ホーム > 特許ランキング > 国立大学法人電気通信大学
知財求人 - 知財ポータルサイト「IP Force」
特開2023-74818睡眠段階推定システム、睡眠段階推定方法およびプログラム
(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】P2023074818
(43)【公開日】2023-05-30
(54)【発明の名称】睡眠段階推定システム、睡眠段階推定方法およびプログラム
(51)【国際特許分類】
A61B 5/16 20060101AFI20230523BHJP
A61B 5/11 20060101ALI20230523BHJP
【ＦＩ】
A61B5/16 130
A61B5/11 100
【審査請求】未請求
【請求項の数】9
【出願形態】ＯＬ
(21)【出願番号】P 2021187955
(22)【出願日】2021-11-18
(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】100106909
【弁理士】
【氏名又は名称】棚井 澄雄
(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】100169764
【弁理士】
【氏名又は名称】清水 雄一郎
(72)【発明者】
【氏名】▲高▼玉 圭樹
(72)【発明者】
【氏名】千住 太希
(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）】
4C038PP05
4C038VA04
4C038VA15
4C038VB01
(57)【要約】
【課題】不確かさの高いデータセットを有効活用することによって被験者の睡眠段階の推定精度を向上させることができる睡眠段階推定システム、睡眠段階推定方法およびプログラムを提供する。
【解決手段】マットセンサによって検出されたマットセンサ上の被験者の振動を示すデータから被験者の睡眠段階を推定する睡眠段階推定システムは、少なくともベースモデルとサブモデルとを備え、ベースモデルは、被験者の睡眠段階の正解が既知の被験者の振動を示すデータであるデータセットを用いた教師あり学習を行い、ベースモデルは、データセットを、被験者の睡眠段階の推定結果の不確かさが所定の閾値より低いデータセットである不確かさの低いデータセットと、被験者の睡眠段階の推定結果の不確かさが閾値以上のデータセットである不確かさの高いデータセットとに分離し、サブモデルは、不確かさの高いデータセットを用いた教師あり学習を行う。
【選択図】図１
【解決手段】マットセンサによって検出されたマットセンサ上の被験者の振動を示すデータから被験者の睡眠段階を推定する睡眠段階推定システムは、少なくともベースモデルとサブモデルとを備え、ベースモデルは、被験者の睡眠段階の正解が既知の被験者の振動を示すデータであるデータセットを用いた教師あり学習を行い、ベースモデルは、データセットを、被験者の睡眠段階の推定結果の不確かさが所定の閾値より低いデータセットである不確かさの低いデータセットと、被験者の睡眠段階の推定結果の不確かさが閾値以上のデータセットである不確かさの高いデータセットとに分離し、サブモデルは、不確かさの高いデータセットを用いた教師あり学習を行う。
【選択図】図１
【特許請求の範囲】
【請求項1】
マットセンサによって検出されたマットセンサ上の被験者の振動を示すデータから被験者の睡眠段階を推定する睡眠段階推定システムであって、
少なくともベースモデルとサブモデルとを備え、
前記ベースモデルは、被験者の睡眠段階の正解が既知の被験者の振動を示すデータであるデータセットを用いた教師あり学習を行い、
前記ベースモデルは、前記データセットを、被験者の睡眠段階の推定結果の不確かさが所定の閾値より低いデータセットである不確かさの低いデータセットと、被験者の睡眠段階の推定結果の不確かさが前記閾値以上のデータセットである不確かさの高いデータセットとに分離し、
前記サブモデルは、前記不確かさの高いデータセットを用いた教師あり学習を行う、
睡眠段階推定システム。
少なくともベースモデルとサブモデルとを備え、
前記ベースモデルは、被験者の睡眠段階の正解が既知の被験者の振動を示すデータであるデータセットを用いた教師あり学習を行い、
前記ベースモデルは、前記データセットを、被験者の睡眠段階の推定結果の不確かさが所定の閾値より低いデータセットである不確かさの低いデータセットと、被験者の睡眠段階の推定結果の不確かさが前記閾値以上のデータセットである不確かさの高いデータセットとに分離し、
前記サブモデルは、前記不確かさの高いデータセットを用いた教師あり学習を行う、
睡眠段階推定システム。
【請求項2】
前記ベースモデルは第１エビデンシャルニューラルネットワークを備え、
前記第１エビデンシャルニューラルネットワークは、前記データセットを用いた教師あり学習を行い、
前記第１エビデンシャルニューラルネットワークは、前記データセットを前記不確かさの低いデータセットと前記不確かさの高いデータセットとに分離し、
前記サブモデルは、第２エビデンシャルニューラルネットワークを備え、
前記第２エビデンシャルニューラルネットワークは、前記不確かさの高いデータセットを用いた教師あり学習を行う、
請求項１に記載の睡眠段階推定システム。
前記第１エビデンシャルニューラルネットワークは、前記データセットを用いた教師あり学習を行い、
前記第１エビデンシャルニューラルネットワークは、前記データセットを前記不確かさの低いデータセットと前記不確かさの高いデータセットとに分離し、
前記サブモデルは、第２エビデンシャルニューラルネットワークを備え、
前記第２エビデンシャルニューラルネットワークは、前記不確かさの高いデータセットを用いた教師あり学習を行う、
請求項１に記載の睡眠段階推定システム。
【請求項3】
マットセンサによって検出されたマットセンサ上の被験者の振動の時間波形を対数スケールパワースペクトルに変換することによって前記データセットを生成するデータセット生成部を備える、
請求項２に記載の睡眠段階推定システム。
請求項２に記載の睡眠段階推定システム。
【請求項4】
前記データセットの一部を構成する１つの前記対数スケールパワースペクトルは、３２秒間の被験者の振動の時間波形を変換することによって得られたものである、
請求項３に記載の睡眠段階推定システム。
請求項３に記載の睡眠段階推定システム。
【請求項5】
前記睡眠段階推定システムは、学習済みの前記ベースモデルと前記サブモデルとを用いることにより、マットセンサによって検出されたマットセンサ上の被験者の振動を示すデータから被験者の睡眠段階を推定する、
請求項１から請求項４のいずれか一項に記載の睡眠段階推定システム。
請求項１から請求項４のいずれか一項に記載の睡眠段階推定システム。
【請求項6】
前記ベースモデルは、前記データセットを前記不確かさの低いデータセットと前記不確かさの高いデータセットとに分離する分離部を備える、
請求項１に記載の睡眠段階推定システム。
請求項１に記載の睡眠段階推定システム。
【請求項7】
前記ベースモデルおよび前記サブモデルは、被験者の睡眠段階を推定し、ＷＡＫＥ、ＲＥＭ、ＮＲＥＭ１、ＮＲＥＭ２およびＮＲＥＭ３＆４の５クラスに分類する、
請求項１から請求項６のいずれか一項に記載の睡眠段階推定システム。
請求項１から請求項６のいずれか一項に記載の睡眠段階推定システム。
【請求項8】
少なくともベースモデルとサブモデルとを備える睡眠段階推定システムの睡眠段階推定方法であって、
前記ベースモデルが、被験者の睡眠段階の正解が既知の被験者の振動を示すデータであるデータセットを用いた教師あり学習を行う第１学習ステップと、
前記ベースモデルが、前記データセットを、被験者の睡眠段階の推定結果の不確かさが所定の閾値より低いデータセットである不確かさの低いデータセットと、被験者の睡眠段階の推定結果の不確かさが前記閾値以上のデータセットである不確かさの高いデータセットとに分離する分離ステップと、
前記サブモデルが、前記不確かさの高いデータセットを用いた教師あり学習を行う第２学習ステップと、
前記睡眠段階推定システムが、前記ベースモデルと前記サブモデルとを用いることにより、マットセンサによって検出されたマットセンサ上の被験者の振動を示すデータから被験者の睡眠段階を推定する推定ステップとを備える、
睡眠段階推定方法。
前記ベースモデルが、被験者の睡眠段階の正解が既知の被験者の振動を示すデータであるデータセットを用いた教師あり学習を行う第１学習ステップと、
前記ベースモデルが、前記データセットを、被験者の睡眠段階の推定結果の不確かさが所定の閾値より低いデータセットである不確かさの低いデータセットと、被験者の睡眠段階の推定結果の不確かさが前記閾値以上のデータセットである不確かさの高いデータセットとに分離する分離ステップと、
前記サブモデルが、前記不確かさの高いデータセットを用いた教師あり学習を行う第２学習ステップと、
前記睡眠段階推定システムが、前記ベースモデルと前記サブモデルとを用いることにより、マットセンサによって検出されたマットセンサ上の被験者の振動を示すデータから被験者の睡眠段階を推定する推定ステップとを備える、
睡眠段階推定方法。
【請求項9】
コンピュータに、
ベースモデルが、被験者の睡眠段階の正解が既知の被験者の振動を示すデータであるデータセットを用いた教師あり学習を行う第１学習ステップと、
前記ベースモデルが、前記データセットを、被験者の睡眠段階の推定結果の不確かさが所定の閾値より低いデータセットである不確かさの低いデータセットと、被験者の睡眠段階の推定結果の不確かさが前記閾値以上のデータセットである不確かさの高いデータセットとに分離する分離ステップと、
サブモデルが、前記不確かさの高いデータセットを用いた教師あり学習を行う第２学習ステップと、
前記ベースモデルと前記サブモデルとが、マットセンサによって検出されたマットセンサ上の被験者の振動を示すデータから被験者の睡眠段階を推定する推定ステップとを実行させるためのプログラム。
ベースモデルが、被験者の睡眠段階の正解が既知の被験者の振動を示すデータであるデータセットを用いた教師あり学習を行う第１学習ステップと、
前記ベースモデルが、前記データセットを、被験者の睡眠段階の推定結果の不確かさが所定の閾値より低いデータセットである不確かさの低いデータセットと、被験者の睡眠段階の推定結果の不確かさが前記閾値以上のデータセットである不確かさの高いデータセットとに分離する分離ステップと、
サブモデルが、前記不確かさの高いデータセットを用いた教師あり学習を行う第２学習ステップと、
前記ベースモデルと前記サブモデルとが、マットセンサによって検出されたマットセンサ上の被験者の振動を示すデータから被験者の睡眠段階を推定する推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、睡眠段階推定システム、睡眠段階推定方法およびプログラムに関する。
【背景技術】
【0002】
日本では５人に１人が不眠症を含む何らかの睡眠障害を患っており、睡眠薬服用者は３５０万人もいる（厚生労働省 令和元年「国民健康・栄養調査」の結果参照）。しかし、その検査に必要な睡眠段階の測定のためには終夜睡眠ポリグラフ（Polysomnography；ＰＳＧ）検査が用いられるが、ＰＳＧ検査は身体・精神ともに被験者の負担が大きく、個人がすぐに利用できるものではない。そのため、被験者負担を軽減した無拘束型センサによるＰＳＧ検査の代替手法の需要が高まっている。例えば、無拘束型センサを利用した睡眠段階推定法として、マットセンサをマットレスの下に設置し、取得したセンサ値を分析することで睡眠の質を解析することや、アクチグラフ（腕時計型の加速度センサ）を被験者に取り付けて生体振動データを分析することがあげられる。
【0003】
それらの先行研究として、非特許文献１には、マットセンサから得られた生体振動データから抽出された心拍の中周波成分と睡眠段階に相関性があることが記載されている。
非特許文献２に記載された技術では、アクチグラフから取得した心拍変動から時間領域と周波数領域の特徴量が設計され、Ｒａｎｄｏｍ Ｆｏｒｅｓｔによって、ＷＡＫＥ（覚醒）、ＲＥＭ（レム）、ＮＲＥＭ（ノンレム）の３段階の分類が行われている。
しかし、入力となる無拘束型センサの生体振動データには大きく２つの不確かさを伴うため、無拘束型センサによる睡眠段階の推定は困難となることが多い。１つ目は入力データの情報量不足に起因する不確かさである。通常のＰＳＧ検査では、複数種類の生体データ（脳波・眼球運動・筋電図など）を用いて睡眠段階を分類するが、無拘束型センサでは生体振動データのみで睡眠段階を分類するため、複数種類の生体データに比べて情報量が不足し、分類できないことが起こる。２つ目は入力データに雑音（ノイズ）が含まれることによる不確かさである。
非特許文献２に記載された技術では、アクチグラフから取得した心拍変動から時間領域と周波数領域の特徴量が設計され、Ｒａｎｄｏｍ Ｆｏｒｅｓｔによって、ＷＡＫＥ（覚醒）、ＲＥＭ（レム）、ＮＲＥＭ（ノンレム）の３段階の分類が行われている。
しかし、入力となる無拘束型センサの生体振動データには大きく２つの不確かさを伴うため、無拘束型センサによる睡眠段階の推定は困難となることが多い。１つ目は入力データの情報量不足に起因する不確かさである。通常のＰＳＧ検査では、複数種類の生体データ（脳波・眼球運動・筋電図など）を用いて睡眠段階を分類するが、無拘束型センサでは生体振動データのみで睡眠段階を分類するため、複数種類の生体データに比べて情報量が不足し、分類できないことが起こる。２つ目は入力データに雑音（ノイズ）が含まれることによる不確かさである。
【0004】
また、特許文献１には、眠りの深さを表す視標である睡眠段階を推定する技術について記載されている。特許文献１に記載された技術では、入眠後の経過時間に従い睡眠段階の出現頻度と遷移確率が変化することに着目する。特許文献１に記載された技術では、心電計から出力された心電データと、胸部に装着された３軸加速度計から出力された加速度データとが用いられる。
具体的には、特許文献１に記載された技術では、推定の自信度が低い場合に対する推定確率を下げることが行われる。つまり、特許文献１に記載された技術では、推定の自信度が低い入力データが有効的に活用されない。
特許文献１には、「推定の自信度が低い場合に対する推定確率を下げることで、推定精度を向上させる」旨が記載されているものの、実際には、推定の自信度が低い入力データが有効的に活用されない特許文献１に記載された技術では、推定の自信度が低い入力データが有効活用される場合よりも、睡眠段階の推定精度が低くなってしまうおそれがある。
具体的には、特許文献１に記載された技術では、推定の自信度が低い場合に対する推定確率を下げることが行われる。つまり、特許文献１に記載された技術では、推定の自信度が低い入力データが有効的に活用されない。
特許文献１には、「推定の自信度が低い場合に対する推定確率を下げることで、推定精度を向上させる」旨が記載されているものの、実際には、推定の自信度が低い入力データが有効的に活用されない特許文献１に記載された技術では、推定の自信度が低い入力データが有効活用される場合よりも、睡眠段階の推定精度が低くなってしまうおそれがある。
【先行技術文献】
【特許文献】
【0005】
【特許文献1】特開２０１９－０４８１５０号公報
【非特許文献】
【0006】
【非特許文献1】T. Watanabe and K. Watanabe. “Estimation of the Sleep Stages by the Non-Restrictive Air Mattress Sensor” Transactions of the Society of Instrument and Control Engineers, Vol. 37, No. 9, pp. 821-828, 2001.
【非特許文献2】Xiao, Meng, et al. “Sleep stages classification based on heart rate variability and random forest” Biomedical Signal Processing and Control 8.6 (2013): 624-633.
【非特許文献3】Murat Sensoy, Lance Kaplan, and Melih Kandemir “Evidential deep learning to quantify classification uncertainty” arXiv preprint arXiv:1806.01768, 2018.
【発明の概要】
【発明が解決しようとする課題】
【0007】
本発明者等は、鋭意研究において、例えば特許文献１に記載された技術などでは有効活用されない不確かさの高いデータセットを有効活用することによって（詳細には、不確かさの高いデータセットのみを用いたモデルの学習を行うことによって）、不確かさの高いデータセットが有効活用されない場合（詳細には、不確かさの高いデータセットのみを用いたモデルの学習が行われない場合）よりも、被験者の睡眠段階の推定精度が向上することを見い出したのである。
すなわち、本発明は、不確かさの高いデータセットを有効活用することによって被験者の睡眠段階の推定精度を向上させることができる睡眠段階推定システム、睡眠段階推定方法およびプログラムを提供することを目的とする。
すなわち、本発明は、不確かさの高いデータセットを有効活用することによって被験者の睡眠段階の推定精度を向上させることができる睡眠段階推定システム、睡眠段階推定方法およびプログラムを提供することを目的とする。
【課題を解決するための手段】
【0008】
本発明の一態様は、マットセンサによって検出されたマットセンサ上の被験者の振動を示すデータから被験者の睡眠段階を推定する睡眠段階推定システムであって、少なくともベースモデルとサブモデルとを備え、前記ベースモデルは、被験者の睡眠段階の正解が既知の被験者の振動を示すデータであるデータセットを用いた教師あり学習を行い、前記ベースモデルは、前記データセットを、被験者の睡眠段階の推定結果の不確かさが所定の閾値より低いデータセットである不確かさの低いデータセットと、被験者の睡眠段階の推定結果の不確かさが前記閾値以上のデータセットである不確かさの高いデータセットとに分離し、前記サブモデルは、前記不確かさの高いデータセットを用いた教師あり学習を行う、睡眠段階推定システムである。
【0009】
本発明の一態様の睡眠段階推定システムでは、前記ベースモデルは第１エビデンシャルニューラルネットワークを備え、前記第１エビデンシャルニューラルネットワークは、前記データセットを用いた教師あり学習を行い、前記第１エビデンシャルニューラルネットワークは、前記データセットを前記不確かさの低いデータセットと前記不確かさの高いデータセットとに分離し、前記サブモデルは、第２エビデンシャルニューラルネットワークを備え、前記第２エビデンシャルニューラルネットワークは、前記不確かさの高いデータセットを用いた教師あり学習を行ってもよい。
【0010】
本発明の一態様の睡眠段階推定システムは、マットセンサによって検出されたマットセンサ上の被験者の振動の時間波形を対数スケールパワースペクトルに変換することによって前記データセットを生成するデータセット生成部を備えてもよい。
【0011】
本発明の一態様の睡眠段階推定システムでは、前記データセットの一部を構成する１つの前記対数スケールパワースペクトルは、３２秒間の被験者の振動の時間波形を変換することによって得られたものであってもよい。
【0012】
本発明の一態様の睡眠段階推定システムでは、前記睡眠段階推定システムは、学習済みの前記ベースモデルと前記サブモデルとを用いることにより、マットセンサによって検出されたマットセンサ上の被験者の振動を示すデータから被験者の睡眠段階を推定してもよい。
【0013】
本発明の一態様の睡眠段階推定システムでは、前記ベースモデルは、前記データセットを前記不確かさの低いデータセットと前記不確かさの高いデータセットとに分離する分離部を備えてもよい。
【0014】
本発明の一態様の睡眠段階推定システムでは、前記ベースモデルおよび前記サブモデルは、被験者の睡眠段階を推定し、ＷＡＫＥ、ＲＥＭ、ＮＲＥＭ１、ＮＲＥＭ２およびＮＲＥＭ３＆４の５クラスに分類してもよい。
【0015】
本発明の一態様は、少なくともベースモデルとサブモデルとを備える睡眠段階推定システムの睡眠段階推定方法であって、前記ベースモデルが、被験者の睡眠段階の正解が既知の被験者の振動を示すデータであるデータセットを用いた教師あり学習を行う第１学習ステップと、前記ベースモデルが、前記データセットを、被験者の睡眠段階の推定結果の不確かさが所定の閾値より低いデータセットである不確かさの低いデータセットと、被験者の睡眠段階の推定結果の不確かさが前記閾値以上のデータセットである不確かさの高いデータセットとに分離する分離ステップと、前記サブモデルが、前記不確かさの高いデータセットを用いた教師あり学習を行う第２学習ステップと、前記睡眠段階推定システムが、前記ベースモデルと前記サブモデルとを用いることにより、マットセンサによって検出されたマットセンサ上の被験者の振動を示すデータから被験者の睡眠段階を推定する推定ステップとを備える、睡眠段階推定方法である。
【0016】
本発明の一態様は、コンピュータに、ベースモデルが、被験者の睡眠段階の正解が既知の被験者の振動を示すデータであるデータセットを用いた教師あり学習を行う第１学習ステップと、前記ベースモデルが、前記データセットを、被験者の睡眠段階の推定結果の不確かさが所定の閾値より低いデータセットである不確かさの低いデータセットと、被験者の睡眠段階の推定結果の不確かさが前記閾値以上のデータセットである不確かさの高いデータセットとに分離する分離ステップと、サブモデルが、前記不確かさの高いデータセットを用いた教師あり学習を行う第２学習ステップと、前記ベースモデルと前記サブモデルとが、マットセンサによって検出されたマットセンサ上の被験者の振動を示すデータから被験者の睡眠段階を推定する推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】
【0017】
本発明によれば、不確かさの高いデータセットを有効活用することによって被験者の睡眠段階の推定精度を向上させることができる睡眠段階推定システム、睡眠段階推定方法およびプログラムを提供することができる。
【図面の簡単な説明】
【0018】
【図1】第１実施形態の睡眠段階推定システム１の一例を示す図である。
【図2】データセット生成部１３による処理の一例を説明するための図である。
【図3】データセットＤＳと不確かさの低いデータセットＤＳＬと不確かさの高いデータセットＤＳＨとの関係の一例を示す図である。
【図4】第１実施形態の睡眠段階推定システム１において実行される処理の一例を示すフローチャートである。
【図5】不確かさの高いデータセットＤＳＨに対してベースモデル１１とサブモデル１２との一致率を比較した箱ひげ図（実験１の結果を示す図）である。
【図6】１段ＥＮＮ（比較例）と２段ＥＮＮ（本発明の第１エビデンシャルニューラルネットワーク１１Ａおよび第２エビデンシャルニューラルネットワーク１２Ａ）との性能比較結果（実験２の結果）を示す図である。
【図7】一致率の大きな向上が見られた被験者の例を示す図である。
【図8】第２実施形態の睡眠段階推定システム１の一例を示す図である。
【発明を実施するための形態】
【0019】
以下、図面を参照し、本発明の睡眠段階推定システム、睡眠段階推定方法およびプログラムの実施形態について説明する。
【0020】
［第１実施形態］
図１は第１実施形態の睡眠段階推定システム１の一例を示す図である。詳細には、図１（Ａ）は第１実施形態の睡眠段階推定システム１の機能ブロックの一例を示しており、図１（Ｂ）は第１実施形態の睡眠段階推定システム１の学習時におけるデータの流れの一例を示している。
図１に示す例では、第１実施形態の睡眠段階推定システム１が、マットセンサによって検出されたマットセンサ上の被験者の振動を示すデータから被験者の睡眠段階を推定する。睡眠段階推定システム１による被検者の睡眠段階の推定に使用されるマットセンサは、例えば一般名称「体動センサ」と称されているセンサ等である。睡眠段階推定システム１による被検者の睡眠段階の推定には、例えば下記のＵＲＬが示すマットセンサ等を用いることができる。
https://www.tanita.co.jp/product/g/_TSL504WH/
https://www.sumitomoriko.co.jp/wordpress/wp-content/uploads/2019/03/n51910487.pdf
http://www.artdata.co.jp/it_product/it_pr_seitai.html
https://www.hosoda-sensor.com/system/micro/
http://hero-x.jp/article/10636/
図１は第１実施形態の睡眠段階推定システム１の一例を示す図である。詳細には、図１（Ａ）は第１実施形態の睡眠段階推定システム１の機能ブロックの一例を示しており、図１（Ｂ）は第１実施形態の睡眠段階推定システム１の学習時におけるデータの流れの一例を示している。
図１に示す例では、第１実施形態の睡眠段階推定システム１が、マットセンサによって検出されたマットセンサ上の被験者の振動を示すデータから被験者の睡眠段階を推定する。睡眠段階推定システム１による被検者の睡眠段階の推定に使用されるマットセンサは、例えば一般名称「体動センサ」と称されているセンサ等である。睡眠段階推定システム１による被検者の睡眠段階の推定には、例えば下記のＵＲＬが示すマットセンサ等を用いることができる。
https://www.tanita.co.jp/product/g/_TSL504WH/
https://www.sumitomoriko.co.jp/wordpress/wp-content/uploads/2019/03/n51910487.pdf
http://www.artdata.co.jp/it_product/it_pr_seitai.html
https://www.hosoda-sensor.com/system/micro/
http://hero-x.jp/article/10636/
【0021】
睡眠段階推定システム１による被検者の睡眠段階の推定に使用されるマットセンサのサンプリング周波数は例えば１６Ｈｚである。そのため、例えば周波数解析を行うことによって０～８Ｈｚに含まれる生体データ（呼吸・心拍・体動）を取得することができる。
【0022】
図１に示す例では、睡眠段階推定システム１が、ベースモデル１１と、サブモデル１２と、データセット生成部１３とを備えている。
データセット生成部１３は、マットセンサによって検出されたマットセンサ上の被験者の振動の時間波形を対数スケールパワースペクトルに変換することによってデータセットＤＳ（図１（Ｂ）参照）を生成する。データセットＤＳは、ベースモデル１１における教師あり学習に用いられる。
図１に示す例では、睡眠段階推定システム１がデータセット生成部１３を備えているが、他の例では、睡眠段階推定システム１がデータセット生成部１３を備えていなくてもよい。後者の例では、睡眠段階推定システム１の外部において、データセットＤＳが生成される。
データセット生成部１３は、マットセンサによって検出されたマットセンサ上の被験者の振動の時間波形を対数スケールパワースペクトルに変換することによってデータセットＤＳ（図１（Ｂ）参照）を生成する。データセットＤＳは、ベースモデル１１における教師あり学習に用いられる。
図１に示す例では、睡眠段階推定システム１がデータセット生成部１３を備えているが、他の例では、睡眠段階推定システム１がデータセット生成部１３を備えていなくてもよい。後者の例では、睡眠段階推定システム１の外部において、データセットＤＳが生成される。
【0023】
図２はデータセット生成部１３による処理の一例を説明するための図である。
図２に示す例では、データセット生成部１３が、マットセンサによって検出されたマットセンサ上の被験者の振動の時間波形（図２の左上側部分）に対して周波数解析および正規化を行う。まず、データセット生成部１３は、離散フーリエ変換（ＤＳＴ）をするために短時間窓（ハニング窓）（図２の中央上側部分）を取り、次に高速フーリエ変換（ＦＦＴ）（図２の右上側部分）をする。
ＰＳＧ検査では、３０秒間の様々な生体データを総合して睡眠段階が決定される点に鑑み、図２に示す例では、ハニング窓の幅が３２秒に設定されている（詳細には、ＦＦＴの計算のために２の累乗に設定されている）。
図２に示す例では、データセット生成部１３が、マットセンサによって検出されたマットセンサ上の被験者の振動の時間波形（図２の左上側部分）に対して周波数解析および正規化を行う。まず、データセット生成部１３は、離散フーリエ変換（ＤＳＴ）をするために短時間窓（ハニング窓）（図２の中央上側部分）を取り、次に高速フーリエ変換（ＦＦＴ）（図２の右上側部分）をする。
ＰＳＧ検査では、３０秒間の様々な生体データを総合して睡眠段階が決定される点に鑑み、図２に示す例では、ハニング窓の幅が３２秒に設定されている（詳細には、ＦＦＴの計算のために２の累乗に設定されている）。
【0024】
また、図２に示す例では、ストライド間隔が、データの重複を避けるために３２秒間隔に設定されている。つまり、マットセンサによって検出されたマットセンサ上の被験者の振動の連続的な時間波形（図２の左上側部分）から、３２秒間分のサンプルが、３２秒間隔で抽出される。
図２に示す例では、最後に、データセット生成部１３が、細かい成分を拡大するために、高速フーリエ変換（ＦＦＴ）の結果であるパワースペクトル（図２の右上側部分）を対数スケールに変換し、最大値・最小値を［１，最小値／最大値］にスケールするように正規化し、対数スケールパワースペクトル（図２の左下側部分）を生成する。
図２の左下側部分に示す対数スケールパワースペクトルは、図２の左上側部分に示す３２秒間の被験者の振動の時間波形を変換することによって得られたものである。
図２に示す例では、最後に、データセット生成部１３が、細かい成分を拡大するために、高速フーリエ変換（ＦＦＴ）の結果であるパワースペクトル（図２の右上側部分）を対数スケールに変換し、最大値・最小値を［１，最小値／最大値］にスケールするように正規化し、対数スケールパワースペクトル（図２の左下側部分）を生成する。
図２の左下側部分に示す対数スケールパワースペクトルは、図２の左上側部分に示す３２秒間の被験者の振動の時間波形を変換することによって得られたものである。
【0025】
つまり、図１および図２に示す例では、データセット生成部１３によって生成されるデータセットＤＳ（図１（Ｂ）参照）に、図２の左下側部分に示す対数スケールパワースペクトルに相当するデータが含まれている。
上述したように、データセット生成部１３によって生成されるデータセットＤＳは、ベースモデル１１における教師あり学習に用いられる。そのため、データセットＤＳには、図２の左下側部分に示す対数スケールパワースペクトルに加えて、その対数スケールパワースペクトルに対応する正解（睡眠段階推定システム１によって推定される被検者の睡眠段階の正解）も含まれている。
データセットＤＳに含められる対数スケールパワースペクトルに対応する正解（対数スケールパワースペクトルに対応する被検者の睡眠段階）は、例えば下記の手法によって得られる。
例えばＰＳＧ検査として脳波（ＥＥＧ）、眼球運動（ＥＯＧ）、筋電図（ＥＭＧ）の計測が行われ、その計測に並行してマットセンサによって被検者の振動が計測される。ＰＳＧ検査とマットセンサによる被検者の振動の計測とを同時に行うことによって、マットセンサによって計測される各時刻の被検者の振動に対応する被検者の睡眠段階の正解を得ることができる。
上述したように、データセット生成部１３によって生成されるデータセットＤＳは、ベースモデル１１における教師あり学習に用いられる。そのため、データセットＤＳには、図２の左下側部分に示す対数スケールパワースペクトルに加えて、その対数スケールパワースペクトルに対応する正解（睡眠段階推定システム１によって推定される被検者の睡眠段階の正解）も含まれている。
データセットＤＳに含められる対数スケールパワースペクトルに対応する正解（対数スケールパワースペクトルに対応する被検者の睡眠段階）は、例えば下記の手法によって得られる。
例えばＰＳＧ検査として脳波（ＥＥＧ）、眼球運動（ＥＯＧ）、筋電図（ＥＭＧ）の計測が行われ、その計測に並行してマットセンサによって被検者の振動が計測される。ＰＳＧ検査とマットセンサによる被検者の振動の計測とを同時に行うことによって、マットセンサによって計測される各時刻の被検者の振動に対応する被検者の睡眠段階の正解を得ることができる。
【0026】
図１に示す例では、ベースモデル１１が、被験者の睡眠段階の正解が既知の被験者の振動を示すデータであるデータセットＤＳを用いた教師あり学習を行う。詳細には、ベースモデル１１は第１エビデンシャルニューラルネットワーク１１Ａを備えている。第１エビデンシャルニューラルネットワーク１１Ａは、データセットＤＳを用いた教師あり学習を行う。
【0027】
図１に示す第１エビデンシャルニューラルネットワーク（Evidential Neural Network: ENN）１１Ａは、例えば非特許文献３に記載されているように、デンプスター・シェーファー理論に基づく不確かさの学習が可能である。
ニューラルネットワーク（ＮＮ）はある入力に対して出力を直接予測するためによく用いられる手法であり、高い性能を誇る学習器である。本明細書ではこのような出力を直接予測するようなＮＮを決定的なＮＮ（Determinstic NN；ＤＮＮ）と呼ぶ。一般にＮＮと言われているものは、ＤＮＮに相当する。しかし、ＤＮＮの予測確率は予測の信頼度を反映しないため、例えばマットセンサによって検出されたマットセンサ上の被験者の振動を示すデータなどの生体データからの予測の不確かさを、ＤＮＮを用いて推測することはできない。
そのため、Ｓｅｎｓｏｙらは、非特許文献３においてエビデンシャルニューラルネットワーク（ＥＮＮ）によって不確かさを学習するＮＮ（ニューラルネットワーク）を提案した。ＥＮＮの特徴は、確率を直接予測せずに、確率分布（ディレクレ分布）のパラメータを予測し、デンプスター・シェーファーの証拠理論に基づいて不確かさを予測する点である。ＥＮＮでは、この不確かさによって予測の信頼度を推定することが可能になる。
つまり、ＥＮＮは、ディレクレ分布のパラメータαを求め、パラメータαに基づいて不確かさと確率とを予測する。不確かさは証拠理論に基づいて計算され、確率は期待値として計算される。
ニューラルネットワーク（ＮＮ）はある入力に対して出力を直接予測するためによく用いられる手法であり、高い性能を誇る学習器である。本明細書ではこのような出力を直接予測するようなＮＮを決定的なＮＮ（Determinstic NN；ＤＮＮ）と呼ぶ。一般にＮＮと言われているものは、ＤＮＮに相当する。しかし、ＤＮＮの予測確率は予測の信頼度を反映しないため、例えばマットセンサによって検出されたマットセンサ上の被験者の振動を示すデータなどの生体データからの予測の不確かさを、ＤＮＮを用いて推測することはできない。
そのため、Ｓｅｎｓｏｙらは、非特許文献３においてエビデンシャルニューラルネットワーク（ＥＮＮ）によって不確かさを学習するＮＮ（ニューラルネットワーク）を提案した。ＥＮＮの特徴は、確率を直接予測せずに、確率分布（ディレクレ分布）のパラメータを予測し、デンプスター・シェーファーの証拠理論に基づいて不確かさを予測する点である。ＥＮＮでは、この不確かさによって予測の信頼度を推定することが可能になる。
つまり、ＥＮＮは、ディレクレ分布のパラメータαを求め、パラメータαに基づいて不確かさと確率とを予測する。不確かさは証拠理論に基づいて計算され、確率は期待値として計算される。
【0028】
図１に示す例では、第１エビデンシャルニューラルネットワーク１１Ａは、データセットＤＳを、被験者の睡眠段階の推定結果の不確かさが所定の閾値より低いデータセットである不確かさの低いデータセットＤＳＬ（図１（Ｂ）参照）と、被験者の睡眠段階の推定結果の不確かさが閾値以上のデータセットである不確かさの高いデータセットＤＳＨ（図１（Ｂ）参照）とに分離する。
【0029】
図３はデータセットＤＳと不確かさの低いデータセットＤＳＬと不確かさの高いデータセットＤＳＨとの関係の一例を示す図である。詳細には、図３（Ａ）の「データ全体」は第１エビデンシャルニューラルネットワーク１１Ａによって不確かさの予測が行われるデータセットＤＳに対応しており、図３（Ｂ）の「不確かさの低いデータ」は第１エビデンシャルニューラルネットワーク１１ＡによってデータセットＤＳから分離された不確かさの低いデータセットＤＳＬに対応しており、図３（Ｂ）の「不確かさの高いデータ」は第１エビデンシャルニューラルネットワーク１１ＡによってデータセットＤＳから分離された不確かさの高いデータセットＤＳＨに対応している。
図３（Ａ）および図３（Ｂ）において、横軸は第１エビデンシャルニューラルネットワーク１１Ａによって予測される不確かさを示しており、縦軸はサンプル数を示している。図３において「Ｔｒｕｅ」は分類成功データを示しており、「Ｆａｌｓｅ」は分類失敗データを示している。
図３（Ａ）に示すように、第１エビデンシャルニューラルネットワーク１１Ａは、データセットＤＳに含まれるデータのうちの不確かさの低い領域（図３（Ａ）の左側）のデータの分類に成功し、データセットＤＳに含まれるデータのうちの不確かさの高い領域（図３（Ａ）の右側）のデータの分類に失敗する傾向がある。
図３（Ａ）および図３（Ｂ）において、横軸は第１エビデンシャルニューラルネットワーク１１Ａによって予測される不確かさを示しており、縦軸はサンプル数を示している。図３において「Ｔｒｕｅ」は分類成功データを示しており、「Ｆａｌｓｅ」は分類失敗データを示している。
図３（Ａ）に示すように、第１エビデンシャルニューラルネットワーク１１Ａは、データセットＤＳに含まれるデータのうちの不確かさの低い領域（図３（Ａ）の左側）のデータの分類に成功し、データセットＤＳに含まれるデータのうちの不確かさの高い領域（図３（Ａ）の右側）のデータの分類に失敗する傾向がある。
【0030】
図３に示す例では、第１エビデンシャルニューラルネットワーク１１Ａが、データセットＤＳを、不確かさの低い領域（図３（Ｂ）の左側）の「不確かさの低いデータ」に対応する不確かさの低いデータセットＤＳＬと、不確かさの高い領域（図３（Ｂ）の右側）の「不確かさの高いデータ」に対応する不確かさの高いデータセットＤＳＨとに分離する。
図１に示す例では、図３（Ｂ）に示す「不確かさの低いデータ」に対応する不確かさの低いデータセットＤＳＬについては、ベースモデル１１によって正しく学習されているとして、サブモデル１２による学習が行われない。
一方、図３（Ｂ）に示す「不確かさの高いデータ」に対応する不確かさの高いデータセットＤＳＨは、ベースモデル１１によって正しく学習できなかったデータの集まりとみなされ、後述するように、ベースモデル１１とは異なるサブモデル１２の第２エビデンシャルニューラルネットワーク１２Ａが、不確かさの高いデータセットＤＳＨを用いた教師あり学習を一からやり直す。
図１に示す例では、図３（Ｂ）に示す「不確かさの低いデータ」に対応する不確かさの低いデータセットＤＳＬについては、ベースモデル１１によって正しく学習されているとして、サブモデル１２による学習が行われない。
一方、図３（Ｂ）に示す「不確かさの高いデータ」に対応する不確かさの高いデータセットＤＳＨは、ベースモデル１１によって正しく学習できなかったデータの集まりとみなされ、後述するように、ベースモデル１１とは異なるサブモデル１２の第２エビデンシャルニューラルネットワーク１２Ａが、不確かさの高いデータセットＤＳＨを用いた教師あり学習を一からやり直す。
【0031】
上述したように、本発明者等は鋭意研究において、不確かさの高いデータセットＤＳＨを有効活用することによって（詳細には、不確かさの高いデータセットＤＳＨのみを用いたサブモデル１２の学習を行うことによって）、不確かさの高いデータセットＤＳＨが有効活用されない場合（詳細には、不確かさの高いデータセットＤＳＨと不確かさの低いデータセットＤＳＬとを含むデータセットＤＳを用いたベースモデル１１の学習が行われるものの、不確かさの高いデータセットＤＳＨのみを用いたサブモデル１２の学習が行われない場合）よりも、被験者の睡眠段階の推定精度が向上することを見い出したのである。
【0032】
そこで、図１に示す例では、サブモデル１２が、不確かさの高いデータセットＤＳＨを用いた教師あり学習を行う。詳細には、サブモデル１２は第２エビデンシャルニューラルネットワーク１２Ａを備えている。第２エビデンシャルニューラルネットワーク１２Ａは、不確かさの高いデータセットＤＳＨを用いた教師あり学習を行う。
【0033】
すなわち、図１に示す例では、データセットＤＳを用いたベースモデル１１の学習結果が、確実な学習結果と不確実な学習結果とに分けられる（つまり、不確かさの低いデータセットＤＳＬと、不確かさの高いデータセットＤＳＨとに分離される）。更に、不確かさの高いデータセットＤＳＨのみを用いた再学習が行われる。
そのため、図１に示す例では、後で詳細に説明するように、不確かさの高いデータセットを有効活用することによって被験者の睡眠段階の推定精度を向上させることができる。
そのため、図１に示す例では、後で詳細に説明するように、不確かさの高いデータセットを有効活用することによって被験者の睡眠段階の推定精度を向上させることができる。
【0034】
図１に示す例では、睡眠段階推定システム１のベースモデル１１およびサブモデル１２が、マットセンサによって検出されたマットセンサ上の被験者の振動を示すデータから被験者の睡眠段階を推定し、ＷＡＫＥ（覚醒）、ＲＥＭ（レム）、ＮＲＥＭ１、ＮＲＥＭ２、ＮＲＥＭ３＆４の５クラスに分類する。「ＷＡＫＥ（覚醒）」は国際判定基準（Ｒ＆Ｋのマニュアル）のＳｔａｇｅＷに相当し、「ＲＥＭ（レム）」は国際判定基準のＳｔａｇｅＲＥＭに相当し、「ＮＲＥＭ１」は国際判定基準のＳｔａｇｅ１に相当し、「ＮＲＥＭ２」は国際判定基準のＳｔａｇｅ２に相当し、「ＮＲＥＭ３＆４」は国際判定基準のＳｔａｇｅ３とＳｔａｇｅ４とを合わせたものに相当する。
他の例では、睡眠段階推定システム１のベースモデル１１およびサブモデル１２が、マットセンサによって検出されたマットセンサ上の被験者の振動を示すデータから、被験者の睡眠段階を推定し、例えば非特許文献２に記載された技術（ＷＡＫＥ、ＲＥＭ、ＮＲＥＭの３段階の分類）のように、５以外の数のクラスに分類してもよい。
他の例では、睡眠段階推定システム１のベースモデル１１およびサブモデル１２が、マットセンサによって検出されたマットセンサ上の被験者の振動を示すデータから、被験者の睡眠段階を推定し、例えば非特許文献２に記載された技術（ＷＡＫＥ、ＲＥＭ、ＮＲＥＭの３段階の分類）のように、５以外の数のクラスに分類してもよい。
【0035】
図１に示す例では、睡眠段階推定システム１が、学習済みのベースモデル１１とサブモデル１２とを用いることにより、マットセンサによって検出されたマットセンサ上の被験者の振動を示すデータ（データセットＤＳに含まれるデータとは異なるデータであって、睡眠段階の推定対象の被験者の振動データ）から被験者の睡眠段階を推定する。
【0036】
図４は第１実施形態の睡眠段階推定システム１において実行される処理の一例を示すフローチャートである。
図４に示す例では、ステップＳ１１において、睡眠段階推定システム１のベースモデル１１が、被験者の睡眠段階ＷＡＫＥ、ＲＥＭ、ＮＲＥＭ１、ＮＲＥＭ２、ＮＲＥＭ３＆４の正解が既知の被験者の振動を示すデータであるデータセットＤＳを用いた教師あり学習を行う。
次いで、ステップＳ１２では、ベースモデル１１が、データセットＤＳを、被験者の睡眠段階ＷＡＫＥ、ＲＥＭ、ＮＲＥＭ１、ＮＲＥＭ２、ＮＲＥＭ３＆４の推定結果の不確かさが閾値より低いデータセットである不確かさの低いデータセットＤＳＬと、被験者の睡眠段階ＷＡＫＥ、ＲＥＭ、ＮＲＥＭ１、ＮＲＥＭ２、ＮＲＥＭ３＆４の推定結果の不確かさが閾値以上のデータセットである不確かさの高いデータセットＤＳＨとに分離する。
次いで、ステップＳ１３では、睡眠段階推定システム１のサブモデル１２が、不確かさの高いデータセットＤＳＨを用いた教師あり学習を行う。
次いで、ステップＳ１４では、睡眠段階推定システム１が、ベースモデル１１とサブモデル１２とを用いることにより、マットセンサによって検出されたマットセンサ上の被験者の振動を示すデータから被験者の睡眠段階ＷＡＫＥ、ＲＥＭ、ＮＲＥＭ１、ＮＲＥＭ２、ＮＲＥＭ３＆４を推定する。
図４に示す例では、ステップＳ１１において、睡眠段階推定システム１のベースモデル１１が、被験者の睡眠段階ＷＡＫＥ、ＲＥＭ、ＮＲＥＭ１、ＮＲＥＭ２、ＮＲＥＭ３＆４の正解が既知の被験者の振動を示すデータであるデータセットＤＳを用いた教師あり学習を行う。
次いで、ステップＳ１２では、ベースモデル１１が、データセットＤＳを、被験者の睡眠段階ＷＡＫＥ、ＲＥＭ、ＮＲＥＭ１、ＮＲＥＭ２、ＮＲＥＭ３＆４の推定結果の不確かさが閾値より低いデータセットである不確かさの低いデータセットＤＳＬと、被験者の睡眠段階ＷＡＫＥ、ＲＥＭ、ＮＲＥＭ１、ＮＲＥＭ２、ＮＲＥＭ３＆４の推定結果の不確かさが閾値以上のデータセットである不確かさの高いデータセットＤＳＨとに分離する。
次いで、ステップＳ１３では、睡眠段階推定システム１のサブモデル１２が、不確かさの高いデータセットＤＳＨを用いた教師あり学習を行う。
次いで、ステップＳ１４では、睡眠段階推定システム１が、ベースモデル１１とサブモデル１２とを用いることにより、マットセンサによって検出されたマットセンサ上の被験者の振動を示すデータから被験者の睡眠段階ＷＡＫＥ、ＲＥＭ、ＮＲＥＭ１、ＮＲＥＭ２、ＮＲＥＭ３＆４を推定する。
【0037】
＜実施例＞
本発明者等は、不確かさの高いデータセットＤＳＨの分類性能を検証するために、第１実施形態の睡眠段階推定システム１のベースモデル１１とサブモデル１２との性能比較の実験（実験１）を行った。
また、本発明者等は、データセットＤＳ全体の分類性能を検証するために、１段ＥＮＮ（比較例）と２段ＥＮＮ（本発明の第１エビデンシャルニューラルネットワーク１１Ａおよび第２エビデンシャルニューラルネットワーク１２Ａ）との性能比較の実験（実験２）を行った。
評価指標として、ＰＳＧ検査による５段階（ＷＡＫＥ、ＲＥＭ、ＮＲＥＭ１、ＮＲＥＭ２、ＮＲＥＭ３＆４）の一致率を用いた。
本発明者等は、不確かさの高いデータセットＤＳＨの分類性能を検証するために、第１実施形態の睡眠段階推定システム１のベースモデル１１とサブモデル１２との性能比較の実験（実験１）を行った。
また、本発明者等は、データセットＤＳ全体の分類性能を検証するために、１段ＥＮＮ（比較例）と２段ＥＮＮ（本発明の第１エビデンシャルニューラルネットワーク１１Ａおよび第２エビデンシャルニューラルネットワーク１２Ａ）との性能比較の実験（実験２）を行った。
評価指標として、ＰＳＧ検査による５段階（ＷＡＫＥ、ＲＥＭ、ＮＲＥＭ１、ＮＲＥＭ２、ＮＲＥＭ３＆４）の一致率を用いた。
【0038】
図５は不確かさの高いデータセットＤＳＨに対してベースモデル１１とサブモデル１２との一致率を比較した箱ひげ図（実験１の結果を示す図）である。図５において「Ｂａｓｅ」はベースモデル１１に対応しており、「Ｓｕｂ」はサブモデル１２に対応している。図５の横軸は５段階の一致率を表している。
図５に示すように、再学習をしたモデル（サブモデル１２）で検証時の中央値が２０％以上上がっており、「不確かさの高いデータセットＤＳＨ」に対する別のＥＮＮ学習（第２エビデンシャルニューラルネットワーク１２Ａの学習）に効果があることがわかった。
図５に示すように、再学習をしたモデル（サブモデル１２）で検証時の中央値が２０％以上上がっており、「不確かさの高いデータセットＤＳＨ」に対する別のＥＮＮ学習（第２エビデンシャルニューラルネットワーク１２Ａの学習）に効果があることがわかった。
【0039】
図６は１段ＥＮＮ（比較例）（つまり、不確かさの高いデータセットのみを用いたモデルの学習が行われない例）と２段ＥＮＮ（本発明）との性能比較結果（実験２の結果）を示す図である。
図６において「ｂａｓｅ」はデータセットが１段ＥＮＮに入力され、その１段ＥＮＮが５クラス分類を行う比較例の性能を示しており、「ｐｒｏｐｏｓｅｄ」は図１に示す本発明の睡眠段階推定システム１の性能を示している。図６の横軸は不確かさによる閾値を示しており、図６の縦軸は横軸の不確かさによる閾値以下のデータのみを分類したときの５段階一致率を示している。図６において、実線は交差検証の平均一致率を示しており、網掛部分は９５％信頼区間を示している。
図６に示すように、不確かさが低いデータを分類しているときは一致率が高くなり（最大８８．４％）、不確かさが高くなるにつれて一致率が下がることがわかった。
また、本発明の手法によってデータセット全体に対しても一致率が約３％向上することがわかった。つまり、本発明の第１実施形態の睡眠段階推定システム１によれば、不確かさの高いデータセットＤＳＨを有効活用することによって被験者の睡眠段階の推定精度を向上させることができた。
図６において「ｂａｓｅ」はデータセットが１段ＥＮＮに入力され、その１段ＥＮＮが５クラス分類を行う比較例の性能を示しており、「ｐｒｏｐｏｓｅｄ」は図１に示す本発明の睡眠段階推定システム１の性能を示している。図６の横軸は不確かさによる閾値を示しており、図６の縦軸は横軸の不確かさによる閾値以下のデータのみを分類したときの５段階一致率を示している。図６において、実線は交差検証の平均一致率を示しており、網掛部分は９５％信頼区間を示している。
図６に示すように、不確かさが低いデータを分類しているときは一致率が高くなり（最大８８．４％）、不確かさが高くなるにつれて一致率が下がることがわかった。
また、本発明の手法によってデータセット全体に対しても一致率が約３％向上することがわかった。つまり、本発明の第１実施形態の睡眠段階推定システム１によれば、不確かさの高いデータセットＤＳＨを有効活用することによって被験者の睡眠段階の推定精度を向上させることができた。
【0040】
図７は一致率の大きな向上が見られた被験者の例を示す図である。詳細には、図７（Ａ）のヒストグラムは一致率の大きな向上が見られた被験者に１段ＥＮＮ（比較例）を適用した場合における不確かさ（横軸）とサンプル数（縦軸）との関係を示しており、図７（Ｂ）のヒストグラムはその被験者に２段ＥＮＮ（本発明の第１エビデンシャルニューラルネットワーク１１Ａおよび第２エビデンシャルニューラルネットワーク１２Ａ）を適用した場合における不確かさ（横軸）とサンプル数（縦軸）との関係を示している。図７において「Ｔｒｕｅ」は分類成功データを示しており、「Ｆａｌｓｅ」は分類失敗データを示している。
図７に示すように、図７（Ａ）のヒストグラムの不確かさの高いデータが、全体のデータセットに対して十分含まれているとき、図７（Ｂ）のヒストグラムに対応する２段ＥＮＮによって不確かさの低い領域に分類されること（つまり、図７（Ａ）のヒストグラムの不確かさの高いデータが、第２エビデンシャルニューラルネットワーク１２Ａによって図７（Ｂ）のヒストグラムのように分類され直すこと）、また、図７（Ｂ）のヒストグラムに対応する２段ＥＮＮによって分類に成功するデータ（「Ｔｒｕｅ」に相当するデータ）の割合が約６０％から約７５％に増えることがわかった。
このように本発明の手法の効果が発揮されるためには、図７（Ａ）のヒストグラム（１段ＥＮＮ（比較例））の不確かさの高い領域にデータが分布していることが必要条件となる。
図７に示すように、図７（Ａ）のヒストグラムの不確かさの高いデータが、全体のデータセットに対して十分含まれているとき、図７（Ｂ）のヒストグラムに対応する２段ＥＮＮによって不確かさの低い領域に分類されること（つまり、図７（Ａ）のヒストグラムの不確かさの高いデータが、第２エビデンシャルニューラルネットワーク１２Ａによって図７（Ｂ）のヒストグラムのように分類され直すこと）、また、図７（Ｂ）のヒストグラムに対応する２段ＥＮＮによって分類に成功するデータ（「Ｔｒｕｅ」に相当するデータ）の割合が約６０％から約７５％に増えることがわかった。
このように本発明の手法の効果が発揮されるためには、図７（Ａ）のヒストグラム（１段ＥＮＮ（比較例））の不確かさの高い領域にデータが分布していることが必要条件となる。
【0041】
［第２実施形態］
以下、本発明の睡眠段階推定システム、睡眠段階推定方法およびプログラムの第２実施形態について説明する。
第２実施形態の睡眠段階推定システム１は、後述する点を除き、上述した第１実施形態の睡眠段階推定システム１と同様に構成されている。従って、第２実施形態の睡眠段階推定システム１によれば、後述する点を除き、上述した第１実施形態の睡眠段階推定システム１と同様の効果を奏することができる。
以下、本発明の睡眠段階推定システム、睡眠段階推定方法およびプログラムの第２実施形態について説明する。
第２実施形態の睡眠段階推定システム１は、後述する点を除き、上述した第１実施形態の睡眠段階推定システム１と同様に構成されている。従って、第２実施形態の睡眠段階推定システム１によれば、後述する点を除き、上述した第１実施形態の睡眠段階推定システム１と同様の効果を奏することができる。
【0042】
図８は第２実施形態の睡眠段階推定システム１の一例を示す図である。
図８に示す例では、第２実施形態の睡眠段階推定システム１が、図１に示す第１実施形態の睡眠段階推定システム１と同様に、マットセンサによって検出されたマットセンサ上の被験者の振動を示すデータから被験者の睡眠段階を推定する。
図８に示す例では、第２実施形態の睡眠段階推定システム１が、図１に示す第１実施形態の睡眠段階推定システム１と同様に、マットセンサによって検出されたマットセンサ上の被験者の振動を示すデータから被験者の睡眠段階を推定する。
【0043】
図８に示す例では、睡眠段階推定システム１が、ベースモデル１１と、サブモデル１２と、データセット生成部１３とを備えている。
データセット生成部１３は、図１に示すデータセット生成部１３と同様に、マットセンサによって検出されたマットセンサ上の被験者の振動の時間波形を対数スケールパワースペクトルに変換することによってデータセットＤＳ（図１（Ｂ）参照）を生成する。データセットＤＳは、ベースモデル１１における教師あり学習に用いられる。
図８に示す例では、睡眠段階推定システム１がデータセット生成部１３を備えているが、他の例では、睡眠段階推定システム１がデータセット生成部１３を備えていなくてもよい。後者の例では、睡眠段階推定システム１の外部において、データセットＤＳが生成される。
データセット生成部１３は、図１に示すデータセット生成部１３と同様に、マットセンサによって検出されたマットセンサ上の被験者の振動の時間波形を対数スケールパワースペクトルに変換することによってデータセットＤＳ（図１（Ｂ）参照）を生成する。データセットＤＳは、ベースモデル１１における教師あり学習に用いられる。
図８に示す例では、睡眠段階推定システム１がデータセット生成部１３を備えているが、他の例では、睡眠段階推定システム１がデータセット生成部１３を備えていなくてもよい。後者の例では、睡眠段階推定システム１の外部において、データセットＤＳが生成される。
【0044】
図８に示す例では、データセット生成部１３によって生成されるデータセットＤＳ（図１（Ｂ）参照）に、図２の左下側部分に示す対数スケールパワースペクトルに相当するデータが含まれている。
データセット生成部１３によって生成されるデータセットＤＳは、ベースモデル１１における教師あり学習に用いられるため、データセットＤＳには、図２の左下側部分に示す対数スケールパワースペクトルに加えて、その対数スケールパワースペクトルに対応する正解（睡眠段階推定システム１によって推定される被検者の睡眠段階の正解）も含まれている。
データセットＤＳに含められる対数スケールパワースペクトルに対応する正解（対数スケールパワースペクトルに対応する被検者の睡眠段階）は、例えば上述した手法と同様の手法によって得られる。
データセット生成部１３によって生成されるデータセットＤＳは、ベースモデル１１における教師あり学習に用いられるため、データセットＤＳには、図２の左下側部分に示す対数スケールパワースペクトルに加えて、その対数スケールパワースペクトルに対応する正解（睡眠段階推定システム１によって推定される被検者の睡眠段階の正解）も含まれている。
データセットＤＳに含められる対数スケールパワースペクトルに対応する正解（対数スケールパワースペクトルに対応する被検者の睡眠段階）は、例えば上述した手法と同様の手法によって得られる。
【0045】
図８に示す例では、ベースモデル１１が、被験者の睡眠段階の正解が既知の被験者の振動を示すデータであるデータセットＤＳを用いた教師あり学習を行う。詳細には、ベースモデル１１は、エビデンシャルニューラルネットワーク（ＥＮＮ）とは異なる教師あり学習アルゴリズム（例えばランダムフォレスト等）を備えている。また、ベースモデル１１は分離部１１Ｂを備えている。
分離部１１Ｂは、データセットＤＳを不確かさの低いデータセットＤＳＬ（図１（Ｂ）参照）と不確かさの高いデータセットＤＳＨ（図１（Ｂ）参照）とに分離する。
分離部１１Ｂは、データセットＤＳを不確かさの低いデータセットＤＳＬ（図１（Ｂ）参照）と不確かさの高いデータセットＤＳＨ（図１（Ｂ）参照）とに分離する。
【0046】
図８に示す例では、サブモデル１２が、図１に示すサブモデル１２と同様に、不確かさの高いデータセットＤＳＨを用いた教師あり学習を行う。詳細には、サブモデル１２は、エビデンシャルニューラルネットワーク（ＥＮＮ）とは異なる教師あり学習アルゴリズム（例えばランダムフォレスト等）を備えている。
【0047】
図８に示す例では、図１に示す例と同様に、データセットＤＳを用いたベースモデル１１の学習結果が、確実な学習結果と不確実な学習結果とに分けられる（つまり、不確かさの低いデータセットＤＳＬと、不確かさの高いデータセットＤＳＨとに分離部１１Ｂによって分離される）。更に、不確かさの高いデータセットＤＳＨのみを用いた再学習が行われる。
そのため、図８に示す例では、図１に示す例と同様に、不確かさの高いデータセットを有効活用することによって被験者の睡眠段階の推定精度を向上させることができる。
そのため、図８に示す例では、図１に示す例と同様に、不確かさの高いデータセットを有効活用することによって被験者の睡眠段階の推定精度を向上させることができる。
【0048】
［第３実施形態］
以下、本発明の睡眠段階推定システム、睡眠段階推定方法およびプログラムの第３実施形態について説明する。
第３実施形態の睡眠段階推定システム１は、後述する点を除き、上述した第１実施形態の睡眠段階推定システム１と同様に構成されている。従って、第３実施形態の睡眠段階推定システム１によれば、後述する点を除き、上述した第１実施形態の睡眠段階推定システム１と同様の効果を奏することができる。
以下、本発明の睡眠段階推定システム、睡眠段階推定方法およびプログラムの第３実施形態について説明する。
第３実施形態の睡眠段階推定システム１は、後述する点を除き、上述した第１実施形態の睡眠段階推定システム１と同様に構成されている。従って、第３実施形態の睡眠段階推定システム１によれば、後述する点を除き、上述した第１実施形態の睡眠段階推定システム１と同様の効果を奏することができる。
【0049】
第３実施形態の睡眠段階推定システム１は、図１に示す第１実施形態の睡眠段階推定システム１と同様に構成されている。つまり、第３実施形態の睡眠段階推定システム１は、図１に示す第１実施形態の睡眠段階推定システム１と同様に、マットセンサによって検出されたマットセンサ上の被験者の振動を示すデータから被験者の睡眠段階を推定し、ベースモデル１１と、サブモデル１２と、データセット生成部１３とを備えている。
【0050】
上述したように、図１に示す例では、データセット生成部１３は、マットセンサによって検出されたマットセンサ上の被験者の振動の時間波形を対数スケールパワースペクトルに変換することによってデータセットＤＳ（図１（Ｂ）参照）を生成する。
一方、第３実施形態の睡眠段階推定システム１の一例では、データセット生成部１３が、マットセンサによって検出されたマットセンサ上の被験者の振動の時間波形を対数スケールパワースペクトル以外のもの（例えばスペクトログラム等）に変換することによってデータセットＤＳを生成する。
他の例では、第３実施形態の睡眠段階推定システム１がデータセット生成部１３を備えていなくてもよい。後者の例では、睡眠段階推定システム１の外部において、データセットＤＳが生成される。
一方、第３実施形態の睡眠段階推定システム１の一例では、データセット生成部１３が、マットセンサによって検出されたマットセンサ上の被験者の振動の時間波形を対数スケールパワースペクトル以外のもの（例えばスペクトログラム等）に変換することによってデータセットＤＳを生成する。
他の例では、第３実施形態の睡眠段階推定システム１がデータセット生成部１３を備えていなくてもよい。後者の例では、睡眠段階推定システム１の外部において、データセットＤＳが生成される。
【0051】
第３実施形態の睡眠段階推定システム１では、図１に示す第１実施形態の睡眠段階推定システム１と同様に、データセット生成部１３によって生成されるデータセットＤＳが、ベースモデル１１における教師あり学習に用いられる。そのため、データセットＤＳには、マットセンサによって検出されたマットセンサ上の被験者の振動の時間波形から変換されたもの（例えばスペクトログラム等）に加えて、それに対応する正解（第３実施形態の睡眠段階推定システム１によって推定される被検者の睡眠段階の正解）も含まれている。
【0052】
また、上述の第１実施形態から第３実施形態に示す例では、睡眠段階推定システム１がサブモデル１２を１つのみ備えているが、他の例では、睡眠段階推定システム１が複数のサブモデル（図示せず）を備えていてもよい。なお、この場合、第２実施形態の構成では、最後に処理を行うサブモデル以外のサブモデルは、ベースモデルと同様に分離部を備える。
【0053】
例えば、第１実施形態の睡眠段階推定システム１がベースモデル１１と第１サブモデル（図示せず）と第２サブモデル（図示せず）とを備えている例では、上述のとおり、ベースモデル１１が、図４のステップＳ１１の教師あり学習とステップＳ１２の分離を行うことでデータセットＤＳを、不確かさの低いデータセットＤＳＬと不確かさの高いデータセットＤＳＨとに分離する。次に、第１サブモデルは、不確かさの高いデータセットＤＳＨを用いた教師あり学習を行うと共に、ベースモデル１１の処理と同様に、不確かさの高いデータセットＤＳＨを、更に不確かさの低いデータセットと不確かさの高いデータセットとに分離する。そして、第２サブモデルは、第１サブモデルによって不確かさの高いデータセットＤＳＨから分離された不確かさの高いデータセットを用いた教師あり学習を行い、次いで睡眠段階推定システム１が、ベースモデル１１と第１サブモデルと第２のサブモデルを用いることにより、マットセンサによって検出されたマットセンサ上の被験者の振動を示すデータから被験者の睡眠段階を推定する。
上記例では、睡眠段階推定システムが、ベースモデル、第１のサブモデル、及び第２のサブモデルの３つで構成される場合を説明したが、これに限定されず、更にサブモデルを増やしてシステムを構成し、学習と分離のステップを更に追加して行うことで、被験者の睡眠段階を推定してもよい。
上記例では、睡眠段階推定システムが、ベースモデル、第１のサブモデル、及び第２のサブモデルの３つで構成される場合を説明したが、これに限定されず、更にサブモデルを増やしてシステムを構成し、学習と分離のステップを更に追加して行うことで、被験者の睡眠段階を推定してもよい。
【0054】
以上、本発明の実施形態を図面を参照して詳述してきたが、具体的な構成はこの実施形態に限られるものではなく、本発明の趣旨を逸脱しない範囲で適宜変更を加えることができる。上述した各実施形態および各例に記載の構成を組み合わせてもよい。
【0055】
なお、上記の実施形態における睡眠段階推定システム１の全部または一部は、専用のハードウェアにより実現されるものであってもよく、また、メモリおよびマイクロプロセッサにより実現させるものであってもよい。
なお、睡眠段階推定システム１の全部または一部は、メモリおよびＣＰＵ（中央演算装置）により構成され、各システムが備える各部の機能を実現するためのプログラムをメモリにロードして実行することによりその機能を実現させるものであってもよい。
なお、睡眠段階推定システム１の全部または一部の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、実行することにより各部の処理を行ってもよい。なお、ここでいう「コンピュータシステム」とは、ＯＳや周辺機器等のハードウェアを含むものとする。また、「コンピュータシステム」は、ＷＷＷシステムを利用している場合であれば、ホームページ提供環境（あるいは表示環境）も含むものとする。
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、ＣＤ－ＲＯＭ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、短時間の間、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むものとする。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良く、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良い。
なお、睡眠段階推定システム１の全部または一部は、メモリおよびＣＰＵ（中央演算装置）により構成され、各システムが備える各部の機能を実現するためのプログラムをメモリにロードして実行することによりその機能を実現させるものであってもよい。
なお、睡眠段階推定システム１の全部または一部の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、実行することにより各部の処理を行ってもよい。なお、ここでいう「コンピュータシステム」とは、ＯＳや周辺機器等のハードウェアを含むものとする。また、「コンピュータシステム」は、ＷＷＷシステムを利用している場合であれば、ホームページ提供環境（あるいは表示環境）も含むものとする。
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、ＣＤ－ＲＯＭ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、短時間の間、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むものとする。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良く、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良い。
【符号の説明】
【0056】
１…睡眠段階推定システム、１１…ベースモデル、１１Ａ…第１エビデンシャルニューラルネットワーク、１１Ｂ…分離部、１２…サブモデル、１２Ａ…第２エビデンシャルニューラルネットワーク、１３…データセット生成部、ＤＳ…データセット、ＤＳＬ…不確かさの低いデータセット、ＤＳＨ…不確かさの高いデータセット
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】