JP6298527B2 - 生体音解析装置及び生体音解析方法、並びにコンピュータプログラム及び記録媒体 - Google Patents

Description

本発明は、例えば呼吸音等の生体音を解析する生体音解析装置及び生体音解析方法、並びにコンピュータプログラム及び記録媒体の技術分野に関する。

この種の装置として、電子聴診器等によって検出される生体の呼吸音について、正常呼吸音と異常呼吸音とを判別するものが知られている。例えば特許文献１では、スペクトル上の局所分散値に基づいて正常吸音と連続性ラ音とを分割する手法が提案されている。特許文献２では、予め設定されたモデルとの相関度に基づいて呼吸状態の異常度を判定する手法が提案されている。特許文献３では、スペクトルの形状を混合ガウス分布で近似して異常呼吸音種を判定するという手法が提案されている。

特開２００４−３５７７５８号公報 特開２０１２−１２０６８８号公報 特開２０１３−１２３４９５号公報

しかしながら、上述した特許文献１から３に記載されているような技術では、複数の異常呼吸音が混ざって聞こえるような場合（特に、複数の異常呼吸音が同一の周波数軸上で重なっている場合）において、異常呼吸音同士を分離して検出することが難しいという技術的問題点がある。

本発明が解決しようとする課題には、上記のようなものが一例として挙げられる。本発明は、生体音に含まれる複数種類の音を好適に解析可能な生体音解析装置及び生体音解析方法、並びにコンピュータプログラム及び記録媒体を提供することを課題とする。

上記課題を解決するための生体音解析装置は、生体音のスペクトルの所定の特徴に対応する周波数に関する情報を取得する取得手段と、前記生体音を分類する基準となる複数の基準スペクトルを、前記周波数に関する情報に応じてシフトさせ、周波数シフト基準スペクトルを取得するシフト手段と、前記生体音と前記周波数シフト基準スペクトルとに基づいて、前記生体音に含まれる前記複数の基準スペクトルの割合を出力する出力手段とを備える。

上記課題を解決するための生体音解析方法は、生体音のスペクトルの所定の特徴に対応する周波数に関する情報を取得する取得工程と、前記生体音を分類する基準となる複数の基準スペクトルを、前記周波数に関する情報に応じてシフトさせ、周波数シフト基準スペクトルを取得するシフト工程と、前記生体音と前記周波数シフト基準スペクトルとに基づいて、前記生体音に含まれる前記複数の基準スペクトルの割合を出力する出力工程とを備える。

上記課題を解決するためのコンピュータプログラムは、生体音のスペクトルの所定の特徴に対応する周波数に関する情報を取得する取得工程と、前記生体音を分類する基準となる複数の基準スペクトルを、前記周波数に関する情報に応じてシフトさせ、周波数シフト基準スペクトルを取得するシフト工程と、前記生体音と前記周波数シフト基準スペクトルとに基づいて、前記生体音に含まれる前記複数の基準スペクトルの割合を出力する出力工程とをコンピュータに実行させる。

上記課題を解決するための記録媒体は、上述したコンピュータプログラムが記録されている。

本実施例に係る生体音解析装置の全体構成を示すブロック図である。 本実施例に係る生体音解析装置の動作を示すフローチャートである。 捻髪音を含む呼吸音の周波数解析結果を示すスペクトログラム図である。 笛声音を含む呼吸音の周波数解析結果を示すスペクトログラム図である。 捻髪音を含む呼吸音の所定タイミングにおけるスペクトルを示すグラフである。 捻髪音を含む呼吸音のスペクトルの近似方法を示す概念図である。 笛声音を含む呼吸音の所定タイミングにおけるスペクトルを示すグラフである。 笛声音を含む呼吸音のスペクトルの近似方法を示す概念図である。 周波数解析方法の一例を示すグラフである。 周波数解析結果の一例を示す図である。 スペクトルのピーク検出結果を示す概念図である。 正常肺胞呼吸音基底を示すグラフである。 捻髪音基底を示すグラフである。 連続性ラ音基底を示すグラフである。 ホワイトノイズ基底を示すグラフである。 周波数シフトされた連続性ラ音基底を示すグラフである。 スペクトルと、基底及び結合係数との関係を示す図である。 観測されたスペクトル及び近似に用いられる基底の一例を示す図である。 スペクトルを示す各基底及び結合係数を示す図である。 表示部における表示例を示す平面図である。 笛声音の抽出例を示すスペクトログラム図である。

＜１＞
本実施形態に係る生体音解析装置は、生体音のスペクトルの所定の特徴に対応する周波数に関する情報を取得する取得手段と、前記生体音を分類する基準となる複数の基準スペクトルを、前記周波数に関する情報に応じてシフトさせ、周波数シフト基準スペクトルを取得するシフト手段と、前記生体音と前記周波数シフト基準スペクトルとに基づいて、前記生体音に含まれる前記複数の基準スペクトルの割合を出力する出力手段とを備える。

本実施形態に係る生体音解析装置によれば、その動作時には、先ず生体音のスペクトルの所定の特徴に対応する周波数に関する情報が取得される。なお、ここでの「生体音」とは、呼吸音や心拍音、腸音等の生体から発せられる音を意味している。また「所定の特徴」とは、生体音のスペクトルに含まれる音種に応じて特定の周波数に発生する特徴を意味しており、例えば周波数解析された信号に現れるピーク等である。更に、「周波数に関する情報」とは、周波数を直接的に示す情報に限定されず、その周波数を間接的に導き出すことができるような情報を含む趣旨である。

周波数に関する情報が取得されると、生体音を分類する基準となる複数の基準スペクトルが、周波数に関する情報に応じてシフトされ、周波数シフト基準スペクトルが取得される。なお、ここでの「基準スペクトル」とは、生体音に含まれる複数の音種（例えば、正常呼吸音や連続性ラ音、捻髪音等）を分類するために、各音種に応じて予め設定されたスペクトルである。基準スペクトルは、例えば生体音から取得された所定の特徴であるピーク位置等に応じて周波数シフトされ、周波数シフト基準スペクトルとされる。

周波数シフト基準スペクトルが取得されると、生体音と周波数シフト基準スペクトルとに基づいて、生体音に含まれる複数の基準スペクトルの割合が出力される。具体的には、解析対象である生体音に、複数の基準スペクトルに対応する音種がどのような割合で含まれているのかが算出され、その結果が出力される。より具体的には、例えば生体音のスペクトルに対して、複数の基準スペクトルを基底とする演算が実行されることで、基準スペクトルの割合が結合係数として算出される。

以上の結果、本実施形態に係る生体音解析装置によれば、複数の音種を含む生体音を好適に解析できる。本実施形態では特に、複数の音種が同一の周波数軸上で混じり合っている場合においても、各音種の割合を好適に解析できる。

＜２＞
本実施形態に係る生体音解析装置の一態様では、前記生体音は、呼吸音である。

この態様によれば、呼吸音に含まれる複数種類の音種（具体的には、正常呼吸音及び連続性ラ音や捻髪音などの異常呼吸音等）の割合を好適に解析できる。これにより、例えば呼吸音により健康状態を診断する場合等において、より客観的で正確な診断が行える。具体的には、聴診器等で聴いた呼吸音だけで異常呼吸音の有無を診断する場合と比べて、より正確な診断が行える。本態様では特に、混じり合った複数種類の呼吸音を聴き分けるための技術を要しないため、ユーザのスキルによらず、極めて好適に呼吸音の解析が行える。より具体的には、例えば熟練した医師だけでなく、経験の浅い医師や看護師等でも適切に異常呼吸音を判別することが可能となる。

＜３＞
上述した呼吸音を解析する態様では、前記複数の基準スペクトルは、副雑音に対応する基準スペクトルを含んでいてもよい。

この場合、呼吸音に含まれる副雑音（即ち、異常呼吸音）の割合が出力されることになるため、健康状態の診断を好適に行える。なお、基準スペクトルは、複数種類の副雑音に対応する基準スペクトルを含んでいてもよいし、副雑音以外の音種に対応する基準スペクトルを含んでいてもよい。

＜４＞
本実施形態に係る生体音解析装置の他の態様では、前記所定の特徴は、極大値である。

この態様によれば、例えば生体音を示す信号に対して、高速フーリエ変換（ＦＦＴ：Fast Fourier Transform）等による周波数解析が実行され、解析結果の極大値（即ち、ピーク）に対応する周波数に関する情報が取得される。なお、周波数に関する情報は、極大値の位置に対応するものとして取得されるが、極大値の位置と完全に一致する周波数でなくとも、極大値の近傍位置に対応する周波数に関する情報として取得されてもよい。

上述したように、生体音のスペクトルの所定の特徴として極大値を利用することで、より容易且つ的確に周波数に関する情報を取得できる。

＜５＞
本実施形態に係る生体音解析装置の他の態様では、前記出力手段は、非負の近似法を用いて、前記複数の基準スペクトルの割合を算出する。

この態様によれば、複数の基準スペクトルの割合を算出する際に、非負の近似法（即ち、結合係数が負にならない近似法）が用いられる。なお、非負の近似法としては、例えば非負値行列因子分解（ＮＭＦ：Non-negative Matrix Factorization）が挙げられる。

ここで仮に、非負でない（即ち、結合係数が負となり得る近似法）を用いた場合、演算結果によって得られる割合は、各基準スペクトルの割合を示す値とはならないおそれがある。即ち、近似することに関しては適切に行えても、基準スペクトルの成分量を示す値としては不適切な値が算出されてしまうおそれがある。

これに対し、上述した非負の近似法を用いれば、基準スペクトルの成分量を示す値を好適に演算できる。

＜６＞
本実施形態に係る生体音解析装置の他の態様では、前記生体音のスペクトルを、前記複数の基準スペクトルに対応する複数のスペクトルに分離して出力する分離手段を更に備える。

この態様によれば、生体音のスペクトルが、複数の基準スペクトルに対応する複数のスペクトルに分離されて出力される。よって、例えば呼吸音を解析した場合、正常呼吸音と異常呼吸音とを別々に出力することができる。分離された複数のスペクトルは、例えば複数の音声データとして別々に出力可能である。或いは、複数の画像データ（例えば、スペクトルを示す画像）として別々に出力可能とされてもよい。

＜７＞
本実施形態に係る生体音解析方法は、生体音のスペクトルの所定の特徴に対応する周波数に関する情報を取得する取得工程と、前記生体音を分類する基準となる複数の基準スペクトルを、前記周波数に関する情報に応じてシフトさせ、周波数シフト基準スペクトルを取得するシフト工程と、前記生体音と前記周波数シフト基準スペクトルとに基づいて、前記生体音に含まれる前記複数の基準スペクトルの割合を出力する出力工程とを備える。

本実施形態に係る生体音解析方法によれば、上述した本実施形態に係る生体音解析装置と同様に、複数の音種を含む生体音を好適に解析できる。

なお、本実施形態に係る生体音解析方法においても、上述した本実施形態に係る生体音解析装置における各種態様と同様の各種態様を採ることが可能である。

＜８＞
本実施形態に係るコンピュータプログラムは、生体音のスペクトルの所定の特徴に対応する周波数に関する情報を取得する取得工程と、前記生体音を分類する基準となる複数の基準スペクトルを、前記周波数に関する情報に応じてシフトさせ、周波数シフト基準スペクトルを取得するシフト工程と、前記生体音と前記周波数シフト基準スペクトルとに基づいて、前記生体音に含まれる前記複数の基準スペクトルの割合を出力する出力工程とをコンピュータに実行させる。

本実施形態に係るコンピュータプログラムによれば、上述した本実施形態に係る生体音解析方法と同様の処理をコンピュータに実行させることができるため、複数の音種を含む生体音を好適に解析できる。

なお、本実施形態に係るコンピュータプログラムにおいても、上述した本実施形態に係る生体音解析装置における各種態様と同様の各種態様を採ることが可能である。

＜９＞
本実施形態に係る記録媒体は、上述したコンピュータプログラムが記録されている。

本実施形態に係る記録媒体によれば、上述したコンピュータプログラムをコンピュータにより実行させることにより、複数の音種を含む生体音を好適に解析することが可能となる。

本実施形態に係る生体音解析装置及び生体音解析方法、並びにコンピュータプログラム及び記録媒体の作用及び他の利得については、以下に示す実施例において、より詳細に説明する。

以下では、図面を参照して生体音解析装置及び生体音解析方法、並びにコンピュータプログラム及び記録媒体の実施例について詳細に説明する。なお、以下の実施例では、本発明に係る生体音解析装置が、生体の呼吸音を解析する装置に適用される場合について説明する。

＜全体構成＞
先ず、本実施例に係る生体音解析装置の全体構成について、図１を参照して説明する。ここに図１は、本実施例に係る生体音解析装置の全体構成を示すブロック図である。

図１において、本実施例に係る生体音解析装置は、主な構成要素として、生体音センサ１１０と、信号記憶部１２０と、信号処理部１２５と、音声出力部１３０と、基底保持部１４０と、表示部１５０と、処理部２００とを備えて構成されている。

生体音センサ１１０は、生体の呼吸音を検出可能に構成されたセンサである。生体音センサ１１０は、例えばＥＣＭ（Electret Condenser Microphone）やピエゾを利用したマイク、振動センサ等で構成されている。

信号記憶部１２０は、例えばＲＡＭ（Random Access Memory）等のバッファとして構成されており、生体音センサ１１０で検出された呼吸音を示す信号（以下、適宜「呼吸音信号」と称する）を一時的に記憶する。信号記憶部１２０は、記憶した信号を、音声出力部１３０及び処理部２２０に夫々出力可能に構成されている。

信号処理部１２５は、生体音センサ１１０で取得した音を加工して音声出力部１３０に出力する。信号処理部１２５は、例えばイコライザーやフィルターとして機能し、取得した音を人が聴き易い状態に加工する。

音声出力部１３０は、例えばスピーカやヘッドホンとして構成されており、生体音センサ１１０で検出され、信号処理部１２５で加工された呼吸音を出力する。

基底保持部１４０は、例えばＲＯＭ（Read Only Memory）等として構成されており、呼吸音に含まれ得る所定の音種に対応する基底を記憶している。なお、本実施例に係る基底は、本発明の「基準スペクトル」の一例である。

表示部１５０は、例えば液晶モニタ等のディスプレイとして構成されており、処理部２００から出力される画像データを表示する。

処理部２００は、複数の演算回路やメモリ等を含んで構成されている。処理部２００は、周波数解析部２１０、周波数ピーク検出部２２０、基底集合生成部２３０、結合係数算出部２４０、信号強度算出部２５０及び画像生成部２６０を備えている。

処理部２００の各部の動作については後に詳述する。

＜動作説明＞
次に、本実施例に係る生体音解析装置の動作について、図２を参照して説明する。ここに図２は、本実施例に係る生体音解析装置の動作を示すフローチャートである。ここでは、本実施例に係る生体音解析装置が実行する処理の全体的な流れを把握するための簡単な説明を行う。各処理の詳細については、後述する。

図２において、本実施例に係る生体音解析装置の動作時には、先ず生体音センサ１１０において呼吸音が検出され、処理部２００による呼吸音信号の取得が行われる（ステップＳ１０１）。

呼吸音信号が取得されると、周波数解析部２１０において周波数解析（例えば、高速フーリエ変換）が実行される（ステップＳ１０２）。また、周波数ピーク検出部２２０において、周波数解析結果を用いてピーク（極大値）の検出が実行される。

続いて、基底集合生成部２３０において基底集合が生成される（ステップＳ１０３）。具体的には、基底集合生成部２３０は、基底保持部１４０に記憶されている基底を用いて基底集合を生成する。この際、基底集合生成部２３０は、周波数解析結果から得られたピーク位置（即ち、対応する周波数）に基づいて、基底をシフトさせる。

基底集合が生成されると、結合係数算出部２４０において、周波数解析結果及び基底集合に基づく結合係数の算出が実行される（ステップＳ１０４）。

結合係数が算出されると、信号強度算出部２５０において、結合係数に応じた信号強度が算出される（ステップＳ１０５）。言い換えれば、呼吸音信号に含まれる各音種の割合が算出される。

信号強度が算出されると、画像生成部２６０において、信号強度を示す画像データが生成される。生成された画像データは、表示部１５０において解析結果として表示される（ステップＳ１０６）。

その後、解析処理を継続するか否かの判定が実行される（ステップＳ１０７）。解析処理を継続すると判定された場合（ステップＳ１０７：ＹＥＳ）、ステップＳ１０１からの処理が再び実行される。解析処理を継続しないと判定された場合（ステップＳ１０７：ＮＯ）、一連の処理は終了する。

＜呼吸音信号の具体例＞
次に、本実施例に係る生体音解析装置で解析される呼吸音信号の具体例について、図３及び図４を参照して説明する。ここに図３は、捻髪音を含む呼吸音の周波数解析結果を示すスペクトログラム図であり、図４は、笛声音を含む呼吸音の周波数解析結果を示すスペクトログラム図である。

図３に示す例では、正常呼吸音に対応するスペクトログラムパターンに加えて、異常呼吸音の１つである捻髪音に対応するスペクトログラムパターンが観測されている。捻髪音に対応するスペクトログラムパターンは、図中の拡大部分に示すように、菱形に近い形状である。

図４に示す例では、正常呼吸音に対応するスペクトログラムパターンに加えて、異常呼吸音の１つである笛声音に対応するスペクトログラムパターンが観測されている。笛声音に対応するスペクトログラムパターンは、図中の拡大部分に示すように、鳥の首のような形状である。

このように、異常呼吸音には複数の音種が存在し、その音種によって異なる形状のスペクトログラムパターンとして観測される。ただし、図を見ても分かるように、正常呼吸音及び異常呼吸音は互いに混じり合った状態で検出される。本実施例に係る生体音解析装置は、このように混じり合った複数の音種を分離するための解析を実行する。

＜呼吸音信号の近似方法＞
次に、本実施例に係る生体音解析装置による解析方法について、図５から図８を参照して簡単に説明する。ここに図５は、捻髪音を含む呼吸音の所定タイミングにおけるスペクトルを示すグラフであり、図６は、捻髪音を含む呼吸音のスペクトルの近似方法を示す概念図である。また図７は、笛声音を含む呼吸音の所定タイミングにおけるスペクトルを示すグラフであり、図８は、笛声音を含む呼吸音のスペクトルの近似方法を示す概念図である。

図５において、捻髪音を含む呼吸音信号（図３参照）について、捻髪音に対応するスペクトログラムパターンが強く現れているタイミングでスペクトルを抽出すると、図に示すような結果が得られる。このスペクトルは、正常呼吸音と捻髪音とを含んでいると考えられる。

図６において、正常呼吸音に対応するスペクトル及び捻髪音に対応するスペクトルは、予め実験等により推定できる。このため、予め推定したパターンを利用すれば、上述したスペクトルについて、正常呼吸音に対応する成分と捻髪音に対応する成分とがどのような割合で含まれているかを知ることができる。

図７において、笛声音を含む呼吸音信号（図４参照）について、笛声音に対応するスペクトログラムパターンが強く現れているタイミングでスペクトルを抽出すると、図に示すような結果が得られる。このスペクトルは、正常呼吸音と笛声音とを含んでいると考えられる。

図８において、上述した正常呼吸音及び捻髪音と同様に、笛声音に対応するスペクトルについても、予め実験等により推定できる。このため、予め推定したパターンを利用すれば、上述したスペクトルについて、正常呼吸音に対応する成分と笛声音に対応する成分とがどのような割合で含まれているかを知ることができる。

以下では、このような解析を実現するための各処理について、より具体的に説明する。

＜周波数解析＞
呼吸音信号の周波数解析及び解析結果におけるピークの検出について、図９から図１１を参照して詳細に説明する。ここに図９は、周波数解析方法の一例を示すグラフであり、図１０は、周波数解析結果の一例を示す図である。また図１１は、スペクトルのピーク検出結果を示す概念図である。

図９において、取得された呼吸音信号に対しては、先ず周波数解析が実行される。周波数は、高速フーリエ変換等の既存の技術を利用して行うことができる。本実施例では、周波数毎の振幅値（即ち、振幅スペクトル）を周波数解析結果として用いている。なお、データ取得時のサンプリング周波数、窓サイズ、窓関数（例えば、ハニング窓等）については、適宜決定すればよい。

図１０に示すように、周波数解析結果は、ｎ個の値で構成されるものとして得られる。なお、「ｎ」は、周波数解析における窓サイズ等によって決まる値である。

図１１において、周波数解析によって得られたスペクトルについては、ピークの検出が実行される。図に示す例では、１００Ｈｚ、１３０Ｈｚ、１８０Ｈｚ，及び３２０Ｈｚの位置にピークｐ１〜ｐ４が検出されている。なお、ピークの検出処理については、どの周波数にピークが存在するかだけ分かればよいため、簡易的な処理でも構わない。ただし、小さなピークでも取りこぼしがないよう、ピーク検出のパラメータ設定されていることが好ましい。

本実施例では、極大値を取る点を求め、更にその点の２階微分値の小さいもの（即ち、絶対値が大きいもの）から順に最大Ｎ個（Ｎは所定の値）を検出している。極大値は、差分の符号が正から負に切り替わる点から求められる。２階微分値は差分の差分で近似する。この値が所定の閾値（負の値）より小さいものを、小さいものから順に最大Ｎ個選び、その位置を記憶する。

＜基底集合の生成＞
次に、基底集合の生成について、図１２から図１６を参照して詳細に説明する。ここに図１２は、正常肺胞呼吸音基底を示すグラフである。また図１３は、捻髪音基底を示すグラフであり、図１４は、連続性ラ音基底を示すグラフであり、図１５は、ホワイトノイズ基底を示すグラフである。図１６は、周波数シフトされた連続性ラ音基底を示すグラフである。

図１２から図１５に示すように、各音種に対応する基底は、特有の形状を有している。なお、各基底は周波数解析結果と同じｎ個の数値（即ち、周波数ごとの振幅値）で構成されている。なお、各基底は、周波数毎の振幅値を示す線と周波数軸とで囲まれた面積が所定の値（例えば１）になるように正規化されている。

ちなみに、ここでは正常肺胞呼吸音基底、捻髪音基底、連続性ラ音基底、ホワイトノイズ基底の４つの基底を示しているが、１つの基底しかない場合でも解析を実行することができる。また、ここで挙げた基底以外の基底を用いることもできる。なお、ここで挙げた呼吸音に対応する基底に代えて、例えば心拍音や腸音に対応する基底を用いれば、心拍音や腸音の解析を実行することが可能となる。

図１６において、上述した基底のうち連続性ラ音に対応する基底は、周波数解析の結果から検出されたピーク位置に合わせて周波数シフトされる。ここでは、図１１で示したピークｐ１〜ｐ４の各々に合わせて、連続性ラ音基底を周波数シフトさせた例を示している。なお、連続性ラ音に対応する基底以外の基底を周波数シフトさせてもよい。

以上の結果、基底集合は、正常肺胞呼吸音基底、捻髪音基底、ピーク検出個数分の連続性ラ音基底、及びホワイトノイズ基底の集合として生成される。

＜結合係数の算出＞
次に、結合係数の算出について、図１７から図１９を参照して詳細に説明する。ここに図１７は、スペクトルと、基底及び結合係数との関係を示す図であり、図１８は、観測されたスペクトル及び近似に用いられる基底の一例を示す図である。また図１９は、非負値行列因子分解による近似結果を示す図である。

解析対象であるスペクトルｙ、基底ｈ（ｆ）、及び結合係数ｕの関係は、以下の数式（１）で表すことができる。

図１７に示すように、スペクトルｙ及び各基底ｈ（ｆ）は、ｎ個の値を有している。他方、結合係数は、ｍ個の値を有している。なお、「ｍ」は、基底集合に含まれる基底の数である。

本実施例に係る生体音解析装置では、非負値行列因子分解を利用して基底集合に含まれる各基底の結合係数を算出する。具体的には、以下の数式（２）で示される最適化基準関数Ｄを最小化するｕ（ただし、ｕの各成分値は非負）を求めればよい。

なお、一般的な非負値行列因子分解は、基底スペクトルの集合を表す基底行列と、結合係数を表すアクティベーション行列を共に算出する手法であるが、本実施例においては、基底行列を固定して結合係数のみを算出している。

ちなみに、結合係数を算出するための手段として、非負値行列因子分解以外の近似法を用いてもよい。ただし、この場合においても非負であるという条件が望まれる。以下では、非負の近似法を用いる理由について、具体例を挙げて説明する
図１８に示すように、観測されたスペクトルを、基底Ａ〜Ｄの４つの基底で近似して結合係数を算出する場合を考える。なお、非負であることを条件とした場合の期待する結合係数ｕは、基底Ａに対応するものが１、基底Ｂに対応するものが１、基底Ｃに対応するものが０、基底Ｄに対応するもの０である。即ち、非負であることを条件とした場合、観測されたスペクトルは、基底Ａに１を乗じたものと、基底Ｂに１を乗じたものとを足し合わせたスペクトルとして近似される。

一方、非負であることを条件としない場合の期待する結合係数ｕは、基底Ａに対応するものが０、基底Ｂに対応するものが０、基底Ｃに対応するものが１、基底Ｄに対応するものが−０．５である。即ち、非負であることを条件としない場合、観測されたスペクトルは、基底Ｃに１を乗じたものと、基底Ｄに−０．５を乗じたものとを足し合わせたスペクトルとして近似される。

上述した２つの例を比較した場合、非負であることを条件とする場合よりも、非負であることを条件としない場合の方が高い近似精度を得られることがある。しかしながら、ここでの結合係数ｕはスペクトルごとの成分量を表すものであるため、非負の値として得られなければならない。言い換えれば、結合係数ｕが負の値で得られた場合には、成分量としての解釈ができない。これに対し、非負の条件を課して近似を行えば、成分量に対応する結合係数ｕを算出することができる。

図１９において、本実施例に係る生体解析装置では、上述したように、正常肺胞呼吸音基底、捻髪音基底、４つの連続性ラ音基底、及びホワイトノイズ基底からなる基底集合を用いて結合係数ｕを算出するため、結合係数ｕは、ｕ_１からｕ_７の７個の値を有するものとして算出される。

ここで、正常肺胞呼吸音基底に対応する結合係数ｕ_１は、呼吸音に対する正常肺胞呼吸音の割合を示す値であると言える。同様に、捻髪音基底に対応する結合係数ｕ_２、ホワイトノイズ基底に対応する結合係数ｕ_３、１００Ｈｚにシフトした連続性ラ音基底に対応する結合係数ｕ_４、１３０Ｈｚにシフトした連続性ラ音基底に対応する結合係数ｕ_５、１８０Ｈｚにシフトした連続性ラ音基底に対応する結合係数ｕ_６、及び３２０Ｈｚにシフトした連続性ラ音基底に対応する結合係数ｕ_７の各々についても、呼吸音に対する各音種の割合を示す値であると言える。従って、結合係数ｕから各音種の信号強度を算出することができる。

＜解析結果の表示＞
次に、解析結果の表示について、図２０及び図２１を参照して詳細に説明する。ここに図２０は、表示部における表示例を示す平面図である。また図２１は、笛声音の抽出例を示すスペクトログラム図である。

図２０に示すように、解析結果である各音種の強度は、棒グラフとして表示部１５０の表示領域１５５に表示される。ただし、この表示方法は一例であり、他の表示態様で表示を行ってもよい。例えば、各音種の割合（含有比率）を算出して円グラフとして表示してもよい。或いは、各音種の強度を数値化して表示してもよい。

図２１に示すように、スペクトログラムから、所定の音種に対応するパターンだけを抽出して表示することもできる。ここでは、笛声音に対応するパターンだけを抽出した例を示している。

なお、上述した画像としての出力に代えて或いは加えて、音声データによる出力も可能である。具体的には、音種毎に別々に音声を出力することができる。或いは、特定の音種だけを強調して音声を出力することができる。

ちなみに、短時間フーリエ変換（ＳＴＦＴ：Short Time Fourier Transform）のような、ある一定時間ごとに周波数解析を行う手法と組み合わせることで、動的に各タイミングでの解析結果を出力することができる。

また、本実施例では、信号強度を振幅スペクトルに対応するものとして算出しているが、パワースペクトルに対応するように換算処理を行ってもよい。またｄＢ値に換算してもよい。

本発明は、上述した実施形態に限られるものではなく、特許請求の範囲及び明細書全体から読み取れる発明の要旨或いは思想に反しない範囲で適宜変更可能であり、そのような変更を伴う生体音解析装置及び生体音解析方法、並びにコンピュータプログラム及び記録媒体もまた本発明の技術的範囲に含まれるものである。

１１０ 生体音センサ
１２０ 信号記憶部
１２５ 信号処理部
１３０ 音声出力部
１４０ 基底保持部
１５０ 表示部
１５５ 表示領域
２００ 処理部
２１０ 周波数解析部
２２０ 周波数ピーク検出部
２３０ 基底集合生成部
２４０ 結合係数算出部
２５０ 信号強度算出部
２６０ 画像生成部
ｙ スペクトル
ｈ（ｆ） 基底
ｕ 結合係数

Claims (9)

1. 生体音のスペクトルの所定の特徴に対応する周波数に関する情報を取得する取得手段と、
   前記生体音を分類する基準となる複数の基準スペクトルを、前記周波数に関する情報に応じてシフトさせ、周波数シフト基準スペクトルを取得するシフト手段と、
   前記生体音と前記周波数シフト基準スペクトルとに基づいて、前記生体音に含まれる前記複数の基準スペクトルの割合を出力する出力手段と
   を備えることを特徴とする生体音解析装置。
2. 前記生体音は、呼吸音であることを特徴とする請求項１に記載の生体音解析装置。
3. 前記複数の基準スペクトルは、副雑音に対応する基準スペクトルを含むことを特徴とする請求項２に記載の生体音解析装置。
4. 前記出力手段は、非負の近似法を用いて、前記複数の基準スペクトルの割合を算出することを特徴とする請求項１から３のいずれか一項に記載の生体音解析装置。
5. 前記生体音のスペクトルを、前記複数の基準スペクトルに対応する複数のスペクトルに分離して出力する分離手段を更に備えることを特徴とする請求項１から４のいずれか一項に記載の生体音解析装置。
6. 生体音を取得する取得手段と、
   前記生体音に含まれ得る複数音種のそれぞれに対応する基準スペクトルを、前記生体音のスペクトルの所定の特徴に対応する周波数に関する情報に応じてシフトさせて、周波数シフト基準スペクトルを取得するシフト手段と、
   前記生体音と前記周波数シフト基準スペクトルとに基づいて、前記生体音に含まれる前記複数音種のそれぞれの割合を出力する出力手段と
   を備えることを特徴とする生体音解析装置。
7. 生体音のスペクトルの所定の特徴に対応する周波数に関する情報を取得する取得工程と、
   前記生体音を分類する基準となる複数の基準スペクトルを、前記周波数に関する情報に応じてシフトさせ、周波数シフト基準スペクトルを取得するシフト工程と、
   前記生体音と前記周波数シフト基準スペクトルとに基づいて、前記生体音に含まれる前記複数の基準スペクトルの割合を出力する出力工程と
   を備えることを特徴とする生体音解析方法。
8. 生体音のスペクトルの所定の特徴に対応する周波数に関する情報を取得する取得工程と、
   前記生体音を分類する基準となる複数の基準スペクトルを、前記周波数に関する情報に応じてシフトさせ、周波数シフト基準スペクトルを取得するシフト工程と、
   前記生体音と前記周波数シフト基準スペクトルとに基づいて、前記生体音に含まれる前記複数の基準スペクトルの割合を出力する出力工程と
   をコンピュータに実行させることを特徴とするコンピュータプログラム。
9. 請求項８に記載のコンピュータプログラムが記録されていることを特徴とする記録媒体。

Images