JP7403166B2 - 睡眠時無呼吸症候群判定装置、睡眠時無呼吸症候群判定装置の動作方法、及び、睡眠時無呼吸症候群判定プログラム - Google Patents

Description

本開示は、睡眠時無呼吸症候群判定装置、睡眠時無呼吸症候群判定方法、及び、睡眠時無呼吸症候群判定プログラムに関する。本出願は、２０１９年２月１３日出願の日本出願第２０１９－０２３２１７号に基づく優先権を主張し、前記日本出願に記載された全ての記載内容を援用するものである。

睡眠時無呼吸症候群（Sleep Apnea Syndrome; SAS）とは、睡眠時に呼吸停止又は呼吸量が減少する（以下、この状態を無呼吸とも言う）疾患である。具体的には、無呼吸が７時間の睡眠中に３０回以上、又は、１時間あたり５回以上生じる症状である。無呼吸は、睡眠中に生じる１０秒以上の気流停止状態を指す。

特開２０１６－２１４４９１号公報

特許文献１は、心拍計測器で得られる被験者の心拍データから心拍変動（ＨＲＶ：Heart Rate Variability）指標を算出し、心拍変動指標に基づいて、睡眠中における所定期間ごとに被験者が無呼吸又は低呼吸であるか正常呼吸であるかを識別するものである。これにより、被験者の呼吸状態の時間的な変動を知ることができる。

ＳＡＳは、日中の過度な眠気及び集中力の低下をもたらすため、交通事故のリスク要因になる。また、ＳＡＳは、様々な生活習慣病及びその重症化の原因となり、循環器障害、糖代謝異常、脂肪代謝異常などを引き起こすことが知られている。そのため、ＳＡＳであるか否かの判定が高精度で行われることが望まれる。

そこで、本願発明者らは、特許文献１のような睡眠期間中における所定期間ごとの呼吸状態を判定する手法を応用して、さらに、被験者がＳＡＳであるか否かを高精度で判定できる手法を提案する。

ある実施の形態に従うと、睡眠時無呼吸症候群判定装置は、被験者の睡眠期間における心拍間隔（R-R Interval: RRI）を示すＲＲＩデータを用いて被験者が睡眠時無呼吸症候群であるか否かを判定する処理部を備え、処理部は、睡眠期間における連続する複数の心拍間隔を含む特徴ベクトルを生成し、再帰型ニューラルネットワークに特徴ベクトルを入力することによって出力される、入力された特徴ベクトルに含まれる複数の心拍間隔に対応する識別対象期間ごとの値から、睡眠期間における無呼吸状態の期間と正常呼吸状態の期間との比率に基づく指標を算出し、指標に基づいて、被験者が睡眠時無呼吸症候群であるか否かを判定する、よう動作する。

他の実施の形態に従うと、睡眠時無呼吸症候群判定方法は、被験者の睡眠期間における心拍間隔を示すＲＲＩデータを用いて被験者が睡眠時無呼吸症候群であるか否かを判定する方法であって、睡眠期間における連続する複数の心拍間隔を含む特徴ベクトルを生成するステップと、再帰型ニューラルネットワークに特徴ベクトルを入力することによって出力される、入力された特徴ベクトルに含まれる複数の心拍間隔に対応する識別対象期間ごとの値から、睡眠期間における無呼吸状態の期間と正常呼吸状態の期間との比率に基づく指標を算出するステップと、指標に基づいて、被験者が睡眠時無呼吸症候群であるか否かを判定するステップと、を備える。

他の実施の形態に従うと、睡眠時無呼吸症候群判定プログラムは、コンピュータに、被験者の睡眠期間における心拍間隔を示すＲＲＩデータを用いて被験者が睡眠時無呼吸症候群であるか否かを判定する処理を実行させるプログラムであって、睡眠期間における連続する複数の心拍間隔を含む特徴ベクトルを生成するステップと、再帰型ニューラルネットワークに特徴ベクトルを入力することによって出力される、入力された特徴ベクトルに含まれる複数の心拍間隔に対応する識別対象期間ごとの値から、睡眠期間における無呼吸状態の期間と正常呼吸状態の期間との比率に基づく指標を算出するステップと、指標に基づいて、被験者が睡眠時無呼吸症候群であるか否かを判定するステップと、を実行させる。

図１は、実施の形態に係る睡眠時無呼吸判定装置（以下、判定装置）を備えるシステムの構成の概略を示す図である。 図２（ａ）は心電信号の一例を示す図であり、図２（ｂ）はＲ波データを示す図である。 図３は、特徴ベクトルを説明するための図である。 図４は、判定装置での判定処理の流れを表したフローチャートである。 図５は、発明者らによる評価試験で評価された各手法の判定条件を表した図である。 図６は、評価試験における被験者の属性を示した図である。 図７は、評価試験における第１手法での判定結果を示した図である。 図８は、評価試験における第２手法での判定結果を示した図である。 図９は、評価試験における第３手法での判定結果を示した図である。 図１０は、評価試験における第４手法での判定結果を示した図である。 図１１は、評価試験における第５手法での判定結果を示した図である。 図１２は、評価試験における各手法での判定結果の評価値を示した図である。

［１．睡眠時無呼吸症候群判定装置、睡眠時無呼吸症候群判定方法、及び、睡眠時無呼吸症候群判定プログラムの概要］

（１）本実施の形態に含まれる睡眠時無呼吸症候群判定装置は、被験者の睡眠期間における心拍間隔（R-R Interval: RRI）を示すＲＲＩデータを用いて被験者が睡眠時無呼吸症候群であるか否かを判定する処理部を備え、処理部は、睡眠期間における連続する複数の心拍間隔を含む特徴ベクトルを生成し、再帰型ニューラルネットワークに特徴ベクトルを入力することによって出力される、入力された特徴ベクトルに含まれる複数の心拍間隔に対応する識別対象期間ごとの値から、睡眠期間における無呼吸状態の期間と正常呼吸状態の期間との比率に基づく指標を算出し、指標に基づいて、被験者が睡眠時無呼吸症候群であるか否かを判定する、よう動作する。

本願発明者らによる評価試験の結果、識別モデルとして再帰型ニューラルネットワークを採用することが、再帰型ニューラルネットワーク以外の識別モデルに対して心拍間隔から算出された指標値を入力するより格段に判定精度が向上することが検証された。従って、この睡眠時無呼吸症候群判定装置は、高精度でＳＡＳ患者を判定することができる。

（２）好ましくは、再帰型ニューラルネットワークは、特徴ベクトルが入力されたことに応答して識別対象期間の睡眠状態を示す値を出力するよう予め機械学習により学習されている。本願発明者らによる評価試験の結果、識別対象期間の複数の心拍間隔を含む特徴ベクトルを入力値とし、特徴ベクトルが入力されたことに応答して識別対象期間の睡眠状態を示す値を出力するよう予め機械学習により学習されている再帰型ニューラルネットワーク採用することが、再帰型ニューラルネットワーク以外の識別モデルに対して心拍間隔から算出された指標値を入力するより格段に判定精度が向上することが検証された。従って、この睡眠時無呼吸症候群判定装置は、高精度でＳＡＳ患者を判定することができる。

（３）好ましくは、再帰型ニューラルネットワークはＬＳＴＭで（Long Short-Term Memory）ある。本願発明者らが再帰型ニューラルネットワークの中で高い性能を誇ることが知られているＬＳＴＭを用いて評価試験を行った結果、再帰型ニューラルネットワークとしてＬＳＴＭを用いることによって、より判定精度が向上することが検証された。

（４）好ましくは、識別対象期間は固定の期間長を有し、特徴ベクトルは、識別対象期間の複数の心拍間隔それぞれを示すＲＲＩデータ群の時系列からなる可変長ベクトルである。本願発明者らによる評価試験の結果、特徴ベクトルを可変長とする方が固定長とするよりも、より判定精度が向上することが検証された。

（５）好ましくは、処理部は、再帰型ニューラルネットワークに特徴ベクトルを入力する際に、心拍間隔の異常値を示す閾値より大きい心拍間隔を含む複数の心拍間隔から生成された特徴ベクトルを再帰型ニューラルネットワークに入力しない。これにより、入力値が正常値であるか否かの判定（正常値判定）を行った結果、正常値と判定された心拍間隔のみから生成された特徴ベクトルのみ再帰型ニューラルネットワークに入力される。本願発明者らによる評価試験の結果、正常値判定を行うことによってより判定精度が向上することが検証された。

（６）好ましくは、特徴ベクトルを生成することは、複数の心拍間隔それぞれの値を標準化することを含む。これにより、被検者の個人差が排除され、判定精度を向上させることができる。

（７）好ましくは、指標は、睡眠期間に対する無呼吸状態の期間の比率であり、判定するステップでは、比率が睡眠時無呼吸症候群であることを示す閾値より大きい場合に、被験者を睡眠時無呼吸症候群であると判定する。これにより、被験者がＳＡＳであるか否かが容易に判定される。

（８）本実施の形態に含まれる睡眠時無呼吸症候群判定方法は、被験者の睡眠期間における心拍間隔を示すＲＲＩデータを用いて被験者が睡眠時無呼吸症候群であるか否かを判定する方法であって、睡眠期間における識別対象期間の複数の心拍間隔を含む特徴ベクトルを生成するステップと、特徴ベクトルが入力されたことに応答して当該特徴ベクトルに含まれる複数の心拍間隔に対応する識別対象期間の睡眠状態を示す値を出力するよう予め機械学習により学習された再帰型ニューラルネットワークに特徴ベクトルを入力するステップと、入力に応答して再帰型ニューラルネットワークの出力する識別対象期間ごとの値から、睡眠期間における無呼吸状態の期間と正常呼吸状態の期間との比率に基づく指標を算出するステップと、指標に基づいて、被験者が睡眠時無呼吸症候群であるか否かを判定するステップと、を備える。この方法は、（１）～（７）の睡眠時無呼吸症候群判定装置における判定方法である。そのため、この方法は（１）～（７）の睡眠時無呼吸症候群判定装置と同じ効果を奏する。

（９）本実施の形態に含まれる睡眠時無呼吸症候群判定プログラムは、コンピュータに、被験者の睡眠期間における心拍間隔を示すＲＲＩデータを用いて被験者が睡眠時無呼吸症候群であるか否かを判定する処理を実行させるプログラムであって、睡眠期間における連続する複数の心拍間隔を含む特徴ベクトルを生成するステップと、特徴ベクトルが入力されたことに応答して当該特徴ベクトルに含まれる複数の心拍間隔に対応する識別対象期間の睡眠状態を示す値を出力するよう予め機械学習により学習された再帰型ニューラルネットワークに特徴ベクトルを入力するステップと、入力に応答して再帰型ニューラルネットワークの出力する識別対象期間ごとの値から、睡眠期間における無呼吸状態の期間と正常呼吸状態の期間との比率に基づく指標を算出するステップと、指標に基づいて、被験者が睡眠時無呼吸症候群であるか否かを判定するステップと、を実行させる。このプログラムによりコンピュータを（１）～（７）の睡眠時無呼吸症候群判定装置として機能させることができる。そのため、このプログラムは（１）～（７）の睡眠時無呼吸症候群判定装置と同じ効果を奏する。

［２．睡眠時無呼吸症候群判定装置、睡眠時無呼吸症候群判定方法、及び、睡眠時無呼吸症候群判定プログラムの例］

図１に示された、本実施の形態に係る睡眠時無呼吸判定装置１を備えるシステム１００は、睡眠時無呼吸判定装置（以下、「判定装置」という）１と心拍計測器２とを含む。判定装置１と心拍計測器２とは互いに通信可能である。通信は、無線通信であってもよいし、有線通信であってもよい。

心拍計測器２は、被験者Ｐの身体に取り付けられ、被験者Ｐの心拍を計測するための小型軽量なウェアラブル端末である。心拍計測器２には、被験者Ｐの体表に取り付けられる複数（図１では３つ）の電極２１Ａが接続されている。３つの電極２１Ａは、たとえばプラス電極、マイナス電極、及び、接地電極である。なお、心拍計測器２として機能するウェアラブル端末としては、例えば、心拍計測機能を有するスマートウォッチがあげられる。なお、ウェアラブル端末自体が、判定装置１及び心拍計測器２として機能してもよい。

図２（ａ）の縦軸は電位、横軸は時間を示している。電極２１Ａを用いて心拍を計測すると、図２（ａ）に示されたように、心電信号には、Ｐ～Ｔ波からなる電位変化が周期的に現れる。単位周期の電位変化の中で最も電位の高いピークをＲ波といい、Ｒ波のタイミングで心室筋が収縮する。心拍計測器２は、心拍データを判定装置１に送信する。心拍データは、一例としてＲＲＩデータである。ＲＲＩデータはＲＲＩ（R-R Interval）を示す。

ＲＲＩは、Ｒ波から得られる特徴値である。図２（ａ）の心電信号に対応するＲＲＩデータは、図２（ｂ）に示されたように、心電信号におけるＲ波に対応する期間（信号強度Ｉが所定の強度閾値Ｉｔｈを超える期間）が「１」に設定され、それ以外の期間が「０」に設定された矩形パルス列における、Ｒ波の各間隔であるＲＲＩを示す。

判定装置１は、心拍計測器２から送信された被験者Ｐの睡眠期間におけるＲＲＩデータを受信し、ＲＲＩデータを用いて判定処理を実行することで、被験者Ｐが睡眠時無呼吸症候群であるか否かを判定する。

なお、他の例として、心拍計測器２から送信される心拍データは、心電波形を表す数値群、又は、心電波形そのものを示すデータであってもよい。この場合、判定装置１は、心拍計測器２から受信したデータからＲＲＩを算出し、後述の判定処理に用いる。

図１に示されたように、判定装置１は、処理部１０及び記憶装置２０を備えるコンピュータによって構成される。記憶装置２０は、処理部１０に接続されている。処理部１０は、例えば、ＣＰＵ（Central Processing Unit）である。判定装置１は、心拍計測器２との間で通信するための通信部３０をも備える。通信部３０は、Bluetooth（登録商標）などの近距離無線通信のための通信機構であってもよいし、無線ＬＡＮ（Local Area Network）のための通信機構であってもよい。通信部３０は、処理部１０に接続されている。通信部３０は、心拍計測器２からの心拍データを入力する入力部として機能する。

判定装置１を構成するコンピュータは、例えば、スマートフォン、タブレットなどのモバイル端末であるのが好ましい。この場合、被験者Ｐが保有するモバイル端末を判定装置１として活用できて、好ましい。なお、モバイル端末は、スマートウォッチなどのウェアラブルデバイスであってもよい。判定装置１を構成するコンピュータは、複数であってもよい。例えば、判定装置１は、複数台のモバイル端末の連携によって構成されてもよい。複数台のモバイル端末は、例えば、スマートフォン及びスマートウォッチである。

また、判定装置１を構成するコンピュータは、インターネット等のネットワーク上のサーバコンピュータであってもよい。この場合、被験者Ｐの心拍計測器２から送信されたＲＲＩデータは、インターネット等のネットワークを介して、サーバコンピュータに送信される。サーバコンピュータが睡眠時無呼吸症候群であるか否かを判定する場合には、ネットワークを介して、被験者Ｐの端末（モバイル端末等）へ報知すればよい。

判定装置１の記憶装置２０には、判定処理を処理部１０に実行させるためのコンピュータプログラム２１が記憶されている。処理部１０が、コンピュータプログラム２１を実行することで、コンピュータは、判定装置１として機能する。

判定処理は、被験者Ｐの睡眠期間におけるＲＲＩデータを用いて被験者Ｐが睡眠時無呼吸症候群であるか否かを判定する処理であって、生成処理と、識別処理と、算出処理と、を含む。

生成処理は、睡眠期間における所定期間のＲＲＩデータ群から特徴ベクトルを生成する処理である。特徴ベクトルは、後述する識別処理に入力値として用いられるものであって、上記所定期間における被験者の睡眠状態を示す複数の特徴を１つにまとめたものである。処理部１０は、生成処理を実行する生成部１１として機能する。すなわち、後述する識別処理の対象となる期間である識別対象期間として、予め規定された期間が設定され、その識別対象期間内に測定された心電波形からＲＲＩを時系列に並べて特徴ベクトルとする。

固定された期間である識別対象期間に測定されるＲＲＩの数は、一定数ではない。そのため、特徴ベクトルの要素数は可変である。つまり、生成される特徴ベクトルは可変長ベクトルとなる。心拍計測器２で、期間Ｔ１，Ｔ２について図３に示された心電波形が測定され、ＲＲＩデータが得られた場合、生成部１１は、下に示された期間Ｔ１，Ｔ２における特徴ベクトルＦＶ１，ＦＶ２を生成する。
ＦＶ１＝｛９２５，９０５，…，８８５｝
ＦＶ２＝｛９３５，…，９１５｝

好ましくは、生成処理は、ＲＲＩが正常値であるか否かを判定する正常値判定処理を含む。生成部１１は、正常値判定処理を実行する正常値判定部１２を含む。正常値判定部１２は、ＲＲＩの閾値（例えば、２０００ｍｓｅｃ）を予め記憶しておき、ＲＲＩと比較して異常、正常を判定する。ＲＲＩの異常値は、例えばアーチファクトなどの要因で発生する。生成部１１は、睡眠期間における各識別対象期間のうち、含まれるすべてのＲＲＩが正常と判定された識別対象期間のみ特徴ベクトルを生成し、１つでも異常なＲＲＩが含まれた識別対象期間については特徴ベクトルを生成しない。又は、生成された特徴ベクトルのうち、１つでもＲＲＩが異常と判定された識別対象期間についての特徴ベクトルについては、判定処理に用いる特徴ベクトルとしない。正常値判定が行われることによって、生成された特徴ベクトルは異常値を含まなくなる。つまり、正常な値のＲＲＩからなる特徴ベクトルのみ判定処理に用いられる。その結果、判定精度を向上させることができる。

なお、特徴ベクトルの生成方法としては、固定数の連続するＲＲＩを用いて生成する方法であってもよい。この場合、特徴ベクトルの要素数は一定となって特徴ベクトルは固定長となる。逆に、識別対象期間は可変長となる。

この場合、固定数の連続するＲＲＩの中に期外収縮による異常値が含まれると、期外収縮自体が一拍分とカウントされるため、その固定数のＲＲＩに対応する識別対象期間は、期外収縮が生じなかった場合の識別対象期間より短くなる。

係る点を考慮すると、判定装置１では、固定数のＲＲＩを用いるより、固定長の期間である識別対象期間に含まれる連続する複数のＲＲＩから可変長の特徴ベクトルを生成して判定処理に用いることが好ましい。なお、特徴ベクトルが可変長である場合、識別モデルとしては可変長ベクトルが入力可能である再帰型ニューラルネットワーク（以下、ＲＮＮとも表す）が用いられる。

好ましくは、生成処理は、識別対象期間のＲＲＩ群を標準化する標準化処理を含む。生成部１１は、標準化処理を実行する標準化処理部１３を含む。標準化処理は、例えば、正規化処理であって、例えば、識別対象期間のＲＲＩ群を、下の式を用いて、所定期間におけるＲＲＩの平均が０、分散が１のデータに変換する処理である。これにより、被検者の個人差が排除され、判定精度を向上させることができる。
ｚｉ＝（ｘｉ－μ）／σ
（ｘｉは各ＲＲＩ、μは平均値、σは標準偏差を表す。）

なお、特徴ベクトルの他の例として、複数のＨＲＶ指標からなるベクトルとすることも考えられる。ＨＲＶ指標は、例えば、以下の（１）～（１１）のうちの２以上の指標とすることができる。ＨＲＶ指標を用いた睡眠状態の識別は、一例として、被験者が無呼吸であるか正常呼吸であるかを睡眠中の各時間について識別し、被験者が無呼吸であるか正常呼吸であるかの時間的変動を取得する判定手法において行われる。この判定手法では、識別モデルの一例として、ＨＲＶ指標が与えられると無呼吸の状態と正常呼吸の状態とを識別するサポートベクタマシンが用いられる。
（１）ｍｅａｎＮＮ：ＲＲＩの平均。
（２）ＳＤＮＮ：ＲＲＩの標準偏差。
（３）Ｔｏｔａｌ Ｐｏｗｅｒ：ＲＲＩの全パワースペクトル。
（４）ＲＭＳＳＤ：ｎ番目のＲＲＩとｎ＋１番目のＲＲＩの差の２乗の平均値の平方根。ＲＲＩの変動が多いと値は大きくなり、自律神経系の活動の指標となる。
（５）ＮＮ５０：ｎ番目とｎ＋１番目のＲＲＩの差異が５０ミリ秒を超えた数。普通のＲＲＩの変動は５０ミリ秒以下であり、ＮＮ５０は激しい変動の指標となる。
（６）ｐＮＮ５０：ＮＮ５０の値の全Ｒ波の数に対する割合。ＮＮ５０は回数なので、一般に窓幅が長ければ大きな値となってしまう。ｐＮＮ５０を考えることで、大きな変動が起こる割合を把握できる。
（７）ＬＦ：ＬＦ帯（０．０４Ｈｚ～０．１５Ｈｚ）の周波数帯のパワースペクトル。ＬＦは主に交感神経系の活動の指標とされる。
（８）ＨＦ：ＨＦ帯（０．１５Ｈｚ～０．４Ｈｚ）の周波数帯のパワースペクトル。ＨＦは主に副交感神経系の活動の指標とされる。
（９）ＬＦ／ＨＦ：ＬＦ／ＨＦで定義されるＬＦとＨＦとの比で、交感神経系と副交感神経系との活動状況の比と考えられる。ＬＦ／ＨＦは、交感神経優位で値が大きくなり、副交感神経優位で値が小さくなる。
（１０）ＬＦｎｕ：ＬＦ／（ＬＦ＋ＨＦ）で定義される補正ＬＦ。交感神経活動の変化を強調する。
（１１）ＨＦｎｕ：ＨＦ／（ＬＦ＋ＨＦ）で定義される補正ＨＦ。副交感神経活動の変化を強調する。

ここで、ＲＲＩは被験者の心電波形から直接求められる値であり、連続するＲＲＩは被験者の睡眠期間中の心電波形の特徴を直接的に表している値群であると言える。発明者らは、ＨＲＶ指標がＲＲＩ又はＲＲＩに関連した値から算出される指標であるため、ＲＲＩほど直接的に表してはいないと分析した。そこで、発明者らはこの分析に立ち、ＲＲＩそのものから特徴ベクトルを生成して後述の識別処理に用いることにした。これにより、ＨＲＶ指標から生成された特徴ベクトルを用いるよりも、より直接的な心電波形の特徴を後述の識別処理に用いることになる。その結果、判定精度を向上させることができる。

識別処理は、識別対象期間ごとに睡眠状態が無呼吸状態であるか正常状態であるかを識別する処理である。処理部１０は、識別処理を実行する識別部１４として機能する。識別部１４は識別モデル１５を含む。識別モデル１５は、特徴ベクトルが入力されたことに応答して当該特徴ベクトルに対応する識別対象期間の睡眠状態を示す値を出力するよう予め機械学習により学習されている。

識別モデル１５は、例えば、図３に示された特徴ベクトルＦＶ１，ＦＶ２を学習用の特徴ベクトルとすると、特徴ベクトルＦＶ１，ＦＶ２の入力に対して、それぞれ、例えば、無呼吸状態を示す「１」、及び、正常呼吸状態を示す「０」を出力するように学習されている。無呼吸状態は、無呼吸又は低呼吸の状態を指す。無呼吸の状態は、１０秒以上換気が停止する状態と定義されている。低呼吸の状態は、呼吸気流が５０％以上低下した状態が１０秒以上継続する状態と定義されている。これにより、識別対象期間ごとに、呼吸状態を示す値の出力が得られる。

判定装置１においては、識別モデル１５として再帰型ニューラルネットワーク（ＲＮＮ）を利用する。ＲＮＮは、例えば、Simple ＲＮＮ（単純再帰型ニューラルネットワーク）、ＬＳＴＭ（Long Short-Term Memory）、ＧＲＵ（Gated Recurrent Unit）、Bi-directional ＲＮＮ、Attention ＲＮＮ、ＱＲＮＮ（Quasi-Recurrent Neural Network）などである。

なお、ＲＮＮとは異なる識別モデルの他の例として、ＳＶＭ（Support Vector Machine）が挙げられる。ＳＶＭは、上記の特許文献１において用いられている。従って、識別モデル１５としてＳＶＭのようなＲＮＮではないモデルを用いることも考えられる。

ここで、ＲＮＮは、ニューラルネットワークのうち、入力値から出力値に至る中間層のうちのある層の出力が、次の入力値から出力値に至る中間層の入力に利用されるモデルである。言い換えると、ニューラルネットワークの出力を別のネットワークの入力として利用するような再帰的構造を持ったニューラルネットワークである。ＲＮＮでは中間層同士が時系列に沿って直線的に結合されている。そのため、ＲＮＮでは、ある時点の入力値が、その時点以降の入力値に対する出力値に影響を及ぼす。つまり、ＲＮＮは過去のデータを基に予測する、言い換えると、時系列データに基づいた学習を行うモデルである。この点がＳＶＭのようなＲＮＮではないモデルとは異なる。

この点、判定装置１は、識別モデル１５に識別対象期間のＲＲＩを時系列に並べて構成される特徴ベクトルを入力する。そのため、識別モデル１５への入力値は時間的な連続を有する。連続するＲＲＩは被験者の睡眠状態を連続して表している値であるため、連続するＲＲＩは時系列的な関連を有している。そこで、発明者らは、このような特徴ベクトルを用いる場合には、時系列データに基づいた学習を行うＲＮＮの方が、そうでないＳＶＭのようなモデルよりも、連続した生体反応に対応した値をより高精度に出力するとの結論に達した。そこで、識別モデル１５としてＲＮＮを利用することとした。

識別部１４は、識別モデル１５に睡眠期間における所定期間ごとの特徴ベクトルを入力し、識別モデル１５から識別対象期間ごとの値の出力を得る。識別対象期間ごとの値は、例えば、上記の、無呼吸状態を示す「１」、及び、正常呼吸状態を示す「０」である。

算出処理は、睡眠期間における無呼吸状態の期間と正常呼吸状態の期間との比率に基づく指標を算出する。処理部１０は、算出処理を実行する算出部１６として機能する。指標は、例えば、下の式で表される、睡眠期間ｔに対する無呼吸状態の期間ｔａの比であるＡＳ（Apnea/Sleep）比Ａである。無呼吸状態の期間ｔａは、無呼吸状態と識別された識別対象期間の合計である。なお、指標はＡＳ比に限定されず、他の例として、正常呼吸状態の期間に対する無呼吸状態の期間の比率であってもよい。
Ａ＝ｔａ／ｔ×１００［％］

判定処理においては、算出された指標の指標値（ＡＳ比）Ａと、ＳＡＳと判定し得る閾値ＴＨとの比較に基づいて被験者ＰがＳＡＳであるか否かを判定する。処理部１０は、この判定を行う判定部１７として機能する。判定部１７は、ＡＳ比Ａが閾値ＴＨ以上の場合（Ａ≧ＴＨ）に、被験者ＰをＳＡＳと判定する。そうでない場合（Ａ＜ＴＨ）には、被験者ＰをＳＡＳではないと判定する。ＡＳ比Ａを用いることにより、被験者ＰがＳＡＳであるか否かが容易に判定される。

システム１００のユーザ（被験者Ｐ）は、心拍計測器２を身体に取り付け、判定装置１を枕元等の心拍計測器２と通信可能な位置に配置して就寝する。そして、判定装置１では、図４のフローチャートに示される方法で被験者ＰがＳＡＳであるか否かが判定される。

図４を参照して、心拍計測器２によって測定された被験者ＰのＲＲＩデータが判定装置１に入力される（ステップＳ１０１）。心拍計測器２による心拍の計測は被験者Ｐが起床するまで行われ、ステップＳ１０１では被験者Ｐが起床するまでのＲＲＩデータが入力される。

判定装置１の処理部１０は、識別対象期間ごとのＲＲＩデータを時系列に並べて特徴ベクトルを生成する（ステップＳ１０３）。その際、処理部１０は、ＲＲＩデータの示す値（ＲＲＩ）それぞれについて予め記憶している閾値と比較して正常値であるか否かを判定する（ステップＳ１０３１）。そして、すべて正常値である識別対象期間について特徴ベクトルを生成する。また、処理部１０は、識別対象期間内のＲＲＩを正規化し（ステップＳ１０３３）、正規化したＲＲＩで特徴ベクトルを生成する。

処理部１０は、各識別対象期間について生成された特徴ベクトルを再帰型ニューラルネットワークである識別モデル１５に入力する（ステップＳ１０５）。これにより、再帰型ニューラルネットワークからの出力値として、識別対象期間ごとに睡眠状態が無呼吸状態であるか正常呼吸状態であるかを示す値を得ることができる。

処理部は、睡眠期間全体ｔについて無呼吸状態の期間ｔａを参照して、睡眠期間全体ｔに対する割合であるＡＳ比Ａを算出する（ステップＳ１０７）。ＡＳ比Ａが予め記憶している閾値ＴＨ以上（Ａ≧ＴＨ）である場合（ステップＳ１０９でＹＥＳ）、処理部１０は、被験者ＰがＳＡＳである（ＳＡＳ患者）とする判定結果を出力する（ステップＳ１１１）。そうでない場合（Ａ＜ＴＨ）（ステップＳ１０９でＮＯ）、処理部１０は、被験者Ｐが正常である（非ＳＡＳ患者）とする判定結果を出力する（ステップＳ１１３）。

判定装置１が表示装置などの出力装置に接続されている場合、ステップＳ１１１又はステップＳ１１３の判定結果は、出力装置に送信されてもよい。これにより、表示などの出力装置での出力によって被験者ＰがＳＡＳであるか否かの判定結果を知ることができる。又は、判定結果は、通信部３０から他の装置に送信されてもよい。他の装置としては、例えば、被験者Ｐのウェアラブル端末、医療機関の所有するサーバ装置、などである。これにより、他の装置を用いて被験者ＰがＳＡＳであるか否かの判定結果を知ることができる。

［３．評価試験］

発明者らは、上記の実施の形態に係る睡眠時無呼吸症候群の判定方法（以下、「提案手法」という）の性能を評価するために、臨床データを用いた評価試験を実施した。評価試験では、図５に示された判定条件での第１手法～第５手法でＳＡＳか否かの判定を行った。第１手法～第３手法は提案手法であり、第４手法及び第５手法は評価の基準として用いる比較例としての判定方法である。

図５において、「入力値」は識別モデルへの入力に用いた値を示し、「識別モデル」は、所定期間の睡眠状態を識別するために用いた識別モデルを示している。また、「入力方法」は、特徴ベクトルの生成に用いるＲＲＩの測定の仕方を示している。

第１手法～第３手法では、「入力値」としてＲＲＩデータから特徴ベクトルを生成して再帰型ニューラルネットワーク（ＲＮＮ）である識別モデルに入力した。第１手法及び第３手法の識別モデルはＲＮＮのうちのＬＳＴＭである。第２手法の識別モデルでは、ＲＮＮの他の例としてSimple ＲＮＮを用いた。なお、第１手法及び第２手法における特徴ベクトルは、固定の識別対象期間から得られた連続するＲＲＩを用いた可変長ベクトルとした。識別対象期間の長さは６０秒とした。

第３手法における特徴ベクトルは、固定数の連続するＲＲＩを用いた、固定長ベクトルとした。固定数は、計算時直前の６０個とした。なお、第１手法～第３手法では、特徴ベクトルの際に、ＲＲＩに対して正常値判定を行い、正常値であるＲＲＩのみからなる識別対象期間のＲＲＩから得られた特徴ベクトルを識別モデルに入力した。

第４手法は、上記の特許文献１で採用されている、ＨＲＶ指標が与えられると無呼吸の状態と正常呼吸の状態とを識別するサポートベクタマシン（ＳＶＭ）を用いた判定手法である。第５手法は、第４手法で用いた識別モデルを、ＳＶＭから提案手法で用いたＲＮＮに変更した手法である。また、第５手法は、第１手法の識別モデルへの入力値をＲＲＩからＨＲＶ指標に変更した手法でもある。

第４手法及び第５手法では、ＲＲＩとは異なるＨＲＶ指標を識別モデルに入力した。識別モデルに入力したＨＲＶ指標は、上記の（１）～（１１）のすべてとした。

第４手法の識別モデルは、特許文献１に示された通り、ＲＮＮとは異なるＳＶＭとした。第４手法では、特許文献１に示された通り、３分間の心拍を測定し、各計算時に算出される複数のＨＲＶ指標からなる特徴ベクトルをＳＶＭに入力した。このとき、第４手法では、測定した心拍の正常値判定は行っていない。

第５手法では、第１手法の特徴ベクトルの生成と同様に、第１の固定期間（ここでは１８０秒）に測定された連続したＲＲＩから連続したＨＲＶ指標を算出して特徴ベクトルとし、第２の固定期間（ここでは６０秒）ごとにＬＳＴＭに入力した。第５手法でも、測定されたＲＲＩに対して正常値判定を行い、正常値であるＲＲＩのみからなる固定期間のＲＲＩから得られたＨＲＶ指標を識別モデルに入力した。

第１手法～第５手法によって、それぞれ、図７～図１１に示された結果が得られた。各図の左側は識別モデル学習時の各被験者のＡＳ比を表し、右側は学習済の識別モデルを用いた判定結果として各被験者のＡＳ比を表している。識別モデルの学習時にＳＡＳ患者と非ＳＡＳ患者とのＡＳ比の閾値を設定した。判定処理では、その閾値を用いた。

図６に属性が示された被験者群の心電の測定結果を用いて識別モデルの学習及び判定を行った。各判定方法での識別モデルの学習に用いたＲＲＩデータを測定した被験者は、ＳＡＳ患者１３人、及び、非ＳＡＳ患者１８人である。また、判定処理に用いたＲＲＩデータを測定した被験者は、ＳＡＳ患者１１人、及び、非ＳＡＳ患者１７人である。なお、図６における「ＡＨＩ（Apnea Hypopnea Index）」は、ＳＡＳの重症度の指標であって、１時間あたりの１０秒以上の無呼吸状態の発生回数と定義されており、ＡＨＩ≧１５でＳＡＳと診断されている。

図７～図１１の右側に示された判定結果から、図１２に示されたように、各試験の評価値を算出した。図１２に示された評価値は、下の式（１）～（４）で示された感度ＳＥ、特異度ＳＰ、陽性反応的中度ＰＯ、及び、陰性反応的中度ＮＥ、である。なお、式（１）～（４）において、ａはＳＡＳ患者かつ「陽性」の被験者数、ｂは非ＳＡＳ患者かつ「陽性」の被験者数、ｃはＳＡＳ患者かつ「陰性」の被験者数、及び、ｄは非ＳＡＳ患者かつ「陰性」の被験者数を示す。ここで、「陽性」はＡＳ比が閾値より大きい（例えばＡＳ≧閾値ＴＨ、又は、ＡＳ＞閾値ＴＨ）被験者、「陰性」は閾値より小さい（例えばＡＳ＜閾値ＴＨ、又は、ＡＳ≦閾値ＴＨ）被験者とする。
ＳＥ［％］＝ａ／（ａ＋ｃ）×１００ …式（１）
ＳＰ［％］＝ｄ／（ｂ＋ｄ）×１００ …式（２）
ＰＯ［％］＝ａ／（ａ＋ｂ）×１００ …式（３）
ＮＥ［％］＝ｄ／（ｃ＋ｄ）×１００ …式（４）

図１２を参照し、第１手法～第３手法と、第４手法とを比較すると、第１手法～第３手法は、いずれの評価値も第４手法より高い。第４手法は上記の特許文献１における、ＨＲＶ指標が与えられると無呼吸の状態と正常呼吸の状態とを識別するサポートベクタマシンを用いた判定手法であるため、これら第１手法～第３手法は従来の判定手法より判定精度が高い。つまり、時系列に連続するＲＲＩからなる特徴ベクトルをＲＮＮに入力して得られた識別結果を用いて判定処理を行う判定方法（第１手法～第３手法）は、ＨＲＶ指標をＳＶＭに入力して得られた識別結果を用いた従来の判定方法より効果的であることが検証された。

特に、第１手法及び第２手法は、いずれの評価値も９０％を超える値であり、非常に精度が高い。さらに、第１手法は、すべての評価値が１００％を示し、極めて高精度である。すなわち、識別モデルとしてＲＮＮのうちの特にＬＳＴＭを用いることで、判定精度を極めて向上させることができる。従って、第１手法及び第２手法は従来の判定方法と比較して格段に効果的であることが検証された。

なお、第３手法は第１手法における特徴ベクトルの生成方法を、可変長ベクトルから固定長ベクトルに変更したものである。これら手法の各評価値を比較すると第１手法が第３手法より格段に高いため、特徴ベクトルを可変長ベクトルとした方が固定長ベクトルとするより判定精度が高い。従って、特徴ベクトルを可変長ベクトルとした方が固定長ベクトルとするよりも効果的であることが検証された。

なお、第１手法～第３手法のうち第１手法及び第２手法の各評価値は、第５手法より格段に高く、第５手法より判定精度が高い。そのため、仮に、第４手法において、識別モデルをＳＶＭからＲＮＮに変更した場合であっても、提案手法の第１手法及び第２手法は格段に効果的であることが検証された。

また、第１手法と第５手法とは、識別モデルであるＬＳＴＭへの入力がＲＲＩである点とＨＲＶ指標である点とのみが異なる。第１手法のすべての評価値は第５手法より格段に高く、第５手法より判定精度が高い。そのため、ＬＳＴＭへの入力は、ＨＲＶ指標よりＲＲＩの方が効果的であることが検証された。さらに、第２手法は、識別モデルが同じＲＮＮであって第１手法とは異なるSimple ＲＮＮであるために、判定精度が第１手法からやや劣るものの、すべての評価値が第５手法より高い。そのため、ＬＳＴＭに限定されず、ＲＮＮへの入力もＨＲＶ指標よりＲＲＩの方が効果的であることが検証された。

本発明は、上記実施形態に限定されるものではなく、様々な変形が可能である。

１ ：睡眠時無呼吸判定装置（判定装置）
２ ：心拍計測器
１０ ：処理部
１１ ：生成部
１２ ：正常値判定部
１３ ：標準化処理部
１４ ：識別部
１５ ：識別モデル
１６ ：算出部
１７ ：判定部
２０ ：記憶装置
２１ ：コンピュータプログラム
２１Ａ ：電極
３０ ：通信部
１００ ：システム
Ａ ：ＡＳ比
ＦＶ１ ：特徴ベクトル
ＦＶ２ ：特徴ベクトル
Ｉ ：信号強度
Ｐ ：被験者
Ｔ１ ：期間
Ｔ２ ：期間
ＴＨ ：閾値

Claims (9)

1. 被験者の睡眠期間における心拍間隔（R-R Interval: RRI）を示すＲＲＩデータを用いて前記被験者が睡眠時無呼吸症候群であるか否かを判定する処理部を備え、
   前記処理部は、
   前記睡眠期間における連続する複数の心拍間隔を含む特徴ベクトルを生成し、
   再帰型ニューラルネットワークに、前記特徴ベクトルを入力することによって出力される、入力された特徴ベクトルに含まれる複数の心拍間隔に対応する識別対象期間ごとの値から、前記睡眠期間における無呼吸状態の期間と正常呼吸状態の期間との比率に基づく指標を算出し、
   前記指標に基づいて、前記被験者が睡眠時無呼吸症候群であるか否かを判定する、よう動作する
   睡眠時無呼吸症候群判定装置。
2. 前記再帰型ニューラルネットワークは、特徴ベクトルが入力されたことに応答して前記識別対象期間の睡眠状態を示す値を出力するよう予め機械学習により学習されている
   請求項１に記載の睡眠時無呼吸症候群判定装置。
3. 前記再帰型ニューラルネットワークはＬＳＴＭ（Long Short-Term Memory）である
   請求項１又は２に記載の睡眠時無呼吸症候群判定装置。
4. 前記識別対象期間は固定の期間長を有し、
   前記特徴ベクトルは、前記識別対象期間の前記複数の心拍間隔それぞれを示すＲＲＩデータ群の時系列からなる可変長ベクトルである
   請求項１～請求項３のいずれか一項に記載の睡眠時無呼吸症候群判定装置。
5. 前記処理部は、前記再帰型ニューラルネットワークに前記特徴ベクトルを入力する際に、心拍間隔の異常値を示す閾値より大きい心拍間隔を含む前記複数の心拍間隔から生成された前記特徴ベクトルを入力しない
   請求項１～請求項４のいずれか一項に記載の睡眠時無呼吸症候群判定装置。
6. 前記特徴ベクトルを生成することは、前記複数の心拍間隔それぞれの値を標準化することを含む
   請求項１～請求項５のいずれか一項に記載の睡眠時無呼吸症候群判定装置。
7. 前記指標は、前記睡眠期間に対する前記無呼吸状態の期間の比率であり、
   前記判定することは、前記比率が睡眠時無呼吸症候群であることを示す閾値より大きい場合に、前記被験者を睡眠時無呼吸症候群であると判定することを含む
   請求項１～請求項６のいずれか一項に記載の睡眠時無呼吸症候群判定装置。
8. 請求項１～請求項７のいずれか一項に記載の睡眠時無呼吸症候群判定装置の動作方法であって、
   前記処理部によって、
   前記睡眠期間における連続する複数の心拍間隔を含む特徴ベクトルを生成するステップと、
   再帰型ニューラルネットワークに、前記特徴ベクトルを入力することによって出力される、入力された特徴ベクトルに含まれる複数の心拍間隔に対応する識別対象期間ごとの値から、前記睡眠期間における無呼吸状態の期間と正常呼吸状態の期間との比率に基づく指標を算出するステップと、
   前記指標に基づいて、前記被験者が睡眠時無呼吸症候群であるか否かを判定するステップと、を実行することを備える
   睡眠時無呼吸症候群判定装置の動作方法。
9. コンピュータに、被験者の睡眠期間における心拍間隔を示すＲＲＩデータを用いて前記被験者が睡眠時無呼吸症候群であるか否かを判定する処理を実行させるプログラムであって、
   前記睡眠期間における連続する複数の心拍間隔を含む特徴ベクトルを生成するステップと、
   再帰型ニューラルネットワークに、前記特徴ベクトルを入力することによって出力される、入力された特徴ベクトルに含まれる複数の心拍間隔に対応する識別対象期間ごとの値から、前記睡眠期間における無呼吸状態の期間と正常呼吸状態の期間との比率に基づく指標を算出するステップと、
   前記指標に基づいて、前記被験者が睡眠時無呼吸症候群であるか否かを判定するステップと、を実行させる
   睡眠時無呼吸症候群判定プログラム。
   

Images