JP7204785B2 - 血圧測定装置、モデル設定装置、および血圧測定方法 - Google Patents

Description

本開示の一態様は、生体の脈波に基づいて当該生体の血圧を測定する血圧測定装置に関する。本願は、２０１９年１月９日に、日本に出願された特願２０１９－１９５１に優先権を主張し、その内容をここに援用する。

近年、生体（被験体）の生体情報を測定するための様々な技術が提案されている。一例として、特許文献１には、被験体の顔が撮影された画像（カメラ画像）に基づき、当該被験体の所定の種類の生体情報（例：脈拍数）を高精度に測定するための技術が開示されている。具体的には、特許文献１の技術は、被験体の顔に動きが生じた場合にも、脈拍数を高精度に測定することを一目的としている。

特開２０１７－９３７６０号公報

但し、特許文献１では、生体の血圧（生体情報の別の例）を高精度に測定するための具体的な手法については、特に言及されていない。本開示の一態様の目的は、従来よりも高精度に生体の血圧を測定することにある。

上記の課題を解決するために、本開示の一態様に係る血圧測定装置は、生体の脈波に基づき当該生体の第１血圧を測定する血圧測定装置であって、上記生体の体表における所定の領域において脈波を取得する脈波取得部と、上記所定の領域の移動方向を検出する体動検出部と、上記移動方向を分類する体動分類部と、上記脈波に基づき、複数の脈波パラメータを算出する脈波パラメータ算出部と、を備えており、上記血圧測定装置は、モデル保管部と通信可能に接続されており、上記モデル保管部には、（ｉ）上記移動方向の分類結果に応じて上記第１血圧を推定するための複数の血圧推定モデルと、（ｉｉ）上記移動方向の分類結果に応じた上記複数の血圧推定モデルのそれぞれの評価結果と、が、予め保管されており、上記血圧測定装置は、上記複数の血圧推定モデルのそれぞれの上記評価結果に基づき、当該複数の血圧推定モデルの中から、上記第１血圧を算出するための測定モデルを選択するモデル選択部と、上記測定モデルを用いて、上記複数の脈波パラメータに基づき上記第１血圧を算出する第１血圧測定部と、をさらに備えている。

また、上記の課題を解決するために、本開示の一態様に係るモデル設定装置は、生体の脈波に基づき当該生体の第１血圧を測定する血圧測定装置と通信可能に接続されたモデル設定装置であって、上記生体の第２血圧を測定する第２血圧測定部と、上記生体の体表における所定の領域において脈波を取得する脈波取得部と、上記所定の領域の移動方向を検出する体動検出部と、上記移動方向を分類する体動分類部と、上記脈波に基づき、複数の脈波パラメータを算出する脈波パラメータ算出部と、を備えており、上記モデル設定装置は、モデル保管部と通信可能に接続されており、上記モデル設定装置は、上記移動方向の分類結果に応じて、上記複数の脈波パラメータと上記第２血圧とに基づき、上記第１血圧を推定するための複数の血圧推定モデルを作成し、当該複数の血圧推定モデルを上記モデル保管部に保管するモデル作成部と、上記移動方向の分類結果に応じて、上記モデル保管部に保管された上記複数の血圧推定モデルのそれぞれを評価し、その評価結果を当該モデル保管部に保管するモデル評価部と、をさらに備えている。

また、上記の課題を解決するために、本開示の一態様に係る血圧測定方法は、生体の脈波に基づき当該生体の第１血圧を測定する血圧測定装置を用いた血圧測定方法であって、上記生体の体表における所定の領域において脈波を取得する脈波取得工程と、上記所定の領域の移動方向を検出する体動検出工程と、上記移動方向を分類する体動分類工程と、上記脈波に基づき、複数の脈波パラメータを算出する脈波パラメータ算出工程と、を含んでおり、上記血圧測定装置は、モデル保管部と通信可能に接続されており、上記モデル保管部には、（ｉ）上記移動方向の分類結果に応じて上記第１血圧を推定するための複数の血圧推定モデルと、（ｉｉ）上記移動方向の分類結果に応じた上記複数の血圧推定モデルのそれぞれの評価結果と、が、予め保管されており、上記血圧測定方法は、上記複数の血圧推定モデルのそれぞれの上記評価結果に基づき、当該複数の血圧推定モデルの中から、上記第１血圧を算出するための測定モデルを選択するモデル選択工程と、上記測定モデルを用いて、上記複数の脈波パラメータに基づき上記第１血圧を算出する第１血圧測定工程と、をさらに含んでいる。

本開示の一態様に係る血圧測定装置によれば、従来よりも高精度に生体の血圧を測定できる。本開示の一態様に係る血圧測定方法によっても、同様の効果を奏する。また、本開示の一態様に係るモデル設定装置によっても、同様の効果を奏する。

実施形態１の血圧測定装置の要部の構成を示す機能ブロック図である。 顔画像分割部の処理の一例について説明するための図である。 顔画像分割部の処理の別の例について説明するための図である。 測定モデル候補を抽出する処理の一例について説明するための図である。 顔方向テンプレートの一例を示す図である。 図１の血圧測定装置における測定モデル作成方法の処理の流れの一例を示す図である。 図１の血圧測定装置における血圧測定方法の処理の流れの一例を示す図である。

〔実施形態１〕
実施形態１の血圧測定装置１について、以下に説明する。便宜上、実施形態１にて説明した部材と同じ機能を有する部材については、以降の各実施形態では、同じ符号を付記し、その説明を繰り返さない。公知技術と同様の事項についても、説明を適宜省略する。なお、各図に示されている装置構成は、説明の便宜上のための単なる一例である。また、明細書中において以下に述べる各数値も、単なる一例である。

（血圧測定装置１の概要）
図１は、血圧測定装置１の要部の構成を示す機能ブロック図である。血圧測定装置１は、被験体Ｈ（生体）の脈波に基づいて、当該被検体Ｈの血圧（以下、単に血圧）を測定する。具体的には、血圧測定装置１は、以下に述べるモデル設定装置１００において設定された血圧測定モデル（以下、単に「測定モデル」とも称する）を用いて、血圧を測定する。なお、本明細書では、後述する血圧推定モデルを、単に「推定モデル」とも称する。また、測定モデルおよび推定モデルを総称的に、単に「モデル」と称する場合もある。

以下の説明では、非接触式の血圧測定装置（被験体Ｈに接触することなく血圧を測定可能な測定装置）としての血圧測定装置１について述べる。実施形態１では、被験体Ｈが人である場合を例示する。血圧測定装置１は、被験体Ｈの体表における所定の領域を、ＲＯＩ（Region of Interest，関心領域）として取り扱うことで、血圧を測定する。以下の説明では、ＲＯＩが顔である場合を例示する。なお、本明細書では、被検体Ｈの顔を、単に「顔」とも称する。その他の表記についても、同様である。

血圧測定装置１は、モデル設定装置１００とモデル選択部６０と血圧測定部１６０（第１血圧測定部）と血圧測定結果出力部１７０とを備えている。モデル設定装置１００は、血圧取得部２（第２血圧測定部）と、脈波取得部１０と、脈波パラメータ算出部２０と、体動検出部２１と、体動分類部２２と、モデル作成部３０と、モデル評価部４０と、モデル保管部５０とを備えている。

図１の例では、モデル設定装置１００は、血圧測定装置１の内部に設けられている。但し、モデル設定装置１００を、血圧測定装置１の外部に設けることもできる（後述の実施形態２を参照）。

血圧取得部２は、被検体Ｈの血圧を測定する。血圧取得部２は、接触式の血圧計（例：カフ血圧計）である。血圧取得部２によって測定された血圧（以下、ＢＰｍ）は、モデル設定装置１００におけるテスト用データ（訓練用データ）として用いられる。すなわち、ＢＰｍは、モデル選択部６０において測定モデルを設定するために用いられる。また、ＢＰｍは、モデル作成部３０において複数の推定モデルを設定するためにも用いられる。

血圧取得部２は、モデル作成部３０およびモデル評価部４０（より具体的には、以下に述べるモデル評価指数算出部４２）に、ＢＰｍを出力する。なお、血圧測定装置１における最終的な血圧測定結果（後述のＰ）を、第１血圧とも称する。また、当該第１血圧との区別のため、ＢＰｍを第２血圧とも称する。後述するように、Ｐは血圧測定部１６０によって測定（算出）される。このことから、ＢＰｍは、血圧測定装置１によってＰを測定するための訓練用データとも表現できる。

（脈波取得部１０）
脈波取得部１０は、ＲＯＩ（例：顔）における脈波を取得する。脈波取得部１０は、撮像部１１と、光源１２と、光源調節部１３と、顔画像取得部１４と、顔画像分割部１５と、肌領域抽出部１６と、脈波算出部１７とを備えている。

撮像部１１は、イメージセンサとレンズとを含むカメラである。当該イメージセンサとしては、例えば、ＣＭＯＳ（Complementary Metal-Oxide Semiconductor）型またはＣＣＤ（Charge-Coupled Device）型のイメージセンサが用いられてよい。撮像部１１は、所定のフレームレートによって（つまり、所定の時間間隔ごとに）、被検体Ｈを複数回撮像し、撮像した被検体Ｈの画像（以下、被検体画像）を顔画像取得部１４へ出力する。一例として、上記フレームレートは、３００ｆｐｓ（frames per second）である。

撮像部１１は、公知のカラーフィルタを含んでいてもよい。当該カラーフィルタは、血液量の増減を観察するために適した光学特性を有していることが好ましい。好適なカラーフィルタの例としては、（ｉ）ＲＧＢＣｙ（Red，Blue，Green，Cyan：赤，青，緑，シアン）カラーフィルタ、（ｉｉ）または、ＲＧＢＩＲ（Red，Blue，Green，Infrared：赤，青，緑，赤外）カラーフィルタを挙げることができる。また、撮像部１１は、ＲＧＢカメラであってもよいし、あるいはＩＲカメラであってもよい。

光源１２は、撮像部１１が被検体Ｈを撮像する場合に、当該被検体Ｈに対して光を照射する。光源調節部１３は、光源１２を調節する。一例として、光源調節部１３は、モデル選択部６０によって選択された測定モデルにおいて使用される領域間の脈波伝播時間（脈波パラメータの一例）を精度良く算出できるように、光源を調節することが好ましい。

具体的には、光源調節部１３は、該当する領域において一定の信号品質を有する脈波を検出できるように光源１２を調節する。「一定の信号品質を有する脈波」とは、例えば、「ＳＮＲ（Signal-to-Noise Ratio，信号対雑音比）が高い脈波」である。より具体的には、光源調節部１３は、（ｉ）光源１２の光量、（ｉｉ）光源１２の光スペクトル、および、（ｉｉｉ）被検体Ｈの肌に対する照射角度、のうちの少なくとも１つを調節する。

なお、脈波取得部１０には、光源１２および光源調節部１３は必ずしも設けられなくともよい。光源１２および光源調節部１３が設けられない場合、撮像部１１は、周囲環境光のみを用いて被検体Ｈを撮像してもよい。

顔画像取得部１４は、撮像部１１によって撮像された被検体画像から、被検体Ｈの顔領域を抽出する。顔画像取得部１４は、顔領域が抽出された後の画像を、顔画像（被検体Ｈの顔が写った画像）として取得する。一例として、顔画像取得部１４は、被検体が写った動画像（複数の被検体画像によって構成される動画像）に対してフェイストラッキングを行うことにより、当該動画像の所定のフレーム間隔毎に、顔領域を抽出してもよい。

但し、顔画像取得部１４は、必ずしもフェイストラッキングを行わなくとも、顔領域を抽出できる。例えば、（ｉ）予め設定された枠の中に被検体Ｈに顔を入れさせ、かつ、（ｉｉ）当該顔と撮像部１１とが固定された状態で、撮像部１１によって被検体画像を撮像してもよい。このような場合には、被検体画像における顔のブレを抑制できるので、フェイストラッキングは不要である。

顔画像分割部１５は、顔画像取得部１４によって抽出された顔画像を複数の領域（部分領域）に分割する。以下の説明では、便宜上、顔画像を「ＩＭＧ」とも称する。図２は、顔画像分割部１５の処理の一例について説明するための図である。図２には、顔画像分割部１５による分割後のＩＭＧの一例が示されている。図２のＩＭＧは、正面を向いた顔が写っている顔画像の一例である。

図２の例では、顔画像分割部１５は、ＩＭＧを、縦方向および横方向にそれぞれ１０分割（例：それぞれ１０等分）する。つまり、顔画像分割部１５は、ＩＭＧを、１００個の部分領域（部分領域１～１００）に分割する。但し、顔画像分割部１５によるＩＭＧの分割方法は、図２の例に限定されない。例えば、各部分領域のサイズは、必ずしも同一でなくともよい。

脈波取得部１０の他の部分についての説明に先立ち、体動検出部２１の動作について述べる。体動検出部２１は、被検体Ｈの体動を検出する。具体的には、体動検出部２１は、ＲＯＩ（例：顔）の動きを検出する。より具体的には、体動検出部２１は、ＲＯＩの移動方向を検出する。一例として、体動検出部２１は、顔画像取得部１４によるフェイストラッキングの結果を用いて、動画像内における顔の各特徴点（例：目、鼻、口、または輪郭）の移動量を検出する。

具体的には、体動検出部２１は、所定のフレーム間隔毎に、各特徴点の位置変化量（移動量）を検出する。つまり、体動検出部２１は、所定のフレーム間隔毎に、「各特徴点がどの方向にどの程度動いたか」を検出する。体動検出部２１は、上記移動量に基づき、顔の移動方向をさらに検出する。また、体動検出部２１は、上記移動量に基づき、現時点における顔の向きをさらに検出する。

後述するように、モデル設定装置１００では、ＲＯＩの移動方向（例：顔の向き）について、複数種類の所定のパターンが予め設定されている。以下に詳述するように、体動分類部２２は、体動検出部２１によって検出された顔の向きが、上記所定のパターンのうちの、どのパターンに属するか（該当するか）を特定する。

図３は、顔画像分割部１５の処理の別の例について説明するための図である。顔画像分割部１５は、体動分類部２２によるパターン分類の結果にさらに基づき、ＩＭＧを分割できる。図３のＩＭＧＡは、正面を向いた顔が写っている顔画像の別の例である。体動分類部２２は、ＩＭＧＡにおける顔の向きが、後述の図５の「パターン１」に該当すると判定する。

図３の例において、ＩＭＧＡに対する分割手法は、図２の例と同様である。但し、説明の便宜上、図３の例では、ＩＭＧＡは、２５個（部分領域Ａ１～Ａ２５）に分割されている。図３では、図示の簡便化のため、Ａ１～Ａ２５のうちの一部のみに部材番号を付して明示している。この点については、以下に述べる部分領域Ｂ１～Ｂ２５（ＩＭＧＢの部分領域）についても同様である。

図３におけるＩＭＧＢは、右下面を向いた顔が写っている顔画像の一例である。以下、ＩＭＧＡが撮像された時点を時点Ａ、ＩＭＧＢが撮像された時点を時点Ｂとそれぞれ称する。本例では、時点Ｂは、時点Ａよりも後の時点である。体動分類部２２は、ＩＭＧ２における顔の向きが、図５の「パターン７」に該当すると判定する。

顔画像分割部１５は、あるパターンの顔画像（例：パターン１の顔画像であるＩＭＧＡ）に対する分割結果に基づき、別のパターンの顔画像（例：パターン７の顔画像であるＩＭＧＢ）を分割する。具体的には、顔画像分割部１５は、ＩＭＧＢの各部分領域（Ｂ１～Ｂ２５）を、ＩＭＧＡの各部分領域（Ａ１～Ａ２５）に対応させるように、ＩＭＧＢを分割する。図３の例では、Ｂ１およびＢ２５はそれぞれ、Ａ１およびＡ２５に対応する。

このように顔画像を分割することにより、（ｉ）時点Ａ（被験体Ｈの体動が生じる前）のある部分領域と、（ｉｉ）時点Ｂ（被験体Ｈの体動が生じた後）における当該ある部分領域に対応する部分領域とで、概ね同じ部位を示すことができる。図３の例では、Ａ１２およびＢ１２はそれぞれ、被験体Ｈの片目（例：左目）が写った部分領域である。また、Ａ１８およびＢ１８はそれぞれ、被験体Ｈの口が写った部分領域である。

肌領域抽出部１６は、各部分領域から肌領域（肌の少なくとも一部が写った領域）を抽出する。肌領域は、被覆物（例：髪の毛）によって肌が完全に覆い隠されていない領域とも表現できる。図２の例では、肌領域は、各部分領域のうち、網掛けが付されていない領域として示されている。図２の例において、肌領域抽出部１６は、１００個の部分領域から、５２個（５２箇所）の肌領域を抽出する。

脈波算出部１７は、肌領域抽出部１６によって抽出された肌領域のそれぞれについて、脈波（より厳密には、脈波信号）を算出する。脈波算出部１７における脈波の算出方法としては、公知の手法（例：独立成分分析を利用した手法）が適用されてよい。脈波算出部１７は、算出した脈波を脈波パラメータ算出部２０に供給する。

脈波パラメータ算出部２０は、脈波算出部１７から取得した各肌領域の脈波に基づき、脈波パラメータを算出する。本明細書において、「脈波パラメータ」とは、測定モデルに基づく血圧の測定（算出）において用いられる説明変数（独立変数とも称される）を総称的に意味する。

実施形態１では、各肌領域間における脈波伝播時間（Pulse Transit Time，ＰＴＴ）が、脈波パラメータとして用いられる場合を例示する。この場合、脈波パラメータ算出部２０は、公知の手法を用いて、各肌領域の脈波に基づきＰＴＴを算出する。なお、領域Ａ（任意の１つの肌領域）と領域Ｂ（領域Aとは別の１つの肌領域）との間のＰＴＴを、ＰＴＴ（Ａ－Ｂ）とも表す。例えば、図２の領域２３・２４間のＰＴＴは、ＰＴＴ（２３－２４）として表される。

図２の例の場合、脈波パラメータ算出部２０は、５２個の肌領域から、任意の２つの肌領域の組み合わせを選択する。すなわち、脈波パラメータ算出部２０は、総数で_５２Ｃ_２＝１３２６通りの組み合わせを選択する。そして、脈波パラメータ算出部２０は、各組み合わせについて、ＰＴＴを算出する。このように、脈波パラメータ算出部２０は、１３２６通りのＰＴＴ、すなわち、ＰＴＴ（２３－２４）～ＰＴＴ（９６－９７）を算出する。脈波パラメータ算出部２０は、算出した各ＰＴＴ（脈波パラメータ）を、モデル作成部３０、評価用予測血圧算出部４１、および血圧測定部１６０のそれぞれに供給する。

（モデル作成部３０）
モデル作成部３０は、血圧推定モデル（推定モデル）を作成する。推定モデルとは、被検体Ｈの血圧（Ｐ）を推定するための計算モデルである。具体的には、モデル作成部３０は、（ｉ）脈波パラメータ算出部２０において算出された脈波パラメータ（ＰＴＴ）と、（ｉｉ）血圧取得部２において取得された被検体Ｈの血圧（ＢＰｍ）とを、テスト用データとして用いることにより、推定モデルを作成する。

なお、図１に示されるように、モデル作成部３０は、第１モデル作成部３００－１、第２モデル作成部３００－２、…、および第Ｎモデル作成部３００－Ｎを有する。Ｎは、顔の向きについて予め設定された分類パターン数を示す。Ｎは、２以上の任意の整数である。第ｋモデル作成部３００－ｋは、パターンｋに応じた推定モデルを作成する。ｋは、１≦ｋ≦Ｎを満たす整数である。このように、モデル作成部３０は、顔の向きの各パターンに応じた推定モデルを作成できる。

本明細書では、便宜上、第１モデル作成部３００－１～第Ｎモデル作成部３００－Ｎを総称的に、モデル作成部３０とも称する。モデル作成部３０についての説明は、任意の第ｋモデル作成部３００－ｋに当てはまる。同様の趣旨により、本明細書では、後述する第１モデル評価用予測血圧算出部４１０－１～第Ｎモデル評価用予測血圧算出部４１０－Ｎを総称的に、評価用予測血圧算出部４１とも称する。また、後述する第１モデル評価指数算出部４２０－１～第Ｎモデル評価指数算出部４２０－Ｎを総称的に、モデル評価指数算出部４２とも称する。また、後述する第１モデル選択部６００－１～第Ｎモデル選択部６００－Ｎを総称的に、モデル選択部６０とも称する。

（推定モデルの作成方法の一例）
脈波が血管内を伝播する速度ｖは、Moens-Kortegの式、すなわち、

によって表される。式（１）において、Ｅは血管のヤング率であり、ａは血管壁圧であり、Ｒは血管径であり、ρは血液密度である。

血管のヤング率Ｅは、血圧Ｐに対して指数関数的に変化することが知られている。従って、Ｐ＝０における血管のヤング率をＥ０とした場合、Ｅは、

として表される。γは、血管に依存する定数である。

また、血管経路の長さＬは、

として表される。Ｔは脈波伝播時間（ＰＴＴ）であり、Ｌは血管経路の長さである。

従って、式（１）～（３）から、

が導かれる。

式（４）に示されるように、Ｌが一定の場合、ＴはＰと相関関係を有する。そこで、モデル作成部３０は、脈波パラメータ算出部２０において算出されたＰＴＴを用いて、Ｐの推定モデルを複数作成する。

まず、モデル作成部３０は、複雑度１の推定モデルＭ１を作成する。本明細書における「複雑度」とは、推定モデルにおける説明変数の数（例：推定モデルにおいて用いられるＰＴＴの数）を意味する。以下の例では、推定モデルＭ１では、説明変数として１つのＰＴＴが用いられている。

以下の説明では、脈波パラメータ算出部２０において算出された１つのＰＴＴを、ＰＴＴ１として表す。ＰＴＴ１は、任意の２つの肌領域間におけるＰＴＴである。モデル作成部３０は、ＰＴＴ１とＢＰｍとに対して、最小二乗法を用いた回帰分析を行う。モデル作成部３０は、回帰分析の結果として、推定モデルＭ１を作成する。脈波パラメータ算出部２０において算出された各ＰＴＴ、および、血圧取得部２において取得されたＢＰｍはいずれも、テスト用データの一例である。

一例として、推定モデルＭ１が、
ＢＰ１＝α１×ＰＴＴ１＋α２ …（５）
によって表される線形モデル（線形関数によって表現される計算モデル）である場合を考える。式（５）において、ＢＰ１は予測血圧であり、α１およびα２はそれぞれ定数である。この場合、モデル作成部３０は、回帰分析を行うことにより、α１およびα２を算出する（すなわち、推定モデルＭ１を作成する）。

以下、便宜上、図２の例における１３２６通りのＰＴＴのそれぞれを、ＰＴＴ１－１～ＰＴＴ１－１３２６と称する。モデル作成部３０は、ＰＴＴ１－１～ＰＴＴ１－１３２６を用いて、当該ＰＴＴと同数の推定モデルＭ１を作成する。便宜上、これらの推定モデルＭ１のそれぞれを、Ｍ１－１～Ｍ１－１３２６と称する。

次に、脈波パラメータ算出部２０は、複雑度２の推定モデルＭ２を作成する。推定モデルＭ２では、説明変数として２つのＰＴＴが用いられている。以下の説明では、脈波パラメータ算出部２０において算出された互いに異なる２つのＰＴＴを、ＰＴＴ１およびＰＴＴ２として表す。

モデル作成部３０は、（ｉ）ＰＴＴ１およびＰＴＴ２と、（ｉｉ）ＢＰｍと、に対して、最小二乗法を用いた回帰分析を行う。モデル作成部３０は、回帰分析の結果として、推定モデルＭ２を作成する。

一例として、推定モデルＭ２が、
ＢＰ２＝β１×ＰＴＴ１＋β２×ＰＴＴ２＋β３ …（６）
によって表される線形モデルである場合を考える。式（６）において、ＢＰ２は予測血圧であり、β１～β３はそれぞれ定数である。この場合、モデル作成部３０は、回帰分析を行うことにより、β１～β３を算出する。

図２の例では、モデル作成部３０は、ＰＴＴ１－１～ＰＴＴ１－１３２６を用いて、当該ＰＴＴよりも多数の推定モデルＭ２を作成する。本例では、ＰＴＴ１とＰＴＴ２の組み合わせは、８７８４７５通り（つまり、_１３２６Ｃ_２通り）である。従って、モデル作成部３０は、８７８４７５個の推定モデルＭ２を算出する。

以下同様にして、モデル作成部３０は、複雑度３の推定モデルＭ３、複雑度４の推定モデルＭ４、…、複雑度ｚの推定モデルＭｚを作成する。ｚは、複雑度の上限値を示す。ｚは、後述の図６のフローチャートの各処理における演算結果に応じて相違しうる。モデル作成部３０は、作成した各推定モデルを、モデル評価部４０（より具体的には、評価用予測血圧算出部４１）に供給する。

以上の説明の通り、第１モデル作成部３００－１は、パターン１に応じた推定モデル（以下、第１モデル）を作成する。第２モデル作成部３００－２～第Ｎモデル作成部３００－Ｎについても同様である。すなわち、第ｋモデル作成部３００－ｋは、パターンｋに応じた推定モデル（以下、第ｋモデル）を作成する。

このように、モデル作成部３０は、第１モデル～第Ｎモデルを作成する。以下、第１モデル～第Ｎモデルを総称して、モデル群とも称する。図１の例では、モデル作成部３０は、作成したモデル群を、モデル評価部４０およびモデル保管部５０にそれぞれ供給する。

（モデル評価部４０）
モデル評価部４０は、モデル作成部３０において作成された各推定モデルを評価し、その評価結果を出力する。具体的には、モデル評価部４０は、以下に述べるＰＩを、評価結果として出力する。図１の例では、モデル評価部４０は、モデル作成部３０からモデル群を直接的に取得している。但し、モデル評価部４０は、モデル作成部３０によって作成され、かつ、モデル保管部５０に予め保管されたモデル群を取得してもよい。

モデル評価部４０は、評価用予測血圧算出部４１とモデル評価指数算出部４２とを有する。評価用予測血圧算出部４１は、第１モデル評価用予測血圧算出部４１０－１、第２モデル評価用予測血圧算出部４１０－２、…、および第Ｎモデル評価用予測血圧算出部４１０－Ｎを有する。また、モデル評価指数算出部４２は、第１モデル評価指数算出部４２０－１、第２モデル評価指数算出部４２０－２、…、および第Ｎモデル評価指数算出部４２０－Ｎを有する。

第ｋモデル評価用予測血圧算出部４１０－ｋおよび第ｋモデル評価指数算出部４２０－ｋはそれぞれ、第ｋモデルに応じた機能部である。第ｋモデル評価用予測血圧算出部４１０－ｋと第ｋモデル評価指数算出部４２０－ｋとを総称して、「第ｋモデル評価部」とも称する。

評価用予測血圧算出部４１は、モデル作成部３０において作成された推定モデルにおける予測血圧（以下、ＢＰｅ）を算出する。具体的には、評価用予測血圧算出部４１は、当該推定モデルに対し、テスト用データとして脈波パラメータ算出部２０によって算出されたＰＴＴを適用（具体的には代入）することにより、ＢＰｅを算出する。

モデル評価指数算出部４２は、上記推定モデルの評価指数（以下、ＰＩ）を算出する。モデル評価指数算出部４２は、ＢＰｅとＢＰｍとに基づき、ＰＩを算出してよい。一例として、モデル評価指数算出部４２は、ＢＰｅとＢＰｍとの平均二乗誤差（Mean Square error，ＭＳＥ）をＰＩとして算出する。モデル評価指数算出部４２は、複雑度の小さい推定モデルから順番に、各推定モデルのＰＩを算出する。そして、モデル評価指数算出部４２は、算出したＰＩをモデル保管部５０に供給する。

以上の説明の通り、第１モデル評価用予測血圧算出部４１０－１は、第１モデルにおける予測血圧（第１モデル用予測血圧）を算出する。第２モデル評価用予測血圧算出部４１０－２～第Ｎモデル評価用予測血圧算出部４１０－Ｎについても同様である。すなわち、第ｋモデル評価用予測血圧算出部４１０－ｋは、第ｋモデル用予測血圧（以下、ＢＰｅｋ）を算出する。このように、評価用予測血圧算出部４１は、ＢＰｅ１～ＢＰｅＮを算出する。以下、ＢＰｅ１～ＢＰｅＮを総称して、予測血圧群とも称する。評価用予測血圧算出部４１は、算出した予測血圧群を、モデル評価指数算出部４２に供給する。

続いて、第１モデル評価指数算出部４２０－１は、第１モデルにおける各ＰＩ（第１モデル評価指数セット）を算出する。第２モデル評価指数算出部４２０－２～第Ｎモデル評価指数算出部４２０－Ｎについても同様である。すなわち、第ｋモデル評価指数算出部４２０－ｋは、第ｋモデル評価指数セット（以下、ＰＩｋ）を算出する。以下、ＰＩ１～ＰＩｋを総称して、評価指数セット群とも称する。モデル評価指数算出部４２は、算出した評価指数セット群を、モデル群と関連付けて、モデル保管部５０に供給する。

（モデル保管部５０）
モデル保管部５０には、モデル作成部３０によって作成されたモデル群が保管（保存）される。また、モデル保管部５０には、モデル評価指数算出部４２によって算出された評価指数セット群が保管される。モデル保管部５０は、公知の記憶装置であってよい。

（モデル選択部６０）
モデル選択部６０は、第１モデル選択部６００－１、第２モデル選択部６００－２、…、および第Ｎモデル選択部６００－Ｎを有する。第ｋモデル選択部６００－ｋは、第ｋモデルに応じた機能部である。後述の図７に示されるように、モデル選択部６０は、モデル設定装置１００による処理の終了後に、血圧測定部１６０において血圧（Ｐ）を測定（算出）するために動作する。

モデル選択部６０は、モデル評価部４０（より詳細には、モデル評価指数算出部４２）による評価結果（すなわち、モデル保管部５０に保管された各ＰＩ）に基づいて、モデル保管部５０に保管された複数の推定モデルの中から、少なくとも１つの測定モデルを選択する。測定モデルとは、血圧測定部１６０において血圧（Ｐ）を測定するための計算モデルである。

まず、モデル選択部６０は、複数の推定モデルの中から、少なくとも１つの測定モデルの候補（モデル候補）を選択する。一例として、モデル選択部６０は、複数の推定モデルの中から、「ＰＩ（例：ＭＳＥ）が所定の閾値以下となる推定モデル」を、測定モデル候補として抽出する。そして、モデル選択部６０は、測定モデル候補の中から、少なくとも１つの測定モデルを選択する。

一例として、モデル選択部６０によって１つの測定モデルを選択する場合を考える。この場合、モデル選択部６０は、測定モデル候補の内、ＰＩが最小となる推定モデルを、測定モデルとして選択してよい。あるいは、モデル選択部６０は、測定モデル候補の内、複雑度が最も小さい推定モデルを、測定モデルとして選択してもよい。

また、モデル選択部６０は、複数の測定モデルを選択してもよい。例えば、モデル選択部６０は、複数の測定モデル候補の内、「測定モデル候補において用いられる全ての部分領域におけるＳＮＲが、所定の値以上である測定モデル候補」を、測定モデルとして選択してもよい。

図４は、測定モデル候補を抽出する処理の一例について説明するための図である。図４の例では、推定モデルの誤差の標準偏差がＰＩとして用いられている（後述の変形例も参照）。この場合、モデル評価指数算出部４２は、ＢＰｅ（予測血圧）とＢＰｍ（テスト用データ）との誤差の標準偏差を、ＰＩとして算出する。図４のグラフは、モデル評価指数算出部４２によって算出されたＰＩ（誤差の標準偏差）の分布を示す。

図４の例では、所定の閾値は、「８ｍｍＨｇ」という数値（血圧閾値）に設定されている。当該数値は、非観血式血圧計の規格に基づいて設定されている。この場合、モデル選択部６０は、ＰＩが８ｍｍＨｇ以下となる推定モデルを、測定モデル候補として抽出する。図４の例では、モデル選択部６０は、推定モデルＭ１～Ｍ４（複雑度１～４）の中から、Ｍ２～Ｍ４を測定モデル候補として抽出する。

以上の説明の通り、第１モデル選択部６００－１は、第１モデルから、少なくとも１つの測定モデル候補（第１モデル内測定モデル候補）を選択する。そして、第１モデル選択部６００－１は、第１モデル内測定モデル候補から、少なくとも１つの測定モデル（第１モデル内測定モデル）を選択する。第２モデル選択部６００－２～第Ｎモデル選択部６００－Ｎについても同様である。

すなわち、第ｋモデル選択部６００－ｋは、第ｋモデルから、少なくとも１つの第ｋモデル内測定モデル候補を選択する。そして、第ｋモデル選択部６００－ｋは、第ｋモデル内測定モデル候補から、少なくとも１つの第ｋモデル内測定モデルを特定する。第ｋモデル内測定モデルとは、パターンｋの場合に、血圧測定部１６０において血圧（Ｐ）を測定するための計算モデルである。

ところで、一部の肌領域からは、一定の信号品質を有する脈波（高精度な脈波）を取得できない場合が考えられる。このような肌領域の例としては、（ｉ）被覆物によってその一部が覆い隠されている肌領域、または、（ｉｉ）影がさしている肌領域を挙げることができる。従って、血圧測定精度の向上の観点からは、このような肌領域の存在を考慮することが好ましい。

そこで、脈波算出部１７は、まずは各肌領域における脈波を算出する。そして、脈波算出部１７は、各肌領域を、（ｉ）一定の信号品質を有する脈波を取得できた領域（以下、品質適合領域）と、（ｉｉ）その他の領域（以下、品質不適合領域）と、に分類してよい。品質不適合領域は、一定の信号品質を有する脈波を取得できなかった領域とも表現できる。例えば、各脈波のＳＮＲ（信号品質の一例）に基づいて、当該分類が行われてもよい。あるいは、各肌領域の画素値に基づいて、当該分類が行われてもよい。

そして、モデル選択部６０は、複数の推定モデルの中から、品質適合領域のみが使用されているモデルのみを、測定モデル候補として抽出してよい。これにより、測定結果（後述の血圧Ｐ）の精度低下を、より効果的に防止できる。

（体動分類部２２の処理の一例）
体動分類部２２には、被験体Ｈの顔の向き（方向）について、Ｎ種類の所定のパターンが予め設定されている。以下、当該Ｎ種類の所定のパターンを示すデータセットを、顔方向テンプレートと称する。体動分類部２２は、顔方向テンプレートを用いて、体動検出部２１によって検出された顔の向きを分類する。つまり、体動分類部２２は、体動検出部２１によって検出された顔の向き（以下、検出方向）が、顔方向テンプレート内のどのパターンに該当するかを特定する。

図５は、顔方向テンプレートの一例を示す図である。図５の例では、Ｎ＝９である。図５の例では、
・パターン１：正面；
・パターン２：右；
・パターン３：右上；
・パターン４：上；
・パターン５：左上；
・パターン６：左；
・パターン７：左下；
・パターン８：下；
・パターン９：右下；
として、９通りの異なる顔の向きのパターンが規定されている。この場合、体動分類部２２は、検出方向をパターン１からパターン９までの９通りに分類できる。なお、「パターンｋ」は、「第ｋパターン」と称されてもよい。体動分類部２２は、自身が特定した分類番号（パターン番号）を、所定の時間ごとに出力する。

上記の例の分類番号は、所定の２つの時点間（例：時点Ａ・Ｂ間）での、顔の向きの遷移（変化）を示すために付されている。一例として、時点Ａにおける顔の向きがパターン１であったとする。この場合、パターン１～９は、時点Ａ・Ｂ間の顔の移動方向のパターンとも表現できる。なお、時点Ｂにおいてもパターン１である場合、顔の向きに変化がなかったことを意味する。このように、顔の向きのパターンは、顔の移動方向のパターンとも言い換えられてもよい。

一例として、時点Ａにおける検出方向が正面（パターン１）であった場合を考える。第１の例として、時点Ｂにおける検出方向が左（パターン６）であったとする。この場合、体動分類部２２は、「パターン１→６」に、分類番号を変更する（図５の矢印の例）。

また、第２の例として、時点Ｃ（時点Ｂよりも後の時点）における検出方向が正面（パターン１）であり、時点Ｄ（時点Ｃよりも後の時点）における検出方向が右上（パターン３）で有った場合を考える。この場合、体動分類部２２は、「パターン１→６→１→３」に、分類番号を変更する。

なお、体動分類部２２は、所定の２つの時点間におけるパターン遷移を、分類対象とすることもできる。上記の第２の例の場合であれば、まず、「パターン１→６」から「パターン６→１」に、パターン遷移の分類が変更される。続いて、「パターン６→１」から「パターン１→３」に、パターン遷移の分類が変更される。

なお、体動分類部２２には、体動検出部２１によって算出された移動量に基づき、パターン分類を行うこともできる。一例として、体動分類部２２は、当該移動量と所定の閾値とを比較した結果に基づき、パターン分類を行ってもよい。また、パターン分類のための判定処理においては、移動量に替えて、移動量の時間平均値（以下、移動量平均値）を用いてもよい。当該移動量の時間平均値は、例えば、モデル作成のための各測定データの測定時間における、移動量の平均値であってよい。

（血圧測定部１６０および血圧測定結果出力部１７０）
血圧測定部１６０は、モデル選択部６０によって選択された測定モデルを用いて、血圧（Ｐ）を測定する。具体的には、血圧測定部１６０は、当該測定モデルに、脈波パラメータ算出部２０によって算出された脈波パラメータ（例：ＰＴＴ）を適用することにより、Ｐを算出する。このように、血圧測定部１６０は、測定モデルを用いることにより、脈波パラメータに基づき、第１血圧（Ｐ）を算出する。

上述のように、モデル選択部６０は、パターンｋに応じた測定モデル（第ｋモデル内測定モデル）を選択する。このため、血圧測定部１６０において、被験体Ｈの顔の向きに適した測定モデルを用いて、Ｐを算出できる。

血圧測定結果出力部１７０は、血圧測定部１６０によって測定されたＰを取得する。そして、血圧測定結果出力部１７０は、当該Ｐを血圧測定結果として出力する。血圧測定結果出力部１７０は、Ｐを任意の報知態様によって提示してよい。一例として、血圧測定結果出力部１７０は、ディスプレイであってよい。この場合、血圧測定結果出力部１７０は、Ｐを示す数値を表示することにより、血圧測定結果を被験体Ｈに視覚的に提示できる。

（測定モデル作成方法）
図６は、血圧測定装置１の処理の流れの一例を示すフローチャートである。図６では、血圧測定装置１（より具体的には、モデル設定装置１００）によって測定モデルを作成（設定）する方法の一例が示されている。当該方法は、測定モデル作成方法（または測定モデル設定方法）と称されてもよい。

まず、撮像部１１は、被検体画像を撮像する（Ｓ１）。顔画像取得部１４は、撮被検体画像から顔画像（ＩＭＧ）を取得する（Ｓ２）。顔画像取得部１４は、ＩＭＧに対するフェイストラッキングを行う（Ｓ３）。

次に、体動検出部２１は、Ｓ３におけるフェイストラッキングの結果を用いて、顔の向き（顔移動方向）を検出する（Ｓ４，体動検出工程）。体動分類部２２は、Ｓ４において検出された顔の向きを分類する（Ｓ５，体動分類工程）。例えば、体動分類部２２は、当該顔の向きを、上述のパターン１～９のうちのいずれか１つのパターン（パターンｋ）に分類する。

次に、顔画像分割部１５は、Ｓ５において分類されたパターンに応じて、ＩＭＧを複数の部分領域に分割する（Ｓ６）。肌領域抽出部１６は、当該複数の部分領域から肌領域を抽出する（Ｓ７）。脈波算出部１７は肌領域のそれぞれについて、脈波（脈波信号）を算出する（Ｓ８，脈波取得工程）。次に、脈波パラメータ算出部２０は、当該脈波を用いて、各肌領域間におけるＰＴＴ（脈波伝播時間）を算出する（Ｓ９，脈波パラメータ算出工程）。

以下に述べる各処理は、Ｓ５において分類されたパターン（パターンｋ）ごとに行われる。Ｓ９の後、モデル設定装置１００は、現在血圧を測定しようとしている被検体Ｈに対するパターンｋの推定モデル（第ｋモデル）が、すでに存在しているか否かを確認する（Ｓ１０）。つまり、モデル設定装置１００は、顔の向きに応じた推定モデルが存在しているか否かを確認する。上記推定モデルが現時点で存在していない場合（Ｓ１０でＮＯ）、血圧取得部２は、被検体Ｈの血圧（ＢＰｍ）を取得する（Ｓ１１，第２血圧測定工程）。

次に、モデル作成部３０（より具体的には、第ｋモデル作成部３００－ｋ）は、テスト用データを用いて、パターンｋにおける複数の推定モデル（第ｋモデル）を作成する。具体的には、モデル作成部３０は、ＰＴＴとＢＰｍとを用いて、所定の複雑度の複数の推定モデルを作成する（Ｓ１２，モデル作成工程）。Ｓ１２を初めて行う場合（１回目のループ処理）には、モデル作成部３０は、複雑度１の複数の推定モデル（複数のＭ１）を作成する。上述の通り、モデル作成部３０は、自身が作成した各推定モデル（例：各Ｍ１）を、モデル保管部５０に保管する。

なお、Ｓ１２において用いられるＢＰｍは、被検体画像の撮像（Ｓ１）と同時に、血圧取得部２によって測定された血圧である。つまり、第２血圧測定工程は、Ｓ１１に先立ち、Ｓ１と同時に予め１回実行されている。

次に、評価用予測血圧算出部４１（より具体的には、第ｋモデル評価用予測血圧算出部４１０－ｋ）は、テスト用データを用いて、Ｓ１２において作成された各Ｍ１における予測血圧（ＢＰｅ，より具体的にはＢＰｅｋ）を算出する。具体的には、評価用予測血圧算出部４１は、各Ｍ１に対しＰＴＴを適用することにより、ＢＰｅを算出する（Ｓ１３）。

次に、モデル評価指数算出部４２（より具体的には、第ｋモデル評価指数算出部４２０－ｋ）は、推定モデルの評価指数（ＰＩ，より具体的にはＰＩｋ）を算出する。具体的には、モデル評価指数算出部４２は、ＢＰｅとＢＰｍとの平均二乗誤差（ＭＳＥ）を、ＰＩとして算出する（Ｓ１４）。上述の通り、モデル評価指数算出部４２は、自身が算出した各ＰＩを、モデル保管部５０に保管する。Ｓ１３およびＳ１４は、総称的にモデル評価工程とも称される。なお、Ｓ１３の開始に先立ち、モデル評価部４０は、モデル保管部５０から各推定モデル（第ｋモデル）を読み出してよい。

次に、モデル評価部４０は、各複雑度におけるＰＩ（例：ＭＳＥ）が最も小さい推定モデル同士をプロットしたときに、ＭＳＥの極小値が得られたかどうかを判定する（Ｓ１５）。換言すれば、モデル評価部４０は、直前のＳ１４で算出した複雑度における最小のＭＳＥが、その１つ前のループ処理におけるＳ１４で算出した複雑度における最小のＭＳＥよりも大きいか否かを判定する。

なお、Ｓ１６を初めて行う場合（１回目のループ処理）には、その１つ前のループ処理におけるＳ１４で算出した複雑度における最小のＭＳＥ（つまり、直前のステップＳ１４で算出した複雑度における最小のＭＳＥとの比較対象）が存在しない。このため、Ｓ１５を初めて行う場合には、当該Ｓ１５ではＮＯと判定される。

ＭＳＥの極小値が得られなかった場合（換言すれば、直前のＳ１４で算出した複雑度における最小のＭＳＥが、その１つ前のループ処理におけるＳ１４で算出した複雑度における最小のＭＳＥよりも小さい場合）（Ｓ１５でＮＯ）、モデル作成部３０は、推定モデルの複雑度を１だけ上げる（Ｓ１６）。上記の例の場合、モデル作成部３０は、複雑度を１から２へとカウントアップする。そして、Ｓ１２に戻る。以降、Ｓ１５でＹＥＳとなるまで、Ｓ１２～Ｓ１５の各処理が繰り返される。このように、上述のｚ（複雑度の上限値）は、Ｓ１２～Ｓ１５の処理の繰り返し回数と一致する。

一方、ＭＳＥの極小値が得られた場合（換言すれば、直前のＳ１４で算出した複雑度における最小のＭＳＥが、その１つ前のＳ１４で算出した複雑度における最小のＭＳＥよりも大きい場合）（Ｓ１５でＹＥＳ）、モデル評価部４０は、当該ＭＳＥの極小値が所定の閾値よりも大きいか否かを判定する（Ｓ１７）。

ＭＳＥの極小値が閾値よりも大きい場合（Ｓ１７でＹＥＳの場合）、第ｋモデルを作成する処理を終了する。このような場合には、これ以上複雑度を上げても、現状よりも優れたＰＩ（例：ＭＳＥ）が得られる推定モデルを作成できる余地は乏しいと考えられるためである。一方、ＭＳＥの極小値が閾値以下である場合（Ｓ１７でＮＯの場合）、Ｓ１６に戻る。このような場合には、複雑度を上げることにより、現状よりも優れたＰＩが得られる推定モデルを作成できる余地があると考えられるためである。

なお、Ｓ１０でＹＥＳの場合（第ｋモデルがすでに存在している場合）、そのまま処理を終了する（つまり、Ｓ１１～Ｓ１７を行わない）。このような場合、第ｋモデルを作成することは不要であるためである。

図６の処理を、パターン１～Ｎ（例：パターン１～９）のそれぞれに対して実行することにより、モデル設定装置１００によって第１モデル～第Ｎモデル（モデル群）を作成できる。

（血圧測定方法）
図７は、血圧測定装置１の処理の流れの別の例を示すフローチャートである。図７では、血圧測定装置１によって血圧を測定する方法（血圧測定方法）の一例が示されている。図７の各処理は、図６の全処理が完了した後に実行される。つまり、図７の各処理の開始に先立ち、（ｉ）モデル設定装置１００によって作成されたモデル群、および、（ｉｉ）モデル設定装置１００によって算出された評価指数セット群が、予めモデル保管部５０に保管されている。

図７のＳ２１～Ｓ３２のうち、Ｓ２１～Ｓ２９はそれぞれ、図６のＳ１～９と同様の処理である。従って、以下では、Ｓ３０～Ｓ３２および関連する処理についてのみ説明する。なお、Ｓ３０以降の処理は、Ｓ２５において分類されたパターン（パターンｋ）ごとに行われる。また、図７の例では、第２血圧測定工程は、Ｓ２１と同時に実行される。

Ｓ２９の後、モデル選択部６０（より具体的には、第ｋモデル選択部６００－ｋ）は、モデル保管部５０から各推定モデル（第ｋモデル）を読み出す。また、モデル選択部６０は、モデル保管部５０から各ＰＩを読み出す。上述の通り、モデル選択部６０は、各ＰＩに基づき、複数の第ｋモデルの内から、所定の測定モデル（第ｋモデル内測定モデル）を選択する。このように、モデル選択部６０は、顔の向きに応じた複数の推定モデルの内から、所定の測定モデルを選択する（Ｓ３０，モデル選択工程）。

次に、血圧測定部１６０は、Ｓ３０において選択された測定モデルを用いて、血圧（Ｐ）を算出する（Ｓ３１，第１血圧測定工程）。最後に、血圧測定結果出力部１７０は、当該Ｐを血圧測定結果として出力する（Ｓ３２）。Ｓ３２の完了に伴い、血圧測定装置１による血圧測定が終了する。

（効果）
上述の通り、特許文献１の計測装置は、被験体Ｈの体動が生じた場合（より具体的には、被験体Ｈの顔に動きが生じた場合）にも、脈拍数を高精度に測定できるように構成されている。しかしながら、特許文献１には、被験体Ｈの体動に対処するように、血圧（Ｐ）を高精度に測定するための具体的な手法については、特に言及されていない。このように、従来技術では、Ｐを高精度に測定できるには至らなかった。

これに対し、血圧測定装置１では、モデル設定装置１００によって、顔の向きに応じた（つまり体動に応じた）、複数種類の推定モデルを予め設定できる。そして、血圧測定装置１は、モデル保管部５０に保管された当該推定モデルを用いて、血圧（Ｐ）を測定（算出）できる。すなわち、被験体Ｈの体動を考慮してＰを測定できる。それゆえ、ユーザの体動がある場合にも、Ｐを従来よりも高精度に測定できる。

〔実施形態２〕
（１）被験体Ｈは、人に限定されない。被験体Ｈは、本開示の一態様に係る血圧測定方法が適用可能な対象であればよい。例えば、被験体Ｈは、犬または猫等の動物であってもよい。

（２）ＲＯＩは、顔に限定されない。ＲＯＩは、脈波を取得可能な生体の体表であればよい。ＲＯＩの別の例としては、首、胸、および掌等を挙げることができる。

但し、ＲＯＩは、顔であることが好ましい。ＩＭＧ（顔画像）を用いた場合、血圧の測定時における被検体Ｈに対する負担を少なくできる。すなわち、自然な状態（リラックスした状態）における被検体Ｈの血圧を測定しやすくなる。

（３）体動検出部２１は、必ずしも画像解析に基づいて（例：フェイストラッキング結果を用いて）、体動を検出しなくともよい。例えば、体動検出部２１は、体動を検出可能な接触型のセンサであってもよい。当該センサは、被験体Ｈに拘束感をなるべく与えないように構成されていればよい。このように、血圧測定装置１は、接触式の血圧測定装置であってもよい。

また、体動検出部２１は、体動の大きさ（変位量）に加え、（ｉ）体動の速度、および、（ｉｉ）体動の加速度の少なくともいずれかをさらに検出してもよい。この場合、体動分類部２２は、体動の大きさに加え、（ｉ）体動の速度、および、（ｉｉ）体動の加速度の少なくともいずれかにさらに基づいて、体動のパターンを分類してもよい。この場合、モデル作成部３０において、当該分類に応じた推定モデルを作成すればよい。

（４）脈波パラメータは、ＰＴＴに限定されない。例えば、脈波パラメータ算出部２０は、各肌領域における脈波の波形特徴量を、波形パラメータとして算出してもよい。当該波形特徴量の例としては、（ｉ）脈波の振幅、および、（ｉｉ）各脈波パルス間の時間差、を挙げることができる。また、脈波パラメータ算出部２０は、ＰＴＴと波形特徴量とを組み合わせて、脈波パラメータを設定してもよい。

（５）推定モデルは、線形モデルに限定されない。モデル作成部３０は、回帰分析を行うことにより、非線形モデル（非線形関数によって表現される計算モデル）を作成してもよい。

（６）推定モデルの評価指数（ＰＩ）は、ＢＰｅとＢＰｍとの平均二乗誤差に限定されない。例えば、（ｉ）ＢＰｅとＢＰｍとの平均絶対誤差、または、（ｉｉ）ＢＰｅとＢＰｍとの誤差の標準偏差、を、ＰＩとして用いることもできる。さらに、ＰＩは、ＢＰｅとＢＰｍとに基づいて算出されるパラメータであればよく、誤差に関するパラメータに限定されない。例えば、（ｉ）自由度調整済み決定指数、および、（ｉｉ）ＡＩＣ（Akaike's Information Criteria）を、ＰＩとして用いることもできる。

（７）モデル保管部５０は、血圧測定装置１と通信可能に接続されていればよい。例えば、モデル保管部５０は、血圧測定装置１の外部に設けられたサーバ装置であってもよい。このように、モデル保管部５０は、必ずしも血圧測定装置１の内部に設けられていなくともよい。同様に、モデル保管部５０は、必ずしもモデル設定装置１００の内部に設けられていなくともよい。

また、モデル保管部５０を割愛することもできる。この場合、モデル選択部６０は、モデル作成部３０から各測定モデルを直接的に取得すればよい。同様に、モデル選択部６０は、モデル評価部４０から各ＰＩを直接的に取得すればよい。但し、血圧測定装置１によるＰの測定を高速化するためには、モデル保管部５０を設けることが好ましい。

（８）モデル設定装置１００には、測定データ分類部がさらに設けられてよい。測定データ分類部とは、（ｉ）脈波取得部１０において取得された脈波から、複数のデータ測定時間毎に脈波を抽出し、かつ、（ｉｉ）抽出した各脈波を分類する機能部である。一例として、モデル作成部３０に、測定データ分類部の機能が付与されてもよい。

一例として、複数のデータ測定時間は、「５秒」、「１０秒」、「２０秒」、および「３０秒」の、４通りの時間である。脈波パラメータ算出部２０は、測定データ分類部によって分類された各脈波を用いて、複数の脈波パラメータを算出する。つまり、脈波パラメータ算出部２０は、（ｉ）体動分類部２２のパターン分類毎、かつ、（ｉｉ）測定データ分類部の脈波分類毎に、複数の脈波パラメータを算出する。

本例の場合、脈波パラメータ算出部２０は、パターンｋにおいて、「データ測定時間が５秒の場合の脈波パラメータ」、「データ測定時間が１０秒の場合の脈波パラメータ」、「データ測定時間が２０秒の場合の脈波パラメータ」、および、「データ測定時間が３０秒の場合の脈波パラメータ」の、４通りの脈波パラメータを算出する。

そして、モデル作成部３０は、脈波パラメータ算出部２０によって算出された各脈波パラメータを用いて、各推定モデルを作成する。当該構成によれば、複数種類のデータ測定時間毎に、推定モデルを作成できる。それゆえ、血圧測定装置１は、体動の生じている時間の長さをさらに考慮して、血圧測定に適した測定モデルを選択できる。それゆえ、血圧測定の精度をさらに向上させることができる。

（９）モデル設定装置１００は、血圧測定装置１と通信可能に接続されていればよい。例えば、モデル設定装置１００は、血圧測定装置１の外部に設けられたサーバ装置であってもよい。このように、モデル設定装置１００は、必ずしも血圧測定装置１の内部に設けられていなくともよい。

〔実施形態３〕
血圧測定装置１の制御ブロック（特に、脈波取得部１０、脈波パラメータ算出部２０、体動検出部２１、体動分類部２２、モデル作成部３０、モデル評価部４０、モデル選択部６０、および血圧測定部１６０）は、集積回路（ＩＣチップ）等に形成された論理回路（ハードウェア）によって実現してもよいし、ソフトウェアによって実現してもよい。

後者の場合、血圧測定装置１は、各機能を実現するソフトウェアであるプログラムの命令を実行するコンピュータを備えている。このコンピュータは、例えば少なくとも１つのプロセッサ（制御装置）を備えていると共に、上記プログラムを記憶したコンピュータ読み取り可能な少なくとも１つの記録媒体を備えている。そして、上記コンピュータにおいて、上記プロセッサが上記プログラムを上記記録媒体から読み取って実行することにより、本開示の一態様の目的が達成される。上記プロセッサとしては、例えばＣＰＵ（Central Processing Unit）を用いることができる。上記記録媒体としては、「一時的でない有形の媒体」、例えば、ＲＯＭ（Read Only Memory）等の他、テープ、ディスク、カード、半導体メモリ、プログラマブルな論理回路などを用いることができる。また、上記プログラムを展開するＲＡＭ（Random Access Memory）などをさらに備えていてもよい。また、上記プログラムは、該プログラムを伝送可能な任意の伝送媒体（通信ネットワークや放送波等）を介して上記コンピュータに供給されてもよい。血圧測定装置１は、公知の情報処理装置（例：スマートフォン、タブレット、またはパーソナルコンピュータ）によって実現されてもよい。なお、本開示の一態様は、上記プログラムが電子的な伝送によって具現化された、搬送波に埋め込まれたデータ信号の形態でも実現され得る。

〔付記事項〕
本開示の一態様は上述した各実施形態に限定されるものではなく、請求項に示した範囲で種々の変更が可能であり、異なる実施形態にそれぞれ開示された技術的手段を適宜組み合わせて得られる実施形態についても本開示の一態様の技術的範囲に含まれる。さらに、各実施形態にそれぞれ開示された技術的手段を組み合わせることにより、新しい技術的特徴を形成できる。

Claims (7)

1. 生体の脈波に基づき当該生体の第１血圧を測定する血圧測定装置であって、
   上記生体の体表における所定の領域において脈波を取得する脈波取得部と、
   上記所定の領域の移動方向を検出する体動検出部と、
   上記移動方向を分類する体動分類部と、
   上記脈波に基づき、複数の脈波パラメータを算出する脈波パラメータ算出部と、を備えており、
   上記血圧測定装置は、モデル保管部と通信可能に接続されており、
   上記モデル保管部には、
   （ｉ）上記移動方向の分類結果に応じて上記第１血圧を推定するための複数の血圧推定モデルと、
   （ｉｉ）上記移動方向の分類結果に応じた上記複数の血圧推定モデルのそれぞれの評価結果と、
   が、予め保管されており、
   上記血圧測定装置は、
   上記複数の血圧推定モデルのそれぞれの上記評価結果に基づき、当該複数の血圧推定モデルの中から、上記第１血圧を算出するための測定モデルを選択するモデル選択部と、
   上記測定モデルを用いて、上記複数の脈波パラメータに基づき上記第１血圧を算出する第１血圧測定部と、をさらに備えている、血圧測定装置。
2. Ｎを２以上の整数として、
   上記体動分類部は、上記移動方向を、第１パターンから第ＮパターンまでのＮ通りのパターンに分類し、
   ｋを１以上かつＮ以下の整数として、
   第ｋパターンに応じた上記血圧推定モデルを第ｋモデルと称し、
   上記モデル保管部には、
   （ｉ）第ｋパターンに応じた上記複数の血圧推定モデルである複数の第ｋモデルと、
   （ｉｉ）上記複数の第ｋモデルのそれぞれの評価結果と、
   が、予め保管されており、
   上記モデル選択部は、上記複数の第ｋモデルのそれぞれの上記評価結果に基づき、当該複数の第ｋモデルの中から、上記測定モデルを選択する第ｋモデル選択部を有している、請求項１に記載の血圧測定装置。
3. 上記所定の領域は、上記生体の顔である、請求項１または２に記載の血圧測定装置。
4. 生体の脈波に基づき当該生体の第１血圧を測定する血圧測定装置と通信可能に接続されたモデル設定装置であって、
   上記生体の第２血圧を測定する第２血圧測定部と、
   上記生体の体表における所定の領域において脈波を取得する脈波取得部と、
   上記所定の領域の移動方向を検出する体動検出部と、
   上記移動方向を分類する体動分類部と、
   上記脈波に基づき、複数の脈波パラメータを算出する脈波パラメータ算出部と、を備えており、
   上記モデル設定装置は、モデル保管部と通信可能に接続されており、
   上記モデル設定装置は、
   上記移動方向の分類結果に応じて、上記複数の脈波パラメータと上記第２血圧とに基づき、上記第１血圧を推定するための血圧推定モデルを作成し、当該血圧推定モデルを上記モデル保管部に保管するモデル作成部を備えている、モデル設定装置。
5. 上記モデル設定装置は、さらに
   上記移動方向の分類結果に応じて、上記モデル保管部に保管された複数の上記血圧推定モデルのそれぞれを評価し、その評価結果を当該モデル保管部に保管するモデル評価部を備えている、請求項４に記載のモデル設定装置。
6. Ｎを２以上の整数として、
   上記体動分類部は、上記移動方向を、第１パターンから第ＮパターンまでのＮ通りのパターンに分類し、
   ｋを１以上かつＮ以下の整数として、
   第ｋパターンに応じた上記血圧推定モデルを第ｋモデルと称し、
   上記モデル作成部は、上記複数の脈波パラメータと上記第２血圧とに基づき、上記第１血圧を推定するための複数の第ｋモデルを作成し、当該複数の第ｋモデルを上記モデル保管部に保管する第ｋモデル作成部を有し、
   上記モデル評価部は、上記モデル保管部に保管された上記複数の第ｋモデルのそれぞれを評価し、その評価結果を当該モデル保管部に保管する第ｋモデル評価部を有している、請求項５に記載のモデル設定装置。
7. 生体の脈波に基づき当該生体の第１血圧を測定する血圧測定装置を用いた血圧測定方法であって、
   上記生体の体表における所定の領域において脈波を取得する脈波取得工程と、
   上記所定の領域の移動方向を検出する体動検出工程と、
   上記移動方向を分類する体動分類工程と、
   上記脈波に基づき、複数の脈波パラメータを算出する脈波パラメータ算出工程と、を含んでおり、
   上記血圧測定装置は、モデル保管部と通信可能に接続されており、
   上記モデル保管部には、
   （ｉ）上記移動方向の分類結果に応じて上記第１血圧を推定するための複数の血圧推定モデルと、
   （ｉｉ）上記移動方向の分類結果に応じた上記複数の血圧推定モデルのそれぞれの評価結果と、
   が、予め保管されており、
   上記血圧測定方法は、
   上記複数の血圧推定モデルのそれぞれの上記評価結果に基づき、当該複数の血圧推定モデルの中から、上記第１血圧を算出するための測定モデルを選択するモデル選択工程と、
   上記測定モデルを用いて、上記複数の脈波パラメータに基づき上記第１血圧を算出する第１血圧測定工程と、をさらに含んでいる、血圧測定方法。
   

Images