JP7740887B2 - 生体データ評価サーバ、生体データ評価システム及び生体データ評価方法 - Google Patents

Description

本発明は、交通機関の安全運行推進に際し計測される生体データの信頼性を評価するために利用される生体データ評価サーバ、システム及び方法に関する。

近年、運送業の運転手の健康に起因する事故の予防へ向け、生体状態の定量評価が行われている。生体状態のうち、計測が簡便な各種形態の心拍センサによる、心拍の間隔である心拍間隔（Ｂｅａｔ－ｔｏ－Ｂｅａｔ Ｉｎｔｅｒｖａｌ、ＢＢＩ）データの計測に基づく自律神経機能評価が実施されている。

例えば、特許文献１では、所定期間中に継続して取得された、心拍データのＲ波の間隔（ＲＲＩ＝Ｒ－Ｒ Ｉｎｔｅｒｖａｌ）データに関し、後述するローレンツプロット（ＬＰ）を作成し、作成したローレンツプロットに関わる特徴量を用いることで不整脈の一種である心房細動や心房頻拍を判別し、不整脈を検出することが可能な医療デバイスが開示されている。

特表２００８－５３９０１７号

特許文献１では、運転を伴う業務中など安静状態とは限らない状態において心拍間隔データを計測する場合に計測不良状態や通信障害の発生に伴い、所定期間中の多数区間において不規則に心拍間隔データが欠落することが考慮されていなかった。

部分的に欠損又は欠落している心拍間隔データの場合、不整脈様異常値発生の程度を定量化できないことに問題があった。

そこで本発明は、上記問題点に鑑みてなされたもので、データの欠損を伴う心拍間隔データに対しても、不整脈様異常値発生の程度を評価することを可能にすることを目的とする。

本発明は、プロセッサとメモリを有して、生体データを評価する生体データ評価サーバであって、対象者の前記生体データから心拍間隔相当データを受け付けるデータ収集部と、前記心拍間隔相当データから所定の期間でローレンツプロットを算出して、集約ローレンツプロットとして出力するローレンツプロット生成部と、を有し、前記所定の期間は、第１の期間と、前記第１の期間よりも短い第２の期間を含み、前記ローレンツプロット生成部は、前記心拍間隔相当データから前記第２の期間単位で前記ローレンツプロットを算出し、前記第２の期間単位の前記ローレンツプロットから前記心拍間隔相当データの欠損の有無を判定し、前記心拍間隔相当データの欠損が生じた部分を前記第２の期間単位で除外してから、前記第２の期間単位で算出した前記ローレンツプロットを前記第１の期間単位で集約処理を実施し、前記第１の期間における前記集約ローレンツプロットを算出し、前記第１の期間における前記集約ローレンツプロットを出力する。

したがって、本発明の一形態によれば、データの欠損又は欠落を伴う心拍間隔データに対しても、生成されたローレンツプロットから、不整脈様異常値発生の程度を評価可能である。これにより、業務中に計測された心拍間隔データから得られる自律神経機能指標の信頼性を評価できる。

本明細書において開示される主題の、少なくとも一つの実施の詳細は、添付されている図面と以下の記述の中で述べられる。開示される主題のその他の特徴、態様、効果は、以下の開示、図面、請求項により明らかにされる。

本発明の実施例１を示し、生体データ評価システムの構成の一例を示すブロック図である。 本発明の実施例１を示し、車両の運転データ収集装置で行われるＲＲＩデータ送信処理の一例を示すフローチャートである。 本発明の実施例１を示し、生体データ評価サーバで行われる不整脈様異常値の慢性発生判別モデルの学習処理の一例を示すフローチャートである。 本発明の実施例１を示し、生体データ評価サーバで利用される特徴抽出モデルとして利用されるマスク領域定義の一例を示す図である。 本発明の実施例１を示し、生体データ評価サーバで利用される計測不良様マスクの一例を示す図である。 本発明の実施例１を示し、生体データ評価サーバで利用される正常範囲マスクの一例を示す図である。 本発明の実施例１を示し、生体データ評価サーバで利用されるＰＶＣ様異常値マスクの一例を示す図である。 本発明の実施例１を示し、生体データ評価サーバで利用される１拍検出漏れマスクの一例を示す図である。 本発明の実施例１を示し、生体データ評価サーバで利用される連続２拍検出漏れマスクの一例を示す図である。 本発明の実施例１を示し、生体データ評価サーバで行われる不整脈様異常値の慢性発生の程度を評価する処理の一例を示すフローチャートである。 本発明の実施例１を示し、生体データ評価サーバで行われる自律神経機能評価に不適なドライバの判定処理の一例を示すフローチャートである。 本発明の実施例１を示し、生体データ評価サーバで行われる自律神経機能指標の算出処理の一例を示すフローチャートである。 本発明の実施例１を示し、自律神経機能評価結果画面の一例を示す図である。 本発明の実施例１を示し、期間Ａ中に計測されたＲＲＩデータの信頼性を詳細分析する画面の一例を示す図である。 本発明の実施例１を示し、期間Ｂ単位ＲＲＩデータのデータ構造の一例を示す図である。 本発明の実施例１を示し、期間Ｂ単位ＬＰデータのデータ構造の一例を示す図である。 本発明の実施例１を示し、期間Ａ単位集約ＬＰデータのデータ構造の一例を示す図である。 本発明の実施例１を示し、期間Ａ単位の集約ＬＰ特徴量データのデータ構造の一例を示す図である。 本発明の実施例１を示し、異常度データのデータ構造の一例を示す図である。 本発明の実施例１を示し、期間Ａ単位異常判別データのデータ構造の一例を示す図である。 本発明の実施例１を示し、不適判定データのデータ構造の一例を示す図である。 本発明の実施例１を示し、自律神経機能指標データのデータ構造の一例を示す図である。 本発明の実施例１を示し、業務状態データのデータ構造の一例を示す図である。 本発明の実施例１を示し、履歴データのデータ構造の一例を示す図である。 本発明の実施例１を示し、慢性発生正解データのデータ構造の一例を示す図である。 本発明の実施例１を示し、期間Ａ及び期間Ｂの定義とデータ欠損の発生に関わる一例を示す図である。 本発明の実施例２を示し、生体データ評価システムが、自律神経機能指標データを用いてドライバの交通事故のリスクの予測を行う場合における、主要な構成の一例を示すブロック図である。 本発明の実施例２を示し、生体データ評価サーバで行われる、業務中における事故リスクを予測する処理の一例を示すフローチャートである。 本発明の実施例２を示し、生体データ評価サーバで行われる、事故リスクの高まりを警告するアラートを発報する処理の一例を示すフローチャートである。 本発明の実施例２を示し、事故リスクの予測結果、事故リスクの増大が検出された場合にドライバに対して発報される予測結果発報画面の一例を示す図である。

以下、図面を参照しながら本発明の実施例について説明する。

まず、本発明の実施例１を説明する。

＜システム構成＞
図１は、本発明の実施例１を示し、生体データ評価システムの主要な構成の一例を示すブロック図である。本実施例の生体データ評価システムは、ネットワーク１３を介して１以上の車両７から受信するデータを処理する生体データ評価サーバ１を含む。

車両７は、ドライバの生体データを検出する生体センサ１２と、ドライバＩＤを検出してドライバを特定するドライバＩＤ読取装置１１と、検出された生体データとドライバＩＤとを収集して生体データ評価サーバ１へ送信する運転データ収集装置１０と、を含む。

生体センサ１２は、ＲＲＩを検出する心拍センサ１４と、ドライバの動きを検出する加速度センサ１５を含む。心拍センサ１４は、心電や脈波あるいは心音などに基づき心拍を検出するセンサを用いることができる。

生体センサ１２は、上記に限定されるものではなく、心拍センサ１４の他に発汗量や、体温、まばたき、眼球運動、筋電あるいは脳波等を検出するセンサを採用することができる。生体センサ１２としては、ドライバが装着可能なウェアラブルデバイスの他、ハンドル、シート、シートベルト等、車両内部に付属したセンシングデバイスや、ドライバの表情や挙動を撮像して画像を解析する画像認識システム等を用いることができる。

心拍センサ１４は、脈波間隔であるＰＰＩ等のＲＲＩ以外の心拍間隔を検出してもよい。又は、ドライバの顔の画像データから心拍間隔を推定して、心拍間隔相当データを得ることも可能である。本実施例では、心拍間隔が算出可能な生体データであればよく、上述のような心拍間隔相当データを含むことができる。

ドライバＩＤ読取装置１１は、ドライバの識別子を記録したカードを読み込む。運転データ収集装置１０は、所定の周期で生体センサ１２からデータを収集し、ネットワーク１３を介して生体データ評価サーバ１へ送信する。

なお、図示の例では、ドライバＩＤ読取装置１１を、ドライバの識別子を記録したカードを読み込む装置として構成した例を示したが、異なる構成としてもよい。例えば、ドライバＩＤ読取装置１１を１つの携帯端末で構成し、携帯端末をドライバＩＤ読取部として機能させた場合、ドライバの識別子をドライバ自身に入力させることでドライバＩＤを読み取ったり、携帯端末が有するカメラを用いた公知の顔認証技術によってドライバを同定させることでドライバＩＤを読み取ったりしてもよい。

生体データ評価サーバ１は、プロセッサ２と、メモリ３と、ストレージ装置４と、入出力装置５と、通信装置６を含む計算機である。メモリ３は、データ収集部２１と、慢性発生判別モデル学習部２２と、期間Ｂ単位ＬＰ生成部２３と、期間Ａ単位集約ＬＰ処理部２４と、異常値慢性発生評価部２５と、不適ドライバ判定部２６と、自律神経機能指標算出部２７と、結果表示部２８の各機能部をプログラムとしてロードする。各プログラムはプロセッサによって実行される。なお、各機能部の詳細については後述する。

プロセッサ２は、各機能部のプログラムに従って処理を実行することによって、所定の機能を提供する機能部として稼働する。例えば、プロセッサ２は、異常値慢性発生評価プログラムを実行することで異常値慢性発生評価部２５として機能する。他のプログラムについても同様である。さらに、プロセッサ２は、各プログラムが実行する複数の処理のそれぞれの機能を提供する機能部としても稼働する。計算機及び計算機システムは、これらの機能部を含む装置及びシステムである。

ストレージ装置４は、上記各機能部が使用するデータを格納する。ストレージ装置４は、期間Ｂ単位ＲＲＩデータ４１と、期間Ｂ単位ＬＰデータ４３と、期間Ａ単位集約ＬＰデータ４５と、集約ＬＰ特徴量データ４７と、異常度データ４９と、期間Ａ単位異常判別データ５１と、自律神経機能指標データ５３と、業務状態データ４２と、履歴データ４４と、慢性発生正解データ４６と、不適判定データ４８と、特徴抽出モデル５０と、慢性発生判別モデル５２と、不適ドライバ判定モデル５４と、を格納する。なお「ＬＰ」とはローレンツプロット（Ｌｏｒｅｎｚ ｐｌｏｔ、以下ＬＰともいう。ポアンカレプロットとも呼ばれる。）の略であり、後段においても同様の表記を用いる。

入出力装置５は、マウス、キーボード、タッチパネル又はマイク等の入力装置と、ディスプレイやスピーカ等の出力装置を含む。通信装置６は、ネットワーク１３を介して車両と通信を行う。

なお、本実施例では車両７を操縦するドライバから計測した生体データを対象とした場合を例示するが、形態は本実施例に限定されない。例えば、車両７を操縦するドライバではなく、飛行機や列車といった移動体を操縦するドライバを対象としてもよい。また、例えば、ドライバに限らず、業務中に生体データを計測するドライバに限定されない一般従業員を対象とした場合や、就業中に限らず日常生活を送る人々を対象としてもよい。

＜処理詳細＞
図２は、車両の運転データ収集装置１０で行われるＲＲＩデータ送信処理の一例を示すフローチャートである。本実施例では、慢性不整脈様異常値発生の程度を評価する対象期間である第１の期間Ａ（窓幅）を、例えば、１業務日、期間Ａ以下の窓幅を有する第２の期間Ｂを、例えば、２分単位とした場合の例を示す。

なお、期間Ａや期間Ｂは本実施例のように時間幅を定義する区間で定めてもよいし、データ点数で定めてもよい。例えば、期間Ａを１業務日と同様に設定し、期間Ｂを１２０データ点と設定してもよい。

また、期間Ｂは第１の期間Ａ以下かつ心拍変動解析に要求される時間幅以上であることが好ましい。１拍のみで心拍変動解析は難しく、１０秒程度を要する。また、期間Ｂは、入力装置より受け付けたＲＲＩデータの欠損又は欠落の時間幅の情報に基づき決定してもよい。

はじめに、運転データ収集装置１０は、ドライバからのログイン入力７１を受け付けると、ＲＲＩデータ計測を開始（Ｓ１０）する。例えば、ログイン入力７１には、ドライバＩＤ読取装置１１を用いてドライバの識別子を記録したカードが読み込まれるイベントを、ログイン入力７１として用いてもよい。

次に、運転データ収集装置１０は、ドライバからのログアウト入力７２を受け付けるステップＳ１１まで、計測したＲＲＩデータの書き出し（Ｓ１２）及び送信処理（Ｓ１３）を行う。本実施例では、車両７の運転データ収集装置１０側で、計測状況に依存せずに期間Ｂ毎に、計測したＲＲＩデータを期間Ｂ単位に予め分割して書き出し、期間Ｂ単位でＲＲＩデータを生体データ評価サーバ１へ逐次送信する例を示す。生体データ評価サーバ１では、データ収集部２１がＲＲＩデータを受信して期間Ｂ単位ＲＲＩデータ４１に格納する。

なお、予め運転データ収集装置１０側で期間Ｂ単位に分割したＲＲＩデータを送信せずとも、例えば期間Ａ単位のＲＲＩデータを計測し、期間Ａ単位で生体データ評価サーバ１へ送信した後に、生体データ評価サーバ１のデータ収集部２１が期間Ａ単位のＲＲＩデータを期間Ｂ単位に分割して、期間Ｂ単位ＲＲＩデータ４１に格納してもよい。

また、運転データ収集装置１０は、期間Ｂ毎に必ず期間Ｂ単位に分割したＲＲＩデータを送信せずとも、計測状況をモニタしてＲＲＩデータの欠損が一定条件に該当する場合にのみＲＲＩデータを期間Ｂ単位に切り出し、生体データ評価サーバ１へ送信してもよい。

運転データ収集装置１０は、期間Ｂに関するＲＲＩデータが計測されると、ＲＲＩデータを期間Ｂ単位でデータ送信形式に書き出す処理（Ｓ１２）を実行する。期間Ｂ単位書出処理（Ｓ１２）の終了後、運転データ収集装置１０は、書き出した期間Ｂ単位ＲＲＩデータ４１を、生体データ評価サーバ１へ送信し、期間Ｂ単位ＲＲＩデータ４１に関わる計測情報を生体データ評価サーバ１の履歴データ４４に格納する。

運転データ収集装置１０は、以上の処理を、ドライバからのログアウト入力７２を受け付けるまで、期間Ｂ単位で実行する（Ｓ１１）。例えば、運転データ収集装置１０内にイベントタイマーを設け、これによって期間Ｂの例である２分経過をカウントし、当該ステップＳ１１を実行してよい。

また、ログアウト入力７２は、ログイン入力７１が実施された後に初めてドライバＩＤ読取装置１１を用いてドライバの識別子を記録したカードが読み込まれるイベントを、ログアウト入力７２として用いてもよい。

履歴データ４４には、運転データ収集装置１０を通じて計測された期間Ｂ単位ＲＲＩデータ４１の各データに関わる情報が格納される。例えば、期間Ｂ単位ＲＲＩデータ４１とドライバや車両７とを紐付けるためのドライバＩＤや車両ＩＤが格納される。また、生体データ評価サーバ１へデータが送信された時刻や送信されたファイル名が格納してもよい。これに加え、期間Ｂにおけるドライバの状態を格納してもよい。ドライバの状態は、期間Ｂ単位ＲＲＩデータ４１が、どのような計測条件において計測されたかを示す情報であり、例えば生体センサ１２により分類された運転中や停車中などを格納してよい。

なお、ドライバの状態は履歴データ４４に明示的に格納されなくともよい。例えば、運転データ収集装置１０による期間Ｂ単位書出処理Ｓ１２が、車両の走行中のみに行われ、車両の走行中以外に計測されるＲＲＩデータが破棄されるような構成である場合、生体データ評価サーバ１に送信される期間Ｂ単位ＲＲＩデータは全て車両走行中に計測されたことが自明であることから、ドライバの状態を格納しなくともよい。

この場合、期間Ｂ単位書出処理（Ｓ１２）やデータ送信処理（Ｓ１３）において外的要因７３により期間Ａ単位のＲＲＩデータの一部区間（期間Ｂ）に欠損が発生する。

本実施例では計測状況によらず２分毎に期間Ｂ単位書出処理が発生する例を示したが、例えば、計測不良によってＲＲＩが検知できておらず、結果として空の期間Ｂ単位ＲＲＩデータ４１が生成される、すなわちＲＲＩデータが欠損してしまう場合が発生する。また例えば、データ送信処理（Ｓ１３）において、通信障害などに起因して送信処理が失敗し、期間Ｂ単位ＲＲＩデータ４１が欠損する場合が発生する。

以上のように、期間Ａ単位におけるＲＲＩデータの欠損は、期間Ｂ単位ＲＲＩデータ４１が存在せずに欠落する場合と、期間Ｂ単位ＲＲＩデータ４１は存在するが有効なＲＲＩデータが著しく少ないもしくは空である結果として欠損する場合などにより発生する。

運転データ収集装置１０は、ログアウト入力７２を受け付けると、ＲＲＩデータ計測終了処理のステップＳ１４へ遷移する。ＲＲＩデータ計測終了処理（Ｓ１４）では、ドライバの期間Ａに関わる業務情報を含む業務状態データ４２を生成し、生体データ評価サーバ１へ送信する。

なお、有効なＲＲＩデータが無く空の期間Ｂ単位ＲＲＩデータ４１が生成された場合、後続のデータ送信処理（Ｓ１３）は実施されなくともよい。

以上の処理によって、運転データ収集装置１０は、ＲＲＩデータの計測を開始すると、期間Ｂ単位でＲＲＩデータを生体データ評価サーバ１に送信し、生体データ評価サーバ１には、期間Ｂ単位ＲＲＩデータ４１がドライバ毎に蓄積されていく。

図３は、生体データ評価サーバ１で行われる不整脈様異常値の慢性発生判別モデル５２の学習処理の一例を示すフローチャートである。まず、はじめに、慢性発生判別モデル学習部２２は、ある期間Ａにおいて計測されたＲＲＩデータにおいて、不整脈様異常値が慢性的に発生しているか否かを定義する慢性発生正解データ４６を参照し、学習対象とする慢性発生正解データ４６の有無を判定する（Ｓ２１）。

慢性発生判別モデル学習部２２は、学習対象の慢性発生正解データ４６が存在する場合、ステップＳ２２へ進んで、慢性発生正解データ４６に格納されている各期間Ａについて、次の処理を実施する。なお、学習対象の慢性発生正解データ４６は、入出力装置５から予め設定することができる。

慢性発生判別モデル学習部２２は、慢性発生正解データ４６に格納されている各期間Ａについて、期間Ａで計測された期間Ｂ単位ＲＲＩデータ４１において、不整脈様異常値が慢性的に発生しているか否かを評価するのに用いる集約ＬＰ特徴量データ４７を生成する。

なお、集約ＬＰ特徴量データ４７は、後述するように、慢性発生判別モデル５２へ入力して、不整脈様異常値（不整脈の特徴量の異常値）が慢性的であるか否かを判定するためのデータである。

まず、慢性発生判別モデル学習部２２は、期間Ｂ単位ＬＰ生成部２３を呼び出し、期間Ｂ単位ＬＰ生成部２３が期間Ａ内のＲＲＩデータについて、期間Ｂ単位で分割された期間Ｂ単位ＲＲＩデータ４１を読み込む（Ｓ２３）。

なお、期間Ｂ単位ＬＰ生成部２３は、期間Ｂ単位ＲＲＩデータ４１の読み込み時に、読み込まれた期間Ｂ単位ＲＲＩデータ４１に有効なＲＲＩデータが著しく少ない、もしくは空である場合を想定し、対象の期間Ｂ単位ＲＲＩデータ４１の検査を行い、データの欠損の有無を判定してもよい。この場合、データの欠損に該当すると判定された期間Ｂ単位ＲＲＩデータ４１については後続の処理を行わず、当該期間Ｂはデータ欠損として扱われる。

また、期間Ｂ単位ＬＰ生成部２３は、期間Ｂ単位ＲＲＩデータ４１を読み込む際に、加えて履歴データ４４も読み込んでもよい。この場合、履歴データ４４に格納されたドライバの状態を参照し、所定のドライバの状態に合致しない場合は期間Ｂ単位ＲＲＩデータ４１の読み込みを中止し、当該データに関する後続の処理をスキップしてもよい。

例えば、ドライバの状態が運転中でない場合には、該当の期間Ｂ単位ＲＲＩデータ４１のデータを読み込まず、慢性発生判別モデルの学習処理から除外してもよい。この場合、慢性発生判別モデル５２の学習に利用される期間Ｂ単位ＲＲＩデータ４１の計測条件が統一され、当該計測条件における不整脈様異常値の評価精度の向上が見込まれる。

続いて、期間Ｂ単位ＬＰ生成部２３は、上記読み込んだ期間Ｂ単位ＲＲＩデータ４１を用い、期間Ｂ単位でローレンツプロットを生成し、期間Ｂ単位ＬＰデータ４３として格納する（Ｓ２４）。

ＬＰは、時系列データＴ［ｔ］について、図４Ａの１軸に先行する時刻ｔ（ｔ＝０、 １、 ２、…）の時系列データＴ［ｔ］を、もう１軸に時刻ｔから期間ｄｔ（ｄｔ＝１、 ２、 ３、 …）だけ経過した時刻ｔ＋ｄｔにおける時系列データＴ［ｔ＋ｄｔ］をプロットすることで描かれるカオス解析を行うための２次元プロットである。

本実施例では、Ｔ［ｔ］をｘ軸に、Ｔ［ｔ＋ｄｔ］をｙ軸に対応付けてプロットしたＬＰを例として示す。ＬＰに描かれる幾何学図形を解析することで時系列データＴ［ｔ］の特性を分析することができる。

特に連続する期間Ｂ単位のＲＲＩデータについてＬＰを描くと、その幾何学的特徴から、期間Ｂにおいて計測されたデータがどの程度不整脈や計測不良を含んでいるかといった計測特性を評価可能であることが知られている。

本実施例では、ｄｔ＝１拍後の時刻とした場合のＬＰについての例を示す。また、時系列データとして、測定したＲＲＩデータの原系列ＲＲＩ［ｔ］を用いる場合を示す。なお、ｄｔは１より大きい、すなわち時間的に隣接する２点とは限らなくともよい。また、用いるＲＲＩデータは原系列ＲＲＩ［ｔ］に限らず、例えば隣接するデータ点間で差分をとった差分系列であるΔＲＲＩ［ｔ］を用いてもよい。

本実施例では、期間Ｂ単位ＬＰ生成部２３がＬＰにおける幾何学的特徴を定量評価するため、ＬＰ上のデータ点の出現頻度を濃度（又は輝度）として表したＬＰ行列を計算する。なお、後述の図４Ａのように、出現頻度が高い場合には濃度は高くなり、出現頻度が低い場合には濃度は薄くなる。例えば、本実施例ではｘ軸及びｙ軸の範囲を０ｍｓから２５６０ｍｓとし、この範囲を各軸方向に６４分割するように方眼を描いたメッシュ領域を定義する。

すなわち、この場合、各メッシュはメッシュ幅が４０ｍｓで面積４０ｍｓ×４０ｍｓの領域を示す。そして、各メッシュ内に所属するＬＰ上のデータ点の数をカウントし、各メッシュ領域の濃度をＬＰ行列の成分と定義する。なお、ＬＰの描画範囲や各軸の分割量、すなわちメッシュ幅は本実施例に限定されない。例えば、描画範囲を同一としてメッシュ幅を８０ｍｓ単位、すなわち各軸を３２分割するようにメッシュ領域を定義してもよい。

また、ＲＲＩデータが正常に計測されていない場合の計測特性を明瞭に評価するため、本実施例ではＬＰ生成の前処理として、メッシュ領域の濃度に閾値を設け、閾値を超過した濃度は閾値に置換する飽和処理を適用する例を示す。

例えば、閾値を３回と設定した場合、メッシュ領域内に４回以上データが出現した場合にも、濃度の最大値は３回となる。本処理により、不整脈様や計測不良様のＲＲＩ異常値の幾何学的特徴が強調されることになる。

以上により、本実施例では、期間Ｂ単位ＬＰ生成部２３が期間Ｂ単位ＬＰデータ４３として、６４×６４で濃度を０から３の４階調としたＬＰ行列を生成する。

なお、ＬＰの生成にあたっての前処理は飽和処理に限定されない。例えば、不整脈様異常値のみを本手法で処理するために、Ｒ波のｎ拍連続検出ミスに起因する想定ＲＲＩの約ｎ倍の長さを有するＲＲＩに対して、公知の時間領域解析手法である中央値フィルタを用いた異常値の除外又は置換処理や、同じく公知の手法であるカルマンフィルタを用いた検出ミス拍の補間処理などを合わせて行ってもよい。

以上の期間Ｂ単位で分割された期間Ｂ単位ＲＲＩデータ４１から期間Ｂ単位ＬＰデータ４３を算出する処理を、慢性発生判別モデル学習部２２は期間Ａに含まれる全ての期間Ｂについて実施する（Ｓ２２）。なお、期間Ａに含まれる期間Ｂであっても、期間Ｂ単位ＲＲＩデータ４１として存在しない期間Ｂは、データ欠損として扱われる。

その後、慢性発生判別モデル学習部２２は得られた期間Ｂ単位ＬＰデータ４３を期間Ａ単位で集約処理を行って期間Ａ単位集約ＬＰデータ４５を生成する、期間Ａ単位集約ＬＰ生成処理（Ｓ２５）を行う。

なお、本フローチャートでは期間Ｂ単位ＬＰデータ４３の生成を期間Ａに渡り順次実行する例を示したが、順次実行ではなく並列実行としてもよい。

期間Ｂの時系列で連続的にＲＲＩデータが測定されている場合や、異常値の置換・補間・除外処理により期間Ｂ分のＲＲＩデータを得られる場合、この期間ＢのＲＲＩデータから生成したＬＰについては、従来研究が行われてきており、どのような幾何学形状が不整脈様の異常であるか、に関する知見が多数存在する。

一方、期間Ｂ以上の窓幅を有する期間Ａについては、連続的にＲＲＩを計測できない時間帯や、計測に失敗し、ＲＲＩデータが存在しない時間帯や、ＲＲＩデータは存在したがサーバへの送信に失敗してデータが欠損した時間帯や、業務の都合により期間Ａの例として示した１業務日の開始終了が異なる場合など、多様な要因により、期間Ａのうち実際に計測されるＲＲＩデータ量は異なる。

例えば、期間Ａを単純に期間Ｂで分割すると２００区間存在する場合に、実際に計測された期間Ａ内の期間Ｂ区間は１９０区間しか存在しない場合が発生する。このように期間Ａ内の区間でＲＲＩデータの欠損がある場合におけるＬＰの生成は前記従来例では考慮されておらず、この場合に示される幾何学的特徴は明らかではなかった。

期間Ａ単位集約ＬＰ生成処理（Ｓ２５）では、慢性発生判別モデル学習部２２が期間Ａ単位集約ＬＰ処理部２４を呼び出し、期間Ａ単位集約ＬＰ処理部２４が、評価対象とする期間Ａ内に存在する、すなわちデータ欠損期間ではない期間Ｂの期間Ｂ単位ＬＰデータ４３群について、集約処理（Ｓ２５）を行って期間ＡのＲＲＩデータの特徴量を定量化するＬＰである期間Ａ単位集約ＬＰデータ４５を生成する。

期間Ａ単位集約ＬＰ処理部２４は、例えば、期間Ｂ単位ＬＰデータ４３群について、ＬＰ行列の各成分毎に平均化処理を行って、期間Ａ単位集約ＬＰデータ４５を生成する。本実施例の場合、期間Ａ単位集約ＬＰ処理部２４は、期間Ａが１業務日であるため、業務日単位平均ＬＰを生成し、期間Ａ単位集約ＬＰデータ４５として格納する。

なお、集約処理方法はＬＰ行列の成分毎に対する平均化処理に限定されない。例えば、集約処理におけるロバスト性を向上させるために、ＬＰ行列の各成分に対して期間Ａ中のＮ％分位点を計算する等の統計処理をもって集約処理を行ってもよい。

この場合、Ｎ＝５０％とした集約処理を選択した場合、成分毎の中央値による集約処理となり、期間Ａ中に、他と顕著に異なる特性の期間Ｂ単位ＬＰデータ４３が存在する場合には平均化処理に比較し、上記異なる特性のデータの影響を低減した集約処理を行うことができる。

期間Ａ内の区間でＲＲＩデータの欠損がある場合において、単純に全ＲＲＩデータを用いてＬＰを生成すると、濃度閾値に基づくＲＲＩ異常値の強調処理が所望の機能を発揮しない例や、本来ＬＰ上に表れるはずの幾何学特徴が観察されなくなってしまう例が見られる。

一方、本手法で、ＲＲＩデータの欠損が発生していない期間Ｂの各々についてＬＰを生成し、これを期間Ａ単位で集約することで、従来研究されてきた期間Ｂに関する知見をＲＲＩデータの欠損を含む期間Ａについて適用可能となる。

本実施例の場合、期間Ａ単位集約ＬＰ生成処理（Ｓ２５）により、本実施例における０から３までの４階調で作成した期間Ｂ単位ＬＰデータ４３から、０から３までの連続値で濃度が示される期間Ａ単位集約ＬＰデータ４５が生成される。

続いて、慢性発生判別モデル学習部２２が期間Ａ単位集約ＬＰ処理部２４を呼び出し、期間Ａ単位集約ＬＰ処理部２４が、期間Ａ単位集約ＬＰデータ４５から、不整脈様異常や計測不良様異常の程度を表す集約ＬＰ特徴量データ４７を抽出するためのモデルである特徴抽出モデル５０を用い、集約ＬＰ特徴量生成処理（Ｓ２６）を行う。

特徴抽出モデル５０は、２次元行列の特徴を抽出するための解析手段により構成される。例えば、期間Ａ単位集約ＬＰデータ４５の２次元行列を画像として捉え、不整脈様異常や計測不良様異常に関する事前知識に基づいて作成しておいた、幾何学的特徴を抽出するために予め定義したマスク領域群について、データ濃度や出現頻度を特徴量として抽出するマスクパターンによる特徴抽出法や、前記事前知識に基づき不整脈様異常や計測不良様異常に関する情報を正解データとして学習した畳み込みニューラルネットワークベースモデルや、フーリエ変換に基づく周波数領域解析モデルなどを利用することができる。本実施例では、マスクパターンによる特徴抽出法について図４Ａ～図４Ｆで詳述する。

なお、上記ステップＳ２３で期間Ｂ単位ＬＰ生成部２３が期間Ｂ単位ＲＲＩデータ４１を読み込む際に、加えて履歴データ４４も読み込み、所定のドライバ状態に合致するデータのみを用いた場合、所定のドライバ状態に適した特徴抽出モデル５０を利用してもよい。例えば、ドライバ状態が運転中と停車中とではドライバの挙動差に起因してＲＲＩデータの計測特性が変化するため、特徴抽出モデル５０を使い分けることで適切な特徴抽出がなされることが見込まれる。

その後、慢性発生判別モデル学習部２２が、期間Ａに対応する慢性発生正解データ４６を読み込む（Ｓ２７）。慢性発生正解データ４６は、ある期間Ａにおいて不整脈様異常値が慢性的に発生しているか否かを例えば０と１で格納する。以上の処理を学習対象とする慢性発生正解データ４６群について実施する。

慢性発生正解データ４６と、これに対応する集約ＬＰ特徴量データ４７が生成された後に、慢性発生判別モデル学習部２２が、集約ＬＰ特徴量データ４７から慢性発生判別モデル５２を生成する慢性発生判別モデル学習処理（Ｓ２８）を実施する。

慢性発生判別モデル５２は、公知の判別アルゴリズムを用いて構成することができる。例えば、判別アルゴリズムのうち機械学習アルゴリズムについて、ロジスティック回帰モデルや決定木、Ｒａｎｄｏｍ Ｆｏｒｅｓｔ、Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ、ニューラルネットワーク、深層学習モデルなどを利用することができる。

慢性発生判別モデル５２は、集約ＬＰ特徴量データ４７から、不整脈の慢性発生の有無の判別を行える他、慢性発生の有無の判別確率を、期間Ａにおける不整脈様ＲＲＩ異常の程度を示す異常度の算出モデルとして利用することもできる。

なお、期間Ｂ単位ＲＲＩデータ４１を読み込む際に、加えて履歴データ４４も読み込む場合、履歴データ４４に格納されたドライバの状態毎に複数の慢性発生判別モデル５２を生成してもよい。この場合、計測条件に応じたＲＲＩデータの特性を踏まえて不整脈様異常値の発生度合いを評価可能になる。

本学習処理は、後述する図５に示す、不整脈様異常値の慢性発生の程度を評価する処理以前に少なくとも一度実行される。また、本処理は慢性発生正解データ４６の増加に伴い、一定期間毎に実施し、慢性発生判別モデル５２を再学習することができる。以上により、さらに判別精度の高い慢性発生判別モデル５２を生成することができる。

図４Ａ～図４Ｆは、生体データ評価サーバ１で利用される特徴抽出モデル５０として利用されるマスクパターンによる特徴抽出法におけるマスク領域定義の一例を示す図である。

本実施例では、図４Ａで示される期間Ａ単位集約ＬＰデータ４５を例として、図４Ｂから図４Ｆの計５つで構成されるマスクパターンによる特徴抽出法の例を示す。マスクパターンによる特徴抽出法では、期間Ａ単位集約ＬＰ処理部２４が、定義されたマスク領域内外における濃度の平均や和といった統計量や、濃度が一定閾値以上であるメッシュ領域の数といった値を特徴量として抽出（図３のＳ２６）する。

図４Ａは期間Ａ単位集約ＬＰデータ４５の例であり、ＬＰ１～ＬＰ４－２上の濃度が、各メッシュ領域におけるＲＲＩ分布を示す。また、直線の破線はそれぞれｙ＝ｎｘ （ｎ＝３、２、１、１／２、１／３）を表す。

また、横軸のＲＲＩ［ｔ］は、ある時刻におけるＲＲＩを示し、縦軸のＲＲＩ［ｔ＋１］は、ある時刻から次の心拍におけるＲＲＩを示す。

図４Ｂは、拍の検出失敗を除く要因により頻繁に観察される計測不安定時の計測不良様異常値が分布する範囲を定義するマスク領域（計測不良様マスクＭａｓｋ１）の例である。計測不安定に起因する計測不良はＲ波のピークをうまく捉えられないことに起因して発生することから、本来計測される平均ＲＲＩより短い間隔でＲ波やノイズの両方をＲ波として検知してしまう。この例では、マスク領域（Ｍａｓｋ１）を次の（１）式で定義する。

例えば、運転中にはドライバのＲＲＩが５００ｍｓを下回ることが少ないと想定される場合には、ａ＝ｂ＝５００ｍｓとすることで、計測不安定に起因すると想定される異常値の程度を定量化できる。

図４Ｃは、ＲＲＩが正常範囲で揺らいでいると考えられるＲＲＩデータの分布範囲を定義するマスク領域（Ｍａｓｋ２）の例である。この例では、マスク領域（Ｍａｓｋ２）を、次の（２）式で定義する。

ＦｌｕｃｔＲａｎｇｅはＲＲＩデータが取りうる揺らぎ幅であり、例えば安静閉眼状態における心拍変動の分散σ２を参考に、２σ内に広くＲＲＩデータが分布すると想定し、ＦｌｕｃｔＲａｎｇｅ＝８０ｍｓとすることができる。

図４Ａに示したＬＰ１のＲＲＩデータ群は、正常範囲マスク（Ｍａｓｋ２）の領域に含まれることを示している。

続いて、不整脈様異常値と、拍検出漏れによる計測不良様異常値とを分離して特徴量化するためのマスク領域を示す。本実施例では不整脈様異常値のうち、特に心室性（ＰＶＣ：ｐｒｅｍａｔｕｒｅ ｖｅｎｔｒｉｃｕｌａｒ ｃｏｎｔｒａｃｔｉｏｎ）及び心房性期外収縮（ＰＡＣ：ｐｒｅｍａｔｕｒｅ ａｔｒｉａｌ ｃｏｎｔｒａｃｔｉｏｎ）を頻発する例について言及する。

拍検出漏れによる計測不良様異常値は、ｎ拍検出漏れであればｙ＝（ｎ＋１）ｘ及びｙ＝１／（ｎ＋１）ｘ近傍に分布する。一方で、不整脈様異常値は心室性及び心房性期外収縮様ＲＲＩの場合には、ｙ＝ｘからｙ＝２ｘ及びｙ＝１／２ｘまでの領域に分布する。よって、不整脈様異常値の定量評価には、１拍検出漏れの分布領域を含まないように、ｙ＝ｘからｙ＝２ｘ及びｙ＝１／２ｘまでの領域を評価することが有効となる。

図４Ｄは不整脈様異常値が分布する範囲を定義するマスク領域（Ｍａｓｋ３）の例である。この例では、マスク領域を次のように定義する。

ＰＶＣ様異常値マスク（Ｍａｓｋ３）は、後述の１拍検出漏れの分布領域を含まないよう、ｙ＝２ｘ及びｙ＝１／２ｘを、左回りを正とした原点周りの回転角Δθだけ緩和した直線と、ｙ＝ｘ±ＦｌｕｃｔＲａｎｇｅとの間の領域を評価することで不整脈様ＲＲＩを評価可能となる。

回転角Δθは例えばΔθ＝２°と設定してよい。さらに、運転中には想定されないと考えられる間隔ＭａｘＲＲＩのＲＲＩ以上の領域を除外することで、さらに不整脈様異常値のみを評価可能となる。例えば、運転中に心拍数が４０を切る場合はＲＲＩデータが正しく計測できていないと想定し、ＭａｘＲＲＩ＝１５００ｍｓとできる。

図４Ａに示したＬＰ２－１、ＬＰ２－２のＲＲＩデータ群は、ＰＶＣ様異常値マスク（Ｍａｓｋ３）の領域に含まれることを示している。

図４Ｅは連続ｎ＝１拍検出漏れの場合にＲＲＩ異常値が分布する範囲を定義するマスク領域（Ｍａｓｋ４）の例であり、マスク領域（Ｍａｓｋ４）を次のように定義する。

図４Ａに示したＬＰ３－１、ＬＰ３－２のＲＲＩデータ群は、１拍検出漏れマスク（Ｍａｓｋ４）の領域に含まれることを示している。

図４Ｆは連続ｎ＝２拍検出漏れのＲＲＩ異常値が分布する範囲を定義するマスク領域（Ｍａｓｋ５）の例であり、マスク領域（Ｍａｓｋ５）は図４Ｅと同様に定義する。図４Ａに示したＬＰ４－１、ＬＰ４－２のＲＲＩデータ群は、連続２拍検出漏れマスク（Ｍａｓｋ５）の領域に含まれることを示している。

以上のように期間Ａ単位集約ＬＰから特徴抽出を行うことで、不整脈様異常値と計測不良様異常値との程度を切り分けて評価可能となる。なお、マスク領域は本実施例のみに限定されない。例えば、心房細動を表現するためのマスク領域を追加的に定義し利用してもよい。

以上のように不整脈様異常値を定義するマスク領域と、計測不良様異常値を分離して評価可能な特徴量を算出することで、不整脈様異常値の慢性的な発生状況の選択的な評価を実現可能となる効果が得られる。さらに、副次的効果として、計測不良様異常値の程度についても同様に評価可能となる効果が得られる。

図５は、生体データ評価サーバ１で行われる不整脈様異常値の慢性発生の程度を評価する処理の一例を示すフローチャートである。なお、図中ステップＳ２２～Ｓ２６は図３のフローチャートと同一の処理であるので図３と同一の符号を付与した。

まず、期間Ｂ単位ＬＰ生成部２３が、期間ＡのＲＲＩデータについて、期間Ｂ単位で分割された期間Ｂ単位ＲＲＩデータ４１を読み込む（Ｓ２３）。続いて、期間Ｂ単位ＬＰ生成部２３が、読み込んだ期間Ｂ単位ＲＲＩデータ４１を用い、期間Ｂ単位でＬＰを生成し、期間Ｂ単位ＬＰデータ４３として格納する（Ｓ２４）。

期間Ｂ単位ＬＰ生成部２３が、期間Ｂ単位ＬＰデータ４３を、期間Ａに含まれる全ての期間Ｂについて生成した後（Ｓ２２）に、期間Ａ単位集約ＬＰ処理部２４が、期間Ｂ単位ＬＰデータ４３を期間Ａ単位に集約処理を行った期間Ａ単位集約ＬＰデータ４５を生成する、期間Ａ単位集約ＬＰ生成処理（Ｓ２５）を行う。

そして、期間Ａ単位集約ＬＰ処理部２４が、期間Ａ単位集約ＬＰデータ４５から、不整脈様異常や計測不良様異常の程度を表す集約ＬＰ特徴量を抽出するためのモデルである特徴抽出モデル５０を用い、集約ＬＰ特徴量生成処理（Ｓ２６）を行う。

その後、得られた集約ＬＰ特徴量データ４７に対して、異常値慢性発生評価部２５が、学習された慢性発生判別モデル５２を用いて異常度データ４９を算出する異常度算出処理（Ｓ３１）を行う。

本処理で算出される異常度は、例えば前述のように集約ＬＰ特徴量データ４７を慢性発生判別モデル５２へ入力して得られる、慢性発生の有無の判別確率を慢性不整脈様異常度１４７（図１０Ｅ参照）として算出して異常度データ４９として利用することができる。

最後に異常値慢性発生評価部２５が、集約ＬＰ特徴量データ４７や異常度データ４９と、慢性発生判別モデル５２とを用いて慢性発生判別処理（Ｓ３２）を行い、期間Ａにおいて不整脈様異常値が慢性的に発生しているか否かを判別して、期間Ａ単位異常判別データ５１に格納する。

なお、異常値慢性発生評価部２５は、対象のドライバの異常度データ４９から慢性不整脈様異常度１４７を取得して、慢性不整脈様異常度１４７が予め設定された異常判定閾値を超えていれば、期間Ａ単位異常判別データ５１の慢性不整脈様異常判定結果１５７（図１０Ｆ参照）に「１」を設定し、異常判定閾値以下であれば「０」を設定する。

なお、図３にて記載のように、期間Ｂデータ読込処理（Ｓ２３）において追加で履歴データ４４を読み込み、所定のドライバ状態で計測された期間Ｂ単位ＲＲＩデータ４１のみから期間Ａ単位集約ＬＰを生成した場合、集約ＬＰ特徴量生成処理（Ｓ２６）において利用する特徴抽出モデル５０や、異常度算出処理（Ｓ３１）や慢性発生判別処理（Ｓ３２）で利用する慢性発生判別モデル５２は、所定のドライバ状態向けのモデルを選択して利用してよい。この場合、ＲＲＩデータの計測状況を踏まえて、より精度高く不整脈様異常値の発生状況を評価可能となる。

また、本実施例では異常度算出処理（Ｓ３１）と慢性発生判別処理（Ｓ３２）を順次行う例を示したが、両者を同時（又は並列的）に行ってもよい。この場合、集約ＬＰ特徴量データ４７を慢性発生判別モデル５２へ入力して得られた判別確率と判別結果のそれぞれを異常度データ４９と、期間Ａ単位異常判別データ５１として格納すればよい。

以上により、データ欠損を伴う期間Ａ単位のＲＲＩデータに対しても、期間Ａにおける不整脈様異常値発生の程度を評価するためのＬＰを生成可能となる効果が得られる。また、不整脈様異常値の発生が慢性的であるか否かを判別可能となる。

したがって、得られた期間Ａ単位異常判別データ５１を利用することで、データ欠損を伴う環境においても、期間Ａについて不適期間を除外することが可能となり、自律神経機能評価の信頼性が向上する効果が得られる。

図６は、生体データ評価サーバ１で行われる自律神経機能評価に不適なドライバの判定処理の一例を示すフローチャートである。本実施例においては期間Ａを１業務日とする例を示しているが、ドライバの不整脈様異常値の発生状況は運動負荷や健康状態に応じて変化しうる。

このため、期間Ａに対する慢性不整脈様異常判定結果１５７のみから、当該ドライバの全データについて今後自律神経機能評価が不適であると判定することは難しい。以上の判定を行うには、期間Ａ以上の長さを有する期間Ｃについての慢性不整脈様異常判定結果１５７を勘案して評価することが望ましいと考えられる。

よって、自律神経機能評価に不適なドライバであるか否かを評価する処理では、不適ドライバ判定部２６が、まず直近の期間Ｃに対し、期間Ｃ内に存在する期間Ａ単位異常判別データ５１を読み出して期間Ｃ分判定結果読出処理（Ｓ４１）を行う。

そして、不適ドライバ判定部２６が、期間Ｃ内の期間Ａ単位異常判別データ５１を入力として、不適ドライバ判定モデル５４を用いて、当該ドライバがＲＲＩデータに基づく自律神経機能評価に不適であるかどうかを判定した判定結果（図１０ＧのＡＮＦ評価不適判定１６７）を算出させて不適判定データ４８に格納する（Ｓ４２）。

なお、不適判定データ４８のＡＮＦ評価不適判定１６７には、自律神経機能評価に不適であれば「１」を設定し、自律神経機能評価に利用可能であれば「０」が設定される。

例えば期間Ａを１業務日とした場合に、期間Ｃは５業務日としてよい。不適ドライバ判定モデル５４には、例えば定常的に不整脈様異常値を呈する場合と、本人の状況に応じ偶発的に不整脈様異常値を呈する場合とにおける、期間Ｃを総数とした場合の期間Ａに対するＡＮＦ評価不適判定１６７の出現分布とを比較して統計的に判定閾値を設定する統計モデルを利用してよい。

以上により、不適ドライバ判定部２６は、健康状態や運動負荷などドライバ本人の状態変化によらず、ＲＲＩデータを用いた自律神経機能評価が定常的に不適と考えられるドライバが検出可能となり、自律神経機能評価の信頼性向上が実現される効果が得られる。

図７は、生体データ評価サーバ１で行われる自律神経機能指標の算出処理の一例を示すフローチャートである。本実施例では、ＬＰ生成に用いる期間Ｂと同様の窓幅のＲＲＩデータを用いて自律神経機能指標を算出する例を示す。すなわち、本実施例では、２分の解析窓単位で自律神経機能指標を算出する例を示す。

自律神経機能指標の計算処理は、周知又は公知の手法により行われるため、その概要のみを以下で述べる。まず、自律神経機能指標算出部２７は、期間Ｂ単位ＲＲＩデータ４１を読み込むデータ読込処理を行う（Ｓ５１）。

続いて、ＲＲＩデータに基づく自律神経機能評価が定常的に不適と想定されるドライバであるか否かを評価するため、自律神経機能指標算出部２７は不適判定データ４８から解析適否を判定する（Ｓ５２）。

この判定は、自律神経機能指標算出部２７が、不適判定データ４８のＡＮＦ評価不適判定１６７が「０」のレコードを抽出し、解析開始１６５～解析終了１６６までの期間Ｂ単位ＲＲＩデータ４１でステップＳ５３～Ｓ５５の自律神経機能指標データ５３を算出する。これにより、自律神経機能指標算出部２７は、ＡＮＦ評価不適判定１６７が「１」のレコードを排除することができる。

解析が不適なドライバではなかった場合、自律神経機能指標算出部２７は、ＲＲＩデータから必要に応じた解析を行うことで自律神経機能指標データ５３を算出する。必要に応じた解析には、周波数領域解析（Ｓ５３）や、時間領域解析（Ｓ５４）、ＲＲＩ非線形領域解析（Ｓ５５）が例として挙げられる。

自律神経機能指標算出部２７は、周波数領域解析（Ｓ５３）ではＲＲＩ時系列からパワースペクトル密度を介して周波数領域指標を算出する。ＲＲＩ時系列は、不等間隔時系列データであるため、スプライン補間などで等間隔にリサンプリングしてから自己回帰モデルや最大エントロピー法を用いて、もしくは不等間隔データを利用可能なＬｏｍｂ－Ｓｃａｒｇｌｅ法など公知の手法を用いてパワースペクトル密度ＰＳＤ（Ｐｏｗｅｒ Ｓｐｅｃｔｒａｌ Ｄｅｎｓｉｔｙ）を算出する。

自律神経機能指標算出部２７は、算出されたＰＳＤのうち、例えば０．０５ Ｈｚ－０．１５ Ｈｚの低周波数領域の積分値ＬＦや、０．１５ Ｈｚ－０．４０ Ｈｚの高周波数領域の積分値ＨＦと、ＬＦとＨＦの和であるＴＰ、ＬＦをＨＦで除したＬＦ／ＨＦ、ＬＦをＴＰで除して百分率としたＬＦｎｕなどを自律神経機能指標データ５３の周波数領域指標として算出する。

自律神経機能指標算出部２７は、時間領域解析（Ｓ５４）では、ＲＲＩ時系列や隣接するＲＲＩの差分系列であるΔＲＲＩ時系列の統計量を算出することで時間領域指標を算出する。

例えば、自律神経機能指標算出部２７はＲＲＩ時系列の平均値の逆数である平均心拍数やＲＲＩデータの標準偏差であるＳＤＮＮを算出する。また、ΔＲＲＩ時系列からは例えば、ΔＲＲＩ時系列を構成する差分値の絶対値が５０ｍｓを超過するデータ総数であるＮＮ５０や、ＮＮ５０をΔＲＲＩ時系列のデータ総数で除したｐＮＮ５０や、ΔＲＲＩの標準偏差であるＳＤＳＤを算出し、自律神経機能指標データ５３の時間領域指標として算出する。

自律神経機能指標算出部２７は、ＲＲＩ非線形領域解析（Ｓ５５）では、各種手法により非線形特徴量を算出する。自律神経機能指標算出部２７は、例えば、ＬＰ解析を通じ、図４Ａのようにプロットされた領域を楕円近似した楕円面積Ｓを算出する。また、自律神経機能指標算出部２７は、相似エントロピーやＤｅｔｒｅｎｄｅｄ Ｆｌｕｃｔｕａｔｉｏｎ Ａｎａｌｙｓｉｓによるα１、α２、トーン－エントロピー解析に基づくトーンやエントロピーを算出し、自律神経機能指標データ５３のＲＲＩ非線形領域指標として算出する。

その後、自律神経機能指標算出部２７は、算出された自律神経機能指標群をまとめて自律神経機能指標データ５３に格納する（Ｓ５６）。

なお、自律神経機能指標算出部２７は、上記ステップの処理を並列的に実行してもよいし、順次実行するようにしてもよい。

一方、不適判定データ４８から解析に不適だと想定されるドライバの場合、自律神経機能指標算出部２７は、自律神経機能指標を算出せずに、不適フラグを自律神経機能指標データ５３に格納する。なお、自律神経機能指標を算出した上で不適フラグを自律神経機能指標データ５３に格納してもよい。

以上により、定常的な不整脈によりＲＲＩデータを用いた自律神経機能評価が不適なドライバに対して、不適フラグを付与可能となり、得られた自律神経機能指標から誤った解釈を行う可能性を低減させ、自律神経機能評価の信頼性を向上する効果が得られる。

図８は、結果表示部２８が、入出力装置５のディスプレイに対して出力する、自律神経機能評価結果画面１０００の一例を示す図である。生体データ評価サーバ１は、期間Ａについて、ＲＲＩデータの計測が終了し、期間Ａ単位異常判別データ５１が生成されると、入出力装置５は、期間Ａ単位の自律神経機能評価結果画面１０００を表示する。

自律神経機能評価結果画面１０００には、ドライバＩＤ１０１１と、使用した車両（ＩＤ）１０１２と、不整脈様ＲＲＩ異常レベル１０１３が、サマリー情報１０１０として上部に表示されている。また、下部には、自律神経機能指標の推移１０２０として、３０分毎の時系列で自律神経機能指標の推移が５段階で表示されている。なお、自律神経機能指標は、リラックスからストレスの範囲を示した例である。

本実施例の対象である期間Ａの１業務日のうち、例えば１０時については何らかの要因でデータが欠損し、自律神経機能指標が計算できていない。すなわち、期間Ａの中でＲＲＩデータに欠損が生じ、従来例のＬＰの適用で不整脈様異常値の程度を判別するのが困難な場合である。

しかし、本実施例では期間Ａの中に欠損区間があっても不整脈様異常値の程度を評価可能となるため、上部のサマリー情報１０１０には、本日の業務時間（例：８時間半）と、この業務時間中における不整脈様異常値の程度が不整脈様ＲＲＩ異常レベル１０１３として表示されている。

例えば、不整脈様ＲＲＩ異常レベル１０１３には、異常度データ４９に記録された判別確率をパーセンテージ表示に変換した値を表示することで、不整脈様異常値の発生状況の評価を定量表示してよい。

以上によりドライバは、業務時には頻繁に発生しうる、期間Ａの中にＲＲＩデータの欠損区間が発生する場合であっても、自律神経機能評価結果画面１０００に表示される自律神経機能指標の推移が信頼性に足るものであるのかどうかを、定量的に理解することができる効果が得られる。

図９は、結果表示部２８が、入出力装置５のディスプレイに対して出力する、期間Ａ中に計測されたＲＲＩデータの信頼性の詳細分析画面２０００の一例を示す図である。図８に示した自律神経機能評価結果画面１０００のサマリー情報１０１０内に表示されている詳細ボタン１０１４を押下すると、入出力装置５は期間Ａ単位の計測データについて、詳細分析画面２０００を表示する。

詳細分析画面２０００の左上には、当該日付２００１とドライバＩＤ２００２、及び期間Ａである当該日１業務日における自律神経機能指標の信頼性２００３が表示されている。

詳細分析画面２０００の左下には、期間Ａ単位集約ＬＰ２００４が表示されている。右下には、期間Ａ単位集約ＬＰ２００４を作成するために集約を行う以前の、計測された期間Ｂ単位ＲＲＩデータ２０１１と、期間Ｂ単位ＬＰデータ２０１２が表示され、下部のスクロールバー２０１３により期間Ｂ単位ＬＰデータの時間変化を確認することができる。

また、下部のスクロールバー２０１３には、期間Ｂ単位で信頼性の低い区間２０１４が網掛けで表示されている。詳細分析画面２０００の右上には、不整脈様ＲＲＩ異常の程度２０２１と、計測不良様ＲＲＩ異常の程度２０２２、２０２３とが、その根拠とともに表示されている。

本実施例では特徴抽出モデル５０に用いたマスクパターンによる特徴抽出法において定義されている、不整脈様、計測不良様、そしてＲ波検知失敗様のＲＲＩ異常値のそれぞれについて、判定の根拠となるＬＰ上の領域定義が、期間Ａ単位集約ＬＰ２００４上に重畳表示されている。

期間Ａ単位集約ＬＰ２００４の各異常レベルは、例えば、各マスクに関わる特徴量をその特徴量の最大値で正規化してパーセンテージ表示することができる。なお、特徴抽出モデル５０として畳み込みニューラルネットワークを用いた場合には、その判定の根拠を可視化する手段であるアテンションマップを表示することで判定の根拠を可視化してもよい。

以上により、生体データ評価サーバ１の利用者などが詳細分析画面２０００を参照することで、不整脈様異常値に起因する自律神経機能評価の信頼性がなぜ低下しているのか、その根拠を容易に提示することができる。

さらに、不整脈様異常値の他に、計測不良様異常値の状況に関する情報提示を可能とし、正常にＲＲＩデータの計測が行えているか否かの判定をドライバは下すことが可能になる。さらに、一部の期間Ｂにおいてのみ計測状況が悪いことが分かった場合、ドライバは自身の業務知識と照らし合わせることで、計測不良の要因を考察可能となる。

＜データ構造＞
次に、生体データ評価システムで使用する各データの特徴的な構造について示す。

図１０Ａは、生体データ評価サーバ１においてストレージ装置４に保持される、期間Ｂ単位ＲＲＩデータ４１のデータ構造の一例を示す図である。

期間Ｂ単位ＲＲＩデータ４１には典型的には、ドライバＩＤ１０１と、車両ＩＤ１０２と、ＲＲＩデータの計測時刻１０３と、ＲＲＩ１０４及び、加速度ノルム１０５が１つのレコードに格納される。

ドライバＩＤ１０１は、車両７のドライバＩＤ読取装置１１が取得したドライバの識別子を格納する。車両ＩＤ１０２は、運転データ収集装置１０に予め設定された車両７の識別子を格納する。

計測時刻１０３は、心拍センサ１４がＲＲＩデータを測定した日時を格納する。ＲＲＩ１０４は、心拍センサ１４が検出した値（ｍｓｅｃ）を格納する。加速度ノルム１０５は、加速度センサ１５が検出した加速度のベクトル値を格納する。

図１０Ｂは、生体データ評価サーバ１においてストレージ装置４に保持される、期間Ｂ単位ＬＰデータ４３のデータ構造の一例を示す図である。期間Ｂ単位ＬＰデータ４３には、典型的にはドライバＩＤ１１１と、車両ＩＤ１１２と、期間Ｂの窓幅１１３と、解析期間１１４と、期間Ｂ単位ＬＰ１１５及び、解析元ファイル名１１６が１つのレコードに格納される。

ドライバＩＤ１１１は、図１０Ａと同様でありドライバの識別子を格納する。車両ＩＤ１１２は、図１０Ａと同様であり車両７の識別子を格納する。期間Ｂ１１３は、期間Ｂの長さを格納する。解析期間１１４は、期間Ｂの始点の日時を格納する。

期間Ｂ単位ＬＰ１１５には、期間Ｂ内の２次元のＬＰ行列成分を平坦化した配列を格納してもよい。もしくは、ＬＰ行列成分を輝度として画像化したＬＰ画像をバイナリにエンコードした情報を格納してもよい。もしくは、ＬＰ行列成分の成分毎に異なる列（又はフィールド）方向に格納してもよい。解析元ファイル名１１６は、期間Ｂ単位ＬＰデータ４３のファイル名（又はパス）を格納する。

図１０Ｃは、生体データ評価サーバ１においてストレージ装置４に保持される、期間Ａ単位集約ＬＰデータ４５のデータ構造の一例を示す図である。期間Ａ単位集約ＬＰデータ４５には典型的には、ドライバＩＤ１２１と、車両ＩＤ１２２と、期間Ａの窓幅１２３と、期間Ｂの窓幅１２４と、期間Ａ内に実際にデータが存在した期間Ｂの区間数を表す窓数１２５と、解析期間１２６と、期間Ａ単位集約ＬＰ１２７及び、集約方法１２８を示す方法が１つのレコードに格納される。

ドライバＩＤ１２１と車両ＩＤ１２２は、図１０Ａと同様でありドライバの識別子と車両７の識別子を格納する。期間Ａ１２３は、期間Ａの長さを格納する。期間Ｂ１２４は、期間Ｂの長さを格納する。解析期間１２６は、期間Ａの始点の日時を格納する。期間Ａ単位集約ＬＰ１２７には、期間Ａ内の２次元のＬＰ行列成分を平坦化した配列を格納してもよい。もしくは、ＬＰ行列成分を輝度として画像化したＬＰ画像をバイナリにエンコードした情報を格納してもよい。もしくは、ＬＰ行列成分の成分毎に異なる列方向に格納してもよい。

図１０Ｄは、生体データ評価サーバ１においてストレージ装置４に保持される、集約ＬＰ特徴量データ４７のデータ構造の一例を示す図である。集約ＬＰ特徴量データ４７には典型的には、ドライバＩＤ１３１と、車両ＩＤ１３２と、期間Ａの窓幅１３３と、期間Ｂの窓幅１３４と、期間Ａ内に実際に存在した期間Ｂの区間数を表す窓数１３５と、解析期間１３６、及び期間Ａ単位集約ＬＰから抽出された特徴量群について、その特徴量が不整脈様や計測不良様など特徴量の特性名を表す列名（例：不整脈様特徴量１１３７－１～計測不良様特徴量Ｎ１３７－Ｎ）が１つのレコードに格納される。

ドライバＩＤ１３１～解析期間１３６は、図１０ＣのドライバＩＤ１２１～解析期間１２６と同様である。

特徴量１～Ｎ（１３７－１～１３７－Ｎ）は、例えば、図４Ｂの計測不良様マスクＭａｓｋ１に含まれるＬＰの特徴量や、ＰＶＣ様異常値マスクＭａｓｋ３に含まれるＬＰの特徴量や、１拍検出漏れマスクＭａｓｋ４や連続２拍検出漏れマスクＭａｓｋ５に含まれるＬＰの特徴量を格納する。

図１０Ｅは、生体データ評価サーバ１においてストレージ装置４に保持される、異常度データ４９のデータ構造の一例を示す図である。異常度データ４９には典型的にはドライバＩＤ１４１と、車両ＩＤ１４２と、期間Ａの窓幅１４３と、期間Ｂの窓幅１４４と、期間Ａ内に実際に存在した期間Ｂの区間数を表す窓数１４５と、解析期間１４６と、慢性不整脈様異常度１４７が１つのレコードに格納される。

ドライバＩＤ１４１～解析期間１４６は、図１０ＤのドライバＩＤ１３１～解析期間１３６と同様である。慢性不整脈様異常度１４７には、例えば慢性発生判別モデル５２に集約ＬＰ特徴量データ４７を入力して得られた不整脈の慢性発生の有無の判別確率が１つのレコードに格納される。

図１０Ｆは、生体データ評価サーバ１においてストレージ装置４に保持される、期間Ａ単位異常判別データ５１のデータ構造の一例を示す図である。期間Ａ単位異常判別データ５１には典型的には、ドライバＩＤ１５１と、車両ＩＤ１５２と、期間Ａの窓幅１５３と、期間Ｂの窓幅１５４と、期間Ａ内に実際に存在した期間Ｂの区間数を表す窓数１５５と、解析期間１５６及び、慢性不整脈様異常判定結果１５７が１つのレコードに格納される。

ドライバＩＤ１５１～解析期間１５６は、図１０ＥのドライバＩＤ１４１～解析期間１４６と同様である。

慢性不整脈様異常判定結果１５７には、異常値慢性発生評価部２５が、期間Ａにおいて不整脈様異常値が慢性的に発生しているか否かを判別した結果が「０」又は「１」の値で格納される。なお、不整脈様異常値が慢性的に発生している場合には慢性不整脈様異常判定結果１５７に「１」が格納され、そうでない場合には「０」が格納される。

図１０Ｇは、生体データ評価サーバ１においてストレージ装置４に保持される、不適判定データ４８のデータ構造の一例を示す図である。不適判定データ４８には、典型的にはドライバＩＤ１６１と、車両ＩＤ１６２と、期間Ａの窓幅１６３と、期間Ｃの窓幅１６４と、解析を開始した期間Ａの解析開始１６５と、解析を終了した期間Ａの解析終了１６６及び、期間Ｃに関して評価した自律神経機能（図中ＡＮＦ）評価不適判定１６７が１つのレコードに格納される。

ドライバＩＤ１６１～期間Ａ１６３は、図１０ＦのドライバＩＤ１５１～期間Ａ１５３と同様である。期間Ｃ１６４は、期間Ａよりも大きい期間（窓幅）を格納する。解析開始１６５と解析終了１６６は、期間Ｃの開始日時と終了日時を格納する。

自律神経機能（ＡＮＦ）評価不適判定１６７には、当該ドライバＩＤ１６１のＲＲＩデータが自律神経機能を評価するのに適していなければ「１」が格納され、そうでない場合には「０」が格納される。

図１０Ｈは、生体データ評価サーバ１においてストレージ装置４に保持される、自律神経機能指標データ５３のデータ構造の一例を示す図である。自律神経機能指標データ５３には典型的には、ドライバＩＤ１７１と、車両ＩＤ１７２と、日時１７３に加え、自律神経機能指標算出部２７が算出した各種自律神経機能指標が１つのレコードに格納される。

ドライバＩＤ１７１と車両ＩＤ１７２は図１０ＧのドライバＩＤ１６１と車両ＩＤ１６２と同様である。日時１７３は、自律神経機能指標を算出した日時を格納する。

本実施例では、自律神経機能指標として、例えば、周波数領域指標であるＬＦ／ＨＦ１７４と、時間領域指標である平均心拍数１７５と、ＮＮ５０（１７６）又はＲＲＩ非線形領域指標であるα１（１７７）などが挙げられる。

図１０Ｉは、生体データ評価サーバ１においてストレージ装置４に保持される、業務状態データ４２のデータ構造の一例を示す図である。業務状態データ４２には典型的には、ドライバＩＤ１８１と、車両ＩＤ１８２と、業務日１８３と、計測開始日時１８４と、計測終了日時１８５及び、走行距離１８６などが１つのレコードに格納される。

ドライバＩＤ１８１と車両ＩＤ１８２は図１０ＨのドライバＩＤ１７１と車両ＩＤ１７２と同様である。業務日１８３は、ドライバが業務を実施した日付を格納する。計測開始日時１８４と計測終了日時１８５は、生体データの計測を開始した日時と、終了した日時を格納する。走行距離１８６は、ドライバが業務日１８３で運転した距離を格納する。

図１０Ｊは、生体データ評価サーバ１においてストレージ装置４に保持される、履歴データ４４のデータ構造の一例を示す図である。履歴データ４４には典型的には、ドライバＩＤ１９１と、車両ＩＤ１９２と、期間Ｂの窓幅１９３と、期間Ｂ単位ＲＲＩファイル送信時刻１９４と、受信した期間Ｂ単位ＲＲＩデータのファイル名１９５及び代表状態１９６などが１つのレコードに格納される。

ドライバＩＤ１９１と車両ＩＤ１９２は図１０ＩのドライバＩＤ１８１と車両ＩＤ１８２と同様である。期間Ｂ１９３は、期間Ｂの長さを格納する。ファイル送信時刻１９４は、車両７の運転データ収集装置１０がＲＲＩデータを送信した日時を格納する。ファイル名１９５は、ＲＲＩデータのファイル名（又はパス）を格納する。

代表状態１９６は、期間Ｂ単位ＲＲＩデータ４１が計測された期間Ｂにおけるドライバの状態を格納する。

図１０Ｋは、生体データ評価サーバ１においてストレージ装置４に保持される、慢性発生正解データ４６のデータ構造の一例を示す図である。慢性発生正解データ４６には、典型的には、ドライバＩＤ２０１と、車両ＩＤ２０２と、期間Ａの窓幅２０３と、解析期間２０４及び、慢性不整脈様異常か否かを示す正解ラベルである慢性不整脈様異常ラベル２０５が１つのレコードに格納される。

ドライバＩＤ２０１と車両ＩＤ２０２は図１０ＪのドライバＩＤ１９１と車両ＩＤ１９２と同様である。期間Ａ２０３は期間Ａの長さを格納する。解析期間２０４は、期間Ａの開始日時を格納する。慢性不整脈様異常ラベル２０５は、慢性不整脈様異常であれば「１」を格納し、そうでない場合には「０」を格納する。

図１１は、期間Ａ及び期間Ｂの定義とデータ欠損の発生に関わる一例を示す図である。本実施例では期間Ａ５０１を１業務日（すなわち、ある日付において業務の開始から終了までの期間）、期間Ｂ５０３を２分と設定する場合において、３人日分の期間Ａ５０１（５０１－１、５０１－２）と、期間Ａ５０１を期間Ｂ５０３単位に分割した場合の例を説明する。

まず、データ欠損が発生しない場合における期間Ａ５０１と期間Ｂ５０３を説明する。１２／１のドライバＡ５０２－１の場合、期間Ａ（ドライバＡ）５０１－１で定義される期間に関し、期間Ｂ５０３で分割された期間Ｂ単位ＲＲＩデータ５０４が窓数ｎだけ存在する。

一方、１２／１のドライバＢ５０２－３の場合は、１２／１のドライバＡ５０２－１と業務の開始・終了時刻が異なっており、期間Ａ（ドライバＡ）５０１－１とは異なる、期間Ａ（ドライバＢ）５０１－２の期間に渡って期間Ｂ単位ＲＲＩデータ５０４が計測されている。結果として、１２／１のドライバＡの期間Ａ５０１－１に存在した窓数ｎと異なる、窓数ｍの期間Ｂ単位ＲＲＩデータ５０４が解析対象となる。

続いて、データ欠損が存在する場合の１２／２のドライバＡ５０２－２を説明する。この場合、同一ドライバで業務体系が変化しなかったことから、ドライバＡ５０２－２においても期間Ａ５０１はドライバＡ５０２－１同様に期間Ａ（ドライバＡ）５０１－１で定義されている。

一方、期間Ａ（ドライバＡ）５０１－１中に計測された期間Ｂ単位ＲＲＩデータ５０４には、様々な要因でデータ欠損が発生している。例えば、ある期間Ｂ単位ＲＲＩデータ５０５－１は、計測不良により有効なＲＲＩデータが著しく少なく、データ欠損が有りと判定されている。

また期間Ｂ単位ＲＲＩデータ５０５－２は、期間Ｂ５０３においてＲＲＩデータ計測に失敗し、生体データ評価サーバ１上に、空の期間Ｂ単位ＲＲＩデータが存在し、データ欠損有と判定されている。

さらに期間Ｂ単位ＲＲＩデータ５０５－３は、通信不良などの外的要因７３により、生体データ評価サーバ１上に、期間Ｂ単位ＲＲＩデータ５０４が存在せず、データ欠損が有りと判定されている。

結果として、３区間のデータ欠損が発生し、１２／１のドライバＡ５０２－１における期間Ｂ単位ＲＲＩデータ総数ｎから３データ少ない、ｎ－３だけ、１２／２のドライバＡ５０２－２では期間Ｂ単位ＲＲＩデータが計測されている。なお、データ欠損の要因は以上に限定されない。

以上のように、期間Ａのうちに計測された期間Ｂ単位ＲＲＩデータ４１はそれぞれｎ、ｎ－３、ｍと、期間Ａに渡ってＲＲＩデータの計測を試みた場合でも、実際に計測されたＲＲＩデータ量が異なる事例が発生する。

生体データ評価サーバ１に読み込まれた期間Ｂ単位ＲＲＩデータ４１に有効なＲＲＩが著しく少ないもしくは空である場合を想定し、対象の期間Ｂ単位ＲＲＩデータ４１の検査を行い、データ欠損の有無を判定してもよい。

以上のように、本実施例の生体データ評価システムは、生体データ評価サーバ１が、期間Ｂ単位ＲＲＩデータ４１群から算出した期間Ｂ単位ＬＰデータ４３群を用いて、期間Ａ単位で集約処理した期間Ａ単位集約ＬＰデータ４５を算出し、特徴抽出モデル５０を用いて期間Ａ単位集約ＬＰデータ４５から、不整脈様異常値発生の程度を表す特徴量を含む集約ＬＰ特徴量データ４７を算出し、集約ＬＰ特徴量データ４７を慢性発生判別モデル５２へ入力することで、期間Ａ単位で不整脈様異常値が慢性的に発生しているか否かを判別する。

これにより、本実施例の生体データ評価サーバ１は、データ欠損を伴うＲＲＩデータに対しても不整脈ＲＲＩ異常値の程度の評価に用いる集約ＬＰを生成することが可能となる。

また、生体データ評価サーバ１は、集約ＬＰから不整脈様異常値発生の程度を表す特徴量を含む集約ＬＰ特徴量データ４７を生成することで、計測不良様異常値など、不整脈以外の要因によるＲＲＩ異常値と切り分けて不整脈様異常値の発生の程度を定量評価することが可能になる。

さらに、生体データ評価サーバ１は、集約ＬＰ特徴量データ４７を用いることで、データ欠損を伴う期間ＡのＲＲＩデータに対して、不整脈様異常値の発生が期間Ａにおいて慢性的であるか否かを判別することが可能になる。

以上により、生体データ評価サーバ１は、車両７の運転を伴う業務中など安静状態とは限らない状態においてＲＲＩデータを計測する場合においても、期間Ａに計測されたＲＲＩデータから得られる自律神経機能指標の信頼性を評価可能となる効果が得られる。

なお、上記実施例１では、車両７を管理する生体データ評価サーバ１に本発明を適用する例を示したが、これに限定されるものではない。例えば、車両７に代わって、鉄道車両や船舶あるいは航空機など運転者や操縦者を要する移動体に本発明を適用することができる。

また、例えば、ドライバに限らず、遠隔で生体データが計測される環境において業務に従事する一般従業員や、遠隔で生体データが計測される環境に属する人々を対象としてもよい。

また、上記実施例１では、期間Ｂの単位でＬＰを生成する例を示したが、これに限定されるものではなく、車両７から受信したＲＲＩデータからリアルタイムでＬＰを生成し、期間Ｂの単位でＬＰの生成を終了するようにしてもよい。

次に、本発明の実施例２を説明する。以下に説明する相違点を除き、実施例２の生体データ評価システムの各部は、実施例１の同一の符号を付された各部と同一の機能を有するため、それらの説明は省略する。

図１２は、本発明の実施例２を示し、生体データ評価システムが、自律神経機能指標データ５３を用いてドライバの交通事故又はインシデントのリスク（以下、事故リスク）の予測をも行う場合における、主要な構成の一例を示すブロック図である。

車両７は、ドライバの生体データを検出する生体センサ１２と、ドライバＩＤを検出してドライバを特定するドライバＩＤ読取装置１１と、検出された生体データとドライバＩＤとを収集して生体データ評価サーバ１へ送信する運転データ収集装置１０に加え、さらに業務状態や走行状態を検出する車載センサ８と、生体データ評価サーバ１からドライバの事故リスクに応じた警告を受け付けて、ドライバへ提示する予測結果報知装置９とを含む。

なお、図示の例では、運転データ収集装置１０と予測結果報知装置９とドライバＩＤ読取装置１１を独立した装置とした例を示すが、１つの携帯端末で構成することができる。この場合、携帯端末は、運転データ収集部と予測結果報知部とドライバＩＤ読取部として機能する。

車載センサ８としては、車両の位置情報を検出するＧＮＳＳ（Ｇｌｏｂａｌ Ｎａｖｉｇａｔｉｏｎ Ｓａｔｅｌｌｉｔｅ Ｓｙｓｔｅｍ）１９と、車両７の挙動や速度を検出する加速度センサ１６と、走行環境を映像として検出するカメラ１７と、乗車ドライバの業務情報を提示又は記録する業務端末１８を含むことができる。

車載センサ８は、上記に限定されるものではなく、車両７の周囲の物体及び／又は距離を検出する測距センサや、運転操作を検出する操舵角センサや、車両７の旋回操作を検出する角速度センサ等を用いることができる。また、加速度センサは、３軸加速度センサが望ましい。

生体データ評価サーバ１のメモリ３は、データ収集部２１と、慢性発生判別モデル学習部２２と、期間Ｂ単位ＬＰ生成部２３と、期間Ａ単位集約ＬＰ処理部２４と、異常値慢性発生評価部２５と、不適ドライバ判定部２６と、自律神経機能指標算出部２７と、結果表示部２８に加え、さらに危険予測部２９と警告提示部３０の各機能部をプログラムとしてロードする。各プログラムはプロセッサ２によって実行される。なお、各機能部の詳細については後述する。

生体データ評価サーバ１のストレージ装置４は、上記各機能部が使用するデータを格納する。ストレージ装置４は、期間Ｂ単位ＲＲＩデータ４１と、期間Ｂ単位ＬＰデータ４３と、期間Ａ単位集約ＬＰデータ４５と、集約ＬＰ特徴量データ４７と、異常度データ４９と、期間Ａ単位異常判別データ５１と、自律神経機能指標データ５３と、業務状態データ４２と、履歴データ４４と、慢性発生正解データ４６と、不適判定データ４８と、特徴抽出モデル５０と、慢性発生判別モデル５２と、不適ドライバ判定モデル５４とに加え、さらに業務・環境データ５５と、属性情報データ５７と、事故リスク予測データ５６と、事故リスク予測モデル５８と、を格納する。

図１３Ａは、生体データ評価サーバ１で行われる、業務中における事故リスクを予測する処理の一例を示すフローチャートである。この処理は、車両７から生体データを受信した場合に実行することができる。

危険予測部２９は、まず、車両７から取得したＲＲＩデータを自律神経機能指標算出部２７へ入力して自律神経機能指標データ５３を算出する（Ｓ６１）。

自律神経機能指標算出部２７は、上述したように周波数領域解析でパワースペクトル密度ＰＳＤを算出し、ＬＦ／ＨＦやＬＦｎｕなどを自律神経機能指標データ５３の周波数領域指標として算出する。

その後、危険予測部２９は、走行中の車両７のドライバに適した事故リスク予測モデル５８を選択して読み込む（Ｓ６２）。

事故リスク予測モデル５８は、走行中の車両７のドライバの自律神経機能指標データ５３を入力として、所定時間後の事故リスクを予測して出力する周知又は公知の機械学習モデルであり、予め学習されたモデルである。

事故リスク予測モデル５８としては、事故リスクの種別や、車両７の車載センサ８により計測される走行環境や、所定の業務時間などを格納した業務・環境データ５５に応じて、複数のモデル予めを生成しておくのがよい。複数のモデルを生成しておくことで、事故リスク予測処理（Ｓ６３）において適するモデルを選択して使い分けることが可能になる。

また、ドライバの業務特性（一般道走行、高速走行、昼夜連続で業務従事など）や運転経験（運転年数、運転技能、所持免許種別）や健康特性（性別、睡眠時間の多寡など）を格納した属性情報データ５７に応じてモデルを複数生成しておいてもよい。複数のモデルが予め生成されている場合は、業務・環境データ５５や、属性情報データ５７に基づき、適する事故リスク予測モデル５８を選択する（Ｓ６２）。

なお、事故リスク予測モデル選択（Ｓ６２）では、単一のモデルだけを選択せず、複数の事故リスク予測モデル５８を選択してもよい。この場合、事故リスク予測データ５６に、予測に用いた事故リスク予測モデル５８が識別可能な符号を付すことが望ましい。

最後に、危険予測部２９は、選択された事故リスク予測モデル５８を用い、自律神経機能指標データ５３を入力して所定時間後の事故リスクを予測し、事故リスク予測データ５６に格納する。事故リスク予測データ５６は、インシデント又は事故の発生確率として算出することができる。

図１３Ｂは、生体データ評価サーバ１で行われる、事故リスクの高まりを警告するアラートを発報する処理の一例を示すフローチャートである。この処理は、図１３ＡのステップＳ６３で行われる処理である。

警告提示部３０は、事故リスク予測データ５６から、アラート発報の対象となる事故リスクの高いデータが蓄積されているかどうか探索する処理（Ｓ７１）を行う。警告提示部３０は、インシデント又は事故の発生確率が所定の閾値を超えるデータを事故リスクが高いデータとして判定することができる。

警告提示部３０は、発報対象となる事故リスク予測データ５６が存在するか否かを判定し（Ｓ７２）、発報対象となる事故リスク予測データ５６が存在する場合には、ステップＳ７３へ進み、存在しない場合には処理を終了する。

警告提示部３０は続いて、事故リスク予測モデル５８の入力としていた自律神経機能指標の評価に懸念が無いかどうか、評価の適否判定処理（Ｓ７３）を行う。評価の適否判定処理（Ｓ７３）では、例えば不適判定データ４８に基づき、当該ドライバは不整脈様異常値が異なる業務日間でも定常的に発生しており、誤発報の可能性があるかどうかを判定する。

また、警告提示部３０は、例えば、異常度データ４９に基づき、当該ドライバのＲＲＩデータが計測に際して計測不良の影響を大きく受けている可能性があるかどうかを判定する。計測不良の判定は、例えば、警告提示部３０が読み込んだＲＲＩデータからＬＰを生成し、図４Ｂの計測不良様マスクＭａｓｋ１や、１拍検出漏れマスクＭａｓｋ４や、連続２拍検出漏れマスクＭａｓｋ５内に含まれるデータ量（濃度）が所定の閾値を超えていれば計測不良と判定することができる。

その後、警告提示部３０は、当該ドライバの事故リスク予測データ５６及び業務・環境データ５５や属性情報データ５７に基づき、状況に応じた事故リスクの高まりを警告するための発報内容を生成（Ｓ７４）し、これをドライバに対してアラートとして発報する（Ｓ７５）。

この場合、警告提示部３０は、業務・環境データ５５に基づいてドライバＩＤから送信対象の車両ＩＤを取得して、送信対象を特定する。なお、ドライバではなくドライバ管理者を送信対象とする場合には、代わりに、警告提示部３０は生体データ評価サーバ１の入出力装置５を送信対象としてよい。

上記処理によって、事故リスクの高まりを検知されたドライバの車両に対して警告が送信される。警告を受信した車両７では、予測結果報知装置９がドライバに対して警告を通知する。また、生体データ評価サーバ１では、警告提示部３０が入出力装置５のディスプレイに警告を送信した車両７を表示する。

なお、本実施例では、評価適否判定処理（Ｓ７３）を行った後に、判定結果によらず通知する例を示したが、判定結果に応じてアラート発報（Ｓ７５）を実施しなくてもよい。例えば、不整脈様異常値が異なる業務日間でも定常的に発生しており、検出された高事故リスク事象が、当該影響を顕著に受ける事象の場合、自律神経機能評価不適と判定されたドライバへはアラート発報（Ｓ７５）を行わなくてもよい。以上により、誤発報が頻発することによるアラート発報への信頼性低下を抑止することが可能となる。

図１４は、車両７の予測結果報知装置９が出力する、事故リスクの高まりが検出された場合にドライバに対して発報される警告提示画面３０００の一例を示す図である。予測結果報知装置９は、ディスプレイ（図示省略）を有し、生体データ評価サーバ１からの警告を受信すると、警告提示画面３０００を表示する。

警告提示画面３０００は、事故リスクアラートを表示する領域３００１と、事故リスクの高まりを解消するための対策案などを表示するコメント領域３００３と、に加えて表示された発報内容が誤っている可能性に関わる情報を表示する領域３００２を含む。

事故リスクアラートを表示する領域３００１には、例えば、事故リスク増大の警告文を表示することができる。また、警告提示画面３０００のコメント領域３００３には例えば、事故リスクの高まりを解消するための具体的な対策案を提示することで、警告の提示を受けたドライバは警告を受けて終わりではなく、危険状態を解消するために次にとるべき行動を理解し、行動を行うことができる。

さらに、警告提示画面３０００の誤発報可能性の通知領域３００２には、発報されたドライバから計測された自律神経機能指標の信頼性に基づき、誤発報の可能性を通知するための情報が表示される。

例えば、ＲＲＩデータに基づく自律神経機能評価に不適な、不整脈様異常値が慢性的に発生しているかどうかを、例えば「不整脈：低」と通知できる。また、当該ドライバのＲＲＩデータの計測において、普段から計測不良が多数発生しているかどうかを、例えば「計測不良：低」と通知できる。

以上により、ドライバは通知されたアラート発報が計測データや自律神経機能評価の低信頼性によるものであるか、真に事故リスクが高まっているのかを判定可能となり、アラート発報内容に対する信頼性が向上する。

なお、本実施例では警告提示画面３０００による警告の提示の例を示したが、その他の方法によって警告を提示してもよい。例えば、警告提示画面３０００に表示した内容と同等の内容の文章を機械的に読み上げる音声形式で警告を提示してもよい。

以上のように、本実施例の生体データ評価システムは、実施例１に記載の処理に加え、ＲＲＩデータから算出した自律神経機能指標データ５３を事故リスク予測モデル５８へ入力して所定時間後の事故リスク予測データ５６を算出し、事故リスク予測データ５６から事故やインシデントの発生リスクの高まりが検出された場合には、異常度データ４９や不適判定データ４８、期間Ａ単位異常判別データ５１の内容を加味して、ドライバへアラートを発報し、事故リスクの高まりを警告する。

これにより、本実施例の生体データ評価サーバ１は、ＲＲＩデータから算出した自律神経機能指標データ５３に基づいて事故リスクの高まりを発報する際に、不整脈やＲＲＩデータの計測不良といった誤発報の要因となり得る事象について発報を受けるドライバの特性を踏まえたアラート発報が可能になる。

この結果、誤発報の可能性に応じたアラート発報の中止の検討や、誤発報の可能性も通知内容に含めたアラート発報が実現可能となる。したがって、生体データ評価サーバ１が実施するＲＲＩデータから算出した自律神経機能指標データ５３に基づくアラート発報の誤発報の低減及び誤発報理由への受容性が向上し、発報されるアラートに対する信頼性を大幅に向上させる効果が得られる。

なお、本発明は上述した実施例に限定されるものではなく、様々な変形例が含まれる。例えば、上記した実施例は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。また、ある実施例の構成の一部を他の実施例の構成に置き換えることが可能であり、また、ある実施例の構成に他の実施例の構成を加えることも可能である。また、各実施例の構成の一部について、他の構成の追加・削除・置換をすることが可能である。

上記の各構成、機能、処理部、処理手段等は、それらの一部又は全部を、例えば集積回路で設計する等によってハードウェアで実現してもよい。また、上記の各構成、機能等は、プロセッサ２がそれぞれの機能を実現するプログラムを解釈し、実行することによってソフトウェアで実現してもよい。各機能を実現するプログラム、テーブル、ファイル等の情報は、メモリ３、ハードディスクドライブ、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）等の記憶装置、又は、ＩＣカード、ＳＤカード、ＤＶＤ等の計算機読み取り可能な非一時的データ記憶媒体に格納することができる。

また、図面には、実施例を説明するために必要と考えられる制御線及び情報線を示しており、必ずしも、本発明が適用された実際の製品に含まれる全ての制御線及び情報線を示しているとは限らない。実際にはほとんど全ての構成が相互に接続されていると考えてもよい。

＜結び＞
以上のように、上記実施例の生体データ評価システムは、以下のような構成とすることができる。

（１）プロセッサ（２）とメモリ（３）を有して、生体データを評価する生体データ評価サーバであって、対象者（ドライバ）の前記生体データから心拍間隔相当データ（期間Ｂ単位ＲＲＩデータ４１）を受け付けるデータ収集部（２１）と、前記心拍間隔相当データ（４１）から所定の期間でローレンツプロット（期間Ｂ単位ＬＰデータ４３）を算出して、集約ローレンツプロット（期間Ａ単位集約ＬＰデータ４５）として出力するローレンツプロット生成部（期間Ｂ単位ＬＰ生成部２３、期間Ａ単位集約ＬＰ処理部２４）と、を有することを特徴とする生体データ評価サーバ。

上記構成により、ＲＲＩデータの欠損が発生していない期間Ｂの各々についてＬＰを生成し、これを期間Ａ単位で集約することで、期間Ｂに関する知見をＲＲＩデータの欠損を含む期間Ａについて適用可能となる。

（２）上記（１）に記載の生体データ評価サーバであって、前記所定の期間は、第１の期間（期間Ａ）と、前記第１の期間（期間Ａ）よりも短い第２の期間（期間Ｂ）を含み、前記ローレンツプロット生成部（２３、２４）は、前記心拍間隔相当データ（４１）を前記第２の期間（期間Ｂ）単位で前記ローレンツプロット（期間Ｂ単位ＬＰデータ４３）を算出し、前記第２の期間（期間Ｂ）単位で算出した前記ローレンツプロット（４３）を前記第１の期間（期間Ａ）単位で集約処理を実施し、前記第１の期間（期間Ａ）における前記集約ローレンツプロット（４５）を算出し、前記第１の期間（期間Ａ）における前記集約ローレンツプロット（４５）を出力することを特徴とする生体データ評価サーバ。

上記構成により、ＲＲＩデータの欠損が発生していない期間Ｂの各々についてＬＰを生成し、各ＬＰを期間Ａ単位で集約することで、従来研究されてきた期間Ｂに関する知見をＲＲＩデータの欠損を含む期間Ａについて適用可能となる。

（３）上記（２）に記載の生体データ評価サーバであって、前記ローレンツプロット生成部（２３、２４）は、前記第２の期間（期間Ｂ）単位の前記ローレンツプロット（４３）から前記心拍間隔相当データ（４１）の欠損の有無を判定し、前記心拍間隔相当データ（４１）の欠損が生じた部分を前記第２の期間（期間Ｂ）単位で除外してから前記集約処理を行って前記第１の期間（期間Ａ）における前記集約ローレンツプロット（４５）を算出することを特徴とする生体データ評価サーバ。

上記構成により、期間Ａ単位集約ＬＰ生成処理（Ｓ２５）では、慢性発生判別モデル学習部２２が期間Ａ単位集約ＬＰ処理部２４を呼び出し、期間Ａ単位集約ＬＰ処理部２４が、評価対象とする期間Ａ内に存在する、すなわちデータ欠損期間ではない期間Ｂの期間Ｂ単位ＬＰデータ４３群について、集約処理（Ｓ２５）を行って期間ＡのＲＲＩデータの特徴量を定量化するＬＰである期間Ａ単位集約ＬＰデータ４５を生成することができる。

（４）上記（２）に記載の生体データ評価サーバであって、前記ローレンツプロット生成部（２３、２４）は、前記集約処理として、前記第２の期間（期間Ｂ）単位で算出した複数の前記ローレンツプロット（４３）を示すローレンツプロット行列の各行列成分について、前記第１の期間（期間Ａ）単位で統計値を算出することを特徴とする生体データ評価サーバ。

上記構成により、期間Ａ単位集約ＬＰ処理部２４は、期間Ｂ単位ＬＰデータ４３群について、ＬＰ行列の各成分毎に平均化処理等の統計処理を行って、期間Ａ単位集約ＬＰデータ４５を生成することで、期間Ａ中に、他と顕著に異なる特性の期間Ｂ単位ＬＰデータ４３が存在する場合には統計処理を加えることで異なる特性のデータの影響を低減した集約処理を行うことができる。

（５）上記（２）に記載の生体データ評価サーバであって、前記ローレンツプロット生成部（２３、２４）は、前記第２の期間（期間Ｂ）を、前記第１の期間（期間Ａ）未満かつ心拍変動解析に要求される時間幅以上とすることを特徴とする生体データ評価サーバ。

上記構成により、期間Ａ単位集約ＬＰ処理部２４は、データ欠損期間ではない期間Ｂの期間Ｂ単位ＬＰデータ４３から心拍変動解析を実行するための期間Ａ単位集約ＬＰデータ４５を生成することができる。

（６）上記（２）に記載の生体データ評価サーバであって、前記ローレンツプロット生成部（２３、２４）は、前記心拍間隔相当データ（４１）の欠損の時間幅の情報を受け付けて、前記第２の期間（期間Ｂ）を前記心拍間隔相当データ（４１）の欠損の時間幅の情報に基づいて決定することを特徴とする生体データ評価サーバ。

上記構成により、期間Ｂ単位ＬＰ生成部２３は、入力装置等から受け付けたＲＲＩデータの欠損又は欠落の時間幅の情報に基づいて期間Ｂの時間幅を決定することで、生体データの測定環境に応じた期間Ｂ単位ＬＰデータ４３を生成することが可能となる。

（７）上記（２）に記載の生体データ評価サーバであって、前記集約ローレンツプロット（４５）において、予め定義した領域における特徴量を算出して、前記特徴量に基づいて、不整脈様異常値の発生の程度を異常度データとして算出して出力する異常値慢性発生評価部（２５）を、さらに有することを特徴とする生体データ評価サーバ。

上記構成により、異常値慢性発生評価部２５は、集約ＬＰ特徴量データ４７を慢性発生判別モデル５２へ入力して得られる慢性発生の有無の判別確率を慢性不整脈様異常度１４７として算出して異常度データ４９を生成することがでる。

（８）上記（７）に記載の生体データ評価サーバであって、前記第１の期間（期間Ａ）以上の第３の期間（期間Ｃ）において、前記集約ローレンツプロット（４５）から前記不整脈様異常値の発生頻度を計算し、自律神経機能評価に適する前記対象者か否かを判定する不適者判定部（不適ドライバ判定部２６）を、さらに有することを特徴とする生体データ評価サーバ。

上記構成により、不適ドライバ判定部２６は、健康状態や運動負荷などドライバ本人の状態変化によらず、ＲＲＩデータを用いた自律神経機能評価が定常的に不適と考えられるドライバが検出可能となり、自律神経機能評価の信頼性向上が実現される効果が得られる。

（９）上記（８）に記載の生体データ評価サーバであって、前記不適者判定部（２６）の判定結果に基づいて、前記自律神経機能評価に適する対象者の前記心拍間隔相当データ（４１）に基づいて自律神経機能指標を算出して出力する自律神経機能指標算出部（２７）を、さらに有することを特徴とする生体データ評価サーバ。

上記構成により、自律神経機能指標算出部２７は、定常的な不整脈によりＲＲＩデータを用いた自律神経機能評価が不適なドライバに対して、不適フラグを付与可能となり、得られた自律神経機能指標から誤った解釈を行う可能性を低減させ、自律神経機能評価の信頼性を向上する効果が得られる。

（１０）上記（９）に記載の生体データ評価サーバであって、前記不整脈様異常値に基づき、前記自律神経機能指標の信頼性を判定して、出力装置に前記自律神経機能指標の前記信頼性を表示する警告提示部（３０）を、さらに有することを特徴とする生体データ評価サーバ。

上記構成により、警告提示部は、誤発報が頻発することによるアラート発報への信頼性低下を抑止することが可能となる。

（１１）上記（１０）に記載の生体データ評価サーバであって、前記自律神経機能指標に基づいて、前記対象者に事故又はインシデントが所定時間後に発生する確率を事故リスクとして算出する危険予測部（２９）を、さらに有し、前記警告提示部（３０）は、前記事故リスクが所定の閾値を超えた対象者に対して事故リスクの増大を警告するアラートを発報することを特徴とする生体データ評価サーバ。

上記構成により、ドライバは通知されたアラート発報が計測データや自律神経機能評価の低信頼性によるものであるか、真に事故リスクが高まっているのかを判定可能となり、アラート発報内容に対する信頼性が向上する。

１ 生体データ評価サーバ
２ プロセッサ
３ メモリ
４ ストレージ装置
７ 車両
１２ 生体センサ
２１ データ収集部
２２ 慢性発生判別モデル学習部
２３ 期間Ｂ単位ＬＰ生成部
２４ 期間Ａ単位集約ＬＰ処理部
２５ 異常値慢性発生評価部
２６ 不適ドライバ判定部
２８ 結果表示部
４１ 期間Ｂ単位ＲＲＩデータ
４３ 期間Ｂ単位ＬＰデータ
４５ 期間Ａ単位集約ＬＰデータ
４７ 集約ＬＰ特徴量データ
４８ 不適判定データ
４９ 異常度データ
５０ 特徴抽出モデル
５１ 期間Ａ単位異常判別データ
５２ 慢性発生判別モデル
５３ 不適ドライバ判定モデル

Claims (11)

1. プロセッサとメモリを有して、生体データを評価する生体データ評価サーバであって、
   対象者の前記生体データから心拍間隔相当データを受け付けるデータ収集部と、
   前記心拍間隔相当データから所定の期間でローレンツプロットを算出して、集約ローレンツプロットとして出力するローレンツプロット生成部と、
   を有し、
   前記所定の期間は、第１の期間と、前記第１の期間よりも短い第２の期間を含み、
   前記ローレンツプロット生成部は、
   前記心拍間隔相当データから前記第２の期間単位で前記ローレンツプロットを算出し、前記第２の期間単位の前記ローレンツプロットから前記心拍間隔相当データの欠損の有無を判定し、前記心拍間隔相当データの欠損が生じた部分を前記第２の期間単位で除外してから、前記第２の期間単位で算出した前記ローレンツプロットを前記第１の期間単位で集約処理を実施し、前記第１の期間における前記集約ローレンツプロットを算出し、前記第１の期間における前記集約ローレンツプロットを出力することを特徴とする生体データ評価サーバ。
2. 請求項１に記載の生体データ評価サーバであって、
   前記ローレンツプロット生成部は、
   前記集約処理として、前記第２の期間単位で算出した複数の前記ローレンツプロットを示すローレンツプロット行列の各行列成分について、前記第１の期間単位で統計値を算出することを特徴とする生体データ評価サーバ。
3. 請求項１に記載の生体データ評価サーバであって、
   前記ローレンツプロット生成部は、
   前記第２の期間を、前記第１の期間未満かつ心拍変動解析に要求される時間幅以上とすることを特徴とする生体データ評価サーバ。
4. 請求項１に記載の生体データ評価サーバであって、
   前記ローレンツプロット生成部は、
   前記心拍間隔相当データの欠損の時間幅の情報を受け付けて、前記第２の期間を前記心拍間隔相当データの欠損の時間幅の情報に基づいて決定することを特徴とする生体データ評価サーバ。
5. 請求項１に記載の生体データ評価サーバであって、
   前記集約ローレンツプロットにおいて、予め定義した領域における特徴量を算出して、前記特徴量に基づいて、不整脈様異常値の発生の程度を異常度データとして算出して出力する異常値慢性発生評価部を、さらに有することを特徴とする生体データ評価サーバ。
6. 請求項５に記載の生体データ評価サーバであって、
   前記第１の期間以上の第３の期間において、前記集約ローレンツプロットから前記不整脈様異常値の発生頻度を計算し、自律神経機能評価に適する前記対象者か否かを判定する不適者判定部を、さらに有することを特徴とする生体データ評価サーバ。
7. 請求項６に記載の生体データ評価サーバであって、
   前記不適者判定部の判定結果に基づいて、前記自律神経機能評価に適する対象者の前記心拍間隔相当データに基づいて自律神経機能指標を算出して出力する自律神経機能指標算出部を、さらに有することを特徴とする生体データ評価サーバ。
8. 請求項７に記載の生体データ評価サーバであって、
   前記不整脈様異常値に基づき、前記自律神経機能指標の信頼性を判定して、出力装置に前記自律神経機能指標の前記信頼性を表示する警告提示部を、さらに有することを特徴とする生体データ評価サーバ。
9. 請求項８に記載の生体データ評価サーバであって、
   前記自律神経機能指標に基づいて、前記対象者に事故又はインシデントが所定時間後に発生する確率を事故リスクとして算出する危険予測部を、さらに有し、
   前記警告提示部は、
   前記事故リスクが所定の閾値を超えた対象者に対して事故リスクの増大を警告するアラートを発報することを特徴とする生体データ評価サーバ。
10. プロセッサとメモリを有する生体データ評価サーバと、
    生体センサを有する移動体と、を有して生体データを評価する生体データ評価システムであって、
    前記移動体は、
    前記生体センサが対象者から心拍間隔相当データを含む生体データを検出して前記生体データ評価サーバに送信するデータ収集装置を有し、
    前記生体データ評価サーバは、
    前記生体データを受信して前記心拍間隔相当データを受け付けるデータ収集部と、
    前記心拍間隔相当データから所定の期間でローレンツプロットを算出して、集約ローレンツプロットとして出力するローレンツプロット生成部と、
    を有し、
    前記所定の期間は、第１の期間と、前記第１の期間よりも短い第２の期間を含み、
    前記ローレンツプロット生成部は、
    前記心拍間隔相当データから前記第２の期間単位で前記ローレンツプロットを算出し、前記第２の期間単位の前記ローレンツプロットから前記心拍間隔相当データの欠損の有無を判定し、前記心拍間隔相当データの欠損が生じた部分を前記第２の期間単位で除外してから、前記第２の期間単位で算出した前記ローレンツプロットを前記第１の期間単位で集約処理を実施し、前記第１の期間における前記集約ローレンツプロットを算出し、前記第１の期間における前記集約ローレンツプロットを出力することを特徴とする生体データ評価システム。
11. プロセッサとメモリを有する計算機が生体データを評価する生体データ評価方法であって、
    前記計算機が、対象者の前記生体データから心拍間隔相当データを受け付けるデータ収集ステップと、
    前記計算機が、前記心拍間隔相当データから所定の期間でローレンツプロットを算出して、集約ローレンツプロットとして出力するローレンツプロット生成ステップと、
    を含み、
    前記所定の期間は、第１の期間と、前記第１の期間よりも短い第２の期間を含み、
    前記ローレンツプロット生成ステップは、
    前記心拍間隔相当データから前記第２の期間単位で前記ローレンツプロットを算出し、前記第２の期間単位の前記ローレンツプロットから前記心拍間隔相当データの欠損の有無を判定し、前記心拍間隔相当データの欠損が生じた部分を前記第２の期間単位で除外してから、前記第２の期間単位で算出した前記ローレンツプロットを前記第１の期間単位で集約処理を実施し、前記第１の期間における前記集約ローレンツプロットを算出し、前記第１の期間における前記集約ローレンツプロットを出力することを特徴とする生体データ評価方法。