知財求人 - 知財ポータルサイト「IP Force」
▶ オムロン株式会社の特許一覧 ▶ オムロンヘルスケア株式会社の特許一覧
特開2024-176356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】P2024176356
(43)【公開日】2024-12-19
(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 20060101AFI20241212BHJP
A61B 5/02 20060101ALI20241212BHJP
【ＦＩ】
A61B5/022 400F
A61B5/02 310Z
【審査請求】未請求
【請求項の数】11
【出願形態】ＯＬ
(21)【出願番号】P 2023094838
(22)【出願日】2023-06-08
(71)【出願人】
【識別番号】000002945
【氏名又は名称】オムロン株式会社
(71)【出願人】
【識別番号】503246015
【氏名又は名称】オムロンヘルスケア株式会社
(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
【テーマコード（参考）】
4C017
【Ｆターム（参考）】
4C017AA08
4C017AA09
4C017AB02
4C017BC11
4C017BD05
4C017FF08
(57)【要約】
【課題】脈波にノイズが含まれていても高精度に血圧を取得する。
【解決手段】本血圧計は、被計測者の腕に巻かれるカフと、カフによる腕に対する圧力を制御する制御部と、カフが腕から受けるカフ圧を検出する検出部と、カフ圧の時系列変化から取得される、被計測者の動脈内を流れる血流の拍動による圧力の変化を示す第１の脈波形の第１の画像を含み、第１の画像の特徴量によってカフ圧を示す第１の波形画像を生成する生成部と、被験者についてのカフ圧の時系列変化から取得される、被験者の動脈内を流れる血流の拍動による圧力の変化を示す第２の脈波形の第２の画像を含み、第２の画像の特徴量によってカフ圧を示す第２の波形画像を説明変数とし、被験者の血圧を目的変数とする機械学習によって構築された算出モデルと、第１の波形画像を算出モデルに入力して、算出モデルから被計測者の血圧を取得する取得部と、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、カフによる腕に対する圧力を制御する制御部と、カフが腕から受けるカフ圧を検出する検出部と、カフ圧の時系列変化から取得される、被計測者の動脈内を流れる血流の拍動による圧力の変化を示す第１の脈波形の第１の画像を含み、第１の画像の特徴量によってカフ圧を示す第１の波形画像を生成する生成部と、被験者についてのカフ圧の時系列変化から取得される、被験者の動脈内を流れる血流の拍動による圧力の変化を示す第２の脈波形の第２の画像を含み、第２の画像の特徴量によってカフ圧を示す第２の波形画像を説明変数とし、被験者の血圧を目的変数とする機械学習によって構築された算出モデルと、第１の波形画像を算出モデルに入力して、算出モデルから被計測者の血圧を取得する取得部と、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、
前記カフによる前記腕に対する圧力を制御する制御部と、
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、
前記カフ圧の時系列変化から取得される、前記被計測者の動脈内を流れる血流の拍動による圧力の変化を示す第１の脈波形の第１の画像を含み、前記第１の画像の特徴量によって前記カフ圧を示す第１の波形画像を生成する生成部と、
被験者についての前記カフ圧の時系列変化から取得される、前記被験者の動脈内を流れる血流の拍動による圧力の変化を示す第２の脈波形の第２の画像を含み、前記第２の画像の特徴量によって前記カフ圧を示す第２の波形画像を説明変数とし、前記被験者の血圧を目的変数とする機械学習によって構築された算出モデルと、
前記第１の波形画像を前記算出モデルに入力して、前記算出モデルから前記被計測者の血圧を取得する取得部と、を備える、
血圧計。
前記カフによる前記腕に対する圧力を制御する制御部と、
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、
前記カフ圧の時系列変化から取得される、前記被計測者の動脈内を流れる血流の拍動による圧力の変化を示す第１の脈波形の第１の画像を含み、前記第１の画像の特徴量によって前記カフ圧を示す第１の波形画像を生成する生成部と、
被験者についての前記カフ圧の時系列変化から取得される、前記被験者の動脈内を流れる血流の拍動による圧力の変化を示す第２の脈波形の第２の画像を含み、前記第２の画像の特徴量によって前記カフ圧を示す第２の波形画像を説明変数とし、前記被験者の血圧を目的変数とする機械学習によって構築された算出モデルと、
前記第１の波形画像を前記算出モデルに入力して、前記算出モデルから前記被計測者の血圧を取得する取得部と、を備える、
血圧計。
【請求項2】
前記生成部は、
前記脈波形を線画像で描画するとともに、前記線画像を形成する線の特徴量によって前記カフ圧を示す前記第１の波形画像を生成する、
請求項１に記載の血圧計。
前記脈波形を線画像で描画するとともに、前記線画像を形成する線の特徴量によって前記カフ圧を示す前記第１の波形画像を生成する、
請求項１に記載の血圧計。
【請求項3】
前記線の特徴量は、前記線の色を含み、
前記カフ圧は、前記線の前記色によって示される、
請求項２に記載の血圧計。
前記カフ圧は、前記線の前記色によって示される、
請求項２に記載の血圧計。
【請求項4】
前記線の特徴量は、前記線の太さを含み、
前記カフ圧は、前記線の太さに示される、
請求項２に記載の血圧計。
前記カフ圧は、前記線の太さに示される、
請求項２に記載の血圧計。
【請求項5】
前記生成部は、
前記脈波形を線画像で描画するとともに、前記線画像の背景の特徴量によって前記カフ圧を示す前記第１の波形画像を生成する、
請求項１に記載の血圧計。
前記脈波形を線画像で描画するとともに、前記線画像の背景の特徴量によって前記カフ圧を示す前記第１の波形画像を生成する、
請求項１に記載の血圧計。
【請求項6】
前記背景の特徴量は、前記背景の色を含み、
前記カフ圧は、前記背景の前記色によって示される、
請求項５に記載の血圧計。
前記カフ圧は、前記背景の前記色によって示される、
請求項５に記載の血圧計。
【請求項7】
前記算出モデルは、前記被験者の拡張期血圧及び収縮期血圧を前記目的変数とした前記機械学習によって構築される、
請求項１から６のいずれか一項に記載の血圧計。
請求項１から６のいずれか一項に記載の血圧計。
【請求項8】
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、
前記カフ圧の時系列変化から取得される、前記被計測者の動脈内を流れる血流の拍動による圧力の変化を示す第１の脈波形の第１の画像を含み、前記第１の画像の特徴量によって前記カフ圧を示す第１の波形画像を生成する生成ステップと、
被験者についての前記カフ圧の時系列変化から取得される、前記被験者の動脈内を流れる血流の拍動による圧力の変化を示す第２の脈波形の第２の画像を含み、前記第２の画像の特徴量によって前記カフ圧を示す第２の波形画像を説明変数とし、前記被験者の血圧を目的変数とする機械学習によって構築された算出モデルに前記第１の波形画像を入力して
、前記算出モデルから前記被計測者の血圧を取得する取得ステップと、をコンピュータが実行する、
血圧計測方法。
前記カフ圧の時系列変化から取得される、前記被計測者の動脈内を流れる血流の拍動による圧力の変化を示す第１の脈波形の第１の画像を含み、前記第１の画像の特徴量によって前記カフ圧を示す第１の波形画像を生成する生成ステップと、
被験者についての前記カフ圧の時系列変化から取得される、前記被験者の動脈内を流れる血流の拍動による圧力の変化を示す第２の脈波形の第２の画像を含み、前記第２の画像の特徴量によって前記カフ圧を示す第２の波形画像を説明変数とし、前記被験者の血圧を目的変数とする機械学習によって構築された算出モデルに前記第１の波形画像を入力して
、前記算出モデルから前記被計測者の血圧を取得する取得ステップと、をコンピュータが実行する、
血圧計測方法。
【請求項9】
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、
前記カフ圧の時系列変化から取得される、前記被計測者の動脈内を流れる血流の拍動による圧力の変化を示す第１の脈波形の第１の画像を含み、前記第１の画像の特徴量によって前記カフ圧を示す第１の波形画像を生成する生成ステップと、
被験者についての前記カフ圧の時系列変化から取得される、前記被験者の動脈内を流れる血流の拍動による圧力の変化を示す第２の脈波形の第２の画像を含み、前記第２の画像の特徴量によって前記カフ圧を示す第２の波形画像を説明変数とし、前記被験者の血圧を目的変数とする機械学習によって構築された算出モデルに前記第１の波形画像を入力して、前記算出モデルから前記被計測者の血圧を取得する取得ステップと、をコンピュータに実行させる、
血圧計測プログラム。
前記カフ圧の時系列変化から取得される、前記被計測者の動脈内を流れる血流の拍動による圧力の変化を示す第１の脈波形の第１の画像を含み、前記第１の画像の特徴量によって前記カフ圧を示す第１の波形画像を生成する生成ステップと、
被験者についての前記カフ圧の時系列変化から取得される、前記被験者の動脈内を流れる血流の拍動による圧力の変化を示す第２の脈波形の第２の画像を含み、前記第２の画像の特徴量によって前記カフ圧を示す第２の波形画像を説明変数とし、前記被験者の血圧を目的変数とする機械学習によって構築された算出モデルに前記第１の波形画像を入力して、前記算出モデルから前記被計測者の血圧を取得する取得ステップと、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10】
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、
前記カフ圧の時系列変化から取得される、前記被験者の動脈内を流れる血流の拍動による圧力の変化を示す脈波形の画像を含み、前記画像の特徴量によって前記カフ圧を示す波形画像を生成する生成ステップと、
前記波形画像を説明変数とし、前記被験者の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。
前記カフ圧の時系列変化から取得される、前記被験者の動脈内を流れる血流の拍動による圧力の変化を示す脈波形の画像を含み、前記画像の特徴量によって前記カフ圧を示す波形画像を生成する生成ステップと、
前記波形画像を説明変数とし、前記被験者の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11】
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、
前記カフ圧の時系列変化から取得される、前記被験者の動脈内を流れる血流の拍動による圧力の変化を示す脈波形の画像を含み、前記画像の特徴量によって前記カフ圧を示す波形画像を生成する生成ステップと、
前記波形画像を説明変数とし、前記被験者の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。
前記カフ圧の時系列変化から取得される、前記被験者の動脈内を流れる血流の拍動による圧力の変化を示す脈波形の画像を含み、前記画像の特徴量によって前記カフ圧を示す波形画像を生成する生成ステップと、
前記波形画像を説明変数とし、前記被験者の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。特許文献１では、カフを用いて計測された被計測者の血圧と聴診法で実測した被計測者の血圧の相関を記憶し、記憶した相関を用いて被計測者の血圧を補正する技術が記載されている。また、特許文献２では、光電容積脈波を用いて血圧を測定する技術が記載されている。特許文献３では、カフ圧脈波をウェーブレット変換等を用いて生成した特徴量画像を用いて血圧を計測する技術が提案されている。
【先行技術文献】
【特許文献】
【0003】
【特許文献1】特開平５－３０９０７３号公報
【特許文献2】特表２０２２－５１６８２０号公報
【特許文献3】米国特許出願公開第２０２０／０１４６５６８号明細書
【発明の概要】
【発明が解決しようとする課題】
【0004】
カフ圧から得られる脈波や光電容積脈波には、被計測者の体動、カフの巻き方、カフを巻く位置等によってノイズが含まれることがある。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、このようなノイズが脈波に含まれると血圧の計測精度が低下する虞がある。
【0005】
開示の技術の１つの側面は、脈波にノイズが含まれていても高精度に血圧を取得できる血圧計、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、上記カフによる上記腕に対する圧力を制御する制御部と、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、上記カフ圧の時系列変化から取得される、上記被計測者の動脈内を流れる血流の拍動による圧力の変化を示す第１の脈波形の第１の画像を含み、上記第１の画像の特徴量によって上記カフ圧を示す第１の波形画像を生成する生成部と、被験者についての上記カフ圧の時系列変化から取得される、上記被験者の動脈内を流れる血流の拍動による圧力の変化を示す第２の脈波形の第２の画像を含み、上記第２の画像の特徴量によって上記カフ圧を示す第２の波形画像を説明変数とし、上記被験者の血圧を目的変数とする機械学習によって構築された算出モデルと、上記第１の波形画像を上記算出モデルに入力して、上記算出モデルから上記被計測者の血圧を取得する取得部と、を備える。
【0007】
カフ圧の時系列変化には、上記カフが上記腕を圧する圧力の時系列変化に対して、上記腕の動脈内を流れる血流の拍動による圧力の時系列変化が微細な振動として重畳して含まれる。本血圧計によれば、波形画像は、上記腕の動脈内を流れる血流の拍動による圧力の時系列変化が微細な振動を示す脈波形の大局的な変化を示す波形と局所的な変化を示す波
形とを含むとともに、カフ圧の情報をも含む。このような波形画像を目的変数とした機械学習によって構築される算出モデルは、波形画像にノイズが含まれていても、被計測者の血圧を高精度に出力できる。すなわち、本血圧計によれば、カフ圧から得られる脈波にノイズが含まれていても高精度の血圧計測を実現できる。また、被計測者の腕は、被計測者の手首を含む。
形とを含むとともに、カフ圧の情報をも含む。このような波形画像を目的変数とした機械学習によって構築される算出モデルは、波形画像にノイズが含まれていても、被計測者の血圧を高精度に出力できる。すなわち、本血圧計によれば、カフ圧から得られる脈波にノイズが含まれていても高精度の血圧計測を実現できる。また、被計測者の腕は、被計測者の手首を含む。
【0008】
本血圧計は、さらに、次の特徴を備えてもよい。上記生成部は、上記脈波形を線画像で描画するとともに、上記線画像を形成する線の特徴量によって上記カフ圧を示す上記第１の波形画像を生成する。このような波形画像は、脈波形が線画像で描画されることで脈波形の大局的な特徴及び局所的な特徴の双方を含むとともに、線の特徴量によってカフ圧の情報を含むことができる。ここで、上記線の特徴量は、上記線の色を含み、上記カフ圧は、上記線の上記色によって示されてもよい。また、上記線の特徴量は、上記線の太さを含み、
上記カフ圧は、上記線の太さに示されてもよい。このような波形画像を用いることで、本血圧計はより高い精度の血圧計測を行うことができる。
上記カフ圧は、上記線の太さに示されてもよい。このような波形画像を用いることで、本血圧計はより高い精度の血圧計測を行うことができる。
【0009】
本血圧計は、さらに、次の特徴を備えてもよい。上記生成部は、上記脈波形を線画像で描画するとともに、上記線画像の背景の特徴量によって上記カフ圧を示す上記第１の波形画像を生成する。このような波形画像は、脈波形が線画像で描画されることで脈波形の大局的な特徴及び局所的な特徴の双方を含むとともに、背景の特徴量によってカフ圧の情報を含むことができる。ここで、上記背景の特徴量は、上記背景の色を含み、上記カフ圧は、上記背景の上記色によって示されてもよい。このような波形画像を用いることで、本血圧計はより高い精度の血圧計測を行うことができる。
【0010】
本血圧計は、さらに、次の特徴を備えてもよい。上記算出モデルは、上記被験者の拡張期血圧及び収縮期血圧を上記目的変数とした上記機械学習によって構築される。このような算出モデルであれば、拡張期血圧及び収縮期血圧の算出に効果的な特徴量を学習できる。
【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把握することもできる。
【発明の効果】
【0012】
開示の技術によれば、脈波にノイズが含まれていても高精度に血圧を取得できる。
【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、取得
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１１６に入力し、血圧モデル１１６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、取得
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１１６に入力し、血圧モデル１１６から被計測者の血圧を取得する。
【0015】
取得部１１４は、カフ１２０の圧力を制御して圧力センサ１１３からカフ圧の時系列変化と脈波の時系列変化を取得する。生成部１１５は、取得部１１４が取得したカフ圧の時系列変化と脈波の時系列変化を示す波形画像を生成する。波形画像は、例えば、脈波の時系列変化を線で示す線画像に対して、カフ圧の時系列変化を示す情報を当該線画像の特徴量を用いて付したものである。
【0016】
取得部１１４は、生成部１１５によって生成した波形画像を血圧モデル１１６に入力し、血圧モデル１１６から被計測者の血圧を取得する。取得部１１４は、取得した血圧を出力部１１７に出力させる。
【0017】
血圧モデル１１６は、波形画像が入力されると、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１１６は、被計測者の波形画像を説明変数とし、真値として採用する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。また、真値として採用する血圧は、聴診法で計測された血圧であってもよい。
【0018】
本適用例によれば、波形画像は、脈波の時系列変化の大局的な変化を示す波形と局所的な変化を示す波形とを含む。このような波形画像を目的変数とした機械学習によって構築される血圧モデル１１６は、波形画像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、生成部１１５によって生成された波形画像にノイズが含まれていても、高精度に血圧を取得できる。
【0019】
＜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１００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取得する。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１００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取得する。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。
【0020】
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が被計測者の手首Ｈ１に巻かれた状態でカフ１２０内部の袋に送気されると、手首Ｈ１に対するカフによる圧力が上昇する。また、カフ１２０が被計測者の手首Ｈ１に巻かれた状態でカフ１２０内部の袋から吸気されると、手首Ｈ１に対するカフによる圧力が低下する。
【0021】
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、取得部１１４、血圧モデル１１６及び出力部１１７等の各処理部が実現される。取得部１１４は、生成部１１５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、取得部１１４、血圧モデル１１６及び出力部１１７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。
【0022】
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による被計測者の手首Ｈ１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。
【0023】
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、検知したカフ圧を取得部１１４に対して出力する。このようなカフ圧の時系列変化には、例えば、カフ１２０が手首Ｈ１を圧する圧力の時系列変化に対して、手首Ｈ１の動脈内を流れる血流の拍動による圧力の時系列変化（圧力振動）が微細な振動として重畳して含まれる。
【0024】
取得部１１４は、血圧モデル１１６を用いて被計測者の血圧を取得する。取得部１１４は、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、取得部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動脈内を流れる血流の拍動による圧力の時系列変化を抽出して、脈波の時系列変化を示す波形（以下、脈波形とも称する）を取得する。
【0025】
生成部１１５は、抽出されたカフ圧の時系列変化及び脈波形を示す一枚の波形画像を生成する。波形画像は、適用例でも説明したように、脈波形を線で描画し、描画した線画像の特徴量を用いてカフ圧の時系列変化を示す情報を付したものであってよい。なお、波形画像は非圧縮の画像ファイルフォーマットで生成されることが好ましい。波形画像の画像サイズは、脈波形が目視できる程度の画像サイズが好ましい。波形画像の画像サイズは、例えば、縦４４８ピクセル×横４４８ピクセルである。
【0026】
ここで、波形画像について説明する。図３は、波形画像のバリエーションを例示する図である。図３Ａ、３Ｂ、３Ｃ、３Ｄのいずれも、縦軸は圧力（ｍｍＨｇ）、横軸は時間（秒）を例示する。図３Ａは、脈波形を塗りつぶして生成された波形画像を例示する。図３Ｂは、脈波形を線で描画した波形画像を例示する。図３Ｃは、脈波形を塗りつぶして生成された画像の上に、カフ圧の時系列変化の波形（以下、カフ圧波形とも称する）を線で重ね書きした波形画像を例示する。図３Ｄは、脈波形を線で描画するとともに、カフ圧に応じて線の色を変えることでカフ圧の時系列変化を付した波形画像を例示する。
【0027】
図３Ａの波形画像では、脈波形の包絡線形状のような大局的な波形形状の変動は含まれる。しかしながら、図３Ａの波形画像は塗りつぶされていることから、脈波形の局所的な変動の情報は含まれない。図３Ｂの波形画像では、脈波形が線で描画されていることから、脈波形の大局的な波形形状及び局所的な波形形状は含まれる。しかしながら、図３Ａ、３Ｂの波形画像のいずれも、カフ圧の時系列変化の情報が含まれない。また、図３Ｃの波形画像はカフ圧の時系列変化の情報は含まれるものの、図３Ａと同様に、脈波形の局所的な変動の情報は含まれない。そのため、高精度の血圧計測を実現する上では、図３Ａ、３Ｂ、３Ｃに例示される波形画像を血圧計測に用いることは好ましくはないと考えられる。
【0028】
図３Ｄの波形画像では、脈波形が線で描画されていることから、脈波形の大局的な波形形状及び局所的な波形形状が含まれる。さらに、図３Ｄの波形画像では、カフ圧の時系列変化を示す情報が脈波の脈波形を形成する線の色によって示される。すなわち、図３Ｄは、脈波形の時系列変化を示す情報及びカフ圧の時系列変化を示す情報の双方が含まれる。
【0029】
ここで、図３Ａ、３Ｂ、３Ｃ、３Ｄの夫々に例示される波形画像を用いて血圧を計測した場合における精度を検証する。本検証では、図３Ａ、３Ｂ、３Ｃ、３Ｄの夫々に例示される波形画像を用いて収縮期血圧（ＳＢＰ）を計測した。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。
【0030】
図４は、波形画像を用いて血圧を計測した場合における血圧の計測精度の検証結果を例
示する図である。図４では、図３Ａに例示する波形画像を「シルエット画像」、図３Ｂに例示する波形画像を「線画像」、図３Ｃに例示する波形画像を「重ね書き画像」、図３Ｃに例示する波形画像を「色付け画像」と記載している。図４を参照すると、「色付け画像」を用いて血圧を計測した場合が最も高い精度を示した。これは、「色付け画像」には脈波の大局的な波形形状、局所的な波形形状、及び、カフ圧の時系列変化を示す情報が含まれていることから、他の波形画像よりも情報量が多いことによると考えられる。また、線の色によってカフ圧が示されることで、色の情報（ＲＧＢの情報）とカフ圧との関係の規則性が血圧計測の精度に好ましい影響を与えたとも考えられる。
示する図である。図４では、図３Ａに例示する波形画像を「シルエット画像」、図３Ｂに例示する波形画像を「線画像」、図３Ｃに例示する波形画像を「重ね書き画像」、図３Ｃに例示する波形画像を「色付け画像」と記載している。図４を参照すると、「色付け画像」を用いて血圧を計測した場合が最も高い精度を示した。これは、「色付け画像」には脈波の大局的な波形形状、局所的な波形形状、及び、カフ圧の時系列変化を示す情報が含まれていることから、他の波形画像よりも情報量が多いことによると考えられる。また、線の色によってカフ圧が示されることで、色の情報（ＲＧＢの情報）とカフ圧との関係の規則性が血圧計測の精度に好ましい影響を与えたとも考えられる。
【0031】
生成部１１５は、図３Ｄに例示するように、脈波形の大局的な波形形状、局所的な波形形状、及び、カフ圧の時系列変化を示す情報を一枚の波形画像に含めるように、波形画像を生成する。生成部１１５は、例えば、脈波形を線画像で示し、当該線の特徴としてカフ圧に係る情報を示す波形画像を生成する。カフ圧に係る情報を示す線の特徴としては、線の太さ、線の色、線の種類（一本線、一点鎖線、二点鎖線、二重線等）、線の輝度等を挙げることができる。また、生成部１１５は、例えば、脈波形を線画像で示し、脈波形の背景の特徴としてカフ圧に係る情報を示す波形画像を生成してもよい。カフ圧に係る情報を示す背景の特徴としては、背景の色、背景の輝度等を挙げることができる。
【0032】
取得部１１４は、生成部１１５によって生成された波形画像を血圧モデル１１６に入力する。取得部１１４は、波形画像が入力された血圧モデル１１６からの出力として被計測者の拡張期血圧及び収縮期血圧を取得する。
【0033】
血圧モデル１１６は、波形画像が入力されると、拡張期血圧及び収縮期血圧を出力する学習モデルである。血圧モデル１１６は、例えば、本体１１０に収容された記憶部に記憶される。血圧モデル１１６は、例えば、Ｄｅｆｏｒｍａｂｌｅ Ｃｏｎｖ Ｍｏｄｅｌを含む。
【0034】
出力部１１７は、取得部１１４によって取得された拡張期血圧及び収縮期血圧を出力する。出力部１１７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１１７は、プリンタやスピーカであってもよい。
【0035】
【0036】
ステップＳ１では、複数の被験者が用意される。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。用意された複数の被験者にカフ１２０が装着され、カフ圧波形、脈波形が収集される。また、用意された複数の被験者について聴診法によって測定された拡張期血圧及び収縮期血圧が収集される。
【0037】
ステップＳ２では、生成部１１５は、ステップＳ１で収集されたカフ圧波形及び脈波形の夫々を基に、波形画像を生成する。ステップＳ３では、ステップＳ２で生成された波形画像を説明変数とし、ステップＳ１で計測された拡張期血圧及び収縮期血圧を目的変数とする機械学習によって、血圧モデル１１６を構築するための学習が実行される。
【0038】
ステップＳ４では、ステップＳ３で学習された血圧モデル１１６の評価が行われる。評価では、例えば、ある被験者について波形画像が生成されるとともに、聴診法によって拡張期血圧及び収縮期血圧が測定される。生成された波形画像は血圧モデル１１６に入力さ
れ、血圧モデル１１６から拡張期血圧及び収縮期血圧が出力される。血圧モデル１１６によって出力された拡張期血圧及び収縮期血圧と聴診法によって測定された拡張期血圧及び収縮期血圧とが比較されることで、血圧モデル１１６の評価が行われる。
れ、血圧モデル１１６から拡張期血圧及び収縮期血圧が出力される。血圧モデル１１６によって出力された拡張期血圧及び収縮期血圧と聴診法によって測定された拡張期血圧及び収縮期血圧とが比較されることで、血圧モデル１１６の評価が行われる。
【0039】
ステップＳ４の評価の結果、血圧モデル１１６が所望の精度を満たす場合（ステップＳ５でＹＥＳ）、処理はステップＳ６に進められる。血圧モデル１１６が所定の精度を満たさない場合（ステップＳ５でＮＯ）、処理はステップＳ３に進められる。ステップＳ６では、生成された血圧モデル１１６が血圧計１００の記憶部に記憶される。
【0040】
【0041】
ステップＳ１１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Ｓ１２では、制御部１１２は、カフ１２０に送気して被計測者の手首Ｈ１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。
【0042】
ステップＳ１３では、取得部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、生成部１１５は、ステップＳ１３で取得された波形を基に波形画像を生成する。ステップＳ１４では、取得部１１４は、ステップＳ１３で生成された波形画像を血圧モデル１１６に入力して被計測者の拡張期血圧及び収縮期血圧を取得する。
【0043】
ステップＳ１５では、取得部１１４は、被計測者の血圧測定が完了したか否かを判定する。取得部１１４は、例えば、被計測者の拡張期血圧及び収縮期血圧の双方を血圧モデル１１６から取得した場合に、血圧取得を完了と判定してよい。完了した場合（ステップＳ１５でＹＥＳ）、処理はステップＳ１６に進められる。完了していない場合（ステップＳ１５でＮＯ）、処理はステップＳ１２に進められる。
【0044】
ステップＳ１６では、制御部１１２は、カフ１２０の空気を抜く。ステップＳ１７では、出力部１１７は、ステップＳ１４で取得された血圧を出力する。
【0045】
＜比較例＞
実施形態では、拡張期血圧及び収縮期血圧を出力するように血圧モデル１１６が構築された。比較例では、拡張期血圧を出力する血圧モデルと収縮期血圧を出力する血圧モデルとに血圧モデルを分ける構成について説明する。
実施形態では、拡張期血圧及び収縮期血圧を出力するように血圧モデル１１６が構築された。比較例では、拡張期血圧を出力する血圧モデルと収縮期血圧を出力する血圧モデルとに血圧モデルを分ける構成について説明する。
【0046】
図７は、比較例に係る血圧計５００の構成の一例を示す図である。血圧計５００は、本体５１０、起動スイッチ５１１、制御部５１２、圧力センサ５１３、取得部５１４、生成部５１５、血圧モデル５１６Ａ、血圧モデル５１６Ｂ、出力部５１７及びカフ５２０を備える。本体５１０、起動スイッチ５１１、制御部５１２、圧力センサ５１３、取得部５１４、生成部５１５及びカフ５２０は、実施形態に係る血圧計１００の本体１１０、起動スイッチ１１１、制御部１１２、圧力センサ１１３、取得部１１４、生成部１１５及びカフ１２０と同様であるため、その説明を省略する。
【0047】
血圧モデル５１６Ａは、波形画像が入力されると収縮期血圧を出力する学習モデルである。血圧モデル５１６Ａは、波形画像を説明変数とし、真値として採用する収縮期血圧を目的変数とする機械学習によって構築される。血圧モデル５１６Ｂは、波形画像が入力されると拡張期血圧を出力する学習モデルである。血圧モデル５１６Ｂは、波形画像を説明
変数とし、真値として採用する拡張期血圧を目的変数とする機械学習によって構築される。
変数とし、真値として採用する拡張期血圧を目的変数とする機械学習によって構築される。
【0048】
＜比較検証＞
実施形態に係る血圧計１００と比較例に係る血圧計５００の血圧計測精度を比較検証したので、説明する。本比較検証では、血圧計１００及び血圧計５００の夫々について、収縮期血圧（ＳＢＰ）を計測した。本比較検証では、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。本比較検証においては、取得した計測結果についてＳＤＥによる評価が行われる。
実施形態に係る血圧計１００と比較例に係る血圧計５００の血圧計測精度を比較検証したので、説明する。本比較検証では、血圧計１００及び血圧計５００の夫々について、収縮期血圧（ＳＢＰ）を計測した。本比較検証では、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。本比較検証においては、取得した計測結果についてＳＤＥによる評価が行われる。
【0049】
図８は、比較検証結果を例示する図である。図８を参照すると、「実施形態」を用いて血圧を計測した場合が最も高い精度を示した。このことから、血圧モデルを構築する際には、収縮期血圧と拡張期血圧とを同時に学習することで、より高い計測精度が得られると考えられる。
【0050】
＜実施形態の作用効果＞
本実施形態では、生成部１１５によって生成される波形画像は、脈波の時系列変化の大局的な変化を示す波形と局所的な変化を示す波形とを含む。このような波形画像を目的変数とした機械学習によって構築される血圧モデル１１６は、波形画像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、生成部１１５によって生成された波形画像にノイズが含まれていても、高精度の血圧計測を実現できる。
本実施形態では、生成部１１５によって生成される波形画像は、脈波の時系列変化の大局的な変化を示す波形と局所的な変化を示す波形とを含む。このような波形画像を目的変数とした機械学習によって構築される血圧モデル１１６は、波形画像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、生成部１１５によって生成された波形画像にノイズが含まれていても、高精度の血圧計測を実現できる。
【0051】
本実施形態において、脈波形を線画像で描画するとともに、線画像を形成する線の特徴量によってカフ圧を示す波形画像が生成される。このような波形画像は、脈波形が線画像で描画されることで脈波形の大局的な特徴及び局所的な特徴の双方を含むとともに、線の特徴量によってカフ圧の情報を含むことができる。このような波形画像を用いることで、血圧計１００はより高い精度の血圧計測を行うことができる。
【0052】
本実施形態において、脈波形を線画像で描画するとともに、線画像の背景の特徴量によってカフ圧を示す波形画像が生成されてもよい。このような波形画像は、脈波形が線画像で描画されることで脈波形の大局的な特徴及び局所的な特徴の双方を含むとともに、背景の特徴量によってカフ圧の情報を含むことができる。このような波形画像を用いることで、血圧計１００はより高い精度の血圧計測を行うことができる。
【0053】
本実施形態では、血圧モデル１１６は、収縮期血圧と拡張期血圧とが同時に学習される。そのため、血圧モデル１１６は、収縮期血圧と拡張期血圧のいずれの予測においても効果的な特徴量を学習することができる。ひいては、本実施形態によれば、血圧モデル１１６を用いた収縮期血圧と拡張期血圧の計測をより高精度なものとすることができる。
【0054】
＜変形例＞
以上説明した実施形態における波形画像は、脈波形を線で示す線画像に対して、カフ圧の時系列変化を示す情報を当該線画像の特徴量を用いて付した。しかしながら、波形画像はこのような画像に限定されない。波形画像は、例えば、カフ圧波形を線で示す線画像に対して、脈波の時系列変化を示す情報を付したものであってもよい。
以上説明した実施形態における波形画像は、脈波形を線で示す線画像に対して、カフ圧の時系列変化を示す情報を当該線画像の特徴量を用いて付した。しかしながら、波形画像はこのような画像に限定されない。波形画像は、例えば、カフ圧波形を線で示す線画像に対して、脈波の時系列変化を示す情報を付したものであってもよい。
【0055】
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。
【0056】
＜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。
【0057】
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。
【0058】
＜付記１＞
被計測者の腕に巻かれるカフ（１２０）と、
前記カフ（１２０）による前記腕（Ｈ１）に対する圧力を制御する制御部（１１２）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、
前記カフ圧の時系列変化から取得される、前記被計測者の動脈内を流れる血流の拍動による圧力の変化を示す第１の脈波形の第１の画像を含み、前記第１の画像の特徴量によって前記カフ圧を示す第１の波形画像を生成する生成部（１１５）と、
被験者についての前記カフ圧の時系列変化から取得される、前記被験者の動脈内を流れる血流の拍動による圧力の変化を示す第２の脈波形の第２の画像を含み、前記第２の画像の特徴量によって前記カフ圧を示す第２の波形画像を説明変数とし、前記被験者の血圧を目的変数とする機械学習によって構築された算出モデル（１１６）と、
前記第１の波形画像を前記算出モデル（１１６）に入力して、前記算出モデル（１１６）から前記被計測者の血圧を取得する取得部（１１４）と、を備える、
血圧計（１００）。
＜付記２＞
前記生成部（１１５）は、
前記脈波形を線画像で描画するとともに、前記線画像を形成する線の特徴量によって前記カフ圧を示す前記第１の波形画像を生成する、
付記１に記載の血圧計（１００）。
＜付記３＞
前記線の特徴量は、前記線の色を含み、
前記カフ圧は、前記線の前記色によって示される、
付記２に記載の血圧計（１００）。
＜付記４＞
前記線の特徴量は、前記線の太さを含み、
前記カフ圧は、前記線の太さに示される、
付記２または３に記載の血圧計（１００）。
＜付記５＞
前記生成部（１１５）は、
前記脈波形を線画像で描画するとともに、前記線画像の背景の特徴量によって前記カフ圧を示す前記第１の波形画像を生成する、
付記１に記載の血圧計（１００）。
＜付記６＞
前記背景の特徴量は、前記背景の色を含み、
前記カフ圧は、前記背景の前記色によって示される、
付記５に記載の血圧計（１００）。
＜付記７＞
前記算出モデル（１１６）は、前記被験者の拡張期血圧及び収縮期血圧を前記目的変数とした前記機械学習によって構築される、
付記１から６のいずれかひとつに記載の血圧計（１００）。
＜付記８＞
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、
前記カフ圧の時系列変化から取得される脈波形を示す第１の画像を含み、前記第１の画像の特徴量によって前記カフ圧を示す第１の波形画像を生成する生成ステップと、
被験者についての前記カフ圧の時系列変化から取得される脈波形を示す第２の画像を含み、前記第２の画像の特徴量によって前記カフ圧を示す第２の波形画像を説明変数とし、前記被験者の血圧を目的変数とする機械学習によって構築された算出モデル（１１６）に前記第１の波形画像を入力して、前記算出モデル（１１６）から前記被計測者の血圧を取得する取得ステップと、をコンピュータ（１００）が実行する、
血圧計測方法。
＜付記９＞
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、
前記カフ圧の時系列変化から取得される脈波形を示す第１の画像を含み、前記第１の画像の特徴量によって前記カフ圧を示す第１の波形画像を生成する生成ステップと、
被験者についての前記カフ圧の時系列変化から取得される脈波形を示す第２の画像を含み、前記第２の画像の特徴量によって前記カフ圧を示す第２の波形画像を説明変数とし、前記被験者の血圧を目的変数とする機械学習によって構築された算出モデル（１１６）に前記第１の波形画像を入力して、前記算出モデル（１１６）から前記被計測者の血圧を取得する取得ステップと、をコンピュータ（１００）に実行させる、
血圧計測プログラム。
＜付記１０＞
被験者の腕に巻かれるカフ（１２０）が前記腕から受けるカフ圧を検出する検出ステップと、
前記カフ圧の時系列変化から取得される脈波形を示す画像を含み、前記画像の特徴量によって前記カフ圧を示す波形画像を生成する生成ステップと、
前記波形画像を説明変数とし、前記被験者の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（１００）が実行する、
学習モデルの構築方法。
＜付記１１＞
被験者の腕に巻かれるカフ（１２０）が前記腕から受けるカフ圧を検出する検出ステップと、
前記カフ圧の時系列変化の波形から取得される脈波形を示す画像を含み、前記画像の特徴量によって前記カフ圧を示す波形画像を生成する生成ステップと、
前記波形画像を説明変数とし、前記被験者の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（１００）に実行させる、
学習モデルの構築プログラム。
被計測者の腕に巻かれるカフ（１２０）と、
前記カフ（１２０）による前記腕（Ｈ１）に対する圧力を制御する制御部（１１２）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、
前記カフ圧の時系列変化から取得される、前記被計測者の動脈内を流れる血流の拍動による圧力の変化を示す第１の脈波形の第１の画像を含み、前記第１の画像の特徴量によって前記カフ圧を示す第１の波形画像を生成する生成部（１１５）と、
被験者についての前記カフ圧の時系列変化から取得される、前記被験者の動脈内を流れる血流の拍動による圧力の変化を示す第２の脈波形の第２の画像を含み、前記第２の画像の特徴量によって前記カフ圧を示す第２の波形画像を説明変数とし、前記被験者の血圧を目的変数とする機械学習によって構築された算出モデル（１１６）と、
前記第１の波形画像を前記算出モデル（１１６）に入力して、前記算出モデル（１１６）から前記被計測者の血圧を取得する取得部（１１４）と、を備える、
血圧計（１００）。
＜付記２＞
前記生成部（１１５）は、
前記脈波形を線画像で描画するとともに、前記線画像を形成する線の特徴量によって前記カフ圧を示す前記第１の波形画像を生成する、
付記１に記載の血圧計（１００）。
＜付記３＞
前記線の特徴量は、前記線の色を含み、
前記カフ圧は、前記線の前記色によって示される、
付記２に記載の血圧計（１００）。
＜付記４＞
前記線の特徴量は、前記線の太さを含み、
前記カフ圧は、前記線の太さに示される、
付記２または３に記載の血圧計（１００）。
＜付記５＞
前記生成部（１１５）は、
前記脈波形を線画像で描画するとともに、前記線画像の背景の特徴量によって前記カフ圧を示す前記第１の波形画像を生成する、
付記１に記載の血圧計（１００）。
＜付記６＞
前記背景の特徴量は、前記背景の色を含み、
前記カフ圧は、前記背景の前記色によって示される、
付記５に記載の血圧計（１００）。
＜付記７＞
前記算出モデル（１１６）は、前記被験者の拡張期血圧及び収縮期血圧を前記目的変数とした前記機械学習によって構築される、
付記１から６のいずれかひとつに記載の血圧計（１００）。
＜付記８＞
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、
前記カフ圧の時系列変化から取得される脈波形を示す第１の画像を含み、前記第１の画像の特徴量によって前記カフ圧を示す第１の波形画像を生成する生成ステップと、
被験者についての前記カフ圧の時系列変化から取得される脈波形を示す第２の画像を含み、前記第２の画像の特徴量によって前記カフ圧を示す第２の波形画像を説明変数とし、前記被験者の血圧を目的変数とする機械学習によって構築された算出モデル（１１６）に前記第１の波形画像を入力して、前記算出モデル（１１６）から前記被計測者の血圧を取得する取得ステップと、をコンピュータ（１００）が実行する、
血圧計測方法。
＜付記９＞
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、
前記カフ圧の時系列変化から取得される脈波形を示す第１の画像を含み、前記第１の画像の特徴量によって前記カフ圧を示す第１の波形画像を生成する生成ステップと、
被験者についての前記カフ圧の時系列変化から取得される脈波形を示す第２の画像を含み、前記第２の画像の特徴量によって前記カフ圧を示す第２の波形画像を説明変数とし、前記被験者の血圧を目的変数とする機械学習によって構築された算出モデル（１１６）に前記第１の波形画像を入力して、前記算出モデル（１１６）から前記被計測者の血圧を取得する取得ステップと、をコンピュータ（１００）に実行させる、
血圧計測プログラム。
＜付記１０＞
被験者の腕に巻かれるカフ（１２０）が前記腕から受けるカフ圧を検出する検出ステップと、
前記カフ圧の時系列変化から取得される脈波形を示す画像を含み、前記画像の特徴量によって前記カフ圧を示す波形画像を生成する生成ステップと、
前記波形画像を説明変数とし、前記被験者の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（１００）が実行する、
学習モデルの構築方法。
＜付記１１＞
被験者の腕に巻かれるカフ（１２０）が前記腕から受けるカフ圧を検出する検出ステップと、
前記カフ圧の時系列変化の波形から取得される脈波形を示す画像を含み、前記画像の特徴量によって前記カフ圧を示す波形画像を生成する生成ステップと、
前記波形画像を説明変数とし、前記被験者の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（１００）に実行させる、
学習モデルの構築プログラム。
【符号の説明】
【0059】
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・・取得部
１１５・・生成部
１１６・・血圧モデル
１１７・・出力部
１２０・・カフ
１１０・・本体
５００・・血圧計
５１０・・本体
５１１・・起動スイッチ
５１２・・制御部
５１３・・圧力センサ
５１４・・取得部
５１５・・生成部
５１６Ａ・・血圧モデル
５１６Ｂ・・血圧モデル
５１７・・出力部
５２０・・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・・取得部
１１５・・生成部
１１６・・血圧モデル
１１７・・出力部
１２０・・カフ
１１０・・本体
５００・・血圧計
５１０・・本体
５１１・・起動スイッチ
５１２・・制御部
５１３・・圧力センサ
５１４・・取得部
５１５・・生成部
５１６Ａ・・血圧モデル
５１６Ｂ・・血圧モデル
５１７・・出力部
５２０・・カフ
Ｈ１・・手首
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】