JP6582788B2 - 眠気検知装置、眠気検知方法および眠気検知プログラム - Google Patents

眠気検知装置、眠気検知方法および眠気検知プログラム Download PDF

Info

Publication number
JP6582788B2
JP6582788B2 JP2015184290A JP2015184290A JP6582788B2 JP 6582788 B2 JP6582788 B2 JP 6582788B2 JP 2015184290 A JP2015184290 A JP 2015184290A JP 2015184290 A JP2015184290 A JP 2015184290A JP 6582788 B2 JP6582788 B2 JP 6582788B2
Authority
JP
Japan
Prior art keywords
periodic structure
unit
respiratory
next periodic
sleepiness
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
JP2015184290A
Other languages
English (en)
Other versions
JP2017056042A (ja
Inventor
佐野　聡
聡 佐野
泰彦 中野
泰彦 中野
田中　雄一
雄一 田中
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.)
Fujitsu Ltd
Original Assignee
Fujitsu Ltd
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 Fujitsu Ltd filed Critical Fujitsu Ltd
Priority to JP2015184290A priority Critical patent/JP6582788B2/ja
Priority to US15/263,809 priority patent/US10398380B2/en
Priority to CA2941775A priority patent/CA2941775C/en
Publication of JP2017056042A publication Critical patent/JP2017056042A/ja
Application granted granted Critical
Publication of JP6582788B2 publication Critical patent/JP6582788B2/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
    • A61B5/72—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
    • A61B5/02—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
    • A61B5/02—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
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • 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
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A61B5/02405—Determining heart rate variability
    • 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
    • A61B5/0816—Measuring devices for examining respiratory frequency
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A61B5/18—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state for vehicle drivers or machine operators
    • 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
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7278—Artificial waveform generation or derivation, e.g. synthesising signals from measured signals
    • 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
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7282—Event detection, e.g. detecting unique waveforms indicative of a medical condition
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient ; user input means
    • A61B5/742—Details of notification to user or communication with user or patient ; user input means using visual displays
    • 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
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A61B5/02416—Detecting, measuring or recording pulse rate or heart rate using photoplethysmograph signals, e.g. generated by infrared radiation
    • 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
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A61B5/0245—Detecting, measuring or recording pulse rate or heart rate by using sensing means generating electric signals, i.e. ECG signals

Description

本発明は、眠気検知装置、眠気検知方法および眠気検知プログラムに関する。
被験者の眠気を判定する手法として、心拍揺らぎまたは心拍変動を利用するものがある。例えば、心拍揺らぎを用いる手法は、心拍間隔の値を一定数以上連続して取得し、取得したデータ列を周波数変換してスペクトル密度を算出し、被験者の眠気を判定する。心拍間隔は、１回の拍動で最も振幅の大きい波であるＲ波を用いて算出できる。心拍間隔は、例えば、心拍の隣接する２つのＲ波の時間間隔で表すことができ、ＲＲＩ（R−R Interval）と表現される。
この技術は、例えば、眠気検知装置として、車両の運転者に対して用いることが提案されている。眠気検知装置は、心拍間隔データを生成するために、運転者の心拍を取得しようとすると、車両の振動等の影響で心電にノイズが生じ、ノイズの入った信号として取得してしまう場合がある。眠気検知装置は、ノイズを含む心拍間隔データを取得した場合には、対象のゆらぎ成分が減少するため、眠気値に換算するゆらぎ解析の信頼性が低下する。眠気検知装置は、ノイズを検出すると、ノイズを含む心拍間隔データの範囲を特定し、ゆらぎ成分を補完して眠気値の算出を継続する。
特開２００６−８１８４０号公報 特開平７−１２４１４０号公報 特開２００３−３３９６５１号公報 特開２０１３−１２３５２４号公報 国際公開第２００８／１４９５５９号
しかしながら、ノイズを検出してからノイズ混入前の心拍間隔データを切り出して、ノイズを含む心拍間隔データの範囲を置換してゆらぎ成分を補完すると、置換するデータと前後のデータとの整合性を取るために２０秒程度の解析停止状態が発生する場合がある。この場合には、リアルタイムに眠気値の更新を行うことは困難となる。
一つの側面では、本発明は、眠気推定の連続性を確保できる眠気検知装置、眠気検知方法および眠気検知プログラムを提供することにある。
一つの態様では、眠気検知装置は、算出部と予測部と判定部と置換部とを有する。算出部は、心拍センサから取得したデータを基に生成した心拍間隔データに基づいて、呼吸変動の周期を算出する。予測部は、算出された前記呼吸変動の周期に基づいて、前記呼吸変動の次の周期構造を予測する。判定部は、逐次更新中の前記心拍間隔データと、予測された前記次の周期構造とを比較して、前記心拍間隔データに異常信号が混入したか否かを判定する。置換部は、前記異常信号が混入したと判定された場合に、前記異常信号を含む前記心拍間隔データに対応する前記呼吸変動の周期を、予測された前記次の周期構造に置換する。
眠気推定の連続性を確保できる。
図１は、実施例１の眠気検知装置の構成の一例を示すブロック図である。 図２は、脈拍データの一例を示す図である。 図３は、微分脈拍データの一例を示す図である。 図４は、逐次予測修正の一例を示す図である。 図５は、周期構造のシフトの一例を示す図である。 図６は、スペクトル密度データの一例を示す図である。 図７は、眠気レベルを説明するための図である。 図８は、実施例１の眠気検知処理の一例を示すフローチャートである。 図９は、実施例２の眠気検知装置の構成の一例を示すブロック図である。 図１０は、眠気値に基づく異常信号の判定の一例を示す図である。 図１１は、実施例２の眠気検知処理の一例を示すフローチャートである。 図１２は、実施例３の眠気検知装置の構成の一例を示すブロック図である。 図１３は、シフトした周期構造が所定値以上ずれる場合の置換の一例を示す図である。 図１４は、実施例３の眠気検知処理の一例を示すフローチャートである。 図１５は、実施例４の眠気検知装置の構成の一例を示すブロック図である。 図１６は、長周期トレンドを反映する予測の一例を示す図である。 図１７は、実施例４の眠気検知処理の一例を示すフローチャートである。 図１８は、眠気検知プログラムを実行するコンピュータの一例を示す図である。
以下、図面に基づいて、本願の開示する眠気検知装置、眠気検知方法および眠気検知プログラムの実施例を詳細に説明する。なお、本実施例により、開示技術が限定されるものではない。また、以下の実施例は、矛盾しない範囲で適宜組みあわせてもよい。
図１は、実施例１の眠気検知装置の構成の一例を示すブロック図である。図１に示す眠気検知装置１００は、例えば、車両に設けられ、被験者である車両の運転者に心拍センサの電極を装着させて心拍信号を取得する。眠気検知装置１００は、心拍センサから取得したデータを基に生成した心拍間隔データに基づいて、呼吸変動の周期を算出する。また、眠気検知装置１００は、算出された呼吸変動の周期に基づいて、呼吸変動の次の周期構造を予測する。眠気検知装置１００は、逐次更新中の心拍間隔データと、予測された次の周期構造とを比較して、心拍間隔データに異常信号が混入したか否かを判定する。なお、異常信号は、例えばノイズである。眠気検知装置１００は、異常信号が混入したと判定された場合に、異常信号を含む心拍間隔データに対応する呼吸変動の周期を、予測された次の周期構造に置換する。眠気検知装置１００は、置換された次の周期構造を含む心拍間隔データをスペクトル解析し、解析結果に基づいて眠気値を算出する。これにより、眠気検知装置１００は、眠気推定の連続性を確保できる。
次に、眠気検知装置１００の構成について説明する。図１に示すように、眠気検知装置１００は、心拍センサ１１１と、表示部１１２と、記憶部１２０と、制御部１３０とを有する。なお、眠気検知装置１００は、図１に示す機能部以外にも既知のコンピュータが有する各種の機能部、例えば各種の入力デバイスや音声出力デバイス等の機能部を有することとしてもかまわない。
心拍センサ１１１は、被験者の心拍信号を検出する。例えば、心拍センサ１１１は、被験者に接触する電極により、被験者の心拍信号を各電極の電位差から取得する。なお、心拍センサ１１１によって用いられる電極は、例えば、胸ベルトタイプのものや腕時計型の小型機器に埋め込まれた電極（両手に装着される）に対応する。心拍センサ１１１は、検出した心拍信号のデータを心拍信号データとして制御部１３０に出力する。
また、心拍センサ１１１は、例えば、被験者の耳たぶ等の血流を光で計測し、脈波を取得するようにしてもよい。心拍センサ１１１の検出部は、脈波取得であれば光学式となり、腕時計タイプやリストバンドタイプ（反射型）、イヤクリップ型（反射型、透過型）等を用いることができる。
ここで、図２を用いて心拍センサ１１１が検出する信号について説明する。なお、以下の例では、脈波を取得する例で説明するが、心拍信号の場合でも同様である。図２は、脈拍データの一例を示す図である。図２に示すように、この脈拍データは、時刻毎の脈拍の強さを示す。図２において、縦軸は脈拍の強さを示す軸であり、横軸は時間を示す軸である。
図１の説明に戻って、表示部１１２は、各種情報を表示するための表示デバイスである。表示部１１２は、例えば、表示デバイスとして液晶ディスプレイ等によって実現される。表示部１１２は、制御部１３０から入力された各種表示画面を表示する。各種表示画面は、例えば、眠気値に応じた警告画面、各種メッセージ等を表示する表示画面が挙げられる。
記憶部１２０は、例えば、ＲＡＭ（Random Access Memory）、フラッシュメモリ（Flash Memory）等の半導体メモリ素子、ハードディスクや光ディスク等の記憶装置によって実現される。記憶部１２０は、制御部１３０での処理に用いる情報、例えば、予測された次の周期構造を含む呼吸変動モデル等を記憶する。
制御部１３０は、例えば、ＣＰＵ（Central Processing Unit）やＭＰＵ（Micro Processing Unit）等によって、内部の記憶装置に記憶されているプログラムがＲＡＭを作業領域として実行されることにより実現される。また、制御部１３０は、例えば、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）等の集積回路により実現されるようにしてもよい。制御部１３０は、生成部１３１と、算出部１３２と、予測部１３３と、判定部１３４と、補正部１３５と、置換部１３６と、解析部１３７と、眠気値算出部１３８とを有し、以下に説明する情報処理の機能や作用を実現または実行する。なお、制御部１３０の内部構成は、図１に示した構成に限られず、後述する情報処理を行う構成であれば他の構成であってもよい。
生成部１３１は、心拍センサ１１１から取得した心拍信号データを基に、心拍間隔データを生成する。生成部１３１は、心拍センサ１１１から心拍信号データの入力が開始されると、心拍の隣接する２つのＲ波の時間間隔とＲ波の検出時間とを対応づけた心拍間隔データ（以下、ＲＲＩデータともいう。）の生成を開始する。生成部１３１は、算出部１３２に対して、生成したＲＲＩデータの出力を開始する。なお、心拍信号データは、逐次入力されるので、生成部１３１は、ＲＲＩデータを逐次更新して出力する。
生成部１３１は、脈波を用いる場合には、心拍センサ１１１から取得した脈拍データを微分して微分脈拍データを生成する。図３は、微分脈拍データの一例を示す図である。図３において、縦軸は脈拍データの微分値を示す軸であり、横軸は時間を示す軸である。生成部１３１は、微分脈拍データをスキャンし、微分値が極大をとる時刻を特定する。図３に示す例では、時刻ｔ１、ｔ２、ｔ３において、微分値が極大となる。生成部１３１は、振幅のピークから次の振幅のピークまでの間隔をＰＰＩ（Peak-Peak-Interval）データとして算出する。算出されたＰＰＩデータは、ＲＲＩデータと同様に心拍信号として用いることができ、以下の説明ではＲＲＩデータを用いるがＰＰＩデータを用いてもよい。
図１の説明に戻って、算出部１３２は、生成部１３１からＲＲＩデータが入力されると、呼吸変動の周期を算出する。算出部１３２は、各ＲＲＩデータを時間軸にプロットしたＲＲＩデータ列、すなわち呼吸変動グラフを生成し、ＲＲＩデータ列に基づいて呼吸変動の周期を算出する。算出部１３２は、例えば、ＲＲＩデータ列の極大点間を１周期として算出する。すなわち、算出部１３２は、ＲＲＩデータ列の積算区間内の極大点および極小点を算出し、極大点間を呼吸変動の１周期としてとらえ、その周期と振幅とを算出する。なお、以下の説明では、算出した周期と振幅とを合わせて呼吸変動の周期と表現する。算出部１３２は、算出した呼吸変動の周期と、ＲＲＩデータ列とを予測部１３３に出力する。また、算出部１３２は、判定部１３４に対してＲＲＩデータ列の出力を開始する。
ここで、心拍間隔データ（ＲＲＩデータ）について説明する。心拍間隔データは、呼吸によって変動、つまり自律神経の調整により変動する。変動の要素には、例えば、ＭＷＳＡ（Mayer Wave Sinus Arrhythmia）と呼ばれる心拍血圧性変動と、ＲＳＡ（Respiratory Sinus Arrhythmia）と呼ばれる呼吸性洞性不整脈とがある。心拍間隔データにおける呼吸変動の周期は、ＭＷＳＡに対応する０．０５〜０．１５Ｈｚ近辺の低周波数側（ＬＦ）の成分と、ＲＳＡに対応する０．１５〜０．４Ｈｚ近辺の高周波数側（ＨＦ）成分とを含む。
すなわち、心拍間隔は、交感神経により心拍動を増加させる信号と、副交感神経により心拍動を減少させる信号とが拮抗して決定される。心拍間隔は、呼吸動態による心拍変動のメカニズムから、吸気開始で副交感神経の制御が遮断され、交感神経制御上の心拍動亢進状態となり、呼気の開始とともに副交感神経の制御が復活して心拍動は減少することで決定される。つまり、心拍間隔は、呼吸動作に応じて増減することになる。また、心拍は、心拍動の亢進と、大きな吸気活動による内圧増加の動脈圧受容体での検知とが同時に発生すると、血圧調整機構により心拍中枢から交感神経の抑制と、副交感神経の亢進とによる心拍数を下げる制御が行われる。
心拍間隔の変化は、周期的な呼吸活動に連動し反射的に行われ、その頻度分布に関連して眠気の推定が行われる。このため、眠気の推定には、呼吸周期ごとに心拍間隔データを更新することが好ましい。また、心拍間隔データは、極大点が副交感神経により調整された心拍動状態に対応し、極小点が交感神経による心拍動状態に対応する。すなわち、極大点は、吸気開始点を表し、副交感神経と交感神経とが働いた状態と最も相関が高い。また、極小点は呼気開始点を表し、交感神経のみが働いた状態と最も相関が高い。つまり、眠気を定義する場合には、極大点のトレンドが好ましい。
また、吸気呼気の周期構造は、息を呑む状況や発話応答等の能動的な活動による交感神経の亢進、嚥下やあくびといった圧受容体反射を引き起こす状況等では、不明瞭となる。すなわち、これらの場合には、心拍間隔の極小点が必ずしも呼気点に一致せず逆相動作を伴うこともあり、次の呼吸周期で本来の周期に復帰すると考えられる。
予測部１３３は、算出部１３２から呼吸変動の周期と、ＲＲＩデータ列とが入力されると、呼吸変動の次の周期構造を予測する。予測部１３３は、ＲＲＩデータ列の積算区間内の過去の呼吸変動の周期と、入力された呼吸変動の周期とに基づいて、極大点を起点とするコサイン関数による信号推定を行い、呼吸変動モデルを算出して次の周期構造を予測する。また、予測部１３３は、補正部１３５から補正した呼吸変動モデルが入力されると、補正した呼吸変動モデルを用いて次の周期構造を予測する。予測部１３３は、予測した次の周期構造を含む呼吸変動モデルを、判定部１３４および補正部１３５に出力する。
予測部１３３は、判定部１３４から修正指示が入力されると、逐次更新されたＲＲＩデータ列の呼吸変動の１周期分を積算区間に加え、最も古い１周期分を積算区間から除外して呼吸変動モデルを修正する。
ここで、図４を用いて次の周期構造の予測について説明する。図４は、逐次予測修正の一例を示す図である。図４に示すように、予測部１３３は、ＲＲＩデータ列である呼吸変動グラフにおいて、確定した区間１１の呼吸変動の周期に基づいて、次の周期１３における周期構造１４を予測する。確定した区間１１の呼吸変動の１周期は、例えば、区間１２で示す区間となる。予測部１３３は、例えば、現在時刻が時刻ｔ４であったとすると、区間１１の１つ目の極大点を起点とするコサイン関数による信号推定を行い、１周期分未来の時刻ｔ５まで、すなわち、時刻ｔ４からｔ５までの周期１３の周期構造１４を予測する。また、図４に示す区間１７は、予測した周期構造１４を含む区間である。なお、図４に示す波形１５は、時刻ｔ６におけるＲＲＩデータ列の実測値に基づくものである。
図１の説明に戻って、判定部１３４は、算出部１３２からＲＲＩデータ列の入力が開始され、予測部１３３から呼吸変動モデルが入力されると、逐次更新中のＲＲＩデータ列と、呼吸変動モデルの予測された次の周期構造とを比較する。判定部１３４は、比較の結果、ＲＲＩデータ列に異常信号が混入したか否かを判定する。判定部１３４は、例えば、逐次更新中のＲＲＩデータ列と、次の周期構造とが±５％以上乖離した場合には、異常信号が混入したと判定する。図４の例では、予測した周期構造１４に対して、波形１５が例えば±５％以上乖離した場合に、異常信号が混入したと判定する。判定部１３４は、異常信号が混入したと判定した場合には、異常信号が混入した旨の判定結果と、逐次更新中のＲＲＩデータ列と、呼吸変動モデルとを置換部１３６に出力する。
また、判定部１３４は、異常信号が混入していないと判定した場合には、極小点が合致するように補正するか否かを判定する。なお、判定部１３４は、極小点が合致するように補正するか否かは、ユーザにより予め設定された補正可否を示す設定値を参照して判定する。判定部１３４は、極小点が合致するように補正する場合には、補正指示と、逐次更新中のＲＲＩデータ列とを補正部１３５に出力する。すなわち、判定部１３４は、極小点が合致するように補正する場合には、逐次更新中のＲＲＩデータ列と、補正部１３５によって補正された呼吸変動モデルの予測された次の周期構造とを比較する。また、判定部１３４は、異常信号が混入していない旨の判定結果と、逐次更新中のＲＲＩデータ列と、呼吸変動モデルとを置換部１３６に出力する。
判定部１３４は、極小点が合致するように補正しない場合には、異常信号が混入していない旨の判定結果と、逐次更新中のＲＲＩデータ列と、呼吸変動モデルとを置換部１３６に出力する。
判定部１３４は、ＲＲＩデータ列の逐次更新が１周期分完了したか否かを判定する。判定部１３４は、ＲＲＩデータ列の逐次更新が１周期分完了していない場合には、ＲＲＩデータ列と呼吸変動モデルとの比較を継続する。判定部１３４は、ＲＲＩデータ列の逐次更新が１周期分完了した場合には、更新された１周期分を呼吸変動モデルに反映させるために、予測部１３３に修正指示を出力する。
補正部１３５には、予測部１３３から呼吸変動モデルが入力される。また、補正部１３５には、判定部１３４から補正指示と、逐次更新中のＲＲＩデータ列とが入力される。補正部１３５は、補正指示と、逐次更新中のＲＲＩデータ列とが入力されると、呼吸変動モデルの次の周期構造の極小点が逐次更新中のＲＲＩデータ列に基づく呼吸変動の周期の極小点と合致するように、呼吸変動モデルの次の周期構造をシフトして補正する。補正部１３５は、補正した呼吸変動モデルを予測部１３３に出力する。なお、補正部１３５は、次の周期構造のシフト量が、例えば１周期分の２０％以上となる場合には、呼吸変動モデルの補正は行わない。また、補正部１３５は、極小点に代えて極大点を合致するように、呼吸変動モデルの次の周期構造をシフトして補正してもよい。
ここで、図５を用いて、周期構造のシフトの一例について説明する。図５は、周期構造のシフトの一例を示す図である。図５に示すように、呼吸変動モデルでは、ＲＲＩデータ列の極大点２１から周期構造２２が予測され、次の極小点２３および極大点２４が予測される。ところが、実測値のＲＲＩデータ列の極小点２５は、予測値の極小点２３から期間２３ａだけずれている。このため、補正部１３５は、予測値の極小点２３を極小点２３ｂに期間２３ａ分シフトする。同様に、補正部１３５は、予測値の極大点２４を極大点２４ｂに期間２４ａ分シフトする。すなわち、補正部１３５は、次の周期構造の極小点２３が、逐次更新中のＲＲＩデータ列に基づく呼吸変動の周期の極小点２５と合致するように、呼吸変動モデルの次の周期構造２２をシフトして周期構造２２ａに補正する。なお、図５の例では、シフト後の次の極大点２４ｂの時点で、実測値とのずれが発生しているため、例えば、極大点２４ｂを実測値のＲＲＩデータ列の極大点２６に期間２６ａ分シフトするようにしてもよい。すなわち、補正部１３５は、逐次更新中のＲＲＩデータ列に基づく呼吸変動の周期に追従するように、呼吸変動モデルを補正する。
図１の説明に戻って、置換部１３６には、判定部１３４から異常信号混入の判定結果と、逐次更新中のＲＲＩデータ列と、呼吸変動モデルとが入力される。置換部１３６は、異常信号が混入した旨の判定結果が入力された場合には、異常信号を含む逐次更新中のＲＲＩデータ列に対応する呼吸変動の周期を、呼吸変動モデルの予測された次の周期構造に置換する。すなわち、置換部１３６は、ＲＲＩデータ列に異常信号が混入したことを検出すると、異常信号を含む呼吸変動の周期の１周期分のＲＲＩデータ列を、呼吸変動モデルの周期構造に置換する。図４の例では、置換部１３６は、異常信号を含む波形１５の１周期分（ｔ４〜ｔ５）を予測された周期構造１４に置換する。置換部１３６は、異常信号を含む呼吸変動の周期の１周期分のＲＲＩデータ列が、呼吸変動モデルの周期構造に置換されたＲＲＩデータ列を解析部１３７に出力する。
置換部１３６は、異常信号が混入していない旨の判定結果が入力された場合には、ＲＲＩデータ列の逐次更新された１周期分のＲＲＩデータ列をリサンプリングする。置換部１３６は、リサンプリングされた１周期分を含むＲＲＩデータ列を解析部１３７に出力する。
解析部１３７は、置換部１３６からＲＲＩデータ列が入力されると、ＡＲ（Auto Regressive）モデルを用いて、ＲＲＩデータ列をスペクトル密度（ＰＳＤ）データに変換する。このスペクトル密度データは、周波数とスペクトル密度との関係を示すデータである。ここでは、解析部１３７は、ＡＲモデルを用いて、ＲＲＩデータ列をスペクトル密度データに変換する例を示したが、例えば、フーリエ変換等を用いて、ＲＲＩデータ列をスペクトル密度データに変換してもよい。解析部１３７は、変換したスペクトル密度データを眠気値算出部１３８に出力する。
図６は、スペクトル密度データの一例を示す図である。図６において、縦軸はスペクトル密度に対応する軸であり、横軸は周波数に対応する軸である。例えば、線分１ａは、ある時間ＴＴ１におけるＲＲＩデータのスペクトル密度と周波数との関係を示す線分である。線分１ｂは、ある時間ＴＴ２におけるＲＲＩデータのスペクトル密度と周波数との関係を示す線分である。
例えば、周波数０．０５Ｈｚから０．１５Ｈｚまでの領域を低周波数領域とし、周波数０．１５Ｈｚから０．４０Ｈｚまでの領域を高周波数領域とする。このように周波数の領域を分類すると、線分１ａにおけるＲＳＡは２ａとなり、線分１ｂにおけるＲＳＡは２ｂとなる。ＲＳＡは、ＲＲＩデータのスペクトル密度と周波数の関係を示す線分について、高周波数側のピークを示すものである。
図１の説明に戻って、眠気値算出部１３８は、解析部１３７からスペクトル密度データが入力されると、ＲＳＡに対応するスペクトル密度と周波数との関係に着目して、被験者の眠気を判定する。眠気値算出部１３８は、ＲＳＡの周波数が下がり、スペクトル密度が大きくなる方向にＲＳＡが移動した場合には、被験者の覚醒度が低下したと判定する。例えば、図６の例では、線分１ａのＲＳＡ２ａと、線分１ｂのＲＳＡ２ｂとを比較すると、ＲＳＡ２ｂがＲＳＡ２ａに対して、周波数が低下し、スペクトル密度が大きくなるように移動している。眠気値算出部１３８は、この場合には、被験者の覚醒度が低下したと判定し、居眠状態であると判定する。
眠気値算出部１３８は、ＲＳＡの周波数とスペクトル密度との関係から、眠気値、つまり眠気レベルを判定する。図７は、眠気レベルを説明するための図である。図７に示す縦軸は、スペクトル密度に対応し、横軸は周波数に対応する。ここで、縦軸は、下側から上側に向かうにつれて、スペクトル密度の大きさが小さくなるものとする。また、横軸は、左側から右側に向かうにつれて、周波数の大きさが小さくなるものとする。すなわち、図７では、左下に向かうにつれて、覚醒度が小さくなり、眠気レベルが大きくなることを意味する。
眠気値算出部１３８は、例えば、予め設定された眠気レベルの閾値データを基にして、スペクトル密度と周波数との関係を示すグラフ６０に対して閾値６１、６２、６３、６４、６５、６６を設定する。閾値データは、例えば、各閾値について、周波数とスペクトル密度との関係を定義した情報を保持する。
例えば、眠気値算出部１３８は、閾値６１〜６６に応じて、スペクトル密度と周波数との関係を示すグラフ６０を複数の領域１Ａ〜１Ｇに分割する。眠気値算出部１３８は、スペクトル密度と周波数との関係が領域１Ａに含まれる場合には、被験者の眠気レベルを、眠気レベル１と判定する。眠気値算出部１３８は、スペクトル密度と周波数との関係が領域１Ｂに含まれる場合には、被験者の眠気レベルを、眠気レベル２と判定する。眠気値算出部１３８は、スペクトル密度と周波数との関係が領域１Ｃに含まれる場合には、被験者の眠気レベルを、眠気レベル３と判定する。眠気値算出部１３８は、スペクトル密度と周波数との関係が領域１Ｄに含まれる場合には、被験者の眠気レベルを、眠気レベル４と判定する。眠気値算出部１３８は、スペクトル密度と周波数との関係が領域１Ｅに含まれる場合には、被験者の眠気レベルを、眠気レベル５と判定する。眠気値算出部１３８は、スペクトル密度と周波数との関係が領域１Ｆに含まれる場合には、被験者の眠気レベルを、眠気レベル６と判定する。眠気値算出部１３８は、スペクトル密度と周波数との関係が領域１Ｇに含まれる場合には、被験者の眠気レベルを、眠気レベル７と判定する。
眠気値算出部１３８は、被験者の眠気レベルを判定し、眠気レベルが所定レベル以上となった場合に、被験者に対して警告を行う。眠気値算出部１３８は、例えば、眠気レベルが眠気レベル４以上になった場合に、警告画面を表示部１１２に表示するとともに、図示しないスピーカから警告音を出力する。
また、眠気値算出部１３８は、例えば、図示しないスイッチからの入力に基づいて、眠気検知処理を終了するか否かを判定する。眠気値算出部１３８は、例えば、被験者が自動車の運転を終了し、図示しないスイッチが被験者により押下されると、眠気検知処理を終了する。
次に、実施例１の眠気検知装置１００の動作について説明する。図８は、実施例１の眠気検知処理の一例を示すフローチャートである。
生成部１３１は、心拍を検出したか否か、すなわち、心拍センサ１１１から心拍信号データの入力が開始されたか否かを判定する（ステップＳ１）。生成部１３１は、心拍を検出していない場合には（ステップＳ１：否定）、心拍の検出を待機する。生成部１３１は、心拍を検出した場合には（ステップＳ１：肯定）、ＲＲＩデータの生成を開始する（ステップＳ２）。生成部１３１は、算出部１３２に対して、生成したＲＲＩデータの出力を開始する。
算出部１３２は、生成部１３１からＲＲＩデータが入力されると、各ＲＲＩデータを時間軸にプロットしたＲＲＩデータ列を生成する。算出部１３２は、生成したＲＲＩデータ列の極大点を算出する（ステップＳ３）。算出部１３２は、極大点間を呼吸変動の１周期としてとらえ、呼吸変動の周期、すなわちＲＲＩデータ列の周期および振幅を算出する（ステップＳ４）。算出部１３２は、算出した呼吸変動の周期と、ＲＲＩデータ列とを予測部１３３に出力する。また、算出部１３２は、判定部１３４に対してＲＲＩデータ列の出力を開始する。
予測部１３３は、算出部１３２から呼吸変動の周期と、ＲＲＩデータ列とが入力されると、呼吸変動モデルを算出して次の周期構造を予測する（ステップＳ５）。予測部１３３は、予測した次の周期構造を含む呼吸変動モデルを、判定部１３４および補正部１３５に出力する。
判定部１３４は、算出部１３２からＲＲＩデータ列の入力が開始され、予測部１３３から呼吸変動モデルが入力されると、逐次更新中のＲＲＩデータ列と、呼吸変動モデルの予測された次の周期構造とを比較する（ステップＳ６）。判定部１３４は、比較の結果、ＲＲＩデータ列に異常信号が混入したか否かを判定する（ステップＳ７）。判定部１３４は、異常信号が混入していないと判定した場合には（ステップＳ７：否定）、極小点が合致するように補正するか否かを判定する（ステップＳ８）。
判定部１３４は、極小点が合致するように補正する場合には（ステップＳ８：肯定）、補正指示と、逐次更新中のＲＲＩデータ列とを補正部１３５に出力する。また、判定部１３４は、異常信号が混入していない旨の判定結果と、逐次更新中のＲＲＩデータ列と、呼吸変動モデルとを置換部１３６に出力する。補正部１３５は、判定部１３４から補正指示と、逐次更新中のＲＲＩデータ列とが入力されると、呼吸変動モデルの次の周期構造をシフトして補正する（ステップＳ９）。補正部１３５は、補正した呼吸変動モデルを予測部１３３に出力し、ステップＳ６に戻る。
判定部１３４は、極小点が合致するように補正しない場合には（ステップＳ８：否定）、異常信号が混入していない旨の判定結果と、逐次更新中のＲＲＩデータ列と、呼吸変動モデルとを置換部１３６に出力する。判定部１３４は、ＲＲＩデータ列の逐次更新が１周期分完了したか否かを判定する（ステップＳ１０）。判定部１３４は、ＲＲＩデータ列の逐次更新が１周期分完了していない場合には（ステップＳ１０：否定）、ステップＳ６に戻る。
判定部１３４は、ＲＲＩデータ列の逐次更新が１周期分完了した場合には（ステップＳ１０：肯定）、予測部１３３に修正指示を出力する。予測部１３３は、判定部１３４から修正指示が入力されると、更新された１周期分を反映させるために呼吸変動モデルを修正する（ステップＳ１１）。
置換部１３６は、判定部１３４から異常信号が混入していない旨の判定結果が入力されると、ＲＲＩデータ列の逐次更新された１周期分のＲＲＩデータ列をリサンプリングする（ステップＳ１２）。置換部１３６は、リサンプリングされた１周期分を含むＲＲＩデータ列を解析部１３７に出力する。
判定部１３４は、異常信号が混入したと判定した場合には（ステップＳ７：肯定）、異常信号が混入した旨の判定結果と、逐次更新中のＲＲＩデータ列と、呼吸変動モデルとを置換部１３６に出力する。置換部１３６は、判定部１３４から異常信号が混入した旨の判定結果が入力されると、異常信号を含む呼吸変動の周期の１周期分のＲＲＩデータ列を、呼吸変動モデルの周期構造に置換する（ステップＳ１３）。置換部１３６は、異常信号を含む呼吸変動の周期の１周期分のＲＲＩデータ列が、呼吸変動モデルの周期構造に置換されたＲＲＩデータ列を解析部１３７に出力する。
解析部１３７は、置換部１３６からＲＲＩデータ列が入力されると、ＲＲＩデータ列をスペクトル解析する（ステップＳ１４）。つまり、解析部１３７は、ＲＲＩデータ列をスペクトル密度データに変換する。解析部１３７は、変換したスペクトル密度データを眠気値算出部１３８に出力する。眠気値算出部１３８は、解析部１３７からスペクトル密度データが入力されると、眠気値を算出、つまり眠気レベルを判定する（ステップＳ１５）。眠気値算出部１３８は、被験者の眠気レベルが所定レベル以上となった場合に、警告画面を表示部１１２に表示するとともに、図示しないスピーカから警告音を出力する。
眠気値算出部１３８は、眠気検知処理を終了するか否かを判定する（ステップＳ１６）。眠気値算出部１３８は、眠気検知処理を終了しない場合には（ステップＳ１６：否定）、ステップＳ３に戻る。眠気値算出部１３８は、眠気検知処理を終了する場合には（ステップＳ１６：肯定）、制御部１３０内の各処理部の処理を停止し、眠気検知処理を終了する。これにより、眠気検知装置１００は、眠気推定の連続性を確保できる。また、眠気検知装置１００は、極小点から吸気の終了が示唆できるので、周期異常の判定を迅速にできる。さらに、眠気検知装置１００は、更新中のＲＲＩデータ列の変化を極小点間の位相シフトにより呼吸変動モデルを修正することで、リアルタイムの補正とスペクトル算出とを行うことができる。すなわち、眠気検知装置１００は、異常信号の混入の判定と、呼吸変動モデルの周期構造への置換とを同時に行うことができる。
このように、眠気検知装置１００は、心拍センサから取得したデータを基に生成した心拍間隔データに基づいて、呼吸変動の周期を算出する。また、眠気検知装置１００は、算出された呼吸変動の周期に基づいて、呼吸変動の次の周期構造を予測する。また、眠気検知装置１００は、逐次更新中の心拍間隔データと、予測された次の周期構造とを比較して、心拍間隔データに異常信号が混入したか否かを判定する。また、眠気検知装置１００は、異常信号が混入したと判定された場合に、異常信号を含む心拍間隔データに対応する呼吸変動の周期を、予測された次の周期構造に置換する。その結果、眠気推定の連続性を確保できる。
また、眠気検知装置１００は、呼吸変動の極大点間を１周期として算出する。また、眠気検知装置１００は、さらに、予測された次の周期構造の極小点または極大点が、逐次更新中の心拍間隔データに基づく呼吸変動の周期の極小点または極大点と合致するように、次の周期構造をシフトして補正する。また、眠気検知装置１００は、逐次更新中の心拍間隔データと、シフトされた次の周期構造とを比較して、心拍間隔データに異常信号が混入したか否かを判定する。その結果、呼吸変動の周期の予測値を実測値に追従させるので、自動的に呼吸変動の周期調整ができる。
上記実施例１では、ＲＲＩデータ列に基づいて、異常信号の混入を判定したが、眠気値に基づいて異常信号の混入を判定してもよく、この場合の実施の形態につき、実施例２として説明する。図９は、実施例２の眠気検知装置の構成の一例を示すブロック図である。なお、実施例１の眠気検知装置１００と同一の構成には同一符号を付すことで、その重複する構成及び動作の説明については省略する。
実施例２の眠気検知装置２００は、実施例１の眠気検知装置１００の判定部１３４、置換部１３６、解析部１３７および眠気値算出部１３８に代えて、判定部２３４、置換部２３６、解析部２３７および眠気値算出部２３８を有する。
判定部２３４は、判定部１３４での処理に加えて、眠気値算出部２３８から入力される実測値のＲＲＩデータ列に係る呼吸変動の周期に基づく眠気値と、呼吸変動モデルの予測された次の周期構造に基づく予測眠気値とを比較する。すなわち、判定部２３４は、実測値のＲＲＩデータ列に基づく眠気値と、呼吸変動モデルの周期構造に置換されたＲＲＩデータ列に基づく予測眠気値とを比較する。判定部２３４は、実測値に基づく眠気値と、予測眠気値との比較の結果、異常信号が混入したか否かを判定する。判定部２３４は、異常信号が混入したと判定した場合には、異常信号が混入した旨の眠気値に基づく判定結果を置換部２３６に出力する。判定部２３４は、異常信号が混入していないと判定した場合には、異常信号が混入していない旨の眠気値に基づく判定結果を置換部２３６に出力する。
置換部２３６は、置換部１３６での処理に加えて、眠気値に基づく判定結果によって、眠気値に対応する周期分のＲＲＩデータ列を、呼吸変動モデルの周期構造に置換する。置換部２３６は、判定部２３４から異常信号が混入した旨の眠気値に基づく判定結果が入力されると、異常信号が混入したと判定した眠気値に対応する周期分のＲＲＩデータ列を、呼吸変動モデルの周期構造に置換する。置換部２３６は、異常信号が混入したと判定した眠気値に対応する周期分のＲＲＩデータ列が、呼吸変動モデルの周期構造に置換されたＲＲＩデータ列を解析部２３７に出力する。置換部２３６は、判定部２３４から異常信号が混入していない旨の眠気値に基づく判定結果が入力されると、呼吸変動モデルの周期構造への置換は行わない。
また、置換部２３６は、ＲＲＩデータ列に基づく異常信号の混入の判定結果に関わらず、ＲＲＩデータ列の逐次更新された１周期分のＲＲＩデータ列をリサンプリングする。置換部２３６は、リサンプリングされた１周期分を含むＲＲＩデータ列、すなわち実測値のＲＲＩデータ列を解析部２３７に出力する。
解析部２３７には、置換部２３６から呼吸変動モデルの周期構造に置換されたＲＲＩデータ列と、実測値のＲＲＩデータ列とが入力される。解析部２３７は、解析部１３７と同様に、呼吸変動モデルの周期構造に置換されたＲＲＩデータ列と、実測値のＲＲＩデータ列とについて、それぞれスペクトル解析を行ってスペクトル密度データに変換する。解析部２３７は、変換したそれぞれのスペクトル密度データを眠気値算出部２３８に出力する。
眠気値算出部２３８は、眠気値算出部１３８での処理に加えて、解析部２３７から変換したそれぞれのスペクトル密度データが入力されると、それぞれのスペクトル密度データに基づいて、眠気値を算出、つまり眠気レベルを判定する。すなわち、眠気値算出部２３８は、実測値のＲＲＩデータ列に基づく眠気値と、呼吸変動モデルの周期構造に置換されたＲＲＩデータ列に基づく予測眠気値とを算出する。眠気値算出部２３８は、算出した実測値のＲＲＩデータ列に基づく眠気値と、呼吸変動モデルの周期構造に置換されたＲＲＩデータ列に基づく予測眠気値とを判定部２３４に出力する。
ここで、図１０を用いて眠気値に基づく異常信号の判定について説明する。図１０は、眠気値に基づく異常信号の判定の一例を示す図である。図１０に示すグラフ３０は、眠気値の時間軸での変化を示すグラフである。グラフ３０には、異常信号を含む眠気値の領域３１、３７があるとする。領域３１付近に対応するＲＲＩデータ列のグラフ３２では、波形３３は、呼吸変動の３周期分でありノイズを含んでいる。波形３３は、ＲＲＩデータ列に基づく異常信号の混入の判定では、異常信号が混入していないとしてすり抜ける。しかし、眠気値のグラフ３０では、ノイズの影響を受けている。実施例２の眠気検知装置２００では、この様な場合にも、グラフ３４の波形３５に示すように、呼吸変動モデルの周期構造に置換する。これにより、眠気検知装置２００は、グラフ３６の領域３１ａに示すように、ノイズの影響を排除できる。また、眠気検知装置２００は、グラフ３０の領域３７についても同様に、グラフ３６の領域３７ａに示すように、ノイズの影響を排除できる。
次に、実施例２の眠気検知装置２００の動作について説明する。図１１は、実施例２の眠気検知処理の一例を示すフローチャートである。以下の説明では、ステップＳ１〜Ｓ１３、Ｓ１６の処理は、実施例１と同様であるので、その説明を省略する。
眠気検知装置２００は、ステップＳ１２またはＳ１３の処理に続いて、次の処理を実行する。解析部２３７は、置換部２３６から呼吸変動モデルの周期構造に置換されたＲＲＩデータ列と、実測値のＲＲＩデータ列とが入力されると、それぞれスペクトル解析を行ってスペクトル密度データに変換する（ステップＳ２１）。解析部２３７は、変換したそれぞれのスペクトル密度データを眠気値算出部２３８に出力する。
眠気値算出部２３８は、解析部２３７から変換したそれぞれのスペクトル密度データが入力されると、それぞれのスペクトル密度データに基づいて、眠気値を算出する。眠気値算出部２３８は、実測値のＲＲＩデータ列に基づく眠気値と、呼吸変動モデルの周期構造に置換されたＲＲＩデータ列に基づく予測眠気値とを算出する（ステップＳ２２）。眠気値算出部２３８は、算出した実測値のＲＲＩデータ列に基づく眠気値と、呼吸変動モデルの周期構造に置換されたＲＲＩデータ列に基づく予測眠気値とを判定部２３４に出力する。
判定部２３４は、眠気値算出部２３８から実測値のＲＲＩデータ列に基づく眠気値と、呼吸変動モデルの周期構造に置換されたＲＲＩデータ列に基づく予測眠気値とが入力されると、実測値に基づく眠気値と予測眠気値とを比較する（ステップＳ２３）。判定部２３４は、実測値に基づく眠気値と、予測眠気値との比較の結果、異常信号が混入したか否かを判定する（ステップＳ２４）。判定部２３４は、異常信号が混入していないと判定した場合には（ステップＳ２４：否定）、異常信号が混入していない旨の眠気値に基づく判定結果を置換部２３６に出力し、ステップＳ１６の処理に進む。
判定部２３４は、異常信号が混入したと判定した場合には（ステップＳ２４：肯定）、異常信号が混入した旨の眠気値に基づく判定結果を置換部２３６に出力する。置換部２３６は、判定部２３４から異常信号が混入した旨の眠気値に基づく判定結果が入力されると、異常信号が混入したと判定した眠気値に対応する周期分のＲＲＩデータ列を、呼吸変動モデルの周期構造に置換する（ステップＳ２５）。置換部２３６は、異常信号が混入したと判定した眠気値に対応する周期分のＲＲＩデータ列が、呼吸変動モデルの周期構造に置換されたＲＲＩデータ列を解析部２３７に出力し、ステップＳ３に戻る。これにより、眠気検知装置２００は、ＲＲＩデータに基づく異常信号の混入の判定をすり抜けた異常信号であっても検出して置換するので、眠気推定の確度を向上させつつ、眠気推定の連続性を確保できる。また、眠気検知装置２００は、スペクトル異常の迅速な判定ができる。
このように、眠気検知装置２００は、さらに、呼吸変動の周期に基づく眠気値、および、予測された次の周期構造に基づく予測眠気値を算出する。また、眠気検知装置２００は、眠気値と、予測眠気値とを比較して、心拍間隔データに異常信号が混入したか否かを判定する。その結果、眠気推定の確度を向上させつつ、眠気推定の連続性を確保できる。
上記実施例１では、予測された次の周期構造のシフト量が所定値未満の場合に、極小点が合致するように補正したが、シフト量が所定値以上となる場合に、さらに１周期分を予測して補正してもよく、この場合の実施の形態につき、実施例３として説明する。図１２は、実施例３の眠気検知装置の構成の一例を示すブロック図である。なお、実施例１の眠気検知装置１００と同一の構成には同一符号を付すことで、その重複する構成及び動作の説明については省略する。
実施例３の眠気検知装置３００は、実施例１の眠気検知装置１００の補正部１３５に代えて、補正部３３５を有する。
補正部３３５は、補正部１３５での処理に加えて、次の周期構造のシフト量が所定値、例えば１周期分の２０％以上となる場合に、さらに１周期分の周期構造を予測して修正する。補正部３３５は、呼吸変動モデルの次の周期構造の極小点が逐次更新中のＲＲＩデータ列に基づく呼吸変動の周期の極小点と合致するように、呼吸変動モデルの次の周期構造をシフトして補正する。補正部３３５は、極小点を合致する補正を行うと、シフト量が所定値以上となるか否かを判定する。補正部３３５は、シフト量が所定値以上となる場合には、シフト前の次の周期構造における終点側の極大点から、さらに１周期分の周期構造を予測する。補正部３３５は、予測した周期構造に基づいて、次の周期構造の予測に用いる呼吸変動モデルを修正する。すなわち、補正部３３５は、２周期分の周期構造を予測する。補正部３３５は、修正した呼吸変動モデルを予測部１３３に出力する。なお、補正部３３５は、シフト量が所定値以上とならない場合には、さらに１周期分の周期構造についての呼吸変動モデルの修正は行わない。
ここで、図１３を用いて、シフトした周期構造が所定値以上ずれる場合の呼吸変動モデルの補正について説明する。図１３は、シフトした周期構造が所定値以上ずれる場合の置換の一例を示す図である。図１３に示すように、呼吸変動モデルでは、ＲＲＩデータ列の極大点４１から周期構造４２が予測され、次の極大点４３が予測される。ところが、図１３の例では、実測値のＲＲＩデータ列の周期構造４５が逐次更新されると、実測値の極大点４６は、予測されて確定された１周期分の周期構造４４の極大点４３から２０％以上ずれているとする。このため、補正部３３５は、極大点４３から、さらに１周期分の周期構造４７を予測する。その後、実測値のＲＲＩデータ列の周期構造４５が極大点４１から２周期分先である極大点４９まで更新されると、補正部３３５は、周期構造４７の極大点４８を極大点４９に合致するようにシフトする。すなわち、補正部３３５は、極大点４１から極大点４９までの２周期分の実測値のＲＲＩデータ列の周期構造４５を、周期構造５０に置換する。すなわち、図１３の例では、２周期分の波形が歪んでいる周期構造４５ａが、２周期分の周期構造５０に置換される。また、予測部１３３では、補正部３３５で補正された呼吸変動モデル、つまり、周期構造５０で補正された呼吸変動モデルに基づいて、次の周期構造５１を予測する。
次に、実施例３の眠気検知装置３００の動作について説明する。図１４は、実施例３の眠気検知処理の一例を示すフローチャートである。以下の説明では、ステップＳ１〜Ｓ１６の処理は、実施例１と同様であるので、その説明を省略する。
眠気検知装置３００は、ステップＳ１０の処理に続いて、次の処理を実行する。補正部３３５は、極小点を合致する補正を行うと、シフト量が所定値以上となるか否かを判定する（ステップＳ３１）。補正部３３５は、シフト量が所定値以上となる場合には（ステップＳ３１：肯定）、シフト前の次の周期構造の終点側の極大点から、さらに１周期分の周期構造を予測して呼吸変動モデルを補正する（ステップＳ３２）。補正部３３５は、シフト量が所定値以上とならない場合には（ステップＳ３１：否定）、ステップＳ１１に進む。これにより、眠気検知装置３００は、甚大なノイズが混入した場合であっても、ノイズが混入した周期構造を置換するので、眠気推定の確度を向上させつつ、眠気推定の連続性を確保できる。すなわち、眠気検知装置３００は、低次ＡＲモデルによる推定精度の安定を図ることができる。また、眠気検知装置３００は、所定範囲（例えば基準から＋２０％まで）の周期成分のみに追従することで、低次モデルによるスペクトル計算の精度の劣化を緩和することができる。
このように、眠気検知装置３００は、シフトした次の周期構造が、シフト前の次の周期構造から所定値以上ずれる場合には、シフト前の次の周期構造における終点側の極大点から、さらに１周期分の周期構造を予測する。また、眠気検知装置３００は、予測した該周期構造に基づいて、次の周期構造の予測に用いる呼吸変動モデルを補正する。その結果、眠気推定の確度を向上させつつ、眠気推定の連続性を確保できる。
上記実施例１では、ＲＲＩデータ列の周期および振幅に基づいて、呼吸変動モデルを予測したが、呼吸変動の周期の低周波数側（ＬＦ）の成分を考慮して呼吸変動モデルを予測してもよく、この場合の実施の形態につき、実施例４として説明する。図１５は、実施例４の眠気検知装置の構成の一例を示すブロック図である。なお、実施例１の眠気検知装置１００と同一の構成には同一符号を付すことで、その重複する構成及び動作の説明については省略する。
実施例４の眠気検知装置４００は、実施例１の眠気検知装置１００の予測部１３３に代えて、予測部４３３を有する。
予測部４３３は、予測部１３３での処理に加えて、長周期の変動を考慮して呼吸変動の次の周期構造を予測する。予測部４３３は、ＲＲＩデータ列の積算区間内の過去の呼吸変動の周期と、入力された呼吸変動の周期とに基づいて、極大点の変化を示す極大点トレンドと、極小点の変化を示す極小点トレンドと、振幅の変化を示す振幅トレンドとを算出する。予測部４３３は、ＲＲＩデータ列の積算区間内の過去の呼吸変動の周期と、入力された呼吸変動の周期と、算出した極大点トレンドと、極小点トレンドと、振幅トレンドとに基づいて、呼吸変動モデルを算出して、次の周期構造を予測する。予測部４３３は、予測した次の周期構造を含む呼吸変動モデルを、判定部１３４および補正部１３５に出力する。
ここで、図１６を用いて各トレンドに基づく次の周期構造の予測について説明する。図１６は、長周期トレンドを反映する予測の一例を示す図である。図１６に示すように、予測部４３３は、ＲＲＩデータ列である呼吸変動グラフ７０において、確定した区間７１の呼吸変動の周期から、極大点トレンド７２と、極小点トレンド７３と、振幅トレンド７４とを算出する。予測部４３３は、呼吸変動の周期と、算出した極大点トレンド７２と、極小点トレンド７３と、振幅トレンド７４とに基づいて、呼吸変動モデルを算出して、未来の区間７５における周期構造を予測する。なお、図１６の例では、各トレンドに基づき呼吸変動モデルを算出して、３周期分の周期構造の予測に各トレンドを反映させている。
次に、実施例４の眠気検知装置４００の動作について説明する。図１７は、実施例４の眠気検知処理の一例を示すフローチャートである。以下の説明では、ステップＳ１〜Ｓ４、Ｓ６〜Ｓ１６の処理は、実施例１と同様であるので、その説明を省略する。
眠気検知装置４００は、ステップＳ４の処理に続いて、次の処理を実行する。予測部４３３は、算出部１３２から呼吸変動の周期と、ＲＲＩデータ列とが入力されると、呼吸変動の周期に基づいて、極大点、極小点および振幅のトレンドを算出する（ステップＳ４１）。予測部４３３は、呼吸変動の周期と、算出した極大点、極小点および振幅のトレンドとに基づいて、呼吸変動モデルを算出して次の周期構造を予測する（ステップＳ４２）。予測部４３３は、予測した次の周期構造を含む呼吸変動モデルを、判定部１３４および補正部１３５に出力して、ステップＳ６に進む。これにより、眠気検知装置４００は、血圧性変動に相当する長周期の成分を考慮するので、長い期間のノイズであっても、眠気推定の確度の劣化を防ぎつつ、眠気推定の連続性を確保できる。
このように、眠気検知装置４００は、算出された呼吸変動の周期に基づいて、極大点の変化を示す極大点トレンドと、極小点の変化を示す極小点トレンドと、振幅の変化を示す振幅トレンドとを算出する。また、眠気検知装置４００は、算出した極大点トレンドと、極小点トレンドと、振幅トレンドとに基づいて、呼吸変動の次の周期構造を予測する。その結果、眠気推定の確度の劣化を防ぎつつ、眠気推定の連続性を確保できる。
また、図示した各部の各構成要素は、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各部の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況等に応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。例えば、生成部１３１と算出部１３２とを統合してもよい。また、図示した各処理は、上記の順番に限定されるものではなく、処理内容を矛盾させない範囲において、同時に実施してもよく、順序を入れ替えて実施してもよい。
さらに、各装置で行われる各種処理機能は、ＣＰＵ（またはＭＰＵ、ＭＣＵ（Micro Controller Unit）等のマイクロ・コンピュータ）上で、その全部または任意の一部を実行するようにしてもよい。また、各種処理機能は、ＣＰＵ（またはＭＰＵ、ＭＣＵ等のマイクロ・コンピュータ）で解析実行されるプログラム上、またはワイヤードロジックによるハードウェア上で、その全部または任意の一部を実行するようにしてもよいことは言うまでもない。
ところで、上記の各実施例で説明した各種の処理は、予め用意されたプログラムをコンピュータで実行することで実現できる。そこで、以下では、上記の各実施例と同様の機能を有するプログラムを実行するコンピュータの一例を説明する。図１８は、眠気検知プログラムを実行するコンピュータの一例を示す図である。
図１８に示すように、コンピュータ５００は、各種演算処理を実行するＣＰＵ５０１と、データ入力を受け付ける入力装置５０２と、モニタ５０３とを有する。また、コンピュータ５００は、記憶媒体からプログラム等を読み取る媒体読取装置５０４と、各種装置と接続するためのインタフェース装置５０５と、他の情報処理装置等と有線または無線により接続するための通信装置５０６とを有する。また、コンピュータ５００は、各種情報を一時記憶するＲＡＭ５０７と、ハードディスク装置５０８とを有する。また、各装置５０１〜５０８は、バス５０９に接続される。
ハードディスク装置５０８には、図１に示した生成部１３１、算出部１３２、予測部１３３、判定部１３４、補正部１３５、置換部１３６、解析部１３７および眠気値算出部１３８の各処理部と同様の機能を有する眠気検知プログラムが記憶される。また、ハードディスク装置５０８には、図９に示した生成部１３１、算出部１３２、予測部１３３、判定部２３４、補正部１３５、置換部２３６、解析部２３７および眠気値算出部２３８の各処理部と同様の機能を有する眠気検知プログラムが記憶されてもよい。また、ハードディスク装置５０８には、図１２に示した生成部１３１、算出部１３２、予測部１３３、判定部１３４、補正部３３５、置換部１３６、解析部１３７および眠気値算出部１３８の各処理部と同様の機能を有する眠気検知プログラムが記憶されてもよい。また、ハードディスク装置５０８には、図１５に示した生成部１３１、算出部１３２、予測部４３３、判定部１３４、補正部１３５、置換部１３６、解析部１３７および眠気値算出部１３８の各処理部と同様の機能を有する眠気検知プログラムが記憶されてもよい。また、ハードディスク装置５０８には、呼吸変動モデル等の眠気検知プログラムを実現するための各種データが記憶される。
入力装置５０２は、例えば、コンピュータ５００のユーザである被験者または管理者から操作情報、管理情報等の各種情報の入力を受け付ける。モニタ５０３は、例えば、コンピュータ５００のユーザまたは管理者に対して警告画面等の各種画面を表示する。インタフェース装置５０５は、例えば車両の制御装置等が接続される。通信装置５０６は、例えば、図示しないネットワークと接続され、各種装置と各種情報をやりとりする。
ＣＰＵ５０１は、ハードディスク装置５０８に記憶された各プログラムを読み出して、ＲＡＭ５０７に展開して実行することで、各種の処理を行う。また、これらのプログラムは、コンピュータ５００を図１に示した生成部１３１、算出部１３２、予測部１３３、判定部１３４、補正部１３５、置換部１３６、解析部１３７および眠気値算出部１３８として機能させることができる。また、これらのプログラムは、コンピュータ５００を、図９に示した生成部１３１、算出部１３２、予測部１３３、判定部２３４、補正部１３５、置換部２３６、解析部２３７および眠気値算出部２３８として機能させてもよい。また、これらのプログラムは、コンピュータ５００を、図１２に示した生成部１３１、算出部１３２、予測部１３３、判定部１３４、補正部３３５、置換部１３６、解析部１３７および眠気値算出部１３８として機能させてもよい。また、これらのプログラムは、コンピュータ５００を、図１５に示した生成部１３１、算出部１３２、予測部４３３、判定部１３４、補正部１３５、置換部１３６、解析部１３７および眠気値算出部１３８として機能させてもよい。
なお、上記の眠気検知プログラムは、必ずしもハードディスク装置５０８に記憶されている必要はない。例えば、コンピュータ５００が読み取り可能な記憶媒体に記憶されたプログラムを、コンピュータ５００が読み出して実行するようにしてもよい。コンピュータ５００が読み取り可能な記憶媒体は、例えば、ＣＤ−ＲＯＭやＤＶＤディスク、ＵＳＢ（Universal Serial Bus）メモリ等の可搬型記録媒体、フラッシュメモリ等の半導体メモリ、ハードディスクドライブ等が対応する。また、公衆回線、インターネット、ＬＡＮ等に接続された装置にこの眠気検知プログラムを記憶させておき、コンピュータ５００がこれらから眠気検知プログラムを読み出して実行するようにしてもよい。
以上、本実施例を含む実施の形態に関し、さらに以下の付記を開示する。
（付記１）心拍センサから取得したデータを基に生成した心拍間隔データに基づいて、呼吸変動の周期を算出する算出部と、
算出された前記呼吸変動の周期に基づいて、前記呼吸変動の次の周期構造を予測する予測部と、
逐次更新中の前記心拍間隔データと、予測された前記次の周期構造とを比較して、前記心拍間隔データに異常信号が混入したか否かを判定する判定部と、
前記異常信号が混入したと判定された場合に、前記異常信号を含む前記心拍間隔データに対応する前記呼吸変動の周期を、予測された前記次の周期構造に置換する置換部と、
を有することを特徴とする眠気検知装置。
（付記２）前記算出部は、前記呼吸変動の極大点間を１周期として算出し、
さらに、予測された前記次の周期構造の極小点または極大点が、逐次更新中の前記心拍間隔データに基づく前記呼吸変動の周期の極小点または極大点と合致するように、前記次の周期構造をシフトして補正する補正部を有し、
前記判定部は、逐次更新中の前記心拍間隔データと、シフトされた前記次の周期構造とを比較して、前記心拍間隔データに異常信号が混入したか否かを判定する、
ことを特徴とする付記１に記載の眠気検知装置。
（付記３）さらに、前記呼吸変動の周期に基づく眠気値、および、予測された前記次の周期構造に基づく予測眠気値を算出する眠気値算出部を有し、
前記判定部は、前記眠気値と、前記予測眠気値とを比較して、前記心拍間隔データに異常信号が混入したか否かを判定する、
ことを特徴とする付記１または２に記載の眠気検知装置。
（付記４）前記補正部は、シフトした前記次の周期構造が、シフト前の前記次の周期構造から所定値以上ずれる場合には、シフト前の前記次の周期構造における終点側の極大点から、さらに１周期分の周期構造を予測し、予測した該周期構造に基づいて、前記次の周期構造の予測に用いる呼吸変動モデルを補正する、
ことを特徴とする付記２に記載の眠気検知装置。
（付記５）前記予測部は、算出された前記呼吸変動の周期に基づいて、極大点の変化を示す極大点トレンドと、極小点の変化を示す極小点トレンドと、振幅の変化を示す振幅トレンドとを算出し、算出した前記極大点トレンドと、前記極小点トレンドと、前記振幅トレンドとに基づいて、前記呼吸変動の次の周期構造を予測する、
ことを特徴とする付記１〜４のいずれか１つに記載の眠気検知装置。
（付記６）心拍センサから取得したデータを基に生成した心拍間隔データに基づいて、呼吸変動の周期を算出し、
算出された前記呼吸変動の周期に基づいて、前記呼吸変動の次の周期構造を予測し、
逐次更新中の前記心拍間隔データと、予測された前記次の周期構造とを比較して、前記心拍間隔データに異常信号が混入したか否かを判定し、
前記異常信号が混入したと判定された場合に、前記異常信号を含む前記心拍間隔データに対応する前記呼吸変動の周期を、予測された前記次の周期構造に置換する、
処理をコンピュータが実行することを特徴とする眠気検知方法。
（付記７）前記算出する処理は、前記呼吸変動の極大点間を１周期として算出し、
さらに、予測された前記次の周期構造の極小点または極大点が、逐次更新中の前記心拍間隔データに基づく前記呼吸変動の周期の極小点または極大点と合致するように、前記次の周期構造をシフトして補正し、
前記判定する処理は、逐次更新中の前記心拍間隔データと、シフトされた前記次の周期構造とを比較して、前記心拍間隔データに異常信号が混入したか否かを判定する、
ことを特徴とする付記６に記載の眠気検知方法。
（付記８）さらに、前記呼吸変動の周期に基づく眠気値、および、予測された前記次の周期構造に基づく予測眠気値を算出し、
前記判定する処理は、前記眠気値と、前記予測眠気値とを比較して、前記心拍間隔データに異常信号が混入したか否かを判定する、
ことを特徴とする付記６または７に記載の眠気検知方法。
（付記９）前記補正する処理は、シフトした前記次の周期構造が、シフト前の前記次の周期構造から所定値以上ずれる場合には、シフト前の前記次の周期構造における終点側の極大点から、さらに１周期分の周期構造を予測し、予測した該周期構造に基づいて、前記次の周期構造の予測に用いる呼吸変動モデルを補正する、
ことを特徴とする付記７に記載の眠気検知方法。
（付記１０）前記予測する処理は、算出された前記呼吸変動の周期に基づいて、極大点の変化を示す極大点トレンドと、極小点の変化を示す極小点トレンドと、振幅の変化を示す振幅トレンドとを算出し、算出した前記極大点トレンドと、前記極小点トレンドと、前記振幅トレンドとに基づいて、前記呼吸変動の次の周期構造を予測する、
ことを特徴とする付記６〜９のいずれか１つに記載の眠気検知方法。
（付記１１）心拍センサから取得したデータを基に生成した心拍間隔データに基づいて、呼吸変動の周期を算出し、
算出された前記呼吸変動の周期に基づいて、前記呼吸変動の次の周期構造を予測し、
逐次更新中の前記心拍間隔データと、予測された前記次の周期構造とを比較して、前記心拍間隔データに異常信号が混入したか否かを判定し、
前記異常信号が混入したと判定された場合に、前記異常信号を含む前記心拍間隔データに対応する前記呼吸変動の周期を、予測された前記次の周期構造に置換する、
処理をコンピュータに実行させることを特徴とする眠気検知プログラム。
（付記１２）前記算出する処理は、前記呼吸変動の極大点間を１周期として算出し、
さらに、予測された前記次の周期構造の極小点または極大点が、逐次更新中の前記心拍間隔データに基づく前記呼吸変動の周期の極小点または極大点と合致するように、前記次の周期構造をシフトして補正し、
前記判定する処理は、逐次更新中の前記心拍間隔データと、シフトされた前記次の周期構造とを比較して、前記心拍間隔データに異常信号が混入したか否かを判定する、
ことを特徴とする付記１１に記載の眠気検知プログラム。
（付記１３）さらに、前記呼吸変動の周期に基づく眠気値、および、予測された前記次の周期構造に基づく予測眠気値を算出し、
前記判定する処理は、前記眠気値と、前記予測眠気値とを比較して、前記心拍間隔データに異常信号が混入したか否かを判定する、
ことを特徴とする付記１１または１２に記載の眠気検知プログラム。
（付記１４）前記補正する処理は、シフトした前記次の周期構造が、シフト前の前記次の周期構造から所定値以上ずれる場合には、シフト前の前記次の周期構造における終点側の極大点から、さらに１周期分の周期構造を予測し、予測した該周期構造に基づいて、前記次の周期構造の予測に用いる呼吸変動モデルを補正する、
ことを特徴とする付記１２に記載の眠気検知プログラム。
（付記１５）前記予測する処理は、算出された前記呼吸変動の周期に基づいて、極大点の変化を示す極大点トレンドと、極小点の変化を示す極小点トレンドと、振幅の変化を示す振幅トレンドとを算出し、算出した前記極大点トレンドと、前記極小点トレンドと、前記振幅トレンドとに基づいて、前記呼吸変動の次の周期構造を予測する、
ことを特徴とする付記１１〜１４のいずれか１つに記載の眠気検知プログラム。
１００，２００，３００，４００ 眠気検知装置
１１１ 心拍センサ
１１２ 表示部
１２０ 記憶部
１３０ 制御部
１３１ 生成部
１３２ 算出部
１３３，４３３ 予測部
１３４，２３４ 判定部
１３５，３３５ 補正部
１３６，２３６ 置換部
１３７，２３７ 解析部
１３８，２３８ 眠気値算出部

Claims (7)

  1. 心拍センサから取得したデータを基に生成した心拍間隔データに基づいて、呼吸変動の極大点間を１周期として前記呼吸変動の周期を算出する算出部と、
    算出された前記呼吸変動の周期に基づいて、前記呼吸変動の次の周期構造を予測する予測部と、
    予測された前記次の周期構造の極小点または極大点に基づいて、前記次の周期構造をシフトして補正する補正部と、
    逐次更新中の前記心拍間隔データと、補正された前記次の周期構造とを比較して、前記心拍間隔データに異常信号が混入したか否かを判定する判定部と、
    前記異常信号が混入したと判定された場合に、前記異常信号を含む前記心拍間隔データに対応する前記呼吸変動の周期を、補正された前記次の周期構造に置換する置換部と、
    を有することを特徴とする眠気検知装置。
  2. 前記補正部は、予測された前記次の周期構造の極小点または極大点が、逐次更新中の前記心拍間隔データに基づく前記呼吸変動の周期の極小点または極大点と合致するように、前記次の周期構造をシフトして補正する、
    ことを特徴とする請求項１に記載の眠気検知装置。
  3. さらに、前記呼吸変動の周期に基づく眠気値、および、予測された前記次の周期構造に基づく予測眠気値を算出する眠気値算出部を有し、
    前記判定部は、前記眠気値と、前記予測眠気値とを比較して、前記心拍間隔データに異常信号が混入したか否かを判定する、
    ことを特徴とする請求項１または２に記載の眠気検知装置。
  4. 前記補正部は、シフトした前記次の周期構造が、シフト前の前記次の周期構造から所定値以上ずれる場合には、シフト前の前記次の周期構造における終点側の極大点から、さらに１周期分の周期構造を予測し、予測した該周期構造に基づいて、前記次の周期構造の予測に用いる呼吸変動モデルを補正する、
    ことを特徴とする請求項２に記載の眠気検知装置。
  5. 前記予測部は、算出された前記呼吸変動の周期に基づいて、極大点の変化を示す極大点トレンドと、極小点の変化を示す極小点トレンドと、振幅の変化を示す振幅トレンドとを算出し、算出した前記極大点トレンドと、前記極小点トレンドと、前記振幅トレンドとに基づいて、前記呼吸変動の次の周期構造を予測する、
    ことを特徴とする請求項１〜４のいずれか１つに記載の眠気検知装置。
  6. 心拍センサから取得したデータを基に生成した心拍間隔データに基づいて、呼吸変動の極大点間を１周期として前記呼吸変動の周期を算出し、
    算出された前記呼吸変動の周期に基づいて、前記呼吸変動の次の周期構造を予測し、
    予測された前記次の周期構造の極小点または極大点に基づいて、前記次の周期構造をシフトして補正し、
    逐次更新中の前記心拍間隔データと、補正された前記次の周期構造とを比較して、前記心拍間隔データに異常信号が混入したか否かを判定し、
    前記異常信号が混入したと判定された場合に、前記異常信号を含む前記心拍間隔データに対応する前記呼吸変動の周期を、補正された前記次の周期構造に置換する、
    処理をコンピュータが実行することを特徴とする眠気検知方法。
  7. 心拍センサから取得したデータを基に生成した心拍間隔データに基づいて、呼吸変動の極大点間を１周期として前記呼吸変動の周期を算出し、
    算出された前記呼吸変動の周期に基づいて、前記呼吸変動の次の周期構造を予測し、
    予測された前記次の周期構造の極小点または極大点に基づいて、前記次の周期構造をシフトして補正し、
    逐次更新中の前記心拍間隔データと、補正された前記次の周期構造とを比較して、前記心拍間隔データに異常信号が混入したか否かを判定し、
    前記異常信号が混入したと判定された場合に、前記異常信号を含む前記心拍間隔データに対応する前記呼吸変動の周期を、補正された前記次の周期構造に置換する、
    処理をコンピュータに実行させることを特徴とする眠気検知プログラム。
JP2015184290A 2015-09-17 2015-09-17 眠気検知装置、眠気検知方法および眠気検知プログラム Active JP6582788B2 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP2015184290A JP6582788B2 (ja) 2015-09-17 2015-09-17 眠気検知装置、眠気検知方法および眠気検知プログラム
US15/263,809 US10398380B2 (en) 2015-09-17 2016-09-13 Drowsiness detection device, drowsiness detection method, and computer-readable recording medium storing program for drowsiness detection
CA2941775A CA2941775C (en) 2015-09-17 2016-09-13 Drowsiness detection device, drowsiness detection method, and computer-readable recording medium storing program for drowsiness detection

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2015184290A JP6582788B2 (ja) 2015-09-17 2015-09-17 眠気検知装置、眠気検知方法および眠気検知プログラム

Publications (2)

Publication Number Publication Date
JP2017056042A JP2017056042A (ja) 2017-03-23
JP6582788B2 true JP6582788B2 (ja) 2019-10-02

Family

ID=58276239

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2015184290A Active JP6582788B2 (ja) 2015-09-17 2015-09-17 眠気検知装置、眠気検知方法および眠気検知プログラム

Country Status (3)

Country Link
US (1) US10398380B2 (ja)
JP (1) JP6582788B2 (ja)
CA (1) CA2941775C (ja)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019017124A1 (ja) 2017-07-19 2019-01-24 パナソニックＩｐマネジメント株式会社 眠気推定装置及び覚醒誘導装置
CN109717856A (zh) * 2017-10-27 2019-05-07 贵州骏江实业有限公司 一种基于专家系统的心率检测方法和检测装置
JP7400574B2 (ja) 2020-03-23 2023-12-19 株式会社リコー 生体情報取得装置、生体情報取得方法及びプログラム
WO2022224599A1 (ja) * 2021-04-20 2022-10-27 東洋紡株式会社 四肢動物用の生体情報計測衣類、四肢動物用の衣類型生体情報計測装置、四肢動物の異常呼吸検知方法、および四肢動物の異常呼吸検知装置

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07124140A (ja) * 1993-11-09 1995-05-16 Toyota Motor Corp 意識レベル検出装置
JP3314521B2 (ja) * 1994-04-19 2002-08-12 いすゞ自動車株式会社 心拍変動波形解析方法及び装置
JP3319140B2 (ja) * 1994-04-19 2002-08-26 いすゞ自動車株式会社 心拍変動波形解析方法及び装置
JP3770204B2 (ja) 2002-05-22 2006-04-26 株式会社デンソー 脈波解析装置及び生体状態監視装置
JP2006081840A (ja) 2004-09-17 2006-03-30 Toyota Motor Corp 生理状態推定装置及び方法
US9913982B2 (en) * 2011-01-28 2018-03-13 Cyberonics, Inc. Obstructive sleep apnea treatment devices, systems and methods
WO2008149558A1 (ja) 2007-06-08 2008-12-11 Panasonic Corporation 機器制御装置および機器制御方法
US20130053664A1 (en) * 2010-01-29 2013-02-28 Edwards Lifesciences Corporation Elimination of the effects of irregular cardiac cycles in the determination of cardiovascular parameters
JP5696501B2 (ja) * 2011-01-27 2015-04-08 富士通株式会社 覚醒時データ生成装置、覚醒時データ生成方法、覚醒時データ生成プログラム及び覚醒度判定装置
EP2524647A1 (en) * 2011-05-18 2012-11-21 Alain Gilles Muzet System and method for determining sleep stages of a person
JP5880001B2 (ja) 2011-12-14 2016-03-08 富士通株式会社 覚醒度判定装置、覚醒度判定方法、及びプログラム
JP5982910B2 (ja) * 2012-03-19 2016-08-31 富士通株式会社 解析装置、解析プログラムおよび解析方法
JP6115442B2 (ja) * 2013-10-23 2017-04-19 富士通株式会社 波形補間装置、方法及びプログラム
EP3119269A1 (en) * 2014-03-17 2017-01-25 Koninklijke Philips N.V. Heart rate monitor system

Also Published As

Publication number Publication date
US20170079579A1 (en) 2017-03-23
CA2941775A1 (en) 2017-03-17
CA2941775C (en) 2019-02-12
US10398380B2 (en) 2019-09-03
JP2017056042A (ja) 2017-03-23

Similar Documents

Publication Publication Date Title
JP6582788B2 (ja) 眠気検知装置、眠気検知方法および眠気検知プログラム
JP6115442B2 (ja) 波形補間装置、方法及びプログラム
US11963802B2 (en) Disease onset risk prediction device, method, and non-fugitive recording medium for storing program
JP6352826B2 (ja) Ｒ−ｒ間隔補間方法および心拍変動計測装置
US9801579B2 (en) Arousal-level determining apparatus and arousal-level determining method
JP6809126B2 (ja) 眠気判定装置および眠気判定方法
JP2012152458A (ja) 覚醒時データ生成装置、覚醒時データ生成方法、覚醒時データ生成プログラム及び覚醒度判定装置
JP2016123594A (ja) 自律神経活動推定装置及び自律神経活動推定方法
WO2015060267A1 (ja) 覚醒装置、シート及び覚醒度判定方法
JP2016184282A (ja) 情報出力装置
JP2009207763A (ja) 生体信号関連性計測装置および生体信号関連性計測方法
Morales et al. Model-based evaluation of methods for respiratory sinus arrhythmia estimation
JP6197451B2 (ja) 情報処理装置および情報処理方法
JP6379656B2 (ja) 眠気検知装置、眠気検知方法および眠気検知プログラム
JP7396143B2 (ja) 脈波解析装置、脈波解析方法及びプログラム
JP2014012042A (ja) 眠気判定方法、装置及びプログラム
JP6750229B2 (ja) 眠気検知プログラム、眠気検知方法および眠気検知装置
JP5609985B2 (ja) 覚醒度判定装置、覚醒度判定方法及び覚醒度判定プログラム
JP2018191780A (ja) 状態推定装置、情報処理装置、状態推定システム
JP3314521B2 (ja) 心拍変動波形解析方法及び装置
Sugimoto et al. Analysis of the relationship between amplitude modulation of low frequency heart rate variability and blood pressure variability
JP6596847B2 (ja) 覚醒度判定プログラムおよび覚醒度判定装置
JP7460584B2 (ja) 心拍データ解析装置及びプログラム
JP2016036540A (ja) 覚醒度判定プログラムおよび覚醒度判定装置
JP2022059291A (ja) 生体情報監視装置、生体情報監視システム及びプログラム

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20180514

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20190228

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20190312

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20190510

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: 20190806

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20190819

R150 Certificate of patent or registration of utility model

Ref document number: 6582788

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150