JP2013121489A - 睡眠状態検出装置、睡眠状態演算装置、及び睡眠状態検出システム - Google Patents

Abstract

【課題】被験者の個人差による影響を低減し、且つより高精度な睡眠状態を検出することが可能な睡眠状態検出装置、睡眠状態演算装置、及び睡眠状態検出システムを提供する。
【解決手段】３個の電極１１〜１３で検出される脳波データをフーリエ変換してスペクトル解析データを取得し、更に、該スペクトル解析データに含まれるδ波、θ波、α波、β波、及び前額筋電図（ｅｍｇ）に基づき、Ｘ＝δ／（δ＋θ＋α＋β＋ｅｍｇ）の演算を実行してδ波の含有率Ｘを求める。そして、この含有率Ｘと第１〜第３閾値ＴＨ１，ＴＨ２，ＴＨ３の比較により、被験者の睡眠状態がレム睡眠、浅いノンレム睡眠、及び深いノンレム睡眠のうちの何れであるかを検出する。そして、含有率Ｘを求める際に前額筋電図のデータを用いているので、より被験者の睡眠状態を反映した高精度な睡眠状態の検出が可能となる。
【選択図】図１

Description

本発明は、被験者の睡眠状態を検出する睡眠状態検出装置、及び被験者の睡眠状態を演算により求める睡眠状態演算装置、及び睡眠状態検出システムに関する。

一般に、人間の睡眠は睡眠の深さに応じてレム（ＲＥＭ；Rapid eye movement）睡眠、ノンレム睡眠に分類され、更に、ノンレム睡眠は浅いノンレム睡眠と深いノンレム睡眠に分類されることが知られている。このような眠りの深さを測定することは、被験者の体調を管理する上で重要な要素となっている。

睡眠の深さを検出する装置として従来より、例えば特開２００９−１１２４０２号公報（特許文献１）に記載されたものが知られている。該特許文献１では、被験者の頭部近傍に脳波検出端子を取り付け、この脳波検出端子を用いて被験者の脳波を検出し、検出される脳波に含まれるδ波（周波数０．５〜４．０Ｈｚ）、α波（周波数８．０〜１２．０Ｈｚ）、σ波（周波数１２．０〜１６．０Ｈｚ）、β波（周波数１３．０〜４０．０Ｈｚ）の含有量、及び含有率に基づいて被験者の睡眠状態、即ち、被験者の睡眠がレム睡眠、浅いノンレム睡眠、或いは深いノンレム睡眠のうちのいずれであるかを判断することが開示されている。

特開２００９−１１２４０２号公報

しかしながら、上述した特許文献１に開示された従来例では、被験者の脳波を検出し、更に脳波に含まれるδ波、α波、σ波、β波の含有量、及び含有率を用いて睡眠状態を判断しており、これらの含有量、及び含有率は個人差が大きく、多くの被験者に対して一義的に睡眠状態を検出することが難しいという問題がある。また、被験者の筋電図のデータを用いていないので、睡眠状態の検出精度が低下するという問題があった。

本発明は、このような従来の課題を解決するためになされたものであり、その目的とするところは、被験者の個人差による影響を低減し、且つより高精度に睡眠状態を検出することが可能な睡眠状態検出装置、睡眠状態演算装置、及び睡眠状態検出システムを提供することにある。

上記目的を達成するため、本願請求項１に記載の睡眠状態検出装置は、被験者の睡眠状態を検出する睡眠状態検出装置において、前記被験者の前額部に設けられた少なくとも３個の電極と、前記電極により検出される脳波から、所望の低周波成分を除去するパッシブ型のハイパスフィルタと、前記ハイパスフィルタの出力信号から、筋電図に相当する所定周波数よりも高い周波成分を除去するアクティブ型のローパスフィルタと、前記ローパスフィルタを通過した信号をスペクトル解析するスペクトル解析手段と、前記スペクトル解析手段より出力されるスペクトル解析データを、携帯式の記憶媒体に書き込む記憶媒体入出力手段と、を備えたことを特徴とする。

請求項２に記載の発明は、前記ローパスフィルタを通過した信号を原波形データとして出力する原波形出力手段を更に備え、前記記憶媒体入出力手段は、前記スペクトル解析データに加え、前記原波形データを前記記憶媒体に書き込むことを特徴とする。

請求項３に記載の発明は、前記３個の電極は、前記被験者の前額部に貼り付け可能な粘着性導電ゲル電極であり、各電極を粘着性絶縁ゲルシートを用いて、前記前額部に貼り付けることを特徴とする。

請求項４に記載の発明は、前記前額部に設けられ、前記被験者の脈波を検出する脈波検出手段を更に備え、前記記憶媒体入出力手段は、前記携帯式の記憶媒体に前記脈波検出手段で検出される脈波データを書き込むことを特徴とする。

請求項５に記載の発明は、前記前額部に設けられ、前記被験者頭部の向きを検出する加速度検出手段を更に備え、前記記憶媒体入力手段は、前記携帯式の記憶媒体に前記加速度検出手段で検出される加速度データを書き込むことを特徴とする。

請求項６に記載の睡眠状態演算装置は、被験者の脳波に基づいて得られるスペクトル解析データに基づいて、該被験者の睡眠状態を演算する睡眠状態演算装置において、前記スペクトル解析データが記憶された記憶媒体の記憶データを読み取るデータ読み取り手段と、前記スペクトル解析データに含まれるδ波、θ波、α波、β波、及び前額筋電図のデータに基づき、δ波レベルをδ、θ波レベルをθ、α波レベルをα、β波レベルをβ、前額筋電図のレベルをｅｍｇとしたとき、「Ｘ＝δ／（δ＋θ＋α＋β＋ｅｍｇ）」の演算を実行してδ波の含有率Ｘを求める演算手段と、前記演算手段で求められた含有率Ｘに基づき、前記被験者の睡眠状態が、覚醒、レム睡眠、浅いノンレム睡眠、及び、深いノンレム睡眠、のうちの何れであるかを検出する睡眠状態検出手段と、を備えることを特徴とする。

請求項７に記載の発明は、前記データ読み取り手段は、前記スペクトル解析データに加えて、前記記憶媒体に記憶されている前記脳波の原波形データを読み取り、前記原波形データに基づいて、眼電図を読み取る眼電図読み取り手段を更に備え、前記睡眠状態検出手段は、前記含有率Ｘに加え、前記眼電図読み取り手段で読み取られる眼電図に基づいて、前記被験者の睡眠状態が、覚醒、レム睡眠、浅いノンレム睡眠、及び、深いノンレム睡眠、のうちの何れであるかを検出することを特徴とする。

請求項８に記載の発明は、記憶媒体には前記スペクトル解析データに加え、被験者の脈波データ、及び被験者頭部の向きを示す加速度データの少なくとも一方が記憶され、前記データ読み取り手段は、前記スペクトル解析データに加えて、前記記憶媒体に記憶されている被験者の脈波データ、及び被験者頭部の向きを示す加速度データの、少なくとも一方を読み取り、前記睡眠状態検出手段は、前記スペクトル解析データに加え、前記脈波データ及び前記加速度データの少なくとも一方を用いて前記被験者の睡眠状態が、覚醒、レム睡眠、浅いノンレム睡眠、及び、深いノンレム睡眠、のうちの何れであるかを検出することを特徴とする。

請求項９に記載の発明は、前記データ読み取り手段で読み取られたスペクトル解析データを移動平均処理する移動平均処理手段を更に備えたことを特徴とする。

請求項１０に記載の睡眠状態検出システムは、被験者の睡眠状態を検出する睡眠状態検出システムにおいて、前記被験者の前額部に設けられた少なくとも３個の電極と、前記電極により検出される脳波から、所望の低周波成分を除去するパッシブ型のハイパスフィルタと、前記ハイパスフィルタの出力信号から、所望の高周波成分を除去するアクティブ型のローパスフィルタと、前記ローパスフィルタを通過した信号をスペクトル解析するスペクトル解析手段と、前記スペクトル解析手段より出力されるスペクトル解析データに含まれるδ波、θ波、α波、β波、及び前額筋電図のデータに基づき、δ波レベルをδ、θ波レベルをθ、α波レベルをα、β波レベルをβ、筋電図のレベルをｅｍｇとしたとき、「Ｘ＝δ／（δ＋θ＋α＋β＋ｅｍｇ）」の演算を実行してδ波の含有率Ｘを求める演算手段と、前記演算手段で求められた含有率Ｘに基づき、前記被験者の睡眠状態が、覚醒、レム睡眠、浅いノンレム睡眠、及び、深いノンレム睡眠、のうちの何れであるかを検出する睡眠状態検出手段と、を備えることを特徴とする。

請求項１１に記載の発明は、前記ローパスフィルタを通過した信号を原波形データとして出力する原波形出力手段と、該原波形データに基づいて、眼電図を読み取る眼電図読み取り手段と、を更に備え、前記睡眠状態検出手段は、前記含有率Ｘに加え、前記眼電図読み取り手段で読み取られる眼電図に基づいて、前記被験者の睡眠状態が、覚醒、レム睡眠、浅いノンレム睡眠、及び、深いノンレム睡眠、のうちの何れであるかを検出することを特徴とする。

請求項１２に記載の発明は、前記前額部に設けられ、前記被験者の脈波を検出する脈波検出手段を更に備え、前記睡眠状態検出手段は、前記脈波検出手段で検出される脈波データに基づいて、前記被験者の睡眠状態が、覚醒、レム睡眠、浅いノンレム睡眠、及び、深いノンレム睡眠、のうちの何れであるかを検出することを特徴とする。

請求項１３に記載の発明は、前記前額部に設けられ、前記被験者頭部の向きを検出する加速度検出手段を更に備え、前記睡眠状態検出手段は、前記加速度検出手段で検出される加速度データに基づいて、前記被験者の睡眠状態が、覚醒、レム睡眠、浅いノンレム睡眠、及び、深いノンレム睡眠、のうちの何れであるかを検出することを特徴とする。

請求項１４に記載の発明は、前記スペクトル解析手段より出力されるスペクトル解析データを移動平均処理する移動平均処理手段を更に備えたことを特徴とする。

本発明の請求項１に係る睡眠状態検出装置では、３個の電極にて検出される脳波データからアクティブ型のローパスフィルタ、及びパッシブ型のハイパスフィルタを用いてδ波、θ波、α波、β波及び筋電図ｅｍｇの波形データを取得し、この波形データをフーリエ変換してスペクトル解析データを取得するので、被験者の睡眠状態を検出するために用いる脳波データを高精度に測定することが可能となる。

また、請求項２の発明では、各フィルタで処理された脳波データの原波形データを取得して記憶媒体に記憶するので、スペクトル解析データのみならず原波形データを用いた高精度な睡眠状態の検出を行うことが可能となる。

請求項３の発明では、被験者に取り付ける電極として、粘着性導電ゲル電極を用い、且つ粘着性絶縁ゲルシートを用いて被験者の前額部に貼り付けるので、簡単に取り付けることができ、且つ簡単に取り外すことが可能となる。

請求項４の発明では、脈波検出手段により被験者の脈波データを検出し、検出した脈波データを記憶媒体に記憶するので、脈波データを用いた高精度な睡眠状態の検出を行うことができる。

請求項５の発明では、加速度検出手段により被験者の頭部の向きを検出し、検出した加速度データを記憶媒体に記憶するので、加速度データを用いた高精度な睡眠状態の検出を行うことができる。

請求項６に係る睡眠状態演算装置では、スペクトル解析データに含まれるδ波、θ波、α波、β波、及び前額筋電図（ｅｍｇ）のデータに基づき、Ｘ＝δ／（δ＋θ＋α＋β＋ｅｍｇ）の演算を実行してδ波の含有率Ｘを求め、この含有率Ｘに基づいて被験者の睡眠状態を検出するので、従来の筋電図を使用しない場合と比較して高精度な睡眠状態の検出が可能となる。

請求項７の発明では、原波形データに基づいて眼電図を読み取り、この眼電図に基づいてレム睡眠、またはノンレム睡眠を検出するので、より高精度な睡眠状態の検出が可能となる。

請求項８の発明では、スペクトル解析データに加えて、脈波データ、及び加速度データのうちの少なくとも一方を読み取り、これらのデータを用いて被験者の睡眠状態を検出するので、より高精度に睡眠状態を検出することが可能となる。

請求項９の発明では、スペクトル解析データを移動平均処理するので、スペクトル解析データ全体を平滑化することができ、頻繁なデータ変動を回避した高精度な睡眠状態の検出が可能となる。

請求項１０に係る睡眠状態検出システムでは、被験者に取り付けた電極により脳波データを検出し、更にこの脳波データをフーリエ変換してスペクトル解析データを取得し、このスペクトル解析データに含まれるδ波、θ波、α波、β波、及び前額筋電図（ｅｍｇ）のデータに基づき、Ｘ＝δ／（δ＋θ＋α＋β＋ｅｍｇ）の演算を実行してδ波の含有率Ｘを求め、この含有率Ｘに基づいて被験者の睡眠状態を検出するので、従来の筋電図を使用しない場合と比較して高精度な睡眠状態の検出が可能となる。

請求項１１の発明では、電極にて検出された脳波の原波形データに基づいて眼電図を読み取り、この眼電図に基づいてレム睡眠、またはノンレム睡眠を検出するので、より高精度な睡眠状態の検出が可能となる。

請求項１２の発明では、脈波検出手段により被験者の脈波データを検出し、この脈波データに基づいて被験者の睡眠状態を検出するので、より高精度な睡眠状態の検出が可能となる。

請求項１３の発明では、加速度検出手段により被験者の加速度データを検出し、この加速度データに基づいて被験者の睡眠状態を検出するので、より高精度な睡眠状態の検出が可能となる。

請求項１４の発明では、スペクトル解析データを移動平均処理するので、スペクトル解析データ全体を平滑化することができ、頻繁なデータ変動を回避した高精度な睡眠状態の検出が可能となる。

本発明の第１実施形態に係る睡眠状態検出システムの構成を示すブロック図である。 本発明の第１実施形態に係る睡眠検出システムに設けられるフィルタの周波数特性を示す特性図である。 本発明の第１実施形態に係る睡眠状態検出システムに設けられる電極を被験者の前額部に取り付ける様子を示す説明図である。 本発明の第１実施形態に係る睡眠状態検出システムで求められるδ波の含有率Ｘの変化と、該含有率Ｘに基づいて求められる睡眠状態との関係を示す特性図である。 ２人の被験者Ｐ１，Ｐ２に対して測定したδ波の変化を示す特性図である。 本発明の第１実施形態に係る睡眠状態検出システムを用いて測定した、２人の被験者Ｐ１，Ｐ２のδ波の含有率の変化を示す特性図である。 図６に示した含有率Ｘに基づいて求められる２人の被験者Ｐ１，Ｐ２の睡眠状態の変化を示す特性図である。 本発明の第１実施形態に係る睡眠状態検出システムで求められるスペクトル解析データと、この２４回の移動平均、及び６０回の移動平均のスペクトル解析データを示す説明図である。 筋電図ｅｍｇを用いて求めたδ波の含有率Ｘと、筋電図ｅｍｇを用いずに求めたδ波の含有率Ｙとの比較を示す説明図である。 被験者のオトガイ筋（顎付近の筋肉）の筋電図と、前額部で検出される筋電図を示す説明図である。 本発明の第２実施形態に係る睡眠状態検出システムの構成を示すブロック図である。 本発明の第２実施形態に係り、レム睡眠期における眼電図と、前額部で検出される眼球前後で生じている直流の網膜静電位が眼球の動きによって変化し、波及した信号を示す説明図である。 本発明の第２実施形態に係り、ノンレム睡眠期における原波形データと、レム睡眠期における原波形データを示す説明図である。 本発明の第３実施形態に係る睡眠状態検出システムの、睡眠状態検出装置の構成を示すブロック図である。 本発明の第３実施形態に係る睡眠状態検出システムの、睡眠状態演算装置の構成を示すブロック図である。 本発明の第３実施形態に係る睡眠状態検出システムに設けられる電極、脈波検出部、３軸加速度センサを被験者の前額部に取り付ける様子を示す説明図である。 本発明の第３実施形態に係る睡眠状態検出システムの、第１実施例で検出される睡眠状態を示す特性図である。 本発明の第３実施形態に係る睡眠状態検出システムの、第１実施例で検出される脈波データ、及び加速度データを示す特性図である。 本発明の第３実施形態に係る睡眠状態検出システムの、第２実施例で検出される睡眠状態を示す特性図である。 本発明の第３実施形態に係る睡眠状態検出システムの、第２実施例で検出される脈波データ、及び加速度データを示す特性図である。 本発明の第３実施形態に係る睡眠状態検出システムの、第３実施例で検出される睡眠状態を示す特性図である。 本発明の第３実施形態に係る睡眠状態検出システムの、第３実施例で検出される脈波データ、及び加速度データを示す特性図である。 本発明の第３実施形態に係る睡眠状態検出システムの、第１〜第３実施例で検出される睡眠状態を示す特性図である。 本発明の第３実施形態に係る睡眠状態検出システムの、第１実施例で検出される睡眠状態を示す表である。 本発明の第３実施形態に係る睡眠状態検出システムの、第２実施例で検出される睡眠状態を示す表である。 本発明の第３実施形態に係る睡眠状態検出システムの、第３実施例で検出される睡眠状態を示す表である。 本発明の第４実施形態に係る睡眠状態検出システムの、呼吸データを示す説明図である。 本発明の実施形態に係る睡眠状態検出システムの、交感神経と副交感神経の変動を示す説明図である。 本発明の実施形態に係る睡眠状態検出システムの、呼吸停止が生じたときの酸素飽和度、及び脈拍数の変化を示す特性図である。 本発明の第３実施形態に係る睡眠状態検出システムで用いる３軸加速度センサで検出される加速度データを示す説明図である。

以下、本発明の実施形態を図面に基づいて説明する。

［第１実施形態の説明］
図１は、本発明の第１実施形態に係る睡眠状態検出システムの構成を示すブロック図、図２は、図１に示すノッチフィルタ１７、ハイパスフィルタ１８、及びローパスフィルタ１９による周波数特性を示す説明図、図３は、被験者の前額部に第１〜第３電極１１，１２，１３を取り付ける様子を示す説明図である。

図１に示すように、この睡眠状態検出システム１０１は、被験者の睡眠状態を検出する睡眠状態検出装置１０２と、該睡眠状態検出装置１０２で検出された脳波データに基づいて被験者の睡眠状態を求める睡眠状態演算装置１０３から構成されている。

睡眠状態検出装置１０２は、基準電極となる第１電極１１と、活性電極となる第２電極１２と、いわゆるボディーアースとされる第３電極（中性点電極）１３と、の３つの電極を備えている。そして、各電極１１，１２，１３は、被験者の前額部に横方向に並べて配置される。即ち、図３（ａ），（ｂ）に示すように、被験者Ｐの前額部中央に第３電極１３が取り付けられ、その左右にそれぞれ第１電極１１、及び第２電極１２が取り付けられる。そして、各電極１１，１２，１３は、例えば粘着性導電ゲルで構成することができ、このような構成とすることにより、被験者の前額部に容易に貼り付けることができる。更に、各電極１１，１２，１３を覆うように粘着性の絶縁ゲルシート２５が貼り付けられている。これにより、各電極１１，１２，１３が被験者の前額部から外れることを防止でき、また、使用後には容易に取り外すことが可能となる。

また、図１に示すように、第１電極１１はバッファアンプ１４のプラス端子に接続され、更に、このバッファアンプ１４の出力端子は差動増幅器１６のプラス端子に接続されている。他方、第２電極１２はバッファアンプ１５のプラス端子に接続され、更に、このバッファアンプ１５の出力端子は差動増幅器１６のマイナス端子に接続されている。また、ボディアースとされる第３電極１３は、差動増幅器１６の接地端子に接続されている。

そして、被験者の脳波は、第１電極１１を基準電極とし、第２電極１２を活性電極とする双極導出（電極間の電位変化の差を求める導出法）により取り出されることになる。

また、差動増幅器１６の出力側には、ノッチフィルタ１７と、パッシブ型のハイパスフィルタ１８と、アクティブ型のローパスフィルタ１９と、増幅部２０、及びスペクトル解析処理部２１が設けられている。

ノッチフィルタ１７は、Ｑ値の高いバンドストップフィルタとして構成され、差動増幅器１６より出力される信号に含まれる商用周波数帯域（５０Ｈｚまたは６０Ｈｚ）の成分を取り除くフィルタである。

ハイパスフィルタ１８は、パッシブ型とされており、図２の帯域Ｆ１に示すように周波数１［Ｈｚ］よりも低い周波数に対して、徐々にカットオフ特性が低下する特性を有している。従って、１［Ｈｚ］よりも低い周波数帯域の脳波が大量に検出されることを防止できる。換言すれば、１［Ｈｚ］未満の周波数帯域の脳波を適度に検出し、脳波全体の検出精度を向上させることが可能となる。

ローパスフィルタ１９は、アクティブ型とされており、図２に示すように９０［Ｈｚ］にカットオフ周波数が設定されている。

従って、各フィルタ１７，１８，１９は、図２に示す如くのカットオフ特性を有している。具体的には、周波数１［Ｈｚ］から０．５［Ｈｚ］に向けて利得が徐々に低下する特性を有し、商用周波数である５０［Ｈｚ］に減衰域が設定され、更に、周波数９０［Ｈｚ］の近傍が上限となる特性を有している。

図１に示す増幅部２０は、ローパスフィルタ１９を通過した信号を増幅し、スペクトル解析処理部２１に出力する。スペクトル解析処理部２１は、増幅部２０より出力される信号に対してＦＦＴ（高速フーリエ変換）処理を実施し、脳波データを各周波数毎のスペクトル解析データに変換する。

記憶メディア入出力部２３は、操作者が携行可能なメモリカード２４（記憶媒体）が挿入された際に、このメモリカード２４にスペクトル解析データを書き込む機能を備えている。本実施形態では、スペクトル解析処理部２１より出力されるスペクトル解析データをメモリカード２４に書き込む処理を行う。

また、睡眠状態演算装置１０３は、メモリカード２４に書き込まれているデータを読み取るデータ読み取り部３１と、総括的な制御を行う演算制御部３２と、該演算制御部３２における演算処理に関するプログラムを記憶する演算プログラム記憶部３３と、演算制御部３２による演算処理実行時に各種のデータの書き込み、及び読み出しを行うメモリ３４と、を備えている。更に、操作者による各種の入力操作を受け付ける入力操作部３５と、各種のデータを画面に表示する表示部３６を備えている。

また、演算プログラム記憶部３３に記憶される演算プログラムには、スペクトル解析データに基づいて被験者の睡眠状態を演算するアプリケーションプログラムが含まれている。なお、睡眠状態演算装置１０３は、例えば、中央演算ユニット（ＣＰＵ）や、ＲＡＭ、ＲＯＭ、ハードディスク等の記憶手段からなる一体型のコンピュータとして構成することができる。

演算制御部３２は、睡眠状態演算装置１０３全体を制御する。特に、スペクトル解析データに含まれるδ波、θ波、α波、β波、及び前額筋電図（ｅｍｇ）のデータに基づき、後述する演算式によりδ波の含有率Ｘを求める処理を実行する。更に、求められた含有率に基づいて、被験者Ｐの睡眠状態が、レム睡眠、浅いノンレム睡眠、及び、深いノンレム睡眠、のうちの何れであるかを検出する処理を実行する。即ち、演算制御部３２は、演算手段としての機能を備え、更に、睡眠状態検出手段としての機能を備えている。

次に、上述のように構成された本実施形態に係る睡眠状態検出システム１０１の作用について説明する。図３に示したように、被験者Ｐの前額部に各電極１１，１２，１３を取り付けた状態で被験者が睡眠状態になると、各電極１１，１２，１３により該被験者Ｐの脳波及び筋電図の波形が検出される。

検出された波形データは、図１に示したノッチフィルタ１７、ハイパスフィルタ１８、ローパスフィルタ１９をそれぞれ通過することにより、図２に示す周波数特性の波形が取得されることになる。即ち、周波数が０．５［Ｈｚ］〜９０［Ｈｚ］の範囲であり、このうち０．５［Ｈｚ］〜１［Ｈｚ］の範囲では利得が徐々に減衰する特性を有し、更に５０［Ｈｚ］近傍の信号がカットされた波形データが取得されることになる。

このローパスフィルタ１９を通過した波形データは、増幅部２０で増幅された後、スペクトル解析処理部２１にてスペクトル解析処理が行われる。具体的には、高速フーリエ変換（ＦＦＴ）処理が実行され、各周波数のスペクトルが検出される。

そして、このスペクトル解析データは、図１に示す記憶メディア入出力部２３にて、ユーザの操作によりメモリカード２４に書き込まれる。その後、データが書き込まれたメモリカード２４は、ユーザにより睡眠状態演算装置１０３のデータ読み取り部３１に挿入されて、該メモリカード２４に書き込まれているスペクトル解析データが演算制御部３２の制御により読み取られる。

本実施形態では、全体のスペクトル解析データのうち、０．５〜４［Ｈｚ］の波形データをδ波とし、５〜７［Ｈｚ］の波形データをθ波とし、８〜１３［Ｈｚ］の波形データをα波とし、１４〜３０［Ｈｚ］の波形データをβ波とし、３１〜４８［Ｈｚ］及び５２〜９０［Ｈｚ］の波形データを筋電図（ｅｍｇ）としている。そして、δ波、θ波、α波、β波、筋電図のレベル（スペクトル解析データの振幅）をそれぞれ同一の記号δ、θ、α、β、ｅｍｇで示した場合、下記の（１）式にて全体の波形レベルの合計に対するδ波レベルの含有率Ｘを算出する。

Ｘ＝δ／（δ＋θ＋α＋β＋ｅｍｇ） …（１）
即ち、図１に示す演算制御部３２の制御により、演算プログラム記憶部３３に記憶されているアプリケーションプログラムを実行し、メモリカード２４に記憶されているスペクトル解析データに基づいて上記（１）の演算を実行する。そして、各波形レベルの合計に対するδ波の比率を求め、これを含有率Ｘとする。

上記の処理により、例えば、図４（ｂ）の符号Ｓ１に示す如くの特性曲線を得ることができる。なお、図４（ｂ）に示す曲線Ｓ１は、過去６０回分の含有率Ｘの測定結果の移動平均を示している。移動平均処理の詳細については後述する。

そして、本実施形態では、含有率Ｘ（曲線Ｓ１）に対して、第１閾値ＴＨ１、第２閾値ＴＨ２、及び第３閾値ＴＨ３を設定する（但し、ＴＨ１＜ＴＨ２＜ＴＨ３）。また、各閾値ＴＨ１〜ＴＨ３に基づき、含有率ＸがＴＨ１未満である場合には被験者Ｐは起きている（覚醒状態である）ものと判断し、ＴＨ１〜ＴＨ２の間である場合には被験者Ｐはレム睡眠状態であると判断し、ＴＨ２〜ＴＨ３の間である場合には被験者Ｐは浅いノンレム睡眠状態であると判断し、ＴＨ３以上である場合には被験者Ｐは深いノンレム睡眠状態であると判断する。

そして、演算制御部３２では、各閾値ＴＨ１〜ＴＨ３と曲線Ｓ１との大きさを比較することにより、図４（ａ）に示すように、被験者Ｐが入眠した後における睡眠状態（レム睡眠、浅いノンレム睡眠、深いノンレム睡眠）を検出することができる。即ち、この被験者Ｐは、測定開始後およそ３０分経過して入眠し、その後、レム睡眠、浅いノンレム睡眠、深いノンレム睡眠、浅いノンレム睡眠、レム睡眠・・をおよそ６０分周期で繰り返していることが判る。

従って、例えば、被験者Ｐが自宅で睡眠する際に、図１に示した睡眠状態検出装置１０２を用いて、被験者Ｐの脳波、及び筋電図を取得し、更にこのデータをメモリカード２４に記憶し、このメモリカード２４を病院に持参することにより、該病院に設置されている睡眠状態演算装置１０３にて被験者Ｐの睡眠状態を解析することができる。従って、被験者Ｐがどのような睡眠状態で入眠しているかを一目瞭然で担当医に認識させることができ、被験者Ｐの睡眠についての診断を容易に行うことが可能となる。

ここで、本実施形態では、前述した（１）式に示したように、睡眠状態を判断する目安であるδ波の含有率Ｘを算出する際に筋電図ｅｍｇを用いており、以下に筋電図ｅｍｇを用いる理由について説明する。

図５は、２人の被験者Ｐ１，Ｐ２に対して睡眠時における脳波を測定し、脳波のスペクトル解析データから取得される各被験者Ｐ１，Ｐ２のδ波レベルを示す特性図であり、図５（ａ）は被験者Ｐ１のデータを示し、図５（ｂ）は被験者Ｐ２のデータを示している。そして、被験者Ｐ１ではδ波のレベルが大きく振幅しており、被験者Ｐ２ではδ波のレベルの振幅は小さい。即ち、δ波レベルには個人差があると言える。

従って、筋電図ｅｍｇを使用せずに、脳波全体のレベルに対するδ波の含有率を求めると、δ波レベルの個人差に起因して含有率の測定精度が低下することがある。換言すれば、筋電図ｅｍｇを使用せずに算出するδ波の含有率は、個人差により大きく変動する場合があり、高精度な睡眠状態の検出ができなくなる場合があり得る。

これに対して、筋電図ｅｍｇを用いた（１）によりδ波の含有率Ｘを求めると、演算式の分母に筋電図ｅｍｇが加算されるのでδ波レベルの個人差の影響が低減され、図６（ａ），（ｂ）に示すように、被験者Ｐ１，Ｐ２共に、δ波の含有率Ｘはほぼ同程度に振幅する。また、第１閾値ＴＨ１〜第３閾値ＴＨ３を用いた睡眠状態の検出結果は、図７（ａ），（ｂ）に示す如くとなり、個人差の影響を低減し、睡眠状態を高精度に検出することができることとなる。即ち、本実施形態では、筋電図ｅｍｇを含む各周波数帯域の波形レベルの合計に対するδ波の含有率Ｘを求めており、この含有率Ｘを用いて睡眠状態を検出するので、個人差の影響を低減した高精度な検出が可能となる。

次に、移動平均を用いて含有率Ｘを算出する理由について説明する。図８（ａ）は、増幅部２０より出力される原波形データをフーリエ変換して得られるスペクトル解析データを示す特性図であり、５秒毎に得られるスペクトル解析データの、５秒間の積算値を示している。また、図８（ｂ）は、２４回分のスペクトル解析データ（積算値）の移動平均処理を実施した場合、即ち、今回得られたスペクトル解析データと過去２３回分のスペクトル解析データの平均値を今回のスペクトル解析データとした場合の特性を示している。更に、図８（ｃ）は、６０回分のスペクトル解析データの移動平均処理を実施した場合の特性を示している。

そして、図８（ａ）〜（ｃ）から理解されるように、移動平均処理を実施することにより、原波形データから直接求められるスペクトル解析データを平滑化することができ、図４（ａ）に示したように第１閾値ＴＨ１〜第３閾値ＴＨ３との対比により睡眠状態を検出する場合の処理を円滑に行うことができる。

即ち、本実施形態では、時系列的に取得されるスペクトル解析データを、複数回分（例えば６０回分）の移動平均処理を加えているので、変動の少ない安定した睡眠状態検出が可能となる。なお、この移動平均処理は、図１に示す演算制御部３２により実行される。即ち、演算制御部３２は、スペクトル解析データを移動平均処理する移動平均処理手段としての機能を備えている。

次に、上述した（１）式を用いて算出した含有率Ｘと、（１）式の分母に示す筋電図ｅｍｇを使用せずにδ波の比率を求めた場合、即ち、下記（２）式を用いて算出した含有率Ｙの相違について説明する。

Ｙ＝δ／（δ＋θ＋α＋β） …（２）
図９は、（１）式を用いて算出した含有率Ｘ、及び（２）式を用いて算出した含有率Ｙの変化を示す特性図である。図９に示すように、含有率Ｘ、及びＹはほぼ同様の変化を示しているが、「Ｙ−Ｘ」の曲線から理解されるように、ＹとＸの差分は一定値ではない。つまり、（１）式に示すように、演算式の分母に前額筋電図ｅｍｇを用いて含有率を算出することにより、筋電図ｅｍｇの影響を考慮した、より高精度な睡眠状態の検出が可能になると言える。

次に、図３に示したように、被験者Ｐの前額部に設けた電極１１，１２，１３により、該被験者Ｐの筋電図（前額筋電図）を測定していることについて説明する。本実施形態では、筋電図ｅｍｇとして、被験者Ｐの前額部で検出される筋電図を用いている。一般に、被験者Ｐの顔面の筋電図はオトガイ筋（顎付近の筋肉）の変化であるから、電極を被験者Ｐの顎部近傍に設置して測定することが望ましい。しかし、被験者Ｐ１の睡眠時にて筋電図を測定するので、電極を顎部近傍に設置することは難しく、本実施形態では前額筋電図ｅｍｇを用いている。

以下、前額筋電図ｅｍｇとオトガイ筋の筋電図とがほぼ一致していることについて図１０に示す特性図を参照して説明する。図１０に示す曲線ｑ１は被験者のオトガイ筋の筋電図を示し、曲線ｑ２は前額部で測定される前額筋電図ｅｍｇを示している。曲線ｑ１，ｑ２を対比して理解されるように、両者は振幅の相違はあるものの、両者の波形が振幅するタイミングはほぼ一致している。従って、前額部に設けた電極１１，１２，１３を用いて測定される前額筋電図ｅｍｇを用いた場合であっても、筋電図の測定精度はオトガイ筋の近傍で測定される筋電図とあまり変わらないと言える。

即ち、本実施形態では、被験者Ｐの前額部に設けた電極１１，１２，１３を用いて前額筋電図を検出し、この前額筋電図を用いてδ波の含有率Ｘを求めることにより、精度を低下させることなく、且つ、顎部近傍に筋電図検出用の電極を取り付けることなく、睡眠状態を検出することが可能となる。

このようにして、本発明の第１実施形態に係る睡眠状態検出システム１０１では、被験者Ｐの前額部に３個の電極１１，１２，１３を設け、各電極１１，１２，１３にて測定された脳波、及び前額筋電図ｅｍｇに基づき、上述した（１）式によりδ波の含有率Ｘを算出し、この含有率Ｘに基づいて、被験者Ｐの睡眠状態を求めている。即ち、δ波の含有率Ｘの値と図４に示した第１閾値ＴＨ１，第２閾値ＴＨ２，第３閾値ＴＨ３との比較により、レム睡眠、浅いノンレム睡眠、及び深いノンレム睡眠のうちのいずれであるかを推定する。

そして、含有率Ｘを算出する（１）式では、前額筋電図ｅｍｇを分母に加算しており、これを加算しない場合と対比して、より実際の睡眠状態に適合した含有率Ｘを算出することが可能となり、睡眠状態の検出精度を向上させることが可能となる。また、前額筋電図ｅｍｇを用いることにより、個人差による影響を低減することができるので、多くの被験者に対して同一の閾値（第１〜第３閾値ＴＨ１，ＴＨ２，ＴＨ３）を用いて睡眠状態を検出することが可能となる。

また、ハイパスフィルタ１８として、パッシブ型のフィルタを用いており、図２の帯域Ｆ１に示すように、フィルタ特性が徐々に減衰する特性を有するので、１［Ｈｚ］未満の脳波データが大量に検出されることを阻止し、脳波の検出精度を向上させることが可能となる。

［第２実施形態の説明］
次に、本発明の第２実施形態について説明する。図１１は、第２実施形態に係る睡眠状態検出システムの構成を示すブロック図である。図１１に示すように、第２実施形態に係る睡眠状態検出システム１０１ａは、睡眠状態検出装置１０２ａ、及び睡眠状態演算装置１０３ａから構成されている。

睡眠状態検出装置１０２ａは、図１に示した第１実施形態の睡眠状態検出装置１０２と対比して、原波形処理部２２を備える点で相違しており、増幅部２０で増幅された波形をスペクトル解析処理部２１に出力すると共に、原波形処理部２２に出力する。それ以外の構成は、図１に示した睡眠状態検出装置１０２と同様であるので、同一符号を付して構成説明を省略する。

原波形処理部２２は、増幅部２０で増幅された原波形データからノイズを除去して記憶メディア入出力部２３に出力する機能を備えている。

睡眠状態演算装置１０３ａは、図１に示した第１実施形態の睡眠状態演算装置１０３と対比して、データ読み取り部３１にて、スペクトル解析データに加えて原波形データを読み取る点、及び、原波形データに基づいて被験者Ｐの眼球運動図（以下、「眼電図」という）を検出する眼電図検出部（眼電図読み取り手段）３７を備えている点で相違する。それ以外の構成は、図１に示した睡眠状態演算装置１０３と同様であるので、同一符号を付して構成説明を省略する。

眼電図検出部３７は、原波形データに含まれる筋電図に基づき、眼電図波形を求める。具体的には、被験者Ｐがレム睡眠期であると推定される時間帯に検出される筋電図を眼電図であるものと判断する。例えば、レム睡眠期においては、被験者の目が頻繁に動くことが知られており、このときの眼電図を被験者の目の近傍に設けた電極を用いて測定すると図１２（ａ）に示すような波形が得られる。また、このとき前額部に設けた電極で前額筋電図を測定すると図１２（ｂ）に示すような波形が得られる。この前額筋電図は、前額部で検出される眼球前後で生じている直流の網膜静電位が眼球の動きによって変化し、波及した信号を示している。図１２（ａ），（ｂ）の双方の波形を比較すると、前額筋電図は眼電図と同期した信号が発生していることが判る。従って、各電極１１，１２，１３を用いて検出される脳波データに基づき、レム睡眠期に限定して前額筋電図ｅｍｇを測定すれば、これは眼電図であるものと判定できる。

また、被験者Ｐは、入眠直後、及び深いノンレム睡眠から浅いノンレム睡眠に移行しその後暫く時間が経過した後にレム睡眠期となることが知られているので、この条件によりレム睡眠期を推定することができる。

そして、第２実施形態では、レム睡眠期であると推定される期間にて、上記の処理で検出される前額筋電図ｅｍｇを眼電図であるものとし、この眼電図と脳波データとの対比により睡眠状態をより高精度に検出する。具体的には、レム睡眠からノンレム睡眠に移行する前後は、スペクトル解析データに大きな差異が生じないことがあり得る。即ち、図４（ｂ）に示した例では、脳波データに含まれるδ波の含有率Ｘが第２閾値ＴＨ２を上回った場合に、浅いノンレム睡眠であると判定することについて説明したが、第２閾値ＴＨ２の付近において、スペクトル解析データだけでは正確にレム睡眠であるか、或いはノンレム睡眠であるかを判定できないことがある。

そこで、第２実施形態では、図１１に示す眼電図検出部３７にて眼電図を検出し、この検出結果を睡眠状態の判断に採用することにより、より高精度な睡眠状態の検出を行う。

次に、第２実施形態に係る睡眠状態検出システム１０１ａの作用について説明する。第２実施形態では、増幅部２０で増幅された波形データは２系統に分岐され、このうち一方はスペクトル解析処理部２１に出力され、他方は原波形処理部２２に出力される。そして、スペクトル解析処理部２１では、前述した第１実施形態と同様に、原波形データをフーリエ変換してスペクトル解析データを生成する。また、原波形処理部２２は、増幅部２０で増幅された波形データからノイズを除去し、ノイズ除去後の波形データを原波形データとして記憶メディア入出力部２３に出力する。そして、スペクトル解析データ、及び原波形データの双方が記憶メディア入出力部２３にてメモリカード２４に書き込まれることになる。

睡眠状態演算装置１０３ａは、メモリカード２４に記憶されているスペクトル解析データ、及び原波形データに基づいて、眼電図の変化を測定する。そして、眼電図が発生していると判断された場合には、このときのδ波の含有率Ｘが大きい値を示した場合であっても、レム睡眠であると判断する。

即ち、図４（ｂ）に示したように、δ波の含有率Ｘが大きくなって第２閾値ＴＨ２を上回った場合には、ノンレム睡眠（浅いノンレム睡眠、または深いノンレム睡眠）であると判断される。しかし、このときの眼電図が大きく振幅している場合には、目の近傍の筋肉が動いているものと判断して、ノンレム睡眠ではなくレム睡眠であるもの判断する。

即ち、図１３（ａ）は深いノンレム睡眠時における原波形データを示し、図１３（ｂ）はレム睡眠時における原波形データを示しており、両者を対比すると図１３（ｂ）に示すレム睡眠時の方が大きく振幅する領域が存在している。眼電図検出部３７は、原波形データに基づいて眼電図に基づく波形を検出し、この検出結果を演算制御部３２に出力する。

そして、演算制御部３２では、前述した第１実施形態と同様に、スペクトル解析データに基づいて、前述した（１）式によりδ波の含有率Ｘを算出し、この含有率Ｘに基づいて睡眠状態がレム睡眠であるか、浅いノンレム睡眠であるか、或いは深いノンレム睡眠であるかを判定する。更に、眼電図検出部３７により眼電図が検出されているものと判定されている場合には、含有率Ｘに基づく睡眠状態の検出結果が浅いノンレム睡眠、或いは深いノンレム睡眠である場合でも、被験者の目が頻繁に動いているので、レム睡眠であるものと判定する。

このようにして、第２実施形態に係る睡眠状態検出システム１０１ａでは、スペクトル解析データに基づいて求められるδ波の含有率Ｘに加え、眼電図に基づいてレム睡眠であるかノンレム睡眠であるかを判断するので、前述した第１実施形態の効果に加え、被験者の目の動きに基づく高精度な睡眠状態の検出が可能となる。

［第３実施形態の説明］
次に、本発明の第３実施形態について説明する。図１４，図１５は、第３実施形態に係る睡眠状態検出システム１０１ｂの構成を示すブロック図であり、図１４は、メモリカード２４にデータを記憶するための睡眠状態検出装置１０２ｂの構成を示し、図１５は、メモリカード２４に記憶されているデータを読み取って被験者の睡眠状態を演算する睡眠状態演算装置１０３ｂの構成を示している。また、図１６は、被験者Ｐの前額部に絶縁ゲルシート２５ａを取り付ける様子を示す説明図である。

図１６に示すように、第３実施形態に係る睡眠状態検出装置１０２ｂで用いられる絶縁ゲルシート２５ａには、前述の図３に示した絶縁ゲルシート２５と同様に、第１〜第３電極１１，１２，１３が取り付けられ、更に、３次元方向の傾斜を検出する３軸加速度センサ（加速度検出手段）４４、及び前額部の脈波を検出する脈波検出センサ（脈波検出手段）４０が搭載されている。そして、各電極１１，１２，１３、脈波検出センサ４０、及び３軸加速度センサ４４で検出される各データに基づき、後述する手法により被験者Ｐの睡眠状態を検出する。

図１４に示すように、第３実施形態に係る睡眠状態検出装置１０２ｂは、バッファアンプ１４，１５、差動増幅器１６、ノッチフィルタ１７、ハイパスフィルタ１８、ローパスフィルタ１９、増幅部２０、スペクトル解析処理部２１、及び記憶メディア入出力部２３を備えている。なお、これらの構成は、図１に示した第１実施形態の睡眠状態検出装置１０２と同様であるので、説明を省略する。

また、第３実施形態に係る睡眠状態検出装置１０２ｂは、上記の構成要素に加えて、更に、脈波検出センサ４０と、ＬＥＤ制御部４５と、電流・電圧変換部４６と、フィルタ４７、及び増幅部４８を備えている。

脈波検出センサ４０は、赤色光の波長（例えば、６６０nm）の光を照射する赤色ＬＥＤ４１と、赤外光の波長（例えば、８８０nm）の光を照射する赤外ＬＥＤ４２と、フォトダイオード４３を備えており、赤色ＬＥＤ４１より前額部に向けて赤色光を照射し、この反射光をフォトダイオード４３で検出する。また、赤外ＬＥＤ４２より前額部に向けて赤外光を照射し、この反射光をフォトダイオード４３で検出する。

ＬＥＤ制御部４５は、脈波検出センサ４０に設けられる赤色ＬＥＤ４１、赤外ＬＥＤ４２、及びフォトダイオード４３を制御することにより、脈波検出センサ４０による検出信号を取得する。電流・電圧変換部４６は、フォトダイオード４３にて検出される電流信号を電圧信号に変換する。

フィルタ４７は、脈波検出センサ４０で検出された信号に含まれるノイズを除去して増幅部４８に出力する。増幅部４８は、フィルタ４７でノイズ成分が除去された脈波に関する信号を記憶メディア入出力部２３に出力する。

３軸加速度センサ４４は、Ｘ軸、Ｙ軸、Ｚ軸の各方向についての加速度を検出し、被験者の前額部の向いている方向を検出する。例えば、被験者が上方向を向いているか、或いは横方向を向いているか等の情報を取得することができる。そして、３軸加速度センサ４４の検出信号は、記憶メディア入出力部２３に出力される。

以下、図３０に示す特性図を参照して、被験者の顔の向きと３軸加速度センサ４４で検出されるＸ軸、Ｙ軸、Ｚ軸の各方向についての加速度との関係について説明する。被験者が仰向けの場合には、Ｘ軸、Ｙ軸の加速度はほとんど検出されず、Ｚ軸の加速度が検出される。また、被験者の頭部が右向きとなった場合には、Ｘ軸の加速度が検出され、これよりも小さい加速度がＹ軸で検出され、Ｚ軸の加速度はほとんど検出されない。同様に、左向き、仰け反る、起きる、左右に振る、の各動作に対して、３軸加速度センサ４４の出力が決定される。つまり、Ｘ軸、Ｙ軸、Ｚ軸の各加速度に基づいて、被験者の顔の状態を認識することができる。

図１４に示す記憶メディア入出力部２３は、脈波に関する信号、及び３軸加速度センサ４４で検出された信号をメモリカード２４に記憶する。

図１５に示す睡眠状態演算装置１０３ｂは、図１に示した睡眠状態演算装置１０３と同一構成であるので、同一符号を付して構成説明を省略する。

そして、第３実施形態では、第１実施形態で説明した各脳波波形（δ波等）に加え、被験者の脈波データ、及び被験者頭部の３次元位置データを採用することにより、より高精度に被験者の睡眠状態を検出する。即ち、第１実施形態にて示した脳波を用いる手法により被験者の睡眠状態を、覚醒、レム睡眠、浅いノンレム睡眠、深いノンレム睡眠のいずれかに判定すると共に、この判定結果を、脈波データ及び３次元位置データに基づいて補正することにより、より精度の高い睡眠状態の検出を行う。

具体的には、被験者の脈波に基づいて、脈拍数、及び血液中の酸素飽和度を検出し、脈拍数が高い場合、或いは酸素飽和度が低い場合には、覚醒である可能性が高いものと判断して脳波に基づいて得られた睡眠状態の検出結果を補正する。

また、３次元位置データに基づき、被験者の体動（体の向きを替える動作等）が検出された場合には、この動作に伴ってアーチファクトが発生している可能性が高いので、脳波に基づいて得られた睡眠状態の検出結果を補正する。こうすることにより、より高精度な睡眠状態の検出が可能となる。

次に、上述のように構成された第３実施形態に係る睡眠状態検出システム１０１ｂの作用について説明する。図１６に示したように、絶縁ゲルシート２５ａには、３個の各電極１１，１２，１３が設けられているので、被験者Ｐが睡眠状態となると、各電極１１，１２，１３により該被験者Ｐの睡眠状態における脳波及び筋電図の波形が検出される。

そして、前述した第１実施形態と同様に、検出された波形データは、ノッチフィルタ１７、ハイパスフィルタ１８、ローパスフィルタ１９をそれぞれ通過することにより、所望の周波数成分が取得され、更に、増幅部２０で増幅された後、スペクトル解析処理部２１にてスペクトル解析処理が行われる。そして、解析処理により得られるスペクトル解析データはメモリカード２４に書き込まれる。

一方、絶縁ゲルシート２５ａに搭載された脈波検出センサ４０により、被験者Ｐの脈波データが取得され、検出された脈波データは電流・電圧変換部４６にて電圧信号に変換され、フィルタ４７、及び増幅部４８を介して記憶メディア入出力部２３に出力される。また、３軸加速度センサ４４にてＸ軸、Ｙ軸、Ｚ軸の各加速度データが検出され、この加速度データは、記憶メディア入出力部２３に出力される。記憶メディア入出力部２３は、スペクトル解析データ、脈波データ、及び加速度データをメモリカード２４に書き込む処理を行う。

その後、各データが書き込まれたメモリカード２４は、ユーザにより図１５に示す睡眠状態演算装置１０３ｂのデータ読み取り部３１に挿入されて、該メモリカード２４に書き込まれているスペクトル解析データ、脈波データ、及び加速度データが、演算制御部３２の制御により読み取られる。

その結果、前述した第１実施形態と同様に、脳波データに基づいて睡眠状態を取得することができる。本実施形態では、脳波データに基づいて取得された睡眠状態を、被験者Ｐの体動、及び脈波データに基づいて補正する。初めに、第３実施形態の第１実施例として、体動に基づいて睡眠状態を補正する処理について、図１７，図１８に示す特性図、及び図２４に示す対応表を参照して説明する。なお、図１７と図１８はそれぞれの時間軸が一致しており、従って、図１７に示すＡ〜Ｆのタイミングと図１８に示すＡ〜Ｆのタイミングは一致する。

図１７（ａ）は専用の装置（病院等で使用する高精度な検出装置）を用いて被験者Ｐの睡眠状態を検出した結果（視察判定結果）を示すデータであり、時間経過に伴う睡眠状態の変化が示されている。具体的には、覚醒状態（図中「Ｗ」で表記）、レム睡眠、浅いノンレム睡眠、及び深いノンレム睡眠の４段階に区別して検出されている。また、図１７（ｂ）は、第３実施形態に係る睡眠状態検出システム１０１ｂを用いて睡眠状態を検出した結果を示しており、やはり睡眠状態が４段階に区別して検出されている。

また、図１８（ａ）は、被験者Ｐの酸素飽和度の変化を示す特性図であり、図１８（ｂ）は、被験者Ｐの脈拍数の変化を示す特性図であり、図１８（ｃ）は、被験者Ｐの体動（３軸加速度）を示す特性図である。前述したように、酸素飽和度は、赤色ＬＥＤ４１より出力した赤色光が被験者Ｐの血管で反射した光をフォトダイオード４３で検出し、同様に、赤外ＬＥＤ４２より出力した赤外光が被験者Ｐの血管で反射した光をフォトダイオード４３で検出し、両者の検出結果に基づいて求めることができる。同様に、被験者Ｐの脈拍数を求めることができる。酸素飽和度、及び脈拍数の検出方法は周知技術であるので詳細な説明を省略する。

また、被験者Ｐの体動は、３軸加速度センサ４４の検出結果に基づいて求めることができ、図１８（ｃ）に示すように、Ｘ軸、Ｙ軸、及びＺ軸の各方向の加速度が検出される。例えば、被験者Ｐが頭部を左右方向に移動させる動作を行うと、Ｘ軸、Ｙ軸の方向に加速度が検出され、頭部を俯仰させる動作を行うと、Ｚ軸の方向に加速度が検出される。

そして、第３実施形態の第１実施例では、被験者Ｐの体動に基づいて、脳波データより取得された睡眠状態の検出結果を補正する。具体的には、脳波データに基づいて検出した睡眠状態（第１実施形態で説明した手法により求められる睡眠状態）が、図１７（ｂ）の実線に示すように取得された際に、図１８（ｃ）に示す体動データ（３軸加速度出力電圧）に基づいて、睡眠状態を補正する。

以下、図２４に示す対応表を参照して詳細に説明する。図１７，図１８に示す時刻Ａでは、図１８（ｃ）に示すようにＸ軸方向に若干の体動が発生している。この際、図１８（ｂ）に示すように脈拍数の変化は無く、また、図１８（ａ）に示すように酸素飽和度はほとんど変化していない。また、脳波データに基づいて検出される睡眠状態（図１７（ｂ）の実線に示すデータ）は時刻Ａにおいて浅いノンレム睡眠を示しているので、この検出結果を変更しない。即ち、時刻Ａでの総合睡眠ステージは浅いノンレム睡眠と判定する。

また、時刻Ｂでは、図１８（ｃ）に示すようにＸ軸、Ｙ軸に大きな体動が発生している。従って、体動による脳波へのアーチファクト（ノイズ）が想定され、且つ、脈拍数の大きな変化も見られないので、脳波による検出結果であるレム睡眠を、浅いノンレム睡眠に変更する。即ち、図１７（ｂ）の時刻Ｂに示す点線部分のように、睡眠状態の検出結果をレム睡眠から浅いノンレム睡眠に変更し、総合睡眠ステージを浅いノンレム睡眠とする。図２４に示すＣ，Ｄ，Ｅ，Ｆについても同様に、脳波による睡眠状態を体動に基づいて補正し、総合睡眠ステージを求める。

このように、第３実施形態の第１実施例では、３軸加速度センサ４４を用いて被験者Ｐの体動を検出し、脳波データに基づいて求められた睡眠状態を、上記の体動のデータに基づいて補正するので、被験者Ｐの体動データを考慮した、より高精度な睡眠状態の検出が可能となる。

次に、第３実施形態の第２実施例として、脈拍数に基づいて睡眠状態を補正する処理について、図１９，図２０に示す特性図、及び図２５に示す対応表を参照して説明する。なお、図１９と図２０はそれぞれの時間軸が一致しており、従って、図１９に示すＡ〜Ｇのタイミングと図２０に示すＡ〜Ｇのタイミングは一致する。

図１９（ａ）は視察判定結果を示すデータであり、時間経過に伴う睡眠状態の変化が示されている。また、図１９（ｂ）は、第３実施形態に係る睡眠状態検出システム１０１ｂを用いて睡眠状態を検出した結果を示しており、やはり睡眠状態が４段階に区別して検出されている。

また、図２０（ａ）は、被験者Ｐの酸素飽和度の変化を示す特性図であり、図２０（ｂ）は、被験者Ｐの脈拍数の変化を示す特性図であり、図２０（ｃ）は、被験者Ｐの体動を示す特性図である。

そして、第３実施形態の第２実施例では、被験者Ｐの脈拍数に基づいて、脳波データより取得された睡眠状態の検出結果を補正する。具体的には、脳波データに基づいて検出した睡眠状態が、図１９（ｂ）の実線に示すように取得された際に、図２０（ｂ）に示す脈拍数に基づいて、この睡眠状態を補正する。この際、脈拍数の変動を、睡眠時における平均脈拍数（この例では、脈拍数６１．４）に対して１７％（脈拍数７２）〜２２％（脈拍数７５）の範囲での変動が検出された際に、睡眠状態（総合睡眠ステージ）を補正する。なお、１７％〜２２％の範囲は一例を示しているものであり、この範囲に限定されるものではない。

以下、図２５に示す対応表を参照して詳細に説明する。図１９，図２０に示す時刻Ａでは、図２０（ｂ）に示すように脈拍数が７２［回／min］を超えている。この際、図２０（ｃ）に示すように体動はほぼ発生していない。また、図１９（ｂ）に示すように、脳波による睡眠状態の検出結果が覚醒（Ｗ）であるので、この判定を変更しない。即ち、時刻Ａでの総合睡眠ステージは覚醒状態と判定する。

また、時刻Ｂでは、図２０（ｂ）に示すように脈拍数が７２［回／min］を超えている。従って、覚醒している可能性が高いと判断されるので、脳波による判定結果であるレム睡眠を、脳波覚醒（ａＷ）であると判断し、脳波による判定結果であるレム睡眠を、脳波覚醒（ａＷ）に変更する。即ち、図１９（ｂ）の時刻Ｂに示す点線部分のように、睡眠状態の判定結果をレム睡眠から脳波覚醒（ａＷ）に変更し（図では、脳波覚醒を通常の覚醒と同じ「Ｗ」で示している）、総合睡眠ステージを脳波覚醒（ａＷ）とする。図２５に示すＣ，Ｄ，Ｅ，Ｆ，Ｇについても同様に、脳波による睡眠状態を脈拍数に基づいて補正し、総合睡眠ステージを求める。ここで、脳波覚醒（ａＷ）とは、一般的に脳波周波数の突然の変化が３秒以上持続し、且つその出現前には１０秒以上の睡眠が存在するとされ、更に脳波上の変化に加え、脈拍数の一過性の増加、若しくは減少を伴うとされている。前額部からの脳波のみでは取得しずらい為、脈拍数の一過性の増加若しくは減少を脳波覚醒（ａＷ）とした。

このように、第３実施形態の第２実施例では、脈波検出センサ４０を用いて被験者Ｐの脈拍数及び酸素飽和度を検出し、脳波データに基づいて求められた睡眠状態を、上記の脈拍数及び酸素飽和度のデータに基づいて補正するので、被験者Ｐの脈波を考慮した、より高精度な睡眠状態の検出が可能となる。

次に、第３実施形態の第３実施例として、脈拍数（第２実施例よりも高い数値）に基づいて睡眠状態を補正する処理について、図２１，図２２に示す特性図、及び図２６に示す対応表を参照して説明する。なお、図２１と図２２はそれぞれの時間軸が一致しており、従って、図２１に示すＡ〜Ｆのタイミングと図２２に示すＡ〜Ｆのタイミングは一致する。

図２１（ａ）は視察判定結果を示すデータであり、時間経過に伴う睡眠状態の変化が示されている。また、図２１（ｂ）は、第３実施形態に係る睡眠状態検出システム１０１ｂを用いて睡眠状態を検出した結果を示しており、やはり睡眠状態が４段階に区別して検出されている。

また、図２２（ａ）は、被験者Ｐの酸素飽和度の変化を示す特性図であり、図２２（ｂ）は、被験者Ｐの脈拍数の変化を示す特性図であり、図２２（ｃ）は、被験者Ｐの体動を示す特性図である。

そして、第３実施形態の第３実施例では、前述した第２実施例と同様に、被験者Ｐの脈拍数に基づいて、脳波データより取得された睡眠状態の検出結果を補正する。具体的には、脳波データに基づいて検出した睡眠状態が、図２１（ｂ）の実線に示すように取得された際に、図２２（ｂ）に示す脈拍数に基づいて、この睡眠状態を補正する。この際、脈拍数の変動を、睡眠時における平均脈拍数（この例では、脈拍数６１．４）に対して２２％（脈拍数７５）以上の変動が検出された際に、変動が発生したものと見なして睡眠状態を補正する。なお、脈拍数の閾値は２２％に限定されるものではない。

以下、図２６に示す対応表を参照して詳細に説明する。図２１，図２２に示す時刻Ｇでは、図２２（ｂ）に示すように脈拍数が７５［回／min］を超えている。この際、図２２（ｃ）に示すように体動が発生している。また、図２１（ｂ）に示すように、脳波による睡眠状態の検出結果が覚醒（Ｗ）であるので、この判定を変更しない。即ち、時刻Ｇでの総合睡眠ステージは覚醒状態であるものと判定する。

また、時刻Ｂでは、図２２（ｂ）に示すように脈拍数が７５［回／min］を超えている。従って、覚醒している可能性が高いと判断されるので、脳波による判定結果であるレム睡眠を、脳波覚醒（ａＷ）であると判断し、脳波による判定結果であるレム睡眠を、脳波覚醒ａＷに変更する。即ち、図２１（ｂ）の時刻Ｂに示す点線部分のように、睡眠状態の検出結果をレム睡眠から脳波覚醒に変更し、総合睡眠ステージを脳波覚醒（ａＷ）とする。図２６に示すＡ，Ｃ，Ｄ，Ｅ，Ｆについても同様に、脳波による睡眠状態を脈拍数に基づいて補正し、総合睡眠ステージを求める。

図２３は、前述した第1実施例〜第３実施例で変更した睡眠状態を合成したデータである。図示のように、第１実施例〜第３実施例を採用して、脳波に基づいて求められた睡眠状態を補正することにより、図２３（ａ）に示す視察判定結果に近づくことが理解される。即ち、脳波データにより求められる睡眠状態を、体動データ、及び脈拍数のデータを用いて補正することにより、より精度の高い睡眠状態の検出が可能になる。

このようにして、第３実施形態に係る睡眠状態検出システム１０１ｂでは、脳波に基づいて求められる睡眠状態を、被験者Ｐの体動、及び脈波データに基づいて補正するので、より高精度に睡眠状態を検出することが可能となる。

また、脳波データのみを用いる場合には、脳波覚醒（ａＷ）を検出することはできないが、脈波データ、及び被験者Ｐの脈拍数を検出することにより、被験者Ｐが脳波覚醒（ａＷ）であるか否かを検出でき、より高精度できめの細かい睡眠状態の検出が可能となる。

なお、上述した第３実施形態では、脈波データ、及び被験者Ｐの頭部の動きを示す加速度データの双方を用いて、被験者の睡眠状態を補正する例について説明したが、脈波データ、及び加速度データのうちの少なくとも一方を用いて睡眠状態を補正することも可能である。

また、脈波データに基づいて、被験者の自律神経が交感神経優位であるか、或いは副交感神経優位であるかを求め、これに基づいて睡眠状態を判定することも可能である。即ち、被験者が覚醒時には交感神経が優位とされ、浅いノンレム睡眠時及び深いノンレム睡眠時には副交感神経が優位とされ、レム睡眠時には自律神経は不規則であることが知られている。従って、被験者の自律神経を求めることにより、睡眠状態をより高精度に判定することが可能となる。

以下、図２８に示す説明図を参照して詳細に説明する。自律神経機能を反映する各種の指標は、脈拍の間隔（Ｒ−Ｒ間隔）変動のパワースペクトラム（図２８右側の特性図）より取得することが可能である。例えば、ＬＦ（０．０４〜０．１５Ｈｚ）、ＨＦ（０．２〜０．４Ｈｚ）とし（ＬＦは交感神経、副交感神経の両者の影響を受ける、ＨＦは副交感神経を反映している）、ＬＦ／ＨＦ値に基づいて、交感神経優位であるか否かの判断が可能となる。

そして、浅いノンレム睡眠時にＨＦパワー値は最大となり、レム睡眠時にはＬＦのパワー値が覚醒Ｗと同等の非常に高い値をとり、ノンレム睡眠時とは異なる値をとることから、前額部脳波による睡眠ステージでは判断しづらい浅いノンレム睡眠、レム睡眠の指標に使用できる。

［第４実施形態の説明］
次に、本発明の第４実施形態について説明する。システム構成は、第３実施形態で示した図１４，図１５と同様である。そして、第４実施形態では、脈波検出センサ４０で検出される脈波に基づいて、被験者の呼吸を検出し、検出した呼吸データに基づいて、睡眠時無呼吸症候群等の睡眠質に関するデータを取得する。

具体的には、図１４に示した脈波検出センサ４０で検出される脈波データがメモリカード２４に書き込まれ、図１５に示したデータ読み取り部３１で該メモリカード２４に書き込まれたデータが読み取られる。そして、演算制御部３２は、この脈波データに基づいて呼吸データを取得する。

図２７（ａ）は、脈波データから呼吸データを取得する様子を示す特性図であり、図２７（ａ）の実線で示す脈波データが検出された場合には、この脈波データの包絡線に基づいて、図中一点鎖線に示す如くの呼吸データを取得する。つまり、図２７（ａ）の実線で示す脈波データは、呼吸に応じて振幅が変動するので、脈波データの包絡線を求めることにより、被験者の呼吸データを取得することができ、ひいては被験者の睡眠中における呼吸の状態を検査することができる。

例えば、被験者が閉塞型の睡眠時無呼吸症候群（ＯＳＡＳ）である場合には、図２７（ｂ）の曲線ｒ１に示すように、時間ｔ１の間で呼吸データの振幅が小さくなる。従って、このような呼吸データの変動を検出することにより、被験者が閉塞型の睡眠時無呼吸症候群であるか否かを判定することができる。

また、被験者が中枢型の睡眠時無呼吸症候群（ＣＳＡＳ）である場合には、図２７（ｂ）の曲線ｒ２に示すように、時間ｔ１の間で、呼吸データがほぼ振幅していない状態となる。従って、このような呼吸データの変動を検出することにより、被験者が中枢型の睡眠時無呼吸症候群であるか否かを判定することができる。

更に、明らかな無呼吸、低呼吸、低酸素血症は認められないものの、上気道狭窄に伴う呼吸努力の増大の偽覚醒反応が起こり、睡眠が分断される症状である上気道抵抗症候群となる場合がある。このような場合でも、呼吸データの振幅を検出することにより、この症状を特定することが可能である。具体的には、図２７（ｃ）に示すように、特定の時間帯にて呼吸データの振幅が小さくなる場合には、上気道抵抗症候群であるものと判断することができる。

このように、第４実施形態に係る睡眠状態検出システムでは、脈波データに基づいて、被験者の呼吸データを取得し、更に、この呼吸データに基づいて、被験者が睡眠時無呼吸症候群であるか、或いは上気道抵抗症候群であるかを判断することができ、更に、閉塞型の睡眠時無呼吸症候群、及び中枢型の睡眠時無呼吸症候群を判別することができる。従って、睡眠の深さに関する情報のみならず、睡眠時における呼吸状態をも判定することが可能となる。

また、上述した第４実施形態の変形例として、脈波データより検出される脈拍数、及び酸素飽和度に基づいて、呼吸が停止しているか否かを判断することも可能である。図２９は被験者が呼吸を停止したときの酸素飽和度、及び脈拍数の変化を示す特性図であり、図２９（ａ）に示すように、被験者の呼吸が停止すると徐々に酸素飽和度が低下し、呼吸の再開後しばらく酸素飽和度の低下が継続する。そして、あるレベルまで酸素飽和度が低下すると、その後、酸素飽和度が上昇して通常値に戻る。また、図２９（ｂ）に示すように、脈拍数は、被験者の呼吸が停止すると同時に徐々に低下し、呼吸が再開されると同時に徐々に増加して通常値に戻る。

そして、図２９に示すデータに基づき、被験者の酸素飽和度或いは脈拍数に基づいて、呼吸が停止しているか否かを判断することができ、ひいては、睡眠時における呼吸状態の検査に役立てることができる。例えば、酸素飽和度或いは脈拍データに基づいて、呼吸が停止しているものと判断された場合には、この被験者は睡眠時無呼吸症候群の疑いがあるものと判断することができる。

以上、本発明の睡眠状態検出装置、睡眠状態演算装置、及び睡眠状態検出システムを図示の実施形態に基づいて説明したが、本発明はこれに限定されるものではなく、各部の構成は、同様の機能を有する任意の構成のものに置き換えることができる。

例えば、上述した実施形態では、睡眠状態検出装置１０２，１０２ａ，１０２ｂと、睡眠状態演算装置１０３，１０３ａ，１０３ｂが分離した構成を例に挙げているが、これらが一体化されていても良い。

本発明は、被験者の脳波を検出して睡眠状態を検出することに利用することができる。

１１，１２，１３ 電極
１４ バッファアンプ
１５ バッファアンプ
１６ 差動増幅器
１７ ノッチフィルタ
１８ ハイパスフィルタ
１９ ローパスフィルタ
２０ 増幅部
２１ スペクトル解析処理部
２２ 原波形処理部
２３ 記憶メディア入出力部
２４ メモリカード
２５，２５ａ 絶縁ゲルシート
３２ 演算制御部
３３ 演算プログラム記憶部
３４ メモリ
３５ 入力操作部
３６ 表示部
３７ 眼電図検出部
４０ 脈波検出センサ
４１ 赤色ＬＥＤ
４２ 赤外ＬＥＤ
４３ フォトダイオード
４４ ３軸加速度センサ
４５ ＬＥＤ制御部
４６ 電流・電圧変換部
４７ フィルタ
４８ 増幅部
１０１，１０１ａ 睡眠状態検出システム
１０２，１０２ａ 睡眠状態検出装置
１０３，１０３ａ 睡眠状態演算装置

Claims (14)

1. 被験者の睡眠状態を検出する睡眠状態検出装置において、
   前記被験者の前額部に設けられた少なくとも３個の電極と、
   前記電極により検出される脳波から、所望の低周波成分を除去するパッシブ型のハイパスフィルタと、
   前記ハイパスフィルタの出力信号から、筋電図に相当する所定周波数よりも高い周波成分を除去するアクティブ型のローパスフィルタと、
   前記ローパスフィルタを通過した信号をスペクトル解析するスペクトル解析手段と、
   前記スペクトル解析手段より出力されるスペクトル解析データを、携帯式の記憶媒体に書き込む記憶媒体入出力手段と、
   を備えたことを特徴とする睡眠状態検出装置。
2. 前記ローパスフィルタを通過した信号を原波形データとして出力する原波形出力手段を更に備え、
   前記記憶媒体入出力手段は、前記スペクトル解析データに加え、前記原波形データを前記記憶媒体に書き込むことを特徴とする請求項１に記載の睡眠状態検出装置。
3. 前記３個の電極は、前記被験者の前額部に貼り付け可能な粘着性導電ゲル電極であり、各電極を粘着性絶縁ゲルシートを用いて、前記前額部に貼り付けることを特徴とする請求項１または請求項２のいずれかに記載の睡眠状態検出装置。
4. 前記前額部に設けられ、前記被験者の脈波を検出する脈波検出手段を更に備え、前記記憶媒体入出力手段は、前記携帯式の記憶媒体に前記脈波検出手段で検出される脈波データを書き込むことを特徴とする請求項１〜請求項３のいずれか１項に記載の睡眠状態検出装置。
5. 前記前額部に設けられ、前記被験者頭部の向きを検出する加速度検出手段を更に備え、前記記憶媒体入力手段は、前記携帯式の記憶媒体に前記加速度検出手段で検出される加速度データを書き込むことを特徴とする請求項１〜請求項４のいずれか１項に記載の睡眠状態検出装置。
6. 被験者の脳波に基づいて得られるスペクトル解析データに基づいて、該被験者の睡眠状態を演算する睡眠状態演算装置において、
   前記スペクトル解析データが記憶された記憶媒体の記憶データを読み取るデータ読み取り手段と、
   前記スペクトル解析データに含まれるδ波、θ波、α波、β波、及び前額筋電図のデータに基づき、δ波レベルをδ、θ波レベルをθ、α波レベルをα、β波レベルをβ、前額筋電図のレベルをｅｍｇとしたとき、「Ｘ＝δ／（δ＋θ＋α＋β＋ｅｍｇ）」の演算を実行してδ波の含有率Ｘを求める演算手段と、
   前記演算手段で求められた含有率Ｘに基づき、前記被験者の睡眠状態が、覚醒、レム睡眠、浅いノンレム睡眠、及び、深いノンレム睡眠、のうちの何れであるかを検出する睡眠状態検出手段と、
   を備えることを特徴とする睡眠状態演算装置。
7. 前記データ読み取り手段は、前記スペクトル解析データに加えて、前記記憶媒体に記憶されている前記脳波の原波形データを読み取り、
   前記原波形データに基づいて、眼電図を読み取る眼電図読み取り手段を更に備え、
   前記睡眠状態検出手段は、前記含有率Ｘに加え、前記眼電図読み取り手段で読み取られる眼電図に基づいて、前記被験者の睡眠状態が、覚醒、レム睡眠、浅いノンレム睡眠、及び、深いノンレム睡眠、のうちの何れであるかを検出することを特徴とする請求項６に記載の睡眠状態演算装置。
8. 前記記憶媒体には前記スペクトル解析データに加え、被験者の脈波データ、及び被験者頭部の向きを示す加速度データの少なくとも一方が記憶され、
   前記データ読み取り手段は、前記スペクトル解析データに加えて、前記記憶媒体に記憶されている被験者の脈波データ、及び被験者頭部の向きを示す加速度データの、少なくとも一方を読み取り、
   前記睡眠状態検出手段は、前記スペクトル解析データに加え、前記脈波データ及び前記加速度データの少なくとも一方を用いて前記被験者の睡眠状態が、覚醒、レム睡眠、浅いノンレム睡眠、及び、深いノンレム睡眠、のうちの何れであるかを検出することを特徴とする請求項６または請求項７のいずれかに睡眠状態演算装置。
9. 前記データ読み取り手段で読み取られたスペクトル解析データを移動平均処理する移動平均処理手段を更に備えたことを特徴とする請求項６〜請求項８のいずれか１項に記載の睡眠状態演算装置。
10. 被験者の睡眠状態を検出する睡眠状態検出システムにおいて、
    前記被験者の前額部に設けられた少なくとも３個の電極と、
    前記電極により検出される脳波から、所望の低周波成分を除去するパッシブ型のハイパスフィルタと、
    前記ハイパスフィルタの出力信号から、所望の高周波成分を除去するアクティブ型のローパスフィルタと、
    前記ローパスフィルタを通過した信号をスペクトル解析するスペクトル解析手段と、
    前記スペクトル解析手段より出力されるスペクトル解析データに含まれるδ波、θ波、α波、β波、及び前額筋電図のデータに基づき、δ波レベルをδ、θ波レベルをθ、α波レベルをα、β波レベルをβ、筋電図のレベルをｅｍｇとしたとき、「Ｘ＝δ／（δ＋θ＋α＋β＋ｅｍｇ）」の演算を実行してδ波の含有率Ｘを求める演算手段と、
    前記演算手段で求められた含有率Ｘに基づき、前記被験者の睡眠状態が、覚醒、レム睡眠、浅いノンレム睡眠、及び、深いノンレム睡眠、のうちの何れであるかを検出する睡眠状態検出手段と、
    を備えることを特徴とする睡眠状態検出システム。
11. 前記ローパスフィルタを通過した信号を原波形データとして出力する原波形出力手段と、該原波形データに基づいて、眼電図を読み取る眼電図読み取り手段と、を更に備え、
    前記睡眠状態検出手段は、前記含有率Ｘに加え、前記眼電図読み取り手段で読み取られる眼電図に基づいて、前記被験者の睡眠状態が、覚醒、レム睡眠、浅いノンレム睡眠、及び、深いノンレム睡眠、のうちの何れであるかを検出することを特徴とする請求項１０に記載の睡眠状態検出システム。
12. 前記前額部に設けられ、前記被験者の脈波を検出する脈波検出手段を更に備え、前記睡眠状態検出手段は、前記脈波検出手段で検出される脈波データに基づいて、前記被験者の睡眠状態が、覚醒、レム睡眠、浅いノンレム睡眠、及び、深いノンレム睡眠、のうちの何れであるかを検出することを特徴とする請求項１０または請求項１１のいずれかに記載の睡眠状態検出システム。
13. 前記前額部に設けられ、前記被験者頭部の向きを検出する加速度検出手段を更に備え、前記睡眠状態検出手段は、前記加速度検出手段で検出される加速度データに基づいて、前記被験者の睡眠状態が、覚醒、レム睡眠、浅いノンレム睡眠、及び、深いノンレム睡眠、のうちの何れであるかを検出することを特徴とする請求項１０〜１２のいずれか１項に記載の睡眠状態検出システム。
14. 前記スペクトル解析手段より出力されるスペクトル解析データを移動平均処理する移動平均処理手段を更に備えたことを特徴とする請求項１０〜請求項１３のいずれか１項に記載の睡眠状態検出システム。

Images