JP7455191B2 - 生体異常検出装置、生体異常検出方法、及び、プログラム - Google Patents

Description

本発明は、生体異常検出装置、生体異常検出方法、及び、プログラムに関する。

ウェアラブル機器で心拍数等の生体情報を計測して、生体情報に異常があるとユーザへ通知を行う技術が知られている（例えば、非特許文献１等）。

また、見守りシステムにおいて、まず、老人等の被観察者に、ナースコールボタン、人感センサ、ドップラーセンサ、心拍計、呼吸計測機、サーモカメラ、血圧計、体温計、照度計、温度計、又は、湿度計等の観察機器を接続させる。このようにして、見守りシステムは、被観察者の観察情報を取得する。そして、見守りシステムは、観察情報に基づいて緊急発報条件に合致するか否かを判断して緊急事態であると緊急発報を行う。このようなバイタル系センサを用いる見守りシステムが知られている（例えば、特許文献１等）。

"心拍数。その意味とＡｐｐｌｅ Ｗａｔｃｈ（登録商標）での表示方法"、［ｏｎｌｉｎｅ］、２０２０年０１月２１日、［令和２年３月２日検索］、インターネット〈URL:https://support.apple.com/ja-jp/HT204666〉

特開２０１７－１５１７５５号公報

本発明は、従来の技術では生体の異常を精度良く検出するのが難しいことに鑑みて、生体の異常を精度良く検出することを目的とする。

生体異常検出装置は、
心拍の周波数成分を含む第１信号を取得する信号取得部と、
前記第１信号に基づいて、前記心拍の周波数成分より高い周波数成分、及び、前記心拍の周波数成分より低い周波数成分を減衰させて第２信号を生成するフィルタ部と、
前記第２信号に基づいて、前記第２信号の周波数成分を分析した分析結果を示す周波数分析部と、
前記分析結果に基づいて、周波数帯域ごとの周波数成分のエネルギーが、前記第２信号における全体のエネルギーに対して占める割合であるエネルギー割合を算出するエネルギー割合算出部と、
前記分析結果に基づいて、周波数帯域ごとの周波数成分のエネルギーの分散値を算出する分散値算出部と、
前記エネルギー割合、及び、前記分散値のうち、いずれか一方、又は、前記エネルギー割合、及び、前記分散値の両方に基づいて、生体の異常又は正常を少なくとも検出する検出部と
を含むことを要件とする。

開示の技術によれば、生体の異常を精度良く検出できる。

第１実施形態の全体構成例を示す図である。 ドップラーレーダの例を示す図である。 生体異常検出装置の例を示す図である。 第１実施形態の全体処理例を示す図である。 第１信号の例を示す図である。 低域で異常が発生している場合の実験における分析結果を示す図である。 生体に異常が発生していない場合の実験における分析結果を示す図である。 高域で異常が発生している場合の実験における分析結果を示す図である。 異常を検出する実験結果を示す図である。 学習処理の例を示す図である。 機能構成例を示す図である。 ドップラーレーダで計測するＩＱデータの例を示す図である。

以下、発明を実施するための最適かつ最小限な形態について、図面を参照して説明する。なお、図面において、同一の符号を付す場合には、同様の構成であることを示し、重複する説明を省略する。また、図示する具体例は、例示であり、図示する以外の構成が更に含まれる構成であってもよい。

＜第１実施形態＞
例えば、生体異常検出システム１は、以下のような全体構成のシステムである。

＜全体構成例＞
図１は、第１実施形態の全体構成例を示す図である。例えば、生体異常検出システム１は、ＰＣ（Ｐｅｒｓｏｎａｌ Ｃｏｍｐｕｔｅｒ、以下「ＰＣ１０」という。）、ドップラーレーダ１２及びフィルタ１３等を有する構成である。なお、生体異常検出システム１は、図示するように、アンプ１１等を有する構成が望ましい。以下、図示する全体構成を例に説明する。

ＰＣ１０は、情報処理装置であって、生体異常検出装置の例である。また、ＰＣ１０は、アンプ１１等の周辺機器とネットワーク又はケーブル等を介して接続する。なお、アンプ１１及びフィルタ１３等は、ＰＣ１０が有する構成でもよい。また、アンプ１１及びフィルタ１３等は、装置でなく、ソフトウェアによる構成、又は、ハードウェアとソフトウェアの両方による構成でもよい。以下、図示するような生体異常検出システム１の例で説明する。

ドップラーレーダ１２は、計測装置の例である。

この例では、ＰＣ１０は、アンプ１１に接続される。また、アンプ１１は、フィルタ１３に接続される。さらに、フィルタ１３は、ドップラーレーダ１２に接続される。そして、ＰＣ１０は、アンプ１１及びフィルタ１３を介して、ドップラーレーダ１２から計測データを取得する。すなわち、計測データは、心拍等を含む生体の動作を示す信号のデータである。次に、ＰＣ１０は、取得される計測データに基づいて被験者２の心拍等を解析し、心拍数等の人体の動きを計測する。

ドップラーレーダ１２は、例えば、以下のような原理で心拍等の動作を示す信号（以下「生体信号」という。）を取得する。

＜ドップラーレーダの例＞
図２は、ドップラーレーダの例を示す図である。例えば、ドップラーレーダ１２は、図２に示すような構成の装置である。具体的には、ドップラーレーダ１２は、ソース（Ｓｏｕｒｃｅ）１２Ｓと、発信器１２Ｔｘと、受信器１２Ｒｘと、ミキサー（Ｍｉｘｅｒ）１２Ｍとを有する。また、ドップラーレーダ１２は、受信器１２Ｒｘが受信するデータのノイズを減らす等の処理を行うＬＮＡ（Ｌｏｗ Ｎｏｉｓｅ Ａｍｐｌｉｆｉｅｒ）等の調整器１２ＬＮＡを有する。

ソース１２Ｓは、発信器１２Ｔｘが発信する発信波の信号を生成する発信源である。

発信器１２Ｔｘは、被験者２に対して発信波を発信する。なお、発信波の信号は、時間「ｔ」に係る関数Ｔｘ（ｔ）で示せ、例えば、下記（１）式のように示せる。

上記（１）式では、「ω_ｃ」は、発信波の角周波数である。

そして、被験者２、すなわち、発信された信号の反射面は、時間「ｔ」において、ｘ（ｔ）の変位である場合とする。この例では、反射面は、被験者２の胸壁となる。そして、変位ｘ（ｔ）は、例えば、下記（２）式のように示せる。

上記（２）式では、「ｍ」は、変位の振幅を示す定数である。また、上記（２）式では、「ω」は、被験者２の動きによってシフトする角速度である。なお、上記（１）式と同様の変数は同じ変数である。

受信器１２Ｒｘは、発信器１２Ｔｘによって発信されて被験者２で反射した反射波を受信する。また、反射波の信号は、時間ｔに係る関数Ｒｘ（ｔ）で示せ、例えば、下記（３）式のように示せる。

上記（３）式では、「ｄ_０」は、被験者２と、ドップラーレーダ１２との距離である。また、「λ」は、信号の波長である。以下、同様に記載する。

ドップラーレーダ１２は、発信波の信号を示す関数Ｔｘ（ｔ）（上記（１）式である。）と、受信波の信号を示す関数Ｒ（ｔ）（上記（３）式である。）とをミキシングして、ドップラー信号を生成する。なお、ドップラー信号は、時間ｔに係る関数Ｂ（ｔ）で示すと、下記（４）式のように示せる。

そして、ドップラー信号の角周波数を「ω_ｄ」とすると、ドップラー信号の角周波数ω_ｄは、下記（５）式のように示せる。

また、上記（４）式及び上記（５）式における位相「θ」は、下記（６）式のように示せる。

上記（６）式では、「θ_０」は、被験者２の胸壁、すなわち、反射面における位相変位である。

次に、ドップラーレーダ１２は、発信した発信波の信号と、受信した受信波の信号とを比較した結果、すなわち、上記の式による計算結果に基づいて、被験者２の位置及び速度等が出力される。

例えば、受信波から、Ｉデータ（同相データ）及びＱデータ（直交位相データ）が生成できる。そして、Ｉデータ及びＱデータにより、被験者２の胸壁が移動した距離が検出できる。また、Ｉデータ及びＱデータが示す位相に基づいて、被験者２の胸壁が前後のどちらに動いたかが検出できる。したがって、心拍に由来する胸壁の移動が、送信波及び受信波の周波数変化を利用して、心拍等の指標を検出できる。

＜生体異常検出装置のハードウェア構成例＞
図３は、生体異常検出装置の例を示す図である。例えば、ＰＣ１０は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ、以下「ＣＰＵ１０Ｈ１」という。）と、記憶装置１０Ｈ２と、入力装置１０Ｈ３と、出力装置１０Ｈ４と、入力Ｉ／Ｆ（Ｉｎｔｅｒｆａｃｅ）（以下「入力Ｉ／Ｆ１０Ｈ５」という。）とを有する。なお、ＰＣ１０が有する各ハードウェアは、バス（Ｂｕｓ）（以下「バス１０Ｈ６」という。）で接続され、各ハードウェアの間では、バス１０Ｈ６を介して、データ等が相互に送受信される。

ＣＰＵ１０Ｈ１は、ＰＣ１０が有するハードウェアを制御する制御装置及び各種処理を実現するための演算を行う演算装置である。

記憶装置１０Ｈ２は、例えば、主記憶装置及び補助記憶装置等である。具体的には、主記憶装置は、例えば、メモリ等である。また、補助記憶装置は、例えば、ハードディスク等である。そして、記憶装置１０Ｈ２は、ＰＣ１０が用いる中間データを含むデータ及び各種処理及び制御に用いるプログラム等を記憶する。

入力装置１０Ｈ３は、ユーザの操作によって、計算に必要なパラメータ及び命令をＰＣ１０に入力するための装置である。具体的には、入力装置１０Ｈ３は、例えば、キーボード、マウス及びドライバ等である。

出力装置１０Ｈ４は、ＰＣ１０による各種処理結果及び計算結果をユーザ等に出力するための装置である。具体的には、出力装置１０Ｈ４は、例えば、ディスプレイ等である。

入力Ｉ／Ｆ１０Ｈ５は、計測装置等の外部装置と接続し、データ等を送受信するためのインタフェースである。例えば、入力Ｉ／Ｆ１０Ｈ５は、コネクタ又はアンテナ等である。すなわち、入力Ｉ／Ｆ１０Ｈ５は、ネットワーク、無線又はケーブル等を介して、外部装置とデータを送受信する。

なお、ハードウェア構成は、図示する構成に限られない。例えば、ＰＣ１０は、処理を並列、分散又は冗長して行うため、更に演算装置又は記憶装置等を有してもよい。また、ＰＣ１０は、演算、制御及び記憶を並列、分散又は冗長して行うため、他の装置とネットワーク又はケーブルを介して接続される情報処理システムでもよい。すなわち、１以上の情報処理装置を有する情報処理システムによって、本発明は実現されてもよい。

このようにして、ＰＣ１０は、ドップラーレーダ１２等の計測装置によって生体の動作を示す生体信号を取得する。なお、生体信号は、リアルタイムで随時取得されてもよいし、ある期間分の生体信号をドップラーレーダ等の装置が記憶して、その後、ＰＣ１０がまとめて取得してもよい。また、取得は、記録媒体等を用いてもよい。さらに、ＰＣ１０は、ドップラーレーダ１２等の計測装置を有し、ＰＣ１０がドップラーレーダ１２等の計測装置で計測して生体信号を生成して、生体信号を取得する構成でもよい。

＜全体処理例＞
図４は、全体処理例を示す図である。例えば、以下に説明する全体処理は、時間の窓（例えば、６０秒のようにあらかじめ設定される。）ごとに実行される。

（第１信号の取得例）
ステップＳ１０１では、ＰＣ１０は、第１信号を取得する。例えば、第１信号は、以下のような信号である。

図５は、第１信号の例を示す図である。図では、横軸が計測した時点を示す時間である。一方で、縦軸がドップラーレーダの計測結果に基づいて推定される電力である。

以下、図示するような心拍の周波数成分を含む生体信号を「第１信号」という。

（バンドパスフィルタ処理の例）
ステップＳ１０２では、ＰＣ１０は、第１信号に対して、心拍の周波数成分より高い周波数成分、及び、心拍の周波数成分より低い周波数成分を減衰させるバンドパスフィルタ処理を行う。すなわち、ＰＣ１０は、第１信号に対して、心拍の周波数成分以外の周波数帯域の周波数成分を減衰させる。例えば、ＰＣ１０は、デジタルフィルタ等で、心拍の周波数成分以外の周波数をカットオフ周波数としたフィルタリングを行う。

例えば、成人の男性であれば、１分間に５０回乃至１８０回程度の心拍数であるため、心拍の周波数成分は、０．８Ｈｚ乃至３Ｈｚ程度の周波数成分が主である。したがって、心拍の周波数成分が減衰しないように余裕を持たせ、ＰＣ１０は、４．０Ｈｚより高い周波数成分、及び、０．４Ｈｚより低い周波数成分を減衰させるバンドパスフィルタ処理を行うのが望ましい。このような設定であると、ＰＣ１０は、バンドパスフィルタ処理によって、心拍を示す周波数成分を減衰させずに、ノイズとなる周波数成分を減衰させることができる。

なお、バンドパスフィルタ処理の対象とする周波数帯域は、生体の年齢、性別、及び、状態等を考慮して設定されてもよい。例えば、激しい運動の後又は興奮しているといった状態であると、心拍数は、安静な状態より高い周波数となる。そのため、心拍の周波数成分は、安静な状態よりも高い周波数成分となる。一方で、安静な状態であると、心拍の周波数成分は、低い周波数成分となる。そこで、ＰＣ１０は、生体の状態等に合わせて、例えば、バンドパスフィルタ処理の対象とする周波数帯域が動的に変更される、又は、バンドパスフィルタ処理の対象とする周波数帯域が絞られてもよい。

具体的には、激しい運動の後の状態といった、心拍の周波数成分が高い周波数成分であると考えられる状態では、１分間に１００回乃至２１０回程度の心拍数（周波数では、１．６Ｈｚ乃至３．５Ｈｚ程度である。）を想定して、ＰＣ１０は、これ以外の周波数成分を減衰させるバンドパスフィルタ処理を行う。一方で、安静な状態等といった心拍の周波数成分が低い周波数成分であると考えられる状態では、１分間に５０回乃至８４回程度の心拍数（周波数では、０．８Ｈｚ乃至１．４Ｈｚ程度である。）を想定して、ＰＣ１０は、これ以外の周波数成分を減衰させるバンドパスフィルタ処理を行う。

このように、状態等が入力できる、又は、状態等を考慮した値が設定されて、状態に合わせたバンドパスフィルタ処理が行われてもよい。

以下、バンドパスフィルタ処理で生成される信号を「第２信号」という。

（周波数分析の例）
ステップＳ１０３では、ＰＣ１０は、第２信号の周波数分析を行う。例えば、周波数分析は、ＦＦＴ（高速フーリエ変換、Ｆａｓｔ Ｆｏｕｒｉｅｒ Ｔｒａｎｓｆｏｒｍ）等で実現する。このようにして、ＰＣ１０は、周波数帯域ごとのエネルギーを示すスペクトルを算出する。また、ＰＣ１０は、正規化し、かつ、スペクトルで分析結果を示すのが望ましい。以下、正規化された値でスペクトルを示す。分析結果の具体例は後述する。

以下、エネルギー割合を算出する処理（図では、ステップＳ１０４及びステップＳ１０５である。）と、エネルギーの分散値を算出する処理（図では、ステップＳ１０６である。）とを並列で行う場合を例に説明する。ただし、これらの処理は、並列でなく、どちらかを先にする処理等でもよい。

（全周波数帯域、正常周波数帯域、及び、異常周波数帯域のエネルギーを算出する例）
ステップＳ１０４では、ＰＣ１０は、全周波数帯域、正常周波数帯域、及び、異常周波数帯域のエネルギーを算出する。

（正常周波数帯域、及び、異常周波数帯域のエネルギー割合を算出する例）
ステップＳ１０５では、ＰＣ１０は、正常周波数帯域、及び、異常周波数帯域のエネルギー割合を算出する。

なお、ステップＳ１０４及びステップＳ１０５で算出するそれぞれの周波数帯域のエネルギー及びエネルギー割合の詳細は後述する。

（正常周波数帯域、及び、異常周波数帯域のエネルギーの分散値を算出する例）
ステップＳ１０６では、ＰＣ１０は、正常周波数帯域、及び、異常周波数帯域のエネルギーの分散値を算出する。

上記ステップＳ１０６で算出するエネルギーの分散値の詳細は後述する。

（エネルギー割合、及び、分散値のうち、いずれか一方、又は、エネルギー割合、及び、分散値の両方に基づいて、生体が異常であるか否かを判断する例）
ステップＳ１０７では、ＰＣ１０は、エネルギー割合、及び、分散値のうち、いずれか一方、又は、エネルギー割合、及び、分散値の両方に基づいて、生体が異常であるか否かを判断する。

次に、生体に異常ありと判断されると（ステップＳ１０７でＹＥＳ）、ＰＣ１０は、ステップＳ１０８に進む。一方で、生体に異常がないと判断されると（ステップＳ１０７でＮＯ）、ＰＣ１０は、全体処理を終了する。

（生体の異常を検出する例）
ステップＳ１０８では、ＰＣ１０は、生体の異常を検出する。

上記に示すステップＳ１０７又はステップＳ１０８によって、生体の異常を検出した場合には、ＰＣ１０は、以下のように警告を行うのが望ましい。

（警告を行う例）
ステップＳ１０９では、ＰＣ１０は、警告を行う。

警告は、例えば、ユーザ、又は、あらかじめ設定される連絡先に、生体に異常が起きていることを示すメッセージ等である。したがって、異常をユーザ又は連絡先に知らせることができるのであれば、警告の形式は問わない。例えば、警告は、光、音、心拍数の通知、あらかじめ定められる文面のメッセージ、又は、これらの組み合わせで行われてもよい。このように警告がされると、生体に異常が発生しているのを速やかに伝えることができる。

＜実験結果＞
例えば、周波数分析、すなわち、ステップＳ１０３の分析結果は、実験で以下のような分析結果が得られた。

＜周波数分析の分析結果の例＞
以下、横軸を周波数成分、縦軸をそれぞれの周波数成分のエネルギーを示すスペクトルを正規化した値で示す。

また、以下の分析結果は、対象となる全周波数帯域Ｒ１を３０ｂｐｍ（ｂｅａｔｓ ｐｅｒ ｍｉｎｕｔｅ、１分間あたりの心拍数を示す単位である。）乃至１８０ｂｐｍとする。したがって、周波数に換算すると、全周波数帯域Ｒ１は、「３０ｂｐｍ÷６０ｓｅｃ＝０．５Ｈｚ」乃至「１８０ｂｐｍ÷６０ｓｅｃ＝３．０Ｈｚ」の周波数帯域である。このように、全周波数帯域Ｒ１は、０．５Ｈｚ乃至３．５Ｈｚのように生体から得られる周波数帯域の範囲内であれば、「０．５Ｈｚ」乃至「３．０Ｈｚ」のように一定の範囲に絞るように設定されてもよい。

さらに、この実験では、正常周波数帯域Ｒ２を５０ｂｐｍ乃至１２０ｂｐｍとした。このように、「正常」とする周波数帯域は、設定できるのが望ましい。したがって、周波数に換算すると、正常周波数帯域Ｒ２は、「５０ｂｐｍ÷６０ｓｅｃ＝０．８３・・・・Ｈｚ≒０．８３Ｈｚ」乃至「１２０ｂｐｍ÷６０ｓｅｃ＝２．０Ｈｚ」の周波数帯域である。

また、全周波数帯域Ｒ１のうち、正常周波数帯域Ｒ２以外の周波数帯域を異常周波数帯域とする。以下、異常周波数帯域のうち、正常周波数帯域Ｒ２より低い周波数帯域の異常周波数帯域を単に「低域Ｒ３」という。一方で、異常周波数帯域のうち、正常周波数帯域Ｒ２より高い周波数帯域の異常周波数帯域を単に「高域Ｒ４」という。

低域Ｒ３は、周波数に換算すると、「３０ｂｐｍ÷６０ｓｅｃ＝０．５Ｈｚ」乃至「５０ｂｐｍ÷６０ｓｅｃ＝０．８３・・・・Ｈｚ≒０．８３Ｈｚ」の周波数帯域である。

高域Ｒ４は、周波数に換算すると、「１２０ｂｐｍ÷６０ｓｅｃ＝２．０Ｈｚ」乃至「１８０ｂｐｍ÷６０ｓｅｃ＝３．０Ｈｚ」の周波数帯域である。

このように、異常周波数帯域を低域Ｒ３と高域Ｒ４に分けて異常が分類されるのが望ましい。以下、「正常」、「高域」、及び、「低域」の３つに分類する場合を例に説明する。ただし、正常周波数帯域が「高」、「中」、及び、「低」等に分類されてもよい。また、分類は、更に細かく周波数帯域を分けて行ってもよい。さらに、分類は、「正常」と「異常」の２つに分類するでもよい。

＜低域で異常が発生している場合の実験結果＞
図６は、低域で異常が発生している場合の実験における分析結果を示す図である。この場合は、生体の心拍数が「４５．７ｂｐｍ」と低くなる異常が発生している場合であった。そのため、第１ピークＰＫ１のように、低域Ｒ３でのエネルギーが相対的に高くなる。この実験では、正常周波数帯域Ｒ２のエネルギー割合、低域Ｒ３のエネルギー割合、及び、高域Ｒ４のエネルギー割合、すなわち、ステップＳ１０５の算出結果は、以下のような値となった。

低域Ｒ３のエネルギー割合は、「３０．７％」であった。

正常周波数帯域Ｒ２のエネルギー割合は、「４９．８％」であった。

高域Ｒ４のエネルギー割合は、「１９．５％」であった。

この実験では、正常周波数帯域Ｒ２の分散値、低域Ｒ３の分散値、及び、高域Ｒ４の分散値、すなわち、ステップＳ１０６の算出結果は、以下のような値となった。

低域Ｒ３の分散値は、「３５５６．７×１０^－６」であった。

正常周波数帯域Ｒ２の分散値は、「９１８．８×１０^－６」であった。

高域Ｒ４の分散値は、「１１８．１×１０^－６」であった。

＜生体に異常が発生していない場合の実験結果＞
図７は、生体に異常が発生していない場合の実験における分析結果を示す図である。この場合は、生体の心拍数が「６７．７ｂｐｍ」と正常であって、心拍数の周波数成分が「正常」な状態であった。そのため、異常が発生している場合と比較して、ピークが目立たない結果となる。

異常の場合と同様に算出する、エネルギー割合、すなわち、ステップＳ１０５の算出結果は、以下のような値となった。

低域Ｒ３のエネルギー割合は、「２８．１％」であった。

正常周波数帯域Ｒ２のエネルギー割合は、「４５．１％」であった。

高域Ｒ４のエネルギー割合は、「２６．８％」であった。

また、異常の場合と同様に算出する、分散値、すなわち、ステップＳ１０６の算出結果は、以下のような値となった。

低域Ｒ３の分散値は、「１８２０×１０^－６」であった。

正常周波数帯域Ｒ２の分散値は、「２７２．２×１０^－６」であった。

高域Ｒ４の分散値は、「１１４．３×１０^－６」であった。

＜高域で異常が発生している場合の実験結果＞
図８は、高域で異常が発生している場合の実験における分析結果を示す図である。この場合は、生体の心拍数が「１２３．５ｂｐｍ」と高くなる異常が発生している場合であった。そのため、第２ピークＰＫ２のように、高域Ｒ４でのエネルギーが高くなる。

他の場合と同様に算出する、エネルギー割合、すなわち、ステップＳ１０５の算出結果は、以下のような値となった。

低域Ｒ３のエネルギー割合は、「４．５％」であった。

正常周波数帯域Ｒ２のエネルギー割合は、「４７．９％」であった。

高域Ｒ４のエネルギー割合は、「４７．６％」であった。

また、他の場合と同様に算出する、分散値、すなわち、ステップＳ１０６の算出結果は、以下のような値となった。

低域Ｒ３の分散値は、「５９．９×１０^－６」であった。

正常周波数帯域Ｒ２の分散値は、「７６５．０×１０^－６」であった。

高域Ｒ４の分散値は、「５９６．５×１０^－６」であった。

エネルギーは、各周波数帯域を積分すると（図における各周波数帯域の面積となる。）算出される。したがって、全体のエネルギーを算出し、それぞれの周波数帯域のエネルギーが占める割合を算出すると、それぞれのエネルギー割合が算出される。

上記のように、異常が発生している場合には、異常周波数帯域における分散値、及び、エネルギー割合が「正常」な場合と比較して高い値となる。したがって、ＰＣ１０は、分散値、及び、エネルギー割合のうち、いずれか一方が高い値の場合には、生体に異常が発生していると検出する。このように、分散値、及び、エネルギー割合のうち、いずれか一方でも高い値である場合に全体としても異常と判断する、すなわち、「ＯＲ」の構成にして、異常を検出してもよい。

ただし、ＰＣ１０は、分散値、及び、エネルギー割合の両方の判断で、いずれの判断でも生体に異常を検出する場合を全体として異常を検出する、すなわち、「ＡＮＤ」の構成が望ましい。

すなわち、ＰＣ１０は、まず、分散値、及び、エネルギー割合に基づいて、別々に生体が異常であるか否かを判断する。次に、ＰＣ１０は、それぞれの判断結果のいずれでも、高い値であると判断されて生体が異常である検出結果の場合には、ＰＣ１０は、生体の異常を検出する（ステップＳ１０７でＹＥＳ、及び、ステップＳ１０８）。

このように、ＰＣ１０は、分散値、及び、エネルギー割合の両方の判断を「ＡＮＤ」にする構成が望ましい。このような「ＡＮＤ」の構成であると、ＰＣ１０は、生体の異常を精度良く判断できる。

＜異常の検出結果＞
図９は、異常を検出する実験結果を示す図である。図における横軸は、実験結果の通し番号を示す。一方で、縦軸は、「０」が「正常」の検出結果である。また、縦軸で、「－１」が「心拍数が低くなっている異常」の検出結果である。一方で、縦軸で、「１」が「心拍数が高くなっている異常」の検出結果である。したがって、「Ｇｒｏｕｎｄ－ｔｒｕｔｈ ｏｆ ｃｌａｓｓｉｆｉｃａｔｉｏｎ」で示す真値と、本実施形態の検出結果である「Ｐｒｅｄｉｃｔｉｏｎ ｏｆ ｃｌａｓｓｉｆｉｃａｔｉｏｎ」の検出結果が縦軸において一致していると、精度良く異常が検出できている結果である。

図示するように、「４」以外は、心拍数が低い異常、心拍数が正常、及び、心拍数が高い異常の検出結果が一致した実験結果となった。このように、ＰＣ１０は、精度良く異常が検出でき、かつ、異常の種類を分類できた実験結果となった。

以上のように、異常周波数帯域におけるエネルギーの分散値、及び、エネルギー割合が高い場合に、異常を検出すると、生体の異常を精度良く検出できる。

なお、分散値、及び、エネルギー割合が高い値であるか否かは、例えば、あらかじめ設定される閾値と比較して判断される。なお、閾値は、上記の実験のように、あらかじめ実験した結果を踏まえて設定される。エネルギー及び分散値は、正規化の方法、及び、生体によって基準が異なる場合が多い。

また、異常周波数帯域及び閾値は、生体の状態に応じて、変更されてもよい。例えば、激しい運動の後等では、心拍数が「１００ｂｐｍ」以上程度であっても、異常ではない場合が多い。一方で、安静な状態において、心拍数が「１００ｂｐｍ」以上程度である場合には、異常と判断されてもよい。このように、生体の状態、年齢、性別、心理状態、又は、これらの組み合わせ等の条件によって、「正常」及び「異常」の範囲は異なる。したがって、これらの条件に応じて、異常周波数帯域及び閾値等が変更されてもよい。

＜第２実施形態＞
第１実施形態と比較して、第２実施形態では、異常の検出に機械学習を用いる構成である。以下、第１実施形態と異なる点を中心に説明し、重複する説明を省略する。

第２実施形態では、図４を示す処理を行う前に、以下のような学習処理が行われるのが望ましい。

図１０は、学習処理の例を示す図である。すなわち、図４に示す全体処理を「実行処理」とすると、「実行処理」を行う前にＰＣ１０は、図示するような学習処理によって、学習モデルを学習し、「学習済みモデル」を生成する。

（分析結果の取得例）
ステップＳ２０１では、ＰＣ１０は、周波数分析の分析結果を取得する。例えば、ＰＣ１０は、第１実施形態におけるステップＳ１０１乃至ステップＳ１０３と同様の処理を行うと得られる周波数分析の分析結果を示すデータを取得する。

（分析結果を学習データとした学習の例）
ステップＳ２０２では、ＰＣ１０は、ステップＳ２０１で取得される分析結果を学習データとして学習モデルの学習を行う。なお、学習は、異常を検出する精度に応じて、精度が得られる程度まで繰り返し学習が行われるのが望ましい。

（学習済みモデルの生成例）
ステップＳ２０３では、ＰＣ１０は、学習済みモデルを生成する。

例えば、学習モデルは、ＳＶＭ（Ｓｕｐｐｏｒｔ Ｖｃｔｏｒ Ｍａｃｈｉｎｅ、サポートベクターマシン）であるのが望ましい。すなわち、エネルギー割合及び分散値を特徴量としてＳＶＭの学習が行われて、学習済みモデルが生成されるのが望ましい。

第１実施形態に示すように、ＰＣ１０は、「異常」及び「正常」というように生体の状態を分類して生体の異常を検出する。また、例えば、「異常」であっても、「低域」の異常であるか、又は、「高域」の異常であるかというように、「異常」の種類を更に分類できるのが望ましい。すなわち、機械学習によって、分類する閾値が学習される。このように、ＳＶＭの学習済みモデルを用いると、生体の状態を精度良く分類できる。

生体異常検出装置及び生体異常検出システムは、他のＡＩ（Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ）を用いる構成でもよい。例えば、学習済みモデルは、ＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ、畳み込みニューラルネットワーク）、又は、ＲＮＮ（Ｒｅｃｕｒｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ、回帰型ニューラルネットワーク）等といったネットワーク構造を含むネットワーク構造でもよい。例えば、学習モデルは、図６等のような周波数分析の分析結果を示す画像データを学習データとして機械学習を行う。このような構成であると、特徴量の抽出が不要にできる。

なお、学習データは、生体信号、図６等のような周波数分析の分析結果を示す画像データ、エネルギー割合等の数値、又は、これらの組み合わせという形式でもよい。

学習済みモデルは、ＡＩにおけるソフトウェアの一部として利用される。したがって、学習済みモデルは、プログラムである。そのため、学習済みモデルは、例えば、記録媒体又はネットワーク等を介して、頒布又は実行されてもよい。そして、実行処理では、学習済みモデルを用いて異常の検出が行われる。

なお、「学習処理」及び「実行処理」は別の装置で行われてもよい。したがって、「学習処理」を行う装置は、「実行処理」用の構成を含まない機能構成でもよい。一方で、「実行処理」を行う装置は、「学習処理」用の構成を含まない機能構成でもよい。すなわち、生体異常検出装置及び生体異常検出システムは、「学習処理」及び「実行処理」の両方の構成がなく、どちらか一方の構成を含む機能構成であればよい。

＜第３実施形態＞
第１実施形態と比較すると、第３実施形態では、第２信号が示す信号値の時間差分を計算する点が異なる。以下、第１実施形態等と異なる点を中心に説明し、重複する説明を省略する。

例えば、第２信号値が下記（７）式に示す信号値「Ｘ」であるとする。

上記（７）式が示すように、信号値「Ｘ」は、ある時点における第２信号値が示す値である。また、上記（７）式において「ｎ」は、信号値が取得された順番を示す値である。

時間差分は、例えば、「ｎ」の時点（以下「第１時点」という。）における信号値（以下「第１信号値」という。）と、「ｎ－１」の時点（以下「第２時点」という。）における信号値（以下「第２信号値」という。）の差である。具体的には、時間差分「Ｄ」は、下記（８）式が示すように、第１信号値と、第１時点より１つ前の時点である第２時点で取得される第２信号値の差（下記（８）式では、「Ｘ_ｎ」－「Ｘ_ｎ-1」と示す。）を計算した結果である。

上記（８）式のように、第２信号、すなわち、生体信号に対してバンドパスフィルタ処理（ステップＳ１０２である。）を行って得られる信号が示す信号値の時間差分を計算する。なお、上記（８）式は、コンピュータ等で実行するため、差を計算しているが、連続的には、微分計算でもよい。

そして、ＰＣ１０は、ステップＳ１０３における周波数分析では、時間差分の計算結果、すなわち、上記（８）式の計算結果を分析の対象とする。

以上のように、ＰＣ１０は、時間差分の計算を行う構成が望ましい。このような構成であると、ＰＣ１０は、精度良く異常を検出できる。

＜機能構成例＞
図１１は、機能構成例を示す図である。例えば、生体異常検出装置は、信号取得部１０Ｆ１と、フィルタ部１０Ｆ２と、周波数分析部１０Ｆ４と、エネルギー割合算出部１０Ｆ５と、分散値算出部１０Ｆ６と、検出部１０Ｆ７とを含む機能構成である。また、生体異常検出装置は、図示するように、時間差分計算部１０Ｆ３と、学習部１０Ｆ８と、警告部１０Ｆ９とを更に含む機能構成であるのが望ましい。以下、図示するような機能構成を例に説明する。

信号取得部１０Ｆ１は、第１信号等の生体信号を取得する信号取得手順を行う。例えば、信号取得部１０Ｆ１は、ドップラーレーダ１２、又は、入力Ｉ／Ｆ１０Ｈ５等で実現する。

フィルタ部１０Ｆ２は、第１信号等の生体信号における一定の周波数帯域をフィルタリングするフィルタ手順を行う。例えば、フィルタ部１０Ｆ２は、ＣＰＵ１０Ｈ１、又は、フィルタ１３等で実現する。

時間差分計算部１０Ｆ３は、第２信号に基づいて時間差分を計算する時間差分計算手順を行う。例えば、時間差分計算部１０Ｆ３は、ＣＰＵ１０Ｈ１等で実現する。

周波数分析部１０Ｆ４は、第２信号等又は時間差分に対して周波数分析を行う周波数分析手順を行う。例えば、周波数分析部１０Ｆ４は、ＣＰＵ１０Ｈ１等で実現する。

エネルギー割合算出部１０Ｆ５は、周波数分析部１０Ｆ４による分析結果に基づいて、エネルギー割合を算出するエネルギー割合算出手順を行う。例えば、エネルギー割合算出部１０Ｆ５は、ＣＰＵ１０Ｈ１等で実現する。

分散値算出部１０Ｆ６は、周波数分析部１０Ｆ４による分析結果に基づいて、分散値を算出する分散値算出手順を行う。例えば、分散値算出部１０Ｆ６は、ＣＰＵ１０Ｈ１等で実現する。

検出部１０Ｆ７は、エネルギー割合、及び、分散値のうち、いずれか一方、若しくは、エネルギー割合及び分散値の両方に基づいて、生体の異常を検出する検出手順を行う。例えば、検出部１０Ｆ７は、ＣＰＵ１０Ｈ１等で実現する。

学習部１０Ｆ８は、周波数分析部１０Ｆ４による分析結果を示すデータ等を学習データとして、学習モデルＭＤＬの学習を行い、学習済みモデルを生成する学習手順を行う。例えば、学習部１０Ｆ８は、ＣＰＵ１０Ｈ１等で実現する。

警告部１０Ｆ９は、検出部１０Ｆ７による検出結果に基づいて、生体に異常が発生していると、警告を行う警告手順を行う。例えば、警告部１０Ｆ９は、出力装置１０Ｈ４等で実現する。

＜ドップラーレーダで計測するＩＱデータの例＞
図１２は、ドップラーレーダで計測するＩＱデータの例を示す図である。例えば、ドップラーレーダ１２は、図示するような信号を出力する。そして、ａｒｃｔａｎ（Ｑ／Ｉ）を計算すると、生体信号となる。

ドップラーレーダ１２は、動く対象物に電波を照射することで反射波の周波数が変化するドップラー効果に基づいて対象物の動きを計測できる。このように、非接触に被験者の動きを計測できる構成が望ましい。

＜変形例＞
なお、心拍が存在する領域のエネルギー分布は、時間的な変動が考えられる。したがって、時間に対するエネルギー分布の変動に応じて、エネルギー及びエネルギー割合等が動的に計算されてもよい。特に、時間幅が心拍数が変化する程度以上であり、かつ、環境によるエネルギー変化が時間幅で心拍変化に比べて大きくない条件下では、時間的な変動を考慮するのが望ましい。

なお、生体は、人に限られず、動物等でもよい。

また、生体信号には、呼吸が含まれてもよい。したがって、呼吸数及び呼吸の周波数等を利用して異常検出方法が実行されてもよい。なお、呼吸を用いる場合には、心拍数とは、単位時間あたりの回数が異なる場合が多いため、検出の閾値、異常とする範囲及び正常とする範囲等は、呼吸数のために別途設定されるのが望ましい。

＜その他の実施形態＞
例えば、送信器、受信器、又は、情報処理装置は、複数の装置であってもよい。すなわち、処理及び制御は、仮想化、並行、分散又は冗長して行われてもよい。一方で、送信器、受信器及び情報処理装置は、ハードウェアが一体又は装置を兼用してもよい。

なお、本発明に係る各処理の全部又は一部は、アセンブラ等の低水準言語又はオブジェクト指向言語等の高水準言語で記述され、コンピュータに生体異常検出方法を実行させるためのプログラムによって実現されてもよい。すなわち、プログラムは、情報処理装置、又は、生体異常検出システム等のコンピュータに各処理を実行させるためのコンピュータプログラムである。

したがって、プログラムに基づいて各処理が実行されると、コンピュータが有する演算装置及び制御装置は、各処理を実行するため、プログラムに基づいて演算及び制御を行う。また、コンピュータが有する記憶装置は、各処理を実行するため、プログラムに基づいて、処理に用いられるデータを記憶する。

また、プログラムは、コンピュータが読み取り可能な記録媒体に記録されて頒布することができる。なお、記録媒体は、磁気テープ、フラッシュメモリ、光ディスク、光磁気ディスク又は磁気ディスク等のメディアである。さらに、プログラムは、電気通信回線を通じて頒布することができる。

以上、好ましい実施の形態等について詳説したが、上述した実施の形態等に制限されることはなく、特許請求の範囲に記載された範囲を逸脱することなく、上述した実施の形態等に種々の変形及び置換を加えることができる。

本国際出願は２０２０年３月１７日に出願された日本国特許出願２０２０－０４６６２２号に基づく優先権を主張するものであり、２０２０－０４６６２２号の全内容をここに本国際出願に援用する。

１ 生体異常検出システム
２ 被験者
１０ ＰＣ
１０Ｆ１ 信号取得部
１０Ｆ２ フィルタ部
１０Ｆ３ 時間差分計算部
１０Ｆ４ 周波数分析部
１０Ｆ５ エネルギー割合算出部
１０Ｆ６ 分散値算出部
１０Ｆ７ 検出部
１０Ｆ８ 学習部
１０Ｆ９ 警告部
１１ アンプ
１２ ドップラーレーダ
１３ フィルタ
ＭＤＬ 学習モデル
ＰＫ１ 第１ピーク
ＰＫ２ 第２ピーク
Ｒ１ 全周波数帯域
Ｒ２ 正常周波数帯域
Ｒ３ 低域
Ｒ４ 高域

Claims (11)

1. 生体の心拍の周波数成分を含む第１信号を取得する信号取得部と、
   前記第１信号に基づいて、前記心拍の周波数成分より高い周波数成分、及び、前記心拍の周波数成分より低い周波数成分を減衰させて第２信号を生成するフィルタ部と、
   前記第２信号に基づいて、前記第２信号の周波数成分を分析した分析結果を示す周波数分析部と、
   前記分析結果に基づいて、２．０Ｈｚより高い周波数帯域及び０．８３Ｈｚより低い周波数帯域の周波数成分のエネルギーが、前記第２信号における全体のエネルギーに対して占める割合であるエネルギー割合を算出するエネルギー割合算出部と、
   前記分析結果に基づいて、２．０Ｈｚより高い周波数帯域及び０．８３Ｈｚより低い周波数帯域の周波数成分のエネルギーの分散値を算出する分散値算出部と、
   前記エネルギー割合及び前記分散値の両方に基づいて、前記生体の異常又は正常を少なくとも検出する検出部と
   を含む生体異常検出装置。
2. 前記信号取得部は、ドップラーレーダによって前記第１信号を取得する
   請求項１に記載の生体異常検出装置。
3. 前記フィルタ部は、４．０Ｈｚより高い周波数成分、及び、０．４Ｈｚより低い周波数成分を減衰させるバンドパスフィルタ処理を行う
   請求項１又は２に記載の生体異常検出装置。
4. 前記第２信号に基づいて、前記第２信号が示す第１時点における第１信号値と、前記第１時点とは異なる第２時点における第２信号値の差である時間差分を計算する時間差分計算部を更に含み、
   前記周波数分析部は、前記時間差分の周波数成分を分析した前記分析結果を示す
   請求項１乃至３のいずれか１項に記載の生体異常検出装置。
5. 前記周波数分析部は、０．５Ｈｚ乃至３．５Ｈｚの周波数帯域を全周波数帯域として分析し、
   前記全周波数帯域のうち、０．８３Ｈｚ乃至２．０Ｈｚが正常周波数帯域であって、
   前記全周波数帯域のうち、前記正常周波数帯域より低い周波数帯域、及び、前記正常周波数帯域より高い周波数帯域を異常周波数帯域とする
   請求項１乃至４のいずれか１項に記載の生体異常検出装置。
6. 前記検出部は、
   前記分析結果を示すデータを学習データにして学習を行って生成される学習済みモデルに基づいて前記生体の異常を検出する
   請求項１乃至５のいずれか１項に記載の生体異常検出装置。
7. ＳＶＭの学習モデルを学習させて、前記学習済みモデルを生成する
   請求項６に記載の生体異常検出装置。
8. 前記検出部による検出結果に基づいて、前記生体に異常が発生していると、警告を行う警告部を更に含む
   請求項１乃至７のいずれか１項に記載の生体異常検出装置。
9. 前記検出部は、
   前記エネルギー割合及び前記分散値の両方に基づいて、いずれの判断でも異常であると、前記生体の異常を検出する
   請求項１乃至８のいずれか１項に記載の生体異常検出装置。
10. 生体異常検出装置が行う生体異常検出方法であって、
    生体異常検出装置が、生体の心拍の周波数成分を含む第１信号を取得する信号取得手順と、
    生体異常検出装置が、前記第１信号に基づいて、前記心拍の周波数成分より高い周波数成分、及び、前記心拍の周波数成分より低い周波数成分を減衰させて第２信号を生成するフィルタ手順と、
    生体異常検出装置が、前記第２信号に基づいて、前記第２信号の周波数成分を分析した分析結果を示す周波数分析手順と、
    生体異常検出装置が、前記分析結果に基づいて、２．０Ｈｚより高い周波数帯域及び０．８３Ｈｚより低い周波数帯域の周波数成分のエネルギーが、前記第２信号における全体のエネルギーに対して占める割合であるエネルギー割合を算出するエネルギー割合算出手順と、
    生体異常検出装置が、前記分析結果に基づいて、２．０Ｈｚより高い周波数帯域及び０．８３Ｈｚより低い周波数帯域の周波数成分のエネルギーの分散値を算出する分散値算出手順と、
    生体異常検出装置が、前記エネルギー割合及び前記分散値の両方に基づいて、前記生体の異常又は正常を少なくとも検出する検出手順と
    を含む生体異常検出方法。
11. 請求項１０に記載の生体異常検出方法をコンピュータに実行させるためのプログラム。

Images