JP7327417B2

JP7327417B2 - 状態推定装置、状態推定方法、及びプログラム

Info

Publication number: JP7327417B2
Application number: JP2020569334A
Authority: JP
Inventors: 剛範辻川
Original assignee: NEC Corp
Current assignee: NEC Corp
Priority date: 2019-02-01
Filing date: 2019-02-01
Publication date: 2023-08-16
Anticipated expiration: 2039-02-01
Also published as: JPWO2020157988A1; WO2020157988A1; US20220096016A1

Description

本発明は、人の状態を推定するための、状態推定装置、及び状態推定方法に関し、更には、これらを実現するためのプログラムに関する。

近年のウェアラブルセンサの普及に伴い、生体情報、特に、心拍及び脈拍（どちらも心拍と呼ぶ）など心臓の動作を示す情報から、人の状態を推定する技術に関する研究開発が盛んに行われている。心拍及び脈拍の時間変動（どちらも心拍変動と呼ぶ）は、自律神経活動の指標として用いられ、睡眠状態の判別、眠気の判別、ストレスの度合い、感情判別、またメンタルワークロード、自律神経に影響を及ぼす疾患の判別、不整脈の検知など、種々の人の状態を推定することに対して有用と言われている。

例えば、非特許文献１は、心電図（ECG:Electrocardiogram）で計測したECG信号から算出した心拍数、または光電式容積脈波計（PPG:photoplethysmography）で計測したPPG信号から算出した心拍数から、睡眠と覚醒を判別する技術について開示している。非特許文献１に開示された技術は、学習が行われたニューラルネットワークによって、心拍変動成分を自動的に抽出して、最終的に睡眠と覚醒とを判別する、技術である。また、非特許文献１において、学習は、算出した心拍数の時系列信号を畳み込みニューラルネットワーク（CNN:Convolutional neural network）に入力し、出力である睡眠と覚醒の判別結果とが正解ラベル（睡眠もしくは覚醒）と合うように行われる。

John Malik, Yu-Lun Lo, and Hau-tieng Wu, ``Sleep-wake classification via quantifying heart rate variability by convolutional neural network,’’ Physiological Measurement 39, 085004, 2018.

ところで、上述したように、非特許文献１に開示された技術によれば、心拍数の時系列信号から睡眠と覚醒とを判別できるが、心拍変動成分を抽出するためには、心拍数を、高い時間分解能で、かつ高い精度で算出する必要がある。そのため、心臓の動きを検出するためのセンサ（非特許文献１ではECGセンサとPPGセンサ）を、各人の肌に隙間なく装着させる必要がある。その結果、センサを装着した人においては、拘束感があり、装着負荷が高いという問題がある。

一方、PPGセンサ内蔵のリストバンド型のウェアラブルセンサ、ベッド又は椅子に設置した圧力又は振動を計測するセンサ、音を計測するセンサ、マイクロ波を人の胸に放射し、反射波から胸の動きを捉えるセンサ、人の顔画像を取得する画像センサなど、様々なセンサで取得した心臓の動作を示す波（脈波）から心拍を検出する技術が知られている。このような技術を導入すれば、上記の装着負荷が高いという問題は解決できると考えられる。

但し、このようなセンサを利用した場合は、拘束感が少なく、人は自由に動くことが可能なため、センサと人との位置関係、周囲環境の音、振動、光などが変化してしまう。このため、これらの変化に起因したノイズが脈波に混ざるため、心拍数を、高い時間分解能で、かつ高い精度で算出することが困難になり、その結果として高精度に状態を推定できないという問題がある。

本発明の目的の一例は、上記問題を解消し、装着負荷を抑えつつ、人の状態を高精度に推定し得る、状態推定装置、状態推定方法、及びプログラムを提供することにある。

上記目的を達成するため、本発明の一側面における状態推定装置は、
人の脈波データにおける一定時間区間内の心拍数の統計値に基づいて、脈波データに含まれるノイズを除去するフィルタを作成する、フィルタ作成部と、
前記フィルタを用いて、前記脈波データに含まれるノイズを除去する、ノイズ除去部と、
ノイズが除去された後の前記脈波データに基づいて、前記人の状態を推定する、状態推定部と、
を備えている、
ことを特徴とする。

また、上記目的を達成するため、本発明の一側面における状態推定方法は、
（ａ）人の脈波データにおける一定時間区間内の心拍数の統計値に基づいて脈波データに含まれるノイズを除去するフィルタを作成する、ステップと、
（ｂ）前記フィルタを用いて、前記脈波データに含まれるノイズを除去する、ステップと、
（ｃ）ノイズが除去された後の前記脈波データに基づいて、人の状態を推定する、ステップと、
を有する、
ことを特徴とする。

更に、上記目的を達成するため、本発明の一側面におけるプログラムは、
コンピュータに、
（ａ）人の脈波データにおける一定時間区間内の心拍数の統計値に基づいて脈波データに含まれるノイズを除去するフィルタを作成する、ステップと、
（ｂ）前記フィルタを用いて、前記脈波データに含まれるノイズを除去する、ステップと、
（ｃ）ノイズが除去された後の前記脈波データに基づいて、人の状態を推定する、ステップと、
を実行させる、
ことを特徴とする。

以上のように、本発明によれば、装着負荷を抑えつつ、人の状態を高精度に推定することができる。

図１は、本発明の実施の形態における状態推定装置の構成を示すブロック図である。図２は、図１に示したフィルタ作成部の構成をより具体的に示すブロック図である。図３（ａ）は、図１に示したノイズ除去部に入力されるノイズ除去前の脈波の一例を示す図であり、図３（ｂ）は、図１に示したノイズ除去部から出力されるノイズ除去後の脈波の一例を示す図である。図４は、本発明の実施の形態における状態推定装置の動作を示すフロー図である。図５は、本発明の実施の形態における状態推定装置を実現するコンピュータの一例を示すブロック図である。

（実施の形態）
以下、本発明の実施の形態における、状態推定装置、状態推定方法、及びプログラムについて、図１～図５を参照しながら説明する。

［装置構成］
最初に、図１を用いて、本実施の形態における状態推定装置の構成について説明する。図１は、本発明の実施の形態における状態推定装置の構成を示すブロック図である。

図１に示す、本実施の形態における状態推定装置１０は、人３０の状態を推定する装置である。図１に示すように、状態推定装置１０は、フィルタ作成部１１と、ノイズ除去部１２と、状態推定部１３とを備えている。

フィルタ作成部１１は、人の脈波データにおける、一定時間区間内の心拍数の統計値に基づいて、脈波データ（脈波の時系列信号）に含まれるノイズを除去するフィルタを作成する。本実施の形態では、フィルタ作成部１１は、例えば、人３０の脈波Xの時系列信号から、脈波Xに含まれるノイズを除去することで心拍成分および心拍変動成分を強調するためのフィルタを作成する。

ノイズ除去部１２は、作成されたフィルタを用いて、脈波データに含まれるノイズを除去する。本実施の形態では、ノイズ除去部１２は、作成されたフィルタと脈波Xの時系列信号とを畳み込むことにより、脈波Xに含まれるノイズを除去し、ノイズ除去後の脈波Yを出力する。

状態推定部１３は、ノイズが除去された後の前記脈波データに基づいて、人の状態を推定する。状態推定部１３は、本実施の形態では、このノイズ除去後の脈波Yの時系列信号に基づいて、人３０の状態を推定し、推定結果として状態Zを出力する。

このように、本実施の形態では、脈波Xの時系列信号に含まれるノイズを除去するフィルタが作成され、そのフィルタにより脈波Xに含まれるノイズが除去される。ノイズ除去後の脈波の時系列信号Yには、もともとの脈波Xに含まれる高い時間分解能の心拍成分が含まれる。加えて、もともとの脈波Xに含まれるノイズは除去されるため、ノイズ除去後の脈波Yの時系列信号における心拍成分の純度は高く、脈波Yは、高精度な心拍変動成分を含む。本実施の形態によれば、そのノイズ除去後の脈波Yの時系列信号から人の状態が推定されるため、人の状態を高精度に推定することができる。

続いて、図１に加えて、図２及び図３を用いて、本実施の形態における状態推定装置１０の構成及び各部の機能についてより具体的に説明する。図２は、図１に示したフィルタ作成部１１の構成をより具体的に示すブロック図である。

図１に示すように、本実施の形態では、状態推定装置１０は、脈波センサ２０に接続されている。脈波センサ２０は、撮像装置２１と脈波算出部２２とから構成されている。撮像装置２１は、状態推定装置を使用する人３０の顔を撮影できるように配置されている。撮像装置２１は、設定時間間隔で、撮影した画像（顔を含む画像）の画像データを、脈波算出部２２に出力する。撮像装置２１は、デジタルカメラ、Ｗｅｂカメラ等である。

本実施の形態において、脈波算出部２２では、脈波の算出は、既存の手法によって、例えば、ヘモグロビンが緑色光を吸収するという特性を利用して、顔画像における緑色成分の輝度（Ｇ値）の変化を検出することによって行われる。

なお、上記においては、撮像装置２１と脈波算出部２２とから構成される脈波センサ２０について説明しているが、本実施の形態では、脈波センサ２０は、これに限定されるもではない。他の脈波センサ２０としては、PPGセンサ内蔵のリストバンド型のウェアラブルセンサ、ベッドや椅子に設置した圧力や振動を計測するセンサ、音を計測するセンサ、マイクロ波を人の胸に放射し、反射波から胸の動きを捉えるセンサ、など既存の脈波センサを用いることができる。

図２に示すように、本実施の形態では、フィルタ作成部１１は、心拍数算出部１１１と、統計値算出部１１２と、フィルタ設計部１１３とを備えている。心拍数算出部１１１は、脈波Xから心拍数を算出する。統計値算出部１１２は、一定時間W0内の心拍数の統計値を算出する。フィルタ設計部１１３は、心拍数の統計値から、脈波に含まれる心拍成分のみを通過させ、ノイズ成分を除去するフィルタを設計し、設計したフィルタFを出力する。

具体的には、心拍数算出部１１１は、心拍数の統計値を算出する一定時間W0（例えば６０秒）より短い時間W1（例えば４秒）の窓内の脈波Xの時系列信号に対して、高速フーリエ変換などの周波数分析を行う。心拍成分は、時間周期を持つため、心拍数算出部１１１は、最もパワーが大きい周波数パワースペクトルを抽出し、その周波数を、時間W1の平均的な心拍数として算出する。また、心拍数算出部１１１は、周波数分析を行う窓の始点を時間W1より短い時間W2（例えば１秒）だけずらして、周波数分析を繰り返すことで、一定時間W0内に含まれる心拍数の時系列信号を得ることができる。

なお、脈波信号Xにノイズが含まれない場合には、時間W1を短く（例えば０．２５秒）設定することで、高い時間分解能で、かつ高い精度で、心拍数を算出できる。しかし、ノイズが多いほど時間W1を長く（例えば１０秒）設定しないと、心拍成分に相当する周波数パワースペクトルがノイズに埋もれてしまい、高い精度で心拍数を算出できなくなる。また、時間W2をさらに短く（例えば０．２５秒）設定しても、時間W1を短く設定できない限り、殆ど同じ心拍数が得られるだけで、高い時間分解能の心拍数を得ることができない。そのため、脈波信号Xにノイズが含まれる場合には、高い時間分解能で、かつ高い精度で心拍数を算出することができない。

これに対して、フィルタの作成では、一定時間W0内に含まれる心拍数がどの範囲に分布するかがわかればよい。このため、心拍数算出部１１１は、低い時間分解能で心拍数を算出しても良い。

統計値算出部１１２は、一定時間W0内に含まれる心拍数の時系列信号から、一定時間W0内の心拍数がどの範囲に分布するかの統計値を算出する。例えば、統計値算出部１１２は、最大値と最小値とを算出して範囲を定める。また、心拍数の時系列信号が正規分布であると仮定して、平均値Mと標準偏差Sとを算出し、更に、範囲をM±3Sと定めれば、データの99.7%はその範囲に含まれる。なお、定めた心拍数の存在範囲の上限をU、下限をLとする。

フィルタ設計部１１３は、心拍数の存在範囲の下限Lから上限Uに相当する周波数成分を通過させるバンドパスフィルタを既存の手法で設計し、バンドパスフィルタFを出力する。バンドパスフィルタFは、一定時間W0の脈波Xに含まれる心拍成分を通過させるが、それ以外のノイズを遮断することができる。

心拍数は、人３０の状態に応じて時々刻々と変化するが、フィルタ作成部１１は、異なる時刻の一定時間W0の脈波信号Xに対して、逐次的にフィルタを作成することで、効果的に心拍成分だけを通過させ、ノイズを遮断することができる。

ノイズ除去部１２は、図３（ａ）及び（ｂ）に示すように、フィルタ作成部１１で作成されたバンドパスフィルタFとノイズが含まれる脈波Xの時系列信号との畳み込み演算により、ノイズ除去後の脈波Yの時系列信号を得る。図３（ａ）は、図１に示したノイズ除去部に入力されるノイズ除去前の脈波の一例を示す図である。図３（ｂ）は、図１に示したノイズ除去部１２から出力されるノイズ除去後の脈波の一例を示す図である。

図３（ａ）と図３（ｂ）との比較から分かるように、ノイズ除去後の脈波Yにおいては、ノイズ除去前の脈波Xに比べて、ノイズが減少することにより、周期性の信号である心拍成分が強調されている。なお、バンドパスフィルタにより心拍数の存在範囲の周波数は通過するため、脈波Xに含まれる心拍変動成分は高い時間分解能を維持したまま、脈波Yでは保持される。

状態推定部１３は、ノイズ除去部１２の出力である、ノイズ除去後の脈波Yの時系列信号を受けて、予め学習した状態推定モデルを参照して、状態の推定値Zを出力する。例えば、人３０が起きている状態を１、寝ている状態を０とすると、推定値Zは、１または０のいずれかとなる。もちろん、眠気の有無を１（有）と０（無）で定義して、状態推定モデルを学習すれば、眠気の有無を推定（判別）できる。また、眠気やストレスの度合いを１～０の連続値で定義して学習すれば、推定値Zは、１～０の推定値となる。その他、感情の判別、例えば、苛々しているかどうか、焦っているかどうか、楽しいかどうか、嬉しいかどうかなどを１、０で定義して学習すれば、推定Zの値によって感情の判別も可能となる。メンタルワークロード（脳がどの程度働いているか）、不整脈の有無なども同様である。

状態推定部１３で用いられる状態推定モデルとしては、例えば、非特許文献1で使用されている畳み込みニューラルネットワーク、再帰型ニューラルネットワークなど、既存のニューラルネットワークが挙げられる。状態推定モデル、すなわちニューラルネットワークの学習は、ノイズを含まない脈波の時系列信号、例えば、図３（ｂ）に示された時系列信号とその時系列信号に対応する状態ラベル（状態の正解ラベル）とのセットを、複数準備し、脈波をニューラルネットワークに入力した際の出力が状態ラベルに合うように、誤差逆伝搬法などの学習アルゴリズムを実行することによって、行うことができる。

［装置動作］
次に、本発明の実施の形態における、状態推定装置１０の動作について図４を用いて説明する。図４は、本発明の実施の形態における状態推定装置の動作を示すフロー図である。以下の説明においては、適宜図１から図３を参照する。また、本実施の形態では、状態推定装置１０を動作させることによって、状態推定方法が実施される。よって、本実施の形態における状態推定方法の説明は、以下の状態推定装置１０の動作説明に代える。

最初に、図４に示すように、フィルタ作成部１１は、脈波センサ２０が出力した脈波Xの時系列信号を受け取り、受け取った脈波Xに基づいて、フィルタFを作成する（ステップＡ１）。

次に、ノイズ除去部１２は、ステップＡ１で作成されたフィルタFと、脈波センサ２０が出力した脈波の時系列信号Xとの畳み込み演算により、ノイズ除去後の脈波Yの時系列信号を得る（ステップＡ２）。

その後、状態推定部１３は、ステップＡ２でノイズが除去された脈波Yの時系列信号と、事前に学習された状態推定モデルとに基づいて、人３０の状態Zを推定する（ステップＡ３）。

また、ステップＡ３の実行後、異なる時刻の脈波Xの時系列信号が、状態推定装置１０に入力されると、再度、ステップＡ１が実行される。ステップＡ１～Ａ３が繰り返し実行されることにより、状態推定装置１０は、連続的に人３０の状態を推定できる。

［変形例］
以下に、本実施の形態における変形例について説明する。

本変形例では、フィルタ作成部１１におけるフィルタ作成処理が事前に行われる。フィルタ作成部１１は、予め用意されたノイズを含む多数の脈波X1～XNそれぞれの時系列信号から、これら脈波X1～XNそれぞれに対応した多数のフィルタF1～FNを作成する。そして、ノイズ除去部１２は、作成されたフィルタF1～FNそれぞれを適用することで、多数のノイズ除去後の脈波Y1～YNそれぞれの時系列信号を得る。

フィルタ作成部１１は、多数の脈波Xと脈波Yとの組（X1,Y1）～（XN,YN）を学習データとして用いて、Denoising Auto Encoderと呼ばれる手法を実行することにより、脈波X1～XNそれぞれを脈波Y1～YNに変換する変換関数（F1～FNをまとめたものに相当）を学習することができる。その変換関数をFとすると、ノイズ除去部１２は、事前に学習した変換関数Fを、フィルタ作成部１１から読み込み、新しい脈波Xの時系列信号に対して適用することで、ノイズ除去後の脈波Yの時系列信号を得ることができる。

このように、本変形例によれば、新しい脈波Xの時系列信号毎にフィルタを作成する必要がない。そのため、新しい脈波Xの時系列信号に対して効率的に処理ができるというメリットがある。

［実施の形態における効果］
以上のように、本実施の形態によれば、脈波Xの時系列信号に含まれるノイズを除去するフィルタが作成され、そのフィルタにより脈波Xに含まれるノイズが除去される。ノイズ除去後の脈波Yの時系列信号には、もともとの脈波信号Xに含まれる高い時間分解能の心拍成分が含まれる。加えて、もともとの脈波信号Xに含まれるノイズは除去されるため、ノイズ除去後の脈波の時系列信号Yにおける心拍成分の純度は高く、高精度な心拍変動成分を含む。そのノイズ除去後の脈波の時系列信号Yから人の状態を推定するため、人の状態を高精度に推定することができる。

［プログラム］
本実施の形態におけるプログラムは、コンピュータに、図４に示すステップＡ１～Ａ３を実行させるプログラムであれば良い。このプログラムをコンピュータにインストールし、実行することによって、本実施の形態における状態推定装置１０と状態推定方法とを実現することができる。この場合、コンピュータのプロセッサは、フィルタ作成部１１、ノイズ除去部１２、及び状態推定部１３として機能し、処理を行なう。

また、本実施の形態におけるプログラムは、複数のコンピュータによって構築されたコンピュータシステムによって実行されても良い。この場合は、例えば、各コンピュータが、それぞれ、フィルタ作成部１１、ノイズ除去部１２、及び状態推定部１３のいずれかとして機能しても良い。

ここで、本実施の形態におけるプログラムを実行することによって、状態推定装置１０を実現するコンピュータについて図５を用いて説明する。図５は、本発明の実施の形態における状態推定装置を実現するコンピュータの一例を示すブロック図である。

図５に示すように、コンピュータ１１００は、ＣＰＵ（Central Processing Unit）１１１０と、メインメモリ１１２０と、記憶装置１１３０と、入力インターフェイス１１４０と、表示コントローラ１１５０と、データリーダ／ライタ１１６０と、通信インターフェイス１１７０とを備える。これらの各部は、バス１２１０を介して、互いにデータ通信可能に接続される。また、コンピュータ１１００は、ＣＰＵ１１１０に加えて、又はＣＰＵ１１１０に代えて、ＧＰＵ（Graphics Processing Unit）、又はＦＰＧＡ（Field-Programmable Gate Array）を備えていても良い。

ＣＰＵ１１１０は、記憶装置１１３０に格納された、本実施の形態におけるプログラム（コード）をメインメモリ１１２０に展開し、これらを所定順序で実行することにより、各種の演算を実施する。メインメモリ１１２０は、典型的には、ＤＲＡＭ（Dynamic Random Access Memory）等の揮発性の記憶装置である。また、本実施の形態におけるプログラムは、コンピュータ読み取り可能な記録媒体１２００に格納された状態で提供される。なお、本実施の形態におけるプログラムは、通信インターフェイス１１７０を介して接続されたインターネット上で流通するものであっても良い。

また、記憶装置１１３０の具体例としては、ハードディスクドライブの他、フラッシュメモリ等の半導体記憶装置が挙げられる。入力インターフェイス１１４０は、ＣＰＵ１１１０と、キーボード及びマウスといった入力機器１１８０との間のデータ伝送を仲介する。表示コントローラ１１５０は、ディスプレイ装置１１９０と接続され、ディスプレイ装置１１９０での表示を制御する。

データリーダ／ライタ１１６０は、ＣＰＵ１１１０と記録媒体１２００との間のデータ伝送を仲介し、記録媒体１２００からのプログラムの読み出し、及びコンピュータ１１００における処理結果の記録媒体１２００への書き込みを実行する。通信インターフェイス１１７０は、ＣＰＵ１１１０と、他のコンピュータとの間のデータ伝送を仲介する。

また、記録媒体１２００の具体例としては、ＣＦ（Compact Flash（登録商標））及びＳＤ（Secure Digital）等の汎用的な半導体記憶デバイス、フレキシブルディスク（Flexible Disk）等の磁気記録媒体、又はＣＤ－ＲＯＭ（Compact Disk Read Only Memory）などの光学記録媒体が挙げられる。

なお、本実施の形態における状態推定装置１０は、プログラムがインストールされたコンピュータではなく、各部に対応したハードウェアを用いることによっても実現可能である。更に、状態推定装置１０は、一部がプログラムで実現され、残りの部分がハードウェアで実現されていてもよい。

上述した実施の形態の一部又は全部は、以下に記載する（付記１）～（付記３）によって表現することができるが、以下の記載に限定されるものではない。

（付記１）
人の脈波データにおける一定時間区間内の心拍数の統計値に基づいて、脈波データに含まれるノイズを除去するフィルタを作成する、フィルタ作成部と、
前記フィルタを用いて、前記脈波データに含まれるノイズを除去する、ノイズ除去部と、
ノイズが除去された後の前記脈波データに基づいて、前記人の状態を推定する、状態推定部と、
を備えている、
ことを特徴とする状態推定装置。

（付記２）
（ａ）人の脈波データにおける一定時間区間内の心拍数の統計値に基づいて脈波データに含まれるノイズを除去するフィルタを作成する、ステップと、
（ｂ）前記フィルタを用いて、前記脈波データに含まれるノイズを除去する、ステップと、
（ｃ）ノイズが除去された後の前記脈波データに基づいて、人の状態を推定する、ステップと、
を有する、
ことを特徴とする状態推定方法。

（付記３）
コンピュータに、
（ａ）人の脈波データにおける一定時間区間内の心拍数の統計値に基づいて脈波データに含まれるノイズを除去するフィルタを作成する、ステップと、
（ｂ）前記フィルタを用いて、前記脈波データに含まれるノイズを除去する、ステップと、
（ｃ）ノイズが除去された後の前記脈波データに基づいて、人の状態を推定する、ステップと、
を実行させる、プログラム。

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

以上のように、本発明によれば、装着負荷を抑えつつ、人の状態を高精度に推定することができる。本発明は、人の状態の推定が求められているシステム、例えば、車両の運転支援システム、業務用のコンピュータシステム等、様々なシステムに有用である。

１０状態推定装置
１１フィルタ作成部
１２ノイズ除去部
１３状態推定部
２０脈波センサ
２１撮像装置
２２脈波算出部
３０人
１１１心拍数算出部
１１２統計値算出部
１１３フィルタ設計部
１１００コンピュータ
１１１０ＣＰＵ
１１２０メインメモリ
１１３０記憶装置
１１４０入力インターフェイス
１１５０表示コントローラ
１１６０データリーダ／ライタ
１１７０通信インターフェイス
１１８０入力機器
１１９０ディスプレイ装置
１２００記録媒体
１２１０バス

Claims

人の脈波データにおける一定時間区間内の心拍数の統計値に基づいて、脈波データに含まれるノイズを除去するフィルタを作成する、フィルタ作成部と、
前記フィルタを用いて、前記脈波データに含まれるノイズを除去する、ノイズ除去部と、
ノイズが除去された後の前記脈波データに基づき、事前に学習された状態推定モデルを用いて、前記人の状態を推定する、状態推定部と、
を備え、
前記ノイズ除去部は、
ノイズ除去前の前記脈波データと、前記フィルタを用いてノイズ除去された脈波データと、の組を学習した機械学習モデルを用いて、前記脈波データに含まれるノイズを除去する、
ことを特徴とする状態推定装置。
前記フィルタ作成部は、
前記一定時間内の脈波データの時系列信号に対して周波数分析を行い、周波数パワースペクトルから前記心拍数を算出する心拍数算出部を備えている、
ことを特徴とする、請求項１に記載の状態推定装置。
前記フィルタ作成部は、
前記心拍数の時系列信号から分布範囲を前記統計値として算出する統計値算出部を備えている、
ことを特徴とする、請求項２に記載の状態推定装置。
（ａ）人の脈波データにおける一定時間区間内の心拍数の統計値に基づいて脈波データに含まれるノイズを除去するフィルタを作成する、ステップと、
（ｂ）前記フィルタを用いて、前記脈波データに含まれるノイズを除去する、ステップと、
（ｃ）ノイズが除去された後の前記脈波データに基づき、事前に学習された状態推定モデルを用いて、人の状態を推定する、ステップと、
を有し、
前記（ｂ）のステップにおいて、ノイズ除去前の前記脈波データと、前記フィルタを用いてノイズ除去された脈波データと、の組を学習した機械学習モデルを用いて、前記脈波データに含まれるノイズを除去する、
ことを特徴とする状態推定方法。
コンピュータに、
（ａ）人の脈波データにおける一定時間区間内の心拍数の統計値に基づいて脈波データに含まれるノイズを除去するフィルタを作成する、ステップと、
（ｂ）前記フィルタを用いて、前記脈波データに含まれるノイズを除去する、ステップと、
（ｃ）ノイズが除去された後の前記脈波データに基づき、事前に学習された状態推定モデルを用いて、人の状態を推定する、ステップと、
を実行させ、
前記（ｂ）のステップにおいて、ノイズ除去前の前記脈波データと、前記フィルタを用いてノイズ除去された脈波データと、の組を学習した機械学習モデルを用いて、前記脈波データに含まれるノイズを除去する、
プログラム。