WO2004082479A1

WO2004082479A1 - 心身状態判定システム

Info

Publication number: WO2004082479A1
Application number: PCT/JP2004/002054
Authority: WO
Inventors: Michiko Takaoka; Kakuichi Shiomi
Original assignee: Electronic Navigation Research Institute, Independent Administrative Institution
Priority date: 2003-02-24
Filing date: 2004-02-23
Publication date: 2004-09-30
Also published as: EP1607043B1; JP4505619B2; EP1607043A4; US20060232430A1; JPWO2004082479A1; EP1607043A1; US7737859B2

Abstract

被計測者の心身状態を、被計測者に意識させることなく予測又は判断することを目的とした心身状態判定システム１であって、被計測者の荷重値又は重心位置の時系列信号からリアプノフ指数等の心身状態指数を算出するデータ処理手段２０と、データ処理手段２０に於いて算出された心身状態指数と、心身状態に対応した既知の心身状態指数の時間的傾向及び／又は数値を格納しているデータベース内の心身状態指数とを比較し、被計測者の心身状態を予測又は判断する評価手段２２とを有する。

Description

明細書心身状態判定システム技術分野

本発明は、人間の荷重値又は重心位置の時系列信号を被計測者に意識させることなく計測し、カオス理論に基づいて被計測者の覚醒や非覚醒等の心身状態を予測又は判断する心身状態判定システムに関する。背景技術

従来、自動車、鉄道車両の運転手や、航空機のパイロットや、航空管制機の操縦者の居眠り等による事故を防止する為に、運転者の頭の傾き方やまばたきの回数等から居眠り状態を判定する装置があった（例えば、特許文献 1、特許文献 2参照。）。

又、何ら操縦操作を行わない時間が規定の時間を超えた場合や計器盤上の特定の場所に設置されるセンサ一を規定の時間間隔で触らなかった場合に、居眠りしているものとみなして警報を出力したり、自動的にブレーキを掛ける装置があった。

特許文献 1

特開平 1 1一 1 6 1 7 9 8号公報（第 2〜3頁第 7段落〜第 1 2段落、第 5頁第 3 6段落〜第 3 7段落）

特許文献 2

特開平 9一 1 0 9 7 2 3号公報（第 5頁第 5 0段落）特許文献 1や特許文献 2に開示されている装置は、判断対象となる頭の傾き方やまばたきの回数に個人差がある為、居眠りしているかどうかは主観的判断に委ねられることが多く、正確な判断が困難であり、居眠りする前の状態と十分に覚醒している状態とを見分けることが出来ず、事故の未然防止に完全に対応出来ないという問題があった。

更には、運転者の身体や近傍にセンサーやカメラ等を取り付けなければならないので装置の着脱に大変手間が掛かり、設置した装置が運転、操縦する者の邪魔になり気が散る等の欠点があった。

規定の時間内に何らかの操作をしなかった場合に警報を出力したり、ブレーキを掛ける装置は、偶然的に操作しない時間が長い場合には、例え居眠りしていなくても「居眠りしている」と誤検出されてしまうので、被計測者は何らかの操作を行わなければならないことを常に意識して運転する必要があり、かえって事故になりやすいという問題があつた。

又、居眠り検出の為の時間間隔の設定は結局主観的判断により行われることが多いので、正確な心身状態判断が出来るとは言い難かった。発明の開示

本発明者は上記問題点に鑑み、カオス的な挙動を示す人間の荷重値や重心位置の時系列信号からリアプノフ指数等の心身状態指数を算出し、既知の心身状態指数と比較することにより、被計測者に負担を掛けることなく無意識のうちに、且つ主観的判断によらず、被計測者の心身状態を予測又は判断し、居眠り等に陥る前に事故を未然に且つ確実に防止することが出来る心身状態判定システムを発明した。

尚、本発明に於ける「心身状態」とは、身体の健康状態及び、心理状態を指す。例えば、健康状態には、「起きている」覚醒状態や、「眠っている」非覚醒状態が含まれ、更に、非覚醒状態は浅い眠り（レム睡眠）から深い眠り (ノンレム睡眠) までの各段階に分けられる。又、心理状態には、疲労、緊張、不安等で表現されるような状態が含まれる。身体の健康状態と、心理状態とは、いずれも脳の働きに起因するものであり、密接に関わりがある為、これらをまとめて「心身状態」としている。又、心身状態は脳の働きに起因して発生するものであることから、本発明に於いて「心身状態」は「脳機能状態」と同義である。

「カオス理論」とは「T h e e s s e n c e o f c h a o s ( E .

N. L o r e n z ) 」等の代表的な公知文献に記載されているように、「非線形システムに生じる確率的振動現象等から初期条件に関する依存性等を見出す理論」を指し、「リアプノフ指数等の心身状態指数」とはそのカオス理論に於いて、カオスであるかどうかを定量的に判定する為の数値を指す。又、人間の荷重値には、荷重値に換算可能な値又は、荷重値に対応して得られる値（加速度値等）も含まれるものとする。

請求の範囲 1の発明は、

人間の覚醒状態や非覚醒状態等の心身状態を予測する心身状態判定システムであって、被計測者の荷重値又は重心位置の時系列信号からリアプノフ指数等の心身状態指数を算出するデータ処理手段と、前記データ処理手段に於いて算出された心身状態指数の時間的傾向と、心身状態に対応した既知の心身状態指数の時間的傾向とを比較し、前記被計測者の心身状態を予測する評価手段とを有する心身状態判定システムである。

請求の範囲 2の発明は、

人間の覚醒状態や非覚醒状態等の心身状態を判断する心身状態判定システムであって、被計測者の荷重値又は重心位置の時系列信号からリアプノフ指数等の心身状態指数を算出するデータ処理手段と、前記データ処理手段に於いて算出された心身状態指数の数値と、心身状態に対応した既知の心身状態指数の数値とを比較し、前記被計測者の心身状態を判断する評価手段とを有する心身状態判定システムである。

請求の範囲 1、請求の範囲 2の発明により、被計測者に意識させることなく、且つ主観的判断によらず被計測者の心身状態を予測又は判断することが出来る。

請求の範囲 3の発明は、

前記被計測者の荷重値を出力するセンサーを有する心身状態判定システムである

請求の範囲 3の発明により、荷重値を出力するセンサ一を用いることにより、被計測者に意識させることなく、心身状態を予測又は判断することが出来る。

請求の範囲 4の発明は、

前記センサ一は 1個である心身状態判定システムである。

請求の範囲 4の発明により、複数センサ一間相互の同期取りや、センサ一間で相互に発生する出力遅延による個体差を考慮する必要がなく、又、部品コストを低減することが出来る。

請求の範囲 5の発明は、

前記センサーは、ピエゾ素子、感圧抵抗体素子、ポテンションメーター等の圧力センサー、又は加速度センサーのいずれかである心身状態判定システムである。

上記のような荷重値を出力するセンサ一は小型、高耐圧、入手性容易であり、椅子やべッドに内蔵して心身状態判定に利用しやすい。

請求の範囲 6の発明は、

前記センサ一は、前記被計測者の荷重がかかる椅子又はべッドに取り付けられる心身状態判定システムである

請求の範囲 6の発明により、椅子やベッドにセンサーを取り付けて、被計測者が椅子に座った状態で、又、ベッドに横たわった状態で、心身状態の予測又は判断を行うことが出来る。

請求の範囲 7の発明は、前記椅子又はべッドは、内部にスプリング等の弾性材料を有する心身状態判定システムである。

請求の範囲 7の発明により、被計測者にとって違和感の少ない掎子やべッドになるし、直接、内部にセンサーを入れ込むことが出来、床下等にセンサーを設ける必要がない。

請求の範囲 8の発明は、

前記被計測者の荷重値又は重心位置の時系列信号に含まれる不要な周波数成分を除去するノイズ除去手段を有する心身状態判定システムである。

請求の範囲 8の発明により、荷重値又は重心位置の時系列信号から不要な周波数成分を除去し、心身状態の予測又は判断の精度が向上する。

請求の範囲 9の発明は、

前記被計測者の荷重値又は重心位置の時系列信号を、 1 0 H zから 1 0 0 H zの周波数でサンプリングする心身状態判定システムである。

請求の範囲 9の発明により、カオス解析に必要な周波数の時系列信号を取り出すことが出来、少ないサンプル数でも連続的に心身状態を監視しているのと同じ効果がある。又、周期性のある時系列信号に限定することで高速に信号処理や心身状態指数の算出を行うことが可能となる。

請求の範囲 1 0の発明は、

前記被計測者の荷重値又は重心位置の時系列信号を増幅する増幅手段を有する心身状態判定システムである。

請求の範囲 1 0の発明により、荷重値や重心位置の時系列信号が微小である場合に増幅して、データ処理をしやすくすることが出来る。

請求の範囲 1 1の発明は、

複数の前記センサーから出力されるそれぞれの荷重値から前記被計測者の重心位置を算出する計算手段を有する心身状態判定システムである。

請求の範囲 1 1の発明により、 2個以上のセンサーから重心位置を算出することが出来る。

請求の範囲 1 2の発明は、

予測又は判断された前記被計測者の心身状態に基づいて、前記被計測者に対して表示装置及び Z又はスピーカ一を用いて警告を発する、又は、前記被計測者の管理を行っている管理局に伝達する警告手段を有する心身状態判定システムである。

請求の範囲 1 2の発明により、被計測者の心身状態の予測又は判断結果を被計測者の管理統括を行っている場所又は被計測者本人に伝達し、事故を未然に且つ確実に防ぐことが出来る。

請求の範囲 1 3の発明は、

前記被計測者の動作状態や運転状態を時系列的に検出する動作検出手段を有し、前記評価手段は、前記動作検出手段に於いて検出される状態と心身状態とに対応した既知の心身状態指数の時間的傾向及び z又は数値と、前記算出された心身状態指数の時間的傾向及び Z又は数値とを比較して、前記被計測者の前記状態毎に心身状態を予測又は判断する心身状態判定システムである。

請求の範囲 1 3の発明により、被計測者の置かれた状態によって心身状態指数は異なる為、その状態に応じて逐次心身状態の予測又は判断を行うことが出来る。

請求の範囲 1 4の発明は、

前記被計測者に対して身体刺激、視聴覚刺激等の刺激を与える刺激出力手段を有し、前記評価手段は、前記刺激出力手段から前記刺激が出力された時の既知の心身状態指数の時間的傾向及び Z又は数値と、前記算出された心身状態指数の時間的傾向及び/又は数値とを比較して、前記被計測者の心身状態を予測又は判断する心身状態判定システムである。

請求の範囲 1 4の発明により、意図的に被計測者に刺激を与えることによっても、その時の被計測者の心身状態を予測又は判断することが出来る。請求の範囲 1 5の発明は、

前記刺激出力手段は、予測又は判断された前記被計測者の心身状態に基づいて、異常な心身状態になるのを防ぐ効果がある前記刺激を前記刺激出力手段から出力することにより、前記被計測者の行動の変化を促す心身状態判定システムである。

請求の範囲 1 5の発明により、意図的に被計測者に刺激を与えて、被計測者が異常な心身状態になることを防いだり、被計測者の行動の変化を促すことが出来る。符号の説明

1 ：心身状態判定システム 2 ：心身状態評価手段 2 0 ：データ処理手段 2 2 :評価手段 2 4 :指数データベース 3 :センサー 3 2 :差動増幅手段 3 4 ：アナログデジタル変換手段 4 ：ノイズ除去手段 5 ：警告手段 6：被計測者 7：椅子 8：弹性材料 9：管理局 1 0：スピー力一 1 1 :表示装置 1 2 ：動作検出手段 1 3 ：刺激出力手段 1 5 ：刺激データベース図面の簡単な説明

第 1図は、本発明の心身状態判定システムのシステム構成の一例を示す図である。第 2図は、本発明の心身状態判定システムのシステム構成の他の一例を示す図である。第 3図は、本発明の心身状態判定システムのシステム構成の他の一例を示す図である。第 4図は、センサ一を取り付けた椅子の一例を示す図である。第 5図は、センサーを取り付けた椅子の他の一例を示す図である。第 6図は-. センサーを取り付けた椅子の他の一例を示す図である。第 7図は、椅子に取り付けた加速度センサーの出力信号の時間変化を示すグラフである。第 8図は、椅子に取り付けた加速度センサーの出力信号の時間変化を示す他のグラフである。第 9図は、心身状態指数の時間変化を示すグラフである。第 1 0図は、ァトラクタの再構成の一実施例を示す図である。発明を実施するための最良の形態

本発明の実施態様の一例を図面を用いて詳細に説明する。第 1図は本発明の心身状態判定システム 1のシステム構成の一例である。心身状態判定システム 1は、心身状態評価手段 2、センサー 3、ノイズ除去手段 4、警告手段 5とを有する。

心身状態評価手段 2は、被計測者 6の荷重値又は重心位置の時系列信号から被計測者 6の心身状態を予測又は判断する手段である。

荷重値や重心位置の時間的な変化は、脳による情報処理の結果生じる身体の動きによるものであることが知られている。ある時点に於ける人間の荷重値や重心位置は、脳から心臓、手又は足等の部位への伝達命令信号にそれぞれの命令の遅延分を加えたものが組み合わされた結果であり、本発明者らは、これら荷重値や重心位置の時間的な変化をカオス理論的に解析することにより人間の心身状態を判断、更には予測出来ることに着眼した。

例えば、十分な覚醒状態にある人間の脳は外界からの無数の情報を効率的に処理しており、その場合の重心の動きはカオス理論的に安定な軌跡を描く。尚、その軌跡をひきつける性質を持つ安定な解の総称、すなわち、当該軌跡が漸近する集合のことをァトラクタといい、カオスを示すァトラクタは、幾何学的にも複雑な構造を持っていることから一般にストレンジァトラクタと呼ばれる。

反対に、疲労し居眠り等の状態に陥っている場合は、脳は外界からの情報を受け付け難くなつており、その場合の重心の動きは機械的なものとなる。この機械的な動きは、先の覚醒状態に於けるストレンジァトラクタと比較して単純な軌跡を有するァトラクタを描くが、外部からのじよう乱に対してこのァトラクタは、不安定な挙動を示す。

心身状態評価手段 2に於いて必要とされる被計測者 6の荷重値には、圧力センサー等に掛かる荷重値又は、荷重値に換算可能な値又は、荷重値に対応して得られる値 (加速度値等) が含まれ、データは 1次元であってもよいし、多次元であってもよい。同様に重心位置についても次元数は問わない。

心身状態評価手段 2は、データ処理手段 2 0、評価手段 2 2、指数データベース 2 4を有する。

データ処理手段 2 0は、被計測者 6の荷重値又は重心位置の時系列信号から心身状態指数を算出する手段である。

心身状態指数は、心身状態の予測又は判断の根拠となる数値である。具体的には、カオス指標に用いられるリアプノフ指数等であって、カオス理論に於いてカオスであるかを定量的に判定することが出来る数値又はその数値の時間平均値を指す。この心身状態指数は、血液や唾液中のステロイドのように数百パーセント以上の個人差を有する指標とは異なり、脈拍数や、血圧のように個人差が少なく心身状態毎に算出される指数である。

更に、心身状態指数は、従来のリアプノフ指数に限らず、詳細は後述するような脳機能指数でもよい。

脳機能指数は、従来のリアプノフ指数同様、カオス性を評価する指標であるが、算出対象を、被計測者 6の荷重値又は重心位置の時系列信号や、連続発話音声の時系列信号のような、強い周期性ないしは周期的特徴（周波数分析により周波数軸上に明確なピークが現われるスぺクトルが生成されること）を有する時系列信号に特定の上、算出される値である。

更に、脳機能指数は、その算出過程において、予め時系列信号の周期性に基づいて処理単位の切り出しを行ない近傍点集合を生成するので、従来のリ指数よりも安定且つ高速に算出されることが可能な心身状態指数である。従って、より即時的で精度のよい心身状態の予測又は判断が行え、特に、居眠り等によるヒューマンエラーを確実に防止しなければならないような場面に於いて効果的である。

評価手段 2 2は、データ処理手段 2 0に於いて算出された心身状態指数と指数データベース 2 4に格納されている既知の心身状態指数とを比較した結果に基づき、被計測者 6の心身状態を予測又は判断する手段である。

指数データベース 2 4には、ある心身状態に対応して心身状態指数の時間的傾向及び Z又は数値を格納している。例えば、立っている人間の覚醒時の心身状態指数の数値、傾向や、座っている人間の疲労時の心身状態指数の数値、傾向というように格納されている。時間的傾向は、心身状態指数の時間変化（勾配）でもあり、数値、正負の記号、割合等で表すことが出来る。心身状態指数は被計測者 6の荷重値又は重心位置の時系列信号から算出されるので、被計測者 6に意識させることがなく無意識のうちに、しかも主観的判断によらず被計測者 6の心身状態を予測又は判断することが出来る。尚、前述したように心身状態指数には個人差が少ないので、予め個々の被計測者毎に実験、測定を行う等して個々に心身状態指数を格納しておく必要はない。ここで、立って静止している被計測者 6の地面への荷重値の時系列信号を計測して心身状態の予測又は判断を行う場合を例にとると、この被計測者 6が疲労している場合は、眠くなつて身体の揺れが大きくなり、荷重値の時系列信号はランダムで不安定となり、この時の心身状態指数は覚醒状態である場合と比較して増大する。

この増大しているという時間的傾向から、被計測者 6が眠りそうだということを主観的ではなく客観的に予測し、ある数値に落ち着いた時には眠ったということを主観的ではなく客観的に判断することが出来る。

センサー 3は、被計測者 6の荷重値又は、荷重値に換算可能な値又は荷重値に対応して得られる値を出力するセンサ一であればよい。例えば、体重計のような重さを計るセンサ一、感圧抵抗体素子等により圧力の大きさに比例して抵抗値が変化するポテンションメータ一、コイルと磁石の組み合わせにより起電力を発生させるセンサー、ピエゾ素子等のように圧力の大きさに比例した電気信号を出力するセンサ一、静電容量式のセンサー、加速度値を出力する加速度センサー等の各種センサーがセンサー 3に含まれる。つまり、圧力センサ一.,ひずみセンサ一、変位センサー-.加速度センサ一等のセンサーであればよい。

センサー 3の具体例としては、インターリンクエレクトロ二クス社製の F S Rシリ一ズ感圧抵抗体素子等が挙げられる。

重心位置を計測する場合には、 2個以上の圧力センサー等のセンサ一 3の出力値同士を比較することにより重心位置が特定されればよい。

又、これらの出力される信号のレベルを調整する為のトリムやボリュームを備えている場合もある。

これら形態のセンサー 3は小型であり、耐圧も向上し、入手性容易であるので、椅子の座面や背もたれ、ベッド等に容易に内蔵することが出来、被計測者 6に意識させることなく荷重値や重心位置を計測することが可能である。

被計測者 6の心身状態を予測又は判断する為には、センサー 3から得られる信号は前述のように 1次元でもよく、つまり荷重値の時系列信号から心身状態を予測又は判断する場合であれば 1個のセンサーがあればよい。

センサーは 1個であれば、 2個以上のセンサーから重心位置等を計測する際の複数センサー間相互の同期取りや、センサー間で相互に発生する出力遅延による個体差を考慮する必要がなくなるし、部品点数が少なくてよいという利点がある。

センサーを椅子に取り付け、椅子にかかる被計測者の荷重値から心身状態の予測又は判断を行う場合の具体例を第 4図から第 6図に示す。第 4図は、足元にセンサー 3 aとして圧力センサーを計 4個取り付けた椅子 7 aの正面図（a ) と側面図（b ) であり、センサー 3 aは床面 Aの下に隠されている。各センサ一 3 aの出力値の時系列信号を力ォス解析することによつても-. 又計 4個のセンサ一 3 aの出力値から被計測者の重心位置を算出し、この重心位置の時系列信号をカオス解析することによつても、被計測者の心身状態を予測又は判断することが可能である。

第 5図、第 6図は、椅子 7の座面下にスプリング等の弾性材料 8を挾み、弾性材料 8の伸縮、歪みによる抵抗変化を、ポテンションメータ一等のセンサ一 3で測定するものの一例である。

第 5図に於いては、椅子 7 bの荷重面 Bと設置面 Cとの間には、弹性材料 8 bと、センサ一 3 bが挟み込まれ、又、センサー 3 bの駆動用電源 2 1が配置され、電源線を含む信号線 2 2が外部の心身状態評価手段 2へ配線される。

第 6図（b ) の椅子 7 cを上部から見た第 6図（a ) からは、椅子 7じの四隅に弾性材料 8 cが挟み込まれ、センサ一 3 cが椅子 7 cの中央部に配置されていることが分かる。

弹性材料 8を使用することによって、被計測者が座った時に違和感の少ない椅子 7になるし、直接、椅子 7の内部にセンサー 3を入れ込むことが出来、床下や椅子 7の足等にセンサー 3を設ける必要がない。弾性材料 8は、荷重の大きさに応じて変形するものであれば、金属、ゴム、シリコーン、ポリウレタン等の素材は問わない。又、形状も問わない。

尚、第 4図から第 6図は椅子の例を示したが、ベッドや床や椅子の背もたれ等、被計測者の荷重がかかるものにセンサ一 3を取り付けても、同様に力ォス解析が可能である。これにより、被計測者が椅子に座った状態で、又、ベッドに横たわった状態で、或は立った状態で、例えば、病院での診療患者や、自動車や航空機等の乗り物を運転している者の心身状態の予測又は判断を、被計測者の無意識のうちに行うことが出来る。

荷重値又は重心位置の時系列信号をカオス解析するに際し、必要とされるデータのサンプリング周波数はおよそ 1 0 H zから 1 0 0 H 2程度が好適である。荷重値又は重心位置のカオスの揺らぎは、 1 0 1^ 2から 1 0 0 11 2程度の低周波であり、それ以上の周波数成分はノイズとみなせるからである。従って、連続的に心身状態を監視する場合であっても、比較的少ないサンプル数で済み、テ一夕容量が膨大になることはない。但し、カオス理論は、ある時点のデ一夕を初期値として、次の時点でサンプルしたデ一夕、その次の時点でサンプルしたデータの挙動を観測し依存性を見出す理論であり、データに重畳したノイズ量によっては、カオスの予測そのものが大きく変わってしまうので、必要とされる荷重値又は重心位置のデータの分解能は、

8ピッ卜から 1 6ビット程度、又はそれ以上が好適である。

ノイズ除去手段 4は、被計測者 6の荷重値又は重心位置の信号について、前述のデータ処理手段 2 0に於いて心身状態指数を算出するに際し不要となるノイズ成分を除去する手段である。

ノイズ除去手段 4に於いては、通常、アナログやデジタルのローパスフィル夕ゃハイパスフィルタ等を用いて不要な周波数成分を除去する。カオス理論解析に於いてありえない周波数帯域や、被計測者 6がくしゃみ等をして生じたノィズ成分や電源に重畳したノイズ成分等を除去することにより、デー夕処理や心身状態の予測又は判断の精度を向上させることが出来る。

警告手段 5は、被計測者 6が覚醒状態と非覚醒状態の狭間にある場合や、異常な心身状態である場合等に、被計測者 6又は被計測者 6を管理している管理局 9等に報知ゃ告を行う手段である。

警告手段 5を通じて、表示装置 1 1に警告内容を表示したり、スピーカ一 1 0から警告音や威嚇音を流すことにより、被計測者 6に警告することが可能である。又、被計測者 6を管理統括している管理局 9に被計測者 6の心身状態を報告し、管理局 9で被計測者 6の管理が出来るだけでなく、管理局 9から直接無線等で被計測者 6に警告や指令を出すことも出来る。警告手段 5により、被計測者 6の居眠り等のヒューマンエラーによる事故を未然に且つ確実に防ぐことが出来る。実施例 1

第 1図のシステム構成を用いて、心身状態判定システム 1の動作を説明する。尚、本実施例に於いては、第 6図のようなセンサ一 3を内蔵した椅子 7に座っている被計測者 6の心身状態を予測又は判断する場合について説明する。尚、本実施例に於いて、センサー 3は加速度センサーである。

まず、センサー 3は椅子 7に座っている被計測者 6から得られる加速度を出力し、この出力値をデータ処理手段 2 0に於いて時系列的に早いものから順番に取り込む。ある時間範囲に於ける加速度センサ一の出力値の時系列データを第 7図、第 8図に示す。尚、第 8図は、第 7図のある時間範囲の時間軸を拡大したものである。

次に、この時系列データから、デ一夕処理手段 2 0に於いて心身状態指数を算出する。算出された心身状態指数対時間データを第 9図に示す。尚、第 9図に示した心身状態指数は脳機能指数であり、詳細な算出方法については後述する。

評価手段 2 2に於いて、算出された心身状態指数と指数データべ一ス 2 4に格納されている心身状態指数とを比較する。

ここで、心身状態指数はどの状態に於いても疲労しているからといって前述のように増大する訳ではない。本実施例のように椅子 7に座つて静止している被計測者 6を考えると、航空管制室でレーダスコープの前に座っている場合や、プラント監視室に於いて計器盤の前の椅子に座っている場合に、疲労状態になると、重心の動きが固まり、機械的になるので荷重値の時系列信号から算出される心身状態指数は覚醒状態にある場合と比較して徐々に低下し、そして完全に眠ってしまうと一定の低い数値に落ち着く。

このように、本実施例に於ける指数データベース 2 4には、被計測者 6が椅子 7に座っている場合に於いて、心身状態指数が高い方から低い方に徐々に移行するという時間的傾向を示した場合には居眠りを予測し、ある数値を示した場合には居眠りと判断するというように、心身状態と心身状態指数の時間的傾向及び Z又は数値を対応させて格納している。

ここで、第 9図の、算出された心身状態指数について見ると、図中（1 ) の期間に於いては初め心身状態指数が高く、被計測者 6は覚醒状態でディスプレイを見る監視作業を行っていたが、次第に心身状態指数が下がってきたことから被計測者 6は眠る前の半覚醒状態であることを予測することが出来る。

この時点ではまだ完全な非覚醒状態ではないので、被計測者 6に、警告手段 5によって警告を発して完全な覚醒状態に戻すことにより、事故を未然に且つ確実に防止することが出来る。

第 9図の（2 ) の期間に於いては、全般的に心身状態指数が（1 ) の覚醒時よりも低い数値で安定していることから、被計測者 6が居眠りをしている非覚醒状態であると判断される。

第 9図の（4 ) の期間は、（2 ) の非覚醒状態にありながらも、瞬間的に心身状態指数が僅かながら増加していることから、被計測者 6が居眠りしている横で、話声や警告音や携帯電話の着信音等の騒音を発生させたことにより、被計測者 6が居眠りしながらもその騒音を耳で気にしている状態であることが分かる。

騒音レベルが大きかったり、被計測者 6に関係のある言葉を発した時であれば、心身状態指数は更に上昇して覚醒状態に戻るはずであるが、第 9図に於いては、騒音レベルが小さく、被計測者 6に僅かな影響しか与えなかった為、心身状態指数は再度低い数値に落ち着き、被計測者 6が完全な非覚醒状態に戻ったと判断される。

第 9図の（3 ) の期間に於いては、心身状態指数が徐々に高くなり、（1 ) と同レベルの数値に戻ったことから、被計測者 6の前にあるディスプレイ上の表示内容を変化させて被計測者 6に視覚的な刺激を与えたことにより、被計測者 6が覚醒状態に戻ることが予測され、最終的には覚醒状態に戻ったと判断される。

本実施例に於いては、 1個の加速度センサ一の出力値から心身状態の予測又は判断を行ったが、荷重値又は重心位置を出力するセンサー 3であれば、何個使用しても、心身状態の予測又は判断は変わらず、一様な結果が得られる。このように、本実施例によれば、被計測者 6に意識させることなく、且つ主観的判断によらず被計測者の心身状態を予測又は判断することが出来ることが分かる。

ここで、脳機能指数の算出方法について、従来のリアプノフ指数の算出方法と対比しながら説明する。

従来のリアプノフ指数の算出は、システム（系、本実施例では、被計測者

6の心身状態に基づいて得られる荷重値又は重心位置の時系列信号を測定する系）のダイナミクス（時間軸に沿った状態の変動、動特性）が安定であることを前提としており、予め定めた処理単位（例えば 1秒毎）中の全てのサンプル点から、予め定めた近傍条件を満足する近傍点集合（値又は多次元空間上の距離が極めて近い点の集合）を探索し、その近傍点集合に対して収束計算を行うことを主な流れとしている。収束計算とは、最初は相互に極めて近い位置にあるはずの近傍点集合内の点が、その後それぞれどのように発展していくかの挙動を追跡すること、すなわち、ァトラクタの観測をすることであり、カオス性を判断する為に必要な計算である。しかし、被計測者の荷重値又は重心位置の時系列信号のように、複数のダイナミクスがー時に重なっている場合や予め定めた処理単位中でダイナミクスが変化してしまう場合には、ダイナミクスが安定であるという前提に反し、算出されたリァプノフ指数は必ずしも信頼性があるとは言えない。

更に、荷重値又は重心位置の時系列信号は、あるダイナミクスの継続時間や繰り返し時間が短い為、仮にダイナミクス毎に従来のリアプノフ指数が算出されたとしても、収束計算の回数が限られ、必ずしも妥当な数値であるとは言えず、 5分程度の間に得られた数値を平均化処理することによって、その妥当性を高めている。

又、従来のリアプノフ指数の算出は、周期性のある時系列信号のみならず、非周期的な時系列信号をも含む一般的な時系列信号を想定している為、処理単位を長く設定すると、処理単位中での近傍点探索に時間がかかり、逆に処理単位を短く設定すると、収束計算が不安定となりがちであった。又、収束計算の精度向上の為に、単純にサンプル数を多くしたのでは近傍点探索に時間がかかる、というように、処理単位や近傍条件等のパラメータの最適化が難しく、結果として、従来のリァプノフ指数の算出は時間がかかるものであつた。

上記問題点に鑑みて、脳機能指数の算出方法は発明されたものである。即ち、予め決められた一定間隔の処理単位の中から近傍点を探索するのではなく、時系列信号の周期が安定な範囲を処理単位として、近傍点の候補となりうる点の集合を生成することによって、処理単位や近傍条件を特に定めなくても、最初から収束性の高い近傍点集合が生成される。従って、処理が高速化されるだけでなく、ダイナミクスの継続時間の短い時系列信号であっても、局所的な心身状態指数を安定且つ即時に算出することが出来る。

尚、ァトラクタを観測するための一般的な手法としては、従来のリアプノフ指数や、詳細は後述する脳機能指数の算出においてもそうであるように、元の時系列信号から時間遅れべクトルを作成し、再構成状態空間にプロットする、という過程がとられている。これは、ァトラクタの再構成とも呼ばれる。このようにァトラクタを観測することにより.. 時系列を生み出した元のシステムと等価な情報を観測することが出来る。ここで、脳機能指数の算出方法について説明する前段階として、ァトラクタの再構成の簡単な例を第

10図を参照しながら説明する。

まず-. 元となる時系列信号を {X (1) , X (2) , X (3) , . . . . } とすると、この時系列信号 Xの構成要素から任意の信号を抽出し、時間遅れて、次元 mによる時間遅れべク卜リレ V ( t ) ={x ( t ) ， x ( t +て）， . . . ， x (t + (m- 1) τ) }を作成する。この時間遅れベクトル v (t) { i = 1, 2, . . . }を、 m次元空間にプロットすることによって再構成アトラク夕が得られる。第 10図は、時間遅れて =2、次元 m= 3とした時のアトラクタの再構成を表しており、同図中、左図の（a) は時系列信号を時間遅れベクトルへ変換する様子を示し、右図の（b) は時間遅れベクトルを時間遅れ座標系へプロッ卜してァトラクタを再構成している様子を示したものである。この次元 mが、元の時系列信号が得られたシステムの情報を正しく表すことが出来る次元である時、 mは埋め込み次元と呼ばれる。ァトラクタが正しい埋め込み次元によって再構成されていれば、そのシステムのカオス性の評価を行うことが可能となる。尚、時間遅れ座標を用いた再構成状態空間への変換が埋め込みになる条件は、 T a k e n sの埋め込み定理によって証明されており、公知である。

以上の一般的説明も参照の上、以下、脳機能指数の算出方法について説明する。まず、脳機能指数を計算する基となる時系列信号 S = S ( t )を、 S ( t )

={s _t I t = 0, 1, · · · }とする。 s ( t) は、センサー 3の出力信号が一定のサンプリング周波数 f (H Z) でサンプリングされた時系列信号である。尚、隣り合う時系列信号（例えば、 s (1) と s (2) ) の時間間隔は、サンプリング周期（l Z f ) ( s ) に基づくものである。

カオス理論に於けるパラメ一夕として、埋め込み次元 D、埋め込み遅延時間て _d、発展遅延時間て _e、近傍点集合の大きさ Nを定義する。これらのパラメータは、従来のリアプノフ指数を算出する場合であっても同様に定義が必要である。

ここで、近傍点集合の大きさ Nは、埋め込み次元数 D + 1以上であることが必要であり、時系列信号の性質に応じて設定する。尚、零割等を起こさずに、後述の計算を安定に行う為には、 D + 2、 D + 3以上と設定することが望ましいが、 D + 1であっても、サンプリングされた時系列信号にディザ処理を施すことによって、零割の発生を防ぐことは可能である。尚、ディザ処理とは、意図的に信号にノイズを付加することであり、音声信号のディジタル処理に於いては一般的である。ディザ処理を行うことによって、ディジ夕ル信号を元のアナログ信号に復元する精度が高くなる場合がある。

又、ダイナミクスが連続的に変化する場合には、近傍点集合、或は近傍点の候補となる点の集合内にダイナミクスが異なる点が紛れ込むのを防ぐため、近傍点集合の大きさ Nは安定な計算が可能である限り、出来るだけ小さく設定することが好適である。例えば、埋め込み次元が 4であれば、近傍点集合の大きさ Nは 6、 7程度がよい。

埋め込み遅延時間て _dと、発展遅延時間て _eは、時系列信号がサンプルされた点からしか構成し得ないことから、サンプリング周期の整数倍の値が選択されることになる。

更に、時系列信号の有する最短周期 T_mと最長周期 T_Mを定義する。そこで、先の時系列信号 s ( t ) から、 T_m≤T≤T_Mを満足する周期 Tを有する時系列信号の集合 x = x ( i ) を脳機能指数算出の処理単位として切り出す。

X ( i ) = { X i = 0 , n ここで、 n。（D— 1) Xて _d+ (N- 1) XT_M+て _eであり、 x (0) =x。= s ( t。) とする。

周期 Tは、当然のことながら切り出される処理単位によって異なるものとなる場合がある。尚、周期 Tの予測と、処理単位 X ( i ) が周期 Tを満足する集合かどうかの確認は、離散フーリエ変換（DFT) や線形予測分析（L PC) 、ウエーブレット解析等の周波数分析手法を用いて行う。又、処理単位の切り出しには、周期 τを有するかどうかの周期性条件のみならず、サンプルされた信号のレベル (振幅) の大小に応じた条件を加えてもよい。例えば、信号のダイナミックレンジが一定値以上のものであることを処理単位の切り出し条件として加えてもよい。

以上の定義に基づいて、確定した処理単位 X ( i ) の中から次式に示す近傍点集合 P= {P₀, Pい . . · ， P (N-D } が生成される。

数 2

。™

,^X2t_d ,·· (£>— 1) )

= (X_T， X_{Td +r} , X₂r_d +T，··， ^X(D~l)x_d +T )

¹ (ΛΓ-1) " (^Χ(Ν-ΐ)Τ， ^Χτ_ά + (ΛΓ-1)Γ， ^Χ2τ_ά 1)Γ，··， ^X{D~l)r_d +(W - 1)Γ )

数 2に示される近傍点集合 P= {P₀, P_1; . . . , P _(Ν_ }は、 χ ( i ) の構成要素を順次 P。， . . . ， P (_Ν の各先頭要素とし、各先頭要素に時間て _dだけ順次遅らせた要素の集合で構成され、近傍点の候補となる点の集合とも言える。

尚、従来のリアプノフ指数の算出の場合は、時系列信号の周期性を前提としていない為、当然のことながら上記のような周期 Tの定義がなされず、例えば 10ms毎、というように、予め定められた固定の時間単位に順次、処理単位の切り出しが行われる。従って、従来のリアプノフ指数の算出の場合には、この時点ではまだ近傍点集合の生成がされず、予め定めた処理単位の全てのサンプリングされた時系列信号の中から、予め定めた近傍条件を満足するような近傍点集合を探索することになるので、処理に時間がかかる。次に、上記近傍点集合 Pを内包する超球の半径を近傍距離 ε _sとし、次式で与える。

数 3

s

この近傍距離 ε _sは、従来のリアプノフ指数算出に於いては、近傍点集合の探索時の近傍条件として不可欠なパラメ一夕であるが、脳機能指数の場合は、この時点で既に近傍点集合ないしは近傍点の候補となる点の集合が生成されている為、必ずしも近傍条件として用いる必要はない。

尚、本実施例に於いては更なる処理高速化の為、近傍距離 £ _sを、切り出された処理単位のふるい分けの意味としての近傍条件に用い、更には後述する収束計算を継続するか否かの条件（収束計算継続条件）に用いることとする。切り出された処理単位中には、本来の周期性を有していないはずの白色雑音等が強く含まれることがあり、この場合、白色雑音を 1要素として含む処理単位に対して計算される近傍距離 £ _sは何らかのカオス性を有していないので、当然のことながら最大値をとる。尚、このような白色雑音を除去する為に、近傍条件を適用する他、前述したように、信号のダイナミックレンジが一定値以上のものを白色雑音でないものとみなして、処理単位の切り出しを行ってもよい。

ここでは、近傍条件を ε _s < £ _eとして、上記近傍点集合 Pの近傍距離 ε _sがこの条件を満足しない場合には、この Pは近傍点集合ではないものとみなして処理単位 X ( i ) を棄却する。そして、処理単位 X ( i ) よりも時系列的に後の点を起点とした処理単位 X ( ）を新たに生成し、この X ( i ' ) から生成された近傍点集合 P ' が近傍条件を満足するかどうか判断する。但し、処理単位のふるい分けを行わない場合には、この過程を飛ばして、時系列信号 s ( t ) の中の全サンプル点又は任意のサンプル点をそれぞれ起点とする処理単位を生成し、各処理単位毎に近傍点集合を生成し .. 以下の計算を行ってもよい。

次に、上記近傍点集合 Pが近傍条件を満足した場合、発展遅延時間て _eを適用して、近傍点集合 Pの発展点集合 sを次式のように生成する。尚、 S iは P iに対する発展点である。

数 4

⁼ ^0+ '^+τ, '"'^X(I>-l

°1 = (^Χτ, +Τ ' ^Χτ_ά +T ' ^Χ2τ_ά +τ, +Γ ^ΧΌ-\)τ_ά +τ₅ +Γ )

S(W-l) = _C+{N-1)T， + (N-1)T， 2¾ + (JV )T，， ^X(D +(W-1)T )

数 4に示される発展点集合 S= {S。， Sい . . . ， S _(N__1} } は、近傍点集合 Pの各構成要素に時間て _eだけ順次遅らせた要素の集合で構成される。上記近傍点集合 Pについて、基準となる近傍点 P_Qと、その他の近傍点 Pj 間の変位を次式のように定義する。更に、発展点集合 sについても、同様に変位を定義する。

数 5

1)^

;=1,2.,N-1

上記近傍点集合 Pと発展点集合 Sの各変位の関係で、次式を満足する推定ヤコビアン行列 A。を得ることが出来れば、脳機能指数の基となるセレブラルスぺクトルが算出される。

数 6

Zj ^A₀yj,j=l,2,..N-l 尚、セレブラルスぺクトルの算出は、従来のリァプノフ指数に於けるリァプノフスぺクトルの推定に相当する。

行列 A。の計算は、次式を満足するように行う。

数 7

W—1

ι3₀ = Zj - >'·

0，なお、 aJ^kは Aの（ん， /)成分である。

尚、行列 A。が D次元である場合、行列 A _Qの計算を行うためには、比例関係にない独立した微小変位べクトル y jと発展変位べクトル z jの組合わせが D組以上必要である。微小変位べクトル y』·と発展変位べクトル z jの組合わせが D組以上与えられた場合に、数 7における S。は行列 A。を与えた場合の、微小変位べクトル y」·と発展変位べクトル z ₃の関係における誤差の平方和を与えるものである。従って、数 7における S。に対する偏微分は、微小変位べクトル y jと発展変位べクトル z jの関係における誤差の平方和を最小とすることを意味する。すなわち、数 7は、行列 A。が最小二乗法により推定されることを記述したものである。

これより行列 A。は、次式で与えられる。

数 8

o^J N -l ^{}} j}

これょり与えられた行列 A。を Q R分解することが出来れば（ A。 = Q。 R o ) 、行列 R。の対角成分の最大値を、近傍点集合 Pを構成する時系列信号のうち、時系列的に最も早い点 X。の時刻に対応する脳機能指数とする。更に、この行列 R _Qの対角成分を大きい順に並べれば、埋め込み次元数だけの要素を有するセレプラルスぺクトルが得られる。

尚、従来のリアプノフ指数は、 x_Qの時刻に対応して算出されたものであつたとしても、そもそも処理単位や近傍条件や基準点の定め方次第で、異なるリァプノフ指数が算出される場合もあることから、局所的な X。とその数値との相関性が低く、処理単位内の全てのリアプノフ指数を平均化する等によつて、その信頼性を高めるほかない。

これに対して脳機能指数は、時系列信号の周期性と同期して近傍点集合が生成されるので、局所的な X。とその数値との相関性が高いものとなる。更に、脳機能指数の時間局所的な信頼性向上の為、以下のような収束計算を行う。尚、従来のリアプノフ指数に於ける収束計算は、先に探索された近傍点集合とその発展点集合の相関関係の妥当性を確認する手段として必須であるが、脳機能指数の場合は、近傍点集合とその発展点集合の妥当性が極めて高い為、従来のリアプノフ指数における収束計算とは計算の趣旨が異なる。収束計算に際しては、まず、先の発展点集合 Sを構成する時系列信号のうち、時系列的に最も早い点（つまり S。の最初の点 x_{Q + ie}) を起点とした周期 Tを有する新たな処理単位 _{X l} ( i) を切り出す。 _{X l} ( i) の構成要素の数は、先の X (i) 同様、（n_Q+ l) 個である。そしてこの処理単位 _{X l} (i) が周期性条件（周期 Tを有すること）を満足するかどうかを確認する。例えば、 _{X l} (n。）が周期 Tに含まれない信号であれば、この時点で処理単位 X (i) に対する収束計算は終了する。

処理単位 _{X l} ( i) が周期性条件を満足している場合には、この _{X l} (i) から先と同様に近傍点集合 P (1) を生成し、先の近傍点集合 P同様、近傍条件及び Z又は収束計算継続条件を満足すれば、 P (1) から発展点集合 S

(1) を生成する。尚、周期性条件及び/又は近傍条件を満足しなかった場合には、この時点でダイナミクスが変化したことを意味し、収束計算が終了される。収束計算を終了するということは、ダイナミクス毎に脳機能指数が算出されるということである。これにより、複数の異なるダイナミクスがー時に重なっていたとしても、脳機能指数は、ダイナミクス毎に、すなわち、ダイナミクスの数だけ算出される。

このように第 n回目の収束計算に於いては、第（n— 1 ) 回目の発展点集合 S ( n— 1 ) を構成する時系列信号のうち、時系列的に最も早い点を起点とした処理単位 x _n ( i )を生成し、この処理単位が周期性条件を満たせば、近傍点集合 P ( n ) を生成し、近傍点集合 P ( n ) が先の近傍条件を満足する場合に限り、発展点集合 S ( n ) を生成する、つまり、収束計算を継続するものとする。

先の近傍点集合 Pと発展点集合 Sに対して A。を求めた手続と同様にして、近傍点集合 P ( n ) と発展点集合 S ( n ) との相関関係を表す行列 A_nを求める。従って、 A_nは、次式で表される。

数 9

尚、収束計算回数は、切り出された処理単位及び生成された近傍点集合に応じて柔軟に変化することになるので、従来のリァプノフ指数に於ける一定回数の収束計算のように、その計算に意義があるかどうか分からないままに回数を重ねることがなく、この点に於いても脳機能指数の算出は処理の高速化に寄与する。尚、近傍条件や収束計算継続条件は一律である必要はなく、収束回数に応じて変更するようにしてもよい。例えば、 n回目の収束計算時の近傍条件は、計算された近傍距離 ε _sが、第（n— 1) 回目の収束計算に於ける近傍点集合 P (n— 1) の近傍距離 ε _s X (n- 1) 以下であるか、或いは.. ε _SX ( n - 1 ) X a (aは定数であり.. 例えば a≤ l. 1とする。 ) 以下であるようにしてもよい。

収束計算が n回まで行われた時、 x_Qを起点とした処理単位 X ( i ) に対するセレプラルスペクトル c= {c _s I s = 1, 2, . . . D}は、時間発展行列を Mとして次式で表される。尚、本実施例に於ける脳機能指数は、セレブラルスペクトル cのうち最も大きい数値を指す。つまり、 x。に対応する脳機能指数は、となる。

数 1 0

尚、： R_k ^sは、行列 R_kの対角成分の中で数値が大きい順に数えて s番目のものを指す。従来のリアプノフ指数 A_mは、 c _sに相当するが、 A_mに於ける R_k ^mは、行列 R_kの m番目対角要素を指す。

処理単位 X ( i ) の中の起点 x。に対応する収束計算及びセレブラルスぺクトル ·脳機能指数の算出が終われば、次に、別の処理単位 X ( i ' ) を切り出し、その中の起点 x。，に対応する収束計算及びセレブラルスぺクトル ·脳機能指数の算出を上記同様に行う。理論的には、全てのサンプル点について、そのサンプル点を起点としてある周期性条件を満足する処理単位が切り出せれば、そのサンプル点に対するセレブラルスペクトルが求められるが、処理高速化の為、必ずしも全てのサンプル点について計算を行う必要はない。ここで、被計測者が椅子に座って静止している等、基本的に同じ動作が続く場合であって、その計測において、従来のリアプノフ指数による場合に比較して特に高い時間的な分解能を必要としない場合には、従来（

指数の場合と同様に、時間的な移動平均値を取ること等の処理により、その結果を時系列的にグラフ化することで心身状態の変化を視覚的に把握することが出来る。

次に、脳機能指数を、従来のリアプノフ指数による場合に比較して高い時間分解能においてより高い精度で算出し、より詳細な心身状態の変化を視覚的に把握しやすくする為に、ダイナミクス毎に脳機能指数を処理する方法について、以下説明する。

即ち、ここまででの処理に於いて時系列信号 S ( t ) から切り出された処理単位毎に算出された脳機能指数等を、その処理単位の起点となった時間 t に対応させて、関数 CEm ( t) ={ (c_m ( t) , ε _s ( t) , T ( t) ) I t = 0， 1， · · ·}とする。

ここで、 c_m ( t) は時間 t (切り出された処理単位の起点となった時間）に於ける脳機能指数、 s _s ( t) はその脳機能指数を与えた近傍距離、 T ( t) は処理単位切り出し時に周波数解析によって求められた周期である。 tは、当然のことながらサンプリング周期に基づく時間である。

この CEm ( t) の中から、 t _Q≤ t≤ t丄のものを抽出し、これを CEm ( t I t o^ t t とする。この！；。〜！^の期間は、ある一定の動作が継続している期間、即ちダイナミクスがほぼ一定である期間である。例えば、後述する実施例 2に於いてまっすぐな道路を一定の加速度で運転している期間や、べッドの上で同じ姿勢で寝ている期間等が一定の動作継続期間に相当する。発話音声信号でいうところの、ある母音からなる音韻の継続時間である。日本語の場合は、母音毎に周期に特徴があるからである。

先の CEm ( t I t ₀≤ t≤ t _l) 内の要素を ε _s ( t) の大きさにより小さい順にソートして並ぴ替えたものを、 CEm ( i I 1≤ i≤n) とする。この CEm ( i I l≤ i≤n) から、その動作状態毎の脳機能指数 C_Mは次式で与えられる。

数 11

ここで、 pは 100分率の割合を示す数値で、 c _m ( i _ε ））は、 n X p番目の要素を表す。例えば p= 10 %であれば、 CEm ( i I 1≤ i≤n) のうちの最初の 10 % ( ε _sが小さい順から全要素数の 10 %に至るまで) の要素を抽出し、これら抽出された要素 c_m (i) の平均値が、その動作状態毎に対応する脳機能指数 C_Mとなる。ここで求められた脳機能指数 C _Mに時間的な移動平均処理を施し、グラフ化したものが先の実施例で用いられた第 9図となる。

但し、 t^ t t tの期間、つまり、一定の動作期間が、本実施例に於けるように長期間である場合には、ダイナミクスはあまり変化しなくてもその期間内にも心身状態は変化しており、かえって即時的な心身状態予測又は判断を阻害することになる為、 t。≤ t≤ t iの期間を心身状態の変化を追跡出来る程度まで細分化して、その分割された期間（千単位程度のサンプル数）毎に脳機能指数 C_Mを算出すればよい。もっとも、心身状態が変化した時には、時系列信号の周期性が変化するか、近傍条件を満足しなくなる為、その時点でそれまで行われていた収束計算が打ち切られることになるので、心身状態の変化時期又はダイナミクスの変化時期が CEm (t I t o^ t^ t i) の抽出タイミングとなる。

尚、 pは、センサー 3から得られた時系列信号の計測精度や、アナログの時系列信号をデジタル信号に変換する際の変換性能に応じて可変させるとよい。ノィズ除去手段 4によってカオスと無関係なノィズが十分に除去された信号や、センサ一 3及び AD (アナログ一デジタル）変換器の性能が高くダイナミックレンジが大きい信号に対しては、 pを 10〜20%程度にするのがよい。一方、センサー 3又は AD変換器のいずれかの性能が悪く、この性能に起因するノイズレベルが大きい信号に対しては Pを 3 0 %以上とするのがよい。

脳機能指数 C_Mを本発明の心身状態判定システムで用いるに際し、その時間的傾向について、比較的に時間軸上の高分解能を要さない場合、即ち高精度でなくてもよい場合には、以下の通りに脳機能指数 C_Mを算出することも可能である。まず、 CEm (t I t。≤ t≤ t を構成する要素（c_m (t) 、 ε s (t) , T (t) ) を、 ε _sの大きさを基準として次式を得る。

数 12

C Em ( t I t。≤ t≤ t に対する脳機能指数 C_M (t I t。≤ t≤ t は、シセカ近傍距離 £_s (t) の大きさに対して、次式により与えられる。数 1 3 ίο≤ί≤ίι)

ここで rは、埋め込み空間に構成されるストレンジァトラクタの径に対するシセカ近傍距離 ε _sの 1 0 0分率を表し、 N_rは c_meC_M (t I t^ l^) のうち、 ε _sが、 c_mを与えた時刻におけるストレンジァトラクタの径の 1 0 % 以下であることを満足する c_mの要素数である。

例えば、〇 ° ( t I t。≤ t≤ t は、 C Em ( t I t。≤ t≤ t 内の要素から、 ε _sが、 c_mを与えた時刻におけるストレンジァトラクタの径の 1 0 %以下であるような要素を抽出し、これら抽出された要素 c_mの平均値として与えられる。尚、先に述べた C_M ^Pと異なり、 CM¹"は、 ε _sがストレンジァトラクタの径の 1 0 %以下である c_mの平均値として求められるので、抽出要素数は rによって決まるのではなく、 C_Mを求める時刻によって異なる。

Cj は、機械的には 0 %< r≤ 1 0 0 %の任意の rについて計算可能であるが、処理される時系列信号が、荷重値や重心位置や発話音声の時系列信号のように強いカオス性を有する場合には、 r〉l 0 %では変化の割合が急速に小さくなるため、心身状態をより正しく判断又は予測する為には、 r≤ 1 0 %に設定される必要がある。

また、 pを用いて C_Mを算出する場合と同様に、 rを用いて算出される C _M は c _mの平均値として与えられるため、数 1 1においては i _ε (ρ)が小さくなれば、数 1 3においては N _rが小さくなれば、 C _Mの精度が低下する。従って、 rについては 2 %から 3 %以上に設定される必要がある。以上説明した脳機能指数の算出方法に基づき、脳機能指数の算出に必要な変数、数式、値を格納し、これら変数、数式、値を加減乗除、微積分、関数、配列、ポインタ、分岐処理、反復処理、再帰処理等の演算処理に用いるための命令文を更に格納した記憶媒体は、脳機能指数算出プログラムを構成する。又、当該脳機能指数算出プログラムは、メモリ、プロセッサ、記憶手段等のハードウェアから構成される一般的なコンピュータによって実行され、デー夕処理手段 2 0の構成要素となりうる。実施例 2

本実施例に於いては、乗り物の椅子の座面又は背もたれにセンサーを 2個以上取り付け、乗り物に乗っている被計測者（即ち、被計測者自身が動いている）の心身状態を予測又は判断する心身状態判定システムである場合を説明する。この場合の心身状態判定システムの構成の一例を第 2図に示す。心身状態判定システム 1 aは、心身状態評価手段 2、センサー 3、差動増幅手段 3 2、アナログデジタル変換手段 3 4、ノイズ除去手段 4、警告手段 5、動作検出手段 1 2を有する。心身状態評価手段 2、センサ一 3、警告手段 5については、先に説明した通りであるので、説明を省略する。ノイズ除去手段 4は、実施例 1に於いて説明したのと同様、不要となるノィズ成分を除去する手段であるが、本実施例のように被計測者 6が乗り物に乗っている場合は、舗装されていない道路等を走行したりエンジンを掛けることにより一時的に生じる乗り物の振動成分等がノィズとしてセンサー 3から得られる信号のデータに重畳する為、これらの振動等によるノイズを除去することは必須である。

センサー 3に於いて得られた信号は、サンプリングすれば、少なくともサンプリング周波数以上の周波数成分はカツ卜されるが、道路の凹凸により生じるノィズ成分は比較的低い周波数の為、バンドエリミネーシヨンフィル夕等で特定帯域を除去又は減衰させたり、或いは被計測者 6の生体信号を計測するセンサー 3とは別のセンサーを用意しそれより得られる純ノイズ成分を後段の差動増幅手段 3 2等で差し引くことによりノイズ成分を除去することが可能である。

差動増幅手段 3 2は、センサー 3の出力信号を増幅する手段である。例えばセンサー 3として感圧抵抗体素子を用いた場合は差動増幅手段 3 2の入力段に感圧抵抗体素子の出力抵抗を挿入することにより圧力の大きさに応じた電気信号を得ることが出来る。これにより、荷重値や重心位置の時系列信号が微小である場合にも、増幅して、データ処理をしやすくすることが出来る。又、第 4図のようなセンサー 3を複数備えた椅子 7の場合に於いて、差動増幅手段 3 2は計測された各センサー 3の信号出力である荷重値から重心位置を特定する手段でもある。

例えば、センサー 3の出力が電気信号である場合、重心位置は、差動増幅手段 3 2に於いて、同時間に於ける各センサー 3から出力される電気信号の電位差を算出し、どこが最も電位が高い場所かを比較することで得られる。尚、重心位置を得る為のセンサー 3の位置及び個数には特に決まりがない。センサー 3の位置や個数によらず、算出された重心位置の時系列信号はカオス的挙動を示すものであるので、必ずしもセンサ一 3をマトリクス状に多数個並べて配置する必要はなく、重心位置を算出する為にはセンサー 3は少なくとも 2個あればよい。センサ一 3をマ卜リクス状に配置する必要がないことにより、心身状態判定システム 1の装置導入が容易となり、コストメリツ卜がある。逆に、センサー 3の数が多いと、各センサ一 3に固有の出力遅延が異なる為、この遅延がセンサ一 3相互間で一定ではない限り、カオス解析に大きく影響してしまうので、センサ一の数は少ない方が好適である。

アナログデジタル変換手段 3 4は、差動増幅手段 3 2に於いて増幅された信号がアナログ信号である場合に、データ処理手段 2 0で処理する為にデジタル信号に変換し、時系列信号を得る手段である。アナログ信号をデジタル信号に変換する場合は、このアナログデジタル変換手段 3 4に於いて前述のサンプリング、量子化が行われるようにしてもよい。

動作検出手段 1 2は、被計測者 6の動作状態や運転状態を時系列的に検出する手段である。例えば、椅子に座って静止している状態か、立って静止している状態か、乗り物を運転している状態か等の動作状態により、荷重値や重心位置は各々異なるので、例え同じ心身状態であっても心身状態指数の時間的傾向や数値は異なるものとなる。

更に、乗り物を運転している場合は乗り物が停止している場合と走行している場合とに分けられ、走行している場合はカーブや右折左折等の方向転換や加速に応じて、加速度状態や重心位置状態が変化するので、アクセル等の加速度センサ一やブレーキやハンドルの操作状況を動作検出手段 1 2に於いて検出し運転状態を把握する必要がある。

特に乗り物を運転している被計測者 6の心身状態を予測又は判断する場合は、前述の通り、寸分の時間のずれがカオスの予測に大きく影響する為、動作検出手段 1 2に於いて得られる状態の時系列データとセンサー 3から得られる重心位置の時系列データとは相互に同期を取り、遅延がないようにすることが望ましい。

次に第 2図の心身状態判定システム 1 aのシステム構成図を用いて、本実施例の動作の一例を説明する。

まず、心身状態判定システム 1 aはセンサー 3に於いて受ける被計測者 6の荷重状態を示す圧力信号が電気信号に変換されたものを、ノイズ除去手段 4に於いて不要な周波数成分を除去し、差動増幅手段 3 2に於いて処理することにより被計測者 6の重心位置を算出し、アナログデジタル変換手段 3 4に於いて前記重心位置の時系列信号をデジタルの時系列信号に変換し、デ一夕処理手段 2 0に於いて心身状態指数の算出を行う。

指数データベース 2 4には、被計測者 6の動作状態や運転状態毎に心身状態に対応する既知の心身状態指数の時間的傾向及び Z又は数値を格納しており、動作検出手段 1 2に於いて検出された被計測者 6の状態に於ける既知の心身状態指数と先に算出された心身状態指数とを評価手段 2 2に於いて比較する。これにより、被計測者 6の置かれた状態に応じて逐次心身状態の予測又は判断を行うことが出来る。

例えば、乗り物の運転者が十分な覚醒状態にある場合は、外界からの様々な情報を目や耳で受け、椅子から路面状況の情報を体感として受けているので、計器盤や景色に視線を配り、その結果身体の重心位置の軌跡も必要な姿勢の変化に対応したものであり、加速度が働くような場合に於いても予め視界情報から加速度の発生を予見出来るので、無駄の少ない安定な重心移動により対応することが出来る。

従って覚醒状態にある運転者の場合、加速度や道路の状況に応じた重心位置の変化は安定しており、心身状態指数の数値は低下する。

一方、運転者が疲労している場合は、脳が外界からの情報を受け付けなくなっており、まっすぐな道路を走る等の平坦な走行に於いては重心の軌跡が単純なものとなる為、心身状態指数の数値は低下するが、逆に、加速度が働く場合やカーブを曲がる場合は身体の対応が遅れるようになるので無駄な動きが増え、重心位置が不安定となる為、心身状態指数の数値は増大する。このように、同じ心身状態であつても被計測者 6の動作状態や運転状態により心身状態指数の時間的傾向や数値は異なる為、特に乗り物に乗っている運転者の心身状態を予測又は判断する場合には、動作検出手段 1 2に於いて検出される状態毎にデータベースを用意し、算出された心身状態指数と、その時の動作状態や運転状態毎に既知の心身状態指数とを比較することにより、心身状態の予測又は判断を行う。

心身状態指数として脳機能指数を求める場合には、動作状態や運転状態が変化すれば、当然のことながら周期性も変化する為、処理単位の切り出しや収束計算は、周期性が変化した時点で打ち切られることになり、動作状態即ちダイナミクス毎の脳機能指数を求めることが可能である。しかも、処理単位の切り出しは時系列信号の周期性に基づいて行われるため、複数の異なるダイナミクスが一時に重なっていたとしても、脳機能指数は、ダイナミクス毎に、すなわち、ダイナミクスの数だけ算出される。

脳機能指数の算出方法については、実施例 1に記載した通りであるが、先に得られた C Em ( t ) の中から、 t。≤ t≤ t丄のものを抽出し、これを C Em ( t I t。≤ t≤ t とする。

本実施例に於いては、このセ。〜 !^の期間は、動作検出手段 1 2に於いて検出された一定の動作が継続している期間であり、例えば、まっすぐな道路を加速度一定で走行している期間、停止している期間、カーブを曲がっている期間等の期間毎に分けられる。

伹し、 t c^ t t iの期間、つまり、一定の動作期間が、実施例 1に於けるように長期間である場合には、当然、その期間内にも心身状態は変化しており、かえって即時的な心身状態予測又は判断を阻害することになる為、 t 。≤ t≤ t，の期間を心身状態の変化を追跡出来る程度まで細分化して、その分割された期間毎に脳機能指数 C_Mを算出すればよい。実施例 3

本実施例に於いては、被計測者に意図的に刺激を与えることにより被計測者の心身状態を予測又は判断する心身状態判定システムである場合を説明する。この場合の心身状態判定システムのシステム構成を第 3図に示す。

第 3図の心身状態判定システム 1 bは、第 2図に示した心身状態判定システム 1 aのシステム構成の他に、刺激出力手段 1 3、刺激データベース 1 5を有する。

刺激出力手段 1 3は、被計測者 6に対して刺激を与える手段である。例えば、センサー 3を具備する椅子やベッド等に対して振動を発生させたり、視聴覚に訴えるような刺激を与える。

刺激出力手段 1 3の具体例として、ピエゾ素子等の圧力センサーが挙げられる。この圧力センサーは、圧力を電気信号に変換するだけでなく、電気信号を圧力、即ち振動や揺らぎに変換することも出来るので、設置したセンサー

3の近傍に別のセンサーを設置し、意図的に決められた振動を与えることが可能である。

刺激出力手段 1 3は、ピエゾ素子以外でも振動をコンピュータ等で制御し出力することが出来る手段であればよい。聴覚的刺激の場合はスピーカー 1 0から音楽や音声を流し、視覚的刺激の場合は表示装置 1 1に静止画や動画を表示する。

刺激データベース 1 5は、刺激出力手段 1 3に於いて出力する上記振動や音声や画像等を格納しているデータベースである。

次に第 3図の心身状態判定システム 1 bのシステム構成図を用いて、本実施例の動作の一例を説明する。

指数データベース 2 4には、例えば刺激データベース 1 5に格納されている Aという振動を、非覚醒状態の被計測者に対して与えた場合には Bという心身状態指数の時間的傾向や数値を示し、覚醒状態の被計測者に対して与えた場合には Cという心身状態指数の時間的傾向や数値を示すという予め知られたデータが格納されている。振動だけでなく、音楽や画像についてもその刺激の種類毎に、心身状態指数と心身状態との対応を予め明確にしておく。例えば、被計測者 6に一定の微振動を与えた場合、覚醒状態にある被計測者 6の脳は、微振動に対応出来るだけの情報処理能力があるので、微振動に殆ど遅れることなく追従して重心位置の変化を見せるが、疲労状態にある被計測者 6は、微振動に対する反応が鈍くなる為重心位置の変化は微振動に対して遅延する。更に疲労していると対応が更に遅くなり、更には微振動に対して過剰な反応を示すようになり重心位置が不安定となる。

又、リズム感溢れたノリのよい音楽を被計測者 6に聴かせた場合は気分がよい時であれば、リズムに反応して身体を揺り動かすが、気が乗らない時にはリズムに反応しないので、その差が心身状態指数の数値や時間的傾向の差として現れる。

このように、意図的に被計測者 6に刺激を与え、心身状態指数を算出し、既知の心身状態指数の時間的傾向や数値と比較することにより、被計測者 6の心身状態を予測又は判断することが出来るのである。

次に、被計測者が居眠り等の異常な心身状態であると予測又は判断された時に、異常な心身状態から通常の心身状態に回復するような身体刺激や視聴覚刺激を与える心身状態判定システムである場合を第 3図を用いて説明する。

例えば、居眠りしている又は居眠りしそうな被計測者に対してある特定の音楽や画像や振動による刺激を与えると心身状態指数が覚醒状態の数値に戻ることが予め分かっていれば、評価手段 2 2に於いて予測又は判断された被計測者 6の心身状態に基づいて、その音楽や画像や振動を刺激出力手段 1 3から、被計測者 6が居眠りする前の状態を予測した時点で出力することが出来るので、被計測者 6が異常な心身状態になるのを防いだり、被計測者 6の行動の変化を促すのに寄与する。

これらの刺激を被計測者 6に対して与えたということは動作検出手段 1 2に於いても検出され、更にその状態（ある刺激を与えたという状態）に於ける心身状態の変化を観測しつづけることも可能である。それでも尚居眠りしそうな状態から立ち直らない場合には更に大きな刺激を与える等して対処する。

このように、意図的に被計測者 6の身体に刺激を与えることによつても、心身状態を予測又は判断出来、しかも、被計測者 6が異常な心身状態になることを防いだり、被計測者 6の行動の変ィ匕を促すことが可能であること力ら、本実施例の心身状態判定システムは、被計測者 6に対する警告や威嚇を避けたい時や、被計測者 6に対して心理テストを行うにも好適である。本発明に於ける各手段、デ一夕べ一スは、その機能が論理的に区別されているのみであって、物理上或いは事実上は同一の領域を為していてもよい。又データベースの代わりにデータファイルであってもよいことは言うまでもなく、デ一夕ベースとの記載にはデータファイルをも含んでいる。

尚、本発明を実施するにあたり本実施態様の機能を実現するソフトウェアのプログラムを記録した記憶媒体をシステムに供給し、そのシステムのコンピュー夕が記憶媒体に格納されたプログラムを読み出し実行することによつても実現される。

この場合、記憶媒体から読み出されたプログラム自体が前記した実施態様の機能を実現することとなり、そのプログラムを記憶した記憶媒体は本発明を構成する。

プログラムを供給する為の記憶媒体としては、例えば磁気ディスク、ハードディスク、光ディスク、光磁気ディスク、磁気テープ、不揮発性のメモリカード等を使用することが出来る。

又、コンピュータが読み出したプログラムを実行することにより、上述した実施態様の機能が実現されるだけではなく、そのプログラムの指示に基づき、コンピュータ上で稼働しているオペレーティングシステムなどが実際の処理の一部又は全部を行い、その処理により前記した実施態様の機能が実現される場合も含まれる。産業上の利用可能性

本発明により、被計測者に負担を掛けず、意識させることなく、且つ、主観的判断によらず、被計測者の心身状態を予測又は判断することが出来、「眠ってしまった」ことを判断するだけでなく、「眠りそう」であることを予測し、眠ってしまう前に警告することが出来るので、ヒュ一マンエラ一による事故を未然に且つ確実に防ぐことが可能である。

椅子の座面や背もたれ等に実装可能なセンサ一を少なくとも 1個用いることにより、病院での診療患者や自動車や航空機等を運転している者の心身状態の予測又は判断を無意識のうちに行うことが可能である。センサ一は 1個でもよいので、複数のセンサーから重心位置等を計測する時のようにセンサ一間相互の同期取りや、センサー間で相互に発生する出力遅延による個体差を考慮する必要がなく、部品点数が少なくてすむ。

又、重心位置を計測する場合であっても、センサーは少なくとも 2個あればよく、必ずしもセンサーを多数個マトリクス状に配置する必要はないので、装置の導入が容易で、コストメリッ卜がある。

意図的に被計測者の身体に直接刺激を与えたり、視聴覚に訴える刺激を与えることにより、その時の被計測者の心身状態を予測又は判断したり、逆に異常な心身状態になることを防いだり、被計測者の行動の変化を促すことも可能であり、不必要な警告や威嚇を避けたい時や、心理テストを行う時等に効果的である。

Claims

請求の範囲

1 . 人間の覚醒状態や非覚醒状態等の心身状態を予測する心身状態判定システムであって、

被計測者の荷重値又は重心位置の時系列信号からリァプノフ指数等の心身状態指数を算出するデ一タ処理手段と、

前記データ処理手段に於いて算出された心身状態指数の時間的傾向と、心身状態に対応した既知の心身状態指数の時間的傾向とを比較し、前記被計測者の心身状態を予測する評価手段とを、

有することを特徴とする心身状態判定システム。

2 . 人間の覚醒状態や非覚醒状態等の心身状態を判断する心身状態判定システムであって、

被計測者の荷重値又は重心位置の時系列信号からリァプノフ指数等の心身状態指数を算出するデータ処理手段と、

前記データ処理手段に於いて算出された心身状態指数の数値と、心身状態に対応した既知の心身状態指数の数値とを比較し、前記被計測者の心身状態を判断する評価手段とを、

有することを特徴とする心身状態判定システム。

3 . 前記被計測者の荷重値を出力するセンサーを有する

ことを特徴とする請求の範囲 1又は請求の範囲 2に記載の心身状態判定システム。

4. 前記センサ一は 1個である

ことを特徴とする請求の範囲 3に記載の心身状態判定システム。

5 . 前記センサーは、

ピエゾ素子. 感圧抵抗体素子、ボテンションメーター等の圧力センサ一、又は加速度センサ一のいずれかである

ことを特徴とする請求の範囲 3又は請求の範囲 4に記載の心身状態判定システム。

6 . 前記センサ一は、

前記被計測者の荷重がかかる椅子又はべッドに取り付けられる

ことを特徴とする請求の範囲 3から請求の範囲 5のいずれかに記載の心身状態判定システム。

7 . 前記椅子又はベッドは、

内部にスプリング等の弹性材料を

有することを特徴とする請求の範囲 6に記載の心身状態判定システム。

8 . 前記被計測者の荷重値又は重心位置の時系列信号に含まれる不要な周波数成分を除去するノィズ除去手段を

有することを特徴とする請求の範囲 1から請求の範囲 7のいずれかに記載の心身状態判定システム。

9 . 前記被計測者の荷重値又は重心位置の時系列信号を、 1 0 H zから 1 0 0 H zの周波数でサンプリングすることを

特徴とする請求の範囲 1から請求の範囲 8のいずれかに記載の心身状態判定ンスアム。

1 0 . 前記被計測者の荷重値又は重心位置の時系列信号を増幅する増幅手段を

有することを特徴とする請求の範囲 1から請求の範囲 9のいずれかに記載の心身状態判定システム。

1 1 . 複数の前記センサーから出力されるそれぞれの荷重値から前記被計測者の重心位置を算出する計算手段を

有することを特徴とする請求の範囲 1から請求の範囲 1 0のいずれかに記載の心身状態判定システム。

1 2 . 予測又は判断された前記被計測者の心身状態に基づいて、前記被計測者に対して表示装置及び Z又はスピーカーを用いて警告を発する、又は、前記被計測者の管理を行っている管理局に伝達する警告手段を

有することを特徴とする請求の範囲 1から請求の範囲 1 1のいずれかに記載の心身状態判定システム。

1 3 . 前記被計測者の動作状態や運転状態を時系列的に検出する動作検出手段を有し、

前記評価手段は、

前記動作検出手段に於いて検出される状態と心身状態とに対応した既知の心身状態指数の時間的傾向及び/又は数値と、前記算出された心身状態指数の時間的傾向及び Z又は数値とを比較して、前記被計測者の前記状態毎に心身状態を予測又は判断する

ことを特徴とする請求の範囲 1から請求の範囲 1 2のいずれかに記載の心身状態判定システム。

1 4. 前記被計測者に対して身体刺激、視聴覚刺激等の刺激を与える刺激出力手段を有し、

前記評価手段は、

前記刺激出力手段から前記刺激が出力された時の既知の心身状態指数の時間的傾向及び/又は数値と、前記算出された心身状態指数の時間的傾向及び Z 又は数値とを比較して、前記被計測者の心身状態を予測又は判断することを特徴とする請求の範囲 1から請求の範囲 1 3のいずれかに記載の心身状態判定システム。

1 5 . 前記刺激出力手段は、

予測又は判断された前記被計測者の心身状態に基づいて、異常な心身状態になるのを防ぐ効果がある前記刺激を前記刺激出力手段から出力することにより、前記被計測者の行動の変化を促す

ことを特徴とする請求の範囲 1 4に記載の心身状態判定システム。