ホーム > 特許ランキング > 国立大学法人信州大学
特許7570631光電容積脈波を用いた血圧推定方法および血圧推定用コンピュータプログラム
(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】2024-10-11
(45)【発行日】2024-10-22
(54)【発明の名称】光電容積脈波を用いた血圧推定方法および血圧推定用コンピュータプログラム
(51)【国際特許分類】
A61B 5/021 20060101AFI20241015BHJP
A61B 5/02 20060101ALI20241015BHJP
【ＦＩ】
A61B5/021
A61B5/02 310A
【請求項の数】
8
(21)【出願番号】P 2021049892
(22)【出願日】2021-03-24
(65)【公開番号】P2022148276
(43)【公開日】2022-10-06
【審査請求日】2023-11-13
【新規性喪失の例外の表示】特許法第３０条第２項適用 掲載年月日：令和 ２年 ９月１８日 ｈｔｔｐｓ：／／ｍｅｄ－ｇａｋｋａｉ．ｊｐ／ｊｂｍｅｓ２０２０／
(73)【特許権者】
【識別番号】504180239
【氏名又は名称】国立大学法人信州大学
(74)【代理人】
【識別番号】100090170
【弁理士】
【氏名又は名称】横沢 志郎
(72)【発明者】
【氏名】阿部 誠
(72)【発明者】
【氏名】藤井 徹
【審査官】▲高▼ 芳徳
(56)【参考文献】
【文献】特開２０１０－１８７９９３（ＪＰ，Ａ）
【文献】特開平１０－２９５６５７（ＪＰ，Ａ）
【文献】特開２００６－２０４６４１（ＪＰ，Ａ）
【文献】特開２０２０－０９２７３８（ＪＰ，Ａ）
【文献】米国特許出願公開第２０１９／０１５９７３５（ＵＳ，Ａ１）
【文献】中国特許出願公開第１０７９２８６５４（ＣＮ，Ａ）
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ａ６１Ｂ ５／０２ － ５／０３
(57)【特許請求の範囲】
【請求項1】
コンピュータから構成される血圧推定装置によって、血圧測定対象者から測定した光電容積脈波から当該血圧測定対象者の血圧を推定する光電容積脈波を用いた血圧推定方法であって、同時に測定された被験者の最高血圧および光電容積脈波を学習血圧データおよび学習脈波データとして取得する学習データ取得ステップと、
血圧測定対象者から測定した光電容積脈波を測定脈波データとして取り込む測定データ取込ステップと、
前記学習脈波データおよび前記測定脈波データのそれぞれを、拍ごとの脈波波形に分割し、拍ごとの前記脈波波形のそれぞれから複数の脈波特徴量を、それぞれ学習脈波特徴量および測定脈波特徴量として算出する特徴量算出ステップと、
前記学習脈波特徴量および前記測定脈波特徴量のそれぞれに対して、Ｚ－ｓｃｏｒｅ ｎｏｒｍａｌｉｚａｔｉｏｎによる正規化処理を施し、正規化後の前記学習脈波特徴量および前記測定脈波特徴量のそれぞれを、特徴量ごとに連結して再度、Ｚ－ｓｃｏｒｅ ｎｏｒｍａｌｉｚａｔｉｏｎによる正規化処理を施し、正規化後の連結状態の前記学習脈波特徴量および前記測定脈波特徴量を再び分割して、正規化学習脈波特徴量および正規化測定脈波特徴量とする特徴量正規化ステップと、
拍ごとの前記学習血圧データを目的変数とし、前記学習血圧データに対応する前記学習脈波データの前記脈波波形のそれぞれから算出された前記正規化学習脈波特徴量を説明変数として、血圧推定用の重回帰モデルを構築する重回帰分析ステップと、
前記重回帰モデルを用いて、前記血圧測定対象者から測定された前記測定脈波データから得られる前記正規化測定脈波特徴量を説明変数とし、前記血圧測定対象者の拍ごとの最高血圧を目的変数として出力する血圧推定ステップと、
を備えていることを特徴とする光電容積脈波を用いた血圧推定方法。
【請求項2】
請求項１において、前記重回帰モデルの構築に用いる前記脈波特徴量は、
前記脈波波形から抽出される以下の７つの特徴量（１）～（７）と、前記脈波波形を２次微分して得られる加速度脈波の波形から得られる以下の４つの特徴量（８）～（１１）である光電容積脈波を用いた血圧推定方法。
（１）脈波波形における立ち上がり点から次の立ち上がり点までの時間間隔
（２）脈波波形における振幅の最大点から次の立ち上がり点までの時間間隔
（３）脈波波形における立ち上がり点から傾きが最大となる点までの時間
（４）脈波波形における振幅の最小値
（５）脈波波形における振幅の最大値
（６）脈波波形における傾きが最大となる点における振幅値
（７）脈波波形の１拍内の面積を、前記立ち上がり点から次の立ち上がり点までの時間間隔で除した値
（８）加速度脈波における収縮初期陽性波の最大振幅
（９）加速度脈波における収縮初期陽性波の立ち上がり開始時点から最大振幅の時点までの時間
（１０）加速度脈波における収縮初期陰性波の最大振幅
（１１）加速度脈波における収縮初期陰性波の立ち上がり開始時点から最大振幅の時点までの時間
【請求項3】
請求項１または２において、前記学習血圧データから算出される学習最高血圧の平均値と、前記血圧測定対象者から測定された実測最高血圧の平均値との間の差分を算出し、前記差分を用いて、前記血圧推定ステップを実行して得られた拍ごとの最高血圧からなる推定血圧データのバイアス調整を行うバイアス調整ステップを備えている光電容積脈波を用いた血圧推定方法。
【請求項4】
請求項３において、前記血圧推定ステップを実行して得られた前記推定血圧データを、スプライン補間を用いて、拍スケールから時間スケールのデータに変換するスケール変換ステップと、
スケール変換後の前記推定血圧データを所定時間幅毎の血圧移動平均データに変換する移動平均ステップと、
を備えており、
バイアス調整ステップにおいては、前記血圧移動平均データに対して前記バイアス調整を行う光電容積脈波を用いた血圧推定方法。
【請求項5】
コンピュータに、血圧測定対象者から測定した光電容積脈波から当該血圧測定対象者の血圧を推定する血圧推定方法を実行させるための光電容積脈波を用いた血圧推定用コンピュータプログラムであって、同時に測定された被験者の最高血圧および光電容積脈波を学習血圧データおよび学習脈波データとして取得する学習データ取得ステップと、
血圧測定対象者から測定した光電容積脈波を測定脈波データとして取り込む測定データ取込ステップと、
前記学習脈波データおよび前記測定脈波データのそれぞれを、拍ごとの脈波波形に分割し、拍ごとの前記脈波波形のそれぞれから複数の脈波特徴量を、それぞれ学習脈波特徴量および測定脈波特徴量として算出する特徴量算出ステップと、
前記学習脈波特徴量および前記測定脈波特徴量のそれぞれに対して、Ｚ－ｓｃｏｒｅ ｎｏｒｍａｌｉｚａｔｉｏｎによる正規化処理を施し、正規化後の前記学習脈波特徴量および前記測定脈波特徴量のそれぞれを、特徴量ごとに連結して再度、Ｚ－ｓｃｏｒｅ ｎｏｒｍａｌｉｚａｔｉｏｎによる正規化処理を施し、正規化後の連結状態の前記学習脈波特徴量および前記測定脈波特徴量を再び分割して、正規化学習脈波特徴量および正規化測定脈波特徴量とする特徴量正規化ステップと、
拍ごとの前記学習血圧データを目的変数とし、前記学習血圧データに対応する前記学習脈波データの前記脈波波形のそれぞれから算出された前記正規化学習脈波特徴量を説明変数として、血圧推定用の重回帰モデルを構築する重回帰分析ステップと、
前記重回帰モデルを用いて、前記血圧測定対象者から測定された前記測定脈波データから得られる前記正規化測定脈波特徴量を説明変数とし、前記血圧測定対象者の拍ごとの最高血圧を目的変数として出力する血圧推定ステップと、
を前記コンピュータに実行させることを特徴とする光電容積脈波を用いた血圧推定用コンピュータプログラム。
【請求項6】
請求項５において、前記重回帰モデルの構築に用いる前記脈波特徴量は、
前記脈波波形から抽出される以下の７つの特徴量（１）～（７）と、前記脈波波形を２次微分して得られる加速度脈波の波形から得られる以下の４つの特徴量（８）～（１１）である光電容積脈波を用いた血圧推定用コンピュータプログラム。
（１）脈波波形における立ち上がり点から次の立ち上がり点までの時間間隔
（２）脈波波形における振幅の最大点から次の立ち上がり点までの時間間隔
（３）脈波波形における立ち上がり点から傾きが最大となる点までの時間
（４）脈波波形における振幅の最小値
（５）脈波波形における振幅の最大値
（６）脈波波形における傾きが最大となる点における振幅値
（７）脈波波形の１拍内の面積を、前記立ち上がり点から次の立ち上がり点までの時間間隔で除した値
（８）加速度脈波における収縮初期陽性波の最大振幅
（９）加速度脈波における収縮初期陽性波の立ち上がり開始時点から最大振幅の時点までの時間
（１０）加速度脈波における収縮初期陰性波の最大振幅
（１１）加速度脈波における収縮初期陰性波の立ち上がり開始時点から最大振幅の時点までの時間
【請求項7】
請求項５または６において、更に、前記学習血圧データから算出される学習最高血圧の平均値と、前記血圧測定対象者から測定された実測最高血圧の平均値との間の差分を算出し、前記差分を用いて、前記血圧推定ステップを実行して得られた拍ごとの最高血圧からなる推定血圧データのバイアス調整を行うバイアス調整ステップを前記コンピュータに実行させる光電容積脈波を用いた血圧推定用コンピュータプログラム。
【請求項8】
請求項７において、更に、前記血圧推定ステップを実行して得られた前記推定血圧データを、スプライン補間を用いて、拍スケールから時間スケールのデータに変換するスケール変換ステップと、
スケール変換後の前記推定血圧データを所定時間幅毎の血圧移動平均データに変換する移動平均ステップと、
を前記コンピュータに実行させ、
前記バイアス調整ステップにおいては、前記血圧移動平均データに対して前記バイアス調整を行う光電容積脈波を用いた血圧推定用コンピュータプログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、血圧測定対象者の指尖等に取り付けた光電容積脈波センサによって測定される光電容積脈波を用いて当該血圧測定対象者の血圧を推定する血圧推定方法、および、当該血圧推定方法をコンピュータに実行させるための血圧推定用コンピュータプログラムに関する。
【背景技術】
【0002】
近年、センシング技術の進歩と共に、多くの生体信号が高精度に測定可能となっている。生活習慣病の発症に大きく関係する血圧を測定する手段としては、カフを用いて血管壁の振動を圧センサで測定するオシロメトリック法が主流となっている。しかし、オシロメトリック法はカフによる圧迫感、正しい姿勢を強制される、連続的に血圧値を測定できない、といった欠点がある。この欠点をおぎなえる方法として、光電容積脈波（ｐｈｏｔｏｐｌｅｔｈｙｓｍｏｇｒａｐｈｙ：ＰＰＧ）センサを用いたウェアラブル端末による測定方法がある。ＰＰＧは末梢血管の容積変化を反映しており、脈波情報から心拍数をはじめとする多くの生体情報が得られる。また、ＰＰＧセンサはカフを用いないことから拘束感が少なく小型化が可能で、安価であるといった特徴を持つことから、ウェアラブル端末に搭載されている。
【0003】
光電容積脈波（ＰＰＧ）は心拍数情報を反映するだけでなく、血液の駆出量や血管抵抗といった循環器系のパラメータの影響によって変化するという特徴を持つ。そのため、ＰＰＧ信号には、血圧の決定因子が含まれていると考えられている（非特許文献１）。ＰＰＧを用いて血圧を推定する研究も行われており、重回帰モデルを用いた血圧推定に関する研究としては、近藤らの夜間就寝時の血圧変動推定があり、重回帰分析を行うことで、ＰＰＧのみの計測から夜間睡眠時の血圧変動が推定できることが示されている（同文献）。
【0004】
また、ＰＰＧを用いた血圧推定に関する秋山らの研究（非特許文献２、３）では、ＰＰＧから得られる情報を用いて個人モデルを構築し、血圧の推定を行っている。さらに、秋山らの研究（非特許文献２）では、ＰＰＧ波形から７つの特徴量を算出し、血圧推定に用いることが有効であると報告している。また、複数部位（指尖，手首，前腕，上腕）で測定した脈波データから重回帰モデルを構築し、その結果、複数部位で測定されたＰＰＧデータを組み合わせることで、高精度のモデルが構築できることを示している。特に、指尖部で測定した脈波データを用いることでより推定精度が向上したとされている。
【先行技術文献】
【非特許文献】
【0005】
【文献】近藤里帆，河中治樹，小栗宏次，“夜間就寝時における光電容積脈波センサのみを用いたカフレス血圧変動量推定”，電子情報通信学会技術研究報告，113(241)：7-1．2013．
【文献】秋山航，阿部誠“ 緑色光による光電容積脈波を用いた血圧推定”，信州大学工学部情報工学科平成28年度卒業論文，2017．
【文献】秋山航，阿部誠“ 緑色光による光電容積脈波を用いた血圧推定”，信州大学大学院総合理工学研究科工学専攻平成30年度修士学位論文，2019．
【発明の概要】
【発明が解決しようとする課題】
【0006】
しかしながら、いまだにＰＰＧを用いた高精度な血圧測定を実現したウェアラブル端末は存在しない。ＰＰＧセンサを搭載したウェアラブル端末を用いて、手軽で低負担、かつ連続的な高精度血圧測定が可能となれば、日常の血圧を常時モニタリングできる。これにより、健康診断では発見が困難な仮面高血圧の発見を可能にすることから、今後の予防医療に大きな知見をもたらすことができると考えられる。
【0007】
ここで、非特許文献２に記載の重回帰モデルを用いた血圧推定には、被験者ごとに個人モデルを構築する時間と手間がかかるといった問題がある。また、複数部位における脈波測定は、拘束感が強く、手軽に計測できないといった課題がある。
【0008】
これらの問題、課題を解決するためには、少量の学習データ、例えば、一人の被験者から得られるＰＰＧデータおよび血圧データのみを学習データとして用いて、他人の血圧を、測定したＰＰＧに基づき、高い精度で推定できる汎用的な重回帰モデルを構築できることが望まれる。また、指尖などの単一の部位で測定したＰＰＧに基づき、高い精度で血圧を推定できる重回帰モデルを構築できることが望まれる。
【0009】
本発明の目的は、このような点に鑑みて、ＰＰＧデータのみから血圧を推定できる汎化モデルを構築し、これを用いて、高精度で汎用性のある血圧推定を実現可能な光電容積脈波を用いた血圧推定方法を提案することにある。
また、本発明の目的は、当該血圧推定方法をコンピュータに実行させるための血圧推定用コンピュータプログラムを提供することにある。
また、本発明の目的は、当該血圧推定方法をコンピュータに実行させるための血圧推定用コンピュータプログラムを提供することにある。
【課題を解決するための手段】
【0010】
本発明の光電容積脈波を用いた血圧推定方法では、コンピュータから構成される血圧推定装置が、血圧測定対象者から測定した光電容積脈波から当該血圧測定対象者の血圧を推定するために、以下のステップを実行する。
同時に測定された被験者の最高血圧および光電容積脈波を学習最高血圧データおよび学習脈波データとして取得する（通常は事前に取得して保持する）学習データ取得ステップ
血圧測定対象者から測定した光電容積脈波を測定脈波データとして取り込む測定データ取込ステップ
前記学習脈波データおよび前記測定脈波データのそれぞれを、拍ごとの脈波波形に分割し、拍ごとの前記脈波波形のそれぞれから複数の脈波特徴量を、それぞれ学習脈波特徴量および測定脈波特徴量として算出する特徴量算出ステップ
前記学習脈波特徴量および前記測定脈波特徴量のそれぞれに対して、Ｚ－ｓｃｏｒｅ ｎｏｒｍａｌｉｚａｔｉｏｎによる正規化処理を施し、正規化後の前記学習脈波特徴量および前記測定脈波特徴量のそれぞれを、特徴量ごとに連結して再度、Ｚ－ｓｃｏｒｅ ｎｏｒｍａｌｉｚａｔｉｏｎによる正規化処理を施し、正規化後の連結状態の前記学習脈波特徴量および前記測定脈波特徴量を再び分割して、正規化学習脈波特徴量および正規化測定脈波特徴量を得る特徴量正規化ステップ
前記学習データにおける拍ごとの前記学習最高血圧データを目的変数とし、前記学習最高血圧データに対応する前記学習脈波波形から算出された前記正規化学習脈波特徴量を説明変数として、血圧推定用の重回帰モデルを構築する重回帰分析ステップ
前記重回帰モデルを用いて、前記血圧測定対象者から測定された前記測定脈波データから得られる前記正規化測定脈波特徴量を説明変数に割り当て、前記血圧測定対象者の拍ごとの最高血圧を目的変数として出力する血圧推定ステップ
同時に測定された被験者の最高血圧および光電容積脈波を学習最高血圧データおよび学習脈波データとして取得する（通常は事前に取得して保持する）学習データ取得ステップ
血圧測定対象者から測定した光電容積脈波を測定脈波データとして取り込む測定データ取込ステップ
前記学習脈波データおよび前記測定脈波データのそれぞれを、拍ごとの脈波波形に分割し、拍ごとの前記脈波波形のそれぞれから複数の脈波特徴量を、それぞれ学習脈波特徴量および測定脈波特徴量として算出する特徴量算出ステップ
前記学習脈波特徴量および前記測定脈波特徴量のそれぞれに対して、Ｚ－ｓｃｏｒｅ ｎｏｒｍａｌｉｚａｔｉｏｎによる正規化処理を施し、正規化後の前記学習脈波特徴量および前記測定脈波特徴量のそれぞれを、特徴量ごとに連結して再度、Ｚ－ｓｃｏｒｅ ｎｏｒｍａｌｉｚａｔｉｏｎによる正規化処理を施し、正規化後の連結状態の前記学習脈波特徴量および前記測定脈波特徴量を再び分割して、正規化学習脈波特徴量および正規化測定脈波特徴量を得る特徴量正規化ステップ
前記学習データにおける拍ごとの前記学習最高血圧データを目的変数とし、前記学習最高血圧データに対応する前記学習脈波波形から算出された前記正規化学習脈波特徴量を説明変数として、血圧推定用の重回帰モデルを構築する重回帰分析ステップ
前記重回帰モデルを用いて、前記血圧測定対象者から測定された前記測定脈波データから得られる前記正規化測定脈波特徴量を説明変数に割り当て、前記血圧測定対象者の拍ごとの最高血圧を目的変数として出力する血圧推定ステップ
【0011】
重回帰モデルの構築においては、後述のように、ＰＰＧ波形から得られる特徴量７個、加速度脈波から得られる特徴量４個の計１１個の脈波特徴量を説明変数とし、最高血圧（ｓｙｓｔｏｌｉｃ ｂｌｏｏｄ ｐｒｅｓｓｕｒｅ：ＳＢＰ）を目的変数として用いている。
【0012】
血圧推定に用いる測定データであるＰＰＧは、血管中の血流量の変化に伴う光量の変化を電気的な信号で表すため、計測環境の差異や個人差によって大きな影響を受ける。これに伴い、学習データ取得対象の被験者、血圧測定対象者ごとに、ＰＰＧ信号から得られる特徴量の分布に大きな差異が見受けられる。脈波特徴量の分布に差があると、算出された推定血圧が実際の血圧と大きくずれてしまい、結果的に推定誤差の拡大につながる。
【0013】
本発明では、前処理として、学習データから算出された脈波特徴量および血圧測定対象者から得られる脈波特徴量の双方に、Ｚ－ｓｃｏｒｅ ｎｏｒｍａｌｉｚａｔｉｏｎによる正規化を施すことで、脈波特徴量の分布を平均０、標準偏差１としている（特徴量正規化ステップ）。こうして得られた正規化データから血圧を推定する重回帰モデルを構築し、これを用いて、血圧測定対象者から得られた脈波特徴量の正規化データから推定血圧を算出している。本発明者等の検証によれば、計測環境の差異や個人差によって生じる脈波特徴量の分布の差による影響が低減され、他人の学習データから構築された重回帰モデルによる血圧推定において、血圧推定精度が向上し、脈波特徴量の正規化が重回帰モデルの汎用化に有効な手段であることが確認された。
【0014】
また、本発明では、上記の各ステップに加えて、重回帰モデルを用いて推定した最高血圧に対して、後処理として、バイアス調整を行っている。バイアス調整ステップでは、学習データにおける学習最高血圧の平均値と、血圧測定対象者から測定された実測最高血圧の平均値との間の差分を算出し、差分を用いて、血圧推定ステップを実行して得られた拍ごとの最高血圧からなる推定血圧データのバイアス調整を行う。
【0015】
学習データと測定データの間の光電容積脈波の分布に差が生じる場合、重回帰モデルの出力値が正しく推定されない可能性がある。本発明者等の検証によれば、バイアス調整を行うことで、最高血圧（ＳＢＰ）の分布の差異による影響を排除でき、他人の重回帰モデルによる血圧推定において、血圧推定精度が向上し、バイアス調整が重回帰モデルの汎用化に有効な手段であることが確認された。
【0016】
なお、本発明においては、波形を滑らかにすることでＳＢＰの変動をとらえやすくするために、血圧推定ステップを実行して得られた推定血圧データを、スプライン補間を用いて、拍スケールから時間スケールのデータに変換するスケール変換ステップを行い、スケール変換後の推定血圧データを所定時間幅毎の血圧移動平均データに変換する移動平均ステップを実行している。
【発明の効果】
【0017】
本発明によれば、ＰＰＧの特徴量の正規化を行うことで、また、好ましくは、特徴量の正規化および推定されたＳＢＰのバイアス調整を行うことで、少量の学習データ、例えば、一人の被験者から得られるＰＰＧデータおよび血圧データのみを学習データとして用いて、他人の血圧を高い精度で推定できる汎用的な重回帰モデルを構築できる。
【図面の簡単な説明】
【0018】
【図1】（Ａ）は、本発明の方法により血圧推定を行う光電容積脈波を用いた血圧推定システムの一例を示す概略構成図であり、（Ｂ）は血圧推定装置におけるデータ処理部を中心に実行される血圧推定用の各処理動作を示す概略ブロック図である。
【図2】ＰＰＧセンサから測定されるＰＰＧ波形の例を示す波形図である。
【図3】ＰＰＧ波形および算出される７つの特徴量を示す波形図である。
【図4】加速度脈波波形の例を示す波形図である。
【図5】（Ａ）は重回帰モデル構築の流れを示す説明図であり、（Ｂ）は推定血圧値の算出とモデルの推定精度の評価の流れを示す説明図である。
【図6】データの検証実験の概略図である。
【図7】学習データとテストデータの割り当てを示す説明図である。
【図8】検証１の流れを示す説明図である。
【図9】推定血圧の移動平均を示す説明図（非特許文献２）である。
【図10】Ｓｕｂ０１とＳｕｂ０５のＰＷｍａｘ波形を示す波形図である。
【図11】正規化の手順を示す説明図である。
【図12】検証２の流れを示す説明図である。
【図13】検証１（正規化なし）と検証２（正規化後）の相関係数を比較したグラフである。
【図14】検証１（正規化なし）と検証２（正規化後）のＲＭＳＥを比較したグラフである。
【図15】Ｓｕｂ０２で検証時の学習データ（Ｓｕｂ０１）とテストデータ（Ｓｕｂ０２）のＳＢＰの分布、及び推定ＳＢＰの波形と実測ＳＢＰの波形を示す波形図である。
【図16】Ｓｕｂ０２で検証時の学習データ（Ｓｕｂ０１）とテストデータ（Ｓｕｂ０３）のＳＢＰの分布、及び推定ＳＢＰの波形と実測ＳＢＰの波形を示す波形図である。
【図17】検証３の流れを示す説明図である。
【図18】平均ＳＢＰの算出手順を示す説明図である。
【図19】検証１（正規化なし）、検証２（正規化後）および検証３（血圧バイアス調整後）の相関係数を比較したグラフである。
【図20】検証１（正規化なし）、検証２（正規化後）および検証３（血圧バイアス調整後）のＲＭＳＥを比較したグラフである。
【図21】正規化後および血圧バイアス調整後のそれぞれにおける実測ＳＢＰと推定ＳＢＰの波形を比較して示す波形図である。
【図22】学習データとテストデータの割り当てを示す説明図である。
【図23】検証４の結果を示す図表である。
【発明を実施するための形態】
【0019】
以下に、図面を参照して、本発明の光電容積脈波を用いた血圧推定方法の実施の形態を説明する。
【0020】
[システム構成例]
図１（Ａ）は、本発明の方法により血圧推定を行う光電容積脈波を用いた血圧推定システムの一例を示す概略構成図である。血圧推定システム１は、光電容量脈波センサ（ＰＰＧセンサ）２と、コンピュータを中心に構成された血圧推定装置３とを備えている。ＰＰＧセンサ２は例えば近赤外光ＰＰＧセンサである。
図１（Ａ）は、本発明の方法により血圧推定を行う光電容積脈波を用いた血圧推定システムの一例を示す概略構成図である。血圧推定システム１は、光電容量脈波センサ（ＰＰＧセンサ）２と、コンピュータを中心に構成された血圧推定装置３とを備えている。ＰＰＧセンサ２は例えば近赤外光ＰＰＧセンサである。
【0021】
血圧推定装置３は、ＰＰＧセンサ２で測定された光電容量脈波の脈波データが入力される入力部４と、入力された脈波データに基づき重回帰モデルを用いて血圧を推定するデータ処理部５と、データ処理部５から得られる推定血圧である推定最高血圧（推定ＳＢＰ）を出力する出力部６と、メモリ７とを備えている。データ処理部５は、メモリ７に予めインストールされた血圧推定用プログラムあるいは外部からダウンロードした血圧推定用プログラムを実行することにより、測定されたＰＰＧから重回帰モデルを用いて最高血圧を推定するための各処理動作を行う。
【0022】
図１（Ｂ）は血圧推定装置３におけるデータ処理部５を中心に実行される血圧推定用の各処理動作を示す概略ブロック図である。血圧推定装置３のメモリ７には、血圧推定用の重回帰モデル構築に用いる学習データ１１が保存される（学習データ取得ステップ）。学習データ１１には、例えば、一人の被験者から同時に測定された血圧および光電容積脈波（ＰＰＧ）が、それぞれ学習血圧データ１２および学習脈波データ１３として含まれている。学習血圧データ１２は、例えば、指尖連続血圧計により計測した連続血圧波形データである。学習脈波データ１３は、反射型近赤外光ＰＰＧセンサにより計測したＰＰＧの脈波データである。
【0023】
血圧測定に当たっては、血圧測定対象者Ｓｕｂの例えば指先にＰＰＧセンサ２が取り付けられる。ＰＰＧセンサ２から得られるＰＰＧの測定脈波データ１４は、入力部４を介してデータ処理部５の脈波特徴量算出部１５に取り込まれる（測定データ取込ステップ）。脈波特徴量算出部１５には、学習データ１１の学習脈波データ１３も取り込まれる。脈波特徴量算出部１５では、測定脈波データ１４を、拍ごとの脈波波形に分割し、拍ごとの脈波波形から複数の脈波特徴量を、測定脈波特徴量として算出し、学習データ１１の学習脈波データ１３についても脈波特徴量を、学習脈波特徴量として算出する（特徴量算出ステップ）。本例では後述のように１１種類の脈波特徴量を算出している。
【0024】
算出された測定脈波特徴量および学習脈波特徴量のそれぞれは、脈波特徴量正規化部１６に取り込まれて、正規化処理が施される（特徴量正規化ステップ）。具体的には、学習脈波特徴量および測定脈波特徴量のそれぞれに対して、Ｚ－ｓｃｏｒｅ ｎｏｒｍａｌｉｚａｔｉｏｎによる正規化を施し、正規化した学習脈波特徴量および測定脈波特徴量のそれぞれを、特徴量ごとに連結して再度、Ｚ－ｓｃｏｒｅ ｎｏｒｍａｌｉｚａｔｉｏｎによる正規化を施す。正規化後の連結状態の学習脈波特徴量および測定脈波特徴量を、再び分割して、正規化学習脈波特徴量および正規化測定脈波特徴量を得ている。
【0025】
正規化学習脈波特徴量および正規化測定脈波特徴量のそれぞれは、重回帰分析部１７に取り込まれる。重回帰分析部１７は、学習データ１１における拍ごとの最高血圧（ｓｙｓｔｏｌｉｃ ｂｌｏｏｄ ｐｒｅｓｓｕｒｅ：ＳＢＰ）を目的変数とし、最高血圧と対応した脈波波形のそれぞれから算出された正規化学習脈波特徴量を説明変数とする重回帰分析を行い、測定した光電容積脈波から最高血圧を推定するための重回帰モデル１８を構築する（重回帰分析ステップ）。
【0026】
重回帰分析部１７では、血圧測定対象者Ｓｕｂから測定された測定脈波データ１４から得られる正規化測定脈波特徴量を説明変数として用いて、構築された重回帰モデル１８から、血圧測定対象者Ｓｕｂの最高血圧（ＳＢＰ）を推定する（血圧推定ステップ）。
【0027】
重回帰モデル１８を用いて１拍ごとに推定される推定ＳＢＰデータは、スケール変換部１９に取り込まれて、スプライン補間が施され、拍スケールから時間スケールの推定ＳＢＰデータに変換される（スケール変換ステップ）。また、スケール変換後の推定ＳＢＰデータは、移動平均算出部２０に取り込まれて、所定時間毎の推定ＳＢＰ移動平均データに変換される（移動平均算出ステップ）。
【0028】
推定ＳＢＰ移動平均データは、次に、バイアス調整部２１に取り込まれる。バイアス調整部２１では、学習データ１１における学習血圧データ１２から最高血圧（ＳＢＰ）の平均値を平均学習ＳＢＰとして算出すると共に、血圧測定対象者Ｓｕｂから測定された最高血圧の平均値を平均測定ＳＢＰとして算出する。血圧測定対象者Ｓｕｂの血圧データは、例えば、指尖連続血圧計を用いて計測した連続血圧波形データであり、事前に、メモリ７に記憶保持され、必要に応じて更新される。あるいは、ＰＰＧセンサ２によるＰＰＧ測定と同時に血圧測定を行い、平均測定ＳＢＰを算出してもよい。
【0029】
バイアス調整部２１では、算出した平均学習ＳＢＰと平均測定ＳＢＰとの差分を算出する。算出した差分を用いて、重回帰モデル１８を用いて算出した血圧測定対象者Ｓｕｂの推定ＳＢＰ移動平均データのバイアス調整を行う（推定血圧のバイアス調整ステップ）。バイアス調整後の推定ＳＢＰ移動平均データが、推定ＳＢＰとして出力部６に出力される。
【0030】
[ＰＰＧ波形、脈波特徴量]
次に、ＰＰＧセンサ２によって測定されるＰＰＧ波形、および、ＰＰＧの脈波波形から算出される１１種類の脈波特徴量を説明する。
次に、ＰＰＧセンサ２によって測定されるＰＰＧ波形、および、ＰＰＧの脈波波形から算出される１１種類の脈波特徴量を説明する。
【0031】
（ＰＰＧ波形の例）
ＰＰＧセンサ２により測定されるＰＰＧ波形の例を図２に示す．ＰＰＧは心臓の拍動に応じた周期的な波形であるが、一般的に縦軸は電気的な信号の大きさを示すボルト単位で表すことが多く、血液量の大きさに対応付けることはできない。
ＰＰＧセンサ２により測定されるＰＰＧ波形の例を図２に示す．ＰＰＧは心臓の拍動に応じた周期的な波形であるが、一般的に縦軸は電気的な信号の大きさを示すボルト単位で表すことが多く、血液量の大きさに対応付けることはできない。
【0032】
（光電容積脈波から得られる特徴量）
本例においては、秋山らの研究（非特許文献２、３）に倣って、ＰＰＧ波形から７つの特徴量を算出し、血圧推定に用いている。図３に、秋山らの研究で用いられている、ＰＰＧ波形から算出される７つの特徴量を示す。ＦＦＩとｔｄからは心拍数情報、ｔｍａｘｓｌｏｐｅからは血管の弾性情報、ＰＷｂｉａｓ、ＰＷｍａｘ、ＤＰＷｍａｘ、ＮＰＷＡからは血管の容積の変動情報を反映した値が得られる。各符号の意味は次の通りである。
ＦＦＩ：脈波波形における立ち上がり点から次の立ち上がり点までの時間間隔
ｔｄ：脈波波形における振幅の最大点から次の立ち上がり点までの時間間隔
ｔｍａｘｓｌｏｐｅ：脈波波形における立ち上がり点から傾きが最大となる点までの時間
ＰＷｂｉａｓ：脈波波形における振幅の最小値
ＰＷｍａｘ：脈波波形における振幅の最大値
ＤＰＷｍａｘ：脈波波形における傾きが最大となる点における振幅値
ＰＷＡ：脈波波形における１拍内の面積
ＮＰＷＡ：１拍内の面積ＰＷＡをＦＦＩで除したもの
本例においては、秋山らの研究（非特許文献２、３）に倣って、ＰＰＧ波形から７つの特徴量を算出し、血圧推定に用いている。図３に、秋山らの研究で用いられている、ＰＰＧ波形から算出される７つの特徴量を示す。ＦＦＩとｔｄからは心拍数情報、ｔｍａｘｓｌｏｐｅからは血管の弾性情報、ＰＷｂｉａｓ、ＰＷｍａｘ、ＤＰＷｍａｘ、ＮＰＷＡからは血管の容積の変動情報を反映した値が得られる。各符号の意味は次の通りである。
ＦＦＩ：脈波波形における立ち上がり点から次の立ち上がり点までの時間間隔
ｔｄ：脈波波形における振幅の最大点から次の立ち上がり点までの時間間隔
ｔｍａｘｓｌｏｐｅ：脈波波形における立ち上がり点から傾きが最大となる点までの時間
ＰＷｂｉａｓ：脈波波形における振幅の最小値
ＰＷｍａｘ：脈波波形における振幅の最大値
ＤＰＷｍａｘ：脈波波形における傾きが最大となる点における振幅値
ＰＷＡ：脈波波形における１拍内の面積
ＮＰＷＡ：１拍内の面積ＰＷＡをＦＦＩで除したもの
【0033】
（加速度脈波から得られる特徴量）
本例では、上記の７つの特徴量に加えて、ＰＰＧセンサ２から得られたＰＰＧ波形を２次微分して加速度脈波を生成し、加速度脈波の波形から得られる４つの特徴量を用いている。加速度脈波波形の例を図４に示す。この図に示すように、加速度脈波波形にはａ～ｅ波が含まれている。
ａ波：収縮初期陽性波
ｂ波：収縮初期陰性波
ｃ波：収縮中期再上昇波
ｄ波：収縮後期再下降波
ｅ波：拡張初期陽性波
ａ波とｂ波は、収縮期前方成分に、ｃ波とｄ波は収縮期後方成分に含まれる。収縮期前方成分は血液の駆出によって生じる駆動圧波を反映し、収縮期後方成分は駆動圧波が末梢に伝搬し、反射して戻ってくる反射圧波を反映する。収縮期後方成分は、加齢、動脈硬化、高血圧などにより、反射波が増大することで上昇する。本例では、加速度脈波の波形から得られる以下の４つの特徴量を用いている。
ＰＷａ：ａ波（収縮初期陽性波）の最大振幅
Ｔａ：ａ波立ち上がり時間（ａ波の立ち上がり開始時点から最大振幅の時点までの時間）
ＰＷｂ：ｂ波（収縮初期陰性波）の最大振幅
Ｔｂ：ｂ波立ち上がり時間（ｂ波の立ち上がり開始時点から最大振幅の時点までの時間）
本例では、上記の７つの特徴量に加えて、ＰＰＧセンサ２から得られたＰＰＧ波形を２次微分して加速度脈波を生成し、加速度脈波の波形から得られる４つの特徴量を用いている。加速度脈波波形の例を図４に示す。この図に示すように、加速度脈波波形にはａ～ｅ波が含まれている。
ａ波：収縮初期陽性波
ｂ波：収縮初期陰性波
ｃ波：収縮中期再上昇波
ｄ波：収縮後期再下降波
ｅ波：拡張初期陽性波
ａ波とｂ波は、収縮期前方成分に、ｃ波とｄ波は収縮期後方成分に含まれる。収縮期前方成分は血液の駆出によって生じる駆動圧波を反映し、収縮期後方成分は駆動圧波が末梢に伝搬し、反射して戻ってくる反射圧波を反映する。収縮期後方成分は、加齢、動脈硬化、高血圧などにより、反射波が増大することで上昇する。本例では、加速度脈波の波形から得られる以下の４つの特徴量を用いている。
ＰＷａ：ａ波（収縮初期陽性波）の最大振幅
Ｔａ：ａ波立ち上がり時間（ａ波の立ち上がり開始時点から最大振幅の時点までの時間）
ＰＷｂ：ｂ波（収縮初期陰性波）の最大振幅
Ｔｂ：ｂ波立ち上がり時間（ｂ波の立ち上がり開始時点から最大振幅の時点までの時間）
【0034】
[重回帰モデルを用いた血圧推定手法]
次に、本発明において採用している重回帰モデルを用いた血圧推定手法を詳細に説明する。
次に、本発明において採用している重回帰モデルを用いた血圧推定手法を詳細に説明する。
【0035】
（重回帰分析）
重回帰分析は、公知のように、複数の説明変数から重回帰モデルを構築し、一つの目的変数を予測する線形回帰分析である。重回帰式を以下に示す。
ｙ（ｔ）＝ａ＋ｂ１ｘ１（ｔ）＋ｂ２ｘ２（ｔ）＋・・・＋ｂｍｘｍ（ｔ）
ここで、ｔは時間情報を反映する変数であり、ｙ（ｔ）とｘｋ（ｔ）（ｋ＝１，２，…，ｍ）は、それぞれ、ｔに対応する目的変数と説明変数である。また、ｍは、モデル構築に用いる説明変数の数を表し、ａは切片、ｂｋ（ｋ＝１，２，…，ｍ）は偏回帰係数である。本発明では、１拍ごとに算出されたＳＢＰ（最高血圧）と脈波特徴量を用いて重回帰モデルを構築した。すなわち、目的変数には最高血圧を、説明変数には脈波特徴量を割り当てて重回帰モデルを構築した。モデル構築に用いる脈波特徴量は、先に述べたようにＰＰＧ波形から得られる特徴量７個と、加速度脈波波形から得られるａ波の最大振幅とｂ波の最大振幅と、それぞれの立ち上がり時間の４個の計１１個を用いている。なお、拍ごとに血圧を推定するため、変数ｔは、計測開始後何拍目かを表す変数となる。
重回帰分析は、公知のように、複数の説明変数から重回帰モデルを構築し、一つの目的変数を予測する線形回帰分析である。重回帰式を以下に示す。
ｙ（ｔ）＝ａ＋ｂ１ｘ１（ｔ）＋ｂ２ｘ２（ｔ）＋・・・＋ｂｍｘｍ（ｔ）
ここで、ｔは時間情報を反映する変数であり、ｙ（ｔ）とｘｋ（ｔ）（ｋ＝１，２，…，ｍ）は、それぞれ、ｔに対応する目的変数と説明変数である。また、ｍは、モデル構築に用いる説明変数の数を表し、ａは切片、ｂｋ（ｋ＝１，２，…，ｍ）は偏回帰係数である。本発明では、１拍ごとに算出されたＳＢＰ（最高血圧）と脈波特徴量を用いて重回帰モデルを構築した。すなわち、目的変数には最高血圧を、説明変数には脈波特徴量を割り当てて重回帰モデルを構築した。モデル構築に用いる脈波特徴量は、先に述べたようにＰＰＧ波形から得られる特徴量７個と、加速度脈波波形から得られるａ波の最大振幅とｂ波の最大振幅と、それぞれの立ち上がり時間の４個の計１１個を用いている。なお、拍ごとに血圧を推定するため、変数ｔは、計測開始後何拍目かを表す変数となる。
【0036】
（重回帰モデルの構築・推定血圧値の算出）
重回帰モデルの構築には、目的変数となる拍ごとに算出されたＳＰＢデータと、説明変数となるＳＢＰと対応した脈波特徴量データを用いた。脈波特徴量は、連続的なＰＰＧ波形を立ち上がり点で分割することによって、拍ごとに算出した。これにより得られたＳＢＰと脈波特徴量をもとに、偏回帰係数を算出することで、重回帰モデルを構築した。図５（Ａ）に、重回帰モデル構築の流れを示す。続いて、構築した重回帰モデルにテストデータとなる被験者の脈波特徴量のみを与え、１拍ごとに推定ＳＢＰを算出する。図５（Ｂ）に、推定ＳＢＰ（血圧推定値）の算出と重回帰モデルの推定精度の評価の流れを示す。
重回帰モデルの構築には、目的変数となる拍ごとに算出されたＳＰＢデータと、説明変数となるＳＢＰと対応した脈波特徴量データを用いた。脈波特徴量は、連続的なＰＰＧ波形を立ち上がり点で分割することによって、拍ごとに算出した。これにより得られたＳＢＰと脈波特徴量をもとに、偏回帰係数を算出することで、重回帰モデルを構築した。図５（Ａ）に、重回帰モデル構築の流れを示す。続いて、構築した重回帰モデルにテストデータとなる被験者の脈波特徴量のみを与え、１拍ごとに推定ＳＢＰを算出する。図５（Ｂ）に、推定ＳＢＰ（血圧推定値）の算出と重回帰モデルの推定精度の評価の流れを示す。
【0037】
（推定精度の評価）
作成した重回帰モデルから算出される推定値の線形相関性を評価する指標として相関係数を用いた。ｎ個のデータを評価する際、血圧計測値の集合を
血圧推定値の集合を
とすると、血圧測定値と血圧推定値間の相関係数Ｒは以下の式で定義される。
なお、相関係数は、１に近くなるほど２つのデータ間の相関性が高くなる。相関係数０．８以上を目標とした。
作成した重回帰モデルから算出される推定値の線形相関性を評価する指標として相関係数を用いた。ｎ個のデータを評価する際、血圧計測値の集合を
【0038】
また、血圧推定値の誤差を評価する指標として、血圧測定値と血圧推定値間の二乗平均平方根誤差（ＲＭＳＥ：Ｒｏｏｔ Ｍｅａｎ Ｓｑｕａｒｅｄ Ｅｒｒｏｒ）を同時に算出した。上記のように、血圧測定値および血圧推定値を表すと、ＲＭＳＥは以下の式で定義される。
ＲＭＳＥは、血圧推定値と血圧測定値との誤差を表す指標であるため、０に近いほど高い推定精度である。ＲＭＳＥ≦１０［ｍｍＨｇ］を目標とした。
【0039】
[光電容積脈波を用いた血圧推定手法の検証]
以下に、本発明者等が行った研究（光電容積脈波と血圧の測定実験、構築した重回帰モデルの検証）について説明することで、本発明における正規化およびバイアス調整の目的、作用効果を明らかにする。
以下に、本発明者等が行った研究（光電容積脈波と血圧の測定実験、構築した重回帰モデルの検証）について説明することで、本発明における正規化およびバイアス調整の目的、作用効果を明らかにする。
【0040】
（光電容積脈波と血圧の測定実験）
本研究で用いたデータの検証実験の概略図を図６に示す。被験者は２３．３±１．６歳の健常者９名（男性８名，女性１名）である。以下、これらの被験者をＳｕｂ０１～Ｓｕｂ０９と呼ぶ。被験者には５分間座位にて安静にしてもらい、心電図、連続血圧、近赤外光と緑色光によるＰＰＧについて計測を行った。被験者の手首と足首に装着したクリップ式心電電極より心電図波形を、左手第３指にはカフ付脈波センサを装着し，指尖連続血圧計（Ｆｉｎａｐｒｅｓ Ｍｅｄｉｃａｌ Ｓｙｓｔｅｍｓ社製Ｐｏｒｔａｐｒｅｓ）より連続血圧波形をそれぞれ計測した。近赤外光と緑色光の反射型ＰＰＧセンサは、それぞれ１組ずつ左手第４指、左手首内側、左前腕外側、左上腕外側の４箇所に装着して計測を行った。実験で用いたＰＰＧセンサは、市販の反射型フォトセンサを用いて製作したものである。さらに、参照信号として左手第２指に反射型の近赤外光によるＰＰＧセンサ（ＥｎｙｉｔｅＣ社製Ｎｅｌｌｏｒ）を装着し、ＰＰＧを計測した。センサを装着した手は、心臓の高さに置いてもらった。本研究では、左手第２指の近赤外光ＰＰＧにて測定した脈波データと連続血圧データを用いた。なお、Ｓｕｂ０７は血圧測定に不備があったため、データを用いないことにした。
本研究で用いたデータの検証実験の概略図を図６に示す。被験者は２３．３±１．６歳の健常者９名（男性８名，女性１名）である。以下、これらの被験者をＳｕｂ０１～Ｓｕｂ０９と呼ぶ。被験者には５分間座位にて安静にしてもらい、心電図、連続血圧、近赤外光と緑色光によるＰＰＧについて計測を行った。被験者の手首と足首に装着したクリップ式心電電極より心電図波形を、左手第３指にはカフ付脈波センサを装着し，指尖連続血圧計（Ｆｉｎａｐｒｅｓ Ｍｅｄｉｃａｌ Ｓｙｓｔｅｍｓ社製Ｐｏｒｔａｐｒｅｓ）より連続血圧波形をそれぞれ計測した。近赤外光と緑色光の反射型ＰＰＧセンサは、それぞれ１組ずつ左手第４指、左手首内側、左前腕外側、左上腕外側の４箇所に装着して計測を行った。実験で用いたＰＰＧセンサは、市販の反射型フォトセンサを用いて製作したものである。さらに、参照信号として左手第２指に反射型の近赤外光によるＰＰＧセンサ（ＥｎｙｉｔｅＣ社製Ｎｅｌｌｏｒ）を装着し、ＰＰＧを計測した。センサを装着した手は、心臓の高さに置いてもらった。本研究では、左手第２指の近赤外光ＰＰＧにて測定した脈波データと連続血圧データを用いた。なお、Ｓｕｂ０７は血圧測定に不備があったため、データを用いないことにした。
【0041】
｛検証１：重回帰モデルを用いた血圧推定｝
本研究では、汎用性の高い重回帰モデルを構築することを目標としているため、学習データとテストデータにそれぞれ別々の被験者を割り当てて、検証を行った。まず、本検証（検証１）では、図７に示すように，学習データをＳｕｂ０１に固定して重回帰モデルを構築し、Ｓｕｂ０１を除くＳｕｂ０２からＳｕｂ０９をテストデータに割り当てて、被験者ごとに重回帰モデルの推定精度の評価を行った。なお、汎用性の高いモデルを構築する際は、学習データを大きくするのが一般的であるが、モデル構築時の計算コストが大きくなる恐れがあるため、本研究では、学習データを１名の被験者に割り当ててモデルの構築を行った。
本研究では、汎用性の高い重回帰モデルを構築することを目標としているため、学習データとテストデータにそれぞれ別々の被験者を割り当てて、検証を行った。まず、本検証（検証１）では、図７に示すように，学習データをＳｕｂ０１に固定して重回帰モデルを構築し、Ｓｕｂ０１を除くＳｕｂ０２からＳｕｂ０９をテストデータに割り当てて、被験者ごとに重回帰モデルの推定精度の評価を行った。なお、汎用性の高いモデルを構築する際は、学習データを大きくするのが一般的であるが、モデル構築時の計算コストが大きくなる恐れがあるため、本研究では、学習データを１名の被験者に割り当ててモデルの構築を行った。
【0042】
（検証１の流れ）
検証１の流れを、図８に示す。まず、学習データとして割り当てたＳｕｂ０１の連続血圧からＳＢＰを、脈波波形から脈波特徴量を算出し、重回帰モデルの構築を行った。続いて、テストデータに割り当てた被験者の脈波特徴量のみを、構築した重回帰モデルに入力して推定ＳＢＰを算出した。ここで、算出した推定ＳＢＰは１拍ごとに算出されるため、スプライン補間を用いて、拍スケールから時間スケールに変換した。また、図９に示すように、非特許文献２に倣って、スパイク状のＳＢＰ波形を滑らかにすることによって、ＳＢＰの変動をとらえやすくするために、推定ＳＢＰと実測ＳＢＰの移動平均を算出する処理を行った。本研究では６０秒に設定して移動平均の算出を行った。これによって得られた、実測ＳＢＰと推定ＳＢＰ間の相関係数とＲＭＳＥを算出し、モデルの推定精度の評価を行った。
検証１の流れを、図８に示す。まず、学習データとして割り当てたＳｕｂ０１の連続血圧からＳＢＰを、脈波波形から脈波特徴量を算出し、重回帰モデルの構築を行った。続いて、テストデータに割り当てた被験者の脈波特徴量のみを、構築した重回帰モデルに入力して推定ＳＢＰを算出した。ここで、算出した推定ＳＢＰは１拍ごとに算出されるため、スプライン補間を用いて、拍スケールから時間スケールに変換した。また、図９に示すように、非特許文献２に倣って、スパイク状のＳＢＰ波形を滑らかにすることによって、ＳＢＰの変動をとらえやすくするために、推定ＳＢＰと実測ＳＢＰの移動平均を算出する処理を行った。本研究では６０秒に設定して移動平均の算出を行った。これによって得られた、実測ＳＢＰと推定ＳＢＰ間の相関係数とＲＭＳＥを算出し、モデルの推定精度の評価を行った。
【0043】
（検証１の結果）
検証１で得られた、Ｓｕｂ０７を除くＳｕｂ０２からＳｕｂ０９までの相関係数、及びＲＭＳＥの結果を表１に示す。表１から、被験者７名中４名の被験者が目標の相関係数０．８を下回った。また、ＲＭＳＥに関しても、被験者によって４９万［ｍｍＨｇ］を超えるような値が得られる結果となった。
検証１で得られた、Ｓｕｂ０７を除くＳｕｂ０２からＳｕｂ０９までの相関係数、及びＲＭＳＥの結果を表１に示す。表１から、被験者７名中４名の被験者が目標の相関係数０．８を下回った。また、ＲＭＳＥに関しても、被験者によって４９万［ｍｍＨｇ］を超えるような値が得られる結果となった。
【0044】
【表1】
【0045】
（検証１の考察）
検証１で構築したＳｕｂ０１の重回帰モデルは、いずれの被験者も実測ＳＢＰと推定ＳＢＰ間のＲＭＳＥが、３５０［ｍｍＨｇ］を超える値をとり、血圧推定が困難であった。ここで、脈波特徴量に着目したところ、学習データとして用いたＳｕｂ０１とテストデータに用いた被験者間で大きな違いが見られた。図１０にＳｕｂ０１とＳｕｂ０５のＰＷｍａｘ波形を示す。Ｓｕｂ０１のＰＷｍａｘ波形は－１．１８［ｍＶ］から－１．０９［ｍＶ］付近に分布しているのに対し、Ｓｕｂ０５のＰＷｍａｘ波形は－１．２［ｍＶ］から－１．１７［ｍＶ］の付近に分布している様子が見て取れる。このように被験者ごとに、脈波特徴量の分布に大きな差が生じた原因として、ＰＰＧの計測環境の差異が考えられる。ＰＰＧは、血管中の血流量の変化に伴う光量の変化を電気的な信号で表すため、計測環境に差異が生じると、その影響を大きく受ける。計測環境の差異としては、ＰＰＧセンサの装着位置のズレや実験室の明るさの違い、ＰＰＧセンサが体表面を押し付ける圧力の違いなどがある。また、被験者によっても皮膚の厚さや血管の状態、自律神経の活動状態は異なるため、こういった個人差が脈波特徴量の分布に大きな差を生む原因になった可能性もある。そして、脈波特徴量の分布に差があることで、算出された推定ＳＢＰが実測ＳＢＰと大きくずれてしまい、結果的に推定誤差の拡大につながったと考えられる。
検証１で構築したＳｕｂ０１の重回帰モデルは、いずれの被験者も実測ＳＢＰと推定ＳＢＰ間のＲＭＳＥが、３５０［ｍｍＨｇ］を超える値をとり、血圧推定が困難であった。ここで、脈波特徴量に着目したところ、学習データとして用いたＳｕｂ０１とテストデータに用いた被験者間で大きな違いが見られた。図１０にＳｕｂ０１とＳｕｂ０５のＰＷｍａｘ波形を示す。Ｓｕｂ０１のＰＷｍａｘ波形は－１．１８［ｍＶ］から－１．０９［ｍＶ］付近に分布しているのに対し、Ｓｕｂ０５のＰＷｍａｘ波形は－１．２［ｍＶ］から－１．１７［ｍＶ］の付近に分布している様子が見て取れる。このように被験者ごとに、脈波特徴量の分布に大きな差が生じた原因として、ＰＰＧの計測環境の差異が考えられる。ＰＰＧは、血管中の血流量の変化に伴う光量の変化を電気的な信号で表すため、計測環境に差異が生じると、その影響を大きく受ける。計測環境の差異としては、ＰＰＧセンサの装着位置のズレや実験室の明るさの違い、ＰＰＧセンサが体表面を押し付ける圧力の違いなどがある。また、被験者によっても皮膚の厚さや血管の状態、自律神経の活動状態は異なるため、こういった個人差が脈波特徴量の分布に大きな差を生む原因になった可能性もある。そして、脈波特徴量の分布に差があることで、算出された推定ＳＢＰが実測ＳＢＰと大きくずれてしまい、結果的に推定誤差の拡大につながったと考えられる。
【0046】
｛検証２：正規化の有効性に関する検証｝
検証１の結果から、脈波特徴量の分布の差が、ＲＭＳＥの増大につながっている可能性が考えられた。そこで、検証２では、脈波特徴量の分布や散らばりの差による影響を除去するため、モデル構築前に脈波特徴量に対して、Ｚ－ｓｃｏｒｅ ｎｏｒｍａｌｉｚａｔｉｏｎによる正規化を行った。正規化の手順を図１１に示す。まず、学習データＳｕｂＡとテストデータＳｕｂＢになる被験者の１１個の脈波特徴量に対して、平均０、標準偏差１に統一にするためにそれぞれ正規化を行った。続いて、正規化したそれぞれの特徴量ごとに連結し、再度正規化を行った後に、元の学習データとテストデータに分割した。本検証２の流れを図１２に示す。なお、学習データとテストデータは検証１と同様に、学習データをＳｕｂ０１に固定して、Ｓｕｂ０２からＳｕｂ０９をテストデータとした。
検証１の結果から、脈波特徴量の分布の差が、ＲＭＳＥの増大につながっている可能性が考えられた。そこで、検証２では、脈波特徴量の分布や散らばりの差による影響を除去するため、モデル構築前に脈波特徴量に対して、Ｚ－ｓｃｏｒｅ ｎｏｒｍａｌｉｚａｔｉｏｎによる正規化を行った。正規化の手順を図１１に示す。まず、学習データＳｕｂＡとテストデータＳｕｂＢになる被験者の１１個の脈波特徴量に対して、平均０、標準偏差１に統一にするためにそれぞれ正規化を行った。続いて、正規化したそれぞれの特徴量ごとに連結し、再度正規化を行った後に、元の学習データとテストデータに分割した。本検証２の流れを図１２に示す。なお、学習データとテストデータは検証１と同様に、学習データをＳｕｂ０１に固定して、Ｓｕｂ０２からＳｕｂ０９をテストデータとした。
【0047】
（検証２の結果）
検証２で得られた、Ｓｕｂ０２からＳｕｂ０９までの相関係数、及びＲＭＳＥの結果を表２に示す。また、図１３、図１４には、検証１（正規化なし）と本検証２（正規化後）の相関係数とＲＭＳＥの検証結果を比較したグラフを示す。相関係数においては、Ｓｕｂ０８を除くすべての被験者が目標値の０．８を上回った。一方でＲＭＳＥに関しても、すべての被験者が検証１に比べて大幅に低減した。しかし、ＲＭＳＥが低減されたとはいえ、依然として１００を超える被験者が７名中５名存在する。
検証２で得られた、Ｓｕｂ０２からＳｕｂ０９までの相関係数、及びＲＭＳＥの結果を表２に示す。また、図１３、図１４には、検証１（正規化なし）と本検証２（正規化後）の相関係数とＲＭＳＥの検証結果を比較したグラフを示す。相関係数においては、Ｓｕｂ０８を除くすべての被験者が目標値の０．８を上回った。一方でＲＭＳＥに関しても、すべての被験者が検証１に比べて大幅に低減した。しかし、ＲＭＳＥが低減されたとはいえ、依然として１００を超える被験者が７名中５名存在する。
【0048】
【表2】
【0049】
（検証２の考察）
Ｓｕｂ０８を除くすべての被験者の相関係数が０．８以上になり、すべての被験者のＲＭＳＥが低減したのは、前処理として脈波特徴量に正規化を行ったことによって、脈波特徴量の分布の差による影響が低減したためであると考えられる。これより、他人の重回帰モデルによる血圧推定において、脈波特徴量の正規化は有効な手法であることが示唆された。しかし、ＲＭＳＥが１００［ｍｍＨｇ］を超える被験者が７名中５名であったため、高精度な血圧推定とは言い難い結果となった。
Ｓｕｂ０８を除くすべての被験者の相関係数が０．８以上になり、すべての被験者のＲＭＳＥが低減したのは、前処理として脈波特徴量に正規化を行ったことによって、脈波特徴量の分布の差による影響が低減したためであると考えられる。これより、他人の重回帰モデルによる血圧推定において、脈波特徴量の正規化は有効な手法であることが示唆された。しかし、ＲＭＳＥが１００［ｍｍＨｇ］を超える被験者が７名中５名であったため、高精度な血圧推定とは言い難い結果となった。
【0050】
ここで、学習データとテストデータのＳＢＰの分布を比較した。図１５にＳｕｂ０２で検証時の学習データ（Ｓｕｂ０１）とテストデータ（Ｓｕｂ０２）のＳＢＰの分布、及び推定ＳＢＰの波形と実測ＳＢＰの波形を示す。学習データ（Ｓｕｂ０１）のＳＢＰの分布がテストデータ（Ｓｕｂ０２）のＳＢＰの分布より高い値に集まっており、推定ＳＢＰの波形においても実測ＳＢＰの波形から一定の誤差を保ちながら推移する結果となった。これは、モデルがテストデータのＳＢＰの分布より高い値の血圧を学習し、実測ＳＢＰよりも高い推定ＳＢＰを算出したためであると考えられる。また、Ｓｕｂ０２の相関係数は０．８４８と高めであるが、ＲＭＳＥに関しては１２２［ｍｍＨｇ］と目標値を大きく上回る誤差となった。これは、ＳＢＰ変動に関して高精度に推定できているが、ＳＢＰの絶対値を推定できていないことを意味しており、図１５からもその様子が分かる。
【0051】
一方で、図１６に示す相関係数が０．９を超え、かつＲＭＳＥが最も小さいＳｕｂ０３のＳＢＰの分布に着目してみると、学習データ（Ｓｕｂ０１）とテストデータ（Ｓｕｂ０３）のＳＢＰの分布が重畳しており，実測ＳＢＰの波形と推定ＳＢＰの波形も同様に重畳した様子が分かる。他の被験者においても、Ｓｕｂ０１とＳＢＰの分布が重畳する被験者の場合は，Ｓｕｂ０３と同様に推定ＳＢＰの波形が実測ＳＢＰの波形と重畳していることが確認された。一方で、ＳＢＰの分布がＳｕｂ０１とずれていた被験者は、Ｓｕｂ０２と同様に推定ＳＢＰの波形も実測ＳＢＰの波形から一定の誤差を保ちながら推移していた。
【0052】
以上より、学習データとテストデータのＳＢＰの分布間に差が存在する場合、推定ＳＢＰの波形はＳＢＰの分布の差に応じて、実測ＳＢＰの波形から上下いずれかの方向にずれることが分かる。こういったＳＢＰの分布に差が生じるのは、被験者ごとに平均ＳＢＰの値が異なることが原因と考えられる。
【0053】
｛検証３：血圧のバイアス調整の有効性に関する検証｝
（検証３の流れ）
検証２の結果より、被験者ごとに異なる平均ＳＢＰの差が、モデルの推定精度に影響を及ぼしている可能性が示唆された。検証３では、推定ＳＢＰの波形と実測ＳＢＰの波形間の一定の誤差を低減することを目標に、平均ＳＢＰを用いてバイアス調整を行った。図１７に検証３の流れを示す。なお、学習データとテストデータは検証２の時と同じく、学習データをＳｕｂ０１に固定して、Ｓｕｂ０２からＳｕｂ０９をテストデータとした。
（検証３の流れ）
検証２の結果より、被験者ごとに異なる平均ＳＢＰの差が、モデルの推定精度に影響を及ぼしている可能性が示唆された。検証３では、推定ＳＢＰの波形と実測ＳＢＰの波形間の一定の誤差を低減することを目標に、平均ＳＢＰを用いてバイアス調整を行った。図１７に検証３の流れを示す。なお、学習データとテストデータは検証２の時と同じく、学習データをＳｕｂ０１に固定して、Ｓｕｂ０２からＳｕｂ０９をテストデータとした。
【0054】
（血圧のバイアス調整）
推定ＳＢＰのバイアス調整を行うにあたり、まずは学習データとテストデータの平均ＳＢＰをそれぞれ算出した。図１８に平均ＳＢＰの算出手順を示す。学習データの平均ＳＢＰにおいては学習データ全体から算出した。一方で、テストデータは、データ全体から平均ＳＢＰを算出することは、実用性に乏しいため、計測開始後１分間のデータを切り出し、平均ＳＢＰの算出を行った。続いて、血圧バイアスの調整を行う値ＳＢＰ＿ｂｉａｓを求める。式を以下に示す。なお、ＳｕｂＡは学習データ、ＳｕｂＢはテストデータとする。
ＳＢＰ＿ｂｉａｓ＝ＳｕｂＡ＿ａｖｅｒａｇｅ ― ＳｕｂＢ＿ａｖｅｒａｇｅ
検証２で算出した推定ＳＢＰから、ＳＢＰ＿ｂｉａｓを減算することで、推定ＳＢＰのバイアス調整を行った。本検証３では、このバイアス調整を行った推定ＳＢＰと実測ＳＢＰを比較することでモデルの推定精度の評価を行った。
推定ＳＢＰのバイアス調整を行うにあたり、まずは学習データとテストデータの平均ＳＢＰをそれぞれ算出した。図１８に平均ＳＢＰの算出手順を示す。学習データの平均ＳＢＰにおいては学習データ全体から算出した。一方で、テストデータは、データ全体から平均ＳＢＰを算出することは、実用性に乏しいため、計測開始後１分間のデータを切り出し、平均ＳＢＰの算出を行った。続いて、血圧バイアスの調整を行う値ＳＢＰ＿ｂｉａｓを求める。式を以下に示す。なお、ＳｕｂＡは学習データ、ＳｕｂＢはテストデータとする。
ＳＢＰ＿ｂｉａｓ＝ＳｕｂＡ＿ａｖｅｒａｇｅ ― ＳｕｂＢ＿ａｖｅｒａｇｅ
検証２で算出した推定ＳＢＰから、ＳＢＰ＿ｂｉａｓを減算することで、推定ＳＢＰのバイアス調整を行った。本検証３では、このバイアス調整を行った推定ＳＢＰと実測ＳＢＰを比較することでモデルの推定精度の評価を行った。
【0055】
（検証３の結果）
本検証３で得られた、Ｓｕｂ０２からＳｕｂ０９までの相関係数、及びＲＭＳＥの結果を表３に示す。相関係数においては、Ｓｕｂ０８を除くすべての被験者が０．８以上を達成した。一方でＲＭＳＥに関しても、検証２ではＲＭＳＥが１００［ｍｍＨｇ］を超える被験者が７名中５名であったのに対して、本検証３ではすべての被験者のＲＭＳＥが目標の１０［ｍｍＨｇ］以下を達成した。検証２の場合の相関係数とＲＭＳＥの検証結果と比べたグラフをそれぞれ図１９と図２０に示す。
本検証３で得られた、Ｓｕｂ０２からＳｕｂ０９までの相関係数、及びＲＭＳＥの結果を表３に示す。相関係数においては、Ｓｕｂ０８を除くすべての被験者が０．８以上を達成した。一方でＲＭＳＥに関しても、検証２ではＲＭＳＥが１００［ｍｍＨｇ］を超える被験者が７名中５名であったのに対して、本検証３ではすべての被験者のＲＭＳＥが目標の１０［ｍｍＨｇ］以下を達成した。検証２の場合の相関係数とＲＭＳＥの検証結果と比べたグラフをそれぞれ図１９と図２０に示す。
【0056】
【表3】
【0057】
また、各被験者の実測ＳＢＰの波形と推定ＳＢＰの波形の推移を比較してみたところ、検証３で生じていた一定の誤差が排除された。前述の検証２で一定の誤差が確認されたＳｕｂ０２のＳＢＰの波形を、本検証３と比較した様子を図２１に示す。
【0058】
（検証３の考察）
本検証３では、血圧のバイアス調整を行うことで、すべての被験者の推定ＳＢＰ波形が実測ＳＢＰ波形と重畳し、ＲＭＳＥを１０［ｍｍＨｇ］以下に低減された。これより、被験者ごとに異なる平均ＳＢＰの差が、モデルの推定精度に大きく関係していることが示唆された。そのため、血圧のバイアス調整は他人の重回帰モデルによる血圧変動推定において、重要な処理であると考えられる。
本検証３では、血圧のバイアス調整を行うことで、すべての被験者の推定ＳＢＰ波形が実測ＳＢＰ波形と重畳し、ＲＭＳＥを１０［ｍｍＨｇ］以下に低減された。これより、被験者ごとに異なる平均ＳＢＰの差が、モデルの推定精度に大きく関係していることが示唆された。そのため、血圧のバイアス調整は他人の重回帰モデルによる血圧変動推定において、重要な処理であると考えられる。
【0059】
｛検証４：Ｓｕｂ０１を除く被験者を学習データに割り当てた検証｝
（データの割り当て）
先の検証３では、学習データをＳｕｂ０１に固定し、他の被験者をテストデータにして検証を行った。しかし、検証３の有効性を示すためには、Ｓｕｂ０１だけでなく他の被験者のデータも学習データに割り当てて検証を行う必要がある。そこで、本検証４では、Ｓｕｂ０２からＳｕｂ０９をそれぞれ学習データにし、各被験者の重回帰モデルの推定精度を評価した。図２２にデータの割り当てを示す。８名の被験者の中から、ＳｕｂＸを学習データに割り当てた場合、テストデータにはＳｕｂＸを除く他の被験者を割り当て、モデルの推定精度の評価をそれぞれ行った。
（データの割り当て）
先の検証３では、学習データをＳｕｂ０１に固定し、他の被験者をテストデータにして検証を行った。しかし、検証３の有効性を示すためには、Ｓｕｂ０１だけでなく他の被験者のデータも学習データに割り当てて検証を行う必要がある。そこで、本検証４では、Ｓｕｂ０２からＳｕｂ０９をそれぞれ学習データにし、各被験者の重回帰モデルの推定精度を評価した。図２２にデータの割り当てを示す。８名の被験者の中から、ＳｕｂＸを学習データに割り当てた場合、テストデータにはＳｕｂＸを除く他の被験者を割り当て、モデルの推定精度の評価をそれぞれ行った。
【0060】
（検証４の結果）
図２３に本検証４の結果を示す．狭い幅で斜線を付けた部分は、相関係数、ＲＭＳＥ共に目標値を達成した推定であり、高精度な推定結果といえる。また、広幅で斜線を付けた部分の推定結果は、相関係数が目標値の０．８に満たないものの、ＲＭＳＥが目標の１０［ｍｍＨｇ］以下を達成した推定結果である。広幅で斜線を付けた部分の推定結果は、ＳＢＰ変動が推定できていないが，推定誤差は小さいため、比較的高精度な推定結果であるといえる。
図２３に本検証４の結果を示す．狭い幅で斜線を付けた部分は、相関係数、ＲＭＳＥ共に目標値を達成した推定であり、高精度な推定結果といえる。また、広幅で斜線を付けた部分の推定結果は、相関係数が目標値の０．８に満たないものの、ＲＭＳＥが目標の１０［ｍｍＨｇ］以下を達成した推定結果である。広幅で斜線を付けた部分の推定結果は、ＳＢＰ変動が推定できていないが，推定誤差は小さいため、比較的高精度な推定結果であるといえる。
【0061】
ここで、学習データに着目すると、他者の血圧推定に適した被験者と適さない被験者に分かれた。例えば、枠で囲まれたＳｕｂ０１やＳｕｂ０８のデータを学習データにしたモデルは、すべての被験者のテストデータにおいて高精度な血圧推定であった。一方で、Ｓｕｂ０９のデータを学習データとして用いたモデルは、精度な血圧推定ができたのは１名のみであった。
【0062】
（検証４の考察）
検証結果より、学習データにおいて、他者の血圧推定に適した被験者と適さない被験者が存在することが分かった。この原因として、ＳＢＰの分布の差異による影響が考えられる。ＳＢＰが極端な位置に分布している被験者を学習データとしてモデルを構築した場合、高精度な血圧推定ができないことが示唆された。その原因としては、重回帰モデルが学習データに存在しないＳＢＰの値、または存在していてもデータ数が少ないＳＢＰの値に対して、実測ＳＢＰと大きく異なる推定ＳＢＰを算出するためであると考えられる。また、脈波特徴量に関して注目したところ、Ｓｕｂ０９の脈波特徴量は他の被験者の脈波特徴量と比較して、顕著な差異が確認された。このような顕著に他の被験者と脈波特徴量波形が異なると、正規化を行っても他人の血圧を高精度に推定できない可能性が考えられる。
検証結果より、学習データにおいて、他者の血圧推定に適した被験者と適さない被験者が存在することが分かった。この原因として、ＳＢＰの分布の差異による影響が考えられる。ＳＢＰが極端な位置に分布している被験者を学習データとしてモデルを構築した場合、高精度な血圧推定ができないことが示唆された。その原因としては、重回帰モデルが学習データに存在しないＳＢＰの値、または存在していてもデータ数が少ないＳＢＰの値に対して、実測ＳＢＰと大きく異なる推定ＳＢＰを算出するためであると考えられる。また、脈波特徴量に関して注目したところ、Ｓｕｂ０９の脈波特徴量は他の被験者の脈波特徴量と比較して、顕著な差異が確認された。このような顕著に他の被験者と脈波特徴量波形が異なると、正規化を行っても他人の血圧を高精度に推定できない可能性が考えられる。
【0063】
以上から、ＳＢＰの分布や脈波特徴量が重回帰モデルの推定精度に大きな影響を及ぼす可能性が示唆された。そのため、より推定精度の高い重回帰モデルを構築するためには、モデル構築に用いるデータのＳＢＰの分布や脈波特徴量に関して詳しく吟味して、モデル構築に採用する学習データを設定することが必要である。
【0064】
｛結言｝
以上説明したように、本研究では、カフを用いない連続的な血圧推定を目的として、光電容積脈波を用いた重回帰分析による血圧推定手法の提案とその有効性について検討した。重回帰モデルの構築においては、ＰＰＧ波形から得られる特徴量７個、加速度脈波から得られる特徴量４個の計１１個を説明変数、最高血圧を目的変数としてモデルを構築した。
以上説明したように、本研究では、カフを用いない連続的な血圧推定を目的として、光電容積脈波を用いた重回帰分析による血圧推定手法の提案とその有効性について検討した。重回帰モデルの構築においては、ＰＰＧ波形から得られる特徴量７個、加速度脈波から得られる特徴量４個の計１１個を説明変数、最高血圧を目的変数としてモデルを構築した。
【0065】
前処理を何も行わず、他者の血圧を推定したところ、被験者７名中６名の被験者が相関係数０．７を下回り、ＲＭＳＥも４０万［ｍｍＨｇ］を超える被験者も現れる結果となった。
【0066】
この結果を踏まえ、脈波特徴量の分布の差の低減を目標に、脈波特徴量の正規化を行った。その結果、Ｓｕｂ０８を除くすべての被験者が目標値の相関係数０．８以上を達成し、ＲＭＳＥの大幅な低減を実現した。しかし、依然としてＲＭＳＥが１００を超える被験者が７名中５名いたため、高精度の血圧推定とは言い難い結果となった。
【0067】
そこで、学習データとテストデータのＳＢＰの分布、および推定ＳＢＰの波形と実測ＳＢＰの波形に着目したところ、ＳＢＰの分布間に差が存在する場合、推定ＳＢＰの波形はＳＢＰの分布の差に応じて、実測ＳＢＰの波形から上下のいずれかの方向にずれていた。これより、被験者ごとの平均ＳＢＰによる個人差が波形間の一定の誤差が生じる原因となった可能性が考えられる。このため、脈波特徴量だけでなく平均ＳＢＰにも個人差があるという仮定の下、推定血圧のバイアス調整を行った。その結果、Ｓｕｂ０８を除くすべての被験者が相関係数０．７以上を達成し、ＲＭＳＥに関しても、すべての被験者が目標の１０［ｍｍＨｇ］以下を達成した．これにより、Ｓｕｂ０１を学習データにした際、この手法で他者の血圧を高精度に推定できる重回帰汎化モデルを構築できる可能性が示唆された。
【0068】
学習データにＳｕｂ０１以外の被験者を割り当てて、検証３における手法で重回帰モデルを構築し、モデルの推定精度を算出したところ、他者の血圧推定に適した被験者もいる一方で、他者の血圧推定に適さない被験者も存在する結果となった。他者の血圧推定に適さない被験者においては、血圧分布の個人差や脈波特徴量の波形に原因がある可能性が考えられる。
【符号の説明】
【0069】
１ 血圧推定システム
２ 光電容量脈波センサ（ＰＰＧセンサ）
３ 血圧推定装置
４ 入力部
５ データ処理部
６ 出力部
７ メモリ
１１ 学習データ
１２ 学習血圧データ
１３ 学習脈波データ
１３Ａ 正規化学習脈波特徴量
１４ 測定脈波データ
１４Ａ 正規化測定脈波特徴量
１５ 脈波特徴量算出部
１６ 脈波特徴量正規化部
１７ 重回帰分析部
１８ 重回帰モデル
１９ スケール変換部
２０ 移動平均算出部
２１ バイアス調整部
２ 光電容量脈波センサ（ＰＰＧセンサ）
３ 血圧推定装置
４ 入力部
５ データ処理部
６ 出力部
７ メモリ
１１ 学習データ
１２ 学習血圧データ
１３ 学習脈波データ
１３Ａ 正規化学習脈波特徴量
１４ 測定脈波データ
１４Ａ 正規化測定脈波特徴量
１５ 脈波特徴量算出部
１６ 脈波特徴量正規化部
１７ 重回帰分析部
１８ 重回帰モデル
１９ スケール変換部
２０ 移動平均算出部
２１ バイアス調整部
【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】