JP6122884B2 - 作業覚醒度推定装置、方法およびプログラム - Google Patents

Description

この発明は、心拍変動の特徴量から自律神経活動を反映する特徴量を選択し、当該特徴量に基づいて作業中の覚醒度を推定する作業覚醒度推定装置、方法およびプログラムに関する。

従来、作業者の生体情報からその人の状態（例えば、眠気や覚醒等）を推定し、事故防止や作業効率向上等に活用する取り組みがなされている。例えば、非特許文献１および非特許文献２には、心拍変動から運転者の眠気や覚醒度を推定する技術が記載されている。

PIONEER R&D Vol.13 No.2、「運転状態推定技術の開発 心拍解析による眠気状態の検出」、インターネット＜URL: http://pioneer.jp/crdl-e/rd/pdf/14-3-3.pdf＞ 雑誌FUJITSU 2008-7月号（VOL. 59, NO. 4）pp. 416-420、「ドライバの覚醒度検知技術」、インターネット＜URL: http://img.jp.fujitsu.com/downloads/jp/jmag/vol59-4/paper12.pdf＞

ところが、非特許文献１および２に記載された技術では、事前に決定された推定モデルを用いて状態を推定するが、より正確な推定を行うには個人の状況に合わせた推定モデルを選択する必要がある。また、心拍変動解析では多種多様な特徴量を算出可能であるが、どの特徴量を採用すれば正確な覚醒度推定を行えるのか、いまだ十分な検討がなされていない。

この発明は上記事情に着目してなされたもので、その目的とするところは、推定対象者の状態に応じ適切なモデルを選択できるようにし、これにより個人の状態を考慮した精度の高い推定を可能とする作業覚醒度推定装置、方法およびプログラムを提供することにある。

上記目的を達成するためにこの発明の第１の観点は、先ず推定対象者の心拍変動に関する生体情報を取得し、この取得された生体情報から交感神経活動を示す第１の特徴量と、副交感神経活動を示す第２の特徴量をそれぞれ抽出する。次に、この抽出された第１の特徴量と第２の特徴量との相関値を算出し、当該算出された相関値が予め設定した閾値より高い状態を継続している条件を満たす場合には前記第１の特徴量を、前記の条件を満たさない場合には前記第２の特徴量をそれぞれ選択する。そして、この選択された特徴量と、当該特徴量に対応付けて予め学習した作業覚醒度推定モデルとに基づいて、上記推定対象者の作業覚醒度を推定するようにしたものである。

またこの発明の第１の観点は以下の態様を備えることを特徴とする。
その第１の態様は、上記心拍変動に関する生体情報の時間領域波形から抽出した特徴量を上記交感神経活動を示す第１の特徴量とし、上記心拍変動に関する生体情報の時間領域波形のパワーまたは時間領域波形を周波数変換したパワースペクトルのうち少なくとも一つに基づく特徴量を上記副交感神経活動を示す第２の特徴量とするようにしたものである。

第２の態様は、上記心拍変動に関する生体情報の時間領域波形から抽出した特徴量として、上記生体情報から算出される心拍の間隔（R-R Interval：RRI ）の平均値、上記RRI 間の時間的差分が５０ミリ秒以上となった回数の発生割合（pNN50 ）、および上記RRI のローレンツプロットに基づく幾何学的特徴量であって主として交感神経の活動指標を表すCSI（Cardiac Sympathetic Index）のうちの少なくとも一つに基づく特徴量を求め、上記生体情報の時間領域波形のパワーまたはパワースペクトルのうち少なくとも一つに基づく特徴量として、上記RRI の標準偏差（SDNN）、上記RRI のパワースペクトルの高周波成分（HF）またはその対数値、および上記RRI のパワースペクトルの低周波成分（LF）またはその対数値のうちの少なくとも一つに基づく特徴量を求めるようにしたものである。

またこの発明の第２の観点は、先ず推定対象者の心拍変動に関する生体情報を取得し、この取得された生体情報からその時間領域を表す第１の特徴量と、時間領域波形のパワーおよび時間領域波形を周波数変換したパワースペクトルのうちの少なくとも一つの特徴量である第２の特徴量をそれぞれ抽出する。次に、上記抽出された第１の特徴量と第２の特徴量との相関値を算出し、当該算出された相関値が予め設定した閾値より高い状態を継続している条件を満たす場合には前記第１の特徴量を、上記の条件を満たさない場合には上記第２の特徴量をそれぞれ選択する。そして、この選択された特徴量と、当該特徴量に対応付けて予め学習した作業覚醒度推定モデルとに基づいて、上記推定対象者の作業覚醒度を推定するようにしたものである。

この発明の第１の観点によれば、先ず生体情報から交感神経活動を示す第１の特徴量と、副交感神経活動を示す第２の特徴量がそれぞれ抽出される。続いて、その相関値が予め設定した条件を満たすか否かにより、交感神経活動を示す第１の特徴量に対応する作業覚醒度推定モデルと、副交感神経活動を示す第２の特徴量に対応する作業覚醒度推定モデルのいずれか一方が選択され、この選択された推定モデルに従い推定対象者の作業覚醒度が推定される。このため、交感神経活動および副交感神経活動のそれぞれに応じて覚醒度の推定が可能となり、これにより個人・状態を考慮した精度の高い推定が可能となる。

第１の態様によれば、交感神経活動を示す第１の特徴量として、心拍変動に関する生体情報の時間領域波形から抽出した特徴量が、副交感神経活動を示す第２の特徴量として、心拍変動に関する生体情報の時間領域波形のパワーまたは時間領域波形を周波数変換したパワースペクトルのうち少なくとも一つに基づく特徴量がそれぞれ抽出される。このため、交感神経活動を示す特徴量および副交感神経活動を示す特徴量として、いずれも心拍変動に関する生体情報の時間領域波形をもとに適切な値を抽出することが可能となる。

第２の態様によれば、生体情報から算出される心拍の間隔（R-R Interval：RRI ）をもとに、主として副交感神経活動を示す特徴量としてそれぞれ複数の特徴量が抽出される。このため、複数の特徴量の線形和等を求めることで、１つの特徴量を用いる場合に比べより適切な特徴量を求めることが可能となる。

この発明の第２の観点によれば、生体情報から、その時間領域を表す第１の特徴量と、時間領域波形のパワーまたは時間領域波形を周波数変換したパワースペクトルのうち少なくとも一つの特徴量である第２の特徴量がそれぞれ抽出され、その相関値が予め設定した条件を満たすか否かにより、時間領域を示す第１の特徴量に対応する作業覚醒度推定モデルと、周波数領域を示す第２の特徴量に対応する作業覚醒度推定モデルのいずれか一方が選択され、この選択された推定モデルに従い推定対象者の作業覚醒度が推定される。このため、心拍変動を示す生体情報に含まれる時間領域特徴量と周波数領域特徴量のそれぞれに応じて覚醒度の推定が可能となり、これにより個人・状態を考慮した精度の高い推定が可能となる。

すなわちこの発明によれば、推定対象者の状態に応じ適切なモデルを選択できるようにし、これにより個人の状態を考慮した精度の高い推定を可能とする作業覚醒度推定装置、方法およびプログラムを提供することができる。

この発明の第１の実施形態に係る作業覚醒度推定装置の機能構成を示すブロック図。 図１に示した作業覚醒度推定装置による作業覚醒度推定モデルの作成処理手順と処理内容を示すフローチャート。 図１に示した作業覚醒度推定装置による作業覚醒度推定処理の手順と処理内容を示すフローチャート。

以下、図面を参照してこの発明に係わる実施形態を説明する。
［第１の実施形態］
（構成）
図１はこの発明の第１の実施形態に係る作業覚醒度推定装置の機能構成を示すブロック図である。
本実施形態に係る作業覚醒度推定装置１は、例えばパーソナルコンピュータやサーバコンピュータ、或いはスマートフォンやタブレット端末等の携帯端末からなり、制御ユニット１０と、入出力インタフェースユニット２０と、記憶ユニット３０を備えている。

入出力インタフェースユニット２０は、制御ユニットの制御の下、心電計２およびフリッカ検査計測器３から出力される計測データを受信すると共に、後述する制御ユニット１０で生成された表示データを表示部４へ出力する。心電計２は、推定モデル作成時にはモニタとなるユーザに、また作業覚醒度推定時には推定対象ユーザにそれぞれ取着され、当該ユーザの心電図データを出力する。フリッカ検査計測器３は、推定モデル作成時にモニタとなるユーザの近辺に設置され、推定対象ユーザが認知できる最大の点滅周波数を表すフリッカ検査データを出力する。なお、フリッカ検査については、橋本邦衛、「精神疲労の検査（現代疲労検査＜特集＞）」、人間工学、vol. 17, no. 3, pp. p107-113, Jun. 1981.に詳しく記載されている。

記憶ユニット３０は、記憶媒体としてＨＤＤ（Hard Disk Drive）やＳＳＤ（Solid State Drive）等の書き込みおよび読み出しが可能な不揮発性メモリを用いたもので、本実施形態を実施する上で必要な記憶部として、第１の推定モデル記憶部３１と、第２の推定モデル記憶部３２を備えている。第１の推定モデル記憶部３１は、後述する制御ユニット１０により作成される、心拍変動に関する時間領域特徴量に着目した作業覚醒度推定モデルを格納するために使用される。第２の推定モデル記憶部３２は、後述する制御ユニット１０により作成される、心拍変動に関する周波数領域特徴量に着目した作業覚醒度推定モデルを格納するために使用される。

制御ユニット１０は、中央処理ユニット（ＣＰＵ；Central Processing Unit）とメモリを備えたもので、本実施形態を実施する上で必要な制御処理機能として、ＲＲＩ算出部１１と、推定用特徴量算出部１２と、ＣＦＦ算出部１３と、推定モデル生成部１４と、判定用特徴量算出部１５と、作業覚醒度推定部１６と、出力制御部１７を有している。なお、これらの制御処理機能はいずれも図示しないプログラムメモリに格納されたプログラムを上記ＣＰＵに実行させることにより実現される。

ＲＲＩ算出部１１は、心電計２から入出力インタフェースユニット２０を介して取り込んだ心電図データのＲ波から、心拍の間隔を表すピーク間隔RRI （R-RInterval）を算出する。

推定用特徴量算出部１２は、推定モデル作成時および作業覚醒度推定時に、上記算出されたRRI をもとに心拍変動量を示す時間領域特徴量および周波数領域特徴量を算出する。なお、以後この心拍変動を示す特徴量をHRVと総称する。

算出される時間領域特徴量としては、RRI 時系列データの平均値であるMeanと、ある一定期間のRRI 時系列データに対して、ある時点のRRI とその一つ前のRRI の差が５０msecを超える回数を、その期間の時間またはデータ個数で除した値であるpNN50と、RRIのローレンツプロットが描く形状の長辺の長さＬおよび短辺の長さＴから求められる、主として交感神経の活動指標を表すCSI（Cardiac Sympathetic Index）および主として副交感神経の活動指標を表すCVI（Cardiac Vagal Index）がある。

なお、CSIおよびCVIがローレンツプロットから得られる幾何学的な特徴量であることは、豊福史、山口和彦、萩原啓、「心電図RR間隔のローレンツプロットによる副交感神経活動の簡易推定法の開発」、人間工学、2007, 43.4: 185-192.に詳しく記載され、またCSIが主として交感神経活動を、CVIが主として副交感神経活動をそれぞれ示す点については、P. Grossman, J. Karemaker, and W. Wieling, “Prediction of Tonic Parasympathetic Cardiac Control Using Respiratory Sinus Arrhythmia: The Need for Respiratory Control,” Psychophysiology, vol. 28, no. 2, pp. 201-216, Mar. 1991.に詳しく記載されている。

一方、算出される周波数領域特徴量としては、RRI データをスペクトル解析して得られる低周波領域（例えば、０．０４〜０．１５Hz）のパワースペクトル密度の積分値であるLFと、高周波領域（例えば、０．１５〜０．４Hz）のパワースペクトル密度の積分値であるHFと、それぞれその対数値であるlog(LF) およびlog(HF) がある。

ＣＦＦ算出部１３は、上記フリッカ検査計測器３から入出力インタフェースユニット２０を介して取り込んだ計測データをもとに、CFF（Critical Fusion Frequency ）を算出する。CFFは、脳及び脊髄で構成される中枢神経系の覚醒度合を反映しているとされ、作業によって作業者の覚醒度が低下するとCFFの値は作業前に比べて低下すると考えられている。

推定モデル生成部１４は、上記推定用特徴量算出部１２により算出された心拍変動を示す時間領域特徴量および周波数領域特徴量と、上記ＣＦＦ算出部１３により算出されたCFF値とに基づいて、時間領域特徴量からCFFを推定する第１の推定モデルと、周波数領域特徴量からCFFを推定する第２の推定モデルをそれぞれ生成する。そして、この生成された第１及び第２の推定モデルをそれぞれ上記第１及び第２の推定モデル記憶部３１，３２に記憶させる。推定モデルは、例えばHRVの各特徴量を説明変数とし、CFFを被説明変数として重回帰分析等により作業覚醒度を推定するものである。

判定用特徴量算出部１５は、推定対象ユーザの作業覚醒度を推定する際に、上記算出されたRRI から、第１及び第２の各推定モデルのうちのいずれを選択するかを判定するための時間領域特徴量および周波数領域特徴量を算出する。例えば、時間領域特徴量としてはCSIを、周波数領域特徴量としてはSDNNをそれぞれ算出する。SDNNは、RRI時系列データの標準偏差値であり、副交感神経活動を示すとされている。

作業覚醒度推定部１６は、推定対象ユーザの作業覚醒度を推定する際に、上記判定用特徴量算出部１５により算出された各特徴量CSI、SDNN間の相関係数値を算出し、この相関係数値を予め設定した閾値と比較して、当該閾値より高い状態を継続しているか否かを判定する。そして、その判定結果に基づいて、上記第１の推定モデル記憶部３１に記憶された第１の推定モデルと、上記第２の推定モデル記憶部３２に記憶された第２の推定モデルのいずれかを選択し、この選択された推定モデルと、上記推定用特徴量算出部１２により算出された特徴量を用いて、推定対象ユーザの作業覚醒度を推定する。

出力制御部１７は、上記作業覚醒度推定部１６により推定された推定対象ユーザの作業覚醒度を表示するための表示データを生成し、当該表示データを入出力インタフェースユニット２０を介して表示部４へ出力する。

（動作）
次に、以上のように構成された装置による作業覚醒度推定動作を説明する。
（１）作業覚醒度推定モデルの作成
作業覚醒度推定装置１では、作業覚醒度の推定動作に先立ち作業覚醒度推定モデルの生成が行われる。作業覚醒度推定モデルの作成は、モニタとなる作業者に心電計２およびフリッカ検査計測器３を取着し、それぞれの計測データを取得することにより行われる。図２はその処理手順と処理内容を示すフローチャートである。

先ずステップＳ１１において、ＲＲＩ算出部１１の制御の下、心電計２から出力される心電図データが一定のサンプリング間隔で取り込まれ、当該心電図データのＲ波から心拍の間隔を表すピーク間隔RRIの時系列データが算出される。続いてステップＳ１２において、推定用特徴量算出部１２の制御により、上記算出されRRI時系列データから心拍変動量を示す時間領域特徴量および周波数領域特徴量が算出される。ここでは、時間領域特徴量として、Mean、pNN50、CSIおよびCVIが算出される。また、周波数領域特徴量として、LF、HF、log(LF) およびlog(HF) が算出される。

またそれと並行してステップＳ１３においては、ＣＦＦ算出部１３により、上記フリッカ検査計測器３から出力される計測データが上記サンプリング間隔で取り込まれ、この計測データをもとに脳及び脊髄で構成される中枢神経系の覚醒度合を反映したCFFが算出される。

次にステップＳ１４において、推定モデル生成部１４により、時間領域および周波数領域のそれぞれについて、第１及び第２の推定モデルが以下のように生成される。すなわち、先ずフリッカ値CFFおよび心拍変動特徴量HRV が、次式にしたがって変化率に変換される。これにより、Ｎ回の計測が実施された場合、Ｎ個の計測値が得られ、それらから_NＣ₂個の変化率が算出される。
ΔHRV_N,k＝（HRV_N−HRV_k）／HRV_k （N＞k＞１）
ΔCFF_N,k＝（CFF_N−CFF_k）／CFF_k （N＞k＞１）
但し、kは任意の値である。

そして、時間領域および周波数領域のそれぞれについて、上記算出され各心拍変動量の変化率ΔHRV_N,kおよびフリッカ値の変化率ΔCFF_N,kを用いて、各特徴量HRVを説明変数、CFFを被説明変数として重回帰分析により作業覚醒度を推定するための第１の推定モデル及び第２の推定モデルがそれぞれ生成される。この生成された第１及び第２の推定モデルは、それぞれ記憶ユニット３０内の第１の推定モデル記憶部３１及び第２の推定モデル記憶部３２に記憶される。なお、重回帰分析のほかに、Partial Least Squares （PLS）回帰のような回帰分析を適用することも可能である。

（２）作業覚醒度の推定
推定対象ユーザの作業覚醒度は、上記作成された作業覚醒度推定モデルを用いて次のように推定される。図３はその処理手順と処理内容を示すフローチャートである。
推定対象ユーザには心電計２のみが取着され、この心電計２から出力された心電図データは入出力インタフェースユニット２０を介して制御ユニット１０のＲＲＩ算出部１１に取り込まれる。そうするとＲＲＩ算出部１１では、ステップＳ２１により上記取り込まれた心電図データのＲ波から心拍の間隔を表すピーク間隔RRIの時系列データが算出される。

続いてステップＳ２２において、推定用特徴量算出部１２により、上記算出されRRI時系列データから心拍変動量を示す時間領域特徴量および周波数領域特徴量が算出される。ここでも、先に述べた推定モデル作成時と同様に、時間領域特徴量としてMean、pNN50、CSIおよびCVIが、また周波数領域特徴量としてLF、HF、log(LF) およびlog(HF) がそれぞれ算出される。また、それと同時に判定用特徴量算出部１５により、上記RRI時系列データから、第１及び第２の各推定モデルのうちのいずれを選択するかを判定するための時間領域特徴量および周波数領域特徴量が算出される。ここでは、時間領域特徴量としてCSIが、また周波数領域特徴量としてSDNNがそれぞれ算出される。

次に、作業覚醒度推定部１６の制御の下、先ずステップＳ２３により、上記算出された各特徴量CSI、SDNN間の相関係数値が算出される。例えば、Ｍ個の特徴量αと特徴量βとの相関係数値ｒは次式により算出される。

続いて、上記算出された相関係数値ｒの有意性が以下のように検定される。すなわち、先ず帰無仮説を“２変量に相関関係がない”と設定する。そして、検定統計量ｔを下式により算出する。

次に有意水準を０．０５に設定し、自由度はＭ−２で、ｔ分布表よりｔ分布の値ｋを得る。そして、ｔ＞ｋであれば帰無仮説を棄却して、有意水準で２変量には相関関係があると判定する。なお、ｔから有意確率ｐを統計計算ソフトウェアを用いて算出し、ｐ＜０．０５であることを確認するようにしてもよい。

次に、上記算出された相関係数値ｒに基づいて以下の判定処理が行われる。この判定処理は、推定モデルの選択のために時間領域特徴量と周波数領域特徴量のいずれを採用するかを決めるものである。

すなわち、心拍変動の周波数領域特徴量は、自律神経活動の正確な評価の際には呼吸によるノイズを抑えるために、呼吸統制（呼吸リズムを一定に保つ）が必要とされる。この点は、P. Grossman, J. Karemaker, and W. Wieling, “Prediction of Tonic Parasympathetic Cardiac Control Using Respiratory Sinus Arrhythmia: The Need for Respiratory Control,” Psychophysiology, vol. 28, no. 2, pp. 201-216, Mar. 1991.に詳しく記載されている。

一方で、前記ローレンツプロットに基づく特徴量は、呼吸統制等の必要なく、自律神経活動を評価できるとされる。この点は、M. Toichi, T. Sugiura, T. Murai, and a Sengoku, “A new method of assessing cardiac autonomic function and its comparison with spectral analysis and coefficient of variation of R-R interval,” J. Auton. Nerv. Syst., vol. 62, no. 1-2, pp. 79-84, Jan. 1997.に詳しく記載されている。

心拍変動は、呼吸の影響を受けており、その影響を考慮して、作業覚醒度の推定ごとにどちらの特徴量を用いるべきかを判断する必要がある。本実施形態では、周波数領域特徴量（呼吸に影響される特徴量）と時間領域特徴量（呼吸に影響されない特徴量）の相関を見ることで、周波数領域特徴量を用いた推定モデルと、時間領域特徴量を用いた推定モデルの選択を行う。

例えば、周波数領域特徴量で副交感神経活動を示す特徴量と、時間領域特徴量で交感神経活動を示す特徴量は、交感神経と副交感神経という相反する活動を示しているため、本来は相関しないと考えられる。このため、周波数領域特徴量（呼吸に影響される特徴量）と時間領域特徴量（呼吸に影響されない特徴量）とが相関する場合には、呼吸が統制されておらず、周波数領域特徴量は正しく自律神経活動を評価していないと考えられるので、呼吸統制の不要な時間領域特徴量を採用する。

これに対し、周波数領域特徴量（呼吸に影響される特徴量）と時間領域特徴量（呼吸に影響されない特徴量）とが相関しない場合は、周波数領域特徴量が正しく自律神経活動を評価していると考えられるので、周波数領域特徴量を採用する。すなわち、時間領域特徴量は、統計値であることから外れ値等の影響を受けやすいと考えられるので、周波数領域特徴量を優先して採用する。

以上の点に着目し、ステップＳ２４において作業覚醒度推定部１６は、CSIとSDNNとの相関係数ｒの絶対値が０．７以上で、かつその有意差ｐが０．０５以下の場合に、呼吸周期のばらつきが大きいと判断し、時間領域特徴量を用いた第１の推定モデルを選択する。これに対し、CSIとSDNNとの相関係数ｒの絶対値が０．７未満で、かつその有意差ｐが０．０５より大きい場合には、呼吸周期のばらつきが小さいと判断し、周波数領域特徴量を用いた第２の推定モデルを選択する。

第１の推定モデルが選択されると、ステップＳ２５において、当該選択された第１の推定モデルが第１の推定モデル記憶部３１から読み出される。そして、この読み出された第１の推定モデルを用い、上記ステップＳ２２により算出された時間領域特徴量Mean，pNN50，CSI，CVIの線形和を説明変数とし、CFFを被説明変数として重回帰分析等により作業覚醒度が推定される。

これに対し第２の推定モデルが選択されると、ステップＳ２６において、当該選択された第２の推定モデルが第２の推定モデル記憶部３２から読み出される。そして、この読み出された第２の推定モデルを用い、上記ステップＳ２２により算出された周波数領域特徴量LF，HF，log(LF)，log(HF)の線形和を説明変数とし、CFFを被説明変数として重回帰分析等により作業覚醒度が推定される。

なお、以上のように得られた作業覚醒度の推定結果は、出力制御部１７により例えばグラフ化され、その表示データが表示部４に表示される。推定対象ユーザは、上記表示された情報から自身の覚醒度を把握することができる。なお、推定対象ユーザとしてはオフィスワーカが考えられるが、他に学生や労働者であってもよい。また、上記推定結果を表す情報を通信回線を介して、作業ユーザの管理者へ送信するようにしてもよい。

（実施形態の効果）
以上詳述したように一実施形態では、心電図データから算出されるRRI 時系列データの時間領域特徴量および周波数領域特徴量と、フリッカ検査データから算出されるフリッカ値CFF とをもとに、時間領域および周波数領域ごとに作業覚醒度の推定モデルを作成して記憶部３１，３２に記憶しておく。そして、この状態で推定対象ユーザの作業覚醒度を推定する際に、心電図データのRRI 時系列データから判定用特徴量CSI，SDNNを算出してその相関係数値を求め、この相関係数値を閾値と比較することにより呼吸周期のばらつきの大小を判定する。そして、呼吸周期のばらつきが大きい場合には時間領域特徴量に基づく第１の推定モデルを選択して、この第１の推定モデルと、上記RRI 時系列データから算出される時間領域特徴量Mean，pNN50，CSI，CVIとをもとに作業覚醒度を推定する。一方、呼吸周期のばらつきが小さい場合には周波数領域特徴量に基づく第２の推定モデルを選択して、この第２の推定モデルと、上記RRI 時系列データから算出される周波数領域特徴量LF，HF，log(LF)，log(HF)とをもとに作業覚醒度を推定するようにしている。

したがって、心拍変動を示す生体情報に含まれる時間領域特徴量と周波数領域特徴量のそれぞれに応じて覚醒度の推定が可能となり、これにより個人・状態を考慮した高精度の推定が可能となる。

［他の実施形態］
前記実施形態では、RRI 時系列データから時間領域特徴量および周波数領域特徴量を算出し、時間領域および周波数領域ごとに推定を行うようにした。しかし、それに限るものではなく、RRI 時系列データから交感神経活動を示す特徴量と、副交感神経活動を示す特徴量を算出し、これらの特徴量を選択的に用いて作業覚醒度を推定するようにしてもよい。この場合、交感神経活動量を示す特徴量としては、Mean，pNN50 ，CSI，LFが算出され、また副交感神経活動量を示す特徴量としてはLF、HF、CVI が算出される。なお、この交感神経活動量を示す特徴量および副交感神経活動量を示す特徴量を用いた作業覚醒度の推定処理の手順と処理内容は、前記実施形態と同じである。

また、前記一実施形態では作業覚醒度推定装置１内に記憶ユニット３０を設けた場合を例にとって説明したが、記憶ユニット３０をクラウドに設けられたデータベースサーバなどに備え、作業覚醒度推定装置１とこのデータベースサーバとの間で通信を行うことによりデータの書き込みおよび読み出しを行うようにしてもよい。

さらに、前記実施形態では心電計により得られる心電図データをもとに心拍変動特徴量を算出するようにしたが、脈波を計測してその計測データをもとに心拍変動特徴量を算出するようにしてもよい。

その他、作業覚醒度推定装置の機能構成、RRI時系列データの時間領域を表す情報および周波数領域を表す情報の種類、推定モデルの作成処理の手順と内容、推定処理の手順と内容等についても、の発明の要旨を逸脱しない範囲で種々変形して実施可能である。

要するにこの発明は、上記実施形態そのままに限定されるものではなく、実施段階ではその要旨を逸脱しない範囲で構成要素を変形して具体化できる。また、上記実施形態に開示されている複数の構成要素の適宜な組み合せにより種々の発明を形成できる。例えば、実施形態に示される全構成要素から幾つかの構成要素を削除してもよい。さらに、異なる実施形態に亘る構成要素を適宜組み合せてもよい。

１…作業覚醒度推定装置、２…心電計、３…フリッカ検査計測器、４…表示部、１０…制御ユニット、１１…ＲＲＩ算出部、１２…推定用特徴量算出部、１３…ＣＦＦ算出部、１４…推定モデル生成部、１５…推定用特徴量算出部、１６…作業覚醒度推定部、１７…出力制御部、２０…入出力インタフェースユニット、３０…記憶ユニット、３１…第１の推定モデル記憶部、３２…第２の推定モデル記憶部。

Claims (7)

1. 推定対象者の心拍変動に関する生体情報を取得する取得手段と、
   前記取得された生体情報から、交感神経活動を示す第１の特徴量と、副交感神経活動を示す第２の特徴量をそれぞれ抽出する抽出手段と、
   前記抽出された第１の特徴量と第２の特徴量との相関値を算出し、当該算出された相関値が予め設定した閾値より高い状態を継続している条件を満たす場合には前記第１の特徴量を選択し、前記の条件を満たさない場合には前記第２の特徴量を選択する選択手段と、
   前記選択された特徴量と、当該特徴量に対応付けて予め学習した作業覚醒度推定モデルとに基づいて、前記推定対象者の作業覚醒度を推定する推定手段と
   を具備することを特徴とする作業覚醒度推定装置。
2. 前記抽出手段は、
   前記心拍変動に関する生体情報の時間領域波形から抽出した特徴量を前記第１の特徴量とし、
   前記心拍変動に関する生体情報の時間領域波形のパワーまたは時間領域波形を周波数変換したパワースペクトルのうち少なくとも一つに基づく特徴量を前記第２の特徴量とする
   ことを特徴とする請求項１記載の作業覚醒度推定装置。
3. 前記抽出手段は、
   前記心拍変動に関する生体情報の時間領域波形から抽出した特徴量として、前記生体情報から算出される心拍の間隔（R-R Interval：RRI ）の平均値、前記RRI間の時間的差分が５０ミリ秒以上となった回数の発生割合（pNN50）、および前記RRIのローレンツプロットに基づく幾何学的特徴量であって主として交感神経の活動指標を表すCSI（Cardiac Sympathetic Index）のうちの少なくとも一つに基づく特徴量を求め、
   前記生体情報の時間領域波形のパワーまたはパワースペクトルのうち少なくとも一つに基づく特徴量として、前記RRIの標準偏差（SDNN）、前記RRIのパワースペクトルの高周波成分（HF）またはその対数値、および前記RRIのパワースペクトルの低周波成分（LF）またはその対数値のうちの少なくとも一つに基づく特徴量を求める
   ことを特徴とする請求項２記載の作業覚醒度推定装置。
4. 推定対象者の心拍変動に関する生体情報を取得する取得手段と、
   前記取得された生体情報から、その時間領域を表す第１の特徴量と、時間領域波形のパワーまたは時間領域波形を周波数変換したパワースペクトルのうち少なくとも一つの特徴量である第２の特徴量をそれぞれ抽出する抽出手段と、
   前記抽出された第１の特徴量と第２の特徴量との相関値を算出し、当該算出された相関値が予め設定した閾値より高い状態を継続している条件を満たす場合には前記第１の特徴量を選択し、前記の条件を満たさない場合には前記第２の特徴量を選択する選択手段と、
   前記選択された特徴量と、当該特徴量に対応付けて予め学習した作業覚醒度推定モデルとに基づいて、前記推定対象者の作業覚醒度を推定する推定手段と
   を具備することを特徴とする作業覚醒度推定装置。
5. コンピュータを備えた作業覚醒度推定装置による作業覚醒度推定動作方法であって、
   前記作業覚醒度推定装置が、推定対象者の心拍変動に関する生体情報を心電計より取り込む過程と、
   前記作業覚醒度推定装置が、前記取り込まれた生体情報から、交感神経活動を示す第１の特徴量と、副交感神経活動を示す第２の特徴量をそれぞれ算出する過程と、
   前記作業覚醒度推定装置が、前記算出された第１の特徴量と第２の特徴量との相関値を算出し、当該算出された相関値が予め設定した閾値より高い状態を継続している条件を満たす場合には前記第１の特徴量を選択し、前記の条件を満たさない場合には前記第２の特徴量を選択する処理を行う過程と、
   前記作業覚醒度推定装置が、前記選択された特徴量と、当該特徴量に対応付けて予め学習した作業覚醒度推定モデルとに基づいて、前記推定対象者の作業覚醒度を推定する処理を行う過程と、
   前記作業覚醒度推定装置が、前記作業覚醒度の推定結果を表す情報を出力する過程と
   を具備することを特徴とする作業覚醒度推定動作方法。
6. コンピュータを備えた作業覚醒度推定装置による作業覚醒度推定動作方法であって、
   前記作業覚醒度推定装置が、推定対象者の心拍変動に関する生体情報を心電計より取り込む過程と、
   前記作業覚醒度推定装置が、前記取り込まれた生体情報から、その時間領域を表す第１の特徴量と、時間領域波形のパワーまたは時間領域波形を周波数変換したパワースペクトルのうち少なくとも一つの特徴量である第２の特徴量をそれぞれ算出する過程と、
   前記作業覚醒度推定装置が、前記算出された第１の特徴量と第２の特徴量との相関値を算出し、当該算出された相関値が予め設定した閾値より高い状態を継続している条件を満たす場合には前記第１の特徴量を選択し、前記の条件を満たさない場合には前記第２の特徴量を選択する処理を行う過程と、
   前記作業覚醒度推定装置が、前記選択された特徴量と、当該特徴量に対応付けて予め学習した作業覚醒度推定モデルとに基づいて、前記推定対象者の作業覚醒度を推定する処理を行う過程と、
   前記作業覚醒度推定装置が、前記作業覚醒度の推定結果を表す情報を出力する過程と
   を具備することを特徴とする作業覚醒度推定動作方法。
7. 請求項１乃至４のいずれかに記載の作業覚醒度推定装置が具備する手段による処理を、当該作業覚醒度推定装置が備えるコンピュータに実行させるプログラム。

Images