JPWO2014141682A1 - センサー端末および信号取得方法 - Google Patents

Abstract

本発明のセンサー端末は、準周期的に出現する区切りパルスを含む信号を取得し前記信号をデジタル信号に変換するアナログ−デジタル変換手段と、前記信号の次の信号を取得する信号取得時刻を決定するタイミング計算手段とを有する。これにより、準周期的に出現する区切りパスルを正確に捉えつつセンシング数を削減する低消費電力のセンサー端末を提供する。

Description

本発明は、準周期的に生起する区切りパルスを含む信号を取得するセンサー端末および信号取得方法に関し、特に、区切りパスルを正確に捉えつつセンシング数を削減するセンサー端末および信号取得方法に関する。

電池駆動の小型無線センサー端末は、多くの用途で有用なものとして期待されている。例えば、ヘルスケア分野において、心電用小型無線センサー端末は、日常生活を続けながら長時間にわたって、心電データを携帯しているスマートフォンに無線送信し続ける装置として期待されている。これらのセンサー端末は、違和感をなくするために小型であることが求められ、従って、小型電池でも長時間駆動するための低消費電力化が求められる。

この低消費電力化のために、センシングで取得したデータを圧縮する方法が提案されてきた。それはデータ圧縮によって無線送信するデータ量を削減することで、無線通信のための消費電力を削減できるためである。このデータ圧縮により低消費電力化する方法を、以下に説明する。

図９は心電図のセンシングを示すグラフである。これは心電データ（電圧）ｖの時間ｔによる変化を示すもので、曲線は心電図、丸印（黒丸３および白丸４）はセンシングで取得したデータを表す。センシングは一定時間間隔Ｔで行われる。心電図は、Ｒ波と呼ばれる大きくて鋭いパルスがある時間間隔で現れるのが顕著な特徴である。このＲ波の間隔は心拍に対応し、大まかには一定間隔であるものの、その人の状態によって変化し、あるいは人によっても異なる。

本データ圧縮では、まず一定のセンシング間隔Ｔですべての丸印（黒丸３および白丸４）のデータを取得し、しかる後、波形の特徴を残す範囲でデータを捨てる。図９においては、黒丸３のデータのみを残し、白丸４のデータは捨てるという処理を行う。すなわち、波形がゆっくり変化する部分では、まばらなデータでも波形の特徴を捉えることができるため、黒丸３の間隔を長くしてその間の多くの白丸４のデータを捨てる。Ｒ波のように波形が急峻に変化する部分では、鋭いパルス波形の特徴を損なわないように細かくデータを残す。以上のようにして、波形の特徴を損なわない程度に取得したデータ捨てることでデータ圧縮を行う。

上述のデータの圧縮処理を行う無線センサー端末のブロック図を図１０に示す。電極２０から入力されたアナログ心電信号はＡＤＣ（Ａｎａｌｏｇ Ｄｉｇｉｔａｌ Ｃｏｎｖｅｒｔｅｒ）２１でデジタル信号に変換され、ストレージ２２に蓄積される。ここでＡＤＣ２１には、アナログフィルターやアナログ増幅器など信号がデジタル変換される前のアナログ処理も含むものとする。ストレージ２２は、磁気ストレージ、不揮発メモリ、揮発メモリいずれであってもよい。ある程度のまとまった量のデータがストレージ２２に蓄積された後、それらのデータはデータ圧縮２３される。圧縮されたデータはストレージ２４に一旦蓄積されたのち、無線送信２５される。場合によっては、ストレージ２４に一旦蓄積することなく直接無線送信２５することもあるし、あるいはストレージ２４に保持するのみで無線送信２５しないこともある。ストレージ２２と２４は同じものであってもよいし、異なるものであってもよい。

上記のデータ圧縮の効果としては、ストレージ２４の容量を削減できること、および、無線送信２５の消費電力を削減できることが挙げられる。しかしながら、この方法ではＡＤＣ２１の処理に伴う消費電力を削減できない問題があった。その理由は、一定の時間間隔Ｔで取得された全てのデータはＡＤＣ処理されるためである。特に、心電用無線センサー端末においては、ＡＤＣ処理に伴う消費電力が全消費電力のなかで支配的であることが知られており、その削減が求められている。

特許文献１では、ＡＤＣのサンプリング周波数を変更することで取得するデータ量を削減して、消費電力を削減する方法が開示されている。これは、心電図のＲ波のように信号量が急峻に変化する領域ではサンプリング周波数を高め、信号量が緩やかに変化する領域ではサンプリング周波数を低くする。これにより、取得する全体のデータ量を削減し、ＡＤＣの消費電力を削減するというものである。

特開２０１０−９４２３６号公報

図１１に、特許文献１の心電図のセンシングの様子を示す。図１１の上図は心電図を示し、黒丸はセンシング点を示す。図１１の下図は、サンプリング周波数Ｇを示し、Ｒ波を含む周辺の期間（ｔｐＩ〜ｔｅＩ：Ｉは整数）では高いサンプリング周波数Ｈでセンシングし（黒丸間隔が狭い）、それ以外の期間（ｔｅＩ〜ｔｐ（Ｉ＋１））では低いサンプリング周波数Ｌでセンシングする（黒丸間隔が広い）ことを示す。

このように、Ｒ波のように鋭く大きいパルスを含む周辺の期間を高いサンプリング周波数でセンシングすることで、パルスの特徴を正確に捉えることができる。一方、それ以外の信号がなだらかに変化する期間を低いサンプリング周波数でセンシングすることで、データ取得数を減らし、ＡＤＣ処理の消費電力を削減することができる。

しかしながら、特許文献１では、取得したデータに加えて、ＨとＬのどちらのサンプリング周波数を使用しているかの情報もいっしょに保持あるいは送信しなければならず、その情報の分だけデータ量が増える問題があった。すなわちサンプリング周波数情報の付加によって、消費電力削減効果が薄れる問題があった。

さらに、特許文献１では、過去のＲ波の間隔（図１１のＺ）から次のＲ波の到来時刻を予測し、それに基づいて低いサンプリング周波数Ｌから高いサンプリング周波数Ｈに切り替える時刻ｔｐＩを決めている。しかしながら、心電図は一般に、非常に多様に変化するため、この方法によるＲ波の到来時刻の予測精度は高くない。そして、予測が外れた場合はＲ波の特徴を正確に捉えることができない問題があった。

この予想が外れたときの影響を抑えるために、低いサンプリング周波数Ｌから高いサンプリング周波数Ｈに切り替える時刻ｔｐを、Ｒ波から大きく手前に設定する必要がある。このため、低いサンプリング周波数Ｌの期間が短くなり、データ取得数の削減があまりできず、結果として小さな電力削減効果しか得られない問題がある。

本発明は、上記の問題に鑑みてなされたものであり、その目的は、心電図のＲ波のように準周期的に生起するパルスを含む信号を正確にセンシングしつつ、センシングにより取得するデータ量を削減することでＡＤＣの消費電力を削減することのできる、センサー端末を提供することである。

本発明によるセンサー端末は、準周期的に出現する区切りパルスを含む信号を取得し前記信号をデジタル信号に変換するアナログ−デジタル変換手段と、前記信号の次の信号を取得する信号取得時刻を決定するタイミング計算手段と、を有し、前記タイミング計算手段は、前記変換がされる毎に前記デジタル信号に基づいて前記信号の変化の大きさに対応する特徴量を算出し、さらに、前記デジタル信号から特徴点を求め、隣接する前記区切りパルスの間隔内の前記特徴点を配列した特徴ベクトルを生成し、前記特徴ベクトルから生成されるモデルからなるモデルデータベースを隣接する前記区切りパルスの間隔内分の前記信号取得ごとに更新し、前記デジタル信号が、生成中の前記特徴ベクトルと最も類似した前記モデルデータベース中の前記モデルにおいて、予め定めた前記区切りパルスの前兆となる特徴点に達したことを受けて、前記信号取得時刻の間隔の上限もしくは平均値を変え、前記信号取得時刻の間隔の上限もしくは平均値と前記特徴量とに基づいて、前記信号取得時刻を決定する。

本発明による信号取得方法は、準周期的に出現する区切りパルスを含む信号を取得し前記信号をデジタル信号に変換するアナログ−デジタル変換工程と、前記信号の次の信号を取得する信号取得時刻を決定するタイミング計算工程と、を有し、前記タイミング計算工程は、前記変換がされる毎に前記デジタル信号に基づいて前記信号の変化の大きさに対応する特徴量を算出し、さらに、前記デジタル信号から特徴点を求め、隣接する前記区切りパルスの間隔内の前記特徴点を配列した特徴ベクトルを生成し、前記特徴ベクトルから生成されるモデルからなるモデルデータベースを隣接する前記区切りパルスの間隔内分の前記信号取得ごとに更新し、前記デジタル信号が、生成中の前記特徴ベクトルと最も類似した前記モデルデータベース中の前記モデルにおいて、予め定めた前記区切りパルスの前兆となる特徴点に達したことを受けて、前記信号取得時刻の間隔の上限もしくは平均値を変え、前記信号取得時刻の間隔の上限もしくは平均値と前記特徴量とに基づいて、前記信号取得時刻を決定する。

本発明によれば、心電図のＲ波のように準周期的に生起するパルスを含む信号を正確にセンシングしつつ、センシングにより取得するデータ量を削減することでＡＤＣの消費電力を削減することのできる、センサー端末を提供することができる。

本発明の実施形態のセンサー端末のブロック図である。 本発明の実施形態のセンサー端末のデータ取得を説明する図である。 心電図に適応センシングを適用した際に生じる問題を説明する図である。 心電波形の特徴を説明する図である。 本発明の実施形態の信号取得方法におけるモデルあるいは特徴ベクトルの好ましいデータ構造を示す図である。 本発明の実施形態の信号取得方法におけるモデルデータベースの構成を示す図である。 本発明の実施形態の信号取得方法におけるモデルデータベース更新のフローチャートを示す図である。 本発明の実施形態の信号取得方法のフローチャートを示す図である。 データ圧縮による取得したデータの削減方法を説明する図である。 データ圧縮を行うセンサー端末のブロック図である。 特許文献１の心電図のデータ取得方法を説明する図である。 本発明の実施形態のセンサー端末のブロック図である。

以下、図を参照しながら、本発明の実施形態を詳細に説明する。但し、以下に述べる実施形態には、本発明を実施するために技術的に好ましい限定がされているが、発明の範囲を以下に限定するものではない。

図１２は、本発明の実施形態のセンサー端末のブロック図である。本実施形態のセンサー端末１００は、準周期的に出現する区切りパルスを含む信号を取得し前記信号をデジタル信号に変換するアナログ−デジタル変換手段１０１を有する。さらに、前記信号の次の信号を取得する信号取得時刻を決定するタイミング計算手段１０２を有する。前記タイミング計算手段１０１は、前記変換がされる毎に前記デジタル信号に基づいて前記信号の変化の大きさに対応する特徴量を算出する。さらに、前記デジタル信号から特徴点を求め、隣接する前記区切りパルスの間隔内の前記特徴点を配列した特徴ベクトルを生成する。さらに、前記特徴ベクトルから生成されるモデルからなるモデルデータベースを隣接する前記区切りパルスの間隔内分の前記信号取得ごとに更新する。さらに、前記デジタル信号が、生成中の前記特徴ベクトルと最も類似した前記モデルデータベース中の前記モデルにおいて、予め定めた前記区切りパルスの前兆となる特徴点に達したことを受けて、前記信号取得時刻の間隔の上限もしくは平均値を変える。さらに、前記信号取得時刻の間隔の上限もしくは平均値と前記特徴量とに基づいて、前記信号取得時刻を決定する。

本実施形態によれば、心電図のＲ波のように準周期的に生起するパルスを含む信号を正確にセンシングしつつ、センシングにより取得するデータ量を削減することでＡＤＣの消費電力を削減することのできる、センサー端末を提供することができる。

図１は、本発明の実施形態のセンサー端末のさらに具体的なブロック図である。電極１０から入力されたアナログ信号はＡＤＣ１１でデジタル信号に変換される。このデジタル信号に基づいて、次のデータ取得タイミング計算１２を行い、算出された次のデータタイミングを経路１３を通じてＡＤＣ１１に伝達する。ＡＤＣ１１は、経路１３を通じて与えられるデータ取得タイミングで次のデータ取得を行う。

取得されたデータは、ストレージ１４に蓄積された後に無線送信１５されるか、もしくは、直接無線送信１５される。上記において、データ取得タイミング計算１２は、センサー端末が内蔵するプロセッサーなどの計算資源によって行われる。

時刻ｔ＿ｉに取得されたデータをｖ（ｔ＿ｉ）と記述する。ある時刻ｔ＿ｋまでに取得されたデータの集合｛ｖ（ｔ＿ｋ），ｖ（ｔ＿（ｋ−１）），ｖ（ｔ＿（ｋ−２）），ｖ（ｔ＿（ｋ−３）），…｝を｛ｖ（ｔ＿ｋ＿）｝と略記する。本実施形態では、次のデータ取得時刻ｔ＿（ｋ＋１）を、それ以前に取得したデータの集合｛ｖ（ｔ＿ｋ＿）｝に基づいて算出する。すなわち、次のデータ取得時刻ｔ＿（ｋ＋１）は｛ｖ（ｔ＿ｋ＿）｝の関数であり、以下の数式で表される。
ｔ＿（ｋ＋１）＝ｔ＿ｋ＋Δ（｛ｖ（ｔ＿ｋ＿）｝） 数式１
ここでΔは次のデータ間隔ｔ＿（ｋ＋１）−ｔ＿ｋを意味し、その具体的な例はあとで説明する。数式１で使用するデータの範囲、すなわち、過去何点前までのデータを使用するかは、使用するアルゴリズムに依存し、一つ前のデータまでしか使わないものから、過去の全てのデータを使うものまで可能である。

図２に、本実施形態のセンサー端末によるデータ取得を説明するグラフを示す。これは心電図の例であり、ｖは心電信号（電圧）、ｔは時間である。曲線は心電図であり、黒丸１は取得されたサンプルデータ、白丸２は取得されないサンプルデータを表す。本実施形態では、一定間隔Ｔですべてのサンプルデータを一旦取得するのではなく、それまで取得したデータから次のデータ取得時刻を数式１に基づいて逐次計算し、その時刻で次のセンシングを行う。

すなわち、データ取得間隔Δは心電波形の状態によって適応的に変化する。信号が急激に変化する部分ではΔを小さくし、ゆっくり変化する部分ではΔを大きくする。これによって、信号波形の特徴を捉えつつ、取得データ量を削減することができる。図２において、白丸２のデータはセンシングそのものを行わない。このため、取得データ量が削減されるので、ＡＤＣに伴う消費電力を削減できる。上述のように、数式１に基づいて取得済みデータから次のデータ取得タイミングを適応的に順次決めていく手法を、以下では適応センシングと呼ぶことにする。

適応センシングではデータ取得間隔が一定ではない。しかしながら、データ取得間隔についての情報を別途保存あるいは送信する必要はない。それは、取得したデータに時系列順に数式１を適用することで、順次Δを算出できるからである。特許文献１のセンシング数削減の方法では、サンプリング周波数に関する情報も保持あるいは送信する必要があった。その分データ量が増加し、送信電力削減の効果が損なわれる問題があった。本実施形態の適応センシングでは、取得したデータ以外の情報を送信する必要はないので、高い電力削減効果を実現できる利点がある。

次に、データ間隔Δの好ましい例について説明する。Δは信号波形ｖ（ｔ）の変化の速さに応じて決まるべきものである。すなわち信号の変化が速いときΔは小さくなり、信号変化が遅いときΔは大きくなるのが望ましい。時刻ｔ＿ｋにおける信号の変化の速さ（以下、変化特徴量と呼ぶ）をＦ（ｔ＿ｋ）とすると、Δは以下のようにＦの関数として表される。
Δ＝ｇ（Ｆ（ｔ＿ｋ）） 数式２
Δは信号変化の大きさで決まるものであり、変化の方向、すなわち、増加あるいは減少には依存しない。従って、変化特徴量Ｆは０以上の関数である。また、変化特徴量Ｆが大きくなるとともにΔは小さくなるので、ｇ（ｘ）は引数ｘの減少関数である。ただし、データ取得間隔は、予め決められた時間間隔Ｔの整数倍であることが好ましいため、ｇ（ ）はＴの整数倍の値を取る。ｇ（ ）の最小値はＴである。最も計算が簡単なｇ（ ）の好ましい例は、数式３で表される。
ｇ（ｘ）＝Ｔ×ＩＮＴ（ｈ−ｅ×ｘ） 数式３
ここでＩＮＴ（ ）は引数を何らかの意味で整数化する関数で、例えば引数を越えない最大の整数を取る関数、あるいは引数を下回らない最小の整数を取る関数、あるいは小数点以下を四捨五入する関数、などである。ただしＩＮＴ（ ）＜１になるときは、ｇ（ ）＝Ｔとする。ｈ、ｅは正の値を持つパラメータである。ｈは数式３の取り得る最大値、すなわち最大データ取得間隔を決めるパラメータである。

次に、変化特徴量Ｆについて説明する。Ｆは信号波形ｖ（ｔ）の変化の速さを表す量であり、典型例としては波形の一階微分の絶対値｜ｖ’（ｔ）｜＝｜ｄｖ（ｔ）／ｄｔ｜を用いる。実際には、離散的な取得データから一階微分を算出するため、例えば次の差分式によって計算される。
ｖ’（ｔ＿ｋ）＝（ｖ（ｔ＿ｋ）−ｖ（ｔ＿（ｋ−１）））／（ｔ＿ｋ−ｔ＿（ｋ−１）） 数式４
離散サンプルデータにおける一階微分の計算法は種々の差分式が提案されているが、いずれを用いてもよい。数式４はそれらのうち最も簡単な例である。なお、実際には、ｖ（ｔ＿ｋ）として取得データそのものではなく、取得データ列をローパスフィルターで平滑化あるいはノイズ除去した後の時系列データを用いるのが望ましい。

このほか、上記の一階微分の絶対値｜ｖ’（ｔ）｜と２階微分の絶対値｜ｖ’’（ｔ）｜＝｜ｄ^２ｖ（ｔ）／ｄｔ^２｜を組み合わせて、信号波形ｖ（ｔ）の変化の速さを表す変化特徴量Ｆとして使ってもよい。次式に示すように、それらの線形結合を用いるのは好ましい例である。
Ｆ（ｔ＿ｋ）＝ｐ×｜ｖ’（ｔ＿ｋ）｜＋ｑ×｜ｖ’’（ｔ＿ｋ）｜ 数式５
ここで、ｐ、ｑはある定数である。離散サンプリングデータにおいてｖ’’を算出する方法としては、次の差分式を用いることができる。
ｖ’’（ｔ＿ｋ）＝（ｖ’（ｔ＿ｋ）−ｖ’（ｔ＿（ｋ−１）））／（ｔ＿ｋ−ｔ＿（ｋ−１）） 数式６
ここでｖ’は数式４によって計算できる。

以上のほか、信号波形ｖ（ｔ）の高さを変化特徴量に取り入れるなど、変化特徴量の定め方はいろいろな方式があり得る。

本実施形態では、準周期的に鋭く波高の高い区切りパルスが生起する信号を処理対象とする。隣接する区切りパルスの間隔を周期と称する。準周期的とは、周期が大まかにはある時間範囲にあるものの、正確に一定ではなくばらつきがあるという意味である。典型例としては心電信号があり、その場合区切りパルスはＲ波である。

このように鋭く波高の高い区切りパルスを含む信号に適応センシングを用いると、区切りパルスの特徴を捉え損ねる場合がある。図３でその様子を説明する。心電のＲ波の手前のゆっくり変化する部分で黒丸５、６のようにデータがセンシングされたとする。これら２点は信号量にあまり変化がないため、これらに基づいて算出される次のデータ取得間隔Δは大きくなる。このため次のセンシングの黒丸７の時刻には、鋭いＲ波のほとんどが終了しており、Ｒ波を捉え損なう結果になる。

このように、適応センシングのみでは、区切りパルスを捉え損なう可能性があるため、本実施形態では、区切りパスル生起の前兆となる特徴（以下、区切りパルス前兆特徴と称する）を検知し、その区切りパルス前兆特徴を境にしてデータ取得間隔の上限もしくは平均値を変えるようにする。具体的には、区切りパルス前兆特徴前には、データ取得間隔の上限もしくは平均値を大きくしてセンシング数を減らし、区切りパルス前兆特徴後には、データ取得間隔の上限もしくは平均値を小さくしてセンシング数を増やして、区切りパルスを的確に捉えられるようにする。

データ取得間隔の上限もしくは平均値は、数式２に含まれるパラメータによって決まる。例えばｇ（ ）として数式３を用いた場合、パラメータｈとｅを含んでおり、それらの設定値によってデータ取得間隔の上限もしくは平均値を調整できる。たとえばｈに小さな値を設定するとデータ取得間隔の上限もしくは平均値は小さくなる。以降、データ取得間隔の上限もしくは平均値を小さくするパラメータ設定を狭間隔用パラメータ設定と呼び、データ取得間隔の上限もしくは平均値を大きくするパラメータ設定を広間隔用パラメータ設定と呼ぶ。

図４は、心電波形の特徴について説明した図で、２心拍分を示す。一般に心電波形は、各心拍中にＰ波、Ｑ波、Ｒ波、Ｓ波、Ｔ波などのいくつかの山あるいは谷を含む。この内、Ｒ波は特に大きく鋭いパルスであるが、その手前にＱ波、Ｐ波などの特徴的な谷あるいは山がある。従って、それらの波を検知し、その検知後に広間隔用パラメータ設定から狭間隔用パラメータ設定へ変更するようにすることで、Ｒ波を確実に捉えることができる。すなわち、区切りパルス前兆特徴の例として、Ｑ波あるいはＰ波の極値を用いることができる。

準周期的に生起する区切りパルスを含む信号において、信号波形の特徴として好ましい例は、図４に示すような各周期に含まれる極値（極大もしくは極小の値）ｍ＿Ｉとその間隔ｄ＿Ｉ（Ｉは整数）の集合である。各極値と間隔の組（ｍ＿Ｉ，ｄ＿Ｉ）を特徴点、一周期分の特徴点を時系列に並べたデータを特徴ベクトルと呼ぶ。

信号を逐次センシングしながら、極値を検出するたびにその特徴点を保持し、予め決めた区切りパルス前兆特徴（例えばｍ＿４に対応する特徴点）の検知をトリガーとして、広間隔用パラメータ設定から狭間隔用パラメータ設定へ変更する。これによって、信号がゆっくり変化する期間では広間隔用パラメータ設定によってセンシング数を削減でき、信号が急速に変化する区切りパルスを含む期間では狭間隔用パラメータ設定によって確実に信号の特徴を捉えることができる。

本実施形態では、区切りパルス終了後に狭間隔用パラメータ設定から広間隔用パラメータ設定へ変更して、信号がゆっくり変化する期間におけるセンシング数の削減を実現する。このためにパラメータ設定変更のトリガーとなる区切りパルス終了特徴を検知する必要がある。そのために、区切りパルス前兆特徴の検知と同様の手法を用いることができる。例えば図４において、区切りパルス（Ｒ波）Ｒ１の直後にあるＳ波（Ｓ１）の特徴点（ｍ＿１，ｄ＿１）あるいはその次のＴ波（Ｔ１）の特徴点（ｍ＿２，ｄ＿２）を区切りパルス終了特徴として決め、それらの検知をパラメータ設定変更のトリガーとすることができる。

あるいは、変化特徴量（あるいはそれをフィルタで処理したもの）がある閾値を一定期間下回ることを区切りパルス終了特徴としてもよい。

また、本実施形態では、周期の区切りである区切りパルスを識別する必要があるが、変化特徴量（あるいはそれをフィルタで処理したもの）がある閾値を一定期間上回ることを区切りパルス開始の条件とすることができる。

以上の手続きにおいて、区切りパルス前兆特徴や区切りパルス終了特徴の検知後、直ちにパラメータ設定変更をする必要はなく、その検知からある時間遅れて設定変更してもよい。

一般に心電波形は、人によって、あるいは同一対象者であっても状況によって、多様に変化する。このため、上述の特徴ベクトルは人によってあるいは同一対象者でも周期ごとに異なる。各特徴点の値はもちろんのこと、一つの特徴ベクトルに含まれる特徴点の数も多様である。このように多様な信号にも上述の手続きを適用できるようにするために本実施形態で用いる手法について、次に説明する。

信号センシングを逐次進めていくと、一周期ごとに新規の特徴ベクトルが得られる。それらの特徴ベクトルを用いて、特徴ベクトルの典型パターンを生成する。この典型パターンをモデルと呼ぶ。モデルは複数個あってよいが、記憶容量節約のため予め決められた数（Ｍ個）以下とすることができる。

モデルと特徴ベクトルは同じデータ構造を持つ。図５は、モデル（あるいは特徴ベクトル）のデータ構造の好ましい例である。特徴点のデータを検知された順に上から下へ並べたもので、Ｊはモデルあるいは特徴ベクトルに含まれる特徴点の数である。各特徴点のデータ、すなわち極値ｍ＿Ｉと前の特徴点との間隔ｄ＿Ｉ（Ｉは時系列上の順番を示す整数）も１列に順に配列し、全部で２×Ｊ個のデータを一列に並べた２×Ｊ次元ベクトルを構成する。

本実施形態では、最大でＭ個のモデルから成るモデルデータベースを作成し更新する。図６はモデルデータベースの構成を示す図である。各モデルは次元Ｄに応じて次元グループ４０＿Ｄ（Ｄは整数）に分類される。次元グループは同じ次元の複数のモデルを含んでよい。図６において記号７＿ＫＡとは、次元Ｋのモデルを示し、Ａは同一次元のモデルを区別するための記号である。全モデルの合計はＭ以下である。

図７に、モデルデータベース更新のフローチャートを示す。１周期分のセンシングを終えてその周期における特徴ベクトルを取得し終えた段階（１７０）から本手続きは始まる。取得した特徴ベクトルの次元と一致する次元グループが存在しない場合（１８１のＮＯ）、特徴ベクトルを新たなモデルとして含む新規の次元グループを追加する（１８３）。なお、本手続きを最初に実行するときには、次元グループは存在しないため、必ずステップ１８３を行うことになる。また、ステップ１８１でＹＥＳの場合、特徴ベクトルを同一次元の次元グループの新たなモデルに追加する（１８２）。各モデルには重みという特性値Ｗが付与される。新たなモデルの重みは１とする。

ステップ１８３あるいはステップ１８２を終えた段階で、全モデル数がＭ個を超えていない場合（１８４のＮＯ）、次の処理１９０に進む。次の処理１９０については後で説明する。全モデル数がＭ個を超えた場合（１８４のＹＥＳ）は、ステップ１８１でどちらに分岐したかに応じて次の処理が分かれる。ステップ１８１でＹＥＳだった場合、特徴ベクトルは既存の次元グループに追加されるので（１８２）、新規次元グループは追加されない。すなわちステップ１８５でＮＯに分岐しステップ１８７を実行する。

ステップ１８７では、モデルを２つ以上含む各次元グループ内で、任意の２つのモデル間の距離を計算し、計算された全距離のうち最小値を持つ２つのモデルをマージする。モデルｘとモデルｙをマージするとは、以下の数式７．１と７．２に従って両モデルの各特徴点の平均値を計算し、その計算結果をモデルｘの新たな特徴点とすることである。計算終了後モデルｙを削除する。
ｄ＿Ｉｘ＝（Ｗ＿ｘ×ｄ＿Ｉｘ＋Ｗ＿ｙ×ｄ＿Ｉｙ）／（Ｗ＿ｘ＋Ｗ＿ｙ） 数式７．１
ｍ＿Ｉｘ＝（Ｗ＿ｘ×ｍ＿Ｉｘ＋Ｗ＿ｙ×ｍ＿Ｉｙ）／（Ｗ＿ｘ＋Ｗ＿ｙ） 数式７．２
Ｗ＿ｘ＝Ｗ＿ｘ＋Ｗ＿ｙ 数式７．３
上数式において、ｄ＿ＩｘはモデルｘのＩ番目の特徴点における間隔パラメータ（前の特徴点との間隔）、ｍ＿ＩｘはモデルｘのＩ番目の特徴点の極値パラメータ、Ｗ＿ｘはモデルｘの重みである。ｘをｙに変えたものは、モデルｙに関するパラメータであることを意味する。数式７．１と数式７．２はモデル内のすべての特徴点について計算する。数式７．１および数式７．２は、右辺の計算結果をマージして生成される新たなモデルｘの特徴点（ｄ＿Ｉｘ，ｍ＿Ｉｘ）とすることを意味する。なお、マージして生成される新たなモデルｘの重み（数式７．３左辺）は、マージされる両モデルの重みの和（数式７．３右辺）とする。このようにして計算される重みは、そのモデルがマージした特徴ベクトルの数に対応する。

モデルｘとモデルｙの距離Ｃｘｙの好ましい例は次式で与えられる。
Ｃｘｙ＝Ｗ＿ｘ×Ｗ＿ｙ×Ｓｘｙ／（Ｄ×（Ｗ＿ｘ＋Ｗ＿ｙ）） 数式８．１
Ｓｘｙ＝Σ｛（ｄ＿Ｉｘ−ｄ＿Ｉｙ）^２＋（ｍ＿Ｉｘ−ｍ＿Ｉｙ）^２｝ 数式８．２
ここで、Ｄはモデルの次元であり、Σは｛ ｝内の式をすべての特徴点について和を取る（Ｉをすべての特徴点について走らせて和を取る）ことを意味する。

ステップ１８７において、距離は同一次元のすべての２モデルの組み合わせに対して計算する。すなわち各次元グループ内のモデル同士で計算する。次元が異なるモデルの間の距離は計算しない。しかし次元が異なる距離同士も含めてすべての距離を比較して、最小距離の２モデルを見出す。数式８．１において分母にＤ（モデルの次元）を挿入するのは、これを可能にするための方策である。ステップ１８７のマージによってモデル数が一つ減り、全モデル数はＭ個になる。

ステップ１８１でＮＯに分岐した場合、すなわちステップ１８３が実行された場合、ステップ１８５ではＹＥＳに分岐する。ステップ１８６においてＹＥＳに分岐、すなわち予め定められた重み閾値より重みが小さいモデル（低重みモデル）の数が予め定められた数Ｕより少ない場合は、ステップ１８７に進む。ステップ１８６でＮＯに分岐した場合は、ステップ１８８に進む。ステップ１８８における不要度とは各モデルに付与されるある特性値である。

不要度の例を次に説明する。まず各モデルあるいは特徴ベクトルに付与される別の特性値であるアクセス時間を定義する。各特徴ベクトルに取得時刻が古いものから順に番号を付ける。取得時刻が古いものほど大きな番号をつけるようにし、その番号を各特徴ベクトルのアクセス時間とする。そして、モデルのアクセス時間を、それにマージされた特徴ベクトルのアクセス時間のうち最新のものによって定義する。

不要度の一つの例はこのアクセス時間である。モデルのアクセス時間が大きい（古い）ことは、そのモデルにマッチする信号パターンが長い間出現しなかったことを意味する。従ってこの場合、ステップ１８８においる最大不要度のモデルの削除とは、最も長い間出現しなかった信号パターンに相当するモデルを捨てることを意味する。

また、現在から過去の一定期間の間で、そのモデルにマージされた特徴ベクトルの数によって不要度を定義してもよい。この場合、マージされた特徴ベクトルの数が少ないほど不要度が大きくなるように定義する。例えばマージされた特徴ベクトルの数の逆数などをそのために用いることができる。

さらに別の例では、上記２例の不要度の積を各モデルの不要度としてもよい。さらに別の例では、アクセス時間／重みを各モデルの不要度としてもよい。このようにステップ１８８では、長期間出現しない、あるいは出現頻度が少ない信号パターンに対応するモデルを不要度が高いモデルとし、もっとも不要度が高いモデルを削除する。これによって全モデルの数はＭ個に戻る。

以上図７に示したモデルデータベースの更新手続きによって、各モデルは多様な信号パターンの代表例あるいは典型例となり、またモデル数は一定値に抑えられる。

次に図８のフローチャートを使って、上述のモデルデータベース更新手続きを取り入れた、準周期的に生起する区切りパルスを含む信号をセンシングする手続きについて説明する。

まず、既に説明したように広間隔用パラメータを設定する（１００）。次に新たなデータを取得する（１１０）。次に、その時点で特徴点すなわち信号の極値が検出されたかを調べる（１２０）。ＹＥＳであった場合、特徴ベクトルの取得済み部分と各モデルとの照合を行う（１３０）。照合とは、例えば数式８．２のように通常の意味のベクトル間距離（重みや次元による補正を含まない距離）を使って、取得済み特徴点からなるベクトルと各モデルの対応する部分のベクトルとの距離を計算し、最小距離のモデルを見つけることである。

次に、予め決めた区切りパルス前兆特徴、例えば区切りパルスの特徴点の一定数前の特徴点に最小距離モデルの照合部分が到達したか否かを検査する（１４０）。到達していれば（ＹＥＳ分岐）、狭間隔用パラメータを設定する（１５０）。到達していなければ（ＮＯ分岐）であればパラメータの設定変更は行わない。

次に、数式２によって、変化特徴量Ｆに応じた次のデータ取得間隔Δを算出し、数式１に従って次のデータ取得時刻を決める（１６０）。

次に１周期分のデータ取得が終了したか否かを検査する（１７０）。この検査の一つの方法は、予め決めた区切りパルス終了特徴、例えば区切りパルスの特徴点の一定数後の特徴点に最小距離モデルの照合部分が到達したか否かで検査することである。到達していればステップ１７０でＹＥＳ分岐、到達していなければＮＯ分岐を取る。このほか既に説明したように、変化特徴量と閾値との比較によってステップ１７０の検査を行ってもよい。

ステップ１７０においてＮＯ分岐の場合、再びステップ１１０に戻る。ＹＥＳ分岐の場合、図７で既に説明したモデルデータベース更新（１８０）を行う。次に、センシングが終了していなければ（ステップ１９０のＮＯ分岐）ステップ１００に戻り、そうでなければセンシングを終了する。

以下、本実施形態の効果について説明する。

本発明の実施の形態では、信号の変化の速さを表す変化特徴量を取得データから逐次算出し、それに基づいて次のデータ取得間隔を逐次決める適応センシングを行う。これによって、変化の緩やかな部分のデータ取得数を削減しＡＤＣの消費電力を削減する。本実施形態では、取得済みデータのみからデータ間隔を計算できるため、データ間隔に関する情報は送信する必要はなく、高い電力削減効果が得られる利点がある。

また、本実施形態によれば、区切りパルス生起の前兆を高精度で予測することができる。その理由は、逐次取得する特徴ベクトルを使って信号の典型パターンであるモデルを作成して更新、すなわち典型パターンのオンライン学習をするからである。想定外のパターンが生じてもそれをオンライン動作で学習してモデルを生成するため、多様なパターンに対応できる。また、モデルは複数あってもよいため複数の異なる典型パターンを含む信号にも対応できる。

このようにオンライン学習によって得られたモデルと、取得中の特徴ベクトルを逐次照合していき、最小距離モデルすなわち最もパターンが似ているモデルの照合部分が区切りパルス前兆特徴に達したことで、区切りパルスの前兆を予測する。これによって、多様なパターンを含む信号においても高精度で区切りパルスの前兆を予測することができ、区切りパルスの捉え損ないを減らせる利点がある。

特許文献１のような精度の低い区切りパルス前兆予測では、予測はずれを減らすために区切りパルスの予測時刻から大きなマージンをとった区切りパルス前兆を使用しなければならなかった。このため、センシング数を減らせる広間隔パラメータ設定の期間が短くなり、大きな電力削減効果が得られない問題があった。しかしながら、本実施形態による精度の高い区切りパルス前兆予測を用いると、区切りパルスのより近くで狭間隔パラメータ設定にすることができるようになるため、広間隔パラメータ設定の期間が長くなり、より多くのセンシング数の削減が可能であり、より大きな電力削減効果を実現できる利点がある。

すなわち、本実施形態によれば、心電図のＲ波のように準周期的に生起するパルスを含む信号を正確にセンシングしつつ、センシングにより取得するデータ量を削減することでＡＤＣの消費電力を削減することのできる、センサー端末を提供することができる。

本発明は上記の実施形態に限定されることなく、請求の範囲に記載した発明の範囲内で、種々の変形が可能であり、それらも本発明の範囲内に含まれるものであることはいうまでもない。また、上記の実施形態の一部又は全部は、以下の付記のようにも記載され得るが、以下には限られない。

付記
（付記１）
準周期的に出現する区切りパルスを含む信号を取得し前記信号をデジタル信号に変換するアナログ−デジタル変換手段と、前記信号の次の信号を取得する信号取得時刻を決定するタイミング計算手段と、を有し、
前記タイミング計算手段は、
前記変換がされる毎に前記デジタル信号に基づいて前記信号の変化の大きさに対応する特徴量を算出し、
さらに、前記デジタル信号から特徴点を求め、隣接する前記区切りパルスの間隔内の前記特徴点を配列した特徴ベクトルを生成し、前記特徴ベクトルから生成されるモデルからなるモデルデータベースを隣接する前記区切りパルスの間隔内分の前記信号取得ごとに更新し、前記デジタル信号が、生成中の前記特徴ベクトルと最も類似した前記モデルデータベース中の前記モデルにおいて、予め定めた前記区切りパルスの前兆となる特徴点に達したことを受けて、前記信号取得時刻の間隔の上限もしくは平均値を変え、
前記信号取得時刻の間隔の上限もしくは平均値と前記特徴量とに基づいて、前記信号取得時刻を決定する、センサー端末。
（付記２）
前記タイミング計算手段は、
新規に取得した隣接する前記区切りパルスの間隔内分の前記特徴ベクトルを重み１の新規モデルとして含め、前記モデルデータベース内のモデル間距離が最も小さい２つのモデルを一つのモデルにマージすることで、前記モデルデータベースの更新を行う、付記１記載のセンサー端末。
（付記３）
前記タイミング計算手段は、
前記モデル間のユークリッド距離と前記モデルの重みと次元とに基づいて前記モデル間距離を計算する、付記２記載のセンサー端末。
（付記４）
前記タイミング計算手段は、
前記２つのモデルの対応する成分の重み付き平均値を成分に持つマージモデルを生成し、前記２つのモデルの重みの合計を前記マージモデルの重みとし、前記２つのモデルを削除することで、前記マージを行う、付記２または３記載のセンサー端末。
（付記５）
前記タイミング計算手段は、
新規に取得した隣接する前記区切りパルスの間隔内分の前記特徴ベクトルを重み１の新規モデルとして含め、前記モデルデータベース内のモデルの内で不要度が最も高いモデルを削除することで、前記モデルデータベースの更新を行う、付記１記載のセンサー端末。
（付記６）
前記タイミング計算手段は、
前記モデルにマージされた前記特徴ベクトルの生成順序もしくは数量に基づいて前記不要度を定める、付記５記載のセンサー端末。
（付記７）
前記特徴点は、前記デジタル信号の極値と、前記極値と隣り合う極値との間隔とからなる、付記１から６の内の１項記載のセンサー端末。
（付記８）
前記区切りパルスの前兆となる特徴点より後の期間では、前記前兆となる特徴点より前の期間より、前記信号取得時刻の間隔の上限もしくは平均値が小さい、付記１から７の内の１項記載のセンサー端末。
（付記９）
前記特徴量は、前記デジタル信号の差分の絶対値に比例する量である、付記１から８の内の１項記載のセンサー端末。
（付記１０）
前記特徴量は、前記デジタル信号の差分の絶対値と、前記差分の差分の絶対値とに基づく、付記１から９の内の１項記載のセンサー端末。
（付記１１）
準周期的に出現する区切りパルスを含む信号を取得し、前記信号をデジタル信号に変換するアナログ−デジタル変換をし、前記信号の次の信号を取得する信号取得時刻を決定するタイミング計算をする、信号取得方法において、
前記タイミング計算は、
前記変換がされる毎に前記デジタル信号に基づいて前記信号の変化の大きさに対応する特徴量を算出し、
さらに、前記デジタル信号から特徴点を求め、隣接する前記区切りパルスの間隔内の前記特徴点を配列した特徴ベクトルを生成し、前記特徴ベクトルから生成されるモデルからなるモデルデータベースを隣接する前記区切りパルスの間隔内分の前記信号取得ごとに更新し、前記デジタル信号が、生成中の前記特徴ベクトルと最も類似した前記モデルデータベース中の前記モデルにおいて、予め定めた前記区切りパルスの前兆となる特徴点に達したことを受けて、前記信号取得時刻の間隔の上限もしくは平均値を変え、
前記信号取得時刻の間隔の上限もしくは平均値と前記特徴量とに基づいて、前記信号取得時刻を決定する、信号取得方法。
（付記１２）
前記タイミング計算は、
新規に取得した隣接する前記区切りパルスの間隔内分の前記特徴ベクトルを重み１の新規モデルとして含め、前記モデルデータベース内のモデル間距離が最も小さい２つのモデルを一つのモデルにマージすることで、前記モデルデータベースの更新を行う、付記１１記載の信号取得方法。
（付記１３）
前記タイミング計算は、
前記モデル間距離を、前記モデル間のユークリッド距離と前記モデルの重みと次元とに基づいて計算する、付記１２記載の信号取得方法。
（付記１４）
前記タイミング計算は、
前記２つのモデルの対応する成分の重み付き平均値を成分に持つマージモデルを生成し、前記２つのモデルの重みの合計を前記マージモデルの重みとし、
前記２つのモデルを削除することで、前記マージを行う、付記１２または１３記載の信号取得方法。
（付記１５）
前記タイミング計算は、
新規に取得した隣接する前記区切りパルスの間隔内分の前記特徴ベクトルを重み１の新規モデルとして含め、前記モデルデータベース内のモデルのうち不要度が最も高いモデルを削除することで、前記モデルデータベースの更新を行う、付記１１記載の信号取得方法。
（付記１６）
前記タイミング計算は、
前記不要度を、前記モデルにマージされた前記特徴ベクトルの生成順序もしくは数量に基づいて定める、付記１５記載の信号取得方法。
（付記１７）
前記特徴点は、前記デジタル信号の極値と、前記極値と隣り合う極値との間隔とからなる、付記１１から１６の内の１項記載の信号取得方法。
（付記１８）
前記区切りパルスの前兆となる特徴点より後の期間では、前記前兆となる特徴点より前の期間より、前記信号取得時刻の間隔の上限もしくは平均値は小さい、付記１１から１７の内の１項記載の信号取得方法。
（付記１９）
前記特徴量は、前記デジタル信号の差分の絶対値に比例する量である、付記１１から１８の内の１項記載の信号取得方法。
（付記２０）
前記特徴量は、前記デジタル信号の差分の絶対値と、前記差分の差分の絶対値とに基づく、付記１１から１９の内の１項記載の信号取得方法。

この出願は、２０１３年３月１３日に出願された日本出願特願２０１３−０４９７８５を基礎とする優先権を主張し、その開示の全てをここに取り込む。

本発明は、準周期的に生起する区切りパルスを含む信号を取得するセンサー端末に関し、電池駆動の小型無線センサー端末として、例えば、ヘルスケア分野において心電用小型無線センサー端末としての利用可能性がある。

１、３、５、６、７ 黒丸
２、４ 白丸
１０ 電極
１１ ＡＤＣ
１２ データ取得タイミング計算
１３ 経路
１４ ストレージ
１５ 無線送信
２０ 電極
２１ ＡＤＣ
２２、２４ ストレージ
２３ データ圧縮
２５ 無線送信
１００ センサー端末
１０１ アナログ−デジタル変換手段
１０２ タイミング計算手段

Claims (10)

1. 準周期的に出現する区切りパルスを含む信号を取得し前記信号をデジタル信号に変換するアナログ−デジタル変換手段と、前記信号の次の信号を取得する信号取得時刻を決定するタイミング計算手段と、を有し、
   前記タイミング計算手段は、
   前記変換がされる毎に前記デジタル信号に基づいて前記信号の変化の大きさに対応する特徴量を算出し、
   さらに、前記デジタル信号から特徴点を求め、隣接する前記区切りパルスの間隔内の前記特徴点を配列した特徴ベクトルを生成し、前記特徴ベクトルから生成されるモデルからなるモデルデータベースを隣接する前記区切りパルスの間隔内分の前記信号取得ごとに更新し、前記デジタル信号が、生成中の前記特徴ベクトルと最も類似した前記モデルデータベース中の前記モデルにおいて、予め定めた前記区切りパルスの前兆となる特徴点に達したことを受けて、前記信号取得時刻の間隔の上限もしくは平均値を変え、
   前記信号取得時刻の間隔の上限もしくは平均値と前記特徴量とに基づいて、前記信号取得時刻を決定する、センサー端末。
2. 前記タイミング計算手段は、
   新規に取得した隣接する前記区切りパルスの間隔内分の前記特徴ベクトルを重み１の新規モデルとして含め、前記モデルデータベース内のモデル間距離が最も小さい２つのモデルを一つのモデルにマージすることで、前記モデルデータベースの更新を行う、請求項１記載のセンサー端末。
3. 前記タイミング計算手段は、
   前記モデル間のユークリッド距離と前記モデルの重みと次元とに基づいて前記モデル間距離を計算する、請求項２記載のセンサー端末。
4. 前記タイミング計算手段は、
   前記２つのモデルの対応する成分の重み付き平均値を成分に持つマージモデルを生成し、前記２つのモデルの重みの合計を前記マージモデルの重みとし、前記２つのモデルを削除することで、前記マージを行う、請求項２または３記載のセンサー端末。
5. 前記タイミング計算手段は、
   新規に取得した隣接する前記区切りパルスの間隔内分の前記特徴ベクトルを重み１の新規モデルとして含め、前記モデルデータベース内のモデルの内で不要度が最も高いモデルを削除することで、前記モデルデータベースの更新を行う、請求項１記載のセンサー端末。
6. 前記タイミング計算手段は、
   前記モデルにマージされた前記特徴ベクトルの生成順序もしくは数量に基づいて前記不要度を定める、請求項５記載のセンサー端末。
7. 前記特徴点は、前記デジタル信号の極値と、前記極値と隣り合う極値との間隔とからなる、請求項１から６の内の１項記載のセンサー端末。
8. 前記区切りパルスの前兆となる特徴点より後の期間では、前記前兆となる特徴点より前の期間より、前記信号取得時刻の間隔の上限もしくは平均値が小さい、請求項１から７の内の１項記載のセンサー端末。
9. 準周期的に出現する区切りパルスを含む信号を取得し、前記信号をデジタル信号に変換するアナログ−デジタル変換をし、前記信号の次の信号を取得する信号取得時刻を決定するタイミング計算をする、信号取得方法において、
   前記タイミング計算は、
   前記変換がされる毎に前記デジタル信号に基づいて前記信号の変化の大きさに対応する特徴量を算出し、
   さらに、前記デジタル信号から特徴点を求め、隣接する前記区切りパルスの間隔内の前記特徴点を配列した特徴ベクトルを生成し、前記特徴ベクトルから生成されるモデルからなるモデルデータベースを隣接する前記区切りパルスの間隔内分の前記信号取得ごとに更新し、前記デジタル信号が、生成中の前記特徴ベクトルと最も類似した前記モデルデータベース中の前記モデルにおいて、予め定めた前記区切りパルスの前兆となる特徴点に達したことを受けて、前記信号取得時刻の間隔の上限もしくは平均値を変え、
   前記信号取得時刻の間隔の上限もしくは平均値と前記特徴量とに基づいて、前記信号取得時刻を決定する、信号取得方法。
10. 前記タイミング計算は、
    新規に取得した隣接する前記区切りパルスの間隔内分の前記特徴ベクトルを重み１の新規モデルとして含め、
    前記モデルデータベース内のモデル間距離が最も小さい２つのモデルを一つのモデルにマージすることで、もしくは、前記モデルデータベース内のモデルのうち不要度が最も高いモデルを削除することで、前記モデルデータベースの更新を行う、請求項９記載の信号取得方法。

Images