特許 7562677 生体検出装置、生体検出方法、及び、プログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2024-09-27

(45)【発行日】2024-10-07

(54)【発明の名称】生体検出装置、生体検出方法、及び、プログラム

(51)【国際特許分類】

   A61B 5/0245 20060101AFI20240930BHJP

   A61B 5/11 20060101ALI20240930BHJP

【ＦＩ】

A61B5/0245 100A

A61B5/11 110

【請求項の数】 5

(21)【出願番号】P 2022543969

(86)(22)【出願日】2021-08-18

(86)【国際出願番号】 JP2021030151

(87)【国際公開番号】W WO2022039188

(87)【国際公開日】2022-02-24

【審査請求日】2022-11-04

(31)【優先権主張番号】P 2020140401

(32)【優先日】2020-08-21

(33)【優先権主張国・地域又は機関】JP

(73)【特許権者】

【識別番号】521369068

【氏名又は名称】データソリューションズ株式会社

(74)【代理人】

【識別番号】100079108

【弁理士】

【氏名又は名称】稲葉 良幸

(74)【代理人】

【識別番号】100109346

【弁理士】

【氏名又は名称】大貫 敏史

(74)【代理人】

【識別番号】100117189

【弁理士】

【氏名又は名称】江口 昭彦

(74)【代理人】

【識別番号】100134120

【弁理士】

【氏名又は名称】内藤 和彦

(72)【発明者】

【氏名】大槻 知明

(72)【発明者】

【氏名】山本 幸平

【審査官】▲高▼ 芳徳

(56)【参考文献】

【文献】特開２０１７－１２７３９８（ＪＰ，Ａ）

【文献】特開２０１０－１４２４５６（ＪＰ，Ａ）

【文献】国際公開第２０１９／１６５２０７（ＷＯ，Ａ１）

【文献】米国特許出願公開第２００９／００６２６５４（ＵＳ，Ａ１）

【文献】米国特許出願公開第２０２０／００９３４５９（ＵＳ，Ａ１）

【文献】山本 幸平 他，スペクトログラムに基づく非接触型心拍検出法の精度改善，2019年電子情報通信学会総合大会講演論文集 通信2，2019年03月05日，p.363

【文献】茂木 瑛梨子 他，ビタビアルゴリズムを用いた平均R-R間隔の推定に基づくドップラーレーダによる心拍検出，電子情報通信学会技術研究報告，2016年01月21日，Vol.115, No.437 (ASN2015-91)，p.69-74

【文献】茂木 瑛梨子 他，ビタビアルゴリズムを用いたドップラーレーダによる心拍検出におけるメトリックの検討，電子情報通信学会技術研究報告，2016年07月13日，Vol.116, No.149 (ASN2016-41)，p.85-89

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ａ６１Ｂ ５／０２ － ５／０３

Ａ６１Ｂ ５／０６ － ５／２２

(57)【特許請求の範囲】

【請求項1】

心拍を含む信号を取得する信号取得部と、
前記信号を周波数分析してスペクトログラムを生成する分析部と、
前記スペクトログラムが示す前記信号の周波数成分のうち、前記心拍に対応する周波数成分である心拍周波数成分のエネルギーを積分して積分値を計算する積分値計算部と、
前記積分値における極大値であるピークを特定するピーク特定部と、
前記ピークのうち、第１ピークと、前記第１ピークより後の時間に発生する第２ピークとを組み合わせて複数のピークセットを生成するピークセット生成部と、
前記複数のピークセットから、最尤推定法で心拍を示すピークである確からしさが最も高い系列を選択する選択部と
を含む生体検出装置であって、
前記最尤推定法が、ビタビアルゴリズムであり、
前記選択部が、前記第１ピークと前記第２ピークの間の心拍を示すピークである確からしさを示すブランチメトリックを計算して前記系列を選択し、
前記第１ピークと前記第２ピークで定まる前記心拍の間隔である第１心拍間隔と、前記第１心拍間隔の次の心拍間隔である第２心拍間隔を計算する心拍間隔計算部と、
前記第１心拍間隔と前記第２心拍間隔の差を計算する差分計算部と、
を更に含み、
前記選択部が、前記差を２乗した値を合計した累積値が最小となる前記系列を選択し、
前記スペクトログラムを所定時間単位で分割したセグメントデータを生成する分割部と、
前記セグメントデータを教師データにして学習した学習モデルに基づいて、前記セグメントデータが前記心拍を示すデータである確率値を出力する出力部と、
を更に含み、
前記第１心拍間隔及び前記第２心拍間隔を構成するピークの前記確率値である第１確率値、第２確率値、及び、第３確率値を計算し、
前記差に基づいて、心拍を示すピークである確からしさを示すパラメータを計算し、
前記パラメータ、前記第１確率値、前記第２確率値、及び、前記第３確率値を乗じて計算する評価値に基づいて前記系列を選択する、
生体検出装置。

【請求項2】

前記スペクトログラムを所定時間単位に分割したセグメントデータを生成し、前記セグメントデータを時間及び周波数の正負で分割して複数の領域を生成し、前記複数の領域を、それぞれ、複数の行列とし、前記複数の行列同士を反転し、かつ、加算及び／又は積算することにより、前記セグメントデータに含まれる対称となる部分を強調する、請求項１に記載の生体検出装置。

【請求項3】

前記信号取得部は、ドップラーレーダによって前記信号を取得する、請求項１又は２に記載の生体検出装置。

【請求項4】

生体検出装置が行う生体検出方法であって、
生体検出装置が、心拍を含む信号を取得することと、
生体検出装置が、前記信号を周波数分析してスペクトログラムを生成することと、
生体検出装置が、前記スペクトログラムが示す前記信号の周波数成分のうち、前記心拍に対応する周波数成分である心拍周波数成分のエネルギーを積分して積分値を計算することと、
生体検出装置が、前記積分値における極大値であるピークを特定することと、
生体検出装置が、前記ピークのうち、第１ピークと、前記第１ピークより後の時間に発生する第２ピークとを組み合わせて複数のピークセットを生成することと、
生体検出装置が、前記複数のピークセットから、最尤推定法で心拍を示すピークである確からしさが最も高い系列を選択することと、
を含む生体検出方法であって、
前記最尤推定法が、ビタビアルゴリズムであり、
前記選択することにおいて、前記第１ピークと前記第２ピークの間の心拍を示すピークである確からしさを示すブランチメトリックを計算して前記系列を選択し、
前記第１ピークと前記第２ピークで定まる前記心拍の間隔である第１心拍間隔と、前記第１心拍間隔の次の心拍間隔である第２心拍間隔を計算することと、
前記第１心拍間隔と前記第２心拍間隔の差を計算することと、
を更に含み、
前記選択することにおいて、前記差を２乗した値を合計した累積値が最小となる前記系列を選択し、
前記スペクトログラムを所定時間単位で分割したセグメントデータを生成することと、
前記セグメントデータを教師データにして学習した学習モデルに基づいて、前記セグメントデータが前記心拍を示すデータである確率値を出力することと、
を更に含み、
前記第１心拍間隔及び前記第２心拍間隔を構成するピークの前記確率値である第１確率値、第２確率値、及び、第３確率値を計算し、
前記差に基づいて、心拍を示すピークである確からしさを示すパラメータを計算し、
前記パラメータ、前記第１確率値、前記第２確率値、及び、前記第３確率値を乗じて計算する評価値に基づいて前記系列を選択する、
生体検出方法。

【請求項5】

請求項４に記載の生体検出方法をコンピュータに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、生体検出装置、生体検出方法、及び、プログラムに関する。

【背景技術】

【0002】

ウェアラブル機器で心拍数等の生体情報を計測して、生体情報に異常があるとユーザへ通知を行う技術が知られている（例えば、非特許文献１等）。

【0003】

また、見守りシステムにおいて、まず、老人等の被観察者に、ナースコールボタン、人感センサ、ドップラーセンサ、心拍計、呼吸計測機、サーモカメラ、血圧計、体温計、照度計、温度計、又は、湿度計等の観察機器を接続させる。このようにして、見守りシステムは、被観察者の観察情報を取得する。そして、見守りシステムは、観察情報に基づいて緊急発報条件に合致するか否かを判断して緊急事態であると緊急発報を行う。このようなバイタル系センサを用いる見守りシステムが知られている（例えば、特許文献１等）。

【先行技術文献】

【非特許文献】

【0004】

【文献】"心拍数。その意味とＡｐｐｌｅ Ｗａｔｃｈ（登録商標）での表示方法"、［online］、２０２０年０１月２１日、［令和２年３月２日検索］、インターネット〈URL：https://support.apple.com/ja-jp/HT204666〉

【特許文献】

【0005】

【文献】特開２０１７－１５１７５５号公報

【発明の概要】

【発明が解決しようとする課題】

【0006】

本発明は、従来の技術では、心拍を精度良く計測するのが難しいことに鑑みて、心拍を精度良く計測することを目的とする。

【課題を解決するための手段】

【0007】

生体検出装置は、心拍を含む信号を取得する信号取得部と、
前記信号を周波数分析してスペクトログラムを生成する分析部と、
前記スペクトログラムが示す前記信号の周波数成分のうち、前記心拍に対応する周波数成分である心拍周波数成分のエネルギーを積分して積分値を計算する積分値計算部と、
前記積分値における極大値であるピークを特定するピーク特定部と、
前記ピークのうち、第１ピークと、前記第１ピークより後の時間に発生する第２ピークとを組み合わせてピークセットを生成するピークセット生成部と、
前記ピークセットから、最尤推定法で確からしさが最も高い系列を選択する選択部と
を含むことを要件とする。

【発明の効果】

【0008】

開示の技術によれば、心拍を精度良く計測できる。

【図面の簡単な説明】

【0009】

【図1】第１実施形態の全体構成例を示す図である。

【図2】ドップラーレーダの例を示す図である。

【図3】生体検出装置の例を示す図である。

【図4】第１実施形態の全体処理例を示す図である。

【図5】第１信号の例を示す図である。

【図6】スペクトログラムの例を示す図である。

【図7】積分値の計算結果例を示す図である。

【図8】ピークの特定例を示す図である。

【図9】最尤推定法による選択の例を示す図である。

【図10】心拍間隔の例を示す図である。

【図11】隣接するＲＲＩの差のヒストグラムの例を示す図である。

【図12】第１実施形態の機能構成例を示す図である。

【図13】セグメントデータの生成例を示す図である。

【図14】学習済みモデルによる確率値の出力例を示す図である。

【図15】第２実施形態の実験結果を示す図である。

【図16】第２実施形態の機能構成例を示す図である。

【図17】第３実施形態における心拍間隔及び確率値の例を示す図である。

【図18】第３実施形態の第１実験結果を示す図である。

【図19】第３実施形態の第２実験結果を示す図である。

【図20】第４実施形態におけるスペクトログラム及びセグメントデータの例を示す図である。

【図21】第４実施形態の第１実験結果を示す図である。

【図22】第４実施形態の第２実験結果を示す図である。

【図23】第４実施形態の第３実験結果を示す図である。

【図24】第４実施形態の心拍間隔を計算した第１実験結果を示す図である。

【図25】第４実施形態の心拍間隔を計算した第２実験結果を示す図である。

【図26】第４実施形態の心拍間隔を計算した第３実験結果を示す図である。

【図27】ドップラーレーダで計測するＩＱデータの例を示す図である。

【発明を実施するための形態】

【0010】

以下、発明を実施するための最適かつ最小限な形態について、図面を参照して説明する。なお、図面において、同一の符号を付す場合には、同様の構成であることを示し、重複する説明を省略する。また、図示する具体例は、例示であり、図示する以外の構成が更に含まれる構成であってもよい。

【0011】

＜第１実施形態＞
例えば、生体検出システム１は、以下のような全体構成のシステムである。

【0012】

＜全体構成例＞
図１は、第１実施形態の全体構成例を示す図である。例えば、生体検出システム１は、ＰＣ（Ｐｅｒｓｏｎａｌ Ｃｏｍｐｕｔｅｒ、以下「ＰＣ１０」という。）、ドップラーレーダ１２及びフィルタ１３等を有する構成である。なお、生体検出システム１は、図示するように、アンプ１１等を有する構成が望ましい。以下、図示する全体構成を例に説明する。

【0013】

ＰＣ１０は、情報処理装置であって、生体検出装置の例である。また、ＰＣ１０は、アンプ１１等の周辺機器とネットワーク又はケーブル等を介して接続する。なお、アンプ１１及びフィルタ１３等は、ＰＣ１０が有する構成でもよい。また、アンプ１１及びフィルタ１３等は、装置でなく、ソフトウェアによる構成、又は、ハードウェアとソフトウェアの両方による構成でもよい。以下、図示するような生体検出システム１の例で説明する。

【0014】

ドップラーレーダ１２は、計測装置の例である。

【0015】

この例では、ＰＣ１０は、アンプ１１に接続される。また、アンプ１１は、フィルタ１３に接続される。さらに、フィルタ１３は、ドップラーレーダ１２に接続される。そして、ＰＣ１０は、アンプ１１及びフィルタ１３を介して、ドップラーレーダ１２から計測データを取得する。すなわち、計測データは、心拍及び呼吸等の生体の動作を示す信号のデータである。次に、ＰＣ１０は、取得される計測データに基づいて被験者２の心拍、呼吸及び体の動き等の体動を解析し、心拍数等の人体の動きを計測する。

【0016】

ドップラーレーダ１２は、例えば、以下のような原理で心拍及び呼吸等の動作を示す信号（以下「生体信号」という。）を取得する。

【0017】

＜ドップラーレーダの例＞
図２は、ドップラーレーダの例を示す図である。例えば、ドップラーレーダ１２は、図２に示すような構成の装置である。具体的には、ドップラーレーダ１２は、ソース（Ｓｏｕｒｃｅ）１２Ｓと、発信器１２Ｔｘと、受信器１２Ｒｘと、ミキサー（Ｍｉｘｅｒ）１２Ｍとを有する。また、ドップラーレーダ１２は、受信器１２Ｒｘが受信するデータのノイズを減らす等の処理を行うＬＮＡ（Ｌｏｗ Ｎｏｉｓｅ Ａｍｐｌｉｆｉｅｒ）等の調整器１２ＬＮＡを有する。

【0018】

ソース１２Ｓは、発信器１２Ｔｘが発信する発信波の信号を生成する発信源である。

【0019】

発信器１２Ｔｘは、被験者２に対して発信波を発信する。なお、発信波の信号は、時間「ｔ」に係る関数Ｔｘ（ｔ）で示せ、例えば、下記（１）式のように示せる。

【0020】

【数1】

上記（１）式では、「ω_ｃ」は、発信波の角周波数である。

【0021】

そして、被験者２、すなわち、発信された信号の反射面は、時間「ｔ」において、ｘ（ｔ）の変位である場合とする。この例では、反射面は、被験者２の胸壁となる。そして、変位ｘ（ｔ）は、例えば、下記（２）式のように示せる。

【0022】

【数2】

上記（２）式では、「ｍ」は、変位の振幅を示す定数である。また、上記（２）式では、「ω」は、被験者２の動きによってシフトする角速度である。なお、上記（１）式と同様の変数は同じ変数である。

【0023】

受信器１２Ｒｘは、発信器１２Ｔｘによって発信されて被験者２で反射した反射波を受信する。また、反射波の信号は、時間ｔに係る関数Ｒｘ（ｔ）で示せ、例えば、下記（３）式のように示せる。

【0024】

【数3】

上記（３）式では、「ｄ_０」は、被験者２と、ドップラーレーダ１２との距離である。また、「λ」は、信号の波長である。以下、同様に記載する。

【0025】

ドップラーレーダ１２は、発信波の信号を示す関数Ｔｘ（ｔ）（上記（１）式である。）と、受信波の信号を示す関数Ｒ（ｔ）（上記（３）式である。）とをミキシングして、ドップラー信号を生成する。なお、ドップラー信号は、時間ｔに係る関数Ｂ（ｔ）で示すと、下記（４）式のように示せる。

【0026】

【数4】

そして、ドップラー信号の角周波数を「ω_ｄ」とすると、ドップラー信号の角周波数ω_ｄは、下記（５）式のように示せる。

【0027】

【数5】

また、上記（４）式及び上記（５）式における位相「θ」は、下記（６）式のように示せる。

【0028】

【数6】

上記（６）式では、「θ_０」は、被験者２の胸壁、すなわち、反射面における位相変位である。

【0029】

次に、ドップラーレーダ１２は、発信した発信波の信号と、受信した受信波の信号とを比較した結果、すなわち、上記の式による計算結果に基づいて、被験者２の位置及び速度等が出力される。

【0030】

例えば、受信波から、Ｉデータ（同相データ）及びＱデータ（直交位相データ）が生成できる。そして、Ｉデータ及びＱデータにより、被験者２の胸壁が移動した距離が検出できる。また、Ｉデータ及びＱデータが示す位相に基づいて、被験者２の胸壁が前後のどちらに動いたかが検出できる。したがって、心拍に由来する胸壁の移動が、送信波及び受信波の周波数変化を利用して、心拍等の指標を検出できる。

【0031】

＜生体検出装置のハードウェア構成例＞
図３は、生体検出装置の例を示す図である。例えば、ＰＣ１０は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ、以下「ＣＰＵ１０Ｈ１」という。）と、記憶装置１０Ｈ２と、入力装置１０Ｈ３と、出力装置１０Ｈ４と、入力Ｉ／Ｆ（Ｉｎｔｅｒｆａｃｅ）（以下「入力Ｉ／Ｆ１０Ｈ５」という。）とを有する。なお、ＰＣ１０が有する各ハードウェアは、バス（Ｂｕｓ）（以下「バス１０Ｈ６」という。）で接続され、各ハードウェアの間では、バス１０Ｈ６を介して、データ等が相互に送受信される。

【0032】

ＣＰＵ１０Ｈ１は、ＰＣ１０が有するハードウェアを制御する制御装置及び各種処理を実現するための演算を行う演算装置である。

【0033】

記憶装置１０Ｈ２は、例えば、主記憶装置及び補助記憶装置等である。具体的には、主記憶装置は、例えば、メモリ等である。また、補助記憶装置は、例えば、ハードディスク等である。そして、記憶装置１０Ｈ２は、ＰＣ１０が用いる中間データを含むデータ及び各種処理及び制御に用いるプログラム等を記憶する。

【0034】

入力装置１０Ｈ３は、ユーザの操作によって、計算に必要なパラメータ及び命令をＰＣ１０に入力するための装置である。具体的には、入力装置１０Ｈ３は、例えば、キーボード、マウス及びドライバ等である。

【0035】

出力装置１０Ｈ４は、ＰＣ１０による各種処理結果及び計算結果をユーザ等に出力するための装置である。具体的には、出力装置１０Ｈ４は、例えば、ディスプレイ等である。

【0036】

入力Ｉ／Ｆ１０Ｈ５は、計測装置等の外部装置と接続し、データ等を送受信するためのインタフェースである。例えば、入力Ｉ／Ｆ１０Ｈ５は、コネクタ又はアンテナ等である。すなわち、入力Ｉ／Ｆ１０Ｈ５は、ネットワーク、無線又はケーブル等を介して、外部装置とデータを送受信する。

【0037】

なお、ハードウェア構成は、図示する構成に限られない。例えば、ＰＣ１０は、処理を並列、分散又は冗長して行うため、更に演算装置又は記憶装置等を有してもよい。また、ＰＣ１０は、演算、制御及び記憶を並列、分散又は冗長して行うため、他の装置とネットワーク又はケーブルを介して接続される情報処理システムでもよい。すなわち、１以上の情報処理装置を有する情報処理システムによって、本発明は実現されてもよい。

【0038】

このようにして、ＰＣ１０は、ドップラーレーダ１２等の計測装置によって生体の動作を示す生体信号を取得する。なお、生体信号は、リアルタイムで随時取得されてもよいし、ある期間分の生体信号をドップラーレーダ等の装置が記憶して、その後、ＰＣ１０がまとめて取得してもよい。また、取得は、記録媒体等を用いてもよい。さらに、ＰＣ１０は、ドップラーレーダ１２等の計測装置を有し、ＰＣ１０がドップラーレーダ１２等の計測装置で計測して生体信号を生成して、生体信号を取得する構成でもよい。

【0039】

＜全体処理例＞
図４は、全体処理例を示す図である。例えば、以下に説明する全体処理は、所定時間ごとに繰り返して実行される。

【0040】

（信号の取得例）
ステップＳ１０１では、ＰＣ１０は、生体を対象としてドップラーレーダ等によって計測して生成される信号であって、心拍成分を含む計測結果を示す信号（以下、単に「信号」という。）を取得する。例えば、信号は、以下のような信号である。

【0041】

図５は、第１信号の例を示す図である。図では、横軸が計測した時点を示す時間である。一方で、縦軸がドップラーレーダの計測結果に基づいて推定される電力である。

【0042】

（ローパスフィルタ処理の例）
ステップＳ１０２では、ＰＣ１０は、信号に対して心拍が一般的に取る周波数成分より高い周波数成分を減衰させるローパスフィルタ処理を行う。このような前処理が信号に対して行われてもよい。

【0043】

具体的には、ＰＣ１０は、信号に対して、心拍の周波数成分より高い周波数成分を減衰させるフィルタ処理を行う。例えば、ＰＣ１０は、デジタルフィルタ等で、心拍の周波数成分より高い周波数をカットオフ周波数としたフィルタリングを行う。

【0044】

例えば、成人の男性であれば、１分間に５０回乃至１８０回程度の心拍数であるため、心拍の周波数成分、すなわち、心拍の周波数成分は、０．８Ｈｚ乃至３Ｈｚ程度の周波数成分が主である。

【0045】

そこで、ローパスフィルタ処理は、例えば、０Ｈｚ乃至３Ｈｚより高い周波数成分を減衰させるように設定されるのが望ましい。このような設定であると、ＰＣ１０は、ローパスフィルタ処理によって、呼吸及び心拍を示す周波数成分を減衰させずに、ノイズとなる周波数成分を減衰させることができる。

【0046】

このように、ＰＣ１０は、心拍が含まれる周波数帯域を減衰させず、心拍の周波数成分より高い周波数成分を減衰させるようにローパスフィルタ処理等の前処理を行うのが望ましい。

【0047】

なお、ローパスフィルタ処理の対象とする周波数帯域は、生体の年齢、性別、及び、状態等を考慮して設定されてもよい。例えば、激しい運動の後、又は、興奮しているといった状態であると、心拍数は、安静な状態より高い周波数となる。そのため、心拍の周波数は、両方とも安静な状態よりも高い周波数となる。一方で、安静な状態であると、心拍の周波数は、低い周波数となる。

【0048】

そこで、例えば、状態等に合わせて、ローパスフィルタ処理の対象とする周波数帯域が動的に変更される、又は、ローパスフィルタ処理の対象とする周波数帯域が絞られてもよい。

【0049】

具体的には、激しい運動の後の状態といった心拍の周波数が高い周波数帯域にあると考えられる状態では、３．５Ｈｚより高い周波数成分を減衰させるローパスフィルタ処理が行われる。一方で、安静な状態等といった心拍の周波数が低い周波数帯域にあると考えられる状態では、１．４Ｈｚより高い周波数成分を減衰させるローパスフィルタ処理が行われる。

【0050】

このように、状態等が入力できる、又は、状態等を考慮した値が設定されて、ローパスフィルタ処理が行われてもよい。

【0051】

例えば、３Ｈｚに設定されるローパスフィルタ処理であると、ＰＣ１０は、１分間に心拍が１８０回程度となるような激しい運動の後に発生する心拍の周波数成分を減衰させず、かつ、ノイズの周波数成分を減衰できる。ゆえに、生体が運動した後ではない状態であると分かっているような場合には、ローパスフィルタ処理は、１Ｈｚ程度に低い値が設定されてもよい。

【0052】

信号は、このような前処理が行われた信号であってもよい。

【0053】

（周波数分析によるスペクトログラムの生成例）
ステップＳ１０３では、ＰＣ１０は、信号を周波数分析してスペクトログラムを生成する。例えば、周波数分析は、ＦＦＴ（高速フーリエ変換、Ｆａｓｔ Ｆｏｕｒｉｅｒ Ｔｒａｎｓｆｏｒｍ）等で実現する。このようにして、ＰＣ１０は、周波数帯域ごとのエネルギーを示すスペクトルを算出する。また、ＰＣ１０は、正規化を行って、スペクトログラムを生成してもよい。

【0054】

例えば、以下のようにスペクトログラムが生成される。

【0055】

図６は、スペクトログラムの例を示す図である。以下、被験者２が着座であって、静止している状態の計測結果を例に説明する。

【0056】

スペクトログラムには、心拍に対応する周波数成分（図では、「心拍周波数成分ＦＲ１」で示す。）が含まれる。また、心拍周波数成分ＦＲ１には、正の周波数領域に属する成分（図では、正周波数成分ＦＲ２」で示す。）と、負の周波数領域に属する成分（図では、負周波数成分ＦＲ３」で示す。）とが含まれる。

【0057】

具体的には、正周波数成分ＦＲ２は、周波数（図では縦軸で示す。）が「０」以上の周波数成分である。一方で、負周波数成分ＦＲ３は、周波数が「０」未満の周波数成分である。

【0058】

また、正周波数成分ＦＲ２は、心臓の拡張に起因する周波数成分である。そして、正周波数成分ＦＲ２は、８Ｈｚ乃至３０Ｈｚの周波数が中心となるスペクトルである。一方で、負周波数成分ＦＲ３は、心臓の収縮に起因する周波数成分である。そして、負周波数成分ＦＲ３は、‐８Ｈｚ乃至‐３０Ｈｚの周波数が中心となるスペクトルである。

【0059】

（積分値の計算例）
ステップＳ１０４では、ＰＣ１０は、積分値を計算する。具体的には、積分値は、スペクトログラムが示す周波数成分のうち、心拍周波数成分ＦＲ１のパワー（図では、パワーの強弱を濃淡で示す。）を積分（離散的には、加算となる。）して計算される。以下、エネルギーがパワーである例で説明する。すなわち、エネルギーは、ドップラーレーダにおいて、電磁波のエネルギーをアンテナで導線に誘導した上で、ＰＣ１０によって、導線上の電圧（又は、電流である。）の変化から計算される。このように、エネルギーは、各時刻及び各周波数のそれぞれのエネルギーを示す値であればよく、取得方法及び計算方法は問わない。

【0060】

図６に示すスペクトログラムの例では、積分値は、例えば、以下のように計算される。

【0061】

図７は、積分値の計算結果例を示す図である。具体的には、積分値は、心拍周波数成分ＦＲ１、すなわち、８Ｈｚ乃至３０Ｈｚ、及び、‐８Ｈｚ乃至‐３０Ｈｚに生じるスペクトルを積分して計算される。

【0062】

（ピークの特定例）
ステップＳ１０５では、ＰＣ１０は、ピークを特定する。例えば、ピークは、積分値における極大値である。したがって、ピークは、積分値を微分し、微分した値が「０」となる点等で特定される。なお、ピークは、極大値を用いる方法に限られず、他の手法で特定されてもよい。例えば、ピークは、以下のように特定される。

【0063】

図８は、ピークの特定例を示す図である。例えば、ピークは、図における「Ｐｎ」（ｎ＝１、２、３・・・）に示す点である。なお、「ｎ」は、時間における発生順を示す番号であり、検出されるピークに対して時間順にナンバリングした値である。以下、図８に示すように、「Ｐ_１」乃至「Ｐ_１９」の１９個のピーク候補が検出された場合を例に説明する。

【0064】

（ピークセットの生成例）
ステップＳ１０６では、ＰＣ１０は、ピークセットを生成する。

【0065】

ピークセットとは、ピークの組み合わせである。以下、ピークセットを構成するピークのうち、一方のピークを「第１ピーク」という。そして、第１ピークとピークセットを構成する２つのピークのうち、第１ピークより後の時間に発生するピークを「第２ピーク」という。

【0066】

以下、図８における「Ｐ_１」を第１ピークとする例で、第１ピークと対になる第２ピークを選び、ピークセットを生成する例を説明する。

【0067】

第２ピークは、第１ピークが発生した時間（以下「第１ピーク発生時間Ｔ１」という。）を基準に、心拍が取り得る時間（以下「第２ピーク発生時間Ｔ２」という。）以内に含まれるピークである。具体的には、第１ピーク発生時間Ｔ１から第２ピーク発生時間Ｔ２までの時間（以下「ピーク検出時間Ｔ１２」という。）は、２秒程度である場合が多い。ただし、ピーク検出時間Ｔ１２は個人差等がある。そこで、個人差等を考慮して、ピーク検出時間Ｔ１２は、２．５秒程度が設定されるのが望ましい。なお、ピーク検出時間Ｔ１２は、事前に設定される。また、ピーク検出時間Ｔ１２は、生体の状態等を考慮して設定されてもよい。

【0068】

すなわち、「Ｐ_１」が発生してから２．５秒以内に発生したピークが第２ピークとして特定される。具体的には、図８に示す例は、第１ピーク発生時間Ｔ１から第２ピーク発生時間Ｔ２までの２．５秒以内に「Ｐ_２」乃至「Ｐ_４」が発生している例である。ゆえに、第１ピーク「Ｐ_１」に対して、第２ピークは、「Ｐ_２」乃至「Ｐ_４」の３つが特定される。

【0069】

そして、「Ｐ_１」を第１ピークとし、かつ、「Ｐ_２」乃至「Ｐ_４」を第２ピークとした３つのピークセットが生成される。このように、ピーク検出時間Ｔ１２に複数のピークが特定される場合には、それぞれの第２ピークと、第１ピークとを対にして、複数のピークセットが生成される。

【0070】

また、ＰＣ１０は、次のピークセットを同様に生成する。例えば、「Ｐ_１」を第１ピークとしたピークセットがすべて生成された場合には、「Ｐ_１」の次に発生した「Ｐ_２」を第１ピークとし、同様に第２ピークを特定する。このようにして、特定されたすべてのピークに対して、ピークセットが生成される。

【0071】

（最尤推定法による選択例）
ステップＳ１０７では、ＰＣ１０は、最尤推定法により、ピークセットから最尤推定法で最も確からしさの高い系列を選択する。なお、最尤推定法は、ビタビアルゴリズムが望ましい。ただし、最尤推定法は、ビタビアルゴリズム以外の方法でもよく、確からしさが計算できる方法であればよい。例えば、全探索を行う方法でもよい。なお、ビタビアルゴリズムを用いると、効率良く心拍を検出できる。以下、ビタビアルゴリズムを用いる例で説明する。

【0072】

図９は、最尤推定法による選択の例を示す図である。以下、「Ｐ_１」を第１ピークとする３つのピークセットを例に説明する。以下、ステップＳ１０６によって、「Ｐ_１」を第１ピークとし、かつ、「Ｐ_２」乃至「Ｐ_４」を第２ピークとした３つのピークセットである第１ピークセットＰＫＳ１乃至第３ピークセットＰＫＳ３が生成される例で説明する。

【0073】

第１ピークセットＰＫＳ１は、第１ピーク「Ｐ_１」及び第２ピーク「Ｐ_２」の組み合わせのピークセットである。

【0074】

第２ピークセットＰＫＳ２は、第１ピーク「Ｐ_１」及び第２ピーク「Ｐ_３」の組み合わせのピークセットである。

【0075】

第３ピークセットＰＫＳ３は、第１ピーク「Ｐ_１」及び第２ピーク「Ｐ_４」の組み合わせのピークセットである。

【0076】

また、図では、ピークセットを構成する第１ピークと第２ピークの間の確からしさ（以下「ピーク間値」という。）をピークとピークを結ぶ線で示す。以下、ピーク間値をビタビアルゴリズムにおける「ブランチメトリック」とする例で説明する。なお、ピーク間値は、確からしさを示す計算結果であればよい。ピーク間値の計算方法は後述する。

【0077】

以下、「Ｐ_１」及び「Ｐ_２」のブランチメトリックを「第１２ブランチメトリックＢＭ１２」という。同様に、「Ｐ_１」及び「Ｐ_３」のブランチメトリックを「第１３ブランチメトリックＢＭ１３」、「Ｐ_１」及び「Ｐ_４」のブランチメトリックを「第１４ブランチメトリックＢＭ１４」という。また、ブランチメトリックは、第３ピークセットＰＫＳ３以降（図では、「Ｐ_２」乃至「Ｐ_４」より右側に記載するピークを用いるピークセットである。）についても同様に、「第２３ブランチメトリックＢＭ２３」、「第２４ブランチメトリックＢＭ２４」、「第２５ブランチメトリックＢＭ２５」、「第３４ブランチメトリックＢＭ３４」・・・のように計算される。

【0078】

ビタビアルゴリズムより、ＰＣ１０は、ピークセットの組み合わせのうち、最も確からしさの高い系列を選択する。具体的には、図９に示す例は、ビタビアルゴリズムで系列ＳＥＣが選択された場合の例である。

【0079】

また、それぞれの区間ごとのブランチメトリックを累積した値（以下、「累積値」という。）が計算される。以下、累積値をビタビアルゴリズムにおける「パスメトリック」とする例で説明する。図示するように、時系列によって、「第１区間ＳＥＣ１」、「第２区間ＳＥＣ２」・・・のように区間が分かれる。そして、区間ごと、１つずつブランチメトリックが選択されて、ブランチメトリックを繋げると、パスメトリックが選択できる。

【0080】

すなわち、確からしさが最も高い系列ＳＥＣは、パスメトリックが最小又は最大（それぞれの確からしさを計算する方法による。）となる系列である。

【0081】

この例では、まず、第１２ブランチメトリックＢＭ１２、第１３ブランチメトリックＢＭ１３、及び、第１４ブランチメトリックＢＭ１４のうち、第１２ブランチメトリックＢＭ１２が最も確からしさが高いと判断された例である。

【0082】

次に、第１２ブランチメトリックＢＭ１２が選択された場合には、「Ｐ_２」を第１ピークとし、かつ、「Ｐ_３」乃至「Ｐ_６」を第２ピークとしたピークセットについて同様に、ブランチメトリックが選択される。この例では、第２４ブランチメトリックＢＭ２４が最も確からしさが高いと判断されたとする。

【0083】

このように、「Ｐ_１９」までブランチメトリック、すなわち、ピークセットを選んでいくと、「Ｐ_１」乃至「Ｐ_１９」のピークを結ぶ１つの系列ＳＥＣが選択される。このように、系列ＳＥＣが選択されると、心拍を示すピークの組み合わせを抽出できる。すなわち、系列ＳＥＣは、特定されるピークのうち、心拍を示すピークを抽出した結果を示す。このような系列ＳＥＣが選べると、心拍を精度良く計測できる。

【0084】

（心拍間隔によるピーク間値の計算例）
以下、心拍間隔をＲＲＩ（Ｒ－Ｒ ｉｎｔｅｒｖａｌ、Ｒ－Ｒ間隔）とする例で説明する。

【0085】

心拍を示す信号には、心臓が収縮又は拡張により、心臓内に起こる電気によって「Ｐ」、「Ｑ」、「Ｒ」、「Ｓ」、及び、「Ｔ」と呼ばれる信号の山（極大となる点に相当する。）又は谷（極小となる点に相当する。）が含まれる。そして、ＲＲＩは、「Ｒ」等のピークとなる時点から次の「Ｒ」となる時点までの間隔である。すなわち、心拍間隔は、心拍における１拍の時間を示す値である。したがって、心拍間隔は、ＲＲＩ以外の値であってもよい。以下、ＲＲＩを例に説明する。ただし、心拍において「Ｒ」が他の山又は谷よりはっきりしている場合が多いため、ＲＲＩを用いると精度良く心拍が計測できる。

【0086】

ＲＲＩは、ピークとピークの間隔を示す。すなわち、ＲＲＩは、基準とするピークと、次のピークとを特定し、ピーク間の時間を計測して求まる。

【0087】

以下、「Ｒ」が「第１時点ＴＲ１」、「第２時点ＴＲ２」、「第３時点ＴＲ３」・・・の順に発生するピークに相当する場合を例に説明する。

【0088】

図１０は、心拍間隔の例を示す図である。例えば、図示するように、「第１時点ＴＲ１」、「第２時点ＴＲ２」、「第３時点ＴＲ３」・・・というそれぞれの時点でピークが発生する場合には、第１時点ＴＲ１から第２時点ＴＲ２までの間隔がＲＲＩ（以下「第１２ＲＲＩ１１２」という。）となる。一方、第１２ＲＲＩ１１２の次のＲＲＩ、すなわち、第２時点ＴＲ２から第３時点ＴＲ３までの間隔がＲＲＩ（以下「第２３ＲＲＩ１２３」という。）となる。

【0089】

以下、第１２ＲＲＩ１１２を第１心拍間隔の例とし、かつ、第２３ＲＲＩ１２３を第２心拍間隔の例として説明する。また、第１２ＲＲＩ１１２及び第２３ＲＲＩ１２３のように、時間軸において前後するＲＲＩの関係を「隣接する」と表現する場合がある。

【0090】

ブランチメトリックは、正の値及び負の値となる場合を考慮して隣接するＲＲＩの差を２乗して計算する。具体的には、下記（１０）式に、下記（８）式及び下記（１１）式を代入する。このように計算すると、下記（１２）式の計算結果が得られる。そして、下記（１２）式が示すように、計算結果、すなわち、下記（１２）式には、ＲＲＩの差の２乗が残る。したがって、このようにして得られるＲＲＩの差の２乗をブランチメトリックに採用する。

【0091】

隣接するＲＲＩ、すなわち、第１２ＲＲＩ１１２及び第２３ＲＲＩ１２３の差は、心拍のピークによるものであれば、平均値が「０」の正規分布（「ガウス分布」ともいう。）に従って発生する。ゆえに、隣接するＲＲＩの差をグラフにすると、例えば、以下のような傾向となる。

【0092】

図１１は、隣接するＲＲＩの差のヒストグラムの例を示す図である。具体的には、第１２ＲＲＩ１１２及び第２３ＲＲＩ１２３等のように隣接するＲＲＩの差は、平均値を「０」（図における横軸の「０」である。）とし、正規分布の関係となる。すなわち、２つのＲＲＩの差が正規分布の関係であると、心拍を示すピークが検出されている可能性が高い。

【0093】

なお、正規分布は、人又は状態によって、分散の傾向又は偏りがある。すなわち、人又は状態ごとに、正規分布に尖度、歪度又はこの両方が設定されてもよい。

【0094】

したがって、隣接するＲＲＩの差を「Ｓ_ｉ」とすると、下記（７）式及び下記（８）式が成り立つ。なお、下記（７）式及び下記（８）式において「ｉ」は、ピークに対して時間順につけられる登場順を示すピーク番号である。

【0095】

【数7】

【0096】

【数8】

そして、それぞれの隣接するＲＲＩの差、すなわち、ピークセットごとにＲＲＩの差を計算する。このようにして計算される隣接するＲＲＩの差のセット（以下単に「セット」という。）を「Ｘ」とする。すなわち、セット「Ｘ」は、下記（９）式に示すように、隣接するＲＲＩの差の集合である。なお、下記（９）式における「Ｍ」は、ピークセットの数で定まる隣接するＲＲＩの差の通し番号である。

【0097】

【数9】

ステップＳ１０７では、上記（９）式において、最も確からしい隣接するＲＲＩの差「Ｓ_ｉ」の組み合わせとなるセットが系列として選択される。このように、選択される「Ｘ」を選択系列セット「Ｘ_Ｓ」とすると、下記（１０）式のように計算した選択系列セット「Ｘ_Ｓ」によって、ステップＳ１０７で系列が選択される。

【0098】

【数10】

また、上記（１０）式における関数「Ｐ（Ｘ）」は、下記（１１）式に示す関数である。

【0099】

【数11】

上記（７）式、上記（８）式、及び、上記（１０）式により、下記（１２）式のような関係が成り立つ。

【0100】

【数12】

上記（１２）式が示すように、選択系列セット「Ｘ_Ｓ」は、隣接するＲＲＩの差を２乗した値で定まる。ゆえに、ブランチメトリックに隣接するＲＲＩの差を２乗した値を用いて合計が最小となる系列を選択すると、最も確からしさが高い系列を選択できる。

【0101】

なお、確からしさは、ハミング距離等でも計算できる。ただし、隣接するＲＲＩの差に基づいて計算する方法は、確からしさを計算する上で置き換え等がなく計算できる。

【0102】

（指標の計算を行う例）
ステップＳ１０８では、ＰＣ１０は、選択した系列に基づいて指標を計算してもよい。

【0103】

例えば、指標は、対象とする生体の生体情報を示す値である。具体的には、指標は、生体信号を解析して計算される値であって、脈拍数、心拍数、呼吸数、血圧、ＰＴＴ（ｐｕｌｓｅ ｔｒａｎｓｉｔ ｔｉｍｅ）、収縮期血圧（ｓｙｓｔｏｌｉｃ ｂｌｏｏｄ ｐｒｅｓｓｕｒｅ）、ＲＲＩ、ＱＲＳ間隔、ＱＴ間隔、又は、これらの組み合わせ等である。なお、指標は、これ以外の生体情報でもよい。

【0104】

＜機能構成例＞
図１２は、第１実施形態の機能構成例を示す図である。例えば、ＰＣ１０は、信号取得部１０Ｆ１、分析部１０Ｆ２、積分値計算部１０Ｆ３、ピーク特定部１０Ｆ４、ピークセット生成部１０Ｆ５、及び、選択部１０Ｆ６を含む機能構成である。

【0105】

信号取得部１０Ｆ１は、心拍を含む信号を取得する信号取得手順を行う。例えば、信号取得部１０Ｆ１は、ドップラーレーダ１２、又は、入力Ｉ／Ｆ１０Ｈ５等で実現する。

【0106】

分析部１０Ｆ２は、信号を周波数分析してスペクトログラムを生成する周波数分析手順を行う。例えば、分析部１０Ｆ２は、ＣＰＵ１０Ｈ１等で実現する。

【0107】

積分値計算部１０Ｆ３は、分析部１０Ｆ２が生成するスペクトログラムが示す周波数成分のうち、心拍に対応する周波数成分である心拍周波数成分のエネルギーを積分して積分値を計算する積分値計算手順を行う。例えば、積分値計算部１０Ｆ３は、ＣＰＵ１０Ｈ１等で実現する。

【0108】

ピーク特定部１０Ｆ４は、積分値におけるピークを特定するピーク特定手順を行う。例えば、ピーク特定部１０Ｆ４は、ＣＰＵ１０Ｈ１等で実現する。

【0109】

ピークセット生成部１０Ｆ５は、ピーク特定部１０Ｆ４が特定するピークのうち、第１ピークと第２ピークとを組み合わせてピークセットを生成するピークセット生成手順を行う。例えば、ピークセット生成部１０Ｆ５は、ＣＰＵ１０Ｈ１等で実現する。

【0110】

選択部１０Ｆ６は、ピークセット生成部１０Ｆ５が生成するピークセットから、最尤推定法で確からしさが最も高い系列を選択する選択手順を行う。例えば、選択部１０Ｆ６は、ＣＰＵ１０Ｈ１等で実現する。

【0111】

例えば、選択部１０Ｆ６は、心拍間隔計算部１０Ｆ６１、及び、差分計算部１０Ｆ６２を含む構成である。

【0112】

心拍間隔計算部１０Ｆ６１は、第１心拍間隔、及び、第２心拍間隔等の心拍間隔を計算する。

【0113】

差分計算部１０Ｆ６２は、心拍間隔計算部１０Ｆ６１が計算する心拍間隔のうち、隣接する心拍間隔の差を計算する。

【0114】

そして、差分計算部１０Ｆ６２が計算する差分を２乗した値等がピーク間値に用いられる最尤推定法が行われる。

【0115】

＜第２実施形態＞
第２実施形態は、第１実施形態と比較すると、確からしさの計算方法が異なる。以下、第１実施形態と異なる点を中心に説明し、第１実施形態と重複する説明を省略する。

【0116】

スペクトログラムは、例えば、第１実施形態に示す方法で生成される。以下、第１実施形態に示す方法でスペクトログラムが生成された場合を例に説明する。

【0117】

第２実施形態では、確からしさを計算する上で、スペクトログラムを以下のように分割してセグメントデータを生成する。

【0118】

図１３は、セグメントデータの生成例を示す図である。以下、図１３に示すようなスペクトログラムＳＰＥが生成された場合を例に説明する。そして、スペクトログラムＳＰＥを所定時間単位（図では、横軸方向に等間隔となる。）に分割すると、複数のセグメントデータＳＧが生成できる。

【0119】

このように生成されるセグメントデータＳＧを事前に学習した学習済みモデルに入力して、それぞれのセグメントデータＳＧが心拍を示すデータである確率値を以下のように出力する。

【0120】

図１４は、学習済みモデルによる確率値の出力例を示す図である。例えば、学習済みモデルＭＤＬは、例えば、ＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ、畳み込みニューラルネットワーク）等といったネットワーク構造である。なお、学習済みモデルＭＤＬは、他の機械学習によって実現されてもよい。

【0121】

例えば、学習済みモデルＭＤＬは、セグメントデータＳＧと、心拍を示すか否かを判断した結果とをセットにした教師データによって機械学習を行うことで生成される。すなわち、学習済みモデルＭＤＬは、教師ありの方式で生成される学習モデル等である。このような構成であると、例えば、以下のように心拍を示すデータである確率値を精度良く判断できる。

【0122】

図１５は、第２実施形態の実験結果を示す図である。図では、実験で出力された確率値を横軸に示す。縦軸は回数を示す。そして、「Ｔｒｕｅ ｐｅａｋ ｄｕｅ ｈｅａｒｔｂｅａｔ」は、実際に心拍を計測したスペクトログラムから生成されたセグメントデータに対する実験結果を示す。図示するように、「Ｔｒｕｅ ｐｅａｋ ｄｕｅ ｈｅａｒｔｂｅａｔ」に対して、高い値の確率値（図では、「１」に近い値である。）が出力できた。

【0123】

一方で、「Ｆａｌｓｅ ｐｅａｋ ｄｕｅ ｈｅａｒｔｂｅａｔ」は、心拍でないスペクトログラムから生成されたセグメントデータに対する実験結果を示す。図示するように、「Ｆａｌｓｅ ｐｅａｋ ｄｕｅ ｈｅａｒｔｂｅａｔ」に対して、低い値の確率値（図では、「０」に近い値である。）が出力できた。

【0124】

このように、学習済みモデルを用いると、セグメントデータの入力に対して、心拍を示すデータである確率値を精度良く出力できる。ゆえに、ブランチメトリック等に確率値を用いて合計が最大となる系列を選択すると、最も確からしさが高い系列を選択できる。

【0125】

＜機能構成例＞
図１６は、第２実施形態の機能構成例を示す図である。例えば、ＰＣ１０は、第１実施形態と比較すると、信号取得部１０Ｆ１及び分析部１０Ｆ２を含む構成は同一である。

【0126】

一方で、第２実施形態では、ＰＣ１０は、分割部１０Ｆ７及び出力部１０Ｆ８を含む機能構成となる点が異なる。

【0127】

分割部１０Ｆ７は、スペクトログラムを所定時間単位で分割したセグメントデータを生成する。

【0128】

出力部１０Ｆ８は、学習済みモデルＭＤＬにより、セグメントデータが心拍を示すデータである確率値を出力する。

【0129】

そして、出力部１０Ｆ８が出力する確率値を第１実施形態におけるピーク間値に用いると、選択部１０Ｆ６は、最尤推定法で確からしさが最も高い系列を選択して心拍を精度良く計測できる。例えば、第１実施形態と同様に、積分値計算部１０Ｆ３、ピーク特定部１０Ｆ４、及び、ピークセット生成部１０Ｆ５等を有する構成によってピークセットを生成する。

【0130】

また、学習済みモデルＭＤＬは、セグメントデータＳＧと、心拍を示すか否かの正解データＨＢとをセットにした教師データＤＴを用いて、学習モデルＭＤＬＢを学習させて生成する。なお、学習モデルＭＤＬＢの学習は、他の装置で行われてもよいし、ＰＣ１０が行ってよい。又は、学習モデルＭＤＬＢの学習は、他の装置で行われた後、追加してＰＣ１０が行ってもよい。

【0131】

＜第３実施形態＞
第３実施形態は、第１実施形態に示す方法で計算されるブランチメトリックと、第２実施形態に示す方法で計算されるブランチメトリックとを組み合わせる実施形態である。

【0132】

具体的には、第３実施形態では、下記（１３）式のように、ブランチメトリック「Ｐ'（Ｓ_ｉ）」（以下「評価値」という。）を計算する。

【0133】

【数13】

上記（１３）式における「Ｐ（Ｓ_ｉ）」は、第１実施形態に示す方法、すなわち、隣接する心拍間隔の差に基づいて計算される確からしさ（以下「パラメータ」という。）である。また、上記（１３）式における「Ｐ（Ｔ_ｉ）」（以下「第１確率値」という。）、「Ｐ（Ｔ_ｉ＋１）」（以下「第２確率値」という。）、及び、「Ｐ（Ｔ_ｉ＋２）」（以下「第３確率値」という。）は、第２実施形態に示す方法、すなわち、学習済みモデルが出力する３つのピークに対するそれぞれの確率値の計算結果である。

【0134】

上記（１３）式に示す計算では、パラメータ「Ｐ（Ｓ_ｉ）」は、第１確率値「Ｐ（Ｔ_ｉ）」のピーク、及び、第２確率値「Ｐ（Ｔ_ｉ＋１）」のピークによって構成される第１心拍間隔と、第２確率値「Ｐ（Ｔ_ｉ＋１）」のピーク、及び、第３確率値「Ｐ（Ｔ_ｉ＋２）」のピークによる第２心拍間隔との差に基づいて計算される。

【0135】

そして、上記（１３）式に示す計算では、第２実施形態に示す方法により、２つの心拍間隔を構成する３つのピークの確からしさを計算して、第１確率値「Ｐ（Ｔ_ｉ）」、第２確率値「Ｐ（Ｔ_ｉ＋１）」、及び、第３確率値「Ｐ（Ｔ_ｉ＋２）」とする。

【0136】

したがって、評価値「Ｐ'（Ｓ_ｉ）」は、パラメータ「Ｐ（Ｓ_ｉ）」、第１確率値「Ｐ（Ｔ_ｉ）」、第２確率値「Ｐ（Ｔ_ｉ＋１）」、及び、第３確率値「Ｐ（Ｔ_ｉ＋２）」を乗算して計算される。

【0137】

上記（１３）式における各項は、以下のように示せる。

【0138】

図１７は、第３実施形態における心拍間隔及び確率値の例を示す図である。例えば、「ｉ」、「ｉ＋１」、「ｉ＋２」、・・・の順にピークが発生する。この例では、時点「Ｔ_ｉ」及び時点「Ｔ_ｉ＋１」に発生するピークを第１ピーク及び第２ピークとした第１心拍間隔「ＲＲＩ_ｉ」となる。そして、第１心拍間隔「ＲＲＩ_ｉ」に隣接する第２心拍間隔「ＲＲＩ_ｉ＋１」は、時点「Ｔ_ｉ＋１」及び時点「Ｔ_ｉ＋２」に発生するピークを第１ピーク及び第２ピークとして計算される。

【0139】

このように計算すると、上記（９）式に示す、隣接するＲＲＩの差のセットから、最も確からしい系列である選択系列セット「Ｘ_Ｓ」が選択される。このような選択は、下記（１４）式のように示せる。

【0140】

【数14】

なお、上記（１４）式における「Ｍ」は、推定する心拍間隔の数を示す。このように、ピークの確からしさ、及び、隣接する心拍間隔の差による確からしさを総じて評価すると、精度良く心拍を計測できる。

【0141】

＜実験結果＞
第３実施形態に示す方法で選択した系列の精度を実験した結果を以下に示す。

【0142】

図１８は、第３実施形態の第１実験結果を示す図である。

【0143】

図１９は、第３実施形態の第２実験結果を示す図である。

【0144】

図１８と図１９では、被験者が異なる。そして、図１８と図１９は、真値として心電計（ｅｌｅｃｔｒｏｃａｒｄｉｏｇｒａｐｈ、以下「ＥＣＧ」という。）の計測結果（図における「Ａｃｔｕａｌ ＲＲＩ ｂｙ ＥＣＧ」が心電計による計測結果を示す。）を示す。また、図１８と図１９では、比較例として、単純なピーク検出を行ってＲＲＩを計算した結果（図における「ＲＲＩ ｂｙ ｓｉｍｐｌｅ ｐｅａｋ ｄｅｔｅｃｔｉｏｎ」が示す。）を示す。一方で、図における「ＲＲＩ ｂｙ ｐｒｏｐｏｓｅｄ ｐｅａｋ ｄｅｔｅｃｔｉｏｎ」が第３実施形態に示す方法によってＲＲＩを計算した結果である。

【0145】

比較は、下記（１５）式に示すＲＭＳＥ（Ｒｏｏｔ Ｍｅａｎ Ｓｑｕａｒｅ Ｅｒｒｏｒ、二乗平均平方根誤差）で行った。

【0146】

【数15】

上記（１５）式で計算されるＲＭＳＥの値は、小さい値であるほど、ＥＣＧに近い計測ができていることを示す評価指標である。そして、比較例は、ＲＭＳＥの値が「１４４［ｍｓ］」及び「１８５［ｍｓ］」であったのに対して、第３実施形態に示す方法は、ＲＭＳＥの値が「７０［ｍｓ］」及び「８５［ｍｓ］」であった。このように、第３実施形態に示す方法で計測すると、心拍を精度良く計測できる。

【0147】

また、評価値の計算は、下記（１６）式のように、重み付けを行って計算してもよい。

【0148】

【数16】

上記（１６）式における「α」は「重み係数」である。なお、他の変数は、上記（１３）式と同様である。上記（１６）式は、上記（１３）式と比較すると、パラメータ「Ｐ（Ｓ_ｉ）」に重み係数「α」を乗じ、かつ、第１確率値等の確率値に、重み係数「α」を「１」から減算した値である「１－α」を乗じている点が異なる。

【0149】

なお、重み係数「α」は、例えば、事前に設定される。上記（１６）式のように、心拍間隔に基づくパラメータと、ピークの確率値のどちらに重きを置くかを重み係数「α」で設定できてもよい。例えば、心拍間隔に基づくパラメータと、ピークの確率値のどちらが重要かは、被験者の状態等によって変化する場合がある。このような変化があっても、上記（１６）式のように重み係数が設定できると、精度良く心拍が計測できる。

【0150】

＜第４実施形態＞
第４実施形態では、セグメントデータＳＧにおけるスペクトルの対称性を考慮する。以下、第１実施形態及び第２実施形態と異なる点を中心に説明し、重複する説明を省略する。例えば、スペクトログラムＳＰＥから、第２実施形態に示す方法で以下のようなセグメントデータＳＧが生成される例で説明する。

【0151】

図２０は、第４実施形態におけるスペクトログラム及びセグメントデータの例を示す図である。具体的には、図２０（Ａ）に示すようなスペクトログラムＳＰＥにおいて、スペクトログラムＳＰＥを分割して図２０（Ｂ）に示すようなセグメントデータＳＧが生成されるとする。なお、セグメントデータＳＧは、ウィンドウを時間に沿って（図では右方向となる。）ずらし、それぞれのウィンドウごとに生成される。

【0152】

次に、図２０（Ｂ）に示すに、セグメントデータＳＧを時間（図では、横軸の長さである。）が等分、かつ、周波数を正負で分けて（図では、０Ｈｚで区切ることである。）４つの領域を生成する。以下、領域を「第１領域Ｅ１」、「第２領域Ｅ２」、「第３領域Ｅ３」、及び、「第４領域Ｅ４」という。

【0153】

第１領域Ｅ１乃至第４領域のパワーを要素とする行列を「第１行列Ｑ_１」乃至「第４行列Ｑ_４」とすると、時系列信号「ｓ」を下記（１７）式のように計算して得る。

【0154】

【数17】

上記（１７）式において、「．＋」は要素同士の加算を示す。また、「．×」は要素同士の積算を示す。さらに、「ｆｌｉｐｌｒ」は、行列の列方向を反転する操作を示す。第１領域Ｅ１乃至第４領域を行列と見做す場合には、第１行列Ｑ_１乃至第４行列Ｑ_４の行は、数が一致する。同様に、第１行列Ｑ_１乃至第４行列Ｑ_４の列は、数が一致する。したがって、「ｆｌｉｐｌｒ」に行と列を反転すると、第１行列Ｑ_１と第３行列Ｑ_３を加算した結果と、第２行列Ｑ_２と第４行列Ｑ_４を加算した結果を反転したものが積算できる。

【0155】

心拍を含む場合には、領域は対称性がある。具体的には、セグメントデータＳＧは、心拍を含む場合には、図２０（Ｂ）において、原点Ｐ０を中心に対称の分布となる。

【0156】

このように、セグメントデータＳＧにおける周波数成分のパワーに対称性があると、上記（１７）式の計算では、２つの行列を加算及び積算するため、パワーが生じている点は、大きな値となり、強調される。なお、加算又は積算のどちらか一方だけでも強調は可能である。一方で、対称性がない部分は小さな値となる。すなわち、心拍に起因しない部分は減衰できる。このように、対称性がある部分を強調すると、精度良く心拍を計測できる。

【0157】

例えば、上記（１７）式の計算を行うと、セグメントデータＳＧに含まれる対称となる部分を強調できる。具体的には、セグメントデータＳＧを時間及び周波数の絶対値で分割し、領域を生成する。このように生成される領域を行列とし、行列同士を、反転、加算及び積算すると、対称性のある周波数成分のパワーは強調される。

【0158】

＜実験結果＞
上記（１７）式で計算する時系列信号「ｓ」に対して、ウィンドウサイズを「１０秒」、ステップサイズを「１秒」とするＳＴＦＴ（Ｓｈｏｒｔ Ｔｉｍｅ Ｆｏｕｒｉｅｒ Ｔｒａｎｓｆｏｒｍ）を適用してスペクトログラムを算出した実験結果を以下に示す。また、それぞれのスペクトログラム上のパワーを周波数ごとに合算した結果を併せて以下に示す。

【0159】

図２１は、第４実施形態の第１実験結果を示す図である。

【0160】

図２２は、第４実施形態の第２実験結果を示す図である。

【0161】

図２３は、第４実施形態の第３実験結果を示す図である。

【0162】

図２１乃至図２３では、被験者が異なる。そして、各図における（Ａ）は、スペクトログラムの算出結果を示す。また、各図における（Ｂ）は、積分値を計算した結果を示す。

【0163】

各実験において、ＥＣＧによる計測結果を真値として計測した。

【0164】

第１実験では、真値は、０．７９Ｈｚであった。

【0165】

第２実験では、真値は、０．７５Ｈｚであった。

【0166】

第３実験では、真値は、１．２８Ｈｚであった。

【0167】

それぞれの（Ｂ）が示す結果では、いずれも真値の付近で最も積分値が大きな値となり、真値に近い精度良い計測ができた実験結果である。

【0168】

また、第４実施形態を用いた方法により、ＲＲＩを計算する実験を行った。

【0169】

図２４は、第４実施形態の心拍間隔を計算した第１実験結果を示す図である。

【0170】

図２５は、第４実施形態の心拍間隔を計算した第２実験結果を示す図である。

【0171】

図２６は、第４実施形態の心拍間隔を計算した第３実験結果を示す図である。

【0172】

図２４乃至図２６では、真値としてＥＣＧの計測結果を示す。図における「Ａｃｔｕａｌ ＲＲＩ ｂｙ ＥＣＧ」である。

【0173】

図における「ＲＲＩ ｂｙ Ｖｉｔｅｒｂｉ ｗｉｔｈ ｒｅｆｉｎｅｍｅｎｔ」に示すように、ＲＭＳＥが「７０ｍｓ」、「５３ｍｓ」、及び、「５１ｍｓ」となり、他の計測結果より精度良く心拍を計測できた。

【0174】

＜ドップラーレーダで計測するＩＱデータの例＞
図２７は、ドップラーレーダで計測するＩＱデータの例を示す図である。例えば、ドップラーレーダ１２は、図示するような信号を出力する。そして、ａｒｃｔａｎ（Ｑ／Ｉ）を計算すると、生体信号となる。

【0175】

ドップラーレーダ１２は、動く対象物に電波を照射することで反射波の周波数が変化するドップラー効果に基づいて対象物の動きを計測できる。このように、非接触に被験者の動きを計測できる構成が望ましい。

【0176】

＜変形例＞
なお、生体は、人に限られず、動物等でもよい。

【0177】

学習済みモデルは、ＡＩにおけるソフトウェアの一部として利用される。したがって、学習済みモデルは、プログラムである。そのため、学習済みモデルは、例えば、記録媒体又はネットワーク等を介して、頒布又は実行されてもよい。

【0178】

学習済みモデルは、例えば、ＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ、畳み込みニューラルネットワーク）、又は、ＲＮＮ（Ｒｅｃｕｒｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ、回帰型ニューラルネットワーク）等といったネットワーク構造を含む。また、学習済みモデルは、ネットワーク等を介して利用できるクラウド等で実現されてもよい。

【0179】

このように、機能構成のうち、「学習処理」用の構成と「実行処理」用の構成は、両方を含む構成でなくともよい。例えば、「学習処理」を行う段階では、「実行処理」用の構成を含まない構成でもよい。同様に、「実行処理」を行う段階では、「学習処理」用の構成を含まない構成でもよい。このように、「学習」及び「実行」の段階に分けて、行う処理とは異なる構成を除いた構成にできてもよい。なお、「学習処理」又は「学習処理」の後等に、ネットワーク構造における様々な設定は、ユーザによって調整されてもよい。

【0180】

＜その他の実施形態＞
例えば、送信器、受信器、又は、情報処理装置は、複数の装置であってもよい。すなわち、処理及び制御は、仮想化、並行、分散又は冗長して行われてもよい。一方で、送信器、受信器及び情報処理装置は、ハードウェアが一体又は装置を兼用してもよい。

【0181】

なお、本発明に係る各処理の全部又は一部は、アセンブラ等の低水準言語又はオブジェクト指向言語等の高水準言語で記述され、コンピュータに生体検出方法を実行させるためのプログラムによって実現されてもよい。すなわち、プログラムは、情報処理装置、又は、生体検出システム等のコンピュータに各処理を実行させるためのコンピュータプログラムである。

【0182】

したがって、プログラムに基づいて各処理が実行されると、コンピュータが有する演算装置及び制御装置は、各処理を実行するため、プログラムに基づいて演算及び制御を行う。また、コンピュータが有する記憶装置は、各処理を実行するため、プログラムに基づいて、処理に用いられるデータを記憶する。

【0183】

また、プログラムは、コンピュータが読み取り可能な記録媒体に記録されて頒布することができる。なお、記録媒体は、磁気テープ、フラッシュメモリ、光ディスク、光磁気ディスク又は磁気ディスク等のメディアである。さらに、プログラムは、電気通信回線を通じて頒布することができる。

【0184】

以上、好ましい実施の形態等について詳説したが、上述した実施の形態等に制限されることはなく、特許請求の範囲に記載された範囲を逸脱することなく、上述した実施の形態等に種々の変形及び置換を加えることができる。

【0185】

また、本国際出願は、２０２０年８月２１日に出願された日本国特許出願２０２０－１４０４０１に基づく優先権を主張するものであり、日本国特許出願２０２０－１４０４０１の全内容を本国際出願に援用する。

【符号の説明】

【0186】

１ 生体検出システム
２ 被験者
１０Ｆ１ 信号取得部
１０Ｆ２ 分析部
１０Ｆ３ 積分値計算部
１０Ｆ４ ピーク特定部
１０Ｆ５ ピークセット生成部
１０Ｆ６ 選択部
１０Ｆ６１ 心拍間隔計算部
１０Ｆ６２ 差分計算部
１０Ｆ７ 分割部
１０Ｆ８ 出力部
１１ アンプ
１２ ドップラーレーダ
１２ＬＮＡ 調整器
１２Ｒｘ 受信器
１２Ｓ ソース
１２Ｔｘ 発信器
１３ フィルタ
ＢＭ１２ 第１２ブランチメトリック
ＢＭ１３ 第１３ブランチメトリック
ＢＭ１４ 第１４ブランチメトリック
ＢＭ２３ 第２３ブランチメトリック
ＢＭ２４ 第２４ブランチメトリック
ＢＭ２５ 第２５ブランチメトリック
ＢＭ３４ 第３４ブランチメトリック
ＤＴ 教師データ
Ｅ１ 第１領域
Ｅ２ 第２領域
Ｅ３ 第３領域
Ｅ４ 第４領域
ＦＲ１ 心拍周波数成分
ＦＲ２ 正周波数成分
ＦＲ３ 負周波数成分
ＨＢ 正解データ
ＭＤＬ 学習済みモデル
ＭＤＬＢ 学習モデル
Ｐ０ 原点
ＰＫＳ１ 第１ピークセット
ＰＫＳ２ 第２ピークセット
ＰＫＳ３ 第３ピークセット
Ｑ１ 第１行列
Ｑ２ 第２行列
Ｑ３ 第３行列
Ｑ４ 第４行列
ＳＥＣ 系列
ＳＥＣ１ 第１区間
ＳＥＣ２ 第２区間
ＳＧ セグメントデータ
ＳＰＥ スペクトログラム
Ｔ１ 第１ピーク発生時間
Ｔ２ 第２ピーク発生時間
Ｔ１２ ピーク検出時間
ＴＲ１ 第１時点
ＴＲ２ 第２時点
ＴＲ３ 第３時点

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】

【図14】

【図15】

【図16】

【図17】

【図18】

【図19】

【図20】

【図21】

【図22】

【図23】

【図24】

【図25】

【図26】

【図27】