JP6468637B2 - 眠気推定装置及び眠気推定プログラム - Google Patents

Description

この発明は、眠気推定装置及び眠気推定プログラムに関するものである。

近年、健康管理の観点から、或いは、自動車事故防止等の観点から眠気に注目が集まっている。特に、車の運転、機器の操縦・操作、デスクワークなどの場合に、眠気が起こっていることの推定は重要である。

従来の眠気を捕えようとする技術としては、特許文献１に記載のものがある。特許文献１には、心拍信号から心拍間隔を検出し、心拍間隔の変動に対するスペクトル密度を求め、極大周波数と極大周波数に対応する極大スペクトル密度を算出し、算出された極大周波数と極大周波数に対応する極大スペクトル密度の変動傾向を基にして覚醒状態であるか否かを判定することが記載されている。

特許文献２には、眠気推定パラメータという個人によってバラツキのあるパラメータの代わりに、「回帰所要時間」を導入することが記載されている。「回帰所要時間」とは、行動が検出されたタイミングから、行動検出情報の取得タイミングより後に取得した眠気推定パラメータの値が行動検出情報の取得タイミングより前に取得した眠気推定パラメータの値に戻るまでに掛かる時間である。

同じ眠気推定パラメータの値に戻るまでに掛かる時間である、「回帰所要時間」は、個人によらない普遍的な値であると考える。複数の時間範囲のそれぞれと、眠気レベル候補とが対応づけられた眠気レベル推定テーブルを保持し、複数の時間範囲の内で回帰所要時間が属する時間範囲に対応する眠気レベル候補を特定する。

特許文献３では、計測器の計測データを取得し、その計測データの前処理を行って心拍数値を得ると共に、その心拍数値から心拍ゆらぎを抽出し、続いて心拍特徴量（心拍数値及び心拍ゆらぎ）を参照するための心拍特徴量の参照時間幅を設定する。具体的には、心拍特徴量をＦＦＴ処理して周波数スペクトル分布を生成し、この周波数スペクトル分布において最初の極小値となる下限周波数を探索し、下限周波数を起点とした周波数範囲内で振幅スペクトルパワーの最大値に対応するピーク周波数を抽出し、このピーク周波数の逆数を参照時間幅とする。

その後、そのような参照時間幅における心拍特徴量の標準偏差値を計算し、眠気検出装置は、心拍特徴量の標準偏差値を用いて運転者に浅い眠気があるかどうかを判定する。かくして、特許文献３の発明によれば、個人毎に適した特徴量参照時間幅を設定するので、個人差によらない眠気検出を行うことができる、というものである。

特許文献４に記載の発明は、皮膚温、体温、脈拍、心拍、血圧、呼吸、発汗及び体動を含む生体情報をセンサにより検出する生体情報を統合してクラスタリングを行い、睡眠状態の時間的変化を状態遷移確率によりモデル化し、一時的な生体情報のばらつきを吸収する睡眠状態モデルを作成する睡眠状態モデル部１２を備える。

モデル部１２は、年齢差、男女差、季節差及び個人差を含む個人の睡眠の差異に対応するために、生体情報を統合することで現測定時間の睡眠状態を推定し、更に、現測定時間に推定された睡眠状態と睡眠状態が遷移する確率である状態遷移確率とを用いて、現測定時間の睡眠状態を決定するものとされている。学習部１３は、利用者が起床時に入力する自覚症状と、睡眠状態モデル部１２に蓄積されている過去の睡眠状態の遷移と、入眠起床時刻判定部に蓄積されている過去の入眠及び起床時刻とを用いて、状態遷移確率を更新する。

また、ユーザ入力部１５では、利用者が自覚症状としての目覚めの良さを、例えば、「良い」、「普通」、「悪い」の３段階により評価したユーザ情報を入力し、学習部１３及び入眠起床時刻判定部１６に出力する。

更に、学習部１３では、入眠起床時刻判定部１６から入眠及び起床時刻を入力し、睡眠状態モデル部１２から、１回の睡眠における睡眠状態の遷移の時系列データを入力し、睡眠状態遷移部１２２に保持されている状態遷移確率の更新を行う。

かくして特許文献４に記載の発明では、睡眠状態遷移部１２２に保持されている状態遷移確率３２が、学習部１３により更新されることによって、個人の睡眠の差異に適応することが可能であり、精度良く睡眠状態を判定可能とする。

国際公開２００８／０６５７２４号パンフレット 特開２０１２−２４５０９１号公報 特開２０１０−１３１０６１号公報 特開２００４−２５４８２７号公報

上記のように、従来の眠気推定においては個人差によらない精度の良い眠気推定を可能とすべく、様々な手法が提供されている。しかしながら、ＲＲＩデータを自律神経の活動指標（以下、単に「指標」という場合もある）の算出に用い、活動指標の閾値を少なくとも備える眠気推定ルールに基づき上記算出された活動指標を評価して眠気推定を行う装置においては、個人差によらない精度の良い推定を可能とするものは見当たらない。

本発明はこのようなＲＲＩデータから自律神経の活動指標を算出し、これを用いて眠気推定する技術の現状に鑑みてなされたもので、その目的は、個人差によらない精度の良い眠気推定を可能とすべく、眠気推定を行うと共に眠気推定ルールを更新する眠気推定装置と眠気推定プログラムを提供することである。

本発明に係る眠気推定装置は、心電図信号のＲ波に相当する信号を検出するＲＲＩセンサにより得られる信号からＲ−Ｒ間隔のデータであるＲＲＩデータを取得するＲＲＩ取得手段と、前記ＲＲＩデータを統計処理した結果と前記ＲＲＩデータのスペクトル解析の結果とに基づいて、自律神経の活動に関する複数種の活動指標について指標値を計算すると共に前記複数種の活動指標の指標値について指標値ベクトル時系列を生成する指標値計算手段と、前記指標値計算手段により計算される全活動指標から選択された１以上の活動指標の指標値とこの選択された活動指標に関する閾値との比較条件及び／または前記選択された活動指標の指標値に関する所定変動状態の有無の条件を論理結合して作成した推定関数によって構成される眠気推定ルールに基づき、前記指標値計算手段により算出された指標値を評価し眠気を推定する眠気推定手段と前記指標値計算手段により計算された指標値を用いて眠気推定を行う場合に用いる閾値を備える眠気推定ルールが記憶された記憶手段と、被検者から得られる情報または被検者の生体状態を解析して得られる情報である、眠気の有無を示す眠気データを出力する眠気情報出力装置と、前記眠気情報出力装置から出力された眠気データを、前記ＲＲＩ取得手段がＲＲＩデータを取得する時刻の時間間隔において取得する眠気データ取得手段と、前記眠気データ取得手段が取得した前記眠気データを用いて眠気推定ルールの適否を評価するための参照データを生成すると共に前記眠気データについて眠気データベクトル時系列を生成する参照データ生成手段と、前記眠気データベクトル時系列と前記指標値ベクトル時系列の相互相関の相関値を求め、相関値に基づき更新を行うべき活動指標を特定し、この特定された活動指標が関係している推定関数について論理結合の更新を行うことにより、前記記憶手段に記憶されている眠気推定ルールを更新する更新手段とを具備することを特徴とする。

本発明に係る眠気推定装置では、前記指標値計算手段は、前記ＲＲＩデータを統計処理した結果と、前記ＲＲＩデータのスペクトル解析の結果に基づいて自律神経の活動指標を複数算出することを特徴とする。

本発明に係る眠気推定装置では、前記ＲＲＩデータを統計処理した結果の活動指標には、
ＳＤＲＲ：（ＲＲＩの標準偏差）
ＲＭＳＳＤ：（隣接するＲＲＩの差の二乗平均値の平方根）
ＳＤＳＤ：（隣接するＲＲＩの差の標準偏差）
ｐＲＲ５０：（隣接するＲＲＩの差が５０（ミリ秒）を超える割合）
の少なくとも１つが含まれることを特徴とする。

本発明に係る眠気推定装置では、前記ＲＲＩデータのスペクトル解析の結果の活動指標には、
ＬＦ：（ＰＳＤ（パワースペクトル密度関数）の0.04〜0.15[Hz]のパワー）
ＨＦ：（ＰＳＤの0.15〜0.40[Hz]のパワー）
ＨＦ／（ＬＦ＋ＨＦ）
ｐ_ｉ（ｉ＝０，１，２，・・・，９）：（ＰＳＤの0.15＋ｉ×0.025〜 0.15＋(ｉ＋1)×0.025 [Hz]のパワー）
の少なくとも１つが含まれることを特徴とする。

本発明に係る眠気推定装置では、前記指標値計算手段は、第１の時間毎のＲＲＩデータを用いて単位時間の指標値を算出し、単位時間の指標値を活動指標の種類分集めてベクトル化し、ベクトル化された指標値を時系列に並べて指標値ベクトル時系列を作成し、眠気推定手段は、閾値ベクトルと前記指標値ベクトル時系列を用いて評価する推定関数により眠気推定を行うことを特徴とする。

本発明に係る眠気推定装置では、更新手段は、前記眠気データベクトル時系列において眠気有りとなっている時刻に対応する活動指標の値を前記指標値ベクトル時系列から求め、正の相関のときには求めた活動指標の値の最低値を候補閾値とし、負の相関のときには求めた活動指標の値の最高値を候補閾値として、当該候補閾値により前記指標値ベクトル時系列の活動指標の値を評価することにより、閾値の更新を行うことを特徴とする。

本発明に係る眠気推定装置では、更新手段は、前記指標値ベクトル時系列において、候補閾値以上の活動指標の値が占める割合に基づき、候補閾値を新たな閾値に更新することを特徴とする。

本発明に係る眠気推定装置では、更新手段は、候補閾値を新たな閾値に更新しない場合には、候補閾値の値を増減させて新たな候補閾値を作成し、この候補閾値により前記指標値ベクトル時系列の活動指標の値を評価することにより、閾値の更新を行うことを特徴とする。

本発明に係る眠気推定装置では、更新手段は、前記眠気データベクトル時系列と前記指標値ベクトル時系列の相互相関の相関値を求め、相関値に基づき更新を行う活動指標を特定する特定ステップと、前記眠気データベクトル時系列において眠気有りとなっている時刻に対応する活動指標の値を前記指標値ベクトル時系列から求め、正の相関のときには求めた活動指標の値の最低値を候補閾値とし、負の相関のときには求めた活動指標の値の最高値を候補閾値とする候補閾値生成ステップと、前記指標値ベクトル時系列において、候補閾値以上の活動指標の値が占める割合に基づき、候補閾値を新たな閾値に更新する閾値更新ステップと前記特定された活動指標のみについて、前記更新した閾値を用いて活動指標毎に、各活動指標の指標値と閾値の大小関係を示す式である条件式を作成するステップと、条件式が１つの活動指標では当該条件式を推定関数とし、条件式が複数の活動指標では複数の条件式の論理的結合の全てのパターンにより生成された複数の関数を推定関数とするステップと、この推定関数のそれぞれについてヒット率を算出し、算出したヒット率の最も高いものを最終的な推定関数とするステップとを実行することを特徴とする。

本発明に係る眠気推定プログラムは、コンピュータを、心電図信号のＲ波に相当する信号を検出するＲＲＩセンサにより得られる信号からＲ−Ｒ間隔のデータであるＲＲＩデータを取得するＲＲＩ取得手段、前記ＲＲＩデータを統計処理した結果と前記ＲＲＩデータのスペクトル解析の結果とに基づいて、自律神経の活動に関する複数種の活動指標について指標値を計算すると共に前記複数種の活動指標の指標値について指標値ベクトル時系列を生成する指標値計算手段、前記指標値計算手段により計算される全活動指標から選択された１以上の活動指標の指標値とこの選択された活動指標に関する閾値との比較条件及び／または前記選択された活動指標の指標値に関する所定変動状態の有無の条件を論理結合して作成した推定関数によって構成される眠気推定ルールに基づき、前記指標値計算手段により算出された指標値を評価し眠気を推定する眠気推定手段、被検者から得られる情報または被検者の生体状態を解析して得られる情報である、眠気の有無を示す眠気データを出力する眠気情報出力装置から出力された眠気データを、前記ＲＲＩ取得手段がＲＲＩデータを取得する時刻の時間間隔において取得する眠気データ取得手段、前記眠気データ取得手段が取得した前記眠気データを用いて眠気推定ルールの適否を評価するための参照データを生成すると共に前記眠気データについて眠気データベクトル時系列を生成する参照データ生成手段、前記眠気データベクトル時系列と前記指標値ベクトル時系列の相互相関の相関値を求め、相関値に基づき更新を行うべき活動指標を特定し、この特定された活動指標が関係している推定関数について論理結合の更新を行うことにより、前記眠気推定ルールを更新する更新手段として機能させることを特徴とする。

本発明に係る眠気推定プログラムでは、前記指標値計算手段は、前記ＲＲＩデータを統計処理した結果と、前記ＲＲＩデータのスペクトル解析の結果に基づいて自律神経の活動指標を複数算出することを特徴とする。

本発明に係る眠気推定プログラムでは、前記ＲＲＩデータを統計処理した結果の活動指標には、
ＳＤＲＲ：（ＲＲＩの標準偏差）
ＲＭＳＳＤ：（隣接するＲＲＩの差の二乗平均値の平方根）
ＳＤＳＤ：（隣接するＲＲＩの差の標準偏差）
ｐＲＲ５０：（隣接するＲＲＩの差が５０（ミリ秒）を超える割合）
の少なくとも１つが含まれることを特徴とする。

本発明に係る眠気推定プログラムでは、前記ＲＲＩデータのスペクトル解析の結果の活動指標には、
ＬＦ：（ＰＳＤ（パワースペクトル密度関数）の0.04〜0.15[Hz]のパワー）
ＨＦ：（ＰＳＤの0.15〜0.40[Hz]のパワー）
ＨＦ／（ＬＦ＋ＨＦ）
ｐ_ｉ（ｉ＝０，１，２，・・・，９）：（ＰＳＤの0.15＋ｉ×0.025〜 0.15＋(ｉ＋1)×0.025 [Hz]のパワー）
の少なくとも１つが含まれることを特徴とする。

本発明に係る眠気推定プログラムでは、前記指標値計算手段は、第１の時間毎のＲＲＩデータを用いて単位時間の指標値を算出し、単位時間の指標値を活動指標の種類分集めてベクトル化し、ベクトル化された指標値を時系列に並べて指標値ベクトル時系列を作成し、眠気推定手段は、閾値ベクトルと前記指標値ベクトル時系列を用いて評価する推定関数により眠気推定を行うことを特徴とする。

本発明に係る眠気推定プログラムでは、更新手段は、前記眠気データベクトル時系列において眠気有りとなっている時刻に対応する活動指標の値を前記指標値ベクトル時系列から求め、正の相関のときには求めた活動指標の値の最低値を候補閾値とし、負の相関のときには求めた活動指標の値の最高値を候補閾値として、当該候補閾値により前記指標値ベクトル時系列の活動指標の値を評価することにより、閾値の更新を行うことを特徴とする。

本発明に係る眠気推定プログラムでは、更新手段は、前記指標値ベクトル時系列において、候補閾値以上の活動指標の値が占める割合に基づき、候補閾値を新たな閾値に更新することを特徴とする。

本発明に係る眠気推定プログラムでは、更新手段は、候補閾値を新たな閾値に更新しない場合には、候補閾値の値を増減させて新たな候補閾値を作成し、この候補閾値により前記指標値ベクトル時系列の活動指標の値を評価することにより、閾値の更新を行うことを特徴とする。

本発明に係る眠気推定プログラムでは、更新手段は、前記眠気データベクトル時系列と前記指標値ベクトル時系列の相互相関の相関値を求め、相関値に基づき更新を行う活動指標を特定し、前記眠気データベクトル時系列において眠気有りとなっている時刻に対応する活動指標の値を前記指標値ベクトル時系列から求め、正の相関のときには求めた活動指標の値の最低値を候補閾値とし、負の相関のときには求めた活動指標の値の最高値を候補閾値とする候補閾値を生成し、前記指標値ベクトル時系列において、候補閾値以上の活動指標の値が占める割合に基づき、候補閾値を新たな閾値に更新し、前記特定された活動指標のみについて、前記更新した閾値を用いて活動指標毎に、各活動指標の指標値と閾値の大小関係を示す式である条件式を作成し、条件式が１つの活動指標では当該条件式を推定関数とし、条件式が複数の活動指標では複数の条件式の論理的結合の全てのパターンにより生成された複数の関数を推定関数とし、この推定関数のそれぞれについてヒット率を算出し、算出したヒット率の最も高いものを最終的な推定関数とすることを特徴とする。

本発明によれば、個人差などに対応してより精度の高い眠気の推定を行うことができると共に眠気推定ルールを改訂するので、次第に推定の精度が向上してゆくことが期待される。

本発明に係る眠気推定装置の第１の実施形態のブロック図。 心電図信号におけるＲＲＩを説明するための心電図波形を示す図。 本発明に係る第１の実施形態の眠気推定装置において、要部を端末とクラウドストレージにより構成したブロック図。 本発明に係る眠気推定装置の第１の実施形態による端末の処理を示すフローチャート。 本発明に係る眠気推定装置の実施形態に取り込んだＲＲＩデータの一例を示す図。 本発明に係る眠気推定装置の実施形態に取り込んだＲＲＩデータとその取り込み時刻により構成されるデータの一例を示す図。 本発明に係る眠気推定装置の実施形態におけるループ処理のループ回数が０の場合のＲＲＩデータの一例を示す図。 本発明に係る眠気推定装置の実施形態におけるループ処理のループ回数が３の場合のＲＲＩデータの一例を示す図。 本発明に係る眠気推定装置の実施形態における要部である指標値計算手段の構成例を示すブロック図。 ＦＦＴ直接法により得たＰＳＤを示す図。 最大エントロピー法（burg法）により求めたＰＳＤを示す図。 図１０に示したＦＦＴ直接法により得たＰＳＤに対して、本発明に係る眠気推定装置の実施形態が用いる活動指標である特定周波数帯のパワーｐ_ｉを求める区間を示す図。 図１１に示した最大エントロピー法（burg法）により得たＰＳＤに対して、本発明に係る眠気推定装置の実施形態が用いる活動指標である特定周波数帯のパワーｐ_ｉを求める区間を示す図。 本発明に係る眠気推定装置の実施形態において用いる複数の活動指標について、指標名と指標変数、その閾値の一例を示す図。 本発明に係る眠気推定装置の眠気推定ルール更新の処理を示すフローチャート。 本発明に係る眠気推定装置の実施形態が用いる推定関数の一例を説明するためのベン図。 本発明に係る眠気推定装置の第２の実施形態による端末の処理を示すフローチャート。 本発明に係る眠気推定装置の第３の実施形態による端末の処理を示すフローチャート。 本発明に係る眠気推定装置の第４の実施形態による端末の処理を示すフローチャート。 本発明に係る眠気推定装置の第５の実施形態の機能ブロック図。 本発明に係る眠気推定装置の第５の実施形態の各部が備える具体的構成を示す機能ブロック図。 本発明に係る眠気推定装置の第５の実施形態による端末の処理を示すフローチャート。 本発明に係る眠気推定装置の第６の実施形態による端末の処理を示すフローチャート。 本発明に係る眠気推定装置の第７の実施形態による端末の処理を示すフローチャート。 本発明に係る眠気推定装置の第８の実施形態による端末の処理を示すフローチャート。 本発明に係る眠気推定装置の第９の実施形態による端末の処理を示すフローチャート。 本発明に係る眠気推定装置の第１０の実施形態による端末の処理を示すフローチャート。 本発明に係る眠気推定装置の第１１の実施形態の各部が備える具体的構成を示す機能ブロック図。 本発明に係る眠気推定装置の第１１の実施形態による端末の処理を示すフローチャート。 本発明に係る眠気推定装置の第１２の実施形態による端末の処理を示すフローチャート。 本発明に係る眠気推定装置の第１３の実施形態による端末の処理を示すフローチャート。 本発明に係る眠気推定装置の第１４の実施形態による端末の処理を示すフローチャート。 本発明に係る眠気推定装置の第１５の実施形態による端末の処理を示すフローチャート。 本発明に係る眠気推定装置の第１６の実施形態による端末の処理を示すフローチャート。 本発明に係る眠気推定装置の第１７の実施形態による端末の処理を示すフローチャート。 本発明に係る眠気推定装置の第１８の実施形態による端末の処理を示すフローチャート。 本発明に係る眠気推定装置の第１９の実施形態による端末の処理を示すフローチャート。

以下、添付図面を参照して本発明に係る眠気推定装置及び眠気推定プログラムの実施形態を説明する。各図において、同一の構成要素には同一の符号を付して重複する説明を省略する。また、以下に示されるいくつかの実施形態では、フローチャートに手段と部の配置を示し、手段と部の配置を示したブロック図を省略する。図１に、本発明の眠気推定装置の第１の実施形態のブロック図を示す。眠気推定装置は、コンピュータなどのプロセッサを有する端末２０に、心電図のＲ波に相当する信号を検出するセンサであるＲＲＩセンサ１０と、眠気情報出力装置４０を接続した構成を有する。端末２０には、クラウドストレージ３０が接続されており、クラウドストレージ３０には、上記端末２０が眠気推定などに用いるセンサ特性情報１１０１、眠気推定ルール１１０２、眠気推定ルールを更新するときに用いる更新ルール１１０３、取得済ＲＲＩ１０１２Ｘ、取得済眠気データ１００３Ｘが記憶されているものとする。

上記において、ＲＲＩセンサ１０は、生体に設けられ、無線或いは有線により図２（ｂ）に示すような心電図信号を検出して、図１に示すようにＲＲＩ（整形前）１００１を出力する。ＲＲＩセンサ１０は、心電図のＲ波に相当する信号を検出するセンサであればどのような心拍センサでもよく、心電計の心電図を取り出す部分の構成や脈波センサなどを用いることができる。

ここで、心電図信号について説明を行う。図２（ａ）に示されるように、心電図信号には、Ｒのピークを有するＱＲＳ波を観測することができる。ＱＲＳ波は、心室全体を急速に興奮させるときに発生するものとされる。また、その前方のＰ波は、洞房結節に興奮が発生し、心房が収縮したときの波とされる。更に、ＱＲＳ波の後方に現れるＴ波は、心室の興奮か回復するときに発生する波とされる。心臓の解析には、上記のＰ波、ＱＲＳ波、Ｔ波により得られるＰＱ時間、ＱＲＳ時間、ＱＴ時間などが重要なパラメータとして用いられる。心電図信号には図２（ｂ）に示すように、拍動に応じてＲ波が所定間隔で現れるので、ＲＲＩも重要なパラメータとされ、自律神経活動に関連していることが知られている。本実施形態では、このＲＲＩを眠気推定に用いるものである。

眠気情報出力装置４０は、被検者から得られる情報または被検者の生体状態を解析して得られる情報である、眠気の有無を示す眠気データを出力するものである。眠気情報出力装置４０は、脳波波形に基づき眠気の有無の情報を得るか、被検者の顔を撮像した画像の解析に眠気の有無の情報を得るか、被検者が眠気を感じたときに信号出力を行う機器によるか、その他の眠気の有無の情報を得るセンサ、の少なくとも１つにより眠気データを出力するものである。

端末２０のＣＰＵが眠気推定プログラムを実行することにより、図１に示されるＲＲＩ取得手段２１、データ整形手段２２、指標値計算手段２３、眠気推定手段２４、出力手段２５を実現する。また、端末２０のＣＰＵが眠気推定プログラムの一部である眠気推定ルール更新プログラムを実行することにより、図１に示される眠気データ取得手段５１、参照データ生成手段５２、更新手段５３が実現される。上記のＲＲＩ取得手段２１は、上記ＲＲＩセンサ１０からＲＲＩデータを取得するものである。ＲＲＩセンサ１０としては、心電図信号を出力するものでもよく、この場合には、ＲＲＩ取得手段２１が心電図信号に基づきＲＲＩデータを作成する。

データ整形手段２２は、ＲＲＩデータに対し、所定周波数成分の除去であるトレンド除去、異常値除去、データ補間、フィルタ処理の少なくとも１つを行う構成を有している。これらの構成は、トレンド除去部、異常値除去部、データ補間部、フィルタ処理部などとして実現されるが、ここでは詳細を省略する。

指標値計算手段２３は、上記ＲＲＩデータに基づいて自律神経の指標値を算出するもので、例えば、上記ＲＲＩデータを統計処理した結果と、上記ＲＲＩデータのスペクトル解析の結果に基づいて、複数種類である自律神経の活動指標について、その指標値を算出するように構成することができる。指標値計算手段２３は、第１の時間毎のＲＲＩデータを用いて単位時間の指標値を算出し、単位時間の指標値を活動指標の種類分集めてベクトル化し、ベクトル化された指標を時系列に並べて指標値ベクトル時系列を作成する。

また、眠気推定手段２４は、活動指標に関する閾値及び／または変動状態により評価する推定関数によって構成される眠気推定ルールに基づき、上記指標値計算手段２３により算出された活動指標を評価し眠気を推定する。

端末２０に備えられている出力手段２５は、眠気推定手段２４による推定結果を出力し、警報発生や機器の動作停止、警告などに用いられるようにする。

眠気データ取得手段５１は、上記眠気情報出力装置４０から出力された眠気の有無を示す眠気データを取得するものである。参照データ生成手段５２は、上記眠気データを用いて眠気推定ルールの適否を評価するための参照データを生成するものである。上記指標値計算手段２３は、活動指標の値について指標値ベクトル時系列を生成するものであり、上記参照データ生成手段５２は、上記眠気データについて眠気データベクトル時系列を生成するものである。

更新手段５３は、上記指標値計算手段により計算された指標値と上記参照データに基づき上記記憶手段であるクラウドストレージ３０に記憶されている眠気推定ルールを更新するものである。更新手段５３は、上記眠気データベクトル時系列と上記指標値ベクトル時系列を照合し、上記眠気推定ルールを更新するか否かを判定するものである。更新手段５３は、上記眠気データベクトル時系列と上記指標値ベクトル時系列の相互相関の相関値を求め、相関値に基づき更新を行う活動指標を特定するように構成することができる。

更新手段５３は、上記判定により更新すると判定した場合に、上記眠気データベクトル時系列と上記指標値ベクトル時系列の関係に基づき閾値を更新するものである。更新手段５３は、上記眠気データベクトル時系列において眠気有りとなっている時刻に対応する活動指標の値を上記指標値ベクトル時系列から求め、正の相関のときには求めた活動指標の値の最低値を候補閾値とし、負の相関のときには求めた活動指標の値の最高値を候補閾値として、当該候補閾値により前記指標値ベクトル時系列の活動指標の値を評価することにより、閾値の更新を行うように構成することができる。

更新手段５３は、上記指標値ベクトル時系列において、候補閾値以上の活動指標の値が占める割合に基づき、候補閾値を新たな閾値に更新するように構成することができる。更新手段５３は、候補閾値を新たな閾値に更新しない場合には、候補閾値の値を増減させて新たな候補閾値を作成し、この候補閾値により前記指標値ベクトル時系列の活動指標の値を評価することにより、閾値の更新を行うように構成することができる。

以上の構成の眠気推定装置は、具体的には、図３に示す構成を有する。端末２０に、既に説明したＲＲＩセンサ１０及び眠気情報出力装置４０が接続されると共に、端末２０にクラウドストレージ３０が接続されて構成されている。端末２０は、スマートフォン、タブレット端末、モバイル端末などにより構成することができる。

端末２０は、ＣＰＵの制御によって処理を行うものであり、処理中のデータなどを一時保持するためのメモリ、タッチ画面による情報やコマンドの入力と、各種データや画像の表示を行うことのできる入出力部、電話回線を介した通信やネットワークを介した通信などを行う通信部、時刻データを取り出すためのタイマを有する。更に、各種のアプリケーションプログラム、応用ソフト、各種ブラウザ、本実施形態において行うデータ取得やデータ整形等のデータ処理を行うためのパラメータ類及びデータ処理プログラム、眠気推定処理を行うための眠気推定プログラム、眠気推定ルール更新処理を行うための眠気推定ルール更新プログラムを記憶した記憶装置を備えている。

クラウドストレージ３０は、ＣＰＵの制御によって処理を行うものであり、処理中のデータなどを一時保持するための一時記憶などを行うメモリ、各種のパラメータ類及びプログラムを記憶した記憶装置を備えている。更に、クラウドストレージ３０は、ネットワークを介した通信（ここでは、主に端末２０との間の通信）などを行う通信部を備えている。

以上の構成を有する眠気推定装置では、眠気推定プログラムによって端末２０のＣＰＵが図４に示すフローチャートに対応する処理を行う。クラウドストレージ３０には、図４に示すセンサ特性情報１１０１、眠気推定ルール１１０２が備えられている。センサ特性情報１１０１は、センサ機種の違いによる特性差を吸収するために、図４に示すデータ整形手段２２においてＲＲＩに基づくデータを補正する目的で利用されるもので、例えば、ＱＲＳ波のピークが尖鋭でない特性や尖鋭であるが誤差が大きい特性となっている場合を補正値により補正する。クラウドストレージ３０にセンサ特性情報１１０１が存在しない場合は、特にセンサ機種の違いを吸収する目的での補正を行わなくとも良い。

眠気推定ルール１１０２は、活動指標の値に関する閾値及び／または変動状態により評価する推定関数によって構成されるものである。上記眠気推定ルール１１０２の推定関数は、後に詳述するが、上記活動指標と対応するそれぞれの閾値との比較条件と、所定変動状態の有無の条件とを含み、アンドとオアとノットのいずれかを用いて、或いはこれらアンドとオアとノットの２以上を用いて、上記条件を結合させて形成することができる。

図４に示される処理では、初めに開始処理部２０１が実行され、ループ開始部２０２が起動され、順次、ＲＲＩ取得手段２１以降の処理が実行される。ループ開始部２０２からループ終了判定部２０３まではループ処理であり、ループ終了判定部２０３で終了と判定されるまでループが継続される。このループの終了は、例えば端末２０からユーザが所定のキー操作を行うことにより実行させることができる。上記ループ処理では、処理がループ開始部２０２を介してＲＲＩ取得手段２１に戻る度に、ループカウンタｃｎｔをカウントアップする。ここに、ｃｎｔ＝０，１，２，・・・（ｃｎｔの開始値はゼロ）とする。

ループ処理（ループ開始部２０２からループ終了判定部２０３の間）は、開始処理部２０１で決定される指標値計算時間間隔ＤＴ［秒］毎に実施される。この理由により、ＲＲＩセンサ１０による測定開始時刻をＴ０、１回のループ処理で扱うＲＲＩのデータ長をＬＴ［秒］間分とすると、ｃｎｔ回目のループ処理では、時刻Ｔ０＋ｃｎｔ×ＤＴ〜時刻Ｔ０＋ｃｎｔ×ＤＴ＋ＬＴまでの、ＬＴ［秒］間に取得されたＲＲＩデータが処理される。

開始処理部２０１では、本処理で実施される各処理のパラメータを設定する。パラメータとは、以降のループ処理（ループ開始部２０２からループ終了判定部２０３の間）による再処理の時間間隔ＤＴ［秒］（指標値計算時間間隔）、１回のループ処理で扱うＲＲＩのデータ長ＬＴ［秒］間分をはじめとし、以降のデータ整形手段２２におけるデータ整形処理のパラメータ、定数類、以降の指標値計算手段２３における心拍解析のパラメータ類、定数類である。パラメータは、通常は予め用意しているデフォルト値を利用することができるが、幾つかの候補パラメータを用意しておき、所定のタイミングなどで変更手続きを実行して変更してもよい

クラウドストレージ３０の説明において既述した内容と重複するが、この開始処理部２０１では、クラウドストレージ３０にアクセスし、ＲＲＩセンサ機種に応じたセンサ特性情報１１０１が存在すれば読み込む。クラウドストレージ３０にセンサ特性情報１１０１が存在しない場合は、特にセンサ機種の違いを吸収する目的での補正は行われない。

更に開始処理部２０１では、クラウドストレージ３０に接続し、推定精度向上のために更新された眠気推定ルール１１０２が存在すれば読み込む。クラウドストレージ３０に更新された眠気推定ルール１１０２が存在しない場合は、前回の眠気推定処理で使用した眠気推定ルール１１０２が適用される。

開始処理部２０１の処理に続いてループ開始部２０２が起動され、ＲＲＩ取得手段２１の処理が実行される。ＲＲＩ取得手段２１では、測定開始時刻Ｔ０、ＲＲＩ時間長ＬＴ、指標値計算時間間隔ＤＴを用いて以下を順次実行する。即ち、ＲＲＩセンサ１０からＲＲＩ（整形前）１００１をリアルタイムに取得する。例えば、図５に示されるようなデータを取得する。図５の例では、ＲＲＩセンサ１０からはじめに「６８０」（単位は［ミリ秒］）を取り込み、以降、「７１０」，「５９３」，「８２７」，・・・とデータを取得したことを示している

次に、ＲＲＩ取得手段２１では、ＲＲＩセンサ１０に内蔵されるタイマ、或いは端末２０に内蔵されるタイマから１つのＲＲＩデータが発生した時刻１００２を取得する。時刻１００２とＲＲＩ（整形前）１００１を対応付けたデータを、ＲＲＩ２（整形前）１０１２に追加・蓄積する。例えば、図６に示されるデータであり、図６では、ＲＲＩセンサ１０から取得した初めのデータが１５時０９分１９秒６００ミリ秒の時刻のものであり、以降、図６中に示される時刻のデータであることを示している。

ＲＲＩ２（整形前）１０１２のうち、所定の時刻から所定の時刻までを抽出してＲＲＩ３（整形前）１０１３を生成する。指標値計算開始時刻Ｔ０、図４のフローチャートによる処理の第ｃｎｔ回目のループでは（ｃｎｔ＝０，１，２，・・・）、時刻Ｔ０＋ｃｎｔ×ＤＴ〜時刻Ｔ０＋ｃｎｔ×ＤＴ＋ＬＴまでのＬＴ秒間に取得されたＲＲＩを扱う。

尚、以降のデータ整形手段２２の補間処理において、時刻Ｔ０＋ｃｎｔ×ＤＴ〜時刻Ｔ０＋ｃｎｔ×ＤＴ＋ＬＴの前後１つずつのデータも必要になるため、時刻Ｔ０＋ｃｎｔ×ＤＴ〜時刻Ｔ０＋ｃｎｔ×ＤＴ＋ＬＴまでのＬＴ秒間に取得されたＲＲＩと、その前後１つずつのＲＲＩを含めたものが、ＲＲＩ３（整形前）１０１３である。

例えば、指標値計算開始時刻Ｔ０が１５時１０分２０秒、ＬＴ＝３００［秒］（＝５［分］）、ＤＴ＝１０秒、ｃｎｔ＝０、の場合は、時刻１５時１０分２０秒〜１５時１５分２０秒までのデータに、１５時１０分２０秒の１つ前のデータと、１５時１５分２０秒の１つ後のデータを含めた図７に示すようなデータである。

ｃｎｔ＝３の場合は、時刻１５時１０分５０秒〜１５時１５分５０秒までのデータに、１５時１０分５０秒の１つ前のデータと、１５時１５分５０秒の１つ後のデータを含めた図８に示すようなデータである。

ＲＲＩ取得手段２１による処理に続いてデータ整形手段２２による処理が行われる。データ整形手段２２では、所定の時点のデータに対してセンサ特性情報１１０１に応じた補正がなされる場合がある。これはセンサ機種の違いによる特性差を吸収するためのものである。次に、指標値計算手段２３による処理が行われる。

指標値計算手段２３については、図９に示されている内部構成を有しているので、この図９を用いて説明を行う。指標値計算手段２３は、指標１計算部２３２−１〜指標ｍ計算部２３２−ｍと、ベクトル化部２３３によって構成される。指標１計算部２３２−１〜指標ｍ計算部２３２−ｍでは、ＲＲＩ３（整形前）１０１３およびＲＲＩ（整形後）１０１４を用いて、心拍変動に基づく自律神経の活動指標（複数）をｍ個算出する。

本実施形態において用いる、心拍変動に基づく自律神経の活動指標（複数）とは、例えば以下ものを挙げることができる。
・積率統計量に関する活動指標
ＳＤＲＲ：ＲＲＩの標準偏差（交感神経と副交感神経の活動指標）
ＲＭＳＳＤ：隣接するＲＲＩの差の二乗平均値の平方根（副交感神経の活動指標）
ＳＤＳＤ：隣接するＲＲＩの差の標準偏差（副交感神経の活動指標）
ｐＲＲ５０：隣接するＲＲＩの差が５０［ミリ秒］を超える割合（副交感神経の活動指標）

・スペクトル解析に基づく活動指標
ＬＦ：ＰＳＤの０．０４〜０．１５［Ｈｚ］のパワー（主として交感神経の活動指標）
ＨＦ：ＰＳＤの０．１５〜０．４０［Ｈｚ］のパワー（副交感神経の活動指標）
ＨＦ／（ＬＦ＋ＨＦ）（副交感神経の活動比率）
特定周波数帯のパワーｐ_ｉ（ｉ＝０，１，２，・・・，９）：ＰＳＤの０．１５＋ｉ×０．０２５〜０．１５＋（ｉ＋１）×０．０２５［Ｈｚ］のパワー（副交感神経の個別周波数帯の活動指標）

積率統計量に関する活動指標は、ＲＲＩ３（整形前）１０１３のデータを
ｘ_ｉ（１≦ｉ≦ｍ）としたとき、以下の式により与えられる。

スペクトル解析に基づく指標の算出は、はじめにＲＲＩ（整形後）１０１４（即ち、｛ｘ_ｉ｝系列（１≦ｉ≦ｍ））について、ＦＦＴ、最大エントロピー法等を適用してＰＳＤ（パワースペクトル密度関数）を求める。ＦＦＴ算出については良く知られており、ここではその詳細説明を省略する。

図１０は、ＦＦＴ直接法により得たＰＳＤを示す図である。また、図１１は、最大エントロピー法（burg法）により求めたＰＳＤを示す図である。ＰＳＤを求める手法としては、上記の他に、ＦＦＴとＡＲモデル予測（Yule-Walker 法）により求める手法がある。

周波数ｆにおけるパワースペクトル密度関数をＰＳＤ（ｆ）と表すと、ＬＦ、ＨＦは以下の式により与えられる。尚、ＬＦ、ＨＦの積分区間の定義は諸説あり、定まったものは存在しない。従って、以下の式における積分区間は一例である。

上記の「スペクトル解析に基づく指標」においては、ＨＦ／(ＬＦ＋ＨＦ）を指標として示したが、Ratio は、ＬＦ／（ＬＦ＋ＨＦ）であっても、ＨＦ／ＬＦであっても良い。特定周波数帯のパワーｐ_ｉ（ｉ＝０，１，２，・・・，９）は、本願発明者が初めて提供する独自の指標であり、上記ＨＦの積分区間が０．１５〜０．４０［Ｈｚ］であるところを、該区間を１０分割し、分割区間単位でパワーを算出するものである。即ち、次の式により示す処理によりパワーを求める。

図１２は、ＦＦＴ直接法により得たＰＳＤの上記０．１５〜０．４０［Ｈｚ］の区間を、区間Ｉから区間Ｘまでの１０区間に分割し、各区間でパワーを求めることを示す図である。また、図１３は、最大エントロピー法（burg法）により求めたＰＳＤの上記０．１５〜０．４０［Ｈｚ］の区間を、区間Ｉから区間Ｘまでの１０区間に分割し、各区間でパワーを求めることを示す図である。勿論、分割数１０は一例であり、２以上の任意の数の区間に分割しても良い。

上記の実施形態において、眠気推定処理の第ｃｎｔ回目のループでは、時刻Ｔ０＋ｃｎｔ×ＤＴ〜時刻Ｔ０＋ｃｎｔ×ＤＴ＋ＬＴまでのＬＴ秒間に取得されたＲＲＩを用いて、ＳＤＲＲ、ＲＭＳＳＤ、ＳＤＳＤ、ｐＲＲ５０、ＬＦ、ＨＦ、ＨＦ／（ＬＦ＋ＨＦ）、ｐ_０、ｐ_１、ｐ_２、ｐ_３、ｐ_４、ｐ_５、ｐ_６、ｐ_７、ｐ_８、ｐ_９のｍ（＝１７）個の指標の指標値が算出される。

以降では，それぞれの指標値をｙ_ｊ（ｊ＝１，２，３，…，ｍ）と表記する。特に、時刻Ｔ０＋ｃｎｔ×ＤＴ＋ＬＴ（ｃｎｔ値に依存）における指標値であることを表す場合には、ｙ_ｊ，_ｃｎｔ（ｊ＝１，２，３，…，ｍ）、（ｃｎｔ＝０，１，２，３，…）と表記する。すなわち、ｙ_α，βは、時刻Ｔ０＋β×ＤＴ〜時刻Ｔ０＋β×ＤＴ＋ＬＴまでのＬＴ秒間に取得されたＲＲＩから算出されたα番目の指標値を意味する。

図９に示すベクトル化部２３３では、眠気推定処理の第ｃｎｔ回目のループで算出される指標値をベクトル化する。すなわち、時刻Ｔ０＋ｃｎｔ×ＤＴ〜時刻Ｔ０＋ｃｎｔ×ＤＴ＋ＬＴまでのＬＴ秒間に取得されたＲＲＩに基づき生成された指標値の種類分（種類数の）指標値ｙ_{１，ｃｎｔ}〜ｙ_{ｍ，ｃｎｔ}をまとめてベクトル化する。これにより、指標値ベクトル１０２１
ＹＹ_ｃｎｔ＝｛ｙ_{１，ｃｎｔ}，ｙ_{２，ｃｎｔ}，ｙ_{３，ｃｎｔ}，・・・・，ｙ_{ｍ，ｃｎｔ}｝を生成する。ベクトルの標記は、文中ではＹＹのように、大文字を連続記載したものとする。以降、ＹＹ_ｃｎｔは、時刻Ｔ０＋ｃｎｔ×ＤＴ＋ＬＴにおける指標値ベクトルとして扱う。

図４の指標値計算手段２３には、図示しない指標値ベクトルの時系列化部が含まれているので、以下に指標値ベクトルの時系列化部の説明を行う。指標値ベクトルの時系列化部では、眠気推定処理の第ｋ回目（０≦ｃｎｔ≦ｋ）までに算出された指標値ベクトルＹＹ_ｋをまとめて、指標値ベクトル時系列１０５１：ＤＤ＝｛ＹＹ_０，ＹＹ_１，ＹＹ_２，・・・，ＹＹ_ｋ｝を生成する。

次に、指標値計算手段２３に次いで処理を行う眠気推定手段２４の説明を行う。眠気推定手段２４では、再処理ループ（ループ開始部２０２〜ループ終了判定部２０３）の０〜ｋ回目までのループで構成される指標値ベクトル時系列１０５１：ＤＤ＝｛ＹＹ_０，ＹＹ_１，ＹＹ_２，・・・，ＹＹ_ｋ｝を参照し、眠気推定ルール１１０２に基づき眠気の推定を行う。

ここに、眠気推定ルール１１０２とは、閾値が定められた閾値ベクトルＲＲと、指標値ベクトル時系列ＤＤと閾値ベクトルＲＲを引数とする推定関数ｆとで構成されるものである。ｆ（ＤＤ，ＲＲ）は推定値を意味する。また、推定関数ｆは、推定値ｆ（ＤＤ，ＲＲ）＝｛１，０｝（１：眠気可能性あり、０：眠気可能性なし）のように、離散化された整数値を返すように設計されている。上記では、２値のものを示したが、推定値ｆ（ＤＤ，ＲＲ）＝｛３，２，１，０｝（３：眠気可能性大、２：可能性中、１：可能性低、０：なし）のように、４値化されていても良く、特に制限は無い。

推定関数ｆは、指標値ベクトル時系列ＤＤ＝｛ＹＹ_０，ＹＹ_１，ＹＹ_２，・・・，ＹＹ_ｋ｝のｋ＋１個の要素のうち、少なくとも１つ以上のＹＹ_ｃｎｔ（０≦ｃｎｔ≦ｋ）を利用し、また、ＹＹ_ｃｎｔ＝｛ｙ_{１，ｃｎｔ}，ｙ_{２，ｃｎｔ}，・・・・，ｙ_{ｍ，ｃｎｔ}｝のｍ個の要素のうち、少なくとも１つ以上のｙ_{ｊ，ｃｎｔ}（１≦ｊ≦ｍ）を利用するように構成することができる。即ち、ｋ＋１の時刻に対応する指標値ベクトルのうち少なくとも１つ以上の時刻に対応する指標値ベクトルを参照し、これらの指標値ベクトルのｍ個の要素のうち１つ以上を利用するようにすることができる。

上記推定関数ｆのより具体的な例１を示す。例１は、以下の条件１〜３を満たすときに「眠気あり」と判定することができる。これは、２値判定の例である。

条件１：ＨＦ／（ＬＦ＋ＨＦ）≧０．２
条件２：ｐ_５≧３．８ または ｐ_６≧４．２
条件３：ＨＦ≦２００

本実施形態では、指標名と、指標変数及びその閾値は、図１４に示す如き対応があるものとする。例えば、ＨＦ／（ＬＦ＋ＨＦ）の変数はｙ_７，閾値はｒ_７（＝０．２）である。同様に、指標名ｐ_５，ｐ_６，ＨＦの変数は、ｙ_１３，ｙ_１４，ｙ_６，閾値はｒ_１３（＝３．８），ｒ_１４（＝４．２），ｒ_６（＝２００）であることを示している。これに対応する閾値ベクトルＲＲは、図１４の上から下まで連番で１〜１７までの指標番号とすると、ＲＲ＝｛｛７，０．２｝，｛１３，３．８｝，｛１４，４．２｝，｛６，２００｝｝であり、｛｛指標番号，閾値｝，｛指標番号，閾値｝，｛指標番号，閾値｝，｛指標番号，閾値｝，・・・｝などとして構成することができる。

処理時刻及びループカウントを意味する最新のｃｎｔ値をkとすると、例１の推定関数は以下のように与えられる。
ｆ（ＤＤ，ＲＲ）：＝（ｙ_７，k≧ｒ_７）∧（（ｙ_１３，ｋ≧ｒ_１３）∨（ｙ_１４，ｋ≧ｒ_１４））∧（ｙ_６，ｋ≦ｒ_６）
上記において、∧はＡＮＤを意味し、∨はＯＲを意味する。
上記の推定関数ｆ（ＤＤ，ＲＲ）がＴＲＵＥならば１、ＦＡＬＳＥならば０とすることができる。

尚、本実施形態における推定関数が処理する内容は、一般的な指標を用いた判定が条件１であり、被検者に固有の特徴である、眠気時に特にＰＳＤにおける０．２７５〜０．３［Ｈｚ］の領域或いは０．３〜０．３２５［Ｈｚ］の領域の成分が上昇するという傾向を用いた判定が条件２であり、食事やお喋りなど、副交感神経の活動が活性化する場合の判定が条件３であり、これら条件１と条件２が共に成立し、条件３を排除するようにしたものである。

上記のユーザに固有の特徴に係る条件については、ユーザについて予め全指標を用いた測定であって、眠気を生じたときの測定を行うことにより得るものとすることができる。この測定のデータから、眠気を生じたときの各指標において顕著な変化を求め、推定関数とすることができる。これは後述するクラウドストレージ３０において、眠気推定処理が実行される毎に眠気推定ルール１１０２が更新され、推定精度を向上させて行く構成において処理を実行することができる。これによって、ユーザに固有の眠気推定ルールを設定することができる。

上記推定関数ｆの、より具体的な例２を示す。例２は、先の例１の推定関数ｆについて、条件４を加えたものであり、以下の通りである。
条件１：ＨＦ／（ＬＦ＋ＨＦ）≧０．２
条件２：ｐ_５≧３．８ または ｐ_６≧４．２
条件３：ＨＦ≦２００
条件４：条件１が過去連続して３回（現在を含め４回）満たしている

処理時刻及びループカウントを意味する最新のｃｎｔ値をｋとすると、本例の推定関数は以下のように与えられる。
ｆ（ＤＤ，ＲＲ）：＝（ｙ_７，ｋ≧ｒ_７）∧（（ｙ_１３，ｋ≧ｒ_１３）∨（ｙ_１４，ｋ≧ｒ_１４））
∧（ｙ_６，ｋ≦ｒ_６）∧（（ｙ_{７，ｋ−１}≧ｒ_７）∧（ｙ_{７，ｋ−２}≧ｒ_７）∧（ｙ_{７，ｋ−３}≧ｒ_７））
上記の推定関数（条件式）がＴＲＵＥならば１、ＦＡＬＳＥならば０とすることができる。

以上の通り、指標値計算手段２３（図１）は、第１の時間毎のＲＲＩデータを用いて単位時間の活動指標を算出し、単位時間の活動指標を活動指標の種類分集めてベクトル化し、ベクトル化された指標値を時系列に並べて指標値ベクトル時系列を作成し、眠気推定手段２４は、閾値ベクトルと上記指標値ベクトル時系列を用いて評価する関数により眠気推定を行う。

次に、出力手段２５が行う出力処理の説明を行う。出力手段２５の出力処理では、眠気推定手段２４において算出された推定値ｆ（ＤＤ，ＲＲ）を、眠気推定処理の呼び出し側／上位側への返り値として戻す処理を行う。

出力手段２５に次いで処理を行う上記眠気データ取得手段５１の説明を行う。既述の通り、端末２０にはＲＲＩセンサ１０以外に眠気情報出力装置４０が接続されている。眠気データ取得手段５１は、眠気情報出力装置４０により被検者（ユーザ）の客観的な眠気データを収集する。

眠気情報出力装置４０の例１は、被検者が眠気を催した際に、端末２０の所定位置をタッチすることにより、おおよその眠気発生時刻を収集する構成とすることができる。タッチの回数により、被検者の主観的な眠気の度合いも測定するとしてもよい。

処理の第ｃｎｔ回目のループでは、時刻Ｔ０＋ｃｎｔ×ＤＴ〜時刻Ｔ０＋ｃｎｔ×ＤＴ＋ＬＴまでの時間間隔ＬＴの間に収集したタッチの回数を収集する。この場合のデータ構造は、Ｑ_{１，ｃｎｔ}＝｛０，１｝（０：眠気なし，１：眠気あり）、或いは、Ｑ_{１，ｃｎｔ}＝｛０，１，２，・・・｝（０：眠気なし，１以降：被検者の主観的な眠気の度合い）とすることができる。

眠気情報出力装置４０の例２は、被検者をビデオ撮影し、画像認識処理の結果、眠気と判定される時刻を収集するものである。

処理の第ｃｎｔ回目のループでは、時刻Ｔ０＋ｃｎｔ×ＤＴ〜時刻Ｔ０＋ｃｎｔ×ＤＴ＋ＬＴまでの時間間隔ＬＴの間に少なくとも１回の動画像認識評価を行う。この場合のデータ構造は、Ｑ_{２，ｃｎｔ}＝｛０，１｝（０：眠気なし，１：眠気あり）或いは、Ｑ_{２，ｃｎｔ}＝｛０，１，２，・・・｝（０：眠気なし，１以降：画像認識結果による眠気の度合い）とすることができる。

眠気情報出力装置４０は、上記例１、例２に示した如く、処理の第ｃｎｔ回目のループ、すなわち時刻Ｔ０＋ｃｎｔ×ＤＴ〜時刻Ｔ０＋ｃｎｔ×ＤＴ＋ＬＴまでの時間間隔ＬＴの間に、少なくとも１回の眠気評価を行い、少なくとも２値化された眠気データを収集可能な手段であれば、その構成に限定はない。

眠気情報出力装置４０の数をｗとする。第ｓ番目（１≦ｓ≦ｗ）の眠気情報出力装置４０により、処理の第ｃｎｔ回目のループ、すなわち時刻Ｔ０＋ｃｎｔ×ＤＴ〜時刻Ｔ０＋ｃｎｔ×ＤＴ＋ＬＴまでの時間間隔ＬＴの間に得た眠気データをＱ_{ｓ，ｃｎｔ}とする（ｓ＝１，２，・・・，ｗ）。

眠気データ取得手段５１の処理の次には、ループ終了判定部２０３が処理を行う。眠気推定処理の呼び出し側／上位側などから終了指示により、ループ終了判定部２０３はＹＥＳへ分岐し、ＲＲＩセンサ１０によるデータ取得終了、停止し、及び眠気推定処理の呼び出し側／上位関数へコントロールを渡すことになる。ループ終了判定部２０３がＮＯへ分岐した場合には、ループ開始部２０２からＲＲＩ取得手段２１の処理へ戻り、次ステップ以降のループ処理が行われる。

ループ終了部２０４は、ループ終了判定部２０３による終了判定（ＹＥＳへの分岐）がなされた後にループの終了のたびに、図４に示すように、ＲＲＩセンサ１０から取得したＲＲＩ２（整形前）１０１２と、眠気データ１００３と、指標値ベクトルの時系列データＤＤの一部或いは全部のデータである指標値ベクトル時系列１０５１を、好ましくは眠気が生じたときのデータであるか否かを示すフラグと共にクラウドストレージ３０に転送する。この結果、クラウドストレージ３０には、取得済ＲＲＩ１０１２Ｘとして、また、取得済眠気データ１００３Ｘとして、所定期間の指標値ベクトル時系列１０５１Ｘとして記憶されることになる。ループ終了部２０４による処理の次には、参照データ生成手段５２による処理が行われることになる。

参照データ生成手段５２は、クラウドストレージ３０に蓄積されている第ｃｎｔ回目のループで収集した眠気データである取得済眠気データ１００３Ｘを取り出し、これをまとめてベクトル化し、眠気データベクトルＱＱ_ｃｎｔ＝｛Ｑ_{１，ｃｎｔ}，Ｑ_{２，ｃｎｔ}，・・・｝を生成する。

眠気データのベクトル化の次には、参照データ生成手段５２の図示しない眠気データベクトルの時系列化部が処理を行う。この眠気データベクトルの時系列化部による処理は、指標値ベクトルの時系列化部と同様に、ループ処理の第ｋ回目（０≦ｃｎｔ≦ｋ）までに収集した眠気データベクトルＱＱ_ｋをまとめて眠気データベクトル時系列ＥＥ＝｛ＱＱ_０，ＱＱ_１，ＱＱ_２，・・・，ＱＱ_ｋ｝を生成する。

ここで、眠気データベクトル時系列ＥＥ＝｛ＱＱ_０，ＱＱ_１，ＱＱ_２，・・・，ＱＱ_ｋ｝の例を示して説明する。また、眠気情報出力装置４０として、（１）眠気時に被検者が端末２０のパネルの該当部をタッチすることによる自己申告の眠気情報（主観的眠気情報）と、（２）ビデオ画像撮影と画像処理（顔認識処理等）による眠気情報（客観的眠気情報）を例とする。

処理時刻を意味するｃｎｔ値をｋとする。被検者によるパネルをタッチの場合には、例えば、パネルの該当部にタッチした場合は１、タッチしない場合は０として、本ループ処理の時間間隔ＤＴにて処理を行って時系列データを生成する（参照データ生成手段５２）。

また、ビデオ画像撮影と画像処理（顔認識処理等）の場合には、目が細くなり、瞼の動作がなく、顔全体に動きが無い状態を１（眠気）、瞼のまばたき時間以上に瞼を閉じている状態を２（寝ている）、その他の覚醒状態を０として、本ループ処理の時間間隔ＤＴにて処理を行って時系列データを生成する（参照データ生成手段５２）。

データ生成により、眠気データベクトルＱＱは、例えば、次の通りになる。
ＱＱ_ｋ−４＝｛０，０｝，ＱＱ_ｋ−３＝｛０，１｝，ＱＱ_ｋ−２＝｛０，１｝，ＱＱ_ｋ−１＝｛０，２｝，ＱＱ_ｋ＝｛１，０｝

尚、上記自己申告の手法は、画像処理よりも遅れて生じることが想定される。全眠気データベクトルＱＱ_ｃｎｔを集めて眠気データベクトル時系列ＥＥ＝｛ＱＱ_０，ＱＱ_１，ＱＱ_２，・・・，ＱＱ_ｋ｝が生成される。

上記のようにして参照データ生成手段５２による処理が終了すると、次の更新手段５３によって以下の処理が行われる。更新手段５３は、指標値ベクトル時系列１０５１（ＤＤ＝｛ＹＹ_０，ＹＹ_１，ＹＹ_２，・・・，ＹＹ_ｋ｝）または過去の所定期間内に取得した指標値ベクトル時系列１０５１を集合してクラウドストレージ３０に蓄積した所定期間の指標値ベクトル時系列１０５１Ｘと、眠気データベクトル時系列１０５２（ＥＥ＝｛ＱＱ_０，ＱＱ_１，ＱＱ_２，・・・，ＱＱ_ｋ｝）または過去の所定期間内に取得した眠気データベクトル時系列１０５２を集合してクラウドストレージ３０に蓄積した所定期間の眠気データベクトル時系列１０５２Ｘとを照合する。この照合に基づいて、更新手段５３は、眠気推定ルール１１０２（推定関数ｆ，閾値ベクトルＲＲ）を最適なものに更新する。

更新ルールは、眠気推定ルール１１０２の更新に関するパラメータ及び更新関数ｇにより構成される。更新手段５３は、過去に取得したデータに対して統計的な分析手法を適用することにより、更新処理時点において最新かつ最適の推定関数を求めるものである。更新手段５３は、統計的な分析手法の種類に応じて様々なものとすることができ、複数種類を用意することができる。

更新手段５３による眠気推定ルール更新処理の一例は、図１５のフローチャートに示すように行われる。まず、指標値ベクトルの時系列ＤＤと眠気データベクトルの時系列ＥＥとの照合が行われる（Ｓ１１）。このステップＳ１１では、眠気データベクトル時系列と指標値ベクトル時系列の相互相関の相関値を求め、相関値に基づき更新を行う活動指標を特定する。

より具体的には、指標値ベクトルの時系列ＤＤ＝｛ＹＹ_０，ＹＹ_１，ＹＹ_２，・・・，ＹＹ_ｋ｝と、眠気データベクトルの時系列ＥＥ＝｛ＱＱ_０，ＱＱ_１，ＱＱ_２，・・・，ＱＱ_ｋ｝の相関値（相互相関）を算出し、相関値の絶対値が所定値以上である指標を検出する。即ち、指標毎正の相関（または負の相関）が所定以上である指標を検出する。ここで、所定値は、例えば０．３などと決定しておけば良く、この値は当該システムに固定なものとしても良く、また適宜な場合に変更するようにしても良い。

相関値が所定値以上である指標については更新を行い、所定値未満の指標については更新を行わず、既存の眠気推定ルールをそのまま適用する。更新を行うと決定した指標のみを対象に、指標毎に以下の処理を実行する。眠気データベクトル時系列ＥＥ＝｛ＱＱ_０，ＱＱ_１，ＱＱ_２，・・・，ＱＱ_ｋ｝において「眠気有り」がセットされている全ての処理時刻における指標値を収集する（Ｓ１２）。

次に、相関関数の結果が正の相関がある場合には、収集した指標値について最低値を候補閾値とし、また、相関関数の結果が負の相関がある場合には、収集した指標値について最高値を候補閾値とする（Ｓ１３）。例えば、ＤＤとＥＥについて、第３番目の指標と第７番目の指標が高い正の相関があったとする。このとき、ＥＥにおいて１（眠気）を示すｃｎｔ値が、ｃｎｔ＝４３、１０１、２５２だったとする。このｃｎｔ値における指標値をＤＤから得る。即ち、第３番目の指標に関しては｛ｙ_３，４３，ｙ_{３，１０１}，ｙ_{３，２５２}｝を得て、第７番目の指標に関しては｛ｙ_７，４３，ｙ_{７，１０１}，ｙ_{７，２５２}｝を得る。このとき、｛ｙ_３，４３，ｙ_{３，１０１}，ｙ_{３，２５２}｝の中で最低値が第３番目の候補閾値ｒ'_３となり，｛ｙ_７，４３，ｙ_{７，１０１}，ｙ_{７，２５２}｝の中で最低値が第７番目の候補閾値ｒ'_７となる。

次に、候補閾値に対応する指標値ベクトル時系列１０５１または所定期間の指標値ベクトル時系列１０５１Ｘの全ての時刻において、候補閾値以上（以下）の値を有する時刻が占める割合γを求める（Ｓ１４）。次に、求めた割合γが、予め設定した割合以下（例えば、１０％以下）であるか否かを判定する（Ｓ１５）。ステップＳ１５においてＹＥＳとなると、この候補閾値を該当の指標における新たな閾値に更新する（Ｓ１６）。ここで、ステップＳ１５においてＹＥＳの場合を、前述の第３番目の指標（正の相関）について例示すると、r₃ ＝r'₃として閾値 r₃を更新することになる。

一方、ステップＳ１５においてＮＯとなると、候補閾値の値を所定だけ増減させて（Ｓ１７）、ステップＳ１４に戻って処理を続ける。増減は、例えば増加によるループ処理を限界まで続け、限界となると元の値から減少によるループを行うようにすることができる。尚、ステップＳ１４へ戻った場合には、ステップＳ１５でＹＥＳとならなくとも、割合があらかじめ定めた割合に最も近い値を示したところでループを止め、その時点での候補閾値を該指標の新たな閾値としても良い。ステップＳ１５においてＮＯへ分岐した場合を前述の第３番目の指標（正の相関）について例示すると、前述の割合γが予め設定した割合に最も近い値となるようなr''₃（＞ r'₃ ）を再計算により求め、r₃ ＝r''₃，として閾値 r₃を更新することになる。

上記の如くして、指標値ベクトル時系列ＤＤ＝｛ＹＹ_０，ＹＹ_１，ＹＹ_２，・・・，ＹＹ_ｋ｝と眠気データベクトル時系列ＥＥ＝｛ＱＱ_０，ＱＱ_１，ＱＱ_２，・・・，ＱＱ_ｋ｝の間で高い相関性を持つ指標とその閾値を得ているものとして、眠気推定ルール１１０２を構成する推定関数に対する更新処理を説明する。なお、以下において、条件式とは、各活動指標の指標値と閾値の大小関係を示す式である。そして、推定関数とは、上記条件式を用いて作成され、通常複数の条件式の論理的結合により生成された関数である。条件式が１つの活動指標では当該条件式が推定関数である。

図１４において上から下までの指標に１から１７までの連番で指標番号を与えた場合に、ＤＤとＥＥの間で高い相関性を持つ指標番号が、例えば｛３，１３，１４｝の３つ存在しているものとする。このうち、｛３，１３｝が正の相関を有し、｛１４｝が負の相関を有していたとする。また、各指標に対応する、上記で求めた閾値は｛ｒ_３，ｒ_１３，ｒ_１４｝であり、時刻はｋとする。

推定値として２値化を構成する場合の最も基本となる推定関数及び閾値ベクトルは、

ｆ：＝（ｙ_３，ｋ≧ｒ_３）∨（ｙ_１３，ｋ≧ｒ_１３）∨（ｙ_１４，ｋ≦ｒ_１４）−−−（Ｓ１）
ＲＲ＝｛｛３，ｒ_３｝，｛１３，ｒ_１３｝，｛１４，ｒ_１４｝｝−−−（Ｓ２）
として与えられる。なお、∨はＯＲを示す。

上記の最も基本となる推定関数式（Ｓ１）は、３つの条件式（不等式）をＯＲで結合した構造となっている。上記のＯＲで結合された３つの条件式を、それぞれη_１，η_２，η_３と表すと、式（Ｓ１）は、図１６で示されるベン図上で、３つの円の外周で囲まれた部分に相当する。この部分は、また、ベン図上の線分で囲まれた領域０〜VIIに関して、I〜VIIまでの領域をＯＲ（∨）で結合した領域に等しく、以下の式（Ｓ３）により表すことができる。

ｆ＝I ∨ II ∨ III ∨ ・・・ ∨ VII −−−（Ｓ３）

尚、領域０〜VIIを表す理論式は、それぞれ以下の表１で示されるブール式ｚ_０〜ｚ_７として与えられる。
即ち、ｚ_１＝（¬η_３）∧（¬η_２）∧η_１，ｚ_２＝（¬η_３）∧η_２∧（¬η_１）である。

以降の最適化では、上記の最も基本となる推定関数式（Ｓ１）に相当する式（Ｓ３）について、推定として有効でない部分を省いた構成、例えばI∨III∨VIIなど、を用いることができる。ここで、I〜VIIの領域を、理論式ｚ_１〜ｚ_７を要素に持つ集合Ｚを考える。
Ｚ＝｛ｚ_１，ｚ_２，ｚ_３，ｚ_４，ｚ_５，ｚ_６，ｚ_７｝−−−（Ｓ４）

評価する推定関数の数は、Ｚの冪集合２^Ｚの要素数分だけある。式（Ｓ４）に関しては、Ｚの要素数は７なので、Ｚの冪集合２^Ｚの要素数は２^７＝１２８である。Ｚの冪集合２^Ｚの全ての要素の記載は省略するが、一部を省略して表記すると、

２^Ｚ＝｛｛φ｝，｛ｚ_１｝，｛ｚ_２｝，・・・
｛ｚ_１，ｚ_２｝，・・・，｛ｚ_３，ｚ_５｝，・・・
｛ｚ_１，ｚ_２，ｚ_３｝，・・・，｛ｚ_３，ｚ_５，ｚ_６｝，・・・
・・・
・・・，｛ｚ_２，ｚ_３，ｚ_５，ｚ_６｝，・・・
・・・
，｛ｚ_１，ｚ_２，ｚ_３，ｚ_４，ｚ_５，ｚ_６，ｚ_７｝ ｝−−−（Ｓ５）
である。

推定関数は、冪集合２^Ｚの要素毎に該要素の要素をＯＲ（∨）で結合した関数となる。即ち、式（Ｓ５）で表した冪集合２^Ｚに関しては、φ（空集合）を除き、
ｆ：＝ｚ_１
ｆ：＝ｚ_２
・・・
ｆ：＝ｚ_１∨ｚ_２
ｆ：＝ｚ_３∨ｚ_５
・・・
ｆ：＝ｚ_１∨ｚ_２∨ｚ_３
ｆ：＝ｚ_３∨ｚ_５∨ｚ_６
・・・
ｆ：＝ｚ_２∨ｚ_３∨ｚ_５∨ｚ_６
ｆ：＝ｚ_１∨ｚ_２∨ｚ_３∨ｚ_４∨ｚ_５∨ｚ_６∨ｚ_７ −−−（Ｓ７）
である。

次いで、上記で求めた推定関数毎に、所定期間の指標値ベクトル時系列１０５１Ｘを与えて推定値（推定値の時系列）を算出する。該推定値（推定値時系列）が、所定期間の眠気データベクトル時系列１０５２Ｘと最も一致する（ヒット率が高い）関数を選び最終的な推定関数とする。

ヒット率の算出に関しては、推定値の時系列をＸ＝｛０，０，１，１，０，…｝、眠気データベクトル時系列（２値化の場合）Ｙ＝｛０，０，０，１，０，…｝，｜Ｘ｜＝｜Ｙ｜＝ｍ'とした場合では、

などとして与える。上記例は、ＤＤとＥＥの間で高い相関性を持つ指標の数が３の場合を示したものであるが、その他の自然数の場合でも同様にして求めることができる。

以上の処理は、更新手段５３が図１５のステップＳ１１からステップＳ１６においてクラウドストレージ３０の眠気推定ルール１１０２のパラメータ（閾値）に対する更新を行った後に、推定関数に対する更新として行うものである。これをまとめると、図１５のステップＳ２１とステップＳ２２に示すようになる。即ち、ステップＳ１１で特定された指標のみについてステップＳ１６において求めた閾値を用いて指標毎の条件式（論理式）を作成する（Ｓ２１）。次いで、上記ステップＳ２１において作成した条件式の論理的な結合の全てのパターンにより複数の推定関数を作成し、この推定関数のそれぞれについてヒット率を算出し、算出したヒット率の最も高いものを最終的な推定関数とする（Ｓ２２）。このようにして更新手段５３による眠気推定ルール１１０２の更新が終了した後に、終了処理部２０５が眠気推定ルール更新処理を終了する。

図１７に、本発明に係る眠気推定装置の第２の実施形態が用いる眠気推定プログラム及び眠気推定ルール更新プログラムによる処理を示すフローチャートを示す。装置の構成は第１の実施形態に示したものと変わらない。この実施形態では、参照データ生成手段５２が眠気データ１００３を得て眠気データベクトル時系列１０５２を生成する毎に、クラウドストレージ３０に送出して蓄積し、所定期間の眠気データベクトル時系列１０５２Ｘとする。その他の実質処理は第１の実施形態と変わらない。

図１８に、本発明に係る眠気推定装置が用いる第３の実施形態の眠気推定プログラム及び眠気推定ルール更新プログラムによる処理を示すフローチャートを示す。装置の構成は第１の実施形態に示したものと変わらない。この実施形態では、第１の実施形態におけるループ処理（ループ開始部２０２からループ終了判定部２０３の間）でのみ行われていたデータ整形手段２２と指標値計算手段２３による処理を、ループ終了部２０４の処理以降のループ処理（ループ２開始部２１２からループ２終了判定部２１３の間）においても、次のようにクラウドストレージ３０の取得済ＲＲＩ１０１２Ｘのデータを用いて行うようにしたものである。

ループ２開始部２１２からループ２終了判定部２１３の間においては、第２データ整形手段２２Ａがクラウドストレージ３０の取得済ＲＲＩ１０１２Ｘを読出してデータ整形し、このデータ整形されたデータを用いて第２指標値計算手段２３Ａが指標値を計算し、指標値ベクトル時系列を生成する。

データ整形手段２２と指標値計算手段２３とは、ＲＲＩセンサ１０から得られるＲＲＩ（整形前）１００１を用いて処理や計算を行うのに対し、第２データ整形手段２２Ａと第２指標値計算手段２３Ａは、クラウドストレージ３０に蓄積された取得済ＲＲＩ１０１２Ｘを用いて処理や計算を行う点で相違する。データ整形手段２２と指標値計算手段２３とが行う処理や計算の内容と、第２データ整形手段２２Ａと第２指標値計算手段２３Ａとが行う処理や計算の内容は、同じである。

このループ処理が終了した後に、生成された指標値ベクトル時系列を、ループ２終了部２１４が一括してクラウドストレージ３０に蓄積し、所定期間の指標値ベクトル時系列１０５１Ｘとする。このようにして、推定ルール更新のために、所定期間の指標値ベクトル時系列１０５１Ｘが生成される。その他の実質処理は第１の実施形態と変わらない。

図１９に、本発明に係る眠気推定装置が用いる第４の実施形態の眠気推定プログラム及び眠気推定ルール更新プログラムによる処理を示すフローチャートを示す。装置の構成は第１の実施形態に示したものと変わらない。この実施形態では、ループ２終了部２１４が、ループ２終了判定部２１３による終了判定（ＹＥＳへの分岐）がなされた後にループ２の終了のたびに、指標値ベクトルの時系列データＤＤの一部或いは全部のデータである指標値ベクトル時系列１０５１を、好ましくは眠気が生じたときのデータであるか否かを示すフラグと共にクラウドストレージ３０に転送する。また、第１の実施形態と同様に、参照データ生成手段５２が眠気データベクトル時系列１０５２を生成する毎にクラウドストレージ３０に送出して蓄積し、所定期間の眠気データベクトル時系列１０５２Ｘとする。これ以外は第３の実施形態と変わらない。

図２０に、発明に係る眠気推定装置の第５の実施形態の機能ブロック図を示す。この第５の実施形態では、端末２０が眠気推定処理を行い、サーバ６０がルール更新を行う。図２１に第５の実施形態の眠気推定装置の各部が備える具体的構成を示す。図２２は、発明に係る眠気推定装置の第５の実施形態の動作を示すフローチャートである。図２０に示すように、サーバ６０は、第２データ整形手段２２Ａ、第２指標値計算手段２３Ａ、参照データ生成手段５２、更新手段５３を備えている。第２データ整形手段２２Ａと第２指標値計算手段２３Ａは、クラウドストレージ３０に蓄積された取得済ＲＲＩ１０１２Ｘを用いて処理や計算を行う。

サーバ６０は、ＣＰＵの制御によって処理を行うものであり、図２１に示すように、処理中のデータなどを一時保持するためのメモリ、電話回線を介した通信やネットワークを介した通信などを行う通信部、時刻データを取り出すためのタイマを有する。更に、各種のアプリケーションプログラム、応用ソフト、各種ブラウザ、本実施形態において行うデータ取得やデータ整形等のデータ処理を行うためのデータ処理プログラム、眠気推定ルール更新処理を行うための眠気推定ルール更新プログラム、各種の処理データを記憶するための記憶装置を備えている。

図２２に示すように、端末２０は、ＲＲＩ取得手段２１によるＲＲＩデータの取得と眠気データ取得手段５１による眠気データの収集を行い、これらをループ終了部２０４により、ループ終了の都度、ＲＲＩ２（整形前）１０１２としてクラウドストレージ３０へ送り取得済ＲＲＩ１０１２Ｘとして蓄積し、眠気データ１００３としてクラウドストレージ３０へ送り取得済眠気データ１００３Ｘとして蓄積するだけで、眠気推定ルール更新に関しての実質処理は行わない。眠気推定手段２４は、閾値ベクトルと上記指標値ベクトル時系列を用いて評価する関数により眠気推定を行う。眠気推定手段２４において算出された推定値１００５は、出力手段２５により眠気推定処理の呼び出し側／上位側への返り値として戻される。

サーバ６０は、ループ２開始部６１２とループ２終了判定部６１３とに挟まれるループ処理においてクラウドストレージ３０の取得済ＲＲＩ１０１２Ｘを取り出して第２データ整形手段２２Ａと第２指標値計算手段２３Ａによって計算処理を行い、指標値ベクトル時系列を得る。ループ２終了部６１４の終了処理がなされると、参照データ生成手段５２によるクラウドストレージ３０の取得済眠気データ１００３Ｘの取り出しが行われ、参照データ生成がなされる。次に、更新手段５３がクラウドストレージ３０の所定期間の指標値ベクトル時系列１０５１Ｘから指標値ベクトル時系列を読み出し、クラウドストレージ３０の所定期間の眠気データベクトル時系列１０５２Ｘから眠気データベクトル時系列を読み出し、眠気推定ルール１１０２の更新を行う。このような第５の実施形態の構成によって、処理能力で優れたサーバ６０において、適切に眠気推定ルールを更新することが可能である。

図２３に、本発明に係る眠気推定装置が用いる第６の実施形態の眠気推定プログラム及び眠気推定ルール更新プログラムによる処理を示すフローチャートを示す。装置の構成は第５の実施形態に示したものと変わらない。この実施形態では、サーバ６０においてループ処理が終了する毎に、作成された指標値ベクトル時系列１０５１をループ２終了部６１４が、クラウドストレージ３０の所定期間の指標値ベクトル時系列１０５１Ｘとして蓄積し、参照データ生成手段５２が作成した眠気データベクトル時系列１０５２を作成の毎に、クラウドストレージ３０の所定期間の眠気データベクトル時系列１０５２Ｘとして蓄積する処理を行う。これ以外の処理は第６の実施形態と変わらない。

図２４に、本発明に係る眠気推定装置が用いる第７の実施形態の眠気推定プログラム及び眠気推定ルール更新プログラムによる処理を示すフローチャートを示す。装置の構成は第５の実施形態に示したものと変わらない。この実施形態では、サーバ６０が更新手段５３を備え、端末２０がデータ整形手段２２、指標値計算手段２３、参照データ生成手段５２を備える点において第５の実施形態と異なっている。

端末２０では、ループ終了部２０４が、ループ処理終了毎に得られた指標値ベクトル時系列をクラウドストレージ３０へ所定期間の指標値ベクトル時系列１０５１Ｘとして蓄積し、参照データ生成手段５２が生成した眠気データベクトル時系列を一括してクラウドストレージ３０へ送り、所定期間の眠気データベクトル時系列１０５２Ｘの更新を行う。一方、サーバ６０の更新手段５３がクラウドストレージ３０の所定期間の指標値ベクトル時系列１０５１Ｘから指標値ベクトル時系列を読み出し、クラウドストレージ３０の所定期間の眠気データベクトル時系列１０５２Ｘから眠気データベクトル時系列を読み出し、眠気推定ルール１１０２の更新を行う。これ以外の処理は第５の実施形態と変わらない。

図２５に、本発明に係る眠気推定装置が用いる第８の実施形態の眠気推定プログラム及び眠気推定ルール更新プログラムによる処理を示すフローチャートを示す。装置の構成は第５の実施形態に示したものと変わらない。この実施形態では、サーバ６０がループ２開始部６１２、第２データ整形手段２２Ａ、第２指標値計算手段２３Ａ、ループ２終了判定部６１３、ループ２終了部６１４を備えておらず、クラウドストレージ３０の所定期間の指標値ベクトル時系列１０５１Ｘに対して、端末２０のループ終了部２０４から指標値ベクトル時系列１０５１が送出され蓄積される。また、この実施形態では、第７の実施形態とほぼ同様に処理を行う。参照データ生成手段５２が眠気データベクトル時系列１０５２を生成する毎にクラウドストレージ３０に送出して蓄積し、所定期間の眠気データベクトル時系列１０５２Ｘとする点において第７の実施形態と相違する。

図２６に、本発明に係る眠気推定装置が用いる第９の実施形態の眠気推定プログラム及び眠気推定ルール更新プログラムによる処理を示すフローチャートを示す。装置の構成は第５の実施形態に示したものと変わらない。この実施形態は、第８の実施形態において、端末２０に備えられていた参照データ生成手段５２を、サーバ６０に移した構成を有する。

即ち、サーバ６０の参照データ生成手段５２が、クラウドストレージ３０に蓄積されている取得済眠気データ１００３Ｘを取り出し、これをまとめてベクトル化し、更に眠気データベクトル時系列を生成する。そして、参照データ生成手段５２は生成された眠気データベクトル時系列をクラウドストレージ３０に一括して送り、所定期間の眠気データベクトル時系列１０５２Ｘとして蓄積する。これ以外の処理は、第８の実施形態の処理と変わらない。

図２７に、本発明に係る眠気推定装置が用いる第１０の実施形態の眠気推定プログラム及び眠気推定ルール更新プログラムによる処理を示すフローチャートを示す。装置の構成は第５の実施形態に示したものと変わらない。この実施形態では、第９の実施形態の変形例である。即ち、端末２０のループ終了部２０４がクラウドストレージ３０へ眠気データ１００３を蓄積する毎に、この眠気データ１００３をサーバ６０の参照データ生成手段５２が取り出し、これをベクトル化し、更に眠気データベクトル時系列を生成する。そして、参照データ生成手段５２は上記処理において眠気データベクトル時系列１０５２を生成する毎に、これをクラウドストレージ３０に送り、所定期間の眠気データベクトル時系列１０５２Ｘとして蓄積する。他の処理は第９の実施形態と変わらない。

図２８に、本発明に係る眠気推定装置における第１１の実施形態の具体的構成図を示す。第１１の実施形態では、端末２０とサーバ６０とが直接接続され、相互にデータの送受信が可能である点において、図２１に示した第５の実施形態と相違する。

図２９に、本発明に係る眠気推定装置が用いる第１１の実施形態の眠気推定プログラム及び眠気推定ルール更新プログラムによる処理を示すフローチャートを示す。図２９と図２２を比較すると明らかなように、この第１１の実施形態の構成と処理は、第５の実施形態の構成と処理と大きく異なる。この第１１の実施形態では、端末２０にサーバ同期開始部２０６とサーバ同期終了部２０７とが備えられ、サーバ６０に端末同期開始部６０６と端末同期終了部６０７とが備えられ、サーバ６０がループ開始部６０２、ＲＲＩ取得手段２１Ａ、ループ終了判定部６０３を備えている点において、第５の実施形態と異なる。

第１１の実施形態では、サーバ同期開始部２０６と端末同期開始部６０６とによる同期確立後に、端末２０のＲＲＩ取得手段２１が取得したＲＲＩ（整形前）１００１と時刻１００２が直接にサーバ６０へ送られる。サーバ６０では、ＲＲＩ取得手段２１Ａが上記ＲＲＩ（整形前）１００１と時刻１００２を受け取って保持しておくことができる。サーバ６０に備えられたデータ整形手段２２によりデータ整形が行われ、指標値計算手段２３によって指標値の計算が行われ、眠気推定手段２４によって推定値１００５が求められて端末２０へ送られる。推定値１００５は、端末２０に設けられた出力手段２５が、眠気推定処理の呼び出し側／上位側への返り値として戻す処理を行う。

定められた回数のループ処理が終了したとき、サーバ同期終了部２０７と端末同期終了部６０７とは同期動作を終了する。このときクラウドストレージ３０には、同期終了までの取得済ＲＲＩ１０１２Ｘと取得済眠気データ１００３Ｘとが蓄積されている。そこで、取得済ＲＲＩ１０１２Ｘを用いてサーバ６０の第２データ整形手段２２Ａ及び第２指標値計算手段２３Ａが指標値ベクトル時系列を求め、取得済眠気データ１００３Ｘを用いて参照データ生成手段５２が眠気データベクトル時系列を生成する。最終的に、更新手段５３が、クラウドストレージ３０に蓄積された所定期間の指標値ベクトル時系列１０５１Ｘと所定期間の眠気データベクトル時系列１０５２Ｘとに基づき眠気推定ルール１１０２の更新を行う。

図３０に、本発明に係る眠気推定装置が用いる第１２の実施形態の眠気推定プログラム及び眠気推定ルール更新プログラムによる処理を示すフローチャートを示す。装置の構成は第１１の実施形態に示したものと変わらない。第１１の実施形態では、終了時にクラウドストレージ３０の所定期間の指標値ベクトル時系列１０５１Ｘと所定期間の眠気データベクトル時系列１０５２Ｘとの一括更新を行うようにしているが、この実施形態では、ループ２開始部６１２とループ２終了判定部６１３間のループ処理毎に、ループ２終了部６１４が指標値ベクトル時系列１０５１をクラウドストレージ３０に送出し、また、参照データ生成手段５２が眠気データベクトル時系列１０５２をクラウドストレージ３０に送出する。この結果、上記ループ処理毎にクラウドストレージ３０の所定期間の指標値ベクトル時系列１０５１Ｘと所定期間の眠気データベクトル時系列１０５２Ｘとが更新される。この点以外は、第１１の実施形態と変わらない。

図３１に、本発明に係る眠気推定装置が用いる第１３の実施形態の眠気推定プログラム及び眠気推定ルール更新プログラムによる処理を示すフローチャートを示す。この第１３の実施形態の構成と処理は、第１２の実施形態の構成と処理とほぼ同じである。以下の処理が第１２の実施形態と異なる。第１２の実施形態のサーバ６０に備えられていたループ２開始部６１２、第２データ整形手段２２Ａ、第２指標値計算手段２３Ａ、ループ２終了判定部６１３、ループ２終了部６１４が、この第１３の実施形態では、サーバ６０に備えられない。この第１３の実施形態では、サーバ６０のループ処理において、ＲＲＩ取得手段２１Ａが取得したＲＲＩ（整形前）１００１と時刻１００２を用いて、サーバ６０のデータ整形手段２２と指標値計算手段２３が指標値ベクトル時系列１０５１を求め、これをループ処理終了毎にループ終了部６０４がクラウドストレージ３０へ送る。これにより、上記ループ処理毎にクラウドストレージ３０の所定期間の指標値ベクトル時系列１０５１Ｘが更新される。

また、端末２０が参照データ生成手段５２を備え、サーバ同期終了部２０７による同期終了後に、参照データ生成手段５２は、クラウドストレージ３０の取得済眠気データ１００３Ｘを用いて眠気データベクトル時系列を生成し、クラウドストレージ３０の所定期間の眠気データベクトル時系列１０５２Ｘの一括更新を行う。この点以外は、第１２の実施形態と変わらない。

図３２に、本発明に係る眠気推定装置が用いる第１４の実施形態の眠気推定プログラム及び眠気推定ルール更新プログラムによる処理を示すフローチャートを示す。この第１４の実施形態の構成と処理は、第１３の実施形態の構成と処理とほぼ同じである。この第１４の実施形態では、端末２０のループ処理毎に、ループ処理で取得しただけの眠気データ１００３を用いて、参照データ生成手段５２が、眠気データベクトル時系列１０５２を生成し、その都度、クラウドストレージ３０へ送出する。これにより、上記ループ処理毎にクラウドストレージ３０の所定期間の眠気データベクトル時系列１０５２Ｘが更新される。この点以外は、第１３の実施形態と変わらない。

図３３に、本発明に係る眠気推定装置が用いる第１５の実施形態の眠気推定プログラム及び眠気推定ルール更新プログラムによる処理を示すフローチャートを示す。この第１５の実施形態の構成と処理は、第１４の実施形態の構成と処理とほぼ同じである。この第１５の実施形態では、参照データ生成手段５２がサーバ６０に設けられており、クラウドストレージ３０の取得済眠気データ１００３Ｘを用いて参照データ生成手段５２が眠気データベクトル時系列を生成し、クラウドストレージ３０に蓄積された所定期間の眠気データベクトル時系列１０５２Ｘを一括して更新する。この点以外は、第１４の実施形態と変わらない。

図３４に、本発明に係る眠気推定装置が用いる第１６の実施形態の眠気推定プログラム及び眠気推定ルール更新プログラムによる処理を示すフローチャートを示す。この第１６の実施形態の構成と処理は、第１５の実施形態の構成と処理とほぼ同じである。この第１６の実施形態では、端末２０からループ処理毎にクラウドストレージ３０に送出される眠気データ１００３をサーバ６０の参照データ生成手段５２が取り込み、眠気データベクトル時系列１０５２を生成し、その都度、クラウドストレージ３０へ送出する。この送信の都度、クラウドストレージ３０に蓄積された所定期間の眠気データベクトル時系列１０５２Ｘが更新される。この点以外は、第１５の実施形態と変わらない。

図３５に、本発明に係る眠気推定装置が用いる第１７の実施形態の眠気推定プログラム及び眠気推定ルール更新プログラムによる処理を示すフローチャートを示す。この第１７の実施形態の構成は、第５の実施形態の構成とほぼ同じであり、また、第１７の実施形態の処理は、第７の実施形態の処理とほぼ同じである。第５の実施形態では、サーバ６０が、ループ２開始部６１２とループ２終了判定部６１３とに挟まれるループ処理を行い、参照データ生成手段５２による参照データ生成を行っている。この第１７の実施形態では、上記の処理を端末２０において行う。

即ち、端末２０は、ループ終了部２０４の処理が終了すると、ループ２開始部２１２とループ２終了判定部２１３とに挟まれるループ処理において、クラウドストレージ３０の取得済ＲＲＩ１０１２Ｘを取り出して第２データ整形手段２２Ａと第２指標値計算手段２３Ａによって処理を行い、指標値ベクトル時系列を得る。第２指標値計算手段２３Ａに続くループ２終了判定部２１３においてＹＥＳへ分岐すると、ループ２終了部２１４の終了処理において、クラウドストレージ３０の所定期間の指標値ベクトル時系列１０５１Ｘの一括更新がなされる。

端末２０において、ループ２終了部２１４の処理が終了となると、参照データ生成手段５２が、クラウドストレージ３０の取得済眠気データ１００３Ｘを取り出して参照データ生成を行う。

次に、サーバ６０の更新手段５３がクラウドストレージ３０の所定期間の指標値ベクトル時系列１０５１Ｘから指標値ベクトル時系列を読み出し、クラウドストレージ３０の所定期間の眠気データベクトル時系列１０５２Ｘから眠気データベクトル時系列を読み出し、眠気推定ルール１１０２の更新を行う。この構成によって、処理能力で優れたサーバ６０において、適切に眠気推定ルールを更新することが可能である。

図３６に、第１８の実施形態の眠気推定プログラムによる処理を示すフローチャートを示す。この第１８の実施形態の構成と処理は、第１７の実施形態の構成と処理とほぼ同じである。この第１８の実施形態は、参照データ生成手段５２がサーバ６０に備えられている点において第１７の実施形態と異なっている。参照データ生成手段５２は、クラウドストレージ３０の取得済眠気データ１００３Ｘを取り出して参照データ生成がなされる。参照データ生成手段５２は、参照データ生成の後に、クラウドストレージ３０の所定期間の眠気データベクトル時系列１０５２Ｘの一括更新を行う。

図３７に、第１９の実施形態の眠気推定プログラムによる処理を示すフローチャートを示す。この第１９の実施形態の構成と処理は、第１８の実施形態の構成と処理とほぼ同じである。この第１９の実施形態は、第１８の実施形態においてサーバ６０に備えられていた参照データ生成手段５２を端末２０へ移動し、端末２０に備えられていたループ２の処理をサーバ６０へ移動したものである。

上記の構成により、サーバ６０では、開始処理部６０１の処理が起動されると、ループ２開始部６１２とループ２終了判定部６１３とに挟まれるループ処理において、クラウドストレージ３０の取得済ＲＲＩ１０１２Ｘを取り出して第２データ整形手段２２Ａと第２指標値計算手段２３Ａによって処理と計算を行い、指標値ベクトル時系列を得る。第２指標値計算手段２３Ａに続くループ２終了判定部６１３においてＹＥＳへ分岐すると、ループ２終了部６１４の終了処理において、クラウドストレージ３０の所定期間の指標値ベクトル時系列１０５１Ｘに対する一括更新がなされる。

また、第１９の実施形態では、ループ終了部２０４による処理の終了後に、端末２０の参照データ生成手段５２は、クラウドストレージ３０の取得済眠気データ１００３Ｘを取り出して参照データを生成し、この後に、クラウドストレージ３０の所定期間の眠気データベクトル時系列１０５２Ｘの一括更新を行う。

１０ ＲＲＩセンサ
２０ 端末
２１、２１Ａ ＲＲＩ取得手段
２２ データ整形手段
２２Ａ 第２データ整形手段
２３ 指数値計算手段
２３Ａ 第２指数値計算手段
２４ 眠気推定手段
５１ 眠気データ取得手段
５２ 参照データ生成手段
５３ 更新手段
３０ クラウドストレージ
４０ 眠気情報出力装置
６０ サーバ
２３３ ベクトル化部

Claims (18)

1. 心電図信号のＲ波に相当する信号を検出するＲＲＩセンサにより得られる信号からＲ−Ｒ間隔のデータであるＲＲＩデータを取得するＲＲＩ取得手段と、
   前記ＲＲＩデータを統計処理した結果と前記ＲＲＩデータのスペクトル解析の結果とに基づいて、自律神経の活動に関する複数種の活動指標について指標値を計算すると共に前記複数種の活動指標の指標値について指標値ベクトル時系列を生成する指標値計算手段と、
   前記指標値計算手段により計算される全活動指標から選択された１以上の活動指標の指標値とこの選択された活動指標に関する閾値との比較条件及び／または前記選択された活動指標の指標値に関する所定変動状態の有無の条件を論理結合して作成した推定関数によって構成される眠気推定ルールに基づき、前記指標値計算手段により算出された指標値を評価し眠気を推定する眠気推定手段と
   前記指標値計算手段により計算された指標値を用いて眠気推定を行う場合に用いる閾値を備える眠気推定ルールが記憶された記憶手段と、
   被検者から得られる情報または被検者の生体状態を解析して得られる情報である、眠気の有無を示す眠気データを出力する眠気情報出力装置と、
   前記眠気情報出力装置から出力された眠気データを、前記ＲＲＩ取得手段がＲＲＩデータを取得する時刻の時間間隔において取得する眠気データ取得手段と、
   前記眠気データ取得手段が取得した前記眠気データを用いて眠気推定ルールの適否を評価するための参照データを生成すると共に前記眠気データについて眠気データベクトル時系列を生成する参照データ生成手段と、
   前記眠気データベクトル時系列と前記指標値ベクトル時系列の相互相関の相関値を求め、相関値に基づき更新を行うべき活動指標を特定し、この特定された活動指標が関係している推定関数について論理結合の更新を行うことにより、前記記憶手段に記憶されている眠気推定ルールを更新する更新手段と
   を具備することを特徴とする眠気推定装置。
2. 前記指標値計算手段は、前記ＲＲＩデータを統計処理した結果と、前記ＲＲＩデータのスペクトル解析の結果に基づいて自律神経について複数の活動指標の指標値を算出することを特徴とする請求項１に記載の眠気推定装置。
3. 前記ＲＲＩデータを統計処理した結果の活動指標には、
   ＳＤＲＲ：（ＲＲＩの標準偏差）
   ＲＭＳＳＤ：（隣接するＲＲＩの差の二乗平均値の平方根）
   ＳＤＳＤ：（隣接するＲＲＩの差の標準偏差）
   ｐＲＲ５０：（隣接するＲＲＩの差が５０（ミリ秒）を超える割合）
   の少なくとも１つが含まれることを特徴とする請求項２に記載の眠気推定装置。
4. 前記ＲＲＩデータのスペクトル解析の結果の活動指標には、
   ＬＦ：（ＰＳＤ（パワースペクトル密度関数）の0.04〜0.15[Hz]のパワー）
   ＨＦ：（ＰＳＤの0.15〜0.40[Hz]のパワー）
   ＨＦ／（ＬＦ＋ＨＦ）
   ｐ_i（ｉ＝０，１，２，・・・，９）：（ＰＳＤの0.15＋ｉ×0.025〜 0.15＋(ｉ＋1)×0.025 [Hz]のパワー）
   の少なくとも１つが含まれることを特徴とする請求項２または３に記載の眠気推定装置。
5. 前記指標値計算手段は、第１の時間毎のＲＲＩデータを用いて単位時間の指標値を算出し、単位時間の指標値を活動指標の種類分集めてベクトル化し、ベクトル化された指標値を時系列に並べて指標値ベクトル時系列を作成し、
   眠気推定手段は、閾値ベクトルと前記指標値ベクトル時系列を用いて評価する推定関数により眠気推定を行うことを特徴とする請求項２乃至４のいずれか１項に記載の眠気推定装置。
6. 更新手段は、前記眠気データベクトル時系列において眠気有りとなっている時刻に対応する活動指標の値を前記指標値ベクトル時系列から求め、正の相関のときには求めた活動指標の値の最低値を候補閾値とし、負の相関のときには求めた活動指標の値の最高値を候補閾値として、当該候補閾値により前記指標値ベクトル時系列の活動指標の値を評価することにより、閾値の更新を行うことを特徴とする請求項１乃至５のいずれか１項に記載の眠気推定装置。
7. 更新手段は、前記指標値ベクトル時系列において、候補閾値以上の活動指標の値が占める割合に基づき、候補閾値を新たな閾値に更新することを特徴とする請求項６に記載の眠気推定装置。
8. 更新手段は、候補閾値を新たな閾値に更新しない場合には、候補閾値の値を増減させて新たな候補閾値を作成し、この候補閾値により前記指標値ベクトル時系列の活動指標の値を評価することにより、閾値の更新を行うことを特徴とする請求項７に記載の眠気推定装置。
9. 更新手段は、前記眠気データベクトル時系列と前記指標値ベクトル時系列の相互相関の相関値を求め、相関値に基づき更新を行う活動指標を特定する特定ステップと、
   前記眠気データベクトル時系列において眠気有りとなっている時刻に対応する活動指標の値を前記指標値ベクトル時系列から求め、正の相関のときには求めた活動指標の値の最低値を候補閾値とし、負の相関のときには求めた活動指標の値の最高値を候補閾値とする候補閾値生成ステップと、
   前記指標値ベクトル時系列において、候補閾値以上の活動指標の値が占める割合に基づき、候補閾値を新たな閾値に更新する閾値更新ステップと
   前記特定された活動指標のみについて、前記更新した閾値を用いて活動指標毎に、各活動指標の指標値と閾値の大小関係を示す式である条件式を作成するステップと、
   条件式が１つの活動指標では当該条件式を推定関数とし、条件式が複数の活動指標では複数の条件式の論理的結合の全てのパターンにより生成された複数の関数を推定関数とするステップと、
   この推定関数のそれぞれについてヒット率を算出し、算出したヒット率の最も高いものを最終的な推定関数とするステップと
   を実行することを特徴とする請求項１に記載の眠気推定装置。
10. コンピュータを、
    心電図信号のＲ波に相当する信号を検出するＲＲＩセンサにより得られる信号からＲ−Ｒ間隔のデータであるＲＲＩデータを取得するＲＲＩ取得手段、
    前記ＲＲＩデータを統計処理した結果と前記ＲＲＩデータのスペクトル解析の結果とに基づいて、自律神経の活動に関する複数種の活動指標について指標値を計算すると共に前記複数種の活動指標の指標値について指標値ベクトル時系列を生成する指標値計算手段、
    前記指標値計算手段により計算される全活動指標から選択された１以上の活動指標の指標値とこの選択された活動指標に関する閾値との比較条件及び／または前記選択された活動指標の指標値に関する所定変動状態の有無の条件を論理結合して作成した推定関数によって構成される眠気推定ルールに基づき、前記指標値計算手段により算出された指標値を評価し眠気を推定する眠気推定手段
    被検者から得られる情報または被検者の生体状態を解析して得られる情報である、眠気の有無を示す眠気データを出力する眠気情報出力装置から出力された眠気データを、前記ＲＲＩ取得手段がＲＲＩデータを取得する時刻の時間間隔において取得する眠気データ取得手段
    前記眠気データ取得手段が取得した前記眠気データを用いて眠気推定ルールの適否を評価するための参照データを生成すると共に前記眠気データについて眠気データベクトル時系列を生成する参照データ生成手段、
    前記眠気データベクトル時系列と前記指標値ベクトル時系列の相互相関の相関値を求め、相関値に基づき更新を行うべき活動指標を特定し、この特定された活動指標が関係している推定関数について論理結合の更新を行うことにより、前記眠気推定ルールを更新する更新手段
    として機能させることを特徴とする眠気推定プログラム。
11. 前記指標値計算手段は、前記ＲＲＩデータを統計処理した結果と、前記ＲＲＩデータのスペクトル解析の結果に基づいて自律神経の活動指標を複数算出することを特徴とする請求項１０に記載の眠気推定プログラム。
12. 前記ＲＲＩデータを統計処理した結果の活動指標には、
    ＳＤＲＲ：（ＲＲＩの標準偏差）
    ＲＭＳＳＤ：（隣接するＲＲＩの差の二乗平均値の平方根）
    ＳＤＳＤ：（隣接するＲＲＩの差の標準偏差）
    ｐＲＲ５０：（隣接するＲＲＩの差が５０（ミリ秒）を超える割合）
    の少なくとも１つが含まれることを特徴とする請求項１１に記載の眠気推定プログラム。
13. 前記ＲＲＩデータのスペクトル解析の結果の活動指標には、
    ＬＦ：（ＰＳＤ（パワースペクトル密度関数）の0.04〜0.15[Hz]のパワー）
    ＨＦ：（ＰＳＤの0.15〜0.40[Hz]のパワー）
    ＨＦ／（ＬＦ＋ＨＦ）
    ｐ_i（ｉ＝０，１，２，・・・，９）：（ＰＳＤの0.15＋ｉ×0.025〜 0.15＋(ｉ＋1)×0.025 [Hz]のパワー）
    の少なくとも１つが含まれることを特徴とする請求項１１または１２に記載の眠気推定プログラム。
14. 前記指標値計算手段は、第１の時間毎のＲＲＩデータを用いて単位時間の指標値を算出し、単位時間の指標値を活動指標の種類分集めてベクトル化し、ベクトル化された指標値を時系列に並べて指標値ベクトル時系列を作成し、
    眠気推定手段は、閾値ベクトルと前記指標値ベクトル時系列を用いて評価する推定関数により眠気推定を行うことを特徴とする請求項１１乃至１３のいずれか１項に記載の眠気推定プログラム。
15. 更新手段は、前記眠気データベクトル時系列において眠気有りとなっている時刻に対応する活動指標の値を前記指標値ベクトル時系列から求め、正の相関のときには求めた活動指標の値の最低値を候補閾値とし、負の相関のときには求めた活動指標の値の最高値を候補閾値として、当該候補閾値により前記指標値ベクトル時系列の活動指標の値を評価することにより、閾値の更新を行うことを特徴とする請求項１０乃至１４のいずれか１項に記載の眠気推定プログラム。
16. 更新手段は、前記指標値ベクトル時系列において、候補閾値以上の活動指標の値が占める割合に基づき、候補閾値を新たな閾値に更新することを特徴とする請求項１５に記載の眠気推定プログラム。
17. 更新手段は、候補閾値を新たな閾値に更新しない場合には、候補閾値の値を増減させて新たな候補閾値を作成し、この候補閾値により前記指標値ベクトル時系列の活動指標の値を評価することにより、閾値の更新を行うことを特徴とする請求項１６に記載の眠気推定プログラム。
18. 更新手段は、前記眠気データベクトル時系列と前記指標値ベクトル時系列の相互相関の相関値を求め、相関値に基づき更新を行う活動指標を特定し、
    前記眠気データベクトル時系列において眠気有りとなっている時刻に対応する活動指標の値を前記指標値ベクトル時系列から求め、正の相関のときには求めた活動指標の値の最低値を候補閾値とし、負の相関のときには求めた活動指標の値の最高値を候補閾値とする候補閾値を生成し、
    前記指標値ベクトル時系列において、候補閾値以上の活動指標の値が占める割合に基づき、候補閾値を新たな閾値に更新し、
    前記特定された活動指標のみについて、前記更新した閾値を用いて活動指標毎に、各活動指標の指標値と閾値の大小関係を示す式である条件式を作成し、
    条件式が１つの活動指標では当該条件式を推定関数とし、条件式が複数の活動指標では複数の条件式の論理的結合の全てのパターンにより生成された複数の関数を推定関数とし、
    この推定関数のそれぞれについてヒット率を算出し、算出したヒット率の最も高いものを最終的な推定関数とする
    ことを特徴とする請求項１０に記載の眠気推定ルール更新プログラム。