JPWO2013171799A1 - 生体リズム推定装置 - Google Patents

Abstract

簡便に，安価に，信頼性高く，低侵襲で月経の検知を行うことを課題とする。上記課題を解決する一例として、体の動きを示すセンシングデータを取得する体動センサと，センシングデータから解析対象期間を算出する対象期間算出部と，解析対象期間内の所定の期間毎にセンシングデータを集計し，主周期成分を検出する主周期成分検出部と，対象期間内に算出された複数の主周期成分の群から主周期成分代表値を算出する代表値算出部と，算出された主周期成分代表値から生体リズムの周期を検出する生体リズム検出部と，を備えることを特徴とする生体リズム検出システムがある。

Description

本発明は，対象者の生体リズムを長期的に測定する測定方法，該対象者の生体リズムを出力する出力装置，出力装置の制御方法に関するものである。

女性の月経周期を検知することは，幅広い層の女性の健康管理やＱＯＬ向上のために高いニーズがある。例えば子どもを欲す人にとっても避妊のためにも，排卵日の予測は有用な情報であり，特に月経周期が乱れがちな人にとっては月経開始日の予測は外出のスケジュールや準備のための指針にもなる。更に月経周期の段階によって適切な化粧や肌のケア方法が違うため，月経周期を正確に知る事が出来れば化粧の美容効果を自ら最適化することも可能となる。また多くの女性を悩ませる更年期障害は，兆候として生理不順が訪れることが知られており，生理不順の検知によってホルモン治療等の早期介入によって症状を軽減することも考えられる。

このように，簡便な月経周期の検知が実現すれば幅広い層が恩恵を受けることが出来る。しかし，誰にでも利用できるためには，検知手段が安価で，利用者に要求される判断や行動が少なく，信頼性が高く，侵襲性が軽微である事が求められる。

以上の背景に基づき，簡便に月経周期を検知する手段として例えば特許文献１のような睡眠中の脈拍測定に基づく手法が提案されている。これは，月経の開始と共に睡眠中の平均脈拍数が上昇するという観察から，マットレス型の脈波センサにより睡眠中の脈拍を測定し，前回の月経以降の平均呼吸数よりも２日間以上睡眠中の平均脈拍数が高かった日を月経開始日候補として提示する手法である。

また特許文献２で指摘されるように，脈拍以外では，睡眠中の呼吸数も月経周期に連動することが知られている。

特開２００６−９４９６９号公報 特表第２００９−５３２０７２号公報 特許第２００７−１４３６４２号公報

Ｔａｎａｋａ Ｔ， ｅｔ ａｌ．， "Ｌｉｆｅ Ｍｉｃｒｏｓｃｏｐｅ：Ｃｏｎｔｉｎｕｏｕｓ ｄａｉｌｙ−ａｃｔｉｖｉｔｙ ｒｅｃｏｒｄｉｎｇ ｓｙｓｔｅｍ ｗｉｔｈ ｔｉｎｙ ｗｉｒｅｌｅｓｓ ｓｅｎｓｏｒ"， ５ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｅ ｏｎ Ｎｅｔｗｏｒｋｅｄ Ｓｅｎｓｉｎｇ Ｓｙｓｔｅｍｓ， ２００８ Ｃｏｌｅ ＲＪ，Ｋｒｉｐｋｅ ＤＦ， Ｇｒｕｅｎ Ｗ， Ｍｕｌｌａｎｅｙ ＤＪ， Ｇｉｌｌｉｎ ＪＣ． Ａｕｔｏｍａｔｉｃ ｓｌｅｅｐ／ｗａｋｅ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｆｒｏｍ ｗｒｉｓｔ ａｃｔｉｖｉｔｙ． Ｓｌｅｅｐ １９９２； １５： ４９１−４６９．

これまでは基礎体温の測定のような，負荷の大きい検知手段しか普及していなかった。

前記特許文献１に代表される脈拍測定に基づく技術は，安価性，信頼性，低侵襲性に欠けるため万人が用いる事は出来なかった。これは，現在存在する以下のような脈拍の測定手段はそれぞれ簡便性や侵襲性に課題を抱えるためである：
マットレス型センサ： 人が寝るマットレスの内部に液体が満たされており，圧力センサにより人の体動や脈波などの微細な振動を抽出するセンサである。大掛かりな装置で高額であり，設置されているベッドで寝なかった場合（他人の家や，テレビを見ながらソファで寝てしまった場合など）や，マットレス上に複数人が居る場合は測定が出来ないという問題があった。月経周期の正確な検知のためには毎日の状態が欠けることなく測定出来る事は重要であるため，マットレス型センサを効果的に月経検知のために利用出来る対象者は限られている。

胸部心電計： 主にランニング用などで胸部に巻く心電計が市場に出回っているが，運動中に使うものであるため圧迫感が強く，蒸れるため不快であり，長期的に毎日睡眠中に装着することは困難である。

リストバンド型心拍計： 静脈の赤外線反射量を測定する方式が主流だが，心電計と比較して電気消費量が大きいため充電の手間が大きく，強く腕に接触していないと測定できないために侵襲度が高い。

特許文献２に対しても，呼吸数の簡便な測定手段は知られていなく，また睡眠中の呼吸数が具体的にどのように振る舞うかは従来知られていないため，呼吸数を用いて月経周期を検知することは従来可能ではなかった。

以上のように，誰もが簡便に，安価に，信頼性高く，低侵襲で月経の検知を行うというニーズは脈拍測定では満たされていない。

ところで，日常生活において簡便に睡眠の状態を測定する手段として，手首に装着する腕輪型の加速度センサが知られている。腕輪型の加速度センサは非常に安価であり，身体への負担が少なく，また近年では活動量計や睡眠・覚醒のリズムが測定できる睡眠計として広く普及しつつある。しかし加速度計は従来あくまで体動，つまり歩行や寝返りなどを測定するものであったため，腕輪型の加速度センサを用いて呼吸や月経周期の検知を行うことはこれまで出来なかった。

上記課題を解決する一例として，体の動きを示すセンシングデータを取得する体動センサと，センシングデータから解析対象期間を算出する対象期間算出部と，解析対象期間内の所定の期間毎にセンシングデータを集計し，主周期成分を検出する主周期成分検出部と，対象期間内に算出された複数の主周期成分の群から主周期成分代表値を算出する代表値算出部と，算出された主周期成分代表値から生体リズムの周期を検出する生体リズム検出部と，を備えることを特徴とする生体リズム検出システムがある。

本発明によれば，手首に装着する加速度センサから得られるデータからも，精度良く月経周期を検知することができる。

本発明を適用する月経周期検知システムの構成の一例を示す全体図の例。 本実施例の生活可視化システムを構成する腕輪型センサノード１の一例を示す図の例。 腕輪型センサノードの基板に取り付けられた電子回路のブロック図の例。 本発明を適用する月経周期検知システムの各構成要素を示すブロック図の例。 データ処理の全体的な流れを示すフローチャート図の例。 ＰＣのデータ集計プログラムで行われる処理の一例を示すフローチャート図。 スカラー量が所定の閾値を通過する値をゼロクロス回数として算出する例を示した図。 単位時間毎の運動頻度を時系列的にソートしたデータの例を示した図。 集計データテーブルのフォーマットの例を示す図。 ＰＣの睡眠期間抽出プログラムで行われる処理の一例を示すフローチャート図。 睡眠期間データテーブルのフォーマットの例を示す説明図。 ＰＣの呼吸推定プログラムで行われる処理の一例を示すフローチャート図。 呼吸推定データテーブルのフォーマットの例を示す説明図。 ＰＣの月経周期推定プログラムで行われる処理の一例を示すフローチャート。 月経周期データテーブルのフォーマットの例を示す説明図。 ＰＣの表示部に表示される月経周期表示画面の画面イメージ例を示した図。 睡眠データにおける加速度波形のスカラー値の周波数スペクトルの例を示した図。 腕輪型加速度センサを装着した手首の位置と体幹の呼吸運動の影響との関係の例を示した図。 一晩中の一分間毎の呼吸頻度データの例を示した図。 一晩ずつについて呼気センサとリストバンド型加速度センサを同時測定し，一分毎の実測呼吸頻度と推定呼吸頻度を算出した散布図の例。 ある女性が腕輪型加速度センサを長期間睡眠中に装着した結果得られた，日毎の平均呼吸数データを点で示し，記録された月経の開始日を縦線にて示した例の図。 本実施例にて推定した月経周期と実測の月経周期の例を示した図。

以下，本発明の実施の形態を，図面に基づき説明する。

本発明者らは，非特許文献１に開示される腕輪型の加速度センサの研究を行っており，腕輪型の加速度センサで測定した加速度データの低周波成分に，呼吸運動に由来する体幹の周期的な動作が反映されている場合があり，睡眠中の呼吸数を腕輪型加速度センサから推定し得ることを発見した。更に，睡眠中の平均的な呼吸数は排卵直後に上昇し，月経開始の少し前に下降するという具体的な傾向を発見したため，呼吸数の長期変動を測定することで月経周期を検知出来る事を示した。これら２つの発見により，我々は腕輪型の加速度センサにより月経周期を簡便に，安価に，信頼性高く，低侵襲で検知する技術を実現した。以下にその示す。

（１）腕輪型加速度センサデータに基づく呼吸数推定
図１７（Ａ）では実際の７分間弱の睡眠データにおける加速度波形のスカラー値の周波数スペクトルが図示されており，この例では０．２２Ｈｚ（一分間の呼吸頻度１３．２回に相当）に強いピークがある場合が示されている。この現象は，図１８（Ａ）に示すように，腕輪型加速度センサ１を装着した手首が，体幹の呼吸運動の影響を受けるような位置にある場合に生じている。そのため，例えば図１８（Ｂ）のように手首が体幹から離れてしまっている場合は図１７（Ｂ）のように，呼吸の周期成分は加速度データの中に現れない。

特許文献１ではマットレス型センサから脈拍や呼吸数を推定する手段が開示されている。マットレス型のセンサでは体動期間中以外は体の姿勢に関わらず呼吸運動はセンサデータに反映されるため，当該文献で開示されるように，体動が検知された箇所以外のデータから主となる周波数成分を見つけるだけでも呼吸頻度を精度良く推定する事が出来る。しかし，腕から測定したデータでは，呼吸の動作がデータに反映されている場合のほうが稀である。そのため，多くの場合はセンサの値に乗るノイズ（温度変化や，センサの計測ノイズ等）の影響が優位となり，単純に主となる周波数成分を見つけるだけでは，呼吸とは関わりのない意味のない値が算出されてしまう。

この事を図１９にて実例で示す。図１９（Ａ）は鼻口の呼気センサにより実測した，一晩中の実際の一分間毎の呼吸頻度データであり，図１９（Ｂ）は呼気センサと同期間手首に装着した腕輪型加速度センサのデータに対して，上記特許文献１で開示される手法を適用させた場合に算出される，一分間毎の推定呼吸頻度である。実測データと同じ値が算出される箇所もあるものの，全く異なる値も多く入り混じっており，この推定結果からは，対象者の睡眠中の平均呼吸数を正確に知る事は困難である。図２０（Ａ）に，２１人の一晩ずつについて呼気センサとリストバンド型加速度センサを同時測定し，一分毎の実測呼吸頻度と推定呼吸頻度を算出した散布図を示す。この散布図では，推定呼吸頻度と実測呼吸頻度は互いに大きくばらついている事が分かる。

この問題に対しては，例えば主周波数成分のパワー値が周辺の周波数領域のパワー値と比較して充分に突出していることを評価する指標を定義し，これが閾値を超えた（即ち，充分に強いピークであった）場合にのみ，検知したピークを採用し，それ以外の場合は呼吸不検知とすることにより，呼吸運動が反映されない場合が存在する手首の加速度データからも，精度良く呼吸頻度を推定する事が出来る。この方式によると，図１９（Ｃ）に例示するように，欠損値を多く含むものの，実測値を精度良く追う呼吸頻度の推定を行う事が出来る。図２０（Ｂ）では，２１人のデータにおいても，提案方式で推定した呼吸頻度が実測呼吸頻度をよく近似出来ている事を示している。

（２）呼吸数に基づく月経周期検知
我々は，腕輪型加速度センサで測定した長期的な平均呼吸数には月経周期と一致する周期性があることを発見した。図２１（Ａ）はある女性が腕輪型加速度センサを長期間睡眠中に装着した結果得られた，日毎の平均呼吸数データを点で示し，記録された月経の開始日を縦線にて示している。日毎の呼吸数は大きくばらついているが，２０日以上４０日以下の周期をバンドパスとするバンドパスフィルタを通すことで，図２１（Ｃ）のように周期が月経開始日に沿うデータを抽出することができる。正常な月経周期は２５〜３８日の範囲であるため，この範囲を含むフィルタを用いればこの現象を再現出来る。

従来特許文献１などで開示されていた脈拍データに基づく月経周期検知手法を呼吸データに適用するだけでは，精度良く月経周期を推定することが出来ない。まず，睡眠中の呼吸数は寝床環境の室内温や，本人の心身の状態に強く依存するため脈拍と比較してばらつきが大きい。そのため平均より２日間以上超えた日を月経開始日とするような方法では呼吸では誤検知が多くなってしまう。また脈拍には季節性変動がないが，呼吸数は寒い時期に少なくなり，夏には高くなるという傾向があることを我々は発見した。そのため，前記文献のように先月の平均値との比較では，呼吸数のベースライン自体が変わっているため正確な検知は出来ない。最後に，脈拍は月経の開始と共に上昇する傾向を示すが，呼吸はそのようには振る舞わない。図２１（Ｃ）で示すように，呼吸数は月経の開始の数日手前には既にピークを迎えており，最大の落ち幅の時に月経が開始する。我々が初めて具体的に確認した当該事実に基づかなくては，呼吸数に基づき月経周期の検知を行うことは出来ない。

図２２に，以上の手法を用いて推定した月経周期と実測の月経周期を示す。縦軸は月経周期長を示しており，前回の月経開始日から何日間が経過してから次の月経が始まったかを表わす。米印で示したデータは上記手法により推定した月経周期で，丸で示したデータは本人の記録に基づく月経周期を表す。月によってはズレがあるものの，平均の絶対誤差は１．５７日に納まっている。

本発明を適用する第１の実施例として，人（利用者）に装着したセンサによって加速度データを測定し，睡眠中の呼吸頻度を算出し，月経開始日を検知し，利用者に提示する月経周期検知システムを示す。

図１は，本発明を適用する月経周期検知システムの構成の一例を示す全体図である。本実施例の呼吸頻度推定システムは，当該システムの利用者の動作（または状態）を検出するセンサとして，加速度センサを備えた腕輪型センサノード１を用い，生体情報として腕の加速度を検出する例を示す。腕輪型センサノード１は，利用者の腕に装着されて加速度を検出し，所定の周期で検出した加速度データをセンシングデータとして，アンテナ１０１を介して基地局１０２へ無線送信し，クライアント計算機（ＰＣ）１０３へ送信する。また，有線通信が可能な場合はＵＳＢ接続などを介して直接ＰＣ１０３へ送信する。無線，有線を問わず，センシングしたデータを逐次的に送る方法のほか，センサノードに蓄積したデータを一定周期毎に送信する方法でもよい。

図１において，ＰＣ１０３は一つまたは複数の腕輪型センサノード１と通信を行い，各腕輪型センサノード１から利用者の動きに応じたセンシングデータを受信し，受信したセンシングデータを解析し，表示データを出力する。出力される表示データは利用者が操作するクライアント計算機（ＰＣ）１０３で閲覧することができる。

図２は，本実施例の生活可視化システムを構成する腕輪型センサノード１の一例を示す図で，図２（Ａ）は腕輪型センサノード１の正面から見た概略図で，図２（Ｂ）は腕輪型センサノード１を側方から見た断面図である。この腕輪型センサノード１は主に利用者の動きを測定する。

腕輪型センサノード１は，センサや制御装置を格納するケース１１と，ケース１１を人体の腕に装着するバンド１２を備える。

ケース１１の内部には，図２（Ｂ）のように図示しないマイクロコンピュータやセンサ６等を備えた基板１０が格納される。そして，人体（生体）の動きを測定するセンサ６としては，図中Ｘ−Ｙ−Ｚの３軸の加速度をそれぞれ測定する加速度センサを採用した例を示す。なお，腕輪型センサノード１には図示しない感圧センサや静電容量センサを備え，利用者が腕時計型センサノード１を装着しているか否かを装着状態として出力しても良い。

図３は，腕輪型センサノード１の基板１０に取り付けられた電子回路のブロック図を示す。図３において，基板１０には，基地局１０２と通信を行うアンテナ５を備えた無線通信部（ＲＦ）２と，ＰＣ１０３と有線接続するＵＳＢ通信部３９と，加速度センサであるセンサ６及び無線通信部２を制御するマイクロコンピュータ３と，マイクロコンピュータ３を間欠的に起動するためのタイマとして機能するリアルタイムクロック（ＲＴＣ）４と，各部に電力を供給する電池７と，センサ６への電力の供給を制御するスイッチ８が配置される。また，スイッチ８とセンサ６の間には，バイパスコンデンサＣ１が接続されてノイズの除去や，充放電の速度を低減して無駄な電力消費を防ぐ。

マイクロコンピュータ３は，演算処理を実行するＣＰＵ３４と，ＣＰＵ３４で実行するプログラムなどを格納するＲＯＭ３３と，データなどを格納するＲＡＭ３２と，ＲＴＣ４からの信号（タイマ割り込み）に基づいてＣＰＵ３４に割り込みをかける割り込み制御部３５と，センサ６から出力されたアナログ信号をデジタル信号に変換するＡ／Ｄコンバータ３１と，無線通信部２との間でシリアル信号にて信号の送受を行うシリアルコミュニケーションインターフェース（ＳＣＩ）３６と，無線通信部２及びＵＳＢ通信部３９とスイッチ８を制御するパラレルインターフェース（ＰＩＯ）３７と，マイクロコンピュータ３内の上記各部へクロックを供給する発振部（ＯＳＣ）３０とを含んで構成される。そして，マイクロコンピュータ３内の上記各部はシステムバス３８を介して接続される。ＲＴＣ４は，マイクロコンピュータ３の割り込み制御部３５に予め設定されている所定の周期で割り込み信号（タイマ割り込み）を出力し，また，ＳＣＩ３６へ基準クロックを出力する。ＰＩＯ３７はＣＰＵ３４からの指令に応じてスイッチ８のＯＮ／ＯＦＦを制御し，センサ６への電力供給を制御する。

腕輪型センサノード１は，所定の周期（例えば，１秒等）でマイクロコンピュータ３を起動して，センサ６からセンシングデータを取得し，取得したセンシングデータに腕輪型センサノード１を特定する識別子とタイムスタンプを付与して基地局１０２へ送信する。

図４は，図１に示した本発明を適用する月経周期検知システムの各構成要素を示すブロック図である。腕輪型センサノード１が送信したセンシングデータは，基地局１０２を介してクライアント（ＰＣ）１０３の記録装置１１００のセンシングデータテーブル１１５０に蓄積される。もしくは図示しない有線通信を介して直接ＰＣ１０３と通信してもよい。ＰＣ１０３は，各種情報を表示する表示装置１０３１と利用者の操作によって様々な情報の入力を可能とする入力装置１０３２を具備する。

表示装置１０３１は液晶ディスプレイやＣＲＴディスプレイ等の表示端末のほか，プリンタや画像ファイル出力でも良い。入力装置１０３２はキーボード，マウス等の入力用機器である。また，表示装置１０３１と入力装置１０３２はタッチパネル式ディスプレイのような，両方の機能を備える単体の機器でも良い。またＰＣ１０３は，プロセッサ１０７と，メモリ１０８及び記録装置１１００を備える。記録装置１１００は，後述する各種プログラム，各種データテーブルを記録するものであり，例えば，ハードディスクドライブやＣＤーＲＯＭドライブ，フラッシュメモリなどである。なお，複数の記録装置に各種プログラム，各種データテーブルを分割して記録するようにしてもよい。

プロセッサ１０７は，記録装置１１００に記録されている各種プログラムをメモリ１０８に読み出して実行することにより各種機能を実現する。具体的には，データ集計プログラム２００を実行することにより，利用者の腕の加速度センサで測定されたセンシングデータを集計し，単位時間（例えば，１分間）毎の集計値を算出し，記録装置１１００の集計データテーブル２５０に格納する。また，睡眠期間抽出プログラム３００を実行することにより，算出した単位時間毎の集計値を解析し，全ての睡眠期間を検出し，記録装置１１００の睡眠期間データテーブル３５０に格納する。また呼吸頻度推定プログラム４００を実行することにより，検出した睡眠期間から単位時間（例えば，一分間）毎の呼吸頻度を推定し，記録装置１１００の呼吸頻度データテーブル４５０に格納する。また，月経周期算出プログラム５００を実行することにより，検出した呼吸頻度から月経周期を推定し，記録装置１１００の月経周期データテーブル５５０に格納する。

なお，以下では，ＰＣ１０３が，データ集計プログラム２００と睡眠期間抽出プログラム３００と呼吸頻度推定プログラム４００と月経周期推定プログラム５００を定期的な周期，もしくは腕時計型センサノード１との通信を起因として実行し，更に入力装置１０３２の操作，もしくはＰＣ１０３の起動，もしくは月経周期推定プログラム５００の実行の終了を起因として表示装置１０３１に表示データを提示する例を示す。

図５は，本発明を適用するシステムで行われるデータ処理の全体的な流れを示すフローチャート図である。

まず，ステップＳ１では，腕輪型センサノード１が送信したセンシングデータを基地局１０２がＰＣ１０３へ転送し，ＰＣ１０３のセンシングデータテーブル１１５０にセンシングデータを蓄積する。また，センシングデータに付与されている，センサノードを特定するための識別子と当該センシングデータを取得した時刻を示す時刻情報もセンシングデータテーブルに蓄積する。さらに，ＰＣ１０３がデータ集計プログラム２００を実行して，記録装置１１００に蓄積されたセンシングデータから単位時間毎の運動頻度を算出し，記録装置１１００の集計データテーブル２５０に格納する。なお，データ集計プログラム２００を所定の周期（例えば，５分間）毎に実行しても良いし，腕輪型センサノード１との通信開始や終了を起因として実行しても良いし，入力装置１０３２の操作を起因として実行しても良い。

次に，ステップＳ２では，ＰＣ１０３は睡眠期間抽出プログラム３００を実行して，集計データテーブル２５０に格納された集計データから利用者が睡眠状態にあると推定される領域を検出し，全ての睡眠領域の開始時刻と終了時刻を組みとして睡眠分析データテーブル３５０に格納する。また，一日の最大の睡眠期間である主睡眠を検出し，上記格納した睡眠領域のうち主睡眠であるものに対して主睡眠タグを付加して睡眠分析データテーブル３５０に格納する。なお睡眠期間抽出プログラム３００を所定の周期（例えば，５分間）毎に実行しても良いし，データ集計プログラム２００の終了を起因として実行しても良い。

次に，ステップＳ３では，ＰＣ１０３は呼吸頻度推定プログラム４００を実行して，睡眠データテーブル３５０に格納された各睡眠期間について，期間内のセンシングデータをセンシングデータテーブル１１５０から取得し，単位時間（例えば，１秒）毎の，所定の期間（例えば，５分）の周波数スペクトルを算出し，最大パワーを持つ周波数成分を呼吸周波数候補として検出し，該最大パワー値が充分に突出している場合には（６０^＊周波数）を当該日時の分間呼吸頻度として確定し，充分に突出していない場合は当該日時を呼吸未検出としてタグを付加し，呼吸頻度データテーブル４５０に格納する。なお呼吸頻度推定プログラム４００を所定の周期（例えば，５分間）毎に実行しても良いし，睡眠期間抽出プログラム３００の終了を起因として実行しても良い。

次に，ステップＳ４では，ＰＣ１０３は月経周期推定プログラム４００を実行して，主睡眠が算出された全ての日について主睡眠中の呼吸頻度の平均値を算出し，日毎の平均呼吸数の時系列データにパスバンド２０日以上４０日以下の周期を持つバンドパスフィルタを施すことで月経周期に対応する周期データを抽出し，周期データの正から負の値へゼロクロスする点を検出することで月経開始日候補を算出し，周期データの負から正の値へゼロクロスする点を検出することで排卵日候補を算出し，月経周期データテーブル５５０に格納する。なお月経周期推定プログラム５００を所定の周期（例えば，１日）毎に実行しても良いし，呼吸頻度推定プログラム４００の終了を起因として実行しても良い。

次に，ステップＳ４では，呼吸頻度推定プログラム４００に格納された呼吸頻度をクライアント計算機１０３の表示部１０３１に提示する。

図６は，ＰＣ１０３のデータ集計プログラム２００で行われる処理の一例を示すフローチャートである。

まずステップＳ１１では，利用者の保有するセンサの識別子に対応するセンシングデータをセンシングデータテーブル１１５０から読み込む。ここで利用者の保有するセンサの識別子は，例えば基地局１０２と通信している腕時計型センサノード１から取得しても良いし，入力装置１０２で利用者により指定された識別子でもよいし，図示しない利用者センサ対応テーブルから選択した任意の識別子でも良い。ここで読み込むセンシングデータの量は，センシングデータの集計周期である所定の周期（例えば，５分間），あるいは過去のデータ集計プログラム２００の実行によって既に格納されている最後の集計時刻以降全て，等に設定すればよい。

次に，ステップＳ１２〜Ｓ１４では，読み込んだセンシングデータの加速度データについて所定の時間間隔（例えば，１分）毎の集計値を算出する。本実施形態では，所定の時間間隔内での腕輪型センサノード１の装着者（利用者）の運動の頻度を示すゼロクロス回数を集計値として用いる。

腕輪型センサノード１が検出したセンシングデータにはＸ，Ｙ，Ｚ軸の加速度データが含まれているので，Ｘ，Ｙ，Ｚの３軸の加速度のスカラー量＝√（Ｘ＾２＋Ｙ＾２＋Ｚ＾２）を算出し（ステップＳ１２），求めたスカラー量をフィルタ（バンドパスフィルタ）処理することで所定の周波数帯域（例えば，０．１Ｈｚ以上５Ｈｚ以下）のみを抽出しノイズ成分を除去する（ステップＳ１３）。そして，図７に示すように求めたスカラー量が所定の閾値（例えば，０．０５Ｇ）を通過する値をゼロクロス回数として算出し，ゼロクロス回数が所定時間間隔内に出現する頻度を算出し，この出現頻度を，所定の時間間隔（１分間）の運動頻度として出力する（ステップＳ１４）。この運動頻度の算出結果は図８で示すように単位時間毎の運動頻度を時系列的にソートしたデータとなる。なお，運動頻度は，Ｘ，Ｙ，Ｚの各方向の加速度の値が正と負に振動した回数（振動数）を各方向の所定時間内に数えて合計するなど他の方法でもよいが，本実施例では，計算を簡略化することができるため，ゼロクロス回数を算出する方法を採用している。

さらに，所定時間間隔内のデータの状態を表すフラグを算出する（ステップＳ１５）。まず，所定時間間隔内に存在するデータのうち，有効なデータ（即ち，所定の範囲内のＸ，Ｙ，Ｚの３軸のデータが欠損値以外の値として存在するもの）の割合が所定の閾値（例えば０．８）より少ない場合，該時間間隔を欠損データとして確定する。また腕時計型センサノード１が装着状態を出力する場合，該時間間隔が欠損でなく所定時間間隔内に存在するデータのうち装着中である割合が所定の閾値（例えば０．８）より少ない場合，該時間間隔を非装着データとして確定する。以上により，該時間間隔のデータの状態のフラグを「データ有り」「欠損値」「非装着」のうち一つに決定する。

データ集計プログラム２００の実行は，所定の時間間隔毎に，運動頻度，データフラグを求め，図９に示すように，所定の時間間隔毎の集計データを生成し，記録装置１１００の集計データテーブル２５０へ腕輪型センサノード１の装着者の識別子と，腕輪型センサノード１の識別子と共に蓄積する（ステップＳ１６）。

図９は，集計データテーブル２５０のフォーマットを示す説明図で，腕輪型センサノード１の装着者（月経周期検知システムの利用者）の識別子を格納するユーザＩＤ２５１と，センシングデータに含まれる腕輪型センサノード１の識別子を格納するセンサデータＩＤ２５２と，所定の時間間隔の開始時刻（測定日時）を格納する測定日時２５３と，データ集計プログラム２００の実行により演算した運動頻度を格納する運動頻度２５４と，データ集計プログラム２００の実行により求めたデータの状態フラグを格納するフラグ２５５からひとつのエントリを構成する。なお，利用者の識別子は，腕輪型センサノード１の識別子に基づいて予め設定した図示しないテーブルから参照すればよい。

図１０は，ＰＣ１０３の睡眠期間抽出プログラム３００で行われる処理の一例を示すフローチャートである。まず，データ集計プログラム２００の実行により集計した単位時間集計データを集計データテーブル２５０から読み込む（ステップＳ２１）。ここで読み込む集計データの量は，例えば過去の睡眠分析プログラム３００の実行によって既に格納されている最後の睡眠期間の終了時刻以降全て，等に設定すればよい。

次に，ステップＳ２２では，読み込んだ集計データから睡眠状態であると推定される期間群を検出する。睡眠中の運動頻度は極めて低いが，睡眠中でも人体は寝返りなどの運動を行うため，運動頻度はゼロにはならない。睡眠を判定する手法はいくつか知られており，例えば，Ｃｏｌｅ法（非特許文献２）などを適用すればよい。このような手法により検出された各期間の開始時刻と終了時刻を睡眠期間の候補群として，図示しない一時ストレージ等に保持する。また，利用者がセンサノードを装着していない場合は運動頻度がゼロに近くなり，睡眠として判定されてしまう場合もあるが，例えば腕時計型センサノードが非装着判定手段を備えている場合は睡眠として判定せず，さらに単位時間集計データテーブル２５０を読み込む際にフラグ２５８が非装着を示すデータは運動頻度が高いデータと同等に扱うことによっても，これを防ぐことが可能である。

次に，ステップＳ２３では，睡眠期間の候補の中で近接するもの同士を結合する。睡眠検出の手法によっては，例えば目覚まし時計を止めるために一時的に起床し，再び睡眠に入った場合でも一時的に起きた時刻で睡眠期間候補が区切られてしまう。しかし，生理活動としての睡眠は確かにそこで区切れているが，生活行動としての睡眠を考える場合そこで区切れることは望ましくない。そのため，睡眠期間候補の終了後，所定時間（例えば３０分）以内に次の睡眠領域候補が開始している場合，二つの睡眠期間候補を結合し，一つの大きな睡眠期間として扱う。このようにして睡眠期間候補群の中で結合できるものを探索し，結合する。

次に，ステップＳ２４では，睡眠期間の候補として不適合であるものを排除する。一例としてあげる方法においては，まず継続時間が所定時間（例えば１０分）以下の睡眠期間は排除する。また，候補群の中の最後の睡眠期間候補の終了時刻がもし睡眠分析プログラム３００の実行により読み込んだ集計データの最新測定時刻から所定時間（例えば３０分）以内である場合，次回の睡眠分析プログラム３００の実行で新しく候補に挙がる睡眠期間と結合できる可能性があるため，これも排除する。以上のように処理した睡眠期間候補群を睡眠期間群として確定する。

次に，ステップＳ２５では，ステップＳ２４で確定した睡眠期間群の中から，主睡眠を抽出し，睡眠の種類を「主睡眠」として確定し，それ以外の睡眠期間を「うたた寝」として確定する。まず各睡眠期間の所属するカレンダー日を算出する。これは，睡眠領域の終了時刻が所定時刻，例えば０時から２０時までであるならば同日，２０時から２４時までであるならば次の日に所属するものとする。この基準は，一般人の生活において２０時手前に終わる睡眠は昼寝に含まれると考える事も出来るからである。そして，例えば７月２３日の１７時に開始し１９時半に終了する睡眠領域は７月２３日に属し，例えば７月２３日の１６時半に開始し２０時半に終了する睡眠領域は，７月２４日に属する。こうして算出したカレンダー日の最古のカレンダー日から最新のカレンダー日まで，各カレンダー日において最長の所属睡眠領域を導き，これらをそのカレンダー日の「主睡眠」として確定する。以上で算出した「主睡眠」以外の睡眠の種類を「うたた寝」として確定する。

最後に，ステップＳ２６では，確定した睡眠期間群を図１１に示すように，記録装置１１００の睡眠分析データテーブル３５０に蓄積する。この時，各睡眠期間に睡眠分析データテーブル３５０内で一意となるような識別子，睡眠ＩＤを割り当てる。これは例えば最後に割り当てられた睡眠ＩＤに１を足した値を利用する，等の選び方でよい。

図１１は，睡眠期間データテーブル３５０のフォーマットを示す説明図で，腕輪型センサノード１の装着者の識別子を格納するユーザＩＤ３５１と，睡眠の識別子を格納する睡眠ＩＤ３５２と，睡眠期間の開始時刻を格納する開始日時３５３と，睡眠期間の終了時刻を格納する終了時刻３５４と，睡眠の種類（主睡眠であるか，うたた寝であるか）を格納する睡眠の種類３５５からひとつのエントリを構成する。

図１２は，ＰＣ１０３の呼吸推定プログラム４００で行われる処理の一例を示すフローチャートである。

ステップＳ３１では，睡眠期間抽出プログラム３００で抽出された睡眠期間を睡眠期間データテーブル３５０から読み込む。ここで読み込む睡眠期間の量は，例えば過去の呼吸推定プログラム４００の実行によって既に格納されている最後の呼吸データの日時以降全て，等に設定すればよい。

次に，ステップＳ３２〜ステップＳ３７では，ここで取得した各睡眠期間について個別に処理を行う。

ステップＳ３２では，前記ステップＳ３１で取得した睡眠期間のうち一つの期間について，その期間内に含まれる，当該利用者が装着する腕時計型センサノード１の識別子に対応する全てのセンサデータをセンシングデータテーブル１１５０から読み込む。

次に，ステップＳ３３では前記ステップＳ３２で取得したセンサデータについて，単位時間（例えば，１分）毎に，所定の期間（例えば，５分）のセンシングデータを切り出し，スカラー化する。腕輪型センサノード１が検出したセンシングデータのＸ，Ｙ，Ｚ軸の加速度データのスカラー量＝√（Ｘ＾２＋Ｙ＾２＋Ｚ＾２）を算出する。

次に，ステップＳ３４では，求めたスカラー量をフィルタ（バンドパスフィルタ）処理することで所定の周波数帯域（例えば，０．０１Ｈｚ以上１Ｈｚ以下）のみを抽出しノイズ成分を除去する。この時用いるフィルタのパスバンドは人の睡眠時における平均的な呼吸の周波数帯域が含まれていればなんでもよく，一般的には人の呼吸は０．１６Ｈｚ以上０．５Ｈｚ以下であるため，例えば０．０１Ｈｚ以上１Ｈｚ以下でも良い。

次に，ステップＳ３５では，前ステップＳ３４でフィルタ処理したスカラー量について周波数スペクトルを求める。該スカラー量についてＦＦＴ（高速フーリエ変換）を行うことで，図２１（Ａ）に例示するように，各周波数における強度を算出する。この時，各周波数の強度を，前後周波数成分の強度も含めて平均化することで，スペクトルを平滑化しても良い。

次に，ステップＳ３６では，前ステップＳ３５で求めた周波数スペクトルから最大強度を持つ周波数を，主周波数として取得する。

次に，ステップＳ３７では，前ステップＳ３６で求めた主周波数の，呼吸周波数としての妥当性を検証する。

例えば，主周波数が所定の周波数領域内（例えば，０．０１６Ｈｚ以上０．３３Ｈｚ以下）であるかどうかを検証し，それ以外である場合は呼吸としては早すぎる，もしくは遅すぎるとして除外しても良い。

また，別の例としては，主周波数の強度が所定の閾値以下であった場合には，ノイズの可能性が高いため除外しても良い。

また，別の例としては，主周波数（ピーク）の強度が他の周波数よりも突出する度合いを評価し，突出度合いが少ない場合はノイズの可能性が高いため除外しても良い。突出する度合いを評価する手段としては，例えば下記ピークスコア（数１）を用いても良い。
（数１）

このピークスコアが閾値（例えば，８．０）を下回る場合は，突出度合いが足りないと評価する。

以上で例示した条件で除外された場合は，当該日時の呼吸は「未検出」，除外されなかった場合は「検出成功」と判断する。

次に，ステップＳ３８では，前ステップＳ６で算出した主周波数に６０をかける事で，分毎の呼吸頻度を算出する。

最後に，ステップＳ３９では，以上で算出した，各睡眠期間内の，各日時における分毎の呼吸頻度を，記録装置１１００の呼吸推定データテーブル４５０に蓄積する。この時呼吸頻度は，ステップＳ３７で当該日時の呼吸が「未検出」であると判断された場合は，未検出を表す値（例えば，「ｎｕｌｌ」）を保持し，それ以外の場合はステップＳ３８で算出した分毎の呼吸頻度を保持する。

また，以上の説明ではＦＦＴ（高速フーリエ変換）を用いて主となる周波数成分を検出する例を示したが，加速度データ内に含まれる周波数成分の強度が検出出来る方法であれば何でも良く，例えば自己相関を求めても良い。自己相関を用いる場合の主となる周波数成分とは，例えばτ＝０の山以降の次に現れる山の頂点としても良い。また，ステップＳ３７における呼吸周波数としての妥当性は，例えば選択されたτにおける相関係数が閾値以上である場合，などを含んでも良い。

また，以上の説明では主となる一つの周波数成分を検出し，この妥当性を検証し，妥当である場合は呼吸頻度として採用する例を示したが，例えば複数の突出した周波数成分を検出しても良い。その場合は，例えば上記ステップＳ３７の説明のように，それぞれの妥当性を検証し，妥当であった周波数成分が複数ある場合は，例えば最も妥当であった周波数成分を選択しても良いし，当該日時の一つ手前の日時で検出された呼吸頻度に最も近い周波数成分を選択しても良い。また別の手段として，これまでに当該装着者に関して算出された睡眠期間の呼吸数を平均化することで，就寝開始後の経過時間毎の平均呼吸頻度（呼吸トレンド）を算出し，当該日時の就寝開始後経過時間を算出し，呼吸トレンドに最も近い周波数成分を選択しても良い。

また，以上の説明では単位時間（例えば，１分）毎に，所定の期間（例えば，５分）のセンシングデータを切り出し，呼吸頻度を検出し，呼吸推定データテーブル４５０に蓄積する例を示したが，例えばより細かい間隔（例えば，１秒）毎に，所定の期間（例えば，５分）のセンシングデータを切り出し，呼吸頻度を検出し，所定の単位時間（例えば，１分）毎に，単位時間内に検出された全ての呼吸頻度を平均化することで，突発的なノイズに強くしても良い。

また，以上の説明では単位時間毎に，所定の期間の全センシングデータを切りだして用いる例を示したが，例えば呼吸由来の運動以外の体動（例えば，寝返り）を別途検出し，このような体動が行われている期間についてはセンシングデータを当該期間の平均値で埋めてしまったり，欠損値として扱っても良い。なお，呼吸由来の運動以外の体動を検出する手段として，例えばスカラー値の移動分散（各時点から遡って所定の期間（例えば５秒間）の分散値）が所定の閾値以上である場合に体動を検出する，などでも良い。このように大きい体動を除くことで，体動の強い動作が生む高周波成分は呼吸の主周波数の検出を妨げることを未然に防ぐ事が出来る。

また，以上の説明ではセンシングデータをスカラー化して主周波数を算出する例を示したが，例えばＸ軸，Ｙ軸，Ｚ軸をそれぞれ別に扱い，各時点において突出度の一番高い周波数成分を持つ軸を選択し，その軸の主周期を当該時点における主周波数として採用することで，特定の軸にしか呼吸運動が表れていない姿勢にいる場合でも精度よく呼吸を検出することが出来る。

図１３は，呼吸推定データテーブル４５０のフォーマットを示す説明図で，腕輪型センサノード１の装着者の識別子を格納するユーザＩＤ４５１と，所定の時間間隔の日時を格納する日時４５２と，推定された呼吸頻度，もしくは妥当な呼吸が検出されなかった場合には未検出を表す値（例えば，ｎｕｌｌ）を格納する呼吸頻度４５３を保持する。

図１４は，ＰＣ１０３の月経周期推定プログラム５００で行われる処理の一例を示すフローチャートである。

ステップＳ４１では，計算対象となる期間内に含まれる各日について睡眠期間抽出プログラム３００で算出された主睡眠期間を取得し，各主睡眠期間内に算出された呼吸頻度を取得する。計算対象となる期間とは，例えば過去の月経周期推定プログラム５００の実行によって既に処理された最後の日以降以降全て，等に設定すればよい。

次に，ステップＳ４２では，前記ステップＳ４１で呼吸頻度を取得した各日についてそれぞれ，その日の代表呼吸頻度を算出する。代表呼吸頻度とは，例えばその日の主睡眠中に算出された呼吸頻度の平均値でも良い。また，主睡眠の開始（就寝）後所定の時間（例えば３０分）から，終了（起床）前所定の時間（例えば，１時間）までの間の平均値を用いることで，飲酒した日の寝入り時の呼吸数への影響などの呼吸頻度算出の信頼性を下げる要因を排除しても良い。また平均値を算出する際全ての値を用いるのではなく，例えば平均値と標準偏差を算出し，（平均値―標準偏差）以上，（平均値＋標準偏差）以下の呼吸頻度のみを用いて平均値を算出することでノイズの影響を減らしても良い。また，呼吸検知が正常に行われなかった日は欠損日として排除しても良い。呼吸検知が正常に行われなかった日とは，例えば呼吸数が所定数（例えば，１０件）以下しか検出されなかった日や，平均呼吸数が過去一週間の平均呼吸数と比較して異常に高い場合等である。後者は，風邪等の突発的な体調不良が疑われ，本来検知したい月経周期とは無関係だからである。以上により各日の呼吸代表値を算出する。

次に，ステップＳ４３では，前記算出した各日の代表呼吸頻度を時系列的に並べ，バンドパスフィルタ処理を行う。ここで用いるフィルタとは，少なくとも２３日以上３３日以下の周期をパスバンドとして通すバンドパスフィルタであることが望ましい。以上により，月経周期を表す周期的データを得る。

次に，ステップＳ４４及びステップＳ４５では，前記算出した周期的データが正の値から負の値に転じる日を月経開始推定日，負の値から正の値に転じる日を排卵推定日として算出する。また前回の月経開始日から今回の月経開始日までの経過日数を月経周期として算出する。

最後に，ステップＳ３９では，以上で算出した月経開始推定日，排卵推定日，及び月経周期を記録装置１１００の月経周期データテーブル５５０に蓄積する。

以上の説明では，算出した周期データのゼロクロス日を月経開始日および排卵日として推定する例を示したが，実際の月経開始日と推定した月経開始日の間には数日の差がある場合がある。これは個人差と季節性変動の複合的な要因であり，それぞれを補正することでより精度よく月経開始日を推定できる場合がある。例えば図示しない手段（例えば，利用者の入力）によって過去の数回の実際の月経開始日のデータが得られる場合，それらの開始日にそれぞれ最も近い月経開始推定日を探索し，実際の月経開始日と月経開始推定日の間の日数の平均を利用者誤差として算出し，この利用者誤差を前記ステップＳ４４における月経開始推定日及び排卵推定日から差し引くことで，推定値と実測値の個人差を最小化することが出来る。また，この手法は季節によって誤差が多少大きくなる場合がある。そのため，例えば月ごとに定めた所定の補正値を推定値から差し引くことで，実測値との季節差を最小化することが出来る。

数日程度の推定値のズレを補正するためには，利用者の実際の月経開始日の入力を受けても良いが，その他にも例えば推定日近くで日中の行動に大きな変化のあった日を実際の月経開始日として用いる事も出来る。例えば月経期間中には女性はトイレに立つ回数が増える。当該実施形態で想定する腕輪型の加速度センサであれば歩行行動を検知できるため，例えば＜３分以下の歩行期間，１０分以下の無歩行期間，３分以下の歩行期間＞の順番で行動が行われた箇所をトイレ期間として認識し，日々のトイレ期間の回数を集計し，トイレ回数が以上に高い日（例えば，過去二週間の（平均＋標準偏差）よりも高い日）を検知し，この異常日を月経開始日として用いても良い。

また以上の説明では，全てのゼロクロス日を月経開始日もしくは排卵日として採用する例を示した。しかし，例えば生理不順によって一回分の月経周期が飛ばされた場合でも，バンドパスフィルタの特性によっては小さい山が検出され，月経開始日がご検知されてしまう可能性がある。そこで，ゼロクロス日を認識する際に，それ以前の最新の極大値の値が，過去所定の日数（例えば，半年）分の月経周期の極大値の平均と標準偏差と比較して明らかに小さい場合は月経未検知として排除しても良い。明らかに小さいとは，例えば（平均＋標準偏差／２）よりも小さい場合を含んでもいい。

また，ステップＳ４３で算出する周期データを外挿することで，まだ実際には訪れていない未来の月経についても月経開始日及び排卵日を予測することが可能である。そのため，ステップＳ４４〜Ｓ４５では未来の所定回数分（例えば，３回），月経開始日及び排卵日も予測し，ステップＳ４６で月経周期データテーブル５５０に蓄積しても良い。

図１５は，月経周期データテーブル５５０のフォーマットを示す説明図で，腕輪型センサノード１の装着者の識別子を格納するユーザＩＤ５５１と，推定された月経開始日５５２と，推定された排卵日５５３と，前回の月経開始日からの経過日数を蓄積する月経周期５５４を保持する。排卵日は，当該排卵日の次に検出された月経開始日と同じレコードに蓄積されることが望ましい。

図１６は，クライアント計算機であるＰＣ１０３の表示部１０３１に表示される月経周期表示画面１２００の画面イメージである。ＰＣ１０３が月経周期表示画面１２００を表示させるのは，入力装置１０３２を介した利用者からの表示要求を受け付けたことを起因としても良いし，月経周期推定プログラム５００の実行終了を起因としても良いし，例えば無線等の手段で腕輪型センサノード１のセンシングデータをリアルタイムで取得する事が可能である場合は，装着者が起床した事を睡眠期間抽出プログラム３００が検知した事を起因としても良い。なお，ＰＣ１０３で稼働するアプリケーションとしては，ブラウザを採用しても良いし，単独で稼働するアプリケーションが直接月経周期表示画面１２００を表示しても良い。

月経周期表示画面１２００は，検知された月経周期に関する情報を利用者に提示する画面の一例である。これは，表示対象となる期間の月経周期データを表示する月経周期グラフ１２０１と，次の月経開始予定日を示す月経開始予定日ラベル１２０７と，次の排卵予定日を示す排卵予定日ラベル１２０８と，今日時点での妊娠可能性を示す妊娠可能性ラベル１２０９と，今日の月経周期における位相に基づきアドバイスを表示するアドバイスラベル１２１０から構成される。表示対象となる期間は，例えば図示しない日付期間選択コントロールによって指定された期間でも良いし，本日を含めて前後所定日数（例えば，一カ月）でも良い。

月経周期グラフ１２０１は，表示対象となる期間の月経周期データや，当該期間内に推定された月経開始日，排卵日を表示するグラフである。月経検知プログラム５００で算出された周期データをグラフ上に，過去データは実線で描画し（１２０２），未来分については破線で表示する（１２０３）ことで，月経周期における本日の位置が分かりやすく表示出来る。また期間内に推定されている月経開始日と排卵日を縦線（１２０４，１２０５）で描画することで，過去の月経の振り返りや，未来の予定を把握しやすく出来る。また排卵前３日から排卵後２日間は妊娠の可能性が高い事が知られており，この期間を「妊娠可能日」として表示する（１２０６）ことで，妊娠を欲する人が妊娠しやすい期間を把握しやすく出来る。過去の月経開始推定日については，例えば縦線１２０４をマウス等の入力装置によりドラッグすることで実際の月経開始日を入力することを可能にしても良い。この場合，実際の月経開始日は図示しないデータテーブルに格納され，例えば月経検知プログラム５００の処理において月経推定日の推定に用いても良い。

月経開始予定ラベル１２０７には，本日を基準にして次に推定されている月経開始日のカレンダー日を表示し，排卵予定日ラベル１２０８には，本日を基準にして次に推定されている月経開始日のカレンダー日を表示することで，近未来の体の状態を把握しやすく出来る。

妊娠可能性ラベル１２０９には，月経周期における今日の位相から妊娠の可能性を算出し，「低い」「高い」などの分かりやすい表現で示すことで，本日の妊娠のしやすさを把握しやすくする。妊娠可能性は，例えば月経周期データテーブル５５０に蓄積された何れかの排卵推定日から今日は所定の日数（例えば３日）以内だった場合に「高い」と表示し，それ以外は「低い」と表示する。

アドバイスラベル１２１０には，月経周期における本日の位相に基づきアドバイスを表示する。例えば月経開始以降，排卵日までの約二週間は気分がすっきりし，運動や勉強等が捗ることが一般的に知られているため，次の月経開始予定日が次の排卵予定日よりも後の場合には「今日は気分がすっきりしているため運動や勉強を行うのに適しています」等のメッセージを表示することで，運動や勉強を行うのに適した時期にそれらの行動を促す事が出来る。

図１７は，クライアント計算機であるＰＣ１０３の表示部１０３１に表示される長期周期表示画面１３００の画面イメージである。ＰＣ１０３が長期周期表示画面１３００を表示させるのは，入力装置１０３２を介した利用者からの表示要求を受け付けたことを起因としても良いし，月経周期推定プログラム５００の実行終了を起因としても良いし，例えば無線等の手段で腕輪型センサノード１のセンシングデータをリアルタイムで取得する事が可能である場合は，装着者が起床した事を睡眠期間抽出プログラム３００が検知した事を起因としても良い。なお，ＰＣ１０３で稼働するアプリケーションとしては，ブラウザを採用しても良いし，単独で稼働するアプリケーションが直接長期周期表示画面１３００を表示しても良い。

長期周期表示画面１３００は，検知された月経周期（月経開始日から次の月経開始までの日数）に関する長期的な情報を利用者に提示する画面の一例である。これは，表示対象となる期間の月経周期データを表示する月経周期グラフ１３０１と，月経周期の規則正しさを表示する規則性グラフ１３０２から構成される。表示対象となる期間は，例えば図示しない日付期間選択コントロールによって指定された期間でも良いし，利用者のデータの存在する全期間，などでも良い。

月経周期グラフ１３０１は，表示対象となる期間の月経周期データを表示するグラフである。月経周期データテーブル５５０に蓄積された月経周期データ５５４を時系列的に並べることで，人の平均的な月経周期である２８日と比較した自分の傾向を視覚的に把握しやすく出来る。

規則性グラフ１３０２は，表示対象となる期間の月経周期データの局所的な規則正しさを表示するグラフである。前記月経周期グラフ１３０１に表示したデータの移動分散値をプロットすることで，月経周期が乱れている時期と規則正しい時期を視覚的に把握しやすく出来る。例えば女性の閉経前には月経周期が乱れ，それに伴い様々な更年期障害が生じることが知られている。更年期障害の苦しみの一つは，症状の改善の目処が立ちにくいことにある。規則性グラフ１３０２を見る事で，規則性の乱れが徐々に収束していく様子を確認することで，更年期障害の収束に希望を持つこと事に役立てられる。

なお，上記実施形態では月経周期推定システムとして利用者（人体）の月経周期を測定するために利用者の腕に装着される腕輪型センサノード１の３軸加速度センサを用いた例を示したが，非侵襲に人体の活動状態を検知可能なセンサであればよく，例えば，腕に装着した角速度センサでも良いし，３軸の加速度センサではなく，２軸や無軸の加速度センサでも良い。

また，上記実施形態では睡眠中の呼吸頻度を推定するシステムを例示したが，睡眠中ではなく覚醒中の呼吸頻度を推定することにも効果がある。例えば会議中に腕を組んだり，運動直後に息が上がったりしている状態でも，加速度センサに呼吸の周波数成分が反映されることがあるが，これについても上記と同じ手段により検知が行える。覚醒中の呼吸数は行動内容や時間帯によって大きく変動するものであるが，例えば利用者の生活において毎日必ず同じ時間に同じ行動を行う箇所（例えば，通勤で毎日同じ時間に電車で座る，など）を検知し，その期間について月経周期検知プログラム５００の処理を行うことで，睡眠中のデータが測れなくとも月経周期の検知を行う事が出来る。

また本発明は，呼吸の状態が断片的に反映されるセンサの例として腕に装着した加速度センサを用いた例を示したが，呼吸の状態が断片的にしか反映されないセンサであれば何でも本発明は効果的に呼吸頻度を測定し，月経周期を検知する事が出来る。例えば，寝具の上に装着した赤外線カメラで対象の動きを測定する場合は，睡眠姿勢によって呼吸の動きが映像上に反映されたりされなかったりするため，本発明が適用出来る。また，例えば特許文献３に開示されるように，近年では企業内で社員が装着する名札バッジには加速度センサや対面センサが搭載されるようになってきているが，通常時は服の上に装着したバッジからでは呼吸運動が加速度データに反映されることはないものの，座り方の姿勢によっては呼吸運動が反映される事があるため，これについても本発明を適用して呼吸頻度を精度良く推定する事が出来る。

また，本発明の利用者は人間である必要はなく，例えば犬や猫などのように発情期を周期的に持つ生物であれば本発明は効果的に適用する事が出来る。例えば犬の場合は半年周期で発情期が訪れるため，月経周期検知プログラム５００では半年をパスバンドとして持つバンドパスを用いることが望ましい。

また，本発明を用いることで，センサの利用者の性別を推定することも出来る。長期的なセンサデータに本発明を適用することで月経周期が検知された場合は閉経前の女性である事が推定される。そのため，月経周期検知が正常に行われるか否かで，閉経前の年代であれば男性であるか女性であるかを精度良く推定する事が出来る。

また，本発明を用いることで，簡便に妊娠の判定を行う事が出来る。月経周期検知プログラム５００において，これまで月経が検知されていた利用者について月経が検知されなくなった場合は，例えば月経周期表示画面１２００のアドバイスパネル１２１０に「妊娠の可能性があります。医師に相談してください」等のコメントを表示することで，妊娠の確認を早期に促すこと出来る。

上記で説明した実施形態により，腕に装着した加速度センサのように，多くの場合は呼吸運動がデータ内に反映されないセンサの出力データからも，精度良く簡便に月経周期を推定する事が出来る。

１ 腕輪型センサノード
６ センサ
１０ 基板
１１ ケース
１２ バンド
１０３ クライアント計算機（ＰＣ）
２５０ 集計データテーブル
３５０ 睡眠期間データテーブル
４５０ 呼吸頻度データテーブル
１１５０ センシングデータテーブル

Claims (14)

1. 体の動きを示すセンシングデータを取得する体動センサと，
   前記センシングデータから解析対象期間を算出する対象期間算出部と，
   前記解析対象期間内の所定の期間毎に前記センシングデータを集計し，主周期成分を検出する主周期成分検出部と，
   前記対象期間内に算出された複数の主周期成分の群から主周期成分代表値を算出する代表値算出部と，
   前記算出された前記主周期成分代表値から生体リズムの周期を検出する生体リズム検出部と，
   を備えることを特徴とする生体リズム検出システム。
2. 前記体動センサは，対象者の体に装着され、
   前記センシングデータは、前記対象者の腕の動きを示す情報を含むことを特徴とする請求項１に記載の生体リズム検出システム。
3. 前記体動データは加速度データ又は角速度データを含むことを特徴とする請求項２に記載の生体リズム検出システム。
4. 前記対象期間算出部が算出する対象期間は，異なる日の同じ時間帯に生じる静止期間を含むことを特徴とする請求項１に記載の生体リズム検出システム。
5. 前記主周期成分検出部は前記センシングデータに周期成分が含まれているか判定する周期情報取得成功判定部をさらに備え，前記周期情報取得成功判定部が、前記周期成分が含まれていないと判定する場合は前記主周期成分検出部は、欠損値を出力することを特徴とする請求項１に記載の生体リズム検出システム。
6. 前記周期情報取得成功判定部は前記主周期成分のパワー値が予め定められた第１閾値以上である場合、前記周期成分が含まれていると判定することを特徴とする請求項５に記載の生体リズム検出システム。
7. 前記周期情報取得成功判定部は前記主周期成分の前記パワー値が前記主周期成分を中心とした第１の範囲内の周期成分のパワー値と比較して，所定量以上大きい場合，前記周期成分が含まれていると判定することを特徴とする請求項５に記載の生体リズム検出システム。
8. 前記主周期成分検出部は０．１３Ｈｚ以上０．５Ｈｚ以下の値の呼吸由来の周期成分を含めて検出することを特徴とする請求項１に記載の生体リズム検出システム。
9. 前記代表値算出部で算出される代表値は該対象期間内に検出された主周期成分の周波数の平均値を含むことを特徴とする請求項１に記載の生体リズム検出システム。
10. 前記生体リズム検出部は，前記算出した主周期に対するフィルタ処理により所定の周波数帯域を抽出し，抽出されたデータの極大点あるいは極大点の次のゼロクロス点を月経開始日として格納することを特徴とする請求項１に記載の生体リズム検出システム。
11. 前記生体リズム検出部は，前記算出した主周期に対する周波数解析により所定の周波数帯域を抽出し，抽出されたデータの極小点あるいは極小点の次のゼロクロス点を月経開始日として格納することを特徴とする請求項１に記載の生体リズム検出システム。
12. 前記生体リズム検出部は，月経／排卵開始日候補の入力を受け，前記検知した月経／排卵開始日を最寄りの開始日候補と対応させてズレ幅を算出し，計算結果をズレによって補正して出力することを特徴とする請求項１記載の生体リズム検出システム。
13. 前記生体リズム検出部は、前記センシングデータに基づき行動特徴量を算出し、前記算出された行動特徴量が予め定められた行動閾値より大きい場合、前記行動特徴量の算出に用いられた前記センシングデータのデータ取得日を、前記開始日候補とすることを特徴とする請求項１に記載の生体リズム検出システム。
14. 前記検出された生体リズムの周期に基づいて、前記センシングデータが取得された人物の性別を判定する性別判定部をさらに有することを特徴とする生体リズム検出システム。

Images