JP5776939B2

JP5776939B2 - 睡眠状態判別装置および睡眠状態判別方法

Info

Publication number: JP5776939B2
Application number: JP2011225109A
Authority: JP
Inventors: 貴文渥美
Original assignee: Aisin Seiki Co Ltd; Aisin Corp
Current assignee: Aisin Corp
Priority date: 2011-10-12
Filing date: 2011-10-12
Publication date: 2015-09-09
Anticipated expiration: 2031-10-12
Also published as: JP2013081707A

Description

本発明は、在床者の睡眠状態を判別する技術、特に、脈波に基づいて在床者の睡眠状態を判別する技術に関する。

従来、病院や高齢者施設等において患者や入居者等の睡眠状態を把握したいという要望があった。また、近年では、睡眠の長さよりも睡眠の質が重要であることが分かってきており、そのため睡眠の質を測定したいという要望が挙がっている。

そのような要望に応えるため、例えば、被験者の脈拍間隔データと体動データとに基づいて睡眠状態を判別する技術が提案されている（特許文献１参照）。この特許文献１の技術では、体動があったと判別されたときの脈拍間隔データを除外した脈拍間隔データから自律神経指標に基づいて睡眠状態を判別している。この自律神経指標は、脈拍間隔データから変換された周波数スペクトル分布のうちの複数のパワースペクトルから取得されている。

特開２００５−２７９１１３号公報

上述の特許文献１の技術では、体動があったときの心拍間隔データを除外して睡眠状態を判別しているため、体動によるノイズの影響を除外でき、睡眠状態の判別精度を高めることができる。しかしながら、睡眠状態の判別処理は、低周波領域のパワースペクトル（ＬＦ）、高周波領域のパワースペクトル（ＨＦ）に基づく閾値処理により行われており、これらの特徴量は少なからず呼吸の影響を受けているため、睡眠状態の指標となる自律神経（特に、副交感神経）の活動を十分に表しているとは言えない。したがって、引用文献１の技術では、精度よく睡眠状態を判別できないおそれがある。

本発明は上記課題に鑑みてなされたものであり、その目的は、在床者の睡眠状態を高精度に判別する技術を提供することである。

上記課題を解決するため、本発明の睡眠状態判別装置は、在床者の脈波を取得する脈波取得部と、前記脈波に基づいて複数の特徴量を算出する特徴量算出部と、教師データに基づいて統計的学習を用いて学習された判別規則に対して前記特徴量を適用することにより前記在床者の睡眠状態を判別する睡眠状態判別部と、を備え、前記特徴量算出部は、前記脈波から心臓の拍動間隔を表す拍動間隔情報を算出する拍動間隔情報算出部と、前記拍動間隔情報から心臓の拍動周波数特性を算出する拍動周波数特性算出部と、前記拍動周波数特性のパワースペクトルを算出するパワースペクトル算出部と、両対数軸平面上で表現された前記パワースペクトルを超低周波領域、低周波領域および高周波領域に分類したうちの前記高周波領域における傾きを前記特徴量として算出する傾き算出部と、を備えている。

睡眠状態と副交感神経の活動状態とには相関があり、高周波領域のパワースペクトルには副交感神経の活動を表す情報が含まれている。したがって、その高周波領域のパワースペクトルから算出される特徴量は、副交感神経の活動状態、すなわち、睡眠状態を表すと考えられる。しかしながら、いかに高周波領域のパワースペクトルから睡眠状態をよく表す特徴量を算出するかが問題となる。この問題に対して、上述の構成では、脈波に基づいて算出される特徴量として、両対数軸平面で表現された拍動周波数特性のパワースペクトルの高周波領域の傾きを用いている。この傾きは、高周波領域のパワースペクトルのフラクタル性を示している。一方、脈波の変動は、副交感神経の活動（活性）に対してフラクタル変調がかけられていることが知られている。したがって、両対数軸平面で表現された拍動周波数特性のパワースペクトルの高周波領域の傾きは、副交感神経の活動、すなわち、睡眠状態をよく反映するものと考えられる。したがって、このような値を特徴量として用いて、睡眠状態の判別を行えば、精度の高い判別が可能となる。

パワースペクトルのフラクタル性は、低周波領域や超低周波領域にも見られる。そのため、本発明の睡眠状態判別装置の好適な実施形態の一つでは、前記傾き算出部は、前記特徴量として、前記両対数軸平面上で表現された前記パワースペクトルの前記超低周波領域および前記低周波領域における傾きを算出する。この構成では、さらに判別精度を高めることができる。

睡眠状態は、例えば、覚醒／ＲＥＭ睡眠／浅いｎｏｎ−ＲＥＭ睡眠／深いｎｏｎ−ＲＥＭ睡眠に分類される。しかしながら、この分類では異なる概念レベルが混在しているため、これらを同列に扱うことは望ましくない。そのため、本発明の睡眠状態判別装置の好適な実施形態の一つでは、前記睡眠状態が階層的に定義され、前記睡眠状態判別部は、前記睡眠状態の階層に対応して階層的に前記睡眠状態を判別する。

この構成では、睡眠状態を概念レベル毎に階層化して定義し、睡眠状態の判別処理はその階層に応じて階層的に行われる。例えば、第１階層（最上位階層）において判別を行い、その判別結果の状態が第２階層の分類を有する場合には、第２階層における判別を行う。このように、階層化して判別を行うことにより、判別精度を向上させることができる。

脈波から算出される特徴量は、上述したものの他にも様々なものがある。そのため、各特徴量の単位もそれぞれ異なる可能性がある。そのため、本発明の睡眠状態判別装置の好適な実施形態の一つでは、前記判別規則は、前記特徴量の種別毎に、当該特徴量の種別毎の平均値および標準偏差を用いて正規化された前記教師データに基づいて学習され、前記睡眠状態判別部は、前記特徴量の種別毎に、当該特徴量の種別毎の平均値および標準偏差を用いて正規化された前記特徴量を用いて判別を行う。

この構成では、各特徴量がその種別の平均値および標準偏差により正規化されるため、特徴量間の軽重をなくすことができる。

また、上記課題を解決するため、本発明の睡眠状態判別方法は、在床者の脈波を取得するステップと、両対数軸平面上で表現された、前記脈波に基づいて算出された心臓の拍動間隔の拍動周波数特性のパワースペクトルを超低周波領域、低周波領域および高周波領域に分類したうちの前記高周波領域における傾きを特徴量として算出するステップと、前記脈波に基づいてさらに少なくとも１つの特徴量を算出するステップと、教師データに基づいて統計的学習を用いて学習された判別規則に対して前記特徴量を適用することにより前記在床者の睡眠状態を判別するステップと、を備えている。当然ながら、このような睡眠状態判別方法にも、上述した睡眠状態判別装置の付加的特徴を適用することができる。

睡眠状態判別装置の構成図である。睡眠状態判別装置の機能ブロック図である。睡眠状態の階層図である。特徴量の算出処理の流れを表すフローチャートである。判別規則の学習処理の流れを表すフローチャートである。睡眠状態の判別処理の流れを表すフローチャートである。睡眠状態の判別結果の表である。心拍動間隔の周波数特性のパワースペクトルの例である。図８のパワースペクトルを両対数軸で表した図である。

以下に、図面を用いて本発明の睡眠状態判別装置の実施形態を説明する。図１は、本実施形態における睡眠状態判別装置の構成図である。図に示すように、本実施形態における睡眠状態判別装置は、寝具上に在床している人（以下、在床者Ｍと称する）に起因する振動を検知する振動検知装置１および振動検知装置１からの出力に基づいて在床者Ｍの睡眠状態を判別する処理装置１０により構成されている。

振動検知装置１は、在床者Ｍの下、または、在床者Ｍが用いる敷布団、マットレス等の寝具の下に設置され、検出した振動に応じた出力信号を出力する。在床者Ｍが横臥している場合には、在床者Ｍの心臓の拍動、呼吸、体動等に起因する振動を検知することができる。図に示すように、本実施例における振動検知装置１は、６つの公知の振動センサ１ａを備えており、振動センサ１ａからの出力信号は処理装置１０に入力されている。なお、以下の説明では、振動センサ１ａからの出力信号の流れをチャネルと称する。したがって、本実施例では振動検知部１から処理装置１０に対して６チャネルの信号系が形成されている。なお、振動センサ１ａの数は１つでも構わないし、適宜変更可能である。

図１に示すように、処理装置１０はその前面に各種情報を表示するためのディスプレイ２０およびディスプレイ２０の表面に形成されたタッチパネル２１を備えている。在床者Ｍ等のユーザは、タッチパネル２１を操作することにより、処理装置１０に対して指示を与えることができる。また、処理装置１０の前面右下隅にはプッシュ式の電源スイッチ２２が設けられており、この電源スイッチ２２により睡眠状態判別装置の起動・終了を行うことができる。

図２は、処理装置１０に備えられている機能部を表す機能ブロック図である。本実施形態では、処理装置１０は各種処理を実行するＣＰＵ（Central Processing Unit）やメモリを中核としてソフトウェアにより各機能部が構成されているが、各機能部はハードウェアにより構成しても構わないし、ハードウェアとソフトウェアとを協働させて構成しても構わない。

図に示すように、処理装置１０は、処理装置１０全体を制御する制御部１１、振動センサ１ａからの出力信号を取得する出力信号取得部１２、出力信号に基づいて在床者Ｍの脈波を算出する脈波算出部１３、脈波に基づいて複数の特徴量を算出する特徴量算出部１４、算出された特徴量に基づいて在床者Ｍの睡眠状態を判別する睡眠状態判別部１５を備えている。なお、振動検知装置１、出力信号取得部１２、および、脈波算出部１３により本発明の脈波取得部が構成されている。

制御部１１は、処理装置１０全体の処理を制御する機能を有しており、在床者Ｍの睡眠状態についての判別結果や各種情報を在床者Ｍ等に通知するためにディスプレイ２０への表示を制御する。また、タッチパネル２１に対する操作を取得する機能も有している。さらに、ネットワークを介して睡眠状態についての判別結果を遠隔地に送信する機能を備えても構わない。また、判別結果の表示や送信はリアルタイムでも構わないし、判別結果をメモリ（図示せず）に記憶しておいて単位期間ごと、または、指定された期間について表示、送信を行う構成とすることもできる。

出力信号取得部１２には、リアルタイムに計測された振動センサ１ａからの６チャネルの出力信号が入力されている。出力信号取得部１２は、入力される出力信号を所定のサンプリング間隔でサンプリングし、Ａ／Ｄ変換する。なお、本実施形態では、サンプリング間隔を１０ｍｓｅｃとしている。出力信号取得部１２によりＡ／Ｄ変換された１チャネルの出力信号は、メモリ（図示せず）に一時的に記憶される。なお、以下の説明ではＡ／Ｄ変換された出力信号も単に出力信号と称する。

脈波算出部１３は、メモリに記憶された出力信号から脈波を算出する。本実施形態では、所定の周期、例えば、１０ｍｓｅｃで取得した出力信号に対して、在床者Ｍの心拍に相当する周波数成分を抽出するためのフィルタ処理を施したものを脈波としている。算出した脈波はメモリに一時的に記憶される。なお、上述したように、本実施形態では脈波算出部１３には６チャネルの出力信号が入力されているが、そのうちの１チャネルの出力信号を選択し、その出力信号から脈波を算出している。出力信号の選択は、例えば、振幅の大きさに基づいて行うことができる。

特徴量算出部１４は、脈波算出部１３により算出された脈波から複数の特徴量を算出する。本実施形態では特徴量として、（１）入床してからの経過時間（以下、Ｔｉｍｅ値と称する）、（２）所定期間におけるＲＲ間隔（詳細は後述する）の平均値（以下、ＲＲ値と称する）、（３）所定期間におけるＲＲ間隔の平均値に対するＲＲ間隔の標準偏差の比率（＝標準偏差／平均。以下、ＲＲ間隔変動係数と称する）、（４〜６）ＲＲ間隔のパワースペクトル（以下、ＲＲパワースペクトルと称する）の超低周波領域、低周波領域、高周波領域の面積（以下、それぞれＶＬＦ値，ＬＦ値，ＨＦ値と称する）、（７）ＨＦ値に対するＬＦ値の比率（以下、ＬＦ／ＨＦ値と称する）、（８〜１０）両対数軸平面で表現したＲＲパワースペクトルの超低周波領域、低周波領域、高周波領域のぞれぞれにおける傾き（以下、それぞれＶＬＦ傾き、ＬＦ傾き、ＨＦ傾きと称する）、を用いている。なお、本実施形態得では、ＲＲ値を算出する際の所定期間およびＲＲ間隔変動係数を求める際の所定期間を２０秒としているが、これらは適宜変更可能である。また、超低周波領域、低周波領域、高周波領域はそれぞれ、０．０００１〜０．０４Ｈｚ，０．０４〜０．１５Ｈｚ，０．１５〜０．４Ｈｚとしている。

上記特徴量を算出するために本実施形態の特徴量算出部１４は、Ｔｉｍｅ値を算出するためのタイマ１４ａ、脈波から心臓の拍動間隔を表す拍動間隔情報を算出する拍動間隔情報算出部１４ｂ、拍動間隔情報から心臓の拍動の周波数特性（以下、拍動周波数特性と称する）を算出する拍動周波数特性算出部１４ｃ、拍動周波数特性のパワースペクトル（ＲＲパワースペクトル）を算出するパワースペクトル算出部１４ｄ、両対数軸平面上で表現されたＲＲパワースペクトルの超低周波領域、低周波領域および高周波領域における傾きを算出する傾き算出部１４ｅ、ＲＲ間隔変動係数を算出するＲＲ間隔変動係数算出部１４ｆを備えている。なお、各特徴量の算出方法の詳細は後述する。

睡眠状態判別部１５は、特徴量算出部１４により算出された特徴量に基づいて在床者Ｍの睡眠状態を判別する。睡眠状態の判別は、統計的学習によって学習された判別規則に対して在床者Ｍの脈波から算出した特徴量を適用することにより行われる。本実施形態では、統計的学習として判別分析法を用いている。しかしながら、統計的学習はこれに限定されるものではなく、教師データを統計的に処理するものであれば、様々な手法を用いることができる。例えば、ニューラルネットワーク、部分空間法、ｋ−ＮＮ、サポートベクタマシン等を用いても構わないし、マハラノビス距離を判別基準（判別規則）としても構わない。

本実施形態の睡眠状態とは、睡眠／覚醒、ＲＥＭ睡眠／ｎｏｎ−ＲＥＭ睡眠、ｎｏｎ−ＲＥＭ睡眠（浅）／ｎｏｎ−ＲＥＭ睡眠（深）であり、この睡眠状態は図３に示すように階層的に定義されている。すなわち、睡眠状態は、第１階層では睡眠または覚醒に分かれている。また、睡眠は第２階層でＲＥＭ睡眠またはｎｏｎ−ＲＥＭ睡眠に分かれている。さらに、ｎｏｎ−ＲＥＭ睡眠は第３階層でｎｏｎ−ＲＥＭ睡眠（浅）またはｎｏｎ−ＲＥＭ睡眠（深）に分かれている。

以下に、図４，図５のフローチャートに基づいて、特徴量の算出、および、統計的学習による判別規則の学習の処理の流れを説明する。なお、睡眠状態判別装置とは別の装置を用いて判別規則の学習を行い、判別規則を睡眠状態判別装置にインストールすることができるが、学習のための特徴量（教師データ）は上述の特徴量算出部１４と同等の機能部により算出されるため、ここでは睡眠状態判別装置を用いて学習を行うものとして説明する。また、本実施形態では上記特徴量とともに脳波から睡眠状態を求め、その睡眠状態を正解として用いている。そのため、学習時の睡眠状態判別装置は脳波を取得する脳波センサ（図示せず）、取得された脳波に基づいて睡眠状態を判別する脳波解析部（図示せず）、教師データに基づいて判別規則を統計的学習によって学習する学習部（図示せず）を備えている。

〔特徴量算出〕
まず、被験者は脳波センサを装着した状態で、振動検知装置１が設置されたベッドに入床する。このとき、被験者やオペレータがタッチパネル２１を操作して、明示的に教師データ（学習データ）の取得の開始を指示する（＃０１）。このとき、タイマ１４ａが０リセットされ、入床してからの経過時間の計時を開始する（＃０２）。

出力信号取得部１２は、逐次振動検知装置１からの出力信号をＡ／Ｄ変換し、メモリに記憶させる。脈波算出部１３は、メモリに記憶された出力信号をフィルタリング処理して脈波を算出し、再度メモリに記憶する（＃０３）。

この処理により所定期間である２０秒分の脈波が取得されると（＃０４のＹｅｓ分岐）、以下の処理により特徴量が算出される。

拍動間隔情報算出部１４ｂは、メモリに記憶された脈波から拍動間隔情報を算出する（＃０５）。ここで、拍動間隔情報とは、心電図上に現れるＲ波と呼ばれる特徴的な波形に対応して脈波上に現れる特徴的な波形（以下、この波形もＲ波と称する）の時間間隔を表す情報であり、公知の方法により求めることができる。具体的には、Ｒ波が現れた時刻と、そのＲ波と直前のＲ波との時間間隔との関係が拍動間隔情報となる。なお、このＲ波とＲ波との時間間隔がＲＲ間隔である。

上述の処理により得られる拍動間隔情報は、Ｒ波が検知された時刻にのみ値（ＲＲ間隔）が存在し、時間的に疎になっている。そのため、拍動間隔情報算出部１４ｂは、所定時間毎のＲＲ間隔を得るために、拍動間隔情報を補間処理により、時間的に密なＲＲ間隔、すなわち、所定時間毎のＲＲ間隔にアップサンプリングする（＃０６）。以下、アップサンプリングされた拍動間隔情報をＲＲ間隔トレンドグラムと称する。なお、本実施形態では、所定時間を１秒としている。

特徴量算出部１４は、このＲＲ間隔トレンドグラムに基づいてＲＲ値を算出する（＃０７）。具体的には、所定期間である２０秒間のＲＲ間隔トレンドグラムの平均値をＲＲ値とする。

次に、ＲＲ間隔変動係数算出部１４ｆは、２０秒間のＲＲ間隔トレンドグラムの標準偏差を算出し、標準偏差／ＲＲ値をＲＲ間隔変動係数として算出する（＃０８）。

一方、拍動周波数特性算出部１４ｃは、メモリに蓄積されている５分間分のＲＲ間隔トレンドグラムに対してフーリエ変換を施し、心臓の拍動周波数特性を算出する（＃０９）。ここでフーリエ変換に用いるＲＲ間隔トレンドグラムは、前回のフーリエ変換に用いられたＲＲ間隔トレンドグラムの最先の時刻から２０秒ずらして設定している。すなわち、前回のフーリエ変換に用いられたＲＲ間隔トレンドグラムと今回のフーリエ変換に用いるＲＲ間隔トレンドグラムとは４分４０秒分がオーバラップしている。

パワースペクトル算出部１４ｄは、拍動周波数特性からパワースペクトルを算出し、ＲＲパワースペクトルとする（＃１０）。なお、本発明におけるパワースペクトルとは、パワースペクトル密度とも呼ばれるものであり、各周波数におけるパワーの分布を表すものである。特徴量算出部１４は、このＲＲパワースペクトルを超低周波領域、低周波領域、高周波領域に分割し、それぞれの領域の面積（積分値）をＶＬＦ値，ＬＦ値，ＨＦ値として求め、ＬＦ／ＨＦ値＝ＬＦ値／ＨＦ値として算出する（＃１１）。

また、傾き算出部１４ｅは、上述のＲＲパワースペクトルを両対数軸平面に写像するとともに、両対数軸平面上での超低周波領域、低周波領域および高周波領域におけるＲＲパワースペクトルの傾きをそれぞれＶＬＦ傾き、ＬＦ傾き、ＨＦ傾きとして算出する（＃１２）。傾きは、例えば最小二乗法等の公知の方法により求めることができる。

他方、特徴量算出部１４はタイマ１４ａの時間をＴｉｍｅ値として読み出す（＃１３）。

このようにして、時刻ｔにおける特徴量ベクトルｖ_tとしてｖ_t＝[Ｔｉｍｅ値，ＲＲ値，ＲＲ間隔変動係数，ＶＬＦ値，ＬＦ値，ＨＦ値，ＬＦ／ＨＦ値，ＶＬＦ傾き，ＬＦ傾き，ＨＦ傾き]が得られる。この特徴量ベクトルｖ_tに、脳波解析部によって脳波から算出された睡眠状態を付加した[ｖ_t，睡眠状態]が時刻ｔにおける教師データとなる。

上述の処理を所定時間行い、ベクトル列｛[ｖ_t，睡眠状態]｝を取得する。なお、本実施形態では、在床者Ｍのみを被験者として教師データを取得している。これにより、その在床者Ｍに特化された教師データが得られる。そのため、在床者Ｍに対する判別精度を向上させることができる。一方、複数の被験者から教師データを取得すると、特徴量における個人差が吸収され、汎用的な教師データが得られる。また、複数の被験者に在床者Ｍを含めると、汎用的でありながら、在床者Ｍの特徴を反映した教師データが得られる。

〔学習〕
十分な量の教師データが取得されると、学習部は統計的学習により、教師データから判別規則を学習する。なお、上述したように、本実施形態では単位（スケール）が異なる複数の特徴量を用いているため、本実施形態では教師データを正規化する（＃２１）。具体的には、特徴量種別毎に平均値および標準偏差を求めておき、特徴量種別毎に（教師データ―平均値）／標準偏差を算出し、その算出した値を新たな教師データとして用いればよい。このように、教師データを正規化することにより、判別規則に対するスケールの差異の影響を小さくすることができる。

上述したように、本実施形態の睡眠状態は階層的に定義されている。そのため、学習も階層的に行う。まず、教師データから[ｖ_t，覚醒]となっているデータを抽出して覚醒用教師データ集合を生成し、残りを睡眠用教師データ集合とする（＃２２）。上述したように、本実施形態では統計的学習として判別分析法を用いるため、公知の方法によって、覚醒用教師データ集合および睡眠用教師データ集合から、覚醒と睡眠を判別するための判別式（判別規則）を算出する（＃２３）。本発明の発明者らの実験では、判別式は、覚醒／睡眠判別式＝−１０．３８×Ｔｉｍｅ値＋０．０３１２４×ＲＲ値−０．８２１４×ＲＲ間隔変動係数−０．００１０１９×ＶＬＦ値−０．００１０３１×ＬＦ値＋０．０００３８２９×ＨＦ値＋０．１６５２×（ＬＦ／ＨＦ値）−０．１５７６×ＶＬＦ傾き−０．２９３３×ＬＦ傾き＋０．２５５５×ＨＦ傾き−１３．６７５となった。

次に、睡眠用教師データ集合から[ｖ_t，ＲＥＭ睡眠]となっているデータを抽出してＲＥＭ睡眠用教師データ集合を生成し、その残りをｎｏｎ−ＲＥＭ睡眠用教師データ集合とする（＃２４）。このＲＥＭ睡眠用教師データ集合とｎｏｎ−ＲＥＭ睡眠用教師データ集合とから、ＲＥＭ睡眠とｎｏｎ−ＲＥＭ睡眠とを判別するための判別式を算出する（＃２５）。発明者らの実験では、判別式は、ＲＥＭ睡眠／ｎｏｎ−ＲＥＭ睡眠判別式＝−８．８９１×Ｔｉｍｅ値＋０．０１１４３×ＲＲ値−０．８２２６×ＲＲ間隔変動係数−０．０００００６４×ＶＬＦ値−０．０００７６×ＬＦ値＋０．００２７０４×ＨＦ値−０．１８１×（ＬＦ／ＨＦ値）＋０．０３９２６×ＶＬＦ傾き−０．１０１５×ＬＦ傾き＋０．０４９０６×ＨＦ傾き−１．７０３となった。

次に、ｎｏｎ−ＲＥＭ睡眠用教師データ集合から[ｖ_t，ｎｏｎ−ＲＥＭ睡眠（深）]となっているデータを抽出し、深ｎｏｎ−ＲＥＭ睡眠用教師データ集合を生成し、その残りを浅ｎｏｎ−ＲＥＭ睡眠用教師データ集合とする（＃２６）。この深ｎｏｎ−ＲＥＭ睡眠用教師データ集合と浅ｎｏｎ−ＲＥＭ睡眠用教師データ集合とから、ｎｏｎ−ＲＥＭ睡眠（深）とｎｏｎ−ＲＥＭ睡眠（浅）とを判別するための判別式を算出する（＃２７）。発明者らの実験では、ｎｏｎ−ＲＥＭ睡眠（深）／ｎｏｎ−ＲＥＭ睡眠（浅）判別式＝１５．１７×Ｔｉｍｅ値−０．００４７５×ＲＲ値＋０．１９９９×ＲＲ間隔変動係数＋０．０００４０２×ＶＬＦ値＋０．０００４７７×ＬＦ値＋０．００１２７２×ＨＦ値−０．２９６６×（ＬＦ／ＨＦ値）＋０．１０７６×ＶＬＦ傾き−０．６０９７×ＬＦ傾き−０．０５４０４×ＨＦ傾き−１．３５４となった。

このようにして求められた判別式（判別規則）は、睡眠状態判別部１５からアクセス可能なメモリ等に記録される。また、特徴量毎の平均値および標準偏差も同様に記録される。

このように、階層的に判別規則を生成することにより、判別規則に対するノイズの影響を低減することができる。

〔判別処理〕
図６は、判別処理の流れを表すフローチャートである。まず、在床者Ｍはベッドに入床し、電源スイッチ２２を操作して睡眠状態判別装置の電源を投入する（＃３１）。

出力信号取得部１２は、振動検知装置１からの出力信号を取得し（＃３２）、上述の処理により２０秒毎の特徴量が算出される（＃３３）。特徴量が算出されると、睡眠状態判別部１５は正規化した特徴量を判別規則に適用して在床者Ｍの睡眠状態を判別する（＃３４〜＃３８）。なお、ここでの正規化は学習時の正規化と同様の処理であり、上述の処理により記録されている特徴量毎の平均値および標準偏差が用いられる。なお、本実施形態では、判別対象となる特徴量を正規化する平均値および標準偏差は、教師データを正規化したものと同じものを使用しているが、在床者Ｍから取得した特徴量の平均値および標準偏差を用いても構わない。この場合には、平均値および標準偏差を逐次更新しても構わないし、予め算出しておいた値を用いても構わない。

上述したように、本実施形態の判別規則は睡眠状態の階層に対応するように定義されている。そのため、睡眠状態の判別も以下のように階層的に行われる。まず、＃３３で算出された特徴量を覚醒／睡眠判別式に代入し、睡眠状態が覚醒であるか睡眠であるかを判別する（＃３４）。ここで、睡眠状態が覚醒であれば判別は終了する（＃３５のＹｅｓ分岐）。一方、睡眠状態が睡眠であれば（＃３５のＮｏ分岐）、特徴量をＲＥＭ睡眠／ｎｏｎ−ＲＥＭ睡眠判別式に代入し、睡眠状態がＲＥＭ睡眠であるかｎｏｎ−ＲＥＭ睡眠であるかを判別する（＃３６）。ここで、睡眠状態がＲＥＭ睡眠であれば判別は終了する（＃３７のＹｅｓ分岐）。一方、睡眠状態がｎｏｎ−ＲＥＭ睡眠であれば（＃３７のＮｏ分岐）、特徴量をｎｏｎ−ＲＥＭ睡眠（深）／ｎｏｎ−ＲＥＭ睡眠（浅）判別式に代入し、睡眠状態がｎｏｎ−ＲＥＭ睡眠（深）であるかｎｏｎ−ＲＥＭ睡眠（浅）であるかを判別する（＃３８）。

このようにして判別された睡眠状態は時刻と関連付けられてメモリに記憶され、制御部１１によりディスプレイ２０に表示されたり、遠隔地に送られる。

このように、睡眠状態の判別を階層的に行うことにより、絞込みの効果により、判別精度を高めることができる。

図７は、判別実験の結果である。この判別実験においても、教師データの取得時と同様に、脳波センサからの脳波信号を脳波解析部により解析して睡眠状態を算出し、その結果と本発明の睡眠状態判別装置の判別結果とを比較して、正誤を判別している。また、正誤判別に用いるデータは、脳波信号に基づく睡眠状態に応じて選択した。例えば、第２階層におけるＲＥＭ睡眠とｎｏｎ−ＲＥＭ睡眠との判別は、脳波信号に基づいて睡眠状態であると判別された特徴量に対して行われる。

図７（ａ）は上述の特徴量を用いた場合の判別結果であり、図７（ｂ）は上述の特徴量からＶＬＦ傾き，ＬＦ傾き，ＨＦ傾きを除外した場合の判別結果である。図から明らかなように、上述の全特徴量を用いた場合の方が判別精度は高くなっている。したがって、この実験結果から、ＶＬＦ傾き，ＬＦ傾き，ＨＦ傾きを用いる有効性が確認できる。

図８（ａ）および（ｂ）はそれぞれ、覚醒およびｎｏｎ−ＲＥＭ睡眠（深）におけるＲＲパワースペクトルの例である。これらのＲＲパワースペクトルを両対数軸で表すと、それぞれ図９（ａ）（ｂ）の振動している波形が得られる。また、この図には、超低周波領域、低周波領域、高周波領域においてＲＲパワースペクトルに対して当てはめた直線を重畳している。これらの直線の傾きがＶＬＦ傾き，ＬＦ傾き，ＨＦ傾きである。この例では、覚醒時のＶＬＦ傾き，ＬＦ傾き，ＨＦ傾きはそれぞれ０．７２４，−２．０６６，−２．２９８である。一方、ｎｏｎ−ＲＥＭ睡眠（深）時のＶＬＦ傾き，ＬＦ傾き，ＨＦ傾きはそれぞれ０．０５７，−０．３５７，−２．７０８である。これらから、覚醒とｎｏｎ−ＲＥＭ睡眠（深）とでは、ＶＬＦ傾き，ＬＦ傾き，ＨＦ傾きが明確に異なっていることが分かる。すなわち、睡眠状態を判別するためにこれらの値を用いれば、睡眠状態の判別精度を向上させることが期待できることは明らかである。

脈波は、副交感神経の活動に対してフラクタル変調がかけられており、心拍変動は１／ｆ^β型のパワースペクトルを持つことが知られている。また、このフラクタル性は睡眠状態によって異なっていることも知られている。図９（ａ），（ｂ）におけるＶＬＦ傾き，ＬＦ傾き，ＨＦ傾きの差異は、このフラクタル性の差異によるものと考えられる。すなわち、ＶＬＦ傾き，ＬＦ傾き，ＨＦ傾きによれば、心拍変動のフラクタル性を評価することができ、そのフラクタル性によって睡眠状態を判別することができるものと考えられる。

このように、本発明では、睡眠状態を判別する際の特徴量として、両対数軸平面上のＲＲ間隔（ＲＲ間隔トレンドグラム）のフーリエパワースペクトルの超低周波数領域、低周波数領域、高周波数領域における傾きを用いることにより、判別精度を高めている。

〔別実施形態〕
（１）上述の実施形態では、１０の特徴量を用いたが、ＶＬＦ傾き，ＬＦ傾き，ＨＦ傾きを用いる限りは、その他の特徴量の種別やその種別数は適宜変更可能である。例えば、体動数や呼吸変動係数等を用いても構わない。

（２）上述の実施形態では、睡眠状態を階層的に定義し、学習および判別処理を各階層において２状態に判別するよう構成したが、睡眠状態を非階層的に定義し、学習および判別処理を一度に多状態に判別するよう構成しても構わない。この場合には、統計的学習としては、多状態を判別可能な手法を用いればよい。

（３）上述の実施形態では、振動センサによって取得した在床者の振動に基づいて脈波を取得したが、在床者に装着した脈波を測定するセンサから取得する等、他の方法によって脈波を取得しても構わない。

本発明は、脈波に基づいて在床する人の睡眠状態を判別する睡眠状態判別装置に適用することができる。

１：振動検知装置（脈波取得部）
１２：出力信号取得部（脈波取得部）
１３：脈波算出部（脈波取得部）
１４：特徴量算出部
１４ｂ：拍動間隔情報算出部
１４ｃ：拍動周波数特性算出部
１４ｄ：パワースペクトル算出部
１４ｅ：傾き算出部
１４ｆ：ＲＲ間隔変動係数算出部
１５：睡眠状態判別部

Claims

在床者の脈波を取得する脈波取得部と、
前記脈波に基づいて複数の特徴量を算出する特徴量算出部と、
教師データに基づいて統計的学習を用いて学習された判別規則に対して前記特徴量を適用することにより前記在床者の睡眠状態を判別する睡眠状態判別部と、を備え、
前記特徴量算出部は、
前記脈波から心臓の拍動間隔を表す拍動間隔情報を算出する拍動間隔情報算出部と、
前記拍動間隔情報から心臓の拍動周波数特性を算出する拍動周波数特性算出部と、
前記拍動周波数特性のパワースペクトルを算出するパワースペクトル算出部と、
両対数軸平面上で表現された前記パワースペクトルを超低周波領域、低周波領域および高周波領域に分類したうちの前記高周波領域における傾きを前記特徴量として算出する傾き算出部と、を備えた睡眠状態判別装置。
前記傾き算出部は、前記特徴量として、前記両対数軸平面上で表現された前記パワースペクトルの前記超低周波領域および前記低周波領域における傾きを算出する請求項１記載の睡眠状態判別装置。
前記睡眠状態が階層的に定義され、
前記睡眠状態判別部は、前記睡眠状態の階層に対応して階層的に前記睡眠状態を判別する請求項１または２記載の睡眠状態判別装置。
前記判別規則は、前記特徴量の種別毎に、当該特徴量の種別毎の平均値および標準偏差を用いて正規化された前記教師データに基づいて学習され、
前記睡眠状態判別部は、前記特徴量の種別毎に、当該特徴量の種別毎の平均値および標準偏差を用いて正規化された前記特徴量を用いて判別を行う請求項１から３のいずれか一項に記載の睡眠状態判別装置。
在床者の脈波を取得するステップと、
両対数軸平面上で表現された、前記脈波に基づいて算出された心臓の拍動間隔の拍動周波数特性のパワースペクトルを超低周波領域、低周波領域および高周波領域に分類したうちの前記高周波領域における傾きを特徴量として算出するステップと、
前記脈波に基づいてさらに少なくとも１つの特徴量を算出するステップと、
教師データに基づいて統計的学習を用いて学習された判別規則に対して前記特徴量を適用することにより前記在床者の睡眠状態を判別するステップと、を備えた睡眠状態判別方法。