2024-163785血圧計、血圧計測方法、血圧計測プログラム、学習モデルの構築方法及び学習モデルの構築プログラム
(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】P2024163785
(43)【公開日】2024-11-22
(54)【発明の名称】血圧計、血圧計測方法、血圧計測プログラム、学習モデルの構築方法及び学習モデルの構築プログラム
(51)【国際特許分類】
A61B 5/022 20060101AFI20241115BHJP
【ＦＩ】
A61B5/022 A
【審査請求】未請求
【請求項の数】9
【出願形態】ＯＬ
(21)【出願番号】P 2023079664
(22)【出願日】2023-05-12
(71)【出願人】
【識別番号】000002945
【氏名又は名称】オムロン株式会社
(74)【代理人】
【識別番号】110002860
【氏名又は名称】弁理士法人秀和特許事務所
(72)【発明者】
【氏名】内田 滋穂里
(72)【発明者】
【氏名】西本 崇志
【テーマコード（参考）】
4C017
【Ｆターム（参考）】
4C017AA08
4C017AB02
4C017AC03
4C017AD01
4C017BC30
4C017FF08
(57)【要約】
【課題】血圧測定アルゴリズムのパラメタ設定のためのデータ収集や測定結果のキャリブレーションを実施しなくとも可及的に高精度な血圧計測を実施できる血圧計を提供する。
【解決手段】本血圧計は、被計測者の腕に巻かれるカフと、上記カフが上記腕から受けるカフ圧を検出する検出部と、上記カフ圧を基に前記被計測者の血圧に係る特徴量の時系列変化を示す第１の波形を取得し、前記第１の波形を２以上の異なる特徴量を示す複数の第２の波形に分解する分解部と、複数の被験者についての上記第２の波形を説明変数とし聴診法で実測された血圧を目的変数とする機械学習によって構築された学習モデルと、複数の上記第２の波形を上記学習モデルに入力して上記被計測者の血圧を計測する計測部と、上記計測部によって計測された上記血圧を出力する出力部と、を備える。
【選択図】図１
【解決手段】本血圧計は、被計測者の腕に巻かれるカフと、上記カフが上記腕から受けるカフ圧を検出する検出部と、上記カフ圧を基に前記被計測者の血圧に係る特徴量の時系列変化を示す第１の波形を取得し、前記第１の波形を２以上の異なる特徴量を示す複数の第２の波形に分解する分解部と、複数の被験者についての上記第２の波形を説明変数とし聴診法で実測された血圧を目的変数とする機械学習によって構築された学習モデルと、複数の上記第２の波形を上記学習モデルに入力して上記被計測者の血圧を計測する計測部と、上記計測部によって計測された上記血圧を出力する出力部と、を備える。
【選択図】図１
【特許請求の範囲】
【請求項1】
被計測者の腕に巻かれるカフと、
前記カフが前記腕から受けるカフ圧を検出する検出部と、
前記カフ圧を基に前記被計測者の血圧に係る特徴量の時系列変化を示す第１の波形を取得し、前記第１の波形を２以上の異なる特徴量を示す複数の第２の波形に分解する分解部と、
被験者についての前記第２の波形を説明変数とし聴診法で実測された血圧を目的変数とする機械学習によって構築された学習モデルと、
複数の前記第２の波形を前記学習モデルに入力して前記被計測者の血圧を計測する計測部と、
前記計測部によって計測された前記血圧を出力する出力部と、を備える、
血圧計。
前記カフが前記腕から受けるカフ圧を検出する検出部と、
前記カフ圧を基に前記被計測者の血圧に係る特徴量の時系列変化を示す第１の波形を取得し、前記第１の波形を２以上の異なる特徴量を示す複数の第２の波形に分解する分解部と、
被験者についての前記第２の波形を説明変数とし聴診法で実測された血圧を目的変数とする機械学習によって構築された学習モデルと、
複数の前記第２の波形を前記学習モデルに入力して前記被計測者の血圧を計測する計測部と、
前記計測部によって計測された前記血圧を出力する出力部と、を備える、
血圧計。
【請求項2】
前記第１の波形は、前記カフ圧の時系列変化を示すカフ圧波形を含み、
前記分解部は、
前記カフ圧波形を２以上の異なる特徴量を示す複数の第３の波形に分解し、
前記学習モデルは、前記被験者についての前記第３の波形を前記説明変数として構築され、
前記計測部は、前記第３の波形を前記学習モデルに入力して前記被計測者の血圧を計測する、
請求項１に記載の血圧計。
前記分解部は、
前記カフ圧波形を２以上の異なる特徴量を示す複数の第３の波形に分解し、
前記学習モデルは、前記被験者についての前記第３の波形を前記説明変数として構築され、
前記計測部は、前記第３の波形を前記学習モデルに入力して前記被計測者の血圧を計測する、
請求項１に記載の血圧計。
【請求項3】
前記第１の波形は、前記カフ圧の時系列変化を基に取得される前記被計測者の脈波の時系列変化を示す脈波形を含み、
前記分解部は、
前記脈波形を２以上の異なる特徴量を示す複数の第４の波形に分解し、
前記学習モデルは、前記被験者についての前記第４の波形を前記説明変数として構築され、
前記計測部は、前記第４の波形を前記学習モデルに入力して前記被計測者の血圧を計測する、
請求項１に記載の血圧計。
前記分解部は、
前記脈波形を２以上の異なる特徴量を示す複数の第４の波形に分解し、
前記学習モデルは、前記被験者についての前記第４の波形を前記説明変数として構築され、
前記計測部は、前記第４の波形を前記学習モデルに入力して前記被計測者の血圧を計測する、
請求項１に記載の血圧計。
【請求項4】
前記第１の波形は、前記カフ圧の時系列変化を示すカフ圧波形、及び、前記カフ圧の時系列変化を基に取得される前記被計測者の脈波の時系列変化を示す脈波形を含み、
前記分解部は、
前記カフ圧波形を２以上の異なる特徴量を示す複数の第３の波形に分解するとともに、前記脈波形を前記カフ圧の時系列変化から得られる第４の波形に分解し、
前記学習モデルは、前記被験者についての前記第３の波形及び前記第４の波形を前記説明変数として構築され、
前記計測部は、前記第３の波形及び前記第４の波形を前記学習モデルに入力して前記被計測者の血圧を計測する、
請求項１に記載の血圧計。
前記分解部は、
前記カフ圧波形を２以上の異なる特徴量を示す複数の第３の波形に分解するとともに、前記脈波形を前記カフ圧の時系列変化から得られる第４の波形に分解し、
前記学習モデルは、前記被験者についての前記第３の波形及び前記第４の波形を前記説明変数として構築され、
前記計測部は、前記第３の波形及び前記第４の波形を前記学習モデルに入力して前記被計測者の血圧を計測する、
請求項１に記載の血圧計。
【請求項5】
前記分解部は、Ｗａｖｅ－Ｕ－Ｎｅｔを含む、
請求項１から４のいずれか一項に記載の血圧計。
請求項１から４のいずれか一項に記載の血圧計。
【請求項6】
被計測者の腕に巻かれるカフが前記腕から受けるカフ圧を検出する検出ステップと、
前記カフ圧を基に前記被計測者の血圧に係る特徴量の時系列変化を示す第１の波形を取得し、前記第１の波形を２以上の異なる特徴量を示す複数の第２の波形に分解する分解ス
テップと、
被験者についての前記第２の波形を説明変数とし聴診法で実測された血圧を目的変数とする機械学習によって構築された学習モデルに、複数の前記第２の波形を入力して前記被計測者の血圧を計測する計測ステップと、
前記計測ステップにおいて計測された前記血圧を出力する出力ステップと、をコンピュータが実行する、
血圧計測方法。
前記カフ圧を基に前記被計測者の血圧に係る特徴量の時系列変化を示す第１の波形を取得し、前記第１の波形を２以上の異なる特徴量を示す複数の第２の波形に分解する分解ス
テップと、
被験者についての前記第２の波形を説明変数とし聴診法で実測された血圧を目的変数とする機械学習によって構築された学習モデルに、複数の前記第２の波形を入力して前記被計測者の血圧を計測する計測ステップと、
前記計測ステップにおいて計測された前記血圧を出力する出力ステップと、をコンピュータが実行する、
血圧計測方法。
【請求項7】
被験者の腕に巻かれるカフが前記腕から受けるカフ圧を検出する検出ステップと、
前記カフ圧を基に前記被計測者の血圧に係る特徴量の時系列変化を示す第１の波形を取得し、前記第１の波形を２以上の異なる特徴量を示す複数の第２の波形に分解する分解ステップと、
前記第２の波形を説明変数とし聴診法で実測された血圧を目的変数とする機械学習によって構築された学習モデルに、複数の前記第２の波形を入力して前記被計測者の血圧を計測する計測ステップと、
前記計測ステップにおいて計測された前記血圧を出力する出力ステップと、をコンピュータに実行させる、
血圧計測プログラム。
前記カフ圧を基に前記被計測者の血圧に係る特徴量の時系列変化を示す第１の波形を取得し、前記第１の波形を２以上の異なる特徴量を示す複数の第２の波形に分解する分解ステップと、
前記第２の波形を説明変数とし聴診法で実測された血圧を目的変数とする機械学習によって構築された学習モデルに、複数の前記第２の波形を入力して前記被計測者の血圧を計測する計測ステップと、
前記計測ステップにおいて計測された前記血圧を出力する出力ステップと、をコンピュータに実行させる、
血圧計測プログラム。
【請求項8】
被験者の腕に巻かれるカフが前記腕から受けるカフ圧を検出する検出ステップと、
前記カフ圧を基に前記被計測者の血圧に係る特徴量の時系列変化を示す第１の波形を取得し、前記第１の波形を２以上の異なる特徴量を示す複数の第２の波形に分解する分解ステップと、
前記第２の波形を説明変数とし聴診法で実測された血圧を目的変数とする機械学習によって学習モデルを構築する構築ステップと、をコンピュータが実行する、
学習モデルの構築方法。
前記カフ圧を基に前記被計測者の血圧に係る特徴量の時系列変化を示す第１の波形を取得し、前記第１の波形を２以上の異なる特徴量を示す複数の第２の波形に分解する分解ステップと、
前記第２の波形を説明変数とし聴診法で実測された血圧を目的変数とする機械学習によって学習モデルを構築する構築ステップと、をコンピュータが実行する、
学習モデルの構築方法。
【請求項9】
被験者の腕に巻かれるカフが前記腕から受けるカフ圧を検出する検出ステップと、
前記カフ圧を基に前記被計測者の血圧に係る特徴量の時系列変化を示す第１の波形を取得し、前記第１の波形を２以上の異なる特徴量を示す複数の第２の波形に分解する分解ステップと、
前記第２の波形を説明変数とし聴診法で実測された血圧を目的変数とする機械学習によって学習モデルを構築する構築ステップと、をコンピュータに実行させる、
学習モデルの構築プログラム。
前記カフ圧を基に前記被計測者の血圧に係る特徴量の時系列変化を示す第１の波形を取得し、前記第１の波形を２以上の異なる特徴量を示す複数の第２の波形に分解する分解ステップと、
前記第２の波形を説明変数とし聴診法で実測された血圧を目的変数とする機械学習によって学習モデルを構築する構築ステップと、をコンピュータに実行させる、
学習モデルの構築プログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、血圧計、血圧計測方法、血圧計測プログラム、学習モデルの構築方法及び学習モデルの構築プログラムに関する。
【背景技術】
【0002】
血圧計測によって健康状態を把握することが行われている。血圧の計測では、深層学習を含む機械学習によって血圧の計測精度を高める試みが行われている。深層学習を用いた血圧の計測としては、例えば、脈拍の一拍毎の形状や脈波形の包絡線の形状をモデルに入力して血圧を計測する方法が検討されている（非特許文献１－３参照）。
【先行技術文献】
【非特許文献】
【0003】
【非特許文献1】Ahmadreza Argha, Branko G. Celler, Nigel H. Lovell， Artificial Intelligence Based Blood Pressure Estimation From Auscultatory and Oscillometric Waveforms: A Methodological Review、「IEEE REVIEWS IN BIOMEDICAL ENGINEERING」、（米国）、2022年、VOL.15、p.152-p.168
【非特許文献2】AHMADREZA ARGHA, JI WU, STEVEN W. SU, AND BRANKO G. CELLER、「Blood Pressure Estimation From Beat-by-Beat Time-Domain Features of Oscillometric Waveforms Using Deep-Neural-Network Classification Models」、［online］、2019年8月6日、IEEE、［2023年3月28日検索］、インターネット＜URL: https://ieeexplore.ieee.org/document/8789404＞
【非特許文献3】Ahmed S. Alghamdi, Kemal Polat, Abdullah Alghoson, Abdulrahman A. Alshdadi, Ahmed A. Abd El-Latif、Gaussian process regression (GPR) based non-invasive continuous blood pressure prediction method from cuff oscillometric signals、［online］、2020年2月20日、［2023年3月28日検索］、インターネット＜URL: https://www.sciencedirect.com/science/article/abs/pii/S0003682X20301079?via%3Dihub＞
【発明の概要】
【発明が解決しようとする課題】
【0004】
オシロメトリック法による血圧計測では脈波の波形を基に血圧を計測するため、脈波にノイズが含まれると血圧の計測精度が低下する。カフの巻き方やカフを巻く位置等によって脈波に含まれるノイズが増加し得る。そのため、当該ノイズによる影響を抑制するために、測定した血圧に対するキャリブレーションや、血圧測定アルゴリズムのパラメタ設定のためのデータ収集が実施されることになる。しかしながら、キャリブレーションや血圧測定のアルゴリズムへのパラメタ設定が実施されてもノイズによる計測誤差を取り除ける保証は無い上に、データを収集するコストも必要になる。
【0005】
開示の技術の１つの側面は、血圧測定アルゴリズムのパラメタ設定のためのデータ収集や測定結果のキャリブレーションを実施しなくとも可及的に高精度な血圧計測を実施できる血圧計、血圧計測方法、血圧計測プログラム、学習モデルの構築方法及び学習モデルの構築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】
【0006】
開示の技術の１つの側面は、次のような血圧計によって例示される。本血圧計は、被計測者の腕に巻かれるカフと、上記カフが上記腕から受けるカフ圧を検出する検出部と、上
記カフ圧を基に上記被計測者の血圧に係る特徴量の時系列変化を示す第１の波形を取得し、上記第１の波形を２以上の異なる特徴量を示す複数の第２の波形に分解する分解部と、被験者についての上記第２の波形を説明変数とし聴診法で実測された血圧を目的変数とする機械学習によって構築された学習モデルと、複数の上記第２の波形を上記学習モデルに入力して上記被計測者の血圧を計測する計測部と、上記計測部によって計測された上記血圧を出力する出力部と、を備える。
記カフ圧を基に上記被計測者の血圧に係る特徴量の時系列変化を示す第１の波形を取得し、上記第１の波形を２以上の異なる特徴量を示す複数の第２の波形に分解する分解部と、被験者についての上記第２の波形を説明変数とし聴診法で実測された血圧を目的変数とする機械学習によって構築された学習モデルと、複数の上記第２の波形を上記学習モデルに入力して上記被計測者の血圧を計測する計測部と、上記計測部によって計測された上記血圧を出力する出力部と、を備える。
【0007】
本血圧計によれば、上記被計測者の血圧に係る特徴量の時系列変化を示す第１の波形は、２以上の異なる特徴量を示す複数の第２の波形に分解される。すなわち、第２の波形の夫々は、複数の観点から第１の波形を示すものということができる。そのため、第１の波形にノイズが含まれている場合、ある特徴量に係る第２の波形に対する当該ノイズの影響が顕著であっても他の特徴量に係る第２の波形には当該ノイズの影響が少ないことも考えられる。そのため、本血圧計によれば、血圧測定アルゴリズムのパラメタ設定のためのデータ収集や測定結果のキャリブレーションを実施しなくとも可及的に高精度な血圧計測を実施できる。
【0008】
ここで、本血圧計において、上記第１の波形は、前記カフ圧の時系列変化を示すカフ圧波形を含み上記分解部は、上記カフ圧波形を２以上の異なる特徴量を示す複数の第３の波形に分解し、上記学習モデルは、上記被験者についての上記第３の波形を上記説明変数として構築され、上記計測部は、上記第３の波形を上記学習モデルに入力して上記被計測者の血圧を計測してもよい。
【0009】
また、本血圧計において、上記第１の波形は、上記カフ圧の時系列変化を基に取得される上記被計測者の脈波の時系列変化を示す脈波形を含み、上記分解部は、上記脈波形を２以上の異なる特徴量を示す複数の第４の波形に分解し、上記学習モデルは、上記被験者についての上記第４の波形を上記説明変数として構築され、上記計測部は、上記第４の波形を上記学習モデルに入力して上記被計測者の血圧を計測してもよい。
【0010】
さらに、本血圧計において、上記第１の波形は、上記カフ圧の時系列変化を示すカフ圧波形、及び、上記カフ圧の時系列変化を基に取得される上記被計測者の脈波の時系列変化を示す脈波形を含み、上記分解部は、上記カフ圧波形を２以上の異なる特徴量を示す複数の第３の波形に分解するとともに、上記脈波形を上記カフ圧の時系列変化から得られる第４の波形に分解し、上記学習モデルは、上記被験者についての上記第３の波形及び上記第４の波形を上記説明変数として構築され、上記計測部は、上記第３の波形及び上記第４の波形を上記学習モデルに入力して上記被計測者の血圧を計測してもよい。また、上記分解部は、Ｗａｖｅ－Ｕ－Ｎｅｔを含んでもよい。
【0011】
開示の技術は、血圧計測方法、血圧計測プログラム、学習モデルの構築方法及び学習モデルの構築プログラムの側面からも把握できる。
【発明の効果】
【0012】
開示の技術によれば、血圧測定アルゴリズムのパラメタ設定のためのデータ収集や測定結果のキャリブレーションを実施しなくとも可及的に高精度な血圧計測を実施できる。
【図面の簡単な説明】
【0013】
【発明を実施するための形態】
【0014】
＜適用例＞
本発明の適用例について説明する。適用例に係る血圧計１００は、カフ１２０を被計測者の上腕や手首に巻いて被計測者の血圧を計測する装置である。血圧計１００では、計測部１１４がカフ圧の時系列変化及び脈波の時系列変化の少なくとも一方を血圧モデル１１７に入力し、血圧モデル１１７から被計測者の血圧を取得する。
本発明の適用例について説明する。適用例に係る血圧計１００は、カフ１２０を被計測者の上腕や手首に巻いて被計測者の血圧を計測する装置である。血圧計１００では、計測部１１４がカフ圧の時系列変化及び脈波の時系列変化の少なくとも一方を血圧モデル１１７に入力し、血圧モデル１１７から被計測者の血圧を取得する。
【0015】
計測部１１４は、カフ１２０の圧力を制御して圧力センサ１１３から被計測者の血圧に係る特徴量の時系列変化を取得する。被計測者の血圧に係る特徴量の時系列変化としては、例えば、カフ圧の時系列変化及びＯｓｃｉｌｌｏＭｅｔｒｉｃ Ｗａｖｅｆｏｒｍ（ＯＭＷ）の波形の時系列変化を挙げることができる。
【0016】
計測部１１４は、波形分解部１１５及び血圧計測部１１６を有する。波形分解部１１５は、被計測者の血圧に係る特徴量の時系列変化を複数の第２の波形（モード波形）に分解する。モード波形は、例えば、周波数の高低、振幅の大小等の波形の特徴に基づいて被計測者の血圧に係る特徴量の時系列変化を分解した波形を含む。モード波形は、例えば、被計測者の血圧に係る特徴量の時系列変化の全体を大局的に示す波形や被計測者の血圧に係る特徴量の時系列変化の一部を局所的に示す波形を含んでもよい。波形分解部１１５は、例えば、Ｗａｖｅ－Ｕ－Ｎｅｔを含む。
【0017】
血圧計測部１１６は、波形分解部１１５によって分解した複数のモード波形を血圧モデル１１７に入力し、血圧モデル１１７から被計測者の血圧を取得する。血圧計測部１１６は、取得した血圧を出力部１１８に出力させる。
【0018】
血圧モデル１１７は、複数のモード波形が入力されると、当該被計測者の血圧を出力する学習モデルである。血圧モデル１１７は、被計測者の血圧に係る特徴量の時系列変化を分解した複数のモード波形を説明変数とし、聴診法で計測された血圧を目的変数とする機械学習によって構築される。機械学習は、深層学習を含む。
【0019】
本適用例によれば、モード波形は被計測者の血圧に係る特徴量の時系列変化の大局的な変化を示す波形と局所的に示す波形とを含む。そのため、血圧モデル１１７は、被計測者の血圧に係る特徴量の時系列変化の大局的な特徴及び局所的な特徴の双方をまんべんなく学習できる。このような血圧モデル１１７によれば、被計測者の血圧に係る特徴量の時系列変化にノイズが含まれていても、高精度に被計測者の血圧を出力できる。すなわち、本適用例によれば、計測部１１４によって取得された被計測者の血圧に係る特徴量の時系列変化にノイズが含まれていても、血圧測定アルゴリズムのパラメタ設定のためのデータ収集や測定結果のキャリブレーションを行わずに高精度の血圧計測を実現できる。
【0020】
＜実施形態＞
以下、図面を参照して実施形態について説明する。図１は、実施形態に係る血圧計１０
０の構成の一例を示す図である。また、図２は、血圧計１００を被計測者の手首Ｈ１に装着した状態を模式的に示す図である。血圧計１００は、本体１１０及びカフ１２０を備える。血圧計１００は、例えば被計測者の手首Ｈ１にカフ１２０を巻いて、被計測者の血圧を計測する。なお、カフ１２０が巻かれる位置は手首Ｈ１に限定されず、被計測者の上腕であってもよい。
以下、図面を参照して実施形態について説明する。図１は、実施形態に係る血圧計１０
０の構成の一例を示す図である。また、図２は、血圧計１００を被計測者の手首Ｈ１に装着した状態を模式的に示す図である。血圧計１００は、本体１１０及びカフ１２０を備える。血圧計１００は、例えば被計測者の手首Ｈ１にカフ１２０を巻いて、被計測者の血圧を計測する。なお、カフ１２０が巻かれる位置は手首Ｈ１に限定されず、被計測者の上腕であってもよい。
【0021】
カフ１２０は、帯状に形成され、内部に空気が送気される袋を有する。カフ１２０が被計測者の上腕等に巻かれた状態でカフ１２０内部の袋に送気されると、上腕等に対するカフによる圧力が上昇する。また、カフ１２０が被計測者の上腕等に巻かれた状態でカフ１２０内部の袋から吸気されると、上腕等に対するカフによる圧力が低下する。
【0022】
本体１１０には、例えば、プロセッサ及び記憶部が配置され、記憶部に記憶されたプログラムをプロセッサが実行することで、起動スイッチ１１１、制御部１１２、圧力センサ１１３、計測部１１４、血圧モデル１１７及び出力部１１８等の各処理部が実現される。計測部１１４は、波形分解部１１５及び血圧計測部１１６を含む。換言すれば、血圧計１００は、カフ１２０を有するコンピュータとみなすことができる。なお、起動スイッチ１１１、制御部１１２、圧力センサ１１３、計測部１１４、血圧モデル１１７及び出力部１１８等の各処理部は、専用のハードウェア回路であってもよい。血圧計１００では、起動スイッチ１１１がオンにされることで血圧計１００が起動し、血圧の計測が開始される。
【0023】
制御部１１２は、カフ１２０への空気の送気及びカフ１２０からの吸気を行うことで、カフ１２０による被計測者の上腕等に対する圧力を制御する。制御部１１２は、起動スイッチ１１１がオンにされると、カフ１２０の圧力の制御を開始する。
【0024】
圧力センサ１１３は、カフ１２０による圧力（カフ圧）を検知するセンサである。圧力センサ１１３は、検知したカフ圧を計測部１１４に対して出力する。カフ圧には、例えば、カフ１２０が上腕等を圧する圧力と、上腕等の動脈内を流れる血流の拍動による圧力振動とが含まれる。
【0025】
計測部１１４は、圧力センサ１１３によって検知された圧力を基に血圧計測を行う。最高血圧より高い圧力にまで高められた後、最低血圧より低い圧力にまで徐々に減圧されるカフ１２０のカフ圧の時系列変化を圧力センサ１１３から取得する。また、計測部１１４は、圧力センサ１１３から取得したカフ圧の時系列変化から血流の動脈内を流れる血流の拍動による圧力振動の時系列変化を抽出する。抽出されたカフ圧の時系列変化を示す波形（以下、カフ圧波形とも称する）及び圧力振動の時系列変化を示す波形（以下、脈波形とも称する）の夫々に対して、波形分解部１１５及び血圧計測部１１６による処理が行われる。
【0026】
波形分解部１１５は、カフ圧波形及び脈波形の夫々を複数のモード波形に分解する。図３は、実施形態に係る波形分解部１１５の処理を模式的に示す図である。波形分解部１１５は、例えば、カフ圧波形Ｗ１１を各チャネルのデータ長１６３８４ビットの１４チャネルのモード波形に分解して、モード波形群Ｗ１２を生成する。また、波形分解部１１５は、脈波形Ｗ２１を各チャネルのデータ長１６３８４ビットの１４チャネルのモード波形に分解して、モード波形群Ｗ２２を生成する。
【0027】
波形分解部１１５は、例えば、Ｗａｖｅ－Ｕ－Ｎｅｔを含む。Ｗａｖｅ－Ｕ－Ｎｅｔは、例えば、音声の波形分解に用いられる学習モデルである。音声は周期的な成分の他に非周期的な成分を含んでおり、音声同様にカフ圧波形や脈波形も周期的な成分の他に非周期的な成分を含むと考えられる。そのため、本実施形態において、カフ圧波形や脈波形を分解する波形分解部１１５は、Ｗａｖｅ－Ｕ－Ｎｅｔを含むものとした。また、波形分解部
１１５は、例えば、Ｗａｖｅ－Ｕ－Ｎｅｔに代えて、ＤＥＭＵＣＳ、Ｄ３ＮＥＴ、Ｃｏｎｖ－ＴａｓＮｅｔ、Ｗａｖｅｎｅｔ、Ｓａｍｓ－Ｎｅｔ、Ｍｅｔａ－ＴａｓＮｅｔのいずれかひとつを含んでもよい。
１１５は、例えば、Ｗａｖｅ－Ｕ－Ｎｅｔに代えて、ＤＥＭＵＣＳ、Ｄ３ＮＥＴ、Ｃｏｎｖ－ＴａｓＮｅｔ、Ｗａｖｅｎｅｔ、Ｓａｍｓ－Ｎｅｔ、Ｍｅｔａ－ＴａｓＮｅｔのいずれかひとつを含んでもよい。
【0028】
ここで、モード波形は、適用例においても説明したように、周波数の高低、振幅の大小等の波形の特徴に基づいて被計測者の血圧に係る特徴量の時系列変化を分解した波形を含んでもよい。また、モード波形は、被計測者の血圧に係る特徴量の時系列変化の全体を大局的に示す波形や被計測者の血圧に係る特徴量の時系列変化の一部を局所的に示す波形を含んでもよい。大局的に示す波形としては、例えば、被計測者の血圧に係る特徴量の時系列変化を示す波形の包絡線を挙げることができる。局所的に示す波形としては、被計測者の血圧に係る特徴量の時系列変化を示す波形の一部分を抽出した（抜き出した）波形を挙げることができる。
【0029】
血圧計測部１１６は、波形分解部１１５によって分解されたモード波形を基に、被計測者の血圧を計測する。図４及び図５は、実施形態に係る血圧計測部１１６の処理を模式的に示す図である。血圧計測部１１６は、波形分解部１１５から入力されたモード波形群Ｗ１２に対して一次元畳み込みニューラルネットワーク（１Ｄ－ＣＮＮ）を適用して、各チャネルのデータ長１０２５ビットの３０チャネルの中間特徴量Ｗ１３に置き換える。血圧計測部１１６は、さらに、中間特徴量Ｗ３に対して１Ｄ－ＣＮＮを適用して、各チャネルのデータ長３５ビットの５チャネルの中間特徴量Ｗ１４に置き換える。
【0030】
さらに、血圧計測部１１６は、波形分解部１１５から入力されたモード波形群Ｗ２２に対して一次元畳み込みニューラルネットワーク（１Ｄ－ＣＮＮ）を適用して、各チャネルのデータ長１０２５ビットの３０チャネルの中間特徴量Ｗ２３に置き換える。血圧計測部１１６は、さらに、中間特徴量Ｗ２３に対して１Ｄ－ＣＮＮを適用して、各チャネルのデータ長３５ビットの５チャネルの中間特徴量Ｗ２４に置き換える。血圧計測部１１６は、中間特徴量Ｗ１４及び中間特徴量Ｗ２４を血圧計測部１１６に入力し、血圧計測部１１６の出力として被計測者の血圧を取得する。
【0031】
血圧モデル１１７は、カフ圧波形から生成された中間特徴量Ｗ１４と脈波形から生成された中間特徴量Ｗ２４が入力されると、血圧を出力する学習モデルである。換言すれば、血圧モデル１１７は、カフ圧波形の特徴量と脈波形の特徴量が入力されると、血圧を出力する学習モデルである。血圧モデル１１７は、例えば、本体１１０に収容された記憶部に記憶される。
【0032】
出力部１１８は、血圧計測部１１６によって計測された血圧を出力する。出力部１１８は、例えば、Ｌｉｑｕｉｄ Ｃｒｙｓｔａｌ Ｄｉｓｐｌａｙ（ＬＣＤ）、Ｐｌａｓｍａ
Ｄｉｓｐｌａｙ Ｐａｎｅｌ（ＰＤＰ）、無機Ｅｌｅｃｔｒｏｌｕｍｉｎｅｓｃｅｎｃｅ（ＥＬ）パネル、有機ＥＬパネルである。出力部１１８は、プリンタやスピーカであってもよい。
Ｄｉｓｐｌａｙ Ｐａｎｅｌ（ＰＤＰ）、無機Ｅｌｅｃｔｒｏｌｕｍｉｎｅｓｃｅｎｃｅ（ＥＬ）パネル、有機ＥＬパネルである。出力部１１８は、プリンタやスピーカであってもよい。
【0033】
＜血圧モデル１１７の構築＞
図６から図１０は、実施形態に係る血圧モデル１１７の構築を模式的に示す図である。図６から図１０を参照して、血圧モデル１１７の構築について説明する。血圧モデル１１７の構築では、複数の被験者（Ｅ１、Ｅ２、・・・、ＥＮ）が用意される。なお、本実施形態では複数の被験者が用意されるが、用意される被験者は１名であってもよい。ステップＴ１では、計測部１１４は、被験者Ｅ１のカフ圧波形Ｐ１１及び脈波形Ｐ２１を取得する。
図６から図１０は、実施形態に係る血圧モデル１１７の構築を模式的に示す図である。図６から図１０を参照して、血圧モデル１１７の構築について説明する。血圧モデル１１７の構築では、複数の被験者（Ｅ１、Ｅ２、・・・、ＥＮ）が用意される。なお、本実施形態では複数の被験者が用意されるが、用意される被験者は１名であってもよい。ステップＴ１では、計測部１１４は、被験者Ｅ１のカフ圧波形Ｐ１１及び脈波形Ｐ２１を取得する。
【0034】
ステップＴ２では、波形分解部１１５は、カフ圧波形Ｐ１１を各チャネルのデータ長１
６３８４ビットの１４チャネルのモード波形に分解して、モード波形群Ｐ１２を生成する。ステップＴ３では、波形分解部１１５は、脈波形Ｐ２１を各チャネルのデータ長１６３８４ビットの１４チャネルのモード波形に分解して、モード波形群Ｐ２２を生成する。
６３８４ビットの１４チャネルのモード波形に分解して、モード波形群Ｐ１２を生成する。ステップＴ３では、波形分解部１１５は、脈波形Ｐ２１を各チャネルのデータ長１６３８４ビットの１４チャネルのモード波形に分解して、モード波形群Ｐ２２を生成する。
【0035】
ステップＴ４では、血圧計測部１１６は、波形分解部１１５から入力されたモード波形群Ｐ１２に対して１Ｄ－ＣＮＮを適用して、各チャネルのデータ長１０２５ビットの３０チャネルの中間特徴量Ｐ１３に置き換える。ステップＴ５では、血圧計測部１１６は、中間特徴量Ｐ１３に対して１Ｄ－ＣＮＮを適用して、各チャネルのデータ長３５ビットの５チャネルの中間特徴量Ｐ１４に置き換える。
【0036】
ステップＴ６では、血圧計測部１１６は、波形分解部１１５から入力されたモード波形群Ｐ２２に対して１Ｄ－ＣＮＮを適用して、各チャネルのデータ長１０２５ビットの３０チャネルの中間特徴量Ｐ２３に置き換える。ステップＴ７では、血圧計測部１１６は、中間特徴量Ｐ２３に対して１Ｄ－ＣＮＮを適用して、各チャネルのデータ長３５ビットの５チャネルの中間特徴量Ｐ２４に置き換える。
【0037】
ステップＴ８では、カフ圧波形から生成された中間特徴量Ｐ１４及び脈波形から生成された中間特徴量Ｐ２４を説明変数とし、血圧を目的変数とした機械学習によって、血圧モデル１１７が生成される。なお、目的変数とする血圧は、例えば、聴診法によって計測される血圧である。ステップＴ１からＴ８までの処理が、被験者Ｅ２からＥＮの夫々についても実行される。
【0038】
【0039】
ステップＳ１では、起動スイッチ１１１がオンにされることで、血圧計１００が起動する。ステップＳ２では、制御部１１２は、カフ１２０に送気して被計測者の手首を加圧する。制御部１１２は、最高血圧より高い圧力までカフ１２０による加圧を行った後、カフ１２０の圧力を徐々に下げる。
【0040】
ステップＳ３では、計測部１１４は、圧力センサ１１３によって検出されるカフ圧を基にカフ圧波形及び脈波形を取得する。さらに、波形分解部１１５は、ステップＳ３で取得された波形を複数のモード波形に分解する。ステップＳ４では、血圧計測部１１６は、ステップＳ３で分解されたモード波形を基に、血圧モデル１１７を用いて被計測者の血圧を測定する。
【0041】
ステップＳ５では、計測部１１４は、被計測者の血圧測定が完了したか否かを判定する。計測部１１４は、例えば、被計測者の最高血圧及び最低血圧の双方を計測した場合に、血圧測定を完了と判定してよい。完了した場合（ステップＳ５でＹＥＳ）、処理はステップＳ６に進められる。完了していない場合（ステップＳ５でＮＯ）、処理はステップＳ２に進められる。
【0042】
ステップＳ６では、制御部１１２は、カフ１２０の空気を抜く。ステップＳ７では、出力部１１８は、ステップＳ４で計測された血圧を出力する。
【0043】
＜検証＞
以上説明した実施形態に係る血圧計１００による血圧の計測精度について検証を行ったので、説明する。図１２は、実施形態に係る血圧計１００による血圧の計測精度の検証結果を例示する図である。図１２では、血圧計１００によって計測された血圧とオシロメト
リック法によって計測された血圧とが比較される。
以上説明した実施形態に係る血圧計１００による血圧の計測精度について検証を行ったので、説明する。図１２は、実施形態に係る血圧計１００による血圧の計測精度の検証結果を例示する図である。図１２では、血圧計１００によって計測された血圧とオシロメト
リック法によって計測された血圧とが比較される。
【0044】
本検証では、複数の被験者夫々について血圧の計測を複数回実施して計測結果を取得した。本検証においては、取得した計測結果について、Ｓｔａｎｄａｒｄ Ｄｅｖｉａｔｉｏｎ ｏｆ Ｅｒｒｏｒ（ＳＤＥ）による評価が行われる。図１２を参照すると、「実施形態」は、最低血圧：ＤＢＰ及び最高血圧：ＳＢＰのいずれについても「オシロメトリック法」よりも高い精度を示した。
【0045】
＜実施形態の作用効果＞
本実施例では、カフ圧波形及び脈波形の夫々は、複数のモード波形に分解される。モード波形は被計測者の血圧に係る特徴量の時系列変化の大局的な変化を示す波形と局所的に示す波形とを含む。そのため、血圧モデル１１７は、被計測者の血圧に係る特徴量の時系列変化の大局的な特徴及び局所的な特徴の双方をまんべんなく学習できる。このような血圧モデル１１７によれば、カフ圧波形や脈波形にノイズが含まれていても、高精度に被計測者の血圧を出力できる。すなわち、本実施形態によれば、カフ１２０を巻く位置や被計測者の姿勢等の影響によってカフ圧波形や脈波形にノイズが含まれていても、キャリブレーションや血圧測定のアルゴリズムのパラメタ設定を行わずに高精度の血圧計測を実現できる。
本実施例では、カフ圧波形及び脈波形の夫々は、複数のモード波形に分解される。モード波形は被計測者の血圧に係る特徴量の時系列変化の大局的な変化を示す波形と局所的に示す波形とを含む。そのため、血圧モデル１１７は、被計測者の血圧に係る特徴量の時系列変化の大局的な特徴及び局所的な特徴の双方をまんべんなく学習できる。このような血圧モデル１１７によれば、カフ圧波形や脈波形にノイズが含まれていても、高精度に被計測者の血圧を出力できる。すなわち、本実施形態によれば、カフ１２０を巻く位置や被計測者の姿勢等の影響によってカフ圧波形や脈波形にノイズが含まれていても、キャリブレーションや血圧測定のアルゴリズムのパラメタ設定を行わずに高精度の血圧計測を実現できる。
【0046】
＜変形例＞
以上説明した実施形態では、カフ圧波形及び脈波形の双方が波形分解部１１５に入力されたが、カフ圧波形及び脈波形のいずれか一方が波形分解部１１５に入力されてもよい。この場合、血圧モデル１１７は、カフ圧波形から生成された中間特徴量及び脈波形から生成された中間特徴量のうち、血圧計測に使用する波形から生成された中間特徴量を説明変数として構築されればよい。
以上説明した実施形態では、カフ圧波形及び脈波形の双方が波形分解部１１５に入力されたが、カフ圧波形及び脈波形のいずれか一方が波形分解部１１５に入力されてもよい。この場合、血圧モデル１１７は、カフ圧波形から生成された中間特徴量及び脈波形から生成された中間特徴量のうち、血圧計測に使用する波形から生成された中間特徴量を説明変数として構築されればよい。
【0047】
以上で開示した実施形態や変形例はそれぞれ組み合わせることができる。
【0048】
＜コンピュータが読み取り可能な記録媒体＞
コンピュータその他の機械、装置（以下、コンピュータ等）に上記いずれかの機能を実現させる情報処理プログラムをコンピュータ等が読み取り可能な記録媒体に記録することができる。そして、コンピュータ等に、この記録媒体のプログラムを読み込ませて実行させることにより、その機能を提供させることができる。
コンピュータその他の機械、装置（以下、コンピュータ等）に上記いずれかの機能を実現させる情報処理プログラムをコンピュータ等が読み取り可能な記録媒体に記録することができる。そして、コンピュータ等に、この記録媒体のプログラムを読み込ませて実行させることにより、その機能を提供させることができる。
【0049】
ここで、コンピュータ等が読み取り可能な記録媒体とは、データやプログラム等の情報を電気的、磁気的、光学的、機械的、または化学的作用によって蓄積し、コンピュータ等から読み取ることができる記録媒体をいう。このような記録媒体のうちコンピュータ等から取り外し可能なものとしては、例えばフレキシブルディスク、光磁気ディスク、Ｃｏｍｐａｃｔ Ｄｉｓｃ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ（ＣＤ－ＲＯＭ）、Ｃｏｍｐａｃｔ Ｄｉｓｃ－Ｒｅｃｏｒｄａｂｌｅ（ＣＤ－Ｒ）、Ｃｏｍｐａｃｔ Ｄｉｓｃ－ＲｅＷｒｉｔｅｒａｂｌｅ（ＣＤ－ＲＷ）、Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｃ（ＤＶＤ）、ブルーレイディスク（ＢＤ）、Ｄｉｇｉｔａｌ Ａｕｄｉｏ Ｔａｐｅ（ＤＡＴ）、８ｍｍテープ、フラッシュメモリ、外付け型のハードディスクドライブやＳｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ（ＳＳＤ）等がある。また、コンピュータ等に固定された記録媒体として内蔵型のハードディスクドライブ、ＳＳＤやＲＯＭ等がある。
【0050】
＜付記１＞
被計測者の腕（Ｈ１）に巻かれるカフ（１２０）と、
前記カフ（１２０）が前記腕（Ｈ１）から受けるカフ圧を検出する検出部（１１３）と、
前記カフ圧を基に前記被計測者の血圧に係る特徴量の時系列変化を示す第１の波形（Ｗ１１、Ｗ２１）を取得し、前記第１の波形（Ｗ１１、Ｗ２１）を２以上の異なる特徴量を示す複数の第２の波形（Ｗ１２、Ｗ２２）に分解する分解部（１１５）と、
被験者についての前記第２の波形（Ｗ１２、Ｗ２２）を説明変数とし聴診法で実測された血圧を目的変数とする機械学習によって構築された学習モデル（１１７）と、
複数の前記第２の波形（Ｗ１２、Ｗ２２）を前記学習モデルに入力して前記被計測者の血圧を計測する計測部（１１６）と、
前記計測部によって計測された前記血圧を出力する出力部（１１８）と、を備える、
血圧計（１００）。
＜付記２＞
前記第１の波形（Ｗ１１、Ｗ２１）は、前記カフ圧の時系列変化を示すカフ圧波形（Ｗ１１）を含み、
前記分解部（１１５）は、
前記カフ圧波形（Ｗ１１）を２以上の異なる特徴量を示す複数の第３の波形（Ｗ１２）に分解し、
前記学習モデル（１１７）は、前記被験者（Ｅ１・・・ＥＮ）についての前記第３の波形（Ｐ１４）を前記説明変数として構築され、
前記計測部（１１６）は、前記第３の波形（Ｗ１２）を前記学習モデル（１１７）に入力して前記被計測者の血圧を計測する、
付記１に記載の血圧計（１００）。
＜付記３＞
前記第１の波形（Ｗ１１、Ｗ２１）は、前記カフ圧の時系列変化を基に取得される前記被計測者の脈波の時系列変化を示す脈波形（Ｗ２１）を含み、
前記分解部（１１５）は、
前記脈波形（Ｗ２１）を２以上の異なる特徴量を示す複数の第４の波形（Ｗ２２）に分解し、
前記学習モデル（１１７）は、前記被験者（Ｅ１・・・ＥＮ）についての前記第４の波形（Ｗ２４）を前記説明変数として構築され、
前記計測部（１１６）は、前記第４の波形（Ｗ２２）を前記学習モデル（１１７）に入力して前記被計測者の血圧を計測する、
付記１または２に記載の血圧計（１００）。
＜付記４＞
前記第１の波形（Ｗ１１、Ｗ２１）は、前記カフ圧の時系列変化を示すカフ圧波形（Ｗ１１）、及び、前記カフ圧の時系列変化を基に取得される前記被計測者の脈波の時系列変化を示す脈波形（Ｗ２１）を含み、
前記分解部（１１５）は、
前記カフ圧波形（Ｗ１１）を２以上の異なる特徴量を示す複数の第３の波形（Ｗ１２）に分解するとともに、前記脈波形（Ｗ２１）を前記カフ圧の時系列変化から得られる第４の波形（Ｗ２２）に分解し、
前記学習モデル（１１７）は、前記被験者（Ｅ１・・・ＥＮ）についての前記第３の波形（Ｐ１４）及び前記第４の波形（Ｐ２４）を前記説明変数として構築され、
前記計測部（１１６）は、前記第３の波形（Ｗ１２）及び前記第４の波形（Ｗ２２）を前記学習モデル（１１７）に入力して前記被計測者の血圧を計測する、
付記１から３のいずれかひとつに記載の血圧計（１００）。
＜付記５＞
前記分解部（１１５）は、Ｗａｖｅ－Ｕ－Ｎｅｔを含む、
付記１から４のいずれかひとつに記載の血圧計。
＜付記６＞
被計測者の腕（Ｈ１）に巻かれるカフ（１２０）が前記腕（Ｈ１）から受けるカフ圧を検出する検出ステップと、
前記カフ圧を基に前記被計測者の血圧に係る特徴量の時系列変化を示す第１の波形（Ｗ１１、Ｗ２１）を取得し、前記第１の波形（Ｗ１１、Ｗ２１）を２以上の異なる特徴量を示す複数の第２の波形（Ｗ１２、Ｗ２２）に分解する分解ステップと、
被験者（Ｅ１・・・ＥＮ）についての前記第２の波形（Ｗ１２、Ｗ２２）を説明変数とし聴診法で実測された血圧を目的変数とする機械学習によって構築された学習モデル（１１７）に、複数の前記第２の波形（Ｗ１２、Ｗ２２）を入力して前記被計測者の血圧を計測する計測ステップと、
前記計測ステップにおいて計測された前記血圧を出力する出力ステップと、をコンピュータが実行する、
血圧計測方法。
＜付記７＞
被験者（Ｅ１・・・ＥＮ）の腕（Ｈ１）に巻かれるカフ（１２０）が前記腕（Ｈ１）から受けるカフ圧を検出する検出ステップと、
前記カフ圧を基に前記被計測者の血圧に係る特徴量の時系列変化を示す第１の波形（Ｗ１１、Ｗ２１）を取得し、前記第１の波形（Ｗ１１、Ｗ２１）を２以上の異なる特徴量を示す複数の第２の波形（Ｗ１２、Ｗ２２）に分解する分解ステップと、
前記第２の波形（Ｗ１２、Ｗ２２）を説明変数とし聴診法で実測された血圧を目的変数とする機械学習によって構築された学習モデル（１１７）に、複数の前記第２の波形（Ｗ１２、Ｗ２２）を入力して前記被計測者の血圧を計測する計測ステップと、
前記計測ステップにおいて計測された前記血圧を出力する出力ステップと、をコンピュータに実行させる、
血圧計測プログラム。
＜付記８＞
被験者（Ｅ１・・・ＥＮ）の腕（Ｈ１）に巻かれるカフ（１２０）が前記腕（Ｈ１）から受けるカフ圧を検出する検出ステップと、
前記カフ圧を基に前記被計測者の血圧に係る特徴量の時系列変化を示す第１の波形（Ｗ１１、Ｗ２１）を取得し、前記第１の波形（Ｗ１１、Ｗ２１）を２以上の異なる特徴量を示す複数の第２の波形（Ｗ１２、Ｗ２２）に分解する分解ステップと、
前記第２の波形（Ｗ１２、Ｗ２２）を説明変数とし聴診法で実測された血圧を目的変数とする機械学習によって学習モデル（１１７）を構築する構築ステップと、をコンピュータが実行する、
学習モデルの構築方法。
＜付記９＞
被験者の腕（Ｈ１）に巻かれるカフ（１２０）が前記腕（Ｈ１）から受けるカフ圧を検出する検出ステップと、
前記カフ圧を基に前記被計測者の血圧に係る特徴量の時系列変化を示す第１の波形を取得し、前記第１の波形（Ｗ１１、Ｗ２１）を２以上の異なる特徴量を示す複数の第２の波形（Ｗ１２、Ｗ２２）に分解する分解ステップと、
前記第２の波形（Ｗ１２、Ｗ２２）を説明変数とし聴診法で実測された血圧を目的変数とする機械学習によって学習モデル（１１７）を構築する構築ステップと、をコンピュータに実行させる、
学習モデルの構築プログラム。
被計測者の腕（Ｈ１）に巻かれるカフ（１２０）と、
前記カフ（１２０）が前記腕（Ｈ１）から受けるカフ圧を検出する検出部（１１３）と、
前記カフ圧を基に前記被計測者の血圧に係る特徴量の時系列変化を示す第１の波形（Ｗ１１、Ｗ２１）を取得し、前記第１の波形（Ｗ１１、Ｗ２１）を２以上の異なる特徴量を示す複数の第２の波形（Ｗ１２、Ｗ２２）に分解する分解部（１１５）と、
被験者についての前記第２の波形（Ｗ１２、Ｗ２２）を説明変数とし聴診法で実測された血圧を目的変数とする機械学習によって構築された学習モデル（１１７）と、
複数の前記第２の波形（Ｗ１２、Ｗ２２）を前記学習モデルに入力して前記被計測者の血圧を計測する計測部（１１６）と、
前記計測部によって計測された前記血圧を出力する出力部（１１８）と、を備える、
血圧計（１００）。
＜付記２＞
前記第１の波形（Ｗ１１、Ｗ２１）は、前記カフ圧の時系列変化を示すカフ圧波形（Ｗ１１）を含み、
前記分解部（１１５）は、
前記カフ圧波形（Ｗ１１）を２以上の異なる特徴量を示す複数の第３の波形（Ｗ１２）に分解し、
前記学習モデル（１１７）は、前記被験者（Ｅ１・・・ＥＮ）についての前記第３の波形（Ｐ１４）を前記説明変数として構築され、
前記計測部（１１６）は、前記第３の波形（Ｗ１２）を前記学習モデル（１１７）に入力して前記被計測者の血圧を計測する、
付記１に記載の血圧計（１００）。
＜付記３＞
前記第１の波形（Ｗ１１、Ｗ２１）は、前記カフ圧の時系列変化を基に取得される前記被計測者の脈波の時系列変化を示す脈波形（Ｗ２１）を含み、
前記分解部（１１５）は、
前記脈波形（Ｗ２１）を２以上の異なる特徴量を示す複数の第４の波形（Ｗ２２）に分解し、
前記学習モデル（１１７）は、前記被験者（Ｅ１・・・ＥＮ）についての前記第４の波形（Ｗ２４）を前記説明変数として構築され、
前記計測部（１１６）は、前記第４の波形（Ｗ２２）を前記学習モデル（１１７）に入力して前記被計測者の血圧を計測する、
付記１または２に記載の血圧計（１００）。
＜付記４＞
前記第１の波形（Ｗ１１、Ｗ２１）は、前記カフ圧の時系列変化を示すカフ圧波形（Ｗ１１）、及び、前記カフ圧の時系列変化を基に取得される前記被計測者の脈波の時系列変化を示す脈波形（Ｗ２１）を含み、
前記分解部（１１５）は、
前記カフ圧波形（Ｗ１１）を２以上の異なる特徴量を示す複数の第３の波形（Ｗ１２）に分解するとともに、前記脈波形（Ｗ２１）を前記カフ圧の時系列変化から得られる第４の波形（Ｗ２２）に分解し、
前記学習モデル（１１７）は、前記被験者（Ｅ１・・・ＥＮ）についての前記第３の波形（Ｐ１４）及び前記第４の波形（Ｐ２４）を前記説明変数として構築され、
前記計測部（１１６）は、前記第３の波形（Ｗ１２）及び前記第４の波形（Ｗ２２）を前記学習モデル（１１７）に入力して前記被計測者の血圧を計測する、
付記１から３のいずれかひとつに記載の血圧計（１００）。
＜付記５＞
前記分解部（１１５）は、Ｗａｖｅ－Ｕ－Ｎｅｔを含む、
付記１から４のいずれかひとつに記載の血圧計。
＜付記６＞
被計測者の腕（Ｈ１）に巻かれるカフ（１２０）が前記腕（Ｈ１）から受けるカフ圧を検出する検出ステップと、
前記カフ圧を基に前記被計測者の血圧に係る特徴量の時系列変化を示す第１の波形（Ｗ１１、Ｗ２１）を取得し、前記第１の波形（Ｗ１１、Ｗ２１）を２以上の異なる特徴量を示す複数の第２の波形（Ｗ１２、Ｗ２２）に分解する分解ステップと、
被験者（Ｅ１・・・ＥＮ）についての前記第２の波形（Ｗ１２、Ｗ２２）を説明変数とし聴診法で実測された血圧を目的変数とする機械学習によって構築された学習モデル（１１７）に、複数の前記第２の波形（Ｗ１２、Ｗ２２）を入力して前記被計測者の血圧を計測する計測ステップと、
前記計測ステップにおいて計測された前記血圧を出力する出力ステップと、をコンピュータが実行する、
血圧計測方法。
＜付記７＞
被験者（Ｅ１・・・ＥＮ）の腕（Ｈ１）に巻かれるカフ（１２０）が前記腕（Ｈ１）から受けるカフ圧を検出する検出ステップと、
前記カフ圧を基に前記被計測者の血圧に係る特徴量の時系列変化を示す第１の波形（Ｗ１１、Ｗ２１）を取得し、前記第１の波形（Ｗ１１、Ｗ２１）を２以上の異なる特徴量を示す複数の第２の波形（Ｗ１２、Ｗ２２）に分解する分解ステップと、
前記第２の波形（Ｗ１２、Ｗ２２）を説明変数とし聴診法で実測された血圧を目的変数とする機械学習によって構築された学習モデル（１１７）に、複数の前記第２の波形（Ｗ１２、Ｗ２２）を入力して前記被計測者の血圧を計測する計測ステップと、
前記計測ステップにおいて計測された前記血圧を出力する出力ステップと、をコンピュータに実行させる、
血圧計測プログラム。
＜付記８＞
被験者（Ｅ１・・・ＥＮ）の腕（Ｈ１）に巻かれるカフ（１２０）が前記腕（Ｈ１）から受けるカフ圧を検出する検出ステップと、
前記カフ圧を基に前記被計測者の血圧に係る特徴量の時系列変化を示す第１の波形（Ｗ１１、Ｗ２１）を取得し、前記第１の波形（Ｗ１１、Ｗ２１）を２以上の異なる特徴量を示す複数の第２の波形（Ｗ１２、Ｗ２２）に分解する分解ステップと、
前記第２の波形（Ｗ１２、Ｗ２２）を説明変数とし聴診法で実測された血圧を目的変数とする機械学習によって学習モデル（１１７）を構築する構築ステップと、をコンピュータが実行する、
学習モデルの構築方法。
＜付記９＞
被験者の腕（Ｈ１）に巻かれるカフ（１２０）が前記腕（Ｈ１）から受けるカフ圧を検出する検出ステップと、
前記カフ圧を基に前記被計測者の血圧に係る特徴量の時系列変化を示す第１の波形を取得し、前記第１の波形（Ｗ１１、Ｗ２１）を２以上の異なる特徴量を示す複数の第２の波形（Ｗ１２、Ｗ２２）に分解する分解ステップと、
前記第２の波形（Ｗ１２、Ｗ２２）を説明変数とし聴診法で実測された血圧を目的変数とする機械学習によって学習モデル（１１７）を構築する構築ステップと、をコンピュータに実行させる、
学習モデルの構築プログラム。
【符号の説明】
【0051】
１００・・血圧計
１１０・・本体
１１１・・起動スイッチ
１１２・・制御部
１１３・・圧力センサ
１１４・・計測部
１１５・・波形分解部
１１６・・血圧計測部
１１７・・血圧モデル
１１８・・出力部
１２０・・カフ
Ｈ１・・手首
１１０・・本体
１１１・・起動スイッチ
１１２・・制御部
１１３・・圧力センサ
１１４・・計測部
１１５・・波形分解部
１１６・・血圧計測部
１１７・・血圧モデル
１１８・・出力部
１２０・・カフ
Ｈ１・・手首
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
【図12】