JP6742620B2 - 嚥下診断装置およびプログラム - Google Patents

Description

本発明は、誤嚥のリスクを診断するための嚥下診断装置およびコンピュータに当該嚥下診断の機能を付与するプログラムに関する。

誤嚥によって引き起こされる誤嚥性肺炎が、特に、高齢者において深刻な問題となっている。「誤嚥」とは、適切に嚥下を発生させることができず、飲み込まれた物が食道ではなく気管に入る病態のことである。現在、誤嚥のリスクを適切に診断可能な嚥下診断装置の開発が望まれている。

特許文献１には、咽頭の加速度信号から特徴を抽出し、抽出した特徴を基礎として、放射基底関数ニューラルネットワークにより嚥下活動（嚥下、誤嚥、等）を分類するシステムが記載されている。ここでは、加速度信号から抽出される特徴として、定常性、正規性、ばらつき率が用いられる。また、分類された嚥下活動について、嚥下と誤嚥とが色分けして表示される。

特表２００８−５０２３８６号公報

誤嚥は、個人の特性（癖など）が年齢や疾病により修飾された結果として生じ得る。また、その一方で、個人にそのような特性がなくても、疾患等による嚥下障害が原因となって、誤嚥が生じることもある。したがって、患者における誤嚥のリスクは、これら両側面から総合的に判断することが望ましい。

かかる課題に鑑み、本発明は、医師等の使用者が患者における誤嚥のリスクを多面的かつ総合的に判断することが可能な嚥下診断装置およびそのプログラムを提供することを目的とする。

本発明の第１の態様は、嚥下診断装置に関する。この態様に係る嚥下診断装置は、喉頭部の音を検出する音検出部と、呼吸を検出する呼吸検出部と、前記音検出部から出力される音情報において嚥下の推定条件を満たす特徴量を取得した生体音発生区間と、前記呼吸検出部から出力される呼吸情報において所定時間以上呼吸を検出しなかった無呼吸区間とが互いに符合することに基づいて、嚥下が生じたと推定する嚥下推定部と、前記嚥下推定部により嚥下が生じたと推定された期間の前後の呼吸相を前記呼吸情報から検出し、検出した呼吸相に基づいて当該嚥下に誤嚥のリスクがあるか否かを判定する第１嚥下判定部と、前記嚥下推定部により嚥下が生じたと推定された期間を含む所定の期間において前記音情報および前記呼吸情報の少なくとも一方を含む参照情報を抽出し、抽出した前記参照情報から特徴量を取得し、取得した前記特徴量に機械学習処理を実行して当該嚥下に嚥下障害の可能性があるか否かを判定する第２嚥下判定部と、前記嚥下推定部により嚥下が生じたと推定された同一の期間について、前記第１嚥下判定部により取得された判定結果と前記第２嚥下判定部により取得された判定結果とを対照可能に表示部に表示させる表示制御部と、を備える。

本態様に係る嚥下診断装置によれば、個人の特性（癖など）が年齢や疾病により修飾された結果として生じ得る誤嚥のリスクが第１嚥下判定部により判定され、また、第２嚥下判定部によって嚥下障害の可能性が判定される。そして、これら判定結果が、表示部に表示されて、医師等の使用者に提示される。これにより、医師等の使用者は、これら判定結果を参照することにより、患者における誤嚥のリスクを多面的かつ総合的に判断でき、より適切に、患者における誤嚥のリスクを診断することができる。

また、本態様に係る嚥下診断装置によれば、嚥下推定のために取得した情報（音情報、呼吸情報）を用いて、第１嚥下判定部における判定と第２嚥下判定部における判定が行われるため、これらの判定において患者から別途情報を取得せずともよい。よって、嚥下診断装置の構成を簡素にでき、また、これら判定における処理負荷を軽減することができる。

本態様に係る嚥下診断装置において、前記第２嚥下判定部は、前記参照情報として前記音情報を抽出し、抽出した前記音情報から前記特徴量を取得し、取得した前記特徴量に機械学習処理を実行して当該嚥下に嚥下障害の可能性があるか否かを判定するよう構成され得る。こうすると、以下の実施形態において検証結果として示すように、嚥下障害の可能性の判定精度を高めることができる。

この場合、前記第２嚥下判定部は、さらに、前記参照情報として前記呼吸情報を抽出し、抽出した前記呼吸情報から特徴量を取得し、前記呼吸情報から取得した前記特徴量と前記音情報から取得した特徴量とに機械学習処理を実行して当該嚥下に嚥下障害の可能性があるか否かを判定するよう構成され得る。こうすると、以下の実施形態において検証結果として示すように、嚥下障害の可能性の判定精度をさらに高めることができる。

また、本態様に係る嚥下診断装置は、喉頭部の変位を検出する変位検出部をさらに備え、前記第２嚥下判定部は、さらに、嚥下が生じたと推定された前記期間を含む前記所定の期間において前記変位検出部から出力される変位情報を前記参照情報として抽出し、抽出した前記変位情報から特徴量を取得し、前記変位情報から取得した前記特徴量と、前記音情報および前記呼吸情報からそれぞれ取得した特徴量とに機械学習処理を実行して当該嚥下に嚥下障害の可能性があるか否かを判定するよう構成され得る。こうすると、以下の実施形態において検証結果として示すように、嚥下障害の可能性の判定精度をより一層高めることができる。

この場合、前記嚥下推定部は、前記生体音発生区間と前記無呼吸区間とが符号し、且つ、前記生体音発生区間において前記変位情報の振幅が所定の閾値を超える場合に、嚥下が生じたと推定するよう構成され得る。こうすると、嚥下推定の精度を高めることができる。

本態様に係る嚥下診断装置において、前記第２嚥下判定部は、前記参照情報をフーリエ変換して周波数スペクトルを取得し、取得した周波数スペクトルに線形予測分析を適用してスペクトル包絡を求め、求めたスペクトル包絡を所定周波数間隔でサンプリングして、前記特徴量を取得するよう構成され得る。こうすると、以下の実施形態において検証結果として示すように、嚥下障害の可能性の判定において、高い判定精度を得ることができる。

この場合、前記第２嚥下判定部は、前記周波数スペクトルを所定の周波数帯ごとに分割し、前記周波数帯ごとに線形予測分析を適用してスペクトル包絡を求め、求めた各周波数帯のスペクトル包絡を所定周波数間隔でサンプリングして、前記特徴量を取得するよう構成され得る。こうすると、以下の実施形態において検証結果として示すように、嚥下障害の可能性の判定精度をより一層高めることができる。

あるいは、前記第２嚥下判定部は、前記参照情報をフーリエ変換して周波数スペクトルを取得し、取得した周波数スペクトルに線形予測分析を適用して線形予測分析における各次数の係数を取得し、取得した係数群を前記特徴量として取得するよう構成され得る。この場合も、以下の実施形態において検証結果として示すように、嚥下障害の可能性の判定において、高い判定精度を得ることができる。

本態様に係る嚥下診断装置において、前記第２嚥下判定部における前記機械学習処理は、サポートベクターマシンであることが好ましい。これにより、以下の実施形態において検証結果として示すように、嚥下障害の可能性を、高い精度で判定することができる。

本発明の第２の態様は、嚥下診断装置に関する。この態様に係る嚥下診断装置は、喉頭部の音を検出する音検出部と、呼吸を検出する呼吸検出部と、前記音検出部から出力される音情報において嚥下の推定条件を満たす特徴量を取得した生体音発生区間と、前記呼吸検出部から出力される呼吸情報において所定時間以上呼吸を検出しなかった無呼吸区間とが互いに符合することに基づいて、嚥下が生じたと推定する嚥下推定部と、前記嚥下推定部により嚥下が生じたと推定された期間を含む所定の期間において前記音情報および前記呼吸情報の少なくとも一方を含む参照情報を抽出し、抽出した前記参照情報をフーリエ変換して周波数スペクトルを取得し、取得した周波数スペクトルに線形予測分析を適用してスペクトル包絡を求め、求めたスペクトル包絡を所定周波数間隔でサンプリングして特徴量を取得し、取得した前記特徴量に機械学習処理を実行して当該嚥下に嚥下障害の可能性があるか否かを判定する嚥下判定部と、を備える。

本態様に係る嚥下診断装置によれば、以下の実施形態において検証結果として示すように、嚥下障害の可能性を、高い精度で判定することができる。

なお、第２の態様において、嚥下判定部は、前記周波数スペクトルを所定の周波数帯ごとに分割し、前記周波数帯ごとに線形予測分析を適用してスペクトル包絡を求め、求めた各周波数帯のスペクトル包絡を所定周波数間隔でサンプリングして、前記特徴量を取得するよう構成されることが好ましい。こうすると、以下の実施形態において検証結果として示すように、嚥下障害の可能性の判定精度をより一層高めることができる。

あるいは、前記第２嚥下判定部は、前記参照情報をフーリエ変換して周波数スペクトルを取得し、取得した周波数スペクトルに線形予測分析を適用して線形予測分析における各次数の係数を取得し、取得した係数群を前記特徴量として取得するよう構成され得る。この場合も、以下の実施形態において検証結果として示すように、嚥下障害の可能性の判定において、高い判定精度を得ることができる。

本発明の第３の態様は、コンピュータに、上記第１の態様に係る前記嚥下推定部、前記第１嚥下判定部、前記第２嚥下判定部および前記表示制御部の機能を付与するプログラムである。

本態様に係るプログラムによれば、上記第１の態様と同様の効果が奏され得る。

以上のとおり、本発明によれば、医師等の使用者が患者における誤嚥のリスクを多面的かつ総合的に判断することが可能な嚥下診断装置およびそのプログラムを提供することができる。

本発明の効果ないし意義は、以下に示す実施の形態の説明により更に明らかとなろう。ただし、以下に示す実施の形態は、あくまでも、本発明を実施化する際の一つの例示であって、本発明は、以下の実施の形態により何ら制限されるものではない。

図１は、実施形態に係る嚥下診断装置の構成を示す外観図である。 図２は、実施形態に係る嚥下診断装置の構成を示すブロック図である。 図３（ａ）〜（ｃ）は、それぞれ、実施形態に係る呼吸圧データ、生体音データおよび喉頭変位データの一例を示す図である。 図４（ａ）は、実施形態に係るスペクトログラムを模式的に示す図である。図４（ｂ）は、実施形態に係るメル周波数スペクトログラムを模式的に示す図である。図４（ｃ）は、実施形態に係る連続ウェーブレット変換によるパルスを示す図である。図４（ｄ）は、実施形態に係る連続ウェーブレット変換によるパルスを拡大して模式的に示す図である。 図５（ａ）は、実施形態に係る嚥下診断装置における各種データの取得処理を示すフローチャートである。図５（ｂ）は、実施形態に係る嚥下診断装置における嚥下診断処理を示すフローチャートである。 図６は、実施形態に係る嚥下診断装置における第１嚥下判定処理を示すフローチャートである。 図７は、実施形態に係る嚥下診断装置における第２嚥下判定処理を示すフローチャートである。 図８は、実施形態に係る第２嚥下判定処理における各種データの抽出区間の設定方法を示す図である。 図９（ａ）、（ｂ）は、実施形態に係る検証１において、ＬＰＣスペクトルによるパラメータ値の取得方法を示す図ある。 図１０（ａ）〜（ｃ）は、ぞれぞれ、実施形態に係る検証１において、特徴パラメータとしてＬＰＣスペクトルを用いた場合の検証結果を示す図である。 図１１（ａ）〜（ｃ）は、ぞれぞれ、実施形態に係る検証１において、特徴パラメータとしてＬＰＣ次数の係数を用いた場合の検証結果を示す図である。 図１２（ａ）〜（ｃ）は、ぞれぞれ、実施形態に係る検証１において、特徴パラメータとしてＭＦＣＣを用いた場合の検証結果を示す図である。 図１３（ａ）〜（ｃ）は、ぞれぞれ、実施形態に係る検証１の検証結果をデータの種類（喉頭変位、呼吸圧、嚥下音）ごとに纏めた図である。 図１４は、実施形態に係る検証２において、非時系列によるＬＰＣスペクトルにより特徴パラメータ値を取得した場合の検証結果を数値で示す図である。 図１５は、実施形態に係る検証２において、時系列によるＬＰＣスペクトルにより特徴パラメータ値を取得した場合の検証結果を数値で示す図である。 図１６は、実施形態に係る検証２において、健常者データに対して非時系列によるＬＰＣスペクトルにより特徴パラメータ値を取得した場合の検証結果を示すグラフである。 図１７は、実施形態に係る検証２において、患者データに対して非時系列によるＬＰＣスペクトルにより特徴パラメータ値を取得した場合の検証結果を示すグラフである。 図１８は、実施形態に係る検証２において、健常者データに対して時系列によるＬＰＣスペクトルにより特徴パラメータ値を取得した場合の検証結果を示すグラフである。 図１９は、実施形態に係る検証２において、患者データに対して時系列によるＬＰＣスペクトルにより特徴パラメータ値を取得した場合の検証結果を示すグラフである。 図２０（ａ）は、実施形態に係る検証２の検証結果を表に纏めた図である。図２０（ｂ）は、実施形態に係る検証３の検証結果を表に纏めた図である。 図２１は、実施形態に係る検証３において、健常者データに対して特徴量の抽出を時系列によるＬＰＣスペクトルを用いて行った場合の検証結果を示すグラフである。 図２２は、実施形態に係る検証３において、患者データに対して特徴量の抽出を時系列によるＬＰＣスペクトルを用いて行った場合の検証結果を示すグラフである。 図２３（ａ）は、実施形態に係る嚥下診断装置の診断結果を表示する画面の構成を示す図である。図２３（ｂ）〜（ｅ）は、それぞれ、実施形態に係る第１判定結果の表示形態を示す図である。 図２４は、実施形態に係る嚥下診断装置において第２嚥下判定部が用いる教師データを更新するためのシステム構成を模式的に示す図である。 図２５は、変更例に係る嚥下診断装置の構成を示す外観図である。

ただし、図面はもっぱら説明のためのものであって、この発明の範囲を限定するものではない。

図１は、本実施形態に係る嚥下診断装置１００の構成を示す外観図である。

嚥下診断装置１００は、端末装置１１０と、鼻カニューレ１２０と、検出部１３０とを備える。

端末装置１１０は、表示部１１１と入力部１１２とを備えている。端末装置１１０は、患者が容易に持ち運びできるように、小さく且つ軽量に構成されている。表示部１１１は、カラーの液晶モニタからなっている。入力部１１２は、嚥下診断を開始および終了させるためのボタン１１２ａを備える。さらに、入力部１１２は、カバー１１２ｂを開放することにより、動作設定のためのキー群を備えている。

鼻カニューレ１２０は、一対の筒状部材を有する装着部１２１と、装着部１２１の両端に接続されたチューブ１２２と、を備えている。装着部１２１の一対の筒状部材は患者の鼻腔に挿入され、チューブ１２２の他端は端末装置１１０に接続されている。これにより、患者が呼吸を行うとチューブ１２２内の空気が流動し、チューブ１２２内の空気の流動が、端末装置１１０内の圧力センサ１１４（図２参照）により圧力として検出される。なお、患者が口で呼吸している場合でも、鼻腔と口腔は繋がっているため、チューブ１２２内の空気が流動し圧力が変化する。

検出部１３０は、薄型で柔軟性のあるパッド１３１と、ケーブル１３２を備える。パッド１３１は、患者の喉頭部に貼り付けられている。パッド１３１は、喉頭部の音を検出するための音センサ１３１ａ（図２参照）と、喉頭部の変形に応じて舌骨の変位を圧力により検出するための変位センサ１３１ｂ（図２参照）とを備えている。ケーブル１３２の他端は端末装置１１０に接続されている。

なお、鼻カニューレ１２０と圧力センサ１１４は、呼吸検出部を構成する。また、音センサ１３１ａは、音検出部を構成し、変位センサ１３１ｂは、変位検出部を構成する。圧力センサ１１４から出力される圧力信号、音センサ１３１ａから出力される音信号、および、変位センサ１３１ｂから出力される変位信号は、それぞれ、呼吸情報、音情報および変位情報の一例である。

図２は、嚥下診断装置１００の構成を示すブロック図である。

端末装置１１０は、図１に示した表示部１１１と、入力部１１２とに加えて、音出力部１１３と、圧力センサ１１４と、Ａ／Ｄ変換部１１５と、制御部１１６と、記憶部１１７とを備える。

音出力部１１３は、ブザーやスピーカーを備え、制御部１１６からの制御により所定の音声を外部に出力する。

圧力センサ１１４は、鼻カニューレ１２０のチューブ１２２から導かれた空気の流動を圧力として検出し、検出したアナログの圧力信号をＡ／Ｄ変換部１１５に出力する。検出部１３０は、音センサ１３１ａと変位センサ１３１ｂとを備える。音センサ１３１ａは、患者の喉頭部近傍の音を検出し、検出したアナログの音信号をＡ／Ｄ変換部１１５に出力する。変位センサ１３１ｂは、患者の喉頭部の変形を舌骨の変位として検出し、検出したアナログの変位信号をＡ／Ｄ変換部１１５に出力する。

Ａ／Ｄ変換部１１５は、圧力センサ１１４、音センサ１３１ａおよび変位センサ１３１ｂからそれぞれ出力された圧力信号、音信号および変位信号を所定周期でサンプリングし、それぞれのサンプリング信号に対応するデジタルデータを制御部１１６に出力する。

以下、圧力信号、音信号および変位信号がＡ／Ｄ変換されたデジタルデータを、それぞれ、呼吸圧データ、生体音データおよび喉頭変位データと称する。

制御部１１６は、ＣＰＵ（Central Processing Unit）等の演算処理回路を備え、記憶部１１７に格納されたプログラムに従って端末装置１１０の各部を制御する。記憶部１１７は、ＲＯＭ（Read Only Memory）やＲＡＭ（Random Access Memory）等の記憶媒体を備え、制御部１１６が実行するプログラムを記憶する。また、記憶部１１７は、制御部１１６における処理においてワーク領域として利用される。

制御部１１６は、記憶部１１７に記憶されたプログラムによって、嚥下推定部１１６ａと、第１嚥下判定部１１６ｂと、第２嚥下判定部１１６ｃと、表示制御部１１６ｄの機能が付与される。このプログラムは、予め記憶部１１７にインストールされていてもよく、あるいは、着脱可能なメモリ媒体や通信ネットワークから記憶部１１７にダウンロードされてもよい。

嚥下推定部１１６ａは、Ａ／Ｄ変換部１１５から入力された呼吸圧データ、生体音データおよび喉頭変位データに基づいて、患者により嚥下がなされたことを推定する。嚥下推定部１１６ａにおける嚥下の推定方法については、追って、図３（ａ）〜（ｃ）および図４（ａ）〜（ｄ）を参照して説明する。

第１嚥下判定部１１６ｂは、嚥下推定部１１６ａにより推定された嚥下について、誤嚥のリスクがあるか否かを判定する。この判定は、Ａ／Ｄ変換部１１５から入力された呼吸圧データに基づいて行われる。第１嚥下判定部１１６ｂにおける嚥下リスクの判定方法については、追って、図６を参照して説明する。

第２嚥下判定部１１６ｃは、嚥下推定部１１６ａにより推定された嚥下について、誤嚥障害の可能性があるか否かを判定する。この判定は、Ａ／Ｄ変換部１１５から入力された呼吸圧データ、生体音データおよび喉頭変位データの少なくとも１つに基づいて行われる。本実施形態では、第２嚥下判定部１１６ｃにおける判定が、呼吸圧データ、生体音データおよび喉頭変位データの全てを用いて行われる。第２嚥下判定部１１６ｃにおける嚥下障害の可能性の判定方法については、追って、図７および図８を参照して説明する。

表示制御部１１６ｄは、第１嚥下判定部１１６ｂおよび第２嚥下判定部１１６ｃにおける判定結果を含む画面を構成して表示部１１１に表示させる処理を実行する。表示制御部１１６ｄにより構成される画面については、追って、図２３（ａ）、（ｂ）を参照して説明する。

＜嚥下推定方法＞
次に、図３（ａ）〜（ｃ）および図４（ａ）〜（ｄ）を参照して、嚥下推定部１１６ａにおける嚥下の推定方法について説明する。

図３（ａ）〜（ｃ）は、それぞれ、呼吸圧データ、生体音データおよび喉頭変位データの一例を示す図である。図３（ａ）〜（ｃ）には、同一期間に取得された生体音データと、呼吸圧データと、喉頭変位データが、Ａ／Ｄ変換前のアナログ信号の波形として示されている。横軸は時間（秒）、縦軸は規格化後の強度である。

嚥下推定部１１６ａは、生体音データを短時間フーリエ変換することによりスペクトログラムを作成し、作成したスペクトログラムに基づいて生体音発生区間を抽出する。具体的には、嚥下推定部１１６ａは、全区間の生体音データに対して、窓関数（サンプリング範囲）を１．５秒に設定して生体音データを切り出し、短時間フーリエ変換を施して、図４（ａ）に示すようなスペクトログラムを作成する。すなわち、嚥下推定部１１６ａは、単位時間幅（１．５秒幅）においてフーリエ変換を行い、これを０．２秒ずつずらしながら順次変換を行ってスペクトログラムを作成する。図４（ａ）に示す例は、２０個の単位時間幅、すなわち、４秒間について作成したスペクトログラムである。

嚥下推定部１１６ａは、作成したスペクトログラムの振幅の総和を求めることにより信号強度データに変換し、ノイズ平均＋２ＳＤ（標準偏差）を超えた区間を生体音発生区間として抽出する。これにより、全区間の生体音データに対して、生体音発生区間が特定される。図３（ｂ）、（ｃ）には、こうして抽出された生体音発生区間が付記されている。

次に、嚥下推定部１１６ａは、呼吸圧データにおいて、値がノイズを考慮した閾値以下となっている区間を無呼吸区間として抽出する。これにより、全区間の呼吸圧データに対して、無呼吸区間が設定される。図３（ａ）には、こうして抽出された無呼吸区間が付記されている。

次に、嚥下推定部１１６ａは、生体音発生区間において、上述のスペクトログラムから、図４（ｂ）に示すようなメル周波数スペクトログラムを作成する。図４（ｂ）では、縦軸がメルスケールとなっている。したがって、図４（ｂ）のメル周波数スペクトログラムは、図４（ａ）の周波数スペクトログラムに比べて、低周波帯域の座標軸が伸長され、高周波帯域の座標軸が圧縮されている。これにより、低周波帯域の分解能が高められている。

次に、嚥下推定部１１６ａは、生体音発生区間において、上述の短時間フーリエ変換後のデータに対して、連続ウェーブレット変換によりパルス化を行い、図４（ｃ）に示すようなパルスを生成する。なお、図４（ｃ）の例では生体音発生区間に６つのパルスが含まれており、これらを拡大して模式的に示すと、図４（ｄ）に示すように異なる幅を有するパルスが複数含まれる。

次に、嚥下推定部１１６ａは、生体音発生区間のうち、以下の３つの条件が全て満たされるものを抽出する。

１つ目の条件は、所定の閾値以上となっている振幅が、生体音発生区間に含まれることである。たとえば、図３（ｃ）の例では、生体音発生区間の喉頭変位データの振幅Ａ１が大きい。このように、生体音発生区間において喉頭変位データの振幅が大きくなっている場合、１つ目の条件が満たされる。嚥下の際には、舌骨が上昇した後、前に変位し、その後、元の位置に戻る。１つ目の条件は、このような現象が生体音発生区間において生じたか否かを喉頭変位データに基づいて判定するものである。

２つ目の条件は、生体音発生区間のメル周波数スペクトログラムにおいて、７５０Ｈｚ以上のスペクトルの総和（パワー）の比率が所定比率（たとえば１５％）以上であることである。通常、嚥下音は高周波成分を含んでいる。２つ目の条件は、嚥下音に対応する音の周波数が生体音発生区間において生じたか否かを生体音データに基づいて判定するものである。たとえば、図４（ｂ）の例では、生体音発生区間のメル周波数スペクトログラムにおいて、７５０Ｈｚ以上のスペクトルの総和の比率が１５％を超えれば、２つ目の条件が満たされる。なお、ここでは、閾値が７５０Ｈｚに設定されたが、この閾値は、嚥下音の実測値を統計化することにより、適宜、他の周波数に変更され得る。

３つ目の条件は、生体音発生区間において図４（ｃ）に示すパルスの数が所定数（たとえば５０個）以下であり、且つ、生体音発生区間において生成されたパルスのうち最大パルス幅が所定値（たとえば１５ｍｓｅｃ）以下であることである。これは、嚥下音と他の音とを、断続性と連続性の観点において区別できるためである。断続性が高いほど短い幅のパルスが多数現れ、連続性が高いほどパルスの数は少なく、パルス幅は長くなる。３つ目の条件は、嚥下音に対応する音の断続性と連続性が生体音発生区間において生じたか否かを生体音データに基づいて判定するものである。

たとえば、図４（ｃ）、（ｄ）に示す例では、生体音発生区間において、パルス数Ｎが５０個以下であり、且つ、最大パルス幅Ｗが１５ｍｓｅｃ以下であれば、３つ目の条件が満たされる。なお、ここでは、パルス数の閾値が５０個とされ、最大パルス幅の閾値が１５ｍｓｅｃに設定されたが、パルス数の閾値と最大パルス幅の閾値は、嚥下音の実測値を統計化することにより、適宜、他の数および時間幅に変更され得る。

嚥下推定部１１６ａは、上記３つの条件を満たす生体音発生区間が、無呼吸区間に含まれているか否かを判定する。一般に、嚥下の際には呼吸が止まる。嚥下推定部１１６ａは、上記３つの条件を満たす生体音発生区間が、無呼吸区間に含まれている場合に、この生体音発生区間を嚥下が生じた区間と推定する。

なお、上記３つの条件のうち、１つ目の条件（喉頭変位の振幅）が除かれてもよい。ただし、１つ目の条件を含めた方が、嚥下推定の精度をより高めることができる。

＜嚥下診断処理＞
次に、図５（ａ）〜図７を参照して、嚥下診断時の処理について説明する。

図５（ａ）は、各種データの取得処理を示すフローチャートである。

図１に示すボタン１１２ａが操作され、患者に対する嚥下診断が開始されると、制御部１１６は、圧力センサ１１４、音センサ１３１ａおよび変位センサ１３１ｂを動作させて、呼吸圧データ、生体音データおよび喉頭変位データをそれぞれ連続的に取得し、取得した各データを随時、記憶部１１７に記憶させる（Ｓ１０１〜Ｓ１０３）。制御部１１６は、再びボタン１１２ａが操作されて嚥下診断が終了されるまで（Ｓ１０４：ＹＥＳ）、ステップＳ１０１〜Ｓ１０３の処理を継続する。

図５（ｂ）は、嚥下診断処理を示すフローチャートである。図５（ｂ）のフローチャートに含まれるステップのうち、ステップＳ２０１〜Ｓ２０４は嚥下推定部１１６ａが実行し、ステップＳ２０５は第１嚥下判定部１１６ｂが実行し、ステップＳ２０６は第２嚥下判定部１１６ｃが実行し、ステップＳ２０７は表示制御部１１６ｄが実行する。

嚥下診断が開始されると、嚥下推定部１１６ａは、連続的に記憶部１１７に記憶さされる呼吸圧データ、生体音データおよび喉頭変位データをリアルタイムで順次参照し、ステップＳ２０１〜Ｓ２０３の処理を繰り返し実行する。まず、嚥下推定部１１６ａは、呼吸圧データから無呼吸区間を抽出し（Ｓ２０１）、生体音データから生体音発生区間を抽出する（Ｓ２０２）。そして、嚥下推定部１１６ａは、抽出した無呼吸区間と生体音発生区間について、図３（ａ）〜図４（ｄ）を参照して説明した嚥下の条件が充足されるか否かを判定する（Ｓ２０３）。より詳細には、嚥下推定部１１６ａは、生体音発生区間における各データが上記３つの条件を充足し、且つ、生体音発生区間が無呼吸区間に含まれるか否かを判定する。

ステップＳ２０３の判定がＹＥＳである場合、嚥下推定部１１６ａは、当該生体音発生区間に嚥下がなされたと推定し、当該生体音発生区間を嚥下音発生区間に設定する（Ｓ２０４）。こうして、嚥下が生じたとの推定がなさると、第１嚥下判定部１１６ｂおよび第２嚥下判定部１１６ｃによる嚥下判定処理が実行される（Ｓ２０５）。

ステップＳ２０５において第１嚥下判定部１１６ｂおよび第２嚥下判定部１１６ｃによる嚥下判定処理を実行すると、表示制御部１１６ｄは、第１嚥下判定部１１６ｂおよび第２嚥下判定部１１６ｃの判定結果を、表示部１１１に表示させる（Ｓ２０６）。その後、嚥下診断処理が終了していなければ（Ｓ２０７：ＮＯ）、制御部１１６は、処理をＳ２０１に戻して、後続の各データについて、同様の処理を実行する。これにより、表示部１１１の表示が随時更新される。

＜第１嚥下判定処理＞
図６は、図５（ｂ）のステップＳ２０５において第１嚥下判定部１１６ｂによって実行される第１嚥下判定処理を示すフローチャートである。

第１嚥下判定部１１６ｂは、ステップＳ２０４で設定された嚥下音発生区間（嚥下が生じた生体音発生区間）の直前と直後の呼吸相を、記憶部１１７に記憶された呼吸圧データに基づいて取得する（Ｓ３０１）。そして、第１嚥下判定部１１６ｂは、嚥下音発生区間の直前が吸息相であるか否かを判定し（Ｓ３０２）、さらに、この嚥下音発生区間の直後が吸息相であるか否かを判定する（Ｓ３０３）。

第１嚥下判定部１１６ｂは、Ｓ３０１、Ｓ３０２の何れか一方でＹＥＳと判定すると、すなわち、嚥下音発生区間の前後の呼吸相のうち少なくとも一方が吸息相であると判定すると、当該嚥下音発生区間において誤嚥のリスクがあると判定する（Ｓ３０４）。他方、第１嚥下判定部１１６ｂは、Ｓ３０２、Ｓ３０３の両方でＮＯと判定すると、すなわち、嚥下音発生区間の前後の呼吸相の両方が呼息相であると判定すると、当該嚥下音発生区間で誤嚥のリスクはないと判定する（Ｓ３０５）。

＜第２嚥下判定処理＞
図７は、図５（ｂ）のステップＳ２０５において第２嚥下判定部１１６ｃによって実行される第２嚥下判定処理を示すフローチャートである。

第２嚥下判定部１１６ｃは、嚥下音発生区間を含む所定の区間（以下、「抽出区間」という）において、呼吸圧データ、生体音データおよび喉頭変位データを抽出し、抽出した各データについて、所定の特徴パラメータ値（ベクトル）を取得する（Ｓ４０１）。ここで取得される特徴パラメータ値は、後続のステップＳ４０２において、サポートベクターマシン（以下、「ＳＶＭ」という）による機械学習処理で扱われるパラメータの値である。たとえば、特徴パラメータ値は、以下のように設定される。

まず、抽出区間において抽出された呼吸圧データ、生体音データおよび喉頭変位データをフーリエ変換して、周波数スペクトルを取得する。次に、取得した周波数スペクトルに線形予測分析（ＬＰＣ）を適用してスペクトル包絡を求める。そして、求めたスペクトル包絡を所定周波数間隔でサンプリングし、これらサンプル値群からなるベクトルを、上記特徴パラメータ値（特徴量）として取得する。

図８は、第２嚥下判定処理における各種データの抽出区間の設定方法を示す図である。

図８に示すように、抽出区間は、生体音発生区間（嚥下音発生区間）を含むように設定される。ここでは、喉頭変位データに基づいて、抽出区間が設定される。すなわち、生体音発生区間において喉頭変位が最大ピークとなる位置を中心に、前後２秒の範囲の区間が抽出区間に設定される。

なお、ここでは、抽出区間が４秒に設定されたが、抽出区間の時間長はこれに限定されるものではない。一般に、嚥下に要する期間は２秒程度であると言われている。したがって、嚥下に基づく特徴量を呼吸圧データ、生体音データおよび喉頭変位データについて取得するためには、抽出区間を、生体音発生区間を含み、且つ、２秒以上の時間長となるように設定すればよい。たとえば、生体音発生区間において喉頭変位が最大ピークとなる位置を中心に、前後１．５秒の範囲の区間を抽出区間に設定してもよい。あるいは、生体音発生区間の開始タイミングから２秒程度の区間を抽出区間に設定してもよく、生体音発生区間の開始タイミングよりもやや前のタイミングから３秒程度の区間を抽出区間に設定してもよい。

図７に戻り、ステップＳ４０１において呼吸圧データ、生体音データおよび喉頭変位データから特徴パラメータ値を取得すると、第２嚥下判定部１１６ｃは、取得した特徴パラメータ値（ベクトル）に基づいてＳＶＭによる機械学習処理を実行し、当該特徴パラメータ値が、嚥下障害の陽性および陰性の何れの領域に属するかを判定する（Ｓ４０２）。

図２の記憶部１１７には、ＳＶＭによる機械学習処理に用いる教師データ群（嚥下障害陽性のサンプルデータ群および嚥下障害陰性のサンプルデータ群）が記憶されている。第２嚥下判定部１１６ｃは、記憶部１１７に記憶された教師データ群に基づいて、ＳＶＭにおいて嚥下障害の陽性と陰性とを区分する境界を設定する。あるいは、教師データ群に代えて、ＳＶＭにおいて嚥下障害の陽性と陰性とを区分する境界を規定するデータが記憶部１１７に記憶されていてもよい。

当該特徴パラメータ値が陽性の領域に属する場合（Ｓ４０２：陽性）、第２嚥下判定部１１６ｃは、嚥下障害の可能性があると判定する（Ｓ４０３）。また、当該特徴パラメータ値が陰性の領域に属する場合（Ｓ４０２：陰性）、第２嚥下判定部１１６ｃは、嚥下障害の可能性がないと判定する（Ｓ４０４）。さらに、第２嚥下判定部１１６ｃは、当該特徴パラメータ値について、嚥下障害度（陽性、陰性の度合い）を取得する（Ｓ４０５）。

ここで、嚥下障害度は、ＳＶＭにおける陽性領域と陰性領域との境界に対して、当該特徴パラメータ値がどの程度離れているかによって求められる。すなわち、特徴パラメータ値が陰性の領域に含まれる場合、特徴パラメータ値の位置と境界との間の距離が大きいほど陰性の度合いが高くなる。また、特徴パラメータ値が陽性の領域に含まれる場合、特徴パラメータ値の位置と境界との間の距離が大きいほど陽性の度合いが高くなる。

本件出願の発明者らは、第２嚥下判定部１１６ｃにおいて取得する特徴パラメータ値について種々の検討を行い、嚥下障害の判定に用いて好ましい特徴パラメータ値が何であるかについて鋭意探求した。以下、この検討における検証結果について説明する。

＜検証１＞
検証１では、嚥下障害の判定精度と特徴パラメータとの関係について検討を行った。ここでは、特徴パラメータとして、ＬＰＣスペクトルと、ＬＰＣ係数とを検討し、比較対象として、ＭＦＣＣ（メル周波数ケプストラム係数）を検討した。

まず、図９（ａ）、（ｂ）を参照して、ＬＰＣスペクトルによる特徴パラメータ値の取得方法と、ＬＰＣ係数による特徴パラメータ値の取得方法について説明する。

図９（ａ）、（ｂ）には、便宜上、所定の音声に基づく波形データをフーリエ変換したときの周波数スペクトルと、この周波数スペクトルに線形予測分析（ＬＰＣ）を適用したときのスペクトル包絡が示されている。図９（ａ）、（ｂ）には、それぞれ、線形予測分析の演算式の最大次数を８次、１６次としたときのスペクトル包絡が示されている。

ＬＰＣスペクトルによるパラメータ値の取得においては、まず、取得対象となる波形データにフーリエ変換を適用して、当該波形データに対する周波数スペクトルが取得される。次に、取得した周波数スペクトルに線形予測分析（ＬＰＣ）を適用してスペクトル包絡が求められ、求めたスペクトル包絡を所定周波数間隔でサンプリングしてサンプル値が取得される。たとえば、図９（ａ）、（ｂ）に示すスペクトル包絡が横軸１０Ｈｚ周期でサンプリングされ、各サンプリングにおけるスペクトル包絡のパワー値が取得される。こうして得られた一連のパワー値の群が、ＬＰＣスペクトルによるパラメータ値（ベクトル）として取得される。

図９（ａ）、（ｂ）では、線形予測分析における演算式の次数が異なるため、得られたスペクトル包絡の波形が互いに異なっている。このため、図９（ａ）、（ｂ）では、ＬＰＣスペクトルにより得られるパラメータ値（ベクトル）は、互いに異なることとなる。演算式の次数が高いほど、より細かく周波数スペクトルに沿ったスペクトル包絡が得られるため、周波数スペクトルにより適合した特徴パラメータ値が得られやすい。その反面、演算式の次数が過度に高いと、スペクトル包絡にノイズの影響が現れやすくなるため、特徴パラメータ値にもノイズの影響が出やすくなる。したがって、ＬＰＣスペクトルによる特徴パラメータにおいては、演算式の次数をどの程度に設定するかが重要である。

また、上述の線形予測分析では、演算式の各次数の係数が調整されてスペクトル包絡が得られる。したがって、周波数スペクトルが異なれば、演算式の各次数の係数も異なり、また、演算式の次数が異なれば各次数の係数も異なる。上記ＬＰＣ係数による特徴パラメータについては、周波数スペクトルに線形予測分析を適用したときの、演算式における各次数の係数群が、特徴パラメータ値（ベクトル）として取得される。

検証１では、抽出区間において抽出した呼吸圧データ、生体音データおよび喉頭変位データをフーリエ変換した周波数スペクトルについて、ＬＰＣスペクトル、ＬＰＣ係数およびＭＦＣＣにより特徴パラメータ値（ベクトル）を取得した。なお、ここでは、抽出区間を、図８に示す抽出区間（４秒）ではなく、生体音発生区間の開始から２秒間とした。

ＬＰＣスペクトルとＬＰＣ係数では、何れも、演算式の最大次数を８、１６、３２としたときのパラメータ値を取得し、各次数のパラメータ値について、ＳＶＭによる機械学習処理により、嚥下障害の陽性／陰性を評価した。また、ＳＶＭのカーネルはＲＢＦ（Radial Basis Function）を用いた。

健常者から取得した１１４のサンプルデータ（呼吸圧データ、生体音データ、喉頭変位データ）と、患者から取得した６４のサンプルデータ（呼吸圧データ、生体音データ、喉頭変位データ）の合計１７８のサンプルデータについて、交差検定（10-fold cross validation）による検証を行った。

図１０（ａ）〜（ｃ）は、ぞれぞれ、検証１において、特徴パラメータとしてＬＰＣスペクトルを用いた場合の検証結果を示す図である。図１１（ａ）〜（ｃ）は、ぞれぞれ、検証１において、特徴パラメータとしてＬＰＣ次数の係数を用いた場合の検証結果を示す図である。図１２（ａ）〜（ｃ）は、ぞれぞれ、検証１において、特徴パラメータとしてＭＦＣＣを用いた場合の検証結果を示す図である。

図１３（ａ）〜（ｃ）は、ぞれぞれ、検証１の検証結果をデータの種類（喉頭変位、呼吸圧、嚥下音）ごとに纏めた図である。図１３（ａ）〜（ｃ）において、健常者判定精度は、健常者のサンプルを嚥下障害陰性として判定した判定精度であり、患者判定精度は、患者のサンプルを嚥下障害陽性として判定した判定精度である。

なお、図１０（ａ）〜図１１（ｃ）および図１３（ａ）〜（ｃ）には、演算式の次数が８、１６、３２である場合にそれぞれＬＰＣスペクトルおよびＬＰＣ係数を用いて得られた判定結果のうち、判定精度が最も高い判定結果が示されている。

図１０（ａ）〜図１３（ｃ）を参照すると、特徴パラメータとしてＬＰＣスペクトルおよびＬＰＣ係数を用いると、ＭＦＣＣの場合に比べて、喉頭変位データ、呼吸圧データおよび生体音データの何れを用いた場合も、健常者の判定精度と患者の判定精度が高くなっている。特に、特徴パラメータとしてＬＰＣスペクトルを用いた場合は、他の特徴パラメータに比べて、健常者の判定精度と患者の判定精度が高くなる傾向が見られる。よって、嚥下障害判定のための特徴パラメータとして、ＬＰＣスペクトルおよびＬＰＣ係数が有効であり、特に、ＬＰＣスペクトルが有効であると言える。

＜検証２＞
検証２では、特徴パラメータの値（ベクトル）を、非時系列で取得した場合と、時系列で取得した場合とで、嚥下障害の判定精度がどのように異なるかを検証した。なお、図９（ａ）、（ｂ）を参照して説明した特徴パラメータの取得方法は、非時系列による取得方法である。

時系列による取得方法では、図９（ａ）、（ｂ）に示す周波数スペクトルが複数の周波数帯に分割されて、周波数帯ごとに、線形予測分析が適用される。たとえば、図９（ａ）、（ｂ）の場合、０〜２３０００Ｈｚ程度の周波数領域に広がる周波数スペクトルが、横軸１００Ｈｚごとに２３個程度の周波数帯に分割され、各周波数帯に個別に線形予測分析が適用されてスペクトル包絡が取得される。こうして取得されたスペクトル包絡が、上記と同様、所定周波数間隔でサンプリングされて、ＬＰＣスペクトルによる特徴パラメータ値（ベクトル）が取得される。

時系列による取得方法では、分割後の周波数帯ごとに線形予測分析が適用されてスペクトル包絡が取得されるため、取得されたスペクトル包絡が、非時系列による取得方法の場合と異なる。したがって、時系列による取得方法で取得されたＬＰＣスペクトルの特徴量（ベクトル）は、非時系列による取得方法で取得されたＬＰＣスペクトルの特徴量（ベクトル）と異なることになる。

検証２では、抽出区間において抽出した呼吸圧データ、生体音データおよび喉頭変位データをフーリエ変換した周波数スペクトルについて、時系列および非時系列によるＬＰＣスペクトルにより、特徴パラメータ値（ベクトル）を取得した。なお、ここでも、抽出区間を、図８に示す抽出区間（４秒）ではなく、生体音発生区間の開始から２秒間とした。

ＬＰＣスペクトルにおける演算式の最大次数を８、１６、３２としたときのパラメータ値を、非時系列法および時系列法によりそれぞれ取得し、各次数のパラメータ値について、ＳＶＭによる機械学習処理により、嚥下障害の陽性／陰性を評価した。ＳＶＭのカーネルはＲＢＦ（Radial Basis Function）を用いた。健常者から取得した５５６のサンプルデータ（呼吸圧データ、生体音データ、喉頭変位データ）と、患者から取得した２１２のサンプルデータ（呼吸圧データ、生体音データ、喉頭変位データ）の合計７６８のサンプルデータについて、交差検定（10-fold cross validation）による検証を行った。

図１４は、非時系列によるＬＰＣスペクトルにより特徴パラメータ値を取得した場合の検証結果を数値で示す図である。図１５は、時系列によるＬＰＣスペクトルにより特徴パラメータ値を取得した場合の検証結果を数値で示す図である。図１４、１５において、ＬＰＣ次数は、線形予測分析の演算式の最大次数を示している。また、図１４、１５において、健常者判定精度は、健常者のサンプルを嚥下障害陰性として判定した判定精度であり、患者判定精度は、患者のサンプルを嚥下障害陽性として判定した判定精度である。

図１４および図１５を参照すると、時系列によるＬＰＣスペクトルにより特徴パラメータ値を取得した場合は、非時系列によるＬＰＣスペクトルにより特徴パラメータ値を取得した場合に比べて、患者判定精度が顕著に高まっている。また、時系列による場合は、非時系列による場合に比べて、ＬＰＣ次数が３２である場合の判定精度が、高まっている。このことから、嚥下障害判定のための特徴パラメータをＬＰＣスペクトルとする場合は、時系列による取得方法により特徴パラメータ値を取得することが有効であると言える。

＜検証２−２＞
次に、上記検証２において最も嚥下障害の判定精度が高かったパラメータを用いて学習したＳＶＭにより、健常者から取得した６３７のサンプルデータ（生体音データ）と、患者から取得した５のサンプルデータ（生体音データ）について、上記検証２と同様の方法により、嚥下障害の判定を行った。検証２−２では、サンプルごとにサンプル提供者の年齢が設定された。

図１６は、検証２−２において、健常者データに対して非時系列によるＬＰＣスペクトルにより特徴パラメータ値を取得した場合の検証結果を示すグラフである。図１７は、検証２−２において、患者データに対して非時系列によるＬＰＣスペクトルにより特徴パラメータ値を取得した場合の検証結果を示すグラフである。

図１８は、検証２−２において、健常者データに対して時系列によるＬＰＣスペクトルにより特徴パラメータ値を取得した場合の検証結果を示すグラフである。図１９は、検証２−２において、患者データに対して時系列によるＬＰＣスペクトルにより特徴パラメータ値を取得した場合の検証結果を示すグラフである。

図１６〜図１８において、横軸はＳＶＭの値であり、縦軸は年齢である。図１６〜図１８には、各サンプルについて求めたＳＶＭの値が、サンプルごとにプロットされている。ＳＶＭの値が正である場合、そのサンプルは健常者判定（嚥下障害：陰性）となり、ＳＶＭの値が負である場合、そのサンプルは患者判定（嚥下障害：陽性）となる。

図１６、１７（非時系列）と図１８、１９（時系列）とを比較すると、健常者に対する判定精度は、時系列による特徴パラメータの取得方法の方が、非時系列の場合よりも、やや高まっていることが確認できる。患者に対する判定精度は、時系列の場合と非時系列の場合の両方において、１００％である。

また、時系列による特徴パラメータの取得方法の方が、非時系列の場合よりも、横軸方向におけるＳＶＭ値の分散が抑制されていることが分かる。さらに、健常者データに対する判定においては、時系列による特徴パラメータの取得方法の方が、非時系列の場合よりも、ＳＶＭ値のプロット群が、陰性と陽性の境界線（ＳＶＭ値＝０の線）から正方向（より陰性の方向）に離れている。このことから、時系列による特徴パラメータの取得方法の方が、非時系列の場合よりも、嚥下障害の判定精度が高まり、且つ、嚥下障害の度合いをより精度良く取得できると言える。

図２０（ａ）は、検証２の検証結果を表に纏めた図である。図２０（ａ）には、図１４に示した非時系列による判定結果において、精度が最も高い判定結果（ＬＰＣ次数＝１６、データ種別＝生体音データ）と、図１５に示した時系列による判定結果において、精度が最も高い判定結果（ＬＰＣ次数＝３２、データ種別＝生体音データ）とがそれぞれ示されている。

図２０（ａ）の纏めとともに、図１４〜図１９の判定結果を参照すると、時系列による取得方法によりＬＰＣスペクトルを取得した場合の方が、非時系列による取得方法によりＬＰＣスペクトルを取得した場合に比べて、嚥下障害の判定精度が高まることが分かる。このため、特徴パラメータ値の取得には、時系列による取得方法を用いることが好ましいと言える。

また、図１４および図１５を参照すると、嚥下障害の判定精度に寄与するデータの種類は、嚥下音データが最も高く、次に、呼吸圧データが高い傾向にある。このため、特徴パラメータ値の取得には、嚥下音データを最優先することが好ましく、次に、呼吸圧データを優先することが好ましいと言える。

なお、検証２では、ＬＰＣスペクトルにより特徴パラメータを取得する場合に、非時系列による取得方法と時系列による取得方法の判定精度の相違について検証を行ったが、ＬＰＣ係数により特徴パラメータを取得する場合も、上記と同様の傾向が得られるものと想定され得る。ＬＰＣ係数により特徴パラメータを取得する場合も、非時系列による取得方法よりも時系列による取得方法の方が、嚥下障害の判定精度が高まるものと想定され得る。

＜検証３＞
検証３では、呼吸圧データと、生体音データと、喉頭変位データとに対してそれぞれ取得した特徴パラメータ値（ベクトル）を組み合わせて１つの特徴パラメータ値（ベクトル）を取得し、組み合わせ後の特徴パラメータ値にＳＶＭによる機械学習処理を実行した場合に、嚥下障害の判定精度がどのように変化するかを検証した。

各データに対する特徴パラメータ値の取得は、時系列によるＬＰＣスペクトルによって行った。ここでも、抽出区間を、図８に示す抽出区間（４秒）ではなく、生体音発生区間の開始から２秒間とした。

ＬＰＣスペクトルにおける演算式の最大次数を８、１６、３２としたときのパラメータ値を、呼吸圧データ、生体音データおよび喉頭変位データに対して時系列法により取得し、取得した各データのパラメータ値を次数ごとに組み合わせて１つの特徴パラメータ値として取得した。そして、各次数の特徴パラメータ値について、ＳＶＭによる機械学習処理により、嚥下障害の陽性／陰性を評価した。ＳＶＭのカーネルはＲＢＦ（Radial Basis Function）とした。サンプルデータは、健常者から取得した５５６のサンプルデータ（呼吸圧データ、生体音データ、喉頭変位データ）と、患者から取得した２１２のサンプルデータ（呼吸圧データ、生体音データ、喉頭変位データ）の合計７６８のサンプルデータを用いた。検証は、交差検定（10-fold cross validation）により行った。

図２０（ｂ）は、検証３の検証結果を示す図である。

図２０（ｂ）に示す検証結果と、図２０（ａ）の検証結果とを比較すると、３つのデータから取得した特徴パラメータ値を組み合わせてＳＶＭによる機械学習処理を行った方が、生体音データのみから取得した特徴パラメータ値でＳＶＭによる機械学習処理を行った場合に比べて、嚥下障害の判定精度が高まっている。特に、ＬＰＣ次数を３２とした場合は、３つのデータの組み合わせの方が生体音データのみの場合に比べて、嚥下障害の判定精度が顕著に高まっている。このことから、嚥下障害の判定においては、呼吸圧データ、生体音データおよび喉頭変位データから取得した特徴パラメータ値を組み合わせてＳＶＭによる機械学習処理を行うことが好ましいと言える。

＜検証３−２＞
上記検証３において最も嚥下障害の判定精度が高かったパラメータを用いて学習したＳＶＭにより、健常者から取得した６３７のサンプルデータと、患者から取得した５のサンプルデータについて、上記検証３と同様の方法により、嚥下障害の判定を行った。検証３−２では、サンプルごとにサンプル提供者の年齢が設定された。

図２１は、検証３−２において、健常者データに対して嚥下障害の判定を行った場合の判定結果を示すグラフである。図２２は、検証３−２において、患者データに対して嚥下障害の判定を行った場合の検証結果を示すグラフである。図１６〜図１８と同様、図２１、２２において、横軸はＳＶＭの値であり、縦軸は年齢である。

図２１と図１８とを比較すると、３種の特徴パラメータ値を組み合わせた方が、１種の特徴パラメータ値のみの場合よりも、横軸方向におけるＳＶＭ値の分散が抑制され、年齢層による評価のばらつきが抑制されていることが分かる。このことから、３種の特徴パラメータ値を組み合わせた方が、１種の特徴パラメータ値のみの場合よりも、年齢層による嚥下障害の判定のばらつきを抑制でき、且つ、嚥下障害の度合いをより精度良く取得できると言える。

以上の検証に基づき、図７のステップＳ４０１では、３種の特徴パラメータを組み合わせた特徴パラメータが取得され、ステップＳ４０２では、組み合わせ後の特徴パラメータを用いたＳＶＭ判定が行われる。すなわち、ステップＳ４０１において、第２嚥下判定部１１６ｃは、上記検証３に示した特徴パラメータ値、すなわち、呼吸圧データ、生体音データおよび喉頭変位データからそれぞれ取得した時系列のＬＰＣスペクトルによるパラメータ値の組み合わせを、特徴パラメータ値として取得する。そして、ステップＳ４０２において、第２嚥下判定部１１６ｃは、取得した特徴パラメータ値に基づいて、ＳＶＭによる機械学習処理により、嚥下障害の有無を判定し、判定結果に応じて、ステップＳ４０３またはステップＳ４０４において、嚥下障害の可能性の有無を決定する。

また、ステップＳ４０５において、第２嚥下判定部１１６ｃは、ＳＶＭにおいて嚥下障害の陽性領域と陰性領域との境界に対する特徴パラメータ値の距離に基づいて、嚥下障害度を取得する。この距離は、たとえば、図２１、２２におけるプロットと、ＳＶＭの値がゼロである軸との間の距離に相当する。

＜診断結果画面＞
図２３（ａ）は、図５（ｂ）のステップＳ２０６において表示される診断結果の表示画面の構成を示す図である。図２３（ｂ）〜（ｅ）は、それぞれ、第１判定結果の表示形態を示す図である。

図２３（ａ）に示すように、診断結果の表示画面２００は、嚥下推定マーク２０１と、咳検出マーク２０２と、第１判定結果領域２０３と、第２判定結果領域２０４とを含んでいる。

嚥下推定マーク２０１は、図５（ｂ）のステップＳ２０４において嚥下ありと推定された場合に、周囲が所定の色（たとえば、青色）に点灯する。咳検出マーク２０２は、図５（ｂ）のステップＳ２０４において嚥下ありと推定された場合に、誤嚥によるムセが生じると、中央部分が処理の色（たとえば、オレンジ色）に点灯する。ここで、ムセは、呼吸圧データに基づいて、制御部１１６が検出する。

第１判定結果領域２０３には、第１嚥下判定部１１６ｂによる判定結果が表示される。具体的には、図６のステップＳ３０１において取得された嚥下音発生区間の前後の呼吸相が、嚥下に対する遷移を示す矢印とともに表示される。また、図６のステップＳ３０４、Ｓ３０５における誤嚥リスクの判定結果に応じて、第１判定結果領域２０３の背景色が設定される。具体的には、誤嚥のリスクがない場合は、図２３（ｂ）に示すように、第１判定結果領域２０３の背景色が第１の色（たとえば、緑色）に設定される。また、誤嚥のリスクがある場合は、図２３（ｃ）〜（ｅ）に示すように、第１判定結果領域２０３の背景色が第２の色（たとえば、赤色）に設定される。

医師等の使用者は、第１判定結果領域２０３の表記および背景色により、誤嚥のリスクの可能性と呼吸相の推移を的確に把握できる。

第２判定結果領域２０４には、第２嚥下判定部１１６ｃによる判定結果が表示される。第２判定結果領域２０４には、横方向に並ぶ１０のカーソルと、嚥下障害度の軽重を示す表記および矢印が示されている。各カーソルは、左に進むほど濃淡が濃くなるように設定されている。図７のフローチャートにおいて、嚥下障害の可能性なしと判定された場合、第２判定結果領域２０４の右側５つのカーソルが、嚥下障害度に応じて点灯され、嚥下障害の可能性ありと判定された場合は、左側５つのカーソルが嚥下障害度に応じて点灯される。

たとえば、嚥下障害度の極性を、陽性が正、陰性が負であるように設定すると、嚥下障害度が−３の場合、第２判定結果領域２０４の中央から右側３つのカーソルが点灯され、嚥下障害度が＋４である場合、第２判定結果領域２０４の中央から左側４つのカーソルが点灯される。ここで、嚥下障害度のレベルは、上記のように、ＳＶＭにおいて、嚥下障害の陽性と陰性とを区分する境界と特徴パラメータとの距離によって決定される。

医師等の使用者は、第２判定結果領域２０４の表記およびカーソルの状態により、嚥下障害の可能性を的確に把握できる。

＜教師データ更新システム＞
上記実施形態では、ＳＶＭによる機械学習処理によって嚥下障害の可能性が判定される。この場合、良質の教師データをより多く用いることにより、陽性と陰性の境界を微細に設定でき、嚥下障害の判定精度を高めることができる。

図２４は、嚥下診断装置１００において第２嚥下判定部１１６ｃが用いる教師データを更新するためのシステム構成を模式的に示す図である。

このシステムでは、病院等の医療施設に設置されたホストコンピュータ３００に、患者に対する診断時に各嚥下診断装置１００において取得された呼吸圧データ、生体音データおよび喉頭変位データ（嚥下音発生区間を含む抽出区間において抽出されたもの）が集約される。医師等の使用者は、当該患者に対する嚥下障害の診断結果を、これらデータに対応付けて、ホストコンピュータ３００に入力する。ホストコンピュータ３００は、集約したデータを診断結果とともに、外部ネットワーク５００を介して、管理施設のサーバ４００に送信する。

管理施設では、サーバ４００が受信したデータを、作業者が、診断結果に基づいて、嚥下障害陽性の教師データと、嚥下障害陰性の教師データと、無効データとに振り分ける。そして、作業者は、振り分けた陽性および陰性のデータを、サーバ４００内のデータベースに蓄積する。サーバ４００は、定期的に、データベースに蓄積された教師データを、医療施設側のホストコンピュータ３００に送信する。ホストコンピュータ３００は、受信した教師データを各嚥下診断装置１００に提供する。こうして、各嚥下診断装置１００に記憶された教師データが更新される。これにより、第２嚥下判定部１１６ｃによる嚥下障害の判定精度が高められる。

＜実施形態の効果＞
本実施形態に係る嚥下診断装置１００によれば、個人の特性（癖など）が年齢や疾病により修飾された結果として生じ得る誤嚥のリスクが第１嚥下判定部１１６ｂにより判定され、また、第２嚥下判定部１１６ｃによって嚥下障害の可能性が判定される。そして、これら判定結果が、表示部１１１に表示されて、医師等の使用者に提示される。これにより、医師等の使用者は、これら判定結果を参照することにより、患者における誤嚥のリスクを多面的かつ総合的に判断でき、より適切に、患者における誤嚥のリスクを診断することができる。

第１嚥下判定部１１６ｂによる判定は、上記のように、個人の特性（癖など）が年齢や疾病により修飾された結果で生じるものであるが、パーキンソン病では誤嚥リスク因子であり、また、最近の発明者らの研究では、ＣＯＰＤ（慢性閉塞性肺疾患）増悪の優れた関連因子であることが明らかになっている。したがって、第２嚥下判定部１１６ｃにおいて嚥下障害の可能性があるとの判定がなされない場合であっても、第１嚥下判定部１１６ｂにおいて誤嚥リスクありと判定された場合は、当該患者の状態によって対策を講じる必要がある。

逆に、第１嚥下判定部１１６ｂにおける判定は個人の特性が根底にあるため、第１嚥下判定部１１６ｂにおいて誤嚥リスクなしと判定されたとしても、第２嚥下判定部１１６ｃにおいて嚥下障害の可能性ありとなるケースも当然出てくる。その場合も、当該患者の状態によって対策を講じる必要がある。

このように、第１嚥下判定部１１６ｂにおける判定結果と、第２嚥下判定部１１６ｃにおける判定結果は、双方とも独立して嚥下状態の判定に有意義であり、かつ、相補的に働くものである。このため、医師等の使用者は、これら判定結果を、図２３（ａ）に示す表示画面２００において、逐次同時に参照することにより、患者における誤嚥のリスクを多面的かつ総合的に判断でき、より適切に、患者に対策を講じることができる。

また、本実施形態に係る嚥下診断装置１００によれば、嚥下推定のために取得した呼吸圧データ、生体音データおよび喉頭変位データを用いて、第１嚥下判定部１１６ｂにおける判定と第２嚥下判定部１１６ｃにおける判定が行われるため、これらの判定において患者から別途データを取得せずともよい。よって、嚥下診断装置１００の構成を簡素にでき、また、これら判定における処理負荷を軽減できる。

また、本実施形態に係る嚥下診断装置１００によれば、生体音データに基づくＬＰＣスペクトルを特徴パラメータとして含んでいるため、上記検証２で示したとおり、第２嚥下判定部１１６ｃにおける嚥下障害の可能性の判定精度を高め得る。

また、本実施形態に係る嚥下診断装置１００によれば、生体音データとともに呼吸圧データに基づくＬＰＣスペクトルを特徴パラメータとして含んでいるため、上記検証２で示したとおり、第２嚥下判定部１１６ｃにおける嚥下障害の可能性の判定精度をさらに高め得る。

また、本実施形態に係る嚥下診断装置１００によれば、生体音データ、呼吸圧データおよび喉頭変位データに基づくＬＰＣスペクトルの組み合わせを特徴パラメータとして用いるため、上記検証３で示したとおり、第２嚥下判定部１１６ｃにおける嚥下障害の可能性の判定精度をより一層高め得る。

また、本実施形態に係る嚥下診断装置１００によれば、ＬＰＣスペクトルを特徴パラメータとして用いるため、上記検証１で示したとおり、第２嚥下判定部１１６ｃにおける嚥下障害の可能性の判定精度を高め得る。

また、本実施形態に係る嚥下診断装置１００によれば、時系列によるＬＰＣスペクトルを特徴パラメータとして用いるため、上記検証２で示したとおり、第２嚥下判定部１１６ｃにおける嚥下障害の可能性の判定精度をさらに高め得る。

なお、上記検証１で示したとおり、ＬＰＣスペクトルに代えてＬＰＣ係数を特徴パラメータとして用いる場合も、第２嚥下判定部１１６ｃにおける嚥下障害の可能性の判定精度を高め得る。

＜変更例＞
上記実施形態では、端末装置１１０において、第１嚥下判定部１１６ｂにおける判定と第２嚥下判定部１１６ｃにおける判定が実行されたが、たとえば、図２５に示すように、端末装置１１０にタブレットコンピュータ等の外部コンピュータ１４０を接続し、外部コンピュータ１４０において、第１嚥下判定部１１６ｂにおける判定と第２嚥下判定部１１６ｃにおける判定がなされてもよい。

この場合、端末装置１１０は、患者から取得した呼吸圧データ、生体音データおよび喉頭変位データに基づいて嚥下推定処理を実行し、嚥下がなされたと推定した場合に、嚥下音発生区間を含む抽出区間において抽出した呼吸圧データ、生体音データおよび喉頭変位データを、外部コンピュータ１４０に送信する。外部コンピュータ１４０は、受信したデータに基づいて、第１嚥下判定部１１６ｂにおける判定と第２嚥下判定部１１６ｃにおける判定を実行し、その判定結果を、自身の表示部１４０ａに表示する。

この変更例によっても、上記実施形態と同様の効果が奏され得る。この変更例では、端末装置１１０と、鼻カニューレ１２０と、検出部１３０と、外部コンピュータ１４０とによって、嚥下診断装置１００が構成される。

なお、第１嚥下判定部１１６ｂおよび第２嚥下判定部１１６ｃの機能とともに、嚥下推定部１１６ａの機能も、外部コンピュータ１４０に持たせてもよい。この場合、端末装置１１０は、患者から取得した呼吸圧データ、生体音データおよび喉頭変位データを、継続的に、外部コンピュータ１４０に送信し、外部コンピュータ１４０が、図５（ｂ）〜図７の嚥下診断処理を実行する。

また、上記実施形態では、呼吸圧データ、生体音データおよび喉頭変位データに基づく特徴パラメータ値の組み合わせを用いて、第２嚥下判定部１１６ｃにおける判定がなされたが、第２嚥下判定部１１６ｃにおける判定に用いる特徴パラメータ値は、必ずしもこれに限られるものではない。たとえば、呼吸圧データ、生体音データおよび喉頭変位データに基づく特徴パラメータ値のうち、呼吸圧データおよび生体音データに基づく特徴パラメータ値の組み合わせを用いて、第２嚥下判定部１１６ｃにおける判定がなされてもよく、他の特徴パラメータ値の組み合わせを用いて第２嚥下判定部１１６ｃにおける判定がなされてもよい。あるいは、呼吸圧データ、生体音データおよび喉頭変位データに基づく特徴パラメータ値の何れか１つを用いて、第２嚥下判定部１１６ｃにおける判定がなされてもよい。

ただし、上記検証２で示したとおり、生体音データに基づく特徴パラメータ値を用いることにより第２嚥下判定部１１６ｃにおける判定精度が最も高まるため、第２嚥下判定部１１６ｃにおける判定においては、生体音データに基づく特徴パラメータ値を優先的に用いることが好ましい。また、呼吸圧データに基づく特徴パラメータ値を用いることにより第２嚥下判定部１１６ｃにおける判定精度が次に高まるため、第２嚥下判定部１１６ｃにおける判定において特徴パラメータ値の組み合わせを用いる場合は、生体音データに基づく特徴パラメータ値と呼吸圧データに基づく特徴パラメータ値の組み合わせを用いることが好ましい。

また、上記実施形態では、呼吸の検出に鼻カニューレ１２０を用いたが、鼻カニューレ１２０以外の呼吸検出手段を用いてもよい。たとえば、胸囲の拡張および収縮を検出可能な検出バンドを用いて、患者の呼吸を検出してもよい。

また、上記実施形態では、呼吸圧データ、生体音データおよび喉頭変位データをリアルタイムで処理して、嚥下推定部１１６ａによる推定と、第１嚥下判定部１１６ｂおよび第２嚥下判定部１１６ｃによる判定を実行したが、嚥下診断時には、呼吸圧データ、生体音データおよび喉頭変位データを記憶部１１７に記憶し、診断後に、医師等からの指示入力により、嚥下推定部１１６ａ、第１嚥下判定部１１６ｂおよび第２嚥下判定部１１６ｃが、記憶部１１７から呼吸圧データ、生体音データおよび喉頭変位データを読み出して、嚥下の推定と、誤嚥のリスクおよび嚥下障害の可能性を判定してもよい。

この他、第１嚥下判定部１１６ｂおよび第２嚥下判定部１１６ｃによる判定結果の表示画面も、図２３（ａ）の構成に限られるものではなく、適宜、他の画面構成が用いられてもよい。

本発明にかかる嚥下診断装置は、優れた嚥下診断機能を有しており、医療機器の分野において利用可能なものである。

１００ 嚥下診断装置
１１１ 表示部
１１４ 圧力センサ（呼吸検出部）
１２０ 鼻カニューレ（呼吸検出部）
１３１ａ 音センサ（音検出部）
１３１ｂ 変位センサ（変位検出部）
１１６ａ 嚥下推定部
１１６ｂ 第１嚥下判定部
１１６ｃ 第２嚥下判定部
１１６ｄ 表示制御部

Claims (19)

1. 喉頭部の音を検出する音検出部と、
   呼吸を検出する呼吸検出部と、
   前記音検出部から出力される音情報において嚥下の推定条件を満たす特徴量を取得した生体音発生区間と、前記呼吸検出部から出力される呼吸情報において所定時間以上呼吸を検出しなかった無呼吸区間とが互いに符合することに基づいて、嚥下が生じたと推定する嚥下推定部と、
   前記嚥下推定部により嚥下が生じたと推定された期間の前後の呼吸相を前記呼吸情報から検出し、検出した呼吸相に基づいて当該嚥下に誤嚥のリスクがあるか否かを判定する第１嚥下判定部と、
   前記嚥下推定部により嚥下が生じたと推定された期間を含む所定の期間において前記音情報および前記呼吸情報の少なくとも一方を含む参照情報を抽出し、抽出した前記参照情報から特徴量を取得し、取得した前記特徴量に機械学習処理を実行して当該嚥下に嚥下障害の可能性があるか否かを判定する第２嚥下判定部と、
   前記嚥下推定部により嚥下が生じたと推定された同一の期間について、前記第１嚥下判定部により取得された判定結果と前記第２嚥下判定部により取得された判定結果とを対照可能に表示部に表示させる表示制御部と、を備える、
   ことを特徴とする嚥下診断装置。
2. 前記第２嚥下判定部は、前記参照情報として前記音情報を抽出し、抽出した前記音情報から前記特徴量を取得し、取得した前記特徴量に機械学習処理を実行して当該嚥下に嚥下障害の可能性があるか否かを判定する、
   ことを特徴とする請求項１に記載の嚥下診断装置。
3. 前記第２嚥下判定部は、さらに、前記参照情報として前記呼吸情報を抽出し、抽出した前記呼吸情報から特徴量を取得し、前記呼吸情報から取得した前記特徴量と前記音情報から取得した特徴量とに機械学習処理を実行して当該嚥下に嚥下障害の可能性があるか否かを判定する、
   ことを特徴とする請求項２に記載の嚥下診断装置。
4. 喉頭部の変位を検出する変位検出部をさらに備え、
   前記第２嚥下判定部は、さらに、嚥下が生じたと推定された前記期間を含む前記所定の期間において前記変位検出部から出力される変位情報を前記参照情報として抽出し、抽出した前記変位情報から特徴量を取得し、前記変位情報から取得した前記特徴量と、前記音情報および前記呼吸情報からそれぞれ取得した特徴量とに機械学習処理を実行して当該嚥下に嚥下障害の可能性があるか否かを判定する、
   ことを特徴とする請求項３に記載の嚥下診断装置。
5. 前記嚥下推定部は、前記生体音発生区間と前記無呼吸区間とが符号し、且つ、前記生体音発生区間において前記変位情報の振幅が所定の閾値を超える場合に、嚥下が生じたと推定する、
   ことを特徴とする請求項４に記載の嚥下診断装置。
6. 前記第２嚥下判定部は、前記参照情報をフーリエ変換して周波数スペクトルを取得し、取得した周波数スペクトルに線形予測分析を適用してスペクトル包絡を求め、求めたスペクトル包絡を所定周波数間隔でサンプリングして、前記特徴量を取得する、
   ことを特徴とする請求項１ないし５の何れか一項に記載の嚥下診断装置。
7. 前記第２嚥下判定部は、前記周波数スペクトルを所定の周波数帯ごとに分割し、前記周波数帯ごとに線形予測分析を適用してスペクトル包絡を求め、求めた各周波数帯のスペクトル包絡を所定周波数間隔でサンプリングして、前記特徴量を取得する、
   ことを特徴とする請求項６に記載の嚥下診断装置。
8. 前記第２嚥下判定部は、前記参照情報をフーリエ変換して周波数スペクトルを取得し、取得した周波数スペクトルに線形予測分析を適用して線形予測分析における各次数の係数を取得し、取得した係数群を前記特徴量として取得する、
   ことを特徴とする請求項１ないし５の何れか一項に記載の嚥下診断装置。
9. 前記機械学習処理は、サポートベクターマシンである、
   ことを特徴とする請求項１ないし８の何れか一項に記載の嚥下診断装置。
10. 喉頭部の音を検出する音検出部と、
    呼吸を検出する呼吸検出部と、
    前記音検出部から出力される音情報において嚥下の推定条件を満たす特徴量を取得した生体音発生区間と、前記呼吸検出部から出力される呼吸情報において所定時間以上呼吸を検出しなかった無呼吸区間とが互いに符合することに基づいて、嚥下が生じたと推定する嚥下推定部と、
    前記嚥下推定部により嚥下が生じたと推定された期間を含む所定の期間において前記音情報および前記呼吸情報の少なくとも一方を含む参照情報を抽出し、抽出した前記参照情報をフーリエ変換して周波数スペクトルを取得し、取得した周波数スペクトルに線形予測分析を適用してスペクトル包絡を求め、求めたスペクトル包絡を所定周波数間隔でサンプリングして特徴量を取得し、取得した前記特徴量に機械学習処理を実行して当該嚥下に嚥下障害の可能性があるか否かを判定する嚥下判定部と、を備える、
    ことを特徴とする嚥下診断装置。
11. 喉頭部の音を検出する音検出部と、呼吸を検出する呼吸検出部と、を備える嚥下診断装置のコンピュータに、
    前記音検出部から出力される音情報において嚥下の推定条件を満たす特徴量を取得した生体音発生区間と、前記呼吸検出部から出力される呼吸情報において所定時間以上呼吸を検出しなかった無呼吸区間とが互いに符合することに基づいて、嚥下が生じたと推定する嚥下推定機能と、
    前記嚥下推定機能により嚥下が生じたと推定された期間の前後の呼吸相を前記呼吸情報から検出し、検出した呼吸相に基づいて当該嚥下に誤嚥のリスクがあるか否かを判定する第１嚥下判定機能と、
    前記嚥下推定機能により嚥下が生じたと推定された期間を含む所定の期間において前記音情報および前記呼吸情報の少なくとも一方を含む参照情報を抽出し、抽出した前記参照情報から特徴量を取得し、取得した前記特徴量に機械学習処理を実行して当該嚥下に嚥下障害の可能性があるか否かを判定する第２嚥下判定機能と、
    前記嚥下推定機能により嚥下が生じたと推定された同一の期間について、前記第１嚥下判定機能により取得された判定結果と前記第２嚥下判定機能により取得された判定結果とを対照可能に表示部に表示させる表示制御機能と、を実行させる、プログラム。
12. 前記第２嚥下判定機能は、前記参照情報として前記音情報を抽出し、抽出した前記音情報から前記特徴量を取得し、取得した前記特徴量に機械学習処理を実行して当該嚥下に嚥下障害の可能性があるか否かを判定する、請求項１１に記載のプログラム。
13. 前記第２嚥下判定機能は、さらに、前記参照情報として前記呼吸情報を抽出し、抽出した前記呼吸情報から特徴量を取得し、前記呼吸情報から取得した前記特徴量と前記音情報から取得した特徴量とに機械学習処理を実行して当該嚥下に嚥下障害の可能性があるか否かを判定する、請求項１２に記載のプログラム。
14. 前記嚥下診断装置は、喉頭部の変位を検出する変位検出部をさらに備え、
    前記第２嚥下判定機能は、さらに、嚥下が生じたと推定された前記期間を含む前記所定の期間において前記変位検出部から出力される変位情報を前記参照情報として抽出し、抽出した前記変位情報から特徴量を取得し、前記変位情報から取得した前記特徴量と、前記音情報および前記呼吸情報からそれぞれ取得した特徴量とに機械学習処理を実行して当該嚥下に嚥下障害の可能性があるか否かを判定する、請求項１３に記載のプログラム。
15. 前記嚥下推定機能は、前記生体音発生区間と前記無呼吸区間とが符号し、且つ、前記生体音発生区間において前記変位情報の振幅が所定の閾値を超える場合に、嚥下が生じたと推定する、請求項１４に記載のプログラム。
16. 前記第２嚥下判定機能は、前記参照情報をフーリエ変換して周波数スペクトルを取得し、取得した周波数スペクトルに線形予測分析を適用してスペクトル包絡を求め、求めたスペクトル包絡を所定周波数間隔でサンプリングして、前記特徴量を取得する、請求項１１ないし１５の何れか一項に記載のプログラム。
17. 前記第２嚥下判定機能は、前記周波数スペクトルを所定の周波数帯ごとに分割し、前記周波数帯ごとに線形予測分析を適用してスペクトル包絡を求め、求めた各周波数帯のスペクトル包絡を所定周波数間隔でサンプリングして、前記特徴量を取得する、請求項１６に記載のプログラム。
18. 前記第２嚥下判定機能は、前記参照情報をフーリエ変換して周波数スペクトルを取得し、取得した周波数スペクトルに線形予測分析を適用して線形予測分析における各次数の係数を取得し、取得した係数群を前記特徴量として取得する、請求項１１ないし１５の何れか一項に記載のプログラム。
19. 前記機械学習処理は、サポートベクターマシンである、
    ことを特徴とする請求項１１ないし１８の何れか一項に記載のプログラム。