JP6900390B2 - バイタルサインを検出及び監視する方法、装置、サーバ及びシステム - Google Patents

Description

関連出願の相互参照
本願は、「TR-BREATH: TIME-REVERSAL BREATHING RATE ESTIMATION AND DETECTION」という表題の、２０１６年３月１１日に提出された米国特許出願第６２／３０７，０８１号、及び「TR-BREATH: TIME-REVERSAL BREATHING RATE ESTIMATION AND DETECTION」という表題の、２０１６年４月１日に提出された米国特許出願第６２／３１６，８５０号の優先権を主張し、これらの全体が本明細書において援用される。

本教示は、一般に、バイタルサインの検出及び監視に関する。更に詳細には、本教示は、無線チャネルのチャネル状態情報に基づくバイタルサインの検出及び監視に関する。

バイタルサインは、人間の健康及び福利の重要な指標であり、人間の急性疾患及び慢性疾患の予測因子でもある。呼吸数は最も重要なバイタルサインの１つであり、これは毎分の呼気／吸気数により測定可能である。更に、呼吸パターンは、ストレス及び不安等の人間の心理状態との相関性が高い場合がある。

従来の呼吸監視方法の大部分は侵襲的であり、人間の身体に物理的に接触する必要がある。例えば病院において、患者は酸素マスク、鼻カニューレ、胸郭バンド、あるいはサーミスタ及び圧力センサ等の装着型センサを装着する必要がある。別の例は睡眠医学で使用される睡眠ポリグラフィ（ＰＳＧ）であり、これは通常、患者に最低２２本のワイヤを取り付ける必要がある。これらの専用装置は、高価で大型であり且つ人間の身体に不快感を与えることが多く、臨床環境に限定される。

既存の非侵襲的（非接触）呼吸監視方法は以下のように分類できる。

（１）レーダに基づく呼吸監視：多くの場合、ドッペルレーダが呼吸監視において使用される。これは、対象の周期運動によるドッペルシフトを用いて信号を送受信することにより動作される。ドッペルシフトから呼吸数を抽出できる。欠点は、これらのシステムの送信電力が高いこと、高度で高価なハードウェアに依存すること及び非常に広い帯域を使用することである。周波数変調連続レーダ（ＦＭＣＷ）を利用するバイタルサイン監視システムが開示されている。これは、周波数掃引信号を送信するためのＲＦフロントエンドとしてユニバーサルソフトウェア無線周辺機器（ＵＳＲＰ）を使用する。しかし、専用ハードウェアの追加コスト及び複雑性により、ＦＭＣＷレーダの大規模な配置は制限された。

（２）無線センサに基づく呼吸監視：複数の８０２．１５．４チャネルにおける８０２．１５．４準拠センサからの受信信号強度（ＲＳＳ）測定値が呼吸検出及び呼吸数推定に更に使用された。これらの方法では、追加の無線インフラストラクチャとして無線センサの密な配置が必要である。更に、複数のチャネル測定値をサポートするために、周波数ホッピング機構の特定の設計が必要である。

（３）Ｗｉ−Ｆｉに基づく呼吸監視：Ｗｉ−Ｆｉに基づく呼吸監視では、大部分の市販のＷｉ−Ｆｉネットワークインタフェースコントローラ（ＮＩＣ）で使用できるため、ＲＳＳが一般に使用される。測定値は、呼吸推定のためにもＷｉ−Ｆｉ装置と共に使用された。しかし、この方法は、ユーザがＷｉ−Ｆｉ対応装置を自身の胸の近傍に保持する場合のみ正確である。

上述した欠点に加えて、方法（１）及び方法（２）は、専用のレーダ装置又はセンサネットワークノード等の専用装置の設計及び製造を必要とし、方法（３）は精度及び感度が非常に低い。

従って、上述した問題を解決し且つ上述した欠点を回避するバイタルサインを検出及び監視する方法及び装置が必要とされる。

本教示は、概して、バイタルサインの検出及び監視に関するものである。より具体的には、本教示は、無線チャネルのチャネル状態情報に基づくバイタルサインの検出及び監視に関するものである。

一例では、バイタルサイン検出のための装置が開示される。本装置は、受信機と、プロセッサと、プロセッサと通信可能に結合されたメモリとを備える。受信機は、少なくとも１つの生物のバイタルサインの影響を受けうるマルチパスチャネルから少なくとも１つの無線信号を受信するように構成される。プロセッサは、少なくとも１つの無線信号からマルチパスチャネルの時系列のチャネル状態情報（ＣＳＩ）を抽出し、時系列のＣＳＩのスペクトル解析に基づいて１つ以上の周期的変動を取得し、１つ以上の周期的変動に基づいてバイタルサインの有無を判定するように構成される。

別の例では、バイタルサイン検出のための装置が開示される。本装置は、複数の受信機と、プロセッサと、プロセッサと通信可能に結合されたメモリとを備える。複数の受信機のそれぞれは、少なくとも１つの生物のバイタルサインの影響を受けうるマルチパスチャネルから少なくとも１つの無線信号を受信するように構成される。プロセッサは、複数の受信機のそれぞれに関して、少なくとも１つの無線信号からマルチパスチャネルの時系列のＣＳＩを抽出し、複数の受信機のそれぞれから、時系列のＣＳＩのスペクトル解析に基づいて１つ以上の周期的変動を取得し、複数の受信機のそれぞれに対して、１つ以上の周期的変動に基づいて１つ以上のバイタルサイン候補を判定し、バイタルサイン候補の集合を生成するために、複数の受信機から取得された１つ以上のバイタルサイン候補を組み合わせ、バイタルサイン候補の集合に基づいて、バイタルサインが存在するかどうかを判定するように構成される。

更に別の例では、呼吸数推定のための装置が開示される。本装置は、複数の受信機と、プロセッサと、プロセッサと通信可能に結合されたメモリとを備える。複数の受信機のそれぞれは、少なくとも１つの生物の呼吸の影響を受けうるマルチパスチャネルから少なくとも１つの無線信号を受信するように構成される。プロセッサは、複数の受信機のそれぞれに関して、少なくとも１つの無線信号からマルチパスチャネルの時系列のＣＳＩを抽出し、複数の受信機のそれぞれから、時系列のＣＳＩのスペクトル解析に基づいて１つ以上の周期的変動を取得し、複数の受信機のそれぞれに対して、１つ以上の周期的変動に基づいて１つ以上の呼吸数候補を判定し、呼吸数候補の集合を生成するために、複数の受信機から取得された１つ以上の呼吸数候補を組み合わせ、各クラスタが、そのクラスタが呼吸数を表す可能性を示す、関連する尤度を有する複数のクラスタに、呼吸数候補を分割し、複数のクラスタの中の２つのクラスタ間の重心距離が閾値を下回る場合に、当該２つのクラスタを１つのクラスタに結合し、結合されたクラスタの各々について推定呼吸数及びその関連する尤度を再計算し、結合後のクラスタのうちで、最も高い関連する尤度を有する１つ以上のクラスタに基づいて、１つ以上の生物の１つ以上の呼吸数を判定するように構成される。

一実施形態では、時系列のＣＳＩにおいて少なくとも１つのＣＳＩが欠落している。他の実施形態では、プロセッサは更に、時系列のＣＳＩの中の少なくとも１つのＣＳＩを、マルチパスチャネルの２つ以上の区別されたパス遅延に投影するように構成される。更に他の実施形態では、プロセッサは更に、時系列のＣＳＩのスペクトル解析に基づいて、１つ以上の周期的変動の高次高調波の少なくとも１つを抽出するように構成され、１つ以上のバイタルサイン候補は、高次高調波の少なくとも１つに基づいて判定される。

更に他の例では、バイタルサイン検出のための方法が開示される。本方法は、受信機とプロセッサと当該プロセッサと通信可能に結合されたメモリとを少なくとも含むマシンで、バイタルサイン検出のために実行されてもよい。本方法は、少なくとも１つの生物のバイタルサインの影響を受けうるマルチパスチャネルから少なくとも１つの無線信号を受信することと、少なくとも１つの無線信号からマルチパスチャネルの時系列のＣＳＩを抽出することと、時系列のＣＳＩのスペクトル解析に基づいて、１つ以上の周期的変動を取得することと、１つ以上の周期的変動に基づいて、バイタルサインの存在又は不存在を判定することとを含みうる。

本教示の他の例は、チャネル状態情報に基づくバイタルサイン検出及び監視を対象とした、システム、方法、媒体、デバイス、サーバ、及び他の実装を含む。例えば、システム又はサーバが、上述した装置を含んでもよいし、又はチャネル状態情報に基づくバイタルサイン検出及び監視のための上述の装置と同様の構成を有してもよい。

他の概念は、チャネル状態情報に基づくバイタルサイン検出及び監視の、計算、ストレージ、アプリケーション、及び処理で、本教示を実現するためのソフトウェアに関するものである。ソフトウェア製品は、この概念に従って、非一時的な少なくとも１つの機械可読媒体及び当該媒体によって担持される情報を含む。媒体によって担持される情報は、実行可能なプログラムコードのデータ、当該実行可能なプログラムコードに関連付けられたパラメータ、及び／又は、ソーシャルグループに関連するユーザ、要求、コンテンツ、若しくは情報等に関連した情報でありうる。

更なる新規の特徴が、以下の説明においてある程度説明されるとともに、以下の説明及び添付の図面により当業者にある程度明らかになるか又は例の作成若しくは操作によって学習されうる。本教示の新規の特徴は、以下で議論される詳細な例で説明される方法論、手段、及び組み合わせの種々の態様についての実施又は使用によって実現及び達成されうる。

図１は、本教示の一実施形態に係る開示される呼吸監視システムの例示的な適用例を示す図である。

図２は、本教示の一実施形態に係る呼吸監視システムの例示的な処理を示すフローチャートである。

図３は、本教示の一実施形態に係る呼吸監視システムを例示的に示す図である。

図４は、本教示の一実施形態に係る機械学習を用いる多重信号分類（ＭＵＳＩＣ）アルゴリズムを使用する呼吸の検出及び監視の例示的な処理を示す図である。

図５は、本教示の一実施形態に係る機械学習を用いないＭＵＳＩＣアルゴリズムを使用する呼吸の検出及び監視の例示的な処理を示す図である。

図６は、本教示の一実施形態に係る機械学習を用いるＲｏｏｔ−ＭＵＳＩＣアルゴリズムを使用する呼吸の検出及び監視の例示的な処理を示す図である。

図７は、本教示の一実施形態に係る尤度割り当て及びクラスタ結合の処理を示す図である。

図８Ａは、本教示の一実施形態に係る呼吸監視システムの一般的な実現例を例示的に示す図である。

図８Ｂは、本教示の一実施形態に係る別の呼吸数監視システムの一般的な実現例を例示的に示す図である。

図９は、本教示の一実施形態に係る時間平滑化の例示的な処理を示す図である。

図１０は、本教示の一実施形態に係る見通し内状況における複数人の呼吸監視の例示的な実験設定を示す図である。

図１１は、見通し外状況における複数人の呼吸監視の例示的な実験設定を示す図である

図１２は、本教示の一実施形態に係る機械学習アルゴリズムを使用する呼吸検出の例示的な実験の結果を示す図である。

図１３は、本教示の一実施形態に係る見通し内環境での例示的な実験設定における呼吸監視の例示的な実験の結果を示す図である。

図１４は、本教示の一実施形態に係る見通し外環境での例示的な実験設定における呼吸監視の例示的な実験の精度性能を示す図である。

図１５は、本教示の一実施形態に係る呼吸に基づく人数計測に関する例示的な実験の性能を示す図である。

図１６は、本教示の一実施形態に係るパケット損失がある場合に補償する場合と補償しない場合の例示的な実験の精度性能を示す図である。

図１７は、本教示の一実施形態に係る異なる方式を使用する例示的な実験の精度性能の累積密度関数を示す図である。

以下の詳細な説明において、関連する教示の完全な理解を提供するために、多くの特定の詳細が例として記載される。しかし、本教示はそのような詳細を用いずに実施されてもよいことが当業者には明らかである。他の例において、本教示の態様を不必要に曖昧にすることを避けるために、周知の方法、手順、構成要素及び／又は回路網は、詳細を用いずに相対的に高いレベルで説明されている。

本教示は、ａ）動いている可能性のある人間の呼吸数の測定、ｂ）人間の呼吸強度の測定、並びにｃ）特定の空間内の人数の推定に使用可能な呼吸数監視システムを開示する。

開示される呼吸数監視システムは、容易に且つ低価格で入手可能な市販のＷｉ−Ｆｉ ＮＩＣに基づく。従って、これは配置、管理及び保守が容易に可能であり、低価格で入手可能である。開示されるシステムは、見通し内（ＬＯＳ：line-of-sight）伝搬条件及び見通し外（ＮＬＯＳ：non-line-of-sight）伝搬条件の双方で動作し、壁越しの検出でも動作するだろう。ＬＯＳ環境は、装置（送信機又は受信機）と、検出される又は呼吸数を試験される潜在対象者（人間又は動物）との間に直接ＬＯＳパスが存在することを意味する。それに対して、ＮＬＯＳ環境では、装置と被験者との間に壁等のいくつかの妨害物が存在し、そのため、光は装置と潜在対象者との間の直線パスを通って直接進むことができない。

本教示において開示されるシステムで実現される開示される方法は、システムのユーザと例えばＷｉ−Ｆｉ装置である無線送受信機とが物理的に近接することを必要としない。更に、開示される方法は、非接触の解決策を提供でき、従って、在宅及び長期間の健康監視を可能にする。

一実施形態において、開示される呼吸数監視システムは、受信機と、プロセッサと、プロセッサと通信可能に結合されたメモリとを備えてもよい。受信機は、少なくとも１つの生物のバイタルサインの影響を受けうるマルチパスチャネルから少なくとも１つの無線信号を受信するように構成される。プロセッサは、少なくとも１つの無線信号からマルチパスチャネルの時系列のＣＳＩを抽出し、時系列のＣＳＩのスペクトル解析に基づいて１つ以上の周期的変動を取得し、１つ以上の周期的変動に基づいてバイタルサインの有無を判定するように構成される。

一実施形態において、バイタルサインは、呼吸及び心拍の少なくとも一方により表され、少なくとも１つの生物は、人間及び動物の少なくとも一方を含む。別の実施形態において、バイタルサインは呼吸であり、プロセッサは、バイタルサインが存在するとの判定に応じて、１つ以上の生物の１つ以上の呼吸数を判定するように更に構成される。プロセッサは、ＣＳＩから背景情報を除去することにより時系列のＣＳＩの各々のクリーニングを行い、時系列のＣＳＩの各々を正規化し、時系列のＣＳＩの中の各ＣＳＩ対に基づいて類似度を計算するように更に構成されてもよく、スペクトル解析は、当該計算された類似度に基づいて実行される。類似度は、ＣＳＩ対の、時間反転共振強度（ＴＲＲＳ）、相互相関、２つのベクトルの内積、類似性スコア、距離スコア、位相補正、タイミング補正、タイミング補償、及び位相オフセット補償のうちの少なくとも１つに基づいて計算されてもよい。

一実施形態において、プロセッサは、時系列のＣＳＩに基づいてＴＲＲＳ行列を計算し、平滑化されたＴＲＲＳ行列を生成するために時間領域においてＴＲＲＳ行列を平滑化するように更に構成され、スペクトル解析は平滑化されたＴＲＲＳ行列に基づいて実行される。プロセッサは、ＴＲＲＳ行列に対して固有値分解を実行し、固有値分解に基づいてノイズ部分空間を取得し、ノイズ部分空間に基づいて擬似スペクトルを生成し、更新された擬似スペクトルを生成するために擬似スペクトルに対してスペクトル折返しを実行し、更新された擬似スペクトルを、呼吸数に関連する範囲にトリミングし、範囲内の更新された擬似スペクトルの１つ以上のピークを検出するように更に構成されてもよく、１つ以上の生物の１つ以上の呼吸数は、検出された１つ以上のピークに基づいて判定される。プロセッサは、ＴＲＲＳ行列に対して固有値分解を実行し、固有値分解に基づいてノイズ部分空間を取得し、ノイズ部分空間に基づいて行列を取得し、取得した行列に基づいて多項式を生成し、多項式の１つ以上の複素根を選択するように更に構成されてもよく、１つ以上の生物の１つ以上の呼吸数は、１つ以上の複素根の角度及び位相の少なくとも一方に関連する情報に基づいて判定される。

１つの例において、スペクトル解析は、ＭＵＳＩＣベースのアルゴリズム及びＲｏｏｔ−ＭＵＳＩＣベースのアルゴリズムの少なくとも一方に基づいて実行されてもよい。別の例において、１つ以上の生物の少なくとも１つは動いている。更に別の例において、１つ以上の生物の少なくとも１つは、光が少なくとも１つの生物と受信機との間の直線パスを通って直接進むことができないように、受信機の見通し内に存在しない。

一実施形態において、１つ以上の生物の１つ以上の呼吸数を判定することは、時系列のＣＳＩのスペクトル解析に基づいて呼吸数推定値を判定することと、各クラスタが、そのクラスタが呼吸数を表す可能性を示す、関連する尤度を有する複数のクラスタに、呼吸数推定値を分割することと、複数のクラスタの中の２つのクラスタ間の重心距離が閾値を下回る場合に、当該２つのクラスタを１つのクラスタに結合することと、結合されたクラスタの各々について呼吸数推定値及び関連する尤度を再計算することと、クラスタのうちで、最も高い関連する尤度を有する１つ以上のクラスタに基づいて、１つ以上の呼吸数を判定することとを含んでもよい。

プロセッサは、結合後のクラスタ数に基づいて１つ以上の生物の数を推定するか、あるいは１つ以上の生物が運動、仕事、睡眠、食事、水分補給、立つ、座る、歩行、走行及び他の何らかの動作のうちの少なくとも１つを行う際の、１つ以上の生物の連続する１つ以上の呼吸数を監視するように更に構成されてもよい。

一実施形態において、少なくとも１つの無線信号は、インターネット、インターネットプロトコルネットワーク及び別の多重アクセスネットワークのうちの少なくとも１つであるネットワークを介して受信され、受信機は、無線ＰＡＮ、ＩＥＥＥ８０２．１５．１（Ｂｌｕｅｔｏｏｔｈ（登録商標））、無線ＬＡＮ、ＩＥＥＥ８０２．１１（Ｗｉ−Ｆｉ）、無線ＭＡＮ、ＩＥＥＥ８０２．１６（ＷｉＭａｘ）、ＷｉＢｒｏ、ＨｉｐｅｒＭＡＮ、モバイルＷＡＮ、ＧＳＭ（登録商標）、ＧＰＲＳ、ＥＤＧＥ、ＨＳＣＳＤ、ｉＤＥＮ、Ｄ−ＡＭＰＳ、ＩＳ−９５、ＰＤＣ、ＣＳＤ，ＰＨＳ、ＷｉＤＥＮ、ＣＤＭＡ２０００、ＵＭＴＳ、３ＧＳＭ、ＣＤＭＡ、ＴＤＭＡ、ＦＤＭＡ、Ｗ−ＣＤＭＡ、ＨＳＤＰＡ、Ｗ−ＣＤＭＡ、ＦＯＭＡ、１ｘＥＶ−ＤＯ、ＩＳ−８５６、ＴＤ−ＳＣＤＭＡ、ＧＡＮ、ＵＭＡ、ＨＳＵＰＡ、ＬＴＥ、２．５Ｇ、３Ｇ、３．５Ｇ、３．９Ｇ、４Ｇ、５Ｇ、６Ｇ、７Ｇとそれ以降、別の無線システム及び別のモバイルシステムのうちの少なくとも１つの物理層と関連付けられる。

図１は、開示される呼吸監視システムの適用例を示す。１人以上の患者がベッドで横になり、呼吸が監視されている。患者の胸部の動きは、送受信機であってもよいＢｏｔから別の送受信機であってもよいＯｒｉｇｉｎへ送信される無線信号に影響を与えうる。開示されるシステムは、Ｏｒｉｇｉｎを介して信号をキャプチャし、キャプチャされた信号から呼吸パターンに関する特徴を抽出してもよい。呼吸監視システムは、患者の呼吸数、室内の人数を計算でき、呼吸数が突然低下／変化した場合に警報をトリガしてもよい。

開示される呼吸監視システムの適用例は、新生児の呼吸数の監視、高齢者の無呼吸等の異常呼吸パターンの検出及び夜間の家屋の住人の睡眠品質の研究を含んでもよい。更に、開示される呼吸監視システムは、震災地での倒壊した建物のがれきにおける生存者の捜索及び救助等の生命検出に適用可能である。そのような状況において、無意識の場合でも呼吸は存在するため、呼吸は検出可能な最も重要な種類の動きであると考えられる。

本教示は、呼吸の吸気及び呼気により生じる変動をキャプチャすることができる環境のきめ細かい描写であるチャネル状態情報（ＣＳＩ）を利用できる。開示されるシステムは、ＣＳＩを時間反転（ＴＲ）共振強度特徴空間に投影してもよく、これは、呼吸検出及び呼吸数推定のために、スペクトル解析器（例えば、ＭＵＳＩＣ／Ｒｏｏｔ−ＭＵＳＩＣベースのアルゴリズムに基づく）を介して解析される。

図２は、呼吸監視の一般的な処理を示すフローチャートである。ステップ２０２において、送受信機／送信機／Ｂｏｔは、マルチパスチャネルを介して無線信号（例えば、パルス又は擬似ランダム系列）を送信できる。ステップ２０４において、受信機／別の送受信機／Ｏｒｉｇｉｎは、人間の呼吸の影響を受けるマルチパスチャネルから信号を受信できる。ステップ２０６において、チャネル推定を使用して、受信無線信号からＣＳＩが抽出される。呼吸監視を向上するために、システムは、ＣＳＩを処理して処理済みＣＳＩを取得することもでき、例えば全体が本明細書において援用される国際出願第ＰＣＴ／ＵＳ２０１７／０１５９０９号及び第ＰＣＴ／ＵＳ２０１６／０６６０１５号に開示されるＣＳＩフィンガープリント形成方法を使用してＣＳＩフィンガープリントを形成することもできる。ＣＳＩの位相歪みは、国際出願第ＰＣＴ／ＵＳ２０１７／０１５９０９号及び第ＰＣＴ／ＵＳ２０１６／０６６０１５号に開示される位相オフセット補償方法を使用してクリーニングできる。

ステップ２１０において、ＣＳＩの干渉／背景を背景除去により取り除くことができ、背景除去の前後であるステップ２０８及びステップ２１２において、ＣＳＩを単位電力に正規化できる。その後、ステップ２１４において、処理済みＣＳＩに基づいてＴＲＲＳ（時間反転共振強度）行列が計算される。ＴＲＲＳ行列は、行列の階数条件を向上するために更に平滑化する（例えば、時間にわたり平均化する）ことができる。ステップ２１６においてＴＲＲＳ行列に対してスペクトル解析を実行した後、ステップ２１８において、呼吸数候補の集合が生成される。これに基づいて、ステップ２２０において、呼吸する人間の存在を検出できる。ステップ２２０において、例えばＭＵＳＩＣベースのスペクトル解析のスペクトルのピークと閾値との比較又はＲｏｏｔ−ＭＵＳＩＣベースのスペクトル解析後の平方根の分布と閾値との比較により、呼吸の存在を検出できる。ステップ２２１において呼吸が検出される場合、ステップ２２２において呼吸数を推定できる。呼吸が検出されない場合、処理はステップ２２４で終了する。

一実施形態によると、開示されるシステムは約１分間のＣＳＩ測定で良好に機能できることが膨大な実験結果から示される。更に詳細には、これは、見通し内（ＬＯＳ）状況での１２人の呼吸数推定において６３秒の測定で９８．６５％の平均精度を達成でき、ＮＬＯＳ状況での最大７人の呼吸数推定において同様に６３秒の測定で９７．３％の平均精度を達成できる。更に、開示されるシステムは、約１人の誤差で人数を推定できる。開示されるシステムは、パケット損失に対してロバストである。

開示されるシステムは、呼吸監視機能性を実現するために共に動作する多くの無線送信機及び無線受信機を使用できる。開示されるシステムの１つの可能性のある実施形態は、市販のＷｉ−Ｆｉ無線送受信機を使用することである。しかし、開示されるシステムは、そのような装置に限定されない。これは、動作の一部としてチャネル状態情報（ＣＳＩ）を提供できる何らかの無線装置（例えば、Ｂｌｕｅｔｏｏｔｈ、３ＧＰＰ ＬＴＥ送受信機又は何らかのカスタム設計であり規格に準拠しない無線送受信機）と共に使用可能である。本教示は、このＣＳＩを入力とし、送信機と受信機との間の無線チャネルの挙動を記述する呼吸（又は周期的パターンを有する他のバイタルサイン）に関連する特徴を抽出し、無線送受信機の近傍にいる人間の呼吸数を数値化する出力を生成する方法、装置、デバイス、システム及びサーバを開示する。

チャネルモデル
現在のＩＥＥＥ８０２．１１ｇ、８０２．１１ｎ、８０２．１１ａｄ又は８０２．１１ａｃ、あるいは３ＧＰＰ ＬＴＥ無線規格等の例示的な直交周波数分割多重（ＯＦＤＭ）システムにおいて、情報を担持している信号は、多くの並列サブキャリアにわたる利用可能な周波数帯域を介して送出される。各サブキャリアは、独立した狭帯域チャネルとして処理可能であり、送信信号全体は、全てのサブキャリア上の全ての信号の重ね合わせである。ＣＳＩは、送信信号の振幅及び位相が各サブキャリアにわたり受けた影響を記述することにより、周波数領域における無線チャネル（送信媒体）の挙動を要約してもよい。

ｆ_ｃは搬送波周波数であり、ｃは３×１０^８ｍ／ｓである光の速度であり、Ｔ_ｓは、４０ＭＨｚのＷｉ−Ｆｉ帯域において２５ナノ秒であり且つ２０ＭＨｚ帯域において５０ナノ秒であるサンプリング間隔であり、Ｎは４０ＭＨｚの場合に１２８であり且つ２０ＭＨｚの場合に６４であるＦＦＴのサイズであり、ｅ_ｋ（ｔ）は時間ｔにおけるサブキャリアｋのチャネルノイズである。チャネルは、呼吸が存在しない場合は静的であると仮定されるため、ＭＰＣの利得及び遅延は静的である。呼吸の存在により、チャネル利得及びパス遅延の一部が時間ｔと共に周期的に変化しうる。簡潔にするために、呼吸はパス１に影響を与えると仮定できる。その場合、パス１のチャネル利得及びパス遅延を以下のように書くことができる。

式中、α_１は呼吸が存在しない場合のチャネル利得であり、ｄ_１は呼吸の影響がない場合のパス長であり、Δｄ_１は呼吸が存在する場合のパス１の追加の位置変位であり、θは被験者と衝突する電磁波との間の入射角であり、ｆは呼吸周波数であり、φは呼吸の初期位相である。

式（８）に示すＨ_ｋ（ｔ）の動的モデルは、複数人が呼吸している場合、１人が多くのマルチパス成分に同時に影響を与えている場合、あるいは異なる人間が同一のマルチパス成分に同時に影響を与えている場合等の異なる場合に、それに応じて変更できることがわかる。実際、以下の２つのランダム外乱が考慮されてもよい。第１のランダム外乱は、Ｗｉ−Ｆｉ送信機及びＷｉ−Ｆｉ受信機の局部振動間の差異により生じるランダム位相歪みである。第２のランダム外乱は、アナログデジタル変換器（ＡＤＣ）のダイナミックレンジを十分に活用するために入力電圧を調整する自動利得制御（ＡＧＣ）によるランダム振幅変動である。

これら２つの効果を用いて、Ｈ_ｋ（ｔ）を以下のように変更できる。

式中、Γ_ｔは時間ｔにおける実際のＡＧＣ利得であり、α_ｔは時間ｔにおける初期位相歪みであり、β_ｔは時間ｔにおける線形位相歪みである。

背景の除去
式（８）におけるＨ_ｋ（ｔ）の３つの部分をそれぞれ（ｉ）信号、（ii）干渉及び（iii）ノイズとみることができる。Ｓ_ｋ（ｔ）のデコーダビリティを向上するために、干渉Ｉ_ｋの影響を軽減することが重要である。便宜上、Ｉ_ｋをサブキャリアｋの背景と呼ぶ。Ｈ_ｋ（ｔ）を直接使用するのに加えて、システムは、国際出願第ＰＣＴ／ＵＳ２０１７／０１５９０９号及び第ＰＣＴ／ＵＳ２０１６／０６６０１５号に開示される方法を使用して、ＣＳＩフィンガープリントを形成することもできる。また、国際出願第ＰＣＴ／ＵＳ２０１７／０１５９０９号及び第ＰＣＴ／ＵＳ２０１６／０６６０１５号に開示される方法を使用して、不完全なハードウェアに起因する位相歪みを補償するために、Ｈ_ｋ（ｔ）のＣＳＩ位相のサニタイズを行ってもよい。例えば位相歪みの補償は、ＣＳＩ折返し及び位相デリニアライゼーションにより行うことができる。

Ｉ_ｋを軽減する２つの方法がある。第１の方法は、主成分分析（ＰＣＡ）によるものである。ＰＣＡは、正規化を必要としない。最初に、Ｎ列の行列ＨにＫ×１個のＣＳＩを集めることができる。この場合、ＮはＣＳＩスナップショットの数であり、すなわち、Ｎ個の異なる時間インスタンスにおいて受信されたＣＳＩである。Ｎ≧Ｋである限り、ＰＣＡを使用してＨの内在構造を完全に活用できる。最小二乗の意味で、Ｈを以下のモデルに単純にフィッテイングできる。

ここで、σはスケーリング係数であり、Ｂは背景を表すユニットノルムＣＳＩを表す。式（１４）は、Ｈのランク１のフィッテイングにすぎず、これはＨの第１の主成分をとることにより容易に行うことができ、すなわち、最大固有値を見つけること及び特異値分解（ＳＶＤ）を使用して対応する特異ベクトルを見つけることにより、容易に行うことができる。

第２の方法は、背景ＣＳＩを導出して全てのＣＳＩから除去するために、Ｈ''（ｔ）の平均をとることである。例えば、正規化されたＣＳＩであるＨ''（ｔ）の各サブキャリアｋの全てのＮ個の時間インスタンスの平均を単純にとることができる。すなわち、

実際の実験データを使用した場合、これら２つの方法は非常に類似した結果を生じる場合がある。しかし、方法２は、ＳＶＤが含まれるため次元が大きいＨの場合は遅いことがある方法１よりはるかに単純である。従って、各サブキャリアに対する期間の背景を計算するために、式（１５）を単純に使用できる。背景除去後のサブキャリアｋの時間ｔにおけるＣＳＩを以下のように書くことができる。

実際は、以下の理由により、完全な背景除去は殆ど達成できない。第１に、物体及び人間の動きにより生じる環境における動きの存在により、干渉項Ｉ_ｋは時間的に変化し、Ｉ_ｋ（ｔ）と書く必要がある場合がある。第２に、呼吸周波数ｆが未知であるため、呼吸の周期Ｔも未知である。ｔ_Ｎ−ｔ_１≠ｃＴである場合、式（１７）を以下のように変更する必要がある。

式中、ｒ_ｋ（ｔ）はｔ_Ｎ−ｔ_１≠ｃＴであることによる剰余項である。

呼吸数の推定
呼吸数は、収集されたＣＳＩ情報からスペクトル解析により抽出できる。スペクトル解析アルゴリズムは、ノンパラメトリックアルゴリズムとパラメトリックアルゴリズムの２つの分類に分けることができる。

ノンパラメトリックアルゴリズムは、ＣＳＩの共分散構造を前提としないため、パラメトリックアルゴリズムと比較して、固有の低解像度につながる。ノンパラメトリックアルゴリズムは、ペリオドグラムアルゴリズム、ブラックマン−チューキーアルゴリズム及びウェルチアルゴリズムを含むが、それらに限定されない。これらのアルゴリズムのスペクトル分解能は１／Ｔにより厳密に限定され、Ｔは秒単位での総測定時間である。

一方、パラメトリックアルゴリズムは、ＣＳＩの共分散構造を前提とする。例えばＭＵＳＩＣアルゴリズム及びＲｏｏｔ−ＭＵＳＩＣアルゴリズムにおいて、信号次元が既知であると仮定してもよい。ＭＵＳＩＣ及びＲｏｏｔ−ＭＵＳＩＣはノンパラメトリックアルゴリズムと比較して特に動的環境において分解能が高いため、本教示において開示される呼吸監視方法は、これらのアルゴリズムをスペクトル解析アルトリズムとして使用できる。開示されるシステムにより呼吸数を推定するために、他のスペクトル解析アルゴリズムも使用できることが理解される。

人間の呼吸が厳密に定常ではないため、呼吸監視システムはオーバーラップする時間ウィンドウで動作できる。呼吸監視システムは、送信アンテナから受信アンテナへのリンクｄにおいて、Ｗ秒の時間ウィンドウ毎に、位相キャリブレーション及び背景除去を行った後のＣＳＩを使用して共振強度行列Ｒを計算できる。計算は、各時間ウィンドウがＰ秒シフトされる度に繰り返されてもよい。パケットレートｆ_ｓを有するＭ個のＣＳＩ測定値を仮定した場合、呼吸監視システムは全部で

個の時間ウィンドウを形成できる。各時間ウィンドウ内のＣＳＩサンプルを使用して呼吸を監視するためのステップを以下に詳細に説明する。

背景除去後、Ｔ_sampのＣＳＩサンプリングレートを仮定する場合、すなわち１／Ｔ_samp秒毎に１つのＣＳＩを取得する場合、ｉ番目のサンプリングされたＣＳＩとｊ番目のサンプリングされたＣＳＩとの間のＴＲＲＳとして定義される（ｉ−ｊ）番目のエントリを有するＴＲＲＳ行列Ｒを以下に示すように計算できる。

全部でＮ個のＣＳＩスナップショットを仮定する場合、システムはＮ×ＮのＴＲＲＳ行列Ｒを計算できる。その場合、システムは、呼吸数を抽出するために例えばＭＵＳＩＣアルゴリズム及び／又はＲｏｏｔ−ＭＵＳＩＣアルゴリズムを使用して、スペクトル解析を実行できる。

図３は、本教示の一実施形態に係る呼吸監視システムを例示的に示す図である。図３に示すように、ＣＳＩをキャプチャするために、システムはＷｉ−Ｆｉ ＮＩＣを利用して、アクセスポイント（ＡＰ）とステーション（ＳＴＡ）との間又はＢｏｔとＯｒｉｇｉｎとの間のチャネルサウンディング機構をサポートできる。ＡＰ及びＳＴＡの双方は１つ以上のアンテナを備えてもよく、その結果、全部でＤ個の送信／受信リンクが得られる。各送信／受信リンクにおいてキャプチャされたＣＳＩは、残余同期誤差の影響を軽減するためにキャリブレーションされる。

呼吸が検出された場合、システムは

に対してクラスタリングを実行でき、これは呼吸数推定値を異なるクラスタに分割する。その後、システムは、そのクラスタが呼吸数を表す可能性示す尤度を各クラスタに割り当てることができる。各クラスタの重心は、１人の推定呼吸数として解釈される。近接する別個の呼吸数推定値は、実際は同一人物に対応する場合があるため、システムは、それらの重心の差分が閾値を下回る場合にクラスタを結合し、呼吸数推定値及び尤度を再計算できる。その後、システムは、尤度が最も高い呼吸数推定値を出力してもよい。

固有値分解及びノイズ部分集合の取得
固有値分解：ＭＵＳＩＣ及び／又はＲｏｏｔ−ＭＵＳＩＣアルゴリズムの第１のステップは、固有値分解（ＥＶＤ）であり、これにより以下が得られる。

ＵはＮ×Ｎ直交行列であり、ΛはＲの全ての固有値を表す対角成分を有するＮ×Ｎ対角行列であり、†はエルメス演算子である。

ノイズ部分空間の取得：ｐの信号次元に対して、システムはＵを信号部分空間及びノイズ部分空間に分割できる。Ｕの最初のｐ列は信号部分空間Ｕ_ｓを構成し、Ｕの最後のＮ−ｐ列はノイズ部分空間Ｕ_nを構成する。

機械学習を用いるＭＵＳＩＣベースの呼吸推定
本教示の一実施形態によると、開示されるシステムは、機械学習を用いるＭＵＳＩＣアルゴリズムを使用する呼吸推定を実行してもよい。ＭＵＳＩＣアルゴリズムは、信号部分空間からノイズ部分空間までの距離に基づいて周波数を推定してもよい。

式中、Ｔは転置演算子である。式（２３）のｆが［０，ｆ_sound／２］の範囲に制限されることがわかる。ｆ_soundはサウンディング率であり、すなわち、ＣＳＩサンプルが取得される比率であり、これは一般に５〜２００Ｈｚの範囲である。従って、ｆ_sound／２は重要なナイキスト比率である。

スペクトル折返し：式（８）によると、擬似スペクトルはｆ＝０に対して対称である。従って、ＭＵＳＩＣの性能を向上するために、ｆ＝０でスペクトルを以下のように折り返すことができる。

Ｐ'_mu（０）＝Ｐ_mu（０）であることが式（２５）から明らかである。

スペクトルシフト：人間の呼吸数の範囲は特定の範囲に限定され、すなわちｆ_max≧ｆ_min≧０及びｆ_max≦ｆ_sound／２であるｆ_min〜ｆ_maxの範囲に限定されることが認識されるだろう。従って、Ｐ'_mu（ｆ）をｆ_min〜ｆ_maxの範囲になるようにトリミングできる。便宜上、これをＦ_human＝［ｆ_min, ｆ_max］と書く。

呼吸数推定値の分割：複数の送信アンテナ及び受信アンテナを有するＷｉ−Ｆｉシステム（多入力多出力（ＭＩＭＯ）システムとして知られる）、並びに／又は周波数ホッピング及び複数のチャネル上での動作が可能であり、全部でＤ個のアンテナリンク／Ｗｉ−Ｆｉチャネルを有するＷｉ−Ｆｉシステムの場合、呼吸数推定値の複数の集合を形成できる。

その後、システムは、例えばアフィニティ伝搬及びｋ平均クラスタリングである一般的なクラスタリング方法を実行して、各クラスタが

内の互いに近接する複数の呼吸数推定値を含み且つ１人の特定の人間に関連する呼吸数推定値を表すように、

を複数のクラスタに分割できる。

２人以上の人間がいて呼吸数が異なる場合、システムは複数のクラスタを観察することもできる。システムは、ａ）各クラスタの要素の濃度を示す各クラスタの正規化されたポピュレーション（ＮＰ）、ｂ）各クラスタの密度を示す各クラスタの正規化された分散（ＮＶ）及びｃ）各クラスタのクラスタ重心（ＣＣ）である統計値をクラスタ毎に計算できる。人間の呼吸の特性を考慮すると、重心の高いクラスタは重心の低いクラスタより可能性が低い。

各クラスタの上述した統計値を評価することにより、各クラスタが１人に関連する呼吸数を表す尤度を判定するために、全部でＵ個である全てのクラスタに尤度ｌ₁, ｌ₂,...,ｌ_Uを割り当てることができる。以下に説明するＲｏｏｔ−ＭＵＳＩＣベースの方法の場合、本ステップは、Ｒｏｏｔ−ＭＵＳＩＣアルゴリズムにより生成される複素根を抑制するために若干変更可能である。

式（２７）のｌ_iの表現からわかるように、ｖ_i＝０及びｐ_i＝１であるクラスタは、干渉又はノイズに起因するため除去する必要があるシングルトンである。従って、シングルトンに０の尤度を割り当てることができる。

クラスタの結合：実際は、ノイズが存在するため、２つの隣接するクラスタが実際は同一の人間の呼吸に関連する可能性がある。従って、本教示は、結合半径として知られるパラメータΓを導入する。２つの異なるクラスタ間の重心距離がΓを下回る限り、それらのクラスタを結合して単一クラスタにできる。それら２つのクラスタのＮＰをｐ₁及びｐ₂とし、ＮＶをｖ₁及びｖ₂とし、重心をｃ₁及びｃ₂とし、尤度をｌ₁及びｌ₂とする場合、結合クラスタはｐ'₁＝ｐ₁＋ｐ₂のＮＰを有する。一方、結合クラスタの分散は、結合クラスタ内の要素に基づいて再評価される。クラスタ重心は、ｃ'₁＝（ｌ₁ｃ₁＋ｌ₂ｃ₂）／（ｌ₁＋ｌ₂）として計算される。尤度ｌ'₁は、更新されたＮＰ、ＮＶ及びＣＣに基づいて再度割り当てられる。

尤度割り当て及びクラスタ結合の手順を図７に示す。図７に示すように、ステップ７０２において、呼吸数候補はクラスタリングアルゴリズムを使用して処理され、５個のクラスタが生成されてもよい。次に、ステップ７０４において、開示されるシステムは、それらのクラスタの各々に尤度を割り当てることができる。１つの要素のみを有するクラスタ、すなわちシングルトンは、本ステップにおいて除去されてもよい。ステップ７０４の後、本例では全部で４個のクラスタが残る。クラスタ１とクラスタ２との間の重心距離が結合半径より小さい場合、ステップ７０６において、システムはそれら２つのクラスタを結合して単一の大きいクラスタにできる。最後に、開示されるシステムは、結合クラスタの重心を呼吸数推定値として使用してもよい。

呼吸数推定：上記の計算を実行後、呼吸数を以下のように推定できる。クラスタ結合のステップ後のクラスタの総数がＵ'である場合、それらのクラスタに対する尤度はｌ'₁, ｌ'₂,...,ｌ'_U'として与えられ、２つの異なる場合、すなわち（ａ）人数Ｋが既知である場合及び（ｂ）人数Ｋが未知である場合において、呼吸数推定値を生成できる。

ケース（ａ）の場合、（ａ_１）Ｕ'≦Ｋである場合及び（ａ_２）Ｕ'＞Ｋである場合の２つのサブケースが存在してもよい。ａ_１の場合、Ｋ人のうちのＵ'を検出できる。換言すると、誤検出率は（Ｋ−Ｕ'）／Ｋである。ａ_２の場合、誤検出率は０であり、最も高い尤度を有するＫ個のクラスタの重心をＫ人の呼吸数推定値として使用できる。

ケース（ｂ）の場合、最初に人数Ｋの推定値を形成してもよく、これは以下に詳細に説明される。残りのステップは、ケース（ａ）と同一であってもよい。

図４は、本教示の一実施形態に係る機械学習を用いるＭＵＳＩＣアルゴリズムを使用する呼吸の検出及び監視の例示的な処理を示す図である。図４に示すように、ステップ４０２において、ＣＳＩに基づいて取得されるＴＲＲＳ行列に対して固有値分解（ＥＶＤ：Eigenvalue Decomposition）が実行される。ＣＳＩは、人間の呼吸の影響を受けうる受信無線信号から抽出されてもよい。ＴＲ共振の強度であるＴＲＲＳは、２つのＣＳＩサンプルの間の類似性の測定値である。ＴＲＲＳは、何らかの２つのＣＳＩの間のマッチングスコアとして使用できる。ＴＲＲＳが高いほど、２つのＣＳＩの類似性が高い。ＴＲＲＳに加えて、２つのＣＳＩの類似度は、例えば２つのＣＳＩの相互相関、２つのベクトルの内積、類似性スコア、距離スコア、位相補正、タイミング補正、タイミング補償及び位相オフセット補償である他の測定値により表すこともできることが理解される。

ステップ４０４において、ノイズ部分空間が取得される。ステップ４０６において、例えばＰ_mu（ｆ）である擬似スペクトルが評価されてもよい。ステップ４０８において、ｆ＝０でのスペクトル折返しが実行され、更新された擬似スペクトルＰ'_mu（ｆ）が取得される。ステップ４１０において、スペクトルシフトが実行され、Ｐ'_mu（ｆ）は人間の呼吸数の範囲Ｆ_human＝［ｆ_min, ｆ_max］にトリミングされる。ステップ４１２において、ｆ∈Ｆ_humanであるＰ'_mu（ｆ）のピークが検出され、

個のピークが選択され、候補としてランク付けされる。ステップ４０２〜４１２は、まとめてステップ４２０と呼ばれ、例えばマルチアンテナシステムの場合に各送信機／受信機アンテナリンクに対して繰り返されてもよいことが理解される。

ステップ４２２において、例えばステップ４１２で判定された呼吸数候補に基づいて、呼吸が検出されるかが判定される。ステップ４２２において呼吸が検出された場合、ステップ４２４において、ステップ４２０を繰り返すことにより、マルチアンテナシステムに対する呼吸数候補の大きい集合が形成されてもよく、その後、処理はステップ４２６に進む。ステップ４２２において呼吸が検出されない場合、処理はステップ４３４で終了してもよく、いくつかの実施形態では、ステップ４０２に戻って最初からやり直してもよい。

ステップ４２６において、呼吸数候補はクラスタリングにより分割され、統計値に基づいてクラスタ毎に基準が計算される。ステップ４２８において、２つのクラスタ間の重心距離が閾値を下回る場合、クラスタが結合される。ステップ４３０において、結合クラスタの統計値が再計算される。ステップ４３２において、結合クラスタの統計値に従って、呼吸数が推定される。各クラスタの重心は１人に関連する呼吸数の推定値を表すことが理解される。システムは、各クラスタの重心に基づいて、１人以上の１つ以上の呼吸数を同時に検出できる。

機械学習を用いないＭＵＳＩＣベースの呼吸推定
図５は、本教示の一実施形態に係る機械学習を用いないＭＵＳＩＣアルゴリズムを使用する呼吸の検出及び監視の例示的な処理を示す図である。機械学習を使用するアルゴリズムは、特に低価格の組み込み機器を使用するローカルな計算が必要な用途において、機械学習を必要としないアルゴリズムよりシステムの計算コストが高くなる場合がある。機械学習を必要としないアルゴリズムの場合、複数のアンテナリンク及び／又は複数のチャネルが存在するためＴＲＲＳ行列Ｒが複数存在する状況を避けてもよい。リンク又はチャネルｉ毎に、ＴＲＲＳ行列Ｒ_iを計算できる。その場合、以下のように、これらのＴＲＲＳ行列の平均を計算してもよい。

図５に示すように、ステップ５０２において、全てのアンテナリンク／チャネルのＴＲＲＳ行列に対する平均ＴＲＲＳ行列に対してＥＶＤが実行される。この場合、各ＴＲＲＳ行列は、無線リンク／チャネルを介して、１人以上の呼吸の影響を受けうる受信無線信号から抽出されたＣＳＩに基づいて取得される。ステップ５０４において、ノイズ部分空間が取得される。ステップ５０６において、例えばＰ_mu（ｆ）である擬似スペクトルが評価されてもよい。ステップ５０８において、ｆ＝０でのスペクトル折返しが実行され、更新された擬似スペクトルＰ'_mu（ｆ）が取得される。ステップ５１０において、スペクトルシフトが実行され、Ｐ_mu（ｆ）は人間の呼吸数の範囲Ｆ_human＝［ｆ_min, ｆ_max］にトリミングされる。ステップ５１２において、ｆ∈Ｆ_humanであるであるＰ'_mu（ｆ）ピークが検出され、ステップ５１２において更に、

個のピークが選択され、候補としてランク付けされる。ステップ５２２において、例えばステップ５１２で判定された呼吸数候補に基づいて、呼吸が検出されるかが判定される。ステップ５２２において呼吸が検出される場合、ステップ５２４において、ステップ５１２で検出されたピークに従って呼吸数が推定されてもよい。ＭＵＳＩＣ擬似スペクトルにおけるピークの位置は、そのような擬似ピークを生成する可能性が最も高い推定周波数を示してもよい。そのため、それらのピーク位置は、推定呼吸数を示す周波数に直接変換可能である。ステップ５２２において呼吸が検出されない場合、処理はステップ５２６で終了してもよく、いくつかの実施形態では、ステップ５０２に戻って最初からやり直してもよい。

機械学習を用いるＲｏｏｔ−ＭＵＳＩＣベースの呼吸推定
図６は、本教示の一実施形態に係る機械学習を用いるＲｏｏｔ−ＭＵＳＩＣアルゴリズムを使用する呼吸の検出及び監視の例示的な処理を示す図である。

以下のステップは、機械学習を用いるＭＵＳＩＣアルゴリズムを使用する呼吸の検出及び監視に対して前述したステップと同一であってもよい。

図６に示すように、ステップ６０２において、ＣＳＩに基づいて取得されるＴＲＲＳ行列に対してＥＶＤが実行される。ＣＳＩは、１人以上の呼吸の影響を受けうる受信無線信号から抽出されてもよい。ステップ６０４において、ノイズ部分空間が取得される。

ステップ６０２〜６１２は、まとめてステップ６２０と呼ばれ、例えばマルチアンテナシステムの場合に各送信機／受信機アンテナリンクに対して繰り返されてもよいことが理解される。

ステップ６２２において、例えばステップ６１２で判定された呼吸数候補に基づいて、呼吸が検出されるかが判定される。ステップ６２２において呼吸が検出された場合、ステップ６２４において、ステップ６２０を繰り返すことにより、マルチアンテナシステムに対する呼吸数候補の大きい集合が形成されてもよく、その後、処理はステップ６２６に進む。ステップ６２２において呼吸が検出されない場合、処理はステップ６３４で終了してもよく、いくつかの実施形態では、ステップ６０２に戻って最初からやり直してもよい。

ステップ６２６において、呼吸数候補はクラスタリングにより分割され、統計値に基づいてクラスタ毎に基準が計算される。ステップ６２８において、２つのクラスタの重心距離が閾値を下回る場合、クラスタが結合される。ステップ６３０において、結合クラスタの統計値が再計算される。ステップ６３２において、結合クラスタの統計値に従って、呼吸数が推定される。例えば図７に示すように、クラスタに尤度が割り当てられ、それらを統計値として使用でき、推定呼吸数が得られる。

図８Ａは、本教示の一実施形態に係る呼吸数監視システムの一般的な実現例を例示的に示す図である。図８Ａに示すように、ユーザ８０２は呼吸数監視システム８１０と通信してもよい。本例における呼吸数監視システム８１０は、単一の受信機８１５、ＣＳＩ生成器８２２、ＣＳＩフェッチャ８２４及び呼吸推定器８２６を含む。

本例におけるＣＳＩ生成器８２２は、ユーザ８０２から要求を受信してもよい。一実施形態において、図８Ａに示すように、要求は１人以上の呼吸数の推定に対するものである。別の実施形態において、要求は、呼吸又は人間の何らかのバイタルサインの存在の判定に対するものであってもよい。更に別の実施形態において、要求は、特定の領域における人数の判定に対するものであってもよい。

ＣＳＩ生成器８２２は、要求に基づいてＣＳＩを生成してもよい。一実施形態において、ＣＳＩ生成器８２２は、１人以上の呼吸による影響を受けうるマルチパスチャネルを介して単一の受信機８１５が受信した無線信号を取得してもよい。受信無線信号に基づいて、ＣＳＩ生成器８２２は、１人以上の呼吸情報が埋め込まれている可能性のあるマルチパスチャネルのプロファイルの情報を表すＣＳＩを生成してもよい。ＣＳＩ生成器８２２は、生成したＣＳＩをＣＳＩフェッチャ８２４に送出してもよい。一実施形態において、呼吸数監視システム８１０は、マルチパスチャネルを介して無線信号を送信するように構成された１つ以上の送信機を更に含んでもよい。

本例におけるＣＳＩフェッチャ８２４は、複数のアンテナにおいてマルチパス環境を介して送信された無線信号を受信し、受信信号に基づいてチャネルプロファイルを抽出するように構成されてもよい。本例における呼吸推定器８２６は、抽出されたチャネルプロファイルにより与えられる複数の呼吸数を分解し、要求に応答してユーザに呼吸数推定値を提供するように構成されてもよい。

図８Ｂは、本教示の一実施形態に係る別の呼吸数監視システム８１１の一般的な実現例を例示的に示す図である。図８Ｂに示すように、多重アンテナの技術を利用するために、単一の受信機８１５が複数の受信機８１６に置き換えられてもよい。例えば複数の受信機である複数のアンテナからのＣＳＩは、国際出願第ＰＣＴ／ＵＳ２０１７／０１５９０９号及び第ＰＣＴ／ＵＳ２０１６／０６６０１５号に開示される方法等の種々の方法を使用して組み合わせ又は結合が可能である。

一実施形態において、図８Ａ及び図８Ｂに示すように、ＣＳＩ生成器８２２、ＣＳＩフェッチャ８２４及び呼吸推定器８２６は全て、プロセッサ８２０上で実現されてもよい。更に、呼吸数監視システム８１０及び８１１の各々はプロセッサ８２０と通信可能に結合されたメモリを含んでもよい。

呼吸検出
上記で開示した種々のアルゴリズムを有する開示されるシステムは、呼吸検出にも使用でき、すなわち、無線送信機及び無線受信機の近傍に呼吸する人間がいるかを検出するために使用できる。

一実施形態において、ＭＵＳＩＣベースの方法を使用する呼吸検出の処理は以下のステップを含んでもよい。呼吸が存在しない場合、擬似スペクトルにおける選択された基準に関してピークが有意でないため、開示されるＭＵＳＩＣベースの方法は一般に推定値を生成しない。一方、呼吸が存在する場合、開示されるＭＵＳＩＣベースの方法は、選択された基準を満たす推定値を生成する。

別の実施形態において、Ｒｏｏｔ−ＭＵＳＩＣベースの方法を使用する呼吸検出の処理は、以下のステップを含んでもよい。呼吸が存在しない場合、開示されるＲｏｏｔ−ＭＵＳＩＣベースの方法は多くの平方根を生成せず、すなわち、多項式は殆どの状況において解くことができず、この場合に多項式が解けるとき、平方根の数は一般に少ない。それに対して、呼吸が存在する場合、多項式は解くことができ、多くの推定値を得られる。

ＭＵＳＩＣベースの方法の場合、呼吸を検出するために、選択された基準に対する閾値を設定してもよい。Ｒｏｏｔ−ＭＵＳＩＣベースの方法の場合、システムは２つのメトリックα及びβを計算でき、αは多項式を解くことができない尤度を表し、βは、可能な平方根の総数に対する取得された平方根の数の比率として計算される平方根の豊富度を表す。

呼吸監視システムは、呼吸検出のためにそのような観察値を利用する。最初に、システムは以下により与えられるα統計値及びβ統計値を形成する。

式中、βの分母は、Ｖ個の時間ウィンドウ、Ｄ個のリンク、時間ウィンドウ毎のリンク毎のｐ個の推定値に対する可能な呼吸数推定値の総数であり、|・|は集合の濃度を示す。αは式（３０）の非可解性を示し、βは式（３０）を解く際の解の多様性を示す。

θに関連するグランドトゥルースラベルｙも使用可能である場合、θ＝（α, β）と呼吸の存在との相関はロジスティクス回帰バイナリ分類器をトレーニングするために使用される。ｙ＝１は呼吸が存在することを表し、ｙ＝０は呼吸が存在しないことを表す。開示される呼吸監視システムは自律システムとして設計されるため、グランドトゥルースラベルを使用できなくてもよい。

θからラベルｙを自動的に学習するために、システムは教師なし学習法を開発できる。例えばシステムは、Ｔ回実行して、θ₁, θ₂,..., θ_Tを生成してもよい。以下の２つのステップにより、θに関連するラベルを判定できる。（ｉ）ｋ＝２として、θ₁, θ₂,..., θ_Tに対してｋ平均クラスタリングを実行する。（ii）ｋ平均により生成された２つのクラスタのうち、平均α値が大きいクラスタを選択し、当該クラスタ内の全ての要素に１をラベル付けする。一方、他方のクラスタ内の全ての要素に０をラベル付けする。

呼吸に基づく人数計測
呼吸検出及び呼吸数監視に基づいて、システムは検出された人数を計測することもできる。ＭＵＳＩＣベースの方法の場合、システムは、何らかの特定の基準に基づいて、擬似スペクトルにおける有意なピークの数を計測できる。この場合、有意なピークの数は、検出された呼吸を有する人間の数を示してもよい。Ｒｏｏｔ−ＭＵＳＩＣベースの方法の場合、システムは、尤度に対する特定の閾値と比較して高い尤度を有するクラスタの数を計測できる。

例えば人数が未知である場合、開示されるシステムは、無線装置の近傍に存在する人数を推定するために使用できる。開示されるシステムは、クラスタ結合後の各クラスタの尤度を使用して、以下のようにＫの推定値を形成してもよい。

呼吸強度の推定及び呼吸の幾何学的抽出
呼吸数の推定値に加えて、呼吸強度も病状の重要な指標となりうる。例えば速くて浅い呼吸は、発熱、恐怖及び他の要因に起因する異常呼吸である頻呼吸の指標となりうる。一方、呼吸信号の発生元を知ることは、監視されている人間の位置を推測するために有用であり、例えば幾何学的抽出は有用である。これは、２人が同一の呼吸数で呼吸している場合に有用である。そのような２人は同一の位置にいない場合があり、異なる位置により互いを潜在的に区別できる。

式（１７）に示すように完全な背景除去を達成できると仮定し、ノイズを無視できると更に仮定する。

周期的とは、ゼロ交差点が周期的パターンを示すことを意味する。これは、ベッセル関数Ｊ₁（ｘ）のゼロ交差点が独立変数ｘと共にほぼ周期的であるためである。

有効呼吸強度の推定

式中、ｃは光の速さであり、Ｎは４０ＭＨｚの場合に１２８であり且つ２０ＭＨｚの場合に６４であるＦＦＴのサイズであり、Ｔ_sは４０ＭＨｚの場合に２５ｎｓであり且つ２０ＭＨｚの場合に５０ｎｓであるサンプリング間隔である。全ての時間インスタンスｔに対して、同一の動作を繰り返すことができる。

呼吸に関する幾何学的情報の推定

から、システムは、監視されている人間の位置に関連する推定値ｄ₁を推定できる。例えば、ｄ₁が３メートルであるとシステムが推定する場合、監視されている人間は３メートルの長さを有するマルチパス成分に有意な影響を与えるだろう。換言すると、人間は、開示されるシステムの無線送信対の非常に近くにいる。

同一の動作を全ての時間インスタンスｔに対して繰り返して、呼吸による影響を最も受ける時系列の推定パス遅延を形成できる。

有効呼吸強度の推定及び呼吸に関する幾何学的情報の抽出は、複数人の呼吸の場合にも拡張可能である。

欠落パケットの処理
例えばＷｉ−Ｆｉシステムである市販のチップからの無線信号を実際に使用する際、以下の理由から、パケットの欠落は避けられないだろう。第１に、同一の中心周波数で動作している別のＷｉ−Ｆｉネットワーク等の近くの無線システムからの大きいＲＦ干渉が存在する場合がある。第２に、ＣＳＩをキャプチャするアクセスポイントは、関連するユーザにインターネットアクセスを提供する役割も有する場合がある。ユーザが高精細のオンライン映画を視聴している場合等、ユーザが広帯域を継続的に占有している場合、パケット損失率は大幅に上昇する。第３に、ＣＳＩをキャプチャするアクセスポイントに関連付けられた複数のＷｉ−Ｆｉステーションが存在し、このことはアップリンク方式を形成する。Ｗｉ−Ｆｉステーションは、サウンディングパケットを同一アクセスポイントに送出するために互いに競合し、それによりパケット損失が発生することがある。

パケット損失により、アクセスポイント側における受信ＣＳＩのタイムスタンプは一様であると見なすことができない。このタイムスタンプの一様性は、大部分のスペクトル解析器、すなわちＭＵＳＩＣ及びＲｏｏｔ−ＭＵＳＩＣにおいて基本的な前提である。パケット損失が十分に多い場合、ＭＵＳＩＣアルゴリズム及びＲｏｏｔ−ＭＵＳＩＣアルゴリズムの性能が大幅に低下することが予測できる。

式中、ＵはＮ×Ｎ直交行列であり、ΛはＲの全ての固有値を表す対角成分を有するＮ×Ｎ対角行列であり、†は共役転置演算子を表す。実際は、チャネルノイズが存在するため、Ｒは最大階数であり、従って、Ｕ及びΛも同様に最大階数である。従って、Ｕの列は空間全体にわたり、その一部は信号部分空間に存在し、残りはノイズ部分空間に存在する。信号部分空間がｐであり且つＵの行がΛの対角上の固有値の降順に基づいてソートされる場合、Ｕの最初のｐ列は信号部分空間に存在し、Ｕの残りのＮ−ｐ列はノイズ部分空間に存在する。

Ｕ'の最初のｐ列及び最後のＮ＋Ｍ−ｐ列を取ることにより、補完された信号固有空間Ｕ'_s及びノイズ部分空間Ｕ'_nを取得できる。機械学習を用いるＭＵＳＩＣ／Ｒｏｏｔ−ＭＵＳＩＣにおいて開示した同様のステップに従うことにより、システムは、欠落パケットが存在する場合の呼吸監視を実行できる。

ＴＲＲＳ行列Ｒの平滑化
Ｒの計算は、ＣＳＩのＮ個のスナップショットに基づいてもよい。ＭＵＳＩＣ及びＲｏｏｔ−ＭＵＳＩＣアルゴリズムの精度を向上するために、システムは、ＴＲＲＳ行列Ｒに対して時間平滑化を実行でき、それにより拡張ＴＲＲＳ行列

が得られる。アルゴリズムの詳細を以下に説明する。

Ｒ_smが空でない限り、ＭＵＳＩＣ及び／又はＲｏｏｔ−ＭＵＳＩＣを使用する解析に使用できる。一方、Ｒ_smが空である場合、これは平滑化を正常に実行できないことを示してもよい。これは、Ｗｉ−Ｆｉパケットの大部分、すなわち６０％が欠落していることが原因であってもよい。

図９は、本教示の一実施形態に係る時間平滑化の例示的な処理を示す図であり、１つのＣＳＩが欠落し、全部で４つのＣＳＩがある場合を仮定する。

上記で開示されたＴＲＲＳ行列を平滑化するステップは、上記で開示された欠落パケットを処理するステップと組み合わせた場合、欠落パケットがある場合の呼吸監視の性能を更に向上できる。

投影（幾何学的埋め込み）を用いる呼吸推定
いくつかの状況において、特定のパス長／遅延を有する特定のマルチパス成分に対してのみ呼吸を調べたい場合がある。例えば、２人がはっきりと区別されたパス遅延を有する２つの位置にいることがわかっている場合、当該２つの区別されたパス遅延に従ってＣＳＩを投影することにより、システムは２人の呼吸数が類似する場合でも２人の「呼吸監視」を分離できる。

この特徴を実現するために、システムはＣＳＩのスナップショットに空間フィルタリングを実行できる。

その後、ＭＵＳＩＣ及び／又はＲｏｏｔ−ＭＵＳＩＣアルゴリズムを使用して、呼吸数を推定できる。

呼吸監視に対する動きの影響
不可避的に環境が動的である場合がある。換言すると、バイタルサインに関連するＣＳＩの望ましい成分の他に、バイタルサインに関係ない他の成分もＣＳＩに存在する場合がある。

更に詳細には、式（９）で定義されたＣＳＩモデルＨ_k（ｔ）は、信号成分Ｓ_k（ｔ）が時間ｔと共に変化するという意味で、動的であってもよい。しかし、干渉項Ｉ_kは時間ｔの関数ではなく、呼吸により与えられるダイナミクス以外、静的環境を表す。動きによるダイナミクスが存在する場合、式（９）を以下のように変更する必要がある。

式中、Ｉ_k（ｔ）で示される動きにより生じる干渉も時間ｔの関数になる。本教示において開示される背景除去の後ですら、他のスペクトル成分をそのまま残した状態で動きの干渉Ｉ_k（ｔ）のＤＣ成分を軽減することは殆どできない。動きの干渉の存在は、誤警報及び誤検出の双方を引き起こすだろう。

例えば動きの干渉Ｉ_k（ｔ）によるいくつかのスペクトル成分、すなわちｆ_lが非常に強い場合、開示されるシステムは、実際は呼吸ではなく何らかの動きにより生じたｆ_lにおいて、いくつかの呼吸数推定値を生成する。このことにより、誤警報が増加する場合がある。

例えばＩ_k（ｔ）による何らかのスペクトル成分が呼吸周波数ｆとオーバーラップする場合、干渉がｆにおけるスペクトル成分を相殺する可能性があり、それにより誤検出が生じる。

この問題に取り組むために、システムは、例えば国際出願第ＰＣＴ／ＵＳ２０１６／０６６０１５号に開示される方法に基づいて、呼吸等の小さい動きではなく大きい動きの影響を受けるＣＳＩサンプルを検出するために動き検出を実行できる。その場合、それらのＣＳＩサンプルを単純に欠落したものとして扱い、本教示の上記において開示された欠落パケットを扱う方法を使用して、呼吸数を推定できる。

呼吸数が近い人間の区別
実際は、異なる人間の呼吸数が互いに非常に類似するため、推定が非常に困難である場合がある。式（７）によると、２つの呼吸数の間の差分は高調波が高次であるほど明確である。例えば２つの呼吸数ｆ₁及びｆ₂が存在し、ｆ₂−ｆ₁＝Δである場合、二次高調波の場合の差分は２Δであり、これは一次高調波の場合の差分の２倍である。この状況において、システムは、高調波を使用して、互いに非常に類似する２つの呼吸数を区別できる。

高調波の電力は、次数ｍと共に急速に減衰してもよい。従って、高次高調波、すなわち１より大きい次数を有する高調波は、呼吸数を抽出するために幾何学的情報を使用する場合、呼吸数推定に使用するには弱すぎることがある。しかし、監視されている人間がいる異なる位置の凡そのパス遅延がわかると、システムは収集されたＣＳＩをそれらのパス遅延に投影し、上記で開示された投影を用いる呼吸推定方法を利用して、呼吸数を推定できる。

ユースケース
人間の検出及び監視
開示される呼吸監視方法は、呼吸を検出できるため、人間の存在を検出するために使用可能である。これは、スマートホームの用途及び例えば鉱山やがれきである接近不能な領域における生命検出に有用である。別の例は、エレベータに何らかの緊急事態が生じて２つの階の間で停止した場合であり、開示される呼吸監視機能を有する装置がエレベータの内部／周辺に事前に設置されている場合、エレベータ内部の人間の呼吸を注意深く監視できる。更に別の例は、何らかの車両が刑務所を出発しようとしているか、国境を越えようとしているか又は犯罪現場周辺を移動している場合、警察官は車両内に怪しい人物がいるか調べる必要があり、開示される呼吸監視装置を車両上／周辺の適切な位置に設置して、怪しい人物が実際に車両内にいるかを検出できる。更に別の例は、特に夜間に、囚人が生存しているか又は健康状態が良好かの十分な監視が不足しているかもしれない場合である。開示される呼吸監視装置は、刑務所による囚人の監視を支援してもよい。

人数の計測
開示される呼吸監視装置は、配置された装置周辺の人数を推定できる。従って、これは、例えばバス、室内等の人数を計測する混雑制御の用途に使用できる。

健康管理及びウェルネス
開示される呼吸監視装置は、人間の呼吸の異常を検出するために使用できる。呼吸数の変動を追跡することにより、医者は、患者の呼吸パターンに関する豊富な情報を用いて患者を診断できる。例えば背景除去後、背景除去されたＣＳＩをチェックでき、ＣＳＩの波形と何らかのデータベースからの呼吸パターンとをパターンマッチングすることにより、患者が呼吸器系に問題を有するかを見つけることができる。別の例は、開示される装置を高齢者福祉センタ、保育所又は家庭に配置することにより、高齢者／幼児の健康状態を注意深く監視できる。

開示される呼吸監視は、周期的な変化パターンを示す他のバイタルサインを監視するためにも使用可能である。例えば呼吸監視装置が６０ＧＨｚ等の高い中心周波数で動作する場合、人間の心拍を監視することもできる。同様に、開示される装置は、動物園の動物等の動物のバイタルサイン監視に使用できる。

別の呼吸監視方法
呼吸により人間の胸部の位置が移動し、それにより胸部の影響を受けるパス遅延が変化する場合があり、異なるアンテナリンクにおけるサブキャリアの位相も呼吸に従って同様に変化する。従って、人間の呼吸を追跡するために位相の変化を使用できる。

開示される呼吸監視システムは、呼吸により生じる時間的に変化する位相変化を示すために、特定のアンテナリンクにおける代表的なサブキャリアを選択できる。例えばサブキャリアの選択基準は、（ｉ）期間におけるサブキャリアの分散、又は（ii）期間内の主要なスペクトル成分のエネルギーであってもよい。

代表的なサブキャリアを選択後、当該サブキャリアにおけるＣＳＩの周期的変化パターンを調べることにより、人間の呼吸数を推定できる。例えば代表的なサブキャリアにおけるＣＳＩの振幅は、正弦波状のパターンを示す場合がある。ある特定の期間Ｔ０を仮定した場合、ＣＳＩ振幅のゼロ交差点の数を計測することにより、システムは、期間Ｔ０に存在する呼吸サイクルの数を認識でき、呼吸数を更に推定できる。

他の種類の機械学習法も呼吸推定に使用できる。

実験結果
開示される監視システムの性能を評価するために、広範な実験が行われた。実験は、オフィスの続き部屋にあって、８ｍ×７ｍの寸法及び８ｍ×５ｍの寸法をそれぞれ有する２つの異なる部屋で行われた。市販のＷｉ−Ｆｉカードを装備した一対のプロトタイプが、ＣＳＩを取得するための３つの全指向性アンテナを用いて構築された。従って、リンクＤの総数は９である。プロトタイプの一方はＯＲＩＧＩＮとして機能し、他方はＢＯＴとして機能する。中心周波数は、４０ＭＨｚの帯域幅を有する５．８ＧＨｚ Ｗｉ−Ｆｉ帯域において構成される。送信電力は２０ｄＢｍである。

ＬＯＳ状況及びＮＬＯＳ状況の双方で性能を評価した。ＬＯＳ状況において、ＯＲＩＧＩＮ及びＢＯＴは人間と同一の部屋に配置されるが、ＮＬＯＳ状況において、ＯＲＩＧＩＮ及びＢＯＴは部屋の外側に配置され、２つの壁により遮断される。双方の状況における双方のＷｉ−Ｆｉ装置の位置を図１０及び図１１に示す。

全部で１７人の異なる参加者が招待された。実験の間、頭部や手足の動き等の僅かな動きは許可された。図１０では１２人が会議室に座ったが、図１１では最大７人が別の部屋に座った。

提案される監視システムの性能は、グランドトゥルースに対して呼吸数推定値を比較することにより評価される。グランドトゥルースを取得するために、各参加者は、携帯電話のメトロノームアプリケーションに従って呼吸を同期させるように頼まれた。制御された呼吸実験の後、更に実際的な設定で実験を行ってもよく、その場合、参加者は個人的習慣に従って自然に呼吸し、自身の呼吸数を手動で計測するように頼まれてもよい。

呼吸数推定値の精度を評価するために、以下のように定義されるａｃｃｕｒａｃｙと呼ばれるメトリックを使用できる。

図１２は、ＳＶＭを分類器として使用する提案されるシステムの呼吸検出性能を示す。第１に、レベル

をθ＝（α, β）から誤差なく推測できることがわかる。第２に、ＳＶＭがθ＝（α, β）を完全に分割する超平面を返すことがわかり、これは１００％の検出率を意味する。これは、結果に対してＫ−ｆｏｌｄクロスバリデーションを行うことにより更に検証され、クロスバリデーション毎に誤警報がない１００％の検出を得られる。

その後、ＬＯＳ状況における複数人の呼吸監視に対して、開示されるシステムを評価できる。ＬＯＳ状況において、図１０に示すように、全部で１２人が会議室に招待される。各クラスタの正規化されたポピュレーション、変動、尤度及び重心を図１３に示す。提案されるシステムは、１２人のうち９人の呼吸数を９８．６５％の精度で解像することが図１３からわかる。

開示されるシステムは、複数人のＮＬＯＳ状況において更に評価された。２つの装置が図１１に示すようにＮＬＯＳ状況で配置された１つの会議室に異なる人数（最大７人）が招待された。精度性能を図１４に示す。Ｋ＝７の場合に９９．１％の精度を達成できること及び７つ全ての場合を平均すると９７．３％の平均精度を達成できることが示される。

図１５は、開示されるシステムの人数計測性能を示す。人数計測の平均誤差は、閾値λの関数であるＰ（λ）として評価された。最適なＰ（λ）はλ＝０．８８の場合の１．１５であることがわかる。このように、提案されるシステムは約１人の誤差で人数を推定できる。

次に、同時に存在するＷｉ−Ｆｉシステムにより生じる周囲のＷｉ−Ｆｉトラフィックのためパケット損失が存在する場合の開示されるシステムの性能を調べた。２つの異なるパケット損失の仕組み、すなわち、集中的パケット損失及びランダムパケット損失を考慮できる。集中的パケット損失は主に、いくつかのＷｉ−Ｆｉ装置の間の継続的なデータ送信により媒体が長時間混雑することに起因する場合がある。一方、ランダムパケット損失は、媒体を時々占有する多数の近接するＷｉ−Ｆｉ装置のランダムアクセスに起因する場合がある。

上述した２つの仕組みでの異なるパケット損失率の結果を図１６に示す。パケット損失補償が行われない場合、ランダムパケット損失の結果は集中的パケット損失よりはるかに重大であることがわかる。１０％のランダムパケット損失の場合、精度は９９．３５％から８８．３５％に低下する。２０％のパケット損失の場合、精度は７４．１３％に更に低下し、３０％のパケット損失の場合、精度は６２．８３％に更に低下する。開示されるシステムが３０％のパケット損失の場合でさえ９９．７０％の精度を維持していることから、パケット損失補償の利点は明らかである。それに対して、集中的パケット損失は精度を大幅に低下させない。これは、集中的パケット損失の場合、大部分のＣＳＩが依然として均一にサンプリングされることにより説明される。

図１７は、種々の方法を使用する複数人のＮＬＯＳ状況の累積密度関数の性能を示す図である。図１７に示すように、ＣＳＩの振幅及び位相の双方を使用することは、ＣＳＩの振幅のみを使用する場合より性能が高い。一方、Ｒｏｏｔ−ＭＵＳＩＣ方式を使用することは、例えばウェルチの推定量である従来のノンパラメトリック方式より性能が高いと結論付けることができる。

本開示で説明された種々のモジュール、ユニット及びそれらの機能性を実現するために、本明細書中で説明された要素（例えば、図１〜図１７のいずれかに関して説明したシステムの構成要素）の１つ以上に対するハードウェアプラットフォームとしてコンピュータハードウェアプラットフォームを使用してもよい。そのようなコンピュータのハードウェア要素、オペレーティングシステム及びプログラミング言語は本質的に従来のものであり、当業者は、本明細書中で説明したチャネル状態情報に基づくバイタルサインの検出及び監視を調べるために当該技術を適合させるために、それらに十分に精通していると推測される。ユーザインタフェース要素を有するコンピュータは、パーソナルコンピュータ（ＰＣ）又は他の種類のワークステーション又は端末装置を実現するために使用されてもよいが、コンピュータは適切にプログラミングされた場合にサーバとして機能してもよい。当業者はそのようなコンピュータ機器の構造、プログラミング及び一般的な動作に精通していると考えられ、そのため、図面は自明である。

開示されるシステムは、ユーザインタフェース要素を含むハードウェアプラットフォームの機能ブロック図を有する専用システムにより実現可能である。コンピュータは、汎用コンピュータ又は専用コンピュータであってもよい。双方は、本教示に対する専用システムを実現するために使用可能である。このコンピュータは、本明細書中で説明するように、チャネル状態情報に基づくバイタルサイン検出／監視技術の何らかの構成要素を実現するために使用されてもよい。例えば図８のシステムは、コンピュータのハードウェア、ソフトウェアプログラム、ファームウェア又はそれらの組み合わせを介して、コンピュータ上で実現されてもよい。

従って、上記で概要を述べたチャネル状態情報に基づくバイタルサイン検出／監視方法の態様は、プログラミングにおいて実現されてもよい。技術のプログラム態様は、通常は、一種の機械可読媒体で搬送されるか又はそれに埋め込まれる実行可能なコード及び／又は関連するデータの形態である「製品」又は「製造品」であると考えられてもよい。有形不揮発性「記憶」型媒体は、コンピュータ又はプロセッサ等のためのメモリ又は他の記憶装置、あるいはソフトウェアプログラミングに対していつでもストレージを提供してもよい種々の半導体メモリ、テープドライブ及びディスクドライブ等、その関連付けられたモジュールのうちのいずれか又は全てを含む。

ソフトウェアの全体又は一部は、インターネット又は種々の他の電気通信ネットワーク等のネットワークを介して時々通信してもよい。そのような通信は、例えば１つのコンピュータ又はプロセッサから別のコンピュータ又はプロセッサへのソフトウェアのロードを可能にしてもよい。従って、ソフトウェア要素を担持してもよい別の種類の媒体は、有線ネットワーク、光固定ネットワーク及び種々のエアリンクを介して、ローカルデバイス間の物理インタフェースにわたり使用されるような光波、電波及び電磁波を含む。有線リンク、無線リンク又は光リンク等のそのような波を搬送する物理的要素もまた、ソフトウェアを担持する媒体であると考えられてもよい。本明細書中で使用されるように、有形「記憶」媒体に限定されない限り、コンピュータ又は機械「可読媒体」等の用語は、実行するためにプロセッサに命令を提供することに関係する何らかの媒体を示す。

従って、機械可読媒体は、有形記憶媒体、搬送波媒体又は物理的伝送媒体を含むがそれらに限定されない多くの形態をとってもよい。不揮発性記憶媒体は、例えば、図面に示すようなシステム又はその構成要素のいずれかを実現するために使用されてもよい何らかのコンピュータ等におけるいずれかの記憶装置等の光ディスク又は磁気ディスクを含む。揮発性記憶媒体は、そのようなコンピュータプラットフォームのメインメモリ等のダイナミックメモリを含む。有形伝送媒体は、同軸ケーブル、コンピュータシステム内でバスを形成するワイヤを含む銅線及び光ファイバを含む。搬送波伝送媒体は、無線周波数（ＲＦ）データ通信及び赤外線（ＩＲ）データ通信の間に生成されるような電気信号、電磁信号、音波又は光波の形態をとってもよい。従って、コンピュータ可読媒体の一般的な形態は、例えば、フロッピーディスク、フレキシブルディスク、ハードディスク、磁気テープ、他の何らかの磁気媒体、ＣＤ−ＲＯＭ、ＤＶＤ又はＤＶＤ−ＲＯＭ、他の何らかの光媒体、パンチカードの紙テープ、穴のパターンを有する他の何らかの物理記憶媒体、ＲＡＭ、ＰＲＯＭ及びＥＰＲＯＭ、ＦＬＡＳＨ−ＥＰＲＯＭ、他の何らかのメモリチップ又はカートリッジ、データ又は命令を伝送する搬送波、そのような搬送波を伝送するケーブル又はリンク、あるいはコンピュータがプログラミングコード及び／又はデータを読み出してもよい他の何らかの媒体を含んでもよい。コンピュータ可読媒体のそれらの形態の多くは、実行するために１つ以上の命令の１つ以上のシーケンスを物理プロセッサに搬送することに関係してもよい。

本教示は種々の変更及び／又は拡張が可能であることが当業者には認識されるだろう。例えば上述した種々の構成要素の実現はハードウェア装置において具現化されてもよいが、既存のサーバへのインストール等、ソフトウェアのみによる解決策として実現されてもよい。更に、本明細書中で開示されるチャネル状態情報に基づくバイタルサインの検出及び監視は、ファームウェア、ファームウェア／ソフトウェアの組み合わせ、ファームウェア／ハードウェアの組み合わせ又はハードウェア／ファームウェア／ソフトウェアの組み合わせとして実現されてもよい。

本教示及び／又は他の例を構成すると考えられるものを上記に説明したが、種々の変更が行われてもよいこと、本明細書中で開示される主題は種々の形態及び例において実現されてもよいこと、本教示は一部のみを本明細書中で説明した多くの用途に適用されてもよいことが理解される。以下の特許請求の範囲は、本教示の真の範囲に含まれる適用、変更及び変形の全てを特許請求することを意図する。

Claims (18)

1. バイタルサイン検出のための装置（８１０）であって、
   少なくとも１つの生物のバイタルサインの影響を受けうるマルチパスチャネルから少なくとも１つの無線信号を受信するように構成された受信機（８１５）と、
   プロセッサ（８２０）と、
   前記プロセッサと通信可能に結合されたメモリとを備え、前記プロセッサは、
   前記少なくとも１つの無線信号から前記マルチパスチャネルの時系列のチャネル状態情報（ＣＳＩ）を抽出し、
   前記時系列のＣＳＩのスペクトル解析に基づいて、１つ以上の周期的変動を取得し、
   前記１つ以上の周期的変動に基づいて、前記バイタルサインが存在するかどうかを判定するように構成され、
   前記バイタルサインは呼吸であり、前記プロセッサは更に、前記バイタルサインが存在するとの判定に応じて、１つ以上の生物の１つ以上の呼吸数を判定するように構成され、
   前記プロセッサは更に、
   前記時系列のＣＳＩに基づいてＴＲＲＳ行列を計算し、
   平滑化されたＴＲＲＳ行列を生成するために時間領域において前記ＴＲＲＳ行列を平滑化し、ここで、前記スペクトル解析は、前記平滑化されたＴＲＲＳ行列に基づいて実行され、
   前記ＴＲＲＳ行列に対して固有値分解を実行し、
   前記固有値分解に基づいてノイズ部分空間を取得し、
   前記ノイズ部分空間に基づいて擬似スペクトルを生成し、
   更新された擬似スペクトルを生成するために前記擬似スペクトルに対してスペクトル折返しを実行し、
   前記更新された擬似スペクトルを、呼吸数に関連する範囲にトリミングし、
   前記範囲内の前記更新された擬似スペクトルの１つ以上のピークを検出するように構成され、前記１つ以上の生物の前記１つ以上の呼吸数は、前記検出された１つ以上のピークに基づいて判定される、装置。
2. バイタルサイン検出のための装置（８１０）であって、
   少なくとも１つの生物のバイタルサインの影響を受けうるマルチパスチャネルから少なくとも１つの無線信号を受信するように構成された受信機（８１５）と、
   プロセッサ（８２０）と、
   前記プロセッサと通信可能に結合されたメモリとを備え、前記プロセッサは、
   前記少なくとも１つの無線信号から前記マルチパスチャネルの時系列のチャネル状態情報（ＣＳＩ）を抽出し、
   前記時系列のＣＳＩのスペクトル解析に基づいて、１つ以上の周期的変動を取得し、
   前記１つ以上の周期的変動に基づいて、前記バイタルサインが存在するかどうかを判定するように構成され、
   前記バイタルサインは呼吸であり、前記プロセッサは更に、前記バイタルサインが存在するとの判定に応じて、１つ以上の生物の１つ以上の呼吸数を判定するように構成され、
   前記プロセッサは更に、
   前記時系列のＣＳＩに基づいてＴＲＲＳ行列を計算し、
   平滑化されたＴＲＲＳ行列を生成するために時間領域において前記ＴＲＲＳ行列を平滑化し、ここで、前記スペクトル解析は、前記平滑化されたＴＲＲＳ行列に基づいて実行され、
   前記ＴＲＲＳ行列に対して固有値分解を実行し、
   前記固有値分解に基づいてノイズ部分空間を取得し、
   前記ノイズ部分空間に基づいて行列を取得し、
   前記取得された行列に基づいて多項式を生成し、
   前記多項式の１つ以上の複素根を選択するように構成され、前記１つ以上の生物の前記１つ以上の呼吸数は、前記１つ以上の複素根の角度及び位相の少なくとも１つに関連する情報に基づいて判定される、装置。
3. 請求項１又は２に記載の装置であって、
   前記少なくとも１つの生物は、人間及び動物の少なくとも１つを含む、装置。
4. 請求項１又は２に記載の装置であって、
   前記少なくとも１つの無線信号は、インターネット、インターネットプロトコルネットワーク、及び他の多重アクセスネットワークのうちの少なくとも１つであるネットワークを介して受信されること、並びに
   前記受信機は、無線ＰＡＮ、ＩＥＥＥ８０２．１５．１（Ｂｌｕｅｔｏｏｔｈ）、無線ＬＡＮ、ＩＥＥＥ８０２．１１（Ｗｉ−Ｆｉ）、無線ＭＡＮ、ＩＥＥＥ８０２．１６（ＷｉＭａｘ）、ＷｉＢｒｏ、ＨｉｐｅｒＭＡＮ、モバイルＷＡＮ、ＧＳＭ、ＧＰＲＳ、ＥＤＧＥ、ＨＳＣＳＤ、ｉＤＥＮ、Ｄ−ＡＭＰＳ、ＩＳ−９５、ＰＤＣ、ＣＳＤ、ＰＨＳ、ＷｉＤＥＮ、ＣＤＭＡ２０００、ＵＭＴＳ、３ＧＳＭ、ＣＤＭＡ、ＴＤＭＡ、ＦＤＭＡ、Ｗ−ＣＤＭＡ、ＨＳＤＰＡ、Ｗ−ＣＤＭＡ、ＦＯＭＡ、１ｘＥＶ−ＤＯ、ＩＳ−８５６、ＴＤ−ＳＣＤＭＡ、ＧＡＮ、ＵＭＡ、ＨＳＵＰＡ、ＬＴＥ、２．５Ｇ、３Ｇ、３．５Ｇ、３．９Ｇ、４Ｇ、５Ｇ、６Ｇ、７Ｇとそれ以降、他の無線システム及び他のモバイルシステムのうちの少なくとも１つの物理層と関連付けられること、
   のうちの少なくとも１つを特徴とする、装置。
5. 請求項４に記載の装置であって、前記プロセッサは更に、
   前記ＣＳＩから背景情報を除去することにより、前記時系列のＣＳＩの各々のクリーニングを行い、
   前記時系列のＣＳＩの各々を正規化し、
   前記時系列のＣＳＩの中の各ＣＳＩ対に基づいて類似度を計算するように構成され、前記スペクトル解析は、前記計算された類似度に基づいて実行される、装置。
6. 請求項５に記載の装置であって、前記類似度は、ＣＳＩ対の、時間反転共振強度（ＴＲＲＳ）、相互相関、２つのベクトルの内積、類似性スコア、距離スコア、位相補正、タイミング補正、タイミング補償、及び位相オフセット補償のうちの少なくとも１つに基づいて計算される、装置。
7. 請求項１又は２に記載の装置であって、前記スペクトル解析は、ＭＵＳＩＣベースのアルゴリズム及びＲｏｏｔ−ＭＵＳＩＣベースのアルゴリズムの少なくとも１つに基づいて実行される、装置。
8. 請求項４に記載の装置であって、前記１つ以上の生物の前記１つ以上の呼吸数を判定することは、
   前記時系列のＣＳＩの前記スペクトル解析に基づいて呼吸数推定値を判定することと、
   各クラスタが、そのクラスタが呼吸数を表す可能性を示す、関連する尤度を有する複数のクラスタに、前記呼吸数推定値を分割することと、
   前記複数のクラスタの中の２つのクラスタ間の重心距離が閾値を下回る場合に、当該２つのクラスタを１つのクラスタに結合することと、
   結合されたクラスタの各々について前記呼吸数推定値及びその関連する尤度を再計算することと、
   結合後の前記クラスタのうちで、最も高い関連する尤度を有する１つ以上のクラスタに基づいて、前記１つ以上の呼吸数を判定することとを含む、装置。
9. 請求項４に記載の装置であって、前記プロセッサは更に、前記１つ以上の生物が、運動、仕事、睡眠、食事、水分補給、立つ、座る、歩行、走行、及び他の任意の動作のうちの少なくとも１つを行う際の、前記１つ以上の生物の連続する１つ以上の呼吸数を監視するように構成される、装置。
10. 受信機とプロセッサと前記プロセッサと通信可能に結合されたメモリとを少なくとも含むマシンで、バイタルサイン検出のために実行される方法であって、
    少なくとも１つの生物のバイタルサインの影響を受けうるマルチパスチャネルから少なくとも１つの無線信号を受信することと、
    前記少なくとも１つの無線信号から前記マルチパスチャネルの時系列のＣＳＩを抽出することと、
    前記時系列のＣＳＩのスペクトル解析に基づいて、１つ以上の周期的変動を取得することと、
    前記１つ以上の周期的変動に基づいて、前記バイタルサインが存在するかどうかを判定することと、を含み
    前記バイタルサインは呼吸であり、前記方法は更に、前記バイタルサインが存在するとの判定に応じて、１つ以上の生物の１つ以上の呼吸数を判定することを含み、
    前記方法は更に、
    前記時系列のＣＳＩに基づいてＴＲＲＳ行列を計算することと、
    平滑化されたＴＲＲＳ行列を生成するために時間領域において前記ＴＲＲＳ行列を平滑化することと、ここで、前記スペクトル解析は、前記平滑化されたＴＲＲＳ行列に基づいて実行され、
    前記ＴＲＲＳ行列に対して固有値分解を実行することと、
    前記固有値分解に基づいてノイズ部分空間を取得することと、
    前記ノイズ部分空間に基づいて擬似スペクトルを生成することと、
    更新された擬似スペクトルを生成するために前記擬似スペクトルに対してスペクトル折返しを実行することと、
    前記更新された擬似スペクトルを、呼吸数に関連する範囲にトリミングすることと、
    前記範囲内の前記更新された擬似スペクトルの１つ以上のピークを検出することと、を含み、前記１つ以上の生物の前記１つ以上の呼吸数は、前記検出された１つ以上のピークに基づいて判定される、方法。
11. 受信機とプロセッサと前記プロセッサと通信可能に結合されたメモリとを少なくとも含むマシンで、バイタルサイン検出のために実行される方法であって、
    少なくとも１つの生物のバイタルサインの影響を受けうるマルチパスチャネルから少なくとも１つの無線信号を受信することと、
    前記少なくとも１つの無線信号から前記マルチパスチャネルの時系列のＣＳＩを抽出することと、
    前記時系列のＣＳＩのスペクトル解析に基づいて、１つ以上の周期的変動を取得することと、
    前記１つ以上の周期的変動に基づいて、前記バイタルサインが存在するかどうかを判定することと、を含み
    前記バイタルサインは呼吸であり、前記方法は更に、前記バイタルサインが存在するとの判定に応じて、１つ以上の生物の１つ以上の呼吸数を判定することを含み、
    前記方法は更に、
    前記時系列のＣＳＩに基づいてＴＲＲＳ行列を計算することと、
    平滑化されたＴＲＲＳ行列を生成するために時間領域において前記ＴＲＲＳ行列を平滑化することと、ここで、前記スペクトル解析は、前記平滑化されたＴＲＲＳ行列に基づいて実行され、
    前記ＴＲＲＳ行列に対して固有値分解を実行することと、
    前記固有値分解に基づいてノイズ部分空間を取得することと、
    前記ノイズ部分空間に基づいて行列を取得することと、
    前記取得された行列に基づいて多項式を生成することと、
    前記多項式の１つ以上の複素根を選択することと、を含み、前記１つ以上の生物の前記１つ以上の呼吸数は、前記１つ以上の複素根の角度及び位相の少なくとも１つに関連する情報に基づいて判定される、方法。
12. 請求項１０又は１１に記載の方法であって、
    前記スペクトル解析は、ＭＵＳＩＣベースのアルゴリズム及びＲｏｏｔ−ＭＵＳＩＣベースのアルゴリズムの少なくとも１つに基づいて実行されること、
    前記少なくとも１つの無線信号は、インターネット、インターネットプロトコルネットワーク、及び他の多重アクセスネットワークのうちの少なくとも１つであるネットワークを介して受信されること、並びに
    前記受信機は、無線ＰＡＮ、ＩＥＥＥ８０２．１５．１（Ｂｌｕｅｔｏｏｔｈ）、無線ＬＡＮ、ＩＥＥＥ８０２．１１（Ｗｉ−Ｆｉ）、無線ＭＡＮ、ＩＥＥＥ８０２．１６（ＷｉＭａｘ）、ＷｉＢｒｏ、ＨｉｐｅｒＭＡＮ、モバイルＷＡＮ、ＧＳＭ、ＧＰＲＳ、ＥＤＧＥ、ＨＳＣＳＤ、ｉＤＥＮ、Ｄ−ＡＭＰＳ、ＩＳ−９５、ＰＤＣ、ＣＳＤ、ＰＨＳ、ＷｉＤＥＮ、ＣＤＭＡ２０００、ＵＭＴＳ、３ＧＳＭ、ＣＤＭＡ、ＴＤＭＡ、ＦＤＭＡ、Ｗ−ＣＤＭＡ、ＨＳＤＰＡ、Ｗ−ＣＤＭＡ、ＦＯＭＡ、１ｘＥＶ−ＤＯ、ＩＳ−８５６、ＴＤ−ＳＣＤＭＡ、ＧＡＮ、ＵＭＡ、ＨＳＵＰＡ、ＬＴＥ、２．５Ｇ、３Ｇ、３．５Ｇ、３．９Ｇ、４Ｇ、５Ｇ、６Ｇ、７Ｇとそれ以降、他の無線システム及び他のモバイルシステムのうちの少なくとも１つの物理層と関連付けられること、
    のうちの少なくとも１つを特徴とする、方法。
13. 請求項１２に記載の方法であって、更に以下の（ａ）及び（ｂ）のうちの少なくとも１つを含み、
    （ａ）は、前記ＣＳＩから背景情報を除去することにより、前記時系列のＣＳＩの各々のクリーニングを行うことと、
    前記時系列のＣＳＩの各々を正規化することと、
    前記時系列のＣＳＩの中の各ＣＳＩ対に基づいて類似度を計算することとを含み、前記スペクトル解析は、前記計算された類似度に基づいて実行され、
    （ｂ）は、ＣＳＩ対の、ＴＲＲＳ、相互相関、２つのベクトルの内積、類似性スコア、距離スコア、位相補正、タイミング補正、タイミング補償、及び位相オフセット補償のうちの少なくとも１つに基づいて、前記類似度を計算することを含む、方法。
14. 請求項１２に記載の方法であって、前記１つ以上の生物の前記１つ以上の呼吸数を判定することは、
    前記時系列のＣＳＩの前記スペクトル解析に基づいて呼吸数推定値を判定することと、
    各クラスタが、そのクラスタが呼吸数を表す可能性を示す、関連する尤度を有する複数のクラスタに、前記呼吸数推定値を分割することと、
    前記複数のクラスタの中の２つのクラスタ間の重心距離が閾値を下回る場合に、当該２つのクラスタを１つのクラスタに結合することと、
    結合されたクラスタの各々について前記呼吸数推定値及び前記関連する尤度を再計算することと、
    結合後の前記クラスタのうちで、最も高い関連する尤度を有する１つ以上のクラスタに基づいて、前記１つ以上の呼吸数を判定することとを含む、方法。
15. 請求項１２に記載の方法であって、前記１つ以上の生物が、運動、仕事、睡眠、食事、水分補給、立つ、座る、歩行、走行、及び他の任意の動作のうちの少なくとも１つを行う際の、前記１つ以上の生物の連続する１つ以上の呼吸数を監視することを更に含む、方法。
16. バイタルサイン検出のための、請求項１又は２に記載の装置（８１１）であって、
    前記少なくとも１つの生物の前記バイタルサインの影響を受けうる前記マルチパスチャネルから前記少なくとも１つの無線信号を受信するようにそれぞれ構成された複数の受信機（８１６）を更に備え、
    前記プロセッサは、
    前記複数の受信機のそれぞれに関して、前記少なくとも１つの無線信号から前記マルチパスチャネルの時系列のＣＳＩを抽出し、
    前記複数の受信機のそれぞれから、前記時系列のＣＳＩのスペクトル解析に基づいて１つ以上の周期的変動を取得し、
    前記複数の受信機のそれぞれに対して、前記１つ以上の周期的変動に基づいて１つ以上のバイタルサイン候補を判定し、
    バイタルサイン候補の集合を生成するために、前記複数の受信機から取得された前記１つ以上のバイタルサイン候補を組み合わせ、
    バイタルサイン候補の前記集合に基づいて、前記バイタルサインが存在するかどうかを判定するように構成される、装置。
17. 請求項１６に記載の装置であって、
    前記時系列のＣＳＩにおいて少なくとも１つのＣＳＩが欠落していること、
    前記プロセッサは更に、前記時系列のＣＳＩの中の少なくとも１つのＣＳＩを、前記マルチパスチャネルの２つ以上の区別されたパス遅延に投影するように構成されること、及び
    前記プロセッサは更に、前記時系列のＣＳＩの前記スペクトル解析に基づいて、前記１つ以上の周期的変動の高次高調波の少なくとも１つを抽出するように構成され、前記１つ以上のバイタルサイン候補は、前記高次高調波の前記少なくとも１つに基づいて判定されること、
    のうちの少なくとも１つを特徴とする、装置。
18. 呼吸数推定のための、請求項１６に記載の装置（８１１）であって、
    前記バイタルサインは呼吸であり、
    前記プロセッサは更に、
    前記複数の受信機のそれぞれに対して、前記１つ以上の周期的変動に基づいて１つ以上の呼吸数候補を判定し、
    呼吸数候補の集合を生成するために、前記複数の受信機から取得された前記１つ以上の呼吸数候補を組み合わせ、
    各クラスタが、そのクラスタが呼吸数を表す可能性を示す、関連する尤度を有する複数のクラスタに、前記呼吸数候補を分割し、
    前記複数のクラスタの中の２つのクラスタ間の重心距離が閾値を下回る場合に、当該２つのクラスタを１つのクラスタに結合し、
    結合されたクラスタの各々について推定呼吸数及びその関連する尤度を再計算し、
    結合後の前記クラスタのうちで、最も高い関連する尤度を有する１つ以上のクラスタに基づいて、１つ以上の生物の１つ以上の呼吸数を判定するように構成され、
    前記プロセッサは更にオプションとして、結合後のクラスタ数に基づいて、前記１つ以上の生物の数を推定するように構成される、装置。

Images