專利名稱：睡眠狀態(tài)推定裝置及實行睡眠狀態(tài)推定功能的程序產(chǎn)品的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及基于生物信息推定睡眠狀態(tài)的睡眠狀態(tài)推定裝置以及用于實行睡眠狀態(tài)推定功能的程序產(chǎn)品。
背景技術(shù)：
近年來，在健康意識提高過程中，在一般家庭中，產(chǎn)生了通過管理每日的睡眠來促進健康管理的這種需要。對睡眠來說，有睡得淺的雷姆睡眠和睡得深的非雷姆睡眠，更詳細地說是根據(jù)睡眠深度定義的。所謂睡眠深度，遵照國際標準，有從腦電波、眼球運動、鄂筋電判斷的“雷姆睡眠”、“睡眠深度1、2、3、4”、“清醒”的狀態(tài)。還有，“睡眠深度1、2、3、4”相當于睡得深的非雷姆睡眠。作為睡眠狀態(tài)的判斷方法，已知的有睡眠多種波動記錄器法。該方法是檢測上述的腦波、眼球運動、鄂筋電，并由該檢測波形判斷睡眠深度。
另外，作為不使用睡眠多種波動記錄器而推定睡眠深度的方法，測定呼吸次數(shù)、心跳、體重，并由測定結(jié)果，例如根據(jù)神經(jīng)網(wǎng)絡(luò)或紊亂理論推定該睡眠深度的方法已廣為所知。另外，該方法記載于公開專利公報H9-294731號(JP)和測量自動控制學會論文集Vol138，No.7,581/589，2002。
根據(jù)該原有技術(shù)對睡眠深度的推定，是將重點放在測定的呼吸次數(shù)、心跳次數(shù)、身體運動的信息之中，特別是將重點放在心跳次數(shù)的變動、間隔來推定睡眠深度。對于高精度地測定心跳次數(shù)，一般使用心電圖。但是，在用心電圖進行測定時，必須將電極直接貼在肌膚上，存在人體被從電極延伸到測定器的軟線束縛住的缺點。另外，在無束縛傳感器測定時，測定的心跳次數(shù)的信號微弱，并且噪音等心跳以外的影響多。因此，必須進行信號的放大處理或用于頻率解析的FFT以及過濾運算處理，存在處理變得復雜的問題發(fā)明內(nèi)容本發(fā)明的目的在于提供一種比較簡單而且實時進行睡眠狀態(tài)的推定的睡眠狀態(tài)推定裝置。為了這個目的，本發(fā)明著眼于呼吸運動和睡眠狀態(tài)的關(guān)系，基于呼吸運動的規(guī)則的和不規(guī)則的變動來推定睡眠是深或淺的睡眠狀態(tài)。
本發(fā)明的第1方案，其特征在于，在推定睡眠狀態(tài)的睡眠狀態(tài)推定裝置中，具備從生物信息傳感器的輸出信號抽取呼吸信號的生物信息處理機構(gòu)；基于從該生物信息處理機構(gòu)輸出的呼吸信號來推定睡眠狀態(tài)的睡眠狀態(tài)推定機構(gòu)。
在該第1方案中，上述睡眠狀態(tài)推定機構(gòu)能夠采取以下結(jié)構(gòu)，即具備由來自上述生物信息處理機構(gòu)的呼吸信號計算出所定期間的呼吸信號的峰值的峰值計算機構(gòu)；由上述呼吸信號計算出在上述所定期間的呼吸信號的峰值間隔的峰值間隔計算機構(gòu)，基于上述峰值和上述峰值間隔來推定睡眠狀態(tài)。
更具體地說，上述睡眠狀態(tài)推定機構(gòu)能夠采用以下結(jié)構(gòu)，即還具備從以上述峰值間隔計算機構(gòu)算出的上述峰值間隔計算出基于該峰值間隔的分布的第1變動系數(shù)的第1變動系數(shù)計算機構(gòu)；從以上述峰值計算機構(gòu)算出的峰值計算出基于該峰值的分布的第2變動系數(shù)的第2變動系數(shù)計算機構(gòu)，通過對第1變動系數(shù)以及第2變動系數(shù)和所定閾值進行比較來推定睡眠狀態(tài)。
另外，上述睡眠狀態(tài)推定機構(gòu)能夠采用以下結(jié)構(gòu)，即還具備從以上述峰值間隔計算機構(gòu)算出的峰值間隔計算出該峰值間隔的平均值的峰值間隔平均計算機構(gòu)；從以上述峰值計算機構(gòu)算出的峰值計算出基于該峰值的分布的第2變動系數(shù)的第2變動系數(shù)計算機構(gòu)，通過對上述峰值間隔的平均值以及第2變動系數(shù)和所定閾值進行比較來推定睡眠狀態(tài)。
除此之外，上述睡眠狀態(tài)推定機構(gòu)能夠采取以下結(jié)構(gòu)，即還具備從以上述峰值間隔計算機構(gòu)算出的峰值間隔計算出基于該峰值間隔的分布的第1變動系數(shù)的第1變動系數(shù)計算機構(gòu)；從以上述峰值計算機構(gòu)算出的峰值計算出基于該峰值的分布的第2變動系數(shù)的第2變動系數(shù)計算機構(gòu)；從以上述峰值間隔計算機構(gòu)算出的峰值間隔計算出該峰值間隔的平均值的峰值間隔平均計算機構(gòu)；通過對第1變動系數(shù)以及第2變動系數(shù)和所定閾值進行比較，另外，對上述峰值間隔的平均值以及第2變動系數(shù)和所定閾值進行比較，來推定睡眠狀態(tài)。
另外，本發(fā)明作為用于賦予計算機睡眠狀態(tài)推定功能的程序產(chǎn)品也能夠把握。其特征在于，該場合，程序產(chǎn)品具備從生物信息傳感器的輸出信號抽取呼吸信號的生物信息處理工序；基于在該生物信息處理工序中抽取的呼吸信號來推定睡眠狀態(tài)的睡眠狀態(tài)推定工序。
在該方案中，上述睡眠狀態(tài)推定工序具備由在上述生物信息處理工序中抽取的呼吸信號計算出在所定期間的呼吸信號的峰值的峰值計算工序；由上述呼吸信號計算出在上述所定期間的呼吸信號的峰值間隔的峰值間隔計算工序，基于上述峰值和上述峰值間隔來推定睡眠狀態(tài)。
更具體地說，上述睡眠狀態(tài)推定工序還具備從在上述峰值間隔計算工序中算出的上述峰值間隔計算出基于該峰值間隔的分布的第1變動系數(shù)的第1變動系數(shù)計算工序；從在上述峰值計算工序算出的峰值計算出基于該峰值的分布的第2變動系數(shù)的第2變動系數(shù)計算工序，通過對第1變動系數(shù)以及第2變動系數(shù)和所定閾值進行比較來推定睡眠狀態(tài)。
另外，上述睡眠狀態(tài)推定工序還具備從在上述峰值間隔計算工序中算出的峰值間隔計算出該峰值間隔的平均值的峰值間隔平均計算工序；從在上述峰值計算工序算出的峰值計算出基于該峰值的分布的第2變動系數(shù)的第2變動系數(shù)計算工序，通過對上述峰值間隔的平均值以及第2變動系數(shù)和所定的閾值進行比較來推定睡眠狀態(tài)。
除此之外，上述睡眠狀態(tài)推定工序還具備從在上述峰值間隔計算工序中算出的峰值間隔計算出基于該峰值間隔的分布的第1變動系數(shù)的第1變動系數(shù)計算工序；從在上述峰值計算工序算出的峰值計算出基于該峰值的分布的第2變動系數(shù)的第2變動系數(shù)計算工序；從在上述峰值間隔計算工序中算出的峰值間隔計算出該峰值間隔的平均值的峰值間隔平均計算工序；通過對第1變動系數(shù)以及第2變動系數(shù)和所定閾值進行比較，另外，對上述峰值間隔的平均值以及第2變動系數(shù)和所定閾值進行比較，來推定睡眠狀態(tài)。
本發(fā)明的上述及其他目的、新的特征，參照以下附圖通過以下所示的實施方式的說明，就會完全清楚。


圖1展示實施方式的睡眠狀態(tài)推定裝置的結(jié)構(gòu)。
圖2展示用作實施方式的生物信息傳感器之一的呼吸帶。
圖3展示由實施方式的生物信息處理部抽取的呼吸信號。
圖4展示由實施方式的生物信息處理部輸出的呼吸信號模式波形。
圖5展示實施方式的推定睡眠狀態(tài)的流程圖。
圖6展示比較由實施方式的睡眠狀態(tài)推定裝置推定出的睡眠狀態(tài)推定結(jié)果和睡眠多種波動記錄器測出的睡眠深度的實測數(shù)據(jù)的曲線圖。
圖7展示使用薄片狀的靜電電容式的無束縛生物信息傳感器的場合的睡眠狀態(tài)推定裝置的結(jié)構(gòu)。
圖8展示使用薄片狀的靜電電容式的無束縛生物信息傳感器的場合的睡眠狀態(tài)推定裝置的結(jié)構(gòu)。
圖9展示應用于使用薄片狀的靜電電容式的無束縛生物信息傳感器的場合的睡眠狀態(tài)推定流程的變更例。
具體實施例方式
以下，參照附圖對本發(fā)明的實施方式進行說明。但是，以下的實施方式僅是本發(fā)明的一例而已，并不限定本發(fā)明的范圍。
參照圖1，本發(fā)明的睡眠狀態(tài)推定裝置由用作生物信息傳感器之一的呼吸帶1、生物信息處理部2、睡眠狀態(tài)推定部3構(gòu)成。在該圖1中，人躺在褥子4上，在人體的上半身安裝有呼吸帶1。
所謂呼吸帶1，如圖2所示，是應變儀1a附帶的有彈性帶。這里，應變儀1a比如由碳管或者硫酸鋅溶液管等構(gòu)成。將該呼吸帶1纏在人體的胸部或者腹部后，應變儀1a根據(jù)人體的呼吸運動伸縮，其電阻產(chǎn)生變化。
生物信息處理部2，對應變儀1a的兩端施加一定的電壓，測定電阻變化導致的應變儀1a的電壓變化來作為人體的呼吸運動的變化。
圖3表示由生物信息處理部2測定的人體的呼吸運動導致的電壓變化。在圖3中，橫軸是測定時間(t)、縱軸是電壓(V)。
睡眠狀態(tài)推定部3將由生物信息處理部2測定的電壓變化通過以取樣頻率10Hz進行取樣來數(shù)字化。然后，如圖3所示那樣每30秒分割一次，在每30秒?yún)^(qū)間內(nèi)，電壓的正的峰值和相鄰的峰值之間的峰值間隔值如下算出。即，將從被測定的電壓變化的數(shù)據(jù)超過所定的正的閾值直到達到所定的負的閾值的期間的最大值作為電壓的正的峰值來算出。然后，將從算出的正的峰值直到到達下一次的正的峰值的時間最為正的峰值間隔值。
通過這樣設(shè)置負的閾值，能夠防止正的峰值被錯誤檢測。另外，在圖3中，在時間0～30秒的區(qū)間，正的峰值存在7點(P1～P7)，作為正的閾值設(shè)定為值1，作為負的閾值設(shè)定為值-0.1。睡眠狀態(tài)推定部3像上面那樣算出這7點(P1～P7)的峰值和相鄰的每個的峰值之間的時間間隔(峰值間隔值)。
接著，計算出在30秒?yún)^(qū)間算出的電壓的正的峰值間隔值的平均值A(chǔ)、基于該峰值間隔值的分布的變動系數(shù)B、基于正的電壓峰值的分布的變動系數(shù)C。然后，通過將計算出的正的電壓峰值間隔的平均值A(chǔ)、變動系數(shù)B、變動系數(shù)C分別與睡眠狀態(tài)推定用的閾值a、b、c比較，推定睡眠狀態(tài)為“清醒”、“入睡”、“深睡”、“淺睡”中的哪一個。
這里，所謂睡眠狀態(tài)為“清醒”是指清醒時的狀態(tài)。所謂“入睡”是指從“清醒”狀態(tài)進入睡眠之后的狀態(tài)。所謂“淺睡”是指從“入睡”的狀態(tài)進一步加深睡的狀態(tài)。所謂“深睡”是指從“淺睡”進一步加深睡的狀態(tài)，是睡眠最深的狀態(tài)。
另外，根據(jù)本實施方式的睡眠深度測定裝置推定的睡眠狀態(tài)和根據(jù)國際標準規(guī)定的睡眠深度其對應如下。即，以本實施樣式推定的“清醒”相當于睡眠深度中的“清醒”。以本實施樣式推定的“入睡”相當于睡眠深度中的“在入睡后最初出現(xiàn)的睡眠深度1、2”。以本實施方式推定的“淺睡”相當于睡眠深度中的“雷姆睡眠、睡眠深度1、2”。但是，除“在入睡后最初出現(xiàn)的睡眠深度1、2”之外。以本實施樣式推定的“深睡”相當于睡眠深度中的“睡眠深度3、4”。
下面參照圖4來說明峰值間隔的平均值A(chǔ)、變動系數(shù)B、變動系數(shù)C的計算方法。圖4是為了便于說明正的電壓峰值間隔的平均值A(chǔ)、變動系數(shù)B、變動系數(shù)C的計算方法而做成的、根據(jù)生物信息處理部2測定的30秒間的電壓變化的模型圖。
參照圖4，Pi(i＝1、2…n)表示正的電壓峰值，ti(i＝1、2，…n)表示電壓達到峰值的時間，gi(i＝1、2，…n-1)表示正的電壓峰值間隔。
峰值間隔gi由下面的公式算出。
gi＝ti+1-ti(i＝1，2，3，…n-1)正的電壓峰值間隔的平均值A(chǔ)由下面的公式算出。
A=Σi=1gin-1]]>正的電壓峰值的平均值由下面的公式算出。
P‾=Σi=1Pin]]>變動系數(shù)B是將正的電壓峰值間隔的分布除以正的電壓峰值間隔的平均值A(chǔ)所得到的值，即，由下面公式算出。
B=Σi=1n-1(A-gi)2n-1/A]]>變動系數(shù)C是將正的電壓峰值的分布除以正的電壓峰值的平均值所得到的值，即，由下面公式算出。
C=Σi=1n(p‾-pi)2n-1/p‾]]>睡眠狀態(tài)推定部3基于由上述公式算出的正的電壓峰值間隔的平均值A(chǔ)、變動系數(shù)B、變動系數(shù)C來推定睡眠狀態(tài)。
接下來參照圖5所示的流程圖來說明睡眠推定部3的睡眠狀態(tài)的推定方法。
參照圖5，在步驟S100中，將時間置零計量測定時間，開始由生物信息處理部2測定因人體的呼吸運動所產(chǎn)生的電壓變化。這時，作為初期值，狀態(tài)標志為“清醒”。所謂狀態(tài)標志是指表示來自一區(qū)間前的電壓測定數(shù)據(jù)的睡眠狀態(tài)的標志。
在步驟S101中，判斷電壓變化的測定時間是否從時間置零開始經(jīng)過了30秒。這里，在經(jīng)過了30秒的場合，進入步驟S102，再次將時間置零，再次計量測定時間。
在步驟S103中，根據(jù)30秒間的電壓變化的測定結(jié)果，用上述的計算方法算出正的電壓峰值間隔的平均值A(chǔ)、變動系數(shù)B、變動系數(shù)C。
在步驟S104中判斷狀態(tài)標志的值。
步驟S104中的判斷結(jié)果，狀態(tài)標志為“清醒”的話就進入步驟S105，為“入睡”的話則進入步驟S109，為“深睡”的話則進入步驟S113，為“淺睡”的話則進入步驟S117。
在步驟S105中，判斷正的電壓峰值間隔的平均值A(chǔ)是否比所定的閾值a大，而且，變動系數(shù)C是否比所定的閾值c大，為“是”的話就進入步驟S106，為“否”的話則進入步驟S108。
在步驟S106中，把睡眠狀態(tài)當作“入睡”，進入步驟S107。
在步驟S107中，把狀態(tài)標志當作“入睡”，返回步驟S101。
在步驟S108中，把睡眠狀態(tài)當作“清醒”，返回步驟S101。
在步驟S109中，判斷變動系數(shù)B是否比所定的閾值b還小，并且，變動系數(shù)C是否比所定的閾值c小，為“是”的話就進入步驟S110，為“否”的話則進入步驟S112。
在步驟S110中，把睡眠狀態(tài)當作“深睡”，進入步驟S111。
在步驟S111中，把狀態(tài)標志當作“深睡”，返回步驟S101。
在步驟S112中，把睡眠狀態(tài)當作“入睡”，返回步驟S101。
在步驟S113中，判斷變動系數(shù)B是否比所定的閾值b大，或者，變動系數(shù)C是否比所定的閾值c大，為“是”的話就進入步驟S114，為“否”的話則進入步驟S116。
在步驟S114中，把睡眠狀態(tài)當作“淺睡”，進入步驟S115。
在步驟S115中，把狀態(tài)標志當作“淺睡”，返回步驟S101。
在步驟S116中，把睡眠狀態(tài)當作“深睡”，返回步驟S101。
在步驟S117中，判斷變動系數(shù)B是否比所定的閾值b小，并且，變動系數(shù)C是否比所定的閾值c小，為“是”的話就進入步驟S118，為“否”的話則進入步驟S120。
在步驟S118中，把睡眠狀態(tài)判斷為“深睡”，進入步驟S119。
在步驟S119中，把狀態(tài)標志當作“深睡”，返回步驟S101。
在步驟S120中，把睡眠狀態(tài)當作“淺睡”，返回步驟S101。
如上所述，睡眠狀態(tài)推定部3通過將電壓峰值間隔的平均值A(chǔ)、變動系數(shù)B、變動系數(shù)C分別與所定的閾值相比較，推定睡眠狀態(tài)為“清醒”、“入睡”、“深睡”、“淺睡”的某一種。
圖6是對利用本實施方式的睡眠推定裝置對某被驗者推定的睡眠狀態(tài)的推定結(jié)果(該圖b)和利用多種波動記錄器測定的睡眠深度的實測數(shù)據(jù)(該圖a)進行比較后所顯示的檢驗結(jié)果。另外，在該圖(a)中，為了便于與該圖(b)的推定結(jié)果相比較，以睡眠深度中的“雷姆睡眠、睡眠深度1、2”作為“淺睡”來表示，另外，以“睡眠深度3、4”作為“深睡”來表示。
計算出該圖(b)的推定結(jié)果的時候，用上述圖3表示的峰值檢測用的閾值，正的閾值為1、負的閾值為-0.1。另外，用上述圖5表示的睡眠狀態(tài)推定用的閾值a、b、c分別為a＝4.0、b＝0.08、c＝0.08。
另外，在圖6(b)中，從測定開始30秒間的電壓峰值間隔之的平均值A(chǔ)、基于該峰值間隔值的分布的變動系數(shù)B、基于峰值的分布的變動系數(shù)C分別是，A＝3.14、B＝0.27404、C＝0.24292。
對圖6(a)和圖6(b)進行比較的話，在圖6(a)的實測數(shù)據(jù)的開始出現(xiàn)的“淺睡(雷姆睡眠、睡眠深度1、2)”和由本實施方式的睡眠狀態(tài)推定裝置推定的“入睡”時間幾乎相同。另外，用其后的實測數(shù)據(jù)判斷的“淺睡(雷姆睡眠、睡眠深度1、2)”和由本實施方式的睡眠狀態(tài)推定裝置推定的“淺睡”以及由實測數(shù)據(jù)判斷的“深睡(睡眠深度3、4)”和由本實施方式的睡眠狀態(tài)推定裝置推定的“深睡”也為幾乎相同的動作。這樣，根據(jù)本實施方式的睡眠狀態(tài)推定裝置得出的推定結(jié)果和睡眠深度的實測值表示極為近似的變動，由此可知，本睡眠狀態(tài)推定裝置具有極高的準確度。
由以上的檢驗結(jié)果可知，測定基于人體的呼吸運動的電壓變動，根據(jù)測定結(jié)果計算出每一定期間的正電壓的峰值、該峰值間隔值，算出該峰值間隔值的平均值A(chǔ)、基于該峰值間隔值的分布的變動系數(shù)B、基于峰值的分布的變動系數(shù)C，便能夠高精度地推定出基于它們的睡眠狀態(tài)。
還有，在本實施方式中，作為生物信息傳感器使用呼吸帶只測定人體的呼吸運動，根據(jù)呼吸運動的測定結(jié)果推定睡眠狀態(tài)，但是，作為其他的生物信息傳感器也可以使用例如薄片狀的靜電電容式的傳感器。該場合，如圖7以及圖8所示，該薄片狀的靜電電容式的傳感器5被安裝在褥子中。該薄片狀的靜電電容式的傳感器5被人體的上半身壓迫而使電極間的距離產(chǎn)生變動，伴隨于此，薄片狀的靜電電容式的傳感器5的電極間的靜電電容發(fā)生變動。因此，生物信息處理部2能夠根據(jù)人體的呼吸運動以及身體運動測定薄片狀的靜電電容式的傳感器5的電極間的靜電電容的變動。
在該場合，睡眠狀態(tài)推定部3能夠從來自生物信息部2的輸出信號抽抽取除基于人體的呼吸運動的靜電電容的變動外，還有身體運動導致的靜電電容的變動。
身體運動產(chǎn)生的靜電電容的變動能夠用于推定是睡眠狀態(tài)的推定中的“清醒”還是清醒狀態(tài)以外的所謂“睡著”狀態(tài)。
具體地說，身體運動產(chǎn)生的靜電電容的變動能夠如圖9的流程所示來用于睡眠推定。另外，圖9的流程中的步驟之中，與圖4的流程中相同的步驟賦予同一符號。在圖9的流程中，圖4的流程的步驟S100和S103分別替換成步驟S200和S201。另外，在步驟S104之前追加步驟S202。
參照圖9的流程，在步驟S200中，生物信息處理部2測定由人體的呼吸運動以及身體運動導致的薄片狀的靜電電容式傳感器5的靜電電容的變動。
在步驟S201中，睡眠狀態(tài)推定部3由該靜電電容的變動如下檢測身體運動導致的變動以及呼吸運動導致的變動。
即，由于由身體運動導致的變動比有呼吸運動導致的變動大，所以，在身體運動比預先設(shè)定的身體運動用的閾值大的場合，睡眠狀態(tài)推定部3以該變動作為身體運動來確認，以超過身體運動用閾值的變動次數(shù)作為身體運動產(chǎn)生的次數(shù)Mk來進行計算。
然后，由身體運動導致的靜電電容的變動次數(shù)Mk以一定的比率包含在睡眠狀態(tài)的推定所使用的區(qū)間的數(shù)據(jù)內(nèi)的場合(Mk≥m，m是閾值)，睡眠狀態(tài)推定部3在步驟S202中把睡眠狀態(tài)當作“清醒”來推定，在其區(qū)間不進行S104以后的睡眠狀態(tài)的推定，在步驟S108中，把睡眠狀態(tài)當作“清醒”返回步驟S101。
另一方面，在Mk＜m的場合，睡眠狀態(tài)推定部3推定為“睡著”，接著，在步驟S104以后的步驟中，由基于呼吸運動的靜電電容的變動進行睡眠狀態(tài)的推定。該場合，睡眠狀態(tài)推定部3與上面所述一樣，基于睡眠狀態(tài)的推定所使用的區(qū)間內(nèi)的呼吸運動導致的變動，以靜電電容的峰值間隔值的平均值為A、以基于該峰值間隔值的分布的變動系數(shù)為B、以基于該峰值的分布的變動系數(shù)為C、進行計算。即，根據(jù)包含了比身體運動用的閾值大的呼吸運動的變動區(qū)間的全區(qū)間的呼吸運動，以峰值間隔值的平均值為A、以基于該峰值間隔值的分布的變動系數(shù)為B、以基于該峰值的分布的變動系數(shù)為C、進行計算。
另外，這樣包含了比身體運動用的閾值大的呼吸運動的變動區(qū)間，以峰值間隔值的平均值為A、以基于該峰值間隔值的分布的變動系數(shù)為B、以基于該峰值的分布的變動系數(shù)為C、進行計算的話，則變動系數(shù)B以及C的值變得非常大。但是，即使這樣，由于睡眠狀態(tài)被準確判斷，所以處理上沒有特別問題。如下所示。
即，在從步驟S103進入步驟S105的場合，雖然進入步驟S106或者步驟S108，但是，無論哪個都被判斷為清醒或入睡。另外，在進入步驟S109的場合，成了進入步驟S112而被判斷為入睡。在進入步驟S113的場合，成了進入步驟S114而被判斷為淺睡。在進入步驟S117的場合，成了進入步驟S120而被判斷為淺睡。因此，無論在哪種場合都不會被判斷為深睡，而是像希望的那樣進行動作。
這樣，在使用了靜電電容式傳感器5的睡眠狀態(tài)推定裝置中，由于能夠另外進行是“清醒”狀態(tài)、還是“睡著”狀態(tài)的推定，所以，能夠抑制圖6(a)和圖6(b)的睡眠推定的差異、即抑制10000秒～15000秒期間、以及15000秒～20000秒期間的是否為“清醒”的差異的可能性變高。即，按照圖9的流程，在10000秒～15000秒期間、以及15000秒～20000秒期間，與多種波動記錄器一樣，被判斷為“清醒”的可能性變高。
另外，在圖9的處理流程中，雖然將以一定比率包含有身體運動導致的靜電電容的變動次數(shù)Mk(Mk≥m，m是閾值)的區(qū)間判斷為“清醒”，但是，也可以取而代之，例如，將該區(qū)間推定為“身體運動激烈狀態(tài)”或者“有可能清醒的狀態(tài)”。即，由于不論是深睡或者淺睡都是產(chǎn)生身體運動而得到的，所以，以一定比率包含上述變動次數(shù)Mk的場合不是直接作為“清醒”，而是推定為具有該可能性的某種狀態(tài)。
另外，在上述實施方式中，將睡眠狀態(tài)推定部3利用生物信息處理部2測定的電壓變化以取樣頻率10Hz取樣而數(shù)字化，作為一個區(qū)間，基于30秒間的電壓測定結(jié)果算出峰值間隔值的平均值A(chǔ)、基于該峰值間隔值的分布的變動系數(shù)B、基于峰值的分布的變動系數(shù)C，基于它們來推定睡眠狀態(tài)，該取樣頻率以及一個區(qū)間的長度能夠進行適當變更。
另外，睡眠狀態(tài)推定部3對睡眠狀態(tài)進行推定時，用于比較峰值間隔值的平均值A(chǔ)、變動系數(shù)B、變動系數(shù)C的睡眠狀態(tài)推定用的閾值a、b、c是通過來自多個被驗者的數(shù)據(jù)進行統(tǒng)計處理而適當設(shè)定的。
另外，圖5以及圖9所示的處理流程，對于硬件來說，能夠在任意的計算機的CPU、存儲器、其他的LSI等上實現(xiàn)。另外，對于軟件來說，利用安裝在存儲器中的程序等來實現(xiàn)。在圖1中，雖然是以睡眠狀態(tài)推定裝置的結(jié)構(gòu)作為功能塊來展示的，但是，這些功能塊當然也能夠以只有硬件、只有軟件、或它們的組合等各種形式來實現(xiàn)。介由CD-ROM等媒體或者互聯(lián)網(wǎng)等網(wǎng)絡(luò)，通過在個人計算機等計算機裝置上下載賦予這些功能的程序，自然也能夠?qū)崿F(xiàn)這些功能。
以上雖然是對本發(fā)明的實施方式進行說明的，但是，本發(fā)明并不限定于上述實施方式。本發(fā)明的實施方式在本發(fā)明的技術(shù)宗旨范圍內(nèi)可以適當?shù)剡M行各種變更。
權(quán)利要求
1.一種推定睡眠狀態(tài)的睡眠狀態(tài)推定裝置，其特征在于，具備從生物信息傳感器的輸出信號抽取呼吸信號的生物信息處理機構(gòu)；基于從該生物信息處理機構(gòu)輸出的呼吸信號來推定睡眠狀態(tài)的睡眠狀態(tài)推定機構(gòu)。
2.根據(jù)權(quán)利要求1所述的睡眠狀態(tài)推定裝置，其特征在于所述睡眠狀態(tài)推定機構(gòu)具備從來自所述生物信息處理機構(gòu)的呼吸信號計算出所定期間的呼吸信號的峰值的峰值計算機構(gòu)，和從所述呼吸信號計算出所述所定期間的呼吸信號的峰值間隔的峰值間隔計算機構(gòu)；所述睡眠狀態(tài)推定機構(gòu)基于所述峰值和所述峰值間隔來推定睡眠狀態(tài)。
3.根據(jù)權(quán)利要求2所述的睡眠狀態(tài)推定裝置，其特征在于所述睡眠狀態(tài)推定機構(gòu)還具備從以所述峰值間隔計算機構(gòu)算出的所述峰值間隔計算出基于該峰值間隔的分布的第1變動系數(shù)的第1變動系數(shù)計算機構(gòu)，和從以所述峰值計算機構(gòu)算出的峰值計算出基于該峰值的分布的第2變動系數(shù)的第2變動系數(shù)計算機構(gòu)；所述睡眠狀態(tài)推定機構(gòu)通過對第1變動系數(shù)以及第2變動系數(shù)與所定閾值進行比較來推定睡眠狀態(tài)。
4.根據(jù)權(quán)利要求2所述的睡眠狀態(tài)推定裝置，其特征在于所述睡眠狀態(tài)推定機構(gòu)還具備從以所述峰值間隔計算機構(gòu)算出的峰值間隔計算出該峰值間隔的平均值的峰值間隔平均計算機構(gòu)，和從以所述峰值計算機構(gòu)算出的峰值計算出基于該峰值的分布的第2變動系數(shù)的第2變動系數(shù)計算機構(gòu)；所述睡眠狀態(tài)推定機構(gòu)通過對所述峰值間隔的平均值以及第2變動系數(shù)與所定閾值進行比較來推定睡眠狀態(tài)。
5.根據(jù)權(quán)利要求2所述的睡眠狀態(tài)推定裝置，其特征在于所述睡眠狀態(tài)推定機構(gòu)還具備從以所述峰值間隔計算機構(gòu)算出的峰值間隔計算出基于該峰值間隔的分布的第1變動系數(shù)的第1變動系數(shù)計算機構(gòu)，從以所述峰值計算機構(gòu)算出的峰值計算出基于該峰值的分布的第2變動系數(shù)的第2變動系數(shù)計算機構(gòu)，從以所述峰值間隔計算機構(gòu)算出的峰值間隔計算出該峰值間隔的平均值的峰值間隔平均計算機構(gòu)；所述睡眠狀態(tài)推定機構(gòu)通過對第1變動系數(shù)以及第2變動系數(shù)與所定閾值進行比較，另外，對所述峰值間隔的平均值以及第2變動系數(shù)與所定閾值進行比較，來推定睡眠狀態(tài)。
6.根據(jù)權(quán)利要求1～5中任何一項所述的睡眠狀態(tài)推定裝置，其特征在于，還具備檢測清醒狀態(tài)的清醒檢測機構(gòu)；在所述清醒檢測機構(gòu)檢測出清醒的場合，中止所述睡眠狀態(tài)推定機構(gòu)對睡眠狀態(tài)的推定的推定中止機構(gòu)。
7.根據(jù)權(quán)利要求6所述的睡眠狀態(tài)推定裝置，其特征在于所述清醒檢測機構(gòu)通過從所述生物信息傳感器的輸出信號中抽取身體運動信號來檢測清醒狀態(tài)。
8.一種用于賦予計算機睡眠狀態(tài)推定功能的程序產(chǎn)品，其特征在于，具備從生物信息傳感器的輸出信號抽取呼吸信號的生物信息處理工序；基于從該生物信息處理工序抽取的呼吸信號來推定睡眠狀態(tài)的睡眠狀態(tài)推定工序。
9.根據(jù)權(quán)利要求8所述程序產(chǎn)品，其特征在于，所述睡眠狀態(tài)推定工序具備從在所述生物信息處理工序抽取的呼吸信號計算出所定期間的呼吸信號的峰值的峰值計算工序，從所述呼吸信號計算出所述所定期間的呼吸信號的峰值間隔的峰值間隔計算工序；所述睡眠狀態(tài)推定工序基于所述峰值和所述峰值間隔來推定睡眠狀態(tài)。
10.根據(jù)權(quán)利要求9所述程序產(chǎn)品，其特征在于，所述睡眠狀態(tài)推定工序還具備從以所述峰值間隔計算工序算出的所述峰值間隔計算出基于該峰值間隔的分布的第1變動系數(shù)的第1變動系數(shù)計算工序，從以所述峰值計算工序算出的峰值計算出基于該峰值的分布的第2變動系數(shù)的第2變動系數(shù)計算工序；所述睡眠狀態(tài)推定工序通過對第1變動系數(shù)以及第2變動系數(shù)與所定閾值進行比較來推定睡眠狀態(tài)。
11.根據(jù)權(quán)利要求9所述程序產(chǎn)品，其特征在于，所述睡眠狀態(tài)推定工序還具備從以所述峰值間隔計算工序計算出的峰值間隔計算出該峰值間隔的平均值的峰值間隔平均計算工序，從以所述峰值計算工序算出的峰值計算出基于該峰值的分布的第2變動系數(shù)的第2變動系數(shù)計算工序；所述睡眠狀態(tài)推定工序通過對所述峰值間隔的平均值以及第2變動系數(shù)與所定閾值進行比較來推定睡眠狀態(tài)。
12.根據(jù)權(quán)利要求9所述程序產(chǎn)品，其特征在于，所述睡眠狀態(tài)推定工序還具備從以所述峰值間隔計算工序算出的峰值間隔計算出基于該峰值間隔的分布的第1變動系數(shù)的第1變動系數(shù)計算工序，從以所述峰值計算工序算出的峰值計算出基于該峰值的分布的第2變動系數(shù)的第2變動系數(shù)計算工序，從以所述峰值間隔計算工序算出的峰值間隔計算出該峰值間隔的平均值的峰值間隔平均計算工序；所述睡眠狀態(tài)推定工序通過對第1變動系數(shù)以及第2變動系數(shù)與所定閾值進行比較、另外對所述峰值間隔的平均值以及第2變動系數(shù)與所定閾值進行比較，來推定睡眠狀態(tài)。
13.根據(jù)權(quán)利要求8～12中任何一項所述的程序產(chǎn)品，其特征在于，還具備檢測清醒狀態(tài)的清醒檢測工序；在所述清醒檢測工序檢測出清醒的場合，中止所述睡眠狀態(tài)推定工序?qū)λ郀顟B(tài)的推定的推定中止工序。
14.根據(jù)權(quán)利要求13所述的程序產(chǎn)品，其特征在于，所述清醒檢測工序通過從所述生物信息傳感器的輸出信號抽取身體運動信號來檢測清醒狀態(tài)。
全文摘要
本發(fā)明提供一種能夠比較容易地實時推定出睡眠深淺的睡眠狀態(tài)的睡眠狀態(tài)推定裝置。該睡眠狀態(tài)推定裝置，每隔一定期間測定基于人體呼吸運動的電壓變動，從測量結(jié)果計算出電壓的正的峰值和相鄰峰值之間的間隔(時間)，并且，從計算出來的峰值以及峰值間隔計算出峰值間隔的平均值A(chǔ)、基于峰值間隔的分布的變動系數(shù)B、基于峰值的分布的變動系數(shù)C?；谶@些計算出的結(jié)果來推定這期間的睡眠狀態(tài)。更具體地說，參照圖5，通過比較平均值A(chǔ)以及變動系數(shù)C與閾值a、c的大小來推定是清醒還是入睡(S105)，另外，通過比較變動系數(shù)B以及變動系數(shù)C與閾值b、c的大小來推定是入睡、淺睡還是深睡(S109、S113、S116、S117)。
文檔編號A61B5/11GK1606962SQ200410085030
公開日2005年4月20日 申請日期2004年10月13日 優(yōu)先權(quán)日2003年10月14日
發(fā)明者岡田志麻, 南浦武史, 阪井英隆, 山本泰司, 藤原義久 申請人:三洋電機株式會社