JP7344213B2 - 睡眠段階検出のための方法、コンピューティングデバイス、およびウェアラブルデバイス - Google Patents

睡眠段階検出のための方法、コンピューティングデバイス、およびウェアラブルデバイス Download PDF

Info

Publication number
JP7344213B2
JP7344213B2 JP2020545662A JP2020545662A JP7344213B2 JP 7344213 B2 JP7344213 B2 JP 7344213B2 JP 2020545662 A JP2020545662 A JP 2020545662A JP 2020545662 A JP2020545662 A JP 2020545662A JP 7344213 B2 JP7344213 B2 JP 7344213B2
Authority
JP
Japan
Prior art keywords
vital sign
period
sleep stage
feature
logistic regression
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
Application number
JP2020545662A
Other languages
English (en)
Other versions
JP2021514768A (ja
JPWO2019168474A5 (ja
Inventor
マニーラット ジラヴァニチクル，
タダ ジラジャラス，
ヴィジット タウィープランスリポン，
パンナウィット スリスク，
ポンサルン ティアムタワン，
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nitto Denko Corp
Original Assignee
Nitto Denko Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nitto Denko Corp filed Critical Nitto Denko Corp
Publication of JP2021514768A publication Critical patent/JP2021514768A/ja
Publication of JPWO2019168474A5 publication Critical patent/JPWO2019168474A5/ja
Priority to JP2023140949A priority Critical patent/JP2023159436A/ja
Application granted granted Critical
Publication of JP7344213B2 publication Critical patent/JP7344213B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • 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
    • A61B5/48—Other medical applications
    • A61B5/4806—Sleep evaluation
    • A61B5/4815—Sleep quality
    • 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
    • A61B5/4836—Diagnosis combined with treatment in closed-loop systems or methods
    • A61B5/4839—Diagnosis combined with treatment in closed-loop systems or methods combined with drug delivery
    • 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
    • A61B5/4848—Monitoring or testing the effects of treatment, e.g. of medication
    • 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
    • A61B5/7221—Determining signal validity, reliability or quality
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
    • A61B5/0015—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system
    • A61B5/0022—Monitoring a patient using a global network, e.g. telephone networks, internet
    • 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
    • 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
    • A61B5/02405—Determining heart rate variability
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/6802—Sensor mounted on worn items
    • A61B5/681—Wristwatch-type devices
    • 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
    • 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
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Cardiology (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Chemical & Material Sciences (AREA)
  • Medicinal Chemistry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Signal Processing (AREA)
  • Computational Linguistics (AREA)
  • Fuzzy Systems (AREA)
  • Child & Adolescent Psychology (AREA)
  • Social Psychology (AREA)
  • Psychology (AREA)

Description

本開示は、広くには、睡眠段階検出のための方法、コンピューティングデバイス、およびウェアラブルデバイスに関し、より詳しくは、機械学習に基づいて急速眼球運動（REM）および非REM（NREM）を含む睡眠段階を検出するための方法、コンピューティングデバイス、およびウェアラブルデバイスに関する。
人間の身体的および精神的状態が、睡眠の質に影響されることが知られている。質の高い睡眠が、健康、幸福、および良好な気分を維持するために不可欠である。睡眠時に、人間は、典型的には、急速眼球運動（REM）段階と非REM（NREM）段階との間を行き来する。いくつかの研究において、REM段階が気分の調節および記憶の固定に重要な役割を果たすことが明らかになっている。さらに、抑うつ障害が、長いREM睡眠時間および短いREM潜時などのREM睡眠の調節異常に密接に関連していることが明らかになっている。したがって、睡眠段階を監視することで、睡眠挙動の分析およびストレス管理、ならびに抑うつ障害の治療、高齢者のケア、およびパフォーマンスの分析のための重要な情報をもたらすことが可能である。分析の質、したがって治療の質は、質および量の両方に関して、収集されるデータによって大きく左右される。これらの要件を満たすために、使用される監視デバイスは、典型的には、ハードウェア集約的かつ複雑である。
睡眠研究に関する現時点のゴールドスタンダードは、睡眠ポリグラフ検査（PSG）である。これは、脳波計（EEG）、眼電位計（EOG）、筋電計（EMG）、心電計（ECG）、および呼吸センサなど、多数のセンサを必要とする。PSGは、睡眠研究に関してより多くの情報をもたらすが、きわめて移動性に欠け、高価であるため、大規模な観察には非現実的である。
米国特許第9，655，559号明細書が、ウェアラブルセンサを使用した自動的な睡眠段階の検出を開示している。この開示の構成は、精度が良好でなく、不充分なセンサ読み取り値に影響されやすいなど、いくつかの欠点を抱える。
睡眠段階検出のための方法、コンピューティングデバイス、およびウェアラブルデバイスであって、先行技術の欠点の少なくとも1つに対処し、さらには／あるいは公衆に有用な選択肢および／または代替の選択肢を提供する方法、コンピューティングデバイス、およびウェアラブルデバイスを提供することが望まれる。
一態様によれば、睡眠段階検出の方法であって、複数の時期のうちのそれぞれの時期に対応する複数の第1の特徴値を含んでいる第1のバイタルサイン特徴を受信するステップと、前記複数の時期のうちの各々の中間時期について、該中間時期の睡眠段階を表す第1の指示値を、対応する第1の特徴値ならびに前記複数の時期のうちの先行の時期および後続の時期の第1の特徴値に基づいて計算するために、第1のロジスティック回帰演算を実行するステップとを含む方法が提供される。
上述の実施形態は、きわめて好都合である。例えば、前記複数の時期のうちの各々の中間時期について、前記複数の時期のうちの先行の時期、中間時期、および後続の時期の第1の特徴値に基づいて第1のロジスティック回帰演算を実行することによって、前記複数の時期のうちの各々の中間時期の睡眠段階を表す第1の指示値を計算することができる。これは、先行の時期および中間時期の特徴値が使用されるだけでなく、後続の時期の特徴値も使用され、精度の改善が達成されるという点で好都合である。一実施形態において、本方法は、必要とされるデータおよび処理の量が最小限であるため、ハードウェア形式、ソフトウェア形式、または両方の組み合わせのいずれかにおいて、多くのコンピューティングリソースを実装する必要がない。したがって、本方法は、ウェアラブルデバイスを使用した実装にとくに適するが、これに限定されるわけではない。
前記第1のバイタルサイン特徴は、心拍数、パルス形状変動、および心拍変動の畳み込まれた高周波パワーのうちの1つに関係し得る。これらのバイタルサイン特徴は、睡眠段階に関係することが明らかになっており、したがって睡眠段階の検出に有用である。
好ましくは、前記第1のロジスティック回帰演算は、重み付けおよびシグモイド演算を含むことができる。ロジスティック回帰演算は、非線形モデルよりも複雑でなく、より解釈可能である。機械学習の分野において、複雑なモデルは単純なモデルと比較して過剰適合のリスクが高いことが知られている。したがって、ロジスティック回帰演算を使用することにより、一実施形態による睡眠段階検出は、例えばウェアラブルデバイス上での実行に好適である。3次元を含むHRV PSDを抽出するための畳み込みニューラルネットワークに関連して使用される比較的複雑なアルゴリズムは、例えば、クラウドサービスのサーバ上で実行されてよい。HRV PSDの抽出。
本方法は、前記複数の時期のうちのそれぞれの時期に対応する複数の第2の特徴値を含んでいる第2のバイタルサイン特徴を受信するステップと、前記複数の時期のうちの各々の中間時期について、該中間時期の睡眠段階を表す第2の指示値を、対応する第2の特徴値ならびに前記複数の時期のうちの先行の時期および後続の時期の第2の特徴値に基づいて計算するために、第2のロジスティック回帰演算を実行するステップと、前記複数の時期のうちの各々の中間時期の睡眠段階を、前記対応する第1および第2の指示値に基づいて決定するために、さらなるロジスティック回帰演算を実行するステップと、をさらに含み得ることが好ましい。
上述の実施形態においては、例えば、複数のバイタルサイン特徴を受信し、複数のロジスティック回帰演算をそれぞれのバイタルサイン特徴に基づいて実行して、それぞれの指示値を計算することにより、これらの指示値に基づいてさらなるロジスティック回帰演算を実行して、各々の中間時期の睡眠段階を決定することができる。複数のバイタルサイン特徴の情報を考慮することにより、睡眠段階検出の結果の改善を達成することができる。複数のバイタルサイン特徴を考慮し、さらなるロジスティック回帰演算を実行することで、睡眠段階をよりよい精度で検出することができる。
前記ロジスティック回帰演算のうちの一のロジスティック回帰演算は、前記ロジスティック回帰演算のうちの他のロジスティック回帰演算の重み値とは異なる重み値を有することができる。
好ましくは、本方法は、前記複数の時期のうちのそれぞれの時期に対応する複数の第3の特徴値を含んでいる第3のバイタルサイン特徴を受信するステップと、前記複数の時期のうちの各々の中間時期について、第3の指示値を、対応する第3の特徴値ならびに前記複数の時期のうちの先行の時期および後続の時期の第3の特徴値に基づいて計算するために、第3のロジスティック回帰演算を実行するステップとをさらに含むことができ、前記さらなるロジスティック回帰演算は、前記複数の時期のうちの各々の中間時期の睡眠段階を、前記対応する第3の指示値が前記対応する中間時期の睡眠段階を表す場合に、前記対応する第3の指示値にさらに基づいて決定するように実行される。
この構成は、例えば第3のバイタルサイン特徴の対応する特徴値が補償されておらず、それゆえに第3の指示値が睡眠段階を表さない可能性があるため、好都合である。このような第3の指示値は、前記さらなるロジスティック回帰演算に使用されると、睡眠段階の決定の精度に影響を及ぼす可能性がある。したがって、睡眠段階を表している場合に限って第3の指示値を使用することによって、正確な睡眠段階検出の結果を達成することができる。
別の態様によれば、ロジスティック回帰のためのモデルを作成する方法であって、基準睡眠段階情報に関連するバイタルサイン特徴を受信するステップと、前記バイタルサイン特徴および前記基準睡眠段階情報から、複数のサブサンプルを含む相互検証セットを生成するステップと、複数の機械学習パラメータセットの各々により、モデルを使用して、前記サブサンプルのうちの各サブサンプルを、前記サブサンプルのうちの他のサブサンプルを参照して計算するステップと、前記基準睡眠段階情報と前記計算の結果との比較に基づいて、前記パラメータセットのうちの1つを前記モデルに関連付けるステップとを含む方法が提供される。
一実施形態においては、機械学習技術を使用することにより、バイタルサイン特徴と基準睡眠段階情報との間の相関を効率的に確認して、モデルで使用するためのパラメータセットを決定することができる。例えば、パラメータセットは、第1の睡眠期間に取り出された第1のパラメータセット、第2の睡眠期間に取り出された第2のパラメータセットを含むことができ、第1および第2の両方の睡眠期間を取り出し、および／または保存して、別のモデルへとプログラムすることができる。すなわち、或る睡眠期間のパラメータセットは、別の睡眠期間のパラメータセットから相違してもよい。別の例においては、ユーザの睡眠パターンの傾向を明らかにするために、第1のパラメータセットが第1の睡眠期間に取り出され、第2のパラメータセットが第2の睡眠期間に取り出され、第1および第2の両方の睡眠期間を取り出し、および／または保存して、傾向モデルへとプログラムすることができる。第3のパラメータセットが、第3の睡眠期間に取り出され、第3の睡眠期間は、時間空間において第1および第2の睡眠期間とは別個独立である。第3の睡眠期間を取り出し、および／または保存して、傾向モデルへとプログラムすることができる。
前記バイタルサイン特徴は、心拍数、パルス形状変動、および心拍変動の畳み込まれた高周波パワーのうちの1つに関係し得る。これらのバイタルサイン特徴は、睡眠段階に関係することが明らかになっており、したがって睡眠段階の検出に有用である。別の実施形態において、前記バイタルサイン特徴は、心拍変動の高周数におけるパワーの合計、心拍変動の低周波数におけるパワーの合計、心拍変動のLF／HF比、心拍の標準偏差にも関係し得る。これらのバイタルサイン特徴は、別のデバイスからの現在および／または過去のデータから取り出すことができるため、睡眠段階の検出に有用である。
好ましくは、本方法は、前記基準睡眠段階情報に関連する別のバイタルサイン特徴を受信するステップをさらに含み、前記相互検証セットは、前記別のバイタルサイン特徴からさらに生成される。別のバイタルサイン特徴を考慮することにより、相互検証セットは、睡眠段階を正確に検出するために使用できるより多くの情報を含む。
前記バイタルサイン特徴を、少なくとも3つの連続する時期によってスライスすることができる。前記少なくとも3つの連続する時期は、該連続する時期のうちの中間時期に関して、該連続する時期のうちの先行の時期と、前記中間時期と、後続の時期とを含むことができる。後続の時期を考慮することで、睡眠段階をより正確に検出することができる。説明される実施形態において、前記少なくとも3つの連続する時期は、11個の時期を含む。加えて、前記少なくとも3つの連続する時期は、少なくとも30分の総ウインドウ期間に対応するように構成される。睡眠データは、継続時間が1時間を超える可能性がある（例えば、7～8時間）。睡眠データを一実施形態においては1時間ごとの期間または区間に「スライス」することにより、データが睡眠サイクルに類似し、したがって睡眠段階の計算を効率的に行うことが可能になる。
前記バイタルサイン特徴を、正規化することができる。さらに、前記バイタルサイン特徴を、欠落部分に関して補償することができる。例えば、欠落部分を、最大プーリングを使用して補償することができる。このような技術は、偽陽性または偽陰性の検出につながりかねない検出結果へのこのような欠落部分の悪影響を低減するために有用である。あるいは、このような欠落部分を、実装に応じて、ランダム値、平均値、最も近い値、線形補間、などで置き換えてもよい。
別の態様によれば、心拍変動特徴を抽出する方法であって、心拍変動パワースペクトル密度の高周波部分を、畳み込みニューラルネットワークモデルに関する畳み込みフィルタで畳み込むことで、心拍変動のそれぞれのパターンを表す複数の畳み込み値を生成するステップと、前記畳み込み値について実行される活性化関数演算の結果にもとづいて、前記畳み込み値のうちの1つを選択するステップとを含む方法が提供される。
開示される一実施形態において、本方法は、高周波部分における低パワーの検出がREMを強く示唆するという心拍変動パワースペクトル密度の高周波部分と急速眼球運動（REM）との間の相関が考慮されるという点で、好都合である。
前記選択される畳み込み値は、前記実行される活性化関数からもたらされる最大値に対応することが好ましい。最大値は、睡眠段階の導出への協調的なアプローチを好都合に提供するREMおよび／またはNREM睡眠段階に対応する。
さらに、前記高周波部分は、好ましくは0．15Hzから0．4Hzまでの範囲である。心拍変動パワースペクトル密度は、この周波数部分において睡眠段階との関連性がきわめて高いことが明らかになっている。この周波数範囲のスペクトル情報を考慮することにより、得られる心拍変動特徴は、睡眠段階をよりよく示す。
パワースペクトル密度を、その高周波部分および低周波部分にわたって正規化することができる。正規化は、データの尺度を捨ててしまうが、代わりに適応のための一貫したパワースペクトル密度をもたらす。
好ましくは、前記活性化関数演算は、正規化線形関数、ソフトレルー、およびシグモイド関数のうちの1つに関する。
本開示の別の態様によれば、心拍変動特徴を抽出するためのモデルの作成の方法であって、基準睡眠段階情報に関連して、心拍変動パワースペクトル密度を表すバイタルサイン特徴を受信するステップと、前記基準睡眠段階情報を参照して前記バイタルサイン特徴に基づく機械学習を使用して畳み込みフィルタを含むモデルを作成するステップとを含む方法が開示される。そのようなモデルを使用して生理学的信号を導出することにより、心拍変動の高周波成分は、睡眠段階検出のための比較的一貫した基礎として役立つ。
前記バイタルサイン特徴は、好ましくは、5分の各区間内の3分の区間についての生理学的信号から導出される。睡眠段階検出の精度に大きな影響を与えることなく、消費電力を削減することができる。あるいは、前記バイタルサイン特徴を、或る時期に関して、その時期の区間よりも短い区間についての生理学的信号から導出してもよい。
好ましくは、前記バイタルサイン特徴は正規化される。
前記機械学習は、好ましくは、畳み込みニューラルネットワークを含む。モデルの学習のための畳み込みニューラルネットワーク（CNN）アルゴリズムは、HRV PSDおよび睡眠段階の両方における情報を関連付けることができる。HRV PSDを、或る時間期間にわたる周波数ドメインにおけるHRV変化のパターンを含み得る画像と見なすことができる。REMおよびNREM睡眠段階パターンに一致するHRV PSDにおける交互の低パワーおよび高パワーのパターンを、実験データにおいて認めることができる。CNNアルゴリズムを使用して、このような画像の情報を抽出することができる。
開示される一実施形態において、CNNアルゴリズムを使用する1つの利点は、CNNアルゴリズムが、予測誤差を最小化または低減できる畳み込みフィルタ、活性化関数、データプーリング方法、およびニューラルネットワークの重みの最適化により、HRV PSDをREM／NREM睡眠段階に関係する計算値へと処理できることである。換言すると、CNNアルゴリズムは、HRV PSDをモデルの学習を通じて睡眠段階を表す計算値へと要約するまたは他のやり方で処理することができる。1つの典型的な構成における本開示は、HRVの周波数、時間ドメイン、およびパワー密度を含む少なくとも3次元のデータを好都合に処理する。
収集または取得された情報を使用して、ウェアラブルデバイスから収集された情報とともに、別のデバイスから取得された他の情報と最終的に適用することが可能である。反対に、HR、HRV、およびパルス形状変動などの情報を任意の種類のセンサから取得し、機械学習アルゴリズムによって情報をさらに精密にすることができる。
別の態様によれば、医療投薬を導出する方法であって、第1の時間期間の睡眠段階情報を受信するステップと、前記第1の時間期間と第2の時間期間との間で睡眠段階情報を受信して比較するステップと、規範的な医療投薬を生じさせる基準睡眠段階情報を提供するステップとを含む方法が開示される。
別の態様によれば、医療投薬に対する反応性を評価する方法であって、第1の時間期間の睡眠段階情報を受信するステップと、前記第1の時間期間の睡眠段階情報との比較のために第2の時間期間の睡眠段階情報を受信するステップと、前記第1および第2の時間期間の間に行われる医療投薬に対する反応性を、前記比較の結果に基づいて評価するステップとを含む方法が開示される。
規範的な前記医療投薬は、鎮痙剤、ベンゾジアゼピン、およびエマゼパムのうちの少なくとも1つに関係し得る。
本開示の別の態様によれば、プロセッサに上述の方法のいずれかを実行させるための命令を含むコンピュータ可読媒体が開示される。
好ましくは、前記命令は、ファームウェアに実装されるように構成される。それらの単純さゆえに、上述の方法の少なくともいくつかは、ファームウェアにおける命令の形態での実装にとくに好適であるが、これに限られるわけではない。
本開示の別の態様によれば、プロセッサと、該プロセッサに上述の方法のいずれかを実行させるための命令を含むストレージデバイスとを備えるコンピューティングデバイスが開示される。
ストレージデバイスは、好ましくはファームウェアチップである。上述したように、上述の方法の少なくともいくつかを、それらの単純さおよび低いハードウェア要件ゆえに、ファームウェアを使用して実装することができる。
本開示の別の態様によれば、プロセッサに上述の方法のいずれかを実行させるための命令を含むストレージデバイスを備えるウェアラブルデバイスが開示される。
ストレージデバイスは、好ましくはファームウェアチップである。上述のように、上述の方法の少なくともいくつかを、ファームウェアを使用して実装することができる。
ウェアラブルデバイスは、好ましくは、長期間にわたるデータ収集を容易にできる腕時計の形態である。
或る1つの態様に関連する特徴が、他の態様に適用可能であってよいと考えられる。
次に、添付の図面を参照して、典型的な実施形態を説明する。
本開示の一実施形態によるコンピューティングデバイスの典型的なシステムブロック図を示している。 図1のコンピューティングデバイスによって実行される睡眠段階検出の方法のフローチャートを示している。 図1のコンピューティングデバイスによって実行されるロジスティック回帰のモデルを作成するための方法のフローチャートを示している。 学習データセットの生成の例を示している。 図1のコンピューティングデバイスによって実行される心拍変動特徴を抽出するための方法のフローチャートを示している。 図1のコンピューティングデバイスによって実行される心拍変動特徴を抽出するためのモデルを作成するための方法のフローチャートを示している。 （ａ）～（ｃ）に、図1のコンピューティングデバイスによって実行されるデータエラー補償の種々の状況を示している。 図1のコンピューティングデバイスによって実行される複数のロジスティック回帰演算およびその後のさらなるロジスティック回帰演算ならびに3つのバイタルサイン特徴を含む睡眠段階計算の典型的な状況を示している。 スライディングウインドウのやり方でロジスティック回帰演算を実行する図1のコンピューティングデバイスの典型的な状況を示している。 図1のコンピューティングデバイスによって実行される計算の種々の段階における種々の信号の折れ線グラフを示している。 図2の方法を使用して得られた睡眠段階検出の結果の誤差割合のブランド－アルトマン・プロットを示している。 大うつ病性障害の患者のREM割合および頻度のヒストグラムを示している。 腕時計またはウェアラブルデバイスの形態の図1のコンピューティングデバイスの実施形態を示している。 図12Aのウェアラブルデバイスのヘッドアセンブリの概略図を示している。 図12Aのヘッドアセンブリの概略の断面図を示している。 典型的な状況における図12Aのウェアラブルデバイスから別のコンピューティングデバイスへの計算された睡眠段階情報の無線送信の事例を示している。
図1が、本開示のいくつかの方法の実施形態の実行に適した典型的なコンピューティングデバイス100のシステムブロック図を示している。コンピューティングデバイス100は、プロセッサ101、ファームウェアチップ102、ストレージデバイス103、生理学的センサ104（例えば、心電図センサ、フォトプレチスモグラムセンサ、またはそれらの組み合わせ）、およびプロセッサ101に動作可能に関連付けられた通信インターフェース105（有線または無線）を含む。生理学的測定が可能な任意の種類のセンサを使用できることに、注目すべきである。一実施形態において、コンピューティングデバイス100は、小型デバイス（例えば、ウェアラブルデバイス）の形態をとる。別の実施形態において、コンピューティングデバイス100は、コンピュータ（例えば、サーバ）の形態をとる。さらに別の実施形態において、コンピューティングデバイス100は、モバイルデバイスの形態をとる。プロセッサ101によって実行することができる命令を、ファームウェアチップ102、ストレージデバイス103、またはそれらの組み合わせに保存することができる。
図2が、本開示の一実施形態による睡眠段階検出の方法200のフローチャートを示している。方法200を具現化する命令の保存および実行は、上述のとおりである。さらに、この実施形態におけるコンピューティングデバイス100は、ウェアラブル睡眠段階追跡デバイス100の形態をとる。ステップ201において、プロセッサ101は、任意の適切な身体部分（例えば、手首、上腕、人差し指、首、または頭）に装着されたセンサ104から生理学的信号を受信する。
ステップ202において、プロセッサ101は、生理学的信号から、心拍数（HR）、心拍変動の畳み込まれた高周波パワー（Conv＿HF）、およびパルス形状変動（PSV）を表すバイタルサイン特徴を抽出する。他の実施形態において、バイタルサイン特徴は、さらなる生理学的特徴を表すことができる。バイタルサイン特徴は、対応する時期の睡眠段階にそれぞれ対応する一連の特徴値の典型的な形態を具現化し得る。換言すると、各々のバイタルサイン特徴は、複数の時期のそれぞれに対応する複数の特徴値を含む。例えば、心拍変動の畳み込まれた高周波パワーを例にとると、バイタルサイン特徴の各々の特徴値は、それぞれの時期における変動の固有のパターンを表すことができる。しかしながら、他の実施形態において、プロセッサ101は、生理学的信号から任意の数（例えば、1つ、2つ、または4つ）のバイタルサイン特徴を抽出することができる。
パルス形状変動（PSV）を、入力された生理学的信号（例えば、PPG信号）のパルス形状から導出されるバイタルサイン特徴の標準偏差と称することができ、例えばパルスの時間間隔情報、歪度、大きさ、積分および微分情報、周波数成分、またはそれらの派生物に基づいて計算することができる。
ステップ203において、プロセッサ101は、バイタルサイン特徴に欠落データ部分が存在するのであれば、そのようなデータ部分を補償する。欠落データ部分は、例えば、センサ信号の質が良好でないことで生じる可能性がある。このような補償によって、検出結果への欠落データ部分の影響を減らすことができる。バイタルサイン特徴の欠落データ部分の補償は、図6に関連して以下で詳しく説明される。欠落データ部分の補償は、少なくとも2つの一連の入力の抽出を有することができる。あるいは、欠落データ部分の補償は、一組の別の一連の入力の抽出を含むことができる。別の代案は、少なくとも2つの一連の入力および一組の別の一連の入力の抽出の組み合わせを有することができる。
ステップ204において、プロセッサ101は、補償されているかどうかにかかわらず、バイタルサイン特徴を正規化する。
ステップ205において、プロセッサ101は、少なくとも1つのモデル（例えば、学習済みのモデル）を使用して、処理されたバイタルサイン特徴から各々の時期の睡眠段階を計算（例えば、決定、検出、または分類）する。このステップにおいて、プロセッサ101は、機械学習分類器の機能を実行し、バイタルサイン特徴から各々の時期の睡眠段階を計算する。睡眠段階は、計算の結果に基づいて、急速眼球運動（REM）および非REM（NREM）の一方であると判断される。この計算ステップについては、図7、図8、および図9に関連して以下でさらに詳しく説明される。少なくとも1つのモデルを、ファームウェアチップ102またはストレージデバイス103に格納することができる。しかしながら、少なくとも1つのモデルを、以下で詳細に説明される任意のコンピューティングプラットフォーム上で機械学習を使用して作成し、発展させ、あるいは学習させることができる。少なくとも1つのモデルがクラウドサーバに独立して格納される場合、プロセッサ101による少なくとも1つのモデルの取り出しは、一構成において、クラウドサーバに接続またはリンクする通信インターフェース105を介して通信するプロセッサ101に基づく。バイタルサイン特徴を、代案の実施形態においては、プロセッサ101によって、睡眠段階の計算のための少なくとも1つのモデルを実行するクラウドサーバに提供することができる。その後に、コンピューティングデバイス100のプロセッサ101は、睡眠段階の計算結果をクラウドサーバに要求する（例えば、クラウドサーバから取り出す）ことができる。一実施形態においては、睡眠段階の計算結果を別のデバイスへと転送することができ、別のデバイスは、睡眠段階の計算結果を計算のための別のデバイス内の情報と組み合わせ、あるいは抽出するようにプログラムされてよい。換言すると、睡眠段階の計算の負荷の一部またはすべてを、プロセッサ101からクラウドサーバなどの関連する処理プラットフォームに移すことができる。各々の時期の計算または検出された睡眠段階を、プロセッサ101などによって、睡眠段階ヒプノグラムへと処理することができる。
ステップ205の目的のために、機械学習分類（例えば、ロジスティック回帰）のためのモデルが使用される。モデルの作成（例えば、学習）は、図3Aに関連して後述される。ひとたび新たなモデルの学習が行われる（すなわち、パラメータセットがモデルに関連付けられる）と、定数のセットを含むことができる関連のパラメータセットを、コンピューティングデバイス100のファームウェアチップ102に格納することができる。モデルの学習／再学習または適応モデリングを、リアルタイムで実行することができ、パラメータセットを、ファームウェアチップに格納されていない場合には、例えばパラメータセットを格納する関連のサーバデバイスなど、外部から取得する必要があるかもしれない。パラメータセットを、ユーザの睡眠パターンの将来の長期にわたる記録、傾向分析、および追跡を可能にするために、クラウドサービスをホストするサーバに転送することができる。対照的に、既存のPSG技術は、移動が不可能であるという性質ゆえに、このような効率的なやり方でユーザの睡眠パターンをチェックするために使用することは不可能である。
したがって、機械学習アルゴリズムがバイタルサイン特徴に基づく睡眠段階検出に使用されることを、理解できるであろう。機械学習アルゴリズムを、利用可能な機械学習ツールを使用して実装することができる。ロジスティック回帰を、例えば、MATLAB（登録商標）プログラミング言語を使用して実装することができる。機械学習アルゴリズム（例えば、ロジスティック回帰）は、入力特徴を2つのクラスに最良に分離することができる入力特徴の線形結合である線形境界を探索する。これを、学習データの分類において系の誤差を小さくすることによって実行することができる。得られる出力は、パラメータセットのうちの前記1つによって表されるように迂回される特徴の線形結合のセットである。これがモデルと見なされる。このモデルを新たな入力セットに適用して、対象の分類、すなわち図2の状況におけるREMまたはNREM睡眠段階を検出することができる。機械学習を使用して、以下で説明されるように、バイタルサイン特徴を導出することも可能である。
図3Aは、本開示の一実施形態によるロジスティック回帰のモデルを作成する方法300のフローチャートを示している。この実施形態におけるコンピューティングデバイス100は、機械学習動作を実行するように構成されたサーバデバイス100の形態をとる。作成されたモデルを、ステップ205の目的に使用することができる。
ステップ301において、プロセッサ101は、基準睡眠段階情報に関連して、通信インターフェース105を介して生理学的信号を受信する。あるいは、生理学的信号を、基準睡眠段階情報に関連して生理学的センサ104から受信してもよい。基準睡眠段階情報および生理学的信号を、同時に受信しても、他のかたちで受信してもよい。基準睡眠段階情報は、当局によって試験および承認されたデバイスであってよい基準デバイスによってもたらされる。
基準睡眠段階情報は、例えば、睡眠段階検出のゴールドスタンダードへの約89％の一致をもたらすように、FDAによって承認された医療デバイスから導出することができる。
ステップ302において、この実施形態におけるプロセッサ101は、生理学的信号から、心拍数（HR）、心拍変動の畳み込まれた高周波パワー（Conv＿HF）、およびパルス形状変動（PSV）をそれぞれ表すバイタルサイン特徴を抽出する。他の実施形態において、バイタルサイン特徴は、他の種類のさらなる生理学的特徴を表すことができる。
ステップ303において、プロセッサ101は、任意の適切な順序で、この実施形態においては少なくとも1時間のウインドウ期間の合計スパンを有する少なくとも3つの連続する時期をスライスし、欠落データ部分があれば補償し、スライスの標準スコアによってスライスを正規化することによって、バイタルサイン特徴を処理する。あるいは、ウインドウ期間の合計スパンは、少なくとも30分であってよい。別の実施形態においては、ウインドウ期間の異なる複数の合計スパンを混合してもよい。例えば、1時間のウインドウ期間が少なくとも4つ存在し、30分のウインドウ期間が少なくとも6つ存在し、結果として少なくとも7時間の合計スパンであってよい。少なくとも8時間の合計スパンの場合、混合は、例えば、1時間の少なくとも5つのウインドウ期間および30分の少なくとも6つのウインドウ期間であってよい。
ステップ304において、プロセッサ101は、処理されたバイタルサイン特徴を基準睡眠段階情報と組み合わせて、複数のサブサンプルからなるデータセットを生成する。モデルの学習のための相互検証セットおよびモデルの評価のためのブラインドテストセットを、データセットから導出することができる。相互検証セットは、（k）個の等しいサイズのサブサンプルを含む、あるいは（k）個の等しいサイズのサブサンプルへと分割される。
ステップ305において、プロセッサ101は、相互検証セット内のサブサンプルの各々を、相互検証セット内の他のサブサンプル（k－1）を参照して、複数の機械学習パラメータセットの各々によるモデルを使用して計算（例えば、決定、予測、または推定）する。換言すると、各々のサブサンプルが、他のサブサンプル（k－1）を使用してプロセッサ101によって計算される。この計算プロセスは、相互検証セットの各々のサブサンプルが、相互検証セットの他のサブサンプルを使用するプロセッサ101による計算のための計算ターゲットとして機能するように、各々の機械学習パラメータセットについて（k）回繰り返される。したがって、サブサンプルのうちの前記1つのサブサンプルを、モデルにとって未知のターゲットサブサンプルと呼ぶことができる一方で、サブサンプルのうちの残りのサブサンプルを、ターゲットサブサンプルを計算するための基礎として機能するトレーニングサブサンプルと呼ぶことができる。このような構成によれば、各々のサブサンプルは、トレーニングサブサンプルを「汚染」することなく、ターゲットサブサンプルとして1回だけ機能する。したがって、計算された睡眠段階情報は、過剰適合のパフォーマンスではなく、一般化されたパフォーマンスを表す。
計算に続いて、プロセッサ101は、パラメータセットごとに、計算されたターゲットサブサンプルを組み合わせて、基準睡眠段階情報と比較するための計算された睡眠段階情報を形成する。
ステップ306において、プロセッサ101は、計算された睡眠段階情報と基準睡眠段階情報との比較に基づいて、モデルをパラメータセットのうちの1つに関連付ける。とくに、基準睡眠段階情報に最もよく似た計算された睡眠段階情報をもたらすパラメータセットが、最高の計算精度（または、最低の計算誤差）を達成するためのモデルに関連付けられる。
図3Bは、学習データセットの生成の例を示しており、それぞれT1およびT2と表記された2つのテーブルを示している。この例において、テーブルT1を参照すると、バイタルサイン特徴のロジスティック回帰モデルの学習のための学習データセットが、バイタルサイン特徴の11個の特徴値（Xt－5～Xt＋5）を合わせて表す時刻t－5～t－1（先行の時期）、t（中間時期）、およびt＋1～t＋5（後続の時期）における特徴値を抽出することによって作成される。別の例においては、バイタルサイン特徴のロジスティック回帰モデルの学習のための学習データセットが、バイタルサイン特徴の5個の特徴値（Xt－2～Xt＋2）を合わせて表す時刻t－2～t－1（先行の時期）、t（中間時期）、およびt＋1～t＋2（後続の時期）における特徴値を抽出することによって作成される。tの時期における対応する基準睡眠段階は、セル（St）でマークされる。次に、アルゴリズムは、11個の特徴値（Xt－5～Xt＋5）および対応する基準睡眠段階（St）を再配置し、次いで、アルゴリズムは、再配置された特徴値および対応する基準睡眠段階を学習データセットとして取り扱う。学習データセットは、テーブルT2に示されている。それぞれの時刻tにおける各々の中間時期について、対応する基準睡眠段階が、対応する11個の特徴値（Xt－5～Xt＋5）に添えられる。11個の連続する時期における特徴値（Xt－5～Xt＋5）の間のREMまたはNREMの対応する基準睡眠段階（St）を表す線形関係を、計算することができる。線形関係は、重みを定義し、誤差の小さいREMおよびNREMの一方に対応する特定の時期における指示値を計算するために使用することができる。別の実施形態においては、各々のバイタルサイン特徴の特徴値の抽出に要する時間を、より長くなるように延長することができる。
図4は、独立して実行することができ、あるいは方法200のステップ202の一部として実行することができる心拍変動特徴を抽出する方法400のフローチャートを示している。この実施形態におけるコンピューティングデバイス100は、ウェアラブル睡眠段階追跡デバイス100の形態をとる。
ステップ401において、プロセッサ101は、コンピューティングデバイス100が受信した生理学的信号から、パルス間隔検出に基づいて心拍変動パワースペクトル密度を抽出する。
ステップ402において、プロセッサ101は、各々の周波数におけるパワーをスペクトルの低周波数部分および高周波数部分にまたがる総パワーで除算することによって、パワースペクトル密度を正規化する。ここで、低周波数部分は0．04Hzから0．15Hzまでの範囲であり、高周波数部分は0．15Hzから0．4Hzまでの範囲である。
ステップ403において、プロセッサ101は、パワースペクトル密度の高周波部分を畳み込みフィルタで畳み込み、それぞれの心拍変動特徴を表す複数の畳み込み値を生成する。各々の畳み込み値は、心拍変動パワースペクトル密度の高周波数部分の高パワーおよび低パワーのパターンを表す。畳み込みフィルタは、以下で説明される畳み込みニューラルネットワークモデルに関する。
ステップ404において、プロセッサ101は、畳み込み値について活性化関数を実行し、活性化関数の結果に基づいて畳み込み値のうちの1つを選択する。とくには、活性化関数の結果は、各々の畳み込み値のパターンと実際の睡眠段階との類似関係を示す。選択され畳み込み値は、心拍変動の畳み込まれた高周波パワー（Conv＿HF）を表すバイタルサイン特徴として機能する。
図5が、本開示の一実施形態による心拍変動特徴を抽出するためのモデルを作成する方法500のフローチャートを示している。この実施形態におけるコンピューティングデバイス100は、機械学習動作のための充分な処理リソースを備えたデスクトップパーソナルコンピュータ100の形態をとる。
ステップ501において、プロセッサ101は、基準睡眠段階情報に関連して、通信インターフェース105を介して生理学的信号を受信する。あるいは、生理学的信号を、基準睡眠段階情報に関連して生理学的センサ104から受信してもよい。基準睡眠段階情報および生理学的信号を、同時に受信しても、他のかたちで受信してもよい。基準睡眠段階情報は、当局によって試験および承認されたデバイスであってよい基準デバイスによってもたらされる。あるいは、基準睡眠段階情報を、当局によって試験および承認されたウェアラブルデバイスによってもたらしてもよい。
ステップ502において、プロセッサ101は、少なくとも3分（例えば、5分）の生理学的信号の各区間から、心拍変動パワースペクトル密度を表すバイタルサイン特徴を抽出する。信号を少なくとも3分の区間に分割する理由は、この工程が、信号をいくつかの時期に分割し、各々の時期の特徴を抽出するための工程だからである。換言すると、生理学的信号からのバイタルサイン特徴の抽出は、生理学的信号を複数の区間へと分割して、これら複数の区間の各々について実行され、各々の区間の継続時間は少なくとも3分である。この工程を実行しない場合、抽出されるHRV特徴は、セッションにおける特定の時間期間または時期ではなく、例えば睡眠セッション全体の信号を表すと考えられる。この実施形態において、各々の区間は5分であり、各々の区間において、生理学的信号の対応する部分の3分だけが、バイタルサイン特徴の導出または抽出に使用される。換言すると、バイタルサイン特徴は、5分の各区間のうちの3分間の生理学的信号から導出される。これは、5分の各区間のうち、特徴抽出に関連するコンポーネントが3分間しか動作せず、したがって消費電力が削減されることを意味する。他の実施形態において、各区間は5分以外であってよく、区間のうち、特徴抽出に使用される生理学的信号の対応する部分は、3分以外の長さであってよい。
ステップ503において、プロセッサ101は、各々の周波数におけるパワーをスペクトルの低周波数部分および高周波数部分にまたがる総パワーで除算することによって、パワースペクトル密度を正規化する。ここで、低周波数部分は0．04Hzから0．15Hzまでの範囲であり、高周波数部分は0．15Hzから0．4Hzまでの範囲である。
ステップ504において、正規化されたHRV PSDおよび学習データセットの基準睡眠段階が、機械学習アルゴリズム、とくには畳み込みニューラルネットワークに入力される。許容可能な精度または最高の精度を有する畳み込みフィルタ、活性化関数、およびデータプーリングを備えるモデルが選択され、例えば方法400においてConv＿HF特徴を抽出するために使用される。
とくには、モデルを、畳み込みニューラルネットワーク、CNN、およびプログラミング言語「R」に基づく「mxnet」などの既存のツールボックスを使用したアルゴリズムで学習させることができる。最初に、HRV PSD（特徴）と関連するREM／NREM睡眠段階（ラベル）とを含む学習セットが、CNNアルゴリズムへと入力される。CNNアルゴリズムは、分類または検出誤差が最小となる最良の畳み込みフィルタおよびニューラルネットワーク重みを計算することによって学習を実行する。学習プロセスは、モデルフィルタおよび重みのランダムな初期化から始まる。次に、逆伝播プロセスが実行され、より小さい誤差へと向かう勾配が計算され、反復のたびに重みが調整される。過剰適合を伴わずに誤差を低減または最小化するモデルを得るために、モデルは、検証セットにおいて誤差が最小になる適切なモデルパラメータ（例えば、畳み込みフィルタのサイズ、活性化関数の種類、データプーリング方法、隠れ層の数、学習の反復）を決定することによって微調整される。このようなやり方で、畳み込みフィルタ、活性化関数、およびデータプーリング方法を含む最適化されたモデルが選択され、HRV PSDをConv＿HF特徴へと導出するために使用される。
ステップ203および303に関連して上述したように、データエラー（例えば、欠落データ部分）が発生する可能性がある。プロセッサ101がバイタルサイン特徴においてそのようなエラーを検出した場合、この実施形態におけるプロセッサ101は、データエラーを補償しようと試みる。このようにしてデータエラーが修正された場合、補償されたバイタルサイン特徴が、その後の睡眠段階検出のステップにおいて使用される。しかしながら、データエラーが残る場合、睡眠段階検出の信頼性を維持するために、その時期は「不明」であると扱われる。図6（a）～図6（c）が、バイタルサイン特徴に関するプロセッサ101によるデータエラー補償のそれぞれの状況を示している。バイタルサイン特徴が、各々がそれぞれの時期に対応する一連の特徴値の形態をとるように例示されている。
図6（a）において、プロセッサ101は、バイタルサイン特徴601において特徴値の欠落を検出していない。補償は行われず、バイタルサイン特徴の特徴値が、後続のステップ（例えば、アルゴリズム演算）602において使用される。図6（b）において、プロセッサ101は、バイタルサイン特徴603においてゼロという3つの欠落している特徴値を検出し、そのうちの2つは連続している。プロセッサ101は、先行の特徴値および後続の特徴値を有する各々の中間特徴値について、これら3つの特徴値のうちの最大の特徴値を選択することによって、欠落している特徴値を補償し、補償されたバイタルサイン特徴605の新たな一連の特徴値を形成する。このような技法は、「最大プーリング」604と呼ばれることがある。次いで、補償されたバイタルサイン特徴605が、後続のステップ606（例えば、アルゴリズム演算）において使用される。図6（c）において、プロセッサ101は、バイタルサイン特徴607において、ゼロという4つの欠落している特徴値を検出し、そのうちの3つは連続している。プロセッサ101は、最大プーリング608を使用して同様のやり方で欠落している特徴値を補償し、補償されたバイタルサイン特徴609をもたらす。この状況において、3つの連続する欠落特徴値が、補償後に、補償されたバイタルサイン特徴609に、ゼロという別の特徴値をもたらす。データエラーが依然として存在するため、プロセッサ101は、睡眠段階検出の信頼性を維持するために、ステップ610において依然として存在するエラー（陰影付きで図示されたブロック）によってこの時期について睡眠段階が不明（この場合には「0」の特徴値によって表される）であると返答する。他の形態のデータエラーの訂正または補償が適用可能であることに注意すべきである。
上述の方法200のステップ205は、モデルを使用して各々の時期の睡眠段階を計算することを含む。プロセッサ101が、ステップ205において、各々の中間時期に関する睡眠段階を、各々がそれぞれの一連の特徴値v1～v11（図7の各々のバイタルサイン特徴701a～701cについては11個だけ示されている）によって表されてよい3つのバイタルサイン特徴701a～701c（例えば、それぞれ心拍数、パルス形状変動、および心拍変動の畳み込まれた高周波パワー）から計算する典型的な状況が、図7に示されている。各々のバイタルサイン特徴701a～701cについて、プロセッサ101は、それぞれのロジスティック回帰演算701a’～701c’を実行して、各々の中間時期（すなわち、時期のうちの中間の各時期）についての指示値702a～702cを、対応する特徴値v6および隣接する時期の特徴値v1～v5、v7～v11に基づいて計算する。隣接する時期は、それぞれの中間時期に時間的に隣接する時期である。この場合、隣接する時期は、中間時期（特徴値v6に対応する）の直前の5つの時期である5つの先行時期（それぞれの特徴値v1～v5に対応する）と、中間時期の直後の5つの時期である5つの後続時期（それぞれの特徴値v7～v11に対応する）とを含む。しかしながら、他の実施形態において、隣接する時期は、任意の数（例えば、1つ、2つ、または3つ）の先行および後続の時期を含むことができる。各々の指示値702a～702cは、それぞれの中間時期の睡眠段階を説明または表示する。
この実施形態において、各々のロジスティック回帰演算701a’～701c’は、プロセッサ101によって、重みおよびシグモイド関数を表すそれぞれのモデルを使用して（あるいは、参照して）実行される。すなわち、バイタルサイン特徴701a～701cの各々について、プロセッサ101は、それぞれのロジスティック回帰演算701a’～701c’を実行して、時期のうちの各々の中間時期についての指示値702a～702cを、対応する特徴値v6および時期のうちの隣接する時期の特徴値v1～v5、v7～v11に基づいて計算する。このように計算された指示値702a～702cは、対応する中間時期の睡眠段階を説明し、あるいは表す。より詳細には、各々のモデルに関して、モデルは複数の重みおよびシグモイド関数を含む。重みの数は、先行時期、中間時期、および後続時期の総数に対応し、この実施形態においては11である。この実施形態において、モデルは、それぞれの重みのセットで同じシグモイド関数を使用する。或るモデルの重みのセットは、別のモデルの重みのセットとは異なってよい。本明細書において使用されるとき、「重み」という用語は、「重み値」を意味する。上述したように、各々のバイタルサイン特徴の重みは、特定の時期の睡眠段階を最もよく表現または説明し、あるいは理想的に表現または説明するバイタルサイン特徴の特徴値の関係（線形結合）を表す。したがって、或るバイタルサイン特徴のそのような線形結合の各々は、別のバイタルサイン特徴（HR、Conv＿HF、PSV、など）のそのような線形結合と同じである可能性も、異なる可能性もある。
図7の同じ例において、中間時期についての指示値702a～702cを計算した後に、プロセッサ101は、対応する指示値702a～702cに基づいて中間時期の睡眠段階を決定するために、さらなるロジスティック回帰演算702’を実行する。さらなるロジスティック回帰演算702’は、ロジスティック回帰演算701a’～701c’のモデルから独立したモデル、またはロジスティック回帰演算701a’～701c’のモデルとは別個のモデルを使用する。具体的には、プロセッサ101は、それぞれの中間時期の指示値702a～702cに対して、さらなるロジスティック回帰演算を実行して、それぞれの中間時期についてのREM値703を計算する。それぞれの中間時期について、プロセッサ101は、REM値が所定のしきい値（例えば、0．5）を超える場合に、その時期がREMに相当すると決定し、そうでない場合、NREMに相当すると決定する。図6に関して説明したようにデータが欠落している場合、時期は、不明な睡眠段階に相当すると決定される。各々のロジスティック回帰演算701a’～701c’（図7において「回帰」という表示で示されている）を、第1段階のロジスティック演算であると見なすことができる一方で、さらなるロジスティック演算702’（図7において「さらなる回帰」という表示で示されている）を、第2段階のロジスティック演算であると見なすことができる。
各々のロジスティック回帰演算701a’～701c’が、入力された生理学的信号（例えば、PPG信号）から抽出されたそれぞれのバイタルサイン特徴の特徴値に依存して、各々の時期についてのそれぞれの指示値702a～702cを計算することを、理解できるであろう。次いで、さらなるロジスティック回帰演算702’が、得られた各々の時期の指示値702a～702cを入力として、その時期についてのREM値703を計算する。この実施形態において、さらなるロジスティック回帰演算702’は、演算701a’～701c’と同じシグモイド演算を使用するが、重みは異なる。
さらなるロジスティック回帰演算702’を、指示値702a～702cのうちの少なくとも2つによって実行できることに、注意すべきである。すなわち、特定の時期の指示値702a～702cのうちの1つが、例えば補償が成功せず、あるいは補償が行われなかったがゆえに、説明的でなく、あるいは決定的でない（例えば、値がゼロである）場合に、さらなるロジスティック回帰演算702’は、その特定の時期の指示値702a～702cのうちの残りの2つに基づいて実行される。すなわち、さらなるロジスティック回帰演算702’は、指示値702a～702cのうちの前記1つが特定の時期の睡眠段階を説明している場合、指示値702a～702cのうちの前記1つにさらに基づいて実行される。換言すると、さらなるロジスティック回帰演算702’は、対応する時期を説明する少なくとも2つの指示値を必要とし、さらなる非説明的な指示値は、さらなるロジスティック回帰演算702’から省略することが可能である。これにより、不首尾のセンサ検出によって引き起こされる可能性がある睡眠段階を説明しない指示値によって睡眠段階検出の精度が悪影響を被ることが防止または低減される。これを容易にするために、ロジスティック回帰演算701a’～701c’は、互いに独立したモデルまたは互いに別のモデルを使用することができる。
図7のプロセスは、この実施形態において、ロジスティック回帰のスライディングウインドウ（11個の時期）のやり方で、各々の中間時期について順次に実行される。図8を参照すると、プロセッサ101は、各々のバイタルサイン特徴701a～701cに関してロジスティック回帰演算701a’～701c’を実行して、バイタルサイン特徴701a～701cの各々の中間時期について指示値702a～702cを計算する。バイタルサイン特徴701a～701cのうちの1つの正規化された特徴値が、折れ線グラフ801に示されている。一連のブロック802によって表されるすべての時期のうちで、睡眠段階の計算のための中間時期は、陰影の付けられていないブロック802bおよび斜め線で陰影が付けられたブロック802cのそれぞれのブロックによって表される。折れ線グラフ801の正規化された特徴値は、この実施形態においては－1から2までの範囲であるが、他の実施形態においては別の範囲を有してもよい。陰影付きのブロック802aによって表される最初の5つの時期（中間でないと見なされる）の各々は、ゼロの特徴値を有するようにあらかじめ決定され、NREMとして識別される。これは、睡眠セッションが、典型的には30分から70分までの範囲であるNREM期間で始まるという事実に一致する。スライディングウインドウ方式にて、プロセッサ101は、上述したやり方で、睡眠セッションの終わり（斜め線で陰影が付けられたブロック802cのうちの最後のブロックによって表される）に向かって、後続の各々の中間時期の指示値702a～702cを順次計算する。計算された指示値702a～702cが、折れ線グラフ803にて示されている。
後続の時期が5つよりも少ない最後の5つの時期（斜め線で陰影が付けられたブロック802cによって示されている）について計算を実行するために、バイタルサイン特徴701a～701cは、最後の5つの時期の特徴値を鏡映しにする特徴値を有する5つの延長時期（図示せず）によって延長される。折れ線グラフ801の終わりの破線部分（図8において「AA」によって示されている）が、延長時期に相当し、延長時期に先行する最後の5つの時期に対応する実線部分（図8において「BB」によって示されている）を鏡映しにしている。あるいは、破線部分（「AA」）を、これにつながった最後の5つの時期の実線部分（「BB」）の反転された延長または鏡像延長と見なすことができる。このように、睡眠セッションの終わりに位置する最後の5つの時期（すなわち、斜め線で陰影が付けられたブロック802c）は、計算の目的において中間時期としても機能する。上述のやり方で、指示値702a～702cが、バイタルサイン特徴701a～701cのそれぞれの中間時期について計算される。他の実施形態においては、各々の中間時期についての指示値702a～702cの計算が、任意の等しい数または等しくない数の先行および後続の時期を考慮に入れることができる。例えば、先行および後続の時期の数が2であってよく、その場合、各々の中間時期の指示値の計算に、5つの時期が使用される。
図9が、3つのバイタルサイン特徴（HR、Conv＿HF、およびPSV）の折れ線グラフ901、ロジスティック回帰演算を使用してバイタルサイン特徴から計算された指示値の折れ線グラフ902、さらなるロジスティック回帰演算を使用して指示値から計算されたREM値の折れ線グラフ903、しきい値に基づいて折れ線グラフ903から導出された睡眠段階情報の折れ線グラフ904、および折れ線グラフ904と比較するための基準睡眠情報の折れ線グラフ905を示す図である。各々の時期について、その時期は、対応するREM値がしきい値（例えば、0．5）を超える場合にREMに相当すると判断され、そうでない場合はNREMに相当すると判断される。実装によっては、しきい値は0．5以外であってよい。
図10は、50夜にわたる基準睡眠段階情報に対する図1の実施形態に従って計算されたREM値の誤差割合を示すブランド－アルトマン・プロットである。x軸が誤差率の平均値を示している一方で、y軸は誤差率の差を表す値を示している。水平線が、0．09％という差の平均値を示している一方で、水平線の上方および下方の破線は、それぞれ－12．10および12．28という誤差の信頼区間を示している。水平線がゼロに近くなり、ドットが水平線に近付くほど、計算されたREM値はより正確である。
図11が、それぞれの被験者について上述のやり方で決定されたREM割合の3つのヒストグラムをそれぞれ含んでいる第1および第2の行1110、1120を示している。この例における被験者は、抑うつ障害の患者であり、他の応用においては、睡眠パターンの調整を望む健康な人物であってよい。各々の行1110、1120は、第1の期間に対応する第1のヒストグラム1111、1121（「期間1」と表記）、第1の期間の後の第2の期間に対応する第2のヒストグラム1112、1122（「期間2」と表記）、および第2の期間の後の第3の期間に対応する第3のヒストグラム1113、1123（「期間3」と表記）を含む。第1の行1110の被験者は、第1の期間の前、第1の期間と第2の期間との間、および第2の期間と第3の期間との間に、同一の調整されない用量の鎮痙剤を受け取る。第2の行1120の被験者は、第1の期間の前に初期用量の鎮痙剤を受け取り、第1の期間と第2の期間との間に増やされた用量の鎮痙剤を受け取り、第2の期間と第3の期間との間にさらに増やされた用量の鎮痙剤を受け取る。第2の行1120の患者が、高いREM割合の範囲の睡眠の高頻度の発生を経験し続けていることを、見て取ることができる。第1、第2、および第3の期間の各々は、この状況における睡眠の完全なサイクル（すなわち、全睡眠セッション）を表す。他の応用において、各期間は、より多くの睡眠サイクルを表すことができる。異なる被験者は、異なる長さの睡眠の完全なサイクルを有し得る。
ヒストグラム1111～1113、1121～1123によって表される情報は、被験者が経験するREMの範囲および頻度を調整するために被験者に投与される規範的な医療投薬または用量を決定するための基礎として役立ち得る。規範的な医療投薬または用量は、鎮痙剤、ベンゾジアゼピン、エマゼパム、または不眠症を緩和することができる任意の受容体作用薬に関係し得る。
具体的には、一実施形態による医療投薬に対する反応性を評価する方法は、第1の時間期間の睡眠段階情報を受信することと、第1の時間期間の睡眠段階情報との比較のために第2の時間期間の睡眠段階情報を受信することと、第1および第2の時間期間の間に行われる医療投薬に対する反応性を、比較の結果に基づいて評価することとを含む。第1の行1110の被験者の例においては、第2および第3の期間の間において、第1および第2の期間の間に行われる調整されない医療投薬に対する被験者の反応性の評価を、第1および第2の期間の睡眠段階情報を受信して比較することによって行うことができる。第2の行1120の被験者の例においては、第2および第3の期間の間において、第1および第2の期間の間に行われる、用量が増やされた医療投薬に対する被験者の反応性の評価を、第1および第2の期間の睡眠段階情報を受信して比較することによって行うことができる。評価の結果は、第2および第3の期間の間に行われるさらなる医療投薬を維持または調整するための基礎として役立つことができ、さらなる医療投薬に対する被験者の反応性を第3の期間の後で評価することができる。したがって、一実施形態による医療投薬を導出する方法が、第1の時間期間の睡眠段階情報を受信することと、第1の時間期間の睡眠段階情報との比較のために第2の時間期間の睡眠段階情報を受信することと、比較の結果に基づいて医療投薬を提供することとを含むことを、理解できるであろう。
図12Aは、腕時計またはウェアラブルデバイス1200の形態の図1のコンピューティングデバイス100の実施形態を示している。図12Bおよび図12Cをさらに参照すると、ウェアラブルデバイス1200は、他のコンポーネントの中でもとりわけ2つの生理学的センサ1211（そのうちの1つが図1の生理学的センサ104である）と、照明要素1212と、無線通信モジュール1213とを含むヘッドアセンブリ1210を含む。生理学的センサ1211および照明要素1212は、プロセッサ101に動作可能に関連付けられた生理学的センサ104を協働して形成する。無線通信モジュール1213は、プロセッサ101に関連付けられた通信インターフェース105の無線機能を提供するように機能する。ファームウェアチップ102および／またはストレージデバイス103が、方法200～500のステップのいずれかをプロセッサ101に実行させるための命令を格納することができる。例えば、ステップ201の目的のために、生理学的センサ1211および照明要素1212は、ウェアラブルデバイス1200を着用しているユーザの生理学的信号を取り込むようにプロセッサ101によって制御される。さらに、ウェアラブルデバイス1200がステップ205を実行する場合に、各々の時期について計算された睡眠段階を、プロセッサ101によって無線通信モジュール1213を介して無線で提供することができる。このようにして計算および送信された睡眠段階が、睡眠段階情報を構成することができる。図13をさらに参照すると、別のコンピューティングデバイス1300（例えば、図1に示したものと同様のコンポーネントを有するパーソナルコンピュータまたはサーバデバイス）が、第1および第2の時間期間のそのような睡眠段階情報をウェアラブルデバイス1200から無線で受信し、受信した睡眠段階情報を比較することができる。次いで、コンピューティングデバイス1300は、比較の結果に基づいて医療投薬を提供することができ、あるいは比較の結果に基づいて第1および第2の時間期間の間に行われる医療投薬への反応性を評価することができる。
単一のバイタルサイン特徴（例えば、第1のバイタルサイン特徴701a）を含む代案の実施形態においては、対応する第1のロジスティック回帰演算701a’からもたらされる中間時期の第1の指示値702aが中間時期の睡眠段階を表すがゆえに、さらなるロジスティック回帰演算702’を省略でき、第1の指示値702aが睡眠段階の決定のためのREM値703として機能し得る。

Claims (13)

  1. 睡眠段階検出の方法であって、
    フォトプレチスモグラム（PPG）信号から抽出され、複数の時期のうちのそれぞれの時期に対応する複数の第1の特徴値を含んでいる第1のバイタルサイン特徴を受信するステップと、
    前記複数の時期のうちの各々の中間時期について、該中間時期の睡眠段階を表す第1の指示値を、対応する前記中間時期の第1の特徴値ならびに前記複数の時期のうちの対応する前記中間時期より前の時期である先行の時期および対応する前記中間時期より後の時期である後続の時期の第1の特徴値に基づいて計算するために、第1のロジスティック回帰演算を実行するステップと
    を含み、
    前記第1のロジスティック回帰演算は、機械学習分類モデルを用いて実行される、方法。
  2. 前記第1のバイタルサイン特徴は、心拍数、パルス形状変動、および心拍変動の畳み込まれた高周波パワーのうちの1つに関する、請求項1に記載の方法。
  3. 前記第1のロジスティック回帰演算は、重み付けおよびシグモイド演算を含む、請求項1または2に記載の方法。
  4. 前記PPG信号から抽出され、前記複数の時期のうちのそれぞれの時期に対応する複数の第2の特徴値を含んでいる第2のバイタルサイン特徴であって、前記第1のバイタルサイン特徴のユーザに属する第2のバイタルサイン特徴を受信するステップと、
    前記複数の時期のうちの各々の中間時期について、該中間時期の睡眠段階を表す第2の指示値を、対応する前記中間時期の第2の特徴値ならびに前記複数の時期のうちの対応する前記中間時期より前の時期である先行の時期および対応する前記中間時期より後の時期である後続の時期の第2の特徴値に基づいて計算するために、第2のロジスティック回帰演算を実行するステップと、
    前記複数の時期のうちの各々の中間時期の睡眠段階を、前記対応する第1および第2の指示値に基づいて決定するために、さらなるロジスティック回帰演算を実行するステップと
    をさらに含み、
    前記第2のロジスティック回帰演算は、機械学習分類モデルを用いて実行される、請求項1～3のいずれか一項に記載の方法。
  5. 前記ロジスティック回帰演算のうちの一のロジスティック回帰演算は、前記ロジスティック回帰演算のうちの他のロジスティック回帰演算の重み値とは異なる重み値を有する、請求項4に記載の方法。
  6. 前記PPG信号から抽出され、前記複数の時期のうちのそれぞれの時期に対応する複数の第3の特徴値を含んでいる第3のバイタルサイン特徴であって、前記第1のバイタルサイン特徴のユーザに属する第3のバイタルサイン特徴を受信するステップと、
    前記複数の時期のうちの各々の中間時期について、第3の指示値を、対応する前記中間時期の第3の特徴値ならびに前記複数の時期のうちの対応する前記中間時期より前の時期である先行の時期および対応する前記中間時期より後の時期である後続の時期の第3の特徴値に基づいて計算するために、第3のロジスティック回帰演算を実行するステップと
    をさらに含み、
    前記さらなるロジスティック回帰演算は、前記複数の時期のうちの各々の中間時期の睡眠段階を、前記対応する第3の指示値が前記対応する中間時期の睡眠段階を表す場合に、前記対応する第3の指示値にさらに基づいて決定するように実行され、
    前記第3のロジスティック回帰演算は、機械学習分類モデルを用いて実行される、請求項4または5に記載の方法。
  7. ロジスティック回帰のための前記機械学習分類モデルをトレーニングするステップをさらに含み、
    前記トレーニングするステップは、
    基準睡眠段階情報に関連するトレーニングのためのバイタルサイン特徴を受信するステップと、
    前記トレーニングのためのバイタルサイン特徴および前記基準睡眠段階情報から、複数のサブサンプルを含む相互検証セットを生成するステップと、
    複数の機械学習パラメータセットの各々により、前記機械学習分類モデルを使用して、前記サブサンプルのうちの各サブサンプルを、前記サブサンプルのうちの他のサブサンプルを参照して計算するステップと、
    前記基準睡眠段階情報と前記計算の結果との比較に基づいて、前記パラメータセットのうちの1つを前記機械学習分類モデルに関連付けるステップと
    を含む、請求項1に記載の方法。
  8. 前記トレーニングのためのバイタルサイン特徴は、心拍数、パルス形状変動、および心拍変動の畳み込まれた高周波パワーのうちの1つに関する、請求項7に記載の方法。
  9. 前記基準睡眠段階情報に関連するさらなるトレーニングのためのバイタルサイン特徴を受信するステップ
    をさらに含み、
    前記さらなるトレーニングのためのバイタルサイン特徴は、前記トレーニングのためのバイタルサイン特徴のユーザに属し、前記トレーニングのためのバイタルサイン特徴とは異なっており、
    前記相互検証セットは、前記さらなるトレーニングのためのバイタルサイン特徴からさらに生成される、請求項7または8に記載の方法。
  10. 前記相互検証セットを生成するステップは、
    前記トレーニングのためのバイタルサイン特徴を前記基準睡眠段階情報と組み合わせて前記相互検証セットを導出すること
    を含む、請求項7～9のいずれか一項に記載の方法。
  11. 前記トレーニングのためのバイタルサイン特徴は、正規化される、請求項7～10のいずれか一項に記載の方法。
  12. 前記トレーニングのためのバイタルサイン特徴は、欠落部分に関して補償される、請求項7～11のいずれか一項に記載の方法。
  13. 前記欠落部分は、最大プーリングを使用して補償される、請求項12に記載の方法。
JP2020545662A 2018-03-02 2019-02-28 睡眠段階検出のための方法、コンピューティングデバイス、およびウェアラブルデバイス Active JP7344213B2 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2023140949A JP2023159436A (ja) 2018-03-02 2023-08-31 睡眠段階検出のための方法、コンピューティングデバイス、およびウェアラブルデバイス

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
SG10201801850P 2018-03-02
SG10201801850P 2018-03-02
PCT/SG2019/050111 WO2019168474A1 (en) 2018-03-02 2019-02-28 Method, computing device and wearable device for sleep stage detection

Related Child Applications (1)

Application Number Title Priority Date Filing Date
JP2023140949A Division JP2023159436A (ja) 2018-03-02 2023-08-31 睡眠段階検出のための方法、コンピューティングデバイス、およびウェアラブルデバイス

Publications (3)

Publication Number Publication Date
JP2021514768A JP2021514768A (ja) 2021-06-17
JPWO2019168474A5 JPWO2019168474A5 (ja) 2022-02-15
JP7344213B2 true JP7344213B2 (ja) 2023-09-13

Family

ID=67808805

Family Applications (2)

Application Number Title Priority Date Filing Date
JP2020545662A Active JP7344213B2 (ja) 2018-03-02 2019-02-28 睡眠段階検出のための方法、コンピューティングデバイス、およびウェアラブルデバイス
JP2023140949A Pending JP2023159436A (ja) 2018-03-02 2023-08-31 睡眠段階検出のための方法、コンピューティングデバイス、およびウェアラブルデバイス

Family Applications After (1)

Application Number Title Priority Date Filing Date
JP2023140949A Pending JP2023159436A (ja) 2018-03-02 2023-08-31 睡眠段階検出のための方法、コンピューティングデバイス、およびウェアラブルデバイス

Country Status (8)

Country Link
US (2) US11839485B2 (ja)
EP (1) EP3759722A4 (ja)
JP (2) JP7344213B2 (ja)
KR (1) KR20200127202A (ja)
CN (1) CN112088408A (ja)
AU (1) AU2019227364A1 (ja)
SG (1) SG11202008455WA (ja)
WO (1) WO2019168474A1 (ja)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7523063B2 (ja) 2020-09-29 2024-07-26 パナソニックＩｐマネジメント株式会社 状況推定装置、サーバ装置、状況推定システム、及び状況推定方法
CN112869711B (zh) * 2021-01-19 2022-06-03 华南理工大学 一种基于深度神经网络的自动睡眠分期及迁移方法
CN112932433B (zh) * 2021-02-05 2022-11-08 青岛大学 一种心电图的心律失常自动分类方法
WO2022245593A1 (en) * 2021-05-21 2022-11-24 Oura Health Oy Sleep staging algorithm
CN113317804B (zh) * 2021-05-28 2022-08-26 清华大学 一种康复效率预测方法、及其训练装置和计算机设备
CN113303814B (zh) * 2021-06-13 2022-07-05 大连理工大学 基于深度迁移学习的单通道耳脑电自动睡眠分期方法
US20230065695A1 (en) * 2021-08-24 2023-03-02 Oura Health Oy Location-based activity tracking
KR102665153B1 (ko) * 2021-11-30 2024-05-13 (주)허니냅스 수면 무호흡 증 진단 장치 및 그 동작 방법
CN115881305B (zh) * 2023-03-03 2023-05-16 安徽星辰智跃科技有限责任公司 一种睡眠趋稳性检测量化及辅助干预的方法、系统和装置
CN116682535B (zh) * 2023-08-03 2024-05-10 安徽星辰智跃科技有限责任公司 基于数值拟合的睡眠可持续性检测调节方法、系统和装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012114588A1 (ja) 2011-02-22 2012-08-30 オムロンヘルスケア株式会社 睡眠評価装置および睡眠評価装置における表示方法
JP2017221413A (ja) 2016-06-15 2017-12-21 日本電信電話株式会社 睡眠モデル作成装置、睡眠段階推定装置、方法およびプログラム
WO2018070935A1 (en) 2016-10-11 2018-04-19 National University Of Singapore Determining sleep stages

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5596993A (en) * 1994-09-21 1997-01-28 Beth Israel Hospital Fetal data processing system and method
US20090198145A1 (en) 2008-02-06 2009-08-06 Chow Harrison Compositions, methods, and systems for rapid induction and maintenance of continuous rem sleep
AU2015268701A1 (en) 2008-11-14 2016-01-07 Neurovigil, Inc. Methods of Identifying Sleep & Waking Patterns and Uses
JP2012508628A (ja) 2008-11-14 2012-04-12 ニューロヴィジル，インク． 睡眠と覚醒のパターンの識別の方法およびその利用
JP2014024774A (ja) 2012-07-25 2014-02-06 Lion Corp 睡眠の質改善剤
US10492720B2 (en) * 2012-09-19 2019-12-03 Resmed Sensor Technologies Limited System and method for determining sleep stage
US9728059B2 (en) * 2013-01-15 2017-08-08 Fitbit, Inc. Sedentary period detection utilizing a wearable electronic device
US9655559B2 (en) 2014-01-03 2017-05-23 Vital Connect, Inc. Automated sleep staging using wearable sensors
US20170274174A1 (en) * 2014-08-22 2017-09-28 The General Hospital Corporation System and method for administering, monitoring and controlling biomimetic sleep
CN107106028B (zh) 2014-12-18 2020-07-21 皇家飞利浦有限公司 用于心肺睡眠阶段分类的系统和方法
TWI542322B (zh) * 2014-12-22 2016-07-21 財團法人工業技術研究院 睡眠事件偵測方法與系統
WO2016170005A1 (en) * 2015-04-20 2016-10-27 Resmed Sensor Technologies Limited Detection and identification of a human from characteristic signals
US10321871B2 (en) 2015-08-28 2019-06-18 Awarables Inc. Determining sleep stages and sleep events using sensor data
US11589758B2 (en) * 2016-01-25 2023-02-28 Fitbit, Inc. Calibration of pulse-transit-time to blood pressure model using multiple physiological sensors and various methods for blood pressure variation
JP6439729B2 (ja) 2016-03-24 2018-12-19 トヨタ自動車株式会社 睡眠状態推定装置
US10750958B2 (en) * 2016-09-15 2020-08-25 Whoop, Inc. Variable brightness and gain for optimizing signal acquisition

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012114588A1 (ja) 2011-02-22 2012-08-30 オムロンヘルスケア株式会社 睡眠評価装置および睡眠評価装置における表示方法
JP2017221413A (ja) 2016-06-15 2017-12-21 日本電信電話株式会社 睡眠モデル作成装置、睡眠段階推定装置、方法およびプログラム
WO2018070935A1 (en) 2016-10-11 2018-04-19 National University Of Singapore Determining sleep stages

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
S. BISWAL ET AL．，SLEEPNET:Automated Sleep Staging System via Deep Learning，米国，201 OLIN LIBRARY CORNELL UNIVERSITY ITHACA，2017年，第１頁－第１７頁

Also Published As

Publication number Publication date
EP3759722A1 (en) 2021-01-06
US11839485B2 (en) 2023-12-12
AU2019227364A1 (en) 2020-09-24
EP3759722A4 (en) 2022-08-03
WO2019168474A1 (en) 2019-09-06
JP2021514768A (ja) 2021-06-17
JP2023159436A (ja) 2023-10-31
CN112088408A (zh) 2020-12-15
KR20200127202A (ko) 2020-11-10
US20240074698A1 (en) 2024-03-07
SG11202008455WA (en) 2020-09-29
US20210153807A1 (en) 2021-05-27

Similar Documents

Publication Publication Date Title
JP7344213B2 (ja) 睡眠段階検出のための方法、コンピューティングデバイス、およびウェアラブルデバイス
Biswas et al. CorNET: Deep learning framework for PPG-based heart rate estimation and biometric identification in ambulant environment
US8932220B2 (en) Method of predicting acute cardiopulmonary events and survivability of a patient
Paviglianiti et al. A comparison of deep learning techniques for arterial blood pressure prediction
Tazarv et al. A deep learning approach to predict blood pressure from ppg signals
WO2013036718A1 (en) Determining acceptability of physiological signals
CN117137500B (zh) 智能麻醉深度监测仪器与反馈控制系统
US20220122735A1 (en) System and method for processing human related data including physiological signals to make context aware decisions with distributed machine learning at edge and cloud
CN115024725A (zh) 融合心理状态多参数检测的肿瘤治疗辅助决策系统
Kumar et al. A novel CS-NET architecture based on the unification of CNN, SVM and super-resolution spectrogram to monitor and classify blood pressure using photoplethysmography
Mortensen et al. Multi-class stress detection through heart rate variability: A deep neural network based study
Premalatha et al. Design and implementation of intelligent patient in-house monitoring system based on efficient XGBoost-CNN approach
Ma et al. Automatic sleep-stage classification of heart rate and actigraphy data using deep and transfer learning approaches
JP2024501861A (ja) リアルタイムのフォトプレチスモグラフィデータにより推定血糖値を生成するシステム、方法及び装置
Schmith et al. Photoplethysmography signal quality assessment using attractor reconstruction analysis
Moussa et al. Explainable computer-aided detection of obstructive sleep apnea and depression
CA3139034A1 (en) System and method for filtering time-varying data for physiological signal prediction
Gecili et al. Functional data analysis and prediction tools for continuous glucose-monitoring studies
KR20210112041A (ko) 앙상블 딥러닝과 형상 융합 기반 심장병 예측을 위한 스마트 헬스케어 모니터링 방법 및 시스템
Karimi Moridani An automated method for sleep apnoea detection using HRV
Wang et al. Personalized Modeling of Blood Pressure With Photoplethysmography: An Error-Feedback Incremental Support Vector Regression Model
Paul et al. A simplified PPG based approach for automated recognition of five distinct emotional states
US20240206822A1 (en) Computer implemented method for adaptive physiology-based monitoring of a subject
Surrel Low power sensing and processing in wearable biomedical devices for personalized health monitoring
Mathur Detecting Myocardial Infarctions Using Machine Learning Methods

Legal Events

Date Code Title Description
A529 Written submission of copy of amendment under article 34 pct

Free format text: JAPANESE INTERMEDIATE CODE: A529

Effective date: 20201027

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220204

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220204

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230314

A601 Written request for extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A601

Effective date: 20230512

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230524

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: 20230808

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230901

R150 Certificate of patent or registration of utility model

Ref document number: 7344213

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150