心拍変動：人間工学研究における疲労検知指標

心電図（ECG）から得られる心拍変動（HRV）が、運転、航空、および危険を伴う業務における疲労検知において、脳波（EEG）に代わる実用的かつ高感度の手段となる理由をご紹介します。時間領域および周波数領域のHRV指標、実世界での応用例、そして人間工学研究におけるストレス、精神的負荷、回復の理解におけるHRVの役割について学びましょう。

疲労に関する研究は、運転中の居眠り、飛行中の覚醒状態、危険を伴う職業における注意力など、人間工学の研究において人命に関わる重要な意味を持っています。  

脳波検査（EEG）は、疲労を測定する上で多くの専門家からゴールドスタンダードと見なされているが、人間工学のフィールド調査において有用なデータを収集するには多くの実務上の課題が伴う。これは、被験者が移動する必要がある場合や、実験環境が質の高いEEGデータを収集するのに最適ではない場合があるためである（Pan et al 2021）。また、EEGに代わるより実用的な手法として、まばたきや呼吸パターン、さらには運転者の顔の分析なども、運転中の疲労を検知するために用いられてきた。 

このブログでは、人間工学の研究において、心電図（ECG）から得られる心拍変動（HRV）指標をどのように活用して疲労を検知できるかに焦点を当てます。これまで、iMotionsのECGモジュールでは時間領域のHRV指標が利用可能でした。今年、当社はECG R Notebookをリリースし、ユーザーがECGデータから周波数領域のHRVも収集できるようにしました。

心電図を用いた疲労度の測定

心拍数は、測定が簡単で理解しやすいため、一般的に最もよく使われる心臓の指標です。これは、特定の時間間隔における心拍数のことを指します（通常は1分あたりの拍数、bpm）。一般的に、安静時は心拍数が低く、活動時は高くなります。 

心拍数は疲労の度合いを示す指標となります。安静時の心拍数が長期間にわたって上昇している場合は、体がストレスを受けているか、あるいは疲労からの回復過程にあることを示している可能性があります。運動中に、その運動強度に対して予想されるレベルよりも心拍数が高くなった場合は、疲労や過度の負荷がかかっていることを示している可能性があります。運動後に心拍数が基準値に戻る速さは、フィットネスレベルや回復状態を示す指標となります。回復が遅い場合は、疲労が蓄積していることを示唆している可能性があります。

なぜ疲労の測定に心拍変動を用いるのか？

• HRVは、自律神経機能のより詳細な指標です
• HRVはより感度の高い指標であり、心拍数だけでは検出できないような疲労の変化を捉えることができます。 
• HRVは、慢性および急性の疲労に関する知見をもたらすことができます。 

心拍変動とは何ですか？

心拍変動（HRV）は、心拍間の時間の変動を反映するものであり、心拍数に比べて自律神経系の状態をより詳細に測る指標です。安静時の正常な心拍数は60bpmである場合がありますが、これは心拍が正確に1秒間隔で起こっていることを意味するわけではありません。間隔がわずかに長くなることもあれば、短くなることもあります。  

HRVの指標は、こうした微細な変化を総合的に表しています。HRVの上昇は、脳と心臓の間の健全な連携を示す良好な指標であり、自律神経系が内的・外的刺激に対してどれほど適応力を持っているかを反映するとともに、安静状態に戻る能力（ホメオスタシスの維持）を示しています。そのため、HRVはストレスの評価によく用いられます。 

HRVは、ストレスと回復を理解する上で重要な指標です。自律神経系の活動を反映しているため、身体的なプロセスだけでなく、精神的なプロセスからの影響も受けやすいのです。ストレスを感じていないときは、心拍数の変動が大きくなり、周囲の状況に適応しやすくなります。一方、体が「闘争・逃走反応」の状態にあるときは、HRVは低くなる傾向があります。

心拍変動を測定するにはどうすればよいですか？ 

HRV指標には、時間領域指標と周波数領域指標の2種類があります：

時間領域の指標 

HRVの時間領域指標は、心拍間の時間（心拍間隔、IBI）を測定し、その変動を定量化します。多くの指標が時間領域アプローチを採用しています（例については下の表を参照）。それらの計算方法は異なりますが、いずれもIBIの変動を定量化するための異なる手法に基づいています。

周波数領域の指標 

周波数領域の指標は、R-R間隔（心拍リズムが規則的な場合の「正常-正常」を意味するNNとも呼ばれる）を用いて、心拍の規則性に焦点を当てています。パワースペクトル密度は、ECGから周波数情報を抽出するためにパワースペクトル解析（例えば、高速フーリエ変換、自己回帰モデル、その他の手法）を適用することで算出されます。 

白色光がプリズムを通過すると、波長が長さ順に分けられて虹が現れるのと同じように、心電図データもパワースペクトルとして分類することができます。このデータから、カテゴリーを作成します（色の場合、赤と呼ばれる波長の範囲、黄色と呼ばれる別の範囲などがあります）。 心電図のパワースペクトルでは、各波形に周波数（Hz単位）が割り当てられるため、波形を高周波（HF）、低周波（LF）、超低周波（VLF）に分類することができます。 

周波数領域を用いた心拍変動の一般的な指標として、LF（0.04～0.15 Hz）信号のパワーとHF（0.15～0.4 Hz）信号のパワーの比、すなわちLF/HFが用いられる。 LF/HF比は、交感神経系と副交感神経系のバランス、すなわち交感・副交感神経のバランスを表す。一般に、LFは交感神経系（SNS）を、HFは副交感神経系（PNS）を反映するとされている（European Heart Journal, 1996）。 

超低周波（VLF）、極低周波（ULF）、および超短波（VHF）といった他の周波数領域の指標が報告されることもある。これらの電力値は正規化された値である場合もあれば、研究者が電力（周波数帯域内の曲線下面積）ではなく、ピークの周波数に注目する場合もある。 

電力とピークの関係を示す図。 

HRV指標の概要

メートル法	補足説明	種類
RMSSD	心拍間の連続する差の二乗平均平方根	時間領域
SDNN	IBIの標準偏差（正規分布間隔の標準偏差）	時間領域
NN50	50ミリ秒以上異なるNN（R-R）間隔が連続して現れるペアの数	時間領域
pNN50	NN50の割合をNN間隔の総数で割った値	時間領域
左翼／右翼	低周波／高周波	周波数領域

HRVには非線形指標もあります。時間領域指標、周波数領域指標、および非線形指標の算出方法の詳細については、当社のHRVブログをご覧ください。 

疲労を検知するために、どのHRV指標を使用するかをどのように決定しますか？

すべてのHRV指標は1つの心電図信号から抽出できるため、研究者たちはしばしば複数のHRV指標を用いる。指標によって長所と短所は異なる。一部の指標は

ある指標は副交感神経系（PNS）の変化に敏感である一方、他の指標は交感神経系（SNS）の変化に敏感です。記録期間が長い場合には適した指標もあれば、短期間や超短期間の記録に適した指標もあります。概要については、Shaffer and Ginsberg (2017) を参照してください。特定のHRV指標が選ばれるもう一つの理由は、研究者が自身の研究結果を類似した先行研究と比較したいと考え、そのため同様の方法やHRV指標を採用することを選択する場合があるからです。 

人間工学研究における心拍変動

心拍変動（HRV）とは何か、なぜ疲労検知に関連するのか、そしてHRVに関するさまざまな指標について概要を説明しました。そこで今回は、特にシミュレータや操作盤を用いた人間工学研究において、HRVがどのように活用されてきたかを示す3つの応用研究報告をまとめました。  

Patel et al 2011：AIツールは、HRVのみを用いて運転中の居眠りを検知することができる。

この概念実証論文は、研究分野や政策分野（および少なくとも1件の特許）において数百回にわたり引用されており、人間工学研究における眠気検知分野での重要性を示している。Patelらは、周波数ベースの心拍変動（HRV）を用いて、90％の精度でドライバーの疲労を検知するAIベースのシステムを開発した。 

方法

Lal & Craig (2002) は、以前の研究において「連続的かつ単調な」運転シミュレータ課題を用い、EEGによるデルタ波およびシータ波の活動変化が疲労の検出に利用できることを示したが、報告書には心電図（ECG）データを含めていなかった。Patelらは、その先行研究で収集されたECGデータを用いて、HRVのみを用いて運転者の疲労を検出できるかどうかを検証することにした。  

結果

Patelらは、心電図データのパワースペクトル密度解析（周波数領域アプローチ）を用いて、覚醒状態では低周波数帯域に顕著なピークが、眠気状態では高周波数帯域に顕著なピークが認められることを発見し、周波数領域指標を用いた心拍変動（HRV）が、覚醒状態と眠気状態のドライバーを区別するために活用できることを示した。研究者らは、単層ニューラルネットワークによる解析と少数のサンプルを用いて、眠気を正確に検出することに成功した。

これらの知見は、HRVの周波数領域指標のみを用いて運転中の疲労を検出できることを示しており、EEGの測定条件が最適でない場合、HRVはEEGに代わる有効な手段となり得る。 

100回以上引用されているMajidらによる研究は、疲労検出にマルチモーダルなアプローチを用いることで、疲労に関する理解をより詳細に深めることができることを示している。著者らによれば、これは交通渋滞の監視中にオペレーターが抱える精神的負荷を評価した、初期の研究の一つである。

都市の交通管制官として交通量を監視する業務では、交差点に設置された数百台のカメラの映像を表示する多数の画面に、長時間集中して目を配る必要があります。この業務の負担は状況によって異なり、交通量が増えるにつれて交通整理の業務量も増えるため、負担はより大きくなります。また、監視業務は24時間体制で行われるため、勤務シフトによっても負担は異なります。 本研究の参加者は、12時間の勤務、24時間の休憩、そして再び12時間の勤務というシフトを組み、それぞれ1回の日勤と1回の夜勤を担当しました。 

方法

各条件について、参加者はNASAタスク負荷指数（TLX）に回答した。これは、精神的負荷、身体的負荷、時間的負荷、パフォーマンス、努力、フラストレーションの5項目について、それぞれ7段階評価を行う主観的評価尺度である。 

心電図（ECG）および筋電図（EMG）のデータは、安静時、交通量が少ない時、交通量が多い時、および回復時に収集された。Majidらは、筋電図を用いて肩の筋肉（両側の上部僧帽筋）の筋緊張を測定した。また、心電図を用いて心拍数および心拍変動（時間領域および周波数領域の両方）を測定した。  

指標の概要

メートル法	ツール	寸法詳細
肩の凝り	筋電図	振幅（µV）
心拍数	心電図	bpm
心拍変動（時間領域）	心電図	SDNN（ms）、RMSSD（ms）、およびpNN50%（略語の解説については上の表を参照）
心拍変動（周波数領域）	心電図	左翼／右翼

結果

すべての測定値から、回復状態は休息状態とは生理学的に異なることが示された。これは重要な検証試験である。なぜなら、被験者は交通状況を監視していなかった（静かな部屋で5分間、目を開けたまま座っていた）にもかかわらず、優れた疲労検知システムであれば、休息状態と回復状態を区別できるはずだからである。 

トラフィック密度が高まり、モニタリングが複雑化するにつれて、すべての測定指標に影響が見られ、認知負荷やプレッシャー下での作業による生理学的影響を捉える方法は多岐にわたることが示された。Patelらと同様、これは応用研究における疲労検出において、ECGやEMGがEEGに代わる有用な手段となり得ることを示す良い指標である。 

本研究で検討されたすべての指標のうち、シフト勤務の影響が認められたのはLF/HF比（HRVの周波数領域指標）のみであった。このHRV指標を用いることで、研究者らは休息時と交通量が多い状況の間、および交通量が少ない状況と多い状況の間で、シフト勤務の影響を検出することができた。これは、周波数に基づくHRVが、他の指標（他のHRV指標を含め）と比較して、場合によっては疲労に対してより敏感に反応し得ることを示唆している。 TLXの結果から、参加者は夜勤の作業負荷を日勤よりも高いと認識していたことが示されており、この主観的な体験を反映する生理学的指標が得られたことは重要な知見である。 

この艦橋シミュレーターを用いた研究において、iMotionsのユーザーは、アンケート調査と多角的な生理学的測定法を組み合わせ、自己申告による精神状態と生理的反応との相関関係を調査した。 

方法

このシミュレータを用いた研究では、参加者（船舶操縦シミュレータやその課題に不慣れな学生）が、2つの異なるシナリオにおいて全長200メートルのクルーズ船を操船した。外洋シナリオでは、監視システムの確認以外にはほとんど何も行わない時間が長く続いた。一方、港湾シナリオは操船がより困難で、追加の副次的な課題が含まれており、時間制限も設けられていた。 

各シナリオの実施中に、主観的指標と生理学的指標が収集された。主観的測定の調査では、感情状態（覚醒度、注意力、覚醒度、快感、ストレスを含む）と作業負荷（前述のTLX調査に加え、全体的な作業負荷尺度）に焦点を当てた。生理学的指標としては、EDA（皮膚電気活動、GSR（皮膚電気反応）とも呼ばれる）とECGが用いられた。 

結果

本研究では、精神的負荷とストレスが、HRVおよびEDAの両方と相関することが明らかになった。ピークHF周波数（副交感神経活動を反映するHRVの周波数領域指標）は、ストレスや負荷、ならびに多くのEDA指標と強い負の相関を示した。覚醒度は、ピークLF周波数（交感神経活動を反映するHRVの周波数領域指標）と相関していた。 

複数の変数を考慮できるより高度な分析手法（主成分分析（PCA）および偏最小二乗回帰（PLSR））を用いて、心電図（ECG）および皮膚電気活動（EDA）の指標の組み合わせが、感情状態および精神的負荷に関する自己報告とどのように相関するかを調べた。これらの分析の結果、2つのシナリオでは、分散の重要な予測因子となる生理学的変数および主観的心理状態変数が異なっていることが示された。 

HRVの周波数領域指標に注目すると、 HF指標（HFパワーおよびHFピーク：副交感神経系の役割を示す）は「外洋」シナリオとの関連性が強く、LF指標（LFパワーおよびLFピーク：交感神経系の役割を示す）は「港湾」シナリオとの関連性がより密接であり、HRVの周波数領域指標を（LF/HF比としてではなく）個別に用いることで、交感神経系と副交感神経系がそれぞれどのように機能しているかについて興味深い知見が得られることが示された。 また、EDA指標（交感神経系の変化を反映する）も「港湾」シナリオと密接に関連しており、生理的反応がより交感神経系に関連しているという考えをさらに裏付けている。全体として、本報告は、HRVの周波数領域指標が、交感神経系と副交感神経系の異なる寄与を解明するための有用な指標であることを示している。 

この研究から得られる重要な知見は、マルチモーダル研究が個人の差異に対応するのにどのように役立つかという点である。本研究では、参加者は課題に不慣れであった。 新しいことに挑戦したり、プレッシャーの高い状況に直面したりした際の反応の仕方によって、ストレスレベルは人によって異なっていた。また、自己報告式のアンケート回答も個人差が生じる。なぜなら、精神的負荷やストレスをどのように評価するかについて、人によって傾向が異なるためである。生理学的反応も個人差があり、そのため、一部の人では変化を検知するのが困難であったり、他の人に比べて変化が小さかったりする可能性がある。 

結論

疲労や金属加工による身体的負荷を調査するシミュレーションや制御盤操作のタスクを検討する際、EEGの代替手段としてHRVを検討する価値があります。どちらも覚醒度を測定しますが、ECGとEDA/GSRを組み合わせることで、交感神経系（SNS）と副交感神経系（PNS）が生理的反応にどのように寄与しているかを、より詳細に把握することができます。最後に、主観的知見と生理的知見の両方から精神状態を探求することは極めて有効であり、被験者が言葉ではうまく表現できないようなことを理解する手助けとなります。 

参考文献

M. Patel、S.K.L. Lal、D. Kavanagh、P. Rossiter、「心拍変動データへのニューラルネットワーク解析の適用による運転者の疲労評価」、Expert Systems with Applications、第38巻、第6号、2011年、7235-7242ページ、ISSN 0957-4174、 https://doi.org/10.1016/j.eswa.2010.12.028.

Majid Fallahi、Majid Motamedzade、Rashid Heidarimoghadam、Ali Reza Soltanian、Shinji Miyake、「交通密度監視中の生理的および主観的反応に対する精神的負荷の影響：実地調査」、Applied Ergonomics、第52巻、2016年、95-103ページ、ISSN 0003-6870、 https://doi.org/10.1016/j.apergo.2015.07.009.

Wulvik, A.S., Dybvik, H. & Steinert, M. 「管制室環境（船舶ブリッジシミュレータ）における心理状態（作業負荷および感情）と生理的反応の関係に関する調査」。Cogn Tech Work 22, 95–108 (2020). https://doi.org/10.1007/s10111-019-00553-8

Pan, T., Wang, H., Si, H., Li, Y., & Shang, L. (2021). 心電図信号に基づくパイロットの疲労状態の判定. Sensors, 21(9), 3003. https://doi.org/10.3390/s21093003