特開 2023-111958 睡眠推定システム、睡眠推定装置、および睡眠推定方法

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2023111958

(43)【公開日】2023-08-10

(54)【発明の名称】睡眠推定システム、睡眠推定装置、および睡眠推定方法

(51)【国際特許分類】

   A61B 5/16 20060101AFI20230803BHJP

   A61B 5/02 20060101ALI20230803BHJP

   A61B 5/0245 20060101ALI20230803BHJP

   A61B 5/026 20060101ALI20230803BHJP

   A61B 5/113 20060101ALN20230803BHJP

   A61B 5/11 20060101ALN20230803BHJP

【ＦＩ】

A61B5/16 130

A61B5/02 310B

A61B5/0245 Z

A61B5/026 120

A61B5/113

A61B5/11 200

A61B5/11 100

【審査請求】有

【請求項の数】12

【出願形態】ＯＬ

(21)【出願番号】P 2023093406

(22)【出願日】2023-06-06

(62)【分割の表示】P 2021505112の分割

【原出願日】2020-03-11

(31)【優先権主張番号】P 2019043448

(32)【優先日】2019-03-11

(33)【優先権主張国・地域又は機関】JP

(71)【出願人】

【識別番号】000006633

【氏名又は名称】京セラ株式会社

(74)【代理人】

【識別番号】110000338

【氏名又は名称】弁理士法人 ＨＡＲＡＫＥＮＺＯ ＷＯＲＬＤ ＰＡＴＥＮＴ ＆ ＴＲＡＤＥＭＡＲＫ

(72)【発明者】

【氏名】渡邉 孝浩

(57)【要約】

【課題】睡眠状態の推定精度を向上させる。
【解決手段】一実施形態に係る睡眠推定システム（１）は、発光部および受光部を有するセンサ装置（２０）と、ユーザの血流データを入力する入力装置（１４、１６）と、前記血流データから前記ユーザの睡眠状態を示す出力データ（１９）を演算可能な近似器を有する制御装置（１１）と、を備え、前記血流データは、前記受光部の出力の周波数スペクトルをウェーブレット変換したデータを含む。
【選択図】図２

【特許請求の範囲】

【請求項1】

ユーザの被検部位に光を照射する発光部、および前記ユーザの血流によって散乱された前記光を含む干渉光を受光する受光部、を有するセンサ装置と、
前記ユーザの血流データを入力する入力装置と、
前記血流データから前記ユーザの睡眠状態を示す出力データを演算可能な近似器を有する制御装置と、を備え、
前記血流データは、前記受光部の出力の周波数スペクトルをウェーブレット変換したデータを含む、睡眠推定システム。

【請求項2】

請求項１に記載の睡眠推定システムであって、
前記血流データは、血流量、バソモーションの変動係数、および心拍数の少なくとも一つに関するデータを含む、睡眠推定システム。

【請求項3】

請求項１または２に記載の睡眠推定システムであって、
前記睡眠状態は、覚醒、レム睡眠、およびノンレム睡眠を示す状態を含む、睡眠推定システム。

【請求項4】

請求項３に記載の睡眠推定システムであって、
前記ノンレム睡眠は、ステージ１～４のノンレム睡眠を含む、睡眠推定システム。

【請求項5】

請求項１～４のいずれかに記載の睡眠推定システムであって、
前記近似器は、入力層からの出力に対して学習済みパラメータに基づく演算を行なう隠れ層を有し、
前記学習済みパラメータは、前記近似器において、前記血流データと前記睡眠状態との関係を重み付けしたパラメータである、睡眠推定システム。

【請求項6】

請求項５に記載の睡眠推定システムであって、
前記学習済みパラメータは、前記近似器において、前記血流データと前記睡眠状態との関係を、前記睡眠状態ごとに重み付けしたパラメータである、睡眠推定システム。

【請求項7】

請求項１～６のいずれかに記載の睡眠推定システムであって、
前記血流データの取得部位は、耳、指、手首、額、鼻、または首である、睡眠推定システム。

【請求項8】

請求項１～７のいずれかに記載の睡眠推定システムであって、
前記制御装置は、前記周波数スペクトルの周波数帯域を選択して、前記血流データを取得する、睡眠推定システム。

【請求項9】

請求項１～８に記載の睡眠推定システムであって、
前記血流データは、周波数スペクトルの時間変化を含む、睡眠推定システム。

【請求項10】

請求項１～９のいずれかに記載の睡眠推定システムが備えている前記制御装置としてコンピュータを機能させるための、睡眠推定プログラム。

【請求項11】

ユーザの被検部位に光を照射する発光部、および前記ユーザの血流によって散乱された前記光を含む干渉光を受光する受光部、を有するセンサ部と、
前記ユーザの血流データを入力する入力部と、
前記血流データを入力する入力層、前記入力層からの出力に対して学習済みパラメータに基づく演算を行なう隠れ層、および前記隠れ層の演算結果を前記ユーザの睡眠状態として出力する出力層、を有する近似器を構成する制御部と、を備え、
前記制御部は、前記受光部の出力の周波数スペクトルをウェーブレット変換したデータを含む前記血流データを取得する、睡眠推定装置。

【請求項12】

近似器を用いた睡眠推定方法であって、
前記近似器は、ユーザの血流データを入力する入力層、前記入力層からの出力に対して学習済みパラメータに基づく演算を行なう隠れ層、および前記隠れ層の演算結果を前記ユーザの睡眠状態として出力する出力層、を有し、
前記入力層が、前記近似器に入力された前記血流データを前記隠れ層に送信する工程と、
前記隠れ層が、前記血流データに対して、前記学習済みパラメータに基づく演算を行なう工程と、
前記出力層が、前記隠れ層の演算結果に基づいて前記ユーザの推定睡眠状態を出力する工程と、を備え、
前記近似器に入力される前記血流データは、
センサ装置の発光部によって、前記ユーザの被検部位に光が照射され、
前記センサ装置の受光部によって、前記ユーザの血流によって散乱された前記光を含む干渉光が受光され、
前記受光部の出力の周波数スペクトルをウェーブレット変換したデータを含む、
睡眠推定方法。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、睡眠の推定に関する。

【背景技術】

【0002】

特許文献１には、睡眠状態を検出する技術が記載されている。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】日本国公開特許公報「特開２０１８－１６１４３２号公報」

【発明の概要】

【発明が解決しようとする課題】

【0004】

高精度に睡眠状態を推定する手段が求められている。

【課題を解決するための手段】

【0005】

一実施形態に係る睡眠推定システムは、ユーザの被検部位に光を照射する発光部、および前記ユーザの血流によって散乱された前記光を含む干渉光を受光する受光部、を有する センサ装置と、前記ユーザの血流データを入力する入力装置と、前記血流データから前記ユーザの睡眠状態を示す出力データを演算可能な近似器を有する制御装置と、を備え、前記血流データは、前記受光部の出力の周波数スペクトルをウェーブレット変換したデータを含む。

【0006】

一実施形態に係る睡眠推定プログラムは、上記の睡眠推定システムが備えている前記制御装置としてコンピュータを機能させるための睡眠推定プログラムである。

【0007】

一実施形態に係る睡眠推定装置は、ユーザの被検部位に光を照射する発光部、および前記ユーザの血流によって散乱された前記光を含む干渉光を受光する受光部、を有するセンサ部と、前記ユーザの血流データを入力する入力部と、血流データを入力する入力層、入力層からの出力に対して学習済みパラメータに基づく演算を行なう隠れ層、および隠れ層の演算結果を前記ユーザの睡眠状態として出力する出力層、を有する近似器を構成する制御部と、を備え、前記制御部は、前記受光部の出力の周波数スペクトルをウェーブレット変換したデータを含む前記血流データを取得する。

【0008】

一実施形態に係る睡眠推定方法は、近似器を用いた睡眠推定方法であって、近似器は、ユーザの血流データを入力する入力層、入力層からの出力に対して学習済みパラメータに基づく演算を行なう隠れ層、および隠れ層の演算結果をユーザの睡眠状態として出力する出力層、を有し、入力層が、前記近似器に入力された前記血流データを前記隠れ層に送信する工程と、隠れ層が、血流データに対して、学習済みパラメータに基づく演算を行なう工程と、出力層が、隠れ層の演算結果に基づいてユーザの推定睡眠状態を出力する工程と、を備え、前記近似器に入力される前記血流データは、センサ装置の発光部によって、前記ユーザの被検部位に光が照射され、前記センサ装置の受光部によって、前記ユーザの血流によって散乱された前記光を含む干渉光が受光され、前記受光部の出力の周波数スペクトルをウェーブレット変換したデータを含む。

【発明の効果】

【0009】

睡眠状態の推定精度を向上させることができる。

【図面の簡単な説明】

【0010】

【図1】一実施形態に係る睡眠推定システムが有する構成の概略を示す図である。

【図2】図１の睡眠推定システムの動作を説明するための図である。

【図3】図１の睡眠推定システムの動作を説明するための図である。

【図4】脳波の推移の一例を示す模式図である。

【図5】他の実施形態に係る睡眠推定システムが有する構成の概略を示す図である。

【発明を実施するための形態】

【0011】

図１は、一実施形態に係る睡眠推定システムが有する構成の概略図である。

【0012】

睡眠推定システム１は、ユーザの血流に関するデータ（血流データ）に基づいて、ユーザの睡眠状態を推定することができる。具体的には、睡眠推定システム１は、入力された血流データに基づいて、例えば、図２に示す近似器１７に演算させることで、ユーザの睡眠状態を推定することができる。なお、近似器１７は、いわゆるニューラルネットワークを含んでいてもよい。なお、ニューラルネットワークとは、人間の脳神経系のニューロンを模した数理モデルをいう。近似器１７には、以下で説明するように、学習済みの数理モデル（演算式など）を含んでいてもよい。

【0013】

睡眠推定システム１は、制御装置１１、記憶装置１２、およびバス（ｂｕｓ）１３を備えている。制御装置１１、および記憶装置１２などの睡眠推定システム１を構成する各種装置は、バス（ｂｕｓ）１３を介して、互いに電気的または光学的に接続されており、互いに通信可能である。

【0014】

制御装置１１は、睡眠推定システム１の他の構成要素を制御することによって、睡眠推定システム１の動作を統括的に管理することができる。制御装置１１は、種々の機能を実行するための制御および処理能力を提供するために、少なくとも１つのプロセッサを含む。種々の実施形態によれば、少なくとも１つのプロセッサは、単一の集積回路（ＩＣ: Integrated Circuit）として、または複数の通信可能に接続されたＩＣおよび／またはディスクリート回路（Discrete Circuits）として実行されてもよい。少なくとも１つのプロセッサは、種々の既知の技術に従って実行されることができる。

【0015】

プロセッサは、例えば、記憶装置１２などの関連するメモリに記憶されたプログラムなどの指示を実行することによって１以上のデータ計算手続または処理を実行するように構成された１以上の回路、ユニット、またはファームウェア（例えば、ディスクリートロジックコンポーネント）であってもよい。また、プロセッサは、１以上のプロセッサ、コントローラ、マイクロプロセッサ、マイクロコントローラ、特定用途向け集積回路（ＡＳＩＣ: Application Specific IC）、デジタル信号処理装置、プログラマブルロジックデバイス、フィールドプログラマブルゲートアレイ、またはこれらのデバイス若しくは構成の任意の組み合わせ、または他の既知のデバイスおよび構成の組み合わせを含んでいてもよい。一実施形態に係る睡眠推定システム１の制御装置１１は、例えばＣＰＵ（Central Processing Unit）を備えている。

【0016】

記憶装置１２は、睡眠推定システム１の機能を実現させるための種々の情報、およびプログラムなどを記憶することができる。具体的には、記憶装置１２は、睡眠推定システム１を制御するためのプログラムである制御プログラム１２１を記憶することができる。記憶装置１２は、例えば、ＲＯＭ（Read Only Memory）およびＲＡＭ（Random Access Memory）などの、制御装置１１のＣＰＵが読み取り可能な非一時的な記録媒体を含んでいてもよい。記憶装置１２は、従来公知の技術によって構成されればよい。

【0017】

制御装置１１は、記憶装置１２内の制御プログラム１２１を実行することによって各種機能を実現することができる。すなわち、制御プログラム１２１は、コンピュータにユーザの睡眠状態を推定させるための睡眠推定プログラムを有している。一実施形態に係る睡眠推定システム１は、制御装置１１が記憶装置１２内の制御プログラム１２１を実行することによって、ユーザの睡眠状態を推定可能な近似器１７を形成することができる。

【0018】

図２は、図１に示した睡眠推定システムがユーザの睡眠状態を推定するまでの動作を表す概略図である。また、図３は、近似器１７の学習の一例を説明するための図である。

【0019】

なお、図２に示される、ユーザの睡眠状態を推定するまでの動作は、制御装置１１によって実行される。具体的には、制御装置１１は、記憶装置１２内の制御プログラム１２１を実行することによって、ユーザの睡眠状態を推定可能な近似器１７を形成する。そして、制御装置１１は、近似器１７にしたがって、ユーザの推定用データ１２５（例えば、血流データ）から、出力データ（例えば、ユーザの睡眠状態）を演算し、出力する。

【0020】

近似器１７は、例えば、入力層１７１と、隠れ層１７２と、出力層１７３と、演算用データ１２４によって構成される。入力層１７１は、入力されたデータを隠れ層１７２に送信することができる。隠れ層１７２は、入力層１７１から入力されたデータに対して演算用データ１２４に基づいて種々の演算を行なうことができる。そして、隠れ層１７２は、演算結果を出力層１７３に出力することができる。出力層１７３は、隠れ層１７２から入力された演算結果を出力データ１９として出力することができる。なお、図示しないが、各層は、信号が入出力されるユニットを構成単位としている。

【0021】

睡眠推定システム１は、近似器１７を学習させることで演算結果の精度を向上させることができる。学習とは、近似器１７において、出力層１７３から正しい演算結果が出力されるように、ユニット間の結合の強さ、および結合の偏りなどを調整することをいう。具体的には、学習用データ１２２に基づく出力データ１９と、予め用意された答えのデータである教師データ１２３を比較して、出力データ１９が教師データ１２３に近づくように、演算用データ１２４を調整することをいう。一実施形態に係る睡眠推定システム１は、学習用データ１２２と教師データ１２３を用いた、いわゆる教師あり学習によって、演算用データ１２４を調整することで、推定精度を向上させることができる。

【0022】

学習用データ１２２は、近似器１７に学習させるための例題のデータである。学習用データ１２２には、ヒトの代謝に基づく情報（代謝情報）が含まれる。ここで、代謝情報とは、例えば、血流、呼吸、発汗、体温、および体動などに関する情報などが挙げられる。

【0023】

代謝情報は、予め任意の測定装置を用いて取得しておけばよい。血流に関する情報は、例えば、レーザードップラー血流計、超音波血流計、および光電脈波計などの血流センサを用いて測定すればよい。また、呼吸に関する情報は、呼吸の深さ浅さまたは早さ遅さなどを、例えば、マイクロホンを用いて音として取得してもよいし、加速度センサを用いて胸郭の動きとして取得してもよい。また、発汗に関する情報は、例えば、体の任意の部位にコットンなどを貼付し、吸収した汗の量または重さを発汗量として取得してもよい。また、体温に関する情報は、例えば、サーミスタ、赤外線センサ、および水銀体温計などの体温計で取得すればよい。体動に関する情報は、例えば、加速度センサ、および圧力センサを用いて測定すればよい。また、上述の各種の測定された情報を複数組み合わせて、睡眠推定システム１が利用する代謝情報としてもよい。

【0024】

なお、睡眠推定システム１が利用する代謝情報は、起床時と睡眠時で挙動が異なるもの、または睡眠の深さに応じて挙動が変化するものであればよい。また、学習用データ１２２は、代謝情報に対して、年齢、性別、身長、体脂肪、飲酒習慣、喫煙習慣などの循環器系の機序に作用しうる個人情報および生活習慣と紐づけられたものであってもよい。

【0025】

本開示の睡眠推定システム１では、血流データを学習用データ１２２として使用することができる。血流データは、血流に基づいて算出される種々の変数を含むデータであればよい。具体的には、血流データは、例えば、血流量、心拍数、心拍間隔、心拍出量、血流波高、および血管運動（バソモーション）の変動係数の少なくとも一つに関するデータを含むものであればよい。

【0026】

血流量は、単位時間あたりに血管を流れる血液の量である。心拍数は、単位時間当たりの心臓の拍動の回数である。心拍間隔とは、心臓の拍動の間隔である。心拍出量は、一回の心臓の拍動によって送り出される血液の量である。血流波高は、心臓の一回の拍動における血流量の極大値と極小値の差である。バソモーションは、自然発生的かつ律動的な血管の収縮拡張運動である。バソモーションの変動係数は、バソモーションに基づいて生じた血流量の変動をバラつきとして示した値である。

【0027】

教師データ１２３は、学習用データ１２２に対して紐づけられた答えのデータである。一実施形態に係る睡眠推定システム１は、学習用データ１２２の血流データに対して、当該血流データを取得した人の睡眠状態が紐づけられたデータを教師データ１２３として使用することができる。具体的には、教師データ１２３は、例えば、血流量の推移に対して睡眠状態の推移が紐づけられたデータ、心拍数の推移に対して睡眠状態の推移が紐づけられたデータ、心拍間隔の推移に対して睡眠状態の推移が紐づけられたデータ、心拍出量の推移に対して睡眠状態の推移が紐づけられたデータ、血流波高の推移に対して睡眠状態の推移が紐づけられたデータ、またはバソモーションの変動係数の推移に対して睡眠状態の推移が紐づけられたデータである。なお、教師データ１２３を取得する場合、学習用データ１２２を取得したときに、睡眠状態を取得可能な任意の測定装置でユーザの睡眠状態を測定すればよい。例えば、血流センサによって血流データを取得したときに、脳波計を用いて脳波を計測することで、学習用データ１２２である血流データに紐づけられたユーザの睡眠状態のデータを取得することができる。

【0028】

演算用データ１２４は、演算式、バイアスおよび重みなどの演算式の定数および変数、演算子などのデータを含む、近似器１７の演算に関するデータである。また、演算用データ１２４は、数理モデルなどの学習済みパラメータなどを含んでいる。なお、演算用データ１２４において、バイアスおよび重みとは、近似器１７における各ユニット間の結合の強さを規定するものである。したがって、睡眠推定システム１は、学習によりバイアスおよび重みなどの定数および変数を調整することによって近似器１７の演算結果を調整することができる。

【0029】

演算用データ１２４の調整方法としては、例えば、誤差逆伝播法、および勾配降下法などを採用すればよい。学習により調整した演算用データ１２４は、学習済みの演算用データ１２４として、記憶装置１２に記憶されてもよい。なお、調整方法は、学習により睡眠状態の推定精度が向上するように演算用データ１２４を調整できるものであれば、上記の例に限られない。

【0030】

学習を行なう場合、まず、入力層１７１に、学習用データ１２２が入力される。次に、隠れ層１７２で、学習用データ１２２に対して演算用データ１２４に基づく演算が実行される。次に、出力層１７３から、隠れ層１７２の演算結果が出力データ１９として出力する。そして、近似器１７は、教師データ１２３と出力データ１９を対比し、誤差が小さくなるように、演算用データ１２４を調整する。

【0031】

以上のようにして、一実施形態に係る睡眠推定システム１は、学習用データ１２２、教師データ１２３、および演算用データ１２４を用いることで、ニューラルネットワークを学習させることができる。その結果、睡眠推定システム１は、睡眠状態の推定精度を向上させることができる。

【0032】

近似器１７の学習は、睡眠推定システム１によらず他の装置によって行なってもよい。この場合、睡眠推定システム１の記憶装置１２には、他の装置が生成した学習済み演算用データ１２４が記憶される。また、記憶装置１２が学習用データ１２２および教師データ１２３を記憶することは不要になる。他の装置が生成した学習済み演算用データ１２４は、通信装置１４が情報通信網２を通じて受信し、制御装置１１が、通信装置１４で受信した学習済み演算用データ１２４を記憶装置１２に記憶することができる。また、記憶装置１２に含まれる着脱式メモリに、他の装置が生成した学習済み演算用データ１２４が記憶されてもよい。

【0033】

一実施形態に係る睡眠推定システム１は、学習済みの近似器１７を用いることで、ユーザの睡眠状態を推定することができる。具体的には、睡眠推定システム１は、入力された推定用データ１２５に対して、近似器１７で演算することで睡眠状態を推定することができる。この場合、まず、入力層１７１に推定用データ１２５が入力される。次に、隠れ層１７２で、推定用データ１２５に対して演算用データ１２４に基づいて演算が実行される。そして、出力層１７３から演算結果である出力データ１９が、推定した睡眠状態として出力される。

【0034】

推定用データ１２５は、学習済みの近似器１７に入力され、ユーザの睡眠状態を推定するためのデータである。なお、学習用データ１２２は、推定用データ１２５と同種のデータであればよい。すなわち、血流に関する情報に基づいてユーザの睡眠状態を推定したい場合、推定用データ１２５および学習用データ１２２は血流データであればよい。一例として、血流データなどの代謝情報は、睡眠状態を推定したいユーザの代謝を測定する測定装置を用いて取得され、該測定装置を用いて取得された代謝情報が推定用データ１２５として近似器１７に入力される。

【0035】

以上のようにして、一実施形態に係る睡眠推定システム１は、推定用データ１２５に基づいて、ユーザの睡眠状態を推定することができる。

【0036】

図４は、睡眠に関する脳波の推移の一例を表す模式図である。

【0037】

睡眠状態は、例えば脳波に基づいて分類することができる。具体的には、睡眠状態は、ユーザが、覚醒している状態、レム睡眠（Rapid Eye Movement sleep, REM sleep）などの浅い睡眠にある状態、またはノンレム睡眠（Non-Rapid Eye Movement sleep, Non-REM sleep）などの深い睡眠にある状態に分類することができる。また、ノンレム睡眠は、眠りの深さによってさらに分類することができる。例えば、ノンレム睡眠は、眠りが浅い順に、ステージ１、ステージ２、ステージ３、およびステージ４と分類してもよい。

【0038】

脳波は、波長が長いものから順に、β波、α波、θ波およびδ波の４つに区分される。β波は、例えば３８Ｈｚから１４Ｈｚ程度の周波数の脳波である。α波は、例えば１４Ｈｚから８Ｈｚ程度の周波数の脳波である。θ波は、例えば８Ｈｚから４Ｈｚ程度の周波数の脳波である。δ波は、例えば４Ｈｚから０．５Ｈｚ程度の周波数の脳波である。

【0039】

θ波およびδ波が、β波およびα波と比べて優位である場合に、人は眠っている。ここで、「優位である」とは、測定された脳波においてある波の割合が多くなることをいう。優位となる脳波は、睡眠時に、θ波およびδ波の範囲で周期的に変化することが知られている（図４）。また、脳波に含まれるθ波の割合が所定未満の場合には、人はレム睡眠の状態にあり、θ波の割合が所定以上の場合、およびδ波が優位な場合には、人はノンレム睡眠の状態にある（図４）。

【0040】

なお、レム睡眠は、急速眼球運動（Rapid Eye Movement：REM）を伴う睡眠である。ノンレム睡眠とは、急速眼球運動を伴わない睡眠である。

【0041】

従来、睡眠状態は、脳波計によって取得した脳波によって推定されていた。しかし、脳波計の取扱いおよび脳波の取得には高度な専門的な知識を要する。また、脳波計の取付けは煩雑である。したがって、ユーザは、簡便に脳波を取得することが困難であり、簡便に自己の睡眠状態を把握することが困難であった。

【0042】

これに対して、睡眠推定システム１は、血流データに基づいて、ユーザの睡眠状態を推定することができる。血流を測定する装置の取扱いおよび血流データの取得には、脳波計と比較して高度な専門知識を要しない。また、血流を測定する装置の取付けは、脳波計と比較して容易である。すなわち、ユーザは、比較的簡便に自己の血流データを取得することができる。したがって、睡眠推定システム１によれば、ユーザは、自己の睡眠状態を簡便に把握することができる。

【0043】

また、例えば、深い睡眠にある時に覚醒すると、覚醒直後に眠気または気だるさが強く残り脳の働きが悪い状態（いわゆる、睡眠慣性）が生じやすくなる。一方、ノンレム睡眠のステージ１または２などの比較的浅い睡眠状態を起床タイミングとすることで、睡眠慣性に陥り難くなる。したがって、睡眠推定システム１によれば、ユーザは、最適な起床タイミング、および睡眠サイクルなどを把握することができるため、有用性を向上させることができる。

【0044】

睡眠時において、人体の身体機能は脳の働きによって制御されることから、睡眠状態の推移と血流またはバソモーションの変動には相関が現れる。具体的には、睡眠が深くなるにつれて、脳機能が低下していくため、心臓の拍動またはバソモーションなどの血管運動をはじめ、身体機能が抑制される。したがって、睡眠が深くなるにつれて、血流は抑制される。よって、一実施形態に係る睡眠推定システム１は、血流データに基づいて、ユーザの睡眠状態を推定することができる。

【0045】

血流データに含まれる血流量は、心拍数、心拍間隔、心拍出量、血流波高、およびバソモーションなどの、血流に関する種々の要素を含む指標である。したがって、睡眠推定システム１は、血流量のデータを学習用データ１２２として用いた場合、血流に関する種々の要素に基づいて、近似器１７を学習させることができるため、有用性を向上させることができる。

【0046】

また、入眠時において、人体は、副交感神経が亢進することが知られている。バソモーションは、副交感神経の作用に影響を受けやすいことから、バソモーションの変動係数は、睡眠状態の推移にともなう変動が大きくなりやすい。言い換えれば、睡眠状態の推移とバソモーションの変動係数の推移は比較的高い相関を示しやすい。したがって、睡眠推定システム１は、血流データに含まれるバソモーションの変動係数のデータを学習用データ１２２として用いることで、睡眠状態と血流の相関について効果的に近似器１７を学習させることができるため、推定精度を向上させることができる。

【0047】

また、血流は、睡眠状態だけでなく、睡眠時の周囲の環境によっても影響を受ける場合がある。例えば、ユーザが、睡眠の際にエアコンディショナなどを使用している場合、エアコンディショナの風などによって、血流データの取得部位が冷やされると、血流量は想定よりも低い値となる場合がある。一方、心拍数は、心臓の拍動に基づく値であり、周囲の環境に起因する測定誤差が比較的小さくなりやすい。したがって、睡眠推定システム１は、血流データに含まれる心拍数のデータを学習用データ１２２として用いることで、推定精度を向上させることができる。

【0048】

睡眠推定システム１が推定可能な睡眠状態は、例えば、ユーザの覚醒、レム睡眠、およびノンレム睡眠である。すなわち、ユーザは自身の睡眠状態の推移を把握することができる。また、睡眠推定システム１は、ノンレム睡眠の状態をステージごとに推定することができる。具体的には、睡眠推定システム１は、血流データに基づいて、ノンレム睡眠がステージ１～４のいずれのステージにあるかを推定することができる。したがって、睡眠推定システム１によれば、ユーザは、適切な起床タイミングおよび睡眠サイクルなどを把握することができる。

【0049】

また、近似器１７の学習は、睡眠状態ごとに行なってもよい。例えば、覚醒時の学習用データ１２２と教師データ１２３、レム睡眠時の学習用データ１２２と教師データ１２３、およびノンレム睡眠時の学習用データ１２２と教師データ１２３によって、それぞれ睡眠状態ごとに演算用データ１２４の重み付けをおこなってもよい。その結果、睡眠状態ごとに、特徴が顕著な学習用データ１２２と教師データ１２３を用いることができるため、近似器１７を効率よく学習させることができる。

【0050】

学習用データ１２２に含まれる血流データの取得部位は、例えば、耳、指、手首、腕、額、鼻、または首であってもよい。さらに、耳の部位のうち、例えば、耳甲介、耳孔、耳朶、または耳珠で血流データを取得してもよい。その結果、ユーザは、血流データを取得する部位を選択することができるため、睡眠推定システム１は、利便性を向上させることができる。

【0051】

以上説明した実施形態に係る睡眠推定システム１の構成は、上記の例に限られない。例えば、制御装置１１は、複数のＣＰＵを備えてもよい。また制御装置１１は、少なくとも一つのＤＳＰを備えてもよい。また、制御装置１１の全ての機能あるいは制御装置１１の一部の機能は、その機能の実現にソフトウェアが不要なハードウェア回路によって実現されてもよい。また記憶装置１２は、ＲＯＭおよびＲＡＭ以外の、コンピュータが読み取り可能な非一時的な記録媒体を備えていてもよい。記憶装置１２は、例えば、小型のハードディスクドライブおよびＳＳＤ（Solid State Drive）などを備えてもよい。また記憶装置１２は、睡眠推定システム１に対して着脱可能な、ＵＳＢ（Universal Serial Bus）メモリ等のメモリであってもよい。以後、睡眠推定システム１に対して着脱可能なメモリを「着脱式メモリ」と呼ぶことがある。

【0052】

また、睡眠推定システム１は、外部の任意の電子機器と通信可能な通信装置１４、睡眠推定システム１のシステムおよびユーザの睡眠状態など種々の上表を表示可能な表示装置１５、および睡眠推定システム１に各種情報および信号などを入力可能な入力装置１６をさらに備えていてもよい。なお、通信装置１４、表示装置１５、および入力装置１６は、バス（ｂｕｓ）１３を介して、互いに電気的または光学的に接続されればよい。

【0053】

一実施形態に係る通信装置１４は、有線または無線通信により、睡眠推定システム１と外部機器との接続を可能にするインターネット等の情報通信網２に接続することができる。すなわち、通信装置１４は、情報通信網２を通じて、クラウドサーバおよびウェブサーバ等の他の装置と通信することができる。そして、通信装置１４は、情報通信網２から受け取った各種情報を制御装置１１に入力することができる。また通信装置１４は、制御装置１１から受け取った情報を情報通信網２に送信することができる。

【0054】

一実施形態に係る表示装置１５は、制御装置１１による制御によって文字、記号、図形などの各種情報を表示することができる。表示装置１５は、例えば、液晶ディスプレイまたは有機ＥＬディスプレイなど従来公知の技術によって構成することができる。

【0055】

一実施形態に係る入力装置１６は、ユーザから入力されたデータを信号として制御装置１１に出力することができる。入力装置１６は、例えば、キーボード、マウス、およびタッチパネルなどのユーザの操作に基づいて信号を出力可能なインターフェースであればよい。また、タッチパネルなどのユーザの操作に基づく信号の出力と各種情報の表示が可能なインターフェースを用いる場合、表示装置１５と入力装置１６は一体として機能してもよい。その結果、睡眠推定システム１の利便性を向上させることができる。入力装置１６は、従来公知の技術によって構成されればよい。

【0056】

また、学習用データ１２２、教師データ１２３、演算用データ１２４、および推定用データ１２５は、通信装置１４または入力装置１６を介して制御装置１１に入力されてもよい。入力されたこれらのデータは、記憶装置１２に記憶されてもよい。また、教師データ１２３、および演算用データ１２４は、予め記憶装置１２に記憶されてもよい。また、記憶装置１２は、学習用データ１２２および教師データ１２３をまとめたデータを教師付き学習用データとして記憶してもよい。

【0057】

また、表示装置１５は、推定されたユーザの睡眠状態を表示してもよい。また、ユーザの睡眠状態として出力された出力データ１９は、他の装置で用いられてもよい。この場合、出力データ１９は、通信装置１４などを介して外部に出力されればよい。

【0058】

（他の実施形態）
図５は、他の実施形態に係る睡眠推定システム１が有する構成を示す概略図である。

【0059】

他の実施形態に係る睡眠推定システム１は、さらに血流データを取得するセンサ装置２０を備えている。具体的には、他の実施形態に係る睡眠推定システム１は、ユーザの被検部位に光を照射する発光部、およびユーザの血流によって散乱された光を含む干渉光を受光する受光部、を有するセンサ装置２０、をさらに備えていてもよい。そして、制御装置１１は、受光部の出力の周波数スペクトルに基づいて、血流データを取得することができる。その結果、睡眠推定システム１は、利便性を向上させることができる。

【0060】

なお、センサ装置２０と、他の装置とは、バス１３で互いに電気的、光学的に接続されていればよい。また、センサ装置２０は、情報通信網２を通じて、睡眠推定システム１の各装置と互いに通信可能であってもよい。情報通信網２には、例えば、無線ネットワークおよび有線ネットワークの少なくとも一方が含まれる。情報通信網２には、例えば、無線ＬＡＮ（Local Area Network）およびインターネット等が含まれる。

【0061】

一実施形態に係るセンサ装置２０は、例えば、レーザードップラー血流計であればよい。図示しないが、レーザードップラー血流計は、ユーザの被検部位に光を照射する発光部、光を受光する受光部、および血流データを取得する制御装置を備える。

【0062】

この場合、センサ装置２０は、ドップラー効果を利用して、血流を測定することができる。流れる血液によって散乱した散乱光は、ドップラー効果によって周波数がシフト（ドップラーシフト）する。一般的な蛍光灯などから照射される光は、様々な周波数の光を様々な強度で含む光であるため、ドップラーシフトに起因する周波数の変化を把握することは困難である。一方、レーザー光は、ある特定の周波数の光を極めて優位に含む光であるため、ドップラーシフトに起因する周波数の変化を観測しやすい。したがって、センサ装置２０は、散乱光を含む干渉光を利用して、血流を測定することができる。

【0063】

まず、センサ装置２０は、ドップラー効果によって、静止した物質からの散乱光と、動いている物質からの散乱光との光の干渉によって生じるうなり信号（ビート信号ともいう）を取得する。なお、うなり信号は強度と時間の関係である。次に、センサ装置２０は、うなり信号をフーリエ変換することで、受光部の出力の周波数と強度との関係を周波数スペクトルとして取得することができる。ここで、受光部の出力の周波数および周波数強度は、ドップラー効果に依存する。すなわち、周波数スペクトルは、血液の流量または流速に応じて変化する。したがって、センサ装置２０は、周波数スペクトルに基づいて血流データを算出することができる。

【0064】

また、周波数スペクトルは、流れの変化（例えば、流量または流速の増加）に伴い強度が減少する傾向を示す周波数範囲と、増加する傾向を示す周波数範囲とを有している。したがって、センサ装置２０の制御装置は、取得した周波数スペクトルの周波数のうち、血流データの取得に適した周波数帯域を選択して、血流データを取得してもよい。その結果、センサ装置２０は、学習用データ１２２、教師データ１２３、および推定用データ１２５に含まれる血流データの精度を向上させることができる。すなわち、睡眠推定システム１は、睡眠状態の推定精度を向上させることができる。

【0065】

学習用データ１２２、教師データ１２３、および推定用データ１２５に含まれる血流データは、周波数スペクトルのままであってもよい。この場合、周波数スペクトルは、任意の変換を行なったデータであってもよい。具体的には、睡眠推定システム１は、周波数スペクトルをウェーブレット変換することによって取得したデータ（変換データ）を血流データとして用いてもよい。ウェーブレット変換によって、周波数スペクトルは、周波数成分ごとに、測定時間の重み付けがなされる。すなわち、変換データは、周波数スペクトルの時間変化を含むデータとなる。その結果、睡眠推定システム１は、学習する特徴が増えるため、睡眠状態の推定精度を向上させることができる。

【0066】

一例として、センサ装置２０が血流データとしてバソモーションの変動係数を算出する場合について説明する。まず、センサ装置２０は、うなり信号（第１うなり信号）をフーリエ変換し、周波数スペクトルを取得する。次に、センサ装置２０は、バソモーションの成分が含まれる周波数範囲のみが残るように周波数スペクトルをフィルタリングする。そして、センサ装置２０は、フィルタリングした周波数スペクトルをフーリエ逆変換し、再度うなり信号（第２うなり信号）を取得する。センサ装置２０は、この第２うなり信号の強度の変動係数をバソモーションの変動係数として、算出することができる。一実施形態に係る睡眠推定システム１は、算出したバソモーションの変動係数を学習用データ１２２または推定用データ１２５として使用される血流データとすることができる。

【0067】

以上のように、睡眠推定システム１は詳細に説明された。しかし、上記した説明は、全ての局面において例示であって、この開示がそれに限定されるものではない。例えば、ニューラルネットワークは、畳み込みニューラルネットワーク（ＣＮＮ：Convolutional Neural Network）、再帰型ニューラルネットワーク（ＲＮＮ：Recurrent Neural Network）、およびＬＳＴＭ（Long Short Term Memory）などであってもよい。また、近似器１７の学習モデルは、睡眠推定システム１が、学習用データ１２２に基づいてユーザの睡眠状態を推定することができるものであれば、上記の実施形態で示したものに限定されない。なお、上述した各種例は、相互に矛盾しない限り組み合わせて適用可能である。そして、例示されていない無数の例が、この開示の範囲から外れることなく想定され得るものと解される。

【0068】

一実施形態に係る睡眠推定システム１は、ユーザの血流データ（推定用データ１２５）を入力する入力装置１６と、前記血流データに基づいて前記ユーザの睡眠状態を示す出力データ１９を演算する近似器１７と、前記血流データを前記近似器に送信し、前記演算の処理を実行する制御装置１１と、を備え、前記近似器は、前記血流データと同種のデータを含む学習用データ１２２と、前記学習用データと関連した前記出力データと同種のデータを含む教師データ１２３とを用いて、学習処理されている。

【0069】

（睡眠推定装置）
上記の実施形態で説明した睡眠推定システム１は、各装置を機能部として有する、一つの装置（睡眠推定装置）として構成されてもよい。一実施形態に係る睡眠推定装置は、ユーザの血流データを入力する入力部（例えば、通信装置１４、入力装置１６など）と、血流データを入力する入力層、入力層からの出力に対して学習済みパラメータに基づく演算を行なう隠れ層、および隠れ層の演算結果をユーザの睡眠状態として出力する出力層、を有する近似器（例えば、近似器１７）を構成する制御部（例えば、制御装置１１）と、を備える。

【0070】

上記の睡眠推定装置は、ユーザの被検部位に光を照射する発光部、およびユーザの血流によって散乱された光を含む干渉光を受光する受光部、を有するセンサ部（例えば、センサ装置２０）、をさらに備えていてもよい。そして、制御部は、受光部の出力の周波数スペクトルに基づいて、血流データを取得してもよい。

【0071】

（睡眠推定方法）
上記の実施形態で説明した睡眠推定システム１が有する制御プログラム１２１が実行する各工程は、睡眠推定方法の発明として解釈されてもよい。一実施形態に係る睡眠推定方法は、ユーザの血流データを入力する入力層、入力層からの出力に対して学習済みパラメータに基づく演算を行なう隠れ層、および隠れ層の演算結果をユーザの睡眠状態として出力する出力層、を有する近似器を用いて、ユーザの睡眠状態を推定する睡眠推定方法である。睡眠推定方法は、入力層が、近似器に入力された血流データを隠れ層に送信する工程と、隠れ層が、血流データに対して、学習済みパラメータに基づく演算を行なう工程と、出力層が、隠れ層の演算結果に基づいてユーザの推定睡眠状態を出力する工程と、を備える。

【0072】

上記の睡眠推定方法は、学習用データ１２２および教師データ１２３を用いて、前記近似器を準備する工程（学習処理）を含んでいてもよい。

【0073】

上記の睡眠推定方法は、センサ装置２０の発光部が、ユーザの被検部位に光を照射する工程と、センサ装置２０の受光部が、ユーザの血流によって散乱された光を含む干渉光を受光する工程と、制御装置１１が、受光部の出力の周波数スペクトルに基づいて、血流データを取得する工程と、をさらに備えていてもよい。

【符号の説明】

【0074】

１ 睡眠推定システム（睡眠推定装置）
１１ 制御装置（制御部）
１２ 記憶装置
１２１ 制御プログラム
１２２ 学習用データ
１２３ 教師データ
１２４ 演算用データ
１２５ 推定用データ
１３ バス
１４ 通信装置（入力部）
１５ 表示装置
１６ 入力装置（入力部）
１７ 近似器
１７１ 入力層
１７２ 隠れ層
１７３ 出力層
１９ 出力データ
２０ センサ装置（センサ部）
２ 情報通信網

【図1】

【図2】

【図3】

【図4】

【図5】