ホーム > 特許ランキング > ヘルスセンシング株式会社
知財求人 - 知財ポータルサイト「IP Force」
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】特許公報(B1)
(11)【特許番号】
(24)【登録日】2022-10-14
(45)【発行日】2022-10-24
(54)【発明の名称】無呼吸低呼吸指標推定装置、方法およびプログラム
(51)【国際特許分類】
A61B 5/08 20060101AFI20221017BHJP
A61B 5/02 20060101ALI20221017BHJP
A61B 5/0245 20060101ALI20221017BHJP
A61B 5/11 20060101ALI20221017BHJP
A61B 5/113 20060101ALI20221017BHJP
【ＦＩ】
A61B5/08 ZDM
A61B5/02 310J
A61B5/0245 Z
A61B5/11 100
A61B5/113
【請求項の数】
6
(21)【出願番号】P 2022098448
(22)【出願日】2022-06-01
【審査請求日】2022-06-01
(31)【優先権主張番号】P 2022060807
(32)【優先日】2022-03-14
(33)【優先権主張国・地域又は機関】JP
【早期審査対象出願】
(73)【特許権者】
【識別番号】514118321
【氏名又は名称】ヘルスセンシング株式会社
(72)【発明者】
【氏名】鐘ヶ江 正巳
(72)【発明者】
【氏名】新関 久一
【審査官】鷲崎 亮
(56)【参考文献】
【文献】特開２０１７－０６４３３８（ＪＰ，Ａ）
【文献】特開２００８－１１０１０８（ＪＰ，Ａ）
【文献】米国特許出願公開第２０２０／０３７５４９０（ＵＳ，Ａ１）
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ａ６１Ｂ ５／００－５／０３
Ａ６１Ｂ ５／０６－５／２２
(57)【特許請求の範囲】
【請求項1】
動物の生体振動信号を受信する生体振動信号受信部と、前記生体振動信号から体動信号を検出する体動信号検出部と、
前記生体振動信号から呼吸数を検出する呼吸数検出部と、
前記生体振動信号から心拍数を検出する心拍数検出部と、
前記生体振動信号から検出した心拍間隔の変動の瞬時位相と呼吸パターンの瞬時位相の瞬時位相差から位相コヒーレンスを算出する位相コヒーレンス算出部と、
前記体動信号、前記心拍数、前記呼吸数、前記位相コヒーレンスを入力してそれぞれのヒストグラムを生成するヒストグラム生成部と、
それぞれの前記ヒストグラムを入力して特徴画像を生成する特徴画像生成部と、
前記特徴画像を入力して無呼吸低呼吸指標を推定する無呼吸低呼吸指標推定部を備え、
前記無呼吸低呼吸指標推定部は、睡眠ポリソムノグラフに基づいて判定されたＡＨＩを教師データとし、前記教師データと同期した前記特徴画像を入力データとして機械学習を行い、被験者の前記特徴画像を入力して無呼吸低呼吸指標を推定することを特徴とする無呼吸低呼吸指標推定装置。
【請求項4】
センサ部が出力する生体振動信号を受信するステップと、前記生体振動信号から体動信号検出部が体動信号を検出し、呼吸数検出部が呼吸数を検出し、心拍数検出部が心拍数を検出し、位相コヒーレンス算出部が生体振動信号から検出した心拍間隔の変動の瞬時位相と呼吸パターンの瞬時位相の瞬時位相差から位相コヒーレンスを算出するステップと、
前記体動信号、前記心拍数、前記呼吸数、前記位相コヒーレンスそれぞれのヒストグラムを生成するステップと、
前記ヒストグラムから特徴画像を生成するステップと、
無呼吸低呼吸指標推定モデルが、睡眠ポリソムノグラフに基づいて判定されたＡＨＩを教師データとし、前記教師データと同期した前記特徴画像を入力データとして機械学習を行うステップと、
被験者の前記特徴画像を入力して無呼吸低呼吸指標を推定するステップを備えることを特徴とする無呼吸低呼吸指標推定方法。
【請求項5】
コンピュータを、センサ部が出力する生体振動信号を受信する手段、
前記生体振動信号から体動信号を検出する手段、
前記生体振動信号から呼吸数を検出する手段、
前記生体振動信号から心拍数を検出する手段、
前記生体振動信号から検出した心拍間隔の変動の瞬時位相と呼吸パターンの瞬時位相の瞬時位相差から位相コヒーレンスを算出する手段、
前記体動信号、前記心拍数、前記呼吸数、前記位相コヒーレンスを入力してそれぞれのヒストグラムを生成するヒストグラム生成手段、
それぞれの前記ヒストグラムを入力して特徴画像を生成する特徴画像生成手段、
睡眠ポリソムノグラフに基づいて判定されたＡＨＩを教師データとし、前記教師データと同期した前記特徴画像を入力データとして無呼吸低呼吸指標を推定する無呼吸低呼吸指標推定部の機械学習を行わせる手段、
被験者の前記特徴画像を入力して無呼吸低呼吸指標を推定する手段、
として機能させることを特徴とする無呼吸低呼吸指標推定プログラム。
【請求項6】
動物の生体振動信号を受信する生体振動信号受信部と、前記生体振動信号から体動信号を検出する体動信号検出部と、
前記生体振動信号から呼吸数を検出する呼吸数検出部と、
前記生体振動信号から心拍数を検出する心拍数検出部と、
前記心拍数から心拍変動パワースペクトルの高周波成分および低周波成分／高周波成分を算出する心拍変動算出部と、
前記体動信号、前記心拍数、前記呼吸数、前記高周波成分、前記低周波成分／高周波成分を入力してそれぞれのヒストグラムを生成するヒストグラム生成部と、
それぞれの前記ヒストグラムを入力して特徴画像を生成する特徴画像生成部と、
前記特徴画像を入力して無呼吸低呼吸指標を推定する無呼吸低呼吸指標推定部を備え、
前記無呼吸低呼吸指標推定部は、睡眠ポリソムノグラフに基づいて判定されたＡＨＩを教師データとし、前記教師データと同期した前記特徴画像を入力データとして機械学習を行い、被験者の前記特徴画像を入力して無呼吸低呼吸指標を推定することを特徴とする無呼吸低呼吸指標推定装置。
【発明の詳細な説明】
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、心拍数（ＨＲ）、呼吸数（ＲＲ）、心拍間隔の変動の瞬時位相と呼吸パターンの瞬時位相の瞬時位相差から算出した位相コヒーレンス（λ）、体動（ＢＭ）から、無呼吸低呼吸指標（以降、ＡＨＩ（Ａｐｎｅａ Ｈｙｐｏｐｎｅａ Ｉｎｄｅｘ））を推定する技術に関する。
【背景技術】
【0002】
睡眠時無呼吸症候群（ＳＡＳ）の確定診断のゴールドスタンダードはポリソムノグラフィー検査（ＰＳＧ）であるが、装置そのものが大がかりであり、また計測される生体信号の種類も多いためＳＡＳのスクリーニングには向いていない。そのため、ＳＡＳが疑われる場合は簡易検査機器を用いるのが一般的である。
ＳＡＳのスクリーニングでは呼吸気流計で計測した呼吸気流量と、パルスオキシメーターで計測したと経皮的動脈血酸素飽和度（ＳｐＯ２）から、睡眠１時間あたりの「無呼吸」と「低呼吸」の合計回数として、無呼吸低呼吸指標（ＡＨＩ（Ａｐｎｅａ Ｈｙｐｏｐｎｅａ Ｉｎｄｅｘ））を求めて、この指標によって重症度が分類されている。なお、無呼吸とは、呼吸気流が少なくとも１０秒以上消失し、ＳｐＯ２が４％以上低下した状態であり、低呼吸（Ｈｙｐｏｐｎｅａ）とは、換気の明らかな低下に加えＳｐＯ２が３～４％以上低下した状態、もしくは覚醒を伴う状態を指す。
さらにスクリーニングの簡便化を図るため、非接触・非拘束で、ＡＨＩを推定する技術が提案されている。
例えば、圧電センサで取得した信号にＢＰＦ（０．１－０．７Ｈｚ）処理、ノイズ低減処理、フーリエ変換を施して、呼吸の低周波成分のパワーから見かけの無呼吸低呼吸指標を算出する技術が開示されている（特許文献１）。
また、心拍計測器の出力から得られた複数の連続した心拍間隔（ＲＲＩ）を特徴ベクトルとして、再帰型ニューラルネットワーク（ＬＳＴＭ等）を用いてあらかじめ機械学習させたモデルに入力し、無呼吸状態か正常呼吸状態かを心拍間隔のみから得る技術が開示されている（特許文献２）。
いずれの技術もＰＳＧを用いたＡＨＩの判定を簡便化する試みであるが、無呼吸は低酸素状態をもたらすことから自律神経活動が交感神経優位に傾き、心拍数が急上昇したり睡眠中の覚醒頻度が多くなり体動も変化すると予想される。したがって、間接的にＡＨＩを推定する場合は、無呼吸の影響を受ける自律神経活動等を含む情報を総合的に判断する方が望ましい。
ＳＡＳのスクリーニングでは呼吸気流計で計測した呼吸気流量と、パルスオキシメーターで計測したと経皮的動脈血酸素飽和度（ＳｐＯ２）から、睡眠１時間あたりの「無呼吸」と「低呼吸」の合計回数として、無呼吸低呼吸指標（ＡＨＩ（Ａｐｎｅａ Ｈｙｐｏｐｎｅａ Ｉｎｄｅｘ））を求めて、この指標によって重症度が分類されている。なお、無呼吸とは、呼吸気流が少なくとも１０秒以上消失し、ＳｐＯ２が４％以上低下した状態であり、低呼吸（Ｈｙｐｏｐｎｅａ）とは、換気の明らかな低下に加えＳｐＯ２が３～４％以上低下した状態、もしくは覚醒を伴う状態を指す。
さらにスクリーニングの簡便化を図るため、非接触・非拘束で、ＡＨＩを推定する技術が提案されている。
例えば、圧電センサで取得した信号にＢＰＦ（０．１－０．７Ｈｚ）処理、ノイズ低減処理、フーリエ変換を施して、呼吸の低周波成分のパワーから見かけの無呼吸低呼吸指標を算出する技術が開示されている（特許文献１）。
また、心拍計測器の出力から得られた複数の連続した心拍間隔（ＲＲＩ）を特徴ベクトルとして、再帰型ニューラルネットワーク（ＬＳＴＭ等）を用いてあらかじめ機械学習させたモデルに入力し、無呼吸状態か正常呼吸状態かを心拍間隔のみから得る技術が開示されている（特許文献２）。
いずれの技術もＰＳＧを用いたＡＨＩの判定を簡便化する試みであるが、無呼吸は低酸素状態をもたらすことから自律神経活動が交感神経優位に傾き、心拍数が急上昇したり睡眠中の覚醒頻度が多くなり体動も変化すると予想される。したがって、間接的にＡＨＩを推定する場合は、無呼吸の影響を受ける自律神経活動等を含む情報を総合的に判断する方が望ましい。
【先行技術文献】
【特許文献】
【0003】
【文献】特開２０１８－０１１９４８
【文献】ＷＯ２０２０／１６６２３９
【発明が解決しようとする課題】
【0004】
このような状況に鑑み、本発明は、非接触・非拘束で、被験者の生体振動信号を取得し、その信号から呼吸数、心拍数、心拍間隔変動の瞬時位相と呼吸パターンの瞬時位相の瞬時位相差から算出される位相コヒーレンス、および体動の４つのパラメータを抽出して、それらのヒストグラムを作成し、さらにヒストグラムから生成された特徴画像とＡＨＩの関係をあらかじめ機械学習したＡＨＩ推定モデルを用いることで、前記特徴画像をＡＨＩ推定モデルに入力することによってＡＨＩを推定する技術を提供することを目的とする。
また、非接触・非拘束で、被験者の生体振動信号を取得し、その信号から呼吸数、心拍数、心拍変動パワースペクトルの高周波成分、心拍変動パワースペクトルの低周波成分／高周波成分および体動の５つのパラメータを抽出して、それらのヒストグラムを作成し、さらにヒストグラムから生成された特徴画像とＡＨＩの関係をあらかじめ機械学習したＡＨＩ推定モデルを用いることで、前記特徴画像をＡＨＩ推定モデルに入力することによってＡＨＩを推定する技術を提供することを目的とする。
また、非接触・非拘束で、被験者の生体振動信号を取得し、その信号から呼吸数、心拍数、心拍変動パワースペクトルの高周波成分、心拍変動パワースペクトルの低周波成分／高周波成分および体動の５つのパラメータを抽出して、それらのヒストグラムを作成し、さらにヒストグラムから生成された特徴画像とＡＨＩの関係をあらかじめ機械学習したＡＨＩ推定モデルを用いることで、前記特徴画像をＡＨＩ推定モデルに入力することによってＡＨＩを推定する技術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】
【0005】
無呼吸低呼吸指標推定装置として、
動物の生体振動信号を受信する生体振動信号受信部と、
前記生体振動信号から体動信号を検出する体動信号検出部と、
前記生体振動信号から呼吸数を検出する呼吸数検出部と、
前記生体振動信号から心拍数を検出する心拍数検出部と、
前記生体振動信号から検出した心拍間隔変動の瞬時位相と呼吸パターンの瞬時位相の瞬時位相差から位相コヒーレンスを算出する位相コヒーレンス算出部と、
前記体動信号、前記心拍数、前記呼吸数、前記位相コヒーレンスを入力してそれぞれのヒストグラムを生成するヒストグラム生成部と、
それぞれの前記ヒストグラムを入力して特徴画像を生成する特徴画像生成部と、
前記特徴画像を入力して無呼吸低呼吸指標を推定する無呼吸低呼吸指標推定部を備え、
前記無呼吸低呼吸指標推定部は、睡眠ポリソムノグラフに基づいて判定されたＡＨＩを教師データとし、前記教師データと同期した前記特徴画像を入力データとして機械学習を行い、被験者の前記特徴画像を入力して無呼吸低呼吸指標を推定する。
さらには、シート状の圧電センサ等のセンサ部を備えて、無呼吸低呼吸指標推定システムを構成する。
さらには、位相コヒーレンスの代わりに、心拍変動パワースペクトルの高周波成分、心拍変動パワースペクトルの低周波成分／高周波成分を用いる。
動物の生体振動信号を受信する生体振動信号受信部と、
前記生体振動信号から体動信号を検出する体動信号検出部と、
前記生体振動信号から呼吸数を検出する呼吸数検出部と、
前記生体振動信号から心拍数を検出する心拍数検出部と、
前記生体振動信号から検出した心拍間隔変動の瞬時位相と呼吸パターンの瞬時位相の瞬時位相差から位相コヒーレンスを算出する位相コヒーレンス算出部と、
前記体動信号、前記心拍数、前記呼吸数、前記位相コヒーレンスを入力してそれぞれのヒストグラムを生成するヒストグラム生成部と、
それぞれの前記ヒストグラムを入力して特徴画像を生成する特徴画像生成部と、
前記特徴画像を入力して無呼吸低呼吸指標を推定する無呼吸低呼吸指標推定部を備え、
前記無呼吸低呼吸指標推定部は、睡眠ポリソムノグラフに基づいて判定されたＡＨＩを教師データとし、前記教師データと同期した前記特徴画像を入力データとして機械学習を行い、被験者の前記特徴画像を入力して無呼吸低呼吸指標を推定する。
さらには、シート状の圧電センサ等のセンサ部を備えて、無呼吸低呼吸指標推定システムを構成する。
さらには、位相コヒーレンスの代わりに、心拍変動パワースペクトルの高周波成分、心拍変動パワースペクトルの低周波成分／高周波成分を用いる。
【発明の効果】
【0006】
呼吸流量計やパルスオキシメーターで被験者を拘束することなく、被験者のＡＨＩを推定することができるので、無呼吸低呼吸症候群のスクリーニングに有用である。
また、睡眠時間全体の複数の生理指標を一つに集約した特徴画像に基づいてＡＨＩを推定するので、画像情報に基づく客観的な無呼吸低呼吸症候群のスクリーニングが可能となる。
また、睡眠時間全体の複数の生理指標を一つに集約した特徴画像に基づいてＡＨＩを推定するので、画像情報に基づく客観的な無呼吸低呼吸症候群のスクリーニングが可能となる。
【図面の簡単な説明】
【0007】
【図1】無呼吸低呼吸推定装置の概略ブロック図
【図2】ＡＨＩが２の４つの生理指標のヒストグラムとその特徴画像
【図3】ＡＨＩが９１の４つの生理指標のヒストグラムとその特徴画像
【図4】推定ＡＨＩと真のＡＨＩとの相関
【図5】無呼吸低呼吸推定装置の概略ブロック図（ＨＦ、ＬＦ／ＨＦ版）
【図6】ＡＨＩが２の５つの生理指標のヒストグラムとその特徴画像（ＨＦ、ＬＦ／ＨＦ版）
【図7】ＡＨＩが９１の５つの生理指標のヒストグラムとその特徴画像（ＨＦ、ＬＦ／ＨＦ版）
【図8】推定ＡＨＩと真のＡＨＩとの相関（ＨＦ、ＬＦ／ＨＦ版）
【発明を実施するための形態】
【0008】
図１を使って本発明の一実施形態の概要を説明する。ＡＨＩ推定システム１は、ＡＨＩ推定装置２とセンサ部３で構成され、センサ部３で検出された生体振動信号または事前に取得されてメモリに蓄積された生体振動信号をＡＨＩ推定装置２に入力して推定ＡＨＩを出力する。
ＡＨＩ推定装置２は、本発明の核となる部分で、生体振動信号受信部２１、体動信号検出部２２、呼吸数検出部２３、心拍数検出部２４、位相コヒーレンス（λ）算出部２５、ヒストグラム生成部２６、特徴画像生成部２７、ＡＨＩ推定部２８から構成される。
なお、各構成要素は、通常、ＣＰＵ、メモリ、外部メモリ、通信手段を備えたパーソナルコンピュータ、スマートホン、タブレット等のコンピュータ上に実装される。
ＡＨＩ推定装置２は、本発明の核となる部分で、生体振動信号受信部２１、体動信号検出部２２、呼吸数検出部２３、心拍数検出部２４、位相コヒーレンス（λ）算出部２５、ヒストグラム生成部２６、特徴画像生成部２７、ＡＨＩ推定部２８から構成される。
なお、各構成要素は、通常、ＣＰＵ、メモリ、外部メモリ、通信手段を備えたパーソナルコンピュータ、スマートホン、タブレット等のコンピュータ上に実装される。
【0009】
各構成要素について、詳細に説明する。
センサ部３は、動物の生体振動を検出し、生体振動信号を出力する。たとえば、センサ部３は、シート状の圧電センサであり、動物が横たわるマットに設置され、体動、心拍（心臓の拍動による心弾動）、呼吸のほか、発声に基づく生体振動信号を出力するが、外部環境等に基づく振動に起因する信号が含まれる場合がある。
なお、センサ部３は、シート状の圧電センサに限られるわけではなく、たとえば、脈波計や心電計等を組み合わせた構成でも構わない。
センサ部３は、動物の生体振動を検出し、生体振動信号を出力する。たとえば、センサ部３は、シート状の圧電センサであり、動物が横たわるマットに設置され、体動、心拍（心臓の拍動による心弾動）、呼吸のほか、発声に基づく生体振動信号を出力するが、外部環境等に基づく振動に起因する信号が含まれる場合がある。
なお、センサ部３は、シート状の圧電センサに限られるわけではなく、たとえば、脈波計や心電計等を組み合わせた構成でも構わない。
【0010】
生体振動信号受信部２１は、ケーブルや無線等の通信手段により結合されたセンサ部３が出力する生体振動信号を受信する。
受信した生体振動信号は、ＡＨＩ推定装置２の内部およびＵＳＢメモリ等の外部メモリ（非図示）に蓄積される。
受信した生体振動信号は、ＡＨＩ推定装置２の内部およびＵＳＢメモリ等の外部メモリ（非図示）に蓄積される。
【0011】
体動信号検出部２２は、生体振動信号を入力して体動信号を出力する。生体振動信号は、心拍情報や呼吸情報等に関する信号も含んでいるが、体動信号は心拍情報や呼吸情報に関する信号と比べて振幅が大きな信号である。体動信号検出部２２は、体動信号を適切な振幅の信号に変換して体動信号を出力する。また、変換された体動信号はパルス状なので、微分処理をして得られた立ち上がりエッジを所定時間計数して、所定時間の体動数を出力することもできる。
【0012】
呼吸数検出部２３は、生体振動信号を入力して呼吸数を出力する。生体振動信号に含まれる呼吸情報信号は、体動信号と比較して振幅が遥かに小さいので（通常１／１００より小さい）、呼吸数を算出するために、次に示すような処理が必要である。
生体振動信号を０．５Ｈｚ以下の周波数範囲の通過域を有するローパスフィルタ（ＬＰＦ）に通過させてもよい。ＬＰＦの遮断周波数は、０．３、０．４、０．６、０．７Ｈｚ、０．８Ｈｚであってもよい。
また、ローパスフィルタ（ＬＰＦ）の代わりにバンドパスフィルタ（ＢＰＦ）を通過させてもよい。バンドパスフィルタの下限周波数は十分に低い周波数であればよく、例えば０．１Ｈｚでよい。
このようにして得られた周期的な呼吸波形のピークを計数することで呼吸数を算出することができる。また、所定時間における生体振動信号のフーリエ変換またはウェーブレット変換からパワースペクトルを求め、そのピーク周波数から呼吸数を算出してもよい。
生体振動信号を０．５Ｈｚ以下の周波数範囲の通過域を有するローパスフィルタ（ＬＰＦ）に通過させてもよい。ＬＰＦの遮断周波数は、０．３、０．４、０．６、０．７Ｈｚ、０．８Ｈｚであってもよい。
また、ローパスフィルタ（ＬＰＦ）の代わりにバンドパスフィルタ（ＢＰＦ）を通過させてもよい。バンドパスフィルタの下限周波数は十分に低い周波数であればよく、例えば０．１Ｈｚでよい。
このようにして得られた周期的な呼吸波形のピークを計数することで呼吸数を算出することができる。また、所定時間における生体振動信号のフーリエ変換またはウェーブレット変換からパワースペクトルを求め、そのピーク周波数から呼吸数を算出してもよい。
【0013】
心拍数検出部２４は、生体振動信号を入力して、心拍信号を抽出し、心拍数を算出する。生体振動信号に含まれる心拍信号は、体動信号と比較して振幅が遥かに小さいので（通常１／１００より小さい）、心拍信号を抽出し、心拍数を算出するために、次に示すような処理が必要である。
（１）生体振動信号を１～４ＨｚのＢＰＦで処理し、所定時間における周期的なピーク数を計数する。ＢＰＦは１～４Ｈｚに限られるわけではなく、下限周波数が０．５Ｈｚ以上、０．６Ｈｚ以上、０．７Ｈｚ以上、０．８Ｈｚ以上、０．９Ｈｚ又は１Ｈｚ以上、上限周波数が１０Ｈｚ以下、８Ｈｚ以下、６Ｈｚ以下、５Ｈｚ以下、３Ｈｚ以下であってもよい。
（２）生体振動信号を下限周波数５Ｈｚ以上のＢＰＦで処理し、フィルタ通過後の信号の絶対値を求めた後でその包絡線を抽出するか、または時定数０．１秒前後の積分フィルタを通過させてもよい。ＢＰＦの上限周波数は１０Ｈｚ、２０Ｈｚ、３０Ｈｚ、４０Ｈｚ以下であってもよい。上記積分フィルタ処理は直交検波処理で置き換えても良く、処理した波形のピーク間隔の時間を求めて心拍間隔を求める。
（３）所定時間における生体振動信号をフーリエ変換またはウェーブレット変換し、パワースペクトルのピーク周波数から心拍数を算出しても良い。
（１）生体振動信号を１～４ＨｚのＢＰＦで処理し、所定時間における周期的なピーク数を計数する。ＢＰＦは１～４Ｈｚに限られるわけではなく、下限周波数が０．５Ｈｚ以上、０．６Ｈｚ以上、０．７Ｈｚ以上、０．８Ｈｚ以上、０．９Ｈｚ又は１Ｈｚ以上、上限周波数が１０Ｈｚ以下、８Ｈｚ以下、６Ｈｚ以下、５Ｈｚ以下、３Ｈｚ以下であってもよい。
（２）生体振動信号を下限周波数５Ｈｚ以上のＢＰＦで処理し、フィルタ通過後の信号の絶対値を求めた後でその包絡線を抽出するか、または時定数０．１秒前後の積分フィルタを通過させてもよい。ＢＰＦの上限周波数は１０Ｈｚ、２０Ｈｚ、３０Ｈｚ、４０Ｈｚ以下であってもよい。上記積分フィルタ処理は直交検波処理で置き換えても良く、処理した波形のピーク間隔の時間を求めて心拍間隔を求める。
（３）所定時間における生体振動信号をフーリエ変換またはウェーブレット変換し、パワースペクトルのピーク周波数から心拍数を算出しても良い。
【0014】
位相コヒーレンス算出部２５は、心拍間隔の変動の瞬時位相と呼吸パターンの瞬時位相の瞬時位相差として位相コヒーレンスを算出する。
位相コヒーレンス算出部は、心拍に関する情報および呼吸に関する情報を含む生体情報を取得する生体情報取得手段、呼吸パターンを抽出する呼吸波形抽出手段、心拍間隔の変動を算出する心拍間隔算出手段、呼吸パターンと心拍間隔の変動との間の瞬時位相差の位相コヒーレンスを算出する位相コヒーレンス算出手段とを含む。詳しくは、ＷＯ２０１７／１４１９７６（本出願人の先願）を参照されたい。
位相コヒーレンス算出部は、心拍に関する情報および呼吸に関する情報を含む生体情報を取得する生体情報取得手段、呼吸パターンを抽出する呼吸波形抽出手段、心拍間隔の変動を算出する心拍間隔算出手段、呼吸パターンと心拍間隔の変動との間の瞬時位相差の位相コヒーレンスを算出する位相コヒーレンス算出手段とを含む。詳しくは、ＷＯ２０１７／１４１９７６（本出願人の先願）を参照されたい。
【0015】
ヒストグラム生成部２６は、所定の睡眠時間における心拍数、呼吸数、位相コヒーレンス、体動それぞれのデータのヒストグラムを作成する。所定の睡眠時間とは例えば一晩である。
心拍数のヒストグラムは、横軸が分時心拍数の階級（４０～１２０）、縦軸が頻度である。
呼吸数のヒストグラムは、横軸が分時呼吸数の階級（０～４０）、縦軸が頻度である。
位相コヒーレンスのヒストグラムは、横軸がλの階級（０～１）、縦軸が頻度である。
体動のヒストグラムは、横軸が体動割合の階級（０～０．５）、縦軸が頻度である。
体動の割合は、体動信号検出部２２が生体振動信号を１０秒窓でサンプリングし、その窓を５秒ずつずらしながら体動の有無を判定し、その後、１０分間当たりの体動発生の割合を移動平均して求める。
心拍数のヒストグラムは、横軸が分時心拍数の階級（４０～１２０）、縦軸が頻度である。
呼吸数のヒストグラムは、横軸が分時呼吸数の階級（０～４０）、縦軸が頻度である。
位相コヒーレンスのヒストグラムは、横軸がλの階級（０～１）、縦軸が頻度である。
体動のヒストグラムは、横軸が体動割合の階級（０～０．５）、縦軸が頻度である。
体動の割合は、体動信号検出部２２が生体振動信号を１０秒窓でサンプリングし、その窓を５秒ずつずらしながら体動の有無を判定し、その後、１０分間当たりの体動発生の割合を移動平均して求める。
【0016】
特徴画像生成部２７は、それらのヒストグラムから特徴画像を作成する。特徴画像の幅は、各ヒストグラムの階級に対応し、たとえば、その分割数は５０（Ｂｉｎ数）である。画像の高さの要素は上から順に、心拍数（ＨＲ）、呼吸数（ＲＲ）、位相コヒーレンス（λ）、体動割合（ＢＭ）を表わしている。したがってヒストグラムのＢｉｎ数が５０である場合の画素数は４×５０＝２００となる。
そして、心拍数（ＨＲ）、呼吸数（ＲＲ）、位相コヒーレンス（λ）、体動割合（ＢＭ）のヒストグラムの各階級における頻度を色相の変化で表す。
この特徴画像は、ある被験者の一定の睡眠時間中の生体振動信号において、心拍数、呼吸数、λ、体動割合の４パラメータの分布を表すので、画像パターンに基づきＡＨＩを客観的に判定するのに有効である。
なお、Ｂｉｎ数は５０に限らず、頻度と色相の対応は、頻度の変化が色相の変化として表現されれば任意の色相変化で対応付けをすることができる。
そして、心拍数（ＨＲ）、呼吸数（ＲＲ）、位相コヒーレンス（λ）、体動割合（ＢＭ）のヒストグラムの各階級における頻度を色相の変化で表す。
この特徴画像は、ある被験者の一定の睡眠時間中の生体振動信号において、心拍数、呼吸数、λ、体動割合の４パラメータの分布を表すので、画像パターンに基づきＡＨＩを客観的に判定するのに有効である。
なお、Ｂｉｎ数は５０に限らず、頻度と色相の対応は、頻度の変化が色相の変化として表現されれば任意の色相変化で対応付けをすることができる。
【0017】
ＡＨＩ推定部２８は、入力層に、画像に基づく判定や推定に有効なＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）を有し、中間層には全結合層が２層、出力層には回帰層を有した深層学習器である。
そのＣＮＮを含む深層学習器に、ＰＳＧに基づいて臨床的に判定されたＡＨＩを教師データとして、それに同期した特徴画像を入力データとして入力して機械学習を行ってＡＨＩ推定モデル（非図示）を、ＡＨＩ推定部の内部に構築する。それに同期した特徴画像とは、ＰＳＧに基づく臨床的なＡＨＩの判定に用いられた生体振動信号から、心拍数（ＨＲ）、呼吸数（ＲＲ）、位相コヒーレンス（λ）、体動（ＢＭ）を算出し、そのヒストグラムを生成し、そのヒストグラムに基づき生成された特徴画像のことを言う。
ＡＨＩ推定部２８は、被験者の特徴画像をＡＨＩ推定モデルに入力して、そのＡＨＩを推定する。推定ＡＨＩは、１時間当たりの無呼吸低呼吸数として算出される。
そのＣＮＮを含む深層学習器に、ＰＳＧに基づいて臨床的に判定されたＡＨＩを教師データとして、それに同期した特徴画像を入力データとして入力して機械学習を行ってＡＨＩ推定モデル（非図示）を、ＡＨＩ推定部の内部に構築する。それに同期した特徴画像とは、ＰＳＧに基づく臨床的なＡＨＩの判定に用いられた生体振動信号から、心拍数（ＨＲ）、呼吸数（ＲＲ）、位相コヒーレンス（λ）、体動（ＢＭ）を算出し、そのヒストグラムを生成し、そのヒストグラムに基づき生成された特徴画像のことを言う。
ＡＨＩ推定部２８は、被験者の特徴画像をＡＨＩ推定モデルに入力して、そのＡＨＩを推定する。推定ＡＨＩは、１時間当たりの無呼吸低呼吸数として算出される。
【0018】
以上、ＡＨＩ推定システム１の各構成要素について説明したが、本発明は、センサ部３を除いた形態でも機能する。
すなわち、ＡＨＩ推定装置２は、あらかじめ取得されたある被験者の一定期間の生体振動信号を通信手段やＵＳＢメモリ等によって受信して、その心拍数（ＨＲ）、呼吸数（ＲＲ）、位相コヒーレンス（λ）、体動（ＢＭ）を算出し、そのヒストグラムを生成し、そのヒストグラムに基づき生成された特徴画像を生成し、その特徴画像をＡＨＩ推定部２８に入力して、その被験者のＡＨＩを推定することもできる。
すなわち、ＡＨＩ推定装置２は、あらかじめ取得されたある被験者の一定期間の生体振動信号を通信手段やＵＳＢメモリ等によって受信して、その心拍数（ＨＲ）、呼吸数（ＲＲ）、位相コヒーレンス（λ）、体動（ＢＭ）を算出し、そのヒストグラムを生成し、そのヒストグラムに基づき生成された特徴画像を生成し、その特徴画像をＡＨＩ推定部２８に入力して、その被験者のＡＨＩを推定することもできる。
【0019】
次に、図５に本発明のもう一つの実施形態の概要を示す。
図１の位相コヒーレンス（λ）算出部２５に代えて心拍変動算出部３１を備えているので、図１に示す実施形態と異なる部分について説明する。
心拍変動算出部３１は、心拍数検出部２４が生体振動信号から算出した心拍数をフーリエ変換して得られた心拍変動パワースペクトルの高周波成分（ＨＦ：０．１５－０．４０Ｈｚ）、低周波成分（ＬＦ：０．０４－０．１５Ｈｚ）、低周波成分／高周波成分（ＬＦ／ＨＦ）を算出する。
また、ヒストグラム生成部２６は、位相コヒーレンス（λ）の代わりに、心拍変動パワースペクトルの高周波成分（ＨＦ）、心拍変動パワースペクトルの低周波成分／高周波成分（ＬＦ／ＨＦ）のヒストグラムを生成する。心拍数（ＨＲ）、呼吸数（ＲＲ）、体動割合（ＢＭ）のヒストグラムは図１に示す実施形態の場合と同様である。
心拍変動パワースペクトルの高周波成分（ＨＦ）のヒストグラムは、横軸がＨＦの階級（０－１）、縦軸が頻度である。
心拍変動パワースペクトルの低周波成分／高周波成分（ＬＦ／ＨＦ）のヒストグラムは、横軸がＬＦ／ＨＦの階級（０－１０）、縦軸が頻度である。
特徴画像生成部２７は、位相コヒーレンス（λ）のヒストグラムの代わりに、心拍変動パワースペクトルの高周波成分（ＨＦ）と低周波成分／高周波成分（ＬＦ／ＨＦ）のヒストグラムを用いて特徴画像を生成する。心拍数（ＨＲ）、呼吸数（ＲＲ）、体動割合（ＢＭ）のヒストグラムを用いることは図１に示す実施形態の場合と同様である。
図１の位相コヒーレンス（λ）算出部２５に代えて心拍変動算出部３１を備えているので、図１に示す実施形態と異なる部分について説明する。
心拍変動算出部３１は、心拍数検出部２４が生体振動信号から算出した心拍数をフーリエ変換して得られた心拍変動パワースペクトルの高周波成分（ＨＦ：０．１５－０．４０Ｈｚ）、低周波成分（ＬＦ：０．０４－０．１５Ｈｚ）、低周波成分／高周波成分（ＬＦ／ＨＦ）を算出する。
また、ヒストグラム生成部２６は、位相コヒーレンス（λ）の代わりに、心拍変動パワースペクトルの高周波成分（ＨＦ）、心拍変動パワースペクトルの低周波成分／高周波成分（ＬＦ／ＨＦ）のヒストグラムを生成する。心拍数（ＨＲ）、呼吸数（ＲＲ）、体動割合（ＢＭ）のヒストグラムは図１に示す実施形態の場合と同様である。
心拍変動パワースペクトルの高周波成分（ＨＦ）のヒストグラムは、横軸がＨＦの階級（０－１）、縦軸が頻度である。
心拍変動パワースペクトルの低周波成分／高周波成分（ＬＦ／ＨＦ）のヒストグラムは、横軸がＬＦ／ＨＦの階級（０－１０）、縦軸が頻度である。
特徴画像生成部２７は、位相コヒーレンス（λ）のヒストグラムの代わりに、心拍変動パワースペクトルの高周波成分（ＨＦ）と低周波成分／高周波成分（ＬＦ／ＨＦ）のヒストグラムを用いて特徴画像を生成する。心拍数（ＨＲ）、呼吸数（ＲＲ）、体動割合（ＢＭ）のヒストグラムを用いることは図１に示す実施形態の場合と同様である。
【実施例1】
【0020】
まず、２５人の被験者のデータを用いて、図１に示す無呼吸低呼吸推定装置のＣＮＮを含む学習器による深層学習を行った。Ｌｅａｖｅ－ｏｎｅ－ｏｕｔ法による交差検証を行うため、学習は検証用の被験者１名を除いた２４人のデータで行った。
教師データはＰＳＧにより判定されたＡＨＩであり、入力データは、ＰＳＧと同期して計測された生体振動信号から得られた特徴画像である。
教師データはＰＳＧにより判定されたＡＨＩであり、入力データは、ＰＳＧと同期して計測された生体振動信号から得られた特徴画像である。
【0021】
特徴画像の生成は次のように行った。
生体振動信号から、心拍数（ＨＲ）、呼吸数（ＲＲ）、位相コヒーレンス（λ）、体動割合（ＢＭ）を算出し、それぞれのヒストグラムを生成した。次に、Ｂｉｎ数を画像の幅に、前記４つのパラメータを画像の高さに設定し、それぞれのヒストグラムの各階級の頻度を色相に対応させて一つの特徴画像を生成した。
図２はＡＨＩが２の被験者のヒストグラムと特徴画像である。
左端が心拍数（ＨＲ）のヒストグラム、左から２番目が呼吸数（ＲＲ）のヒストグラム、左から３番目が位相コヒーレンス（λ）のヒストグラム、左から４番目が体動割合（ＢＭ）のヒストグラムである。右端がこれらのヒストグラムから生成された特徴画像である。
特徴画像の上から１番目がＨＲのヒストグラム、２番目がＲＲのヒストグラム、３番目がλのヒストグラム、４番目がＢＭのヒストグラムに対応し、頻度を色相の変化で表示している。
ＡＨＩが２の被験者は睡眠時に無呼吸低呼吸の頻度は少なく、心拍数（ＨＲ）のヒストグラムには深睡眠時とレム睡眠や覚醒に対応すると思われる２つのピークが認められ、深睡眠時には心拍数が低下していることが伺える。
また、呼吸数（ＲＲ）のヒストグラムのピークがシャープで、呼吸数の変動が少ないことを示している。
また、位相コヒーレンス（λ）のヒストグラムは１に近い方にピークがあり、０．５以下に分布するデータはあまり見られない。また、体動割合（ＢＭ）のヒストグラムのピークは０にあり、睡眠時に体動がない時間帯が多いことを意味する。特徴画像にはこれら４つのパラメータのヒストグラムの特徴が反映されている。
生体振動信号から、心拍数（ＨＲ）、呼吸数（ＲＲ）、位相コヒーレンス（λ）、体動割合（ＢＭ）を算出し、それぞれのヒストグラムを生成した。次に、Ｂｉｎ数を画像の幅に、前記４つのパラメータを画像の高さに設定し、それぞれのヒストグラムの各階級の頻度を色相に対応させて一つの特徴画像を生成した。
図２はＡＨＩが２の被験者のヒストグラムと特徴画像である。
左端が心拍数（ＨＲ）のヒストグラム、左から２番目が呼吸数（ＲＲ）のヒストグラム、左から３番目が位相コヒーレンス（λ）のヒストグラム、左から４番目が体動割合（ＢＭ）のヒストグラムである。右端がこれらのヒストグラムから生成された特徴画像である。
特徴画像の上から１番目がＨＲのヒストグラム、２番目がＲＲのヒストグラム、３番目がλのヒストグラム、４番目がＢＭのヒストグラムに対応し、頻度を色相の変化で表示している。
ＡＨＩが２の被験者は睡眠時に無呼吸低呼吸の頻度は少なく、心拍数（ＨＲ）のヒストグラムには深睡眠時とレム睡眠や覚醒に対応すると思われる２つのピークが認められ、深睡眠時には心拍数が低下していることが伺える。
また、呼吸数（ＲＲ）のヒストグラムのピークがシャープで、呼吸数の変動が少ないことを示している。
また、位相コヒーレンス（λ）のヒストグラムは１に近い方にピークがあり、０．５以下に分布するデータはあまり見られない。また、体動割合（ＢＭ）のヒストグラムのピークは０にあり、睡眠時に体動がない時間帯が多いことを意味する。特徴画像にはこれら４つのパラメータのヒストグラムの特徴が反映されている。
【0022】
図３はＡＨＩが９１の被験者のヒストグラムと特徴画像である。
左端が心拍数（ＨＲ）のヒストグラム、左から２番目が呼吸数（ＲＲ）のヒストグラム、左から３番目が位相コヒーレンス（λ）のヒストグラム、左から４番目が体動割合（ＢＭ）のヒストグラムである。右端がこれらのヒストグラムから生成された特徴画像である。
特徴画像の上から１番目がＨＲのヒストグラム、２番目がＲＲのヒストグラム、３番目がλのヒストグラム、４番目がＢＭのヒストグラムに対応し、頻度を色相の変化で表示している。
ＡＨＩが９１の被験者は睡眠時に無呼吸低呼吸の頻度が高く、心拍数（ＨＲ）のヒストグラムには深睡眠時とレム睡眠や覚醒に対応する２つのピークが認められず、図２のＡＨＩが２の被験者と比べるとヒストグラムのピークは心拍数が高い方に位置している。
また、呼吸数（ＲＲ）のヒストグラムのピークはＡＨＩが２の被験者に比べてシャープではなく、その分布の広がりは呼吸数が低い領域に及んでおり、無呼吸低呼吸が発生しており、呼吸数の変動も多いことが伺える。
また、位相コヒーレンス（λ）のヒストグラムは０．５付近にピークが見られ、ＡＨＩが２の被験者に比べて高い値が見られない。また、体動割合（ＢＭ）のヒストグラムのピークは０にはなく、睡眠時に体動のない時間帯が少ないことを意味する。特徴画像にはこれら４つのパラメータのヒストグラムの特徴が反映されている。
左端が心拍数（ＨＲ）のヒストグラム、左から２番目が呼吸数（ＲＲ）のヒストグラム、左から３番目が位相コヒーレンス（λ）のヒストグラム、左から４番目が体動割合（ＢＭ）のヒストグラムである。右端がこれらのヒストグラムから生成された特徴画像である。
特徴画像の上から１番目がＨＲのヒストグラム、２番目がＲＲのヒストグラム、３番目がλのヒストグラム、４番目がＢＭのヒストグラムに対応し、頻度を色相の変化で表示している。
ＡＨＩが９１の被験者は睡眠時に無呼吸低呼吸の頻度が高く、心拍数（ＨＲ）のヒストグラムには深睡眠時とレム睡眠や覚醒に対応する２つのピークが認められず、図２のＡＨＩが２の被験者と比べるとヒストグラムのピークは心拍数が高い方に位置している。
また、呼吸数（ＲＲ）のヒストグラムのピークはＡＨＩが２の被験者に比べてシャープではなく、その分布の広がりは呼吸数が低い領域に及んでおり、無呼吸低呼吸が発生しており、呼吸数の変動も多いことが伺える。
また、位相コヒーレンス（λ）のヒストグラムは０．５付近にピークが見られ、ＡＨＩが２の被験者に比べて高い値が見られない。また、体動割合（ＢＭ）のヒストグラムのピークは０にはなく、睡眠時に体動のない時間帯が少ないことを意味する。特徴画像にはこれら４つのパラメータのヒストグラムの特徴が反映されている。
【0023】
このようにして生成された特徴画像を、無呼吸低呼吸推定部に入力してＡＨＩを推定した。全被験者の推定ＡＨＩ（ｐＡＨＩ）と臨床的に評価された教師信号として用いたＡＨＩとの相関を図４に示すが、相関係数０．９０６と良好な結果が得られた。
このことから、睡眠時の生体振動信号に基づいて取得された、呼吸数、心拍数、位相コヒーレンス（λ）、体動割合には、無呼吸低呼吸症候群に係る情報が含まれており、それらが集約された特徴画像を、ＣＮＮを含む機械学習器に入力してＡＨＩを推定することが有効であることを確認することができた。
このことから、睡眠時の生体振動信号に基づいて取得された、呼吸数、心拍数、位相コヒーレンス（λ）、体動割合には、無呼吸低呼吸症候群に係る情報が含まれており、それらが集約された特徴画像を、ＣＮＮを含む機械学習器に入力してＡＨＩを推定することが有効であることを確認することができた。
【実施例2】
【0024】
位相コヒーレンス（λ）の代わりに心拍変動パワースペクトルの高周波成分（ＨＦ）、心拍変動パワースペクトルの低周波成分／高周波成分（ＬＦ／ＨＦ）を使用してＡＨＩを推定した実施例について説明する。
まず、２５人の被験者のデータを用いて、図５に示す無呼吸低呼吸推定装置のＣＮＮを含む学習器による深層学習を行った。Ｌｅａｖｅ－ｏｎｅ－ｏｕｔ法による交差検証を行うため、学習は検証用の被験者１名を除いた２４人のデータで行った。
教師データはＰＳＧにより判定されたＡＨＩであり、入力データは、ＰＳＧと同期して計測された生体振動信号から得られた特徴画像である。
まず、２５人の被験者のデータを用いて、図５に示す無呼吸低呼吸推定装置のＣＮＮを含む学習器による深層学習を行った。Ｌｅａｖｅ－ｏｎｅ－ｏｕｔ法による交差検証を行うため、学習は検証用の被験者１名を除いた２４人のデータで行った。
教師データはＰＳＧにより判定されたＡＨＩであり、入力データは、ＰＳＧと同期して計測された生体振動信号から得られた特徴画像である。
【0025】
特徴画像の生成は次のように行った。
生体振動信号から、心拍数（ＨＲ）、呼吸数（ＲＲ）、心拍変動パワースペクトルの高周波成分（ＨＦ）、心拍変動パワースペクトルの低周波成分／高周波成分（ＬＦ／ＨＦ）、体動割合（ＢＭ）を算出し、それぞれのヒストグラムを生成した。次に、Ｂｉｎ数を画像の幅に、前記５つのパラメータを画像の高さに設定し、それぞれのヒストグラムの各階級の頻度を色相に対応させて一つの特徴画像を生成した。
生体振動信号から、心拍数（ＨＲ）、呼吸数（ＲＲ）、心拍変動パワースペクトルの高周波成分（ＨＦ）、心拍変動パワースペクトルの低周波成分／高周波成分（ＬＦ／ＨＦ）、体動割合（ＢＭ）を算出し、それぞれのヒストグラムを生成した。次に、Ｂｉｎ数を画像の幅に、前記５つのパラメータを画像の高さに設定し、それぞれのヒストグラムの各階級の頻度を色相に対応させて一つの特徴画像を生成した。
【0026】
図６はＡＨＩが２の被験者のヒストグラムと特徴画像であるが、図２と異なる部分について説明する。
左端が心拍数（ＨＲ）のヒストグラム（横軸５０、１００：縦軸０，２００，４００，６００，８００）、左から２番目が呼吸数（ＲＲ）のヒストグラム（横軸０，２０，４０：縦軸０，２００，４００，６００，８００、１０００，１２００）、左から３番目が心拍変動パワースペクトルの高周波成分（ＨＦ）のヒストグラム（横軸０，０．５，１：縦軸０，１００，２００，３００，４００、５００）、左から４番目が心拍変動パワースペクトルの低周波成分／高周波成分（ＬＦ／ＨＦ）のヒストグラム（横軸０，５，１０：縦軸０，２００，４００，６００，８００、１０００，１２００）、左から５番目が体動割合（ＢＭ）のヒストグラム（横軸０，０．１，０．２，０．３：縦軸０，５００，１０００，１５００，２０００）である。
右端がこれらのヒストグラムから生成された特徴画像である。特徴画像の１がＨＲのヒストグラム、２がＲＲのヒストグラム、３がＨＦのヒストグラム、４がＬＦ／ＨＦのヒストグラム、５がＢＭのヒストグラムに対応し、頻度を色相の変化で表示している。
ＨＦのヒストグラムは０．７付近にピークを示し、ＬＦ／ＨＦのヒストグラムは低値を示す頻度が高い。
特徴画像にはこれら５つのパラメータのヒストグラムの特徴が反映されている。
左端が心拍数（ＨＲ）のヒストグラム（横軸５０、１００：縦軸０，２００，４００，６００，８００）、左から２番目が呼吸数（ＲＲ）のヒストグラム（横軸０，２０，４０：縦軸０，２００，４００，６００，８００、１０００，１２００）、左から３番目が心拍変動パワースペクトルの高周波成分（ＨＦ）のヒストグラム（横軸０，０．５，１：縦軸０，１００，２００，３００，４００、５００）、左から４番目が心拍変動パワースペクトルの低周波成分／高周波成分（ＬＦ／ＨＦ）のヒストグラム（横軸０，５，１０：縦軸０，２００，４００，６００，８００、１０００，１２００）、左から５番目が体動割合（ＢＭ）のヒストグラム（横軸０，０．１，０．２，０．３：縦軸０，５００，１０００，１５００，２０００）である。
右端がこれらのヒストグラムから生成された特徴画像である。特徴画像の１がＨＲのヒストグラム、２がＲＲのヒストグラム、３がＨＦのヒストグラム、４がＬＦ／ＨＦのヒストグラム、５がＢＭのヒストグラムに対応し、頻度を色相の変化で表示している。
ＨＦのヒストグラムは０．７付近にピークを示し、ＬＦ／ＨＦのヒストグラムは低値を示す頻度が高い。
特徴画像にはこれら５つのパラメータのヒストグラムの特徴が反映されている。
【0027】
図７はＡＨＩが９１の被験者のヒストグラムと特徴画像であるが、図３と異なる部分について説明する。
左端が心拍数（ＨＲ）のヒストグラム（横軸５０、１００：縦軸０，２００，４００，６００，８００）、左から２番目が呼吸数（ＲＲ）のヒストグラム（横軸０，２０，４０：縦軸０，２００，４００，６００，８００、１０００，１２００）、左から３番目が心拍変動パワースペクトルの高周波成分（ＨＦ）のヒストグラム（横軸０，０．５，１：縦軸０，１００，２００，３００，４００、５００）、左から４番目が心拍変動パワースペクトルの低周波成分／高周波成分（ＬＦ／ＨＦ）のヒストグラム（横軸０，５，１０：縦軸０，２００，４００，６００，８００、１０００，１２００）、左から５番目が体動割合（ＢＭ）のヒストグラム（横軸０，０．１，０．２，０．３：縦軸０，５００，１０００，１５００，２０００）である。
右端がこれらのヒストグラムから生成された特徴画像である。
特徴画像の１がＨＲのヒストグラム、２がＲＲのヒストグラム、３がＨＦのヒストグラム、４がＬＦ／ＨＦのヒストグラム、５がＢＭのヒストグラムに対応し、頻度を色相の変化で表示している。
ＨＦのヒストグラムは中央値にピークを示し、ＬＦ／ＨＦのヒストグラムは低値を示す頻度が低下し、高値を示す頻度が増して５以上にも分布が現れる。
特徴画像にはこれら５つのパラメータのヒストグラムの特徴が反映されている。
左端が心拍数（ＨＲ）のヒストグラム（横軸５０、１００：縦軸０，２００，４００，６００，８００）、左から２番目が呼吸数（ＲＲ）のヒストグラム（横軸０，２０，４０：縦軸０，２００，４００，６００，８００、１０００，１２００）、左から３番目が心拍変動パワースペクトルの高周波成分（ＨＦ）のヒストグラム（横軸０，０．５，１：縦軸０，１００，２００，３００，４００、５００）、左から４番目が心拍変動パワースペクトルの低周波成分／高周波成分（ＬＦ／ＨＦ）のヒストグラム（横軸０，５，１０：縦軸０，２００，４００，６００，８００、１０００，１２００）、左から５番目が体動割合（ＢＭ）のヒストグラム（横軸０，０．１，０．２，０．３：縦軸０，５００，１０００，１５００，２０００）である。
右端がこれらのヒストグラムから生成された特徴画像である。
特徴画像の１がＨＲのヒストグラム、２がＲＲのヒストグラム、３がＨＦのヒストグラム、４がＬＦ／ＨＦのヒストグラム、５がＢＭのヒストグラムに対応し、頻度を色相の変化で表示している。
ＨＦのヒストグラムは中央値にピークを示し、ＬＦ／ＨＦのヒストグラムは低値を示す頻度が低下し、高値を示す頻度が増して５以上にも分布が現れる。
特徴画像にはこれら５つのパラメータのヒストグラムの特徴が反映されている。
【0028】
このようにして生成された特徴画像を、無呼吸低呼吸推定部に入力してＡＨＩを推定した。全被験者の推定ＡＨＩ（ｐＡＨＩ）と臨床的に評価されたＡＨＩとの相関を図８に示すが、相関係数０．３５９という結果が得られた。
このことから、睡眠時の生体振動信号に基づいて取得された、呼吸数、心拍数、心拍変動パワースペクトルの高周波成分、心拍変動パワースペクトルの低周波成分／高周波成分、体動割合には、無呼吸低呼吸症候群に係る情報が含まれており、それらが集約された特徴画像を、ＣＮＮを含む機械学習器に入力してＡＨＩを推定することが可能であることを確認することができた。
このことから、睡眠時の生体振動信号に基づいて取得された、呼吸数、心拍数、心拍変動パワースペクトルの高周波成分、心拍変動パワースペクトルの低周波成分／高周波成分、体動割合には、無呼吸低呼吸症候群に係る情報が含まれており、それらが集約された特徴画像を、ＣＮＮを含む機械学習器に入力してＡＨＩを推定することが可能であることを確認することができた。
【符号の説明】
【0029】
１ ＡＨＩ推定システム
２ ＡＨＩ推定装置
２１ 生体振動信号受信部
２２ 体動信号検出部
２３ 呼吸数検出部
２４ 心拍数検出部
２５ 位相コヒーレンス（λ）算出部
２６ ヒストグラム生成部
２７ 特徴画像生成部
２８ ＡＨＩ推定部
３ センサ部
３１ 心拍変動算出部
２ ＡＨＩ推定装置
２１ 生体振動信号受信部
２２ 体動信号検出部
２３ 呼吸数検出部
２４ 心拍数検出部
２５ 位相コヒーレンス（λ）算出部
２６ ヒストグラム生成部
２７ 特徴画像生成部
２８ ＡＨＩ推定部
３ センサ部
３１ 心拍変動算出部
【要約】
【課題】被験者を拘束することなく無呼吸低呼吸指標を推定する。
【解決手段】非接触・非拘束で、睡眠時の被験者の生体振動信号を取得し、それから呼吸数、心拍数、心拍間隔の変動の瞬時位相と呼吸パターンの瞬時位相の瞬時位相差から算出される位相コヒーレンス、体動割合の４つのパラメータを抽出して、それらのヒストグラムを作成し、そのヒストグラムから特徴画像を生成し、その特徴画像をあらかじめ機械学習したＡＨＩ推定モデルに入力することによってＡＨＩを推定する。
【選択図】図１
【解決手段】非接触・非拘束で、睡眠時の被験者の生体振動信号を取得し、それから呼吸数、心拍数、心拍間隔の変動の瞬時位相と呼吸パターンの瞬時位相の瞬時位相差から算出される位相コヒーレンス、体動割合の４つのパラメータを抽出して、それらのヒストグラムを作成し、そのヒストグラムから特徴画像を生成し、その特徴画像をあらかじめ機械学習したＡＨＩ推定モデルに入力することによってＡＨＩを推定する。
【選択図】図１
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
