WO2018221750A1 - 睡眠判定装置、睡眠判定方法、および、睡眠判定プログラム - Google Patents

Abstract

【課題】精度良く詳細に睡眠段階を判定することができる、睡眠判定装置、睡眠判定方法、および、睡眠判定プログラムを提供することを課題とする。 【解決手段】本発明の睡眠判定装置は、利用者の身体における心拍のデータに基づいて、心拍における超低周波成分（ＶＬＦ）、低周波成分（ＬＦ）と高周波成分（ＨＦ）との比、心拍間隔（ＲＲＩ）の平均、及び、心拍間隔（ＲＲＩ）の標準偏差を心拍の状態を表す心拍変動パラメータとして取得する心拍データ取得手段と、心拍変動パラメータと第１のノンレム睡眠段階との相関関係に基づいて設定された第１判別条件、及び、心拍変動パラメータと第２のノンレム睡眠段階との相関関係に基づいて設定された第２判別条件に基づいて、利用者の心拍変動パラメータが第１のノンレム睡眠段階または第２のノンレム睡眠段階のいずれに該当するかを判別する睡眠状態判別手段と、を備える。

Description

睡眠判定装置、睡眠判定方法、および、睡眠判定プログラム

　本発明は、睡眠判定装置、睡眠判定方法、および、睡眠判定プログラムに関する。

　従来、睡眠段階を判定するために、脳波、呼吸、眼球運動、心電図、血圧などの検査項目に基づいた睡眠ポリソムノグラフィー（ＰＳＧ）検査が知られている。

　しかしながら、ＰＳＧ検査では、利用者の身体に多くの電極を有するＰＳＧ装置を装着して病院等の施設にて測定を行う必要があり、身体的、精神的な負担が大きいという制約があった。また、ＰＳＧ装置にて得られた検査項目から睡眠段階を把握するためには、習熟した専門家が実施する必要があり、コストが大きいという問題があった。

　そこで、近年、ＰＳＧ装置を用いることなく、腕時計型の測定装置等による心拍信号や心電図情報などを用いることによって、簡便に睡眠段階を推定する方法が考案されている（非特許文献１，２，３参照）。

ＳＭ　Ｉｓａ，　Ｉ　Ｗａｓｉｔｏ，"Ｋｅｒｎｅｌ　ｄｉｍｅｎｓｉｏｎａｌｉｔｙ　ｒｅｄｕｃｔｉｏｎ　ｏｎ　ｓｌｅｅｐ　ｓｔａｇｅ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ｕｓｉｎｇ　ＥＣＧ　ｓｉｇｎａｌ"，ＩＪＣＳＩ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｊｏｕｒｎａｌ　ｏｆ　Ｃｏｍｐｕｔｅｒ　Ｓｃｉｅｎｃｅ　Ｉｓｓｕｅｓ，　Ｖｏｌ．　８，　Ｉｓｓｕｅ　４，　Ｎｏ　２，　Ｊｕｌｙ　２０１１ Ｋ　Ｔａｎｉｄａ，　Ｍ　Ｓｈｉｂａｔａ，"Ｓｌｅｅｐ　ｓｔａｇｅ　ａｓｓｅｓｓｍｅｎｔ　ｕｓｉｎｇ　ｐｏｗｅｒ　ｓｐｅｃｔｒａｌ　ｉｎｄｉｃｅｓ　ｏｆ　ｈｅａｒｔ　ｒａｔｅ　ｖａｒｉａｂｉｌｉｔｙ　ｗｉｔｈ　ａ　ｓｉｍｐｌｅ　ａｌｇｏｒｉｔｈｍ：　ｌｉｍｉｔａｔｉｏｎｓ　ｃｌａｒｉｆｉｅｄ　ｆｒｏｍ　ｐｒｅｌｉｍｉｎａｒｙ　ｓｔｕｄｙ"，Ｂｉｏｌｏｇｉｃａｌ　ｒｅｓｅａｒｃｈ　ｆｏｒ　Ｎｕｒｓｉｎｇ，　Ｖｏｌ　１５，　Ｉｓｓｕｅ　３，　２０１３ Ｐ　Ｆｏｎｓｅｃａ，　Ｘ　Ｌｏｎｇ，　Ｍ　Ｒａｄｈａ，　Ｒ　Ｈａａｋｍａ，　Ｒ　Ａａｒｔｓ　ａｎｄ　Ｊ　Ｒｏｌｉｎｋ，"Ｓｌｅｅｐ　ｓｔａｇｅ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ｗｉｔｈ　ＥＣＧ　ａｎｄ　ｒｅｓｐｉｒａｔｏｒｙ　ｅｆｆｏｒｔ"，Ｐｈｙｓｉｏｌｏｇｉｃａｌ　Ｍｅａｓｕｒｅｍｅｎｔ，　Ｖｏｌｕｍｅ　３６，　Ｎｕｍｂｅｒ　１０

　しかしながら、従来の睡眠段階の推定方法では、レム睡眠段階と第１～第４のノンレム睡眠段階を含め、５段階まである睡眠段階のうちの４段階までの判定しか行うことができず、また、その４段階の判定での適合率が最高でも０．６９（６９％）程度であり、精度が十分でないという問題があった。

　本発明は、上記の問題点に鑑みてなされたものであり、精度良く詳細に睡眠段階を判定することができる、睡眠判定装置、睡眠判定方法、および、睡眠判定プログラムを提供するものである。

　このような目的を達成するため、本発明の睡眠判定装置は、利用者の身体における心拍のデータに基づいて、前記心拍における超低周波成分（ＶＬＦ）、低周波成分（ＬＦ）と高周波成分（ＨＦ）との比、心拍間隔（ＲＲＩ）の平均、及び、心拍間隔（ＲＲＩ）の標準偏差を心拍の状態を表す心拍変動パラメータとして取得する心拍データ取得手段と、前記心拍変動パラメータと第１のノンレム睡眠段階との相関関係に基づいて設定された第１判別条件、及び、前記心拍変動パラメータと第２のノンレム睡眠段階との相関関係に基づいて設定された第２判別条件に基づいて、前記利用者の心拍変動パラメータが前記第１のノンレム睡眠段階または前記第２のノンレム睡眠段階のいずれに該当するかを判別する睡眠状態判別手段と、を備えることを特徴とする。

　また、本発明の睡眠判定装置は、利用者の身体における心拍のデータに基づいて、前記心拍における超低周波成分（ＶＬＦ）、低周波成分（ＬＦ）と高周波成分（ＨＦ）との比、心拍間隔（ＲＲＩ）の平均、及び、心拍間隔（ＲＲＩ）の標準偏差を心拍の状態を表す心拍変動パラメータとして取得する心拍データ取得手段と、前記利用者の心拍変動パラメータが、第１のノンレム睡眠段階及び第２のノンレム睡眠段階を含む複数の睡眠段階のいずれに該当するかを判別する睡眠状態判別手段と、を備え、前記睡眠状態判別手段は、睡眠段階が既知の教師データに対して、前記心拍変動パラメータを入力として学習させた学習結果データに基づいて、前記心拍変動パラメータから前記睡眠段階を判別することを特徴とする。

　また、本発明の睡眠判定装置は、利用者の身体における心拍のデータに基づいて、前記心拍における超低周波成分（ＶＬＦ）、低周波成分（ＬＦ）と高周波成分（ＨＦ）との比、心拍間隔（ＲＲＩ）の平均、及び、心拍間隔（ＲＲＩ）の標準偏差を心拍の状態を表す心拍変動パラメータとして取得する心拍データ取得手段と、前記心拍変動パラメータを変数とし、第１のノンレム睡眠段階及び第２のノンレム睡眠段階を含む複数の睡眠段階それぞれに該当する確率を表す関数に基づいて、前記利用者がいずれの睡眠段階であるかを判別する睡眠状態判別手段と、を備えることを特徴とする。

　本発明によれば、精度良く詳細に睡眠段階を判定することができる、という効果を奏する。

図１は、本実施の形態が適用される睡眠判定装置１００の構成の一例を示すブロック図である。 図２は、本実施の形態の睡眠判定装置１００における睡眠判定処理の一例を　　示すフローチャートである。 図３は、学習アルゴリズムの一例として、ランダムフォレスト（ＲＦ）による決定木の集団学習手法を模式的に示した図である。 図４は、説明変数を入れ替えた場合の、ノード数と決定木の数に対する予測誤差の変化の関係を示すグラフ図である。 図５は、上述の式により求めた説明変数の重要度を示すグラフ図である。 図６は、ランダムフォレストにおけるノード数と予測誤差の関係を示した図である。 図７は、再帰型ニューラルネットワーク（ＲＮＮ：Ｒｅｃｕｒｒｅｎｔ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ）を模式的に示す概念図である。 図８は、再帰型ニューラルネットワーク（ＲＮＮ）を模式的に示す概念図である。 図９は、Ｒ波検出の結果の一例を示す図である。 図１０は、ＲＲＩ時系列データの一例を示す図である。 図１１は、ＲＲＩにより計算されたＰＳＤデータを示す図である。 図１２は、各睡眠段階のＲＲＩを示す図である。 図１３は、各睡眠段階の標準偏差を示す図である。 図１４は、各睡眠段階におけるＬＦを示す図である。 図１５は、各睡眠段階におけるＶＬＦを示す図である。 図１６は、各睡眠段階におけるＨＦを示す図である。 図１７は、各睡眠段階におけるＬＦ／ＨＦ比を示す図である。 図１８は、ＲＮＮのレイヤ数と認識率の変遷の関係を示す図である。 図１９は、ＨＭＭのクラスター数と認識率の変遷との関係を示す図である。

　以下に、本発明の本実施の形態にかかる睡眠判定装置、睡眠判定方法、および、睡眠判定プログラム、ならびに、記録媒体の実施の形態を図面に基づいて詳細に説明する。なお、この実施の形態により、本発明が限定されるものではない。

［睡眠判定装置１００の構成］
　まず、本実施の形態にかかる睡眠判定装置１００の構成について説明し、つづいて、本実施の形態にかかる睡眠判定方法の処理等について詳細に説明する。図１は、本実施の形態が適用される睡眠判定装置１００の構成の一例を示すブロック図であり、該構成のうち本実施の形態に関係する部分のみを概念的に示している。なお、睡眠判定装置１００は、パーソナルコンピュータの装置構成であってもよく、スマートフォンやウェアラブル端末などモバイル端末の装置構成であってもよく、サーバ装置であってもよい。

　図１において睡眠判定装置１００は、概略的に、睡眠判定装置１００の全体を統括的に制御するＣＰＵ等の制御部１０２、通信回線等に接続されるルータ等の通信装置（図示せず）に接続される通信制御インターフェース部１０４、入力部１１２や出力部１１４に接続される入出力制御インターフェース部１０８、および、各種のデータベースやテーブルなどを格納する記憶部１０６を備えて構成されており、これら各部は任意の通信路を介して通信可能に接続されている。

　記憶部１０６に格納される各種のデータベースやテーブル（心拍変数ファイル１０６ａや判定手法ファイル１０６ｂ等）は、固定ディスク装置等のストレージ手段であり、各種処理に用いる各種のプログラムやテーブルやファイルやデータベースやウェブページ等を格納する。

　このうち、心拍変数ファイル１０６ａは、心拍変動パラメータを記憶する心拍変動パラメータ記憶手段である。一例として、心拍変数ファイル１０６ａは、心拍変動の超低周波成分（ＶＬＦ）や、低周波成分（ＬＦ）、高周波成分（ＨＦ）、心拍間隔（ＲＲＩ）の平均、心拍間隔（ＲＲＩ）の標準偏差、および、高周波成分に対する低周波成分の比（ＬＦ／ＨＦ比）などを心拍変動パラメータとして記憶してもよい。

　また、判定手法ファイル１０６ｂは、心拍変動パラメータ（例えばＶＬＦ、ＬＦ、ＨＦ、ＲＲＩの平均、ＲＲＩの標準偏差、ＬＦ／ＨＦ比）に基づいて、睡眠段階を判別するための判定手法を記憶する判定手法記憶手段である。例えば、判定手法ファイル１０６ｂは、心拍変動パラメータを入力値として、睡眠段階の評価値を出力する数式やアルゴリズム等を記憶してもよい。より具体的な一例として、判定手法ファイル１０６ｂは、睡眠段階が既知の教師データに対して心拍変動パラメータを入力として学習させた学習結果のアルゴリズムデータ等を記憶してもよい。

　このほか、記憶部１０６は、利用者から検出された心拍変動データを記憶してもよいものである。例えば、記憶部１０６は、入力部１１２より入力された心拍変動データや、外部装置２００から送信された心拍変動データを記憶してもよい。さらに、記憶部１０６は、睡眠段階が既知の教師データを記憶してもよく、より具体的には、ＰＳＧ検査により専門家により判定された睡眠段階と、その際の心拍変動パラメータを対応付けたデータセットを記憶してもよい。また、記憶部１０６は、後述する睡眠段階判別部１０２ｂにより判別された睡眠段階の判別結果を記憶してもよいものである。

　また、図１において、入出力制御インターフェース部１０８は、入力部１１２や出力部１１４の制御を行う。一例として、本実施の形態において、入力部１１２は、心拍信号データを入力するための入力手段であってもよく、例えば、心拍信号を検出可能な圧力検出センサや、振動検出センサなどの心拍検出手段であってもよい。なお、入力部１１２は、必ずしも、睡眠判定装置１００と物理的に接続されている必要はなく、利用者に装着されるウェアラブル端末などの心拍信号検出装置として、Ｂｌｕｅｔｏｏｔｈ（登録商標）等の無線通信手段を介して睡眠判定装置１００と接続されてもよいものである。また、入力部１１２は、心拍信号データ等を格納したＵＳＢメモリ等の外部記憶媒体に対する入力端子（例えばＵＳＢポート）等であってもよい。このほか、入力部１１２としては、キーボードやマウス、タッチパネル等を用いることができる。また、出力部１１４は、モニタ（家庭用テレビやタッチスクリーンモニタ等を含む）等の出力手段であってもよく、プリンターなどの印刷手段であってもよい。

　また、図１において、制御部１０２は、ＯＳ（Ｏｐｅｒａｔｉｎｇ　Ｓｙｓｔｅｍ）等の制御プログラム、各種の処理手順等を規定したプログラム、および所要データを格納するための内部メモリを有し、これらのプログラム等により、種々の処理を実行するための情報処理を行う。制御部１０２は、機能概念的に、変数抽出部１０２ａ、睡眠段階判別部１０２ｂ、および、学習部１０２ｃを備えて構成されている。

　このうち、変数抽出部１０２ａは、記憶部１０６に記憶された心拍変動データから、心拍の状態を表す心拍変動パラメータを取得する心拍データ取得手段である。例えば、変数抽出部１０２ａは、心拍変動の超低周波成分（ＶＬＦ）や、低周波成分（ＬＦ）、高周波成分（ＨＦ）、心拍間隔（ＲＲＩ）の平均、心拍間隔（ＲＲＩ）の標準偏差、および、高周波成分に対する低周波成分の比（ＬＦ／ＨＦ比）などを心拍変動パラメータとして抽出してもよい。

　一例として、変数抽出部１０２ａは、記憶部１０６に記憶された心拍信号データに対して、ノイズを除去するフィルタリングを行い、フィルタを通過した心拍信号からピーク間隔信号を検出してもよい。また、変数抽出部１０２ａは、ピーク間隔信号からパワースペクトル密度を算出し、算出したパワースペクトル密度から、ＨＦ値、ＬＦ値、ＨＦ／ＬＦ比、ＲＲＩの平均や標準偏差などを算出してもよい。より具体的には、ピーク間隔信号は、心拍信号の強さがピークとなる付近の波形（Ｒ波）の間隔を変数とする信号であり、心拍変動解析において、Ｒ波の隣り合うピークの間隔を表すＲ－Ｒ間隔（ＲＲＩ）信号として知られるものである。変数抽出部１０２ａは、このピーク間隔（ＲＲＩ）に基づいてＲＲＩの平均や標準偏差を算出してもよい。また、一例として、変数抽出部１０２ａは、検出したピーク間隔信号に対してフーリエ変換等の周波数解析を行い、パワースペクトル密度を算出する。パワースペクトル密度は、自律神経系の状態によって異なる分布を示す。本実施の形態において、ＶＬＦ値は、約０．０４Ｈｚ未満の帯域における極大値であり、ＬＦ値は、約０．０４Ｈｚ～０．１５Ｈｚの帯域おける極大値であり、ＨＦ値は、約０．１５Ｈｚ～０．４０Ｈｚの帯域における極大値である。そして、変数抽出部１０２ａは、求めたＬＦ値とＨＦ値から、ＬＦ／ＨＦ比を算出することができる。なお、上記に限られず、変数抽出部１０２ａは、公知のパラメータ抽出手法によって、心拍変動データから心拍変動パラメータを抽出してもよい。

　また、睡眠段階判別部１０２ｂは、変数抽出部１０２ａにより抽出された心拍変動パラメータに基づいて、睡眠段階を判別する睡眠段階判別手段である。一例として、睡眠段階判別部１０２ｂは、睡眠段階のうちの浅い睡眠を判定してもよく、例えば、第１および第２のノンレム睡眠段階（Ｎ１＆Ｎ２）を含む浅い睡眠段階を判定してもよく、詳細に区別して、第１のノンレム睡眠段階（Ｎ１）、または、第２のノンレム睡眠段階（Ｎ２）を判定してもよい。さらに、睡眠段階判別部１０２ｂは、睡眠段階として、レム睡眠段階（ＲＥＭ）と、第１のノンレム睡眠段階（Ｎ１）と、第２のノンレム睡眠段階（Ｎ２）と、第３のノンレム睡眠段階（Ｎ３）と、第４のノンレム睡眠段階（Ｎ４）との５段階を区別して睡眠段階を判別してもよい。また、睡眠段階判別部１０２ｂは、睡眠段階として、レム睡眠段階（ＲＥＭ）と、第１および第２のノンレム睡眠段階（Ｎ１＆Ｎ２）を含む浅い睡眠段階と、第３のノンレム睡眠段階（Ｎ３）と、第４のノンレム睡眠段階（Ｎ４）との４段階を区別して睡眠段階を判別してもよい。

　ここで、睡眠段階判別部１０２ｂは、判定手法ファイル１０６ｂに記憶された数式やアルゴリズムに基づいて、心拍変動パラメータから睡眠段階の評価値等を算出することによって、睡眠段階を判別してもよいものである。例えば、睡眠段階判別部１０２ｂは、睡眠段階が既知の教師データに対して心拍変動パラメータを入力として学習させた学習結果データを記憶部１０６から取得し、取得した学習結果データに基づいて、睡眠段階を判別してもよい。
　また、睡眠段階の判別対象となる心拍変動パラメータが、第１のノンレム睡眠段階（Ｎ１）、および、第２のノンレム睡眠段階（Ｎ２）を含む各睡眠段階（Ｎ１～Ｎ５）のいずれに該当するかを表すパラメータを算出し、このパラメータがより高い確度で指し示している睡眠段階であると判別してもよい。例えば、以下に示す式（１）～（５）によって、時刻τにおけるレム睡眠段階（ＲＥＭ）の確率σｒｅｍ（τ）、第１のノンレム睡眠段階（Ｎ１）の確率σｎ１（τ）、第２のノンレム睡眠段階（Ｎ２）の確率σｎ２（τ）、第３のノンレム睡眠段階（Ｎ３）の確率σｎ３（τ）、第４のノンレム睡眠段階（Ｎ４）の確率σｎ４（τ）を算出し、心拍変動パラメータが表す睡眠段階は、これらのうち最も確率が高い睡眠段階であると判別することができる。

　ただし、式（１）～（５）において、ａ１～ａ５、ｂ１～ｂ５、ｃ１～ｃ５、ｄ１～ｄ５、ｅ１～ｅ５は定数であり、複数の被験者における測定データから統計的に決定したり、被験者個人の測定データをＰＳＧにより専門家が判定した結果から決定したりすることができる。また、ＲＲ（τ）は時刻τにおける心拍間隔の平均値、ＲＲｓｔｄ（τ）は時刻τにおける心拍間隔の標準偏差、ＶＬＦ（τ）は時刻τにおける心拍変動の超低周波成分、ＬＦ（τ）は、時刻τにおける心拍変動の低周波成分、ＨＦ（τ）は、時刻τにおける心拍変動の高周波成分である。なお、時刻τにおけるレム睡眠段階（ＲＥＭ）の確率σｒｅｍ（τ）、第１のノンレム睡眠段階（Ｎ１）の確率σｎ１（τ）、第２のノンレム睡眠段階（Ｎ２）の確率σｎ２（τ）、第３のノンレム睡眠段階（Ｎ３）の確率σｎ３（τ）、第４のノンレム睡眠段階（Ｎ４）の確率σｎ４（τ）を算出する場合、所定時間前までのデータを反映させて各確率を算出することができる。

　さらに、本実施形態において、第１のノンレム睡眠段階（Ｎ１）、および、第２のノンレム睡眠段階（Ｎ２）を区別して判定する場合、心拍変動パラメータと第１のノンレム睡眠段階（Ｎ１）との相関関係に基づいて設定された第１判定条件、及び、心拍変動パラメータと第２のノンレム睡眠段階（Ｎ２）との相関関係に基づいて設定された第２判定条件に基づいて判定することができ、例えば、以下のような判定手法とすることができる。
　即ち、心拍変動の超低周波成分（ＶＬＦ）、高周波成分（ＨＦ）に対する低周波成分（ＬＦ）の比（ＬＦ／ＨＦ比）、心拍間隔（ＲＲＩ）の平均、および、心拍間隔（ＲＲＩ）の標準偏差のそれぞれについて、第１のノンレム睡眠段階（Ｎ１）と第２のノンレム睡眠段階（Ｎ２）とを区別するための閾値ｔｈ１～ｔｈ４を設定しておく。これらの閾値ｔｈ１～ｔｈ４は、複数の被験者における測定データから統計的に決定したり、被験者個人の測定データをＰＳＧにより専門家が判定した結果から決定したりすることができる。

　そして、睡眠段階の判別対象となる心拍変動パラメータにおいて、各閾値ｔｈ１～ｔｈ４に対する条件（閾値より大であるか小であるか）を判定する。
　例えば、心拍変動の超低周波成分（ＶＬＦ）、高周波成分（ＨＦ）に対する低周波成分（ＬＦ）の比（ＬＦ／ＨＦ比）、および、心拍間隔（ＲＲＩ）の標準偏差については、これらに設定されている閾値ｔｈ１、ｔｈ２、ｔｈ４よりも値が大きければ、第１のノンレム睡眠段階（Ｎ１）と判定することができる。また、心拍間隔（ＲＲＩ）の平均については、設定されている閾値ｔｈ３よりも値が小さければ、第１のノンレム睡眠段階（Ｎ１）と判定することができる。

　この判定結果から、睡眠段階の判別対象となる心拍変動パラメータが、第１のノンレム睡眠段階（Ｎ１）、および、第２のノンレム睡眠段階（Ｎ２）のいずれに該当するかを判別することができる。例えば、心拍変動の超低周波成分（ＶＬＦ）、高周波成分（ＨＦ）に対する低周波成分（ＬＦ）の比（ＬＦ／ＨＦ比）、心拍間隔（ＲＲＩ）の平均、および、心拍間隔（ＲＲＩ）の標準偏差の４つの要素が、第１のノンレム睡眠段階（Ｎ１）、および、第２のノンレム睡眠段階（Ｎ２）のいずれに判定されたか、多数決を取ることにより、いずれの睡眠段階に該当するかを判別することができる。

　また、学習部１０２ｃは、記憶部１０６に記憶された、睡眠段階が既知の教師データに対して、心拍変動パラメータを入力として学習する機械学習手段である。学習部１０２ｃは、学習のアルゴリズムとして、ニューラルネットワーク（ＮＮ）、サポートベクターマシン（ＳＶＭ）、ランダムフォレスト（ＲＦ）、再帰型ニューラルネットワーク（ＲＮＮ）、隠れマルコフモデル（ＨＭＭ）などの公知の学習手法を用いてもよい。学習手法の具体例については後述する。

　また、図１において、通信制御インターフェース部１０４は、睡眠判定装置１００とネットワーク３００（またはルータ等の通信装置）との間における通信制御を行う装置である。すなわち、通信制御インターフェース部１０４は、他の外部装置２００または局と、通信回線（有線、無線を問わない）を介してデータを通信する機能を有する。なお、ネットワーク３００は、睡眠判定装置１００と外部装置２００とを相互に接続する機能を有し、例えば、インターネット等である。

　なお、睡眠判定装置１００は、教師データや心拍信号、心拍変動パラメータ等の各種データベースや、本発明にかかる睡眠判定プログラム等の外部プログラム等を提供する外部装置２００と、ネットワーク３００を介して通信可能に接続して構成されていてもよい。また、この睡眠判定装置１００は、ルータ等の通信装置および専用線等の有線または無線の通信回線を介して、ネットワーク３００に通信可能に接続されていてもよい。

　また、図１において、外部装置２００は、ネットワーク３００を介して、睡眠判定装置１００と相互に接続され、教師データや心拍信号、心拍変動パラメータ等のデータや、判定手法や睡眠判定プログラムに関する外部データベースやプログラム等の外部プログラム等を実行するウェブサイトを提供する機能を有してもよい。ここで、外部装置２００は、ＷＥＢサーバやＡＳＰサーバ等として構成していてもよく、そのハードウェア構成は、一般に市販されるワークステーション、パーソナルコンピュータ等の情報処理装置およびその付属装置により構成していてもよい。また、外部装置２００の各機能は、外部装置２００のハードウェア構成中のＣＰＵ、ディスク装置、メモリ装置、入力装置、出力装置、通信制御装置等およびそれらを制御するプログラム等により実現される。

　なお、睡眠判定装置１００において睡眠段階の判定を行う場合、上述の判定手法を単独で、または、複数の判定手法を併用して用いることが可能である。
　以上で、本実施の形態にかかる睡眠判定装置１００の構成の説明を終える。

［睡眠判定方法の処理］
　次に、このように構成された本実施の形態における睡眠判定装置１００の処理の例について、以下に図２～図８を参照して詳細に説明する。図２は、本実施の形態の睡眠判定装置１００における睡眠判定処理の一例を示すフローチャートである。以下に示す処理は、機械学習アルゴリズムを用いて睡眠判定を行う場合の手法の一例を示すものである。

　図２に示すように、まず、睡眠判定装置１００の制御部１０２は、睡眠段階の判定手法を設定する（ステップＳＢ－１）。例えば、制御部１０２の睡眠段階判別部１０２ｂは、判定手法ファイル１０６ｂに記憶された数式やアルゴリズムを判定手法として設定してもよい。一例として、睡眠段階判別部１０２ｂは、睡眠段階が既知の教師データに対して心拍変動パラメータを入力として学習部１０２ｃにより予め学習された学習結果データを判定手法として設定してもよい。ここで、図３は、学習アルゴリズムの一例として、ランダムフォレスト（ＲＦ）による決定木の集団学習手法を模式的に示した図である。

　図３に示すように、ランダムフォレスト（Ｒａｎｄｏｍ　Ｆｏｒｅｓｔ）は、決定木を弱学習器とする集団学習アルゴリズムであって、（１）まず、学習を行いたい観測データ（本実施の形態では、ＨＦ値、ＬＦ値、ＨＦ／ＬＦ比、ＲＲＩの平均や標準偏差などの説明変数と、睡眠段階のクラスとを対応付けたデータセット）から、ランダムサンプリングにより、用いるサブサンプルを生成する（ブートストラップサンプル）。そして、（２）各サブサンプルを教師データとして、ｎ本の決定木を作成する。そして、（３）教師データの説明変数のうち、ランダムにｍ個を選択し、選択した説明変数のうち、教師データを最もよく分類するものと、そのときの閾値を用いて、ノードのスプリット関数を決定する。このように生成した所定数のノードによる決定木の出力を、出力されたクラスの多数決により最終出力を決定して評価を行うアルゴリズムである。なお、説明変数の特徴量の重要度（寄与度）は、以下の式を用いて算出することができる。

　ここで、特徴行列は、以下の式で表される。

ここで、ＨＲは心拍数であり、ＬＦはＬＦ成分のパワー合計値であり、ｎは観測数であり、ＨＦはＨＦ成分のパワー合計値である。

　図４は、説明変数を入れ替えた場合の、ノード数と決定木の数に対する予測誤差の変化の関係を示すグラフ図である。図４に示すように、ノード数が少なく決定木が多いほど、予測誤差が低くなる傾向が確認された。また、図５は、上述の式により求めた説明変数の重要度を示すグラフ図である。図５に示すように、ＨＦ、ＬＦ／ＨＦ比の順で重要度が大きくなり、心拍数（ＨＦ）とＬＦで最も重要度が大きいことが示された。以下の表は、第１のノンレム睡眠段階（Ｎ１）と、それ以外の睡眠段階を判別する一対他分類を行う場合に、分類セットから説明変数を減じたときの識別率（％）を示す表である。従来の手法では、判別することが難しかった第１のノンレム睡眠（Ｎ１）を適切に判別することができたことが確かめられる。

　また、以下の表は、覚醒（ＷＫ）とレム睡眠（ＲＥＭ）と第１のノンレム睡眠段階（Ｎ１）と、第２のノンレム睡眠段階（Ｎ２）と、第３のノンレム睡眠段階（Ｎ３）の５段階うちの４クラスを分類した場合の識別率（％）を示した図表である。ランダムフォレストにより比較的精度よく分類できたことが確かめられた。

　ここで、図６は、ランダムフォレストにおけるノード数と予測誤差の関係を示した図である。図６に示すように、ノード数に大きく依存することなく、決定木が多くなるほど予測誤差が小さくなることが確かめられた。なお、ランダムフォレストに限られず、図７や図８に示すように、ノードを再帰させて再帰型ニューラルネットワーク（ＲＮＮ）を学習手法として用いてもよい。一般的なニューラルネットワークでは，入力データは互いに独立状態のものと扱っているが、再帰型ニューラルネットワーク（ＲＮＮ：Ｒｅｃｕｒｒｅｎｔ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ）では、連続的な情報を利用するため、音声認識や機械翻訳等に多く用いられており、公知のＲＮＮ手法を本実施の形態に適用することも可能である。図７及び図８は、再帰型ニューラルネットワーク（ＲＮＮ：Ｒｅｃｕｒｒｅｎｔ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ）を模式的に示す概念図である。また、以下の式は、図７に示すニューラルネットワークにおいて伝播する際の漸化式を示す図である。ここで
、ｆは、活性化関数であり、ｗは重みを示す。

　このほか、学習部１０２ｃは、サポートベクターマシン（ＳＶＭ）や、隠れマルコフモデル（ＨＭＭ）などの公知の学習手法を用いて、学習結果を導き出し、判定手法を設定してもよい。

　再び図２に戻り、つづいて、睡眠判定装置１００の制御部１０２は、入力部１１２から入力された心拍信号データを記憶部１０６に格納する（ステップＳＢ－２）。ここで、記憶部１０６には、予め心拍信号データが記憶されていてもよく、睡眠判定装置１００は、外部装置２００に記憶された心拍信号データを受信して記憶部１０６に格納してもよい。

　そして、睡眠判定装置１００の変数抽出部１０２ａは、記憶部１０６に記憶された心拍変動データから、ステップＳＢ－１にて設定された判定手法で用いる心拍変動パラメータを抽出する（ステップＳＢ－２）。例えば、変数抽出部１０２ａは、公知の心拍変動パラメータ抽出手法により、ＶＬＦや、ＬＦ、ＨＦ、ＲＲＩの平均、ＲＲＩの標準偏差、ＬＦ
／ＨＦ比などを抽出してもよい。

　そして、睡眠判定装置１００の睡眠段階判別部１０２ｂは、変数抽出部１０２ａにより抽出された心拍変動パラメータを入力として、ステップＳＢ－１にて設定された判定手法に基づいて、睡眠段階を判別する（ステップＳＢ－４）。一例として、睡眠段階判別部１０２ｂは、睡眠段階のうちの浅い睡眠を、一対他分類で判定してもよく、例えば、第１および第２のノンレム睡眠段階（Ｎ１＆Ｎ２）を含む浅い睡眠段階とそれ以外を判別してもよい。ここで、以下の表は、Ｎ２とそれ以外の一対他分類を行った結果の適合率（％）を示す図である。

　また、睡眠段階判別部１０２ｂは、多クラス分類を行ってもよい。睡眠段階判別部１０２ｂは、レム睡眠段階（ＲＥＭ）と、第１のノンレム睡眠段階（Ｎ１）と、第２のノンレム睡眠段階（Ｎ２）と、第３のノンレム睡眠段階（Ｎ３）と、第４のノンレム睡眠段階（Ｎ４）との５クラス分類を行ってもよい。また、睡眠段階判別部１０２ｂは、睡眠段階として、レム睡眠段階（ＲＥＭ）と、第１および第２のノンレム睡眠段階（Ｎ１＆Ｎ２）を含む浅い睡眠段階と、第３のノンレム睡眠段階（Ｎ３）と、第４のノンレム睡眠段階（Ｎ４）との４クラス分類を行ってもよい。以上が、本実施の形態の睡眠判定装置１００における睡眠判定処理の一例である。

　ここで、以下の表は、本実施の形態（表中の「本研究」）による４クラス分類および５クラス分類を行った結果の適合率と、従来手法（非特許文献［１］，［２］，［３］）による適合率を比較した図表である。

　上図表のように、従来手法の４クラス分類と比較して、本実施の形態の４クラス分類は、７２％と精度良く分類できたことが確かめられた。また、本実施の形態では、従来手法では行い得なかった５クラス分類においても、６６％と精度よく分類できることが確かめられた。このように、本実施の形態では、心拍と心拍変動を的確に抽出することができれば、その情報だけを用いて睡眠段階の５段階判定を行うことができる。これまで従来手法では、４段階の判定しか行うことができていなかったが、従来手法の４段階判定で適合率が０．６９が最高であった心拍と呼吸フローを用いるものよりも、本実施の形態では、適合率が０．７２という高さで５段階判定することが可能となった。また、呼吸の有無がわかるため、睡眠時無呼吸症候群が検出でき、ＰＳＧ装置を用いることなく、心拍が毎日取れるので狭心症などの心疾患の前兆を予測することに役立てることができる。

　換言すれば、これまでの従来方法によると、４クラス分類が行われており、Ｎ１とＮ２を一つのクラスにして、分類が行われていた。しかし、Ｎ１（浅睡眠）とＮ２を分けて分類することによって、浅睡眠が分かれば睡眠障害の率もわかり、臨床にとって非常に重要なカテゴリを見出すことができる。さらに、Ｎ３は加齢とともに少なくなる傾向にあり（参考文献平沢秀人、渥美義賢。「睡眠の加齢変化　第一報：　各睡眠パラメータの変化について」日本老年医学会雑誌３４巻６号（１９９７：６））、Ｎ１が多くなる傾向にあることから、加齢とＮ１の新たな関係性を見出すことができる。Ｎ１が多くなる高血圧や糖尿病になりやすいとも言われており、これらの予防にもなりうる（Ｍｄ　Ｂａｓｕｎｉａ，　ｅｔ　ａｌ．，“Ｒｅｌａｔｉｏｎｓｈｉｐ　ｏｆ　ｓｙｍｐｔｏｍｓ　ｗｉｔｈ　ｓｌｅｅｐ－ｓｔａｇｅ　ａｂｎｏｒｍａｌｉｔｉｅｓ　ｉｎ　ｏｂｓｔｒｕｃｔｉｖｅ　ｓｌｅｅｐ　ａｐｎｅａ－ｈｙｐｏｐｎｅａ　ｓｙｎｄｒｏｍｅ”　Ｊ　Ｃｏｍｍｕｎｉｔｙ　Ｈｏｓｐ　Ｉｎｔｅｒｎ　Ｍｅｄ　Ｐｅｒｓｐｅｃｔ．　２０１６；　６（４）：３２１７０．およびＤｅｎｉｓ　Ｍａｒｔｉｎｅｚ　ｅｔ　ａｌ．，　“Ｄｉｍｅｎｓｉｏｎｓ　ｏｆ　ｓｌｅｅｐｉｎｅｓｓ　ａｎｄ　ｔｈｅｉｒ　ｃｏｒｒｅｌａｔｉｏｎｓ　ｗｉｔｈ　ｓｌｅｅｐ－ｄｉｓｏｒｄｅｒｅｄ　ｂｒｅａｔｈｉｎｇ　ｉｎ　ｍｉｌｄ　ｓｌｅｅｐ　ａｐｎｅａ”　Ｊ．　ｂｒａｓ．　ｐｎｅｕｍｏｌ．　ｖｏｌ．３５　ｎｏ．６　Ｊｕｎｅ　２００９参照）。これらＮ１、Ｎ２を分類する方法はこれまでにＰＳＧ装置をつけ、入院をして検査をする必要があったが、心拍のみで睡眠段階を判別することができるので利用ニーズが高いものと見込まれる。

　また、従来、睡眠段階判定において、体動などを利用したものは動きがあるかないかの情報のみでレム・ノンレム睡眠を判定するだけの手法はあったが、本実施の形態では、心拍を正確にとり、ＰＳＧから得られる睡眠段階判定の判定値と心拍との相関性を用いて学習判定を行った。その結果、レム・ノンレム・ノンレム１～３・覚醒の５段階の識別を行うことができ、現段階では７２％の適合率であるが、これはＮ１データを有する被験者が極度に少ないためである。そのため、Ｎ１データを適応的学習することによって、より一層の精度向上が見み込まれる。すなわち、個人のデータが集まるごとに、適応的にオンライン学習し、認識率がどんどん向上すると考えられる。

　また、本実施の形態では、これらを分類するために心拍の特徴量を求め、取捨選択を行った。実際にＰＳＧ装置を装着して睡眠を行い、その際に計測した心拍のみを用いてＰＳＧ検査の睡眠段階判定を正解として教師データを用いた。寝ている間に体動やセンサが外れるなどの外的要因によって生じるノイズと、心拍変動を取得する際のデバイス側のノイズなど様々なノイズが混入されている。これらのノイズが混入されている心拍データから、真の心拍を得るために、本願発明者らは、１５年以上かけて生体信号から得られる信号とノイズ分離の手法を開発して、鋭意検討の結果、本実施の形態を考案するに至った。

　本実施の形態によれば、これらの手法の中で、５クラス分類を行うにあたり、遺伝的アルゴリズムを用いて各特徴量の重要性を発見することができた。５クラス分類を行うためには、ＲＲＩの平均、ＲＲＩの標準偏差、ＶＬＦ（０．００３－０．０４　Ｈｚ）、ＬＦ（０．０４－０．１５　Ｈｚ）、ＨＦ（０．１５－０．４　Ｈｚ）、ＬＦ／ＨＦ比が重要であることを発見した。さらに、これらの特徴量をＮＮ（Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ）、ＳＶＭ（Ｓｕｐｐｏｒｔ　Ｖｅｃｔｏｒ　Ｍａｃｈｉｎｅ）、ＲＦ（Ｒａｎｄｏｍ　Ｆｏｒｅｓｔ）、ＲＮＮ（Ｒｅｃｕｒｒｅｎｔ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ）、ＨＭＭ（Ｈｉｄｄｅｎ　Ｍａｒｋｏｖ　Ｍｏｄｅｌ）の分類器すべてで同時分類することが可能となった。これらの学習アルゴリズムは、用途によって使い分けることができる。例えば、Ｎ２のみを分類率高くするためにはＲＦが最適であり、上述の図表［表３］で示したように高い認識を得ることが可能となった。一方、あくまでも全体的に満遍なく認識させたい場合はＲＮＮが一番適しており、本実施の形態によれば、上述の図表［表４］で示したように６６％以上の結果を得ることができた。

　このように、心拍さえ得られれば、その情報とＰＳＧ装置から得られる睡眠情報をタグ付けすることによって、睡眠段階Ａは心拍の特徴がＡ１、睡眠段階Ｂは心拍特徴Ｂ１・・・などのようにタグ付けすることが可能となり、心拍の特徴のみで睡眠段階を判定することが可能である。またこれらをディープラーニングにて学習させることで、様々な人に適用することも可能である。

　つづいて、上述した実施の形態にかかる実施例を行った。なお、内容は上述した実施の形態と一部重複し得るものである。

　ヒトの心拍間隔は、交感神経と副交感神経のはたらきにより変化している。心拍数の変動は、一般的にＬＦ／ＨＦ比を用いて比較される。ヒトが覚醒状態から睡眠状態へ移行するにつれて、ＬＦ／ＨＦ比は減少する。睡眠中の身体の回復によって、基礎代謝速度は減少し、副交感神経が活性化する。その結果、心拍数とその変動は減少し、ＬＦ／ＨＦは小さくなると考えられている。また、ＬＦ／ＨＦ比は、睡眠段階ごとに異なる。ＬＦ／ＨＦ比は、レム（ＲＥＭ）睡眠時に、他の睡眠段階よりも顕著に大きくなる。レム睡眠中、基礎代謝速度は上昇し、交感神経は活性化し、ＬＦ／ＨＦ比は増加すると考えられている。加えて、睡眠時の心拍数の変動とＥＥＧ（脳波図）の間には相関があると言われている。

　ある研究者（Ｄｕｍｏｎｔ　ｅｔ　ａｌ．）は、ＳＬ（Ｓｙｎｃｈｒｏｎｉｚａｔｉｏｎ　Ｌｉｋｅｈｏｏｄ）を使って、呼吸時の心拍数の変動と、ＥＥＧ（脳波図）との間に相互相関があることを示した（Ｍ．　Ｄｕｍｏｎｔ，　Ｆ．　Ｊｕｒｙｓｔａ，　Ｊ．　Ｌａｎｑｕａｒｔ，　Ｐ．　Ｍｉｇｅｏｔｔｅ，　Ｐ．　Ｂｏｒｎｅ，　ａｎｄ　Ｐ．　Ｌｉｎｋｏｗｓｋｉ，　“Ｉｎｔｅｒｄｅｐｅｎｄｅｎｃｙ　ｂｅｔｗｅｅｎ　ｈｅａｒｔ　ｒａｔｅ　ｖａｒｉａｂｉｌｉｔｙ　ａｎｄ　ｓｌｅｅｐ　ＥＥＧ：　ｌｉｎｅａｒ／ｎｏｎ－ｌｉｎｅａｒ？”，　Ｃｌｉｎｉｃａｌ　Ｎｅｕｒｏｐｈｙｓｉｏｌｏｇｙ，　Ｖｏｌ．　１１５，　Ｎｏ．　９，　ｐｐ．　２０３１－２０４０，　（２００４）参照）。

　また、他の研究者（Ｙｅｈ　ｅｔ　ａｌ．）は、ＤＦＡ（Ｄｅｔｒｅｎｄｅｄ　Ｆｌｕｃｔｕａｔｉｏｎ　Ａｎａｌｙｓｉｓ）をつかって、心拍数変動と睡眠時のＥＥＧの間には、フラクタル性があることを見出した（Ｊ．Ｒ．Ｙｅｈ，Ｃ．Ｋ．Ｐｅｎｇ，Ｍ．Ｔ．Ｌｏ，Ｃ．Ｈ．Ｙｅｈ，Ｓ．Ｃ．Ｃｈｅｎ，Ｃ．Ｙ．Ｗａｎｇ，Ｐ．Ｌ．Ｌｅｅ，　ａｎｄ　Ｊ．　Ｈ．　Ｋａｎｇ，　“Ｉｎｖｅｓｔｉｇａｔｉｎｇ　ｔｈｅ　ｉｎｔｅｒａｃｔｉｏｎ　ｂｅｔｗｅｅｎ　ｈｅａｒｔ　ｒａｔｅ　ｖａｒｉａｂｉｌｉｔｙ　ａｎｄ　ｓｌｅｅｐ　ＥＥＧ　ｕｓｉｎｇ　ｎｏｎｌｉｎｅａｒ　ａｌｇｏｒｉｔｈｍｓ”，　Ｊｏｕｒｎａｌ　ｏｆ　Ｎｅｕｒｏｓｃｉｅｎｃｅ　Ｍｅｔｈｏｄｓ，　Ｖｏｌ．２１９，
　Ｎｏ．　２，　ｐｐ．　２３３－２３９，　（２０１３）．参照）。睡眠段階は、主にＥＥＧ（脳波図）から判断されるので、心拍数変動とＥＥＧ指標との間に相関があるとの証拠があれば、心拍数の変動を用いて睡眠段階の決定が実現できるとの示唆になるので、本実施例では、それを検証した。

［特徴量の抽出と睡眠段階の分類］
　まず、ＥＣＧ（眼電図）を用いて睡眠段階を決定するための解析手順について説明する。解析手順の第一段階では、５～１５ＨｚのバンドパスフィルタをＥＣＧに適用してノイズを除去する。その後、ＥＣＧを３０秒ごとに分割し、つぎに、Ｒ波ピークを増強するために、シグナルを自乗して、Ｒ波を特定する。Ｒ波は、０．５秒の幅をもつ窓を、０．２５秒ずつシフトさせていくことで特定する。Ｒ波を特定した後、ＲＲＩを計算し、ＲＲＩ時系列データを作成する。ＲＲＩは均一な間隔ではないため、４Ｈｚのサンプリング周波数で、スプライン補間を用いてリサンプリングを行う。つぎに、ＲＲＩ時系列データから、ＡＲモデル（自己回帰モデル）を用いて、パワースペクトル密度（ＰＳＤ）を計算する（Ｈ．　Ａｋａｉｋｅ，　“Ｆｉｔｔｉｎｇ　ａｕｔｏｒｅｇｒｅｓｓｉｖｅ　ｍｏｄｅｌｓ　ｆｏｒ　ｐｒｅｄｉｃｔｉｏｎ”，　Ａｎｎａｌｓ　ｏｆ　ｔｈｅ　Ｉｎｓｔｉｔｕｔｅ　ｏｆ　Ｓｔａｔｉｓｔｉｃａｌ　Ｍａｔｈｅｍａｔｉｃｓ，　Ｖｏｌ．　２１，　Ｎｏ．　１，　ｐｐ．　２４３－２４７，　（１９６９）参照）。

　パワースペクトル密度（ＰＳＤ）は、ＶＬＦ，ＬＦ，ＨＦ，ＬＦ／ＨＦ比を得るために用いる。ＡＲモデルは、フーリエ変換と比較して、短い時系列データであっても、高周波数分解能で周波数変換を行うことができる。さらに、ピーク周波数の偏差を得るためにも適している。そのような理由で、本実施例では、ＰＳＤを用いる。ＡＲモデルはユールウォーカー法（Ｙｕｌｅ　Ｗａｌｋｅｒ　ｍｅｔｈｏｄ）から構築され、ＡＲモデルのオーダーは、以下の赤池情報量基準に基づいて選ぶ。
ＡＩＣ＝－２ｌｏｇ　ｆ（ｘ，θ）＋２ｐ
（ここで、ｘは観察変数、θは予測誤差の偏差、ｆ（ｘ，θ）は変数の尤度、ｐは変数の数を示す。）

　上記の式を最小化することにより、ＡＲモデルを決定する。
　ＰＳＤ（パワースペクトル密度）は、以下の等式で計算する。

（ここで、ａはＡＲ（自己回帰）係数、ＭはＡＲモデルのオーダーであり、本実施例では実験的にＭを２に設定した。）

　ＲＲＩ時系列データを周波数変換した後、パワースペクトル密度の集合から、０．００３～０．０４Ｈｚ（ＶＬＦ），０．００４～０．１５Ｈｚ（ＬＦ），０．１５～０．４Ｈｚ（ＨＦ），およびＬＦ／ＨＦ比を計算する。上述した解析手順を通じて、ＲＲＩ平均、ＲＲＩの標準偏差、ＶＬＦ，ＬＦ，ＨＦ，ＬＦ／ＨＦ比を、特徴変数として計算する。

［データの取得］
　本実施例の判断基準を得るため、５０名の被験者にＰＳＧを行い、睡眠実験が実施された。残念なことに、途中で装備が外れ、５名分のデータが失われたので除外した。本実施例では、睡眠段階をＥＣＧ（心電図）のみを用いて推定し、正解データと照らし合わせて認識率を計算する。今回、正しく推定できたデータは、上述の判断基準となる。

　一般的に、通常の睡眠において、ＲＥＭは全体のうちの２５％、Ｎ２は５０％、Ｎ３は２０％といわれている。この実施例では、以下の表に示すように、ＲＥＭは２１％、Ｎ２は６０％、Ｎ３は１０％であった。ＰＳＧ検査では、深い睡眠であるＮ３の出現割合が阻害されるようである。

［データ解析］
　Ｒ波およびＲＲＩ時系列データをＥＣＧデータ（図９および図１０参照）から特定し、ＲＲＩのパワースペクトル密度を求めた（図１１参照）。ここで、図９は、Ｒ波検出の結果の一例を示す図であり、図１０は、ＲＲＩ時系列データの一例を示す図であり、図１１は、ＲＲＩにより計算されたＰＳＤデータを示す図である。

　つづいて、図１２および図１３に示すように、すべての被験者の各睡眠段階における特徴量の平均値および有意水準を５％に設定した場合の多重比較テストを行った。図１２は、各睡眠段階のＲＲＩを示す図であり、図１３は、各睡眠段階の標準偏差を示す図である。

　図１２から、ＷＫおよびＮ３は、ＲＥＭ，Ｎ１およびＮ２とは有意に異なることが分かった。一方、ＲＥＭ，Ｎ１，Ｎ２の間には、有意な差はみられなかった。睡眠時において、心拍数は、ＷＫ（覚醒）よりも低かった。心拍数はＷＫからＮ３にかけて減少すると言われており、本実施例でも同様の傾向が検出された。しかしながら、心拍数は、Ｎ３よりもＮ２において低かった。加えて、心拍数の変動の標準偏差は、ＲＥＭ段階で最大となり、ＷＫも同様と言われているが、そのような傾向は本実施例の図１３には見られなかった。Ｎ１の心拍数の変動はＷＫよりも高かった。ここで、図１４は、各睡眠段階におけるＬＦを示す図であり、図１５は、各睡眠段階におけるＶＬＦを示す図であり、図１６は、各睡眠段階におけるＨＦを示す図であり、図１７は、各睡眠段階におけるＬＦ／ＨＦ比を示す図である。

　図１５および図１６から、ＷＫは、全ての睡眠段階とは有意に異なることが確かめられた。睡眠が深くなるにつれて、ＬＦは減少し、ＨＦは上昇すると言われているが、本実施例でも、同様の傾向がみられた。

［睡眠段階識別の分類器］
　つづいて、計算した特徴量を用いて、睡眠段階を判定する。本実施例では、ＲＮＮ、ＨＭＭ、ニューラルネットワーク（ＮＮ）、サポートベクターマシン（ＳＶＭ）、および、ランダムフォレスト（ＲＦ）を、睡眠段階判定の分類器として用いた。ＲＮＮおよびＨＭＭは、観察数値の時系列情報を考慮する方法であるのに対し、ＮＮ，ＳＶＭ，およびＲＦは、観察数値を独立したものとして扱う。ＨＭＭでは、特徴量のベクトル量子化が必要であり、クラスタリングおよびベクトル量子化は、ＳＯＭを用いて実行される（Ｔ．Ｋｏｈｏｎｅｎ，“Ｓｅｌｆ－ｏｒｇａｎｉｚｉｎｇ　ｆｏｒｍａｔｉｏｎ　ｏｆ　ｔｏｐｏｌｏｇｉｃａｌｌｙ　ｃｏｒｒｅｃｔ　ｆｅａｔｕｒｅ　ｍａｐｓ”，　Ｂｉｏｌｏｇｉｃａｌ　Ｃｙｂｅｒｎｅｔｉｃｓ，　Ｖｏｌ．４３，ｐｐ．５９－６９，（１９８２）参照）。その後、Ｂａｕｍ－Ｗｅｌｃｈ法を身に着け、Ｖｉｔｅｒｂｉアルゴリズムを用いて出力を得た（Ａ．Ｊ．Ｖｉｔｅｒｂｉ，“Ｅｒｒｏｒ　ｂｏｕｎｄｓ　ｆｏｒ　ｃｏｎｖｏｌｕｔｉｏｎａｌ　ｃｏｄｅｓ　ａｎｄ　ａｎ　ａｓｙｍｐｔｏｔｉｃａｌｌｙ　ｏｐｔｉｍｕｍ　ｄｅｃｏｄｉｎｇ　ａｌｇｏｒｉｔｈｍ”，ＩＥＥＥ　Ｔｒａｎｓａｃｔｉｏｎｓ　ｏｎ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｔｈｅｏｒｙ，Ｖｏｌ．１３，Ｎｏ．２，ｐｐ．２６０－２６９，（１９６７）．参照）。１人の被験者をテストデータとして、一個抜き交差検証（ＬＯＯＣＶ）を行い、残りの被験者は教師データとして分類器の評価を行うために用いられた。最後に、各睡眠段階の認識率を求めることで分類器を評価した。認識率は、クラス全体の数に対して、正しく分類できたクラス数の比で表される。

［結果と考察］
　心拍数の変動を用いた睡眠段階の認識結果を図１８に示す。図１８は、ＲＮＮのレイヤ数と認識率の変遷の関係を示す図である。その結果、レイヤ数が多くなるほど、全ての睡眠段階において認識率が高まるといえる。それは、レイヤが深くなれば、ＲＮＮの表現力が高くなるとも考えられる。

　つぎに、図１９は、ＨＭＭのクラスター数と認識率の変遷との関係を示す図である。クラスター数が１０２４になると、全ての睡眠段階において認識率は８０％以上になることが分かった。

　つぎに、以下の表６および表７において、学習とテストを分けて、認識率の結果を示す。テストデータにはＲＮＮおよびＨＭＭを適用した。

　さらに、本実施の形態による方法と比較するために、ＮＮ、ＳＶＭ、ＲＦを適用した。その結果、以下の表７に示す結果が得られた。

　これらの結果から、分類器としてＲＮＮを用いるよりも、本実施の形態の方法（表中の「Ｐｒｏｐｏｓｅｄ」）の方が、比較的高い認識精度が得られた。様々な方法と比較して、時間情報法を考慮しない方法よりも、高い認識率が得られた。睡眠段階は劇的に変化するものではないため、時系列情報を用いれば認識率は改善すると思われる。ＮＮおよびＳＶＭにおいて、全体のデータのうちの分類エラーを最小限にする学習が実行された結果、他のクラスが誤って、数の多いＮ２に分類されることとなった。本実施例では、Ｎ２データが多く、Ｎ１，Ｎ３データが少ないので、そのようなデータの増加が認識率を引き上げることとなった。

　一方、本実施の形態の方法と、従来の方法とを比較すると、表７の結果が得られた（非特許文献１～３、ならびに、Ｔ．Ｗｉｌｌｅｍｅｎ，Ｄ．Ｖ．Ｄｅｕｎ，Ｖ．Ｖｅｒｈａｅｒｔ，Ｍ．Ｖａｎｄｅｋｅｒｃｋｈｏｖｅ，Ｖ．Ｅｘａｄａｋｔｙｌｏｓ，Ｊ．Ｖｅｒｂｒａｅｃｋｅｎ，Ｓ．Ｖ．Ｈｕｆｆｅｌ，Ｂ．Ｈａｅｘ，ａｎｄ　Ｊ．Ｖ．Ｓｌｏｔｅｎ，“Ａｎ　ｅｖａｌｕａｔｉｏｎ　ｏｆ　ｃａｒｄｉｏｒｅｓｐｉｒａｔｏｒｙ　ａｎｄ　ｍｏｖｅｍｅｎｔ　ｆｅａｔｕｒｅｓ　ｗｉｔｈ　ｒｅｓｐｅｃｔ　ｔｏ　ｓｌｅｅｐ－ｓｔａｇｅ　ｃｌａｓｓｉｆｉｃａ－　ｔｉｏｎ”，　ＩＥＥＥ　Ｊｏｕｒｎａｌ　ｏｆ　Ｂｉｏｍｅｄｉｃａｌ　ａｎｄ　Ｈｅａｌｔｈ　Ｉｎｆｏｒｍａｔｉｃｓ，Ｖｏｌ．１８，Ｎｏ．２，ｐｐ．６６１－６６９，　（２０１４）参照）。ＲＩＰ（ｒｅｓｐｉｒａｔｏｒｙ　ｉｎｄｕｃｔａｎｃｅ　ｐｌｅｔｈｙｓｍｏｇｒａｐｈｙ）は呼吸流量であり、ＡＣＴ（ａｃｔｉｇｒａｐｈｙ）は、腕や脚首につけた加速度計によって計測される体の動きである。

　ＥＣＧを用いた５段階の睡眠の基準はこれまで報告がなく、多くは、Ｎ１およびＮ２を一つの段階として睡眠を４段階として判断するものであった。Ｎ１は浅い睡眠であり、睡眠段階において重要である。ある研究では、無呼吸低呼吸指数（Ａｐｎｅａ－ｈｙｐｏｐｎｅａ　ｉｎｄｅｘ：ＡＨＩ）とＮ２には、有意な相関があり、白昼におこる睡眠障害ＥＤＳ（Ｅｘｃｅｓｓｉｖｅ　ｄａｙｔｉｍｅ　ｓｌｅｅｐｉｎｅｓｓ）の次元最大値とともに相関があると報告されている。さらに、多変量回帰分析の結果、ＡＨＩ－Ｎ１は、ＰＳＧファクター（ｓｌｅｅｐ　ｅｆｆｉｃｉｅｎｃｙ，　ｓｌｅｅｐ　ｕｒｇｅｎｃｙ）と有意な相関があり、ＡＨＩ－Ｎ２は、昼間の傾眠傾向（ｄｒｏｗｓｉｎｅｓｓ）や不眠症（ｉｎｓｏｍｎｉａ）などの主訴と有意な相関があると報告されている（Ｄｅｎｉｓ　Ｍａｒｔｉｎｅｚ，　Ｍａｇａｌｉ　Ｓａｎｔｏｓ　Ｌｕｍｅｒｔｚ，　Ｍａｒｉａ　ｄｏ　Ｃａｒｍｏ　Ｓｆｒｅｄｄｏ　Ｌｅｎｚ，　“Ｄｉｍｅｎｓｉｏｎｓ　ｏｆ　ｓｌｅｅｐｉｎｅｓｓ　ａｎｄ　ｔｈｅｉｒ　ｃｏｒｒｅｌａｔｉｏｎｓ　ｗｉｔｈ　ｓｌｅｅｐ－ｄｉｓｏｒｄｅｒｅｄ　ｂｒｅａｔｈｉｎｇ　ｉｎ　ｍｉｌｄ　ｓｌｅｅｐ　ａｐｎｅａ”Ｊ　Ｂｒａｓ　Ｐｎｅｕｍｏｌ．　２００９；３５（６）：５０７－５１４参照）。それゆえ、Ｎ１とＮ２の睡眠段階を分けて、５段階の睡眠段階を認識することは重要であると考えられる。

［結論］
　本実施例では、ＥＣＧのみを用いて、５睡眠段階の認識を行った。従来法では、Ｎ１とＮ２をまとめて、４段階認識を行う方法であったが、本実施の形態による方法では、Ｎ１とＮ２を分けて５段階に識別することができる。本実施の形態によれば、ＥＣＧに加えてＲＩＰやＡＣＴデータを用いた従来法と同様に４段階の識別を行う場合に、従来法よりも認識率が高い結果が得られる。また、本実施の形態によれば、４段階までの従来法と同様に、５段階もの識別を行うことができる。最新の研究結果の１つでは、睡眠段階の認識率として、レム睡眠段階（ＲＥＭ）が０．８６、第１のノンレム睡眠段階（Ｎ１）が０．９３、第２のノンレム睡眠段階（Ｎ２）が０．６９、第３のノンレム睡眠段階（Ｎ３）が０．９０、覚醒状態が０．９３の精度で認識可能となっている。ＥＣＧを用いた５段階の睡眠識別方法は、これまでに報告がなく、多くの従来法は、Ｎ１とＮ２を一つの段階とみなした４段階の識別にとどまるものであった。睡眠障害やＥＤＳでは、Ｎ１とＮ２を分ける必要があり、それゆえ本実施の形態による５段階の識別法は利用価値が高い。なお、本実施例では、Ｎ１データがそれほど多くなかったため、Ｎ１の認識率が低かったが、Ｎ２の認識率は９０％以上と高かった。Ｎ１データを多く含むデータを用いれば、Ｎ１の認識率は、より向上すると考えられる。

　以上で、本実施の形態の説明を終える。

［他の実施の形態］
　さて、これまで本発明の実施の形態について説明したが、本発明は、上述した実施の形態以外にも、特許請求の範囲に記載した技術的思想の範囲内において種々の異なる実施の形態にて実施されてよいものである。

　例えば、睡眠判定装置１００がスタンドアローンの形態で処理を行うよう説明したが、睡眠判定装置１００がクライアント端末（外部装置２００など）からの要求に応じて処理を行い、その処理結果を当該クライアント端末に返却するよう構成してもよいものである。

　また、実施の形態において説明した各処理のうち、自動的に行われるものとして説明した処理の全部または一部を手動的に行うこともでき、あるいは、手動的に行われるものとして説明した処理の全部または一部を公知の方法で自動的に行うこともできる。

　このほか、上記文献中や図面中で示した処理手順、制御手順、具体的名称、各処理の登録データや検索条件等のパラメータを含む情報、画面例、データベース構成については、特記する場合を除いて任意に変更することができる。

　また、睡眠判定装置１００に関して、図示の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。

　例えば、睡眠判定装置１００の各装置が備える処理機能、特に制御部１０２にて行われる各処理機能については、その全部または任意の一部を、ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）および当該ＣＰＵにて解釈実行されるプログラムにて実現してもよく、また、ワイヤードロジックによるハードウェアとして実現してもよい。尚、プログラムは、後述する、コンピュータに本発明に係る方法を実行させるためのプログラム化された命令を含む、一時的でないコンピュータ読み取り可能な記録媒体に記録されており、必要に応じて睡眠判定装置１００に機械的に読み取られる。すなわち、ＲＯＭまたはＨＤＤ（Ｈａｒｄ　Ｄｉｓｋ　Ｄｒｉｖｅ）などの記憶部１０６などには、ＯＳ（Ｏｐｅｒａｔｉｎｇ　Ｓｙｓｔｅｍ）と協働してＣＰＵに命令を与え、各種処理を行うためのコンピュータプログラムが記録されている。このコンピュータプログラムは、ＲＡＭにロードされることによって実行され、ＣＰＵと協働して制御部を構成する。

　また、このコンピュータプログラムは、睡眠判定装置１００に対して任意のネットワーク３００を介して接続されたアプリケーションプログラムサーバに記憶されていてもよく、必要に応じてその全部または一部をダウンロードすることも可能である。

　また、本発明に係るプログラムを、コンピュータ読み取り可能な記録媒体に格納してもよく、また、プログラム製品として構成することもできる。ここで、この「記録媒体」とは、メモリーカード、ＵＳＢメモリ、ＳＤカード、フレキシブルディスク、光磁気ディスク、ＲＯＭ、ＥＰＲＯＭ、ＥＥＰＲＯＭ、ＣＤ－ＲＯＭ、ＭＯ、ＤＶＤ、および、Ｂｌｕ－ｒａｙ（登録商標）Ｄｉｓｃ等の任意の「可搬用の物理媒体」を含むものとする。

　また、「プログラム」とは、任意の言語や記述方法にて記述されたデータ処理方法であり、ソースコードやバイナリコード等の形式を問わない。なお、「プログラム」は必ずしも単一的に構成されるものに限られず、複数のモジュールやライブラリとして分散構成されるものや、ＯＳ（Ｏｐｅｒａｔｉｎｇ　Ｓｙｓｔｅｍ）に代表される別個のプログラムと協働してその機能を達成するものをも含む。なお、実施の形態に示した各装置において記録媒体を読み取るための具体的な構成、読み取り手順、あるいは、読み取り後のインストール手順等については、周知の構成や手順を用いることができる。プログラムが、一時的でないコンピュータ読み取り可能な記録媒体に記録されたプログラム製品として本発明を構成してもよい。

　記憶部１０６に格納される各種のデータベース等（心拍変数ファイル１０６ａ、判定手法ファイル１０６ｂ等）は、ＲＡＭ、ＲＯＭ等のメモリ装置、ハードディスク等の固定ディスク装置、フレキシブルディスク、および、光ディスク等のストレージ手段であり、各種処理やウェブサイト提供に用いる各種のプログラム、テーブル、データベース、および、ウェブページ用ファイル等を格納する。

　また、睡眠判定装置１００や外部装置２００は、既知のパーソナルコンピュータ、ワークステーション等の情報処理装置として構成してもよく、また、該情報処理装置に任意の周辺装置を接続して構成してもよい。また、睡眠判定装置１００や外部装置２００は、該情報処理装置に本発明の方法を実現させるソフトウェア（プログラム、データ等を含む）を実装することにより実現してもよい。

　更に、装置の分散・統合の具体的形態は図示するものに限られず、その全部または一部を、各種の付加等に応じて、または、機能負荷に応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。すなわち、上述した実施形態を任意に組み合わせて実施してもよく、実施形態を選択的に実施してもよい。

　以上詳述したように、本発明によれば、精度良く詳細に睡眠段階を判定することができる、睡眠判定装置、睡眠判定方法、および、睡眠判定プログラムを提供することができる。

　１００　睡眠判定装置
　１０２　制御部
　１０２ａ　変数抽出部
　１０２ｂ　睡眠段階判別部
　１０２ｃ　学習部
　１０４　通信制御インターフェース部
　１０６　記憶部
　１０６ａ　心拍変数ファイル
　１０６ｂ　判定手法ファイル
　１０８　入出力制御インターフェース部
　１１２　入力部
　１１４　出力部
　２００　外部装置
　３００　ネットワーク

Claims (11)

1. 　利用者の身体における心拍のデータに基づいて、前記心拍における超低周波成分（ＶＬＦ）、低周波成分（ＬＦ）と高周波成分（ＨＦ）との比、心拍間隔（ＲＲＩ）の平均、及び、心拍間隔（ＲＲＩ）の標準偏差を心拍の状態を表す心拍変動パラメータとして取得する心拍データ取得手段と、
   　前記心拍変動パラメータと第１のノンレム睡眠段階との相関関係に基づいて設定された第１判別条件、及び、前記心拍変動パラメータと第２のノンレム睡眠段階との相関関係に基づいて設定された第２判別条件に基づいて、前記利用者の心拍変動パラメータが前記第１のノンレム睡眠段階または前記第２のノンレム睡眠段階のいずれに該当するかを判別する睡眠状態判別手段と、
   　を備えることを特徴とする睡眠判定装置。
2. 　請求項１に記載の睡眠判定装置において、
   　前記睡眠状態判別手段は、
   　前記睡眠段階として、レム睡眠段階（ＲＥＭ）と、第１のノンレム睡眠段階（Ｎ１）と、第２のノンレム睡眠段階（Ｎ２）と、第３のノンレム睡眠段階（Ｎ３）と、第４のノンレム睡眠段階（Ｎ４）との５段階を区別して睡眠段階を判別すること
   　を特徴とする睡眠判定装置。
3. 　利用者の身体における心拍のデータに基づいて、前記心拍における超低周波成分（ＶＬＦ）、低周波成分（ＬＦ）と高周波成分（ＨＦ）との比、心拍間隔（ＲＲＩ）の平均、及び、心拍間隔（ＲＲＩ）の標準偏差を心拍の状態を表す心拍変動パラメータとして取得する心拍データ取得手段と、
   　前記利用者の心拍変動パラメータが、第１のノンレム睡眠段階及び第２のノンレム睡眠段階を含む複数の睡眠段階のいずれに該当するかを判別する睡眠状態判別手段と、
   　を備え、
   　前記睡眠状態判別手段は、
   　睡眠段階が既知の教師データに対して、前記心拍変動パラメータを入力として学習させた学習結果データに基づいて、前記心拍変動パラメータから前記睡眠段階を判別すること
   　を特徴とする睡眠判定装置。
4. 　請求項３に記載の睡眠判定装置において、
   　前記学習のアルゴリズムは、ニューラルネットワーク、サポートベクターマシン、ランダムフォレスト、再帰型ニューラルネットワーク、または、隠れマルコフモデルであること
   　を特徴とする睡眠判定装置。
5. 　利用者の身体における心拍のデータに基づいて、前記心拍における超低周波成分（ＶＬＦ）、低周波成分（ＬＦ）と高周波成分（ＨＦ）との比、心拍間隔（ＲＲＩ）の平均、及び、心拍間隔（ＲＲＩ）の標準偏差を心拍の状態を表す心拍変動パラメータとして取得する心拍データ取得手段と、
   　前記心拍変動パラメータを変数とし、第１のノンレム睡眠段階及び第２のノンレム睡眠段階を含む複数の睡眠段階それぞれに該当する確率を表す関数に基づいて、前記利用者がいずれの睡眠段階であるかを判別する睡眠状態判別手段と、
   　を備えることを特徴とする睡眠判定装置。
6. 　利用者の身体における心拍のデータに基づいて、前記心拍における超低周波成分（ＶＬＦ）、低周波成分（ＬＦ）と高周波成分（ＨＦ）との比、心拍間隔（ＲＲＩ）の平均、及び、心拍間隔（ＲＲＩ）の標準偏差を心拍の状態を表す心拍変動パラメータとして取得する心拍データ取得ステップと、
   　前記心拍変動パラメータと第１のノンレム睡眠段階との相関関係に基づいて設定された第１判別条件、及び、前記心拍変動パラメータと第２のノンレム睡眠段階との相関関係に基づいて設定された第２判別条件に基づいて、前記利用者の心拍変動パラメータが前記第１のノンレム睡眠段階または前記第２のノンレム睡眠段階のいずれに該当するかを判別する睡眠状態判別ステップと、
   　を含むことを特徴とする睡眠判定方法。
7. 　利用者の身体における心拍のデータに基づいて、前記心拍における超低周波成分（ＶＬＦ）、低周波成分（ＬＦ）と高周波成分（ＨＦ）との比、心拍間隔（ＲＲＩ）の平均、及び、心拍間隔（ＲＲＩ）の標準偏差を心拍の状態を表す心拍変動パラメータとして取得する心拍データ取得ステップと、
   　前記利用者の心拍変動パラメータが、第１のノンレム睡眠段階及び第２のノンレム睡眠段階を含む複数の睡眠段階のいずれに該当するかを判別する睡眠状態判別ステップと、
   　を含み、
   　前記睡眠状態判別ステップでは、
   　睡眠段階が既知の教師データに対して、前記心拍変動パラメータを入力として学習させた学習結果データに基づいて、前記心拍変動パラメータから前記睡眠段階を判別すること
   　を特徴とする睡眠判定方法。
8. 　利用者の身体における心拍のデータに基づいて、前記心拍における超低周波成分（ＶＬＦ）、低周波成分（ＬＦ）と高周波成分（ＨＦ）との比、心拍間隔（ＲＲＩ）の平均、及び、心拍間隔（ＲＲＩ）の標準偏差を心拍の状態を表す心拍変動パラメータとして取得する心拍データ取得ステップと、
   　前記心拍変動パラメータを変数とし、第１のノンレム睡眠段階及び第２のノンレム睡眠段階を含む複数の睡眠段階それぞれに該当する確率を表す関数に基づいて、前記利用者がいずれの睡眠段階であるかを判別する睡眠状態判別ステップと、
   　を含むことを特徴とする睡眠判定方法。
9. 　コンピュータに、
   　利用者の身体における心拍のデータに基づいて、前記心拍における超低周波成分（ＶＬＦ）、低周波成分（ＬＦ）と高周波成分（ＨＦ）との比、心拍間隔（ＲＲＩ）の平均、及び、心拍間隔（ＲＲＩ）の標準偏差を心拍の状態を表す心拍変動パラメータとして取得する心拍データ取得機能と、
   　前記心拍変動パラメータと第１のノンレム睡眠段階との相関関係に基づいて設定された第１判別条件、及び、前記心拍変動パラメータと第２のノンレム睡眠段階との相関関係に基づいて設定された第２判別条件に基づいて、前記利用者の心拍変動パラメータが前記第１のノンレム睡眠段階または前記第２のノンレム睡眠段階のいずれに該当するかを判別する睡眠状態判別機能と、
   　を実現させることを特徴とする睡眠判定プログラム。
10. 　コンピュータに、
    　利用者の身体における心拍のデータに基づいて、前記心拍における超低周波成分（ＶＬＦ）、低周波成分（ＬＦ）と高周波成分（ＨＦ）との比、心拍間隔（ＲＲＩ）の平均、及び、心拍間隔（ＲＲＩ）の標準偏差を心拍の状態を表す心拍変動パラメータとして取得する心拍データ取得機能と、
    　前記利用者の心拍変動パラメータが、第１のノンレム睡眠段階及び第２のノンレム睡眠段階を含む複数の睡眠段階のいずれに該当するかを判別する睡眠状態判別機能と、
    　を実現させ、
    　前記睡眠状態判別機能は、
    　睡眠段階が既知の教師データに対して、前記心拍変動パラメータを入力として学習させた学習結果データに基づいて、前記心拍変動パラメータから前記睡眠段階を判別すること
    　を特徴とする睡眠判定プログラム。
11. 　コンピュータに、
    　利用者の身体における心拍のデータに基づいて、前記心拍における超低周波成分（ＶＬＦ）、低周波成分（ＬＦ）と高周波成分（ＨＦ）との比、心拍間隔（ＲＲＩ）の平均、及び、心拍間隔（ＲＲＩ）の標準偏差を心拍の状態を表す心拍変動パラメータとして取得する心拍データ取得機能と、
    　前記心拍変動パラメータを変数とし、第１のノンレム睡眠段階及び第２のノンレム睡眠段階を含む複数の睡眠段階それぞれに該当する確率を表す関数に基づいて、前記利用者がいずれの睡眠段階であるかを判別する睡眠状態判別機能と、
    　を実現させることを特徴とする睡眠判定プログラム。

Images