WO2021059988A1 - 睡眠ステージ推定装置、睡眠ステージ推定方法及びプログラム - Google Patents

睡眠ステージ推定装置、睡眠ステージ推定方法及びプログラム Download PDF

Info

Publication number
WO2021059988A1
WO2021059988A1 PCT/JP2020/034179 JP2020034179W WO2021059988A1 WO 2021059988 A1 WO2021059988 A1 WO 2021059988A1 JP 2020034179 W JP2020034179 W JP 2020034179W WO 2021059988 A1 WO2021059988 A1 WO 2021059988A1
Authority
WO
WIPO (PCT)
Prior art keywords
sleep stage
series
probability
data
body movement
Prior art date
Application number
PCT/JP2020/034179
Other languages
English (en)
French (fr)
Inventor
泰士 前野
将司 上田
玲 浜田
浩一 中込
中嶋　光康
崇史 山谷
Original Assignee
カシオ計算機株式会社
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by カシオ計算機株式会社 filed Critical カシオ計算機株式会社
Priority to CN202080066087.6A priority Critical patent/CN114423335A/zh
Priority to EP20867064.6A priority patent/EP4035594A4/en
Priority to US17/763,452 priority patent/US20220401019A1/en
Publication of WO2021059988A1 publication Critical patent/WO2021059988A1/ja

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4806—Sleep evaluation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4806—Sleep evaluation
    • A61B5/4812—Detecting sleep stages or cycles
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1113—Local tracking of patients, e.g. in a hospital or private home
    • A61B5/1114—Tracking parts of the body
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1121—Determining geometric values, e.g. centre of rotation or angular range of movement
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A61B5/02438—Detecting, measuring or recording pulse rate or heart rate with portable devices, e.g. worn by the patient
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1118—Determining activity level

Definitions

  • This disclosure relates to sleep state monitoring technology.
  • Japanese Patent Application Laid-Open No. 2011-83393 widely uses the determination of the sleep stage (light sleep, deep sleep, REM sleep, non-REM sleep, etc.) by brain waves. .. Further, Japanese Patent Application Laid-Open No. 2018-161432 also proposes a sleep monitoring system using body movements and pulse waves, which are easier to obtain than brain waves.
  • One aspect of the present disclosure uses a subject data acquisition unit that acquires the beat data and body movement data of the subject, and a trained sleep stage probability estimation model that acquires a feature quantity series from the beat data. Then, the sleep stage probability estimation unit that estimates the sleep stage probability series of the subject from the acquired feature quantity series and the body movement amount series are acquired from the body movement data, and the learned sleep stage transition probability estimation model is obtained. Using the sleep stage transition probability estimation unit that estimates the sleep stage transition probability series of the subject from the acquired body movement amount series, and the learned conditional probability field model, the sleep stage transition probability series and the sleep stage transition probability series The present invention relates to a sleep stage estimation device including a sleep stage estimation unit that estimates the sleep stage series of the subject from the sleep stage transition probability series.
  • a sleep stage estimation device that estimates a sleep stage series from time series data during sleep of a subject is disclosed.
  • the sleep stage estimation device 100 obtains pulsation data such as pulse waves and heartbeats during sleep of the subject and body movement data such as acceleration and angular velocity. Once acquired, the feature amount at regular time intervals (for example, average heartbeat interval, standard deviation, LF / HF ratio, etc.) is calculated from the pulsation data, and the feature amount series is generated from the feature amount obtained in the time series. Then, the sleep stage estimation device 100 estimates the sleep stage probability indicating the probability that the subject is estimated to be in each sleep stage from the feature amount at each time by using the learned sleep stage probability estimation model. ..
  • a sleep stage probability estimation model may be implemented by a logistic regression model, and when classified into three or more sleep stages (eg, light sleep, deep sleep, REM sleep, non-REM sleep, etc.), multiclass logistic regression. It may be realized by a model.
  • the sleep stage estimation device 100 calculates the angular velocity of rotation at each time from the body movement data at each time to calculate the body movement information. Then, using the learned sleep stage transition probability estimation model from the body movement information, the sleep stage considering the time series indicating the probability that the subject has transitioned from one sleep stage to another sleep stage. Estimate the transition probability.
  • the sleep stage transition probability estimation model may be realized by a sigmoid function.
  • the sleep stage estimation device 100 estimates the sleep stage sequence from the estimated sleep stage probability and the sleep stage transition probability at each time by using the learned conditional random field (CRF) model.
  • CRF conditional random field
  • the conditional random field model is realized by a feature function in which the sleep stage probability is an observation feature and the sleep stage transition probability is a transition feature.
  • the sleep stage estimation device 100 uses the beat data and body movement data collected in time series from the sleeping subject by the sensor attached to the subject to obtain the sleep stage sequence of the subject. Can be estimated.
  • the sleep stage estimation device 100 may be, for example, a calculation device such as a server, or may have a hardware configuration as shown in FIG. That is, the sleep stage estimation device 100 includes a drive device 101, an auxiliary storage device 102, a memory device 103, a CPU (Central Processing Unit) 104, an interface device 105, and a communication device 106 that are interconnected via the bus B.
  • a drive device 101 an auxiliary storage device 102
  • a memory device 103 a memory device 103
  • a CPU (Central Processing Unit) 104 a CPU (Central Processing Unit) 104
  • an interface device 105 an interface device 105
  • communication device 106 that are interconnected via the bus B.
  • a recording medium 107 such as a CD-ROM (Compact Disk-Read Only Memory).
  • the program is installed in the auxiliary storage device 102 from the recording medium 107 via the drive device 101.
  • the program does not necessarily have to be installed on the recording medium 107, and may be downloaded from any external device via a network or the like.
  • the auxiliary storage device 102 stores the installed program and also stores necessary files and data.
  • the memory device 103 reads and stores a program or data from the auxiliary storage device 102 when a program start instruction is given.
  • the auxiliary storage device 102 and the memory device 103 are realized as a non-temporary computer-readable storage medium for storing a program or an instruction.
  • the CPU 104 which functions as a processor, executes various functions and processes of the sleep stage estimation device 100 according to various data such as a program stored in the memory device 103 and parameters necessary for executing the program.
  • the interface device 105 is used as a communication interface for connecting to a network or an external device.
  • the communication device 106 executes various communication processes for communicating with the external device.
  • the sleep stage estimation device 100 is not limited to the hardware configuration described above.
  • the sleep stage estimation device 100 may be realized by any other suitable hardware configuration such as one or more circuits that realize one or more of the functions and processes by the sleep stage estimation device 100.
  • the sleep stage estimation device 100 may be realized as a wristwatch-type wearable type device worn on the subject's arm or an earphone-type hearable type device inserted into the subject's ear.
  • FIG. 3 is a block diagram showing a functional configuration of the sleep stage estimation device 100 according to the embodiment of the present disclosure.
  • the sleep stage estimation device 100 includes a subject data acquisition unit 110, a sleep stage probability estimation unit 120, a sleep stage transition probability estimation unit 130, and a sleep stage estimation unit 140.
  • the subject data acquisition unit 110 acquires the subject's pulsation data and body movement data.
  • the pulsation data may be collected by a pulse wave sensor or a heart rate sensor worn on the arm or ear of the sleeping subject.
  • the body movement data may be collected by an acceleration sensor or a body movement sensor that detects the body movement worn on the arm or ear of the sleeping subject as well as the pulsation data.
  • the sleep stage estimation device 100 may be connected to the sensor by wire or wirelessly, and the subject data acquisition unit 110 may acquire the collected pulsation data and body movement data via a communication line.
  • the collected pulsation data and body motion data are transmitted and stored in a computing device (not shown) connected to the sensor by wire or wirelessly, and the subject data acquisition unit 110 beats from the computing device.
  • Data and body movement data may be acquired.
  • the subject data acquisition unit 110 provides the acquired pulsation data and / or body movement data to the sleep stage probability estimation unit 120 and the sleep stage transition probability estimation unit 130.
  • the feature series f t0 , f t1 , ..., F tn are generated from f ti.
  • the sleep stage probability estimation unit 120 inputs each feature amount f ti into the trained sleep stage probability estimation model, estimates the sleep stage probability P stage_ti of each sleep stage with respect to the feature amount f ti at time ti, and time ti.
  • feature quantity sleep stage probability probability P Stage_ti is maximized with respect to f ti P max_stage_ti sleep stage probability sequence P max_stage_t0, P max_stage_t1, ⁇ , a P Max_stage_tn provide sleep stage estimation unit 140.
  • the trained sleep stage probability estimation model may consist of a logistic regression model that estimates the probability of each sleep stage from the features of the feature series.
  • a class logistic regression model may be utilized. That is, training data composed of a pair of feature quantities such as the average, standard deviation, and LF / HF ratio of the heartbeat interval at each time and the correct sleep stage determined from the brain wave data at that time is prepared in advance. .. Supervised learning using training data is performed on a multi-class logistic regression model such as an appropriate logistic curve.
  • the multiclass logistic regression model can be trained according to any well-known learning method for learning the multiclass logistic regression model, and the multiclass logistic regression can correctly predict the correct sleep stage for the features of the training data.
  • Parameters such as the model weight vector are updated.
  • the cross entropy of the probabilities of the training data and the correct answer data may be obtained, and the parameter whose value is the minimum may be obtained.
  • a method such as a stochastic gradient descent method may be used to repeatedly update the parameters using the partial differential values of each parameter of the cross entropy to obtain the parameter that minimizes the cross entropy.
  • the sleep stage transition probability estimation unit 130 inputs each body movement amount m ti into the learned sleep stage transition probability estimation model, estimates the sleep stage transition probability P transition_ti with respect to the body movement amount m ti at time ti, and estimates the sleep.
  • the stage transition probability series P- transition_t0 , P- transition_t1 , ..., P- transition_tun are provided to the sleep stage estimation unit 140.
  • the trained sleep stage transition probability estimation model may consist of a sigmoid function that estimates the transition probability between sleep stages from the body movements of the body movement series.
  • the parameters a and b may be determined at the time of learning the conditional random field (CRF) model described later.
  • the parameters of the sleep stage transition probability estimation model may be performed at the same time as the learning of the following conditional random field (CRF), or may be learned as a part of the parameters of the conditional random field (CRF).
  • the sleep stage estimation unit 140 estimates the sleep stage sequence of the subject from the sleep stage probability sequence and the sleep stage transition probability sequence by using the trained conditional random field model. Specifically, the sleep stage probability estimation unit 120 and the sleep stage transition probability estimation unit 130 sleep stage probability sequence P Max_stage_t0 from, P max_stage_t1, ⁇ , P max_stage_tn and sleep stage transition probability sequence P transition_t0, P transition_t1, ⁇ ⁇ obtains the P Transition_tn each sleep stage estimation unit 140, the learned conditional random field (CRF) model of sleep stage probability P Max_stage_ti and sleep stage transition probability P Transition_ti each time point as each observed feature and transition feature Input, estimate the sleep stage Sti at each time point, and generate the sleep stage series St0 , St1 , ..., Stn.
  • CRF conditional random field
  • the trained conditional random field model may be composed of a feature function whose observation feature is the sleep stage probability and whose transition feature is the sleep stage transition probability.
  • the sleep stage estimation unit 140 estimates the sleep stage S ti from the sleep stage probability P max_stage_ti and the sleep stage transition probability P transition_ti at each time point by using the feature function. For example, the cross entropy of the probability of the learning series data and the correct label string may be obtained, and the parameter whose value is the minimum may be obtained. Specifically, using a method such as stochastic gradient descent or dynamic programming, the parameters are repeatedly updated using the partial differential value of each parameter of the cross entropy, and the parameter that minimizes the cross entropy is obtained. May be good. In practice, it is possible to learn by using a function of any appropriate library.
  • the parameters ⁇ , a and b that minimize the cross entropy E are Learned at the same time. That is, the parameters ⁇ , a, b that minimize the cross entropy E by repeatedly updating the parameters by a method such as the stochastic gradient descent method using the values obtained by partially differentiating the cross entropy E with respect to each parameter ⁇ , a, b. Ask for.
  • N learning data can be expressed as follows.
  • log-likelihood l (x, y) is as follows, where M is the length of the time series.
  • the feature function is composed of the sleep stage probability (K), the constant 1, and the sleep stage transition probability pr , and is as follows.
  • sleep stage transition probability p r of Karadadoryou q are as follows.
  • FIG. 4 is a flowchart showing a sleep stage estimation process according to an embodiment of the present disclosure.
  • step S101 the sleep stage estimation device 100 acquires pulsation data and body movement data.
  • the pulsation data and the body motion data are collected by the pulse wave sensor or the heart rate sensor, and the acceleration sensor or the body motion sensor described above.
  • the sleep stage estimation device 100 estimates the sleep stage probability series from the feature quantity series. Specifically, the sleep stage estimation device 100 calculates features such as the average, standard deviation, and LF / HF ratio of heartbeat intervals at predetermined time intervals, and inputs the calculated features into the trained sleep stage probability estimation model. To do. The sleep stage estimation device 100 acquires the sleep stage probability from the learned sleep stage probability estimation model for each time and generates a sleep stage probability series.
  • the sleep stage estimation device 100 estimates the sleep stage transition probability series from the body movement amount series. Specifically, the sleep stage estimation device 100 calculates the amount of body movement such as the angular velocity at predetermined time intervals, and inputs the calculated amount of body movement into the learned sleep stage transition probability estimation model. The sleep stage estimation device 100 acquires the sleep stage transition probability from the learned sleep stage transition probability estimation model for each time, and generates a sleep stage transition probability series.
  • step S104 the sleep stage estimation device 100 estimates the sleep stage sequence. Specifically, the sleep stage estimation device 100 obtains the sleep stage probability and the sleep stage transition probability at each time from the sleep stage probability series generated in step S102 and the sleep stage transition probability series generated in step S103. The sleep stage is estimated at each time by inputting it into the trained sleep stage estimation model as the observation and transition characteristics, respectively. When the sleep stages are estimated at all times, the sleep stage estimation device 100 generates a sleep stage sequence.
  • the invention of the present application is not limited to the above-described embodiment, and can be variously modified at the implementation stage without departing from the gist thereof.
  • each embodiment may be carried out in combination as appropriate as possible, and in that case, the combined effect can be obtained.
  • the above-described embodiment includes inventions at various stages, and various inventions can be extracted by an appropriate combination in a plurality of disclosed constitutional requirements. For example, even if some constituent requirements are deleted from all the constituent requirements shown in the embodiment, the problem described in the column of the problem to be solved by the invention can be solved, and the effect described in the column of effect of the invention can be solved. If is obtained, a configuration in which this configuration requirement is deleted can be extracted as an invention.
  • the present application claims priority with the Japanese patent application No. 2019-173326 filed on September 24, 2019 as the basic application, and the entire contents of the basic application are incorporated into the present application.

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Surgery (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • Dentistry (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Cardiology (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Geometry (AREA)
  • Pulmonology (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

本開示の一態様は、被検者の拍動データ及び体動データを取得する被検者データ取得部と、前記拍動データから特徴量系列を取得し、学習済み睡眠ステージ確率推定モデルを利用して、前記取得した特徴量系列から前記被検者の睡眠ステージ確率系列を推定する睡眠ステージ確率推定部と、前記体動データから体動量系列を取得し、学習済み睡眠ステージ遷移確率推定モデルを利用して、前記取得した体動量系列から前記被検者の睡眠ステージ遷移確率系列を推定する睡眠ステージ遷移確率推定部と、学習済み条件付き確率場モデルを利用して、前記睡眠ステージ確率系列及び前記睡眠ステージ遷移確率系列から前記被検者の睡眠ステージ系列を推定する睡眠ステージ推定部と、を有する睡眠ステージ推定装置に関する。

Description

睡眠ステージ推定装置、睡眠ステージ推定方法及びプログラム
　本開示は、睡眠状態モニタリング技術に関する。
　睡眠状態を判定する睡眠状態モニタリングシステムとして、日本国特開２０１１－８３３９３号公報には、脳波による睡眠ステージ（浅い睡眠、深い睡眠、レム睡眠、ノンレム睡眠等）の判定が広範に利用されている。また、日本国特開２０１８－１６１４３２号公報には、脳波に比較して取得が容易な体動や脈波を利用した睡眠モニタリングシステムもまた提案されている。
　本開示の一態様は、被検者の拍動データ及び体動データを取得する被検者データ取得部と、前記拍動データから特徴量系列を取得し、学習済み睡眠ステージ確率推定モデルを利用して、前記取得した特徴量系列から前記被検者の睡眠ステージ確率系列を推定する睡眠ステージ確率推定部と、前記体動データから体動量系列を取得し、学習済み睡眠ステージ遷移確率推定モデルを利用して、前記取得した体動量系列から前記被検者の睡眠ステージ遷移確率系列を推定する睡眠ステージ遷移確率推定部と、学習済み条件付き確率場モデルを利用して、前記睡眠ステージ確率系列及び前記睡眠ステージ遷移確率系列から前記被検者の睡眠ステージ系列を推定する睡眠ステージ推定部と、を有する睡眠ステージ推定装置に関する。
本開示の一実施例による睡眠ステージ推定装置を示す概略図である。 本開示の一実施例による睡眠ステージ推定装置のハードウェア構成を示すブロック図である。 本開示の一実施例による睡眠ステージ推定装置の機能構成を示すブロック図である。 本開示の一実施例による睡眠ステージ推定処理を示すフローチャートである。
　以下の実施例では、被検者の睡眠中の時系列データから睡眠ステージ系列を推定する睡眠ステージ推定装置が開示される。
［本開示の概要］
　後述される実施例を概略すると、図１に示されるように、睡眠ステージ推定装置１００は、被検者の睡眠中の脈波や心拍等の拍動データ及び加速度や角速度等の体動データを取得すると、拍動データから一定時間毎の特徴量（例えば、心拍間隔の平均、標準偏差、ＬＦ／ＨＦ比など）を算出し、時系列に得られた特徴量から特徴量系列を生成する。そして、睡眠ステージ推定装置１００は、学習済み睡眠ステージ確率推定モデルを利用して、各時刻における特徴量から、被検者が各睡眠ステージにいると推定される確率を示す睡眠ステージ確率を推定する。例えば、睡眠ステージ確率推定モデルは、ロジスティック回帰モデルによって実現されてもよく、３つ以上の睡眠ステージ（例えば、浅い睡眠、深い睡眠、レム睡眠、ノンレム睡眠等）に分類する場合、多クラスロジスティック回帰モデルによって実現されてもよい。
　他方、睡眠ステージ推定装置１００は、各時刻における体動データから各時刻の回転の角速度を算出して体動の情報を算出する。そして、体動の情報から、学習済み睡眠ステージ遷移確率推定モデルを利用して、被検者がある睡眠ステージから他の睡眠ステージに遷移したと推定される確率を示す時系列を考慮した睡眠ステージ遷移確率を推定する。例えば、睡眠ステージ遷移確率推定モデルは、シグモイド関数によって実現されてもよい。
　そして、睡眠ステージ推定装置１００は、学習済み条件付き確率場（Ｃｏｎｄｉｔｉｏｎａｌ　Ｒａｎｄｏｍ　Ｆｉｅｌｄ：ＣＲＦ）モデルを利用して、推定された各時刻の睡眠ステージ確率と睡眠ステージ遷移確率とから睡眠ステージ系列を推定する。例えば、条件付き確率場モデルは、睡眠ステージ確率を観測素性とし、睡眠ステージ遷移確率を遷移素性とする素性関数によって実現される。
　このようにして、睡眠ステージ推定装置１００は、被検者に装着されたセンサによって睡眠中の被検者から時系列に収集された拍動データ及び体動データから、被検者の睡眠ステージ系列を推定することができる。
［ハードウェア構成］
　ここで、睡眠ステージ推定装置１００は、例えば、サーバなどの計算装置であってもよく、図２に示されるようなハードウェア構成を有してもよい。すなわち、睡眠ステージ推定装置１００は、バスＢを介し相互接続されるドライブ装置１０１、補助記憶装置１０２、メモリ装置１０３、ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）１０４、インタフェース装置１０５及び通信装置１０６を有する。
　睡眠ステージ推定装置１００における後述される各種機能及び処理を実現するプログラム又は命令を含む各種コンピュータプログラムは、ＣＤ－ＲＯＭ（Ｃｏｍｐａｃｔ　Ｄｉｓｋ－Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）などの記録媒体１０７によって提供されてもよい。プログラムを記憶した記録媒体１０７がドライブ装置１０１にセットされると、プログラムが記録媒体１０７からドライブ装置１０１を介して補助記憶装置１０２にインストールされる。但し、プログラムのインストールは必ずしも記録媒体１０７により行う必要はなく、ネットワークなどを介し何れかの外部装置からダウンロードするようにしてもよい。補助記憶装置１０２は、インストールされたプログラムを格納すると共に、必要なファイルやデータなどを格納する。メモリ装置１０３は、プログラムの起動指示があった場合に、補助記憶装置１０２からプログラムやデータを読み出して格納する。補助記憶装置１０２及びメモリ装置１０３は、プログラム又は命令を格納する非一時的なコンピュータ可読記憶媒体として実現される。プロセッサとして機能するＣＰＵ１０４は、メモリ装置１０３に格納されたプログラムやプログラムを実行するのに必要なパラメータなどの各種データに従って、睡眠ステージ推定装置１００の各種機能及び処理を実行する。インタフェース装置１０５は、ネットワーク又は外部装置に接続するための通信インタフェースとして用いられる。通信装置１０６は、外部装置と通信するための各種通信処理を実行する。
　しかしながら、睡眠ステージ推定装置１００は、上述したハードウェア構成に限定されるものでない。例えば、睡眠ステージ推定装置１００は、睡眠ステージ推定装置１００による機能及び処理の１つ以上を実現する１つ以上の回路などの他の何れか適切なハードウェア構成により実現されてもよい。例えば、睡眠ステージ推定装置１００は、被験者の腕に装着される腕時計型のウェアラブルタイプや、被験者の耳に挿入するイヤホン型のヒアラブルタイプの装置として実現されてもよい。
［睡眠ステージ推定装置］
　次に、図３を参照して、本開示の一実施例による睡眠ステージ推定装置１００を説明する。図３は、本開示の一実施例による睡眠ステージ推定装置１００の機能構成を示すブロック図である。
　図３に示されるように、睡眠ステージ推定装置１００は、被検者データ取得部１１０、睡眠ステージ確率推定部１２０、睡眠ステージ遷移確率推定部１３０及び睡眠ステージ推定部１４０を有する。
　被検者データ取得部１１０は、被検者の拍動データ及び体動データを取得する。例えば、拍動データは、睡眠中の被検者の腕や耳などに装着された脈波センサ又は心拍センサによって収集されてもよい。例えば、体動データは、拍動データと同じく、睡眠中の被検者の腕や耳などに装着された体動を検知する加速度センサ又は体動センサなどによって収集されてもよい。
　睡眠ステージ推定装置１００は、センサに有線又は無線接続され、被検者データ取得部１１０は、収集された拍動データ及び体動データを通信回線を介し取得してもよい。あるいは、収集された拍動データ及び体動データは、センサに有線又は無線接続された計算装置（図示せず）に送信及び格納され、被検者データ取得部１１０は、当該計算装置から拍動データ及び体動データを取得してもよい。被検者データ取得部１１０は、取得した拍動データ及び／又は体動データを睡眠ステージ確率推定部１２０及び睡眠ステージ遷移確率推定部１３０に提供する。
　睡眠ステージ確率推定部１２０は、拍動データから特徴量系列を算出（取得）し、学習済み睡眠ステージ確率推定モデルを利用して、算出（取得）した特徴量系列から被検者の睡眠ステージ確率系列を推定する。具体的には、被検者データ取得部１１０から拍動データを取得すると、睡眠ステージ確率推定部１２０は、拍動データの心拍間隔系列から所定時間毎（例えば、３０秒毎、１分毎、５分毎など）に心拍間隔の平均、標準偏差、ＬＦ／ＨＦ比などの何れかを示す特徴量ｆｔｉ（ｉ＝０，１，・・・，ｎ）を算出し、算出した各特徴量ｆｔｉから特徴量系列ｆｔ０，ｆｔ１，・・・，ｆｔｎを生成する。そして、睡眠ステージ確率推定部１２０は、各特徴量ｆｔｉを学習済み睡眠ステージ確率推定モデルに入力し、時刻ｔｉの特徴量ｆｔｉに対する各睡眠ステージの睡眠ステージ確率Ｐｓｔａｇｅ＿ｔｉを推定し、時刻ｔｉの特徴量ｆｔｉに対する確率Ｐｓｔａｇｅ＿ｔｉが最大となる睡眠ステージ確率Ｐｍａｘ＿ｓｔａｇｅ＿ｔｉの睡眠ステージ確率系列Ｐｍａｘ＿ｓｔａｇｅ＿ｔ０，Ｐｍａｘ＿ｓｔａｇｅ＿ｔ１，・・・，Ｐｍａｘ＿ｓｔａｇｅ＿ｔｎを睡眠ステージ推定部１４０に提供する。
　一実施例では、学習済み睡眠ステージ確率推定モデルは、特徴量系列の特徴量から各睡眠ステージの確率を推定するロジスティック回帰モデルから構成されてもよい。ロジスティック回帰モデルは、例えば、睡眠ステージ集合Ｓが｛ｓ０（＝浅い睡眠），ｓ１（＝深い睡眠），ｓ２（＝レム睡眠），ｓ３（＝ノンレム睡眠）｝である場合、多クラスロジスティック回帰モデルが利用されてもよい。すなわち、各時刻の心拍間隔の平均、標準偏差、ＬＦ／ＨＦ比などの特徴量と、当該時刻の脳波データから決定された正解の睡眠ステージとのペアから構成される訓練データが予め用意される。何れか適切なロジスティック曲線などの多クラスロジスティック回帰モデルに対して訓練データを利用した教師有り学習が実行される。多クラスロジスティック回帰モデルは、多クラスロジスティック回帰モデルの学習に関する何れか周知の学習手法に従って学習可能であり、訓練データの特徴量に対して正解の睡眠ステージが正しく予測できるように、多クラスロジスティック回帰モデルの重みベクトルなどのパラメータが更新される。例えば、訓練データと正解データの確率の交差エントロピーを求め、その値が最小となるパラメータを求めてもよい。具体的には、確率的勾配降下法などの手法を用いて、交差エントロピーの各パラメータの偏微分値を使ってパラメータを繰り返し更新し、交差エントロピーが最小となるパラメータを求めてもよい。なお、実際上は、何れか適切なライブラリの関数を利用して学習可能である。
　睡眠ステージ遷移確率推定部１３０は、体動データから体動量系列を算出（取得）し、学習済み睡眠ステージ遷移確率推定モデルを利用して、算出（取得）した体動量系列から被検者の睡眠ステージ遷移確率系列を推定する。具体的には、被検者データ取得部１１０から体動データを取得すると、睡眠ステージ遷移確率推定部１３０は、体動データから所定時間毎（例えば、３０秒毎、１分毎、５分毎など）の角速度などの体動量ｍｔｉ（ｉ＝０，１，・・・，ｎ）を算出し、算出した各体動量ｍｔｉから体動量系列ｍｔ０，ｍｔ１，・・・，ｍｔｎを生成する。そして、睡眠ステージ遷移確率推定部１３０は、各体動量ｍｔｉを学習済み睡眠ステージ遷移確率推定モデルに入力し、時刻ｔｉの体動量ｍｔｉに対する睡眠ステージ遷移確率Ｐｔｒａｎｓｉｔｉｏｎ＿ｔｉを推定し、推定した睡眠ステージ遷移確率系列Ｐｔｒａｎｓｉｔｉｏｎ＿ｔ０，Ｐｔｒａｎｓｉｔｉｏｎ＿ｔ１，・・・，Ｐｔｒａｎｓｉｔｉｏｎ＿ｔｎを睡眠ステージ推定部１４０に提供する。
　一実施例では、学習済み睡眠ステージ遷移確率推定モデルは、体動量系列の体動量から睡眠ステージ間の遷移確率を推定するシグモイド関数から構成されてもよい。例えば、シグモイド関数は、以下のように定式化されてもよい。
　Ｐｒ（ｍｔｉ）＝１／（１＋ｅｘｐ（－ａｘ＋ｂ））
なお、パラメータａ，ｂは、後述される条件付き確率場（ＣＲＦ）モデルの学習時に決定されてもよい。なお、睡眠ステージ遷移確率推定モデルのパラメータは、以下の条件付き確率場（ＣＲＦ）の学習と同時に行ってもよく、条件付き確率場（ＣＲＦ）のパラメータの一部として学習してもよい。
　睡眠ステージ推定部１４０は、学習済み条件付き確率場モデルを利用して、睡眠ステージ確率系列及び睡眠ステージ遷移確率系列から被検者の睡眠ステージ系列を推定する。具体的には、睡眠ステージ確率推定部１２０及び睡眠ステージ遷移確率推定部１３０から睡眠ステージ確率系列Ｐｍａｘ＿ｓｔａｇｅ＿ｔ０，Ｐｍａｘ＿ｓｔａｇｅ＿ｔ１，・・・，Ｐｍａｘ＿ｓｔａｇｅ＿ｔｎ及び睡眠ステージ遷移確率系列Ｐｔｒａｎｓｉｔｉｏｎ＿ｔ０，Ｐｔｒａｎｓｉｔｉｏｎ＿ｔ１，・・・，Ｐｔｒａｎｓｉｔｉｏｎ＿ｔｎをそれぞれ取得すると、睡眠ステージ推定部１４０は、各時点の睡眠ステージ確率Ｐｍａｘ＿ｓｔａｇｅ＿ｔｉ及び睡眠ステージ遷移確率Ｐｔｒａｎｓｉｔｉｏｎ＿ｔｉをそれぞれ観測素性及び遷移素性として学習済み条件付き確率場（ＣＲＦ）モデルに入力し、各時点の睡眠ステージＳｔｉを推定し、睡眠ステージ系列Ｓｔ０，Ｓｔ１，・・・，Ｓｔｎを生成する。
　一実施例では、学習済み条件付き確率場モデルは、睡眠ステージ確率を観測素性とし、睡眠ステージ遷移確率を遷移素性とする素性関数から構成されてもよい。睡眠ステージ推定部１４０は、当該素性関数を利用して、各時点の睡眠ステージ確率Ｐｍａｘ＿ｓｔａｇｅ＿ｔｉ及び睡眠ステージ遷移確率Ｐｔｒａｎｓｉｔｉｏｎ＿ｔｉから睡眠ステージＳｔｉを推定する。例えば、学習系列データと正解ラベル列の確率の交差エントロピーを求め、その値が最小となるパラメータを求めてもよい。具体的には、確率的勾配降下法や動的計画法などの手法を用いて、交差エントロピーの各パラメータの偏微分値を使ってパラメータを繰り返し更新し、交差エントロピーが最小となるパラメータを求めてもよい。なお、実際上は、何れか適切なライブラリの関数を利用して学習可能である。
　具体的には、λを条件付き確率場のパラメータとし、ａ，ｂを睡眠ステージ遷移確率のパラメータとした場合、交差エントロピーＥ（λ，ａ，ｂ）を最小化するパラメータλ，ａ，ｂが同時に学習される。すなわち、交差エントロピーＥを各パラメータλ，ａ，ｂで偏微分した値を用いて、確率的勾配降下法などの手法によってパラメータを繰り返し更新し、交差エントロピーＥが最小となるパラメータλ，ａ，ｂを求める。
　例えば、Ｎ個の学習データは以下のように表せる。
Figure JPOXMLDOC01-appb-M000001
 これに対して、交差エントロピーＥは、以下のようになる。
Figure JPOXMLDOC01-appb-M000002
 ただし、対数尤度ｌ（ｘ，ｙ）は、時系列の長さをＭとして、以下のようになる。
Figure JPOXMLDOC01-appb-M000003
Figure JPOXMLDOC01-appb-M000004
　ここで、素性関数は以下のように表される。
Figure JPOXMLDOC01-appb-M000005
 例えば、素性関数は、睡眠ステージ確率（Ｋ個）、定数１、睡眠ステージ遷移確率ｐｒで構成され、以下のようになる。
Figure JPOXMLDOC01-appb-M000006
 ただし、体動量ｑの睡眠ステージ遷移確率ｐｒは、以下のとおりである。
Figure JPOXMLDOC01-appb-M000007
 素性関数の例として、ｘｍ＝［ｐ１，ｐ２，ｐ３，ｐ４，ｑ］，ｙｍ－１＝３，ｙｍ＝２である場合、以下のようになる。
Figure JPOXMLDOC01-appb-M000008
［睡眠ステージ推定処理］
　次に、図４を参照して、本開示の一実施例による睡眠ステージ推定処理を説明する。当該睡眠ステージ推定処理は、上述した睡眠ステージ推定装置１００によって実現され、例えば、睡眠ステージ推定装置１００のプロセッサがプログラム又は命令を実行することによって実現されてもよい。図４は、本開示の一実施例による睡眠ステージ推定処理を示すフローチャートである。
　図４に示されるように、ステップＳ１０１において、睡眠ステージ推定装置１００は、拍動データ及び体動データを取得する。拍動データ及び体動データは上述した脈波センサ又は心拍センサ、及び加速度センサ又は体動センサにより収集される。
　ステップＳ１０２において、睡眠ステージ推定装置１００は、特徴量系列から睡眠ステージ確率系列を推定する。具体的には、睡眠ステージ推定装置１００は、所定時間毎の心拍間隔の平均、標準偏差、ＬＦ／ＨＦ比などの特徴量を算出し、算出した特徴量を学習済み睡眠ステージ確率推定モデルに入力する。睡眠ステージ推定装置１００は、各時刻について学習済み睡眠ステージ確率推定モデルから睡眠ステージ確率を取得し、睡眠ステージ確率系列を生成する。
　ステップＳ１０３において、睡眠ステージ推定装置１００は、体動量系列から睡眠ステージ遷移確率系列を推定する。具体的には、睡眠ステージ推定装置１００は、所定時間毎の角速度などの体動量を算出し、算出した体動量を学習済み睡眠ステージ遷移確率推定モデルに入力する。睡眠ステージ推定装置１００は、各時刻について学習済み睡眠ステージ遷移確率推定モデルから睡眠ステージ遷移確率を取得し、睡眠ステージ遷移確率系列を生成する。
　ステップＳ１０４において、睡眠ステージ推定装置１００は、睡眠ステージ系列を推定する。具体的には、睡眠ステージ推定装置１００は、ステップＳ１０２において生成された睡眠ステージ確率系列と、ステップＳ１０３において生成された睡眠ステージ遷移確率系列とから、各時刻における睡眠ステージ確率及び睡眠ステージ遷移確率をそれぞれ観測素性及び遷移素性として学習済み睡眠ステージ推定モデルに入力し、各時刻における睡眠ステージを推定する。全ての時刻について睡眠ステージを推定すると、睡眠ステージ推定装置１００は、睡眠ステージ系列を生成する。
　本願発明は、上記実施形態に限定されるものではなく、実施段階ではその要旨を逸脱しない範囲で種々に変形することが可能である。また、各実施形態は可能な限り適宜組み合わせて実施してもよく、その場合組み合わせた効果が得られる。さらに、上記実施形態には種々の段階の発明が含まれており、開示される複数の構成要件における適当な組み合わせにより種々の発明が抽出され得る。例えば、実施形態に示される全構成要件からいくつかの構成要件が削除されても、発明が解決しようとする課題の欄で述べた課題が解決でき、発明の効果の欄で述べられている効果が得られる場合には、この構成要件が削除された構成が発明として抽出され得る。
　本願は、２０１９年９月２４日に出願された日本国特許出願第２０１９－１７３３２６号を基礎出願とする優先権を主張するものであり、当該基礎出願の内容は全て本願に取り込まれる。

Claims (9)

  1. 　被検者の拍動データ及び体動データを取得する被検者データ取得部と、
    　前記拍動データから特徴量系列を取得し、学習済み睡眠ステージ確率推定モデルを利用して、前記取得した特徴量系列から前記被検者の睡眠ステージ確率系列を推定する睡眠ステージ確率推定部と、
    　前記体動データから体動量系列を取得し、学習済み睡眠ステージ遷移確率推定モデルを利用して、前記取得した体動量系列から前記被検者の睡眠ステージ遷移確率系列を推定する睡眠ステージ遷移確率推定部と、
    　学習済み条件付き確率場モデルを利用して、前記睡眠ステージ確率系列及び前記睡眠ステージ遷移確率系列から前記被検者の睡眠ステージ系列を推定する睡眠ステージ推定部と、
    を有する睡眠ステージ推定装置。
  2. 　前記特徴量系列は、所定時間毎の心拍間隔の平均、標準偏差及びＬＦ／ＨＦ比の１つ以上の時系列データを含む、請求項１記載の睡眠ステージ推定装置。
  3. 　前記学習済み睡眠ステージ確率推定モデルは、前記特徴量系列の特徴量から各睡眠ステージの確率を推定するロジスティック回帰モデルから構成される、請求項１又は２記載の睡眠ステージ推定装置。
  4. 　前記学習済み睡眠ステージ確率推定モデルは、前記拍動データの特徴量と、対応する正解の睡眠ステージとのペアから構成される訓練データを利用した教師有り学習によって取得される、請求項１乃至３何れか一項記載の睡眠ステージ推定装置。
  5. 　前記体動量系列は、角速度の時系列データを含む、請求項１乃至４何れか一項記載の睡眠ステージ推定装置。
  6. 　前記学習済み睡眠ステージ遷移確率推定モデルは、前記体動量系列の体動量から睡眠ステージ間の遷移確率を推定するシグモイド関数から構成される、請求項１乃至５何れか一項記載の睡眠ステージ推定装置。
  7. 　前記学習済み条件付き確率場モデルは、睡眠ステージ確率を観測素性とし、睡眠ステージ遷移確率を遷移素性とする素性関数から構成される、請求項１乃至６何れか一項記載の睡眠ステージ推定装置。
  8. 　睡眠ステージ推定装置で実行される睡眠ステージ推定方法であって、
    　被検者の拍動データ及び体動データを取得するステップと、
    　前記拍動データから特徴量系列を取得し、学習済み睡眠ステージ確率推定モデルを利用して、前記取得した特徴量系列から前記被検者の睡眠ステージ確率系列を推定するステップと、
    　前記体動データから体動量系列を取得し、学習済み睡眠ステージ遷移確率推定モデルを利用して、前記取得した体動量系列から前記被検者の睡眠ステージ遷移確率系列を推定するステップと、
    　学習済み条件付き確率場モデルを利用して、前記睡眠ステージ確率系列及び前記睡眠ステージ遷移確率系列から前記被検者の睡眠ステージ系列を推定するステップと、
    を有する睡眠ステージ推定方法。
  9. 　睡眠ステージ推定装置のコンピュータが実行するプログラムであって、前記コンピュータに、
    　被検者の拍動データ及び体動データを取得する処理と、
    　前記拍動データから特徴量系列を取得し、学習済み睡眠ステージ確率推定モデルを利用して、前記取得した特徴量系列から前記被検者の睡眠ステージ確率系列を推定する処理と、
    　前記体動データから体動量系列を取得し、学習済み睡眠ステージ遷移確率推定モデルを利用して、前記取得した体動量系列から前記被検者の睡眠ステージ遷移確率系列を推定する処理と、
    　学習済み条件付き確率場モデルを利用して、前記睡眠ステージ確率系列及び前記睡眠ステージ遷移確率系列から前記被検者の睡眠ステージ系列を推定する処理と、
    を実行させるプログラム。
PCT/JP2020/034179 2019-09-24 2020-09-09 睡眠ステージ推定装置、睡眠ステージ推定方法及びプログラム WO2021059988A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202080066087.6A CN114423335A (zh) 2019-09-24 2020-09-09 睡眠阶段估计设备、睡眠阶段估计方法及程序
EP20867064.6A EP4035594A4 (en) 2019-09-24 2020-09-09 SLEEP PHASE ESTIMATION DEVICE, SLEEP PHASE ESTIMATION METHOD AND PROGRAM
US17/763,452 US20220401019A1 (en) 2019-09-24 2020-09-09 Sleep stage estimation device, sleep stage estimation method and program

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019173326A JP7419719B2 (ja) 2019-09-24 2019-09-24 睡眠ステージ推定装置、睡眠ステージ推定方法及びプログラム
JP2019-173326 2019-09-24

Publications (1)

Publication Number Publication Date
WO2021059988A1 true WO2021059988A1 (ja) 2021-04-01

Family

ID=75154974

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/034179 WO2021059988A1 (ja) 2019-09-24 2020-09-09 睡眠ステージ推定装置、睡眠ステージ推定方法及びプログラム

Country Status (5)

Country Link
US (1) US20220401019A1 (ja)
EP (1) EP4035594A4 (ja)
JP (1) JP7419719B2 (ja)
CN (1) CN114423335A (ja)
WO (1) WO2021059988A1 (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230058322A (ko) 2021-10-21 2023-05-03 구글 엘엘씨 수면 타입에 기초하여 사용자들을 분류함으로써 수면 데이터의 측정을 개선하기 위한 방법들 및 시스템들

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004089267A (ja) * 2002-08-29 2004-03-25 Ritsumeikan 睡眠深度推定装置及びこれを具えた布団
JP2004254827A (ja) * 2003-02-25 2004-09-16 Matsushita Electric Ind Co Ltd 睡眠状態判定装置
JP2011083393A (ja) 2009-10-14 2011-04-28 Osaka Bioscience Institute 睡眠ステージ自動判定の装置と方法およびそのためのコンピュータプログラム
JP2016067811A (ja) * 2014-10-01 2016-05-09 セイコーエプソン株式会社 生体情報検出システム、生体情報検出装置及び生体情報検出システムの制御方法
JP2017169884A (ja) * 2016-03-24 2017-09-28 トヨタ自動車株式会社 睡眠状態推定装置
JP2017221413A (ja) * 2016-06-15 2017-12-21 日本電信電話株式会社 睡眠モデル作成装置、睡眠段階推定装置、方法およびプログラム
JP2018161432A (ja) 2017-03-27 2018-10-18 公立大学法人名古屋市立大学 睡眠状態の評価
JP2019048150A (ja) * 2018-11-22 2019-03-28 日本電信電話株式会社 睡眠段階推定装置、方法およびプログラム
JP2019173326A (ja) 2018-03-27 2019-10-10 ナブテスコ株式会社 除雪装置

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102186416B (zh) * 2008-10-16 2014-08-20 富士通株式会社 无呼吸检测装置
US11696724B2 (en) * 2008-11-14 2023-07-11 Neurovigil, Inc. Methods of identifying sleep and waking patterns and uses
BRPI0916135A2 (pt) * 2008-11-14 2015-11-03 Neurovigil Inc "métodos de identificação de padrões do sono e despertar e seus usos"
WO2011109716A2 (en) * 2010-03-04 2011-09-09 Neumitra LLC Devices and methods for treating psychological disorders
US9655559B2 (en) * 2014-01-03 2017-05-23 Vital Connect, Inc. Automated sleep staging using wearable sensors
CN107106028B (zh) * 2014-12-18 2020-07-21 皇家飞利浦有限公司 用于心肺睡眠阶段分类的***和方法
US20160302671A1 (en) * 2015-04-16 2016-10-20 Microsoft Technology Licensing, Llc Prediction of Health Status from Physiological Data
JP7001593B2 (ja) * 2015-08-11 2022-01-19 コグノア， インコーポレイテッド 人工知能およびユーザ入力を用いて発達進度を判定するための方法および装置
US10470719B2 (en) * 2016-02-01 2019-11-12 Verily Life Sciences Llc Machine learnt model to detect REM sleep periods using a spectral analysis of heart rate and motion
US11712198B2 (en) * 2016-07-11 2023-08-01 B.G. Negev Technologies And Applications Ltd., At Ben-Gurion University Estimation of sleep quality parameters from whole night audio analysis
CN110099817A (zh) * 2016-12-21 2019-08-06 富士胶片株式会社 投影型显示装置、投影型显示装置的控制方法、投影型显示装置的控制程序
EP3378380A1 (en) * 2017-03-22 2018-09-26 Koninklijke Philips N.V. Sleep stage classification system
US20190000375A1 (en) * 2017-06-29 2019-01-03 Koninklijke Philips N.V. Method to increase ahi estimation accuracy in home sleep tests
EP3687392A4 (en) * 2017-10-17 2021-07-07 Whoop, Inc. APPLIED DATA QUALITY METRICS FOR PHYSIOLOGICAL MEASUREMENTS
KR20200103749A (ko) * 2017-12-22 2020-09-02 레스메드 센서 테크놀로지스 리미티드 모션 감지를 위한 장치, 시스템, 및 방법
EP3727145B1 (en) * 2017-12-22 2024-01-24 ResMed Sensor Technologies Limited Apparatus, system, and method for physiological sensing in vehicles
US11147459B2 (en) * 2018-01-05 2021-10-19 CareBand Inc. Wearable electronic device and system for tracking location and identifying changes in salient indicators of patient health
US11185281B2 (en) * 2018-02-20 2021-11-30 Koninklijke Philips N.V. System and method for delivering sensory stimulation to a user based on a sleep architecture model
US11382534B1 (en) * 2018-10-15 2022-07-12 Dp Technologies, Inc. Sleep detection and analysis system

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004089267A (ja) * 2002-08-29 2004-03-25 Ritsumeikan 睡眠深度推定装置及びこれを具えた布団
JP2004254827A (ja) * 2003-02-25 2004-09-16 Matsushita Electric Ind Co Ltd 睡眠状態判定装置
JP2011083393A (ja) 2009-10-14 2011-04-28 Osaka Bioscience Institute 睡眠ステージ自動判定の装置と方法およびそのためのコンピュータプログラム
JP2016067811A (ja) * 2014-10-01 2016-05-09 セイコーエプソン株式会社 生体情報検出システム、生体情報検出装置及び生体情報検出システムの制御方法
JP2017169884A (ja) * 2016-03-24 2017-09-28 トヨタ自動車株式会社 睡眠状態推定装置
JP2017221413A (ja) * 2016-06-15 2017-12-21 日本電信電話株式会社 睡眠モデル作成装置、睡眠段階推定装置、方法およびプログラム
JP2018161432A (ja) 2017-03-27 2018-10-18 公立大学法人名古屋市立大学 睡眠状態の評価
JP2019173326A (ja) 2018-03-27 2019-10-10 ナブテスコ株式会社 除雪装置
JP2019048150A (ja) * 2018-11-22 2019-03-28 日本電信電話株式会社 睡眠段階推定装置、方法およびプログラム

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP4035594A4

Also Published As

Publication number Publication date
EP4035594A1 (en) 2022-08-03
JP2021049068A (ja) 2021-04-01
US20220401019A1 (en) 2022-12-22
CN114423335A (zh) 2022-04-29
JP7419719B2 (ja) 2024-01-23
EP4035594A4 (en) 2022-11-16

Similar Documents

Publication Publication Date Title
Xie et al. Benchmark Machine Learning Approaches with Classical Time Series Approaches on the Blood Glucose Level Prediction Challenge.
US20150272509A1 (en) Diagnostic apparatus and method
JP6052278B2 (ja) 動作判定装置、動作判定システムおよび動作判定方法
JP6388824B2 (ja) 感情情報推定装置、感情情報推定方法及び感情情報推定プログラム
JP2009031096A (ja) 状態推定装置及び状態推定方法
JP2018011721A (ja) ストレス推定装置、ストレス推定方法、及び、ストレス推定プログラム
WO2021059988A1 (ja) 睡眠ステージ推定装置、睡眠ステージ推定方法及びプログラム
JP2017033301A (ja) 情報処理装置及びプログラム
CN111387936A (zh) 一种睡眠阶段识别方法、装置及设备
US10595789B2 (en) Meal time estimation method, meal time estimation device, and recording medium
JP6573416B1 (ja) 血圧推定装置、血圧推定システム、および血圧推定プログラム
JP2018011720A (ja) ストレス判定装置、ストレス判定方法、及び、ストレス判定プログラム
CN109421072A (zh) 控制装置
CN110638456B (zh) 用于计算跑步或行走个体的实时步长和速度的方法
JP6599821B2 (ja) 自動教師データ作成装置、自動教師データ作成方法および自動教師データ作成プログラム
US9235807B2 (en) Sensor detection device, corresponding detection method and computer program
JP6468635B2 (ja) 眠気推定装置及び眠気推定プログラム
EP4140392A1 (en) Noise removal in physiological signals
JP2017221416A (ja) 認知能力変化予測装置、方法およびプログラム
JPWO2020066430A1 (ja) てんかん発作予測装置、心電指標データの分析方法、発作予測コンピュータプログラム、モデル構築装置、モデル構築方法、モデル構築コンピュータプログラム
US20210085232A1 (en) Fatigue degree estimation method, fatigue degree estimation device and program
US11594308B2 (en) Method and system for adaptive scheduling of clinical assessments
US20240256836A1 (en) Training device, estimation system, training method, and recording medium
US20230089162A1 (en) Training device, training method, and training program
JP7247811B2 (ja) リハビリ支援システム、リハビリ支援方法、およびリハビリ支援プログラム

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20867064

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2020867064

Country of ref document: EP

Effective date: 20220425