは、サンプリング間隔毎に得られたIQ平面上の各点(図中の点1から点9・・・)のベクトル差に相当する。矢印(a)は点5と点6間の速度ベクトルを示している。各点間のベクトル差の長さがそのタイミングにおける速度ベクトルのノルムに相当する。この速度ベクトルのノルムを時系列に図示すると、次の図4に示す図となる。
The velocity vector corresponds to a vector difference between points (
図4は、速度ベクトルのノルムの時系列データを示す図である。図4において横軸は時間、縦軸は速度ベクトルのノルムを示している。
呼吸によって体表面が動く場合、上述したように吸い込みと吐き出しのそれぞれの動作の略中間で体表面の動きの速度が最も速くなり、また、呼吸の端点(吸う吐くの切り替わり時)で、体表面の速度は略ゼロとなる。よって、速度ベクトルのノルムの時系列データは、図4に示したように、吸い込み動作と吐き出し動作のそれぞれで山型のカーブを描く。従って、速度ベクトルのノルムの時系列データの2山分が1呼吸を示すことになる。よって、IQ信号から速度ベクトルのノルムを順次算出し、ノルムの時系列データから呼吸を検出することが可能となる。
FIG. 4 is a diagram showing time-series data of norms of velocity vectors. In FIG. 4, the horizontal axis represents time, and the vertical axis represents the norm of the velocity vector.
When the body surface moves due to breathing, as described above, the body surface moves at the highest speed approximately halfway between the inhalation and exhalation operations, and at the end point of breathing (when switching between inhalation and exhalation), the body surface The speed of is almost zero. Accordingly, the time series data of the velocity vector norm draws a mountain-shaped curve in each of the suction operation and the discharge operation, as shown in FIG. Therefore, two peaks in the time series data of the norm of the velocity vector indicate one breath. Therefore, it is possible to sequentially calculate the norm of the velocity vector from the IQ signal and to detect respiration from the time series data of the norm.
このように、呼吸による体表面の動きの特徴を利用し、呼吸の端点でIQ平面上の軌跡速度が略ゼロとなることを手がかりにして、呼吸信号から1呼吸を抽出する。すなわち、呼吸の吸い込みと吐き出しの切り替わり時に速度ベクトルのノルムが略ゼロとなることによる、速度ベクトルのノルムの時系列データの波形の周期的な変動に基づいて1呼吸に対応する呼吸信号を検出する。ノルムの算出に際しては周波数解析が不要であるため、簡易且つ低負荷で呼吸を検出できる。 In this way, using the feature of the movement of the body surface due to respiration, one respiration is extracted from the respiration signal, with the trajectory speed on the IQ plane being substantially zero at the end point of respiration. That is, a respiratory signal corresponding to one breath is detected based on periodic fluctuations in the waveform of the time series data of the velocity vector norm due to the velocity vector norm being substantially zero when switching between breathing in and breathing out. . Since no frequency analysis is required when calculating the norm, it is possible to detect respiration with a simple and low load.
速度ベクトルのノルムの時系列データから、2山のカーブを1呼吸分として検出するための具体的な演算処理としては、図5〜図7に示す方法を用いることができる。図5の方法では、速度ベクトルのノルムの時系列データから一定値を引き算し、その引き算後の時系列データのゼロクロス点を検出する。そして、4つのゼロクロス点ごとに1呼吸とカウントする。また別の方法として、図6に示すように速度ノルムベクトルのデータのピークを抽出し、一つのピークが現れてから二つ目のピークが現れるまでを1呼吸とカウントするようにしてもよい。また図6と逆の方法として図7に示すように速度ベクトルノルムのデータの谷の底辺を抽出し、一つの谷が現れてから二つ目の谷が現れるまでを1呼吸とカウントするようにしてもよい。図5の方法では速度ベクトルのノルムの振幅に変動がある場合、一定値の数値の設定次第でゼロクロスしない部分が生じ、その部分の呼吸をカウントできない可能性がある。これに対し、図6及び図7の方法の場合では、速度ベクトルのノルムの振幅が一定とならない場合などでも呼吸をカウント可能である。 The method shown in FIGS. 5 to 7 can be used as a specific calculation process for detecting two mountain curves as one breath from time-series data of the velocity vector norm. In the method of FIG. 5, a constant value is subtracted from the time series data of the velocity vector norm, and the zero cross point of the time series data after the subtraction is detected. One breath is counted for every four zero-cross points. As another method, as shown in FIG. 6, the peak of the velocity norm vector data may be extracted, and the time from the appearance of one peak to the appearance of the second peak may be counted as one breath. As a method opposite to that shown in FIG. 6, the bottom of the valley of the velocity vector norm data is extracted as shown in FIG. 7, and one breath is counted until one valley appears. May be. In the method of FIG. 5, when the amplitude of the norm of the velocity vector varies, a portion that does not zero-cross occurs depending on the setting of a constant numerical value, and there is a possibility that respiration of that portion cannot be counted. On the other hand, in the case of the method of FIGS. 6 and 7, respiration can be counted even when the amplitude of the norm of the velocity vector is not constant.
(S3:呼吸数、呼吸周期の変動幅(標準偏差)算出)
呼吸検出手段53は、時系列のノルム算出結果から、上述したように2山のカーブを1呼吸として検出し、呼吸情報を算出する。呼吸情報として、一定期間(例えば過去2分間)の呼吸数を算出する。また、一定期間の呼吸周期の変動幅(1呼吸に要する時間の変動幅(標準偏差))を算出する。
(S3: Calculation of respiratory rate and fluctuation range (standard deviation) of respiratory cycle)
The respiration detection means 53 detects two mountain curves as one respiration from the time-series norm calculation result as described above, and calculates respiration information. As the respiration information, the respiration rate for a certain period (for example, the past 2 minutes) is calculated. In addition, the fluctuation width of the respiratory cycle for a certain period (the fluctuation width of the time required for one breath (standard deviation)) is calculated.
(S4:呼吸数の補正要否判定・補正(補正要の場合))
睡眠中において、呼吸による体表面の動きが安定している場合は上記の方法で呼吸を検知できるが、体表面の動きが複雑な場合、呼吸を正確にカウントできないことがある。例えば複数の筋肉が活動してドップラシフトを相殺し、体表面の動きを検知できない場合が考えられる。このような場合、呼吸数の補正が必要である。よって、ステップS4では、呼吸を正確にカウントできているかを判別するための、呼吸数の補正要否判定処理を行う。なお、補正要否判定処理の詳細は後述することにし、ここでは呼吸数を正確にカウントでき、補正不要と判定した場合の生体状態取得処理の説明を続ける。
(S4: Respiratory rate correction necessity determination / correction (if correction is required))
During sleep, when the movement of the body surface due to respiration is stable, respiration can be detected by the above method, but when the movement of the body surface is complicated, the respiration may not be accurately counted. For example, a case where a plurality of muscles are active to cancel the Doppler shift and the movement of the body surface cannot be detected can be considered. In such a case, it is necessary to correct the respiratory rate. Therefore, in step S4, a respiration rate correction necessity determination process is performed to determine whether respiration can be accurately counted. The details of the correction necessity determination process will be described later. Here, the description of the biological state acquisition process when it is determined that the respiration rate can be accurately counted and correction is unnecessary is continued.
(S5:自律神経の状態判定)
自律神経の状態が交感神経優位状態では、呼吸数が多く且つ呼吸周期の変動幅が大きくなり、逆に副交感神経優位状態では、呼吸数が少なく呼吸周期の変動幅が小さくなる特徴がある。よって、呼吸数及び呼吸周期の変動幅を求めることにより、自律神経の状態判定が可能となる。
(S5: Autonomic nerve state determination)
When the state of the autonomic nerve is the sympathetic nerve dominant state, the respiratory rate is large and the fluctuation range of the respiratory cycle is large. On the other hand, when the parasympathetic nerve is dominant, the respiratory rate is small and the fluctuation range of the respiratory cycle is small. Therefore, the state of the autonomic nerve can be determined by obtaining the fluctuation range of the respiratory rate and the respiratory cycle.
自律神経状態判定手段54は、呼吸検出手段で算出された呼吸情報に基づいて自律神経の状態を判定するための指標を算出する。この指標は、呼吸数又は呼吸周期の変動幅そのものの値であってもよいし、何らかの関数にそれぞれを代入して得られた値等でもよく、ここでは交感神経が優位なほど大きい値を取るものとする。この指標により自律神経の状態を判定することができる。例えば、指標と予め設定した閾値とを比較し、指標が閾値よりも大きい場合、交感神経優位と判定し、指標が閾値未満の場合、副交感神経優位と判定する。その他、例えば交感神経の活動度合いを判定するようにしてもよい。
The autonomic nerve
(S6〜S10:睡眠深度判定)
また、睡眠深度判定手段55は、呼吸情報に基づいて睡眠深度を判定する。次に、睡眠深度判定手段55の動作について説明する。
(S6-S10: Sleep depth determination)
Moreover, the sleep depth determination means 55 determines the sleep depth based on respiration information. Next, the operation of the sleep depth determination means 55 will be described.
ここで、睡眠深度判定手段55の動作を説明するに先立ち、まず、睡眠深度について説明する。睡眠は、一般的に眠りの浅いREM睡眠と、眠りの深いノンREM睡眠とに大別される。更に細かく睡眠深度が定義されており、覚醒、REM睡眠、睡眠深度1、2、3、4の6つの状態が定義されている。睡眠深度1、2、3、4は、ノンREM睡眠を更に4つの段階に分けたものであり、ノンREM睡眠のなかでは、睡眠深度1が最も眠りが浅く、睡眠深度4が最も深い。
Here, before explaining the operation of the sleep depth determination means 55, the sleep depth will be described first. Sleep is generally divided into REM sleep, which is light sleep, and non-REM sleep, which is deep sleep. The sleep depth is further defined in detail, and six states of awakening, REM sleep, and
ヒトが入眠を開始してから次に目覚めるまでの間には、REM睡眠、睡眠深度1、2、3、4と睡眠が深くなるように移行し、その後、睡眠深度3、2、1、REM睡眠へと移行するという睡眠サイクルが通常約90分周期で繰り返されている。本例では、呼吸数及び呼吸周期の変動幅に基づいてREM睡眠、浅睡眠(例えば睡眠深度1、2)、深睡眠(例えば睡眠深度3、4)の何れかを判定する。
REM sleep,
睡眠中のヒトの呼吸数は睡眠深度によって様相が変化することが知られている。一般的に深睡眠中の呼吸数は低く安定(呼吸周期の変動幅は小さい)しており、浅い睡眠中の呼吸数は高く不安定(呼吸周期の変動幅が大きい)である。また、REM睡眠中は最も不安定で、呼吸周期の変動幅は更に大きい。よって、REM睡眠、浅睡眠、深睡眠を判定するための第1呼吸数閾値、第2呼吸数閾値(<第1呼吸数閾値)、第1変動幅閾値、第2変動幅閾値(<第1変動幅閾値)を予め実験などにより求めて設定しておき、各閾値との比較により睡眠深度を判定する。 It is known that the aspect of human respiratory rate during sleep changes depending on the depth of sleep. In general, the respiratory rate during deep sleep is low and stable (the fluctuation range of the respiratory cycle is small), and the respiratory rate during shallow sleep is high and unstable (the fluctuation range of the respiratory cycle is large). Moreover, it is the most unstable during REM sleep, and the fluctuation range of the respiratory cycle is even larger. Therefore, the first respiratory rate threshold value, the second respiratory rate threshold value (<first respiratory rate threshold value), the first variation width threshold value, and the second variation width threshold value (<first variation) for determining REM sleep, shallow sleep, and deep sleep. (Variation width threshold value) is obtained and set in advance by experiments or the like, and the sleep depth is determined by comparison with each threshold value.
すなわち、呼吸数が第1呼吸数閾値以上で且つ呼吸周期の変動幅が第1変動幅閾値以上であればREM睡眠と判定する(S6、S8)。呼吸数が第1呼吸数閾値未満で第2呼吸数閾値以上、且つ呼吸周期の変動幅が第1変動幅閾値未満で第2変動幅閾値以上であれば浅睡眠と判定する(S6、S9)。呼吸数が第2呼吸数閾値未満且つ呼吸周期の変動幅が第2変動幅閾値未満であれば深睡眠と判定する(S6、S10)。 That is, if the respiration rate is equal to or greater than the first respiration rate threshold and the variation width of the respiration cycle is equal to or greater than the first variation width threshold, it is determined that REM sleep (S6, S8). If the respiratory rate is less than the first respiratory rate threshold value and greater than or equal to the second respiratory rate threshold value, and the fluctuation range of the respiratory cycle is less than the first fluctuation range threshold value and greater than or equal to the second fluctuation range threshold value, it is determined to be shallow sleep (S6, S9). . If the respiration rate is less than the second respiration rate threshold value and the fluctuation range of the respiration cycle is less than the second fluctuation range threshold value, deep sleep is determined (S6, S10).
これらの各閾値は、学習期間を設けて1睡眠サイクル以上の睡眠データを取得し、その睡眠データに基づいて個人毎に設定するようにしてもよい。また、学習期間の睡眠データを所定のアルゴリズムに基づいて分析し、閾値となる値を判別して自動設定するようにしてもよい。 These threshold values may be set for each individual based on the sleep data obtained by providing a learning period and acquiring sleep data of one sleep cycle or more. Further, sleep data during the learning period may be analyzed based on a predetermined algorithm, and a threshold value may be determined and automatically set.
(図2のステップS4の呼吸数の補正要否判定の詳細説明)
以下、呼吸数の補正要否判定の詳細について説明する。呼吸数の補正が必要な場合とは、上述したように例えば呼吸中の体表面の動きが複雑でドップラシフトを相殺してしまう場合等が該当する。次の図8に、体表面の動きが複雑な場合の体表面の変位量(の平均値)の時系列データの一例を示す。
(Detailed description of determination of necessity of correction of respiration rate in step S4 in FIG. 2)
Hereinafter, details of the determination of necessity of correction of the respiration rate will be described. The case where the correction of the respiration rate is necessary corresponds to the case where the movement of the body surface during respiration is complicated and the Doppler shift is canceled as described above. Next, FIG. 8 shows an example of time-series data of the displacement amount (average value) of the body surface when the movement of the body surface is complicated.
図8は、体表面の動きが複雑な場合の体表面の変位量(の平均値)の時系列データの一例を示す図である。実線は体表面の動きが複雑な場合を示している。なお、図8において上下方向に伸びる点線は、参考のために体表面の動きが通常の場合を示したものであり、時間の経過と共に体表面の変位量が徐々に上昇し、その後下降に転じる動作が繰り返される様子が示されている。
図8の例では、体表面の動きが複雑な場合の例として、吸い込み及び吐き出しのそれぞれの動作に際し、体表面全体の動きの平均値が変動しない期間が存在する例を示している。図8の横長の楕円で囲った部分がその期間を示している。図中実線で示す体表面の動きを計測した場合のIQ平面は、次の図8のようになる。
FIG. 8 is a diagram illustrating an example of time-series data of the displacement amount (average value) of the body surface when the movement of the body surface is complicated. The solid line shows the case where the movement of the body surface is complicated. Note that the dotted line extending in the vertical direction in FIG. 8 indicates the case where the body surface moves normally for reference, and the amount of displacement of the body surface gradually increases over time, and then starts to decrease. It shows how the operation is repeated.
In the example of FIG. 8, as an example of a case where the movement of the body surface is complicated, an example in which there is a period in which the average value of the movement of the entire body surface does not fluctuate in each operation of suction and discharge. A portion surrounded by a horizontally long ellipse in FIG. 8 indicates the period. The IQ plane when the movement of the body surface indicated by the solid line in the figure is measured is as shown in FIG.
図9は、図8に示すような体表面の動きを計測した場合のIQ平面を示す図である。なお、図9では、図8の1呼吸における吸い込み動作と吐き出し動作を図示している。
体表面全体の動きの平均値が変化しない期間では、体表面全体においてドップラレーダセンサーに近づく動作と離れる動作とが混在し、結果としてドップラシフトが相殺されている。よって、その期間のIQ信号のIQ平面上での速度ベクトルはゼロとなる。図9において縦長の楕円で囲った部分が、速度ベクトルがゼロになる部分を示している。従って、図9に示すような速度ベクトルのノルムの時系列データは次の図10のようになる。
FIG. 9 is a diagram showing an IQ plane when the movement of the body surface as shown in FIG. 8 is measured. FIG. 9 shows the suction operation and the discharge operation in one breath of FIG.
In the period in which the average value of the movement of the entire body surface does not change, the movement close to the Doppler radar sensor and the movement away from the Doppler radar sensor are mixed on the entire body surface. As a result, the Doppler shift is offset. Therefore, the velocity vector on the IQ plane of the IQ signal in that period becomes zero. In FIG. 9, the part surrounded by the vertically long ellipse shows the part where the velocity vector becomes zero. Accordingly, the time series data of the norm of the velocity vector as shown in FIG. 9 is as shown in FIG.
図10は、図9のIQ平面の速度ベクトルのノルムの時系列データを示す図である。
図9のIQ平面の場合、速度ベクトルのノルムの時系列データでは、図10に示すように吸い込み動作及び吐き出し動作のそれぞれが2山となって現れる。すなわち、1呼吸が4山となって現れる。呼吸検出手段53では、上述したように2山を1呼吸とカウントするアルゴリズムを採用しているため、1呼吸が4山となって現れると、正確には1呼吸である部分が2呼吸としてカウントされてしまうことになる。
FIG. 10 is a diagram showing time-series data of norms of velocity vectors on the IQ plane of FIG.
In the IQ plane of FIG. 9, in the time series data of the norm of the velocity vector, each of the suction operation and the discharge operation appears as two peaks as shown in FIG. That is, one breath appears as four mountains. As described above, the breath detection means 53 employs an algorithm that counts two mountains as one breath. Therefore, if one breath appears as four mountains, the portion that is one breath accurately counts as two breaths. It will be done.
図11及び図12は、呼吸周期(呼吸時間)とその分布とを示す図であり、図11は呼吸カウントが正常に行われている場合、図12は正常に行われていない場合を示している。図11及び図12は、横軸に取った各呼吸順に、各呼吸それぞれの呼吸周期を縦軸としてプロットした図である。
呼吸周期は、図4の速度ベクトルのノルムの場合、時間Ta、Tb、Tcに示される時間である。呼吸周期の頻度分布を取ると、図11に示すように、略正規分布状の形状となる。これに対し、図10の速度ベクトルのノルムの場合、正確には4山を1呼吸としてカウントし、呼吸周期を時間TA+TBとして算出すべきところ、2山を1呼吸としてカウントし、呼吸周期が時間TA、TB・・・と算出される。従って、呼吸周期の頻度分布は、図12に示されるように、明らかに2極化された分布となり、2つの山を持つ形状となる。したがって、呼吸検出手段53は呼吸数カウント後、呼吸周期の頻度分布を算出し、頻度分布が略正規分布状の形状であるか否かによって呼吸カウントが正常に行われているかいないかを判定できる。
11 and 12 are diagrams showing a respiratory cycle (breathing time) and its distribution. FIG. 11 shows a case where the breath count is performed normally, and FIG. 12 shows a case where the breath count is not performed normally. Yes. FIG. 11 and FIG. 12 are diagrams in which the respiratory cycle of each breath is plotted as the vertical axis in the order of each breath taken on the horizontal axis.
In the case of the norm of the velocity vector in FIG. 4, the respiratory cycle is a time indicated by times Ta, Tb, and Tc. If the frequency distribution of the respiratory cycle is taken, a substantially normal distribution shape is obtained as shown in FIG. On the other hand, in the case of the norm of the velocity vector in FIG. 10, the four peaks should be counted as one breath and the breathing cycle should be calculated as time TA + TB. Calculated as TA, TB... Therefore, as shown in FIG. 12, the frequency distribution of the respiratory cycle is clearly a bipolar distribution and has a shape having two peaks. Therefore, the
ところで、呼吸による体表面の動きが複雑となる場合とは、具体的には例えば横向きで寝ている場合等が該当し、睡眠時の姿勢等が影響する。よって、一定期間の短い時間内に正常な呼吸カウントと正常でない呼吸カウントとが混在して行われることはあまりない。仮に混在してもその数は少ない。この前提の基、呼吸周期の頻度分布から呼吸カウントが正常に行われているか行われていないかを判定可能としている。 By the way, the case where the movement of the body surface due to breathing is complicated specifically corresponds to, for example, the case where the person is sleeping sideways, and the posture at the time of sleep influences. Therefore, it is unlikely that a normal respiratory count and an abnormal respiratory count are mixed in a short period of time. Even if they are mixed, the number is small. Based on this assumption, it is possible to determine whether respiration counting is normally performed or not from the frequency distribution of the respiration cycle.
図13は、図2の補正要否判定処理及び補正処理(補正必要の場合)の流れを示すフローチャートである。以下、補正要否判定処理及び補正処理(補正必要の場合)の流れを図13を参照して説明する。
呼吸検出手段53は、呼吸周期の頻度分布を算出し(S21)、該分布が略正規分布状の形状であるか否かをチェックする(S22)。分布が略正規分布状の形状であれば、正常な呼吸数カウントが行われているものと判断し、補正不要と判定する(S23)。一方、呼吸周期の分布が略正規分布状の形状から乖離していれば、正常な呼吸数カウントが行われていないものと判断し、補正必要と判定する(S24)。呼吸周期の頻度分布が略正規分布状の形状であるか否かについては、呼吸周期の頻度分布のモーメントを算出し、これを閾値判定することで判定する。具体的には例えば3次モーメントである尖り度を算出し、この尖り度が予め設定した閾値3(正規分布)から乖離していれば、略正規分布状の形状から乖離していると判定する。
FIG. 13 is a flowchart showing the flow of the correction necessity determination process and the correction process (when correction is necessary) in FIG. Hereinafter, the flow of the necessity determination process and the correction process (when correction is necessary) will be described with reference to FIG.
The respiration detection means 53 calculates the frequency distribution of the respiration cycle (S21), and checks whether the distribution has a substantially normal distribution shape (S22). If the distribution is a substantially normal distribution shape, it is determined that normal respiration rate counting is being performed, and it is determined that correction is unnecessary (S23). On the other hand, if the respiratory cycle distribution deviates from the substantially normal distribution shape, it is determined that normal respiration rate count is not performed, and it is determined that correction is necessary (S24). Whether or not the frequency distribution of the respiratory cycle has a substantially normal distribution shape is determined by calculating a moment of the frequency distribution of the respiratory cycle and determining the threshold value. Specifically, for example, the degree of kurtosis, which is a third moment, is calculated, and if the degree of kurtosis deviates from a preset threshold value 3 (normal distribution), it is determined that the degree of kurtosis deviates from a substantially normal distribution shape. .
上記アルゴリズムで補正必要と判定した場合、呼吸検出手段53は呼吸周期の頻度分布の山の個数Nを推定する(例えば最尤推定などで)(S25)。なお、図8〜図12では、N=2の場合を例示して説明したが、体表面の動きによっては2個に限られたものではなく、更に複数個の場合もある。そして、個数Nに基づいてステップS3(図2参照)で算出した過去一定期間の呼吸数及び呼吸周期を補正する(S26)。以下、この補正について具体例で説明する。 When it is determined that correction is required by the above algorithm, the respiration detecting means 53 estimates the number N of peaks in the frequency distribution of the respiration cycle (for example, by maximum likelihood estimation) (S25). 8 to 12 exemplify the case where N = 2, the number is not limited to two depending on the movement of the body surface, and there may be a plurality of cases. Then, based on the number N, the respiration rate and respiration cycle in the past fixed period calculated in step S3 (see FIG. 2) are corrected (S26). Hereinafter, this correction will be described with a specific example.
図14〜図16は、図10の速度ベクトルのノルムの時系列データから呼吸をカウントする際の演算処理の説明図である。図14はゼロクロス点によるカウント、図15はピーク抽出によるカウント、図16は谷抽出によるカウントを示す。なお、ここでは呼吸周期の分布の山の個数N=2とする。
ステップS3では、2山を1呼吸としてカウントするアルゴリズムを採用しているため、図10の測定データの場合、図14〜図16に示すように、正確には1呼吸であるところ、2呼吸とカウントされる。よって、2呼吸を1呼吸としてカウントし直す補正を行うとともに、呼吸周期を補正する。具体的には、一定期間の呼吸数を算出後、その算出結果の呼吸数を2で除算し、補正後の呼吸数とする。なお、一定期間の速度ベクトルのノルムの時系列データそのものから、例えばゼロクロス点によるカウント方法により、4(ゼロクロスの個数)×N(山の数)個分で1呼吸とカウントし直す補正を行うようにしてもよい。また、呼吸周期の補正は、例えば図10の例で説明すると、時間TA+TBを呼吸周期として算出し直す補正を行う。
14 to 16 are explanatory diagrams of calculation processing when counting respiration from the time-series data of the norm of the velocity vector in FIG. 14 shows the count by the zero cross point, FIG. 15 shows the count by the peak extraction, and FIG. 16 shows the count by the valley extraction. Here, it is assumed that the number N of peaks in the distribution of the respiratory cycle is N = 2.
In step S3, an algorithm that counts two mountains as one breath is adopted. Therefore, in the case of the measurement data in FIG. 10, as shown in FIGS. Be counted. Therefore, correction is performed to recount 2 breaths as 1 breath and the respiratory cycle is corrected. Specifically, after calculating the respiration rate for a certain period, the respiration rate of the calculation result is divided by 2 to obtain a corrected respiration rate. It should be noted that, from the time-series data of the norm of the velocity vector for a certain period, for example, correction is performed by recounting one breath for 4 (number of zero crosses) × N (number of peaks) by a counting method using zero cross points, for example. It may be. For example, the correction of the breathing cycle is performed by correcting the time TA + TB as the breathing cycle as described in the example of FIG.
以上のように、ステップS24で補正必要と判定した場合には、補正を行う。そして、補正後の呼吸数及び呼吸周期に基づいてステップS5の自律神経の状態判定及びステップS6〜10の睡眠深度の判定を行う。 As described above, if it is determined in step S24 that correction is necessary, correction is performed. Then, based on the corrected respiratory rate and respiratory cycle, the determination of the state of the autonomic nerve in step S5 and the determination of the sleep depth in steps S6 to S10 are performed.
演算装置50は以上のようにして判定した自律神経の状態及び睡眠深度の判定結果を例えば空気調和機等の外部機器に出力する。判定結果を受信した機器側では、判定結果に応じた機器制御が行われることになる。機器制御の具体例については後述の実施の形態6で説明する。
The
以上説明したように、本実施の形態1ではIQ平面の軌跡から差分ベクトル(速度ベクトル)を算出し、その差分ベクトルのノルムを算出し、そのノルムの時系列データから呼吸情報(呼吸数及び呼吸周期)を得るようにした。よって、従来のような周波数解析などの負荷が高い処理が不要となり、安価な演算装置50を用いて呼吸情報を得ることができる。また、呼吸情報と相関の深い自律神経の状態及び生体の睡眠深度を高速で判定することができる。なお、自律神経の状態と睡眠深度とには互いに関係性があることから、自律神経の状態を示す前記指標に基づいて睡眠深度を判定するようにしてもよい。呼吸に伴った自律神経の活動を推定することで、生理モデルに沿った睡眠状態の判定が可能になる。
As described above, in the first embodiment, a difference vector (velocity vector) is calculated from the locus of the IQ plane, a norm of the difference vector is calculated, and respiratory information (respiration rate and respiration) is calculated from the time series data of the norm. Period). Therefore, processing with a high load such as frequency analysis as in the past is not necessary, and respiratory information can be obtained using an inexpensive
また、本実施の形態1によれば、1呼吸を複数呼吸にカウントしてしまうカウント誤りを検出することができ、カウント誤りを検出した場合、呼吸数を補正するようにしたので、呼吸数の算出精度を向上することができる。その結果、自律神経の状態及び睡眠深度の判定精度を向上することができる。 In addition, according to the first embodiment, it is possible to detect a counting error that counts one breath as a plurality of breaths. When a counting error is detected, the respiratory rate is corrected. Calculation accuracy can be improved. As a result, the determination accuracy of the state of the autonomic nerve and the sleep depth can be improved.
また、呼吸数と呼吸周期の変動幅との両方を用いて多次元空間で自律神経の状態判定及び睡眠深度判定を行うようにしているため、高精度に判定することが可能である。なお、多少の精度低下は否めないが、呼吸数と呼吸周期の変動幅のどちらか一方に基づいて自律神経の状態判定及び睡眠深度判定を行うようにしても良い。また、本実施の形態1では、呼吸情報として、呼吸数と呼吸周期の変動幅を例に挙げたが、これに限られたものではなく、呼吸数の変動幅を更に呼吸情報に含めてもよい。 Moreover, since the determination of the state of the autonomic nerve and the determination of the sleep depth are performed in the multidimensional space using both the respiratory rate and the fluctuation range of the respiratory cycle, it is possible to determine with high accuracy. Although some accuracy degradation cannot be denied, the determination of the state of the autonomic nerve and the determination of the sleep depth may be performed based on one of the respiratory rate and the fluctuation range of the respiratory cycle. In the first embodiment, the respiratory information and the fluctuation range of the respiratory cycle are given as examples of the respiratory information. However, the present invention is not limited to this, and the respiratory information fluctuation range may be further included in the respiratory information. Good.
また、体表面の移動速度が速い場合、IQ信号の位相が360度以上変化することがある。この場合、IQ平面上の座標は同じとなるため、単なるIQ平面の座標からでは1呼吸をカウントすることが難しい。しかしながら、本実施の形態1では、各サンプリング間のIQ信号の速度ベクトルのノルムを用い、各サンプリング時間の間に体表面が動いたかあるいは止まったかといった事象に基づいて呼吸を検出しているため、体表面の移動速さによらず、呼吸をカウントすることができる。 In addition, when the moving speed of the body surface is fast, the phase of the IQ signal may change by 360 degrees or more. In this case, since the coordinates on the IQ plane are the same, it is difficult to count one breath from simple IQ plane coordinates. However, in the first embodiment, since the norm of the velocity vector of the IQ signal between each sampling is used and the respiration is detected based on an event such as whether the body surface has moved or stopped during each sampling time, Respiration can be counted regardless of the moving speed of the body surface.
また、本実施の形態1では、呼吸を検出する場合について説明したが、心拍及び脈波などIQ検波により変化を情報として取得できるものであれば上記と同様の方法で検知できる。なお、呼吸の場合は、心拍や脈波などに比べて体表面の動き幅が大きく、ゆっくりとした動きであるので、呼吸の折り返し点で速度が略ゼロになることを見い出し易い。このため、呼吸の場合は実施の形態1の方法が特に好ましい。また、呼吸の場合、体表面の動き幅が大きいため、体表面から離れた位置でも検出可能である。
In the first embodiment, the case of detecting respiration has been described. However, if changes such as heartbeats and pulse waves can be acquired as information by IQ detection, they can be detected by the same method as described above. In the case of respiration, since the body surface has a larger movement range than that of heartbeats and pulse waves and the movement is slow, it is easy to find that the speed becomes substantially zero at the turnaround point of respiration. For this reason, the method of
また、本実施の形態1では、睡眠中を中心に呼吸検出する例を説明したが、睡眠中だけではなく、リラックスしている状態、運転中など別の状態でもフィルター変更などにより、呼吸検出が可能である。ディジタルフィルターであれば自動でフィルター変更も可能であり、生体状態を取得するシーンに合わせて自動で設定を変更することも可能である。 In the first embodiment, an example of detecting respiration mainly during sleep has been described. However, respiration detection can be performed not only during sleep but also in a relaxed state or in another state such as driving by changing a filter. Is possible. If it is a digital filter, it is possible to change the filter automatically, and it is also possible to automatically change the setting according to the scene from which the biological state is acquired.
なお、呼吸の複数誤カウントを防止する方法として、例えば、IQ平面上の軌跡自体を移動平均でフィルターをかけて図9の波形において速度がゼロになる部分を吸収し、フィルター処理後の軌跡に基づき呼吸数カウントを行うようにしてもよい。この場合、呼吸が複数誤カウントされてしまうことを抑制できる。フィルターは移動平均としたが、微小変化や急峻な変化を抑制できるフィルターであればどれでも良い。 As a method for preventing multiple false counts of respiration, for example, the locus itself on the IQ plane is filtered with a moving average to absorb the portion where the velocity becomes zero in the waveform of FIG. Based on this, the respiratory rate may be counted. In this case, it is possible to prevent multiple breaths from being erroneously counted. The filter is a moving average, but any filter can be used as long as it can suppress minute changes and steep changes.
実施の形態2.(心拍検出)
実施の形態2は、心拍のように体動による体表面の動きが小さく、また、複雑な動きをする生体状態を取得する場合に好適な方法を説明するものである。
The second embodiment describes a method suitable for acquiring a biological state in which the movement of the body surface due to body movement is small like a heartbeat and the movement is complicated.
図17は、本発明の実施の形態2に係る生体状態取得システムの構成を示すブロック図である。図17において、図1に示した実施の形態1と同一部分には同一符号を付す。
実施の形態2の生体状態取得システム200は、バンドパスフィルター30が実施の形態1の呼吸用のバンドパスフィルター31に代えて心拍・体動用の高域のバンドパスフィルター32を備えている。また、生体状態取得手段52が、生体の心拍を検出して心拍数等の心拍情報を算出する心拍検出手段56と、自律神経状態判定手段54Aと、睡眠深度判定手段55Aとを備えている。その他の構成は実施の形態1と同様である。
FIG. 17 is a block diagram showing a configuration of the biological state acquisition system according to
In the biological
IQ検波器20の出力は、呼吸や心拍並びに体動も全て重畳された信号であるため、この信号を心拍及び体動検出用の高域のバンドパスフィルター32を通すことにより、心拍及び体動の信号を抽出する。抽出された信号は、AD変換器40でデジタル信号に変換されて演算装置50に入力される。なお、バンドパスフィルター32の通過周波数帯域は予め設定されている。
Since the output of the
心拍検出手段56は、IQ信号取得手段51で取得された取得信号(I信号及びQ信号)から高域成分を除去するローパスフィルター(図示せず)を備えている。演算装置50に入力された測定データをローパスフィルターに通過させることにより心拍信号を抽出する。そして、心拍検出手段56は、心拍信号の波形の周期的な変動に基づいて1心拍に対応する心拍信号を検出し、単位期間における心拍数を心拍情報として算出する。
The
自律神経状態判定手段54Aは、心拍検出手段56で算出された心拍情報に基づいて自律神経状態を示す指標を算出する。
The autonomic nerve
睡眠深度判定手段55Aは、心拍検出手段56で算出された心拍情報に基づいて睡眠深度を判定する。
The sleep
以下、実施の形態2が実施の形態1と異なる部分を中心に説明する。
図18は、本発明の実施の形態2に係る演算装置における生体状態取得処理の流れを示すフローチャートである。
(S31:I信号及びQ信号取得)
生体状態取得システムにおいてIQ検波器20から出力されたI信号及びQ信号は、呼吸や心拍並びに体動も全て混在した信号である。このため、IQ検波器20から出力されたI信号及びQ信号を心拍及び体動検知用の高域のバンドパスフィルター32に通すことにより、心拍信号及び体動信号を抽出する。そして、この信号がAD変換器40でデジタル信号に変換されてIQ信号取得手段51に入力される。なお、バンドパスフィルター32の通過周波数帯域は予め設定されている。このように、IQ信号取得手段51は、ヒトの体表面の動きに応じてAD変換器40から時系列に順次出力されるIQ信号(心拍及び体動信号)を取得する。
In the following, the second embodiment will be described focusing on the differences from the first embodiment.
FIG. 18 is a flowchart showing the flow of the biological state acquisition process in the arithmetic device according to the second embodiment of the present invention.
(S31: I signal and Q signal acquisition)
The I signal and the Q signal output from the
(S32:IQベクトルのノルムの時系列データを算出)
そして、心拍検出手段56は、IQ信号取得手段51で取得された取得信号(心拍信号及び体動信号が混在した信号)のIQ平面上の点を原点からのベクトルで表現する(以下、このベクトル(IQ平面上の取得信号の位置ベクトル)をIQベクトルという)。そして、そのIQベクトルのノルム(振幅=I及びQそれぞれの自乗和の平方根)を算出する。
(S32: Calculate time series data of norm of IQ vector)
The
(S33:心拍信号抽出)
ここで、IQ信号取得手段51で取得された取得信号は、心拍信号及び体動信号が混在した信号であるため、心拍検出手段56は、上述したようにローパスフィルター(図示せず)を通過させる。この結果、心拍による脈動を示す心拍信号の波形が得られる。
(S33: Heartbeat signal extraction)
Here, since the acquisition signal acquired by the IQ
図19は、心拍信号と体動信号とが混在した状態のIQ信号出力を示す図で、バンドパスフィルター後のIQ信号を示している。図20は、図19の信号出力を包絡線処理後、ローパスフィルター処理した後のベクトルノルムの波形を示す図である。図20には、参考のため、リファレンス(実際の脈動波形)も示している。
図19と図20とを比較して明らかなように、ローパスフィルター(図示せず)を通過させることにより、実際の脈動波形と同期した心拍信号の波形が得られている。
FIG. 19 is a diagram showing the IQ signal output in a state where the heartbeat signal and the body motion signal are mixed, and shows the IQ signal after the band-pass filter. FIG. 20 is a diagram showing a vector norm waveform after the signal output of FIG. 19 is subjected to envelope processing and low-pass filter processing. FIG. 20 also shows a reference (actual pulsation waveform) for reference.
As apparent from comparison between FIG. 19 and FIG. 20, the waveform of the heartbeat signal synchronized with the actual pulsation waveform is obtained by passing through a low-pass filter (not shown).
心拍検出手段56は、ローパスフィルター通過後の心拍信号(I信号及びQ信号)の波形の周期的な変動に基づいて1心拍に対応する心拍信号を検出し、単位期間における心拍数を心拍情報として算出する。以下、心拍検出の具体的な処理について説明する。
The
(S34:単位期間の心拍数と一定期間の心拍数の変動幅算出)
図21は、ローパスフィルター処理後のI信号及びQ信号の信号強度(振幅=I及びQそれぞれの自乗和の平方根)の時系列データを示す図である。図21は図20の一部拡大図に相当する。
心拍検出手段56は、ローパスフィルター処理後のI信号及びQ信号の信号強度(振幅=I及びQそれぞれの自乗和の平方根)の時系列データ(以下、振幅時系列データという)から心拍数をカウントする。図21に示すように、振幅時系列データのピークから次のピークまでを1拍としてカウントする。
(S34: Calculating fluctuation range of heart rate during unit period and heart rate during certain period)
FIG. 21 is a diagram showing time-series data of the signal strength (amplitude = square root of sum of squares of I and Q) of the I signal and the Q signal after the low-pass filter processing. FIG. 21 corresponds to a partially enlarged view of FIG.
The heart rate detecting means 56 counts the heart rate from time series data (hereinafter referred to as amplitude time series data) of the signal intensity (amplitude = square root of sum of squares of I and Q) of the I signal and the Q signal after low pass filter processing. To do. As shown in FIG. 21, the time from the peak of the amplitude time series data to the next peak is counted as one beat.
振幅時系列データから心拍数をカウントするための具体的な演算処理としては、図22〜図24に示す方法を用いることができる。図22の方法では、振幅時系列データから一定値を引き算し、引き算後のデータのゼロクロス点を検出する。そして、3つのゼロクロス点ごとに1拍とカウントする。また、別の方法として、図23に示すように振幅時系列データのピークを抽出し、一つのピークが現れてから次のピークが現れるまでを1拍としてカウントするようにしてもよい。また、更に別の方法として、図24に示すように振幅時系列データの谷の底辺を抽出し、一つの谷底辺が現れてから次の谷底辺が現れるまでを1拍としてカウントするようにしてもよい。 As a specific calculation process for counting the heart rate from the amplitude time series data, the methods shown in FIGS. 22 to 24 can be used. In the method of FIG. 22, a constant value is subtracted from the amplitude time series data, and the zero cross point of the data after subtraction is detected. One beat is counted for every three zero-cross points. As another method, as shown in FIG. 23, the peak of amplitude time series data may be extracted, and the time from the appearance of one peak to the appearance of the next peak may be counted as one beat. As another method, as shown in FIG. 24, the bottom of the valley of the amplitude time series data is extracted, and the time from when one valley bottom appears until the next valley bottom appears is counted as one beat. Also good.
(心拍数時系列データ生成)
心拍検出手段56は、以上の方法で単位期間(例えば過去1分間)の心拍数を算出する。以上の心拍数の算出を一定期間(例えば3分間)に渡って行い、心拍数時系列データを生成する。また、心拍検出手段56は、一定期間内の心拍数の変動幅(標準偏差)を算出する。以上のように、心拍検出手段56は、心拍数及び心拍数の変動幅を心拍情報として算出する。
(Heart rate time series data generation)
The heart
(S35:心拍数の補正要否判定・補正(補正要の場合))
睡眠中において、心拍による体表面の脈動が複雑である場合、例えば1拍の中で体表面が2段階に脈打つ場合が考えられる。この場合、上記の方法では1拍が複数の拍動としてカウントされる場合がある。この場合、心拍数の補正が必要である。よって、ステップS35では、心拍を正確にカウントできているかを判別するための、心拍数の補正要否判定を行う。なお、補正要不要判定処理の詳細は後述することにし、ここでは心拍数を正確にカウントでき、補正不要と判定した場合の生体状態取得処理の説明を続ける。
(S35: Heart rate correction necessity determination / correction (if correction is required))
During sleep, when the pulsation of the body surface due to a heartbeat is complicated, for example, the body surface may pulsate in two stages in one beat. In this case, in the above method, one beat may be counted as a plurality of beats. In this case, the heart rate needs to be corrected. Therefore, in step S35, it is determined whether or not the heart rate needs to be corrected in order to determine whether the heart rate can be accurately counted. The details of the correction necessity determination process will be described later. Here, the description of the biological state acquisition process when it is determined that the heart rate can be accurately counted and correction is unnecessary is continued.
(S36:自律神経の状態判定)
自律神経状態判定手段54Aは、心拍検出手段56で算出された心拍情報に基づいて自律神経の状態を判定するための指標を算出する。この指標は、単位時間の心拍数又は一定期間における心拍数の変動幅そのものの値であってもよいし、何らかの関数にそれぞれを代入して得られた値等でもよく、交感神経が優位なほど、大きい値を取るものとする。この指標により自律神経の状態を判定することができる。例えば、指標と予め設定した閾値とを比較し、指標が閾値よりも大きい場合、交感神経優位と判定し、指標が閾値未満の場合、副交感神経優位と判定する。その他、例えば交感神経の活動度合いを判定するようにしてもよい。
(S36: Autonomic nerve state determination)
The autonomic nerve
(S37〜S41:睡眠深度判定)
また、睡眠深度判定手段55Aは、心拍検出手段56で算出された心拍情報に基づいて睡眠深度を判定する。次に、睡眠深度判定手段55Aの動作について説明する。
(S37-S41: Sleep depth determination)
The sleep
睡眠中のヒトの心拍数は、上述した呼吸数と同様、睡眠深度によって様相が変化することが知られている。一般的に深睡眠中の心拍数は低く安定(心拍数変動幅は小さい)、浅い睡眠中は心拍数が高く不安定(心拍数変動幅が大きい)である。また、REM睡眠中は最も不安定で、心拍数変動幅は更に大きい。よって、REM睡眠、浅睡眠、深睡眠を判定するための第1心拍数閾値、第2心拍数閾値(<第1心拍数閾値)、第1心拍数変動幅閾値、第2心拍数変動幅閾値(<第1心拍数変動幅閾値)を予め設定しておき、各閾値との比較により睡眠深度を判定する。 It is known that the human heart rate during sleep changes in appearance depending on the sleep depth, similar to the above-described respiratory rate. In general, the heart rate during deep sleep is low and stable (the heart rate fluctuation range is small), and during shallow sleep, the heart rate is high and unstable (the heart rate fluctuation range is large). Moreover, it is the most unstable during REM sleep, and the heart rate fluctuation range is even larger. Therefore, the first heart rate threshold value, the second heart rate threshold value (<first heart rate threshold value), the first heart rate fluctuation range threshold value, and the second heart rate fluctuation range threshold value for determining REM sleep, shallow sleep, and deep sleep. (<First heart rate fluctuation range threshold) is set in advance, and the sleep depth is determined by comparison with each threshold.
すなわち、心拍数が第1心拍数閾値以上で且つ心拍数変動幅が第1心拍数変動幅閾値以上であればREM睡眠と判定する(S37、S39)。心拍数が第1心拍数閾値未満で第2心拍数閾値以上、且つ心拍数変動幅が第1心拍数変動幅閾値未満で第2心拍数変動幅閾値以上であれば浅睡眠と判定する(S38、S40)。心拍数が第2心拍数閾値未満且つ心拍数変動幅が第2心拍数変動幅閾値未満であれば深睡眠と判定する(S38、S41)。 That is, if the heart rate is equal to or greater than the first heart rate threshold and the heart rate variation is equal to or greater than the first heart rate variation, the REM sleep is determined (S37, S39). If the heart rate is less than the first heart rate threshold value and greater than or equal to the second heart rate threshold value, and the heart rate fluctuation width is less than the first heart rate fluctuation width threshold and greater than or equal to the second heart rate fluctuation width threshold value, it is determined to be shallow sleep (S38). , S40). If the heart rate is less than the second heart rate threshold value and the heart rate fluctuation range is less than the second heart rate fluctuation range threshold value, it is determined to be deep sleep (S38, S41).
これらの各閾値は、学習期間を設けて1睡眠サイクル以上の睡眠データを取得し、その睡眠データに基づいて個人毎に設定するようにしてもよい。学習期間の睡眠データを所定のアルゴリズムに基づいて分析し、閾値となる値を判別して自動設定するようにしてもよい。 These threshold values may be set for each individual based on the sleep data obtained by providing a learning period and acquiring sleep data of one sleep cycle or more. The sleep data during the learning period may be analyzed based on a predetermined algorithm, and a threshold value may be determined and automatically set.
(図18のステップS35の心拍数の補正要否判定の詳細説明)
以下、心拍数の補正要否判定の詳細について説明する。心拍数の補正が必要な場合とは、上述したように、例えば1拍の中で体表面が2段階に脈打つ場合等が該当する。次の図25に、体表面の動きが複雑な場合の体表面の変位量(の平均値)の時系列データの一例を示す。
(Detailed description of the heart rate correction necessity determination in step S35 in FIG. 18)
Hereinafter, details of the necessity determination of heart rate correction will be described. The case where the heart rate needs to be corrected corresponds to, for example, the case where the body surface pulsates in two stages in one beat as described above. FIG. 25 shows an example of time-series data of the displacement amount (average value) of the body surface when the movement of the body surface is complicated.
図25は、振幅時系列データを示す図で、1拍の中で体表面が2段階に脈打つ場合の心拍信号を示している。
心拍検出手段56は、振幅時系列データから心拍数をカウントする場合、図25の測定データでは、正確には1拍であるところ、図26〜図28に示すように2拍としてカウントされる。図26〜図28は、それぞれ図22〜図24で示したカウント方法に対応している。心拍数の補正要否判定のアルゴリズムは、基本的に実施の形態1の呼吸数の補正要否判定のアルゴリズムと同様であり、以下、心拍数の補正要否判定処理について簡単に説明する。
FIG. 25 is a diagram showing amplitude time-series data, and shows a heartbeat signal when the body surface pulsates in two stages in one beat.
When the
図29は、図18の補正要否判定処理及び補正処理(補正要の場合)の流れを示すフローチャートである。また、図30及び図31は、単位期間毎の心拍数と、心拍数の頻度分布とを示す図であり、図30は心拍数カウントが正常に行われている場合、図31は正常に行われていない場合を示している。
図30及び図31との比較から分かるように、正常に心拍数カウントが行われている場合は略正規分布状の形状となるのに対し、正常に行われていない場合は複数(ここでは2つ)の山を持つ形状となる。
FIG. 29 is a flowchart showing a flow of the correction necessity determination process and the correction process (when correction is necessary) in FIG. 30 and 31 are diagrams showing the heart rate for each unit period and the frequency distribution of the heart rate. FIG. 30 shows the case where the heart rate count is normally performed, and FIG. The case where it is not broken is shown.
As can be seen from comparison with FIG. 30 and FIG. 31, when the heart rate count is normally performed, the shape is substantially normal distribution, whereas when it is not normally performed, a plurality of (here 2 Shape).
よって、心拍検出手段56は心拍数の頻度分布を算出し(S51)、該分布が略正規分布状の形状であるか否かをチェックする(S52)。分布が略正規分布状の形状であれば、正常な心拍数算出が行われているものと判断して補正不要と判定する(S53)。一方、分布が略正規分布状の形状から乖離していれば、正常な心拍数算出が行われていないものと判断して補正必要と判定する(S54)。心拍数の分布が略正規分布状の形状であるか否かの判断は、実施の形態1と同様の方法を使用できる。 Therefore, the heart rate detection means 56 calculates the frequency distribution of the heart rate (S51) and checks whether or not the distribution has a substantially normal distribution shape (S52). If the distribution is a substantially normal distribution shape, it is determined that normal heart rate calculation has been performed, and it is determined that correction is unnecessary (S53). On the other hand, if the distribution deviates from the substantially normal distribution shape, it is determined that normal heart rate calculation has not been performed, and it is determined that correction is necessary (S54). The same method as in the first embodiment can be used to determine whether the heart rate distribution has a substantially normal distribution shape.
上記アルゴリズムで補正必要と判定した場合(S55)、心拍検出手段56は、心拍数の分布の山の個数Nを推定する(例えば最尤推定などで)(S56)。そして、個数Nに基づいてステップS34(図18参照)で算出した心拍数を過去一定期間に渡って補正する(S57)。具体的には、山の個数がN個であった場合、N拍を1拍としてカウントし直す。これによって正確な心拍数の情報を得ることができる。 When it is determined that correction is required by the above algorithm (S55), the heart rate detecting means 56 estimates the number N of peaks of the heart rate distribution (for example, by maximum likelihood estimation) (S56). Based on the number N, the heart rate calculated in step S34 (see FIG. 18) is corrected over the past certain period (S57). Specifically, when the number of peaks is N, N beats are counted again as one beat. Thus, accurate heart rate information can be obtained.
以上のように、ステップS54で補正が必要と判定した場合には、補正を行う。そして、補正後の心拍情報に基づいてステップS36の自律神経の状態判定及びステップS37〜S41の睡眠深度の判定を行う。 As described above, when it is determined in step S54 that correction is necessary, correction is performed. Then, based on the corrected heartbeat information, the state determination of the autonomic nerve in step S36 and the sleep depth determination in steps S37 to S41 are performed.
演算装置50は以上のようにして判定した自律神経の状態及び睡眠深度の判定結果を例えば空気調和機等の外部機器に出力する。判定結果を受信した機器側では、判定結果に応じた機器制御が行われることになる。機器制御の具体例については後述の実施の形態6で説明する。
The
以上説明したように、本実施の形態2ではIQベクトルのノルムを算出し、そのノルムの時系列データから心拍数を検出するようにした。よって、従来のような周波数解析などの負荷が高い処理が不要となり、低負荷で高速に心拍数の算出を行うことができる。また、負荷が高い処理が不要となるため、安価な演算装置50を用いて心拍数を得ることができる。また、心拍数と相関の深い自律神経の状態及び生体の睡眠深度を高速に判定することができる。なお、自律神経の状態と睡眠深度とには互いに関係性があることから、自律神経の状態を示す前記指標に基づいて睡眠深度を判定するようにしてもよい。心拍に伴った自律神経の活動を推定することで、生理モデルに沿った睡眠状態の判定が可能になる。
As described above, in the second embodiment, the norm of the IQ vector is calculated, and the heart rate is detected from the time series data of the norm. Therefore, the conventional high load processing such as frequency analysis is not required, and the heart rate can be calculated at high speed with low load. In addition, since a process with a high load is not required, the heart rate can be obtained using an inexpensive
また、本実施の形態2によれば、1心拍を複数心拍にカウントしてしまうカウント誤りを検出することができ、カウント誤りを検出した場合、心拍数を補正するようにしたので、心拍数の算出精度を向上することができる。その結果、自律神経の状態及び睡眠深度の判定精度を向上することができる。 Further, according to the second embodiment, it is possible to detect a count error that counts one heartbeat into a plurality of heartbeats, and when a count error is detected, the heart rate is corrected. Calculation accuracy can be improved. As a result, the determination accuracy of the state of the autonomic nerve and the sleep depth can be improved.
なお、心拍による体表面の脈動は動きが速く、且つ動きが複雑であるため、実施の形態1の方法では心拍信号を抽出できない場合がある。すなわち、心拍の折り返し点以外にも速度がゼロになる点が多い(個人差も大きい)。このため、速度がゼロになることを手がかりとする実施の形態1の方法では、心拍を検出することが難しい。これに対し、実施の形態2の方法では、信号強度の時系列変化から心拍を検出するため、簡易に心拍を検出することができる。 Note that since the pulsation of the body surface due to the heartbeat is fast and complicated, the heartbeat signal may not be extracted by the method of the first embodiment. In other words, there are many points where the speed becomes zero in addition to the turning point of the heartbeat (the individual difference is also large). For this reason, it is difficult to detect the heartbeat with the method of the first embodiment, which is based on the fact that the speed becomes zero. On the other hand, in the method of the second embodiment, since the heartbeat is detected from the time series change of the signal intensity, the heartbeat can be easily detected.
また、本実施の形態2では、心拍を検出する場合について説明したが、必ずしも心拍に限定されず、呼吸及び脈波などIQ検波により変化を情報として取得できるものであれば同様の方法で検出できる。 In the second embodiment, the case of detecting a heartbeat has been described. However, the present invention is not necessarily limited to a heartbeat, and can be detected by a similar method as long as changes such as respiration and pulse wave can be acquired as information by IQ detection. .
また、本実施の形態2では、心拍数と心拍数変動幅との両方に基づいて自律神経の状態判定及び睡眠深度判定を行う例を示したが、心拍数と心拍数変動幅のどちらか一方に基づいて判定を行うようにしても良い。心拍数と心拍数変動幅との両方を用いた場合、多次元空間で判定することで、高精度に判定することが可能である。また、自律神経の状態と睡眠深度とには互いに関係性があることから、自律神経の状態を示す前記指標に基づいて睡眠深度を判定するようにしてもよい。
Moreover, in this
実施の形態3.(体動検出)
実施の形態3は、生体状態として、特に体動を取得する生体状態取得装置について説明する。
In the third embodiment, a biological state acquisition device that acquires body movements as the biological state will be described.
図32は、本発明の実施の形態3に係る生体状態取得システムの構成を示すブロック図である。図32において、図17に示した実施の形態2と同一部分には同一符号を付す。
実施の形態3の生体状態取得システム300は、生体状態取得手段52が、体動検出手段57と、自律神経状態判定手段54Bと、睡眠深度判定手段55Bとを備えており、その他の構成は実施の形態2と同様である。以下、実施の形態3が実施の形態2と異なる部分を中心に説明する。
体動検出手段57は、IQ信号取得手段51で取得された取得信号(I信号及びQ信号)のIQ平面上の軌跡から例えば寝返りなどの体動を検出するものである。
FIG. 32 is a block diagram showing a configuration of the biological state acquisition system according to
In the biological
The body
体動検出手段57は、IQ信号取得手段51で取得された取得信号(I信号及びQ信号)のIQ平面上の点を原点からのベクトルで表現する(以下、このベクトル(IQ平面上の取得信号の位置ベクトル)をIQベクトルという)。体動が生ずるときは、心拍や呼吸と比べて体表面の動きは変位量が大きく、変位する時間は短い。よって、体動が生じた瞬間のIQベクトルのノルムは大きな値となる。体動検出手段57はこの特徴を利用して体動検出を行う。すなわち、体動検出手段57は、各サンプリング毎のIQベクトルのノルム又はノルムの自乗を算出し、単位期間(例えば5秒間)に得られたこれらの値を積算(積分または総和を算出)する。そして、積算値に対して閾値判定を行い、その単位期間における体動の有無を判定する。また、体動検出手段57は、体動の有無判定の結果に基づいて一定期間(例えば8分)内の体動数を算出する。
The body motion detection means 57 expresses a point on the IQ plane of the acquisition signal (I signal and Q signal) acquired by the IQ signal acquisition means 51 as a vector from the origin (hereinafter referred to as this vector (acquisition on the IQ plane). Signal position vector) is called IQ vector). When body movement occurs, the amount of displacement of the body surface movement is larger than that of heartbeat and respiration, and the displacement time is short. Therefore, the norm of the IQ vector at the moment when the body motion occurs becomes a large value. The body motion detection means 57 performs body motion detection using this feature. That is, the body motion detection means 57 calculates the norm of the IQ vector for each sampling or the square of the norm, and integrates these values obtained in a unit period (for example, 5 seconds) (calculates integration or summation). Then, threshold determination is performed on the integrated value, and the presence or absence of body movement in the unit period is determined. In addition, the body
自律神経状態判定手段54Bは、体動検出手段57で算出された体動数に基づいて自律神経の状態を判定する。
The autonomic nerve
睡眠深度判定手段55Bは、体動検出手段57で算出された体動数に基づいて睡眠深度を判定する。
The sleep
図33は、本発明の実施の形態3に係る演算装置における生体状態取得処理の流れを示すフローチャートである。
(S61:I信号及びQ信号取得)
生体状態取得システムにおいてIQ検波器20から出力されたI信号及びQ信号は、呼吸や心拍並びに体動も全て混在した信号である。このため、IQ検波器20から出力されたI信号及びQ信号を心拍及び体動検知用の高域のバンドパスフィルター32に通すことにより、心拍信号及び体動信号を抽出する。そして、この信号がAD変換器40でデジタル信号に変換されてIQ信号取得手段51に入力される。なお、バンドパスフィルター32の通過周波数帯域は予め設定されている。このように、IQ信号取得手段51は、ヒトの体表面の動きに応じてAD変換器40から時系列に順次出力されるIQ信号(心拍及び体動信号)を取得する。
FIG. 33 is a flowchart showing the flow of the biological state acquisition process in the arithmetic device according to
(S61: I signal and Q signal acquisition)
The I signal and the Q signal output from the
(S62:ノルム積算)
そして、体動検出手段57は、サンプリングタイム毎の取得信号(心拍信号及び体動信号が混在した信号)のIQベクトルのノルム(=I及びQそれぞれの自乗和の平方根)を算出し、単位期間(例えば、5秒)のノルムの積算値を算出する。
(S62: Norm integration)
The body motion detection means 57 calculates the norm (= square root of the sum of squares of I and Q) of the IQ vector of the acquired signal (signal in which the heartbeat signal and the body motion signal are mixed) for each sampling time, and the unit period The integrated value of the norm (for example, 5 seconds) is calculated.
(S63〜66:一定期間の体動数算出)
体動検出手段57は、単位期間のノルムの積算値と予め設定された閾値とを比較し(S63)、単位期間のノルムの積算値が閾値以上であれば体動有りと判定し、体動発生数としてカウントする(S64)。単位期間のノルムの積算値が閾値未満であれば、体動無しと判定する(S65)。ステップS31〜S34までの処理を一定期間(例えば8分)行う(S66)。
(S63-66: calculation of the number of body movements during a certain period)
The body motion detection means 57 compares the norm integrated value of the unit period with a preset threshold value (S63), and determines that there is body motion if the integrated value of the norm of the unit period is equal to or greater than the threshold value. The number of occurrences is counted (S64). If the integrated value of the norm of the unit period is less than the threshold value, it is determined that there is no body movement (S65). The processes from step S31 to S34 are performed for a certain period (for example, 8 minutes) (S66).
(S67:自律神経の状態判定)
一定期間が経過すると、自律神経状態判定手段54Bは、ステップS63〜S66でカウントされた一定期間内の体動数に基づき自律神経の状態を判定するための指標を算出する。この指標は、体動数そのものの値であってもよいし、何らかの関数にそれぞれを代入して得られた値等でもよく、ここでは交感神経が優位なほど、大きい値を取るものとする。この指標により、自律神経の状態を判定することができる。例えば、指標と予め設定した閾値とを比較し、指標が閾値よりも大きい場合、交感神経優位と判定し、指標が閾値未満の場合、副交感神経優位と判定する。その他、例えば交感神経の活動度合いを判定するようにしてもよい。
(S67: Autonomic nerve state determination)
When the certain period has elapsed, the autonomic nerve
(S68〜S74:睡眠深度判定)
また、睡眠深度判定手段55Bは、一定期間の体動数に基づいて睡眠深度を判定する。次に、睡眠深度判定手段55Bの動作について説明する。
(S68-S74: Sleep depth determination)
Moreover, the sleep depth determination means 55B determines the sleep depth based on the number of body movements during a certain period. Next, the operation of the sleep depth determination means 55B will be described.
睡眠中のヒトの体動は、睡眠深度によって様相が変化することが知られている。一般的に深睡眠中及びREM睡眠中の体動数は少なく、睡眠が浅くなるほど体動数が多くなり、覚醒状態では最も体動数が多くなる。よって、覚醒、浅睡眠、REM睡眠及び深睡眠をそれぞれ判定するための第1体動数閾値、第2体動数閾値(<第1体動数閾値)及び第3体動数閾値(<第2体動数閾値)を予め実験などにより求めて設定しておき、各閾値との比較により睡眠深度を判定する。 It is known that aspects of human body movement during sleep change depending on the depth of sleep. Generally, the number of body movements during deep sleep and REM sleep is small, and the number of body movements increases as sleep becomes shallower, and the number of body movements increases most in the awake state. Therefore, the first body motion threshold, the second body motion threshold (<first body motion threshold), and the third body motion threshold (<first motion) for determining awakening, light sleep, REM sleep, and deep sleep, respectively. (2 body motion number threshold) is obtained and set in advance by experiments or the like, and the sleep depth is determined by comparison with each threshold.
すなわち、一定期間の体動数が第1体動数閾値以上であれば覚醒と判定する(S68、S69)。一定期間の体動数が第1体動数閾値未満で且つ第2体動数閾値以上であれば浅睡眠と判定する(S70、S71)。一定期間の体動数が第2体動数閾値未満で且つ第3体動数閾値以上であればREM睡眠と判定する(S72、S73)。一定期間の体動数が第3体動数閾値未満であれば深睡眠と判定する(S72、S74)。 That is, if the number of body motions during a certain period is equal to or greater than the first body motion number threshold value, it is determined that the user is awake (S68, S69). If the number of body motions in a certain period is less than the first body motion number threshold and greater than or equal to the second body motion number threshold, it is determined that the sleep is shallow (S70, S71). If the number of body motions in a certain period is less than the second body motion number threshold value and greater than or equal to the third body motion number threshold value, it is determined as REM sleep (S72, S73). If the number of body motions during a certain period is less than the third body motion number threshold, it is determined that the sleep is deep (S72, S74).
これらの各閾値は、学習期間を設けて1睡眠サイクル以上の睡眠データを取得し、その睡眠データに基づいて個人毎に設定するようにしてもよい。また、学習期間の睡眠データを所定のアルゴリズムに基づいて分析し、閾値となる値を判別して自動設定するようにしてもよい。 These threshold values may be set for each individual based on the sleep data obtained by providing a learning period and acquiring sleep data of one sleep cycle or more. Further, sleep data during the learning period may be analyzed based on a predetermined algorithm, and a threshold value may be determined and automatically set.
演算装置50は以上のようにして判定された自律神経の状態及び睡眠深度の判定結果を例えば空気調和機等の外部機器に出力する。判定結果を受信した機器側では、判定結果に応じた機器制御が行われることになる。機器制御の具体例については後述の実施の形態6で説明する。
The
以上説明したように、本実施の形態3ではIQベクトルのノルムの積算値から体動の有無を検出するようにした。すなわち、従来のような周波数解析などの負荷が高い処理が不要となり、低負荷で高速に体動の有無検出及び一定期間内の体動数算出を行うことができる。また、負荷が高い処理が不要となるため、安価な演算装置50を用いて体動情報を得ることができる。また、体動情報と相関の深い自律神経の状態及び睡眠深度を高速に判定することができる。なお、自律神経の状態と睡眠深度とには互いに関係性があることから、自律神経の状態を示す前記指標に基づいて睡眠深度を判定するようにしてもよい。心拍に伴った自律神経の活動を推定することで、生理モデルに沿った睡眠状態の判定が可能になる。
As described above, in the third embodiment, the presence or absence of body movement is detected from the integrated value of the norm of the IQ vector. That is, the conventional high-load processing such as frequency analysis is not required, and it is possible to detect the presence / absence of body movement and calculate the number of body movements within a certain period of time with a low load. Further, since a process with a high load is not required, body motion information can be obtained using an inexpensive
実施の形態4.(呼吸、心拍及び体動の組合せ)
上記実施の形態1〜3では、生体状態取得手段52がそれぞれ呼吸検出手段53、心拍検出手段56、体動検出手段57を別々に備えた例を説明した。実施の形態4の生体状態取得システムにおける生体状態取得手段52は、これら全ての検出手段を備えた構成としたものである。
Embodiment 4 FIG. (Combination of breathing, heart rate and body movement)
In the first to third embodiments, the example in which the biological
図34は、本発明の実施の形態4に係る生体状態取得システムの構成を示すブロック図である。図34において、図1、図17、図32に示した実施の形態1〜3のブロック図と同一部分には同一符号を付す。
実施の形態4の生体状態取得システム400は、生体状態取得手段52が、実施の形態1〜3と同様の呼吸検出手段53、心拍検出手段56及び体動検出手段57を備えている。更に、生体状態取得手段52は、各検出手段53,56,57の検出結果(ヒト(生体)の呼吸数、呼吸周期変動(呼吸数変動)、心拍数、心拍数変動、体動数)を適宜組み合わせて自律神経状態を判定する自律神経状態判定手段54Cを備えている。また、生体状態取得手段52は、各検出手段53,56,57の検出結果(ヒト(生体)の呼吸数、呼吸周期変動(呼吸数変動)、心拍数、心拍数変動、体動数)を適宜組み合わせてヒトの睡眠深度を判定する睡眠深度判定手段55Cを備えている。これら複数の検出結果を組み合わせて自律神経の状態及び睡眠深度を判定することにより、心拍、呼吸及び体動のそれぞれのみを用いて自律神経の状態及び睡眠深度を判定する方法と比べて、高精度な判定が可能である。以下、実施の形態4が実施の形態1〜3と異なる部分を中心に説明する。
FIG. 34 is a block diagram showing a configuration of a biological state acquisition system according to Embodiment 4 of the present invention. 34, the same reference numerals are given to the same portions as those in the block diagrams of the first to third embodiments shown in FIGS.
In the biological
図35は、浅睡眠(覚醒含む)、深睡眠及びREM睡眠のそれぞれの場合の体動、呼吸及び心拍の特徴を示した図で、単位期間の体動数、呼吸数及び心拍数をそれぞれ時系列にプロットした図である。なお、体動についてはIQベクトルのノルムの時系列データも図35と同様の特徴を示す線図となる。浅睡眠と覚醒とは、体動、呼吸及び心拍のそれぞれにおいて同様の特徴を有していることから、一つの項目にまとめている。なお、覚醒時の体動は、浅睡眠の場合に比べて更に体動の動きが大きく、また発生数も多い特徴を有しており、図中に点線で示している。 FIG. 35 is a diagram showing characteristics of body motion, respiration, and heart rate in each case of light sleep (including awakening), deep sleep, and REM sleep. It is the figure plotted to the series. For body motion, the IQ vector norm time-series data is a diagram showing the same characteristics as in FIG. Since light sleep and awakening have the same characteristics in each of body movement, breathing, and heart rate, they are combined into one item. The body movement at the time of awakening has a feature that the movement of the body movement is larger and the number of occurrences is larger than that in the case of shallow sleep, and is indicated by a dotted line in the figure.
図35から明らかなように、体動は、浅睡眠(覚醒含む)の場合、深睡眠及びREM睡眠の場合に比べて動きが大きくまた発生回数も多い。このため、体動情報により浅睡眠である第1状態か、深睡眠又はREM睡眠のどちらかである第2状態かを区別できる。また、実施の形態3で説明したように、体動数のみで深睡眠とREM睡眠とを区別することも可能ではあるが、両睡眠状態共、体動の動きが小さくまた発生回数が少ないため、高精度な睡眠状態の判定は難しい。しかし、図35の呼吸及び心拍に着目すると、呼吸及び心拍は深睡眠では安定し、REM睡眠では不安定であるという特徴がある。よって、呼吸と心拍のうち少なくとも一方を更に用いることにより深睡眠とREM睡眠とを区別することが可能である。
実施の形態4の演算装置50は、以上の特徴を踏まえた睡眠深度の判定を行う。
As is clear from FIG. 35, the body movement is larger in the number of times of occurrence in the case of shallow sleep (including awakening) than in the case of deep sleep and REM sleep. For this reason, it can distinguish from the 1st state which is a shallow sleep, or the 2nd state which is either deep sleep or REM sleep by body motion information. In addition, as described in the third embodiment, it is possible to distinguish deep sleep and REM sleep only by the number of body movements, but since both the sleeping states have small movements and few occurrences. It is difficult to determine a sleep state with high accuracy. However, focusing on the respiration and heartbeat in FIG. 35, the respiration and heartbeat are characterized by being stable in deep sleep and unstable in REM sleep. Therefore, deep sleep and REM sleep can be distinguished by further using at least one of respiration and heartbeat.
The
図36は、本発明の実施の形態4に係る演算装置における生体状態取得処理の流れを示すフローチャートである。
(S81〜S83:体動、呼吸、心拍に関する情報取得)
生体状態取得手段52の体動検出手段57、呼吸検出手段53及び心拍検出手段56のそれぞれは、ある睡眠深度判定期間(例えば8分間)内において、体動、呼吸及び心拍をそれぞれ検出する。体動検出手段57、呼吸検出手段53及び心拍検出手段56のそれぞれの動作は上記実施の形態と同様であり、体動検出手段57は体動数を算出し(S81)、呼吸検出手段53は呼吸数及び呼吸周期の変動幅を算出する(S82)。心拍検出手段56は心拍数及び心拍数変動幅を算出する(S83)。
FIG. 36 is a flowchart showing the flow of the biological state acquisition process in the arithmetic device according to Embodiment 4 of the present invention.
(S81-S83: Acquisition of information on body movement, breathing, heart rate)
Each of the body
(S84:自律神経状態判定)
そして、自律神経状態判定手段54Cは、体動、呼吸及び心拍に関する各種算出結果に基づき自律神経の状態を判定する。すなわち、体動発生数、呼吸数、呼吸周期の変動幅、心拍数及び心拍数の変動幅を複数組み合わせて用い、自律神経の状態を判定するための指標を算出する。この指標は何らかの関数にそれぞれを代入して得られた値等でもよく、交感神経が優位なほど、大きい値を取るものとする。この指標により、自律神経の状態を判定することができる。例えば、指標と予め設定した閾値とを比較し、指標が閾値よりも大きい場合、交感神経優位と判定し、指標が閾値未満の場合、副交感神経優位と判定する。その他、例えば交感神経の活動度合いを判定するようにしてもよい。
(S84: Autonomic state determination)
Then, the autonomic nerve
(S85〜S91:睡眠深度判定)
また、睡眠深度判定手段55Cは、体動検出手段57で算出された一定期間の体動数に基づいて、まず、睡眠深度が覚醒又は浅睡眠の第1状態か、REM睡眠又は深睡眠のどちらかである第2状態かを区別する。すなわち、体動数が第2体動数閾値(実施の形態3の図33参照)以上で、且つ体動信号のIQベクトルのノルムの積算値が予め設定された第1体動積算値閾値よりも大きいか否かを判断する(S85)。この判断がYESであれば、睡眠深度が第1状態と判定し、覚醒又は浅睡眠のどちらかであると判断できる。
(S85-S91: Sleep depth determination)
The sleep depth determination means 55C first determines whether the sleep depth is the first state of wakefulness or shallow sleep based on the number of body movements for a certain period calculated by the body motion detection means 57, whether REM sleep or deep sleep. The second state is distinguished. That is, the number of body motions is greater than or equal to the second body motion number threshold (see FIG. 33 of Embodiment 3), and the integrated value of the norm of the IQ vector of the body motion signal is greater than the preset first body motion integrated value threshold. It is determined whether or not is larger (S85). If this determination is YES, it is determined that the sleep depth is in the first state, and that it is either awakening or shallow sleep.
この場合、続いて、睡眠深度が覚醒と浅睡眠のどちらであるかを区別するための判断を行う。すなわち、一定期間の体動数が第1体動数閾値(実施の形態3の図33参照)以上で、且つ体動信号のIQベクトルのノルムの積算値が予め設定された第2体動積算値閾値(>第1体動積算値閾値)以上の場合(S86)、覚醒と判定する(S87)。一方、このステップS87の判断がNOであれば、浅睡眠と判定する(S88)。 In this case, subsequently, a determination is made to distinguish whether the sleep depth is awake or shallow sleep. That is, the second body motion integration in which the number of body motions during a certain period is equal to or greater than the first body motion number threshold (see FIG. 33 of the third embodiment) and the norm integrated value of the IQ vector of the body motion signal is preset. When the value is greater than or equal to the value threshold (> first body motion integrated value threshold) (S86), it is determined that the user is awake (S87). On the other hand, if the determination in step S87 is NO, it is determined to be light sleep (S88).
また、ステップS85の判断がNOであり、第2状態と判定した場合、続いて、睡眠深度判定手段55Cは睡眠深度がREM睡眠又は深睡眠のどちらであるかを判定する。すなわち、呼吸と心拍の少なくとも一方が安定であるか、又は不安定であるかを判断する。不安定と判断した場合、REM睡眠と判定し(S90)、安定と判断した場合、深睡眠と判定する(S91)。安定又は不安定の判定は、呼吸数及び呼吸周期の変動幅、又は心拍数及び心拍数変動幅に基づいて行うようにすればよい。 If the determination in step S85 is NO and the second state is determined, then the sleep depth determination means 55C determines whether the sleep depth is REM sleep or deep sleep. That is, it is determined whether at least one of respiration and heartbeat is stable or unstable. If it is determined to be unstable, it is determined to be REM sleep (S90), and if it is determined to be stable, it is determined to be deep sleep (S91). The determination of stable or unstable may be made based on the fluctuation rate of the respiratory rate and the respiratory cycle, or the heart rate and the fluctuation rate of the heart rate.
以上説明したように、本実施の形態4では、呼吸検出手段53、心拍検出手段56及び体動検出手段57の算出結果を組み合わせて自律神経の状態及び睡眠深度を判定する。これにより、心拍、呼吸及び体動のそれぞれのみを用いて自律神経の状態及び睡眠深度を判定する方法と比べて高精度で詳細な判定が可能である。すなわち、上記実施の形態3の体動検出手段57の算出結果のみでは高精度な判定が難しかった深睡眠とREM睡眠との判定精度を高めることが可能となる。なお、図36のフローチャートでは、呼吸及び心拍の両方を検出するようにしているが、少なくともどちらか一方を検出し、ステップS89では、検出した側の安定又は不安定を判定すればよい。
As described above, in the fourth embodiment, the state of the autonomic nerve and the sleep depth are determined by combining the calculation results of the
ところで、上記実施の形態1〜4で用いる各閾値(第1呼吸数閾値、第2呼吸数閾値、第1心拍数閾値等)の設定は、例えば脳波等の測定データと組み合わせて、例えば以下のようにして求めることもできる。すなわち、脳波等の別装置の測定データに基づく睡眠深度の判別結果を基に、以下の方法で各閾値を求める。
数日間睡眠状態を測定する学習期間を設けて入眠から起床までの睡眠深度サイクルを学習し、その学習期間における学習データが、脳波等の別装置の測定データに基づく睡眠深度の判別結果と一致するように各閾値を設定する。
By the way, the setting of each threshold value (first respiratory rate threshold value, second respiratory rate threshold value, first heart rate threshold value, etc.) used in the first to fourth embodiments described above is combined with measurement data such as an electroencephalogram, for example, It can also be obtained in this way. That is, each threshold value is obtained by the following method based on the determination result of the sleep depth based on the measurement data of another device such as an electroencephalogram.
Learn the sleep depth cycle from sleep onset to wake up with a learning period that measures sleep state for several days, and the learning data in that learning period matches the result of sleep depth discrimination based on the measurement data of other devices such as brain waves Each threshold is set as follows.
また、睡眠深度判定手段55は、学習期間を設けて入眠から起床までの睡眠深度サイクルを学習し、その学習期間における睡眠深度サイクルが基本の睡眠深度サイクルに近づくように各閾値を変更するようにしてもよい。具体的には例えば、深睡眠の時間が全体の2〜3割の割合になるように各閾値を調整する。閾値の設定次第でREM睡眠、浅睡眠及び深睡眠それぞれの割合が変化するため、閾値の値を少しずつ変更しながら深睡眠の割合が全体の2〜3割となるように閾値を決定するようにしてもよい。 In addition, the sleep depth determination means 55 provides a learning period to learn the sleep depth cycle from sleep onset to wake-up, and changes each threshold so that the sleep depth cycle in the learning period approaches the basic sleep depth cycle. May be. Specifically, for example, each threshold is adjusted so that the deep sleep time is 20 to 30% of the total time. Since the ratios of REM sleep, shallow sleep, and deep sleep change depending on the setting of the threshold, the threshold is determined so that the ratio of deep sleep becomes 20-30% of the whole while changing the threshold value little by little. It may be.
また、体動のみで睡眠深度を判定する場合に、体動のみでは区別し難いREM睡眠と深睡眠とを区別するための閾値を決定する際には、以下のように設定してもよい。例えば深睡眠の割合を深睡眠とREM睡眠との合計に対して3〜4割(前記全体の2〜3割よりも少し高い値)となるように閾値を設定する。 Moreover, when determining the sleep depth only by body movement, when determining the threshold value for distinguishing between REM sleep and deep sleep which are difficult to distinguish only by body movement, the following may be set. For example, the threshold value is set so that the ratio of deep sleep is 30 to 40% (a value slightly higher than 20 to 30% of the total) with respect to the sum of deep sleep and REM sleep.
また、学習期間における睡眠深度サイクルが基本の睡眠深度サイクルに近づくように各閾値を変更する例として、他に例えば、睡眠中の90分の睡眠サイクルの繰り返し回数から各閾値を設定することも可能である。90分の睡眠サイクルの繰り返し回数を何回かに設定(例えば4回)し、その回数となるように各閾値を設定する。また、深睡眠の割合と睡眠サイクルの繰り返し回数から決定しても良い。また、例えば年齢などに応じて、深睡眠の割合や睡眠サイクルの繰り返し回数の傾向が異なる場合には、その年齢に応じた傾向に基づいて各閾値を設定するようにしてもよい。 In addition, as an example of changing each threshold so that the sleep depth cycle in the learning period approaches the basic sleep depth cycle, for example, it is also possible to set each threshold from the number of 90-minute sleep cycles repeated during sleep It is. The number of repetitions of the 90-minute sleep cycle is set to several times (for example, four times), and each threshold value is set so as to be the number of times. Moreover, you may determine from the ratio of deep sleep and the repetition frequency of a sleep cycle. Further, for example, when the tendency of the deep sleep ratio or the number of repetitions of the sleep cycle varies depending on the age, each threshold value may be set based on the tendency corresponding to the age.
実施の形態5.(IQ平面上の軌跡の安定度に基づく自律神経の状態及び睡眠深度判定)
上記各実施の形態では、呼吸、心拍、体動に基づいて自律神経の状態及び睡眠深度を判定していたが、実施の形態5では、IQ平面上に描かれる軌跡から直接自律神経の状態及び睡眠深度を判定する生体状態取得システムについて説明する。
In each of the above embodiments, the state of the autonomic nerve and the sleep depth are determined based on respiration, heartbeat, and body movement. However, in
図37は、本発明の実施の形態5に係る生体状態取得システムの構成を示すブロック図である。図37において、図1に示した実施の形態1と同一部分には同一符号を付す。
実施の形態5の生体状態取得システム500は、生体状態取得手段52が、安定度算出手段58と、自律神経状態判定手段54Dと、睡眠深度判定手段55Dとを備えている。また、バンドパスフィルター30Aの通過周波数帯域は、安定度算出手段58における安定算出処理に適した帯域として予め設定されている。その他の構成は実施の形態1と同様である。以下、実施の形態5が実施の形態1と異なる部分を中心に説明する。
安定度算出手段58は、IQ信号取得手段51で取得された取得信号(I信号及びQ信号)のIQ平面上の軌跡の安定度を算出する。安定度の算出方法については後述する。測定対象となる生体が深睡眠中にあるときは筋肉の活動が安定するため、図38に示すように、取得信号はIQ平面上でほぼ同じ軌跡を繰り返し描く。一方、深睡眠以外の場合は、取得信号はIQ平面上に図39のような不安定な軌跡を描く。このように、軌跡の安定度は、覚醒、REM睡眠、浅睡眠、深睡眠の順に高くなり、睡眠深度と相関がある。よって、軌跡の安定度から睡眠深度を判定することが可能である。
FIG. 37 is a block diagram showing a configuration of the biological state acquisition system according to
In the biological
The stability calculation means 58 calculates the stability of the trajectory on the IQ plane of the acquisition signals (I signal and Q signal) acquired by the IQ signal acquisition means 51. A method for calculating the stability will be described later. When the living body to be measured is in deep sleep, the muscle activity is stabilized, so that the acquired signal repeatedly draws substantially the same locus on the IQ plane as shown in FIG. On the other hand, in cases other than deep sleep, the acquired signal draws an unstable locus as shown in FIG. 39 on the IQ plane. Thus, the stability of the trajectory increases in the order of awakening, REM sleep, shallow sleep, and deep sleep, and is correlated with the sleep depth. Therefore, it is possible to determine the sleep depth from the stability of the trajectory.
以下、安定度の算出方法の具体例について説明する。
(安定度の算出方法1)
IQ平面をM×M個の画素からなる量子化した有限平面で表現する。一定期間内に測定データがIQ平面上に描く軌跡に用いられる画素数をカウントし、この逆数を軌跡の安定度の指標とする。量子化したIQ平面上で用いられる画素数は、軌跡が不安定である度合いに応じて多くなる。よって、不安定であるほど安定度の指標は小さな値となり、これを安定度の指標とする。
Hereinafter, a specific example of the stability calculation method will be described.
(Stability calculation method 1)
The IQ plane is expressed by a quantized finite plane composed of M × M pixels. The number of pixels used in the trajectory drawn by the measurement data on the IQ plane within a certain period is counted, and this reciprocal is used as an index of the stability of the trajectory. The number of pixels used on the quantized IQ plane increases according to the degree to which the locus is unstable. Accordingly, the stability index becomes a smaller value as it becomes unstable, and this is used as the stability index.
(安定度の算出方法2)
IQ平面上に一定期間に描かれる軌跡と、この直後に描かれる軌跡の類似度を算出し、これを軌跡の安定度の指標とする。類似度は相互情報量、相関係数などを用いる。
(Stability calculation method 2)
The similarity between the trajectory drawn on the IQ plane for a certain period and the trajectory drawn immediately after this is calculated, and this is used as an index of the stability of the trajectory. The degree of similarity uses mutual information, correlation coefficient, and the like.
睡眠深度判定手段55Dは、安定度算出手段58で算出した軌跡の安定度の指標を閾値判定することで睡眠深度を判定する。判定に用いる閾値(第1安定度閾値、第2安定度閾値及び第3安定度閾値)は、予め演算装置50内のメモリに記憶されていても良いし、個人別に自動設定するようにしてもよい。自動設定する場合には、学習期間を設けて1睡眠サイクル以上の睡眠データを取得し、その睡眠データから軌跡の安定度の分布推定を行い、その分布に基づいて適宜閾値を設定する。
The sleep
図40は、本発明の実施の形態5に係る演算装置における生体状態取得処理の流れを示すフローチャートである。
(S101:I信号及びQ信号取得)
生体状態取得システム500においてIQ検波器20から出力されたI信号及びQ信号は、呼吸や心拍並びに体動も全て混在した信号であるため、その信号をバンドパスフィルター30Aに通すことにより安定度算出に適した信号が抽出される。そして、この信号がAD変換器40でデジタル信号に変換されてIQ信号取得手段51に入力される。このように、IQ信号取得手段51は、ヒトの体表面の動きに応じてAD変換器40から時系列に順次出力されるIQ信号を取得する。
FIG. 40 is a flowchart showing the flow of the biological state acquisition process in the arithmetic device according to
(S101: I signal and Q signal acquisition)
Since the I signal and the Q signal output from the
(S102:一定期間の測定データをIQ平面上にプロット)
安定度算出手段58は、一定期間内にサンプリングタイム毎に得られる取得信号(I信号及びQ信号)をIQ平面上にプロットする。
(S102: Plot measurement data for a certain period on the IQ plane)
The stability calculation means 58 plots the acquired signals (I signal and Q signal) obtained at each sampling time within a certain period on the IQ plane.
(S103:軌跡の安定度算出)
安定度算出手段58は、IQ平面上にプロットされたサンプリングタイム毎の取得信号が描く軌跡の安定度を算出する。なお、軌跡の安定度そのものを自律神経の状態を判定するための指標としてもよい。この指標により自律神経の状態を判定することができる。例えば、指標と予め設定した閾値とを比較し、指標が閾値よりも大きい場合、交感神経優位と判定し、指標が閾値未満の場合、副交感神経優位と判定する。その他、例えば交感神経の活動度合いを判定するようにしてもよい。
(S103: locus stability calculation)
The stability calculation means 58 calculates the stability of the trajectory drawn by the acquired signal for each sampling time plotted on the IQ plane. The stability of the trajectory itself may be used as an index for determining the state of the autonomic nerve. The state of the autonomic nerve can be determined by this index. For example, the index is compared with a preset threshold. If the index is larger than the threshold, it is determined that the sympathetic nerve is dominant, and if the index is less than the threshold, it is determined that the parasympathetic nerve is dominant. In addition, for example, the degree of sympathetic nerve activity may be determined.
(S104〜S110:睡眠深度判定)
睡眠深度判定手段55Dは、安定度算出手段58で算出された安定度と予め設定された第1安定度閾値、第2安定度閾値(<第1安定度閾値)、第3安定度閾値(<第2安定度閾値)とを比較し、睡眠深度を判定する。すなわち、安定度が第1安定度閾値以上であれば覚醒と判定し(S104、S105)、第1安定度閾値未満で且つ第2安定度閾値以上であればREM睡眠と判定する(S106、S107)。また、安定度が第2安定度閾値未満で且つ第3安定度閾値以上であれば浅睡眠と判定し(S108、S109)、第3安定度閾値未満であれば深睡眠と判定する(S108、S110)。
(S104-S110: Sleep depth determination)
The sleep depth determination means 55D includes the stability calculated by the stability calculation means 58, a preset first stability threshold, a second stability threshold (<first stability threshold), and a third stability threshold (< 2nd stability threshold) and a sleep depth is determined. That is, if the stability is equal to or higher than the first stability threshold, it is determined that the person is awake (S104, S105). ). Further, if the stability is less than the second stability threshold and not less than the third stability threshold, it is determined as shallow sleep (S108, S109), and if it is less than the third stability threshold, it is determined as deep sleep (S108, S110).
演算装置50は以上のようにして判定された睡眠深度の判定結果を例えば空気調和機等の外部機器に出力する。判定結果を受信した機器側では、判定結果に応じた機器制御が行われることになる。機器制御の具体例については後述の実施の形態6で説明する。
The
以上説明したように、実施の形態5では、一定期間内に取得信号がIQ平面上で描く軌跡の安定度を指標とし、これを基に自律神経の状態及び睡眠深度を判定するようにした。このため、上記実施の形態1〜4の場合と同様に、周波数解析などが不要で、低負荷、高速に自律神経の状態及び睡眠状態の判定が行える。また、心拍数又は呼吸数を算出することなく、軌跡の安定度から直接的且つ簡易に自律神経の状態及び睡眠深度を判定することができる。よって、体表面の動きが複雑で心拍数、呼吸数の誤算出が避けられないような場合でも、その影響を受けることなく自律神経の状態及び睡眠深度の判定が可能である。 As described above, in the fifth embodiment, the state of the autonomic nerve and the sleep depth are determined based on the stability of the trajectory drawn on the IQ plane by the acquired signal within a certain period. For this reason, frequency analysis etc. are unnecessary similarly to the case of the said Embodiment 1-4, and the determination of the state of an autonomic nerve and a sleep state can be performed at low load and high speed. In addition, the state of the autonomic nerve and the sleep depth can be determined directly and simply from the stability of the trajectory without calculating the heart rate or the respiratory rate. Therefore, even when the movement of the body surface is complicated and erroneous calculation of heart rate and respiration rate cannot be avoided, it is possible to determine the state of the autonomic nerve and the sleep depth without being affected by it.
また軌跡の安定度に基づいて数値で閾値判定する方法だけでなく、以下の方法を用いても良い。IQ平面上に描かれた軌跡のうち、一定期間内にIQ平面上に描かれる軌跡のパターンを各睡眠深度毎(又は自律神経の状態毎)に予め記憶装置60に保持しておく。そして、記憶装置60に保持された軌跡パターンと、測定データ(IQ信号)による軌跡パターンとを照合し、最も似ているものを探索することで、睡眠深度を判定する。安定度の指標の数値的には同程度の軌跡を描く場合でも、このようにパターン判定することにより、軌跡の形状によって更に詳細に睡眠状態を分類することができる。また、照合用の軌跡パターンを各年代別、性別毎や、更には利用者毎に用意するようにすれば、より高精度に睡眠深度を判定することができる。なお、自律神経の状態も同様に、例えば交感神経優位や副交感神経優位等のそれぞれの状態に応じた軌跡パターンを予め保持しておくことで、詳細で高精度な自律神経状態の判定が可能となる。
In addition to the method of determining the threshold value numerically based on the stability of the trajectory, the following method may be used. Of the trajectories drawn on the IQ plane, the trajectory pattern drawn on the IQ plane within a certain period is stored in advance in the
また、取得信号に基づく軌跡を、利用者毎の睡眠状態に応じた軌跡データと照合することにより、睡眠中の利用者が誰であるかを同定することが可能となる。このため、後述の実施の形態6で説明するように、生体状態取得装置の出力(睡眠深度)を機器(例えば空気調和機)の制御に使用する場合に、利用者に合わせた機器制御が可能となる。
Further, by comparing the trajectory based on the acquired signal with the trajectory data corresponding to the sleep state of each user, it is possible to identify who the user is sleeping. For this reason, as will be described later in
ところで、上記実施の形態1〜5の生体状態取得システムの睡眠深度判定手段は、ヒトの起床状態(一番目覚めかけている状態)を判定することも可能である。一般的に、REM睡眠の前後は目覚めやすく、REM睡眠後に起床すると快適に起床できる、また、自然と起床するとされている。このため、起床状態を検出し、そのタイミングで例えば目覚まし機能を有する機器を駆動するなどしてヒトを目覚めさせるようにすると、快適な起床を提供できる。
By the way, the sleep depth determination means of the living body state acquisition systems of
以下、起床状態の判定方法について簡単に説明する。
入眠開始から一定時間後、又は睡眠サイクルの所定回数繰り返し後のREM睡眠の後、又はREM睡眠時間がある一定以上の時間となる場合の3つの条件のうち、少なくとも1以上の条件が満たされる状態を、起床状態(一番目覚めかけている状態)と判定する。入眠から起床までの睡眠中に、複数回、REM睡眠状態となるが、その各REM睡眠の時間は、起床に向けて徐々に長くなる。このため、REM睡眠の時間がある一定以上の時間となる場合を条件として、その条件を満たすREM睡眠後が起床状態にあると判定できる。起床状態を判定するための各条件は、学習機能に基づいて設定しても良い。
Hereinafter, a method for determining the wake-up state will be briefly described.
A state in which at least one of three conditions is satisfied after a certain period of time from the start of falling asleep, after a REM sleep after repeating a predetermined number of sleep cycles, or when the REM sleep time is a certain time or more. Are determined to be in the wake-up state (the state of waking up first). During sleep from sleep onset to wake up, the REM sleep state is entered multiple times, but the duration of each REM sleep gradually increases toward wake up. Therefore, on the condition that the REM sleep time is a certain time or more, it can be determined that the REM sleep condition that satisfies the condition is in the wake-up state. Each condition for determining the wake-up state may be set based on a learning function.
また、実施の形態5のようにIQ平面上の軌跡パターンを用いて睡眠深度を判定する装置の場合、次のようにして起床状態を判定することも可能である。学習期間を設けて、少なくとも就寝から起床までを含む睡眠データを収集し、起床より一定期間前に現れるIQ平面上の軌跡を取得しておく。そして、その軌跡データを起床予兆データとして保持しておき、この起床予兆データに合致(類似)する測定データが得られるタイミングを起床状態と判定する。 In addition, in the case of the apparatus that determines the sleep depth using the trajectory pattern on the IQ plane as in the fifth embodiment, it is possible to determine the wake-up state as follows. A learning period is provided, sleep data including at least from bedtime to waking up is collected, and a trajectory on the IQ plane that appears a certain period before waking up is acquired. Then, the trajectory data is held as wake-up sign data, and the timing at which measurement data that matches (similar) the wake-up sign data is obtained is determined as the wake-up state.
以上のようにして得られた起床状態は、上述したように例えば目覚まし機能を有する機器の制御に利用することができる。具体的には、起床状態にあるときに目覚めさせるよう、例えば室内の照度を徐々に上げたり、音を発生させるなど、目覚めを促す制御を行うようにすればよい。なお、目覚まし設定時刻で強制的に目覚めを促す制御を行うと、ヒトの睡眠状態が起床状態でない場合には快適な目覚めが得られない。よって、目覚まし設定時刻より前の起床状態のときに目覚めを促す制御を行うようにする。これにより、快適に起床できる上、設定時刻より前に起床できるため、時間も有効に利用できる。 As described above, the wake-up state obtained as described above can be used for controlling a device having a wake-up function, for example. Specifically, control for prompting awakening, such as gradually increasing the illuminance in the room or generating a sound, may be performed so that the user wakes up while in the wake-up state. Note that if control for forcibly waking up at the wake-up time is performed, a comfortable awakening cannot be obtained if the human sleep state is not a wake-up state. Therefore, control for prompting the user to wake up is performed when the user wakes up before the wake-up time. This makes it possible to wake up comfortably and to wake up before the set time, so that time can also be used effectively.
実施の形態6.
実施の形態6は、実施の形態1〜5で説明した生体状態取得システムを備えた機器に関するもので、特にここでは空気調和機について説明する。
The sixth embodiment relates to a device including the biological state acquisition system described in the first to fifth embodiments. In particular, an air conditioner will be described here.
図41は、本発明の実施の形態1〜5に係る生体状態取得システムを備えた空気調和機の構成を示すブロック図である。図41には実施の形態1の生体状態取得システム100を備えた例を示しているが、実施の形態2〜4の何れの生体状態取得システムでも良い。なお、図41には、本発明に関わる要部の構成のみを示しており、空気調和機に通常備わる各種構成部の図示は省略している。
空気調和機600は、生体状態取得システム100と、室内空間を空調する空調手段610と、生体状態取得システムの取得結果に基づき空調手段610を制御するとともに空気調和機600全体の制御を行う演算装置620とを備えている。演算装置620はマイクロコンピューターで構成され、内部にCPU、ROM及びRAMを備えており、ROMに記憶されている各種プログラムに従って動作する。なお、生体状態取得システム100の演算装置50の生体状態取得プログラムを演算装置620に記憶することにより、演算装置620に生体状態取得装置としての機能を持たせるようにしてもよい。
FIG. 41 is a block diagram illustrating a configuration of an air conditioner including the biological state acquisition system according to
The
演算装置620は、生体状態取得手段52で取得した睡眠深度の判定結果に基づいて空調手段610を制御し、省エネで快適な睡眠環境を提供するための空調制御を行う。演算装置620には睡眠深度に応じた目標温度が予め設定されているものとする。この目標温度は、省エネ性や快適性を考慮して設定されたものとする。
The
図42は、本発明の実施の形態6に係る空気調和機の制御を示すフローチャートである。
演算装置620は、生体状態取得システム100からの睡眠深度の判定結果を取得し(S121)、判定結果に応じた空調制御を行う。すなわち、判定結果がREM睡眠又は浅睡眠の場合には、その睡眠深度対応の目標温度に設定する(S122、S123)。判定結果が深睡眠の場合には深睡眠対応の目標温度に設定し(S122、S124)、起床時であれば、起床時対応の目標温度に設定する(S122、S125)。そして、演算装置620は、室内空間の温度が目標温度となるように空調手段610を制御する(S126)。
FIG. 42 is a flowchart showing control of the air conditioner according to
The
以上説明したように、実施の形態6によれば、生体状態取得システム100で取得した睡眠深度の判定結果に基づいて自動で空調手段610を制御するので、省エネで快適な睡眠環境を提供することが可能である。
As described above, according to the sixth embodiment, the air-conditioning means 610 is automatically controlled based on the determination result of the sleep depth acquired by the biological
なお、生体状態取得機能を備えた機器としては、上述したように目覚まし時計や空気調和機の他、例えば照明、芳香機能など5感を刺激する機能を有する機器、TVや音楽プレーヤーなどのAV機器、湯たんぽ、加湿器、除湿機、空気清浄機などの空調機器としても良い。 In addition to the alarm clock and the air conditioner as described above, the device having the biological state acquisition function is a device having a function of stimulating five senses such as lighting and aroma function, and an AV device such as a TV or a music player. It may be an air conditioner such as a hot water bottle, a humidifier, a dehumidifier, or an air purifier.
また、快適な睡眠環境を提供する機器として、以下のような制御を行う機器を構成してもよい。入眠時に音や光を一定時間(例えば30分)かけて徐々に下げていき、入眠リズムを誘発する。睡眠中はノイズキャンセルなどの機能で周囲雑音を下げる。照度は起床に必要な条件である生体リズムをコントロールする作用があるため、起床時刻の前に、一定時間(例えば30分)かけて光の照度を上げていく。音は起床時間に大きくするように調整し、設定により不快な音量にまでコントロール可能とする。また、人体検知手段を設け、光がヒトに直接当たらないように調節する。調節方法はレンズのシボ、アクチュエータ、複数LEDのON/OFFのどの様な方法でも良い。人体検知でドップラレーダセンサー10のアンテナをヒトの方に向けるようにし、LEDはその方向とは違う位置に向けておけばよい。
Moreover, you may comprise the apparatus which performs the following controls as an apparatus which provides comfortable sleep environment. When falling asleep, sound and light are gradually lowered over a certain period of time (for example, 30 minutes) to induce a sleep rhythm. During sleep, the ambient noise is reduced by functions such as noise cancellation. Since the illuminance has the effect of controlling the biological rhythm, which is a necessary condition for getting up, the illuminance of light is increased over a certain time (for example, 30 minutes) before the wake-up time. The sound is adjusted to increase during the wake-up time and can be controlled to an unpleasant volume by setting. In addition, a human body detecting means is provided and adjusted so that light does not directly hit a human. The adjusting method may be any method such as lens wrinkles, actuators, and ON / OFF of a plurality of LEDs. In the human body detection, the antenna of the
また、湯たんぽの場合は温度を徐々に下げていき、起床時に再び上昇させる。温湿度センサなどで発汗しない程度に温める事も可能である。 In the case of hot water bottles, the temperature is gradually lowered and raised again when getting up. It is also possible to warm to a level that does not sweat with a temperature and humidity sensor.
なお、上記各実施の形態では、ドップラレーダセンサー10により常にセンシングしている場合を想定した説明を行ったが、省電力化のためにドップラレーダセンサー10を一定間隔で停止し、睡眠深度の判定間隔を空けるようにしてもよい。この場合、常にセンシングしている場合に比べ、消費電力を削減できる。しかし、停止時間が長い場合には睡眠深度判定に支障が出る。深睡眠の状態では体動がほとんどなく、起き辛い状態であるので、次の睡眠深度へと移行する確率が低い。このため、深睡眠の状態において停止時間を長く設定してセンシング間隔を長くするようにすれば、睡眠深度の判定に支障を出さずに省電力化が可能である。また、深睡眠時間が所定時間以上続いた場合には、センシングを一時停止するなどの方式にしてもよい。センシング時間を短くすることにより、更に省エネを行うことができる。また、浅睡眠ではその逆でセンシング間隔を短くすることにより睡眠深度判定に支障が出ないように制御を行う。このような制御を行う場合、通電する時間も短くなるので長寿命化にも効果がある。
In each of the above embodiments, the description has been made assuming that the sensing is always performed by the
また、深睡眠時は、音、光、温度変化などの外来ノイズで目覚める確率が少ないので、機器としてノイズになるような制御を深睡眠時に行うようにしてもよい。例えば、空気調和機では、お掃除機能、風向変更、換気ファン駆動等を行うことができる。 Further, since there is a low probability of waking up by external noise such as sound, light, and temperature change during deep sleep, control that causes noise as a device may be performed during deep sleep. For example, an air conditioner can perform a cleaning function, a wind direction change, a ventilation fan drive, and the like.
10 ドップラレーダセンサー、20 IQ検波器、30 バンドパスフィルター、30A バンドパスフィルター、31 バンドパスフィルター、32 バンドパスフィルター、40 AD変換器、50 演算装置、51 IQ信号取得手段、52 生体状態取得手段、53 呼吸検出手段、54 自律神経状態判定手段、54A 自律神経状態判定手段、54B 自律神経状態判定手段、54C 自律神経状態判定手段、54D 自律神経状態判定手段、55 睡眠深度判定手段、55A 睡眠深度判定手段、55B 睡眠深度判定手段、55C 睡眠深度判定手段、55D 睡眠深度判定手段、56 心拍検出手段、57 体動検出手段、58 安定度算出手段、60 記憶装置、100 生体状態取得システム、200 生体状態取得システム、300 生体状態取得システム、400 生体状態取得システム、500 生体状態取得システム、600 空気調和機、610 空調手段、620 演算装置。 10 Doppler radar sensor, 20 IQ detector, 30 band pass filter, 30A band pass filter, 31 band pass filter, 32 band pass filter, 40 AD converter, 50 arithmetic unit, 51 IQ signal acquisition means, 52 biological state acquisition means 53 Respiratory detection means 54 Autonomic state determination means 54A Autonomic state determination means 54B Autonomic state determination means 54C Autonomic state determination means 54D Autonomic state determination means 55 Sleep depth determination means 55A Sleep depth Determination means, 55B sleep depth determination means, 55C sleep depth determination means, 55D sleep depth determination means, 56 heart rate detection means, 57 body motion detection means, 58 stability calculation means, 60 storage device, 100 biological state acquisition system, 200 biological body Status acquisition system, 300 Biological condition acquisition system, 400 Biological condition acquisition system, 500 Biological condition acquisition system, 600 Air conditioner, 610 Air conditioning means, 620 Arithmetic unit.
Claims (10)
該IQ信号取得手段で取得した取得信号のIQ平面上の軌跡に基づいて、前記生体の状態を取得する生体状態取得手段とを有し、
前記生体状態取得手段は、IQ平面上の前記取得信号の位置ベクトルのノルムを単位期間分積算し、その積算値に対して閾値判定を行って前記単位期間内の体動の有無を判定する体動検出手段を備え、
該体動検出手段は、前記積算値が閾値以上の場合に体動有り、前記積算値が閾値未満の場合に体動無しと判定することを特徴とする生体状態取得装置。 IQ signal acquisition that transmits electromagnetic waves to the body surface of a living body, IQ detection of the reflected waves, and sequentially acquires I and Q signals output from an IQ detector that outputs I and Q signals in time series Means,
Biological state acquisition means for acquiring the state of the biological body based on a locus on the IQ plane of the acquisition signal acquired by the IQ signal acquisition means;
The biological state acquisition means integrates the norm of the position vector of the acquired signal on the IQ plane for a unit period, and performs a threshold determination on the integrated value to determine the presence or absence of body movement within the unit period Motion detection means,
The biological state acquisition device, wherein the body movement detection means determines that there is body movement when the integrated value is greater than or equal to a threshold value and that there is no body movement when the integrated value is less than the threshold value.
前記生体状態取得手段は、前記体動検出手段で算出された前記体動数に基づいて前記生体の睡眠深度を判定する睡眠深度判定手段を備えたことを特徴とする請求項1記載の生体状態取得装置。 The body motion detecting means calculates the number of body motions within a certain period based on the result of the presence / absence determination of body motions,
The biological state according to claim 1, wherein the biological state acquisition unit includes a sleep depth determination unit that determines a sleep depth of the biological body based on the number of body movements calculated by the body movement detection unit. Acquisition device.
請求項1〜請求項7の何れか一項に記載の前記IQ信号取得手段と、
請求項1〜請求項7の何れか一項に記載の前記生体状態取得手段として機能させるための生体状態取得プログラム。 Computer
The IQ signal acquisition means according to any one of claims 1 to 7 ,
Biological condition acquisition program for functioning as the biological condition acquisition unit according to any one of claims 1 to 7.
該生体状態取得装置で取得された生体状態に基づいて機器本体の運転を制御する演算装置と
を備えたことを特徴とする生体状態取得装置を備えた機器。 The biological state acquisition device according to any one of claims 1 to 7 ,
An apparatus comprising a biological state acquisition device, comprising: an arithmetic unit that controls operation of the device main body based on the biological state acquired by the biological state acquisition device.
室内空間を空調する空調手段と、
前記生体状態取得装置で取得された生体状態に基づいて前記空調手段を制御する演算装置と
を備えたことを特徴とする空気調和機。 The biological state acquisition device according to any one of claims 1 to 7 ,
Air-conditioning means for air-conditioning the indoor space;
An air conditioner comprising: an arithmetic unit that controls the air conditioning unit based on a biological state acquired by the biological state acquisition device.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2013195934A JP5606604B2 (en) | 2013-09-20 | 2013-09-20 | Biological state acquisition device, biological state acquisition program, device provided with biological state acquisition device, and air conditioner |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2013195934A JP5606604B2 (en) | 2013-09-20 | 2013-09-20 | Biological state acquisition device, biological state acquisition program, device provided with biological state acquisition device, and air conditioner |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2009163637A Division JP5409148B2 (en) | 2009-07-10 | 2009-07-10 | Biological state acquisition device, biological state acquisition program, device provided with biological state acquisition device, and air conditioner |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2014014708A JP2014014708A (en) | 2014-01-30 |
JP5606604B2 true JP5606604B2 (en) | 2014-10-15 |
Family
ID=50109911
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2013195934A Expired - Fee Related JP5606604B2 (en) | 2013-09-20 | 2013-09-20 | Biological state acquisition device, biological state acquisition program, device provided with biological state acquisition device, and air conditioner |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP5606604B2 (en) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6477199B2 (en) | 2015-04-23 | 2019-03-06 | 沖電気工業株式会社 | Vibration state estimation device, vibration state estimation method, and program |
JP6597491B2 (en) * | 2016-06-21 | 2019-10-30 | オムロン株式会社 | Radio wave type biosensor |
JP2019069101A (en) * | 2017-10-11 | 2019-05-09 | 株式会社Z−Works | Information processing system, information processing device, information processing server, information processing method, and information processing program |
JP7405769B2 (en) | 2018-12-28 | 2023-12-26 | 南 紀之 | Information processing device, information processing method, information processing program, and information processing system |
EP3903869A4 (en) | 2018-12-28 | 2022-09-14 | Minami, Noriyuki | Information processing device, information processing method, information processing program, and information processing system |
EP3904905A4 (en) | 2018-12-28 | 2022-08-31 | Minami, Noriyuki | Information processing device, information processing method, information processing program, and information processing system |
WO2020136589A1 (en) | 2018-12-28 | 2020-07-02 | 南紀之 | Information processing device, information processing method, information processing program, and information processing system |
CN110720934A (en) * | 2019-10-23 | 2020-01-24 | 合肥盛东信息科技有限公司 | Manic symptom monitoring and early warning system |
CN113892929B (en) * | 2021-10-18 | 2023-08-22 | 南京润楠医疗电子研究院有限公司 | Non-contact heartbeat monitoring method, monitoring system, electronic equipment and storage medium |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0592040A (en) * | 1991-10-01 | 1993-04-16 | Matsushita Electric Ind Co Ltd | Sleeping device |
JP2002219116A (en) * | 2001-01-26 | 2002-08-06 | Matsushita Electric Ind Co Ltd | Sleep cycle detector |
JP2006026122A (en) * | 2004-07-16 | 2006-02-02 | Chikuma Seiki:Kk | Awakening apparatus |
JP4405343B2 (en) * | 2004-08-23 | 2010-01-27 | 株式会社デンソー | Heart rate measurement device |
JP4528710B2 (en) * | 2005-11-09 | 2010-08-18 | 株式会社東芝 | Sleep state measurement device, sleep state measurement method, and sleep state measurement system |
JP2008023052A (en) * | 2006-07-20 | 2008-02-07 | Daikin Ind Ltd | Physical motion judging apparatus |
-
2013
- 2013-09-20 JP JP2013195934A patent/JP5606604B2/en not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
JP2014014708A (en) | 2014-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5409148B2 (en) | Biological state acquisition device, biological state acquisition program, device provided with biological state acquisition device, and air conditioner | |
JP5606604B2 (en) | Biological state acquisition device, biological state acquisition program, device provided with biological state acquisition device, and air conditioner | |
JP5606606B2 (en) | Biological state acquisition device, biological state acquisition program, device provided with biological state acquisition device, and air conditioner | |
JP4980410B2 (en) | Air conditioner and air conditioning system | |
JP5583257B2 (en) | Biological state acquisition device, biological state acquisition program, device provided with biological state acquisition device, and air conditioner | |
JP5089676B2 (en) | Air conditioner | |
JP7273909B2 (en) | Human detection and identification from characteristic signals | |
JP5496137B2 (en) | Sleep state detection device, air conditioner using the same, sleep state detection method, and air conditioner control method | |
JP6666300B2 (en) | Waking degree prediction method and waking degree prediction apparatus | |
US10492720B2 (en) | System and method for determining sleep stage | |
US20160081630A1 (en) | Biological information processing device and biological information processing method | |
US20150374310A1 (en) | Intelligent Sampling Of Heart Rate | |
JP5832359B2 (en) | Indoor environment control system and air conditioner | |
JP5574997B2 (en) | Air conditioning control system | |
CN103608854A (en) | Apparatus and method for the detection of the body position while sleeping | |
WO2013125048A1 (en) | Sleep quality estimation device, sleep quality estimation method and program for sleep quality estimation | |
JP4390718B2 (en) | Sleep environment control device and sleep environment control program | |
US20210282668A1 (en) | Non-invasive determination of airway resistance | |
WO2018001758A1 (en) | Determination system and method for determining a sleep stage of a subject | |
US20230099622A1 (en) | Sleep status detection for apnea-hypopnea index calculation | |
JP2009153550A (en) | Sleep determining apparatus | |
US11141096B2 (en) | Method for predicting future change in physical condition of person from sleep-state history | |
JP2015150034A (en) | Sleep state determination device, sleep state determination method, and sleep state determination system | |
JP6518056B2 (en) | Sleep state determination device, sleep state determination method and program | |
JP5627751B2 (en) | Biological state acquisition device, biological state acquisition program, device provided with biological state acquisition device, and air conditioner |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20140425 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20140507 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20140617 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20140729 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20140826 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 5606604 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
LAPS | Cancellation because of no payment of annual fees |