特開 2023-129390 レム睡眠判定装置、レム睡眠判定方法、及びプログラム

(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】P2023129390

(43)【公開日】2023-09-14

(54)【発明の名称】レム睡眠判定装置、レム睡眠判定方法、及びプログラム

(51)【国際特許分類】

   A61B 5/16 20060101AFI20230907BHJP

   A61B 5/11 20060101ALI20230907BHJP

【ＦＩ】

A61B5/16 130

A61B5/11 100

【審査請求】未請求

【請求項の数】14

【出願形態】ＯＬ

(21)【出願番号】P 2023032971

(22)【出願日】2023-03-03

(31)【優先権主張番号】63/316,421

(32)【優先日】2022-03-04

(33)【優先権主張国・地域又は機関】US

(71)【出願人】

【識別番号】504133110

【氏名又は名称】国立大学法人電気通信大学

(74)【代理人】

【識別番号】100165179

【弁理士】

【氏名又は名称】田▲崎▼ 聡

(74)【代理人】

【識別番号】100188558

【弁理士】

【氏名又は名称】飯田 雅人

(74)【代理人】

【識別番号】100175824

【弁理士】

【氏名又は名称】小林 淳一

(74)【代理人】

【識別番号】100152272

【弁理士】

【氏名又は名称】川越 雄一郎

(74)【代理人】

【識別番号】100181722

【弁理士】

【氏名又は名称】春田 洋孝

(72)【発明者】

【氏名】▲高▼玉 圭樹

(72)【発明者】

【氏名】嘉村 魁人

(72)【発明者】

【氏名】中理 怡恒

【テーマコード（参考）】

4C038

【Ｆターム（参考）】

4C038PP03

4C038PS07

4C038VA04

4C038VA15

4C038VB31

4C038VC20

(57)【要約】

【課題】非拘束型のレム睡眠の判定方法においてレム睡眠の判定精度を高めること。
【解決手段】レム睡眠判定装置は、睡眠の期間における体動の大きさを時刻毎に示す体動データを取得する体動データ取得部と、体動データのなかから所定の睡眠段階の体動に相当するデータである第１体動データを除去する体動除去部と、体動除去部によって第１体動データが除去された体動データから、所定の長さの第１時間の間に出現した体動の回数を示す体動密度と、所定の長さの第２時間あたりの移動平均とを算出する体動密度移動平均算出部と、睡眠の期間のうち、体動密度移動平均算出部によって算出された体動密度が移動平均を上回る期間をレム睡眠の期間として判定するレム睡眠判定部と、を備える。
【選択図】図１５

【特許請求の範囲】

【請求項1】

睡眠の期間における体動の大きさを時刻毎に示す体動データを取得する体動データ取得部と、
前記体動データのなかから所定の睡眠段階の体動に相当するデータである第１体動データを除去する体動除去部と、
前記体動除去部によって前記第１体動データが除去された前記体動データから、所定の長さの第１時間の間に出現した体動の回数を示す体動密度と、所定の長さの第２時間あたりの移動平均とを算出する体動密度移動平均算出部と、
前記睡眠の期間のうち、前記体動密度移動平均算出部によって算出された前記体動密度が前記移動平均を上回る期間をレム睡眠の期間として判定するレム睡眠判定部と、
を備えるレム睡眠判定装置。

【請求項2】

前記第１体動データには、覚醒時の体動に相当するデータである覚醒時体動データが含まれる
請求項１に記載のレム睡眠判定装置。

【請求項3】

前記体動除去部は、前記体動データのなかから前記体動データが示す前記体動の大きさに基づいて前記覚醒時体動データを除去する
請求項２に記載のレム睡眠判定装置。

【請求項4】

前記体動除去部は、前記体動データのなかから前記体動データが示す前記体動の大きさが、上位所定の割合であるデータに基づいて前記覚醒時体動データを除去し、
前記割合は、睡眠全体に対する覚醒の割合から定められた割合である
請求項２に記載のレム睡眠判定装置。

【請求項5】

前記体動除去部は、前記体動データのなかから機械学習の結果に基づいて前記覚醒時体動データを除去する
請求項２に記載のレム睡眠判定装置。

【請求項6】

前記第１体動データには、前記覚醒時体動データとともにノンレム睡眠段階２の体動に相当するデータであるノンレム睡眠段階２体動データが含まれ、
前記体動除去部は、前記覚醒時体動データが除去された前記体動データのなかから前記ノンレム睡眠段階２体動データを除去する
請求項２から請求項５のいずれか一項に記載のレム睡眠判定装置。

【請求項7】

前記第１体動データには、ノンレム睡眠段階２の体動に相当するデータであるノンレム睡眠段階２体動データが含まれる
請求項１に記載のレム睡眠判定装置。

【請求項8】

前記体動除去部は、前記体動データのなかから前記体動データが示す前記体動の大きさに基づいて前記ノンレム睡眠段階２体動データを除去する
請求項７に記載のレム睡眠判定装置。

【請求項9】

前記体動除去部は、前記体動データのなかから前記体動データが示す前記体動の大きさが、上位所定の割合であるデータに基づいて前記ノンレム睡眠段階２体動データを除去し、
前記割合は、睡眠全体に対するノンレム睡眠段階２の割合から定められた割合である
請求項７に記載のレム睡眠判定装置。

【請求項10】

前記体動除去部は、前記体動データのなかから機械学習の結果に基づいて前記ノンレム睡眠段階２体動データを除去する
請求項７に記載のレム睡眠判定装置。

【請求項11】

前記第１体動データには、前記ノンレム睡眠段階２体動データとともに覚醒時の体動に相当するデータである覚醒時体動データが含まれ、
前記体動除去部は、前記ノンレム睡眠段階２体動データが除去された前記体動データのなかから前記覚醒時体動データを除去する
請求項７から請求項１０のいずれか一項に記載のレム睡眠判定装置。

【請求項12】

前記体動密度移動平均算出部は、睡眠周期に基づいて定められた所定の時間長さの時間窓を用いて前記移動平均を算出する
請求項１に記載のレム睡眠判定装置。

【請求項13】

睡眠の期間における体動の大きさを時刻毎に示す体動データを取得する体動データ取得ステップと、
前記体動データのなかから所定の睡眠段階の体動に相当するデータである第１体動データを除去する体動除去ステップと、
前記体動除去ステップによって前記第１体動データが除去された前記体動データから、所定の長さの第１時間の間に出現した体動の回数を示す体動密度と、所定の長さの第２時間あたりの移動平均とを算出する体動密度移動平均算出ステップと、
前記睡眠の期間のうち、前記体動密度移動平均算出ステップによって算出された前記体動密度が前記移動平均を上回る期間をレム睡眠の期間として判定するレム睡眠判定ステップと、
を有するレム睡眠判定方法。

【請求項14】

睡眠の期間における体動の大きさを時刻毎に示す体動データを取得する体動データ取得ステップと、
前記体動データのなかから所定の睡眠段階の体動に相当するデータである第１体動データを除去する体動除去ステップと、
前記体動除去ステップによって前記第１体動データが除去された前記体動データから、所定の長さの第１時間の間に出現した体動の回数を示す体動密度と、所定の長さの第２時間あたりの移動平均とを算出する体動密度移動平均算出ステップと、
前記睡眠の期間のうち、前記体動密度移動平均算出ステップによって算出された前記体動密度が前記移動平均を上回る期間をレム睡眠の期間として判定するレム睡眠判定ステップと、
を実行させるためのプログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、レム睡眠判定装置、レム睡眠判定方法、及びプログラムに関する。

【背景技術】

【0002】

厚生労働省によると、現在の日本において、一般成人の２０％以上が何らかの睡眠障害を患っている。睡眠と健康には密接な関係があり、睡眠の質の低下は免疫システムの弱化や認知機能障害の発症率の増大、心疾患のリスクの増大など様々な健康被害に繋がる。そのため、日々の睡眠状態を把握することは、病気の発見、および早期発見による治療に重要である。

【0003】

睡眠状態把握において、睡眠段階の周期（睡眠周期）は重要な指標の１つである。睡眠段階は、睡眠段階判定の国際基準であるＲｅｃｈｔｓｃｈａｆｆｅｎ ＆ Ｋａｌｅｓ（以下、「Ｒ＆Ｋ法」と略称する）法に基づき浅い睡眠から深い睡眠をＷａｋｅ（ａｒｏｕｓａｌ）、レム（ＲＥＭ：Ｒａｐｉｄ Ｅｙｅ Ｍｏｖｅｍｅｎｔ）睡眠、ノンレム（Ｎｏｎ－ＲＥＭ）睡眠段階１～４の全６段階で表される。睡眠周期は、約９０分のサイクルで深い睡眠（ノンレム睡眠段階３～４）と、浅い睡眠（ノンレム睡眠段階１～２、レム睡眠）とを繰り返す周期性のことであり、入眠からレム睡眠、またはレム睡眠間のことを指す。そのため、睡眠周期はレム睡眠を推定することで測定が可能となる。

【0004】

現在の医療現場における国際基準の睡眠段階推定法は、Ｒ＆Ｋ法に基づき終夜睡眠ポリグラフ（ＰＳＧ）検査により得られた脳波、筋電図、眼球運動図など生体データを評価し推定される。しかし、ＰＳＧ検査は被験者の頭部や体に複数の電極やセンサの装着を要し、拘束状態による被験者の身体的負担が大きい。そのため、マットセンサのような簡易センサ等を用いた非拘束睡眠段階推定法に対する需要が高い。非拘束の睡眠段階推定法が確立されれば、日常的に睡眠状態の計測が可能になり、病気の予防および早期発見に繋がる。

【0005】

現在、非拘束型睡眠段階推定方法は多数研究されている。特にレム睡眠に着目した手法として、生理的特徴に着目した方法であるＲＳＳＥ（Ｒｅａｌｔｉｍｅ Ｓｌｅｅｐ Ｓｔａｇｅ Ｅｓｔｉｍａｔｉｏｎ）（非特許文献１）、及び、機械学習に基づくレム睡眠判定法（Ｍｕｌｔｉ－Ｔｉｍｅｓｃａｌｅ ＲＥＭ Ｅｓｔｉｍａｔｉｏｎ：ＭＴＲＥ）（非特許文献２）が知られている。

【0006】

非特許文献１に記載のＲＳＳＥは、レム睡眠時に心拍数が不規則に増減するという生理的特徴に着目する。ＲＳＳＥでは、式（１）のように、直前５分間の心拍の中央値Ｈ^{Ｒｒｅｃｅｎｔ} _ｍｅｄと５～１０分前の心拍中央値ＨＲ^ｐｒｅｖ _ｍｅｄの変化率が０．０４以上増加している時間から、心拍の変化率が一度負になりその後０以上となった時間までをレム睡眠と判定する。

【0007】

【数1】

【0008】

一方、非特許文献２に記載のＭＴＲＥは、機械学習に基づいてレム睡眠を判定する。ＭＴＲＥでは、マットセンサから得られた生体振動データ（心拍、呼吸、体動の複合振動値）を入力としたランダムフォレスト（Ｒａｎｄｏｍ Ｆｏｒｅｓｔ：ＲＦ）に基づいてレム睡眠を判定する。具体的には、レム睡眠の特徴出現が瞬間的、継続的と複数パターンがあることに着目し、各窓長（３２秒、６４秒、１２８秒、２５６秒）の生体振動データの対数スペクトルを入力データとする。当該入力データを用いて異なるＲＦで学習、およびレム睡眠の判定を行う。その後、各ＲＦのレム睡眠の判定数を、窓を取って合計し、レム睡眠の割合が一夜の睡眠時間の約２０％になるように、レム睡眠となるエポックを判定する。なお、同様にしてノンレム睡眠を含む他の睡眠段階を判定する。

【先行技術文献】

【非特許文献】

【0009】

【非特許文献1】Ｔｏｍｏｈｉｒｏ Ｈａｒａｄａ、 Ｆｕｍｉｔｏ Ｕｗａｎｏ、 Ｔａｋａｈｉｒｏ Ｋｏｍｉｎｅ、 Ｙｕｓｕｋｅ Ｔａｊｉｍａ、 Ｔａｋａｈｉｒｏ Ｋａｗａｓｈｉｍａ、 Ｍｏｒｉｔｏ Ｍｏｒｉｓｈｉｍａ、 Ｋｅｉｋｉ Ｔａｋａｄａｍａ、”Ｒｅａｌ－Ｔｉｍｅ Ｓｌｅｅｐ Ｓｔａｇｅ Ｅｓｔｉｍａｔｉｏｎ ｆｒｏｍ Ｂｉｏｌｏｇｉｃａｌ Ｄａｔａ ｗｉｔｈ Ｔｒｉｇｏｎｏｍｅｔｒｉｃ Ｆｕｎｃｔｉｏｎ Ｒｅｇｒｅｓｓｉｏｎ Ｍｏｄｅｌ”、「ＡＡＡＩ Ｓｐｒｉｎｇ Ｓｙｍｐｏｓｉｕｍ － Ｔｅｃｈｎｉｃａｌ Ｒｅｐｏｒｔ」、２０１６年、ＳＳ－１６－０１ －０７巻、３４８－３５３頁

【非特許文献2】Ｉｋｏ Ｎａｋａｒｉ、 Ｎａｏｙａ Ｍａｔｓｕｄａ、 Ｋｅｉｋｉ Ｔａｋａｄａｍａ、”ＲＥＭ Ｅｓｔｉｍａｔｉｏｎ Ｂａｓｅｄ ｏｎ Ｃｏｍｂｉｎａｔｉｏｎ ｏｆ Ｍｕｌｔｉ－Ｔｉｍｅｓｃａｌｅ Ｅｓｔｉｍａｔｉｏｎｓ ａｎｄ Ａｕｔｏｍａｔｉｃ Ａｄｊｕｓｔｍｅｎｔ ｏｆ Ｐｅｒｓｏｎａｌ Ｂｉｏ－ｖｉｂｒａｔｉｏｎ Ｄａｔａ ｏｆ Ｍａｔｔｒｅｓｓ Ｓｅｎｓｏｒ”、「Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＡＡＡＩ ２０２２ Ｓｐｒｉｎｇ Ｓｙｍｐｏｓｉｕｍ “Ｈｏｗ Ｆａｉｒ ｉｓ Ｆａｉｒ？ Ａｃｈｉｅｖｉｎｇ Ｗｅｌｌｂｅｉｎｇ ＡＩ”」、２０２２年、３２７６巻、７４－８０頁

【非特許文献3】神林優太、萩原啓、「体動の出現頻度を用いた睡眠周期推定の試み」、「生体医工学」、２０１２年、５０巻、１号、９９－１０４頁

【発明の概要】

【発明が解決しようとする課題】

【0010】

しかし、上記の非特許文献１に記載のＲＳＳＥ、非特許文献２に記載のＭＴＲＥに記載の方法ではいずれも、睡眠の周期性を考慮していない。そのため、判定条件さえ満たせば睡眠周期性のないデータに対してもレム睡眠と判定してしまう問題がある。これに対し、周期性を重視の上で睡眠周期を推定する方法として、レム睡眠前後の浅い睡眠時に周期的に発生する体動に着目し、体動の回数を３０分窓で数えることにより算出する体動密度に基づく睡眠周期推定法が研究されている（非特許文献３）。

【0011】

非特許文献３に記載の睡眠周期推定法では、レム睡眠前後の浅い睡眠時に周期的に発生する体動に着目し、赤外線モーションセンサを用いて取得した睡眠時の体動情報から睡眠周期を推定する。当該睡眠周期推定法では、発生する体動の周期性を捉えるために、体動の出現頻度を表す指標として体動密度を導入した。体動密度は、前後１５分、計３０分間に起こった体動の回数である。

【0012】

当該睡眠周期推定法では、まず、赤外線モーションセンサから取得した睡眠時の体動データを用いて、体動密度を導出する。図２３に、体動と当該体動から算出された体動密度の一例を示す。縦軸は体動の回数を示し、横軸は経過時間を示す。
非特許文献３では、体動密度の値が平均値を連続して上回る時間である「体動密度が上に凸の時間」と、体動密度の値が平均値を連続して下回る時間である「体動密度が下に凸の時間」との組を体動密度周期として、睡眠周期との類似性を述べている。

【0013】

上記の非特許文献３に記載の体動密度に基づく睡眠周期推定法を応用し、レム睡眠を推定することが考えられる。しかし、この睡眠周期推定法のレム睡眠推定への応用には、次の２つの問題点が存在する。１つ目の問題点は、体動密度によって求めた浅い睡眠には、レム睡眠の体動の他に、覚醒による体動も含まれることである。２つ目の問題点は、レム睡眠とノンレム睡眠段階２とで体動の大きさが酷似しており境界が不明瞭であることである。これらの問題点のため、睡眠周期推定法をレム睡眠推定へ単純に応用しただけでは、十分な判定精度は得られないと考えられる。

【0014】

このように、従来の非拘束型のレム睡眠の判定方法では、判定精度が十分ではなかった。非拘束型のレム睡眠の判定方法においてレム睡眠の判定精度を高めることが求められている。

【0015】

本発明は上記の点に鑑みてなされたものであり、非拘束型のレム睡眠の判定方法においてレム睡眠の判定精度を高めることができるレム睡眠判定装置、レム睡眠判定方法、及びプログラムを提供する。

【課題を解決するための手段】

【0016】

本発明は上記の課題を解決するためになされたものであり、本発明の一態様は、睡眠の期間における体動の大きさを時刻毎に示す体動データを取得する体動データ取得部と、前記体動データのなかから所定の睡眠段階の体動に相当するデータである第１体動データを除去する体動除去部と、前記体動除去部によって前記第１体動データが除去された前記体動データから、所定の長さの第１時間の間に出現した体動の回数を示す体動密度と、所定の長さの第２時間あたりの移動平均とを算出する体動密度移動平均算出部と、前記睡眠の期間のうち、前記体動密度移動平均算出部によって算出された前記体動密度が前記移動平均を上回る期間をレム睡眠の期間として判定するレム睡眠判定部と、を備えるレム睡眠判定装置である。

【0017】

また、本発明の一態様は、上記のレム睡眠判定装置において、前記第１体動データには、覚醒時の体動に相当するデータである覚醒時体動データが含まれる。

【0018】

また、本発明の一態様は、上記のレム睡眠判定装置において、前記体動除去部は、前記体動データのなかから前記体動データが示す前記体動の大きさに基づいて前記覚醒時体動データを除去する。

【0019】

また、本発明の一態様は、上記のレム睡眠判定装置において、前記体動除去部は、前記体動データのなかから前記体動データが示す前記体動の大きさが、上位所定の割合であるデータに基づいて前記覚醒時体動データを除去し、前記割合は、睡眠全体に対する覚醒の割合から定められた割合である。

【0020】

また、本発明の一態様は、上記のレム睡眠判定装置において、前記体動除去部は、前記体動データのなかから機械学習の結果に基づいて前記覚醒時体動データを除去する。

【0021】

また、本発明の一態様は、上記のレム睡眠判定装置において、前記覚醒時体動データとともにノンレム睡眠段階２の体動に相当するデータであるノンレム睡眠段階２体動データが含まれ、前記体動除去部は、前記覚醒時体動データが除去された前記体動データのなかから前記ノンレム睡眠段階２体動データを除去する。

【0022】

また、本発明の一態様は、上記のレム睡眠判定装置において、前記第１体動データには、ノンレム睡眠段階２の体動に相当するデータであるノンレム睡眠段階２体動データが含まれる。

【0023】

また、本発明の一態様は、上記のレム睡眠判定装置において、前記体動除去部は、前記体動データのなかから前記体動データが示す前記体動の大きさに基づいて前記ノンレム睡眠段階２体動データを除去する。

【0024】

また、本発明の一態様は、上記のレム睡眠判定装置において、前記体動除去部は、前記体動データのなかから前記体動データが示す前記体動の大きさが、上位所定の割合であるデータに基づいて前記ノンレム睡眠段階２体動データを除去し、前記割合は、睡眠全体に対するノンレム睡眠段階２の割合から定められた割合である。

【0025】

また、本発明の一態様は、上記のレム睡眠判定装置において、前記体動除去部は、前記体動データのなかから機械学習の結果に基づいて前記ノンレム睡眠段階２体動データを除去する。

【0026】

また、本発明の一態様は、上記のレム睡眠判定装置において、前記第１体動データには、前記ノンレム睡眠段階２体動データとともに覚醒時の体動に相当するデータである覚醒時体動データが含まれ、前記体動除去部は、前記ノンレム睡眠段階２体動データが除去された前記体動データのなかから前記覚醒時体動データを除去する。

【0027】

また、本発明の一態様は、上記のレム睡眠判定装置において、前記体動密度移動平均算出部は、睡眠周期に基づいて定められた所定の時間長さの時間窓を用いて前記移動平均を算出する。

【0028】

また、本発明の一態様は、睡眠の期間における体動の大きさを時刻毎に示す体動データを取得する体動データ取得ステップと、前記体動データのなかから所定の睡眠段階の体動に相当するデータである第１体動データを除去する体動除去ステップと、前記体動除去ステップによって前記第１体動データが除去された前記体動データから、所定の長さの第１時間の間に出現した体動の回数を示す体動密度と、所定の長さの第２時間あたりの移動平均とを算出する体動密度移動平均算出ステップと、前記睡眠の期間のうち、前記体動密度移動平均算出ステップによって算出された前記体動密度が前記移動平均を上回る期間をレム睡眠の期間として判定するレム睡眠判定ステップと、を有するレム睡眠判定方法である。

【0029】

また、本発明の一態様は、睡眠の期間における体動の大きさを時刻毎に示す体動データを取得する体動データ取得ステップと、前記体動データのなかから所定の睡眠段階の体動に相当するデータである第１体動データを除去する体動除去ステップと、前記体動除去ステップによって前記第１体動データが除去された前記体動データから、所定の長さの第１時間の間に出現した体動の回数を示す体動密度と、所定の長さの第２時間あたりの移動平均とを算出する体動密度移動平均算出ステップと、前記睡眠の期間のうち、前記体動密度移動平均算出ステップによって算出された前記体動密度が前記移動平均を上回る期間をレム睡眠の期間として判定するレム睡眠判定ステップと、を実行させるためのプログラムである。

【発明の効果】

【0030】

本発明によれば、非拘束型のレム睡眠の判定方法においてレム睡眠の判定精度を高めることができる。

【図面の簡単な説明】

【0031】

【図1】本発明の実施形態に係るレム睡眠判定方法の概要の一例を示す図である。

【図2】本発明の実施形態に係る睡眠段階と体動の大きさとの関係の一例を示す図である。

【図3】本発明の実施形態に係るノンレム睡眠時の体動除去の処理によって抽出された体動の一例を示す図である。

【図4】本発明の実施形態に係る覚醒による体動とレム睡眠時の体動との大きさの違い示す図である。

【図5】本発明の実施形態に係る覚醒時の体動除去の処理によって抽出された体動の一例を示す図である。

【図6】本発明の実施形態に係る３０分窓の一例を示す図である。

【図7】本発明の実施形態に係る移動平均の一例を示す図である。

【図8】本発明の実施形態に係るレム睡眠判定方法によるレム睡眠の判定の一例を示す図である。

【図9】本発明の実施形態に係る経過時間に対する体動の回数を示す概念図の一例を示す図である。

【図10】本発明の実施形態に係るノンレム睡眠段階２の体動、及び覚醒の体動が除去された後の経過時間に対する体動の回数を示す概念図である。

【図11】本発明の実施形態に係る体動密度を示す概念図である。

【図12】本発明の実施形態に係るレム睡眠ごとの体動密度の差を示す概念図である。

【図13】本発明の実施形態に係る固定値の閾値を用いてレム睡眠を判定した場合を示す概念図である。

【図14】本発明の実施形態に係る移動平均を閾値として用いてレム睡眠を判定した場合を示す概念図である。

【図15】本発明の実施形態に係るレム睡眠判定装置１の構成の一例を示す図である。

【図16】本発明の実施形態に係るレム睡眠判定処理の流れ一例を示す図である。

【図17】本発明の実施例に係るレム睡眠判定方法によるレム睡眠判定の結果を示す図である。

【図18】本発明の実施例に係る第１評価指標の各被験者の結果を示す図である。

【図19】本発明の実施例に係る第２評価指標の各被験者の結果を示す図である。

【図20】本発明の実施例に係る第１評価指標の結果の平均値と標準偏差を示す棒グラフである。

【図21】本発明の実施例に係る第２評価指標の結果の平均値と標準偏差を示す棒グラフである。

【図22】本発明の実施例に係るレム睡眠判定方法、従来手法（ＲＳＳＥ、ＭＴＲＥ）によるレム睡眠判定結果の一例を示す図である。

【図23】従来技術に係る体動密度の一例を示す図である。

【発明を実施するための形態】

【0032】

（実施形態）
以下、図面を参照しながら本発明の実施形態について詳しく説明する。
本実施形態では、Ｒｅｃｈｔｓｃｈａｆｆｅｎ ＆ Ｋａｌｅｓ（以下、「Ｒ＆Ｋ法」と略称する）法に基づき、睡眠段階を、浅い睡眠から深い睡眠を全６段階に分類する。６段階とは、覚醒（ａｒｏｕｓａｌ）、レム（ＲＥＭ：Ｒａｐｉｄ Ｅｙｅ Ｍｏｖｅｍｅｎｔ）睡眠、及びノンレム（Ｎｏｎ－ＲＥＭ）睡眠段階１～４である。
なお、以下の説明では、ノンレム睡眠段階１～４のうち、ノンレム睡眠段階２、ノンレム睡眠段階３、及びノンレム睡眠段階４を区別せず扱い、ノンレム睡眠段階２と称する場合がある。

【0033】

図１は、本実施形態に係るレム睡眠判定方法の概要の一例を示す図である。レム睡眠判定方法には、ノンレム睡眠除去（ステップＳ３０）と、覚醒除去（ステップＳ４０）と、体動の回数カウント（ｗ分窓、ｗは所定の自然数）及び移動平均計算（ｚ分窓、ｚは所定の自然数）（ステップＳ５０）との３つのステップが含まれる。

【0034】

レム睡眠判定方法では、一例として、２種類のデータを入力データとして用いる。１つ目のデータは、一夜の体動データである。２つ目のデータは、ノンレム睡眠段階２判定結果である。
体動データは、生体センサからある一夜の睡眠時に取得される体動の振動値から高周波成分が抽出されることによって取得される。
ノンレム睡眠段階２判定結果は、睡眠時の生体振動データを入力とする機械学習（一例として、ランダムフォレスト（Ｒａｎｄｏｍ Ｆｏｒｅｓｔ：ＲＦ））によるノンレム睡眠段階２判定が行われることによって得られる結果である。ここで生体振動データは、生体センサから上記のある一夜の睡眠時に取得される。生体振動データには、心拍の振動値、呼吸の振動値、及び体動の振動値の複合振動値が含まれる。
レム睡眠判定方法では、上記の体動データ、及びノンレム睡眠段階２判定結果を入力として、レム睡眠判定結果を出力する。

【0035】

判定の流れとしては、一夜の体動データとノンレム睡眠段階２判定結果とを入力として受け取る。その後、機械学習（ＲＦ）によりノンレム睡眠段階２と判定された時間の体動を除去する（ステップＳ１０）。その後、大きさが上位ｘ％の体動の前後ｙ秒の体動を除去する（ステップＳ２０）。ステップＳ１０、ステップＳ２０の順でレム睡眠に関連する体動を抽出する。

【0036】

その後、加工した体動データに対して、３０分窓で体動密度を算出する。ここで体動密度は、所定の時間の間に起こった体動の回数であり、時刻毎に算出される。３０分窓で算出される場合、ある時刻における体動密度は、当該時刻の前後１５分、計３０分間に起こった体動の回数である。

【0037】

算出した体動密度に対してｚ分窓で移動平均を導出し、体動密度が移動平均を上回った時間帯をレム睡眠と判定する（ステップＳ３０）。ここで、３０分窓で体動密度を求めることで機械学習によるノンレム睡眠判定の誤判定の影響を抑えることができるため、機械学習によるノンレム睡眠判定の誤判定もある程度は許容可能である。

【0038】

本実施形態に係るレム睡眠判定方法の流れは、レム睡眠時の体動のみを残せば、その体動の出現頻度でレム睡眠を推定できるという自然な発想に基づいている。レム睡眠判定方法では、レム睡眠時の体動を分離して残すためにステップＳ１０、及びステップＳ２０の処理を行っている。体動の出現頻度導出とその出現頻度の高低からレム睡眠を特定するためにステップＳ３０の処理を行っている。
以下に、各処理の詳細について説明する。

【0039】

［ノンレム睡眠時の体動除去］
本実施形態に係るレム睡眠判定方法ではレム睡眠をはじめとする浅い睡眠時に体動が頻発するという生理的特徴に着目している。ここで図２に、睡眠段階と体動の大きさとの関係を示す。図２に示すように、ノンレム睡眠段階２の体動はレム睡眠付近で起きる体動と大きさの特徴が酷似している。そのため、体動の大きさの特徴に基づいてノンレム睡眠段階２の体動を除去することは困難である。そこで、ノンレム睡眠段階２の時間帯を機械学習を用いて判定する。ノンレム睡眠段階２と判定された時間帯の体動をすべて除去することでレム睡眠に関する体動のみを抽出する。

【0040】

図３に、上記のノンレム睡眠時の体動除去の処理によって抽出された体動の例を示す。図３では、体動データ、終夜睡眠ポリグラフ（ＰＳＧ）に基づく睡眠段階、及び機械学習によってノンレム睡眠段階２と判定された範囲を示す。左軸の縦軸は、体動の大きさを示す。右軸の縦軸は、睡眠段階を示す。横軸は、経過時間を示す。時期Ｔ１から時期Ｔ５をみると、ＰＳＧとの結果とは異なる箇所はあるものの、ノンレム睡眠段階２と判定された範囲の体動が除去されていることがわかる。

【0041】

［覚醒時の体動除去］
上述したように、レム睡眠判定方法ではレム睡眠をはじめとする浅い睡眠時に体動が頻発するという生理的特徴に着目しているが、この浅い睡眠時の体動にはレム睡眠による体動だけでなく、覚醒による体動も含まれている。図４に示すように、覚醒による体動はレム睡眠時の体動と大きさに明確な違いがある。この特徴に着目し、体動の大きさの特徴から覚醒による体動の影響を除去する。

【0042】

まず、一夜の体動データの中で大きさが上位ｘ％の体動は、覚醒による体動の可能性が高いため除去する。さらに大きな体動の影響は一定時間続くことから、除去した体動の前後ｙ秒の体動も同様に除去する。図５に、上記の覚醒時の体動除去の処理によって抽出された体動の例を示す。図５では、体動データ、ＰＳＧに基づく睡眠段階を示す。左軸の縦軸は、体動の大きさを示す。右軸の縦軸は、睡眠段階を示す。横軸は、経過時間を示す。

【0043】

体動ＢＭ１、及び体動ＢＭ２は、一夜の体動データの中で大きさが上位ｘ％の体動である。範囲Ｔ６１及び範囲Ｔ６２は、体動の大きさ上位ｘ（＝１）％である体動ＢＭ１の前後ｙ（＝６０）秒の範囲である。範囲Ｔ７１及び範囲Ｔ７２は、体動の大きさ上位ｘ（＝１）％である体動ＢＭ２の前後ｙ（＝６０）秒の範囲である。これらの範囲Ｔ６１及び範囲Ｔ６２、並びに範囲Ｔ７１及び範囲Ｔ７２に含まれる体動をすべて除去する。

【0044】

［体動密度導出とレム睡眠判定］
加工された体動データに対し、体動密度をｗ分窓（前後１５分、スライド幅１秒）で算出する。算出され体動密度に対し、ｚ分窓（前後ｚ／２分、スライド幅１秒）の移動平均を計算し、体動密度が移動平均を上回った時間をレム睡眠と判定する。ｗ分窓は、一例として、３０分窓である。ｚ分窓は、一例として、９０分窓である。

【0045】

ここで図６に、３０分窓の一例を示す。図７に、移動平均の一例を示す。図６では、体動の回数（体動密度）、ＰＳＧに基づく睡眠段階を示す。図７では、体動の回数（体動密度）、移動平均、ＰＳＧに基づく睡眠段階を示す。左軸の縦軸は、体動の回数（体動密度）を示す。右軸の縦軸は、睡眠段階を示す。横軸は、経過時間を示す。なお、図６及び図７では、経過時間を示すスケールが上述した図３及び図５とは異なる。

【0046】

図６に示す３０分窓Ｗ１は、時刻Ｐ１における３０分窓である。つまり、時刻Ｐ１における体動密度として、時刻Ｐ１の前後１５分、計３０分間に起こった体動の回数が計数される。図７に示す９０分窓Ｗ２は、時刻Ｐ２における９０分窓である。時刻Ｐ２における移動平均は、時刻Ｐ２の前後４５分、計９０分間についての移動平均である。

【0047】

図８に、レム睡眠判定方法によるレム睡眠の判定の一例を示す。図８では、体動密度、移動平均、ＰＳＧに基づく睡眠段階を示す。左軸の縦軸は、体動の回数（体動密度）を示す。右軸の縦軸は、睡眠段階を示す。横軸は、経過時間を示す。

【0048】

範囲Ｔ８１から範囲Ｔ８６はそれぞれ、体動密度がｚ分窓の移動平均（破線）を上回った範囲を示す。これら範囲Ｔ８１から範囲Ｔ８６が、レム睡眠判定方法で判定されたレム睡眠である。範囲Ｔ９１から範囲Ｔ９５は、実際のレム睡眠を示す。レム睡眠判定方法で判定されたレム睡眠と、実際のレム睡眠との類似性が見て取れる。

【0049】

ここで図９から図１４を参照し、ＲＥＭ睡眠判定の閾値に移動平均を用いる理由について説明する。
体動密度は、被験者ごと、またはレム睡眠ごとに大きく差がある場合がある。そのため、レム睡眠判定の閾値は固定値ではなくｚ分の移動平均を用いる。移動平均を上回る程度に体動密度が高い時間は、レム睡眠の可能性が高いと考えられる。この根拠に基づいて、体動密度が移動平均を上回る時間帯をレム睡眠と判定している。

【0050】

図９から図１４は、経過時間に対する体動の回数を示す概念図である。図９では、覚醒の体動、レム睡眠の体動、及びノンレム睡眠段階２の体動が示されている。また、範囲Ｔ１０１、範囲Ｔ１０２、及び範囲Ｔ１０３はそれぞれ実際のレム睡眠を示す。

【0051】

図１０では、上述したノンレム睡眠段階２の体動除去、及び覚醒時の体動除去によってそれぞれ、ノンレム睡眠段階２の体動、及び覚醒の体動が除去されている。一方、ノンレム睡眠段階２の体動、及び覚醒の体動だけでなく、レム睡眠の体動のうち、誤って除去されている体動がある。レム睡眠体動Ｂ１０１、及びレム睡眠体動Ｂ１０２は、誤って除去されたレム睡眠の体動を示す。

【0052】

図１１に時間窓を用いて算出された体動密度Ｃ１を示す。上述したように、体動密度にはレム睡眠ごとに大きく差がある場合がある。図１２では、範囲Ｔ１０２の体動密度は、範囲Ｔ１０１及び範囲Ｔ１０３それぞれの体動密度に比べて低い。そのため、図１３に示すように、レム睡眠判定の閾値として、固定値の閾値ＴＨ１を用いた場合、範囲Ｔ１０２はレム睡眠として判定されなくなってしまう。

【0053】

図１４に、移動平均ＭＡ１を閾値として用いてレム睡眠を判定した場合を示す。移動平均ＭＡ１を閾値として用いた場合、範囲Ｔ１０２はレム睡眠として判定されている。つまり、体動密度Ｃ１が移動平均ＭＡ１を上回る範囲をレム睡眠として判定すれば、体動密度にはレム睡眠ごとに大きく差がある場合であっても、判定し損ねてしまうレム睡眠を減らすことができる。

【0054】

また、図１０に示したように、レム睡眠の体動が誤って除去されてしまう場合がある。その場合であっても、移動平均を用いて判定すれば、一度は誤って除去されたレム睡眠の体動の範囲を、レム睡眠として正しく判定できる可能性がある。

【0055】

［レム睡眠判定装置１の構成］
上述したレム睡眠判定方法は、例えば、レム睡眠判定装置１によって実行される。
図１５は、本実施形態に係るレム睡眠判定装置１の構成の一例を示す図である。レム睡眠判定装置１は、パーソナルコンピュータ（Ｐｅｒｓｏｎａｌ Ｃｏｍｐｕｔｅｒ：ＰＣ）である。レム睡眠判定装置１は、制御部２と、記憶部３とを備える。

【0056】

制御部２は、体動データ取得部２０と、ノンレム睡眠体動判定部２１と、体動除去部２２と、体動密度移動平均算出部２３と、レム睡眠判定部２４と、出力部２５とを備える。これらの機能部はそれぞれ、例えばＣＰＵがＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）から読み込んだプログラムをＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）に展開して、当該プログラムに従って処理を実行することにより実現される。当該ＲＯＭ、当該ＲＡＭは、記憶部３に含まれる。

【0057】

体動データ取得部２０は、体動データＡ１を取得する。体動データＡ１は、睡眠の期間における体動の大きさを時刻毎に示すデータである。本実施形態では、一例として、体動データ取得部２０は、まず生体振動データ計測センサ４から生体振動データＡ２を取得する。生体振動データＡ２は、睡眠の期間における体動の大きさ、心拍の大きさ、及び呼吸の大きさが合わさった振動値を時刻毎に示すデータである。体動データ取得部２０は、取得した生体振動データＡ２に含まれる体動の大きさの振動値から高周波成分を抽出することによって体動データＡ１を取得する。

【0058】

ノンレム睡眠体動判定部２１は、体動データ取得部２０が取得した生体振動データＡ２から機械学習に基づいて、睡眠の期間のうちノンレム睡眠段階２の期間を判定する。
ノンレム睡眠体動判定部２１がノンレム睡眠段階２の判定に用いる機械学習は、教師あり機械学習である。学習済みモデルＭ１は、予め学習が行われた当該教師あり機械学習のモデルである。学習済みモデルＭ１は、生体振動データＡ２が入力されると、睡眠の期間のうちノンレム睡眠段階２の期間を出力する。

【0059】

なお、学習済みモデルＭ１として、体動データＡ１が入力されると、睡眠の期間のうちノンレム睡眠段階２の期間を出力する学習済みモデルが用いられてもよい。その場合、体動データ取得部２０は、生体振動データＡ２から体動データのみを取得すればよい。

【0060】

本実施形態では、ノンレム睡眠体動判定部２１がノンレム睡眠段階２の判定に用いる機械学習は、一例として、非特許文献２に記載のレム睡眠判定法（Ｍｕｌｔｉ－Ｔｉｍｅｓｃａｌｅ ＲＥＭ Ｅｓｔｉｍａｔｉｏｎ：ＭＴＲＥ）である。なお、当該機械学習は、ＭＴＲＥ以外のＲＦであってもよいし、ＲＦ以外の教師あり機械学習であってもよい。

【0061】

体動除去部２２は、体動データ取得部２０によって取得された体動データＡ１のなかから第１体動データを除去する。第１体動データは、所定の睡眠段階の体動に相当するデータである。

【0062】

本実施形態では、体動除去部２２が除去する第１体動データには、ノンレム睡眠段階２体動データが含まれる。ノンレム睡眠段階２体動データは、一例として、ノンレム睡眠段階２の体動に相当するデータである。なお、ノンレム睡眠段階２体動データは、ノンレム睡眠段階３と４の割合が少なく、類似していることから、ノンレム睡眠段階２からノンレム睡眠段階４の体動に相当するデータであってもよい。また、ノンレム睡眠段階２体動データは、ノンレム睡眠段階２、及びノンレム睡眠段階３の体動に相当するデータであってもよい。

【0063】

また、本実施形態では、体動除去部２２が除去する第１体動データには、覚醒時体動データが含まれる。覚醒時体動データは、覚醒時の体動に相当するデータである。

【0064】

体動除去部２２は、体動データＡ１のなかからノンレム睡眠段階２体動データと覚醒時体動データとのうち少なくとも一方を除去する。体動除去部２２は、体動データＡ１のなかからノンレム睡眠段階２体動データと覚醒時体動データとの両方を除去する場合、一方を除去してから他方を除去する。体動除去部２２は、ノンレム睡眠段階２体動データが除去された体動データＡ１のなかから覚醒時体動データを除去してもよいし、覚醒時体動データが除去された体動データＡ１のなかからノンレム睡眠段階２体動データを除去してもよい。

【0065】

体動除去部２２が体動データＡ１のなかから第１体動データを除去する手法は、体動データＡ１が示す体動の大きさに基づいて除去する手法、または機械学習に基づいて除去する手法のいずれであってもよい。体動の大きさに基づいて除去する手法には、体動の大きさの閾値に基づいて除去する手法と、体動データＡ１のなかから体動の大きさが上位所定の割合であるデータに基づいて除去する手法とがある。これらの手法の具体例については後述する。

【0066】

例えば、体動除去部２２は、ノンレム睡眠体動判定部２１によるノンレム睡眠段階２の判定結果に基づいて、体動データ取得部２０によって取得された体動データＡ１のなかからノンレム睡眠段階２体動データを除去する。したがって、体動除去部２２は、体動データ取得部２０によって取得された体動データＡ１のなかからノンレム睡眠段階２体動データを機械学習の結果に基づいて除去する。

【0067】

例えば、体動除去部２２は、体動データＡ１のなかから体動データＡ１が示す体動の大きさに基づいて覚醒時体動データを除去する。本実施形態では、一例として、体動除去部２２は、ノンレム睡眠段階２体動データが除去された体動データＡ１のなかから覚醒時体動データを除去する。また、体動除去部２２は、一例として、体動データＡ１のなかから体動データＡ１が示す体動の大きさに基づいて覚醒時体動データを除去する。

【0068】

体動密度移動平均算出部２３は、体動除去部２２によって第１体動データが除去された体動データＡ１から、体動密度と、移動平均とを算出する。体動密度は、所定の長さの第１時間（一例として、３０分）の間に出現した体動の回数を示す。当該移動平均は、所定の長さの第２時間（一例として、９０分）あたりの移動平均である。

【0069】

レム睡眠判定部２４は、睡眠の期間のうち、体動密度移動平均算出部２３によって算出された体動密度が移動平均を上回る期間をレム睡眠の期間として判定する。

【0070】

出力部２５は、レム睡眠判定部２４による判定結果を出力する。

【0071】

生体振動データ計測センサ４は、生体振動データＡ２を計測する。生体振動データ計測センサ４は、上述した生体センサである。
生体振動データ計測センサ４は、被験者がベッドマットの下に敷かれて設置されるマット型のセンサである。生体振動データ計測センサ４は、非拘束型のセンサである。

【0072】

［レム睡眠判定処理］
次に図１６を参照し、レム睡眠判定装置１によるレム睡眠判定方法に基づく処理（レム睡眠判定処理）の流れについて説明する。
図１６は、本実施形態に係るレム睡眠判定処理の流れ一例を示す図である。レム睡眠判定処理は、制御部２によって実行される。

【0073】

ステップＳ１１０：体動データ取得部２０は、体動データＡ１を取得する。一例として、体動データ取得部２０は、まず生体振動データ計測センサ４から生体振動データＡ２を取得する。体動データ取得部２０は、取得した生体振動データＡ２に含まれる体動の大きさの振動値から高周波成分を抽出することによって体動データＡ１を取得する。

【0074】

ステップＳ１２０：体動除去部２２は、体動データ取得部２０によって取得された体動データＡ１のなかからノンレム睡眠段階２体動データを機械学習の結果に基づいて除去する。機械学習の結果は、ノンレム睡眠体動判定部２１によるノンレム睡眠段階２の判定結果である。

【0075】

なお、当該ノンレム睡眠段階２の判定結果は、レム睡眠判定処理の開始前にノンレム睡眠体動判定部２１によって判定が行われて予め記憶部３に記憶されていればよい。なお、ステップＳ１２０において、体動データ取得部２０による生体振動データＡ２の取得と、ノンレム睡眠体動判定部２１による機械学習に基づくノンレム睡眠段階２の判定とが行われてもよい。
なお、ステップＳ１２０の処理は、上述したステップＳ１０の処理に相当する。

【0076】

なお、ノンレム睡眠体動判定部２１は、機械学習を用いる代わりに、体動データＡ１が示す体動の大きさに基づいて、ノンレム睡眠段階２の期間を判定してもよい。例えば、ノンレム睡眠体動判定部２１は、体動の大きさが所定の閾値より小さい期間をノンレム睡眠段階２の期間として判定してもよい。

【0077】

ステップＳ１３０：体動除去部２２は、体動データＡ１のなかから体動データＡ１が示す体動の大きさに基づいて覚醒時体動データを除去する。図１６に示す例では、体動除去部２２は、ステップＳ１２０において体動除去部２２によってノンレム睡眠段階２体動データが除去された体動データＡ１のなかから覚醒時体動データを除去する。

【0078】

また、体動除去部２２は、体動データＡ１のなかから体動データＡ１が示す体動の大きさに基づいて覚醒時体動データを除去する。ここで体動除去部２２は、体動データＡ１のなかから体動データＡ１が示す体動の大きさが、上位所定の割合であるデータに基づいて覚醒時体動データとして除去する。体動除去部２２は、当該所定の割合であるデータが測定された時刻の前後の所定の範囲を、覚醒時体動データとして除去する。

【0079】

当該所定の割合は、睡眠全体に対する覚醒の割合に基づいて定められることが好ましい。覚醒は睡眠全体の５～１５％出現することが知られている。そのため、当該所定の割合は、例えば、体動の大きさ上位１パーセントである体動の前後６０秒の範囲となる。なお、当該所定の値の割合は、被験者毎に設定されてもよい。また、当該所定の値の割合は、睡眠全体に対する覚醒の割合に基づかずに設定されてもよい。

【0080】

なお、体動除去部２２は、体動データＡ１のなかから体動データＡ１が示す体動の大きさが、所定の大きさ（閾値）以上であるデータを覚醒時体動データとして除去してもよい。

【0081】

ここで体動の大きさは、図４に示したように、睡眠段階に応じて互いに異なる。体動の大きさは、覚醒、ノンレム睡眠段階１、レム睡眠、ノンレム睡眠段階２、ノンレム睡眠段階３、ノンレム睡眠段階４の順に大きい。当該閾値は、例えば、ノンレム睡眠段階１とレム睡眠との境界に対応する体動の大きさとして設定されてよい。また、当該閾値は、例えば、覚醒とノンレム睡眠段階１との境界に対応する体動の大きさとして設定されてもよい。
なお、ステップＳ１３０の処理は、上述したステップＳ２０の処理に相当する。

【0082】

ステップＳ１４０：体動密度移動平均算出部２３は、体動除去部２２によって覚醒時体動データが除去された体動データＡ１から、体動密度と、移動平均とを算出する。体動密度の算出に用いる時間窓の長さは３０分である。移動平均の算出に用いる時間窓の長さは、睡眠周期に基づいて決定されることが好ましい。移動平均の算出に用いる時間窓の長さは９０分である。したがって、体動密度移動平均算出部２３は、睡眠周期に基づいて定められた所定の時間長さの時間窓を用いて移動平均を算出する。

【0083】

ステップＳ１５０：レム睡眠判定部２４は、睡眠の期間のうち、体動密度移動平均算出部２３によって算出された体動密度が移動平均を上回る期間をレム睡眠の期間として判定する。
なお、ステップＳ１４０、及びステップＳ１５０の処理は、上述したステップＳ３０の処理に相当する。

【0084】

ステップＳ１６０：出力部２５は、レム睡眠判定部２４による判定結果を出力する。出力部２５は、例えば表示装置（不図示）に判定結果を出力し、当該表示装置に判定結果を表示させる。なお、出力部２５は、外部の情報処理装置（サーバなど）に判定結果を出力してもよい。また、出力部２５は、判定結果を記憶部３に記憶させてもよい。
以上で、レム睡眠判定装置１は、レム睡眠判定処理を終了する。

【0085】

なお、体動除去部２２は、ノンレム睡眠段階２の判定結果をレム睡眠判定装置１以外の外部装置から取得してもよい。当該外部装置は、ノンレム睡眠体動判定部２１と同様の機能を備える。その場合、レム睡眠判定装置１の構成からノンレム睡眠体動判定部２１は省略されてもよい。

【0086】

なお、本実施形態では、ノンレム睡眠段階２体動データが除去された体動データＡ１のなかから覚醒時体動データが除去される場合の一例について説明したが、これに限られない。ノンレム睡眠段階２体動データと覚醒時体動データとで除去される順番は逆であってもよい。つまり、覚醒時体動データが除去された体動データＡ１のなかからノンレム睡眠段階２体動データが除去されてもよい。その場合、ステップＳ１３０の処理の後に、ステップＳ１２０の処理が実行される。

【0087】

また、ノンレム睡眠段階２体動データを除去する処理は省略されてもよい。その場合、体動除去部２２は、体動データ取得部２０によって取得された体動データＡ１のなかから覚醒時体動データを除去する。なお、その場合、レム睡眠判定装置１の構成からノンレム睡眠体動判定部２１、体動除去部２２は省略されてもよい。

【0088】

なお、本実施形態では、体動除去部２２が体動の大きさに基づいて覚醒時体動データを除去する場合の一例について説明したが、これに限られない。体動除去部２２は、機械学習に基づいて、体動データＡ１のなかから覚醒時体動データを除去してもよい。当該機械学習では、体動データＡ１が入力されると覚醒の範囲が出力される学習済みモデルが用いられる。

【0089】

なお、本実施形態では、機械学習に基づいてノンレム睡眠段階２体動データを除去する場合の一例について説明したが、これに限られない。体動除去部２２は、体動データＡ１のなかから体動データＡ１が示す体動の大きさに基づいてノンレム睡眠段階２体動データを除去してもよい。また、体動データＡ１のなかから体動データＡ１が示す体動の大きさが、上位所定の割合であるデータに基づいてノンレム睡眠段階２体動データを除去してもよい。ここで当該割合は、睡眠全体に対するノンレム睡眠段階２の割合から定められた割合である。

【0090】

なお、本実施形態では、体動密度と移動平均とが算出される処理（ステップＳ１４０）の前に、体動データＡ１からノンレム睡眠段階２体動データと覚醒時体動データとが予め除去される（ステップＳ１２０、及びステップＳ１３０）場合の一例について説明したが、これに限られない。ノンレム睡眠段階２体動データと覚醒時体動データとのうちいずれか一方が体動データＡ１から除去されずに、体動密度と移動平均とが算出される処理（ステップＳ１４０）が実行されてもよい。つまり、図１６に示したレム睡眠判定処理からステップＳ１２０、及びステップＳ１３０の処理のうちいずれか一方が省略されてもよい。

【0091】

なお、レム睡眠判定装置１は、仮想サーバとして実現されてもよい。レム睡眠判定装置１が備える各機能部は、複数のサーバに分散されて備えられてもよい。レム睡眠判定装置１は、クラウドサーバとして実現されてもよい。

【0092】

（実施例）
本実施形態に係るレム睡眠判定方法を用いた実施例として、実験の結果について説明する。
本実施例では、年齢、及び性別の互いに異なる８名を被験者とした。被験者に対し、第１生体センサで計測された心拍数データ、及び体動データと、第２生体センサで計測された生体振動データとに基づいて、従来手法（ＲＳＳＥ、ＭＴＲＥ）と、本実施形態に係るレム睡眠判定方法とのレム睡眠推定結果を比較する。

【0093】

被験者それぞれに対し、ＰＳＧを装着し、ベッドマットの下に２種類の生体センサ（第１生体センサ、及び第２生体センサ）を敷いて被験者実験を行った。２種類の生体センサはそれぞれ、マット型のセンサである。これら２種類の生体センサは、それぞれ被験者の胸の真下に来るような位置に、当該２種類のセンサを重ねた状態で使用する。２種類の生体センサは主に胸部の振動を取得する。第１生体センサは毎秒１個、第２生体センサは毎秒１６個のセンサ値を出力する。この振動には、呼吸、心拍、及び体動、並びにノイズが含まれている。

【0094】

比較手法（ＲＳＳＥ）では、第１生体センサによって取得されたデータを用いる。比較手法（ＭＴＲＥ）では、第２生体センサによって取得されたデータを用いる。本実施例では両方の生体センサのデータを用いる。第１生体センサ、及び第２生体センサは、生体振動データ計測センサ４の一例である。

【0095】

また、取得したＰＳＧデータは専門の技師に睡眠段階の解析を依頼し、得られた睡眠段階を正解データとした。被験者の年齢層は、２０代が２名、３０代が１名、４０代が４名、５０代が１名である。性別は男性が５名、女性が３名である。割合に偏りはあるが、各年齢層（２０～５０代）と性別を網羅できるよう被験者を決定している。

【0096】

また、睡眠ポリグラフ検査（ＰＳＧ）について、睡眠環境の変化がもたらす被験者への負担が大きく、睡眠構造や睡眠指標の解析を目的とした場合、第一夜ではなく、第二夜、第三夜以降の記録を採用したほうが良いという見解がある。そのため、本実施例では、データはすべて第二夜以降のものを使用している。

【0097】

睡眠段階推定の評価指標として、一般的には推定の正確性を確認するために、１エポック（３０秒）ごとのＡｃｃｕｒａｃｙ、Ｐｒｅｃｉｓｉｏｎ、Ｒｅｃａｌｌ、Ｆ－ｍｅａｓｕｒｅなどが用いられる。しかし、睡眠周期を推定するにはレム睡眠推定の秒単位の正確性ではなく、大まかにでもレム睡眠を推定できていることが重要である。そのため、本実施形態では、評価指標として第１評価指標と、第２評価指標との２つを用いる。第１評価指標は、本実施形態に係るレム睡眠判定方法、及び従来手法（ＲＳＳＥ、ＭＴＲＥ）で推定したレム睡眠が実際のレム睡眠を捉えられた割合である。第２評価指標：偽陽性（Ｆａｌｓｅ ｐｏｓｉｔｉｖｅ：ＦＰ）（実際にはレム睡眠でないのにレム睡眠と判定）の回数である。

【0098】

推定したレム睡眠がＰＳＧに基づくレム睡眠と時間的に重なっていれば、そのレム睡眠は捉えられていると定義する。
第１評価指標について、ＰＳＧに基づく睡眠段階ではレム睡眠の間に他の睡眠段階が現れる場合があるが、レム睡眠以外の睡眠段階が表れている時間が５分以内であれば１回のレム睡眠とカウントする。
また、第２評価指標について、レム睡眠は一定時間連続する睡眠段階であるため、推定したレム睡眠の中で５分未満のレム睡眠はカウントしない。

【0099】

図１７は、本実施例に係るレム睡眠判定方法によるレム睡眠判定の結果を示す図である。図１７を参照しながら、第１評価指標、第２評価指標の導出方法を説明する。図１７では、体動密度、移動平均、ＰＳＧに基づく睡眠段階を示す。左軸の縦軸は、体動の回数（体動密度）を示す。右軸の縦軸は、睡眠段階を示す。横軸は、経過時間を示す。範囲Ｔ２０１から範囲Ｔ２０４がそれぞれ実際のレム睡眠を示している。

【0100】

ＰＳＧに基づく睡眠段階より、図１７に示すデータでは一夜に４回のレム睡眠が現れている。そのため、実際のレム睡眠の回数は４回となる。この４回の実際のレム睡眠に対し、本実施形態に係るレム睡眠判定方法で推定したレム睡眠が３回時間的に重なっている。そのため、推定に成功したレム睡眠の回数は３回となる。これに応じて、第１評価指標は３／４＝７５％と導かれる。また、実際はレム睡眠でない時間をレム睡眠と推定しており、かつ、５分以上連続するレム睡眠の範囲は１つ（入眠から２：３０あたりまで）ある。そのため、第２評価指標は１回となる。

【0101】

また、本実験で用いたハイパーパラメータの設定はｘ＝１［％］、ｙ＝６０［秒］、ｚ＝９０［分］である。ｘは覚醒時の体動を除去する際の体動の大きさのパーセンテージである。ｙは上位ｘ％の体動を除去するときに同時に除去する前後の間隔（単位：秒）である。ｚは移動平均を求める際の時間窓の長さ（単位：分）である。ここで、覚醒は睡眠全体の５～１５％出現することが知られている。この睡眠全体に対する覚醒の割合から、当該覚醒に相当する体動を除去するためにｘ＝１［％］、ｙ＝６０［秒］と設定している。また、睡眠周期は約９０分であることから、その周期内で体動密度の高低を比較するためにｚ＝９０［分］と設定している。

【0102】

第１評価指標と、第２評価指標との２つの評価指標について結果を示す。図１８は、第１評価指標の各被験者の結果を示す図である。図１９は、第２評価指標の各被験者の結果を示す図である。また、図２０は、第１評価指標の結果の平均値と標準偏差を示す棒グラフである。図２１は、第２評価指標の結果の平均値と標準偏差を示す棒グラフである。

【0103】

実際のレム睡眠を推定できた回数の割合の平均は、本実施形態に係るレム睡眠判定方法が９７±８％、ＲＳＳＥが８０±２３％、ＭＴＲＥが８４±２３％、ＦＰの回数の平均は、本実施形態に係るレム睡眠判定方法が１．９±１．５回、ＲＳＳＥが２．６±１．４回、ＲＦが４．３±２．０回であった。これより、本実施形態に係るレム睡眠判定方法は従来手法（ＲＳＳＥ、ＭＴＲＥ）と比較して、実際のレム睡眠を判定漏れすることが少ないこと、被験者ごとの推定精度のばらつきが小さいこと、及び、実際にはレム睡眠でない時間をレム睡眠と誤判定する回数が少ないことがわかる。

【0104】

図２２は、本実施例に係るレム睡眠判定方法、従来手法（ＲＳＳＥ、ＭＴＲＥ）によるレム睡眠判定結果の一例を示す図である。図２２（Ａ）、図２２（Ｂ）、及び図２２（ｃ）はそれぞれ、本実施形態に係るレム睡眠判定方法、ＲＳＳＥ、ＭＴＲＥの推定結果を示す。縦軸は睡眠段階、横軸は経過時間を示す。また、図２２では、各手法で推定したレム睡眠とともに、ＰＳＧに基づく睡眠段階が示されている。

【0105】

本実施形態に係るレム睡眠判定方法によって推定したレム睡眠は周期的に実際のレム睡眠を捉えられている。一方、従来手法（ＲＳＳＥ、ＭＴＲＥ）によって推定したレム睡眠は、範囲Ｔ３０１、範囲Ｔ３０２、範囲Ｔ３０３、Ｔ３０４及び範囲Ｔ３０５に示すように、レム睡眠を捉えられていない場合がある。範囲Ｔ３０３では、連続でＲＥＭと判定できていない。

【0106】

また、範囲Ｔ４０１、範囲Ｔ４０２、範囲Ｔ４０３、及び範囲Ｔ４０４に示すように、全ての手法において誤判定が起きている。しかしながら、従来手法（ＲＳＳＥ、ＭＴＲＥ）は短時間のレム睡眠を短い間隔で誤判定しており、約９０分間隔で周期的に発生するというレム睡眠の特徴を捉えられていない。これは、従来手法（ＲＳＳＥ、ＭＴＲＥ）が睡眠の周期性を考慮しておらず、判定条件さえ満たせば睡眠周期性のないデータであってもレム睡眠と判定してしまうからであると考えられる。

【0107】

これに対して、本実施形態に係るレム睡眠判定方法によって推定したレム睡眠は、実際のレム睡眠の範囲に沿うような比較的長い範囲で得られ、レム睡眠と判定された範囲がそれぞれおおよそ９０分間隔で起伏するような睡眠周期性がみられる。

【0108】

以上に説明したように、本実施形態に係るレム睡眠判定装置１は、体動データ取得部２０と、体動除去部２２と、体動密度移動平均算出部２３と、レム睡眠判定部２４と、を備える。
体動データ取得部２０は、睡眠の期間における体動の大きさを時刻毎に示す体動データＡ１を取得する。
体動除去部２２は、体動データＡ１のなかから所定の睡眠段階の体動に相当するデータである第１体動データ（本実施形態において、ノンレム睡眠段階２体動データ、及び覚醒時体動データ）を除去する。
体動密度移動平均算出部２３は、体動除去部２２によって第１体動データが除去された体動データＡ１から、所定の長さの第１時間（本実施形態において、３０分）の間に出現した体動の回数を示す体動密度と、所定の長さの第２時間（本実施形態において、９０分）あたりの移動平均とを算出する。
レム睡眠判定部２４は、睡眠の期間のうち、体動密度移動平均算出部２３によって算出された体動密度が移動平均を上回る期間をレム睡眠の期間として判定する。

【0109】

この構成により、本実施形態に係るレム睡眠判定装置１は、体動データＡ１のなかからレム睡眠に関連性の低い体動を除去し、残された体動の特徴からレム睡眠を判定できるため、非拘束型のレム睡眠の判定方法においてレム睡眠の判定精度を高めることができる。

【0110】

レム睡眠判定装置１では、レム睡眠に関連性の低い体動を除去された後の残された体動の特徴からレム睡眠を判定する際には、レム睡眠中とその前後の寝返りによる比較的大きな体動が数十分の時間窓の中で複数回出現するという特徴に基づいてレム睡眠を判定している。
さらに、レム睡眠判定装置１では、体動密度が移動平均を上回る期間をレム睡眠の期間として判定するため、体動密度は、被験者ごと、またはレム睡眠ごとに大きく差がある場合であっても、レム睡眠の判定精度を高めることができる。

【0111】

また、本実施形態に係るレム睡眠判定装置１では、第１体動データには、覚醒時の体動に相当するデータである覚醒時体動データが含まれる。

【0112】

この構成により、本実施形態に係るレム睡眠判定装置１は、体動データＡ１のなかから覚醒時体動データを除去し、残された体動の特徴からレム睡眠を判定できるため、非拘束型のレム睡眠の判定方法において覚醒時体動データを予め除去しない場合に比べてレム睡眠の判定精度を高めることができる。

【0113】

また、本実施形態に係るレム睡眠判定装置１では、体動除去部２２は、体動データＡ１のなかから体動データＡ１が示す体動の大きさに基づいて覚醒時体動データを除去する。

【0114】

この構成により、本実施形態に係るレム睡眠判定装置１は、レム睡眠に対して覚醒時の体動が大きいという特徴に基づいて体動データＡ１のなかから覚醒時体動データを除去できるため、従来技術（例えば、非特許文献２に記載のＭＴＲＥ）のように機械学習に基づいて覚醒の範囲を判定する場合に比べてレム睡眠の判定精度を高めることができる。従来技術のように機械学習に基づいて、レム睡眠以外の睡眠段階を判定する場合、誤判定が頻発し判定結果にばらつきがあった。

【0115】

また、本実施形態に係るレム睡眠判定装置１では、体動除去部２２は、体動データＡ１のなかから体動データＡ１が示す体動の大きさが、上位所定の割合（本実施形態において、１パーセント）であるデータに基づいて覚醒時体動データを除去する。当該割合は、睡眠全体に対する覚醒の割合から定められた割合である。

【0116】

この構成により、本実施形態に係るレム睡眠判定装置１は、睡眠全体に対する覚醒の割合から定められた割合に基づいて体動データＡ１のなかから覚醒時体動データを除去できるため、睡眠全体に対する覚醒の割合から定められた割合に基づかない場合に比べてレム睡眠の判定精度を高めることができる。

【0117】

また、本実施形態に係るレム睡眠判定装置１では、第１体動データには、ノンレム睡眠段階２の体動に相当するデータであるノンレム睡眠段階２体動データ（本実施形態において、ノンレム睡眠段階２からノンレム睡眠段階４の体動に相当するデータ）が含まれる。体動除去部２２は、体動データ取得部２０によって取得された体動データＡ１のなかからノンレム睡眠段階２体動データを機械学習の結果に基づいて除去する。

【0118】

この構成により、本実施形態に係るレム睡眠判定装置１は、機械学習の結果に基づいて体動データＡ１のなかからノンレム睡眠段階２体動データを除去できるため、ノンレム睡眠段階２体動データを除去するために機械学習の結果に基づかない場合に比べてレム睡眠の判定精度を高めることができる。上述したように、レム睡眠とノンレム睡眠段階２とは体動の大きさが似ているため、体動の大きさに基づいてレム睡眠とノンレム睡眠段階２とを区別することは難しい。

【0119】

また、本実施形態に係るレム睡眠判定装置１では、体動密度移動平均算出部２３は、睡眠周期（本実施形態において、９０分）に基づいて定められた所定の時間長さの時間窓を用いて移動平均を算出する。

【0120】

この構成により、本実施形態に係るレム睡眠判定装置１は、睡眠周期内で体動密度の高低を比較できるため、時間窓が睡眠周期に基づいて定められていない場合に比べてレム睡眠の判定精度を高めることができる。

【0121】

なお、上述した実施形態におけるレム睡眠判定装置１の一部、例えば、体動データ取得部２０、ノンレム睡眠体動判定部２１、体動除去部２２、体動密度移動平均算出部２３、レム睡眠判定部２４、及び出力部２５をコンピュータで実現するようにしてもよい。その場合、この制御機能を実現するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することによって実現してもよい。なお、ここでいう「コンピュータシステム」とは、レム睡眠判定装置１に内蔵されたコンピュータシステムであって、オペレーティングシステム（Ｏｐｅｒａｔｉｎｇ ｓｙｓｔｅｍ：ＯＳ）や周辺機器等のハードウェアを含むものとする。また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＣＤ－ＲＯＭ（Ｃｏｍｐａｃｔ Ｄｉｓｃ－Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムを送信する場合の通信線のように、短時間、動的にプログラムを保持するもの、その場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリのように、一定時間プログラムを保持しているものも含んでもよい。また上記プログラムは、前述した機能の一部を実現するためのものであってもよく、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであってもよい。
また、上述した実施形態におけるレム睡眠判定装置１の一部、または全部を、ＬＳＩ（Ｌａｒｇｅ Ｓｃａｌｅ Ｉｎｔｅｇｒａｔｉｏｎ）等の集積回路として実現してもよい。レム睡眠判定装置１の各機能ブロックは個別にプロセッサ化してもよいし、一部、または全部を集積してプロセッサ化してもよい。また、集積回路化の手法はＬＳＩに限らず専用回路、または汎用プロセッサで実現してもよい。また、半導体技術の進歩によりＬＳＩに代替する集積回路化の技術が出現した場合、当該技術による集積回路を用いてもよい。

【0122】

以上、図面を参照してこの発明の一実施形態について詳しく説明してきたが、具体的な構成は上述のものに限られることはなく、この発明の要旨を逸脱しない範囲内において様々な設計変更等をすることが可能である。

【符号の説明】

【0123】

１…レム睡眠判定装置、２０…体動データ取得部、２２…体動除去部、２３…体動密度移動平均算出部、２４…レム睡眠判定部、Ａ１…体動データ

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】

【図14】

【図15】

【図16】

【図17】

【図18】

【図19】

【図20】

【図21】

【図22】

【図23】

【手続補正書】

【提出日】2023-04-21

【手続補正1】

【補正対象書類名】図面

【補正対象項目名】図３

【補正方法】変更

【補正の内容】

【図3】

【手続補正2】

【補正対象書類名】図面

【補正対象項目名】図５

【補正方法】変更

【補正の内容】

【図5】

【手続補正3】

【補正対象書類名】図面

【補正対象項目名】図６

【補正方法】変更

【補正の内容】

【図6】

【手続補正4】

【補正対象書類名】図面

【補正対象項目名】図７

【補正方法】変更

【補正の内容】

【図7】

【手続補正5】

【補正対象書類名】図面

【補正対象項目名】図８

【補正方法】変更

【補正の内容】

【図8】

【手続補正6】

【補正対象書類名】図面

【補正対象項目名】図１７

【補正方法】変更

【補正の内容】

【図17】

【手続補正7】

【補正対象書類名】図面

【補正対象項目名】図２２

【補正方法】変更

【補正の内容】

【図22】