JP6767318B2 - 心拍間隔モデリング装置、および異常状態判定方法 - Google Patents
心拍間隔モデリング装置、および異常状態判定方法 Download PDFInfo
- Publication number
- JP6767318B2 JP6767318B2 JP2017134829A JP2017134829A JP6767318B2 JP 6767318 B2 JP6767318 B2 JP 6767318B2 JP 2017134829 A JP2017134829 A JP 2017134829A JP 2017134829 A JP2017134829 A JP 2017134829A JP 6767318 B2 JP6767318 B2 JP 6767318B2
- Authority
- JP
- Japan
- Prior art keywords
- series data
- time series
- acquisition unit
- unit
- heart rate
- 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
- 238000000034 method Methods 0.000 title claims description 16
- 230000002159 abnormal effect Effects 0.000 title claims description 13
- 238000013461 design Methods 0.000 claims description 65
- 230000005856 abnormality Effects 0.000 claims description 34
- 238000010276 construction Methods 0.000 claims description 23
- 230000008859 change Effects 0.000 claims description 19
- 230000007704 transition Effects 0.000 claims description 13
- 238000005259 measurement Methods 0.000 description 35
- 238000009826 distribution Methods 0.000 description 23
- 230000006399 behavior Effects 0.000 description 12
- 230000001133 acceleration Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 230000000747 cardiac effect Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000009471 action Effects 0.000 description 4
- 230000000295 complement effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000003542 behavioural effect Effects 0.000 description 3
- 230000001932 seasonal effect Effects 0.000 description 3
- 230000017531 blood circulation Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 230000000284 resting effect Effects 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 206010049765 Bradyarrhythmia Diseases 0.000 description 1
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 206010049447 Tachyarrhythmia Diseases 0.000 description 1
- 208000001871 Tachycardia Diseases 0.000 description 1
- 206010043268 Tension Diseases 0.000 description 1
- 206010003119 arrhythmia Diseases 0.000 description 1
- 230000006793 arrhythmia Effects 0.000 description 1
- 230000002567 autonomic effect Effects 0.000 description 1
- 210000003403 autonomic nervous system Anatomy 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 208000006218 bradycardia Diseases 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000027288 circadian rhythm Effects 0.000 description 1
- 230000004087 circulation Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000010494 dissociation reaction Methods 0.000 description 1
- 230000005593 dissociations Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000010247 heart contraction Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- WABPQHHGFIMREM-UHFFFAOYSA-N lead(0) Chemical compound [Pb] WABPQHHGFIMREM-UHFFFAOYSA-N 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000002969 morbid Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002040 relaxant effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000002618 waking effect Effects 0.000 description 1
Images
Landscapes
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Description
本発明は、心拍間隔モデリング装置、および異常状態判定方法に関する。
心臓の心拍数（ＨＲ；Heart Rate）や心拍間隔（Ｒ−Ｒ間隔）は、血液循環の状態や精神的緊張度などの様々な要因によって変動する生体信号である。心拍数や心拍間隔などの時系列データの解析は、不整脈などの疾病の診断や、自律神経機能の評価、および健康状態や体調の管理など、様々な用途で行われている（例えば、非特許文献１）。また、心拍数や心拍間隔などの生体信号の計測は、生体電極（例えば、非特許文献２）や光学的センサなどの計測器を用いて行われる。
中川千鶴、"特集３ 人間工学のための計測手法 第４部：生体電気現象その他の計測と解析（５）−自律神経系指標の計測と解析−"、人間工学、Vol.52 No.1、pp.6-12、2016
小笠原隆行、小野一善、松浦伸昭、山口真澄、渡邊淳司、塚田信吾、"ウェアラブル電極インナー技術の応用展開"、ＮＴＴ技術ジャーナル、pp.16-20、2014.11
心拍数および心拍間隔の平均値や経時変化のパターンは、年齢、性別、体型、生活習慣（運動など）、人種、季節、および時刻などの環境的な要因によって異なる。そのため、計測された心拍数や心拍間隔の値が正常な値であるか否かを、一定の閾値に基づいて判定することは困難である。よって、心拍数や心拍間隔の正常性について適切な判定を行うための技術が求められている。
また、心拍数や心拍間隔などの生体信号の計測においては、計測器と体とが密着した状態で安定に保たれている必要があるが、体動、センサの振動、またはセンサの浮き上がりなどによって、安定に保たれないことがある。このような場合、生体信号の歪み、雑音、およびデータの欠損などが生じ、計測された心拍数や心拍間隔の値が正常な値であるか否か（正常性）を正確に判定することができないことが問題となっている。
本発明は上記のような事情に鑑みてなされたもので、心拍の状態についての正常性の判定をより適切に行うことができる心拍間隔モデリング装置、および異常状態判定方法を提供することを目的とする。
（１）本発明の一態様は、心拍間隔時系列データを取得する時系列データ取得部と、心拍間隔の真の値との誤差の要因を示す成分ごとのパラメータと推定範囲を示す情報とを取得するモデル設計情報取得部と、前記時系列データ取得部によって取得された前記心拍間隔時系列データを用いて、前記モデル設計情報取得部によって取得された前記成分ごとのパラメータに基づいて状態空間モデルを構築するモデル構築部と、前記モデル構築部によって構築された前記状態空間モデルにおいて、前記モデル設計情報取得部によって取得された前記推定範囲における心拍間隔時系列データの将来の値を予測する推定部と、を備える心拍間隔モデリング装置である。
（２）本発明の一態様は、上記の心拍間隔モデリング装置であって、心拍間隔時系列データを取得する時系列データ取得部と、心拍間隔の真の値との誤差の要因を示す成分ごとのパラメータと推定範囲を示す情報とを取得するモデル設計情報取得部と、前記時系列データ取得部によって取得された前記心拍間隔時系列データを用いて、前記モデル設計情報取得部によって取得された前記成分ごとのパラメータに基づいて状態空間モデルを構築するモデル構築部と、前記モデル構築部によって構築された前記状態空間モデルにおいて、前記モデル設計情報取得部によって取得された前記推定範囲における心拍間隔時系列データの真の値を推定する推定部と、を備える。
（３）本発明の一態様は、上記の心拍間隔モデリング装置であって、心拍間隔時系列データを取得する時系列データ取得部と、心拍間隔の真の値との誤差の要因を示す成分ごとのパラメータと推定範囲を示す情報とを取得するモデル設計情報取得部と、前記時系列データ取得部によって取得された前記心拍間隔時系列データを用いて、前記モデル設計情報取得部によって取得された前記成分ごとのパラメータに基づいて状態空間モデルを構築するモデル構築部と、前記モデル構築部によって構築された前記状態空間モデルにおいて、前記モデル設計情報取得部によって取得された前記推定範囲における心拍間隔時系列データの欠損値を補完する推定部と、を備える。
（４）本発明の一態様は、上記の心拍間隔モデリング装置であって、前記モデル設計情報取得部は、状態数を示すパラメータを取得し、前記モデル構築部は、前記モデル設計情報取得部によって取得された前記状態数のパラメータに基づいて、潜在的な状態の遷移を加味した状態空間モデルを構築する。
（５）本発明の一態様は、上記の心拍間隔モデリング装置であって、上記の心拍間隔モデリング装置であって、前記推定部は、前記モデル構築部によって構築された前記状態空間モデルにおいて、前記モデル設計情報取得部によって取得された前記推定範囲において遷移する潜在的な状態系列を推定する。
（６）本発明の一態様は、上記の心拍間隔モデリング装置であって、前記モデル設計情報取得部は、異常判定閾値を取得し、前記時系列データ取得部によって取得された前記心拍間隔時系列データと、前記推定部によって予測された前記心拍間隔時系列データの将来の値の推定結果、前記推定部によって推定された前記心拍間隔時系列データの真の値の推定結果、または、前記推定部によって推定された潜在的な状態系列の推定結果と、を比較して、当該推定結果が心拍間隔の異常状態を示しているか否かを前記モデル設計情報取得部によって取得された前記異常判定閾値に基づいて判定する異常判定部、を備える。
（７）本発明の一態様は、上記の心拍間隔モデリング装置であって、前記時系列データ取得部は、心拍間隔とともに計測される、行動を表す時系列データを取得し、前記モデル構築部は、前記時系列データ取得部によって取得された前記行動を表す時系列データに基づいて前記状態空間モデルを構築する。
（８）本発明の一態様は、心拍間隔時系列データを取得する時系列データ取得ステップと、心拍間隔の真の値との誤差の要因を示す成分ごとのパラメータと推定範囲を示す情報とを取得するモデル設計情報取得ステップと、前記時系列データ取得ステップにおいて取得された前記心拍間隔時系列データを用いて、前記モデル設計情報取得ステップにおいて取得された前記成分ごとのパラメータに基づいて状態空間モデルを構築するモデル構築ステップと、前記モデル構築ステップにおいて構築された前記状態空間モデルにおいて、前記モデル設計情報取得ステップにおいて取得された前記推定範囲における心拍間隔時系列データの将来の値を予測する推定ステップと、異常判定閾値を取得し、前記時系列データ取得ステップにおいて取得された前記心拍間隔時系列データと、前記推定ステップにおいて予測された前記心拍間隔時系列データの将来の値の推定結果、前記推定ステップにおいて推定された前記心拍間隔時系列データの真の値の推定結果、または、前記推定ステップにおいて推定された潜在的な状態系列の推定結果と、を比較して、当該推定結果が心拍間隔の異常状態を示しているか否かを前記異常判定閾値に基づいて判定する異常判定ステップと、を有する異常状態判定方法である。
本発明によれば、心拍の状態についての正常性の判定を行うことができる。
＜実施形態＞
以下、本発明の実施形態について説明する。
本発明の心拍間隔モデリング装置１は、少なくとも計測対象者の心拍間隔の計測値の時系列データ（以下、「心拍間隔時系列データ」と称する）に基づいて、状態空間モデルを構築する。この状態空間モデルを用いることによって、心拍間隔モデリング装置１は、心拍間隔時系列データの将来の値の予測、心拍間隔時系列データの真の値の推定、心拍間隔時系列データの欠損値の補完、および潜在的な状態系列の推定を行うことができる。さらに、心拍間隔モデリング装置１は、推定した値や状態系列を確率として表し、当該確率が、心拍間隔の正常性を判定するための閾値としてあらかじめ与えられた確率を下回った場合に心拍間隔が異常であると判定する。これにより、心拍間隔モデリング装置１は、心拍の状態についての正常性の判定を行うことができる。以下、心拍間隔モデリング装置１によって行われる、心拍間隔のモデリングおよび正常性の判定処理について、さらに詳細に説明する。
以下、本発明の実施形態について説明する。
本発明の心拍間隔モデリング装置１は、少なくとも計測対象者の心拍間隔の計測値の時系列データ（以下、「心拍間隔時系列データ」と称する）に基づいて、状態空間モデルを構築する。この状態空間モデルを用いることによって、心拍間隔モデリング装置１は、心拍間隔時系列データの将来の値の予測、心拍間隔時系列データの真の値の推定、心拍間隔時系列データの欠損値の補完、および潜在的な状態系列の推定を行うことができる。さらに、心拍間隔モデリング装置１は、推定した値や状態系列を確率として表し、当該確率が、心拍間隔の正常性を判定するための閾値としてあらかじめ与えられた確率を下回った場合に心拍間隔が異常であると判定する。これにより、心拍間隔モデリング装置１は、心拍の状態についての正常性の判定を行うことができる。以下、心拍間隔モデリング装置１によって行われる、心拍間隔のモデリングおよび正常性の判定処理について、さらに詳細に説明する。
［時系列データの構成］
以下、心拍間隔モデリング装置１が取得する時系列データの構成について、図面を参照しながら説明する。
図１は、本発明の一実施形態に係る心拍間隔モデリング装置１が取得する時系列データの構成の一例を示す図である。図示するように、時系列データは、「時間」、「カウンター」、「電池残量目安」、「イベント」、「Ｌｅａｄ状態」、「心拍間隔変化」、「心拍間隔」、「心電波１」、「心電波２」、「心電波３」、「心電波４」、「心電波５」、「心電波６」、「心電波７」、「心電波８」、「温度」、「加速度ｘ軸」、「加速度ｙ軸」、「加速度ｚ軸」、および「心拍数」の２０個の項目の列からなる２次元の表形式のデータである。
以下、心拍間隔モデリング装置１が取得する時系列データの構成について、図面を参照しながら説明する。
図１は、本発明の一実施形態に係る心拍間隔モデリング装置１が取得する時系列データの構成の一例を示す図である。図示するように、時系列データは、「時間」、「カウンター」、「電池残量目安」、「イベント」、「Ｌｅａｄ状態」、「心拍間隔変化」、「心拍間隔」、「心電波１」、「心電波２」、「心電波３」、「心電波４」、「心電波５」、「心電波６」、「心電波７」、「心電波８」、「温度」、「加速度ｘ軸」、「加速度ｙ軸」、「加速度ｚ軸」、および「心拍数」の２０個の項目の列からなる２次元の表形式のデータである。
これらの２０項目のうち、「心拍間隔変化」、「心拍間隔」、「心電波１」、「心電波２」、「心電波３」、「心電波４」、「心電波５」、「心電波６」、「心電波７」、「心電波８」、「心拍数」の１１項目が、心拍間隔時系列データである。
なお、図２は、一般的な心拍間隔の一例を示す図である。「心拍間隔」は、この図２に示すように、体表面から検出される電位（電圧の差）が変動する周期を計測することによって得られる計測値である。
なお、図２は、一般的な心拍間隔の一例を示す図である。「心拍間隔」は、この図２に示すように、体表面から検出される電位（電圧の差）が変動する周期を計測することによって得られる計測値である。
再び図１に戻って説明する。
図１に図示する時系列データに含まれる２０項目のうち、「温度」、「加速度ｘ軸」、「加速度ｙ軸」、「加速度ｚ軸」の４つの項目は、計測対象者の周辺環境や行動を表す時系列データ（以下、「行動を表す時系列データ」と総称する）である。
図１に図示する時系列データに含まれる２０項目のうち、「温度」、「加速度ｘ軸」、「加速度ｙ軸」、「加速度ｚ軸」の４つの項目は、計測対象者の周辺環境や行動を表す時系列データ（以下、「行動を表す時系列データ」と総称する）である。
なお、本実施形態に係る心拍間隔モデリング装置１が用いる時系列データに含まれる項目は、図１に示した時系列データに含まれる項目に限られるものではなく、その他、「筋電」、「血圧」、「血流」、および「血糖値」などの計測対象者の行動時の体の状態を表すデータや、「湿度」および「照度」などの計測対象者の行動時の周辺環境を表すデータが含まれていてもよい。
また、図１に図示する時系列データに含まれる２０項目のうち、「時間」、「カウンター」、「電池残量目安」、「イベント」、および「Ｌｅａｄ状態」の５つの項目は、計測に関するその他の情報を表すデータである。例えば、「Ｌｅａｄ状態」は、計測器の電極リード線の状態を表す。
［状態空間モデルの構成］
以下、本実施形態に係る心拍間隔モデリング装置１が構築する状態空間モデルについて、図面を参照しながら説明する。
図３は、本発明の一実施形態に係る心拍間隔モデリング装置１が構築する状態空間モデルの一例を示す図である。
以下、本実施形態に係る心拍間隔モデリング装置１が構築する状態空間モデルについて、図面を参照しながら説明する。
図３は、本発明の一実施形態に係る心拍間隔モデリング装置１が構築する状態空間モデルの一例を示す図である。
図示するように、図３には２つのグラフが含まれているが、図の左側のグラフの横軸は時間を、縦軸は心拍間隔の長さを表している。心拍間隔の計測値は時間とともに小刻みに変動しているが、例えば、図３の左側の図においては、心拍間隔の傾向を、大局的に４つの状態に分類することができる。以下、このような心拍間隔の大局的な傾向を示す潜在的な状態を「潜在状態」と称する。図示するように、図３に示す例においては、心拍間隔の大局的な傾向が、「睡眠状態」、「静止状態」、「静止＋緊張状態」、および「運動状態」の４つの潜在状態に分類されている。
また、図３の右側のグラフは、潜在状態ごとの心拍間隔の計測値の分布を表している。この図３の右側のグラフも左側のグラフと同様に、縦軸は心拍間隔の長さを表している。また、横軸は、心拍間隔の計測値の出現頻度を表している。図示するように、図３の右側のグラフは、各潜在状態における心拍間隔の平均的な長さが、「睡眠状態」、「静止状態」、「静止＋緊張状態」、「運動状態」の順に長い傾向であることを示している。
また、図３の右側のグラフは、各潜在状態における心拍間隔の分布において、互いに重なりが存在していることを示している。そのため、心拍間隔の単一の計測値のみでは、心拍間隔の状態がどの潜在状態にあるかを一意に判別することはできない。なお、本発明では、上記のように重なりが存在する心拍間隔の分布を分離して状態空間モデルを構築する必要があるため、このような潜在状態という概念を導入している。
状態空間モデルは、観測ベクトルｙおよび状態ベクトルｘから構成される。観測ベクトルｙは、直接観測することができる変数である。一方、状態ベクトルｘは、観測されない潜在状態と成分とから構成される変数である。なお、ここでいう「成分」とは、心拍間隔の計測における、心拍間隔の真の値との誤差の要因となる環境や現象のことをいう。心拍間隔の真の値との誤差の要因となる環境や現象とは、例えば、計測対象者や計測環境の多様性や、生体信号の歪み、雑音などのことをいう。また、ここでいう「真の値」とは、計測環境の多様性や、生体信号の歪み、雑音などの、心拍間隔の計測において生じるノイズを取り除いた、身体から生じる変動成分のことをいう。
本実施形態に係る心拍間隔モデリング装置１においては、観測ベクトルｙは、心拍間隔の計測値である。また、状態ベクトルｘは、ｎ個の潜在状態ｚｉ（ｉ＝０，１，…，ｎ−１）によって構成される。また、潜在状態ｚｉは、トレンド成分Ｔｉ、自己回帰成分Ｃｉ、季節変動成分Ｓｉ、および、加速度から構成される行動成分Ａｉの４つの成分によって構成される。すなわち、潜在状態ｚｉは以下の式（１）で表される。
ｚｉ，ｔ＝Ｔｉ，ｔ＋Ｃｉ，ｔ＋Ｓｉ，ｔ＋Ａｉ，ｔ ・・・式（１）
本実施形態に係る心拍間隔モデリング装置１においては、潜在状態間の遷移（例えば、ｚｉからｚｊへの遷移（ｊ＝０，１，・・・，ｎ−１））にはマルコフ性があると仮定される。すなわち、以下の式（２）のように、潜在状態ｚｉが、前期の状態に応じて確率的に潜在状態ｚｊへ遷移するものと仮定される。
ｑｉ，ｊ＝ｑ（Ｚｔ＝ｊ｜Ｚｔ−１＝ｉ） ・・・式（２）
観測ベクトルｙｔは、時刻ｔのとき状態がｚｉである確率をｕｔとしたとき、以下の式（３）で表される。
ｙｔ＝Σ＿｛ｋ＝０｝＾｛ｎ−１｝ｕｔｚｉ，ｔ ・・・式（３）
潜在状態ｚｉの時刻ｔの２次のトレンド成分Ｔｉ，ｔは、以下の式（４）で表される。
Ｔｉ，ｔ＝２Ｔｔ−１−Ｔｔ−２＋ωｉ，ｔ，０ ・・・式（４）
潜在状態ｚｉの時刻ｔの３次自己回帰成分Ｃｉ，ｔは、以下の式（５）で表される。
Ｃｉ，ｔ＝Σ＿｛ｋ＝１｝＾｛３｝αｋＣｉ，ｔ−ｋ＋ωｉ，ｔ，１ ・・・式（５）
潜在状態ｚｉの時刻ｔの、時間Ｔ周期の季節変動成分Ｓｉ，ｔは、以下の式（６）で表される。なお、Ｔは概日リズムであれば２４時間を設定する。
Ｓｉ，ｔ＝−Σ＿｛ｋ＝１｝＾｛Ｔ−１｝｝Ｓｔ−１＋ωｉ，ｔ，２ ・・・式（６）
潜在状態ｚｉの時刻ｔの３軸加速度（ａｘ，ａｙ，ａｚ）から構成される行動成分Ａｉは、以下の式（７）で表される。
Ａｉ，ｔ＝βｘａｘ＋βｙａｙ＋βｚａｚ＋ωｉ，ｔ，３ ・・・式（７）
ここで、ωｉ，ｔ，ｊ（ｊ＝０，１，２，３）は各成分のシステムノイズを表す。システムノイズは、コーシー分布、正規分布、ガンマ分布、もしくはｔ分布のいずれかによってモデル化される。
以下、潜在状態ごとの心拍間隔の傾向のモデル化に適した分布の一例を示す。
図４は、本実施形態に係る心拍間隔モデリング装置１による潜在状態ごとの心拍間隔の傾向のモデル化を説明するための図である。図示するように、図４に示すグラフの縦軸は心拍間隔の長さを表し、横軸は時間を表す。
図４は、本実施形態に係る心拍間隔モデリング装置１による潜在状態ごとの心拍間隔の傾向のモデル化を説明するための図である。図示するように、図４に示すグラフの縦軸は心拍間隔の長さを表し、横軸は時間を表す。
図４は、心拍間隔の計測対象者の行動が変化し、当該変化に伴って心拍間隔が変動している様子を表している。図４に示す例においては、心拍間隔モデリング装置１は、計測対象者の走行動作状態を潜在状態Ａ、計測対象者の安静に向けた動作状態を潜在状態Ｂ、計測対象者の睡眠状態を潜在状態Ｃ、計測対象者の起き上がり動作状態を潜在状態Ｄ、および、計測対象者の腰掛け安静状態を潜在状態Ｅと分類している。
ここで、潜在状態Ｂ、および潜在状態Ｄは、心拍間隔の急激な変動が起こりうる状態であるため、コーシー分布としてモデル化することが適している。一方、潜在状態Ａ、潜在状態Ｃ、および潜在状態Ｄは、心拍間隔の変化が少ない状態であるため、正規分布が適している。
ここで、潜在状態Ｂ、および潜在状態Ｄは、心拍間隔の急激な変動が起こりうる状態であるため、コーシー分布としてモデル化することが適している。一方、潜在状態Ａ、潜在状態Ｃ、および潜在状態Ｄは、心拍間隔の変化が少ない状態であるため、正規分布が適している。
なぜならば、コーシー分布は、分布の裾野が広く、期待値（平均値）が存在しないが、最頻値と中央値を得られるという特徴を有する。コーシー分布を用いると、大きな計測値の変化が突発的に生じたとしても、確率密度分布のパラメータが一意に収束しやすいという効果が得られる。よって、コーシー分布は、突発的な変化が想定される潜在状態における成分のシステムノイズをモデル化する場合において、より適した分布である。すなわち、コーシー分布は、寝ている、起きる、安静にする、運動する、精神的に緊張する、弛緩する、健常な状態である、および、病的状態である（例えば、頻脈性不整脈が発生している、または、徐脈性不整脈が発生している）などの多数の状態を包含するような潜在状態を想定した場合において、より適した分布である。
一方、正規分布、ガンマ分布、およびｔ分布は、狭い区間に集中してシャープである（分布の裾野が狭い）という特徴を有する。これらの分布は、数分間、あるいは数秒間などの比較的短い時間に一定の状態に留まっているような潜在状態における成分のシステムノイズをモデル化する場合において、より適した分布である。
上述したように、大きな計測値の変化を許容するシステムノイズと、短期の変化に適したシステムノイズと、を状態空間モデルに組み込むことにより、心拍間隔モデリング装置１は、相互の乖離から、変化点を検出し、潜在状態の大きな変化を認識ことができる。また、心拍間隔モデリング装置１は、変化した後の潜在状態の把握を迅速に行うことができる。これらはマルコフ過程の状態推移モデル（マルコフ転換モデル）としてモデル化できる。
なお、本実施形態においては、トレンド成分は２次、自己回帰成分は３次、季節変動は２４時間、および、行動成分は加速度としたが、これに限られるものでなく、他のいかなる次元であっても、加速度以外の計測値をもとにしたものであっても、加速度などの計測値から行動を表す抽象的なラベルを生成したうえでそれを行動成分の変数として用いたものであっても良い。
なお、状態ベクトルｘは、上記の４つの成分に限られるものではなく、突発的に生じる大きな変動（例えば、寝た状態から急に起き上がったときや、静止状態から急に動いたときなどにおいて生じる心拍間隔の急激な変化）をモデル化するために、自己減衰過程モデルを用いたり、短期と長期の循環変動成分を組み合わせて用いたり、その他の成分を含めても構わない。
［心拍間隔モデリング装置の機能構成］
以下、心拍間隔モデリング装置１の機能構成について、図面を参照しながら説明する。
図５は、本実施形態に係る心拍間隔モデリング装置１の機能構成を示すブロック図である。図示するように、心拍間隔モデリング装置１は、時系列データ取得部１１と、モデル設計情報取得部１２と、モデル構築部１３と、推定部１４と、異常判定部１５と、を含んで構成される。
以下、心拍間隔モデリング装置１の機能構成について、図面を参照しながら説明する。
図５は、本実施形態に係る心拍間隔モデリング装置１の機能構成を示すブロック図である。図示するように、心拍間隔モデリング装置１は、時系列データ取得部１１と、モデル設計情報取得部１２と、モデル構築部１３と、推定部１４と、異常判定部１５と、を含んで構成される。
時系列データ取得部１１は、心拍間隔時系列データを取得する。また、時系列データ取得部１１は、心拍間隔とともに計測される、行動を表す時系列データを取得する。
モデル設計情報取得部１２は、心拍間隔の真の値との誤差の要因を示す成分ごとのパラメータと推定範囲を示す情報を取得する。また、モデル設計情報取得部１２は、潜在状態の状態数を示すパラメータを取得する。また、モデル設計情報取得部１２は、成分ごとのパラメータと推定範囲と異常判定閾値とを取得する。
モデル設計情報取得部１２は、心拍間隔の真の値との誤差の要因を示す成分ごとのパラメータと推定範囲を示す情報を取得する。また、モデル設計情報取得部１２は、潜在状態の状態数を示すパラメータを取得する。また、モデル設計情報取得部１２は、成分ごとのパラメータと推定範囲と異常判定閾値とを取得する。
なお、本実施形態における「成分ごとのパラメータ」とは、成分の次数のような、モデル設計に関するハイパーパラメータを指すものであり、モデルにおける係数や重みといったような、計測対象者や計測環境などに依存した個別パラメータを指すものではない。
モデル構築部１３は、時系列データ取得部１１によって取得された心拍間隔時系列データを用いて、モデル設計情報取得部１２によって取得された成分ごとのパラメータに基づいて状態空間モデルを構築する。また、モデル構築部１３は、モデル設計情報取得部１２によって取得された潜在状態の状態数のパラメータに基づいて、潜在状態の遷移を加味した状態空間モデルを構築する。また、モデル構築部１３は、心拍間隔時系列データに加え、時系列データ取得部１１によって取得された行動を表す時系列データに基づいて状態空間モデルを構築する。
推定部１４は、図５に図示するように、将来値予測部１４１と、真値推定部１４２と、欠損値補完部１４３と、状態系列推定部１４４と、を含んで構成される。
将来値予測部１４１は、モデル構築部１３によって構築された状態空間モデルにおいて、モデル設計情報取得部１２によって取得された推定範囲における心拍間隔時系列データの将来の値を予測する。
真値推定部１４２は、モデル構築部１３によって構築された状態空間モデルにおいて、モデル設計情報取得部１２によって取得された推定範囲における心拍間隔時系列データの真の値を推定する。
欠損値補完部１４３は、モデル構築部１３によって構築された状態空間モデルにおいて、モデル設計情報取得部１２によって取得された推定範囲における心拍間隔時系列データの欠損値を補完する。
状態系列推定部１４４は、モデル構築部１３によって構築された状態空間モデルにおいて、モデル設計情報取得部１２によって取得された推定範囲において遷移する潜在状態の系列を推定する。
真値推定部１４２は、モデル構築部１３によって構築された状態空間モデルにおいて、モデル設計情報取得部１２によって取得された推定範囲における心拍間隔時系列データの真の値を推定する。
欠損値補完部１４３は、モデル構築部１３によって構築された状態空間モデルにおいて、モデル設計情報取得部１２によって取得された推定範囲における心拍間隔時系列データの欠損値を補完する。
状態系列推定部１４４は、モデル構築部１３によって構築された状態空間モデルにおいて、モデル設計情報取得部１２によって取得された推定範囲において遷移する潜在状態の系列を推定する。
異常判定部１５は、時系列データ取得部１１によって取得された心拍間隔時系列データと、将来値予測部１４１によって予測された心拍間隔時系列データの将来の値の推定結果、真値推定部１４２によって推定された心拍間隔時系列データの真の値の推定結果、または、状態系列推定部１４４によって推定された潜在状態の系列の推定結果と、を比較して、当該推定結果が心拍間隔の異常状態を示しているか否かを、モデル設計情報取得部１２によって取得された異常判定閾値に基づいて判定する。
［心拍間隔モデリング装置の動作］
以下、心拍間隔モデリング装置１の動作の一例について、図面を参照しながら説明する。
図６は、本発明の一実施形態に係る心拍間隔モデリング装置１の動作を示すフローチャートである。本フローチャートは、心拍間隔モデリング装置１に、心拍間隔時系列データと行動を表す時系列データとが入力される際に開始する。
以下、心拍間隔モデリング装置１の動作の一例について、図面を参照しながら説明する。
図６は、本発明の一実施形態に係る心拍間隔モデリング装置１の動作を示すフローチャートである。本フローチャートは、心拍間隔モデリング装置１に、心拍間隔時系列データと行動を表す時系列データとが入力される際に開始する。
（ステップＳ１）時系列データ受付部１１は、心拍間隔時系列データと、行動を表す時系列データと、を取得する。その後、ステップＳ２へ進む。
（ステップＳ２）モデル設計情報取得部１２は、状態空間モデルのパラメータと、異常判定閾値と、を取得する。その後、ステップＳ３へ進む。なお、ここでモデル設計情報取得部１２が取得するデータは、例えば、図７に示すようなデータである。
図７は、本発明の一実施形態に係る心拍間隔モデリング装置１のモデル設計情報取得部１２が取得する状態空間モデルのパラメータと異常判定閾値とを示すデータの一例を示す図である。図示するように、図７に例示するデータは、心拍間隔モデリング装置１に対して、「潜在状態数ｎ」、「推定範囲」、および「異常判定閾値」の３つのパラメータに、「３」、「１０期先」、および「５％」の値をそれぞれ指定するためのデータである。以下、再び図６に戻って説明する。
図７は、本発明の一実施形態に係る心拍間隔モデリング装置１のモデル設計情報取得部１２が取得する状態空間モデルのパラメータと異常判定閾値とを示すデータの一例を示す図である。図示するように、図７に例示するデータは、心拍間隔モデリング装置１に対して、「潜在状態数ｎ」、「推定範囲」、および「異常判定閾値」の３つのパラメータに、「３」、「１０期先」、および「５％」の値をそれぞれ指定するためのデータである。以下、再び図６に戻って説明する。
（ステップＳ３）モデル構築部１３は、ステップＳ１において時系列データ取得部１１が取得した、時刻ｔまでの心拍間隔時系列データを用いて、ステップＳ２においてモデル設計情報取得部１２が取得した成分ごとのパラメータに基づき、状態空間モデルを構築する。モデル構築部１３は、上述したすべてのパラメータを、ＭＣＭＣ（Markov Chain Monte Carlo；マルコフ連鎖モンテカルロ）法を用いて推定する。その後、ステップＳ４へ進む。
（ステップＳ４）推定部１４は、ステップＳ３においてモデル構築部１３が構築した状態空間モデルを用いて、ステップＳ２においてモデル設計情報取得部１２が取得したパラメータによって与えられた推定範囲の心拍間隔時系列データの値を推定する。その後、ステップＳ５へ進む。
なお、例えば、パラメータで与えられた推定範囲が将来の時刻の区間であるときは、推定部１４の将来値予測部１４１が、将来の心拍間隔時系列データの値の予測値を予測することとなる。また、例えば、パラメータで与えられた推定範囲が過去の時刻の区間であり、心拍間隔時系列データが欠損していない区間であるときは、推定部１４の真値推定部１４２が、心拍間隔時系列データの真の値を推定することとなる。また、例えば、パラメータで与えられた推定範囲が、過去の時刻の区間であり、心拍間隔時系列データが欠損している区間であるときは、推定部１４の欠損値補完部１４３が、心拍間隔時系列データの欠損値を補完することとなる。
すなわち、推定部１４は、上記のいずれの場合の推定（予測、補完）であっても、同一の状態空間モデルを用いることができる。
すなわち、推定部１４は、上記のいずれの場合の推定（予測、補完）であっても、同一の状態空間モデルを用いることができる。
また、上述したステップＳ４における推定過程において、推定部１４の状態系列推定部１４４が、尤度の高い潜在状態を選択することにより、当該潜在状態を推定結果として出力することもできる。例えば、走行や睡眠の時間情報を取得していない場合であっても、推定部１４の状態系列推定部１４４は、心拍間隔時系列データから、図４に示したような潜在状態（例えば、走行状態や睡眠状態）の時間区間や潜在状態の系列を、推定結果として出力することができる。
例えば、図７に例示したデータが示すパラメータの指定のように、「推定範囲」のパラメータの値として「１０期先」が指定された場合、推定部１４の将来値予測部１４１は、時刻ｔ＋１から時刻ｔ＋１０までの心拍間隔時系列データの値を予測する。ここで、現在時刻から１期先の時刻（時刻ｔ＋１）の観測ベクトルｙｔ＋１は、以下の式（８）によって予測される。
ｙｔ＋１＝ｑ０，０ｕ０ｚ０，ｔ＋１＋ｑ１，０ｕ０ｚ１，ｔ＋１＋ｑ１，１ｕ１ｚ１，ｔ＋１＋ｑ０，１ｕ１ｚ０，ｔ ・・・式（８）
推定部１４の将来値予測部１４１は、このような手順を１０回繰り返すことによって、１０期先の時刻（時刻ｔ＋１０）の観測ベクトルｙｔ＋１０を予測する。
なお、推定結果である観測ベクトルｙｔ＋１０のとりうる値は、確率として得られる。
１０期先の心拍間隔時系列データの値の推定結果の一例を図８に示す。
なお、推定結果である観測ベクトルｙｔ＋１０のとりうる値は、確率として得られる。
１０期先の心拍間隔時系列データの値の推定結果の一例を図８に示す。
図８は、本発明の一実施形態に係る心拍間隔モデリング装置１の推定部１４によって推定された推定結果の一例を示す図である。図示するように、図８に示すグラフの縦軸は心拍間隔を表し、横軸は時間を表している。図８に示す例においては、心拍間隔時系列データの値が、９５％予測区間幅で確率としてとして表された場合を示している。以下、再び図６に戻って説明する。
（ステップＳ５）異常判定部１５は、１０期経過後に、実際の１０期先の心拍間隔時系列データの計測値を取得し、当該計測値が、ステップＳ２においてモデル設計情報取得部１２が取得した、パラメータとして与えられた異常判定閾値を満たしているか否かを判定し、その判定結果を出力する。図９に、１０期先の心拍間隔時系列データに対する判定結果の一例を示す。
図９は、本発明の一実施形態に係る心拍間隔モデリング装置１の異常判定部１５によって判定された判定結果の一例を示す図である。図８に示したグラフと同様に、図９に示すグラフの縦軸は心拍間隔を表し、横軸は時間を表している。
図９に示す例においては、１０期経過後における、実際の１０期先の心拍間隔時系列データの計測値が、推定部１４によって推定された９５％予測区間幅を外れた値であるため、異常判定部１５は、計測対象者の心拍間隔が異常な状態であると判定し、「異常」であることを示す判定結果を出力する。もし、実際の１０期先の心拍間隔時系列データの計測値が、推定部１４によって推定された９５％予測区間幅の範囲内に収まっている場合には、異常判定部１５は、計測対象者の心拍間隔が正常な状態であると判定し、「正常」であることを示す判定結果を出力する。
以上説明したように、本実施形態に係る心拍間隔モデリング装置１は、心拍間隔時系列データを取得する時系列データ取得部１１と、心拍間隔の真の値との誤差の要因を示す成分ごとのパラメータと推定範囲を示す情報とを取得するモデル設計情報取得部１２と、時系列データ取得部１１によって取得された心拍間隔時系列データを用いて、モデル設計情報取得部１２によって取得された成分ごとのパラメータに基づいて状態空間モデルを構築するモデル構築部１３と、モデル構築部１３によって構築された状態空間モデルにおいて、モデル設計情報取得部１２によって取得された推定範囲における心拍間隔時系列データの将来の値を予測する、推定部１４の将来値予測部１４１と、を備える。
この構成によれば、本実施形態に係る心拍間隔モデリング装置１は、計測対象者や計測環境の多様性や、生体信号の歪み、雑音、データの欠損が生じている場合であっても、心拍数や心拍間隔などの生体信号から、心拍間隔時系列データの将来の値を予測することができる。本実施形態に係る心拍間隔モデリング装置１は、計測対象者や計測環境の多様性や、生体信号の歪み、雑音を、状態空間モデルにおいてそれぞれ独立した成分として表現することによって、計測された生体信号を各成分に選り分けて解析することができ、心拍間隔時系列データの将来の値の予測精度を向上させることができる。
また、以上説明したように、本実施形態に係る心拍間隔モデリング装置１は、モデル構築部１３によって構築された状態空間モデルにおいて、モデル設計情報取得部１２によって取得された推定範囲における心拍間隔時系列データの真の値を推定する、推定部１４の真値推定部１４２をさらに備える。
この構成によれば、本実施形態に係る心拍間隔モデリング装置１は、計測対象者や計測環境の多様性や、生体信号の歪み、雑音、データの欠損が生じている場合であっても、心拍数や心拍間隔などの生体信号から、心拍間隔時系列データの真の値を推定することができる。本実施形態に係る心拍間隔モデリング装置１は、計測対象者や計測環境の多様性や、生体信号の歪み、雑音を、状態空間モデルにおいてそれぞれ独立した成分として表現することによって、計測された生体信号を各成分に選り分けて解析することができ、心拍間隔時系列データの真の値の推定精度を向上させることができる。
また、以上説明したように、本実施形態に係る心拍間隔モデリング装置１は、モデル構築部１３によって構築された状態空間モデルにおいて、モデル設計情報取得部１２によって取得された推定範囲における心拍間隔時系列データの欠損値を補完する、推定部１４の欠損値補完部１４３をさらに備える。
この構成によれば、本実施形態に係る心拍間隔モデリング装置１は、計測対象者や計測環境の多様性や、生体信号の歪み、雑音、データの欠損が生じている場合であっても、心拍数や心拍間隔などの生体信号から、心拍間隔時系列データの欠損値を補完することができる。本実施形態に係る心拍間隔モデリング装置１は、計測対象者や計測環境の多様性や、生体信号の歪み、雑音を、状態空間モデルにおいてそれぞれ独立した成分として表現することによって、計測された生体信号を各成分に選り分けて解析することができ、心拍間隔時系列データの欠損値の補完精度を向上させることができる。
また、以上説明したように、本実施形態に係る心拍間隔モデリング装置１では、モデル設計情報取得部１２は、潜在状態の状態数を示すパラメータを取得し、モデル構築部１３は、モデル設計情報取得部１２によって取得された潜在状態の状態数のパラメータに基づいて、潜在状態の遷移を加味した状態空間モデルを構築する。
なお、潜在状態の遷移に伴う心拍間隔の変動により、単一の状態を仮定した状態空間モデルでは、各成分の大きさを表すパラメータの値が単一に収束しない場合がある。例えば、横になって休んでいるときの状態と、起き上がって活動している状態と、では心拍間隔の変動の各成分は異なる挙動となりやすいため、適切なパラメータの設定が困難である。単一に収束しないままパラメータが設定されると、心拍間隔に大きな変動が生じた場合に、状態空間モデルから算出される信頼区間や予測区間が拡大するなどの問題を引き起こしやすく、心拍間隔時系列データの将来の値の予測精度、心拍間隔時系列データの真の値の推定精度、心拍間隔時系列データの欠損値の補完精度、あるいは心拍間隔の正常性についての判定精度を低下させてしまう。
上記の構成によれば、心拍間隔時系列が潜在状態によって異なる経時変化をする場合において、心拍間隔時系列の将来の値の予測精度、心拍間隔時系列データの真の値の推定精度、心拍間隔時系列データの欠損値の補完精度、あるいは心拍間隔の正常性についての判定精度を、さらに向上させることができる。
また、以上説明したように、本実施形態に係る心拍間隔モデリング装置１では、推定部１４は、モデル構築部１３によって構築された状態空間モデルにおいて、モデル設計情報取得部１２によって取得された推定範囲において遷移する潜在状態の系列を推定する。
この構成によれば、本実施形態に係る心拍間隔モデリング装置１は、心拍間隔時系列データを潜在状態の系列に変換することができる。心拍間隔時系列データと潜在状態の系列とをデータの量子化という観点から比較すると、心拍間隔時系列データよりも潜在状態の系列のほうが量子化の粒度が荒い。そのため（すなわち、心拍間隔の取りうる値の数よりも、潜在状態として設定しうる値の数のほうが少ないため）、本実施形態に係る心拍間隔モデリング装置１は、より簡易な表現によって心拍間隔の状態の変化を表すことができる。
また、以上説明したように、本実施形態に係る心拍間隔モデリング装置１では、モデル設計情報取得部１２が異常判定閾値を取得し、心拍間隔モデリング装置１は、時系列データ取得部１１によって取得された心拍間隔時系列データと、推定部１４の将来値予測部１４１によって予測された心拍間隔時系列データの将来の値の推定結果、推定部１４の真値推定部１４２によって推定された心拍間隔時系列データの真の値の推定結果、または、推定部１４の欠損値補完部１４３によって推定された潜在的な状態系列の推定結果と、を比較して、当該推定結果が心拍間隔の異常状態を示しているか否かを、モデル設計情報取得部１２によって取得された異常判定閾値に基づいて判定する異常判定部、を備える。
この構成によれば、本実施形態に係る心拍間隔モデリング装置１は、推定部１４の将来値予測部１４１が予測した心拍間隔時系列データの将来の値、推定部１４の真値推定部１４２が推定した心拍間隔時系列データの真の値、あるいは推定部１４の状態系列推定部１４４が推定した潜在状態の系列の推定結果を確率で表現する。これにより、本実施形態に係る心拍間隔モデリング装置１は、実際に計測された心拍間隔時系列データの値が異常判定閾値として与えられた確率を下回るか否かに基づいて、心拍間隔の正常性を判定することができる。つまり、本実施形態に係る心拍間隔モデリング装置１は、心拍間隔時系列データが確率的に低い経時的な変化をしている状態を、心拍間隔の異常（身体異常）として判定することができる。
また、以上説明したように、本実施形態に係る心拍間隔モデリング装置１では、時系列データ取得部１１は、心拍間隔とともに計測される、行動を表す時系列データを取得し、モデル構築部１３は、時系列データ取得部１１によって取得された行動を表す時系列データに基づいて状態空間モデルを構築する。
この構成によれば、本実施形態に係る心拍間隔モデリング装置１は、行動を表す時系列データが心拍間隔時系列と連動して変化する場合において、心拍間隔時系列データの将来の値の予測精度、心拍間隔時系列データの真の値の推定精度、心拍間隔時系列データの欠損値の補完精度、潜在状態の系列の推定精度、および心拍間隔の異常（身体異常）の判定精度を、さらに向上させることができる。
なお、上述した実施形態における心拍間隔モデリング装置１の少なくとも１部をコンピュータで実現するようにしてもよい。その場合、この機能を実現するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することによって実現してもよい。なお、ここでいう「コンピュータシステム」とは、ＯＳや周辺機器などのハードウェアを含むものとする。また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ−ＲＯＭなどの可搬媒体、コンピュータシステムに内蔵されるハードディスクなどの記憶装置のことをいう。さらに「コンピュータ読み取り可能な記録媒体」とは、インターネットなどのネットワークや電話回線などの通信回線を介してプログラムを送信する場合の通信線のように、短時間の間、動的にプログラムを保持するもの、その場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリのように、一定時間プログラムを保持しているものも含んでもよい。また上記プログラムは、前述した機能の一部を実現するためのものであってもよく、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであってもよく、ＦＰＧＡ（Field Programmable Gate Array）などのプログラマブルロジックデバイスを用いて実現されるものであってもよい。
以上、この発明の実施形態について図面を参照して詳述してきたが、具体的な構成はこの実施形態に限られるものではなく、この発明の要旨を逸脱しない範囲の設計なども含まれる。
１・・・心拍間隔モデリング装置、１１・・・時系列データ取得部、１２・・・モデル設計情報取得部、１３・・・モデル構築部、１４・・・推定部、１５・・・異常判定部、１４１・・・将来値予測部、１４２・・・真値推定部、１４３・・・欠損値補完部、１４４・・・状態系列推定部
Claims (8)
- 心拍間隔時系列データを取得する時系列データ取得部と、
心拍間隔の真の値との誤差の要因を示す成分ごとのパラメータと推定範囲を示す情報とを取得するモデル設計情報取得部と、
前記時系列データ取得部によって取得された前記心拍間隔時系列データを用いて、前記モデル設計情報取得部によって取得された前記成分ごとのパラメータ、前記心拍間隔時系列データの大きな変化を許容するシステムノイズ、及び前記心拍間隔時系列データの短期の変化に適したシステムノイズに基づいて状態空間モデルを構築するモデル構築部と、
前記モデル構築部によって構築された前記状態空間モデルにおいて、前記モデル設計情報取得部によって取得された前記推定範囲における心拍間隔時系列データの将来の値を予測する推定部と、
を備える心拍間隔モデリング装置。 - 心拍間隔時系列データを取得する時系列データ取得部と、
心拍間隔の真の値との誤差の要因を示す成分ごとのパラメータと推定範囲を示す情報とを取得するモデル設計情報取得部と、
前記時系列データ取得部によって取得された前記心拍間隔時系列データを用いて、前記モデル設計情報取得部によって取得された前記成分ごとのパラメータ、前記心拍間隔時系列データの大きな変化を許容するシステムノイズ、及び前記心拍間隔時系列データの短期の変化に適したシステムノイズに基づいて状態空間モデルを構築するモデル構築部と、
前記モデル構築部によって構築された前記状態空間モデルにおいて、前記モデル設計情報取得部によって取得された前記推定範囲における心拍間隔時系列データの真の値を推定する推定部と、
を備える心拍間隔モデリング装置。 - 心拍間隔時系列データを取得する時系列データ取得部と、
心拍間隔の真の値との誤差の要因を示す成分ごとのパラメータと推定範囲を示す情報とを取得するモデル設計情報取得部と、
前記時系列データ取得部によって取得された前記心拍間隔時系列データを用いて、前記モデル設計情報取得部によって取得された前記成分ごとのパラメータ、前記心拍間隔時系列データの大きな変化を許容するシステムノイズ、及び前記心拍間隔時系列データの短期の変化に適したシステムノイズに基づいて状態空間モデルを構築するモデル構築部と、
前記モデル構築部によって構築された前記状態空間モデルにおいて、前記モデル設計情報取得部によって取得された前記推定範囲における心拍間隔時系列データの欠損値を補完する推定部と、
を備える心拍間隔モデリング装置。 - 前記モデル設計情報取得部は、状態数を示すパラメータを取得し、
前記モデル構築部は、前記モデル設計情報取得部によって取得された前記状態数のパラメータに基づいて、潜在的な状態の遷移を加味した状態空間モデルを構築する
請求項１から請求項３のうちいずれか一項に記載の心拍間隔モデリング装置。 - 前記推定部は、前記モデル構築部によって構築された前記状態空間モデルにおいて、前記モデル設計情報取得部によって取得された前記推定範囲において遷移する潜在的な状態系列を推定する
請求項４に記載の心拍間隔モデリング装置。 - 前記モデル設計情報取得部は、異常判定閾値を取得し、
前記時系列データ取得部によって取得された前記心拍間隔時系列データと、前記推定部による推定結果と、を比較して、当該推定結果が心拍間隔の異常状態を示しているか否かを前記モデル設計情報取得部によって取得された前記異常判定閾値に基づいて判定する異常判定部、
を備える請求項１，２，４，又は５のうちいずれか一項に記載の心拍間隔モデリング装置。 - 前記時系列データ取得部は、心拍間隔とともに計測される、行動を表す時系列データを取得し、
前記モデル構築部は、前記時系列データ取得部によって取得された前記行動を表す時系列データに基づいて前記状態空間モデルを構築する
請求項１から請求項６のうちいずれか一項に記載の心拍間隔モデリング装置。 - 心拍間隔時系列データを取得する時系列データ取得ステップと、
心拍間隔の真の値との誤差の要因を示す成分ごとのパラメータと推定範囲を示す情報とを取得するモデル設計情報取得ステップと、
前記時系列データ取得ステップにおいて取得された前記心拍間隔時系列データを用いて、前記モデル設計情報取得ステップにおいて取得された前記成分ごとのパラメータ、前記心拍間隔時系列データの大きな変化を許容するシステムノイズ、及び前記心拍間隔時系列データの短期の変化に適したシステムノイズに基づいて状態空間モデルを構築するモデル構築ステップと、
前記モデル構築ステップにおいて構築された前記状態空間モデルにおいて、前記モデル設計情報取得ステップにおいて取得された前記推定範囲における心拍間隔時系列データの将来の値、真の値、及び潜在的な状態系列のうち少なくとも１つを推定する推定ステップと、
異常判定閾値を取得し、前記時系列データ取得ステップにおいて取得された前記心拍間隔時系列データと、前記推定ステップによる推定結果と、を比較して、当該推定結果が心拍間隔の異常状態を示しているか否かを前記異常判定閾値に基づいて判定する異常判定ステップと、
を有する異常状態判定方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2017134829A JP6767318B2 (ja) | 2017-07-10 | 2017-07-10 | 心拍間隔モデリング装置、および異常状態判定方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2017134829A JP6767318B2 (ja) | 2017-07-10 | 2017-07-10 | 心拍間隔モデリング装置、および異常状態判定方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2019013659A JP2019013659A (ja) | 2019-01-31 |
| JP6767318B2 true JP6767318B2 (ja) | 2020-10-14 |
Family
ID=65357913
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2017134829A Active JP6767318B2 (ja) | 2017-07-10 | 2017-07-10 | 心拍間隔モデリング装置、および異常状態判定方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP6767318B2 (ja) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6700509B1 (ja) * | 2019-04-02 | 2020-05-27 | 澪標アナリティクス株式会社 | 推定装置、推定方法、及びプログラム |
| CN111083665B (zh) * | 2019-12-05 | 2023-09-19 | 上海旗旌科技有限公司 | 一种双主控交互通信的方法及设备 |
| JP7266548B2 (ja) * | 2020-03-26 | 2023-04-28 | Kddi株式会社 | 訓練性ストレス情報を用いて体調を推定する装置、プログラム及び方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100274102A1 (en) * | 2009-04-22 | 2010-10-28 | Streamline Automation, Llc | Processing Physiological Sensor Data Using a Physiological Model Combined with a Probabilistic Processor |
| JP6244178B2 (ja) * | 2013-11-12 | 2017-12-06 | 沖電気工業株式会社 | 情報処理装置、情報処理方法及びプログラム |
| US20160029966A1 (en) * | 2014-07-31 | 2016-02-04 | Sano Intelligence, Inc. | Method and system for processing and analyzing analyte sensor signals |
| JP6356616B2 (ja) * | 2015-02-17 | 2018-07-11 | 日本電信電話株式会社 | 逐次姿勢識別装置および自律神経機能情報取得装置、方法ならびにプログラム |
| JP6093833B1 (ja) * | 2015-10-22 | 2017-03-08 | 日本電信電話株式会社 | 心拍数推定装置、心理状態判定装置、心拍数推定方法、及びそのプログラム |
-
2017
- 2017-07-10 JP JP2017134829A patent/JP6767318B2/ja active Active
Also Published As
| Publication number | Publication date |
|---|---|
| JP2019013659A (ja) | 2019-01-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10561321B2 (en) | Continuous monitoring of a user's health with a mobile device | |
| US11877830B2 (en) | Machine learning health analysis with a mobile device | |
| US20190076031A1 (en) | Continuous monitoring of a user's health with a mobile device | |
| JP7293050B2 (ja) | 軽度認知障害判定システム | |
| WO2019071201A1 (en) | CONTINUOUS MONITORING OF THE HEALTH OF A USER WITH A MOBILE DEVICE | |
| US20170042433A1 (en) | Blood pressure estimating apparatus and method | |
| Cuaya et al. | A dynamic Bayesian network for estimating the risk of falls from real gait data | |
| JP6767318B2 (ja) | 心拍間隔モデリング装置、および異常状態判定方法 | |
| KR20210034724A (ko) | 생체 신호를 추정하는 전자 장치 및 그 방법 | |
| TW201632140A (zh) | 使用動態心跳速率預測模型之用於生物激發動作補償及即時生理負載估計之系統與方法 | |
| JP6943287B2 (ja) | 生体情報処理装置、生体情報処理システム、生体情報処理方法、およびプログラム | |
| Arpaia et al. | Conceptual design of a machine learning-based wearable soft sensor for non-invasive cardiovascular risk assessment | |
| WO2023112384A1 (ja) | 計算機システム及び情動推定方法 | |
| CN111161883A (zh) | 基于变分自编码器的疾病预测系统及其电子设备 | |
| US10595789B2 (en) | Meal time estimation method, meal time estimation device, and recording medium | |
| Roy et al. | BePCon: a photoplethysmography-based quality-aware continuous beat-to-beat blood pressure measurement technique using deep learning | |
| EP3861558A1 (en) | Continuous monitoring of a user's health with a mobile device | |
| Nathan et al. | A particle filter framework for the estimation of heart rate from ECG signals corrupted by motion artifacts | |
| US20240099593A1 (en) | Machine learning health analysis with a mobile device | |
| Chou et al. | A Real‐Time Analysis Method for Pulse Rate Variability Based on Improved Basic Scale Entropy | |
| Lameski et al. | Challenges in data collection in real-world environments for activity recognition | |
| JP7322818B2 (ja) | 推定システム及びシミュレーションシステム | |
| CN113164057B (zh) | 利用移动装置的机器学习健康分析 | |
| Zhang et al. | Continual learning for cuffless blood pressure estimation | |
| Faes et al. | Information decomposition: A tool to dissect cardiovascular and cardiorespiratory complexity |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20170710 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20190624 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20200423 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20200602 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200730 |
|
| 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: 20200915 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20200917 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6767318 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 |