JP5929020B2 - 意識状態推定装置及びプログラム - Google Patents

Description

本発明は、意識状態推定装置及びプログラムに係り、特に、推定対象者の意識低下状態を推定する意識状態推定装置及びプログラムに関する。

従来より、心拍間隔変動の低周波成分（０．０４−０．１５Ｈｚ）及び高周波成分（０．１５−０．４０Ｈｚ）と関連が深い、心拍間隔変動の長期標準偏差及び短期標準偏差を指標として、睡眠状態を推定する睡眠状態推定装置が知られている（特許文献１）。

また、呼吸数、呼吸数のばらつき、又は呼吸周期のばらつきを判定基準のひとつとする、睡眠段階判定装置が知られている（特許文献２）。

また、心電図から求められたＲ−Ｒ間隔（≒心拍間隔）の時系列データと心電図上のＲ波の振幅から算出した代理呼吸曲線（≒呼吸波形）の時系列データについて、両データのリサンプリングデータのコヒーレンスとクロススペクトルを算出し、それらの指標より心肺カップリング状態を推定し、睡眠の質及び睡眠呼吸障害の評価を行う技術が知られている（特許文献３）。

また、呼吸変動に対する心拍変動の位相遅れを算出し、位相遅れが大きくなるほど睡眠深度が深いと判定する睡眠深度判定装置が知られている（特許文献４）。

特開２００６-２７１４７４号公報 特開２００６−２８０６８６号公報 特表２００８−５０４９４２号公報 特開２００８−１５４６８１号公報

心拍変動の低周波成分は副交感神経活動を反映し、心拍変動の高周波成分は副交感神経活動を反映していることは古くから知られており、睡眠状態の指標として用いられることが検討されている。しかしながら、心拍変動は副交感神経活動以外の要因（日内変動等）でも変動することが知られており、上記の特許文献１に記載の技術では、睡眠状態を正確に計測することができない、という問題がある。

また、上記の特許文献２に記載の技術では、呼吸数又は呼吸周期を検出するために呼吸ピークを明確化する必要があり、形状が不安定になりやすい呼吸波形では検出のロバスト性が問題となる。この問題は、不安定な非接触の呼吸計測系ではより大きな問題となる。

上記の特許文献３に記載の技術では、クロススペクトルを評価するとき、従来の心拍変動と同様に、心拍変動の超低周波成分、低周波成分、及び高周波成分と分けて評価する等、その主眼はあくまでも心拍変動解析にある。そのため、上記の特許文献３に記載の手法では、周波数分解能に対する要求が高いため、解析に使用する時間窓を非常に長く取る必要がある。したがって、睡眠判定の精度が、非常に時間分解能の低いものにならざるを得ず、リアルタイムに判定する必要がある用途には適さない、という問題がある。

上記の特許文献４に記載の技術では、呼吸変動に対する心拍変動の位相遅れに着目しているが、位相遅れは呼吸及び心拍の検出手段によって異なるため、必ずしも精度良く計測することができない、という問題がある。

本発明は、上記の問題点を解決するためになされたもので、推定対象者の意識低下状態を安定して精度良く推定することができる意識状態推定装置及びプログラムを提供することを目的とする。

上記の目的を達成するために第１の発明に係る意識状態推定装置は、推定対象者の心拍間隔の時系列データ及び前記推定対象者の呼吸に応じて変化する呼吸波形の時系列データを検出するデータ検出手段と、前記データ検出手段によって検出された前記心拍間隔の時系列データ及び前記呼吸波形の時系列データの相関性として、相関係数又は相互情報量を判定する相関性判定手段と、前記呼吸波形の時系列データに基づいて呼吸のばらつき度合いを判定する呼吸ばらつき判定手段と、前記呼吸ばらつき判定手段によって判定された前記呼吸のばらつき度合いと、前記相関性判定手段によって判定された相関性とに基づいて、前記推定対象者の意識低下状態として、前記相関性が高いほど意識状態が低下し、かつ、前記呼吸のばらつき度合いが低いほど意識状態が低下していると推定する意識状態推定手段と、を含んで構成されている。

第２の発明に係るプログラムは、コンピュータを、推定対象者の心拍間隔の時系列データ及び前記推定対象者の呼吸に応じて変化する呼吸波形の時系列データを検出するデータ検出手段によって検出された前記心拍間隔の時系列データ及び前記呼吸波形の時系列データの相関性として、相関係数又は相互情報量を判定する相関性判定手段、前記呼吸波形の時系列データに基づいて呼吸のばらつき度合いを判定する呼吸ばらつき判定手段、及び前記呼吸ばらつき判定手段によって判定された前記呼吸のばらつき度合いと、前記相関性判定手段によって判定された相関性とに基づいて、前記推定対象者の意識低下状態として、前記相関性が高いほど意識状態が低下し、かつ、前記呼吸のばらつき度合いが低いほど意識状態が低下していると推定する意識状態推定手段として機能させるためのプログラムである。

第１の発明及び第２の発明によれば、データ検出手段によって、推定対象者の心拍間隔の時系列データ及び前記推定対象者の呼吸に応じて変化する物理量を示す呼吸情報の時系列データを検出する。相関性判定手段によって、前記データ検出手段によって検出された前記心拍間隔の時系列データ及び前記呼吸情報の時系列データの相関性を判定する。呼吸ばらつき判定手段によって、呼吸波形の時系列データに基づいて呼吸のばらつき度合いを判定する。

そして、意識状態推定手段によって、前記呼吸ばらつき判定手段によって判定された前記呼吸のばらつき度合いと、前記相関性判定手段によって判定された相関性とに基づいて、前記推定対象者の意識低下状態として、前記相関性が高いほど意識状態が低下し、かつ、前記呼吸のばらつき度合いが低いほど意識状態が低下していると推定する。

このように、検出された心拍間隔の時系列データ及び呼吸情報の時系列データの相関性を判定し、相関性が高いほど意識状態が低下するように、推定対象者の意識低下状態を推定することにより、推定対象者の意識低下状態を安定して精度良く推定することができる。

また、上記の呼吸ばらつき判定手段は、前記呼吸波形の時系列データに基づいて、前記呼吸のばらつき度合いとして、呼吸間隔の標準偏差又は前記呼吸間隔の変動係数を算出するようにすることができる。

また、上記の呼吸ばらつき判定手段は、前記呼吸波形の時系列データに基づいて、前記呼吸のばらつき度合いとして、前記時系列データのパワースペクトル密度の周波数依存性、又は前記時系列データの自己相関性を判定するようにすることができる。

第１の発明及び第３の発明に係る意識状態推定装置は、前記推定対象者の体動及び発話の少なくとも一方を検出する体動発話検出手段を更に含み、前記意識状態推定手段は、前記相関性判定手段によって判定された相関性と、前記体動発話検出手段による前記体動及び発話の少なくとも一方の検出結果とに基づいて、前記意識低下状態を推定するようにすることができる。

以上説明したように、本発明の意識状態推定装置及びプログラムによれば、推定対象者の意識低下状態を安定して精度良く推定することができる、という効果が得られる。

本発明の第１の実施の形態に係る意識状態推定装置の構成を示すブロック図である。 心拍間隔と呼吸との相関性を説明するための図である。 呼吸のパワースペクトル密度と周波数との関係を示すグラフである。 本発明の第１の実施の形態に係る意識状態推定装置における意識状態推定処理ルーチンの内容を示すフローチャートである。 本発明の第２の実施の形態に係る意識状態推定装置の構成を示すブロック図である。 本発明の第３の実施の形態に係る意識状態推定装置の構成を示すブロック図である。 呼吸関連生体信号の時系列データを示す図である。 呼吸パワースペクトル密度と相関係数の絶対値とを２軸とした座標系を示す図である。 本発明の第６の実施の形態に係る意識状態推定装置の構成を示すブロック図である。 本発明の第７の実施の形態に係る意識状態推定装置の構成を示すブロック図である。 本発明の第７の実施の形態に係る意識状態推定装置における意識状態推定処理ルーチンの内容を示すフローチャートである。

以下、図面を参照して本発明の実施の形態を詳細に説明する。

図１に示すように、第１の実施の形態に係る意識状態推定装置１０は、推定対象者の心拍を検出する心拍検出装置１２と、推定対象者の呼吸を検出する呼吸検出装置１４と、心拍検出装置１２から出力される心拍間隔の時系列データ及び呼吸検出装置１４から出力される呼吸関連生体信号の時系列データに基づいて、推定対象者が意識低下状態であるか否かを推定し、推定結果を出力部１８により出力させるコンピュータ１６とを備えている。なお、心拍検出装置１２及び呼吸検出装置１４が、データ検出手段の一例である。

心拍検出装置１２は、心拍センサ２０、心拍間隔算出部２２、及び心拍間隔リサンプリング部２４を備えている。心拍センサ２０は、人体より心拍に関連する生体信号を検出するセンサであり、心拍関連生体信号の時系列データを出力する。心拍センサ２０として、例えば、心電計、心音計、脈波センサ、電気インピーダンス計測装置、電磁誘導的に電気インピーダンスを計測する装置、圧電素子を用いて心拍由来の生体振動を検出する装置、又は電磁波により心拍由来の生体振動を検出する装置等を用いればよい。

心拍間隔算出部２２は、心拍センサ２０により出力された心拍関連生体信号の時系列データに基づいて、心拍時刻を算出し、心拍間隔の時系列データを出力する。心拍間隔リサンプリング部２４は、心拍間隔算出部２２から出力された心拍間隔の時系列データを、後述する呼吸センサ２６のサンプリング時刻に合わせてリサンプリングして出力する。

呼吸検出装置１４は、呼吸センサ２６及び低域遮断フィルタ２８により構成される。呼吸センサ２６は、人体から呼吸に関連する生体信号（例えば、呼吸動を示す呼吸波形）を検出するセンサであり、呼吸関連生体信号の時系列データを出力する。呼吸センサ２６として、例えば、胸郭周囲長を測定する装置、電気インピーダンス計測装置、電磁誘導的に電気インピーダンスを計測する装置、圧電素子を用いて呼吸由来の生体振動を検出する装置、又は電磁波により呼吸由来の生体振動を検出する装置等を用いればよい。また、心拍センサ２０が心電図を出力する場合、心電図Ｒ波の振幅より呼吸波形を推定する手法を用いてもよい。なお、呼吸関連生体信号が、呼吸に応じて変化する物理量を示す呼吸情報の一例である。

低域遮断フィルタ２８は、呼吸関連生体信号の時系列データより直流成分を除去し、直流成分を除去した呼吸関連生体信号の時系列データを出力する。

コンピュータ１６は、ＣＰＵと、ＲＡＭと、後述する意識状態推定処理ルーチンを実行するためのプログラムを記憶したＲＯＭとを備え、機能的には次に示すように構成されている。コンピュータ１６は、心拍検出装置１２から出力される心拍間隔の時系列データ及び呼吸検出装置１４から出力される呼吸関連生体信号の時系列データを取得するデータ取得部３０と、心拍間隔の時系列データと呼吸関連生体信号の時系列データとの相関係数を算出する相関係数算出部３２と、呼吸関連生体信号の時系列データに基づいて、呼吸関連生体信号のパワースペクトル密度を算出するパワースペクトル密度算出部３４と、算出されたパワースペクトル密度に基づいて、パワースペクトル密度特徴量を算出するパワースペクトル密度特徴量算出部３６と、算出された相関係数及びパワースペクトル密度特徴量に基づいて、推定対象者が意識低下状態であるか否かを推定する意識状態推定部３８とを備えている。なお、相関係数算出部３２が、相関性判定手段の一例である。パワースペクトル密度算出部３４及びパワースペクトル密度特徴量算出部３６が、呼吸ばらつき判定手段の一例である。

データ取得部３０は、心拍検出装置１２から入力された心拍間隔の時系列データを取得し、メモリ（図示省略）に記憶する共に、呼吸検出装置１４から出力される呼吸関連生体信号の時系列データを取得してメモリに記憶する。

ここで、本実施の形態の原理について説明する。

まず、人間の呼吸は、視床下部・橋などの呼吸中枢による無意識の制御を受けているが、大脳皮質より意識的に制御することが可能である。これにより、呼吸は意識的に深さや速さを変えたり、止めたりすることが可能となっている。ここで、意識状態が低下すると、意識による制御が弱まるため、呼吸は無意識の制御のみを受け、呼吸間隔が一定となると考えられる。

また、呼吸は副交感神経系を介して心臓の制御にも影響を与えている。具体的には、肺での換気効率を上げるため、吸気時には心拍数を上げ、呼気時には心拍数を下げるように心臓を制御している。このように心拍間隔には呼吸との相関性が存在するが、心拍間隔は他の要因の影響も受けているため、呼吸によって心拍間隔が一意に決まることはない。しかし、図２に示すように、意識状態が低下している時には、人体に対する外部刺激の多くが遮断されるため、呼吸以外の心拍変動要因が減少し、呼吸波形と心拍間隔の相関性が強まると考えられる。

そこで、本実施の形態では、相関係数算出部３２によって、リサンプリングされた心拍間隔の時系列データ及び直流成分を除去した呼吸関連生体信号の時系列データのうち、予め定められた時間長における、心拍間隔の時系列データ及び呼吸関連生体信号の時系列データ間の相関係数を、以下のように算出する。

まず、ある時間窓に含まれるＮ点の心拍間隔の時系列データをＸ（ｎ）とすると、Ｘ（ｎ）は、以下の（１）式のように表される。

また、同じ時間窓に含まれるＭ点の呼吸波形データをＹ（ｍ）とすると、Ｙ（ｍ）は以下の（２）式のように表される。

ただし、ｎ＝１,２,…Ｎ，ｍ＝１,２,…,Ｍとする。この時、Ｘ（ｎ）をｔ² _mに合わせてスプライン補間したものをＸ'（ｍ）とすると、Ｘ'（ｍ）は、以下の（３）式のように表される。

以上より、求められたＸ'（ｍ）とＹ（ｍ）の相関係数γは、以下の（４）式で求められる。

ただし、￣ｘ'は、心拍間隔の時系列データのスプライン補間Ｘ'（ｍ）の平均値、￣ｙは，呼吸波形データＹ（ｍ）の平均値を示す。上記（４）式によれば、心拍間隔の時系列データと呼吸波形データの類似度が高いほど、相関係数は大きくなる。

また、パワースペクトル密度算出部３４は、予め定められた時間長分の、直流成分を除去した呼吸関連生体信号の時系列データに対して離散的フーリエ変換を行い、パワースペクトル密度を算出する。

ここで、呼吸または呼吸間隔のばらつきとパワースペクトル密度との関係の模式図を、図３に示す。睡眠深度が深い状態での呼吸間隔は、個体差や時間帯によって差があるものの、ある程度一定の範囲内に収まると考えられる。その範囲の最長間隔から求められた呼吸周波数をｆ_１、最短間隔から求められた周波数をｆ_２とすると、周波数ｆ_１からｆ_２までのパワースペクトル密度の和が求められる。この和が全帯域のパワースペクトル密度の和に占める割合は、呼吸周波数がｆ_１からｆ_２までの間で安定しているかどうかの指標となり、呼吸の安定性を示すパワースペクトル密度の特徴量として使用できる。

そこで、パワースペクトル密度特徴量算出部３６によって、算出されたパワースペクトル密度に基づいて、パワースペクトル密度特徴量として、予め定められた周波数帯域（ｆ_１からｆ_２まで）におけるパワースペクトル密度の和が、パワースペクトル密度全体に占める割合を算出する。なお、パワースペクトル密度特徴量が、パワースクペクトル密度の周波数依存性の一例である。

意識状態推定部３８は、算出された相関係数及びパワースペクトル密度特徴量に基づいて、以下に説明するように、推定対象者の意識低下状態を推定する。

まず、相関係数と意識低下状態との関連性について述べる。心拍と呼吸との関連については、吸気時に心拍数が上昇（心拍間隔が短縮）し、呼気時に心拍数が下降（心拍間隔が延長）することがわかっている（上記図２参照）。ここで、人間が覚醒状態にある時は、外部からの刺激、体動や発話等の能動的な活動の影響のため、心拍に対する副交感神経系を介した呼吸の寄与は低下すると考えられる。これに対して、人間の意識が低下している状態にある時（睡眠等）は、外部からの刺激は遮断され、体動や発話等の能動的な活動も消失するため、心拍に対する副交感神経系を介した呼吸の寄与は相対的に上昇すると考えられる。以上より、リサンプリングされた心拍間隔の時系列データに対する、直流成分を除去した呼吸関連生体信号の時系列データの、相関係数の絶対値が大きいほど、推定対象者となる人間の意識レベルは低下（睡眠に近い状態）し、相関係数の絶対値が小さいほど推定対象者となる人間の意識レベルは上昇（覚醒に近い状態）していると考えられる。

次に、呼吸のパワースペクトル密度特徴量と人間の意識状態との関係について述べる。人間が覚醒状態で安静にしている時、呼吸はある程度一定となるが、そこは意識の作用によりある程度の揺らぎが生じている。また、覚醒状態であっても活動状態（動作や発話等をしている状態）では、呼吸のばらつきは大きくなると考えられる。一方、覚醒状態から睡眠状態に至る過渡期においては、呼吸間隔が顕著にばらつくことが知られており、安静覚醒時に比べて呼吸がばらつく方向に変化すると考えられる。さらに、睡眠状態に至ると、意識による作用がなくなるため、呼吸間隔は一定となり、呼吸が安定化する方向に変化する。なお、パワースペクトル密度特徴量は、呼吸が安定するほど増加する。

そこで、意識状態推定部３８は、リサンプリングされた心拍間隔の時系列データに対する直流成分を除去した呼吸関連生体信号の時系列データの相関係数の絶対値と、パワースペクトル密度特徴量とに対し、任意の重み付けをした後の積を、意識レベルを推定する指標として算出する。本指標は意識レベルが低下する（睡眠方向に向う）ほど増加し、上昇する（覚醒方向に向う）ほど減少する。

意識状態推定部３８は、算出した上記の指標が閾値以上である場合に、推定対象者が意識低下状態であると推定し、それ以外の場合には、推定対象者は意識低下状態ではないと推定する。また、意識状態推定部３８は、出力部１８により推定結果を出力させる。

なお、上記の閾値として、従来の医学的治験により、汎用性のある値をあらかじめ与えることができる。また、個人差に対応した閾値を設定するため、次に述べるような方法で定めることもできる。まず、対象となる人の就寝中の心拍間隔の時系列データ及び呼吸関連生体信号の時系列データを記録する。この時系列データには、安静覚醒状態、覚醒から睡眠への移行状態、睡眠状態の３状態の時系列データが少なくとも含まれている。そこで、就寝時のリサンプリングされた心拍間隔の時系列データに対する直流成分を除去した呼吸関連生体信号の時系列データの相関係数の絶対値、及びパワースペクトル密度特徴量を算出し、それを睡眠状態と睡眠状態以外の状態でクラスタリング等をすることにより、個人差に対応した閾値を定めることが可能である。

次に、第１の実施の形態に係る意識状態推定装置１０の作用について説明する。

まず、心拍検出装置１２によって推定対象者の心拍間隔を検出し、リサンプリングされた心拍間隔の時系列データをコンピュータ１６に入力する。また、呼吸検出装置１４によって、推定対象者の呼吸関連生体信号を検出し、直流成分を除去した呼吸関連生体信号の時系列データをコンピュータ１６に入力する。また、コンピュータ１６において、図４に示す意識状態推定処理ルーチンが繰り返し実行される。

まず、ステップ１００で、直近の所定時間分の、リサンプリングされた心拍間隔の時系列データ及び直流成分を除去した呼吸関連生体信号の時系列データを取得する。

そして、ステップ１０２において、上記ステップ１００で取得した心拍間隔の時系列データ及び呼吸関連生体信号の時系列データについて、相関係数を算出する。

次のステップ１０４では、上記ステップ１００で取得した呼吸関連生体信号の時系列データについて、パワースペクトル密度を算出し、ステップ１０６において、パワースペクトル密度特徴量として、予め定められた周波数帯域（ｆ_１〜ｆ_２）におけるパワースペクトル密度の和の割合を算出する。

そして、ステップ１０８において、上記ステップ１０２で算出した相関係数、及び上記ステップ１０６で算出したパワースペクトル密度特徴量に基づいて、意識レベルを推定するための指標を算出する。次のステップ１１０では、上記ステップ１０８で算出された指標が、閾値以上であるか否かに基づいて、推定対象者が意識低下状態であるか否かを推定し、ステップ１１２において、出力部１８によって推定結果を出力させて、意識状態推定処理ルーチンを終了する。

以上説明したように、第１の実施の形態に係る意識状態推定装置によれば、検出された心拍間隔の時系列データ及び呼吸関連生体信号の時系列データの間の相関係数を算出し、相関係数が高いほど意識状態が低下するように、推定対象者の意識低下状態を推定することにより、推定対象者の意識低下状態を精度良く推定することができる。また、呼吸のばらつき度合いを示すパワースペクトル密度特徴量を算出して、パワースペクトル特徴量が大きいほど意識状態が低下するように、推定対象者の意識低下状態を推定することにより、推定対象者の意識低下状態をより精度良く推定することができる。

本実施の形態では、呼吸関連生体信号の時系列データのパワースペクトル密度の周波数依存性を求め、呼吸のばらつき指標として計測している。呼吸が安定している時（≒睡眠時）は、パワースペクトル密度の周波数依存性のピークが呼吸の特徴帯域周辺に出現するが、呼吸にばらつきが多い時（≒覚醒時や居眠り時）は、より低周波帯域に周波数依存性のピークが移行し、またはピークが存在しなくなると考えられる。これにより、呼吸のピーク等を検出する必要がなくなり、検出のロバスト性が向上するため、推定対象者の意識低下状態を安定して精度良く推定することができる。また、電気インピーダンス法や電波式呼吸センサ、圧力式呼吸センサ等、いかなるセンサで呼吸を検出した場合であっても、本実施の形態の技術を容易に適用することができる。

従来、睡眠による人の意識状態の変化（あるいは睡眠段階等の睡眠の程度）の評価手法としては、心拍間隔の変動の低周波数成分（０．０５〜０．１５Ｈｚ程度）及び高周波数成分（０．１５〜０．４Ｈｚ程度）のパワースペクトル密度により、自律神経活動を評価する手法が広く用いられていた。しかし、様々な要因で変動するため、評価の精度が低く、実用上の問題となっている。本実施の形態では、意識によって制御可能な呼吸、及び呼吸の影響を受けるが意識による制御は不可能な心拍と呼吸の比較により、より精度の高い意識状態推定装置を実現する。

心拍間隔の変動のうちの高周波数成分を用いた自律神経活動評価は、副交感神経系を介した呼吸による心拍制御を、心拍間隔を用いて間接的に評価しているものであり、間接的であるため、他の要因の影響を受けやすいのは自明である。本実施の形態では、呼吸及び呼吸と心拍の関係を直接的に評価するものであり、従来手法に比べて評価精度を向上させることができる。

本実施の形態では、時間軸上の相関性を見るため、必要とする時間窓が短く、意識低下状態を推定するときの時間分析能が短くなる。

次に、第２の実施の形態について説明する。なお、第１の実施の形態と同様となる部分については、同一符号を付して説明を省略する。

第２の実施の形態では、心拍センサによって、心電図波形を示す心拍関連生体信号を検出している点と、心拍関連生体信号の時系列データ及び呼吸関連生体信号の時系列データの間の相互情報量を算出している点とが、第１の実施の形態と主に異なっている。

図５に示すように、第２の実施の形態に係る意識状態推定装置２１０の心拍検出装置２１２は、心拍センサ２２０、低域通過フィルタ２２２、及び心拍波形リサンプリング部２２４を備えている。心拍センサ２２０は、人体より心臓の拍動に関連する生体信号（心電図波形）を検出するセンサであり、心電図波形を示す心拍関連生体信号の時系列データを出力する。なお、心拍検出装置２１２が、信号検出手段の一例であり、心電図波形を示す心拍関連生体信号が、心臓の拍動に応じて変化する信号の一例である。呼吸検出装置１４が、データ検出手段の一例である。

低域通過フィルタ２２２のカットオフ周波数は，平均的な心拍周波数及び呼吸周波数を考慮して決定されるが、心拍の周波数より高い周波数で設定することが望ましい。低域通過フィルタ２２２によって、呼吸に由来する成分が含まれる周波数帯域の信号が分離される。

心拍波形リサンプリング部２２４は、高域遮断された心拍関連生体信号の時系列データを、呼吸センサ２６のサンプリング時刻に合わせてリサンプリングして出力する。

コンピュータ２１６は、心拍検出装置２１２から出力される心拍関連生体信号の時系列データ及び呼吸検出装置１４から出力される呼吸関連生体信号の時系列データを取得するデータ取得部３０と、心拍関連生体信号の時系列データと呼吸関連生体信号の時系列データとの間の相互情報量を算出する相互情報量算出部２３２と、パワースペクトル密度算出部３４と、パワースペクトル密度特徴量算出部３６と、算出された相互情報量及びパワースペクトル密度特徴量に基づいて、推定対象者が意識低下状態であるか否かを推定する意識状態推定部３８とを備えている。なお、相互情報量算出部２３２が、相関性判定手段の一例であり、相互情報量が、相関性の一例である。

相互情報量算出部２３２は、リサンプリングされた心拍関連生体信号の時系列データ及び直流成分を除去した呼吸関連生体信号の時系列データのうち、予め定められた時間長における、心拍関連生体信号の時系列データ及び呼吸関連生体信号の時系列データ間の相互情報量を、以下のように算出する。

まず、ある時間窓に含まれるＮ点の心拍関連生体信号の時系列データをＸ（ｎ）とすると、Ｘ（ｎ）は、以下の（５）式のように表される。

また、同じ時間窓に含まれるＭ点の呼吸関連生体信号の時系列データをＹ（ｍ）とすると、Ｙ（ｍ）は以下の（６）式のように表される。

ただし、ｎ＝１,２,…Ｎ、ｍ＝１,２,…,Ｍとする。このとき，Ｘ（ｎ）をｔ² _mに合わせてスプライン補間したものをＸ'（ｍ）とすると、Ｘ'（ｍ）は以下の（７）式のように表される。

以上より求められたＸ'（ｍ）とＹ（ｍ）について、以下の処理を行う。

まず、Ｘ'（ｍ）とＹ（ｍ）をそれぞれ平均＝０、標準偏差＝１となるよう正規化した時系列データ￣Ｘ'（ｍ）と￣Ｙ（ｍ）を求める。次に、￣Ｘ'（ｍ）をＰ個の区間に分けた時にｐ番目の区間Ｘｂｉｎ（ｐ）に属する￣Ｘ'（ｍ）の点数をＬ_pとする。￣Ｙ（ｍ）をＱ個の区間に分けた時にｑ番目の区間Ｙｂｉｎ（ｑ）に属する￣Ｙ（ｍ）の点数をＬ_qとする。￣Ｘ'（ｍ）がＸｂｉｎ（ｐ）に属し、かつ￣Ｙ（ｍ）がＹｂｉｎ（ｑ）に属する点数をＬ_p,qとする。このとき、Ｘ'とＹの相互情報量Ｉ（Ｘ，Ｙ'）は、以下の（８）式のように求められる。

上記（８）式によれば、心拍関連生体信号の時系列データをスプライン補完したものと呼吸関連生体信号の時系列データとの相関性（線形・非線形含む）が完全に独立な場合、相互情報量は０となり、相関性が高くなるほど、相互情報量は増加する。

意識状態推定部３８は、リサンプリングされた心拍関連生体信号の時系列データに対する、直流成分を除去した呼吸関連生体信号の時系列データの相互情報量と、パワースペクトル密度特徴量とに対し、任意の重み付けをした後の積を、意識レベルを推定する指標として算出する。

意識状態推定部３８は、算出した上記の指標が閾値以上である場合に、推定対象者が意識低下状態であると推定し、それ以外の場合には、推定対象者は意識低下状態ではないと推定する。

なお、第２の実施の形態に係る意識状態推定装置の他の構成は、第１の実施の形態と同様であるため、説明を省略する。

以上説明したように、第２の実施の形態に係る意識状態推定装置によれば、推定対象者の心臓の拍動に応じて変化する心拍関連生体信号から分離された、呼吸に由来する成分が含まれる周波数帯域の信号、及び呼吸関連生体信号の時系列データの相互情報量を算出し、相互情報量が大きいほど意識状態が低下するように、推定対象者の意識低下状態を推定することにより、推定対象者の意識低下状態を安定して精度良く推定することができる。また、呼吸のばらつき度合いを示すパワースペクトル密度特徴量を算出して、パワースペクトル特徴量が大きいほど意識状態が低下するように、推定対象者の意識低下状態を推定することにより、推定対象者の意識低下状態をより精度良く推定することができる。

また、呼吸と心拍の相関性に注目しており、その指標の一つである相互情報量は心拍及び呼吸間の非線形の相関性も反映できる指標である。本指標を用いることにより、心拍及び呼吸がいかなる検出手段で検出されたものであっても、その相関性を数値化することが可能になる。

なお、上記の第１の実施の形態及び第２の実施の形態では、パワースペクトル密度特徴量として、睡眠状態でパワースペクトル密度が大きくなる周波数帯域のパワースペクトル密度の和が、パワースペクトル密度全体に占める割合を算出する場合を例に説明したが、これに限定されるものではない。

例えば、パワースペクトル密度特徴量として、パワースペクトル密度のピーク周波数を求めてもよい。上記図３に示すように、呼吸にばらつきがある状態では呼吸のパワースペクトル密度がピークとなる周波数は直流成分に極めて近いが、呼吸が安定している状態では呼吸ピークはより高周波側に存在することがわかる。以上より、呼吸パワースペクトル密度のピーク周波数を、呼吸の安定性を示すパワースペクトル密度特徴量として用いることができる。

また、上記のピーク周波数が周波数ｆ１及びｆ２の間にあるとき、上記のピーク周波数におけるパワースペクトル密度が、パワースペクトル密度全体に占める割合を、パワースペクトル特徴量として算出するようにしてもよい。呼吸にばらつきがある状態では、全帯域のパワースペクトル密度に占める、ピーク周波数におけるパワースペクトル密度の割合が、呼吸が安定している状態に比べて低下すると考えられる。以上より、上記のピーク周波数におけるパワースペクトル密度が全帯域のパワースペクトル密度に占める割合を、呼吸の安定を示すパワースペクトル密度特徴量として用いることができる。

また、上記の実施の形態では、心拍と呼吸との相関性として、自己相関関数を算出する場合を例に説明したが、これに限定されるものではなく、上記の第１の実施の形態と同様に、心拍と呼吸との相関性として、相互情報量を算出しても良い。

次に、第３の実施の形態について説明する。なお、第１の実施の形態と同様の構成となる部分については、同一符号を付して説明を省略する。

第３の実施の形態では、呼吸関連生体信号の時系列データから、呼吸のばらつき度を算出している点が、第１の実施の形態と異なっている。

図６に示すように、第３の実施の形態に係る意識状態推定装置３１０のコンピュータ３１６は、データ取得部３０と、相関係数算出部３２と、呼吸関連生体信号の時系列データに基づいて、呼吸のばらつき度を算出する呼吸ばらつき度算出部３３４と、算出された相関係数及び呼吸ばらつき度に基づいて、推定対象者が意識低下状態であるか否かを推定する意識状態推定部３３８とを備えている。

呼吸ばらつき度算出部３３４は、予め定められた時間長分の、直流成分を除去した呼吸関連生体信号の時系列データに基づいて、以下に説明するように、呼吸関連生体信号の時系列データの自己相関関数を算出し、呼吸ばらつき度とする。

まず、ある時間窓におけるＭ点の呼吸関連生体信号の時系列データＹ（ｍ）を以下の（９）式のように定義する。

ただし、ｍ＝１,２,…,Ｍとする。この時、自己相関関数Ｒ（ｉ）は、以下の（１０）式に従って算出される。

ただし、−Ｍ＜ｉ＜Ｍとする。上記（１０）式によれば、呼吸が均一である時は、自己相関関数Ｒ（ｉ）のｉ-＝０以外の最大のピーク値は大きくなり、呼吸が不均一な時は、自己相関関数Ｒ（ｉ）のｉ-＝０以外の最大のピーク値は小さくなる。また、自己相関関数Ｒ（ｉ）のｉ-＝０以外の最大のピーク値が大きいほど、呼吸ばらつき度が小さくなる。

意識状態推定部３３８は、リサンプリングされた心拍間隔の時系列データに対する、直流成分を除去した呼吸関連生体信号の時系列データの相関係数の絶対値と、算出された自己相関関数とに対し、任意の重み付けをした後の積を、意識レベルを推定する指標として算出する。本指標は意識レベルが低下する（睡眠方向に向う）ほど増加し、上昇する（覚醒方向に向う）ほど減少する。

意識状態推定部３３８は、算出した上記の指標が閾値以上である場合に、推定対象者が意識低下状態であると推定し、それ以外の場合には、推定対象者は意識低下状態ではないと推定する。また、意識状態推定部３８は、出力部１８によって、推定結果を出力させる。

なお、第３の実施の形態に係る意識状態推定の他の構成及び作用については、第１の実施の形態と同様であるため、説明を省略する。

以上説明したように、第３の実施の形態に係る意識状態推定装置によれば、呼吸のばらつき度合いを示す指標として、呼吸関連生体信号の時系列データの自己相関関数Ｒ（ｉ）のｉ-＝０以外の最大のピーク値を算出して、自己相関関数Ｒ（ｉ）のｉ-＝０以外の最大のピーク値が大きいほど意識状態が低下するように、推定対象者の意識低下状態を推定することにより、推定対象者の意識低下状態を精度良く推定することができる。

次に、第４の実施の形態について説明する。なお、第４の実施の形態に係る意識状態推定装置は、第３の実施の形態と同様の構成となっているため、同一符号を付して説明を省略する。

第４の実施の形態では、呼吸のばらつき度合いとして、変動係数を算出している点が、第３の実施の形態と主に異なっている。

第４の実施の形態に係る意識状態推定装置３１０では、呼吸ばらつき度算出部３３４によって、予め定められた時間長分の、直流成分を除去した呼吸関連生体信号の時系列データに基づいて、以下に説明するように、呼吸間隔の変動係数を、呼吸ばらつき度として算出する。

図７に示すような呼吸波形（呼吸関連生体信号の時系列データ）を考えると、ある時間窓の中にｎ＋1点の呼吸ピークがあるとき、ｎ個の呼吸点間の間隔（呼吸間隔）が得られる。ここで、ｎ個の呼吸間隔の標準偏差をＳＤ_nとし、平均をＭＥＡＮ_nとすると、変動係数ＣＶ_nは、以下の（１１）式に従って算出される。

上記（１１）式によれば、呼吸間隔がばらつくとＳＤ_nが増加するため、変動係数ＣＶ_nは増加する。すなわち、変動係数ＣＶ_nが大きいほど、呼吸ばらつき度が大きくなる。

なお、第４の実施の形態に係る意識状態推定の他の構成及び作用については、第１の実施の形態及び第３の実施の形態と同様であるため、説明を省略する。

以上説明したように、第４の実施の形態に係る意識状態推定装置によれば、呼吸のばらつき度合いを示す指標として、変動係数を算出して、変動係数の値が小さいほど意識状態が低下するように、推定対象者の意識低下状態を推定することにより、推定対象者の意識低下状態を精度良く推定することができる。

なお、呼吸のばらつき度合いを示す指標として、変動係数を算出する場合を例に説明したが、これに限定されるものではなく、呼吸のばらつき度合いを示す指標として、呼吸関連生体信号の時系列データの標準偏差を算出してもよい。この場合には、標準偏差の値が小さいほど意識状態が低下するように、推定対象者の意識低下状態を推定すればよい。

次に、第５の実施の形態について説明する。なお、第５の実施の形態に係る意識状態推定装置の構成は、第１の実施の形態と同様の構成となるため、同一符号を付して説明を省略する。

第５の実施の形態では、意識低下状態の推定方法が、第１の実施の形態と異なっている。

第５の実施の形態に係る意識状態推定装置１０では、意識状態推定部３３８によって、相関係数の絶対値と、パワースペクトル密度特徴量との２軸で張られる座標上の位置に基づいて、推定対象者が意識低下状態であるか否かを推定する。この時に張られる座標の模式図を図８に示す。なお、意識低下状態（睡眠状態）とそれ以外の状態との境界は、上記の第１の実施の形態で説明した方法と同様の方法により、定めることができる。

なお、第５の実施の形態に係る意識状態推定の他の構成及び作用については、第１の実施の形態と同様であるため、説明を省略する。

次に、第６の実施の形態について説明する。なお、第１の実施の形態と同様の構成となる部分については、同一符号を付して説明を省略する。

第６の実施の形態では、推定対象者の体動及び発話を検出し、検出結果を更に考慮して、意識状態を推定している点が、第１の実施の形態と主に異なっている。

図９に示すように、第６の実施の形態に係る意識状態推定装置６１０は、心拍検出装置１２と、呼吸検出装置１４と、推定対象者の体動を検出する体動検出装置６１２と、推定対象者の発話を検出する発話検出装置６１４と、コンピュータ１６とを備えている。

体動検出装置６１２としては、例えば、人間に装着するセンサとしての加速度センサを用いることができ、あるいは、人間の周辺環境に装着するセンサとしての、人間と接触する部位の圧力を計測するセンサ、カメラ、電波式距離センサ、電波式速度センサ、音波式距離センサ、音波式速度センサ等を用いることができる。また、心拍センサ２０及び呼吸センサ２６とセンサを共有することも可能である。

また、発話検出装置６１４としては、マイクロフォンなどを用いることができる。

コンピュータ１６のデータ取得部３０は、心拍検出装置１２から入力された心拍間隔の時系列データを取得し、メモリ（図示省略）に記憶する共に、呼吸検出装置１４から出力される呼吸関連生体信号の時系列データを取得してメモリに記憶する。また、データ取得部３０は、体動検出装置６１２から入力された体動検出結果の時系列データを取得し、メモリ（図示省略）に記憶する共に、発話検出装置６１４から出力される発話検出結果の時系列データを取得してメモリに記憶する。

ここで、本実施の形態の原理について説明する。

上記の実施の形態では、睡眠状態と睡眠以外の状態のみを判別する場合を例に示したが、睡眠以外の状態には覚醒状態と覚醒から睡眠に移行する過渡状態が含まれており、これを判別することができればさらに有用である。しかし、呼吸のばらつきには、体動や発話等の人間の能動的活動に起因するものと、覚醒から睡眠に移行する過渡状態において意図せず生じるものの２種類があり、睡眠以外の状態を覚醒状態と覚醒から睡眠に移行する過渡状態に分けるためには、呼吸のばらつきが能動的活動によるものかどうかを判別する必要がある。

そこで、本実施の形態では、意識状態推定部３８によって、リサンプリングされた心拍間隔の時系列データに対する、直流成分を除去した呼吸関連生体信号の時系列データの相関係数の絶対値と、パワースペクトル密度特徴量とに基づいて、意識レベルを推定する指標を算出し、算出した上記の指標が閾値以上である場合に、推定対象者が意識低下状態であると推定する。算出した上記の指標が閾値未満である場合には、体動検出結果の時系列データ及び発話検出結果の時系列データに基づいて、体動及び発話の少なくとも一方が一定以上の強度であるか否かを判定する。体動及び発話の少なくとも一方が一定以上の強度である場合（体動及び発話の少なくとも一方が検出された場合）、呼吸のばらつきは覚醒状態の体動または発話に起因するものであると判断し、推定対象者の意識状態が覚醒状態であると推定する。

また、意識状態推定部３８は、算出した上記の指標が閾値未満である場合であって、かつ、体動検出結果の時系列データ及び発話検出結果の時系列データに基づいて体動及び発話の何れもが検出されない場合、推定対象者の意識状態が、覚醒から睡眠の過渡状態であると推定する。

なお、第６の実施の形態に係る意識状態推定の他の構成及び作用については、第１の実施の形態と同様であるため、説明を省略する。

このように、体動又は発話の検出結果を考慮することにより、睡眠以外の状態として、覚醒状態と、覚醒から睡眠に移行する過渡状態とを区別して推定することができる。

次に、第７の実施の形態について説明する。なお、第１の実施の形態及び第３の実施の形態と同様の構成となる部分については、同一符号を付して説明を省略する。

第７の実施の形態では、呼吸関連生体信号の時系列データに基づいて、推定対象者が意識低下状態であるか否かを推定している点が、第１の実施の形態と異なっている。

図１０に示すように、第７の実施の形態に係る意識状態推定装置７１０は、呼吸検出装置１４と、呼吸検出装置１４から出力される呼吸関連生体信号の時系列データに基づいて、推定対象者が意識低下状態であるか否かを推定し、推定結果を出力部１８により出力させるコンピュータ７１６とを備えている。

コンピュータ７１６は、呼吸検出装置１４から出力される呼吸関連生体信号の時系列データを取得するデータ取得部３０と、呼吸関連生体信号の時系列データに基づいて、呼吸のばらつき度合いを算出する呼吸ばらつき度算出部３３４と、算出された呼吸ばらつき度合いに基づいて、推定対象者が意識低下状態であるか否かを推定する意識状態推定部７３８とを備えている。

意識状態推定部７３８は、呼吸ばらつき度として算出された自己相関関数Ｒ（ｉ）のｉ-＝０以外の最大のピーク値を、意識レベルを推定する指標として、算出した上記の指標（自己相関関数Ｒ（ｉ）のｉ-＝０以外の最大のピーク値）が閾値以上である場合に、推定対象者が意識低下状態であると推定し、それ以外の場合には、推定対象者は意識低下状態ではないと推定する。また、意識状態推定部３８は、出力部１８によって、推定結果を出力させる。

次に、第７の実施の形態に係る意識状態推定装置７１０の作用について説明する。なお、第１の実施の形態と同様の処理については、同一符号を付して詳細な説明を省略する。

まず、呼吸検出装置１４によって、推定対象者の呼吸関連生体信号を検出し、直流成分を除去した呼吸関連生体信号の時系列データをコンピュータ７１６に入力する。また、コンピュータ７１６において、図１１に示す意識状態推定処理ルーチンが繰り返し実行される。

まず、ステップ７５０で、直近の所定時間分の、直流成分を除去した呼吸関連生体信号の時系列データを取得する。

そして、ステップ７５２において、上記ステップ７５０で取得した呼吸関連生体信号の時系列データについて、上記（１０）式に従って自己相関関数Ｒ（ｉ）のｉ-＝０以外の最大のピーク値を算出して、意識レベルを推定するための指標とする。

次のステップ７５４では、上記ステップ７５２で算出された自己相関関数Ｒ（ｉ）のｉ-＝０以外の最大のピーク値が、閾値以上であるか否かに基づいて、推定対象者が意識低下状態であるか否かを推定し、ステップ１１２において、出力部１８によって推定結果を出力させて、意識状態推定処理ルーチンを終了する。

以上説明したように、第７の実施の形態に係る意識状態推定装置によれば、呼吸のばらつき度合いを示す指標として、呼吸関連生体信号の時系列データの自己相関関数Ｒ（ｉ）のｉ-＝０以外の最大のピーク値を算出して、自己相関関数Ｒ（ｉ）のｉ-＝０以外の最大のピーク値が大きいほど意識状態が低下するように、推定対象者の意識低下状態を推定することにより、推定対象者の意識低下状態を精度良く推定することができる。

なお、上記の第７の実施の形態において、呼吸のばらつき度合いを示す指標として、呼吸関連生体信号の時系列データの自己相関関数Ｒ（ｉ）のｉ-＝０以外の最大のピーク値を算出する場合を例に説明したが、上記の第１の実施の形態と同様に、パワースペクトル密度の周波数依存性を示す特徴量を算出するようにしてもよい。

また、上記の第６の実施の形態と同様に、推定対象者の体動又は発話を検出し、検出結果を更に考慮して、推定対象者の意識低下状態を推定するようにしてもよい。

また、上記の第１の実施の形態〜第７の実施の形態では、推定対象者が人間である場合を例に説明したが、これに限定されるものではなく、動物などを推定対象として、動物の意識低下状態を推定するようにしてもよい。

また、上記の第１の実施の形態〜第７の実施の形態で説明した、心拍と呼吸との相関性を示す指標、呼吸のばらつき度合いを示す指標を組み合わせて、推定対象者の意識低下状態を推定するようにしてもよい。

また、相関関数の値として、リサンプリングされた心拍間隔の時系列データに対する、直流成分を除去した呼吸関連生体信号の時系列データの位相遅れが任意値を取る時の相関係数の絶対値を使用するようにしてもよい。

なお、本発明のプログラムは、記録媒体に格納して提供することができる。

１０、２１０、３１０、６１０、７１０ 意識状態推定装置
１２、２１２ 心拍検出装置
１４ 呼吸検出装置
１６、２１６、３１６、７１６コンピュータ
２０、２２０ 心拍センサ
２２ 心拍間隔算出部
２６ 呼吸センサ
２８ 低域遮断フィルタ
３２ 相関係数算出部
３４ パワースペクトル密度算出部
３６ パワースペクトル密度特徴量算出部
３８、３３８、７３８ 意識状態推定部
２２２ 低域通過フィルタ
２３２ 相互情報量算出部
３３４ 呼吸ばらつき度算出部
６１２ 体動検出装置
６１４ 発話検出装置

Claims (5)

1. 推定対象者の心拍間隔の時系列データ及び前記推定対象者の呼吸に応じて変化する呼吸波形の時系列データを検出するデータ検出手段と、
   前記データ検出手段によって検出された前記心拍間隔の時系列データ及び前記呼吸波形の時系列データの相関性として、相関係数又は相互情報量を判定する相関性判定手段と、
   前記呼吸波形の時系列データに基づいて呼吸のばらつき度合いを判定する呼吸ばらつき判定手段と、
   前記呼吸ばらつき判定手段によって判定された前記呼吸のばらつき度合いと、前記相関性判定手段によって判定された相関性とに基づいて、前記推定対象者の意識低下状態として、前記相関性が高いほど意識状態が低下し、かつ、前記呼吸のばらつき度合いが低いほど意識状態が低下していると推定する意識状態推定手段と、
   を含む意識状態推定装置。
2. 前記呼吸ばらつき判定手段は、前記呼吸波形の時系列データに基づいて、前記呼吸のばらつき度合いとして、呼吸間隔の標準偏差又は前記呼吸間隔の変動係数を算出する請求項１記載の意識状態推定装置。
3. 前記呼吸ばらつき判定手段は、前記呼吸波形の時系列データに基づいて、前記呼吸のばらつき度合いとして、前記時系列データのパワースペクトル密度の周波数依存性、又は前記時系列データの自己相関性を判定する請求項１記載の意識状態推定装置。
4. 前記推定対象者の体動及び発話の少なくとも一方を検出する体動発話検出手段を更に含み、
   前記意識状態推定手段は、前記相関性判定手段によって判定された相関性と、前記体動発話検出手段による前記体動及び発話の少なくとも一方の検出結果とに基づいて、前記意識低下状態を推定する請求項１〜請求項３の何れか１項記載の意識状態推定装置。
5. コンピュータを、
   推定対象者の心拍間隔の時系列データ及び前記推定対象者の呼吸に応じて変化する呼吸波形の時系列データを検出するデータ検出手段によって検出された前記心拍間隔の時系列データ及び前記呼吸波形の時系列データの相関性として、相関係数又は相互情報量を判定する相関性判定手段、
   前記呼吸波形の時系列データに基づいて呼吸のばらつき度合いを判定する呼吸ばらつき判定手段、及び
   前記呼吸ばらつき判定手段によって判定された前記呼吸のばらつき度合いと、前記相関性判定手段によって判定された相関性とに基づいて、前記推定対象者の意識低下状態として、前記相関性が高いほど意識状態が低下し、かつ、前記呼吸のばらつき度合いが低いほど意識状態が低下していると推定する意識状態推定手段
   として機能させるためのプログラム。

Images