JP5740006B2 - 呼吸測定システム及びｒｅｍ睡眠判定システム - Google Patents

Description

本発明は，呼吸測定システム及びＲＥＭ睡眠判定システムに係り、特に、対象者の睡眠及び／又は呼吸の状態を長期的に測定する呼吸測定システム及びＲＥＭ睡眠判定システムに関するものである。

睡眠中の呼吸頻度は，睡眠の深さや疾患の有無に密接に関連している。そのため睡眠中の呼吸を日常の中で長期的に測定することは，健康管理や疾患の早期発見のためには有効な手段となる。
従来では，睡眠中の呼吸頻度を測定する手段として，胸部に装着する加速度センサや歪ゲージ，あるいは鼻口の気流を検知する呼気センサ等などが知られている。例えば特許文献１には，胸部に装着した３軸の加速度センサにより胸部の呼吸運動を測定し，その出力値をスカラー化し，ローパスフィルタで低周波成分を抽出，ピークを検出し，一分間のピーク数を呼吸頻度として出力する，呼吸数推定技術が開示されている。

上記で開示される技術は胸部に装着する加速度センサを前提としている。そのため，在宅で長期的に測定するには不適当であった。これは胸部センサには以下のような課題があるためである。
・胸部センサは装着による胸部への圧迫感があり，日常とは異なった睡眠の状態が測定されてしまう。
・胸部センサは装着位置が適切であることが重要であり，専門家の監督無しでの正しい装着が難しいため，在宅での測定が困難である。
・胸部のセンサは２４時間装着することの負担が大きい。そのため，普段は外しておいて，就寝前に意識的に装着する必要がある。この事から，例えばテレビを見ながら寝てしまった時や，飲酒して寝てしまった場合などが測定記録に残らなく，睡眠に至る状況に偏りのあるデータが記録されてしまう可能性がある。
その一方で，日常生活において睡眠の状態を測定する手段として，手首に装着する腕輪型の加速度センサが知られている。腕輪型の加速度センサは身体への負担が少なく安価であり，装着方法も通常の腕時計と変わらないため，在宅での長期的な常時測定に適している。また非特許文献１では，腕輪型の加速度センサは睡眠・覚醒の判別が有効に行える事が指摘されている。

特許第３８０９８４７号公報 特開２００８−２１０３６３号公報 特開２０１１−９４８８１号公報

Ｓｏｎｉａ Ａｎｃｏｌｉ−Ｉｓｒａｅｌ ｅｔ ａｌ．， Ｔｈｅ Ｒｏｌｅ ｏｆ Ａｃｔｉｇｒａｐｈｙ ｉｎ ｔｈｅ Ｓｔｕｄｙ ｏｆ Ｓｌｅｅｐ ａｎｄ Ｃｉｒｃａｄｉａｎ Ｒｈｙｔｈｍｓ， Ｓｌｅｅｐ， Ｖｏｌ．２６， Ｎｏ．３， ２００３ Ｃｏｌｅ ＲＪ，Ｋｒｉｐｋｅ ＤＦ， Ｇｒｕｅｎ Ｗ， Ｍｕｌｌａｎｅｙ ＤＪ， Ｇｉｌｌｉｎ ＪＣ． Ａｕｔｏｍａｔｉｃ ｓｌｅｅｐ／ｗａｋｅ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｆｒｏｍ ｗｒｉｓｔ ａｃｔｉｖｉｔｙ． Ｓｌｅｅｐ １９９２； １５： ４９１−４６９． Ｃ．Ｃｏｒｔｅｓ ａｎｄ Ｖ．Ｖａｐｎｉｋ， Ｓｕｐｐｏｒｔ−Ｖｅｃｔｏｒ Ｎｅｔｗｏｒｋｓ， Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ， １９９５； ２０（３）：２７３−２９７

しかし，腕輪型の加速度センサを用いて呼吸頻度を測定することはこれまで出来なかった。
従来では，上記したような腕輪型の加速度センサを用いて対象者の負担少なく例えば睡眠中の呼吸頻度を測定する手段が知られていなかった。しかし本発明者らは，リストバンド型の加速度センサで測定した加速度データの低周波成分に，呼吸運動に由来する体幹の周期的な動作が反映されている場合があることを発見した。図２１ａでは実際の７分間弱の睡眠データにおける加速度波形のスカラー値の周波数スペクトルが図示されており，この例では０．２２Ｈｚ（一分間の呼吸頻度１３．２回に相当）に強いピークがある場合が示されている。

この現象は，図２２ａに示すように，腕輪型加速度センサ１を装着した手首が，体幹の呼吸運動の影響を受けるような位置にある場合に生じている。そのため，例えば図２２ｂのように手首が体幹から離れてしまっている場合は図２１ｂのように，呼吸の周期性は加速度データの中に現れない。

このことが原因で，上記特許文献１に開示される手法を腕の加速度データに適用することはできない。胸部から得られる加速度データであれば，利用者の体の姿勢や肢体の位置に関わりなく，呼吸の動作が反映される。そのため，特許文献１で開示されるように，特定の周波数領域から主となる周波数成分を見つけるだけでも呼吸頻度を精度良く推定する事が出来る。しかし，腕から測定したデータでは，呼吸の動作が加速度に反映されている場合のほうが稀である。そのため，多くの場合はセンサの値に乗るノイズ（温度変化や，センサの計測ノイズ等）の影響が優位となり，単純に主となる周波数成分を見つけるだけでは，呼吸とは関わりのない意味のない値が算出されてしまう。

この事を図２３ｂにて実例で示す。図２３ａは鼻口の呼気センサにより実測した，一晩の一分間毎の呼吸頻度データであり，図２３ｂは呼気センサと同期間手首に装着した腕輪型加速度センサのデータに対して，上記特許文献１で開示される手法を適用させた場合に算出される，一分間毎の推定呼吸頻度である。実測データと同じ値が算出される箇所もあるものの，全く異なる値も多く入り混じっており，この推定結果自体からは，対象者の睡眠中の呼吸の傾向を知る事は困難である。図２４ａに，２１人の一晩ずつについて呼気センサとリストバンド型加速度センサを同時測定し，一分毎の実測呼吸頻度と推定呼吸頻度を算出した結果を示す。この散布図では，推定呼吸頻度と実測呼吸頻度は互いに大きくばらついている事が分かる。

本発明は，上記に鑑みてなされたものであって，リストバンド型センサノードからのセンシングデータでも高い精度で呼吸頻度を測定する事の出来る呼吸測定システム、及び、呼吸頻度に基づきＲＥＭ睡眠（レム睡眠）を判定するＲＥＭ睡眠判定システムを提供すること目的とする。

本発明は、上記課題を解決する手段を複数含んでいるが，その一例（第１の解決手段）をあげるならば，
腕に装着して腕の動きを示すセンシングデータを取得するセンサと、
周期的に過去所定期間のセンシングデータを集計し、その主となる主周期成分を検出する主周期成分検出部と、
主周期成分の大きさ又は周波数に関する予め定められた判定条件に従い、該主周期成分が呼吸に依る周期成分として有効か否かを判定する呼吸情報取得成功判定部と、
呼吸に依る周期成分として有効であると判定された場合にその主周期成分の周波数を呼吸頻度として時刻情報と対応して蓄積する蓄積部と
を備えた呼吸測定システムが提供される。

このような構成により、リストバンド型センサノードからのセンシングデータでも高い精度で呼吸頻度を測定する事が出来る。
一例として、センシング対象となる呼吸動作が加速度データに反映されていない場合を欠損値として除外する事によって，リストバンド型加速度センサでも高い精度で呼吸頻度を測定する事の出来る呼吸数測定システムを提供する。

例えば、上述の課題には以下のような解決が行える。抽出された主となる周波数成分の，スペクトルにおけるピークの強さを評価する「ピークスコア」を次の（式１）のように定義し、

ピークスコア値が閾値を超えた（即ち，充分に強いピークであった）場合にのみ，検知したピークを採用し，それ以外の場合は呼吸不検知とすることにより，呼吸運動が反映されない場合が存在する、手首に装着する加速度センサから得られる加速度データからも，精度良く呼吸頻度を推定する事が出来る。この方式によると，図２３ｃに例示するように，欠損値を多分に含むものの，実測値を精度良く追う呼吸頻度の推定を行う事が出来る。また図２４ｂでは，２１人のデータにおいても，提案方式で推定した呼吸頻度が実測呼吸頻度をよく近似出来ている事を示している。

本発明の第２の解決手段によると、
上述の呼吸測定システムと、
センシングデータから睡眠を検知する睡眠検知部と、
前記呼吸測定システムの蓄積部に蓄積された所定期間の呼吸頻度と時刻情報とに基づき、就寝後経過時間毎の呼吸頻度を統計した就寝後経過時間毎の基礎呼吸頻度を算出する基礎呼吸頻度算出部と、
算出された基礎呼吸頻度と実測され前記蓄積部に蓄積された呼吸頻度との乖離を、就寝後経過時間毎に算出する乖離算出部と、
基礎呼吸頻度と実測された呼吸頻度との乖離からＲＥＭ睡眠を判定するＲＥＭ睡眠判定部と、
判定されたＲＥＭ睡眠の時刻情報を蓄積する第２蓄積部と
を備えたＲＥＭ睡眠判定システムが提供される。
このような構成により、センシングデータからＲＥＭ睡眠期間を求めることができる。

本発明によると，リストバンド型センサノードからのセンシングデータでも高い精度で呼吸頻度を測定する事の出来る呼吸測定システム、及び、呼吸頻度に基づきＲＥＭ睡眠（レム睡眠）を判定するＲＥＭ睡眠判定システムを提供することができる。

実施例１の呼吸頻度推定システムの構成の一例を示す全体図である。 実施例１の呼吸頻度推定システムを構成する腕輪型センサノード１の一例を示す図である。 腕輪型センサノード１の基板１０に取り付けられた電子回路のブロック図を示す。 図１に示した呼吸頻度推定システムの各構成要素を示すブロック図である。 実施例１のシステムで行われるデータ処理の全体的な流れを示すフローチャート図である。 ＰＣ１０３のデータ集計プログラム２００で行われる処理の一例を示すフローチャートである。 ゼロクロス回数の例を示す図である。 運動頻度の算出結果の例を示す図である。 集計データテーブル２５０のフォーマットを示す説明図である。 ＰＣ１０３の睡眠期間抽出プログラム３００で行われる処理の一例を示すフローチャートである。 睡眠期間データテーブル３５０のフォーマットを示す説明図である。 ＰＣ１０３の呼吸推定プログラム４００で行われる処理の一例を示すフローチャートである。 呼吸推定データテーブル４５０のフォーマットを示す説明図である。 クライアント計算機であるＰＣ１０３の表示部１０３１に表示される睡眠表示画面１２００の画面イメージである。 ＲＥＭ睡眠判定の説明図である。 実施例２のＲＥＭ睡眠推定システムの各構成要素を示すブロック図である。 実施例２のシステムで行われるデータ処理の全体的な流れを示すフローチャート図である。 ＰＣ１０４のＲＥＭ推定プログラム５００で行われる処理の一例を示すフローチャートである。 ＲＥＭデータテーブル５５０のフォーマットを示す説明図である。 クライアント計算機であるＰＣ１０４の表示部１０４１に表示されるＲＥＭ表示画面１３００の画面イメージである。 睡眠データにおける加速度波形のスカラー値の周波数スペクトル例である。 腕輪型加速度センサの位置を示す説明図である。 呼吸と加速度の関係の説明図である。 実測呼吸頻度と推定呼吸頻度の関係図である。 実施例１におけるライアントＰＣ１０３の機能ブロック図である。 実施例２におけるクライアントＰＣ１０３の機能ブロック図である。 ＲＥＭ睡眠判定部２６０４の詳細ブロック図である。

以下，本発明の実施の形態を，図面を参照して説明する。

本発明の第１の実施例として，人（利用者）に装着したセンサによって加速度データを測定し，睡眠中の呼吸頻度を算出し，利用者に提示する呼吸頻度推定システム（呼吸測定システム、生活可視化システム）を示す。
図１は，本実施例の呼吸頻度推定システムの構成の一例を示す全体図である。本実施例の呼吸頻度推定システムは，当該システムの利用者の動作（または状態）を検出するセンサとして，加速度センサを備えた腕輪型センサノード１を用い，生体情報として腕の加速度を検出する例を示す。腕輪型センサノード１は，利用者（または参加者）の腕に装着されて加速度を検出し，所定の周期で検出した加速度データをセンシングデータとして，アンテナ１０１を介して基地局１０２へ無線送信し，クライアント計算機（ＰＣ）１０３へ送信する。また，有線通信が可能な場合はＵＳＢ接続などを介して直接ＰＣ１０３へ送信する。無線，有線を問わず，センシングしたデータを逐次的に送る方法のほか，センサノードに蓄積したデータを一定周期毎に送信する方法でもよい。
図１において，ＰＣ１０３は複数の腕輪型センサノード１と通信を行い，各腕輪型センサノード１から利用者の動きに応じたセンシングデータを受信し，受信したセンシングデータを解析し，表示データを出力する。出力される表示データは利用者が操作するクライアント計算機（ＰＣ）１０３で閲覧することができる。

図２は，本実施例の呼吸頻度推定システムを構成する腕輪型センサノード１の一例を示す図で，図２（ａ）は腕輪型センサノード１の正面から見た概略図である。図２（ｂ）は腕輪型センサノード１を側方から見た断面図である。この腕輪型センサノード１は主に利用者の動きを測定する。
腕輪型センサノード１は，センサや制御装置を格納するケース１１と，ケース１１を人体の腕に装着するバンド１２を備える。
ケース１１の内部には，図２（ｂ）のように図示しない（後に示す）マイクロコンピュータやセンサ６等を備えた基板１０が格納される。そして，人体（生体）の動きを測定するセンサ６としては，図中Ｘ−Ｙ−Ｚの３軸の加速度をそれぞれ測定する加速度センサを採用した例を示す。なお，腕輪型センサノード１には図示しない温度センサ，脈拍センサを備え，利用者の体温，脈拍を測定し，加速度とともにセンシングデータとして出力してもよい。また，腕輪型センサノード１が図示しない感圧センサや静電容量センサを備え，利用者が腕時計型センサノード１を装着しているか否かを装着状態として出力しても良い。

図３は，腕輪型センサノード１の基板１０に取り付けられた電子回路のブロック図を示す。図３において，基板１０には，例えば、基地局１０２と通信を行うアンテナ５を備えた無線通信部（ＲＦ）２と，ＰＣ１０３と有線接続するＵＳＢ通信部３９と，加速度センサであるセンサ６及び無線通信部２を制御するマイクロコンピュータ３と，マイクロコンピュータ３を間欠的に起動するためのタイマとして機能するリアルタイムクロック（ＲＴＣ）４と，各部に電力を供給する電池７と，センサ６への電力の供給を制御するスイッチ８が配置される。また，スイッチ８とセンサ６の間には，バイパスコンデンサＣ１が接続されてノイズの除去や，充放電の速度を低減して無駄な電力消費を防ぐ。

マイクロコンピュータ３は，例えば、演算処理を実行するＣＰＵ３４と，ＣＰＵ３４で実行するプログラムなどを格納するＲＯＭ３３と，データなどを格納するＲＡＭ３２と，ＲＴＣ４からの信号（タイマ割り込み）に基づいてＣＰＵ３４に割り込みをかける割り込み制御部３５と，センサ６から出力されたアナログ信号をデジタル信号に変換するＡ／Ｄコンバータ３１と，無線通信部２との間でシリアル信号にて信号の送受を行うシリアルコミュニケーションインターフェース（ＳＣＩ）３６と，無線通信部２及びＵＳＢ通信部３９とスイッチ８を制御するパラレルインターフェース（ＰＩＯ）３７と，マイクロコンピュータ３内の上記各部へクロックを供給する発振部（ＯＳＣ）３０とを含む。そして，マイクロコンピュータ３内の上記各部はシステムバス３８を介して接続される。ＲＴＣ４は，マイクロコンピュータ３の割り込み制御部３５に予め設定されている所定の周期で割り込み信号（タイマ割り込み）を出力し，また，ＳＣＩ３６へ基準クロックを出力する。ＰＩＯ３７はＣＰＵ３４からの指令に応じてスイッチ８のＯＮ／ＯＦＦを制御し，センサ６への電力供給を制御する。
腕輪型センサノード１は，例えば所定の周期（例えば，１秒等）でマイクロコンピュータ３を起動して，センサ６からセンシングデータを取得し，取得したセンシングデータに腕輪型センサノード１を特定する識別子とタイムスタンプを付与して基地局１０２へ送信する。

図４は，図１に示した呼吸頻度推定システムの各構成要素を示すブロック図である。腕輪型センサノード１が送信したセンシングデータは，基地局１０２を介してクライアント計算機（ＰＣ）１０３の記録装置１１００のセンシングデータテーブル１１５０に蓄積される。もしくは図示しない有線通信を介して直接ＰＣ１０３と通信してもよい。
ＰＣ１０３は，各種情報を表示する表示装置（出力装置）１０３１と、利用者の操作によって様々な情報の入力を可能とする入力装置１０３２を具備する。表示装置１０３１は液晶ディスプレイやＣＲＴディスプレイ等の表示端末のほか，プリンタや画像ファイル出力でも良い。入力装置１０３２はキーボード，マウス等の入力用機器である。また，表示装置１０３１と入力装置１０３２はタッチパネル式ディスプレイのような，両方の機能を備える単体の機器でも良い。

またＰＣ１０３は，プロセッサ１０７と，メモリ１０８及び記録装置１１００をさらに備える。記録装置１１００は，後述する各種プログラム，各種データテーブルを記録するものであり，例えば，ハードディスクドライブやＣＤーＲＯＭドライブ，フラッシュメモリなどである。なお，複数の記録装置に各種プログラム，各種データテーブルを分割して記録するようにしてもよい。

プロセッサ１０７は，記録装置１１００に記録されている各種プログラムをメモリ１０８に読み出して実行することにより各種機能を実現する。具体的には，データ集計プログラム２００を実行することにより，利用者の腕の加速度センサで測定されたセンシングデータを集計し，単位時間（例えば，１分間）毎の集計値を算出し，記録装置１１００の集計データテーブル２５０に格納する。また，睡眠期間抽出プログラム３００を実行することにより，算出した単位時間毎の集計値を解析し，全ての睡眠期間を検出し，記録装置１１００の睡眠期間データテーブル３５０に格納する。また呼吸頻度推定プログラムを実行することにより，検出した睡眠期間から単位時間（例えば，一分間）毎の呼吸頻度を推定し，記録装置１１００の呼吸頻度データテーブル４５０に格納する。

なお，以下では，ＰＣ１０３が，データ集計プログラム２００と睡眠期間抽出プログラム３００と呼吸頻度推定プログラム４００を定期的な周期で実行し，もしくは腕時計型センサノード１との通信を起因として実行し，更に入力装置１０３２の操作，もしくはＰＣ１０３の起動，もしくは呼吸頻度推定プログラム４００の実行の終了を起因として表示装置１０３１に表示データを提示する例を示す。

図５は，本実施例のシステムで行われるデータ処理の全体的な流れを示すフローチャート図である。まず、図５を参照して全体の処理の概略を示し、後に各ステップのより具体的な例を説明する。
まず，ステップＳ１では，腕輪型センサノード１が送信したセンシングデータを基地局１０２がＰＣ１０３へ転送し，ＰＣ１０３のセンシングデータテーブル１１５０にセンシングデータを蓄積する。また，センシングデータに付与されている，センサノードを特定するための識別子と当該センシングデータを取得した時刻を示す時刻情報もセンシングデータに対応してセンシングデータテーブル１１５０に蓄積する。さらに，ＰＣ１０３（例えば、プロセッサ１０７、以下の各ステップも同様）がデータ集計プログラム２００を実行して，記録装置１１００に蓄積されたセンシングデータから単位時間毎の運動頻度を算出し，記録装置１１００の集計データテーブル２５０に格納する。なお，データ集計プログラム２００を所定の周期（例えば，５分間）毎に実行しても良いし，腕輪型センサノード１との通信開始や終了を起因として実行しても良いし，入力装置１０３２の操作を起因として実行しても良い。

次に，ステップＳ２では，ＰＣ１０３は睡眠期間抽出プログラム３００を実行して，集計データテーブル２５０に格納された集計データから利用者が睡眠状態にあると推定される領域を検出し，全ての睡眠領域の開始時刻と終了時刻を組みとして睡眠期間データテーブル３５０に格納する。また，ＰＣ１０３は、一日の最大の睡眠期間である主睡眠を検出し，上記格納した睡眠領域のうち主睡眠であるものに対して主睡眠タグを付加して睡眠分析データテーブル３５０に格納する。なお睡眠期間抽出プログラム３００を所定の周期（例えば，５分間）毎に実行しても良いし，データ集計プログラム２００の終了を起因として実行しても良い。

次に，ステップＳ３では，ＰＣ１０３は呼吸頻度推定プログラム４００を実行する。ここでは、ＰＣ１０３は、睡眠データテーブル３５０に格納された各睡眠期間について，当該期間内のセンシングデータをセンシングデータテーブル１１５０から取得し，単位時間（例えば，１秒）毎の，所定の期間（例えば，５分）の周波数スペクトルを算出し，最大パワーを持つ周波数成分を呼吸周波数候補として検出する。例えば、該最大パワー値が充分に突出している場合には（６０＊周波数）を当該日時の分間呼吸頻度として確定して呼吸頻度データテーブル４５０に格納し，充分に突出していない場合は当該日時を呼吸未検出としてタグを付加して呼吸頻度データテーブル４５０に格納する。なお呼吸頻度推定プログラム４００を所定の周期（例えば，５分間）毎に実行しても良いし，睡眠期間抽出プログラム３００の終了を起因として実行しても良い。

次に，ステップＳ４では，呼吸頻度推定プログラム４００により求められ、格納された呼吸頻度をクライアント計算機（ＰＣ）１０３の表示部１０３１に提示する。
図６は，ＰＣ１０３のデータ集計プログラム２００で行われる処理の一例を示すフローチャートである。各ステップは、ＰＣ１０３のプロセッサ１０７が実行する。
まずステップＳ１１では，利用者の保有するセンサの識別子に対応するセンシングデータをセンシングデータテーブル１１５０から読み込む。ここで利用者の保有するセンサの識別子は，例えば基地局１０２と通信している腕時計型センサノード１から取得しても良いし，入力装置１０２で利用者により指定された識別子でもよいし，図示しない利用者センサ対応テーブルから選択した任意の識別子でも良い。ここで読み込むセンシングデータの量は，センシングデータの集計周期である所定の周期（例えば，５分間），あるいは過去のデータ集計プログラム２００の実行によって既に格納されている最後の集計時刻以降全て，等に設定すればよい。

次に，ステップＳ１２〜Ｓ１４では，読み込んだセンシングデータの加速度データについて所定の時間間隔（例えば，１分）毎の集計値を算出する。本実施形態では，所定の時間間隔内での腕輪型センサノード１の装着者（利用者）の運動の頻度を示すゼロクロス回数を集計値として用いる。
腕輪型センサノード１が検出したセンシングデータにはＸ，Ｙ，Ｚ軸の加速度データが含まれているので，Ｘ，Ｙ，Ｚの３軸の加速度のスカラー量＝√（Ｘ＾２＋Ｙ＾２＋Ｚ＾２）を算出し（ステップＳ１２），求めたスカラー量をフィルタ（バンドパスフィルタ）処理することで所定の周波数帯域（例えば，０．１Ｈｚ〜５Ｈｚ）のみを抽出しノイズ成分を除去する（ステップＳ１３）。バンドパスフィルタを適用したデータは、例えば後の表示などのため適宜保存してもよい。そして，図７に示すように、求めたスカラー量が所定の閾値（例えば，０．０５Ｇ）を通過する値をゼロクロス回数として算出し，ゼロクロス回数が所定時間間隔内に出現する頻度を算出し，この出現頻度を，所定の時間間隔（１分間）の運動頻度として出力する（ステップＳ１４）。この運動頻度の算出結果は図８で示すように単位時間毎の運動頻度を時系列的にソートしたデータとなる。なお，運動頻度は，Ｘ，Ｙ，Ｚの各方向の加速度の値が正と負に振動した回数（振動数）を各方向の所定時間内に数えて合計するなど他の方法でもよいが，本実施例では，計算を簡略化することができるため，ゼロクロス回数を算出する方法を採用している。

さらに，所定時間間隔内のデータの状態を表すフラグを算出する（ステップＳ１５）。まず，所定時間間隔内に存在するデータのうち，有効なデータ（即ち，所定の範囲内のＸ，Ｙ，Ｚの３軸のデータが欠損値以外の値として存在するもの）の割合が所定の閾値（例えば０．８）より少ない場合，該時間間隔を欠損データとして確定する。また腕時計型センサノード１が装着状態を出力する場合，該時間間隔が欠損でなく所定時間間隔内に存在するデータのうち装着中である割合が所定の閾値（例えば０．８）より少ない場合，該時間間隔を非装着データとして確定する。以上により，該時間間隔のデータの状態のフラグを「データ有り」「欠損値」「非装着」のうち一つに決定する。
データ集計プログラム２００の実行により，所定の時間間隔毎に，運動頻度及びデータフラグを求め，図９に示すように，所定の時間間隔毎の集計データを生成し，記録装置１１００の集計データテーブル２５０へ腕輪型センサノード１の装着者の識別子２５１と，腕輪型センサノード１の識別子２５２と共に蓄積する（ステップＳ１６）。

図９は，集計データテーブル２５０のフォーマットを示す説明図である。腕輪型センサノード１の装着者（呼吸頻度推定システムの利用者）の識別子を格納するユーザＩＤ２５１と，センシングデータに含まれる腕輪型センサノード１の識別子を格納するセンサデータＩＤ２５２と，所定の時間間隔の開始時刻（測定日時）を格納する測定日時２５３と，データ集計プログラム２００の実行により演算した運動頻度を格納する運動頻度２５４と，データ集計プログラム２００の実行により求めたデータの状態フラグを格納するフラグ２５５からひとつのエントリを構成する。なお，利用者の識別子は，腕輪型センサノード１の識別子に基づいて予め設定した図示しないテーブルから参照すればよい。

図１０は，ＰＣ１０３の睡眠期間抽出プログラム３００で行われる処理の一例を示すフローチャートである。各ステップは、ＰＣ１０３のプロセッサ１０７が実行する。
まず，データ集計プログラム２００の実行により集計した単位時間集計データを集計データテーブル２５０から読み込む（ステップＳ２１）。ここで読み込む集計データの量は，例えば過去の睡眠分析プログラム３００の実行によって既に格納されている最後の睡眠期間の終了時刻以降全て，等に設定すればよい。例えば、処理の対象となった集計データは集計データテーブル２５０から削除するか、処理済のフラグなどをつけてもよい。

次に，ステップＳ２２では，読み込んだ集計データから睡眠状態であると推定される期間群を検出する。睡眠中の運動頻度は極めて低いが，睡眠中でも人体は寝返りなどの運動を行うため，運動頻度はゼロにはならない。睡眠を判定する手法はいくつか知られており，例えば，Ｃｏｌｅ法（非特許文献２）などを適用すればよい。このような手法により検出された各期間の開始時刻と終了時刻を睡眠期間の候補群として，図示しない一時ストレージ等に保持する。また，利用者がセンサノードを装着していない場合は運動頻度がゼロに近くなり，睡眠として判定されてしまう場合もあるが，例えば腕時計型センサノードが非装着判定手段を備えている場合は睡眠として判定せず，さらに単位時間集計データテーブル２５０を読み込む際にフラグ２５８が非装着を示すデータは運動頻度が高いデータと同等に扱うことによっても，これを防ぐことが可能である。

次に，ステップＳ２３では，睡眠期間の候補の中で近接するもの同士を結合する。睡眠検出の手法によっては，例えば目覚まし時計を止めるために一時的に起床し，再び睡眠に入った場合でも一時的に起きた時刻で睡眠期間候補が区切られてしまう。しかし，生理活動としての睡眠は確かにそこで区切れているが，生活行動としての睡眠を考える場合そこで区切れることは望ましくない場合もある。そのため，睡眠期間候補の終了後，所定時間（例えば３０分）以内に次の睡眠領域候補が開始している場合，二つの睡眠期間候補を結合し，一つの大きな睡眠期間として扱う。このようにして睡眠期間候補群の中で結合できるものを探索し，結合する。

次に，ステップＳ２４では，睡眠期間の候補として不適合であるものを排除する。一例としてあげる方法においては，まず継続時間が所定時間（例えば１０分）以下の睡眠期間候補は排除する。また，候補群の中の最後の睡眠期間候補の終了時刻がもし睡眠分析プログラム３００の実行により読み込んだ集計データの最新測定時刻から所定時間（例えば３０分）以内である場合，次回の睡眠分析プログラム３００の実行で新しく候補に挙がる睡眠期間と結合できる可能性があるため，これも排除する（次回の処理にまわす）。以上のように処理した睡眠期間候補群を睡眠期間群として確定する。

次に，ステップＳ２５では，ステップＳ２４で確定した睡眠期間群の中から，主睡眠を抽出し，睡眠の種類を「主睡眠」として確定し，それ以外の睡眠期間を「うたた寝」として確定する。より具体的には、まず各睡眠期間の所属するカレンダー日を算出する。これは，睡眠領域の終了時刻が所定時刻，例えば０時から２０時までであるならば同日，２０時から２４時までであるならば次の日に所属するものとする。この基準は，一般人の生活において２０時手前に終わる睡眠は昼寝に含まれると考える事も出来るからである。そして，例えば７月２３日の１７時に開始し１９時半に終了する睡眠領域は７月２３日に属し，例えば７月２３日の１６時半に開始し２０時半に終了する睡眠領域は，７月２４日に属する。こうして算出したカレンダー日の最古のカレンダー日から最新のカレンダー日まで，各カレンダー日において最長の所属睡眠領域を導き，これらをそのカレンダー日の「主睡眠」として確定する。以上で算出した「主睡眠」以外の睡眠の種類を「うたた寝」として確定する。 最後に，ステップＳ２６では，確定した睡眠期間群を図１１に示すように，記録装置１１００の睡眠分析データテーブル３５０に蓄積する。この時，各睡眠期間に睡眠分析データテーブル３５０内で一意となるような識別子である睡眠ＩＤを割り当てる。これは例えば最後に割り当てられた睡眠ＩＤに１を足した値を利用する，等の選び方でよい。

図１１は，睡眠期間データテーブル３５０のフォーマットを示す説明図である。腕輪型センサノード１の装着者の識別子を格納するユーザＩＤ３５１と，睡眠の識別子を格納する睡眠ＩＤ３５２と，睡眠期間の開始時刻を格納する睡眠開始日時３５３と，睡眠期間の終了時刻を格納する睡眠終了時刻３５４と，睡眠の種類（主睡眠であるか，うたた寝であるか）を格納する睡眠の種類３５５からひとつのエントリを構成する。

図１２は，ＰＣ１０３の呼吸推定プログラム４００で行われる処理の一例を示すフローチャートである。各ステップは、ＰＣ１０３のプロセッサ１０７が実行する。
ステップＳ３１では，睡眠期間抽出プログラム３００で抽出された睡眠期間を睡眠期間データテーブル３５０から読み込む。ここで読み込む睡眠期間の量は，例えば過去の呼吸推定プログラム４００の実行によって既に格納されている最後の呼吸データの日時以降全て，等に設定すればよい。

次に，ステップＳ３２〜ステップＳ３７では，ここで取得した各睡眠期間について個別に処理を行う。
ステップＳ３２では，上記ステップＳ３１で取得した睡眠期間のうち一つの期間について，その期間内に含まれる，当該利用者が装着する腕時計型センサノード１の識別子に対応するセンサデータをセンシングデータテーブル１１５０から読み込む。
次に，ステップＳ３３では前記ステップＳ３２で取得したセンサデータについて，単位時間（例えば，１分）毎に，その周辺の所定の期間（例えば，５分）のセンシングデータを切り出し，スカラー化する。腕輪型センサノード１が検出したセンシングデータのＸ，Ｙ，Ｚ軸の加速度データのスカラー量＝√（Ｘ＾２＋Ｙ＾２＋Ｚ＾２）を算出する。
次に，ステップＳ３４では，求めたスカラー量をフィルタ（バンドパスフィルタ）処理することで所定の周波数帯域（例えば，０．０１Ｈｚ〜１Ｈｚ）のみを抽出しノイズ成分を除去する。
次に，ステップＳ３５では，前ステップＳ３４でフィルタ処理したスカラー量について周波数スペクトルを求める。該スカラー量についてＦＦＴ（高速フーリエ変換）を行うことで，図２１ａに例示するように，各周波数における強度を算出する。この時，各周波数の強度を，前後周波数成分の強度も含めて平均化することで，スペクトルを平滑化しても良い。
次に，ステップＳ３６では，前ステップＳ３５で求めた周波数スペクトルから最大強度を持つ周波数を，主周波数として取得する。
次に，ステップＳ３７では，前ステップＳ３６で求めた主周波数の，呼吸周波数としての妥当性を検証する。

例えば，主周波数が所定の周波数領域内（例えば，０．０１６Ｈｚ〜０．３３Ｈｚ）であるかどうかを検証し，それ以外である場合は呼吸としては早すぎる，もしくは遅すぎるとして除外しても良い。
また，別の例としては，主周波数の強度が所定の閾値以下であった場合には，ノイズの可能性が高いため除外しても良い。
また，別の例としては，主周波数（ピーク）の強度が他の周波数よりも突出する度合いを評価し，突出度合いが少ない場合はノイズの可能性が高いため除外しても良い。突出する度合いを評価する手段としては，例えば下記ピークスコア（式２）を用いても良い。

このピークスコアが予め定められた閾値（例えば，８．０）を下回る場合は，突出度合いが足りないと評価し、除外する。
以上で例示した条件で除外された場合は，当該日時の呼吸は「未検出」，除外されなかった場合は「検出成功」と判断する。

次に，ステップＳ３８では，前ステップＳ３６で算出した主周波数に６０をかける事で，分毎の呼吸頻度を算出する。
最後に，ステップＳ３９では，以上で算出した，各睡眠期間内の，各日時における分毎の呼吸頻度を，記録装置１１００の呼吸推定データテーブル４５０に蓄積する。この時呼吸頻度は，ステップＳ３７で当該日時の呼吸が「未検出」であると判断された場合は，未検出を表す値（例えば，「ｎｕｌｌ」）を保持し，それ以外の場合はステップＳ３８で算出した分毎の呼吸頻度を保持する。

また，以上の説明ではＦＦＴ（高速フーリエ変換）を用いて主となる周波数成分を検出する例を示したが，加速度データ内に含まれる周波数成分の強度が検出出来る方法であれば何でも良く，例えば自己相関を求めても良い。自己相関を用いる場合の主となる周波数成分とは，例えばτ＝０の山以降の次に現れる山の頂点としても良い。また，ステップＳ３７における呼吸周波数としての妥当性は，例えば選択されたτにおける相関係数が閾値以上である場合，などを含んでも良い。

また，以上の説明では主となる一つの周波数成分を検出し，この妥当性を検証し，妥当である場合は呼吸頻度として採用する例を示したが，例えば複数の突出した周波数成分を検出しても良い。その場合は，例えば上記ステップＳ３７の説明のように，それぞれの妥当性を検証し，妥当であった周波数成分が複数ある場合は，例えば最も妥当であった周波数成分を選択しても良いし（例えば上で例示した条件から妥当性を示す指標を求めても良い），当該日時の一つ手前の日時で検出された呼吸頻度に最も近い周波数成分を選択しても良い。また別の手段として，これまでに当該装着者に関して算出された睡眠期間の呼吸数を平均化することで，就寝開始後の経過時間毎の平均呼吸頻度（呼吸トレンド）を算出し，当該日時の就寝開始後経過時間を算出し，呼吸トレンドに最も近い周波数成分を選択しても良い。

また，以上の説明では単位時間（例えば，１分）毎に，所定の期間（例えば，５分）のセンシングデータを切り出し，呼吸頻度を検出し，呼吸推定データテーブル４５０に蓄積する例を示したが，例えばより細かい間隔（例えば，１秒）毎に，所定の期間（例えば，５分）のセンシングデータを切り出し，呼吸頻度を検出し，所定の単位時間（例えば，１分）毎に，単位時間内に検出された全ての呼吸頻度を平均化することで，突発的なノイズに強くしても良い。

図１３は，呼吸推定データテーブル４５０のフォーマットを示す説明図である。腕輪型センサノード１の装着者の識別子を格納するユーザＩＤ４５１と，所定の時間間隔の日時を格納する日時４５２と，推定された呼吸頻度，もしくは妥当な呼吸が検出されなかった場合には未検出を表す値（例えば，ｎｕｌｌ）を格納する呼吸頻度４５３を保持する。

図２５は、実施例１におけるライアントＰＣ１０３の機能ブロック図である。
クライアントＰＣ１０３は、例えば、主周期成分検出部２５０１と、呼吸情報取得成功判定部２５０２と、蓄積部２５０３とを有する。各部は、上述のようにプロセッサ１０７が呼吸推定プログラム４００を実行することで実現される。
主周期成分検出部２５０１は、周期的に過去所定期間のセンシングデータを集計し、その主となる主周期成分を検出する。図１２のステップＳ３２〜Ｓ３６の処理に相当する。呼吸情報取得成功判定部２５０２は、予め定められた判定条件に従い、該主周期成分が呼吸に依る周期成分として有効か否かを判定する。図１２のステップＳ３７の処理に相当する。蓄積部２５０３は、呼吸に依る周期成分として有効であると判定された場合にその主周期成分の周波数を呼吸頻度として時刻情報と対応して蓄積する。図４の呼吸頻度データテーブル４５０、図１２のステップＳ３７４の処理に相当する。

図１４は，クライアント計算機であるＰＣ１０３の表示部１０３１に表示される睡眠表示画面１２００の画面イメージである。ＰＣ１０３が睡眠表示画面１２００を表示させるのは，入力装置１０３２を介した利用者からの表示要求を受け付けたことを起因としても良いし，呼吸推定プログラム４００の実行終了を起因としても良いし，例えば無線等の手段で腕輪型センサノード１のセンシングデータをリアルタイムで取得する事が可能である場合は，装着者が起床した事を睡眠期間抽出プログラム３００が検知した事を起因としても良い。なお，ＰＣ１０３で稼働するアプリケーションとしては，ブラウザを採用しても良いし，単独で稼働するアプリケーションが直接睡眠表示画面１２００を表示しても良い。

睡眠表示画面１２００はその日の主睡眠と，検知された呼吸頻度に関する情報を利用者に提示する画面の一例である。これは，表示対象となる日付を表示し，選択を可能とする日付コントロール１２０１と，データ集計プログラム２００のステップＳ１３で算出したスカラー量の一日の推移を示す，スカラー量グラフ１２０２と，この日から検出された睡眠期間，非装着期間を示す睡眠期間グラフ１２０３と，検知された呼吸頻度を示す呼吸頻度グラフ１２０４と，その日の呼吸のトレンドと，その人の最近の呼吸頻度のトレンドとを示す呼吸トレンドグラフ１２０５と，その日の睡眠の数値データやアドバイスを表示する睡眠メモパネル１２０６を有する。
日付コントロール１２０１は，画面上に表示されている日付を示すためのコントロールであり，また左右のボタンへの押下により前後の日が選択されるようにしても良い。

スカラー量グラフ１２０２は，データ集計プログラム２００のステップＳ１３で算出した，センシングデータをスカラー化し，バンドパスフィルタを適用したデータを表示するためのグラフである。これを表示することにより，直感的に睡眠中の体動量や，睡眠以外での活動量を利用者が知る事が出来る。表示するデータ量（例えば，２４時間×６０分×６０秒×２０サンプル＝１７２８０００データ点）が画面の幅（例えば，１２８０ピクセル）よりも大きい場合，画面内の１ピクセルの幅内に実際に含まれる複数のデータ点を表現する必要がある。この時，例えば１ピクセルの幅内に含まれるデータ点の中から一つを任意に選択して単一の点として描画しても良いし，１ピクセルの幅内に含まれる全てのデータ点の平均値を単一の点として描画しても良いし，図１４（ｂ）の描画例に示すように，１ピクセルの幅内に含まれる全てのデータ点の平均値を濃い色の単一の点として描画しつつ（１２０２１），例えば平均値よりも高いデータ点の標準偏差と，平均値よりも低いデータ点の標準偏差を算出し，平均値より高い点の標準偏差から平均値より低い点の標準偏差までの領域を薄い色で塗りつぶす（１２０２２）事で，利用者はデータの全貌を把握しつつ，より詳細に見た場合のデータの挙動（即ち，平均値から大きくばらつくか否か）を想起することが出来る。

睡眠期間グラフ１２０３は，睡眠期間抽出プログラム３００で算出された睡眠期間を表示する領域である。表示対象となっている日付が含む全ての睡眠領域を，図示するように特定の色で塗りつぶし，また主睡眠を別の色で塗りつぶしても良い。また，睡眠期間はスカラー量グラフ１２０２に統合して，例えば半透明で上から表示しても良い。
呼吸頻度グラフ１２０４は，その日の睡眠期間中に検出された呼吸頻度を表示するためのグラフである。有効な呼吸頻度が算出された領域に関しては折れ線グラフを描画し，有効な呼吸頻度が算出されなかった領域は，例えば図示するように特定の色で塗りつぶす事に依り，呼吸未検出期間である事を示しても良い。

呼吸トレンドグラフ１２０５は，その日の呼吸の欠損値を補間することで得られる呼吸トレンドを，過去の呼吸トレンドと比較表示するグラフである。その日の呼吸トレンドは，例えばその日の主睡眠から検出された呼吸頻度について，「就寝後経過時間」をｘ軸にとり，「呼吸頻度」をｙ軸にとって例えば二次回帰式を近似し，この式に基づき，睡眠期間の開始から終了までの推定呼吸頻度を例えば実線でプロットしても良い。これにより，利用者は欠損している領域についても，呼吸数の推定値を知る事が出来る。また過去の呼吸トレンドは，当該利用者について今まで検出した全ての睡眠期間に含まれる呼吸頻度について，「就寝後経過時間」をｘ軸にとり，「呼吸頻度」をｙ軸にとって例えば二次回帰式ｙ＝（ｑＡ＊ｘ^２＋ｑＢ＊ｘ＋ｑＣ）を近似し，この式に基づき，睡眠期間の開始から終了までの過去のトレンド呼吸頻度を例えば破線でプロットしても良い。これにより，利用者はその日の睡眠が過去の睡眠と比較することで，例えば寝入りの呼吸数の高低や，就寝後の呼吸数の低下速度の緩急や，寝起き前の呼吸数の高低を知る事が出来る。以上の説明ではトレンドを算出するために二次回帰式を用いる例を示したが，呼吸頻度の補間が出来ればなんでもよく，例えば一次回帰式でも良い。また，過去の呼吸トレンドを算出する際に，当該利用者の過去のデータ全てを用いても良いし，所定の範囲内（例えば，過去３ヶ月間）のデータのみを用いても良いし，他の利用者もデータに含めても良いし，例えば利用者について性別や年齢などのプロフィール情報を保持している場合は，似たプロフィールの利用者のデータのみを含めて算出しても良い。

睡眠メモパネル１２０６は，その日の睡眠期間に関する数値データや，それに基づく利用者へのメッセージやアドバイスを表示する領域である。例えば，上記で算出する睡眠トレンドを用いて就寝直後の呼吸頻度を算出し，「就寝時呼吸数」として表示しても良い。さらに，過去の呼吸トレンドを用いて，通常の睡眠における就寝時呼吸数も「通常の就寝時呼吸数」として提示しても良い。また別の例として，上記で算出した二次回帰式ｙ＝（ｑＡ＊ｘ^２＋ｑＢ＊ｘ＋ｑＣ）の二乗項，即ちｑＡを「寝つき指標」として表示しても良い。ｑＡは，就寝後に呼吸数がどれだけ急峻に低下するかの度合いを表す指標であり，呼吸数は睡眠が深くなると低くなることが知られているため，ｑＡを寝つき指標として提示することで，利用者は自らの睡眠の寝つきの良さを知る事が出来る。この時，睡眠期間全ての呼吸頻度を用いて二次回帰式を近似しても良いし，就寝後所定時間（例えば，一時間）以内の呼吸頻度のみを用いて二次回帰式を近似しても良い。また，ｑＡを，例えば多くの人にとって０〜１０等の把握しやすい範囲に収まるように正規化して表示しても良い。更に，過去の呼吸トレンドを用いて，通常の睡眠における寝つき指標を算出し，「通常の寝つき指標」として提示しても良い。それ以外にも，例えば起床直前の呼吸頻度を「起床前呼吸数」として提示しても良いし，起床前一時間以内に算出された呼吸頻度のみを用いて二次回帰式を近似し，二次回帰式の二乗項ｑＡの値を「寝起き指標」として提示しても良い。

更に，呼吸頻度や睡眠前後のセンシングデータに基づいて，良眠を得るためのアドバイスを利用者に提示しても良い。例えば，寝入り時の呼吸数が通常より高く，就寝直前（例えば，一時間）の活動量指標（例えば，スカラー量の絶対値の積算）が所定の値以上であった場合は，例えば寝る直前に運動した可能性があるため『眠くなる前に就床しているようですね。寝る前の運動は控えましょう』などのアドバイスを表示することで，寝る直前に運動して呼吸数が上がったまま寝ようとするのを控えさせる効果が期待できる。逆に，寝入り時の呼吸数が通常より高く，就寝直前の活動量指標が所定の値以下であった場合は，例えば飲酒の可能性があるため『お酒を飲みましたか？寝る前のお酒は睡眠を浅くするので控えましょう』などのアドバイスを表示することで，寝酒を控えさせる効果が期待できる。また，いつもより寝つき指標が高かった（寝つきが良かった）場合は例えば『いつもより良く寝つきました。お疲れだったようですね』と労う事で，利用者に自らの疲労状態を振り返らせる効果が期待できる。逆に，いつもより寝つき指標が低かった場合は例えば『いつもより寝つきが悪かったようですね。気が張っている時はお風呂に入ってリラックスしてみましょう』等のアドバイスを表示することで，寝つきが悪い時に効果のある療法を知らせる事が出来る。また，例えばその日の睡眠トレンドのｑＡ項とｑＢ項が共に０に近い（例えば，絶対値が所定の閾値以下）であった場合は呼吸数が最後まで殆ど下がっていない状態であり，例えば風邪をひいた時に見られる兆候であるため，『風邪を引きましたか？ゆっくり休んでください』などのアドバイスを送ることで，利用者に自分の体調の変化を気付かせる効果が期待できる。なお、これらのアドバイスを表示させるための閾値は、予め設定されることができる。

なお，上記実施形態では呼吸頻度推定システムとして利用者（人体）の睡眠中の活動状態を測定するために利用者の腕に装着される腕輪型センサノード１の３軸加速度センサを用いた例を示したが，非侵襲に人体の活動状態を検知可能なセンサであればよく，例えば，腕に装着した角速度センサでも良いし，３軸の加速度センサではなく，２軸や無軸の加速度センサでも良い。
また，上記実施形態では睡眠中の呼吸頻度を推定するシステムを例示したが，睡眠中ではなく覚醒中の呼吸頻度を推定することにも効果がある。例えば会議中に腕を組んだり，運動直後に息が上がったりしている状態でも，加速度センサに呼吸の周波数成分が反映されることがあるが，これについても上記と同じ手段により検知，提示が行える。

また本実施例は，呼吸の状態が断片的に反映されるセンサの例として腕に装着した加速度センサを用いた例を示したが，呼吸の状態が断片的にしか反映されないセンサであれば何でも本実施例は効果的に呼吸頻度を測定する事が出来る。例えば，寝具の上に装着した赤外線カメラで対象の動きを測定する場合は，睡眠姿勢によって呼吸の動きが映像上に反映されたりされなかったりするため，本実施例が適用出来る。また，例えば特許文献２に開示されるように，近年では企業内で社員が装着する名札バッジには加速度センサや対面センサが搭載されるようになってきているが，通常時は服の上に装着したバッジからでは呼吸運動が加速度データに反映されることはないものの，座り方の姿勢によっては呼吸運動が反映される事があるため，これについても本実施例を適用して呼吸頻度を精度良く推定する事が出来る。

また，上記実施形態では睡眠中の呼吸頻度を表示装置１０３１にグラフ等を用いて提示するシステムを例示したが，例えば図示しない手段により利用者が起床したい期間の設定を受け付け，その期間内に呼吸頻度が浅い眠りを示唆する挙動を示した場合に，図示しないベル等をならせる事により，利用者によって快適な起床を生じさせるシステムでも良い。浅い眠りを示唆する挙動とは，例えば推定呼吸頻度と過去のトレンドとの分数が所定の閾値を超えた場合でも良いし，例えば直近の所定の期間（例えば，５分間）の呼吸頻度が上昇傾向を示した場合でも良い。
上記で説明した実施形態により，腕に装着した加速度センサのように，多くの場合は呼吸運動がデータ内に反映されないセンサの出力データからも，精度良く呼吸頻度を推定する事が出来る。

本発明の第２の実施例として，人（利用者）に装着したセンサによって加速度データを測定し，睡眠中の呼吸頻度を算出し，睡眠中の呼吸頻度の増減からＲＥＭ睡眠期間を推定し，利用者に提示するＲＥＭ睡眠推定システムを示す。
まず，本実施例により解決される課題について説明する。人の睡眠はＲＥＭ睡眠とＮＯＮ−ＲＥＭ睡眠に分かれており，このうちＲＥＭ睡眠とは通常の睡眠の約２割を占め，記憶の整理が行われていると考えられている期間である。身体の状態としては，脈拍及び呼吸がＮＯＮ−ＲＥＭ時よりも乱れ，頻度も早くなる事が知られている。そのため，特許文献３ではこの事を利用し，脈拍数が所定の閾値以上である期間をＲＥＭ睡眠として認識する技術が開示されている。また，心拍と呼吸は生理的に同じ系で制御されるため，心拍数ではなく呼吸頻度を用いた場合でも同発明でＲＥＭ睡眠の検知が行える。例えば図２３（ａ）で示した呼吸頻度の実測値では，６０〜９０分おきに山が生じている様子が示されているが，この山を生じさせているのが，ＲＥＭ睡眠である。

一方で，当該特許文献３では閾値の設定の仕方について具体的な言及がない。実際の睡眠では，図２３（ａ）に示したように，就寝後から起床まで，基礎呼吸頻度（ＮＯＮ−ＲＥＭ中の呼吸数）は経時的に低下し続け，ＲＥＭ中の呼吸数もそれに応じて低下する。そのため，睡眠全体を通して単一のＲＥＭ睡眠の閾値を設ける事は出来ない。何故なら，睡眠の後半におけるＲＥＭ中の呼吸頻度は，睡眠の前半におけるＮＯＮ−ＲＥＭの呼吸頻度程度であることは多々あるからである。
また基礎呼吸頻度の絶対値や下がり方自体が人や季節によって違うため，人毎に違う閾値を設定する必要がある。

更に，図２３（ａ）のように睡眠期間中の呼吸頻度が端から端まで測定出来る場合であれば「山」を検知することでＲＥＭの推定が行えるが，図１５（ｂ）に例示したように，腕輪型の加速度センサからは推定呼吸数は断片的にしか得られない。そのため，呼吸頻度が通常より高いところを発見するのは容易ではない。
本発明者らは，ある利用者の過去一週間程度の推定呼吸数を用いて当該利用者の経時的な基礎呼吸頻度を推定し，基礎呼吸数よりも高い呼吸頻度が測定された箇所をＲＥＭ睡眠と認識することで，腕輪型加速度センサから得られる断片的な推定呼吸頻度からでも高い精度でＲＥＭ睡眠を推定出来る事を見出した。

この事の詳細，そして本実施例における処理の一例を図で説明する。
図１５（ａ）は，ある睡眠についてＥＯＧ（眼電図）から実測されたＲＥＭ睡眠の期間を黒く示したものである。大体９０分周期程度で生じていることが分かる。
図１５（ｂ）は，同期間について腕輪型加速度センサを用いて推定された呼吸頻度である。これを見るだけでは，呼吸頻度が通常よりも高い箇所を判別する事は出来ない。
図１５（ｃ）は，当該利用者の過去一週間の睡眠を用いて，就寝後経過時間毎の基礎呼吸頻度を推定し，呼吸頻度と共にプロットした図である。基礎呼吸頻度は，各主睡眠の開始（就寝）後の経過時間と，実測呼吸頻度の二軸に対する二次回帰式の近似によって推定した。基礎呼吸頻度のカーブは，寝入り時の呼吸頻度１６程度から，起床時の呼吸頻度１４程度まで単調に減少している事が分かる。またこれにより，当該睡眠において呼吸頻度が通常よりも高い領域が明らかになった（黒い矢印）。そしてそれらが図１５（ａ）に示したＲＥＭ睡眠期間とも一致している事が分かる。
図１５（ｄ）は，まず当該睡眠期間において推定された呼吸頻度と，基礎呼吸頻度カーブとの乖離を算出し，更に補間した図である。乖離は推定呼吸頻度と基礎呼吸頻度の分数（比），即ち

として定義する。更に，このデータは欠損値を多く含むため，３次スプライン補間により平滑化，補間を行っている。図上では呼吸乖離が１．０以上，即ち呼吸頻度が基礎呼吸頻度を上回った箇所のみを描画している。
図１５（ｅ）は，前記補間した呼吸乖離が連続的に１．０を上回った期間を，ＲＥＭ候補期間として示している。この段階で，ＲＥＭ候補期間に関する種々の特徴量，例えば継続時間や，最大呼吸乖離等を算出する。
図１５（ｆ）は，各ＲＥＭ候補期間がＲＥＭであるか否かを，例えば公知の機械学習により判別し，ＲＥＭであると判別されたものを示している。これにより，図１５（ａ）で実測されたＲＥＭ睡眠を高い精度で推定出来ているという事が分かる。

以下に，ＲＥＭ睡眠推定システムを実現するためのシステム構成の例を示す。尚，実施例１の呼吸頻度推定システムの構成と同一のものには，同一符号を付すことで，その重複する構成及び動作の説明については省略する。
図１６は，本実施例のＲＥＭ睡眠推定システムの各構成要素を示すブロック図である。腕輪型センサノード１が送信したセンシングデータは，基地局１０２を介してクライアント（ＰＣ）１０４の記録装置１１００のセンシングデータテーブル１１５０に蓄積される。もしくは図示しない有線通信を介して直接ＰＣ１０４と通信してもよい。

ＰＣ１０４は，各種情報を表示する表示装置（出力装置）１０４１と利用者の操作によって様々な情報の入力を可能とする入力装置１０４２を具備する。表示装置１０４１は液晶ディスプレイやＣＲＴディスプレイ等の表示端末のほか，プリンタや画像ファイル出力でも良い。また，音を発生させるスピーカを具備していても良い。入力装置１０４２はキーボード，マウス等の入力用機器である。また，表示装置１０４１と入力装置１０４２はタッチパネル式ディスプレイのような，両方の機能を備える単体の機器でも良い。
またＰＣ１０４は，プロセッサ１０７と，メモリ１０８及び記録装置１１００を備える。記録装置１１００は，後述する各種プログラム，各種データテーブルを記録するものであり，例えば，ハードディスクドライブやＣＤーＲＯＭドライブ，フラッシュメモリなどである。なお，複数の記録装置に各種プログラム，各種データテーブルを分割して記録するようにしてもよい。

プロセッサ１０７は，記録装置１１００に記録されている各種プログラムをメモリ１０８に読み出して実行することにより各種機能を実現する。具体的には，データ集計プログラム２００を実行することにより，利用者の腕の加速度センサで測定されたセンシングデータを集計し，単位時間（例えば，１分間）毎の集計値を算出し，記録装置１１００の集計データテーブル２５０に格納する。また，睡眠期間抽出プログラム３００を実行することにより，算出した単位時間毎の集計値を解析し，全ての睡眠期間を検出し，記録装置１１００の睡眠期間データテーブル３５０に格納する。また呼吸頻度推定プログラムを実行することにより，検出した睡眠期間から単位時間（例えば，一分間）毎の呼吸頻度を推定し，記録装置１１００の呼吸頻度データテーブル４５０に格納する。またＲＥＭ推定プログラム５００を実行することにより，推定した呼吸頻度からＲＥＭ睡眠の期間を推定し，ＲＥＭデータテーブル５５０に格納する。

なお，以下では，ＰＣ１０４が，データ集計プログラム２００と睡眠期間抽出プログラム３００と呼吸頻度推定プログラム４００とＲＥＭ推定プログラム５００を定期的な周期で実行し，もしくは腕時計型センサノード１との通信を起因として実行し，更に入力装置１０４２の操作，もしくはＰＣ１０４の起動，もしくは呼吸頻度推定プログラム４００の実行の終了を起因として表示装置１０４１に表示データを提示する例を示す。

図１７は，本実施例のシステムで行われるデータ処理の全体的な流れを示すフローチャート図である。
ステップＳ２．１〜２．３は，第１の実施例におけるＳ１〜Ｓ３と同一でも良い。
ステップＳ２．４では，ＰＣ１０４はＲＥＭ推定プログラム５００を実行して，睡眠期間データテーブル３５０に格納された各睡眠期間について，期間内に検出された呼吸頻度を呼吸頻度データテーブル４５０から取得し，更に就寝後経過後の単位時間（例えば，１秒）毎の基礎呼吸頻度を，例えば過去所定の期間（例えば一週間）の呼吸頻度データを用いて算出し，測定された呼吸頻度と基礎呼吸頻度の乖離を呼吸乖離として算出し，呼吸乖離が所定の条件（例えば，予め定められた閾値を超えているなど）を満たす期間をＲＥＭ睡眠期間として検出し，ＲＥＭデータテーブル５５０に格納する。なおＲＥＭ推定プログラム５００を所定の周期（例えば，５分間）毎に実行しても良いし，呼吸頻度推定プログラム４００の終了を起因として実行しても良い。

次に，ステップＳ２．５では，ＲＥＭ推定プログラム５００に格納されたＲＥＭ期間をクライアント計算機１０４の表示部１０４１に提示する。
尚，データ集計プログラム２００，及び睡眠期間抽出プログラム３００，及び呼吸頻度推定プログラム４００は，例えば第１の実施例における構成と同一でも良い。

図１８は，ＰＣ１０４のＲＥＭ推定プログラム５００で行われる処理の一例を示すフローチャートである。
まず，睡眠期間抽出プログラム３００の実行により抽出した睡眠期間データ（例えば、所定ユーザの睡眠開始時刻及び睡眠終了時刻）を睡眠期間データテーブル３５０から読み込む（ステップＳ４１）。ここで読み込む集計データの量は，例えば過去のＲＥＭ推定プログラム５００の実行によって既に格納されている最後のＲＥＭ期間の終了時刻以降全て，等に設定すればよい。

次に，ステップＳ４２〜４７では，ここで読み込んだ各睡眠期間について個別に処理を行う。
ステップＳ４２では，一つの睡眠期間内に含まれる，呼吸頻度推定プログラム４００により算出された呼吸頻度を全て読み込む。
次に，ステップＳ４３では，当該睡眠期間以前の所定の期間（例えば，一週間）分の全ての主睡眠の呼吸頻度から，就寝後経過時間毎の基礎呼吸頻度を算出する。基礎呼吸頻度は，前記所定の期間の呼吸頻度の「就寝後経過時間」をｘ軸にとり，「呼吸頻度」をｙ軸にとって二次回帰式ｙ＝（ｑＡ＊ｘ^２＋ｑＢ＊ｘ＋ｑＣ）を近似し，この式に基づき，睡眠期間の開始から終了までの基礎呼吸頻度を算出する。なお、就寝後経過時間は、１日における睡眠の開始時間（就寝時刻）からの経過時間を用いることができる。また基礎呼吸頻度の算出方法は，呼吸頻度の補間が出来ればなんでもよく，例えば一次回帰式でも３次スプライン法でも移動平均でも良い。また，基礎呼吸頻度を算出する際に，当該利用者の過去のデータ全てを用いても良いし，所定の範囲内（例えば，一週間）のデータのみを用いても良いし，他の利用者もデータに含めても良いし，例えば利用者について性別や年齢などのプロフィール情報を保持している場合は，似たプロフィールの利用者のデータのみを含めて算出しても良い。

次に，ステップＳ４４では，当該睡眠期間中に検出された呼吸頻度と，前記ステップで算出した基礎呼吸頻度との乖離を算出し，欠損値を補間する。乖離は，例えば分数，即ち以下の式で定義しても良い。

更に，算出した呼吸乖離の欠損部分，つまり呼吸が未検出の部分を３次スプライン法等の方法で補間しても良い。またこの時，ある欠損している日時において，正常に検出された最後の呼吸，もしくは次の呼吸が所定の期間（例えば，５分）以上前，もしくは後である場合，補間せずに欠損値のままにしておくことで，情報量が少ない領域において過度な補間が行われるのを防ぐ事が出来る。また欠損値以外にも，正常に呼吸頻度が検出された部分についても補間値で置き換える事に依り，呼吸乖離を平滑化する事が出来る。また一度補間をかけたあと，再度補間をかけても良い。

次に，ステップＳ４５では，前記算出した呼吸乖離が，例えば所定の閾値以上（例えば，１．０）を連続的に超えていた期間を一つのＲＥＭ候補期間として抽出する。
次に，ステップＳ４６では，前記抽出した全てのＲＥＭ候補期間に対してＲＥＭであるか否かを判別し，ＲＥＭ期間を確定する。まず，各ＲＥＭ候補期間から期間に関する種々の特徴量を算出する。
特徴量として，例えばＲＥＭ候補期間の継続時間を含んでも良い。通常の睡眠でＲＥＭ睡眠が１５分以上継続することは稀であるため，それ以上続くＲＥＭ候補期間は実際のＲＥＭ睡眠である可能性は低いと判断出来る。

また別の特徴量として，例えばＲＥＭ候補期間中の呼吸乖離の最大値を含んでも良い。呼吸乖離の最大値が低すぎる（予め定められた閾値より低い）場合は，ＲＥＭ睡眠である可能性が低いと判断出来る。
また別の特徴量として，例えばＲＥＭ候補期間開始後に呼吸乖離の最大値が生じるまでの経過時間や，これをＲＥＭ候補期間の継続時間で割ったものを含んでも良い。ＲＥＭ睡眠中の呼吸乖離は，上昇期間と下降期間が同じぐらいの時間であるため，極端に経過時間が開始直後，もしくは終了間際に寄っている場合はＲＥＭ睡眠である可能性は低いと判断出来る。
また別の特徴量として，ＲＥＭ候補期間中に，ステップＳ４４で補間されたデータ点の割合を特徴量として含んでも良い。補間されたデータ点が多い場合は，該ＲＥＭ候補期間の信頼度も少なく考えるべきである。
また別の特徴量として，ＲＥＭ候補期間中の呼吸乖離を二次回帰式ｙ＝（ｑＡ＊ｘ^２＋ｑＢ＊ｘ＋ｑＣ）の各係数，ｑＡ，ｑＢ，ｑＣを特徴量として含んでも良い。ＲＥＭ睡眠時の呼吸乖離は綺麗な山型である事が多いため，これら係数を用いる事で，山型の評価を行う事が出来る。なお、上述の特徴量による判別は、予め定められた閾値等により行うことができる。
以上の説明で挙げた特徴量群は例であり，以上以外の特徴量を用いる事も出来る。

これらの特徴量のひとつ又は複数を含む特徴ベクトルを用いて，ＲＥＭ候補期間がＲＥＭ睡眠であるか否かを判別する。判別のためには，事前にＲＥＭ睡眠の学習データを用いて学習したモデルを用いても良い。この際の学習アルゴリズムとして，例えば非特許文献３に開示されるサポートベクトルマシン（ＳＶＭ）を用いても良いし，判別分析が行えるアルゴリズムであれば何でもよい。このステップでＲＥＭ睡眠と判別されたＲＥＭ候補期間を，ＲＥＭ睡眠と確定する。

ＲＥＭ睡眠の判定は、以下のようにすることもできる。
例えば、実測された呼吸頻度と基礎呼吸頻度との乖離が所定の傾き以上で所定の時間以上増加する場合にＲＥＭ睡眠の開始と判定し、所定の終了条件に基づいてＲＥＭ睡眠の終了とする。ここで、ＲＥＭ睡眠の終了条件は、ＲＥＭ睡眠の開始から所定の時間が経過する事を含むことができる。また、ＲＥＭ睡眠の終了条件は、実測もしくは補間された呼吸頻度と基礎呼吸頻度の分数が所定の傾き以下で所定の時間以上単調減少する事を含むことができる。さらに、ＲＥＭ睡眠の終了条件は、センシングデータに基づき呼吸以外の体動が検知される事を含むことができる。
次に，ステップＳ４７では，前記ステップでＲＥＭ睡眠と確定されたＲＥＭ候補期間を，ＲＥＭデータテーブル５５０に蓄積する。

以上の説明では，呼吸頻度が基礎呼吸頻度よりも上昇した箇所を検知する事で，ＲＥＭ睡眠を抽出する例を示した。この方法では，呼吸がそもそも検知されていない領域（時間帯）についてはＲＥＭ睡眠を検知する事が出来ない。一方で，ＲＥＭ睡眠は多くの人にとって大体９０分周期程度で生じることが知られている。そこで，発見されたＲＥＭ睡眠から所定の時間間隔（例えば，９０分）の整数倍分に前後（つまり，９０分前，９０分後，１８０分前，１８０分後，２７０分前，．．．など）の領域をＲＥＭ睡眠と判定することで補間しても良い。またこの時，９０分ではなく，この装着者に関して検知されたすべてのＲＥＭ睡眠期間から適切な時間間隔（ＲＥＭ睡眠間隔）を算出して、算出された時間間隔を用いても良い。その算出方法としては，例えば全てのＲＥＭ睡眠からその次のＲＥＭ睡眠までの時間間隔を算出し，それらのうち例えば１３５分以下であった時間間隔のみの平均値を取る事で、装着者のＲＥＭ睡眠の平均的な時間間隔を算出しても良い。別の例としては，全てのＲＥＭ睡眠からその次のＲＥＭ睡眠までの時間間隔を算出し，時間間隔が１３５分以上である場合は，当該時間間隔を割る事で１３５分未満になるような整数の徐数を選択し（例えば，間隔が３３０分なら，徐数を４とすることで８２．５分が得られる），選択した徐数で割った結果の平均を取ることで，その装着者にとって好適なＲＥＭ睡眠の時間間隔が算出される。なお、１３５分未満でかつ９０分に最も近くなるようにしてもよい（例えば、間隔が３３０分なら、徐数３で１１０分であるが、徐数４で８２．５分にしたほうが９０分に近い）。この時間間隔は，計算対象となっている睡眠期間のみから算出しても良いし，この装着者についてこれまで算出された時間間隔の平均等を用いても良い。また，補正によって判定するＲＥＭ睡眠の継続時間は所定の時間（例えば，１５分間）でも良いし，これまでその装着者に関して検知された全てのＲＥＭ睡眠期間の平均継続時間でも良い。

図１９は，ＲＥＭデータテーブル５５０のフォーマットを示す説明図で，腕輪型センサノード１の装着者の識別子を格納するユーザＩＤ５５１と，ＲＥＭ睡眠と確定されたＲＥＭ候補期間の開始日時を格納するＲＥＭ開始日時５５２と，該期間の終了日時を格納するＲＥＭ終了日時５５３を保持する。また，ＲＥＭ候補期間の判別に用いた判別アルゴリズムが判別の尤度や信頼度を算出出来る場合，この情報もＲＥＭ期間と共に格納しても良い。またＲＥＭ期間を補間する手段が備わっている場合は，補間フラッグをＲＥＭ期間と共に格納しても良い。

図２６は、実施例２におけるクライアントＰＣ１０３の機能ブロック図である。
クライアントＰＣ１０３は、例えば、実施例１の呼吸測定システム２５００と、睡眠検知部２６０１と、基礎呼吸頻度算出部２６０２と、乖離算出部２６０３と、ＲＥＭ睡眠判定部２６０４と、第２蓄積部２６０５とを有する。各部は、上述のようにプロセッサ１０７が各プログラム２００、３００、４００及び５００を実行することで実現される。
睡眠検知部２６０１は、センシングデータから睡眠を検知する。図１７のステップＳ２．２、図５のステップＳ２の処理に相当する。基礎呼吸頻度算出部２６０２は、呼吸測定システム２５００の蓄積部２５０３に蓄積された所定期間の呼吸頻度と時刻情報とに基づき、就寝後経過時間毎の呼吸頻度を統計した就寝後経過時間毎の基礎呼吸頻度を算出する。図１８のステップＳ４２、Ｓ４３の処理に相当する。乖離算出部２６０３は、算出された基礎呼吸頻度と実測され蓄積部２５０３に蓄積された呼吸頻度との乖離を、就寝後経過時間毎に算出する。図１８のステップＳ４４の処理に相当する。ＲＥＭ睡眠判定部２６０４は、基礎呼吸頻度と実測された呼吸頻度との乖離からＲＥＭ睡眠を判定する。図１８のステップＳ４５、Ｓ４６の処理に相当する。第２蓄積部２６０５は、判定されたＲＥＭ睡眠の時刻情報を蓄積する。図１８のステップＳ４７の処理に相当する。

図２７は、ＲＥＭ睡眠判定部２６０４の詳細ブロック図である。
ＲＥＭ睡眠判定部２６０４は、例えば、ＲＥＭ候補期間抽出部２７０１と、特徴量算出部２７０２と、ＲＥＭ候補期間判別部２７０３とを有する。
ＲＥＭ候補期間抽出部２７０１は、呼吸頻度と基礎呼吸頻度との乖離が連続して予め定められた第２閾値以上であった期間をＲＥＭ候補期間として抽出する。特徴量算出部２７０２は、前記ＲＥＭ候補期間における特徴量を含む特徴ベクトルを算出する。ＲＥＭ候補期間判別部２７０３前記特徴ベクトルに基づいて前記ＲＥＭ候補期間がＲＥＭ睡眠であるか否かを判定する。

図２０は，クライアント計算機であるＰＣ１０４の表示部１０４１に表示されるＲＥＭ表示画面１３００の画面イメージである。ＰＣ１０４がＲＥＭ表示画面１３００を表示させるのは，入力装置１０４２を介した利用者からの表示要求を受け付けたことを起因としても良いし，ＲＥＭ推定プログラム５００の実行終了を起因としても良いし，例えば無線等の手段で腕輪型センサノード１のセンシングデータをリアルタイムで取得する事が可能である場合は，装着者が起床した事を睡眠期間抽出プログラム３００が検知した事を起因としても良い。なお，ＰＣ１０４で稼働するアプリケーションとしては，ブラウザを採用しても良いし，単独で稼働するアプリケーションが直接ＲＥＭ表示画面１３００を表示しても良い。

ＲＥＭ表示画面１３００はその日の主睡眠と，検知された呼吸頻度と，ＲＥＭ睡眠に関する情報を利用者に提示する画面の一例である。これは，表示対象となる日付を表示し，選択を可能とする日付コントロール１３０１と，データ集計プログラム２００のステップＳ１３で算出したスカラー量の一日の推移を示すスカラー量グラフ１３０２と，この日から検出された睡眠期間，非装着期間を示す睡眠期間グラフ１３０３と，検知された呼吸頻度を示す呼吸頻度グラフ１３０４と，その日のＲＥＭ睡眠を検知するＲＥＭパネル１３０５と，その日の睡眠の数値データやアドバイスを表示する睡眠メモパネル１３０６を有する。
なお，要素１３０１，１３０２，１３０３，１３０４は，第１の実施例における睡眠画面１２００の１２０１，１２０２，１２０３，１２０４とそれぞれ同一でも良いため，以下の説明においては詳細説明を省く。

ＲＥＭパネル１３０５は，ＲＥＭ推定プログラム５００で推定されたＲＥＭ睡眠の期間を表示する領域である。図面のように，呼吸頻度から直接推定されたＲＥＭ期間（実線枠）と，欠損部分について９０分周期毎に補間したＲＥＭ期間（破線枠）を区別して描いても良い。また，例えばＲＥＭ期間の枠内に，ＲＥＭ期間の開始日時，終了日時，経過時間，推定の信頼度等の情報を表示しても良い。

睡眠メモパネル１３０６は，その日の睡眠期間に関する数値データや，それに基づく利用者へのメッセージやアドバイスを表示する領域である。例えば，その日の就寝後，最初のＲＥＭ期間が現れるまでの時間をＲＥＭ潜時とし，過去所定の時間（例えば，半年）のＲＥＭ潜時の平均値を通常ＲＥＭ潜時として表示しても良い。ＲＥＭ潜時は，睡眠不足気味になると長くなり，例えばうつ病では短くなる事が知られている。そのためＲＥＭ潜時を通常と比べて表示することで，装着者が自分の体調を省みるきっかけとなる。また，起床前に最後のＲＥＭ睡眠から経過した時間を例えば「すっきり目覚め指数」として表示しても良い。通常，ＲＥＭ睡眠から時間がたてばたつほど眠りが深くなり，眠りが深い状態で起床してしまうと目覚めが良くないとされている。そのため，ＲＥＭ睡眠からの経過時間を表示することで，自らの目覚め方を振り返るきっかけとなる。またこれら以外にも，睡眠中を占めるＲＥＭ睡眠の割合や，ＲＥＭ睡眠期間の回数，ＲＥＭ睡眠間の時間間隔の平均値などを提示しても良い。

更に，呼吸頻度や睡眠前後のセンシングデータに基づいて，睡眠についてのコメントやアドバイスを利用者に提示しても良い。例えば，ＲＥＭ潜時が９０分より大幅に長い場合は睡眠不足が疑われるため，「睡眠不足気味のようですね」などのコメントを提示することで，利用者に自らの生活パターンを見直すきっかけを与えてもよい。

以上の説明では，腕輪型センサノード１のセンシングデータから呼吸頻度を算出し，ＲＥＭ睡眠の期間を推定し，表示部１０４１に提示する実施の形態を説明したが，例えば表示部１０４１に音声を発するブザーやスピーカが備わっている場合，装着者が設定した時間（例えば，６時から６時半など）の間にＲＥＭ睡眠が終了したことを起因として音声を発生させることで，ＲＥＭ睡眠が終了した間際の一番すっきり目覚めやすいタイミングで起床させる事が出来る。なお、ＲＥＭ睡眠が終了したタイミング以外にも、ＲＥＭ睡眠中の適宜のタイミングでもよい。また，前述の通りＲＥＭ睡眠中には記憶の整理が行われるため，受験勉強を徹夜で行っており，小休憩として寝る場合はＲＥＭ睡眠も経る事が望ましい。そこで，就寝後最初のＲＥＭ睡眠が終了したことを起因として音声を発生させることで，効率よく短期記憶の定着化を促す事が出来る。
上記で説明した実施形態により，腕に装着した加速度センサから算出した欠損値を多く含む呼吸頻度からでも，精度良くＲＥＭ睡眠を推定する事が出来る。

（変形例）
上述のＲＥＭ睡眠判定は、センシングデータから呼吸を表すデータ（例えば呼吸頻度）を意識して求めなくてもよく、センシングデータから上述と同様の処理でＲＥＭ睡眠を判定してもよい。例えば、ＲＥＭ睡眠判定方法は、
腕に装着され腕の動きを示すセンシングデータを取得するセンサからのセンシングデータを過去所定期間について集計し、その主となる主周期成分を検出するステップと、
該主周期成分が、予め定められた周波数範囲である場合にその主周期成分の周波数を時刻情報と対応して蓄積するステップと、
センシングデータから睡眠を検知するステップと、
蓄積された主周期成分の周波数と時刻情報とに基づき、就寝後経過時間毎の基礎周波数データを算出するステップと、
算出された基礎周波数データと蓄積された主周期成分の周波数との乖離を算出するステップと、
算出された乖離に基づきＲＥＭ睡眠を判定するステップと、
判定されたＲＥＭ睡眠の時刻情報を蓄積するステップと
を含むように構成することができる。

１ 腕輪型センサノード
６ センサ
１０ 基板
１１ ケース
１２ バンド
１０３ クライアント計算機（ＰＣ）
１０７ プロセッサ
１０８ メモリ
１１００ 記憶装置
２５０ 集計データテーブル
３５０ 睡眠期間データテーブル
４５０ 呼吸頻度データテーブル
１１５０ センシングデータテーブル
２５００ 呼吸測定システム
２５０１ 主周期成分検出部
２５０２ 呼吸情報取得成功判定部
２５０３ 蓄積部
２６０１ 睡眠検知部
２６０２ 基礎呼吸頻度算出部
２６０３ 乖離算出部
２６０４ ＲＥＭ睡眠判定部
２６０５ 第２蓄積部
２７０１ ＲＥＭ候補期間抽出部
２７０２ 特徴量算出部
２７０３ ＲＥＭ候補期間判別部

Claims (19)

1. 腕に装着して腕の動きを示すセンシングデータを取得するセンサと、
   周期的に過去所定期間のセンシングデータを集計し、その主となる主周期成分を検出する主周期成分検出部と、
   主周期成分の大きさ又は周波数に関する予め定められた判定条件に従い、該主周期成分が呼吸に依る周期成分として有効か否かを判定する呼吸情報取得成功判定部と、
   呼吸に依る周期成分として有効であると判定された場合にその主周期成分の周波数を呼吸頻度として時刻情報と対応して蓄積する蓄積部と
   を備えた呼吸測定システム。
2. 前記主周期成分検出部は、センシングデータのスカラー値をＦＦＴした演算結果の最大ピークを前記主周期成分とする請求項１に記載の呼吸測定システム。
3. 前記呼吸情報取得成功判定部における判定条件は、主周期成分のパワー値が予め定められた第１閾値以上であれば、呼吸に依る周期成分として有効であると判定することを含む請求項１に記載の呼吸測定システム。
4. 前記呼吸情報取得成功判定部における判定条件は、主周期成分のパワー値が、該主周期成分まわりの第１の範囲内の周期成分のパワー値と比較して、所定量以上突出していれば、呼吸に依る周期成分として有効であると判定することを含む請求項１に記載の呼吸測定システム。
5. 前記呼吸情報取得成功判定部における判定条件は、主周期成分の周波数が予め定められた第２の範囲内にあれば、呼吸に依る周期成分として有効であると判定することを含む請求項１に記載の呼吸測定システム。
6. 前記センサは、装着される腕の加速度データを取得する加速度センサ又は装着される腕の角速度データを取得する角速度センサである請求項１に記載の呼吸測定システム。
7. 請求項１に記載の呼吸測定システムと、
   センシングデータから睡眠を検知する睡眠検知部と、
   前記呼吸測定システムの蓄積部に蓄積された所定期間の呼吸頻度と時刻情報とに基づき、就寝後経過時間毎の呼吸頻度を統計した就寝後経過時間毎の基礎呼吸頻度を算出する基礎呼吸頻度算出部と、
   算出された基礎呼吸頻度と実測され前記蓄積部に蓄積された呼吸頻度との乖離を、就寝後経過時間毎に算出する乖離算出部と、
   基礎呼吸頻度と実測された呼吸頻度との乖離からＲＥＭ睡眠を判定するＲＥＭ睡眠判定部と、
   判定されたＲＥＭ睡眠の時刻情報を蓄積する第２蓄積部と
   を備えたＲＥＭ睡眠判定システム。
8. 前記基礎呼吸頻度算出部は、前記蓄積部に蓄積された、複数の睡眠についての呼吸頻度から就寝後経過時間毎の平均値を算出することで、就寝後経過時間毎の基礎呼吸頻度を算出する請求項７に記載のＲＥＭ睡眠判定システム。
9. 前記基礎呼吸頻度算出部は、前記蓄積部に蓄積された、複数の睡眠についての呼吸頻度を所定の項数の多項式で近似することで、就寝後経過時間毎の基礎呼吸頻度を算出する請求項７に記載のＲＥＭ睡眠判定システム。
10. 前記乖離算出部は、呼吸頻度が蓄積されなかった期間を所定の補間法により補間する請求項７に記載のＲＥＭ睡眠判定システム。
11. 前記乖離算出部における補間法は三次スプライン補間法である請求項１０に記載のＲＥＭ睡眠判定システム。
12. 前記乖離算出部により算出される乖離は、実測された呼吸頻度と、基礎呼吸頻度との分数で表される請求項７に記載のＲＥＭ睡眠判定システム。
13. 前記ＲＥＭ睡眠判定部は、
    呼吸頻度と基礎呼吸頻度との乖離が連続して第２閾値以上であった期間をＲＥＭ候補期間として抽出するＲＥＭ候補期間抽出部と、
    前記ＲＥＭ候補期間における特徴量を含む特徴ベクトルを算出する特徴量算出部と、
    前記特徴ベクトルに基づいて前記ＲＥＭ候補期間がＲＥＭ睡眠であるか否かを判定するＲＥＭ候補期間判別部と
    を有する請求項７に記載のＲＥＭ睡眠判定システム。
14. 前記特徴ベクトルは、
    ＲＥＭ候補期間の継続時間、ＲＥＭ候補期間中の実測もしくは補間された呼吸頻度と基礎呼吸頻度の乖離の最大値、ＲＥＭ候補期間開始後に最大呼吸頻度が生じるまでの経過時間、もしくはこの経過時間のＲＥＭ候補期間の継続時間を母数とした割合、ＲＥＭ候補期間中に補間された呼吸数が占める割合、及び、ＲＥＭ候補期間中の呼吸頻度を二次回帰式で近似した時の各係数、のうち少なくともひとつの特徴量を含む請求項１３に記載のＲＥＭ睡眠判定システム。
15. 前記ＲＥＭ睡眠判定部は、実測された呼吸頻度と基礎呼吸頻度との乖離が所定の傾き以上で所定の時間以上増加する場合にＲＥＭ睡眠の開始と判定し、所定の終了条件に基づいてＲＥＭ睡眠の終了とする請求項７に記載のＲＥＭ睡眠判定システム。
16. ＲＥＭ睡眠の前記終了条件は、ＲＥＭ睡眠の開始から所定の時間が経過する事を含む請求項１５に記載のＲＥＭ睡眠判定システム。
17. ＲＥＭ睡眠の前記終了条件は、実測もしくは補間された呼吸頻度と基礎呼吸頻度の分数が所定の傾き以下で所定の時間以上単調減少する事を含む請求項１５に記載のＲＥＭ睡眠判定システム。
18. ＲＥＭ睡眠の前記終了条件は、センシングデータに基づき呼吸以外の体動が検知される事を含む請求項１５に記載のＲＥＭ睡眠判定システム。
19. 前記ＲＥＭ睡眠判定部で判定された複数のＲＥＭ睡眠の間隔に基づくＲＥＭ睡眠間隔に従い、該ＲＥＭ睡眠間隔の倍数分の期間もＲＥＭ睡眠と判定する請求項７に記載のＲＥＭ睡眠判定システム。

Images