JP6129327B2 - 心血管信号および活動信号からの心理的ストレスの測定 - Google Patents

Description

本発明は、センサデバイスに関し、より詳細には、心理的ストレスを測定するために利用されるセンサデバイスに関する。

心理的ストレスは、様々な心血管疾患に関連付けられ、ストレスの定量的な測定は、ストレス管理の一助となる。従来、２つのタイプの心理的ストレスが存在する。すなわち、急性ストレスおよび慢性ストレスである。急性ストレスは、外的刺激に対する「闘争または逃走（ｆｉｇｈｔ ｏｒ ｆｌｉｇｈｔ）」反応のために身体を準備する自律神経系の急速な変化によって特徴付けられる。慢性ストレスは、強いストレスのかかる刺激に長期にさらされることによって特徴付けられ、これは、長期の交感神経の過活動を引き起こす。

ストレスを測定する従来の方法は、時間および周波数領域で、心拍数（ＨＲ）および心拍変動（ＨＲＶ）を計算する。しかし、ＨＲおよびＨＲＶは、個人間で大きく異なる。このばらつきの問題は、人の心理的ストレスレベルの継続的な監視および正確な測定を制限する。したがって、個々人の生理学的特徴を適応測定することによって、上記の問題を克服する費用対効果の高い解決策が強く求められている。本発明は、そのような要求に対処する。

心理的ストレスを測定するための方法およびシステムを開示する。第１の態様では、方法は、心電図（ＥＣＧ）からＲ−Ｒ間隔を決定して、Ｒ−Ｒ間隔の標準偏差（ＳＤＮＮ）を計算するステップと、ＳＤＮＮを使用してストレス特徴量（ＳＦ）を決定するステップとを含む。この方法は、しきい値への到達に応答して、確率質量関数（ＰＭＦ）を更新するために適応を行うステップを含む。この方法は、心理的ストレスを継続的に測定するために、ＳＦおよび更新されたＰＭＦを使用してストレスレベル（ＳＬ）を決定するステップを含む。

第２の態様では、システムが、少なくとも１つの電極を介してユーザに結合されたワイヤレスセンサデバイスであって、処理装置を含むワイヤレスセンサデバイスと、処理装置に結合されたメモリデバイスとを備え、メモリデバイスが、アプリケーションを記憶し、アプリケーションが、処理装置によって実行されるときに、心電図（ＥＣＧ）からＲ−Ｒ間隔を決定して、Ｒ−Ｒ間隔の標準偏差（ＳＤＮＮ）を計算するステップと、ＳＤＮＮを使用してストレス特徴量（ＳＦ）を決定するステップとを処理装置に行わせる。システムは、しきい値への到達に応答して、確率質量関数（ＰＭＦ）を更新するために適応を行うステップを処理装置にさらに行わせる。システムは、心理的ストレスを継続的に測定するために、ＳＦおよび更新されたＰＭＦを使用してストレスレベル（ＳＬ）を決定するステップを処理装置にさらに行わせる。

添付図面は、本発明のいくつかの実施形態を示し、本明細書と共に、本発明の原理を説明するためのものである。図中に示される特定の実施形態は例示にすぎず、本発明の範囲を限定することは意図されていないことを当業者は理解されよう。

図１は、一実施形態によるワイヤレスセンサデバイスを示す。 図２は、一実施形態による心理的ストレスを測定するための方法のフローチャートを示す。 図３は、一実施形態による心理的ストレスを測定するための方法のより詳細なフローチャートを示す。 図４は、一実施形態による適応関数較正のための方法のより詳細なフローチャートを示す。 図５は、一実施形態によるストレスレベル計算のグラフを示す。

本発明は、センサデバイスに関し、より詳細には、心理的ストレスを測定するために利用されるセンサデバイスに関する。以下の説明は、当業者が本発明を作製して使用することを可能にするために提示され、特許出願およびその要件に関連して提供される。本明細書で述べる好ましい実施形態ならびに全般的な原理および特徴に対する様々な修正形態が当業者には容易に明らかであろう。したがって、本発明は、図示される実施形態に限定されることは意図されず、本明細書で述べる原理および特徴と整合性のある最も広い範囲を与えられるべきである。

急性および慢性ストレスは、治療しないままにしておくと、健康に関わる様々な問題をもたらす。急性ストレスは、外的刺激に対する「闘争または逃走」反応をもたらす。この反応は、交感神経緊張の短期増加、および副交感神経緊張の減少を生じる。急性ストレスはまた、ＨＲの増加、低周波ＨＲＶの増加、高周波ＨＲＶの減少、およびガルバニック皮膚反応（ＧＳＲ）の低下によって特徴付けられる。慢性ストレスは、長期の交感神経の過活動を引き起こす。慢性ストレスはまた、ベースラインコルチゾール生成の増加、交感神経活動の増加、血圧の上昇、場合によりＨＲＶの減少、場合によりＨＲの増加、急性ストレスに対する生理的反応の低下、および圧反射感受性の低下によって特徴付けられる。

ＨＲＶは、自律神経系による心臓の調整に関係付けられる。ＨＲＶは、限定はしないが、Ｒ−Ｒ間隔の標準偏差（ＳＤＮＮ）、連続するＲ−Ｒ間隔の二乗平均平方根（ＲＭＳＳＤ）、および所定の期間（例えば、＞５０ｍｓ）だけ異なる連続するＲ−Ｒ間隔の比を含めた、様々な時間領域関数によって測定される。Ｒ−Ｒ間隔は、心電図に示される、１つのＱＲＳ群のピークから次のピークまでの間隔である。ＨＲＶは、限定はしないが、所定の範囲（例えば、０．０４〜０．１５Ｈｚ）からの低周波（ＬＦ）出力、所定の範囲（例えば、０．１５〜０．４Ｈｚ）からの高周波（ＨＦ）出力、およびＬＦ／ＨＦ比を含めた様々な周波数領域関数によって測定される。

本発明による方法およびシステムは、ＳＤＮＮおよび特定の体勢解析によって決定される心拍数（ＨＲ）と心拍変動との組合せを利用して、個人のストレスレベルを継続的に測定する。着座から起立へ、次いで起立から歩行への体勢の変化は、人のＨＲを増加させ、ＨＲＶを減少させる。

人の心理的ストレスは、心電図（ＥＣＧ）からＲ−Ｒ間隔を決定して、Ｒ−Ｒ間隔の標準偏差（ＳＤＮＮ）および瞬時心拍数（ＨＲ）を計算し、ＳＤＮＮおよびＨＲを使用してストレス特徴量（ＳＦ）を決定することによって測定される。所定の時間間隔後、ストレス特徴量（ＳＦ）の確率質量関数（ＰＭＦ）を更新するために適応が行われ、心理的ストレスを継続的に測定するために、ＳＦおよびＰＭＦを使用してストレスレベル（ＳＬ）が決定される。ＳＬの決定は、ストレス測定値を０〜１の値範囲の間に正規化する。これは、個人毎のストレス特徴量（ＳＦ）が大きく異なるためである。

パッチ形態での組み込み回路を備えるポータブルワイヤレスセンサデバイスを含む心理的ストレスを測定するための様々なセンサデバイスを利用することができ、それらが本発明の精神および範囲に含まれることを当業者は容易に理解されよう。

本発明の特徴をより詳細に述べるために、ここで添付図面に関連付けて以下の説明を参照する。

図１は、一実施形態によるワイヤレスセンサデバイス１００を示す。ワイヤレスセンサデバイス１００は、センサ１０２と、センサ１０２に結合された処理装置１０４と、処理装置１０４に結合されたメモリ１０６と、メモリ１０６に結合されたアプリケーション１０８と、アプリケーション１０８に結合された送信機１１０とを含む。センサ１０２は、ユーザからデータを取得して、そのデータをメモリ１０６に、さらにはアプリケーション１０８に送信する。処理装置１０４は、アプリケーション１０８を実行して、ユーザのＥＣＧ信号情報を処理する。この情報は、送信機１１０に送信され、さらに別のユーザまたはデバイスに中継される。

一実施形態では、センサ１０２は、心活動を測定するための２つの電極と、身体活動および体勢を記録するための加速度計とを備え、処理装置１０４は、マイクロプロセッサを備える。処理装置１０４、メモリ１０６、アプリケーション１０８、および送信機１１０に関して様々なデバイスを利用することができ、それらが本発明の精神および範囲に含まれることを当業者は容易に理解されよう。

図２は、一実施形態による心理的ストレスを測定するための方法２００のフローチャートを示す。図１および図２を合わせて参照すると、方法２００は、ワイヤレスセンサデバイス１００が、ステップ２０２で、心電図（ＥＣＧ）からＲ−Ｒ間隔を決定して、Ｒ−Ｒ間隔の標準偏差（ＳＤＮＮ）および心拍数（ＨＲ）を計算し、ステップ２０４で、ＳＤＮＮおよびＨＲを使用してストレス特徴量（ＳＦ）を決定することを含む。この方法２００は、しきい値への到達に応答して、ステップ２０６で、確率質量関数（ＰＭＦ）を更新するために適応を行うことを含む。方法２００は、ステップ２０８で、心理的ストレスを継続的に測定するために、ＳＦおよびＰＭＦを使用してストレスレベル（ＳＬ）を決定することを含む。

一実施形態では、この方法２００は、体勢状態を決定するステップをさらに含み、体勢状態がアクティブである場合には、心理的ストレスが測定されない。体勢状態は、限定はしないが、アクティブ（例えば歩行やランニングなど）、着座、および起立を含めた様々な状態を含む。取り得る各体勢に関して個別の確率質量関数（ＰＭＦ）が記憶される。別の実施形態では、方法２００は、決定されたＳＬをユーザまたは別のデバイスを表示するステップをさらに含む。

一実施形態では、ステップ２０２で、ＥＣＧからＲ−Ｒ間隔を決定してＳＤＮＮおよびＨＲを計算することは、ユーザのＥＣＧを測定するために少なくとも１つの電極を介してワイヤレスセンサデバイス１００を結合するステップと、所定の期間内にＥＣＧからＲピークを検出するステップとを含む。この実施形態では、Ｒ−Ｒ間隔は、検出されたＲピークを使用して計算される。

一実施形態では、ステップ２０４で、ＳＤＮＮおよびＨＲを使用してストレス特徴量（ＳＦ）を決定するステップは、所定の期間内にＥＣＧから平均心拍数（ＨＲ）を計算するステップと、ＨＲおよびＳＤＮＮを含むアルゴリズムを利用してＳＦを計算するステップとを含む。一実施形態では、アルゴリズムは、ＳＦ＝ＨＲ＋α^＊ＳＤＮＮであり、ここで、αは、ＨＲとＳＤＮＮとを組み合わせることを可能にする所定の負の変数である。

別の実施形態では、ワイヤレスセンサデバイス１００が、他の関連の生理学的パラメータ、例えば、ガルバニック皮膚反応（ＧＳＲ）、皮膚温度（ＴＥＭＰ）、呼吸数（ＢＲ）、および連続するＮＮの平均二乗誤差の平方根（ＲＭＳＳＤ）を記録し、それらを利用してＨＲＶを計算する場合、ＳＦを計算するためのアルゴリズムは、パラメータの線型結合であり、例えば、ＳＦ＝α１^＊ＨＲ＋α２^＊ＳＤＮＮ＋α３^＊ＲＭＳＳＤ＋α４^＊ＧＳＲ＋α５^＊ＴＥＭＰ＋α６^＊ＢＲである。別の実施形態では、ＳＦは、これらの尺度の非線型結合であり、例えば、アルゴリズムは、ＳＦ＝ＨＲ^２＋α１^＊ｓｑｒｔ（ＳＤＮＮ）＋α２^＊ＲＭＳＳＤ^＊ＧＳＲまたはＳＦ＝α１^＊ＨＲ＋α２^＊ｌｏｇ（ＳＤＮＮ）＋α３^＊ＴＥＭＰ^２＋α４^＊ｅｘｐ（−ＧＳＲ）である。

一実施形態では、ステップ２０６でＰＭＦを更新するために適応を行うステップは、所定の分布にデータをグループ分けするステップと、検出された安静時心拍数に従って所定の分布を較正するステップと、受信された追加のサンプルに従って所定の分布を調節するステップとを含む。一実施形態では、受信された追加のサンプルに従って所定の分布を調節するステップは、到着したデータに応じて、所定の分布の全てのビンに１−εを乗算し、データに対応するビンにεを追加するステップを含む。

一実施形態では、ステップ２０８でＳＦおよびＰＭＦを使用してストレスレベル（ＳＬ）を決定するステップは、ＳＦに対応するビンよりも下の全てのビンを追加するステップと、所与の体勢（ＰＭＦ_{ｐｏｓｔｕｒｅ}）、ＳＦ、および追加されたビンに関する確率質量関数を含むアルゴリズムを利用してＳＬを計算するステップとを含む。この実施形態では、方法２００は、粒度を改良するために、ＳＬの現在のビンの一部を追加するステップをさらに含む。

ストレス特徴量確率質量関数（ＰＭＦ）の平均および標準偏差の長期（例えば、週、月）の変化は、ストレスの増加および／または減少を反映する。一実施形態では、この方法２００は、ＰＭＦが経時的に適応するときに、確率質量関数（ＰＭＦ）の平均と標準偏差との両方を追跡するステップと、長期のストレスを測定するために平均と標準偏差とを組み合わせるステップとをさらに含む。

図３は、一実施形態による心理的ストレスを測定するための方法３００のより詳細なフローチャートを示す。方法３００は、ステップ３０２で、ユーザの現在の体勢／活動を決定するステップを含む。体勢／活動が「アクティブ」である場合、方法３００は、ストレスレベルを計算しない。体勢／活動が、「起立」または「着座」のいずれかである場合、方法３００は、ストレスレベルを計算する。方法３００は、ステップ３０４で、所定の時間間隔内でＲピークを検出し、ステップ３０６でＲ−Ｒ間隔を計算し、ステップ３０８で、Ｒ−Ｒ間隔の標準偏差（ＳＤＮＮ）を計算し、ステップ３１０で、心拍数（ＨＲ）を計算する。

これらの計算を利用して、方法３００は、ステップ３１２で、式ＳＦ＝ＨＲ＋α^＊ＳＤＮＮに従ってストレス特徴量（ＳＦ）を計算する。ＳＦは、個人間で大きく異なり、一実施形態では、−２０〜１６０の所定の範囲の間にある。このばらつきのため、０〜１の間の値範囲を有する標準化されたストレスレベルが計算され、これは、人々の間で比較的正規化される。αの値は、典型的には負であり、ＨＲとＳＤＮＮとを組み合わせることを可能にする重み付けであり、一実施形態では、αは、デフォルトで−０．３１５である。方法３００は、ステップ３１４で、以下の式に従ってＳＦに関する適正なビンを見つけるステップを含む：（ＳＦ＞＝ｂｉｎｅｄｇｅ_{ｐｏｓｔｕｒｅ}［ｉ］およびＳＦ＜ｂｉｎｅｄｇｅ_{ｐｏｓｔｕｒｅ}［ｉ＋１］）の場合、Ｂ＝ｉ。

ｂｉｎｅｄｇｅ_{ｐｏｓｔｕｒｅ}［ｉ］は、ストレス特徴量に関するビンのエッジを含み、ビンの数およびビンエッジの間隔は、必要な粒度に応じて設定される。一実施形態では、−２０〜１６０の１８０個のビンに関して、ビンエッジは、−２０、−１９、−１８、．．．、１５９、１６０と設定される。ビンは、ＰＭＦ／ヒストグラムのために使用され、Ｂは、現在のＳＦが入るビンである。

方法３００は、ステップ３１６で、最後の適応以降、所定の秒数（Ｔ）よりも長く経っているかどうか判断する。一実施形態では、Ｔは、デフォルトで６００秒である。「はい」（最後の適応以降、Ｔ秒よりも長く経っている）の場合、方法３００は、ステップ３１８で、式ＰＭＦ_{ｐｏｓｔｕｒｅ}＝ＰＭＦ_{ｐｏｓｔｕｒｅ} ^＊（１−ε）およびＰＭＦ_{ｐｏｓｔｕｒｅ}［Ｂ］＝ＰＭＦ_{ｐｏｓｔｕｒｅ}［Ｂ］＋εに従う適応関数によって確率質量関数（ＰＭＦ）を更新する。ここで、εは、各適応の実行によってＰＭＦ／ヒストグラムがどれだけ変化するかに関する「忘却」パラメータである。一実施形態では、εは、デフォルトで０．０００３である。方法３００は、ステップ３２０で、所与の体勢に関する確率質量関数（ＰＭＦ）をＰＭＦ_{ｐｏｓｔｕｒｅ}として検索し、これを使用してストレスレベル（ＳＬ）を計算する。

ストレスレベル（ＳＬ）は、０〜１のスケールで個人のストレスを測定し、ここで、０は、ストレスがまったくない、またはほとんどないことを示し、１は、非常に高いストレスを示す。方法３００は、ステップ３２２で、式

に従ってＳＬを計算する。この式では、ＳＦが入っている現在のビンＢよりも下の全てのビンが追加され、粒度の改良をもたらすために、現在のビンＢの一部が追加される。異なる体勢が異なるＨＲおよびＳＤＮＮ値を有するため、各体勢に関して個別の確率質量関数（ＰＭＦ）が存在する。方法３００は、ステップ３２４で、計算されたＳＬがＮ分を超えてしきい値（ｔｈ）よりも大きいかどうか判断する。「はい」の場合、ユーザに警報が発せられる。ＳＬが計算された後、ワイヤレスセンサデバイス１００を介してＳＬが表示される。

一実施形態では、適応関数は、初期化、較正、および適応ステップを含む。初期化ステップは、グループ確率質量関数（ＰＭＦ）から始めるステップを含み、これは、グループ訓練データから予め定められた離散化されたガウス分布である。較正ステップは、検出された安静時心拍数に従って確率分布をシフトするステップを含む。適応ステップは、新たなサンプルが到着したときに、または必要に応じて高頻度で／低頻度でＰＭＦを調節するステップを含む。新たなデータが到着すると、全てのビンが、１−ε（例えば、０．９９９７）を乗算され、ε（例えば、０．０００３）が、新たなデータに対応するビンに追加される。この適応は、一日を通じての特定の人のストレスの平均分布に合うように、数日から数週間にわたって確率分布を調節する。

図４は、一実施形態による適応関数較正に関する方法４００のより詳細なフローチャートを示す。方法４００は、ステップ４０２で、式ＰＤＦ_ＳＦ〜Ｎ（μ_{ＳＦｇｒｏｕｐ}， σ^２ _{ＳＦｇｒｏｕｐ}）に従って所定のグループモデルにストレス特徴量確率密度関数（ＰＤＦ）を初期化するステップを含む。表記Ｎ（μ，σ^２）は、平均μおよび分散σ^２を有する正規／ガウス分布であり、μ_{ＳＦｇｒｏｕｐ}およびσ^２ _{ＳＦｇｒｏｕｐ}は、グループ訓練データから予め決定される。

方法４００は、ステップ４０４で、低活動または無活動期間中のユーザの安静時心拍数（ＨＲ_ｒｅｓｔ）を決定する。ＨＲ_ｒｅｓｔは、ユーザのデータから推定され、無活動または睡眠期間中であり得る。方法４００は、ステップ４０６で、式ＰＤＦ_ＨＲ〜Ｎ（ＨＲ_ｒｅｓｔ＋γ^＊σ_{ＨＲｉｎｄｉｖ}，σ^２ _{ＨＲｉｎｄｉｖ}）に従って個人の心拍数（ＨＲ）ＰＤＦを推定する。さらに、方法４００は、ステップ４０８で、式ＰＤＦ_ＳＤＮＮ〜Ｎ（μ_{ＳＤＮＮｉｎｄｉｖ}，σ^２ _{ＳＤＮＮｉｎｄｉｖ}）に従って個々のＳＤＮＮ ＰＤＦを推定する。方法４００は、ステップ４１０で、式ＰＤＦ_ＳＦ〜Ｎ（ＨＲ_ｒｅｓｔ＋γ^＊σ_{ＨＲｉｎｄｉｖ}＋α^＊μ_{ＳＤＮＮｉｎｄｉｖ}，σ^２ _{ＨＲｉｎｄｉｖ}＋α^２＊σ^２ _{ＳＤＮＮｉｎｄｉｖ}）に従って、決定されたＨＲとＳＤＮＮ ＰＥＦとを組み合わせることによって、新たなストレス特徴量ＰＤＦを計算する。ステップ４１２で、連続するＰＤＦ_ＳＦは、離散化された確率分布、または確率質量関数（ＰＭＦ_ＳＦ）に変換される。一実施形態では、変換は、所定の期間内にＰＤＦ_ＳＦをサンプリングし、その合計を１に正規化することによって行われる。

一実施形態では、γの値は、ＨＲ分散の平均に関するＨＲ_ｒｅｓｔよりも上にずらされた定数である（例えば、γ＝２）。σ_{ＨＲｉｎｄｉｖ}、σ_{ＳＤＮＮｉｎｄｉｖ}、μ_{ＳＤＮＮｉｎｄｉｖ}値は、予め決定されて固定され、グループ訓練データから計算される。σ_{ＨＲｉｎｄｉｖ}およびσ_{ＳＤＮＮｉｎｄｉｖ}の値は、グループ訓練データでの個人標準偏差の平均として計算され、μ_{ＳＤＮＮｉｎｄｉｖ}の値は、グループ訓練データでの全ての個人の平均ＳＤＮＮの平均として計算される。

ストレス特徴量ＰＭＦの平均および標準偏差の長期的な変化は、ストレスの増加または減少を反映する。慢性ストレスの増加が、ＳＦ確率分布の上方への長期シフトで見られ、慢性ストレスの増加はまた、急性ストレスへの反応を低下させ、狭いＳＦ確率分布またはより小さい標準偏差をもたらす。

一実施形態では、経時的に適応するときにこのＳＦ確率分布の平均および標準偏差を追跡し、これらの結果を組み合わせることで、式ＳＦ_ｌｏｎｇ＝μ_ＳＦ−β^＊σ_ＳＦに従って長期のストレスの尺度が実現される。ここで、μ_ＳＦは、現在の確率分布からのＳＦの平均であり

、σ_ＳＦは、現在の確率分布

からのＳＦの標準偏差であり、Ｂは、正の値である。

人の平均ストレス特徴量確率質量関数／確率分布（ＰＭＦ_ＳＦ）が時間と共に増加する場合、μ_ＳＦが増加し、ＳＦ_ｌｏｎｇが増加する。慢性ストレスにより、急性ストレスに対する人の反応性が低下した場合、急性ストレスの様々な増加／減少に反応していないため、ＳＦ分布の標準偏差が減少し、σ_ＳＦを減少させ、ＳＦ_ｌｏｎｇを再び増加させる。一実施形態では、ＳＦ_ｌｏｎｇは、限定はしないが数日ごとを含めて様々な期間で現在のＰＭＦ_ＳＦから計算され、限定はしないが週および月を含めて様々な期間にわたって追跡される。

一実施形態では、グループ訓練データを決定するために、ユーザは、リラックス状態とストレス状態の交互のブロックを受ける。ブロックは、３〜７分の範囲の長さであり、リラックス状態は、限定はしないが、静かに座っている、またはクラシック音楽を聴くなどの様々な行動に関わるものとし、ストレス状態は、限定はしないが、刺激の強い映画／ホラー映画のムービークリップを見ること、テトリスをプレイすること、ストループテストを行うこと、一連の暗算の問題を解くこと、およびオンラインリアルタイム競争戦略ゲームをプレイすることなどを含む様々な行動に関わるものとした。

図５は、一実施形態によるストレスレベル計算のグラフ５００を示す。グラフ５００において、ｙ軸は、０〜１のストレスレベルを表し、ｘ軸は、時間を表す。ストレスレベルを計算するための所定の時間窓は、必要な時間分解能および用途（例えば、ゲームでの使用か、それとも日常での使用か）に応じて変えることができる。より短い窓は、ストレスの変化をはるかに速く検出できるようにするが、余分なノイズを含む。ゲームをプレイすることなどのストレス５０２の期間中、ストレスレベルは、１に近い値まで増加する。

さらに、確率質量関数（ＰＭＦ）が、各人に適応される一方で、最良のストレス特徴量またはＨＲとＳＤＮＮとの最良の組合せは、各人が学習可能である。一実施形態では、個人学習は、限定はしないが最良のαを学習するＦｉｓｈｅｒ判別式を含めた教師あり学習によって行われ、αは、各人に関するＨＲとＳＤＮＮとを組み合わせるための重み付けパラメータである。

一実施形態では、最良の特徴量を学習するために半教師あり手法が利用され、限定はしないが、個人が数分のリラックス活動（例えば規則的な呼吸）および数分の強いストレスのかかる活動（例えばテトリスをプレイする）を行う自己訓練を含む。αパラメータによって定義される初期投影線を決定するために、２つのデータ点が使用され、新たなデータが分類され、最も信頼度の高いデータ点が、ワイヤレスセンサデバイス１００によって使用されて、αパラメータを継続的かつ自動的に調節する。

上述したように、この方法およびシステムは、ワイヤレスセンサデバイスのユーザの心理的ストレスを測定することを可能にする。現在の体勢を決定し、平均心拍数（ＨＲ）およびＳＤＮＮを計算するために所定の時間窓内でＥＣＧからＲピークを検出し、ＨＲとＳＤＮＮとを組み合わせて、異なる個人間で大きく変動することがあるストレス特徴量（ＳＦ）を計算し、所定のビン範囲内でＳＦが入っている現在のビンを決定し、最新の確率質量関数（ＰＭＦ）を決定し、現在のビンよりも低いＰＭＦの全てのビンを加算することによって、費用対効果の高い連続するストレスレベル（ＳＬ）測定システムが実現される。

所定の時間窓は、限定はしないが、１２０秒を含み、所定のビン範囲は、限定はしないが幅を１として−２０〜１６０を含む。最後の適応以降、しきい値期間が経過している場合、この方法およびシステムは、現在のＳＦを使用して、確率質量関数（ＰＭＦ）／確率分布の適応を行う。ユーザの現在のストレスレベル（ＳＬ）は、ワイヤレスセンサデバイスを介してユーザに表示され、および／またはＳＬが所定の期間（Ｎ分）よりも長い経時的にしきい値（ｔｈ）を超えている場合に、喚起警報をトリガする。

心理的ストレスを測定するための方法およびシステムが開示されている。本明細書で述べた実施形態は、完全にハードウェア実装の形態、完全にソフトウェア実装の形態、またはハードウェア要素とソフトウェア要素との両方を含む実装の形態を取ることができる。実施形態は、限定はしないが、アプリケーションソフトウェア、ファームウェア、常駐ソフトウェア、マイクロコードなどを含むソフトウェアとして実装することができる。

本明細書で述べるステップは、任意の適切な制御装置または処理装置と、任意の適切な記憶位置またはコンピュータ可読媒体に記憶されていることがあるソフトウェアアプリケーションとを使用して実装することができる。ソフトウェアアプリケーションは、本明細書で述べる機能を処理装置が受信機に行わせることを可能にする命令を提供する。

さらに、いくつかの実施形態は、コンピュータまたは任意の命令実行システムによって使用するため、またはそれに関連付けて使用するためのプログラムコードまたはプログラム命令を提供するコンピュータ使用可能またはコンピュータ可読記憶媒体からアクセス可能なコンピュータプログラム製品の形態を取ることができる。本明細書では、コンピュータ使用可能またはコンピュータ可読記憶媒体は、命令実行システム、装置、またはデバイスによって使用するため、またはそれに関連付けて使用するためのプログラムを格納、記憶、通信、伝播、または輸送することができる任意の装置でよい。

コンピュータ可読記憶媒体は、電子、磁気、光学、電磁、赤外線、半導体システム（もしくは装置もしくはデバイス）、または伝播媒体でよい。コンピュータ可読記憶媒体の例には、半導体またはソリッドステートメモリ、磁気テープ、リムーバブルコンピュータディスケット、ランダムアクセスメモリ（ＲＡＭ）、読み出し専用メモリ（ＲＯＭ）、リジッド磁気ディスク、および光ディスクが含まれる。光学ディスクの現在の例には、ＤＶＤ、コンパクトディスク読み出し専用メモリ（ＣＤ−ＲＯＭ）、およびコンパクトディスク−読み出し／書き込み（ＣＤ−Ｒ／Ｗ）が含まれる。

本発明を、図示される実施形態に従って説明してきたが、それらの実施形態に対する変形形態がありえ、それらの変形形態も本発明の趣旨および範囲に含まれることを当業者は容易に理解されよう。したがって、添付の特許請求の範囲の趣旨および範囲から逸脱することなく、当業者は多くの修正を施すことができる。

Claims (20)

1. 心電図（ＥＣＧ）から心理的ストレスを測定するための、コンピュータにより実施される方法において、
   前記ＥＣＧからＲ−Ｒ間隔を決定して、前記Ｒ−Ｒ間隔の標準偏差（ＳＤＮＮ）を計算するステップと、
   前記ＳＤＮＮを使用してストレス特徴量（ＳＦ）を決定するステップと、
   前記決定されたＳＦがしきい値へ到達したときに、確率質量関数（ＰＭＦ）を更新するために適応を行うステップと、
   前記心理的ストレスを継続的に測定するために、前記ＳＦおよび前記更新されたＰＭＦを使用してストレスレベル（ＳＬ）を決定するステップと
   を含むことを特徴とする方法。
2. 請求項１に記載の、コンピュータにより実施される方法において、
   体勢状態を決定するステップであって、前記体勢状態がアクティブである場合には前記心理的ストレスが測定されないステップと、
   前記決定されたＳＬをユーザまたは別のデバイスに表示するステップと
   をさらに含むことを特徴とする方法。
3. 請求項２に記載の、コンピュータにより実施される方法において、前記体勢状態が、アクティブ、着座、および起立の任意のものを含むことを特徴とする方法。
4. 請求項１に記載の、コンピュータにより実施される方法において、前記ＥＣＧからＲ−Ｒ間隔を決定して、前記ＳＤＮＮを計算するステップが、
   所定の期間内に、測定されたＥＣＧからＲピークを検出するステップと、
   前記検出されたＲピークを使用してＲ−Ｒ間隔を計算するステップと
   をさらに含むことを特徴とする方法。
5. 請求項４に記載の、コンピュータにより実施される方法において、前記ＳＤＮＮを使用してストレス特徴量（ＳＦ）を決定するステップが、
   前記所定の期間内に前記ＥＣＧから平均心拍数（ＨＲ）を計算するステップと、
   アルゴリズムＳＦ＝ＨＲ＋α＊ＳＤＮＮを利用して前記ＳＦを計算するステップとをさらに含み、αが、ＨＲとＳＤＮＮとを組み合わせることを可能にする所定の負の変数である
   ことを特徴とする方法。
6. 請求項５に記載の、コンピュータにより実施される方法において、前記ＰＭＦを更新するために適応を行うステップが、
   所定の分布にデータをグループ分けするステップと、
   検出された安静時心拍数に従って前記所定の分布を較正するステップと、
   受信された追加のサンプルに従って前記所定の分布を調節するステップと
   をさらに含むことを特徴とする方法。
7. 請求項６に記載の、コンピュータにより実施される方法において、受信された追加のサンプルに従って前記所定の分布を調節するステップが、
   到着したデータに応じて、前記所定の分布の全てのビンに１−εを乗算するステップと、
   前記データに対応するビンにεを追加するステップと
   をさらに含むことを特徴とする方法。
8. 請求項６に記載の、コンピュータにより実施される方法において、前記ＳＦおよび前記ＰＭＦを使用して前記ストレスレベル（ＳＬ）を決定するステップが、
   前記ＳＦに対応するビンよりも下の全てのビンを追加するステップと、
   所与の体勢（ＰＭＦｐｏｓｔｕｒｅ）、前記ＳＦ、および前記追加されたビンに関する確率質量関数を含むアルゴリズムを利用して前記ＳＬを計算するステップと
   をさらに含むことを特徴とする方法。
9. 請求項８に記載の、コンピュータにより実施される方法において、
   粒度を改良するために、現在のビンの一部を追加するステップ
   をさらに含むことを特徴とする方法。
10. 請求項１に記載の、コンピュータにより実施される方法において、
    確率分布が経時的に適応するときに、前記確率分布の平均と標準偏差との両方を追跡するステップと、
    前記平均と前記標準偏差とを組み合わせて、長期のストレスを測定するステップと
    をさらに含むことを特徴とする方法。
11. 心理的ストレスを測定するためのシステムにおいて、
    少なくとも１つの電極を介してユーザに結合されたワイヤレスセンサデバイスであって、処理装置を含むワイヤレスセンサデバイスと、
    前記処理装置に結合されたメモリデバイスとを備え、前記メモリデバイスが、アプリケーションを記憶し、前記アプリケーションが、前記処理装置によって実行されるときに、
    心電図（ＥＣＧ）からＲ−Ｒ間隔を決定して、前記Ｒ−Ｒ間隔の標準偏差（ＳＤＮＮ）
    を計算するステップと、
    前記ＳＤＮＮを使用してストレス特徴量（ＳＦ）を決定するステップと、
    前記決定されたＳＦがしきい値へ到達したときに、確率質量関数（ＰＭＦ）を更新するために適応を行うステップと、
    前記心理的ストレスを継続的に測定するために、前記ＳＦおよび前記更新されたＰＭＦを使用してストレスレベル（ＳＬ）を決定するステップと
    を前記処理装置に行わせることを特徴とするシステム。
12. 請求項１１に記載のシステムにおいて、前記アプリケーションが、
    体勢状態を決定するステップであって、前記体勢状態がアクティブである場合には前記心理的ストレスが測定されないステップと、
    前記決定されたＳＬをユーザまたは別のデバイスに表示するステップと
    を前記処理装置にさらに行わせることを特徴とするシステム。
13. 請求項１２に記載のシステムにおいて、前記体勢状態が、アクティブ、着座、および起立の任意のものを含むことを特徴とするシステム。
14. 請求項１１に記載のシステムにおいて、前記ＥＣＧからＲ−Ｒ間隔を決定して、前記ＳＤＮＮを計算するステップが、
    所定の期間内に、測定されたＥＣＧからＲピークを検出するステップと、
    前記検出されたＲピークを使用してＲ−Ｒ間隔を計算するステップと
    をさらに含むことを特徴とするシステム。
15. 請求項１４に記載のシステムにおいて、前記ＳＤＮＮを使用してストレス特徴量（ＳＦ）を決定するステップが、
    前記所定の期間内に前記ＥＣＧから平均心拍数（ＨＲ）を計算するステップと、
    アルゴリズムＳＦ＝ＨＲ＋α＊ＳＤＮＮを利用して前記ＳＦを計算するステップとをさらに含み、αが、ＨＲとＳＤＮＮとを組み合わせることを可能にする所定の負の変数である
    ことを特徴とするシステム。
16. 請求項１５に記載のシステムにおいて、前記ＰＭＦを更新するために適応を行うステップが、
    所定の分布にデータをグループ分けするステップと、
    検出された安静時心拍数に従って前記所定の分布を較正するステップと、
    受信された追加のサンプルに従って前記所定の分布を調節するステップと
    をさらに含むことを特徴とするシステム。
17. 請求項１６に記載のシステムにおいて、受信された追加のサンプルに従って前記所定の分布を調節するステップが、
    到着したデータに応じて、前記所定の分布の全てのビンに１−εを乗算するステップと、
    前記データに対応するビンにεを追加するステップと
    をさらに含むことを特徴とするシステム。
18. 請求項１６に記載のシステムにおいて、前記ＳＦおよび前記ＰＭＦを使用して前記ストレスレベル（ＳＬ）を決定するステップが、
    前記ＳＦに対応するビンよりも下の全てのビンを追加するステップと、
    所与の体勢（ＰＭＦｐｏｓｔｕｒｅ）、前記ＳＦ、および前記追加されたビンに関する確率質量関数を含むアルゴリズムを利用して前記ＳＬを計算するステップと
    をさらに含むことを特徴とするシステム。
19. 請求項１８に記載のシステムにおいて、前記アプリケーションが、
    粒度を改良するために、現在のビンの一部を追加するステップ
    を前記処理装置にさらに行わせることを特徴とするシステム。
20. 請求項１８に記載のシステムにおいて、前記アプリケーションが、
    確率分布が経時的に適応するときに、前記確率分布の平均と標準偏差との両方を追跡するステップと、
    前記平均と前記標準偏差とを組み合わせて、長期のストレスを測定するステップと
    を前記処理装置にさらに行わせることを特徴とするシステム。

Images