WO2023140390A1 - 睡眠状態判定装置、睡眠状態判定方法およびプログラム - Google Patents

睡眠状態判定装置、睡眠状態判定方法およびプログラム Download PDF

Info

Publication number
WO2023140390A1
WO2023140390A1 PCT/JP2023/002765 JP2023002765W WO2023140390A1 WO 2023140390 A1 WO2023140390 A1 WO 2023140390A1 JP 2023002765 W JP2023002765 W JP 2023002765W WO 2023140390 A1 WO2023140390 A1 WO 2023140390A1
Authority
WO
WIPO (PCT)
Prior art keywords
sleep state
rate
state determination
sleep
heart rate
Prior art date
Application number
PCT/JP2023/002765
Other languages
English (en)
French (fr)
Inventor
正巳 鐘ケ江
久一 新関
Original Assignee
ヘルスセンシング株式会社
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 ヘルスセンシング株式会社 filed Critical ヘルスセンシング株式会社
Priority to US18/569,758 priority Critical patent/US20240277284A1/en
Publication of WO2023140390A1 publication Critical patent/WO2023140390A1/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
    • A61B5/103—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
    • A61B5/02—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
    • A61B5/0245—Detecting, measuring or recording pulse rate or heart rate by using sensing means generating electric signals, i.e. ECG signals
    • 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
    • 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
    • A61B5/1102—Ballistocardiography
    • 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
    • A61B5/113—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb occurring during breathing
    • 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
    • A61B5/48—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
    • A61B5/72—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
    • A61B2503/00—Evaluating a particular growth phase or type of persons or animals
    • A61B2503/40—Animals

Definitions

  • the present invention relates to a device or method for determining the state of getting out of bed, wakefulness, and sleep of an animal from body motion information and biological information of the animal lying on a mat on which a sheet-like sensor is installed.
  • sleep polysomnography As a method for determining a human sleep state, sleep polysomnography (PSG), actigraph, and the like are well known. Sleep polysomnographs are measured at medical institutions or by borrowing equipment from medical institutions, but they require multiple sensors such as electroencephalograms, electrocardiograms, electromyograms, and electrooculograms, and are complicated to handle. In addition, since it is necessary to fix a plurality of sensors to various parts of the body, there is a problem that the movement is restricted due to restraint by the sensors, and the sensors may come off due to unconscious movements during sleep.
  • Patent Document 1 discloses a real-time sleep determination device using tube-shaped body motion detection means.
  • the body motion detector is not a surface, when an animal smaller than the size of the mat is targeted, there is a possibility that the animal is outside the body motion detector and there is no body motion, so it may be determined that the animal is sleeping.
  • the present invention provides a sleep state determination device that accurately determines getting out of bed/awakening/sleep in real time by acquiring body motion signals, respiratory rate, heart rate, changes in heartbeat interval, and phase coherence ( ⁇ ) of the instantaneous phase difference between breathing patterns from signals obtained from a sheet-like vibration sensor.
  • a sensor unit for detecting a biological vibration signal of an animal; a bio-vibration signal receiving unit that receives the bio-vibration signal output by the sensor unit; a body motion signal detection unit that outputs a body motion signal from the biological vibration signal; a respiratory rate detection unit that outputs a respiratory rate from the biological vibration signal; a heart rate detection unit that detects a heart rate from the biological vibration signal; a phase coherence calculator that calculates phase coherence from an instantaneous phase difference between the instantaneous phase of heartbeat interval variation and the instantaneous phase of the respiratory pattern detected from the biological vibration signal; Equipped with a sleep state determiner for determining sleep state, The sleep state determination device uses information on getting out of bed/sleep/awakening from a sleep polysomnograph as training data, and body movement signals synchronized with the training data, breathing rate, heart rate, and phase coherence calculated from fluctuations in heartbeat intervals and instantaneous phase differences between heartbeats, and phase coherence calculated from instantane
  • the sleep state determination device constructs a sleep state determination model by adaptive boosting with a series of weak learners (decision trees). Further, the sleep state determiner inputs the past 2 to 20 data of each of the body motion signal, the respiratory rate, the heart rate, and the phase coherence to determine the sleep state.
  • FIG. 1 Schematic block diagram of sleep state determination device An example of sleep state determination based on past eight data of a certain subject.
  • the upper side is the determination by PSG, the lower side is the sleep state determined by the present invention,
  • (B) is the confusion matrix of the determination result and the true value (actual value) Average value of Kappa coefficient of example of sleep state determination based on past 8 data
  • the upper side is the determination by PSG, the lower side is the sleep state determined by the present invention,
  • (B) is the confusion matrix of the determination result and the true value (actual value) Average value of Kappa coefficients of examples of sleep state determination based on past two data
  • the sensor unit 3 detects the biological vibration of the animal and outputs a biological vibration signal.
  • the sensor unit 3 is a sheet-like piezoelectric sensor, which is placed on the mat on which the animal lies, and outputs body movement, heartbeat (ballistocardiography due to heartbeat), respiration, and biological vibration signals based on vocalization, but may include signals caused by vibrations based on the external environment.
  • the sensor unit 3 is not limited to a sheet-like piezoelectric sensor.
  • the bio-vibration signal receiving section 21 receives the bio-vibration signal output by the sensor section 3 .
  • the sensor unit 3 and the bio-vibration signal receiving unit 21 are connected by a communication means such as a cable or radio.
  • the body motion signal detection unit 22 receives the biological vibration signal and outputs the body motion signal.
  • the biological vibration signal includes signals related to heartbeat information, respiration information, etc., but the body motion signal is a larger signal than the signals related to heartbeat information and respiration information.
  • the body motion signal detection unit 22 converts the body motion signal into a signal having an appropriate amplitude and outputs the body motion signal. Also, since the body motion signal is in the form of pulses, it is also possible to count the rising edges obtained by differentiation for a predetermined period of time and output the number of body motions during the predetermined period of time.
  • the respiratory rate detection unit 23 receives the biological vibration signal and outputs the respiratory rate. Since the respiratory information signal contained in the biological vibration signal is much smaller than the body motion signal (usually smaller than 1/100), the following processing is required to calculate the respiratory rate. After emphasizing the intensity of the biological vibration signal to the nth power (n is an integer of 2 or more, and if n is an odd number, the absolute value is taken), it may be passed through a low-pass filter (LPF) having a passband in the frequency range of 0.5 Hz or less.
  • LPF low-pass filter
  • the cutoff frequency of the LPF of the respiratory waveform extraction means 33 may be 0.3, 0.4, 0.6, 0.7 Hz and 0.8 Hz.
  • a bandpass filter may be used instead of the lowpass filter (LPF).
  • the lower limit frequency of the bandpass filter may be a sufficiently low frequency, for example 0.1 Hz.
  • the respiratory rate can be calculated by counting the peaks of the periodic respiratory waveform thus obtained.
  • the heart rate detection unit 24 receives the biological vibration signal, extracts the heart rate signal, and calculates the heart rate. Since the heartbeat signal contained in the biological vibration signal is much smaller than the body motion signal (generally smaller than 1/100), the following processing is required to extract the heartbeat signal and calculate the heart rate. (1) A biological vibration signal is processed with a BPF of 1 to 4 Hz, and the number of periodic peaks in a predetermined period of time is counted.
  • the BPF is not limited to 1 to 4 Hz, and the lower limit frequency may be 0.5 Hz or higher, 0.6 Hz or higher, 0.7 Hz or higher, 0.8 Hz or higher, 0.9 Hz or 1 Hz or higher, and the upper limit frequency may be 10 Hz or lower, 8 Hz or lower, 6 Hz or lower, 5 Hz or lower, and 3 Hz or lower.
  • n-th power enhancement processing n is an integer of 2 or more, and if n is an odd number, the absolute value is taken
  • BPF processing is performed, and the number of periodic peaks in a predetermined time is counted.
  • the phase coherence calculator 25 calculates phase coherence as an instantaneous phase difference between the instantaneous phase of the heartbeat interval variation and the instantaneous phase of the breathing pattern.
  • the phase coherence calculator includes biometric information acquisition means for acquiring biometric information including information on heartbeat and information on respiration, respiratory waveform extraction means for extracting a breathing pattern, heartbeat interval calculation means for calculating fluctuation in heartbeat interval, and phase coherence calculation means for calculating phase coherence of instantaneous phase difference between breathing pattern and fluctuation in heartbeat interval.
  • biometric information acquisition means for acquiring biometric information including information on heartbeat and information on respiration
  • respiratory waveform extraction means for extracting a breathing pattern
  • heartbeat interval calculation means for calculating fluctuation in heartbeat interval
  • phase coherence calculation means for calculating phase coherence of instantaneous phase difference between breathing pattern and fluctuation in heartbeat interval.
  • the sleep state determiner 26 first uses the PSG output of animals other than the test animal as teacher data, and body movement signals, respiratory rate, heart rate, and phase coherence ( ⁇ ) as input data, and performs machine learning regarding the determination of getting out of bed/sleep/awakening. For machine learning, adaptive boosting is used in which weak learners (decision trees) are connected in series. Next, the body movement signal, respiratory rate, heart rate, and phase coherence ( ⁇ ) of the subject animal are input to determine bed leaving/sleep/awakening of the animal. Since the PSG outputs once every 30 seconds, each data is obtained once every 30 seconds.
  • determination results can be output every 30 seconds after the first 30*n seconds.
  • n was found to be around 8, but it is not limited to this.
  • the sleep state determiner 26 of the sleep state determination layer device 2 uses adaptive boosting in which weak learners (decision trees) are connected in series.
  • the teacher data is the result of determination by PSG, and the input data are body motion signals, respiration rate, heart rate, and phase coherence ( ⁇ ) in the same time series as the PSG.
  • the body motion signal detector 22 samples the biological vibration signal in 10-second windows, determines the presence or absence of body motion while shifting the window by 5 seconds, and averages 6 pieces of data and acquires them every 30 seconds.
  • the 30 seconds is to accommodate the PSG output every 30 seconds.
  • the respiratory rate is output by counting the number of peaks of the respiratory waveform for 30 seconds by the respiratory rate detector 23 .
  • the heart rate is output by counting the number of peaks of the heart rate waveform for 30 seconds by the heart rate detector 24 .
  • the phase coherence calculator 25 outputs a calculation result every 30 seconds.
  • the sleep state determiner 26 determines the current sleep state based on n pieces of past data. Therefore, the sleep state is not output for the first few minutes (4 minutes (30 seconds * 8) when n is 8), but after that, the real-time sleep state is output every 30 seconds.
  • FIG. 2 is an example of determination of a sleep state of a subject.
  • the upper side of (A) is an example of determination (true value) by PSG, where L is getting out of bed, S is sleeping, and W is waking.
  • the lower part of the figure shows the determination result of this ensemble learning device.
  • FIG. 2B is a confusion matrix for this determination.
  • FIG. 3 shows the degree of matching and the Kappa coefficient in this determination example (138 determinations). Since the average value of the Kappa coefficients in all determination examples is 0.490 ⁇ 0.134, it can be said that this sleep state determination device can make a determination of "moderately matching".
  • FIG. 4A shows an ROC curve (Receiver Operating Characteristic curve) for determining sleep.
  • the horizontal axis is the false positive rate, which indicates the rate of erroneously determined as sleep when it is actually not sleep.
  • the vertical axis represents the true positive rate, which indicates the rate of correctly determining sleep when actually positive.
  • the true positive rate is 0.98 and the false positive rate is 0.53.
  • AUC Absolute Under the Curve
  • AUC is an index for evaluating the performance of the determinator with the area under the ROC curve. AUC takes a value of 0.5 to 1, and it can be said that the closer to 1, the better the determination. For sleep, the AUC is 0.87.
  • FIG. 4B shows an ROC curve (Receiver Operating Characteristic curve) for determination of arousal.
  • the horizontal axis represents the false positive rate, which indicates the ratio of erroneously determined arousal when the subject is actually not awake.
  • the vertical axis represents the true positive rate, which indicates the ratio of correct determinations of wakefulness to those actually awake. For arousal, the true positive rate is 0.42 and the false positive rate is 0.02.
  • the explanation for AUC is the same as for FIG. 4(A), but the AUC for wakefulness is 0.86.
  • FIG. 4(C) shows an ROC curve (Receiver Operating Characteristic curve) for determination of getting out of bed.
  • the horizontal axis indicates the false positive rate, which indicates the ratio of erroneously determined to be out of bed when it is not actually out of bed.
  • the vertical axis represents the true positive rate, which indicates the rate of correct determination of getting out of bed when actually getting out of bed. For mobilization, the true positive rate is 0.99 and the false positive rate is 0.00.
  • the explanation of AUC is the same as in the case of FIG. 4A, but the AUC in the case of wakefulness is 1.00, and it can be said that a model for perfectly determining getting out of bed has been constructed.
  • the left side of FIG. 5 is a confusion matrix for the entire determination example (the number of determinations is 138). 1 is sleeping, 2 is awake, and 3 is getting out of bed.
  • TPR on the right side is the true positive rate, which is the rate of correctly determining sleep, wakefulness, and getting out of bed when actually sleep, wakefulness, and getting out of bed.
  • FNR is a false positive rate, and indicates the rate of erroneously determined to be asleep, awake, or getting out of bed when in fact they are not.
  • FIG. 6 shows the contribution of the predictor of this ensemble learner, and the body motion signal (BM), heart rate (HR), and phase coherence ( ⁇ ) have a high contribution of the most recent past data, and the body motion signal is also highly influenced by past data.
  • FIG. 7 is an example of determining the sleep state of a certain subject.
  • the upper side of (A) is an example of determination (true value) by PSG, where L is getting out of bed, S is sleeping, and W is waking.
  • the lower part of the figure shows the determination result of this ensemble learning device, where the matching rate with the true value is 0.900 and the Kappa coefficient is 0.634. Since the Kappa coefficient is 0.634, it can be said that the judgment is made as "considerable match”.
  • FIG. 7B is a confusion matrix for this determination.
  • FIG. 8 shows the degree of agreement and the Kappa coefficient in this determination example (138 determinations). Since the average value of the Kappa coefficients in all determination examples is 0.420 ⁇ 0.124 (standard deviation), it can be said that this sleep state determination device can make a determination of "moderately matching".
  • FIG. 9A shows an ROC curve (Receiver Operating Characteristic curve) for determining sleep.
  • the horizontal axis is the false positive rate, which indicates the rate of erroneously determined as sleep when it is actually not sleep.
  • the vertical axis represents the true positive rate, which indicates the rate of correctly determining sleep when actually positive.
  • the true positive rate is 0.98 and the false positive rate is 0.63.
  • AUC Absolute Under the Curve
  • AUC is an index for evaluating the performance of the determinator with the area under the ROC curve. AUC takes a value of 0.5 to 1, and it can be said that the closer to 1, the better the determination.
  • the AUC for sleep is 0.81.
  • FIG. 9(B) shows an ROC curve (Receiver Operating Characteristic curve) for determination of arousal.
  • the horizontal axis represents the false positive rate, which indicates the ratio of erroneously determined arousal when the subject is actually not awake.
  • the vertical axis represents the true positive rate, which indicates the ratio of correct determinations of wakefulness to those actually awake. For arousal, the true positive rate is 0.31 and the false positive rate is 0.02.
  • the explanation for AUC is the same as for FIG. 9A, but the AUC for wakefulness is 0.80.
  • FIG. 9(C) shows an ROC curve (Receiver Operating Characteristic curve) for determination of getting out of bed.
  • the horizontal axis indicates the false positive rate, which indicates the ratio of erroneously determined to be out of bed when it is not actually out of bed.
  • the vertical axis represents the true positive rate, which indicates the rate of correct determination of getting out of bed when actually getting out of bed. For mobilization, the true positive rate is 0.99 and the false positive rate is 0.00.
  • the explanation of AUC is the same as in the case of FIG. 9A, but the AUC for getting out of bed is 1.00, and it can be said that a model for perfectly determining getting out of bed has been constructed.
  • the left side of FIG. 10 is a confusion matrix for the entire determination example (the number of determinations is 138). 1 is sleeping, 2 is awake, and 3 is getting out of bed.
  • TPR on the right side is the true positive rate, which is the rate of correctly determining sleep, wakefulness, and getting out of bed when actually sleep, wakefulness, and getting out of bed.
  • FNR is a false positive rate, and indicates the rate of erroneously determined to be asleep, awake, or getting out of bed when in fact they are not.
  • FIG. 11 shows the contribution of the predictor of this ensemble learner, and the body motion signal (BM) shows that the past two data and the heart rate (HR) and phase coherence ( ⁇ ) of the past one data have a high contribution.
  • the state of getting out of bed/awake/sleep of a person lying on a bed equipped with a sheet-like piezoelectric sensor can be accurately determined in real time without restraining the person. Therefore, in a nursing facility for the elderly or the like, it is possible to grasp in real time whether a person lying in bed all day is asleep or awake, so that intervention can be made without disturbing the sleep of the person being cared for, which contributes to reducing the burden on the caregiver.
  • this method is applied to newborns and infants, the state of wakefulness and sleep can be checked in real time, so it can contribute to the early detection and resolution of growth problems such as developmental disorders and sleep disorders in newborns and infants.
  • sleep state determination device 1 sleep state determination device 2 sleep state determination unit 21 biological vibration signal reception unit 22 body motion signal detection unit 23 respiratory rate detection unit 24 heart rate detection unit 25 phase coherence ( ⁇ ) calculation unit 26 sleep state determination device 3 sensor unit

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Physiology (AREA)
  • Cardiology (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Pulmonology (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Anesthesiology (AREA)
  • Psychiatry (AREA)
  • Fuzzy Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Child & Adolescent Psychology (AREA)
  • Developmental Disabilities (AREA)
  • Educational Technology (AREA)
  • Hospice & Palliative Care (AREA)
  • Psychology (AREA)
  • Social Psychology (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

リアルタイムに精度よく離床／覚醒／睡眠を判定する睡眠状態判定装置を提供する。　睡眠ポリソムノグラフによる離床／覚醒／睡眠の情報を教師データとし、その教師データと同期する体動信号、呼吸数、心拍数、位相コヒーレンスを入力データとして睡眠状態判定モデルを作成し、この判定モデルにセンサが検出した生体振動信号から取得した体動信号、呼吸数、心拍数、位相コヒーレンスを入力して離床／覚醒／睡眠の睡眠状態を判定する。

Description

睡眠状態判定装置、睡眠状態判定方法およびプログラム
　本発明は、シート状のセンサが設置されたマット上に横たわる動物の体動情報や生体情報から、動物の離床、覚醒、睡眠の状態を判定する装置又は方法に関する。
　ヒトの睡眠状態を判定する方法として、睡眠ポリソムノグラフ（ＰＳＧ；　Ｐｏｌｙｓｏｍｎｏｇｒａｐｈｙ）や、アクチグラフ（Ａｃｔｉｇｒａｐｈ）等が周知である。
　睡眠ポリソムノグラフは、医療機関での計測や医療機関から機器を借りてきて計測が行われるが、脳波や心電図、筋電図、眼電図などの複数のセンサが必要であり、取り扱いが煩雑である。また、複数のセンサを身体の各所に固定する必要があり、センサによる拘束で動きが制限される、睡眠中の無意識の動作によってセンサが外れるという問題がある。
　また、アクチグラフ方式は、過去と将来のデータに基づいて現在の状態を判定するのでリアルタイム性に問題があることが指摘されている（特許文献１）。
　アクチグラフ方式の問題を解決するために、特許文献２には、チューブ状の体動検知手段を用いたリアルタイムな睡眠判定装置が開示されている。しかし、体動検知部が面でないので、マットの大きさよりも小さな動物を対象とする場合、その動物が体動検知手段の外側に存在し、体動がないので睡眠と判定する恐れがある。
特開２０１０−２６４１９３ 特開２００８−１４２２３８
　このような問題点を解決するために、本発明は、シート状の振動センサから取得した信号から、体動信号、呼吸数、心拍数、心拍間隔の変動と呼吸パターンの瞬時位相差の位相コヒーレンス（λ）を取得してリアルタイムに精度よく離床／覚醒／睡眠を判定する睡眠状態判定装置を提供する。
　動物の生体振動信号を検出するセンサ部と、
　センサ部が出力する生体振動信号を受信する生体振動信号受信部と、
　前記生体振動信号から体動信号を出力する体動信号検出部と、
　前記生体振動信号から呼吸数を出力する呼吸数検出部と、
　前記生体振動信号から心拍数を検出する心拍数検出部と、
　前記生体振動信号から検出した心拍間隔の変動の瞬時位相と呼吸パターンの瞬時位相の瞬時位相差から位相コヒーレンスを算出する位相コヒーレンス算出部と、
　睡眠状態を判定する睡眠状態判定器を備え、
　前記睡眠状態判定器は、睡眠ポリソムノグラフによる離床／睡眠／覚醒の情報を教師データとし、前記教師データと同期した体動信号、呼吸数、心拍数、心拍間隔の変動と呼吸パターンの瞬時位相差から算出された位相コヒーレンスを入力データとして機械学習することにより睡眠状態判定モデルを構築し、被験動物の前記体動信号、前記呼吸数、前記心拍数、前記位相コヒーレンスを入力して前記被験動物の睡眠状態が離床／睡眠／覚醒のいずれかを判定する。
　さらには、前記睡眠状態判定器は、弱学習器（決定木）をシリーズに備えたアダプティブブースティングにより睡眠状態判定モデルを構築する。
　また、前記睡眠状態判定器は、前記体動信号、前記呼吸数、前記心拍数、前記位相コヒーレンスそれぞれの過去２~２０個のデータを入力して睡眠状態判定を行う。
　シート状の圧電センサを設置したマットに横たわるだけで、その動物の覚醒／睡眠または離床／覚醒／睡眠の状態をリアルタイムに把握することができる。
睡眠状態判定装置の概略ブロック図 ある被験者の過去８個のデータによる睡眠状態判定例。（Ａ）上側はＰＳＧによる判定、下側は本発明により判定された睡眠状態、（Ｂ）は判定結果と真値（実測値）の混同行列 過去８個のデータによる睡眠状態判定例のＫａｐｐａ係数の平均値 過去８個のデータによる睡眠状態判定例のＲＯＣ曲線。（Ａ）は睡眠のＲＯＣ曲線、（Ｂ）は覚醒のＲＯＣ曲線、（Ｃ）は離床のＲＯＣ曲線 全被験者の過去８個のデータによる判定結果と真値（実測値）の混同行列 過去８個のデータによる睡眠状態判定モデルの予測子の重要度 ある被験者の過去２個のデータによる睡眠状態判定例。（Ａ）上側はＰＳＧによる判定、下側は本発明により判定された睡眠状態、（Ｂ）は判定結果と真値（実測値）の混同行列 過去２個のデータによる睡眠状態判定例のＫａｐｐａ係数の平均値 過去２個のデータによる睡眠状態判定例のＲＯＣ曲線。（Ａ）は睡眠のＲＯＣ曲線、（Ｂ）は覚醒のＲＯＣ曲線、（Ｃ）は離床のＲＯＣ曲線 全被験者の過去２個のデータによる判定結果と真値（実測値）の混同行列 過去２個のデータによる睡眠状態判定モデルの予測子の重要度
　センサ部３は、動物の生体振動を検出し、生体振動信号を出力する。たとえば、センサ部３は、シート状の圧電センサであり、動物が横たわるマットに設置され、体動、心拍（心臓の拍動による心弾動）、呼吸のほか、発声に基づく生体振動信号を出力するが、外部環境等に基づく振動に起因する信号が含まれる場合がある。なお、センサ部３は、シート状の圧電センサに限られるわけではない。
　生体振動信号受信部２１は、センサ部３が出力する生体振動信号を受信する。センサ部３と生体振動信号受信部２１は、ケーブルや無線等の通信手段により結合される。
　体動信号検出部２２は、生体振動信号を入力して体動信号を出力する。生体振動信号は、心拍情報や呼吸情報等に関する信号も含んでいるが、体動信号は心拍情報や呼吸情報に関する信号と比べて大きな信号である。体動信号検出部２２は、体動信号を適切な振幅の信号に変換して体動信号を出力する。また、体動信号はパルス状なので、微分処理をして得られた立ち上がりエッジを所定時間計数して、所定時間の体動数を出力することもできる。
　呼吸数検出部２３は、生体振動信号を入力して呼吸数を出力する。生体振動信号に含まれる呼吸情報信号は、体動信号と比較して遥かに小さいので（通常１／１００より小さい）、呼吸数を算出するために、次に示すような処理が必要である。
　生体振動信号の強度をｎ乗（ｎは２以上の整数であり、ｎが奇数の場合は絶対値を取る）して強調処理した後、０．５Ｈｚ以下の周波数範囲の通過域を有するローパスフィルタ（ＬＰＦ）を通過させてもよい。呼吸波形抽出手段３３のＬＰＦの遮断周波数は、０．３、０．４、０．６、０．７Ｈｚ、０．８Ｈｚであってもよい。
　また、ローパスフィルタ（ＬＰＦ）の代わりにバンドパスフィルタ（ＢＰＦ）を通過させてもよい。バンドパスフィルタの下限周波数は十分に低い周波数であればよく、例えば０．１Ｈｚでよい。
　このようにして得られた周期的な呼吸波形のピークを計数することで呼吸数を算出することができる。
　心拍数検出部２４は、生体振動信号を入力して、心拍信号を抽出し、心拍数を算出する。生体振動信号に含まれる心拍信号は、体動信号と比較して遥かに小さいので（通常１／１００より小さい）、心拍信号を抽出し、心拍数を算出するために、次に示すような処理が必要である。
（１）生体振動信号を１~４ＨｚのＢＰＦで処理し、所定時間における周期的なピーク数を計数する。ＢＰＦは１~４Ｈｚに限られるわけではなく、下限周波数が０．５Ｈｚ以上、０．６Ｈｚ以上、０．７Ｈｚ以上、０．８Ｈｚ以上、０．９Ｈｚ又は１Ｈｚ以上、上限周波数が１０Ｈｚ以下、８Ｈｚ以下、６Ｈｚ以下、５Ｈｚ以下、３Ｈｚ以下であってもよい。
（２）生体振動信号をｎ乗強調処理（ｎは２以上の整数であり、ｎが奇数の場合は絶対値を取る）した後ＢＰＦ処理し、所定時間における周期的なピーク数を計数する。
（３）生体振動信号をウェーブレット変換し、所定時間における周期的なピーク数を計数する。
　位相コヒーレンス算出部２５は、心拍間隔の変動の瞬時位相と呼吸パターンの瞬時位相の瞬時位相差として位相コヒーレンスを算出する。
　位相コヒーレンス算出部は、心拍に関する情報および呼吸に関する情報を含む生体情報を取得する生体情報取得手段、呼吸パターンを抽出する呼吸波形抽出手段、心拍間隔の変動を算出する心拍間隔算出手段、呼吸パターンと心拍間隔の変動との間の瞬時位相差の位相コヒーレンスを算出する位相コヒーレンス算出手段とを含む。詳しくは、ＷＯ２０１７／１４１９７６（本出願人の先願）を参照されたい。
　睡眠状態判定器２６は、まず、被験動物を除く動物のＰＳＧ出力を教師データとし、体動信号、呼吸数、心拍数、位相コヒーレンス（λ）を入力データとして、離床／睡眠／覚醒の判定に関して機械学習を行う。
　機械学習には、弱学習器（決定木）をシリーズにつないだアダプティブブースティングを用いる。
　次に、被験動物の体動信号、呼吸数、心拍数、位相コヒーレンス（λ）を入力して、その動物の離床／睡眠／覚醒の判定をする。
　なお、ＰＳＧの出力が３０秒に１回であることに合わせて、各データは３０秒に１個取得する。
　離床／睡眠／覚醒は、過去のｎ個のデータを用いて判定するので、最初の３０＊ｎ秒以降、３０秒毎に判定結果を出力することができる。
　ｎは、２以上のリアルタイム性を確保できる数値（~２０）をいろいろ試した結果、８前後が適当であることが分かったが、これに限るわけではない。
　まず、１３８人の被験者のデータを用いて、図１に示す睡眠状態判定装置の機械学習を行う。睡眠状態判定層装置２の睡眠状態判定器２６には、弱学習器（決定木）をシリーズにつないだアダプティブブースティングを用いる。
　教師データはＰＳＧによる判定結果であり、入力データは、ＰＳＧと同一時系列の体動信号、呼吸数、心拍数、位相コヒーレンス（λ）である。
　体動信号は、体動信号検出部２２が生体振動信号を１０秒窓でサンプリングし、その窓を５秒ずつずらしながら体動の有無を判定し、６個のデータを平均して３０秒毎に取得する。例えば、０を体動なし、１を体動ありとして、６個のデータが０，０，１，１，０，０であれば体動信号は１／３となる。この３０秒は、ＰＳＧの出力が３０秒毎であることに合わせるものである。
　呼吸数は、呼吸数検出部２３が、３０秒間における呼吸波形のピーク数をカウントして出力する。
　心拍数は、心拍数検出部２４が、３０秒間における心拍波形のピーク数をカウントして出力する。
　位相コヒーレンスは、位相コヒーレンス算出部２５が、３０秒毎に算出結果を出力する。
　睡眠状態判定器２６は、過去のデータｎ個（に基づいて現在の睡眠状態を判定する。従って、最初の数分（ｎが８の場合、４分（３０秒＊８））は睡眠状態が出力されないが、それ以降は、３０秒毎にリアルタイムの睡眠状態が出力される。
　［過去８個のデータに基づく離床／睡眠／覚醒の判定例］
　まず、１３８人の被験者のＰＳＧによって判定された実測値を教師データとして、それらと同一時系列の体動信号、呼吸数、心拍数、位相コヒーレンス（λ）を入力データとして、弱学習器をシリーズにつないだアンサンブル学習器（アダプティブブースティング）による機械学習を行った。Ｌｅａｖｅ−ｏｎｅ−ｏｕｔ法による交差検証を行うため、学習は検証用の被験者１名を除いた１３７人のデータで行った。
　次に、検証用被験者の体動信号、呼吸数、心拍数、位相コヒーレンス（λ）それぞれ過去８個のデータをアンサンブル学習器に入力して離床／睡眠／覚醒の判定を行った。
　図２はある被験者の睡眠状態の判定例である。（Ａ）の上側がＰＳＧによる判定例（真値）で、Ｌは離床、Ｓは睡眠、Ｗは覚醒である。同図の下側が、本アンサンブル学習器の判定結果を示し、一致率は０．９３７、Ｋａｐｐａ係数は０．７６８であり、「かなり一致する」判定をしていると言える。
　図２（Ｂ）は、本判定の混同行列である。
　図３は、本判定例（判定数１３８例）における一致度とＫａｐｐａ係数を示すが、Ｋａｐｐａ係数の平均値は０．４９０±０．１３４（標準偏差）、一致度の平均値は０．８８２±０．０５７（標準偏差）と良好である。判定例全体における、Ｋａｐｐａ係数の平均値が０．４９０±０．１３４なので、本睡眠状態判定装置は「適度に一致する」判定をすることができると言える。
　図４（Ａ）は、睡眠の判定に関するＲＯＣ曲線（Ｒｅｃｅｉｖｅｒ　Ｏｐｅｒａｔｉｎｇ　Ｃｈａｒａｃｔｅｒｉｓｔｉｃ　ｃｕｒｖｅ）を示す。横軸は偽陽性率であり実際は睡眠でないのに誤って睡眠と判定した割合を示す。縦軸は真陽性率であり実際は陽性であるものを正しく睡眠と判定した割合を示す。睡眠の場合、真陽性率は０．９８、偽陽性率は０．５３である。
　ＡＵＣ（Ａｒｅａ　Ｕｎｄｅｒ　ｔｈｅ　Ｃｕｒｖｅ）は、ＲＯＣ曲線の下側の面積で判定器の性能を評価する指標である。ＡＵＣは０．５~１の値を取り、１に近いほど優れた判定がされているということができる。睡眠の場合、ＡＵＣは０．８７である。
　図４（Ｂ）は、覚醒の判定に関するＲＯＣ曲線（Ｒｅｃｅｉｖｅｒ　Ｏｐｅｒａｔｉｎｇ　Ｃｈａｒａｃｔｅｒｉｓｔｉｃ　ｃｕｒｖｅ）を示す。横軸は偽陽性率であり実際は覚醒でないのに誤って覚醒と判定した割合を示す。縦軸は真陽性率であり実際は覚醒であるものを正しく覚醒と判定した割合を示す。覚醒の場合、真陽性率は０．４２、偽陽性率は０．０２である。
　ＡＵＣについての説明は、図４（Ａ）の場合と同様であるが、覚醒の場合のＡＵＣは０．８６である。
　図４（Ｃ）は、離床の判定に関するＲＯＣ曲線（Ｒｅｃｅｉｖｅｒ　Ｏｐｅｒａｔｉｎｇ　Ｃｈａｒａｃｔｅｒｉｓｔｉｃ　ｃｕｒｖｅ）を示す。横軸は偽陽性率であり実際は離床でないのに誤って離床と判定した割合を示す。縦軸は真陽性率であり実際は離床であるものを正しく離床と判定した割合を示す。離床の場合、真陽性率は０．９９、偽陽性率は０．００である。
　ＡＵＣについての説明は、図４（Ａ）の場合と同様であるが、覚醒の場合のＡＵＣは１．００であり、離床を完璧に判定するモデルが構築されていると言える。
　図５左側は、本判定例全体（判定数１３８例）の混同行列である。
　１が睡眠、２が覚醒、３が離床である。
　右側のＴＰＲは真陽性率で、実際に睡眠、覚醒、離床であるものを正しく睡眠、覚醒、離床と判定した割合である。
　ＦＮＲは偽陽性率で実際は睡眠、覚醒、離床でないのに、誤って睡眠、覚醒、離床と判定した割合を示す。
　図６は本アンサンブル学習器の予測子の寄与度を示すが、体動信号（ＢＭ）と心拍数（ＨＲ）および位相コヒーレンス（λ）は直近の過去１つのデータの寄与度が高く、また体動信号は過去のデータの影響も高いことを示している。
　［過去２個のデータに基づく離床／睡眠／覚醒の判定例］
　まず、１３８人の被験者のＰＳＧによって判定された実測値を教師データとして、それらと同一時系列の体動信号、呼吸数、心拍数、位相コヒーレンス（λ）を入力データとして、弱学習器をシリーズにつないだアンサンブル学習器（アダプティブブースティング）による機械学習を行った。Ｌｅａｖｅ−ｏｎｅ−ｏｕｔ法による交差検証を行うため学習は検証用の被験者１名を除いた１３７人のデータで行った。
　次に、検証用被験者の体動信号、呼吸数、心拍数、位相コヒーレンス（λ）それぞれ過去２個のデータをアンサンブル学習器に入力して離床／睡眠／覚醒の判定を行った。
　図７は、ある被験者の睡眠状態の判定例である。（Ａ）の上側がＰＳＧによる判定例（真値）で、Ｌは離床、Ｓは睡眠、Ｗは覚醒である。同図の下側が、本アンサンブル学習器の判定結果で、真値との一致率は０．９００、Ｋａｐｐａ係数は０．６３４である。Ｋａｐｐａ係数は０．６３４であるので、「かなり一致する」判定をしていると言える。
　図７（Ｂ）は、本判定の混同行列である。
　図８は、本判定例（判定数１３８例）における一致度とＫａｐｐａ係数を示すが、Ｋａｐｐａ係数の平均値は０．４２０±０．１２４（標準偏差）、一致度の平均値は０．８７２±０．０６０（標準偏差）と良好であり。判定例全体におけるＫａｐｐａ係数の平均値が０．４２０±０．１２４（標準偏差）なので、本睡眠状態判定装置は「適度に一致する」判定をすることができると言える。
　図９（Ａ）は、睡眠の判定に関するＲＯＣ曲線（Ｒｅｃｅｉｖｅｒ　Ｏｐｅｒａｔｉｎｇ　Ｃｈａｒａｃｔｅｒｉｓｔｉｃ　ｃｕｒｖｅ）を示す。横軸は偽陽性率であり実際は睡眠でないのに誤って睡眠と判定した割合を示す。縦軸は真陽性率であり実際は陽性であるものを正しく睡眠と判定した割合を示す。睡眠の場合、真陽性率は０．９８、偽陽性率は０．６３である。
　ＡＵＣ（Ａｒｅａ　Ｕｎｄｅｒ　ｔｈｅ　Ｃｕｒｖｅ）は、ＲＯＣ曲線の下側の面積で判定器の性能を評価する指標である。ＡＵＣは０．５~１の値を取り、１に近いほど優れた判定がされているということができる。睡眠のＡＵＣは０．８１である。
　図９（Ｂ）は、覚醒の判定に関するＲＯＣ曲線（Ｒｅｃｅｉｖｅｒ　Ｏｐｅｒａｔｉｎｇ　Ｃｈａｒａｃｔｅｒｉｓｔｉｃ　ｃｕｒｖｅ）を示す。横軸は偽陽性率であり実際は覚醒でないのに誤って覚醒と判定した割合を示す。縦軸は真陽性率であり実際は覚醒であるものを正しく覚醒と判定した割合を示す。覚醒の場合、真陽性率は０．３１、偽陽性率は０．０２である。
　ＡＵＣについての説明は図９（Ａ）の場合と同様であるが、覚醒のＡＵＣは０．８０である。
　図９（Ｃ）は、離床の判定に関するＲＯＣ曲線（Ｒｅｃｅｉｖｅｒ　Ｏｐｅｒａｔｉｎｇ　Ｃｈａｒａｃｔｅｒｉｓｔｉｃ　ｃｕｒｖｅ）を示す。横軸は偽陽性率であり実際は離床でないのに誤って離床と判定した割合を示す。縦軸は真陽性率であり実際は離床であるものを正しく離床と判定した割合を示す。離床の場合、真陽性率は０．９９、偽陽性率は０．００である。
　ＡＵＣについての説明は図９（Ａ）の場合と同様であるが、離床のＡＵＣは１．００であり、離床を完璧に判定するモデルが構築されていると言える。
　図１０左側は、本判定例全体（判定数１３８例）の混同行列である。
　１が睡眠、２が覚醒、３が離床である。
　右側のＴＰＲは真陽性率で、実際に睡眠、覚醒、離床であるものを正しく睡眠、覚醒、離床と判定した割合である。
　ＦＮＲは偽陽性率で実際は睡眠、覚醒、離床でないのに、誤って睡眠、覚醒、離床と判定した割合を示す。
　図１１は本アンサンブル学習器の予測子の寄与度を示すが、体動信号（ＢＭ）は過去２つのデータが、心拍数（ＨＲ）と位相コヒーレンス（λ）は過去１つのデータの寄与度が高いことを示している。
　このように、本発明によれば、シート状の圧電センサを備えたベッドに横たわっている人を拘束することなく、その人の離床／覚醒／睡眠の状態をリアルタイムで精度良く判定することができる。
　よって、高齢者介護施設等において、終日ベッドに横たわっている人が、寝ているのか目覚めているのかをリアルタイムで把握できるので、被介護者の睡眠を阻害することなく介入することができ、介護者の負担も減らすことに寄与できる。
　また、新生児や乳幼児に本手法を適用すれば覚醒／睡眠の状態をリアルタイムで確認できるので、新生児や乳幼児の発達障害・睡眠障害等の生育上の問題を早期に発見し解決することに寄与することができる。
　１　　睡眠状態判定装置
　２　　睡眠状態判定部
　２１　生体振動信号受信部
　２２　体動信号検出部
　２３　呼吸数検出部
　２４　心拍数検出部
　２５　位相コヒーレンス（λ）算出部
　２６　睡眠状態判定器
　３　センサ部

Claims (5)

  1. 　動物の生体振動信号を検出するセンサ部と、
    　センサ部が出力する生体振動信号を受信する生体振動信号受信部と、
    　前記生体振動信号から体動信号を出力する体動信号検出部と、
    　前記生体振動信号から呼吸数を出力する呼吸数検出部と、
    　前記生体振動信号から心拍数を検出する心拍数検出部と、
    　前記生体振動信号から検出した心拍間隔の変動の瞬時位相と呼吸パターンの瞬時位相の瞬時位相差から位相コヒーレンスを算出する位相コヒーレンス算出部と、
    　睡眠状態を判定する睡眠状態判定器を備え、
    　前記睡眠状態判定器は、睡眠ポリソムノグラフによる離床／睡眠／覚醒の情報を教師データとし、前記教師データと同期した体動信号、呼吸数、心拍数、心拍間隔の変動の瞬時位相と呼吸パターンの瞬時位相の瞬時位相差から算出された位相コヒーレンスを入力データとして機械学習することにより睡眠状態判定モデルを構築し、被験動物の前記体動信号、前記呼吸数、前記心拍数、前記位相コヒーレンスを入力して前記被験動物の睡眠状態が離床／睡眠／覚醒のいずれかを判定することを特徴とする睡眠状態判定装置。
  2. 　前記睡眠状態判定器は、弱学習器（決定木）をシリーズに備えたアダプティブブースティングにより睡眠状態判定モデルを構築することを特徴とする請求項１に記載の睡眠状態判定装置。
  3. 　前記睡眠状態判定器は、前記体動信号、前記呼吸数、前記心拍数、前記位相コヒーレンスそれぞれの過去２~２０個のデータを入力して睡眠状態判定を行うことを特徴とする請求項１に記載の睡眠状態判定装置。
  4. 　センサ部が出力する生体振動信号を受信するステップと、
    　前記生体振動信号から体動信号検出部が体動信号を検出し、呼吸数検出部が呼吸数を検出し、心拍数検出部が心拍数を検出し、位相コヒーレンス算出部が生体振動信号から検出した心拍間隔の変動の瞬時位相と呼吸パターンの瞬時位相の瞬時位相差から位相コヒーレンスを算出するステップと、
    　睡眠状態判定器が、睡眠ポリソムノグラフによる離床／睡眠／覚醒の情報を教師データとし、前記教師データと同期した体動信号、呼吸数、心拍数、心拍間隔の変動の瞬時位相と呼吸パターンの瞬時位相の瞬時位相差から算出された位相コヒーレンスを入力データとして機械学習することにより睡眠状態判定モデルを構築するステップと、
    　被験動物の前記体動信号、前記呼吸数、前記心拍数、前記位相コヒーレンスを入力して前記被験動物の睡眠状態が離床／睡眠／覚醒のいずれかを判定するステップを備えることを特徴とする睡眠状態判定方法。
  5. 　コンピュータを、
    　センサ部が出力する生体振動信号を受信する手段、
    　前記生体振動信号から体動信号を出力する手段、
    　前記生体振動信号から呼吸数を出力する手段、
    　前記生体振動信号から心拍数を検出する手段、
    　前記生体振動信号から検出した心拍間隔の変動の瞬時位相と呼吸パターンの瞬時位相の瞬時位相差から位相コヒーレンス位相コヒーレンスを算出する手段、
    　睡眠ポリソムノグラフによる離床／睡眠／覚醒の情報を教師データとし、前記教師データと同期した体動信号、呼吸数、心拍数、心拍間隔の変動の瞬時位相と呼吸パターンの瞬時位相の瞬時位相差から算出された位相コヒーレンスを入力データとして機械学習することにより睡眠状態判定モデルを構築する手段、
    　被験動物の前記体動信号、前記呼吸数、前記心拍数、前記位相コヒーレンスを入力して前記被験動物の睡眠状態が離床／睡眠／覚醒のいずれかを判定する手段として機能させることを特徴とする睡眠状態判定プログラム。
PCT/JP2023/002765 2022-01-24 2023-01-23 睡眠状態判定装置、睡眠状態判定方法およびプログラム WO2023140390A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US18/569,758 US20240277284A1 (en) 2022-01-24 2023-01-23 Activity state prediction system, activity state prediction method, and program

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2022019104A JP2023107708A (ja) 2022-01-24 2022-01-24 睡眠状態判定装置、睡眠状態判定方法およびプログラム
JP2022-019104 2022-01-24

Publications (1)

Publication Number Publication Date
WO2023140390A1 true WO2023140390A1 (ja) 2023-07-27

Family

ID=87348350

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2023/002765 WO2023140390A1 (ja) 2022-01-24 2023-01-23 睡眠状態判定装置、睡眠状態判定方法およびプログラム

Country Status (3)

Country Link
US (1) US20240277284A1 (ja)
JP (1) JP2023107708A (ja)
WO (1) WO2023140390A1 (ja)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019010437A (ja) * 2017-06-30 2019-01-24 ヤマハ株式会社 判定装置、及び判定方法
JP2019134953A (ja) * 2015-10-01 2019-08-15 ヘルスセンシング株式会社 生体情報取得装置及び信号処理方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019134953A (ja) * 2015-10-01 2019-08-15 ヘルスセンシング株式会社 生体情報取得装置及び信号処理方法
JP2019010437A (ja) * 2017-06-30 2019-01-24 ヤマハ株式会社 判定装置、及び判定方法

Also Published As

Publication number Publication date
US20240277284A1 (en) 2024-08-22
JP2023107708A (ja) 2023-08-03

Similar Documents

Publication Publication Date Title
Paalasmaa et al. Adaptive heartbeat modeling for beat-to-beat heart rate measurement in ballistocardiograms
CN108388912B (zh) 基于多传感器特征优化算法的睡眠分期方法
JP6594399B2 (ja) 生体情報モニタリングシステム
RU2637610C2 (ru) Устройство мониторинга для мониторинга физиологического сигнала
CN108888271B (zh) 一种生理参数测量系统及配备该测量系统的智能座椅
EP2265173B1 (en) Method and system for sleep/wake condition estimation
JP5070701B2 (ja) 寝具に加わる被験者の荷重変化により得られる呼吸信号の解析方法および装置
Chen et al. Machine-learning enabled wireless wearable sensors to study individuality of respiratory behaviors
US20140180036A1 (en) Device and method for predicting and preventing obstructive sleep apnea (osa) episodes
EP3329845A1 (en) Biological condition determination device and biological condition determination method
Sadek et al. Continuous and unconstrained vital signs monitoring with ballistocardiogram sensors in headrest position
EP3329891B1 (en) Physical condition detecting device, physical condition detecting method and bed system
JP2022520934A (ja) 睡眠監視システム及び方法
Yüzer et al. A novel wearable real-time sleep apnea detection system based on the acceleration sensor
Nizami et al. Comparing time and frequency domain estimation of neonatal respiratory rate using pressure-sensitive mats
Levy et al. Smart cradle for baby using FN-M16P Module
JP2011104248A (ja) 呼吸信号の解析装置
US11291406B2 (en) System for determining a set of at least one cardio-respiratory descriptor of an individual during sleep
WO2023140390A1 (ja) 睡眠状態判定装置、睡眠状態判定方法およびプログラム
WO2022269936A1 (ja) 睡眠状態推定システム
WO2017211396A1 (en) System and method for measuring life parameters during sleep
WO2023176948A1 (ja) 無呼吸低呼吸指標推定装置、方法およびプログラム
Guillodo et al. Sleep monitoring and wearables: A systematic review of clinical trials and future applications
US20230009478A1 (en) Estimation of tidal volume using load cells on a hospital bed
EP3463046B1 (en) System and method for measuring life parameters during sleep

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: 23743382

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 18569758

Country of ref document: US

NENP Non-entry into the national phase

Ref country code: DE