JP2012000375A

JP2012000375A - 睡眠状態判定装置

Info

Publication number: JP2012000375A
Application number: JP2010140478A
Authority: JP
Inventors: Masaaki Makikawa; 方昭牧川; Shima Okada; 志麻岡田; Shinya Furushima; 慎也古島; Hajime Fukumura; 肇福村
Original assignee: Ritsumeikan Trust
Current assignee: Ritsumeikan Trust
Priority date: 2010-06-21
Filing date: 2010-06-21
Publication date: 2012-01-05

Abstract

【課題】人の睡眠状態を無拘束ながらも高精度で判定することができる睡眠状態判定装置を提供する。
【解決手段】ビデオカメラ２により、被験者５の睡眠時の体動を検出して得られるデータに基づき、体動量の時系列波形データを算出する体動量算出手段と、算出した前記体動量の時系列波形データから、継続して所定時間以上行われる大きな体動を抽出するとともに、この大きな体動が抑制されている体動抑制区間の体動を除去する体動抽出手段と、前記体動抑制区間ごとに前記大きな体動の静止持続時間ｔを算出して前記大きな体動の時間間隔を抽出し、前記大きな体動の時間間隔および前記大きな体動の体動量に基づいて、被験者の睡眠状態が複数段階の睡眠深度のいずれかに分類されるのかを判定する判定手段とを備える。
【選択図】図１

Description

本発明は、人の睡眠時の体動に基づいてその睡眠状態が複数段階の睡眠深度のいずれかに分類されるのかを判定する睡眠状態判定装置に関する。

睡眠は人間にとって必要不可欠なものであり、脳と身体機能を維持するために重要である。しかし、近年、高ストレス化社会の進行に伴って睡眠に悩む人が急増している。貧弱な睡眠や睡眠障害は、起床時の気分や機嫌の悪さの原因ともなり、高齢者では意欲の低下や抑うつ状態を引き起こし、社会的な活動を低下させる原因となることが知られており、社会問題の１つとなっている。また、発達期の小児においては、睡眠の質や量の低下に伴い、記憶や集中力の障害による学習機能の低下、感情コントロール機能の低下、運動能力の低下、不規則な生活習慣の定着などを引き起こすため、慢性的な不眠に陥る前に、睡眠障害を発見して治療を行う必要がある。そのためには、自己の日常的な睡眠状態をよく把握し、日々の睡眠を管理することにより、長期的に睡眠を改善していく必要がある。

睡眠は、一般的に、眠りの浅いレム睡眠と、眠りの深いノンレム睡眠とに大別されるが、さらに詳しくは複数の睡眠深度によって定義されており、国際基準（レヒトシャッフェン（A.Rechtschaffen）＆カレス（A.Kales）の基準）では、睡眠深度を、入床してから入眠するまでの覚醒、レム睡眠、深度１〜４の６つの状態で定義している。ここで、深度１〜４とは、ノンレム睡眠がさらに４つの段階に分けられたものであり、ノンレム睡眠のなかでは、深度１が最も眠りが浅く、深度４が最も深い。

人は、入床すると、その睡眠状態は、覚醒の状態から浅い眠りの状態へ移行し、その後、浅い眠りの状態から深い眠りの状態へ移行する。そして、再び浅い眠りの状態へと移行するのが一般的である。この睡眠時の睡眠深度の遷移を調べることにより、人の睡眠状態を把握することが可能である。

そこで、従来から、人の睡眠状態を検出することが種々試みられており、例えば脳波、眼球運動、顎筋電、心電などを同時に測定し、これらの測定データを分析して睡眠深度を判定することで、睡眠状態を評価する睡眠ポリグラフ（ＰＳＧ）法が知られている（例えば特許文献１，２参照）。この睡眠ポリグラフ法は、測定データの種類が多く、測定精度も高いので、評価の信頼性が高いものとなっている。

特許第２９５００３８号公報特開２００４−３０５２５８号公報

しかしながら、上記した睡眠ポリグラフ法による測定は、複数のセンサを測定対象者に装着して睡眠の状態を把握するものであるから、装置が大がかりとなるうえ、測定するにあたっては、病院や研究室など、専門設備を備えた場所でしか利用できないために、健康機器のように家庭で手軽に日常的に使用するには不向きである。また、複数の電極を被験者に装着しなければならないため、被験者にとっての負担が大きく、その拘束感から被験者の睡眠を妨げることも多いうえ、新規体験に対する抵抗感の大きい小児にとっては大きなストレスとなるので、正確な睡眠状態を測定することは難しいという問題もある。

さらに、睡眠ポリグラフ法は、医師などの専門家によらなければ、被験者の睡眠状態を正確に評価することができないため、装置さえあればよいと言う訳にもいかない。

本発明は、上記した問題に着目してなされたもので、人の睡眠状態を無拘束ながらも高精度で判定することができる睡眠状態判定装置を提供することを目的とする。

本発明の前記目的は、被験者の睡眠時の体動に基づいてその睡眠状態を判定する睡眠状態判定装置であって、被験者の睡眠時の体動を検出して得られるデータに基づき、体動の大きさに関する情報である体動量の時系列波形データを算出する体動量算出手段と、算出した前記体動量の時系列波形データから、継続して所定時間以上行われる大きな体動を抽出するとともに、この大きな体動が抑制されている体動抑制区間の体動を除去する体動抽出手段と、前記体動抑制区間ごとに前記大きな体動の静止持続時間ｔを算出して前記大きな体動の時間間隔を抽出し、前記大きな体動の時間間隔および前記大きな体動の体動量に基づいて、被験者の睡眠状態が複数段階の睡眠深度のいずれかに分類されるのかを判定する判定手段とを備える睡眠状態判定装置により達成される。

本発明の好ましい実施態様においては、前記判定手段は、睡眠時間の任意の単位時刻ごとに、体動静止持続時間として、前記体動抑制区間外にあるときには０を、前記体動抑制区間内にあるときにはその静止持続時間ｔを、それぞれ設定し、前記単位時刻ごとの前記体動静止持続時間および体動量に基づいて、睡眠状態が複数段階の睡眠深度のいずれかに分類されるのかを判定することを特徴としている。

本発明のさらに好ましい実施態様においては、前記判定手段は、前記単位時刻ごとの体動量として、前記単位時刻の所定時間前の時刻までの各時刻の体動量の平均を求め、この平均体動量および前記体動静止持続時間に基づいて、睡眠状態が複数段階の睡眠深度のいずれかに分類されるのかを判定することを特徴としている。

本発明のさらに好ましい実施態様においては、前記判定手段は、前記単位時刻ごとの睡眠状態がいずれの睡眠深度に分類されるのかを判定する手法として判別分析を用いることを特徴としている。

本発明のさらに好ましい実施態様においては、前記体動量算出手段は、睡眠時の人の体動の撮像を行うための撮像手段によって得られる動画像を所定数の静止画像に変換する変換手段と、前記動画像を構成する各静止画像を差分処理することにより、被験者の体動に伴う画像内の濃度値の変化を検出する検出手段と、前記濃度値の変化により被験者の体動の中心位置座標を算出する中心位置算出手段と、前記被験者の体動の中心位置座標の位置変化により前記体動量を算出する体動量算出手段とを備えることを特徴としている。

本発明によれば、人の睡眠状態を無拘束ながらも高精度で判定することが可能な睡眠状態判定装置を提供することができる。

本発明の一実施形態に係る睡眠状態判定装置の概略構成を示す説明図である。情報処理部の概略構成を示すブロック図である。睡眠状態判定部の概略構成を示すブロック図である。被験者Ａの情報処理部による体動量測定データと睡眠ポリグラフ法による睡眠深度の実測データを比較したグラフである。被験者Ｂの情報処理部による体動量測定データと睡眠ポリグラフ法による睡眠深度の実測データを比較したグラフである。被験者Ｃの情報処理部による体動量測定データと睡眠ポリグラフ法による睡眠深度の実測データを比較したグラフである。被験者Ｄの情報処理部による体動量測定データと睡眠ポリグラフ法による睡眠深度の実測データを比較したグラフである。被験者Ｅの情報処理部による体動量測定データと睡眠ポリグラフ法による睡眠深度の実測データを比較したグラフである。被験者Ｆの情報処理部による体動量測定データと睡眠ポリグラフ法による睡眠深度の実測データを比較したグラフである。被験者Ｇの情報処理部による体動量測定データと睡眠ポリグラフ法による睡眠深度の実測データを比較したグラフである。被験者Ｈの情報処理部による体動量測定データと睡眠ポリグラフ法による睡眠深度の実測データを比較したグラフである。体動静止持続時間を説明するための説明図である。本実施形態に係る睡眠状態判定装置による睡眠深度の判定結果と睡眠ポリグラフ法による睡眠深度の実測データを比較したグラフである。本実施形態に係る睡眠状態判定装置による睡眠深度の判定結果と睡眠ポリグラフ法による睡眠深度の実測データを比較したグラフである。体動回数を説明するための説明図である。他の実施形態に係る睡眠状態判定装置による睡眠深度の判定結果と睡眠ポリグラフ法による睡眠深度の実測データを比較したグラフである。

以下、本発明の実施の形態について添付図面を参照して説明する。図１は、本発明の一実施形態に係る睡眠状態判定装置１の概略構成を示す。図１に示すように、睡眠状態判定装置１は、ビデオカメラ２に接続されている。ビデオカメラ２は三脚で固定され、例えばベッド１０上に横たわっている被験者５の全身がフレーム内に入るように設置されている。このビデオカメラ２は、睡眠時の被験者５の動画像を撮影し、撮影した動画像を睡眠状態判定装置１に出力する。出力された動画像は睡眠状態判定装置１に格納される。なお、ビデオカメラ２は、夜間や暗闇においてもビデオ撮影することが可能な赤外線撮影機能を備えていることが好ましい。

睡眠状態判定装置１は、ビデオカメラ２からの動画像に基づき、被験者５の睡眠時の体の動き（体動）の大きさに関する情報である体動量の時系列波形データを算出する体動量算出手段３５を含む情報処理部３（図２に示す）と、前記体動量の時系列波形データ（体動量データ）に基づいて、被験者５の睡眠時の睡眠状態を判定する睡眠状態判定部４（図３に示す）とを備えており、例えば、携帯型のコンピュータにより構成することができる。

情報処理部３は、ビデオカメラ２から入力される動画像の差分処理を行うことにより、被験者が体動に伴い、睡眠時にどれくらいの大きさで動作をしたかを検出する。差分処理とは、連続する画像の差分を計算することにより、対象物の動きを検出する処理である。本実施形態では、動画像の差分処理により、被験者の睡眠時の体動量データを検出することで、被験者からセンサ類を切り離した完全な無拘束状態で睡眠の状態を判定することが可能となっている。以下、時系列ごとの体動量を算出する方法を具体的に説明する。

この情報処理部３は、図２に示すように、静止画変換手段３０と、ＲＯＩ設定手段３１と、グレースケール変換手段３２と、濃度値変化検出手段３３と、中心位置座標算出手段３４と、体動量算出手段３５とを備えている。

静止画変換手段３０は、ビデオカメラ２から入力される動画像を、動画像を構成する所定数のフレーム毎の静止画像（例えば、ＢＭＰ形式の静止画像）に変換する。なお、本実施形態では、ビデオカメラ２から入力された動画像のフレームレート（例えば３０［ｆｐｓ］）を、１［ｆｐｓ］にリサンプリングしている。これは、睡眠時においては、被験者の体動による動きは少なく、被験者の動きを捕らえるためには、１［ｆｐｓ］は十分なサンプリングレートであると考えられるからである。これにより、睡眠状態判定装置１に記憶される情報量を減らすことが可能となっている。

ＲＯＩ設定手段３１は、静止画変換手段３０から出力されるＢＭＰ形式の静止画像を連続的に読み込み、処理の高速化のためにＲＯＩ（Region of Interest）を設定する。ＲＯＩとは、関心領域のことを指し、各静止画像の全体から関心のある、つまり、処理に必要な領域を設定して切り出す。ＲＯＩ処理を行うことにより、余分なノイズの除去や、静止画像の画像サイズを小さくすることによる処理の高速化が可能となる。

グレースケール変換手段３２は、ＲＯＩ処理がなされた各静止画像に対して、画像のグレースケール化を行い、差分処理によりフレーム間の画像の濃淡の変化を検出できるようにする。

ビデオカメラ２から入力される動画像は、被験者の体動による動きに伴い、画像内の各ピクセルの濃度値が変化する。濃度値変化検出手段３３は、この画像内の各ピクセルの濃度値の変化を、隣り合う２枚のフレームの差分を取ることによって検出する。具体的には、グレースケール化された各フレームの静止画像のそれぞれに対して、全ピクセルの濃度値の時間微分を計算し、各ピクセルの濃度値の変化を検出する。静止画像の画像サイズは、ｘ方向へｎ個（１，２，…，ｎ）、ｙ方向へｍ個（１，２，…，ｍ）の合計ｎ×ｍ個（例えば、３４０（幅）×２４０（高さ））のピクセルで構成されるため、時刻ｔにおける各フレームの濃度行列式をＤ（ｔ）とすると、濃度行列式Ｄ（ｔ）、および、濃度行列式Ｄ（ｔ）の時間微分行列Ｄ´（ｔ）は、以下の数式（１），（２）によってそれぞれ算出される。ある座標位置（ｘ，ｙ）にあるピクセルの濃度変化は、ｄ´_ｘｙ（ｔ）で表現される。

こうして得られた各ピクセルの濃度値の変化は、中心位置座標算出手段３４に入力される。中心位置座標算出手段３４は、この濃度値の変化から被験者の睡眠時の体動の動きの中心位置座標を推定する。具体的には、差分画像において被験者が体動により動けば、動く前の座標では濃度値が減少し、動いた後の座標では濃度値が増加することから、まず、各ピクセルにおける濃度値の変化ｄ´_ｘｙ（ｔ）を定数εを用いて、下記の３つの状態に分類する。なお、下記条件式における定数εは許容誤差である。

（１）濃度値が増加
｜ｄ´_ｘｙ（ｔ）｜＞ε かつｄ´_ｘｙ（ｔ）＜０
（２）濃度値が減少
｜ｄ´_ｘｙ（ｔ）｜＞ε かつｄ´_ｘｙ（ｔ）＞０
（３）濃度値に変化なし
｜ｄ´_ｘｙ（ｔ）｜≦ε

次に、（１）濃度値が増加した全てのピクセルの座標位置の平均値（ｐ_ｘ，ｐ_ｙ）と、（２）濃度値が減少した全てのピクセルの座標位置の平均値（ｑ_ｘ，ｑ_ｙ）とを算出する。そして、座標（ｐ_ｘ，ｐ_ｙ）を濃度値が増加したピクセルの集合体の中心座標、座標(ｑ_ｘ，ｑ_ｙ)を濃度値が減少したピクセルの集合体の中心座標とし、座標(ｐ_ｘ，ｐ_ｙ)および座標(ｑ_ｘ，ｑ_ｙ)の中心座標を算出することで、被験者の睡眠時の体動の中心位置座標を算出する。ｘ方向およびｙ方向それぞれの被験者の体動の中心位置座標（ｘ，ｙ）は、以下の数式（３），（４）によってそれぞれ算出される。

こうして得られた体動の中心位置座標（ｘ，ｙ）は、体動量算出手段３５に入力される。体動量算出手段３５は、被験者の体動の中心位置座標（ｘ，ｙ）の位置の時系列変化から、時刻ｔにおいて、画像内で被験者が睡眠時に体動により動いた距離に相当する値Ｌ（ｔ）を下記式（５）より算出する。

次に、移動距離の時間微分は速度を表すので、被験者が睡眠時に体動により動いた速度に相当する値ｖ（ｔ）を、以下の数式（６）により算出する。

こうして得られた速度ｖ（ｔ）を用いて、体動量算出手段３５は、睡眠時の時刻ｔにおける体動量ｐ（ｔ）を算出する。時刻ｔにおける体動量ｐ（ｔ）は、速度ｖ（ｔ）と被験者の重さｍの積、つまり、ｐ（ｔ）＝ｍ×ｖ（ｔ）で算出され、これにより、被験者の睡眠時の体動量の時系列波形データが測定される。

図４〜図１１に、被験者として健常未就学児８名（男女含む）Ａ〜Ｈの、前記情報処理部３により測定された睡眠時の体動量の時系列波形データ（下段）を示す。図４〜図１１において、横軸が測定時間［sec］、縦軸が体動量［pic］である。なお、図４〜図１１には、睡眠深度の比較のために、これら被験者Ａ〜Ｈに対して、睡眠ポリグラフ法により測定した睡眠深度の実測データ（上段）も示している。

次に、睡眠状態判定部４は、情報処理部３により測定された前記体動量の時系列波形データに基づいて被験者の睡眠時の睡眠状態が、複数段階の睡眠深度のいずれかに分類されるのかを判定するものであり、図３に示すように、ＧＭｓ抽出手段４０と、体動静止持続時間抽出手段４１と、平均体動量抽出手段４２と、睡眠深度判別手段４３と、睡眠深度遷移軌跡生成手段４４とを備えている。

人の睡眠時の体動には、寝返りなどの大きな体動（粗体動）と、細かい体動（細体動）とがある。ここで、持続が２秒以上の体動を、Gross Movements（ＧＭｓ）と分類すると、このようなＧＭｓは、覚醒状態（Ｗａｋｅ）に最も多い頻度で起こる一方、眠りが深くなるにつれて、すなわち、レム睡眠、ノンレム睡眠（深度１〜深度４）と続くにつれて出現頻度が低下する。本発明者らは、このＧＭｓに着目することにより、睡眠時の睡眠状態を複数の段階（睡眠深度）に判別することが可能であることを見出した。

つまり、上述したとおり、睡眠状態が深度３および深度４の深い眠りの状態にあるＳＷＳ（Slow Wave Sleep）時には、ＧＭｓは抑制状態にあり、ＧＭｓが発生する時間間隔は大きい値をとると考えられる。従って、ＧＭｓが抑制されている区間を抽出して、その体動が静止している持続時間（体動静止持続時間）を検出することで、睡眠中のＳＷＳの抽出が可能であることを本発明者らは見出した。さらに、睡眠状態が覚醒状態（Ｗａｋｅ）にある時には、ＧＭｓは非抑制状態にあり、体動により大きく動くことから、体動量が大きい値をとると考えられる。従って、ＧＭｓ時の体動の大きさ（体動量）を考慮することで、睡眠中のＷａｋｅの抽出が可能であることを本発明者らは見出した。

このように、本実施形態では、ＧＭｓの時間間隔およびＧＭｓ時の体動の大きさ（体動量）が睡眠状態に大きく関係があることに鑑みて、被験者の睡眠時の体動量の時系列波形データから、各時刻データｔそれぞれについて、睡眠深度と関係性の強い体動に関する２つの変数である「体動静止持続時間」および「体動量」を抽出することで、睡眠中の睡眠状態について、覚醒状態（Ｗａｋｅ）、Ｌｉｇｈｔ＆ＲＥＭ（レム睡眠、深度１，２)、およびＳＷＳ（深度３，４）の少なくとも３段階の睡眠深度による判別が可能となっている。以下、睡眠状態を判定する方法について具体的に説明する。

まず、ＧＭｓ抽出手段４０は、情報処理部３により測定された各被験者の睡眠時の体動量の時系列波形データについて、体動が継続して２秒以上行われるＧＭｓのみを抽出するために、持続時間が２秒以下の体動を除去して、補正した体動量の時系列波形データ（補正体動量データ）を作成する。こうして得られた補正体動量データは、体動静止持続時間算出手段４１および平均体動量算出手段４２に、それぞれ入力される。

体動静止持続時間抽出手段４１は、入力された上記補正体動量データから、各時刻データｔにおける「体動静止持続時間」を抽出する。まず、この補正体動量データに対して、「体動のセクション」を定義する。体動のセクションとは、図１２に示すように、体動が抑制されている状態から体動が起こり始め、再び体動が抑制されるまでの区間を指す。各セクション内において、体動が抑制された時刻をｔ_０、体動が抑制された状態から体動が起こり始める時刻をｔ_ＭＴｉｎ、体動が再び抑制された時刻をｔ_{ＭＴｏｕｔ}、とそれぞれ設定すると、各セクション内の時刻ｔにおける体動静止持続時間ＭＴ_ｒｅｓｔは、以下の数式（７）で表される。

次に、平均体動量算出手段４２は、入力された上記補正体動量データから、各時刻データｔにおける「体動量」を抽出する。ここで、本実施形態では、平均体動量算出手段４１は、各時刻データｔにおける体動量として「平均体動量」を抽出する。「平均体動量」とは、対象となる時刻から所定時間（本実施形態では６０[sec]）前の時刻までの各時刻の体動量の単純平均値を求めたものである。このように、各時刻データｔの直前の６０秒間の体動量の単純平均値を各時刻データｔにおける体動量として抽出したのは、各時刻データｔにおける睡眠深度は、それより直前に行われている体動に依存するという知見に基づくものである。また、単純平均値の参照範囲を６０[sec] としたのは、比較対象として、被験者の睡眠深度を判定した睡眠ポリグラフ法における睡眠深度の計測エポックが３０［sec］であり、少なくとも１つのエポックをまるごと含むように参照範囲を設定したためである。

こうして得られた各時刻データｔについての「体動静止持続時間」および「平均体動量」は、睡眠深度判別手段４３に入力される。睡眠深度判別手段４３は、入力された各時刻データｔにおける「体動静止持続時間」および「平均体動量」に基づいて、被験者の睡眠状態について、時系列ごとの睡眠深度を判別する。本実施形態では、睡眠深度を判別するアルゴリズムとして線形判別分析を用いている。

線形判別分析とは、データ群を判別対象となる２つ以上のグループ（判別群）に判別するためのアルゴリズムであり、本実施形態では、独立変数として、上記した「体動静止持続時間」および「平均体動量」を用い、この「体動静止持続時間」と「平均体動量」とにより各時刻データｔの散布図を描いたときに、各時刻データｔを、覚醒状態（Ｗａｋｅ）、浅い眠りの状態（Ｌｉｇｈｔ＆ＲＥＭ）、および、深い眠りの状態（ＳＷＳ）の３つの判別群に分割するのに最適な関数（線形判別関数）をそれぞれ求める。そして、未知データが入力された際に、その未知データがどのグループ群に属するかを線形判別関数を基準にして決定することで、睡眠中の時系列ごとの睡眠深度を判別している。以下、この判別分析関数を求める方法について説明する。

睡眠深度判別手段４３は、まず、測定した被験者Ａ〜Ｈの体動量データ（図４〜図１１）のうち、判別分析関数を決定するための教師データとして、例えば、被験者Ｂ，Ｃ，Ｄ，Ｅ，Ｇ，Ｈの体動量データを選択する。これら教師データとして選択された体動量データについて、前記体動静止持続時間抽出手段４１および平均体動量算出手段４２により抽出された各時刻データｔについての「体動静止持続時間」および「平均体動量」を独立変数とし、また、睡眠深度の比較のために、これら被験者Ｂ，Ｃ，Ｄ，Ｅ，Ｇ，Ｈに対して睡眠ポリグラフ法により測定した時系列ごとの睡眠深度の実測データに基づいて抽出された各時刻データｔについての「睡眠深度（覚醒状態（Ｗａｋｅ）、Ｌｉｇｈｔ＆ＲＥＭ、ＳＷＳ）」を目的変数として、下記式（８），（９）で表される線形判別式を算出する。この線形判別式の演算値Ｚ１，Ｚ２はそれぞれ判別得点を示し、Ｚ１，Ｚ２の正負によってグループ分けが行われる。

Ｚ１＝ａ_１ｘ_１＋ａ_２ｘ_２＋Ｃ１・・・（８）
Ｚ２＝ａ_３ｘ_１＋ａ_４ｘ_２＋Ｃ２・・・（９）

まず、式（８）が判別群Ｗａｋｅ（覚醒状態）とそれ以外の判別群（Ｌｉｇｈｔ＆ＲＥＭおよびＳＷＳ）とを判別する線形判別関数であるとすると、この線形判別関数は、２群から最も遠い位置に引かれる必要があり、２群から最も遠い位置に引かれることにより、この線形判別関数は、２群を区分けする最も良い基準線となる。２群を最もよく分けるには、判別群全ての判別得点Ｚ１_ｉとその平均Ｚ１_ａｌｌとの差の２乗和Ｓ_Ｔ（「全変動」という。）と、判別群Ｗａｋｅの判別得点Ｚ１_ｊとその平均Ｚ１_ｗａｋｅとの差の２乗和Ｓ_ｗａｋｅ（「グループ間変動」という。）との相関比Ｆ１（＝Ｓ_ｗａｋｅ÷Ｓ_Ｔ）を最大にするようにする。

そこで、まず、全変動Ｓ_Ｔおよびグループ間変動Ｓ_ｗａｋｅを、下記式（１０），（１１）をそれぞれ用いて算出する。なお、下記式（１０），（１１）において、ｎ_ａｌｌは判別群全ての判別得点の個数を示し，ｎ_ｗａｋｅは判別群Ｗａｋｅの判別得点の個数を示している。

次に、相関比Ｆ１（ａ_１，ａ_２）を算出した後、判別群Ｗａｋｅとそれ以外の判別群とを最適に分けるために、相関比Ｆ１（ａ_１，ａ_２）が最大になるようなａ_１，ａ_２を求める、すなわち、下記式（１２），（１３）に示すように、Ｆ１（ａ_１，ａ_２）をそれぞれａ_１，ａ_２で偏微分した値が０になるようなａ_１，ａ_２を求める。

∂Ｆ１（ａ_１，ａ_２）／∂ａ_１＝０・・・（１２）
∂Ｆ１（ａ_１，ａ_２）／∂ａ_２＝０・・・（１３）

次に、定数項Ｃ１を算出するために、判別群全てについての体動静止持続時間と平均体動量のそれぞれの平均値Ｘ_１およびＸ_２を算出する。線形判別関数は、判別群Ｗａｋｅの中心と、それ以外の判別群の中心とを２つに分ける位置に引く必要があるため、この判別群Ｗａｋｅの中心およびそれ以外の判別群の中心を２つに分ける判別群全体の中心（Ｘ_１，Ｘ_２）を通る必要がある。線形判別関数Ｚ１＝ａ_１ｘ_１＋ａ_２ｘ_２＋Ｃ１）が判別群全体の中心（Ｘ_１，Ｘ_２）を通過するときは、０＝ａ_１Ｘ_１＋ａ_２Ｘ_２＋Ｃ１が成立するので、これより、Ｃ１が算出される結果、覚醒状態（Ｗａｋｅ）とそれ以外の判別群（Ｌｉｇｈｔ＆ＲＥＭおよびＳＷＳ）とを判別する線形判別関数Ｚ１が得られる。

次に、上記式（９）が判別群ＳＷＳとそれ以外の判別群（Ｌｉｇｈｔ＆ＲＥＭおよびＷａｋｅ）とを判別する線形判別関数であるとすると、同様に、この線形判別関数Ｚ２は、この２群から最も遠い位置に引かれる必要があり、２群から最も遠い位置に引かれることにより、この線形判別関数Ｚ２は、２群を区分けする最も良い基準線となる。よって、２群を最もよく分ける線形判別関数Ｚ２を算出するために、全変動Ｓ_Ｔと、判別群ＳＷＳの判別得点Ｚ２_ｋとその平均Ｚ２_ＳＷＳとの差の２乗和Ｓ_ＳＷＳ（「グループ間変動」という。）との相関比Ｆ２（＝Ｓ_ＳＷＳ÷Ｓ_Ｔ）が最大となるような、ａ_３，ａ_４を算出する。

また、同様にして、線形判別関数Ｚ２の定数項Ｃ２を算出することで、判別群ＳＷＳとそれ以外の判別群（Ｌｉｇｈｔ＆ＲＥＭおよびＷａｋｅ）とを判別する線形判別関数Ｚ２が得られる。

睡眠深度判別手段４３は、こうして得られた線形判別関数Ｚ１およびＺ２に基づき、睡眠深度を判別しようとする被験者の睡眠時の体動量データについて、各時刻データｔの「体動静止持続時間」および「平均体動量」を上記式（８），（９）式のｘ_１，ｘ_２にそれぞれ入力して判別得点Ｚ１，Ｚ２を算出し、まず、判別得点Ｚ１を判別しきい値「０」と比較して、各時刻データｔが判別群Ｗａｋｅに属するのか、それ以外の判別群（Ｌｉｇｈｔ＆ＲＥＭおよびＳＷＳ）に属するのかを判別する。そして、Ｌｉｇｈｔ＆ＲＥＭおよびＳＷＳの判別群に判別された各時刻データｔについて、判別得点Ｚ２を判別しきい値「０」と比較して、各時刻データｔが判別群ＳＷＳに属するのか、それ以外の判別群Ｌｉｇｈｔ＆ＲＥＭに属するのかを判別する。これにより、被験者の睡眠中の睡眠状態が、「覚醒状態（Ｗａｋｅ）」、「浅い眠りの状態（Ｌｉｇｈｔ＆ＲＥＭ）」、および、「深い眠りの状態（ＳＷＳ）のいずれであるかを判定することが可能である。

こうして得られた睡眠深度の判別データは、睡眠深度遷移軌跡生成手段４４に入力される。睡眠深度遷移軌跡生成手段４４により、睡眠深度の時間遷移の軌跡が生成されて、モニタなどに出力される。

図１３および図１４は、被験者Ａおよび被験者Ｆについて、本実施形態に係る睡眠状態判定装置１によって判定した睡眠状態の判定結果（下段）と、睡眠ポリグラフ法により測定した睡眠深度の実測データ（上段）との比較を表している。図１３および図１４を参照すると、図１３の２６０００[sec] 付近と図１４の１２０００[sec] 付近、および、各部で短い区間でWakeに誤判別が見られることを除けば、睡眠深度の判定値と実測値とは、極めて近似した変動を示しており、これによって、本発明の睡眠深度判定装置１が、おおよその睡眠深度の推移を判定できているといえ、睡眠深度が精度よく再現されていることが確認される。

このように、本発明に係る睡眠深度判定装置１によれば、ビデオカメラ２により検出した被験者の睡眠時の体動データから、その睡眠状態を判定しているので、装置が大がかりとなることがないので、一般の家庭における睡眠深度判定装置として好適である。また、被験者をセンサ類で拘束することのない完全な無拘束状態で、睡眠状態の判定ができるので、被験者にとって何ら負担がなく、正確な睡眠状態を測定することができる。

なお、本実施形態では、被験者の睡眠状態について、睡眠深度判別手段４３による時系列ごとの睡眠深度を判別するアルゴリズムとして線形判別分析を用いているが、必ずしもこれに限られるものではなく、その他の手法（マハラノビス汎距離のような非線形の判別分析、重判別分析、正準判別分析など）による判別分析を用いてもよい。また、本実施形態では、ビデオカメラ２により睡眠時の被験者を撮影した動画像から被験者の睡眠時の体動データを検出することで、被験者にとって無拘束な状態で体動データを計測するようにしているが、被験者の体動データを無拘束で計測する方法としては必ずしもこれに限られるものではない。例えば、ベッドの敷布団の下に圧力振動センサを敷き、この圧力振動センサの出力値から、被験者の体動データを無拘束で計測するように構成することも可能であり、その他、被験者の体動データを無拘束で計測可能なものであれば、種々の方法を採用することもできる。

以上、本発明の一実施形態について説明したが、本発明の具体的な態様は、上記実施形態に限定されるものではない。例えば、本実施形態では、被験者の睡眠時の睡眠状態を、覚醒状態（Ｗａｋｅ）、眠りに浅い状態（Ｌｉｇｈｔ＆ＲＥＭ）、および、眠りの深い状態（ＳＷＳ）の３つの段階（睡眠深度）で判別しているが、これに加えて、眠りに浅い状態（Ｌｉｇｈｔ＆ＲＥＭ）を、レム睡眠の状態（ＲＥＭ）と軽睡眠の状態（Ｌｉｇｈｔ、深度１および深度２のノンレム睡眠）にさらに判別するように構成することもできる。

人の睡眠において、レム睡眠の状態（ＲＥＭ）では、骨格筋の筋緊張が抑制されるため、大きな体動は少なくなる。ここで、この大きな体動というのは、持続時間が０．５秒を超えるLocalized Movements(ＬＭｓ)やＧＭｓのことを指す。逆に、持続時間が０．５秒以下のTwitch Movements(ＴＭｓ)は、特に、レム睡眠の状態（ＲＥＭ）において群発出現することが知られている。また、レム睡眠の状態（ＲＥＭ）のＧＭｓの特徴としては、軽睡眠の状態（Ｌｉｇｈｔ）と比べると、体動静止持続時間が長く、寝がえりを伴うような大きな動作の体動がよくみられる。

このように、睡眠状態がレム睡眠の状態（ＲＥＭ）にあるときには、ＧＭｓは軽睡眠の状態（Ｌｉｇｈｔ）と比べると抑制状態にあり、ＧＭｓが発生する時間間隔は大きい値をとる。また、ＴＭｓが非抑制状態にあるので、体動回数は大きい値をとる。このような知見の下、本発明者らは、Ｌｉｇｈｔ＆ＲＥＭと判別された各時刻データｔに対し、体動データからＬｉｇｈｔとＲＥＭとを判別するのに関係性の強い「体動静止持続時間」および「体動回数」を独立変数として抽出し、睡眠ポリグラフ法で得た睡眠深度を目的変数とした判別分析を行うことによって、Ｌｉｇｈｔ＆ＲＥＭと判別された各時刻データｔを、ＬｉｇｈｔとＲＥＭとに判別できるのではないかと考えた。なお、「体動回数」としては、本実施形態では、図１５に示すように、ある時刻ｔから、直前の６０秒間の体動データを抽出し、体動のピーク数をカウントすることで、この総和を時刻ｔにおける体動回数としている（図示例では、３回）。

そこで、Ｌｉｇｈｔ＆ＲＥＭと判別された各時刻データｔに対し、体動データから「体動静止持続時間」および「体動回数」を抽出し、この２つのパラメータを用いて、マハラノビスの距離による判別分析により、各時刻データｔを、軽睡眠の状態（Ｌｉｇｈｔ）およびレム睡眠の状態（ＲＥＭ）の２つの判別群（睡眠深度）に分割するのに最適な判別分析関数を構築した。

図１６のグラフは、ある被験者について、本発明の睡眠状態判定装置１により、睡眠状態を３つの睡眠深度に判別した後、上記したマハラノビスの距離による判別分析によって判別した睡眠深度の判定値（下段）と、睡眠ポリグラフ法による睡眠深度の実測値（上段）との比較を表わしている。図示の如く、体動から判別した本実施形態の睡眠深度の判定値は、睡眠ポリグラフ法による実測値と、極めて近似した変動を示していることが確認された。

１睡眠状態判定装置
２ビデオカメラ
３情報処理部
４睡眠状態判定部
３０静止画変換手段
３１ＲＯＩ設定手段
３２グレースケール変換手段
３３濃度値変化検出手段
３４中心位置座標算出手段
３５体動量算出手段
４０ＧＭｓ抽出手段
４１体動静止持続時間抽出手段
４２平均体動量抽出手段
４３睡眠深度判別手段
４４睡眠深度遷移軌跡生成手段

Claims

被験者の睡眠時の体動に基づいてその睡眠状態を判定する睡眠状態判定装置であって、
被験者の睡眠時の体動を検出して得られるデータに基づき、体動の大きさに関する情報である体動量の時系列波形データを算出する体動量算出手段と、
算出した前記体動量の時系列波形データから、継続して所定時間以上行われる大きな体動を抽出するとともに、この大きな体動が抑制されている体動抑制区間の体動を除去する体動抽出手段と、
前記体動抑制区間ごとに前記大きな体動の静止持続時間ｔを算出して前記大きな体動の時間間隔を抽出し、前記大きな体動の時間間隔および前記大きな体動の体動量に基づいて、被験者の睡眠状態が複数段階の睡眠深度のいずれかに分類されるのかを判定する判定手段とを備える睡眠状態判定装置。
前記判定手段は、睡眠時間の任意の単位時刻ごとに、体動静止持続時間として、前記体動抑制区間外にあるときには０を、前記体動抑制区間内にあるときにはその静止持続時間ｔを、それぞれ設定し、
前記単位時刻ごとの前記体動静止持続時間および体動量に基づいて、睡眠状態が複数段階の睡眠深度のいずれかに分類されるのかを判定する請求項１に記載の睡眠状態判定装置。
前記判定手段は、前記単位時刻ごとの体動量として、前記単位時刻の所定時間前の時刻までの各時刻の体動量の平均を求め、この平均体動量および前記体動静止持続時間に基づいて、睡眠状態が複数段階の睡眠深度のいずれかに分類されるのかを判定することを特徴とする請求項２に記載の睡眠状態判定装置。
前記判定手段は、前記単位時刻ごとの睡眠状態がいずれの睡眠深度に分類されるのかを判定する手法として判別分析を用いることを特徴とする請求項２または３に記載の睡眠状態判定装置。
前記体動量算出手段は、睡眠時の人の体動の撮像を行うための撮像手段によって得られる動画像を所定数の静止画像に変換する変換手段と、前記動画像を構成する各静止画像を差分処理することにより、被験者の体動に伴う画像内の濃度値の変化を検出する検出手段と、前記濃度値の変化により被験者の体動の中心位置座標を算出する中心位置算出手段と、前記被験者の体動の中心位置座標の位置変化により前記体動量を算出する体動量算出手段とを備えることを特徴とする請求項１〜４のいずれかに記載の睡眠状態判定装置。