专利名称：睡眠状态推定装置及实行睡眠状态推定功能的程序产品的制作方法
技术领域：
本发明涉及基于生物信息推定睡眠状态的睡眠状态推定装置以及用于实行睡眠状态推定功能的程序产品。
背景技术：
近年来，在健康意识提高过程中，在一般家庭中，产生了通过管理每日的睡眠来促进健康管理的这种需要。对睡眠来说，有睡得浅的雷姆睡眠和睡得深的非雷姆睡眠，更详细地说是根据睡眠深度定义的。所谓睡眠深度，遵照国际标准，有从脑电波、眼球运动、鄂筋电判断的“雷姆睡眠”、“睡眠深度1、2、3、4”、“清醒”的状态。还有，“睡眠深度1、2、3、4”相当于睡得深的非雷姆睡眠。作为睡眠状态的判断方法，已知的有睡眠多种波动记录器法。该方法是检测上述的脑波、眼球运动、鄂筋电，并由该检测波形判断睡眠深度。
另外，作为不使用睡眠多种波动记录器而推定睡眠深度的方法，测定呼吸次数、心跳、体重，并由测定结果，例如根据神经网络或紊乱理论推定该睡眠深度的方法已广为所知。另外，该方法记载于公开专利公报H9-294731号(JP)和测量自动控制学会论文集Vol138，No.7,581/589，2002。
根据该原有技术对睡眠深度的推定，是将重点放在测定的呼吸次数、心跳次数、身体运动的信息之中，特别是将重点放在心跳次数的变动、间隔来推定睡眠深度。对于高精度地测定心跳次数，一般使用心电图。但是，在用心电图进行测定时，必须将电极直接贴在肌肤上，存在人体被从电极延伸到测定器的软线束缚住的缺点。另外，在无束缚传感器测定时，测定的心跳次数的信号微弱，并且噪音等心跳以外的影响多。因此，必须进行信号的放大处理或用于频率解析的FFT以及过滤运算处理，存在处理变得复杂的问题发明内容本发明的目的在于提供一种比较简单而且实时进行睡眠状态的推定的睡眠状态推定装置。为了这个目的，本发明着眼于呼吸运动和睡眠状态的关系，基于呼吸运动的规则的和不规则的变动来推定睡眠是深或浅的睡眠状态。
本发明的第1方案，其特征在于，在推定睡眠状态的睡眠状态推定装置中，具备从生物信息传感器的输出信号抽取呼吸信号的生物信息处理机构；基于从该生物信息处理机构输出的呼吸信号来推定睡眠状态的睡眠状态推定机构。
在该第1方案中，上述睡眠状态推定机构能够采取以下结构，即具备由来自上述生物信息处理机构的呼吸信号计算出所定期间的呼吸信号的峰值的峰值计算机构；由上述呼吸信号计算出在上述所定期间的呼吸信号的峰值间隔的峰值间隔计算机构，基于上述峰值和上述峰值间隔来推定睡眠状态。
更具体地说，上述睡眠状态推定机构能够采用以下结构，即还具备从以上述峰值间隔计算机构算出的上述峰值间隔计算出基于该峰值间隔的分布的第1变动系数的第1变动系数计算机构；从以上述峰值计算机构算出的峰值计算出基于该峰值的分布的第2变动系数的第2变动系数计算机构，通过对第1变动系数以及第2变动系数和所定阈值进行比较来推定睡眠状态。
另外，上述睡眠状态推定机构能够采用以下结构，即还具备从以上述峰值间隔计算机构算出的峰值间隔计算出该峰值间隔的平均值的峰值间隔平均计算机构；从以上述峰值计算机构算出的峰值计算出基于该峰值的分布的第2变动系数的第2变动系数计算机构，通过对上述峰值间隔的平均值以及第2变动系数和所定阈值进行比较来推定睡眠状态。
除此之外，上述睡眠状态推定机构能够采取以下结构，即还具备从以上述峰值间隔计算机构算出的峰值间隔计算出基于该峰值间隔的分布的第1变动系数的第1变动系数计算机构；从以上述峰值计算机构算出的峰值计算出基于该峰值的分布的第2变动系数的第2变动系数计算机构；从以上述峰值间隔计算机构算出的峰值间隔计算出该峰值间隔的平均值的峰值间隔平均计算机构；通过对第1变动系数以及第2变动系数和所定阈值进行比较，另外，对上述峰值间隔的平均值以及第2变动系数和所定阈值进行比较，来推定睡眠状态。
另外，本发明作为用于赋予计算机睡眠状态推定功能的程序产品也能够把握。其特征在于，该场合，程序产品具备从生物信息传感器的输出信号抽取呼吸信号的生物信息处理工序；基于在该生物信息处理工序中抽取的呼吸信号来推定睡眠状态的睡眠状态推定工序。
在该方案中，上述睡眠状态推定工序具备由在上述生物信息处理工序中抽取的呼吸信号计算出在所定期间的呼吸信号的峰值的峰值计算工序；由上述呼吸信号计算出在上述所定期间的呼吸信号的峰值间隔的峰值间隔计算工序，基于上述峰值和上述峰值间隔来推定睡眠状态。
更具体地说，上述睡眠状态推定工序还具备从在上述峰值间隔计算工序中算出的上述峰值间隔计算出基于该峰值间隔的分布的第1变动系数的第1变动系数计算工序；从在上述峰值计算工序算出的峰值计算出基于该峰值的分布的第2变动系数的第2变动系数计算工序，通过对第1变动系数以及第2变动系数和所定阈值进行比较来推定睡眠状态。
另外，上述睡眠状态推定工序还具备从在上述峰值间隔计算工序中算出的峰值间隔计算出该峰值间隔的平均值的峰值间隔平均计算工序；从在上述峰值计算工序算出的峰值计算出基于该峰值的分布的第2变动系数的第2变动系数计算工序，通过对上述峰值间隔的平均值以及第2变动系数和所定的阈值进行比较来推定睡眠状态。
除此之外，上述睡眠状态推定工序还具备从在上述峰值间隔计算工序中算出的峰值间隔计算出基于该峰值间隔的分布的第1变动系数的第1变动系数计算工序；从在上述峰值计算工序算出的峰值计算出基于该峰值的分布的第2变动系数的第2变动系数计算工序；从在上述峰值间隔计算工序中算出的峰值间隔计算出该峰值间隔的平均值的峰值间隔平均计算工序；通过对第1变动系数以及第2变动系数和所定阈值进行比较，另外，对上述峰值间隔的平均值以及第2变动系数和所定阈值进行比较，来推定睡眠状态。
本发明的上述及其他目的、新的特征，参照以下附图通过以下所示的实施方式的说明，就会完全清楚。
图1展示实施方式的睡眠状态推定装置的结构。
图2展示用作实施方式的生物信息传感器之一的呼吸带。
图3展示由实施方式的生物信息处理部抽取的呼吸信号。
图4展示由实施方式的生物信息处理部输出的呼吸信号模式波形。
图5展示实施方式的推定睡眠状态的流程图。
图6展示比较由实施方式的睡眠状态推定装置推定出的睡眠状态推定结果和睡眠多种波动记录器测出的睡眠深度的实测数据的曲线图。
图7展示使用薄片状的静电电容式的无束缚生物信息传感器的场合的睡眠状态推定装置的结构。
图8展示使用薄片状的静电电容式的无束缚生物信息传感器的场合的睡眠状态推定装置的结构。
图9展示应用于使用薄片状的静电电容式的无束缚生物信息传感器的场合的睡眠状态推定流程的变更例。
具体实施例方式
以下，参照附图对本发明的实施方式进行说明。但是，以下的实施方式仅是本发明的一例而已，并不限定本发明的范围。
参照图1，本发明的睡眠状态推定装置由用作生物信息传感器之一的呼吸带1、生物信息处理部2、睡眠状态推定部3构成。在该图1中，人躺在褥子4上，在人体的上半身安装有呼吸带1。
所谓呼吸带1，如图2所示，是应变仪1a附带的有弹性带。这里，应变仪1a比如由碳管或者硫酸锌溶液管等构成。将该呼吸带1缠在人体的胸部或者腹部后，应变仪1a根据人体的呼吸运动伸缩，其电阻产生变化。
生物信息处理部2，对应变仪1a的两端施加一定的电压，测定电阻变化导致的应变仪1a的电压变化来作为人体的呼吸运动的变化。
图3表示由生物信息处理部2测定的人体的呼吸运动导致的电压变化。在图3中，横轴是测定时间(t)、纵轴是电压(V)。
睡眠状态推定部3将由生物信息处理部2测定的电压变化通过以取样频率10Hz进行取样来数字化。然后，如图3所示那样每30秒分割一次，在每30秒区间内，电压的正的峰值和相邻的峰值之间的峰值间隔值如下算出。即，将从被测定的电压变化的数据超过所定的正的阈值直到达到所定的负的阈值的期间的最大值作为电压的正的峰值来算出。然后，将从算出的正的峰值直到到达下一次的正的峰值的时间最为正的峰值间隔值。
通过这样设置负的阈值，能够防止正的峰值被错误检测。另外，在图3中，在时间0～30秒的区间，正的峰值存在7点(P1～P7)，作为正的阈值设定为值1，作为负的阈值设定为值-0.1。睡眠状态推定部3像上面那样算出这7点(P1～P7)的峰值和相邻的每个的峰值之间的时间间隔(峰值间隔值)。
接着，计算出在30秒区间算出的电压的正的峰值间隔值的平均值A、基于该峰值间隔值的分布的变动系数B、基于正的电压峰值的分布的变动系数C。然后，通过将计算出的正的电压峰值间隔的平均值A、变动系数B、变动系数C分别与睡眠状态推定用的阈值a、b、c比较，推定睡眠状态为“清醒”、“入睡”、“深睡”、“浅睡”中的哪一个。
这里，所谓睡眠状态为“清醒”是指清醒时的状态。所谓“入睡”是指从“清醒”状态进入睡眠之后的状态。所谓“浅睡”是指从“入睡”的状态进一步加深睡的状态。所谓“深睡”是指从“浅睡”进一步加深睡的状态，是睡眠最深的状态。
另外，根据本实施方式的睡眠深度测定装置推定的睡眠状态和根据国际标准规定的睡眠深度其对应如下。即，以本实施样式推定的“清醒”相当于睡眠深度中的“清醒”。以本实施样式推定的“入睡”相当于睡眠深度中的“在入睡后最初出现的睡眠深度1、2”。以本实施方式推定的“浅睡”相当于睡眠深度中的“雷姆睡眠、睡眠深度1、2”。但是，除“在入睡后最初出现的睡眠深度1、2”之外。以本实施样式推定的“深睡”相当于睡眠深度中的“睡眠深度3、4”。
下面参照图4来说明峰值间隔的平均值A、变动系数B、变动系数C的计算方法。图4是为了便于说明正的电压峰值间隔的平均值A、变动系数B、变动系数C的计算方法而做成的、根据生物信息处理部2测定的30秒间的电压变化的模型图。
参照图4，Pi(i＝1、2…n)表示正的电压峰值，ti(i＝1、2，…n)表示电压达到峰值的时间，gi(i＝1、2，…n-1)表示正的电压峰值间隔。
峰值间隔gi由下面的公式算出。
gi＝ti+1-ti(i＝1，2，3，…n-1)正的电压峰值间隔的平均值A由下面的公式算出。
A=Σi=1gin-1]]>正的电压峰值的平均值由下面的公式算出。
P‾=Σi=1Pin]]>变动系数B是将正的电压峰值间隔的分布除以正的电压峰值间隔的平均值A所得到的值，即，由下面公式算出。
B=Σi=1n-1(A-gi)2n-1/A]]>变动系数C是将正的电压峰值的分布除以正的电压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‾]]>睡眠状态推定部3基于由上述公式算出的正的电压峰值间隔的平均值A、变动系数B、变动系数C来推定睡眠状态。
接下来参照图5所示的流程图来说明睡眠推定部3的睡眠状态的推定方法。
参照图5，在步骤S100中，将时间置零计量测定时间，开始由生物信息处理部2测定因人体的呼吸运动所产生的电压变化。这时，作为初期值，状态标志为“清醒”。所谓状态标志是指表示来自一区间前的电压测定数据的睡眠状态的标志。
在步骤S101中，判断电压变化的测定时间是否从时间置零开始经过了30秒。这里，在经过了30秒的场合，进入步骤S102，再次将时间置零，再次计量测定时间。
在步骤S103中，根据30秒间的电压变化的测定结果，用上述的计算方法算出正的电压峰值间隔的平均值A、变动系数B、变动系数C。
在步骤S104中判断状态标志的值。
步骤S104中的判断结果，状态标志为“清醒”的话就进入步骤S105，为“入睡”的话则进入步骤S109，为“深睡”的话则进入步骤S113，为“浅睡”的话则进入步骤S117。
在步骤S105中，判断正的电压峰值间隔的平均值A是否比所定的阈值a大，而且，变动系数C是否比所定的阈值c大，为“是”的话就进入步骤S106，为“否”的话则进入步骤S108。
在步骤S106中，把睡眠状态当作“入睡”，进入步骤S107。
在步骤S107中，把状态标志当作“入睡”，返回步骤S101。
在步骤S108中，把睡眠状态当作“清醒”，返回步骤S101。
在步骤S109中，判断变动系数B是否比所定的阈值b还小，并且，变动系数C是否比所定的阈值c小，为“是”的话就进入步骤S110，为“否”的话则进入步骤S112。
在步骤S110中，把睡眠状态当作“深睡”，进入步骤S111。
在步骤S111中，把状态标志当作“深睡”，返回步骤S101。
在步骤S112中，把睡眠状态当作“入睡”，返回步骤S101。
在步骤S113中，判断变动系数B是否比所定的阈值b大，或者，变动系数C是否比所定的阈值c大，为“是”的话就进入步骤S114，为“否”的话则进入步骤S116。
在步骤S114中，把睡眠状态当作“浅睡”，进入步骤S115。
在步骤S115中，把状态标志当作“浅睡”，返回步骤S101。
在步骤S116中，把睡眠状态当作“深睡”，返回步骤S101。
在步骤S117中，判断变动系数B是否比所定的阈值b小，并且，变动系数C是否比所定的阈值c小，为“是”的话就进入步骤S118，为“否”的话则进入步骤S120。
在步骤S118中，把睡眠状态判断为“深睡”，进入步骤S119。
在步骤S119中，把状态标志当作“深睡”，返回步骤S101。
在步骤S120中，把睡眠状态当作“浅睡”，返回步骤S101。
如上所述，睡眠状态推定部3通过将电压峰值间隔的平均值A、变动系数B、变动系数C分别与所定的阈值相比较，推定睡眠状态为“清醒”、“入睡”、“深睡”、“浅睡”的某一种。
图6是对利用本实施方式的睡眠推定装置对某被验者推定的睡眠状态的推定结果(该图b)和利用多种波动记录器测定的睡眠深度的实测数据(该图a)进行比较后所显示的检验结果。另外，在该图(a)中，为了便于与该图(b)的推定结果相比较，以睡眠深度中的“雷姆睡眠、睡眠深度1、2”作为“浅睡”来表示，另外，以“睡眠深度3、4”作为“深睡”来表示。
计算出该图(b)的推定结果的时候，用上述图3表示的峰值检测用的阈值，正的阈值为1、负的阈值为-0.1。另外，用上述图5表示的睡眠状态推定用的阈值a、b、c分别为a＝4.0、b＝0.08、c＝0.08。
另外，在图6(b)中，从测定开始30秒间的电压峰值间隔之的平均值A、基于该峰值间隔值的分布的变动系数B、基于峰值的分布的变动系数C分别是，A＝3.14、B＝0.27404、C＝0.24292。
对图6(a)和图6(b)进行比较的话，在图6(a)的实测数据的开始出现的“浅睡(雷姆睡眠、睡眠深度1、2)”和由本实施方式的睡眠状态推定装置推定的“入睡”时间几乎相同。另外，用其后的实测数据判断的“浅睡(雷姆睡眠、睡眠深度1、2)”和由本实施方式的睡眠状态推定装置推定的“浅睡”以及由实测数据判断的“深睡(睡眠深度3、4)”和由本实施方式的睡眠状态推定装置推定的“深睡”也为几乎相同的动作。这样，根据本实施方式的睡眠状态推定装置得出的推定结果和睡眠深度的实测值表示极为近似的变动，由此可知，本睡眠状态推定装置具有极高的准确度。
由以上的检验结果可知，测定基于人体的呼吸运动的电压变动，根据测定结果计算出每一定期间的正电压的峰值、该峰值间隔值，算出该峰值间隔值的平均值A、基于该峰值间隔值的分布的变动系数B、基于峰值的分布的变动系数C，便能够高精度地推定出基于它们的睡眠状态。
还有，在本实施方式中，作为生物信息传感器使用呼吸带只测定人体的呼吸运动，根据呼吸运动的测定结果推定睡眠状态，但是，作为其他的生物信息传感器也可以使用例如薄片状的静电电容式的传感器。该场合，如图7以及图8所示，该薄片状的静电电容式的传感器5被安装在褥子中。该薄片状的静电电容式的传感器5被人体的上半身压迫而使电极间的距离产生变动，伴随于此，薄片状的静电电容式的传感器5的电极间的静电电容发生变动。因此，生物信息处理部2能够根据人体的呼吸运动以及身体运动测定薄片状的静电电容式的传感器5的电极间的静电电容的变动。
在该场合，睡眠状态推定部3能够从来自生物信息部2的输出信号抽抽取除基于人体的呼吸运动的静电电容的变动外，还有身体运动导致的静电电容的变动。
身体运动产生的静电电容的变动能够用于推定是睡眠状态的推定中的“清醒”还是清醒状态以外的所谓“睡着”状态。
具体地说，身体运动产生的静电电容的变动能够如图9的流程所示来用于睡眠推定。另外，图9的流程中的步骤之中，与图4的流程中相同的步骤赋予同一符号。在图9的流程中，图4的流程的步骤S100和S103分别替换成步骤S200和S201。另外，在步骤S104之前追加步骤S202。
参照图9的流程，在步骤S200中，生物信息处理部2测定由人体的呼吸运动以及身体运动导致的薄片状的静电电容式传感器5的静电电容的变动。
在步骤S201中，睡眠状态推定部3由该静电电容的变动如下检测身体运动导致的变动以及呼吸运动导致的变动。
即，由于由身体运动导致的变动比有呼吸运动导致的变动大，所以，在身体运动比预先设定的身体运动用的阈值大的场合，睡眠状态推定部3以该变动作为身体运动来确认，以超过身体运动用阈值的变动次数作为身体运动产生的次数Mk来进行计算。
然后，由身体运动导致的静电电容的变动次数Mk以一定的比率包含在睡眠状态的推定所使用的区间的数据内的场合(Mk≥m，m是阈值)，睡眠状态推定部3在步骤S202中把睡眠状态当作“清醒”来推定，在其区间不进行S104以后的睡眠状态的推定，在步骤S108中，把睡眠状态当作“清醒”返回步骤S101。
另一方面，在Mk＜m的场合，睡眠状态推定部3推定为“睡着”，接着，在步骤S104以后的步骤中，由基于呼吸运动的静电电容的变动进行睡眠状态的推定。该场合，睡眠状态推定部3与上面所述一样，基于睡眠状态的推定所使用的区间内的呼吸运动导致的变动，以静电电容的峰值间隔值的平均值为A、以基于该峰值间隔值的分布的变动系数为B、以基于该峰值的分布的变动系数为C、进行计算。即，根据包含了比身体运动用的阈值大的呼吸运动的变动区间的全区间的呼吸运动，以峰值间隔值的平均值为A、以基于该峰值间隔值的分布的变动系数为B、以基于该峰值的分布的变动系数为C、进行计算。
另外，这样包含了比身体运动用的阈值大的呼吸运动的变动区间，以峰值间隔值的平均值为A、以基于该峰值间隔值的分布的变动系数为B、以基于该峰值的分布的变动系数为C、进行计算的话，则变动系数B以及C的值变得非常大。但是，即使这样，由于睡眠状态被准确判断，所以处理上没有特别问题。如下所示。
即，在从步骤S103进入步骤S105的场合，虽然进入步骤S106或者步骤S108，但是，无论哪个都被判断为清醒或入睡。另外，在进入步骤S109的场合，成了进入步骤S112而被判断为入睡。在进入步骤S113的场合，成了进入步骤S114而被判断为浅睡。在进入步骤S117的场合，成了进入步骤S120而被判断为浅睡。因此，无论在哪种场合都不会被判断为深睡，而是像希望的那样进行动作。
这样，在使用了静电电容式传感器5的睡眠状态推定装置中，由于能够另外进行是“清醒”状态、还是“睡着”状态的推定，所以，能够抑制图6(a)和图6(b)的睡眠推定的差异、即抑制10000秒～15000秒期间、以及15000秒～20000秒期间的是否为“清醒”的差异的可能性变高。即，按照图9的流程，在10000秒～15000秒期间、以及15000秒～20000秒期间，与多种波动记录器一样，被判断为“清醒”的可能性变高。
另外，在图9的处理流程中，虽然将以一定比率包含有身体运动导致的静电电容的变动次数Mk(Mk≥m，m是阈值)的区间判断为“清醒”，但是，也可以取而代之，例如，将该区间推定为“身体运动激烈状态”或者“有可能清醒的状态”。即，由于不论是深睡或者浅睡都是产生身体运动而得到的，所以，以一定比率包含上述变动次数Mk的场合不是直接作为“清醒”，而是推定为具有该可能性的某种状态。
另外，在上述实施方式中，将睡眠状态推定部3利用生物信息处理部2测定的电压变化以取样频率10Hz取样而数字化，作为一个区间，基于30秒间的电压测定结果算出峰值间隔值的平均值A、基于该峰值间隔值的分布的变动系数B、基于峰值的分布的变动系数C，基于它们来推定睡眠状态，该取样频率以及一个区间的长度能够进行适当变更。
另外，睡眠状态推定部3对睡眠状态进行推定时，用于比较峰值间隔值的平均值A、变动系数B、变动系数C的睡眠状态推定用的阈值a、b、c是通过来自多个被验者的数据进行统计处理而适当设定的。
另外，图5以及图9所示的处理流程，对于硬件来说，能够在任意的计算机的CPU、存储器、其他的LSI等上实现。另外，对于软件来说，利用安装在存储器中的程序等来实现。在图1中，虽然是以睡眠状态推定装置的结构作为功能块来展示的，但是，这些功能块当然也能够以只有硬件、只有软件、或它们的组合等各种形式来实现。介由CD-ROM等媒体或者互联网等网络，通过在个人计算机等计算机装置上下载赋予这些功能的程序，自然也能够实现这些功能。
以上虽然是对本发明的实施方式进行说明的，但是，本发明并不限定于上述实施方式。本发明的实施方式在本发明的技术宗旨范围内可以适当地进行各种变更。
权利要求
1.一种推定睡眠状态的睡眠状态推定装置，其特征在于，具备从生物信息传感器的输出信号抽取呼吸信号的生物信息处理机构；基于从该生物信息处理机构输出的呼吸信号来推定睡眠状态的睡眠状态推定机构。
2.根据权利要求1所述的睡眠状态推定装置，其特征在于所述睡眠状态推定机构具备从来自所述生物信息处理机构的呼吸信号计算出所定期间的呼吸信号的峰值的峰值计算机构，和从所述呼吸信号计算出所述所定期间的呼吸信号的峰值间隔的峰值间隔计算机构；所述睡眠状态推定机构基于所述峰值和所述峰值间隔来推定睡眠状态。
3.根据权利要求2所述的睡眠状态推定装置，其特征在于所述睡眠状态推定机构还具备从以所述峰值间隔计算机构算出的所述峰值间隔计算出基于该峰值间隔的分布的第1变动系数的第1变动系数计算机构，和从以所述峰值计算机构算出的峰值计算出基于该峰值的分布的第2变动系数的第2变动系数计算机构；所述睡眠状态推定机构通过对第1变动系数以及第2变动系数与所定阈值进行比较来推定睡眠状态。
4.根据权利要求2所述的睡眠状态推定装置，其特征在于所述睡眠状态推定机构还具备从以所述峰值间隔计算机构算出的峰值间隔计算出该峰值间隔的平均值的峰值间隔平均计算机构，和从以所述峰值计算机构算出的峰值计算出基于该峰值的分布的第2变动系数的第2变动系数计算机构；所述睡眠状态推定机构通过对所述峰值间隔的平均值以及第2变动系数与所定阈值进行比较来推定睡眠状态。
5.根据权利要求2所述的睡眠状态推定装置，其特征在于所述睡眠状态推定机构还具备从以所述峰值间隔计算机构算出的峰值间隔计算出基于该峰值间隔的分布的第1变动系数的第1变动系数计算机构，从以所述峰值计算机构算出的峰值计算出基于该峰值的分布的第2变动系数的第2变动系数计算机构，从以所述峰值间隔计算机构算出的峰值间隔计算出该峰值间隔的平均值的峰值间隔平均计算机构；所述睡眠状态推定机构通过对第1变动系数以及第2变动系数与所定阈值进行比较，另外，对所述峰值间隔的平均值以及第2变动系数与所定阈值进行比较，来推定睡眠状态。
6.根据权利要求1～5中任何一项所述的睡眠状态推定装置，其特征在于，还具备检测清醒状态的清醒检测机构；在所述清醒检测机构检测出清醒的场合，中止所述睡眠状态推定机构对睡眠状态的推定的推定中止机构。
7.根据权利要求6所述的睡眠状态推定装置，其特征在于所述清醒检测机构通过从所述生物信息传感器的输出信号中抽取身体运动信号来检测清醒状态。
8.一种用于赋予计算机睡眠状态推定功能的程序产品，其特征在于，具备从生物信息传感器的输出信号抽取呼吸信号的生物信息处理工序；基于从该生物信息处理工序抽取的呼吸信号来推定睡眠状态的睡眠状态推定工序。
9.根据权利要求8所述程序产品，其特征在于，所述睡眠状态推定工序具备从在所述生物信息处理工序抽取的呼吸信号计算出所定期间的呼吸信号的峰值的峰值计算工序，从所述呼吸信号计算出所述所定期间的呼吸信号的峰值间隔的峰值间隔计算工序；所述睡眠状态推定工序基于所述峰值和所述峰值间隔来推定睡眠状态。
10.根据权利要求9所述程序产品，其特征在于，所述睡眠状态推定工序还具备从以所述峰值间隔计算工序算出的所述峰值间隔计算出基于该峰值间隔的分布的第1变动系数的第1变动系数计算工序，从以所述峰值计算工序算出的峰值计算出基于该峰值的分布的第2变动系数的第2变动系数计算工序；所述睡眠状态推定工序通过对第1变动系数以及第2变动系数与所定阈值进行比较来推定睡眠状态。
11.根据权利要求9所述程序产品，其特征在于，所述睡眠状态推定工序还具备从以所述峰值间隔计算工序计算出的峰值间隔计算出该峰值间隔的平均值的峰值间隔平均计算工序，从以所述峰值计算工序算出的峰值计算出基于该峰值的分布的第2变动系数的第2变动系数计算工序；所述睡眠状态推定工序通过对所述峰值间隔的平均值以及第2变动系数与所定阈值进行比较来推定睡眠状态。
12.根据权利要求9所述程序产品，其特征在于，所述睡眠状态推定工序还具备从以所述峰值间隔计算工序算出的峰值间隔计算出基于该峰值间隔的分布的第1变动系数的第1变动系数计算工序，从以所述峰值计算工序算出的峰值计算出基于该峰值的分布的第2变动系数的第2变动系数计算工序，从以所述峰值间隔计算工序算出的峰值间隔计算出该峰值间隔的平均值的峰值间隔平均计算工序；所述睡眠状态推定工序通过对第1变动系数以及第2变动系数与所定阈值进行比较、另外对所述峰值间隔的平均值以及第2变动系数与所定阈值进行比较，来推定睡眠状态。
13.根据权利要求8～12中任何一项所述的程序产品，其特征在于，还具备检测清醒状态的清醒检测工序；在所述清醒检测工序检测出清醒的场合，中止所述睡眠状态推定工序对睡眠状态的推定的推定中止工序。
14.根据权利要求13所述的程序产品，其特征在于，所述清醒检测工序通过从所述生物信息传感器的输出信号抽取身体运动信号来检测清醒状态。
全文摘要
本发明提供一种能够比较容易地实时推定出睡眠深浅的睡眠状态的睡眠状态推定装置。该睡眠状态推定装置，每隔一定期间测定基于人体呼吸运动的电压变动，从测量结果计算出电压的正的峰值和相邻峰值之间的间隔(时间)，并且，从计算出来的峰值以及峰值间隔计算出峰值间隔的平均值A、基于峰值间隔的分布的变动系数B、基于峰值的分布的变动系数C。基于这些计算出的结果来推定这期间的睡眠状态。更具体地说，参照图5，通过比较平均值A以及变动系数C与阈值a、c的大小来推定是清醒还是入睡(S105)，另外，通过比较变动系数B以及变动系数C与阈值b、c的大小来推定是入睡、浅睡还是深睡(S109、S113、S116、S117)。
文档编号A61B5/11GK1606962SQ200410085030
公开日2005年4月20日 申请日期2004年10月13日 优先权日2003年10月14日
发明者冈田志麻, 南浦武史, 阪井英隆, 山本泰司, 藤原义久 申请人:三洋电机株式会社