JP6627112B2 - Biological function testing device, method of operating biological function testing device, and program - Google Patents
Biological function testing device, method of operating biological function testing device, and program Download PDFInfo
- Publication number
- JP6627112B2 JP6627112B2 JP2015192350A JP2015192350A JP6627112B2 JP 6627112 B2 JP6627112 B2 JP 6627112B2 JP 2015192350 A JP2015192350 A JP 2015192350A JP 2015192350 A JP2015192350 A JP 2015192350A JP 6627112 B2 JP6627112 B2 JP 6627112B2
- Authority
- JP
- Japan
- Prior art keywords
- sleep state
- living body
- signal
- pulse wave
- function
- 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
Links
- 230000008827 biological function Effects 0.000 title claims description 54
- 238000012360 testing method Methods 0.000 title claims description 50
- 238000000034 method Methods 0.000 title claims description 34
- 230000007958 sleep Effects 0.000 claims description 94
- 230000006870 function Effects 0.000 claims description 87
- 230000033001 locomotion Effects 0.000 claims description 76
- 230000036385 rapid eye movement (rem) sleep Effects 0.000 claims description 48
- 210000004556 brain Anatomy 0.000 claims description 47
- 230000005484 gravity Effects 0.000 claims description 35
- 238000004458 analytical method Methods 0.000 claims description 32
- 230000008667 sleep stage Effects 0.000 claims description 31
- 238000011156 evaluation Methods 0.000 claims description 25
- 230000000241 respiratory effect Effects 0.000 claims description 20
- 238000001514 detection method Methods 0.000 claims description 16
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 15
- 206010062519 Poor quality sleep Diseases 0.000 claims description 13
- 210000000056 organ Anatomy 0.000 claims description 11
- 238000000926 separation method Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000012854 evaluation process Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 4
- 230000009084 cardiovascular function Effects 0.000 claims description 2
- 230000007423 decrease Effects 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 7
- 230000036541 health Effects 0.000 description 7
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 208000010125 myocardial infarction Diseases 0.000 description 6
- 230000010349 pulsation Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 201000010099 disease Diseases 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000006866 deterioration Effects 0.000 description 4
- 238000011017 operating method Methods 0.000 description 4
- 230000033764 rhythmic process Effects 0.000 description 4
- 230000002567 autonomic effect Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 230000036772 blood pressure Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000008452 non REM sleep Effects 0.000 description 3
- 238000007639 printing Methods 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 230000002889 sympathetic effect Effects 0.000 description 3
- 206010003658 Atrial Fibrillation Diseases 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 230000000739 chaotic effect Effects 0.000 description 2
- 230000005794 circulatory dysfunction Effects 0.000 description 2
- 230000006735 deficit Effects 0.000 description 2
- 210000005037 parasympathetic nerve Anatomy 0.000 description 2
- 230000035790 physiological processes and functions Effects 0.000 description 2
- 230000004461 rapid eye movement Effects 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 206010002383 Angina Pectoris Diseases 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 208000020925 Bipolar disease Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 206010026749 Mania Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 208000028683 bipolar I disease Diseases 0.000 description 1
- 238000009530 blood pressure measurement Methods 0.000 description 1
- 210000005252 bulbus oculi Anatomy 0.000 description 1
- 230000002612 cardiopulmonary effect Effects 0.000 description 1
- 230000004706 cardiovascular dysfunction Effects 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 210000004720 cerebrum Anatomy 0.000 description 1
- 230000027288 circadian rhythm Effects 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 238000005183 dynamical system Methods 0.000 description 1
- 230000004064 dysfunction Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004424 eye movement Effects 0.000 description 1
- 210000000744 eyelid Anatomy 0.000 description 1
- 208000035474 group of disease Diseases 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 206010025482 malaise Diseases 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 239000004005 microsphere Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 230000008035 nerve activity Effects 0.000 description 1
- 230000004768 organ dysfunction Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000007084 physiological dysfunction Effects 0.000 description 1
- 208000020016 psychiatric disease Diseases 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000005295 random walk Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004043 responsiveness Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003860 sleep quality Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Description
本発明は生体機能検査装置、生体機能検査装置の作動方法及びプログラムに関し、特に、睡眠中の生体情報に基づいて生体機能を検査するための生体機能検査装置、生体機能検査装置の作動方法及びプログラムに関する。 The present invention is a biological function testing device relates operating method and program of the biological function testing device, in particular, the biological function testing apparatus for testing a biological function based on biological information during sleep, operation method, and program of the biological function testing device About.
従来、臨床所見や医療機器と医療画像による検査の所見は、生理機能の障害の症状が相当顕著に現れて来たときに始めて適用できる診断方法であり、顕著な症状が現れる前の、いわゆる早期判別のための簡易的・客観的・定量的な方法は、現在のところ、開発されていない。 Conventionally, clinical findings and findings from examinations using medical devices and medical images are diagnostic methods that can be applied only when symptoms of a disorder of physiological function appear considerably prominently. A simple, objective and quantitative method for discrimination has not been developed at present.
その原因として、生理機能低下または生理機能障害を顕著に症状が現れる前に生体リズムのゆらぎ或いは生体柔軟性が変調の兆候が現わるが、僅かな変化でデリケートのため、身体の生理不安定状態と外部環境の干渉に大いに影響され、精確に捉えることができなかった。 The cause is that the biological rhythm fluctuates or the bioflexibility is modulated before the symptom of the physiological function decline or physiological dysfunction becomes noticeable, but the body is unstable due to delicate changes. And was greatly affected by the interference of the external environment, and could not be accurately captured.
また、血圧測定や健康診断などにより生体機能を検査する際、精確に検査できるように生体がリラックス状態にあるのが望ましい。しかし、日中は交感神経活動が優位になり、心身内外の不安定性による干渉が避けられないため、本来意味のリラックス状態にならない。 When examining a living body function by blood pressure measurement, health examination, or the like, it is desirable that the living body is in a relaxed state so that the examination can be performed accurately. However, during the day, sympathetic nervous activity becomes dominant, and interference due to instability inside and outside the body is inevitable.
そこで、生体が最も安定しリラックス状態にある睡眠時に、生体情報に基づいて生体機能を検査するための種々の生体機能検査装置が従来から提案されている。 Therefore, various biological function testing devices for testing biological functions based on biological information during sleep when the living body is in the most stable and relaxed state have been proposed.
例えば特許文献１には、睡眠中の生体情報を検出し、寝具に設けられた圧電センサと、圧電センサから得られた原信号から脈波拍動成分データを抽出し、抽出された脈波拍動成分データから、心拍数時系列データを抽出し、抽出された心拍数時系列データを近似直線除去してゆらぎ解析して、その結果より健康／疾患度を測定する健康／疾患度測定方法及び測定装置並びに測定システムが提案されている（以下、この技術を従来例１という）。 For example, Patent Literature 1 detects biological information during sleep, extracts pulse wave pulsation component data from a piezoelectric sensor provided on the bedding, and original signal obtained from the piezoelectric sensor, and extracts the extracted pulse wave pulse. A health / disease degree measuring method for extracting heart rate time series data from the dynamic component data, removing the approximated straight line from the extracted heart rate time series data, analyzing the fluctuation, and measuring the health / disease degree from the result; A measuring device and a measuring system have been proposed (hereinafter, this technique is referred to as Conventional Example 1).
特許文献２には、在宅で睡眠状態についての測定を行うために、使用者の身体に接している圧力検出部から圧力波形を得る圧力波形取得部と、圧力波形に所定の処理を行って拍動波形を抽出する拍動抽出部と、拍動間隔を算出する拍動間隔算出部と、使用者の睡眠の深度の段階である睡眠ステージを拍動間隔から判定する睡眠ステージ（睡眠段階）判定部とを備える睡眠状態モニタリング装置を用い、コンピュータネットワークを通じて睡眠中の拍動間隔のデータを収集し、拍動間隔のゆらぎを示す数値の変動を検知して、使用者の健康管理を行うシステムが提案されている（以下、この技術を従来例２という）。 Patent Literature 2 discloses a pressure waveform acquisition unit that obtains a pressure waveform from a pressure detection unit that is in contact with the body of a user, and performs a predetermined process on the pressure waveform to measure a sleep state at home. A pulsation extraction unit for extracting a pulsation waveform, a pulsation interval calculation unit for calculating a pulsation interval, and a sleep stage (sleep stage) determination for determining a sleep stage, which is a stage of the user's sleep depth, from the pulsation interval. A system that collects data on beat intervals during sleep through a computer network using a sleep state monitoring device that includes a unit, detects fluctuations in numerical values indicating fluctuations in beat intervals, and manages the health of the user. It has been proposed (hereinafter, this technique is referred to as Conventional Example 2).
特許文献３には、睡眠中の生体情報を検出し、寝具に設けられた圧電センサと、圧電センサから得られた心拍データに基づいて、レム睡眠又はノンレム睡眠に相当する睡眠状態を推定するとともに、睡眠の質を表示するシステムが提案されている（以下、この技術を従来例３という）。
従来例１では、生体から睡眠中のすべてのデータを使用して健康／疾患度を測定しているが、異なる時間帯または異なる睡眠段階によって生体リズムのゆらぎの数値にバラツキが大であり、これらのばらつきを無視して均一に平均を取った生体リズムのゆらぎによる判定をしているので、数値の再現性が乏しく精度が低いという課題があった。 In Conventional Example 1, the degree of health / disease is measured using all data during sleep from a living body. However, the numerical value of the fluctuation of the biological rhythm varies greatly depending on different time zones or different sleep stages. Since the determination is made based on the fluctuation of the biological rhythm, which takes a uniform average while ignoring the variation in the above, there is a problem that the reproducibility of the numerical value is poor and the accuracy is low.
従来例２では、日中のサーカディアン・リズムと類似して、睡眠中も生体リズムがあるため睡眠中異なる段階における生体ゆらぎの評価数値はバラツキが生じる。更に、異なる睡眠段階ごとだけではなく、同じ深い睡眠段階でも、出現する時間帯によって生体ゆらぎの数値にバラツキがある。例えば最初に出現した深い睡眠段階と最後に出現した深い睡眠段階は、生体ゆらぎの数値の差異がある。これらのばらつきは個人差を超えたため、このバラツキの差異を無視して均一に平均を取った生体ゆらぎによる健康状態の判定しているの時に、高い精度の判定基準を定められないという課題があった。 In Conventional Example 2, similar to the circadian rhythm during the day, there is a biological rhythm during sleep, so that the evaluation value of the biological fluctuation at different stages during sleep varies. Furthermore, not only in different sleep stages but also in the same deep sleep stages, there is a variation in the numerical value of the biological fluctuation depending on the appearing time zone. For example, the deep sleep stage that first appeared and the deep sleep stage that appeared last have a difference in the numerical value of the biological fluctuation. Since these variations exceeded individual differences, there was a problem that it was not possible to set a high-precision determination standard when judging the health condition due to biological fluctuations that averaged uniformly and ignored this difference in variation. Was.
従来例３では、生体の睡眠状態及び睡眠の質を評価しているにすぎず、健康状態を評価しているものではない。 In Conventional Example 3, the sleep state and sleep quality of the living body are only evaluated, but the health state is not evaluated.
本発明は上記課題を解決するためになされたものであり、睡眠中の生体情報に基づいて生体機能を高い再現性かつ精度よく検査するための生体機能検査装置、生体機能検査装置の作動方法及びプログラムを提供することを目的とする。 The present invention has been made in order to solve the above-described problems, and a biological function testing device for testing biological functions with high reproducibility and accuracy based on biological information during sleep, an operating method of the biological function testing device, and The purpose is to provide the program.
本発明の生体機能検査装置は、
生体の生体情報信号を検出する検出手段と、
前記検出手段によって検出された生体情報信号を脈波信号、呼吸信号及び体動信号に分離する信号分離手段と、
前記脈波信号及び前記体動信号に基づいて、前記生体の睡眠状態及び睡眠段階がレム睡眠状態、深い睡眠状態、浅い睡眠状態及び覚醒状態のいずれに該当するかを判定する睡眠状態・段階判定手段と、
前記深い睡眠状態にある前記生体の脈波信号を抽出して、前記生体の循環器機能を評価する循環器機能評価手段と、
前記レム睡眠状態にある前記生体の体動信号を抽出して、前記生体の脳制御機能を評価する脳制御機能評価手段と、
を有することを特徴とするものである。
The biological function testing device of the present invention,
Detecting means for detecting a biological information signal of a living body;
A signal separation unit that separates the biological information signal detected by the detection unit into a pulse wave signal, a respiration signal, and a body motion signal,
Sleep state / stage determination for determining whether the sleep state and sleep stage of the living body correspond to REM sleep state, deep sleep state, light sleep state, and awake state based on the pulse wave signal and the body motion signal Means,
Extracting a pulse wave signal of the living body in the deep sleep state, a circulatory function evaluation means for evaluating a circulatory function of the living body,
Extracting a body motion signal of the living body in the REM sleep state, a brain control function evaluating means for evaluating a brain control function of the living body,
Which is characterized by having
前記検出手段は、前記生体の一部に直接又は着衣を介して接触している圧電センサであってもよい。 The detection means may be a piezoelectric sensor that is in contact with a part of the living body directly or via clothing.
前記睡眠状態・段階判定手段では、前記脈波信号を高速フーリエ変換することにより、脈波信号の推定間隔データを推定し、前記脈波信号の推定間隔データより前の一定区間のデータの平均値及び標準偏差値を用いて、脈波信号の推定間隔データのZ-Scoreを算出し、
前記体動信号は所定閾値を超えた体動数時系列データを推定し、前記体動数時系列データはより前の一定区間のデータの平均値及び標準偏差値を用いて、体動信号のZ-Scoreを算出し、
前記算出された脈波信号の推定間隔データのZ-Score及び前記算出された体動信号のZ-Scoreから、前記生体の睡眠状態及び睡眠段階がレム睡眠状態、深い睡眠状態、浅い睡眠状態及び覚醒状態のいずれに該当するかを判定してもよい。
The sleep state / stage determination means estimates the pulse wave signal estimated interval data by performing a fast Fourier transform on the pulse wave signal, and calculates an average value of data in a certain section before the pulse wave signal estimated interval data. Using the and standard deviation value, calculate the Z-Score of the estimated interval data of the pulse wave signal,
The body movement signal estimates body movement number time-series data exceeding a predetermined threshold, and the body movement number time-series data uses an average value and a standard deviation value of data in a certain section earlier, and calculates the body movement signal. Calculate Z-Score,
From the calculated pulse wave signal estimated interval data Z-Score and the calculated body motion signal Z-Score, the sleep state and sleep stage of the living body are REM sleep state, deep sleep state, light sleep state and It may be determined which of the awake states corresponds.
前記循環器機能評価手段では、前記深い睡眠状態にある前記生体の脈波信号を近似直線除去してゆらぎ解析して、前記生体の循環器機能を評価してもよい。 The circulatory organ function evaluating means may evaluate the circulatory organ function of the living body by performing a fluctuation analysis by removing an approximate straight line from the pulse wave signal of the living body in the deep sleep state.
前記循環器機能評価手段では、前記深い睡眠状態にある前記生体の呼吸信号を抽出し、平均呼吸周期を算出して、その平均呼吸周期の整数倍ごとに近似直線除去してゆらぎ解析を行ってもよい。 In the circulatory function evaluation means, the respiratory signal of the living body in the deep sleep state is extracted, an average respiratory cycle is calculated, and a fluctuation analysis is performed by removing an approximate straight line for each integral multiple of the average respiratory cycle. Is also good.
前記循環器機能評価手段では、前記深い睡眠状態にある前記生体の脈波信号をカオス解析して、リアプノフ指数に基づいて前記生体の循環器機能を評価してもよい。 The circulatory organ function evaluation means may perform chaos analysis on the pulse wave signal of the living body in the deep sleep state, and evaluate the circulatory organ function of the living body based on the Lyapunov exponent.
前記循環器機能評価手段では、前記カオス解析において設定される遅れ時間は、前記呼吸信号の平均周期であってもよい。 In the circulatory function evaluating means, the delay time set in the chaos analysis may be an average cycle of the respiratory signal.
前記脳制御機能評価手段では、前記レム睡眠状態にある前記生体の体動信号をゆらぎ解析して、疑似重心の動揺の軌跡に基づいて前記生体の脳制御機能を評価してもよい。 The brain control function evaluation means may analyze the body motion signal of the living body in the REM sleep state and analyze the fluctuation to evaluate the brain control function of the living body based on the trajectory of the pseudo center of gravity.
前記脳制御機能評価手段では、前記疑似重心の動揺の軌跡のゆらぎ解析において設定される遅れ時間は、前記呼吸信号の平均周期であってもよい。 In the brain control function evaluation means, the delay time set in the fluctuation analysis of the trajectory of the motion of the pseudo center of gravity may be an average period of the respiratory signal.
前記循環器機能評価手段では、前記深い睡眠状態の中で最初の段階に出現した深い睡眠状態にある前記生体の脈波信号を抽出して、前記生体の循環器機能を評価してもよい。 The circulatory organ function evaluation means may evaluate a circulatory organ function of the living body by extracting a pulse wave signal of the living body in a deep sleep state that appears at an initial stage in the deep sleep state.
前記脳制御機能評価手段では、前記レム睡眠状態の中で最後の段階に出現したレム睡眠状態にある前記生体の体動信号を抽出して、前記生体の脳制御機能を評価してもよい。 The brain control function evaluation means may evaluate a brain control function of the living body by extracting a body motion signal of the living body in the REM sleep state that appears at the last stage in the REM sleep state.
前記生体の重心を検出するための重心検出手段をさらに有してもよい。 The apparatus may further include a center of gravity detecting means for detecting the center of gravity of the living body.
本発明の生体機能検査方法は、
生体の生体情報信号を検出する検出手段によって検出された生体情報信号を脈波信号、呼吸信号及び体動信号に分離する信号分離工程と、
前記脈波信号及び前記体動信号に基づいて、前記生体の睡眠状態がレム睡眠状態、深い睡眠状態、浅い睡眠状態及び覚醒状態のいずれに該当するかを判定する睡眠状態・段階判定工程と、
前記深い睡眠状態にある前記生体の脈波信号を抽出して、前記生体の循環器機能を評価する循環器機能評価工程と、
前記レム睡眠状態にある前記生体の体動信号を抽出して、前記生体の脳制御機能を評価する脳制御機能評価工程と、
を有することを特徴とするものである。
The biological function test method of the present invention,
A signal separation step of separating the biological information signal detected by the detecting means for detecting a biological information signal of a living body into a pulse wave signal, a respiratory signal, and a body motion signal,
Based on the pulse wave signal and the body motion signal, the sleep state of the living body, REM sleep state, deep sleep state, light sleep state and sleep state to determine whether it corresponds to awake state, step determination step,
Extracting a pulse wave signal of the living body in the deep sleep state, a circulatory function evaluation step of evaluating a circulatory function of the living body,
Extracting a body motion signal of the living body in the REM sleep state, a brain control function evaluation step of evaluating a brain control function of the living body,
Which is characterized by having
本発明のプログラムは、
生体の生体情報信号を検出する検出手段によって検出された生体情報信号を脈波信号、呼吸信号及び体動信号に分離する信号分離処理と、
前記脈波信号及び前記体動信号に基づいて、前記生体の睡眠状態がレム睡眠状態、深い睡眠状態、浅い睡眠状態及び覚醒状態のいずれに該当するかを判定する睡眠状態判定処理と、
前記深い睡眠状態にある前記生体の脈波信号を抽出して、前記生体の循環器機能を評価する循環器機能評価処理と、
前記レム睡眠状態にある前記生体の体動信号を抽出して、前記生体の脳制御機能を評価する脳制御機能評価処理と、
をコンピュータに実行させることを特徴とするものである。
The program of the present invention
A signal separation process of separating the biological information signal detected by the detection unit for detecting a biological information signal of a living body into a pulse wave signal, a respiration signal, and a body motion signal,
Based on the pulse wave signal and the body motion signal, the sleep state of the living body is a REM sleep state, a deep sleep state, a sleep state determination process to determine whether to fall into a light sleep state or awake state,
Extracting a pulse wave signal of the living body in the deep sleep state, a circulatory function evaluation process for evaluating a circulatory function of the living body,
Extracting a body motion signal of the living body in the REM sleep state, a brain control function evaluation process for evaluating a brain control function of the living body,
Is executed by a computer.
本発明に係る生体機能検査装置、生体機能検査装置の作動方法及びプログラムによれば、次のような効果を奏する。 According to the biological function testing device, the operating method of the biological function testing device, and the program according to the present invention, the following effects can be obtained.
（１）深い睡眠状態にある生体の脈波信号を抽出して、生体の循環器機能を評価するので、睡眠中、特に深い睡眠中に一番身体が休め、交感神経活動を最大限に抑え、副交感神経の優位になる状態であるため、意識活動や内的干渉が少なく、無意識に安定した本来のリラックス状態となるため、生体ゆらぎの高精度の検査が可能となる。また、状態検査だけではなく、生体ゆらぎの検査することによって、器質的異変の前にゆらぎの変調を気づかせることで生体機能状態の異変を予知することが可能となる。 (1) Since the pulse wave signal of the living body in a deep sleep state is extracted and the circulatory function of the living body is evaluated, the body rests most during sleep, especially during deep sleep, and the sympathetic nerve activity is minimized. In addition, since the parasympathetic nerve is dominant, there is little conscious activity or internal interference, and the original relaxed state is realized unconsciously, so that a highly accurate examination of biological fluctuations can be performed. In addition to examining the state, not only by examining the biological fluctuation, it becomes possible to predict the fluctuation of the biological function state by noticing the fluctuation of the fluctuation before the structural abnormality.
（２）レム睡眠状態にある生体の体動信号を抽出して、生体の脳制御機能を評価するので、安定した睡眠の中にレム睡眠時の脳は、覚醒に近い状態で、体の挙動を制御するため、脳制御中枢のゆらぎの変調を正確に検査により、脳制御機能障害や潜在意識制御機能の低下を検知することが可能となる。 (2) Since the body movement signal of the living body in the REM sleep state is extracted and the brain control function of the living body is evaluated, the brain during the REM sleep during the stable sleep is in a state close to awakening and the behavior of the body. In order to control cerebral control, it is possible to detect impairment of brain control function and deterioration of subconscious control function by accurately examining the modulation of fluctuations of the brain control center.
以下、本発明の実施の形態について図面を参照して説明する。図１は本発明の第１の実施形態例に係る生体機能検査装置の構成を示すブロック図である。 Hereinafter, embodiments of the present invention will be described with reference to the drawings. FIG. 1 is a block diagram showing a configuration of a biological function testing apparatus according to a first embodiment of the present invention.
（本発明の第１の実施形態例に係る生体機能検査装置の構成）
図１に示すように、本発明の第１の実施形態例に係る生体機能検査装置１は、生体２の生体情報信号を検出する検出部３と、検出部３によって検出された生体情報信号を信号処理し、睡眠状態と睡眠段階（睡眠ステージ）を判定し、生体機能を評価する制御部４と、記憶部５と、出力部６と、通信部７とを有する。
(Configuration of the biological function testing apparatus according to the first embodiment of the present invention)
As shown in FIG. 1, a biological function testing device 1 according to a first embodiment of the present invention includes a detecting unit 3 that detects a biological information signal of a living body 2 and a biological information signal detected by the detecting unit 3. The control unit 4 that performs signal processing, determines a sleep state and a sleep stage (sleep stage), and evaluates a biological function, a storage unit 5, an output unit 6, and a communication unit 7.
検出部３は、生体２の一部に直接又は着衣を介して接触している圧電センサであり、例えば生体２が睡眠するためのベッド８に設置される。 The detection unit 3 is a piezoelectric sensor that is in contact with a part of the living body 2 directly or via clothing, and is installed on a bed 8 for the living body 2 to sleep, for example.
制御部４は、検出部３によって検出された生体情報信号を脈波信号、呼吸信号及び体動信号に分離する信号分離部９と、脈波信号及び体動信号に基づいて、生体２の睡眠状態・睡眠段階がレム睡眠状態、深い睡眠状態、浅い睡眠状態及び覚醒状態のいずれに該当するかを判定する睡眠状態・段階判定部１０と、深い睡眠状態にある生体２の脈波信号を抽出して、生体２の循環器機能を評価する循環器機能評価部１１と、レム睡眠状態にある生体２の体動信号を抽出して、生体２の脳制御機能を評価する脳制御機能評価部１２とを有する。 The control unit 4 separates the biological information signal detected by the detection unit 3 into a pulse wave signal, a respiratory signal, and a body motion signal, and sleeps the living body 2 based on the pulse wave signal and the body motion signal. A sleep state / stage determination unit 10 that determines whether the state / sleep stage corresponds to a REM sleep state, a deep sleep state, a light sleep state, or an awake state, and a pulse wave signal of the living body 2 in the deep sleep state is extracted. Then, a circulatory function evaluation unit 11 for evaluating the circulatory function of the living body 2 and a brain control function evaluation unit for extracting a body motion signal of the living body 2 in the REM sleep state and evaluating the brain control function of the living body 2 And 12.
記憶部５は、各種データを記憶するものであり、データベースなどを備えている。 The storage unit 5 stores various data and includes a database and the like.
出力部６は、各種データを出力するものであり、各種データを表示するモニタ、ディスプレイ等の表示部１３や各種データを印刷するプリンタ等の印刷部１４を有する。 The output unit 6 outputs various data, and includes a display unit 13 such as a monitor and a display for displaying various data, and a printing unit 14 such as a printer for printing various data.
通信部７は、インターネット（ＴＣＰ／ＩＰ（Transmission Control Protocol／Internet Protocol）によるデータ転送網）やＬＡＮ（Ｌocal Area Network）等の通信ネットワークと接続するための各種データの送受信を行うものであり、例えば、モデム、ターミナルアダプタ、ルータ、ＤＳＵ（Digital Service Unit)等である。 The communication unit 7 transmits and receives various data for connecting to a communication network such as the Internet (a data transfer network based on Transmission Control Protocol / Internet Protocol (TCP / IP)) or a LAN (Local Area Network). , A modem, a terminal adapter, a router, a DSU (Digital Service Unit), and the like.
また、本発明の第１の実施形態例に係る生体機能検査装置の制御部４による制御処理をプログラム１５によってコンピュータに実行させる。このプログラム１５は、磁気ディスク、ＣＤ−ＲＯＭ、半導体メモリ等の記録媒体に記録されていてもよく、通信ネットワークを介してダウンロードされるものでもよい。 Further, the program causes the computer to execute the control processing by the control unit 4 of the biological function testing apparatus according to the first embodiment of the present invention. The program 15 may be recorded on a recording medium such as a magnetic disk, a CD-ROM, and a semiconductor memory, or may be downloaded via a communication network.
（本発明の第１の実施形態例に係る生体機能検査装置の動作及び生体機能検査方法）
図２は本発明の第１の実施形態例に係る生体機能検査装置の動作及び生体機能検査方法を説明するためのフローチャートである。
(Operation and Biological Function Test Method of Biological Function Test Apparatus According to First Embodiment of the Present Invention)
FIG. 2 is a flowchart for explaining the operation of the biological function testing device and the biological function testing method according to the first embodiment of the present invention.
まず、検出部３によって生体情報信号を検出する（ステップＳ１）。 First, a biological information signal is detected by the detection unit 3 (step S1).
次いで、検出部３によって検出された生体情報信号を、制御部４の信号分離部９によって脈波信号、呼吸信号及び体動信号に分離する（ステップＳ２）。 Next, the biological information signal detected by the detection unit 3 is separated into a pulse wave signal, a respiration signal, and a body motion signal by the signal separation unit 9 of the control unit 4 (Step S2).
次いで、睡眠状態・段階判定部１０によって、脈波信号及び体動信号に基づいて、生体２の睡眠状態がレム睡眠状態、深い睡眠状態、浅い睡眠状態及び覚醒状態のいずれに該当するかを判定する（ステップＳ３）。 Next, the sleep state / stage determination unit 10 determines whether the sleep state of the living body 2 corresponds to the REM sleep state, the deep sleep state, the light sleep state, or the awake state based on the pulse wave signal and the body motion signal. (Step S3).
次いで、深い睡眠状態にある生体２の脈波信号を抽出して（ステップＳ４）、循環器機能評価部１１によって生体２の循環器機能を評価する（ステップＳ５）。 Next, a pulse wave signal of the living body 2 in a deep sleep state is extracted (Step S4), and the circulatory function of the living body 2 is evaluated by the circulatory function evaluating unit 11 (Step S5).
また、レム睡眠状態にある生体２の体動信号を抽出して（ステップＳ６）、脳制御機能評価部１２によって生体２の脳制御機能を評価する（ステップＳ７）。 Further, a body motion signal of the living body 2 in the REM sleep state is extracted (step S6), and the brain control function evaluation unit 12 evaluates the brain control function of the living body 2 (step S7).
次に、制御部４による処理について詳細に説明する。 Next, the processing by the control unit 4 will be described in detail.
（ステップＳ２の処理について）
図３は一晩において信号分離部により、生体情報信号を脈波信号、呼吸信号及び体動信号に分離することを示すグラフであり、横軸は時間（分）で、縦軸は信号の振幅値である。図の下部は脈波信号、中部は呼吸信号、上部は体動信号を示す。
(About the process of step S2)
FIG. 3 is a graph showing that a biological information signal is separated into a pulse wave signal, a respiratory signal, and a body motion signal by a signal separating unit overnight. The horizontal axis represents time (minutes), and the vertical axis represents signal amplitude. Value. The lower part of the figure shows a pulse wave signal, the middle part shows a respiration signal, and the upper part shows a body motion signal.
図３に示すように、生体情報信号を脈波信号（中心周波数1Hz）、呼吸信号（中心周波数0.3Hz）及び体動信号（2Hz）のそれぞれの中心周波数の周りの周波数帯域に分けて、３つの信号に分離する。 As shown in FIG. 3, the biological information signal is divided into frequency bands around the respective center frequencies of the pulse wave signal (center frequency 1 Hz), the respiration signal (center frequency 0.3 Hz), and the body motion signal (2 Hz). Split into two signals.
（ステップＳ３の処理について）
人間の大脳は非常に発達しているためにレム睡眠とノンレム睡眠が分化し、それぞれが異なる役割を分担している。レム睡眠は、閉じたまぶたの下で眼球がきょろきょろ動く急速眼球運動（rapid eye movement の頭文字がＲＥＭ）という言葉から由来している。レム睡眠時の脳は、覚醒に近い状態になっていて夢を見ていることが多い眠りでありながらも、体はぐったりしている状態である。脈拍、呼吸、血圧などの自律神経機能が不規則に変化することから、身体は覚醒時とは異なる様式で活動している。
(About the process of step S3)
The human cerebrum is so developed that it differentiates between REM sleep and non-REM sleep, each of which plays a different role. REM sleep derives from the term rapid eye movement (REM), in which the eyeball moves under a closed eyelid. During REM sleep, the brain is in a state of being close to awake and sleeping, often dreaming, but in a sluggish state. Due to irregular changes in autonomic nervous functions such as pulse, respiration, blood pressure, etc., the body behaves in a different manner than when awake.
ノンレム睡眠は、レム睡眠ではない眠りのことであり、浅いまどろみの状態からぐっすり熟睡している状態（脳波をもとに４段階に分けられる）の、いわゆる安らかな眠りである。身体の筋肉の緊張は比較的保たれており、脈拍、呼吸、血圧などの自律神経機能は安定している。 Non-REM sleep is sleep that is not REM sleep, and is a so-called restful sleep from a lightly dormant state to a sound sleep state (divided into four stages based on brain waves). The muscle tone of the body is relatively maintained, and the autonomic nervous functions such as pulse, respiration, blood pressure, etc. are stable.
現在、医学的に認められ、臨床応用されている睡眠状態を判定する方法は、睡眠ポリグラフ（Polysomnography：ＰＳＧ）法である。睡眠ポリグラフ法は、脳波、眼球運動とオトガイ筋電を測定しそれらの波形から判定する方法である。しかしながら、脳波、筋電等を計測する方法においては、体に電極を装着する必要があり、被験者にとっての負担は非常に大きく、一般家庭で測定することは不可能である。そこで、本発明では、睡眠ポリグラフに代わる簡易的方法で睡眠状態を推測する方法が採用されている。 At present, a method of determining a sleep state that is medically recognized and clinically applied is a polysomnography (PSG) method. The polysomnography is a method of measuring brain waves, eye movements, and mental myoelectricity, and judging from those waveforms. However, in the method of measuring brain waves, myoelectricity, and the like, it is necessary to attach electrodes to the body, and the burden on the subject is very large, and it is impossible to measure at home. Therefore, in the present invention, a method of estimating a sleep state by a simple method instead of a polysomnography is adopted.
（１）脈波信号よりＰ−Ｐ間隔PPIの推定
脈波信号から、心電図のＲ−Ｒ間隔に相当するＰ−Ｐ間隔時系列データを推定する。
(1) Estimation of PP interval PPI from pulse wave signal From pulse wave signal, PP interval time series data corresponding to the RR interval of the electrocardiogram is estimated.
図４（Ａ）はＲ−Ｒ間隔示す心電図の時系列データのグラフであり、（Ｂ）はＰ−Ｐ間隔を示す脈波信号の時系列データのグラフである。ここで、Ｒ−Ｒ間隔は心電図のＲ波の間隔で、Ｐ−Ｐ間隔は脈波信号のピークの間隔である。 FIG. 4A is a graph of the time series data of the electrocardiogram showing the RR interval, and FIG. 4B is a graph of the time series data of the pulse wave signal showing the PP interval. Here, the RR interval is an interval between R waves of the electrocardiogram, and the PP interval is an interval between peaks of the pulse wave signal.
まず、脈波のピーク、ピーク間隔を測定するため、高速フーリエ変換（FFT）を用いる。脈波信号のデータをFFT解析し，平均周波数(MPF)とパワー(P)を算出する。 First, a fast Fourier transform (FFT) is used to measure the pulse wave peak and peak interval. FFT analysis is performed on the pulse wave signal data to calculate the average frequency (MPF) and power (P).
MPFとは周波数ごとのスペクトルを平均した値である。式は以下に示す。 MPF is a value obtained by averaging the spectrum for each frequency. The formula is shown below.
PPI＝1/MPF 式（2）
PPI = 1 / MPF formula (2)
（２）PPIのZ-scoreの推定
図５はPPIの時系列データのグラフで一定データ区間Ｗを選定することを示すグラフである。
PPI時系列データに対して、PPI値の前の一定のデータ区間Wとすると、区間W内のデータの平均値Meanと標準偏差SDを用いて、式（３）によりPPIのZ-scoreを算出する。
Z-score ＝ （PPI値−Mean）/SD 式（3）
データ区間Wをスライドすることによって、PPIのZ-score時系列データを生成する。
(2) Estimation of Z-score of PPI FIG. 5 is a graph showing that a fixed data section W is selected in a graph of PPI time-series data.
Assuming that the PPI time-series data is a constant data section W before the PPI value, the Z-score of the PPI is calculated by equation (3) using the average Mean and the standard deviation SD of the data in the section W. I do.
Z-score = (PPI value-Mean) / SD formula (3)
By sliding the data section W, Z-score time series data of PPI is generated.
図６はZ-score（無次元）の時系列の変化を示すグラフである。 FIG. 6 is a graph showing a time-series change of Z-score (no dimension).
図６に示すように、Z-Scoreは、それぞれの個人差を平均と標準偏差により吸収し、殆ど±3の範囲内に入る数値（無次元）であるため、共通の適切な閾値（数値）の設定が可能である。 As shown in FIG. 6, the Z-Score absorbs each individual difference by means and standard deviation, and is a numerical value (dimensionless) that almost falls within the range of ± 3. Can be set.
（３）体動のZ-scoreの推定
体動信号は所定閾値を超えた体動数を算出し、この体動数時系列データはより前の一定区間Wのデータの平均値Mean及び標準偏差値SDを用いて、式（２）による体動信号のZ-Scoreを推定する。データ区間Wをスライドすることによって、体動信号のZ-score時系列データを生成する。
(3) Estimation of Z-score of body movement The body movement signal calculates the number of body movements exceeding a predetermined threshold, and the body movement number time-series data is the average Mean and the standard deviation of the data of the preceding fixed section W. The value SD is used to estimate the Z-Score of the body motion signal according to equation (2). By sliding the data section W, Z-score time-series data of the body motion signal is generated.
（４）睡眠段階（覚醒、深い睡眠、浅い睡眠、レム睡眠）の判定。
深い睡眠状態は心拍数変動、つまり脈波信号の間隔データPPIのZ-Scoreが一番少なく、同時に体動も小さく、つまり体動のZ-Scoreが一番小さい。
(4) Judgment of sleep stages (wake, deep sleep, light sleep, REM sleep).
In the deep sleep state, the heart rate variability, that is, the Z-Score of the interval data PPI of the pulse wave signal is the smallest, and at the same time, the body movement is also small, that is, the Z-Score of the body movement is the smallest.
逆に覚醒の状態は、上記両方とも最も大い。
浅い睡眠、レム睡眠はその間である。
Conversely, the state of awakening is the greatest for both of the above.
Light sleep, REM sleep is in between.
そこで、PPIのZ-Scoreの閾値はPT1、PT2、PT3 とし、体動信号のZ-Scoreの閾値：MT1、MT2、MT3 とすると、
PPIのZ-Score＜PT1、同時に体動のZ-Score＜T1の時に、深い睡眠段階を判定する。
PPIのPT2＞Z-Score＞PT1、同時に体動のMT2＞体動Z-Score＞MT1の時に、浅い睡眠段階を判定する。
PPIのPT3＞Z-Score＞PT2、同時に体動のMT3＞体動Z-Score＞MT2の時に、レム睡眠段階を判定する。
PPIのZ-Score＞PT3、同時に体動の体動Z-Score＞MT3の時に、覚醒を判定する。
ここで、PT1＜PT2＜PT3、MT1＜MT2＜MT3。これらによって、睡眠状態がどの睡眠段階またはどの睡眠ステージにあるかを判定できる。
Then, the threshold of the Z-Score of the PPI is set to PT1, PT2, and PT3, and the threshold of the Z-Score of the body motion signal is set to MT1, MT2, and MT3.
When Z-Score <PT1 of PPI and Z-Score <T1 of body motion at the same time, a deep sleep stage is determined.
When the PPI PT2>Z-Score> PT1, and at the same time the body movement MT2> body movement Z-Score> MT1, the light sleep stage is determined.
When PPI PT3>Z-Score> PT2 and at the same time MT3 of body motion>Z-Score> MT2, the REM sleep stage is determined.
Awakening is determined when PPI Z-Score> PT3 and body movement Z-Score> MT3 at the same time.
Here, PT1 <PT2 <PT3, MT1 <MT2 <MT3. From these, it is possible to determine which sleep stage or which sleep stage the sleep state is in.
本発明者が実際に使用している具体的閾値は、
PT1＝0.6、PT2＝1.2、PT3＝3
MT1＝0.7、MT2＝1、MT3＝3
である（これらは例示であり、限定されるものではない）。
The specific threshold actually used by the inventor is:
PT1 = 0.6, PT2 = 1.2, PT3 = 3
MT1 = 0.7, MT2 = 1, MT3 = 3
(These are exemplary and not limiting.)
図７はある生体の睡眠状態の判定結果を示すグラフである。 FIG. 7 is a graph showing a result of determining the sleep state of a living body.
（ステップＳ４及びＳ５の処理について）
（１）深い睡眠段階の信号抽出
周波数帯域を分けて、分離した脈波信号（中心周波数1Hz）と呼吸信号（中心周波数0.3Hz）を抽出する。上記の手段により、図７に示したような睡眠状態の判定結果を得る。複数の深い睡眠段階を得たが、一番最初に現れた深い睡眠段階を矢印で示し、これは最も安定し本来のリッラクス状態である。また、複数のレム睡眠段階を得たが、一番最後に現れたレム睡眠段階を矢印で示し、これは最も覚醒に近い睡眠状態である。
(Regarding the processing in steps S4 and S5)
(1) Signal extraction at deep sleep stage The frequency band is divided, and the separated pulse wave signal (center frequency 1 Hz) and respiratory signal (center frequency 0.3 Hz) are extracted. With the above-described means, a sleep state determination result as shown in FIG. 7 is obtained. Although several deep sleep stages were obtained, the earliest appearing deep sleep stage is indicated by an arrow, which is the most stable and relaxed state. Also, a plurality of REM sleep stages were obtained, and the REM sleep stage that appeared last is indicated by an arrow, which is the sleep state closest to awakening.
図８（Ａ）は一番最初の深い睡眠段階から抽出した健康な人における脈波信号を示し、（Ｂ）はその呼吸信号を示し、（Ｃ）は一番最初の深い睡眠段階から抽出した旧性心筋梗塞の人における脈波信号を示し、（Ｄ）はその呼吸信号を示すグラフである。 FIG. 8 (A) shows a pulse wave signal in a healthy person extracted from the earliest deep sleep stage, (B) shows its respiratory signal, and (C) extracted from the earliest deep sleep stage. It is a graph which shows the pulse-wave signal in the person with old myocardial infarction and (D) shows the respiratory signal.
（２）心拍ゆらぎの解析手法（改良DFA法）
最新の研究成果によると、心拍データに対してフラクタル解析のひとつの手法である近似直線除去してゆらぎ解析、すなわち、心肺の相互影響を考慮したDFA（Detrended Fluctuation Analysis）解析を用いることにより、心疾患やその他の疾患、つまり循環器における生体機能の低下または障害を推定する。
脈波から間隔PPI時系列データをX(1)、X(2)、X(3)・・・・X(N)とする。
(2) Heartbeat fluctuation analysis method (improved DFA method)
According to the latest research results, the heartbeat data is analyzed using a fractal analysis method, which is a method of fractal analysis, removing the approximate straight line, and using a fluctuation analysis, that is, a DFA (Detrended Fluctuation Analysis) analysis that considers the cardiopulmonary interaction. Estimate diseases or other diseases, that is, a decrease or impairment of biological functions in the circulatory system.
X (1), X (2), X (3),... X (N) denote the interval PPI time series data from the pulse wave.
まず、全体の平均値を計算する。時系列データの各値から、平均値を引きそれを積分しy(k)を求める。式（４）により時系列データが、時間について離散的なデータであるため、積分は和に置き換えられている。 First, the average value of the whole is calculated. From each value of the time series data, an average value is subtracted and integrated to obtain y (k). Since the time-series data is discrete data with respect to time according to the equation (4), the integral is replaced with a sum.
図９は近似直線除去してゆらぎ解析方法について説明するためのグラフである。 FIG. 9 is a graph for explaining a fluctuation analysis method by removing an approximate straight line.
次に、積分後の時系列y(k)を、等間隔ｎの区分時間で分割し、その区分時間内で最小２乗近似直線yn(k)（ローカルトレンド）を求める。y(k)からyn(k)のトレンドを除去し二乗して平均をとり平方根をとったF(n)（平均二乗誤差）は、 Next, the integrated time series y (k) is divided by equally spaced n time intervals, and a least square approximation straight line y n (k) (local trend) is obtained within the time interval. F (n) (mean square error), which is obtained by removing the trend of y n (k) from y (k), taking the mean by taking the square, taking the square root,
図１０はゆらぎ指数１としてＤＦＡ計算から得た短時間領域の傾きslope１と、ゆらぎ指数２としてＤＦＡ計算から得た長時間領域の傾きslope２とを示すグラフである。 FIG. 10 is a graph showing the slope slope 1 of the short-time area obtained from the DFA calculation as the fluctuation index 1, and the slope slope 2 of the long-time area obtained from the DFA calculation as the fluctuation index 2.
図１０に示すlogｎとlogF(n)のプロット図から、直線部分の傾きがスケール指数Slope1である。最小２乗法で求められる直線の傾きがこれにあたる。 From the plot of logn and logF (n) shown in FIG. 10, the slope of the straight line portion is the scale index Slope1. This is the slope of the straight line obtained by the least squares method.
本発明は、呼吸による影響を考慮した脈波間隔PPIのゆらぎ解析精度を向上するため、DFA法の精度向上手法を採用している。ここで、平均呼吸周期に相当するTrとする。
式（５）の中のｎはTrの整数倍を選定する：n=Tr, 2Tr, 3Tr,4Tr,…
となると、式（５）の各区分時間毎のF(n)は、呼吸周期の整数倍ごとにジャンプとなり、呼吸によるPPIのゆらぎに及ぼす影響を低減して正確なPPIゆらぎ指数Slope1を得る。
The present invention employs an accuracy improving method of the DFA method in order to improve the accuracy of fluctuation analysis of the pulse wave interval PPI in consideration of the influence of respiration. Here, Tr corresponding to the average respiratory cycle is assumed.
In the equation (5), n is an integer multiple of Tr: n = Tr, 2Tr, 3Tr, 4Tr,.
Then, F (n) for each section time in the equation (5) becomes a jump every integer multiple of the respiratory cycle, and the influence on the PPI fluctuation due to breathing is reduced to obtain an accurate PPI fluctuation index Slope1.
このSlope1の値により、PPI時系列データＸ（ｉ）について、以下のように分類することができる。
0＜Slope1＜0.5 ：反相関
Slope1＝0.5：無相関、ホワイトノイズ
0.5＜Slope1＜1.0：長距離相関
Slope1＝1：1／ｆゆらぎ
Slope1＞1：logｎとlogF(n)の間の直線関係が崩れる
Slope1＝1.5：ランダムウォーク型のブラウンノイズ
With the value of this Slope1, the PPI time-series data X (i) can be classified as follows.
0 <Slope1 <0.5: anti-correlation
Slope1 = 0.5: no correlation, white noise
0.5 <Slope1 <1.0: Long distance correlation
Slope1 = 1: 1 / f fluctuation
Slope1> 1: The linear relationship between logn and logF (n) breaks
Slope1 = 1.5: Brown noise of random walk type
図１１は健常者群と循環器機能低下者群について、改良ＤＦＡによる３分間Ｐ−Ｐ間隔の時系列データでゆらぎ解析した結果を示し、（Ａ）は全者のSlope1値の平均値と標準誤差を示し、（Ｂ）は各者の分布値を示し、（Ｃ）は健常者と循環器機能低下者を示す群である。 FIG. 11 shows the results of fluctuation analysis of time-series data at 3-minute PP intervals by the improved DFA for the healthy group and the circulatory organ dysfunction group, and (A) shows the average value of the Slope1 value of all the subjects and the standard value. The error is shown, (B) shows the distribution value of each person, and (C) is a group showing a healthy person and a cardiovascular dysfunction person.
この解析は、生体が健全な状態にある場合にはSlope1値が１に近く（1/f ゆらぎ）、心房細動などの循環器機能低下者群は0.5に近いことが得た。高血圧と狭心症の機能低下者群では0.9付近、糖尿病と心筋梗塞の機能低下者群では0.6〜0.7付近、心房細動の機能低下者群では0.5付近に分布している。 This analysis showed that the Slope1 value was close to 1 (1 / f fluctuation) when the living body was in a healthy state, and that the group of people with circulatory dysfunction such as atrial fibrillation was close to 0.5. It is distributed around 0.9 in the group with hypofunction of hypertension and angina, around 0.6-0.7 in the group with diabetes and myocardial infarction, and around 0.5 in the group with atrial fibrillation.
即ち、健康な場合がSlope1＝１で1／ｆゆらぎを示し、循環器機能低下の度合いが大きくなるにつれて、Slope1がだんだん小さくなり、無相関、ホワイトノイズである0.5に近づくと考えられる。つまり、ペースメーカーの自律神経による支配によって生じたゆらぎ（変動）が低下すると、血圧に加えられた急激な外乱に対する俊敏な補償性と反応性が低下してしまい、循環器機能低下につながっていると考察される。 That is, it is considered that the healthy case shows 1 / f fluctuation when Slope1 = 1, and as the degree of deterioration of the circulatory organ function increases, Slope1 gradually decreases and approaches 0.5 which is uncorrelated and white noise. In other words, if fluctuations (fluctuations) caused by the autonomic nervous control of the pacemaker decrease, agile compensation and responsiveness to sudden disturbance applied to blood pressure decrease, leading to deterioration of circulatory function. Will be considered.
また、Slope1値が１より上に上がりすぎと、心理的に不健康な状態と考えられる。これは、ゆらぎが過剰な場合で、ストレス状態または気分が悪い心理状態である。 Also, if the Slope1 value rises too much above 1, it is considered to be a psychologically unhealthy state. This is a case where the fluctuation is excessive, and is a stress state or a psychological state that makes you feel unwell.
（３）脈波信号のカオス解析
図１２（Ａ）はターケンスの埋め込み定理の概要を説明するための時系列データを示すグラフ、（Ｂ）は三次元状態の空間内に順次プロットしていった軌道を示すアトラクターグラフである。
ターケンス定理とはカオス解析で一般的に用いられる手法である。脈波信号の時系列データをx(k) （k=0,1,2,3…）とする。
(3) Chaos Analysis of Pulse Wave Signal FIG. 12 (A) is a graph showing time-series data for explaining the outline of the Turkens embedding theorem, and FIG. 12 (B) is plotted sequentially in the space of a three-dimensional state. It is an attractor graph showing a trajectory.
The Turkens theorem is a technique commonly used in chaos analysis. Let the time series data of the pulse wave signal be x (k) (k = 0, 1, 2, 3,...).
m個の状態変数のアトラクターを復元しようとするとき、遅れ時間τを用いて、ベクトルx(i)={x(i),x(i+τ),x(i+2τ),……x(i+mτ)}を作る。例えば、状態変数の個数が３個の場合は、 x(i)={x(i),x(i+τ),x(i+2τ)}となる。 When trying to restore the attractors of m state variables, the vector x (i) = {x (i), x (i + τ), x (i + 2τ), using the delay time τ. x (i + mτ)}. For example, when the number of state variables is three, x (i) = {x (i), x (i + τ), x (i + 2τ)}.
ここのτはパラメータであり、埋込遅延時間と呼ばれる。このベクトルx(i)を、３次元状態空間内（座標軸はx(i), x(i+τ)および x(i+2τ)）に順次プロットしていくと（ｉ=0,1,2,…,n）、軌跡が得られ、この軌跡の形がアトラクターと呼ばれる。 Here, τ is a parameter and is called an embedding delay time. When this vector x (i) is sequentially plotted in a three-dimensional state space (coordinate axes are x (i), x (i + τ) and x (i + 2τ)), (i = 0,1,2) , ..., n), a trajectory is obtained, and the shape of this trajectory is called an attractor.
遅れ時間τの選択は重要で、最適な時間遅れを選択することで状態変数のアトラクターの復元ができる。本発明は最適な遅れ時間τ＝脈波信号の平均周期を採用した。これにより、アトラクターの復元ができることにより、脈波信号のカオス解析結果が精度アップとなる。 The choice of the delay time τ is important, and the attraction of the state variables can be restored by selecting the optimal time delay. The present invention employs an optimum delay time τ = average period of the pulse wave signal. This allows the attractor to be restored, thereby improving the accuracy of the chaos analysis result of the pulse wave signal.
リアプノフ指数は、信号の揺らぐ度合いを示す指数で、アトラクターが描く軌道のうち、近接した２本の軌道間の距離が、時間経過に伴って離れていく度合いを示す量である。リアプノフ指数の計算には、Sano-Sawada法による近似的な計算手法を用いる。 The Lyapunov exponent is an index that indicates the degree of signal fluctuation, and is a quantity that indicates the degree to which the distance between two adjacent orbits of the orbit drawn by the attractor increases with time. The calculation of the Lyapunov exponent uses an approximate calculation method based on the Sano-Sawada method.
図１３はリアプノフ指数計算アルゴリズムの3次元の場合の概念を示す説明図である。 FIG. 13 is an explanatory diagram showing the concept of the Lyapunov exponent calculation algorithm in a three-dimensional case.
図１３に示すように、３次元のカオス力学系に初期値として半径εの微小球（超球）を与えたとすると、最初は球であったものが１回写像されることによって、ｅ１
方向には引き延ばされ、ｅ３ 方向には押し潰される結果、楕円体となる。このときのｅ１、ｅ２、ｅ３ 方向に対する単位時間当たりの拡大率の対数をλ１、λ２、λ３ とすると、このλ１は第一成分であるので「第一リアプノフ指数」、「最大リアプノフ指数」とも呼ばれるが、本発明ではリアプノフ指数と表現する（非特許文献M.Sano,Y.Sawada(1985) Measurement of the Lyapunov spectrum from a chaotic time series, Physical Review Letters,55(10) pp1082-1085）。
As shown in FIG. 13, when a microsphere (super sphere) having a radius ε is given as an initial value to a three-dimensional chaotic dynamical system, a sphere which is initially a sphere is mapped once, thereby obtaining e1
It is elongated in the direction and squashed in the direction e3, resulting in an ellipsoid. Assuming that the logarithms of the enlargement ratio per unit time in the e1, e2, and e3 directions at this time are λ1, λ2, and λ3, λ1 is the first component and is also called “first Lyapunov exponent” or “maximum Lyapunov exponent”. However, in the present invention, it is expressed as a Lyapunov exponent (Non-Patent Document M. Sano, Y. Sawada (1985) Measurement of the Lyapunov spectrum from a chaotic time series, Physical Review Letters, 55 (10) pp1082-1085).
本発明では、信号に混入した周辺環境ノイズを取り除くため、以下の手法を考案し、精度向上を図った。 In the present invention, in order to remove the ambient environmental noise mixed into the signal, the following method has been devised to improve the accuracy.
図１４は３つの超球半径の円を用いたリアプノフ指数計算アルゴリズムの3次元の場合の概念を示す説明図である。 FIG. 14 is an explanatory diagram showing a concept of a three-dimensional case of a Lyapunov exponent calculation algorithm using three circles of hypersphere radii.
図１４に示すように、もう１つの超球半径ε3を加え、つまり、アトラクター近傍点検索条件として、
超球半径ε1 内に存在し、且つ、
超球半径ε2 内に存在し、且つ、
超球半径ε3 内に存在するアトラクターの点を近傍点とする。
As shown in FIG. 14, another hypersphere radius ε3 is added, that is, as an attractor neighborhood point search condition,
Exists within the hypersphere radius ε1, and
Exists within the hypersphere radius ε2, and
The point of the attractor within the hypersphere radius ε3 is defined as a nearby point.
ここで、超球半径1は、アトラクター全体サイズ（半径）の5％とする、
超球半径２は超球半径1の1.5倍、
超球半径３は超球半径1の2 倍、
と設定すると、ノイズを抑えられ、精度向上となった。
Here, the hypersphere radius 1 is assumed to be 5% of the entire attractor size (radius).
The hypersphere radius 2 is 1.5 times the hypersphere radius 1,
The hypersphere radius 3 is twice the hypersphere radius 1,
By setting, noise was suppressed and accuracy was improved.
その理由としては、
１）超球ε2と超球ε3を飛び出した軌道を外すことができる。
２）異なる振る舞いの軌道（ノイズ）を外しリアプノフ指数を計算することができる。
The reason is that
1) The trajectory that has jumped out of the hyperspheres ε2 and ε3 can be removed.
2) The Lyapunov exponent can be calculated by removing the trajectory (noise) of different behavior.
図１５（Ａ）はリアプノフ指数が4.31の健常者のゆらぎ度合を示すアトラクターグラフであり、（Ｂ）はリアプノフ指数が2.55の心筋梗塞者のゆらぎ度合を示すアトラクターグラフである。 FIG. 15A is an attractor graph showing the degree of fluctuation of a healthy person having a Lyapunov index of 4.31 and FIG. 15B is an attractor graph showing the degree of fluctuation of a myocardial infarction person having a Lyapunov index of 2.55.
リアプノフ指数は生体の柔軟性また生体ゆらぎ度合いを示し、健康人は安静にしていても高いリアプノフ指数を持ち、かなり柔軟的変動しており、そして図１５（Ａ）により複雑なアトラクター構造のグラフを示された。 The Lyapunov exponent indicates the flexibility of the living body or the degree of fluctuation of the living body. A healthy person has a high Lyapunov exponent even when he is at rest, fluctuates considerably flexibly, and FIG. 15 (A) shows a graph of a complex attractor structure. Was shown.
一方、柔軟な変動性が失われていくと、リアプノフ指数が減少し、生体機能低下となり、心筋梗塞等の循環器機能障害を起こってしまうリスクが大であり、このとき、図１５（B）に縮小した単純な周期的アトラクター構造を示された。 On the other hand, when the flexible variability is lost, the Lyapunov exponent decreases, the biological function deteriorates, and there is a great risk of causing circulatory dysfunction such as myocardial infarction. In this case, FIG. A simple periodic attractor structure reduced to was shown.
（ステップＳ６及びＳ７の処理について）
最後のレム睡眠段階は最も覚醒状態に近く、脳から身体の動きの制御機能を最適に検査できる状態であるため、この時の体動のゆらぎを解析することにより脳制御機能を精度よく検査できる。方法として、１晩中、最後となるレム睡眠段階の信号を抽出し、体の動きのゆらぎ解析により、脳制御機能と関連する潜在的身体のアンバランスを検査し、心理障害を予告ができる。
(Regarding Steps S6 and S7)
The last REM sleep stage is the most awake state, and it is a state where the brain can optimally examine the control function of body movement, so by analyzing the fluctuation of body movement at this time, the brain control function can be accurately inspected . As a method, the signal of the last REM sleep stage can be extracted all night, and by analyzing the fluctuation of the body movement, the imbalance of the potential body associated with the brain control function can be inspected, and the mental disorder can be predicted.
（１）レム睡眠段階の信号抽出
判定した睡眠段階の中に最後に現れたレム睡眠段階から体動信号を抽出する。
(1) Extraction of REM sleep stage signal A body motion signal is extracted from the REM sleep stage that appears last among the determined sleep stages.
（２）体動信号のゆらぎ解析
体動信号のゆらぎ解析は、重心動揺の検査と類似する手法を適用する。
(2) Fluctuation analysis of body motion signal The fluctuation analysis of the body motion signal applies a method similar to the test of the sway of the center of gravity.
図１６は抽出された体動信号の時系列データについて、ターケンス定理により２次元のアトラクターを構成する点を説明するグラフである。これによって図１７に得た２次元のアトラクターは擬似重心動揺の軌跡として示したグラフである。 FIG. 16 is a graph for explaining the point of forming a two-dimensional attractor by the Turkens theorem for the time-series data of the extracted body motion signal. Thus, the two-dimensional attractor obtained in FIG. 17 is a graph shown as a locus of swaying of the pseudo center of gravity.
図１６に示すように、抽出されたレム睡眠時の体動信号より、ターケンス定理より、２次元のアトラクターを構成する。図１７に示すように、このアトラクターを擬似重心動揺の軌跡として、立位の身体の重心動揺の検査方法を適用する。 As shown in FIG. 16, a two-dimensional attractor is formed from the extracted body motion signal during REM sleep by the Turkens theorem. As shown in FIG. 17, the method of examining the sway of the center of gravity of the standing body is applied using the attractor as the trajectory of the sway of the center of gravity.
本発明は最適な遅れ時間τ＝呼吸信号の平均周期を採用し、呼吸の影響が低減でき、精度よく２次元のアトラクターを構成できた。 The present invention employs the optimal delay time τ = average period of the respiratory signal, can reduce the influence of respiration, and can configure a two-dimensional attractor with high accuracy.
図１８（Ａ）は最後のレム睡眠段階で健常者において抽出された体動信号の時系列データを示すグラフであり、（Ｂ）はその擬似重心動揺の軌跡を示すグラフである。 FIG. 18A is a graph showing time-series data of a body motion signal extracted from a healthy person in the last REM sleep stage, and FIG. 18B is a graph showing a locus of the pseudo body sway.
図１９（Ａ）は最後のレム睡眠段階で躁鬱傾向にある者において抽出された体動信号の時系列データを示すグラフであり、（Ｂ）はその擬似重心動揺の軌跡を示すグラフである。 FIG. 19A is a graph showing time-series data of a body motion signal extracted in a person having a tendency to be manic in the last REM sleep stage, and FIG. 19B is a graph showing a locus of the pseudo body sway.
図１８に示すように、健康な生体機能の人は、擬似重心動揺の軌跡をうまく制御でき、軌跡面積が少ないのに対し、図１９に示すように、躁鬱傾向の人や不健康な人は、脳制御機能が低下により軌跡面積が大であることがわかる。 As shown in FIG. 18, a person with a healthy living body function can control the trajectory of the quasi-central sway well and has a small trajectory area. On the other hand, as shown in FIG. It can be seen that the locus area is large due to a decrease in the brain control function.
（第２の実施形態例について）
図２０は本発明の第２の実施形態例に係る生体機能検査装置に用いられるベッドを示し、（Ａ）はその底面図であり、（Ｂ）はその側面図である。
(About the second embodiment)
FIG. 20 shows a bed used in the biological function testing apparatus according to the second embodiment of the present invention, where (A) is a bottom view and (B) is a side view.
図２０に示すように、本発明の第２の実施形態例に係る生体機能検査装置２０では、生体２が睡眠するためのベッド８の脚部８ａの下部に、生体２の重心を検出するための重心検出センサ２１（重量センサ）が取り付けられている。
ベッド８の長さと幅は、LとDとする。中心点は重心の平面座標(x,y)の原点（0,0）とする。
As shown in FIG. 20, in the biological function testing device 20 according to the second embodiment of the present invention, the center of gravity of the living body 2 is detected below the leg 8a of the bed 8 for the living body 2 to sleep. Of the center of gravity detection sensor 21 (weight sensor).
The length and width of the bed 8 are L and D. The center point is the origin (0,0) of the plane coordinates (x, y) of the center of gravity.
ベッド８の4本の脚部８ａに重量センサにより、4本の脚部の重量値P1,P2,P3,P4を測定することにより、
睡眠中、ベッド短軸方向の体の重心のx座標値＝[(P1+P2)*L/2-(P3+P4)*L/2]/Pt
睡眠中、ベッド長軸方向の体の重心のy座標値＝[(P1+P3)*D/2-(P2+P4)*D/2]/Pt
ここで、総重量Pt=P1+P2+P3+P4
重心のx座標値と重心のy座標値の時間変化データは生体情報信号とする。
By measuring the weight values P1, P2, P3, and P4 of the four legs by the weight sensors on the four legs 8a of the bed 8,
During sleep, x-coordinate value of the center of gravity of the body in the short axis direction of the bed = [(P1 + P2) * L / 2-(P3 + P4) * L / 2] / Pt
During sleep, the y-coordinate value of the center of gravity of the body in the bed major axis direction = [(P1 + P3) * D / 2-(P2 + P4) * D / 2] / Pt
Where total weight Pt = P1 + P2 + P3 + P4
Time change data of the x coordinate value of the center of gravity and the y coordinate value of the center of gravity is a biological information signal.
信号分離のフィルター方法により、それぞれの周波数帯域によって３つの生体信号を分離する。つまり、脈波信号（中心周波数1Hz）、呼吸信号（中心周波数0.3Hz）、体動信号（中心周波数2Hz）である。これらの分離した信号により、Z-Score手法により睡眠段階を判定する。実施例１と同じく、深い睡眠段階とレム睡眠段階における信号のゆらぎ解析とカオス解析を行うことで生体機能低下を検査できる。 According to a signal separation filter method, three biological signals are separated according to their respective frequency bands. That is, a pulse wave signal (center frequency 1 Hz), a respiration signal (center frequency 0.3 Hz), and a body motion signal (center frequency 2 Hz). From these separated signals, the sleep stage is determined by the Z-Score method. As in the first embodiment, by performing signal fluctuation analysis and chaos analysis in the deep sleep stage and the REM sleep stage, it is possible to test for a decrease in biological function.
更に、生体２の睡眠中、横姿勢に現れる身体の重心を２次元投影の横重心と呼ばれ、その重心軌跡は時間経過における重心のx座標値とy座標値の変化するプロットとする。 Further, during sleep of the living body 2, the center of gravity of the body appearing in the lateral posture is called a horizontal center of gravity of a two-dimensional projection, and the locus of the center of gravity is a plot in which the x-coordinate value and the y-coordinate value of the center of gravity change over time.
時刻ごとに重心のx座標値と重心のy座標値のプロットは、重心の軌跡で構成した２次元のアトラクターと同等であるため、重心動揺の制御機能を評価できる軌跡の広がりの外周面積評価指標は式（６）で算出される。 The plot of the x-coordinate value of the center of gravity and the y-coordinate value of the center of gravity at each time is equivalent to a two-dimensional attractor composed of the locus of the center of gravity. The index is calculated by equation (6).
外周面積Env.Area：
Env.Area＝(max(x)-min(x))＊(max(y)-min(y)) 式（６）
重心の動いた範囲が全部囲めるような長方形である。
重心動揺の軌跡面積解析により、脳制御機能の低下を検知できる。
Outer area Env.Area:
Env.Area = (max (x) -min (x)) * (max (y) -min (y)) Equation (6)
It is a rectangle that can enclose the entire range of movement of the center of gravity.
By analyzing the locus area of the sway of the center of gravity, it is possible to detect a decrease in the brain control function.
図２１（Ａ）は重量センサを用いた重心座標の時系列データの変化を示すグラフであり、（Ｂ）は身体の重心を２次元投影の横重心動揺軌跡を示すグラフである。 FIG. 21A is a graph showing changes in the time-series data of the barycentric coordinates using the weight sensor, and FIG. 21B is a graph showing the horizontal barycenter sway locus of the two-dimensional projection of the center of gravity of the body.
この手法は、擬似重心動揺のみならず、実際にベッド８に取り付けられた重心検出センサ２１から睡眠中得た身体の横重心の軌跡分析にも使え、生体制御機能または脳制御機能の低下を検知する手段ともなる。 This method can be used not only for pseudo-swaying of the center of gravity, but also for analyzing the trajectory of the lateral center of gravity of the body obtained during sleep from the center-of-gravity detection sensor 21 actually attached to the bed 8, and detects a decrease in the biological control function or the brain control function. It is also a means to do.
本発明に係る生体機能検査装置、生体機能検査方法及びプログラムによれば、次のような効果を奏する。 The biological function testing device, the biological function testing method and the program according to the present invention have the following effects.
（１）深い睡眠状態にある生体の脈波信号を抽出して、生体の循環器機能を評価するので、睡眠中、特に深い睡眠中に身体が一番安定したリッラクス状態で、交感神経活動を最大限に抑え、副交感神経の優位になる状態であるため、意識活動や内的干渉が少なく、無意識のうちに本来のリラックス状態となるため、バラつぎが少なくゆらぎの高精度の検査が可能となる。また、状態検査だけではなく、生体ゆらぎの検査することによって、器質的異変の前にゆらぎの変調を気づかせることで循環機能低下を予知することが可能となる。 (1) Since the pulse wave signal of the living body in the deep sleep state is extracted and the circulatory function of the living body is evaluated, the sympathetic nervous activity can be performed in the relaxed state in which the body is most stable during sleep, especially during deep sleep. It is a state where it is suppressed to the maximum and the parasympathetic nerve is dominant, so there is little consciousness activity and internal interference, and it becomes the original relaxed state unconsciously, so there is little looseness and it is possible to perform highly accurate examination of fluctuations Become. In addition to examining the condition, by examining the fluctuation of the living body, it becomes possible to predict the deterioration of the circulatory function by noticing the modulation of the fluctuation before the structural abnormality.
（２）レム睡眠状態にある生体の体動信号を抽出して、生体制御機能または脳制御機能を評価するので、安定した睡眠の中にレム睡眠時の脳は、覚醒に近い状態で、体の挙動を制御する機能を正確に検査することにより、睡眠中無意識のうちに脳制御機能障害や潜在意識制御機能の低下を検知することが可能となる。 (2) Since the body motion signal of the living body in the REM sleep state is extracted and the biological control function or the brain control function is evaluated, the brain at the time of REM sleep during the stable sleep is in a state close to awakening. By accurately examining the function of controlling the behavior of the brain, it becomes possible to detect a brain control dysfunction or a decrease in the subconscious control function unconsciously during sleep.
本発明は、上記実施の形態に限定されることはなく、特許請求の範囲に記載された技術的事項の範囲内において、種々の変更が可能である。 The present invention is not limited to the above embodiments, and various modifications can be made within the scope of the technical matters described in the claims.
本発明の生体機能検査装置、生体機能検査装置の作動方法及びプログラムは、睡眠中の生体情報に基づいて生体機能を検査するために利用される。 The biological function testing device, the operating method of the biological function testing device, and the program according to the present invention are used for testing biological functions based on biological information during sleep.
１：生体機能検査装置
２：生体
３：検出部
４：制御部
５：記憶部
６：出力部
７：通信部
８：ベッド
９：信号分離部
１０：睡眠状態・段階判定部
１１：循環器機能評価部
１２：脳制御機能評価部
１３：表示部
１４：印刷部
１５：プログラム
２０：生体機能検査装置
２１：重心検出センサ
1: biological function testing device 2: living body 3: detecting unit 4: control unit 5: storage unit 6: output unit 7: communication unit 8: bed 9: signal separation unit 10: sleep state / stage determination unit 11: cardiovascular function Evaluation unit 12: Brain control function evaluation unit 13: Display unit 14: Printing unit 15: Program 20: Biological function testing device 21: Center of gravity detection sensor
Claims (14)
前記検出手段によって検出された生体情報信号を脈波信号、呼吸信号及び体動信号に分離する信号分離手段と、
前記脈波信号及び前記体動信号に基づいて、前記生体の睡眠状態及び睡眠段階がレム睡眠状態、深い睡眠状態、浅い睡眠状態及び覚醒状態のいずれに該当するかを判定する睡眠状態・段階判定手段と、
前記深い睡眠状態にある前記生体の脈波信号を抽出してゆらぎを解析することにより、前記生体の循環器機能を評価する循環器機能評価手段と、
前記レム睡眠状態にある前記生体の体動信号を抽出してゆらぎを解析することにより、前記生体の脳制御機能を評価する脳制御機能評価手段と、
を有することを特徴とする生体機能検査装置。 Detecting means for detecting a biological information signal of a living body;
A signal separation unit that separates the biological information signal detected by the detection unit into a pulse wave signal, a respiration signal, and a body motion signal,
Sleep state / stage determination for determining whether the sleep state and sleep stage of the living body correspond to REM sleep state, deep sleep state, light sleep state, and awake state based on the pulse wave signal and the body motion signal Means,
By extracting the pulse wave signal of the living body in the deep sleep state and analyzing the fluctuation, a circulatory function evaluating means for evaluating the circulatory function of the living body,
By extracting a body motion signal of the living body in the REM sleep state and analyzing fluctuations, a brain control function evaluating means for evaluating a brain control function of the living body,
A biological function testing device comprising:
前記体動信号から所定閾値を超えた体動信号値を有する体動信号を算出し、前記体動信号の時系列データ中の前記算出された体動信号より前の一定区間のデータの平均値及び標準偏差値を用いて前記体動信号のZ-Scoreを算出し、
前記算出された脈波信号の推定間隔データのZ-Score及び前記算出された体動信号のZ-Scoreから、前記生体の睡眠状態及び睡眠段階がレム睡眠状態、深い睡眠状態、浅い睡眠状態及び覚醒状態のいずれに該当するかを判定する、
ことを特徴とする請求項１又は２に記載の生体機能検査装置。 In the sleep-stage determination means, by fast Fourier transform of the pulse wave signal, it estimates the estimated interval data of the pulse wave signal, the average of the data for a predetermined section before the estimated clearance data of the pulse wave signal using the values and standard deviation values to calculate the Z-Score estimation interval data of the pulse wave signal,
A body motion signal having a body motion signal value exceeding a predetermined threshold is calculated from the body motion signal, and an average value of data in a certain section before the calculated body motion signal in the time-series data of the body motion signal is calculated. And using the standard deviation value to calculate the Z-Score of the body motion signal,
From the calculated pulse wave signal estimated interval data Z-Score and the calculated body motion signal Z-Score, the sleep state and sleep stage of the living body are REM sleep state, deep sleep state, light sleep state and Determine which of the awake states corresponds to,
The biological function testing device according to claim 1 or 2, wherein:
前記信号分離部が、生体の生体情報信号を検出する検出手段によって検出された生体情報信号を脈波信号、呼吸信号及び体動信号に分離する信号分離工程、
前記睡眠状態・段階判定部が、前記脈波信号及び前記体動信号に基づいて、前記生体の睡眠状態がレム睡眠状態、深い睡眠状態、浅い睡眠状態及び覚醒状態のいずれに該当するかを判定する睡眠状態・段階判定工程、
前記循環器機能評価部が、前記深い睡眠状態にある前記生体の脈波信号を抽出してゆらぎを解析することにより、前記生体の循環器機能を評価する循環器機能評価工程、
前記脳制御機能評価部が、前記レム睡眠状態にある前記生体の体動信号を抽出してゆらぎを解析することにより、前記生体の脳制御機能を評価する脳制御機能評価工程、
を行うことを特徴とする生体機能検査装置の作動方法。 A signal separator, and a sleep state, phase determination unit, and a cardiovascular function evaluation section, an operation method of a living body function testing device that includes a brain control function evaluation section,
A signal separation step in which the signal separation unit separates a biological information signal detected by a detection unit that detects a biological information signal of a living body into a pulse wave signal, a respiration signal, and a body motion signal;
The sleep state / stage determination unit determines whether the sleep state of the living body corresponds to a REM sleep state, a deep sleep state, a light sleep state, or an awake state based on the pulse wave signal and the body motion signal. Sleep state / stage determination process
The circulatory function evaluation unit, by extracting a pulse wave signal of the living body in the deep sleep state and analyzing fluctuations, a circulatory function evaluating step of evaluating the circulatory function of the living body,
The brain control function evaluation unit, by extracting a body motion signal of the living body in the REM sleep state and analyzing the fluctuation, a brain control function evaluation step of evaluating the brain control function of the living body,
A method for operating a biological function testing apparatus , comprising:
前記脈波信号及び前記体動信号に基づいて、前記生体の睡眠状態がレム睡眠状態、深い睡眠状態、浅い睡眠状態及び覚醒状態のいずれに該当するかを判定する睡眠状態・段階判定処理と、
前記深い睡眠状態にある前記生体の脈波信号を抽出してゆらぎを解析することにより、前記生体の循環器機能を評価する循環器機能評価処理と、
前記レム睡眠状態にある前記生体の体動信号を抽出してゆらぎを解析することにより、前記生体の脳制御機能を評価する脳制御機能評価処理と、
をコンピュータに実行させることを特徴とするプログラム。 A signal separation process of separating the biological information signal detected by the detection unit for detecting a biological information signal of a living body into a pulse wave signal, a respiration signal, and a body motion signal,
Based on the pulse wave signal and the body motion signal, the sleep state of the living body, REM sleep state, deep sleep state, light sleep state and sleep state to determine which of the awake state corresponds to, stage determination processing,
By extracting the pulse wave signal of the living body in the deep sleep state and analyzing the fluctuation, a circulatory function evaluation process for evaluating the circulatory function of the living body,
By extracting the body motion signal of the living body in the REM sleep state and analyzing the fluctuation, a brain control function evaluation process for evaluating the brain control function of the living body,
Which causes a computer to execute the program.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2015192350A JP6627112B2 (en) | 2015-09-29 | 2015-09-29 | Biological function testing device, method of operating biological function testing device, and program |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2015192350A JP6627112B2 (en) | 2015-09-29 | 2015-09-29 | Biological function testing device, method of operating biological function testing device, and program |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2017063997A JP2017063997A (en) | 2017-04-06 |
| JP6627112B2 true JP6627112B2 (en) | 2020-01-08 |
Family
ID=58493220
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2015192350A Active JP6627112B2 (en) | 2015-09-29 | 2015-09-29 | Biological function testing device, method of operating biological function testing device, and program |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP6627112B2 (en) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109044290A (en) * | 2018-06-29 | 2018-12-21 | 苗铁军 | A kind of physical function check device, physical function inspection method and system |
| CN110384506A (en) * | 2019-06-06 | 2019-10-29 | 苏州布芮恩智能科技有限公司 | The recognition methods that walking based on brain hemoglobin information is intended to |
| JP6813206B1 (en) * | 2019-11-20 | 2021-01-13 | 株式会社Ｔａｏｓ研究所 | Biological condition determination system, biological condition determination method and biological condition determination program |
| CN114983399B (en) * | 2022-07-18 | 2023-05-16 | 四川爱麓智能科技有限公司 | Behavior monitoring and identifying method and interactive feedback system |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH069546B2 (en) * | 1990-11-30 | 1994-02-09 | 株式会社コンピュータコンビニエンス | Diagnostic device using pulse wave and / or heartbeat collected from body surface |
| JP4551148B2 (en) * | 2004-07-21 | 2010-09-22 | 株式会社ジェピコ | Sleep analyzer |
| JP4342455B2 (en) * | 2005-02-03 | 2009-10-14 | 株式会社東芝 | Health management device and health management system |
| JP2008104529A (en) * | 2006-10-23 | 2008-05-08 | Rokko Bussan:Kk | Degree of health/disease measuring method, degree of health/disease measuring apparatus, and degree of health/disease measuring system |
| JP4956137B2 (en) * | 2006-10-23 | 2012-06-20 | 株式会社六甲物産 | Sleep evaluation method, sleep evaluation device, sleep evaluation system |
| JP2011115188A (en) * | 2008-06-13 | 2011-06-16 | Heart Metrics Kk | Sleeping condition monitoring apparatus, monitoring system, and computer program |
| JP5613922B2 (en) * | 2012-02-23 | 2014-10-29 | 株式会社タニタ | Blood pressure measuring device and blood pressure measuring method |
-
2015
- 2015-09-29 JP JP2015192350A patent/JP6627112B2/en active Active
Also Published As
| Publication number | Publication date |
|---|---|
| JP2017063997A (en) | 2017-04-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101656611B1 (en) | Method for obtaining oxygen desaturation index using unconstrained measurement of bio-signals | |
| JP4357503B2 (en) | Biological information measuring device, biological information measuring method, and biological information measuring program | |
| JP6799536B2 (en) | Wearable pain monitor with accelerometer | |
| JP6516846B2 (en) | Device and method for sleep monitoring | |
| JP6208372B2 (en) | Depression state determination method and depression state determination device | |
| Brüser et al. | Improvement of force-sensor-based heart rate estimation using multichannel data fusion | |
| JP6310401B2 (en) | Method, system and computer program for processing a signal representing a physiological rhythm | |
| US20140378849A1 (en) | Method and apparatus to monitor physiologic and biometric parameters using a non-invasive set of transducers | |
| JP6627112B2 (en) | Biological function testing device, method of operating biological function testing device, and program | |
| Sadek et al. | Continuous and unconstrained vital signs monitoring with ballistocardiogram sensors in headrest position | |
| WO2009150744A1 (en) | Sleeping state monitoring device, monitoring system, and computer program | |
| JP2019522534A (en) | Determination system and method for determining the sleep stage of a subject | |
| JP2022520934A (en) | Sleep monitoring system and method | |
| JP4993980B2 (en) | Apparatus and method capable of outputting expiration time | |
| TW201713273A (en) | Method and apparatus for producing information indicative of cardiac condition | |
| KR101885981B1 (en) | Method for sleep efficiency prediction from unconstrained measurement of cardiorespiratory signals | |
| Nagura et al. | A practical BCG measuring system with bed sensors and algorithm for heartbeat detection | |
| Paalasmaa | Monitoring sleep with force sensor measurement | |
| CN210446992U (en) | Physical function examination device | |
| CN109044290A (en) | A kind of physical function check device, physical function inspection method and system | |
| Park et al. | Ballistocardiography | |
| Sakai et al. | Development of lead system for ECG-derived respiration aimed at detection of obstructive sleep apnea syndrome | |
| CN108601533B (en) | Determination system for determining a heart failure risk | |
| JP7088153B2 (en) | CAP (Periodic EEG Activity) Detection Device, CAP (Periodic EEG Activity) Detection Method and Program | |
| EP4008244A1 (en) | Fever progression monitoring |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20151029 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20180921 |
|
| RD02 | Notification of acceptance of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7422 Effective date: 20180921 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20190417 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20190507 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190530 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20191015 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20191021 |
|
| 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: 20191105 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20191111 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6627112 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |