JP6291922B2

JP6291922B2 - 睡眠深度判定装置

Info

Publication number: JP6291922B2
Application number: JP2014047473A
Authority: JP
Inventors: 貴文渥美; 哲也大平; 昭太郎赤穂
Original assignee: Aisin Seiki Co Ltd; Aisin Corp
Current assignee: Aisin Corp
Priority date: 2014-03-11
Filing date: 2014-03-11
Publication date: 2018-03-14
Anticipated expiration: 2034-03-11
Also published as: JP2015171394A

Description

本発明は、利用者の生体情報に基づいて睡眠深度を判定する睡眠深度判定装置に関する。

従来、利用者の睡眠深度である覚醒・レム睡眠・ノンレム睡眠（深眠状態・浅眠状態）を、階層ごとに判定する睡眠深度判定装置が知られている（例えば、特許文献１−２参照）。また、これら睡眠深度を精度よく判定する方法として、サポートベクタマシンを用いた技術が開示されている（例えば、特許文献３参照）。

特許文献１には、覚醒とレム睡眠・ノンレム睡眠とに区分される第一階層と、レム睡眠またはノンレム睡眠を細分化した第二階層とに分けて判定する技術が開示されている。第一階層では、利用者から取得した生体情報における呼吸間隔または心拍間隔の変動係数が所定の閾値より大きい場合は覚醒、小さい場合はレム睡眠・ノンレム睡眠と判定する。

一方、特許文献２には、ノンレム睡眠（深眠状態）と覚醒・レム睡眠・ノンレム睡眠（浅眠状態）とに区分される第一階層と、覚醒とレム睡眠とノンレム睡眠（浅眠状態）とに区分される第二階層とに分けて判定する技術が開示されている。第二階層では、心拍信号・呼吸信号のパワースペクトル密度に基づく指標および心拍強度信号または呼吸強度信号の分散に基づく指標の２つの指標と所定の閾値と比較することで、睡眠深度を判定する。

また、特許文献３には、ヒプノグラムの平滑化を図るために、隠れマルコフモデルを用いて、複数の時点における遷移状態の発生確率に基づき線形補正する技術が開示されている。例えば、サポートベクタマシンで識別されたノンレム睡眠（深眠状態）から覚醒へと遷移する線形を、発生確率の高いノンレム睡眠（深眠状態）からノンレム睡眠（浅眠状態）を経て覚醒へと遷移する線形に補正する。

特開２０１１−１１５１８８号公報特開２００９−２９７４７４号公報特開２０１１−８３３９３号公報

ところで、生体情報に基づいて判定される睡眠深度のうち、覚醒とレム睡眠との判別が最も難易度が高いことが知られている。このため、特許文献１のように、上位に位置する第一階層において覚醒とレム睡眠とを判別する方法では、全体的に判定精度が低下してしまう。また、特許文献２では、第二階層に含まれる覚醒・レム睡眠・ノンレム睡眠（浅眠状態）といった多くの睡眠深度について、同一の指標を用いて判定する方法であるので、判定精度に問題がある。さらに、引用文献１−２の判定方法のように、各指標と所定の閾値とを比較する方法では、異なる利用者の様々な睡眠特性を反映することができず改善の余地がある。

特許文献３は、実際の遷移状態に近いヒプノグラムを作成する技術であるが、一旦サポートベクタマシンを用いて生成した線形データを補正するので、演算負荷が増大してしまう。

そこで、本発明の目的は、演算負荷を抑制しながら、様々な利用者における睡眠深度の判定精度を高めることができる睡眠深度判定装置を提供することである。

本発明に係る睡眠深度判定装置の特徴構成は、利用者の生体情報を取得する生体情報取得部と、前記生体情報に基づいて複数種別の特徴量を算出する特徴量算出部と、覚醒及びレム睡眠とノンレム睡眠とに区分される第一階層と、覚醒及びレム睡眠またはノンレム睡眠を細分化して区分される第二階層とに設定する睡眠階層設定部と、前記第一階層及び前記第二階層を区分する上で前記複数種別の特徴量のいずれかを選択しつつ、教師データに基づいて学習されたサポートベクタマシンに対しその選択された前記特徴量を適用することで前記利用者の睡眠深度を判定する睡眠深度判定部と、を備え、前記睡眠深度判定部は、前記第一階層及び前記第二階層において前記睡眠深度の少なくとも一つを判定する際、前記サポートベクタマシンのサポートベクタに対する前記特徴量の近接度を算出し、当該近接度が所定の閾値より大きい場合に、前記睡眠深度の判定を実行する点にある。

本構成によると、第一階層として覚醒及びレム睡眠とノンレム睡眠（深眠状態・浅眠状態）とで構成される２つのクラスを、サポートベクタマシンを用いて判別する。つまり、第一階層において難易度の高い覚醒とレム睡眠とを判別しないので、装置全体の判定精度を高めることができる。

また、本構成では、睡眠深度の判定毎に特徴量を選択することで、例えば第二階層における覚醒とレム睡眠との判別を行う上で、最適な特徴量（睡眠指標）を用いることができる。このため、難易度が高いとされる覚醒とレム睡眠との判定精度が高まるので、利用者の睡眠深度を正確に判定することができる。

さらに、従来のように各指標と所定の閾値とを比較する方法ではなく、本構成のように教師データに基づいて学習されたサポートベクタマシンに対して最適な特徴量を選択することで、異なる利用者であっても判定精度を高めることができる。このように、様々な利用者における睡眠深度を精度良く判定できる睡眠深度判定装置を提供できた。

サポートベクタマシンは、例えば、覚醒及びレム睡眠とノンレム睡眠との判別に際し、教師データを用いて学習されたサポートベクタと入力値である各特徴量との距離の差に重みを乗じた線形和を求め、線形和が正の値であれば覚醒及びレム睡眠と判定し、線形和が負の値であればノンレム睡眠と判定する。本構成によると、サポートベクタに対する特徴量の近接度である前記線形和の絶対値が所定の閾値より大きい場合、睡眠深度の判定を実行する。換言すると、近接度が所定の閾値以下の場合、覚醒かレム睡眠かの判定を行わずに、前回の判定結果を適用する。つまり、所定の不感帯内に存在する特徴量は信頼性が低いとみなして判定結果を更新しない。

その結果、時間の経過に伴う睡眠深度の状態遷移が頻繁に繰り返されることを防止し、睡眠ポリグラフィー検査（ＰＳＧ検査）の判定結果に近い波形を得ることができるので、利用者に通知する判定結果の精度が高まる。また、サポートベクタマシンによる計算値が所定の閾値内であるか否かを判定するといった簡便な構成であるので、従来のように隠れマルコフモデルといった複雑な演算を行う必要がなく、演算負荷を抑制することができる。

他の特徴構成は、前記閾値は、睡眠ポリグラフィー検査に基づくヒプノグラムと、前記睡眠深度判定部の判定結果に基づくヒプノグラムとの一致度に応じて設定される点にある。

本構成によれば、ＰＳＧ判定結果に基づくヒプノグラムの波形と一致するように閾値が設定されるので、利用者により正確な判定結果を提示することができる。なお、この閾値は、例えば、ＰＳＧ判定結果と睡眠深度判定部の判定結果とを比較して、睡眠深度が時間の経過に伴って状態遷移する間隔の粗密程度や状態遷移する割合が、概ね一致するように設定される。

本実施形態における睡眠深度判定装置の模式図である。本実施形態における睡眠深度判定装置の機能ブロック図である。本実施形態における睡眠深度の階層図である。特徴量の算出処理の流れを表すフローチャートである。ＳＶＭの学習処理の流れを表すフローチャートである。本実施形態における睡眠深度の判定処理のフローチャートである。睡眠深度の判定結果の比較図である。別実施形態における不感帯を設けた場合の説明図である。別実施形態における睡眠深度の判定処理のフローチャートである。ＰＳＧ判定結果におけるヒプノグラムである。不感帯を設けない場合のヒプノグラムである。不感帯を設けた場合のヒプノグラムである。

以下に、本発明に係る睡眠深度判定装置の実施形態について、図面に基づいて説明する。本実施形態では、睡眠深度判定装置の一例として、寝具上に在床している人（利用者の一例。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を用いて説明する。ただし、以下の実施形態に限定されることなく、その要旨を逸脱しない範囲内で種々の変形が可能である。

本実施形態における睡眠深度判定装置は、振動検知装置１と振動検知装置１からの出力に基づいて在床者Ｍの睡眠深度を判定する処理装置１０とを備えている。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が横たわって寝ている場合には、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１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、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。

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などは、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により睡眠深度判定装置の起動・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２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と、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と、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と、脈波に基づいて複数種別の特徴量を算出する特徴量算出部１４と、睡眠深度を複数の階層に設定する睡眠階層設定部１５と、算出された特徴量に基づいて在床者Ｍの睡眠深度を判定する睡眠深度判定部１６とを備えている。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により本発明の生体情報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の睡眠深度についての判定結果や各種情報を在床者Ｍなど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深度についての判定結果を遠隔地に送信する機能を備えても構わない。また、判定結果の表示や送信はリアルタイムでも構わないし、判定結果をメモリ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の心拍および呼吸に相当する周波数成分を抽出するためにフィルタリング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。

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種別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）所定期間における拍動間隔の平均値（以下、ＲＲ値と称する。）、（３）所定期間における呼吸間隔の平均値（以下、呼吸間隔平均値と称する。）、（４）所定期間における拍動間隔の平均値に対する標準偏差の比率（＝標準偏差／平均。以下、ＲＲ間隔変動係数と称する。）、（５）所定期間における呼吸間隔の平均値に対する標準偏差の比率（＝標準偏差／平均。以下、呼吸間隔変動係数と称する）、（６〜８）拍動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。）、（９）ＨＦ値に対するＬＦ値の比率（以下、ＬＦ／ＨＦ値と称する。）、（１０〜１２）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、高周波領域の夫々における傾き（以下、それぞれＶＬＦ傾き、ＬＦ傾き、ＨＦ傾きと称する。）を用いることが可能である。なお、本実施形態では、上述した特徴量を算出する際の所定期間を１分としているが、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と、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と、脈波から呼吸間隔情報を算出する呼吸間隔情報算出部１４ｃと、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１４ｄと、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１４ｅと、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１４ｆと、ＲＲ間隔変動係数を算出するＲＲ間隔変動係数算出部１４ｇと、呼吸間隔変動係数を算出する呼吸間隔変動係数算出部１４ｈとを備えている。なお、各特徴量の算出方法の詳細は後述する。

睡眠階層設定部１５は、図３に示すように、睡眠深度を、覚醒・レム睡眠／ノンレム睡眠に区分される第一階層と、覚醒／レム睡眠やノンレム睡眠（浅眠状態。以下、「浅」と称する。）／ノンレム睡眠（深眠状態。以下、「深」と称する。）に区分される第二階層と、に設定してある。つまり、まず覚醒・レム睡眠かノンレム睡眠かの切り分けを行い、次いで、覚醒・レム睡眠またはノンレム睡眠を夫々細分化している。

睡眠深度判定部１６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の睡眠深度を判定する。睡眠深度の判定は、教師データによって学習されたサポートベクタマシン（以下、ＳＶＭと称する。）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。この時、詳細は後述するが、各判定毎、つまり覚醒・レム睡眠／ノンレム睡眠、覚醒／レム睡眠、ノンレム睡眠（浅）／ノンレム睡眠（深）を区分する上で複数種別の特徴量のいずれかを選択する。

以下、図４−５のフローチャートに基づいて、特徴量の算出およびＳＶＭの学習の処理の流れを説明する。なお、睡眠深度判定装置とは別の装置を用いてＳＶＭの学習を行い、睡眠深度判定装置にインストールすることができる。また、学習のための特徴量（教師データ）は上述した特徴量算出部１４と同等の機能部により算出されるため、睡眠深度判定装置を用いて学習を行うこともできる。本実施形態では上記特徴量とともに脳波から睡眠深度を求め、その睡眠深度を正解として用いている。そのため、学習時の睡眠深度判定装置は、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深度を判定する脳波解析部（図示せず）、教師データに基づいてＳＶＭを学習させる学習部（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）。この時、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１分間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１分間の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１４ｇは、１分間の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、呼吸間隔情報算出部１４ｃは、メモリに記憶された脈波から呼吸間隔情報を算出する（＃５１）。ここで、呼吸間隔情報とは、振動センサ１ａからの出力波形のうち、所定の周波数領域に属する成分を、フィルタリング処理して抽出される呼吸波形のピーク値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。なお、ピーク値が現れた時刻とその直前にピーク値が現れた時刻との時間間隔が、呼吸間隔である。また、上述した方法と同様に、呼吸間隔トレンドグラムを算出（＃６１）し、特徴量算出部１４は、この呼吸間隔トレンドグラムに基づいて呼吸間隔平均値を算出する（＃７１）。次に、呼吸間隔変動係数算出部１４ｈは、１分間の呼吸間隔トレンドグラムの標準偏差を算出し、標準偏差／呼吸間隔平均値を呼吸間隔変動係数として算出する（＃８１）。

拍動周波数特性算出部１４ｄ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１分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分間がオーバラップしている。

パワースペクトル算出部１４ｅ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１４ｆ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。

一方、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（サポートベクタ）Ｘ_t ⁽ⁱ⁾（ｉ＝特徴量数）としてＸ_t ⁽ⁱ⁾＝[Ｔｉｍｅ値，ＲＲ値，呼吸間隔平均値，拍動間隔変動係数，呼吸間隔変動係数，ＶＬＦ値，ＬＦ値，ＨＦ値，ＬＦ／ＨＦ値，ＶＬＦ傾き，ＬＦ傾き，ＨＦ傾き]（ｉ＝１２）が得られる。このサポートベクタＸ_t ⁽ⁱ⁾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[Ｘ_t ⁽ⁱ⁾，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｛[Ｘ_t ⁽ⁱ⁾，睡眠深度]｝を取得する。なお、本実施形態では、教師データを取得する被験者と、後述する睡眠深度判定部１６の判定処理を実行する在床者Ｍとを異ならせている。これは、寝具の利用者が変更される度に、脳波センサを装着させて教師データを取得する煩雑さを無くすべく、汎用性の高い装置であることを検証するためである。なお、複数の被験者から教師データを取得すれば、特徴量における個人差が吸収され、さらに汎用的な教師データが得られる。

〔学習〕
図５を用いて、ＳＶＭの学習方法について説明する。十分な量の教師データが取得されると、学習部は教師データからＳＶＭを構築する。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、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、ＳＶＭ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。

図３に示すように、本実施形態の睡眠深度は階層的に定義されているので、学習も階層的に行う。まず、教師データから[Ｘ_t ⁽ⁱ⁾，覚醒] および[Ｘ_t ⁽ⁱ⁾，レム睡眠]となっているデータを抽出して覚醒・レム睡眠用教師データ集合を生成し、残りをノンレム睡眠用教師データ集合とする（＃２２）。具体的には、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・レム睡眠とノンレム睡眠とを判別するためのＳＶＭを構築する（＃２３）。

次に、覚醒・レム睡眠用教師データ集合から[Ｘ_t ⁽ⁱ⁾，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、その残りをレム睡眠用教師データ集合とする（＃２４）。この覚醒用教師データ集合とレム睡眠用教師データ集合とから、覚醒とレム睡眠とを判別するためのＳＶＭを構築する（＃２５）。

次に、ノンレム睡眠用教師データ集合から[Ｘ_t ⁽ⁱ⁾，ノンレム睡眠（深）]となっているデータを抽出し、深ノンレム睡眠用教師データ集合を生成し、その残りを浅ノンレム睡眠用教師データ集合とする（＃２６）。この深ノンレム睡眠用教師データ集合と浅ノンレム睡眠用教師データ集合とから、ノンレム睡眠（深）とノンレム睡眠（浅）とを判別するためのＳＶＭを構築する（＃２７）。このようにして求められたＳＶＭは、睡眠深度判定部１６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。

〔判定処理〕
図６は、判定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を操作して睡眠深度判定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）、上述した方法と同様の処理により１分毎の特徴量が算出される（＃３３）。特徴量が算出されると、睡眠深度判定部１６は正規化した特徴量をＳＶＭに入力して在床者Ｍの睡眠深度を判定する（＃３４〜＃４０）。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る。

ＳＶＭの判定方法を、式（１）に表す。ここで、αｉは、学習時に決定された各特徴量毎の重み係数、Ｘ_t ⁽ⁱ⁾はｉ番目のサポートベクタ、Ｘ_tは入力される特徴量を示し、ｋ（）はカーネル関数でありサポートベクタに対して入力される特徴量の近さ（距離）を評価するものである。式（１）に示すように、教師データを用いて学習されたサポートベクタＸ_t ⁽ⁱ⁾と入力値である各特徴量Ｘ_tとの距離の差に重みαｉを乗じた線形和を求め、この線形和がスコア値ｆ（ｘ）として算出される。

本実施形態では、図３に示す各階層に属する睡眠深度の判定結果を導く３つの判定処理（１）覚醒・レム睡眠／ノンレム睡眠、（２）覚醒／レム睡眠、（３）ノンレム睡眠（浅）／ノンレム睡眠（深）で、特徴量Ｘ_tの種類を選択する（＃３４）。この選択は、予め判定処理（１）〜（３）毎に、睡眠ポリグラフィー検査（以下、ＰＳＧ検査と称する。）に対する正解率が最も高くなる特徴量Ｘ_tの組み合わせを決定しておく。ここで、ＰＳＧ検査とは、脳波などの計測データを用いて、臨床検査技師が睡眠深度を判定する検査のことである。

具体的には、（１）覚醒・レム睡眠／ノンレム睡眠の睡眠判定には、Ｘ_t＝[Ｔｉｍｅ値，ＲＲ値，ＲＲ間隔変動係数，呼吸間隔変動係数]からなる４つの特徴量、（２）覚醒／レム睡眠の睡眠判定には、Ｘ_t＝[ＲＲ値，ＬＦ値] からなる２つの特徴量、（３）ノンレム睡眠（浅）／ノンレム睡眠（深）の睡眠判定には、Ｘ_t＝[Ｔｉｍｅ値，ＬＦ／ＨＦ値] からなる２つの特徴量が選択される。これら特徴量を選択した理由は、以下のとおりである。

Ｔｉｍｅ値は、一般的な睡眠サイクルにおいて、睡眠初期ではノンレム睡眠（深）が比較的出現し易く、睡眠後期になると浅い睡眠状態（覚醒・レム睡眠・ノンレム睡眠（浅））が多く出現する。つまり、Ｔｉｍｅ値は、判定しやすい睡眠深度（１）覚醒・レム睡眠／ノンレム睡眠や（３）ノンレム睡眠（浅）／ノンレム睡眠（深）に用いることが有効である。

心臓の拍動リズムを支配する自律神経（交感神経と副交感神経）の変化は、覚醒およびレム睡眠において大きく現れ、特にレム睡眠において大きくなる。つまり、心臓の拍動リズムであるＲＲ値は、（１）覚醒・レム睡眠／ノンレム睡眠や（２）覚醒／レム睡眠の睡眠判定に用いることが有効である。

ＲＲ間隔変動係数は、心拍のばらつきを評価するものであり、交感神経の活動を現す指標とされている。つまり、副交感神経が支配的となるノンレム睡眠を判別できるので、（１）覚醒・レム睡眠／ノンレム睡眠の睡眠判定に用いることが有効である。

呼吸間隔変動係数は、呼吸のばらつきを評価するものであり、ノンレム睡眠において呼吸間隔が大きくなると共にその変動が小さくなる。つまり、ノンレム睡眠では、呼吸間隔変動係数が小さくなるので、（１）覚醒・レム睡眠／ノンレム睡眠の睡眠判定に用いることが有効である。

ＬＦ値は、レム睡眠と比較して覚醒時に増大するので、（２）覚醒／レム睡眠の睡眠判定に用いることが有効である。また、ＬＦ／ＨＦ値は、交感神経の活動量を示す指標とされており、交感神経活動の変化の発生回数が、ノンレム睡眠の浅眠状態から深眠状態へと移行するにつれて低下する。つまり、ノンレム睡眠の深眠状態では、浅眠状態に比べてＬＦ／ＨＦ値が小さくなるので、（３）ノンレム睡眠（浅）／ノンレム睡眠（深）の睡眠判定に用いることが有効である。

このように、睡眠深度の判定は、最適な特徴量を選択して、階層的に行われる。まず、＃３４で選択された特徴量を覚醒・レム睡眠／ノンレム睡眠判定用のＳＶＭに入力し、睡眠深度が覚醒・レム睡眠であるかノンレム睡眠であるかを判定する（＃３５）。ここで、睡眠深度が覚醒・レム睡眠であれば（＃３６のＹｅｓ分岐）、＃３４で選択された特徴量を覚醒／レム睡眠判定用のＳＶＭに入力し、睡眠深度を判定する（＃３７）。つまり、睡眠深度が覚醒（＃３９のＹｅｓ分岐）であるかレム睡眠（＃３９のＮｏ分岐）であるかを判定して、処理を終了する。

一方、睡眠深度がノンレム睡眠であれば（＃３６のＮｏ分岐）、＃３４で選択された特徴量をノンレム睡眠（浅）／ノンレム睡眠（深）判定用のＳＶＭに入力し、睡眠深度を判定する（＃３８）。つまり、睡眠深度がノンレム睡眠（浅）（＃４０のＹｅｓ分岐）であるかノンレム睡眠（深）（＃４０のＮｏ分岐）であるかを判定して、処理を終了する。このようにして判定された睡眠深度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。

図７は、判定実験の結果であり、２５人の在床者Ｍにおける正解率の平均を示すものである。横軸を睡眠深度とし、各睡眠深度の左側が特徴量をすべて使用して判定した場合で、各睡眠深度の右側が本実施形態の最適な特徴量を選択して判定した場合である。ここで、縦軸は、ＰＳＧ検査において各睡眠深度が出現した回数に対して、正解だった割合を示している。また、ＳＶＭの教師データを取得した被験者と、睡眠判定をした在床者Ｍとは、異なる人で実験した。従来のように、教師データを取得する被験者と睡眠判定をする在床者Ｍとを同じにすれば、正解率が高まることは勿論であるが、特定人だけが使用できる過剰フィッティング状態となるので、本実施形態では様々な利用者が使用する環境を想定して検証を行うこととした。

図７から明らかなように、本実施形態では、特徴量を最適化（種別数を減少）させ、演算量を低減させたにも関わらず、全般的に正解率が上昇していることが分かる。一方、各睡眠深度のうち、覚醒の正解率が最も低くなっているが、これは、覚醒とレム睡眠との判別が最も難易度が高いことに起因している。このように、各特徴量の最適化を図ることで、正解率が高まることが検証された。

〔別実施形態〕
別実施形態について、上述した実施形態と異なる構成のみ図８−１２を用いて説明する。なお、図面の理解を助けるため、上述した実施形態と同じ部材について同一の符号を付して説明する。

本実施形態における睡眠深度判定部１６は、睡眠階層設定部１５における各階層の少なくとも一つの睡眠深度を判定する際、ＳＶＭのサポートベクタＸ_t ⁽ⁱ⁾に対する入力される特徴量Ｘ_tの近接度を算出し、この近接度が所定の閾値より大きい場合にのみ、睡眠深度の判定を実行するように構成されている。つまり、近接度が所定の閾値以下の場合を不感帯領域として設定し、この不感帯領域にある場合は睡眠深度の判定を実行せずに、前回の判定結果を利用する（以下、「不感帯判定」と称する。）。ここで、近接度とは、上述した式（１）におけるスコア値ｆ（ｘ）の絶対値を指す。

本実施形態における不感帯判定の閾値は、ＰＳＧ検査における睡眠深度の状態遷移割合（例えば約２割）とほぼ一致するように設定される。ここで、睡眠深度の状態遷移とは、例えば、時間の経過に伴って覚醒から他の睡眠深度に遷移することを指し、状態遷移割合とは、一晩の睡眠時間の中でどの程度、状態遷移が発生したかを指す。つまり、閾値は、ＰＳＧ検査に基づくヒプノグラムと、睡眠深度判定部の判定結果に基づくヒプノグラムとの一致度に応じて設定される

図８は、不感帯を設けた場合の説明図であり、縦軸はスコア値ｆ（ｘ）、横軸は時間である。例えば、覚醒・レム睡眠／ノンレム睡眠判定において、上述の式（１）で演算されるスコア値ｆ（ｘ）が正の場合を覚醒・レム睡眠、負の場合をノンレム睡眠としている。この図に示すように、１分ごとに算出したスコア値ｆ（ｘ）が不感帯領域に存在する場合、睡眠深度判定部１６は覚醒・レム睡眠／ノンレム睡眠判定を行わず、前回の睡眠深度判定の結果を用いて更新する。これは、不感帯領域に存在するスコア値ｆ（ｘ）は、覚醒・レム睡眠であるかノンレム睡眠であるかを明確に判定し難いので、覚醒・レム睡眠／ノンレム睡眠判定を行わない方がＰＳＧ検査のヒプノグラムに近い波形が得られるためである。

具体的な判定フローについて、図９を用いて説明する。上述したように、１分毎の特徴量を算出し（＃３３）、この特徴量を覚醒・レム睡眠／ノンレム睡眠判定用のＳＶＭに入力する。次に、睡眠深度が覚醒・レム睡眠であるかノンレム睡眠であるかを判定する（＃３５）。本実施形態では、＃３３と＃３５との間に上述した実施形態同様、特徴量の選択を行っているが、図示を省略する。なお、特徴量の選択を行わない場合に、本実施形態における不感帯判定をしても良いことは勿論である。

スコア値ｆ（ｘ）が不感帯領域を除く覚醒・レム睡眠側であれば（＃４１のＹｅｓ分岐）、覚醒／レム睡眠判定に移行する（＃３７）。一方、スコア値ｆ（ｘ）が不感帯領域を除く覚醒・レム睡眠側になければ（＃４１のＮо分岐）、ノンレム睡眠側であるか否かを判定する（＃４２）。この時、スコア値ｆ（ｘ）が不感帯領域を除くノンレム睡眠側になければ（＃４２のＮо分岐）、処理を終了し、スコア値ｆ（ｘ）が不感帯領域を除くノンレム睡眠側にあれば（＃４２のＹｅｓ分岐）、ノンレム睡眠（浅）／ノンレム睡眠（深）判定に移行する（＃３８）。

同様の処理を、覚醒／レム睡眠判定のフロー（＃３７, ＃４３, ＃４４）や、ノンレム睡眠（浅）／ノンレム睡眠（深）のフロー（＃３８, ＃４５, ＃４６）においても実行する。なお、本実施形態では、全ての睡眠深度の判定に不感帯判定を行っているが、３つの睡眠深度判定のうちいずれか一つにのみ不感帯判定を行っても良いし、任意に選択した２つの睡眠深度判定に不感帯判定を行っても良い。

図１０は、ＰＳＧ検査に基づくヒプノグラム、図１１は、不感帯判定を全く行わない場合のヒプノグラム、図１２は、３つの睡眠深度判定に不感帯判定を適用した場合のヒプノグラムである。

図１０と図１１とを比較した場合、波形の粗密程度が大きく異なるのに対し、図１０と図１２とを比較した場合、波形の粗密程度が近い状態となっている。このように、本実施形態における不感帯判定を行うことで、ＰＳＧ検査の判定結果と近い波形を得ることができるので、利用者により正確な睡眠深度を知らせることができる。また、ＳＶＭのスコア値ｆ（ｘ）を用いて不感帯判定を行うので、演算負荷が増大しない。

なお、閾値の設定にあたっては上述したものに限定されず、ＰＳＧ検査に基づくヒプノグラムと、任意に閾値を設定して不感帯判定を行った場合のヒプノグラムとを比較して、波形の粗密程度が概ね一致するように閾値を変更するように構成しても良い。また、ＰＳＧ検査に基づく各睡眠深度の出現割合と一致する確率の高い閾値を設定するなど、種々の変形が可能である。

［その他の実施形態］
（１）上述した実施形態では、１２の特徴量を用いたが、これら特徴量の種別や種別数は適宜変更可能である。例えば、体動数などを用いても構わない。
（２）上述した実施形態では、第一階層及び第二階層を区分する上で複数種別の特徴量のいずれかを選択する一例を示したが、各特徴量の組み合わせは適宜変更可能である。つまり、ＰＳＧ検査の各睡眠深度に対する正解率が最も高くなるように各特徴量の組み合わせを設定すれば良い。
（３）上述した実施形態では、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など、他の方法によって脈波を取得しても構わない。
（４）上述した実施形態では、在床者の生体情報を脈波によって取得したが、在床者の心拍、呼吸および体動などを取得できるものであればどのような形態でも良い。
（５）上述した実施形態では、人が寝具などに在床する例を示したが、例えば座席などに座った人の睡眠深度を判定しても構わない。
（６）上述した実施形態では、在床者として人を例に挙げて説明した。しかしながら、人以外の動物を在床者としても良く、特に限定されない。

本発明は、利用者の生体情報に基づいて睡眠深度を判定する睡眠深度判定装置に利用可能である。

１振動検知装置（生体情報取得部）
１２出力信号取得部（生体情報取得部）
１３脈波算出部（生体情報取得部）
１４特徴量算出部
１５睡眠階層設定部
１６睡眠深度判定部
Ｍ在床者（利用者）

Claims

利用者の生体情報を取得する生体情報取得部と、
前記生体情報に基づいて複数種別の特徴量を算出する特徴量算出部と、
覚醒及びレム睡眠とノンレム睡眠とに区分される第一階層と、覚醒及びレム睡眠またはノンレム睡眠を細分化して区分される第二階層とに設定する睡眠階層設定部と、
前記第一階層及び前記第二階層を区分する上で前記複数種別の特徴量のいずれかを選択しつつ、教師データに基づいて学習されたサポートベクタマシンに対しその選択された前記特徴量を適用することで前記利用者の睡眠深度を判定する睡眠深度判定部と、を備え、
前記睡眠深度判定部は、前記第一階層及び前記第二階層において前記睡眠深度の少なくとも一つを判定する際、前記サポートベクタマシンのサポートベクタに対する前記特徴量の近接度を算出し、当該近接度が所定の閾値より大きい場合に、前記睡眠深度の判定を実行する睡眠深度判定装置。
前記閾値は、睡眠ポリグラフィー検査に基づくヒプノグラムと、前記睡眠深度判定部の判定結果に基づくヒプノグラムとの一致度に応じて設定される請求項１に記載の睡眠深度判定装置。