JPH0595934A

JPH0595934A - 睡眠状態判定装置

Info

Publication number: JPH0595934A
Application number: JP3258973A
Authority: JP
Inventors: Hiroyuki Ogino; 弘之荻野; Kazunari Nishii; 一成西井; Yoshihiro Ishizaki; 祥浩石嵜
Original assignee: Matsushita Electric Industrial Co Ltd
Current assignee: Panasonic Holdings Corp
Priority date: 1991-10-07
Filing date: 1991-10-07
Publication date: 1993-04-20
Anticipated expiration: 2013-02-25
Also published as: JP2718302B2

Abstract

(57)【要約】【目的】就寝者の睡眠状態を精度よく判定する。【構成】人体の体動を検出する体動検出手段の出力に
基づき睡眠状態を推定する睡眠状態推定手段７が設けら
れている。この睡眠状態推定手段は、複数の神経素子よ
り構成される層が多数組み合わされた階層型神経回路網
を模した手法により獲得された睡眠状態を推定する固定
された神経回路網の複数の結合重み係数を内部に持つ神
経回路網模式手段８を有している。これによって個体間
変動や個人内変動があっても精度よく睡眠状態を判定す
ることができる。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、睡眠状態を判定する睡
眠状態判定手段に関するものである。

【０００２】

【従来の技術】発明者らは、先に就寝者の体動を検出し
て非接触で睡眠状態を検出する睡眠状態判定装置を考案
した。図１２にそのブロック図を示す。寝具に配設した
可とう性を有した圧電素子１の出力信号をフィルタ２、
増幅手段３、平滑化手段４、比較手段５により処理して
就寝者の体動を検出し、入眠判定手段６により体動の静
止状態がある一定時間以上継続すると入眠状態であると
の判定を行うものである。これにより睡眠状態を簡単に
かつ低コストで検出できるので、寝室の環境制御や居眠
り防止等の製品分野への応用が可能となった。

【０００３】

【発明が解決しようとする課題】しかしながら、上記技
術の睡眠状態検出装置では、「入眠状態（睡眠段階での
段階２〜４）に到達した」という判定は可能であるが、
「現時点での睡眠の深さがどのレベルにあるか」といっ
た点では判定はできないという課題があった。この理由
は体動データにより睡眠の深さを判定する場合、例えば
単位時間当りの体動発生頻度に応じて睡眠の深さを割り
当てるといった方法が考えられるが、体動のもつ個体間
変動と個人内変動のために上記のような単純な考え方で
は精度よく睡眠状態を判定することができないからであ
る。

【０００４】そこで本発明は、就寝中の体動データを入
力とした神経回路網模式手段による多次元情報処理によ
り睡眠状態を推定することを第１の目的とする。

【０００５】第２，第３の目的は体動に関する入力情報
を適宜加工・選択することにより、睡眠状態の推定の精
度を向上させることである。

【０００６】さらに第４〜第１２の目的は、それぞれ就
寝中の体動データのみならず他の現実に検出可能な物理
量すなわち、室温、室内湿度、室内気流速度、寝床内温
度、寝床内湿度、照度、騒音レベル、皮膚温、心拍数を
学習のための入力情報と睡眠状態の推定のための入力情
報とすることにより、睡眠状態の推定の精度を更に向上
させることである。

【０００７】

【課題を解決するための手段】本発明は上記第１の目的
を達成するために、人体の体動を検出する体動検出手段
と、前記体動検出手段の出力に基づき前記人体の睡眠状
態を推定する睡眠状態推定手段とからなり、睡眠状態推
定手段は、複数の神経素子より構成される層が多数組み
合わされた階層型神経回路網を模した手法により獲得さ
れた睡眠状態を推定する固定された神経回路網の複数の
結合重み係数を内部に持つ神経回路網模式手段からな
る。

【０００８】また、本発明は上記第２の目的を達成する
ために、体動検出手段の出力に基づきある時点において
それ以前に体動が生起した時点からの経過時間を演算す
る第１の演算手段と、前記第１の演算手段の出力を記憶
する記憶手段とを有し、前記記憶手段の出力を入力情報
として睡眠状態を推定する睡眠状態推定手段からなる。

【０００９】また、本発明は上記第３の目的を達成する
ために、体動検出手段の出力に基づき単位時間内の体動
の発生頻度を演算する第２の演算手段と、前記演算手段
の出力を記憶する記憶手段とを有し、前記記憶手段の出
力を入力情報として睡眠状態を推定する睡眠状態推定手
段からなる。

【００１０】また、本発明は上記第４の目的を達成する
ために、室温を検出する室温センサーを有し、体動検出
手段と前記室温センサー双方の出力に基づき睡眠状態を
推定する睡眠状態推定手段からなる。

【００１１】また、本発明は上記第５の目的を達成する
ために、室内湿度を検出する室内湿度センサーを有し、
体動検出手段と前記室内湿度センサー双方の出力に基づ
き睡眠状態を推定する睡眠状態推定手段からなる。

【００１２】また、本発明は上記第６の目的を達成する
ために、室内の気流速度を検出する室内気流センサーを
有し、体動検出手段と前記室内気流センサー双方の出力
に基づき睡眠状態を推定する睡眠状態推定手段からな
る。

【００１３】また、本発明は上記第７の目的を達成する
ために、寝床内の温度を検出する寝床内温度センサーを
有し、体動検出手段と前記寝床内温度センサー双方の出
力に基づき睡眠状態を推定する睡眠状態推定手段からな
る。

【００１４】また、本発明は上記第８の目的を達成する
ために、寝床内の湿度を検出する寝床内湿度センサーを
有し、体動検出手段と前記寝床内湿度センサー双方の出
力に基づき睡眠状態を推定する睡眠状態推定手段からな
る。

【００１５】また、本発明は上記第９の目的を達成する
ために、室内の照度を検出する照度センサーを有し、体
動検出手段と前記照度センサー双方の出力に基づき睡眠
状態を推定する睡眠状態推定手段からなる。

【００１６】また、本発明は上記第１０の目的を達成す
るために、室内の騒音レベルを検出する騒音センサーを
有し、体動検出手段と前記騒音センサー双方の出力に基
づき睡眠状態を推定する睡眠状態推定手段からなる。

【００１７】また、本発明は上記第１１の目的を達成す
るために、就寝者の皮膚温を検出する皮膚温センサー
と、体動検出手段と前記皮膚温センサー双方の出力に基
づき睡眠状態を推定する睡眠状態推定手段からなる。

【００１８】さらに、本発明は上記第１２の目的を達成
するために、体動検出手段の出力に基づき心拍数を演算
する心拍数演算手段と、体動検出手段と前記心拍数演算
手段双方の出力に基づき睡眠状態を推定する睡眠状態推
定手段からなる。

【００１９】

【作用】本発明は上記構成によって、体動検出手段から
の体動データを睡眠状態推定手段に入力することによ
り、睡眠状態推定手段は、就寝者の睡眠状態を時々刻々
推定する。睡眠状態推定手段を構成する神経回路網模式
手段は、使用される睡眠環境下で既に学習された結合重
み係数を備えており、時々刻々の睡眠環境における就寝
者の睡眠状態を推定する。

【００２０】また体動検出手段からの体動データには、
睡眠状態を推定する上でいろいろな情報が含まれてお
り、体動静止時間や体動の発生頻度を睡眠状態推定手段
に入力している。

【００２１】さらに、それぞれ就寝中の体動データのみ
ならず他の現実に検出可能な物理量すなわち、室温、室
内湿度、室内気流速度、寝床内温度、寝床内湿度、照
度、騒音レベル、皮膚温及び心拍数を学習のための入力
情報により、睡眠状態を精度よく推定する。

【００２２】

【実施例】以下本発明の第１の実施例を添付図面に基づ
いて説明する。図１は本実施例をベッド２６に装着した
際の斜視図、図２はブロック図である。図１および図２
において、１は圧電素子、２はフィルター、３は増幅手
段、４は平滑化手段、５は比較手段で以上の構成で体動
を検出する。圧電素子１はポリフッ化ビニリデン（ＰＶ
ＤＦ）等の高分子圧電材料を薄膜状にし両面に可とう性
の電極膜を付着させテープ状に成形されたもので、図１
に示したようにマットレス２７の表面に固定されてい
る。比較手段５は平滑化手段４の出力信号に応じて人体
の不在、在床、体動の各状態を判定し、各々の出力を行
なう３つの出力ポート（不在出力ポート５ａ、在床出力
ポート５ｂ、体動出力ポート５ｃ）を有する。７は比較
手段５からの信号に基づき睡眠状態を推定する睡眠状態
推定手段で、神経回路網模式手段８、信号処理手段９、
記憶手段１０を有する。１１は比較手段５の出力により
計時を開始する計時手段、１２は睡眠状態推定手段７に
より推定された結果を表示する表示手段である。フィル
ター２、増幅手段３、平滑化手段４、比較手段５、睡眠
状態推定手段７及び計時手段１１はユニット１３に内蔵
されている。圧電素子１とユニット１３とはシールド線
１４で接続されている。

【００２３】この実施例の構成によれば、本発明は以下
のように作用する。寝具上に人体が存在する場合、人体
の体動により圧電素子１が変形を受けると、その変形の
程度に応じて圧電素子より圧電が発生する。この出力信
号はフィルター２によりろ波され、その信号は増幅手段
３により増幅され、平滑化手段４により平滑化される。
平滑化手段４からの出力波形を図３に示した。同図にお
いてＳ部は安静状態での心拍・呼吸活動により生じる小
さな体動（以下、細体動とする）による出力、Ｇ２部は
寝返り等比較的大きな動き（以下、粗体動とする）によ
る出力を表わしている。平滑化手段４の出力信号レベル
Ｖに応じて比較手段５は以下のように動作する。１）Ｖ
があらかじめ定められた第１の設定値Ｖａ未満の場合は
寝具上に人がいないとして不在判定出力ポート５ａの出
力レベルをＨｉとする。２）ＶがＶａ以上であらかじめ
定められた第２の設定値Ｖｂ未満の場合は寝具上に人が
安静状態で存在するとして在床判定出力ポート５ｂの出
力レベルをＨｉとする。３）ＶがＶｂ以上の場合は寝具
上で人体が体動（粗体動）を起こしたとして体動判定出
力ポート５ｃの出力レベルをＨｉとする。

【００２４】次に、睡眠状態推定手段７では上記３つの
出力ポートの出力に基づき睡眠状態を推定する。ここで
睡眠時の体動の挙動に関し、入眠状態に達すると体動が
なくなる、睡眠状態が浅くなれば体動が多い、といった
ことは経験的にも実験的にも衆知のことであり、例えば
単位時間内の体動発生回数を演算し、それに基づいて睡
眠状態を推定すればよいと思われるが、体動の挙動をさ
らに詳細に分析してみると、体動のもつ個体間変動や個
人内変動のために上記のような単純な考え方では精度よ
く睡眠状態を判定することはできない。そこで睡眠状態
推定手段７を構成する手段は、多次元情報処理手法とし
て最適な神経回路網を模した方法で構成した。神経回路
網を模した手法においては、睡眠状態を推定する神経回
路網の複数の結合重み係数を固定されたテーブルとして
用いる方法と学習機能を残し環境と使用者に適応できる
ようにする方法とがある。本実施例では、神経回路網を
模した手法によって獲得された睡眠状態を推定する固定
された結合重み係数を内部にもつ神経回路網模式手段を
有した睡眠状態推定手段７を設けた。

【００２５】睡眠状態を推定する神経回路網において固
定された結合重み係数は、例えば睡眠時にポリグラフ測
定を行なって睡眠段階と体動に関するデータを収集し、
睡眠段階データと体動データとの相関を神経回路網模式
手段に学習させることによって得ることができる。用い
るべき神経回路網模式手段としては、文献１（ＰＤＰモ
デル、Ｄ．Ｅ．ラメルハート他２名、甘利俊一監訳、１
９８９年）、文献２（ニューロコンピュータの基礎、Ｐ
１０２、中野馨他７名、１９９０年）、特公昭６３−５
５１０６号公報などに示されたものがある。以下、文献
１に記載された最もよく知られた学習アルゴリズムとし
て誤差逆伝搬法を用いた多層パーセプトロンを例にと
り、具体的な神経回路網模式手段の構成および動作につ
いて説明する。図４は、神経回路網模式手段８の構成単
位となる神経素子の概念図である。図４において、８ｌ
〜８ｎは神経のシナプス結合を模擬する疑似シナプス結
合変換器であり、８ａは疑似シナプス結合変換器８ｌ〜
８ｎからの出力を加算する加算器であり、８ｂは設定さ
れた非線形関数、例えばイキ値をｈとするシグモイド関
数、ｆ（ｙ，ｈ）＝ｌ／（ｌ＋ｅｘｐ（−ｙ＋ｈ））（式１）によって加算器８ａの出力を非線形変換する非線形変換
器である。なお、図面が煩雑になるので省略したが修正
手段からの修正信号を受ける入力線が疑似シナプス結合
変換器８ｌ〜８ｎと非線形変換器８ｂにつながってい
る。また疑似シナプス結合変換器８ｌ〜８ｎが神経回路
網模式手段８の結合重み係数となる。この神経素子に
は、信号処理モードと学習モードの２つの種類の動作モ
ードがある。以下、図４に基づいて神経素子のそれぞれ
のモードの動作について説明する。まず信号処理モード
の動作の説明をする。神経素子はｎ個の入力Ｘｌ〜Ｘｎ
を受けて１つの出力を出す。ｉ番目の入力信号Ｘｉは、
四角で示されたｉ番目の疑似シナプス結合変換器８ｉに
おいてＷｉ・Ｘｉに変換される。疑似シナプス結合変換
器８ｌ〜８ｎで変換されたｎ個の信号Ｗｌ・Ｘｌ〜Ｗｎ
・Ｘｎは円で示された加算器８ａに入り、加算結果ｙが
楕円で示された非線形変換器８ｂに送られ、最終出力ｆ
（ｙ，ｈ）となる。次に、学習モードの動作について説
明する。学習モードでは、疑似シナプス結合変換器８ｌ
〜８ｎと非線形変換器８ｂの変換パラメータＷｌ〜Ｗｎ
とｈを、修正手段からの変換パラメータの修正量ΔＷｌ
〜ΔＷｎとΔｈを表す修正信号を受けて、Ｗｉ＋ΔＷｉ；ｉ＝１，２，・・，ｎｈ＋Δｈ（式２）と修正する。図５は上記神経素子を４つ並列につないで
構成した信号変換手段の概念図である。いうまでもな
く、以下の説明は、この信号変換手段を構成する神経素
子の個数を４個に特定するものではない。図５におい
て、８１１〜８４４は疑似シナプス結合変換器であり、
８０１〜８０４は上記したように図４で説明した加算器
８ａと非線形変換器８ｂをまとめた加算非線形変換器で
ある。図５において、図４と同様に図面が煩雑になるの
で省略したが修正手段からの修正信号を受ける入力線が
疑似シナプス結合変換器８１１〜８４４と加算非線形変
換器８０１〜８０４につながっている。疑似シナプス結
合変換器８１１〜８４４も結合重み係数となる。この信
号変換手段の動作については、図４で説明した神経素子
の動作が並列してなされるというものである。図６は、
学習アルゴリズムとして誤差逆伝搬法を採用した場合の
信号処理手段９の構成を示したブロック図である。図６
において、９１は上で説明した信号変換手段、但し、こ
こではｎ個の入力を受ける神経素子がｍ個並列に並べら
れたものであり、９２は学習モードにおける信号変換手
段９１の修正量を算出する修正手段である。以下、図６
に基づいて信号処理手段の学習を行う場合の動作につい
て説明する。信号変換手段９１はｎ個の入力Ｓｉｎ
（Ｘ）を受け、ｍ個の出力Ｓｏｕｔ（Ｘ）を出力する。
修正手段９２は、入力信号Ｓｉｎ（Ｘ）と出力信号Ｓｏ
ｕｔ（Ｘ）とを受け、誤差計算手段または後段の信号変
換手段からのｍ個の誤差信号δｉ（Ｘ）の入力があるま
で待機する。誤差信号δｉ（Ｘ）が入力され修正量を ΔＷｉｊ＝δｉ（Ｘ）・Ｓｉｏｕｔ（Ｘ）・（１−Ｓｉｏｕｔ（Ｘ））・Ｓｊｉｎ（Ｘ）（ｉ＝１〜ｎ，ｊ＝１〜ｍ）（式３）と計算し、修正信号を信号変換手段９１に送る。信号変
換手段９１は、内部の神経素子の変換パラメータを上で
説明した学習モードにしたがって修正する。図７は、神
経回路網模式手段を用いた多層パーセプトロンの構成を
示すブロック図である。図７において、９１Ｘ、９１
Ｙ、９１Ｚはそれぞれｋ個、ｌ個、ｍ個の神経素子から
なる信号変換手段であり、９２Ｘ、９２Ｙ、９２Ｚは修
正手段であり、９３３は誤差計算手段である。以上のよ
うに構成された多層パーセプトロンについて、図７を参
照しながらその動作を説明する。信号処理手段９４Ｘに
おいて、信号変換手段９１Ｘは、入力Ｓｉｉｎ（Ｘ）
（ｉ＝１〜ｎ）を受け、出力Ｓｊｏｕｔ（Ｘ）（ｊ＝１
〜ｋ）を出力する。修正手段９２Ｘは、信号Ｓｉｉｎ
（Ｘ）と信号Ｓｊｏｕｔ（Ｘ）を受け、誤差信号δｊ
（Ｘ）（ｊ＝１〜ｋ）が入力されるまで待機する。以下
同様の処理が、信号処理手段９４Ｙ、９４Ｚにおいて行
われ、信号変換手段９１Ｚより最終出力Ｓｈｏｕｔ
（Ｚ）（ｈ＝１〜ｍ）が出力される。最終出力Ｓｈｏｕ
ｔ（Ｚ）は、誤差計算手段９３にも送られる。誤差計算
手段９３においては、２乗誤差の評価関数ＣＯＳＴ（式
４）に基づいて理想的な出力Ｔ（Ｔ１，・・・・・，Ｔ
M ）との誤差が計算され、誤差信号δｈ（Ｚ）が修正手
段９２Ｚに送られる。

【００２６】

【数１】

【００２７】ηは多層パーセプトロンの学習速度を定め
るパラメータ評価関数を２乗誤差とした場合には誤差信
号は、 δｈ（Ｚ）＝−η・（Ｓｈｏｕｔ（Ｚ）−Ｔｈ）（式５）となる。修正手段９２Ｚは、上で説明した手続きにした
がって、信号変換手段９１Ｚの変換パラメータの修正量
ΔＷ（Ｚ）を計算し、修正手段９２Ｙに送る誤差信号を
（式６）に基づき計算し、修正信号ΔＷ（Ｚ）を信号変
換手段９１Ｚに送り、誤差信号δ（Ｙ）を修正手段９２
Ｙに送る。信号変換手段９１Ｚは、修正信号ΔＷ（Ｚ）
に基づいて内部のパラメータを修正する。なお、誤差信
号δ（Ｙ）は（式６）で与えられる。

【００２８】

【数２】

【００２９】ここで、Ｗｉｊ（Ｚ）は信号変換手段９１
Ｚの疑似シナプス結合変換器の変換パラメータである。

【００３０】以下、同様の処理が信号処理手段９１Ｘ、
９１Ｙにおいて行われる。学習と呼ばれる以上の手続き
を繰り返し行うことにより、多層パーセプトロンは入力
が与えられると理想出力Ｔをよく近似する出力を出すよ
うになる。なお、上記の説明においては、３段の多層パ
ーセプトロンを用いたが、これは何段であってもよい。
また、文献１にある信号変換手段のなかの非線形変換手
段の変換パラメータｈの修正法についてと慣性項として
知られる学習高速化の方法については、説明の簡略化の
ため省略したが、この省略は以下に述べる本発明を拘束
するものではない。

【００３１】こうして、神経回路網模式手段８は睡眠段
階データと体動データとの関係を学習し、簡単なルール
で記述することが容易でない推定の仕方を自然な形で表
現することができる。本実施例は、こうして得られた情
報を組み込んで、睡眠状態推定手段７を構成するもので
ある。具体的には、十分学習を終えたのちの多層パーセ
プトロンの信号変換手段９１Ｘ、９１Ｙ、９１Ｚのみを
神経回路網模式手段８として用いて、睡眠状態推定手段
７を構成するものである。

【００３２】実際に学習させたデータについて説明す
る。図８は、終夜睡眠実験におけるある被験者Ａの一夜
の睡眠段階データである。図９は同一被験者Ａの他の就
寝者の睡眠段階データである。さらに図１０は他の被験
者Ｂの睡眠段階データである。図８〜図１０において体
動の出力としてマークがついているところは先に説明し
た比較手段５の体動出力ポート５ｃの出力がＨｉの場合
に該当している。図８〜図１０にみられるようにデータ
間には個体間変動と個人差変動が認められる。これは被
験者の肉体的、心理的状態および就寝環境条件により実
験結果は変動するものであるということに起因する。本
実施例ではそのような個体間変動と個人差変動を学習に
より予測可能なものにすることを目的としている。その
ため、上記のような終夜睡眠実験を複数の被験者につい
て各々数回行い、それぞれから得られた実験データを神
経回路網模式手段に入力し学習をさせた。ただしこの実
験では環境条件（温湿度、照度、騒音、寝具等）は全て
の試行で同一条件とした。神経回路網模式手段８へはこ
のうち、入力の容易さから体動の時系列データ、入床時
からの経過時間データの２情報と、理想出力として被験
者の睡眠段階データを入力し学習させ、神経回路網模式
手段８の中の信号変換手段９１Ｘ、９１Ｙ、９１Ｚを確
立し、それらを神経回路網模式手段８として睡眠状態推
定手段７に組み込んだ。ここで、上記の体動の時系列デ
ータとはさらに説明した比較手段５の体動出力ポート５
ｃの出力がＨｉならば１、Ｌｏならば０といった２値信
号の時系列データである。

【００３３】次に図２に示したブロック図に基づき本実
施例の動作を説明する。電源投入によりさきに説明した
動作に基づき比較手段５で不在、在床、体動の判定がな
され、不在、在床、体動の各出力ポートの出力状態が表
示手段１２に表示される。就寝者がベッドに入床すると
比較手段５により在床の判定がなされ在床出力ポートが
Ｈｉとなる。この時点で計時手段１１の計時動作が開始
される。すなわち計時手段１１では入床からの経過時間
が計測される。また比較手段５の体動出力ポート５ｃの
出力が記憶手段１０に記憶される。記憶手段１０と計時
手段１１からの出力が睡眠状態推定手段７に入力され
る。睡眠状態推定手段７は、これらの入力情報をもとに
就寝者の睡眠状態を時々刻々推定し、その情報を表示手
段１２に出力している。上記動作は就寝者が離床し、不
在出力ポート５ａの出力がＨｉになると停止する。就寝
途中でトイレ起床等により離床した場合は再度入床する
ことにより上記の動作が再開する。表示手段１２の表示
をクリアする場合は再度電源を投入すればよい。

【００３４】以上のように本実施例によれば、使用され
る環境下で既に学習された神経回路網の複数の固定結合
重み係数を有する神経回路網模式手段を組み込んだ睡眠
状態推定手段を備えた構成としているので、個体間変動
や個人内変動があっても精度よく睡眠状態を判定するこ
とができる。

【００３５】次に、本発明の第２の実施例について説明
する。本実施例が上記第１の実施例と相違する点は、睡
眠状態推定手段７が体動検出手段６の出力に基づきある
時点Ｔｘにおいてそれ以前に体動が生起した時点Ｔｘｏ
からの経過時間ｔを演算する第１の演算手段１５と、経
過時間ｔを記憶する記憶手段１０とを有し、記憶手段１
０の出力を入力情報として睡眠状態を推定する点にあ
る。睡眠実験等により体動が起こっていない時間（以
下、体動静止時間とする）が長ければ長いほどその時に
深い睡眠状態である場合が多いことが判る。つまり、本
実施例では体動のあるなしといった情報だけでなく体動
静止時間をも入力することで睡眠状態判定の精度を向上
させることを目的としている。

【００３６】神経回路網模式手段８へは、体動の時系列
データ、入床時からの経過時間データ、ある時間Ｔｘに
おいてそれ以前に体動が生起した時点Ｔｘｏからの経過
時間ｔについての時系列データの３情報と、理想出力と
して被験者の睡眠段階データを入力し学習させ、神経回
路網模式手段８の中の信号変換手段９１Ｘ、９１Ｙ、９
１Ｚを確立し、それらを神経回路網模式手段８として睡
眠状態推定手段７に組み込んだ。そして第１の実施例と
同様の動作がなされ、周辺の構成は第１の実施例の構成
で達成できる。これにより睡眠状態の推定精度は、更に
向上する。

【００３７】本発明の第３の実施例について説明する。
本実施例が上記実施例と相違する点は、睡眠状態推定手
段７が体動検出手段６の出力に基づき単位時間内の体動
の発生頻度を演算する第２の演算手段１６と、第２の演
算手段１６の出力を記憶する記憶手段１０とを有し、記
憶手段１０の出力を入力情報として睡眠状態を推定する
点にある。睡眠実験等により体動の発生頻度が多ければ
浅い睡眠状態である場合が多く、逆に体動の発生頻度が
少なければ深い睡眠状態である場合が多いことが判る。
つまり、本実施例では体動のあるなしといった情報だけ
でなく体動の発生頻度をも入力することで睡眠状態判定
の精度を向上させることを目的としている。

【００３８】また神経回路網模式手段８へは、体動の時
系列データ、入床時からの経過時間データ、単位時間内
の体動の発生頻度についての時系列データの３情報と、
理想出力として被験者の睡眠段階データを入力し学習さ
せ、神経回路網模式手段８の中の信号変換手段９１Ｘ、
９１Ｙ、９１Ｚを確立し、それらを神経回路網模式手段
８として睡眠状態推定手段７に組み込んだ。そして第１
の実施例と同様の動作がなされ、周辺の構成は第１の実
施例の構成で達成できる。これにより睡眠状態の推定精
度は、更に向上する。

【００３９】さらに上記実施例における学習の際に、さ
らに入力情報として現時点よりもＴ時間前の体動発生頻
度という情報を付加した計４つの情報と、理想出力とし
て被験者の睡眠段階データを入力し学習させ、神経回路
網模式手段８の中の信号変換手段９１Ｘ、９１Ｙ、９１
Ｚを確立し、それらを神経回路網模式手段８として睡眠
状態推定手段７に組み込んでもよく、睡眠状態の推定精
度は、更に向上する。

【００４０】本発明の第４の実施例について説明する。
本実施例が上記実施例と相違する点は、睡眠状態推定手
段７が室温を検出する室温センサー１７と体動検出手段
６の出力を入力情報として睡眠状態を推定する点にあ
る。ここで、室温センサー１７は図１１に示すようにユ
ニット１２に設置されているが、室内壁面等に設置して
もよい。睡眠実験等により室温がおよそ２５℃を超える
と室温が高くなる程体動の発生頻度が多くしかも浅い睡
眠状態が多く現われる。つまり、本実施例では体動のあ
るなしといった情報だけでなく室温の情報をも入力する
ことで睡眠状態判定の精度を向上させることを目的とし
ている。

【００４１】上記構成により、終夜睡眠実験を複数の被
験者について各々数回行い、それぞれから得られた実験
データを神経回路網模式手段８に入力し学習をさせた。
ただしこの実験では室温以外の環境条件（湿度、照度、
騒音、寝具等）は全ての試行で同一条件とし、複数の室
温条件下で実験を行なった。そして神経回路網模式手段
８へは、上記実験から得られた体動の時系列データ、入
床時からの経過時間データ、室温センサー１７からの室
温データの３情報と、理想出力として被験者の睡眠段階
データを入力し学習させ、神経回路網模式手段８の中の
信号変換手段９１Ｘ、９１Ｙ、９１Ｚを確立し、それら
を神経回路網模式手段８として睡眠状態推定手段７に組
み込んだ。

【００４２】これにより就寝者がベッドに入床すると先
に説明した動作に基づき比較手段５により在床の判定が
なされ在床出力ポートがＨｉとなりこの時点で計時手段
１１の計時動作が開始される。また比較手段５の体動出
力ポート５ｃの出力が記憶手段１０に記憶され、記憶手
段１０と計時手段１１および室温センサー１７からの出
力が睡眠状態推定手段７に入力される。睡眠状態推定手
段７は、これらの入力情報をもとに就寝者の睡眠状態を
時々刻々推定し、その情報を表示手段１２に出力する。
以上のように、本実施例では体動のあるなしといった情
報だけでなく室温の情報をも入力することで睡眠状態判
定の精度を向上させることができる。

【００４３】上記第４の実施例では体動情報に加えて室
温情報を検出して睡眠状態を推定する構成であったが、
本発明の第５の実施例として、図１１に示すように室内
湿度センサー１８を設けて体動情報に加えて室内湿度情
報を検出して睡眠状態を推定する構成としてもよい。学
習の手順第４の実施例と同様だが、データを得るための
実験では室内湿度以外の環境条件（湿度、照度、騒音、
寝具等）は全ての試行で同一条件として複数の室内湿度
条件下で実験を行ない、神経回路網模式手段８へは、上
記実験から得られた体動の時系列データ、入床時からの
経過時間データ、室内湿度センサー１８からの室温デー
タの３情報と、理想出力として被験者の睡眠段階データ
を入力し学習させ、神経回路網模式手段８の中の信号変
換手段９１Ｘ、９１Ｙ、９１Ｚを確立し、それらを神経
回路網模式手段８して睡眠状態推定手段７に組み込む。

【００４４】また、本発明の第６の実施例として、図１
１に示すように室内気流センサー１９を設けて体動情報
に加えて就寝場所の気流速度情報を検出して睡眠状態を
推定する構成としてもよい。学習の手順は上記実施例と
同様である。

【００４５】また、本発明の第７の実施例として、図１
１に示すように寝床内温度センサー２０を設けて体動情
報に加えて寝床内温度情報を検出して睡眠状態を推定す
る構成としてもよい。学習の手順は上記実施例と同様で
ある。

【００４６】また、本発明の第８の実施例として、図１
１に示すように寝床内湿度センサー２１を設けて体動情
報に加えて寝床内温度情報を検出して睡眠状態を推定す
る構成としてもよい。学習の手順は上記実施例と同様で
ある。

【００４７】また、本発明の第９の実施例として、図１
１に示すように照度センサー２２を設けて体動情報に加
えて照度情報を検出して睡眠状態を推定する構成として
もよい。学習の手順は上記実施例と同様である。

【００４８】また、本発明の第１０の実施例として、図
１１に示すように騒音センサー２３を設けて体動情報に
加えて騒音レベル情報を検出して睡眠状態を推定する構
成としてもよい。学習の手順は上記実施例と同様であ
る。

【００４９】また、本発明の第１１の実施例として、図
１１に示すように皮膚温センサー２４を設けて体動情報
に加えて皮膚温情報を検出して睡眠状態を推定する構成
としてもよい。学習の手順は上記実施例と同様である。

【００５０】また、本発明の第１２の実施例として、睡
眠が深くなるにつれ心拍数が低下し安定する、レム睡眠
時には心拍数の変動が大きいといった知見により、体動
検出手段６の出力に基づき心拍数を演算する心拍数演算
手段２５をユニット１１内に設けて、体動情報に加えて
心拍情報を検出して睡眠状態を推定する構成としてもよ
い。学習の手順は上記実施例と同様である。心拍数の計
算は例えば平滑化手段４の出力の自己相関を演算しその
ピーク値を求めることにより得られる。

【００５１】以上の実施例では体動情報を含む２つまた
は３つの情報を入力しているが、この限定は本発明を拘
束するものではなく、例えば第４〜第１２の実施例で用
いた物理量すなわち、室温、室内湿度、室内気流速度、
寝床内温度、寝床内湿度、照度、騒音レベル、皮膚温、
心拍数のうち複数個を検出する構成とし、体動情報とと
もに入力する構成としてもよい。これにより睡眠状態の
推定の精度は更に向上させることができる。

【００５２】

【発明の効果】以上のように本発明の構成によれば次の
ような効果が得られる。（１）使用される環境下で既に学習された神経回路網の
複数の固定結合重み係数を有する神経回路網模式手段を
組み込んだ睡眠状態推定手段を備えた構成としているの
で、個体間変動や個人内変動があっても精度よく睡眠状
態を判定することができる。（２）体動のあるなしといった情報だけでなく体動静止
時間をも入力情報とした学習により獲得された神経回路
網模式手段を組み込んだ睡眠状態推定手段を備えた構成
としているので、睡眠状態判定の精度が更に向上する。（３）体動のあるなしといった情報だけでなく体動の発
生頻度をも入力情報とした学習により獲得された神経回
路網模式手段を組み込んだ睡眠状態推定手段を備えた構
成としているので、睡眠状態判定の精度が更に向上す
る。（４）就寝中の体動データのみならず他の現実に検出可
能な物理量すなわち、室温、室内湿度、室内気流速度、
寝床内温度、寝床内湿度、照度、騒音レベル、皮膚温、
心拍数を入力とする構成としているので、睡眠状態の推
定の精度が更に向上する。

【図面の簡単な説明】

【図１】本発明の第１の実施例における睡眠状態判定装
置の斜視図

【図２】同装置のブロック図

【図３】同装置における平滑化手段の出力波形図

【図４】同装置の神経回路網模式手段の構成単位となる
神経素子の概念図

【図５】同装置の神経素子を４つ並列につないで構成し
た信号変換手段の概念図

【図６】同装置の学習アルゴリズムとして誤差逆伝搬法
を採用した信号処理手段の構成を示したブロック図

【図７】同装置の神経回路網模式手段を用いた多層パー
セプトロンの構成を示すブロック図

【図８】終夜睡眠実験におけるある被験者Ａの睡眠段階
データ

【図９】終夜睡眠実験での別の就寝夜におけるある被験
者Ａの睡眠段階データ

【図１０】終夜睡眠実験におけるある被験者Ｂの睡眠段
階データ

【図１１】本発明の他の実施例における睡眠状態判定装
置の斜視図

【図１２】従来の睡眠状態判定装置のブロック図

【符号の説明】

１圧電素子２フィルタ３増幅手段４平滑化手段５比較手段６入眠判定手段７睡眠状態推定手段８神経回路網模式手段９信号処理手段１０記憶手段１１計時手段１２表示手段１７室温センサー１８室内湿度センサー１９室内気流センサー２０寝床内温度センサー２１寝床内湿度センサー２２照度センサー２３騒音センサー２４皮膚温センサー

Claims

【特許請求の範囲】

【請求項１】人体の体動を検出する体動検出手段と、前
記体動検出手段の出力に基づき睡眠状態を推定する睡眠
状態推定手段とからなり、前記睡眠状態推定手段は、複
数の神経素子より構成される層が多数組み合わされた階
層型神経回路網を模した手法により獲得された睡眠状態
を推定する固定された神経回路網の複数の結合重み係数
を内部に持つ神経回路網模式手段を有する睡眠状態判定
装置。
【請求項２】体動検出手段の出力に基づきある時点にお
いてそれ以前に体動が生起した時点からの経過時間を演
算する第１の演算手段と、前記第１の演算手段の出力を
記憶する記憶手段とを有し、前記記憶手段の出力を入力
情報として睡眠状態を推定する睡眠状態推定手段からな
る請求項１記載の睡眠状態判定手段。
【請求項３】体動検出手段の出力に基づき単位時間内の
体動の発生頻度を演算する第２の演算手段と、前記演算
手段の出力を記憶する記憶手段とを有し、前記記憶手段
の出力を入力情報として睡眠状態を推定する睡眠状態推
定手段からなる請求項１記載の睡眠状態判定手段。
【請求項４】室温を検出する室温センサーを有し、体動
検出手段と前記室温センサー双方の出力に基づき睡眠状
態を推定する睡眠状態推定手段からなる請求項１記載の
睡眠状態判定手段。
【請求項５】室内の湿度を検出する室内湿度センサーを
有し、体動検出手段と前記室内湿度センサー双方の出力
に基づき睡眠状態を推定する睡眠状態推定手段からなる
請求項１記載の睡眠状態判定手段。
【請求項６】室内の気流速度を検出する室内気流センサ
ーを有し、体動検出手段と前記室内気流センサー双方の
出力に基づき睡眠状態を推定する睡眠状態推定手段から
なる請求項１記載の睡眠状態判定手段。
【請求項７】寝床内の温度を検出する寝床内温度センサ
ーを有し、体動検出手段と前記寝床内温度センサー双方
の出力に基づき睡眠状態を推定する睡眠状態推定手段か
らなる請求項１記載の睡眠状態判定手段。
【請求項８】寝床内の湿度を検出する寝床内湿度センサ
ーを有し、体動検出手段と前記寝床内湿度センサー双方
の出力に基づき睡眠状態を推定する睡眠状態推定手段か
らなる請求項１記載の睡眠状態判定手段。
【請求項９】室内の照度を検出する照度センサーを有
し、体動検出手段と前記照度センサー双方の出力に基づ
き睡眠状態を推定する睡眠状態推定手段からなる請求項
１記載の睡眠状態判定手段。
【請求項１０】室内の騒音レベルを検出する騒音センサ
ーを有し、体動検出手段と前記騒音センサー双方の出力
に基づき睡眠状態を推定する睡眠状態推定手段からなる
請求項１記載の睡眠状態判定手段。
【請求項１１】就寝者の皮膚温を検出する皮膚温センサ
ーと、体動検出手段と前記皮膚温センサー双方の出力に
基づき睡眠状態を推定する睡眠状態推定手段からなる請
求項１記載の睡眠状態判定手段。
【請求項１２】体動検出手段の出力に基づき心拍数を演
算する心拍数演算手段と、体動検出手段と前記心拍数演
算手段双方の出力に基づき睡眠状態を推定する睡眠状態
推定手段からなる請求項１記載の睡眠状態判定手段。