特許 7603894 情報処理装置、プログラム及び情報処理方法

(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】2024-12-12

(45)【発行日】2024-12-20

(54)【発明の名称】情報処理装置、プログラム及び情報処理方法

(51)【国際特許分類】

   A61B 5/02 20060101AFI20241213BHJP

   A61B 5/00 20060101ALI20241213BHJP

【ＦＩ】

A61B5/02 310Z

A61B5/00 G

【請求項の数】 11

(21)【出願番号】P 2024550316

(86)(22)【出願日】2024-03-06

(86)【国際出願番号】 JP2024008538

【審査請求日】2024-08-23

【早期審査対象出願】

(73)【特許権者】

【識別番号】000006013

【氏名又は名称】三菱電機株式会社

(74)【代理人】

【識別番号】100116964

【弁理士】

【氏名又は名称】山形 洋一

(74)【代理人】

【識別番号】100120477

【弁理士】

【氏名又は名称】佐藤 賢改

(74)【代理人】

【識別番号】100135921

【弁理士】

【氏名又は名称】篠原 昌彦

(74)【代理人】

【識別番号】100203677

【弁理士】

【氏名又は名称】山口 力

(72)【発明者】

【氏名】奥本 皓士郎

(72)【発明者】

【氏名】峯 慎吾

【審査官】磯野 光司

(56)【参考文献】

【文献】特表２０２３－５４７６３７（ＪＰ，Ａ）

【文献】中国特許出願公開第１０６４７３７５０（ＣＮ，Ａ）

【文献】特開２０２３－１１５６８７（ＪＰ，Ａ）

【文献】特開２００９－１９５５５６（ＪＰ，Ａ）

【文献】深山 幸穂 ほか著，Ｅｘｃｅｌで学ぶ ディジタル信号処理の基礎，第1版，株式会社コロナ社，2013年10月18日，第22-28頁，ISBN：978-4-339-00855-5

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ａ６１Ｂ ５／００－５／３９８

ＪＳＴＰｌｕｓ／ＪＭＥＤＰｌｕｓ／ＪＳＴ７５８０（ＪＤｒｅａｍＩＩＩ）

(57)【特許請求の範囲】

【請求項1】

複数の波形を示す時系列信号を取得する信号取得部と、
前記時系列信号から一波形を特定する特定部と、
周波数スペクトルの二乗和平方根により算出される、前記一波形のパワーを示すパラメータであるパワーパラメータ、前記一波形の周期を示すパラメータである周期パラメータ及び前記周波数スペクトルを二乗和平方根で正規化したスペクトルである波形形状パラメータを算出する算出部と、を備えること
を特徴とする情報処理装置。

【請求項2】

前記算出部は、前記一波形の周期又は前記一波形の基本波周波数を算出して、周波数解析処理を行うことで、前記パワーパラメータ、前記周期パラメータ及び前記波形形状パラメータを算出すること
を特徴とする請求項１に記載の情報処理装置。

【請求項3】

前記周波数解析処理は、複素フーリエ級数展開を含むこと
を特徴とする請求項２に記載の情報処理装置。

【請求項4】

前記算出部は、前記複素フーリエ級数展開により周波数スペクトルを算出し、前記周波数スペクトルの二乗和平方根を前記パワーパラメータとし、前記基本波周波数を前記周期パラメータとすること
を特徴とする請求項３に記載の情報処理装置。

【請求項5】

前記時系列信号は、人から検出された脈波を示す信号であり、
前記パワーパラメータを例題として使用して、前記一波形が取得された際の前記人の感情を正解として学習することで、前記人の感情を推論するための学習モデルを生成する学習部をさらに備えること
を特徴とする請求項１から４の何れか一項に記載の情報処理装置。

【請求項6】

前記時系列信号は、人から検出された脈波を示す信号であり、
学習対象者から検出された脈波を示す信号から特定された一波形である学習用一波形のパワーを示すパラメータである学習用パワーパラメータを例題として使用し、前記学習用一波形が取得された際の前記学習対象者の感情を正解として学習することにより生成された学習モデルに、前記パワーパラメータを入力することで、前記人の感情を推論する推論部をさらに備えること
を特徴とする請求項１から４の何れか一項に記載の情報処理装置。

【請求項7】

第１の時間における前記時系列信号に対応する前記パワーパラメータを例題として使用して、前記第１の時間よりも後の時間である第２の時間の時系列信号を正解として学習することで、将来の時系列信号を推論するための学習モデルを生成する学習部をさらに備えること
を特徴とする請求項１から４の何れか一項に記載の情報処理装置。

【請求項8】

第１の時間における複数の波形を示す時系列信号から特定された一波形のパワーを示す学習用パワーパラメータを例題として使用し、前記第１の時間よりも後の時間である第２の時間における波形を示す時系列信号を正解として学習することで生成された学習モデルに、前記パワーパラメータを入力することで、将来における時系列信号を推論する推論部をさらに備えること
を特徴とする請求項１から４の何れか一項に記載の情報処理装置。

【請求項9】

前記パワーパラメータ、前記周期パラメータ及び前記波形形状パラメータの少なくとも一つにフィルタ処理を施す信号フィルタ部と、
前記フィルタ処理後の前記パワーパラメータ、前記周期パラメータ及び前記波形形状パラメータを時系列信号に変換する逆変換部と、をさらに備えること
を特徴とする請求項１から４の何れか一項に記載の情報処理装置。

【請求項10】

コンピュータを、
複数の波形を示す時系列信号を取得する信号取得部、
前記時系列信号から一波形を特定する特定部、及び、
周波数スペクトルの二乗和平方根により算出される、前記一波形のパワーを示すパラメータであるパワーパラメータ、前記一波形の周期を示すパラメータである周期パラメータ及び前記周波数スペクトルを二乗和平方根で正規化したスペクトルである波形形状パラメータを算出する算出部、として機能させること
を特徴とするプログラム。

【請求項11】

複数の波形を示す時系列信号を取得し、
前記時系列信号から一波形を特定し、
周波数スペクトルの二乗和平方根により算出される、前記一波形のパワーを示すパラメータであるパワーパラメータ、前記一波形の周期を示すパラメータである周期パラメータ及び前記周波数スペクトルを二乗和平方根で正規化したスペクトルである波形形状パラメータを算出すること
を特徴とする情報処理方法。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、情報処理装置、プログラム及び情報処理方法に関する。

【背景技術】

【0002】

近年、例えば、脈波等のように、一つ一つの波形は異なるが繰り返し上下に変動する成分をもつ信号を解析する技術が開発されている。

【0003】

特許文献１に記載の脈波解析装置は、脈波の極小値及び極大値を検出して、波形値を１拍相当の単位に分割し、波形値を拍単位で複数回に亙って高速再生し、脈波のスペクトルを求めている。

【先行技術文献】

【特許文献】

【0004】

【文献】特開平７－１４８１２６号公報

【発明の概要】

【発明が解決しようとする課題】

【0005】

脈波は、心収縮力、大動脈弁閉鎖、体血管抵抗等血行力学のバイオメカニクスからなる影響を受けている。脈波信号において、脈波周期、脈波パワー及び脈波形状には、不整脈又は心房細動等の脈の正常又は異常が表れるだけでなく、自律神経機能の結果として感情状態が表れることが知られている。例えば、脈波パワーを解析することで自律神経機能を評価することができる。

【0006】

しかしながら、従来の技術は、脈波信号処理による脈波のスペクトルを算出しているが、脈波パワーの抽出及び利用について、開示も示唆もされていない。このため、従来の技術は、血行力学のバイオメカニクスによる一波形内の変動成分を考慮できておらず、正確な解析ができないという課題があった。

【0007】

そこで、本開示の一又は複数の態様は、時系列信号から、一波毎にパワーのパラメータを算出できるようにすることを目的とする。

【課題を解決するための手段】

【0008】

本開示の一態様に係る情報処理装置は、複数の波形を示す時系列信号を取得する信号取得部と、前記時系列信号から一波形を特定する特定部と、周波数スペクトルの二乗和平方根により算出される、前記一波形のパワーを示すパラメータであるパワーパラメータ、前記一波形の周期を示すパラメータである周期パラメータ及び前記周波数スペクトルを二乗和平方根で正規化したスペクトルである波形形状パラメータを算出する算出部と、を備えることを特徴とする。

【0009】

本開示の一態様に係るプログラムは、コンピュータを、複数の波形を示す時系列信号を取得する信号取得部、前記時系列信号から一波形を特定する特定部、及び、周波数スペクトルの二乗和平方根により算出される、前記一波形のパワーを示すパラメータであるパワーパラメータ、前記一波形の周期を示すパラメータである周期パラメータ及び前記周波数スペクトルを二乗和平方根で正規化したスペクトルである波形形状パラメータを算出する算出部、として機能させることを特徴とする。

【0010】

本開示の一態様に係る情報処理方法は、複数の波形を示す時系列信号を取得し、前記時系列信号から一波形を特定し、周波数スペクトルの二乗和平方根により算出される、前記一波形のパワーを示すパラメータであるパワーパラメータ、前記一波形の周期を示すパラメータである周期パラメータ及び前記周波数スペクトルを二乗和平方根で正規化したスペクトルである波形形状パラメータを算出することを特徴とする。

【発明の効果】

【0011】

本開示の一又は複数の態様によれば、時系列信号から、一波毎にパワーのパラメータを算出することができる。

【図面の簡単な説明】

【0012】

【図1】実施の形態１に係る信号処理装置の構成を概略的に示すブロック図である。

【図2】時系列信号で示される波形の一例を示す概略図である。

【図3】コンピュータの構成を概略的に示すブロック図である。

【図4】周波数解析処理を示すフローチャートである。

【図5】波形形状とパワーの分解を模式的に示す図である。

【図6】実施の形態２及び３に係る感情判定システムの構成を概略的に示すブロック図である。

【図7】実施の形態２における学習装置２００の構成を概略的に示すブロック図である。

【図8】実施の形態２及び３における推論装置の構成を概略的に示すブロック図である。

【図9】実施の形態３における学習装置の構成を概略的に示すブロック図である。

【図10】実施の形態４に係る信号再構成装置の構成を概略的に示すブロック図である。

【発明を実施するための形態】

【0013】

実施の形態１．
図１は、実施の形態１に係る情報処理装置である信号処理装置１００の構成を概略的に示すブロック図である。
信号処理装置１００は、検出部１１０と、接続Ｉ／Ｆ（ＩｎｔｅｒＦａｃｅ）部１２０と、制御部１３０と、パラメータ記憶部１４０とを備える。
なお、図１では、検出部１１０及び接続Ｉ／Ｆ部１２０の両方が備えられているが、信号処理装置１００は、少なくともこれらの何れか一方を備えていればよい。

【0014】

検出部１１０は、対象に関する物理量を検出して、その物理量に対応して、脈波等のように、繰り返し上下に変動する成分をもつ信号である時系列信号を制御部１３０に与える。

【0015】

接続Ｉ／Ｆ部１２０は、外部記憶装置（図示せず）を接続することができ、その外部記憶装置との間でデータの受け渡しを行うことのできる機能部である。外部記憶装置は、光学ディスク又はフラッシュメモリ記憶装置等である。ここでは、外部記憶装置には、上記の時系列信号が記憶されているものとする。そして、接続Ｉ／Ｆ部１２０は、外部記憶装置に記憶されている時系列信号を読み出して、その時系列信号を制御部１３０に与える。

【0016】

制御部１３０は、信号処理装置１００での処理を制御する。
制御部１３０は、信号取得部１３１と、信号成形部１３２と、周波数解析部１３３と、パラメータ格納部１３４とを備える。

【0017】

信号取得部１３１は、検出部１１０から、又は、接続Ｉ／Ｆ部１２０を介して外部記憶装置から、時系列信号を取得する。取得された時系列信号は、信号成形部１３２に与えられる。時系列信号は、複数の波形を示す信号である。

【0018】

信号成形部１３２は、信号取得部１３１からの時系列信号から、一波形を特定し、その一波形に対応する信号である一波形信号を逐次生成する特定部である。生成された一波形信号は、周波数解析部１３３に与えられる。

【0019】

例えば、図２に示されているように、信号成形部１３２は、時系列信号で示される波形の立ち上がり時のゼロクロッシング位置Ｐ３を捉えることで、逐次一波形を捉えればよい。
なお、一波形を捉える位置は、立ち上がり時のゼロクロッシング位置Ｐ３以外にも、波形のピークＰ１、ボトムＰ２又は立ち下がり時のゼロクロッシング位置Ｐ４であってもよい。また、その他の手法で一波形が定義され、抽出されてもよい。

【0020】

また、時系列信号に、周期性とは別に長期的変動成分が含まれることで、ゼロクロッシング位置Ｐ３等の特徴点が捉えられない場合は、信号成形部１３２は、多項式フィッティングによる差分算出又は移動平均による差分算出により、長期変動成分を取り除いて処理を行ってもよい。

【0021】

周波数解析部１３３は、信号成形部１３２からの一波形信号に対して周波数解析を行うことで、その一波形信号で示される一波形に対して、周期、パワー及び波形形状の３要素へのパラメータ化を行う算出部である。これにより、周波数解析部１３３は、その一波形に対応した周期パラメータ、パワーパラメータ及び波形形状パラメータを取得する。取得された周期パラメータ、パワーパラメータ及び波形形状パラメータは、パラメータ格納部１３４に与えられる。

【0022】

例えば、周波数解析部１３３は、一波形の周期又は一波形の基本波の周波数を算出して、周波数解析処理を行うことで、パワーパラメータを算出する。その周波数解析処理は、複素フーリエ級数展開を含む。具体的には、周波数解析部１３３は、複素フーリエ級数展開により周波数スペクトルを算出し、その周波数スペクトルを二乗和平方根で正規化して算出した二乗和平方根を、パワーパラメータとすることができる。

【0023】

パラメータ格納部１３４は、周波数解析部１３３からの周期パラメータ、パワーパラメータ及び波形形状パラメータを、パラメータ記憶部１４０に格納する。
パラメータ記憶部１４０は、周期パラメータ、パワーパラメータ及び波形形状パラメータを記憶する。

【0024】

以上に記載された信号処理装置１００は、図３に示されているようなコンピュータ１０に対応するスマートウォッチ等の携帯端末又はＰＣ（Ｐｅｒｓｏｎａｌ Ｃｏｍｐｕｔｅｒ）等で実現することができる。

【0025】

コンピュータ１０は、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）又は不揮発メモリ等のストレージ１１と、不揮発性のメモリ１２と、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）等のプロセッサ１３と、センサ１４と、接続Ｉ／Ｆ１５とを備える。
なお、コンピュータ１０は、ネットワークとの間で通信を行うＮＩＣ（Ｎｅｔｗｏｒｋ ｉｎｔｅｒｆａｃｅ Ｃａｒｄ）等の通信Ｉ／Ｆ１６を備えていてもよい。

【0026】

例えば、パラメータ記憶部１４０は、ストレージ１１又はメモリ１２により実現することができる。
制御部１３０は、プロセッサ１３がストレージ１１に記憶されているプログラムをメモリ１２にロードして、そのプログラムを実行することで、実現することができる。

【0027】

検出部１１０は、センサ１４により実現することができる。
接続Ｉ／Ｆ部１２０は、ＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）等に対応した接続Ｉ／Ｆ１５により実現することができる。
なお、上記のように、センサ１４及び接続Ｉ／Ｆ１５は、少なくとも何れか一方が備えられていればよい。
また、図示してはいないが、コンピュータ１０は、用途に応じて処理結果を表示する表示インターフェースを備えていてもよい。これにより、信号処理装置１００は、処理結果を表示する表示部（図示せず）を備えることができる。

【0028】

プログラムは、図示しないリーダ／ライタを介して、図示しない記録媒体から、あるいは、図示しない通信Ｉ／Ｆを介してネットワークから、ストレージ１１にダウンロードされ、それから、メモリ１２にロードされてプロセッサ１３により実行されてもよい。また、リーダ／ライタを介して記録媒体から、あるいは、通信Ｉ／Ｆを介してネットワークから、メモリ１２に直接ロードされ、プロセッサ１３により実行されてもよい。
言い換えると、プログラムは、記録媒体等のコンピュータプログラムプロダクトにより提供されてもよい。

【0029】

図４は、周波数解析部１３３での周波数解析処理を示すフローチャートである。
まず、周波数解析部１３３は、信号成形部１３２から一波形信号の入力を受けて（Ｓ１０）、一波形信号で示される一波形を抽出する。

【0030】

次に、周波数解析部１３３は、ステップＳ１０で抽出された一波形から波形長を算出する（Ｓ１１）。
そして、周波数解析部１３３は、算出された波形長から周期パラメータを取得する（Ｓ１２）。例えば、周波数解析部１３３は、ステップＳ１１で算出された波形長の逆数をとることで、基本波周波数を算出し、その基本周波数を周期パラメータとすればよい。なお、波形長そのものを周期パラメータとすることもできる。

【0031】

次に、周波数解析部１３３は、ステップＳ１０で抽出された一波形に対して、複素フーリエ級数展開に基づく周波数変換を施す（Ｓ１３）。
そして、周波数解析部１３３は、実フーリエスペクトルを算出する（Ｓ１４）。
また、周波数解析部１３３は、虚フーリエスペクトルを算出する（Ｓ１５）。
例えば、複素フーリエ級数展開において、周波数解析部１３３は、基本波周波数から、基本波周波数のｎ（ｎは、２以上の整数）倍の周波数までを対象として、合計ｎ個の周波数成分まで算出する。

【0032】

次に、周波数解析部１３３は、ステップＳ１４で算出された実フーリエスペクトルと、ステップＳ１５で算出された虚フーリエスペクトルとの各周波数成分の二乗和平方根から、周波数スペクトルを算出する（Ｓ１６）。
また、周波数解析部１３３は、ステップＳ１４で算出された実フーリエスペクトルと、ステップＳ１５で算出された虚フーリエスペクトルとの各周波数成分の逆正接から、位相スペクトルを算出する（Ｓ１７）。
例えば、５倍の周波数まで算出を行えば、５つの周波数成分からなる周波数スペクトル及び位相スペクトルが得られる。

【0033】

ここで、周波数解析部１３３は、ステップＳ１７において、位相スペクトルを、各周波数スペクトルにおける初期位相の値として、-π～πの範囲で求める。但し、-πとπは同一の意味をなす一方で、数値として最も離れた位置にあり、特徴量としての利用を制限する可能性が考えられるため、周波数解析部１３３は、位相の余弦をとり、実位相スペクトルを算出し、位相の正弦をとり、虚位相スペクトルを算出することが望ましい。

【0034】

次に、周波数解析部１３３は、ステップＳ１６で得られた周波数スペクトルを周波数方向に二乗和平方根で正規化する（Ｓ１８）。
これにより、周波数解析部１３３は、正規化周波数スペクトルを算出する（Ｓ１９）。
また、周波数解析部１３３は、ステップＳ１８での処理と同様に二乗和平方根を算出する（Ｓ２０）。

【0035】

そして、周波数解析部１３３は、ステップＳ１９で算出された正規化周波数スペクトル及びステップＳ１７で算出された位相スペクトルを、波形形状パラメータとして取得する（Ｓ２１）。なお、ステップＳ１７において実位相スペクトル及び虚位相スペクトルが算出されている場合には、これらが波形形状パラメータとして取得されることが望ましい。

【0036】

また、周波数解析部１３３は、ステップＳ２０で算出された二乗和平方根を、パワーパラメータとして取得する（Ｓ２２）。

【0037】

ここで、図５は、波形形状とパワーの分解を模式的に示す図である。

【0038】

以上の処理により、周波数解析部１３３は、周期、波形形状及びパワーへのパラメータ化を実現する。
これにより、周波数解析部１３３は、波形のもつパワーを基本波から高調波までのスペクトルの二乗和平方根により算出することで、波形の振幅値、言い換えると、ピーク値をパワーとするよりも、基本波から高調波までのスペクトルを考慮した、適切な形でのパワーの算出を実現することができる。また、周波数解析部１３３は、波形形状においても、信号全体の強弱と切り離した形での算出を実現することができる。

【0039】

以上のように、実施の形態１では、周波数解析部１３３が時系列信号を一波形毎に処理して、パラメータ格納部１１３が処理結果を連続的に記憶するので、時系列信号の周期、波形形状及びパワーのパラメータの経時変化を獲得することができる。

【0040】

実施の形態２．
図６は、実施の形態２に係る情報処理システムとしての感情判定システム１の構成を概略的に示すブロック図である。
感情判定システム１は、情報処理装置としての学習装置２００と、情報処理装置としての推論装置３００とを備える。
ここでは、学習装置２００及び推論装置３００は、インターネット等のネットワーク２０を介してデータの送受信が可能となっている。

【0041】

学習装置２００は、学習モデルの学習を行うフェーズである学習フェーズでの処理を行う。
推論装置３００は、学習装置２００から学習済みの学習モデルを取得して、時系列信号である脈波信号から感情の判定を学習済みの学習モデルを用いて検知するフェーズである推論フェーズでの処理を行う。脈波信号は、人から検出された脈波を示す信号である。

【0042】

図７は、実施の形態２における学習装置２００の構成を概略的に示すブロック図である。
学習装置２００は、制御部２３０と、パラメータ記憶部１４０と、通信Ｉ／Ｆ部２５０と、学習モデル記憶部２６０とを備える。

【0043】

実施の形態２における学習装置２００のパラメータ記憶部１４０は、実施の形態１に係る信号処理装置１００のパラメータ記憶部１４０と同様である。

【0044】

通信Ｉ／Ｆ部２５０は、ネットワーク２０を介した通信を行う。

【0045】

制御部２３０は、学習装置２００での処理を制御する。
制御部２３０は、信号取得部１３１と、信号成形部１３２と、周波数解析部１３３と、パラメータ格納部１３４と、データ取得部２３５と、学習部２３６とを備える。

【0046】

実施の形態２における制御部２３０の信号取得部１３１、信号成形部１３２、周波数解析部１３３及びパラメータ格納部１３４は、実施の形態１における制御部１３０の信号取得部１３１、信号成形部１３２、周波数解析部１３３及びパラメータ格納部１３４と同様である。
但し、信号取得部１３１は、後述するように、データ取得部２３５から時系列信号を取得する。

【0047】

データ取得部２３５は、時系列信号としての脈波信号と、脈波信号が取得された対象の感情を示すラベルとを含む教師データを取得する。ここで、ラベルは、脈波信号における予め定められた周期毎に、その周期における対象の感情を示しているものとする。なお、ここでは、脈波信号が取得される対象は人であるものとし、その人を学習対象者ともいう。

【0048】

データ取得部２３５は、例えば、通信Ｉ／Ｆ部２５０を介して、図示しない他の装置から教師データを取得してもよく、図示しない記憶部から教師データを読み出すことで、その教師データを取得してもよい。取得された教師データに含まれている脈波信号は、信号取得部１３１に与えられ、ラベルは、学習部２３６に与えられる。

【0049】

学習部２３６は、パラメータ記憶部１４０に記憶されている予め定められた周期毎の周期パラメータ、パワーパラメータ及び波形形状パラメータと、その周期に対応するラベルとを用いることで、脈波信号から、その脈波信号が取得された対象の感情を推論するための学習モデルを学習する。ここで、学習に使用されるパワーパラメータ、周期パラメータ及び波形形状パラメータを、それぞれ学習用パワーパラメータ、学習用周期パラメータ及び学習用波形形状パラメータともいう。

【0050】

例えば、学習部２３６は、少なくともパワーパラメータを例題として使用して、そのパワーパラメータに対応する一波形が取得された際の人の感情を正解として学習することで、その人の感情を推論するための学習モデルを生成する。なお、学習に使用される時系列信号から特定される一波形を学習用一波形ともいう。

【0051】

なお、学習部２３６が使用する機械学習手法としては、ニューラルネットワーク又はサポートベクターマシンを好例に選択できるが、その他の機械学習手法が用いられてもよい。学習に使用されるパラメータは、周期パラメータ、パワーパラメータ及び波形形状パラメータの少なくとも一つのパラメータが使用されればよい。ここでは、パワーパラメータは少なくとも使用されるものとする。

【0052】

学習モデル記憶部２６０は、学習部２３６により学習された学習モデルを記憶する。
通信Ｉ／Ｆ部２５０は、学習モデル記憶部２６０に記憶されている学習モデルを、推論装置３００に送信する。

【0053】

以上に記載された学習装置２００も、図３に示されているようなコンピュータ１０で実現することができる。
例えば、パラメータ記憶部１４０及び学習モデル記憶部２６０は、ストレージ１１又はメモリ１２により実現することができる。
制御部２３０は、プロセッサ１３がストレージ１１に記憶されているプログラムをメモリ１２にロードして、そのプログラムを実行することで、実現することができる。
通信Ｉ／Ｆ部２５０は、通信Ｉ／Ｆ１６により実現することができる。

【0054】

図８は、実施の形態２における推論装置３００の構成を概略的に示すブロック図である。
推論装置３００は、検出部１１０と、接続Ｉ／Ｆ部１２０と、制御部３３０と、パラメータ記憶部１４０と、通信Ｉ／Ｆ部３５０と、学習モデル記憶部３６０とを備える。

【0055】

実施の形態２における推論装置３００の検出部１１０、接続Ｉ／Ｆ部１２０及びパラメータ記憶部１４０は、実施の形態１における信号処理装置１００の検出部１１０、接続Ｉ／Ｆ部１２０及びパラメータ記憶部１４０と同様である。

【0056】

通信Ｉ／Ｆ部３５０は、ネットワーク２０を介した通信を行う。
例えば、通信Ｉ／Ｆ部３５０は、ネットワーク２０を介して、学習装置２００からの学習モデルを受信する。
学習モデル記憶部３６０は、通信Ｉ／Ｆ部３５０で受信された学習モデルを記憶する。

【0057】

制御部３３０は、推論装置３００での処理を制御する。
制御部３３０は、信号取得部１３１と、信号成形部１３２と、周波数解析部１３３と、パラメータ格納部１３４と、推論部３３７とを備える。
実施の形態２における制御部３３０の信号取得部１３１、信号成形部１３２、周波数解析部１３３及びパラメータ格納部１３４は、実施の形態１における制御部１３０の信号取得部１３１、信号成形部１３２、周波数解析部１３３及びパラメータ格納部１３４と同様である。

【0058】

推論部３３７は、パラメータ記憶部１４０に記憶されている予め定められた周期毎の周期パラメータ、パワーパラメータ及び波形形状パラメータを、学習モデル記憶部３６０に記憶されている学習モデルに入力することで、そのパラメータに対応する感情を推論する。
なお、推論部３３７が使用するパラメータは、学習装置２００が学習に使用したパラメータであればよい。

【0059】

以上に記載された推論装置３００も、図３に示されているようなコンピュータ１０で実現することができる。
例えば、パラメータ記憶部１４０及び学習モデル記憶部３６０は、ストレージ１１又はメモリ１２により実現することができる。
制御部３３０は、プロセッサ１３がストレージ１１に記憶されているプログラムをメモリ１２にロードして、そのプログラムを実行することで、実現することができる。
通信Ｉ／Ｆ部３５０は、通信Ｉ／Ｆ１６により実現することができる。

【0060】

例えば、快及び不快、又は、覚醒及び非覚醒といった感情状態がラベル付けされた脈波信号のデータセットを用いて、快及び不快の分類、又は、覚醒及び非覚醒を分類する際に、実施の形態２に係る感情判定システム１が適用されてもよい。

【0061】

人の内的状態である感情が、一波形内の変化を表す脈波形状（波形形状）に表れることが知られており、複数脈拍分の脈波形状（波形形状）のパラメータのみを用いて、それぞれＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）による学習を行うようにしてもよい。これにより、脈波形状からパワーを分離することで信号全体の強弱に関する成分を切り離し、血管のバイオメカニクスからなる脈波形状の成分を時間周波数領域で適切に学習させることができ、適切な分類が可能となる。

【0062】

実施の形態３．
以上に記載した実施の形態２は、パラメータを基に機械学習により識別を行うものであるが、回帰を行うことで波形予測を行ってもよい。
図６に示されているように、実施の形態３に係る情報処理システムとしての信号予測システム２は、情報処理装置としての学習装置４００と、情報処理装置としての推論装置５００とを備える。
ここでは、学習装置４００及び推論装置５００は、インターネット等のネットワーク２０を介してデータの送受信が可能となっている。

【0063】

学習装置４００は、学習モデルの学習を行うフェーズである学習フェーズでの処理を行う。
推論装置５００は、学習装置４００から学習済みの学習モデルを取得して、時系列信号から将来の時系列信号を学習済みの学習モデルを用いて予測するフェーズである推論フェーズでの処理を行う。

【0064】

図９は、実施の形態３における学習装置４００の構成を概略的に示すブロック図である。
学習装置４００は、検出部１１０と、接続Ｉ／Ｆ部１２０と、制御部４３０と、パラメータ記憶部４４０と、通信Ｉ／Ｆ部２５０と、学習モデル記憶部２６０とを備える。

【0065】

実施の形態４における学習装置４００の検出部１１０及び接続Ｉ／Ｆ部１２０は、実施の形態１における信号処理装置１００の検出部１１０及び接続Ｉ／Ｆ部１２０と同様である。
また、実施の形態４における学習装置４００の通信Ｉ／Ｆ部２５０及び学習モデル記憶部２６０は、実施の形態２における学習装置２００の通信Ｉ／Ｆ部２５０及び学習モデル記憶部２６０と同様である。

【0066】

制御部４３０は、学習装置４００での処理を制御する。
制御部４３０は、信号取得部１３１と、信号成形部１３２と、周波数解析部１３３と、パラメータ格納部４３４と、学習部４３６とを備える。

【0067】

実施の形態４における制御部４３０の信号取得部１３１、信号成形部１３２及び周波数解析部１３３は、実施の形態１における制御部１３０の信号取得部１３１、信号成形部１３２及び周波数解析部１３３と同様である。
但し、信号取得部１３１は、取得された時系列信号をパラメータ格納部４３４にも与える。

【0068】

パラメータ格納部４３４は、周波数解析部１３３からの周期パラメータ、パワーパラメータ及び波形形状パラメータと、時系列信号をとパラメータ記憶部４４０に格納する。

【0069】

パラメータ記憶部４４０は、周期パラメータ、パワーパラメータ及び波形形状パラメータと、時系列信号とを記憶する。

【0070】

学習部４３６は、パラメータ記憶部１４０に記憶されている予め定められた周期毎の周期パラメータ、パワーパラメータ及び波形形状パラメータを用いることで、将来における時系列信号を予測するための学習モデルを学習する。

【0071】

例えば、学習部４３６は、第１の時間における時系列信号に対応する少なくともパワーパラメータを例題として使用して、その第１の時間よりも後の時間である第２の時間の時系列信号を正解として学習することで、将来の時系列信号を推論するための学習モデルを生成する。なお、学習に使用されるパワーパラメータ、周期パラメータ及び波形形状パラメータを、それぞれ学習用パワーパラメータ、学習用周期パラメータ及び学習用波形形状パラメータともいう。

【0072】

なお、学習部４３６が使用する機械学習手法としては、ニューラルネットワークを好例に選択できるが、その他の機械学習手法が用いられてもよい。学習に使用されるパラメータは、周期パラメータ、パワーパラメータ及び波形形状パラメータの少なくとも一つのパラメータが使用されればよい。ここでは、パワーパラメータは少なくとも使用されるものとする。

【0073】

以上のようにして学習された学習モデルは、学習モデル記憶部２６０に記憶され、通信Ｉ／Ｆ部２５０により、推論装置５００に送信される。

【0074】

以上に記載された学習装置４００も、図３に示されているようなコンピュータ１０で実現することができる。
例えば、パラメータ記憶部４４０及び学習モデル記憶部２６０は、ストレージ１１又はメモリ１２により実現することができる。
制御部４３０は、プロセッサ１３がストレージ１１に記憶されているプログラムをメモリ１２にロードして、そのプログラムを実行することで、実現することができる。
通信Ｉ／Ｆ部２５０は、通信Ｉ／Ｆ１６により実現することができる。

【0075】

図８に示されているように、実施の形態３における推論装置５００は、検出部１１０と、接続Ｉ／Ｆ部１２０と、制御部５３０と、パラメータ記憶部１４０と、通信Ｉ／Ｆ部３５０と、学習モデル記憶部３６０とを備える。

【0076】

実施の形態３における推論装置５００の検出部１１０、接続Ｉ／Ｆ部１２０及びパラメータ記憶部１４０は、実施の形態１における信号処理装置１００の検出部１１０、接続Ｉ／Ｆ部１２０及びパラメータ記憶部１４０と同様である。
実施の形態３における推論装置５００の通信Ｉ／Ｆ部３５０及び学習モデル記憶部３６０は、実施の形態２における推論装置３００の通信Ｉ／Ｆ部３５０及び学習モデル記憶部３６０と同様である。

【0077】

制御部５３０は、推論装置５００での処理を制御する。
制御部５３０は、信号取得部１３１と、信号成形部１３２と、周波数解析部１３３と、パラメータ格納部１３４と、推論部５３７とを備える。
実施の形態３における制御部５３０の信号取得部１３１、信号成形部１３２、周波数解析部１３３及びパラメータ格納部１３４は、実施の形態１における制御部１３０の信号取得部１３１、信号成形部１３２、周波数解析部１３３及びパラメータ格納部１３４と同様である。

【0078】

推論部５３７は、パラメータ記憶部１４０に記憶されている予め定められた周期毎の周期パラメータ、パワーパラメータ及び波形形状パラメータを、学習モデル記憶部３６０に記憶されている学習モデルに入力することで、そのパラメータから将来における時系列信号を推論する。
なお、推論部５３７が使用するパラメータは、学習装置４００が学習に使用したパラメータであればよい。

【0079】

以上に記載された推論装置５００も、図３に示されているようなコンピュータ１０で実現することができる。
例えば、パラメータ記憶部１４０及び学習モデル記憶部３６０は、ストレージ１１又はメモリ１２により実現することができる。
制御部５３０は、プロセッサ１３がストレージ１１に記憶されているプログラムをメモリ１２にロードして、そのプログラムを実行することで、実現することができる。
通信Ｉ／Ｆ部３５０は、通信Ｉ／Ｆ１６により実現することができる。

【0080】

例えば、東京の日別平均気温の変化を記憶した約１０年間分のデータから、将来の東京の日別平均気温の変化を予測する際に、実施の形態３に記載された信号処理が適用されてもよい。このとき、波形形状は、東京の四季の移り変わりの変化の仕方を表し、パワーは、一年間を通した寒暖差の強弱の程度の変化を表し、周期は、四季の移り変わりの周期を表す。ここで、周期は、一年間の周期で変化しないため、周期パラメータについては、学習に不要である。そのため、波形形状及びパワーの２つのパラメータを用いて、それぞれＬＳＴＭ（Ｌｏｎｇ Ｓｈｏｒｔ Ｔｅｒｍ Ｍｅｍｏｒｙ）による学習を行うことで、従来のパラメータ化及び学習手法に比べて、適切に推論を行うことができる。
この場合、例えば、１０年分のパラメータから、その次の一年の時系列信号を予測するように学習モデルが学習されればよい。

【0081】

実施の形態４．
図１０は、実施の形態４に係る情報処理装置である信号再構成装置６００の構成を概略的に示すブロック図である。
信号再構成装置６００は、検出部１１０と、接続Ｉ／Ｆ部１２０と、制御部６３０と、パラメータ記憶部１４０とを備える。
なお、図１０では、検出部１１０及び接続Ｉ／Ｆ部１２０の両方が備えられているが、信号再構成装置６００は、少なくともこれらの何れか一方を備えていればよい。

【0082】

実施の形態４に係る信号再構成装置６００の検出部１１０、接続Ｉ／Ｆ部１２０及びパラメータ記憶部１４０は、実施の形態１に係る信号処理装置１００の検出部１１０、接続Ｉ／Ｆ部１２０及びパラメータ記憶部１４０と同様である。

【0083】

制御部６３０は、信号再構成装置６００での処理を制御する。
制御部６３０は、信号取得部１３１と、信号成形部１３２と、周波数解析部１３３と、パラメータ格納部１３４と、信号フィルタ部６３８と、逆変換部６３９とを備える。

【0084】

実施の形態６における制御部６３０の信号取得部１３１、信号成形部１３２、周波数解析部１３３及びパラメータ格納部１３４は、実施の形態１における制御部１３０の信号取得部１３１、信号成形部１３２、周波数解析部１３３及びパラメータ格納部１３４と同様である。

【0085】

信号フィルタ部６３８は、パワーパラメータ、周期パラメータ及び波形形状パラメータの少なくとも一つにフィルタ処理を施す。
例えば、信号フィルタ部６３８は、パラメータ記憶部１４０に記憶されている周期パラメータ、パワーパラメータ及び波形形状パラメータの内、不要な成分を削除又は定数に置き換える処理を実行する。

【0086】

具体的には、時系列信号の周期的変動をなくす場合は、信号フィルタ部６３８は、周期パラメータを定数に置き換える。
また、時系列信号の経時的な強弱の変化をなくす場合は、信号フィルタ部６３８は、パワーパラメータを定数に置き換える。
さらに、時系列信号の高調波成分をなくし、単純なサイン波で表現する場合は、信号フィルタ部６３８は、波形形状パラメータの高調波成分を０に置き換える。
以上のようにしてフィルタ加工されたパラメータは、逆変換部６３９に与えられる。

【0087】

逆変換部６３９は、信号フィルタ部６３８によるフィルタ処理後のパワーパラメータ、周期パラメータ及び波形形状パラメータを時系列信号に変換する。
例えば、逆変換部６３９は、信号フィルタ部６３８でフィルタ加工されたパラメータを用いて、一波形毎に逆複素フーリエ級数展開を施すことで、再構成信号を算出する。

【0088】

例えば、脈波ドップラーセンサにより取得された時系列信号としての脈波信号においては、信号提供者との距離が脈波信号の振幅に影響を及ぼし、一波一波の波形の強弱の情報がノイズとみなされるときがある。このとき、脈拍周期及び脈波形状のパラメータを用いて、脈波パワーを一波形毎に変化しない定数に置き換えて逆変換することで、経時的な信号の強弱の成分を除した再構成信号を出力することができる。

【0089】

以上に記載された信号再構成装置６００も、図３に示されているようなコンピュータ１０で実現することができる。
例えば、制御部６３０は、プロセッサ１３がストレージ１１に記憶されているプログラムをメモリ１２にロードして、そのプログラムを実行することで、実現することができる。

【符号の説明】

【0090】

１ 感情判定システム、 ２ 信号予測システム、 １００ 信号処理装置、 ２００，４００ 学習装置、 ３００，５００ 推論装置、 ６００ 信号再構成装置、 １１０ 検出部、 １２０ 接続Ｉ／Ｆ部、 １３０，２３０，３３０，４３０，５３０，６３０ 制御部、 １３１ 信号取得部、 １３２ 信号成形部、 １３３ 周波数解析部、 １３４，４３４ パラメータ格納部、 ２３５ データ取得部、 ２３６，４３６ 学習部、 ３３７，５３７ 推論部、 ６３８ 信号フィルタ部、 ６３９ 逆変換部、 １４０，４４０ パラメータ記憶部、 ２５０，３５０ 通信Ｉ／Ｆ部、 ２６０，３６０ 学習モデル記憶部。

【要約】

信号処理装置（１００）は、複数の波形を示す時系列信号を取得する信号取得部（１３１）と、その時系列信号から一波形を特定する信号成形部（１３２）と、その一波形のパワーを示すパラメータであるパワーパラメータを算出する周波数解析部（１３３）とを備える。

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】