睡眠呼吸障害の無呼吸発作又は低呼吸発作に伴うＣＶＨＲの検出装置
【課題】 睡眠呼吸障害に伴うＣＶＨＲを正確に検出することができる技術を提供する。
【解決手段】 ＣＶＨＲ検出装置２では、Ｒ−Ｒ間隔時系列データより心拍変動の高周波数成分の振幅を算出する。ＣＶＨＲ検出装置２は、高周波数成分の振幅の値から、個々のデータに固有の値として、ディップの深さに対する閾値を決定し、閾値より大きな深さを有するディップ群を特定する。さらに、ＣＶＨＲ検出装置２は、形状に類似性を有するディップを特定する。さらに、ＣＶＨＲ検出装置２は、周期性を持って連続して出現しているディップ群を特定する。ＣＶＨＲ検出装置２は、最後に特定されたディップ群をＣＶＨＲとして検出することができる。
【解決手段】 ＣＶＨＲ検出装置２では、Ｒ−Ｒ間隔時系列データより心拍変動の高周波数成分の振幅を算出する。ＣＶＨＲ検出装置２は、高周波数成分の振幅の値から、個々のデータに固有の値として、ディップの深さに対する閾値を決定し、閾値より大きな深さを有するディップ群を特定する。さらに、ＣＶＨＲ検出装置２は、形状に類似性を有するディップを特定する。さらに、ＣＶＨＲ検出装置２は、周期性を持って連続して出現しているディップ群を特定する。ＣＶＨＲ検出装置２は、最後に特定されたディップ群をＣＶＨＲとして検出することができる。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明は、睡眠呼吸障害の無呼吸発作又は低呼吸発作に伴う心拍数の周期的変動を検出する技術に関する。なお、本明細書では、睡眠呼吸障害の無呼吸発作又は低呼吸発作に伴う心拍数の周期的変動のことをＣＶＨＲ（cyclic variation of heart rate）と簡単に表現する。
【背景技術】
【０００２】
非特許文献１には心拍変動解析による睡眠時無呼吸の検出方法が開示されている。この検出方法では、心拍間隔時系列データから、心拍変動の周波数成分の強度を表すパワースペクトルを作成している。このパワースペクトルで超低周波数領域（０．００３〜０．０４Ｈｚ）に相当する周波数帯のパワーが増加している場合に、睡眠時無呼吸が存在すると判定している。
【０００３】
【非特許文献１】Roche et al.、“Cardiac Interbeat Interval Increment for the Identification of Obstructive Sleep Apnea”、Journal of Pacing and Clinical Electrophysiology、（米国）、2002年8月、第25巻、第8号、p.1192―1199
【発明の開示】
【発明が解決しようとする課題】
【０００４】
睡眠時無呼吸発作に随伴して現れるＣＶＨＲは周期が２５〜１２０秒、すなわち０．００８〜０．０４Ｈｚの周波数をもつが、この周波数帯には生理的な心拍変動成分である超低周波数成分（０．００３〜０．０４Ｈｚ）も同時に存在し、スペクトル分析のような周波数解析だけでは両者を区別することができない。また、スペクトル分析では、たとえＣＶＨＲの存在をある程度推定することができたとしても、ＣＶＨＲの頻度や個々のＣＶＨＲの時間的な位置を特定することができない。さらに、無呼吸や低呼吸にともなうＣＶＨＲは自律神経によって媒介され、ＣＶＨＲの強度（心拍の変化に見られるピークの高さ）は副交感神経活動のレベルと関連する。このため、ＣＶＨＲが存在するとしても、自律神経機能の個体差や個体の健康状態による自律神経系活動の変化によって、ＣＶＨＲの強度が大きく変化する。
したがって、非特許文献１の方法では、生理的な超低周波数成分の個体差や個体の状態による増減によって、ＣＶＨＲの検出が不正確となり、睡眠時無呼吸の検出の特異度や感度が低下する。また、非特許文献１の方法では、ＣＶＨＲを直接検出しないので、ＣＶＨＲの頻度や個々のＣＶＨＲの時間的位置を知ることができず、無呼吸や低呼吸発作の頻度や時間的分布を正確に把握することができない。さらに、非特許文献１の方法では、ＣＶＨＲの強度の個体差や個体の状態による変化を考慮していないので、自律神経機能の障害や活動低下がある場合にはＣＶＨＲを適切に検出することができない。なお、睡眠時無呼吸は循環器疾患や肥満等の生活習慣病に合併しやすいが、これらの疾患は一般に、自律神経機能障害、特に副交感神経機能障害を伴いやすい。
【０００５】
本明細書では、生理的な超低周波数成分の強度や自律神経活動のレベルに関わらずＣＶＨＲを正確に検出し、その頻度や時間的位置を特定することができる技術を提供する。
【課題を解決するための手段】
【０００６】
本明細書によって開示される技術は、睡眠呼吸障害の無呼吸発作又は低呼吸発作に伴うＣＶＨＲの検出装置である。このＣＶＨＲ検出装置は、時系列データ入力手段とピーク検出手段とピーク高さ算出手段と心拍変動指標算出手段とピーク高さ閾値決定手段とピーク群特定手段と解析結果出力手段とを備える。
【０００７】
時系列データ入力手段は、心拍又は脈拍の拍間隔の時系列データもしくは心拍又は脈拍の拍頻度の時系列データを入力する。拍間隔の時系列データとしては、１拍毎の拍間隔の時系列データ（心電図Ｒ−Ｒ間隔等）や、瞬時の拍間隔の時系列データ（拍周期関数等）等を採用してもよい。拍頻度の時系列データとしては、所定時間毎の心拍数や脈拍数の時系列データや、瞬時心拍数や瞬時脈拍数の時系列データ等を採用してもよい。なお、時系列データには、拍間隔に換算して１０ｍｓ程度の分解能があることが好ましい。
【０００８】
時系列データ入力手段によって入力された時系列データに対して、必要に応じて前処理を行なうことが好ましい。前処理によって、期外収縮や心ブロック等の不整脈に起因するデータ変動を除去することが好ましい。また、測定や記録に起因するアーチファクトを除去することが好ましい。
【０００９】
続いて、これらの演算処理を行なった時系列データを補間処理し、再サンプリングを行なうことが好ましい。再サンプリングは、２Ｈｚ程度の周波数で行なうことが好ましい。補間の方法については、特に限定されないが、ステップ補間、直線補間、スプライン補間等を使用してもよい。
【００１０】
ピーク検出手段は、時系列データから複数の局所的なピークを検出する。この「ピーク」という用語は、減少ピークと増加ピークの両方を含む概念である。拍間隔の時系列データからは減少ピーク（即ちディップ）が検出される。拍頻度の時系列データからは増加ピークが検出される。なお、ピークの検出方法については、特に限定されない。例えば、時系列データのデータ変動の形状に基づいてピークを算出してもよい。例えば、予め設定しておいたピーク形状に類似している形状を有するデータ変動をピークとして検出してもよい。あるいは、予め設定しておいたピーク形状に相似している形状を有するデータ変動をピークとして検出してもよい。また、例えば、増加ピークを検出する場合には、所定のデータ変動の頂点が隣接するデータ変動の頂点よりも大きい値を示す場合に、そのデータ変動をピークとして検出してもよい。逆に、減少ピークを検出する場合には、所定のデータ変動の頂点が隣接するデータ変動の頂点よりも小さい値を示す場合に、そのデータ変動をピークとして検出してもよい。
【００１１】
ピーク高さ算出手段は、ピーク検出手段によって検出された複数の局所的ピークのそれぞれの高さを算出する。なお、ピーク高さの算出方法は、特に限定されない。例えば、ピークの上端と下端の間の距離をピーク高さとして算出してもよい。また、例えば、ピーク毎に基準のベースラインを決め、そのベースラインとピークの頂点の間の距離をピーク高さとして算出してもよい。ベースライン及びピークの頂点の設定方法は多様である。ベースラインは、例えば、ピークの前後において所定の時間範囲内のデータの変動の分布から算出した移動平均値や移動中央値であってもよい。ピークの頂点は、例えばピーク幅の中心時刻における値であってもよい。
【００１２】
無呼吸や低呼吸にともなうＣＶＨＲの強度は、自律神経活動のレベル等の個人差や個人の健康状態等によって変化する。例えば、冠動脈疾患や心不全、糖尿病等による副交感神経活動の抑制や機能障害があるとＣＶＨＲの強度、すなわちピークの高さが減少する。このために、複数の被験者について同じ基準値を用いてピーク高さからＣＶＨＲの候補となる変動を識別しようとすると、特異度や感度が低下する。このために、本発明では、時系列データ毎に自律神経活動を反映する心拍変動指標を算出し、その指標からそれぞれの時系列データに固有の値として、ピーク高さに関する閾値を決定し、そのピーク高さ閾値よりも大きい高さを有するピークを特定することによって、ＣＶＨＲを検出する手法を採用している。
【００１３】
心拍変動指標算出手段は、自律神経活動を反映する心拍変動指標を算出する。心拍変動指標としては、拍周期もしくは拍頻度の変動の高周波数成分（high frequency component，例えば０．１５〜０．４５Ｈｚ）のパワーもしくは振幅や、連続する拍周期もしくは拍頻度の差分値の自乗平均(root mean square of successive difference)等の主に副交感神経機能を反映する指標を利用することが好ましいが、心拍変動指標はこれらに限定されない。例えば、拍周期もしくは拍頻度の変動の低周波数成分（low frequency component，０．０４〜０．１５Ｈｚ）も、特に夜間は副交感神経機能を反映することから、指標として用いてもよい。また、前記の心拍変動の高周波数成分の周波数帯も、０．１５〜０．４５Ｈｚに限定されない。この周波数帯の中の一部の周波数帯もしくはより高い周波数帯まで拡大した周波数帯を高周波数成分の算出のための周波数帯としてもよい。また、高周波数成分や低周波数成分のパワーもしくは振幅を算出する方法は、特に限定されない。例えば、周波数領域のスペクトル分析などによって分析区間内のパワーや振幅の平均値を求めてもよいし、時間・周波数領域のウェイブレット分析などや時間領域の複素復調分析などによって、パワーや振幅を時間の関数として計算してもよい。なお、心拍変動指標を算出するのに用いるデータの時間の長さは特に限定されない。例えば２４時間の時系列データから心拍変動指標を算出してもよいし、夜間もしくはその他の時間帯の時系列データから心拍変動指標を算出してもよい。
【００１４】
ピーク高さ閾値決定手段は、心拍変動指標を用いて、ピーク検出手段によって検出されたピークの中から、ＣＶＨＲの候補となるピークを識別するためのピーク高さに関する閾値を、それぞれの時系列データに固有の値として決定する。前述したように、無呼吸や低呼吸にともなうＣＶＨＲの強度は、自律神経活動レベルの個人差や個人の健康状態などによって変化するので、ＣＶＨＲが存在するとしても、期待されるピークの高さは、時系列データ毎に異なる。そこで、ピーク高さ閾値決定手段では、個々の時系列データから得られた心拍変動指標からピーク高さ閾値を時系列データ毎に決定する。ここで、ピーク高さ閾値は、心拍変動指標の値の関数として算出する。この関数は心拍変動指標の種類に依存するが、心拍変動指標の値を、拍周期の高周波数成分(０．１５〜０．４５Ｈｚ)の振幅に換算した場合、その値の２〜４倍程度の値がピーク高さ閾値の候補となる。ただし、心拍変動指標の値は、同一の指標であっても、時系列データの分解能、不整脈やアーチファクトの除去に関する前処理の方法や精度、心拍変動指標の計算方法等によって変化する。したがって、前記の拍周期の高周波数成分の振幅に対するピーク高さ閾値の倍率も、前記の値に限定されるものではない。
【００１５】
ピーク群特定手段は、ピーク検出手段によって検出されたピークの中から、ピーク高さ閾値よりも大きいピーク高さを有しており、かつ、周期性を持って連続しているピーク群を特定する。無呼吸発作及び低呼吸発作は周期的に起きることが多く、これに伴って心拍又は脈拍も周期的に減少と増加を繰り返すことで、ＣＶＨＲを形成する。前述したようにＣＶＨＲと共通もしくはそれに近い周波数帯には、生理的な心拍変動である超低周波数成分が存在するが、超低周波数成分はＣＶＨＲと異なり周期性を持たない非周期性変動であることが知られている。したがって、超低周波数成分による変動は、ＣＶＨＲのようなピークの方向性（増加ピークか減少ピークか）が一定でなく、ピークの出現に周期性を持たない。ピーク群特定手段は、この性質を利用し、複数の局所的ピークの中から、上記のピーク高さ閾値より大きい高さを有しており、かつ、周期性を持って連続しているピーク群を特定する。これによって、ＣＶＨＲを反映するピーク群を、超低周波数成分によるピークと識別して検出する。ピーク群特定手段によって特定されたピーク群を最終的にＣＶＨＲと判定する。なお、ピーク群特定手段は、ピーク高さ閾値より大きいピーク高さを有するピーク群と、周期性を持って連続しているピーク群のうち、これらのピーク群を特定する順序について限定されるものではない。
【００１６】
解析結果出力手段は、ピーク群特定手段によって特定されたピーク群の頻度および時間的分布を含む解析結果を出力する。解析結果出力手段におけるピーク群の頻度および時間的分布の出力の方法は多様である。例えば、ピーク群の頻度については、一晩のピークもしくは一晩のＣＶＨＲの総数、時間あたりの頻度、各時間帯の頻度を出力してもよい。ピーク群の時間的分布については、各ピークの出現時刻を出力しても良いし、ピークの時間的位置を単独でまたは心電図や拍間隔、拍頻度と共に時間軸に対するグラフとして出力してもよい。さらに、ピーク高さ及びピーク幅のデータを出力してもよいし、前後に出現しているピークとの時刻差を出力してもよい。また、解析結果出力手段によって出力されるデータの形式も多様である。解析結果出力手段は、ピーク群に関するデータを画面に表示してもよいし、プリンタに出力してもよい。あるいは、解析結果出力手段は、ＣＤ−Ｒなどの記憶媒体にデータを保存してもよいし、外部のコンピュータにデータを送信してもよい。
【００１７】
本発明のＣＶＨＲ検出装置では、時系列データ毎に算出した心拍変動指標に基づいて決定したピーク高さ閾値を用いて、そのピーク高さ閾値よりも大きいピーク高さを有しているピーク群を特定することができる。これによって、無呼吸や低呼吸に伴うＣＶＨＲの強度の個人差や個人の健康状態による変化に関わらずＣＶＨＲを正確に検出することができる。また、周期性を持って連続しているピーク群を特定することで、超低周波数成分等の周期性を持たない変動によるピークを除外することができ、ＣＶＨＲを正確に検出することができる。
【００１８】
心拍変動指標算出手段は、時系列データから少なくとも心拍変動の０．１５〜０．４５Ｈｚの周波数帯に含まれる変動（即ち、高周波数成分）のパワーもしくは振幅を算出してもよい。心拍変動の高周波数成分のパワーもしくは振幅は、副交感神経機能を反映する指標である。
【００１９】
心拍変動指標算出手段は、時系列データから少なくとも連続する拍周期もしくは拍頻度の差分値の自乗平均(root mean square of successive difference)を算出してもよい。連続する拍周期もしくは拍頻度の差分値の自乗平均は、副交感神経機能を反映する指標である。
【００２０】
ピーク高さに関する時系列データ固有の閾値を副交感神経機能を反映する指標（心拍変動の高周波数成分のパワーもしくは振幅、又は連続する拍周期もしくは拍頻度の差分値の自乗平均）に基づいて時系列データ毎に決定することによって、副交感神経活動レベルの個人差や個人の健康状態による変化によるＣＶＨＲの強度の変化に関わらず、ＣＶＨＲを正確に検出することができる。例えば、自律神経機能が健全で夜間の副交感神経活動レベルが高い人に無呼吸や低呼吸が起こると、それに伴ってピーク高さの大きなＣＶＨＲが発生するが、そのような人では超低周波数成分等を含む生理的な心拍変動も強い。この場合、心拍変動指標に基づいてピーク高さ閾値を大きな値にすることで、ＣＶＨＲ以外の変動によるピークを、ＣＶＨＲとして誤検出する率を下げることができ、ＣＶＨＲ検出の特異度が高くなる。逆に、自律神経機能障害のある人や、夜間の副交感神経活動レベルが抑制された状態にある人に無呼吸や低呼吸が起こっても、それに伴うＣＶＨＲは小さなピーク高さしか生じない。このような人では超低周波数成分等を含む生理的な心拍変動も小さい。この場合、心拍変動指標に基づいてピーク高さ閾値を小さな値にすることで、拍間隔や拍頻度にわずかな変化しか生じないＣＶＨＲを見落とす検出欠損率を下げることができ、ＣＶＨＲ検出の感度が高くなる。
【００２１】
ピーク群特定手段は、時系列データ毎に算出した心拍変動指標に基づいて決定したピーク高さ閾値を用いて、複数の局所的ピークの中から、ピーク高さ閾値よりも大きいピーク高さを有しているピーク群を特定し、そのピーク群の中から周期性を持って連続しているピーク群を特定することが好ましい。これによって、超低周波数成分等の周期性を持たない変動によるピークを除去することができ、ＣＶＨＲを正確に検出することができる。
【００２２】
ピーク群特定手段は、連続している２つのピークの間の時刻差が所定範囲内に存在する連続している３つ以上のピークを特定することによって、周期性を持って連続しているピーク群を特定してもよい。例えば、上記の所定範囲は、２５秒間から１２０秒間であってもよい。また、連続している複数の時刻差のばらつきが所定の範囲内に含まれるピーク群を特定してもよい。また、連続している４つ以上のピークを特定してもよい。
【００２３】
無呼吸又は低呼吸発作に伴うＣＶＨＲでは、形状が類似しているピークが連続して出現することが多い。ピーク群特定手段は、複数の局所的ピークの中から、ピーク高さ閾値より大きい高さを有しており、類似の形状を有しており、かつ、周期性を持って連続しているピーク群を特定してもよい。ピーク群特定手段によって最終的に特定されたピーク群をＣＶＨＲと判定する。ピーク群特定手段は、例えば、隣り合う２つのピークの形状が類似しているのか否かを判断してもよい。ピークの類似性は、例えば、ピーク幅及び／又はピーク高さに基づいて判断されてもよい。例えば、ピーク幅が第１所定範囲に含まれるピーク群は類似性を有すると判断されてもよい。また、例えば、ピーク高さが第２所定範囲に含まれるピーク群は類似性を有すると判断されてもよい。ピーク高さ閾値よりも大きいピーク高さと周期性に加えて、類似性を有するピークを特定することで、ＣＶＨＲを正確に検出することができる。
【００２４】
ピーク群特定手段は、複数の局所的ピークの中からピーク高さ閾値より大きいピーク高さを有しているピーク群を特定し、そのピーク群の中から所定の類似の形状を有しているピーク群を特定し、そのピーク群の中から所定の周期性を持って連続しているピーク群を特定することが好ましい。周期性を持って連続しているピーク群を最後に特定することで、他の順序で特定を行なうよりも、正確な特定結果を得ることができる。
【００２５】
本明細書では、ＣＶＨＲ検出装置を実現するコンピュータプログラムも提供する。このコンピュータプログラムは、コンピュータに以下の各処理を実行させる。
（１）心拍又は脈拍の拍間隔の時系列データもしくは心拍又は脈拍の拍頻度時系列データを入力する時系列データ入力処理。
（２）時系列データから複数の局所的ピークを検出するピーク検出処理。
（３）複数の局所的ピークのそれぞれの高さを算出するピーク高さ算出処理。
（４）時系列データから自律神経活動を反映する心拍変動指標を算出する心拍変動指標算出処理。
（５）心拍変動指標から、それぞれのデータに固有の値として、ピーク高さに関する閾値を決定するピーク高さ閾値決定処理。
（６）複数の局所的ピークの中から、ピーク高さ閾値より大きい高さを有しており、かつ、周期性を持って連続しているピーク群を特定するピーク群特定処理。
（７）ピーク群の頻度および時間的分布を含む解析結果を出力する解析結果出力処理。
このコンピュータプログラムを利用すると、自律神経活動の個人差や個人の健康状態による変化に関わらずＣＶＨＲの頻度と時間的位置を特定し得るＣＶＨＲ検出装置を実現することができる。
【発明を実施するための最良の形態】
【００２６】
以下に説明する実施例の主要な特徴を整理しておく。なお、この実施例では心拍間隔の時系列データを用いることとし、ＣＶＨＲが減少方向のピーク（ディップ）を形成する場合について述べる。したがって、ここではピーク高さとはディップの深さを意味する。
（特徴１）ピーク検出手段は、時系列データを時間軸に対するグラフとして描いたときに下方に頂点を有する所定の形状の放物線（例えばＨ＝Ｔ２/４９，ここでＴは放物線の中心からの時間［秒］、Ｈは放物線の頂点からの高さ［ミリ秒］）が内接し得る部位をピーク候補として特定し、当該ピーク候補が前後の所定時間（例えば前後１０秒間）に存在する他のピーク候補より内接する放物線の頂点の値が小さい場合に当該ピーク候補をピークとして特定する。
（特徴２）ピーク高さ算出手段は、個々のピークについて、それぞれの中心時刻の前後所定時間（例えば前後２５秒間）の時系列データの移動平均を求め、それぞれの移動平均の最大値を算出する。ピーク高さ算出手段は、ピークの中心時刻における値と、前後の移動平均の最大値の平均値との差として、個々のピークの高さを算出する。なお、移動平均の窓の幅（フィルタの長さ）は所定の値（例えば５秒）とする。
（特徴４）ピーク高さ閾値決定手段は、拍間隔時系列データから求めた心拍変動の高周波数成分(０．１５〜０．４５Ｈｚ)の振幅を２．５倍した値を、その時系列データに固有のピーク高さ閾値として用いる。
（特徴５）ピーク群特定手段は、隣接するピークに対して所定範囲内のピーク幅を有しており、隣接するピークに対して所定範囲内のピーク高さを有しており、かつ、隣接するピークに対して所定範囲内のピーク幅とピーク高さの比を有しているピークを類似性を有するピークとして特定する。
（特徴６）ピーク群特定手段は、４つの連続するピークのうちの隣接する２つのピークの全てについて、隣接する２つのピークの時刻差が所定時間（例えば２５秒間〜１２０秒間）の範囲内であり、かつ、時刻差の大きさのばらつきが所定範囲内である場合に、その４つのピークを周期性を有するピークとして特定する。例えば、４つの連続するピークがＰ１，Ｐ２，Ｐ３，Ｐ４であり、Ｐ１とＰ２の時刻差がＴ１２であり、Ｐ２とＰ３の時刻差がＴ２３であり、Ｐ３とＰ４の時刻差がＴ３４である場合、Ｔ１２とＴ２３とＴ３４の全てが上記の所定時間の範囲内であり、かつ、Ｔ１２とＴ２３とＴ３４のばらつきが所定範囲内である場合に、Ｐ１，Ｐ２，Ｐ３，Ｐ４を周期性を有するピークとして特定する。
【実施例】
【００２７】
図面を参照して実施例を説明する。図１は、本実施例のＣＶＨＲ検出装置２の構成を示すブロック図である。ＣＶＨＲ検出装置２は、Ｒ−Ｒ間隔時系列データ入力部１６とディップ検出部１８とディップ深さ算出部２０と心拍変動指標算出部２２と個別閾値決定処理部２４とディップ幅算出部２６とディップ間隔算出部２８とディップ群特定部３０とその他の演算部３２と記憶部３４と操作部３６と表示部３８とを備えている。なお、ＣＶＨＲ検出装置２に搭載されているコンピュータがプログラムに従って処理を実行することによって、上記の各部１６〜３２等が実現される。
【００２８】
Ｒ−Ｒ間隔時系列データ入力部１６は、通信回線１４に接続されている。通信回線１４は、Ｒ−Ｒ間隔測定装置（例えばホルター心電図解析装置やホルター心電図解析機能を備えたホルター心電計等）に接続されている。Ｒ−Ｒ間隔時系列データ入力部１６は、Ｒ−Ｒ間隔測定装置によって測定されて出力されたＲ−Ｒ間隔測定データを入力する。図７や図８のチャート７０は、Ｒ−Ｒ間隔測定データの一例を示す。チャート７０では、Ｒ−Ｒ間隔が途中から周期的に増減を繰り返している。ディップ検出部１８は、Ｒ−Ｒ間隔時系列データから複数の局所的ディップを検出する。ディップ検出部１８は、ディップ幅及びディップ深さ等のデータから、所定のディップ形状を満たすディップ群を検出する。ディップの検出方法については、後で詳しく説明する。ディップ深さ算出部２０は、ディップ検出部１８によって検出されたディップ群のそれぞれの深さを算出する。ディップ深さを算出する方法については、後で詳しく説明する。
【００２９】
心拍変動指標算出部２２は、Ｒ−Ｒ間隔時系列データから高周波数成分（０．１５Ｈｚ〜０．４５Ｈｚ）の振幅を算出する。心拍変動指標算出部２２は、以下に示す演算方法のいずれかによって周波数成分を抽出することができる。例えば心拍変動指標算出部２２は、複素復調分析によって高周波数成分の振幅を算出してもよい。また、心拍変動指標算出部２２は、高速フーリエ変換又は自己回帰分析によって高周波数成分の振幅を算出してもよい。心拍変動指標算出部２２は、ウェイブレッド変換又は短時間フーリエ変換によって周波数成分の振幅を算出してもよい。心拍変動指標算出部２２は、高周波数成分の振幅の推定値として連続するＲ−Ｒ間隔の差分値の自乗平均(root mean square of successive difference)を算出してもよい。
【００３０】
個別閾値決定処理部２４は、心拍変動指標算出部２２によって抽出された高周波数成分の振幅から、ＣＶＨＲの候補となるディップの深さに関するデータ固有の閾値を、データ固有閾値として決定する。この実施例では、高周波数成分の振幅の２．５倍の値を、データ固有閾値として採用している。ディップ幅算出部２６は、複数の局所的ディップのそれぞれの幅（即ち各ディップが出現している時間の長さ）を算出する。ディップ間隔算出部２８は、連続する各２つのディップの間隔を算出する。ディップ間隔は、ディップ幅の中心値から、隣接するディップのディップ幅の中心値までの時間である。
【００３１】
ディップ群特定部３０は、以下の各処理を実行する。
（１）複数の局所的ディップの中から、データ固有閾値よりも大きいディップ深さを有しているディップ群を、有意ディップ群として特定する。
（２）上記の（１）で特定された有意ディップ群の中から、所定の類似の形状を有しているディップ群を類似ディップ群として特定する。
（３）上記の（２）で特定された類似ディップ群の中から、所定の周期性を持って連続しているディップ群を周期性ディップ群として特定する。
（３）で特定された周期性ディップ群がＣＶＨＲである。
【００３２】
上記の（１）ではデータ毎に算出されるデータ固有閾値をディップの深さの有意性の判定基準としているため、上記の（１）で特定されるディップ群を、有意ディップ群と呼ぶ。上記の（２）で特定されるディップ群を、類似ディップ群と呼ぶ。上記の（３）で特定されるディップ群を、周期性ディップ群と呼ぶ。その他の演算部３２は、上記以外の様々な演算処理を行なう。演算部３２が行なう演算処理については、後で詳しく説明する。
【００３３】
記憶部３４は、ＲＯＭ、ＥＥＰＲＯＭ、ＲＡＭ等によって構成されている。記憶部３４は、様々な情報を記憶することができる。例えば、記憶部３４は、ディップ群特定部３０によって特定されたディップ群に関する様々な情報を記憶することができる。例えば、記憶部３４は、Ｒ−Ｒ間隔時系列データ入力部１６に入力されたＲ−Ｒ間隔時系列データを記憶してもよい。あるいは、記憶部３４は、各ディップの出現時刻を記憶してもよいし、ディップ群の出現時刻帯を記憶してもよい。あるいは、記憶部３４は、各ディップの幅及び深さ等のデータを記憶してもよい。操作部３６は、複数のキーを有する。ユーザは操作部３６を操作することによって、様々な情報をＣＶＨＲ検出装置２の各部に入力することができる。表示部３８は、様々な情報を画面に表示することができる。
【００３４】
ＣＶＨＲ検出装置２に搭載されたコンピュータプログラムが実行するＣＶＨＲ検出処理の内容について説明する。図２〜４は、ＣＶＨＲ検出処理のフローチャートを示す。Ｒ−Ｒ間隔時系列データ入力部１６は、通信回線１４を介してＲ−Ｒ間隔時系列データを入力する（Ｓ１０）。このＲ−Ｒ間隔時系列データは、１０ｍｓ程度の時間分解能（即ち１０ｍｓ以上のＲ−Ｒ間隔の差異を識別できる分解能）を有していることが好ましい。図７や図８の符号７０は、Ｒ−Ｒ間隔時系列データの一例を示す。
【００３５】
Ｓ１０で入力されたＲ−Ｒ間隔時系列データには、期外収縮や心ブロック等の非生理的不整脈、及びアーチファクトに起因するデータの変動が含まれている。そこで、演算部３２は、非生理的不整脈及びアーチファクトに起因するデータの変動を除去する演算処理を行なう（Ｓ１２）。これによって、生理的心拍変動及び無呼吸及び低呼吸による心拍変動以外の原因によるデータの変動を除去することができる。
【００３６】
Ｓ１４では、演算部３２は、Ｒ−Ｒ間隔時系列データの補間を行なう。例えばステップ補間を行う場合、個々のＲ−Ｒ間隔の間は、関数値がそのＲ−Ｒ間隔の値に等しい一定値をとるような補間関数を用いる。続いて、演算部３２は、２Ｈｚの周波数で補間関数の値を再サンプリングする。これによって、等間隔でサンプリングされたＲ−Ｒ間隔時系列データＸ（ｔ）を作成する。続いて、ディップ検出部１８は、時系列データＸ（ｔ）の上で、次の（式１）を−５から５秒の範囲の全てのＴに対して満たす時点ｔをディップ候補の存在時刻として検出する（Ｓ１６）。
（式１）｛Ｘ（ｔ）＋Ｔ２/４９≧Ｘ（ｔ＋Ｔ），Ｔ＝−５，５｝
（式１）は、時系列データＸ（ｔ）を時間ｔに対するグラフとして描いたときに下方に頂点を有する放物線（Ｈ＝Ｔ２/４９，ここでＴは放物線の中心からの時間［秒］，Ｈは放物線の頂点からの高さ［ミリ秒］）が内接し得る変動部位をディップ候補の存在時刻として検出する。
【００３７】
ディップ検出部１８は、ディップ候補に内接する放物線の頂点が、前後１０秒間に存在するどのディップ候補に内接する放物線の頂点の値よりも小さい場合に、当該ディップ候補をディップとして特定する。（Ｓ１８）。
【００３８】
ディップ深さ算出部２０は、Ｓ１８で検出された複数の局所的ディップにおいて、それぞれのディップ深さＤｉを算出する。ｉは検出されたディップの序数である。図４は、ディップ深さＤｉの算出処理のフローチャートを示す。ディップ深さ算出部２０は、Ｓ１８で検出されたそれぞれのディップについて、図４の処理（Ｓ５０〜Ｓ５６）を実行する。
【００３９】
ディップ深さ算出部２０は、ディップの中心時刻の前後２５秒間の時系列データについて窓幅５秒の移動平均を算出する。得られた移動平均値の位相のずれを補正した時系列をＸＭＶ５（ｔ）とする（Ｓ５０）。ディップの時間軸方向の中央点（中心時刻）ｄｉにおいてＸ（ｄｉ）を算出する（Ｓ５４）。Ｘ（ｄｉ）は、ディップの頂点付近の値である。ディップ深さ算出部２０は、以下の（式２）によってディップ深さＤｉを算出する（Ｓ５６）。
（式２）Ｄｉ＝｛ｍａｘ[ＸＭＶ５（ｔ），ｔ＝ｄｉ−２５，ｄｉ]＋ｍａｘ[ＸＭＶ５（ｔ），ｔ＝ｄｉ，ｄｉ＋２５]｝／２−Ｘ（ｄｉ）
即ち、ディップ深さ算出部２０は、ディップの中央点ｄｉの前の２５秒間における移動平均 ＸＭＶ５（ｔ）の最大値と、中央点ｄｉの後の２５秒間における移動平均 ＸＭＶ５（ｔ）の最大値を算出し、両者の平均値をベースラインの値として算出している。ディップ深さ算出部２０は、ベースラインと頂点付近の値の差を算出することにより、ディップ深さＤｉを算出する。
【００４０】
図２のＳ２２では、心拍変動指標算出部２２は、Ｒ−Ｒ間隔時系列データから高速フーリエ変換によって高周波数成分（０．１５〜０．４５Ｈｚ）の振幅ＨＦＡＭＰを算出する。心拍変動指標算出部２２は、テータに固有のディップの深さに関する閾値ＤＤＴＨを、ＨＦＡＭＰの２．５倍の値とする（Ｓ２４）。高周波数成分の振幅ＨＦＡＭＰはそれぞれのデータについて算出される。したがって、ＤＤＴＨはデータに適応したデータ固有の閾値となる。
【００４１】
ｉ番目のディップをディップｉ、その深さをＤｉと記載する。ディップ群特定部３０は、ディップ深さＤｉがデータ固有閾値ＤＤＴＨよりも大きいか否かによってディップｉが有意なディップか否かを判断する（Ｓ２５）。ここでＹＥＳの場合は、ディップ群特定部３０はディップｉを有意なディップとして残す（Ｓ２６）。Ｓ２６で残されたディップ群が、有意ディップ群である。続いてディップ群特定部３０はディップｉがＲ−Ｒ間隔時系列データの最後のディップであるか否かを判断する（Ｓ２８）。ここでＹＥＳの場合は、図３のＳ３０に進む。一方において、Ｓ２８でＮＯの場合、ディップ群特定部３０は、次のディップを特定し(Ｓ２９)、Ｓ２５に戻る。これにより、次のディップについて、ディップ深さＤｉとデータ固有閾値ＤＤＴＨが比較される。
【００４２】
一方において、Ｓ２５でＮＯの場合は、ディップ群特定部３０はディップｉを除去する（Ｓ２７）。続いてディップ群特定部３０はディップｉがＲ−Ｒ間隔時系列データの最後のディップであるか否かを判断する（Ｓ２８）。ここでＹＥＳの場合は、図３のＳ３０に進む。一方において、Ｓ２８でＮＯの場合、ディップ群特定部３０は、次のディップを特定し(Ｓ２９)、Ｓ２５に戻る。
【００４３】
図３のＳ３０では、演算部３２は、ディップの最低値からＤｉの２／３の高さにおけるディップ幅Ｗｉを算出する。続いて、ディップ群特定部３０は、各ディップについて以下の（式３）、（式４）、（式５）を全て満たすか否かを判断する（Ｓ３１）。
（式３）ａｂｓ（ｌｏｇ（Ｄｉ／Ｄｉ＋１）＜ｌｏｇ（２．５）
（式４）ａｂｓ（ｌｏｇ（Ｗｉ／Ｗｉ＋１）＜ｌｏｇ（２．５）
（式５）ａｂｓ（ｌｏｇ（Ｗｉ・Ｄｉ＋１／Ｗｉ＋１・Ｄｉ）＜ｌｏｇ（２．５）
ここでは、ディップ群特定部３０はディップの幅及び深さから、連続するディップｉ，ディップｉ＋１の形状が類似しているか否かを判断する。Ｓ３１でＹＥＳの場合は、ディップ群特定部３０はディップｉ，ディップｉ＋１を残す（Ｓ３２）。Ｓ３２で残ったディップ群が、類似ディップ群である。続いてディップ群特定部３０はディップｉがＲ−Ｒ間隔時系列データの最後のディップであるか否かを判断する（Ｓ３４）。ここでＹＥＳの場合は、Ｓ３６に進む。一方において、Ｓ３４でＮＯの場合、ディップ群特定部３０は、次のディップを特定し(Ｓ３５)、Ｓ３１に戻る。Ｓ３１では、ディップ群特定部３０は、次のディップについて、類似性の有無を判断する。
【００４４】
一方において、Ｓ３１でＮＯの場合は、ディップ群特定部３０はディップｉを除去する（Ｓ３３）。続いてディップ群特定部３０はディップｉがＲ−Ｒ間隔時系列データの最後のディップであるか否かを判断する（Ｓ３４）。ここでＹＥＳの場合は、Ｓ３６に進む。一方において、Ｓ３４でＮＯの場合、ディップ群特定部３０は、次のディップを特定し(Ｓ３５)、Ｓ３１に戻る。
【００４５】
図５は、Ｒ−Ｒ間隔時系列データの模式図である。図５を用いて、ディップ群特定部３０がＳ３１の処理を終えた後に、どのディップを残すのかを判断する判断方法について詳しく説明する。ディップｉ〜ディップｉ＋３は時系列に連続して出現している。Ｗｉはディップｉのディップ幅である。Ｄｉはディップｉのディップ深さである。まず、ディップ群特定部３０は、ディップｉとディップｉ＋１の組合せＡの類似性を判断する。続いて、ディップｉ＋１とディップｉ＋２の組合せＢの類似性を判断する。続いて、ディップｉ＋２とディップｉ＋３の組合せＣの類似性を判断する。
【００４６】
組合せＡが類似性を満たす場合は、ディップ群特定部３０はディップｉとディップｉ＋１の両方を残す。続いて組合せＢも類似性を満たす場合には、ディップ群特定部３０はディップｉ＋１とディップｉ＋２を残す。このとき、ディップｉ＋１は組合せＡ，Ｂの両方の処理において残されることになる。一方において、組合せＢが類似性を満たさない場合には、ディップｉ＋２のみが除去される。組合せＡで一度残ったディップｉ＋１は、組合せＢの結果に関わらず、除去されることはない。
【００４７】
組合せＢが類似性を満たさない場合に、組合せＣが類似性を満たす場合には、ディップ群特定部３０はディップｉ＋２とディップｉ＋３を残す。即ち、ディップｉ＋２は組合せＢでは除去されたが、組合せＣにおいて残ることができる。
【００４８】
Ｓ３６では、演算部３２は、Ｓ３４で残ったディップ群のうち、４つの連続するディップの中の隣接する２つのディップの時刻差Ｉｉ、Ｉｉ＋１、Ｉｉ＋２をそれぞれ算出する。時刻差Ｉｉは、ディップｉの中心時刻ｄｉと連続するディップｉ＋１の中心時刻ｄｉ＋１との時刻差である。ディップ群特定部３０は、以下の（式６）、（式７）、（式８）を全て満たす４つの連続するディップ群を残す（Ｓ３８）。
（式６）２５＜Ｉｉ，Ｉｉ＋１，Ｉｉ＋２＜１２０
（式７）（３−２Ｉｉ／Ｓ）（３−２Ｉｉ＋１／Ｓ）（３−２Ｉｉ＋２／Ｓ）＞０．６
（式８）Ｓ＝（Ｉｉ＋Ｉｉ＋１＋Ｉｉ＋２）／３
ここでは、ディップ群特定部３０は、時刻差の大きさと、連続する時刻差の大きさのばらつきから、時刻差Ｉｉ、Ｉｉ＋１、Ｉｉ＋２を形成する４つのディップ群に周期性があるか否かを判断する。Ｓ３８で残ったディップ群が、周期性ディップ群である。ＣＶＨＲ装置２では、Ｓ３８で残った周期性ディップ群をＣＶＨＲとして検出する。
【００４９】
図６は、Ｒ−Ｒ間隔時系列データの模式図である。図６を用いて、ディップ群特定部３０がＳ３８の処理において、どのディップ群を残すのかを判断する判断方法について詳しく説明する。ディップｉ〜ディップｉ＋７は、時系列に連続して出現している。まず、ディップ群特定部３０は、Ｉｉ〜Ｉｉ＋２で構成される組合せＡの周期性を判断する。続いて、ディップ群特定部３０は、Ｉｉ＋１〜Ｉｉ＋３で構成される組合せＢの周期性を判断する。ディップ群特定部３０は、同様にディップを１つずつ時系列順にずらして判断し、Ｉｉ＋４〜Ｉｉ＋７で構成される組合せＥの周期性を判断する。
【００５０】
組合せＡが周期性を満たす場合には、ディップ群特定部３０はディップｉ〜ディップｉ＋３を残す。続いて組合せＢが周期性を満たす場合には、ディップ群特定部３０はディップｉ＋１〜ディップｉ＋４を残す。このとき、ディップｉ＋１〜ディップｉ＋３は組合せＡ，Ｂの両方の処理において残されることになる。一方において、組合せＢが周期性を満たさない場合には、組合せＢを構成するディップｉ＋１〜ディップｉ＋４のうちディップｉ＋４のみが除去される。組合せＡで一度残ったディップｉ＋１〜ディップｉ＋３は、組合せＢの結果に関わらず、除去されることはない。
【００５１】
組合せＢが周期性を満たさない場合に、組合せＥが周期性を満たす場合には、ディップ群特定部３０はディップｉ＋４〜ディップｉ＋７を全て残す。即ち、ディップｉ＋４は組合せＢでは除去されたが、組合せＥにおいて残ることができる。また、組合せＢと組合せＥの間には図示しない組合せが存在しているが、これらの判断結果に関わらず、組合せＥが周期性を満たす場合には、ディップｉ＋４〜ディップｉ＋７が残される。
【００５２】
Ｓ４０では、表示部３８はＳ３８で残ったディップ群に関するデータを画面に表示する。図７は、表示部３８が表示するデータの一例を示す。チャート７０は、Ｒ−Ｒ間隔時系列データを示す。棒グラフ７２は、ＣＶＨＲ装置２によって特定されたディップ群の出現時刻を示している。チャート７４は、経皮的動脈血酸素飽和度（ＳｐＯ２）のチャートを示す。チャート７６は、呼吸による換気量のチャートを示す。
【００５３】
表示部３８は、特定したディップの出現時刻を、Ｒ−Ｒ間隔時系列データと合わせて表示してもよい。また、表示部３８は、特定したディップの出現時刻を、経皮的動脈血酸素飽和度（ＳｐＯ２）や等の他の解析結果と合わせて表示してもよい。また、表示部３８は、所定時間当りのＣＶＨＲの出現頻度や、ディップの出現頻度が最大となる短い時刻帯（例えば３０分間）及びその間のディップの出現頻度や、ディップ深さとディップ幅の平均値及び標準偏差等を表示してもよい。
【００５４】
ここで、経皮的動脈血酸素飽和度（ＳｐＯ２）による閉塞型睡眠時無呼吸症候群（obstructive sleep apnea syndrome，ＯＳＡＳ）の診断方法について説明する。ＳｐＯ２によってＯＳＡＳを診断する方法は、信頼性の高い方法として知られている。この方法では、無呼吸状態では血液中の酸素濃度が低下することを利用している。即ち、チャート７４における一定以上の深さ（例えば３％以上の低下）のディップの頻度が多いほど、ＯＳＡＳである可能性が高いということを示している。本実施例では、ＳｐＯ２と同等の解析結果が得られるということを、ＣＶＨＲを正確に検出する検出感度および特異度の指標として設定している。
【００５５】
上記に説明したＣＶＨＲ検出装置２で実際に解析処理を行なった内容について説明する。図７，８は、異なるＯＳＡＳ患者のＲ−Ｒ間隔時系列データの解析結果を示す。図７，８のＲ−Ｒ間隔時系列データのチャート７０を比較すると、図７では大きなディップが周期的に出現しており、Ｒ−Ｒ間隔時系列データのチャート７０を目視することによってもＣＶＨＲを判断しやすい。一方、図８では、大きいディップが少なく、またディップ深さにもばらつきがあるために、Ｒ−Ｒ間隔時系列データのチャート７０を目視することによって、ＣＶＨＲを判断することは困難である。
【００５６】
本実施例のＣＶＨＲ検出装置２の解析結果は、棒グラフ７２に示されている。図７では、Ｒ−Ｒ間隔時系列データのチャート７０において大きいディップが出現している時刻と同時刻に、棒グラフ７２において棒グラフが出現している。また、ＳｐＯ２のチャート７４でディップが出現している時刻と同じ時刻に、棒グラフ７２において棒グラフが出現している。このことから、ＣＶＨＲ検出装置２では、Ｒ−Ｒ間隔時系列データのチャート７０を目視することで判別できるようなＣＶＨＲを確実に検出することができるということが言える。また、ＣＶＨＲ検出装置２では、ＳｐＯ２の解析結果と同等の解析結果を得られるということが言える。
【００５７】
図８では、Ｒ−Ｒ間隔時系列データのチャート７０を目視することによってＣＶＨＲを判別することは困難であるが、ＳｐＯ２のチャート７４でディップが出現している。棒グラフ７２では、ＳｐＯ２のチャート７４でディップが出現している時刻と同時刻に、棒グラフが出現している。このことから、ＣＶＨＲ検出装置２では、Ｒ−Ｒ間隔時系列データのチャート７０を目視することでは判別できないようなＣＶＨＲでも、ＳｐＯ２と同等の検出感度でＣＶＨＲを検出することができるということが言える。
【００５８】
ＳｐＯ２が所定量低下した１時間当りの回数（即ちチャート７４のディップの数）を、酸素飽和度低下指数（oxygen desaturation index，ＯＤＩ）と呼ぶ。特に、ＳｐＯ２が３％以上低下した１時間あたりの回数を３％ＯＤＩと呼ぶ。３％ＯＤＩが１５／ｈｒ以上である被験者は、中程度以上のＯＳＡＳである可能性が高いことが知られている。
【００５９】
図９は、ＣＶＨＲ検出装置２の解析結果とＳｐＯ２の解析結果との相関図を示す。一晩の就床中のＲ−Ｒ間隔時系列データに基づいて、ＣＶＨＲ検出装置２を用いて１時間あたりのＣＶＨＲの頻度（縦軸）を算出した。横軸は、同条件でＳｐＯ２を測定したときの、１時間あたりの３％ＯＤＩを示している。被験者の条件は、ＯＳＡＳ患者とＯＳＡＳでない者を含む６２人である。３％ＯＤＩが１５／ｈｒより大きい被験者は３６名（５８％）である。１プロットが、１人の被験者のデータを示している。
【００６０】
ＣＶＨＲ検出装置２で検出されたＣＶＨＲの頻度（回／ｈｒ）と３％ＯＤＩとの相関係数ｒは０．９０であり、説明率ｒ２は８１％である。これによって、ＣＶＨＲ検出装置２の解析結果とＳｐＯ２の解析結果は高い相関を示すことが分かる。ＣＶＨＲ検出装置２は、正確にＣＶＨＲを検出することができる。
【００６１】
ここで、Ｓ２２〜２９の処理を行なってＳ２６で有意ディップ群を特定する処理をデータ適応性の検査と呼ぶ。Ｓ３０〜Ｓ３５の処理を行なってＳ３２で類似性を有するディップ群を特定する処理を類似性の検査と呼ぶ。Ｓ３６の処理を行なってＳ３８で周期性を有するディップ群を特定する処理を周期性の検査と呼ぶ。ＣＶＨＲ検出装置２では、データ適応性と類似性と周期性の３項目の検査を達成したディップ群をＣＶＨＲとして検出している。３項目の検査のうちの１項目あるいは２項目の検査だけでも正確にＣＶＨＲを検出できるか否かについて、実際に解析を行なって検討を行なった。
【００６２】
図１０は、各検査項目の組合せテーブル１００を示している。Ｆｕｌｌ８６は、データ適応性の検査８０と類似性の検査８２と周期性の検査８４の３項目全てを採用する場合の組合せを示す。Ｆｉｘｅｄ ＤＴ（４４ｍｓ）８８は、類似性の検査８２と周期性の検査８４を採用する場合の組合せを示す。このとき、データ固有閾値の換わりに、固定値として４４ｍｓを用いてＳ２６の処理を行なった。Ｓｉｍｉ ｏｆｆ９０は、データ適応性の検査８０と周期性の検査８４を採用する場合の組合せを示す。ＣＬ ｏｆｆ９２は、データ適応性の検査８０と類似性の検査８２を採用する場合の組合せを示す。
【００６３】
ＡＤＴ ｏｎｌｙ９４は、データ適応性の検査８０のみを採用する場合の組合せを示す。Ｓｉｍｉ ｏｎｌｙ９６は、類似性の検査８２のみを採用する場合の組合せを示す。ＣＬ ｏｎｌｙ９８は、周期性の検査８４のみを採用する場合の組合せを示す。
【００６４】
図１１は、図１０に示した各組合せにおける、ＣＶＨＲ検出装置２の解析結果とＳｐＯ２の解析結果との相関図を示す。解析条件は図９と同様であるので、詳しい説明を省略する。図１０の相関図から、ＦｕｌｌとＳｉｍｉ ｏｆｆにおいて、８０％に近い説明率ｒ２が得られた。このことから、ＦｕｌｌとＳｉｍｉ ｏｆｆでは、ＣＶＨＲ検出装置２の解析結果がＳｐＯ２の解析結果と高い相関を示すことが分かる。
【００６５】
図１２は、ＯＳＡＳ検出能力テーブル１２０を示す。図１２は、図１０で示した各組合せにおける、感度１１０と特異度１１２と陽性的中率１１４と陰性的中率１１６と一致率１１８を示す。感度１１０と特異度１１２と陽性的中率１１４と陰性的中率１１６と一致率１１８は、それぞれＣＶＨＲ検出装置２の検出感度をＳｐＯ２の解析結果と比較して評価する項目である。各評価項目は、図１１の解析結果から算出している。ここで、３％ＯＤＩが１５／ｈｒよりも大きい被験者を、「真のＯＳＡＳ患者」と定義する。３％ＯＤＩが１５／ｈｒ以下である被験者を「偽のＯＳＡＳ患者」と定義する。ＣＶＨＲ検出装置２では、ＣＶＨＲの出現回数が１５／ｈｒよりも大きい被験者をＯＳＡＳであると判断する。ＣＶＨＲ検出装置２では、ＣＶＨＲの出現回数が１５／ｈｒ以下である被験者をＯＳＡＳでないと判断する。
【００６６】
感度１１０は、真のＯＳＡＳ患者数に対するＣＶＨＲ検出装置２によってＯＳＡＳであると判断された被験者数の割合である。感度１１０の値が高いほど、検出感度が高いということが言える。特異度１１２は、偽のＯＳＡＳ患者に対する、ＣＶＨＲ検出装置２によってＯＳＡＳでないと判断された被験者数の割合である。特異度が高いほど、誤検出が低いということを示す。
【００６７】
陽性的中率１１４は、ＣＶＨＲ検出装置２によってＯＳＡＳであると判断された被験者数に含まれる真のＯＳＡＳ患者の割合を示す。陽性的中率が高いほど、検出感度が高いということを示す。陰性的中率１１６は、ＣＶＨＲ検出装置２によってＯＳＡＳでないと判断された被験者数に含まれる偽のＯＳＡＳ患者の割合を示す。図１２の結果によると、全ての評価項目１１０〜１１８において、ＦｕｌｌとＳｉｍｉ ｏｆｆで、高い値が得られている。図１１，１２の解析結果から、データ適応性と周期性の２項目のみ（即ち、Ｓｉｍｉ ｏｆｆ）でも、正確にＣＶＨＲを検出することができる。データ適応性と周期性に類似性の解析を追加することによって（即ちＦｕｌｌの組合せ）、ＣＶＨＲ検出の正確性をさらに向上させることができる。
【００６８】
本実施例のＣＶＨＲ検出装置２では、Ｒ−Ｒ間隔時系列データの高周波数成分の振幅からデータ固有の値としてディップ深さに関する閾値を算出する。ＣＶＨＲ検出装置２は、データ固有のディップ深さ閾値ＤＤＴＨよりも大きいディップ深さを有するディップ群を有意ディップ群として識別することができる。さらに、ＣＶＨＲ検出装置２は、ディップの幅及び深さから、形状に類似性を有する類似ディップ群を識別することができる。さらに、ＣＶＨＲ検出装置２は、連続するディップの発生時刻の時刻差から、周期性を有する周期性ディップ群を識別することができる。ＣＶＨＲ検出装置２は、データ適応性と類似性と周期性を有するディップ群をＣＶＨＲとして検出することができる。ＣＶＨＲ検出装置２によって得られた解析結果は、ＳｐＯ２の解析結果との相関が高く、ＯＳＡＳの検出に用いた場合も、検出感度および特異度が共に高い。このために、ＣＶＨＲ検出装置２では、正確にＣＶＨＲを検出することができる。
【００６９】
以上、本発明の具体例を詳細に説明したが、これらは例示にすぎず、特許請求の範囲を限定するものではない。特許請求の範囲に記載の技術には、以上に例示した具体例を様々に変形、変更したものが含まれる。
また、本明細書または図面に説明した技術要素は、単独であるいは各種の組合せによって技術的有用性を発揮するものであり、出願時の請求項に記載の組合せに限定されるものではない。また、本明細書または図面に例示した技術は複数目的を同時に達成するものであり、そのうちの一つの目的を達成すること自体で技術的有用性を持つものである。
【図面の簡単な説明】
【００７０】
【図１】ＣＶＨＲ検出装置の構成を示すブロック図を示す。
【図２】ＣＶＨＲ検出処理のフローチャートを示す。
【図３】図２の続きのフローチャートを示す。
【図４】ディップ深さ算出処理のフローチャートを示す。
【図５】Ｒ−Ｒ間隔時系列データを模式的に示す。
【図６】Ｒ−Ｒ間隔時系列データを模式的に示す。
【図７】ＣＶＨＲ検出装置の解析結果の一例を示す。
【図８】ＣＶＨＲ検出装置の解析結果の一例を示す。
【図９】ＣＶＨＲ検出装置の解析結果とＳｐＯ２の解析結果との相関図を示す。
【図１０】ＣＶＨＲ検出装置の検査項目の組合せテーブルを示す。
【図１１】ＣＶＨＲ検出装置の解析結果とＳｐＯ２の解析結果との相関図を示す。
【図１２】ＣＶＨＲ検出装置のＯＳＡＳ検出能力を示す。
【符号の説明】
【００７１】
２：ＣＶＨＲ検出装置
１６：Ｒ−Ｒ間隔時系列データ入力部
１８：ディップ検出部
２０：ディップ深さ算出部
２２：心拍変動指標演算部
２４：個別閾値決定処理部
２６：ディップ幅算出部
２８：ディップ間隔算出部
３０：ディップ群特定部
３２：その他の演算部
３４：記憶部
３６：操作部
３８：表示部
【技術分野】
【０００１】
本発明は、睡眠呼吸障害の無呼吸発作又は低呼吸発作に伴う心拍数の周期的変動を検出する技術に関する。なお、本明細書では、睡眠呼吸障害の無呼吸発作又は低呼吸発作に伴う心拍数の周期的変動のことをＣＶＨＲ（cyclic variation of heart rate）と簡単に表現する。
【背景技術】
【０００２】
非特許文献１には心拍変動解析による睡眠時無呼吸の検出方法が開示されている。この検出方法では、心拍間隔時系列データから、心拍変動の周波数成分の強度を表すパワースペクトルを作成している。このパワースペクトルで超低周波数領域（０．００３〜０．０４Ｈｚ）に相当する周波数帯のパワーが増加している場合に、睡眠時無呼吸が存在すると判定している。
【０００３】
【非特許文献１】Roche et al.、“Cardiac Interbeat Interval Increment for the Identification of Obstructive Sleep Apnea”、Journal of Pacing and Clinical Electrophysiology、（米国）、2002年8月、第25巻、第8号、p.1192―1199
【発明の開示】
【発明が解決しようとする課題】
【０００４】
睡眠時無呼吸発作に随伴して現れるＣＶＨＲは周期が２５〜１２０秒、すなわち０．００８〜０．０４Ｈｚの周波数をもつが、この周波数帯には生理的な心拍変動成分である超低周波数成分（０．００３〜０．０４Ｈｚ）も同時に存在し、スペクトル分析のような周波数解析だけでは両者を区別することができない。また、スペクトル分析では、たとえＣＶＨＲの存在をある程度推定することができたとしても、ＣＶＨＲの頻度や個々のＣＶＨＲの時間的な位置を特定することができない。さらに、無呼吸や低呼吸にともなうＣＶＨＲは自律神経によって媒介され、ＣＶＨＲの強度（心拍の変化に見られるピークの高さ）は副交感神経活動のレベルと関連する。このため、ＣＶＨＲが存在するとしても、自律神経機能の個体差や個体の健康状態による自律神経系活動の変化によって、ＣＶＨＲの強度が大きく変化する。
したがって、非特許文献１の方法では、生理的な超低周波数成分の個体差や個体の状態による増減によって、ＣＶＨＲの検出が不正確となり、睡眠時無呼吸の検出の特異度や感度が低下する。また、非特許文献１の方法では、ＣＶＨＲを直接検出しないので、ＣＶＨＲの頻度や個々のＣＶＨＲの時間的位置を知ることができず、無呼吸や低呼吸発作の頻度や時間的分布を正確に把握することができない。さらに、非特許文献１の方法では、ＣＶＨＲの強度の個体差や個体の状態による変化を考慮していないので、自律神経機能の障害や活動低下がある場合にはＣＶＨＲを適切に検出することができない。なお、睡眠時無呼吸は循環器疾患や肥満等の生活習慣病に合併しやすいが、これらの疾患は一般に、自律神経機能障害、特に副交感神経機能障害を伴いやすい。
【０００５】
本明細書では、生理的な超低周波数成分の強度や自律神経活動のレベルに関わらずＣＶＨＲを正確に検出し、その頻度や時間的位置を特定することができる技術を提供する。
【課題を解決するための手段】
【０００６】
本明細書によって開示される技術は、睡眠呼吸障害の無呼吸発作又は低呼吸発作に伴うＣＶＨＲの検出装置である。このＣＶＨＲ検出装置は、時系列データ入力手段とピーク検出手段とピーク高さ算出手段と心拍変動指標算出手段とピーク高さ閾値決定手段とピーク群特定手段と解析結果出力手段とを備える。
【０００７】
時系列データ入力手段は、心拍又は脈拍の拍間隔の時系列データもしくは心拍又は脈拍の拍頻度の時系列データを入力する。拍間隔の時系列データとしては、１拍毎の拍間隔の時系列データ（心電図Ｒ−Ｒ間隔等）や、瞬時の拍間隔の時系列データ（拍周期関数等）等を採用してもよい。拍頻度の時系列データとしては、所定時間毎の心拍数や脈拍数の時系列データや、瞬時心拍数や瞬時脈拍数の時系列データ等を採用してもよい。なお、時系列データには、拍間隔に換算して１０ｍｓ程度の分解能があることが好ましい。
【０００８】
時系列データ入力手段によって入力された時系列データに対して、必要に応じて前処理を行なうことが好ましい。前処理によって、期外収縮や心ブロック等の不整脈に起因するデータ変動を除去することが好ましい。また、測定や記録に起因するアーチファクトを除去することが好ましい。
【０００９】
続いて、これらの演算処理を行なった時系列データを補間処理し、再サンプリングを行なうことが好ましい。再サンプリングは、２Ｈｚ程度の周波数で行なうことが好ましい。補間の方法については、特に限定されないが、ステップ補間、直線補間、スプライン補間等を使用してもよい。
【００１０】
ピーク検出手段は、時系列データから複数の局所的なピークを検出する。この「ピーク」という用語は、減少ピークと増加ピークの両方を含む概念である。拍間隔の時系列データからは減少ピーク（即ちディップ）が検出される。拍頻度の時系列データからは増加ピークが検出される。なお、ピークの検出方法については、特に限定されない。例えば、時系列データのデータ変動の形状に基づいてピークを算出してもよい。例えば、予め設定しておいたピーク形状に類似している形状を有するデータ変動をピークとして検出してもよい。あるいは、予め設定しておいたピーク形状に相似している形状を有するデータ変動をピークとして検出してもよい。また、例えば、増加ピークを検出する場合には、所定のデータ変動の頂点が隣接するデータ変動の頂点よりも大きい値を示す場合に、そのデータ変動をピークとして検出してもよい。逆に、減少ピークを検出する場合には、所定のデータ変動の頂点が隣接するデータ変動の頂点よりも小さい値を示す場合に、そのデータ変動をピークとして検出してもよい。
【００１１】
ピーク高さ算出手段は、ピーク検出手段によって検出された複数の局所的ピークのそれぞれの高さを算出する。なお、ピーク高さの算出方法は、特に限定されない。例えば、ピークの上端と下端の間の距離をピーク高さとして算出してもよい。また、例えば、ピーク毎に基準のベースラインを決め、そのベースラインとピークの頂点の間の距離をピーク高さとして算出してもよい。ベースライン及びピークの頂点の設定方法は多様である。ベースラインは、例えば、ピークの前後において所定の時間範囲内のデータの変動の分布から算出した移動平均値や移動中央値であってもよい。ピークの頂点は、例えばピーク幅の中心時刻における値であってもよい。
【００１２】
無呼吸や低呼吸にともなうＣＶＨＲの強度は、自律神経活動のレベル等の個人差や個人の健康状態等によって変化する。例えば、冠動脈疾患や心不全、糖尿病等による副交感神経活動の抑制や機能障害があるとＣＶＨＲの強度、すなわちピークの高さが減少する。このために、複数の被験者について同じ基準値を用いてピーク高さからＣＶＨＲの候補となる変動を識別しようとすると、特異度や感度が低下する。このために、本発明では、時系列データ毎に自律神経活動を反映する心拍変動指標を算出し、その指標からそれぞれの時系列データに固有の値として、ピーク高さに関する閾値を決定し、そのピーク高さ閾値よりも大きい高さを有するピークを特定することによって、ＣＶＨＲを検出する手法を採用している。
【００１３】
心拍変動指標算出手段は、自律神経活動を反映する心拍変動指標を算出する。心拍変動指標としては、拍周期もしくは拍頻度の変動の高周波数成分（high frequency component，例えば０．１５〜０．４５Ｈｚ）のパワーもしくは振幅や、連続する拍周期もしくは拍頻度の差分値の自乗平均(root mean square of successive difference)等の主に副交感神経機能を反映する指標を利用することが好ましいが、心拍変動指標はこれらに限定されない。例えば、拍周期もしくは拍頻度の変動の低周波数成分（low frequency component，０．０４〜０．１５Ｈｚ）も、特に夜間は副交感神経機能を反映することから、指標として用いてもよい。また、前記の心拍変動の高周波数成分の周波数帯も、０．１５〜０．４５Ｈｚに限定されない。この周波数帯の中の一部の周波数帯もしくはより高い周波数帯まで拡大した周波数帯を高周波数成分の算出のための周波数帯としてもよい。また、高周波数成分や低周波数成分のパワーもしくは振幅を算出する方法は、特に限定されない。例えば、周波数領域のスペクトル分析などによって分析区間内のパワーや振幅の平均値を求めてもよいし、時間・周波数領域のウェイブレット分析などや時間領域の複素復調分析などによって、パワーや振幅を時間の関数として計算してもよい。なお、心拍変動指標を算出するのに用いるデータの時間の長さは特に限定されない。例えば２４時間の時系列データから心拍変動指標を算出してもよいし、夜間もしくはその他の時間帯の時系列データから心拍変動指標を算出してもよい。
【００１４】
ピーク高さ閾値決定手段は、心拍変動指標を用いて、ピーク検出手段によって検出されたピークの中から、ＣＶＨＲの候補となるピークを識別するためのピーク高さに関する閾値を、それぞれの時系列データに固有の値として決定する。前述したように、無呼吸や低呼吸にともなうＣＶＨＲの強度は、自律神経活動レベルの個人差や個人の健康状態などによって変化するので、ＣＶＨＲが存在するとしても、期待されるピークの高さは、時系列データ毎に異なる。そこで、ピーク高さ閾値決定手段では、個々の時系列データから得られた心拍変動指標からピーク高さ閾値を時系列データ毎に決定する。ここで、ピーク高さ閾値は、心拍変動指標の値の関数として算出する。この関数は心拍変動指標の種類に依存するが、心拍変動指標の値を、拍周期の高周波数成分(０．１５〜０．４５Ｈｚ)の振幅に換算した場合、その値の２〜４倍程度の値がピーク高さ閾値の候補となる。ただし、心拍変動指標の値は、同一の指標であっても、時系列データの分解能、不整脈やアーチファクトの除去に関する前処理の方法や精度、心拍変動指標の計算方法等によって変化する。したがって、前記の拍周期の高周波数成分の振幅に対するピーク高さ閾値の倍率も、前記の値に限定されるものではない。
【００１５】
ピーク群特定手段は、ピーク検出手段によって検出されたピークの中から、ピーク高さ閾値よりも大きいピーク高さを有しており、かつ、周期性を持って連続しているピーク群を特定する。無呼吸発作及び低呼吸発作は周期的に起きることが多く、これに伴って心拍又は脈拍も周期的に減少と増加を繰り返すことで、ＣＶＨＲを形成する。前述したようにＣＶＨＲと共通もしくはそれに近い周波数帯には、生理的な心拍変動である超低周波数成分が存在するが、超低周波数成分はＣＶＨＲと異なり周期性を持たない非周期性変動であることが知られている。したがって、超低周波数成分による変動は、ＣＶＨＲのようなピークの方向性（増加ピークか減少ピークか）が一定でなく、ピークの出現に周期性を持たない。ピーク群特定手段は、この性質を利用し、複数の局所的ピークの中から、上記のピーク高さ閾値より大きい高さを有しており、かつ、周期性を持って連続しているピーク群を特定する。これによって、ＣＶＨＲを反映するピーク群を、超低周波数成分によるピークと識別して検出する。ピーク群特定手段によって特定されたピーク群を最終的にＣＶＨＲと判定する。なお、ピーク群特定手段は、ピーク高さ閾値より大きいピーク高さを有するピーク群と、周期性を持って連続しているピーク群のうち、これらのピーク群を特定する順序について限定されるものではない。
【００１６】
解析結果出力手段は、ピーク群特定手段によって特定されたピーク群の頻度および時間的分布を含む解析結果を出力する。解析結果出力手段におけるピーク群の頻度および時間的分布の出力の方法は多様である。例えば、ピーク群の頻度については、一晩のピークもしくは一晩のＣＶＨＲの総数、時間あたりの頻度、各時間帯の頻度を出力してもよい。ピーク群の時間的分布については、各ピークの出現時刻を出力しても良いし、ピークの時間的位置を単独でまたは心電図や拍間隔、拍頻度と共に時間軸に対するグラフとして出力してもよい。さらに、ピーク高さ及びピーク幅のデータを出力してもよいし、前後に出現しているピークとの時刻差を出力してもよい。また、解析結果出力手段によって出力されるデータの形式も多様である。解析結果出力手段は、ピーク群に関するデータを画面に表示してもよいし、プリンタに出力してもよい。あるいは、解析結果出力手段は、ＣＤ−Ｒなどの記憶媒体にデータを保存してもよいし、外部のコンピュータにデータを送信してもよい。
【００１７】
本発明のＣＶＨＲ検出装置では、時系列データ毎に算出した心拍変動指標に基づいて決定したピーク高さ閾値を用いて、そのピーク高さ閾値よりも大きいピーク高さを有しているピーク群を特定することができる。これによって、無呼吸や低呼吸に伴うＣＶＨＲの強度の個人差や個人の健康状態による変化に関わらずＣＶＨＲを正確に検出することができる。また、周期性を持って連続しているピーク群を特定することで、超低周波数成分等の周期性を持たない変動によるピークを除外することができ、ＣＶＨＲを正確に検出することができる。
【００１８】
心拍変動指標算出手段は、時系列データから少なくとも心拍変動の０．１５〜０．４５Ｈｚの周波数帯に含まれる変動（即ち、高周波数成分）のパワーもしくは振幅を算出してもよい。心拍変動の高周波数成分のパワーもしくは振幅は、副交感神経機能を反映する指標である。
【００１９】
心拍変動指標算出手段は、時系列データから少なくとも連続する拍周期もしくは拍頻度の差分値の自乗平均(root mean square of successive difference)を算出してもよい。連続する拍周期もしくは拍頻度の差分値の自乗平均は、副交感神経機能を反映する指標である。
【００２０】
ピーク高さに関する時系列データ固有の閾値を副交感神経機能を反映する指標（心拍変動の高周波数成分のパワーもしくは振幅、又は連続する拍周期もしくは拍頻度の差分値の自乗平均）に基づいて時系列データ毎に決定することによって、副交感神経活動レベルの個人差や個人の健康状態による変化によるＣＶＨＲの強度の変化に関わらず、ＣＶＨＲを正確に検出することができる。例えば、自律神経機能が健全で夜間の副交感神経活動レベルが高い人に無呼吸や低呼吸が起こると、それに伴ってピーク高さの大きなＣＶＨＲが発生するが、そのような人では超低周波数成分等を含む生理的な心拍変動も強い。この場合、心拍変動指標に基づいてピーク高さ閾値を大きな値にすることで、ＣＶＨＲ以外の変動によるピークを、ＣＶＨＲとして誤検出する率を下げることができ、ＣＶＨＲ検出の特異度が高くなる。逆に、自律神経機能障害のある人や、夜間の副交感神経活動レベルが抑制された状態にある人に無呼吸や低呼吸が起こっても、それに伴うＣＶＨＲは小さなピーク高さしか生じない。このような人では超低周波数成分等を含む生理的な心拍変動も小さい。この場合、心拍変動指標に基づいてピーク高さ閾値を小さな値にすることで、拍間隔や拍頻度にわずかな変化しか生じないＣＶＨＲを見落とす検出欠損率を下げることができ、ＣＶＨＲ検出の感度が高くなる。
【００２１】
ピーク群特定手段は、時系列データ毎に算出した心拍変動指標に基づいて決定したピーク高さ閾値を用いて、複数の局所的ピークの中から、ピーク高さ閾値よりも大きいピーク高さを有しているピーク群を特定し、そのピーク群の中から周期性を持って連続しているピーク群を特定することが好ましい。これによって、超低周波数成分等の周期性を持たない変動によるピークを除去することができ、ＣＶＨＲを正確に検出することができる。
【００２２】
ピーク群特定手段は、連続している２つのピークの間の時刻差が所定範囲内に存在する連続している３つ以上のピークを特定することによって、周期性を持って連続しているピーク群を特定してもよい。例えば、上記の所定範囲は、２５秒間から１２０秒間であってもよい。また、連続している複数の時刻差のばらつきが所定の範囲内に含まれるピーク群を特定してもよい。また、連続している４つ以上のピークを特定してもよい。
【００２３】
無呼吸又は低呼吸発作に伴うＣＶＨＲでは、形状が類似しているピークが連続して出現することが多い。ピーク群特定手段は、複数の局所的ピークの中から、ピーク高さ閾値より大きい高さを有しており、類似の形状を有しており、かつ、周期性を持って連続しているピーク群を特定してもよい。ピーク群特定手段によって最終的に特定されたピーク群をＣＶＨＲと判定する。ピーク群特定手段は、例えば、隣り合う２つのピークの形状が類似しているのか否かを判断してもよい。ピークの類似性は、例えば、ピーク幅及び／又はピーク高さに基づいて判断されてもよい。例えば、ピーク幅が第１所定範囲に含まれるピーク群は類似性を有すると判断されてもよい。また、例えば、ピーク高さが第２所定範囲に含まれるピーク群は類似性を有すると判断されてもよい。ピーク高さ閾値よりも大きいピーク高さと周期性に加えて、類似性を有するピークを特定することで、ＣＶＨＲを正確に検出することができる。
【００２４】
ピーク群特定手段は、複数の局所的ピークの中からピーク高さ閾値より大きいピーク高さを有しているピーク群を特定し、そのピーク群の中から所定の類似の形状を有しているピーク群を特定し、そのピーク群の中から所定の周期性を持って連続しているピーク群を特定することが好ましい。周期性を持って連続しているピーク群を最後に特定することで、他の順序で特定を行なうよりも、正確な特定結果を得ることができる。
【００２５】
本明細書では、ＣＶＨＲ検出装置を実現するコンピュータプログラムも提供する。このコンピュータプログラムは、コンピュータに以下の各処理を実行させる。
（１）心拍又は脈拍の拍間隔の時系列データもしくは心拍又は脈拍の拍頻度時系列データを入力する時系列データ入力処理。
（２）時系列データから複数の局所的ピークを検出するピーク検出処理。
（３）複数の局所的ピークのそれぞれの高さを算出するピーク高さ算出処理。
（４）時系列データから自律神経活動を反映する心拍変動指標を算出する心拍変動指標算出処理。
（５）心拍変動指標から、それぞれのデータに固有の値として、ピーク高さに関する閾値を決定するピーク高さ閾値決定処理。
（６）複数の局所的ピークの中から、ピーク高さ閾値より大きい高さを有しており、かつ、周期性を持って連続しているピーク群を特定するピーク群特定処理。
（７）ピーク群の頻度および時間的分布を含む解析結果を出力する解析結果出力処理。
このコンピュータプログラムを利用すると、自律神経活動の個人差や個人の健康状態による変化に関わらずＣＶＨＲの頻度と時間的位置を特定し得るＣＶＨＲ検出装置を実現することができる。
【発明を実施するための最良の形態】
【００２６】
以下に説明する実施例の主要な特徴を整理しておく。なお、この実施例では心拍間隔の時系列データを用いることとし、ＣＶＨＲが減少方向のピーク（ディップ）を形成する場合について述べる。したがって、ここではピーク高さとはディップの深さを意味する。
（特徴１）ピーク検出手段は、時系列データを時間軸に対するグラフとして描いたときに下方に頂点を有する所定の形状の放物線（例えばＨ＝Ｔ２/４９，ここでＴは放物線の中心からの時間［秒］、Ｈは放物線の頂点からの高さ［ミリ秒］）が内接し得る部位をピーク候補として特定し、当該ピーク候補が前後の所定時間（例えば前後１０秒間）に存在する他のピーク候補より内接する放物線の頂点の値が小さい場合に当該ピーク候補をピークとして特定する。
（特徴２）ピーク高さ算出手段は、個々のピークについて、それぞれの中心時刻の前後所定時間（例えば前後２５秒間）の時系列データの移動平均を求め、それぞれの移動平均の最大値を算出する。ピーク高さ算出手段は、ピークの中心時刻における値と、前後の移動平均の最大値の平均値との差として、個々のピークの高さを算出する。なお、移動平均の窓の幅（フィルタの長さ）は所定の値（例えば５秒）とする。
（特徴４）ピーク高さ閾値決定手段は、拍間隔時系列データから求めた心拍変動の高周波数成分(０．１５〜０．４５Ｈｚ)の振幅を２．５倍した値を、その時系列データに固有のピーク高さ閾値として用いる。
（特徴５）ピーク群特定手段は、隣接するピークに対して所定範囲内のピーク幅を有しており、隣接するピークに対して所定範囲内のピーク高さを有しており、かつ、隣接するピークに対して所定範囲内のピーク幅とピーク高さの比を有しているピークを類似性を有するピークとして特定する。
（特徴６）ピーク群特定手段は、４つの連続するピークのうちの隣接する２つのピークの全てについて、隣接する２つのピークの時刻差が所定時間（例えば２５秒間〜１２０秒間）の範囲内であり、かつ、時刻差の大きさのばらつきが所定範囲内である場合に、その４つのピークを周期性を有するピークとして特定する。例えば、４つの連続するピークがＰ１，Ｐ２，Ｐ３，Ｐ４であり、Ｐ１とＰ２の時刻差がＴ１２であり、Ｐ２とＰ３の時刻差がＴ２３であり、Ｐ３とＰ４の時刻差がＴ３４である場合、Ｔ１２とＴ２３とＴ３４の全てが上記の所定時間の範囲内であり、かつ、Ｔ１２とＴ２３とＴ３４のばらつきが所定範囲内である場合に、Ｐ１，Ｐ２，Ｐ３，Ｐ４を周期性を有するピークとして特定する。
【実施例】
【００２７】
図面を参照して実施例を説明する。図１は、本実施例のＣＶＨＲ検出装置２の構成を示すブロック図である。ＣＶＨＲ検出装置２は、Ｒ−Ｒ間隔時系列データ入力部１６とディップ検出部１８とディップ深さ算出部２０と心拍変動指標算出部２２と個別閾値決定処理部２４とディップ幅算出部２６とディップ間隔算出部２８とディップ群特定部３０とその他の演算部３２と記憶部３４と操作部３６と表示部３８とを備えている。なお、ＣＶＨＲ検出装置２に搭載されているコンピュータがプログラムに従って処理を実行することによって、上記の各部１６〜３２等が実現される。
【００２８】
Ｒ−Ｒ間隔時系列データ入力部１６は、通信回線１４に接続されている。通信回線１４は、Ｒ−Ｒ間隔測定装置（例えばホルター心電図解析装置やホルター心電図解析機能を備えたホルター心電計等）に接続されている。Ｒ−Ｒ間隔時系列データ入力部１６は、Ｒ−Ｒ間隔測定装置によって測定されて出力されたＲ−Ｒ間隔測定データを入力する。図７や図８のチャート７０は、Ｒ−Ｒ間隔測定データの一例を示す。チャート７０では、Ｒ−Ｒ間隔が途中から周期的に増減を繰り返している。ディップ検出部１８は、Ｒ−Ｒ間隔時系列データから複数の局所的ディップを検出する。ディップ検出部１８は、ディップ幅及びディップ深さ等のデータから、所定のディップ形状を満たすディップ群を検出する。ディップの検出方法については、後で詳しく説明する。ディップ深さ算出部２０は、ディップ検出部１８によって検出されたディップ群のそれぞれの深さを算出する。ディップ深さを算出する方法については、後で詳しく説明する。
【００２９】
心拍変動指標算出部２２は、Ｒ−Ｒ間隔時系列データから高周波数成分（０．１５Ｈｚ〜０．４５Ｈｚ）の振幅を算出する。心拍変動指標算出部２２は、以下に示す演算方法のいずれかによって周波数成分を抽出することができる。例えば心拍変動指標算出部２２は、複素復調分析によって高周波数成分の振幅を算出してもよい。また、心拍変動指標算出部２２は、高速フーリエ変換又は自己回帰分析によって高周波数成分の振幅を算出してもよい。心拍変動指標算出部２２は、ウェイブレッド変換又は短時間フーリエ変換によって周波数成分の振幅を算出してもよい。心拍変動指標算出部２２は、高周波数成分の振幅の推定値として連続するＲ−Ｒ間隔の差分値の自乗平均(root mean square of successive difference)を算出してもよい。
【００３０】
個別閾値決定処理部２４は、心拍変動指標算出部２２によって抽出された高周波数成分の振幅から、ＣＶＨＲの候補となるディップの深さに関するデータ固有の閾値を、データ固有閾値として決定する。この実施例では、高周波数成分の振幅の２．５倍の値を、データ固有閾値として採用している。ディップ幅算出部２６は、複数の局所的ディップのそれぞれの幅（即ち各ディップが出現している時間の長さ）を算出する。ディップ間隔算出部２８は、連続する各２つのディップの間隔を算出する。ディップ間隔は、ディップ幅の中心値から、隣接するディップのディップ幅の中心値までの時間である。
【００３１】
ディップ群特定部３０は、以下の各処理を実行する。
（１）複数の局所的ディップの中から、データ固有閾値よりも大きいディップ深さを有しているディップ群を、有意ディップ群として特定する。
（２）上記の（１）で特定された有意ディップ群の中から、所定の類似の形状を有しているディップ群を類似ディップ群として特定する。
（３）上記の（２）で特定された類似ディップ群の中から、所定の周期性を持って連続しているディップ群を周期性ディップ群として特定する。
（３）で特定された周期性ディップ群がＣＶＨＲである。
【００３２】
上記の（１）ではデータ毎に算出されるデータ固有閾値をディップの深さの有意性の判定基準としているため、上記の（１）で特定されるディップ群を、有意ディップ群と呼ぶ。上記の（２）で特定されるディップ群を、類似ディップ群と呼ぶ。上記の（３）で特定されるディップ群を、周期性ディップ群と呼ぶ。その他の演算部３２は、上記以外の様々な演算処理を行なう。演算部３２が行なう演算処理については、後で詳しく説明する。
【００３３】
記憶部３４は、ＲＯＭ、ＥＥＰＲＯＭ、ＲＡＭ等によって構成されている。記憶部３４は、様々な情報を記憶することができる。例えば、記憶部３４は、ディップ群特定部３０によって特定されたディップ群に関する様々な情報を記憶することができる。例えば、記憶部３４は、Ｒ−Ｒ間隔時系列データ入力部１６に入力されたＲ−Ｒ間隔時系列データを記憶してもよい。あるいは、記憶部３４は、各ディップの出現時刻を記憶してもよいし、ディップ群の出現時刻帯を記憶してもよい。あるいは、記憶部３４は、各ディップの幅及び深さ等のデータを記憶してもよい。操作部３６は、複数のキーを有する。ユーザは操作部３６を操作することによって、様々な情報をＣＶＨＲ検出装置２の各部に入力することができる。表示部３８は、様々な情報を画面に表示することができる。
【００３４】
ＣＶＨＲ検出装置２に搭載されたコンピュータプログラムが実行するＣＶＨＲ検出処理の内容について説明する。図２〜４は、ＣＶＨＲ検出処理のフローチャートを示す。Ｒ−Ｒ間隔時系列データ入力部１６は、通信回線１４を介してＲ−Ｒ間隔時系列データを入力する（Ｓ１０）。このＲ−Ｒ間隔時系列データは、１０ｍｓ程度の時間分解能（即ち１０ｍｓ以上のＲ−Ｒ間隔の差異を識別できる分解能）を有していることが好ましい。図７や図８の符号７０は、Ｒ−Ｒ間隔時系列データの一例を示す。
【００３５】
Ｓ１０で入力されたＲ−Ｒ間隔時系列データには、期外収縮や心ブロック等の非生理的不整脈、及びアーチファクトに起因するデータの変動が含まれている。そこで、演算部３２は、非生理的不整脈及びアーチファクトに起因するデータの変動を除去する演算処理を行なう（Ｓ１２）。これによって、生理的心拍変動及び無呼吸及び低呼吸による心拍変動以外の原因によるデータの変動を除去することができる。
【００３６】
Ｓ１４では、演算部３２は、Ｒ−Ｒ間隔時系列データの補間を行なう。例えばステップ補間を行う場合、個々のＲ−Ｒ間隔の間は、関数値がそのＲ−Ｒ間隔の値に等しい一定値をとるような補間関数を用いる。続いて、演算部３２は、２Ｈｚの周波数で補間関数の値を再サンプリングする。これによって、等間隔でサンプリングされたＲ−Ｒ間隔時系列データＸ（ｔ）を作成する。続いて、ディップ検出部１８は、時系列データＸ（ｔ）の上で、次の（式１）を−５から５秒の範囲の全てのＴに対して満たす時点ｔをディップ候補の存在時刻として検出する（Ｓ１６）。
（式１）｛Ｘ（ｔ）＋Ｔ２/４９≧Ｘ（ｔ＋Ｔ），Ｔ＝−５，５｝
（式１）は、時系列データＸ（ｔ）を時間ｔに対するグラフとして描いたときに下方に頂点を有する放物線（Ｈ＝Ｔ２/４９，ここでＴは放物線の中心からの時間［秒］，Ｈは放物線の頂点からの高さ［ミリ秒］）が内接し得る変動部位をディップ候補の存在時刻として検出する。
【００３７】
ディップ検出部１８は、ディップ候補に内接する放物線の頂点が、前後１０秒間に存在するどのディップ候補に内接する放物線の頂点の値よりも小さい場合に、当該ディップ候補をディップとして特定する。（Ｓ１８）。
【００３８】
ディップ深さ算出部２０は、Ｓ１８で検出された複数の局所的ディップにおいて、それぞれのディップ深さＤｉを算出する。ｉは検出されたディップの序数である。図４は、ディップ深さＤｉの算出処理のフローチャートを示す。ディップ深さ算出部２０は、Ｓ１８で検出されたそれぞれのディップについて、図４の処理（Ｓ５０〜Ｓ５６）を実行する。
【００３９】
ディップ深さ算出部２０は、ディップの中心時刻の前後２５秒間の時系列データについて窓幅５秒の移動平均を算出する。得られた移動平均値の位相のずれを補正した時系列をＸＭＶ５（ｔ）とする（Ｓ５０）。ディップの時間軸方向の中央点（中心時刻）ｄｉにおいてＸ（ｄｉ）を算出する（Ｓ５４）。Ｘ（ｄｉ）は、ディップの頂点付近の値である。ディップ深さ算出部２０は、以下の（式２）によってディップ深さＤｉを算出する（Ｓ５６）。
（式２）Ｄｉ＝｛ｍａｘ[ＸＭＶ５（ｔ），ｔ＝ｄｉ−２５，ｄｉ]＋ｍａｘ[ＸＭＶ５（ｔ），ｔ＝ｄｉ，ｄｉ＋２５]｝／２−Ｘ（ｄｉ）
即ち、ディップ深さ算出部２０は、ディップの中央点ｄｉの前の２５秒間における移動平均 ＸＭＶ５（ｔ）の最大値と、中央点ｄｉの後の２５秒間における移動平均 ＸＭＶ５（ｔ）の最大値を算出し、両者の平均値をベースラインの値として算出している。ディップ深さ算出部２０は、ベースラインと頂点付近の値の差を算出することにより、ディップ深さＤｉを算出する。
【００４０】
図２のＳ２２では、心拍変動指標算出部２２は、Ｒ−Ｒ間隔時系列データから高速フーリエ変換によって高周波数成分（０．１５〜０．４５Ｈｚ）の振幅ＨＦＡＭＰを算出する。心拍変動指標算出部２２は、テータに固有のディップの深さに関する閾値ＤＤＴＨを、ＨＦＡＭＰの２．５倍の値とする（Ｓ２４）。高周波数成分の振幅ＨＦＡＭＰはそれぞれのデータについて算出される。したがって、ＤＤＴＨはデータに適応したデータ固有の閾値となる。
【００４１】
ｉ番目のディップをディップｉ、その深さをＤｉと記載する。ディップ群特定部３０は、ディップ深さＤｉがデータ固有閾値ＤＤＴＨよりも大きいか否かによってディップｉが有意なディップか否かを判断する（Ｓ２５）。ここでＹＥＳの場合は、ディップ群特定部３０はディップｉを有意なディップとして残す（Ｓ２６）。Ｓ２６で残されたディップ群が、有意ディップ群である。続いてディップ群特定部３０はディップｉがＲ−Ｒ間隔時系列データの最後のディップであるか否かを判断する（Ｓ２８）。ここでＹＥＳの場合は、図３のＳ３０に進む。一方において、Ｓ２８でＮＯの場合、ディップ群特定部３０は、次のディップを特定し(Ｓ２９)、Ｓ２５に戻る。これにより、次のディップについて、ディップ深さＤｉとデータ固有閾値ＤＤＴＨが比較される。
【００４２】
一方において、Ｓ２５でＮＯの場合は、ディップ群特定部３０はディップｉを除去する（Ｓ２７）。続いてディップ群特定部３０はディップｉがＲ−Ｒ間隔時系列データの最後のディップであるか否かを判断する（Ｓ２８）。ここでＹＥＳの場合は、図３のＳ３０に進む。一方において、Ｓ２８でＮＯの場合、ディップ群特定部３０は、次のディップを特定し(Ｓ２９)、Ｓ２５に戻る。
【００４３】
図３のＳ３０では、演算部３２は、ディップの最低値からＤｉの２／３の高さにおけるディップ幅Ｗｉを算出する。続いて、ディップ群特定部３０は、各ディップについて以下の（式３）、（式４）、（式５）を全て満たすか否かを判断する（Ｓ３１）。
（式３）ａｂｓ（ｌｏｇ（Ｄｉ／Ｄｉ＋１）＜ｌｏｇ（２．５）
（式４）ａｂｓ（ｌｏｇ（Ｗｉ／Ｗｉ＋１）＜ｌｏｇ（２．５）
（式５）ａｂｓ（ｌｏｇ（Ｗｉ・Ｄｉ＋１／Ｗｉ＋１・Ｄｉ）＜ｌｏｇ（２．５）
ここでは、ディップ群特定部３０はディップの幅及び深さから、連続するディップｉ，ディップｉ＋１の形状が類似しているか否かを判断する。Ｓ３１でＹＥＳの場合は、ディップ群特定部３０はディップｉ，ディップｉ＋１を残す（Ｓ３２）。Ｓ３２で残ったディップ群が、類似ディップ群である。続いてディップ群特定部３０はディップｉがＲ−Ｒ間隔時系列データの最後のディップであるか否かを判断する（Ｓ３４）。ここでＹＥＳの場合は、Ｓ３６に進む。一方において、Ｓ３４でＮＯの場合、ディップ群特定部３０は、次のディップを特定し(Ｓ３５)、Ｓ３１に戻る。Ｓ３１では、ディップ群特定部３０は、次のディップについて、類似性の有無を判断する。
【００４４】
一方において、Ｓ３１でＮＯの場合は、ディップ群特定部３０はディップｉを除去する（Ｓ３３）。続いてディップ群特定部３０はディップｉがＲ−Ｒ間隔時系列データの最後のディップであるか否かを判断する（Ｓ３４）。ここでＹＥＳの場合は、Ｓ３６に進む。一方において、Ｓ３４でＮＯの場合、ディップ群特定部３０は、次のディップを特定し(Ｓ３５)、Ｓ３１に戻る。
【００４５】
図５は、Ｒ−Ｒ間隔時系列データの模式図である。図５を用いて、ディップ群特定部３０がＳ３１の処理を終えた後に、どのディップを残すのかを判断する判断方法について詳しく説明する。ディップｉ〜ディップｉ＋３は時系列に連続して出現している。Ｗｉはディップｉのディップ幅である。Ｄｉはディップｉのディップ深さである。まず、ディップ群特定部３０は、ディップｉとディップｉ＋１の組合せＡの類似性を判断する。続いて、ディップｉ＋１とディップｉ＋２の組合せＢの類似性を判断する。続いて、ディップｉ＋２とディップｉ＋３の組合せＣの類似性を判断する。
【００４６】
組合せＡが類似性を満たす場合は、ディップ群特定部３０はディップｉとディップｉ＋１の両方を残す。続いて組合せＢも類似性を満たす場合には、ディップ群特定部３０はディップｉ＋１とディップｉ＋２を残す。このとき、ディップｉ＋１は組合せＡ，Ｂの両方の処理において残されることになる。一方において、組合せＢが類似性を満たさない場合には、ディップｉ＋２のみが除去される。組合せＡで一度残ったディップｉ＋１は、組合せＢの結果に関わらず、除去されることはない。
【００４７】
組合せＢが類似性を満たさない場合に、組合せＣが類似性を満たす場合には、ディップ群特定部３０はディップｉ＋２とディップｉ＋３を残す。即ち、ディップｉ＋２は組合せＢでは除去されたが、組合せＣにおいて残ることができる。
【００４８】
Ｓ３６では、演算部３２は、Ｓ３４で残ったディップ群のうち、４つの連続するディップの中の隣接する２つのディップの時刻差Ｉｉ、Ｉｉ＋１、Ｉｉ＋２をそれぞれ算出する。時刻差Ｉｉは、ディップｉの中心時刻ｄｉと連続するディップｉ＋１の中心時刻ｄｉ＋１との時刻差である。ディップ群特定部３０は、以下の（式６）、（式７）、（式８）を全て満たす４つの連続するディップ群を残す（Ｓ３８）。
（式６）２５＜Ｉｉ，Ｉｉ＋１，Ｉｉ＋２＜１２０
（式７）（３−２Ｉｉ／Ｓ）（３−２Ｉｉ＋１／Ｓ）（３−２Ｉｉ＋２／Ｓ）＞０．６
（式８）Ｓ＝（Ｉｉ＋Ｉｉ＋１＋Ｉｉ＋２）／３
ここでは、ディップ群特定部３０は、時刻差の大きさと、連続する時刻差の大きさのばらつきから、時刻差Ｉｉ、Ｉｉ＋１、Ｉｉ＋２を形成する４つのディップ群に周期性があるか否かを判断する。Ｓ３８で残ったディップ群が、周期性ディップ群である。ＣＶＨＲ装置２では、Ｓ３８で残った周期性ディップ群をＣＶＨＲとして検出する。
【００４９】
図６は、Ｒ−Ｒ間隔時系列データの模式図である。図６を用いて、ディップ群特定部３０がＳ３８の処理において、どのディップ群を残すのかを判断する判断方法について詳しく説明する。ディップｉ〜ディップｉ＋７は、時系列に連続して出現している。まず、ディップ群特定部３０は、Ｉｉ〜Ｉｉ＋２で構成される組合せＡの周期性を判断する。続いて、ディップ群特定部３０は、Ｉｉ＋１〜Ｉｉ＋３で構成される組合せＢの周期性を判断する。ディップ群特定部３０は、同様にディップを１つずつ時系列順にずらして判断し、Ｉｉ＋４〜Ｉｉ＋７で構成される組合せＥの周期性を判断する。
【００５０】
組合せＡが周期性を満たす場合には、ディップ群特定部３０はディップｉ〜ディップｉ＋３を残す。続いて組合せＢが周期性を満たす場合には、ディップ群特定部３０はディップｉ＋１〜ディップｉ＋４を残す。このとき、ディップｉ＋１〜ディップｉ＋３は組合せＡ，Ｂの両方の処理において残されることになる。一方において、組合せＢが周期性を満たさない場合には、組合せＢを構成するディップｉ＋１〜ディップｉ＋４のうちディップｉ＋４のみが除去される。組合せＡで一度残ったディップｉ＋１〜ディップｉ＋３は、組合せＢの結果に関わらず、除去されることはない。
【００５１】
組合せＢが周期性を満たさない場合に、組合せＥが周期性を満たす場合には、ディップ群特定部３０はディップｉ＋４〜ディップｉ＋７を全て残す。即ち、ディップｉ＋４は組合せＢでは除去されたが、組合せＥにおいて残ることができる。また、組合せＢと組合せＥの間には図示しない組合せが存在しているが、これらの判断結果に関わらず、組合せＥが周期性を満たす場合には、ディップｉ＋４〜ディップｉ＋７が残される。
【００５２】
Ｓ４０では、表示部３８はＳ３８で残ったディップ群に関するデータを画面に表示する。図７は、表示部３８が表示するデータの一例を示す。チャート７０は、Ｒ−Ｒ間隔時系列データを示す。棒グラフ７２は、ＣＶＨＲ装置２によって特定されたディップ群の出現時刻を示している。チャート７４は、経皮的動脈血酸素飽和度（ＳｐＯ２）のチャートを示す。チャート７６は、呼吸による換気量のチャートを示す。
【００５３】
表示部３８は、特定したディップの出現時刻を、Ｒ−Ｒ間隔時系列データと合わせて表示してもよい。また、表示部３８は、特定したディップの出現時刻を、経皮的動脈血酸素飽和度（ＳｐＯ２）や等の他の解析結果と合わせて表示してもよい。また、表示部３８は、所定時間当りのＣＶＨＲの出現頻度や、ディップの出現頻度が最大となる短い時刻帯（例えば３０分間）及びその間のディップの出現頻度や、ディップ深さとディップ幅の平均値及び標準偏差等を表示してもよい。
【００５４】
ここで、経皮的動脈血酸素飽和度（ＳｐＯ２）による閉塞型睡眠時無呼吸症候群（obstructive sleep apnea syndrome，ＯＳＡＳ）の診断方法について説明する。ＳｐＯ２によってＯＳＡＳを診断する方法は、信頼性の高い方法として知られている。この方法では、無呼吸状態では血液中の酸素濃度が低下することを利用している。即ち、チャート７４における一定以上の深さ（例えば３％以上の低下）のディップの頻度が多いほど、ＯＳＡＳである可能性が高いということを示している。本実施例では、ＳｐＯ２と同等の解析結果が得られるということを、ＣＶＨＲを正確に検出する検出感度および特異度の指標として設定している。
【００５５】
上記に説明したＣＶＨＲ検出装置２で実際に解析処理を行なった内容について説明する。図７，８は、異なるＯＳＡＳ患者のＲ−Ｒ間隔時系列データの解析結果を示す。図７，８のＲ−Ｒ間隔時系列データのチャート７０を比較すると、図７では大きなディップが周期的に出現しており、Ｒ−Ｒ間隔時系列データのチャート７０を目視することによってもＣＶＨＲを判断しやすい。一方、図８では、大きいディップが少なく、またディップ深さにもばらつきがあるために、Ｒ−Ｒ間隔時系列データのチャート７０を目視することによって、ＣＶＨＲを判断することは困難である。
【００５６】
本実施例のＣＶＨＲ検出装置２の解析結果は、棒グラフ７２に示されている。図７では、Ｒ−Ｒ間隔時系列データのチャート７０において大きいディップが出現している時刻と同時刻に、棒グラフ７２において棒グラフが出現している。また、ＳｐＯ２のチャート７４でディップが出現している時刻と同じ時刻に、棒グラフ７２において棒グラフが出現している。このことから、ＣＶＨＲ検出装置２では、Ｒ−Ｒ間隔時系列データのチャート７０を目視することで判別できるようなＣＶＨＲを確実に検出することができるということが言える。また、ＣＶＨＲ検出装置２では、ＳｐＯ２の解析結果と同等の解析結果を得られるということが言える。
【００５７】
図８では、Ｒ−Ｒ間隔時系列データのチャート７０を目視することによってＣＶＨＲを判別することは困難であるが、ＳｐＯ２のチャート７４でディップが出現している。棒グラフ７２では、ＳｐＯ２のチャート７４でディップが出現している時刻と同時刻に、棒グラフが出現している。このことから、ＣＶＨＲ検出装置２では、Ｒ−Ｒ間隔時系列データのチャート７０を目視することでは判別できないようなＣＶＨＲでも、ＳｐＯ２と同等の検出感度でＣＶＨＲを検出することができるということが言える。
【００５８】
ＳｐＯ２が所定量低下した１時間当りの回数（即ちチャート７４のディップの数）を、酸素飽和度低下指数（oxygen desaturation index，ＯＤＩ）と呼ぶ。特に、ＳｐＯ２が３％以上低下した１時間あたりの回数を３％ＯＤＩと呼ぶ。３％ＯＤＩが１５／ｈｒ以上である被験者は、中程度以上のＯＳＡＳである可能性が高いことが知られている。
【００５９】
図９は、ＣＶＨＲ検出装置２の解析結果とＳｐＯ２の解析結果との相関図を示す。一晩の就床中のＲ−Ｒ間隔時系列データに基づいて、ＣＶＨＲ検出装置２を用いて１時間あたりのＣＶＨＲの頻度（縦軸）を算出した。横軸は、同条件でＳｐＯ２を測定したときの、１時間あたりの３％ＯＤＩを示している。被験者の条件は、ＯＳＡＳ患者とＯＳＡＳでない者を含む６２人である。３％ＯＤＩが１５／ｈｒより大きい被験者は３６名（５８％）である。１プロットが、１人の被験者のデータを示している。
【００６０】
ＣＶＨＲ検出装置２で検出されたＣＶＨＲの頻度（回／ｈｒ）と３％ＯＤＩとの相関係数ｒは０．９０であり、説明率ｒ２は８１％である。これによって、ＣＶＨＲ検出装置２の解析結果とＳｐＯ２の解析結果は高い相関を示すことが分かる。ＣＶＨＲ検出装置２は、正確にＣＶＨＲを検出することができる。
【００６１】
ここで、Ｓ２２〜２９の処理を行なってＳ２６で有意ディップ群を特定する処理をデータ適応性の検査と呼ぶ。Ｓ３０〜Ｓ３５の処理を行なってＳ３２で類似性を有するディップ群を特定する処理を類似性の検査と呼ぶ。Ｓ３６の処理を行なってＳ３８で周期性を有するディップ群を特定する処理を周期性の検査と呼ぶ。ＣＶＨＲ検出装置２では、データ適応性と類似性と周期性の３項目の検査を達成したディップ群をＣＶＨＲとして検出している。３項目の検査のうちの１項目あるいは２項目の検査だけでも正確にＣＶＨＲを検出できるか否かについて、実際に解析を行なって検討を行なった。
【００６２】
図１０は、各検査項目の組合せテーブル１００を示している。Ｆｕｌｌ８６は、データ適応性の検査８０と類似性の検査８２と周期性の検査８４の３項目全てを採用する場合の組合せを示す。Ｆｉｘｅｄ ＤＴ（４４ｍｓ）８８は、類似性の検査８２と周期性の検査８４を採用する場合の組合せを示す。このとき、データ固有閾値の換わりに、固定値として４４ｍｓを用いてＳ２６の処理を行なった。Ｓｉｍｉ ｏｆｆ９０は、データ適応性の検査８０と周期性の検査８４を採用する場合の組合せを示す。ＣＬ ｏｆｆ９２は、データ適応性の検査８０と類似性の検査８２を採用する場合の組合せを示す。
【００６３】
ＡＤＴ ｏｎｌｙ９４は、データ適応性の検査８０のみを採用する場合の組合せを示す。Ｓｉｍｉ ｏｎｌｙ９６は、類似性の検査８２のみを採用する場合の組合せを示す。ＣＬ ｏｎｌｙ９８は、周期性の検査８４のみを採用する場合の組合せを示す。
【００６４】
図１１は、図１０に示した各組合せにおける、ＣＶＨＲ検出装置２の解析結果とＳｐＯ２の解析結果との相関図を示す。解析条件は図９と同様であるので、詳しい説明を省略する。図１０の相関図から、ＦｕｌｌとＳｉｍｉ ｏｆｆにおいて、８０％に近い説明率ｒ２が得られた。このことから、ＦｕｌｌとＳｉｍｉ ｏｆｆでは、ＣＶＨＲ検出装置２の解析結果がＳｐＯ２の解析結果と高い相関を示すことが分かる。
【００６５】
図１２は、ＯＳＡＳ検出能力テーブル１２０を示す。図１２は、図１０で示した各組合せにおける、感度１１０と特異度１１２と陽性的中率１１４と陰性的中率１１６と一致率１１８を示す。感度１１０と特異度１１２と陽性的中率１１４と陰性的中率１１６と一致率１１８は、それぞれＣＶＨＲ検出装置２の検出感度をＳｐＯ２の解析結果と比較して評価する項目である。各評価項目は、図１１の解析結果から算出している。ここで、３％ＯＤＩが１５／ｈｒよりも大きい被験者を、「真のＯＳＡＳ患者」と定義する。３％ＯＤＩが１５／ｈｒ以下である被験者を「偽のＯＳＡＳ患者」と定義する。ＣＶＨＲ検出装置２では、ＣＶＨＲの出現回数が１５／ｈｒよりも大きい被験者をＯＳＡＳであると判断する。ＣＶＨＲ検出装置２では、ＣＶＨＲの出現回数が１５／ｈｒ以下である被験者をＯＳＡＳでないと判断する。
【００６６】
感度１１０は、真のＯＳＡＳ患者数に対するＣＶＨＲ検出装置２によってＯＳＡＳであると判断された被験者数の割合である。感度１１０の値が高いほど、検出感度が高いということが言える。特異度１１２は、偽のＯＳＡＳ患者に対する、ＣＶＨＲ検出装置２によってＯＳＡＳでないと判断された被験者数の割合である。特異度が高いほど、誤検出が低いということを示す。
【００６７】
陽性的中率１１４は、ＣＶＨＲ検出装置２によってＯＳＡＳであると判断された被験者数に含まれる真のＯＳＡＳ患者の割合を示す。陽性的中率が高いほど、検出感度が高いということを示す。陰性的中率１１６は、ＣＶＨＲ検出装置２によってＯＳＡＳでないと判断された被験者数に含まれる偽のＯＳＡＳ患者の割合を示す。図１２の結果によると、全ての評価項目１１０〜１１８において、ＦｕｌｌとＳｉｍｉ ｏｆｆで、高い値が得られている。図１１，１２の解析結果から、データ適応性と周期性の２項目のみ（即ち、Ｓｉｍｉ ｏｆｆ）でも、正確にＣＶＨＲを検出することができる。データ適応性と周期性に類似性の解析を追加することによって（即ちＦｕｌｌの組合せ）、ＣＶＨＲ検出の正確性をさらに向上させることができる。
【００６８】
本実施例のＣＶＨＲ検出装置２では、Ｒ−Ｒ間隔時系列データの高周波数成分の振幅からデータ固有の値としてディップ深さに関する閾値を算出する。ＣＶＨＲ検出装置２は、データ固有のディップ深さ閾値ＤＤＴＨよりも大きいディップ深さを有するディップ群を有意ディップ群として識別することができる。さらに、ＣＶＨＲ検出装置２は、ディップの幅及び深さから、形状に類似性を有する類似ディップ群を識別することができる。さらに、ＣＶＨＲ検出装置２は、連続するディップの発生時刻の時刻差から、周期性を有する周期性ディップ群を識別することができる。ＣＶＨＲ検出装置２は、データ適応性と類似性と周期性を有するディップ群をＣＶＨＲとして検出することができる。ＣＶＨＲ検出装置２によって得られた解析結果は、ＳｐＯ２の解析結果との相関が高く、ＯＳＡＳの検出に用いた場合も、検出感度および特異度が共に高い。このために、ＣＶＨＲ検出装置２では、正確にＣＶＨＲを検出することができる。
【００６９】
以上、本発明の具体例を詳細に説明したが、これらは例示にすぎず、特許請求の範囲を限定するものではない。特許請求の範囲に記載の技術には、以上に例示した具体例を様々に変形、変更したものが含まれる。
また、本明細書または図面に説明した技術要素は、単独であるいは各種の組合せによって技術的有用性を発揮するものであり、出願時の請求項に記載の組合せに限定されるものではない。また、本明細書または図面に例示した技術は複数目的を同時に達成するものであり、そのうちの一つの目的を達成すること自体で技術的有用性を持つものである。
【図面の簡単な説明】
【００７０】
【図１】ＣＶＨＲ検出装置の構成を示すブロック図を示す。
【図２】ＣＶＨＲ検出処理のフローチャートを示す。
【図３】図２の続きのフローチャートを示す。
【図４】ディップ深さ算出処理のフローチャートを示す。
【図５】Ｒ−Ｒ間隔時系列データを模式的に示す。
【図６】Ｒ−Ｒ間隔時系列データを模式的に示す。
【図７】ＣＶＨＲ検出装置の解析結果の一例を示す。
【図８】ＣＶＨＲ検出装置の解析結果の一例を示す。
【図９】ＣＶＨＲ検出装置の解析結果とＳｐＯ２の解析結果との相関図を示す。
【図１０】ＣＶＨＲ検出装置の検査項目の組合せテーブルを示す。
【図１１】ＣＶＨＲ検出装置の解析結果とＳｐＯ２の解析結果との相関図を示す。
【図１２】ＣＶＨＲ検出装置のＯＳＡＳ検出能力を示す。
【符号の説明】
【００７１】
２：ＣＶＨＲ検出装置
１６：Ｒ−Ｒ間隔時系列データ入力部
１８：ディップ検出部
２０：ディップ深さ算出部
２２：心拍変動指標演算部
２４：個別閾値決定処理部
２６：ディップ幅算出部
２８：ディップ間隔算出部
３０：ディップ群特定部
３２：その他の演算部
３４：記憶部
３６：操作部
３８：表示部
【特許請求の範囲】
【請求項１】
睡眠呼吸障害の無呼吸発作又は低呼吸発作に伴うＣＶＨＲの検出装置であり、
心拍又は脈拍の拍間隔の時系列データもしくは心拍又は脈拍の拍頻度の時系列データを入力する時系列データ入力手段と、
前記時系列データから複数の局所的ピークを検出するピーク検出手段と、
前記複数の局所的ピークのそれぞれの高さを算出するピーク高さ算出手段と、
前記時系列データから自律神経活動を反映する心拍変動指標を算出する心拍変動指標算出手段と、
前記心拍変動指標から、それぞれの前記時系列データに固有の値として、前記ピーク高さに関する閾値を決定するピーク高さ閾値決定手段と、
前記複数の局所的ピークの中から、前記ピーク高さ閾値より大きい高さを有しており、かつ、周期性を持って連続しているピーク群を特定するピーク群特定手段と、
前記ピーク群特定手段によって特定されたピーク群の頻度および時間的分布を含む解析結果を出力する解析結果出力手段と
を備えるＣＶＨＲ検出装置。
【請求項２】
前記心拍変動指標算出手段は、少なくとも心拍変動の０．１５〜０．４５Ｈｚの周波数帯に含まれる変動のパワーもしくは振幅を算出する
ことを特徴とする請求項１に記載のＣＶＨＲ検出装置。
【請求項３】
前記心拍変動指標算出手段は、少なくとも連続する拍周期もしくは拍頻度の差分値の自乗平均を算出する
ことを特徴とする請求項１に記載のＣＶＨＲ検出装置。
【請求項４】
前記ピーク群特定手段は、前記複数の局所的ピークの中から前記ピーク高さ閾値より大きい高さを有しているピーク群を特定し、そのピーク群の中から前記周期性を持って連続しているピーク群を特定する
ことを特徴とする請求項１から３のいずれかに記載のＣＶＨＲ検出装置。
【請求項５】
前記ピーク群特定手段は、連続している２つのピークの間の時刻差が所定範囲内に存在する連続している３つ以上のピークを特定することによって、前記周期性を持って連続しているピーク群を特定する
ことを特徴とする請求項１から４のいずれかに記載のＣＶＨＲ検出装置。
【請求項６】
前記ピーク群特定手段は、前記複数の局所的ピークの中から、前記ピーク高さ閾値より大きい高さを有しており、類似の形状を有しており、かつ、前記周期性を持って連続しているピーク群を特定する
ことを特徴とする請求項１から５のいずれかに記載のＣＶＨＲ検出装置。
【請求項７】
前記ピーク群特定手段は、前記複数の局所的ピークの中から前記ピーク高さ閾値より大きい高さを有しているピーク群を特定し、そのピーク群の中から前記類似の形状を有しているピーク群を特定し、そのピーク群の中から前記周期性を持って連続しているピーク群を特定する
ことを特徴とする請求項６に記載のＣＶＨＲ検出装置。
【請求項８】
睡眠呼吸障害の無呼吸発作又は低呼吸発作に伴うＣＶＨＲを検出するためのコンピュータプログラムであり、
心拍又は脈拍の拍間隔の時系列データもしくは心拍又は脈拍の拍頻度時系列データを入力する時系列データ入力処理と、
前記時系列データから複数の局所的ピークを検出するピーク検出処理と、
前記複数の局所的ピークのそれぞれの高さを算出するピーク高さ算出処理と、
前記時系列データから自律神経活動を反映する心拍変動指標を算出する心拍変動指標算出処理と、
前記心拍変動指標から、それぞれの前記時系列データに固有の値として、前記ピーク高さに関する閾値を決定するピーク高さ閾値決定処理と、
前記複数の局所的ピークの中から、前記ピーク高さ閾値より大きい高さを有しており、かつ、周期性を持って連続しているピーク群を特定するピーク群特定処理と、
前記ピーク群特定手段によって特定されたピーク群の頻度および時間的分布を含む解析結果を出力する解析結果出力処理と
をコンピュータに実行させるコンピュータプログラム。
【請求項１】
睡眠呼吸障害の無呼吸発作又は低呼吸発作に伴うＣＶＨＲの検出装置であり、
心拍又は脈拍の拍間隔の時系列データもしくは心拍又は脈拍の拍頻度の時系列データを入力する時系列データ入力手段と、
前記時系列データから複数の局所的ピークを検出するピーク検出手段と、
前記複数の局所的ピークのそれぞれの高さを算出するピーク高さ算出手段と、
前記時系列データから自律神経活動を反映する心拍変動指標を算出する心拍変動指標算出手段と、
前記心拍変動指標から、それぞれの前記時系列データに固有の値として、前記ピーク高さに関する閾値を決定するピーク高さ閾値決定手段と、
前記複数の局所的ピークの中から、前記ピーク高さ閾値より大きい高さを有しており、かつ、周期性を持って連続しているピーク群を特定するピーク群特定手段と、
前記ピーク群特定手段によって特定されたピーク群の頻度および時間的分布を含む解析結果を出力する解析結果出力手段と
を備えるＣＶＨＲ検出装置。
【請求項２】
前記心拍変動指標算出手段は、少なくとも心拍変動の０．１５〜０．４５Ｈｚの周波数帯に含まれる変動のパワーもしくは振幅を算出する
ことを特徴とする請求項１に記載のＣＶＨＲ検出装置。
【請求項３】
前記心拍変動指標算出手段は、少なくとも連続する拍周期もしくは拍頻度の差分値の自乗平均を算出する
ことを特徴とする請求項１に記載のＣＶＨＲ検出装置。
【請求項４】
前記ピーク群特定手段は、前記複数の局所的ピークの中から前記ピーク高さ閾値より大きい高さを有しているピーク群を特定し、そのピーク群の中から前記周期性を持って連続しているピーク群を特定する
ことを特徴とする請求項１から３のいずれかに記載のＣＶＨＲ検出装置。
【請求項５】
前記ピーク群特定手段は、連続している２つのピークの間の時刻差が所定範囲内に存在する連続している３つ以上のピークを特定することによって、前記周期性を持って連続しているピーク群を特定する
ことを特徴とする請求項１から４のいずれかに記載のＣＶＨＲ検出装置。
【請求項６】
前記ピーク群特定手段は、前記複数の局所的ピークの中から、前記ピーク高さ閾値より大きい高さを有しており、類似の形状を有しており、かつ、前記周期性を持って連続しているピーク群を特定する
ことを特徴とする請求項１から５のいずれかに記載のＣＶＨＲ検出装置。
【請求項７】
前記ピーク群特定手段は、前記複数の局所的ピークの中から前記ピーク高さ閾値より大きい高さを有しているピーク群を特定し、そのピーク群の中から前記類似の形状を有しているピーク群を特定し、そのピーク群の中から前記周期性を持って連続しているピーク群を特定する
ことを特徴とする請求項６に記載のＣＶＨＲ検出装置。
【請求項８】
睡眠呼吸障害の無呼吸発作又は低呼吸発作に伴うＣＶＨＲを検出するためのコンピュータプログラムであり、
心拍又は脈拍の拍間隔の時系列データもしくは心拍又は脈拍の拍頻度時系列データを入力する時系列データ入力処理と、
前記時系列データから複数の局所的ピークを検出するピーク検出処理と、
前記複数の局所的ピークのそれぞれの高さを算出するピーク高さ算出処理と、
前記時系列データから自律神経活動を反映する心拍変動指標を算出する心拍変動指標算出処理と、
前記心拍変動指標から、それぞれの前記時系列データに固有の値として、前記ピーク高さに関する閾値を決定するピーク高さ閾値決定処理と、
前記複数の局所的ピークの中から、前記ピーク高さ閾値より大きい高さを有しており、かつ、周期性を持って連続しているピーク群を特定するピーク群特定処理と、
前記ピーク群特定手段によって特定されたピーク群の頻度および時間的分布を含む解析結果を出力する解析結果出力処理と
をコンピュータに実行させるコンピュータプログラム。
【図１】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【図１２】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【図１２】
【公開番号】特開２０１０−５１３８７（Ｐ２０１０−５１３８７Ａ）
【公開日】平成２２年３月１１日（２０１０．３．１１）
【国際特許分類】
【出願番号】特願２００８−２１７１３１（Ｐ２００８−２１７１３１）
【出願日】平成２０年８月２６日（２００８．８．２６）
【出願人】（５０６２１８６６４）公立大学法人名古屋市立大学 (48)
【出願人】（０００１３２１９４）株式会社スズケン (12)
【Ｆターム（参考）】
【公開日】平成２２年３月１１日（２０１０．３．１１）
【国際特許分類】
【出願日】平成２０年８月２６日（２００８．８．２６）
【出願人】（５０６２１８６６４）公立大学法人名古屋市立大学 (48)
【出願人】（０００１３２１９４）株式会社スズケン (12)
【Ｆターム（参考）】
[ Back to top ]