JP6439729B2 - 睡眠状態推定装置 - Google Patents

睡眠状態推定装置 Download PDF

Info

Publication number
JP6439729B2
JP6439729B2 JP2016059972A JP2016059972A JP6439729B2 JP 6439729 B2 JP6439729 B2 JP 6439729B2 JP 2016059972 A JP2016059972 A JP 2016059972A JP 2016059972 A JP2016059972 A JP 2016059972A JP 6439729 B2 JP6439729 B2 JP 6439729B2
Authority
JP
Japan
Prior art keywords
sleep
value
sleep stage
subject
stage
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
JP2016059972A
Other languages
English (en)
Other versions
JP2017169884A (ja
Inventor
梶　洋隆
洋隆 梶
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Toyota Motor Corp
Original Assignee
Toyota Motor Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Toyota Motor Corp filed Critical Toyota Motor Corp
Priority to JP2016059972A priority Critical patent/JP6439729B2/ja
Priority to DE102017204628.7A priority patent/DE102017204628B4/de
Priority to US15/464,738 priority patent/US10813583B2/en
Priority to CN201710176863.8A priority patent/CN107440680B/zh
Publication of JP2017169884A publication Critical patent/JP2017169884A/ja
Application granted granted Critical
Publication of JP6439729B2 publication Critical patent/JP6439729B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4806—Sleep evaluation
    • A61B5/4812—Detecting sleep stages or cycles
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/113—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb occurring during breathing
    • A61B5/1135—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb occurring during breathing by monitoring thoracic expansion
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4806—Sleep evaluation
    • A61B5/4809—Sleep detection, i.e. determining whether a subject is asleep or not
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/6802—Sensor mounted on worn items
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/6813—Specially adapted to be attached to a specific body part
    • A61B5/6823—Trunk, e.g., chest, back, abdomen, hip
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6887—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient mounted on external non-worn devices, e.g. non-medical devices
    • A61B5/6892—Mats
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
    • A61B2560/02—Operational features
    • A61B2560/0223—Operational features of calibration, e.g. protocols for calibrating sensors
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
    • A61B2562/02—Details of sensors specially adapted for in-vivo measurements
    • A61B2562/0219—Inertial sensors, e.g. accelerometers, gyroscopes, tilt switches
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
    • A61B2562/02—Details of sensors specially adapted for in-vivo measurements
    • A61B2562/0247—Pressure sensors
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/113—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb occurring during breathing
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • A61B5/7207—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal of noise induced by motion artifacts
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Description

本発明は、人間の睡眠状態を推定する装置に係り、より詳細には、被検者の呼吸波形の計測データ等に基づいて被検者の睡眠段階を推定する装置に係る。
人の睡眠状態（睡眠の深さ）は、健康管理の上で重要な情報となるので、人の睡眠状態を判定する技術が種々提案されている。かかる睡眠状態は、脳波と眼球運動のパターンとによって、例えば、レム睡眠、ノンレム睡眠に於けるステージＩ〜IVといった段階（睡眠段階）に分類できることが知られており、睡眠段階の判定に於いては、原則的には、国際判定基準であるＲ＆Ｋ法に従って、ポリソムノグラフィ（polysomnography，ＰＳＧ）を用いて被検者の脳波、心電位、呼吸、眼電位、あご付近の筋電位が同時に計測され、しかる後、専門家が、かかる計測された一連のデータを参照して３０秒間毎に睡眠段階を決定する（図５（Ａ）参照）。しかしながら、ＰＳＧによる上記の如きデータ計測には、大掛りな設備が必要となるので、ＰＳＧに基づく睡眠段階の判定は、通常、病院などで実施されるものであり、一般の個人が容易に用いることが出来るものではない。そこで、近年、リストバンド型やバンド型の着用可能な圧力センサや加速度センサ（ウェアラブルセンサ）を用いて就寝中又は休息中の被験者の呼吸運動（呼吸に伴う体表面の変位）や体動を計測し、それらの計測データに基づいて被験者が睡眠状態にあるか否か或いはいずれの睡眠段階にあるかを推定するための技術が種々提案されている。
そのような技術としては、例えば、特許文献１、２に於いては、被検者の体に装着され或いは横臥した被検者の体の下に挿入された圧力センサを用いて、被検者の体表面の変位を圧力変化として計測し、その計測された圧力変化の時系列データに於ける波形の特徴に基づいて被検者の睡眠状態を推定する構成が提案されている。これらの文献の場合、概して述べれば、計測された圧力の時系列データに於ける波形の振幅が相対的に大きくなった領域で被検者の体動があったものと推定し、体動が検出される領域或いは体動が所定時間を越えた場合などに被検者が覚醒状態にある、といった判定が行われる。また、非特許文献１に於いては、被検者に対して、その心拍、呼吸運動、加速度、温度をそれぞれ計測するセンサが組み込まれたセンサ装置を装着し、そこで得られた各計測値の特徴量をニューラルネットワークに入力し、覚醒状態と睡眠状態とを判別する試みが開示されている。この文献に於いては、加速度センサ（アクチグラフ）によって計測される体動が小さいときに心拍と呼吸運動を参照することで、被検者が覚醒状態に有る場合の検出精度を向上させることが記載されている。
特開２００６−２０８１０ 特開２００６−２８０６８６
Proc. IEEE EMBC ２００８年 ５２６２−５２６５頁（Walter Karlen，Claudio Mattiussi，Dario Floreano． Improving Actigraph Sleep/Wake Classification with Cardio-Respiratory Signals, Proc. IEEE EMBC2008 p.5262-6265） プロセィーディングス・オブ・インターナショナル・ワークショップ・オン・スタティスティカル・マシン・ラーニング・フォー・スピーチ・プロセッセィング ２０１２年 １−１０頁（Sugiyama et al.，"LEAST-SQUARES PROBABILISTIC CLASSIFIER: A COMPUTATIONALLY EFFICIENT ALTERNATIVE TO KERNEL LOGISTIC REGRESSION" Proceedings of International Workshop on Statistical Machine Learning for Speech Processing (IWSML2012), pp.1-10, Kyoto, Japan, March 31,2012.）
上記の如きウェアラブルセンサを用いた技術によれば、ＰＳＧによらずに、人の呼吸状態や体動についての計測データに基づいて、或る程度の精度にて、人の睡眠状態を推定することが可能となっている。しかしながら、圧力センサで得られる被検者の呼吸運動に伴う体表面の変位による圧力変化の時系列データに於ける波形（以下、「呼吸波形」と称する。）や加速度センサ等で得られる被検者の体動に伴う加速度と、睡眠状態及び／又は睡眠段階との対応関係は、複雑であり、或る一つの呼吸波形又は体動に於ける特徴量が所定の閾値を超えたか否かなどによって、睡眠状態又は睡眠段階を精度良く推定することは困難である。例えば、被検者に於いて、大きな体動の出現或いは大きな体動の所定時間以上に亘る継続が検出された場合、被検者が覚醒状態にある可能性は高いが、睡眠状態にあってもそのような体動が出現することもあり、逆に、そのような大きな体動が無くても被検者が覚醒状態にあることもある。また、同様に、被検者の状態が睡眠状態に於ける複数の睡眠段階のうちのいずれの段階に在るかを判定する場合に於いても、計測データから抽出される或る一つの特徴量の値と所定の閾値との大小関係によって精度良く被検者の睡眠段階を特定することは困難である。更に、ウェアラブルセンサにより得られる計測データ（信号）には、ノイズが比較的多く、計測データから抽出される特徴量が少数である場合、ノイズによる影響を受けて、判定結果（推定結果）が安定しない場合が起き得る。
かくして、本発明の一つの課題は、上記の如き従前の技術の状況を鑑み、ウェアラブルセンサを用いて計測される人の呼吸運動や体動についての計測データから抽出される特徴量に基づいて、人の睡眠状態及び／又は睡眠段階を推定する装置に於いて、更に精度の良い睡眠状態及び／又は睡眠段階の推定結果の得られる装置を提供することである。なお、既に述べた如く、睡眠段階の判定は、国際判定基準に基づき、ＰＳＧの計測を通じて為されるので、呼吸運動や体動に基づく睡眠段階の判定は、睡眠段階の推定となる。従って、本発明の装置の説明に於いて、「睡眠段階の判定」という場合には、特に断らない限り、「睡眠段階の推定」と同義である。また、「睡眠状態」、「睡眠段階」という場合、特に断らない限り、被検者が覚醒している状態（覚醒状態、覚醒段階）も含むものとする。
本発明によれば、上記の課題は、睡眠状態推定装置であって、被検者の呼吸運動状態を表す呼吸運動指標値を時系列に計測する呼吸運動計測手段と、呼吸運動状態の計測と伴に被検者の体動状態を表す体動指標値を時系列に計測する体動計測手段と、計測された呼吸運動指標値の時系列データから呼吸運動特徴量を抽出する呼吸運動特徴量抽出手段と、計測された体動指標値の時系列データから体動特徴量を抽出する体動特徴量抽出手段と、呼吸運動特徴量と体動特徴量とを変数として睡眠状態関数により算出される睡眠状態値に基づいて、被検者の睡眠状態が、覚醒段階を含む睡眠状態に於ける複数の睡眠段階のうちのいずれに属するかを判定する睡眠段階判定手段とを含み、睡眠状態関数が、校正用の睡眠状態の計測による睡眠段階の判定結果と、これと伴に計測された呼吸運動指標値及び体動指標値からそれぞれ抽出された呼吸運動特徴量及び体動特徴量とから構成されるデータ群を教師データとして用いた学習処理によって調製された関数である装置によって達成される。
上記の構成に於いて、「呼吸運動指標値」とは、呼吸運動、即ち、被検者の呼吸に伴う胸部及び／又は腹部の収縮・膨張運動の状態を表す指標値であり、典型的には、被検者の呼吸運動に伴う体表面の変位によって変化する圧力であってよい。従って、「呼吸運動計測手段」は、被検者の胸部又は腹部に装着又は接触された圧力センサを含み、呼吸運動指標値が圧力センサによって計測される被検者の呼吸運動に伴う体表面の変位によって変化する圧力値であってよい。呼吸運動指標値は、上記の如く、時系列に計測され、典型的には、時系列の圧力の変化を表すデータとして得られ、この場合、かかる圧力変化の波形が「呼吸波形」となる。「体動指標値」は、被検者の体動、即ち、身体及び／又はその一部の運動（位置・向きの変化）を表す指標値である。かかる体動は、任意の手法により検出されてよいところ、本発明の実施の形態に於いては、「体動指標値」は、被検者の体動に伴って変化する加速度値であってよい。従って、「体動計測手段」は、被検者の身体に装着又は接触された加速度センサを含み、体動指標値が加速度センサによって計測される被検者の体動に伴って変化する加速度値であってよい。なお、体動指標値の計測に加速度センサを採用することによれば、単に体動の有無だけでなく、体動の大きさも計測でき、睡眠状態を詳細に推定する際に利用可能な情報が得られる点で有利である。また、かかる加速度センサとしては、任意の方向の体動が検出できるように、互いに独立な３軸方向の加速度を計測可能なセンサが採用されてよい。
また、上記の構成に於いて、「呼吸運動特徴量」と「体動特徴量」とは、それぞれ、「呼吸運動指標値」と「体動指標値」との時系列データから抽出される被検者の睡眠状態と相関を有することが確認されている任意の量であってよい。典型的には、「呼吸運動特徴量」と「体動特徴量」とは、「呼吸運動指標値」と「体動指標値」の瞬時値ではなく、所定の時間間隔（エポック）に亘る時系列の計測値の統計量となる。従って、呼吸運動特徴量抽出手段及び体動特徴量抽出手段は、それぞれ、呼吸運動特徴量と体動特徴量とをエポック毎に抽出し、睡眠段階判定手段は、エポック毎に被検者の睡眠段階を判定するよう構成されていてよい。被検者の睡眠状態と相関のある具体例としては、本発明の実施形態に於いては、呼吸運動特徴量として、呼吸運動指標値の時系列の計測データに於けるエポック毎の「平均呼吸数」、「呼吸変動係数」、「振幅振動係数」及び「自己相関ピーク比」と称される値の組が有利に採用され、体動特徴量としては、体動指標値の時系列の計測データに於けるエポック毎の「加速度差分ノルム」と称される値の最大値が有利に採用できることが見出されている（これらそれぞれの値の定義は、後述の実施形態の欄に於いて説明される。）。また、更に、上記のエポック毎の「平均呼吸数」、「呼吸変動係数」、「振幅振動係数」、「自己相関ピーク比」及び「加速度差分ノルムの最大値」に於いて、それぞれから、それぞれの１回の睡眠状態推定の実行に於ける中央値を差し引いて得られた値（特徴量の正規化）が、より有利に「呼吸運動特徴量」と「体動特徴量」として採用できることが見出されている。なお、「呼吸運動特徴量」と「体動特徴量」のそれぞれについて、上記に列記した特徴量以外の量が含まれていてよい。その場合も、計測データからエポック毎に得られた特徴量の値から、かかる特徴量の値の１回の睡眠状態推定の実行に於ける中央値を差し引いて得られた値が「呼吸運動特徴量」及び「体動特徴量」として用いられてよい。上記の如く、睡眠段階の判定で参照される特徴量として、従前の同様の装置の場合と比べると、比較的多い数の量（例えば、５つ以上の量）が用いられる場合には、計測データに於けるノイズの影響を受け難く、判定結果が安定することが期待される。
更に、「睡眠状態関数」とは、上記の如く、「呼吸運動特徴量」と「体動特徴量」との両方を変数として算出される関数であって、学習用データ、即ち、「校正用の睡眠状態の計測による睡眠段階の判定結果と、これと伴に計測された呼吸運動指標値及び体動指標値からそれぞれ抽出された呼吸運動特徴量及び体動特徴量とから構成されるデータ群」を教師データとして用いた学習処理によって調製された関数である。ここで、「校正用の睡眠状態の計測」とは、本発明の装置に於いて正しい睡眠段階の判定結果であると許容される結果を与える計測であり、典型的には、ＰＳＧによる計測であるが、これに限定されない。そして、ここに於いて「学習処理」とは、或る「呼吸運動特徴量」と「体動特徴量」とが変数として得られた場合に、その際の被検者の睡眠状態が覚醒段階を含む睡眠状態に於ける複数の睡眠段階のうちのいずれに属するかを、できるだけ精度良く判定できるように「睡眠状態関数」を調製する任意の処理であってよい。より詳細には、「学習処理」は、「呼吸運動特徴量」と「体動特徴量」とを変数として「睡眠状態関数」へ入力した場合に算出される「睡眠状態値」を参照して、できるだけ正確な睡眠段階の判定が可能となるように、睡眠状態関数に含まれる係数パラメータを設定又は探索する処理であってよい。
上記の本発明の装置によれば、端的に述べれば、呼吸運動特徴量と体動特徴量とを変数として、学習処理によって（できるだけ精度良く睡眠段階の判定が可能となるように）調製された睡眠状態関数によって算出される睡眠状態値に基づいて、被検者の睡眠段階の判定が為されることとなる。即ち、従前の如く、呼吸運動特徴量と体動特徴量とを別々に参照して、順番に、被検者の睡眠状態が複数の睡眠段階のうちのいずれの段階に属するかを判定していくのではなく、呼吸運動特徴量と体動特徴量とを合わせて統合的に睡眠状態関数により睡眠状態値を算出し、その睡眠状態値に基づいて、被検者の睡眠段階を判定することとなる。かかる構成によれば、一つの特徴量とそれに対応する閾値との大小関係によって睡眠段階が判定されるといったことがなくなり、例えば、体動が在っても睡眠状態（覚醒状態ではない）にある場合或いは体動がなくても覚醒状態にある場合なども、精度良く検出できることが期待される。また、一つの特徴量の増減が必ずしも睡眠段階の遷移に一対一に対応していない場合であっても、本発明の構成の場合には、全ての特徴量を統合的に評価できることとなるので、睡眠段階を従前に比して精度良く判定可能となることが期待される。
上記の本発明の構成の実施形態に於いて、呼吸運動特徴量と体動特徴量とを変数として睡眠状態関数により算出される睡眠状態値は、より具体的には、複数の睡眠段階の各々について算出される睡眠状態値であって、呼吸運動特徴量と体動特徴量とが得られた状態に於いて被検者の睡眠状態が各々の睡眠段階に属している確率を表す睡眠段階出現確率であってよく、睡眠段階判定手段は、複数の睡眠段階のうち、呼吸運動特徴量と体動特徴量とから決定される睡眠段階出現確率の最も高い段階を被検者の睡眠状態として判定するよう構成されていてよい。既に述べた如く、呼吸運動特徴量と体動特徴量と睡眠状態又は睡眠段階との対応関係は複雑であり、或る限られた数の呼吸運動特徴量と体動特徴量とが得られた場合に、その状態に於ける被検者の睡眠状態を、１００％の精度で、一つの睡眠段階に特定することは困難な場合が多い。むしろ、呼吸運動特徴量と体動特徴量とで特定される或る状態に於いては、被検者の睡眠状態が睡眠段階の各々である可能性が存在する。また、国際判定基準に於いては、人の睡眠状態に（離散的に）段階が設定されているところ、実際の人の睡眠状態の遷移は連続的であり、段階が明確に判定できない場合も有り得るであろう。
そこで、本発明の実施形態に於いては、上記の如く、或る呼吸運動特徴量と体動特徴量とが得られた場合に、その際に於ける被検者の睡眠状態が、複数の睡眠段階の各々である場合の確率（睡眠段階出現確率）が算出され、しかる後、それらの複数の睡眠段階の各々に於ける睡眠段階出現確率のうち、最も確率の高い段階を、その際の被検者の睡眠状態として判定されるようになっていてよい。即ち、或る呼吸運動特徴量と体動特徴量で特定される状態に於いて、最も確からしい睡眠段階が、その状態に於ける睡眠段階の推定結果として出力される。かかる構成によれば、装置の推定結果として、一つの睡眠段階が示される一方、その推定結果の確からしさも把握できることとなる。この点に関し、場合によっては、算出された複数の睡眠段階の各々に於ける睡眠段階出現確率のうちの最大値が特定できるが、その値があまり高くない場合が起き得る（例えば、睡眠段階の遷移過程に於いては、一つの睡眠段階の出現確率が相対的に突出しない場合も起き得る。）。そのような場合、被検者の睡眠状態を敢えて一つの睡眠段階に特定してしまうと、反って推定精度の悪化となり得る。そこで、上記の本発明の装置に於いて、睡眠段階判定手段は、睡眠段階出現確率の最も高い睡眠段階の睡眠段階出現確率が所定値を超えないときには、被検者の睡眠状態が不明と判定するよう構成されていてよい。なお、複数の睡眠段階のうちのノンレム睡眠の段階の睡眠段階出現確率の合計値は、ノンレム睡眠の段階の出現確率を表すので、かかる合計値が大きくなったときは、被検者が入眠した判定可能である。従って、睡眠段階判定手段は、複数の睡眠段階のうちのノンレム睡眠の段階の睡眠段階出現確率の合計値に基づいて、被検者の入眠時刻を推定するよう構成されていてよい。
上記の如く、呼吸運動特徴量と体動特徴量とを変数として睡眠状態関数により、睡眠状態値として、複数の睡眠段階の各々についての睡眠段階出現確率を算出し、最も確率の高い段階をその際の被検者の睡眠状態として判定する構成に於いて、睡眠状態関数を調製するための学習処理の手法としては、最小二乗確率的分類器の理論（非特許文献２）が好適に利用可能である。従って、上記の本発明の構成に於いて、睡眠状態関数の調製は、後の実施形態の欄に於いてより詳細に説明される如く、教師用データを用いた最小二乗確率的分類器の理論に従って実行されてよい。最小二乗確率的分類器に於いては、端的に述べれば、変数で張られた空間内で、教師用データの各点の周囲に於いて、任意の点の、教師用データの各点までの距離が近いほど値が大きくなる形式の分布関数を設定される。かかる分布関数は、教師用データの各点の表す状態との類似の度合を表す関数に相当し、学習処理に於いては、分布関数の係数パラメータが設定されることとなる。睡眠状態関数についての学習処理は、本発明の装置による実際に被検者の睡眠状態の推定を行う前に、事前に（例えば、装置の出荷前など）実行され、睡眠状態関数で使用される係数パラメータは、装置のメモリ等に予め記憶される。
上記の本発明の構成の実施形態に於いては、既に述べた如く、典型的には、呼吸運動特徴量と体動特徴量とから得られる睡眠段階の判定結果は、エポック毎に出力される。しかしながら、かかるエポック毎に本発明の装置にて出力される睡眠段階の判定結果に於ける睡眠状態の遷移は、しばしば、実際の被検者の睡眠状態の遷移よりもやや激しく或いは不自然に出現することがある。そこで、睡眠段階判定手段は、エポック毎に判定された時系列の睡眠段階に対してメディアンフィルタ処理を実行して、得られた睡眠段階を最終的な各エポックの睡眠段階として決定するよう構成されていてよい。
更に、上記の本発明の構成の実施形態に於いて、圧力センサによって計測された時系列の圧力値データには、被検者の呼吸運動に伴う体表面の変位に伴う圧力変化以外の要因によるノイズ成分が含まれており、これらのノイズ成分を含んだままの圧力値データから抽出された呼吸運動特徴量を使用すると、睡眠段階の判定精度が低下するおそれがある。そこで、上記の本発明の装置に於いて、圧力センサによって計測された時系列の圧力値データから被検者の呼吸運動に伴う体表面の変位に伴う圧力変化の成分の時系列のデータを抽出する手段（フィルタ手段）が設けられ、呼吸運動特徴量抽出手段は、抽出された圧力変化の成分の時系列のデータから呼吸運動特徴量を抽出するよう構成されていてよい。フィルタ手段は、実施の形態に於いて、０．１Ｈｚ〜０．５Ｈｚの帯域の成分を抽出するバンドパスフィルタ、移動平均フィルタ、ローパスフィルタを適用し、更に波形の差分を演算する演算フィルタであってよい。
ところで、一般に、睡眠状態に於いて各睡眠段階が出現する可能性は、睡眠状態の経過時間や被検者の年齢によって変化することが知られている。例えば、深い睡眠の段階は、睡眠の初期に出現しやすく、時間の経過と伴に出現頻度が低下するなどのことが分っている。また、深い睡眠の段階は、年齢が高くなると伴に、出現頻度が低下するなどのことも分っている。そこで、上記の本発明の装置に於いては、できるだけ、正しい推定結果が得られるように、睡眠段階判定手段は、複数の睡眠段階のうち、睡眠経過時間の長さに応じて及び／又は被検者の年齢に応じて出現しやすい睡眠段階に被検者の睡眠状態が属しているとの判定を出力し易くなるよう構成されていてよい。特に、睡眠段階判定手段が複数の睡眠段階のうち、呼吸運動特徴量と体動特徴量とから決定される睡眠段階出現確率の最も高い段階を被検者の睡眠状態として判定するよう構成されている場合には、睡眠段階判定手段が、睡眠経過時間の長さ及び／又は被検者の年齢に応じた複数の睡眠段階の各々の出現しやすさに対応して複数の睡眠段階の各々の睡眠段階出現確率に重みを乗算し、重みが乗算された睡眠段階出現確率の最も高い段階を被検者の睡眠状態として判定するよう構成されてよい。
上記の本発明の装置の実施の形態に於いて、典型的には、装置は、被検者の身体に装着可能であり、携帯可能な筐体に収納されている装置として構成される。しかしながら、例えば、睡眠段階判定手段が被検者の身体に装着された筐体とは別の演算処理装置又はコンピュータに構成され、呼吸運動指標値及び体動指標値の計測まで、或いは、呼吸運動特徴量及び体動特徴量の抽出まで、被検者の身体に装着された筐体内で実行し、これらの値を演算処理装置又はコンピュータ装置へ転送して、そこで、睡眠段階判定が実行されるようになっていてもよい。
かくして、上記の本発明によれば、既に触れた如く、呼吸運動特徴量と体動特徴量とを変数として算出される睡眠状態値を参照して睡眠段階の判定が実行されることとなるので、被検者の呼吸運動状態と体動状態とに於いて、或る有意な変化があったというだけで、或る一つの睡眠段階に特定するのではなく（例えば、単に有意な体動が検出されたというだけで、覚醒段階と推定するのではなく）、その他の状態を総合的に或いは統合的に評価して睡眠段階の判定が為されることとなる。従って、例えば、従前のいくつかの装置の如く、呼吸運動特徴量と体動特徴量とを別々に参照して、順番に、被検者の睡眠状態が複数の睡眠段階のうちのいずれの段階に属するかを判定していく構成に比して、睡眠段階の推定結果がより的確となること（誤判定が低減されること）が期待される。本発明の装置は、被計測者の胸部又は腹部に装着される構成にて達成可能であるので、大規模に設備を要せず、家庭用又は車内用の装置として利用可能である。
本発明のその他の目的及び利点は、以下の本発明の好ましい実施形態の説明により明らかになるであろう。
図１（Ａ）は、被検者の胸部又は腹部に装着される本発明による睡眠状態推定装置の実施形態を模式的に表した図であり、同右図は、睡眠状態推定装置の内部の構成をブロック図の形式で表した図である。図１（Ｂ）は、本発明による睡眠状態推定装置の別の実施形態を模式的に表した図であり、睡眠状態の判定のため演算処理の一部を外部のコンピュータ装置で実行する場合を示している。 図２（Ａ）は、本発明による睡眠状態推定装置の実施形態に於ける信号処理のタイミングを説明する図である。図２（Ｂ）は、本発明による睡眠状態推定装置の実施形態に於いて得られる呼吸波形データ（呼吸運動指標値の時系列データ）であり、睡眠状態の判定に使用される呼吸運動特徴量の定義を説明する図である。図２（Ｃ）は、本発明による睡眠状態推定装置の実施形態に於いて得られる加速度値（体動指標値）から算出される加速度差分ノルムの時系列データである。 図３（Ａ）は、本発明による睡眠状態推定装置の実施形態に於ける睡眠状態の判定に使用される睡眠状態関数の原理を説明する模式図であり、教師用データのデータ点（教師用データ点xti）に対して設定される分布関数（任意の点（特徴量xai）状態と教師用データ点の状態の近似の度合を表す関数）が描かれている。図３（Ｂ）は、或る特徴量ベクトル（呼吸運動特徴量と体動特徴量との組）が与えられた場合に算出される睡眠状態に於ける複数の睡眠段階の各々の出現確率を示しており、最も高い確率が所定の閾値を超えている状態を示している。図３（Ｃ）は、図３（Ｂ）と同様の図であって、最も高い確率の値も所定の閾値を超えず、睡眠段階が不明と判定される場合を示している。 図４（Ａ）は、本発明による睡眠状態推定装置の実施形態に於ける計測から睡眠状態の判定までの処理過程をフローチャートの形式にて表した図である。図４（Ｂ）は、図４（Ａ）のステップ２２の睡眠段階の判定の処理過程をフローチャートの形式にて表した図である。 図５は、或る被検者に対して行われた睡眠状態の判定の結果の例を示した図であり、（Ａ）は、ＰＳＧを用いた睡眠状態の判定結果であり、（Ｂ）は、本発明による睡眠状態推定装置の実施形態による睡眠状態の判定結果である。（Ｃ）は、比較例であり、睡眠状態の判定に於いて、体動特徴量を用いずに、呼吸特徴量のみを用いて睡眠状態の判定を行った結果である。
１…睡眠状態推定装置
２…コンピュータ端末
３…モニター
４…キーボード、マウス（入力装置）
５…通信器
装置の構成
図１（Ａ）を参照して、本発明の実施形態による睡眠状態推定装置１は、図示の如く、被検者Ｐの胸部又は腹部に装着可能な（ウェアラブルな）筐体を有し、かかる筐体内に睡眠状態の推定に必要な各部が収容された形態となっていてよい。装置１の筐体内に於いては、図１（Ａ）右図にブロック図の形式にて描かれている如く、被検者の呼吸運動に伴う体表面の変位によって変化する圧力を計測する圧力センサと、被検者の体動に伴って変化する加速度値を計測する加速度センサと、これらのセンサの出力を受容して、後に述べる態様にて被検者の睡眠状態の判定を行う演算部と、演算部の出力値及び／又は装置の作動状況を表示するディスプレイと、演算部の出力値を外部の装置又は設備へ送信する通信部と、被検者又は使用者による装置に対する指示・操作を受容する操作パネルとが設けられてよい。
圧力センサは、この分野に於いて、呼吸波形データを計測するために使用される任意の、例えば、ピエゾ素子を用いたセンサであってよく、被検者の呼吸運動に伴う胸部又は腹部の収縮・膨張による体表面の変位を圧力値として計測する。この点に関し、呼吸運動に伴う体表面の変位を圧力値の変化として計測する必要があるので、圧力センサは、バンド又はベルト等により、呼吸運動の妨げにならない程度にて、被検者の体表面に対して押圧される。加速度センサは、上記の如く被検者の体動により変化する加速度値を計測するセンサであるところ、体動の向きは、任意の方向であるので、３軸加速度センサが用いられてよい。
睡眠状態の計測中に於いて、圧力センサにて計測された圧力値と加速度センサにて計測された加速度値は、それぞれ、逐次的に演算部へ与えられ、ここに於いて、圧力値及び加速度値に基づいて、後に述べる態様の一連の演算処理を経て、睡眠段階の判定が実行されることとなる。演算部は、マイクロコンピュータ、メモリ又はフラッシュメモリ等を含む通常の小型のコンピュータ装置であってよい。特に、本実施形態の睡眠状態推定装置の場合には、演算部に於いては、圧力センサからの時系列の圧力値のデータから被検者の呼吸運動に伴う体表面の変位に伴う圧力変化の帯域の成分を抽出するためのフィルタ部と、後に詳細に説明される態様にて、圧力値及び加速度値の時系列データ、即ち、呼吸運動指標値及び体動指標値の時系列データから呼吸状態特徴量及び体動特徴量を抽出する特徴量算出部と、呼吸状態特徴量と体動特徴量とに用いて睡眠状態値を算出し、更に、睡眠状態値に基づいて睡眠段階の推定を行う睡眠段階判定部と、呼吸状態特徴量、体動特徴量、睡眠段階の推定結果等を記憶するメモリ部とが構成される。また、演算部には、操作パネルからの入力が与えられ、被検者又は使用者による睡眠状態の計測の開始・終了の指示又はその他に任意の指示が操作パネルに於ける操作を通じて、演算部へ入力されるようになっていてよい。そして、演算部によって与えられる睡眠段階の判定結果、各センサの出力値、一連の演算処理に於いて得られる中間値及びその他の情報は、演算部に接続されたディプレイに表示されてよく、或いは、通信部を通じて、外部のコンピュータ装置又は設備へ送信されるようになっていてよい。なお、呼吸状態特徴量、体動特徴量、睡眠段階の推定結果等も時系列のデータとなるので、比較的小型な筐体１上にて表示しようとすると、使用者又は被検者が視覚的にデータを確認することが煩わしい場合がある。従って、呼吸状態特徴量、体動特徴量、睡眠段階の推定結果等は、筐体１に於いては表示せずに、外部のコンピュータ装置又は設備にて、表示又は印刷されるようになっていてよい。その場合、呼吸状態特徴量、体動特徴量、睡眠段階の推定結果等の表示のためのディスプレイは設けられなくてもよい。装置内の演算部及びその他の各部の作動は、メモリに記憶されたプログラムに従った作動により、実現されることは理解されるべきである。
更に、本発明による睡眠状態推定装置の別の態様として、図１（Ｂ）に模式的に描かれている如く、上記の装置のうちの各センサのみ、各センサからフィルタ部まで、或いは、各センサから特徴量算出部までがウェアラブルな筐体１’内に収容され、その他の演算処理が筐体１’とは別体のコンピュータ装置２により実行されるようになっていてもよい。コンピュータ装置２は、通常の態様にて、モニター３、キーボード並びにマウスといった入力装置４、更に、筐体１’から送信される信号を受容する通信器５が設けられた装置であってよい。この場合、被検者にて得られた圧力値（或いはフィルタ処理された圧力値）及び加速度値、或いは、呼吸状態特徴量及び体動特徴量を表す信号が筐体１’内の通信部から通信器５を通じてコンピュータ装置２内へ取り込まれ、睡眠段階の判定のための一連の演算処理が実行されてよい。
装置の作動
（ｉ）作動の概要
本発明の実施形態による睡眠状態推定装置１に於いては、「発明の概要」の欄に於いて述べた如く、端的に述べれば、被検者の身体上に於ける計測によって得られる呼吸運動指標値と体動指標値のそれぞれの時系列データから、所定の時間間隔にて、睡眠状態に相関がある呼吸運動特徴量と体動特徴量とを抽出し、抽出された呼吸運動特徴量と体動特徴量とを変数として睡眠状態関数を用いて睡眠状態値を算出し、かかる睡眠状態値に基づいて、前記の所定の時間間隔毎の被検者の睡眠段階の判定が為される。かかる構成に於いて、特に、本実施形態に於いては、睡眠状態関数を用いて算出される睡眠状態値として、或る呼吸運動特徴量と体動特徴量の組に対して、まず、それらの特徴量の組が与えられた場合に睡眠状態に於ける複数の睡眠段階の各々が出現する確率（出現確率）が算出され、原則として、それらの出現確率のうちで最も高い値を有する睡眠段階が、その呼吸運動特徴量と体動特徴量の組が得られた際の被検者の睡眠段階として判定される。また、上記の睡眠状態値を与える睡眠状態関数は、既に述べた如く、ＰＳＧによる計測などの、より正確に睡眠段階が判定される計測による睡眠段階の判定結果と、これと伴に計測された圧力値（呼吸運動指標値）及び加速度値（体動指標値）からそれぞれ抽出された呼吸運動特徴量及び体動特徴量とから構成されるデータ群を教師データとして用いた学習処理によって、できるだけ精度良く被検者の睡眠段階を判定できるように、予め調製された関数であり、特に、本実施形態に於いては、最小二乗確率的分類器の理論（非特許文献２）に従って、学習処理が実行される。
かかる本発明の装置の作動によれば、まず、呼吸運動特徴量と体動特徴量とを変数とした睡眠状態関数によって算出された睡眠状態値に基づいて睡眠段階の判定が為されることとなるので、一つの特徴量の大小又は増減を参照することによって睡眠段階の判定が為されるのではなく、呼吸運動特徴量と体動特徴量とを統合的に参照することによって、特徴量と睡眠段階との対応関係が複雑である状況に於いて、より的確に睡眠段階の判定が為されることが期待される。また、上記の構成の場合、或る呼吸運動特徴量と体動特徴量とが与えられた場合に、直接的に一つの睡眠段階が特定されるのではなく、まず、複数の睡眠段階の各々の出現確率が算出され、それらの出現確率、即ち、それぞれの段階の出現のし易さ、換言すると、或る睡眠段階が出現したと判定した場合のその判定の確からしさが評価できる点で有用である。以下、呼吸運動指標値と体動指標値の計測から睡眠段階の判定までの各処理と、そこに於いて使用される睡眠状態関数の学習処理とを説明する。
（１）睡眠段階の判定の処理のタイミング
一般的に、睡眠段階の判定に於いては、被検者に於いて計測されるデータが逐次的に得られるところ、睡眠段階の判定に使用するデータ内の特徴量（睡眠段階に相関のある量）としては、時系列の計測値データに於ける所定時間間隔（エポック）毎の統計量が採用される。この点については、本実施形態の睡眠段階の判定に於いても同様であってよい。具体的には、例えば、図２（Ａ）に模式的に描かれている如く、時系列に計測される呼吸運動指標値（圧力値）と体動指標値（加速度値）とのデータ（信号）に於いて、呼吸運動特徴量と体動特徴量とは、エポック毎に算出される。なお、一つのエポックは、図示の如く、前後のエポックと時間軸に沿って重複されていてよい（重複していなくてもよい。）。図の例の場合、一つのエポックは、６０秒であるが、前後のエポックとそれぞれ３０秒ずつ重複しているので、呼吸運動特徴量と体動特徴量は、３０秒間隔の時点（Ｃｔ１、Ｃｔ２、…）にて算出される。睡眠段階の判定も、本実施形態の場合には、呼吸運動特徴量と体動特徴量の算出の時点毎に為されて良く（なお、異なるタイミングであってもよいことは理解されるべきである。）、従って、エポック毎の判定結果は、エポックの終了時点毎に出力される。
（２）呼吸運動特徴量と体動特徴量の算出
本発明の発明者等による実験と検討によれば、睡眠段階に相関のある特徴量として、下記のエポック毎に算出される呼吸運動特徴量と体動特徴量とが有利に用いられることが見出された。
（ｉ）呼吸運動特徴量としては、時系列の圧力データに於ける呼吸波形から抽出される４つの特徴量「平均呼吸数」、「呼吸変動係数」、「振幅振動係数」及び「自己相関ピーク比」が有利に用いられる。なお、既に触れた如く、圧力センサからの出力に於いては、呼吸運動に伴う体表面の変位による圧力変化以外の変動成分が含まれているので、呼吸運動特徴量の抽出に先立って、まず、フィルタ部により、呼吸運動に伴う体表面の変位による圧力変化の帯域の成分の抽出（フィルタ処理）が為され、以下の呼吸運動特徴量は、フィルタ処理後の圧力データ（呼吸波形データ）に於いて抽出される。各特徴量の定義は、下記の通りである（図２（Ｂ）参照）。なお、平均値、標準偏差は、エポック内の値の平均値、標準偏差である。
（ａ）平均呼吸数＝６０［秒］／呼吸波形ピーク間隔の平均値［秒］
：呼吸波形データに於いて、ピーク間隔Ｒｗ［秒］は、１回の呼吸に要する時間となるので、ピーク間隔Ｒｗであったときの１分間当たりの呼吸数は、６０／Ｒｗとなる（以下、単に「呼吸数」と称する。）。そこで、ここでは、エポック内の呼吸数の平均値を、６０／（１回の呼吸に要する時間の平均値）により算出する。
（ｂ）呼吸変動係数＝呼吸数の標準偏差／平均呼吸数
：呼吸数の標準偏差は、呼吸数６０／Ｒｗのエポック内の標準偏差である。
（ｃ）振幅振動係数＝振幅の標準偏差／平均振幅
：振幅は、図示の如く、上側のピークと下側のピークとの差分Ｒａであり、平均振幅は、エポック内のＲａの平均値であり、振幅の標準偏差は、エポック内のＲａの標準偏差である。
（ｄ）自己相関ピーク比：１エポック分の圧力データから１エポック分の圧力データの平均を引いた値の自己相関関数値（τ）に於いて（τは、相関時間）、τ＝０から見て、最初にピークが現れたとき（τ＝τｐのとき、とする。）のピーク値を自己相関関数Ｇ（０）にて割って正規化した値
（ii）体動特徴量としては、下記の式にて算出される加速度差分ノルムのエポック内の最大値が有利に採用される。
加速度差分ノルム＝{(axt-axt-1)2+(ayt-ayt-1)2+(azt-azt-1)2}1/2
ここで、axt、ayt、aztは、それぞれ、ｘ軸、ｙ軸、ｚ軸方向の時刻ｔに於ける加速度値である。加速度差分ノルムの最大値は、図２（Ｃ）に例示されている如く、エポック毎に加速度差分ノルムを算出した後、その最大値が選択される。
（iii）呼吸運動特徴量と体動特徴量の正規化
上記の４つの呼吸運動特徴量と体動特徴量は、１回の睡眠状態の計測（原則として、計測開始指示が与えられてから計測終了指示が与えられるまで（後述の計測の流れの欄参照）に於いて得られたデータに於いて、エポック毎に算出される。ここで、上記の式にてそれぞれ算出された呼吸運動特徴量と体動特徴量について、本発明の発明者等の実験と研究によれば、呼吸運動特徴量と体動特徴量の値に於ける個人差、個人内差が、後に述べる睡眠段階の判定に影響することが見出された。そこで、かかる影響をできるだけ排除するべく、睡眠段階の判定に使用する特徴量としては、上記の呼吸運動特徴量と体動特徴量を正規化した値が使用される。かかる正規化は、具体的には、例えば、各エポックの呼吸運動特徴量と体動特徴量のそれぞれから、全エポックの対応する特徴量の中央値を差し引くことにより為されてよい。かかる正規化処理を実行した特徴量を用いると、良好に睡眠段階の判定が達成できることが見出されている。
なお、上記の如く、本実施形態に於いて、上記に列記した特徴量とは異なるものが採用されてもよく、そのような場合も本発明の範囲に属することは理解されるべきである。本実施形態に於いて、睡眠段階の判定で参照される特徴量として、従前の同様の装置の場合と比べると、比較的多い、少なくとも５つの量が用いられるので、計測データに於けるノイズの影響を受け難く、判定結果が安定することが期待される。また、特に、体動特徴量は、加速度値から算出され、単に体動の有無を表すだけでなく、連続的な大きさを有する値であるので、被検者の睡眠状態が複数の睡眠段階のうちのいずれかであるかを判定する際に、体動の大きさも参照されることとなり、より的確な睡眠段階の判定が可能となることが期待される。
（４）睡眠状態関数と各睡眠段階の出現確率の算出
既に触れた如く、本実施形態に於いては、呼吸運動特徴量と体動特徴量（正規化後−以下、特に断らない限り、特徴量は、全て、正規化後の値である。）が与えられると、呼吸運動特徴量と体動特徴量を変数として、睡眠状態関数を用いて、その呼吸運動特徴量と体動特徴量が得られた状態での各睡眠段階の出現確率が算出される。かかる睡眠状態関数は、本実施形態に於いては、既に触れた如く、最小二乗確率的分類器の理論に従った学習処理を通じて調製されてよい。具体的には、睡眠状態関数は、以下の通りに定義されてよい。
まず、呼吸運動特徴量と体動特徴量との値が構成される特徴量ベクトル
Ｘ＝（x1,x2,x3,x4,x5） …（１ａ）
が定義される。ここに於いて、xi（i=1-5）は、呼吸運動特徴量と体動特徴量である。本実施形態の場合には、
x1＝平均呼吸数
x2＝呼吸変動係数
x3＝振幅振動係数
x4＝自己相関ピーク比
x5＝加速度差分ノルムの最大値
である。また、判定されるべき睡眠段階（クラス）は、
ｙ∈｛Wake，REM，Light，Deep｝ …（１ｂ）
Wake：覚醒段階
REM：レム睡眠段階
Light：浅い睡眠−ノンレム睡眠段階Ｉ、II
Deep：深い睡眠−ノンレム睡眠段階III、IV
と設定されるものとする（更に、細かく又は粗く設定してもよい。）。
ここで、Ｎ個の教師用データ群Ｘtn（ｎ＝１…Ｎ）が在るとき（ｎは、データ点の符号である。）、特徴量ベクトルＸが得られた際の各睡眠段階ｙの出現確率ｐ(y/X)、即ち、睡眠状態関数は、最小二乗確率的分類器の理論に従うと、下記の如く与えられる。
ｐ(y/X)=[max(0,q(y|X:θy))]/Σ[max(0,q(ya|X:θya))] …（２）
ここで、yaは、各睡眠段階の符号であり、Σは、ya= Wake，REM，Light，Deepの総和である。なお、出現確率ｐ(y/X)は、特徴量ベクトルＸであるときの睡眠段階ｙが出現する事後確率に相当する。式（２）に於いて、q(y|X:θy)は、特徴量ベクトルの張られる空間（特徴量空間）に於ける、睡眠段階ｙである教師用データの各点の位置と特徴量ベクトルＸの点の位置との間の距離に依存した状態の近似の度合を表す値の総和に相当し、具体的には、下記の如く表される。
q(y|X:θy)＝Σθy,n・φn(X) …（３）
（Σは、教師用データのｎ＝１…Ｎについての総和）
ここに於いて、
θy,n・φn(X) …（４）
は、特徴量ベクトルＸの点と教師用データの点Ｘtnとの近似の度合の分布を表す値を表す関数（分布関数）である。φn(X)は、特徴量空間に於ける特徴量ベクトルＸの点と教師用データの点Ｘtnとの間の距離Ｌn＝||X-Xtn||を用いて、
φn(X)＝exp(-Ｌn2/2σ2) …（５）
により定義されるガウス型の基底関数であり、θy,nは、分布関数の高さを決定する係数パラメータであり、σは、分布関数の幅を決定するパラメータ（後述の如く、σは、超パラメータの一つである。）
上記の教師用データの点Ｘtnの各々の分布関数θy,n・φn(X)から出現確率ｐ(y/X)が決定される理由は、端的に説明すると、次の通りである。：
図３（Ａ）を参照して、例えば、教師用データの点Ｘtnとして、図示の如く、睡眠段階yＲである特徴量ベクトルxt1、xt3, xt4と、睡眠段階yＬである特徴量ベクトルxt2、xt5, xt6とが与えられている場合（なお、説明の目的で、特徴量ベクトルを一次元で描いているが、実際には、多次元であり、本実施形態の場合は、５次元である。）、教師用データの各点の周囲に、それぞれと状態の近似した領域が分布し、その分布の形は、距離が近いほど高くなるものと仮定できる。その個々の教師用データの点の分布関数が、（特徴量と状態の近似の度合とで張られた空間に於いて、）図３（Ａ）中の実線又は一点鎖線にて描かれている如く、式（４）の形式のプロファイルを有するとすると、例えば、計測により得られた特徴量ベクトルxaiの点の状態と教師用データの各点の状態との近似の度合は、特徴量ベクトルxaiの位置に於ける教師用データの各点の分布関数の値と考えることができる。例えば、特徴量ベクトルxa1の場合（図中黒丸）には、睡眠段階yＬである特徴量ベクトルxt2、xt5, xt6に近いので、それぞれの分布関数に於いて有意な値が与えられ、睡眠段階yＲである特徴量ベクトルxt1、xt3、xt4から遠いので、それぞれの分布関数に於ける値は実質的に０となっている。従って、特徴量ベクトルxa1は、睡眠段階yＬの状態との近似の度合が高いと考えることができる。これと同様に、特徴量ベクトルxa2の場合（図中白丸）は、睡眠段階yＲである特徴量ベクトルxt1、xt3の分布関数に於いて有意な値となり、それ以外の分布関数に於いては、実質的に０となっているので、特徴量ベクトルxa2は、睡眠段階yＲの状態との近似の度合が高いと考えることができる。更に、特徴量ベクトルxa3の場合には、睡眠段階yＬである特徴量ベクトルxt2と睡眠段階yＲである特徴量ベクトルxt4の分布関数に於ける値は、略一致した値であるところ、睡眠段階yＬである特徴量ベクトルxt2の分布関数の値が睡眠段階yＲである特徴量ベクトルxt3の分布関数の値よりも大きいので、睡眠段階yＬの状態との近似の度合が相対的に高いと考えることができる。
かくして、或る特徴量ベクトルxが得られた際には、教師用データの点Ｘtnの各々に対する状態の近似の度合を表す値である分布関数θy,n・φn(X)を、式（３）の示されている如く、睡眠段階毎に合算して、睡眠段階毎の近似の度合の総和q(y|X:θy)を算出し、更に、この値を全睡眠段階近似の度合の総和にて除算することにより、或る特徴量ベクトルxの状態が各睡眠段階の状態である確率、即ち、その特徴量ベクトルxが得られた際の睡眠段階毎の出現確率ｐ(y/X)が算出できることとなる。なお、式（２）に於いて、０値とq(y|X:θy)との最大値を選択する演算が実行されるのは、q(y|X:θy)が負値となった場合には、値を０とするためである。睡眠状態関数についての学習処理の具体例については、後述する。
（５）睡眠段階の判定
上記の式（２）によれば、或る特徴量ベクトルが得られた際の複数の睡眠段階の各々についての出現確率が算出される。そこで、その中で最も確率の高い睡眠段階が被検者の睡眠段階として判定することができる。この点に関し、例えば、図３（Ｂ）の如く、特定の睡眠段階の出現確率が突出している場合には、その睡眠段階が被検者の睡眠段階として十分な確からしさにて判定可能である。しかしながら、図３（Ｃ）の如く、最も確率の高い睡眠段階の出現確率が、その他の睡眠段階の出現確率に比してさほどに大きくない場合には、その睡眠段階が被検者の睡眠段階として十分な確からしさは低いこととなる。そのような場合は、特定の睡眠段階を判定結果とすると、判定精度の低下が起き得る。実際、既に述べた如く、人の睡眠状態は、連続的であり、定義された睡眠段階の中間或いは遷移の途中に於いては、本質的に明確に睡眠段階が特定できない場合も有り得る。そこで、本実施形態に於いては、睡眠段階の判定に於いて、最も確率の高い睡眠段階の出現確率が所定の閾値ｐｔｈを超えた場合（図３（Ｂ））には、その睡眠段階を被検者の睡眠段階として判定し、最も確率の高い睡眠段階の出現確率も所定の閾値ｐｔｈを超えない場合には、被検者の睡眠段階と不明として判定するようになっていてもよく、或いは、確率の高い睡眠段階の二つの睡眠段階のいずれかと判定するようになっていてもよい。
また、上記の如く算出される睡眠段階の出現確率を参照すると、入眠時刻の推定が可能となる。具体的には、上記の睡眠段階の出現確率のうち、睡眠段階LightとDeepの出現確率の合計値は、ノンレム睡眠の出現確率を表している。従って、睡眠段階LightとDeepの出現確率の合計値が計測開始から所定の閾値を初めて超えたときに、被検者が入眠したと判定することができ、これにより、被検者が実際に眠りについた推定時刻を推定できることとなる。この場合、睡眠段階LightとDeepの出現確率の合計値が所定の閾値を超えた状態が複数回連続した場合（例えば、２エポック連続したとき）、入眠したと判定するようにしても良く、入眠時刻の推定値が安定することが期待される。
更に、本実施形態による睡眠段階の判定結果は、呼吸運動特徴量と体動特徴量に基づく推定によるので、実際の被検者の睡眠段階よりも激しく遷移する結果が得られたり、不自然に睡眠段階が遷移する結果が得られる場合が起き得る。そこで、１回の睡眠状態の計測に於けるエポック毎の睡眠段階の判定が為され、時系列の睡眠段階の判定データが得られた後、更に、判定データに対して、メディアンフィルタ処理又はその他の平滑化処理が適用されてよい。これにより、不自然な或いは通常よりも激しい睡眠段階の遷移が判定結果から除去され、より実際の被検者の睡眠段階の推移に近いものが得られることが期待される。なお、上記の如く、睡眠段階LightとDeepの出現確率の合計値に基づいて入眠時刻の推定が推定される場合、入眠時刻以前は覚醒していたと考えられるので、計測開始から入眠と判定されたエポックの間のすべてのエポックを睡眠段階Wakeに修正しても良く、或いは、入眠と判定されたエポックから一定期間（例えば、３０分）の間に推定されたREM睡眠を睡眠段階Lightに修正しても良い。このようにすることで，センサのノイズによって生じる激しい睡眠段階の変化の影響を抑制できる効果が期待できる。
（６）睡眠段階の判定の補正
「発明の概要」の欄に於いて述べた如く、一般に、各睡眠段階の出現頻度は、睡眠経過時間や年齢によって変化することが知られている。具体的には、睡眠段階のうち、深い睡眠（Deep）を表すノンレム睡眠の段階III、IVは、睡眠の初期に出現しやすく、次第に出にくくなることが知られている。また、ノンレム睡眠の段階III、IVは、若年者では比較的出現しやすく、年齢が高くなると伴に出現しにくくなることが知られている。そこで、本実施形態の上記の睡眠段階の判定に於いては、睡眠経過時間の長さに応じて及び／又は被検者の年齢に応じて出現しやすい睡眠段階が被検者の睡眠状態として判定され易くする補正処理が為されてよい。
具体的には、まず、睡眠経過時間の長さに応じた睡眠段階の判定の修正に於いては、式（２）の睡眠状態関数に於いて、睡眠経過時間の長さに応じて出現頻度の変化する睡眠段階のｐ(y/X)に対して、下記の如く入眠からの睡眠経過時間の長さに依存した重みｗｔｙを乗算する補正が為されてよい。
ｐ(y/X)=ｗty[max(0,q(y|X:θy))]/Σ[max(0,q(ya|X:θya))] …（２ａ）
そして、現在までの知見によれば、睡眠経過時間が長くなるほど、深い睡眠の出現頻度が低下するので、深い睡眠の重みｗt,deepが下記の如く設定されてよい。
入眠からの経過時間が４時間未満のとき、ｗt,deep＝１．０
入眠からの経過時間が４時間以上のとき、ｗt,deep＝０．９
その他の睡眠段階についても、経過時間の長さに応じた出現頻度によって、重みｗtyが設定されてよいことは理解されるべきである。なお、ｗtyは、経過時間の長さに応じて連続的に値が変化するようになっていてもよい。重みｗｔｙを用いる場合、入眠からの睡眠経過時間は、圧力又は加速度の時系列データに於ける時間が参照されて、重みｗｔｙの値が決定されてよい。
被検者の年齢に応じた睡眠段階の判定の修正に於いても、上記と同様に、式（２）の睡眠状態関数に於いて、被検者の年齢に応じて出現頻度の変化する睡眠段階のｐ(y/X)に対して、下記の如く被検者の年齢に依存した重みｗayを乗算する補正が為されてよい。
ｐ(y/X)=ｗay[max(0,q(y|X:θy))]/Σ[max(0,q(ya|X:θya))] …（２ｂ）
そして、現在までの知見によれば、年齢が高くなるほど、深い睡眠の出現頻度が低下するので、深い睡眠の重みｗa,deepが下記の如く設定されてよい。
ｗa,deep＝１．２…１０代
ｗa,deep＝１．１…２０代
ｗa,deep＝１．０…３０代
ｗa,deep＝０．９…４０代
ｗa,deep＝０．８…５０代
その他の睡眠段階についても、年齢に応じた出現頻度によって、重みｗayが設定されてよいことは理解されるべきである。なお、ｗayは、年齢に応じて連続的に値が変化するようになっていてもよい。重みｗayを用いる場合、装置に於いて、操作パネルから被検者の年齢を入力するための構成が設けられ、式（２ｂ）の出現確率の演算に於いて、入力された年齢を参照してその年齢に応じた重みｗayが用いられる。
上記の重みｗty、重みｗayを用いた睡眠状態関数の補正によれば、状況に応じて出現頻度の高くなる睡眠段階が相対的に判定され易くなるので、睡眠段階の判定の精度の更なる向上が期待される。なお、重みｗty、重みｗayが同時に用いられてもよい。
（７）睡眠状態関数についての学習処理
上記の睡眠状態関数の学習処理に於いては、具体的には、最小二乗確率的分類器の理論に従って、教師用データを用いて、教師用データの各点に於ける分布関数の係数パラメータθy,nの全てが下記の式により決定される（上付きＴは、転置行列を表す。）。
Θy＝(ΨTΨ＋ρＩＮ)-1ΨTΠy …（６）
ここに於いて、
Θy＝(θy,1，θy,２，…，θy,Ｎ)T
Ψ＝（Φ(Xt1),…Φ(XtN))T
Φ(X)＝(φ1(X)…φn(X)…φN(X))T
Πy＝(πy,1，πy,２，…，πy,Ｎ)T
πy,n＝１(yn＝yのとき); πy,n＝０(yn＝yでないとき)
なお、式（５）に於けるσと式（６）に於けるρは、超パラメータであり、下記の学習手順により決定される。
（ｉ）Ｎ個の教師用データ群のデータセットが与えられているとき、学習用データセットと検証用データセットに分割する。例えば、８０％のデータセットを学習用とし、残りを検証用とする。
（ii）超パラメータの候補を準備し、その候補を用いて、学習用データセットを用いた式（６）の演算を実行し、睡眠状態関数を設定する。
（iii）（ii）で得られた睡眠状態関数に対して検証用データセットを入力し、性能を評価する。性能の評価は、任意の態様にて実行されてよい。例えば、検証用データセットを睡眠状態関数へ入力した場合の睡眠段階の判定結果の正解率（検証用データセットの判定結果を正解とした場合）や睡眠段階の推移が正常であるか否かなどを参照して、任意に評価されてよい。
かくして、一つの組の超パラメータの候補を用いた場合の睡眠段階の判定結果が達成されると、別の組の超パラメータの候補を用いて、上記の（ｉ）〜（iii）が繰り返し実行される。そして、かかる操作は、適切な超パラメータの組が探索されるまで実行されてよい。適切な超パラメータの組の探索に於いては、例えば、複数の超パラメータの組を予め準備し、準備された超パラメータの組のうちで、最も性能の評価結果が好ましいもの（例えば、正解率が最も高いもの）が適切な超パラメータの組として選択されてよい。或いは、超パラメータの組を変化させながら、上記の手順を繰り返し、正解率の飽和が観察された場合、或いは、所定の閾値を超えた場合に、その超パラメータの組が適切な超パラメータの組として選択されてよい。
かくして、上記の式（６）に於いて使用する超パラメータの組が決定されると、その超パラメータの組を用い、Ｎ個の教師用データ群のデータセットの全て（学習用データセットと検証用データセットとを合わせたもの）を用いて、式（６）により、Θy（分布関数の係数パラメータθy,n）が算出される。算出されたΘyは、装置のメモリに記憶され、実際の被検者についての睡眠状態の計測に於ける上記の式（２）の出現確率の算出に使用される。
（８）教師用データが不均衡データである場合の学習処理の修正
上記の学習処理にて使用される教師用データに於ける睡眠段階の割合が不均衡である場合、推定精度が低下することが知られている。実際、一般に、人の睡眠状態に於いては、浅い睡眠−ノンレム睡眠段階Ｉ、IIの出現頻度が高く、覚醒段階、深い睡眠−ノンレム睡眠段階III、IVの出現頻度が低いことが知られている。そこで、教師用データに於ける睡眠段階の割合が不均衡である場合、即ち、教師用データのデータセットが「不均衡データ」のセットである場合、これを補正するように学習処理が修正されてよい。
かかる「不均衡データ」の補正をする学習処理は、下記の通りに実行されてよい。
（ｉ）教師用データ群のうち、出現数の最も少ない睡眠段階（クラス）のデータ数を調べ、他のクラスのデータをその数に揃える。例えば、睡眠段階Deepのデータ数が最も少なく、５００データだった場合、他の睡眠段階のデータから500データずつランダムに抽出する。
（ii）式（６）の超パラメータσ，ρに加えて、各睡眠段階の重みw_y（w_wake、w_light、w_deep、w_rem）を超パラメータとして、下記の如く、式（３）に導入する。
q(y|X:θy)＝Σθy,n・φn(X)・w_y …（３ａ）
しかる後、既に説明された超パラメータσ，ρの決定のための学習処理（（７）睡眠状態関数についての学習処理中の（ｉ）〜（iii）の反復実行）と同様の処理が、適切な超パラメータの組が探索されるまで実行されてよい。
装置の処理作動の流れ
図４を参照して、上記に説明された本発明の本実施形態の装置の１回の睡眠状態の計測に於ける処理作動の流れは、下記の通りとなる。なお、装置の使用に先立って、式（２）の睡眠状態関数による出現確率ｐ(y/X)の算出に必要な係数パラメータΘyは、上記の学習処理の要領にて予め教師用データを用いて算出され、その算出された係数パラメータΘyが演算部のメモリに記憶される。
１回の睡眠状態の計測に於いては、具体的には、図４（Ａ）を参照して、まず、使用者又は被検者の操作パネルの操作により、本実施形態の装置の睡眠状態の計測開始の指示が与えられると、計測終了の指示が与えられるまで（ステップ２０）、逐次的に、圧力値（呼吸運動指標値）と加速度値（体動指標値）の計測が実行され（ステップ１０）、計測されたデータがそれぞれメモリ内へ記憶される（ステップ１４）。なお、上記の如く、圧力データについては、フィルタ処理が適用されて、呼吸運動による圧力変化の帯域の成分が抽出される（ステップ１２）。また、１エポック分の計測が完了する毎に（ステップ１６）、その１エポック分の時系列の計測データから呼吸運動特徴量と体動特徴量とが算出され、メモリ内へ記憶される（ステップ１８）。圧力値と加速度値の計測は、そのまま継続して実行されることは理解されるべきである。また、呼吸運動特徴量と体動特徴量との算出は、計測終了の指示の後にまとめて実行されてもよい。
更に、上記の呼吸運動特徴量と体動特徴量の算出に於いて、圧力データや加速度センサ値が特徴量算出に適さないと判断される場合はエラーフラグが出力されるように構成されていても良い。例えば、或るエポックに於いて、圧力データに於ける呼吸波形の振幅が極端に小さい場合は、呼吸運動特徴量の信頼性が低下するので、そのエポックに対しては、エラーフラグが付与され、エラーフラッグの付与されたエポックに於いては、睡眠段階の判定が実行されないようになっていてもよい。従って、ステップ１８に於いてメモリ内へ記憶されるデータの形式は、下記の如くとなる。
Figure 0006439729
かくして、計測終了の指示が与えられると、睡眠段階の判定と記憶とが実行される（ステップ２２）。図４（Ｂ）を参照して、睡眠段階の判定に於いては、メモリから呼吸運動特徴量と体動特徴量とを読み出した後（ステップ３０）、まず、呼吸運動特徴量と体動特徴量のそれぞれに於いて、計測開始から終了までの中央値が算出され（ステップ３２）、かかる中央値を、対応する呼吸運動特徴量と体動特徴量から減算する正規化演算処理が実行される（ステップ３４）。次いで、これらの正規化された呼吸運動特徴量と体動特徴量とを用いて、上記に説明された睡眠段階毎のｑ(y|X:θy)値が、式（３）又は（３ａ）を用いて算出され（ステップ３６）、更に、式（２）を用いて、睡眠段階毎の出現確率ｐ(y/X)が算出される（ステップ３８）。そして、算出された出現確率ｐ(y/X)の最も高い睡眠段階がエポック毎の被検者の睡眠段階として推定される（ステップ４６）。なお、睡眠経過時間の長さ及び／又は被検者の年齢に応じた睡眠段階の判定の修正を行う場合には、ステップ３８にて算出された睡眠段階毎の出現確率ｐ(y/X)に対して、既に説明された如く、更に、睡眠経過時間の長さ及び／又は被検者の年齢に応じた重みｗty、ｗayを乗算した値（式（２ａ）、（２ｂ）参照）が睡眠段階毎の出現確率ｐ(y/X)として用いられる（ステップ４０、４２）。なお、睡眠経過時間の長さ及び／又は被検者の年齢に応じた睡眠段階の判定の修正は、両方又はいずれか一方のみであってもよく、また、実行されなくてもよいことは理解されるべきである。そして、好適には、上記のエポック毎の被検者の睡眠段階の判定結果に対して、更に、メディアンフィルタが適用され、最終的な時系列の睡眠段階の判定結果が得られることとなる（ステップ４８）。
図５に於いては、本実施形態による上記の一連の処理によって得られた睡眠段階の判定結果の例（中段−図５（Ｂ））と、その計測と同時実行したＰＳＧによる判定結果（上段−図５（Ａ））と、同一の計測データに於いて、呼吸運動特徴量のみで睡眠段階の判定を行った比較例（下段−図５（Ｃ））とが示されている。これらの結果を比較すると、本実施形態による判定結果は、基準となるＰＳＧによる判定結果と良好な程度に一致し、また、体動を考慮せずに呼吸運動特徴量のみで判定を行った比較例と比べると、WakeとDeepの判定がより正確に為されていることが観察された。このことは、呼吸運動特徴量と体動特徴量とを統合的に睡眠段階の判定に利用することにより、より精度の高い判定結果が得られることを示唆している。
以上の説明は、本発明の実施の形態に関連してなされているが、当業者にとつて多くの修正及び変更が容易に可能であり、本発明は、上記に例示された実施形態のみに限定されるものではなく、本発明の概念から逸脱することなく種々の装置に適用されることは明らかであろう。

Claims (15)

  1. 睡眠状態推定装置であって、
    被検者の呼吸運動状態を表す呼吸運動指標値を時系列に計測する呼吸運動計測手段と、
    前記呼吸運動状態の計測と伴に前記被検者の体動状態を表す体動指標値を時系列に計測する体動計測手段と、
    前記計測された呼吸運動指標値の時系列データから呼吸運動特徴量を抽出する呼吸運動特徴量抽出手段と、
    前記計測された体動指標値の時系列データから体動特徴量を抽出する体動特徴量抽出手段と、
    前記呼吸運動特徴量と前記体動特徴量とが変数として入力された睡眠状態関数により算出される睡眠状態値に基づいて、前記被検者の睡眠状態が、覚醒段階を含む睡眠状態に於ける複数の睡眠段階のうちのいずれに属するかを判定する睡眠段階判定手段と
    から構成され、
    前記睡眠状態関数が、校正用の睡眠状態の計測による睡眠段階の判定結果と、これと伴に計測された呼吸運動指標値及び体動指標値からそれぞれ抽出された呼吸運動特徴量及び体動特徴量とから構成されるデータ群を教師データとして用いた学習処理によって調製された関数であり、
    前記呼吸運動特徴量が前記呼吸運動指標値の時系列の計測データに於けるエポック毎の平均呼吸数、呼吸変動係数、振幅振動係数及び自己相関ピーク比を含む組であり、前記体動特徴量が前記体動指標値の時系列の計測データに於けるエポック毎の加速度差分ノルムの最大値を含む装置。
  2. 請求項１の装置であって、前記呼吸運動計測手段が、前記被検者の胸部又は腹部に装着又は接触された圧力センサを含み、前記呼吸運動指標値が前記圧力センサによって計測される前記被検者の呼吸運動に伴う体表面の変位によって変化する圧力値であり、前記体動計測手段が前記被検者の身体に装着又は接触された加速度センサを含み、前記体動指標値が前記加速度センサによって計測される前記被検者の体動に伴って変化する加速度値である装置。
  3. 請求項１又は２の装置であって、前記被検者の身体に装着可能であり、携帯可能な筐体に収納されている装置。
  4. 請求項１乃至３のいずれかの装置であって、前記呼吸運動特徴量が前記呼吸運動指標値の時系列の計測データに於けるエポック毎に得られた特徴量の値に於いて、前記特徴量の値の１回の睡眠状態推定の実行に於ける中央値を差し引いて得られた値であり、前記体動特徴量が前記体動指標値の時系列の計測データに於けるエポック毎に得られた特徴量の値に於いて、前記特徴量の値の１回の睡眠状態推定の実行に於ける中央値を差し引いて得られた値である装置。
  5. 請求項２の装置であって、前記圧力センサによって計測された時系列の圧力値データから前記被検者の呼吸運動に伴う体表面の変位に伴う圧力変化の成分の時系列のデータを抽出する手段を含み、前記呼吸運動特徴量抽出手段が、前記抽出された圧力変化の成分の時系列のデータから前記呼吸運動特徴量を抽出する装置。
  6. 請求項１乃至５のいずれかの装置であって、前記呼吸運動特徴量抽出手段及び前記体動特徴量抽出手段がそれぞれ前記呼吸運動特徴量と前記体動特徴量とをエポック毎に抽出し、前記睡眠段階判定手段が、エポック毎に前記被検者の睡眠段階を判定し、更に、前記エポック毎に判定された時系列の睡眠段階に対してメディアンフィルタ処理をして得られた睡眠段階を各エポックの睡眠段階として決定する装置。
  7. 請求項１乃至６のいずれかの装置であって、前記睡眠状態関数により算出される睡眠状態値が前記複数の睡眠段階の各々について算出される睡眠状態値であって、前記呼吸運動特徴量と前記体動特徴量とが得られた状態に於いて前記被検者の睡眠状態が各々の睡眠段階に属している確率を表す睡眠段階出現確率であり、前記睡眠段階判定手段が、前記複数の睡眠段階のうち、前記呼吸運動特徴量と前記体動特徴量とから決定される前記睡眠段階出現確率の最も高い段階を前記被検者の睡眠状態として判定する装置。
  8. 請求項７の装置であって、前記睡眠状態関数が、前記教師用データを用いて最小二乗確率的分類器の理論に従って調製される装置。
  9. 請求項７又は８の装置であって、前記睡眠段階判定手段が、前記睡眠段階出現確率の最も高い睡眠段階の前記睡眠段階出現確率が所定値を超えないときには、前記被検者の睡眠状態が不明と判定する装置。
  10. 請求項７又は８の装置であって、前記睡眠段階判定手段が、前記複数の睡眠段階のうちのノンレム睡眠の段階の睡眠段階出現確率の合計値に基づいて、前記被検者の入眠時刻を推定する装置。
  11. 請求項１乃至１０のいずれかの装置であって、前記睡眠段階判定手段が、前記複数の睡眠段階のうち、睡眠経過時間の長さに応じて出現しやすい睡眠段階に前記被検者の睡眠状態が属しているとの判定を出力し易くなっている装置。
  12. 請求項７乃至１０のいずれかの装置であって、前記睡眠段階判定手段が、睡眠経過時間の長さに応じた前記複数の睡眠段階の各々の出現しやすさに対応して前記複数の睡眠段階の各々の睡眠段階出現確率に重みを乗算し、前記重みが乗算された睡眠段階出現確率の最も高い段階を前記被検者の睡眠状態として判定する装置。
  13. 請求項１乃至１２のいずれかの装置であって、前記睡眠段階判定手段が、前記複数の睡眠段階のうち、前記被検者の年齢に応じて出現しやすい睡眠段階に前記被検者の睡眠状態が属しているとの判定が為され易くなっている装置。
  14. 請求項７乃至１０及び請求項１２のいずれかの装置であって、前記睡眠段階判定手段が、前記被検者の年齢に応じた前記複数の睡眠段階の各々の出現しやすさに対応して前記複数の睡眠段階の各々の睡眠段階出現確率に重みを乗算し、前記重みが乗算された睡眠段階出現確率の最も高い段階を前記被検者の睡眠状態として判定する装置。
  15. 請求項１乃至１４のいずれかの睡眠状態推定装置であって、前記校正用の睡眠状態の計測による睡眠段階の判定がＰＳＧによる判定である装置。
JP2016059972A 2016-03-24 2016-03-24 睡眠状態推定装置 Active JP6439729B2 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
JP2016059972A JP6439729B2 (ja) 2016-03-24 2016-03-24 睡眠状態推定装置
DE102017204628.7A DE102017204628B4 (de) 2016-03-24 2017-03-20 Schlafzustandsvorhersagevorrichtung
US15/464,738 US10813583B2 (en) 2016-03-24 2017-03-21 Sleep state prediction device
CN201710176863.8A CN107440680B (zh) 2016-03-24 2017-03-23 睡眠状态推定装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2016059972A JP6439729B2 (ja) 2016-03-24 2016-03-24 睡眠状態推定装置

Publications (2)

Publication Number Publication Date
JP2017169884A JP2017169884A (ja) 2017-09-28
JP6439729B2 true JP6439729B2 (ja) 2018-12-19

Family

ID=59897290

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2016059972A Active JP6439729B2 (ja) 2016-03-24 2016-03-24 睡眠状態推定装置

Country Status (4)

Country Link
US (1) US10813583B2 (ja)
JP (1) JP6439729B2 (ja)
CN (1) CN107440680B (ja)
DE (1) DE102017204628B4 (ja)

Families Citing this family (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018072968A (ja) * 2016-10-26 2018-05-10 セイコーエプソン株式会社 データ処理装置およびデータ処理方法
CN109927731B (zh) * 2017-12-15 2020-09-18 蔚来(安徽)控股有限公司 驾驶员放手检测方法、装置、控制器及存储介质
JP6878324B2 (ja) * 2018-01-31 2021-05-26 日立Astemo株式会社 車載ネットワークシステム、電子制御装置
SG11202008455WA (en) * 2018-03-02 2020-09-29 Nitto Denko Corp Method, computing device and wearable device for sleep stage detection
JP6829841B2 (ja) 2018-04-26 2021-02-17 ミネベアミツミ株式会社 生体状態モニタリングシステム
CN108882083B (zh) * 2018-05-22 2019-10-18 Oppo广东移动通信有限公司 信号处理方法及相关产品
JP7224817B2 (ja) * 2018-09-06 2023-02-20 キヤノンメディカルシステムズ株式会社 信号データ処理装置
JP7067389B2 (ja) * 2018-09-24 2022-05-16 トヨタ自動車株式会社 生体状態推定装置
EP3628213A1 (en) * 2018-09-25 2020-04-01 Koninklijke Philips N.V. Deriving information about a person's sleep and wake states from a sequence of video frames
CN109528214A (zh) * 2018-11-07 2019-03-29 深圳市新元素医疗技术开发有限公司 一种多功能腕式血氧仪
KR20210145230A (ko) * 2019-03-28 2021-12-01 선라이즈 에스에이 피험자의 수면 중에 발생할 수 있는 장애와 관련된 데이터를 처리하기 위한 디바이스 및 감지 유닛을 포함하는 시스템
CN110051329A (zh) * 2019-04-26 2019-07-26 广东工业大学 一种睡眠监测方法、装置、系统及可读存储介质
US20220361808A1 (en) * 2019-07-05 2022-11-17 The University Of Tokyo Sleep-wakefulness determination device and program
JP7301681B2 (ja) * 2019-09-05 2023-07-03 住友理工株式会社 睡眠状態推定方法および睡眠状態推定装置
JP7419719B2 (ja) * 2019-09-24 2024-01-23 カシオ計算機株式会社 睡眠ステージ推定装置、睡眠ステージ推定方法及びプログラム
JP7343168B2 (ja) * 2019-12-05 2023-09-12 株式会社Agama-X 情報処理装置、プログラム、及び、方法
US20220054039A1 (en) * 2020-08-20 2022-02-24 Samsung Electronics Co., Ltd. Breathing measurement and management using an electronic device
CN111956197B (zh) * 2020-09-18 2022-12-30 深圳市爱都科技有限公司 睡眠状态检测方法和装置、电子设备及存储介质
US20220386944A1 (en) * 2021-06-04 2022-12-08 Apple Inc. Sleep staging using machine learning
CN114543318A (zh) * 2022-01-29 2022-05-27 青岛海尔空调器有限总公司 用于监测睡眠的方法及装置、空调器、存储介质
CN114732361B (zh) * 2022-04-07 2023-01-10 华南师范大学 基于生理信号的睡眠分期预测方法、设备以及存储介质

Family Cites Families (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08160172A (ja) * 1994-11-30 1996-06-21 Seikosha Co Ltd アラーム時計
JP3788126B2 (ja) * 1999-08-26 2006-06-21 松下電工株式会社 睡眠状態判定装置
US7226422B2 (en) * 2002-10-09 2007-06-05 Cardiac Pacemakers, Inc. Detection of congestion from monitoring patient response to a recumbent position
JP2004254827A (ja) * 2003-02-25 2004-09-16 Matsushita Electric Ind Co Ltd 睡眠状態判定装置
JP3733133B2 (ja) * 2003-10-14 2006-01-11 三洋電機株式会社 睡眠状態推定装置
US7366572B2 (en) * 2004-03-16 2008-04-29 Medtronic, Inc. Controlling therapy based on sleep quality
JP3976752B2 (ja) 2004-07-07 2007-09-19 三洋電機株式会社 睡眠状態推定装置及びプログラム
JP4582642B2 (ja) 2005-04-01 2010-11-17 株式会社タニタ 睡眠段階判定装置
WO2006130268A1 (en) * 2005-06-01 2006-12-07 Medtronic, Inc. Correlating a non-polysomnographic physiological parameter set with sleep states
JP5180599B2 (ja) * 2008-01-25 2013-04-10 独立行政法人国立高等専門学校機構 睡眠状態の判定方法およびシステム
WO2009150744A1 (ja) 2008-06-13 2009-12-17 ハートメトリクス株式会社 睡眠状態モニタリング装置、モニタリングシステムおよびコンピュータプログラム
JP5409148B2 (ja) * 2009-07-10 2014-02-05 三菱電機株式会社 生体状態取得装置、生体状態取得プログラム、生体状態取得装置を備えた機器及び空気調和機
CN109998482B (zh) * 2009-07-16 2024-03-19 瑞思迈有限公司 睡眠状况的检测
WO2012077476A1 (ja) * 2010-12-08 2012-06-14 Ｎｅｃソフト株式会社 属性値推定装置、属性値推定方法、プログラム及び記録媒体
JP5720295B2 (ja) 2011-02-22 2015-05-20 オムロンヘルスケア株式会社 睡眠評価装置および睡眠評価装置における表示方法
JP5496137B2 (ja) * 2011-03-28 2014-05-21 三菱電機株式会社 睡眠状態検出装置およびこれを用いた空気調和機、ならびに、睡眠状態検出方法および空気調和機制御方法
KR102091167B1 (ko) 2012-09-19 2020-03-20 레스메드 센서 테크놀로지스 리미티드 수면 스테이지를 결정하는 시스템 및 방법
CN103263261B (zh) * 2013-05-02 2016-09-07 宋军 无约束生理参数测量方法推定睡眠指标和睡眠阶段的系统
US9655559B2 (en) * 2014-01-03 2017-05-23 Vital Connect, Inc. Automated sleep staging using wearable sensors
JP2016002109A (ja) * 2014-06-13 2016-01-12 パナソニックＩｐマネジメント株式会社 活動評価装置、評価処理装置、プログラム
US20180014784A1 (en) * 2015-01-30 2018-01-18 New York University System and method for electrophysiological monitoring
CN105286823B (zh) 2015-10-13 2018-05-04 吉林大学 穿戴式自供电多生理参数监测装置及监测方法

Also Published As

Publication number Publication date
DE102017204628B4 (de) 2023-12-28
US20170273617A1 (en) 2017-09-28
CN107440680B (zh) 2020-12-22
DE102017204628A1 (de) 2017-10-12
JP2017169884A (ja) 2017-09-28
CN107440680A (zh) 2017-12-08
US10813583B2 (en) 2020-10-27

Similar Documents

Publication Publication Date Title
JP6439729B2 (ja) 睡眠状態推定装置
US7818131B2 (en) Non-parametric modeling apparatus and method for classification, especially of activity state
US8608655B2 (en) Sleep evaluation device
EP3189779A2 (en) Electrocardiogram (ecg) authentication method and apparatus
US20150190086A1 (en) Automated sleep staging using wearable sensors
Costa et al. Application of machine learning in postural control kinematics for the diagnosis of Alzheimer's disease
US20170188927A1 (en) Emotion recognition device, emotion recognition method, and storage medium for storing emotion recognition program
JP6362521B2 (ja) 行動分類システム、行動分類装置及び行動分類方法
CN110945597A (zh) 用于预测癫痫发作的方法和系统
CN112088408A (zh) 用于睡眠阶段检测的方法、计算设备和可穿戴设备
Rodriguez-Martin et al. Posture transition identification on PD patients through a SVM-based technique and a single waist-worn accelerometer
US11317840B2 (en) Method for real time analyzing stress using deep neural network algorithm
Vanitha et al. Hybrid SVM classification technique to detect mental stress in human beings using ECG signals
Napoli et al. Uncertainty in heart rate complexity metrics caused by R-peak perturbations
Long et al. A scoping review on monitoring mental health using smart wearable devices
WO2020122227A1 (ja) うつ状態を推定する装置、方法及びそのためのプログラム
Lim et al. Deep multiview heartwave authentication
Sharan et al. End-to-end sleep apnea detection using single-lead ECG signal and 1-D residual neural networks
Elden et al. A computer aided diagnosis system for the early detection of neurodegenerative diseases using linear and non-linear analysis
WO2023061565A1 (en) Apparatus, system and method for determining whether a person is asleep
JP2015217130A (ja) 睡眠段階推定装置
Mohan et al. Perceived Stress Prediction among Employees using Machine Learning techniques
JP5911840B2 (ja) 診断データ生成装置および診断装置
JP2021040753A (ja) 熱失神の予兆検知システム、熱失神の予兆検知装置、熱失神の予兆検知方法及びコンピュータプログラム
JP2020048622A (ja) 生体状態推定装置

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20171026

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20180822

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20180828

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20180927

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20181023

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20181105

R151 Written notification of patent or utility model registration

Ref document number: 6439729

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R151