2021 Fiscal Year Annual Research Report
ウェアラブルヘルスモニタリングに向けたマルチスケール心拍変動解析・評価技術の開発
| Project/Area Number |
19H04506
|
|---|
| Research Institution | National Institute of Technology, Kumamoto College |
|---|
Principal Investigator |
卜 楠 熊本高等専門学校, 電子情報システム工学系AEグループ, 准教授 (80425743)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
福田 修 佐賀大学, 理工学部, 教授 (20357891)
|
|---|
| Project Period (FY) |
2019-04-01 – 2024-03-31
|
| Keywords | 心拍変動解析 / 時系列分析 / ストレス評価 / 深層学習 |
|---|
| Outline of Annual Research Achievements |
本研究は、心拍変動データに含まれる短時間マルチスケール特徴情報をベースにストレス評価を目標に研究を進めた。また、時系列データを深層ニューラルネットに入力し自動的なモデル推定の研究も行った。該当年度の研究助成で主に下記の研究成果を得ることができた。
１，短時間心拍変動データの非線形的評価手法Poincareプロットのマルチラグ表現に着目し、従来の評価指標も含み30～60Beatsの心拍データを用いて、解析用ラグ数を1～20まで変化させ、インデクス指標の変化及びストレス解析への影響を検討した。本年度の研究結果では、従来より広く用いられているSD1やCCMなどの統計指標がラグ数により大きく変化し、ストレス解析の結果もそれに伴い大いに変動することが確認した。また、本研究で主に検討する距離ベースの指標がラグ数による変化がほとんどなく、ストレス状態間の有意差も微小な変化しかないことが分かった。一方、ラグ数変化を利用した非線形モデル構造の次元に対する考察も困難である課題もあるので、今後引き続き検討する予定である。
２，心拍変動データをはじめとする生体信号時系列は指標解析を経てストレスなどの分析を行うことが一般的だが。本研究は前年度リカレント構造のあるLSTMを利用した心拍およびその一次微分時系列データを直接解析した成果を踏まえて、本年度深層学習のCNN構造をベースに時系列データの直接推定を行った。利用したデータが同じく生体信号の筋電位で、0.128秒といった短時間時系列データより筋力を推定できることを確認した。この研究成果をベースに、今後心電図や心拍変動データへの応用も模索する予定である。
|
| Current Status of Research Progress |
Current Status of Research Progress
4: Progress in research has been delayed.
Reason
本研究の実施において生体信号の心拍測定実験はコロナ感染状況の継続により代替計測実験へ変更し計画の見直しを行った。延期と変更になる関連研究内容は2022年度以降の研究で実施する。
|
| Strategy for Future Research Activity |
研究内容特に実際に重要となるデータの計測と蓄積がコロナ感染状況の継続により、多くの点において修正・見直しを行った。これまで未完成の研究内容を早急に実施する予定である。
|
