JPWO2019130840A1 - 信号処理装置、解析システム、信号処理方法および信号処理プログラム - Google Patents

信号処理装置、解析システム、信号処理方法および信号処理プログラム Download PDF

Info

Publication number
JPWO2019130840A1
JPWO2019130840A1 JP2019562819A JP2019562819A JPWO2019130840A1 JP WO2019130840 A1 JPWO2019130840 A1 JP WO2019130840A1 JP 2019562819 A JP2019562819 A JP 2019562819A JP 2019562819 A JP2019562819 A JP 2019562819A JP WO2019130840 A1 JPWO2019130840 A1 JP WO2019130840A1
Authority
JP
Japan
Prior art keywords
data
series data
signal
signal processing
time
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
JP2019562819A
Other languages
English (en)
Other versions
JP6973508B2 (ja
Inventor
晨暉 黄
晨暉 黄
驚文 盧
驚文 盧
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
NEC Corp
Original Assignee
NEC Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by NEC Corp filed Critical NEC Corp
Publication of JPWO2019130840A1 publication Critical patent/JPWO2019130840A1/ja
Application granted granted Critical
Publication of JP6973508B2 publication Critical patent/JP6973508B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/389—Electromyography [EMG]
    • A61B5/397—Analysis of electromyograms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7221—Determining signal validity, reliability or quality
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D1/00—Measuring arrangements giving results other than momentary value of variable, of general application
    • G01D1/02—Measuring arrangements giving results other than momentary value of variable, of general application giving mean values, e.g. root means square values
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
    • A61B2560/02—Operational features
    • A61B2560/0204—Operational features of power management
    • A61B2560/0209—Operational features of power management adapted for power saving
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
    • A61B5/02055—Simultaneously evaluating both cardiovascular condition and temperature
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7239—Details of waveform analysis using differentiation including higher order derivatives
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Epidemiology (AREA)
  • Veterinary Medicine (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Primary Health Care (AREA)
  • Psychiatry (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Child & Adolescent Psychology (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Signal Processing (AREA)
  • Developmental Disabilities (AREA)
  • Educational Technology (AREA)
  • Hospice & Palliative Care (AREA)
  • Psychology (AREA)
  • Social Psychology (AREA)
  • General Physics & Mathematics (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

有効成分の一部が含まれないような取得条件で取得される系列データであっても、該系列データから有意な情報を高精度に取得する。本発明の信号処理装置６００は、系列データまたはそれを構成するデータを取得するデータ取得部６０１と、取得された系列データまたは取得されたデータから構成される系列データである対象系列データに対して、移動平均を除去した上で所定の時間長さの時間窓を適用して得られるパラメータであって、時間窓における対象系列データの変動性を示すパラメータである変動性パラメータの正負方向の所定の定数倍で表される変動バンドのバンド幅に関するデータである変動バンドデータを生成するデータ処理部６０２とを備える。

Description

本発明は、系列データを処理するための信号処理装置、それを用いた解析システム、信号処理方法および信号処理プログラムに関する。
系列データを処理する信号処理装置は、系列データを解析して得られる該系列データの変化に伴う特徴等の有意な情報に基づいて、系列データを観測した空間、人、物などの観測対象の現在の状態を推定したり、判別したり、将来の状態を予測する用途等、多くの用途に用いられている。
近年、そのような信号処理装置において小型化が進んでいる。装置の小型化に伴って、データ取得機構の精度が低下したり、信号処理能力が低下したり、取得可能なデータ量が低下する場合がある。そのような場合であっても、取得された系列データから高い精度を持つ有意義な情報を抽出することが求められている。
系列データの一例として、筋電図（ＥＭＧ：electromyography）に表されるような筋電信号（myoelectric signal）の時系列データがある。筋は多くの筋繊維から構成されており、筋の収縮に伴う筋繊維の興奮によって発生する活動電位（筋電位）を計測して可視化したものが筋電図である。筋電位は、筋が収縮する際、関連する筋繊維から発生する電位（電場の微小な変化）である。電極等を介して観測されるこの電位による電気信号を、一般に筋電信号または筋電位信号と呼ぶ。このような筋電信号を計測・解読することにより、量的に筋肉の活動を把握できる。
特許文献１には、筋肉の活動量である筋活動量を測定するための信号処理方法として積分法の一例が記載されている。特許文献１に記載の信号処理方法では、時々刻々と入力される筋電信号に対して、整流を行った後、一定の時間長さあたりの積分量を計算する。ここで、整流は、筋電信号を直流フィルタ（ＤＣフィルタ）に通過させた後、その信号の絶対値を取ることをいう。整流後の筋電信号を、一定の時間長さで積分し、この積分量を筋活動量として取得する。筋活動量は、筋電信号の時系列データから得られる有意義な情報の１つである。
特開２００８−０５４９５５号公報
筋電信号に現れる筋電位（脳からの指令に基づく微弱な電場の変化）は、一般に短時間（１秒程度）しか持続せず、かつその変化（信号の立上がりや立下り）は急峻である。筋電信号に対するサンプリングレートが高ければ、取得される筋電信号の時系列データにおいても本来の筋電信号（観測元の筋肉において生じる筋電位を正確に表す電気信号）の形が良好に保たれるため、有効成分（特に時間変化の特徴を示す有効成分）が抜けおちることなく、筋活動量の評価精度は落ちない。
しかし、ウエアブルデバイス等に信号取得機構（例えば、センサ）を実装する場合、省電力などの理由から、センサのサンプリングレートを低下せざるを得ない場合がある。筋電信号に対するサンプリングレートを低下させると、一部の有効成分は、取得される筋電信号の時系列データから失われることになる。このような筋電信号の時系列データに対して、単純に整流を行って積分法を適用しても、精度のよい筋活動量は得られない。
なお、このような問題は、筋電信号に限らず、本来の信号が有する有意な変化の態様に対してサンプリングレートが不足する等により有効成分の一部が失われて取得されるような系列データにおいて同様に生じる。
そこで、本発明は、有効成分の一部が含まれないような取得条件で取得される系列データであっても、該系列データから有意な情報を高精度に取得可能な信号処理装置、信号処理方法および信号処理プログラムを提供することを目的とする。また、本発明は、有効成分の一部が含まれないような取得条件で取得される系列データであっても、該系列データの観測対象の状態を高精度に解析可能な解析システムを提供することを目的とする。
本発明による信号処理装置は、系列データまたはそれを構成するデータを取得するデータ取得部と、取得された系列データまたは取得されたデータから構成される系列データである対象系列データに対して、移動平均を除去した上で所定の時間長さの時間窓を適用して得られるパラメータであって、時間窓における対象系列データの変動性を示すパラメータである変動性パラメータの正負方向の所定の定数倍で表される変動バンドのバンド幅に関するデータである変動バンドデータを生成するデータ処理部とを備えることを特徴とする。
本発明による解析システムは、予め決められたサンプリングレートで信号を採取する信号採取部と、系列データを構成するデータが信号採取部により採取された信号である上記に記載の信号処理装置と、信号処理装置によって得られた情報を基に、系列データの観測元の状態を推定する状態推定部とを備えることを特徴とする。
本発明による信号処理方法は、情報処理装置が、系列データまたはそれを構成するデータを取得すると、取得された系列データまたは取得されたデータから構成される系列データである対象系列データに対して、移動平均を除去した上で所定の時間長さの時間窓を適用して得られるパラメータであって、時間窓における対象系列データの変動性を示すパラメータである変動性パラメータの正負方向の所定の定数倍で表される変動バンドのバンド幅に関するデータである変動バンドデータを生成することを特徴とする。
本発明による信号処理プログラムは、コンピュータに、系列データまたはそれを構成するデータを取得する処理、および取得された系列データまたは取得されたデータから構成される系列データである対象系列データに対して、移動平均を除去した上で所定の時間長さの時間窓を適用して得られるパラメータであって、時間窓における対象系列データの変動性を示すパラメータである変動性パラメータの正負方向の所定の定数倍で表される変動バンドのバンド幅に関するデータである変動バンドデータを生成する処理を実行させることを特徴とする。
本発明によれば、有効成分の一部が欠如するような取得条件で取得される系列データであっても、該系列データから有意な情報を高精度に取得できる。また、そのような系列データの観測対象の状態を高精度に解析できる。
第１の実施形態の信号処理装置１０の構成例を示すブロック図である。 信号処理部１２のより詳細な構成例を示すブロック図である。 第１の実施形態の信号処理装置１０の動作例を示すフローチャートである。 信号処理装置１０のより詳細な動作の一例を示すフローチャートである。 筋電信号データＷとベースラインＢの例を示すグラフである。 変動性パラメータ曲線Σの例を示すグラフである。 筋電信号データＷ（１００Ｈｚ）とそれより得られるバンド（Ｂ±ｋ＊Σ）の例を示すグラフである。 バンド面積法の効果の一例を示す説明図である。 筋電信号データＷ（２Ｈｚ）とそれより得られるバンド（Ｂ±ｋ＊Σ）の例を示すグラフである。 第２の実施形態の信号処理装置２０の構成例を示すブロック図である。 第２の実施形態の信号処理装置２０の動作例を示すフローチャートである。 第３の実施形態の解析システムの構成例を示すブロック図である。 信号処理部１２Ａのより詳細なブロック図である。 本発明の各実施形態にかかるコンピュータの構成例を示す概略ブロック図である。 本発明の信号処理装置の概要を示すブロック図である。
実施形態１．
以下、図面を参照して本発明の実施形態について説明する。図１は、第１の実施形態の信号処理装置１０の構成例を示すブロック図である。図１に示す信号処理装置１０は、データ入力部１１と、信号処理部１２、データ出力部１３とを備える。
データ入力部１１は、系列データまたはそれを構成する各データを入力する。データ入力部１１は、例えば、観測対象の信号を外部より入力し、入力信号を一定量バッファリングしながら後段の信号処理部１２に系列データとして出力するデータ入力装置であってもよい。データ入力部１１は、後段の信号処理部１２に出力する際、入力信号を逐次出力してもよいし、所定量の要素を含む系列データにして出力してもよい。
以下、系列データが、所定のセンサ等により取得される信号の時系列データである場合を例に用いて説明するが、系列データは信号の時系列データに限定されない。例えば、系列データは、何らかの行動や処置が行われた回数等の増加に応じて値が変化するものであってもよい。換言すると、取得や生成のタイミングを表す所定の軸上に各データがその順番を維持して並ぶデータ集合であれば、本発明の系列データとみなす。その場合、時間に対応したインデックスｉや時間窓等を、回数などデータが並ぶ軸上の任意の時点を指すインデックスや該軸上において所定の長さを有する窓等と読みかえればよい。
また、以下では、１つのデータ（信号）ｗに対して、その集合体としての系列データをＷまたはＷ（）と表記する場合がある。さらに、その系列データに含まれる時間に対応したインデックスｉが表す特定のデータをＷ（ｉ）と表記する場合がある。ここで、ｉは、処理対象とされる系列データに含まれる任意のデータｗを指し示すインデックスであるが、系列データの時間軸上の基準となる時点からの距離（相対時間）を指し示す情報としても利用されうる。なお、ｗ以外のデータからなる系列データに対しても上記の表記法（ただし、記号は異なる）を用いる。すなわち、小文字の記号で表されるデータに対してその集合体である系列データを大文字の記号で表し、かつそのうちの特定のデータを指し示すときは（）内にインデックスを付して表すものとする。
信号処理部１２は、系列データまたはそれを構成する各データが入力されると、それらに対して所定の処理を行って、入力データにより示される系列データの変更可能空間に対応したバンドである変動バンドの時間ごとのバンド幅を示すデータまたはその系列データである変動バンドデータを生成する。この変動バンドデータを構成する各々のデータは、処理対象とされた系列データの取得間隔に相当する時間長さの信号総量を示す情報とされる。以下、処理対象の系列データをＷ、それを構成する各々のデータｗ、変動バンドデータをＳ、変動バンドデータを構成する各々のデータをｓと表記する。
データｓおよび変動バンドデータＳは、より具体的には、入力データにより示される系列データＷから移動平均により表されるベースラインＢを除去した上で、所定の時間長さの時間窓を適用して得られるパラメータであって、当該時間窓の基準とされたインデックスに対応づけられ、当該時間窓における系列データＷの変動性（散らばり等）を示すパラメータである変動性パラメータの正負方向の所定の定数倍で示される変動バンドのバンド幅を示すデータおよびその系列データである。
データ出力部１３は、入力データにより示される系列データＷのインデックスｉと対応づけて、信号処理部１２によって得られたデータｓまたはその系列データである変動バンドデータＳを出力する。
図２は、信号処理部１２のより詳細な構成例を示すブロック図である。図２に示すように、信号処理部１２は、ベースライン計算部１２１と、変動性パラメータ計算部１２２と、バンド処理部１２３とを含む。
ベースライン計算部１２１は、処理対象とされた系列データＷのベースラインＢを計算する。
変動性パラメータ計算部１２２は、系列データＷに所定の時間窓ＴＷを順番に適用して、当該時間窓ＴＷにおける、系列データＷのベースラインＢに対する変動Ｄの変動性を表現する変動性パラメータσを計算する。
バンド処理部１２３は、計算された変動性パラメータσを時間順に並べて得られる変動性パラメータ曲線Σに対してバンド処理を行って、系列データＷの変動可能空間を表すバンド（変動バンド）を形成（計算）し、変動バンドデータＳを生成する。
次に、本実施形態の動作を説明する。図３は、本実施形態の信号処理装置１０の動作例を示すフローチャートである。図３に示す例では、まず、データ入力部１１が、処理対象とされる系列データＷを入力する（ステップＳ１１）。ここで、系列データＷは少なくとも２つのデータｗを含んでいればよい。なお、逐次的にデータｗを入力し、それを所定量バッファリングすることにより、処理対象の系列データＷとして、後段の処理部に渡してもよい。
データ入力部１１によって系列データＷが入力されると、ベースライン計算部１２１が、ベースラインＢを計算する（ステップＳ１２）。
次いで、変動性パラメータ計算部１２２が、系列データＷからベースラインＢを除去した上で、該系列データＷに所定の時間窓を順番に適用して、系列データＷのインデックスｉと対応づけられた変動性パラメータσｉ＝Σ（ｉ）を計算する。（ステップＳ１３）。
次いで、バンド処理部１２３が、変動性パラメータσｉにより示される変動性パラメータ曲線Σに対してバンド処理を行う（ステップＳ１４）。ステップＳ１４で、バンド処理部１２３は、変動性パラメータ曲線Σに対してバンド処理を行って、系列データＷの変動可能空間を表す変動バンドを計算し、変動バンドデータＳを得る。
データ出力部１３が、得られた変動バンドデータＳを出力する（ステップＳ１５）。
次に、図４を参照して、上記の各処理をより詳細に説明する。図４は、本実施形態の信号処理装置１０のより詳細な動作の一例を示すフローチャートである。なお、図４では、系列データＷとして、筋電信号の時系列データである筋電信号データが入力される場合を例に用いて説明している。
筋電信号は、既に説明したように、筋肉活動時において生じる電位（筋電位）を示す信号である。この筋電位は、筋細胞である筋繊維に沿って発生する。このような筋電信号は、例えば、筋肉の表面に装着した電極によって測定可能である。また、電極を介して直接取得する方法だけでなく、カメラ装置を用いて筋肉の活動を撮影して得られる筋肉活動画像から筋電信号を推定するなどの遠隔測定により取得する方法もある。なお、本実施形態では筋電信号データの取得方法は問わない。
筋電信号は、脈波信号や心電信号と異なり、周期性の特徴は顕著ではなく、筋肉の瞬時的な動きを反映する偶発的な信号の特徴を有する。このため、解析の際には、一般的に時間領域での変動のみを考慮すればよく、脈波信号や心電信号みたいに周波数成分を考慮しなくてもよい。すなわち、筋電信号は時間領域での変動のみが解析の対象とされる。
本実施形態の信号処理部１２は、低サンプリングレートで採取された信号であっても、該信号からその変化傾向を確率的に表現できる信号を生成する機能を有する。
単純に信号を異なる周波数の信号の組み合わせによるものと考えると、サンプリングレートがその信号の有効成分のナイキスト周波数より下回ったら、その有効成分が正確に測定できなくなる。しかし、周期性の特徴が顕著ではない信号や偶発的な信号などを、時間による信号強度の変化に統計性がある（ガウス分布など）データとして考えると、ｎ＋１時刻のデータを、ｎ時刻のデータの条件付き確率で表すことができる。このことは、信号に対するサンプリングレートが低くても、失った成分とその信号の変化傾向が確率的に表現できることを意味する。確率的に信号の変化傾向がわかれば、信号の本当の値が確定できない場合であっても、その存在範囲を特定できる。このようにして特定される信号の存在範囲を利用すれば、データ全体の特徴も表現できる。
図４に示すように、本例では、まず所定数以上の筋電信号（データｗ）を含む筋電信号データ（系列データＷ）が入力される（ステップＳ１０１）。ここで、入力される筋電信号データはＤＣフィルタ通過後の筋電信号データ（ＥＭＧデータ）である。
次に、ベースライン計算部１２１は、筋電信号データのベースラインを計算する（ステップＳ１０２）。
既に説明したように、筋電位は筋肉活動が発生する際出現し、その電位はｑ秒（一般にｑは１〜２秒）ほど持続する。したがって、ベースライン計算部１２１は、ＤＣフィルタ通過後の筋電信号データのインデックスｉに対応するΔｔ＝ｑ秒間の区間における移動平均ｂｉ＝Ｂ（ｉ）を取れば、その集合によりベースラインＢを表現できる。
以下の式（１）は、系列データＷのインデックスｉに対応する時間区間ＴＳｉにおける移動平均ｂｉを求める式の一例である。式（１）は、系列データＷのインデックスｉに対応する時間区間ＴＳｉに含まれるデータが、信号Ｗ（ｉ−（ｎ−１））〜Ｗ（ｉ）である場合の移動平均ｂｉを求める例である。
Figure 2019130840
ここで、ｎは、Δｔ秒間の時間区間ＴＳに含まれるデータ（ＥＭＧデータを構成するＥＭＧシグナルとしての筋電信号）ｗの数である。また、移動平均ｂの下付きの符号ｉは、当該値が、系列データＷ（筋電信号データすなわちＥＭＧデータ）のインデックスｉに対応づけて設定される時間区間ＴＳｉにおける値であることを表わしている。
なお、式（１）に示すように、移動平均ｂｉをそのままベースラインＢのベースライン値Ｂ（ｉ）とすると、Ｗに対してＢに０．５＊ｑ秒の遅延が生じる。このため、ＷとＢを同一の時間軸上に載せる際には、Ｗを０．５＊ｑ秒遅延させるまたはＢを０．５＊ｑ秒早めるなどして、データの時間軸上の一致性を維持する。具体的には、上記の時間区間ＴＳを、ｎ／２データ分早める、すなわち式（１）の右辺のＷ（）内のインデックス値を（ｉ−ｎ／２−ｋ）や（ｉ−（ｎ＋１）／２−ｋ）等にすればよい。
図５は、系列データＷとベースラインＢの例を示すグラフである。図５に示す例は、系列データＷ（筋電信号データ）に対して時間区間ＴＳを適用するインデックスｉを１ずつ増やしながら移動平均ｂｉを求め、その集合をベースラインＢとしたものである。なお、図５では、両者のデータの時間軸を一致させた上で表示している。図５に示すように、検出したい信号（筋電位）に応じた時間区間の移動平均を取れば、ベースラインＢによってＷの揺らぎを表現できる。このような系列データＷの揺らぎは、測定時の状況や、信号採取機能または観察対象の個体の性質によるノイズ（例えば、身体の動き、電気回路の接触状況により生じるノイズ、回路を構成する半導体デバイス固有ノイズなど）である場合が多く、本来検出したい信号の時間変化ではない場合が多い。
ベースラインＢが取得されると、次に、変動性パラメータ計算部１２２が、系列データＷの各データについて、ベースラインＢに対する変動ｄ＝Ｄ（ｉ）を取る（ステップＳ１０３）。そして、変動性パラメータ計算部１２２は、変動Ｄ（ｉ）の系列データである変動データＤを利用して、Ｗのｉに対応づけられた変動性パラメータσｉを計算する（ステップＳ１０４〜ステップＳ１０７）。
本例では、変動ｄの系列データである変動データＤに対し、Δｔ＝ｑ秒間の時間長を持つ時間窓ＴＷｉを順番に適用し、その時間窓ＴＷｉ内の変動ｄの標準偏差を、変動性パラメータσｉ＝Σ（ｉ）として計算する。
以下の式（２）は、変動性パラメータσｉとして系列データＷのインデックスｉに対応する時間窓ＴＷｉにおける標準偏差を求める式の一例である。式（２）は、系列データＷのインデックスｉに対応する、Δｔの時間長さの時間窓ＴＷｉに含まれるデータｗのインデックスがｉ−（ｎ−１）〜ｉである場合の標準偏差を求める例である。
Figure 2019130840
変動性パラメータσｉは、所定の時間長の時間窓ＴＷｉ内の変動ｄ＝Ｄ（ｉ）の標準偏差に限られず、例えば、時間窓ＴＷｉ内における生データ（データｗ）の最大値ｗｍａｘからの距離に対して半分となる値や中央値や、時間窓ＴＷｉ内における移動平均ｂ＝Ｂ（ｉ）の上下における決まった数値でもよい。
例えば、時間窓ＴＷｉ内におけるデータｗの最大値がｗｍａｘであったとすると、当該ｉにおける最大値ｗｍａｘからの距離Ｌ（ｉ）は、Ｌ（ｉ）＝ｗｍａｘ−Ｄ（ｉ）で求まる。変動性パラメータσｉは、この距離Ｌ（ｉ）に対して半分となる値すなわちσｉ＝Ｌ（ｉ）／２であってもよいし、中央値すなわちσｉ＝Ｄ（ｉ）＋Ｌ（ｉ）／２）であってもよい。また、例えば、時間窓ＴＷｉ内における移動平均ｂ（ｉ）を基に、σｉ＝ｂ（ｉ）＋Ａα（ｉ）やσｉ＝ｂ（ｉ）−Ｂα（ｉ）等としてもよい。このとき、α（ｉ）を、例えば、当該ｉにおける、時間内ＴＷｉ内における移動平均ｂの最大値ｂｍａｘからの距離Ｌ（ｉ）＝ｂｍａｘ−ｂ（ｉ）としてもよい。なお、ＡやＢは任意の定数である。
変動性パラメータσはスカラー値とし、１個のσを求めたら、データをカットする窓を時間軸上で１データ分ずつ移動し、次の変動性パラメータσを計算する。変動性パラメータσを、時間順に並べてプロットすれば、変動性パラメータ曲線Σが得られる。
図６は、変動性パラメータ曲線Σの例を示すグラフである。図６に示す例は、変動性パラメータとして、移動標準偏差を用いた例である。ここで、「移動」とは、データをカットする窓を１データ長ずつ時間順で移動させて得たパラメータであることを表す。より具体的には、系列データＷのインデックスｉの各々に対応づけられた、当該ｉを含む所定の時間窓ＴＷｉ内のデータ群（ｗ、ｂ、ｄ）を用いて算出されたパラメータであることを表す。
変動性パラメータ曲線Σが得られると、次に、バンド処理部１２３が変動性パラメータ曲線Σに対してバンド処理を行って変動バンドデータＳを生成する。変動性パラメータ曲線Σの各データである変動性パラメータσｉ＝Σ（ｉ）に定数ｋを相乗すると、±ｋ＊Σの間にひとつのバンド（以下、変動バンドという）が形成される。このバンドが系列データＷ（本例では、筋電信号データ）の変動可能空間を表す。すべてのデータｗ（筋電信号）は、ｋに応じた一定の確率（例えば、ｋ＝２のとき９５．４％、ｋ＝３のとき９９．８％）でＢ±ｋ＊Σのバンド内に収まる。なお、変動バンドを形成する際も、データの時間軸上の一致性を維持させる。例えば、ＢやΣにおいて窓長さの半分の位置をデータプロット基準位置とすればよい。
図７は、筋電信号データＷとそれより得られるバンド（Ｂ±ｋ＊Σ）の例を示すグラフである。なお、図７に示す筋電信号データＷは１００Ｈｚのサンプリングレートで取得されたものである。破線がＷ、実線がバンドである。図７でも、両者のデータの時間軸を一致させた上で表示している。図７に示すように、筋電信号データＷは上下の方向の違いを無視すればバンド（Ｂ±ｋ＊Σ）内に収まっており、このバンドはＷの包絡線のように見える。このバンドによってデータの特徴が表現でき、時間軸でこのバンドのアップレール（Ｂ＋ｋ＊Σレール）とダウンレール（Ｂ−ｋ＊Σレール）の差Ｓ（ｉ）＝２ｋ＊Σ（ｉ）を取れば、各Ｓ（ｉ）により筋活動信号が表現できる。バンド処理部１２３は、変動性パラメータ曲線Σに対して、このようなバンド処理、すなわちＷの各々のｉ（ただし、Σ（ｉ）が定義されるものに限る）につきＳ（ｉ）＝２ｋ＊Σ（ｉ）を計算して、変動バンドデータＳを得る。
最後に、データ出力部１３が、得られた変動バンドデータＳを出力する（ステップＳ１１０）。
なお、図４では、一定量の系列データＷに対して、（１）ベースバンドＢを計算し、その後（２）ＷのＢに対する変動Ｄを基に、系列データＷに対して時間窓ＴＷｉを順番に設定して変動性パラメータΣ（ｉ）を求め、その後（３）変動性パラメータ曲線Σから変動バンドデータＳを求める例を示したが、上記の（１）〜（３）の処理を、逐次入力されるデータｗに対して逐次的に行うことも可能である。
その場合、処理対象とするｉに対して時間軸上の一致性を保ちつつ移動平均ｂおよび変動性パラメータσを求めることができる時間長さ分のデータｗ、移動平均ｂ、変動ｄを少なくとも保持するバッファ等を利用する。
そして、データＷ（ｉ）が入力されると、（１）これまでに入力されたｎ個のデータを用いてその中心となるｉ’の時間区間ＴＳｉ’の移動平均ｂを求め、のベースライン値Ｂ（ｉ’）として保持する。その後（２）保持されているＷ（ｉ’）からＷ（ｉ’）のＢ（ｉ’）に対する変動Ｄ（ｉ’）求める。その後（３）変動Ｄ（ｉ’）を含む時間窓ＴＷｉ’’が設定可能であれば、その中心となるｉ’’に対して時間窓ＴＷｉ’’を設定し、当該時間窓ＴＷｉ’’におけるデータ群（ｗ、ｂ、ｄ）を基に変動性パラメータΣ（ｉ’’）を求める。最後に（４）得られたΣ（ｉ’’）に所定の定数（２ｋ）を掛けて、変動バンドデータＳのデータＳ（ｉ’’）を得る。
例えば、ｉ＝０から開始して順にデータＷ（ｉ）が入力されるとする。このとき、移動平均を求める時間区間および変動性パラメータを求める時間窓の時間長さが３データ長（すなわちｎ＝３）とする。その場合、ｎ個のデータＷが保持されるｉ＝２の時から上記の処理（１）、（２）が行われる。このとき、ｉ’＝ｉ−（ｎ−１）／２とされる。その後、さらに２つのデータＷが入力されてｎ個の変動Ｄが保持されるｉ＝４の時に、上記の（３）が行われ、変動バンドデータＳのデータＳ（２）が出力される。このとき、ｉ’’＝ｉ’−（ｎ−１）／２とされる。
ｉごとの動作を以下に纏める。
・ｉ＝２のとき
（１）Ｗ（０）〜Ｗ（２）を用いて移動平均ｂを求め、Ｂ（１）として保持する。
（２）Ｗ（１）のＢ（１）に対する変動ｄを求め、Ｄ（１）として保持する。
・ｉ＝３のとき
（１）Ｗ（１）〜Ｗ（３）を用いて移動平均ｂを求め、Ｂ（２）として保持する。
（２）Ｗ（２）のＢ（２）に対する変動ｄを求め、Ｄ（２）として保持する。
・ｉ＝４のとき
（１）Ｗ（２）〜Ｗ（４）を用いて移動平均ｂを求め、Ｂ（３）として保持する。
（２）Ｗ（３）のＢ（３）に対する変動ｄを求め、Ｄ（３）として保持する。
（３）Ｄ（１）〜Ｄ（３）を用いてＤの標準偏差σを求め、Σ（２）とし、Ｓ（２）＝２ｋ＋Σ（２）を求め、出力する。
上記の処理（１）〜（３）は、以下のようにも記載できる。
（１）Ｗ（ｉ−（ｎ−１））〜Ｗ（ｉ）を用いて移動平均ｂを求め、Ｂ（ｉ’）として保持する。
（２）Ｗ（ｉ’）のＢ（ｉ’）に対する変動ｄを求め、Ｄ（ｉ’）として保持する。
（３）Ｄ（ｉ’−（ｎ−１））〜Ｄ（ｉ’）を用いて標準偏差σを求め、Σ（ｉ’’）とし、Ｓ（ｉ’’）＝２ｋ＋Σ（ｉ’’）を求め、出力する。
なお、上記の方法以外にも、例えば、先に全てのデータに対してベースラインＢを求めてＷからＢを除去した上で、Ｂを除去後の系列データＷに対して、時間窓ＴＷｉを順に適用する中で、１つの時間窓ＴＷｉを適用する度に、変動性パラメータσｉ＝Σ（ｉ）を求め、データＳ（ｉ）＝２ｋ＊Σ（ｉ）を出力する処理を行うことも可能である。
一般に、計測機器等を用いて取得される信号（本例では筋電信号）にはノイズが含まれる。ノイズは、例えば、電気ノイズ、１／ｆノイズ、電極装着時のずれや体の動きにより電極のずれによるノイズなどである。このようなノイズは検出機構の固有ノイズとして存在し、その大きさは自然に存在するものであり、検出機構の部品等の属性が変化しなければ変化しない。
これまで行われていた信号処理方法の多くは、ピークしか注目せず、またピークを検出しても、信号のピークなのかノイズのピークなのかの切り分けが曖昧である。一方、上記の方法（以下、バンド面積法という）により求められるバンドは、系列データＷの変化の傾向を確率的に表現したものとなっている。このバンドにおいてノイズ信号の平均値は０に近く、その面積の変化率は０に近く、また観測対象の信号（筋電位）が存在する部分では、変化が激しく、各データの確率的な存在区間も従来の整流したあとの積分より拡大される。したがって、信号とノイズの切り分けがより明白となり、Ｓ／Ｎ比が増加し、データの積分量で表されるような特徴量の変化のコントラストも大きくなる。
したがって、本実施形態により得られる変動バンドデータＳを一定の時間長さで積分する、すなわち一定の時間長さにおけるこのＳの面積を求めれば、新たな特徴量（上記の例でいえば、新たな筋活動量）が表現できる。新たな特徴量は、入力された系列データＷを一定の時間長さで積分して得られる特徴量とは尺度が異なるが、より精度のよいものとなる。
図８は、バンド面積法の効果の一例を示す説明図である。図８では、２種類のサンプリングレートによる筋電信号データＷから得られる筋活動量を用いた人の精神状態の予測正確率を、従来の整流法と、本発明による信号処理方法とで比較して示している。予測正確率は、事前にわかる真値と機械学習による学習済みモデルでの推定結果との一致率である。
人間の精神状態は表情筋に表れ、目や眉や口の周囲等に存在する筋肉に微細な変化をもたらす。例えば、精神状態が変化する際、瞬きや眼球運動、上目になったり、目をひそめるなどの動きが発生する。このように、人の精神状態は筋肉の活動と関連性を持ち、その関連性に基づけば筋肉の信号から精神状態が推定可能である。
図８に示す例は、２つの方法により求めた筋活動量に対して既知の精神状態との関係性を機械学習した予測モデルによる精神状態の正確率を交差検定法により検証した結果である。筋活動量の精度と予測正確率の間に因果関係があるため、筋活動量の精度が高ければ、精神状態の予測正確率が高くなる。
まず、複数の被験者から集中状態とそうでない状態（リラックス状態）を含む筋電信号データＷを取得した。そして、取得した筋電信号データＷを、学習用データと検証用データを８７．５％と１２．５％の比率で分けた。そして、取得された筋電信号データＷに対して、上記の方法により移動標準偏差を求め、そのバンドによる変動バンドデータＳを得た。さらに、本例では、サンプリングレートの違いによる正確率の変化を調べるため、２種類のサンプリングレートで筋電信号データＷを取得した。
得られた変動バンドデータＳから、特にリラックス状態中と思われる時間帯における筋活動量として変動バンド（±ｋ＊Σ）のバンド幅（データｓ）を時間に沿って積分し、その面積を求めた。そして、求めた面積をその時間帯の長さで割り、得られた変動バンドの単位時間面積を、リラックス状態中の単位時間筋活動量とした。同様に、得られた変動バンドデータＳから、特に集中状態中と思われる時間帯における変動バンドの単位時間面積を求め、集中状態中の単位時間筋活動量とした。
また、上記の変動バンドデータＳを得た筋電信号データＷに対して、整流を行い、同様の時間帯に対して従来の方法により筋活動量（その時間帯における信号の積分値）を求め、求めた筋活動量をその時間帯の長さで割り、各状態に対応する単位時間筋活動量を得た。
既知の精神状態を目的変数とし、学習用データから得られた該精神状態中の単位時間筋活動量を説明変数として、ｋ近傍法を用いて学習を行った。本例では、２つの学習モデルを用意し、一方は説明変数として変動バンドデータＳから得た単位時間筋活動量（変動バンドの単位時間面積）を用い、他方は説明変数として整流後の筋電信号データＷから得た単位時間筋活動量（筋電信号の単位時間面積）を用いた。その際、変動バンド面積の値としてｗの次元×単位時間の次元（ｓ）の次元をもつ値（例えば０．０５Ｖ・ｓ）を用い、説明変数の値をそれぞれ同じ次元とした。また、目的変数の値として、リラックス状態と集中状態など、該当する精神状態を表すカテゴリ値（例えば、１：第１のリラックス状態、２：第２のリラックス状態、３：第１の集中状態、４：第２の集中状態等）を用いた。なお、本例では説明変数に単位時間筋活動量（各信号の単位時間面積）のみを用いたが、さらにそれ以外の情報（例えば、心拍数、心拍間隔、脳波、加速度センサ、温度センサ、呼吸センサ、発汗センサなどの値）を組み合わせて用いることも可能である。
図８に示すように、サンプリングレートが１００Ｈｚの筋電信号データＷに対して、整流法を利用して得られる筋活動量による予測正確率は平均８３．３％であり、本発明の信号処理方法（バンド面積法）を利用して得られる筋活動量（変動バンドに基づく筋活動量）による予測正確率は平均８７．５％であり、本発明の信号処理方法に少しの改善がみられる。一方、サンプリングレートが２Ｈｚまで低下すると、整流法を利用したときの予測正確率は７７．１％となり大きく低下するが、本発明の信号処理方法を利用したときの予測正確率は８７．５％であり精度を保っている。
図９は、２Ｈｚのサンプリングレートで取得された筋電信号データＷとそれより得られるバンド（Ｂ±ｋ＊Σ）の例を示すグラフである。なお、破線がＷ、実線がバンドである。図７に示す１００Ｈｚのサンプリングレートでの筋電信号データＷと比べて、図９に示す２Ｈｚのサンプリングでの筋電信号データＷは、一部の信号成分が失われているのが分かる。しかし、図９に示すバンドは、２Ｈｚの筋電信号データＷの変化傾向を良好に表現していることがわかる。このことは、１００Ｈｚの場合と２Ｈｚの場合とで、筋電位が生じた時間区間におけるバンド面積に大差が生じていないことからもわかる。
バンド面積法は、サンプリングレートが高い（例えば１００Ｈｚ）ほど情報の精度がよくなるが、サンプリングレートがある程度低下しても（例えば、２Ｈｚ）信号から抽出される情報の精度を保つことができる。
なお、バンド面積法によれば、例えば、望む情報が抽出される際のデータ時間の長さの逆数の２倍のサンプリングレートまで低下しても、原理的に効果を得ることができる。例えば、望む情報が１８０秒のデータから計算されるものとすれば、１／９０Ｈｚのサンプリングレート、つまり９０秒ごとに１データを取得しても原理的に効果がある。したがって、信号処理装置は、系列データによる観測目標とされる時間変化の継続時間の２／３以下や１／２以下の周期でデータが観測される系列データを処理対象とするものでもよい。
バンド面積法によるこのような効果は、特に、周期性の特徴が顕著ではない信号、偶発的な信号、パルスを特徴とする信号、カーブのベースラインに対して上下波動を持つデータに対して大きい。
実施形態２．
次に、本発明の第２の実施形態について説明する。上記のバンド面積法により取得される変動バンドデータＳは目的に応じて様々な後処理を施すことが可能である。図１０は、第２の実施形態の信号処理装置２０の構成例を示すブロック図である。図１０に示す信号処理装置２０は、図１に示す第の１実施形態の信号処理装置１０に比べて、さらに後処理部２１を備える点が異なる。
後処理部２１は、信号処理部１２によって得られた変動バンドデータＳに対して所定の後処理を行い、所定の情報を抽出する。
後処理部２１は、例えば、上記の筋活動量や単位時間筋活動量に相当する特徴量、すなわち変動バンドの所定の時間帯における面積や単位時間面積を求めてもよい。
また、後処理部２１は、例えば、一次微分処理を行って、信号のエネルギー変動傾向を示す特徴量を得てもよい。また、後処理部２１は、例えば、二次微分処理を行って、変動性極値を示す時間（インデックスｉ）を抽出することも可能である。その他にも、後処理部２１は、変動バンドデータＳを利用して、生信号（系列データＷ）内の異常信号を検出してもよい。例えば、後処理部２１は、変動バンドデータＳの強度を基準として、閾値判別をしてその結果を出力したり、閾値判別結果に基づいてトリガを発動することも可能である。
また、後処理部２１は、変動バンドデータＳの中に存在しているピークの場所や幅を基に、生信号内に存在するピークの場所、幅を検出してもよい。また、後処理部２１は、それらを利用して、フィルタ機能を提供、例えば、生信号内に存在するピークの成分だけを抽出することも可能である。
図１１は、第２の実施形態の信号処理装置２０の動作例を示すフローチャートである。図１１において、図３に示す第１の実施形態の信号処理装置１０の動作を同じものについては同じ符号を付し、説明を省略する。本実施形態では、ステップＳ１４のバンド処理の後、ステップＳ２１〜ステップＳ２２が追加されている。
信号処理装置２０の後処理部２１は、信号処理部１２から変動バンドデータＳが入力されると、変動バンドデータＳに対して所定の後処理を行う（ステップＳ２１）。そして、後処理部２１は、後処理によって得られた情報を出力する（ステップＳ２２）。
以上のように、実施形態の情報処理装置によれば、系列データから有意な情報を抽出して出力できる。その際、逐次的に変動バンドデータＳを得て処理することにより、少量の系列データから素早く有意な情報を出力できる。また、変動バンドデータＳに対して閾値判定や統計処理等を行うことにより、系列データＷよりも少ない情報量で有意な情報を出力することもできる。
実施形態３．
次に、本発明の第３の実施形態について説明する。図１２は、第３の実施形態の解析システムの構成例を示すブロック図である。図１２に示す解析システムは、上記第１の実施形態の信号処理装置１０の利用例である。
図１２に示す解析システムは１００は、筋電信号採取部１と、信号処理装置１０Ａと、精神状態推定部３とを備える。また、信号処理装置１０Ａは、筋電信号入力部１１Ａと、信号処理部１２Ａと、処理後筋電信号出力部１３Ａとを含む。また、信号処理部１２Ａは、図１３に示すように、移動平均計算部１２１Ａと、標準偏差計算部１２２Ａと、移動標準偏差バンド計算部１２３Ａとを有する。
筋電信号採取部１は、人の目の付近等に装着した電極を利用して筋電信号を所定のサンプリングレートで採取（測定）する。
信号処理装置１０Ａの筋電信号入力部１１Ａは、系列データＷとして筋電信号採取部１によって採取された筋電信号の時系列データである筋電信号データを入力し、後段の信号処理部１２Ａに順次出力する。なお、筋電信号データにおいて、各々の筋電信号（データｗ）は自身の採取時間に対応したインデックスｉと対応づけられている。
信号処理部１２Ａでは、まず移動平均計算部１２１Ａが、入力された筋電信号データ（Ｗ）に対して移動平均を求め、ベースラインＢを得る。
標準偏差計算部１２２Ａは、筋電信号データ（Ｗ）とベースラインＢに対して時間窓ＴＷｉを順番に適用して、当該時間窓ＴＷｉ内におけるＷのＢに対する変動Ｄの標準偏差（σｉ＝Σ（ｉ））を計算し、変動性パラメータ曲線Σを得る。
移動標準偏差バンド計算部１２３Ａは、変動性パラメータ曲線Σの各データである移動標準偏差（Σ（ｉ））に対して正負方向の所定の定数倍を行って変動バンドを形成し、ｗの各ｉにおけるそのバンド幅を変動バンドデータＳ（ｉ）として計算し、変動性バンドデータＳを得る。
処理後筋電信号出力部１３Ａは、信号処理部１２Ａにより生成された変動バンドデータＳを出力する。
精神状態推定部３は、変動バンドデータＳを用いて人の精神状態を推定する。精神状態推定部３は、例えば、変動バンドデータＳの所定の時間長さにおける積分値を筋活動量として、該筋活動量やその時間帯における単位時間筋活動量を基に、精神状態を推定する。推定には、予め変動バンドデータＳから求まる説明変数と精神状態との関連性を学習した予測モデルを用いればよい。なお、既に説明したように、説明変数として筋活動量に関する情報以外の情報を用いることも可能である。
解析システム１００において、筋電信号採取部１と、信号処理装置１０Ａとは、ウエアブルデバイスに実装されていてもよい。また、信号処理装置１０Ａは、信号処理部１２Ａの後段に、所定の時間長さごとの筋電活動量またはその単位時間筋活動量や、ｉと対応づけられた移動単位時間活動量等を計算する後処理部２１Ａをさらに含んでいてもよい。その場合、処理後筋電信号出力部１３Ａは、後処理部２１Ａによって得られたそれら情報を出力すればよい。
（その他）
上記の各実施形態の信号処理装置は、少量のデータから有意な情報を抽出して出力することができるため、例えば、ウエアブルデバイスなど電池で駆動する装置等に実装すると、電力で送信するデータ量を抑えることができので、省電力や電池の利用率を高める効果がさらに得られる。
また、上記の各実施形態の信号処理装置によれば、系列データから少量の有意な情報を抽出して出力することが可能になるため、通信速度の高速化が図れたり、迅速なフィードバックに利用できる。例えば、上記の各実施形態の信号処理装置を、高速な生体情報処理を必要とする解析システムに利用することも可能である。
例えば、自動車運転分野等で利用される人間の状態予測装置は、高速運転中でも安全運転を保証するために迅速なフィードバックが要求される。上記の各実施形態の信号処理装置を利用すれば、そのような迅速なフィードバックの提供が可能となる。
また、例えば、上記の各実施形態の信号処理装置を光や音波のパルス波の反射を利用した、例えば、レーダ、ソナー、ライダー（レーザレーダ）等の計測システムに適用すれば、少ない時系列データからピークの検出を速やかに行うことができるので、外部擾乱の影響の除去、高感度化、短時間での走査が可能となる。
他の適用例として、音声認識分野に上記の各実施形態の信号処理装置を用いることによって、音声の処理データ数を減少でき、高速に音声の特徴や異常を発見することが可能となる。
また、例えば、動画から人の行動予測や異常発見をする用途において、上記の各実施形態の信号処理装置を利用すれば、低フレームレートで撮影した動画からも人の行動の特徴を確率的に取得できるので、少ない情報から精度のよい予測や異常発見が可能となる。
また、例えば、農業施設管理の分野等において、上記の各実施形態の信号処理装置を利用すれば、二酸化炭素やほかの有害ガスの濃度等の信号を測定するサンプリングレートが低くても、異常の有無をモニタリングできるので、システムの処理速度が高くなり、植物の成長管理も容易となる。
また、他の適用例としては、天文学分野における電磁波、Ｘ線等の宇宙線の観測、地質学分野における地震波の観測、物質工学分野においてイオンや電子等のパルス波を用いて行われる元素分析や組成分析等の各種分析等が挙げられる。
上記以外の用途においても、上記の各実施形態の信号処理装置を、既存の系列データを処理する用途に用いれば、有意な情報を高速に得ることができるので、運用の自由度を高められる。
また、図１４は、本発明の各実施形態にかかるコンピュータの構成例を示す概略ブロック図である。コンピュータ１０００は、ＣＰＵ１００１と、主記憶装置１００２と、補助記憶装置１００３と、インタフェース１００４と、ディスプレイ装置１００５と、入力デバイス１００６とを備える。
上述の各実施形態の信号処理装置や解析システムが備える装置（処理部を含む）は、コンピュータ１０００に実装されてもよい。その場合、各装置の動作は、プログラムの形式で補助記憶装置１００３に記憶されていてもよい。ＣＰＵ１００１は、プログラムを補助記憶装置１００３から読み出して主記憶装置１００２に展開し、そのプログラムに従って各実施形態における所定の処理を実施する。なお、ＣＰＵ１００１は、プログラムに従って動作する情報処理装置の一例であり、ＣＰＵ（Central Processing Unit）以外にも、例えば、ＭＰＵ（Micro Processing Unit）やＭＣＵ（Memory Control Unit）やＧＰＵ（Graphics Processing Unit）などを備えていてもよい。
補助記憶装置１００３は、一時的でない有形の媒体の一例である。一時的でない有形の媒体の他の例として、インタフェース１００４を介して接続される磁気ディスク、光磁気ディスク、ＣＤ−ＲＯＭ、ＤＶＤ−ＲＯＭ、半導体メモリ等が挙げられる。また、このプログラムが通信回線によってコンピュータ１０００に配信される場合、配信を受けたコンピュータは１０００がそのプログラムを主記憶装置１００２に展開し、各実施形態における所定の処理を実行してもよい。
また、プログラムは、各実施形態における所定の処理の一部を実現するためのものであってもよい。さらに、プログラムは、補助記憶装置１００３に既に記憶されている他のプログラムとの組み合わせで各実施形態における所定の処理を実現する差分プログラムであってもよい。
インタフェース１００４は、他の装置との間で情報の送受信を行う。また、ディスプレイ装置１００５は、ユーザに情報を提示する。また、入力デバイス１００６は、ユーザからの情報の入力を受け付ける。
また、実施形態における処理内容によっては、コンピュータ１０００の一部の要素は省略可能である。例えば、コンピュータ１０００がユーザに情報を提示しないのであれば、ディスプレイ装置１００５は省略可能である。例えば、コンピュータ１０００がユーザから情報入力を受け付けないのであれば、入力デバイス１００６は省略可能である。
また、上記の各実施形態の各構成要素の一部または全部は、汎用または専用の回路（Circuitry）、プロセッサ等やこれらの組み合わせによって実施される。これらは単一のチップによって構成されてもよいし、バスを介して接続される複数のチップによって構成されてもよい。また、上記の各実施形態各構成要素の一部又は全部は、上述した回路等とプログラムとの組み合わせによって実現されてもよい。
上記の各実施形態の各構成要素の一部又は全部が複数の情報処理装置や回路等により実現される場合には、複数の情報処理装置や回路等は、集中配置されてもよいし、分散配置されてもよい。例えば、情報処理装置や回路等は、クライアントアンドサーバシステム、クラウドコンピューティングシステム等、各々が通信ネットワークを介して接続される形態として実現されてもよい。
次に、本発明の概要を説明する。図１５は、本発明の信号処理装置の概要を示すブロック図である。図１５に示す信号処理装置６００は、データ取得部６０１と、データ処理部６０２とを備える。
データ取得部６０１（例えば、データ入力部１１）は、系列データまたはそれを構成するデータを取得する。
データ処理部６０２（例えば、信号処理部１２）は、取得された系列データまたは取得されたデータから構成される系列データである対象系列データに対して、移動平均を除去した上で所定の時間長さの時間窓を適用して得られるパラメータであって、時間窓における対象系列データの変動性を示すパラメータである変動性パラメータの正負方向の所定の定数倍で表される変動バンドのバンド幅に関するデータである変動バンドデータを生成する。
以上のように構成することにより、有効成分の一部が欠如するような取得条件で取得される系列データであっても、該系列データから有意な情報を高精度に取得できる。
以上、本実施形態および実施例を参照して本願発明を説明したが、本願発明は上記実施形態および実施例に限定されるものではない。本願発明の構成や詳細には、本願発明のスコープ内で当業者が理解し得る様々な変更をすることができる。
以上、実施形態を参照して本願発明を説明したが、本願発明は上記の実施形態に限定されるものではない。本願発明の構成や詳細には、本願発明のスコープ内で当業者が理解し得る様々な変更をすることができる。
この出願は、２０１７年１２月２８日に出願された日本特許出願２０１７−２５３４５７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。
産業上の利用の可能性
本発明は、所定の軸上に一定の間隔でデータが並ぶ系列データであって、生体信号、変化の特徴がパルスとして現れる信号、周期性の特徴が顕著でない信号、偶発的に変化する信号など変化の特徴が所定の時間長さの総量に現れる信号の系列データに対して、特に好適に適用できる。
１０、２０ 信号処理装置
１１ データ入力部
１２ 信号処理部
１２１ ベースライン計算部
１２２ 変動性パラメータ計算部
１２３ バンド処理部
１３ データ出力部
２１ 後処理部
１００ 解析システム
１ 筋電信号採取部
１０Ａ 信号処理装置
１１Ａ 筋電信号入力部
１２Ａ 信号処理部
１２１Ａ 移動平均計算部
１２２Ａ 標準偏差計算部
１２３Ａ 移動標準偏差バンド計算部
１３Ａ 処理後筋電信号出力部
２１Ａ 後処理部
３ 精神状態推定部
１０００ コンピュータ
１００１ ＣＰＵ
１００２ 主記憶装置
１００３ 補助記憶装置
１００４ インタフェース
１００５ ディスプレイ装置
１００６ 入力デバイス
６００ 信号処理装置
６０１ データ取得部
６０２ データ処理部

Claims (10)

  1. 系列データまたはそれを構成するデータを取得するデータ取得部と、
    取得された前記系列データまたは前記データから構成される系列データである対象系列データに対して、移動平均を除去した上で所定の時間長さの時間窓を適用して得られるパラメータであって、前記時間窓における前記対象系列データの変動性を示すパラメータである変動性パラメータの正負方向の所定の定数倍で表される変動バンドのバンド幅に関するデータである変動バンドデータを生成するデータ処理部とを備える
    ことを特徴とする信号処理装置。
  2. 前記データ処理部は、前記時間窓を、前記対象系列データの時間軸上をデータ１つ分ずつ移動させながら適用して、各時間窓の基準とされた前記対象系列データのインデックスと対応づけて前記変動性パラメータを計算し、得られた前記変動性パラメータの各々に対して正負方向の所定の定数倍を行って得られる前記変動バンドの前記対象系列データの時間単位ごとのバンド幅を示す変動バンドデータを、前記対象系列データと時間軸上の一致性を保って生成する
    請求項１に記載の信号処理装置。
  3. 前記変動性パラメータが、前記時間窓における、移動平均を除去後の前記対象系列データの標準偏差により表されている
    請求項１または請求項２に記載の信号処理装置。
  4. 前記対象系列データを構成するデータが、生体信号、変化の特徴がパルスとして現れる信号、周期性の特徴が顕著でない信号、偶発的に変化する信号である
    請求項１から請求項３のうちのいずれか１項に記載の信号処理装置。
  5. 前記対象系列データを構成するデータの採取周期が、前記データによる観測目標とされる時間変化の継続時間の２／３以下である
    請求項１から請求項４のうちのいずれか１項に記載の信号処理装置。
  6. 前記対象系列データのデータが示す信号の整流後の総量を示す情報として、前記変動バンドデータを用い、所定の後処理を行う後処理部を備える
    請求項５に記載の信号処理装置。
  7. 予め決められたサンプリングレートで信号を採取する信号採取部と、
    系列データを構成するデータが前記信号採取部により採取された前記信号である、請求項１〜６のうちのいずれか１項に記載の信号処理装置と、
    前記信号処理装置によって得られた情報を基に、前記系列データの観測元の状態を推定する状態推定部とを備える
    ことを特徴とする解析システム。
  8. 前記信号採取部は、精神状態と相関のある筋電信号を採取し、
    前記状態推定部は、前記信号処理装置から得られる前記変動バンドデータを、前記筋電信号の整流後の総量を示す情報として用いて、前記変動バンドデータから所定の時間区間における筋活動量または単位時間筋活動量を計算し、計算された前記活動量または前記単位時間筋活動量に基づいて、前記筋電信号の採取元の人の精神状態を推定するまたは精神状態の切替を検出する
    請求項７に記載の解析システム。
  9. 情報処理装置が、
    系列データまたはそれを構成するデータを取得すると、取得された前記系列データまたは前記データから構成される系列データである対象系列データに対して、移動平均を除去した上で所定の時間長さの時間窓を適用して得られるパラメータであって、前記時間窓における前記対象系列データの変動性を示すパラメータである変動性パラメータの正負方向の所定の定数倍で表される変動バンドのバンド幅に関するデータである変動バンドデータを生成する
    ことを特徴とする信号処理方法。
  10. コンピュータに、
    系列データまたはそれを構成するデータを取得する処理、および
    取得された前記系列データまたは前記データから構成される系列データである対象系列データに対して、移動平均を除去した上で所定の時間長さの時間窓を適用して得られるパラメータであって、前記時間窓における前記対象系列データの変動性を示すパラメータである変動性パラメータの正負方向の所定の定数倍で表される変動バンドのバンド幅に関するデータである変動バンドデータを生成する処理
    を実行させるための信号処理プログラム。
JP2019562819A 2017-12-28 2018-11-07 信号処理装置、解析システム、信号処理方法および信号処理プログラム Active JP6973508B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2017253457 2017-12-28
JP2017253457 2017-12-28
PCT/JP2018/041337 WO2019130840A1 (ja) 2017-12-28 2018-11-07 信号処理装置、解析システム、信号処理方法および信号処理プログラム

Publications (2)

Publication Number Publication Date
JPWO2019130840A1 true JPWO2019130840A1 (ja) 2020-12-24
JP6973508B2 JP6973508B2 (ja) 2021-12-01

Family

ID=67063431

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019562819A Active JP6973508B2 (ja) 2017-12-28 2018-11-07 信号処理装置、解析システム、信号処理方法および信号処理プログラム

Country Status (3)

Country Link
US (1) US20210366602A1 (ja)
JP (1) JP6973508B2 (ja)
WO (1) WO2019130840A1 (ja)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019159090A1 (en) * 2018-02-14 2019-08-22 Navix International Limited Systems and methods for automated guidance of treatment of an organ
CN116578041B (zh) * 2023-06-05 2023-10-24 浙江德欧电气技术股份有限公司 一种用于cnc控制器的数据处理方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001204696A (ja) * 2000-01-31 2001-07-31 Matsushita Electric Ind Co Ltd 電子血圧計
JP2010193936A (ja) * 2009-02-23 2010-09-09 Akita Prefecture 筋固縮度定量評価装置
JP2010234000A (ja) * 2009-03-31 2010-10-21 Yamaguchi Prefectural Industrial Technology Institute 精神ストレス評価とそれを用いた装置と精神ストレス評価方法とそのプログラム
JP2017028978A (ja) * 2015-07-27 2017-02-02 富士電機株式会社 電力貯蔵システムの制御装置、その制御装置を有するシステム及び電力貯蔵システムの制御方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0626807Y2 (ja) * 1987-11-16 1994-07-20 横河電機株式会社 測定値信号処理装置
US7630757B2 (en) * 1997-01-06 2009-12-08 Flint Hills Scientific Llc System for the prediction, rapid detection, warning, prevention, or control of changes in activity states in the brain of a subject
US6594524B2 (en) * 2000-12-12 2003-07-15 The Trustees Of The University Of Pennsylvania Adaptive method and apparatus for forecasting and controlling neurological disturbances under a multi-level control
CA2842420C (en) * 2003-11-18 2016-10-11 Adidas Ag Method and system for processing data from ambulatory physiological monitoring
JP5709017B2 (ja) * 2010-02-15 2015-04-30 国立大学法人九州大学 被験体状態解析用信号のピーク周波数測定システム
WO2011158372A1 (ja) * 2010-06-18 2011-12-22 三菱電機株式会社 データ処理装置及びデータ処理方法及びプログラム
JP5634599B2 (ja) * 2011-05-11 2014-12-03 株式会社日立製作所 データ処理システム、データ処理方法、及び、プログラム
US9495395B2 (en) * 2013-04-11 2016-11-15 Oracle International Corporation Predictive diagnosis of SLA violations in cloud services by seasonal trending and forecasting with thread intensity analytics
WO2016004111A1 (en) * 2014-06-30 2016-01-07 Cerora, Inc. System and methods for the synchronization of a non-real time operating system pc to a remote real-time data collecting microcontroller
CN110785120A (zh) * 2017-06-28 2020-02-11 索尼公司 信息处理装置、信息处理方法和程序

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001204696A (ja) * 2000-01-31 2001-07-31 Matsushita Electric Ind Co Ltd 電子血圧計
JP2010193936A (ja) * 2009-02-23 2010-09-09 Akita Prefecture 筋固縮度定量評価装置
JP2010234000A (ja) * 2009-03-31 2010-10-21 Yamaguchi Prefectural Industrial Technology Institute 精神ストレス評価とそれを用いた装置と精神ストレス評価方法とそのプログラム
JP2017028978A (ja) * 2015-07-27 2017-02-02 富士電機株式会社 電力貯蔵システムの制御装置、その制御装置を有するシステム及び電力貯蔵システムの制御方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
浅川貴史、西原主計、吉留忠史: "移動平均をもちいた標本標準偏差による指尖脈波の解析", 計測自動制御学会論文集, vol. 45, no. 2, JPN6021029200, 1 February 2009 (2009-02-01), JP, pages 132 - 134, ISSN: 0004562160 *

Also Published As

Publication number Publication date
US20210366602A1 (en) 2021-11-25
WO2019130840A1 (ja) 2019-07-04
JP6973508B2 (ja) 2021-12-01

Similar Documents

Publication Publication Date Title
Benalcázar et al. Hand gesture recognition using machine learning and the Myo armband
EP3895605A1 (en) Methods and systems for determining abnormal cardiac activity
CN110151203B (zh) 基于多级雪崩式卷积递归网络eeg分析的疲劳驾驶识别方法
CN110537929B (zh) 一种基于ssvep的注意力测评方法、训练方法以及脑机接口
KR101293446B1 (ko) 움직임을 상상하는 뇌파 분류 방법 및 그 장치
JPWO2013114596A1 (ja) 情報処理装置、代表波形生成方法および代表波形生成プログラム
US10368792B2 (en) Method for detecting deception and predicting interviewer accuracy in investigative interviewing using interviewer, interviewee and dyadic physiological and behavioral measurements
JP4952162B2 (ja) データ処理装置，データ処理方法及びデータ処理プログラム
US20200054262A1 (en) Method for real time analyzing stress using deep neural network algorithm
US20210052196A1 (en) Method and system for gait detection of a person
JP6973508B2 (ja) 信号処理装置、解析システム、信号処理方法および信号処理プログラム
CN105708451B (zh) 一种脑电信号质量实时判定方法
WO2018217994A1 (en) Technology and methods for detecting cognitive decline
CN114298089A (zh) 一种多模态力量训练辅助方法和系统
Devaraj et al. Hand gesture signal classification using machine learning
Damasevicius et al. BoostEMD: an extension of EMD method and its application for denoising of EMG signals
Zheng et al. Human emotional stress analysis through time domain electromyogram features
KR102256313B1 (ko) 뇌전도 신호 기반 멀티 주파수 대역 계수를 이용한 특징추출 및 확률모델과 기계학습에 의한 간질 발작파 자동 검출 방법 및 장치
Jaramillo-Yanez et al. Short-term hand gesture recognition using electromyography in the transient state, support vector machines, and discrete wavelet transform
Ison et al. Beyond user-specificity for emg decoding using multiresolution muscle synergy analysis
Bhavaraju et al. Analog seizure detection and performance evaluation
Ghahjaverestan et al. Switching Kalman filter based methods for apnea bradycardia detection from ECG signals
Dehzangi et al. Unobtrusive driver drowsiness prediction using driving behavior from vehicular sensors
Lee et al. Classification of both seizure and non-seizure based on EEG signals using hidden Markov model
Mesanza et al. Machine learning based fall detector with a sensorized tip

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20200604

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20210803

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20210913

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20211005

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20211018

R150 Certificate of patent or registration of utility model

Ref document number: 6973508

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150