JP2012228492A - 生体状態診断方法 - Google Patents
生体状態診断方法 Download PDFInfo
- Publication number
- JP2012228492A JP2012228492A JP2011110806A JP2011110806A JP2012228492A JP 2012228492 A JP2012228492 A JP 2012228492A JP 2011110806 A JP2011110806 A JP 2011110806A JP 2011110806 A JP2011110806 A JP 2011110806A JP 2012228492 A JP2012228492 A JP 2012228492A
- Authority
- JP
- Japan
- Prior art keywords
- value
- pulse wave
- subject
- analysis
- voice
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
【課題】 本発明は、被験者が自ら発する発声からの音声信号とその被験者の脈波信号とから独自の解析を行うことにより、被験者の内蔵の健康状態を副作用の生じる可能性のある負荷をかけずに素早く診断する方法を提供することを課題とする。
【解決手段】 本発明による生体状態診断方法では、被験者の発声から音声信号を取得する工程と、前記被験者から脈波信号を取得する工程と、前記音声信号及び前記脈波信号を合成及び振幅変調して変調信号を生成する工程と、前記変調信号を解析して解析値を求める演算工程と、前記解析値を基準値と比較判定する比較判定工程とからなることを特徴とする。
【選択図】図2
【解決手段】 本発明による生体状態診断方法では、被験者の発声から音声信号を取得する工程と、前記被験者から脈波信号を取得する工程と、前記音声信号及び前記脈波信号を合成及び振幅変調して変調信号を生成する工程と、前記変調信号を解析して解析値を求める演算工程と、前記解析値を基準値と比較判定する比較判定工程とからなることを特徴とする。
【選択図】図2
Description
本発明は、人の内臓の健康状態等の生体状態を素早く診断する方法に関する。
人の健康状態は従来、血液検査等の検査を行って判断していた。しかし、このような検査は検査値が出るまでに時間がかかってしまうという問題点があった。現在の医療では、放射線やそのほかの副作用の生じる可能性のある負荷をかけずに臓器の機能を決定できる方法が存在しないという問題がある。臨床検査では、1つの特定の機能について調べることができるが、すべての臓器の機能については調べることができず、ホリスティックアプローチをとる場合には、臨床検査ではコストが高額になるという問題がある。
一方、人の脈波を測定する方法は特許文献1を始めとして、いくつか過去に提案されている。これは動脈を流れる血流による脈波を測定することにより、脈拍数や脈波波形などの生体情報を得て健康管理に役立てるものであり、指先にセンサーを装着するタイプの測定器が市販されている。しかし、脈波だけで人の内臓の健康状態を判断することはできなかった。
本発明は、被験者が自ら発する発声からの音声信号とその被験者の脈波信号とから独自の解析を行うことにより、被験者の内蔵の健康状態を副作用の生じる可能性のある負荷をかけずに素早く診断する方法を提供することを課題とする。
上記課題を解決するため本発明による生体状態診断方法では、被験者の発声から音声信号を取得する工程と、前記被験者から脈波信号を取得する工程と、前記音声信号及び前記脈波信号を合成及び振幅変調して変調信号を生成する工程と、前記変調信号を解析して解析値を求める演算工程と、前記解析値を基準値と比較判定する比較判定工程とからなることを特徴とする。
前記音声信号が日本語の「あ」、「お」、「う」、「え」、「い」、「ん」の六声から選ばれた1以上の音声であることが好適である。これは、「あ」の音声を発声することにより「あ」と同じ固有振動数を持つ目、脳、神経系といった生体システムが共振して音声信号が変化する。生体システムに障害(病気など)がある場合は、この共振が小さくなるため音声信号の変化も小さくなる。従って、音声信号の共振の度合いを評価することにより目、脳、神経系といった生体システムの生体情報を判断することができる。同様に、「お」の音声を用いれば甲状腺、副甲状腺、呼吸器系、喉頭の生体情報、「う」では心臓、肺、循環器系の生体情報、「え」では胃、肝臓、膵臓、脾臓、消化器の生体情報、「い」では腎臓、腸の生体情報、また「ん」では生殖器、膀胱の生体情報をそれぞれ判断することができる。音声信号の取得方法としては、マイクロフォン等を利用することができる。
前記脈波信号は指尖脈波信号であることが好ましい。これは、市販の脈波測定器を利用できるためである。
脈波による音声信号の振幅変調の様子を図1に示す。(a)が音声信号、(b)が脈波信号であり、これらを合成して振幅変調することにより(c)の信号が得られる。
前記演算工程ではカオス分析を使用し、前記解析値としてリアプノフ指数及び/またはエントロピーの共振峰値増幅率を使用することがより好適である。カオス分析においては、Takens定理により時系列データからカオスアトラクターを求める。図3に示したように、観測された一本の時系列データをw(k)(k=0,1,2,3・・・)とする。このデータを用いて、ベクトルPi=(w(i),w(i+τ),w(i+2τ))を作成する。図3に示したのは例として3次元ベクトルとした。τは埋め込み遅延時間で時間遅れを表す量である。このベクトルPiを、3次元再構成相空間内(座標軸はXi=(w(i),Yi=w(i+τ),Zi=w(i+2τ))に順次プロットしていくと(i=0,1,2,....,n)軌道が描ける。これがカオスアトラクターである。
リアプノフ指数とは、xn+1=f(xn)という力学系において、近接した2点から出発した2つの軌道{xn}がn→+∞のときにどのくらい離れてゆくかを測る尺度で、式1として定義される。
リアプノフ指数は、カオスアトラクターを力学系として見た場合の不安定さを示す数値であり、値が大きいほど不安定、小さいほど安定であることを示す。この場合の不安定とは、系に小さな力を加えた際に、大きな状態の変化となって現れることを意味する。リアプノフ指数の値が大きいほど、変動の予測が難しいことを意味する。リアプノフ指数が負の場合、軌道は周期点へ収束する。反対に正の場合は、十分近い2点から出発した軌道が指数関数的にその距離を広げていく。
次に、測定データからのリアプノフ指数の計算について説明する。観測された一本の時系列データを再構成して、再構成した軌道マトリクスにより数値的にリアプノフ指数を計算する。
図4に示したように、3次元のカオス力学系に初期値として半径εの微小球(超球)を与えたとすると、最初は球であったものが1回写像されることによりe1方向に引き延ばされ、e3方向には押しつぶされる結果、楕円体となる。このときのe1,e2,e3方向に対する単位時間当りの拡大率の対数をλ1,λ2,λ3とすると、これらのλ1,λ2,λ3がリアプノフ指数となる。計算繰り返し回数だけこの超球をとる操作を繰り返し、それらの総和から平均を求めることによりリアプノフ指数を算出する。
実際のプログラミングにおいては、超球の選択に対して、m次元空間内に埋め込まれたアトラクター上の1点を中心とした微小半径εの球を超球とする。アトラクター上で、この球の中に入る点を探し出し、それぞれの点から発展時間後の点への変化量を線形近似することにより、各e1,e2,e3・・・en方向の拡大率を計算する。Lは、各軸方向のアトラクターの最大値を最小値の差の二乗和の平方根で、アトラクターの大きさを表す数値であるが、プログラムでは、ε/Lの値で超球の大きさを与える。超球の大きさを大きくすると、超球の中に入る点の数が多くなるが、あまり大きすぎると軌道の発展方向とは無関係の点まで含めてしまうことになる。逆に、超球を小さくしすぎると、超球の中に入る点が少なくなるので平均効果が小さくなり、ノイズの影響を受けやすくなる。従って適当な超球サイズを選択する必要がある。発展時間はある超球から次の超球までの時間間隔を意味するが、プログラムにおいてはデータの点数で入力する。発展時間に大きな値を代入すると超球と超球との間隔が広がり、逆に小さな値を代入すると間隔が狭まる。発展時間を大きくしすぎると線形近似計算精度が低下し、小さくしすぎるとノイズによる影響を受けやすくなる。従って、発展時間についても分析対象のデータの特性により調整する必要がある。これに対し、時間発展した回数、或いは計算繰り返し回数は、計算時間を短縮するために設けたパラメータで、回数が少ないほど計算時間は短くなる。回数が多ければ計算精度は向上するが、計算時間は長くなる。計算データ点数が十分であるかどうかは、計算結果のグラフでリアプノフ指数が収束しているかどうかで判断できる。
エントロピーの計算について説明する。ある測定の結果が必ず単位区間上にあるような仮想的な統計系を考え、この区間をN個の小区間に分割する。そして、i番目の小区間が可能な結果のうちある特定の範囲を含む場合は、それに確率Piを充てることができる。そのときの系のエントロピーは、式2として定義される。
次に、カオスアトラクターのエントロピー計算のアルゴリズムについて説明する。図5に、カオスアトラクター表示を簡略化して2次元で示した。黒丸はアトラクターの点を表す。エントロピーの計算では、まず左上から1つ1つのセルについて、アトラクターの点が何個入っているかを調べる。そしてその確率Piを求める。図5の場合は、上から2行目左から2列目及び4列目、並びに最下行左から3列目には2個の点が入っていて、アトラクターの全点数が14点であるので、これらのセルに入る確率Piは2/14=0.1428となる。同様に、1個も入っていないセルの確率は0、1個入っているセルの確率は1/14、3個入っているセルの確率は3/14となる。実際には、上記のような手法により4次元空間のすべてのセルについてその確率を求める。これらの確率を式2に代入して、すべてのセルについてのエントロピーを求める。
上記のリアプノフ指数或いはエントロピー値は複数回求めた上で、それらの傾向を把握することが望ましい。図2にエントロピー値による例を示した。横軸が測定回数であり縦軸がエントロピー値である。測定回数によりエントロピー値が変動するため、この変動の程度を共振峰値増幅率として計算する。その計算式は、R=((Sp−S0)/S0)×100(%)である。この式において、Spは共振峰値の最大値、S0は最小値である。一般的には、Rが大きいほど健康状態であり、Rが50%以下の場合は病気の疑いがある。
或いは、前記演算工程においてPower−law解析を使用し、前記解析値としてPower−law指数を用いることもできる。Power−law解析法について以下に説明する。
X(1),X(2),X(3),....,X(N)を時系列データとすると、まず、全体の平均値Mを計算し、各値から平均値を引いたものと積分して式3を計算する。
X(1),X(2),X(3),....,X(N)を時系列データとすると、まず、全体の平均値Mを計算し、各値から平均値を引いたものと積分して式3を計算する。
式3において、X(i)は時系列データでi=1,2,...,Nであり、MはX(i)の平均値である。このようにして求めた積分後の時系列y(k)を、図6に示したように等間隔nのボックスで分割し、そのボックス内で最小二乗近似直線yn(k)(ローカルトレンド)を求める。y(k)からyn(k)のトレンドを除去して二乗し、その平均値の平方根F(n)(平均二乗誤差)を求める式は式4となる。
すべての時間スケールに対してF(n)を計算し、横軸にlogn、縦軸にlogF(n)としてプロットした時の直線部分の傾きがPower−law指数αとなる。この指数の値により時系列データX(i)を以下のように分類できる。
0<α<0.5 反相関
α=0.5 無相関、ホワイトノイズ
0.5<α<1.0 長距離相関
α=1 1/fゆらぎ
α>1 相関はあるが、フラクタル性・自己相似性を表す。Power Lawがない。
α=1.5 ブラウンノイズ(ホワイトノイズの積分)、ランダムウォーク。
0<α<0.5 反相関
α=0.5 無相関、ホワイトノイズ
0.5<α<1.0 長距離相関
α=1 1/fゆらぎ
α>1 相関はあるが、フラクタル性・自己相似性を表す。Power Lawがない。
α=1.5 ブラウンノイズ(ホワイトノイズの積分)、ランダムウォーク。
被験者が自ら発する発声からの音声信号とその被験者の脈波信号とから独自の解析を行うことにより、被験者の内蔵の健康状態を副作用の生じる可能性のある負荷をかけずにその場で素早く診断することができる。また、1つの特定の臓器の健康状態の診断のみならず、すべての臓器の健康状態を簡単に診断できる。
以下、本発明の好適な実施例について説明する。装置構成としては、音声信号を取得するためにマイクロフォンを使用し、脈波信号を取得するために近赤外光センサーを備えたカフを用いた指尖脈波計測器を製作して脈波信号を取得に使用した。演算及び比較判定はコンピュータを用いてプログラムにより行った。
実施例1−老人施設(滋賀県野州町の老人ホーム及びデイケアセンター、並びに滋賀県中主町の老人ホーム)の入所者29名(年齢55〜100歳、平均83.1歳)を被験者として、音声「あ」による解析を行い、リアプノフ指数の共振峰値と意思疎通度(認知度)との比較を行った。意思疎通度は、「1:完全に通じる」、「2:ある程度通じる」、「3:ほとんど通じない」の3段階の評価とし、上記施設の医師により判定してもらった。その結果を図7に示す。横軸はそれぞれの被験者であり、数字は意思疎通度を表す。縦軸はリアプノフ指数の共振峰値である。重相関解析の結果、重相関係数R2=0.76という高い相関性が得られた。これは、リアプノフ指数の共振峰値により意思疎通度の評価ができることを示す。
実施例2−心臓血管研究所の患者(心房細動患者6名、心筋梗塞患者7名、狭心症患者7名)を被験者として、音声「う」による解析を行い、Power−law指数αと医師による総合診断結果(ECG、血圧、採血など)と比較した。その結果を図8に示す。横軸は病名で、Normalは健常、AFは心房細動、APは狭心症、OMIは心筋梗塞を表す。図8から明らかなように、各病気の患者の指数値は健常者に比べて低いことがわかる。従って、「う」の音声を用いると、心疾患の可能性が判断できる。
以上の実施例においては、「あ」及び「う」の音声を用いたが、「お」、「え」、「い」、「ん」の音声を用いれば、体のその他の場所の疾患の可能性を判断することが可能となる。従って、本発明による診断方法を用いることにより、体の各部の疾患の可能性を副作用の生じる可能性のある負荷をかけずにその場で判断することができる。
本発明によれば、体の各部の疾患の可能性を副作用の生じる可能性のある負荷をかけずに簡単な装置で迅速に判断することができ、さらに複数の臓器の状態を同時に判断することもできるため、医療分野において大いに貢献できるものである。
Claims (7)
- 被験者の発声から音声信号を取得する工程と、前記被験者から脈波信号を取得する工程と、前記音声信号及び前記脈波信号を合成及び振幅変調して変調信号を生成する工程と、前記変調信号を解析して解析値を求める演算工程と、前記解析値を基準値と比較判定する比較判定工程とからなることを特徴とする生体状態診断方法。
- 前記音声信号が日本語の「あ」、「お」、「う」、「え」、「い」、「ん」の六声から選ばれた1以上の音声であることを特徴とする請求項1記載の生体状態診断方法。
- 前記脈波信号が指尖脈波信号であることを特徴とする請求項1または2記載の生体状態診断方法。
- 前記演算工程がカオス分析を使用したものであることを特徴とする請求項1乃至3のいずれかに記載の生体状態診断方法。
- 前記解析値がリアプノフ指数及び/またはエントロピーの共振峰値増幅率であることを特徴とする請求項4記載の生体状態診断方法。
- 前記演算工程がPower−law解析を使用したものであることを特徴とする請求項1乃至3のいずれかに記載の生体状態診断方法。
- 前記解析値がPower−law指数であることを特徴とする請求項6記載の生体状態診断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2011110806A JP2012228492A (ja) | 2011-04-25 | 2011-04-25 | 生体状態診断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2011110806A JP2012228492A (ja) | 2011-04-25 | 2011-04-25 | 生体状態診断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2012228492A true JP2012228492A (ja) | 2012-11-22 |
Family
ID=47430561
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2011110806A Pending JP2012228492A (ja) | 2011-04-25 | 2011-04-25 | 生体状態診断方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2012228492A (ja) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015100525A (ja) * | 2013-11-25 | 2015-06-04 | 株式会社カオテック研究所 | 診断データ生成装置および診断装置 |
WO2019177183A1 (ko) * | 2018-03-12 | 2019-09-19 | 미디어젠 주식회사 | 언어 장애 발생 진단을 이용한 건강 이상 예측시스템 및 예측방법 |
KR102274140B1 (ko) * | 2020-11-30 | 2021-07-08 | 주식회사 뉴엠 | 생체 신호 측정 교육 시스템 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS62226180A (ja) * | 1986-03-27 | 1987-10-05 | セイコーエプソン株式会社 | 授能装置 |
JPH09308614A (ja) * | 1996-05-21 | 1997-12-02 | Matsushita Electric Ind Co Ltd | 運転者モニター装置とこれを用いた安全装置 |
JP2000113347A (ja) * | 1998-10-05 | 2000-04-21 | Ship Res Inst Ministry Of Transport | 音声による疲労・居眠り検知装置及び記録媒体 |
JP2002306492A (ja) * | 2001-04-16 | 2002-10-22 | Electronic Navigation Research Institute | カオス論的ヒューマンファクタ評価装置 |
JP2003079602A (ja) * | 2001-09-14 | 2003-03-18 | Electronic Navigation Research Institute | 心身診断システム |
JP2003144438A (ja) * | 2001-11-13 | 2003-05-20 | Electronic Navigation Research Institute | カオス論的脳機能診断装置 |
JP2006204502A (ja) * | 2005-01-27 | 2006-08-10 | Kwansei Gakuin | 精神的免疫度の測定装置 |
JP2006296704A (ja) * | 2005-04-20 | 2006-11-02 | Michiko Takaoka | 生体情報の処理方法および生体情報の処理装置 |
JP2009066017A (ja) * | 2007-09-10 | 2009-04-02 | Tokyo Metropolitan Univ | ストレス評価装置、ストレス評価システムおよびストレス評価プログラム |
JP2009269001A (ja) * | 2008-05-09 | 2009-11-19 | Shizuo Watanabe | 健康飲用水の製造方法 |
-
2011
- 2011-04-25 JP JP2011110806A patent/JP2012228492A/ja active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS62226180A (ja) * | 1986-03-27 | 1987-10-05 | セイコーエプソン株式会社 | 授能装置 |
JPH09308614A (ja) * | 1996-05-21 | 1997-12-02 | Matsushita Electric Ind Co Ltd | 運転者モニター装置とこれを用いた安全装置 |
JP2000113347A (ja) * | 1998-10-05 | 2000-04-21 | Ship Res Inst Ministry Of Transport | 音声による疲労・居眠り検知装置及び記録媒体 |
JP2002306492A (ja) * | 2001-04-16 | 2002-10-22 | Electronic Navigation Research Institute | カオス論的ヒューマンファクタ評価装置 |
JP2003079602A (ja) * | 2001-09-14 | 2003-03-18 | Electronic Navigation Research Institute | 心身診断システム |
JP2003144438A (ja) * | 2001-11-13 | 2003-05-20 | Electronic Navigation Research Institute | カオス論的脳機能診断装置 |
JP2006204502A (ja) * | 2005-01-27 | 2006-08-10 | Kwansei Gakuin | 精神的免疫度の測定装置 |
JP2006296704A (ja) * | 2005-04-20 | 2006-11-02 | Michiko Takaoka | 生体情報の処理方法および生体情報の処理装置 |
JP2009066017A (ja) * | 2007-09-10 | 2009-04-02 | Tokyo Metropolitan Univ | ストレス評価装置、ストレス評価システムおよびストレス評価プログラム |
JP2009269001A (ja) * | 2008-05-09 | 2009-11-19 | Shizuo Watanabe | 健康飲用水の製造方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015100525A (ja) * | 2013-11-25 | 2015-06-04 | 株式会社カオテック研究所 | 診断データ生成装置および診断装置 |
WO2019177183A1 (ko) * | 2018-03-12 | 2019-09-19 | 미디어젠 주식회사 | 언어 장애 발생 진단을 이용한 건강 이상 예측시스템 및 예측방법 |
KR102274140B1 (ko) * | 2020-11-30 | 2021-07-08 | 주식회사 뉴엠 | 생체 신호 측정 교육 시스템 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11476000B2 (en) | Methods and systems using mathematical analysis and machine learning to diagnose disease | |
US20220093216A1 (en) | Discovering novel features to use in machine learning techniques, such as machine learning techniques for diagnosing medical conditions | |
EP3629911A1 (en) | Machine differentiation of abnormalities in bioelectromagnetic fields | |
US20220093215A1 (en) | Discovering genomes to use in machine learning techniques | |
Katircioglu-Öztürk et al. | A window-based time series feature extraction method | |
JP2012228492A (ja) | 生体状態診断方法 | |
Al Younis et al. | Non-invasive technologies for heart failure, systolic and diastolic dysfunction modeling: A scoping review | |
US20230071467A1 (en) | Method and System to Non-Invasively Assess Elevated Left Ventricular End-Diastolic Pressure | |
Bhavnani et al. | Multicenter validation of a machine learning phase space electro-mechanical pulse wave analysis to predict elevated left ventricular end diastolic pressure at the point-of-care | |
Durga | Intelligent Support for Cardiovascular Diagnosis: The AI-CDSS Approach | |
Martinez et al. | Strategic attention learning for modality translation | |
CN118076290A (zh) | 非侵入性评估升高的左心室舒张末压的方法和*** | |
Zhang et al. | Reconstruction of arterial blood pressure waveforms based on squeeze-and-excitation network models using electrocardiography and photoplethysmography signals | |
Jahmunah | Development of advanced artificial intelligence techniques for the detection of myocardial infarction ECG signals in clinical settings | |
Fang et al. | Towards Personalized Real-time Cardiodynamic Status Monitoring: Multi-scale Modeling of the Heart Sound | |
Le | A nonlinear stochastic dynamic systems approach for personalized prognostics of cardiorespiratory disorders | |
Sutar et al. | A low-cost Diagnostic Support System for remote cardiac healthcare |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20130401 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20140130 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20140218 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20140624 |