JP2023510943A - 光データによる脈遷移時間測定のためのシステムおよび方法 - Google Patents

Abstract

ＰＴＴ（脈遷移時間）の決定に関するものを含む、脈拍数検出の精度を高めるための新たなシステムおよび方法が提供される。カメラ出力／入力の前処理、前処理されたカメラ信号からの脈動信号の抽出、およびその後の脈動信号の後処理を含むがこれに限定されない様々な態様が高い精度に寄与する。この改善された情報は、その後、不正確な光脈拍数検出方法では不可能な、正確なＢＰ決定などの分析のために用いられ得る。【選択図】図４

Description

本発明は、光データから決定される脈遷移時間（ＰＴＴ）測定値のためのシステムおよび方法に関し、特に、複数のカメラによる被験者のビデオデータからそのような測定値を決定するためのシステムおよび方法に関する。

心拍測定デバイスの歴史を１８７０年代まで遡ると、心拍周期（または心臓の鼓動）による電圧の変化を測定する最初の心電図（ＥＣＧまたはＥＫＧ）があった。ＥＫＧ信号は、心房の脱分極を表すＰ波、心室の脱分極を表すＱＲＳ群、および心室の再分極を表すＴ波という３つの主要成分で構成される。

第２の脈拍数検出技術は、フォトプレスチモグラフィ（ＰＰＧ ０９ｏｌ）と名付けられた、組織の微小血管床における血液量の変化を検出する光学測定である。ＰＰＧ測定において、末梢脈波は、収縮期ピークおよび拡張期ピークを示す特徴を持つ。収縮期ピークは、左心室から身体の末梢部へ移動する直接圧力波の結果であり、拡張期ピーク（または変曲）は、下半身動脈に圧力波が反射した結果である。

ＰＰＧベースのデバイスには、接触ベースと遠隔（ｒＰＰＧ）との２つのカテゴリが存在する。接触ベースのデバイスは、一般的に指において使用され、一般的に赤色およびＩＲ（赤外線）波長で光反射を測定する。一方、遠隔ＰＰＧデバイスは、一般的に顔の皮膚表面に反射した光を測定する。大半のｒＰＰＧアルゴリズムはＩＲカメラを使用せず、ＲＧＢカメラを使用する。

ＰＰＧ信号は、光と生体組織との相互作用から得られるので、（多重）散乱、吸収、反射、伝達、および蛍光に依存する。接触ベースの測定または遠隔ＰＰＧ測定に関するデバイスの種類に依存して、異なる効果が重視される。ｒＰＰＧ分析において、信号の便宜上の一次分解は、強度変動、（生体組織と相互作用しない）散乱、および脈動信号である。瞬時脈拍時間は、ＥＫＧ測定におけるＲ時間またはＰＰＧ測定における収縮期ピークから設定される。ＥＫＧの表記は、ｒＰＰＧ測定の収縮期ピークをＲ時間として示すために用いられる。瞬時心拍数は、毎分ビートを６０／ＲＲ（ｎ）として連続したＲ時間の差、ＲＲ（ｎ）＝Ｒ（ｎ）－Ｒ（ｎ－１）から評価される。

健康のために重視され得る追加の測定値は、脈遷移時間（ＰＴＴ）である。ＰＴＴは、脈圧（ＰＰ）波形が動脈樹の全長に伝搬するのに要する時間である。圧力波の速度は、脈波速度（ＰＷＶ）と称され、ＰＴＴを決定することによって推定され得る。脈圧波形は、左心室からの血液吐出の結果生じ、血液自体の前進よりも大幅に大きい速度で移動する。現在、指先で脈波形を記録するためには、ＥＣＧ（心電図）と指装着型デバイスとの組み合わせが必要である。しかし、これらのデバイスは使用が難しく、医療従事者による監督を必要とする。

正確な光脈拍数検出は、残念ながら様々な技術的問題に苛まれる。主な難点は、低い信号対雑音比がもたらされることにより脈拍数の検出に失敗することである。正確な脈拍数検出は、たとえばＰＴＴなどの追加の測定値の生成を必要とし、これには、パルス信号の開始ならびに指先における脈波形の正確な測定が必要である。

詳しく後述するように、身体の２つの異なる組織位置における信号からＨＲ信号測定値を取得することが、脈拍の開始を検出するために用いられ得る。脈波形の開始の検出と指先脈波形測定との組み合わせが、ＰＴＴの決定を支援する。

本願で特許請求の範囲に記載される発明は、脈拍数検出の精度を高めるための新たなシステムおよび方法を提供することによって、これらの難点を克服するものである。カメラ出力／入力の前処理、前処理されたカメラ信号からの脈動信号の抽出、その後の脈動信号の後処理を含むがこれに限定されない様々な態様が、高い精度に寄与する。この改善された情報は、その後、不正確な光脈拍数検出方法では不可能な、たとえばＨＲＶ決定などの分析のために用いられ得る。

指先における脈波形の決定は、指先自体で実際の測定が行われることを必要とする。そのような脈波形は、ビデオ画像の分析により、カメラで測定され得る。これらの脈波形測定値は、その後、ＰＴＴ測定値を生成するためにＨＲＶの決定と併用され得る。

上述したように、現在、ＰＴＴの決定には、ＥＣＧ（心電図）と、指先で脈波形を記録するための指装着型デバイスとの併用が必要である。ＥＣＧは、Ｒ波によって測定される心臓の活動を用いて、ＰＴＴ測定のための近位タイミング基準を決定するために用いられる。Ｅｓｍａｉｌｉ氏他（“Ｎｏｎ－ｉｎｖａｓｉｖｅ Ｂｌｏｏｄ Ｐｒｅｓｓｕｒｅ Ｅｓｔｉｍａｔｉｏｎ Ｕｓｉｎｇ Ｐｈｏｎｏｃａｒｄｉｏｇｒａｍ”、２０１７ ＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｓｙｍｐｏｓｉｕｍ ｏｎ Ｃｉｒｓｕｉｔｓ ａｎｄ Ｓｙｓｔｅｍｓ（ＤＯＩ：１０．１１０９／ＩＳＣＡＳ．２０１７．８０５０２４０））は、ＰＴＴ測定のための近位タイミング基準のためにＥＣＧではなく心音図（ＰＣＧ）を用いることを提案した。ＰＣＧは、各々が音を生じる心臓弁の開閉によって生成される。ＰＣＧのＳ１ピークは、血液が心臓から出る時に出される、検出可能な音である。この著者は、ＰＴＴを測定するためにＥＣＧのＲピークの代わりにＳ１ピークが用いられ得ることを提案した。実際の音と同様、これはマイクロフォンによって収集され得る。

しかし、この構成にも多数の欠点がある。たとえば、指装着型デバイスは特別なハードウェアであり、常に容易に利用可能というわけではない。ＥＣＧはデバイスとして更に複雑である。マイクロフォンの使用は、場合によっては、心臓のタイミング測定の複雑性を低減するが、たとえば背景雑音や身体から生じる他の雑音の問題など、他の問題点を招く。

これらの欠点は、以下に示す典型的な実装によって克服され得る。この目標を達成するために、適切なサンプリングレート分解能を有するデータ取得ハードウェアが用いられる。そのようなハードウェアは、好適には、心拍数（ＨＲ）を継続的に測定することが可能である。また、好適には、最小かつ一定のサンプリング遅延およびジッタをもたらすためにハードウェアクロックが同期される。その結果、取得された全ての信号は、ＨＲ測定に直接または間接的に用いられ得る時系列を表す。この機構は、信号を取得するために用いられるセンサが配置された様々な位置に従ってＨＲの検出に関する相対遅延時間が一定を保つという点でロバストである。この状況において、同じ脈拍の伝搬がなお相対遅延時間を提供する。センサペア間の距離は、好適には、信頼できる遅延時間をもたらすように選択され、より好適には、ＨＲ脈拍検出に関する遅延がハードウェア遅延よりも大きい。

本明細書に記載するように、そのようなセンサペアの非限定的な例は、身体の２つの異なる組織位置から採取された２つの異なる光データセットを指す。「２つ」とは、複数の位置および光データセットを意味するが、任意選択的に、異なるデータ位置の最小セットの好適な例に関するペアが言及される。そのような異なる光データセットは、たとえば、複数のカメラによって撮影され得る。

そのような実装の非限定的な例は、ユーザ（または被験者）の顔から光データを取得する第１のビデオカメラ、およびユーザ（または被験者）の指から光データを取得する第２のビデオカメラである。非限定的な例として、スマートフォン、携帯電話、タブレット、モバイルフォン、または２つのカメラを有する他のコンピュータデバイスを含むがこれに限定されない、２つの異なるカメラを有するデバイスが用いられ得る。

これらの非限定的な例において、一般に、一方のカメラはデバイスの前面に搭載され、他方のカメラは背面に搭載される。ユーザは、前面カメラがユーザの顔の光データを取得することができるようにデバイスを持ちながら、背面カメラに指を載せることができ、それによってユーザの指の光データが取得され得る。この例において、前面カメラおよび背面カメラの両方から光信号が取得され、ｒＰＰＧ信号およびＰＰＧ信号の両方が生成される。これら２つの信号は、２つの異なる身体組織位置で検出されたパルス信号間の自然な遅延によってＰＴＴ値を導出し得る。

任意選択的に、測定中の身体組織位置をより正確に決定するために、較正手順が行われる。たとえば、較正手順は、監視下での身体運動を含んでよい。たとえば、顔－左手指の異なる組み合わせに関するパルス信号の測定のために配置されたｒＰＰＧ／ＰＰＧセンサの場合、顔－右手指とは対照的に、提案される方法は、予想通り、異なるモデルおよび結果を提供する。これは、左右の手におけるＢＰの測定と同様である。ｒＰＰＧ／ＰＰＧの場合、予備的な指紋モデリング、あるいは個人情報の保存がなくとも、ソフトウェアは、どの指に装着されたかを認識し得るので、この問題は解決可能である。ｒＰＰＧ／ＰＰＧのための最小ハードウェア要件は一般的なモバイルフォンによって満たされるが、モバイルフォンではなく、またはその代わりに、両方の種類のＨＲ信号を測定可能な他のセンサ機構が用いられ得る。

加えて、上述のＰＴＴの測定値は、血圧（ＢＰ）変動性の決定を含むがこれに限定されない、より正確なＢＰの決定のために用いられ得る。

任意選択的に、本明細書で説明する任意の方法またはその一部と組み合わせて、上記顔の皮膚から上記光データを上記検出することは、複数の顔または指先境界を決定し、最も確率が高い顔または指先境界を選択し、顔または指先からのビデオデータにヒストグラム分析を適用することを備える。任意選択的に、上記複数の顔または指先境界を上記決定することは、上記顔または指先境界を決定するために上記ビデオデータにマルチパラメータ畳み込みニューラルネット（ＣＮＮ）を適用することを備える。任意選択的に、この方法は、生理信号測定値を決定するために顔および指先の画像からの分析データを結合することを更に備えてよい。

本発明の方法およびシステムの実施は、特定の選択されたタスクまたはステップを手動で、自動で、またはその組み合わせで実行または遂行することを含む。また、本発明の方法およびシステムの好適な実施形態の実際の機器および装置によると、いくつかの選択されたステップは、ハードウェアで、任意のファームウェアのオペレーティングシステム上のソフトウェアで、またはその組み合わせで実施され得る。たとえば、ハードウェアの場合、本発明の選択されたステップは、チップまたは回路として実装され得る。ソフトウェアの場合、本発明の選択されたステップは、任意の適切なオペレーティングシステムを用いてコンピュータによって実行される複数のソフトウェア命令として実装され得る。いずれの場合も、本発明の選択された方法のステップおよびシステムは、たとえば複数の命令を実行するためのコンピューティングプラットフォームなどのデータプロセッサによって実行されるものとして説明され得る。

本発明は、「コンピューティングデバイス」、「コンピュータ」、または「モバイルデバイス」に関して説明されるが、留意すべき点として、任意選択的に、任意の種類のパーソナルコンピュータ（ＰＣ）、サーバ、分散型サーバ、仮想サーバ、クラウドコンピューティングプラットフォーム、セルラ電話、ＩＰ電話、スマートフォン、またはＰＤＡ（パーソナルデジタルアシスタント）を含むがこれに限定されない、データプロセッサおよび１または複数の命令を実行する能力を特徴とする任意のデバイスがコンピュータとして説明され得る。互いに通信状態にあるそのようなデバイスのいずれか２つ以上は、任意選択的に、「ネットワーク」または「コンピュータネットワーク」を備える。

本発明は、添付図面を参照して、単なる例として本明細書で説明される。以下、図面を詳しく具体的に参照するが、この詳細は、例として、本発明の好適な実施形態を例示的に説明する目的で示されており、本発明の原理および概念的態様の最も有用かつ容易に理解される説明であると考えられるものを提供するために提示される。この点に関して、本発明の基本的な理解に必要な程度よりも詳しく本発明の構造的細部を示すことは意図されておらず、図面を伴う説明により、本発明の複数の形態がどのように実際に具体化され得るかを当業者に対し明らかにする。

ユーザのビデオデータを取得し、ＰＴＴを決定するためにビデオデータを分析するための典型的で非限定的な例示的システムを示す。 ユーザのビデオデータを取得し、ＰＴＴを決定するためにビデオデータを分析するための典型的で非限定的な例示的システムを示す。 ＰＴＴに関する信号分析を行うための非限定的で典型的な方法を示す。 ＰＴＴに関する信号分析を行うための非限定的で典型的な方法を示す。 ユーザがアプリを用いて生体統計値を取得することを可能にするための非限定的で典型的な方法を示す。 ユーザがアプリを用いて生体統計値を取得することを可能にするための非限定的で典型的な方法を示す。 詳細な生体統計値を生成するための非限定的で典型的なプロセスを示す。 ビデオデータを取得し、その後、初期処理を行うための非限定的で典型的な方法に関する。 ビデオデータを取得し、その後、初期処理を行うための非限定的で典型的な方法に関する。 ビデオデータを取得し、その後、初期処理を行うための非限定的で典型的な方法に関する。 ビデオデータを取得し、その後、初期処理を行うための非限定的で典型的な方法に関する。 ビデオデータを取得し、その後、初期処理を行うための非限定的で典型的な方法に関する。 ビデオデータを取得し、その後、初期処理を行うための非限定的で典型的な方法に関する。 脈拍数推定およびｒＰＰＧの決定のための非限定的で典型的な方法に関する。 この方法のいくつかの結果に関する。 この方法のいくつかの結果に関する。 本発明の少なくともいくつかの実施形態に係る、ＰＴＴ決定のための方法の非限定的で典型的な実施に関する。

脈遷移時間（ＰＴＴ）は、たとえばｒＰＰＧを介したＲ波の直接的または間接的な測定を必要とし、また、何らかの種類のＰＰＧを介して測定され得る指先の脈波形の決定も必要とする。好適には、ｒＰＰＧおよびＰＰＧパルス信号測定の組み合わせが行われ、ｒＰＰＧは、ＰＰＧ信号測定位置とは異なる身体組織位置から採取される。たとえば、ＰＰＧ信号は、ビデオカメラに指先を載せることによって得られ得る。ＰＰＧ信号測定は、当技術分野において知られており、後述するように、または他のＰＰＧ信号測定デバイスおよびシステムに従って実施され得る。

しかし、ｒＰＰＧ測定には固有の難題が多数存在する。ｒＰＰＧメカニズムに関する鍵となる根本的な問題は、正確な顔および指の検出、および分析に適した的確な皮膚表面の選択である。特許請求の範囲に記載の本発明は、ニューラルネットワーク方法論に基づく顔、指、および皮膚の検出に関してこの問題を克服する。その非限定的な例を以下に提供する。好適には、皮膚選択に関して、ヒストグラムベースのアルゴリズムが使用される。顔のみを含むビデオフレームの一部にこの手順を適用することにより、赤色、緑色、および青色（ＲＧＢ）の各チャネルの平均値がフレームデータを構築する。その結果生じるビデオフレームに上記手順を連続的に用いると、時系列のＲＧＢデータが取得される。ＲＧＢ値によって表されるこれらの時系列の各要素は、フレームごとに取得され、第１の要素の第１の発生からの経過時間を決定するためにタイムスタンプが用いられる。その後、合計経過時間が、完全な時間ウィンドウ（Ｌａｌｇｏ）に関して、脈拍数推定値が定義した外部パラメータに用いられる平均期間に到達すると、ｒＰＰＧ分析が開始する。可変フレーム取得レートを考慮に入れると、時系列データは、与えられた固定フレームレートに対し補間される必要がある。

補間後、より多くの適切な３次元信号（ＲＧＢ）を構築するために前処理メカニズムが適用される。そのような前処理は、たとえば正規化およびフィルタリングを含んでよい。前処理の後、ｒＰＰＧトレース信号が算出され、これは、平均脈拍数および脈波形の開始を推定することを含む。

指先の画像、たとえばスマートフォンなどのモバイルデバイスの背面カメラによって撮影された画像に関して、同様のプロセスが辿られ得る。

ＰＴＴを決定するために、２つの異なる位置で採取された脈波形測定値間の遅延を正確に決定する必要がある。したがって、ｒＰＰＧおよびＰＰＧに関与するセンサは、正確に同期する必要がある。正確なＰＴＴ測定は、２つの脈拍測定値間の相対的遅延が正確に決定され得るように、信号を取得するタイミング間の正確な同期を必要とするので、ハードウェアの同期が好適である。

ここで図面を参照すると、図１Ａおよび図１Ｂは、ユーザのビデオデータを取得し、ビデオデータを分析して１または複数の生体信号を決定する、たとえばＰＴＴを決定するための典型的で非限定的な例示的システムを示す。

図１Ａは、サーバ１１８と通信しているユーザコンピュータデバイス１０２を主としたシステム１００を示す。ユーザコンピュータデバイス１０２は、好適には、コンピュータネットワーク１１６を介してサーバ１１８と通信する。ユーザコンピュータデバイス１０２は、好適には、たとえばマウスなどのポインティングデバイス、キーボード、および／または他の入力デバイスを含み得るユーザ入力デバイス１０６を含む。

加えて、ユーザコンピュータデバイス１０２は、好適には、カメラ１１４Ａおよびカメラ１１４Ｂとして示される複数のカメラ１１４を含む。たとえば、カメラ１１４Ａは、ユーザの顔のビデオデータを取得するために用いられ得る。カメラ１１４Ｂは、ユーザの指先のビデオデータを取得するために用いられ得る。後者に関して、好適には指がカメラ１１４Ｂに載せられる。

カメラ１１４Ａおよび１１４Ｂの各々または両者は、ユーザコンピュータデバイスとは別であってもよい。ユーザは、信号分析の種類を決定するため、信号分析を開始するため、および信号分析の結果を受信するためのコマンドを提供するために、ユーザアプリインタフェース１０４とインタラクトする。

たとえばユーザは、カメラ１１４Ａを個別に作動させることによって、またはユーザアプリインタフェース１０４を介してコマンドを発行することによってそのようなデータを記録することによって、ユーザコンピュータデバイス１０２を介してカメラ１１４Ａによるユーザの顔のビデオデータの記録を開始してよい。同様に、ユーザは、カメラ１１４Ｂを個別に作動させることによって、またはユーザアプリインタフェース１０４を介してコマンドを発行することによってそのようなデータを記録することによって、カメラ１１４Ｂによるユーザの指先のデータの記録を開始してよい。

好適な実施形態において、ユーザコンピュータデバイス１０２は、たとえばスマートフォンなどのモバイル通信デバイスを備える。この種のデバイスの場合、一般に、前面カメラおよび背面カメラが存在する。ユーザアプリインタフェース１０４は、好適には、両方のカメラを同時またはほぼ同時に作動させることが可能である。任意選択的に、カメラ１１４Ａおよび１１４Ｂのいずれかは、前面または背面カメラであってよい。ユーザアプリインタフェース１０４の使い易さのために、好適には、ユーザの顔を捕捉するカメラ１１４Ａが（ユーザディスプレイデバイス１０８として示される表示スクリーンの上に、または表示スクリーンと同じ方向に設置された）前面カメラであり、ユーザの指先を捕捉するカメラ１１４Ｂが背面カメラである。

次に、ビデオデータは、好適にはサーバ１１８に送信され、そこでサーバアプリインタフェース１２０によって受信される。その後、ビデオデータは信号分析器エンジン１２２によって分析される。信号分析器エンジン１２２は、好適には、皮膚検出の前にカメラ１１４Ａからのビデオ信号における顔の検出を含む。詳しく後述するように、好適には、この情報からのパルス信号の取得を支援するために、様々な非限定的なアルゴリズムが適用される。加えて、カメラ１１４Ｂからの信号は、好適には、指先における脈波形およびそのタイミングを検出するために、ＰＰＧ信号分析に従って分析される。信号分析器エンジン１２２は、そのような分析を支援するために、ビデオデータにおける指先検出のために実装されてもよい。

次に、パルス信号は、好適には、脈波形タイミングの決定を支援するために時間フィルタ、周波数フィルタ、および非線形フィルタに従って分析される。たとえば、２つの信号のタイミングは、好適には、ハードウェア同期に従って決定される。そのような同期は、たとえば、ハードウェアクロック１３０によって決定され得る。その後、ＰＴＴを算出するために更なる分析が行われ得る。

ユーザコンピュータデバイス１０２は、好適には、プロセッサ１１０Ａおよびメモリ１１２Ａを特徴とする。サーバ１１８は、好適には、プロセッサ１１０Ｂおよびメモリ１１２Ｂを特徴とする。

本明細書で用いられる場合、たとえばプロセッサ１１０Ａまたは１１０Ｂなどのプロセッサは、一般に、特定のシステムの通信および／または論理関数を実装するために用いられる回路を有するデバイスまたはデバイスの組み合わせを指す。たとえば、プロセッサは、デジタル信号プロセッサデバイス、マイクロプロセッサデバイス、および様々なアナログデジタル変換器、デジタルアナログ変換器、および他の支援回路および／または上記の組み合わせを含んでよい。システムの制御および信号処理機能は、全て、それぞれの能力に従ってこれらの処理デバイス間で分配される。プロセッサは、この非限定的な例においてたとえばメモリ１１２Ａまたは１１２Ｂなどのメモリに格納され得るコンピュータ実行可能プログラムコードに基づいて１または複数のソフトウェアプログラムを動作させる機能を更に含んでよい。この表現が本明細書で用いられる場合、プロセッサは、たとえば、１または複数の汎用回路に、コンピュータ可読媒体で具体化される特定のコンピュータ実行可能プログラムコードを実行することによって機能を行わせること、および／または１または複数の特定用途向け回路に機能を行わせることを含む様々な方法で特定の機能を行う「ように構成され」得る。

加えて、ユーザコンピュータデバイス１０２は、信号分析の結果、発行されている１または複数のコマンドの結果などを表示するためのユーザ表示デバイス１０８を特徴としてよい。

図１Ｂは、上述した機能がユーザコンピュータデバイス１０２によって行われるシステム１５０を示す。図１Ａまたは図１Ｂのいずれかに関して、ユーザコンピュータデバイス１０２は、モバイルフォンを備えてよい。図１Ｂにおいて、上述した信号分析器エンジンは、信号分析器エンジン１５２としてユーザコンピュータデバイス１０２によって動作中である。信号分析器エンジン１５２は、図１Ａの信号分析器エンジンに関して説明したものと同じまたは同様の機能を有してよい。図１Ｂにおいて、ユーザコンピュータデバイス１０２は、たとえばインターネット（不図示）などのコンピュータネットワークに接続されてよく、他のコンピュータデバイスと通信してもよい。少なくともいくつかの実施形態において、機能の一部はユーザコンピュータデバイス１０２によって行われるが、他の機能は、たとえばサーバ（図１Ｂには不図示、図１Ａを参照）などの別のコンピュータデバイスによって行われる。

任意選択的に、メモリ１１２Ａまたは１１２Ｂは、定義済みのネイティブ命令コードセットを格納するために構成される。プロセッサ１１０Ａまたは１１０Ｂは、メモリ１１２Ａまたは１１２Ｂに格納された定義済みのネイティブ命令コードセットから選択された対応する基本命令の受信に応答して、定義済みの基本動作セットを行うように構成される。

任意選択的に、メモリ１１２Ａまたは１１２Ｂは、被験者の顔に関連するデータを選択するために光データを分析することに関する、ネイティブ命令セットから選択される第１の機械コードセット、顔の皮膚から光データを検出することに関する、ネイティブ命令セットから選択される第２の機械コードセット、経過期間に到達するまで光データを収集し、経過期間にわたり収集された光データから時系列を算出することによって、光データから時系列を決定することに関する、ネイティブ命令セットから選択される第３の機械コードセット、および時系列から生理信号を算出することに関する、ネイティブ命令セットから選択される第４の機械コードセットを格納する。

任意選択的に、メモリ１１２Ａまたは１１２Ｂは、複数の顔境界を決定することを備える、上記顔の皮膚から上記光データを検出することに関する、ネイティブ命令セットから選択される第５の機械コードセット、最も確率が高い顔境界を選択することに関する、ネイティブ命令セットから選択される第６の機械コードセット、および顔からのビデオデータにヒストグラム分析を適用することに関する、ネイティブ命令セットから選択される第７の機械コードセットを更に備える。

任意選択的に、メモリ１１２Ａまたは１１２Ｂは、上記顔の境界を決定するために上記ビデオデータにマルチパラメータ畳み込みニューラルネットワーク（ＣＮＮ）を適用することに関する、ネイティブ命令セットから選択される第８の機械コードセットを更に備える。

任意選択的に、メモリ１１２Ａまたは１１２Ｂは、光データを分析して被験者の指先に関連するデータを選択することに関する、ネイティブ命令セットから選択される第９の機械コードセット、指先の皮膚から光データを検出することに関する、ネイティブ命令セットから選択される第１０の機械コードセット、経過期間に到達するまで光データを収集し、経過期間にわたり収集された光データから時系列を算出することによって、光データから時系列を決定することに関する、ネイティブ命令セットから選択される第１１の機械コードセット、および時系列から生理信号を算出することに関する、ネイティブ命令セットから選択される第１２の機械コードセットを格納する。

任意選択的に、メモリ１１２Ａまたは１１２Ｂは、複数の指先境界を決定することを備える、前記指先の皮膚から前記光データを検出することに関する、ネイティブ命令セットから選択される第１３の機械コードセット、最も確率が高い指先境界を選択することに関する、ネイティブ命令セットから選択される第１４の機械コードセット、および指先からのビデオデータにヒストグラム分析を適用することに関する、ネイティブ命令セットから選択される第１５の機械コードセットを更に備える。

任意選択的に、メモリ１１２Ａまたは１１２Ｂは、上記指先境界を決定するために上記ビデオデータにマルチパラメータ畳み込みニューラルネットワーク（ＣＮＮ）を適用することに関する、ネイティブ命令セットから選択される第１６の機械コードセットを更に備える。追加または代替として、指先がカメラに押し付けられるので、指先検出ではなく皮膚検出のみが行われる。

図２Ａは、ユーザの顔からパルス信号および他の関連信号を検出するために、信号分析を行うための非限定的で典型的な方法を示す。プロセス２００は、ブロック２０２において、たとえばビデオカメラ２０４を起動することによってデータを取得するプロセスを開始することによって始まる。その後、任意選択的に、最初にユーザの顔の位置を特定するために、ステップ２０６において顔認識が行われる。これはたとえば、深層学習顔検出モジュール２０８を介して、また追跡プロセス２１０も介して行われ得る。信号分析に関する最も正確な結果を取得するために、ビデオデータは好適にはユーザの顔のビデオデータであるので、ユーザの顔の位置を特定することが重要である。追跡プロセス２１０は、連続特徴マッチングメカニズムに基づく。特徴は、新たなフレームにおける過去に検出された顔を表す。特徴は、フレーム内の位置に従って、かつ、たとえばＣＮＮ（畳み込みニューラルネットワーク）などの画像認識プロセスの出力から決定される。フレーム内に１つの顔だけが出現する場合、追跡プロセス２１０は、フレーム内の顔認識に簡易化され得る。

非限定的な例として、任意選択的に、リアルタイム条件下で最高水準の精度を実現するマルチタスク畳み込みネットワークアルゴリズムが顔検出に適用される。これは、Ｌｉ氏他著の出版物（Ｈａｏｘｉａｎｇ Ｌｉ、Ｚｈｅ Ｌｉｎ、Ｘｉａｏｈｕｉ Ｓｈｅｎ、Ｊｏｎａｔｈａｎ Ｂｒａｎｄｔ、およびＧａｎｇ Ｈｕａ．Ａ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｒｕｒａｌ ｎｅｔｗｏｒｋ ｃａｓｃａｄｅ ｆｏｒ ｆａｃｅ ｄｅｔｅｃｔｉｏｎ．ＩＥＥＥ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ（ＣＶＰＲ）、２０１５年６月）において紹介されたネットワークカスケードに基づくものである。

次に、２１２において、ビデオデータ内でユーザの顔の皮膚が位置特定される。好適には、皮膚選択のために、ヒストグラムベースのアルゴリズムが用いられる。上述した顔検出アルゴリズムに従って決定されたように、顔のみを含むビデオフレームの一部にこの手順を適用することで、各チャネルについての平均値、赤色、緑色、および青色（ＲＧＢ）がフレームデータを構築するために好適に用いられる。その結果生じるビデオフレームに上記手順を連続的に用いると、時系列のＲＧＢデータが取得される。ＲＧＢ値を有する各フレームは、これらの時系列の要素を表す。各要素は、最初の発生から経過した時間に従って決定されたタイムスタンプを有する。収集された要素は、Ｌａｌｇｏ要素を有するスケーリングされたバッファとして説明され得る。フレームは、好適には、十分な要素が収集されるまで収集される。要素の数の充足性は、好適には、合計経過時間に従って決定される。２１４のｒＰＰＧ分析は、合計経過時間が、脈拍数推定に用いられる平均化期間に必要な時間の長さに到達すると、開始する。収集されたデータ要素は、補間され得る。補間の後、好適には、より適切な３次元信号（ＲＧＢ）を構築するために前処理メカニズムが適用される。

２１４において、３次元信号および特にＲＧＢデータの要素からＰＰＧ信号が生成される。たとえば脈拍数は、詳しく後述するように、単一の計算結果から、または複数の相互相関された計算結果から決定され得る。これはその後、２１６において正規化およびフィルタされ、２１８においてＥＣＧを再構築するために用いられ得る。２２０において基本周波数が求められ、２２２において、たとえば心拍数、パルス信号タイミングなどの統計が生成される。

図２Ｂは、たとえば上述したようなモバイルデバイスの背面カメラから得たユーザの指先のビデオデータを分析するための同様の非限定的で典型的な方法を示す。重ねて言うと、好適には、このビデオデータは、顔のビデオデータと同時またはほぼ同時に捕捉される。方法２４０において、方法は、２４２においてユーザの指先をカメラまたはカメラ付近に載せることによって開始する。カメラ付近の場合、指先は、カメラから目視できる必要がある。この配置は、たとえばモバイルデバイスにおいて、「自撮り」形式でユーザの顔を撮像するために正面カメラを使用中である時、ユーザに、モバイルデバイスの背面カメラに指先を載せさせることによって実現され得る。カメラは既に既知の幾何的位置にあり、それによって指先および顔の正確な配置が促される。

２４４において、指、好適には指先の画像がカメラによって取得される。次に、２４６において、指、好適には指先が画像内で位置特定される。このプロセスは、画像内での顔の位置特定に関して上述されたように行われ得る。ただし、ニューラルネットが用いられる場合、ニューラルネットは、指および好適には指先を位置特定するために特に訓練される必要がある。光データからの手追跡は、当技術分野において知られており、一連の画像内で指先を追跡するために、修正された手追跡アルゴリズムが用いられ得る。

２４８において、画像の指部分、好適には指先部分において皮膚が発見される。重ねて言うと、このプロセスは、一般に皮膚の位置特定に関して上述したように、任意選択的に指または指先の皮膚のために調整を加えて行われ得る。重ねて言うと、好適にはヒストグラムベースの方法が用いられ、２５０においてＰＰＧ／ｒＰＰＧを行うために十分な数が利用可能になるまで画像が収集される。このデータが取得されると、ステップ２１４～２２０に関して上述したように、ステップ２５０～２５６が行われ得る。ただし、ステップ２５８は、脈波形を決定することと、たとえば同期ハードウェアクロックに従って２つの異なる位置におけるパルス信号タイミング間の相対時間差を決定することとも含む。

図３Ａおよび図３Ｂは、ユーザがアプリを使用して生体統計値を取得することを可能にするための非限定的で典型的な方法を示す。方法３００において、ユーザは、３０２においてアプリに登録する。次に、３０４において、たとえばユーザコンピュータデバイスに取り付けられた、またはユーザコンピュータデバイスと一体のビデオカメラで、画像が取得される。ビデオカメラは、好適には、本明細書で説明するようなＲＧＢカメラである。

画像３０６内で顔が位置特定される。これは、ユーザコンピュータデバイスで、サーバで、または任意選択的にその両方で行われ得る。また、このプロセスは、マルチタスク畳み込みニューラルネットに関して上述したように行われ得る。その後、ＲＧＢ信号データにヒストグラムを適用することによって皮膚検出が行われる。好適には、皮膚に反射した光に関するビデオデータのみが、光脈拍検出およびＨＲＶ決定のために分析される。

３０８において、たとえば上述したように、信号に関する時系列が決定される。可変のフレーム取得レートを考慮に入れると、時系列データは好適には、与えられた固定フレームレートに対して補間される。補間手順を実行する前に、好適には、補間が行われ得るように以下の条件が分析される。第１に、補間および前処理の後、ｒＰＰＧ分析のために十分なフレームが存在するかを検証するために、フレームの数が分析される。

次に、ウィンドウ内で毎秒測定されたフレームが最小閾値を上回るかを検証するために、毎秒フレーム数が考慮される。その後、フレーム間の時間のずれがある場合、それが、たとえば０．５秒であってよい何らかの外部設定閾値未満であることを確認するために分析される。

上記条件のいずれかが満たされない場合、好適には、手順は全データをリセットして終了し、たとえば上述したように３０４に戻るために最後の有効フレームから再開する。

次に、補間の後、３１０において、好適にはビデオデータは前処理される。前処理メカニズムは、より適切な３次元信号（ＲＧＢ）を構築するために適用される。前処理は、好適には、各チャネルを総電力に正規化すること、（ローパスフィルタによって推定される）平均値でチャネル値をスケーリングし、１を減じること、およびその後、バターワースバンドパスＩＩＲフィルタにデータを通すことを含む。

３１２において、ハードウェアクロックに関連する信号のタイミングを含む統計情報が抽出される。その後、３１４において、顔光信号から心臓の鼓動が再構築される。その後、３１６において、顔信号から脈拍タイミングが決定される。

ここで、３１８において、ハードウェアクロックに関連する信号のタイミングに関するものを含む指先光信号から心臓の鼓動が再構築される。指先におけるＨＲタイミングは、その後、３２０において決定される。その後、３２２において、顔信号から決定された脈拍タイミングに対する差分タイミングまたは遅延に関するものを含む、指先脈波形が算出される。差分タイミングの決定は、好適には、ハードウェアクロックを介した信号の同期によって支援される。その後、３２４において、差分タイミングおよび指先における脈波形検出に従って、ＰＴＴが決定される。

図３Ｂは、３１４における上述のプロセスに供給され得る指先光信号を取得および分析するための典型的で非限定的な方法を示す。図３Ｂは、たとえば上述したようなモバイルデバイスの背面カメラから得たユーザの指先のビデオデータを分析するための同様の非限定的で典型的な方法を示す。このプロセスは、たとえばユーザの顔に関して前面カメラから十分なビデオデータを捕捉することができない場合、用いられ得る。任意選択的に、両方の方法が組み合わせられ得る。

方法３４０において、方法は、３４２において、ユーザの指先をカメラまたはカメラ付近に載せることによって開始する。カメラ付近の場合、指先はカメラから目視できる必要がある。この配置は、たとえばモバイルデバイスにおいて、ユーザに、モバイルデバイスの背面カメラに指先を載せさせることによって実現され得る。カメラは既に指先の配置に関して既知の幾何的位置にあり、それによって、正確なビデオデータの収集の観点から指先の適切な配置が促される。任意選択的に、十分な光を提供するためにモバイルデバイスのフラッシュが長期モード（「トーチ」または「フラッシュライト」モード）で有効化され得る。フラッシュの有効化は、指先の正確なビデオデータを取得するために十分な光がカメラによって検出されない場合、自動的に行われ得る。

３４４において、指、好適には指先の画像がカメラによって取得される。次に、３４６において、指、好適には指先が画像内で位置特定される。このプロセスは、画像における顔の位置特定に関して上述したように行われ得る。ただし、ニューラルネットが用いられる場合、ニューラルネットは、指、好適には指先を位置特定するために特に訓練される必要がある。光データからの手追跡は当技術分野において知られており、一連の画像内で指先を追跡するために、修正された手追跡アルゴリズムが用いられ得る。

３４８において、画像の指部分、好適には指先部分において皮膚が発見される。重ねて言うと、このプロセスは、一般に皮膚の位置特定に関して上述したように、任意選択的に指または指先の皮膚のために調整を加えて行われ得る。３５０において、たとえば上述したように、かつ背面カメラを用いる任意の特性および／またはカメラと指先の皮膚との直接接触のために調整を加えて、信号に関する時系列が決定される。可変のフレーム取得レートを考慮に入れると、時系列データは、与えられた固定フレームレートに対して好適に補間される。補間手順を実行する前に、好適には、補間が行われ得るように以下の条件が分析される。第１に、好適には、補間および前処理の後、ｒＰＰＧ分析のために十分なフレームが存在することを検証するために、フレームの数が分析される。

次に、ウィンドウ内で毎秒測定されるフレームが最小閾値を上回ることを検証するために、毎秒フレーム数が考慮される。その後、フレーム間の時間のずれが存在する場合、それが、たとえば０．５秒であってよい何らかの外部設定閾値未満であることを確認するために分析される。

上記条件のいずれかが満たされない場合、手順は、好適には全データをリセットして終了し、たとえば上述したように３４４に戻るように最後の有効フレームから再開する。

次に、３５２において、補間の後、好適にはビデオ信号が前処理される。前処理メカニズムは、より適切な３次元信号（ＲＧＢ）を構築するために適用される。前処理は好適には、各チャネルを総電力に正規化すること、（ローパスフィルタによって推定される）平均値でチャネル値をスケーリングし、１を減じること、およびその後、バターワースバンドパスＩＩＲフィルタにデータを通すことを含む。重ねて言うと、このプロセスは、好適には指先データのために調整される。３５４において、統計情報が抽出され、その後プロセスは、３１４から、たとえば図３Ａに関して上述したように進んでよい。

図４は、この非限定的な例において、ユーザの顔から採取された光信号からの脈波形タイミングを含む詳細な生体統計値を生成するための非限定的で典型的なプロセスを示す。プロセス４００において、ユーザビデオデータは、カメラ４０４によってユーザコンピュータデバイス４０２を介して取得される。その後、顔検出モデル４０６は、顔を発見するために用いられる。たとえば、複数の異なる顔境界に関して顔ビデオデータが検出された後、最も高い得点の顔境界以外は、好適には破棄される。この境界ボックスは、ユーザの顔に関連するデータが好適には他のビデオデータから分離されるように、入力画像から切り取られる。上述したように、皮膚の画素は好適には、ソフト閾値メカニズムを有するヒストグラムベースの分類器を用いて収集される。残りの画素から、チャネルごとに平均値が算出され、その後、４１０においてｒＰＰＧアルゴリズムを通過する。このプロセスにより、皮膚の色が決定されることが可能であるので、下地にある皮膚の色の影響から、光データへの脈拍の影響が分離され得る。プロセスは、４０８において、最も得点が高い顔境界ボックスに従って顔を追跡する。

上述したように、このプロセスは、指またはたとえば指先などその一部を検出するために適合され得る。好適には、指またはたとえば指先などその一部を検出するために境界検出アルゴリズムも用いられる。たとえば指または指先などその一部といったユーザの人体の関連部分を分離するために境界ボックスを切り取るといった後続のプロセスがある。たとえば指先などの検出されている人体の関連部分が皮膚を備える場合、適応ヒストグラムベース分類器も用いられ得る。４０８におけるプロセスは、背面カメラに指先を直接載せた場合に追跡の必要性を低減させるために、ユーザが背面カメラに指先を押し付けると、適合され得る。

好適には、並列経路において、別のカメラ４０４Ｂは、たとえばユーザの指先から得たビデオデータなどの指先光データを取得する。別のカメラ４０４Ｂは、ユーザコンピュータデバイス４０２の一部であってよい。

次に、４１０において、顔信号データからＰＰＧ信号が生成される。前処理の跡、スケーリングされたバッファのＬａｌｇｏ要素を用いてｒＰＰＧトレース信号が算出される。この手順は、次のように説明される。生補間データ（ＣＨＲＯＭ様式および投影行列（ＰＭ））から構築された異なる２つのｒＰＰＧ分析信号間でマッチフィルタを用いて平均脈拍数が推定される。その後、相互相関が算出され、その上で平均瞬時脈拍数が探索される。周波数推定は、追加のロックインメカニズムによる非線形最小二乗（ＮＬＳ）スペクトル分解に基づく。ｒＰＰＧ信号は、その後、適応ウィーナーフィルタリングを適用するＰＭ法から導出され、初期推測信号は、瞬時脈拍周波数（ｖｐｒ）：ｓｉｎ（２πｖｐｒｎ）に依存する。また、信号再構築を押し進めるために周波数領域において追加のフィルタが用いられる。最後に、詳しく後述する手順によって得られる瞬時ＲＲ値に指数フィルタが適用される。

ＰＰＧ信号もまた、好適には、４１０Ｂにおいて上述した指先ビデオデータから取得される。

その後、信号プロセッサは４１２において、好適には、ＰＰＧ信号に基づいて複数の異なる関数を実行する。これらは好適には、４１４においてＥＣＧ様式信号を再構築することと、４１６において指先パルス信号を算出することとを含む。両方の場合において、好適には、上述したような同期化のためのハードウェアクロック（不図示）に従ってタイミングが測定される。４１８において、信号プロセッサ４１２は次に、好適には、２つのパルス信号セット間の相対的遅延または差分タイミングを決定する。そのような差分タイミングは、指先において決定された脈波形と組み合わせて、好適には４２０においてＰＴＴを算出するために用いられる。

図５Ａ～５Ｅは、ビデオデータを取得し、その後、好適には補間、前処理、およびｒＰＰＧ信号決定を含む、顔光データからｒＰＰＧ信号を決定するための初期処理を行うための非限定的で典型的な方法を示し、そのような初期処理からのいくつかの結果を伴う。ここで図５Ａを参照すると、プロセス５００において、たとえば上述したように５０２においてビデオデータが取得される。

次に、５０４において、たとえば上述したように、カメラチャネル入力バッファデータが取得される。次に、５０６において、好適には一定かつ既定の取得レートが決定される。たとえば、一定かつ既定の取得レートは、Δｔ＝１／ｆｐｓ～＝３３ｍｓに設定され得る。５０８において、各チャネルは、好適には、一定かつ既定の取得レートで時間バッファに個別に補間される。このステップにより、入力時間ジッタが取り除かれる。補間手順によりエイリアシング（および／または周波数の折返し）が加わるが、エイリアシング（および／または周波数の折返し）は、カメラによって画像が撮影された時点で既に発生している。一定のサンプルレートへの補間の重要性は、取得時間に従う心拍数の準定常の基本前提を満たすことである。補間に用いられる方法は、たとえば、三次エルミート補間に基づいてよい。

図５Ｂ～５Ｄは、スケーリング手順の様々な段階に関するデータを示す。色分けは各チャネルの色に対応しており、すなわち赤色は赤色チャネルに対応し、他も同様である。図５Ｂは、補間後のカメラチャネルデータを示す。

再び図５Ａを参照すると、５１０～５１４において、色付きチャネルの各々（ｖｅｃ（ｃ））の補間後、パルス式変調を向上させるために前処理が行われる。前処理は、好適には３つのステップを含む。５１０において、各チャネルの総電力への正規化が行われ、これによって全体外光変調による雑音が低減される。

電力の正規化は、

によって求められ、→ｃｐは、パワー正規化カメラチャネルベクトルであり、→ｃは、説明したように補間された入力ベクトルである。簡潔性のために、両側からフレームインデックスが除去された。

次に、５１２において、スケーリングが行われる。たとえば、そのようなスケーリングは、平均値ｉで行われ、１を減じられてよく、それによって定常光源およびその輝度の影響が低減される。平均値は、セグメント長（Ｌａｌｇｏ）によって設定されるが、この種の解決策は、低周波数成分を強化し得る。あるいは、平均値によるスケーリングの代わりに、ローパスＦＩＲフィルタによるスケーリングが可能である。

ローパスフィルタの使用により、固有のレイテンシが加わり、それによってＭ／２フレームに補償が必要である。スケーリングされた信号は、

によって求められ、ｃｓ（ｎ）は、フレームｎの単一チャネルスケーリング値であり、ｂは、ローパスフィルタ係数である。チャネル色表記は、簡潔性のために上記式から除去された。

５１４において、スケーリングされたデータは、バターワースバンドパスＩＩＲフィルタに通される。

このフィルタは、

と定義される。

スケーリング手順の出力は、→ｓであり、各新規フレームは、各カメラチャネルに関するレイテンシを新規フレームに加える。留意点として、簡潔性のために、フレームインデックスｎが用いられるが、これは実際には（ローパスフィルタにより）フレームｎ－Ｍ／２を指す。

図５Ｃは、カメラ入力のパワー正規化、バンドパスフィルタ前のローパススケーリングされたデータのプロットを示す。図５Ｄは、バンドパスフィルタ前のパワースケーリングされたデータのプロットを示す。図５Ｅは、２つの正規化手順を用いて全ての被験者に関する平均絶対偏差の比較を示し、フィルタ応答は図５Ｅ－１のように与えられ、重み応答（平均値による平均化）は図５Ｅ－２のように与えられる。図５Ｅ－１は、前処理フィルタの大きさおよび周波数応答を示す。青色の線は、Ｍ＝３３タップのローパスＦＩＲフィルタを表し、赤色の線は、三次ＩＩＲバターワースフィルタを示す。図５Ｅ－２は、ｒＰＰＧトレースを平均化するために用いられる長さ６４のハンウィンドウ重み応答を示す。

５１６において、脈拍数を決定するためにＣＨＲＯＭアルゴリズムが適用される。このアルゴリズムは、
Ｓ_ｃ，１＝３ｓ_ｒ－２ｓ_ｇ （４）
Ｓ_ｃ，２＝１．５ｓ_ｒ＋ｓ_ｇ－１．５ｓ_ｂ （５）
によって定義される２つの平面に信号を投影することによって適用される。

その後、２つの差

としてｒＰＰＧ信号が採取され、σ（・・・）は、信号の標準偏差である。留意点として、２つの投影信号は、それらの最大変動によって正規化された。ＣＨＲＯＭ法は、スペキュラ光反射を最小限にするために導出される。

次に、５１８において、脈拍数を決定するために投影行列が適用される。投影行列（ＰＭ）法に関して、信号は、パルス状方向に投影される。３つの要素が直交しないにもかかわらず、驚くべきことに、この投影は、ＣＨＲＯＭよりも良好な信号対雑音を有する非常に安定した解決策をもたらすことが分かった。ＰＭ法を得るために、ＲＧＢ信号の強度、スペキュラ、およびパルス状要素である行列要素が決定される。

上記行列要素は、たとえばｄｅ Ｈａａｎ氏およびＶａｎ Ｌｅｅｓｔ氏による論文（Ｇ ｄｅ Ｈａａｎ ａｎｄ Ａ ｖａｎ Ｌｅｅｓｔ．Ｉｍｐｒｏｖｅｄ ｍｏｔｉｏｎ ｒｏｂｕｓｔｎｅｓｓ ｏｆ ｒｅｍｏｔｅ－ｐｐｇ ｂｙ ｕｓｉｎｇ ｔｈｅ ｂｌｏｏｄ ｖｏｌｕｍｅ ｐｕｌｓｅ ｓｉｇｎａｔｕｒｅ．Ｐｈｙｓｉｏｌｏｇｉｃａｌ Ｍｅａｓｕｒｅｍｅｎｔ，３５（９）：１９１３，２０１４）から決定され得る。この論文において、動脈血からの（ゆえに脈拍からの）信号は、ＲＧＢ信号から決定され、血液量スペクトルを決定するために用いられ得る。

この例に関して、強度は１に正規化される。パルス状方向の投影は、上記行列を反転させ、パルス状に対応するベクトルを選択することによって発見される。その結果、
ｐｍ＝－０．２６ｓ_ｒ＋－０．８３ｓ_ｇ－０．５０ｓ_ｂ （９）
が求められる。

５２０において、２つの脈拍数結果は、ｒＰＰＧを決定するために相互相関される。ｒＰＰＧの決定は、図６に関して詳しく説明される。

図６Ａは、脈拍数推定および顔に関して取得された光データからのｒＰＰＧの決定のための非限定的で典型的な方法に関し、図６Ｂ～６Ｃは、この方法のいくつかの結果に関する。この方法は、脈拍周波数ｖｐｒを発見するために、図５Ａに関して上述したＣＨＲＯＭ法およびＰＭ ｒＰＰＧ法の出力を用いる。この方法は、過去のＬａｌｇｏフレームにわたる平均脈拍数を探索することを含む。周波数は、ロックインメカニズムの適用による非線形最小二乗スペクトル分解を用いることによって、（ＣＨＲＯＭとＰＭとの間の）マッチフィルタの出力から抽出される。

ここで図６Ａを参照すると、方法６００において、プロセスは６０２において、ＣＨＲＯＭおよびＰＭ出力間のマッチフィルタを算出することによって開始する。マッチフィルタは、ＣＨＲＯＭおよびＰＭ法の出力間の相関を算出することによって単純に行われる。次に６０４において、高調波を有する周期関数に基づいて、非線形最小二乗（ＮＬＳ）周波数推定のコスト関数が算出される。

上記式において、ｘはモデル出力であり、ａｌおよびｂｌは周波数成分の重みであり、ｌはその高調波次数であり、Ｌはモデル内の次数の数であり、ｖは周波数であり、（ｎ）は加法雑音成分である。その後、６０６において、Ｏ（Ｎ ｌｏｇ Ｎ）＋Ｏ（ＮＬ）の計算量において、Ｎｉｅｌｓｅｎ氏他によるアルゴリズム（Ｊｅｓｐｅｒ Ｋｊａｅｒ Ｎｉｅｌｓｅｎ， Ｔｏｂｉａｓ Ｌｉｎｄｓｔｒｏｍ Ｊｅｎｓｅｎ， Ｊｅｓｐｅｒ Ｒｉｎｄｏｍ Ｊｅｎｓｅｎ， Ｍａｄｓ Ｇｒａｅｓｂｏｌｌ Ｃｈｒｉｓｔｅｎｓｅｎ， ａｎｄ Ｓｏｒｅｎ Ｈｏｌｄｔ Ｊｅｎｓｅｎ． Ｆａｓｔ ｆｕｎｄａｍｅｎｔａｌ ｆｒｅｑｕｅｎｃｙ ｅｓｔｉｍａｔｉｏｎ：Ｍａｋｉｎｇ ａ ｓｔａｔｉｓｔｉｃａｌｌｙ ｅｆｆｉｃｉｅｎｔ ｅｓｔｉｍａｔｏｒ ｃｏｍｐｕｔａｔｉｏｎａｌｌｙ ｅｆｆｉｃｉｅｎｔ． Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ，１３５：１８８～１９７，２０１７）を適用することによって対数尤度スペクトルが算出される。

Ｎｉｅｌｓｅｎ氏他において、周波数は、全ての高調波次数の最大ピークアウトの周波数として設定される。この方法自体は一般的な方法であり、この例では帯域周波数パラメータを変更することによって適合され得る。このモデルに固有の特徴は、高い次数が低い次数よりもコスト関数スペクトルにおける多くの局所最大ピークを有する点である。この特徴は、ロックイン手順のために用いられる。

６０８において、ロックインメカニズムは、入力としてターゲット脈拍周波数ｖｔｒａｇｅｔを得る。その後６１０において、この方法により、次数１＝Ｌのコスト関数スペクトルの全てのローカル最大ピーク振幅（Ａｐ）および周波数（ｖｐ）が求められる。各局所最大に関して、以下の関数が推定される。

この関数は、信号強度と、ターゲット周波数との相違とのバランスをとる。６１０において、出力脈拍数は、上記関数ｆ（Ａｐ、ｖｐ、ｖｔｒａｇｅｔ）を最大化するローカルピークｖｐとして設定される。

図６Ｂおよび図６Ｃは、実行例の典型的な再構築されたｒＰＰＧトレース（青色の線）を示す。赤色の円は、ピークＲ時間を示す。図６Ｂは、時間ｔ＝０ｓに開始し時間ｔ＝５０ｓまでのトレースを示す。図６Ｃは、トレースの急上昇を示し、ＲＲ時間間隔もミリ秒単位で示す。

次に６１２～６１４において、瞬時ｒＰＰＧ信号は、平均脈拍周波数（ｖｐｒ）の周囲でウィーナーフィルタおよびＦＦＴガウスフィルタの２つの動的フィルタによってフィルタされる。６１２において、ウィーナーフィルタが適用される。所望のターゲットはｓｉｎ（２πｖｐｒｎ）であり、ｎは（時間を表す）インデックス番号である。６１４において、ＦＦＴガウスフィルタは、ｖｐｒ付近の信号を取り除くことを目標とするので、

の形態のガウシアン形状が用いられ、その幅としてσｇを有する。その名が示すように、このフィルタリングは、信号をその周波数領域（ＦＦＴ）に変換し、それにｇ（ｖ）を乗算し、時間領域に再び変換し、実部成分を取り出すことによって行われる。

上記手順の出力は、平均脈拍数ｖｐｒを有する長さＬａｌｇｏのフィルタされたｒＰＰＧトレース（ｐｍ）である。この出力は、観察されたビデオフレームごとに取得され、重なり合う時系列のパルスを構築する。これらの時系列は、ＨＲＶ処理に適した最終的な平均ｒＰＰＧトレースを生成するために平均化される必要がある。これは、Ｗａｎｇ氏他の論文（Ｗ．Ｗａｎｇ， Ａ．Ｃ．ｄｅｎ Ｂｒｉｎｋｅｒ， Ｓ．Ｓｔｕｉｊｋ， ａｎｄ Ｇ．ｄｅ Ｈａａｎ． Ａｌｇｏｒｉｔｈｍｉｃ ｐｒｉｎｃｉｐｌｅｓ ｏｆ ｒｅｍｏｔｅ ｐｐｇ． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｂｉｏｍｅｄｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ，６４（７）：１４７９～１４９１，２０１７年７月）による以下の式（ｎは時間を表す）、
ｔ（ｎ－Ｌａｌｇｏ＋ｌ）＝ｔ（ｎ－Ｌａｌｇｏ＋ｌ）＋ｗ（ｌ）ｐｍ（ｌ） （１３）
を用いて、フィルタされたｒＰＰＧ信号（ｐｍ）の重複および追加を用いて行われ、式中、ｌは０～Ｌａｌｇｏのランニングインデックスであり、ｗ（ｉ）は重み関数であり、出力トレースの構成およびレイテンシを設定する。その後、結果として生じるピーク（収縮期ピークを表す最大値）を取得すると、時間における距離としていわゆるＲＲ間隔を構築することが可能である。時間領域および周波数領域の両方における統計測定値としてＨＲＶパラメータを検索するために一連のＲＲ間隔を用いることが可能である。

図７は、本発明の少なくともいくつかの実施形態に係る、ＰＴＴ決定のための方法の非限定的で典型的な実施に関する。決定されたＰＴＴは、その後、図示するようにＢＰ決定のために用いられ得る。

方法７００に示すように、この方法は７０２において、好適には上述したような複数のビデオカメラからのセンサデータの取得によって開始する。ただし、信号を提供するために同じ種類のセンサを用いる必要はない。任意選択的に、適当な同期が提供される限り、同じまたは異なる任意の適当な複数のセンサが用いられ得る。たとえば、好適には、サンプリングレートは一定かつ既知であり、ハードウェアはタイムスタンプを提供する。その後、このアプローチは、同じサンプリングレートでサンプリングされる信頼できる信号を生成するためにデシメーション／補間手順を用いる。誤った算出を防止するために全てのセンサに関して同期されたクロックを用いることが好適である。

次に、７０４において、上述したクロック同期に従って信号前処理が行われる。そのような信号処理は、同じ原点をもたらすように時間内のセンサデータを整列させることを含む。この整列は、ハードウェアクロックと、センサ間で検出されたハードウェア遅延との組み合わせに従って行われる。加えて、センサデータは、同じサンプリングレートをもたらすために補間／デシメートされる。これは、センササンプリングレートに関する予備知識によって行われ得る。好適には、線形補間またはＫＮＮ補間ではなく、エルミート三次補間または同様の補間が用いられる。そのような補間は、好適には、データ内のスパイクや他の雑音を防ぐように選択される。任意選択的に、カーネル密度推定器（ＫＤＥ）に基づくトレンド除去アルゴリズムが用いられ得る。

好適には、センサデータは、７０６においてＳＮＲ（信号対雑音比）の信頼値を高めるために雑音除去される。この段階で、７０２における信号取得に戻ることが必要になり得る。好適には、ＳＮＲを改善するために、たとえばウェーブレットおよびＤＣＴなどの周波数ベースのアルゴリズムがＫＤＥと共に用いられる。多次元（ｒＰＰＧ／ＰＰＧなどのマルチチャネル）センサの場合、周囲雑音および他の雑音を除去するために、ＰＣＡ（主成分分析）またはＩＣＡ（独立成分分析）が用いられ得る。

雑音除去の後、センサデータは、好適には、同じレベルの大きさをもたらすために正規化される。センサデータはまた、好適には、ＨＲ算出に適した帯域幅をもたらすために［０．５，４］Ｈｚ間でフィルタリングされる。そのようなフィルタリングは、バターワースＮ次バンドパスを用いることによって行われ得る。簡潔性のために、Ｎは３に設定され得る。

７０８において、ＰＰＧ様式の信号構築が行われる。この段階は、多次元センサと単一チャネルプローブとで異なる。単一チャネル（１次元）センサの場合、手順は以下の通りである。まず、たとえばＮＬＳ（非線形最小二乗（ＮＬＳ）周波数推定）またはＰＳＤ（パワースペクトル密度）ベースの方法のような基本周波数推定メカニズムを用いて、粗基本周波数が決定される。次に、提案された信号が、好適には正弦波として構築される。次に、ウィーナーフィルタリング手順を用いて、保存初期位相および遅延を再構築する。次に、自動相関が算出される。

多次元の例は、好適には、以下のような予備段階を含む。データの投影行列であるＮ×Ｍの行列が算出され、ここでＮはチャネルの数であり、Ｍは、各チャネルに関して１×Ｍベクトル内に取得されたデータの量である。このベクトルは、ｒＰＰＧのために用いられる上述したＣＨＲＯＭ、ＰＯＳ、およびＰＭに関して生成され得る。この手順は、各チャネルに関する平均および分散のみを伴うので、ＰＣＡおよびＩＣＡも用いられ得る。ＰＣＡまたはＩＣＡは、投影行列がＰＣＡと近くなることから、３より多い数の次元またはセンサを有するチャネルに好適である。取得された信号は、その後、単一チャネルと同様に処理される。

７１０において、ＨＲが決定される。たとえば、任意選択的に、基本周波数は自動相関によりＨＲとして算出される。微細周波数は、好適には、所与の帯域幅に関して提案される周波数の付近で、ＦＦＴベースの方法論を用いて決定される（サンプリング周波数に依存する）。任意選択的に、決定されたＨＲは、別のセンサと比較される。それらが所定の閾値範囲内で十分に類似している場合、手順は好適には停止し、そうでない場合、好適には新たなデータが取得される。

７１２において、複数のセンサから受信された異なる信号間の遅延が算出される。たとえば、遅延は、センサアレイにおいて受信された信号間の到着時間差の発見を参照する遅延時間推定（ＴＤＥ）に従って算出され得る。一般的な信号モデルは、
γ_ｉ［ｎ］＝α_ｉｓ［ｎ－Ｔ_ｉ］＋ｑ_ｉ［ｎ］，ｉ－１，２・・・，Ｍ，ｎ＝０，１，・・・，Ｎ－１
であり、ここでγ_ｉ［ｎ］は受信信号であり、ｓ［ｎ］は関心信号であり、利得／減衰および伝搬遅延であるαおよびＴ_ｉは、ｉ番目のセンサにおける雑音である。

Ｍ個のセンサが存在し、各センサでＮ個の観察が収集される。この例において、Ｍ＝２であり、Ｎはできる限り大きい（通常、３０～６０秒の観察）。

上述の通り、ＴＤＥのタスクは、
Ｔ_ｉ，ｊ＝－Ｔ_ｉ，ｊ＝Ｔ_ｉ－Ｔ_ｊ、 ｉ＞ｊ、 ｉ，ｊ＝１，２，・・・、Ｍ
を推定することである。

ＨＲ値が一致した場合に両方のセンサの出力を取得すると、前段階から取得された自動相関関数または再構築されたＰＰＧ様式信号から直接遅延を算出することが可能である。

このプロセスは、自動相関とＰＰＧ信号との両方に適用される場合、いくつかの方法論の組み合わせを用いる。この組み合わせにより、よりロバストな結果が生じる。

遅延時間推定の傾斜法は、最小限にされるコスト関数に関する情報に依存するベクトルで遅延を更新することに基づく。傾斜アルゴリズムは、提案された遅延の周囲の二次テイラー展開としてコスト関数を伴う。ガウス－ニュートンの再急降下および最小平均二乗（ＬＭＳ）法に基づく傾斜アルゴリズムが適用され得る。好適には、以下で簡単に説明するＬＭＳ法が用いられる。

ＴＤＥは、時間ｔ＝ｋＴｓにサンプリングされる、２つのセンサに入射する２つの離散時間信号を考慮し、ここでＴｓは（簡潔性のために１と仮定された）サンプリング期間であり、以下の形態で上述したように
ｘ（ｋ）＝Ａ_１，ｓ（ｋ）＋ｖ（ｋ） （１）
ｙ（ｋ）＝Ａ_２，ｓ（ｋ－Ｔ）＋ｎ（ｋ） （２）
と表され、ここでｓ（ｋ）は雑音のないソース信号に対応し、ｓ（ｋ－Ｔ）は遅延であり、Ａ１およびＡ２はそれらの一定振幅である。明記されず、一般性を欠かない場合、Ａの値は結果的に１であると仮定される。ｎ（ｋ）およびｖ（ｋ）は、それぞれ分散σｎ２およびσｖ２の無相関なゼロ平均白色ガウス雑音である。

変数Ｔは、推定される未知の遅延時間を表し、これは離散時間モデルにおける真の遅延に最も近い整数に近似される。提案される方法は、係数を更新するためにＬＭＳが用いられる場合、適応フィルタＷのカスケードを用いる。

ｘ（ｋ）入力に関するＷの出力ｚ（ｋ）は、

によって求められる。

ＭがＷの長さである場合、Ｄは、入力信号の相関を失わせるために提案される遅延であり、ｗ_ｉ（ｋ）は、時間ｋにおけるフィルタ係数である。誤差項は、
Ｚ（ｋ）＝ｘ（ｋ）ｚ（ｋ）
によって求められる。

所望の結果は、

によって求められる。

ｈベクトルがシステムインパルス応答である。遅延時間推定器の出力は、

と表すことができる。ｇは、システムインパルス応答の推定値であり、推定器誤差は、

として求められる。Ｋ回の反復における遅延時間推定値は、

として求められる。

相互相関項が最大になる時間は遅延時間推定値に対応するので、２つの信号間の遅延時間を推定するために、２つの信号の相互相関も用いられる。簡単に言うと、後述の２つのセンサに関して、
ｘ_１（ｔ）＝Ｓ_１（ｔ）＋ｎ_１（ｔ） （１）
ｘ_２（ｔ）＝αＳ_１（ｔ＋Ｄ）＋ｎ_２（ｔ） （２）
である。

一般化相互相関を用いると、各センサ間の遅延が分かる。このための技術は、一般概念が同じであっても変化する。この方法に特有のプリフィルタは、信号を「クリーンアップ」するために周波数領域において用いられる。その後、信号は相互相関され、その結果にピーク検出が行われ、最大遅延点が決定される。以下の画像は、一般化相互相関（ＧＣＣ）の適用に関する連続時間モデルを示す。このモデルにおいて、信号をより有用な形態に「クリーニング」するために使用計量関数またはプリフィルタが用いられる。この実験のために、用いられた方法は、標準相互相関、ＰＨＡＴ、およびＳＣＯＴ法であった。

残念ながら、相関法は一般に、センサ結果が周期的である場合、典型的な信号期間よりも大きい遅延には適しておらず、反対符号を用いても誤った遅延を提供する。したがって、考えられる遅延の方向などの追加情報が必要であり、たとえば、顔から指までのＰＰＧの遅延は正でなくてはならず、遅延は、Ｈｚで付与される平均ＲＲ間隔（ＲＲは１／ＨＲを表す）未満でなくてはならない。

２つのセンサ間の遅延時間を算出する別の方法は、遅延の確率密度関数の最大値を決定することによって見出され得る。この手順は、ＫＤＥ技術を用いる。

提案される方法は、センサ間の遅延を算出するために用いられる２つの異なる方法間での一致をもたらす。

次に７１４において、ＰＴＴが算出される。血液が動脈を流れる際、圧力波は、脈波速度（ＰＷＶ）と呼ばれる特定の速度で伝搬する。ＰＷＶは、動脈および血液の両方の弾性特性に依存する。メーンズコルテベークの式によると、ＰＷＶは、血管および流体の特性の関数として定められる［Ｂｒａｍｗｅｌｌ ＪＣ， Ｈｉｌｌ ＡＶ． Ｔｈｅ Ｖｅｌｏｃｉｔｙ ｏｆ ｔｈｅ Ｐｕｌｓｅ Ｗａｖｅ ｉｎ Ｍａｎ． Ｐｒｏｃ． Ｒｏｙａｌ Ｓｏｃｉｅｔｙ ｆｏｒ Ｅｘｐｅｒｉｍｅｎｔａｌ Ｂｉｏｌｏｇｙ ＆Ｍｅｄｉｃｉｎｅ． １９２２；９３：２９８～３０６；Ｍａ，Ｙ．，Ｃｈｏｉ，Ｊ．，Ｈｏｕｒｌｉｅｒ－Ｆａｒｇｅｔｔｅ，Ａ．，Ｘｕｅ，Ｙ．，Ｃｈｕｎｇ，Ｈ．Ｕ．，Ｌｅｅ，Ｊ．Ｙ．，ｅｔ ａｌ．（２０１８）．Ｐｒｏｃ．Ｎａｔｌ．Ａｃａｄ．Ｓｃｉ．Ｕ．Ｓ．Ａ．１１５：１１１４４～１１１４９．ｄｏｉ：１０．１０７３／ｐｎａｓ．１８１４３９２１１５］。

ここで、Ｌは血管長であり、ＰＴＴは、脈圧がその長さを伝送するのに費やす時間であり、ρは血液密度であり、ｒは血管の内径であり、ｈは血管壁の厚さであり、Ｅは血管壁の弾性率である。

７１６において、ＰＴＴからＢＰが算出され得る。ブラムウェルヒルの式およびメーンズコルテベークの式は、ＢＰとＰＴＴとの間の対数関係を与える。ＢＰとＰＴＴとの関係は、
ＢＰ＝ａ＊ｌｏｇ_ｅ（ＰＴＴ）＋ｂ． （４）
と表すことができる。

上述の式は、
ＢＰ＝ａ＊（ＰＴＴ）＋ｂ．
を得るために、時間に関して微分され得る［Ｓｈａｒｍａ Ｍ．， Ｂａｒｂｏｓａ Ｋ．， Ｈｏ Ｖ．， Ｇｒｉｇｇｓ Ｄ．， Ｇｈｉｒｍａｉ Ｔ．， Ｋｒｉｓｈｎａｎ Ｓ．， Ｈｓｉａｉ Ｔ．， Ｃｈｉａｏ Ｊ．Ｃ．， Ｃａｏ Ｈ． Ｃｕｆｆ－Ｌｅｓｓ ａｎｄ Ｃｏｎｔｉｎｕｏｕｓ Ｂｌｏｏｄ Ｐｒｅｓｓｕｒｅ Ｍｏｎｉｔｏｒｉｎｇ：Ａ Ｍｅｔｈｏｄｏｌｏｇｉｃａｌ Ｒｅｖｉｅｗ． Ｔｅｃｈｎｏｌｏｇｉｅｓ． ２０１７；５：２１． ｄｏｉ：１０．３３９０／ｔｅｃｈｎｏｌｏｇｉｅｓ５０２００２１］。

ここで、ａおよびｂは被験者固有の定数であり、基準ＢＰと対応するＰＴＴとの間の回帰分析を介して得られ得る［Ｃｈｅｎ Ｗ．， Ｋｏｂａｙａｓｈｉ Ｔ．， Ｉｃｈｉｋａｗａ Ｓ．， Ｔａｋｅｕｃｈｉ Ｙ．， Ｔｏｇａｗａ Ｔ． Ｃｏｎｔｉｎｕｏｕｓ ｅｓｔｉｍａｔｉｏｎ ｏｆ ｓｙｓｔｏｌｉｃ ｂｌｏｏｄ ｐｒｅｓｓｕｒｅ ｕｓｉｎｇ ｔｈｅ ｐｕｌｓｅ ａｒｒｉｖａｌ ｔｉｍｅ ａｎｄ ｉｎｔｅｒｍｉｔｔｅｎｔ ｃａｌｉｂｒａｔｉｏｎ． Ｍｅｄ．Ｂｉｏｌ．Ｅｎｇ．Ｃｏｍｐｕｔ．２０００；３８：５６９～５７４． ｄｏｉ：１０．１００７／ＢＦ０２３４５７５５］。この作業で用いられるＢＰと遅延時間との数学的関係は、第２の変数としてＨＲも利用する線形モデルである。その後、このモデルは、
ＢＰ＝ａ＊（ＰＴＴ）＋ｂ＊ＨＲ＋ｃ． （５）
となる。

ただし、式（５）のＰＴＴは、相対的ＰＴＴではなく、ＥＣＧおよびＰＴＴのピーク間の遅延を表す。

通常のＰＴＴを相対的ＰＴＴに変更することにより、問題の形が維持され、回帰分析によって容易に算出され得る係数の値のみが影響を受ける。

明確性のために別々の実施形態の文脈で説明される本発明の特定の特徴は、単一の実施形態に組み合わせて提供されてもよいことが理解される。逆に、簡潔性のために単一の実施形態の文脈で説明される本発明の様々な特徴は、別々に、または任意の適当な部分的組み合わせで提供されてもよい。

本発明は、その特定の実施形態と関連して説明されたが、当業者には多数の代替、修正、および変形例が明らかであることは明白である。したがって、添付の特許請求の範囲の主旨および広範な範囲に収まるそのような代替、修正、および変形例の全てを包含することが意図されている。本明細書において言及される全ての出版物、特許文献、および特許出願は、個々の出版物、特許文献、または特許出願が参照によって本明細書に組み込まれることが明確かつ個別に示された場合と同様に、参照によってその全体が本明細書に組み込まれる。加えて、本出願において任意の参照文献を引用または識別することは、そのような参照文献が本発明の従来技術として利用可能であることを認めるものと解釈されてはならない。

Claims (47)

1. 被験者のＰＴＴ（脈遷移時間）を算出するための方法であって、カメラによって前記被験者の顔および指から光データを取得することと、それぞれ前記カメラと通信状態にあるコンピュータデバイスによって、前記被験者の前記顔および指に関連するデータを選択するために前記光データを分析することと、前記顔の皮膚および前記指の皮膚から光データを検出し、経過期間に到達するまで前記光データを収集することによって前記光データから時系列を決定し、その後、前記経過期間に関して前記収集された光データから前記時系列を算出することと、前記時系列から前記ＰＴＴを算出することとを備える方法。
2. 前記光データはビデオデータを備え、前記指の皮膚から前記光データを前記取得することは、前記被験者の前記顔のビデオデータを取得することを備える、請求項１に記載の方法。
3. 前記指先の前記ビデオデータを前記取得することは、前記指先を前記カメラに載せることによって前記被験者の前記指先の皮膚のビデオデータを取得することを備える、請求項２に記載の方法。
4. 前記カメラは複数のモバイルフォンカメラを備え、前記光データを前記取得することは、前記複数のモバイルフォンカメラからビデオデータを取得することを更に備え、前記顔からの光データは第１のモバイルフォンカメラによって取得され、前記指からの光データは第２のモバイルフォンカメラによって取得される、請求項３に記載の方法。
5. 前記指および前記顔のビデオデータを取得するために、前記被験者は、前記指を背面モバイルフォンカメラに載せ、前記被験者の前記顔は、前面モバイルフォンカメラの正面に位置する、請求項４に記載の方法。
6. 前記モバイルフォンカメラ上の前記指先は、光を提供するために前記モバイルフォンカメラに関連するフラッシュを起動することを更に備える、請求項４または５に記載の方法。
7. 前記第１および第２のモバイルフォンからの前記ビデオデータの各々は、前記指および顔の皮膚からのパルス信号情報を提供するために分析される、請求項４～６のいずれかに記載の方法。
8. 前記第１および第２のモバイルフォンから決定されたパルス信号間の遅延が、ハードウェアクロックを介した同期に従って決定される、請求項４～７のいずれかに記載の方法。
9. 前記パルス信号は同期され、その後、同じサンプリングレートを生じるように補間される、請求項８に記載の方法。
10. 前記コンピュータデバイスは、前記モバイルフォンカメラから物理的に分離しているが、通信状態にある、請求項１～９のいずれかに記載の方法。
11. 前記コンピュータデバイスは、モバイル通信デバイスを備える、請求項１～１０のいずれかに記載の方法。
12. 前記顔の皮膚から前記光データを前記検出することは、複数の顔境界を決定し、最も確率の高い前記顔境界を選択し、前記顔からのビデオデータにヒストグラム分析を適用することを備える、請求項１～１１のいずれかに記載の方法。
13. 前記複数の顔境界を前記決定することは、前記顔境界を決定するために前記ビデオデータにマルチパラメータ畳み込みニューラルネット（ＣＮＮ）を適用することを備える、請求項１２に記載の方法。
14. 前記指の皮膚から前記光データを前記検出することは、複数の皮膚境界を決定し、最も確率が高い前記皮膚境界を選択し、前記皮膚からのビデオデータにヒストグラム分析を適用することを備える、請求項１～１３のいずれかに記載の方法。
15. 前記複数の皮膚境界を前記決定することは、前記皮膚境界を決定するために前記ビデオデータにマルチパラメータ畳み込みニューラルネット（ＣＮＮ）を適用することを備える、請求項１４に記載の方法。
16. 前記指の皮膚から前記光データを前記検出することは、複数の指先境界を決定し、最も確率が高い前記指先境界を選択し、前記指先からのビデオデータにヒストグラム分析を適用することを備える、請求項１～１５のいずれかに記載の方法。
17. 前記複数の指先境界を前記決定することは、前記指先境界を決定するために前記ビデオデータにマルチパラメータ畳み込みニューラルネット（ＣＮＮ）を適用することを備える、請求項１６に記載の方法。
18. 前記ＰＴＴを前記決定することは、前記顔の皮膚および前記指の皮膚からの前記光データからの測定値にメタデータを結合することを更に備え、前記メタデータは、前記被験者の体重、年齢、身長、生物学的性別、体脂肪率、および体筋率の１または複数を備える、請求項１～１７のいずれかに記載の方法。
19. 少なくとも１つの追加の生理信号から前記ＰＴＴを決定することを更に備える、請求項１～１８のいずれかに記載の方法。
20. 少なくとも前記ＰＴＴから少なくとも１つの追加の生理信号を決定することを更に備える、請求項１９に記載の方法。
21. 前記生理信号は、緊張、血圧、呼気量、およびｐＳＯ２（酸素飽和度）から成るグループから選択される、請求項１９および２０に記載の方法。
22. 前記ＰＴＴを算出する前に、前記パルス信号を雑音除去および正規化することを更に備える、請求項１～２１のいずれかに記載の方法。
23. 前記パルス信号をフィルタリングすることを更に備える、請求項２２に記載の方法。
24. ＰＰＧ様式信号構築を行うこと、前記ＰＰＧ様式信号構築から心拍数（ＨＲ）を決定すること、および前記ＨＲから前記ＰＴＴを算出することを更に備える、請求項２３に記載の方法。
25. 前記ＰＴＴから血圧を算出することを更に備える、請求項２４に記載の方法。
26. 被験者のＰＴＴ（脈遷移時間）を算出するためのシステムであって、前記被験者の顔および指先から光データを取得するためのカメラと、前記カメラから光データを受信するためのユーザコンピュータデバイスとを備え、前記ユーザコンピュータデバイスは、プロセッサと、複数の命令を格納するためのメモリとを備え、前記プロセッサは、前記被験者の前記顔および前記指先に関連するデータを選択するために前記光データを分析し、前記顔の皮膚および前記指先の皮膚から光データを検出し、経過期間に到達するまで前記光データを収集することによって前記光データから時系列を決定し、その後、前記経過期間に関して前記収集された光データから前記時系列を算出し、前記時系列から前記ＰＴＴを算出するために前記命令を実行する、システム。
27. 前記メモリは、定義済みのネイティブ命令コードセットを格納するために構成され、前記プロセッサは、前記メモリ内に格納された前記定義済みのネイティブ命令コードセットから選択される対応する基本命令の受信に応答して定義済みの基本動作セットを行うように構成され、前記メモリは、前記被験者の前記顔に関連するデータを選択するために前記光データを分析することに関する、前記ネイティブ命令セットから選択される第１の機械コードセットと、前記顔の皮膚から光データを検出することに関する、前記ネイティブ命令セットから選択される第２の機械コードセットと、経過期間に到達するまで前記光データを収集することによって前記光データから時系列を決定し、その後、前記経過期間に関して前記収集された光データから前記時系列を算出することに関する、前記ネイティブ命令セットから選択される第３の機械コードセットと、前記時系列から前記生理信号を算出することに関する、前記ネイティブ命令セットから選択される第４の機械コードセットとを格納する、請求項２６に記載のシステム。
28. 前記メモリは、複数の顔境界を決定することを備える、前記顔の皮膚から前記光データを検出することに関する、前記ネイティブ命令セットから選択される第５の機械コードセットと、最も確率が高い前記顔境界を選択することに関する、前記ネイティブ命令セットから選択される第６の機械コードセットと、前記顔からのビデオデータにヒストグラム分析を適用することに関する、前記ネイティブ命令セットから選択される第７の機械コードセットとを更に備える、請求項２７に記載のシステム。
29. 前記メモリは、前記顔境界を決定するために前記ビデオデータにマルチパラメータ畳み込みニューラルネット（ＣＮＮ）を適用することに関する、前記ネイティブ命令セットから選択される第８の機械コードセットを更に備える、請求項２８に記載のシステム。
30. 前記メモリは、定義済みのネイティブ命令コードセットを格納するために構成され、前記プロセッサは、前記メモリ内に格納された前記定義済みのネイティブ命令コードセットから選択される対応する基本命令の受信に応答して定義済みの基本動作セットを行うように構成され、前記メモリは、前記被験者の前記指先に関連するデータを選択するために前記光データを分析することに関する、前記ネイティブ命令セットから選択される第９の機械コードセットと、前記指先の皮膚から光データを検出することに関する、前記ネイティブ命令セットから選択される第１０の機械コードセットと、経過期間に到達するまで前記光データを収集することによって前記光データから時系列を決定し、その後、前記経過期間に関して前記収集された光データから前記時系列を算出することに関する、前記ネイティブ命令セットから選択される第１１の機械コードセットと、前記時系列から前記生理信号を算出することに関する、前記ネイティブ命令セットから選択される第１２の機械コードセットとを格納する、請求項１～２９のいずれかに記載のシステム。
31. 前記メモリは、複数の指先境界を決定することを備える、前記指先の皮膚から前記光データを検出することに関する、前記ネイティブ命令セットから選択される第１３の機械コードセットと、最も確率が高い前記指先境界を選択することに関する、前記ネイティブ命令セットから選択される第１４の機械コードセットと、前記指先からのビデオデータにヒストグラム分析を適用することに関する、前記ネイティブ命令セットから選択される第１５の機械コードセットとを更に備える、請求項３０に記載のシステム。
32. 前記メモリは、前記指先境界を決定するために前記ビデオデータにマルチパラメータ畳み込みニューラルネット（ＣＮＮ）を適用することに関する、前記ネイティブ命令セットから選択される第１６の機械コードセットを更に備える、請求項３１に記載のシステム。
33. 光データを取得するための前記カメラに前記指先が押し付けられることにより、指先検出ではなく皮膚検出のみが行われる、請求項３１に記載のシステム。
34. 前記カメラはモバイルフォンカメラを備え、前記光データは、前記モバイルフォンカメラからビデオデータとして取得される、請求項１～３３のいずれかに記載のシステム。
35. 前記コンピュータデバイスは、モバイル通信デバイスを備える、請求項３４に記載のシステム。
36. 前記モバイルフォンカメラは背面カメラを備え、前記ビデオデータを取得するために前記被験者の指先が前記カメラに載せられる、請求項３５に記載のシステム。
37. 前記光データを取得するための光を提供するために、前記モバイルフォンカメラに関連するフラッシュを更に備える、請求項３４または３５に記載のシステム。
38. 前記メモリは、複数の顔または指先境界を決定することに関する、前記ネイティブ命令セットから選択される第９の機械コードセットと、最も確率が高い前記顔または指先境界を選択することに関する、前記ネイティブ命令セットから選択される第１０の機械コードセットと、前記顔または指先からのビデオデータにヒストグラム分析を適用することに関する、前記ネイティブ命令セットから選択される第１１の機械コードセットとを更に備える、請求項３４～３７のいずれかに記載のシステム。
39. 前記メモリは、前記顔または指先境界を決定するために前記ビデオデータにマルチパラメータ畳み込みニューラルネット（ＣＮＮ）を適用することに関する、前記ネイティブ命令セットから選択される第１２の機械コードセットを更に備える、請求項３８に記載のシステム。
40. 前記ＰＴＴを表示するためのディスプレイを更に備える、請求項１～３９のいずれかに記載のシステム。
41. 前記ユーザコンピュータデバイスは、前記ディスプレイを更に備える、請求項４０に記載のシステム。
42. 前記ユーザコンピュータデバイスは、前記ＰＴＴを送信するための送信機を更に備える、請求項１～４１のいずれかに記載のシステム。
43. 前記ＰＴＴを前記決定することは、前記光データにメタデータを結合することを更に備え、前記メタデータは、前記被験者の体重、年齢、身長、生物学的性別、体脂肪率、および体筋率の１または複数を備える、請求項１～４２のいずれかに記載のシステム。
44. 前記生理信号は、緊張、血圧、呼気量、およびｐＳＯ２（酸素飽和度）から成るグループから選択される、請求項４３に記載のシステム。
45. 被験者からＰＴＴ（脈遷移時間）を算出するためのシステムであって、前記被験者の指から光データを取得するための背面カメラと、前記カメラから光データを受信するためのユーザコンピュータデバイスとを備え、前記ユーザコンピュータデバイスは、プロセッサと、複数の命令を格納するためのメモリとを備え、前記プロセッサは、前記被験者の前記顔に関連するデータを選択するために前記光データを分析し、前記指の皮膚から光データを検出し、経過期間に到達するまで前記光データを収集することによって前記光データから時系列を決定し、その後、前記経過期間に関して前記収集された光データから前記時系列を算出し、前記時系列から前記ＰＴＴを算出するために前記命令を実行する、システム。
46. 請求項１～４５のいずれかに記載のシステムを更に備える、請求項４５に記載のシステム。
47. 被験者からＰＴＴ（脈遷移時間）を算出するための方法であって、前記被験者から前記ＰＴＴを算出するために、請求項１～４６のいずれかに記載のシステムを動作させることを備える方法。

Images