JP2024526958A - 概日リズム調整を用いた自動睡眠段階分け分類 - Google Patents

Abstract

睡眠段階分けアルゴリズムのための方法、システム及びデバイスを説明する。システムは、ウェアラブルデバイスからユーザに関連付けられる生理学的データを受信してよく、ここで、生理学的データは、時間間隔にわたってウェアラブルデバイスを介して収集され得る。システムは、ユーザに関連付けられる概日リズムに基づいて生理学的データを重み付けするように構成される概日リズム調整モデルを識別し得る。システムは、生理学的データ及び概日リズム調整モデルを機械学習分類器に入力し、機械学習分類器を使用して、時間間隔の少なくとも一部について、生理学的データを、一組の睡眠段階のうちの少なくとも１つの睡眠段階に分類し、ここで、分類は概日リズム調整モデルに基づく。ユーザデバイスのグラフィカルユーザインタフェース（ＧＵＩ）は、生理学的データを分類したことに基づいて、少なくとも１つの睡眠段階の指示を表示し得る。

Description

［相互参照］
本特許出願は、２０２２年４月２９日に出願された、「AUTOMATIC SLEEP STAGING CLASSIFICATION WITH CIRCADIAN RHYTHM ADJUSTMENT」と題する、Kinnunen等による、米国非仮特許出願第１７／７３３，８６４号の利益を主張し、これは、２０２１年５月２１日に出願され、本出願人に譲渡された、「AUTOMATIC SLEEP STAGING CLASSIFICATION WITH CIRCADIAN RHYTHM ADJUSTMENT」と題する、Kinnunen等による、米国仮特許出願第６３／１９１，７３５号の利益を主張し、参照により本明細書に明示的に組み込まれる。

［技術分野］
以下は、一般に、ウェアラブルデバイス及びデータ処理に関し、より具体的には、概日リズム調整を用いた自動睡眠段階分類のための技術に関する。

いくつかのウェアラブルデバイスは、動き及び他の活動に関連付けられるデータをユーザから収集するように構成されることがある。例えばいくつかのウェアラブルデバイスは、ユーザが眠っているときを検出し、ユーザの異なる睡眠段階を分類するように構成されることがある。しかしながら、いくつかのウェアラブルデバイスによって実装される従来の睡眠検出及び分類技術は不十分である。

本開示の態様による、概日リズム調整を用いる睡眠段階分けアルゴリズム（sleep staging algorithm）をサポートするシステムの一例を示す図である。

本開示の態様による、概日リズム調整を用いる睡眠段階分けアルゴリズムをサポートするシステムの一例を示す図である。

本開示の態様による、概日リズム調整を用いる睡眠段階分けアルゴリズムをサポートするデータ取得図の一例を示す図である。

本開示の態様による、概日リズム調整を用いる睡眠段階分けアルゴリズムをサポートするグラフィカルユーザインタフェース（ＧＵＩ）の一例を示す図である。

本開示の態様による、概日リズム調整を用いる睡眠段階分けアルゴリズムをサポートするＧＵＩの一例を示す図である。

本開示の態様による、概日リズム調整を用いる睡眠段階分けアルゴリズムをサポートする概日リズム調整モデルの一例を示す図である。

本開示の態様による、概日リズム調整を用いる睡眠段階分けアルゴリズムをサポートする装置のブロック図である。

本開示の態様による、概日リズム調整を用いる睡眠段階分けアルゴリズムをサポートするウェアラブルアプリケーションのブロック図である。

本開示の態様による、概日リズム調整を用いる睡眠段階分けアルゴリズムをサポートするデバイスを含むシステムの図である。

本開示の態様による、概日リズム調整を用いる睡眠段階分けアルゴリズムをサポートする方法を示すフローチャートである。 本開示の態様による、概日リズム調整を用いる睡眠段階分けアルゴリズムをサポートする方法を示すフローチャートである。 本開示の態様による、概日リズム調整を用いる睡眠段階分けアルゴリズムをサポートする方法を示すフローチャートである。

一部のウェアラブルデバイスは、動き及び他の活動に関連付けられるユーザからデータを収集するように構成され得る。例えば一部のウェアラブルデバイスは、ユーザが眠っているときを検出するように構成され得る。ユーザの睡眠パターンを効率的かつ正確に追跡するために、ウェアラブルデバイスは、夜間及び日中を含む２４時間にわたって睡眠データを収集するように構成され得る。さらに、ウェアラブルデバイスは、ユーザの異なる睡眠段階を分類するように構成され得る。

本開示の態様は、ユーザの睡眠段階を自動的に分類するための技術に関する。例えばシステムは、ユーザによって装着されるウェアラブルデバイスによって収集された生理学的データ（例えば体温データ、心拍数データ、心拍数変動（ＨＲＶ）データ、呼吸数データ）を受信してよく、ユーザが眠っている時間の期間を決定してもよい。さらに、システムは、ユーザが眠っていた時間の期間を１つ以上の睡眠段階に自動的に分類してもよい。睡眠段階は、覚醒睡眠（awake sleep）段階、浅い睡眠（light sleep）段階、急速眼球運動（ＲＥＭ、レム）睡眠段階、深い睡眠（deep sleep）段階等を含み得る。この点に関して、システムは、ユーザが覚醒していた時間の期間、あるいは浅い眠り、レム又は深い眠りに入っていた時間の期間を決定するために、ウェアラブルデバイスから収集されたデータを利用してもよい。

いくつかの態様では、分類された睡眠段階は、ユーザデバイスのグラフィカルユーザインタフェース（ＧＵＩ）を介してユーザに表示され得る。特に、ＧＵＩは、ユーザが眠っていた時間間隔（time interval）を表示してよく、ここで、この時間間隔のセグメントは、対応する睡眠段階でラベル付けされるか、又は他の方法で示される。いくつかの実装では、本明細書に記載する睡眠段階分類技術を使用して、推奨される就寝時間、推奨される起床時間等のようなユーザの睡眠パターンに関するフィードバックをユーザに提供し得る。

いくつかの実装では、システムは、機械学習分類器を利用して、ユーザの睡眠段階を分類してもよい。したがって、ウェアラブルデバイスから収集された生理学的データは、機械学習分類器に入力されてもよく、ここで、機械学習分類器は、所与の時間間隔にわたって生理学的データを１つ以上の睡眠段階に分類するように構成される。さらに、機械学習分類器は、生理学的データに関連付けられる１つ以上の特徴（例えばパラメータの変化率、パラメータの最小／最大／平均値、パラメータ間のパターン）を識別するように構成されてよく、識別された特徴に基づいて睡眠段階分類を実行するように構成されてもよい。場合によっては、生理学的データは、機械学習分類器に入力される前に正規化されてもよい。場合によっては、機械学習分類器は、各個々のユーザに合わせて睡眠段階分けアルゴリズムを調整するように構成されてもよい。言い換えると、システムは、機械学習分類器がそれぞれのユーザについて睡眠段階分類を実行するようにカスタマイズされるように、各個人ユーザについて収集された睡眠データを用いて機械学習分類器をトレーニングしてよい。

本開示のいくつかの態様は、概日リズム由来の特徴を利用して、睡眠段階分類を更に改善し得る。概日リズムという用語は、個人の睡眠－覚醒サイクルを調節する自然な内部プロセスを指し、約２４時間ごとに繰り返される。この点に関して、本明細書に記載される技術は、概日リズム調整モデルを利用して、睡眠段階分類を改善し得る。例えば概日リズム調整モデルは、ウェアラブルデバイスを介してユーザから収集された生理学的データとともに、機械学習分類器に入力され得る。この例では、概日リズム調整モデルは、より正確な睡眠段階分類を提供するために、ユーザの睡眠中にわたって収集された生理学的データを「重み付け」する、すなわち調整するように構成され得る。いくつかの実装では、システムは、最初に「ベースライン」概日リズム調整モデルで開始し、各ユーザから収集された生理学的データを使用してベースラインモデルを修正し、各それぞれのユーザに特有の調整された個別化された概日リズム調整モデルを生成し得る。

本開示の態様は、最初に、無線通信システムのコンテキストで説明される。本開示の追加の態様は、データ取得図、概日リズム調整モデル及びＧＵＩのコンテキストにおいて説明される。本開示の態様は、概日リズム調整を用いる睡眠段階分けアルゴリズムに関連する装置図、システム図及びフローチャートによって更に図示され、それらを参照して説明される。

図１は、本開示の態様による、睡眠段階分けアルゴリズムをサポートするシステム１００の例を示す。システム１００は、１人以上のユーザ１０２によって装着及び／又は操作され得る複数の電子デバイス（例えばウェアラブルデバイス１０４、ユーザデバイス１０６）を含む。システム１００は、ネットワーク１０８及び１つ以上のサーバ１１０を更に含む。

電子デバイスは、ウェアラブルデバイス１０４（例えばリングウェアラブルデバイス、時計ウェアラブルデバイス等）、ユーザデバイス１０６（例えばスマートフォン、ラップトップ、タブレット）を含む、当技術分野で公知の任意の電子デバイスを含み得る。それぞれのユーザ１０２に関連付けられる電子デバイスは、以下の機能のうちの１つ以上：すなわち、１）生理学的データを測定することと、２）測定されたデータを記憶することと、３）そのデータを処理することと、４）処理されたデータに基づいて（例えばＧＵＩを介して）ユーザ１０２に出力を提供することと、５）互いに及び／又は他のコンピューティングデバイスとデータを通信することと、のうちの１つ以上を含み得る。異なる電子デバイスが、これらの機能の１つ以上を実行してもよい。

例示的なウェアラブルデバイス１０４は、ユーザ１０２の指に装着されるように構成されたリングコンピューティングデバイス（以下、「リング」）、ユーザ１０２の手首に装着されるように構成された手首コンピューティングデバイス（例えばスマートウォッチ、フィットネスバンド又はブレスレット）及び／又は頭部装着コンピューティングデバイス（例えば眼鏡／ゴーグル）のようなウェアラブルコンピューティングデバイスを含み得る。ウェアラブルデバイス１０４はまた、頭部の周りのバンド（例えば額のヘッドバンド）、腕の周りのバンド（例えば前腕のバンド及び／又は上腕のバンド）及び／又は脚の周りのバンド（例えば大腿部又はふくらはぎのバンド）、耳の後ろ、脇の下等の他の位置に配置され得るバンド、ストラップ（例えばフレキシブル又は非フレキシブルバンド又はストラップ）、スティックオンセンサ等も含み得る。ウェアラブルデバイス１０４はまた、衣料品に取り付けられてもよく、あるいは衣類に含まれてもよい。例えばウェアラブルデバイス１０４は、衣服のポケット及び／又はポーチに含まれてもよい。別の例として、ウェアラブルデバイス１０４は、衣服にクリップ留め及び／又はピン留めされてもよい。例示的な衣料品には、帽子、シャツ、手袋、ズボン、靴下、上着（例えばジャケット）及び下着が含まれ得るが、これらに限定されない。いくつかの実装では、ウェアラブルデバイス１０４は、身体活動中に使用されるトレーニング／スポーツ用デバイスのような他のタイプのデバイスとともに含まれてもよい。例えばウェアラブルデバイス１０４は、自転車、スキー、テニスラケット、ゴルフクラブ及び／又はトレーニングウェイトに取り付けられてもよく、あるいはそれらに含まれてもよい。

本開示の多くは、リングウェアラブルデバイス１０４のコンテキストで説明され得る。したがって、用語「リング１０４」、「ウェアラブルデバイス１０４」及び同様の用語は、本明細書で特に明記しない限り、交換可能に使用され得る。しかしながら、本明細書では、本開示の態様は、他のウェアラブルデバイス（例えば時計ウェアラブルデバイス、ネックレスウェアラブルデバイス、ブレスレットウェアラブルデバイス、イヤリングウェアラブルデバイス、アンクレットウェアラブルデバイス等）を使用して実行されてもよいことが企図されているので、用語「リング１０４」の使用は、限定的なものとみなされるべきではない。

いくつかの態様では、ユーザデバイス１０６は、スマートフォン及びタブレットコンピューティングデバイスのようなハンドヘルドモバイルコンピューティングデバイスを含んでよい。ユーザデバイス１０６はまた、ラップトップ及びデスクトップコンピューティングデバイスのようなパーソナルコンピュータも含んでよい。他の例示的なユーザデバイス１０６は、（例えばインターネットを介して）他の電子デバイスと通信し得るサーバコンピューティングデバイスを含んでよい。いくつかの実装では、コンピューティングデバイスは、外部ウェアラブルコンピューティングデバイス（例えばホルターモニタ）のような医療デバイスを含んでよい。医療デバイスは、ペースメーカー及び電気除細動器のような植込み型医療デバイスも含んでよい。他の例示的なユーザデバイス１０６は、モノのインターネット（ＩｏＴ）デバイス（例えばＩｏＴデバイス）、スマートテレビ、スマートスピーカ、スマートディスプレイ（例えばビデオ通話ディスプレイ）、ハブ（例えば無線通信ハブ）、セキュリティシステム、スマートアプライアンス（例えばサーモスタット及び冷蔵庫）及びフィットネス機器のようなホームコンピューティングデバイスを含んでよい。

いくつかの電子デバイス（例えばウェアラブルデバイス１０４、ユーザデバイス１０６）は、フォトプレチスモグラフィ波形、連続皮膚温度、パルス波形、呼吸数、心拍数、心拍数変動（ＨＲＶ、heart rate variability）、アクチグラフィ、ガルバニック皮膚反応、パルス酸素濃度及び／又は他の生理学的パラメータのような、それぞれのユーザ１０２の生理学的パラメータを測定し得る。生理学的パラメータを測定するいくつかの電子デバイスはまた、本明細書で説明される計算の一部／すべてを実行してもよい。いくつかの電子デバイスは、生理学的パラメータを測定しないことがあるが、本明細書で説明される計算の一部／すべてを実行することがある。例えばリング（例えばウェアラブルデバイス１０４）、モバイルデバイスアプリケーション又はサーバコンピューティングデバイスは、他のデバイスによって測定された、受信した生理学的データを処理することがある。

いくつかの実装では、ユーザ１０２は、複数の電子デバイスを操作し得るか又は複数の電子デバイスに関連付けられてよく、複数の電子デバイスのうちの一部が、生理学的パラメータを測定してよく、一部が、測定された生理学的パラメータを処理してもよい。いくつかの実装では、ユーザ１０２は、生理学的パラメータを測定するリング（例えばウェアラブルデバイス１０４）を有してもよい。ユーザ１０２は、ユーザデバイス１０６（例えばモバイルデバイス、スマートフォン）を有し得るか又はユーザデバイス１０６に関連付けられてもよく、ここで、ウェアラブルデバイス１０４及びユーザデバイス１０６は、互いに通信可能に結合される。場合によっては、ユーザデバイス１０６は、ウェアラブルデバイス１０４からデータを受信し、本明細書で説明される計算の一部／すべてを実行してよい。いくつかの実装では、ユーザデバイス１０６はまた、運動／活動パラメータのような、本明細書で説明される生理学的パラメータを測定してもよい。

例えば図１に示されるように、第１ユーザ１０２－ａ（ユーザ１）は、本明細書で説明されるように動作し得るウェアラブルデバイス１０４－ａ（例えばリング１０４－ａ）及びユーザデバイス１０６－ａを操作し得るか、又はこれらに関連付けられてよい。この例では、ユーザ１０２－ａに関連付けられるユーザデバイス１０６－ａは、リング１０４によって測定された生理学的パラメータを処理／記憶し得る。比較すると、第２ユーザ１０２－ｂ（ユーザ２）は、リング１０４－ｂ、時計ウェアラブルデバイス１０４－ｃ（例えば時計１０４－ｃ）及びユーザデバイス１０６－ｂに関連付けられてよく、ここで、ユーザ１０２－ｂに関連付けられるユーザデバイス１０６－ｂは、リング１０４－ｂ及び／又は時計１０４－ｃによって測定された生理学的パラメータを処理／記憶し得る。さらに、ｎ番目のユーザ１０２－ｎ（ユーザＮ）は、本明細書で説明される電子デバイスの構成（例えばリング１０４、ユーザデバイス１０６－ｎ）に関連付けられてもよい。いくつかの態様では、ウェアラブルデバイス１０４（例えばリング１０４、時計１０４）及び他の電子デバイスは、Ｂｌｕｅｔｏｏｔｈ（登録商標）、Ｗｉ－Ｆｉ及び他の無線プロトコルを介して、それぞれのユーザ１０２のユーザデバイス１０６に通信可能に結合されてもよい。

システム１００の電子デバイス（例えばユーザデバイス１０６、ウェアラブルデバイス１０４）は、有線又は無線通信プロトコルを介して、１つ以上のサーバ１１０に通信可能に結合されてもよい。例えば図１に示されるように、電子デバイス（例えばユーザデバイス１０６）は、ネットワーク１０８を介して１つ以上のサーバ１１０に通信可能に結合されてもよい。ネットワーク１０８は、インターネットのような伝送制御プロトコル及びインターネットプロトコル（ＴＣＰ／ＩＰ）を実装してよく、あるいは他のネットワーク１０８プロトコルを実装してもよい。ネットワーク１０８とそれぞれの電子デバイスとの間のネットワーク接続は、電子メール、ウェブ、テキストメッセージ、メール又はコンピュータネットワーク１０８との任意の他の適切な形式の対話を介したデータの転送を容易にすることができる。例えばいくつかの実装では、第１ユーザ１０２－ａに関連付けられるリング１０４－ａは、ユーザデバイス１０６－ａに通信可能に結合されてよく、ここで、ユーザデバイス１０６－ａは、ネットワーク１０８を介してサーバ１１０に通信可能に結合される。追加又は代替的な場合において、ウェアラブルデバイス１０４（例えばリング１０４、時計１０４）は、ネットワーク１０８に直接通信可能に結合されてもよい。

システム１００は、ユーザデバイス１０６と１つ以上のサーバ１１０との間でオンデマンドデータベースサービスを提供してもよい。場合によっては、サーバ１１０は、ネットワーク１０８を介してユーザデバイス１０６からデータを受信してよく、該データを記憶し、分析してもよい。同様に、サーバ１１０は、ネットワーク１０８を介してユーザデバイス１０６にデータを提供してもよい。場合によっては、サーバ１１０は、１つ以上のデータセンタに配置されてもよい。サーバ１１０は、データの記憶、管理及び処理のために使用されてもよい。いくつかの実装では、サーバ１１０は、ウェブブラウザを介してユーザデバイス１０６にウェブベースのインタフェースを提供してもよい。

いくつかの態様では、システム１００のそれぞれのデバイスは、ウェアラブルデバイスによって収集されたデータに基づく自動睡眠段階分類のための技術をサポートし得る。特に、図１に図示されるシステム１００は、ユーザ１０２が眠っている時間期間を検出し、ユーザ１０２が眠っている時間期間を１つ以上の睡眠段階に分類するための技術をサポートし得る。例えば図１に示されるように、ユーザ１０２－ａは、ウェアラブルデバイス１０４－ａ（例えばリング１０４－ａ）及びユーザデバイス１０６－ａに関連付けられてよい。この例では、リング１０４－ａは、体温、心拍数、ＨＲＶ、呼吸数等を含む、ユーザ１０２－ａに関連付けられる生理学的データを収集し得る。いくつかの態様において、リング１０４－ａによって収集されたデータが、機械学習分類器に入力されてもよく、ここで、機械学習分類器は、ユーザ１０２－ａが眠っている（眠っていた）時間期間を決定するように構成される。さらに、機械学習分類器は、覚醒睡眠段階、ＲＥＭ睡眠段階、浅い睡眠段階（ノンレム（ＮＲＥＭ））及び深い睡眠段階（ＮＲＥＭ）を含む、異なる睡眠段階に時間期間を分類するように構成され得る。

いくつかの態様では、分類された睡眠段階は、ユーザデバイス１０６－ａのＧＵＩを介してユーザ１０２－ａに表示され得る。特に、ＧＵＩは、ユーザ１０２－ａが眠っていた時間間隔（time interval）を表示してもよく、ここで、時間間隔のセグメントはラベル付けされるか、他の方法で、対応する睡眠段階とともに示されてもよい。いくつかの実装では、本明細書で説明される睡眠段階分類技術は、推奨される就寝時間や推奨される起床時間等のようなユーザの睡眠パターンに関するフィードバックをユーザ１０２－ａに提供するために使用されてもよい。さらに、いくつかの実装では、本明細書で説明される睡眠段階分類技術は、睡眠スコア（Sleep Scores）や準備スコア（Readiness Scores,）等のような、それぞれのユーザについてのスコアを計算するために使用されてもよい。

いくつかの態様では、システム１００は、概日リズム由来の特徴を利用して、睡眠段階分類を更に改善し得る。概日リズム（circadian rhythm）という用語は、約２４時間ごとに繰り返す、個人の睡眠－覚醒周期を調節する自然の内部プロセスを指してよい。この点に関して、本明細書で説明される技術は、睡眠段階分類を改善するために概日リズム調整モデルを利用し得る。例えば概日リズム調整モデルは、ウェアラブルデバイス１０４－ａを介してユーザ１０２から収集された生理学的データとともに機械学習分類器に入力されてよい。この例では、概日リズム調整モデルは、ユーザの睡眠を通じて収集された生理学的データを「重み付け」又は調整して、より正確な睡眠段階分類を提供するように構成されてよい。いくつかの実装では、システムは、最初に「ベースライン」概日リズム調整モデルで開始してよく、各ユーザ１０２から収集された生理学的データを使用してベースラインモデルを修正し、それぞれのユーザ１０２ごとに特有の、調整されて個別化された概日リズム調整モデルを生成してよい。

本明細書に記載される技術は、ウェアラブルデバイスによって収集されたデータを使用して、改善された睡眠段階分類を提供し得る。特に、本明細書に記載される技術は、それぞれのユーザ１０２がそれぞれの睡眠段階（例えば覚醒睡眠段階、浅い睡眠段階、レム睡眠段階、深い睡眠段階）にある時間の期間を決定するために使用されてよく、各それぞれのユーザ１０２により価値のある睡眠パターンフィードバックを提供するために使用され得る。ユーザ１０２に、彼らの睡眠段階及び睡眠パターンのより包括的な評価を提供することによって、本明細書に記載される技術は、ユーザ１０２が、彼らの睡眠パターンを効果的に調整し、ユーザ１０２の睡眠の質及び全体的な健康を改善することを可能にし得る。

上記以外の他の問題を追加的に又は代替的に解決するために、本開示の１つ以上の態様がシステム１００において実装されてもよいことが当業者に理解されるべきである。さらに、本開示の態様は、本明細書で説明される「従来の」システム又はプロセスに技術的な改善を提供し得る。しかしながら、本明細書及び添付の図面は、本開示の態様を実装することから生じる例示的な技術的改善を含むものにすぎず、したがって、特許請求の範囲内で提供される技術的改善のすべてを表すものではない。

図２は、本開示の態様による、睡眠段階分けアルゴリズムをサポートするシステム２００の例を示す。システム２００は、システム１００を実装してよく、あるいはシステム１００によって実装されてもよい。特に、システム２００は、図１を参照して説明したような、リング１０４（例えばウェアラブルデバイス１０４）、ユーザデバイス１０６及びサーバ１１０の例を示す。

いくつかの態様では、リング１０４は、ユーザの指の周りに装着されるように構成されてよく、ユーザの指の周りに装着されたときに１つ以上のユーザの生理学的パラメータを決定し得る。例示的な測定及び決定は、ユーザの皮膚温度、パルス波形、呼吸数、心拍数、ＨＲＶ、血中酸素レベル等を含み得るが、これらに限定されない。

システム２００は、リング１０４と通信するユーザデバイス１０６（例えばスマートフォン）を更に含む。例えばリング１０４は、ユーザデバイス１０６と無線通信及び／又は有線通信を行ってよい。いくつかの実装では、リング１０４は、測定されて処理されたデータ（例えば体温データ、フォトプレチスモグラム（ＰＰＧ）データ、運動／加速度計データ、リング入力データ等）をユーザデバイス１０６に送信し得る。ユーザデバイス１０６はまた、リング１０４ファームウェア／構成更新のようなデータをリング１０４に送信し得る。ユーザデバイス１０６は、データを処理し得る。いくつかの実装では、ユーザデバイス１０６は、処理及び／又は記憶のために、データをサーバ１１０に送信し得る。

リング１０４は、内側ハウジング２０５－ａ及び外側ハウジング２０５－ｂを含み得るハウジング２０５を含んでよい。いくつかの態様では、リング１０４のハウジング２０５は、これらに限定されないが、デバイスエレクトロニクス、電源（例えばバッテリ２１０及び／又はキャパシタ）、デバイスエレクトロニクス及び／又は電源を相互接続する１つ以上の基板（例えばプリント基板）等を含むリングの様々な構成要素を記憶するか、又は他の方法で含み得る。デバイスエレクトロニクスは、処理モジュール２３０－ａ、メモリ２１５、通信モジュール２２０－ａ、電力モジュール２２５等のようなデバイスモジュール（例えばハードウェア／ソフトウェア）を含んでよい。デバイスエレクトロニクスはまた、１つ以上のセンサも含んでよい。例示的なセンサは、１つ以上の温度センサ２４０、ＰＰＧセンサアセンブリ（例えばＰＰＧシステム２３５）及び１つ以上の運動センサ２４５を含んでよい。

センサは、リング１０４のそれぞれの構成要素／モジュールと通信し、それぞれのセンサに関連付けられる信号を生成するように構成される、関連モジュール（図示せず）を含んでよい。いくつかの態様では、リング１０４の構成要素／モジュールの各々は、有線接続又は無線接続を介して互いに通信可能に結合されてもよい。さらに、リング１０４は、光センサ（例えばＬＥＤ）、オキシメータ等を含む生理学的データをユーザから収集するように構成される、追加及び／又は代替のセンサ又は他の構成要素を含んでもよい。

図２を参照して図示され、説明されるリング１０４は、単に例示の目的のために提供される。このように、リング１０４は、図２に示される構成要素のような追加の又は代替の構成要素を含んでよい。本明細書で説明される機能性を提供する他のリング１０４が製造されてもよい。例えばより少ない構成要素（例えばセンサ）を有するリング１０４が製造されてもよい。特定の例では、単一の温度センサ２４０（又は他のセンサ）と、電源と、単一の温度センサ２４０（又は他のセンサ）を読み取るように構成されるデバイスエレクトロニクスとを有するリング１０４が製造されてもよい。別の具体例では、温度センサ２４０（又は他のセンサ）が、（例えばプラスチック／ラバーバンド及び／又はテープを使用して）ユーザの指に取り付けられてもよい。この場合、センサは、温度センサ２４０（又は他のセンサ）を読み取る手首装着型コンピューティングデバイスのような別のコンピューティングデバイスに配線されてもよい。他の例では、追加のセンサ及び処理機能を含むリング１０４が製造されてもよい。

ハウジング２０５は、１つ以上のハウジング２０５構成要素を含んでよい。ハウジング２０５は、外側ハウジング２０５－ｂ構成要素（例えばシェル）と内側ハウジング２０５－ａ構成要素（例えばモールディング）を含んでよい。ハウジング２０５は、図２に明示的に図示されていない追加の構成要素（例えば追加の層）を含んでもよい。例えばいくつかの実装では、リング１０４は、デバイスエレクトロニクス及び他の導電性材料（例えば電気トレース）を外側ハウジング２０５（例えば金属製の外側ハウジング２０５－ｂ）から電気的に絶縁する１つ以上の絶縁層を含んでもよい。ハウジング２０５は、デバイスエレクトロニクス、バッテリ２１０、基板及び他の構成要素のための構造的支持を提供し得る。例えばハウジング２０５は、デバイスエレクトロニクス、バッテリ２１０及び基板を圧力及び衝撃のような機械的な力から保護し得る。ハウジング２０５はまた、デバイスエレクトロニクス、バッテリ２１０及び基板を水及び／又は他の化学物質からも保護し得る。

外側ハウジング２０５－ｂは、１つ以上の材料から製造され得る。いくつかの実装では、外側ハウジング２０５－ｂは、比較的軽量で強度と耐摩耗性を提供し得るチタンのような金属を含んでよい。外側ハウジング２０５－ｂはまた、ポリマーのような他の材料から製造されてもよい。いくつかの実装では、外側ハウジング２０５－ｂは装飾的であるだけでなく、保護的であってもよい。

内側ハウジング２０５－ａは、ユーザの指とインタフェースするように構成され得る。内側ハウジング２０５－ａは、ポリマー（例えば医療グレードのポリマー）又は他の材料から形成されてもよい。いくつかの実装では、内側ハウジング２０５－ａは透明であってもよい。例えば内側ハウジング２０５－ａは、ＰＰＧ発光ダイオード（ＬＥＤ）によって放出される光に対して透明であってもよい。いくつかの実装では、内側ハウジング２０５－ａは、外側ハウジング２０５－ｂの上に成形されてもよい。例えば内側ハウジング２０５－ａは、外側ハウジング２０５金属シェルに適合するように成形（例えば射出成形）されるポリマーを含んでもよい。

リング１０４は、１つ以上の基板（図示せず）を含んでもよい。デバイスエレクトロニクス及びバッテリ２１０が、１つ以上の基板上に含まれてもよい。例えばデバイスエレクトロニクス及びバッテリ２１０は、１つ以上の基板上に取り付けられてもよい。例示的な基板は、フレキシブルＰＣＢ（例えばポリイミド）のような１つ以上のプリント回路基板（ＰＣＢ）を含んでよい。一部の実装では、エレクトロニクス／バッテリ２１０は、フレキシブルＰＣＢ上に表面実装型デバイス（例えば表面実装技術（ＳＭＴ、surface-mount technology）デバイス）を含んでもよい。いくつかの実装では、１つ以上の基板（例えば１つ以上のフレキシブルＰＣＢ）は、デバイスエレクトロニクス間の電気通信を提供する電気トレースを含んでもよい。電気トレースはまた、バッテリ２１０をデバイスエレクトロニクスに接続してもよい。

デバイスエレクトロニクス、バッテリ２１０及び基板は、様々な方法でリング１０４内に配置されてもよい。いくつかの実装では、センサ（例えばＰＰＧシステム２３５、温度センサ２４０、運動センサ２４５及び他のセンサ）がユーザの指の下側とインタフェースするように、デバイスエレクトロニクスを含む１つの基板が、リング１０４の下部（例えば下半分）に沿って取り付けられてよい。これらの実装では、バッテリ２１０は、リング１０４の上部に沿って（例えば別の基板上に）含まれてもよい。

リング１０４の様々な構成要素／モジュールは、リング１０４に含まれ得る機能性（例えば回路及び他の構成要素）を表す。モジュールは、本明細書のモジュールに起因する機能を生成することができるアナログ及び／又はデジタル回路を実装する任意の離散及び／又は集積電子回路構成要素を含んでよい。例えばモジュールは、アナログ回路（例えば増幅回路、フィルタリング回路、アナログ／デジタル変換回路及び／又は他の信号調整回路）を含んでもよい。モジュールはまた、デジタル回路（例えば組合せ論理回路又は逐次論理回路、メモリ回路等）も含んでよい。

リング１０４のメモリ２１５（メモリモジュール）は、ランダムアクセスメモリ（ＲＡＭ）、読取専用メモリ（ＲＯＭ）、不揮発性ＲＡＭ（ＮＶＲＡＭ）、電気的消去可能でプログラム可能なＲＯＭ（ＥＥＰＲＯＭ）、フラッシュメモリ又は任意の他のメモリデバイスのような、任意の揮発性、不揮発性、磁気的又は電気的媒体を含んでよい。メモリ２１５は、本明細書で説明されるデータのいずれかを記憶してよい。例えばメモリ２１５は、それぞれのセンサ及びＰＰＧシステム２３５によって収集されたデータ（例えば運動データ、体温データ、ＰＰＧデータ）を記憶するように構成されてもよい。さらに、メモリ２１５は、１つ以上の処理回路によって実行されると、モジュールに、本明細書のモジュールに起因する様々な機能を実行させる命令を含んでもよい。本明細書で説明されるリング１０４のデバイスエレクトロニクスは、デバイスエレクトロニクスの一例にすぎない。したがって、デバイスエレクトロニクスを実装するために使用される電子構成要素のタイプは、設計的考慮事項に基づいて変化し得る。

本明細書で説明されるリング１０４のモジュールに起因する機能は、１つ以上のプロセッサ、ハードウェア、ファームウェア、ソフトウェア又はそれらの任意の組合せとして具現化されてよい。異なる特徴をモジュールとして描写することは、異なる機能的態様を強調するように意図されており、必ずしもそのようなモジュールが別個のハードウェア／ソフトウェア構成要素によって実現されなければならないことを暗示するものではない。むしろ、１つ以上のモジュールに関連付けられる機能性は、別個のハードウェア／ソフトウェア構成要素によって実行されてもよく、あるいは共通のハードウェア／ソフトウェア構成要素内に統合されてもよい。

リング１０４の処理モジュール２３０－ａは、１つ以上のプロセッサ（例えば処理ユニット）、マイクロコントローラ、デジタル信号プロセッサ、システムオンチップ（ＳｏＣ）及び／又は他の処理デバイスを含んでよい。処理モジュール２３０－ａは、リング１０４に含まれるモジュールと通信する。例えば処理モジュール２３０－ａは、センサのようなリング１０４のモジュール及び他の構成要素にデータを送信し／これらからデータを受信してもよい。本明細書で説明されるように、モジュールは、様々な回路構成要素によって実装されてもよい。したがって、モジュールは、回路（例えば通信回路及び電力回路）とも呼ばれることがある。

処理モジュール２３０－ａは、メモリ２１５と通信し得る。メモリ２１５は、処理モジュール２３０－ａによって実行されると、処理モジュール２３０－ａに、該処理モジュール２３０－ａに起因する様々な機能を実行させるためのコンピュータ読取可能命令を含んでもよい。いくつかの実装では、処理モジュール２３０－ａ（例えばマイクロコントローラ）は、通信モジュール２２０－ａ（例えば統合されたＢｌｕｅｔｏｏｔｈ（登録商標） Ｌｏｗ Ｅｎｅｒｇｙトランシーバ）及び／又は追加のオンボードメモリ２１５によって提供される通信機能のような、他のモジュールに関連付けられる追加の特徴を含んでもよい。

通信モジュール２２０－ａは、ユーザデバイス１０６（例えばユーザデバイス１０６の通信モジュール２２０－ｂ）との無線通信及び／又は有線通信を提供する回路を含んでもよい。いくつかの実装では、通信モジュール２２０－ａ、２２０－ｂは、Ｂｌｕｅｔｏｏｔｈ回路及び／又はＷｉ－Ｆｉ回路のような無線通信回路を含んでもよい。いくつかの実装では、通信モジュール２２０－ａ、２２０－ｂは、ユニバーサルシリアルバス（ＵＳＢ）通信回路のような有線通信回路を含むことができる。通信モジュール２２０－ａを使用して、リング１０４及びユーザデバイス１０６は、互いに通信するように構成され得る。リングの処理モジュール２３０－ａは、通信モジュール２２０－ａを介してユーザデバイス１０６にデータを送信／ユーザデバイス１０６からデータを受信するように構成され得る。例示的なデータは、運動データ、体温データ、パルス波形、心拍数データ、ＨＲＶデータ、ＰＰＧデータ及びステータス更新（例えば充電ステータス、バッテリ充電レベル及び／又はリング１０４構成設定）を含み得るが、これらに限定されない。リングの処理モジュール２３０－ａはまた、ユーザデバイス１０６から更新（例えばソフトウェア／ファームウェア更新）及びデータを受信するようにも構成されてもよい。

リング１０４は、バッテリ２１０（例えば再充電可能バッテリ２１０）を含んでよい。例示的なバッテリ２１０は、リチウムイオン又はリチウムポリマータイプのバッテリ２１０を含んでよいが、様々なバッテリ２１０の選択肢が可能である。バッテリ２１０は、無線で充電されてもよい。いくつかの実装では、リング１０４は、キャパシタのような、バッテリ２１０以外の電源を含んでもよい。電源（例えばバッテリ２１０又はキャパシタ）は、リング１０４の曲線に一致する湾曲した形状を有してもよい。いくつかの態様では、充電器又は他の電源は、リング１０４自体によって収集されたデータに加えて、データを収集するために使用され得るか、又はそれを補足する、追加のセンサを含んでもよい。さらに、リング１０４の充電器又は他の電源は、ユーザデバイス１０６として機能してよく、ここで、リング１０４の充電器又は他の電源は、リング１０４からデータを受信し、リング１０４から受信したデータを記憶及び／又は処理し、リング１０４とサーバ１１０との間でデータを通信するように構成され得る。

いくつかの態様では、リング１０４は、バッテリ２１０の充電を制御し得る電力モジュール２２５を含む。例えば電力モジュール２２５は、リング１０４とインタフェースしたときにバッテリ２１０を充電する、外部ワイヤレス充電器とインタフェースし得る。充電器は、リング１０４のデータ構造（datum structure）と嵌合して、１０４の充電中にリング１０４との特定の配向を生成するデータ構造を含んでもよい。電力モジュール２２５はまた、デバイスエレクトロニクスの電圧を調節し、デバイスエレクトロニクスへの電力出力を調節し、バッテリ２１０の充電状態を監視し得る。いくつかの実装では、バッテリ２１０は、高電流放電、１０４の充電中の過電圧及び１０４の放電中の不足電圧からバッテリ２１０を保護する、保護回路モジュール（ＰＣＭ、protection circuit module）を含んでよい。電力モジュール２２５はまた、静電放電（ＥＳＤ、electro-static discharge）保護も含んでよい。

１つ以上の温度センサ２４０は、処理モジュール２３０－ａに電気的に結合されてもよい。温度センサ２４０は、該温度センサ２４０によって読み取られた又は感知された体温を示す体温信号（例えば体温データ）を生成するように構成されてもよい。処理モジュール２３０－ａは、温度センサ２４０の位置におけるユーザの体温を決定し得る。例えばリング１０４において、温度センサ２４０によって生成された体温データは、ユーザの指におけるユーザの体温（例えば皮膚温度）を示してもよい。いくつかの実装では、温度センサ２４０は、ユーザの皮膚に接触してもよい。他の実装では、ハウジング２０５の一部（例えば内側ハウジング２０５－ａ）は、温度センサ２４０とユーザの皮膚との間にバリア（例えば薄い熱伝導性バリア）を形成してもよい。いくつかの実装では、ユーザの指に接触するように構成されるリング１０４の部分は、熱伝導性部分と断熱性部分を有してもよい。熱伝導性部分は、ユーザの指から温度センサ２４０に熱を伝導し得る。断熱性部分は、リング１０４の部分（例えば温度センサ２４０）を周囲温度から絶縁し得る。

いくつかの実装では、温度センサ２４０は、体温を決定するために、処理モジュール２３０－ａが使用し得るデジタル信号（例えば体温データ）を生成し得る。別の例として、温度センサ２４０が受動センサを含む場合、処理モジュール２３０－ａ（又は温度センサ２４０モジュール）は、温度センサ２４０によって生成された電流／電圧を測定し、測定された電流／電圧に基づいて体温を決定し得る。例示的な温度センサ２４０は、負の温度係数（ＮＴＣ、negative temperature coefficient）サーミスタのようなサーミスタ、あるいは抵抗器、トランジスタ、ダイオード及び／又は他の電気／電子構成要素を含む他のタイプのセンサを含んでよい。

処理モジュール２３０－ａは、ユーザの体温を経時的にサンプリングし得る。例えば処理モジュール２３０－ａは、サンプリングレートに従ってユーザの体温をサンプリングしてよい。例示的なサンプリングレートは、１秒当たり１サンプルを含んでよいが、処理モジュール２３０－ａは、１秒当たり１サンプルよりも高い又は低い他のサンプリングレートで体温信号をサンプリングするように構成されてもよい。いくつかの実装では、処理モジュール２３０－ａは、昼夜を通して継続的に、ユーザの体温をサンプリングし得る。一日を通して十分なレートで（例えば１秒に１サンプル）でサンプリングすることにより、本明細書で説明される分析のための十分な体温データを提供し得る。

処理モジュール２３０－ａは、サンプリングされた体温データをメモリ２１５に記憶し得る。いくつかの実装では、処理モジュール２３０－ａは、サンプリングした体温データを処理し得る。例えば処理モジュール２３０－ａは、ある時間期間の平均体温値を決定し得る。一例では、処理モジュール２３０－ａは、１分間に収集されたすべての体温値を合計し、１分間のサンプル数で割ることによって、１分間あたりの平均体温値を決定し得る。体温が１秒当たり１サンプルでサンプリングされる特定の例では、平均体温は、６０秒で割った１分間のすべてのサンプリングされた体温の合計であってもよい。メモリ２１５は、経時的な平均体温値を記憶してよい。いくつかの実装では、メモリ２１５は、メモリ２１５を節約するために、サンプリングされた体温の代わりに、平均体温（例えば１分当たり１つ）を記憶してもよい。

メモリ２１５に記憶され得るサンプリングレートは、設定可能であり得る。いくつかの実装では、サンプリングレートは、昼夜を通して同じであってもよい。他の実装では、サンプリングレートは、昼／夜を通して変更されてもよい。いくつかの実装では、リング１０４は、生理学的変化を示さない体温の大きなスパイク（spike）（例えば熱いシャワーからの温度スパイク）のような体温読み取り値を、フィルタリング／拒否してもよい。いくつかの実装では、リング１０４は、１０４の運動中の過度の運動のような（例えば運動センサ２４５によって示されるような）、他の要因のために信頼できない可能性がある体温読み取り値をフィルタリング／拒否してもよい。

リング１０４（例えば通信モジュール）は、サンプリングされた体温データ及び／又は平均体温データを、記憶及び／又は更なる処理のためにユーザデバイス１０６に送信してもよい。ユーザデバイス１０６は、サンプリングされた体温データ及び／又は平均体温データを、記憶及び／又は更なる処理のためにサーバ１１０に転送してもよい。

リング１０４は、単一の温度センサ２４０を含むように示されているが、リング１０４は、ユーザの指の近くに内側ハウジング２０５－ａに沿って配置されるような、１つ以上の位置に複数の温度センサ２４０を含んでもよい。いくつかの実装では、温度センサ２４０は、スタンドアロン温度センサ２４０であってよい。追加又は代替的に、１つ以上の温度センサ２４０は、加速度計及び／又はプロセッサのような他の構成要素とともに含まれてもよい（例えば他の構成要素とともにパッケージされてもよい）。

処理モジュール２３０－ａは、単一の温度センサ２４０に関して説明したものと同様の方法で、複数の温度センサ２４０からデータを取得して処理してよい。例えば処理モジュール２３０は、複数の温度センサ２４０の各々から体温データを個別にサンプリングし、平均し、記憶し得る。他の例では、処理モジュール２３０－ａは、異なるレートでセンサをサンプリングし、異なるセンサについて異なる値を平均化／記憶してもよい。いくつかの実装では、処理モジュール２３０－ａは、指の異なる位置にある２つ以上の温度センサ２４０によって決定された２つ以上の体温の平均に基づいて、単一の体温を決定するように構成されてもよい。

リング１０４上の温度センサ２４０は、ユーザの指（例えば任意の指）における遠位体温を取得してもよい。例えばリング１０４上の１つ以上の温度センサ２４０は、指の下側から、あるいは指の異なる位置で、ユーザの体温を取得してもよい。いくつかの実装では、リング１０４は、遠位体温を（例えばサンプリングレートで）連続的に取得してもよい。本明細書では、指にあるリング１０４によって測定される遠位温度が説明されるが、他のデバイスは同じ／異なる位置で体温を測定してもよい。場合によっては、ユーザの指で測定された遠位体温は、ユーザの手首又は他の外部身体位置で測定された体温とは異なることがある。加えて、ユーザの指で測定された遠位体温（例えば「シェル」体温）は、ユーザの深部体温とは異なることがある。このように、リング１０４は、身体の他の内部／外部位置では取得されない可能性がある有用な体温信号を提供し得る。場合によっては、指での連続的な体温測定は、深部体温では明らかでない可能性がある体温変動（例えば小さな変動又は大きな変動）を捕捉し得る。例えば指での連続的な体温測定は、身体の他の場所での他の体温測定によっては提供されない可能性がある追加の洞察を提供する、分毎又は時間毎の体温変動を捕捉し得る。

リング１０４は、ＰＰＧシステム２３５を含んでよい。ＰＰＧシステム２３５は、光を送信する１つ以上の光送信器を含んでよい。ＰＰＧシステム２３５は、１つ以上の光送信器によって送信された光を受信する１つ以上の光受信器も含んでよい。光受信器は、該光受信器によって受信した光の量を示す信号（以下、「ＰＰＧ」信号とする）を生成し得る。光送信器は、ユーザの指の領域を照明し得る。ＰＰＧシステム２３５によって生成されるＰＰＧ信号は、照明された領域における血液の灌流を示し得る。例えばＰＰＧ信号は、ユーザの脈圧によって引き起こされる、照明された領域における血液量の変化を示し得る。処理モジュール２３０－ａは、ＰＰＧ信号をサンプリングし、ＰＰＧ信号に基づいてユーザのパルス波形を決定し得る。処理モジュール２３０－ａは、ユーザのパルス波形に基づいて、ユーザの呼吸速度、心拍数、ＨＲＶ、酸素飽和度及び他の循環パラメータのような、様々な生理学的パラメータを決定し得る。

いくつかの実装では、ＰＰＧシステム２３５は、反射型ＰＰＧシステム２３５として構成されてもよく、ここで、光受信器は、ユーザの指の領域を通って反射される透過光を受信する。いくつかの実装では、ＰＰＧシステム２３５は、透過型ＰＰＧシステム２３５として構成されてもよく、ここで、光送信器及び光受信器は、光がユーザの指の一部を通って光受信器に直接送信されるように、互いに対向して配置される。

ＰＰＧシステム２３５に含まれる送信器及び受信器の数及び比率は、変化してもよい。例示的な光送信器は、発光ダイオード（ＬＥＤ）を含んでよい。光送信器は、赤外線スペクトル及び／又は他のスペクトルの光を送信してよい。例示的な光受信器は、フォトセンサ、フォトトランジスタ及びフォトダイオードを含んでよいが、これらに限定されない。光受信器は、光送信器から受信した波長に応答してＰＰＧ信号を生成するように構成されてもよい。送信器と受信器の位置は変化してもよい。加えて、単一のデバイスが、反射型及び／又は透過型ＰＰＧシステム２３５を含んでもよい。

図２に示されるＰＰＧシステム２３５は、いくつかの実装では、反射型ＰＰＧシステム２３５を含んでもよい。これらの実装では、ＰＰＧシステム２３５は、中央に配置された光受信器（例えばリング１０４の下部）と、光受信器の両側に配置された２つの光送信器とを含んでよい。この実装では、ＰＰＧシステム２３５（例えば光受信器）は、光送信器の一方又は両方から受信した光に基づいてＰＰＧ信号を生成し得る。

処理モジュール２３０－ａは、光受信器によって生成されたＰＰＧ信号をサンプリングしながら、光を送信するように光送信器の一方又は両方を制御し得る。いくつかの実装では、処理モジュール２３０－ａは、光受信器によって生成されたＰＰＧ信号をサンプリングしている間、より強い受信信号を有する光送信器に光を送信させ得る。例えば選択された光送信器は、ＰＰＧ信号がサンプリングレート（例えば２５０Ｈｚ）でサンプリングされている間、連続的に光を放射し得る。

ＰＰＧシステム２３５によって生成されたＰＰＧ信号をサンプリングすることにより、「ＰＰＧ」と呼ばれ得るパルス波形を得ることができる。パルス波形は、複数の心周期の血圧対時間を示し得る。パルス波形は、心周期を示すピークを含み得る。加えて、パルス波形は、呼吸数を決定するために使用され得る呼吸誘導変動（respiratory induced variation）を含んでもよい。いくつかの実装では、処理モジュール２３０－ａは、パルス波形をメモリ２１５に記憶し得る。処理モジュール２３０－ａは、パルス波形が生成されるときに、及び／又はメモリ２１５からのパルス波形を処理して、本明細書で説明されるユーザの生理学的パラメータを決定し得る。

処理モジュール２３０－ａは、パルス波形に基づいてユーザの心拍数を決定し得る。例えば処理モジュール２３０－ａは、パルス波形のピーク間の時間に基づいて心拍数（例えば１分あたりの拍動数）を決定し得る。ピーク間の時間は、拍動間隔（ＩＢＩ、interbeat interval）と呼ばれることがある。処理モジュール２３０－ａは、決定された心拍数の値とＩＢＩ値をメモリ２１５に記憶してよい。

処理モジュール２３０－ａは、経時的にＨＲＶを決定し得る。例えば処理モジュール２３０－ａは、ＩＢｌの変動に基づいてＨＲＶを決定してもよい。処理モジュール２３０－ａは、メモリ２１５に経時的なＨＲＶ値を記憶してよい。さらに、処理モジュール２３０－ａは、経時的にユーザの呼吸数を決定し得る。例えば処理モジュール２３０－ａは、ある期間にわたるユーザのＩＢＩ値の周波数変調、振幅変調又はベースライン変調に基づいて、呼吸数を決定してもよい。呼吸数は、１分間当たりの呼吸で計算されてよく、あるいは別の呼吸数（例えば３０秒当たりの呼吸）として計算されてもよい。処理モジュール２３０－ａは、経時的なユーザの呼吸数の値をメモリ２１５に記憶してもよい。

リング１０４は、１つ以上の加速度計（例えば６－Ｄ加速度計）及び／又は１つ以上のジャイロスコープ（ジャイロ）のような１つ以上の運動センサ２４５を含み得る。運動センサ２４５は、センサの運動を示す運動信号を生成し得る。例えばリング１０４は、加速度計の加速度を示す加速度信号を生成する、１つ以上の加速度計を含んでよい。別の例として、リング１０４は、角運動（例えば角速度）及び／又は方位の変化を示すジャイロ信号を生成する、１つ以上のジャイロセンサを含んでよい。運動センサ２４５は、１つ以上のセンサパッケージに含まれてよい。例示的な加速度計／ジャイロセンサは、３つの垂直軸における角速度及び加速度を測定し得る、Ｂｏｓｃｈ（登録商標） ＢＭＩ１６０慣性微小電気機械システム（ＭＥＭＳ、micro electro-mechanical system）センサである。

処理モジュール２３０－ａは、サンプリングレート（例えば５０Ｈｚ）で運動信号をサンプリングし、サンプリングされた運動信号に基づいてリング１０４の運動を決定し得る。例えば処理モジュール２３０－ａは、加速度信号をサンプリングしてリング１０４の加速度を決定してよい。別の例として、処理モジュール２３０－ａは、ジャイロ信号をサンプリングして角運動を決定してよい。いくつかの実装では、処理モジュール２３０－ａは、運動データをメモリ２１５に記憶してよい。運動データは、サンプリングされた運動データ、並びにサンプリングされた運動信号（例えば加速度及び角度値）に基づいて計算された運動データを含んでよい。

リング１０４は、本明細書で説明される様々なデータを記憶し得る。例えばリング１０４は、生のサンプリングされた体温データ及び計算された体温データ（例えば平均温度）のような体温データを記憶してよい。別の例として、リング１０４は、パルス波形や、パルス波形に基づいて計算されるデータ（例えば心拍数の値、ＩＢＩ値、ＨＲＶ値及び呼吸数の値）のようなＰＰＧ信号データを記憶してよい。リング１０４はまた、直線運動及び角運動を示すサンプリングされた運動データのような運動データも記憶してよい。

リング１０４又は他のコンピューティングデバイスは、サンプリング／計算された生理学的データに基づいて、追加の値を計算し、記憶し得る。例えば処理モジュール２３０は、睡眠メトリクス（例えば睡眠スコア）、活動メトリクス及び準備メトリクスのような、様々なメトリクスを計算して記憶してよい。いくつかの実装では、追加の値／メトリクスは、「導出値（derived values）」と呼ばれることがある。リング１０４又は他のコンピューティング／ウェアラブルデバイスは、運動に関して様々な値／メトリクスを計算し得る。運動データの例示的な導出値は、運動カウント値、規則性値（regularity values）、強度値、タスクの代謝当量値（ＭＥＴｓ、metabolic equivalence of task values）及び方向値を含み得るが、これらに限定されない。運動カウント、規則性値、強度値及びＭＥＴｓは、経時的なユーザの運動の量（例えば速度／加速度）を示し得る。方向値は、リング１０４がユーザの指に対してどのように向けられているか、及びリング１０４が左手に装着されているか右手に装着されているかを示し得る。

いくつかの実装では、運動カウント及び規則性値は、１つ以上の期間（例えば１つ以上の３０秒から１分の期間）内の加速度ピークの数をカウントすることによって決定され得る。強度値は、運動の数及び運動の関連する強度（例えば加速度値）を示し得る。強度値は、関連する閾値加速度値に応じて、低、中及び高に分類されてよい。ＭＥＴｓは、１０４期間（例えば３０秒）の間の運動の強度と、運動の規則性／不規則性と、異なる強度に関連付けられる運動の数とに基づいて決定され得る。

いくつかの実装では、処理モジュール２３０－ａは、メモリ２１５に記憶されたデータを圧縮し得る。例えば処理モジュール２３０－ａは、サンプリングされたデータに基づいて計算を行った後に、サンプリングされたデータを削除してもよい。別の例として、処理モジュール２３０－ａは、記憶される値の数を減らすために、より長い期間にわたってデータを平均化してもよい。具体的な例では、１分間にわたるユーザの平均体温がメモリ２１５に記憶されている場合、処理モジュール２３０－ａは、記憶のために５分間の平均体温を計算し、その後、その１分間の平均体温データを消去してもよい。処理モジュール２３０－ａは、使用される／利用可能なメモリ２１５の総量、及び／又はリング１０４がデータをユーザデバイス１０６に最後に送信してからの経過時間のような様々な要因に基づいてデータを圧縮してよい。

ユーザの生理学的パラメータは、リング１０４に含まれるセンサによって測定され得るが、他のデバイスが、ユーザの生理学的パラメータを測定してもよい。例えばユーザの体温は、リング１０４に含まれる温度センサ２４０によって測定され得るが、他のデバイスがユーザの体温を測定してもよい。いくつかの例では、他のウェアラブルデバイス（例えば手首デバイス）は、ユーザの生理学的パラメータを測定するセンサを含んでもよい。加えて、外部医療デバイス（例えばウェアラブル医療デバイス）及び／又は植込み型医療デバイスのような医療デバイスが、ユーザの生理学的パラメータを測定することがある。任意のタイプのコンピューティングデバイス上の１つ以上のセンサを使用して、本明細書で説明される技術を実装してよい。

生理学的測定は、昼及び／又は夜を通して連続的に行われてもよい。いくつかの実装では、生理学的測定は、１０４の昼部分及び／又は夜の部分の間に行われてもよい。いくつかの実装では、生理学的測定は、ユーザが、活動状態、安静状態（resting state）及び／又は睡眠状態のような特定の状態にあると決定したことに応答して行われてもよい。例えばリング１０４は、よりクリーンな生理学的信号を取得するために、安静／睡眠状態で生理学的測定を行うことができる。一例では、リング１０４又は他のデバイス／システムは、ユーザが安静にしている及び／又は睡眠しているときを検出し、その検出された状態の生理学的パラメータ（例えば体温）を取得し得る。デバイス／システムは、本開示の技術を実装するために、ユーザが他の状態にあるときに、安静／睡眠生理学的データ及び／又は他のデータを使用してもよい。

いくつかの実装では、本明細書で前述したように、リング１０４は、データを収集、記憶及び／又は処理するように構成されてもよく、本明細書で説明されるデータのいずれかを、記憶及び／又は処理のためにユーザデバイス１０６に転送し得る。いくつかの態様では、ユーザデバイス１０６は、リングアプリケーション２５０、オペレーティングシステム（ＯＳ）、ウェブブラウザアプリケーション（例えばウェブブラウザ２８０）、１つ以上の追加のアプリケーション及びＧＵＩ２７５を含む。ユーザデバイス１０６は、センサ、オーディオデバイス、触覚フィードバックデバイス等を含む他のモジュール及び構成要素を更に含んでもよい。リングアプリケーション２５０は、ユーザデバイス１０６にインストールされ得るアプリケーション（例えば「ａｐｐ」）の例を含み得る。リングアプリケーション２５０は、本明細書で説明されるように、リング１０４からデータを取得し、取得したデータを記憶し、取得したデータを処理するように構成され得る。例えばリングアプリケーション２５０は、ユーザインタフェース（ＵＩ）モジュール２５５と、取得モジュール２６０と、処理モジュール２３０－ｂと、通信モジュール２２０－ｂと、アプリケーションデータを記憶するように構成される記憶モジュール（例えばデータベース２６５）を含んでよい。

本明細書で説明される様々なデータ処理動作は、リング１０４、ユーザデバイス１０６、サーバ１１０又はそれらの任意の組合せによって実行され得る。例えば場合によっては、リング１０４によって収集されたデータは、前処理され、ユーザデバイス１０６に送信されてよい。この例では、ユーザデバイス１０６は、受信したデータに対して何らかのデータ処理動作を実行し得るか、データ処理のためにデータをサーバ１１０に送信し得るか、又はその両方を行ってよい。例えば場合によっては、ユーザデバイス１０６は、比較的低い処理能力を必要とする処理動作及び／又は比較的低いレイテンシを必要とする動作を実行することがあり、一方、ユーザデバイス１０６は、比較的高い処理能力を必要とする処理動作及び／又は比較的高いレイテンシを許容し得る動作を処理するために、データをサーバ１１０に送信することがある。

いくつかの態様では、システム２００のリング１０４、ユーザデバイス１０６及びサーバ１１０は、ユーザの睡眠パターンを評価するように構成され得る。特に、システム２００のそれぞれの構成要素は、リング１０４を介してユーザからデータを収集し、収集されたデータに基づいて、ユーザについての１つ以上のスコア（例えば睡眠スコア、準備スコア）を生成するために使用され得る。例えば本明細書において前述したように、システム２００のリング１０４は、ユーザによって装着されて、ユーザから体温、心拍数、ＨＲＶ等を含むデータを収集し得る。リング１０４によって収集されたデータは、所与の「睡眠日（sleep day）」について、ユーザの睡眠を評価するために、ユーザが眠っているときを決定するために使用されてもよい。いくつかの態様では、スコアは、第１睡眠日が第１スコアセットに関連付けられ、第２睡眠日が第２スコアセットに関連付けられるように、ユーザについて、それぞれの睡眠日毎に計算され得る。スコアは、それぞれの睡眠日の間にリング１０４によって収集されたデータに基づいて、それぞれの睡眠日毎に計算されてもよい。スコアは、睡眠スコア、準備スコア等を含むが、これらに限定されない。

場合によっては、「睡眠日」は、所与の睡眠日が、それぞれの暦日の真夜中から真夜中まで続くように、伝統的な暦日（calendar day）と整合してよい。他の場合には、睡眠日は、暦日に対してオフセットされてもよい。例えば睡眠日は、ある暦日の午後６：００（１８：００）から次の暦日の午後６：００（１８：００）まで続いてよい。この例では、午後６：００は「カットオフ時間」として機能してよく、この場合、午後６：００より前にユーザから収集されたデータは現在の睡眠日についてカウントされ、午後６：００より後にユーザから収集されたデータは次の睡眠日についてカウントされる。ほとんどの個人が夜に最も多く眠るという事実のために、暦日に対して睡眠日をオフセットすることにより、システム２００は、ユーザの睡眠スケジュールと一致するような方法でユーザの睡眠パターンを評価することができる。場合によっては、それぞれのユーザが典型的に睡眠する時間の長さに睡眠日を整合させるように、ユーザは、暦日に対して睡眠日のタイミングを（例えばＧＵＩを介して）選択的に調整することができる。

いくつかの実装では、それぞれの日毎のユーザの各総合スコア（例えば睡眠スコア、準備スコア）が、１つ以上の「寄与因子（contributors）」、「要因（factors）」又は「寄与要因（contributing factors）」に基づいて決定／計算され得る。例えばユーザの全体的な睡眠スコアは、総睡眠、効率、休息、急速眼球運動（レム）睡眠、深い睡眠、レイテンシ、タイミング又はそれらの任意の組合せを含む一組の寄与因子のセットに対して計算され得る。睡眠スコアは、任意の量の寄与因子を含んでよい。「総睡眠」寄与因子は、睡眠日の全睡眠期間の合計を指してよい。「効率」寄与因子は、ベッドにいる間に起きている間に費やされる時間と比較した睡眠に費やされる時間のパーセンテージを反映してよく、睡眠日の長い睡眠期間（例えば主睡眠期間（primary sleep period））の効率平均を使用して、各睡眠期間の持続時間によって重み付けして、計算され得る。「休息」寄与因子は、ユーザの睡眠がどれほど安らかであるかを示してよく、睡眠日のすべての睡眠期間の平均を使用して、各期間の持続時間によって重み付けして、計算され得る。休息寄与因子は、「ウェイクアップカウント」（例えば異なる睡眠期間中に検出されたすべてのウェイクアップ（ユーザが、目が覚めたとき）の合計）、過剰な動き（excessive movement）、及び「ゴットアップカウント（got up count）」（例えば異なる睡眠期間中に検出されたすべてのゴットアップ（ユーザがベッドから起き上がったとき）の合計）に基づくことができる。

「レム睡眠」寄与因子は、レム睡眠を含む睡眠日のすべての睡眠期間にわたるレム睡眠持続時間の合計を指してよい。同様に、「深い睡眠」寄与因子は、深い睡眠を含む睡眠日のすべての睡眠期間にわたる深い睡眠持続時間の合計を指してよい。「レイテンシ」寄与因子は、ユーザが睡眠に入るのにかかる時間（例えば平均、中央値、最長）を意味してよく、睡眠日を通して長い睡眠期間の平均を使用して、各期間の持続時間によって重み付けされて、計算され得る。最後に、「タイミング」寄与因子は、睡眠日及び／又は暦日内の睡眠期間の相対的タイミングを指してよく、睡眠日のすべての睡眠期間の平均を使用して、各期間の持続時間によって重み付けして、計算され得る。

別の例として、ユーザの全体的な準備スコアは、睡眠、睡眠バランス、心拍数、ＨＲＶバランス、回復指数、体温、活動、活動バランス又はそれらの任意の組合せを含む、一組の寄与因子に基づいて計算され得る。準備スコアは、任意の量の寄与因子を含んでよい。「睡眠」寄与因子は、睡眠日内のすべての睡眠期間の組み合わされた睡眠スコアを指してよい。「睡眠バランス」寄与因子は、睡眠日内のすべての睡眠期間の累積持続時間を指してよい。特に、睡眠バランスは、ユーザがある期間（例えば過去２週間）にわたって取得してきた睡眠が、ユーザのニーズとバランスが取れているかどうかをユーザに示すことができる。典型的に、成人が健康で注意力を維持し、精神的にも身体的にも最高のパフォーマンスを発揮するためには、一晩に７～９時間の睡眠が必要である。しかしながら、時にはよく眠れない夜があることは普通のことなので、睡眠バランスの寄与因子は長期的な睡眠パターンを考慮に入れて、各ユーザの睡眠ニーズが満たされているかどうかを判断する。「安静時心拍数」寄与因子は、睡眠日の最長睡眠期間（例えば主睡眠期間）からの最低心拍数及び／又は主睡眠期間後に生じるうたた寝（nap）からの最低心拍数を示し得る。

準備スコアの「寄与因子」（例えば要因、寄与要因）に関連して続けると、「ＨＲＶバランス」寄与因子は、主睡眠期間及び主睡眠期間後に起こるうたた寝からの最も高いＨＲＶ平均を示し得る。ＨＲＶバランス寄与因子は、第１期間（例えば２週間）にわたるユーザのＨＲＶ傾向を、なんらかのより長い第２期間（例えば３ヶ月）にわたる平均ＨＲＶと比較することによって、ユーザが自身の回復状態を追跡するのを助けることができる。「回復指数」寄与因子は、最長睡眠期間に基づいて計算されてもよい。回復指数は、夜間にユーザの安静時心拍数が安定するまでにかかる時間を測定する。非常に良好な回復の兆候は、ユーザの安静時心拍数が夜の前半、ユーザが起きる少なくとも６時間前に安定し、身体が翌日のために回復する時間を残すことである。「体温」寄与因子は、最長睡眠期間（例えば主睡眠期間）に基づいて、あるいは、うたた寝中のユーザの最高体温が最長期間中の最高体温よりも少なくとも０．５℃高い場合には最長睡眠期間後に生じるうたた寝に基づいて、計算され得る。いくつかの態様では、リングは、ユーザが眠っている間にユーザの体温を測定してよく、システム２００は、ユーザのベースライン体温に対するユーザの平均体温を表示してよい。ユーザの体温が正常範囲の外にある場合（例えば明らかに０．０より上又は下）、体温寄与因子は強調表示されるか（例えば「要注意（Pay attention）」状態になる）又は他の方法でユーザにアラートを生成し得る。

いくつかの態様では、システム２００は、ユーザの睡眠段階を自動的に分類するための技術をサポートし得る。特に、システム２００は、加速度計データ、ＰＰＧデータ、自律神経系（ＡＮＳ、autonomic nervous system）媒介末梢信号及びマルチ睡眠段階検出のための概日特徴を利用するための技術をサポートし得る。

ウェアラブルデバイス技術を用いて自身の健康を追跡する人の割合が増加している。睡眠は、ウェアラブルデバイスを使用して追跡される健康の１つの側面である。この夜間の睡眠追跡の動機の一部は、精神的及び認知的な脳の健康（例えば学習、記憶、集中力、生産性の気分、不安、抑うつ）とともに、身体的健康（例えば体重管理、免疫の健康、血糖調節）にとって睡眠が不可欠であるという認識によるものである。そのため、ウェアラブルデバイスは、個人の健康に関する洞察を導く毎日のフィードバックツールを提供するために使用されることがあり、したがって、より長い健康期間と寿命に寄与する可能性がある行動変化を提供することがある。しかしながら、このようなウェアラブルデバイスが一般に広く採用されるようになるためには、正しいウェアラブルフォームファクタが関連するようになり、そうでなければ意味のある遵守が失われる。これは、そのようなデバイスがユーザに提供すべき感覚データのタイプと精度のユーティリティ、及びそのデータが意味のある実世界の洞察を提供するかどうかについても同様に当てはまる。

一般の人々による睡眠追跡の採用に加えて、消費者向けデバイス（例えばウェアラブルデバイス）からの睡眠追跡データをどのように利用するかをよりよく理解するために、学術研究者や臨床医からの関心も高まっている。ＰＳＧのような睡眠のゴールドスタンダードの尺度と比較して、ウェアラブルデバイスを使用した睡眠追跡の精度を理解したいという要望がある。そのようなデータは、研究や臨床分野への適切なレベルの組み込み、そしてそこから大規模な医療管理に役立つであろう。

睡眠を測定するためのゴールドスタンダードは、通常、睡眠検査室で実施される包括的なマルチパラメータ検査であるＰＳＧである。ＰＳＧは、典型的に、脳波信号（ＥＥＧ）、眼球運動信号（ＥＯＧ）、心臓信号（ＥＣＧ）、筋活動（ＥＭＧ）及び任意に指のＰＰＧを記録する。データのこの組合せを使用して、人間の専門家又はアルゴリズムは、夜間の異なる睡眠段階（例えばＮ１（浅い睡眠）、Ｎ２（浅い睡眠）、Ｎ３（深い睡眠）、ＲＥＭ及び覚醒）を決定することができ、プロセスは睡眠段階分けと呼ばれる。American Academy of Sleep Medicine（ＡＳＭ）によると、睡眠段階分けは３０秒間の連続したセグメントで行われる可能性がある。睡眠段階分けの全体的なスコアラー間信頼性は８２～８３％であると報告されており、覚醒と睡眠の間の移行段階であるＮ１で最も信頼性が低い。ウェアラブルデバイスのコンテキストでは、Ｎ１睡眠は通常Ｎ２睡眠と組み合わされ、Ｎ１とＮ２の組合せは、最も深い睡眠段階であるＮ３睡眠と区別するために、浅い睡眠と呼ばれる。

ＰＳＧに加えて、ユーザの睡眠／活動サイクル（アクチグラフィとして知られる技術）をモニタリングすることは、睡眠－覚醒の評価に使用され得る。しかしながら、アクチグラフィは、睡眠の他の特徴、特に睡眠段階を定量化するには限界がある。健康な被験者におけるＰＳＧ睡眠評価と比較すると、アクチグラフィは、７２～９７％の全体的な感度範囲及び２８～６７％の特異度範囲、０．４３～０．９７の総睡眠時間（ＴＳＴ、total sleep time）、０．６４～０．８２の入眠レイテンシ（ＳＯＬ、sleep onset latency）及び０．３６～０．３９の入眠後覚醒（ＷＡＳＯ、wake after sleep onset）に対するピアソンの相関係数を示す可能性がある。アクチグラフィは基本的な覚醒－睡眠の評価に有用であることが証明されているが、それだけでは、特にノンレム睡眠段階とレム睡眠段階の区別に関して、精度には限界がある。

対照的に、ウェアラブルデバイスのコンテキストでアクチグラフィをＡＮＳの測定と組み合わせると、ＰＳＧと比較した睡眠の質の推定の精度は、睡眠覚醒評価の点で消費者向けＥＥＧデバイスと同等である。睡眠の質のフィールド評価は、小型化されたセンサ技術と優れた数学的モデリングによって改善されており、特に、機械学習アプローチを使用した４クラスの睡眠段階分類のために加速度計とＡＮＳデータを組み合わせた多次元センサストリームに基づくときに改善されている。特に、アクチグラフィのみに対するコーエンのカッパ係数は０．５と報告されているが、ＡＮＳの特徴を含めると、カッパ係数＝０．６まで結果が改善された。

いくつかの従来のウェアラブルデバイスは、睡眠検出及び睡眠段階分類のコンテキストでいくつかの欠点を経験している。第１に、限られた量の睡眠データが、ウェアラブルデバイスを使用してローカル設定で収集されて分析されており、精度の信頼性及び一般化可能性が制限されている。第２に、異なるセンサデータ及び概日睡眠モデルが、グローバルに分布されるデータにおける睡眠の質の評価にどのように寄与するかに関する情報は限られている。第３に、睡眠の質の評価のためにウェアラブルデバイスで利用可能なＡＮＳ媒介末梢信号の利点は、多くの理由から明確に定量化されていない。これには、手首又は腕から発生する可能性があるエラー歪みを受ける低品質ソースからのＡＮＳの測定が含まれる。第４に、加速度計、ＡＮＳ、体温及び概日リズムに由来する特徴がすべて、睡眠中に生じる異なる生理学的変化を識別することは、公表された文献から明らかであるが、これらの特徴の相対的影響の包括的かつ系統的な解析は、個人の大きなセットに対して報告されていない。第５に、最も複雑なオフライン機械学習アプローチのいくつかが、実際のウェアラブルソリューションにどの程度適合するのか、これらの異なるアプローチが組み合わせたときにどのように機能するのか、そして最終的に、異なる睡眠検査室から収集されたグローバルデータにおいてどの程度一般化するのかは不明である。最後に、異なる研究から得られた睡眠段階分けの結果は、残念ながら、研究集団、睡眠段階分け、データの質及びデータ処理技術の違いにより、直接比較することはできない。

さらに、自動睡眠段階分類は、歴史的に困難な問題であり、参照データは典型的に準最適ではない。これは、部分的に、睡眠段階分類のために最終的に使用される参照データを決定するために人間の注釈者によって使用される、睡眠段階分けルールの主観的な人間の適用及び解釈の要件に起因する。加えて、いくつかの従来のウェアラブルデバイスは、しばしばソフトウェア更新、ブラックボックスの性質及び独立した検証の欠如に関連する、更なる問題に悩まされる。さらに、いくつかの従来のウェアラブルデバイスは、睡眠段階分類の精度が限られていることが分かっており、４つの睡眠段階のうちの１つ又は２つしか正確に検出することができない傾向がある（例えば２段階分類）。

したがって、システム２００は、自動睡眠段階分けのための技術をサポートし得る。特に、システム２００の構成要素は、ユーザが眠っている時間の期間を決定し、ユーザが眠っていた時間の期間を１つ以上の睡眠段階に自動的に分類するように構成され得る。睡眠段階は、覚醒睡眠段階、浅い睡眠段階、レム睡眠段階、深い睡眠段階等を含み得る。この点に関して、システムは、ウェアラブルデバイスから収集されたデータを利用して、ユーザが覚醒していたか、あるいは浅い眠り、レム睡眠又は深い眠りに入っていた時間を決定し得る。分類された睡眠時間は、ユーザデバイス１０６のＧＵＩ２７５を介してユーザに表示され得る。ユーザの睡眠段階及び睡眠パターンのより包括的な評価をユーザに提供することによって、本明細書に記載される技術は、ユーザが睡眠パターンを効果的に調整して、ユーザの睡眠の質及び全体的な健康を改善することを可能にし得る。

例えばリング１０４は、ある時間間隔にわたってユーザから生理学的データを収集するように構成され得る。特に、本明細書で前述したように、リング１０４は、ユーザの指の中の動脈血流に基づいて、ユーザから生理学的データを収集し得る。特に、リング１０４は、ユーザの指の手のひら側で光を放出して、ユーザの指の中の動脈血流に基づいて生理学的データを収集し得る１つ以上のＬＥＤ（例えば赤色ＬＥＤ、緑色ＬＥＤ、ＩＲ ＬＥＤ又はダイオード等）を利用してもよい。いくつかの実装では、リング１０４は、緑色ＬＥＤと赤色ＬＥＤの両方の組合せを使用して生理学的データを取得してもよい。生理学的データは、これらに限定されないが、体温データ、加速度計データ（例えば動き／運動データ）、心拍数データ、ＨＲＶデータ、血中酸素濃度データ、又はそれらの任意の組合せを含む、当該技術分野で公知の任意の生理学的データを含み得る。

複数のタイプの光源（例えば緑色ＬＥＤ、赤色ＬＥＤ、ＩＲダイオード）、緑色と赤色ＬＥＤの両方の使用は、他のソリューションに対していくつかの利点を提供し得る。例えば赤色及び緑色ＬＥＤは、異なる条件下（例えば明るい／暗い、活性／不活性）で、身体の異なる部分を介して生理学的データを取得するときなど、それらの独自の利点を有することが分かっている。例えば緑色ＬＥＤは、運動中により優れた性能を示すことが分かっている。さらに、リング１０４の周囲に分散された複数のＬＥＤ（例えば緑色ＬＥＤ及び赤色ＬＥＤ）を使用することは、時計ウェアラブルデバイス内など、互いに近くに配置されるＬＥＤを利用するウェアラブルデバイスと比較して、優れた性能を示すことが分かっている。さらに、指の血管（例えば動脈、毛細血管）は、手首の血管と比較して、ＬＥＤを介してよりアクセスしやすい。特に、手首の動脈は手首の底部（例えば手首の手のひら側）に位置しており、これは、ウェアラブル時計デバイス及び同様のデバイスが典型的に装着される手首の上部（例えば手首の手の甲側）では毛細血管のみがアクセス可能であることを意味する。このように、リング１０４内でＬＥＤ及び他のセンサを利用することは、リング１０４が（毛細血管と比較して）動脈へのより大きなアクセスを有することができ、それによってより強い信号及びより価値のある生理学的データをもたらすので、手首に装着されるウェアラブルデバイスと比較して優れた性能を示すことが分かっている。

加速度計データを収集／取得するために、リング１０４のリングは、あるサンプリング周波数（例えば５０Ｈｚ又は他のサンプリング周波数）でデータを記録するように構成される三軸加速度計を含んでもよい。場合によっては、リング１０４及び／又はユーザデバイス１０６は、３～１１Ｈｚの間で５次バターワース（Butterworth）バンドパスフィルタを適用してフィルタされた値の絶対値をとった後、各個々の軸における標準記述統計を計算するように構成されてもよい。リング１０４、ユーザデバイス１０６及び／又はサーバ１１０によって取得／収集され得る加速度計データに関連付けられる特徴は、トリミングされた平均加速度計値（例えば最大及び最小端における値の１０％を除去した後の加速度計読取値のトリミングされた平均）、最大加速度計値、最小加速度計値及び各軸の四分位範囲（ＩＱＲ、interquartile range）を含み得る。場合によっては、加速度計データは、３０秒の連続ウィンドウで取得／計算されてもよい。場合によっては、リング１０４、ユーザデバイス１０６及び／又はサーバ１１０は、フィルタリングされていない加速度計データから５秒エポックで平均振幅偏差（ＭＡＤ、mean amplitude deviation）を計算し得る。ＭＡＤは、現在の５秒のエポックのベクトルの大きさからの偏差に基づく。各３０秒エポックについて、ＭＡＤのトリミングされた平均、最大及びＩＱＲ加速度計値を計算し得る。いくつかの実装では、リング１０４及び／又はユーザデバイス１０６は、５秒エポックでアーム角度の差を計算し、次いで、トリミングされた平均、最大及びＩＱＲ加速度計値を使用して、３０秒エポックで集約し得る。

いくつかの実装では、リング１０４は、ユーザから体温データを収集するように構成されたＮＴＣサーミスタ（例えば温度センサ２４０）を含み得る。温度センサ２４０は、例えば１０秒ごとにユーザの指の付け根の手のひら側から皮膚温度の読取値を収集するように構成され得る。体温データは、睡眠段階分けと一致するように、３０秒のエポックに集約され得る。リング１０４、ユーザデバイス１０６及び／又はサーバ１１０は、アーチファクト排除ステップを適用してもよく、このステップでは、妥当な生理学的範囲の外側にある体温読取値（例えば摂氏３１～４０度の外部の値又は他の何らかの範囲）がマスクされる（例えば除去される、省略される、無視される）。いくつかの実装では、リング１０４及び／又はユーザデバイス１０６は、平均（mean）（平均値の（average））体温読取値、最低体温読取値、最高体温読取値、体温読取値の標準偏差等を計算するように構成されてもよい。さらに、それぞれの体温読取値（例えば平均、最小、最大、標準偏差）は、各それぞれのエポック又は他の期間について計算され得る。

指の温度に関して、指の温度が夜間に上昇し、日中に低下するように、深部体温との明らかな逆パターンが存在する。その理由は、深部体温の低下が、四肢、特に手足の皮膚の末梢表面血管の血管拡張を通して機構的に達成されるからである。時間的に、指の温度は深部体温よりも２～３時間先行しており、これらの変化は睡眠段階に関連付けられる可能性があり、手首や上腕よりも指の温度が、特に高精度な入眠判定に最適となる。これに関連して、深部体温は２４時間のリズムに従い、ピークから最下点までの全体的な変動は１℃である。ピーク体温は夕方に発生し、体温の最低点は夜の終わりに発生する。実際、入眠は、深部体温が最も急激な低下速度にあるときに起こりやすい。その後、深部体温はノンレム睡眠中に低下し、レム睡眠中にわずかに上昇する。

いくつかの実装では、心拍数及びＨＲＶのようなＡＮＳ由来の特徴を計算するために、リング１０４、ユーザデバイス１０６及び／又はサーバ１１０は、リング１０４によって収集される生のＰＰＧを処理するように構成され得る。ＰＰＧデータは、赤外光（９００ｎｍ）を使用して１２５Ｈｚでリング１０４のＰＰＧシステム２３５を介して収集され得る。さらに、ＰＰＧシステム２３５は、夜にのみＰＰＧデータを収集するように構成されてもよい。ＨＲＶ特徴を計算するために使用される心拍ごとのデータを導出するために、リアルタイム移動平均フィルタを適用して、各心拍のタイミングを示す局所的な最大値及び最小値を特定し得る。この手順は、中央値フィルタを使用して個々の間隔を正常又は異常としてラベル付けすることによって、アーチファクトの識別を可能にする。特に、そのすぐ近くで７点の中央値間隔時間（7-point median interval duration）から１６ｂｐｍを超える偏差は、異常としてマークされ、破棄されることがある。ＰＰＧデータの間隔は、５つの連続する間隔値が正常としてラベル付けされている場合にのみ、更なる分析のために含めることができる（例えば各々の前に２つ、後に２つは許容可能な間隔である）。高品質の間隔が識別されると、時間及び周波数領域のＨＲＶ特徴が抽出され得る。例えばリング１０４、ユーザデバイス１０６及び／又はサーバ１１０は、心拍数、ｒＭＳＳＤ、ＳＤＮＮ、ｐＮＮ５０、低周波数（ＬＦ）及び高周波数（ＨＦ）帯域における周波数電力、ＬＦ及びＨＦ帯域における主周波数ピーク、総パワー（total power）、正規化パワー（normalized power）、呼吸速度（例えば呼吸数）等を抽出するように構成されてよい。これらの特定のスペクトル分割の背後にある動機は、ＨＲＶに関連する様々な生理学的メカニズムがこれらの帯域の境界内に現れるという考えである。例えば迷走神経活動は、０．１５Ｈｚと０．４Ｈｚとの間のＨＦ帯域におけるスペクトルパワーの主要な寄与因子であることが分かっている。０．０４～０．１５ＨｚのＬＦ帯域におけるスペクトルパワーの生理学的解釈はあまり確実ではなく、交感神経枝と副交感神経枝の両方からの影響に起因する所見がある。場合によっては、ゼロ交差間隔の平均及び変動係数が計算され得る。

ユーザによって収集された生理学的データの例が、図３に更に示され、説明され得る。

図３は、本開示の態様による、概日リズム調整を用いる睡眠段階分けアルゴリズムをサポートするデータ取得図３００の例を示す。特に、データ取得図３００は、加速度計データ図３０５－ａ、体温データ図３０５－ｂ、心拍数データ図３０５－ｃ及びＨＲＶデータ図３０５－ｄを含む。

図３に見られるように、時間間隔なしに収集されたそれぞれの生理学的測定値（例えば加速度計データ、体温データ、心拍数データ、ＨＲＶデータ）は、カラーコード化され、パターンコード化され、あるいはそれぞれの睡眠段階（例えば覚醒睡眠段階、浅い睡眠段階、レム睡眠段階、深い睡眠段階）に関連付けられているものとして別の方法でラベル付けされてもよい。一組の睡眠段階のうちの１つの睡眠段階への生理学的データの分類は、本明細書において更に詳細に議論される。

図２を引き続き参照すると、いくつかの態様では、リング１０４、ユーザデバイス１０６及び／又はサーバ１１０は、収集された生理学的データを正規化するように構成され得る。例えば場合によっては、リング１０４、ユーザデバイス１０６及び／又はサーバ１１０は、収集された生理学的データに対して１つ以上の正規化手順を実行するように構成され得る。

場合によっては、生理学的データ（例えば生理学的データの特徴）は、生理学的データのそれぞれのパラメータ／特徴の各々の５～９５パーセンタイルに基づいてロバストな方法を使用して、一晩当たりの基準で正規化されてもよい。正規化は、特徴（例えば夜間の心拍数又はＨＲＶ）の個人間の差を説明する可能性がある。すべてのパラメータ／特徴（例えば体温データ、加速度計データ、心拍数データ、ＨＲＶデータ）は、異なる睡眠段階を検出するための何らかの識別力を有する可能性があるが、生理学的測定は非常に個人的であり、絶対値は、関心のあるパラメータ（例えば遺伝的性質、年齢等）以外のパラメータに基づいて、個人間で大きく異なる可能性がある。したがって、本明細書で説明される睡眠段階分けアルゴリズムの性能は、特にＨＲＶ特徴について、生理学的データの特徴を正規化するときに改善され得る。特徴の正規化は、睡眠段階にわたって交感神経活動と副交感神経活動に大きな差がある可能性があり、これらの差を経時的な相対的変化として個人内で識別することができるという事実のために、睡眠段階分類についてＡＮＳ活動を使用する背後にある生理学的原理としてＨＲＶ特徴を使用するときに効果的である可能性がある。場合によっては、生理学的データの必ずしもすべての特徴／パラメータが正規化されるわけではない。例えば場合によっては、正規化されていない加速度計データは、動作の絶対規模に関する情報を提供し、夜間の短い覚醒（例えば覚醒睡眠段階の期間）を検出するのに有用であり得るので、加速度計データは正規化されないことがある。

生理学的データは、ロバストなｚスコアを使用して一晩ごとに正規化され得る。言い換えると、生理学的データ（例えば加速度計データ、体温データ、心拍数データ、ＨＲＶデータ）の特徴／パラメータは、夜間の平均からの偏差として表されてよい。ユーザ間の比較的大きな変動性（例えばＨＲＶ特徴）があるとすると、正規化は、システム２００が、ユーザ間の自然な変動性を考慮し、絶対値が典型的にほとんど役に立たない特徴を利用することを可能にするので、正規化は、本明細書に記載される睡眠段階分け分類の精度を改善し得る。さらに、各エポックにおける過去及び将来を考慮することによって睡眠段階分けの精度を高めるために、ローリング関数（rolling functions）のセットを使用して生理学的データを平滑化してもよい。これは、人間のスコア付け専門家が睡眠を典型的に段階分けする方法（例えば現在のエポックの前に何が起こったか、及びその後に何が起こるかを常に追跡することによる）を模倣している。

場合によっては、システム２００の構成要素は、生理学的データから特徴を抽出するように構成されてもよい。特徴は、利用可能なデータストリーム（例えば加速度計、ＰＰＧ及び体温）から、これらのデータストリームと睡眠段階との間の関係に基づいて、異なる長さのスライディングウィンドウを使用してオフラインで抽出され得る。例えば１分及び５分のウィンドウ長は、副交感神経活動の短期変化又は高速変化、並びに安静時心拍数に典型的に存在するような長期変化の両方を捕捉するために、ＨＲＶ分析に使用され得る。さらに、本明細書で更に詳細に議論されるように、以前の研究における睡眠段階分類を改善することが示されている、概日リズムを表すセンサ独立の特徴も識別されてよい。

いくつかの実装では、システム２００は、収集された生理学的データに基づいて、ユーザの１つ以上のスコア（例えば睡眠スコア、準備スコア）を計算し得る。スコアの計算は、正規化された生理学的データに基づいてよい。いくつかの態様では、１つ以上のスコアは、ユーザデバイス１０６のＧＵＩ２７５を介してユーザに表示されてもよい。場合によっては、スコア（例えば睡眠スコア、準備スコア）がユーザに提示されるレイテンシを低減するために、スコアは、サーバ１１０によってではなく、ユーザデバイス１０６において計算され得る。ユーザデバイス１０６においてスコアを計算することは、スコアの生成及び提示を促進することができ、そうすることは、生理学的データをサーバ１１０に送信すること及びサーバ１１０からスコアを受信することに関連付けられる潜在的なネットワーク遅延を防止し得る。

ユーザデバイス１０６は、スコア（例えば睡眠スコア、準備スコア）及び／又はリング１０４を介して収集された生理学的データを表示するように構成され得る。場合によっては、サーバ１１０は、ユーザデバイス１０６に、収集された生理学的データ及び／又はシステム２００によって決定／識別された他のデータの少なくともサブセットをユーザに対して表示させ得る。例えばユーザデバイス１０６は、リング１０４によって収集された生の生理学的データ及び／又は前処理された生理学的データを、ＧＵＩ２７５を介して表示し得る。

いくつかの態様では、システム２００のそれぞれの構成要素は、生理学的データを機械学習分類器に入力するように構成され得る。機械学習分類器は、これらに限定されないが、ランダムフォレスト分類器、ナイーブベイズ分類器、深層学習分類器、人工ニューラルネットワーク等を含む、当該技術分野で公知の任意の機械学習分類器又はアルゴリズムを含んでよい。さらに、場合によっては、構成要素は、正規化された生理学的データを機械学習分類器に入力してもよい。いくつかの態様では、機械学習モデルのトレーニング及びテストが、ＤＡＲＴブースティングと５００の推定器を用いる光勾配ブースティングマシン（ＬｉｇｈｔＧＢＭ、Light Gradient BoostingMachine）分類器を使用して実行されてもよい。ＬｉｇｈｔＧＢＭは典型的に、高い精度と、高速なトレーニングと、低いメモリ使用を提供し、データ品質が低すぎて特徴を計算できないときに欠損値を処理する能力を有する。

機械学習分類器は、リング１０４、ユーザデバイス１０６、サーバ１１０又はこれらの任意の組合せによってトレーニング及び／又は実装されてもよい。例えばユーザデバイス１０６は、リング１０４から生理学的データを受信するように構成されてもよく、生理学的データを分類のためにサーバ１１０に送信してもよく、ここで、サーバ１１０は、生理学的データを機械学習分類器に入力するように構成される。システム２００は、ユーザに提示されるデータのレイテンシを低減し、処理リソースを節約する等のために、システム２００の異なる構成要素において、本明細書に記載されるそれぞれの処理手順を実行するように構成され得る。例えばより時間に敏感な処理手順（例えばより低いレイテンシ要件）及び／又はより計算コストの低い処理手順（例えば睡眠／準備スコアの計算）は、ユーザデバイス１０６を介して実行されてよく、一方、より時間に敏感でない処理手順及び／又はより計算コストの高い処理手順（例えば睡眠段階分類）は、サーバ１１０を介して実行されてもよい。

その後、システム２００（例えばリング１０４、ユーザデバイス１０６及び／又はサーバ１１０）は、機械学習分類器を使用して生理学的データを分類するように構成され得る。特に、システム２００は、生理学的データ（睡眠データ）が収集された時間間隔の少なくとも一部について、生理学的データを一組の睡眠段階（例えば覚醒睡眠段階、浅い睡眠段階、レム睡眠段階、深い睡眠段階）のうちの少なくとも１つの睡眠段階に分類するように構成され得る。すなわち、システム２００は、ユーザの睡眠間隔（sleep intervals）（ユーザが眠っていた時間の期間）を識別するように構成されてよく、各それぞれの睡眠間隔を、覚醒睡眠段階、浅い睡眠段階、レム睡眠段階又は深い睡眠段階のうちの１つに分類してもよい。この点に関して、システム２００は、ユーザについて、浅い睡眠、レム睡眠及び深い睡眠の期間を分類するように構成されてもよい。

いくつかの実装では、ユーザデバイス１０６は、対応する睡眠段階で分類された睡眠間隔を表示し得る。すなわち、ユーザデバイス１０６は、ＧＵＩ２７５を介して、各それぞれの睡眠間隔に対応する睡眠間隔及び分類された睡眠段階を表示してよい。これは、図４を参照して更に示され、説明され得る。

図４は、本開示の態様による、概日リズム調整を用いる睡眠段階分けアルゴリズムをサポートするＧＵＩ４００の一例を示す。ＧＵＩ４００は、図２に示されるユーザデバイス１０６のＧＵＩ２７５を介して表示され得るいくつかのアプリケーションページ４０５を示す。

図４に示すように、アプリケーションページ４０５－ａは、ユーザの睡眠データを示してよい。アプリケーションページ４０５－ａは、ユーザの総睡眠時間、ユーザがベッドで過ごすか又は横になっている総時間等を表示してもよい。さらに、アプリケーションページ４０５－ａは、ユーザについての１つ以上の睡眠間隔を表示してよく、ここで、各それぞれの睡眠間隔は、各それぞれの睡眠間隔に対応する分類された睡眠段階でタグ付けされ、マークされ又は他の方法でラベル付けされる。例えば図４に示されるように、アプリケーションページ４０５－ａは、ユーザが合計７時間２９分眠ったことを示す。この７時間２９分の時間間隔は、一組の睡眠間隔として表示され、ここで、各睡眠間隔は、それぞれの睡眠間隔の対応する睡眠段階を示す。この例では、覚醒（awake）睡眠段階に関連付けられる睡眠間隔が１番上の行に示され、レム（REM）睡眠段階に関連付けられる睡眠間隔が２番目の行に示されている。さらに、浅い（light）睡眠段階に関連付けられる睡眠間隔が３番目の行に示され、深い（deep）睡眠段階に関連付けられる睡眠間隔が４番目（下の）行に示される。場合によっては、それぞれの睡眠間隔は、異なる色、陰影、パターン、ラベル等を介して異なる睡眠段階に対応するものとして示されてもよい。アプリケーションページ４０５－ａは、各それぞれの睡眠段階の総時間期間、時間間隔を通した運動の期間又はその両方を表示してもよい。

アプリケーションページ４０５－ｂは、ユーザの睡眠に関連付けられる追加データを表示してよい。例えばアプリケーションページ４０５－ｂは、睡眠日についてのユーザの計算された全体の睡眠スコア、全体の睡眠スコアを計算するために使用された個々の寄与因子（contributors）等を表示し得る。アプリケーションページ４０５－ｂは、リング１０４によって収集された生理学的データの少なくともサブセット（例えば平均安静時心拍数、平均ＨＲＶ、平均体温等）を表示するように構成されてもよい。

図５は、本開示の態様による、概日リズム調整を用いる睡眠段階分けアルゴリズムをサポートするＧＵＩ５００の一例を示す。ＧＵＩ５００は、図２に示されるユーザデバイス１０６のＧＵＩ２７５を介して表示され得るいくつかのアプリケーションページ５０５を示す。

アプリケーションページ５０５－ａ及び５０５－ｂは、収集された生理学的データに関連付けられる他の特徴／パラメータを示してよい。例えばアプリケーションページ５０５－ａは、ユーザの最低（lowest）及び／又は平均（average）心拍数、並びにユーザの心拍数の時間関数としての変化を示すグラフを示してよい。同様に、アプリケーションページ５０５－ｂは、ユーザの最低及び／又は平均ＨＲＶ、並びにユーザのＨＲＶの時間の関数としての変化を示すグラフを示してよい。

いくつかの実装では、機械学習分類器を使用して、入力された生理学的データに関連付けられる１つ以上の特徴を識別し得る。特に、機械学習分類器は、生理学的データを受信し、生理学的データに関連付けられる１つ以上の特徴を識別し、識別された特徴に基づいて、生理学的データを対応する睡眠段階に分類するように構成され得る。生理学的データの特徴は、生理学的データの変化率（例えば体温読取値の変化率、ＨＲＶ読取値の変化率）、生理学的データの２つ以上のパラメータ間のパターン（例えばＨＲＶの減少に伴う体温の上昇）、生理学的データの最大データ値、生理学的データの最小データ値、生理学的データの平均データ値、生理学的データの中央値データ値、生理学的データのデータ値とユーザのベースラインデータ値との比較、又はそれらの任意の組合せを含む、当技術分野で知られている任意の特徴を含み得る。さらに、ユーザデバイス１０６は、ＧＵＩ２７４上に１つ以上の特徴を表示する（例えば識別された特徴をアプリケーションページ４０５－ａ、４０５－ｂ、５０５－ａ、５０５－ｂ又はそれらの任意の組合せ上に表示する）ように構成されてもよい。

いくつかの実施形態では、システム２００は、収集された生理学的データ、分類された睡眠段階、計算された睡眠／準備スコア又はそれらの任意の組合せに基づいて、ユーザに対する１つ以上の推奨事項を生成するように構成されてもよい。例えばいくつかの場合において、システムは、生理学的データをそれぞれの睡眠段階に分類することに基づいて、ユーザに関連付けられた就寝時間及び／又は起床時間を識別し得る。この点に関して、システム２００は、改善された睡眠の質又は全体的な健康をもたらし得る、ユーザのための推奨就寝時間及び／又は起床時間を計算し得る。生成された推奨事項（例えば就寝時間、起床時間）は、ユーザデバイス１０６のＧＵＩ２７５を介してユーザに表示されてもよい。いくつかの態様では、就寝時間の決定は、潜在的就寝時間の４時間前、就寝時間への３時間、及び潜在的起床時間の４時間後に広がる時間ウィンドウにわたる運動及び皮膚温度を評価することによって実施されてよい。運動の欠如及び高い皮膚温度は、ベッドにいる可能性が高いことと関連している可能性がある。

いくつかの実装では、システム２００は、ユーザから受信した入力に基づいて機械学習分類器をトレーニングし得る。例えばアプリケーションページ４０５－ａを参照すると、ユーザは、アプリケーションページ４０５－ａ上に表示される就寝時間及び／又は起床時間を（ＧＵＩ２７５を介して）選択的に調整することが可能である。例えばアプリケーションページ４０５－ａに示されるように、午前５：２８ではなく午前５：４５に起きたことをユーザが知っている場合、ユーザは、それに応じて（例えばユーザ入力として）アプリケーションページ４０５－ａ上で起床時間を調整することが可能である。そのような場合、ユーザ入力（例えば起床時間の調整）は、機械学習分類器に入力されて、将来の使用のために機械学習分類器を更にトレーニングし得る。

いくつかの態様では、システム２００は、各それぞれのユーザから収集された生理学的データを用いて機械学習分類器をトレーニングするように構成され得る。この点に関して、システム２００は、各それぞれのユーザに対して個別化された機械学習モデルをトレーニングする（例えば調整する）ように構成され得る。例えば本明細書で以前に説明したように、システム２００は、睡眠の最初の夜（Ｎｉｇｈｔ１）の間にユーザから生理学的データを収集してよく、機械学習分類器を使用して、収集されたデータをそれぞれの睡眠段階に分類し得る。その後、睡眠の２日目の夜（Ｎｉｇｈｔ２）の間に、リング１０４は、ユーザから追加の生理学的データを収集してよく、Ｎｉｇｈｔ２の間に収集された追加の生理学的データを機械学習分類器に入力し得る。この例では、機械学習分類器は、Ｎｉｇｈｔ１からの生理学的データとＮｉｇｈｔ２からの追加の生理学的データの両方に基づいて、Ｎｉｇｈｔ２からの追加の生理学的データをそれぞれの睡眠段階に分類し得る。このプロセスは、ｎ日の夜にわたって繰り返されてよく、機械学習分類器を更にトレーニングすることにより、睡眠段階分けの精度を漸進的に改善し得る。この点に関して、システム２００は、機械学習分類器が経時的にユーザの睡眠段階を分類する際により効率的かつ信頼性が高くなるように、ユーザから収集されたデータに基づいて機械学習分類器を継続的にトレーニングし得る。

機械学習分類器は、睡眠段階を分類するために、受信した生理学的データの１つ以上のパラメータ及び／又は特徴を使用するように構成されてもよい。例えば機械学習分類器は、加速度計データ（ＡＣＣモデル）のみを利用してもよい。他の場合には、機械学習分類器は、加速度計データと体温データ（ＡＣＣ＋Ｔモデル）を利用してもよい。他の場合には、機械学習分類器は、加速度計データと、体温データと、ＨＲＶデータ（ＡＣＣ＋Ｔ＋ＨＲＶデータ）を利用してもよい。加えて又は代替的に、これらに限定されないが、血中酸素濃度（例えばＳｐＯ２）、パルス波形、呼吸数、パルスオキシメトリ、血圧等を含む生理学的パラメータ／測定値も、機械学習分類器によって睡眠段階分類のために使用されてもよい。

２段階分類（例えば睡眠段階と覚醒睡眠段階への分類）では、加速度計ベースのモデル（例えばＡＣＣモデル）は９４％の精度（ｆｌ－スコア＝０．６７）を示し、体温を含む場合（例えばＡＣＣ＋Ｔモデル）、９５％の精度（ｆｌ－スコア＝０．６９）となった。さらに、ＨＲＶデータを含めると（例えばＡＣＣ＋Ｔ＋ＨＲＶモデル）、９６％の精度（ｆｌ－スコア＝０．７６）が得られ、概日特徴を含めると９６％の精度（ｆｌ－スコア＝０．７８）が得られる。４段階の分類（例えば覚醒、浅い睡眠、レム睡眠及び深い睡眠への分類）では、加速度計ベースのモデル（例えばＡＣＣモデル）は５７％の精度（ｆｌ－スコア＝０．６８）を示し、体温を含む場合（例えばＡＣＣ＋Ｔモデル）、６０％の精度（ｆｌ－スコア＝０．６９）となった。さらに、ＨＲＶデータを含めると（例ＡＣＣ＋Ｔ＋ＨＲＶモデル）、７６％の精度（ｆｌ－スコア＝０．７３）が得られ、概日特徴を含めると（例えばＡＣＣ＋Ｔ＋ＨＲＶ＋Ｃモデル）、７８％の精度（ｆｌ－スコア＝０．７８）が得られる。

この点に関して、いくつかの実装では、システム２００は、概日特徴を更に利用して、生理学的データを分類してもよい。概日リズムの数学的モデリングは、夜間の睡眠段階の頻度の差を説明するために使用される可能性がある。「概日リズム」という用語は、約２４時間ごとに繰り返す、個人の睡眠－覚醒サイクルを調節する自然な内部プロセスを指してよい。例えば人間の自然な概日リズムによると、人間は一般に、夜の始めに向かって比較的高い頻度の深い睡眠を経験し、夜の後半に向かって比較的高い頻度のレム睡眠を経験することがある。

このように、夜間に経過する時間、日中の時間、及び個々の概日リズムに関する時間を用いて特徴を定式化することにより、夜間の第１の部分における比較的高い頻度の深い睡眠と夜間の第２の部分における比較的高い頻度のレム睡眠をよりよく説明することができ、改善された睡眠段階分類の精度につながる。例えば２段階分類のコンテキストでは、概日特徴を含めること（例えばＡＣＣ＋Ｔ＋ＨＲＶ＋Ｃモデル）により９６％の精度が得られた（ｆｌ－スコア＝０．７８）。さらに、４段階分類では、概日特徴を含めることにより、７８％の精度も得られた（ｆｌ－スコア＝０．７８）。

したがって、いくつかの実装は、システム２００は、概日リズム調整モデルを機械学習分類器に入力するように構成されてもよく、ここで、機械学習分類器は、概日リズム調整モデルに基づいて（例えばこれを使用して）、生理学的データを、対応する睡眠段階に分類するように構成される。

概日リズム調整モデルは、ユーザに関連付けられる概日リズムに基づいて生理学的データを重み付けするように構成されてもよい。特に、概日リズム調整モデルは、１つの睡眠段階又は別の睡眠段階に向けて、所与の時間間隔に関連付けられる確率メトリックを選択的に「重み付け」するために使用され得る。言い換えると、概日リズム調整モデルは、睡眠の生理学的データ及び／又は時間間隔が所与の睡眠段階と関連付けられる可能性がより高いかどうかを重み付けするか又は影響を与えるために使用され得る。

例えば本明細書に以前に記載したように、ユーザは、夜の始めに向かって比較的高い頻度の深い睡眠を経験することがあり、夜の後半部分に向かって比較的高い頻度のレム睡眠を経験することがある。この点に関して、概日リズム調整モデルは、深い睡眠段階に向かう夜の始めの期間の確率メトリックを「重み付け」してよく、レム睡眠段階に向かう夜の後半部分の時間期間の確率メトリックを「重み付け」してよい。言い換えると、概日リズム調整モデルは、夜の始めに向かう時間期間が深い睡眠段階に対応するものとして分類される可能性を増加させ、夜の終わりに向かう時間期間がレム睡眠段階に対応するものとして分類される可能性を増加させる。実際には、より低い安静時心拍数とより低い呼吸数変動性（一貫した呼吸のリズム）は深い睡眠に関連付けられる。概日リズムがモデルの一部として使用される場合、安静時心拍数は、ユーザの通常の就寝時間の直後、又は睡眠圧が依然として高い睡眠期間の開始時により高くなる可能性があり、依然として睡眠中の後の時点よりも深い睡眠のより高い確率（深い睡眠の選択に積極的に寄与する）を示す可能性がある。同様に、朝の時間には、深い睡眠の指示として非常に一貫した呼吸リズムが必要とされることがあり、そうでなければ、モデルは浅い睡眠又はレム睡眠を示すことになる。以下では、（１）概日リズム、（２）一般的な睡眠圧に関する時間、及び（３）累積された睡眠時間（３）に関して、時間の別々の役割について説明する。

いくつかの実装では、アルゴリズム及び他の機械学習分類器は、人間の一般的な昼夜リズム（night-day-rhythm of human beings）（例えば概日リズム）に応じて、それら自体を調整し得る。場合によっては、個々のユーザの一般的な概日フェーズに従って動作するように調整をプログラムすることができる。例えば調整は、現地時間に基づかずに、人間が通常就寝及び／又は起床する１日の時間、及び／又は人間が通常身体活動及び光に曝される１日の時間に関連して、あるいは約２４時間サイクルで生じる体温又はホルモン又は血糖の変動に従って、プログラムされ得る。

いくつかの実装では、一般化された概日リズム調整モデルが各ユーザに使用され得る。言い換えると、複数のユーザからのデータを使用して、複数のユーザの睡眠段階を分類するために使用され得る一般化された概日リズム調整モデルを生成し得る。他の場合には、概日リズム調整モデルは、各それぞれのユーザに対してカスタマイズされるか又は調整され得る。特に、各それぞれのユーザからの生理学的データを使用して、それぞれのユーザに対して使用されるカスタマイズされた概日リズム調整モデルを生成し得る。

例えば場合によって、システム２００（例えばリング１０４、ユーザデバイス１０６、サーバ１１０）は、ベースライン概日リズム調整モデル（例えば一般化された概日リズム調整モデル）を受信するか、又はそうでなければ識別し得る。この例では、システム２００は、ユーザから生理学的データを収集してよく、それぞれのユーザの睡眠段階分類に使用される、調整又はカスタマイズされた概日リズム調整モデルを生成するために、収集された生理学的データに基づいてベースライン概日リズム調整モデルを選択的に修正し得る。言い換えると、システム２００は、ユーザによって収集された生理学的データを利用して、ユーザのために概日リズム調整モデルを更に修正して洗練し得る。

異なる睡眠段階の確率は、２４時間サイクル全体の間に変化するので、それぞれの睡眠段階の確率を変化させることは、アルゴリズムに対して予めプログラムされ得る。さらに、概日リズムのフェーズは、機械学習分類器のトレーニング／開発における入力として使用されてよい。このように、機械学習分類器／アルゴリズムは、概日リズムのフェーズに応じて、異なる生理学的信号が睡眠段階にどのように異なるように応答するかを学習し得る。例えば呼吸数の変化は一般にレム睡眠を示す。この点に関して、レム睡眠を示す呼吸数の変動量は、概日フェーズに従って変化するようにプログラムされ得る。上記の原理は、睡眠段階の推定に使用されるすべての生理学的特徴に適用されることができる。ここで、ユーザが早寝型（朝型クロノタイプとも呼ばれる）であるが、時折通常よりも遅く就寝する場合、遅い就寝時間のケースでは、アルゴリズムは、通常の就寝時間の場合よりも（睡眠の開始に相対して）早めのレム睡眠を優先させることができる。実際には、これは、（人間の正常な睡眠パターンの一部である）約９０分の睡眠サイクルの１回目と２回目の終わりに既により早い又はより長いレム睡眠エピソードがあると考えられる。

睡眠は、多くの内的及び外的要因によって調節される動的プロセスである。睡眠の伝統的な２プロセスモデルによると、睡眠に入る時間と起きる時間、及び睡眠の全体的な構造と深さを決定する２つの主要な構成要素、すなわち（１）概日リズムと、（２）恒常性睡眠駆動（homeostatic sleep drive）がある。概日リズムは夜間の睡眠と日中の覚醒を促進する。この波のようなリズムは、内部に約２４時間の周期を有し、日光のような外部のタイミングキューによって同期される。恒常性睡眠駆動とは、睡眠圧が覚醒中に脳内でどのように直線的に増加し、睡眠中、特に深いノンレム睡眠中に指数関数的に減少するかを指す。

したがって、概日リズムと恒常性睡眠駆動の両方を捕捉するために、概日リズム調整モデルは、（１）概日駆動（circadian drive）構成要素、（２）恒常性睡眠圧（homeostatic sleep pressure）構成要素、及び（３）経過した睡眠時間（elapsed sleep duration）構成要素という複数の構成要素を含み得る。概日リズム調整モデルのこれらの構成要素は、図６を参照して更に示され、説明され得る。

図６は、本開示の態様による、概日調整リズムによる睡眠段階分けアルゴリズムをサポートする概日リズム調整モデル６００の一例を示す。図６に示される概日リズム調整モデル６００は、概日駆動構成要素６０５－ａ、恒常性睡眠圧構成要素６０５－ｂ及び経過睡眠時間構成要素６０５－ｃを含み得る。

一般に、図６に示されるグラフ全体にわたる時間「０」は、ユーザについて予測又は計算された就寝時間（例えば就寝する時間）又は各ユーザの最も一般的な就寝時間を示す。例えば就寝時間（例えばＴｉｍｅ＝０）は、過去２週間にユーザについて収集された生理学的データ及び３時間を超えて続いた睡眠期間に基づいて決定されてよく、好ましくは、直前の夜により多くの重みを与える（最近の数日間の潜在的な概日リズム調整を説明するために）。したがって、それぞれの構成要素（例えば概日駆動構成要素６０５－ａ、恒常性睡眠圧構成要素６０５－ｂ及び経過睡眠時間構成要素６０５－ｃ）の開始時間は、より多くの生理学的データが収集されるにつれて、経時的に調整され得る。

ここで、構成要素６０５のモデリングは、ユーザが、最も典型的な就寝時間（例えば就寝する時間）にベッドに行くという仮定に基づいてよいが、これは常にそうであるとは限らないことに留意されたい。実際の生活では、就寝時間は、平日／週末の日、勤務シフト、旅行／時間帯のシフト、社会的理由、日中の昼寝及び他の要因に応じて変化する可能性がある。したがって、構成要素６０５は、実世界の変動性を考慮して調整されてもよい。

図６に示されるように、概日駆動構成要素６０５－ａは、正弦関数（例えば余弦関数）として表されてよい。この点に関して、概日駆動構成要素６０５－ａの余弦関数は、ユーザの予想就寝時間に開始してよく、システムによって生理学的データに基づいて決定されてよい。特に、ユーザの就寝時間は、低い運動及び／又は高い皮膚温度に基づいて自動的に検出されてもよい。低い運動は、例えば２～４時間の時間ウィンドウにおける１分間の期間の５０～７０％未満が、加速度において所定の限界（例えば５０～１００ｍｇ）を超える運動を有することを意味し得る。高い皮膚温度は、例えば皮膚温度が約３４～３５℃の所定の限界を超えることを意味する可能性がある。当然ながら、これらの特徴を組み合わせることができるので、例えばより多くの運動は、より暖かい皮膚温度の場合に安静な１分間をマークすることを可能にし得る。

概日駆動構成要素６０５－ａに関して継続すると、ユーザが５００分より長くベッドにいる場合があり得る。このような場合、概日駆動構成要素６０５－ａの余弦関数は、負側に続く（同じ余弦関数）か又はゼロであり得る。より一般的には、余弦関数の波長（概日駆動構成要素６０５－ａのグラフでは１０００分）は、ユーザが典型的に、非常に短い又は非常に長い時間期間の間、睡眠をとる場合に調整されることができる。いくつかの場合において、概日駆動構成要素６０５－ａは、１０００＊典型的な睡眠時間（分）／８８０によって調整されてもよく、ここで、典型的な睡眠時間は、中央値の睡眠時間、又はそれぞれのユーザについての一晩の睡眠を表すいくつかのより高いパーセンタイル（７５パーセンタイル等）とすることができる。

加えて又は代替的に、ユーザデバイス１０６及び／又はサーバ１１０は、ユーザの取得した生理学的データに基づいて、ユーザのために概日駆動構成要素６０５－ａを生成／モデル化し得る。例えばユーザが朝起きて、ユーザデバイス１０６上のリングアプリケーション２５０にログインするとき、ユーザデバイス１０６及び／又はサーバ１１０は、夜間及び前日（同じ睡眠日内）の期間を通してリング１０４から取得された生理学的データを使用して、概日駆動構成要素６０５－ａを生成／モデル化し得る。この例では、それぞれの夜／睡眠日について生成された概日駆動構成要素６０５－ａは、その後の夜／睡眠日について他の概日駆動構成要素６０５－ａを生成／モデル化するために使用され得る。

比較すると、恒常性睡眠圧構成要素６０５－ｂは、夜間にわたる恒常性睡眠圧の減衰を示すことがあり、指数関数的減衰関数として表されることがある。恒常性睡眠圧構成要素６０５－ｂは、ユーザが典型的に夜の始めに最も多くの睡眠圧を示し、ここで、睡眠圧は、睡眠の最初の数時間の間に最も急速に減衰し、一般に深いノンレム睡眠が豊富である。

いくつかの実装では、恒常性睡眠圧構成要素６０５－ｂの指数関数的減衰関数は、ユーザがどれだけ長く起きていたか、又はユーザが睡眠負債（例えばユーザが提案又は要求された睡眠よりも少ない睡眠を経験した数日間にわたる期間）を蓄積したかどうかに基づいて調整され得る。この調整を行う１つの簡単な方法は、ユーザが１６時間より長く起きていた場合にはより高い値で、ユーザが１６時間より短く起きていた場合にはより低い値で指数関数的減衰関数を開始することを含み得る。例えば恒常性睡眠圧構成要素６０５－ｂの指数関数的減衰関数は、１．０＊覚醒時間／１６から開始し得る。また、ユーザが睡眠負債を蓄積している場合、指数関数的減衰関数は、より高く開始する可能性がある。指数関数的減衰関数の長さ（指数関数的減衰関数がゼロに達する時間）は、５００＊典型的な睡眠時間（分）／４４０に基づいて調整される可能性があり、ここで、典型的な睡眠時間は、中央値の睡眠時間、又は特定のユーザの一晩の睡眠を表すより高いパーセンタイル（７５パーセンタイル等）とすることができる。追加又は代替的に、システム２００は、恒常性睡眠圧構成要素６０５－ｂの指数関数的減衰の勾配又はレベルを調整してもよい。

したがって、場合によっては、システム２００は、ユーザの直近の睡眠期間から時間期間（time duration）を識別してよく、その時間期間を機械学習分類器に入力してよく、ここで、機械学習分類器は、時間期間に基づいて生理学的データを対応する睡眠段階に分類するように構成される。このような場合、最後の睡眠期間からの時間期間は、ユーザが経験している睡眠圧の量を示してよく、概日リズム調整モデルの恒常性睡眠圧構成要素６０５－ｂを調整するために使用され得る。

最後に、経過睡眠時間構成要素６０５－ｃは、夜の始まりからの経過した時間を表し、０から１の範囲の線形関数として表されてよい。経過睡眠時間構成要素６０５－ｃは、典型的な夜間の睡眠にわたる睡眠段階の周知の非対称性（例えば夜の早い時間でのより深いノンレム睡眠と、夜の後半部分における多くのレム睡眠）を考慮し得る。この非対称性はまた、指数関数的減衰関数によってカバーされる。しかしながら、人間の睡眠は、９０分の睡眠サイクルや以前に起こったことへの一般的な依存性等のような、直線的に繰り返すパターンを有するので、経過した時間は付加的な価値を与える（例えば１時間の睡眠後でも例外的に高い睡眠圧を有する可能性があるが、睡眠サイクルは依然としてユーザがどれだけ長く眠っていたかに基づいて調節される）。そのため、場合によっては、両方の要因は、人間の睡眠を最もよく特徴付けるために使用され得る。

続いて、経過睡眠時間構成要素６０５－ｃ（ベッドでの累積時間／これまでの累積睡眠）の参照を続けると、時間＝０は、正常な睡眠パターンの場合、ユーザの典型的な（例えば予想される）ベッド時間に留まることがある。しかしながら、ユーザが長い睡眠期間の後に短時間だけ覚醒している場合、経過睡眠時間構成要素６０５－ｃは、より大きな（例えばゼロでない）値で開始することができる。この原理を適用する１つの方法は、ベッドから１分離れるごとに開始時間（ベッドで蓄積される予想時間）が１分ずつ減少するというものである。実際には、ベッドで過ごす通常の８時間の後、次の睡眠期間が評価されるとき、経過睡眠時間構成要素６０５－ｃは、ベッドから約８時間離れた後（例えばユーザが午前７時に起きると仮定して午後３時）にゼロから開始してよい。

生理学的には、すべての睡眠段階は、典型的な呼吸、ＡＮＳ及び身体運動パターンに関して互いに異なる。これらの行動の違いと睡眠フェーズに対する生理学的反応、及び中枢神経系とＡＮＳの結合は、ウェアラブル睡眠評価の理論的フレームワークを提供する。リング１０４からのそのようなデータストリーム（例えば生理学的データ）を、夜間の睡眠段階分布の差をよりよく説明するように設計されたセンサ独立の概日特徴（例えば概日リズム調整モデル）、並びに特徴の正規化及び機械学習技術と組み合わせると、２段階及び４段階の睡眠段階分類の精度は、ＥＥＧベースのシステムについてのみ以前に報告された結果に近づくことが分かっている。

エポックごとに性能を見ると、生理学的データの異なるデータストリームがモデル性能にどのように寄与するかが理解され得る。特に、運動だけではより複雑な脳と睡眠段階との間を区別することができないので、加速度計のみのモデル（ＡＣＣモデル）は、覚醒時の睡眠段階を検出する可能性がある。指の温度を追加すると（ＡＣＣ＋Ｔモデル）、異なる睡眠段階の検出／分類においてわずかな性能の改善が得られる可能性がある。ＨＲＶデータは睡眠中に生じる脳波の変化とより密に結合しているので、ＨＲＶの特徴を含めると（ＡＣＣ＋Ｔ＋ＨＲＶモデル）、４段階分類の性能の最大の改善が得られた。ＨＲＶの特徴を追加することにより、４段階分類のコンテキストにおける精度が６０％～７６％の精度の改善が提供される。特に、センサ独立の概日特徴を追加すること（ＡＣＣ＋Ｔ＋ＨＲＶ＋Ｃモデル）を追加することは、睡眠段階、特に深いノンレム睡眠及びレム睡眠の検出における追加の改善につながることが分かっている。

システム２００のハードウェア及びソフトウェア開発は、７４％～９８％の精度の範囲で、すべての睡眠段階にわたって睡眠段階分類に対して高い感度を示すことが分かっている。実際、リング１０４を介したユーザの指からの複数のセンサデータストリーム、並びに概日特徴及び特徴正規化を組み合わせることは、すべての睡眠段階及び覚醒に対して高い感度及び特異性を達成し得ることが分かっている。他の研究では、深い睡眠のような特定の段階の検出に関して同様の結果が示されているが、これは典型的に、他の睡眠段階を検出する際の性能を犠牲にすることになる（例えばレム又は覚醒時の睡眠段階の感度は５０％と低い）。

加速度計のみのデータ（ＡＣＣモデル）は、通常アクチグラフィ及び単純な運動強度の特徴に基づく、典型的な睡眠及び覚醒検出の精度の現在の状態を改善した。特に、複数のパラメータ（例えば体温、心拍数、ＨＲＶ）を含む生理学的データの使用は、睡眠段階をよりよく識別することができ、較正誤差又はハードウェアの差が生じにくい。これは、以前のウィンドウからの相対的な偏差を捕捉すること、又は三角法のアイデンティティを使用して、よりロバストな方法で指由来の運動を推定することを含むが、これは、これらの特徴が、例えば人間のパートナーやペット等がベッドで動くことによって混同される可能性が低いからである。加速度計のみのモデルの結果は、特に４段階分類に関して、依然としてゴールドスタンダードのＰＳＧの結果を下回るが、本明細書に記載される提案された特徴を使用することは、覚醒状態だけでなく、消費者デバイスが歴史的に達成するのに苦労してきた深いノンレム睡眠を含む睡眠段階の検出／分類において、良好な（例えば改善された）性能をもたらすことが分かっている。

本明細書で以前に示したように、指の温度が夜間に上昇して日中に低下するように、深部体温との明らかな逆パターンが存在するが、この場合、入眠は、深部体温が最も急激な低下速度にあるときに起こりやすい。しかしながら、入眠の判定後、末梢指温度測定を追加することは、より良好な睡眠段階分けの精度をもたらすことが分かっている。このように、指の温度（例えばリング１０４によって収集される体温データ）は、依然として、睡眠の開始と終了の決定のための関連する重要な感覚信号を表しており、この独自のデータ特徴ストリーミングを重要で潜在的に見落とされるものにしている。

睡眠段階分類性能の最大の改善は、ＨＲＶの特徴を追加するときに生じる可能性がある。リング１０４は、光学技術を使用して、心拍間隔を捕捉し、心拍数又はより複雑なＨＲＶ特徴を計算して、睡眠段階を推定し得る。これは、ＨＲＶの特徴を使用して非侵襲的に捕捉することができる、中枢神経系活動とＡＮＳの変化との間のより密接なリンクに起因する。特に、睡眠の生理学は、ノンレム睡眠とレム睡眠との間の相違並びに各個々の段階に特有の一貫したパターンを示す。例えばレム睡眠中に心拍数は増加し、より高い変動性を示す。心拍数データを含めると、４段階分類で１５～２５％の改善を取得することができる。しかしながら、副交感神経活動を表すＨＲＶの特徴の更なる包含は、改善された性能につながる可能性がある。ノンレム睡眠中に、心拍数とＨＲＶの両方が徐々に減少する可能性がある。これらのパターンは、ノンレム睡眠中の副交感神経活動の増加及びレム睡眠中の交感神経活動の増加と一致している。指の脈拍波形から定量化されたこれらの変化の速い性質を考えると、心拍数及びＨＲＶは実際に、ＰＳＧによって捕捉された脳波の変化を潜在的に反映する可能性がある。

夜間の睡眠段階の分布は、特異的なパターンと予想されるパターンの両方によって変化する可能性がある。後者は、約７０～１２０分のサイクルの間に段階が連続する睡眠サイクルの典型的な性質と、睡眠段階の分布が一晩の間にどのように変化するかの両方を含む。特に、深いノンレム睡眠は典型的に、夜の最初の３分の１の間により多く存在し、一方、レム睡眠は夜の後半により多く存在し、このとき、レム睡眠の各発作はより長く続く可能性がある。睡眠が最も安定するとき、最低日中レベルに近い深部体温及び心拍数、並びに恒常性睡眠圧の減衰及び夜の始まりから経過した時間を用いて、夜間の概日リズムの盛衰をモデル化した結果、精度が最大７８％向上した。文献における睡眠段階検出は、マルコフモデルからニューラルネットワークまでの様々な技術を使用して、段階の間の時間的関連付けを説明しようと試みてきた。しかしながら、センサ独立の概日特徴を用いて夜間の睡眠段階分布の変化をモデル化することは、分類性能における明確な改善を提供する。

図７は、本開示の態様による、概日リズム調整を用いる睡眠段階分けアルゴリズムをサポートするデバイス７０５のブロック図７００を示す。デバイス７０５は、入力モジュール７１０、出力モジュール７１５及びウェアラブルアプリケーション７２０を含み得る。デバイス７０５は、プロセッサも含んでよい。いくつかの態様では、デバイス７０５は、図１及び図２に示されるように、モバイルデバイスの例を含んでもよい。これらの構成要素の各々は、互いに（例えば１つ以上のバスを介して）通信し得る。

入力モジュール７１０は、デバイス７０５の入力信号を管理し得る。例えば入力モジュール７１０は、ウェアラブルデバイス（例えばリング）、モデム、キーボード、マウス、タッチスクリーン又は同様のデバイスとの対話に基づいて入力信号を識別し得る。これらの入力信号は、他の構成要素又はデバイスにおけるユーザ入力又は処理に関連付けられてもよい。場合によっては、入力モジュール７１０は、ｉＯＳ（登録商標）、ＡＮＤＲＯＩＤ（登録商標）、ＭＳ－ＤＯＳ（登録商標）、ＭＳ－ＷＩＮＤＯＷＳ（登録商標）、ＯＳ／２（登録商標）、ＵＮＩＸ（登録商標）、ＬＩＮＵＸ（登録商標）又は他の既知のオペレーティングシステムのようなオペレーティングシステムを利用して、入力信号を処理し得る。入力モジュール７１０は、これらの入力信号の態様を、処理のためにデバイス７０５の他の構成要素に送信し得る。例えば入力モジュール７１０は、補足的な睡眠検出のための方法及びシステムをサポートするために、入力信号をウェアラブルアプリケーション７２０に送信してもよい。場合によっては、入力モジュール７１０は、図９を参照して説明されるようなＩ／Ｏコントローラ９１０の構成要素であってよい。

出力モジュール７１５は、デバイス７０５の出力信号を管理し得る。例えば出力モジュール７１５は、ウェアラブルアプリケーション７２０又はサーバのようなデバイス７０５の他の構成要素から信号を受信してもよく、これらの信号を他の構成要素又はデバイス（例えばウェアラブルデバイス、サーバ）に送信してもよい。いくつかの例では、出力モジュール７１５は、ユーザインタフェースにおける表示のため、データベース又はデータストアにおける記憶のため、サーバ又はサーバクラスタにおける更なる処理のため、あるいは任意の数のデバイス又はシステムにおける任意の他のプロセスのために、出力信号を送信してもよい。場合によっては、出力モジュール７１５は、図９を参照して説明されるようなＩ／Ｏコントローラ９１０の構成要素であってよい。

例えばウェアラブルアプリケーション７２０は、データ取得構成要素７２５、概日リズム調整モデル構成要素７３０、機械学習分類器構成要素７３５、ユーザインタフェース構成要素７４０又はそれらの任意の組合せを含み得る。いくつかの例では、ウェアラブルアプリケーション７２０又はその様々な構成要素は、レシーバ７１０、トランスミッタ７１５又はその両方を使用して、又は他の方法でこれと協働して、様々な動作（例えば受信、モニタ、送信）を実行するように構成されてもよい。例えばウェアラブルアプリケーション７２０は、レシーバ７１０から情報を受信し、トランスミッタ７１５に情報を送信し、あるいはレシーバ７１０、トランスミッタ７１５又はその両方と組み合わせて統合され、情報を受信し、情報を送信し又は本明細書に記載されるような様々な他の動作を実行してよい。

ウェアラブルアプリケーション７２０は、本明細書に開示される例による、睡眠段階を検出するための技術をサポートし得る。データ取得構成要素７２５は、ウェアラブルデバイスからユーザに関連付けられる生理学的データを受信するための手段として構成されてもよく、又は他の方法でこれをサポートしてもよく、生理学的データは、ウェアラブルデバイスを介して時間間隔にわたって収集される。概日リズム調整モデル構成要素７３０は、ユーザに関連付けられる概日リズムに少なくとも部分的に基づいて生理学的データを重み付けするように構成される概日リズム調整モデルを識別するための手段として構成されてもよく、又は他の方法でこれをサポートしてもよい。機械学習分類器構成要素７３５は、生理学的データ及び概日リズム調整モデルを機械学習分類器に入力するための手段として構成されてもよく、又は他の方法でこれをサポートしてもよい。機械学習分類器構成要素７３５は、機械学習分類器を使用して、生理学的データを、時間間隔の少なくとも一部についての複数の睡眠段階のうちの少なくとも１つの睡眠段階に分類するための手段として構成されてもよく、又は他の方法でこれをサポートしてもよく、ここで、分類は、概日リズム調整モデルに少なくとも部分的に基づく。ユーザインタフェース構成要素７４０は、生理学的データを分類したことに少なくとも部分的に基づいて、ユーザデバイスのＧＵＩに、複数の睡眠段階のうちの少なくとも１つの睡眠段階の指示を表示させる手段として構成されてもよく、又は他の方法でこれをサポートしてもよい。

図８は、本開示の態様による、概日リズム調整を用いる睡眠段階分けアルゴリズムをサポートするウェアラブルアプリケーション８２０のブロック図８００を示す。ウェアラブルアプリケーション８２０は、本明細書に記載されるように、ウェアラブルアプリケーション又はウェアラブルアプリケーション７２０、あるいはその両方の態様の一例であってよい。ウェアラブルアプリケーション８２０又はその様々な構成要素は、本明細書に記載される睡眠段階分けアルゴリズムの様々な態様を実行するための手段の一例であってよい。例えばウェアラブルアプリケーション８２０は、データ取得構成要素８２５、概日リズム調整モデル構成要素８３０、機械学習分類器構成要素８３５、ユーザインタフェース構成要素８４０、データ正規化構成要素８４５、ユーザ評価構成要素８５０又はそれらの任意の組合せを含んでもよい。これらの構成要素の各々は、直接的又は間接的に、互いに（例えば１つ以上のバスを介して）通信し得る。

ウェアラブルアプリケーション８２０は、本明細書に開示される例による、睡眠段階を検出するための技術をサポートし得る。データ取得構成要素８２５は、ウェアラブルデバイスからユーザに関連付けられる生理学的データを受信するための手段として構成されてもよく、又は他の方法でこれをサポートしてもよく、生理学的データは、ウェアラブルデバイスを介して時間間隔にわたって収集される。概日リズム調整モデル構成要素８３０は、ユーザに関連付けられる概日リズムに少なくとも部分的に基づいて生理学的データを重み付けするように構成される概日リズム調整モデルを識別するための手段として構成されてもよく、又は他の方法でこれをサポートしてもよい。機械学習分類器構成要素８３５は、生理学的データ及び概日リズム調整モデルを機械学習分類器に入力するための手段として構成されてもよく、又は他の方法でこれをサポートしてもよい。いくつかの例では、機械学習分類器構成要素８３５は、機械学習分類器を使用して、生理学的データを、時間間隔の少なくとも一部についての複数の睡眠段階のうちの少なくとも１つの睡眠段階に分類するための手段として構成されてもよく、又は他の方法でこれをサポートしてもよく、ここで、分類は、概日リズム調整モデルに少なくとも部分的に基づく。ユーザインタフェース構成要素８４０は、生理学的データを分類したことに少なくとも部分的に基づいて、ユーザデバイスのＧＵＩに、複数の睡眠段階のうちの少なくとも１つの睡眠段階の指示を表示させる手段として構成されてもよく、又は他の方法でこれをサポートしてもよい。

いくつかの例では、データ取得構成要素８２５は、ウェアラブルデバイスからユーザに関連付けられる追加の生理学的データを受信するための手段として構成されてもよく、又は他の方法でこれをサポートしてもよく、追加の生理学的データは、時間間隔の前の少なくとも追加の時間間隔にわたってウェアラブルデバイスを介して収集される。いくつかの例において、概日リズム調整モデル構成要素８３０は、追加の生理学的データに少なくとも部分的に基づいて、ユーザのための概日リズム調整モデルを生成する手段として構成されてもよく、又は他の方法でこれをサポートしてもよい。

いくつかの例では、概日リズム調整モデル構成要素８３０は、ベースライン概日リズム調整モデルを識別するための手段として構成されてもよく、又は他の方法でこれをサポートしてもよく、ここで、ユーザのための概日リズム調整モデルを生成することは、追加の生理学的データに少なくとも部分的に基づいて、ベースライン概日リズム調整モデルを選択的に修正することを含む。

いくつかの例では、概日リズム調整モデルは、概日駆動構成要素、恒常性睡眠圧構成要素、経過睡眠時間構成要素又はそれらの任意の組合せを含む。いくつかの例では、概日駆動構成要素は、正弦関数を含み、恒常性睡眠圧構成要素は、指数関数的減衰関数を含み、経過睡眠時間構成要素は、線形関数を含む。

いくつかの例では、生理学的データを分類することをサポートするために、機械学習分類器構成要素８３５は、概日リズム調整モデルに少なくとも部分的に基づいて、時間間隔の複数のサブセットに関連付けられる複数の確率メトリックを選択的に重み付けするための手段として構成されてもよく、又は他の方法でこれをサポートしてもよく、各確率メトリックは、時間間隔の対応するサブセットが複数の睡眠段階のそれぞれの睡眠段階に関連付けられる確率を含む。

いくつかの例では、データ取得構成要素８２５は、生理学的データに少なくとも部分的に基づいて、ユーザの直近の睡眠期間からの時間期間を識別するための手段として構成されてよく、又は他の方法でこれをサポートしてもよい。いくつかの例では、機械学習分類器構成要素８３５は、時間期間を機械学習分類器に入力するための手段として構成されてもよく、又は他の方法でこれをサポートしてもよく、ここで、生理学的データを分類することは、時間期間に少なくとも部分的に基づく。

いくつかの例では、生理学的データを分類することをサポートするために、機械学習分類器構成要素８３５は、概日リズム調整モデルを使用して、時間期間に少なくとも部分的に基づいて、時間間隔の複数のサブセットに関連付けられる複数の確率メトリックを選択的に重み付けするための手段として構成されてもよく、又は他の方法でこれをサポートしてもよく、ここで、各確率メトリックは、時間間隔の対応するサブセットが複数の睡眠段階のそれぞれの睡眠段階に関連付けられる確率を含む。

いくつかの例では、生理学的データを分類することをサポートするために、機械学習分類器構成要素８３５は、時間間隔を通して収集された生理学的データを、時間間隔内の複数の睡眠間隔に分類するための手段として構成されてもよく、又他の方法でこれをサポートしてもよい。いくつかの例では、生理学的データを分類することをサポートするために、機械学習分類器構成要素８３５は、複数の睡眠間隔の各睡眠間隔を、覚醒睡眠段階、浅い睡眠段階、急速眼球運動睡眠段階又は深い睡眠段階のうちの少なくとも１つに分類するための手段として構成されてもよく、又は他の方法でこれをサポートしてもよい。

いくつかの例では、ユーザインタフェース構成要素８４０は、ユーザデバイスのＧＵＩに複数の睡眠間隔のうちの１つ以上の睡眠間隔を表示させるための手段として構成されてもよく、又は他の方法でこれをサポートしてもよい。いくつかの例では、ユーザインタフェース構成要素８４０は、ユーザデバイスのＧＵＩに、１つ以上の睡眠間隔の各睡眠間隔に対応する分類された睡眠段階を表示させるための手段として構成されてもよく、又は他の方法でこれをサポートしてもよい。

いくつかの例では、データ正規化構成要素８４５は、生理学的データに対して１つ以上の正規化手順を実行するための手段として構成されてもよく、又は他の方法でこれをサポートしてもよく、ここで、生理学的データを機械学習分類器に入力することは、正規化された生理学的データを機械学習分類器に入力することを含む。

いくつかの例では、機械学習分類器構成要素８３５は、機械学習分類器を使用して、生理学的データに関連付けられる複数の特徴を識別するための手段として構成されてもよく、又は他の方法でこれをサポートしてもよく、生理学的データを分類することは、複数の特徴を識別することに少なくとも部分的に基づく。

いくつかの例では、複数の特徴は、生理学的データの変化率、生理学的データの２つ以上のパラメータ間のパターン、生理学的データの最大データ値、生理学的データの最小データ値、生理学的データの平均データ値、生理学的データの中央値データ値、生理学的データのデータ値とユーザのベースラインデータ値との比較又はこれらの任意の組合せを含む。

いくつかの例では、ユーザインタフェース構成要素８４０は、ユーザデバイスのＧＵＩに複数の特徴のうちの１つ以上の特徴を表示させるための手段として構成されてもよく、又は他の方法でこれをサポートしてもよい。

いくつかの例では、ユーザ評価構成要素８５０は、概日リズム調整モデル、生理学的データを分類したこと、又はその両方に少なくとも部分的に基づいて、ユーザに関連付けられる就寝時間、ユーザに関連付けられる起床時間又はその両方を識別するための手段として構成されてもよく、又は他の方法でこれをサポートしてもよい。いくつかの例では、ユーザインタフェース構成要素８４０は、ユーザデバイスのＧＵＩに就寝時間、起床時間又はその両方を表示させるための手段として構成されてもよく、又は他の方法でこれをサポートしてもよい。

いくつかの例では、生理学的データは、体温データ、加速度計データ、心拍数データ、心拍数変動データ、血中酸素濃度データ又はそれらの任意の組合せを含む。いくつかの例では、ウェアラブルリングデバイスは、ユーザの指の中の動脈血流に基づいて、ユーザから生理学的データを収集する。いくつかの例では、ウェアラブルリングデバイスは、１つ以上の赤色ＬＥＤ及び１つ以上の緑色ＬＥＤを使用して、ユーザから生理学的データを収集する。

図９は、本開示の態様による、概日リズム調整を用いる睡眠段階分けアルゴリズムをサポートするデバイス９０５を含むシステム９００の図を示す。デバイス９０５は、本明細書に記載されるデバイス７０５の一例であってもよく、デバイス７０５の構成要素を含んでもよい。デバイス９０５は、ウェアラブルアプリケーション９２０、Ｉ／Ｏコントローラ９１０、ユーザインタフェース構成要素９１５、メモリ９２５、プロセッサ９３０及びデータベース９３５のような、通信を送受信するための構成要素を含む双方向データ通信のための構成要素を含んでもよい。これらの構成要素は、電子通信状態にあってもよく、あるいは１つ以上のバス（例えばバス９４０）を介して他の方法で（例えば動作的に、通信的に、機能的に、電子的に、電気的に）結合されていてもよい。

Ｉ／Ｏコントローラ９１０は、デバイス９０５の入力信号９４５及び出力信号９５０を管理し得る。Ｉ／Ｏコントローラは、図２に示して説明したユーザデバイスの通信モジュールの一例を含み得る。この点に関して、入力信号９４５及び出力信号９５０は、図２に示されるように、ユーザデバイスとリングとの間、及びユーザデバイスとサーバとの間で交換されるシグナリングを例示してもよい。Ｉ／Ｏコントローラ９１０は、デバイス９０５に統合されていない周辺機器も管理し得る。場合によっては、Ｉ／Ｏコントローラ９１０は、外部周辺機器への物理的接続又はポートを表してよい。場合によっては、Ｉ／Ｏコントローラ９１０は、ｉＯＳ（登録商標）、ＡＮＤＲＯＩＤ（登録商標）、ＭＳ－ＤＯＳ（登録商標）、ＭＳ－ＷＩＮＤＯＷＳ（登録商標）、ＯＳ／２（登録商標）、ＵＮＩＸ（登録商標）、ＬＩＮＵＸ（登録商標）又は別の既知のオペレーティングシステムのようなオペレーティングシステムを利用してもよい。他の場合には、Ｉ／Ｏコントローラ９１０は、ウェアラブルデバイス（例えばリング）、モデム、キーボード、マウス、タッチスクリーン又は同様のデバイスを表すか又はこれらと対話し得る。場合によっては、Ｉ／Ｏコントローラ９１０は、プロセッサ９３０の一部として実装されてもよい。いくつかの例では、ユーザは、Ｉ／Ｏコントローラ９１０を介して、又はＩ／Ｏコントローラ９１０によって制御されるハードウェア構成要素を介して、デバイス９０５と対話し得る。

ユーザインタフェース構成要素９１５は、データベース９３５内のデータ記憶及び処理を管理し得る。場合によっては、ユーザは、ユーザインタフェース構成要素９１５と対話してもよい。他の場合には、ユーザインタフェース構成要素９１５は、ユーザ対話なしに自動的に動作してもよい。データベース９３５は、単一のデータベース、分散データベース、複数の分散データベース、データストア、データレイク又は緊急バックアップデータベースの例であってよい。

メモリ９２５は、ＲＡＭ及びＲＯＭを含んでもよい。メモリ９２５は、実行されると、プロセッサ９３０に本明細書で説明される様々な機能を実行させる命令を含む、コンピュータ読取可能でコンピュータ実行可能なソフトウェアを記憶し得る。場合によっては、メモリ９２５は、他の中でも特に、周辺の構成要素又はデバイスとの対話のような基本的なハードウェア又はソフトウェア動作を制御し得る、基本Ｉ／Ｏシステム（ＢＩＯＳ）を含んでよい。

プロセッサ９３０は、インテリジェントハードウェアデバイス（例えば汎用プロセッサ、デジタル信号プロセッサ（ＤＳＰ）、中央処理ユニット（ＣＰＵ）、マイクロコントローラ、特定用途向け集積回路（ＡＳＩＣ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、プログラマブル論理デバイス、離散ゲート又はトランジスタ論理構成要素、離散ハードウェア構成要素、又はそれらの任意の組合せ）を含んでもよい。場合によっては、プロセッサ９３０は、メモリコントローラを使用してメモリアレイを動作させるように構成されてもよい。他の場合には、メモリコントローラはプロセッサ９３０に組み込まれてもよい。プロセッサ９３０は、メモリ９２５に記憶されたコンピュータ読取可能命令を実行して、様々な機能（例えば睡眠段階分けアルゴリズムのための方法及びシステムをサポートする機能又はタスク）を実行するように構成されてもよい。

ウェアラブルアプリケーション９２０は、本明細書に開示される例に従って睡眠段階を検出するための技術をサポートすることができる。例えばウェアラブルアプリケーション９２０は、ウェアラブルデバイスからユーザに関連付けられる生理学的データを受信するための手段として構成されてよく、又は他の方法でそのような手段をサポートしてよく、生理学的データは、時間間隔にわたってウェアラブルデバイスを介して収集される。ウェアラブルアプリケーション９２０は、ユーザに関連付けられる概日リズムに少なくとも部分的に基づいて生理学的データを重み付けするように構成される概日リズム調整モデルを識別するための手段として構成され得るか、又はそのような手段をサポートし得る。ウェアラブルアプリケーション９２０は、生理学的データ及び概日リズム調整モデルを機械学習分類器に入力するための手段として構成され得るか、又はそのような手段をサポートし得る。ウェアラブルアプリケーション９２０は、機械学習分類器を使用して、時間間隔の少なくとも一部について、複数の睡眠段階のうちの少なくとも１つの睡眠段階に生理学的データを分類するための手段として構成され得るか、又はそのような手段をサポートしてよく、分類は、概日リズム調整モデルに少なくとも部分的に基づく。ウェアラブルアプリケーション９２０は、生理学的データを分類することに少なくとも部分的に基づいて、複数の睡眠段階のうちの少なくとも１つの睡眠段階の指示をユーザデバイスのＧＵＩに表示させるための手段として構成され得るか、又はそのような手段をサポートし得る。

本明細書に記載される例に従ってウェアラブルアプリケーション９２０を含むか又は構成することによって、デバイス９０５は、改善された睡眠段階分けアルゴリズムのための技術をサポートし得る。特に、本明細書に記載される技術は、複数の睡眠段階のより正確かつ効率的な識別を可能にし得る。ユーザの睡眠段階及び睡眠パターンのより包括的な評価をユーザに提供することによって、本明細書に記載される技術は、ユーザがその睡眠パターンを効果的に調整することを可能にし、ユーザの睡眠の質及び全体的な健康を改善することができる。

図１０は、本開示の態様による、概日リズム調整を用いる睡眠段階分けアルゴリズムをサポートする方法１０００を示すフローチャートである。方法１０００の動作は、本明細書で説明されるように、ユーザデバイス又はその構成要素によって実装されてよい。例えば方法１０００の動作は、図１から図９を参照して説明したようなユーザデバイスによって実行されてもよい。いくつかの例では、ユーザデバイスは、説明された機能を実行するようにユーザデバイスの機能要素を制御する命令のセットを実行してもよい。追加的又は代替的に、ユーザデバイスは、専用ハードウェアを使用して、説明された機能の態様を実行してもよい。

１００５において、本方法は、ウェアラブルデバイスからユーザに関連付けられる生理学的データを受信するステップを含んでよく、生理学的データは、時間間隔にわたってウェアラブルデバイスを介して収集される。１００５の動作は、本明細書に開示される例に従って実行されてよい。いくつかの例では、１００５の動作の態様は、図８を参照して説明したように、データ取得構成要素８２５によって実行されてよい。

１０１０において、本方法は、ユーザに関連付けられる概日リズムに少なくとも部分的に基づいて生理学的データを重み付けするように構成される概日リズム調整モデルを識別するステップを含んでよい。１０１０の動作は、本明細書に開示される例に従って実行されてよい。いくつかの例では、１０１０の動作の態様は、図８を参照して説明したように、概日リズム調整モデル構成要素８３０によって実行されてよい。

１０１５において、本方法は、生理学的データ及び概日リズム調整モデルを機械学習分類器に入力するステップを含んでよい。１０１５の動作は、本明細書に開示される例に従って実行されてよい。いくつかの例では、１０１５の動作の態様は、図８を参照して説明したように、機械学習分類器構成要素８３５によって実行されてよい。

１０２０において、本方法は、機械学習分類器を使用して、時間間隔の少なくとも一部について、生理学的データを、複数の睡眠段階のうちの少なくとも１つの睡眠段階に分類するステップを含んでよく、ここで、分類は、概日リズム調整モデルに少なくとも部分的に基づく。１０２０の動作は、本明細書に開示される例に従って実行されてよい。いくつかの例では、１０２０の動作の態様は、図８を参照して説明したように、機械学習分類器構成要素８３５によって実行されてよい。

１０２５において、本方法は、生理学的データを分類したことに少なくとも部分的に基づいて、複数の睡眠段階のうちの少なくとも１つの睡眠段階の指示を、ユーザデバイスのＧＵＩに表示させるステップを含んでよい。１０２５の動作は、本明細書に開示される例に従って実行されてよい。いくつかの例では、１０２５の動作の態様は、図８を参照して説明したように、ユーザインタフェース構成要素８４０によって実行されてよい。

図１１は、本開示の態様による、概日リズム調整を用いる睡眠段階分けアルゴリズムをサポートする方法１１００を示すフローチャートである。方法１１００の動作は、本明細書で説明されるように、ユーザデバイス又はその構成要素によって実装されてよい。例えば方法１１００の動作は、図１から図９を参照して説明したようなユーザデバイスによって実行されてもよい。いくつかの例では、ユーザデバイスは、説明された機能を実行するようにユーザデバイスの機能要素を制御する命令のセットを実行してもよい。追加的又は代替的に、ユーザデバイスは、専用ハードウェアを使用して、説明された機能の態様を実行してもよい。

１１０５において、本方法は、ウェアラブルデバイスからユーザに関連付けられる追加の生理学的データを受信するステップを含んでよく、追加の生理学的データは、時間間隔の前の少なくとも追加の時間間隔にわたってウェアラブルデバイスを介して収集される。１１０５の動作は、本明細書に開示される例に従って実行されてよい。いくつかの例では、１１０５の動作の態様は、図８を参照して説明したように、データ取得構成要素８２５によって実行されてよい。

１１１０において、本方法は、追加の生理学的データに少なくとも部分的に基づいて、ユーザの概日リズム調整モデルを生成するステップを含んでよい。１１１０の動作は、本明細書に開示される例に従って実行されてよい。いくつかの例では、１１１０の動作の態様は、図８を参照して説明したように、概日リズム調整モデル構成要素８３０によって実行されてよい。

１１１５において、本方法は、ウェアラブルリングデバイスからユーザに関連付けられる生理学的データを受信するステップを含んでよく、生理学的データは、時間間隔にわたってウェアラブルリングデバイスを介して収集される。１１１５の動作は、本明細書に開示される例に従って実行されてよい。いくつかの例では、１１１５の動作の態様は、図８を参照して説明したように、データ取得構成要素８２５によって実行されてよい。

１１２０において、本方法は、ユーザに関連付けられる概日リズムに少なくとも部分的に基づいて生理学的データを重み付けするように構成される概日リズム調整モデルを識別するステップを含んでよい。１１２０の動作は、本明細書に開示される例に従って実行されてよい。いくつかの例では、１１２０の動作の態様は、図８を参照して説明したように、概日リズム調整モデル構成要素８３０によって実行されてよい。

１１２５において、本方法は、生理学的データ及び概日リズム調整モデルを機械学習分類器に入力するステップを含んでよい。１１２５の動作は、本明細書に開示される例に従って実行されてよい。いくつかの例では、１１２５の動作の態様は、図８を参照して説明したように、機械学習分類器構成要素８３５によって実行されてよい。

１１３０において、本方法は、機械学習分類器を使用して、時間間隔の少なくとも一部について、生理学的データを、複数の睡眠段階のうちの少なくとも１つの睡眠段階に分類するステップを含んでよく、ここで、分類は、概日リズム調整モデルに少なくとも部分的に基づく。１１３０の動作は、本明細書に開示される例に従って実行されてよい。いくつかの例では、１１３０の動作の態様は、図８を参照して説明したように、機械学習分類器構成要素８３５によって実行されてよい。

１１３５において、本方法は、生理学的データを分類したことに少なくとも部分的に基づいて、複数の睡眠段階のうちの少なくとも１つの睡眠段階の指示を、ユーザデバイスのＧＵＩに表示させるステップを含んでよい。１１３５の動作は、本明細書に開示される例に従って実行されてよい。いくつかの例では、１１３５の動作の態様は、図８を参照して説明したように、ユーザインタフェース構成要素８４０によって実行されてよい。

図１２は、本開示の態様による、概日リズム調整を用いる睡眠段階分けアルゴリズムをサポートする方法１２００を示すフローチャートである。方法１２００の動作は、本明細書で説明されるように、ユーザデバイス又はその構成要素によって実装されてよい。例えば方法１２００の動作は、図１から図９を参照して説明したようなユーザデバイスによって実行されてもよい。いくつかの例では、ユーザデバイスは、説明された機能を実行するようにユーザデバイスの機能要素を制御する命令のセットを実行してもよい。追加的又は代替的に、ユーザデバイスは、専用ハードウェアを使用して、説明された機能の態様を実行してもよい。

１２０５において、本方法は、ウェアラブルデバイスからユーザに関連付けられる生理学的データを受信するステップを含んでよく、生理学的データは、時間間隔にわたってウェアラブルデバイスを介して収集される。１２０５の動作は、本明細書に開示される例に従って実行されてよい。いくつかの例では、１２０５の動作の態様は、図８を参照して説明したように、データ取得構成要素８２５によって実行されてよい。

１２１０において、本方法は、ユーザに関連付けられる概日リズムに少なくとも部分的に基づいて生理学的データを重み付けするように構成される概日リズム調整モデルを識別するステップを含んでよい。１２１０の動作は、本明細書に開示される例に従って実行されてよい。いくつかの例では、１２１０の動作の態様は、図８を参照して説明したように、概日リズム調整モデル構成要素８３０によって実行されてよい。

１２１５において、本方法は、生理学的データ及び概日リズム調整モデルを機械学習分類器に入力するステップを含んでよい。１２１５の動作は、本明細書に開示される例に従って実行されてよい。いくつかの例では、１２１５の動作の態様は、図８を参照して説明したように、機械学習分類器構成要素８３５によって実行されてよい。

１２２０において、本方法は、機械学習分類器を使用して、時間間隔の少なくとも一部について、生理学的データを、複数の睡眠段階のうちの少なくとも１つの睡眠段階に分類するステップを含んでよく、ここで、分類は、概日リズム調整モデルに少なくとも部分的に基づく。１２２０の動作は、本明細書に開示される例に従って実行されてよい。いくつかの例では、１２２０の動作の態様は、図８を参照して説明したように、機械学習分類器構成要素８３５によって実行されてよい。

１２２５において、本方法は、概日リズム調整モデルに少なくとも部分的に基づいて、時間間隔の複数のサブセットに関連付けられる複数の確率メトリックを選択的に重み付けするステップを含んでよく、ここで、各確率メトリックは、時間間隔の対応するサブセットが複数の睡眠段階のそれぞれの睡眠段階に関連付けられる確率を含む。１２２５の動作は、本明細書に開示される例に従って実行されてよい。いくつかの例では、１２２５の動作の態様は、図８を参照して説明したように、機械学習分類器構成要素８３５によって実行されてよい。

１２３０において、本方法は、生理学的データを分類したことに少なくとも部分的に基づいて、複数の睡眠段階のうちの少なくとも１つの睡眠段階の指示を、ユーザデバイスのＧＵＩに表示させるステップを含んでよい。１２３０の動作は、本明細書に開示される例に従って実行されてよい。いくつかの例では、１２３０の動作の態様は、図８を参照して説明したように、ユーザインタフェース構成要素８４０によって実行されてよい。

睡眠段階を自動的に検出する方法を説明する。本方法は、ウェアラブルデバイスからユーザに関連付けられる生理学的データを受信するステップであって、生理学的データは、時間間隔にわたってウェアラブルデバイスを介して収集される、ステップと、ユーザに関連付けられる概日リズムに少なくとも部分的に基づいて生理学的データを重み付けするように構成される概日リズム調整モデルを識別するステップと、生理学的データ及び概日リズム調整モデルを機械学習分類器に入力するステップと、機械学習分類器を使用して、時間間隔の少なくとも一部について、生理学的データを、複数の睡眠段階のうちの少なくとも１つの睡眠段階に分類するステップであって、該分類は、概日リズム調整モデルに少なくとも部分的に基づく、ステップと、生理学的データを分類したことに少なくとも部分的に基づいて、複数の睡眠段階のうちの少なくとも１つの睡眠段階の指示を、ユーザデバイスのＧＵＩに表示させるステップとを含み得る。

睡眠段階を自動的に検出するための装置を説明する。本装置は、プロセッサと、プロセッサに結合されたメモリと、メモリ内に記憶された命令とを含み得る。命令は、当該装置に、ウェアラブルデバイスからユーザに関連付けられる生理学的データを受信することであって、生理学的データは、時間間隔にわたってウェアラブルデバイスを介して収集されることと、ユーザに関連付けられる概日リズムに少なくとも部分的に基づいて生理学的データを重み付けするように構成される概日リズム調整モデルを識別することと、生理学的データ及び概日リズム調整モデルを機械学習分類器に入力することと、機械学習分類器を使用して、時間間隔の少なくとも一部について、生理学的データを、複数の睡眠段階のうちの少なくとも１つの睡眠段階に分類することであって、分類は、概日リズム調整モデルに少なくとも部分的に基づくことと、生理学的データを分類したことに少なくとも部分的に基づいて、複数の睡眠段階のうちの少なくとも１つの睡眠段階の指示を、ユーザデバイスのＧＵＩに表示させることと、を実行させるためにプロセッサによって実行可能であり得る。

睡眠段階を自動的に検出するための別の装置を説明する。本装置は、ウェアラブルリングデバイスからユーザに関連付けられる生理学的データを受信するための手段であって、生理学的データは、時間間隔にわたってウェアラブルリングデバイスを介して収集される手段と、ユーザに関連付けられる概日リズムに少なくとも部分的に基づいて生理学的データを重み付けするように構成される概日リズム調整モデルを識別するための手段と、生理学的データ及び概日リズム調整モデルを機械学習分類器に入力するための手段と、機械学習分類器を使用して、時間間隔の少なくとも一部について、生理学的データを、複数の睡眠段階のうちの少なくとも１つの睡眠段階に分類するための手段であって、分類は、概日リズム調整モデルに少なくとも部分的に基づく手段と、生理学的データを分類したことに少なくとも部分的に基づいて、複数の睡眠段階のうちの少なくとも１つの睡眠段階の指示をユーザデバイスのＧＵＩに表示させるための手段と、を含み得る。

睡眠段階を自動的に検出するためのコードを記憶する非一時的コンピュータ読取可能媒体を説明する。コードは、プロセッサによって実行可能であって、ウェアラブルリングデバイスからユーザに関連付けられる生理学的データを受信し、生理学的データは、時間間隔にわたってウェアラブルリングデバイスを介して収集され、ユーザに関連付けられる概日リズムに少なくとも部分的に基づいて生理学的データを重み付けするように構成される概日リズム調整モデルを識別し、生理学的データ及び概日リズム調整モデルを機械学習分類器に入力し、機械学習分類器を使用して、時間間隔の少なくとも一部について、生理学的データを、複数の睡眠段階のうちの少なくとも１つの睡眠段階に分類し、分類は、概日リズム調整モデルに少なくとも部分的に基づき、生理学的データを分類したことに少なくとも部分的に基づいて、複数の睡眠段階のうちの少なくとも１つの睡眠段階の指示を、ユーザデバイスのＧＵＩに表示させるための命令を含み得る。

本明細書で説明される方法、装置及び非一時的コンピュータ読取可能媒体のいくつかの例は、ウェアラブルデバイスからユーザに関連付けられる追加の生理学的データを受信し、追加の生理学的データは、時間間隔の前の少なくとも追加の時間間隔にわたってウェアラブルデバイスを介して収集され、追加の生理学的データに少なくとも部分的に基づいて、ユーザのための概日リズム調整モデルを生成するための動作、特徴、手段又は命令を更に含んでもよい。

本明細書で説明される方法、装置及び非一時的コンピュータ読取可能媒体のいくつかの例は、ベースライン概日リズム調整モデルを識別するための動作、特徴、手段又は命令を更に含んでもよく、ここで、ユーザのための概日リズム調整モデルを生成することは、追加の生理学的データに少なくとも部分的に基づいて、ベースライン概日リズム調整モデルを選択的に修正することを含む。

本明細書で説明される方法、装置及び非一時的コンピュータ読取可能媒体のいくつかの例において、概日リズム調整モデルは、概日駆動構成要素、恒常性睡眠圧構成要素、経過睡眠時間構成要素又はそれらの任意の組合せを含む。

本明細書で説明される方法、装置及び非一時的コンピュータ読取可能媒体のいくつかの例において、概日駆動構成要素は、正弦関数を含み、恒常性睡眠圧構成要素は、指数関数的減衰関数を含み、経過睡眠時間構成要素は、線形関数を含む。

本明細書で説明される方法、装置及び非一時的コンピュータ読取可能媒体のいくつかの例において、生理学的データを分類することは、概日リズム調整モデルに少なくとも部分的に基づいて、時間間隔の複数のサブセットに関連付けられる複数の確率メトリックを選択的に重み付けするための動作、特徴、手段又は命令を含んでもよく、各確率メトリックは、時間間隔の対応するサブセットが複数の睡眠段階のそれぞれの睡眠段階に関連付けられる確率を含む。

本明細書で説明される方法、装置及び非一時的コンピュータ読取可能媒体のいくつかの例は、生理学的データに少なくとも部分的に基づいて、ユーザの直近の睡眠期間からの時間期間を識別し、時間期間を機械学習分類器に入力するための動作、特徴、手段又は命令を更に含んでもよく、ここで、生理学的データを分類することは、時間期間に少なくとも部分的に基づく。

本明細書で説明される方法、装置及び非一時的コンピュータ読取可能媒体のいくつかの例において、生理学的データを分類することは、概日リズム調整モデルを使用して、時間期間に少なくとも部分的に基づいて、時間間隔の複数のサブセットに関連付けられる複数の確率メトリックを選択的に重み付けするための動作、特徴、手段又は命令を含んでもよく、各確率メトリックは、時間間隔の対応するサブセットが複数の睡眠段階のそれぞれの睡眠段階に関連付けられる確率を含む。

本明細書で説明される方法、装置及び非一時的コンピュータ読取可能媒体のいくつかの例において、生理学的データを分類することは、時間間隔にわたって収集された生理学的データを、時間間隔内の複数の睡眠間隔に分類し、複数の睡眠間隔の各睡眠間隔を、覚醒睡眠段階、浅い睡眠段階、急速眼球運動睡眠段階又は深い睡眠段階のうちの少なくとも１つに分類するための動作、特徴、手段又は命令を含んでもよい。

本明細書で説明される方法、装置及び非一時的コンピュータ読取可能媒体のいくつかの例は、複数の睡眠間隔のうちの１つ以上の睡眠間隔をユーザデバイスのＧＵＩに表示させ、１つ以上の睡眠間隔の各睡眠間隔に対応する分類された睡眠段階をユーザデバイスのＧＵＩに表示させるための動作、特徴、手段又は命令を更に含んでもよい。

本明細書で説明される方法、装置及び非一時的コンピュータ読取可能媒体のいくつかの例は、生理学的データに対して１つ以上の正規化手順を実行するための動作、特徴、手段又は命令を更に含んでもよく、生理学的データを機械学習分類器に入力することは、正規化された生理学的データを機械学習分類器に入力することを含む。

本明細書で説明される方法、装置及び非一時的コンピュータ読取可能媒体のいくつかの例は、機械学習分類器を使用して、生理学的データに関連付けられる複数の特徴を識別するための動作、特徴、手段又は命令を更に含んでもよく、生理学的データを分類することは、複数の特徴を識別することに少なくとも部分的に基づいてよい。

本明細書で説明される方法、装置及び非一時的コンピュータ読取可能媒体のいくつかの例において、複数の特徴は、生理学的データの変化率、生理学的データの２つ以上のパラメータ間のパターン、生理学的データの最大データ値、生理学的データの最小データ値、生理学的データの平均データ値、生理学的データの中央値データ値、生理学的データのデータ値とユーザのベースラインデータ値との比較又はそれらの任意の組合せを含む。

本明細書で説明される方法、装置及び非一時的コンピュータ読取可能媒体のいくつかの例は、複数の特徴のうちの１つ以上の特徴をユーザデバイスのＧＵＩに表示させるための動作、特徴、手段又は命令を更に含んでもよい。

本明細書で説明される方法、装置及び非一時的コンピュータ読取可能媒体のいくつかの例は、概日リズム調整モデル、生理学的データを分類すること又はその両方に少なくとも部分的に基づいて、ユーザに関連付けられる就寝時間、ユーザに関連付けられる起床時間又はその両方を識別し、就寝時間、起床時間又はその両方をユーザデバイスのＧＵＩに表示させるための動作、特徴、手段又は命令を更に含んでもよい。

本明細書で説明される方法、装置及び非一時的コンピュータ読取可能媒体のいくつかの例において、生理学的データは、体温データ、加速度計データ、心拍数データ、ＨＲＶデータ、血中酸素濃度データ又はそれらの任意の組合せを含む。

本明細書で説明される方法、装置及び非一時的コンピュータ読取可能媒体のいくつかの例において、ウェアラブルデバイスは、ユーザの指の中の動脈血流に基づいて、ユーザから生理学的データを収集する。

上述の方法は可能な実装を説明しており、動作及びステップは再配置又は他の方法で修正されてよく、他の実装も可能であることに留意されたい。さらに、上記方法の２つ又はそれ以上からの態様を組み合わせてもよい。

添付図面に関連して、本明細書で説明される説明は、例示的な構成を記載しており、実装され得るか又は特許請求の範囲内にあるすべての例を表すものではない。本明細書で使用される「例示的」という用語は、「例、例示又は説明として機能する」ことを意味し、「好ましい」又は「他の例より有利である」ことを意味しない。詳細な説明は、記載される技術の理解を提供する目的のための特定の詳細を含む。しかしながら、これらの技術は、これらの特定の詳細なしに実施されてもよい。いくつかの例では、記載される例の概念を不明瞭にすることを避けるために、周知の構造及びデバイスがブロック図の形式で示されている。

添付の図面では、類似の構成要素又は特徴は、同じ参照ラベルを有することがある。さらに、同じタイプの様々な構成要素は、ハイフンによって参照ラベルの後に続き、類似の構成要素を区別する第２ラベルによって区別されることがある。明細書において第１参照ラベルのみが使用される場合、説明は、第２参照ラベルに関係なく、同じ第１参照ラベルを有する類似の構成要素の任意の１つに適用可能である。

本明細書で説明される情報及び信号は、様々な異なるテクノロジ及び技術のいずれかを使用して表されてもよい。例えば上記の説明を通して参照され得るデータ、命令、コマンド、情報、信号、ビット、シンボル及びチップは、電圧、電流、電磁波、磁場又は粒子、光学場又は粒子、あるいはそれらの任意の組合せによって表されてもよい。

本明細書の開示に関連して説明される様々な例示のブロック及びモジュールは、汎用プロセッサ、ＤＳＰ、ＡＳＩＣ、ＦＰＧＡ又は他のプログラマブル論理デバイス、離散ゲート又はトランジスタ論理、離散ハードウェア構成要素、あるいは本明細書に説明される機能を実行するように設計されたそれらの任意の組合せで実装又は実行されてもよい。汎用プロセッサはマイクロプロセッサであってもよいが、代替的に、プロセッサは、任意の従来のプロセッサ、コントローラ、マイクロコントローラ又は状態マシンであってもよい。プロセッサはまた、コンピューティングデバイスの組合せ（例えばＤＳＰとマイクロプロセッサの組合せ、複数のマイクロプロセッサ、ＤＳＰコアと関連する１つ以上のマイクロプロセッサ又は任意の他のそのような構成）として実装されてもよい。

本明細書で説明される機能は、ハードウェア、プロセッサによって実行されるソフトウェア、ファームウェア又はそれらの任意の組合せで実装されてよい。プロセッサによって実行されるソフトウェアで実装される場合、機能は、コンピュータ読取可能媒体上の１つ以上の命令又はコードとして記憶されるか又は伝送され得る。他の例及び実装は、本開示の範囲及び添付の特許請求の範囲内である。例えばソフトウェアの性質により、上述の機能は、プロセッサ、ハードウェア、ファームウェア、ハードワイヤリング又はこれらの任意の組合せによって実行されるソフトウェアを使用して実装することができる。機能を実装する特徴はまた、機能の一部が異なる物理的位置で実装されるように分散されることを含め、物理的に様々な位置に配置されてもよい。また、特許請求の範囲を含め、本明細書中で使用されるとき、項目のリスト（例えば「のうちの少なくとも１つ」又は「のうちの１つ以上」のような句が前にある項目のリスト）で使用される「又は（or）」は、例えばＡ、Ｂ、又はＣのうちの少なくとも１つのリストが、Ａ又はＢ又はＣ又はＡＢ又はＡＣ又はＢＣ又はＡＢＣ（すなわち、ＡとＢとＣ）を意味するような包括的なリストを示す。また、本明細書で使用されるとき、「に基づいて」という句は、条件のクローズなセットを指すように解釈されないものとする。例えば「条件Ａに基づいて」として記載される例示的なステップは、本開示の範囲から逸脱することなく、条件Ａ及び条件Ｂの両方に基づいてもよい。言い換えると、本明細書で使用されるとき、「に基づいて」という句は、「少なくとも部分的に基づいて」という句と同じ方法で解釈されるものとする。

コンピュータ読取可能媒体は、非一時的コンピュータ記憶媒体と、ある場所から別の場所へのコンピュータプログラムの転送を容易にする任意の媒体を含む通信媒体との両方を含む。非一時的記憶媒体は、汎用又は専用コンピュータによってアクセスされ得る任意の利用可能な媒体であってよい。限定ではなく例として、非一時的コンピュータ読取可能媒体は、ＲＡＭ、ＲＯＭ、電気的消去可能なプログラム可能ＲＯＭ（ＥＥＰＲＯＭ）、コンパクトディスク（ＣＤ）ＲＯＭ又は他の光ディスクストレージ、磁気ディスクストレージ又は他の磁気ストレージデバイス、あるいは命令又はデータ構造の形式で所望のプログラムコード手段を搬送又は記憶するために使用することができ、かつ汎用若しくは専用コンピュータ又は汎用若しくは専用プロセッサによってアクセスすることができる、任意の他の非一時的媒体を含むことができる。また、任意の接続は、適切には、コンピュータ読取可能媒体と呼ばれる。例えばソフトウェアが、同軸ケーブル、光ファイバケーブル、ツイストペア、デジタル加入者線（ＤＳＬ）、又は赤外線や無線、マイクロ波のような無線技術を使用して、ウェブサイト、サーバ又は他のリモートソースから送信される場合、その同軸ケーブル、光ファイバケーブル、ツイストペア、ＤＳＬ、又は赤外線や無線、マイクロ波のような無線技術は媒体の定義に含まれる。本明細書で使用されるときディスク（ｄｉｓｋ又はｄｉｓｃ）は、ＣＤ、レーザディスク、光ディスク、デジタル多用途ディスク（ＤＶＤ）、フロッピーディスク及びブルーレイ（登録商標）ディスクを含むが、ここで、ディスク（ｄｉｓｋ）は通常、データを磁気的に再生し、一方、ディスク（ｄｉｓｃ）はレーザーを用いてデータを光学的に再生する。上記の組合せも、コンピュータ読取可能媒体の範囲内に含まれる。

本明細書における説明は、当業者が本開示を作成又は使用することを可能にするために提供される。本開示に対する様々な修正は、当業者には容易に明らかとなり、本明細書に定義される一般的な原理は、本開示の範囲から逸脱することなく、他の変形に適用され得る。したがって、本開示は、本明細書で説明される実施例及び設計に限定されず、本明細書に開示される原理及び新規な特徴と一致する最も広い範囲が与えられるべきである。

Claims (20)

1. 睡眠段階を自動的に検出する方法であって、
   ウェアラブルデバイスからユーザに関連付けられる生理学的データを受信するステップであって、前記生理学的データは、時間間隔にわたって前記ウェアラブルデバイスを介して収集される、ステップと、
   前記ユーザに関連付けられる概日リズムに少なくとも部分的に基づいて前記生理学的データを重み付けするように構成される概日リズム調整モデルを識別するステップと、
   前記生理学的データ及び前記概日リズム調整モデルを機械学習分類器に入力するステップと、
   前記機械学習分類器を使用して、前記時間間隔の少なくとも一部について、前記生理学的データを、複数の睡眠段階のうちの少なくとも１つの睡眠段階に分類するステップであって、該分類は、前記概日リズム調整モデルに少なくとも部分的に基づく、ステップと、
   前記生理学的データを分類したことに少なくとも部分的に基づいて、前記複数の睡眠段階のうちの前記少なくとも１つの睡眠段階の指示を、ユーザデバイスのグラフィカルユーザインタフェースに表示させるステップと、
   を含む、方法。
2. 前記ウェアラブルデバイスから前記ユーザに関連付けられる追加の生理学的データを受信するステップであって、前記追加の生理学的データは、前記時間間隔の前の少なくとも追加の時間間隔にわたって前記ウェアラブルデバイスを介して収集される、ステップと、
   前記追加の生理学的データに少なくとも部分的に基づいて、前記ユーザのための前記概日リズム調整モデルを生成するステップと、
   を更に含む、請求項１に記載の方法。
3. ベースライン概日リズム調整モデルを識別するステップを更に含み、前記ユーザのための概日リズム調整モデルを生成するステップは、前記追加の生理学的データに少なくとも部分的に基づいて、前記ベースライン概日リズム調整モデルを選択的に修正することを含む、
   請求項２に記載の方法。
4. 前記概日リズム調整モデルは、概日駆動構成要素、恒常性睡眠圧構成要素、経過睡眠時間構成要素又はそれらの任意の組合せを含む、
   請求項１に記載の方法。
5. 前記概日駆動構成要素は、正弦関数を含み、前記恒常性睡眠圧構成要素は、指数関数的減衰関数を含み、前記経過睡眠時間構成要素は、線形関数を含む、
   請求項４に記載の方法。
6. 前記生理学的データを分類するステップは、
   前記概日リズム調整モデルに少なくとも部分的に基づいて、前記時間間隔の複数のサブセットに関連付けられる複数の確率メトリックを選択的に重み付けするステップを含み、各確率メトリックは、前記時間間隔の対応するサブセットが前記複数の睡眠段階のそれぞれの睡眠段階に関連付けられる確率を含む、
   請求項１に記載の方法。
7. 前記生理学的データに少なくとも部分的に基づいて、前記ユーザの直近の睡眠期間からの時間期間を識別するステップと、
   前記時間期間を前記機械学習分類器に入力するステップと、
   を更に含み、前記生理学的データを分類するステップは、前記時間期間に少なくとも部分的に基づく、
   請求項１に記載の方法。
8. 前記生理学的データを分類するステップは、
   前記概日リズム調整モデルを使用して、前記時間期間に少なくとも部分的に基づいて、前記時間間隔の複数のサブセットに関連付けられる複数の確率メトリックを選択的に重み付けするステップを含み、各確率メトリックは、前記時間間隔の対応するサブセットが前記複数の睡眠段階のそれぞれの睡眠段階に関連付けられる確率を含む、
   請求項７に記載の方法。
9. 前記生理学的データを分類するステップは、
   前記時間間隔にわたって収集された前記生理学的データを、前記時間間隔内の複数の睡眠間隔に分類するステップと、
   前記複数の睡眠間隔の各睡眠間隔を、覚醒睡眠段階、浅い睡眠段階、急速眼球運動睡眠段階又は深い睡眠段階のうちの少なくとも１つに分類するステップと、
   を含む、請求項１に記載の方法。
10. 前記複数の睡眠間隔のうちの１つ以上の睡眠間隔を、前記ユーザデバイスの前記グラフィカルユーザインタフェースに表示させるステップと、
    前記１つ以上の睡眠間隔の各睡眠間隔に対応する分類された睡眠段階を前記ユーザデバイスの前記グラフィカルユーザインタフェースに表示させるステップと、
    を更に含む、請求項９に記載の方法。
11. 前記生理学的データに対して１つ以上の正規化手順を実行するステップを更に含み、前記生理学的データを前記機械学習分類器に入力するステップは、正規化された生理学的データを前記機械学習分類器に入力するステップを含む、
    請求項１に記載の方法。
12. 前記機械学習分類器を使用して、前記生理学的データに関連付けられる複数の特徴を識別するステップを更に含み、前記生理学的データを分類するステップは、前記複数の特徴を識別することに少なくとも部分的に基づく、
    請求項１に記載の方法。
13. 前記複数の特徴は、前記生理学的データの変化率、前記生理学的データの２つ以上のパラメータ間のパターン、前記生理学的データの最大データ値、前記生理学的データの最小データ値、前記生理学的データの平均データ値、前記生理学的データの中央値データ値、前記生理学的データのデータ値と前記ユーザのベースラインデータ値との比較又はそれらの任意の組合せを含む、
    請求項１２に記載の方法。
14. 前記複数の特徴のうちの１つ以上の特徴を前記ユーザデバイスの前記グラフィカルユーザインタフェースに表示させるステップ、
    を更に含む、請求項１２に記載の方法。
15. 前記概日リズム調整モデル、前記生理学的データを分類したこと又はその両方に少なくとも部分的に基づいて、前記ユーザに関連付けられる就寝時間、前記ユーザに関連付けられる起床時間又はその両方を識別するステップと、
    前記就寝時間、前記起床時間又はその両方を前記ユーザデバイスの前記グラフィカルユーザインタフェースに表示させるステップと、
    を更に含む、請求項１に記載の方法。
16. 前記生理学的データは、体温データ、加速度計データ、心拍数データ、心拍数変動データ、血中酸素濃度データ又はそれらの任意の組合せを含む、
    請求項１に記載の方法。
17. 前記ウェアラブルデバイスは、前記ユーザの指の中の動脈血流に基づいて、前記ユーザから前記生理学的データを収集する、
    請求項１に記載の方法。
18. 前記ウェアラブルデバイスは、１つ以上の赤色発光ダイオード及び１つ以上の緑色発光ダイオードを使用して、前記ユーザから前記生理学的データを収集する、
    請求項１に記載の方法。
19. 睡眠段階を自動的に検出するための装置であって、
    プロセッサと、
    前記プロセッサに結合されたメモリと、
    前記メモリ内に記憶された命令であって、当該装置に、
    ウェアラブルデバイスからユーザに関連付けられる生理学的データを受信することであって、前記生理学的データは、時間間隔にわたって前記ウェアラブルデバイスを介して収集されることと、
    前記ユーザに関連付けられる概日リズムに少なくとも部分的に基づいて前記生理学的データを重み付けするように構成される概日リズム調整モデルを識別することと、
    前記生理学的データ及び概日リズム調整モデルを機械学習分類器に入力することと、
    前記機械学習分類器を使用して、前記時間間隔の少なくとも一部について、前記生理学的データを、複数の睡眠段階のうちの少なくとも１つの睡眠段階に分類することであって、前記分類は、前記概日リズム調整モデルに少なくとも部分的に基づくことと、
    前記生理学的データを分類したことに少なくとも部分的に基づいて、前記複数の睡眠段階のうちの前記少なくとも１つの睡眠段階の指示を、ユーザデバイスのグラフィカルユーザインタフェースに表示させることと、
    を実行させるために前記プロセッサによって実行可能な命令と、
    を備える、装置。
20. 前記命令は、当該装置に、
    前記ウェアラブルデバイスから前記ユーザに関連付けられる追加の生理学的データを受信することであって、前記追加の生理学的データは、前記時間間隔の前の少なくとも追加の時間間隔にわたって前記ウェアラブルデバイスを介して収集されることと、
    前記追加の生理学的データに少なくとも部分的に基づいて、前記ユーザのための前記概日リズム調整モデルを生成することと、
    を実行させるために前記プロセッサによって更に実行可能である、請求項１９に記載の装置。
    

Images