JP7301275B2 - 睡眠状態推定システム - Google Patents
睡眠状態推定システム Download PDFInfo
- Publication number
- JP7301275B2 JP7301275B2 JP2021567905A JP2021567905A JP7301275B2 JP 7301275 B2 JP7301275 B2 JP 7301275B2 JP 2021567905 A JP2021567905 A JP 2021567905A JP 2021567905 A JP2021567905 A JP 2021567905A JP 7301275 B2 JP7301275 B2 JP 7301275B2
- Authority
- JP
- Japan
- Prior art keywords
- information
- sleep state
- heartbeat
- sleep
- state estimation
- 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
- 230000007958 sleep Effects 0.000 title claims description 202
- 230000033001 locomotion Effects 0.000 claims description 82
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 76
- 230000000241 respiratory effect Effects 0.000 claims description 50
- 238000004364 calculation method Methods 0.000 claims description 46
- 241001465754 Metazoa Species 0.000 claims description 32
- 230000008667 sleep stage Effects 0.000 claims description 23
- 238000010801 machine learning Methods 0.000 claims description 20
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 230000002457 bidirectional effect Effects 0.000 claims description 4
- 230000007774 longterm Effects 0.000 claims description 4
- 230000006403 short-term memory Effects 0.000 claims description 3
- 230000010365 information processing Effects 0.000 description 21
- 230000036387 respiratory rate Effects 0.000 description 17
- 230000006870 function Effects 0.000 description 15
- 238000012545 processing Methods 0.000 description 15
- 238000005259 measurement Methods 0.000 description 13
- 238000000034 method Methods 0.000 description 12
- 239000011159 matrix material Substances 0.000 description 10
- 230000008859 change Effects 0.000 description 7
- 230000036385 rapid eye movement (rem) sleep Effects 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 6
- 230000008452 non REM sleep Effects 0.000 description 6
- 238000013459 approach Methods 0.000 description 5
- 230000002123 temporal effect Effects 0.000 description 5
- 239000002033 PVDF binder Substances 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 4
- 229920002981 polyvinylidene fluoride Polymers 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000003860 sleep quality Effects 0.000 description 4
- 206010062519 Poor quality sleep Diseases 0.000 description 3
- 206010003119 arrhythmia Diseases 0.000 description 3
- 230000006793 arrhythmia Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000007787 long-term memory Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000037322 slow-wave sleep Effects 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- 206010041235 Snoring Diseases 0.000 description 2
- 206010041349 Somnolence Diseases 0.000 description 2
- 229920001577 copolymer Polymers 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000004622 sleep time Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241000282472 Canis lupus familiaris Species 0.000 description 1
- 241000282326 Felis catus Species 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 239000004743 Polypropylene Substances 0.000 description 1
- 206010041009 Sleep talking Diseases 0.000 description 1
- 208000022249 Sleep-Wake Transition disease Diseases 0.000 description 1
- 208000003443 Unconsciousness Diseases 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000007636 ensemble learning method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
- 229920000098 polyolefin Polymers 0.000 description 1
- -1 polypropylene Polymers 0.000 description 1
- 229920001155 polypropylene Polymers 0.000 description 1
- 230000004461 rapid eye movement Effects 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
- A61B5/4812—Detecting sleep stages or cycles
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1102—Ballistocardiography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet transforms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2503/00—Evaluating a particular growth phase or type of persons or animals
- A61B2503/40—Animals
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/0245—Detecting, measuring or recording pulse rate or heart rate by using sensing means generating electric signals, i.e. ECG signals
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
- A61B5/0816—Measuring devices for examining respiratory frequency
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Cardiology (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Pulmonology (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Dentistry (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Power Engineering (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Description
本発明は、動物から取得した生体情報に基づいて、睡眠状態を推定する睡眠状態推定システムに関し、特に、動物の睡眠中に取得した心拍間隔の変動の瞬時位相と、前記心拍間隔の変動と同一時系列における前記動物の呼吸パターンの瞬時位相との間の瞬時位相差に基づいて算出した位相コヒーレンスに基づいて、睡眠状態を推定する睡眠状態推定システムに関する。
ヒトの睡眠はノンレム睡眠とレム睡眠に大別され、睡眠中に約９０分周期で繰り返すと言われている。客観的に眠りの質や量（睡眠周期や睡眠深度）を評価する為には、睡眠ポリグラフィが必要であり、医療機関での計測や医療機関から機器を借りてきて計測が行われるが、脳波や心電図、筋電図、眼電図などの複数のセンサが必要であり、取り扱いが煩雑である。
また、複数のセンサを身体の各所に固定する必要があり、センサによる拘束で動きが制限されていた。睡眠中の無意識の動作によってセンサが外れる可能性もあり、センサが外れると信号が検出できず、状態を把握できない点でも問題があった。
さらに、装置が大型であるため、個人で評価できるような指標ではなく、睡眠の質を個人が把握できる状況には至っていない。このため、個人が簡便にストレス状態や睡眠の質を把握できる生体計測手法とその装置が求められている。
また、複数のセンサを身体の各所に固定する必要があり、センサによる拘束で動きが制限されていた。睡眠中の無意識の動作によってセンサが外れる可能性もあり、センサが外れると信号が検出できず、状態を把握できない点でも問題があった。
さらに、装置が大型であるため、個人で評価できるような指標ではなく、睡眠の質を個人が把握できる状況には至っていない。このため、個人が簡便にストレス状態や睡眠の質を把握できる生体計測手法とその装置が求められている。
特許文献１には、動物の睡眠中に取得した心拍間隔の変動の瞬時位相と、心拍間隔の変動と同一時系列における動物の呼吸パターンの瞬時位相との間の瞬時位相差に基づいて位相コヒーレンスを算出する位相コヒーレンス算出手段を含む睡眠状態測定装置が開示されており、心拍間隔の変動の瞬時位相と動物の呼吸パターンの瞬時位相との間の瞬時位相差に基づく位相コヒーレンスが、睡眠中の脳波におけるδ波と相関していることから、位相コヒーレンスを計測することにより、睡眠状態を測定することが開示されている。
また、特許文献１では、シート型圧電センサを用いて、生体振動信号を検出し、生体振動信号から心拍間隔と呼吸パターンを取得し、さらに、呼吸性不整脈と呼吸パターンをヒルベルト変換し、解析信号から瞬時位相を求め、その位相差から位相コヒーレンスを算出することも開示されている。
また、特許文献１では、シート型圧電センサを用いて、生体振動信号を検出し、生体振動信号から心拍間隔と呼吸パターンを取得し、さらに、呼吸性不整脈と呼吸パターンをヒルベルト変換し、解析信号から瞬時位相を求め、その位相差から位相コヒーレンスを算出することも開示されている。
睡眠は、大きくはレム睡眠とノンレム睡眠に分類されるが、ノンレム睡眠は、さらにステージＩからＩＶまでの４段階に分類される。ステージＩ（まどろみ期、入眠期）は、うとうとした状態であり、α波のリズムが失われ、徐々に平坦化する。ステージＩＩは、ステージＩよりは眠りが深い状態であり、睡眠紡錘波（ｓｐｉｎｄｌｅ）とＫ複合波が出現する。ステージＩＩＩは、かなり深い睡眠であり、δ波が２０％以上５０％未満を占める。ステージＩＶは、δ波が５０％以上を占める段階であり、最も深い睡眠状態である。ノンレム睡眠のステージＩＩＩ及びＩＶは、脳波が徐波を示すことから徐波睡眠とも呼ばれる。米国睡眠医学会ではステージＩをＮ１、ステージＩＩをＮ２、ステージＩＩＩおよびＩＶをまとめてＮ３に分類している。
一方、レム睡眠は、覚醒時に似た低振幅速波パターンの脳波を示すのに、覚醒させるために徐波睡眠よりも強い刺激を必要とする深い睡眠状態であり、急速眼球運動を伴う。健康成人ではこれら二種類の睡眠状態が、通常、約９０分の周期（睡眠周期）で変動し、まとまって一夜の睡眠を形作る。入眠期にステージＩから徐々に睡眠が深くなり、ステージＩＩ、ステージＩＩＩ、ＩＶへと移行し、その後、一旦睡眠が浅くなり、レム睡眠に移行する。睡眠の後半は浅いノンレム睡眠とレム睡眠の組み合わせが続いて覚醒へと至る。上記のように、脳波における周波数１～４Ｈｚのδ波は、徐波睡眠において観察されることから、δ波を睡眠の深さの指標とすることができる。
一方、レム睡眠は、覚醒時に似た低振幅速波パターンの脳波を示すのに、覚醒させるために徐波睡眠よりも強い刺激を必要とする深い睡眠状態であり、急速眼球運動を伴う。健康成人ではこれら二種類の睡眠状態が、通常、約９０分の周期（睡眠周期）で変動し、まとまって一夜の睡眠を形作る。入眠期にステージＩから徐々に睡眠が深くなり、ステージＩＩ、ステージＩＩＩ、ＩＶへと移行し、その後、一旦睡眠が浅くなり、レム睡眠に移行する。睡眠の後半は浅いノンレム睡眠とレム睡眠の組み合わせが続いて覚醒へと至る。上記のように、脳波における周波数１～４Ｈｚのδ波は、徐波睡眠において観察されることから、δ波を睡眠の深さの指標とすることができる。
特許文献１に記載の睡眠状態測定装置は、睡眠状態等を判定する判定機能として、算出した位相コヒーレンスを閾値と比較して、閾値よりも大きい場合は深い睡眠であると判定し、小さい場合は浅い睡眠と判定すること、位相コヒーレンスが閾値よりも大きい値だった時間で睡眠の品質を評価すること、位相コヒーレンスの変動の周期によって睡眠の品質を評価することが開示されている。
また、複数の数値を設定し、段階的に睡眠の質を評価してもよいことは開示されている。
しかし、睡眠状態は、上記のとおり、非常に複雑なものであり、睡眠ポリグラフィで検出した睡眠深度と同等の睡眠状態を推定できる睡眠状態推定装置の要望が存在する。
また、複数の数値を設定し、段階的に睡眠の質を評価してもよいことは開示されている。
しかし、睡眠状態は、上記のとおり、非常に複雑なものであり、睡眠ポリグラフィで検出した睡眠深度と同等の睡眠状態を推定できる睡眠状態推定装置の要望が存在する。
本発明は、上記の課題の少なくとも一部を解決することを目的とするものであり、実際の睡眠ポリグラフィで検出した睡眠状態のように、複数の睡眠深度を含む睡眠状態を推定できる睡眠状態推定装置を提供することを課題とする。
上記課題を解決するため、本発明の睡眠状態推定システムは、
動物の睡眠中に取得した心拍間隔の変動の瞬時位相と、前記心拍間隔の変動と同一時系列における前記動物の呼吸パターンの瞬時位相との間の瞬時位相差に基づいて算出した位相コヒーレンスを取得する位相コヒーレンス取得手段と、
前記心拍間隔の変動と同一時系列における前記動物の体動に関する体動情報を取得する体動情報取得手段と、前記心拍間隔の変動と同一時系列における心拍に関する心拍情報を取得する心拍情報取得手段と、前記心拍間隔の変動と同一時系列における呼吸に関する呼吸情報を取得する呼吸情報取得手段と、
動物の睡眠ポリグラフィ検査によって判定された睡眠段階を教師データとし、前記睡眠ポリグラフィ検査と同時に取得した生体振動信号から、位相コヒーレンス、体動情報、心拍情報及び呼吸情報の４つのデータを取得し、それらのデータのうち少なくとも２つを入力データとして機械学習を行うことにより作成した睡眠状態推定モデルを内蔵した睡眠状態推定手段と、を含み、
前記睡眠状態推定手段は、前記位相コヒーレンス取得手段が前記心拍情報取得手段により取得した心拍間隔の変動と前記呼吸情報取得手段により取得した呼吸パターンから算出した前記位相コヒーレンス、前記体動情報取得手段により取得した前記体動情報、前記心拍情報取得手段により取得した前記心拍情報、及び前記呼吸情報取得手段により取得した前記呼吸情報のうち、前記入力データと同じ種類のデータを前記睡眠状態推定モデルに入力し、当該睡眠状態推定モデルからの演算結果に基づいて、前記動物の睡眠状態を推定することを特徴とする。
また、前記機械学習が双方向長期・短期記憶（ＢｉＬＳＴＭ）ニューラルネットワークに基づいて行われるものであることを特徴とする。
動物の睡眠中に取得した心拍間隔の変動の瞬時位相と、前記心拍間隔の変動と同一時系列における前記動物の呼吸パターンの瞬時位相との間の瞬時位相差に基づいて算出した位相コヒーレンスを取得する位相コヒーレンス取得手段と、
前記心拍間隔の変動と同一時系列における前記動物の体動に関する体動情報を取得する体動情報取得手段と、前記心拍間隔の変動と同一時系列における心拍に関する心拍情報を取得する心拍情報取得手段と、前記心拍間隔の変動と同一時系列における呼吸に関する呼吸情報を取得する呼吸情報取得手段と、
動物の睡眠ポリグラフィ検査によって判定された睡眠段階を教師データとし、前記睡眠ポリグラフィ検査と同時に取得した生体振動信号から、位相コヒーレンス、体動情報、心拍情報及び呼吸情報の４つのデータを取得し、それらのデータのうち少なくとも２つを入力データとして機械学習を行うことにより作成した睡眠状態推定モデルを内蔵した睡眠状態推定手段と、を含み、
前記睡眠状態推定手段は、前記位相コヒーレンス取得手段が前記心拍情報取得手段により取得した心拍間隔の変動と前記呼吸情報取得手段により取得した呼吸パターンから算出した前記位相コヒーレンス、前記体動情報取得手段により取得した前記体動情報、前記心拍情報取得手段により取得した前記心拍情報、及び前記呼吸情報取得手段により取得した前記呼吸情報のうち、前記入力データと同じ種類のデータを前記睡眠状態推定モデルに入力し、当該睡眠状態推定モデルからの演算結果に基づいて、前記動物の睡眠状態を推定することを特徴とする。
また、前記機械学習が双方向長期・短期記憶（ＢｉＬＳＴＭ）ニューラルネットワークに基づいて行われるものであることを特徴とする。
さらに、上記睡眠状態推定システムにおいて、前記位相コヒーレンス取得手段は、前記心拍情報取得手段が取得した心拍間隔の変動の瞬時位相と前記呼吸情報取得手段が取得した呼吸パターンの瞬時位相との間の瞬時位相差に基づいて前記位相コヒーレンスを算出するものであってよい。
さらに、前記心拍情報取得手段が取得する前記心拍間隔の変動と前記心拍数が、生体振動信号を入力データとして推定した推定心電図信号から算出されたものであってよいし、生体振動信号をＣＷＴ（Ｃｏｎｔｉｎｕｏｕｓ Ｗａｖｅｌｅｔ Ｔｒａｎｓｆｏｒｍ）処理して得られた周波数成分のうち５～１５Ｈｚの周波数成分のパワーを積算して得られたものであってよいし、または生体振動信号を５～１５Ｈｚのバンドパスフィルタを通過させて得られた信号から算出されたものであってもよい。
さらに、前記心拍情報取得手段が取得する前記心拍間隔の変動と前記心拍数が、生体振動信号を入力データとして推定した推定心電図信号から算出されたものであってよいし、生体振動信号をＣＷＴ（Ｃｏｎｔｉｎｕｏｕｓ Ｗａｖｅｌｅｔ Ｔｒａｎｓｆｏｒｍ）処理して得られた周波数成分のうち５～１５Ｈｚの周波数成分のパワーを積算して得られたものであってよいし、または生体振動信号を５～１５Ｈｚのバンドパスフィルタを通過させて得られた信号から算出されたものであってもよい。
さらに、前記呼吸情報取得手段が取得する呼吸パターンと呼吸数が、生体振動信号を０．５Ｈｚのローパスフィルタを通過させて得られた信号から算出されたものであってもよい。
また、体動情報は、体動の回数（生体振動信号が閾値を越えたピーク数）、所定時間内における体動の回数または所定時間内における体動信号の積分値であってもよい。
また、体動情報は、体動の回数（生体振動信号が閾値を越えたピーク数）、所定時間内における体動の回数または所定時間内における体動信号の積分値であってもよい。
本発明によれば、振動センサ等の非拘束型のセンサ一枚で、医学的に確立している睡眠ポリグラフィ検査を用いた睡眠段階判別法に相当する結果を得ることができるとともに、睡眠に係る詳細なデータ、具体的には入眠・起床時間、深い睡眠時間とその割合、ＲＥＭ睡眠時間、ＷＡＫＥ（覚醒）時間、睡眠効率、睡眠周期等の睡眠に係る多くの情報を取得することができる。
［睡眠状態推定システム］
本発明の睡眠状態推定システムは、図１に示すように、少なくとも情報取得部２及び情報処理部３を備えており、さらに睡眠状態推定システム１は、記憶部４、操作部５、及び出力部６を備えていてもよい。
情報取得部２は、位相コヒーレンス取得手段２２、体動情報取得手段２３、心拍情報取得手段２４、呼吸情報取得手段２５の一つ又は複数を含んでおり、さらに、睡眠状態取得手段２６を含んでいてもよく、さらに他の情報（画像、音声、温度等）を取得する手段を含んでいてもよい。
情報処理部３は、睡眠状態推定手段３１を含み、さらに、位相コヒーレンス算出手段３２、体動情報算出手段３３、心拍情報算出手段３４、呼吸情報算出手段３５の一つ又は複数を含んでいてもよく、さらに、睡眠状態推定モデル学習手段３６を含んでいてもよい。
睡眠状態推定システム１は、１台の装置で実現されてもよいし、ネットワーク等で接続された複数の装置又は部品で実現されてもよい。
例えば、センサと、センサが接続された携帯情報端末（たとえば、携帯電話、スマートフォン等）と、携帯情報端末とネットワークを介して接続されたサーバとによって、センサを情報取得部２とし、携帯情報端末を情報処理部３の一部である各種情報算出手段及び位相コヒーレンス算出手段とし、サーバを睡眠状態推定手段３１として、本発明の睡眠状態推定システム１を実現してもよい。
なお、睡眠状態取得手段２６及び睡眠状態推定モデル学習手段３６は、睡眠状態推定システム１には必要な構成ではないが、睡眠状態測定システム１を睡眠状態推定モデル学習システムとして機能させる際に使用される。
本発明の睡眠状態推定システムは、図１に示すように、少なくとも情報取得部２及び情報処理部３を備えており、さらに睡眠状態推定システム１は、記憶部４、操作部５、及び出力部６を備えていてもよい。
情報取得部２は、位相コヒーレンス取得手段２２、体動情報取得手段２３、心拍情報取得手段２４、呼吸情報取得手段２５の一つ又は複数を含んでおり、さらに、睡眠状態取得手段２６を含んでいてもよく、さらに他の情報（画像、音声、温度等）を取得する手段を含んでいてもよい。
情報処理部３は、睡眠状態推定手段３１を含み、さらに、位相コヒーレンス算出手段３２、体動情報算出手段３３、心拍情報算出手段３４、呼吸情報算出手段３５の一つ又は複数を含んでいてもよく、さらに、睡眠状態推定モデル学習手段３６を含んでいてもよい。
睡眠状態推定システム１は、１台の装置で実現されてもよいし、ネットワーク等で接続された複数の装置又は部品で実現されてもよい。
例えば、センサと、センサが接続された携帯情報端末（たとえば、携帯電話、スマートフォン等）と、携帯情報端末とネットワークを介して接続されたサーバとによって、センサを情報取得部２とし、携帯情報端末を情報処理部３の一部である各種情報算出手段及び位相コヒーレンス算出手段とし、サーバを睡眠状態推定手段３１として、本発明の睡眠状態推定システム１を実現してもよい。
なお、睡眠状態取得手段２６及び睡眠状態推定モデル学習手段３６は、睡眠状態推定システム１には必要な構成ではないが、睡眠状態測定システム１を睡眠状態推定モデル学習システムとして機能させる際に使用される。
情報取得部２は、睡眠状態の推定に必要な情報を取得するものであり、動物を計測するためのセンサ及びセンサの情報を有線又は無線で入力する入力部を含む構成であってもよいし、すでに計測又は算出済みの情報が記録された他の記録媒体からの情報を有線又は無線で入力可能な入力部を含む構成であってもよい。
すなわち、情報取得部２は、少なくとも情報を入力する入力部を備えており、場合によっては入力部と有線又は無線で接続された生体情報を計測するためのセンサを備えていてもよい。情報取得部２は、取得する情報によって、位相コヒーレンス取得手段２２、体動情報取得手段２３、心拍情報取得手段２４、呼吸情報取得手段２５、睡眠状態取得手段２６等として機能する。
すなわち、情報取得部２は、少なくとも情報を入力する入力部を備えており、場合によっては入力部と有線又は無線で接続された生体情報を計測するためのセンサを備えていてもよい。情報取得部２は、取得する情報によって、位相コヒーレンス取得手段２２、体動情報取得手段２３、心拍情報取得手段２４、呼吸情報取得手段２５、睡眠状態取得手段２６等として機能する。
情報処理部３は、入力された情報を処理するものであり、例えば、コンピュータのＣＰＵ（中央処理装置）の演算処理機能を利用することができる。また、情報処理の中には、デジタル回路ではなくアナログ回路で実現することも可能である。
例えば、周波数フィルタ処理は、コンデンサや抵抗及びオペアンプ等で構成されたローパスフィルタ（ＬＰＦ）やハイパスフィルタ（ＨＰＦ）のアナログフィルタで実現してもよいし、ＣＰＵの演算処理機能によってフィルタリングを行なうデジタルフィルタで実現してもよい。
情報処理部３は、情報処理の種類に応じて、デジタル回路とアナログ回路の両方を含んでいてもよいし、入力される情報がアナログであれば、アナログ－デジタル変換回路によってデジタル信号に変換してもよい。
情報処理部３は、入力される情報によって必要となる機能又は処理が異なるが、処理する情報に応じて、睡眠状態推定手段３１、位相コヒーレンス算出手段３２、体動情報算出手段３３、心拍情報算出手段３４、呼吸情報算出手段３５、睡眠状態推定モデル学習手段３６等として機能する。
例えば、周波数フィルタ処理は、コンデンサや抵抗及びオペアンプ等で構成されたローパスフィルタ（ＬＰＦ）やハイパスフィルタ（ＨＰＦ）のアナログフィルタで実現してもよいし、ＣＰＵの演算処理機能によってフィルタリングを行なうデジタルフィルタで実現してもよい。
情報処理部３は、情報処理の種類に応じて、デジタル回路とアナログ回路の両方を含んでいてもよいし、入力される情報がアナログであれば、アナログ－デジタル変換回路によってデジタル信号に変換してもよい。
情報処理部３は、入力される情報によって必要となる機能又は処理が異なるが、処理する情報に応じて、睡眠状態推定手段３１、位相コヒーレンス算出手段３２、体動情報算出手段３３、心拍情報算出手段３４、呼吸情報算出手段３５、睡眠状態推定モデル学習手段３６等として機能する。
位相コヒーレンス取得手段２２は、すでに算出された位相コヒーレンスを有線又は無線で入力可能な入力部でもよいし、位相コヒーレンスを算出するために必要な情報を情報取得部２に入力し、その情報から位相コヒーレンス算出手段３２によって算出した位相コヒーレンスを取得してもよい。
位相コヒーレンス算出手段３２は、各種の情報から位相コヒーレンスを算出する手段である。位相コヒーレンスを算出するためには、例えば、次のような情報を入力して算出することができる。
Ａ）情報取得部２に、同一時系列における心拍間隔の変動の瞬時位相と呼吸パターンの瞬時位相との瞬時位相差を入力し、情報処理部３の位相コヒーレンス算出手段３２によって入力された瞬時位相差を用いて位相コヒーレンスを算出する。
Ｂ）情報取得部２の心拍情報取得手段２４及び呼吸情報取得手段２５に、同一時系列における心拍間隔の変動の瞬時位相及び呼吸パターンの瞬時位相を入力し、情報処理部３が、両者の瞬時位相差を算出する瞬時位相差算出機能を有し、瞬時位相差算出機能によって両者の瞬時位相差を算出し、算出された瞬時位相差を用いて位相コヒーレンス算出手段３２によって位相コヒーレンスを算出する。
Ｃ）情報取得部２の心拍情報取得手段２４及び呼吸情報取得手段２５に、同一時系列における心拍間隔の変動及び呼吸パターンを入力（センサによる検出結果の入力を含む）し、情報処理部３の心拍情報算出手段３４及び呼吸情報算出手段３５が、それぞれ心拍間隔の変動の瞬時位相及び呼吸パターンの瞬時位相を算出し、算出された瞬時位相を用いて瞬時位相差算出機能及び位相コヒーレンス算出手段３２によって位相コヒーレンスを算出する。
Ｄ）情報取得部２の心拍情報取得手段２４及び呼吸情報取得手段２５に、心拍に関する情報を含んだ生体情報及び呼吸に関する情報を含んだ生体情報を入力（センサによる検出結果の入力を含む）し、情報処理部３の心拍情報算出手段３４及び呼吸情報算出手段３５が、心拍間隔算出機能及び呼吸パターン算出機能を有し、心拍間隔算出機能によって心拍の情報を含んだ生体情報から心拍間隔の変動を算出し、呼吸パターン算出機能によって呼吸パターンの情報を含んだ生体情報から呼吸パターンを算出し、その後、上記Ｃ）と同様の処理を行う。
なお、心拍に関する情報を含んだ生体情報は、生体振動情報に基づいて別途推定された推定心電図を含んでもよいし、別途取得された心電図であってもよい。
Ｅ）情報取得部２に、心拍に関する情報及び呼吸に関する情報の両方を含む生体情報を入力し（センサによる検出結果の入力を含む）、情報処理部３の心拍情報算出手段３４及び呼吸情報算出手段３５が、かかる生体情報から心拍の情報及び呼吸パターンの情報を算出し、検出又は算出した心拍の情報又は呼吸パターンの情報を用いてその後の処理をしてもよい。
位相コヒーレンス算出手段３２は、各種の情報から位相コヒーレンスを算出する手段である。位相コヒーレンスを算出するためには、例えば、次のような情報を入力して算出することができる。
Ａ）情報取得部２に、同一時系列における心拍間隔の変動の瞬時位相と呼吸パターンの瞬時位相との瞬時位相差を入力し、情報処理部３の位相コヒーレンス算出手段３２によって入力された瞬時位相差を用いて位相コヒーレンスを算出する。
Ｂ）情報取得部２の心拍情報取得手段２４及び呼吸情報取得手段２５に、同一時系列における心拍間隔の変動の瞬時位相及び呼吸パターンの瞬時位相を入力し、情報処理部３が、両者の瞬時位相差を算出する瞬時位相差算出機能を有し、瞬時位相差算出機能によって両者の瞬時位相差を算出し、算出された瞬時位相差を用いて位相コヒーレンス算出手段３２によって位相コヒーレンスを算出する。
Ｃ）情報取得部２の心拍情報取得手段２４及び呼吸情報取得手段２５に、同一時系列における心拍間隔の変動及び呼吸パターンを入力（センサによる検出結果の入力を含む）し、情報処理部３の心拍情報算出手段３４及び呼吸情報算出手段３５が、それぞれ心拍間隔の変動の瞬時位相及び呼吸パターンの瞬時位相を算出し、算出された瞬時位相を用いて瞬時位相差算出機能及び位相コヒーレンス算出手段３２によって位相コヒーレンスを算出する。
Ｄ）情報取得部２の心拍情報取得手段２４及び呼吸情報取得手段２５に、心拍に関する情報を含んだ生体情報及び呼吸に関する情報を含んだ生体情報を入力（センサによる検出結果の入力を含む）し、情報処理部３の心拍情報算出手段３４及び呼吸情報算出手段３５が、心拍間隔算出機能及び呼吸パターン算出機能を有し、心拍間隔算出機能によって心拍の情報を含んだ生体情報から心拍間隔の変動を算出し、呼吸パターン算出機能によって呼吸パターンの情報を含んだ生体情報から呼吸パターンを算出し、その後、上記Ｃ）と同様の処理を行う。
なお、心拍に関する情報を含んだ生体情報は、生体振動情報に基づいて別途推定された推定心電図を含んでもよいし、別途取得された心電図であってもよい。
Ｅ）情報取得部２に、心拍に関する情報及び呼吸に関する情報の両方を含む生体情報を入力し（センサによる検出結果の入力を含む）、情報処理部３の心拍情報算出手段３４及び呼吸情報算出手段３５が、かかる生体情報から心拍の情報及び呼吸パターンの情報を算出し、検出又は算出した心拍の情報又は呼吸パターンの情報を用いてその後の処理をしてもよい。
位相コヒーレンスは、呼吸に伴う心拍間隔の変動の瞬時位相ψｈ（ｔ）と呼吸パターンの瞬時位相ψｒ（ｔ）とを算出し、これらの差（瞬時位相差）を算出し、算出された瞬時位相差を使用して算出される。
心拍間隔の変動の瞬時位相ψｈ（ｔ）は、心拍間隔のデータから呼吸に伴う心拍間隔変動の時間的変化（Ｓ（ｔ））を算出し、心拍間隔変動の時間的変化（Ｓ（ｔ））を下記式（１）で表されるヒルベルト変換により解析信号にすることによって算出できる。なお、式（１）及び式（２）のＨ［…］はヒルベルト変換作用素であり、Ｐ．Ｖ．はコーシーの主値を意味する。
心拍間隔の変動の瞬時位相ψｈ（ｔ）は、心拍間隔のデータから呼吸に伴う心拍間隔変動の時間的変化（Ｓ（ｔ））を算出し、心拍間隔変動の時間的変化（Ｓ（ｔ））を下記式（１）で表されるヒルベルト変換により解析信号にすることによって算出できる。なお、式（１）及び式（２）のＨ［…］はヒルベルト変換作用素であり、Ｐ．Ｖ．はコーシーの主値を意味する。
また、呼吸パターンの瞬時位相ψｒ（ｔ）は、呼吸パターンの情報から、呼吸パターン時間的変化（Ｒ（ｔ））を算出し、呼吸パターンの時間的変化（Ｒ（ｔ））を下記式（２）で表されるヒルベルト変換することによって算出できる。
瞬時位相差Ψ（ｔ）は、式（１）及び式（２）によって算出された心拍間隔の変動の瞬時位相ψｈ（ｔ）及び呼吸パターンの瞬時位相ψｒ（ｔ）を用いて、次の式（３）で算出できる。
ここで、ｎは－π≦Ψ≦πとなる適当な整数である。
そして、これらから時刻ｔｋにおける位相コヒーレンスを下記式（４）から算出することができる。式（４）のＮは計算窓におけるデータ数であり、時刻ｔｋ－Ｎ／２からｔｋ＋Ｎ／２までＮ個平均して求める。
位相コヒーレンスは、０～１の値をとり、心拍間隔の変動と呼吸パターンの瞬時位相差が一定の関係に近いほど１に近づき、瞬時位相差がランダムになるほど０に近づく。
脳波のδ波の振幅が大きくなると位相コヒーレンス（λ）が１に近づき、δ波の振幅が小さくなると位相コヒーレンス（λ）が０に近づく傾向がある。
また、安静リラックス時には位相コヒーレンスが１に近く、精神ストレスがかかると位相コヒーレンスが低下するので、心理ストレスを正規化した指標で推定することも可能である。
脳波のδ波の振幅が大きくなると位相コヒーレンス（λ）が１に近づき、δ波の振幅が小さくなると位相コヒーレンス（λ）が０に近づく傾向がある。
また、安静リラックス時には位相コヒーレンスが１に近く、精神ストレスがかかると位相コヒーレンスが低下するので、心理ストレスを正規化した指標で推定することも可能である。
体動情報取得手段２３は、すでに算出された体動情報を有線又は無線で入力可能な入力部でもよいし、各種センサによる検出結果を入力し、情報処理部３の体動情報算出手段３３によって検出結果から算出した体動情報を取得してもよい。
体動情報算出手段３３は、各種の情報から体動情報を算出する手段であり、センサの種類又は入力される信号に応じて適宜適当な処理が選択される。
体動情報は、機械学習に使用可能な要素であり、例えば、体動の回数、所定時間内における体動の頻度、所定時間内における体動信号の積分値等を含んでもよい。
所定時間は、データ切り取りの単位であり、他の入力データにおける単位時間に合わせることが好ましく、例えば、１０秒、２０秒、３０秒、４０秒、５０秒、１分等を設定してもよい。
体動情報を取得するセンサとしては、例えば、圧電センサ等の振動センサ、加速度センサ、電磁波により体の動きを検知できる電磁波体動センサ、筋電図等を使用することができる。
振動センサで検出した生体振動信号は、通常、心臓の拍動による心弾動、呼吸による振動、体動、発声、外部環境等に基づく振動も含まれるため、体動情報算出手段３３は、例えば、下限周波数が１０Ｈｚ以上のハイパスフィルタ（ＨＰＦ）又はバンドパスフィルタ（ＢＰＦ）を通過させて、生体振動信号から体動に起因する振動信号を分離抽出する。
体動に起因する振動信号について、例えば、算出した体動に起因する振動信号について、閾値として所定の強度を設定し、閾値を越えたピーク数をカウントして、体動情報として体動の回数を算出してもよいし、さらに所定時間を設定し、所定時間内における体動の回数をカウントして、体動情報として所定時間内における体動の頻度を算出してもよい。また、所定時間内における体動信号を積分して積分値を算出してもよい。
体動情報算出手段３３は、各種の情報から体動情報を算出する手段であり、センサの種類又は入力される信号に応じて適宜適当な処理が選択される。
体動情報は、機械学習に使用可能な要素であり、例えば、体動の回数、所定時間内における体動の頻度、所定時間内における体動信号の積分値等を含んでもよい。
所定時間は、データ切り取りの単位であり、他の入力データにおける単位時間に合わせることが好ましく、例えば、１０秒、２０秒、３０秒、４０秒、５０秒、１分等を設定してもよい。
体動情報を取得するセンサとしては、例えば、圧電センサ等の振動センサ、加速度センサ、電磁波により体の動きを検知できる電磁波体動センサ、筋電図等を使用することができる。
振動センサで検出した生体振動信号は、通常、心臓の拍動による心弾動、呼吸による振動、体動、発声、外部環境等に基づく振動も含まれるため、体動情報算出手段３３は、例えば、下限周波数が１０Ｈｚ以上のハイパスフィルタ（ＨＰＦ）又はバンドパスフィルタ（ＢＰＦ）を通過させて、生体振動信号から体動に起因する振動信号を分離抽出する。
体動に起因する振動信号について、例えば、算出した体動に起因する振動信号について、閾値として所定の強度を設定し、閾値を越えたピーク数をカウントして、体動情報として体動の回数を算出してもよいし、さらに所定時間を設定し、所定時間内における体動の回数をカウントして、体動情報として所定時間内における体動の頻度を算出してもよい。また、所定時間内における体動信号を積分して積分値を算出してもよい。
心拍情報取得手段２４は、すでに算出された心拍情報を有線又は無線で入力可能な入力部でもよいし、各種センサによる検出結果を入力し、情報処理部３の心拍情報算出手段３４によって算出した心拍情報を取得してもよい。
心拍情報算出手段３４は、各種の情報から心拍情報を算出する手段であり、センサの種類又は入力される信号に応じて適宜適当な処理が選択される。
心拍情報は、機械学習に使用可能な要素であり、例えば、心拍数（ＨＲ）、心拍数の変動係数（ＣＶＨＲ）、心拍数の偏差（ＤＨＲ）、心拍数の偏差の変動係数（ＣＶＤＨＲ）、心拍数の標準偏差（ＳＤＨＲ）、心拍数の標準偏差の変動係数（ＣＶＳＤＨＲ）、心拍間隔（ＲＲＩ）、心拍間隔の変動係数（ＣＶＲＲＩ）、心拍間隔の偏差（ＤＲＲＩ）、心拍間隔の偏差の変動係数（ＣＶＤＲＲＩ）、心拍間隔の標準偏差（ＳＤＲＲＩ）、心拍間隔の標準偏差の変動係数（ＣＶＳＤＲＲＩ）、心拍間隔の変動（ＶＲＲＩ）、心拍間隔の変動の変動係数（ＣＶＶＲＲＩ）、心拍間隔の変動の瞬時振幅（Ａ（ｔ））、呼吸性不整脈（ＲＳＡ）、及び呼吸性不整脈の変動係数（ＣＶＲＳＡ）等を含んでもよい。
心拍情報の各データは、睡眠中に取得した全データの平均値で正規化した値を使用することが好ましい。例えば、心拍情報として心拍数を睡眠状態推定モデル３１１に入力する場合は、取得した心拍数の全データの平均との比（各心拍数／平均値）を算出し、正規化された心拍数を入力してもよい。
心拍情報及び／又は呼吸情報を正規化することにより、測定対象の動物における個体差を埋めてより睡眠状態推定モデル３１１の汎用性を高めることができ、また、測定精度が向上する。ただし、睡眠中の全データを取得して平均値を算出してから正規化するため、リアルタイムで睡眠状態を推定することができない。このため、生データ（心拍数、呼吸数等）を使用してリアルタイムの睡眠状態を算出してもよく、さらに後から正規化したデータを用いた睡眠状態を算出してもよい。
心拍情報算出手段３４は、各種の情報から心拍情報を算出する手段であり、センサの種類又は入力される信号に応じて適宜適当な処理が選択される。
心拍情報は、機械学習に使用可能な要素であり、例えば、心拍数（ＨＲ）、心拍数の変動係数（ＣＶＨＲ）、心拍数の偏差（ＤＨＲ）、心拍数の偏差の変動係数（ＣＶＤＨＲ）、心拍数の標準偏差（ＳＤＨＲ）、心拍数の標準偏差の変動係数（ＣＶＳＤＨＲ）、心拍間隔（ＲＲＩ）、心拍間隔の変動係数（ＣＶＲＲＩ）、心拍間隔の偏差（ＤＲＲＩ）、心拍間隔の偏差の変動係数（ＣＶＤＲＲＩ）、心拍間隔の標準偏差（ＳＤＲＲＩ）、心拍間隔の標準偏差の変動係数（ＣＶＳＤＲＲＩ）、心拍間隔の変動（ＶＲＲＩ）、心拍間隔の変動の変動係数（ＣＶＶＲＲＩ）、心拍間隔の変動の瞬時振幅（Ａ（ｔ））、呼吸性不整脈（ＲＳＡ）、及び呼吸性不整脈の変動係数（ＣＶＲＳＡ）等を含んでもよい。
心拍情報の各データは、睡眠中に取得した全データの平均値で正規化した値を使用することが好ましい。例えば、心拍情報として心拍数を睡眠状態推定モデル３１１に入力する場合は、取得した心拍数の全データの平均との比（各心拍数／平均値）を算出し、正規化された心拍数を入力してもよい。
心拍情報及び／又は呼吸情報を正規化することにより、測定対象の動物における個体差を埋めてより睡眠状態推定モデル３１１の汎用性を高めることができ、また、測定精度が向上する。ただし、睡眠中の全データを取得して平均値を算出してから正規化するため、リアルタイムで睡眠状態を推定することができない。このため、生データ（心拍数、呼吸数等）を使用してリアルタイムの睡眠状態を算出してもよく、さらに後から正規化したデータを用いた睡眠状態を算出してもよい。
心拍情報を取得するセンサとしては、例えば、心電図計測用センサ、脈波センサ、振動センサ等を使用することができる。心拍情報算出手段３４は、例えば、心電図計測用センサで検出した心電図波形や脈波センサで検出した脈波から、必要に応じてノイズ（例：体動成分等）を取り除き、各種の心拍情報を算出できる。
また、振動センサで検出した生体振動信号は、通常、心臓の拍動による心弾動、呼吸による振動、体動、発声、外部環境等に基づく振動も含まれるため、心拍情報算出手段３４は、例えば、０．５Ｈｚ～１０Ｈｚのバンドパスフィルタ（ＢＰＦ）を通過させて、生体振動信号から心臓の拍動による心弾動を分離抽出する。さらに、分離抽出した心弾動に基づいて、各種の心拍情報を算出できる。
また、振動センサで得られた生体振動信号から心拍動成分を抽出するために、５～１５Ｈｚのバンドパスフィルタを通して絶対値化し、時定数０．２ｓのスムージング処理をし、０．３Ｈｚのハイパスフィルタを通して得られた信号に基づいて推定心電図信号を得、その推定心電図信号のピークを計数して心拍数を得ることもできる。推定心電図を推定する機能は、情報処理部３が備えてもよいし（非図示）、他の計算ツール上に備えられ、無線や有線により本睡眠状態推定システムと結合されてもよい。
また、実際の心電図信号を取得して、そのピークを計数することによって心拍数を得ることもできる。
さらには、振動センサで得られた生体振動信号をＣＷＴ（Ｃｏｎｔｉｎｕｏｕｓ Ｗａｖｅｌｅｔ Ｔｒａｎｓｆｏｒｍ）処理して得られた周波数成分について、５Ｈｚ～１５Ｈｚの周波数成分のパワーを積算して得られた信号のピークを計数して心拍数を得てもよい。
また、振動センサで検出した生体振動信号は、通常、心臓の拍動による心弾動、呼吸による振動、体動、発声、外部環境等に基づく振動も含まれるため、心拍情報算出手段３４は、例えば、０．５Ｈｚ～１０Ｈｚのバンドパスフィルタ（ＢＰＦ）を通過させて、生体振動信号から心臓の拍動による心弾動を分離抽出する。さらに、分離抽出した心弾動に基づいて、各種の心拍情報を算出できる。
また、振動センサで得られた生体振動信号から心拍動成分を抽出するために、５～１５Ｈｚのバンドパスフィルタを通して絶対値化し、時定数０．２ｓのスムージング処理をし、０．３Ｈｚのハイパスフィルタを通して得られた信号に基づいて推定心電図信号を得、その推定心電図信号のピークを計数して心拍数を得ることもできる。推定心電図を推定する機能は、情報処理部３が備えてもよいし（非図示）、他の計算ツール上に備えられ、無線や有線により本睡眠状態推定システムと結合されてもよい。
また、実際の心電図信号を取得して、そのピークを計数することによって心拍数を得ることもできる。
さらには、振動センサで得られた生体振動信号をＣＷＴ（Ｃｏｎｔｉｎｕｏｕｓ Ｗａｖｅｌｅｔ Ｔｒａｎｓｆｏｒｍ）処理して得られた周波数成分について、５Ｈｚ～１５Ｈｚの周波数成分のパワーを積算して得られた信号のピークを計数して心拍数を得てもよい。
呼吸情報取得手段２５は、呼吸情報取得手段２５は、すでに算出された呼吸情報を有線又は無線で入力可能な入力部でもよいし、各種センサによる検出結果を入力し、情報処理部３の呼吸情報算出手段３５によって算出した呼吸情報を取得してもよい。
呼吸情報算出手段３５は、各種の情報から呼吸情報を算出する手段であり、センサの種類又は入力される信号に応じて適宜適当な処理が選択される。
呼吸情報は、機械学習に使用可能な要素であり、例えば、呼吸数（ＲＲ）、呼吸数の変動係数（ＣＶＲＲ）、呼吸数の偏差（ＤＲＲ）、呼吸数の偏差の変動係数（ＣＶＤＲＲ）、呼吸数の標準偏差（ＳＤＲＲ）、呼吸数の標準偏差の変動係数（ＣＶＳＤＲＲ）、呼吸間隔（ＢＩ）、呼吸間隔の変動係数（ＣＶＢＩ）、呼吸間隔の偏差（ＤＢＩ）、呼吸間隔の偏差の変動係数（ＣＶＤＢＩ）、呼吸間隔の標準偏差（ＳＤＢＩ）、呼吸間隔の標準偏差の変動係数（ＣＶＳＤＢＩ）、及び単位時間当たりの鼾の回数、呼吸パターンの瞬時振幅（Ａ（ｔ））等を含んでもよい。
呼吸情報の各データは、睡眠中に取得した全データの平均値で正規化したデータを使用することが好ましい。例えば、呼吸情報として呼吸数を睡眠状態推定モデル３１１に入力する場合は、取得した呼吸数の全データの平均との比（各呼吸数／平均値）を算出し、正規化された呼吸数を入力してもよい。
呼吸情報を取得するセンサとしては、例えば、呼吸センサ、心電図計測用センサ、脈波センサ、圧電センサ等の振動センサ、電磁波により胸郭の動きを検知できる電磁波呼吸センサ等を使用することができる。呼吸情報算出手段３５は、例えば、呼吸センサで検出した呼吸パターンの時間変化の信号から、必要に応じてノイズ（例：いびき、寝言等に起因する信号）を取り除き、各種の呼吸情報を算出できる。
また、心電図計測用センサで検出した心電図波形、脈波センサで検出した脈波、振動センサで検出した生体振動信号については、呼吸情報算出手段３５は、例えば、上限周波数が１Ｈｚ以下のローパスフィルタ（ＬＰＦ）又はバンドパスフィルタ（ＢＰＦ）を通過させて、呼吸成分を分離抽出し、さらに、分離抽出した呼吸成分に基づいて、各種の呼吸情報を算出できる。
呼吸情報算出手段３５は、各種の情報から呼吸情報を算出する手段であり、センサの種類又は入力される信号に応じて適宜適当な処理が選択される。
呼吸情報は、機械学習に使用可能な要素であり、例えば、呼吸数（ＲＲ）、呼吸数の変動係数（ＣＶＲＲ）、呼吸数の偏差（ＤＲＲ）、呼吸数の偏差の変動係数（ＣＶＤＲＲ）、呼吸数の標準偏差（ＳＤＲＲ）、呼吸数の標準偏差の変動係数（ＣＶＳＤＲＲ）、呼吸間隔（ＢＩ）、呼吸間隔の変動係数（ＣＶＢＩ）、呼吸間隔の偏差（ＤＢＩ）、呼吸間隔の偏差の変動係数（ＣＶＤＢＩ）、呼吸間隔の標準偏差（ＳＤＢＩ）、呼吸間隔の標準偏差の変動係数（ＣＶＳＤＢＩ）、及び単位時間当たりの鼾の回数、呼吸パターンの瞬時振幅（Ａ（ｔ））等を含んでもよい。
呼吸情報の各データは、睡眠中に取得した全データの平均値で正規化したデータを使用することが好ましい。例えば、呼吸情報として呼吸数を睡眠状態推定モデル３１１に入力する場合は、取得した呼吸数の全データの平均との比（各呼吸数／平均値）を算出し、正規化された呼吸数を入力してもよい。
呼吸情報を取得するセンサとしては、例えば、呼吸センサ、心電図計測用センサ、脈波センサ、圧電センサ等の振動センサ、電磁波により胸郭の動きを検知できる電磁波呼吸センサ等を使用することができる。呼吸情報算出手段３５は、例えば、呼吸センサで検出した呼吸パターンの時間変化の信号から、必要に応じてノイズ（例：いびき、寝言等に起因する信号）を取り除き、各種の呼吸情報を算出できる。
また、心電図計測用センサで検出した心電図波形、脈波センサで検出した脈波、振動センサで検出した生体振動信号については、呼吸情報算出手段３５は、例えば、上限周波数が１Ｈｚ以下のローパスフィルタ（ＬＰＦ）又はバンドパスフィルタ（ＢＰＦ）を通過させて、呼吸成分を分離抽出し、さらに、分離抽出した呼吸成分に基づいて、各種の呼吸情報を算出できる。
情報取得部２が情報取得手段として振動を計測する振動センサを含む場合、振動センサは、接触式でも非接触式でもよい。
接触型の振動を計測するセンサの場合は、動物に直接又は間接的に接触させて配置することによって、心弾動図波形又は生体振動信号を検出することができる。心弾動図波形又は生体振動信号を検出するための接触型の振動を計測するセンサは、振動を発生する種々の生物に直接又は近傍に配置され、生物からの振動を検出し電気信号として出力できれば足りる。
振動を計測するセンサとしては、圧電センサとしてピエゾ素子が好適に用いられるが、その他のセンサ、例えば高分子圧電体（ポリオレフィン系材料）を用いてもよい。ピエゾ素子の素材としては、例えば、多孔性ポリプロピレンエレクトレットフィルム（Ｅｌｅｃｔｒｏ Ｍｅｃｈａｎｉｃａｌ Ｆｉｌｍ（ＥＭＦ Ｉ））、またはＰＶＤＦ（ポリフッ化ビニリデンフィルム）、またはポリフッ化ビニリデンと三フッ化エチレン共重合体（Ｐ（ＶＤＦ－ＴｒＦＥ））、又はポリフッ化ビニリデンと四フッ化エチレン共重合体（Ｐ（ＶＤＦ－ＴＦＥ））を用いてもよい。圧電センサとしては、フィルム状であることが好ましい。
さらに、圧電センサの場合、動物を拘束せずに心弾動図波形又は生体振動信号を取得することが可能であり、よりストレスフリーで測定できるので好ましい。ただし、圧電センサは、リストバンド、ベルト、腕時計、指輪、ヘッドバンド等に取り付けて、動物に装着してウェアラブルセンサとして利用することもできる。
また、その他の種類の振動を計測するセンサとして、例えば、高感度の加速度センサを用いて、腕時計、携帯端末のように体と接触させて、あるいはベッド、椅子等の一部に加速度センサを設置して心弾動図波形又は生体振動信号を取得してもよいし、チューブ内の空気圧又は液体圧の変化を圧力センサ等で検知して、心弾動図波形又は生体振動信号を取得してもよい。
さらに、振動を計測するセンサとして、マイクロ波等を用いた信号受発信に伴って非接触で心弾動図波形又は生体振動信号を取得できる非接触式のセンサを利用してもよい。マイクロ波としてはマイクロ波ドップラーセンサ、ＵＷＢ（ウルトラワイドバンド）インパルスの反射遅延時間を測定し、対象物との距離を測定する受信波による心弾動図波形又は生体振動信号、マイクロ波以外の電磁波を用いて得られた心弾動図波形又は生体振動信号、ＬＥＤ光を使った反射又は透過光から得られる心弾動図波形又は生体振動信号、さらには、超音波の反射波から得られる心弾動図波形又は生体振動信号を使用してもよい。これらのマイクロ波等を用いたセンサは、小型化が可能であり、非接触かつ非拘束で信号を取得でき、遠隔から信号を取得できる。なお、加速度センサも小型化が可能である。
接触型の振動を計測するセンサの場合は、動物に直接又は間接的に接触させて配置することによって、心弾動図波形又は生体振動信号を検出することができる。心弾動図波形又は生体振動信号を検出するための接触型の振動を計測するセンサは、振動を発生する種々の生物に直接又は近傍に配置され、生物からの振動を検出し電気信号として出力できれば足りる。
振動を計測するセンサとしては、圧電センサとしてピエゾ素子が好適に用いられるが、その他のセンサ、例えば高分子圧電体（ポリオレフィン系材料）を用いてもよい。ピエゾ素子の素材としては、例えば、多孔性ポリプロピレンエレクトレットフィルム（Ｅｌｅｃｔｒｏ Ｍｅｃｈａｎｉｃａｌ Ｆｉｌｍ（ＥＭＦ Ｉ））、またはＰＶＤＦ（ポリフッ化ビニリデンフィルム）、またはポリフッ化ビニリデンと三フッ化エチレン共重合体（Ｐ（ＶＤＦ－ＴｒＦＥ））、又はポリフッ化ビニリデンと四フッ化エチレン共重合体（Ｐ（ＶＤＦ－ＴＦＥ））を用いてもよい。圧電センサとしては、フィルム状であることが好ましい。
さらに、圧電センサの場合、動物を拘束せずに心弾動図波形又は生体振動信号を取得することが可能であり、よりストレスフリーで測定できるので好ましい。ただし、圧電センサは、リストバンド、ベルト、腕時計、指輪、ヘッドバンド等に取り付けて、動物に装着してウェアラブルセンサとして利用することもできる。
また、その他の種類の振動を計測するセンサとして、例えば、高感度の加速度センサを用いて、腕時計、携帯端末のように体と接触させて、あるいはベッド、椅子等の一部に加速度センサを設置して心弾動図波形又は生体振動信号を取得してもよいし、チューブ内の空気圧又は液体圧の変化を圧力センサ等で検知して、心弾動図波形又は生体振動信号を取得してもよい。
さらに、振動を計測するセンサとして、マイクロ波等を用いた信号受発信に伴って非接触で心弾動図波形又は生体振動信号を取得できる非接触式のセンサを利用してもよい。マイクロ波としてはマイクロ波ドップラーセンサ、ＵＷＢ（ウルトラワイドバンド）インパルスの反射遅延時間を測定し、対象物との距離を測定する受信波による心弾動図波形又は生体振動信号、マイクロ波以外の電磁波を用いて得られた心弾動図波形又は生体振動信号、ＬＥＤ光を使った反射又は透過光から得られる心弾動図波形又は生体振動信号、さらには、超音波の反射波から得られる心弾動図波形又は生体振動信号を使用してもよい。これらのマイクロ波等を用いたセンサは、小型化が可能であり、非接触かつ非拘束で信号を取得でき、遠隔から信号を取得できる。なお、加速度センサも小型化が可能である。
睡眠状態推定手段３１は、睡眠状態推定モデル３１１を内蔵しており、図２（Ａ）に示すように、情報取得部２によって取得した情報を入力データとして睡眠状態推定モデル３１１に入力し、当該睡眠状態推定モデル３１１からの演算結果に基づいて出力された動物の睡眠状態を推定結果として取得する。
推定結果である睡眠状態は、必要に応じて出力部６を介して出力する。睡眠状態推定モデル３１１に入力する情報は、睡眠状態推定モデル３１１を作成する際に入力した情報であり、少なくとも位相コヒーレンス取得手段によって取得した位相コヒーレンスを含み、さらに、体動情報取得手段によって取得した体動情報、心拍情報取得手段によって取得した心拍情報、呼吸情報取得手段によって取得した呼吸情報、から選ばれた１つ以上のデータを含む。特に、睡眠状態推定モデル３１１は、位相コヒーレンス及び体動情報を入力して作成することが好ましく、さらに、位相コヒーレンスと体動情報とに加えて、２つ以上の心拍情報及び／又は２つ以上の呼吸情報を入力して作成してもよい。
例えば、位相コヒーレンス（λ）、単位時間（３０秒）あたりの体動の頻度（ＢＭ）、心拍数（ＨＲ）、呼吸数（ＲＲ）の４つのデータによって睡眠状態推定モデル３１１を作成した場合、睡眠状態推定手段３１は、情報取得部２で取得した、及び／又は情報処理部３で算出した４つのデータを睡眠状態推定モデル３１１に入力し、出力された睡眠状態を取得する。
推定結果である睡眠状態は、必要に応じて出力部６を介して出力する。睡眠状態推定モデル３１１に入力する情報は、睡眠状態推定モデル３１１を作成する際に入力した情報であり、少なくとも位相コヒーレンス取得手段によって取得した位相コヒーレンスを含み、さらに、体動情報取得手段によって取得した体動情報、心拍情報取得手段によって取得した心拍情報、呼吸情報取得手段によって取得した呼吸情報、から選ばれた１つ以上のデータを含む。特に、睡眠状態推定モデル３１１は、位相コヒーレンス及び体動情報を入力して作成することが好ましく、さらに、位相コヒーレンスと体動情報とに加えて、２つ以上の心拍情報及び／又は２つ以上の呼吸情報を入力して作成してもよい。
例えば、位相コヒーレンス（λ）、単位時間（３０秒）あたりの体動の頻度（ＢＭ）、心拍数（ＨＲ）、呼吸数（ＲＲ）の４つのデータによって睡眠状態推定モデル３１１を作成した場合、睡眠状態推定手段３１は、情報取得部２で取得した、及び／又は情報処理部３で算出した４つのデータを睡眠状態推定モデル３１１に入力し、出力された睡眠状態を取得する。
睡眠状態推定モデル３１１は、入力された位相コヒーレンスを含む複数のデータに基づいて、入力された複数のデータを取得した際の動物の睡眠状態がどの状態（覚醒状態、レム睡眠状態、ノンレム睡眠状態又はその段階（Ｎ１，Ｎ２，Ｎ３））かを演算して推定する情報（プログラム又はデータ構造）である。
また、睡眠状態推定モデル学習手段３６は、図２（Ｂ）に示すように、睡眠状態推定モデル３１１を作成する際に使用され、睡眠状態と、対応する位相コヒーレンスと、追加の入力データとを含む基礎データベース４１に基づいて機械学習を用いることにより睡眠状態推定モデル３１１を作成する。
すなわち、基礎データベース４１に蓄積された睡眠状態と、対応する位相コヒーレンスと、追加の入力データとを含むビッグデータから、必要なデータを睡眠状態推定モデル３１１に入力し、学習させる。例えば、睡眠状態推定モデル学習手段３６は、睡眠状態取得手段２６で取得した睡眠状態と、睡眠状態と同一時系列で測定したデータから算出した位相コヒーレンスとを含み、さらに、睡眠状態と同一時系列で測定した体動情報取得手段によって取得した体動情報、心拍情報取得手段によって取得した心拍情報、呼吸情報取得手段によって取得した呼吸情報の１つ以上のデータとを睡眠状態推定モデル３１１に入力する。
機械学習に用いられる学習方法の例としては、単純ベイズ分類器、ニューラルネットワーク、ディープラーニング、決定木、サポートベクターマシン、判別分析、最近傍法等が挙げられる。これらは１種を単独で用いてもよく、２種以上を組み合わせてアンサンブル学習法を用いてもよい。
機械学習に用いられるニューラルネットワークの例としては、畳み込みニューラルネットワーク（ＣＮＮ：Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）や、再帰型ニューラルネットワーク（ＲＮＮ：Ｒｅｃｕｒｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）や、長期・短期記憶（ＬＳＴＭ：Ｌｏｎｇ Ｓｈｏｒｔ－Ｔｅｒｍ Ｍｅｍｏｒｙ）ニューラルネットワーク（長期的な依存関係を学習することが可能な再帰型ニューラルネットワーク）等が挙げられる。睡眠状態の状態遷移傾向を捉えるためには、学習方法として再帰的な結合をもつニューラルネットワーク（ＣＮＮ、ＬＳＴＭ）を用いることが好ましい。
また、睡眠状態推定モデル学習手段３６は、図２（Ｂ）に示すように、睡眠状態推定モデル３１１を作成する際に使用され、睡眠状態と、対応する位相コヒーレンスと、追加の入力データとを含む基礎データベース４１に基づいて機械学習を用いることにより睡眠状態推定モデル３１１を作成する。
すなわち、基礎データベース４１に蓄積された睡眠状態と、対応する位相コヒーレンスと、追加の入力データとを含むビッグデータから、必要なデータを睡眠状態推定モデル３１１に入力し、学習させる。例えば、睡眠状態推定モデル学習手段３６は、睡眠状態取得手段２６で取得した睡眠状態と、睡眠状態と同一時系列で測定したデータから算出した位相コヒーレンスとを含み、さらに、睡眠状態と同一時系列で測定した体動情報取得手段によって取得した体動情報、心拍情報取得手段によって取得した心拍情報、呼吸情報取得手段によって取得した呼吸情報の１つ以上のデータとを睡眠状態推定モデル３１１に入力する。
機械学習に用いられる学習方法の例としては、単純ベイズ分類器、ニューラルネットワーク、ディープラーニング、決定木、サポートベクターマシン、判別分析、最近傍法等が挙げられる。これらは１種を単独で用いてもよく、２種以上を組み合わせてアンサンブル学習法を用いてもよい。
機械学習に用いられるニューラルネットワークの例としては、畳み込みニューラルネットワーク（ＣＮＮ：Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）や、再帰型ニューラルネットワーク（ＲＮＮ：Ｒｅｃｕｒｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）や、長期・短期記憶（ＬＳＴＭ：Ｌｏｎｇ Ｓｈｏｒｔ－Ｔｅｒｍ Ｍｅｍｏｒｙ）ニューラルネットワーク（長期的な依存関係を学習することが可能な再帰型ニューラルネットワーク）等が挙げられる。睡眠状態の状態遷移傾向を捉えるためには、学習方法として再帰的な結合をもつニューラルネットワーク（ＣＮＮ、ＬＳＴＭ）を用いることが好ましい。
記憶部４は、情報取得部２で取得した情報や、情報処理部３で算出した結果、判定機能で判定した結果などを記憶することができ、基礎データベース４１を有している。
基礎データベース４１は、ビッグデータとして、動物の睡眠中に取得した睡眠状態と、前記睡眠状態と同一時系列で測定したデータから算出した位相コヒーレンスと、前記睡眠状態と同一時系列で測定した体動情報、心拍情報及び／又は呼吸情報とが格納されている。
さらに、基礎データベース４１には、測定対象となる動物の種類、性別、年齢、身長、体重などの身体情報や、測定日の日付、睡眠時間、就寝時刻、起床時刻、季節などの時間情報、測定場所の気温、湿度、天気、騒音などの環境情報を含んでいてもよい。
基礎データベース４１に格納されている個々の睡眠状態と、その状態に対応する位相コヒーレンスと、各種の体動情報、心拍情報及び／又は呼吸情報とは、睡眠状態推定モデル３１１の学習に使用される。
さらに、身体情報、時間情報、及び／又は環境情報も特徴変数として睡眠状態推定モデル３１１に入力してもよい。
また、身体情報、時間情報、及び／又は環境情報に応じて複数の睡眠状態推定モデル３１１を作成してもよく、例えば、年代別（１０代、２０代、３０～５０代）成人男性を対象とする睡眠状態推定モデル、昼間に睡眠した場合の睡眠状態推定モデル、最低気温が２５度以上の熱帯夜における睡眠状態推定モデル等を作成し、睡眠状態を推定する測定対象の状況に応じて睡眠状態推定モデルを変更してもよい。
基礎データベース４１は、ビッグデータとして、動物の睡眠中に取得した睡眠状態と、前記睡眠状態と同一時系列で測定したデータから算出した位相コヒーレンスと、前記睡眠状態と同一時系列で測定した体動情報、心拍情報及び／又は呼吸情報とが格納されている。
さらに、基礎データベース４１には、測定対象となる動物の種類、性別、年齢、身長、体重などの身体情報や、測定日の日付、睡眠時間、就寝時刻、起床時刻、季節などの時間情報、測定場所の気温、湿度、天気、騒音などの環境情報を含んでいてもよい。
基礎データベース４１に格納されている個々の睡眠状態と、その状態に対応する位相コヒーレンスと、各種の体動情報、心拍情報及び／又は呼吸情報とは、睡眠状態推定モデル３１１の学習に使用される。
さらに、身体情報、時間情報、及び／又は環境情報も特徴変数として睡眠状態推定モデル３１１に入力してもよい。
また、身体情報、時間情報、及び／又は環境情報に応じて複数の睡眠状態推定モデル３１１を作成してもよく、例えば、年代別（１０代、２０代、３０～５０代）成人男性を対象とする睡眠状態推定モデル、昼間に睡眠した場合の睡眠状態推定モデル、最低気温が２５度以上の熱帯夜における睡眠状態推定モデル等を作成し、睡眠状態を推定する測定対象の状況に応じて睡眠状態推定モデルを変更してもよい。
操作部５は、使用者が睡眠状態測定装置１を操作するためのスイッチ、タッチパネル、ボタン、つまみ、キーボード、マウス、音声入力用マイク等の操作端子が設けられている。また操作部５には、操作内容等を表示するディスプレイが設けられていてもよい。
出力部６は、推定した睡眠状態を出力してもよいし、取得した各種情報を出力してもよい。出力部６としては、結果を画像で表示するディスプレイ、結果を紙で出力するプリンター、結果を音声で出力するスピーカー、結果を電子情報で出力する有線又は無線の出力端子などを使用することができる。
なお、出力部６としてのディスプレイを操作部５におけるタッチパネルや操作内容等を表示するディスプレイと兼用させる構成であってもよい。
出力部６は、推定した睡眠状態を出力してもよいし、取得した各種情報を出力してもよい。出力部６としては、結果を画像で表示するディスプレイ、結果を紙で出力するプリンター、結果を音声で出力するスピーカー、結果を電子情報で出力する有線又は無線の出力端子などを使用することができる。
なお、出力部６としてのディスプレイを操作部５におけるタッチパネルや操作内容等を表示するディスプレイと兼用させる構成であってもよい。
図３（Ａ）は、睡眠状態推定システム１の一実施態様における睡眠状態推定処理のフローチャートである。Ｓ１において、睡眠状態推定システム１は、情報取得部２によって位相コヒーレンス及び睡眠状態推定モデル３１１に入力する同一時系列のデータを取得する。Ｓ２において、睡眠状態推定手段３１は、位相コヒーレンス及び取得したデータを睡眠状態推定モデル３１１に入力する。Ｓ３において、睡眠状態推定モデル３１１は、入力された位相コヒーレンス及びデータから、最も確率の高い動物の睡眠状態を演算する。Ｓ４において、睡眠状態推定モデル３１１は、演算の結果、入力された位相コヒーレンス及びデータを測定した時の動物の最も尤度の高い睡眠状態であると推定して出力する。
図３（Ｂ）は、睡眠状態推定システム１の他の実施態様における睡眠状態推定処理のフローチャートである。
Ｓ１１において、睡眠状態推定システム１は、振動センサで検出した動物の生体振動信号を取得する。
Ｓ１２において、情報処理部３は、取得した生体振動信号から各種情報を算出する。体動情報算出手段３３は、生体振動信号から体動情報を算出し、心拍情報算出手段３４は、生体振動信号から心拍情報として少なくとも心拍数と心拍間隔の変動の瞬時位相を算出し、呼吸情報算出手段３５は、生体振動信号から呼吸情報として少なくとも呼吸数と呼吸パターンの瞬時位相を算出する。
Ｓ１３において、位相コヒーレンス算出手段３２は、心拍情報算出手段３４及び呼吸情報算出手段３５で算出した心拍間隔の変動の瞬時位相と呼吸パターンの瞬時位相とから、それらの瞬時位相差の位相コヒーレンスを算出する。
Ｓ１４において、算出した心拍情報及び呼吸情報を睡眠中のデータの全部の平均値で正規化する。正規化処理は、情報処理部２において実行され、基礎データベース４１に格納された睡眠中の全データから平均値を算出し、算出した平均値により心拍情報及び呼吸情報を正規化する。
その後、Ｓ１５において、睡眠状態推定手段３１は、位相コヒーレンス、正規化した心拍情報、呼吸情報および体動情報のうち少なくとも２つを睡眠状態推定モデル３１１に入力する。
Ｓ１６において、睡眠状態推定モデル３１１は、入力された位相コヒーレンス、正規化した心拍情報、呼吸情報および体動情報のうち少なくとも２つから、最も尤度の高い動物の睡眠状態を演算する。
Ｓ１７において、睡眠状態推定モデル３１１は、演算の結果、最も尤度の高かった睡眠状態を入力された位相コヒーレンス、心拍情報、呼吸情報および体動情報を測定した時の動物の睡眠状態であると推定して出力する。
Ｓ１１において、睡眠状態推定システム１は、振動センサで検出した動物の生体振動信号を取得する。
Ｓ１２において、情報処理部３は、取得した生体振動信号から各種情報を算出する。体動情報算出手段３３は、生体振動信号から体動情報を算出し、心拍情報算出手段３４は、生体振動信号から心拍情報として少なくとも心拍数と心拍間隔の変動の瞬時位相を算出し、呼吸情報算出手段３５は、生体振動信号から呼吸情報として少なくとも呼吸数と呼吸パターンの瞬時位相を算出する。
Ｓ１３において、位相コヒーレンス算出手段３２は、心拍情報算出手段３４及び呼吸情報算出手段３５で算出した心拍間隔の変動の瞬時位相と呼吸パターンの瞬時位相とから、それらの瞬時位相差の位相コヒーレンスを算出する。
Ｓ１４において、算出した心拍情報及び呼吸情報を睡眠中のデータの全部の平均値で正規化する。正規化処理は、情報処理部２において実行され、基礎データベース４１に格納された睡眠中の全データから平均値を算出し、算出した平均値により心拍情報及び呼吸情報を正規化する。
その後、Ｓ１５において、睡眠状態推定手段３１は、位相コヒーレンス、正規化した心拍情報、呼吸情報および体動情報のうち少なくとも２つを睡眠状態推定モデル３１１に入力する。
Ｓ１６において、睡眠状態推定モデル３１１は、入力された位相コヒーレンス、正規化した心拍情報、呼吸情報および体動情報のうち少なくとも２つから、最も尤度の高い動物の睡眠状態を演算する。
Ｓ１７において、睡眠状態推定モデル３１１は、演算の結果、最も尤度の高かった睡眠状態を入力された位相コヒーレンス、心拍情報、呼吸情報および体動情報を測定した時の動物の睡眠状態であると推定して出力する。
実施例１
本実施例では、双方向長期・短期記憶（ＢｉＬＳＴＭ：Ｂｉｄｉｒｅｃｔｉｏｎａｌ Ｌｏｎｇ Ｓｈｏｒｔ－Ｔｅｒｍ Ｍｅｍｏｒｙ）ニューラルネットワークに基づいて学習させた睡眠状態推定モデル３１１を用いて睡眠状態を推定した。
ＢｉＬＳＴＭニューラルネットワークは、短期記憶と長期記憶とを関連させることにより、双方向の長期的な依存関係を学習できるようにしたモデルである。本実施例のＢｉＬＳＴＭの構造は、入力層としてｓｅｑｕｅｎｃｅ ｉｎｐｕｔ、中間層としてＢｉＬＳＴＭ３層、出力層として６段階（ＬＶ、ＷＫ、ＲＥＭ、Ｎ１、Ｎ２、Ｎ３）の分類出力とし、各ＢｉＬＳＴＭ層には１２８個の隠れユニットを設定した。
実証試験では、８人の各被験者について、睡眠ポリグラフィ検査と同時に取得した生体振動信号から、位相コヒーレンス（λ）、体動情報（ＢＭ）、心拍数（ＨＲ）及び呼吸数（ＲＲ）を取得し、睡眠ポリグラフィ検査によって判定された睡眠段階を教師データとして、睡眠状態推定モデル３１１の機械学習をＬｅａｖｅ－ｏｎｅ－ｏｕｔ法により行った。
ここで、睡眠ポリグラフィ検査と同時にとは、生体振動信号の取得開始時刻と取得時間が睡眠ポリグラフィ検査と同じであることを意味する。
医学的に確立している睡眠ポリグラフィ検査は、脳波（ＥＥＧ）、眼電図（ＥＯＧ）、筋電図（ＥＭＧ）、心電図（ＥＣＧ）、口鼻気流等を記録する。記録終了後に、３０秒を１エポックとして、エポックごとに専門家が国際的に使用されている睡眠段階判定基準に基づいて、上記のような睡眠段階を判定する。
本発明に係る睡眠状態推定モデル３１１の機械学習においては、この睡眠段階を教師データとし、各種の記録のうち、生体振動信号（筋電図（ＥＭＧ）、心電図（ＥＣＧ）、口鼻気流）から位相コヒーレンス（λ）、体動情報（ＢＭ）、心拍数（ＨＲ）及ひ呼吸数（ＲＲ）を取得した。
本実施例では、双方向長期・短期記憶（ＢｉＬＳＴＭ：Ｂｉｄｉｒｅｃｔｉｏｎａｌ Ｌｏｎｇ Ｓｈｏｒｔ－Ｔｅｒｍ Ｍｅｍｏｒｙ）ニューラルネットワークに基づいて学習させた睡眠状態推定モデル３１１を用いて睡眠状態を推定した。
ＢｉＬＳＴＭニューラルネットワークは、短期記憶と長期記憶とを関連させることにより、双方向の長期的な依存関係を学習できるようにしたモデルである。本実施例のＢｉＬＳＴＭの構造は、入力層としてｓｅｑｕｅｎｃｅ ｉｎｐｕｔ、中間層としてＢｉＬＳＴＭ３層、出力層として６段階（ＬＶ、ＷＫ、ＲＥＭ、Ｎ１、Ｎ２、Ｎ３）の分類出力とし、各ＢｉＬＳＴＭ層には１２８個の隠れユニットを設定した。
実証試験では、８人の各被験者について、睡眠ポリグラフィ検査と同時に取得した生体振動信号から、位相コヒーレンス（λ）、体動情報（ＢＭ）、心拍数（ＨＲ）及び呼吸数（ＲＲ）を取得し、睡眠ポリグラフィ検査によって判定された睡眠段階を教師データとして、睡眠状態推定モデル３１１の機械学習をＬｅａｖｅ－ｏｎｅ－ｏｕｔ法により行った。
ここで、睡眠ポリグラフィ検査と同時にとは、生体振動信号の取得開始時刻と取得時間が睡眠ポリグラフィ検査と同じであることを意味する。
医学的に確立している睡眠ポリグラフィ検査は、脳波（ＥＥＧ）、眼電図（ＥＯＧ）、筋電図（ＥＭＧ）、心電図（ＥＣＧ）、口鼻気流等を記録する。記録終了後に、３０秒を１エポックとして、エポックごとに専門家が国際的に使用されている睡眠段階判定基準に基づいて、上記のような睡眠段階を判定する。
本発明に係る睡眠状態推定モデル３１１の機械学習においては、この睡眠段階を教師データとし、各種の記録のうち、生体振動信号（筋電図（ＥＭＧ）、心電図（ＥＣＧ）、口鼻気流）から位相コヒーレンス（λ）、体動情報（ＢＭ）、心拍数（ＨＲ）及ひ呼吸数（ＲＲ）を取得した。
次に、上記の睡眠状態推定モデル３１１に、位相コヒーレンス（λ）、心拍数（ＨＲ）、呼吸数（ＲＲ）、体動情報（ＢＭ）を入力データとして推定した睡眠状態について説明する。
［１－１ ＢＣＧから得たλ、ＨＲ、ＲＲ、ＢＭを入力データとした場合］
睡眠状態の推定においては、上記機械学習で得られた睡眠状態推定モデル３１１に、生体振動信号（ＢＣＧ）から得られた位相コヒーレンス（λ）、心拍数（ＨＲ）、呼吸数（ＲＲ）、体動情報（ＢＭ）を入力データとして使用する。
図７は、振動センサで取得した生体振動信号（ＢＣＧ）から得られた心拍数（ＨＲ）、呼吸数（ＲＲ）、位相コヒーレンス（λ）、体動（ＢＭ）の１０ｓ移動平均を示す信号の一例である。
図８は、睡眠状態推定モデル３１１を使用して睡眠状態を推定するときの入力データと、睡眠ポリグラフィ検査（ＰＳＧ）によって判定された睡眠段階の一例である。いずれの入力データも、教師データの時間間隔に合わせるために、図７に示す生体振動信号（ＢＣＧ）から得られた情報を、３０ｓ間隔でリサンプリングして睡眠状態推定モデル３１１に入力して、睡眠状態の推定を行った。
図８の最上段は、睡眠ポリグラフィ検査（ＰＳＧ）によって判定された睡眠段階であり、機械学習により得られた睡眠状態推定モデル３１１による推定結果を評価するときの正解データとなる。
上から２段目は、圧電センサで得られた生体振動信号（ＢＣＧ）から得られた心拍数（ＨＲ）である。ＢＣＧ信号の心拍動成分を抽出するために、５～１５Ｈｚのバンドパスフィルタを通して絶対値化し、時定数０．２ｓのスムージング処理をし、低周波のドリフトを抑えるために０．３Ｈｚのハイパスフィルタを通して得られた信号を心電図の推定装置に入力して推定心電図を得、その推定心電図の信号のピークを計数して心拍数（ＨＲ）を得た。
［１－１ ＢＣＧから得たλ、ＨＲ、ＲＲ、ＢＭを入力データとした場合］
睡眠状態の推定においては、上記機械学習で得られた睡眠状態推定モデル３１１に、生体振動信号（ＢＣＧ）から得られた位相コヒーレンス（λ）、心拍数（ＨＲ）、呼吸数（ＲＲ）、体動情報（ＢＭ）を入力データとして使用する。
図７は、振動センサで取得した生体振動信号（ＢＣＧ）から得られた心拍数（ＨＲ）、呼吸数（ＲＲ）、位相コヒーレンス（λ）、体動（ＢＭ）の１０ｓ移動平均を示す信号の一例である。
図８は、睡眠状態推定モデル３１１を使用して睡眠状態を推定するときの入力データと、睡眠ポリグラフィ検査（ＰＳＧ）によって判定された睡眠段階の一例である。いずれの入力データも、教師データの時間間隔に合わせるために、図７に示す生体振動信号（ＢＣＧ）から得られた情報を、３０ｓ間隔でリサンプリングして睡眠状態推定モデル３１１に入力して、睡眠状態の推定を行った。
図８の最上段は、睡眠ポリグラフィ検査（ＰＳＧ）によって判定された睡眠段階であり、機械学習により得られた睡眠状態推定モデル３１１による推定結果を評価するときの正解データとなる。
上から２段目は、圧電センサで得られた生体振動信号（ＢＣＧ）から得られた心拍数（ＨＲ）である。ＢＣＧ信号の心拍動成分を抽出するために、５～１５Ｈｚのバンドパスフィルタを通して絶対値化し、時定数０．２ｓのスムージング処理をし、低周波のドリフトを抑えるために０．３Ｈｚのハイパスフィルタを通して得られた信号を心電図の推定装置に入力して推定心電図を得、その推定心電図の信号のピークを計数して心拍数（ＨＲ）を得た。
ここで、推定心電図信号を得る手段について説明する。
まず、心電図計で取得した心電図信号を取得し、同一時系列の生体振動信号（ＢＣＧ）を圧電センサで取得する。心電図信号を教師データとし、生体振動信号（ＢＣＧ）に所定の処理が施されたモデル入力信号（生体振動信号（ＢＣＧ）、生体振動信号（ＢＣＧ）の微分信号、生体振動信号（ＢＣＧ）から抽出された拍動振動信号、前記拍動振動信号の微分信号等）を入力して機械学習することにより推定モデルを生成する。
振動センサで取得した生体振動信号（ＢＣＧ）（図６の上から３段目）に５～１５Ｈｚのバンドパスフィルタを通して絶対値化し、時定数０．２ｓのスムージング処理をし、低周波のドリフトを抑えるために０．３Ｈｚのハイパスフィルタを通して得られた信号（図６の上から２段目）を心電図の推定モデルに入力して推定された心電図を得て（図６の最上段）、その推定心電図のピークを計数して心拍間隔を得たものである（図６の最下段）。
まず、心電図計で取得した心電図信号を取得し、同一時系列の生体振動信号（ＢＣＧ）を圧電センサで取得する。心電図信号を教師データとし、生体振動信号（ＢＣＧ）に所定の処理が施されたモデル入力信号（生体振動信号（ＢＣＧ）、生体振動信号（ＢＣＧ）の微分信号、生体振動信号（ＢＣＧ）から抽出された拍動振動信号、前記拍動振動信号の微分信号等）を入力して機械学習することにより推定モデルを生成する。
振動センサで取得した生体振動信号（ＢＣＧ）（図６の上から３段目）に５～１５Ｈｚのバンドパスフィルタを通して絶対値化し、時定数０．２ｓのスムージング処理をし、低周波のドリフトを抑えるために０．３Ｈｚのハイパスフィルタを通して得られた信号（図６の上から２段目）を心電図の推定モデルに入力して推定された心電図を得て（図６の最上段）、その推定心電図のピークを計数して心拍間隔を得たものである（図６の最下段）。
図８の上から３段目は、圧電センサで得られた生体振動信号（ＢＣＧ）から得られた呼吸数（ＲＲ）である。
下から２段目は、心拍間隔の変動の瞬時位相と呼吸パターンの瞬時位相との間の瞬時位相差に基づいて算出した位相コヒーレンス（λ）である。
最下段は、生体振動信号（ＢＣＧ）から得られた体動情報（ＢＭ）である。
いずれの入力データも、教師データの時間間隔に合わせるために、３０ｓ間隔でデータをサンプリングしている。
図１０（Ａ）は、睡眠状態の実測値であり、図１０（Ｂ）は、上記ＢｉＬＳＴＭニューラルネットワークに基づいて学習させた睡眠状態推定モデル３１１に対し、生体振動信号（ＢＣＧ）から得られた位相コヒーレンス（λ）、心拍数（ＨＲ）、呼吸数（ＲＲ）、体動情報（ＢＭ）を入力した時の推定結果であり、図１０（Ｃ）は、その推定結果と真値（実測値）との混同行列である。図１０（Ｃ）に示すとおり、一致率は８６．９％であり、Ｃｏｈｅｎ’ｓ Ｋａｐｐａ係数は０．４６０と中程度の一致の評価となった。このように、ＢｉＬＳＴＭニューラルネットワークに基づいて学習させたモデルにおいて、良好な睡眠状態の推定が可能であった。
下から２段目は、心拍間隔の変動の瞬時位相と呼吸パターンの瞬時位相との間の瞬時位相差に基づいて算出した位相コヒーレンス（λ）である。
最下段は、生体振動信号（ＢＣＧ）から得られた体動情報（ＢＭ）である。
いずれの入力データも、教師データの時間間隔に合わせるために、３０ｓ間隔でデータをサンプリングしている。
図１０（Ａ）は、睡眠状態の実測値であり、図１０（Ｂ）は、上記ＢｉＬＳＴＭニューラルネットワークに基づいて学習させた睡眠状態推定モデル３１１に対し、生体振動信号（ＢＣＧ）から得られた位相コヒーレンス（λ）、心拍数（ＨＲ）、呼吸数（ＲＲ）、体動情報（ＢＭ）を入力した時の推定結果であり、図１０（Ｃ）は、その推定結果と真値（実測値）との混同行列である。図１０（Ｃ）に示すとおり、一致率は８６．９％であり、Ｃｏｈｅｎ’ｓ Ｋａｐｐａ係数は０．４６０と中程度の一致の評価となった。このように、ＢｉＬＳＴＭニューラルネットワークに基づいて学習させたモデルにおいて、良好な睡眠状態の推定が可能であった。
推定精度は、線形重み付き一致度ならびにＣｏｈｅｎ’ｓ ｋａｐｐａ係数で評価した。ここで、線形重み付き一致度とは、完全に一致した場合だけではなく、一致していない場合も考慮した一致度であり、本実施例では一次の重み付けとし、ｋ段階の推定で、推定結果がｉ段階、真値がｊ段階のとき重み係数は１―｜ｉ－ｊ｜／（ｋ－１）となる。つまり、６段階の睡眠状態（ＬＶ、ＷＫ、ＲＥＭ、Ｎ１、Ｎ２、Ｎ３）について、推定結果（推定した睡眠状態）と真値（実測の睡眠状態）とが一致（ｉ＝ｊ）していれば１、１段階（｜ｉ－ｊ｜＝１）ずれていれば４／５（０．８）、２段階（｜ｉ－ｊ｜＝２）ずれていれば３／５、３段階（｜ｉ－ｊ｜＝３）ずれていれば２／５、４段階（｜ｉ－ｊ｜＝４）ずれていれば１／５、５段階（｜ｉ－ｊ｜＝５）ずれていれば０となる。
また、Ｃｏｈｅｎ’ｓ Ｋａｐｐａ係数κは、推定結果（推定した睡眠状態）と真値（実測の睡眠状態）の一致度を評価する指標であり、κ＝（Ｐｏ－Ｐｅ）／（１－Ｐｅ）（ただし、Ｐｏ：観測された重み付け一致度の割合、Ｐｅ：偶然一致する割合）で算出される。評価の指標としては、次のとおりである。
κ＜０：ほとんど一致していない（ｐｏｏｒ）
０＜κ≦０．２：わずかに一致（ｓｌｉｇｈｔ）
０．２＜κ≦０．４：一応一致（ｆａｉｒ）
０．４＜κ≦０．６：中程度一致（ｍｏｄｅｒａｔｅ）
０．６＜κ≦０．８：実質的に一致（ｓｕｂｓｔａｎｔｉａｌ）
０．８＜κ：完全一致（ｐｅｒｆｅｃｔ
また、Ｃｏｈｅｎ’ｓ Ｋａｐｐａ係数κは、推定結果（推定した睡眠状態）と真値（実測の睡眠状態）の一致度を評価する指標であり、κ＝（Ｐｏ－Ｐｅ）／（１－Ｐｅ）（ただし、Ｐｏ：観測された重み付け一致度の割合、Ｐｅ：偶然一致する割合）で算出される。評価の指標としては、次のとおりである。
κ＜０：ほとんど一致していない（ｐｏｏｒ）
０＜κ≦０．２：わずかに一致（ｓｌｉｇｈｔ）
０．２＜κ≦０．４：一応一致（ｆａｉｒ）
０．４＜κ≦０．６：中程度一致（ｍｏｄｅｒａｔｅ）
０．６＜κ≦０．８：実質的に一致（ｓｕｂｓｔａｎｔｉａｌ）
０．８＜κ：完全一致（ｐｅｒｆｅｃｔ
［１－２ ＥＣＧから得たＨＲを入力データとした場合］
次に、心電図（ＥＣＧ）から得られた心拍間隔の変動の瞬時位相と圧電センサで得られた生体振動信号（ＢＣＧ）から得られた呼吸数（ＲＲ）から算出された呼吸パターンの瞬時位相との間の瞬時位相差に基づいて算出した位相コヒーレンス（λ）と、ＥＣＧから得られた心拍数（ＨＲ）と、ＢＣＧから得られた呼吸数（ＲＲ）と体動（ＢＭ）を入力データとして、睡眠状態を推定した。
図９は、睡眠状態推定モデル３１１を使用して睡眠状態を推定するときの入力データと、睡眠ポリグラフィ検査（ＰＳＧ）によって判定された睡眠段階の一例である。
図９の最上段は、睡眠ポリグラフィ検査（ＰＳＧ）により判定された睡眠段階であり、機械学習により得られた睡眠状態推定モデル３１１による推定結果を評価するときの正解データとなる。
図９の上から２段目は、心電図（ＥＣＧ）から得られた心拍数（ＨＲ）である。
図９の上から３段目は、圧電センサで得られた生体振動信号（ＢＣＧ）から得られた呼吸数（ＲＲ）である。
下から２段目は、心電図（ＥＣＧ）から算出された心拍間隔の変動の瞬時位相と圧電センサで得られた生体振動信号（ＢＣＧ）から抽出した呼吸パターンの瞬時位相との間の瞬時位相差に基づいて算出した位相コヒーレンス（λ）である。
最下段は、生体振動信号（ＢＣＧ）から得られた体動（ＢＭ）の信号である。
いずれの入力データも、教師データの時間間隔に合わせるために、３０ｓ間隔でデータをサンプリングしている。
図１１（Ａ）は、睡眠状態の実測値であり、図１１（Ｂ）は、上記ＢｉＬＳＴＭニューラルネットワークに基づいて学習させた睡眠状態推定モデル３１１に対し、ＥＣＧに基づく位相コヒーレンス、呼吸数、心拍数と、ＢＣＧに基づく体動（ＢＭ）を入力した時の推定結果であり、図１１（Ｃ）は、その推定結果と真値（実測値）との混同行列である。図１１（Ｃ）に示すとおり、一致率は８８．４％であり、Ｃｏｈｅｎ’ｓ Ｋａｐｐａ係数は０．５４５と中程度一致の評価となった。このように、ＢｉＬＳＴＭニューラルネットワークに基づいて学習させたモデルにおいて、実質的な睡眠状態の推定が可能であった。
次に、心電図（ＥＣＧ）から得られた心拍間隔の変動の瞬時位相と圧電センサで得られた生体振動信号（ＢＣＧ）から得られた呼吸数（ＲＲ）から算出された呼吸パターンの瞬時位相との間の瞬時位相差に基づいて算出した位相コヒーレンス（λ）と、ＥＣＧから得られた心拍数（ＨＲ）と、ＢＣＧから得られた呼吸数（ＲＲ）と体動（ＢＭ）を入力データとして、睡眠状態を推定した。
図９は、睡眠状態推定モデル３１１を使用して睡眠状態を推定するときの入力データと、睡眠ポリグラフィ検査（ＰＳＧ）によって判定された睡眠段階の一例である。
図９の最上段は、睡眠ポリグラフィ検査（ＰＳＧ）により判定された睡眠段階であり、機械学習により得られた睡眠状態推定モデル３１１による推定結果を評価するときの正解データとなる。
図９の上から２段目は、心電図（ＥＣＧ）から得られた心拍数（ＨＲ）である。
図９の上から３段目は、圧電センサで得られた生体振動信号（ＢＣＧ）から得られた呼吸数（ＲＲ）である。
下から２段目は、心電図（ＥＣＧ）から算出された心拍間隔の変動の瞬時位相と圧電センサで得られた生体振動信号（ＢＣＧ）から抽出した呼吸パターンの瞬時位相との間の瞬時位相差に基づいて算出した位相コヒーレンス（λ）である。
最下段は、生体振動信号（ＢＣＧ）から得られた体動（ＢＭ）の信号である。
いずれの入力データも、教師データの時間間隔に合わせるために、３０ｓ間隔でデータをサンプリングしている。
図１１（Ａ）は、睡眠状態の実測値であり、図１１（Ｂ）は、上記ＢｉＬＳＴＭニューラルネットワークに基づいて学習させた睡眠状態推定モデル３１１に対し、ＥＣＧに基づく位相コヒーレンス、呼吸数、心拍数と、ＢＣＧに基づく体動（ＢＭ）を入力した時の推定結果であり、図１１（Ｃ）は、その推定結果と真値（実測値）との混同行列である。図１１（Ｃ）に示すとおり、一致率は８８．４％であり、Ｃｏｈｅｎ’ｓ Ｋａｐｐａ係数は０．５４５と中程度一致の評価となった。このように、ＢｉＬＳＴＭニューラルネットワークに基づいて学習させたモデルにおいて、実質的な睡眠状態の推定が可能であった。
実施例２［ＢＣＧから得たλ、ＲＲ、ＢＭを入力データとした場合］
各被験者について、睡眠ポリグラフィ検査と同時に取得した生体振動信号から、位相コヒーレンス（λ）、体動情報（ＢＭ）及び呼吸数（ＲＲ）を取得し、睡眠ポリグラフィ検査によって判定された睡眠段階を教師データとして、睡眠状態推定モデル３１１の機械学習をＬｅａｖｅ－ｏｎｅ－ｏｕｔ法により行った。
図１２（Ａ）は、睡眠ポリグラフィ検査によって判定された睡眠段階（実測値）であり、図１２（Ｂ）は、上記ＢｉＬＳＴＭニューラルネットワークに基づいて学習させた睡眠状態推定モデル３１１に対し、生体振動信号（ＢＣＧ）から得られた位相コヒーレンス（λ）、呼吸数（ＲＲ）、体動情報（ＢＭ）を入力した時の推定結果であり、図１２（Ｃ）は、その推定結果と真値（実測値）との混同行列である。図１２（Ｃ）に示すとおり、一致率は８１．３％であり、Ｃｏｈｅｎ’ｓ Ｋａｐｐａ係数は０．３５６と一応一致の評価となった。このように、ＢｉＬＳＴＭニューラルネットワークに基づいて学習させたモデルにおいて、入力データが３つでも実質的な睡眠状態の推定が可能であった。
各被験者について、睡眠ポリグラフィ検査と同時に取得した生体振動信号から、位相コヒーレンス（λ）、体動情報（ＢＭ）及び呼吸数（ＲＲ）を取得し、睡眠ポリグラフィ検査によって判定された睡眠段階を教師データとして、睡眠状態推定モデル３１１の機械学習をＬｅａｖｅ－ｏｎｅ－ｏｕｔ法により行った。
図１２（Ａ）は、睡眠ポリグラフィ検査によって判定された睡眠段階（実測値）であり、図１２（Ｂ）は、上記ＢｉＬＳＴＭニューラルネットワークに基づいて学習させた睡眠状態推定モデル３１１に対し、生体振動信号（ＢＣＧ）から得られた位相コヒーレンス（λ）、呼吸数（ＲＲ）、体動情報（ＢＭ）を入力した時の推定結果であり、図１２（Ｃ）は、その推定結果と真値（実測値）との混同行列である。図１２（Ｃ）に示すとおり、一致率は８１．３％であり、Ｃｏｈｅｎ’ｓ Ｋａｐｐａ係数は０．３５６と一応一致の評価となった。このように、ＢｉＬＳＴＭニューラルネットワークに基づいて学習させたモデルにおいて、入力データが３つでも実質的な睡眠状態の推定が可能であった。
実施例３［ＢＣＧから得たλ、ＨＲ、ＢＭを入力データとした場合］
各被験者について、睡眠ポリグラフィ検査と同時に取得した生体振動信号から、位相コヒーレンス（λ）、体動情報（ＢＭ）及び心拍数（ＨＲ）を取得し、睡眠ポリグラフィ検査によって判定された睡眠段階を教師データとして、睡眠状態推定モデル３１１の機械学習をＬｅａｖｅ－ｏｎｅ－ｏｕｔ法により行った。
図１３（Ａ）は、睡眠ポリグラフィ検査によって判定された睡眠段階（実測値）であり、図１３（Ｂ）は、上記ＢｉＬＳＴＭニューラルネットワークに基づいて学習させた睡眠状態推定モデル３１１に対し、生体振動信号（ＢＣＧ）から得られた位相コヒーレンス（λ）、心拍数（ＨＲ）、体動情報（ＢＭ）を入力した時の推定結果であり、図１３（Ｃ）は、その推定結果と真値（実測値）との混同行列である。図１３（Ｃ）に示すとおり、一致率は８４．９％であり、Ｃｏｈｅｎ’ｓ Ｋａｐｐａ係数は０．４９４と中程度の一致の評価となった。このように、ＢｉＬＳＴＭニューラルネットワークに基づいて学習させたモデルにおいて、入力データが３つでも実質的な睡眠状態の推定が可能であった。
各被験者について、睡眠ポリグラフィ検査と同時に取得した生体振動信号から、位相コヒーレンス（λ）、体動情報（ＢＭ）及び心拍数（ＨＲ）を取得し、睡眠ポリグラフィ検査によって判定された睡眠段階を教師データとして、睡眠状態推定モデル３１１の機械学習をＬｅａｖｅ－ｏｎｅ－ｏｕｔ法により行った。
図１３（Ａ）は、睡眠ポリグラフィ検査によって判定された睡眠段階（実測値）であり、図１３（Ｂ）は、上記ＢｉＬＳＴＭニューラルネットワークに基づいて学習させた睡眠状態推定モデル３１１に対し、生体振動信号（ＢＣＧ）から得られた位相コヒーレンス（λ）、心拍数（ＨＲ）、体動情報（ＢＭ）を入力した時の推定結果であり、図１３（Ｃ）は、その推定結果と真値（実測値）との混同行列である。図１３（Ｃ）に示すとおり、一致率は８４．９％であり、Ｃｏｈｅｎ’ｓ Ｋａｐｐａ係数は０．４９４と中程度の一致の評価となった。このように、ＢｉＬＳＴＭニューラルネットワークに基づいて学習させたモデルにおいて、入力データが３つでも実質的な睡眠状態の推定が可能であった。
実施例４ ［ＢＣＧから得たλ、ＢＭを入力データとした場合］
各被験者について、睡眠ポリグラフィ検査と同時に取得した生体振動信号から、位相コヒーレンス（λ）、体動情報（ＢＭ）を取得し、睡眠ポリグラフィ検査によって判定された睡眠段階を教師データとして、睡眠状態推定モデル３１１の機械学習をＬｅａｖｅ－ｏｎｅ－ｏｕｔ法により行った。
図１４（Ａ）は、睡眠ポリグラフィ検査によって判定された睡眠段階（実測値）であり、図１４（Ｂ）は、上記ＢｉＬＳＴＭニューラルネットワークに基づいて学習させた睡眠状態推定モデル３１１に対し、生体振動信号（ＢＣＧ）から得られた位相コヒーレンス（λ）、体動情報（ＢＭ）を入力した時の推定結果であり、図１４（Ｃ）は、その推定結果と真値（実測値）との混同行列である。図１４（Ｃ）に示すとおり、一致率は７６．６％であり、Ｃｏｈｅｎ’ｓ Ｋａｐｐａ係数は０．２０７と一応一致の評価となった。このように、ＢｉＬＳＴＭニューラルネットワークに基づいて学習させたモデルにおいて、入力データが２つでも実質的な睡眠状態の推定が可能であった。
各被験者について、睡眠ポリグラフィ検査と同時に取得した生体振動信号から、位相コヒーレンス（λ）、体動情報（ＢＭ）を取得し、睡眠ポリグラフィ検査によって判定された睡眠段階を教師データとして、睡眠状態推定モデル３１１の機械学習をＬｅａｖｅ－ｏｎｅ－ｏｕｔ法により行った。
図１４（Ａ）は、睡眠ポリグラフィ検査によって判定された睡眠段階（実測値）であり、図１４（Ｂ）は、上記ＢｉＬＳＴＭニューラルネットワークに基づいて学習させた睡眠状態推定モデル３１１に対し、生体振動信号（ＢＣＧ）から得られた位相コヒーレンス（λ）、体動情報（ＢＭ）を入力した時の推定結果であり、図１４（Ｃ）は、その推定結果と真値（実測値）との混同行列である。図１４（Ｃ）に示すとおり、一致率は７６．６％であり、Ｃｏｈｅｎ’ｓ Ｋａｐｐａ係数は０．２０７と一応一致の評価となった。このように、ＢｉＬＳＴＭニューラルネットワークに基づいて学習させたモデルにおいて、入力データが２つでも実質的な睡眠状態の推定が可能であった。
実施例５［生体振動信号（ＢＣＧ）にＣＷＴ処理して心拍数（ＨＲ）得た場合］
生体振動信号（ＢＣＧ）にＣＷＴ（Ｃｏｎｔｉｎｕｏｕｓ Ｗａｖｅｌｅｔ Ｔｒａｎｓｆｏｒｍ）処理を行い、得られた周波数成分（図５の２段目）のうち５～１５Ｈｚの成分を積算して得られた信号（図５の３段目）から心拍間隔（図５の最下段）を得た。
以降は、実施例１、実施例３の場合と同様にして、睡眠状態を推定することができる。
生体振動信号（ＢＣＧ）にＣＷＴ（Ｃｏｎｔｉｎｕｏｕｓ Ｗａｖｅｌｅｔ Ｔｒａｎｓｆｏｒｍ）処理を行い、得られた周波数成分（図５の２段目）のうち５～１５Ｈｚの成分を積算して得られた信号（図５の３段目）から心拍間隔（図５の最下段）を得た。
以降は、実施例１、実施例３の場合と同様にして、睡眠状態を推定することができる。
実施例６［生体振動信号（ＢＣＧ）にバンドパスフィルタによる処理をして心拍数（ＨＲ）を得た場合］
生体振動信号（ＢＣＧ）を５～１５Ｈｚのバンドパスフィルタを通し、時定数０．１ｓの全波整流積分をし、０．３Ｈｚのハイパスフィルタを通して心拍間隔（図４の最下段）を得た。以降は、実施例１、実施例３の場合と同様にして、睡眠状態を推定することができる。
生体振動信号（ＢＣＧ）を５～１５Ｈｚのバンドパスフィルタを通し、時定数０．１ｓの全波整流積分をし、０．３Ｈｚのハイパスフィルタを通して心拍間隔（図４の最下段）を得た。以降は、実施例１、実施例３の場合と同様にして、睡眠状態を推定することができる。
本実施例において、心拍数（ＨＲ）と呼吸数（ＲＲ）のいずれか一方または両方の標準偏差を使用すると、睡眠状態の推定精度を向上させることが可能である。
また、脈波、心音図に基づいて、位相コヒーレンス、心拍数、呼吸数を得、これらに基づいて推定時に睡眠状態推定モデル３１１に入力するデータを得ることも可能である。
さらには、一旦機械学習をした睡眠状態推定モデル３１１は、実際に睡眠状態を推定することと並行して、新たな睡眠ポリグラフィ検査によって判定された睡眠段階を教師データとして、その睡眠ポリグラフィ検査と同時に取得された生体振動信号から取得された位相コヒーレンス、体動、心拍数、呼吸数のうち少なくとも２つを入力データとして、さらに機械学習を行ってその推定性能を向上させることができる。
さらには、本実施例では、ヒトを対象としているが、対象は人に限らず、犬や猫等のペットなど幅広い動物に適用することが可能である。
また、脈波、心音図に基づいて、位相コヒーレンス、心拍数、呼吸数を得、これらに基づいて推定時に睡眠状態推定モデル３１１に入力するデータを得ることも可能である。
さらには、一旦機械学習をした睡眠状態推定モデル３１１は、実際に睡眠状態を推定することと並行して、新たな睡眠ポリグラフィ検査によって判定された睡眠段階を教師データとして、その睡眠ポリグラフィ検査と同時に取得された生体振動信号から取得された位相コヒーレンス、体動、心拍数、呼吸数のうち少なくとも２つを入力データとして、さらに機械学習を行ってその推定性能を向上させることができる。
さらには、本実施例では、ヒトを対象としているが、対象は人に限らず、犬や猫等のペットなど幅広い動物に適用することが可能である。
１ 睡眠状態測定システム
２ 情報取得部
３ 情報処理部
４ 記憶部
５ 操作部
６ 出力部
２２ 位相コヒーレンス取得手段
２３ 体動情報取得手段
２４ 心拍情報取得手段
２５ 呼吸情報取得手段
２６ 睡眠状態取得手段
３１ 睡眠状態推定手段
３２ 位相コヒーレンス算出手段
３３ 体動情報算出手段
３４ 心拍情報算出手段
３５ 呼吸情報算出手段
３６ 睡眠状態推定モデル学習手段
４１ 基礎データベース
３１１ 睡眠状態推定モデル
２ 情報取得部
３ 情報処理部
４ 記憶部
５ 操作部
６ 出力部
２２ 位相コヒーレンス取得手段
２３ 体動情報取得手段
２４ 心拍情報取得手段
２５ 呼吸情報取得手段
２６ 睡眠状態取得手段
３１ 睡眠状態推定手段
３２ 位相コヒーレンス算出手段
３３ 体動情報算出手段
３４ 心拍情報算出手段
３５ 呼吸情報算出手段
３６ 睡眠状態推定モデル学習手段
４１ 基礎データベース
３１１ 睡眠状態推定モデル
Claims (4)
- 動物の睡眠中に圧電センサにより取得した前記動物の生体振動信号から抽出した心拍間隔の変動の瞬時位相と前記心拍間隔の変動と同一時系列における前記生体振動信号から抽出した呼吸パターンの瞬時位相との間の瞬時位相差に基づいて算出した位相コヒーレンスを取得する位相コヒーレンス取得手段と、
前記生体振動信号から前記心拍間隔の変動と同一時系列における前記動物の体動に関する体動情報を取得する体動情報取得手段と、前記生体振動信号から前記心拍間隔の変動と同一時系列における前記動物の心拍に関する心拍情報を取得する心拍情報取得手段と、前記生体振動信号から前記心拍間隔の変動と同一時系列における呼吸に関する呼吸情報を取得する呼吸情報取得手段と、
動物の睡眠ポリグラフィ検査によって判定された睡眠段階を教師データとし、前記睡眠ポリグラフィ検査と同時に取得した前記睡眠ポリグラフィ検査の対象の動物の生体振動信号から、位相コヒーレンス、体動情報、心拍情報及び呼吸情報の４つのデータを取得し、それらのデータのうち位相コヒーレンスを含む少なくとも２つを入力データとして機械学習を行うことにより作成した睡眠状態推定モデルを内蔵した睡眠状態推定手段と、を含み、
前記睡眠状態推定手段は、前記位相コヒーレンス取得手段により取得した位相コヒーレンス、前記体動情報取得手段により取得した体動情報、前記心拍情報取得手段により取得した心拍情報及び前記呼吸情報取得手段により取得した呼吸情報のうち、前記入力データと同じ種類のデータを前記睡眠状態推定モデルに入力し、当該睡眠状態推定モデルからの演算結果に基づいて、動物の睡眠状態を推定することを特徴とする睡眠状態推定システム。 - 前記機械学習が双方向長期・短期記憶（ＢｉＬＳＴＭ）ニューラルネットワークに基づいて行われるものであることを特徴とする請求項１に記載の睡眠状態推定システム。
- 前記位相コヒーレンス取得手段は、前記心拍情報取得手段が取得した心拍間隔の変動の瞬時位相と前記呼吸情報取得手段が取得した呼吸パターンの瞬時位相との間の瞬時位相差に基づいて算出された前記位相コヒーレンスを取得することを特徴とする請求項１に記載の睡眠状態推定システム。
- 前記心拍情報取得手段が取得する前記心拍情報が心拍数であり、前記呼吸情報取得手段が取得する前記呼吸情報が呼吸数であることを特徴とする請求項１に記載の睡眠状態推定システム。
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/JP2021/025053 WO2022269936A1 (ja) | 2021-06-25 | 2021-06-25 | 睡眠状態推定システム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPWO2022269936A1 JPWO2022269936A1 (ja) | 2022-12-29 |
| JP7301275B2 true JP7301275B2 (ja) | 2023-07-03 |
Family
ID=84544347
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2021567905A Active JP7301275B2 (ja) | 2021-06-25 | 2021-06-25 | 睡眠状態推定システム |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US20240032859A1 (ja) |
| EP (1) | EP4327743A4 (ja) |
| JP (1) | JP7301275B2 (ja) |
| WO (1) | WO2022269936A1 (ja) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116269258B (zh) * | 2023-02-22 | 2023-11-21 | 昆山市第一人民医院 | 一种枕式睡眠检测方法、装置及计算机设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013210367A (ja) | 2012-03-01 | 2013-10-10 | Riverbell Kk | 人存在不在検出方法及び人存在不在検出装置 |
| US20150190086A1 (en) | 2014-01-03 | 2015-07-09 | Vital Connect, Inc. | Automated sleep staging using wearable sensors |
| WO2020248008A1 (en) | 2019-06-14 | 2020-12-17 | The University Of Adelaide | A method and system for classifying sleep related brain activity |
| US20210015417A1 (en) | 2018-03-21 | 2021-01-21 | Limbic Limited | Emotion data training method and system |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2718302B2 (ja) * | 1991-10-07 | 1998-02-25 | 松下電器産業株式会社 | 睡眠状態判定装置 |
| JP3658580B2 (ja) * | 2002-08-29 | 2005-06-08 | 学校法人立命館 | 睡眠深度推定装置及びこれを具えた布団 |
| JP6599723B2 (ja) * | 2015-10-01 | 2019-10-30 | ヘルスセンシング株式会社 | 生体情報取得装置及び信号処理方法 |
| WO2017134681A2 (en) * | 2016-02-04 | 2017-08-10 | Parchani Gaurav | Sleep monitoring and tracking system and method thereof |
| WO2017141976A1 (ja) | 2016-02-15 | 2017-08-24 | ヘルスセンシング株式会社 | 睡眠状態測定装置及び方法、位相コヒーレンス算出装置、生体振動信号測定装置、ストレス状態測定装置及び睡眠状態測定装置及び心拍波形抽出方法 |
| EP3794605A1 (en) * | 2018-05-17 | 2021-03-24 | Ieso Digital Health Limited | Methods and systems for improved therapy delivery and monitoring |
| JP7177443B2 (ja) * | 2018-11-09 | 2022-11-24 | ヘルスセンシング株式会社 | 生体振動信号検出装置 |
-
2021
- 2021-06-25 WO PCT/JP2021/025053 patent/WO2022269936A1/ja active Application Filing
- 2021-06-25 US US17/614,896 patent/US20240032859A1/en active Pending
- 2021-06-25 JP JP2021567905A patent/JP7301275B2/ja active Active
- 2021-06-25 EP EP21947215.6A patent/EP4327743A4/en active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013210367A (ja) | 2012-03-01 | 2013-10-10 | Riverbell Kk | 人存在不在検出方法及び人存在不在検出装置 |
| US20150190086A1 (en) | 2014-01-03 | 2015-07-09 | Vital Connect, Inc. | Automated sleep staging using wearable sensors |
| US20210015417A1 (en) | 2018-03-21 | 2021-01-21 | Limbic Limited | Emotion data training method and system |
| WO2020248008A1 (en) | 2019-06-14 | 2020-12-17 | The University Of Adelaide | A method and system for classifying sleep related brain activity |
Also Published As
| Publication number | Publication date |
|---|---|
| EP4327743A4 (en) | 2024-06-26 |
| JPWO2022269936A1 (ja) | 2022-12-29 |
| EP4327743A1 (en) | 2024-02-28 |
| US20240032859A1 (en) | 2024-02-01 |
| WO2022269936A1 (ja) | 2022-12-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11690519B2 (en) | Apparatus, system, and method for monitoring physiological signs | |
| Charlton et al. | Breathing rate estimation from the electrocardiogram and photoplethysmogram: A review | |
| KR101656611B1 (ko) | 무구속적으로 측정한 생체신호를 이용하여 산소탈포화지수를 획득하는 방법 | |
| JP5174348B2 (ja) | 心臓関連状態パラメータのモニター方法及び装置 | |
| CN109328034B (zh) | 用于确定对象的睡眠阶段的确定系统和方法 | |
| US9833184B2 (en) | Identification of emotional states using physiological responses | |
| CN112804941A (zh) | 用于检测生理事件的装置和方法 | |
| US20140249429A1 (en) | Fitness monitoring | |
| Vehkaoja et al. | Correlation approach for the detection of the heartbeat intervals using force sensors placed under the bed posts | |
| Zhao et al. | An IoT-based wearable system using accelerometers and machine learning for fetal movement monitoring | |
| JP2022520934A (ja) | 睡眠監視システム及び方法 | |
| Dong et al. | Wearable diet monitoring through breathing signal analysis | |
| Hwang et al. | Unconstrained sleep stage estimation based on respiratory dynamics and body movement | |
| Motin et al. | Sleep-wake classification using statistical features extracted from photoplethysmographic signals | |
| JP7301275B2 (ja) | 睡眠状態推定システム | |
| JP2022063926A (ja) | 睡眠状態推定システム | |
| Carter et al. | Deep learning-enabled sleep staging from vital signs and activity measured using a near-infrared video camera | |
| Everson et al. | BioTranslator: inferring R-peaks from ambulatory wrist-worn PPG signal | |
| JP7521836B2 (ja) | 睡眠質を点数化する装置、方法及びコンピュータプログラム | |
| Wilk et al. | Assessment of a hand tremor based on analysis of the accelerometer signal | |
| Jose | Review on obstructive sleep apnea detection using ecg signals | |
| Saddaoui et al. | Wireless Tag Sensor Network for Apnea Detection and Posture Recognition Using LSTM | |
| Ferroukhi et al. | Robust and reliable PPG and ECG integrated biosensor | |
| Lee et al. | Monitoring obstructive sleep apnea with electrocardiography and 3-axis acceleration sensor | |
| Kerr et al. | Human pulse and respiratory signal analysis using a robot hand equipped with a biomimetic fingertip |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20211025 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20211025 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20211025 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220308 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220404 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220519 |
|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20220705 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220729 |
|
| A911 | Transfer to examiner for re-examination before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20220906 |
|
| A912 | Re-examination (zenchi) completed and case transferred to appeal board |
Free format text: JAPANESE INTERMEDIATE CODE: A912 Effective date: 20221021 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230113 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230518 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7301275 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |