JP2022031000A - 生体情報モニタリングシステム、生体情報モニタリング方法及びプログラム - Google Patents
生体情報モニタリングシステム、生体情報モニタリング方法及びプログラム Download PDFInfo
- Publication number
- JP2022031000A JP2022031000A JP2020135363A JP2020135363A JP2022031000A JP 2022031000 A JP2022031000 A JP 2022031000A JP 2020135363 A JP2020135363 A JP 2020135363A JP 2020135363 A JP2020135363 A JP 2020135363A JP 2022031000 A JP2022031000 A JP 2022031000A
- Authority
- JP
- Japan
- Prior art keywords
- heartbeat
- physical quantity
- peak
- signal
- biological information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims description 48
- 238000004458 analytical method Methods 0.000 claims abstract description 94
- 238000012545 processing Methods 0.000 claims description 22
- 238000005314 correlation function Methods 0.000 claims description 17
- 239000000284 extract Substances 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 description 37
- 238000010586 diagram Methods 0.000 description 30
- 238000007781 pre-processing Methods 0.000 description 24
- 238000012880 independent component analysis Methods 0.000 description 21
- 206010011985 Decubitus ulcer Diseases 0.000 description 11
- 238000003064 k means clustering Methods 0.000 description 10
- 230000036544 posture Effects 0.000 description 9
- 238000005311 autocorrelation function Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 8
- 230000033001 locomotion Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000000926 separation method Methods 0.000 description 6
- 101000794020 Homo sapiens Bromodomain-containing protein 8 Proteins 0.000 description 5
- 101001006782 Homo sapiens Kinesin-associated protein 3 Proteins 0.000 description 5
- 101000615355 Homo sapiens Small acidic protein Proteins 0.000 description 5
- WGKGADVPRVLHHZ-ZHRMCQFGSA-N N-[(1R,2R,3S)-2-hydroxy-3-phenoxazin-10-ylcyclohexyl]-4-(trifluoromethoxy)benzenesulfonamide Chemical compound O[C@H]1[C@@H](CCC[C@@H]1N1C2=CC=CC=C2OC2=C1C=CC=C2)NS(=O)(=O)C1=CC=C(OC(F)(F)F)C=C1 WGKGADVPRVLHHZ-ZHRMCQFGSA-N 0.000 description 5
- 102100021255 Small acidic protein Human genes 0.000 description 5
- 208000019622 heart disease Diseases 0.000 description 5
- 206010007617 Cardio-respiratory arrest Diseases 0.000 description 3
- 208000010496 Heart Arrest Diseases 0.000 description 3
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000000284 resting effect Effects 0.000 description 2
- 101100405240 Homo sapiens NRG1 gene Proteins 0.000 description 1
- 125000002066 L-histidyl group Chemical group [H]N1C([H])=NC(C([H])([H])[C@](C(=O)[*])([H])N([H])[H])=C1[H] 0.000 description 1
- 102100022661 Pro-neuregulin-1, membrane-bound isoform Human genes 0.000 description 1
- 208000003443 Unconsciousness Diseases 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Images
Landscapes
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
【課題】被検者の生体情報をより高精度に測定すること。【解決手段】生体情報モニタリングシステム１は、データ取得部１１ａと、信号分析部１１ｃとを含む。データ取得部１１ａは、被検者を支持する部材に設置され、力学的な物理量（例えば、荷重）を検出する複数のセンサから、物理量を示す信号を取得する。信号分析部１１ｃは、データ取得部１１ａによって取得された物理量を示す信号のピークに基づいて、部材に支持された被検者における心拍に関する生体情報を取得する。【選択図】図１
Description
本発明は、被検者の生体情報をモニタリングする生体情報モニタリングシステム、生体情報モニタリング方法及びプログラムに関する。
心拍の異常変動を伴う心臓に発生する疾患（心疾患）は、日本国内における死因の第２位となっており、生活習慣の乱れによる無自覚な進行や夜間就寝中の高い発症可能性といった特徴を有する。このような特徴から、心疾患は、自宅における発症率が約７割を占めるものとなっている。
心疾患により心肺停止となった後、処置までに１０分を要した場合、生存確率は約２０％へ低下することが知られている。
これに対し、日本における救急車の平均到着時間は約７分との統計があり、救命のためには心肺停止を早期に発見することが求められる。
また、心肺の停止に至る以前に、心拍間隔の異常等の兆候が現れることも多いことから、心疾患による重篤な状況の発生を防ぐためには、心拍を正確に測定することが重要となる。
なお、被検者の生体情報（心拍等）を測定するための技術は、例えば、特許文献１に記載されている。
心疾患により心肺停止となった後、処置までに１０分を要した場合、生存確率は約２０％へ低下することが知られている。
これに対し、日本における救急車の平均到着時間は約７分との統計があり、救命のためには心肺停止を早期に発見することが求められる。
また、心肺の停止に至る以前に、心拍間隔の異常等の兆候が現れることも多いことから、心疾患による重篤な状況の発生を防ぐためには、心拍を正確に測定することが重要となる。
なお、被検者の生体情報（心拍等）を測定するための技術は、例えば、特許文献１に記載されている。
しかしながら、特許文献１に記載された技術を含め、従来の生体情報（心拍等）を測定する技術においては、被検者の身体（例えば、腕や胴体）に機器を設置して心拍等の生体情報を測定することから、被検者が身体を動かした場合等に、測定精度が低下する可能性があった。
本発明の課題は、被検者の生体情報をより高精度に測定することである。
上記目的を達成するため、本発明の一態様の生体情報モニタリングシステムは、
被検者を支持する部材に設置され、力学的な物理量を検出する複数のセンサから、前記物理量を示す信号を取得する物理量取得手段と、
前記物理量取得手段によって取得された前記物理量を示す信号のピークに基づいて、前記部材に支持された被検者における心拍に関する生体情報を取得する信号分析手段と、
を備えることを特徴とする。
被検者を支持する部材に設置され、力学的な物理量を検出する複数のセンサから、前記物理量を示す信号を取得する物理量取得手段と、
前記物理量取得手段によって取得された前記物理量を示す信号のピークに基づいて、前記部材に支持された被検者における心拍に関する生体情報を取得する信号分析手段と、
を備えることを特徴とする。
本発明によれば、被検者の生体情報をより高精度に測定することができる。
以下、本発明の実施形態について、図面を用いて説明する。
［第１実施形態］
本実施形態における生体情報モニタリングシステムにおいては、被検者が睡眠時に使用するベッドの脚にセンサ（例えば、荷重センサ）を設置し、センサの出力信号を取得する。このとき取得されるセンサの出力信号は、被検者の心弾道図（ＢＣＧ：ＢａｌｌｉｓｔＣａｒｄｉｏＧｒａｍ）のデータを示している。そして、取得されたＢＣＧデータを信号処理することにより、心拍変動（ＲＲＩ：Ｒ－Ｒ Ｉｎｔｅｒｖａｌ）を取得し、心疾患の判定を行う。
これにより、身体に機器を設置することなく、ベッドの脚において検出された信号を基に、被検者の動きや姿勢等に対して頑健に、生体情報（心拍変動）を取得することができる。
したがって、本実施形態における生体情報モニタリングシステムによれば、被検者の生体情報をより高精度に測定することができる。
［第１実施形態］
本実施形態における生体情報モニタリングシステムにおいては、被検者が睡眠時に使用するベッドの脚にセンサ（例えば、荷重センサ）を設置し、センサの出力信号を取得する。このとき取得されるセンサの出力信号は、被検者の心弾道図（ＢＣＧ：ＢａｌｌｉｓｔＣａｒｄｉｏＧｒａｍ）のデータを示している。そして、取得されたＢＣＧデータを信号処理することにより、心拍変動（ＲＲＩ：Ｒ－Ｒ Ｉｎｔｅｒｖａｌ）を取得し、心疾患の判定を行う。
これにより、身体に機器を設置することなく、ベッドの脚において検出された信号を基に、被検者の動きや姿勢等に対して頑健に、生体情報（心拍変動）を取得することができる。
したがって、本実施形態における生体情報モニタリングシステムによれば、被検者の生体情報をより高精度に測定することができる。
［システム構成］
図１は、本実施形態における生体情報モニタリングシステム１のシステム構成例を示す模式図である。また、図２は、生体情報モニタリングシステム１の実施態様の一例を示す模式図である。
生体情報モニタリングシステム１は、例えば、ＰＣ（Ｐｅｒｓｏｎａｌ Ｃｏｍｐｕｔｅｒ）あるいはタブレット端末等の情報処理装置によって構成される。
図１に示すように、生体情報モニタリングシステム１は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）１１と、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）１２と、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）１３と、入力部１４と、表示部１５と、記憶部１６と、通信部１７と、センサ部１８ａ～１８ｄと、撮像部１９とを備えている。
また、図２に示すように、生体情報モニタリングシステム１は、被検者が使用するベッドの脚それぞれにセンサ１８ａ～１８ｄを設置し、ベッドの脚それぞれにおける荷重の検出結果を表す信号を取得する。
図１は、本実施形態における生体情報モニタリングシステム１のシステム構成例を示す模式図である。また、図２は、生体情報モニタリングシステム１の実施態様の一例を示す模式図である。
生体情報モニタリングシステム１は、例えば、ＰＣ（Ｐｅｒｓｏｎａｌ Ｃｏｍｐｕｔｅｒ）あるいはタブレット端末等の情報処理装置によって構成される。
図１に示すように、生体情報モニタリングシステム１は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）１１と、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）１２と、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）１３と、入力部１４と、表示部１５と、記憶部１６と、通信部１７と、センサ部１８ａ～１８ｄと、撮像部１９とを備えている。
また、図２に示すように、生体情報モニタリングシステム１は、被検者が使用するベッドの脚それぞれにセンサ１８ａ～１８ｄを設置し、ベッドの脚それぞれにおける荷重の検出結果を表す信号を取得する。
ＣＰＵ１１は、記憶部１６に記憶された各種プログラムを実行することにより、生体情報モニタリングシステム１全体を制御する。例えば、ＣＰＵ１１は、ベッドの脚に設置されたセンサ部１８ａ～１８ｄの出力信号を処理し、心拍間隔を推定する処理（以下、「心拍間隔推定処理」と称する。）のためのプログラムを実行する。
心拍間隔推定処理のためのプログラムを実行することにより、ＣＰＵ１１には、機能的構成として、データ取得部１１ａと、前処理部１１ｂと、信号分析部１１ｃと、が形成される。
データ取得部１１ａは、センサ部１８ａ～１８ｄの出力信号を取得（受信）し、取得した出力信号のデータを時間と対応付けて記憶部１６に記憶する。即ち、データ取得部１１ａは、センサ部１８ａ～１８ｄの出力信号が表すＢＣＧ（心弾道図）のデータを時系列に記憶部１６に記憶する。
前処理部１１ｂは、センサ部１８ａ～１８ｄの出力信号の波形に対し、信号分析部１１ｃにおける分析を行うための前処理を実行する。本実施形態において、前処理部１１ｂは、センサ部１８ａ～１８ｄの出力信号の波形に対し、バンドパスフィルタ（具体的には、１～８．５［Ｈｚ］の信号波形を透過させるバンドパスフィルタ）によるフィルタ処理を実行する。さらに、前処理部１１ｂは、フィルタ処理後の信号を正規化する。正規化された信号は、振幅の中心が統一された形態となり、波形を分析し易い状態となる。また、バンドパスフィルタによる処理を行うことで、センサ部１８ａ～１８ｄの出力信号におけるノイズを除去する効果を有する。
前処理部１１ｂは、センサ部１８ａ～１８ｄの出力信号の波形に対し、信号分析部１１ｃにおける分析を行うための前処理を実行する。本実施形態において、前処理部１１ｂは、センサ部１８ａ～１８ｄの出力信号の波形に対し、バンドパスフィルタ（具体的には、１～８．５［Ｈｚ］の信号波形を透過させるバンドパスフィルタ）によるフィルタ処理を実行する。さらに、前処理部１１ｂは、フィルタ処理後の信号を正規化する。正規化された信号は、振幅の中心が統一された形態となり、波形を分析し易い状態となる。また、バンドパスフィルタによる処理を行うことで、センサ部１８ａ～１８ｄの出力信号におけるノイズを除去する効果を有する。
信号分析部１１ｃは、センサ部１８ａ～１８ｄの出力信号の波形におけるピークを特定する。このとき、信号分析部１１ｃは、前処理部１１ｂによって処理されたセンサ部１８ａ～１８ｄの出力信号の波形において、全てのピーク（ここでは、正のピークのみとする）を特定する。
また、信号分析部１１ｃは、特定した各ピークの特徴量を抽出する。
また、信号分析部１１ｃは、特定した各ピークの特徴量を抽出する。
図３は、ピークの特徴量を示す模式図である。
図３に示すように、信号分析部１１ｃは、ピーク直前の負の極大値からピークまでの振幅の大きさ（特徴量１）、ピーク直前の負の極大値の大きさ（特徴量２）、ピークの振幅（特徴量３）、ピーク直前の負の極大値からピークまでの時間（特徴量４）、ピークからピーク直後の負の極大値まで時間（特徴量５）をそれぞれ特徴量として抽出する。
さらに、信号分析部１１ｃは、ｋ－ｍｅａｎｓクラスタリングにより、特徴量を分類する。このとき、信号分析部１１ｃは、特徴量を３クラスに分類し、心拍のピークのデータ及び心拍のピーク以外のデータを特定する。
図３に示すように、信号分析部１１ｃは、ピーク直前の負の極大値からピークまでの振幅の大きさ（特徴量１）、ピーク直前の負の極大値の大きさ（特徴量２）、ピークの振幅（特徴量３）、ピーク直前の負の極大値からピークまでの時間（特徴量４）、ピークからピーク直後の負の極大値まで時間（特徴量５）をそれぞれ特徴量として抽出する。
さらに、信号分析部１１ｃは、ｋ－ｍｅａｎｓクラスタリングにより、特徴量を分類する。このとき、信号分析部１１ｃは、特徴量を３クラスに分類し、心拍のピークのデータ及び心拍のピーク以外のデータを特定する。
図４は、ピークの特徴量がｋ－ｍｅａｎｓクラスタリングにより３クラスに分類された結果の一例を示す模式図である。また、図５は、図４に示す分類結果に対応する心拍のピークのデータの特定結果を示す模式図である。なお、図５において、ピークとして特定された箇所は、丸印で示されている。
図４においては、ベッドに仰向けに寝た被検者（仰臥位）のＢＣＧデータを対象としてｋ－ｍｅａｎｓクラスタリングを行った結果を示している。
図４に示すように、ｋ－ｍｅａｎｓクラスタリングを行った結果、左上のデータ群（実線で囲まれた領域のデータ）は１つの分類を表しており、この分類に属するデータは、図５における心拍のピークのデータに対応している。
即ち、ＢＣＧデータから波形のピークの特徴量を抽出し、ｋ－ｍｅａｎｓクラスタリングにより分類することで、心拍間隔を表す心拍のピークを特定することが可能である。
図４においては、ベッドに仰向けに寝た被検者（仰臥位）のＢＣＧデータを対象としてｋ－ｍｅａｎｓクラスタリングを行った結果を示している。
図４に示すように、ｋ－ｍｅａｎｓクラスタリングを行った結果、左上のデータ群（実線で囲まれた領域のデータ）は１つの分類を表しており、この分類に属するデータは、図５における心拍のピークのデータに対応している。
即ち、ＢＣＧデータから波形のピークの特徴量を抽出し、ｋ－ｍｅａｎｓクラスタリングにより分類することで、心拍間隔を表す心拍のピークを特定することが可能である。
図１に戻り、ＲＯＭ１２には、生体情報モニタリングシステム１を制御するための各種システムプログラムが予め書き込まれている。
ＲＡＭ１３は、ＤＲＡＭ（Ｄｙｎａｍｉｃ Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）等の半導体メモリによって構成され、ＣＰＵ１１が各種処理を実行する際に生成されるデータを記憶する。
入力部１４は、キーボードやマウス、または、タッチセンサ（タッチパネル）等の入力装置によって構成され、ユーザによる生体情報モニタリングシステム１への各種情報の入力を受け付ける。
ＲＡＭ１３は、ＤＲＡＭ（Ｄｙｎａｍｉｃ Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）等の半導体メモリによって構成され、ＣＰＵ１１が各種処理を実行する際に生成されるデータを記憶する。
入力部１４は、キーボードやマウス、または、タッチセンサ（タッチパネル）等の入力装置によって構成され、ユーザによる生体情報モニタリングシステム１への各種情報の入力を受け付ける。
表示部１５は、ＬＣＤ（Ｌｉｑｕｉｄ Ｃｒｙｓｔａｌ Ｄｉｓｐｌａｙ）等の表示装置によって構成され、生体情報モニタリングシステム１の各種処理結果を表示する。
記憶部１６は、ハードディスクまたはフラッシュメモリ等の不揮発性の記憶装置によって構成され、心拍間隔推定処理のためのプログラム等を記憶する。また、記憶部１６は、生体情報モニタリングシステム１の各種処理結果（心拍間隔の推定結果のデータ等）を記憶する。
通信部１７は、有線または無線ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）やＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）等、所定の通信規格に基づいて信号処理を行う通信インターフェースを備え、生体情報モニタリングシステム１が他の装置との間で行う通信を制御する。
センサ部１８ａ～１８ｄは、被検者が使用するベッドの脚それぞれに設置されたセンサであり、本実施形態においては、ベッドの脚に加わる力を検出する荷重センサによって構成されている。ただし、ベッドの脚に生じる力や振動等、被検者の心拍による力学的な影響（物理量）を検出できるセンサであれば、加速度センサ等、力以外を検出するセンサを用いることも可能である。
なお、本実施形態において、センサ部１８ａ～１８ｄの出力信号から心拍間隔を推定する場合、センサ部１８ａ～１８ｄのうち、いずれか１つの出力信号に着目して推定を行うことや、センサ部１８ａ～１８ｄの出力信号全てにおいて、信頼性の高いものを抽出して推定を行うこと等が可能である。
撮像部１９は、レンズ及び撮像素子等を備えた撮像装置によって構成され、被写体のデジタル画像を撮像する。本実施形態において、撮像部１９によって被験者の就寝姿勢を検出することにより、センサ部１８ａ～１８ｄの出力信号に乱れが生じ易い状況であるか否か等を判定することとしてもよい。
なお、本実施形態において、センサ部１８ａ～１８ｄの出力信号から心拍間隔を推定する場合、センサ部１８ａ～１８ｄのうち、いずれか１つの出力信号に着目して推定を行うことや、センサ部１８ａ～１８ｄの出力信号全てにおいて、信頼性の高いものを抽出して推定を行うこと等が可能である。
撮像部１９は、レンズ及び撮像素子等を備えた撮像装置によって構成され、被写体のデジタル画像を撮像する。本実施形態において、撮像部１９によって被験者の就寝姿勢を検出することにより、センサ部１８ａ～１８ｄの出力信号に乱れが生じ易い状況であるか否か等を判定することとしてもよい。
［動作］
次に、生体情報モニタリングシステム１の動作を説明する。
図６は、生体情報モニタリングシステム１が実行する心拍間隔推定処理の流れを説明するフローチャートである。
心拍間隔推定処理は、入力部１４を介して、心拍間隔推定処理の実行が指示入力されることに対応して開始される。
次に、生体情報モニタリングシステム１の動作を説明する。
図６は、生体情報モニタリングシステム１が実行する心拍間隔推定処理の流れを説明するフローチャートである。
心拍間隔推定処理は、入力部１４を介して、心拍間隔推定処理の実行が指示入力されることに対応して開始される。
心拍間隔推定処理が開始されると、ステップＳ１において、データ取得部１１ａは、センサ部１８ａ～１８ｄの出力信号を取得（受信）する。このとき取得されたセンサ部１８ａ～１８ｄの出力信号のデータ（ＢＣＧデータ）は、時間と対応付けて記憶部１６に記憶される。
ステップＳ２において、前処理部１１ｂは、センサ部１８ａ～１８ｄの出力信号の波形に対し、信号分析部１１ｃにおける分析を行うための前処理を実行する。具体的には、前処理部１１ｂは、センサ部１８ａ～１８ｄの出力信号の波形に対し、バンドパスフィルタ（１～８．５［Ｈｚ］の信号波形を透過させるバンドパスフィルタ）によるフィルタ処理を実行する。
ステップＳ２において、前処理部１１ｂは、センサ部１８ａ～１８ｄの出力信号の波形に対し、信号分析部１１ｃにおける分析を行うための前処理を実行する。具体的には、前処理部１１ｂは、センサ部１８ａ～１８ｄの出力信号の波形に対し、バンドパスフィルタ（１～８．５［Ｈｚ］の信号波形を透過させるバンドパスフィルタ）によるフィルタ処理を実行する。
ステップＳ３において、信号分析部１１ｃは、センサ部１８ａ～１８ｄの出力信号の波形におけるピークを特定する。
ステップＳ４において、信号分析部１１ｃは、特定した各ピークの特徴量を抽出する。
ステップＳ５において、信号分析部１１ｃは、ｋ－ｍｅａｎｓクラスタリングにより、特徴量を分類する。このとき、信号分析部１１ｃは、特徴量を３クラスに分類し、心拍のピークのデータ及び心拍のピーク以外のデータを特定する。心拍のピークのデータが特定されることにより、心拍間隔を推定することができる。ステップＳ５における処理結果（特定された心拍のピークのデータあるいは心拍間隔のデータ等）は、記憶部１６に記憶される。
ステップＳ５の後、心拍間隔推定処理は終了する。
このような処理により、ＢＣＧデータからノイズを除去した上で、適切に心拍のピークを特定することが可能となる。
ステップＳ４において、信号分析部１１ｃは、特定した各ピークの特徴量を抽出する。
ステップＳ５において、信号分析部１１ｃは、ｋ－ｍｅａｎｓクラスタリングにより、特徴量を分類する。このとき、信号分析部１１ｃは、特徴量を３クラスに分類し、心拍のピークのデータ及び心拍のピーク以外のデータを特定する。心拍のピークのデータが特定されることにより、心拍間隔を推定することができる。ステップＳ５における処理結果（特定された心拍のピークのデータあるいは心拍間隔のデータ等）は、記憶部１６に記憶される。
ステップＳ５の後、心拍間隔推定処理は終了する。
このような処理により、ＢＣＧデータからノイズを除去した上で、適切に心拍のピークを特定することが可能となる。
［効果の検証］
次に、本実施形態における効果を検証する。
図７は、被検者の就寝姿勢の例を示す模式図であり、（Ａ）は仰臥位、（Ｂ）は伏臥位、（Ｃ）は側臥位（右半身が上）、（Ｄ）は側臥位（左半身が上）、（Ｅ）屈曲側臥位（右半身が上）、（Ｆ）屈曲側臥位（左半身が上）、（Ｇ）半座位を示す図である。
図７に示すように、被検者の就寝時の姿勢は種々変化し得るものであり、被検者がいずれかの姿勢で安静にしている状態、あるいは、身体を動かしている状態等も変化する。
本実施形態における心拍間隔推定処理において、仰臥位で安静にしている被検者のＢＣＧデータに対しては、図４に示すように、心拍のピークを一定の信頼性をもって推定することができた。
一方、ＢＣＧデータの波形の乱れが比較的大きい場合には、心拍間隔の推定精度はやや低下することがわかった。
次に、本実施形態における効果を検証する。
図７は、被検者の就寝姿勢の例を示す模式図であり、（Ａ）は仰臥位、（Ｂ）は伏臥位、（Ｃ）は側臥位（右半身が上）、（Ｄ）は側臥位（左半身が上）、（Ｅ）屈曲側臥位（右半身が上）、（Ｆ）屈曲側臥位（左半身が上）、（Ｇ）半座位を示す図である。
図７に示すように、被検者の就寝時の姿勢は種々変化し得るものであり、被検者がいずれかの姿勢で安静にしている状態、あるいは、身体を動かしている状態等も変化する。
本実施形態における心拍間隔推定処理において、仰臥位で安静にしている被検者のＢＣＧデータに対しては、図４に示すように、心拍のピークを一定の信頼性をもって推定することができた。
一方、ＢＣＧデータの波形の乱れが比較的大きい場合には、心拍間隔の推定精度はやや低下することがわかった。
図８は、被検者が側臥位（右半身が上）であるＢＣＧデータにおいて、ピークの特徴量がｋ－ｍｅａｎｓクラスタリングにより３クラスに分類された状態の一例を示す模式図である。また、図９は、図８に示す分類結果に対応する心拍のピークのデータの特定結果を示す模式図である。なお、図９において、ピークとして特定された箇所は、丸印で示されている。
図８に示すＢＣＧデータは、波形の乱れが比較的大きいものであり、この場合の分類結果は、右下のデータ群（実線で囲まれた領域のデータ）に示すように、ばらつきが大きいものとなる。
この場合、図９に示すように、心拍のピークのデータの特定結果は、精度が低下したものとなっている。
即ち、本実施形態における心拍間隔推定処理を用いる場合、ＢＣＧデータの波形が安定している区間（被検者が安静にしている状態のデータ）を選択して、心拍のピークを推定することが有効であることがわかる。
したがって、本実施形態における生体情報モニタリングシステム１によれば、被検者の生体情報をより高精度に測定することができる。
図８に示すＢＣＧデータは、波形の乱れが比較的大きいものであり、この場合の分類結果は、右下のデータ群（実線で囲まれた領域のデータ）に示すように、ばらつきが大きいものとなる。
この場合、図９に示すように、心拍のピークのデータの特定結果は、精度が低下したものとなっている。
即ち、本実施形態における心拍間隔推定処理を用いる場合、ＢＣＧデータの波形が安定している区間（被検者が安静にしている状態のデータ）を選択して、心拍のピークを推定することが有効であることがわかる。
したがって、本実施形態における生体情報モニタリングシステム１によれば、被検者の生体情報をより高精度に測定することができる。
［第２実施形態］
次に、本発明の第２実施形態に係る生体情報モニタリングシステム１について説明する。
本実施形態に係る生体情報モニタリングシステム１のシステム構成は、第１実施形態の図１に示すシステム構成とほぼ同様である。
ただし、本実施形態における生体情報モニタリングシステム１においては、信号分析部１１ｃの構成が第１実施形態と異なっているため、以下、主として信号分析部１１ｃについて説明する。
次に、本発明の第２実施形態に係る生体情報モニタリングシステム１について説明する。
本実施形態に係る生体情報モニタリングシステム１のシステム構成は、第１実施形態の図１に示すシステム構成とほぼ同様である。
ただし、本実施形態における生体情報モニタリングシステム１においては、信号分析部１１ｃの構成が第１実施形態と異なっているため、以下、主として信号分析部１１ｃについて説明する。
信号分析部１１ｃは、前処理部１１ｂによって処理されたセンサ部１８ａ～１８ｄの出力信号の波形に対し、独立成分分析（ＩＣＡ：Ｉｎｄｅｐｅｎｄｅｎｔ Ｃｏｍｐｏｎｅｎｔ Ａｎａｌｙｓｉｓ）による信号分離を行う。この結果、心拍成分とノイズ成分とが分離される。そして、信号分析部１１ｃは、分離された信号のうち、尖度が最小のものを心拍成分として特定し、心拍間隔の推定に利用する。
また、信号分析部１１ｃは、心拍成分として特定した信号において、設定された時間（例えば、０．７［ｓ］）以上離れたピークを検出し、暫定的なピークの推定結果とする。
また、信号分析部１１ｃは、心拍成分として特定した信号において、設定された時間（例えば、０．７［ｓ］）以上離れたピークを検出し、暫定的なピークの推定結果とする。
図１０は、心拍成分として特定された信号において、暫定的なピークが推定された結果を示す模式図である。なお、図１０において、暫定的なピークとして推定された箇所は、丸印で示されている。
そして、信号分析部１１ｃは、心拍成分として特定された信号において、推定された暫定的なピークに基づいて、心拍のピークを特定するためのテンプレートを生成する。
具体的には、信号分析部１１ｃは、推定された暫定的なピークを中心に、設定された前後の時間（例えば、０．４［ｓ］）の信号を抽出し、加算平均処理を行う。加算平均処理を行うことにより、ノイズ成分を除去すると共に、典型的な波形を生成することができる。
そして、信号分析部１１ｃは、心拍成分として特定された信号において、推定された暫定的なピークに基づいて、心拍のピークを特定するためのテンプレートを生成する。
具体的には、信号分析部１１ｃは、推定された暫定的なピークを中心に、設定された前後の時間（例えば、０．４［ｓ］）の信号を抽出し、加算平均処理を行う。加算平均処理を行うことにより、ノイズ成分を除去すると共に、典型的な波形を生成することができる。
図１１は、心拍のピークを特定するためのテンプレートが生成される概念を示す模式図である。
図１１に示すように、心拍のピークを特定するためのテンプレートが生成される場合、心拍成分として特定された信号において、推定された暫定的なピークを中心に、設定された前後の時間（例えば、０．４［ｓ］）の信号が抽出される。そして、抽出した複数の信号を加算平均処理すると、１つの信号が生成される。この信号は、抽出された複数の信号の典型的な波形を示すものとなっている。
図１１に示すように、心拍のピークを特定するためのテンプレートが生成される場合、心拍成分として特定された信号において、推定された暫定的なピークを中心に、設定された前後の時間（例えば、０．４［ｓ］）の信号が抽出される。そして、抽出した複数の信号を加算平均処理すると、１つの信号が生成される。この信号は、抽出された複数の信号の典型的な波形を示すものとなっている。
次に、信号分析部１１ｃは、生成したテンプレートを用いて、心拍成分として特定した信号のテンプレートマッチングを行い、心拍のピークを特定する。
具体的には、信号分析部１１ｃは、生成したテンプレートと心拍成分として特定した信号との相互相関関数を算出する。
具体的には、信号分析部１１ｃは、生成したテンプレートと心拍成分として特定した信号との相互相関関数を算出する。
図１２は、生成したテンプレートと心拍成分として特定した信号との相互相関関数を示す模式図である。
図１２に示す相互相関関数は、生成したテンプレートと心拍成分として特定した信号との一致度合いが高いほど、大きい値を示すものとなっている。
また、信号分析部１１ｃは、相互相関関数におけるピークを心拍のピークとし、心拍間隔を算出（推定）する。
図１２に示す相互相関関数は、生成したテンプレートと心拍成分として特定した信号との一致度合いが高いほど、大きい値を示すものとなっている。
また、信号分析部１１ｃは、相互相関関数におけるピークを心拍のピークとし、心拍間隔を算出（推定）する。
図１３は、相互相関関数においてピークが特定される概念を示す模式図である。また、図１４は、図１３に示す相互相関関数から特定されたピーク間隔（心拍間隔）と、相互相関関数に対応する信号波形におけるゴールドスタンダード（標準基準）のピーク間隔（心拍間隔）とを示す模式図である。なお、図１３において、ピークとして特定された箇所は、丸印で示されている。
図１４に示すように、図１３に示す相互相関関数から特定されたピーク間隔（心拍間隔）は、相互相関関数に対応する信号波形におけるゴールドスタンダード（標準基準）のピーク間隔（心拍間隔）と一定の割合で一致していることがわかる。
図１４に示すように、図１３に示す相互相関関数から特定されたピーク間隔（心拍間隔）は、相互相関関数に対応する信号波形におけるゴールドスタンダード（標準基準）のピーク間隔（心拍間隔）と一定の割合で一致していることがわかる。
［動作］
次に、生体情報モニタリングシステム１の動作を説明する。
図１５は、生体情報モニタリングシステム１が実行する心拍間隔推定処理の流れを説明するフローチャートである。
心拍間隔推定処理は、入力部１４を介して、心拍間隔推定処理の実行が指示入力されることに対応して開始される。
次に、生体情報モニタリングシステム１の動作を説明する。
図１５は、生体情報モニタリングシステム１が実行する心拍間隔推定処理の流れを説明するフローチャートである。
心拍間隔推定処理は、入力部１４を介して、心拍間隔推定処理の実行が指示入力されることに対応して開始される。
心拍間隔推定処理が開始されると、ステップＳ１１において、データ取得部１１ａは、センサ部１８ａ～１８ｄの出力信号を取得（受信）する。このとき取得されたセンサ部１８ａ～１８ｄの出力信号のデータ（ＢＣＧデータ）は、時間と対応付けて記憶部１６に記憶される。
ステップＳ１２において、前処理部１１ｂは、センサ部１８ａ～１８ｄの出力信号の波形に対し、信号分析部１１ｃにおける分析を行うための前処理を実行する。具体的には、前処理部１１ｂは、センサ部１８ａ～１８ｄの出力信号の波形に対し、バンドパスフィルタ（１～８．５［Ｈｚ］の信号波形を透過させるバンドパスフィルタ）によるフィルタ処理を実行する。
ステップＳ１２において、前処理部１１ｂは、センサ部１８ａ～１８ｄの出力信号の波形に対し、信号分析部１１ｃにおける分析を行うための前処理を実行する。具体的には、前処理部１１ｂは、センサ部１８ａ～１８ｄの出力信号の波形に対し、バンドパスフィルタ（１～８．５［Ｈｚ］の信号波形を透過させるバンドパスフィルタ）によるフィルタ処理を実行する。
ステップＳ１３において、信号分析部１１ｃは、前処理部１１ｂによって処理されたセンサ部１８ａ～１８ｄの出力信号の波形に対し、独立成分分析（ＩＣＡ）による信号分離を行う。このとき、分離された信号のうち、尖度が最小のものが心拍成分として特定され、心拍間隔の推定に利用される。
ステップＳ１４において、信号分析部１１ｃは、心拍成分として特定した信号において、設定された時間（例えば、０．７［ｓ］）以上離れたピークを検出し、暫定的なピークの推定結果とする。
ステップＳ１５において、信号分析部１１ｃは、心拍成分として特定された信号において、推定された暫定的なピークに基づいて、心拍のピークを特定するためのテンプレートを生成する。
ステップＳ１４において、信号分析部１１ｃは、心拍成分として特定した信号において、設定された時間（例えば、０．７［ｓ］）以上離れたピークを検出し、暫定的なピークの推定結果とする。
ステップＳ１５において、信号分析部１１ｃは、心拍成分として特定された信号において、推定された暫定的なピークに基づいて、心拍のピークを特定するためのテンプレートを生成する。
ステップＳ１６において、信号分析部１１ｃは、生成したテンプレートを用いて、心拍成分として特定した信号のテンプレートマッチングを行う。このとき、信号分析部１１ｃは、生成したテンプレートと心拍成分として特定した信号との相互相関関数を算出する。
ステップＳ１７において、信号分析部１１ｃは、心拍のピークを特定する。このとき、信号分析部１１ｃは、相互相関関数におけるピークを心拍のピークとする。
ステップＳ１８において、信号分析部１１ｃは、特定した心拍のピークから心拍間隔を算出（推定）する。ステップＳ１８における処理結果（特定された心拍のピークのデータあるいは心拍間隔のデータ等）は、記憶部１６に記憶される。
ステップＳ１８の後、心拍間隔推定処理は終了する。
ステップＳ１７において、信号分析部１１ｃは、心拍のピークを特定する。このとき、信号分析部１１ｃは、相互相関関数におけるピークを心拍のピークとする。
ステップＳ１８において、信号分析部１１ｃは、特定した心拍のピークから心拍間隔を算出（推定）する。ステップＳ１８における処理結果（特定された心拍のピークのデータあるいは心拍間隔のデータ等）は、記憶部１６に記憶される。
ステップＳ１８の後、心拍間隔推定処理は終了する。
これにより、独立成分分析（ＩＣＡ）により信号分離して取得された心拍成分の信号から、心拍のピークを特定するためのテンプレートを生成し、生成したテンプレートと心拍成分として特定した信号との相互相関関数に基づいて、心拍のピークを推定することができる。
［効果の検証］
次に、本実施形態における効果を検証する。
図１６は、各種信号から推定された心拍のピークの正解率と本実施形態の手法により推定された心拍のピークとの比較結果を示す図である。図１６においては、３９名分のデータを比較した結果を示している。なお、心拍のピークの正解率は、被検者の身体において脈波を直接測定して特定される心拍のピークを正解として、推定された心拍のピークが正解と一致する割合を示している。
図１６に示すように、信号間の比較においては、独立成分分析（ＩＣＡ）により推定した結果（正解率約８０［％］）の方が、他の信号から推定した場合の結果よりも高い正解率を示している。
次に、本実施形態における効果を検証する。
図１６は、各種信号から推定された心拍のピークの正解率と本実施形態の手法により推定された心拍のピークとの比較結果を示す図である。図１６においては、３９名分のデータを比較した結果を示している。なお、心拍のピークの正解率は、被検者の身体において脈波を直接測定して特定される心拍のピークを正解として、推定された心拍のピークが正解と一致する割合を示している。
図１６に示すように、信号間の比較においては、独立成分分析（ＩＣＡ）により推定した結果（正解率約８０［％］）の方が、他の信号から推定した場合の結果よりも高い正解率を示している。
また、就寝姿勢の比較においては、独立成分分析（ＩＣＡ）により推定した結果以外では、仰臥位に対して側臥位（右半身が上）及び側臥位（左半身が上）の正解率が低くなっているものの、独立成分分析（ＩＣＡ）により推定した結果では、いずれの就寝姿勢も同等の正解率をなっている。即ち、独立成分分析（ＩＣＡ）により推定した結果では、波形の乱れを補正し、より高い精度で心拍のピークを推定できたことがわかる。
また、ベッドにおける就寝位置やベッドにおける身体の向きを異ならせて行った検証においても、本実施形態における推定手法では、約８０［％］の正解率が確保され、より高い精度で心拍のピークを推定できることがわかった。
したがって、本実施形態における生体情報モニタリングシステム１によれば、被検者の生体情報をより高精度に測定することができる。
また、ベッドにおける就寝位置やベッドにおける身体の向きを異ならせて行った検証においても、本実施形態における推定手法では、約８０［％］の正解率が確保され、より高い精度で心拍のピークを推定できることがわかった。
したがって、本実施形態における生体情報モニタリングシステム１によれば、被検者の生体情報をより高精度に測定することができる。
［第３実施形態］
次に、本発明の第３実施形態に係る生体情報モニタリングシステム１について説明する。
本実施形態に係る生体情報モニタリングシステム１のシステム構成は、第１実施形態の図１に示すシステム構成とほぼ同様である。
ただし、本実施形態における生体情報モニタリングシステム１においては、データ取得部１１ａ、前処理部１１ｂ及び信号分析部１１ｃの構成が第１実施形態と異なっているため、以下、主としてデータ取得部１１ａ、前処理部１１ｂ及び信号分析部１１ｃについて説明する。
次に、本発明の第３実施形態に係る生体情報モニタリングシステム１について説明する。
本実施形態に係る生体情報モニタリングシステム１のシステム構成は、第１実施形態の図１に示すシステム構成とほぼ同様である。
ただし、本実施形態における生体情報モニタリングシステム１においては、データ取得部１１ａ、前処理部１１ｂ及び信号分析部１１ｃの構成が第１実施形態と異なっているため、以下、主としてデータ取得部１１ａ、前処理部１１ｂ及び信号分析部１１ｃについて説明する。
データ取得部１１ａは、センサ部１８ａ～１８ｄの出力信号を取得（受信）し、ベッドの対角に位置する脚に設置されたセンサの出力信号の一方を位相反転する。ここでは、センサ部１８ｃ，１８ｄの出力信号を位相反転するものとする。そして、データ取得部１１ａは、センサ部１８ａ，１８ｂの出力信号及び位相反転したセンサ部１８ｃ，１８ｄの出力信号のデータを時間と対応付けて記憶部１６に記憶する。ベッドの脚に設置されたセンサの出力信号は、ベッドの対角位置に設置されたセンサの出力信号間で位相が反転する傾向がある。そこで、本実施形態においては、センサ部１８ｃ，１８ｄの出力信号を位相反転し、センサ部１８ａ，１８ｂの出力信号との相関性を高めた状態で記憶することとしている。
前処理部１１ｂは、センサ部１８ａ～１８ｄの出力信号の波形に対し、信号分析部１１ｃにおける分析を行うための前処理を実行する。本実施形態において、前処理部１１ｂは、センサ部１８ａ～１８ｄの出力信号の波形に対し、バンドパスフィルタ（具体的には、３～９［Ｈｚ］の信号波形を透過させるバンドパスフィルタ）によるフィルタ処理を実行する。さらに、前処理部１１ｂは、フィルタ処理後の信号に対し、標準化処理（ここでは、Ｚ－ｓｃｏｒｅによる標準化処理とする）を実行する。標準化処理を行うことにより、閾値を設定して、体動による変動を含む区間のデータを除去することができる。
信号分析部１１ｃは、センサ部１８ａ～１８ｄの出力信号の波形における解析区間を抽出する。このとき、信号分析部１１ｃは、２周期分の波形を含む区間ｗｉ［ｖ］（ｉは整数）を抽出すると共に、区間の中心をΔｔ＝０．２［ｓ］ずつずらして解析区間を抽出する。ただし、ｖはサンプル数（時間要素）を表し、ｗｉ［ｖ］はサンプルｖの関数として表された信号ｗ［ｖ］におけるｉ番目の区間信号を表している。
図１７は、抽出された解析区間（２周期分の波形）を示す模式図である。
図１７においては、サンプル数ｖを横軸、標準化処理後の波形ｗｉを縦軸として、３００サンプルを１周期とした２周期分が抽出された状態を示している。
また、信号分析部１１ｃは、抽出された解析区間の信号から心拍間隔の推定を行う。具体的には、信号分析部１１ｃは、類似する波形パターンの出現間隔を推定（ピッチトラッキング）する。
図１７においては、サンプル数ｖを横軸、標準化処理後の波形ｗｉを縦軸として、３００サンプルを１周期とした２周期分が抽出された状態を示している。
また、信号分析部１１ｃは、抽出された解析区間の信号から心拍間隔の推定を行う。具体的には、信号分析部１１ｃは、類似する波形パターンの出現間隔を推定（ピッチトラッキング）する。
ピッチトラッキングでは、所定の周期Ｎを仮定した相関の度合いが取得される。具体的には、ピッチトラッキングでは、類似する波形パターンの出現間隔を推定するための相関指標が算出される。なお、相関指標の算出範囲には、最小周期及び最大周期が設定される。最小周期として、例えば、０．６［ｓ］（１２０サンプル）を設定し、最大周期として、例えば、１．５［ｓ］（３００サンプル）を設定することができる。
類似する波形パターンの出現間隔を推定するための相関指標として、例えば、以下の３つの指標を用いることができる。
（１）信号の自己相関関数
信号分析部１１ｃは、抽出された解析区間の信号における自己相関関数を相関指標として算出する。所定の周期Ｎを仮定した自己相関関数ＳＣｏｒｒ［Ｎ］は、以下の式（１）で表すことができる。
（１）信号の自己相関関数
信号分析部１１ｃは、抽出された解析区間の信号における自己相関関数を相関指標として算出する。所定の周期Ｎを仮定した自己相関関数ＳＣｏｒｒ［Ｎ］は、以下の式（１）で表すことができる。
（２）振幅差の平均
信号分析部１１ｃは、抽出された解析区間の信号における振幅差の平均を相関指標として算出する。所定の周期Ｎを仮定した振幅差の平均ＳＡＭＤＦ［Ｎ］は、以下の式（２）で表すことができる。
信号分析部１１ｃは、抽出された解析区間の信号における振幅差の平均を相関指標として算出する。所定の周期Ｎを仮定した振幅差の平均ＳＡＭＤＦ［Ｎ］は、以下の式（２）で表すことができる。
（３）振幅の和の最大値
信号分析部１１ｃは、抽出された解析区間の信号における振幅の和の最大値を相関指標として算出する。この場合、まず、１次微分した信号の自己エントロピーｗｓｅ［ｎ］が算出される。１次微分した信号の自己エントロピーｗｓｅ［ｎ］は、以下の式（３）で表すことができる。
ただし、式（３）において、ｎはサンプル数（時間要素）を表している。
信号分析部１１ｃは、抽出された解析区間の信号における振幅の和の最大値を相関指標として算出する。この場合、まず、１次微分した信号の自己エントロピーｗｓｅ［ｎ］が算出される。１次微分した信号の自己エントロピーｗｓｅ［ｎ］は、以下の式（３）で表すことができる。
次に、信号分析部１１ｃは、１次微分した信号の自己エントロピーｗｓｅ［ｎ］に対し、ピークの抽出及び平滑化処理を行う。
ピークを抽出することで、心拍のタイミングが強調され、エントロピー化した信号における最大振幅が取得される。
ピークを抽出することで、心拍のタイミングが強調され、エントロピー化した信号における最大振幅が取得される。
さらに、信号分析部１１ｃは、所定の周期Ｎを仮定した振幅の和の最大値ｗｓｅ［ｎ］を算出する。所定の周期Ｎを仮定した振幅の和の最大値ＳＭＡＰ［Ｎ］は、以下の式（４）で表すことができる。
そして、信号分析部１１ｃは、算出した３つの相関指標を統合する。具体的には、信号分析部１１ｃは、算出した３つの相関指標を基に、想定した所定の周期Ｎが心拍間隔である確率を算出する。
即ち、信号分析部１１ｃは、自己相関関数ＳＣｏｒｒ［Ｎ］、振幅差の平均ＳＡＭＤＦ［Ｎ］及び振幅の和の最大値ＳＭＡＰ［Ｎ］を要素として、事後確率密度関数への変換を行う。ここでは、ベイズの定理による尤もらしいＮを以下の式（５）によって算出する。
ただし、式（５）において、ｐは条件付き確率を表している。
即ち、信号分析部１１ｃは、自己相関関数ＳＣｏｒｒ［Ｎ］、振幅差の平均ＳＡＭＤＦ［Ｎ］及び振幅の和の最大値ＳＭＡＰ［Ｎ］を要素として、事後確率密度関数への変換を行う。ここでは、ベイズの定理による尤もらしいＮを以下の式（５）によって算出する。
次に、信号分析部１１ｃは、独立成分分析（ＩＣＡ）を実行し、自己相関関数ＳＣｏｒｒ［Ｎ］、振幅差の平均ＳＡＭＤＦ［Ｎ］及び振幅の和の最大値ＳＭＡＰ［Ｎ］を要素とする条件付き確率ｐ（Ｎ｜ＳＣｏｒｒ）、ｐ（Ｎ｜ＳＡＭＤＦ）及びｐ（Ｎ｜ＳＭＡＰ）で表される多次元データＮｉの信号分離を行う。この結果、多次元データＮｉにおける精度の低い区間と精度の高い区間とが分離される。そして、信号分析部１１ｃは、精度の低い区間において、再度、心拍間隔の推定を行う。
そして、信号分析部１１ｃは、心拍間隔の従前の推定結果と、再度の推定結果とを統合し、最大の精度を与える周期Ｎを心拍間隔の推定結果として採用する。このとき、信号分析部１１ｃは、振幅の和の最大値による心電図上のＪ波位置を基に、最大の精度を与える周期Ｎを心拍間隔の推定結果として採用する。
［動作］
次に、生体情報モニタリングシステム１の動作を説明する。
図１８は、生体情報モニタリングシステム１が実行する心拍間隔推定処理の流れを説明するフローチャートである。
心拍間隔推定処理は、入力部１４を介して、心拍間隔推定処理の実行が指示入力されることに対応して開始される。
次に、生体情報モニタリングシステム１の動作を説明する。
図１８は、生体情報モニタリングシステム１が実行する心拍間隔推定処理の流れを説明するフローチャートである。
心拍間隔推定処理は、入力部１４を介して、心拍間隔推定処理の実行が指示入力されることに対応して開始される。
心拍間隔推定処理が開始されると、ステップＳ２１において、データ取得部１１ａは、センサ部１８ａ～１８ｄの出力信号を取得（受信）し、ベッドの対角に位置する脚に設置されたセンサの出力信号の一方を位相反転する。ここでは、センサ部１８ｃ，１８ｄの出力信号が位相反転される。センサ部１８ａ，１８ｂの出力信号及び位相反転されたセンサ部１８ｃ，１８ｄの出力信号のデータは、時間と対応付けて記憶部１６に記憶される。
ステップＳ２２において、前処理部１１ｂは、センサ部１８ａ～１８ｄの出力信号の波形に対し、信号分析部１１ｃにおける分析を行うための前処理を実行する。具体的には、前処理部１１ｂは、センサ部１８ａ～１８ｄの出力信号の波形に対し、バンドパスフィルタ（３～９［Ｈｚ］の信号波形を透過させるバンドパスフィルタ）によるフィルタ処理を実行する。さらに、前処理部１１ｂは、フィルタ処理後の信号に対し、標準化処理（Ｚ－ｓｃｏｒｅによる標準化処理）を実行する。標準化処理後の信号に対し、閾値を設定して、体動による変動を含む区間のデータを除去する。
ステップＳ２３において、信号分析部１１ｃは、センサ部１８ａ～１８ｄの出力信号の波形における解析区間を抽出する。
ステップＳ２３において、信号分析部１１ｃは、センサ部１８ａ～１８ｄの出力信号の波形における解析区間を抽出する。
ステップＳ２４において、信号分析部１１ｃは、抽出された解析区間の信号から心拍間隔の推定を行う。具体的には、信号分析部１１ｃは、類似する波形パターンの出現間隔を推定（ピッチトラッキング）する。ピッチトラッキングでは、類似する波形パターンの出現間隔を推定するための相関指標（自己相関関数ＳＣｏｒｒ［Ｎ］、振幅差の平均ＳＡＭＤＦ［Ｎ］及び振幅の和の最大値ＳＭＡＰ［Ｎ］）が算出され、これらを要素として、ベイズの定理による尤もらしいＮが算出される（式（５）参照）。
ステップＳ２５において、信号分析部１１ｃは、推定結果の精度が低い（予め定めた閾値よりもＮが心拍間隔を表す確率が低い）区間を対象として、心拍間隔の推定結果を修正する。即ち、信号分析部１１ｃは、独立成分分析（ＩＣＡ）を実行し、自己相関関数ＳＣｏｒｒ［Ｎ］、振幅差の平均ＳＡＭＤＦ［Ｎ］及び振幅の和の最大値ＳＭＡＰ［Ｎ］を要素とする条件付き確率ｐ（Ｎ｜ＳＣｏｒｒ）、ｐ（Ｎ｜ＳＡＭＤＦ）及びｐ（Ｎ｜ＳＭＡＰ）で表される多次元データＮｉの信号分離を行う。この結果、多次元データＮｉにおける精度の低い区間と精度の高い区間とが分離される。そして、信号分析部１１ｃは、精度の低い区間において、再度、心拍間隔の推定を行う。さらに、信号分析部１１ｃは、心拍間隔の従前の推定結果と、再度の推定結果とを統合し、最大の精度を与える周期Ｎを心拍間隔の推定結果として採用する。
ステップＳ２５の後、心拍間隔推定処理は終了する。
ステップＳ２５の後、心拍間隔推定処理は終了する。
これにより、センサ部１８ａ～１８ｄの出力信号の波形において、ベッドの対角に位置する脚に設置されたセンサの出力信号の一方を位相反転し、類似する波形パターンの出現間隔を推定することにより、心拍間隔を推定することができる。
したがって、本実施形態における生体情報モニタリングシステム１によれば、被検者の生体情報をより高精度に測定することができる。
したがって、本実施形態における生体情報モニタリングシステム１によれば、被検者の生体情報をより高精度に測定することができる。
以上のように、本実施形態に係る生体情報モニタリングシステム１は、データ取得部１１ａと、信号分析部１１ｃとを含む。
データ取得部１１ａは、被検者を支持する部材に設置され、力学的な物理量（例えば、荷重）を検出する複数のセンサから、物理量を示す信号を取得する。
信号分析部１１ｃは、データ取得部１１ａによって取得された物理量を示す信号のピークに基づいて、部材に支持された被検者における心拍に関する生体情報を取得する。
これにより、身体に機器を設置することなく、ベッドの脚において検出された信号を基に、被検者の動きや姿勢等に対して頑健に、生体情報（心拍変動）を取得することができる。
したがって、本実施形態における生体情報モニタリングシステムによれば、被検者の生体情報をより高精度に測定することができる。
データ取得部１１ａは、被検者を支持する部材に設置され、力学的な物理量（例えば、荷重）を検出する複数のセンサから、物理量を示す信号を取得する。
信号分析部１１ｃは、データ取得部１１ａによって取得された物理量を示す信号のピークに基づいて、部材に支持された被検者における心拍に関する生体情報を取得する。
これにより、身体に機器を設置することなく、ベッドの脚において検出された信号を基に、被検者の動きや姿勢等に対して頑健に、生体情報（心拍変動）を取得することができる。
したがって、本実施形態における生体情報モニタリングシステムによれば、被検者の生体情報をより高精度に測定することができる。
信号分析部１１ｃは、物理量を示す信号のピークの波形に関する特徴量を抽出し、特徴量に基づいて分類することにより、物理量を示す信号のピークから心拍のピークを特定し、特定した心拍のピークに基づいて、心拍に関する生体情報を取得する。
これにより、クラスタリング等の分類を行うことにより、物理量を示す信号のピークから、簡単に心拍のピークを特定することができる。
これにより、クラスタリング等の分類を行うことにより、物理量を示す信号のピークから、簡単に心拍のピークを特定することができる。
信号分析部１１ｃは、物理量を示す信号に対して成分分析処理を行うことにより信号分離し、分離された信号の中から心拍成分を特定し、当該特定された心拍成分のピークを基に生成されたテンプレートと、当該特定された心拍成分とのマッチング結果に基づいて、心拍に関する生体情報を取得する。
これにより、物理量を示す信号に含まれる心拍成分を分離して得られるテンプレートを用いて、より正確に心拍に関する生体情報を取得することができる。
これにより、物理量を示す信号に含まれる心拍成分を分離して得られるテンプレートを用いて、より正確に心拍に関する生体情報を取得することができる。
信号分析部１１ｃは、テンプレートと、特定された心拍成分との相関関数のピークに基づいて、心拍に関する生体情報を取得する。
これにより、明確な指標によって、心拍に関する生体情報を取得することが可能となる。
これにより、明確な指標によって、心拍に関する生体情報を取得することが可能となる。
データ取得部１１ａは、複数のセンサから取得した物理量を示す信号のうち、少なくともいずれかを位相反転する。
信号分析部１１ｃは、データ取得部１１ａの処理結果である物理量を示す信号から解析対象とする区間を抽出し、類似する波形の出現間隔を推定することにより、心拍に関する生体情報を取得する。
これにより、複数のセンサから取得した物理量を示す信号の相関性を高めた状態として、類似する波形の出現間隔を推定することができるため、より正確に心拍に関する生体情報を取得することが可能となる。
信号分析部１１ｃは、データ取得部１１ａの処理結果である物理量を示す信号から解析対象とする区間を抽出し、類似する波形の出現間隔を推定することにより、心拍に関する生体情報を取得する。
これにより、複数のセンサから取得した物理量を示す信号の相関性を高めた状態として、類似する波形の出現間隔を推定することができるため、より正確に心拍に関する生体情報を取得することが可能となる。
信号分析部１１ｃは、類似する波形の出現間隔を推定するための複数の相関指標を算出し、算出した複数の相関指標に基づいて、推定された出現間隔が心拍間隔を表す確率を算出することにより、心拍に関する生体情報を取得する。
これにより、多様な指標によって、テンプレートと、特定された心拍成分との相関性を判定することができるため、より正確に心拍に関する生体情報を取得することが可能となる。
これにより、多様な指標によって、テンプレートと、特定された心拍成分との相関性を判定することができるため、より正確に心拍に関する生体情報を取得することが可能となる。
信号分析部１１ｃは、推定された出現間隔が心拍間隔を表す確率が設定された閾値よりも低い区間について、類似する波形の出現間隔の推定を再実行する。
これにより、心拍間隔の推定精度が低い区間において、心拍間隔の推定精度をより高めることが可能となる。
これにより、心拍間隔の推定精度が低い区間において、心拍間隔の推定精度をより高めることが可能となる。
なお、本発明は、本発明の効果を奏する範囲で変形、改良等を適宜行うことができ、上述の実施形態に限定されない。
例えば、上述の実施形態において、被検者における心拍に関する生体情報として、心拍間隔を取得するものとして説明したが、これに限られない。一例として、本発明に係る生体情報モニタリングシステム１において、心拍数、心拍の速さ、心拍の規則性等、心拍に関する種々の生体情報を取得することが可能である。
例えば、上述の実施形態において、被検者における心拍に関する生体情報として、心拍間隔を取得するものとして説明したが、これに限られない。一例として、本発明に係る生体情報モニタリングシステム１において、心拍数、心拍の速さ、心拍の規則性等、心拍に関する種々の生体情報を取得することが可能である。
また、上述の実施形態において、センサ部１８ａ～１８ｄをベッドの脚に設置するものとして説明したが、これに限られない。即ち、被検者の心拍による力学的な影響（物理量）を検出できれば、直接的または間接的に被検者を支持する部材（椅子、ソファ、診察台等の各種器材の支持部、被検者の体重が作用する床面、床材内あるいは床下等）にセンサを設置することで、本発明を実施することが可能である。
また、上述の実施形態において、センサ部１８ａ～１８ｄとして、荷重センサ、加速度センサ等を例に挙げて説明したが、変位センサ、速度センサ等、被検者を支持する部材の位置に関する情報を取得する各種センサや、被検者によって直接的または間接的に押圧されるエアバッグの空気圧等、被検者を支持する部材の力に関する情報を取得する各種センサを採用することができる。
また、上述の実施形態において、センサ部１８ａ～１８ｄとして、荷重センサ、加速度センサ等を例に挙げて説明したが、変位センサ、速度センサ等、被検者を支持する部材の位置に関する情報を取得する各種センサや、被検者によって直接的または間接的に押圧されるエアバッグの空気圧等、被検者を支持する部材の力に関する情報を取得する各種センサを採用することができる。
また、上述の実施形態において用いた各種手法は一例を示すものであり、同様の目的を達成することができるものであれば、他の手法を用いることが可能である。例えば、第１実施形態において、ｋ－ｍｅａｎｓクラスタリングを用いて特徴量を分類することとしたが、データを分類できる手法であれば、他の分類手法を用いることも可能である。同様に、第２実施形態において、独立成分分析（ＩＣＡ）によって信号分離を行うこととしたが、多次元の信号を分離することができるものであれば、他の分析手法を用いることも可能である。同様に、第３実施形態において、類似する波形パターンの出現間隔を推定するための相関指標として、信号の自己相関関数、振幅差の平均及び振幅の和の最大値を用いることとしたが、信号の相関性を表す指標であれば、他の指標を用いることも可能である。
また、上述の実施形態に記載された例を適宜組み合わせて、本発明を実施することが可能である。
また、上述の実施形態に記載された例を適宜組み合わせて、本発明を実施することが可能である。
上述した一連の処理は、ハードウェアにより実行させることもできるし、ソフトウェアにより実行させることもできる。
換言すると、上述の実施形態における機能的構成は例示に過ぎず、特に限定されない。即ち、上述した一連の処理を全体として実行できる機能が生体情報モニタリングシステム１を構成するいずれかのコンピュータに備えられていれば足り、この機能を実現するためにどのような機能ブロックを用いるのかは特に示した例に限定されない。
また、１つの機能ブロックは、ハードウェア単体で構成してもよいし、ソフトウェア単体で構成してもよいし、それらの組み合わせで構成してもよい。
換言すると、上述の実施形態における機能的構成は例示に過ぎず、特に限定されない。即ち、上述した一連の処理を全体として実行できる機能が生体情報モニタリングシステム１を構成するいずれかのコンピュータに備えられていれば足り、この機能を実現するためにどのような機能ブロックを用いるのかは特に示した例に限定されない。
また、１つの機能ブロックは、ハードウェア単体で構成してもよいし、ソフトウェア単体で構成してもよいし、それらの組み合わせで構成してもよい。
また、上述した一連の処理を実行するためのプログラムを含む記録媒体は、ユーザにプログラムを提供するために装置本体とは別に配布されるリムーバブルメディアにより構成されるだけでなく、装置本体に予め組み込まれた状態でユーザに提供される記録媒体等で構成される。
なお、上記実施形態は、本発明を適用した一例を示しており、本発明の技術的範囲を限定するものではない。即ち、本発明は、本発明の要旨を逸脱しない範囲で、省略や置換等種々の変更を行うことができ、上記実施形態以外の各種実施形態を取ることが可能である。本発明が取ることができる各種実施形態及びその変形は、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 生体情報モニタリングシステム、１１ ＣＰＵ、１１ａ データ取得部、１１ｂ 前処理部、１１ｃ 信号分析部、１２ ＲＯＭ、１３ ＲＡＭ、１４ 入力部、１５ 表示部、１６ 記憶部、１７ 通信部、１８ａ～１８ｄ センサ部、１９ 撮像部
Claims (9)
- 被検者を支持する部材に設置され、力学的な物理量を検出する複数のセンサから、前記物理量を示す信号を取得する物理量取得手段と、
前記物理量取得手段によって取得された前記物理量を示す信号のピークに基づいて、前記部材に支持された被検者における心拍に関する生体情報を取得する信号分析手段と、
を備えることを特徴とする生体情報モニタリングシステム。 - 前記信号分析手段は、前記物理量を示す信号のピークの波形に関する特徴量を抽出し、前記特徴量に基づいて分類することにより、前記物理量を示す信号のピークから心拍のピークを特定し、特定した前記心拍のピークに基づいて、前記心拍に関する生体情報を取得することを特徴とする請求項１に記載の生体情報モニタリングシステム。
- 前記信号分析手段は、前記物理量を示す信号に対して成分分析処理を行うことにより信号分離し、分離された信号の中から心拍成分を特定し、当該特定された心拍成分のピークを基に生成されたテンプレートと、当該特定された心拍成分とのマッチング結果に基づいて、前記心拍に関する生体情報を取得することを特徴とする請求項１に記載の生体情報モニタリングシステム。
- 前記信号分析手段は、前記テンプレートと、前記特定された心拍成分との相関関数のピークに基づいて、前記心拍に関する生体情報を取得することを特徴とする請求項３に記載の生体情報モニタリングシステム。
- 前記物理量取得手段は、前記複数のセンサから取得した前記物理量を示す信号のうち、少なくともいずれかを位相反転し、
前記信号分析手段は、前記物理量取得手段の処理結果である前記物理量を示す信号から解析対象とする区間を抽出し、類似する波形の出現間隔を推定することにより、前記心拍に関する生体情報を取得することを特徴とする請求項１に記載の生体情報モニタリングシステム。 - 前記信号分析手段は、前記類似する波形の出現間隔を推定するための複数の相関指標を算出し、算出した前記複数の相関指標に基づいて、推定された前記出現間隔が心拍間隔を表す確率を算出することにより、前記心拍に関する生体情報を取得することを特徴とする請求項５に記載の生体情報モニタリングシステム。
- 前記信号分析手段は、推定された前記出現間隔が心拍間隔を表す確率が設定された閾値よりも低い区間について、前記類似する波形の出現間隔の推定を再実行することを特徴とする請求項６に記載の生体情報モニタリングシステム。
- 被検者を支持する部材に設置され、力学的な物理量を検出する複数のセンサから、前記物理量を示す信号を取得する物理量取得ステップと、
前記物理量取得ステップにおいて取得された前記物理量を示す信号のピークに基づいて、前記部材に支持された被検者における心拍に関する生体情報を取得する信号分析ステップと、
を含むことを特徴とする生体情報モニタリング方法。 - コンピュータに、
被検者を支持する部材に設置され、力学的な物理量を検出する複数のセンサから、前記物理量を示す信号を取得する物理量取得機能と、
前記物理量取得機能によって取得された前記物理量を示す信号のピークに基づいて、前記部材に支持された被検者における心拍に関する生体情報を取得する信号分析機能と、
を実現させることを特徴とするプログラム。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2020135363A JP2022031000A (ja) | 2020-08-07 | 2020-08-07 | 生体情報モニタリングシステム、生体情報モニタリング方法及びプログラム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2020135363A JP2022031000A (ja) | 2020-08-07 | 2020-08-07 | 生体情報モニタリングシステム、生体情報モニタリング方法及びプログラム |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2022031000A true JP2022031000A (ja) | 2022-02-18 |
Family
ID=80324490
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2020135363A Pending JP2022031000A (ja) | 2020-08-07 | 2020-08-07 | 生体情報モニタリングシステム、生体情報モニタリング方法及びプログラム |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2022031000A (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114886416A (zh) * | 2022-05-07 | 2022-08-12 | 重庆邮电大学 | 一种基于心冲击图信号的心率和心动周期检测方法 |
-
2020
- 2020-08-07 JP JP2020135363A patent/JP2022031000A/ja active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114886416A (zh) * | 2022-05-07 | 2022-08-12 | 重庆邮电大学 | 一种基于心冲击图信号的心率和心动周期检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6679005B2 (ja) | 生体情報分析装置、システム、及び、プログラム | |
| US11013415B2 (en) | Hydraulic bed sensor and system for non-invasive monitoring of physiological data | |
| Bruser et al. | Automatic detection of atrial fibrillation in cardiac vibration signals | |
| JP6073919B2 (ja) | ユーザの圧受容器反射をモニタリングする方法及び装置 | |
| US20200121207A1 (en) | Method of processing a signal representing a physiological rhythm | |
| Rosales et al. | Heartbeat detection from a hydraulic bed sensor using a clustering approach | |
| EP3329845A1 (en) | Biological condition determination device and biological condition determination method | |
| JP6122188B1 (ja) | 身体状況検知装置、身体状況検知方法及びベッドシステム | |
| JP6952299B2 (ja) | 睡眠深度判定システム、睡眠深度判定装置及び睡眠深度判定方法 | |
| KR20160053718A (ko) | 주파수 분석을 이용한 심박 수 산출 방법 및 그 장치 | |
| JP2008068019A (ja) | 呼気時間を出力可能な装置および方法 | |
| Cimr et al. | Automatic detection of breathing disorder from ballistocardiography signals | |
| Adami et al. | A method for classification of movements in bed | |
| JP2022031000A (ja) | 生体情報モニタリングシステム、生体情報モニタリング方法及びプログラム | |
| TWI768999B (zh) | 生理監測系統和估計生命體徵資料的方法 | |
| JPWO2015178439A1 (ja) | 睡眠時無呼吸の中枢型／閉塞型診断支援装置および診断支援方法、ならびに睡眠時無呼吸の中枢型／閉塞型診断支援プログラムを記録したコンピュータ読み取り可能な記録媒体 | |
| Heise et al. | Unobtrusively detecting apnea and hypopnea events via a hydraulic bed sensor | |
| EP4124289A1 (en) | Device, system and method for determining health information related to the cardiovascular system of a subject | |
| US20240374150A1 (en) | Device, system and method for determining health information related to the cardio-vascular system of a subject | |
| Boiko et al. | Accelerometer based system for unobtrusive sleep apnea detection | |
| Townsend et al. | Time domain characterization of window length and type on moving variance signal features | |
| Adami et al. | Comparison of load cells and wrist-actigraphy for unobtrusive monitoring of sleep movements | |
| Gaiduk et al. | Non-invasive sleep analysis with intelligent sensors | |
| Vehkaoja | Unobtrusive Monitoring of Heart Rate and Respiration Rate during Sleep |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230727 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20240126 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240130 |
|
| A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20240327 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240530 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240903 |
|
| A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20241104 |