JP7005921B2 - 睡眠状態推定装置、睡眠状態推定方法および睡眠状態推定プログラム - Google Patents

Description

本発明は、睡眠状態または睡眠に関するリスクを推定する睡眠状態推定装置、睡眠状態推定方法および睡眠状態推定プログラムに関する。

就業中の従業員の眠気は、事業リスクの増大、生産性の低下の要因の一つとなり得る。特に、バス・トラック等の職業運転手においては事故発生確率が高まるため、危険回避のために重要である。また、眠気要因が生活習慣の改善、医師による治療等により取り除ける可能性があり、睡眠状態を把握して、生活習慣の改善指導、医師による診断の推奨に活かすことが望まれている。

睡眠中の生体情報を計測して、計測された情報を基に睡眠状態を推定する技術がある。例えば、睡眠中の動作、心拍、いびきの有無、脳波等から、睡眠時間や睡眠の質、睡眠時無呼吸症候群（ＳＡＳ）傾向といった睡眠状態を推定する。

しかし、就業中の従業員の眠気による事業リスクの増大防止や生産性の低下防止のために、事業者が従業員に就業時間ではない睡眠中の生体情報の計測を強制することは困難である。

上記の課題に関連して、就業中の従業員の生体信号から、睡眠に関連する疾病リスクを推定する技術がある（例えば、特許文献１）。特許文献１に記載の技術は、就業中の従業員の生体信号から単位時間当たりの覚醒度の低下回数を計測し、それと一般的な健常者の眠気のサーカディアンリズム（概日リズム）とのずれから、睡眠に関する疾病のリスクを推定する。

国際公開２０１６／０９３３４７号公報

既に説明したように、事業者が従業員に就業時間ではない睡眠中の生体情報の計測を強制することは困難である。このため、起床時からの非睡眠時間（以下、起床中という）に得られる情報から、該情報を得た時点より前の睡眠状態を推定する技術が望まれている。

なお、特許文献１に記載の技術によれば、就業中の情報からＳＡＳ等の疾病リスクの有無をある程度推定できる。しかし、就業中の覚醒度の低下リズムとサーカディアンとの比較だけでは、眠気によるリスクを精度よく検知できない。例えば、各人の日中の眠気のリズムは、勤務形態、年齢、業務内容、外部環境等の様々な影響を受けるため、サーカディアンリズムのように画一的ではない。

また、眠気要因も、睡眠時無呼吸症候群（ＳＡＳ）に限らず、他の疾病や一過性のものや遺伝的なもの等、様々なものが考えられる。例えば、眠気要因として、うつ病、周期性四肢運動障害、ナルコレプシー、過眠症、自律神経失調症、更年期障害などの疾病も考えられる。また、例えば、疾病以外にも睡眠不足、食物の消化、退屈感、酸欠、低血圧といった一過性の要因も眠気要因として考えられる。また、病気や一過性のもの以外にも、ニコチンの離脱症状や、肝臓の機能低下、生理周期、遺伝的特性なども眠気要因として考えられる。

しかし、特許文献１に記載の技術は、正常値からのずれでしか疾病の有無を判断していない。このため、外的要因によるリズムの違いや、サーカディアンリズムとの全体的なずれ量が小さくても異常な眠気リズムとなるような眠気要因などの場合に、適切に睡眠状態を把握できずに、リスクを検知できない可能性がある。

そこで、本発明は、起床中に得られるデータから、睡眠状態または睡眠に関するリスクをより高精度に推定できる睡眠状態推定装置、睡眠状態推定方法および睡眠状態推定プログラムを提供することを目的とする。

本発明による睡眠状態推定装置は、推定対象者の起床中の生体情報から、眠気に関する特徴量であって時間要素と対応づけられたまたは時間要素を含む特徴量である眠気特徴量を抽出する眠気特徴量抽出部と、眠気特徴量と睡眠状態との関係を示す睡眠状態推定モデルを記憶する睡眠状態推定モデル記憶部と、眠気特徴量抽出部によって抽出された眠気特徴量と、睡眠状態推定モデルとを用いて、生体情報を得た時点より前の推定対象者の睡眠状態を推定する睡眠状態推定部とを備え、睡眠状態推定モデル記憶部が、勤務形態の区分ごとに異なる睡眠状態推定モデルを記憶し、睡眠状態推定部が、推定対象者の勤務形態の区分に応じた睡眠状態推定モデルを用いて、推定対象者の睡眠状態を推定することを特徴とする。

本発明による睡眠状態推定方法は、推定対象者の起床中の生体情報から、眠気に関する特徴量であって時間要素と対応づけられたまたは時間要素を含む特徴量である眠気特徴量を抽出し、抽出された眠気特徴量と、所定の記憶部に記憶されている眠気特徴量と睡眠状態との関係を示す睡眠状態推定モデルであって勤務形態の区分ごとに異なる睡眠状態推定モデルのうちの、推定対象者の勤務形態の区分に応じた睡眠状態推定モデルとを用いて、生体情報を得た時点より前の推定対象者の睡眠状態を推定することを特徴とする。

本発明による睡眠状態推定プログラムは、コンピュータに、推定対象者の起床中の生体情報から、眠気に関する特徴量であって時間要素と対応づけられたまたは時間要素を含む特徴量である眠気特徴量を抽出する処理、および抽出された眠気特徴量と、所定の記憶部に記憶されている眠気特徴量と睡眠状態との関係を示す睡眠状態推定モデルであって勤務形態の区分ごとに異なる睡眠状態推定モデルのうちの、推定対象者の勤務形態の区分に応じた睡眠状態推定モデルとを用いて、生体情報を得た時点より前の推定対象者の睡眠状態を推定する処理を実行させることを特徴とする。

本発明によれば、本発明は、起床中に得られるデータから、睡眠状態または睡眠に関するリスクをより高精度に推定できる。

第１の実施形態の睡眠状態推定装置の構成例を示すブロック図である。 眠気特徴量の抽出例を示す説明図である。 睡眠状態と眠気特徴量の関係を示す説明図である。 睡眠状態推定モデルの例を示す説明図である。 第１の実施形態の動作の一例を示すフローチャートである。 第２の実施形態の睡眠状態推定装置の構成例を示すブロック図である。 第２の実施形態の動作の一例を示すフローチャートである。 第３の実施形態の睡眠状態推定装置の構成例を示すブロック図である。 第３の実施形態の動作の一例を示すフローチャートである。 各実施形態のコンピュータ構成例を示すブロック図である。

実施形態１．
以下、図面を参照して本発明の実施形態について説明する。図１は、本発明の第１の実施形態の睡眠状態推定装置の構成例を示すブロック図である。

図１に示す睡眠状態推定装置１は、眠気特徴量抽出部１０１と、睡眠状態推定モデル記憶部１０２と、睡眠状態推定部１０３とを備える。

眠気特徴量抽出部１０１は、起床中の生体情報から眠気特徴量を抽出する。ここで、眠気特徴量は、眠気に関する特徴量であって時間要素と対応づけられたまたは時間要素を含む特徴量である。眠気特徴量は、例えば、少なくとも所定の時間区間ｔにおける、眠気に関係する所定の指標（以下、眠気指標という）の値の集合であってもよい。その場合、眠気特徴量は、時間区間ｔにおける眠気指標の値をベクトルで表現した特徴量ベクトルであって、当該時間区間ｔに対応する時刻や基準時刻からの経過時間等を示す時刻インデックスと対応づけられた特徴量ベクトルであってもよい。眠気指標の例としては、心拍に関する指標（一例として、心拍変動の高周波数成分）や、開眼度に関する指標（一例として、瞬き頻度、強度、速度など）が挙げられる。このように、眠気特徴量は、心拍に関する指標または開眼度に関する指標で表される特徴量を含んでいてもよい。

また、時間区間ｔは、就業時間全てであってもよいし、例えば、１０分といった就業時間を所定の時間幅で区切った時間区間であってもよい。

また、眠気特徴量は、それら眠気指標が継続する時間や変化する速度であってもよい。なお、眠気特徴量は、上記の組み合わせ、すなわち、所定の時間区間ｔにおける眠気指標の集合と、所定の時間区間ｔにおいてそれら眠気指標が継続する時間や変化する速度もしくはその平均とを含む特徴量ベクトルであってもよい。

図２は、眠気特徴量の抽出例を示す説明図である。図２に示すように、眠気特徴量抽出部１０１は、起床中の生体情報から、所定の時間区間ｔに含まれる時間単位ごとの、心拍変動の高周波数成分、瞬き頻度、瞬き強度、瞬き速度等を抽出し、それらを要素として含む特徴量ベクトルを、眠気特徴量として抽出してもよい。なお、眠気特徴量抽出部１０１は、時間区間ｔにおける、該心拍変動の高周波成分、瞬き頻度、瞬き強度および瞬き速度の継続時間や変化速度を計算し、それらを要素として含む特徴量ベクトルを、眠気特徴量として抽出してもよい。また、眠気特徴量抽出部１０１は、上記の要素を併せ持つ特徴量ベクトルを、眠気特徴量として抽出してもよい。眠気特徴量抽出部１０１は、例えば、生体情報に対して、心拍揺らぎ・心拍変動の高周波数成分／低周波数成分の分析や開眼度・瞬き分析を行って、これらの情報を得てもよい。

上記の例は、起床中の生体情報として、起床中の対象者の心拍データおよび開眼状態を示す情報（例えば顔を写した動画など）が取得されることを想定している。なお、起床中の心拍データは、例えば、装着型センサ等を利用して取得できる。また、起床中の開眼状態を示す情報は、例えば、カメラ装置等を利用して取得できる。

なお、時間区間ｔは、必ずしも連続した時間区間でなくてもよい。すなわち、複数の日付における所定の時間帯など、周期的に繰り返される複数の区間であってもよい。すなわち、眠気特徴量は、複数の日付における所定の時間帯といった周期的な時間要素と対応づけられたまたは周期的な時間要素を含む特徴量であってもよい。その場合、眠気特徴量抽出部１０１は、第１の時間区間ｔから抽出した特徴量に加えて、それよりも過去の時間区間における特徴量を含む特徴量ベクトルを眠気特徴量として抽出してもよい。このとき、過去の時間区間における特徴量には、過去の時間区間から抽出した眠気特徴量から推定された睡眠状態（過去の推定結果）が含まれうる。

睡眠状態推定モデル記憶部１０２は、眠気特徴量抽出部１０１が抽出する眠気特徴量と睡眠状態との関係を示す睡眠状態推定モデルを記憶する。睡眠状態推定モデルは、例えば、教師データ等を用いて、機械学習により眠気特徴量と睡眠状態との関係を学習した結果得られた学習モデルであってもよい。

図３は、本発明の眠気特徴量と睡眠状態推定モデルの関係を示す説明図である。図３に示すように、睡眠状態推定モデル記憶部１０２は、起床中（例えば、就業中）に得られる情報から抽出される眠気特徴量から、当該情報を該情報を得た時点より前の睡眠状態を推定するための睡眠状態推定モデルを記憶する。

また、推定対象とする睡眠状態は、例えば、睡眠不足の状態（睡眠不足状態）や睡眠障害の状態（睡眠障害状態）など、睡眠の非正常状態であってもよい。その場合、睡眠状態推定モデル記憶部１０２には、睡眠状態として、睡眠不足状態である度合いを示す睡眠不足スコアを推定するモデルや、睡眠障害状態である度合いを示す睡眠障害スコアを推定するモデルや、特定の睡眠障害状態である度合いを示す特定睡眠障害スコアを推定するモデルが含まれていてもよい。より具体的には、睡眠状態推定モデル記憶部１０２は、眠気特徴量と睡眠不足状態との関係を示す睡眠状態推定モデルや、眠気特徴量と何らかの睡眠障害の状態である睡眠障害状態との関係を示す睡眠状態推定モデルや、眠気特徴量と特定の睡眠障害状態との関係を示す睡眠状態推定モデルを記憶してもよい。これら睡眠に関する非正常値（異常値）との関係を示すモデルを用いることにより、正常値からのずれだけでは特定できないような異常な眠気のリズムや睡眠に関するリスクをより高精度に検出できるようにする。

なお、睡眠状態は、睡眠の正常状態を含んでいてもよい。その場合、睡眠状態推定モデル記憶部１０２には、眠気特徴量と正常睡眠状態との関係を示す正常睡眠推定モデルがさらに記憶される。

また、睡眠障害に関して、複数の睡眠状態推定モデルが用意されていてもよい。すなわち、睡眠状態推定モデル記憶部１０２は、睡眠障害の種類ごとに、眠気特徴量とその睡眠障害である状態との関係を示す睡眠状態推定モデルを記憶してもよい。

図４は、ニューラルネットワークを用いて学習した睡眠状態推定モデル（ニューラルネットモデル）の例を示す説明図である。図４において、丸はノードを表す。なお、ノード“I1”～ノード““In”はそれぞれ入力ユニットを表す。また、ノード“H11”～ノード“H1j”およびノード“H21”～ノード“H2k”は隠れユニットを表す。また、ノード“O1”および“O2”は出力ユニットを表す。また、各ノードを繋ぐパスはそれぞれ、各ノードの結合を表す。パスには、各々結合の強さ（結合荷重）が求められている。各ノードが、入力側ノードからの入力値の重み付き総和を出力関数にかけて得られた値を出力する処理を、入力層から中間層を経て出力層に向かう方向に順次行うことによって、最終的な出力値を得る。

次に、本実施形態の動作を説明する。図５は、本実施形態の動作の一例を示すフローチャートである。図５に示す例では、まず、眠気特徴量抽出部１０１に、推定対象者の起床中の生体情報が入力される（ステップＳ１０１）。ここで、生体情報は特に限定されないが、推定対象者の、それまでの睡眠状態の影響を受けて変化する生体情報が好ましい。なお、図示省略しているが、睡眠状態推定装置１は、生体情報を取得する生体情報取得部（例えば、センサ情報入力部や、画像入力部等）を備えていてもよい。

次いで、眠気特徴量抽出部１０１が、入力された生体情報から眠気特徴量を抽出する（ステップＳ１０２）。

次いで、睡眠状態推定部１０３が、睡眠状態推定モデル記憶部１０２に記憶されている睡眠状態モデルを用いて、ステップＳ１０２で抽出された眠気特徴量から睡眠状態を推定する（ステップＳ１０３）。

最後に、睡眠状態推定部１０３が、推定結果を出力する（ステップＳ１０４）。

以上のように、本実施形態では、起床中の生体情報から抽出される眠気特徴量から、該眠気特徴量と睡眠状態の関係性を学習した学習モデルを用いて、睡眠状態を推定する。このため、推定対象者の眠気指標の時間的推移や過去との違いなど眠気のリズム的な特徴を基に睡眠状態（睡眠不足や睡眠障害など）を推定することができるので、より高精度に睡眠状態を推定できる。

また、睡眠不足スコアや睡眠障害スコアや特定睡眠障害スコアを出力するモデルを適宜用いることで、睡眠状態をより詳細に推定できる。

実施形態２．
次に、本発明の第２の実施形態を説明する。図６は、第２の実施形態の睡眠状態推定装置の構成例を示すブロック図である。図６に示す睡眠状態推定装置１は、図１に示す第１の実施形態の構成と比べて、外部因子取得部１０４と、情報提供部１０５とをさらに備えている。

外部因子取得部１０４は、入力される推定対象者の属性情報および／または環境情報から、眠気のリズムもしくは眠気指標に影響する因子（以下、外部因子という）を取得する。

属性情報は、例えば、勤務形態や年齢や体重などを含む。勤務形態には、勤務時間（夜勤か日勤、長時間か短時間か等）、勤務内容（肉体労働かデスクワークか、単調か否か等）が含まれていてもよい。また、環境情報は、例えば、生体情報を得たときの対象者の状態や周囲環境に関する情報である。環境情報の例としては、周囲の酸素濃度、喫煙、アレルギー（花粉症）、投薬、カフェイン摂取量に関する情報などが挙げられる。勤務形態や年齢や体重や周囲の酸素濃度や喫煙の有無、アレルギーの有無、投薬の有無、カフェイン摂取量などは、眠気のリズムや眠気指標に影響を与えるため、これらを考慮した推定を行うために該情報を利用する。

外部因子取得部１０４は、属性情報や環境情報から、上記のような眠気のリズムもしくは眠気指標に影響する所定の項目を、外部因子（より具体的には、属性因子または環境因子）として取得する。外部因子取得部１０４は、例えば、外部因子として、勤務形態や年齢や体重などの属性因子を取得する。また、外部因子取得部１０４は、例えば、外部因子として、周囲の酸素濃度、喫煙、アレルギー（花粉症）、投薬、カフェイン摂取量などの環境因子を取得する。なお、外部因子取得部１０４は、属性因子と環境因子とを特に区別せずに、これら外部因子を取得してもよい。

取得した外部因子の情報は、眠気特徴量の一部として睡眠状態推定モデルの入力パラメータとして利用されたり、睡眠状態推定モデルの選択に利用される。

本実施形態では、対象者の、所定の外部因子（例えば、勤務形態や年齢）ごとに用いる睡眠状態推定モデルを変える。例えば、１つの睡眠状態に関して、予め所定の外部因子の区分ごとに異なる睡眠状態推定モデルを用意しておく。その場合、睡眠状態推定モデル記憶部１０２は、そのような所定の外部因子の区分に対応づけて、各区分に応じた睡眠状態推定モデルを記憶してもよい

さらに、眠気特徴量抽出部１０１は、眠気特徴量を抽出する際に、外部因子を眠気特徴量に含ませてもよい。

情報提供部１０５は、睡眠状態の推定結果に基づき、推定対象者本人または推定対象者の管理者に、推定対象者の睡眠状態の改善を支援するための情報を出力する。情報提供部１０５は、例えば、推定対象者本人または推定対象者の管理者に、事業リスクや改善支援情報や眠気要因候補等の情報を出力してもよい。

一例として、情報提供部１０５は、推定結果である睡眠不足スコアや、睡眠障害スコアや、特定睡眠障害スコアが所定の閾値以上であった場合に、事業リスクがある旨を出力してもよい。また、情報提供部１０５は、例えば、所定の閾値以上であったスコアについて、予めスコアの種類や値に応じて定めておいた改善支援情報を出力してもよい。また、情報提供部１０５は、例えば、所定の閾値以上であったスコアについて、当該スコアを求めた際の学習モデルの状態（ニューラルネットワークであれば、各ノードの結合の強さ等）から当該スコアが示す睡眠状態に関係する眠気要因またはその候補を特定して、その情報を出力してもよい

また、情報提供部１０５は、これらの情報とともに、推定結果として得られたスコアを出力してもよい。

次に、本実施形態の動作を説明する。図７は、本実施形態の睡眠状態推定装置１の動作の一例を示すフローチャートである。図７に示す例では、まず、眠気特徴量抽出部１０１に推定対象者の起床中の生体情報と外部情報とが入力される（ステップＳ２０１）。

次いで、外部因子取得部１０４が、外部情報から外部因子を取得する（ステップＳ２０２）。

次いで、眠気特徴量抽出部１０１が、入力された生体情報から眠気特徴量を抽出する（ステップＳ２０３）。このとき、眠気特徴量抽出部１０１は、ステップＳ２０２で取得された外部因子を、眠気特徴量に加えてもよい。なお、外部因子のうち、睡眠状態推定モデルが分かれているものは加えなくてもよい。

次いで、睡眠状態推定部１０３が、睡眠状態推定モデル記憶部１０２に記憶されている睡眠状態推定モデルから、今回の推定対象者に適用する睡眠状態推定モデルを選択する（ステップＳ２０４）。睡眠状態推定部１０３は、例えば、上述した所定の外部因子を基に、睡眠状態推定モデル記憶部１０２から当該外部因子が属する区分に応じた睡眠状態推定モデルを選択する。

次いで、睡眠状態推定部１０３は、選択した睡眠状態推定モデルを用いて、ステップＳ１０２で抽出された眠気特徴量から睡眠状態を推定する（ステップＳ２０５）。

最後に、情報提供部１０５が、睡眠状態の推定結果に基づき、推定対象者本人または推定対象者の管理者に、事業リスクや改善支援情報や眠気要因候補等の情報を出力する（ステップＳ２０６）。

以上のように、本実施形態によれば、生体情報以外に外部情報を入力し、該外部情報から取得した外部因子を眠気特徴量の一部として睡眠状態推定モデルの入力パラメータとして利用したり、睡眠状態推定モデルの選択に用いるため、より高精度に睡眠状態を推定できる。

例えば、勤務形態や年齢ごとに、使用する睡眠状態推定モデルを変えれば、勤務形態や年齢ごとに異なる眠気のリズムの特徴を捉えることができるため、高精度に睡眠状態を推定できる。

また、本実施形態によれば、推定結果に基づいて、推定対象者本人または推定対象者の管理者に、事業リスクや改善支援情報や眠気要因候補等の情報を提供できるので、推定対象者の睡眠状態の改善やその管理者における事業リスクの把握を支援できる。

実施形態３．
次に、本発明の第３の実施形態を説明する。図８は、第３の実施形態の睡眠状態推定装置の構成例を示すブロック図である。図８に示す睡眠状態推定装置１は、図１に示す第１の実施形態の構成に比べて、モデル学習部１０６をさらに備えている。

モデル学習部１０６は、学習データとして、正解データ付きの眠気特徴量を取得して、眠気特徴量と睡眠状態との関係を学習して、学習モデル（睡眠状態推定モデル）を生成する。

正解データは、当該正解データが付される眠気特徴量を抽出した生体情報を得た時点より前の、情報取得者の睡眠状態を示す情報であればよい。正解データは、例えば、上記のいずれかのスコアであってもよい。睡眠状態の正解データおよび該正解データが付される眠気特徴量は、アンケートや装着型センサ等を用いてできるだけ多人数から収集するのが好ましい。なお、その際、生体情報を収集して、収集された生体情報から眠気特徴量抽出部１０１が眠気特徴量を抽出してもよい。

また、モデル学習部１０６は、睡眠状態が複数定義されている場合には睡眠状態ごと（より具体的には、睡眠状態として定義されたスコアごと）に、睡眠状態推定モデルを学習する。

また、モデル学習部１０６は、正解データとともに外部因子の情報である外部情報も併せて取得し、該外部情報から得られた外部因子も睡眠特徴量の一部として用いて、睡眠状態推定モデルを学習してもよい。または、モデル学習部１０６は、得られた外部因子のうち所定の外部因子（例えば、勤務形態や年齢等）については、その区分ごとに、睡眠状態推定モデルを学習してもよい。

睡眠状態推定モデルの学習方法は、特に限定されない。学習方法としては、教師あり学習、教師なし学習、半教師あり学習、強化学習など様々考えられる。一例として、一般的な教師あり学習の一つであるニューラルネットワークが挙げられる。さらに、他の例として、サポートベクターマシン、ディープラーニング、ガウシアンプロセス、決定木、ランダムフォレストなどが挙げられる。

次に、本実施形態の動作を説明する。図９は、本実施形態の動作の一例を示すフローチャートである。図９に示す例は、モデル学習部１０６が行う学習動作の例である。図９に示す学習動作は、少なくとも上記の実施形態１，２で示した睡眠状態推定動作の前に行われる。

図９に示す例では、まず、モデル学習部１０６は、学習対象とする睡眠状態推定モデルの、正解データ付き睡眠特徴量である学習データを取得する（ステップＳ３０１）。

次いで、モデル学習部１０６は、取得した学習データを用いて睡眠状態推定モデルを学習する（ステップＳ３０２）。

最後に、モデル学習部１０６は、学習したモデルを、睡眠状態推定モデル記憶部１０２に記憶する。

なお、学習対象とする睡眠状態推定モデルが複数ある場合（例えば、スコアの種類ごと、外部因子ごと等）には、上記のステップＳ３０１～ステップＳ３０３の動作を繰り返す。

以上のように、本実施形態によれば、睡眠状態推定装置がモデルの生成から行うため、利用者は自分でモデルを準備する必要なしに、上記の各実施形態の効果を得ることができる。なお、図８では、第１の実施形態の構成にモデル学習部１０６を追加した構成となっているが、本実施形態の動作は、第２の実施形態の構成にモデル学習部１０６を追加した場合も同様である。

次に、本発明の実施形態にかかるコンピュータの構成例を示す。図１０は、本発明の実施形態にかかるコンピュータの構成例を示す概略ブロック図である。コンピュータ１０００は、ＣＰＵ１００１と、主記憶装置１００２と、補助記憶装置１００３と、インタフェース１００４と、ディスプレイ装置１００５と、入力デバイス１００６とを備える。

上述の睡眠状態推定装置は、例えば、コンピュータ１０００に実装されてもよい。その場合、各装置の動作は、プログラムの形式で補助記憶装置１００３に記憶されていてもよい。ＣＰＵ１００１は、プログラムを補助記憶装置１００３から読み出して主記憶装置１００２に展開し、そのプログラムに従って上記の実施形態における所定の処理を実施する。

補助記憶装置１００３は、一時的でない有形の媒体の一例である。一時的でない有形の媒体の他の例として、インタフェース１００４を介して接続される磁気ディスク、光磁気ディスク、ＣＤ－ＲＯＭ、ＤＶＤ－ＲＯＭ、半導体メモリ等が挙げられる。また、このプログラムが通信回線によってコンピュータ１０００に配信される場合、配信を受けたコンピュータは１０００がそのプログラムを主記憶装置１００２に展開し、上記の実施形態における所定の処理を実行してもよい。

また、プログラムは、各実施形態における所定の処理の一部を実現するためのものであってもよい。さらに、プログラムは、補助記憶装置１００３に既に記憶されている他のプログラムとの組み合わせで上記の実施形態における所定の処理を実現する差分プログラムであってもよい。

インタフェース１００４は、他の装置との間で情報の送受信を行う。また、ディスプレイ装置１００５は、ユーザに情報を提示する。また、入力デバイス１００６は、ユーザからの情報の入力を受け付ける。

また、実施形態における処理内容によっては、コンピュータ１０００の一部の要素は省略可能である。例えば、装置がユーザに情報を提示しないのであれば、ディスプレイ装置１００５は省略可能である。

また、各装置の各構成要素の一部または全部は、汎用または専用の回路（Circuitry）、プロセッサ等やこれらの組み合わせによって実施される。これらは単一のチップによって構成されてもよいし、バスを介して接続される複数のチップによって構成されてもよい。また、各装置の各構成要素の一部又は全部は、上述した回路等とプログラムとの組み合わせによって実現されてもよい。

各装置の各構成要素の一部又は全部が複数の情報処理装置や回路等により実現される場合には、複数の情報処理装置や回路等は、集中配置されてもよいし、分散配置されてもよい。例えば、情報処理装置や回路等は、クライアントアンドサーバシステム、クラウドコンピューティングシステム等、各々が通信ネットワークを介して接続される形態として実現されてもよい。

以上、本実施形態および実施例を参照して本願発明を説明したが、本願発明は上記実施形態および実施例に限定されるものではない。本願発明の構成や詳細には、本願発明のスコープ内で当業者が理解し得る様々な変更をすることができる。

本発明は、就業中の情報から睡眠状態を推定する用途に限らず、例えば、就学中や睡眠中以外の任意の時間の情報から、睡眠状態を推定する用途に適用できる。

１ 睡眠状態推定装置
１０１ 眠気特徴量抽出部
１０２ 睡眠状態推定モデル記憶部
１０３ 睡眠状態推定部
１０４ 外部因子取得部
１０５ 情報提供部
１０６ モデル学習部
１０００ コンピュータ
１００１ ＣＰＵ
１００２ 主記憶装置
１００３ 補助記憶装置
１００４ インタフェース
１００５ ディスプレイ装置
１００６ 入力デバイス

Claims (8)

1. 推定対象者の起床中の生体情報から、眠気に関する特徴量であって時間要素と対応づけられたまたは時間要素を含む特徴量である眠気特徴量を抽出する眠気特徴量抽出部と、
   前記眠気特徴量と睡眠状態との関係を示す睡眠状態推定モデルを記憶する睡眠状態推定モデル記憶部と、
   前記眠気特徴量抽出部によって抽出された前記眠気特徴量と、前記睡眠状態推定モデルとを用いて、前記生体情報を得た時点より前の前記推定対象者の睡眠状態を推定する睡眠状態推定部とを備え、
   前記睡眠状態推定モデル記憶部は、勤務形態の区分ごとに異なる睡眠状態推定モデルを記憶し、
   前記睡眠状態推定部は、前記推定対象者の勤務形態の区分に応じた前記睡眠状態推定モデルを用いて、前記推定対象者の睡眠状態を推定する
   ことを特徴とする睡眠状態推定装置。
2. 前記眠気特徴量は、心拍に関する指標または開眼度に関する指標で表される特徴量を少なくとも含む
   請求項１記載の睡眠状態推定装置。
3. 前記睡眠状態が、睡眠不足の状態を含む睡眠の非正常状態である
   請求項１または請求項２記載の睡眠状態推定装置。
4. 推定対象者の属性情報および／または環境情報から、眠気のリズムまたは前記眠気特徴量に用いられる眠気に関係する指標である眠気指標に影響する所定の項目である外部因子を取得する外部因子取得部を備え、
   前記睡眠状態推定モデル記憶部は、前記眠気特徴量の一部として前記外部因子を含む睡眠状態推定モデルを記憶し、
   前記睡眠状態推定部は、前記眠気特徴量抽出部によって抽出された眠気特徴量に前記外部因子取得部によって取得された外部因子を加えた前記眠気特徴量と、前記睡眠状態推定モデルとを用いて、前記推定対象者の睡眠状態を推定する
   請求項１から請求項３のうちのいずれかに記載の睡眠状態推定装置。
5. 睡眠状態の推定結果に基づいて、推定対象者本人または推定対象者の管理者に、前記推定対象者の睡眠状態の改善を支援するための情報を出力する
   請求項１から請求項４のうちのいずれかに記載の睡眠状態推定装置。
6. 正解データ付き眠気特徴量を用いて、前記睡眠状態推定モデルを学習するモデル学習部を備えた
   請求項１から請求項５のうちのいずれかに記載の睡眠状態推定装置。
7. 推定対象者の起床中の生体情報から、眠気に関する特徴量であって時間要素と対応づけられたまたは時間要素を含む特徴量である眠気特徴量を抽出し、
   抽出された前記眠気特徴量と、所定の記憶部に記憶されている前記眠気特徴量と睡眠状態との関係を示す睡眠状態推定モデルであって勤務形態の区分ごとに異なる睡眠状態推定モデルのうちの、前記推定対象者の勤務形態の区分に応じた睡眠状態推定モデルとを用いて、前記生体情報を得た時点より前の前記推定対象者の睡眠状態を推定する
   ことを特徴とする睡眠状態推定方法。
8. コンピュータに、
   推定対象者の起床中の生体情報から、眠気に関する特徴量であって時間要素と対応づけられたまたは時間要素を含む特徴量である眠気特徴量を抽出する処理、および
   抽出された前記眠気特徴量と、所定の記憶部に記憶されている前記眠気特徴量と睡眠状態との関係を示す睡眠状態推定モデルであって勤務形態の区分ごとに異なる睡眠状態推定モデルのうちの、前記推定対象者の勤務形態の区分に応じた睡眠状態推定モデルとを用いて、前記生体情報を得た時点より前の前記推定対象者の睡眠状態を推定する処理
   を実行させるための睡眠状態推定プログラム。

Images