ウェア型デバイスを活用した日常 生活支援 着用者の生体情報を簡便に計測でき るウェア型デバイスの登場により，日 常生活における生体情報を容易に計測 することが可能になりました．日常生 活における人間のさまざまな行動を適 切に支援するためには，これらのデバ イスで計測したデータを基に，本人に も意識されていない身体状態や心的状 態を把握することが重要となります． 特に，オフィスワークや運転など，激 しい身体運動を伴わない業務は，身体 活動量のみから業務負荷を把握するこ とができないため，業務による労働者 の心的状態の変化などを適切に把握し たうえで休憩などの働きかけを行うこ とが必要になります． 心拍変動解析による人間の状態 分析 人間の身体状態や心的状態を把握す る手段の １ つに，交感神経と副交感神 経の静的なバランスを反映するとされ る心拍の変動に着目した心拍変動解析 があります（１）．心電図で計測される心 電波形のうち，心筋の収縮に対応する 部分はQRS群，隣接する ２ つのR波の 間隔はRRIと呼ばれ，心拍変動とはこ のRRIの揺らぎを指します（図 １ ）． NTTは こ の 生 理 的 特 性 に 着 目 し， hitoe®ウェア＊ １で計測される心電波形 から心拍を算出し，図 ２ に示す手順で 心拍変動解析を行うことで，睡眠段階（２） や疲労状態（3）などの身体状態や心的状 態を心拍から推定する技術の研究開発 に取り組んでいます．さらに，NTT グループ会社と外部パートナーとのコ ラボレーションを通じて，この技術の 実用化に向けて取り組んでいます． 実用化されたサービスの例として は，hitoe®ウェアを用いたドライバー 管理サービス（3）があります．本サービ スは，RRI時系列データを解析して得 られる各種心拍特徴量と疲労状態＊ ２ との関係性をあらかじめ明らかにした うえで疲労状態推定モデルを構築し， 運転手が着用したhitoe®ウェアに装着 したトランスミッタで算出したRRI を，クラウド上の疲労状態推定モデル で解析することで，「hitoe®ウェアを 着るだけ」で運転手の疲労状態推定を R波 R波 R波 P波 T波 時間 電位 0 QRS群 図 1 安静時における一般的な心電波形の模式図 RRI RRI ＊1 hitoe®ウェア：NTTが繊維メーカである東 レ株式会社との異業種コラボレーションに よって生み出した新しい機能素材を，計測 電極として内側に備えたウェア．hitoe®ウェ アを着用して体表面にhitoe®電極を密着さ せたうえで，スマートフォン等への無線伝 送機能を持ったトランスミッタをhitoe®ウェ アに装着することで，心電波形を計測した り，計測した心電波形データから心拍数を 算出することができます． ＊2 疲労状態：フリッカー検査で計測される，脳 や脊髄で構成される中枢神経系の疲労状態． Touching-AIの研究開発に取り組んでいます．本稿では，hitoe®ウェアなど のウェア型心電計測デバイスを活用して人間の身体状態や心的状態を推定 する「生体信号解析技術」を題材に，従来技術の課題と，高精度化に向け たNTTの取り組みについて紹介します．
麻
野間 直
樹
NTTサービスエボリューション研究所
†1NTTメディアインテリジェンス研究所
†2可能にしています． これらの各種分析アルゴリズムは， 各種心拍特徴量と推定対象となる状態 の関係性に着目して推定モデルを構築 するため，hitoe®ウェアなどを用いて 実用化する際には，入力となるRRIの 時系列データを長時間安定して連続的 に計測する必要があります．しかし， hitoe®ウェアをはじめとするウェア型 のデバイスは，ユーザの運動による衣 類の伸び縮みと同時に電極が伸縮し， 計測異常＊ 3を引き起こす場合があり ます（図 ₃ ）．この現象はユーザが身 体をひねる場合に起きやすく，計測異 常の激しさによっては正確なRRIを算 出することが困難であったため，これ まではこうしたデータを解析対象から 除外するなどの対応を取ってきまし た．しかし，寝返り動作やハンドル操 作，休憩時の伸び動作など，日常生活 においては身体をひねる動作が数多く 存在するのも実状です．このような状 況においても，計測データを捨てるこ となく心拍変動解析を行うためには， 高度な異常値処理を備えたデータ解析 が必要となります．以降では，ユーザ による適切な自己状態認識の支援をめ ざし，hitoe®ウェアなどのウェア型デ バイスで計測した心電波形データを高 精度に解析する取り組みの一例とし て，ECG波形解析技術（4），およびRRI 異常値処理技術（5）〜（7）についてそれぞ れ紹介します． ECG波形解析技術 ECG波形解析技術（4）は，心電波形 データを用いた心拍変動解析（図 ２ ） における，R波検出の精度向上をめざ した技術です．これまでの心電図は， 病院などで医師や技師の立ち会いのも とで計測され，専門家による目視で計 測異常が生じた部分を除外していたた め，簡便なアルゴリズムでもR波を正 確に検出することが可能でした．しか し，ウェア型デバイスは基本的に医療 関係者の立ち会いなく心電図を計測す 図 2 心拍変動解析の手順 R波検出 電位 時間 RRI 時間 特徴量計算前処理 時間 特徴量 (SDNNなど) 周波数 特徴量 (LF/HFなど) RRI 時間 時間 Hz データ補間 リサンプリング スペクトル分析 心拍特徴量計算 状態推定 RRI PSD 図 3 電極の伸縮に伴う計測異常が生じた心電波形の模式図 アーチファクト ノイズ ノイズ 時間 電位 ＊3 計測異常：身体運動によって電極と皮膚と の接触状態が変化したために，正常な心電 波形データが計測できなくなってしまった 状態．
異常が生じた部分が含まれてしまう場 合があります．また，ウェア型デバイ スはユーザの体格や運動によって電極 の接触点が変わるため，見かけ上は異 なる心電波形が計測されることも多々 あります．従来用いられてきた簡便な R波検出アルゴリズムでは，計測異常 が生じているときのR波検出や，R波 の形状変化にも対応したR波検出が困 難なため，誤検出や検出漏れが生じて しまい，結果として心拍特徴量を正確 に算出できなくなってしまうおそれが あります．したがって，ウェア型デバ イスを用いて日常環境における心拍変 動を解析する際には，日常動作によっ 考慮したR波検出アルゴリズムが必要 となります． NTTでは，NTTサービスエボリュー ション研究所が持つ生体信号解析のノ ウハウと，NTTメディアインテリジェ ンス研究所が持つ音声 ・ 音響信号処理 に関するノウハウを組み合わせること で，ウェア型デバイスの特性を踏まえ たR波検出アルゴリズムである，ECG 波形解析技術を開発しました．ECG 波形解析技術の処理概要を図 ４ に示し ます．ECG波形解析技術は，音声 ・ 音響信号や心電波形データの分析に用 いられるウェーブレット変換を応用し たR波特徴量抽出によって，運動時な 常の影響を抑えつつ，R波の多彩な形 状変化に追従したR波候補の検出を可 能にしました．さらに，R波特徴量抽 出で検出したR波候補をそのままRRI を計算に用いるのではなく，過去に検 出したR波とより近い特性を持つR波 候補のみをもっともらしいR波として 選定してRRI計算に用いることで， アーチファクトなどの計測異常による 誤判定を抑制します．このECG波形 解析技術の特徴の １ つとしては，R波 特徴量抽出において，ウェア型デバイ スで計測されるR波をとらえられる複 素ウェーブレットをマザーウェーブ レットとして採用したことが挙げられ 図 4 ECG波形解析技術 電位 電位 入力値（心電波形）※1 アーチファクト ノイズ 時間 時間 電位 電位 出力値※2 R波選定 R波特徴量抽出 時間 時間 複素ウェーブレットによる基線変動（ノイズ）への対応 1 10 80 0 1 0 80 0 1 1 0 80 0 1 1 0 80 0 1 1 0 80 0 1 1 0 80 0 1 1 0 80 0 1 1 0 80 0 1 1 0 80 0 1 1 0 80 0 1 1 0 80 0 1 1 0 80 0 1 位相 回転 1つのマザーウェーブレットで，多彩な形状変化に対応 複数のR波候補から，もっともらしいR波を選定 周期性・振幅・位相※3情報を用いたR波の選定 大きさ（振幅特徴量）：ピークの高さ 波形形状（位相特徴量）：青矢印の向き 時間 RRI RRI RRI RRI
周期性だけで 判定可能 周期性，振幅，位相を総合して評価し， より正確なピークを選定 ※1 実際の処理では，「ノイズ」「アーチファクト」などの区間は明示されていない ※2 実際の出力値は検出したR波の観測時刻 ※3 従来手法の多くは，実数ウェーブレット変換を用いるため位相情報は利用できない
ます．従来R波検出に用いられてきた マザーウェーブレットの多くは実数 ウェーブレットだったため， １ つのマ ザーウェーブレットのみでR波の多彩 な形状変化にすべて追従することは難 しかったのが実状です．ECG波形解 析技術は，複素ウェーブレットを採用 することで， １ つのマザーウェーブ レットでありながら，位相回転により R波の形状変化への追従を可能にしま した．また，この位相情報をR波選定 に用いることで，周期性 ・ 振幅 ・ 位相 の 3 つの観点から多角的にR波候補を 評価することを可能にしています． 実環境におけるECG波形解析技術 の有効性を検証するために，ウェア型 デバイスで計測異常が生じやすい，伸 び，曲げ，ひねりを含む運動時に計測 した心電波形データを対象として， ECG波形解析技術と従来手法を適用 したところ，ECG波形解析技術のほ うが計測異常発生時も安定的にR波を 検出できることが分かりました（図 ５ ）．hitoe®ウェアを用いた各種サー ビスにおいてECG波形解析技術を適 用することで，心拍数の変化をより高 精度にとらえることが可能になると期 待されます． RRI異常値処理技術 RRI異常値処理技術（5）〜（7）は，心拍 データや心拍特徴量をより高精度に算 出するために，R波検出で誤判定した R波を適切に処理する技術です．この 技術は，図 ２ に示す心拍変動解析の計 算フローの，R波検出の後続処理にあ たります（図 ６ ）．ECG波形解析技術 をはじめ，R波検出にはさまざまな方 法がありますが，R波とよく似た周波 数特性を持つアーチファクトの誤判定 を完全に抑制することは極めて難しい のが現状です．したがって，正確な RRIのみを解析対象とする必要がある 心拍変動解析では，アーチファクトの ような計測異常を誤判定したR波を含 むRRIを異常値として解析対象から除 外する必要があります．しかし，従来 の心拍変動解析では計測異常のない心 電図を解析対象とする場合が多かった ため，平均から逸脱した時間特性を持 つRRIを除外するにとどまっており， 計測異常を誤判定したR波を含むRRI を異常値として除外することができま せんでした．また，心拍特徴量の中で も，RRI時系列データの周波数特性に 着目した周波数特徴量については，補 間関数によるデータリサンプリングと スペクトル分析によるパワースペクト ル算出を別途行う必要があります（１）． このとき，RRIの異常値除外によって 生じるRRIの欠損区間が長くなり過ぎ ると，補間関数が異常値に発振したり， 特定の周波数成分を過大評価してしま い，正しい周波数特徴量を算出できな くなってしまうおそれがあります． RRI異常値処理技術は，このような 心拍変動解析特有の計算ステップを踏 まえたうえで，計測異常が生じている 場合においてももっともらしい心拍特 徴量を算出するために，異常値の除 外（5）と欠損値の補完（6），（7）という ２ つの 処理を行います．まず，異常値の除外 として，各R波検出技術によって検出 2 1.5 1 0.5 0 図 5 従来手法との比較 5000 4000 3000 2000 1000 0 1000 2000 3000 4000 5000 心電 心電波形 提案手法 従来手法 正解 提案手法 従来手法 安定したRRIの算出 2 1.5 1 0.5 0 （μV）
したすべてのR波を電位情報に基づい て評価し，計測異常を誤判定した可能 性が高いR波を含むRRIを解析対象か ら除外します（5）．さらに，周波数特徴 量を計算する場合においては，補間関 数によるデータリサンプリングを適切 に行うため，異常値を除外した後に生 じる欠損値を補完してから，補間関数 によるデータリサンプリングを行いま す（6），（7）．これにより，従来の計算ス テップで生じていたデータ補間におけ る異常値の影響を抑制し，より正解値 に近い周波数特徴量を算出することが 可能になります． 実環境における精度検証に先立っ て，RRIの正解値のある心電図（8）に計 測異常（9）を生じさせた疑似心電図を対 象としてRRI異常値処理技術の評価を 行ったところ，時間特徴量（１0），（１１），周 波数特徴量（１0）ともに，RRI異常値処理 技術によってより高精度に心拍特徴量 を算出できることが分かりました（図 ₇ ）．さらに，ECG波形解析技術と RRI異常値処理技術の組合せによっ て，これらの特徴量をより高精度に算 出できることが分かりました． 今後の展開 本稿では，hitoe®ウェアを用いた健 康支援サービスの精度向上に向けて取 り組んだ，ECG波形解析技術とRRI 異常値処理技術の ２ つの技術を紹介し ました．hitoe®ウェアを用いた各種 サービスにおいてこれら ２ つの技術を 前処理として実施することで，より高 精度な心拍特徴量を算出することが可 能になり，スポーツや労務管理の分野 におけるhitoe®ウェアの利用拡大にも 貢献できると考えられます．今後も， NTTグループ各社と連携しながら， 種々のhitoe®ウェアや各種ウェアラブ ル心電計への対応を含めた，さまざま なユースケースを対象とした精度検証 やチューニングを行い，hitoe®ウェア を用いた健康支援サービスの実用化に 向けた研究開発を推進していきます． ■参考文献 （1） 井上：“循環器疾患と自律神経機能 第 ２ 版，” 医学書院，２00１． （2） 武田 ・ 新島 ・ 渡部 ・ 吉田 ・ 水野：“睡眠段階 遷移時の心拍変化に着目した睡眠段階推定技 術，” 情 報 処 理 学 会 論 文 誌 デ ー タ ベ ー ス， Vol.9，No.4，pp.6-１0，２0１6. 図 6 RRI異常値処理技術 RRI欠損値補完（周波数のみ） RRI欠損値補完 RRI異常値除外（時間・周波数特徴量共通） 波形特徴量評価 RRI評価 RRI異常値除外 電位 時間 時間 時間 電位 RRI 時間 RRI 電位 時間 時間 RRI
RRI RRI RRI PSD
時間 時間 時間 Hz R波検出 特徴量計算前処理 心拍特徴量計算 時間 特徴量 周波数 特徴量 RRI欠損値補完 データ補間 リサンプリング スペクトル解析 状態推定
（3） 近 藤 ・ 山 登 ・ 中 山 ・ 千 葉 ・ 坂 口 ・ 西 口 ・ 増 田 ・ 吉田：“hitoe®によるナチュラル ・ センシ ングとその活用に向けた取り組み，” NTT技 術ジャーナル，Vol.２9，No.7，pp.１3-１8，２0１7. （4） S. Shimauchi, K. Eguchi, T. Takeda, and R.
Aoki：“An Analysis Method for Wearable Electrocardiogram Measurement Based on N o n - O r t h o g o n a l C o m p l e x W a v e l e t Expansion,” Proc. of EMBC ２0１7，pp.3973-3976，Jeju，Korea，July ２0１7．
（5） K. Eguchi, R. Aoki, K. Yoshida, and T. Yamada：“Reliability Evaluation of R-R Interval Measurement Status for Time Domain Heart Rate Variability Analysis with Wearable ECG Devices,” Proc. of EMBC ２0１7，pp.１307-１3１１，Jeju，Korea，July ２0１7． （6） 江口 ・ 青木 ・ 吉田 ・ 山田：“ウェアラブル心 電計から計測された心拍の周波数特徴量解析 を対象とした欠損RRIの補完手法，” DICOMO ２0１7，pp.888-897，２0１7．
（7） K. Eguchi, R. Aoki, S. Shimauchi, K. Yoshida, and T. Yamada：“R-R Interval Outlier Processing for Heart Rate Variability Analysis using Wearable ECG Devices,” Advanced Biomedical Engineering, Vol.7, pp.２8-38, ２0１8.
（8） http://physionet.org/physiobank/database/ mitdb/
（9） https://physionet.org/physiobank/database/
nstdb/
（１0） Task Force of the European Society of Cardiology and the North American Society of Pacing and Electrophysiology：“Heart rate variability: Standards of measurement, physiological interpretation, and clinical use,” European Heart Journal, Vol.１7, pp.354-38１, １996.
（１１） M. Toichi, T. Sugiura, T. Murai, and A. Sengoku：“A new method of assessing cardiac autonomic function and its comparison with spectral analysis and coefficient of variation of R-R interval,” J. Auton. Nerv. Syst., Vol.6２, pp.79-84, １997. （左から） 麻野間 直樹/ 島内 末廣/ 江口 佳那/ 千葉 昭宏/ 青木 良輔 日常生活における適切な生体情報解析に 取り組み，人に寄り添った健康支援サービ スの実現やQoLの向上に貢献していきたい と考えています． ◆問い合わせ先 NTTサービスエボリューション研究所 ネットワークドロボット＆ガジェットプロジェクト TEL 046-859-3556 E-mail kana.eguchi.gh hco.ntt.co.jp
（i）Mean RRI （ii）SDNN （I）log（LF） （II）log（HF）
（IV）HF/（LF+HF） （III）LF/HF （iii）RMSSD （iv）pNN50 （v）CVI （vi）CSI （a） 時間特微量 （b） 周波数特微量（線形補間） 図 7 RRI異常値処理の評価 850 800 750 700 650 1 2 3 4 5 6 7 ANS 200 150 100 50 0 1 2 3 4 5 6 7 ANS 8 6 4 2 0 1 2 3 4 5 6 7 ANS 8 6 4 2 0 1 2 3 4 5 6 7 ANS 53 52 51 5 4 3 2 1 0 1 2 3 4 5 6 7 ANS 1 0.8 0.6 0.4 0.2 0 1 2 3 4 5 6 7 ANS 250 200 150 100 50 0 1 2 3 4 5 6 7 ANS 0.5 0.4 0.3 0.2 0.1 0 1 2 3 4 5 6 7 ANS 6 5 4 3 2 1 0 1 2 3 4 5 6 7 ANS 2.5 2 1.5 1 0.5 0 1 2 3 4 5 6 7 ANS 従来手法 提案手法 時間長に基づくRRI異常値除外あり，欠損RRI補完なし 計測異常と時間長に基づくRRI異常値除外あり，欠損RRI補完なし 計測異常と時間長に基づくRRI異常値除外あり，欠損RRI補完あり 1：BW 2：EM 3：MA 4：BW+EM 5：BW+MA 6：EM+MA 7：BW+EM+MA BW：Baseline Wander EM：Electrode Motion artifact MA：Muscle Artifact
