特許 6791355 情報処理装置、情報処理方法、情報処理プログラム、情報処理システム、及び記憶媒体

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】6791355

(24)【登録日】2020年11月9日

(45)【発行日】2020年11月25日

(54)【発明の名称】情報処理装置、情報処理方法、情報処理プログラム、情報処理システム、及び記憶媒体

(51)【国際特許分類】

   A61B 5/20 20060101AFI20201116BHJP

   A61B 5/02 20060101ALI20201116BHJP

【ＦＩ】

   A61B5/20

   A61B5/02 C

【請求項の数】8

【全頁数】15

(21)【出願番号】特願2019-506798(P2019-506798)

(86)(22)【出願日】2017年3月22日

(86)【国際出願番号】JP2017011463

(87)【国際公開番号】WO2018173156

(87)【国際公開日】20180927

【審査請求日】2019年6月26日

(73)【特許権者】

【識別番号】000005223

【氏名又は名称】富士通株式会社

(74)【代理人】

【識別番号】100079049

【弁理士】

【氏名又は名称】中島 淳

(74)【代理人】

【識別番号】100084995

【弁理士】

【氏名又は名称】加藤 和詳

(74)【代理人】

【識別番号】100099025

【弁理士】

【氏名又は名称】福田 浩志

(72)【発明者】

【氏名】内田 大輔

(72)【発明者】

【氏名】前田 一穂

(72)【発明者】

【氏名】猪又 明大

【審査官】 伊知地 和之

(56)【参考文献】

【文献】 特表２００９−５３８７２０（ＪＰ，Ａ）

【文献】 特開２０１１−２１８０３２（ＪＰ，Ａ）

【文献】 特開２０１７−０１２２４５（ＪＰ，Ａ）

(58)【調査した分野】（Int.Cl.，ＤＢ名）

Ａ６１Ｂ ５／００ − ５／０１

Ａ６１Ｂ ５／０２ − ５／０３

Ａ６１Ｂ ５／０６ − ５／２２

ＣＳＤＢ（日本国特許庁）

ＪＳＴＰｌｕｓ／ＪＭＥＤＰｌｕｓ／ＪＳＴ７５８０（ＪＤｒｅａｍＩＩＩ）

(57)【特許請求の範囲】

【請求項1】

対象者の心拍数又は脈拍数を取得する取得部と、
前記取得部により取得された前記心拍数又は前記脈拍数の時系列データから、処理対象時点の前後の少なくとも一方の期間である異なる複数の所定期間それぞれについて前記心拍数又は前記脈拍数の変化の傾向を示す特徴量を算出する算出部と、
前記複数の所定期間それぞれについて前記算出部により算出された前記特徴量に基づいて、前記対象者が排尿したか否かを判定する判定部と、
を含む情報処理装置。

【請求項2】

前記算出部は、前記時系列データに対し、所定間隔毎の時点を処理対象時点として前記処理対象時点の前後の少なくとも一方の所定期間について前記特徴量を算出し、
前記判定部により前記対象者が排尿したと判定された場合、該判定に用いられた前記特徴量が算出された処理対象時点に対応する時点を前記対象者による排尿時点と推定する推定部、
を更に含む請求項１に記載の情報処理装置。

【請求項3】

前記算出部は、前記特徴量として、前記処理対象時点の前の第１期間の前記心拍数又は前記脈拍数の変化度合い、前記処理対象時点の後の第２期間の前記心拍数又は前記脈拍数の変化度合い、前記第２期間の後の第３期間の前記心拍数又は前記脈拍数の変化度合い、及び前記第１期間の前の第４期間の前記心拍数又は前記脈拍数の値と前記第２期間の後の第５期間の前記心拍数又は前記脈拍数の値の少なくとも１つを算出し、
前記判定部は、前記算出部により算出された特徴量が、前記第１期間の前記心拍数又は前記脈拍数の変化度合いである場合は該変化度合いが第１閾値以上である場合、前記第２期間の前記心拍数又は前記脈拍数の変化度合いである場合は該変化度合いが第２閾値未満である場合、前記第３期間の前記心拍数又は前記脈拍数の変化度合いである場合は該変化度合いが前記第１閾値よりも小さい第３閾値以上である場合、及び前記第４期間の前記心拍数又は前記脈拍数の値と前記第５期間の前記心拍数又は前記脈拍数の値である場合は前記第５期間の前記心拍数又は前記脈拍数の値が前記第４期間の前記心拍数又は前記脈拍数の値よりも小さい場合に、前記対象者が排尿したと判定する、
請求項２に記載の情報処理装置。

【請求項4】

前記特徴量は、前記処理対象時点の前の第１期間の前記心拍数又は前記脈拍数の変化度合い、前記処理対象時点の後の第２期間の前記心拍数又は前記脈拍数の変化度合い、前記第１期間の前記心拍数又は前記脈拍数の変化度合いと前記第２期間の前記心拍数又は前記脈拍数の変化度合いとの違いを示す値、前記第１期間の前記時系列データを近似して得られた直線と前記第２期間の前記時系列データを近似して得られた直線との交差角度、前記第２期間の後の第３期間の前記心拍数又は前記脈拍数の変化度合い、前記第２期間の前記心拍数又は前記脈拍数の変化度合いと前記第３期間の前記心拍数又は前記脈拍数の変化度合いとの違いを示す値、前記第２期間の前記時系列データを近似して得られた直線と前記第３期間の前記時系列データを近似して得られた直線との交差角度、前記第１期間の前の第４期間の前記心拍数又は前記脈拍数の値、前記第２期間の後の第５期間の前記心拍数又は前記脈拍数の値、前記第４期間の前記心拍数又は前記脈拍数の値と前記第５期間の前記心拍数又は前記脈拍数の値との違いを示す値、前記第１期間及び前記第２期間の前記時系列データにおける前記心拍数又は前記脈拍数と基準値との差の積算値、前記第５期間の前記時系列データにおける前記心拍数又は前記脈拍数と前記基準値との差の積算値、及び前記第１期間及び前記第２期間の前記時系列データにおける前記心拍数又は前記脈拍数と前記基準値との差の積算値と前記第５期間の前記時系列データにおける前記心拍数又は前記脈拍数と前記基準値との差の積算値との違いを示す値の少なくとも１つである、
請求項２に記載の情報処理装置。

【請求項5】

前記判定部は、排尿期間及び非排尿期間の各々について取得された前記心拍数又は前記脈拍数を用いて算出された前記特徴量を用いて予め生成された推定モデルを用いて、前記算出部により算出された前記特徴量に基づいて、前記対象者が排尿したか否かを判定する、
請求項４に記載の情報処理装置。

【請求項6】

対象者の心拍数又は脈拍数を取得し、
取得した前記心拍数又は前記脈拍数の時系列データから、処理対象時点の前後の少なくとも一方の期間である異なる複数の所定期間それぞれについて前記心拍数又は前記脈拍数の変化の傾向を示す特徴量を算出し、
前記複数の所定期間それぞれについて算出した前記特徴量に基づいて、前記対象者が排尿したか否かを判定する、
処理をコンピュータが実行する情報処理方法。

【請求項7】

対象者の心拍数又は脈拍数を取得し、
取得した前記心拍数又は前記脈拍数の時系列データから、処理対象時点の前後の少なくとも一方の期間である異なる複数の所定期間それぞれについて前記心拍数又は前記脈拍数の変化の傾向を示す特徴量を算出し、
前記複数の所定期間それぞれについて算出した前記特徴量に基づいて、前記対象者が排尿したか否かを判定する、
処理をコンピュータに実行させる情報処理プログラム。

【請求項8】

対象者の心拍数又は脈拍数を測定する測定装置、及び
前記測定装置により測定された対象者の心拍数又は脈拍数を取得する取得部と、前記取得部により取得された前記心拍数又は前記脈拍数の時系列データから、処理対象時点の前後の少なくとも一方の期間である異なる複数の所定期間それぞれについて前記心拍数又は前記脈拍数の変化の傾向を示す特徴量を算出する算出部と、前記複数の所定期間それぞれについて前記算出部により算出された前記特徴量に基づいて、前記対象者が排尿したか否かを判定する判定部と、を含む情報処理装置、
を備えた情報処理システム。

【発明の詳細な説明】

【技術分野】

【0001】

開示の技術は、情報処理装置、情報処理方法、情報処理プログラム、及び情報処理システムに関する。

【背景技術】

【0002】

従来、在床者の脈波から複数の特徴量を算出し、教師データに基づいて統計的学習を用いて学習された判別規則に対して、算出した特徴量を適用することにより在床者の睡眠状態を判別する技術が知られている。

【0003】

また、排尿の事前検知のための対象者の排尿に関する複数の特徴量を取得し、取得した複数の特徴量から対象者の状態を示す特徴量の組み合わせを求める技術が知られている。この技術では、過去の特徴量の組合せと尿失禁発生との関係が記録された実績情報を用いて、求めた特徴量の組合せから対象者の排尿の可能性を示す値を算出する。

【先行技術文献】

【特許文献】

【0004】

【特許文献1】特開２０１３−０８１７０７号公報

【特許文献2】特開２０１４−２３０６７９号公報

【発明の概要】

【発明が解決しようとする課題】

【0005】

前述した排尿の可能性を示す値を算出する技術は、排尿の事前検知のために、ある時点で取得した対象者の排尿に関連する複数の特徴量から対象者の状態を示す特徴量の組み合わせを求めて、対象者の排尿の可能性を示す値を算出するものであった。このため、この技術では、対象者が排尿したか否かを精度良く判定できない場合があった。

【0006】

開示の技術は、一つの側面として、対象者が排尿したか否かを精度良く判定することを目的とする。

【課題を解決するための手段】

【0007】

開示の技術は、一つの態様として、対象者の心拍数又は脈拍数を取得し、取得した前記心拍数又は前記脈拍数の時系列データから、前記心拍数又は前記脈拍数の変化の傾向を示す特徴量を算出する。そして、算出した前記特徴量に基づいて、前記対象者が排尿したか否かを判定する。

【発明の効果】

【0008】

一つの側面として、対象者が排尿したか否かを精度良く判定することができる、という効果を有する。

【図面の簡単な説明】

【0009】

【図1】排尿と心拍数との関係性を説明するためのグラフである。

【図2】実施形態に係る情報処理システムの概略構成を示すブロック図である。

【図3】実施形態に係る情報処理装置の機能ブロック図である。

【図4】実績格納部の一例を示す図である。

【図5】特徴量の算出処理を説明するためのグラフである。

【図6】特徴量の算出処理を説明するためのグラフである。

【図7】特徴量の算出処理を説明するためのグラフである。

【図8】特徴量の算出処理を説明するためのグラフである。

【図9】モデル生成用格納部の一例を示す図である。

【図10】推定モデルの一例を示す図である。

【図11】特徴量が２つの場合のマハラノビス距離の一例を示す図である。

【図12】実施形態に係る情報処理装置として機能するコンピュータの概略構成を示すブロック図である。

【図13】実施形態に係る生成処理の一例を示すフローチャートである。

【図14】実施形態に係る推定処理の一例を示すフローチャートである。

【図15】実施形態に係る特徴量算出処理の一例を示すフローチャートである。

【発明を実施するための形態】

【0010】

以下、図面を参照して、開示の技術の実施形態の例を詳細に説明する。

【0011】

まず、実施形態の詳細を説明する前に、図１を参照して、人の排尿と心拍数との関係性に関する知見について説明する。なお、以下では、排尿したか否かの推定対象とする人を「対象者」という。

【0012】

図１に、対象者が排尿した期間を含む前後の所定期間の対象者の心拍数の時系列データを示す。図１の矢印Ｙ１に示すように、対象者の排尿の開始に伴って心拍数は増加し、矢印Ｙ２に示すように、対象者の排尿の終了に伴って心拍数は減少する。また、矢印Ｙ３に示すように、心拍数の減少の終了後に、心拍数は、所定期間徐々に増加する。また、心拍数の減少の終了後の心拍数Ｓ１は、心拍数の増加の開始前の心拍数Ｓ２よりも小さくなる。

【0013】

以下の実施形態では、上記の排尿と心拍数との関係性の知見に基づき、対象者が排尿したか否かを判定する。なお、図１では、排尿と心拍数との関係性について示したが、排尿と脈拍数との関係性についても同様の傾向が見られる。

【0014】

次に、図２を参照して、本実施形態に係る情報処理システム１０の構成を説明する。図２に示すように、情報処理システム１０は、対象者に装着された測定装置１２、及び情報処理装置１４を含む。測定装置１２は無線通信によってネットワーク１６に接続され、情報処理装置１４は有線通信及び無線通信の少なくとも一方によってネットワーク１６に接続される。すなわち、測定装置１２及び情報処理装置１４は、ネットワーク１６を介してデータの送受信が可能とされる。情報処理装置１４の例としては、パーソナルコンピュータ、及びサーバコンピュータ等の情報処理装置が挙げられる。

【0015】

測定装置１２は、対象者の単位時間当たりの心拍数を所定間隔（例えば、１秒間隔）で測定し、測定により得られた心拍数を、ネットワーク１６を介して情報処理装置１４に送信する。測定装置１２の例としては、対象者の手首、腕、及び胸等に装着されるウェアラブルの心拍センサが挙げられる。

【0016】

次に、図３を参照して、本実施形態に係る情報処理装置１４の機能的な構成を説明する。図３に示すように、情報処理装置１４は、取得部２０、算出部２２、生成部２４、判定部２６、及び推定部２８を含む。情報処理装置１４の所定の記憶領域には、時系列データ４０、実績格納部４２、モデル生成用格納部４４、推定モデル４６、及び排尿時刻データ４８が記憶される。

【0017】

実績格納部４２には、過去の所定期間（例えば、１週間）において、対象者が実際に排尿した期間、及び排尿していない期間の対象者の心拍数が予め記憶される。図４に、実績格納部４２の一例を示す。図４に示すように、実績格納部４２には、対象者が実際に排尿した期間の心拍数の取得日時及び心拍数が、「排尿」というラベルが付与されて記憶される。また、実績格納部４２には、対象者が実際に排尿していない期間の心拍数の取得日時及び心拍数が、「非排尿」というラベルが付与されて記憶される。

【0018】

取得部２０は、測定装置１２から送信された心拍数を取得し、心拍数を取得した時刻と取得した心拍数とを対応付けて、時系列データ４０に追加する。すなわち、時系列データ４０には、一例として図１に示した心拍数の時系列データが記憶される。

【0019】

算出部２２は、時系列データ４０における心拍数の変化の傾向を示す特徴量（以下、単に「特徴量」という）を算出する。本実施形態では、算出部２２は、時系列データ４０の所定期間毎（例えば、１０秒毎）の時刻を特徴量の算出対象とする。以下では、特徴量の算出対象とする時刻を「対象時刻」という。

【0020】

算出部２２は、時系列データ４０を参照し、対象時刻から所定期間（例えば、３分）前の範囲内の各心拍数の取得時刻から対象時刻までの心拍数の時系列データを直線に近似し、近似して得られた各直線の傾きを算出する。なお、この算出の際、算出部２２は、対象時刻の直前の所定期間（例えば数秒）の心拍数を除いて心拍数の時系列データを直線に近似してもよい。そして、算出部２２は、一例として図５に示すように、近似して得られた各直線のうち、傾きが最大である直線Ｌ１の起点の時刻を、起点時刻ｔ１と特定する。なお、図５では、対象時刻を「ｔ２」で示している。また、以下では、直線Ｌ１の傾きを「傾きａ_ｕ１」という。すなわち、傾きａ_ｕ１が起点時刻ｔ１から対象時刻ｔ２までの第１期間における心拍数の変化度合いを示す。

【0021】

また、算出部２２は、時系列データ４０を参照し、対象時刻から、対象時刻から所定期間（例えば、３分）後の範囲内の各心拍数の取得時刻までの心拍数の時系列データを直線に近似し、近似して得られた各直線の傾きを算出する。なお、この算出の際、算出部２２は、対象時刻の直後の所定期間（例えば数秒）の心拍数を除いて心拍数の時系列データを直線に近似してもよい。そして、算出部２２は、一例として図５に示すように、近似して得られた各直線のうち、傾きが最小である直線Ｌ２の終点の時刻を、終点時刻ｔ３と特定する。なお、以下では、直線Ｌ２の傾きを「傾きａ_ｄ」という。すなわち、傾きａ_ｄが対象時刻ｔ２から終点時刻ｔ３までの第２期間における心拍数の変化度合いを示す。

【0022】

また、算出部２２は、第１期間における心拍数の変化度合いと第２期間における心拍数の変化度合いとの違いを示す値として、以下に示す（１）式に従って、傾きａ_ｕ１の絶対値と傾きａ_ｄの絶対値との比Ｈ１を算出する。
Ｈ１＝｜ａ_ｕ１｜÷｜ａ_ｄ｜・・・（１）

【0023】

なお、算出部２２は、第１期間における心拍数の変化度合いと第２期間における心拍数の変化度合いとの違いを示す値として、傾きａ_ｕ１の絶対値と傾きａ_ｄの絶対値との差（例えば、｜ａ_ｕ１｜−｜ａ_ｄ｜）を算出してもよい。

【0024】

また、算出部２２は、以下に示す（２）式及び（３）式に従って、傾きａ_ｕ１の直線Ｌ１と傾きａ_ｄの直線Ｌ２との交差角度Θ_１を算出する。

【0025】

【数1】

【0026】

また、算出部２２は、一例として図６に示すように、終点時刻ｔ３から所定期間（例えば、１５分）内の心拍数の時系列データを直線Ｌ３に近似し、近似して得られた直線Ｌ３の傾きａ_ｕ２を算出する。なお、以下では、この終点時刻ｔ３からの所定期間を「第３期間」という。すなわち、傾きａ_ｕ２が第３期間における心拍数の変化度合いを示す。第３期間の長さとしては、例えば、対象者が実際に排尿した後の心拍数の実測値が徐々に増加する期間の下限値等を適用することができる。また、第３期間は、第２期間よりも長くすることが望ましい。

【0027】

また、算出部２２は、第２期間における心拍数の変化度合いと第３期間における心拍数の変化度合いとの違いを示す値として、以下に示す（４）式に従って、傾きａ_ｄの絶対値と傾きａ_ｕ２の絶対値との比Ｈ２を算出する。
Ｈ２＝｜ａ_ｄ｜÷｜ａ_ｕ２｜・・・（４）

【0028】

なお、算出部２２は、第２期間における心拍数の変化度合いと第３期間における心拍数の変化度合いとの違いを示す値として、傾きａ_ｄの絶対値と傾きａ_ｕ２の絶対値との差（例えば、｜ａ_ｄ｜−｜ａ_ｕ２｜）を算出してもよい。

【0029】

また、算出部２２は、前述した交差角度Θ_１と同様に、傾きａ_ｄの直線Ｌ２と傾きａ_ｕ２の直線Ｌ３との交差角度Θ_２を算出する。

【0030】

また、算出部２２は、一例として図７に示すように、第１期間の前の心拍数を示す値として、第１期間の前の所定期間（例えば、１０分）の心拍数の平均値μ_ｕを算出する。なお、以下では、この第１期間の前の所定期間を「第４期間」という。また、算出部２２は、第２期間の後の心拍数を示す値として、第２期間の後の所定期間（例えば、１０分）の心拍数の平均値μ_ｄを算出する。なお、以下では、この第２期間の後の所定期間を「第５期間」という。第５期間は前述した第３期間と同じでもよい。なお、第４期間の長さ、及び第５期間の長さは、第１期間と第２期間との和より長いことが望ましい。

【0031】

また、算出部２２は、第４期間の心拍数と第５期間の心拍数との違いを示す値として、以下に示す（５）式に従って、平均値μ_ｄと平均値μ_ｕとの比Ｈ３を算出する。
Ｈ３＝μ_ｄ÷μ_ｕ・・・（５）

【0032】

なお、第４期間の心拍数と第５期間の心拍数との違いを示す値として、平均値μ_ｄと平均値μ_ｕとの差（例えば、μ_ｄ−μ_ｕ）を算出してもよい。

【0033】

また、算出部２２は、第１期間及び第２期間の心拍数の合計を示す値として、第１期間及び第２期間の各心拍数と平均値μ_ｕとの差の絶対値の積算値を算出することによって、図８に示す面積Ａ１を算出する。なお、算出部２２は、第１期間及び第２期間の心拍数の合計を示す値として、第１期間及び第２期間の各心拍数と平均値μ_ｕとの差の積算値を算出してもよい。

【0034】

また、算出部２２は、第５期間の心拍数の合計を示す値として、第５期間の各心拍数と平均値μ_ｕとの差の絶対値の積算値を算出することによって、図８に示す面積Ａ２を算出する。なお、算出部２２は、第５期間の心拍数の合計を示す値として、第５期間の各心拍数と平均値μ_ｕとの差の積算値を算出してもよい。

【0035】

また、算出部２２は、第１期間及び第２期間の心拍数の合計を示す値と第５期間の心拍数の合計を示す値との違いを示す値として、以下に示す（６）式に従って、面積Ａ２と面積Ａ１との比Ｈ４を算出する。
Ｈ４＝Ａ２÷Ａ１・・・（６）

【0036】

なお、算出部２２は、第１期間及び第２期間の心拍数の合計を示す値と第５期間の心拍数の合計を示す値との違いを示す値として、面積Ａ２と面積Ａ１との差（例えば、Ａ２−Ａ１）を算出してもよい。

【0037】

以上説明したように、算出部２２は、時系列データ４０を参照し、特徴量として、傾きａ_ｕ１、傾きａ_ｄ、比Ｈ１、交差角度Θ_１、傾きａ_ｕ２、比Ｈ２、交差角度Θ_２、平均値μ_ｕ、平均値μ_ｄ、比Ｈ３、面積Ａ１、面積Ａ２、及び比Ｈ４を算出する。

【0038】

また、算出部２２は、実績格納部４２に記憶された各データについても同様に、特徴量として、傾きａ_ｕ１、傾きａ_ｄ、比Ｈ１、交差角度Θ_１、傾きａ_ｕ２、比Ｈ２、交差角度Θ_２、平均値μ_ｕ、平均値μ_ｄ、比Ｈ３、面積Ａ１、面積Ａ２、及び比Ｈ４を算出する。そして、算出部２２は、算出対象の日時に対応付けられたラベルと、算出対象の日時について算出した各特徴量とを対応付けて、モデル生成用格納部４４に記憶する。図９に、モデル生成用格納部４４の一例を示す。図９に示すように、モデル生成用格納部４４には、実績格納部４２に記憶されたデータを用いて算出部２２により算出された排尿時及び非排尿時の各々の各特徴量が記憶される。また、本モデルは分析者が任意に作成してもよい。

【0039】

生成部２４は、モデル生成用格納部４４に記憶されたデータを用いて、推定モデル４６を生成する。本実施形態では、生成部２４は、モデル生成用格納部４４に記憶されたデータを用いた機械学習によって、排尿時及び非排尿時の各々の特徴量の平均ベクトル及び共分散行列を算出する。なお、この算出により得られる平均ベクトルは、特徴量の種類の数の次元のベクトルとなり、共分散行列は、特徴量の種類の数×特徴量の種類の数の対称行列となる。

【0040】

そして、生成部２４は、算出した排尿時の平均ベクトル及び共分散行列と、非排尿時の平均ベクトル及び共分散行列とを推定モデル４６として記憶する。図１０に、推定モデル４６の一例を示す。図１０に示すように、推定モデル４６は、排尿時及び非排尿時の各々に対応付けられた平均ベクトル及び共分散行列を含む。

【0041】

判定部２６は、算出部２２により算出された各特徴量に基づいて、対象者が排尿したか否かを判定する。以下では、マハラノビス距離を使った判定方法を例示したが、これ以外にも、サポートベクタマシン、ブースティングやニューラルネットワークなどの任意のアルゴリズムを適用することができる。本実施形態では、判定部２６は、特徴量空間において、算出部２２により算出された各特徴量と、推定モデル４６の排尿時に対応する平均ベクトル及び共分散行列が示す排尿時の特徴量の分布とのマハラノビス距離Ｄ_ｄを算出する。具体的には、判定部２６は、以下に示す（７）式に従って、マハラノビス距離Ｄ_ｄを算出する。なお、（７）式におけるｖ_ｄは、推定モデル４６の排尿時に対応する平均ベクトルであり、Σ_ｄは推定モデル４６の排尿時に対応する共分散行列である。また、（７）式におけるｘは、（ｘ_１、ｘ_２、・・・、ｘ_１３）^Ｔであり、このｘ_１、ｘ_２、・・・、ｘ_１３は、算出部２２により算出された各特徴量である。

【0042】

【数2】

【0043】

また、判定部２６は、特徴量空間において、算出部２２により算出された各特徴量と、推定モデル４６の非排尿時に対応する平均ベクトル及び共分散行列が示す非排尿時の特徴量の分布とのマハラノビス距離Ｄ_ｎを算出する。具体的には、判定部２６は、以下に示す（８）式に従って、マハラノビス距離Ｄ_ｎを算出する。なお、（８）式におけるｖ_ｎは、推定モデル４６の非排尿時に対応する平均ベクトルであり、Σ_ｎは推定モデル４６の非排尿時に対応する共分散行列である。

【0044】

【数3】

【0045】

そして、判定部２６は、排尿及び非排尿のうち、算出部２２により算出された各特徴量とのマハラノビス距離が小さい方に、各特徴量を分類することによって、対象者が排尿したか否かを判定する。具体的には、判定部２６は、マハラノビス距離Ｄ_ｄがマハラノビス距離Ｄ_ｎよりも小さい場合に、対象者が排尿したと判定する。すなわち、マハラノビス距離Ｄ_ｄが小さいほど、算出部２２により算出された各特徴量と排尿時の各特徴量の分布との類似度が高いと換言できる。また、マハラノビス距離Ｄ_ｎが小さいほど、算出部２２により算出された各特徴量と非排尿時の各特徴量の分布との類似度が高いと換言できる。

【0046】

図１１に、特徴量が２つの場合のマハラノビス距離Ｄ_ｄ、Ｄ_ｎの一例を示す。図１１に示すように、算出部２２により算出された特徴量がプロットされた点Ｐについて、マハラノビス距離Ｄ_ｎは、マハラノビス距離Ｄ_ｄよりも小さい。従って、図１１に示す例では、判定部２６は、対象者が排尿していないと判定する。

【0047】

推定部２８は、判定部２６により対象者が排尿したと判定された場合、判定に用いられた各特徴量が算出された際の対象時刻を、排尿時刻と推定する。そして、推定部２８は、推定した排尿時刻を、排尿時刻データ４８に追加する。なお、推定部２８は、判定部２６により対象者が排尿したと判定された場合、判定に用いられた各特徴量が算出された際の第１期間の起点時刻ｔ１を、排尿時刻と推定してもよいし、第１期間内の所定の時刻を排尿時刻と推定してもよい。

【0048】

情報処理装置１４は、例えば図１２に示すコンピュータ６０で実現することができる。コンピュータ６０は、Central Processing Unit（ＣＰＵ）６１、一時記憶領域としてのメモリ６２、及び不揮発性の記憶部６３を備える。また、コンピュータ６０は、表示装置及び入力装置等の入出力装置６４を備える。また、コンピュータ６０は、記録媒体６８に対するデータの読み込みと書き込みとを制御するＲｅａｄ／Ｗｒｉｔｅ（Ｒ／Ｗ）部６５、及びネットワークに接続されるネットワークＩ／Ｆ６６を備える。ＣＰＵ６１、メモリ６２、記憶部６３、入出力装置６４、Ｒ／Ｗ部６５、及びネットワークＩ／Ｆ６６は、バス６７を介して互いに接続される。

【0049】

記憶部６３は、Hard Disk Drive（ＨＤＤ）、Solid State Drive（ＳＳＤ）、フラッシュメモリ等によって実現することができる。記憶媒体としての記憶部６３には、コンピュータ６０を情報処理装置１４として機能させるための情報処理プログラム７０が記憶される。情報処理プログラム７０は、取得プロセス７１、算出プロセス７２、生成プロセス７３、判定プロセス７４、及び推定プロセス７５を有する。また、記憶部６３は、時系列データ４０、実績格納部４２、モデル生成用格納部４４、推定モデル４６、及び排尿時刻データ４８が記憶される情報記憶領域７６を有する。

【0050】

ＣＰＵ６１は、情報処理プログラム７０を記憶部６３から読み出してメモリ６２に展開し、情報処理プログラム７０が有するプロセスを実行する。ＣＰＵ６１は、取得プロセス７１を実行することで、図３に示す取得部２０として動作する。ＣＰＵ６１は、算出プロセス７２を実行することで、図３に示す算出部２２として動作する。ＣＰＵ６１は、生成プロセス７３を実行することで、図３に示す生成部２４として動作する。ＣＰＵ６１は、判定プロセス７４を実行することで、図３に示す判定部２６として動作する。ＣＰＵ６１は、推定プロセス７５を実行することで、図３に示す推定部２８として動作する。これにより、情報処理プログラム７０を実行したコンピュータ６０が、情報処理装置１４として機能することになる。なお、情報処理プログラム７０が有するプロセスを実行するＣＰＵ６１は、ハードウェアである。

【0051】

また、情報処理プログラム７０により実現される機能は、例えば半導体集積回路、より詳しくはApplication Specific Integrated Circuit（ＡＳＩＣ）等で実現することも可能である。

【0052】

次に、本実施形態に係る情報処理装置１４の作用を説明する。情報処理装置１４が情報処理プログラム７０を実行することで、図１３に示す生成処理、及び図１４に示す推定処理を実行する。図１３に示す生成処理は、例えば、入出力装置６４の入力装置を介して、ユーザにより実行指示が入力された場合にＣＰＵ６１により実行される。また、図１４に示す推定処理は、例えば、図１３に示す生成処理により推定モデル４６が生成された後で、かつ情報処理装置１４の電源スイッチがオン状態とされた場合に実行される。

【0053】

図１３に示す生成処理のステップＳ１０で、算出部２２は、前述したように、実績格納部４２に記憶されたデータの各日時について、特徴量として、傾きａ_ｕ１、傾きａ_ｄ、比Ｈ１、交差角度Θ_１、傾きａ_ｕ２、比Ｈ２、及び交差角度Θ_２を算出する。また、算出部２２は、前述したように、実績格納部４２に記憶されたデータの各日時について、特徴量として、平均値μ_ｕ、平均値μ_ｄ、比Ｈ３、面積Ａ１、面積Ａ２、及び比Ｈ４を算出する。

【0054】

次のステップＳ１２で、算出部２２は、算出対象の日時に対応付けられたラベルと、算出対象の日時についてステップＳ１０で算出された各特徴量とを対応付けて、モデル生成用格納部４４に記憶する。次のステップＳ１４で、生成部２４は、ステップＳ１２でモデル生成用格納部４４に記憶されたデータを用いた機械学習によって、排尿時及び非排尿時の各々の特徴量の平均ベクトル及び共分散行列を算出する。

【0055】

次のステップＳ１６で、生成部２４は、ステップＳ１４で算出された排尿時の平均ベクトル及び共分散行列と、非排尿時の平均ベクトル及び共分散行列とを推定モデル４６として記憶する。本ステップＳ１６の処理が終了すると、本生成処理が終了する。

【0056】

図１４に示す推定処理のステップＳ３０で、取得部２０は、測定装置１２から送信された心拍数を、ネットワークＩ／Ｆ６６を介して取得する。次のステップＳ３２で、取得部２０は、ステップＳ３０で心拍数を取得した時刻、及び取得した心拍数を対応付けて、時系列データ４０に追加する。次のステップＳ３４で、判定部２６は、対象者が排尿したか否かを判定する処理の実行タイミングが到来したか否かを判定する。この判定が否定判定となった場合は、処理はステップＳ３０に戻り、肯定判定となった場合は、処理はステップＳ３６に移行する。なお、この実行タイミングとしては、例えば、夜間に１日１回等の定期的なタイミングが挙げられる。

【0057】

以下のステップＳ３６からステップＳ４６の処理は、ステップＳ３０からステップＳ３４の繰り返し処理により記憶部６３に記憶された時系列データ４０におけるステップＳ３６からステップＳ４４の処理が未実行のデータが処理対象とされる。また、以下のステップＳ３６からステップＳ４４の処理は、繰り返し実行されることによって処理対象のデータの所定期間毎の対象時刻の各々について実行される。

【0058】

ステップＳ３６で、図１５に示す特徴量算出処理が実行される。図１５に示す特徴量算出処理のステップＳ６０で、算出部２２は、前述したように、時系列データ４０を参照し、対象時刻から所定期間前の範囲内の各心拍数の取得時刻から対象時刻までの心拍数の時系列データを直線に近似する。また、算出部２２は、近似して得られた各直線の傾きを算出する。そして、算出部２２は、近似して得られた各直線のうち、傾きが最大である直線Ｌ１の起点の時刻を、起点時刻ｔ１と特定する。また、算出部２２は、この直線Ｌ１の傾きを傾きａ_ｕ１とする。

【0059】

次のステップＳ６２で、算出部２２は、前述したように、時系列データ４０を参照し、対象時刻から、対象時刻から所定期間後の範囲内の各心拍数の取得時刻までの心拍数の時系列データを直線に近似し、近似して得られた各直線の傾きを算出する。そして、算出部２２は、近似して得られた各直線のうち、傾きが最小となる直線Ｌ２の終点の時刻を、終点時刻ｔ３と特定する。また、算出部２２は、この直線Ｌ２の傾きを傾きａ_ｄとする。

【0060】

次のステップＳ６４で、算出部２２は、上記（１）式に従って、ステップＳ６０で算出された傾きａ_ｕ１の絶対値と、ステップＳ６２で算出された傾きａ_ｄとの比Ｈ１を算出する。次のステップＳ６６で、算出部２２は、上記（２）式及び（３）式に従って、ステップＳ６０で算出された傾きａ_ｕ１の直線Ｌ１と、ステップＳ６２で算出された傾きａ_ｄの直線Ｌ２との交差角度Θ_１を算出する。

【0061】

次のステップＳ６８で、算出部２２は、前述したように、終点時刻ｔ３から所定期間内の心拍数の時系列データを直線Ｌ３に近似し、近似して得られた直線Ｌ３の傾きａ_ｕ２を算出する。次のステップＳ７０で、算出部２２は、上記（４）式に従って、ステップＳ６２で算出された傾きａ_ｄの絶対値と、ステップＳ６８で算出された傾きａ_ｕ２の絶対値との比Ｈ２を算出する。

【0062】

次のステップＳ７２で、算出部２２は、前述したように、ステップＳ６２で算出された傾きａ_ｄの直線Ｌ２と、ステップＳ６８で算出された傾きａ_ｕ２の直線Ｌ３との交差角度Θ_２を算出する。次のステップＳ７４で、算出部２２は、前述したように、第４期間の心拍数の平均値μ_ｕを算出する。次のステップＳ７６で、算出部２２は、前述したように、第５期間の心拍数の平均値μ_ｄを算出する。

【0063】

次のステップＳ７８で、算出部２２は、上記（５）式に従って、ステップＳ７６で算出された平均値μ_ｄと、ステップＳ７４で算出された平均値μ_ｕとの比Ｈ３を算出する。次のステップＳ８０で、算出部２２は、前述したように、第１期間及び第２期間の各心拍数と、ステップＳ７４で算出された平均値μ_ｕとの差の絶対値の積算値を算出することによって、面積Ａ１を算出する。

【0064】

次のステップＳ８２で、算出部２２は、第５期間の各心拍数と、ステップＳ７４で算出された平均値μ_ｕとの差の絶対値の積算値を算出することによって、面積Ａ２を算出する。次のステップＳ８４で、算出部２２は、上記（６）式に従って、ステップＳ８２で算出された面積Ａ２と、ステップＳ８０で算出された面積Ａ１との比Ｈ４を算出する。本ステップＳ８４の処理が終了すると本特徴量算出処理が終了し、処理は図１４に示す推定処理のステップＳ３８に戻る。

【0065】

図１４に示す推定処理のステップＳ３８で、判定部２６は、上記（７）式に従って、ステップＳ３６で算出された各特徴量と、推定モデル４６の排尿時に対応する平均ベクトル及び共分散行列が示す排尿時の特徴量の分布とのマハラノビス距離Ｄ_ｄを算出する。次のステップＳ４０で、判定部２６は、上記（８）式に従って、ステップＳ３６で算出された各特徴量と、推定モデル４６の非排尿時に対応する平均ベクトル及び共分散行列が示す非排尿時の特徴量の分布とのマハラノビス距離Ｄ_ｎを算出する。

【0066】

次のステップＳ４２で、判定部２６は、ステップＳ３８で算出されたマハラノビス距離Ｄ_ｄが、ステップＳ４０で算出されたマハラノビス距離Ｄ_ｎよりも小さいか否かを判定することによって対象者が排尿したか否かを判定する。この判定が否定判定となった場合は、処理はステップＳ４６に移行し、肯定判定となった場合は、処理はステップＳ４４に移行する。

【0067】

ステップＳ４４で、推定部２８は、ステップＳ４２の判定に用いられた各特徴量がステップＳ３６で算出された際の対象時刻を、排尿時刻と推定する。そして、推定部２８は、推定した排尿時刻を、排尿時刻データ４８に追加する。次のステップＳ４６で、判定部２６は、ステップＳ３６からステップＳ４４の処理が、時系列データ４０の処理対象とされたデータの全ての対象時刻について完了したか否かを判定する。この判定が否定判定となった場合は、処理はステップＳ３６に戻り、肯定判定となった場合は、処理はステップＳ３０に戻る。

【0068】

以上説明したように、本実施形態によれば、対象者の心拍数の時系列データ４０における心拍数の変化の傾向を示す特徴量を算出し、算出した特徴量に基づいて、対象者が排尿したか否かを判定する。従って、対象者が排尿したか否かを精度良く判定することができる。また、本実施形態によれば、特別な装置を用いずに、対象者が排尿したか否かを判定することができる。

【0069】

また、本実施形態によれば、判定部２６により対象者が排尿したと判定された場合、判定に用いられた特徴量が算出された処理対象時点を対象者による排尿時点と推定している。従って、情報処理装置１４のユーザが排尿時点を把握することができる。

【0070】

なお、上記実施形態において、対象者の心拍数に代えて、対象者の脈拍数を用いる形態としてもよい。

【0071】

また、上記実施形態において用いた各特徴量は全て用いなくてもよい。各特徴量のうち、２つ以上を用いる場合、上記実施形態と同様に、対象者が排尿したか否かを判定することができる。また、各特徴量の何れか１つを用いる場合、実績格納部４２から排尿時及び非排尿時の各々の特徴量の平均値を算出する。そして、この場合、時系列データ４０を用いて算出した特徴量が、算出した排尿時及び非排尿時の各々の特徴量の平均値の何れに近いかによって、対象者が排尿したか否かを判定する形態が例示される。

【0072】

また、上記実施形態では、機械学習によって得られた推定モデル４６を用いて対象者が排尿したか否かを判定する場合について説明したが、これに限定されない。例えば、第１期間の心拍数の変化度合いを示す傾きａ_ｕ１が０より大きい第１閾値以上である場合に、対象者が排尿したと判定する形態としてもよい。また、例えば、第２期間の心拍数の変化度合いを示す傾きａ_ｄが０より小さい第２閾値未満である場合に、対象者が排尿したと判定する形態としてもよい。また、例えば、第３期間の心拍数の変化度合いを示す傾きａ_ｕ２が０より大きく第１閾値より小さい第３閾値以上である場合に、対象者が排尿したと判定する形態としてもよい。また、例えば、第５期間の心拍数の平均値μ_ｄが第４期間の心拍数の平均値μ_ｕよりも小さい場合に、対象者が排尿したと判定する形態としてもよい。また、例えば、これらの傾きａ_ｕ１、傾きａ_ｄ、傾きａ_ｕ２、平均値μ_ｄ、及び平均値μ_ｄを用いた条件のうちの複数の条件の各々を満たす場合に、対象者が排尿したと判定する形態としてもよい。これらの条件は、前述した知見を特徴的に表す条件であるため、比較的少ない演算量で、対象者が排尿したことを精度良く推定することができる。

【0073】

また、上記実施形態において、情報処理装置１４により実現される機能を測定装置１２が実現してもよい。

【0074】

また、上記実施形態では、情報処理プログラム７０が記憶部６３に予め記憶（インストール）されている態様を説明したが、これに限定されない。情報処理プログラム７０は、ＣＤ−ＲＯＭ、ＤＶＤ−ＲＯＭ、ＵＳＢメモリ、メモリカード等の記録媒体に記録された形態で提供することも可能である。

【符号の説明】

【0075】

１０ 情報処理システム
１２ 測定装置
１４ 情報処理装置
２０ 取得部
２２ 算出部
２４ 生成部
２６ 判定部
２８ 推定部
４０ 時系列データ
４２ 実績格納部
４４ モデル生成用格納部
４６ 推定モデル
４８ 排尿時刻データ
６０ コンピュータ
６１ ＣＰＵ
６２ メモリ
６３ 記憶部
６８ 記録媒体
７０ 情報処理プログラム

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】

【図14】

【図15】