JPWO2019216417A1 - モデル設定装置、血圧測定装置、およびモデル設定方法 - Google Patents

Abstract

本開示は、生体ごとに適した血圧の測定モデルを設定することを目的とする。モデル設定装置（１００）は、血圧取得部（２）と、複数の領域において脈波を取得する脈波取得部（１０）と、脈波伝播時間を複数算出する脈波パラメータ算出部（２０）と、血圧推定モデルを複数作成する血圧推定モデル作成部（３０）と、血圧推定モデルの評価を行う血圧推定モデル評価部（４０）と、血圧推定モデル評価部（４０）による評価に基づいて複数の血圧推定モデルの中から測定モデルを選択するモデル選択部（５０）と、を備える。

Description

本開示は、血圧予測モデルを設定するモデル設定装置などに関する。

近年、人体の血圧を測定する技術として、脈波伝播時間を利用する技術がある。例えば、特許文献１には、以下のような技術が開示されている。すなわち、画像データの近接する二領域ないしは三領域の各領域における代表色を各々算出し、その代表色に基づいて各領域における基本波を抽出する。そして、複数領域の内、近接する領域間において基本波の差信号を算出し、外部からのノイズを抑えた脈波伝播時間などの脈波情報を取得する。

国際公開第２０１６／１６３０１９号（２０１６年１０月１３日公開）

生体の血管網、輪郭、顔の大きさなどは、個人によって異なる。そのため、脈波情報を取得しやすい領域は、個人によって異なる。したがって、特許文献１の技術のように、すべての生体に対して同じ箇所から脈波情報を取得する場合、脈波情報を精度良く取得することができない場合があり、血圧を正確に測定できないという問題がある。

本開示の一態様は、血圧を測定するための測定モデルであって、生体ごとに適した血圧の測定モデルを設定することができるモデル設定装置およびモデル設定方法を実現することを目的とする。

上記の課題を解決するために、本開示の一態様に係るモデル設定装置は、生体の脈波に基づいて当該生体の血圧を測定するための測定モデルを設定するモデル設定装置であって、前記生体の血圧を取得する血圧取得部と、前記生体の体表における領域において前記脈波を取得する脈波取得部と、前記脈波取得部で取得した脈波を用いて、脈波パラメータを複数算出する脈波パラメータ算出部と、前記脈波パラメータ算出部において算出された複数の前記脈波パラメータと、前記血圧取得部において取得された前記生体の血圧とを用いて、前記生体の血圧を推定するための血圧推定モデルを複数作成する血圧推定モデル作成部と、前記血圧推定モデル作成部において作成された複数の前記血圧推定モデルの評価を行う血圧推定モデル評価部と、前記血圧推定モデル評価部による評価に基づいて複数の前記血圧推定モデルの中から前記測定モデルを少なくとも１つ選択するモデル選択部と、を備える。

上記の課題を解決するために、本開示の一態様に係るモデル設定方法は、生体の脈波に基づいて当該生体の血圧を測定するための測定モデルを設定するモデル設定方法であって、前記生体の血圧を取得する血圧取得工程と、前記生体の体表における領域において前記脈波を取得する脈波取得工程と、前記脈波取得工程で取得した脈波を用いて、脈波パラメータを複数算出する脈波パラメータ算出工程と、前記脈波パラメータ算出工程において算出された複数の前記脈波パラメータと、前記血圧取得工程において取得された前記生体の血圧とを用いて、前記生体の血圧を推定するための血圧推定モデルを複数作成する血圧推定モデル作成工程と、前記血圧推定モデル作成工程において作成された複数の前記血圧推定モデルの評価を行う血圧推定モデル評価工程と、前記血圧推定モデル評価工程による評価に基づいて複数の前記血圧推定モデルの中から前記測定モデルを少なくとも１つ選択するモデル選択工程と、を含む。

本開示の一態様によれば、血圧を測定するための測定モデルであって、生体ごとに適した血圧の測定モデルを設定することができる。

本開示の実施形態１に係る血圧測定装置の構成を示すブロック図である。 上記血圧測定装置が備える顔画像分割部によって分割された被検体の顔画像を示す図である。 上記血圧測定装置が備える脈波パラメータ算出部による脈波伝播時間の算出方法を説明するためのものであり、（ａ）は、生体の血管を示す図であり、（ｂ）は、脈波の伝播を示すグラフである。 上記血圧測定装置が備えるモデル選択部による測定モデルの選択方法を説明するためのグラフである。 上記血圧測定装置が備える血圧測定結果出力部の一例を示す図である。 上記血圧測定装置の処理の流れの一例を示すフローチャートである。 （ａ）は、脈波波形の一例を示すグラフであり、（ｂ）は、加速度脈波波形の一例を示すグラフである。 波形特徴量を説明するための図である。 本開示の実施形態２に係る血圧測定装置の構成を示すブロック図である。 上記血圧測定装置が備えるモデル評価指数算出部がテスト用データから算出した、血圧推定モデルの誤差の標準偏差の分布を示すグラフである。 上記評価指数算出部が算出した誤差の標準偏差のランキングを示す表である。 脈波信号のパワースペクトルの一例を示すグラフである。 上記血圧測定装置が備える測定モデル決定部による測定モデルの決定方法を説明するための表である。

〔実施形態１〕
以下、本開示の一実施形態について、詳細に説明する。

本実施形態における血圧測定装置１Ａは、生体である被検体に接触することなく被検体の血圧を測定（推定する）非接触式の血圧測定装置である。血圧測定装置１Ａでは、後述するモデル設定装置１００において設定された測定モデルを用いて、被検体の血圧を測定する。

（血圧測定装置１Ａの構成）
図１は、血圧測定装置１Ａの構成を示すブロック図である。血圧測定装置１Ａは、図１に示すように、血圧取得部２と、脈波取得部１０と、脈波パラメータ算出部２０（脈波伝播時間算出部）と、血圧推定モデル作成部３０と、血圧推定モデル評価部４０と、モデル選択部５０と、血圧測定部６０と、血圧測定結果出力部７０とを備えている。

血圧取得部２は、被検体の血圧を測定する接触式の血圧計であり、例えば、カフ血圧計である。血圧取得部２が取得した血圧は、後述するモデル選択部５０において測定モデルを設定する際に用いられる。血圧取得部２は、測定した被検体の血圧を、後述する血圧推定モデル作成部３０、およびモデル評価指数算出部４２に出力する。

脈波取得部１０は、被検体の体表における脈波を取得する。脈波取得部１０は、撮像部１１と、光源１２と、光源調節部１３と、顔画像取得部１４と、顔画像分割部１５と、肌領域抽出部１６と、脈波算出部１７とを備えている。

撮像部１１は、イメージセンサ（例えば、ＣＭＯＳ（Complementary Metal-Oxide Semiconductor）、ＣＣＤ（Charge-Coupled Device）など）と、レンズとを含むカメラである。撮像部１１は、一般的に用いられているＲＧＢのベイヤー配列のカラーフィルタ（不図示）、または、ＲＧＢＣｙやＲＧＢＩＲなどの血液量の増減を観察するのに適したカラーフィルタ（不図示）を備えている。撮像部１１は、所定の時間間隔（例えば、フレームレートが３００ｆｐｓ）で被検体を複数回撮像し、撮像した画像を顔画像取得部１４へ出力する。

光源１２は、撮像部１１において被検体を撮像する際に、被検体に対して光を照射する。

光源調節部１３は、後述するモデル選択部５０で選択された測定モデルで使用される領域間の脈波伝播時間を精度良く算出するために該当する領域で一定の信号品質を有する脈波（例えば、後述するＳＮＲが高い脈波）を検出できるように光源１２を調節する。具体的には、光源調節部１３は、光源１２の光量、光源スペクトル、および被検体の肌に対する照射角度の少なくとも１つを調節する。

顔画像取得部１４は、撮像部１１が撮像した被検体の画像から被検体の顔領域を抽出して顔画像として取得する。顔画像取得部１４は、例えば、被検体の顔を含む動画像からフェイストラッキングを行うことにより、一定のフレームごとに被検体の顔画像を抽出してもよい。

なお、設定された枠の中に被検体が顔を入れ、顔とカメラとが固定された状態で画像を撮影した場合には、顔画像取得部１４は、フェイストラッキングなどの処理を行わなくても、被検体の顔を画像から抽出することができる。

顔画像分割部１５は、顔画像取得部１４が抽出した顔画像を複数の領域に分割する。

図２は、顔画像分割部１５によって分割された被検体の顔画像を示す図である。図２に示すように、顔画像分割部１５は、被検体の顔画像を、縦１０×横１０の１００個の領域に分割する。なお、顔画像分割部１５による分割は、上記の分割方法に限られるものではない。顔画像分割部１５は、顔画像取得部１４が抽出した顔画像を少なくとも３つの領域に分割する。

肌領域抽出部１６は、顔画像分割部１５が分割した領域のうち、髪の毛などによって肌が完全に隠れていない領域（換言すれば、一部でも肌が見える領域）を肌領域１６１として抽出する。図２に示す例では、網掛けがついていない領域が肌領域１６１であり、肌領域抽出部１６は、全部で５２箇所を肌領域１６１として抽出する。

脈波算出部１７は、肌領域抽出部１６が抽出した肌領域１６１のそれぞれについて、脈波を算出する。脈波算出部１７における脈波の算出方法は特に限定されるものではない。例えば、脈波算出部１７は、以下のようにして、各肌領域１６１における脈波を算出する。

すなわち、脈波算出部１７は、まず、１つの肌領域１６１における各色（撮像部１１がＲＧＢのベイヤー配列のカラーフィルタを備えている場合は、Ｒ，Ｇ、Ｂ）の輝度値（画素値）の平均値の時間変化の信号を取得する。次に、脈波算出部１７は、取得した信号に対して独立成分分析を行い、色数と同じ数の独立成分を取り出す。次に、脈波算出部１７は、取り出した独立成分に対して、例えば０．７５〜４．０Ｈｚのデジタルバンドパスフィルタを用いて、高周波成分および低周波成分を除去する。次に、脈波算出部１７は、高周波成分および低周波成分を除去した後の信号に対して高速フーリエ変換を行い、各独立成分の周波数のパワースペクトルを算出する。次に、脈波算出部１７は、０．７５〜４．０Ｈｚにおけるパワースペクトルのピーク（ＰＲ:Pulse Rate）を算出し、各独立成分のピーク値と比較して、最もピーク値が大きい独立成分を脈波（脈波信号）として算出する。脈波算出部１７は、肌領域抽出部１６が抽出した肌領域１６１のそれぞれについて、脈波信号を算出し、算出した脈波信号を脈波パラメータ算出部２０に出力する。

脈波パラメータ算出部２０は、脈波取得部１０で取得した各肌領域１６１の脈波（脈波信号）を用いて、各肌領域１６１間における脈波伝播時間ＰＴＴ（Pulse Transit Time）を脈波パラメータとして算出する。

図３は、脈波パラメータ算出部２０による脈波伝播時間の算出方法を説明するためのものであり、（ａ）は、生体の血管を示す図であり、（ｂ）は、脈波の伝播を示すグラフである。ここでは、まず、図３の（ａ）に示す、脈波パラメータ算出部２０が領域Ａと領域Ｂとの間の脈波伝播時間ＰＴＴ（Ａ−Ｂ）を算出する方法について説明する。まず、領域Ａと領域Ｂとの間の距離を距離Ｌとする。図３の（ｂ）に示すグラフには、領域Ａにおいて算出された脈波と、領域Ｂにおいて算出された脈波とが図示されている。脈波パラメータ算出部２０は、領域Ａにおいて算出された脈波を時間方向にずらしていき、領域Ａにおいて算出された脈波の波形と領域Ｂにおいて算出された脈波の波形との相互相関係数が最大となる時間差（ずれ幅）を、領域Ａと領域Ｂとの間の脈波伝播時間ＰＴＴとして算出する。

脈波パラメータ算出部２０は、肌領域抽出部１６が肌領域１６１として抽出した５２領域から選んだ２つの領域の組み合わせ（全部で１３２６（＝５２Ｃ２）通り）について、それぞれ脈波伝播時間ＰＴＴを算出する。例えば、脈波パラメータ算出部２０は、図２に示す領域２３と領域２４との間の脈波伝播時間ＰＴＴ（２３−２４）を算出する。

脈波パラメータ算出部２０は、算出した１３２６通りの脈波伝播時間ＰＴＴを後述する血圧推定モデル作成部３０、評価用予測血圧算出部４１、および血圧測定部６０に出力する。

なお、脈波パラメータ算出部２０は、スプライン補間などの補間によって、より詳細に脈波伝播時間ＰＴＴを算出してもよい。また、脈波パラメータ算出部２０は、脈波の極大値や脈波の立ち上がり点などの特徴点を検出し、その当該特徴点の時間差を算出することで脈波伝播時間ＰＴＴを算出してもよい。

血圧推定モデル作成部３０は、訓練用データとしての、脈波パラメータ算出部２０において算出された脈波伝播時間ＰＴＴと、血圧取得部２において取得された被検体の血圧とを用いて、被検体の血圧を推定するための血圧推定モデルを作成する。

ここで、脈波が血管を伝播する速度ｖは、血管のヤング率をＥ、血管壁圧をａ、血管径をＲ、血液密度をρとした場合、下記の数式１（Ｍｏｅｎｓ−Ｋｏｒｔｅｗｅｇの式）で表される。

また、血管のヤング率Ｅは、血圧Ｐに対して指数関数的に変化する。血管のヤング率ＥＲは、Ｐ＝０における血管のヤング率をＥ０とした場合、下記の数式２で表される。なお、γは、血管に依存する定数である。

また、脈波伝播時間をＴ、血管経路の長さをＬとしたとき、血管経路の長さＬは、下記の数式３で表される。

上記の数式１〜数式３から、下記の数式４が導かれる。

数式４に示すように、血管経路の長さＬが一定の場合、脈波伝播時間Ｔが血圧Ｐと相関関係を有することがわかる。そこで、血圧推定モデル作成部３０は、脈波パラメータ算出部２０が算出した脈波伝播時間を用いて血圧Ｐの血圧推定モデルを作成する。

具体的には、血圧推定モデル作成部３０は、まず、複雑度１の血圧推定モデルＭ１を作成する。本開示における「複雑度」とは、血圧推定モデルにおける説明変数の数であり、血圧推定モデルに用いる脈波伝播時間の数を意味する。すなわち、複雑度１の血圧推定モデルＭ１とは、説明変数として１つの脈波伝播時間を用いた血圧推定モデルである。血圧推定モデル作成部３０は、脈波パラメータ算出部２０において算出された１つの脈波伝播時間ＰＴＴ１と、血圧取得部２において取得された被検体の血圧とに対して最小二乗法を用いた回帰分析を行うことにより、下記の式（１）に示す線形モデルである血圧推定モデルＭ１を作成する。
ＢＰ１＝α１ＰＴＴ１＋α２ ・・・（１）
ここで、ＢＰ１は、予測血圧であり、ＰＴＴ１は、任意の２つの領域間における脈波伝播時間であり、α１およびα２は、回帰分析を行うことにより得られる定数である。

例えば、血圧推定モデルＭ１−１は、領域２３と領域２４との間の脈波伝播時間ＰＴＴ（２３−２４）を用いて下記の式（２）によって表される。
ＢＰ１−１＝α１−１ＰＴＴ（２３−２４）＋α２−１ ・・・（２）
また、例えば、血圧推定モデルＭ１−２は、領域２３と領域３３との間の脈波伝播時間ＰＴＴ（２３−３３）を用いて下記の式（３）によって表される。
ＢＰ１−２＝α１−２ＰＴＴ（２３−３３）＋α２−２ ・・・（３）
血圧推定モデル作成部３０は、肌領域抽出部１６が肌領域１６１として抽出した５２領域から選んだ２つの領域のすべての組み合わせ（１３２６通り）について、複雑度１の血圧推定モデルＭ１（Ｍ１−１〜Ｍ１−１３２６）を作成する。

次に、血圧推定モデル作成部３０は、複雑度２の血圧推定モデルＭ２を作成する。すなわち、血圧推定モデル作成部３０は、説明変数として２つの脈波伝播時間ＰＴＴ１およびＰＴＴ２を用いた血圧推定モデルＭ２を作成する。具体的には、血圧推定モデル作成部３０は、脈波パラメータ算出部２０において算出された互いに異なる２つの脈波伝播時間ＰＴＴ１およびＰＴＴ２と、血圧取得部２において取得された被検体の血圧とに対して最小二乗法を用いた回帰分析を行うことにより、下記の式（４）に示す血圧推定モデルＭ２を作成する。
ＢＰ２＝β１ＰＴＴ１＋β２ＰＴＴ２＋β３ ・・・（４）
ここで、ＢＰ２は、予測血圧であり、ＰＴＴ１およびＰＴＴ２は、互いに異なる任意の２つの領域間における脈波伝播時間であり、β１、β２およびβ３は、回帰分析を行うことにより得られる定数である。

例えば、血圧推定モデルＭ２−１は、領域２３と領域２４との間の脈波伝播時間ＰＴＴ（２３−２４）および領域２３と領域３３との間の脈波伝播時間ＰＴＴ（２３−３３）を用いて下記の式（５）によって表される。
ＢＰ２−１＝β１−１ＰＴＴ（２３−２４）＋β２−１ＰＴＴ（２３−３３）＋β３−１
・・・（５）
血圧推定モデル作成部３０は、脈波パラメータ算出部２０が算出した１３２６個の脈波伝播時間から選んだ２つの脈波伝播時間のすべての組み合わせ（８７８４７５（＝１３２６Ｃ２）通り）について、複雑度２の血圧推定モデルＭ２（Ｍ２−１〜Ｍ２−８７８４７５）を作成する。

以下同様にして、血圧推定モデル作成部３０は、複雑度３の血圧推定モデルＭ３、複雑度４の血圧推定モデルＭ４、・・・を作成する。血圧推定モデル作成部３０は、作成した血圧推定モデルを後述する血圧推定モデル評価部４０（より詳細には、評価用予測血圧算出部４１）に出力する。

なお、本実施形態では、血圧推定モデル作成部３０が回帰分析によって線形の血圧推定モデルを作成する態様であったが、本開示の血圧測定装置はこれに限られない。本開示の一態様の血圧測定装置では、非線形の血圧推定モデルを作成してもよい。また、血圧推定モデルを作成する際には、最小二乗法を用いた回帰分析に限らず、Ｌ１正則化を導入したＬａｓｓｏによって過学習の抑制を考慮した推定を行ってもよい。

血圧推定モデル評価部４０は、血圧推定モデル作成部３０において作成された血圧推定モデルの評価を行う。血圧推定モデル評価部４０は、評価用予測血圧算出部４１と、モデル評価指数算出部４２とを含む。

評価用予測血圧算出部４１は、血圧推定モデル作成部３０において作成された血圧推定モデルに対して、テスト用データとして脈波パラメータ算出部２０から出力された脈波伝播時間ＰＴＴを適用することにより、血圧推定モデルにおける予測血圧を算出する。

モデル評価指数算出部４２は、評価用予測血圧算出部４１が算出した予測血圧と、血圧取得部２が取得した血圧（テスト用データ）との平均二乗誤差（MSE:Mean Square error）を血圧推定モデルの評価指数として算出する。モデル評価指数算出部４２は、複雑度の小さい血圧推定モデルから順番に血圧推定モデルの評価指数を算出し、モデル選択部５０に出力する。

なお、血圧推定モデルの評価指数は、平均二乗誤差に限られず、例えば、平均絶対誤差、誤差の標準偏差、自由度調整済み決定指数、ＡＩＣ（Akaike's Information Criteria）などを用いることができる。

モデル選択部５０は、血圧推定モデル評価部４０（より詳細には、モデル評価指数算出部４２）による評価に基づいて、血圧推定モデル作成部３０が作成した複数の血圧推定モデルの中から測定モデルを選択する。

図４は、モデル選択部５０による測定モデルの選択方法を説明するためのグラフである。図４に示すように、モデル選択部５０は、各複雑度における平均二乗誤差が最も小さい血圧推定モデル同士をプロットしたときに、平均二乗誤差が極小値となる血圧推定モデルを測定モデルとして選択する。モデル選択部５０は、選択した測定モデルを後述する血圧測定部６０に出力する。

血圧測定装置１Ａでは、血圧推定モデル作成部３０における血圧推定モデルの作成のためのデータ（訓練用データ）と、血圧推定モデル評価部４０における血圧推定モデルの評価のためのデータ（テスト用データ）とを異なるデータとする。これにより、モデル選択部５０は、図４に示すように、過学習に陥ることなく、テスト用データへの当てはまりが良い汎化性能にすぐれた測定モデルを選択することができる。

なお、血圧推定モデル作成部３０および血圧推定モデル評価部４０は、モデル選択部５０が測定モデルを選択した時点で、それぞれ血圧推定モデルの作成および血圧推定モデルの評価を中止する。これにより、血圧推定モデル作成部３０および血圧推定モデル評価部４０における計算量を削減することができる。

以上のように、脈波取得部１０、脈波パラメータ算出部２０、血圧推定モデル作成部３０、血圧推定モデル評価部４０、およびモデル選択部５０は、被検体の脈波に基づいて被検体の血圧を測定するための測定モデルを設定するモデル設定装置１００として機能する。

血圧測定部６０は、モデル選択部５０（モデル設定装置１００）によって選択された測定モデルに対して、脈波パラメータ算出部２０から出力された脈波伝播時間ＰＴＴを適用することにより、被検体の血圧を測定する。血圧測定部６０により測定された被検体の血圧は、血圧測定結果出力部７０によって出力される。

図５は、血圧測定結果出力部７０の一例を示す図である。血圧測定結果出力部７０は、例えば、図５に示すように、ディスプレイ（例えば、液晶ディスプレイ）であってよい。

（血圧測定装置１Ａの処理）
図６は、血圧測定装置１Ａの処理の流れの一例を示すフローチャートである。

図６に示すように、血圧測定装置１Ａによる被検体の血圧測定およびモデル設定方法では、まず、撮像部１１が被検体の顔画像を撮像する（Ｓ１）。次に、顔画像取得部１４が、撮像部１１が撮像した被検体の画像から被検体の顔画像を取得する（Ｓ２）。次に、顔画像分割部１５が、顔画像取得部１４が抽出した顔画像を複数の領域に分割する（Ｓ３）。次に、肌領域抽出部１６が、顔画像分割部１５が分割した領域のうち肌が完全に隠れていない領域を肌領域１６１として抽出する（Ｓ４）。次に、脈波算出部１７が、肌領域抽出部１６が抽出した肌領域１６１のそれぞれについて、脈波を算出する（Ｓ５）。ステップＳ１〜Ｓ５は、被検体の顔における複数の領域において脈波を取得する脈波取得工程である。

次に、脈波パラメータ算出部２０が、ステップＳ５において取得した各肌領域１６１の脈波（脈波信号）を用いて、各肌領域１６１間における脈波伝播時間ＰＴＴを算出する（Ｓ６、脈波伝播時間算出工程、脈波パラメータ算出工程）。

次に、現在血圧を測定しようとしている被検体の測定モデルがすでに存在しているかどうかを確認する（Ｓ７）。上記測定モデルが存在しない場合（Ｓ７でＮＯ）、血圧取得部２が、被検体の血圧を取得する（Ｓ８、血圧取得工程）。

次に、血圧推定モデル作成部３０が、訓練用データとしての、脈波パラメータ算出部２０において算出された脈波伝播時間ＰＴＴと、血圧取得部２において取得された被検体の血圧とを用いて、複雑度１の複数の血圧推定モデルを作成する（Ｓ９、血圧推定モデル作成工程）。なお、本工程で用いられる被検体の血圧は、被検体の顔画像の撮影と同時に測定された血圧である。

次に、評価用予測血圧算出部４１が、血圧推定モデル作成部３０において作成された複数の複雑度１の血圧推定モデルに対して、テスト用データとして脈波パラメータ算出部２０から出力された脈波伝播時間ＰＴＴを適用することにより、複雑度１の血圧推定モデルにおける予測血圧を算出する（Ｓ１０）。

次に、モデル評価指数算出部４２が、血圧推定モデルの評価指数として、評価用予測血圧算出部４１が算出した予測血圧と、血圧取得部２が取得した血圧との平均二乗誤差を算出する（Ｓ１１）。ステップＳ１０およびＳ１１は、血圧推定モデルの評価を行う血圧推定モデル評価工程である。

次に、モデル選択部５０が、各複雑度における平均二乗誤差が最も小さい血圧推定モデル同士をプロットしたときに、平均二乗誤差の極小値を得られたかどうかを判定する（Ｓ１２）。換言すれば、モデル選択部５０は、直前のステップＳ１１で算出した複雑度における最小の平均二乗誤差が、１つ前のステップＳ１１で算出した複雑度における最小の平均二乗誤差よりも大きいかどうかを判定する。なお、ステップＳ１２を初めて行う場合には、比較対象となる最小の平均二乗誤差が存在しないため、ステップＳ１２はＮＯとなる。

平均二乗誤差の極小値が得られなかった場合（換言すれば、直前のステップＳ１１で算出した複雑度における最小の平均二乗誤差が、１つ前のステップＳ１１で算出した複雑度における最小の平均二乗誤差よりも小さい場合）（Ｓ１２でＮＯ）、血圧推定モデルの複雑度を１上げて（ステップＳ１３）、ステップＳ９〜Ｓ１２を繰り返す。

一方、平均二乗誤差の極小値が得られた場合（換言すれば、直前のステップＳ１１で算出した複雑度における最小の平均二乗誤差が、１つ前のステップＳ１１で算出した複雑度における最小の平均二乗誤差よりも大きい場合）（Ｓ１２でＹＥＳ）、モデル選択部５０は、平均二乗誤差が極小値を示す血圧推定モデルを測定モデルとして選択する（Ｓ１４）。ステップＳ１２およびＳ１４は、複数の血圧推定モデルの中から測定モデルを選択するモデル選択工程である。

次に、血圧測定部６０が、モデル選択部５０によって選択された測定モデルに対して、脈波パラメータ算出部２０から出力された脈波伝播時間ＰＴＴを適用することにより、被検体の血圧を測定する（Ｓ１５）。なお、ステップＳ７において、現在血圧を測定しようとしている被検体の測定モデルがすでに存在している場合（ステップＳ７でＹＥＳ）は、ステップＳ８〜Ｓ１４を行わずにステップＳ１５を行う。

最後に、血圧測定部６０により測定された被検体の血圧を血圧測定結果出力部７０によって出力する（Ｓ１６）。

以上のように、本実施形態におけるモデル設定装置１００では、互いに異なる領域間から算出した複数の脈波伝播時間を用いて複数の血圧推定モデルを作成する。そして、複数の血圧推定モデルを評価して測定モデルを設定する。

上記の構成によれば、被検体の血圧に相関が高い領域間の脈波伝播時間を用いて測定モデルを設定することができる。その結果、モデル設定装置１００は、被検体ごとに異なる血管網、輪郭、顔の大きさなどに適合した測定モデルを設定することができるので、被検体の血圧を精度良く測定することができる。

なお、本実施形態では、撮像部１１が血圧測定装置１Ａに備えられている構成であったが本開示の血圧測定装置はこれに限られない。本開示の一態様では、スマートフォンのインカメラや見守りロボット搭載のカメラなどによって撮像した画像を血圧測定装置に出力して、当該画像を用いて測定モデルを設定する態様でもよい。

また、本実施形態では、被検体の顔画像を用いて測定モデルを設定する態様であったが、本開示の血圧測定装置はこれに限られない。本開示の一態様では、被検体の脈波を取得できる領域であれば、顔以外の領域の画像を用いて測定モデルを設定してもよい。ただし、顔画像を用いた場合、被検体に対する負担が少なく、被検体が自然な状態における血圧を測定することができる。

また、本実施形態では、カメラを用いて生体に接触することなく脈波を取得していたが、これに限られない。本開示の血圧測定装置では、被検体の少なくとも３つの領域から脈波を取得できればよく、接触式のセンサを用いて脈波を取得してもよい。

また、本実施形態では、脈波パラメータ算出部２０において各複雑度において算出された脈波伝播時間ＰＴＴのすべての組み合わせについてそれぞれ血圧推定モデルを作成する態様であったが、本開示の血圧測定装置はこれに限られない。本開示の一態様では、少なくとも２つの脈波伝播時間ＰＴＴを用いて、複雑度の異なる少なくとも２つの血圧推定モデルを作成すればよい。

また、本実施形態では、血圧推定モデル作成部３０における血圧推定モデルの作成のためのデータ（訓練用データ）と、血圧推定モデル評価部４０における血圧推定モデルの評価のためのデータ（テスト用データ）とを異なるデータとしていたが、本開示の血圧測定装置はこれに限られない。本開示の一態様では、血圧推定モデル作成部３０において用いたデータから算出できる指標（例えば、自由度調整済み決定係数など）によって血圧推定モデルの評価、および測定モデルの選択を行う場合には、訓練用データと評価用データとを同じデータにすることができる。

また、本実施形態では、血圧推定モデル作成部３０において、複雑度の異なる複数のモデルを作成する態様であったが、この態様に限られない。本開示の一態様では、以下のようにモデル作成を行っても良い。すなわち、訓練用データを用いて作成した一つのモデルに対して、訓練用データとして脈波パラメータ算出部２０で出力された脈波パラメータを適用し予測血圧を算出する。次に、血圧取得部２で取得した血圧に対する、算出した訓練用データの予測血圧の誤差の正負および大きさに応じて訓練用データを分類し、各分類に該当するデータを用いて、分類ごとにモデル作成を行う。具体的には、例えば誤差０を閾値とした時、正の誤差の群（１）と負の誤差の群（２）との２つに訓練用データを分類し、分類ごとにモデル作成を行う。その結果、ある一つのモデルでは適合度が低く、誤差が大きくなるデータについても、同様の誤差傾向のデータ（例えば、あるモデルに対して正の誤差が生じるデータ群）を同一分類として新たに再学習させることで、様々なデータの傾向に対応できるモデルを作成することが出来る。なお、正の誤差の群（１）で作成したモデルと、負の誤差の群（２）で作成したモデルとは、異なるパラメータを用いた血圧推定モデルでもよい。

また、本実施形態では、モデル選択部５０において、血圧推定モデル評価部４０で算出した複数の被験者データを含むテスト用データから算出したモデル評価指数に基づいてモデル選択を行い、複数の被験者への汎化性の高いモデル選択を行う態様であったが、この態様に限られない。本開示の一態様では、各被験者の少なくとも１データを用いて、被験者ごとに最適なモデルを選択してもよい。

また、本実施形態では、血圧推定モデルを作成するために、互いに異なる領域間から算出した複数の脈波伝播時間ＰＴＴを説明変数（脈波パラメータ）として用いていたが、本開示の血圧測定装置はこれに限られない。本開示の一態様では、脈波伝播時間ＰＴＴに加えて、各肌領域１６１から算出される脈波の波形特徴量を血圧推定モデルの説明変数として用いて血圧推定モデルを作成してもよい。また、本開示の一態様では、脈波伝播時間ＰＴＴを用いずに複数の波形特徴量のみを血圧推定モデルの説明変数として用いて血圧推定モデルを作成してもよい。また、本開示の一態様では、脈波伝播時間と波形特徴量以外に、例えば、脈拍数などを脈波パラメータとして用いることができる。

図７の（ａ）は、脈波波形の一例を示すグラフであり、図７の（ｂ）は、加速度脈波波形の一例を示すグラフである。図８は、上記波形特徴量を説明するための図である。上記波形特徴量は、図７の（ａ）に示すような脈波波形、または、図７の（ｂ）に示すような、脈波信号を２回微分して得られる加速度脈波波形を用いて算出することができる。上記波形特徴量は、例えば、図８に示すように、各特徴点ａ〜ｅにおける振幅、当該振幅の比（例えば、特徴点ｂの振幅に対する特徴点ａの振幅の比）、各波形特徴量の時間差（例えば、特徴点ａと特徴点ｂとの間の時間差）などを用いることができる。

なお、本実施形態で説明した脈波伝播時間ＰＴＴのみを用いるモデルの場合には、複数の脈波伝播時間を求めるために、少なくとも３つの領域において脈波を算出する必要があった。これに対して、波形特徴量のみを用いる場合には、１つの領域から複数の波形特徴量を算出することができるため、少なくとも１つの領域において脈波を算出すればよい。また、脈波伝播時間ＰＴＴと波形特徴量とを用いる場合には、少なくとも２つの領域において脈波を算出することにより、１つの脈波伝播時間ＰＴＴと複数の波形特徴量を得ることができる。

〔実施形態２〕
本発明の他の実施形態について、以下に説明する。なお、説明の便宜上、上記実施形態にて説明した部材と同じ機能を有する部材については、同じ符号を付記し、その説明を繰り返さない。

図９は、本実施形態における血圧測定装置１Ｂの構成を示すブロック図である。血圧測定装置１Ｂは、図９に示すように、実施形態１における血圧推定モデル評価部４０、モデル選択部５０および血圧測定部６０に代えて、血圧推定モデル評価部４０Ａ、モデル候補抽出部８０および血圧測定部９０を備えている。

血圧推定モデル評価部４０Ａは、実施形態１におけるモデル評価指数算出部４２に代えて、モデル評価指数算出部４２Ａを備えている。

モデル評価指数算出部４２Ａは、評価用予測血圧算出部４１が算出した予測血圧と、血圧取得部２が取得した血圧（テスト用データ）との誤差の標準偏差を血圧推定モデルの評価指数として算出する。モデル評価指数算出部４２Ａは、算出した評価指数をモデル候補抽出部８０に出力する。

モデル候補抽出部８０は、モデル評価指数算出部４２が算出した評価指数が、一定の閾値よりも低い値の血圧推定モデルを血圧測定部９０において血圧を測定するための測定モデル候補として抽出する。モデル候補抽出部８０は、血圧測定部９０において血圧を測定するための測定モデル候補を複数選択するモデル選択部としての機能を有する。

図１０は、モデル評価指数算出部４２Ａがテスト用データから算出した、血圧推定モデルの誤差の標準偏差の分布を示すグラフである。

図１０に示すように、モデル候補抽出部８０は、例えば、誤差の標準偏差が非観血式血圧計の規格とされる８ｍｍｇＨｇ以下の血圧推定モデルを測定モデル候補として抽出する。

図１１は、モデル評価指数算出部４２Ａが算出した誤差の標準偏差のランキングを示す表である。なお、本実施形態では、複雑度が１または２の血圧推定モデルを用いる例について説明する。図１１に示すように、モデル評価指数算出部４２Ａにより、１３２６個の複雑度１の血圧推定モデルおよび８７８４７５個の複雑度２の血圧推定モデルの計８７９８０１個の血圧推定モデルの誤差の標準誤差が得られる。例えば、順位１の血圧推定モデルは、領域６８と領域８８との間の脈波伝播時間ＰＴＴ（６８−８８）と、領域６５と領域９６との間の脈波伝播時間ＰＴＴ（６５−９６）とを用いた複雑度２の血圧推定モデルであり、誤差の標準偏差が５．０２ｍｍＨｇである。モデル候補抽出部８０は、８７９８０１個の血圧推定モデルの中から誤差の標準偏差が８ｍｍｇＨｇ以下の複数の血圧推定モデルを測定モデル候補として抽出し、抽出した測定モデル候補を血圧測定部９０（より詳細には、測定モデル決定部９２）へ出力する。

血圧測定部９０は、信号品質評価部９１と、測定モデル決定部９２と、血圧算出部９３とを備えている。

信号品質評価部９１は、血圧を測定する際に用いられる各領域の脈波の信号品質を評価する。具体的には、信号品質評価部９１は、以下の方法で算出した脈波信号のＳＮＲ（信号雑音比、Signal-to-Noise Ratio）を算出する。

図１２は、脈波信号のパワースペクトルの一例を示すグラフである。

前提として、脈波は心臓のポンプ作用によって動脈に伝わる波であるため、脈波信号は心拍に合わせた一定の周期を持ち、図１２に示すように、脈波信号に周波数解析を行うと安静時データにおいては１Ｈｚ前後にピーク（ＰＲ）が確認できる。これを利用し、信号品質評価部９１は、図１２に示すように、脈波信号の周波数のパワースペクトルにおける、ＰＲの±０．０５Ｈｚのパワー和をＳｉｇｎａｌ、０．７５〜４．０ＨｚのＳｉｇｎａｌ帯域以外のパワー和をＮｏｉｓｅとし、ＳＮＲ＝Ｓｉｇｎａｌ／Ｎｏｉｓｅを算出する。信号品質評価部９１は、算出したＳＮＲを測定モデル決定部９２に出力する。なお、Ｓｉｇｎａｌの帯域幅およびＮｏｉｓｅの帯域幅は上記の幅に限らず、適宜決定することができる。

測定モデル決定部９２は、信号品質評価部９１による脈波の信号品質に基づいて、モデル候補抽出部８０が抽出した複数の測定モデル候補の中から測定モデルを決定する。具体的には、測定モデル決定部９２は、モデル候補抽出部８０が抽出した測定モデル候補のうち、測定モデル候補において用いられる各領域におけるＳＮＲがすべての領域において０．１５以上の測定モデル候補を測定モデルとして決定する。

図１３は、測定モデル決定部９２による測定モデルの決定方法を説明するための表である。図１３に示す例では、順位２の測定モデル候補および順位４の測定モデル候補が、（条件１）誤差の標準偏差が８ｍｍｇＨｇ以下であり、かつ、（条件２）各領域におけるＳＮＲがすべての領域において０．１５以上になっている。測定モデル決定部９２は、この場合、より順位が高い順位２の測定モデル候補を測定として決定する。測定モデル決定部９２は、決定した測定モデルを血圧算出部９３へ出力する。なお、本実施形態では、ＳＮＲの閾値を０．１５としたが、ＳＮＲの閾値は、これに限られず、適宜設定することができる。

血圧算出部９３は、測定モデル決定部９２によって決定された測定モデルに対して、脈波パラメータ算出部２０から出力された脈波伝播時間ＰＴＴを適用することにより、被検体の血圧を測定する。血圧算出部９３（血圧測定部９０）により測定された被検体の血圧は、血圧測定結果出力部７０によって出力される。

以上のように、本実施形態における血圧測定装置１Ｂでは、血圧測定部９０が、血圧推定モデル評価部４０（より詳細には、モデル評価指数算出部４２Ａ）による評価と、信号品質評価部９１による脈波の信号品質とに基づいて、モデル候補抽出部８０が抽出した複数の測定モデル候補の中から測定モデルを選択し、被検体の血圧を測定する。

上記の構成によれば、血圧測定部９０において被検体の血圧を測定する際に、複数の測定モデル候補の中から、測定時点において脈波の信号品質が高い測定モデル候補を測定モデルとして用いることができる。その結果、測定モデルを作成する時点と、血圧を測定する時点において、撮像環境が大きく異なるような場合においても、撮像環境に応じた適切な測定モデルを用いて血圧を測定することができる。これにより、安定して精度の高い血圧測定を行うことができる。

なお、本実施形態では、条件１および条件２をともに満たす測定モデル候補が複数あった場合は、より順位が高い測定モデル候補を測定として決定する態様であったが、本開示の血圧測定装置はこれに限られない。本開示の一態様の血圧測定装置では、条件１および条件２をともに満たす測定モデル候補を用いて複数の血圧を算出し、当該複数の血圧の代表値（例えば、平均値、中央値）を血圧として算出する態様であってもよい。

また、本実施形態では、モデル評価指数算出部４２Ａが算出した誤差の標準偏差のランキングを作成し、当該ランキングから測定モデルを決定する態様であったが、本開示の血圧測定装置はこれに限られない。本開示の一態様の血圧測定装置では、信号品質評価部９１が評価した信号品質を用いて各領域のランキングを作成し、測定モデル候補の中からより上位のランキングの領域を用いる測定モデル候補を測定モデルとして決定する態様であってもよい。

また、本実施形態では、複雑度が１または２の血圧推定モデルを用いる態様であったが、本開示の血圧測定装置はこれに限られない。本開示の一態様の血圧測定装置では、例えば、リアルタイムで血圧の測定を行いたい場合は、例えば、計算量を削減するために、複雑度が小さい血圧推定モデルのみ（例えば、複雑度１の血圧推定モデルのみ）を用いる態様であってもよい。

また、本実施形態では、信号品質評価部９１が脈波信号のＳＮＲを用いて脈波の信号品質を評価する態様であったが、本開示の血圧測定装置はこれに限られない。本開示の一態様では、信号品質評価部９１は、輝度値を用いて脈波の信号品質を評価してもよい。

〔ソフトウェアによる実現例〕
血圧測定装置１Ａおよび血圧測定装置１Ｂの制御ブロック（特に脈波取得部１０、脈波パラメータ算出部２０、血圧推定モデル作成部３０、血圧推定モデル評価部４０、モデル選択部５０および血圧測定部６０）は、集積回路（ＩＣチップ）等に形成された論理回路（ハードウェア）によって実現してもよいし、ソフトウェアによって実現してもよい。

後者の場合、血圧測定装置１Ａおよび血圧測定装置１Ｂは、各機能を実現するソフトウェアであるプログラムの命令を実行するコンピュータを備えている。このコンピュータは、例えば少なくとも１つのプロセッサ（制御装置）を備えていると共に、上記プログラムを記憶したコンピュータ読み取り可能な少なくとも１つの記録媒体を備えている。そして、上記コンピュータにおいて、上記プロセッサが上記プログラムを上記記録媒体から読み取って実行することにより、本発明の目的が達成される。上記プロセッサとしては、例えばＣＰＵ（Central Processing Unit）を用いることができる。上記記録媒体としては、「一時的でない有形の媒体」、例えば、ＲＯＭ（Read Only Memory）等の他、テープ、ディスク、カード、半導体メモリ、プログラマブルな論理回路などを用いることができる。また、上記プログラムを展開するＲＡＭ（Random Access Memory）などをさらに備えていてもよい。また、上記プログラムは、該プログラムを伝送可能な任意の伝送媒体（通信ネットワークや放送波等）を介して上記コンピュータに供給されてもよい。なお、本発明の一態様は、上記プログラムが電子的な伝送によって具現化された、搬送波に埋め込まれたデータ信号の形態でも実現され得る。

本発明は上述した各実施形態に限定されるものではなく、請求項に示した範囲で種々の変更が可能であり、異なる実施形態にそれぞれ開示された技術的手段を適宜組み合わせて得られる実施形態についても本発明の技術的範囲に含まれる。さらに、各実施形態にそれぞれ開示された技術的手段を組み合わせることにより、新しい技術的特徴を形成することができる。

（関連出願の相互参照）
本出願は、2018年5月10日に出願された日本国特許出願：特願2018-091651に対して優先権の利益を主張するものであり、それを参照することにより、その内容の全てが本書に含まれる。

１Ａ、１Ｂ 血圧測定装置
２ 血圧取得部
１０ 脈波取得部
１２ 光源
１３ 光源調節部
２０ 脈波パラメータ算出部（脈波伝播時間算出部）
３０ 血圧推定モデル作成部
４０、４０Ａ 血圧推定モデル評価部
５０ モデル選択部
６０、９０ 血圧測定部
８０ モデル候補抽出部（モデル選択部）
９１ 信号品質評価部
１００ モデル設定装置

Claims (10)

1. 生体の脈波に基づいて当該生体の血圧を測定するための測定モデルを設定するモデル設定装置であって、
   前記生体の血圧を取得する血圧取得部と、
   前記生体の体表における領域において前記脈波を取得する脈波取得部と、
   前記脈波取得部で取得した脈波を用いて、脈波パラメータを複数算出する脈波パラメータ算出部と、
   前記脈波パラメータ算出部において算出された複数の前記脈波パラメータと、前記血圧取得部において取得された前記生体の血圧とを用いて、前記生体の血圧を推定するための血圧推定モデルを複数作成する血圧推定モデル作成部と、
   前記血圧推定モデル作成部において作成された複数の前記血圧推定モデルの評価を行う血圧推定モデル評価部と、
   前記血圧推定モデル評価部による評価に基づいて複数の前記血圧推定モデルの中から前記測定モデルを少なくとも１つ選択するモデル選択部と、を備えることを特徴とするモデル設定装置。
2. 前記脈波取得部は、前記生体の体表における２つ以上の領域において前記脈波を取得し、
   前記脈波パラメータ算出部は、前記脈波取得部で取得した脈波を用いて、前記２つ以上の領域の領域間における少なくとも１つの脈波伝播時間と、少なくとも１つの波形特徴量とを、前記脈波パラメータとして算出することを特徴とする請求項１に記載のモデル設定装置。
3. 前記脈波取得部は、前記生体の体表における３つ以上の領域において前記脈波を取得し、
   前記脈波パラメータ算出部は、前記脈波取得部で取得した脈波を用いて、前記３つ以上の領域のうち２つの領域間における脈波伝播時間を前記脈波パラメータとして算出することを特徴とする請求項１に記載のモデル設定装置。
4. 前記脈波パラメータ算出部は、前記生体の肌領域として抽出された領域から選んだ２つの領域のすべての組み合わせについて前記脈波伝播時間を算出することを特徴とする請求項２または３に記載のモデル設定装置。
5. 前記脈波取得部は、前記生体の体表における１つ以上の領域において前記脈波を取得し、
   前記脈波パラメータ算出部は、前記脈波取得部で取得した脈波を用いて、前記１つ以上の領域の波形特徴量を前記脈波パラメータとして算出することを特徴とする請求項１に記載のモデル設定装置。
6. 前記脈波取得部は、前記生体の顔における前記脈波を取得することを特徴とする請求項１〜５のいずれか１項に記載のモデル設定装置。
7. 請求項１〜６のいずれか１項に記載のモデル設定装置を備え、
   前記モデル選択部によって選択された前記測定モデルを用いて、前記生体の血圧を測定する血圧測定部を備えることを特徴とする血圧測定装置。
8. 前記脈波取得部によって取得した脈波の信号品質を評価する信号品質評価部をさらに備え、
   前記モデル選択部は、前記測定モデルの候補を複数選択し、
   前記血圧測定部は、前記血圧推定モデル評価部による評価と、前記信号品質評価部による前記信号品質の評価とに基づいて、前記モデル選択部が選択した複数の前記候補の中から前記測定モデルを選択し、前記生体の血圧を測定することを特徴とする請求項７に記載の血圧測定装置。
9. 前記脈波取得部が前記生体の脈波を取得する際に前記生体に対して光を照射する光源と、
   前記モデル選択部が選択した前記測定モデルで使用される前記脈波パラメータを精度良く算出するために光源を調節する光源調節部とを備えることを特徴とする請求項７または８に記載の血圧測定装置。
10. 生体の脈波に基づいて当該生体の血圧を測定するための測定モデルを設定するモデル設定方法であって、
    前記生体の血圧を取得する血圧取得工程と、
    前記生体の体表における領域において前記脈波を取得する脈波取得工程と、
    前記脈波取得工程で取得した脈波を用いて、脈波パラメータを複数算出する脈波パラメータ算出工程と、
    前記脈波パラメータ算出工程において算出された複数の前記脈波パラメータと、前記血圧取得工程において取得された前記生体の血圧とを用いて、前記生体の血圧を推定するための血圧推定モデルを複数作成する血圧推定モデル作成工程と、
    前記血圧推定モデル作成工程において作成された複数の前記血圧推定モデルの評価を行う血圧推定モデル評価工程と、
    前記血圧推定モデル評価工程による評価に基づいて複数の前記血圧推定モデルの中から前記測定モデルを少なくとも１つ選択するモデル選択工程と、を含むことを特徴とするモデル設定方法。

Images