WO2020184627A1 - 睡眠推定システム、睡眠推定装置、および睡眠推定方法 - Google Patents

睡眠推定システム、睡眠推定装置、および睡眠推定方法 Download PDF

Info

Publication number
WO2020184627A1
WO2020184627A1 PCT/JP2020/010619 JP2020010619W WO2020184627A1 WO 2020184627 A1 WO2020184627 A1 WO 2020184627A1 JP 2020010619 W JP2020010619 W JP 2020010619W WO 2020184627 A1 WO2020184627 A1 WO 2020184627A1
Authority
WO
WIPO (PCT)
Prior art keywords
sleep
blood flow
data
estimation system
user
Prior art date
Application number
PCT/JP2020/010619
Other languages
English (en)
French (fr)
Inventor
孝浩 渡邉
Original Assignee
京セラ株式会社
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 京セラ株式会社 filed Critical 京セラ株式会社
Priority to US17/437,632 priority Critical patent/US20220142564A1/en
Priority to JP2021505112A priority patent/JPWO2020184627A1/ja
Priority to KR1020217028266A priority patent/KR20210124369A/ko
Priority to EP20769440.7A priority patent/EP3939502A4/en
Priority to CN202080018420.6A priority patent/CN113518583A/zh
Publication of WO2020184627A1 publication Critical patent/WO2020184627A1/ja
Priority to JP2023093406A priority patent/JP2023111958A/ja

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
    • A61B5/48—Other medical applications
    • A61B5/4806—Sleep evaluation
    • A61B5/4812—Detecting sleep stages or cycles
    • 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
    • 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
    • A61B5/026—Measuring blood flow
    • A61B5/0261—Measuring blood flow using optical means, e.g. infrared light
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4806—Sleep evaluation
    • A61B5/4809—Sleep detection, i.e. determining whether a subject is asleep or not
    • 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
    • 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
    • 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
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/01—Measuring temperature of body parts ; Diagnostic temperature sensing, e.g. for malignant or inflamed tissue
    • 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
    • A61B5/02028—Determining haemodynamic parameters not otherwise provided for, e.g. cardiac contractility or left ventricular ejection fraction
    • 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
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • 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
    • A61B5/026—Measuring blood flow
    • A61B5/029—Measuring or recording blood output from the heart, e.g. minute volume
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
    • A61B5/0816—Measuring devices for examining respiratory frequency
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/42—Detecting, measuring or recording for evaluating the gastrointestinal, the endocrine or the exocrine systems
    • A61B5/4261—Evaluating exocrine secretion production
    • A61B5/4266—Evaluating exocrine secretion production sweat secretion
    • 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
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet transforms

Definitions

  • This disclosure relates to sleep estimation.
  • Patent Document 1 describes a technique for detecting a sleep state.
  • the sleep estimation system includes an input device for inputting user's blood flow data and a control device for calculating output data indicating the user's sleep state from the blood flow data. It has an approximater capable of calculating the output data from the blood flow data.
  • the sleep estimation program according to the embodiment is a sleep estimation program for operating a computer as the control device included in the sleep estimation system.
  • the sleep estimation device includes an input unit for inputting user's blood flow data, an input layer for inputting blood flow data, and a hidden layer for performing calculations based on learned parameters for outputs from the input layer. It also includes a control unit that constitutes an approximation device having an output layer that outputs the calculation result of the hidden layer as a sleeping state of the user.
  • the sleep estimation method is a sleep estimation method using an approximator, and the approximator is a trained parameter for an input layer for inputting user's blood flow data and an output from the input layer.
  • the hidden layer includes a step of performing an calculation based on the learned parameters on the blood flow data, and an output layer includes a step of outputting the estimated sleep state of the user based on the calculation result of the hidden layer.
  • the accuracy of sleep state estimation can be improved.
  • FIG. 1 is a schematic diagram of the configuration of the sleep estimation system according to the embodiment.
  • the sleep estimation system 1 can estimate the user's sleep state based on the data related to the user's blood flow (blood flow data). Specifically, the sleep estimation system 1 can estimate the sleep state of the user by, for example, causing the approximator 17 shown in FIG. 2 to calculate based on the input blood flow data.
  • the approximator 17 may include a so-called neural network.
  • the neural network is a mathematical model that imitates the neurons of the human cranial nerve system.
  • the approximator 17 may include a trained mathematical model (such as an arithmetic expression) as described below.
  • the sleep estimation system 1 includes a control device 11, a storage device 12, and a bus 13.
  • Various devices constituting the sleep estimation system 1 such as the control device 11 and the storage device 12 are electrically or optically connected to each other via the bus (bus) 13 and can communicate with each other.
  • the control device 11 can comprehensively manage the operation of the sleep estimation system 1 by controlling other components of the sleep estimation system 1.
  • the control device 11 includes at least one processor in order to provide control and processing power for performing various functions.
  • the at least one processor is run as a single integrated circuit (IC) or as multiple communicable connected ICs and / or discrete circuits (Discrete Circuits). May be good.
  • At least one processor can be run according to various known techniques.
  • a processor may be configured to perform one or more data calculation procedures or processes by, for example, executing instructions such as a program stored in associated memory such as storage device 12, one or more circuits, units, or It may be firmware (eg, a discrete logic component).
  • the processor is one or more processors, controllers, microprocessors, microcontrollers, application specific integrated circuits (ASICs), digital signal processing devices, programmable logic devices, field programmable gate arrays, or these devices or It may include any combination of configurations, or other known device and configuration combinations.
  • the control device 11 of the sleep estimation system 1 includes, for example, a CPU (Central Processing Unit).
  • the storage device 12 can store various information, programs, and the like for realizing the functions of the sleep estimation system 1. Specifically, the storage device 12 can store the control program 121, which is a program for controlling the sleep estimation system 1.
  • the storage device 12 may include a non-temporary recording medium such as a ROM (Read Only Memory) and a RAM (Random Access Memory) that can be read by the CPU of the control device 11.
  • the storage device 12 may be configured by a conventionally known technique.
  • the control device 11 can realize various functions by executing the control program 121 in the storage device 12. That is, the control program 121 has a sleep estimation program for causing the computer to estimate the sleep state of the user.
  • the sleep estimation system 1 according to the embodiment can form an approximator 17 capable of estimating the sleep state of the user by the control device 11 executing the control program 121 in the storage device 12.
  • FIG. 2 is a schematic diagram showing the operation of the sleep estimation system shown in FIG. 1 until the sleep state of the user is estimated. Further, FIG. 3 is a diagram for explaining an example of learning of the approximator 17.
  • the operation until the user's sleep state is estimated is executed by the control device 11.
  • the control device 11 forms an approximator 17 capable of estimating the sleep state of the user by executing the control program 121 in the storage device 12.
  • the control device 11 calculates and outputs output data (for example, the sleeping state of the user) from the user's estimation data 125 (for example, blood flow data) according to the approximator 17.
  • the approximator 17 is composed of, for example, an input layer 171, a hidden layer 172, an output layer 173, and arithmetic data 124.
  • the input layer 171 can transmit the input data to the hidden layer 172.
  • the hidden layer 172 can perform various calculations on the data input from the input layer 171 based on the calculation data 124. Then, the hidden layer 172 can output the calculation result to the output layer 173.
  • the output layer 173 can output the calculation result input from the hidden layer 172 as the output data 19.
  • each layer has a unit into which a signal is input / output as a constituent unit.
  • the sleep estimation system 1 can improve the accuracy of the calculation result by learning the approximator 17.
  • Learning means adjusting the strength of coupling between units, the bias of coupling, and the like so that the output layer 173 outputs a correct calculation result in the approximator 17.
  • the output data 19 based on the learning data 122 is compared with the teacher data 123, which is the answer data prepared in advance, and the calculation data 124 is generated so that the output data 19 approaches the teacher data 123. It means to adjust.
  • the sleep estimation system 1 according to the embodiment can improve the estimation accuracy by adjusting the calculation data 124 by so-called supervised learning using the learning data 122 and the teacher data 123.
  • the learning data 122 is example data for training the approximator 17.
  • the learning data 122 includes information based on human metabolism (metabolic information).
  • the metabolic information includes, for example, information on blood flow, respiration, sweating, body temperature, body movement, and the like.
  • Metabolism information may be acquired in advance using an arbitrary measuring device.
  • Information on blood flow may be measured using, for example, a blood flow sensor such as a laser Doppler blood flow meter, an ultrasonic blood flow meter, and a photoelectric pulse wave meter.
  • information on respiration may be acquired as sound using, for example, a microphone, or as movement of the thorax using an acceleration sensor, such as the depth or speed of respiration. ..
  • an acceleration sensor such as the depth or speed of respiration.
  • sweating for example, cotton or the like may be attached to an arbitrary part of the body, and the amount or weight of absorbed sweat may be acquired as the amount of sweating.
  • information on body temperature may be acquired by, for example, a thermistor, an infrared sensor, and a thermometer such as a mercury thermometer.
  • Information on body movement may be measured using, for example, an acceleration sensor and a pressure sensor.
  • a plurality of the above-mentioned various measured information may be combined as metabolic information used by the sleep estimation system 1.
  • the metabolic information used by the sleep estimation system 1 may be such that the behavior differs between waking up and sleeping, or the behavior changes according to the depth of sleep.
  • the learning data 122 was associated with metabolic information with personal information and lifestyle habits that could affect circulatory system mechanisms such as age, gender, height, body fat, drinking habits, and smoking habits. It may be a thing.
  • blood flow data can be used as learning data 122.
  • the blood flow data may be data including various variables calculated based on the blood flow.
  • the blood flow data includes, for example, data on at least one of blood flow, heart rate, heart rate interval, cardiac output, blood flow height, and coefficient of variation of vasomotion (basomotion). All you need is.
  • Blood flow is the amount of blood flowing through a blood vessel per unit time.
  • Heart rate is the number of heartbeats per unit time.
  • the heartbeat interval is the interval between heartbeats.
  • Cardiac output is the amount of blood pumped by a single heartbeat.
  • Blood flow height is the difference between the maximum and minimum blood flow in a single heartbeat.
  • Basomotion is a spontaneous and rhythmic movement of contraction and expansion of blood vessels.
  • the coefficient of variation of the bass motion is a value showing the fluctuation of the blood flow generated based on the bass motion as a variation.
  • the teacher data 123 is the data of the answer associated with the learning data 122.
  • the sleep estimation system 1 can use the data in which the sleep state of the person who acquired the blood flow data is associated with the blood flow data of the learning data 122 as the teacher data 123. ..
  • the teacher data 123 includes, for example, data in which the transition of the sleep state is associated with the transition of blood flow, data in which the transition of the sleep state is associated with the transition of the heart rate, and heartbeat interval.
  • the sleep state of the user may be measured by any measuring device capable of acquiring the sleep state when the learning data 122 is acquired.
  • any measuring device capable of acquiring the sleep state when the learning data 122 is acquired.
  • blood flow data is acquired by a blood flow sensor
  • brain waves are measured using an electroencephalograph to acquire user sleep state data associated with blood flow data, which is learning data 122. be able to.
  • the arithmetic data 124 is data related to the arithmetic of the approximator 17, including data such as constants and variables of arithmetic expressions such as arithmetic expressions, biases and weights, and operators. Further, the arithmetic data 124 includes learned parameters such as a mathematical model. In the calculation data 124, the bias and the weight define the strength of the coupling between the units in the approximator 17. Therefore, the sleep estimation system 1 can adjust the calculation result of the approximator 17 by adjusting constants and variables such as bias and weight by learning.
  • the adjustment method of the calculation data 124 for example, an error back propagation method, a gradient descent method, or the like may be adopted.
  • the calculation data 124 adjusted by learning may be stored in the storage device 12 as the learned calculation data 124.
  • the adjustment method is not limited to the above example as long as the calculation data 124 can be adjusted so that the estimation accuracy of the sleep state is improved by learning.
  • the learning data 122 is input to the input layer 171.
  • the hidden layer 172 the calculation based on the calculation data 124 is executed on the learning data 122.
  • the calculation result of the hidden layer 172 is output as output data 19 from the output layer 173.
  • the approximator 17 compares the teacher data 123 with the output data 19, and adjusts the calculation data 124 so that the error becomes small.
  • the sleep estimation system 1 can train the neural network by using the learning data 122, the teacher data 123, and the calculation data 124. As a result, the sleep estimation system 1 can improve the estimation accuracy of the sleep state.
  • the learning of the approximator 17 may be performed by another device regardless of the sleep estimation system 1.
  • the storage device 12 of the sleep estimation system 1 stores the learned calculation data 124 generated by another device. Further, it is not necessary for the storage device 12 to store the learning data 122 and the teacher data 123.
  • the learned calculation data 124 generated by another device is received by the communication device 14 through the information communication network 2, and the control device 11 stores the learned calculation data 124 received by the communication device 14 in the storage device 12. be able to. Further, the learned calculation data 124 generated by another device may be stored in the removable memory included in the storage device 12.
  • the sleep estimation system 1 can estimate the sleep state of the user by using the learned approximator 17. Specifically, the sleep estimation system 1 can estimate the sleep state by calculating the input estimation data 125 with the approximator 17. In this case, first, the estimation data 125 is input to the input layer 171. Next, in the hidden layer 172, the calculation is executed on the estimation data 125 based on the calculation data 124. Then, the output data 19 which is the calculation result is output from the output layer 173 as the estimated sleep state.
  • the estimation data 125 is input to the trained approximator 17 and is data for estimating the sleep state of the user.
  • the learning data 122 may be the same type of data as the estimation data 125. That is, when it is desired to estimate the sleep state of the user based on the information on the blood flow, the estimation data 125 and the learning data 122 may be blood flow data.
  • metabolic information such as blood flow data is acquired using a measuring device that measures the metabolism of a user who wants to estimate the sleep state, and the metabolic information acquired using the measuring device is used as estimation data 125 as an approximator. It is input to 17.
  • the sleep estimation system 1 can estimate the sleep state of the user based on the estimation data 125.
  • FIG. 4 is a schematic diagram showing an example of the transition of brain waves related to sleep.
  • Sleep states can be classified based on, for example, brain waves.
  • the sleep state is a state in which the user is awake, in a light sleep such as REM sleep (RapidEyeMovementsleep, REMsleep), or a non-REM sleep (Non-RapidEyeMovementsleep, Non-). It can be classified into a state of deep sleep such as REM sleep).
  • non-rem sleep can be further classified according to the depth of sleep. For example, non-rem sleep may be classified into stage 1, stage 2, stage 3, and stage 4 in order of light sleep.
  • Brain waves are classified into four waves, ⁇ wave, ⁇ wave, ⁇ wave and ⁇ wave, in order from the one with the longest wavelength.
  • the ⁇ wave is, for example, an electroencephalogram having a frequency of about 38 Hz to 14 Hz.
  • the ⁇ wave is, for example, an electroencephalogram having a frequency of about 14 Hz to 8 Hz.
  • Theta wave is, for example, an electroencephalogram having a frequency of about 8 Hz to 4 Hz.
  • the delta wave is, for example, an electroencephalogram having a frequency of about 4 Hz to 0.5 Hz.
  • a person is sleeping when theta and delta waves are superior to beta and alpha waves.
  • "dominant” means that the proportion of a certain wave in the measured electroencephalogram increases. It is known that the dominant brain wave changes periodically in the range of theta wave and delta wave during sleep (Fig. 4).
  • the ratio of theta waves contained in brain waves is less than the predetermined value, the person is in REM sleep, and when the ratio of theta waves is more than the predetermined value, and when the ⁇ wave is dominant, the person is non-REM. It is in a state of sleep (Fig. 4).
  • REM sleep is sleep accompanied by rapid eye movement (REM).
  • Non-REM sleep is sleep that does not involve rapid eye movements.
  • the sleep state was estimated by the electroencephalogram acquired by the electroencephalograph.
  • handling an electroencephalograph and acquiring electroencephalograms requires a high degree of specialized knowledge.
  • the installation of the electroencephalograph is complicated. Therefore, it is difficult for the user to easily acquire the brain wave, and it is difficult for the user to easily grasp his / her own sleep state.
  • the sleep estimation system 1 can estimate the sleep state of the user based on the blood flow data. Handling a device that measures blood flow and acquiring blood flow data does not require a high degree of expertise compared to an electroencephalograph. In addition, the device for measuring blood flow is easier to install than an electroencephalograph. That is, the user can acquire his / her own blood flow data relatively easily. Therefore, according to the sleep estimation system 1, the user can easily grasp his / her own sleep state.
  • sleep inertia For example, if you wake up while you are in deep sleep, you will be drowsy or drowsy immediately after awakening, and the brain will not work well (so-called sleep inertia).
  • a relatively shallow sleep state such as stage 1 or 2 of non-rem sleep as the wake-up timing, it becomes difficult to fall into sleep inertia. Therefore, according to the sleep estimation system 1, the user can grasp the optimum wake-up timing, sleep cycle, and the like, so that the usefulness can be improved.
  • the sleep estimation system 1 can estimate the sleep state of the user based on the blood flow data.
  • the blood flow volume included in the blood flow data is an index including various factors related to blood flow such as heart rate, heart rate interval, cardiac output, blood flow wave height, and bass motion. Therefore, when the blood flow rate data is used as the learning data 122, the sleep estimation system 1 can learn the approximator 17 based on various elements related to the blood flow, and thus can improve the usefulness. it can.
  • the parasympathetic nerves of the human body are enhanced when falling asleep. Since the basomotion is easily affected by the action of the parasympathetic nerve, the coefficient of variation of the basomotion tends to fluctuate greatly with the transition of the sleep state. In other words, the transition of the sleep state and the transition of the coefficient of variation of the bass motion tend to show a relatively high correlation. Therefore, the sleep estimation system 1 can effectively learn the approximator 17 regarding the correlation between the sleep state and the blood flow by using the data of the coefficient of variation of the bass motion included in the blood flow data as the learning data 122. Therefore, the estimation accuracy can be improved.
  • blood flow may be affected not only by the sleep state but also by the surrounding environment during sleep.
  • the blood flow rate becomes lower than expected when the blood flow data acquisition site is cooled by the wind of the air conditioner or the like.
  • the heart rate is a value based on the heartbeat, and the measurement error due to the surrounding environment tends to be relatively small. Therefore, the sleep estimation system 1 can improve the estimation accuracy by using the heart rate data included in the blood flow data as the learning data 122.
  • the sleep states that can be estimated by the sleep estimation system 1 are, for example, awakening of the user, REM sleep, and non-REM sleep. That is, the user can grasp the transition of his / her sleep state.
  • the sleep estimation system 1 can estimate the state of non-rem sleep for each stage. Specifically, the sleep estimation system 1 can estimate which stage of stages 1 to 4 the non-rem sleep is in based on the blood flow data. Therefore, according to the sleep estimation system 1, the user can grasp an appropriate wake-up timing, sleep cycle, and the like.
  • the learning of the approximator 17 may be performed for each sleep state. For example, learning data 122 and teacher data 123 during awakening, learning data 122 and teacher data 123 during REM sleep, and learning data 122 and teacher data 123 during non-REM sleep, respectively, for calculation data for each sleep state.
  • the weighting of 124 may be performed.
  • the acquisition site of blood flow data included in the learning data 122 may be, for example, ears, fingers, wrists, arms, forehead, nose, or neck. Further, blood flow data may be acquired from the ear region, for example, the concha, ear canal, earlobe, or tragus. As a result, the user can select the site for acquiring the blood flow data, so that the sleep estimation system 1 can improve the convenience.
  • the control device 11 may include a plurality of CPUs. Further, the control device 11 may include at least one DSP. Further, all the functions of the control device 11 or some functions of the control device 11 may be realized by a hardware circuit that does not require software to realize the functions.
  • the storage device 12 may include a non-temporary recording medium other than ROM and RAM that can be read by a computer. The storage device 12 may include, for example, a small hard disk drive and an SSD (Solid State Drive). Further, the storage device 12 may be a memory such as a USB (Universal Serial Bus) memory that can be attached to and detached from the sleep estimation system 1.
  • USB Universal Serial Bus
  • the sleep estimation system 1 includes a communication device 14 capable of communicating with an arbitrary external electronic device, a display device 15 capable of displaying various above tables such as the system of the sleep estimation system 1 and the sleep state of the user, and a sleep estimation system.
  • An input device 16 capable of inputting various information and signals may be further provided in 1.
  • the communication device 14, the display device 15, and the input device 16 may be electrically or optically connected to each other via the bus 13.
  • the communication device 14 can be connected to an information communication network 2 such as the Internet that enables the sleep estimation system 1 to be connected to an external device by wired or wireless communication. That is, the communication device 14 can communicate with other devices such as a cloud server and a web server through the information communication network 2. Then, the communication device 14 can input various information received from the information communication network 2 to the control device 11. Further, the communication device 14 can transmit the information received from the control device 11 to the information communication network 2.
  • an information communication network 2 such as the Internet that enables the sleep estimation system 1 to be connected to an external device by wired or wireless communication. That is, the communication device 14 can communicate with other devices such as a cloud server and a web server through the information communication network 2. Then, the communication device 14 can input various information received from the information communication network 2 to the control device 11. Further, the communication device 14 can transmit the information received from the control device 11 to the information communication network 2.
  • the display device 15 can display various information such as characters, symbols, and figures under the control of the control device 11.
  • the display device 15 can be configured by a conventionally known technique such as a liquid crystal display or an organic EL display.
  • the input device 16 can output the data input from the user to the control device 11 as a signal.
  • the input device 16 may be an interface capable of outputting signals based on user operations such as a keyboard, a mouse, and a touch panel. Further, when an interface capable of outputting signals and displaying various information based on user operations such as a touch panel is used, the display device 15 and the input device 16 may function as one. As a result, the convenience of the sleep estimation system 1 can be improved.
  • the input device 16 may be configured by a conventionally known technique.
  • the learning data 122, the teacher data 123, the calculation data 124, and the estimation data 125 may be input to the control device 11 via the communication device 14 or the input device 16. These input data may be stored in the storage device 12. Further, the teacher data 123 and the calculation data 124 may be stored in the storage device 12 in advance. Further, the storage device 12 may store the data obtained by collecting the learning data 122 and the teacher data 123 as the supervised learning data.
  • the display device 15 may display the estimated sleep state of the user. Further, the output data 19 output as the sleeping state of the user may be used in another device. In this case, the output data 19 may be output to the outside via the communication device 14 or the like.
  • FIG. 5 is a schematic view showing a configuration of the sleep estimation system 1 according to another embodiment.
  • the sleep estimation system 1 further includes a sensor device 20 that acquires blood flow data.
  • the sleep estimation system 1 has a light emitting unit that irradiates the test site of the user with light, and a light receiving unit that receives interference light including light scattered by the blood flow of the user. 20 may be further provided.
  • the control device 11 can acquire blood flow data based on the frequency spectrum of the output of the light receiving unit. As a result, the sleep estimation system 1 can improve convenience.
  • the sensor device 20 and the other device may be electrically and optically connected to each other by the bus 13. Further, the sensor device 20 may be able to communicate with each device of the sleep estimation system 1 through the information communication network 2.
  • the information communication network 2 includes, for example, at least one of a wireless network and a wired network.
  • the information communication network 2 includes, for example, a wireless LAN (Local Area Network), the Internet, and the like.
  • the sensor device 20 may be, for example, a laser Doppler blood flow meter.
  • the laser Doppler blood flow meter includes a light emitting unit that irradiates a user's test site with light, a light receiving unit that receives light, and a control device that acquires blood flow data.
  • the sensor device 20 can measure the blood flow by utilizing the Doppler effect.
  • the frequency of the scattered light scattered by the flowing blood shifts (Doppler shift) due to the Doppler effect. Since the light emitted from a general fluorescent lamp or the like contains light of various frequencies with various intensities, it is difficult to grasp the change in frequency due to the Doppler shift. On the other hand, since laser light is light that contains light of a specific frequency extremely predominantly, it is easy to observe a change in frequency due to Doppler shift. Therefore, the sensor device 20 can measure the blood flow by using the interference light including the scattered light.
  • the sensor device 20 acquires a beat signal (also referred to as a beat signal) generated by the interference of light from a stationary substance and scattered light from a moving substance by the Doppler effect.
  • the beat signal is a relationship between intensity and time.
  • the sensor device 20 can acquire the relationship between the frequency and the intensity of the output of the light receiving unit as a frequency spectrum by Fourier transforming the beat signal.
  • the frequency and frequency intensity of the output of the light receiving unit depend on the Doppler effect. That is, the frequency spectrum changes depending on the flow rate or flow velocity of blood. Therefore, the sensor device 20 can calculate the blood flow data based on the frequency spectrum.
  • the frequency spectrum has a frequency range in which the intensity tends to decrease with a change in flow (for example, an increase in flow rate or flow velocity) and a frequency range in which the intensity tends to increase. Therefore, the control device of the sensor device 20 may acquire the blood flow data by selecting a frequency band suitable for acquiring the blood flow data from the frequencies of the acquired frequency spectrum. As a result, the sensor device 20 can improve the accuracy of the blood flow data included in the learning data 122, the teacher data 123, and the estimation data 125. That is, the sleep estimation system 1 can improve the estimation accuracy of the sleep state.
  • the blood flow data included in the learning data 122, the teacher data 123, and the estimation data 125 may remain in the frequency spectrum.
  • the frequency spectrum may be data that has undergone arbitrary conversion.
  • the sleep estimation system 1 may use the data (converted data) acquired by wavelet transforming the frequency spectrum as blood flow data. By the wavelet transform, the frequency spectrum is weighted by the measurement time for each frequency component. That is, the conversion data is data including the time change of the frequency spectrum. As a result, the sleep estimation system 1 has more features to learn, so that the accuracy of estimating the sleep state can be improved.
  • the sensor device 20 calculates the coefficient of variation of the bass motion as blood flow data.
  • the sensor device 20 Fourier transforms the beat signal (first beat signal) to acquire a frequency spectrum.
  • the sensor device 20 filters the frequency spectrum so that only the frequency range including the component of the bassomotion remains.
  • the sensor device 20 Fourier inverse transforms the filtered frequency spectrum and acquires the beat signal (second beat signal) again.
  • the sensor device 20 can calculate the coefficient of variation of the intensity of the second beat signal as the coefficient of variation of the bass motion.
  • the sleep estimation system 1 according to the embodiment can use the calculated coefficient of variation of the bass motion as blood flow data used as learning data 122 or estimation data 125.
  • the sleep estimation system 1 has been explained in detail.
  • the neural network may be a convolutional neural network (CNN: Convolutional Neural Network), a recurrent neural network (RNN: Recurrent Neural Network), an LSTM (Long Short Term Memory), or the like.
  • CNN Convolutional Neural Network
  • RNN Recurrent Neural Network
  • LSTM Long Short Term Memory
  • the learning model of the approximator 17 is not limited to the one shown in the above embodiment as long as the sleep estimation system 1 can estimate the sleep state of the user based on the learning data 122.
  • the various examples described above can be applied in combination as long as they do not contradict each other. And it is understood that innumerable examples not illustrated can be assumed without departing from the scope of this disclosure.
  • the sleep estimation system 1 calculates an input device 16 for inputting user blood flow data (estimation data 125) and output data 19 indicating the user's sleep state based on the blood flow data.
  • the approximator 17 includes a control device 11 that transmits the blood flow data to the approximator and executes the processing of the calculation, and the approximator is learning data including data of the same type as the blood flow data.
  • the learning process is performed using 122 and the teacher data 123 including the same kind of data as the output data related to the learning data.
  • the sleep estimation system 1 described in the above embodiment may be configured as one device (sleep estimation device) having each device as a functional unit.
  • the sleep estimation device according to one embodiment is for an input unit (for example, a communication device 14, an input device 16, etc.) for inputting a user's blood flow data, an input layer for inputting blood flow data, and an output from the input layer.
  • a control unit for example, a control device
  • an approximator for example, an approximator 17 having a hidden layer that performs an operation based on the learned parameters and an output layer that outputs the calculation result of the hidden layer as a sleeping state of the user. 11
  • the sleep estimation device has a sensor unit (for example, a sensor device 20) including a light emitting unit that irradiates a user's test site with light and a light receiving unit that receives interference light including light scattered by the user's blood flow. ), May be further provided. Then, the control unit may acquire blood flow data based on the frequency spectrum of the output of the light receiving unit.
  • a sensor unit for example, a sensor device 20
  • the control unit may acquire blood flow data based on the frequency spectrum of the output of the light receiving unit.
  • Each step executed by the control program 121 included in the sleep estimation system 1 described in the above embodiment may be interpreted as an invention of the sleep estimation method.
  • the input layer for inputting the user's blood flow data the hidden layer for performing the calculation based on the learned parameters for the output from the input layer, and the calculation result of the hidden layer for the user's sleep.
  • the sleep estimation method includes a step in which the input layer transmits the blood flow data input to the approximator to the hidden layer, a step in which the hidden layer performs calculations based on the learned parameters on the blood flow data, and an output.
  • the layer includes a step of outputting an estimated sleep state of the user based on the calculation result of the hidden layer.
  • the sleep estimation method may include a step (learning process) of preparing the approximator using the learning data 122 and the teacher data 123.
  • the light emitting portion of the sensor device 20 irradiates the test site of the user with light, and the light receiving portion of the sensor device 20 emits interference light including light scattered by the user's blood flow.
  • the control device 11 may further include a step of receiving light and a step of acquiring blood flow data based on the frequency spectrum of the output of the light receiving unit.
  • Sleep estimation system (sleep estimation device) 11 Control device (control unit) 12 Storage device 121 Control program 122 Learning data 123 Teacher data 124 Calculation data 125 Estimating data 13 Bus 14 Communication device (input unit) 15 Display device 16 Input device (input unit) 17 Approximator 171 Input layer 172 Hidden layer 173 Output layer 19 Output data 20 Sensor device (sensor unit) 2 Information and communication network

Abstract

一実施形態に係る睡眠推定システム（１）は、ユーザの血流データを入力する入力装置（１４、１６）と、前記血流データから前記ユーザの睡眠状態を示す出力データ（１９）を演算する制御装置（１１）と、を備え、前記制御装置は、前記血流データから前記出力データを演算可能な近似器（１７）を有している。

Description

睡眠推定システム、睡眠推定装置、および睡眠推定方法
　本開示は、睡眠の推定に関する。
　特許文献１には、睡眠状態を検出する技術が記載されている。
日本国公開特許公報「特開２０１８－１６１４３２号公報」
　高精度に睡眠状態を推定する手段が求められている。
　一実施形態に係る睡眠推定システムは、ユーザの血流データを入力する入力装置と、前記血流データから前記ユーザの睡眠状態を示す出力データを演算する制御装置と、を備え、前記制御装置は、前記血流データから前記出力データを演算可能な近似器を有している。
　一実施形態に係る睡眠推定プログラムは、上記の睡眠推定システムが備えている前記制御装置としてコンピュータを機能させるための睡眠推定プログラムである。
　一実施形態に係る睡眠推定装置は、ユーザの血流データを入力する入力部と、血流データを入力する入力層、入力層からの出力に対して学習済みパラメータに基づく演算を行なう隠れ層、および隠れ層の演算結果をユーザの睡眠状態として出力する出力層、を有する近似器を構成する制御部と、を備える。
　一実施形態に係る睡眠推定方法は、近似器を用いた睡眠推定方法であって、前記近似器は、ユーザの血流データを入力する入力層、入力層からの出力に対して学習済みパラメータに基づく演算を行なう隠れ層、および隠れ層の演算結果をユーザの睡眠状態として出力する出力層、を有し、入力層が、近似器に入力された血流データを隠れ層に送信する工程と、隠れ層が、血流データに対して、学習済みパラメータに基づく演算を行なう工程と、出力層が、隠れ層の演算結果に基づいてユーザの推定睡眠状態を出力する工程と、を備える。
　睡眠状態の推定精度を向上させることができる。
一実施形態に係る睡眠推定システムが有する構成の概略を示す図である。 図１の睡眠推定システムの動作を説明するための図である。 図１の睡眠推定システムの動作を説明するための図である。 脳波の推移の一例を示す模式図である。 他の実施形態に係る睡眠推定システムが有する構成の概略を示す図である。
　図１は、一実施形態に係る睡眠推定システムが有する構成の概略図である。
　睡眠推定システム１は、ユーザの血流に関するデータ（血流データ）に基づいて、ユーザの睡眠状態を推定することができる。具体的には、睡眠推定システム１は、入力された血流データに基づいて、例えば、図２に示す近似器１７に演算させることで、ユーザの睡眠状態を推定することができる。なお、近似器１７は、いわゆるニューラルネットワークを含んでいてもよい。なお、ニューラルネットワークとは、人間の脳神経系のニューロンを模した数理モデルをいう。近似器１７には、以下で説明するように、学習済みの数理モデル（演算式など）を含んでいてもよい。
　睡眠推定システム１は、制御装置１１、記憶装置１２、およびバス（ｂｕｓ）１３を備えている。制御装置１１、および記憶装置１２などの睡眠推定システム１を構成する各種装置は、バス（ｂｕｓ）１３を介して、互いに電気的または光学的に接続されており、互いに通信可能である。
　制御装置１１は、睡眠推定システム１の他の構成要素を制御することによって、睡眠推定システム１の動作を統括的に管理することができる。制御装置１１は、種々の機能を実行するための制御および処理能力を提供するために、少なくとも１つのプロセッサを含む。種々の実施形態によれば、少なくとも１つのプロセッサは、単一の集積回路（ＩＣ: Integrated Circuit）として、または複数の通信可能に接続されたＩＣおよび／またはディスクリート回路（Discrete Circuits）として実行されてもよい。少なくとも１つのプロセッサは、種々の既知の技術に従って実行されることができる。
　プロセッサは、例えば、記憶装置１２などの関連するメモリに記憶されたプログラムなどの指示を実行することによって１以上のデータ計算手続または処理を実行するように構成された１以上の回路、ユニット、またはファームウェア（例えば、ディスクリートロジックコンポーネント）であってもよい。また、プロセッサは、１以上のプロセッサ、コントローラ、マイクロプロセッサ、マイクロコントローラ、特定用途向け集積回路（ＡＳＩＣ: Application Specific IC）、デジタル信号処理装置、プログラマブルロジックデバイス、フィールドプログラマブルゲートアレイ、またはこれらのデバイス若しくは構成の任意の組み合わせ、または他の既知のデバイスおよび構成の組み合わせを含んでいてもよい。一実施形態に係る睡眠推定システム１の制御装置１１は、例えばＣＰＵ（Central Processing Unit）を備えている。
　記憶装置１２は、睡眠推定システム１の機能を実現させるための種々の情報、およびプログラムなどを記憶することができる。具体的には、記憶装置１２は、睡眠推定システム１を制御するためのプログラムである制御プログラム１２１を記憶することができる。記憶装置１２は、例えば、ＲＯＭ（Read Only Memory）およびＲＡＭ（Random Access Memory）などの、制御装置１１のＣＰＵが読み取り可能な非一時的な記録媒体を含んでいてもよい。記憶装置１２は、従来公知の技術によって構成されればよい。
　制御装置１１は、記憶装置１２内の制御プログラム１２１を実行することによって各種機能を実現することができる。すなわち、制御プログラム１２１は、コンピュータにユーザの睡眠状態を推定させるための睡眠推定プログラムを有している。一実施形態に係る睡眠推定システム１は、制御装置１１が記憶装置１２内の制御プログラム１２１を実行することによって、ユーザの睡眠状態を推定可能な近似器１７を形成することができる。
　図２は、図１に示した睡眠推定システムがユーザの睡眠状態を推定するまでの動作を表す概略図である。また、図３は、近似器１７の学習の一例を説明するための図である。
　なお、図２に示される、ユーザの睡眠状態を推定するまでの動作は、制御装置１１によって実行される。具体的には、制御装置１１は、記憶装置１２内の制御プログラム１２１を実行することによって、ユーザの睡眠状態を推定可能な近似器１７を形成する。そして、制御装置１１は、近似器１７にしたがって、ユーザの推定用データ１２５（例えば、血流データ）から、出力データ（例えば、ユーザの睡眠状態）を演算し、出力する。
　近似器１７は、例えば、入力層１７１と、隠れ層１７２と、出力層１７３と、演算用データ１２４によって構成される。入力層１７１は、入力されたデータを隠れ層１７２に送信することができる。隠れ層１７２は、入力層１７１から入力されたデータに対して演算用データ１２４に基づいて種々の演算を行なうことができる。そして、隠れ層１７２は、演算結果を出力層１７３に出力することができる。出力層１７３は、隠れ層１７２から入力された演算結果を出力データ１９として出力することができる。なお、図示しないが、各層は、信号が入出力されるユニットを構成単位としている。
　睡眠推定システム１は、近似器１７を学習させることで演算結果の精度を向上させることができる。学習とは、近似器１７において、出力層１７３から正しい演算結果が出力されるように、ユニット間の結合の強さ、および結合の偏りなどを調整することをいう。具体的には、学習用データ１２２に基づく出力データ１９と、予め用意された答えのデータである教師データ１２３を比較して、出力データ１９が教師データ１２３に近づくように、演算用データ１２４を調整することをいう。一実施形態に係る睡眠推定システム１は、学習用データ１２２と教師データ１２３を用いた、いわゆる教師あり学習によって、演算用データ１２４を調整することで、推定精度を向上させることができる。
　学習用データ１２２は、近似器１７に学習させるための例題のデータである。学習用データ１２２には、ヒトの代謝に基づく情報（代謝情報）が含まれる。ここで、代謝情報とは、例えば、血流、呼吸、発汗、体温、および体動などに関する情報などが挙げられる。
　代謝情報は、予め任意の測定装置を用いて取得しておけばよい。血流に関する情報は、例えば、レーザードップラー血流計、超音波血流計、および光電脈波計などの血流センサを用いて測定すればよい。また、呼吸に関する情報は、呼吸の深さ浅さまたは早さ遅さなどを、例えば、マイクロホンを用いて音として取得してもよいし、加速度センサを用いて胸郭の動きとして取得してもよい。また、発汗に関する情報は、例えば、体の任意の部位にコットンなどを貼付し、吸収した汗の量または重さを発汗量として取得してもよい。また、体温に関する情報は、例えば、サーミスタ、赤外線センサ、および水銀体温計などの体温計で取得すればよい。体動に関する情報は、例えば、加速度センサ、および圧力センサを用いて測定すればよい。また、上述の各種の測定された情報を複数組み合わせて、睡眠推定システム１が利用する代謝情報としてもよい。
　なお、睡眠推定システム１が利用する代謝情報は、起床時と睡眠時で挙動が異なるもの、または睡眠の深さに応じて挙動が変化するものであればよい。また、学習用データ１２２は、代謝情報に対して、年齢、性別、身長、体脂肪、飲酒習慣、喫煙習慣などの循環器系の機序に作用しうる個人情報および生活習慣と紐づけられたものであってもよい。
　本開示の睡眠測定システム１では、血流データを学習用データ１２２として使用することができる。血流データは、血流に基づいて算出される種々の変数を含むデータであればよい。具体的には、血流データは、例えば、血流量、心拍数、心拍間隔、心拍出量、血流波高、および血管運動（バソモーション）の変動係数の少なくとも一つに関するデータを含むものであればよい。
　血流量は、単位時間あたりに血管を流れる血液の量である。心拍数は、単位時間当たりの心臓の拍動の回数である。心拍間隔とは、心臓の拍動の間隔である。心拍出量は、一回の心臓の拍動によって送り出される血液の量である。血流波高は、心臓の一回の拍動における血流量の極大値と極小値の差である。バソモーションは、自然発生的かつ律動的な血管の収縮拡張運動である。バソモーションの変動係数は、バソモーションに基づいて生じた血流量の変動をバラつきとして示した値である。
　教師データ１２３は、学習用データ１２２に対して紐づけられた答えのデータである。一実施形態に係る睡眠推定システム１は、学習用データ１２２の血流データに対して、当該血流データを取得した人の睡眠状態が紐づけられたデータを教師データ１２３として使用することができる。具体的には、教師データ１２３は、例えば、血流量の推移に対して睡眠状態の推移が紐づけられたデータ、心拍数の推移に対して睡眠状態の推移が紐づけられたデータ、心拍間隔の推移に対して睡眠状態の推移が紐づけられたデータ、心拍出量の推移に対して睡眠状態の推移が紐づけられたデータ、血流波高の推移に対して睡眠状態の推移が紐づけられたデータ、またはバソモーションの変動係数の推移に対して睡眠状態の推移が紐づけられたデータである。なお、教師データ１２３を取得する場合、学習用データ１２２を取得したときに、睡眠状態を取得可能な任意の測定装置でユーザの睡眠状態を測定すればよい。例えば、血流センサによって血流データを取得したときに、脳波計を用いて脳波を計測することで、学習用データ１２２である血流データに紐づけられたユーザの睡眠状態のデータを取得することができる。
　演算用データ１２４は、演算式、バイアスおよび重みなどの演算式の定数および変数、演算子などのデータを含む、近似器１７の演算に関するデータである。また、演算用データ１２４は、数理モデルなどの学習済みパラメータなどを含んでいる。なお、演算用データ１２４において、バイアスおよび重みとは、近似器１７における各ユニット間の結合の強さを規定するものである。したがって、睡眠推定システム１は、学習によりバイアスおよび重みなどの定数および変数を調整することによって近似器１７の演算結果を調整することができる。
　演算用データ１２４の調整方法としては、例えば、誤差逆伝播法、および勾配降下法などを採用すればよい。学習により調整した演算用データ１２４は、学習済みの演算用データ１２４として、記憶装置１２に記憶されてもよい。なお、調整方法は、学習により睡眠状態の推定精度が向上するように演算用データ１２４を調整できるものであれば、上記の例に限られない。
　学習を行なう場合、まず、入力層１７１に、学習用データ１２２が入力される。次に、隠れ層１７２で、学習用データ１２２に対して演算用データ１２４に基づく演算が実行される。次に、出力層１７３から、隠れ層１７２の演算結果が出力データ１９として出力する。そして、近似器１７は、教師データ１２３と出力データ１９を対比し、誤差が小さくなるように、演算用データ１２４を調整する。
　以上のようにして、一実施形態に係る睡眠推定システム１は、学習用データ１２２、教師データ１２３、および演算用データ１２４を用いることで、ニューラルネットワークを学習させることができる。その結果、睡眠推定システム１は、睡眠状態の推定精度を向上させることができる。
　近似器１７の学習は、睡眠推定システム１によらず他の装置によって行なってもよい。この場合、睡眠推定システム１の記憶装置１２には、他の装置が生成した学習済み演算用データ１２４が記憶される。また、記憶装置１２が学習用データ１２２および教師データ１２３を記憶することは不要になる。他の装置が生成した学習済み演算用データ１２４は、通信装置１４が情報通信網２を通じて受信し、制御装置１１が、通信装置１４で受信した学習済み演算用データ１２４を記憶装置１２に記憶することができる。また、記憶装置１２に含まれる着脱式メモリに、他の装置が生成した学習済み演算用データ１２４が記憶されてもよい。
　一実施形態に係る睡眠推定システム１は、学習済みの近似器１７を用いることで、ユーザの睡眠状態を推定することができる。具体的には、睡眠推定システム１は、入力された推定用データ１２５に対して、近似器１７で演算することで睡眠状態を推定することができる。この場合、まず、入力層１７１に推定用データ１２５が入力される。次に、隠れ層１７２で、推定用データ１２５に対して演算用データ１２４に基づいて演算が実行される。そして、出力層１７３から演算結果である出力データ１９が、推定した睡眠状態として出力される。
　推定用データ１２５は、学習済みの近似器１７に入力され、ユーザの睡眠状態を推定するためのデータである。なお、学習用データ１２２は、推定用データ１２５と同種のデータであればよい。すなわち、血流に関する情報に基づいてユーザの睡眠状態を推定したい場合、推定用データ１２５および学習用データ１２２は血流データであればよい。一例として、血流データなどの代謝情報は、睡眠状態を推定したいユーザの代謝を測定する測定装置を用いて取得され、該測定装置を用いて取得された代謝情報が推定用データ１２５として近似器１７に入力される。
　以上のようにして、一実施形態に係る睡眠推定システム１は、推定用データ１２５に基づいて、ユーザの睡眠状態を推定することができる。
　図４は、睡眠に関する脳波の推移の一例を表す模式図である。
　睡眠状態は、例えば脳波に基づいて分類することができる。具体的には、睡眠状態は、ユーザが、覚醒している状態、レム睡眠（Rapid Eye Movement sleep, REM sleep）などの浅い睡眠にある状態、またはノンレム睡眠（Non-Rapid Eye Movement sleep, Non-REM sleep）などの深い睡眠にある状態に分類することができる。また、ノンレム睡眠は、眠りの深さによってさらに分類することができる。例えば、ノンレム睡眠は、眠りが浅い順に、ステージ１、ステージ２、ステージ３、およびステージ４と分類してもよい。
　脳波は、波長が長いものから順に、β波、α波、θ波およびδ波の４つに区分される。β波は、例えば３８Ｈｚから１４Ｈｚ程度の周波数の脳波である。α波は、例えば１４Ｈｚから８Ｈｚ程度の周波数の脳波である。θ波は、例えば８Ｈｚから４Ｈｚ程度の周波数の脳波である。δ波は、例えば４Ｈｚから０．５Ｈｚ程度の周波数の脳波である。
　θ波およびδ波が、β波およびα波と比べて優位である場合に、人は眠っている。ここで、「優位である」とは、測定された脳波においてある波の割合が多くなることをいう。優位となる脳波は、睡眠時に、θ波およびδ波の範囲で周期的に変化することが知られている（図４）。また、脳波に含まれるθ波の割合が所定未満の場合には、人はレム睡眠の状態にあり、θ波の割合が所定以上の場合、およびδ波が優位な場合には、人はノンレム睡眠の状態にある（図４）。
　なお、レム睡眠は、急速眼球運動（Rapid Eye Movement：REM）を伴う睡眠である。ノンレム睡眠とは、急速眼球運動を伴わない睡眠である。
　従来、睡眠状態は、脳波計によって取得した脳波によって推定されていた。しかし、脳波計の取扱いおよび脳波の取得には高度な専門的な知識を要する。また、脳波計の取付けは煩雑である。したがって、ユーザは、簡便に脳波を取得することが困難であり、簡便に自己の睡眠状態を把握することが困難であった。
　これに対して、睡眠推定システム１は、血流データに基づいて、ユーザの睡眠状態を推定することができる。血流を測定する装置の取扱いおよび血流データの取得には、脳波計と比較して高度な専門知識を要しない。また、血流を測定する装置の取付けは、脳波計と比較して容易である。すなわち、ユーザは、比較的簡便に自己の血流データを取得することができる。したがって、睡眠推定システム１によれば、ユーザは、自己の睡眠状態を簡便に把握することができる。
　また、例えば、深い睡眠にある時に覚醒すると、覚醒直後に眠気または気だるさが強く残り脳の働きが悪い状態（いわゆる、睡眠慣性）が生じやすくなる。一方、ノンレム睡眠のステージ１または２などの比較的浅い睡眠状態を起床タイミングとすることで、睡眠慣性に陥り難くなる。したがって、睡眠推定システム１によれば、ユーザは、最適な起床タイミング、および睡眠サイクルなどを把握することができるため、有用性を向上させることができる。
　睡眠時において、人体の身体機能は脳の働きによって制御されることから、睡眠状態の推移と血流またはバソモーションの変動には相関が現れる。具体的には、睡眠が深くなるにつれて、脳機能が低下していくため、心臓の拍動またはバソモーションなどの血管運動をはじめ、身体機能が抑制される。したがって、睡眠が深くなるにつれて、血流は抑制される。よって、一実施形態に係る睡眠推定システム１は、血流データに基づいて、ユーザの睡眠状態を推定することができる。
　血流データに含まれる血流量は、心拍数、心拍間隔、心拍出量、血流波高、およびバソモーションなどの、血流に関する種々の要素を含む指標である。したがって、睡眠推定システム１は、血流量のデータを学習用データ１２２として用いた場合、血流に関する種々の要素に基づいて、近似器１７を学習させることができるため、有用性を向上させることができる。
　また、入眠時において、人体は、副交感神経が亢進することが知られている。バソモーションは、副交感神経の作用に影響を受けやすいことから、バソモーションの変動係数は、睡眠状態の推移にともなう変動が大きくなりやすい。言い換えれば、睡眠状態の推移とバソモーションの変動係数の推移は比較的高い相関を示しやすい。したがって、睡眠推定システム１は、血流データに含まれるバソモーションの変動係数のデータを学習用データ１２２として用いることで、睡眠状態と血流の相関について効果的に近似器１７を学習させることができるため、推定精度を向上させることができる。
　また、血流は、睡眠状態だけでなく、睡眠時の周囲の環境によっても影響を受ける場合がある。例えば、ユーザが、睡眠の際にエアコンディショナなどを使用している場合、エアコンディショナの風などによって、血流データの取得部位が冷やされると、血流量は想定よりも低い値となる場合がある。一方、心拍数は、心臓の拍動に基づく値であり、周囲の環境に起因する測定誤差が比較的小さくなりやすい。したがって、睡眠推定システム１は、血流データに含まれる心拍数のデータを学習用データ１２２として用いることで、推定精度を向上させることができる。
　睡眠推定システム１が推定可能な睡眠状態は、例えば、ユーザの覚醒、レム睡眠、およびノンレム睡眠である。すなわち、ユーザは自身の睡眠状態の推移を把握することができる。また、睡眠推定システム１は、ノンレム睡眠の状態をステージごとに推定することができる。具体的には、睡眠推定システム１は、血流データに基づいて、ノンレム睡眠がステージ１～４のいずれのステージにあるかを推定することができる。したがって、睡眠推定システム１によれば、ユーザは、適切な起床タイミングおよび睡眠サイクルなどを把握することができる。
　また、近似器１７の学習は、睡眠状態ごとに行なってもよい。例えば、覚醒時の学習用データ１２２と教師データ１２３、レム睡眠時の学習用データ１２２と教師データ１２３、およびノンレム睡眠時の学習用データ１２２と教師データ１２３によって、それぞれ睡眠状態ごとに演算用データ１２４の重み付けをおこなってもよい。その結果、睡眠状態ごとに、特徴が顕著な学習用データ１２２と教師データ１２３を用いることができるため、近似器１７を効率よく学習させることができる。
　学習用データ１２２に含まれる血流データの取得部位は、例えば、耳、指、手首、腕、額、鼻、または首であってもよい。さらに、耳の部位のうち、例えば、耳甲介、耳孔、耳朶、または耳珠で血流データを取得してもよい。その結果、ユーザは、血流データを取得する部位を選択することができるため、睡眠推定システム１は、利便性を向上させることができる。
　以上説明した実施形態に係る睡眠推定システム１の構成は、上記の例に限られない。例えば、制御装置１１は、複数のＣＰＵを備えてもよい。また制御装置１１は、少なくとも一つのＤＳＰを備えてもよい。また、制御装置１１の全ての機能あるいは制御装置１１の一部の機能は、その機能の実現にソフトウェアが不要なハードウェア回路によって実現されてもよい。また記憶装置１２は、ＲＯＭおよびＲＡＭ以外の、コンピュータが読み取り可能な非一時的な記録媒体を備えていてもよい。記憶装置１２は、例えば、小型のハードディスクドライブおよびＳＳＤ（Solid State Drive）などを備えてもよい。また記憶装置１２は、睡眠推定システム１に対して着脱可能な、ＵＳＢ（Universal Serial Bus）メモリ等のメモリであってもよい。以後、睡眠推定システム１に対して着脱可能なメモリを「着脱式メモリ」と呼ぶことがある。
　また、睡眠推定システム１は、外部の任意の電子機器と通信可能な通信装置１４、睡眠推定システム１のシステムおよびユーザの睡眠状態など種々の上表を表示可能な表示装置１５、および睡眠推定システム１に各種情報および信号などを入力可能な入力装置１６をさらに備えていてもよい。なお、通信装置１４、表示装置１５、および入力装置１６は、バス（ｂｕｓ）１３を介して、互いに電気的または光学的に接続されればよい。
　一実施形態に係る通信装置１４は、有線または無線通信により、睡眠推定システム１と外部機器との接続を可能にするインターネット等の情報通信網２に接続することができる。すなわち、通信装置１４は、情報通信網２を通じて、クラウドサーバおよびウェブサーバ等の他の装置と通信することができる。そして、通信装置１４は、情報通信網２から受け取った各種情報を制御装置１１に入力することができる。また通信装置１４は、制御装置１１から受け取った情報を情報通信網２に送信することができる。
　一実施形態に係る表示装置１５は、制御装置１１による制御によって文字、記号、図形などの各種情報を表示することができる。表示装置１５は、例えば、液晶ディスプレイまたは有機ＥＬディスプレイなど従来公知の技術によって構成することができる。
　一実施形態に係る入力装置１６は、ユーザから入力されたデータを信号として制御装置１１に出力することができる。入力装置１６は、例えば、キーボード、マウス、およびタッチパネルなどのユーザの操作に基づいて信号を出力可能なインターフェースであればよい。また、タッチパネルなどのユーザの操作に基づく信号の出力と各種情報の表示が可能なインターフェースを用いる場合、表示装置１５と入力装置１６は一体として機能してもよい。その結果、睡眠推定システム１の利便性を向上させることができる。入力装置１６は、従来公知の技術によって構成されればよい。
　また、学習用データ１２２、教師データ１２３、演算用データ１２４、および推定用データ１２５は、通信装置１４または入力装置１６を介して制御装置１１に入力されてもよい。入力されたこれらのデータは、記憶装置１２に記憶されてもよい。また、教師データ１２３、および演算用データ１２４は、予め記憶装置１２に記憶されてもよい。また、記憶装置１２は、学習用データ１２２および教師データ１２３をまとめたデータを教師付き学習用データとして記憶してもよい。
　また、表示装置１５は、推定されたユーザの睡眠状態を表示してもよい。また、ユーザの睡眠状態として出力された出力データ１９は、他の装置で用いられてもよい。この場合、出力データ１９は、通信装置１４などを介して外部に出力されればよい。
　（他の実施形態）
　図５は、他の実施形態に係る睡眠推定システム１が有する構成を示す概略図である。
　他の実施形態に係る睡眠推定システム１は、さらに血流データを取得するセンサ装置２０を備えている。具体的には、他の実施形態に係る睡眠推定システム１は、ユーザの被検部位に光を照射する発光部、およびユーザの血流によって散乱された光を含む干渉光を受光する受光部、を有するセンサ装置２０、をさらに備えていてもよい。そして、制御装置１１は、受光部の出力の周波数スペクトルに基づいて、血流データを取得することができる。その結果、睡眠推定システム１は、利便性を向上させることができる。
　なお、センサ装置２０と、他の装置とは、バス１３で互いに電気的、光学的に接続されていればよい。また、センサ装置２０は、情報通信網２を通じて、睡眠推定システム１の各装置と互いに通信可能であってもよい。情報通信網２には、例えば、無線ネットワークおよび有線ネットワークの少なくとも一方が含まれる。情報通信網２には、例えば、無線ＬＡＮ（Local Area Network）およびインターネット等が含まれる。
　一実施形態に係るセンサ装置２０は、例えば、レーザードップラー血流計であればよい。図示しないが、レーザードップラー血流計は、ユーザの被検部位に光を照射する発光部、光を受光する受光部、および血流データを取得する制御装置を備える。
　この場合、センサ装置２０は、ドップラー効果を利用して、血流を測定することができる。流れる血液によって散乱した散乱光は、ドップラー効果によって周波数がシフト（ドップラーシフト）する。一般的な蛍光灯などから照射される光は、様々な周波数の光を様々な強度で含む光であるため、ドップラーシフトに起因する周波数の変化を把握することは困難である。一方、レーザー光は、ある特定の周波数の光を極めて優位に含む光であるため、ドップラーシフトに起因する周波数の変化を観測しやすい。したがって、センサ装置２０は、散乱光を含む干渉光を利用して、血流を測定することができる。
　まず、センサ装置２０は、ドップラー効果によって、静止した物質からの散乱光と、動いている物質からの散乱光との光の干渉によって生じるうなり信号（ビート信号ともいう）を取得する。なお、うなり信号は強度と時間の関係である。次に、センサ装置２０は、うなり信号をフーリエ変換することで、受光部の出力の周波数と強度との関係を周波数スペクトルとして取得することができる。ここで、受光部の出力の周波数および周波数強度は、ドップラー効果に依存する。すなわち、周波数スペクトルは、血液の流量または流速に応じて変化する。したがって、センサ装置２０は、周波数スペクトルに基づいて血流データを算出することができる。
　また、周波数スペクトルは、流れの変化（例えば、流量または流速の増加）に伴い強度が減少する傾向を示す周波数範囲と、増加する傾向を示す周波数範囲とを有している。したがって、センサ装置２０の制御装置は、取得した周波数スペクトルの周波数のうち、血流データの取得に適した周波数帯域を選択して、血流データを取得してもよい。その結果、センサ装置２０は、学習用データ１２２、教師データ１２３、および推定用データ１２５に含まれる血流データの精度を向上させることができる。すなわち、睡眠推定システム１は、睡眠状態の推定精度を向上させることができる。
　学習用データ１２２、教師データ１２３、および推定用データ１２５に含まれる血流データは、周波数スペクトルのままであってもよい。この場合、周波数スペクトルは、任意の変換を行なったデータであってもよい。具体的には、睡眠推定システム１は、周波数スペクトルをウェーブレット変換することによって取得したデータ（変換データ）を血流データとして用いてもよい。ウェーブレット変換によって、周波数スペクトルは、周波数成分ごとに、測定時間の重み付けがなされる。すなわち、変換データは、周波数スペクトルの時間変化を含むデータとなる。その結果、睡眠推定システム１は、学習する特徴が増えるため、睡眠状態の推定精度を向上させることができる。
　一例として、センサ装置２０が血流データとしてバソモーションの変動係数を算出する場合について説明する。まず、センサ装置２０は、うなり信号（第１うなり信号）をフーリエ変換し、周波数スペクトルを取得する。次に、センサ装置２０は、バソモーションの成分が含まれる周波数範囲のみが残るように周波数スペクトルをフィルタリングする。そして、センサ装置２０は、フィルタリングした周波数スペクトルをフーリエ逆変換し、再度うなり信号（第２うなり信号）を取得する。センサ装置２０は、この第２うなり信号の強度の変動係数をバソモーションの変動係数として、算出することができる。一実施形態に係る睡眠推定システム１は、算出したバソモーションの変動係数を学習用データ１２２または推定用データ１２５として使用される血流データとすることができる。
　以上のように、睡眠推定システム１は詳細に説明された。しかし、上記した説明は、全ての局面において例示であって、この開示がそれに限定されるものではない。例えば、ニューラルネットワークは、畳み込みニューラルネットワーク（ＣＮＮ：Convolutional Neural Network）、再帰型ニューラルネットワーク（ＲＮＮ：Recurrent Neural Network）、およびＬＳＴＭ（Long Short Term Memory）などであってもよい。また、近似器１７の学習モデルは、睡眠推定システム１が、学習用データ１２２に基づいてユーザの睡眠状態を推定することができるものであれば、上記の実施形態で示したものに限定されない。なお、上述した各種例は、相互に矛盾しない限り組み合わせて適用可能である。そして、例示されていない無数の例が、この開示の範囲から外れることなく想定され得るものと解される。
　一実施形態に係る睡眠推定システム１は、ユーザの血流データ（推定用データ１２５）を入力する入力装置１６と、前記血流データに基づいて前記ユーザの睡眠状態を示す出力データ１９を演算する近似器１７と、前記血流データを前記近似器に送信し、前記演算の処理を実行する制御装置１１と、を備え、前記近似器は、前記血流データと同種のデータを含む学習用データ１２２と、前記学習用データと関連した前記出力データと同種のデータを含む教師データ１２３とを用いて、学習処理されている。
　（睡眠推定装置）
　上記の実施形態で説明した睡眠推定システム１は、各装置を機能部として有する、一つの装置（睡眠推定装置）として構成されてもよい。一実施形態に係る睡眠推定装置は、ユーザの血流データを入力する入力部（例えば、通信装置１４、入力装置１６など）と、血流データを入力する入力層、入力層からの出力に対して学習済みパラメータに基づく演算を行なう隠れ層、および隠れ層の演算結果をユーザの睡眠状態として出力する出力層、を有する近似器（例えば、近似器１７）を構成する制御部（例えば、制御装置１１）と、を備える。
　上記の睡眠推定装置は、ユーザの被検部位に光を照射する発光部、およびユーザの血流によって散乱された光を含む干渉光を受光する受光部、を有するセンサ部（例えば、センサ装置２０）、をさらに備えていてもよい。そして、制御部は、受光部の出力の周波数スペクトルに基づいて、血流データを取得してもよい。
　（睡眠推定方法）
　上記の実施形態で説明した睡眠推定システム１が有する制御プログラム１２１が実行する各工程は、睡眠推定方法の発明として解釈されてもよい。一実施形態に係る睡眠推定方法は、ユーザの血流データを入力する入力層、入力層からの出力に対して学習済みパラメータに基づく演算を行なう隠れ層、および隠れ層の演算結果をユーザの睡眠状態として出力する出力層、を有する近似器を用いて、ユーザの睡眠状態を推定する睡眠推定方法である。睡眠推定方法は、入力層が、近似器に入力された血流データを隠れ層に送信する工程と、隠れ層が、血流データに対して、学習済みパラメータに基づく演算を行なう工程と、出力層が、隠れ層の演算結果に基づいてユーザの推定睡眠状態を出力する工程と、を備える。
　上記の睡眠推定方法は、学習用データ１２２および教師データ１２３を用いて、前記近似器を準備する工程（学習処理）を含んでいてもよい。
　上記の睡眠推定方法は、センサ装置２０の発光部が、ユーザの被検部位に光を照射する工程と、センサ装置２０の受光部が、ユーザの血流によって散乱された光を含む干渉光を受光する工程と、制御装置１１が、受光部の出力の周波数スペクトルに基づいて、血流データを取得する工程と、をさらに備えていてもよい。
　１　睡眠推定システム（睡眠推定装置）
　１１　制御装置（制御部）
　１２　記憶装置
　１２１　制御プログラム
　１２２　学習用データ
　１２３　教師データ
　１２４　演算用データ
　１２５　推定用データ
　１３　バス
　１４　通信装置（入力部）
　１５　表示装置
　１６　入力装置（入力部）
　１７　近似器
　１７１　入力層
　１７２　隠れ層
　１７３　出力層
　１９　出力データ
　２０　センサ装置（センサ部）
　２　情報通信網

Claims (15)

  1. 　ユーザの血流データを入力する入力装置と、
    　前記血流データから前記ユーザの睡眠状態を示す出力データを演算する制御装置と、を備え、
    　前記制御装置は、前記血流データから前記出力データを演算可能な近似器を有している、睡眠推定システム。
  2. 　請求項１に記載の睡眠推定システムであって、
    　前記血流データは、血流量、バソモーションの変動係数、および心拍数の少なくとも一つに関するデータを含む、睡眠推定システム。
  3. 　請求項１または２に記載の睡眠推定システムであって、
    　前記睡眠状態は、覚醒、レム睡眠、およびノンレム睡眠を示す状態を含む、睡眠推定システム。
  4. 　請求項３に記載の睡眠推定システムであって、
    　前記ノンレム睡眠は、ステージ１～４のノンレム睡眠を含む、睡眠推定システム。
  5. 　請求項１～４のいずれかに記載の睡眠推定システムであって、
    　前記近似器は、入力層からの出力に対して学習済みパラメータに基づく演算を行なう隠れ層を有し、
    　前記学習済みパラメータは、前記近似器において、前記血流データと前記睡眠状態との関係を重み付けしたパラメータである、睡眠推定システム。
  6. 　請求項５のいずれかに記載の睡眠推定システムであって、
    　前記学習済みパラメータは、前記近似器において、前記血流データと前記睡眠状態との関係を、前記睡眠状態ごとに重み付けしたパラメータである、睡眠推定システム。
  7. 　請求項１～６のいずれかに記載の睡眠推定システムであって、
    　前記血流データの取得部位は、耳、指、手首、額、鼻、または首である、睡眠推定システム。
  8. 　請求項１～７のいずれかに記載の睡眠推定システムであって、
    　前記ユーザの被検部位に光を照射する発光部、および前記ユーザの血流によって散乱された前記光を含む干渉光を受光する受光部、を有するセンサ装置、をさらに備え、
    　前記制御装置は、前記受光部の出力の周波数スペクトルに基づいて、前記血流データを取得する、睡眠推定システム。
  9. 　請求項８に記載の睡眠推定システムであって、
    　前記制御装置は、前記周波数スペクトルの周波数帯域を選択して、前記血流データを取得する、睡眠推定システム。
  10. 　請求項８または９に記載の睡眠推定システムであって、
    　前記血流データは、前記周波数スペクトルをウェーブレット変換したデータを含む、睡眠推定システム。
  11. 　請求項１～１０のいずれかに記載の睡眠推定システムが備えている前記制御装置としてコンピュータを機能させるための、睡眠推定プログラム。
  12. 　ユーザの血流データを入力する入力部と、
    　前記血流データを入力する入力層、前記入力層からの出力に対して学習済みパラメータに基づく演算を行なう隠れ層、および前記隠れ層の演算結果を前記ユーザの睡眠状態として出力する出力層、を有する近似器を構成する制御部と、を備える、睡眠推定装置。
  13. 　請求項１２に記載の睡眠推定装置であって、
    　前記ユーザの被検部位に光を照射する発光部、および前記ユーザの血流によって散乱された前記光を含む干渉光を受光する受光部、を有するセンサ部、をさらに備え、
    　前記制御部は、前記受光部の出力の周波数スペクトルに基づいて、前記血流データを取得する、睡眠推定装置。
  14. 　近似器を用いた睡眠推定方法であって、
    　前記近似器は、ユーザの血流データを入力する入力層、前記入力層からの出力に対して学習済みパラメータに基づく演算を行なう隠れ層、および前記隠れ層の演算結果を前記ユーザの睡眠状態として出力する出力層、を有し、
    　前記入力層が、前記近似器に入力された前記血流データを前記隠れ層に送信する工程と、
    　前記隠れ層が、前記血流データに対して、前記学習済みパラメータに基づく演算を行なう工程と、
    　前記出力層が、前記隠れ層の演算結果に基づいて前記ユーザの推定睡眠状態を出力する工程と、を備える、睡眠推定方法。
  15. 　請求項１４に記載の睡眠推定方法であって、
    　前記近似器に入力される前記血流データは、
    　　センサ装置の発光部によって、前記ユーザの被検部位に光が照射され、
    　　前記センサ装置の受光部によって、前記ユーザの血流によって散乱された前記光を含む干渉光が受光され、
    　　前記受光部の出力の周波数スペクトルに基づいて取得された前記血流データである、睡眠推定方法。
PCT/JP2020/010619 2019-03-11 2020-03-11 睡眠推定システム、睡眠推定装置、および睡眠推定方法 WO2020184627A1 (ja)

Priority Applications (6)

Application Number Priority Date Filing Date Title
US17/437,632 US20220142564A1 (en) 2019-03-11 2020-03-11 Sleep estimation system, sleep estimation device, and method of estimating sleep
JP2021505112A JPWO2020184627A1 (ja) 2019-03-11 2020-03-11
KR1020217028266A KR20210124369A (ko) 2019-03-11 2020-03-11 수면 추정 시스템, 수면 추정 장치, 및 수면 추정 방법
EP20769440.7A EP3939502A4 (en) 2019-03-11 2020-03-11 SLEEP ESTIMATING SYSTEM, SLEEP ESTIMATING DEVICE AND SLEEP ESTIMATING METHOD
CN202080018420.6A CN113518583A (zh) 2019-03-11 2020-03-11 睡眠推定系统、睡眠推定装置以及睡眠推定方法
JP2023093406A JP2023111958A (ja) 2019-03-11 2023-06-06 睡眠推定システム、睡眠推定装置、および睡眠推定方法

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019043448 2019-03-11
JP2019-043448 2019-03-11

Publications (1)

Publication Number Publication Date
WO2020184627A1 true WO2020184627A1 (ja) 2020-09-17

Family

ID=72426650

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/010619 WO2020184627A1 (ja) 2019-03-11 2020-03-11 睡眠推定システム、睡眠推定装置、および睡眠推定方法

Country Status (6)

Country Link
US (1) US20220142564A1 (ja)
EP (1) EP3939502A4 (ja)
JP (2) JPWO2020184627A1 (ja)
KR (1) KR20210124369A (ja)
CN (1) CN113518583A (ja)
WO (1) WO2020184627A1 (ja)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09201343A (ja) * 1996-01-26 1997-08-05 Kunihiko Mitsubuchi 覚醒状態及び睡眠深度の検出方法
JP2005198829A (ja) * 2004-01-15 2005-07-28 Seiko Epson Corp 生体情報解析装置、生体情報解析方法、制御プログラムおよび記録媒体
JP2007199025A (ja) * 2006-01-30 2007-08-09 Univ Nihon 睡眠センサー付身体装着装置
JP2016096886A (ja) * 2014-11-19 2016-05-30 シャープ株式会社 睡眠状態判定システム
US20170215808A1 (en) * 2016-02-01 2017-08-03 Verily Life Sciences Llc Machine learnt model to detect rem sleep periods using a spectral analysis of heart rate and motion
JP2018161432A (ja) 2017-03-27 2018-10-18 公立大学法人名古屋市立大学 睡眠状態の評価
JP2018202130A (ja) * 2017-05-30 2018-12-27 アルパイン株式会社 状態推定装置、情報処理装置、状態推定システム

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006130268A1 (en) * 2005-06-01 2006-12-07 Medtronic, Inc. Correlating a non-polysomnographic physiological parameter set with sleep states
JP4685705B2 (ja) * 2006-05-18 2011-05-18 日本電信電話株式会社 携帯型生体情報モニタ
US8660799B2 (en) * 2008-06-30 2014-02-25 Nellcor Puritan Bennett Ireland Processing and detecting baseline changes in signals
WO2014210588A1 (en) * 2013-06-28 2014-12-31 North Carolina State University Systems and methods for determining sleep patterns and circadian rhythms
JP6595479B2 (ja) * 2013-12-18 2019-10-23 コーニンクレッカ フィリップス エヌ ヴェ 心臓特性または呼吸特性に基づき睡眠除波活動をエンハンスするシステム及び方法
JP6703893B2 (ja) * 2015-12-01 2020-06-03 パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカＰａｎａｓｏｎｉｃ Ｉｎｔｅｌｌｅｃｔｕａｌ Ｐｒｏｐｅｒｔｙ Ｃｏｒｐｏｒａｔｉｏｎ ｏｆ Ａｍｅｒｉｃａ 体調推定装置、及び、体調推定システム
US11207021B2 (en) * 2016-09-06 2021-12-28 Fitbit, Inc Methods and systems for labeling sleep states
CN106725382A (zh) * 2016-12-28 2017-05-31 天津众阳科技有限公司 基于动作和hrv测量的睡眠状态判别系统及方法
EP3624681A4 (en) * 2017-05-18 2021-03-10 Advanced Brain Monitoring, Inc. SYSTEMS AND METHODS FOR DETECTION AND MANAGEMENT OF PHYSIOLOGICAL PROFILES

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09201343A (ja) * 1996-01-26 1997-08-05 Kunihiko Mitsubuchi 覚醒状態及び睡眠深度の検出方法
JP2005198829A (ja) * 2004-01-15 2005-07-28 Seiko Epson Corp 生体情報解析装置、生体情報解析方法、制御プログラムおよび記録媒体
JP2007199025A (ja) * 2006-01-30 2007-08-09 Univ Nihon 睡眠センサー付身体装着装置
JP2016096886A (ja) * 2014-11-19 2016-05-30 シャープ株式会社 睡眠状態判定システム
US20170215808A1 (en) * 2016-02-01 2017-08-03 Verily Life Sciences Llc Machine learnt model to detect rem sleep periods using a spectral analysis of heart rate and motion
JP2018161432A (ja) 2017-03-27 2018-10-18 公立大学法人名古屋市立大学 睡眠状態の評価
JP2018202130A (ja) * 2017-05-30 2018-12-27 アルパイン株式会社 状態推定装置、情報処理装置、状態推定システム

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP3939502A4

Also Published As

Publication number Publication date
JP2023111958A (ja) 2023-08-10
CN113518583A (zh) 2021-10-19
EP3939502A1 (en) 2022-01-19
JPWO2020184627A1 (ja) 2020-09-17
EP3939502A4 (en) 2022-11-30
KR20210124369A (ko) 2021-10-14
US20220142564A1 (en) 2022-05-12

Similar Documents

Publication Publication Date Title
US20200100679A1 (en) Sleep Monitoring and Stimulation
US8442632B2 (en) Method and apparatus for affecting the autonomic nervous system
JP7191159B2 (ja) コンピュータプログラム、及び、被験者の感情状態を提供する方法
CN112005311B (zh) 用于基于睡眠架构模型向用户递送感官刺激的系统和方法
WO2018042512A1 (ja) 活動量処理装置、活動量処理方法、及び、活動量処理プログラム
US10307100B2 (en) Methods and systems of controlling a subject's body feature having a periodic wave function
US10172530B2 (en) Biological information processing system and method of controlling biological information processing system
CN113228200A (zh) 用于确定警觉性水平的系统和方法
EP3758590A1 (en) Systems and methods for modulating physiological state
CN112384131A (zh) 用于使用神经网络来增强被递送给用户的感官刺激的系统和方法
CN113272908A (zh) 用于利用感官刺激增强rem睡眠的系统和方法
WO2020184627A1 (ja) 睡眠推定システム、睡眠推定装置、および睡眠推定方法
JP6597900B2 (ja) 生体リズムの検出装置、検出方法、及び、検出プログラム
US20230302253A1 (en) Systems, methods, and devices for measurement, identification, and generation of sleep state models
US20220059210A1 (en) Systems, methods, and devices for custom sleep age implementation
Kuo et al. An EOG-based automatic sleep scoring system and its related application in sleep environmental control
WO2022030623A1 (ja) 睡眠推定装置、睡眠推定システム、ウェアラブル機器、及び睡眠推定方法
JP2023522838A (ja) ウイルス感染の非侵襲的予測、検出、及びモニタリングを行う方法及びシステム
WO2022181168A1 (ja) 刺激提示システム、刺激提示方法、プログラム、および、モデル生成システム
WO2024090350A1 (ja) 情報処理装置、情報処理方法及びプログラム
EP4334955A1 (en) Systems, methods, and devices for custom sleep age implementation
Xing et al. Contribution of Timescale Patterns to Photoplethysmography-based Blood Pressure Estimation
Akiyama et al. A Method for Estimating Stress and Relaxed States Using a Pulse Sensor for QOL Visualization
JPWO2019151195A1 (ja) 電子機器、推定システム、制御方法及び制御プログラム
JP2020146166A (ja) 生体情報測定システム及び生体情報測定装置

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20769440

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 20217028266

Country of ref document: KR

Kind code of ref document: A

ENP Entry into the national phase

Ref document number: 2021505112

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2020769440

Country of ref document: EP

Effective date: 20211011