JP7321511B2 - 判定装置、光照射装置、及びプログラム - Google Patents
判定装置、光照射装置、及びプログラム Download PDFInfo
- Publication number
- JP7321511B2 JP7321511B2 JP2019145967A JP2019145967A JP7321511B2 JP 7321511 B2 JP7321511 B2 JP 7321511B2 JP 2019145967 A JP2019145967 A JP 2019145967A JP 2019145967 A JP2019145967 A JP 2019145967A JP 7321511 B2 JP7321511 B2 JP 7321511B2
- Authority
- JP
- Japan
- Prior art keywords
- information
- input
- electroencephalogram
- sleep state
- subject
- 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 claims description 295
- 210000004556 brain Anatomy 0.000 claims description 174
- 238000013528 artificial neural network Methods 0.000 claims description 58
- 238000013527 convolutional neural network Methods 0.000 claims description 55
- 238000010801 machine learning Methods 0.000 claims description 49
- 230000007704 transition Effects 0.000 claims description 45
- 230000036385 rapid eye movement (rem) sleep Effects 0.000 claims description 21
- 230000008452 non REM sleep Effects 0.000 claims description 16
- 238000003384 imaging method Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 description 43
- 238000001514 detection method Methods 0.000 description 28
- 238000001228 spectrum Methods 0.000 description 26
- 230000008569 process Effects 0.000 description 20
- 238000009826 distribution Methods 0.000 description 14
- 238000012545 processing Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 12
- 238000003860 storage Methods 0.000 description 12
- 230000003183 myoelectrical effect Effects 0.000 description 10
- 241001465754 Metazoa Species 0.000 description 9
- 238000004891 communication Methods 0.000 description 9
- 238000005259 measurement Methods 0.000 description 7
- 230000004461 rapid eye movement Effects 0.000 description 7
- 238000005070 sampling Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000029058 respiratory gaseous exchange Effects 0.000 description 5
- 230000002123 temporal effect Effects 0.000 description 5
- 241000282412 Homo Species 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 206010062519 Poor quality sleep Diseases 0.000 description 3
- 244000290594 Ficus sycomorus Species 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000037053 non-rapid eye movement Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000241 respiratory effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 230000007177 brain activity Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000005401 electroluminescence Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
Images
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Description
この発明は、判定装置、光照射装置、及びプログラムに関する。
被験体の脳の睡眠状態を判定する技術についての研究や開発が行われている。
ここで、被験体の脳の状態は、被験体の脳波の波形により特徴付けられる状態のことである。被験体の脳の状態は、所定の条件下における被験体の脳波の波形によって複数の状態に分類することができる。例えば、被験体の脳の状態は、睡眠時における被験体の脳波の波形によって複数の状態に分類することができる。前述の被験体の脳の睡眠状態は、睡眠時における被験体の脳波の波形によって被験体の脳の状態が複数の状態に分類された場合における当該複数の状態のいずれかのことである。以下では、説明の便宜上、当該複数の状態のそれぞれを、睡眠時分類状態と称して説明する。すなわち、被験体の脳の睡眠状態を判定することは、被験体の脳の状態が、複数の睡眠時分類状態のうちのいずれであるかを判定することを意味する。なお、被験体の脳波は、被験体の脳から検出された電位の時間的な変化を示す波のことである。
ここで、特許文献１には、被験体の脳の睡眠状態を判定する方法として、複数のチャネルの脳波センサを用いる方法、１以上のチャネルの脳波センサとともに１以上の筋電センサを用いる方法が記載されている（特許文献１参照）。
特許文献１に記載された２つの方法（すなわち、複数のチャネルの脳波センサを用いる方法、及び、１以上のチャネルの脳波センサとともに１以上の筋電センサを用いる方法）は、チャネルの数を複数にすること、脳波センサとともに筋電センサを用いること（すなわち、複数のセンサを用いること）等によってノイズを低減することにより、被験体の脳の睡眠状態を高い精度で判定することができる。しかしながら、当該２つの方法は、チャネルの数が複数であること、脳波センサとともに筋電センサを用いること等のために被験体へのセンサの取り付けが煩雑となり、利便性が悪い場合があった。
そこで本発明は、上記従来技術の問題に鑑みてなされたものであり、利便性を向上させることができる判定装置、光照射装置、及びプログラムを提供する。
（１）本発明の一態様に係る判定装置は、ニューラルネットワークを含む機械学習のモデルに基づいて被験体の脳の睡眠状態を判定する判定装置であって、前記モデルは、前記被験体の第１脳波の波形を示す第１脳波形情報と前記第１脳波形情報に対応付けられた第１時刻を示す第１時刻情報とを含む第１入力情報と、前記第１入力情報に対応付けられた前記睡眠状態である第１睡眠状態を示す第１睡眠状態情報との対応関係を学習済みであり、前記被験体の第２脳波の波形を示す第２脳波形情報と前記第２脳波形情報に対応付けられた第２時刻を示す第２時刻情報とを含む第２入力情報が入力された場合、入力された前記第２入力情報に対応付けられる前記睡眠状態を推定し、推定した結果を示す情報を出力情報として出力し、前記判定装置は、制御部を備え、前記睡眠状態は、前記被験体の脳の状態のうちの睡眠時における前記被験体の脳波により分類される複数の状態のいずれかのことであり、前記モデルは、前記第２入力情報が入力された場合、前記第２入力情報に対応付けられる前記睡眠状態であることの尤もらしさを示す尤度を前記複数の状態のそれぞれについて推定し、前記複数の状態のそれぞれについて推定した前記尤度のそれぞれを含む情報を前記出力情報として出力し、前記制御部は、前記第２入力情報を前記モデルに入力し、前記第２入力情報が入力された前記モデルから出力された前記出力情報に基づいて、前記複数の状態のうち前記モデルにより推定された前記尤度が最も高い状態を、前記睡眠状態として判定する、判定装置である。
（２）上記（１）に記載の判定装置において、前記複数の状態には、レム睡眠状態、ノンレム睡眠状態、覚醒状態が含まれている、構成を有してもよい。
（３）本発明の他の態様に係る判定装置は、ニューラルネットワークを含む機械学習のモデルに基づいて被験体の脳の睡眠状態を判定する判定装置であって、前記モデルは、前記被験体の第１脳波の波形を示す第１脳波形情報と前記第１脳波形情報に対応付けられた第１時刻を示す第１時刻情報とを含む第１入力情報と、前記第１入力情報に対応付けられた前記睡眠状態である第１睡眠状態を示す第１睡眠状態情報との対応関係を学習済みであり、前記被験体の第２脳波の波形を示す第２脳波形情報と前記第２脳波形情報に対応付けられた第２時刻を示す第２時刻情報とを含む第２入力情報が入力された場合、入力された前記第２入力情報に対応付けられる前記睡眠状態を推定し、推定した結果を示す情報を出力情報として出力し、且つ、前記第２入力情報に含まれる前記第２脳波形情報が入力される畳み込みニューラルネットワークと、前記畳み込みニューラルネットワークからの出力と前記第２入力情報に含まれる情報のうち前記第２脳波形情報以外の情報とが入力される全結合型ニューラルネットワークとが組み合わされた前記ニューラルネットワークを含み、前記全結合型ニューラルネットワークは、前記出力情報を出力し、前記判定装置は、制御部を備え、前記制御部は、前記第２入力情報に含まれる前記第２脳波形情報を前記畳み込みニューラルネットワークに入力し、前記畳み込みニューラルネットワークからの出力と前記第２入力情報に含まれる情報のうち前記第２脳波形情報以外の情報とを前記全結合型ニューラルネットワークに入力し、前記全結合型ニューラルネットワークから出力された前記出力情報に応じて、前記睡眠状態を判定する、判定装置である。
（４）本発明の他の態様に係る判定装置は、ニューラルネットワークを含む機械学習のモデルに基づいて被験体の脳の睡眠状態を判定する判定装置であって、前記モデルは、前記被験体の第１脳波の波形を示す第１脳波形情報と前記第１脳波形情報に対応付けられた第１時刻を示す第１時刻情報とを含む第１入力情報と、前記第１入力情報に対応付けられた前記睡眠状態である第１睡眠状態を示す第１睡眠状態情報との対応関係を学習済みであり、前記被験体の第２脳波の波形を示す第２脳波形情報と前記第２脳波形情報に対応付けられた第２時刻を示す第２時刻情報とを含む第２入力情報が入力された場合、入力された前記第２入力情報に対応付けられる前記睡眠状態を推定し、推定した結果を示す情報を出力情報として出力し、前記判定装置は、制御部を備え、前記制御部は、前記第２入力情報を前記モデルに入力し、前記第２入力情報が入力された前記モデルから出力された前記出力情報を、過去の前記睡眠状態と、過去から現在に至るまでの前記睡眠状態についての状態遷移確率とに基づいて補正し、補正された後の前記出力情報に応じて、前記睡眠状態を判定する、判定装置である。
（５）本発明の他の態様に係る判定装置は、ニューラルネットワークを含む機械学習のモデルに基づいて被験体の脳の睡眠状態を判定する判定装置であって、前記モデルは、前記被験体の第１脳波の波形を示す第１脳波形情報と前記第１脳波形情報に対応付けられた第１時刻を示す第１時刻情報とを含む第１入力情報と、前記第１入力情報に対応付けられた前記睡眠状態である第１睡眠状態を示す第１睡眠状態情報との対応関係を学習済みであり、前記被験体の第２脳波の波形を示す第２脳波形情報と前記第２脳波形情報に対応付けられた第２時刻を示す第２時刻情報とを含む第２入力情報が入力された場合、入力された前記第２入力情報に対応付けられる前記睡眠状態を推定し、推定した結果を示す情報を出力情報として出力し、前記ニューラルネットワークのカーネルサイズは、所定の周波数帯に応じて決定された値である、前記判定装置は、制御部を備え、前記制御部は、前記第２入力情報を前記モデルに入力し、前記第２入力情報が入力された前記モデルから出力された前記出力情報に応じて、前記睡眠状態を判定し、判定装置である。
（６）上記（１）から（５）のうちいずれか一項に記載の判定装置において、前記第１入力情報には、周波数領域における前記第１脳波の波形を示す第１周波数領域情報が含まれており、前記第２入力情報には、周波数領域における前記第２脳波の波形を示す第２周波数領域情報が含まれている、構成を有してもよい。
（７）本発明の一態様に係る光照射装置は、上記（１）から（６）のうちいずれか一項に記載の判定装置と、内視鏡とを備えた光照射装置であって、前記内視鏡は、前記被験体の脳に所定の波長の光を照射する照射部と、前記被験体の脳を撮像する撮像部と、光照射制御部と、を備え、前記光照射制御部は、前記判定装置による判定結果に応じて前記照射部に前記光を照射させる、光照射装置である。
（８）本発明の一態様に係るプログラムは、コンピュータに、ニューラルネットワークを含む機械学習のモデルに基づいて被験体の脳の睡眠状態を判定させるプログラムであって、前記モデルは、前記被験体の第１脳波の波形を示す第１脳波形情報と前記第１脳波形情報に対応付けられた第１時刻を示す第１時刻情報とを含む第１入力情報と、前記第１入力情報に対応付けられた前記睡眠状態である第１睡眠状態を示す第１睡眠状態情報との対応関係を学習済みであり、前記被験体の第２脳波の波形を示す第２脳波形情報と前記第２脳波形情報に対応付けられた第２時刻を示す第２時刻情報とを含む第２入力情報が入力された場合、入力された前記第２入力情報に対応付けられる前記睡眠状態を推定し、推定した結果を示す情報を出力情報として出力し、前記睡眠状態は、前記被験体の脳の状態のうちの睡眠時における前記被験体の脳波により分類される複数の状態のいずれかのことであり、前記モデルは、前記第２入力情報が入力された場合、前記第２入力情報に対応付けられる前記睡眠状態であることの尤もらしさを示す尤度を前記複数の状態のそれぞれについて推定し、前記複数の状態のそれぞれについて推定した前記尤度のそれぞれを含む情報を前記出力情報として出力し、前記プログラムは、前記第２入力情報を前記モデルに入力し、前記第２入力情報が入力された前記モデルから出力された前記出力情報に基づいて、前記複数の状態のうち前記モデルにより推定された前記尤度が最も高い状態を、前記睡眠状態として判定する、プログラムである。
（９）本発明の一態様に係るプログラムは、コンピュータに、ニューラルネットワークを含む機械学習のモデルに基づいて被験体の脳の睡眠状態を判定させるプログラムであって、前記モデルは、前記被験体の第１脳波の波形を示す第１脳波形情報と前記第１脳波形情報に対応付けられた第１時刻を示す第１時刻情報とを含む第１入力情報と、前記第１入力情報に対応付けられた前記睡眠状態である第１睡眠状態を示す第１睡眠状態情報との対応関係を学習済みであり、前記被験体の第２脳波の波形を示す第２脳波形情報と前記第２脳波形情報に対応付けられた第２時刻を示す第２時刻情報とを含む第２入力情報が入力された場合、入力された前記第２入力情報に対応付けられる前記睡眠状態を推定し、推定した結果を示す情報を出力情報として出力し、且つ、前記第２入力情報に含まれる前記第２脳波形情報が入力される畳み込みニューラルネットワークと、前記畳み込みニューラルネットワークからの出力と前記第２入力情報に含まれる情報のうち前記第２脳波形情報以外の情報とが入力される全結合型ニューラルネットワークとが組み合わされた前記ニューラルネットワークを含み、前記全結合型ニューラルネットワークは、前記出力情報を出力し、前記プログラムは、前記第２入力情報に含まれる前記第２脳波形情報を前記畳み込みニューラルネットワークに入力し、前記畳み込みニューラルネットワークからの出力と前記第２入力情報に含まれる情報のうち前記第２脳波形情報以外の情報とを前記全結合型ニューラルネットワークに入力し、前記全結合型ニューラルネットワークから出力された前記出力情報に応じて、前記睡眠状態を判定する、プログラムである。
（１０）本発明の一態様に係るプログラムは、コンピュータに、ニューラルネットワークを含む機械学習のモデルに基づいて被験体の脳の睡眠状態を判定させるプログラムであって、前記モデルは、前記被験体の第１脳波の波形を示す第１脳波形情報と前記第１脳波形情報に対応付けられた第１時刻を示す第１時刻情報とを含む第１入力情報と、前記第１入力情報に対応付けられた前記睡眠状態である第１睡眠状態を示す第１睡眠状態情報との対応関係を学習済みであり、前記被験体の第２脳波の波形を示す第２脳波形情報と前記第２脳波形情報に対応付けられた第２時刻を示す第２時刻情報とを含む第２入力情報が入力された場合、入力された前記第２入力情報に対応付けられる前記睡眠状態を推定し、推定した結果を示す情報を出力情報として出力し、前記プログラムは、前記第２入力情報を前記モデルに入力し、前記第２入力情報が入力された前記モデルから出力された前記出力情報を、過去の前記睡眠状態と、過去から現在に至るまでの前記睡眠状態についての状態遷移確率とに基づいて補正し、補正された後の前記出力情報に応じて、前記睡眠状態を判定する、プログラムである。
（１１）本発明の一態様に係るプログラムは、コンピュータに、ニューラルネットワークを含む機械学習のモデルに基づいて被験体の脳の睡眠状態を判定させるプログラムであって、前記モデルは、前記被験体の第１脳波の波形を示す第１脳波形情報と前記第１脳波形情報に対応付けられた第１時刻を示す第１時刻情報とを含む第１入力情報と、前記第１入力情報に対応付けられた前記睡眠状態である第１睡眠状態を示す第１睡眠状態情報との対応関係を学習済みであり、前記被験体の第２脳波の波形を示す第２脳波形情報と前記第２脳波形情報に対応付けられた第２時刻を示す第２時刻情報とを含む第２入力情報が入力された場合、入力された前記第２入力情報に対応付けられる前記睡眠状態を推定し、推定した結果を示す情報を出力情報として出力し、前記ニューラルネットワークのカーネルサイズは、所定の周波数帯に応じて決定された値である、前記プログラムは、前記第２入力情報を前記モデルに入力し、前記第２入力情報が入力された前記モデルから出力された前記出力情報に応じて、前記睡眠状態を判定し、プログラムである。
（１１）本発明の一態様に係るプログラムは、コンピュータに、ニューラルネットワークを含む機械学習のモデルに基づいて被験体の脳の睡眠状態を判定させるプログラムであって、前記モデルは、前記被験体の第１脳波の波形を示す第１脳波形情報と前記第１脳波形情報に対応付けられた第１時刻を示す第１時刻情報とを含む第１入力情報と、前記第１入力情報に対応付けられた前記睡眠状態である第１睡眠状態を示す第１睡眠状態情報との対応関係を学習済みであり、前記被験体の第２脳波の波形を示す第２脳波形情報と前記第２脳波形情報に対応付けられた第２時刻を示す第２時刻情報とを含む第２入力情報が入力された場合、入力された前記第２入力情報に対応付けられる前記睡眠状態を推定し、推定した結果を示す情報を出力情報として出力し、前記ニューラルネットワークのカーネルサイズは、所定の周波数帯に応じて決定された値である、前記プログラムは、前記第２入力情報を前記モデルに入力し、前記第２入力情報が入力された前記モデルから出力された前記出力情報に応じて、前記睡眠状態を判定し、プログラムである。
本発明の一態様に係る判定装置、光照射装置、及びプログラムは、利便性を向上させることができる。
＜実施形態＞
以下、本発明の実施形態について、図面を参照して説明する。
以下、本発明の実施形態について、図面を参照して説明する。
＜判定装置の概要＞
まず、実施形態に係る判定装置の概要について説明する。当該判定装置は、被験体の脳の睡眠状態を判定する。
まず、実施形態に係る判定装置の概要について説明する。当該判定装置は、被験体の脳の睡眠状態を判定する。
被験体は、脳を有する動物であれば如何なる動物であってもよく、例えば、人である。なお、被験体は、マウス等の人以外の動物であってもよい。以下では、一例として、被験体が、人である場合について説明する。
また、本実施形態において、被験体の脳の状態は、被験体の脳波の波形により特徴付けられる状態のことである。被験体の脳の状態は、所定の条件下における被験体の脳波の波形によって複数の状態に分類することができる。例えば、被験体の脳の状態は、睡眠時における被験体の脳波の波形によって複数の状態に分類することができる。前述の被験体の脳の睡眠状態は、睡眠時における被験体の脳波の波形によって被験体の脳の状態が複数の状態に分類された場合における当該複数の状態のいずれかのことである。以下では、説明の便宜上、当該複数の状態のそれぞれを、睡眠時分類状態と称して説明する。すなわち、被験体の脳の睡眠状態を判定することは、被験体の脳の状態が、複数の睡眠時分類状態のうちのいずれであるかを判定することを意味する。また、以下では、説明の便宜上、睡眠時における被験体の脳波を、単に睡眠時脳波と称して説明する。なお、被験体の脳波は、被験体の脳から検出された電位の時間的な変化を示す波のことである。
より具体的には、被験体の脳の状態は、睡眠時脳波の波形に応じて、睡眠時における被験体の脳の状態と、覚醒時における被験体の脳の状態とに分類されることが知られている。更に、睡眠時における被験体の脳の状態は、当該波形に応じて、複数の状態に分類されることが知られている。例えば、睡眠時における被験体の脳の状態は、当該波形に応じて、レム（ＲＥＭ；Rapid Eye Movement）睡眠状態と、ノンレム（ＮＲＥＭ；Non Rapid Eye Movement）状態との２つの状態のいずれかに分類される。この場合、被験体の脳の睡眠状態は、レム睡眠状態と、ノンレム睡眠状態と、覚醒状態との３つの睡眠時分類状態のうちのいずれかである。そこで、実施形態では、一例として、被験体の脳の睡眠状態が、レム（ＲＥＭ；Rapid Eye Movement）睡眠状態、ノンレム（ＮＲＥＭ；Non Rapid Eye Movement）状態、覚醒（Wake）状態の３つの睡眠時分類状態のうちのいずれかである場合について説明する。このため、実施形態では、被験体の脳の睡眠状態を判定することは、睡眠時脳波の波形に応じて、被験体の脳の状態が、当該３つの睡眠時分類状態のうちのいずれであるかを判定することを意味する。なお、以下では、説明の便宜上、レム睡眠状態、ノンレム状態、覚醒状態の３つの睡眠時分類状態を、単に３つの睡眠時分類状態と称して説明する。また、以下では、説明の便宜上、被験体の脳の睡眠状態を、単に睡眠状態と称して説明する。
ここで、睡眠状態を判定する従来の装置として、複数のチャネルの脳波センサを用いる装置、１以上のチャネルの脳波センサとともに１以上の筋電センサを用いる装置等が知られている。これらの装置は、チャネルの数を複数にすること、脳波センサとともに筋電センサを用いること（すなわち、複数のセンサを用いること）等によってノイズを低減することにより、睡眠状態を高い精度で判定することができる。しかしながら、これらの装置は、チャネルの数が複数であること、脳波センサとともに筋電センサを用いること等のために被験体へのセンサの取り付け、装置の設定、装置のキャリブレーション等が煩雑となり、利便性が悪い場合があった。また、これらの装置は、チャネルの数が複数であること、脳波センサとともに筋電センサを用いること等のために、製造コストの増大を抑制することが困難な場合があった。これは、睡眠状態の判定に要するコストの増大に繋がり、望ましいことではない。
そこで、実施形態に係る判定装置は、ニューラルネットワークを含む機械学習のモデルに基づいて睡眠状態を判定する。当該モデルは、第１入力情報と、第１睡眠状態情報との対応関係が学習済みである。第１入力情報は、第１脳波形情報と第１時刻情報とを含む情報のことである。第１脳波形情報は、被験体の第１脳波の波形を示す情報のことである。第１時刻情報は、第１脳波形情報に対応付けられた第１時刻を示す情報のことである。第１睡眠状態情報は、第１睡眠状態を示す情報のことである。第１睡眠状態は、第１入力情報に対応付けられた睡眠状態のことである。また、当該モデルは、第２入力情報が入力された場合、入力された第２入力情報に対応付けられる睡眠状態を推定し、推定した結果を示す情報を出力情報として出力する。第２入力情報は、第２脳波形情報と第２時刻情報とを含む情報のことである。第２脳波形情報は、被験体の第２脳波の波形を示す情報のことである。第２時刻情報は、第２脳波形情報に対応付けられた第２時刻を示す情報のことである。また、当該判定装置は、制御部を備える。そして、制御部は、第２入力情報を当該モデルに入力し、第２入力情報が入力された当該モデルから出力された当該出力情報に応じて、睡眠状態を判定する。
これにより、実施形態に係る判定装置は、人の肉眼では弁別不可能な程度の被験体の脳波の波形の違いと、被験体の脳波の波形の日周変動とに応じた睡眠状態の判定を行うことができる。その結果、当該判定装置は、チャネルの数を複数にすること、脳波センサとともに筋電センサを用いること等を行うことなく、睡眠状態を精度よく判定することができる。換言すると、当該判定装置は、１チャネルの脳波センサにより検出された被験体の脳波に基づいて、睡眠状態を精度よく判定することができる。これはすなわち、当該判定装置が、利便性を向上させることができることを意味する。また、これは、当該判定装置が、製造コストの増大を抑制することができ、その結果、睡眠状態の判定に要するコストを低減することができることを意味する。以下では、このような当該判定装置の構成と、当該判定装置が行う処理とについて詳しく説明する。
＜判定装置の構成＞
以下、実施形態に係る判定装置の構成について説明する。また、以下では、当該判定装置の一例として、判定装置１を例に挙げて説明する。
以下、実施形態に係る判定装置の構成について説明する。また、以下では、当該判定装置の一例として、判定装置１を例に挙げて説明する。
図１は、判定装置１の構成の一例を示す図である。判定装置１は、被験体の頭部に取り付けられた脳波検出部Ｓと接続される。図１に示した例では、脳波検出部Ｓは、被験体Ｈの頭部に取り付けられている。なお、被験体Ｈは、脳波を検出可能な人であれば、如何なる人であってもよい。
ここで、脳波検出部Ｓは、被験体の脳の電位を検出可能な装置である。例えば、脳波検出部Ｓは、１チャネルの脳波センサ（脳波計）である。脳波検出部Ｓは、検出した電位を示す脳電位情報を判定装置１に出力する。なお、脳波検出部Ｓは、１チャネルの脳波センサに代えて、複数のチャネルの脳波センサであってもよい。また、脳波検出部Ｓは、脳波センサに代えて、脳波検出部Ｓが取り付けられた被験体の脳の電位を検出可能な如何なる装置であってもよい。
判定装置１は、有線又は無線によって脳波検出部Ｓと通信可能に接続される。図１に示した例では、判定装置１は、有線によって脳波検出部Ｓと通信可能に接続されている。ここで、判定装置１は、脳波検出部Ｓと判定装置１との間を繋ぐ何らかのインターフェースを介して脳波検出部Ｓと接続される構成であってもよく、脳波検出部Ｓと直接接続される構成であってもよい。以下では、説明を簡略化するため、判定装置１が脳波検出部Ｓと直接接続されている場合について説明する。また、判定装置１は、脳波検出部Ｓに接続されるとともに、筋電センサ等の他のセンサにも接続される構成であってもよい。この場合、当該他のセンサも、被験体に取り付けられる。
判定装置１は、睡眠状態を機械学習のモデルに基づいて判定する。判定装置１は、例えば、ノートＰＣ（Personal Computer）である。なお、判定装置１は、ノートＰＣに代えて、デスクトップＰＣ、タブレットＰＣ、多機能携帯電話端末（スマートフォン）、ＰＤＡ（Personal Digital Assistant）等の他の情報処理装置であってもよい。
判定装置１が用いる機械学習のモデルは、第１入力情報と第１睡眠状態情報との対応関係が学習済みである。ここで、第１入力情報は、当該モデルに学習を行わせる段階において当該モデルに入力される入力情報のことである。第１入力情報は、被験体の第１脳波の波形を示す第１脳波形情報と、第１脳波形情報に対応付けられた第１時刻を示す第１時刻情報とを含む情報のことである。第１脳波は、睡眠状態を判定する前段階のあるタイミングにおいて睡眠状態が判明している被験体の脳から検出された脳波のことである。第１時刻は、例えば、第１脳波が検出され始めた時刻である。なお、第１時刻は、第１脳波が検出され始めた時刻に代えて、第１脳波が検出され終わった時刻であってもよく、第１脳波が検出された期間における他の時刻であってもよい。第１睡眠状態情報は、第１睡眠状態を示す情報のことである。第１睡眠状態は、当該タイミングにおいて判明している当該被験体の脳の睡眠状態のことである。すなわち、第１睡眠状態は、第１入力情報に対応付けられていることが既知である睡眠状態のことである。
換言すると、判定装置１が用いる機械学習のモデルは、第１入力情報が入力された場合に、第１入力情報に対応付けられた睡眠状態として、第１睡眠状態情報が示す第１睡眠状態が最も尤もらしいと推定するように、第１入力情報と第１睡眠状態情報との対応関係が学習されている。更に換言すると、当該モデルは、当該場合に、第１入力情報に対応付けられた睡眠状態として、第１睡眠状態情報が示す第１睡眠状態が最も尤もらしいと推定するように、当該モデルに含まれるニューラルネットワークの各重みをバックプロパゲーションによって更新する。すなわち、第１入力情報は、当該モデルにおける訓練データである。また、第１睡眠状態情報は、当該モデルにおける教師データである。当該モデルは、このような対応関係を、被験体の複数の脳波のそれぞれについて学習する。なお、第１入力情報に対する第１睡眠状態の対応付けは、事前に人により行われる。すなわち、あるタイミングにおいて第１脳波が検出された場合において、当該タイミングにおける睡眠状態の判定は、人により行われる。換言すると、第１脳波に対応付けられる睡眠状態は、第１脳波に基づいて人により判定される。そして、人による判定された睡眠状態と当該睡眠状態に対応付けられた脳波との組み合わせは、過去に行われた多数の実験により既に得られている。このようにして既に得られている当該組み合わせを利用することにより、第１入力情報と第１睡眠状態情報との対応関係は、容易に複数生成することができる。判定装置１による睡眠状態の判定におけるノイズは、当該モデルに対して多数の当該対応関係を学習させることにより、統計的に小さくすることができる。なお、第１入力情報に対する第１睡眠状態の対応付けは、如何なる方法で行われてもよい。
ここで、第１入力情報に第１時刻情報が含まれている理由は、被験体の脳波が日周変動を起こすことが知られているからである。すなわち、第１入力情報が第１時刻情報を含むことにより、判定装置１は、機械学習のモデルを用いて、人の肉眼では弁別不可能な程度の被験体の脳波の波形の違いと、被験体の脳波の波形の日周変動とに応じた被験体の脳の睡眠状態の判定を行うことができるようになる。
また、判定装置１が用いる機械学習のモデルは、第２入力情報が入力された場合、入力された第２入力情報に対応付けられる被験体の脳の睡眠状態を推定する。そして、当該モデルは、推定した結果を示す情報を出力情報として出力する。当該モデルは、このような推定を、オンライン推定によって行う構成であってもよく、オフライン推定によって行う構成であってもよい。以下では、一例として、当該モデルが、このような推定をオンライン推定によって行う場合について説明する。ここで、第２入力情報は、当該モデルに推定を行わせる段階において当該モデルに入力される入力情報のことである。第２入力情報は、第２脳波形情報と、第２脳波形情報に対応付けられた第２時刻を示す第２時刻情報とを含む情報のことである。第２脳波形情報は、被験体の第２脳波の波形を示す情報のことである。この一例では当該モデルがオンライン推定を行うため、第２脳波は、被験体の脳波のうち睡眠状態を判定する処理を行っている最中に検出された脳波のことである。なお、当該モデルがオフライン推定を行う場合、第２脳波は、睡眠状態を判定する前段階のあるタイミングにおいて被験体の脳から検出された脳波のことである。第２時刻は、例えば、第２脳波が検出され始めた時刻である。なお、第２時刻は、第２脳波が検出され始めた時刻に代えて、第２脳波が検出され終わった時刻であってもよく、第２脳波が検出された期間における他の時刻であってもよい。ただし、第２時刻の決め方は、第１時刻の決め方と同様の決め方である。すなわち、第１脳波が検出され始めた時刻が第１時刻として決められる場合、第２時刻は、第２脳波が検出され始めた時刻として決められる。
判定装置１は、睡眠状態の判定を開始する操作を受け付けた場合、当該操作を受け付けたタイミングから予め決められた測定時間が経過するまで、脳波検出部Ｓが検出した電位を示す脳電位情報を所定のサンプリング周期で取得し続ける。所定のサンプリング周期は、例えば、１２８［Ｈｚ］である。なお、所定のサンプリング周期は、１２８［Ｈｚ］より短い周期であってもよく、１２８［Ｈｚ］より長い周期であってもよい。
判定装置１は、睡眠状態の判定を開始する操作を受け付けたタイミングから所定の時間が経過する毎に、経過した所定の時間を対象時間とし、対象時間内に脳波検出部Ｓから取得した脳電位情報に基づく脳波形情報を、対象時間内における第２脳波形情報として生成する。ここで、ある対象時間内における第２脳波形情報は、対象時間内に脳波検出部Ｓにより取得された複数の脳電位情報により構成される情報である。より具体的には、当該対象時間内における第２脳波形情報は、当該複数の脳電位情報のそれぞれが示す電位を時系列順に並べた場合における電位の時間的な変化を示す波の波形を、当該対象時間内における被験体の第２脳波の波形として示す情報のことである。また、当該対象時間内における第２脳波形情報には、当該対象時間内において脳波検出部Ｓにより脳電位情報が最初に取得された時刻を第２時刻として示す第２時刻情報が対応付けられる。判定装置１は、ある対象時間内における第２脳波形情報を生成した後、当該対象時間内における第２脳波形情報と当該第２脳波形情報に対応付けられた第２時刻情報とを含む情報を、当該対象時間内における第２入力情報として生成する。判定装置１は、当該対象時間内における第２入力情報として生成した後、生成した第２入力情報を、機械学習のモデルに入力する。
判定装置１は、ある対象時間内における第２入力情報を機械学習のモデルに入力した後、当該第２入力情報が入力された機械学習のモデルから出力された出力情報に応じて、当該対象時間内における被験体の脳の睡眠状態を判定する。より具体的には、判定装置１は、当該出力情報に応じて、当該対象時間内における被験体の脳の睡眠状態が、３つの睡眠時分類状態のうちのいずれであるかを判定する。ここで、当該出力情報には、３つの睡眠時分類状態のそれぞれについて推定された３つの尤度を示す情報が含まれている。当該３つの尤度は、３つの睡眠時分類状態それぞれについての、当該対象時間内における被験体の脳の睡眠状態であることの尤もらしさを示す。すなわち、判定装置１は、当該出力情報に含まれる情報が示す３つの尤度のうち最も高い尤度の睡眠時分類状態を、当該対象時間内における被験体の脳の睡眠状態として判定する。
このような機械学習のモデルを用いた判定を行うことにより、判定装置１は、人の肉眼では弁別不可能な程度の被験体の脳波の波形の違いと、被験体の脳波の波形の日周変動とに応じて、睡眠状態の判定を行うことができる。その結果、判定装置１は、チャネルの数を複数にすること、脳波センサとともに筋電センサを用いること等を行うことなく、睡眠状態を精度よく判定することができる。換言すると、判定装置１は、１チャネルの脳波センサである脳波検出部Ｓにより検出された被験体の脳波に基づいて、睡眠状態を精度よく判定することができる。つまり、判定装置１は、利便性を向上させることができる。また、判定装置１は、製造コストの増大を抑制することができ、被験体の脳の睡眠状態の判定に要するコストを低減することができる。
なお、判定装置１は、脳波検出部Ｓを備える構成であってもよく、脳波検出部Ｓを備えない構成であってもよい。また、判定装置１は、脳波検出部Ｓを備える場合、脳波検出部Ｓと一体に構成されてもよく、脳波検出部Ｓと別体に構成されてもよい。以下では、一例として、判定装置１が脳波検出部Ｓを備えない場合について説明する。
＜判定装置のハードウェア構成＞
以下、図２を参照し、判定装置１のハードウェア構成について説明する。図２は、判定装置１のハードウェア構成の一例を示す図である。
以下、図２を参照し、判定装置１のハードウェア構成について説明する。図２は、判定装置１のハードウェア構成の一例を示す図である。
判定装置１は、例えば、ＣＰＵ（Central Processing Unit）１１と、記憶部１２と、入力受付部１３と、通信部１４と、表示部１５を備える。これらの構成要素は、バスを介して相互に通信可能に接続されている。また、判定装置１は、通信部１４を介して、脳波検出部Ｓや他の装置と通信を行う。
ＣＰＵ１１は、記憶部１２に記憶された各種のプログラムを実行することにより、各種の処理を実行する。ＣＰＵ１１は、入力受付部１３を介して、ユーザからの操作を受け付ける。ＣＰＵ１１は、受け付けた操作に応じた処理を実行する。
記憶部１２は、例えば、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）、ＥＥＰＲＯＭ（Electrically Erasable Programmable Read－Only Memory）、ＲＯＭ（Read－Only Memory）、ＲＡＭ（Random Access Memory）等を含む。なお、記憶部１２は、判定装置１に内蔵されるものに代えて、ＵＳＢ等のデジタル入出力ポート等によって接続された外付け型の記憶装置であってもよい。記憶部１２は、判定装置１が処理する各種の情報、各種のプログラム等を格納する。
入力受付部１３は、キーボード、マウス、タッチパッド等の入力装置である。なお、入力受付部１３は、表示部１５と一体に構成されたタッチパネルであってもよい。
通信部１４は、例えば、ＵＳＢ等のデジタル入出力ポートやイーサネット（登録商標）ポート等を含んで構成される。
表示部１５は、例えば、液晶ディスプレイパネル、あるいは、有機ＥＬ（ElectroLuminescence）ディスプレイパネルである。
＜判定装置の機能構成＞
以下、図３を参照し、判定装置１の機能構成について説明する。図３は、判定装置１の機能構成の一例を示す図である。
以下、図３を参照し、判定装置１の機能構成について説明する。図３は、判定装置１の機能構成の一例を示す図である。
判定装置１は、例えば、記憶部１２と、入力受付部１３と、通信部１４と、表示部１５と、制御部１６を備える。
制御部１６は、判定装置１の全体を制御する。制御部１６は、取得部１６１と、生成部１６２と、計時部１６３と、判定部１６４と、表示制御部１６５を備える。制御部１６が備えるこれらの機能部は、例えば、ＣＰＵ１１が、記憶部２２に記憶された各種のプログラムを実行することにより実現される。また、当該機能部のうちの一部又は全部は、ＬＳＩ（Large Scale Integration）やＡＳＩＣ（Application Specific Integrated Circuit）等のハードウェア機能部であってもよい。
取得部１６１は、脳波検出部Ｓが検出した電位を示す脳電位情報を、脳波検出部Ｓから取得する。
生成部１６２は、判定装置１が用いる各種の情報を生成する。例えば、生成部１６２は、前述の所定の時間内において取得部１６１により取得された脳電位情報に基づいて、第２脳波形情報を生成する。また、例えば、生成部１６２は、第２入力情報を生成する。
計時部１６３は、各種の時刻を計時する。
判定部１６４は、生成部１６２により生成された第２入力情報と、機械学習のモデルとに基づいて、睡眠状態を判定する。
表示制御部１６５は、入力受付部１３を介してユーザから受け付けた操作に応じて、各種の画像を生成する。表示制御部１６５は、生成した画像を、表示部１５に表示させる。
＜睡眠状態を判定する処理＞
以下、図４を参照し、判定装置１が行う処理のうち睡眠状態を判定する処理について説明する。図４は、判定装置１が行う処理のうち睡眠状態を判定する処理の流れの一例を示す図である。なお、以下では、一例として、図４に示したステップＳ１１０の処理が行われるよりも前のタイミングにおいて、睡眠状態を判定する処理を開始させる操作を判定装置１が受け付けている場合について説明する。また、以下では、一例として、第２脳波形情報及び第２時刻情報とともに、第２周波数領域情報が第２入力情報に含まれている場合について説明する。第２周波数領域情報は、周波数領域における第２脳波の波形を示す情報のことである。周波数領域における第２脳波の波形は、第２脳波形情報が示す波形に周波数領域変換を行うことによって得られる波形のことである。周波数領域変換は、実施形態において、フーリエ変換、離散コサイン変換、ヒルベルト変換、ウェーブレット変換等のように、時間領域の波形の信号を、周波数領域の波形の信号に変換する処理のことである。これにより、判定装置１は、人の肉眼では弁別不可能な程度の被験体の脳波の波形の違いと、周波数領域における被験体の脳波の波形の違いと、被験体の脳波の波形の日周変動とに応じて、睡眠状態の判定を行うことができる。第２入力情報が第２周波数領域情報を含む場合、第１入力情報は、第１周波数領域情報を含む。第１周波数領域情報は、周波数領域における第１脳波の波形を示す情報のことである。周波数領域における第１脳波の波形は、第１脳波形情報が示す波形に周波数領域変換を行うことによって得られる波形のことである。以下では、第２周波数領域情報が、第２スペクトル情報である場合について説明する。この場合、第２スペクトル情報は、第２脳波形情報が示す波形をフーリエ変換した後に得られる周波数スペクトルを示す情報、すなわち、第２脳波についての周波数スペクトルを示す情報である。これにより、判定装置１は、人の肉眼では弁別不可能な程度の被験体の脳波の波形の違いと、被験体の脳波の周波数スペクトルの違いと、被験体の脳波の波形の日周変動とに応じて、睡眠状態の判定を行うことができる。第２入力情報が第２周波数スペクトル情報を含む場合、第１入力情報は、第１周波数スペクトル情報を含む。第１周波数スペクトル情報は、第１周波数スペクトルを示す情報のことである。第１周波数スペクトルは、第１脳波についての周波数スペクトルのことである。
以下、図４を参照し、判定装置１が行う処理のうち睡眠状態を判定する処理について説明する。図４は、判定装置１が行う処理のうち睡眠状態を判定する処理の流れの一例を示す図である。なお、以下では、一例として、図４に示したステップＳ１１０の処理が行われるよりも前のタイミングにおいて、睡眠状態を判定する処理を開始させる操作を判定装置１が受け付けている場合について説明する。また、以下では、一例として、第２脳波形情報及び第２時刻情報とともに、第２周波数領域情報が第２入力情報に含まれている場合について説明する。第２周波数領域情報は、周波数領域における第２脳波の波形を示す情報のことである。周波数領域における第２脳波の波形は、第２脳波形情報が示す波形に周波数領域変換を行うことによって得られる波形のことである。周波数領域変換は、実施形態において、フーリエ変換、離散コサイン変換、ヒルベルト変換、ウェーブレット変換等のように、時間領域の波形の信号を、周波数領域の波形の信号に変換する処理のことである。これにより、判定装置１は、人の肉眼では弁別不可能な程度の被験体の脳波の波形の違いと、周波数領域における被験体の脳波の波形の違いと、被験体の脳波の波形の日周変動とに応じて、睡眠状態の判定を行うことができる。第２入力情報が第２周波数領域情報を含む場合、第１入力情報は、第１周波数領域情報を含む。第１周波数領域情報は、周波数領域における第１脳波の波形を示す情報のことである。周波数領域における第１脳波の波形は、第１脳波形情報が示す波形に周波数領域変換を行うことによって得られる波形のことである。以下では、第２周波数領域情報が、第２スペクトル情報である場合について説明する。この場合、第２スペクトル情報は、第２脳波形情報が示す波形をフーリエ変換した後に得られる周波数スペクトルを示す情報、すなわち、第２脳波についての周波数スペクトルを示す情報である。これにより、判定装置１は、人の肉眼では弁別不可能な程度の被験体の脳波の波形の違いと、被験体の脳波の周波数スペクトルの違いと、被験体の脳波の波形の日周変動とに応じて、睡眠状態の判定を行うことができる。第２入力情報が第２周波数スペクトル情報を含む場合、第１入力情報は、第１周波数スペクトル情報を含む。第１周波数スペクトル情報は、第１周波数スペクトルを示す情報のことである。第１周波数スペクトルは、第１脳波についての周波数スペクトルのことである。
取得部１６１は、脳波検出部Ｓからの脳電位情報の取得を開始する（ステップＳ１１０）。ここで、取得部１６１は、前述した通り、１２８［Ｈｚ］のサンプリング周波数にて、脳波検出部Ｓからの脳電位情報を取得する。
次に、制御部１６は、ステップＳ１１０の処理が行われたタイミングから所定の時間が経過する毎に、経過した所定の時間を対象時間とし、ステップＳ１３０～ステップＳ１８０の処理を繰り返し実行する（ステップＳ１２０）。ここで、所定の時間は、例えば、１０秒である。なお、所定の時間は、１０秒より短い時間であってもよく、１０秒より長い時間であってもよい。
生成部１６２は、対象時間内において取得部１６１により取得されたすべての脳電位情報に基づいて、対象時間内における第２入力情報を生成する（ステップＳ１３０）。ここで、ステップＳ１３０の処理について説明する。
生成部１６２は、対象時間内において脳波検出部Ｓから取得部１６１が取得した脳電位情報に基づく脳波形情報を、対象時間内における第２脳波形情報として生成する。なお、所定の時間が１０秒であり、且つ、所定のサンプリング周波数が１２８［Ｈｚ］である場合、第２脳波形情報は、被験体の脳の電位のうち対象時間内における各時刻の電位を成分として有する１２８０次元のベクトルである。また、生成部１６２は、対象時間内において脳波検出部Ｓから取得部１６１により脳電位情報が最初に取得された時刻を第２時刻として示す第２時刻情報を生成する。生成部１６２は、生成した第２時刻情報を、生成した第２脳波形情報に対応付ける。また、生成部１６２は、フーリエ変換に基づいて、生成した第２脳波形情報が示す波形の第２脳波についての周波数スペクトルを第２周波数スペクトルとして算出する。生成部１６２による当該周波数スペクトルの算出方法は、既知の方法であってもよく、これから開発される方法であってもよい。このため、当該算出方法についての詳細な説明を省略する。生成部１６２は、生成した第２脳波形情報と、生成した第２時刻情報と、算出した第２周波数スペクトルを示す第２周波数スペクトル情報とを含む情報を、対象時間内における第２入力情報として生成する。このようにして、生成部１６２は、ステップＳ１３０において、対象時間内における第２入力情報を生成する。なお、第２入力情報には、第２脳波形情報と、第２時刻情報と、第２周波数スペクトル情報とに加えて、他の情報が含まれる構成であってもよい。
次に、判定部１６４は、ステップＳ１３０において生成した第２入力情報と、機械学習のモデルとに基づいて、睡眠状態を推定する（ステップＳ１４０）。ここで、図５を参照し、ステップＳ１４０の処理について説明する。
図５は、判定部１６４が有する機械学習のモデルの一例を示す図である。図５に示したモデルＭは、判定部１６４が有する機械学習のモデルの一例を示す。また、図５に示した第２入力情報Ｄは、判定部１６４が機械学習のモデルに対して入力する第２入力情報の一例を示す。第２入力情報Ｄには、第２脳波形情報Ｄ１と、第２周波数スペクトル情報Ｄ２と、第２時刻情報Ｄ３とが含まれている。第２脳波形情報Ｄ１は、第２脳波形情報の一例を示す。第２周波数スペクトル情報Ｄ２は、第２周波数スペクトル情報の一例を示す。第２時刻情報Ｄ３は、第２時刻情報の一例を示す。すなわち、図５に示した例では、判定部１６４は、第２脳波形情報Ｄ１と、第２周波数スペクトル情報Ｄ２と、第２時刻情報Ｄ３との３つの情報を、第２入力情報ＤとしてモデルＭへ入力する。これにより、判定部１６４は、モデルＭから出力される出力情報を取得する。図５に示した出力情報Ｄ４は、このような出力情報の一例を示す。なお、前述した通り、出力情報Ｄ４は、対象時間内における睡眠状態がレム睡眠状態であることの尤もらしさを示す尤度と、当該睡眠状態がノンレム睡眠状態であることの尤もらしさを示す尤度と、当該睡眠状態が覚醒状態であることの尤もらしさを示す尤度との３つの尤度を示す情報を含んでいる。
ここで、図５に示した例では、モデルＭは、第２入力情報Ｄに含まれる第２脳波形情報Ｄ１が入力される畳み込みニューラルネットワーク（ＣＮＮ；Convolutional Neural Network）Ｎ１と、畳み込みニューラルネットワークＮ１からの出力と第２入力情報Ｄに含まれる情報のうち第２脳波形情報Ｄ１以外の情報（図５に示した例では、第２周波数スペクトル情報Ｄ２及び第２時刻情報Ｄ３）とが入力される全結合型ニューラルネットワーク（ＦＣＮ；Fully Connected Neural Network）Ｎ２とが組み合わされたニューラルネットワークを含んでいる。なお、モデルＭの構成は、図５に示した構成に代えて、他の構成であってもよい。例えば、モデルＭは、畳み込みニューラルネットワークＮ１と、全結合型ニューラルネットワークＮ２とに加えて、他のニューラルネットワーク、他の関数等を含む構成であってもよい。
判定部１６４によりモデルＭへ入力された第２入力情報Ｄに含まれる第２脳波形情報Ｄ１は、畳み込みニューラルネットワークＮ１へと入力される。畳み込みニューラルネットワークＮ１は、入力された第２脳波形情報Ｄ１に基づいて、所定の数の特徴量を生成する。所定の数は、事前のトライアンドエラーによって判定精度が高くなるように決定される。所定の数は、例えば、８である。なお、所定の数は、８より少ない数であってもよく、８より多い数であってもよい。畳み込みニューラルネットワークＮ１により所定の数の特徴量を生成する方法は、既知の方法であってもよく、これから開発される方法であってもよい。また、畳み込みニューラルネットワークＮ１のレイヤー数、ノード数、フィルタ数、カーネルサイズ等については、如何なる数であってもよい。ここで、実施形態では、フィルタ数は、用いられるフィルタ（すなわち、カーネル）の数を示す。また、実施形態では、カーネルサイズは、畳み込みに使用されるベクトルである各フィルタ（すなわち、カーネル）の次元を示す。
このようにして畳み込みニューラルネットワークＮ１から出力される所定の数の特徴量は、第２入力情報Ｄに含まれる第２周波数スペクトル情報Ｄ２及び第２時刻情報Ｄ３とともに、全結合型ニューラルネットワークＮ２へ入力される。そして、全結合型ニューラルネットワークＮ２は、入力された所定の数の特徴量、第２周波数スペクトル情報Ｄ２、第２時刻情報Ｄ３に基づいて、前述の出力情報Ｄ４を出力する。ここで、全結合型ニューラルネットワークＮ２のレイヤー数、ノード数等については、如何なる数であってもよい。
判定部１６４は、このような構成のモデルＭへと第２入力情報Ｄを入力することにより、出力情報Ｄ４をモデルＭから取得する。ここで、出力情報Ｄ４は、機械学習のモデルが睡眠状態を推定した結果を示す出力情報の一例である。
ステップＳ１４０の処理が行われた後、判定部１６４は、過去の睡眠状態と、過去から現在に至るまでの睡眠状態についての状態遷移確率とに基づいて、ステップＳ１４０において機械学習のモデルから取得した出力情報を補正する（ステップＳ１５０）。ここで、ステップＳ１５０の処理について説明する。
睡眠状態は、時間の経過に伴い、３つの睡眠時分類状態のいずれかへと遷移する。ここで、図６は、時間の経過とともに睡眠状態が遷移していく様子を示すイメージ図である。図６に示した時間ｔは、対象時間の一例を示す。図６に示した時間ｔ－１は、対象時間よりも１つ前に経過したと判定された所定の時間を示す。図６に示した時間ｔ－２は、対象時間よりも２つ前に経過したと判定された所定の時間を示す。また、図６に示した状態Ｓｔは、時間ｔにおける睡眠状態を示す。図６に示した状態Ｓｔ－１は、時間ｔ－１における睡眠状態を示す。図６に示した状態Ｓｔ－２は、時間ｔ－２における睡眠状態を示す。なお、図６では、図を簡略化するため、時間ｔ－２よりも前の時間については、省略している。
例えば、状態Ｓｔ－２から状態Ｓｔ－１への状態遷移において起こり得る状態遷移の数は、９である。すなわち、状態Ｓｔ－２がレム睡眠状態である場合、状態Ｓｔ－１は、レム睡眠状態、ノンレム睡眠状態、覚醒状態のいずれかに状態遷移する。また、状態Ｓｔ－２がノンレム睡眠状態である場合も、状態Ｓｔ－１は、レム睡眠状態、ノンレム睡眠状態、覚醒状態のいずれかに状態遷移する。状態Ｓｔ－２が覚醒状態である場合も、状態Ｓｔ－１は、レム睡眠状態、ノンレム睡眠状態、覚醒状態のいずれかに状態遷移する。
また、例えば、状態Ｓｔ－１から状態Ｓｔへの状態遷移において起こり得る状態遷移の数も、９である。すなわち、状態Ｓｔ－１がレム睡眠状態である場合、状態Ｓｔは、レム睡眠状態、ノンレム睡眠状態、覚醒状態のいずれかに状態遷移する。また、状態Ｓｔ－１がノンレム睡眠状態である場合も、状態Ｓｔは、レム睡眠状態、ノンレム睡眠状態、覚醒状態のいずれかに状態遷移する。状態Ｓｔ－１が覚醒状態である場合も、状態Ｓｔは、レム睡眠状態、ノンレム睡眠状態、覚醒状態のいずれかに状態遷移する。
そして、このような状態遷移は、時間ｔ－２よりも前の時間においても同様に起こっている。すなわち、時間ｔ－ｎにおける睡眠状態である状態Ｓｔ－ｎから、状態Ｓｔへの状態遷移において起こり得る状態遷移の数は、３ｎである。ここで、ｎは、１以上の整数であれば、如何なる整数であってもよい。
ここで、状態Ｓｔ－ｎから状態Ｓｔへの状態遷移において起こり得る３ｎの状態遷移それぞれが起こる状態遷移確率は、マルコフ連鎖に基づくベイズ推定によって条件付き確率として算出することができる。マルコフ連鎖に基づくベイズ推定によって条件付き確率を算出する際に必要となるサンプルデータとしては、前述の第１入力情報を用いることができる。判定部１６４は、図４に示したステップＳ１１０の処理が行われるよりも前のタイミングにおいて、複数の第１入力情報に基づいて、当該状態遷移確率を予め算出する。以下では、説明の便宜上、判定部１６４が予め算出した当該状態遷移確率を、事前状態遷移確率と称して説明する。
そして、判定部１６４は、ステップＳ１５０において、過去の判定履歴を参照し、対象時間よりもｎ回前に経過したと判定された所定の時間から、対象時間よりも１回前に経過したと判定された所定の時間までの範囲内において判定部１６４により判定されたｎ個の睡眠状態についての判定結果を特定する。判定部１６４は、対象時間内における睡眠状態が、特定したこれらｎ個の判定結果（すなわち、ｎ個の睡眠状態）を介してレム睡眠状態、ノンレム睡眠状態、覚醒状態のそれぞれに遷移する状態遷移確率を、事前状態遷移確率に基づいて対象状態遷移確率として特定する。判定部１６４は、特定した対象状態遷移確率に基づいて、ステップＳ１４０において機械学習のモデルから出力された出力情報に含まれる情報が示す３つの尤度の値を補正する。すなわち、判定部１６４は、対象時間内における睡眠状態についての確率分布に対し、対象時間よりも前に経過したｎ個の所定の時間のそれぞれにおいて判定された睡眠状態についての確率分布と、特定した対象状態遷移確率とを乗算し、規格化（すなわち、尤度を確率に変換するための規格化）を行うことで、対象時間内における睡眠状態についての確率分布を補正する。ここで、睡眠状態についての確率分布は、ステップＳ１４０において推定された３つの尤度の値のことである。ただし、過去に判定された睡眠状態についての確率分布に含まれる３つの尤度の値の合算値は、１となるように規格化が行われている。このため、これら３つの尤度の値を、睡眠状態についての確率分布と称している。また、ステップＳ１５０において補正された確率分布であって対象時間内における睡眠状態についての確率分布は、次回のステップＳ１５０の処理において、対象時間よりも前に経過したｎ個の所定の時間のそれぞれにおいて判定された睡眠状態についての確率分布の１つとして用いられる。このような意味においても、実施形態では、これら３つの尤度の値を、睡眠状態についての確率分布と称している。
ステップＳ１５０について、より具体的には、判定部１６４は、対象時間内における睡眠状態がレム睡眠状態であることの尤もらしさを示す尤度に対し、対象時間よりも前に経過したｎ個の所定の時間のそれぞれにおいて判定された睡眠状態についての確率分布と、特定した対象状態遷移確率のうち対象時間内における睡眠状態がレム睡眠状態へと遷移する状態遷移確率とを乗算し、当該尤度を補正する。また、判定部１６４は、対象時間内における睡眠状態がノンレム睡眠状態であることの尤もらしさを示す尤度に対し、対象時間よりも前に経過したｎ個の所定の時間のそれぞれにおいて判定された睡眠状態についての確率分布と、特定した対象状態遷移確率のうち対象時間内における睡眠状態がノンレム睡眠状態へと遷移する状態遷移確率とを乗算し、当該尤度を補正する。また、判定部１６４は、対象時間内における睡眠状態が覚醒状態であることの尤もらしさを示す尤度に対し、対象時間よりも前に経過したｎ個の所定の時間のそれぞれにおいて判定された睡眠状態についての確率分布と、特定した対象状態遷移確率のうち対象時間内における睡眠状態が覚醒状態へと遷移する状態遷移確率とを乗算し、当該尤度を補正する。そして、判定部１６４は、補正を行った後のこれら３つの尤度を示す情報を、補正された後の出力情報（換言すると、対象時間内における睡眠状態の確率分布）として特定する。このようにして、判定部１６４は、ステップＳ１５０において、過去の睡眠状態と、過去から現在に至るまでの睡眠状態についての状態遷移確率とに基づいて、機械学習のモデルから出力された出力情報を補正する。なお、対象状態遷移確率に基づいて尤度を補正する方法は、上記において説明した方法に代えて、対象状態遷移確率に基づく他の方法であってもよい。
なお、判定部１６４は、過去の判定履歴がない場合におけるステップＳ１５０の処理（例えば、初回のステップＳ１５０の処理）において、過去の判定履歴の代わりとなる情報を用いて、ステップＳ１５０の処理を行う。当該情報は、例えば、３つの睡眠時分類状態のうち第２入力情報に含まれる第２時刻情報が示す時刻において実現している確率が最も高い睡眠時分類状態を示す情報である。判定部１６４は、このような情報を、対象状態遷移確率を用いて算出する。このような情報の算出方法は、既知の方法であってもよく、これから開発される方法であってもよい。なお、判定部１６４は、学習段階において用いられた第１入力情報を用いてこのような情報を算出する構成であってもよい。
ステップＳ１５０の処理が行われた後、判定部１６４は、ステップＳ１５０において補正された出力情報に基づいて、対象時間内における睡眠状態を判定する（ステップＳ１６０）。具体的には、判定部１６４は、当該出力情報に基づいて、対象状態遷移確率が乗算された後の３つの尤度のうち最も高い尤度の睡眠時分類状態を、対象時間内における睡眠状態として判定する。
次に、表示制御部１６５は、ステップＳ１６０における判定結果を示す情報を、表示部１５に表示させる（ステップＳ１７０）。すなわち、表示制御部１６５は、対象状態遷移確率が乗算された後の３つの尤度のうち最も高い尤度の睡眠時分類状態を示す情報を、対象時間内における睡眠状態を示す情報として表示部１５に表示させる。
次に、制御部１６は、ステップＳ１１０の処理が行われたタイミングから所定の測定時間が経過したか否かを判定する（ステップＳ１８０）。所定の測定時間は、例えば、１時間である。なお、所定の測定時間は、１時間より短い時間であってもよく、１時間より長い時間であってもよい。
制御部１６は、ステップＳ１１０の処理が行われたタイミングから所定の測定時間が経過していないと判定した場合（ステップＳ１８０－ＮＯ）、ステップＳ１２０に遷移し、対象時間に含まれる最新の時刻から所定の時間が経過するまで待機する。
一方、制御部１６は、ステップＳ１１０の処理が行われたタイミングから所定の測定時間が経過したと判定した場合（ステップＳ１８０－ＹＥＳ）、処理を終了する。
なお、上記において説明した例では、ステップＳ１５０の処理は、省略されてもよい。この場合、判定装置１は、ステップＳ１６０において、対象状態遷移確率によって補正されていない３つの尤度のうち最も高い尤度の睡眠時分類状態を、対象時間内における睡眠状態として判定する。
＜畳み込みニューラルネットワークの構造を決める指針＞
以下、上記において説明した畳み込みニューラルネットワークＮ１の構造を決める指針について説明する。ここで、畳み込みニューラルネットワークＮ１の構造は、畳み込みニューラルネットワークＮ１の層の数、ノード数、フィルタ数、カーネルサイズ等によって表される。すなわち、当該指針は、畳み込みニューラルネットワークＮ１のレイヤー数、ノード数、フィルタ数、カーネルサイズ等を決める指針のことである。以下では、畳み込みニューラルネットワークＮ１の層の数、ノード数、フィルタ数、カーネルサイズ等のうちのカーネルサイズを決める指針について説明する。
以下、上記において説明した畳み込みニューラルネットワークＮ１の構造を決める指針について説明する。ここで、畳み込みニューラルネットワークＮ１の構造は、畳み込みニューラルネットワークＮ１の層の数、ノード数、フィルタ数、カーネルサイズ等によって表される。すなわち、当該指針は、畳み込みニューラルネットワークＮ１のレイヤー数、ノード数、フィルタ数、カーネルサイズ等を決める指針のことである。以下では、畳み込みニューラルネットワークＮ１の層の数、ノード数、フィルタ数、カーネルサイズ等のうちのカーネルサイズを決める指針について説明する。
畳み込みニューラルネットワークＮ１におけるカーネルサイズは、換言すると、畳み込みニューラルネットワークＮ１へと入力する信号（図５に示した例では、第２脳波形情報Ｄ１）において１つの数値にまとめる範囲を示すパラメータである。畳み込みニューラルネットワークＮ１へと入力する信号における所望の範囲を１つの数値にまとめることは、当該範囲に含まれている特徴を畳み込みニューラルネットワークＮ１の１つの層により抽出することに相当する。すなわち、畳み込みニューラルネットワークＮ１のカーネルサイズを調整することにより、機械学習のモデルＭは、畳み込みニューラルネットワークＮ１が抽出した特徴としての当該１つの数値に基づいて睡眠状態を推定することができ、その結果、睡眠状態の推定精度を向上させることができる。
ここで、第２脳波形情報Ｄ１が有する範囲のうち睡眠状態の識別に有効であることが知られている周波数帯の波の半波長を含む範囲を、畳み込みニューラルネットワークＮ１へと入力する第２脳波形情報Ｄ１における所望の範囲として選択することにより、機械学習のモデルＭは、睡眠状態の推定精度を向上させることができる。睡眠状態の識別に有効であることが知られている周波数帯は、例えば、θ波の波長帯（すなわち、４～８Ｈｚ）である。なお、当該波の波長を含む範囲ではなく、当該波の波長を２つの半波長に分割した場合における一方の半波長を含む範囲を当該所望の範囲として選択する理由は、畳み込みニューラルネットワークＮ１において、当該２つの半波長のうちの他方の半波長を含む範囲は、畳み込みニューラルネットワークＮ１における最も入力に近い層の次の層において符号反転を行うことによって得られるからである。これにより、判定装置１は、畳み込みニューラルネットワークＮ１のカーネルサイズを小さくすることができる。その結果、判定装置１は、オーバーフィッティング（過剰適合、すなわち訓練データに適合しすぎることで実際の予測時の精度が減少する現象）が起きてしまうことを抑制することができる。
具体的には、第２脳波形情報Ｄ１が有する範囲のうち睡眠状態の識別に有効であることが知られている周波数帯をΩ、周波数帯Ωに含まれる個々の周波数をｆ、サンプリング周波数をｒ、カーネルサイズをsとすると、当該周波数帯の波の半波長が（１／（２ｆ））であるため、カーネルサイズsは、以下の式（１）によって算出される。
前述した通り、サンプリング周波数ｒは、この一例において、１２８［Ｈｚ］である。この場合、周波数帯Ωがθ波の周波数帯であるとすると、カーネルサイズsは、上記の式（１）に基づいて、１６と算出される。すなわち、機械学習のモデルＭは、カーネルサイズsを１６とすることにより、睡眠状態の推定精度を向上させることができる。その結果、判定装置１は、睡眠状態の判定精度を向上させることができる。
ここで、畳み込みニューラルネットワークＮ１の重みのおおよその数は、カーネルサイズと、フィルタ数と、畳み込みニューラルネットワークＮ１の層の数とを乗算することによって得られる。すなわち、カーネルサイズが増大した場合、畳み込みニューラルネットワークＮ１のパラメータ数も増大してしまう。この場合、オーバーフィッティングが起きる可能性が高くなる。
しかしながら、我々が行った実験では、機械学習のモデルＭによる睡眠状態の推定精度は、フィルタ数を減らしてもほぼ変化しないという結果が得られている。そこで、このようにオーバーフィッティングが起きる可能性が高くなることを避けるため、機械学習のモデルＭでは、畳み込みニューラルネットワークＮ１のフィルタ数を減らすことにより、畳み込みニューラルネットワークＮ１の重みの数の増大を抑制する。その結果、判定装置１は、オーバーフィッティングが起きてしまうことを抑制しながら、睡眠状態の判定精度を向上させることができる。
以上のように、判定装置１は、機械学習のモデルを用いて、睡眠状態を判定する。これにより、判定装置１は、人の肉眼では弁別不可能な程度の被験体の脳波の波形の違いと、被験体の脳波についての周波数スペクトルの違いと、被験体の脳波の波形の日周変動とに応じて、睡眠状態の判定を行うことができる。その結果、判定装置１は、チャネルの数を複数にすること、脳波センサとともに筋電センサを用いること等を行うことなく、睡眠状態を精度よく判定することができる。換言すると、判定装置１は、１チャネルの脳波センサである脳波検出部Ｓにより検出された被験体の脳波に基づいて、睡眠状態を精度よく判定することができる。つまり、判定装置１は、利便性を向上させることができる。また、判定装置１は、製造コストの増大を抑制することができ、睡眠状態の判定に要するコストを低減することができる。
ここで、人が睡眠状態を判定する場合、人は、意識的か無意識的かを問わず、被験体の脳波の時間的な変化に基づいて判定している。すなわち、人による睡眠状態の判定は、被験体の脳波の時間的な変化に応じた判定となっている。上記において説明したステップＳ１５０の処理を行うことにより、判定装置１は、人による睡眠状態の判定に近い判定を行っている。これにより、判定装置１は、利便性を向上させながら、睡眠状態をより高い精度で判定することができる。
なお、上記において説明した機械学習のモデルは、畳み込みニューラルネットワークＮ１を含んでいたが、畳み込みニューラルネットワークＮ１に代えて、再帰型ニューラルネットワークを含む構成であってもよい。ただし、第２入力情報のデータ長は、時間の経過とともに変化するわけではない。このため、当該モデルは、再帰型ニューラルネットワークよりも畳み込みニューラルネットワークＮ１を含む方が好ましい。
また、上記において説明した判定装置１による脳の睡眠状態の判定は、脳の睡眠状態の判定基準が未知の動物に対しても適用可能である。これは、被験体が当該動物である場合であっても、判定装置１は、人が当該動物の脳波を見て当該動物の脳の睡眠状態を判定することができる限り、判定装置１が用いる機械学習のモデルに対して第１入力情報と第１睡眠状態情報との対応関係を学習することができるからである。
ここで、判定装置１は、人における睡眠状態の判定に有効であることが知られている波形（例えば、睡眠紡錘波、徐波等）を示す情報を第２脳波形情報Ｄ１から抽出し、抽出した情報に基づいて睡眠状態を判定する、ということを行っていない。仮に判定装置１が当該情報に基づいて睡眠状態を判定する場合、判定装置１は、人以外の動物の睡眠状態を判定することができなくなってしまう。何故なら、人以外の動物において、睡眠状態の判定に有効であるような波形が見つかるとは限らないからである。しかしながら、上記において説明したように、判定装置１は、睡眠状態の判定において、当該情報を使わない。これは、前述したように、上記において説明した判定装置１による脳の睡眠状態の判定が、脳の睡眠状態の判定基準が未知の動物に対しても適用可能であることを意味している。
＜判定装置の応用例＞
以下、判定装置１の応用例について説明する。判定装置１は、例えば、内視鏡とともに光照射装置に備えられる構成であってもよい。ここで、本実施形態では、内視鏡と称した場合、被験体の脳に所定の波長の光を照射する照射部と、被験体の脳を撮像する撮像部と、光照射制御部とを備える内視鏡を示す。光照射制御部は、判定装置１による判定結果に応じて照射部に当該光を照射させる。これにより、光照射装置は、例えば、光遺伝学に基づいて、被験体の脳の活動の少なくとも一部を制御することができる。その結果、光照射装置は、例えば、被験体の脳の睡眠状態に応じた光遺伝学に基づく何らかの治療を行うことができる。
以下、判定装置１の応用例について説明する。判定装置１は、例えば、内視鏡とともに光照射装置に備えられる構成であってもよい。ここで、本実施形態では、内視鏡と称した場合、被験体の脳に所定の波長の光を照射する照射部と、被験体の脳を撮像する撮像部と、光照射制御部とを備える内視鏡を示す。光照射制御部は、判定装置１による判定結果に応じて照射部に当該光を照射させる。これにより、光照射装置は、例えば、光遺伝学に基づいて、被験体の脳の活動の少なくとも一部を制御することができる。その結果、光照射装置は、例えば、被験体の脳の睡眠状態に応じた光遺伝学に基づく何らかの治療を行うことができる。
ここで、光照射制御部は、光照射装置が受け付けた操作に応じた波長の光を照射する光源を備える。そして、光照射制御部は、照射部と光ファイバーによって接続されている。照射部は、この光ファイバーから導光された光を照射口から照射する。これにより、光照射装置は、ユーザが所望する波長の光を照射部から照射することができる。その結果、光照射装置は、ユーザが所望する波長の光を、ユーザが所望する睡眠状態の脳に対して容易に照射することができる。
また、判定装置１は、このような光照射装置に代えて、音を出力する音出力装置、においを出力する匂い出力装置、被験体の呼吸をアシストする呼吸アシスト装置等の他の医療装置に備えられる構成であってもよい。この場合、判定装置１は、何らかの処理を開始するトリガーをこれらの医療装置に対して与える装置となる。すなわち、例えば、判定装置１が音出力装置に備えられる場合、音出力装置は、判定装置１が判定した被験体の脳の睡眠状態に応じて、所定の音を出力する。より具体的には、音出力装置は、例えば、被験体の脳の睡眠状態がレム睡眠状態であると判定した場合、所定の音を出力する。また、例えば、判定装置１が匂い出力装置に備えられる場合、匂い出力装置は、判定装置１が判定した被験体の脳の睡眠状態に応じて、所定の匂いを出力する。より具体的には、匂い出力装置は、例えば、被験体の脳の睡眠状態がレム睡眠状態であると判定した場合、所定の匂いを出力する。また、例えば、判定装置１が呼吸アシスト装置に備えられる場合、呼吸アシスト装置は、判定装置１が判定した被験体の脳の睡眠状態に応じて、被験体の呼吸をアシストする。より具体的には、呼吸アシスト装置は、例えば、被験体の脳の睡眠状態がレム睡眠状態であると判定した場合、被験体の呼吸をアシストする。
以上のように、判定装置（上記において説明した例では、判定装置１）は、ニューラルネットワークを含む機械学習のモデル（上記において説明した例では、モデルＭ）に基づいて被験体（上記において説明した例では、被験体Ｈ）の脳の睡眠状態を判定する判定装置であって、当該モデルは、被験体の第１脳波の波形を示す第１脳波形情報と第１脳波形情報に対応付けられた第１時刻を示す第１時刻情報とを含む第１入力情報と、第１入力情報に対応付けられた当該睡眠状態である第１睡眠状態を示す第１睡眠状態情報との対応関係を学習済みであり、被験体の第２脳波の波形を示す第２脳波形情報と第２脳波形情報に対応付けられた第２時刻を示す第２時刻情報とを含む第２入力情報が入力された場合、入力された第２入力情報に対応付けられる当該睡眠状態を推定し、推定した結果を示す情報を出力情報として出力し、判定装置は、制御部（上記において説明した例では、制御部１６）を備え、制御部は、第２入力情報を当該モデルに入力し、第２入力情報が入力された当該モデルから出力された出力情報に応じて、当該睡眠状態を判定する。これにより、判定装置は、利便性を向上させることができる。
また、判定装置では、被験体の脳の睡眠状態は、被験体の脳の状態のうちの睡眠時における被験体の脳波により分類される複数の状態のいずれかのことであり、制御部は、出力情報に応じて、第２入力情報が入力された機械学習のモデルから出力された出力情報に応じて、当該睡眠状態が複数の状態のうちのいずれの状態であるかを判定する、構成が用いられてもよい。
また、判定装置では、複数の状態には、レム睡眠状態、ノンレム睡眠状態、覚醒状態が含まれている、構成が用いられてもよい。
また、判定装置では、機械学習のモデルは、第２入力情報が入力された場合、第２入力情報に対応付けられる被験体の脳の睡眠状態であることの尤もらしさを示す尤度を複数の状態のそれぞれについて推定し、複数の状態のそれぞれについて推定した尤度のそれぞれを含む情報を出力情報として出力し、制御部は、出力情報に基づいて、複数の状態のうち当該モデルにより推定された尤度が最も高い状態を、当該睡眠状態として判定する、構成が用いられてもよい。
また、判定装置では、第１入力情報には、周波数領域における第１脳波の波形を示す第１周波数領域情報が含まれており、第２入力情報には、周波数領域における第２脳波の波形を示す第２周波数領域情報が含まれている、構成が用いられてもよい。
また、判定装置では、機械学習のモデルは、第２入力情報に含まれる第２脳波形情報が入力される畳み込みニューラルネットワーク（上記において説明した例では、畳み込みニューラルネットワークＮ１）と、畳み込みニューラルネットワークからの出力と第２入力情報に含まれる情報のうち第２脳波形情報以外の情報とが入力される全結合型ニューラルネットワーク（上記において説明した例では、全結合型ニューラルネットワークＮ２）とが組み合わされたニューラルネットワークを含み、全結合型ニューラルネットワークは、出力情報を出力し、制御部は、第２入力情報に含まれる第２脳波形情報を畳み込みニューラルネットワークに入力し、畳み込みニューラルネットワークからの出力と第２入力情報に含まれる情報のうち第２脳波形情報以外の情報とを全結合型ニューラルネットワークに入力し、全結合型ニューラルネットワークから出力された出力情報に応じて被験体の脳の睡眠状態を判定する、構成が用いられてもよい。
また、判定装置では、制御部は、過去の被験体の脳の睡眠状態と、過去から現在に至るまでの被験体の脳の睡眠状態についての状態遷移確率とに基づいて、機械学習のモデルから出力された出力情報を補正し、補正された後の出力情報に応じて、被験体の脳の睡眠状態を判定する、構成が用いられてもよい。
また、判定装置では、ニューラルネットワークのカーネルサイズは、所定の周波数帯に応じて決定された値である、構成が用いられてもよい。
以上、この発明の実施形態を、図面を参照して詳述してきたが、具体的な構成はこの実施形態に限られるものではなく、この発明の要旨を逸脱しない限り、変更、置換、削除等されてもよい。
また、以上に説明した装置（例えば、判定装置１）における任意の構成部の機能を実現するためのプログラムを、コンピュータが読み取り可能な記録媒体に記録し、そのプログラムをコンピュータシステムに読み込ませて実行するようにしてもよい。なお、ここでいう「コンピュータシステム」とは、ＯＳ（Operating System）や周辺機器等のハードウェアを含むものとする。また、「コンピュータが読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ（Compact Disk）－ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。さらに「コンピュータが読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムが送信された場合のサーバーやクライアントとなるコンピュータシステム内部の揮発性メモリー（ＲＡＭ）のように、一定時間プログラムを保持しているものも含むものとする。
また、上記のプログラムは、このプログラムを記憶装置等に格納したコンピュータシステムから、伝送媒体を介して、あるいは、伝送媒体中の伝送波により他のコンピュータシステムに伝送されてもよい。ここで、プログラムを伝送する「伝送媒体」は、インターネット等のネットワーク（通信網）や電話回線等の通信回線（通信線）のように情報を伝送する機能を有する媒体のことをいう。
また、上記のプログラムは、前述した機能の一部を実現するためのものであってもよい。さらに、上記のプログラムは、前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるもの、いわゆる差分ファイル（差分プログラム）であってもよい。
また、上記のプログラムは、前述した機能の一部を実現するためのものであってもよい。さらに、上記のプログラムは、前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるもの、いわゆる差分ファイル（差分プログラム）であってもよい。
１…判定装置、１２…記憶部、１３…入力受付部、１４…通信部、１５…表示部、１６…制御部、２２…記憶部、１６１…取得部、１６２…生成部、１６３…計時部、１６４…判定部、１６５…表示制御部、Ｄ…第２入力情報、Ｄ１…第２脳波形情報、Ｄ２…第２周波数スペクトル情報、Ｄ３…第２時刻情報、Ｄ４…出力情報、Ｈ…被験体、Ｍ…モデル、Ｎ１…畳み込みニューラルネットワーク、Ｎ２…全結合型ニューラルネットワーク、Ｓ…脳波検出部
Claims (11)
- ニューラルネットワークを含む機械学習のモデルに基づいて被験体の脳の睡眠状態を判定する判定装置であって、
前記モデルは、
前記被験体の第１脳波の波形を示す第１脳波形情報と前記第１脳波形情報に対応付けられた第１時刻を示す第１時刻情報とを含む第１入力情報と、前記第１入力情報に対応付けられた前記睡眠状態である第１睡眠状態を示す第１睡眠状態情報との対応関係を学習済みであり、前記被験体の第２脳波の波形を示す第２脳波形情報と前記第２脳波形情報に対応付けられた第２時刻を示す第２時刻情報とを含む第２入力情報が入力された場合、入力された前記第２入力情報に対応付けられる前記睡眠状態を推定し、推定した結果を示す情報を出力情報として出力し、
前記判定装置は、
制御部を備え、
前記睡眠状態は、前記被験体の脳の状態のうちの睡眠時における前記被験体の脳波により分類される複数の状態のいずれかのことであり、
前記モデルは、前記第２入力情報が入力された場合、前記第２入力情報に対応付けられる前記睡眠状態であることの尤もらしさを示す尤度を前記複数の状態のそれぞれについて推定し、前記複数の状態のそれぞれについて推定した前記尤度のそれぞれを含む情報を前記出力情報として出力し、
前記制御部は、
前記第２入力情報を前記モデルに入力し、前記第２入力情報が入力された前記モデルから出力された前記出力情報に基づいて、前記複数の状態のうち前記モデルにより推定された前記尤度が最も高い状態を、前記睡眠状態として判定する、
判定装置。 - 前記複数の状態には、レム睡眠状態、ノンレム睡眠状態、覚醒状態が含まれている、
請求項１に記載の判定装置。 - ニューラルネットワークを含む機械学習のモデルに基づいて被験体の脳の睡眠状態を判定する判定装置であって、
前記モデルは、
前記被験体の第１脳波の波形を示す第１脳波形情報と前記第１脳波形情報に対応付けられた第１時刻を示す第１時刻情報とを含む第１入力情報と、前記第１入力情報に対応付けられた前記睡眠状態である第１睡眠状態を示す第１睡眠状態情報との対応関係を学習済みであり、前記被験体の第２脳波の波形を示す第２脳波形情報と前記第２脳波形情報に対応付けられた第２時刻を示す第２時刻情報とを含む第２入力情報が入力された場合、入力された前記第２入力情報に対応付けられる前記睡眠状態を推定し、推定した結果を示す情報を出力情報として出力し、且つ、前記第２入力情報に含まれる前記第２脳波形情報が入力される畳み込みニューラルネットワークと、前記畳み込みニューラルネットワークからの出力と前記第２入力情報に含まれる情報のうち前記第２脳波形情報以外の情報とが入力される全結合型ニューラルネットワークとが組み合わされた前記ニューラルネットワークを含み、
前記全結合型ニューラルネットワークは、前記出力情報を出力し、
前記判定装置は、
制御部を備え、
前記制御部は、前記第２入力情報に含まれる前記第２脳波形情報を前記畳み込みニューラルネットワークに入力し、前記畳み込みニューラルネットワークからの出力と前記第２入力情報に含まれる情報のうち前記第２脳波形情報以外の情報とを前記全結合型ニューラルネットワークに入力し、前記全結合型ニューラルネットワークから出力された前記出力情報に応じて、前記睡眠状態を判定する、
判定装置。 - ニューラルネットワークを含む機械学習のモデルに基づいて被験体の脳の睡眠状態を判定する判定装置であって、
前記モデルは、
前記被験体の第１脳波の波形を示す第１脳波形情報と前記第１脳波形情報に対応付けられた第１時刻を示す第１時刻情報とを含む第１入力情報と、前記第１入力情報に対応付けられた前記睡眠状態である第１睡眠状態を示す第１睡眠状態情報との対応関係を学習済みであり、前記被験体の第２脳波の波形を示す第２脳波形情報と前記第２脳波形情報に対応付けられた第２時刻を示す第２時刻情報とを含む第２入力情報が入力された場合、入力された前記第２入力情報に対応付けられる前記睡眠状態を推定し、推定した結果を示す情報を出力情報として出力し、
前記判定装置は、
制御部を備え、
前記制御部は、
前記第２入力情報を前記モデルに入力し、前記第２入力情報が入力された前記モデルから出力された前記出力情報を、過去の前記睡眠状態と、過去から現在に至るまでの前記睡眠状態についての状態遷移確率とに基づいて補正し、補正された後の前記出力情報に応じて、前記睡眠状態を判定する、
判定装置。 - ニューラルネットワークを含む機械学習のモデルに基づいて被験体の脳の睡眠状態を判定する判定装置であって、
前記モデルは、
前記被験体の第１脳波の波形を示す第１脳波形情報と前記第１脳波形情報に対応付けられた第１時刻を示す第１時刻情報とを含む第１入力情報と、前記第１入力情報に対応付けられた前記睡眠状態である第１睡眠状態を示す第１睡眠状態情報との対応関係を学習済みであり、前記被験体の第２脳波の波形を示す第２脳波形情報と前記第２脳波形情報に対応付けられた第２時刻を示す第２時刻情報とを含む第２入力情報が入力された場合、入力された前記第２入力情報に対応付けられる前記睡眠状態を推定し、推定した結果を示す情報を出力情報として出力し、
前記ニューラルネットワークのカーネルサイズは、所定の周波数帯に応じて決定された値である、
前記判定装置は、
制御部を備え、
前記制御部は、
前記第２入力情報を前記モデルに入力し、前記第２入力情報が入力された前記モデルから出力された前記出力情報に応じて、前記睡眠状態を判定し、
判定装置。 - 前記第１入力情報には、周波数領域における前記第１脳波の波形を示す第１周波数領域情報が含まれており、
前記第２入力情報には、周波数領域における前記第２脳波の波形を示す第２周波数領域情報が含まれている、
請求項１から５のうちいずれか一項に記載の判定装置。 - 請求項１から６のうちいずれか一項に記載の判定装置と、内視鏡とを備えた光照射装置であって、
前記内視鏡は、
前記被験体の脳に所定の波長の光を照射する照射部と、
前記被験体の脳を撮像する撮像部と、
光照射制御部と、
を備え、
前記光照射制御部は、
前記判定装置による判定結果に応じて前記照射部に前記光を照射させる、
光照射装置。 - コンピュータに、ニューラルネットワークを含む機械学習のモデルに基づいて被験体の脳の睡眠状態を判定させるプログラムであって、
前記モデルは、
前記被験体の第１脳波の波形を示す第１脳波形情報と前記第１脳波形情報に対応付けられた第１時刻を示す第１時刻情報とを含む第１入力情報と、前記第１入力情報に対応付けられた前記睡眠状態である第１睡眠状態を示す第１睡眠状態情報との対応関係を学習済みであり、前記被験体の第２脳波の波形を示す第２脳波形情報と前記第２脳波形情報に対応付けられた第２時刻を示す第２時刻情報とを含む第２入力情報が入力された場合、入力された前記第２入力情報に対応付けられる前記睡眠状態を推定し、推定した結果を示す情報を出力情報として出力し、
前記睡眠状態は、前記被験体の脳の状態のうちの睡眠時における前記被験体の脳波により分類される複数の状態のいずれかのことであり、
前記モデルは、前記第２入力情報が入力された場合、前記第２入力情報に対応付けられる前記睡眠状態であることの尤もらしさを示す尤度を前記複数の状態のそれぞれについて推定し、前記複数の状態のそれぞれについて推定した前記尤度のそれぞれを含む情報を前記出力情報として出力し、
前記プログラムは、
前記第２入力情報を前記モデルに入力し、
前記第２入力情報が入力された前記モデルから出力された前記出力情報に基づいて、前記複数の状態のうち前記モデルにより推定された前記尤度が最も高い状態を、前記睡眠状態として判定する、
プログラム。 - コンピュータに、ニューラルネットワークを含む機械学習のモデルに基づいて被験体の脳の睡眠状態を判定させるプログラムであって、
前記モデルは、前記被験体の第１脳波の波形を示す第１脳波形情報と前記第１脳波形情報に対応付けられた第１時刻を示す第１時刻情報とを含む第１入力情報と、前記第１入力情報に対応付けられた前記睡眠状態である第１睡眠状態を示す第１睡眠状態情報との対応関係を学習済みであり、前記被験体の第２脳波の波形を示す第２脳波形情報と前記第２脳波形情報に対応付けられた第２時刻を示す第２時刻情報とを含む第２入力情報が入力された場合、入力された前記第２入力情報に対応付けられる前記睡眠状態を推定し、推定した結果を示す情報を出力情報として出力し、且つ、前記第２入力情報に含まれる前記第２脳波形情報が入力される畳み込みニューラルネットワークと、前記畳み込みニューラルネットワークからの出力と前記第２入力情報に含まれる情報のうち前記第２脳波形情報以外の情報とが入力される全結合型ニューラルネットワークとが組み合わされた前記ニューラルネットワークを含み、
前記全結合型ニューラルネットワークは、前記出力情報を出力し、
前記プログラムは、前記第２入力情報に含まれる前記第２脳波形情報を前記畳み込みニューラルネットワークに入力し、前記畳み込みニューラルネットワークからの出力と前記第２入力情報に含まれる情報のうち前記第２脳波形情報以外の情報とを前記全結合型ニューラルネットワークに入力し、前記全結合型ニューラルネットワークから出力された前記出力情報に応じて、前記睡眠状態を判定する、
プログラム。 - コンピュータに、ニューラルネットワークを含む機械学習のモデルに基づいて被験体の脳の睡眠状態を判定させるプログラムであって、
前記モデルは、前記被験体の第１脳波の波形を示す第１脳波形情報と前記第１脳波形情報に対応付けられた第１時刻を示す第１時刻情報とを含む第１入力情報と、前記第１入力情報に対応付けられた前記睡眠状態である第１睡眠状態を示す第１睡眠状態情報との対応関係を学習済みであり、前記被験体の第２脳波の波形を示す第２脳波形情報と前記第２脳波形情報に対応付けられた第２時刻を示す第２時刻情報とを含む第２入力情報が入力された場合、入力された前記第２入力情報に対応付けられる前記睡眠状態を推定し、推定した結果を示す情報を出力情報として出力し、
前記プログラムは、前記第２入力情報を前記モデルに入力し、前記第２入力情報が入力された前記モデルから出力された前記出力情報を、過去の前記睡眠状態と、過去から現在に至るまでの前記睡眠状態についての状態遷移確率とに基づいて補正し、補正された後の前記出力情報に応じて、前記睡眠状態を判定する、
プログラム。 - コンピュータに、ニューラルネットワークを含む機械学習のモデルに基づいて被験体の脳の睡眠状態を判定させるプログラムであって、
前記モデルは、前記被験体の第１脳波の波形を示す第１脳波形情報と前記第１脳波形情報に対応付けられた第１時刻を示す第１時刻情報とを含む第１入力情報と、前記第１入力情報に対応付けられた前記睡眠状態である第１睡眠状態を示す第１睡眠状態情報との対応関係を学習済みであり、前記被験体の第２脳波の波形を示す第２脳波形情報と前記第２脳波形情報に対応付けられた第２時刻を示す第２時刻情報とを含む第２入力情報が入力された場合、入力された前記第２入力情報に対応付けられる前記睡眠状態を推定し、推定した結果を示す情報を出力情報として出力し、
前記ニューラルネットワークのカーネルサイズは、所定の周波数帯に応じて決定された値である、
前記プログラムは、前記第２入力情報を前記モデルに入力し、前記第２入力情報が入力された前記モデルから出力された前記出力情報に応じて、前記睡眠状態を判定し、
プログラム。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019145967A JP7321511B2 (ja) | 2019-08-08 | 2019-08-08 | 判定装置、光照射装置、及びプログラム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019145967A JP7321511B2 (ja) | 2019-08-08 | 2019-08-08 | 判定装置、光照射装置、及びプログラム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2021023689A JP2021023689A (ja) | 2021-02-22 |
| JP7321511B2 true JP7321511B2 (ja) | 2023-08-07 |
Family
ID=74662053
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2019145967A Active JP7321511B2 (ja) | 2019-08-08 | 2019-08-08 | 判定装置、光照射装置、及びプログラム |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP7321511B2 (ja) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001503667A (ja) | 1996-11-21 | 2001-03-21 | アクソン・ゲゼルシャフト・ミト・ベシュレンクテル・ハフツング・シュマルカルデン | 睡眠プロファイルを求める装置と方法 |
| JP2004254827A (ja) | 2003-02-25 | 2004-09-16 | Matsushita Electric Ind Co Ltd | 睡眠状態判定装置 |
| JP2013081707A (ja) | 2011-10-12 | 2013-05-09 | Aisin Seiki Co Ltd | 睡眠状態判別装置および睡眠状態判別方法 |
| JP2013514870A5 (ja) | 2010-12-21 | 2014-02-13 | ||
| JP2016539747A (ja) | 2013-12-16 | 2016-12-22 | コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． | 睡眠サイクルに基づいて睡眠段階を決定するためのシステム及び方法 |
| JP2018042672A (ja) | 2016-09-13 | 2018-03-22 | 株式会社東芝 | 推定装置、推定方法及びコンピュータプログラム |
| JP2019506208A (ja) | 2016-01-21 | 2019-03-07 | エレクタ、インク.Elekta, Inc. | 内視鏡的医療画像のセグメンテーションのためのシステムおよび方法 |
| US20190192069A1 (en) | 2017-12-21 | 2019-06-27 | Koninklijke Philips N.V. | Sleep stage prediction and intervention preparation based thereon |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20130004253A (ko) | 2009-12-21 | 2013-01-09 | 셔윈 화 | 두개 내에 비-직교 및 직교 궤적을 통한 의료 장치의 삽입 및 사용 방법 |
-
2019
- 2019-08-08 JP JP2019145967A patent/JP7321511B2/ja active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001503667A (ja) | 1996-11-21 | 2001-03-21 | アクソン・ゲゼルシャフト・ミト・ベシュレンクテル・ハフツング・シュマルカルデン | 睡眠プロファイルを求める装置と方法 |
| JP2004254827A (ja) | 2003-02-25 | 2004-09-16 | Matsushita Electric Ind Co Ltd | 睡眠状態判定装置 |
| JP2013514870A5 (ja) | 2010-12-21 | 2014-02-13 | ||
| JP2013081707A (ja) | 2011-10-12 | 2013-05-09 | Aisin Seiki Co Ltd | 睡眠状態判別装置および睡眠状態判別方法 |
| JP2016539747A (ja) | 2013-12-16 | 2016-12-22 | コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． | 睡眠サイクルに基づいて睡眠段階を決定するためのシステム及び方法 |
| JP2019506208A (ja) | 2016-01-21 | 2019-03-07 | エレクタ、インク.Elekta, Inc. | 内視鏡的医療画像のセグメンテーションのためのシステムおよび方法 |
| JP2018042672A (ja) | 2016-09-13 | 2018-03-22 | 株式会社東芝 | 推定装置、推定方法及びコンピュータプログラム |
| US20190192069A1 (en) | 2017-12-21 | 2019-06-27 | Koninklijke Philips N.V. | Sleep stage prediction and intervention preparation based thereon |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2021023689A (ja) | 2021-02-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9720515B2 (en) | Method and apparatus for a gesture controlled interface for wearable devices | |
| US20190104951A1 (en) | Continuous monitoring of a user's health with a mobile device | |
| Oleson et al. | The evolution of statistical methods in speech, language, and hearing sciences | |
| JP2020536623A (ja) | モバイルデバイスを用いたユーザの健康の連続的監視 | |
| CN112106074A (zh) | 使用例如深度学习方法的技术的癫痫发作检测和预测 | |
| US20180008191A1 (en) | Pain management wearable device | |
| Puranik et al. | Heart rate estimation of PPG signals with simultaneous accelerometry using adaptive neural network filtering | |
| CA3164001A1 (en) | Dynamic user response data collection method | |
| JP2023175924A (ja) | 使用者の睡眠環境で測定されたデータに基づいて睡眠状態を予測するためのコンピューティング装置 | |
| EP3994554B1 (en) | System and method for continual decoding of brain states to multi-degree-of-freedom control signals in hands free devices | |
| WO2023112384A1 (ja) | 計算機システム及び情動推定方法 | |
| JP7495397B2 (ja) | モバイルデバイスを用いたユーザの健康状態の継続的監視 | |
| McKearney et al. | Auditory brainstem response detection using machine learning: a comparison with statistical detection methods | |
| Khan et al. | AT2GRU: A human emotion recognition model with mitigated device heterogeneity | |
| KR20180100780A (ko) | 퇴행성 질환의 조기 발견을 위한 언어능력진단 시스템, 방법 및 이를 제공하기 위한 컴퓨터 프로그램이 기록된 컴퓨터로 판독가능한 기록매체 | |
| JP7321511B2 (ja) | 判定装置、光照射装置、及びプログラム | |
| JP7495398B2 (ja) | モバイルデバイスを用いる機械学習健康分析 | |
| US10799139B2 (en) | Method and system for EEG signal processing | |
| JP7048893B2 (ja) | 学習装置、学習方法及びコンピュータプログラム | |
| KR102707406B1 (ko) | 수면에 관련한 분석 정보를 제공하기 위한 방법 및 컴퓨팅 장치 | |
| JP2023549317A (ja) | 医用撮像プロセス中のセンサ信号依存対話生成のための方法及びシステム | |
| JP7276433B2 (ja) | フィッティング支援装置、フィッティング支援方法、及びプログラム | |
| Tanveer | Deep convolution neural network for attention decoding in multi-channel EEG with conditional variational autoencoder for data augmentation | |
| Mandal et al. | A Unified Deep Learning Framework for Smartphone-Enabled ADHD Detection | |
| JP7522488B2 (ja) | 人工ニューラルネットワーク基盤の非侵襲的体内代謝物質定量化のための方法および装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220616 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230217 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230307 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230418 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230704 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230719 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7321511 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |