JP6565401B2 - 睡眠時鼾解析装置、睡眠時鼾解析方法及びそのプログラム - Google Patents

Description

本発明の実施形態は、睡眠時鼾解析装置、睡眠時鼾解析方法及びそのプログラムに関する。

睡眠時無呼吸症候群は、無呼吸状態から呼吸を再開した時に脳を覚醒させ、睡眠深度を浅くしてしまうので、日中の疲労感増加や集中力低下の原因となり、ひいては、災害や交通事故等を引き起こす可能性を増加させてしまう病気である。また、近年では、睡眠時無呼吸症候群は、循環器系疾患や糖尿病等、様々な生活習慣病の合併を招く病気として知られ、早期治療及び生活習慣や睡眠環境の改善が推奨される病気である。

しかしながら、睡眠時無呼吸症候群は、自覚症状が少なく、患者の顕在化が十分にできていないという不都合がある。このため、睡眠時無呼吸症候群の患者の顕在化を十分に行うことができる新たな技術の開発が望まれている。

特開２０１３−２３６９２５号公報 特表平１１−５０５１４６号公報

本発明が解決しようとする課題は、睡眠時無呼吸症候群の患者の顕在化を実現し得る睡眠時鼾解析装置、睡眠時鼾解析方法及びそのプログラムを提供することにある。

実施形態によれば、睡眠時鼾解析装置は、人体に装着可能であって、この睡眠時鼾解析装置は、装着者の加速度を計測する計測手段と、前記計測された加速度の第１の閾値以上の周波数帯の波の強度を示す第１の時系列データを生成する第１の生成手段と、前記生成された第１の時系列データに基づいて、前記装着者の鼾の傾向を決定する決定手段と、前記決定された鼾の傾向に基づいて、睡眠時無呼吸症候群を発症するリスクを算出する算出手段とを備えている。

各実施形態に係る睡眠時鼾解析システムの概略構成例を示す図。 各実施形態に係る生体センサ装置のハードウェア構成例を示す図。 各実施形態に係る生体センサ装置の回路構成例を示す図。 第１の実施形態に係る睡眠時鼾解析アプリケーションプログラムの機能構成の一例を示すブロック図。 同実施形態に係る特徴量解析区間決定処理の手順の一例を示すフローチャート。 同実施形態に係る加速度信号により示される加速度のＤＣｚ波形の一例を示す図。 同実施形態に係る加速度信号により示される加速度のＡＣｚ波形の一例を示す図。 同実施形態に係る特徴量解析区間における健常者のＡＣｚ波形や当該ＡＣｚ波形に対して所定の処理を実行することによって得られる種々様々な波形を示す図。 同実施形態に係る特徴量解析区間における睡眠時無呼吸症候群の被験者のＡＣｚ波形や当該ＡＣｚ波形に対して所定の処理を実行することによって得られる種々様々な波形を示す図。 同実施形態に係る第１の特徴点算出処理の手順の一例を示すフローチャート。 同実施形態に係る第２の特徴点算出処理の手順の一例を示すフローチャート。 同実施形態に係る第１の鼾傾向決定処理の手順の一例を示すフローチャート。 同実施形態に係る第２の鼾傾向決定処理の手順の一例を示すフローチャート。 同実施形態に係る第３の鼾傾向決定処理の手順の一例を示すフローチャート。 同実施形態に係る発症リスク算出テーブルの一例を示す図。 同実施形態に係る発症リスク算出テーブルの別の一例を示す図。 第２の実施形態に係る睡眠時鼾解析アプリケーションプログラムの機能構成の一例を示すブロック図。 同実施形態に係る寝姿勢推定処理の手順の一例を示すフローチャート。 同実施形態に係る対応付け結果情報のデータ構造の一例を示す図。 第３の実施形態に係る睡眠時鼾解析アプリケーションプログラムの機能構成の一例を示すブロック図。

以下、実施の形態について図面を参照して説明する。
＜第１の実施形態＞
図１は、各実施形態に係る睡眠時鼾解析システムの概略構成例を示す図である。この睡眠時鼾解析システム１は、図１に示すように、生体センサ装置１０及び電子機器１１を含み、当該生体センサ装置１０と当該電子機器１１とは通信可能に接続されている。なお、生体センサ装置１０が有する各種機能の一部は、電子機器１１によって実現されるとしてもよい。生体センサ装置１０は小型・軽量・薄型であり、電池（例えば、内蔵の２次電池）により駆動される。生体センサ装置１０は、生体情報を常時計測可能とするために、例えば、接着テープ等により人体（の胸部表面）に貼り付けられる。人体への装着法は貼り付けによる装着以外にも、バンドによる装着やベルトによる装着、服による埋め込み等であってもよい。生体センサ装置１０は、例えば脈波、心電図、温度、加速度等の複数の生体情報を同時に計測し、計測した生体情報を無線で電子機器１１に送出する機能を有する。また、生体センサ装置１０は、計測した生体情報を解析し、当該解析の結果として得られる解析結果情報を無線で電子機器１１に送出する機能も有する。更に、生体センサ装置１０は、電子機器１１からの制御信号等を無線で受信する機能も有する。

電子機器１１は、生体センサ装置１０から送出される生体情報や解析結果情報を表示可能なモジュールであり、例えばスマートフォンやタブレットコンピュータ等がこれに該当する。この電子機器１１には、生体センサ装置１０から送出される生体情報や解析結果情報を表示するためのアプリケーションが予めインストールされる。

なお、生体センサ装置１０と電子機器１１とは無線ではなく、有線で通信可能に接続されてもよい。

ここで、図２を参照しながら、生体センサ装置１０のハードウェア構成について説明する。
生体センサ装置１０は複数のセンサを有するが、各センサのアナログフロントエンドは、センサ毎に仕様が異なるために、柔軟性と高性能の両立が要求され、大型化してしまうことがある。しかしながら、ここでは、擬似ＳｏＣ技術を用いて複数のアナログフロントエンドと、ＣＰＵ等をシングルチップ上に集積することにより、数ミリメートル四方のセンサモジュールが実現される。擬似ＳｏＣ技術とは、ウエハ上に部品を集積することにより、ＳｏＣ相当の小型化と、ＳｉＰ相当の設計自由度とを両立した技術である。このモジュールにアンテナと電池等のわずかな周辺部品を接続することにより、小型・軽量（１０数グラム程度）・薄型（数ｍｍ程度）の生体センサ装置１０が実現される。なお、部品内蔵基板技術や専用ＬＳＩを用いた構成により小型化を実現することも可能である。

生体センサ装置１０は、例えば、長軸が数センチメートル程度の楕円形状であり、図２に示すように、人体への接着面には心電図電極（Ｒ）２０ａ、心電図電極（Ｌ）２０ｂ、光電ユニット２２、温度センサ２４、充電用の端子２６が配置される。心電図電極２０ａ、２０ｂは心臓の左右に位置することが必要であるので、長軸に沿って間隔を空けて配置される。光電ユニット２２は光学的に脈波を検出するものであり、その前面には光を透過する透明な材質の窓部が設けられている。

図３は、生体センサ装置１０の回路構成を示すブロック図である。生体センサ装置１０は、上記した心電図電極２０ａ、２０ｂ、光電ユニット２２、温度センサ２４、充電用の端子２６に加えて、心電計３０、加速度センサ３２、脈波計３４、ブルーツース（登録商標）モジュール３６、システムコントローラ３８、エンベデッドコントローラ（ＥＣ）４０、リチウム２次電池４２、ＣＰＵ４４、主メモリ４６、ＢＩＯＳ−ＲＯＭ４８、フラッシュメモリ５０等を含む。

心電図電極（Ｒ）２０ａ、心電図電極（Ｌ）２０ｂが心電図用のアナログフロントエンドである心電計３０に接続される。心電計３０は心電図電極（Ｒ）２０ａ、心電図電極（Ｌ）２０ｂ間の電位差をサンプリングした時系列信号を解析することにより心電図を得る。

光電ユニット２２は容積脈波を検知するためのものであり、光源である発光素子（例えば、青色ＬＥＤ）２２ａと、受光部であるフォトダイオード（ＰＤ）２２ｂを含む。光電ユニット２２の前面には透明な窓部が設けられ、窓部を通して青色ＬＥＤ２２ａからの光が皮膚表面に照射され、反射光が窓部を通してＰＤ２２ｂに入射される。青色ＬＥＤ２２ａと、ＰＤ２２ｂが脈波用のアナログフロントエンドである脈波計３４に接続される。脈波計３４は毛細血管内の血流変化により変化する反射光の変動を検知し、この検知信号を解析することにより脈波を求める。

心電計３０、加速度センサ３２、脈波計３４、温度センサ２４がシステムコントローラ３８に接続される。温度センサ２４は人体の体表面の温度を測定し、加速度センサ３２は人体の体動を測定する。なお、ここでは、加速度センサ３２は、サンプリング周波数が１ＫＨｚの３軸加速度センサであるものとする。

ＣＰＵ４４は生体センサ装置１０の各モジュール、各コンポーネントの動作を制御するプロセッサである。上記したように、生体センサ装置１０は各センサの出力、あるいは複数のセンサの出力の組み合わせを解析することにより、種々の生体情報（例、体温、皮膚温、脈拍数、心拍数、自律神経活動指標、血圧、睡眠時間等）を連続的に計測することができる。

システムコントローラ３８は、ＣＰＵ４４と各モジュール、各コンポーネントとの間を接続するブリッジデバイスである。システムコントローラ３８には、ブルーツースモジュール３６、エンベデッドコントローラ（ＥＣ）４０、ＣＰＵ４４、主メモリ４６、ＢＩＯＳ−ＲＯＭ４８、フラッシュメモリ５０も接続される。

エンベデッドコントローラ４０は、生体センサ装置１０の電力管理を実行するための電力管理コントローラであり、内蔵の２次電池、例えばリチウム２次電池４２の充電を制御する。生体センサ装置１０が充電器５２に装着されると、充電端子２６が充電器５２の端子に接触し、充電端子２６を介して充電器５２からの充電電流が生体センサ装置１０に供給され、リチウム２次電池４２が充電される。エンベデッドコントローラ４０は、リチウム２次電池４２からの電力に基づいて各モジュール、各コンポーネントへ動作電源を供給する。

ＣＰＵ４４は、生体センサ装置１０内の各モジュール、各コンポーネントの動作を制御するプロセッサである。ＣＰＵ４４は、フラッシュメモリ５０から主メモリ４６にロードされる各種ソフトウェアを実行する。これらソフトウェアには、オペレーティングシステム（ＯＳ）や、各種アプリケーションプログラムが含まれている。アプリケーションプログラムには、睡眠時鼾解析アプリケーションプログラム１００が含まれている。この睡眠時鼾解析アプリケーションプログラム１００は、加速度センサ３２によって取得される加速度信号に基づいて鼾を解析し、生体センサ装置１０を装着しているユーザが睡眠時無呼吸症候群を発症する危険性（リスク）が高いかどうかを判定する機能を有している。

図４は、睡眠時鼾解析アプリケーションプログラム１００の機能構成の一例を示すブロック図である。睡眠時鼾解析アプリケーションプログラム１００は、図４に示すように、特徴量解析区間決定部１０１、特徴点算出部１０２、鼾傾向決定部１０３及び発症リスク算出部１０４等を備えている。なお、本実施形態では、睡眠時鼾解析アプリケーションプログラム１００は、生体センサ装置１０内に格納され、当該生体センサ装置１０内のＣＰＵ４４によって実行されるものとしたが、例えば、睡眠時鼾解析アプリケーションプログラム１００は、電子機器１１内に格納され、当該電子機器１１内のＣＰＵによって実行されてもよい。この場合、加速度センサ３２によって取得される加速度信号は電子機器１１に対して出力される。また、睡眠時鼾解析アプリケーションプログラム１００に含まれる各機能部のうちの一部を、電子機器１１に実装するとしてもよい。例えば、特徴量解析区間決定部１０１と特徴点算出部１０２との機能を生体センサ装置１０に実装し、鼾傾向決定部１０３と発症リスク算出部１０４との機能を電子機器１１に実装するとしてもよい。

以下、各部１０１〜１０４が有している機能の詳細について説明する。
特徴量解析区間決定部１０１は、加速度センサ３２から出力された加速度信号の入力を受け付けると、当該加速度信号を利用して、特徴量解析区間決定処理を実行する。特徴量解析区間決定処理とは、後述する特徴点算出処理を実行するのに好適な区間（以下、特徴量解析区間と表記）を決定するために実行される処理である。特徴量解析区間とは、寝返り等の姿勢変動に起因する振動や、中途覚醒時の体動に起因する振動、咳払いや寝言等に起因する振動、すなわち、鼾以外に起因する振動が少なく、鼾に起因する振動が多く含まれている区間を示す。

ここで、図５のフローチャートを参照して、特徴量解析区間決定処理の手順の一例について説明する。
まず、特徴量解析区間決定部１０１は、加速度センサ３２から出力される加速度信号の入力を受け付ける（ステップＳ１）。後述するステップＳ２〜Ｓ４の処理においては、特徴量解析区間決定部１０１は、入力を受け付けた加速度信号により示される加速度のＤＣ（直流）成分のうち、生体センサ装置１０を装着したユーザの胸部表面に対して垂直方向（ｚ軸方向）のＤＣ成分であるＤＣｚを利用する。ここでは、加速度信号により示される加速度のＤＣ成分のうちのＤＣｚの波形（以下、ＤＣｚ波形と表記）として、図６（ａ）に示す波形Ｗ_ＤＣが、当該加速度信号から得られている場合を想定する。

続いて、特徴量解析区間決定部１０１は、入力を受け付けた加速度信号により示されるＤＣｚ波形Ｗ_ＤＣの所定区間Ｉ毎にローパスフィルタを実装する（ステップＳ２）。また、特徴量解析区間決定部１０１は、上記したローパスフィルタ実装後のＤＣｚ波形Ｗ_ＤＣに対して微分処理を実行する（ステップＳ３）。これらステップＳ２及びＳ３の処理によれば、特徴量解析区間決定部１０１は、姿勢変動に起因する振動（鼾以外に起因する振動）を抽出することができる。なお、姿勢変動に起因する振動の抽出は、バンドパスフィルタ処理やハイパスフィルタ処理を実行することにより行われてもよい。

ここでは、所定区間Ｉ毎に、上記したステップＳ２及びＳ３の処理が繰り返し実行されることで、図６（ｂ）に示すＤＣｚ波形Ｗ_ＤＣ’が得られたものとする。なお、ここでは所定区間Ｉが３０［ｓｅｃ］（１エポック）である場合を想定しているが、例えば、所定区間Ｉは１［ｍｉｎ］（２エポック）等であってもよい。

なお、本実施形態では、特徴量解析区間決定処理に、加速度信号により示される加速度のＤＣ成分のうちのＤＣｚが利用されるものとしたが、例えば、加速度信号により示される加速度のＤＣ成分のうち、生体センサ装置１０を装着したユーザの胸部表面に対して水平であり、かつ体軸に垂直な方向（ｘ軸方向）のＤＣ成分であるＤＣｘや、３軸情報（加速度のＤＣ成分であるＤＣｘ、ＤＣｙ、ＤＣｚの二乗平均）等が利用されてもよい。

次に、特徴量解析区間決定部は、微分処理の結果として得られる所定区間Ｉの波形Ｗ_ＤＣ’を構成する複数の値の絶対値の全てが、予め設定された第１の閾値以下であるか否かを判定する（ステップＳ４）。なお、ステップＳ４の判定処理の結果、否であると判定された場合（ステップＳ４のＮＯ）、上記したステップＳ１の処理に戻り、次の所定区間Ｉに対して上記した各種処理を実行する。

一方、ステップＳ４の判定処理の結果、絶対値の全てが予め設定された第１の閾値以下であると判定された場合（ステップＳ４のＹＥＳ）、特徴量解析区間決定部１０１は、当該所定区間Ｉは、生体センサ装置１０を装着したユーザの姿勢変動に起因する振動が少ない区間であると判定する。なお、図６（ｂ）の場合、上記した所定区間Ｉを含む期間Ｔ１と、期間Ｔ２とが姿勢変動に起因する振動が少ない区間に相当する。また、ここでは、上記したステップＳ４の処理において、特徴量解析区間決定部１０１は、所定区間Ｉの波形Ｗ_ＤＣ’を構成する複数の値の絶対値の全てを対象にして、予め設定された第１の閾値以下であるか否かを判定するとしたが、例えば、所定区間Ｉの波形Ｗ_ＤＣ’を構成する複数の値の平均値や中央値、あるいは分散値等を対象として、上記した判定処理を実行してもよい。

姿勢変動に起因する振動が少ない区間であることが判明した後の処理であるステップＳ５〜Ｓ８の処理においては、特徴量解析区間決定部１０１は、入力を受け付けた加速度信号により示される加速度のＡＣ（交流）成分のうち、生体センサ装置１０を装着したユーザのｚ軸方向のＡＣ成分であるＡＣｚを利用して、特徴量解析区間を決定する。ここでは、加速度信号により示される加速度のＡＣ成分のうちのＡＣｚの波形（以下、ＡＣｚ波形と表記）として、図７（ａ）に示す波形Ｗ_ＡＣが、当該加速度信号から得られている場合を想定する。

特徴量解析区間決定部１０１は、入力を受け付けた加速度信号により示される当該所定区間ＩのＡＣｚ波形Ｗ_ＡＣの包絡線を算出し、当該ＡＣｚ波形Ｗ_ＡＣに対してローパスフィルタを実装する（ステップＳ５）。このステップＳ５の処理によれば、特徴量解析区間決定部１０１は、鼾に起因する振動を強調させた波形を生成することができる。なお、鼾に起因する振動の強調は、所定区間ＩのＡＣｚ波形Ｗ_ＡＣの時間周波数解析を行い、当該所定区間Ｉにおける可聴域以上（２０Ｈｚ以上）においてのパワースペクトル密度の最大値又は周波数帯の総和を算出し、その結果に対してローパスフィルタを実装することにより行われてもよい。また、所定区間ＩのＡＣｚ波形Ｗ_ＡＣに対してローパスフィルタを実装するだけであってもよい。

次に、特徴量解析区間決定部１０１は、ステップＳ５の処理の結果として得られる図７（ｂ）に示す波形Ｗ１の自己相関関数を算出する（ステップＳ６）。このステップＳ６の処理によれば、特徴量解析区間決定部１０１は、ステップＳ５の処理の結果として得られる波形の周期性を評価することができる。なお、ここでは、ステップＳ６の処理の結果として、図７（ｃ）に示す波形Ｗ２が得られているものとする。

続いて、特徴量解析区間決定部１０１は、ステップＳ６の処理の結果として得られる自己相関関数の波形Ｗ２の２番目の最大値であり、かつ極大値であるピーク値が予め設定された第２の閾値以上であるか否かを判定する（ステップＳ７）。なお、ステップＳ７の判定処理の結果、否であると判定された場合（ステップＳ７のＮＯ）、上記したステップＳ１の処理に戻る。

一方、ステップＳ７の判定処理の結果、ピーク値が予め設定された第２の閾値以上であると判定された場合（ステップＳ７のＹＥＳ）、特徴量解析区間決定部１０１は、当該所定区間Ｉは、鼾以外に起因する振動が少なく、鼾に起因する振動が存在する区間であると判定し、当該所定区間Ｉを特徴量解析区間に決定して（ステップＳ８）、ここでの処理を終了させる。

なお、特徴量解析区間決定部１０１は、特徴量解析区間を決定すると、当該決定された特徴量解析区間のＡＣｚ波形Ｗ_ＡＣを示す波形情報を特徴点算出部１０２に送出する。

また、ここでは、特徴量解析区間決定部１０１は、上記した手法にて特徴量解析区間を決定するとしたが、例えば、特徴量解析区間決定部１０１は、上記したステップＳ５の処理の結果として得られる図７（ｂ）に示す波形Ｗ１を構成する複数の値が予め設定された第３の閾値以上となる期間を抽出し、当該抽出された期間を特徴量解析区間に決定してもよい。

ここで、図８及び図９を参照して、健常者と睡眠時無呼吸症候群の被験者（患者）との鼾の違いについて説明する。図８は、特徴量解析区間における健常者のＡＣｚ波形や当該ＡＣｚ波形に対して所定の処理を実行することによって得られる種々様々な波形を示している。また、図９は、特徴量解析区間における睡眠時無呼吸症候群の被験者のＡＣｚ波形や当該ＡＣｚ波形に対して所定の処理を実行することによって得られる種々様々な波形を示している。

図８（ａ）は健常者のＡＣｚ波形を示し、図９（ａ）は睡眠時無呼吸症候群の被験者のＡＣｚ波形を示す。図８（ａ）及び図９（ａ）によれば、鼾に起因する振動が周期的に重畳していることがわかる。

図８（ｂ）は、図８（ａ）に示す健常者のＡＣｚ波形に対して、短時間フーリエ変換処理を実行し、時間周波数解析を行った結果として得られたものである。同様に、図９（ｂ）は、図９（ａ）に示す睡眠時無呼吸症候群の被験者のＡＣｚ波形に対して、短時間フーリエ変換処理を実行し、時間周波数解析を行った結果として得られたものである。色の濃さは、各時刻（横軸）における各周波数（縦軸）のパワースペクトル密度値の大小を示している。図８（ｂ）及び図９（ｂ）によれば、睡眠時無呼吸症候群の被験者は、健常者に比べて、高周波帯でパワースペクトル密度が大きく、多数の高周波を鼾に含んでいること（鼾として高周波を発している）がわかる。

図８（ｃ）は、図８（ｂ）に示す時間周波数解析の結果を利用して、予め設定された閾値ＴＨ以上の周波数のパワースペクトル密度の和を算出することによって得られる波形を示す。また、図８（ｄ）は、図８（ｂ）に示す時間周波数解析の結果を利用して、予め設定された閾値ＴＨ未満の周波数のパワースペクトル密度の和を算出することによって得られる波形を示す。図８（ｅ）は、図８（ｂ）に示す時間周波数解析の結果を利用して、全周波数のパワースペクトル密度の和を算出することによって得られる波形を示す。

同様に、図９（ｃ）は、図９（ｂ）に示す時間周波数解析の結果を利用して、予め設定された閾値ＴＨ以上の周波数のパワースペクトル密度の和を算出することによって得られる波形を示す。また、図９（ｄ）は、図９（ｂ）に示す時間周波数解析の結果を利用して、予め設定された閾値ＴＨ未満の周波数のパワースペクトル密度の和を算出することによって得られる波形を示す。更に、図９（ｅ）は、図９（ｂ）に示す時間周波数解析の結果を利用して、全周波数のパワースペクトル密度の和を算出することによって得られる波形を示す。

なお、上記した閾値ＴＨは、一般的に声の基本周波数が１００Ｈｚから２００Ｈｚであり、共鳴周波数の最も低い周波数が３００Ｈｚから１０００Ｈｚであるので、２００Ｈｚ以上３００Ｈｚ未満の範囲内で設定されるのが好ましい。

健常者に関連した図８（ｃ）〜（ｅ）に示す各波形と、睡眠時無呼吸症候群の被験者に関連した図９（ｃ）〜（ｅ）に示す各波形とを比べると、波高の差異が顕著であることがわかる。これは、睡眠時無呼吸症候群を発症していると、上気道が、扁桃や舌根部の位置や形状により閉塞してしまうため、声帯や軟部組織から発される基本周波数を有した波が複雑に反射・共鳴し、高周波が発生してしまうことが要因として考えられる。

以上説明したように、健常者と睡眠時無呼吸症候群の被験者とでは、鼾に起因する振動に大きな違いがあることがわかる。そこで、本実施形態に係る睡眠時鼾解析アプリケーションプログラム１００は、特徴点算出部１０２において鼾に関連する振動の特徴点を算出し、この算出結果を利用して、鼾の傾向を決定することで、生体センサ装置１０を装着したユーザが睡眠時無呼吸症候群を発症する危険性（リスク）が高いか否かを判別可能な機能を有している。

上記したように、特徴点算出部１０２は、鼾に起因する振動の特徴点を算出する処理として、後述する第１の特徴点算出処理と、後述する第２の特徴点算出処理とを実行する。

ここで、図１０のフローチャートを参照して、特徴点算出部１０２によって実行される第１の特徴点算出処理の手順の一例について説明する。
まず、特徴点算出部１０２は、特徴量解析区間決定部１０１により決定された特徴量解析区間のＡＣｚ波形を示す波形情報の入力を受け付ける（ステップＳ１１）。ここでは、特徴点算出部１０２が、図８（ａ）に示すＡＣｚ波形を示す波形情報の入力を受け付けた場合を想定する。

続いて、特徴点算出部１０２は、入力を受け付けた波形情報により示される特徴量解析区間のＡＣｚ波形に対して短時間フーリエ変換処理を実行して、時間周波数解析を行う（ステップＳ１２）。このステップＳ１２の処理によれば、特徴点算出部１０２は、時間周波数解析を行った結果として、図８（ｂ）に示す時間周波数解析結果を得ることができる。なお、ここでは、特徴点算出部１０２は、短時間フーリエ変換処理を実行して時間周波数解析を行い、強度としてパワースペクトル密度を算出しているが、例えば、連続ウェーブレット変換処理を実行して時間周波数解析を行い、特徴量としてパワースペクトル密度を算出するとしてもよい。また、特徴点算出部１０２は、時間周波数解析を行うことなく、閾値ＴＨをカットオフ周波数としてハイパスフィルタを実装し、高周波数帯の波を抽出するとしてもよい。

次に、特徴点算出部１０２は、時間周波数解析の結果に基づいて、時間毎に、予め設定された閾値ＴＨ以上の周波数のパワースペクトル密度の和を算出し、当該閾値ＴＨ以上の周波数帯の波の強度を示す時系列データを算出する（ステップＳ１３）。例えば、図８（ｂ）に示す時間ｔ１において、色の濃さによって大小が表現されているパワースペクトル密度の値を、閾値ＴＨ以上の周波数にわたって足し合わせることで、特徴点算出部１０２は、時間ｔ１におけるパワースペクトル密度の和を算出する。同様の処理を全ての時間を対象にして実行することで、特徴点算出部１０２は、図８（ｃ）に示した波形を示す時系列データを得ることができる。

しかる後、特徴点算出部１０２は、算出された時系列データにより示される波形の極大値であり、かつ当該極大値から前後所定間隔において最大値である点を、鼾に起因する振動の第１の特徴点として抽出し（ステップＳ１４）、ここでの処理を終了させる。この場合、図８（ｃ）に示す×印を付された点が、鼾に起因する振動の第１の特徴点として抽出される。なお、抽出された第１の特徴点の座標を示す第１の特徴点情報は、鼾傾向決定部１０３に送出される。

次に、図１１のフローチャートを参照して、特徴点算出部１０２によって実行される第２の特徴点算出処理について説明する。なお、ステップＳ２１及びＳ２２の処理は、既に説明したステップＳ１１及びＳ１２の処理と同様な処理であるため、ここではその詳しい説明を省略する。以下では、ステップＳ２３の処理から順に各種処理について説明する。
ステップＳ２２の処理の後、特徴点算出部１０２は、時間周波数解析の結果に基づいて、時間毎に、全周波数のパワースペクトル密度の和を算出し、全周波数帯の波の強度を示す時系列データを算出する（ステップＳ２３）。例えば、図８（ｂ）に示す時間ｔ１において、色の濃さによって大小が表現されているパワースペクトル密度の値を、全周波数にわたって足し合わせることで、特徴点算出部１０２は、時間ｔ１におけるパワースペクトル密度の和を算出する。同様の処理を全ての時間を対象にして実行することで、特徴点算出部１０２は、図８（ｅ）に示した波形を示す時系列データを得ることができる。

続いて、特徴点算出部１０２は、算出された時系列データにより示される波形の極大値であり、かつ当該極大値から前後所定間隔において最大値である点を、鼾に起因する振動の第２の特徴点として抽出する（ステップＳ２４）。この場合、図８（ｅ）に示す×印を付された点が、鼾に起因する振動の第２の特徴点として抽出される。なお、抽出された第２の特徴点の座標を示す第２の特徴点情報は、鼾傾向決定部１０３に送出される。

しかる後、特徴点算出部１０２は、抽出された複数の第２の特徴点の時間差（間隔）を、鼾に起因する振動の周期として算出し（ステップＳ２５）、ここでの処理を終了させる。この場合、図８（ｅ）に示すＣ１、Ｃ２、・・・がそれぞれ鼾に起因する振動の周期として算出される。なお、算出された周期を示す周期情報は、鼾傾向決定部１０３に送出される。

なお、特徴点算出部１０２は、上記したステップＳ１３の処理と同様に、時間周波数解析の結果に基づいて、時間毎に、予め設定された閾値ＴＨ未満の周波数のパワースペクトル密度の和を算出し、当該閾値ＴＨ未満の周波数帯の波の強度を示す時系列データを算出することで、図８（ｄ）に示した波形を示す時系列データを得ることができる。なお、以下では詳述しないが、後述する鼾傾向決定部１０３は、図８（ｃ）の時系列データに示される閾値ＴＨ以上の周波数帯の波の強度に対する図８（ｄ）の時系列データに示される閾値ＴＨ未満の周波数帯の波の強度の比率を算出し、生体センサ装置１０を装着したユーザの鼾の傾向を決定するとしてもよい。

再び図４の説明に戻る。鼾傾向決定部１０３は、特徴点算出部１０２から出力される第１の特徴点情報、第２の特徴点情報及び周期情報の入力をそれぞれ受け付けると、入力を受け付けた各種情報に基づいて、生体センサ装置１０を装着したユーザの鼾の傾向を決定する。

ここで、図１２のフローチャートを参照して、上記した第１の特徴点情報に基づいて、生体センサ装置１０を装着したユーザの鼾の傾向を決定する第１の鼾傾向決定処理について説明する。
まず、鼾傾向決定部１０３は、特徴点算出部１０２によるステップＳ１４の処理により算出され、特徴点算出部１０２から出力される第１の特徴点情報の入力を受け付けた場合、当該第１の特徴点情報により示される複数の第１の特徴点の座標に基づいて、特徴量解析区間の全特徴点のパワースペクトル密度和（換言すると、図８（ｃ）に示す×印が付された第１の特徴点の縦軸の値）の平均値（以下、第１の平均値と表記）を算出する（ステップＳ３１）。

続いて、鼾傾向決定部１０３は、算出された第１の平均値が予め設定された第１の分類閾値以上であるか否かを判定する（ステップＳ３２）。

ステップＳ３２の判定処理の結果、算出された第１の平均値が予め設定された第１の分類閾値以上であると判定された場合（ステップＳ３２のＹＥＳ）、鼾傾向決定部１０３は、生体センサ装置１０を装着したユーザの鼾の傾向を「高音傾向有り」に決定して（ステップＳ３３）、後述するステップＳ３５の処理に進む。

一方、ステップＳ３２の判定処理の結果、否であると判定された場合（ステップＳ３２のＮＯ）、鼾傾向決定部１０３は、生体センサ装置１０を装着したユーザの鼾の傾向を「高音傾向無し」に決定する（ステップＳ３４）。

次に、鼾傾向決定部１０３は、全特徴点の個々のパワースペクトル密度和の各値と、全特徴点のパワースペクトル密度和の平均値である第１の平均値とに基づいて、第１の分散値を算出する（ステップＳ３５）。なお、ここでは、第１の分散値を算出するために、第１の平均値が利用される場合について説明したが、例えば、第１の特徴点の中央値が利用されてもよい。又は、図８（ｃ）に示した時系列データにより示される波形の特徴量解析区間での平均値や中央値等が利用されてもよい。

その後、鼾傾向決定部１０３は、算出された第１の分散値が予め設定された第２の分類閾値以上であるか否かを判定する（ステップＳ３６）。

ステップＳ３６の判定処理の結果、第１の分散値が予め設定された第２の分類閾値以上であると判定された場合（ステップＳ３６のＹＥＳ）、鼾傾向決定部１０３は、生体センサ装置１０を装着したユーザの鼾の傾向を「不規則傾向有り」に決定して（ステップＳ３７）、ここでの処理を終了させる。

一方、ステップＳ３６の判定処理の結果、否であると判定された場合（ステップＳ３６のＮＯ）、鼾傾向決定部１０３は、生体センサ装置１０を装着したユーザの鼾の傾向を「不規則傾向無し」に決定して（ステップＳ３８）、ここでの処理を終了させる。

なお、鼾傾向決定部１０３は、第１の鼾傾向決定処理の結果として、決定された鼾の傾向を示す鼾傾向情報を発症リスク算出部１０４に送出する機能も有している。例えば、ステップＳ３２の判定処理の結果が「高音傾向有り」であり、ステップＳ３６の判定処理の結果が「不規則傾向有り」である場合、この旨を示す情報が鼾傾向情報として発症リスク算出部１０４に送出される。なお、ここでは、ステップＳ３２の判定処理の結果が「高音傾向有り」であり、ステップＳ３６の判定処理の結果が「不規則傾向有り」である場合を例にとって説明したが、その他の場合であっても同様に、鼾傾向情報は発症リスク算出部１０４に送出されるため、ここでは、その詳しい説明は省略する。

また、ここでは、鼾傾向決定部１０３は、ステップＳ３３及びステップＳ３４の処理において、生体センサ装置１０を装着したユーザの鼾の傾向として「高音傾向」の有無を単に決定するとしたが、例えば、第１の分類閾値に相当する閾値を複数用意しておくことで、例えば「高音傾向有り（軽）」、「高音傾向有り（中）」、「高音傾向有り（重）」等、高音傾向の程度までを含めて、鼾の傾向を決定するとしてもよい。同様に、鼾傾向決定部１０３は、ステップＳ３７及びステップＳ３８の処理において、生体センサ装置１０を装着したユーザの鼾の傾向として「不規則傾向」の有無を単に決定するとしたが、例えば、第２の分類閾値に相当する閾値を複数用意しておくことで、例えば「不規則傾向有り（軽）」、「不規則傾向有り（中）」、「不規則傾向有り（重）」等、不規則傾向の程度（重症度）まで含めて、鼾の傾向を決定するとしてもよい。

図１３のフローチャートを参照して、上記した特徴点算出部１０２によるステップＳ２４の処理により算出され、特徴点算出部１０２から第２の特徴点情報の入力を受け付けた場合に実行される、生体センサ装置１０を装着したユーザの鼾の傾向を決定する第２の鼾傾向決定処理について説明する。

鼾傾向決定部１０３は、特徴点算出部１０２から出力された第２の特徴点情報の入力を受け付けると、当該第２の特徴点情報により示される複数の第２の特徴点の座標に基づいて、全特徴点のパワースペクトル密度和（換言すると、図８（ｅ）に示す×印が付された第２の特徴点の縦軸の値）の平均値（以下、第２の平均値と表記）を算出する（ステップＳ４１）。

続いて、鼾傾向決定部１０３は、算出された第２の平均値が予め設定された第３の分類閾値以上であるか否かを判定する（ステップＳ４２）。

ステップＳ４２の判定処理の結果、算出された第２の平均値が予め設定された第３の分類閾値以上であると判定された場合（ステップＳ４２のＹＥＳ）、鼾傾向決定部１０３は、生体センサ装置１０を装着したユーザの鼾の傾向を「大音傾向有り」に決定して（ステップＳ４３）、後述するステップＳ４５の処理に進む。

一方、ステップＳ４２の判定処理の結果、否であると判定された場合（ステップＳ４２のＮＯ）、鼾傾向決定部１０３は、生体センサ装置１０を装着したユーザの鼾の傾向を「大音傾向無し」に決定する（ステップＳ４４）。

次に、鼾傾向決定部１０３は、全特徴点の個々のパワースペクトル密度和の各値と、全特徴点のパワースペクトル密度和の平均値である第２の平均値とに基づいて、第２の分散値を算出する（ステップＳ４５）。なお、ここでは、第２の分散値を算出するために、第２の平均値が利用される場合について説明したが、例えば、第２の特徴点の中央値が利用されてもよい。又は、図８（ｅ）に示した時系列データにより示される波形の特徴量解析区間での平均値や中央値等が利用されてもよい。

その後、鼾傾向決定部１０３は、算出された第２の分散値が予め設定された第４の分類閾値以上であるか否かを判定する（ステップＳ４６）。

ステップＳ４６の判定処理の結果、第２の分散値が予め設定された第４の分類閾値以上であると判定された場合（ステップＳ４６のＹＥＳ）、鼾傾向決定部１０３は、生体センサ装置１０を装着したユーザの鼾の傾向を「不規則傾向有り」に決定して（ステップＳ４７）、ここでの処理を終了させる。

一方、ステップＳ４６の判定処理の結果、否であると判定された場合（ステップＳ４６のＮＯ）、鼾傾向決定部１０３は、生体センサ装置１０を装着したユーザの鼾の傾向を「不規則傾向無し」に決定して（ステップＳ４８）、ここでの処理を終了させる。

なお、鼾傾向決定部１０３は、第２の鼾傾向決定処理の結果として、決定された鼾の傾向を示す鼾傾向情報を発症リスク算出部１０４に送出する機能も有している。例えば、ステップＳ４２の判定処理の結果が「大音傾向有り」であり、ステップＳ４６の判定処理の結果が「不規則傾向有り」である場合、この旨を示す情報が鼾傾向情報として発症リスク算出部１０４に送出される。なお、ここでは、ステップＳ４２の判定処理の結果が「大音傾向有り」であり、ステップＳ４６の判定処理の結果が「不規則傾向有り」である場合を例にとって説明したが、その他の場合であっても同様に、鼾傾向情報は発症リスク算出部１０４に送出されるため、ここでは、その詳しい説明は省略する。

また、ここでは、鼾傾向決定部１０３は、ステップＳ４３及びステップＳ４４の処理において、生体センサ装置１０を装着したユーザの鼾の傾向として「大音傾向」の有無を単に決定するとしたが、例えば、第３の分類閾値に相当する閾値を複数用意しておくことで、例えば「大音傾向有り（軽）」、「大音傾向有り（中）」、「大音傾向有り（重）」等、大音傾向の程度までを含めて、鼾の傾向を決定するとしてもよい。同様に、鼾傾向決定部１０３は、ステップＳ４７及びステップＳ４８の処理において、生体センサ装置１０を装着したユーザの鼾の傾向として「不規則傾向」の有無を単に決定するとしたが、例えば、第４の分類閾値に相当する閾値を複数用意しておくことで、例えば「不規則傾向有り（軽）」、「不規則傾向有り（中）」、「不規則傾向有り（重）」等、不規則傾向の程度まで含めて、鼾の傾向を決定するとしてもよい。

図１４のフローチャートを参照して、上記した特徴点算出部１０２によるステップＳ２５の処理により算出され、特徴点算出部１０２から出力される周期情報の入力を受け付けた場合に実行される、生体センサ装置１０を装着したユーザの鼾の傾向を決定する第３の鼾傾向決定処理について説明する。
まず、鼾傾向決定部１０３は、特徴点算出部１０２から出力された周期情報の入力を受け付けると、当該周期情報により示される鼾に起因する振動の周期に基づいて、所定時の鼾から次の鼾までの平均値（以下、第３の平均値と表記）を算出する（ステップＳ５１）。具体的には、鼾傾向決定部１０３は、図８（ｅ）に示した周期Ｃ１、Ｃ２、・・・の平均値を第３の平均値として算出する。

続いて、鼾傾向決定部１０３は、入力を受け付けた周期情報により示される所定時の鼾から次の鼾までの各周期（間隔）と、算出された第３の平均値とに基づいて、第３の分散値を算出する（ステップＳ５２）。

次に、鼾傾向決定部１０３は、第３の分散値が予め設定された第５の分類閾値以上であるか否かを判定する（ステップＳ５３）。なお、ステップＳ５３の判定処理の結果、否であると判定された場合（ステップＳ５３のＮＯ）、鼾傾向決定部１０３は、生体センサ装置１０を装着したユーザの鼾の傾向を「不規則傾向無し」に決定して（ステップＳ５４）、ここでの処理を終了させる。

一方、ステップＳ５３の判定処理の結果、第３の分散値が予め設定された第５の分類閾値以上であると判定された場合（ステップＳ５３のＹＥＳ）、鼾傾向決定部１０３は、生体センサ装置１０を装着したユーザの鼾の傾向を「不規則傾向有り」に決定して（ステップＳ５５）、ここでの処理を終了させる。

なお、鼾傾向決定部１０３は、第３の鼾傾向決定処理の結果として、決定された鼾の傾向を示す鼾傾向情報を発症リスク算出部１０４に送出する機能も有している。例えば、ステップＳ５３の判定処理の結果が「不規則傾向有り」である場合、この旨を示す情報が鼾傾向情報として発症リスク算出部１０４に送出される。また、ステップＳ５３の判定処理の結果が「不規則傾向無し」である場合、この旨を示す情報が鼾傾向情報として発症リスク算出部１０４に送出される。

また、鼾傾向決定部１０３は、ステップＳ５４及びステップＳ５５の処理において、生体センサ装置１０を装着したユーザの鼾の傾向として「不規則傾向」の有無を単に決定するとしたが、例えば、第５の分類閾値に相当する閾値を複数用意しておくことで、例えば「不規則傾向有り（軽）」、「不規則傾向有り（中）」、「不規則傾向有り（重）」等、不規則傾向の程度まで含めて、鼾の傾向を決定するとしてもよい。

なお、ステップＳ３２の判定処理の結果「高音傾向無し」かつ、ステップＳ４２の判定処理の結果「大音傾向なし」かつ、ステップＳ３６、ステップＳ４６及びステップＳ５３の判定処理の結果「不規則傾向無し」という結果が得られた場合、まとめて「健常」である旨を示す鼾傾向情報が発症リスク算出部１０４に送出されるとしてもよい。

また、実施形態では各々の分類閾値を設定し、閾値設定後に分散値を算出しているように記載したが、それぞれを同時に算出してもよい。

再び図４の説明に戻る。発症リスク算出部１０４は、鼾傾向決定部１０３から出力された複数の鼾傾向情報の入力を受け付けると、入力を受け付けた各鼾傾向情報に基づいて、睡眠時無呼吸症候群を発症するリスクを算出する機能を有している。具体的には、発症リスク算出部１０４は、後述する図１５及び図１６に示す発症リスク算出テーブルを参照して、各鼾傾向情報によりそれぞれ示される鼾の傾向に応じた点数の合計値を算出し、当該算出された合計値が高いほど、睡眠時無呼吸症候群を発症するリスクが高いと判定する。

ここで、図１５及び図１６をそれぞれ参照して、睡眠時無呼吸症候群を発症するリスクを算出する際に利用される発症リスク算出テーブルについて説明する。
図１５は、鼾傾向決定部１０３により各種鼾の程度（重症度）を考慮せずに鼾の傾向が決定されている場合に利用される発症リスク算出テーブルを示す。この発症リスク算出テーブルによれば、鼾傾向情報により示される鼾の傾向が「高音傾向有り」、「大音傾向有り」及び「不規則傾向有り」のいずれかであれば「１点」を加算し、鼾傾向情報により示される鼾の傾向がいずれにおいても「傾向無し」であれば「０点」を加算する（すなわち、点数の加算を行わない）旨が規定されている。なお、「不規則傾向」については、鼾傾向決定部１０３による第１〜第３の鼾傾向決定処理のいずれの処理において決定された「不規則傾向」であるかに応じて、それぞれ点数が加算される旨が規定されている。

図１６は、鼾傾向決定部１０３により各種鼾の程度まで考慮して鼾の傾向が決定されている場合に利用される発症リスク算出テーブルを示す。この発症リスク算出テーブルによれば、鼾傾向情報により示される鼾の傾向が「高音傾向有り（軽）」、「大音傾向有り（軽）」及び「不規則傾向有り（軽）」のいずれかであれば「１点」を加算する旨が規定されている。また、鼾傾向情報により示される鼾の傾向が「高音傾向有り（中）」、「大音傾向有り（中）」及び「不規則傾向有り（中）」のいずれかであれば「２点」を加算する旨が規定されている。更に、鼾傾向情報により示される鼾の傾向が「高音傾向有り（重）」、「大音傾向有り（重）」及び「不規則傾向有り（重）」のいずれかであれば「３点」を加算する旨が規定されている。また、鼾傾向情報により示される鼾の傾向がいあずれにおいても「傾向無し」であれば「０点」を加算する（すなわち、点数の加算を行わない）旨が規定されている。なお、「不規則傾向」については、鼾傾向決定部１０３による第１〜第３の鼾傾向決定処理のいずれの処理において決定された「不規則傾向」であるかに応じて、それぞれ点数が加算される旨が規定されている。

ここで、鼾傾向決定部１０３により鼾の程度までは考慮されずに、第１〜第３の鼾傾向決定処理が実行され、第１の鼾傾向決定処理により決定された鼾の傾向が「高音傾向有りかつ不規則傾向有り」であり、第２の鼾傾向決定処理により決定された鼾の傾向が「大音傾向有りかつ不規則傾向無し」であり、第３の鼾傾向決定処理により決定された鼾の傾向が「不規則傾向無し」であった場合を想定して、発症リスク算出部１０４により実行される具体的な処理について説明する。

この場合、発症リスク算出部１０４は、第１〜第３の鼾傾向決定処理により決定された鼾の傾向を示す鼾傾向情報の入力を受け付けると、図１５に示す発症リスク算出テーブルを参照して、鼾の傾向が「高音傾向有り」であることによる「１点」と、「大音傾向有り」であることによる「１点」と、第１の鼾傾向決定処理により決定された鼾の傾向が「不規則傾向有り」であることによる「１点」と、第２及び第３の鼾傾向決定処理により決定された鼾の傾向が「不規則傾向無し」であることによる「０点」を足し合わせる。つまり、発症リスク算出部１０４は、睡眠時無呼吸症候群を発症するリスクの指標として、合計値「３点」を算出する。そして、例えば、合計値が「３点」以上の場合、睡眠時無呼吸症候群を発症するリスクが高いと予め設定されている場合、発症リスク算出部１０４は、合計値が「３点」であるので、睡眠時無呼吸症候群を発症するリスクが高いと判定する。また、合計値が「４点」以上の場合、睡眠時無呼吸症候群を発症するリスクが高いと予め設定されている場合、発症リスク算出部１０４は、合計値が「３点」であるので、睡眠時無呼吸症候群を発症するリスクは低いと判定する。

なお、発症リスク算出部１０４は、睡眠時無呼吸症候群を発症するリスクが高いと判定した場合、この旨を生体センサ装置１０内のブルーツースモジュール３６等を介して、電子機器１１に通知する機能を有していてもよい。この機能によれば、生体センサ装置１０を装着したユーザは、電子機器１１を介して、自身が睡眠時無呼吸症候群を発症するリスクが高いのか否かを知ることができる。また、発症リスク算出部１０４は、睡眠時無呼吸症候群を発症するリスクの高低に関わらず、睡眠時無呼吸症候群を発症するリスクの高さを解析結果情報として、生体センサ装置１０内のブルーツースモジュール３６等を介して、電子機器１１に送出してもよい。

以上説明した第１の実施形態によれば、加速度センサ３２により取得された加速度信号により示される各種振動から鼾に起因する振動を抽出し、この鼾に起因する振動の強度に基づいて、睡眠時無呼吸症群を発症するリスクが高いかどうかを判定可能な構成を備えているので、生体センサ装置１０を装着しているユーザは、自身が睡眠時無呼吸症候群を発症するリスクが高いかどうかを把握することができ、ひいては、睡眠時無呼吸症候群の患者の顕在化を実現することができる。

また、本実施形態によれば、鼾に起因する振動の強度だけでなく、鼾に起因する振動の周期等も考慮し、鼾の傾向を多角的に決定可能な構成を備えているので、総合的に睡眠時無呼吸症候群を発症するリスクを算出することができる。

＜第２の実施形態＞
次に、第２の実施形態について説明する。本実施形態においては、睡眠時鼾解析アプリケーションプログラム１００が、上記した各部１０１〜１０４に加えて、図１７に示すように、寝姿勢推定部１０５及び対応付け部１０６を更に備えている場合について説明する。なお、本実施形態においては、上記した第１の実施形態と同様な機能を有する各部に対しては同一の符号を付し、その詳しい説明を省略するものとする。

寝姿勢推定部１０５は、特徴量解析区間決定部１０１により決定された特徴量解析区間のＤＣｘ波形を示す波形情報と、当該特徴量解析区間のＤＣｚ波形を示す波形情報との入力を受け付けると、これら波形情報を利用して、生体センサ装置１０を装着したユーザの寝姿勢を推定する機能を有している。

ここで、図１８のフローチャートを参照して、寝姿勢推定部１０５によって実行される寝姿勢推定処理の手順の一例について説明する。
まず、寝姿勢推定部１０５は、特徴量解析区間決定部１０１により決定された特徴量解析区間のＤＣｘ波形を示す波形情報と、当該特徴量解析区間のＤＣｚ波形を示す波形情報との入力を受け付ける（ステップＳ６１）。なお、寝姿勢推定部１０５は、上記したＤＣｘ波形及びＤＣｚ波形に加えて、生体センサ装置１０を装着したユーザの胸部表面に対して水平であり、かつ体軸と並行である方向（ｙ方向）のＤＣ成分であるＤＣｙの波形を示す波形情報の入力を更に受け付けるとしてもよい。

なお、ここでは、特徴量解析区間が、上記した第１の実施形態と同様に、３０［ｓｅｃ］（１エポック）である場合を想定する。

続いて、寝姿勢推定部１０５は、特徴量解析区間内の所定の区間毎に、入力を受け付けた波形情報により示されるＤＣｘ波形と、同じく入力を受け付けた波形情報により示されるＤＣｚ波形との代表値をそれぞれ取得する（ステップＳ６２）。なお、上記した所定の区間は、例えば、サンプリング周期と同じであってもよい。

次に、寝姿勢推定部１０５は、取得された各代表値の中央値又は平均値を、当該特徴量解析区間の特徴量として算出する（ステップＳ６３）。

しかる後、寝姿勢推定部１０５は、ＤＣｘ波形から算出された特徴量をＤＣｘ＿Ｆとし、ＤＣｚ波形から算出された特徴量をＤＣｚ＿Ｆとした後に、これら特徴量ＤＣｘ＿Ｆ及びＤＣｚ＿Ｆに基づいて、寝姿勢が仰臥位、左側臥位、右側臥位及び腹臥位のうちのいずれに該当するのかを判別する処理を実行して、寝姿勢を推定する処理を実行し（ステップＳ６４）、ここでの処理を終了させる。なお、寝姿勢推定処理の結果として得られる寝姿勢を示す寝姿勢情報は対応付け部１０６に送られる。

なお、特徴量ＤＣｘ＿Ｆ及びＤＣｚ＿Ｆに基づいて寝姿勢が仰臥位、左側臥位、右側臥位及び腹臥位のいずれに該当するのかを判別する際には、例えば、ニューラルネットの１つである誤差逆伝播法等が利用されてもよい。この誤差逆伝播法を利用した際に使用される重みは、予め学習され、フラッシュメモリ５０等に記録されているものとする。また、寝姿勢が上記した***のいずれに該当するかを判別する際には、例えば、サポートベクタマシン等、他のニューラルネットが利用されてもよいし、上記した鼾傾向決定処理にて利用された各分類閾値のように、特徴量ＤＣｘ＿Ｆ及びＤＣｚ＿Ｆに対応して予め記録された閾値が利用されてもよい。

また、ステップＳ６４で判別される寝姿勢は、ここでは離散値として算出されているが、例えば、特徴量ＤＣｘ＿Ｆ及びＤＣｚ＿Ｆの比率の逆正接値を算出し、生体センサ装置１０の（装置表面の）傾きとして連続値で算出されてもよい。

再び図１７の説明に戻る。対応付け部１０６は、寝姿勢推定部１０５から送出された寝姿勢情報の入力を受け付けると、当該入力を受け付けた寝姿勢情報により示される寝姿勢を、特徴点算出部１０２によって抽出された第１の特徴点や第２の特徴点、あるいは所定の鼾から次の鼾までの周期、鼾傾向決定部１０３によって決定された鼾の傾向、発症リスク算出部１０４によって算出された発症リスクのうちの少なくとも１つと対応付ける処理を実行する。

対応付け部１０６にて、寝姿勢情報により寝姿勢と、特徴点算出部１０２によって抽出された第１の特徴点や第２の特徴点、あるいは所定の鼾から次の鼾までの周期、鼾傾向決定部１０３によって決定された鼾の傾向、発症リスク算出部１０４によって算出された発症リスクのうちの少なくとも１つとを対応付けることによって得られる対応付け結果情報は、生体センサ装置１０内のブルーツースモジュール３６等を介して、電子機器１１に適宜送出される。

ここで、図１９を参照して、上記した対応付け結果情報を、電子機器１１の図示しない表示部に表示させた場合に表示される画面の一例について説明する。
図１９では、電子機器１１の表示部に、時間、区間、鼾の高さ、鼾の大きさ、鼾の周期・分散、鼾の傾向、無呼吸症候群発症リスク及び寝姿勢等を示す各種項目が対応付けて表示されている場合を例示する。時間の項目では、睡眠時鼾解析アプリケーションプログラム１００による一連の処理が実行された時刻を示す。区間の項目では、特徴量解析区間決定部１０１によって決定された特徴量解析区間を示す。鼾の高さの項目では、特徴点算出部１０２によって抽出された第１の特徴点を含む特徴量解析区間内での高周波数帯の波の強度の平均値を示す。鼾の大きさの項目では、特徴点算出部１０２によって抽出された第２の特徴点を含む特徴量解析区間内の全周波数帯にわたっての波の強度の平均値を示す。鼾の周期・分散の項目では、特徴点算出部１０２によって算出された特徴量解析区間における所定時の鼾から次の鼾までの周期の分散値を示す。なお、鼾の高さの項目、鼾の大きさの項目、鼾の周期・分散の項目では、各種平均値や分散値を算出するにあたって利用した時系列データを示すとしてもよい。鼾の傾向の項目では、鼾傾向決定部１０３によって決定された鼾の傾向を示す。なお、ここでは、「高音傾向」、「大音傾向」、「不規則傾向」の重症度がそれぞれわかる形態で表示されている場合を示す。無呼吸症候群発症リスクの項目では、発症リスク算出部１０４によって算出された合計値を発症リスクとして示し、当該合計値が高いほど、睡眠時無呼吸症候群を発症するリスクが高いことを示す。寝姿勢の項目では、寝姿勢推定部１０５によって推定された寝姿勢を示す。

以上説明した第２の実施形態によれば、睡眠時の寝姿勢を推定し、当該推定の結果を睡眠時無呼吸症候群を発症するリスク等と対応付けてユーザに提示可能な構成を備えているので、当該ユーザはどのような寝姿勢の時に、睡眠時無呼吸症候群を発症するリスクが高いか、逆にどのような寝姿勢の時に、睡眠時無呼吸症候群を発症するリスクが低いかを把握することができ、ひいては、睡眠時無呼吸症候群を発症するリスクを減らすためにはどのような寝姿勢で睡眠をとればいいのかといった対策を立てることができる。

＜第３の実施形態＞
続いて、図２０を参照して、第３の実施形態について説明する。本実施形態においては、睡眠時鼾解析アプリケーションプログラム１００が、上記した各部１０３〜１０６に代えて、閉塞性鼾抽出部１０７を備えている場合について説明する。なお、本実施形態においては、上記した第１及び第２の実施形態と同様な機能を有する各部に対しては同一の符号を付し、その詳しい説明を省略するものとする。

閉塞性鼾抽出部１０７は、特徴点算出部１０２によって算出された特徴量解析区間の閾値ＴＨ以上の周波数帯の波の強度を示す時系列データ（具体的には、図８（ｃ）に示した時系列データ）の入力を受け付けると、当該入力を受け付けた時系列データにより示される波形から予め設定された閉塞性判定閾値以上の値を有している区間を探し出し、当該区間を閉塞性の高い鼾をしている区間として抽出する処理を実行する。なお、閉塞性判定閾値は５［Ｇ^２／Ｈｚ］以上２０［Ｇ^２／Ｈｚ］以下の範囲で設定されるのが好ましい。

以上説明した第３の実施形態によれば、睡眠時無呼吸症候群の中でも最も患者数が多いとされている閉塞型睡眠時無呼吸症候群に関連する鼾を抽出することができるので、ユーザは自身が閉塞型睡眠時無呼吸症候群であるのか、或いは閉塞型以外の睡眠時無呼吸症候群であるのかといったことまでを把握することができる。

以上説明した少なくとも１つの実施形態によれば、睡眠時無呼吸症候群の患者の顕在化を実現することができる。

なお、本実施形態の処理は、コンピュータプログラムによって実現することができるので、このコンピュータプログラムを格納したコンピュータ読み取り可能な記憶媒体を通じてこのコンピュータプログラムをコンピュータにインストールして実行するだけで、本実施形態と同様の効果を容易に実現することができる。

なお、本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら新規な実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれるとともに、特許請求の範囲に記載された発明とその均等の範囲に含まれる。

１…睡眠時鼾解析システム、１０…生体センサ装置、１１…電子機器、１００…睡眠時鼾解析アプリケーションプログラム、１０１…特徴量解析区間決定部、１０２…特徴点算出部、１０３…鼾傾向決定部、１０４…発症リスク算出部、１０５…寝姿勢推定部、１０６…対応付け部、１０７…閉塞性鼾抽出部。

Claims (13)

1. 人体に装着可能な睡眠時鼾解析装置であって、
   装着者の加速度を計測する計測手段と、
   前記計測された加速度の第１の閾値以上の周波数帯の波の強度を示す第１の時系列データを生成する第１の生成手段と、
   前記生成された第１の時系列データに基づいて、前記装着者の鼾の傾向を決定する決定手段と、
   前記決定された鼾の傾向に基づいて、睡眠時無呼吸症候群を発症するリスクを算出する算出手段と
   を具備する睡眠時鼾解析装置。
2. 前記第１の生成手段は、
   前記計測された加速度の前記第１の閾値未満の周波数帯の波の強度を示す第２の時系列データを更に生成し、
   前記決定手段は、
   前記第１の時系列データにより示される波の強度に対する前記第２の時系列データにより示される波の強度の比率を算出し、当該算出された比率に基づいて、前記装着者の鼾の傾向を決定する、請求項１に記載の睡眠時鼾解析装置。
3. 前記第１の生成手段は、
   前記計測された加速度の全周波数帯の波の強度を示す第３の時系列データを更に生成し、
   前記決定手段は、
   前記生成された第３の時系列データに基づいて、前記装着者の鼾の傾向を更に決定する、請求項１に記載の睡眠時鼾解析装置。
4. 前記第１の生成手段は、
   前記生成された第３の時系列データに基づいて、前記装着者の鼾の周期を示す周期情報を更に生成し、
   前記決定手段は、
   前記生成された周期情報に基づいて、前記装着者の鼾の傾向を更に決定する、請求項３に記載の睡眠時鼾解析装置。
5. 前記決定手段は、
   前記生成された第１の時系列データにより示される波の強度の平均値及び分散値のうちの少なくとも一方に基づいて、前記装着者の鼾の傾向を決定する、請求項１に記載の睡眠時鼾解析装置。
6. 前記決定手段は、
   前記生成された第３の時系列データにより示される波の強度の平均値及び分散値のうちの少なくとも一方に基づいて、前記装着者の鼾の傾向を決定する、請求項３に記載の睡眠時鼾解析装置。
7. 前記決定手段は、
   前記生成された周期情報により示される前記装着者の鼾の周期の平均値及び分散値のうちの少なくとも一方に基づいて、前記装着者の鼾の傾向を決定する、請求項４に記載の睡眠時鼾解析装置。
8. 前記計測された加速度に基づいて、前記装着者の姿勢変動量が少なく、かつ周期的な振動が生じている区間を抽出する抽出手段を更に具備し、
   前記第１の生成手段は、
   前記抽出された区間の加速度に基づいて、前記第１の時系列データを生成する、請求項１に記載の睡眠時鼾解析装置。
9. 前記抽出手段は、
   前記計測された加速度の直流成分に基づいて、前記装着者の姿勢変動量が少ない区間を抽出し、
   前記計測された加速度のうち、前記抽出された区間の加速度に関し、当該加速度の交流成分に基づいて自己相関関数を算出し、当該算出された自己相関関数のピーク値が第２の閾値以上の場合、当該抽出された区間を前記第１の時系列データを生成するのに好適な区間として抽出する、請求項８に記載の睡眠時鼾解析装置。
10. 前記抽出手段により抽出された区間のうち、第３の閾値以上の値を有する区間を閉塞性の高い鼾をしている区間として抽出する第２の抽出手段を更に具備する、請求項９に記載の睡眠時鼾解析装置。
11. 前記計測された加速度に基づいて、前記装着者の寝姿勢を推定する推定手段と、
    前記推定された寝姿勢を示す寝姿勢情報と、前記生成された第１の時系列データ、前記決定された鼾の傾向及び前記算出された睡眠時無呼吸症候群を発症するリスクのうちの少なくとも１つとが対応付けられた対応付け結果情報を生成する第２の生成手段と
    を更に具備する、請求項１に記載の睡眠時鼾解析装置。
12. 人体に装着可能な睡眠時鼾解析装置に適用される方法であって、
    装着者の加速度を計測することと、
    前記計測された加速度の第１の閾値以上の周波数帯の波の強度を示す第１の時系列データを生成することと
    前記生成された第１の時系列データに基づいて、前記装着者の鼾の傾向を決定することと、
    前記決定された鼾の傾向に基づいて、睡眠時無呼吸症候群を発症するリスクを算出することと
    を具備する睡眠時鼾解析方法。
13. 人体に装着可能な睡眠時鼾解析装置のプログラムであって、
    前記睡眠時鼾解析装置を、
    装着者の加速度を計測する計測手段と、
    前記計測された加速度の第１の閾値以上の周波数帯の波の強度を示す第１の時系列データを生成する生成手段と、
    前記生成された第１の時系列データに基づいて、前記装着者の鼾の傾向を決定する決定手段と、
    前記決定された鼾の傾向に基づいて、睡眠時無呼吸症候群を発症するリスクを算出する算出手段
    として機能させるためのプログラム。

Images