WO2022030623A1 - 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 - Google Patents

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 Download PDF

Info

Publication number
WO2022030623A1
WO2022030623A1 PCT/JP2021/029351 JP2021029351W WO2022030623A1 WO 2022030623 A1 WO2022030623 A1 WO 2022030623A1 JP 2021029351 W JP2021029351 W JP 2021029351W WO 2022030623 A1 WO2022030623 A1 WO 2022030623A1
Authority
WO
WIPO (PCT)
Prior art keywords
sleep
stage
blood flow
subject
data
Prior art date
Application number
PCT/JP2021/029351
Other languages
English (en)
French (fr)
Inventor
高志 阿部
志偉 範
孝浩 渡邉
Original Assignee
京セラ株式会社
国立大学法人 筑波大学
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, 国立大学法人 筑波大学 filed Critical 京セラ株式会社
Priority to US18/019,659 priority Critical patent/US20230284969A1/en
Priority to EP21853147.3A priority patent/EP4193914A1/en
Priority to JP2022541751A priority patent/JPWO2022030623A1/ja
Priority to CN202180057578.9A priority patent/CN116056635A/zh
Publication of WO2022030623A1 publication Critical patent/WO2022030623A1/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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
    • 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
    • A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
    • 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
    • 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
    • A61B5/7278—Artificial waveform generation or derivation, e.g. synthesising signals from measured signals
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient ; user input means
    • A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
    • A61B2562/02—Details of sensors specially adapted for in-vivo measurements
    • A61B2562/0219—Inertial sensors, e.g. accelerometers, gyroscopes, tilt switches
    • 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
    • A61B5/103—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
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/347—Detecting the frequency distribution of signals

Definitions

  • This disclosure relates to the estimation of the sleep stage of the subject.
  • Patent Document 1 describes a technique for detecting a sleep stage.
  • the sleep estimation device includes a first acquisition unit that acquires blood flow data indicating the blood flow of a subject, and the blood flow data by performing frequency analysis processing on the blood flow data. It includes a generation unit that generates a frequency spectrum of data, and a first determination unit that determines the sleep stage of the subject based on the frequency spectrum.
  • the sleep estimation device includes an acquisition unit that acquires blood flow data indicating the blood flow of the subject, and a frequency band having a predetermined frequency band with respect to the blood flow data. Based on the processing data and the generation unit that generates processing data showing the result of the time-frequency analysis processing of the blood flow data by executing the wavelet transform processing or the short-time Fourier transform processing that is relatively emphasized. , A determination unit for determining the sleep stage of the subject.
  • the sleep estimation method is described by performing a first acquisition step of acquiring blood flow data indicating blood flow of a subject and a frequency analysis process on the blood flow data. It includes a generation step of generating a frequency spectrum of blood flow data and a first determination step of determining the sleep stage of the subject based on the frequency spectrum.
  • the sleep estimation method includes an acquisition step of acquiring blood flow data indicating the blood flow of a subject, and an intensity in a predetermined frequency band with respect to the blood flow data in another frequency band. Based on the generation step of generating processing data showing the result of the time-frequency analysis processing of the blood flow data by executing the wavelet transform processing or the short-time Fourier transform processing that are relatively emphasized, and the processing data. , A determination step for determining the sleep stage of the subject.
  • FIG. It is a block diagram which shows the schematic structure example of the sleep estimation system of Embodiment 1.
  • FIG. It is a graph which shows an example of the blood flow waveform data detected by a blood flow meter. It is a graph which shows an example of the frequency spectrum generated by performing the Fourier transform process on the blood flow waveform data. It is a graph which shows an example of the electrocardiographic waveform data detected by an electrocardiograph. It is a graph which shows an example of the frequency spectrum generated by performing the Fourier transform process on the electrocardiographic waveform data. It is an image which shows an example of the result of the wavelet transform processing for the blood flow waveform data. It is a flowchart which shows an example of the processing flow by the sleep estimation apparatus of Embodiment 1.
  • FIG. It is a block diagram which shows the schematic configuration example of the sleep estimation system of Embodiment 2.
  • FIG. 2 is a graph showing an example of blood flow waveform data detected by the blood flow meter.
  • the vertical axis indicates a value [unit: dimensionless] proportional to the blood flow rate per hour, and the horizontal axis indicates the measurement time [unit: min].
  • the blood flow meter can acquire raw waveform data W1 and processed waveform data W2 as shown in FIG. 2 as blood flow waveform data.
  • the processed waveform data W2 is waveform data obtained by processing the raw waveform data W1 so that the peak of the R wave can be easily acquired.
  • the processed waveform data W2 is generated, for example, by executing a smoothing process on the raw waveform data W1.
  • the time interval between adjacent peaks indicates the heartbeat interval (RRI: RR Interval).
  • the time interval between adjacent peaks indicates the heartbeat interval (RRI).
  • a blood flow meter that detects blood flow waveform data is a sensor that can detect blood flow waveform data indicating the blood flow of a subject by receiving scattered light generated by irradiating the blood vessels of the subject with light. ..
  • the blood flow meter may include a light emitting unit that irradiates a blood vessel of a subject with light and a light receiving unit that receives the scattered light.
  • the irradiated laser light is scattered by (i) a scatterer contained in the fluid and moving together with the fluid, and (ii) a stationary object such as a tube for flowing the fluid. , Scattered light is generated.
  • scatterers result in complex index inhomogeneities in fluids.
  • the scattered light generated by the scattering body moving with the fluid has a wavelength shift due to the Doppler effect according to the flow velocity of the scattering body.
  • the scattered light generated by the stationary object does not bring about a wavelength shift. Since these scattered lights cause light interference, a light beat (beat) is observed.
  • the blood flow meter may be a sensor that utilizes this phenomenon. That is, the blood flow meter is a laser Doppler blood flow meter that detects the light beat brought about by the scattered light generated in the blood as a fluid by irradiating the blood flow of the subject with the laser light as blood flow waveform data. It's okay.
  • a processor provided in the blood flow meter may analyze the acquired received light signal and calculate frequency analysis data indicating the signal strength for each frequency of the received light signal.
  • the processor may analyze the acquired received signal using a method such as FFT (Fast Fourier Transform).
  • the processor may further generate blood flow waveform data showing a variation pattern of the blood flow of the subject based on the frequency analysis data.
  • the processor may calculate the first-order moment sum X of the acquired frequency analysis data as the blood flow waveform data. More specifically, the processor may calculate the first-order moment sum X of the acquired frequency analysis data using the following mathematical formula.
  • the processor uses the following formula to add the first-order moments X in a part of the frequency band (for example, 1 to 20 kHz).
  • X ⁇ fx ⁇ P (fx) May be calculated.
  • "fx" is a frequency
  • P (fx) is a value of signal strength at a frequency fx.
  • the first-order moment sum X calculated by the processor based on the frequency analysis data can be a value proportional to the blood flow of the subject.
  • the processor may generate pattern data showing a variation pattern of blood flow in a subject over time by calculating the sum of primary moments X for each of a plurality of frequency analysis data. Further, the processor may generate blood flow waveform data using the data included in a part of the frequency band among the data included in the frequency analysis data. The processor can output the generated blood flow waveform data.
  • the blood flow waveform data may include data on at least one of the coefficient of variation of cardiac output and vasomotion (basomotion) in addition to the blood flow.
  • Cardiac output is the amount of blood pumped by a single heartbeat.
  • Basomotion is a spontaneous and rhythmic movement of contraction and expansion of blood vessels.
  • the coefficient of variation of the bassomotion is a value showing the fluctuation of the blood flow generated based on the bassomotion as a variation.
  • the blood flow waveform data may include a pulse wave.
  • FIG. 3 is a graph showing an example of a frequency spectrum generated by performing a Fourier transform process on blood flow waveform data as shown in FIG. 2.
  • the vertical axis shows the intensity [unit: dB] of the frequency spectrum, and the horizontal axis shows the frequency [unit: Hz].
  • the Fourier transform process is an example of a frequency analysis process, which is a process of generating a frequency spectrum of waveform data that does not include a temporal change.
  • FIG. 3 shows frequency spectra FW1 and FW2 corresponding to each sleep stage.
  • the frequency spectrum FW1 is a frequency spectrum generated as a result of performing a Fourier transform process on the raw waveform data W1.
  • the frequency spectrum FW2 is a frequency spectrum generated as a result of performing a Fourier transform process on the heart rate interval (RRI) of the processed waveform data W2.
  • RRI heart rate interval
  • Non-rem sleep can be further classified into stage 1 (N1), stage 2 (N2), and stage 3 (N3) in order from the light sleep stage.
  • REM sleep is sleep accompanied by rapid eye movement (REM).
  • Non-rem sleep is sleep that does not involve rapid eye movements.
  • the brain waves are classified into four waves, ⁇ wave, ⁇ wave, ⁇ wave, and ⁇ wave, in order from the one having the longest wavelength.
  • the ⁇ wave is, for example, an electroencephalogram having a frequency of about 38 to 14 Hz.
  • the ⁇ wave is, for example, an electroencephalogram having a frequency of about 14 to 8 Hz.
  • Theta wave is, for example, an electroencephalogram having a frequency of about 8 to 4 Hz.
  • the delta wave is, for example, an electroencephalogram having a frequency of about 4 to 0.5 Hz.
  • a person is sleeping when theta wave and delta wave are superior to ⁇ wave and ⁇ wave.
  • "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. If the proportion of theta waves contained in the brain waves is less than the specified value, the person is in REM sleep, and if the ratio of theta waves is greater than or equal to the specified value, or if the delta wave is dominant, the person is non-REM. I am in a state of sleep. Stage 1 is, for example, a state in which the ⁇ wave is 50% or less and various low-amplitude frequencies are mixed.
  • stage 2 low-amplitude ⁇ waves and delta waves appear irregularly, but there is no high-amplitude slow wave.
  • Stage 3 is, for example, in a state of 2 Hz or less and a slow wave of 75 ⁇ V of 20% or more. The state where the slow wave of 75 ⁇ V is 50% or more at 2 Hz or less may be referred to as stage 4.
  • awakening is “WK”
  • REM sleep is “RM”
  • non-REM sleep stage 1 is “N1”
  • non-REM sleep stage 2 is “N2”
  • non-REM sleep stage 3 is “N3”. Is shown.
  • the frequency spectra FW1 and FW2 of FIG. 3 in the frequency spectrum obtained from the subjects in the sleep stages of stages 2 and 3, in the frequency band of 0.2 to 0.3 Hz (predetermined frequency band). Significant changes in intensity are observed.
  • the intensity in the first range R1 of a part of the frequency band of 0.2 to 0.3 Hz is equal to or higher than the intensity in the second range R2 other than the first range R1. It's getting bigger.
  • the strength in the first range R1 is referred to as a first strength
  • the strength in the second range R2 is referred to as a second strength.
  • the first intensity may be, for example, the maximum intensity in the frequency band of 0.2 to 0.3 Hz.
  • the second intensity is, for example, in the second range R2 other than the first range R1 including this maximum intensity (eg, about ⁇ 0.02 Hz around the maximum intensity, but within the frequency band of 0.2 to 0.3 Hz). It may be the maximum strength.
  • the predetermined value is, for example, from an experiment to the extent that it can be specified that the waveform Sh is included in the frequency band of 0.2 to 0.3 Hz when the characteristic waveform Sh that is not in the adjacent frequency band is included. It suffices if it is set to the size.
  • the characteristic waveform Sh may be, for example, a waveform having an upwardly convex shape and a somewhat broad waveform (eg, a waveform having a full width at half maximum of 0.03 Hz or more).
  • FIG. 3 shows an example of the first range R1 and the second range R2 in the frequency spectra FW1 and FW2 corresponding to the stage 3.
  • the inventor found that the subject was stage 2 or 3 when a frequency spectrum was obtained in which a significant intensity change (characteristic waveform Sh) was observed in the frequency band of 0.2 to 0.3 Hz. It was found that it is likely to be in the sleep stage of. That is, the inventor has found that the subject is likely to be in the stage 2 or 3 sleep stage when a frequency spectrum with a characteristic waveform Sh is obtained. In addition, the inventor particularly found a significant change in intensity in the frequency band of 0.2 to 0.3 Hz in the frequency spectrum of the blood flow waveform data detected by the above-mentioned blood flow meter (eg, laser Doppler blood flow meter). I found that it was possible. Based on these findings, the inventor has developed a sleep estimation device capable of improving the accuracy of determining the sleep stage of a subject.
  • a significant intensity change characteristic waveform Sh
  • FIG. 4 is a graph showing an example of electrocardiographic waveform data detected by the electrocardiograph.
  • the vertical axis indicates the heart rate intensity [unit: dB], and the horizontal axis indicates the measurement time [unit: min].
  • FIG. 4 shows the raw heartbeat waveform data W11 and W12 as the electrocardiographic waveform data.
  • FIG. 5 is a graph showing an example of a frequency spectrum generated by performing a Fourier transform process on electrocardiographic waveform data.
  • the vertical axis shows the intensity [unit: dB] of the frequency spectrum, and the horizontal axis shows the frequency [unit: Hz].
  • FIG. 5 shows frequency spectra FW11 and FW12 corresponding to each sleep stage.
  • the frequency spectrum FW11 is a frequency spectrum generated as a result of performing a Fourier transform process on the raw waveform data W11.
  • the frequency spectrum FW12 is a frequency spectrum generated as a result of performing a Fourier transform process on the heartbeat interval (RRI).
  • the sleep stages corresponding to the frequency spectra FW11 and FW12 are specified based on the electroencephalogram data acquired from the electroencephalograph attached to the subject.
  • the inventor found that the significant change in intensity in the frequency band of 0.2 to 0.3 Hz is an event peculiar to the frequency spectrum of the blood flow waveform data.
  • the inventor determines the sleep stage of the subject by using the frequency spectrum converted from the blood flow waveform data instead of the electrocardiographic waveform data, so that the subject is particularly in the sleep stage of stage 2 or 3. It was found that there is a high possibility that it can be determined accurately.
  • the wavelet transform process is an example of time frequency analysis process.
  • the time-frequency analysis process is a process of generating a frequency spectrum of waveform data including a temporal change.
  • the wavelet transform process is a process of generating a frequency spectrum of waveform data using a mother wavelet which is an arbitrary reference waveform.
  • the mother wavelet used in the wavelet transform process is defined as follows.
  • t is a time variable
  • a is a scale parameter (a parameter that expands or contracts the mother wavelet in the time axis direction)
  • b is a translate parameter (translation of the mother wavelet in the time axis direction). Parameters to be used) are shown.
  • the function for performing the wavelet transform process is defined as follows.
  • "f (t)” indicates waveform data
  • "*" indicates a conjugate complex number.
  • the intensity in the frequency band of 0.2 to 0.3 Hz (hereinafter referred to as the target intensity) can be relatively emphasized compared to other frequency bands.
  • the subject may be in the stage 2 or 3 sleep stage when a frequency spectrum with characteristic waveform Sh is obtained in the frequency band 0.2-0.3 Hz. Is high. Therefore, by emphasizing the target intensity by using the wavelet transform process, it is possible to increase the possibility of more accurately determining whether or not the subject is in the sleep stage of stage 2 or 3.
  • a mother wavelet set so that the target intensity is emphasized as described above may be used.
  • the mother wavelet with increased target intensity can be set by adjusting the values of "a” and "b” above.
  • Mollet may be used as the mother wavelet.
  • the target intensity may be the intensity of the entire frequency band of 0.2 to 0.3 Hz, or may be the intensity in a part of the frequency band (eg, the first range R1).
  • the predetermined time may be set to a time during which the sleep stage of the subject can be accurately determined, for example, by an experiment. In this embodiment, the predetermined time may be set to, for example, 2.5 minutes.
  • the wavelet transform process can generate a frequency spectrum that includes a temporal change in intensity, so the number of data can be increased compared to the Fourier transform process.
  • the larger the number of data the more features to be trained, the more accurate the trained model can be generated. Therefore, it is effective to use the intensity change data when generating a trained model.
  • FIG. 6 is an image showing an example of the result of the wavelet transform processing on the blood flow waveform data.
  • FIG. 6 shows an image generated by executing a wavelet transform process on the blood flow waveform data (raw waveform data W1) which is the source of the frequency spectrum FW1 of the stage 3 shown in FIG.
  • the image is an example of intensity change data in which the target intensity is emphasized.
  • the image showing the intensity change data is referred to as a wavelet image.
  • the vertical axis indicates frequency [unit: Hz], and the horizontal axis indicates time [unit: min].
  • the shade in the wavelet image of FIG. 6 indicates the intensity [unit: dB]. That is, the wavelet image is data showing the intensity distribution of the frequency spectrum in a plane defined by frequency and time.
  • the frequency band may be represented by a color gradation.
  • the low frequency band can be represented by cool colors
  • the high frequency band can be represented by warm colors.
  • the frequency band may be represented by dark blue, blue, light blue, yellowish green, light yellowish green, yellow, orange, and red in ascending order. If the intensity distribution can be visually recognized in the wavelet image, the frequency band may be represented by other colors or may be represented by gray scale.
  • FIG. 6 shows an example of a grayscale image of a wavelet image represented by the above colors.
  • the first region AR1 distributed along the time axis at 0.2 Hz and its vicinity shows a higher intensity than the intensity in the frequency band adjacent to the first region AR1.
  • the intensity band shown in red is distributed along the time axis, and the intensity band is orange.
  • the intensity regions shown in yellow, light yellowish green, and yellowish green are distributed.
  • a part of the intensity band shown in red is indicated by reference numeral 101.
  • a part of the intensity region indicated by orange, yellow, light yellowish green, and yellowish green is indicated by reference numeral 102.
  • the intensity regions indicated by light blue, blue, and navy blue are mainly distributed, but the intensity regions indicated by red, orange, and yellow are not distributed.
  • a part of the intensity region indicated by light blue, blue, and navy blue is indicated by reference numeral 103.
  • a saw-shaped intensity band is formed along the time axis in a frequency band higher than the frequency band of 0.2 to 0.3 Hz.
  • a saw-shaped intensity band is formed in the second region AR2 (frequency band of about 0.7 Hz or higher).
  • the second region AR2 has a lower intensity than the first region AR1 in a frequency band of about 0.9 to 1.0 Hz, and has an intensity toward a frequency band of less than 0.9 Hz and a frequency band of 1.0 Hz or higher. It is getting lower gradually.
  • the saw-shaped intensity band indicates the intensity distribution corresponding to the heartbeat.
  • the intensity distribution becomes a band shape along the time axis in the sleeping state, and the lighter the sleep, the more the band shape collapses.
  • the intensity distribution corresponding to the heartbeat is an intensity distribution that cannot be obtained by the Fourier transform process.
  • FIG. 6 shows an example of a wavelet image in which the target intensity is emphasized. However, even in the wavelet image in which the target intensity is not emphasized, the intensity of the first region AR1 is higher than the intensity in the adjacent frequency band. Please note that
  • a trained model (approximate device) for determining the sleep stage of the subject can be used.
  • the trained model is a mathematical model (neural network including an input layer, a hidden layer, and an output layer) that imitates neurons of the human cranial nerve system, and is trained so that the sleep stage of the user can be determined. ..
  • the mathematical model may be one that can generate a trained model that can determine the sleep stage of the subject.
  • the mathematical model may be, for example, a convolutional neural network (CNN), a recurrent neural network (RNN), or an LSTM (Long Short Term Memory).
  • CNN convolutional neural network
  • RNN recurrent neural network
  • LSTM Long Short Term Memory
  • Learning means adjusting the strength of the bond between the units, the bias of the bond, etc. so that the correct calculation result is output from the output layer.
  • learning data is input to the input layer.
  • an operation based on the operation data is executed on the learning data, and the operation result in the hidden layer is output as output data from the output layer.
  • the teacher data and the output data are compared, and the arithmetic data is adjusted so that the error is small.
  • a trained model in which the arithmetic data is adjusted is generated. That is, in the present embodiment, the trained model may be generated by so-called supervised learning using training data and teacher data.
  • the sleep estimation device 51 which will be described later, can determine the sleep stage of the subject by using the trained model generated in this way.
  • the training data is data that serves as an example for generating a trained model.
  • the training data may be a frequency spectrum generated from the blood flow waveform data.
  • a wavelet image is used.
  • the wavelet image may be one in which the target intensity is emphasized or one in which the target intensity is not emphasized.
  • the learning data may be such that the behavior differs between awakening and sleeping, or the behavior changes according to the depth of sleep.
  • the training data may be various types of data (eg, frequency spectra of blood flow waveform data showing different waveforms from each other).
  • Teacher data is data in which a correct label is associated with learning data.
  • the data in which the sleep stage of the person who acquired the blood flow waveform data is associated with the frequency spectrum as the training data as the correct label may be used as the teacher data.
  • the sleep stage of the subject may be identified based on the electroencephalogram data detected by the electroencephalograph.
  • a code indicating each sleep stage may be used.
  • a code indicating a correct answer may be used for a specific sleep stage (eg, stage 2 or 3), and a code indicating an incorrect answer may be used for other sleep stages.
  • the data associated with the wavelet image known to correspond to the stage 2 or 3 (the wavelet image identified as the stage 2 or 3 by the brain wave data) as the correct answer label is used. May be done.
  • the operation data is data related to an operation for generating a trained model, including data such as an operation expression, an operation expression variable (eg, bias and weight), and an activation function.
  • Bias and weight define the strength of the bond between each unit.
  • the accuracy of the trained model can be improved.
  • a method for adjusting the calculated data for example, an error back propagation method and a gradient descent method may be adopted.
  • the sleep estimation system 1 capable of determining the sleep stage of the subject, which is constructed based on the above principle, will be described.
  • the sleep estimation system 1 of the present embodiment may be a system capable of determining the sleep stage of the subject using the trained model.
  • FIG. 1 is a block diagram showing a schematic configuration example of the sleep estimation system 1 of the first embodiment.
  • the sleep estimation system 1 includes an accelerometer 2, a blood flow meter 3, and a mobile terminal 5.
  • the mobile terminal 5 as a part of the function of the control unit that collectively controls each member of the mobile terminal 5, for example, sleep that determines the sleep stage by executing an application that can determine the sleep stage of the subject.
  • the estimation device 51 is constructed.
  • the accelerometer 2 is a sensor that can detect the acceleration caused by the movement of the subject.
  • the accelerometer 2 may transmit the detected acceleration as acceleration data to the sleep estimation device 51 by wireless or wired communication.
  • the accelerometer 2 is attached to a part of the body of the subject such as a head or a finger.
  • a known sensor such as a frequency change type, a piezoelectric type, a piezo resistance type, or a capacitance type may be used.
  • the blood flow meter 3 may be the blood flow meter described in the above principle.
  • the blood flow meter 3 may be, for example, a laser Doppler blood flow meter.
  • the blood flow meter 3 may transmit the raw waveform data W1 as the blood flow waveform data to the sleep estimation device 51.
  • the blood flow meter 3 may transmit the processed waveform data W2 to the sleep estimation device 51 instead of the raw waveform data W1.
  • the blood flow meter 3 may not generate the processed waveform data W2, and the sleep estimation device 51 may generate the processed waveform data W2.
  • the blood flow meter 3 is attached to a part of the body of the subject such as an ear, a finger, a wrist, an arm, a forehead, a nose, or a neck.
  • the mobile terminal 5 may be at least a terminal capable of data communication with the accelerometer 2 and the blood flow meter 3.
  • the mobile terminal 5 may be, for example, a smartphone or a tablet.
  • the mobile terminal 5 is provided with a sleep estimation device 51, a storage unit 52, and a notification unit 53.
  • the storage unit 52 can store programs and data used by the control unit (particularly the sleep estimation device 51).
  • the storage unit 52 can store, for example, the trained model generated as described above and the threshold value for determining whether or not the subject is stationary.
  • the notification unit 53 can notify various information to the surroundings of the mobile terminal 5 (eg, the subject). In the present embodiment, the notification unit 53 can notify various information according to the notification instruction from the sleep estimation device 51.
  • the notification unit 53 may be at least one of a sound output device that outputs sound, a vibration device that vibrates the mobile terminal 5, and a display device that displays an image.
  • the sleep estimation device 51 can determine the sleep stage of the subject to which the accelerometer 2 and the blood flow meter 3 are attached.
  • the sleep estimation device 51 may include a second acquisition unit 11, a second determination unit 12, a first acquisition unit 13 (acquisition unit), a generation unit 14, a first determination unit 15 (determination unit), and a notification unit 16. ..
  • the second acquisition unit 11 can acquire acceleration data from the accelerometer 2.
  • the second determination unit 12 can determine whether or not the subject is stationary based on the acceleration data acquired by the second acquisition unit 11.
  • the second determination unit 12 may determine that the subject is stationary, for example, when the acceleration indicated by the acceleration data is less than the threshold value stored in the storage unit 52.
  • the second determination unit 12 may transmit the determination result data to the generation unit 14.
  • the first acquisition unit 13 can acquire blood flow waveform data (raw waveform data W1) from the blood flow meter 3.
  • the generation unit 14 can generate a frequency spectrum of the blood flow waveform data by executing a frequency analysis process on the blood flow waveform data acquired by the first acquisition unit 13.
  • the first determination unit 15 can determine the sleep stage of the subject based on the frequency spectrum generated by the generation unit 14. In other words, the first determination unit 15 can determine the transition of the sleep depth of the subject based on the frequency spectrum.
  • the generation unit 14 can generate a wavelet image by executing a wavelet transform process in which the target intensity is relatively emphasized compared to other frequency bands as the frequency analysis process.
  • the wavelet image is processing data showing the result of time-frequency analysis processing of blood flow waveform data.
  • the first determination unit 15 can determine the sleep stage of the subject based on the wavelet image generated by the generation unit 14.
  • the sleep stage of the subject when the first determination unit 15 determines that the characteristic waveform Sh is included in the frequency band of 0.2 to 0.3 Hz of the frequency spectrum, the sleep stage of the subject is stage 2 or It can be determined that it is 3. In this case, the first determination unit 15 may determine that the sleep stage of the subject has transitioned from stage 1 to stage 2 or 3. On the other hand, when the first determination unit 15 determines that the characteristic waveform Sh is not included in the frequency band of 0.2 to 0.3 Hz, the sleep stage of the subject is sleep other than stage 2 or 3. It can be determined that it is a stage. When the first determination unit 15 determines that the subject is in the sleep stage of stage 2 or 3, and then determines that the frequency band of 0.2 to 0.3 Hz does not include the characteristic waveform Sh.
  • stage 2 or 3 May determine that the sleep stage of the subject has transitioned from stage 2 or 3 to stage 1. It is also possible to determine whether or not the characteristic waveform Sh is included, for example, by determining whether or not the first intensity is greater than a predetermined value or more than the second intensity.
  • the first determination unit 15 may execute the determination of the sleep stage of the subject by using the trained model.
  • the first determination unit 15 feeds the wavelet image generated by the generation unit 14 as input data to the input layer of the trained model, so that the determination result of the sleep stage of the subject is obtained from the output layer of the trained model. Can be output.
  • the trained model is generated by using the data associated with the wavelet image known to correspond to the stage 2 or 3 as the correct label as an example of the teacher data. Therefore, by giving the wavelet image generated by the generation unit 14 to the trained model, the first determination unit 15 also transitions from stage 1 to stage 2 or 3 even if the sleep stage of the subject is stage 2 or 3. It can also be determined that it has been done.
  • the first determination unit 15 gives the trained model a frequency spectrum including a waveform Sh characteristic in the frequency band of 0.2 to 0.3 Hz, the sleep stage of the subject is stage 2. Or, there is a possibility that it can be accurately determined that it is 3.
  • the sleep estimation device may not be able to determine whether or not the subject has fallen asleep based on the blood flow waveform data alone. For example, in the case of a subject whose blood flow is stable even during awakening, there may be no significant difference between the blood flow waveform data during awakening and the blood flow waveform data during sleep. In this case, the sleep estimation device may not be able to determine whether or not the subject has fallen asleep.
  • the generation unit 14 executes a frequency analysis process on the blood flow waveform data to cause the subject to fall asleep. The determination process by the first determination unit 15 can be executed in a state where there is a high possibility that the determination has been made.
  • the notification unit 16 can execute the notification process based on the determination result of the first determination unit 15.
  • the notification unit 16 may transmit a notification instruction according to the notification processing to the notification unit 53.
  • the notification unit 53 can notify the information according to the notification processing to the surroundings of the mobile terminal 5.
  • the notification unit 16 may include a first notification unit 161 and a second notification unit 162.
  • the first notification unit 161 can execute the first notification process after a predetermined time has elapsed after the transition from the stage 1 to the stage 2 or 3 is detected by the first determination unit 15.
  • the first notification process is a notification process associated with the detection of the transition, and may be, for example, an alarm process for urging the subject to awaken or a process of notifying the detection of the transition.
  • the predetermined time may be appropriately set, for example, by an experiment, depending on the purpose of the notification. In the present embodiment, the predetermined time may be set to a time at which it is estimated that the subject is likely to awaken, for example, when the time is measured from the time of transition from stage 1 to stage 2 or 3.
  • the first notification unit 161 may execute the first notification process when the transition from the stage 1 to the stage 2 or 3 is detected by the first determination unit 15.
  • the second notification unit 162 can execute the second notification process as the above notification process after a predetermined time has elapsed after the transition to the stage 2 or the third stage 1 is detected by the first determination unit 15.
  • the second notification process is a notification process associated with the detection of the transition, and may be, for example, an alarm process for urging the subject to awaken or a process of notifying the detection of the transition.
  • the predetermined time may be appropriately set, for example, by an experiment, depending on the purpose of the notification. In the present embodiment, the predetermined time may be set to a time at which it is estimated that the subject is likely to awaken, for example, when the time is measured from the time of transition from stage 2 or 3 to stage 1.
  • the second notification unit 162 may execute the second notification process when the first determination unit 15 detects the transition from the stage 2 or 3 to the stage 1.
  • FIG. 7 is a flowchart showing an example of the processing flow (sleep estimation method) by the sleep estimation device 51.
  • the blood flow meter 3 may start detecting the blood flow waveform data after the blood flow meter 3 is attached to the subject.
  • the first acquisition unit 13 can acquire blood flow waveform data from the blood flow meter 3 (S1: first acquisition step, acquisition step).
  • the generation unit 14 can generate a frequency spectrum of the blood flow waveform data by executing a frequency analysis process on the blood flow waveform data.
  • the generation unit 14 can generate a wavelet image in which the target intensity is emphasized by executing the wavelet transform processing on the blood flow waveform data (S2: generation step).
  • the first determination unit 15 can determine the sleep stage of the subject based on the frequency spectrum.
  • the first determination unit 15 can determine the sleep stage of the subject by inputting the wavelet image in which the target intensity is emphasized into the trained model (S3) (S4: first determination step, determination). Process).
  • the first determination unit 15 can determine whether or not the transition from stage 1 to stage 2 or 3 has occurred based on the determination result of the sleep stage (S5).
  • the first notification unit 161 can determine whether or not a predetermined time has elapsed from the determination (S6). ..
  • the first notification unit 161 can execute, for example, an alarm process for notifying the alarm sound from the notification unit 53 as the first notification process (S7).
  • the notification unit 53 can notify the alarm sound by receiving the notification instruction from the first notification unit 161.
  • the process may return to S1. If NO in S6, the process of S6 may be repeated. Further, in S5, when the first determination unit 15 determines that the stage 2 or 3 has transitioned to the stage 1, the second notification unit 162 may execute the second notification process, for example, after a predetermined time has elapsed. ..
  • Patent Document 1 discloses a method for detecting non-REM sleep, which comprises the following steps 1 to 4.
  • -Step 1 A step of generating time-series data of the heartbeat interval of the subject.
  • -Step 2 Set a window of a predetermined time length that moves along the time axis of the time series data, and for each of a plurality of judgment time points on the time axis, spectrum analysis of the time series data in the window including the window. Steps to do.
  • -Step 3 A step of calculating the concentration of power of the heart rate variability high frequency component from the spectrum of each window.
  • a pulse wave meter or an electrocardiograph is used as a device for detecting the time series data in step 1.
  • the inventor has determined that the subject is in the sleep stage of stage 2 or 3 when a significant intensity change is observed in the frequency band of 0.2 to 0.3 Hz in the frequency spectrum of the blood flow waveform data. I found that it is likely to be in.
  • the sleep estimation device 51 of the present disclosure can determine the sleep stage of the subject using the blood flow waveform data. Handling of blood flow meters and acquisition of blood flow waveform data does not require a high degree of specialized knowledge compared to electroencephalographs. In addition, the blood flow meter is easier to install than the electroencephalograph. That is, since the sleep estimation device 51 can acquire the blood flow waveform data of the subject relatively easily, the sleep stage of the subject can be determined relatively easily. Further, according to the sleep estimation device 51, the subject can easily grasp his / her own sleep stage.
  • the sleep estimation device 51 of the present disclosure determines that the sleep stage of the subject is stage 2 or 3 when a frequency spectrum having the above-mentioned significant intensity change not observed in the electrocardiographic waveform data is obtained. can. Therefore, the sleep estimation device 51 can increase the possibility that the sleep stage of the subject can be accurately estimated to be stage 2 or 3.
  • FIG. 8 is a block diagram showing a schematic configuration example of the sleep estimation system 1A of the second embodiment.
  • the mobile terminal 5 can acquire blood flow waveform data from the blood flow meter 3 attached to the subject, for example, by wireless communication. Then, the sleep estimation device 51 constructed in the mobile terminal 5 can determine the sleep stage of the subject based on the blood flow waveform data.
  • the wearable device 20 may be provided with the blood flow meter 3.
  • the sleep estimation device 51 may be constructed as a part of the function of the control unit that collectively controls each member of the wearable device 20. That is, in the sleep estimation system 1A, the sleep estimation device 51 may be mounted on the wearable device 20 together with the blood flow meter 3. Therefore, one device can execute the blood flow waveform data acquisition process and the sleep stage determination process based on the blood flow waveform data. In addition, various devices or parts required for wireless or wired communication between two devices are not required.
  • the wearable device 20 may be mounted at the same position as the position where the blood flow meter 3 is mounted on the subject.
  • the generation unit 14 only needs to be able to generate a wavelet transform image by executing the wavelet transform process on the blood flow waveform data, and it is not always necessary to perform the wavelet transform process so that the target intensity is emphasized.
  • the generation unit 14 may execute a time frequency analysis process other than the wavelet transform process on the blood flow waveform data.
  • the generation unit 14 may execute, for example, a short-time Fourier transform process on the blood flow waveform data.
  • the short-time Fourier transform process executes the Fourier transform process on each of a plurality of waveform data cut out along the time axis using a window function.
  • the generation unit 14 performs a short-time Fourier transform process in which the target intensity is relatively emphasized compared to other frequency bands, so that an image similar to the wavelet image (intensity change data) is used as processing data. May be generated.
  • the generation unit 14 may execute a process other than the time frequency analysis process as the frequency analysis process.
  • the generation unit 14 may execute, for example, a Fourier transform process.
  • the generation unit 14 executes the Fourier transform process, for example, the frequency spectrum FW1 or FW2 shown in FIG. 3 can be generated.
  • the generation unit 14 may generate a frequency spectrum (waveform) as shown in FIG. 3 by executing a short-time Fourier transform process.
  • the generation unit 14 can generate various frequency spectra. Therefore, the first determination unit 15 can determine the sleep stage of the subject by inputting various frequency spectra into the trained model.
  • the trained model is generated by using the same kind of frequency spectrum as the frequency spectrum generated by the generation unit 14 as training data and teacher data.
  • the trained model may not be stored in the storage unit 52 of the mobile terminal 5 or the wearable device 20. That is, the sleep estimation system 1 or 1A does not have to determine the sleep stage of the subject using the trained model.
  • the first determination unit 15 determines that the first intensity is higher than the second intensity by a predetermined value or more in the frequency spectrum generated by the generation unit 14, the first determination unit 15 determines that the sleep stage of the subject is stage 2 or 3. You can do it.
  • a predetermined value may be stored in the storage unit 52 instead of the trained model.
  • the storage unit 52 may store a reference waveform capable of extracting a characteristic waveform Sh in the frequency spectrum FW1 instead of the trained model.
  • the first determination unit 15 determines that a waveform matching the reference waveform exists in the frequency band of 0.2 to 0.3 Hz of the frequency spectrum FW1, it is determined that the characteristic waveform Sh in the frequency band can be extracted. You may.
  • the first determination unit 15 determines that the degree of coincidence between the waveform included in the frequency band of 0.2 to 0.3 Hz and the reference waveform is, for example, 0.2 to 0. It may be determined that there is a waveform that matches the reference waveform in the frequency band of 3 Hz. Further, the first determination unit 15 determines whether or not the characteristic waveform Sh is included in the frequency band of 0.2 to 0.3 Hz by another index (eg, the degree of change in the slope of the waveform). May be good. Further, the frequency spectrum FW2 may be determined in the same manner as the frequency spectrum FW1.
  • the accelerometer 2 may detect the acceleration generated by the movement of the subject, and the sleep estimation device 51 may not determine the sleep onset state of the subject based on the acceleration.
  • the sleep estimation system 1 or 1A does not have to include the accelerometer 2, and the sleep estimation device 51 does not have to include the second acquisition unit 11 and the second determination unit 12.
  • the control block of the sleep estimation device 51 may be realized by a logic circuit (hardware) formed in an integrated circuit (IC chip) or the like, or may be realized by software.
  • the sleep estimation device 51 includes a computer that executes a program instruction, which is software that realizes each function.
  • This computer includes, for example, at least one processor (control device) and at least one computer-readable recording medium in which the program is stored. Then, in the computer, the processor reads the program from the recording medium and executes the program, thereby achieving the object of the present disclosure.
  • the processor for example, a CPU (Central Processing Unit) can be used.
  • the recording medium a “non-temporary tangible medium”, for example, a ROM (Read Only Memory) or the like, a tape, a disk, a card, a semiconductor memory, a programmable logic circuit, or the like can be used.
  • a RAM RandomAccessMemory
  • the program may be supplied to the computer via any transmission medium (communication network, broadcast wave, etc.) capable of transmitting the program. It should be noted that one aspect of the present disclosure can also be realized in the form of a data signal embedded in a carrier wave, in which the above program is embodied by electronic transmission.

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Veterinary Medicine (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Mathematical Physics (AREA)
  • Cardiology (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Pulmonology (AREA)
  • Hematology (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

睡眠段階を簡便に推定する。睡眠推定装置は、血流データを取得する第１取得部と、血流データに対して周波数解析処理を実行することにより、血流データの周波数スペクトルを生成する生成部と、周波数スペクトルに基づき、被検体の睡眠段階を判定する第１判定部と、を備える。

Description

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
　本開示は、被検体の睡眠段階の推定に関する。
　特許文献１には、睡眠段階を検出する技術が記載されている。
日本国特開2018-161432号公報
　本開示の一態様に係る睡眠推定装置は、被検体の血流を示す血流データを取得する第１取得部と、前記血流データに対して周波数解析処理を実行することにより、前記血流データの周波数スペクトルを生成する生成部と、前記周波数スペクトルに基づき、前記被検体の睡眠段階を判定する第１判定部と、を備える。
　更に、本開示の一態様に係る睡眠推定装置は、被検体の血流を示す血流データを取得する取得部と、前記血流データに対して、所定の周波数帯域における強度が他の周波数帯域よりも相対的に強調されるウェーブレット変換処理又は短時間フーリエ変換処理を実行することにより、前記血流データの時間周波数解析処理の結果を示す処理データを生成する生成部と、前記処理データに基づき、前記被検体の睡眠段階を判定する判定部と、を備える。
　更に、本開示の一態様に係る睡眠推定方法は、被検体の血流を示す血流データを取得する第１取得工程と、前記血流データに対して周波数解析処理を実行することにより、前記血流データの周波数スペクトルを生成する生成工程と、前記周波数スペクトルに基づき、前記被検体の睡眠段階を判定する第１判定工程と、を含む。
　更に、本開示の一態様に係る睡眠推定方法は、被検体の血流を示す血流データを取得する取得工程と、前記血流データに対して、所定の周波数帯域における強度が他の周波数帯域よりも相対的に強調されるウェーブレット変換処理又は短時間フーリエ変換処理を実行することにより、前記血流データの時間周波数解析処理の結果を示す処理データを生成する生成工程と、前記処理データに基づき、前記被検体の睡眠段階を判定する判定工程と、を含む。
実施形態１の睡眠推定システムの概略的な構成例を示すブロック図である。 血流計が検出する血流波形データの一例を示すグラフである。 血流波形データに対してフーリエ変換処理を実行することにより生成された周波数スペクトルの一例を示すグラフである。 心電計が検出する心電波形データの一例を示すグラフである。 心電波形データに対してフーリエ変換処理を実行することにより生成された周波数スペクトルの一例を示すグラフである。 血流波形データに対するウェーブレット変換処理の結果の一例を示す画像である。 実施形態１の睡眠推定装置による処理の流れの一例を示すフローチャートである。 実施形態２の睡眠推定システムの概略的な構成例を示すブロック図である。
　以下、本開示に係る被検体の睡眠段階の判定（推定）について説明する。まず、本開示に係る被検体の睡眠段階の判定の元となる原理について説明する。本明細書において「Ａ～Ｂ」と記載した場合、「Ａ以上、かつＢ以下」を示すことに留意されたい。また、本明細書では、睡眠段階の判定に用いられる血流データの一例として、血流波形データを挙げて説明する。
　〔原理〕
　図２は、血流計が検出する血流波形データの一例を示すグラフである。図２において、縦軸は、時間当たりの血流量に比例する値［単位：無次元］を示し、横軸は、測定時間［単位：ｍｉｎ］を示す。血流計は、血流波形データとして、図２に示すような生波形データＷ１及び加工波形データＷ２を取得できる。加工波形データＷ２は、生波形データＷ１を、Ｒ波のピークを取得しやすいように加工した波形データである。加工波形データＷ２は、例えば、生波形データＷ１に平滑化処理を実行することにより生成される。加工波形データＷ２において、隣接するピーク（図中の逆三角形状が示す位置での血流量）間の時間間隔は、心拍間隔（ＲＲＩ：R-R Interval）を示す。図４に示す心拍の生波形データＷ１２においても同様に、隣接するピーク（図中の逆三角形状が示す位置での血流量）間の時間間隔は、心拍間隔（ＲＲＩ）を示す。
　血流波形データを検出する血流計は、被検体の血管に光を照射することにより発生する散乱光を受光することにより、被検体の血流を示す血流波形データを検出できるセンサである。血流計は、被検体の血管に光を照射する発光部と、上記散乱光を受光する受光する受光部と、を備えてよい。
　一般に、レーザ光を流体に照射すると、（ｉ）流体に含まれ当該流体と共に移動する散乱体、及び、（ｉｉ）流体を流すための管などの静止物によって、照射されたレーザ光が散乱され、散乱光が発生する。一般的に、散乱体は、流体において複素屈折率の不均一をもたらす。
　流体とともに移動する散乱体により発生した散乱光には、散乱体の流速に応じたドップラー効果により、波長シフトがもたらされる。一方、静止物により発生した散乱光には、波長シフトはもたらされない。これらの散乱光は光の干渉を起こすため、光ビート（うなり）が観測される。
　血流計は、この現象を利用したセンサであってよい。つまり、血流計は、被検体の血管にレーザ光を照射することにより、流体としての血液において発生した散乱光にもたらされる光ビートを、血流波形データとして検出するレーザドップラー血流計であってよい。
　より具体的には、血流計が備えるプロセッサによって、取得した受光信号を解析し、該受光信号の周波数毎の信号強度を示す周波数解析データを算出してもよい。一例として、プロセッサは、取得した受光信号に対してＦＦＴ（Fast Fourier Transformation：高速フーリエ変換）等の手法を用いて解析を行ってもよい。
　プロセッサは、さらに周波数解析データに基づいて、被検体の血流量の変動パターンを示す血流波形データを生成してもよい。一例として、プロセッサは、血流波形データとして、取得した周波数解析データの一次モーメント和Ｘを算出してもよい。より具体的には、プロセッサは、取得した周波数解析データの一次モーメント和Ｘを下記の数式を用いて算出してもよい。プロセッサは、下記の数式を用いて、一部（例えば、１～２０ｋＨｚ）の周波数帯域における一次モーメント和Ｘ
　Ｘ＝Σｆｘ×Ｐ（ｆｘ）
を算出してもよい。ここで、「ｆｘ」は、周波数であり、「Ｐ（ｆｘ）」は、周波数ｆｘにおける信号強度の値である。
　周波数解析データに基づいてプロセッサが算出する一次モーメント和Ｘは、被検体の血流量に比例する値となり得る。プロセッサは、複数の周波数解析データ毎の一次モーメント和Ｘを算出することによって、被検体の時間ごとの血流量の変動パターンを示すパターンデータを生成してもよい。また、プロセッサは、周波数解析データに含まれるデータのうち、一部の周波数帯域に含まれるデータを用いて血流波形データを生成してもよい。プロセッサは、生成した血流波形データを出力することができる。
　血流波形データは、血流量の他、例えば、心拍出量及び血管運動（バソモーション）の変動係数の少なくとも１つに関するデータを含むものであってよい。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。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。
　また、血流波形データは、脈波を含んでいてもよい。
　図３は、図２に示すような血流波形データに対してフーリエ変換処理を実行することにより生成された周波数スペクトルの一例を示すグラフである。縦軸は、周波数スペクトルの強度［単位：ｄＢ］を示し、横軸は、周波数［単位：Ｈｚ］を示す。フーリエ変換処理は、周波数解析処理の一例であり、時間的変化を含まない、波形データの周波数スペクトルを生成する処理である。
　図３には、各睡眠段階に対応する周波数スペクトルＦＷ１及びＦＷ２が示されている。周波数スペクトルＦＷ１は、生波形データＷ１に対してフーリエ変換処理を実行した結果生成された周波数スペクトルである。周波数スペクトルＦＷ２は、加工波形データＷ２の心拍間隔（ＲＲＩ）に対してフーリエ変換処理を実行した結果生成された周波数スペクトルである。
　上記睡眠段階は、覚醒、レム睡眠、及びノンレム睡眠の３段階に分類できる。ノンレム睡眠は、更に、眠りの浅い睡眠段階から順に、ステージ１（Ｎ１）、ステージ２（Ｎ２）、及びステージ３（Ｎ３）に分類できる。レム睡眠は、急速眼球運動（Rapid Eye Movement：REM）を伴う睡眠である。ノンレム睡眠は、急速眼球運動を伴わない睡眠である。
　この分類は、被検体に装着した脳波計が検出する脳波データに基づき行われる。脳波は、波長が長いものから順に、β波、α波、θ波及びδ波の４つに区分される。β波は、例えば３８～１４Ｈｚ程度の周波数の脳波である。α波は、例えば１４～８Ｈｚ程度の周波数の脳波である。θ波は、例えば８～４Ｈｚ程度の周波数の脳波である。δ波は、例えば４～０．５Ｈｚ程度の周波数の脳波である。
　θ波およびδ波が、β波及び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波及びδ波の範囲で周期的に変化することが知られている。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、及びδ波が優位な場合には、人はノンレム睡眠の状態にある。ステージ１は、例えば、α波が５０％以下であり、低振幅の種々の周波数が混在した状態である。ステージ２は、例えば、不規則に低振幅のθ波及びδ波が現れるが、高振幅の徐波が無い状態である。ステージ３は、例えば、２Ｈｚ以下で、かつ７５μＶの徐波が２０％以上である状態である。２Ｈｚ以下で、かつ７５μＶの徐波が５０％以上である状態をステージ４と称してもよい。
　図３では、睡眠段階として、覚醒を「ＷＫ」、レム睡眠を「ＲＭ」、ノンレム睡眠のステージ１を「Ｎ１」、ノンレム睡眠のステージ２を「Ｎ２」、ノンレム睡眠のステージ３を「Ｎ３」と示している。
　図３の周波数スペクトルＦＷ１及びＦＷ２に示すように、ステージ２及び３の睡眠段階にある被検体から得られた周波数スペクトルにおいては、０．２～０．３Ｈｚの周波数帯域（所定の周波数帯域）において有意な強度変化が認められる。換言すれば、当該周波数スペクトルにおいて、０．２～０．３Ｈｚの周波数帯域のうちの一部の第１範囲Ｒ１における強度が、第１範囲Ｒ１以外の第２範囲Ｒ２における強度よりも所定値以上大きくなっている。以下、第１範囲Ｒ１における強度を第１強度と称し、第２範囲Ｒ２における強度を第２強度と称する。
　第１強度は、例えば、０．２～０．３Ｈｚの周波数帯域における最大強度であってよい。第２強度は、例えば、この最大強度を含む第１範囲Ｒ１（例：最大強度を中心として±０．０２Ｈｚ程度、但し０．２～０．３Ｈｚの周波数帯域内）以外の第２範囲Ｒ２における最大強度であってよい。所定値は、例えば実験より、０．２～０．３Ｈｚの周波数帯域において、隣接する周波数帯域には無い特徴的な波形Ｓｈが含まれるときに、当該波形Ｓｈが含まれることを特定できる程度の大きさに設定されていればよい。特徴的な波形Ｓｈは、例えば、上に凸の形状であって、かつある程度ブロードな波形（例：全半値幅が０．０３Ｈｚ以上の波形）であればよい。図３では、ステージ３に対応する周波数スペクトルＦＷ１及びＦＷ２における第１範囲Ｒ１及び第２範囲Ｒ２の例を示している。
　一方、覚醒、レム睡眠、及び、ステージ１の睡眠段階にある被検体から得られた周波数スペクトルにおいては、０．２～０．３Ｈｚの周波数帯域において有意な強度変化が認められず、また上記のような特徴的な波形Ｓｈも認められない。
　鋭意研究の末、発明者は、０．２～０．３Ｈｚの周波数帯域において有意な強度変化（特徴的な波形Ｓｈ）が認められる周波数スペクトルが得られたときに、被検体がステージ２又は３の睡眠段階にある可能性が高いことを見出した。つまり、発明者は、特徴的な波形Ｓｈを有する周波数スペクトルが得られたときに、被検体がステージ２又は３の睡眠段階にある可能性が高いことを見出した。また、発明者は、特に上述した血流計（例：レーザドップラー血流計）が検出する血流波形データの周波数スペクトルにおいて、０．２～０．３Ｈｚの周波数帯域において有意な強度変化が認められることを見出した。発明者は、これらの知見を得て、被検体の睡眠段階の判定精度を向上可能な睡眠推定装置を開発するに至った。
　（心電波形データとの比較）
　また、心電計が検出した心電波形データ（心電図）と、血流計が検出した血流波形データと、の間には、以下に説明する相違がある。
　図４は、心電計が検出する心電波形データの一例を示すグラフである。図４において、縦軸は、心拍の強度［単位：ｄＢ］を示し、横軸は、測定時間［単位：ｍｉｎ］を示す。図４には、心電波形データとして、心拍の生波形データＷ１１及びＷ１２が示されている。
　図５は、心電波形データに対してフーリエ変換処理を実行することにより生成された周波数スペクトルの一例を示すグラフである。縦軸は、周波数スペクトルの強度［単位：ｄＢ］を示し、横軸は、周波数［単位：Ｈｚ］を示す。
　図５には、各睡眠段階に対応する周波数スペクトルＦＷ１１及びＦＷ１２が示されている。周波数スペクトルＦＷ１１は、生波形データＷ１１に対してフーリエ変換処理を実行した結果生成された周波数スペクトルである。周波数スペクトルＦＷ１２は、心拍間隔（ＲＲＩ）に対してフーリエ変換処理を実行した結果生成された周波数スペクトルである。周波数スペクトルＦＷ１１及びＦＷ１２に対応する睡眠段階は、被検体に装着した脳波計から取得した脳波データに基づき特定されている。
　図５に示すように、ステージ２及び３の睡眠段階にある被検体から検出した心電波形データを変換した周波数スペクトルＦＷ１１及びＦＷ１２において、０．２～０．３Ｈｚの周波数帯域に有意な強度変化（特徴的な波形Ｓｈ）は認められない。ステージ２及び３の睡眠段階に対応する周波数スペクトルＦＷ１２については、０．２～０．３Ｈｚの周波数帯域において上に凸の形状となっている。しかし、ステージ１の睡眠段階に対応する周波数スペクトルＦＷ１２についても、ステージ２及び３に対応する周波数スペクトルＦＷ１２と同様の形状となっている。従って、ステージ２及び３に対応する周波数スペクトルＦＷ１２が、０．２～０．３Ｈｚの周波数帯域において有意な強度変化を有しているとは認められない。
　鋭意研究の末、発明者は、０．２～０．３Ｈｚの周波数帯域において有意な強度変化が認められるのは、血流波形データの周波数スペクトルに特有の事象であることを見出した。これにより、発明者は、心電波形データではなく血流波形データから変換した周波数スペクトルを用いて被検体の睡眠段階を判定することにより、特に被検体がステージ２又は３の睡眠段階にあることを精度よく判定できる可能性が高いことを見出した。
　（周波数帯域について）
　使用される血流計、及び被検体の個人差等によって、上記有意な強度変化が認められる周波数帯域には若干の広がりが生じる可能性がある。この点を考慮すれば、ステージ２又は３に対応する周波数スペクトルＦＷ１及びＦＷ２の、例えば０．１５～０．４Ｈｚの周波数帯域において、心電波形データには認められない有意な強度変化が認められる可能性は十分にある。以下の説明においては、上記有意な強度変化が認められる周波数帯域が０．２～０．３Ｈｚであるものとして説明する。
　〔ウェーブレット変換処理〕
　上述の原理では、周波数解析処理としてフーリエ変換処理を実行することにより得られた周波数スペクトルを用いて説明を行った。しかし、被検体の睡眠段階は、周波数解析処理としてウェーブレット変換処理を実行することにより得られた周波数スペクトルに基づき判定されてよい。ウェーブレット変換処理は、時間周波数解析処理の一例である。時間周波数解析処理は、時間的変化を含む、波形データの周波数スペクトルを生成する処理である。ウェーブレット変換処理は、任意の基準波形であるマザーウェーブレットを用いて、波形データの周波数スペクトルを生成する処理である。
　ウェーブレット変換処理において用いられるマザーウェーブレットは、以下のように定義される。以下の式において、「ｔ」は時間変数、「ａ」はスケールパラメータ（マザーウェーブレットを時間軸方向に拡大又は縮小させるパラメータ）、「ｂ」はトランスレートパラメータ（マザーウェーブレットを時間軸方向に平行移動させるパラメータ）を示す。
Figure JPOXMLDOC01-appb-M000001
　また、ウェーブレット変換処理を行うための関数は、以下のように定義される。以下の式において、「ｆ（ｔ）」は波形データ、「＊」は共役複素数を示す。上記「ａ」及び「ｂ」の値を調整したマザーウェーブレットを以下の式に代入することにより、波形データの周波数スペクトルを生成できる。
Figure JPOXMLDOC01-appb-M000002
　ウェーブレット変換処理を用いることにより、０．２～０．３Ｈｚの周波数帯域における強度（以下、対象強度と称する）を他の周波数帯域よりも相対的に強調できる。上述の原理において説明したように、０．２～０．３Ｈｚの周波数帯域において特徴的な波形Ｓｈを有する周波数スペクトルが得られたときに、被検体がステージ２又は３の睡眠段階にある可能性が高い。従って、ウェーブレット変換処理を用いて対象強度を強調することにより、被検体がステージ２又は３の睡眠段階にあるか否かの判定をより精度よく行う可能性を高めることができる。
　ウェーブレット変換処理においては、上記のように対象強度が強調されるように設定したマザーウェーブレットが用いられてよい。対象強度を大きくしたマザーウェーブレットは、上記「ａ」及び「ｂ」の値を調整することにより設定できる。また、マザーウェーブレットとしてＭｏｒｌｅｔを用いても構わない。この場合、スケールパラメータ「ａ」は、「ω＝２π／ａ」という関係をもち局所的な角周波数を表す。角周波数「ω」は「ω＝２πｆ」と表せるため、この「ｆ（周波数）」の部分を０．２～０．３Ｈｚとしてウェーブレット変換処理を実行してもよい。対象強度は、０．２～０．３Ｈｚの周波数帯域全体の強度であっても、周波数帯域の一部の範囲（例：第１範囲Ｒ１）における強度であってもよい。
　また、血流波形データに対するウェーブレット変換処理の結果、所定時間内の各周波数帯域での強度の経時的な変化を示す強度変化データを生成できる。所定時間は、例えば実験により、被検体の睡眠段階の判定を精度良く行うことが可能な時間に設定されていればよい。本実施形態では、所定時間は、例えば２．５分に設定されてよい。
　ウェーブレット変換処理は、フーリエ変換処理と異なり、強度の時間的変化を含む周波数スペクトルを生成できるため、フーリエ変換処理よりもデータ数を増加できる。一般に、以下に説明する学習済モデルの生成において、データ数が多い程（学習させる特徴が多い程）、精度の良い出力データを出力できる学習済モデルを生成できる。従って、学習済モデルを生成する場合において、強度変化データを用いることは有効である。
　図６は、血流波形データに対するウェーブレット変換処理の結果の一例を示す画像である。図６では、図３に示すステージ３の周波数スペクトルＦＷ１の元となる血流波形データ（生波形データＷ１）に対して、ウェーブレット変換処理を実行することにより生成された画像を示す。当該画像は、対象強度が強調された強度変化データの一例である。以下、強度変化データを示す画像を、ウェーブレット画像と称する。
　図６において、縦軸は、周波数［単位：Ｈｚ］を示し、横軸は、時間［単位：ｍｉｎ］を示す。図６のウェーブレット画像における濃淡は、強度［単位：ｄＢ］を示す。つまり、ウェーブレット画像は、周波数及び時間で規定される平面において周波数スペクトルの強度分布を示したデータである。
　本実施形態のウェーブレット画像では、周波数帯（強度）が色のグラデーションにより表現されてよい。ウェーブレット画像では、例えば、低い周波数帯を寒色系の色で表現し、高い周波数帯を暖色系の色で表現できる。具体的には、周波数帯は、低い順から、濃紺色、青色、水色、黄緑色、薄黄緑色、黄色、橙色、及び、赤色により表現されてよい。ウェーブレット画像において強度分布が視認できるのであれば、周波数帯は、他の色により表現されてもよいし、グレースケールにより表現されてもよい。図６は、上記色で表現されたウェーブレット画像をグレースケール化した画像の一例を示している。
　図６のウェーブレット画像において、０．２Ｈｚ及びその付近において時間軸に沿って分布する第１領域ＡＲ１では、第１領域ＡＲ１に隣接する周波数帯域における強度よりも高い強度を示している。具体的には、第１領域ＡＲ１の、約０．２Ｈｚ±約０．０５Ｈｚの周波数帯域において、時間軸に沿って赤色で示す強度帯が分布しており、当該強度帯を中心として、橙色、黄色、薄黄緑色、及び黄緑色で示す強度領域が分布している。図６において、赤色で示す強度帯の一部を符号１０１で示している。また、橙色、黄色、薄黄緑色、及び黄緑色で示す強度領域の一部を符号１０２で示している。一方、隣接する周波数帯域においては、主として、水色、青色、及び濃紺色で示す強度領域が分布しているが、赤色、橙色及び黄色で示す強度領域は分布していない。図６において、水色、青色、及び濃紺色で示す強度領域の一部を符号１０３で示している。
　また、図６に示すように、ウェーブレット画像では、０．２～０．３Ｈｚの周波数帯域よりも高い周波数帯域において、時間軸に沿って鋸形状の強度帯が形成されている。図６のウェーブレット画像では、第２領域ＡＲ２（約０．７Ｈｚ以上の周波数帯域）において、鋸形状の強度帯が形成されている。第２領域ＡＲ２は、約０．９～１．０Ｈｚの周波数帯域において第１領域ＡＲ１よりも低い強度を有し、０．９Ｈｚ未満の周波数帯域及び１．０Ｈｚ以上の周波数帯域に向けて強度が徐々に低くなっている。
　上記鋸形状の強度帯は、心拍に対応する強度分布を示している。当該強度分布は、眠っている状態では時間軸に沿った帯形状となり、眠りが浅くなる程、帯形状が崩れた状態となる。心拍に対応する強度分布は、フーリエ変換処理では得られない強度分布である。以下に説明する学習済モデルの生成にウェーブレット画像を用いることにより、心拍も加味した学習済モデルを生成できる。
　図６は、対象強度が強調されたウェーブレット画像の一例を示しているが、対象強度が強調されないウェーブレット画像であっても、第１領域ＡＲ１の強度が、隣接する周波数帯域における強度よりも高い強度を示すことに留意されたい。
　〔学習済モデルの生成〕
　被検体の睡眠段階の判定において、被検体の睡眠段階を判定するための学習済モデル（近似器）を用いることができる。学習済モデルは、人間の脳神経系のニューロンを模した数理モデル（入力層、隠れ層及び出力層を含むニューラルネットワーク）に対して、ユーザの睡眠段階を判定可能なように学習させたものである。数理モデルは、被検体の睡眠段階を判定可能な学習済モデルを生成できるものであればよい。数理モデルは、例えば、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）、又はＬＳＴＭ（Long Short Term Memory）であってよい。
　学習とは、出力層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、及び結合の偏り等を調整することをいう。本実施形態では、学習を行う場合、入力層に、学習データが入力される。隠れ層において、学習データに対して演算データに基づく演算が実行され、隠れ層における演算結果が、出力層から出力データとして出力される。教師データと出力データとが対比され、誤差が小さくなるように演算データが調整される。複数の学習データのそれぞれに対して、この処理が繰り返し実行されることにより演算データを調整した学習済モデルが生成される。つまり、本実施形態では、学習済モデルは、学習データ及び教師データを用いた、いわゆる教師あり学習によって生成されてよい。後述する睡眠推定装置５１は、このように生成された学習済モデルを用いることにより、被検体の睡眠段階の判定を行うことができる。
　学習データは、学習済モデルを生成するための例題となるデータである。学習データは、血流波形データから生成された周波数スペクトルであってよい。本実施形態では、ウェーブレット画像が用いられる。ウェーブレット画像としては、対象強度が強調されたものであっても、対象強度が強調されていないものであってもよい。学習データは、覚醒時と睡眠時とで挙動が異なるもの、又は睡眠の深さに応じて挙動が変化するものであってよい。学習データとして、様々な種類のデータ（例：互いに異なる波形を示す血流波形データの周波数スペクトル）であってよい。
　教師データは、学習データに対して正解ラベルが紐づけられたデータである。例えば、学習データとしての周波数スペクトルに対して、血流波形データを取得した人の睡眠段階が正解ラベルとして紐づけられたデータを、教師データとして用いてよい。上述のように、被検体の睡眠段階は、脳波計により検出される脳波データに基づき特定されてよい。正解ラベルとしては、各睡眠段階を示す符号が用いられてよい。若しくは、正解ラベルとして、ある特定の睡眠段階（例：ステージ２又は３）に正解を示す符号が用いられ、それ以外の睡眠段階に不正解を示す符号が用いられてもよい。本実施形態では、教師データの一例として、ステージ２又は３に対応することが既知のウェーブレット画像（脳波データによりステージ２又は３と特定されたウェーブレット画像）に正解ラベルとして紐付けられたデータが用いられてよい。
　演算データは、演算式、演算式の変数（例：バイアス及び重み）、及び活性化関数等のデータを含む、学習済モデルを生成するための演算に関するデータである。バイアス及び重みは、各ユニット間の結合の強さを規定するものである。バイアス及び重みが調整されることにより、学習済モデルの精度を高めることができる。演算データの調整方法としては、例えば誤差逆伝播法及び勾配降下法が採用されてよい。
　〔実施形態１〕
　以下に、上記原理に基づき構築された、被検体の睡眠段階を判定可能な睡眠推定システム１の一例について説明する。本実施形態の睡眠推定システム１は、上記学習済モデルを用いて被検体の睡眠段階を判定可能なシステムであってよい。
　＜睡眠段階推定システム＞
　図１は、実施形態１の睡眠推定システム１の概略的な構成例を示すブロック図である。図１に示すように、睡眠推定システム１は、加速度計２、血流計３、及び携帯端末５を備える。携帯端末５では、携帯端末５の各部材を統括的に制御する制御部の機能の一部として、例えば、被検体の睡眠段階を判定可能なアプリケーションを実行することにより当該睡眠段階を判定する睡眠推定装置５１が構築されている。
　＜加速度計＞
　加速度計２は、被検体の動きにより生じる加速度を検出できるセンサである。加速度計２は、無線又は有線通信より、検出した加速度を加速度データとして、睡眠推定装置５１に送信してもよい。加速度計２は、例えば頭部又は指といった被検体の身体の一部に装着される。加速度計２としては、例えば周波数変化式、圧電式、ピエゾ抵抗式、又は静電容量式といった公知のセンサが用いられてよい。
　＜血流計＞
　血流計３は、上記原理において説明した血流計であってよい。血流計３は、例えば、レーザドップラー血流計であってよい。本実施形態では、血流計３は、血流波形データとして生波形データＷ１を、睡眠推定装置５１に送信してもよい。血流計３は、生波形データＷ１に代えて加工波形データＷ２を、睡眠推定装置５１に送信してもよい。血流計３が加工波形データＷ２を生成せず、睡眠推定装置５１が加工波形データＷ２を生成してもよい。血流計３は、例えば、耳、指、手首、腕、額、鼻、又は首といった被検体の身体の一部に装着される。
　＜携帯端末＞
　携帯端末５は、少なくとも加速度計２及び血流計３とデータ通信が可能な端末であればよい。携帯端末５は、例えば、スマートフォン又はタブレットであってよい。携帯端末５には、睡眠推定装置５１が構築されていると共に、記憶部５２及び報知部５３が備えられている。
　記憶部５２は、制御部（特に睡眠推定装置５１）が使用するプログラム及びデータを記憶できる。記憶部５２は、例えば、上述のように生成された学習済モデル、及び、被検体が静止しているか否かを判定するための閾値を記憶できる。
　報知部５３は、各種情報を、携帯端末５の周囲（例：被検体）に報知できる。本実施形態では、報知部５３は、睡眠推定装置５１からの通知指示に従った各種情報を報知できる。報知部５３は、音を出力する音出力装置、携帯端末５を振動させる振動装置、及び、画像を表示する表示装置の少なくとも何れかであってよい。
　（睡眠推定装置）
　睡眠推定装置５１は、加速度計２及び血流計３が装着された被検体の睡眠段階を判定できる。睡眠推定装置５１は、第２取得部１１、第２判定部１２、第１取得部１３（取得部）、生成部１４、第１判定部１５（判定部）、及び通知部１６を備えてよい。
　第２取得部１１は、加速度計２から加速度データを取得できる。第２判定部１２は、第２取得部１１が取得した加速度データに基づき、被検体が静止しているか否かを判定できる。第２判定部１２は、例えば、加速度データが示す加速度が、記憶部５２に記憶された閾値未満である場合に、被検体が静止していると判定してもよい。第２判定部１２は、判定結果データを生成部１４に送信してもよい。
　第１取得部１３は、血流計３から血流波形データ（生波形データＷ１）を取得できる。生成部１４は、第１取得部１３が取得した血流波形データに対して周波数解析処理を実行することにより、血流波形データの周波数スペクトルを生成できる。第１判定部１５は、生成部１４が生成した周波数スペクトルに基づき、被検体の睡眠段階を判定できる。換言すれば、第１判定部１５は、当該周波数スペクトルに基づき、被検体の睡眠の深さの遷移を判定できる。
　本実施形態では、生成部１４は、周波数解析処理として、対象強度が他の周波数帯域よりも相対的に強調されるウェーブレット変換処理を実行することにより、ウェーブレット画像を生成できる。当該ウェーブレット画像は、血流波形データの時間周波数解析処理の結果を示す処理データである。第１判定部１５は、生成部１４が生成したウェーブレット画像に基づき、被検体の睡眠段階を判定できる。
　本実施形態では、第１判定部１５は、周波数スペクトルの０．２～０．３Ｈｚの周波数帯域に特徴的な波形Ｓｈが含まれていると判定した場合、被検体の睡眠段階がステージ２又は３であると判定できる。この場合、第１判定部１５は、被検体の睡眠段階がステージ１からステージ２又は３に遷移したと判定してよい。一方、第１判定部１５は、０．２～０．３Ｈｚの周波数帯域に特徴的な波形Ｓｈが含まれていないと判定した場合には、被検体の睡眠段階がステージ２又は３以外の睡眠段階であると判定できる。第１判定部１５は、被検体がステージ２又は３の睡眠段階にあると判定した後に、０．２～０．３Ｈｚの周波数帯域に特徴的な波形Ｓｈが含まれていないと判定した場合には、被検体の睡眠段階がステージ２又は３からステージ１に遷移したと判定してよい。上記特徴的な波形Ｓｈが含まれるか否かの判定は、例えば、第１強度が第２強度より所定値以上大きいか否かの判定により行うことも可能である。
　本実施形態では、第１判定部１５は、被検体の睡眠段階の判定を、学習済モデルを用いることにより実行してもよい。この場合、第１判定部１５は、生成部１４が生成したウェーブレット画像を入力データとして学習済モデルの入力層に与えることにより、当該学習済モデルの出力層から被検体の睡眠段階の判定結果を出力できる。
　上述のとおり、学習済モデルは、ステージ２又は３に対応することが既知のウェーブレット画像に正解ラベルとして紐付けられたデータを教師データの一例として用いて生成される。そのため、第１判定部１５は、生成部１４が生成したウェーブレット画像を学習済モデルに与えることにより、被検体の睡眠段階がステージ２又は３であることも、ステージ１からステージ２又は３へ遷移したことも判定できる。第１判定部１５は、特に０．２～０．３Ｈｚの周波数帯域に特徴的な波形Ｓｈが含まれている周波数スペクトルを学習済モデルに与えた場合には、被検体の睡眠段階がステージ２又は３であることを精度よく判定できる可能性がある。
　ここで、血流波形データを用いて睡眠段階を推定する場合、血流波形データのみでは、睡眠推定装置が、被検体が入眠しているか否かを判定できない可能性がある。例えば、覚醒時であっても血流が安定している被検体の場合、覚醒時の血流波形データと睡眠時の血流波形データとの間に有意な差が認められない可能性があり、この場合、睡眠推定装置が、被検体が入眠しているか否かを判定できない可能性がある。本実施形態では、生成部１４は、第２判定部１２により被検体が静止していると判定された場合に、血流波形データに対して周波数解析処理を実行することにより、被検体が入眠した可能性が高い状態において、第１判定部１５による判定処理を実行できる。
　通知部１６は、第１判定部１５の判定結果に基づく通知処理を実行できる。通知部１６は、通知処理に従った通知指示を、報知部５３に送信してもよい。これにより、報知部５３は、通知処理に従った情報を、携帯端末５の周囲に報知できる。通知部１６は、第１通知部１６１及び第２通知部１６２を備えてよい。
　第１通知部１６１は、上記通知処理として、第１判定部１５によりステージ１からステージ２又は３への遷移が検出されてから所定時間経過後に、第１通知処理を実行できる。第１通知処理は、当該遷移の検出に伴う通知処理であり、例えば、被検体に覚醒を促すためのアラーム処理、又は当該遷移の検出を通知する処理であってよい。所定時間は、通知の目的に応じて、例えば実験により適宜設定されてよい。本実施形態では、所定時間は、例えば、ステージ１からステージ２又は３への遷移した時点から計時したときに、被検体が覚醒しやすいと推定される時間に設定されていればよい。第１通知処理により、例えば、被検体は、入眠後、良好な覚醒タイミングにおいて覚醒できる。第１通知部１６１は、第１判定部１５によりステージ１からステージ２又は３への遷移が検出されたとき、第１通知処理を実行しても構わない。
　第２通知部１６２は、上記通知処理として、第１判定部１５によりステージ２又は３ステージ１への遷移が検出されてから所定時間経過後に、第２通知処理を実行できる。第２通知処理は、当該遷移の検出に伴う通知処理であり、例えば、被検体に覚醒を促すためのアラーム処理、又は当該遷移の検出を通知する処理であってよい。所定時間は、通知の目的に応じて、例えば実験により適宜設定されてよい。本実施形態では、所定時間は、例えば、ステージ２又は３からステージ１への遷移した時点から計時したときに、被検体が覚醒しやすいと推定される時間に設定されていればよい。第２通知処理により、例えば、被検体は、入眠後、良好な覚醒タイミングにおいて覚醒できる。第２通知部１６２は、第１判定部１５によりステージ２又は３からステージ１への遷移が検出されたとき、第２通知処理を実行しても構わない。
　〔処理の流れ〕
　図７は、睡眠推定装置５１による処理の流れ（睡眠推定方法）の一例を示すフローチャートである。睡眠推定装置５１により被検体の睡眠段階を判定する場合、被検体に血流計３を装着した後、血流計３は血流波形データの検出を開始してもよい。
　図７に示すように、睡眠推定装置５１では、第１取得部１３は、血流計３から血流波形データを取得できる（Ｓ１：第１取得工程、取得工程）。生成部１４は、血流波形データに対して周波数解析処理を実行することにより、血流波形データの周波数スペクトルを生成できる。本実施形態では、生成部１４は、血流波形データに対してウェーブレット変換処理を実行することにより、対象強度が強調されたウェーブレット画像を生成できる（Ｓ２：生成工程）。第１判定部１５は、周波数スペクトルに基づき、被検体の睡眠段階を判定できる。本実施形態では、第１判定部１５は、対象強度が強調されたウェーブレット画像を学習済モデルに入力することにより（Ｓ３）、被検体の睡眠段階を判定できる（Ｓ４：第１判定工程、判定工程）。
　第１判定部１５は、睡眠段階の判定結果に基づき、ステージ１からステージ２又は３へ遷移したか否かを判定できる（Ｓ５）。第１判定部１５が、ステージ１からステージ２又は３へ遷移したと判定した場合（Ｓ５でＹＥＳ）、第１通知部１６１は、その判定から所定時間経過したか否かを判定できる（Ｓ６）。第１通知部１６１は、所定時間経過したと判定した場合（Ｓ６でＹＥＳ）、第１通知処理として、例えば、アラーム音を報知部５３から報知させるアラーム処理を実行できる（Ｓ７）。報知部５３は、第１通知部１６１からの通知指示を受けて、アラーム音を報知できる。
　Ｓ５でＮＯの場合、Ｓ１の処理に戻ってよい。Ｓ６でＮＯの場合、Ｓ６の処理を繰り返してよい。また、Ｓ５において、第１判定部１５がステージ２又は３からステージ１へ遷移したと判定する場合には、第２通知部１６２が、例えば所定時間経過後、第２通知処理を実行してよい。
　〔従来技術における課題、及び本開示に係る睡眠推定装置の効果〕
　特許文献１には、以下のステップ１～４を含むノンレム睡眠を検出する方法が開示されている。
・ステップ１：被検者の心臓の拍動間隔の時系列データを生成するステップ。
・ステップ２：時系列データの時間軸に沿って移動する、所定の時間長のウィンドウを設定し、時間軸上の複数の判定時点の各々について、それを含むウィンドウ内の時系列データをスペクトル解析するステップ。
・ステップ３：各ウィンドウのスペクトルから、心拍変動高周波数成分のパワーの集中度を算出するステップ。
・算出した集中度に基づいて、ノンレム睡眠であるか否かを判定するステップ。
　上記方法では、ステップ１の時系列データの検出機器として、例えば、脈波計又は心電計が用いられる。
　しかし、脳波計の取扱い及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。従って、被検体は、簡便に脳波を取得することが困難であり、簡便に自己の睡眠段階を把握することが困難である。
　また、上述したように、発明者は、血流波形データの周波数スペクトルにおいて、０．２～０．３Ｈｚの周波数帯域に有意な強度変化が認められる場合、被検体がステージ２又は３の睡眠段階にある可能性が高いことを見出した。
　本開示の睡眠推定装置５１は、血流波形データを用いて被検体の睡眠段階を判定できる。血流計の取扱い及び血流波形データの取得には、脳波計と比較して高度な専門知識を要しない。また、血流計の取付けは、脳波計と比較して容易である。つまり、睡眠推定装置５１は、比較的簡便に被検体の血流波形データを取得できるため、比較的簡便に被検体の睡眠段階を判定できる。また、睡眠推定装置５１によれば、被検体は、自己の睡眠段階を簡便に把握できる。
　また、本開示の睡眠推定装置５１は、心電波形データには認められない上記有意な強度変化を有する周波数スペクトルが得られたときに、被検体の睡眠段階がステージ２又は３であると判定できる。そのため、睡眠推定装置５１は、被検体の睡眠段階がステージ２又は３であると精度よく推定できる可能性を高めることができる。
　〔実施形態２〕
　本開示の他の実施形態について、以下に説明する。なお、説明の便宜上、上記実施形態にて説明した部材と同じ機能を有する部材については、同じ符号を付記し、その説明を繰り返さない。図８は、実施形態２の睡眠推定システム１Ａの概略的な構成例を示すブロック図である。
　実施形態１の睡眠推定システム１では、携帯端末５が、被検体に装着された血流計３から、例えば無線通信により血流波形データを取得できる。そして、携帯端末５において構築された睡眠推定装置５１が、血流波形データに基づき被検体の睡眠段階を判定できる。
　一方、図８に示すように、実施形態２の睡眠推定システム１Ａでは、ウェアラブル機器２０に血流計３が設けられていてよい。加えて、ウェアラブル機器２０では、ウェアラブル機器２０の各部材を統括的に制御する制御部の機能の一部として、睡眠推定装置５１が構築されていてよい。つまり、睡眠推定システム１Ａでは、睡眠推定装置５１が血流計３と共にウェアラブル機器２０に実装されていてよい。そのため、１つの機器にて、血流波形データの取得処理、及び血流波形データに基づく睡眠段階の判定処理を実行できる。また、２つの機器間において無線又は有線通信を行うときに必要となる各種機器又は部品等が不要となる。ウェアラブル機器２０は、被検体において血流計３が装着される位置と同様の位置に装着されればよい。
　〔変形例〕
　以上、本開示に係る発明について、諸図面および実施例に基づいて説明してきた。しかし、本開示に係る発明は上述した各実施形態に限定されるものではない。すなわち、本開示に係る発明は本開示で示した範囲で種々の変更が可能であり、異なる実施形態にそれぞれ開示された技術的手段を適宜組み合わせて得られる実施形態についても本開示に係る発明の技術的範囲に含まれる。つまり、当業者であれば本開示に基づき種々の変形または修正を行うことが容易であることに注意されたい。また、これらの変形または修正は本開示の範囲に含まれることに留意されたい。
　（周波数解析処理の変形例）
　例えば、生成部１４は、血流波形データに対してウェーブレット変換処理を実行することにより、ウェーブレット変換画像を生成できればよく、対象強度が強調されるようにウェーブレット変換処理を行う必要は必ずしもない。
　また、生成部１４は、血流波形データに対してウェーブレット変換処理以外の時間周波数解析処理を実行してもよい。生成部１４は、血流波形データに対して、例えば短時間フーリエ変換処理を実行してもよい。短時間フーリエ変換処理は、窓関数を用いて時間軸に沿って切り出した複数の波形データのそれぞれにフーリエ変換処理を実行するものである。この場合、生成部１４は、対象強度が他の周波数帯域よりも相対的に強調される短時間フーリエ変換処理を実行することにより、ウェーブレット画像と同様の画像（強度変化データ）を、処理データとして生成してもよい。
　また、生成部１４は、周波数解析処理として、時間周波数解析処理以外の処理を実行してもよい。生成部１４は、例えば、フーリエ変換処理を実行してもよい。生成部１４がフーリエ変換処理を実行した場合、例えば図３に示す周波数スペクトルＦＷ１又はＦＷ２を生成できる。また、生成部１４は、短時間フーリエ変換処理を実行することにより、図３のような周波数スペクトル（波形）を生成してもよい。
　このように、生成部１４は、各種周波数スペクトルを生成できる。従って、第１判定部１５は、各種周波数スペクトルを学習済モデルに入力することにより、被検体の睡眠段階を判定できる。但し、学習済モデルは、生成部１４が生成する周波数スペクトルと同種の周波数スペクトルを学習データ及び教師データとして用いて生成されている。
　（第１判定部の判定処理の変形例）
　学習済モデルが、携帯端末５又はウェアラブル機器２０の記憶部５２に記憶されていなくてもよい。つまり、睡眠推定システム１又は１Ａが学習済モデルを用いて被検体の睡眠段階の判定を行わなくてもよい。
　例えば、第１判定部１５は、生成部１４が生成した周波数スペクトルにおいて第１強度が第２強度より所定値以上大きいと判定した場合に、被検体の睡眠段階がステージ２又は３であると判定してよい。記憶部５２には、学習済モデルに代えて、所定値が記憶されていてよい。
　また、第１判定部１５は、周波数スペクトルＦＷ１を用いて被検体の睡眠段階の判定を行う場合、０．２～０．３Ｈｚの周波数帯域において特徴的な波形Ｓｈを抽出できたときに、被検体の睡眠段階がステージ２又は３であると判定してもよい。この場合、記憶部５２には、学習済モデルに代えて、周波数スペクトルＦＷ１において特徴的な波形Ｓｈを抽出可能な基準波形が記憶されていてよい。第１判定部１５は、周波数スペクトルＦＷ１の０．２～０．３Ｈｚの周波数帯域において、基準波形と一致する波形が存在すると判定した場合、当該周波数帯域において特徴的な波形Ｓｈを抽出できたと判定してもよい。第１判定部１５は、０．２～０．３Ｈｚの周波数帯域に含まれる波形と、基準波形との一致度が、例えば実験により設定された閾値以上である場合に、０．２～０．３Ｈｚの周波数帯域において、基準波形と一致する波形が存在すると判定してよい。また、第１判定部１５は、その他の指標（例：波形の傾きの変化度合い）によって、０．２～０．３Ｈｚの周波数帯域に特徴的な波形Ｓｈが含まれるか否かを判定してもよい。更に、周波数スペクトルＦＷ２についても周波数スペクトルＦＷ１と同様の判定が行われてよい。
　（睡眠推定システム１又は１Ａの変形例）
　加速度計２により被検体の動きにより生じる加速度を検出し、睡眠推定装置５１が、当該加速度により被検体の入眠状態の判定を行わなくても構わない。この場合、睡眠推定システム１又は１Ａが加速度計２を備えておらず、睡眠推定装置５１が第２取得部１１及び第２判定部１２を備えていなくてよい。
　〔ソフトウェアによる実現例〕
　睡眠推定装置５１の制御ブロックは、集積回路（ＩＣチップ）等に形成された論理回路（ハードウェア）によって実現してもよいし、ソフトウェアによって実現してもよい。
　後者の場合、睡眠推定装置５１は、各機能を実現するソフトウェアであるプログラムの命令を実行するコンピュータを備えている。このコンピュータは、例えば少なくとも１つのプロセッサ（制御装置）を備えていると共に、上記プログラムを記憶したコンピュータ読み取り可能な少なくとも１つの記録媒体を備えている。そして、上記コンピュータにおいて、上記プロセッサが上記プログラムを上記記録媒体から読み取って実行することにより、本開示の目的が達成される。上記プロセッサとしては、例えばＣＰＵ（Central Processing Unit）を用いることができる。上記記録媒体としては、「一時的でない有形の媒体」、例えば、ＲＯＭ（Read Only Memory）等の他、テープ、ディスク、カード、半導体メモリ、プログラマブルな論理回路などを用いることができる。また、上記プログラムを展開するＲＡＭ（Random Access Memory）などをさらに備えていてもよい。また、上記プログラムは、該プログラムを伝送可能な任意の伝送媒体（通信ネットワークや放送波等）を介して上記コンピュータに供給されてもよい。なお、本開示の一態様は、上記プログラムが電子的な伝送によって具現化された、搬送波に埋め込まれたデータ信号の形態でも実現され得る。
１、１Ａ　睡眠推定システム
３　　　　血流計
１１　　　第２取得部
１２　　　第２判定部
１３　　　第１取得部（取得部）
１４　　　生成部
１５　　　第１判定部（判定部）
２０　　　ウェアラブル機器
５１　　　睡眠推定装置
１６１　　第１通知部
１６２　　第２通知部

Claims (14)

  1. 　被検体の血流を示す血流データを取得する第１取得部と、
    　前記血流データに対して周波数解析処理を実行することにより、前記血流データの周波数スペクトルを生成する生成部と、
    　前記周波数スペクトルに基づき、前記被検体の睡眠段階を判定する第１判定部と、を備える、睡眠推定装置。
  2. 　ノンレム睡眠における睡眠段階を、眠りの浅い睡眠段階から順にステージ１、２及び３とするとき、
    　前記第１判定部は、前記周波数スペクトルに基づき、前記被検体の睡眠段階が前記ステージ１から前記ステージ２又は３へ遷移したと判定、又は、前記ステージ２又は３から前記ステージ１へ遷移したと判定する、請求項１に記載の睡眠推定装置。
  3. 　前記第１判定部により前記ステージ１から前記ステージ２又は３へ遷移したと判定されたとき、又は、前記ステージ１から前記ステージ２又は３へ遷移したと判定されてから所定時間経過後に、第１通知処理を実行する第１通知部を備える、請求項２に記載の睡眠推定装置。
  4. 　前記第１判定部により前記ステージ２又は３から前記ステージ１へ遷移したと判定されたとき、又は、前記ステージ２又は３から前記ステージ１へ遷移したと判定されてから所定時間経過後に、第２通知処理を実行する第２通知部を備える、請求項２又は３に記載の睡眠推定装置。
  5. 　前記第１判定部は、前記周波数スペクトルにおいて、所定の周波数帯域のうちの一部の第１範囲における第１強度が前記第１範囲以外の第２範囲における第２強度よりも所定値以上大きい場合に、前記被検体の睡眠段階が前記ステージ１から前記ステージ２又は３へ遷移したと判定する、請求項２から４の何れか１項に記載の睡眠推定装置。
  6. 　前記所定の周波数帯域は、０．１５Ｈｚ以上かつ０．４Ｈｚ以下である、請求項５に記載の睡眠推定装置。
  7. 　前記生成部は、前記周波数解析処理として時間周波数解析処理を実行することにより、前記周波数スペクトルとして、所定時間内の各周波数帯域での強度の経時的な変化を示す強度変化データを生成し、
    　前記第１判定部は、前記ステージ２又は３に対応することが既知の前記強度変化データに正解ラベルを紐付けた教師データを用いて学習させた学習済モデルに対し、前記生成部により生成された前記強度変化データを与えることにより、前記被検体の睡眠段階が前記ステージ１から前記ステージ２又は３へ遷移したと判定する、請求項２から６の何れか１項に記載の睡眠推定装置。
  8. 　被検体の動きにより生じる加速度を示す加速度データを取得する第２取得部と、
    　前記加速度データに基づき、前記被検体が静止しているか否かを判定する第２判定部と、を備え、
    　前記生成部は、前記第２判定部により前記被検体が静止していると判定された場合に、前記周波数解析処理を実行する、請求項１から７の何れか１項に記載の睡眠推定装置。
  9. 　被検体の血流を示す血流データを取得する取得部と、
    　前記血流データに対して、所定の周波数帯域における強度が他の周波数帯域よりも相対的に強調されるウェーブレット変換処理又は短時間フーリエ変換処理を実行することにより、前記血流データの時間周波数解析処理の結果を示す処理データを生成する生成部と、
    　前記処理データに基づき、前記被検体の睡眠段階を判定する判定部と、を備える、睡眠推定装置。
  10. 　前記生成部は、前記処理データとして、所定時間内の各周波数帯域での強度の経時的な変化を示す強度変化データを生成し、
    　ノンレム睡眠における睡眠段階を、眠りの浅い睡眠段階から順にステージ１、２及び３とするとき、
    　前記判定部は、前記ステージ２又は３に対応することが既知の前記強度変化データに正解ラベルを紐付けた教師データを用いて学習させた学習済モデルに対し、前記生成部により生成された前記強度変化データを与えることにより、前記被検体の睡眠段階が前記ステージ１から前記ステージ２又は３へ遷移したと判定する、請求項９に記載の睡眠推定装置。
  11. 　請求項１～１０の何れか１項に記載の睡眠推定装置と、
    　前記被検体の血管に光を照射することにより発生する散乱光を受光することにより、前記血流データを検出する血流計と、を備える、睡眠推定システム。
  12. 　請求項１～１０の何れか１項に記載の睡眠推定装置と、
    　前記被検体の血管に光を照射することにより発生する散乱光を受光することにより、前記血流データを検出する血流計と、を備える、ウェアラブル機器。
  13. 　被検体の血流を示す血流データを取得する第１取得工程と、
    　前記血流データに対して周波数解析処理を実行することにより、前記血流データの周波数スペクトルを生成する生成工程と、
    　前記周波数スペクトルに基づき、前記被検体の睡眠段階を判定する第１判定工程と、を含む、睡眠推定方法。
  14. 　被検体の血流を示す血流データを取得する取得工程と、
    　前記血流データに対して、所定の周波数帯域における強度が他の周波数帯域よりも相対的に強調されるウェーブレット変換処理又は短時間フーリエ変換処理を実行することにより、前記血流データの時間周波数解析処理の結果を示す処理データを生成する生成工程と、
    　前記処理データに基づき、前記被検体の睡眠段階を判定する判定工程と、を含む、睡眠推定方法。
PCT/JP2021/029351 2020-08-06 2021-08-06 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 WO2022030623A1 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
US18/019,659 US20230284969A1 (en) 2020-08-06 2021-08-06 Sleep estimation device, sleep estimation system, wearable instrument, and sleep estimation method
EP21853147.3A EP4193914A1 (en) 2020-08-06 2021-08-06 Sleep estimation device, sleep estimation system, wearable instrument, and sleep estimation method
JP2022541751A JPWO2022030623A1 (ja) 2020-08-06 2021-08-06
CN202180057578.9A CN116056635A (zh) 2020-08-06 2021-08-06 睡眠推定装置、睡眠推定系统、可穿戴设备以及睡眠推定方法

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2020-133828 2020-08-06
JP2020133828 2020-08-06

Publications (1)

Publication Number Publication Date
WO2022030623A1 true WO2022030623A1 (ja) 2022-02-10

Family

ID=80118107

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/029351 WO2022030623A1 (ja) 2020-08-06 2021-08-06 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

Country Status (5)

Country Link
US (1) US20230284969A1 (ja)
EP (1) EP4193914A1 (ja)
JP (1) JPWO2022030623A1 (ja)
CN (1) CN116056635A (ja)
WO (1) WO2022030623A1 (ja)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013165828A (ja) * 2012-02-15 2013-08-29 Tanita Corp 睡眠評価装置及び睡眠評価システム
JP2014530642A (ja) * 2011-07-28 2014-11-20 コーニンクレッカ フィリップス エヌ ヴェ 動脈の閉塞／再開を検出するための方法及び装置並びに収縮期血圧を測定するためのシステム
JP2018027184A (ja) * 2016-08-17 2018-02-22 富士通株式会社 眠気検知装置
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
JP2019118524A (ja) * 2017-12-28 2019-07-22 京セラ株式会社 電子機器、推定システム、制御方法及び制御プログラム

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014530642A (ja) * 2011-07-28 2014-11-20 コーニンクレッカ フィリップス エヌ ヴェ 動脈の閉塞／再開を検出するための方法及び装置並びに収縮期血圧を測定するためのシステム
JP2013165828A (ja) * 2012-02-15 2013-08-29 Tanita Corp 睡眠評価装置及び睡眠評価システム
JP2018027184A (ja) * 2016-08-17 2018-02-22 富士通株式会社 眠気検知装置
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
JP2019118524A (ja) * 2017-12-28 2019-07-22 京セラ株式会社 電子機器、推定システム、制御方法及び制御プログラム

Also Published As

Publication number Publication date
CN116056635A (zh) 2023-05-02
US20230284969A1 (en) 2023-09-14
EP4193914A1 (en) 2023-06-14
JPWO2022030623A1 (ja) 2022-02-10

Similar Documents

Publication Publication Date Title
US20200100679A1 (en) Sleep Monitoring and Stimulation
TWI720215B (zh) 提供即時訊號分段和基準點對準架構的系統與方法
EP2371286B1 (en) Organism fatigue evaluation device and organism fatigue evaluation method
CN105142515B (zh) 测定有利于唤醒的人类睡眠阶段的方法
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
EP3102094B1 (en) System and method for determining timing of sensory stimulation delivered to a subject during a sleep session
KR102045569B1 (ko) 조종사 상태의 통합 감시 제어 장치 및 이를 이용한 조종사의 임무 수행 능력 유도 방법
KR20170087855A (ko) 적어도 부분적으로 펄스 파형에 기반하는 자동화 진단
EP2447866A1 (en) Method for determining a feature of the circadian rhythm of a subject
US20170042469A1 (en) System and method for spectral charactierzation of sleep
KR102038151B1 (ko) 사용자의 졸음의 정도 혹은 집중력의 정도를 측정하기 위한 방법 및 이를 위한 웨어러블 디바이스
WO2020045400A1 (ja) 血圧測定装置、車両装置、及び血圧測定プログラム
JP6880721B2 (ja) ストレス判定装置、プログラム及び方法
WO2016092159A1 (en) Device and method for determining a state of consciousness
JP2021048965A (ja) 特徴量抽出装置、状態推定装置、特徴量抽出方法、状態推定方法及びプログラム
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
KR102488616B1 (ko) 심장의 동적 특성을 이용한 감성 인식 방법 및 시스템
JPH09262216A (ja) 集中度推定装置
EP3939502A1 (en) Sleep estimation system, sleep estimation device, and sleep estimation method
KR20180041458A (ko) 인체의 스트레스를 측정하는 방법 및 이를 위한 이어러블 장치
JP7411944B2 (ja) 刺激提示システム、刺激提示方法、および、プログラム
Werth On the automated analysis of preterm infant sleep states from electrocardiography
Rodrigues et al. Detecting, Predicting, and Preventing Driver Drowsiness with Wrist-Wearable Devices
KR20030029660A (ko) 태아 정서 인식을 이용한 태교 장치 및 방법
TW201922170A (zh) 可辨識打瞌睡階段的穿戴式裝置及其辨識方法

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: 21853147

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2022541751

Country of ref document: JP

Kind code of ref document: A

WWE Wipo information: entry into national phase

Ref document number: 2021853147

Country of ref document: EP

NENP Non-entry into the national phase

Ref country code: DE