特開 2024-14577 判定装置、判定方法、およびプログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2024014577

(43)【公開日】2024-02-01

(54)【発明の名称】判定装置、判定方法、およびプログラム

(51)【国際特許分類】

   G06N 20/00 20190101AFI20240125BHJP

【ＦＩ】

G06N20/00

【審査請求】未請求

【請求項の数】9

【出願形態】ＯＬ

(21)【出願番号】P 2022117512

(22)【出願日】2022-07-22

(71)【出願人】

【識別番号】000004237

【氏名又は名称】日本電気株式会社

(74)【代理人】

【識別番号】110000338

【氏名又は名称】弁理士法人 ＨＡＲＡＫＥＮＺＯ ＷＯＲＬＤ ＰＡＴＥＮＴ ＆ ＴＲＡＤＥＭＡＲＫ

(72)【発明者】

【氏名】湯本 英二

(72)【発明者】

【氏名】林谷 昌洋

(72)【発明者】

【氏名】長谷川 武史

(72)【発明者】

【氏名】小阪 勇気

(57)【要約】

【課題】対象が特定の状態であるとの判定を精度よく行う。
【解決手段】判定装置（１）は、対象から得られたデータに基づき、対象が特定の状態である程度を示すスコアを算出する算出部（１１）と、当該データに基づき閾値を決定する決定部（１２）と、スコアおよび閾値を比較することにより対象が特定の状態であるか否かを判定する判定部（１３）と、を含む。
【選択図】図１

【特許請求の範囲】

【請求項1】

対象から得られた対象データに基づき、前記対象が特定の状態である程度を示すスコアを算出する算出手段と、
前記対象データに基づき閾値を決定する決定手段と、
前記スコアおよび前記閾値を比較することにより前記対象が前記特定の状態であるか否かを判定する判定手段と、を含む判定装置。

【請求項2】

前記決定手段は、前記対象データを入力として前記特定の状態に関する算出値をそれぞれ出力する１または複数の予測モデルを用いて、前記閾値を決定する、
請求項１に記載の判定装置。

【請求項3】

前記算出手段は、前記対象データを入力として前記スコアを出力する算出モデルを用いて前記スコアを算出し、
前記算出モデルは、半教師有り学習により生成されたものであり、
前記１または複数の予測モデルのそれぞれは、教師有り学習により生成されたモデルである、請求項２に記載の判定装置。

【請求項4】

前記１または複数の予測モデルがそれぞれ出力する算出値は、前記対象が前記特定の状態である確率を予測した予測確率である、請求項２または３に記載の判定装置。

【請求項5】

前記決定手段が用いる予測モデルの数は複数であり、
前記決定手段は、前記複数の予測モデルがそれぞれ出力する算出値に重み付けして得られた値に基づいて、前記閾値を決定する、
請求項２または３に記載の判定装置。

【請求項6】

前記決定手段が用いる予測モデルの数は複数であり、
複数の前記予測モデルのうち少なくとも１つは、他の少なくとも１つと異なるアルゴリズム用いて生成されているか、または、他の少なくとも１つと異なるパラメータを適用した同一のアルゴリズムを用いて生成されている、
請求項２または３に記載の判定装置。

【請求項7】

前記決定手段が用いる予測モデルの数は複数であり、
前記複数の予測モデルのうち少なくとも１つは、他の少なくとも１つと異なる学習用データ群を用いて生成されている、
請求項２または３に記載の判定装置。

【請求項8】

少なくとも１つのプロセッサが、
対象から得られた対象データに基づき、前記対象が特定の状態である程度を示すスコアを算出することと、
前記対象データに基づき閾値を決定することと、
前記スコアおよび前記閾値を比較することにより前記対象が前記特定の状態であるか否かを判定することと、を含む判定方法。

【請求項9】

コンピュータを、
対象から得られた対象データに基づき、前記対象が特定の状態である程度を示すスコアを算出する算出手段と、
前記対象データに基づき閾値を決定する決定手段と、
前記スコアおよび前記閾値を比較することにより前記対象が前記特定の状態であるか否かを判定する判定手段と、
として機能させるプログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、対象が特定の状態であるか否かを判定する技術に関する。

【背景技術】

【0002】

特許文献１には、対象患者の生体情報から特徴量時系列データを算出し、特徴量時系列データを処理することにより対象患者の不穏スコアを出力する技術が記載されている。当該技術では、不穏スコアとして、０以上１以下の範囲の数値が出力される。スコアの数値は、１に近いほど不穏であり、０に近いほど非不穏であることを表す。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】国際公開第２０１９／０４４６１９号

【発明の概要】

【発明が解決しようとする課題】

【0004】

特許文献１に記載された技術を用いて、対象が特定の状態（不穏）であることを判定するには、不穏スコアに対する閾値を決定する必要があるが、この点について、特許文献１には記載がない。そのため、当該技術は、対象が特定の状態であることの判定を精度よく行うとの観点において改善の余地がある。

【0005】

本発明の一態様は、上記の問題に鑑みてなされたものであり、その目的の一例は、対象が特定の状態であることの判定を精度よく行う技術を提供することである。

【課題を解決するための手段】

【0006】

本発明の一態様に係る判定装置は、対象から得られた対象データに基づき、前記対象が特定の状態である程度を示すスコアを算出する算出手段と、前記対象データに基づき閾値を決定する決定手段と、前記スコアおよび前記閾値を比較することにより前記対象が前記特定の状態であるか否かを判定する判定手段と、を含む。

【0007】

本発明の一態様に係る判定方法は、少なくとも１つのプロセッサが、対象から得られた対象データに基づき、前記対象が特定の状態である程度を示すスコアを算出することと、前記対象データに基づき閾値を決定することと、前記スコアおよび前記閾値を比較することにより前記対象が前記特定の状態であるか否かを判定することと、を含む。

【0008】

本発明の一態様に係るプログラムは、コンピュータを、対象から得られた対象データに基づき、前記対象が特定の状態である程度を示すスコアを算出する算出手段と、前記対象データに基づき閾値を決定する決定手段と、前記スコアおよび前記閾値を比較することにより前記対象が前記特定の状態であるか否かを判定する判定手段と、として機能させる。

【発明の効果】

【0009】

本発明の一態様によれば、対象が特定の状態であることの判定を精度よく行う技術を提供することができる。

【図面の簡単な説明】

【0010】

【図1】本発明の実施形態１に係る判定装置の構成を示すブロック図である。

【図2】本発明の実施形態１に係る判定方法の流れを示すフロー図である。

【図3】本発明の実施形態２に係る判定装置の構成を示すブロック図である。

【図4】本発明の実施形態２に係る判定方法の流れを示すフロー図である。

【図5】本発明の各実施形態に係る判定装置のハードウェア構成例を示す図である。

【発明を実施するための形態】

【0011】

〔例示的実施形態１〕
本発明の第１の例示的実施形態について、図面を参照して詳細に説明する。本例示的実施形態は、後述する例示的実施形態の基本となる形態である。

【0012】

＜判定装置１の構成＞
本例示的実施形態に係る判定装置１の構成について、図１を参照して説明する。図１は、判定装置１の構成を示すブロック図である。図１に示すように、判定装置１は、算出部１１と、決定部１２と、判定部１３と、を含む。算出部１１は、特許請求の範囲に記載した算出手段を実現する構成の一例である。決定部１２は、特許請求の範囲に記載した決定手段を実現する構成の一例である。判定部１３は、特許請求の範囲に記載した判定手段を実現する構成の一例である。

【0013】

算出部１１は、対象から得られた対象データに基づき、対象が特定の状態である程度を示すスコアを算出する。決定部１２は、対象データに基づき閾値を決定する。判定部１３は、スコアおよび閾値を比較することにより対象が特定の状態であるか否かを判定する。

【0014】

＜判定方法Ｓ１の流れ＞
以上のように構成された判定装置１は、本例示的実施形態に係る判定方法Ｓ１を実行する。判定方法Ｓ１の流れについて、図２を参照して説明する。図２は、判定方法Ｓ１の流れを示すフロー図である。図２に示すように、判定方法Ｓ１は、算出ステップＳ１１と、決定ステップＳ１２と、判定ステップＳ１３と、を含む。算出ステップＳ１１において、算出部１１は、対象から得られた対象データに基づき、対象が特定の状態である程度を示すスコアを算出する。決定ステップＳ１２において、決定部１２は、対象データに基づき閾値を決定する。判定ステップＳ１３において、判定部１３は、スコアおよび閾値を比較することにより対象が特定の状態であるか否かを判定する。

【0015】

＜プログラムによる実現例＞
判定装置１をコンピュータにより構成する場合、コンピュータが参照するメモリには、以下のプログラムが記憶される。当該プログラムは、コンピュータを、対象から得られた対象データに基づき、対象が特定の状態である程度を示すスコアを算出する算出部１１と、対象データに基づき閾値を決定する決定部１２と、スコアおよび閾値を比較することにより対象が特定の状態であるか否かを判定する判定部１３と、として機能させる。コンピュータが当該プログラムをメモリから読み込んで実行することにより、上述した判定方法Ｓ１が実現される。

【0016】

＜本例示的実施形態の効果＞
以上のように、本例示的実施形態においては、対象から得られた対象データに基づき、対象が特定の状態である程度を示すスコアを算出し、対象データに基づき閾値を決定し、スコアおよび閾値を比較することにより対象が特定の状態であるか否かを判定する、との構成が採用されている。このため、本例示的実施形態に係る判定装置１によれば、対象が特定の状態であるとの判定を精度よく行うことができる、という効果が得られる。

【0017】

〔例示的実施形態２〕
本発明の第２の例示的実施形態に係る判定装置１Ａについて、図面を参照して詳細に説明する。なお、例示的実施形態１にて説明した構成要素と同じ機能を有する構成要素については、同じ符号を付し、その説明を適宜省略する。

【0018】

＜判定装置１Ａの概要＞
判定装置１Ａは、対象から得られた対象データに基づき対象の異常を検知する装置である。ここで、「異常」とは、特許請求の範囲に記載した「特定の状態」の一例である。より具体的には、判定装置１Ａは、教師有り学習により生成された予測モデルと、半教師有り学習により生成された算出モデルと、を用いて、対象の異常を検知する。判定装置１Ａを用いれば、例えば、ある領域において得られたラベル付きの学習用データ群に基づいて予測モデルを生成しておくことにより、ラベル付きの学習用データ群が充分に得られない他の領域においても、対象の異常を検知することができる。

【0019】

一例として、検知の対象が病院における患者であるとき、病院Ａ由来の教師有り学習による予測モデルがあるとする。具体的には、この予測モデルは、病院Ａの患者から得られたラベル付きの学習用データ群に基づき教師有り学習により生成されたものである。ここで、病院Ｂでは、患者の異常を検知したいというニーズがあるものの、病院Ｂの患者から得られる学習用データ群の全てにラベルを付与することが難しい場合がある。このような場合に、判定装置１Ａは、病院Ａ由来の教師有り学習による予測モデルと、病院Ｂ由来の半教師有り学習による算出モデルとを用いて、病院Ｂにおける患者の異常を精度よく検知することができる。

【0020】

なお、検知の対象が患者である場合、検知すべき異常とは、患者が不穏となる予兆（以降、不穏予兆とも記載）を示す状態であってもよい。また、患者から得られる学習用データまたは対象データとは、患者が身に付けた１または複数のセンサから得られる各種のセンサ情報、または、当該各種のセンサ情報から生成された特徴情報であってもよい。センサ情報の具体例としては、脈波センサまたは心電図ホルター等により得られる心拍データ、加速度センサにより得られる加速度データ等が挙げられる。ただし、検知の対象、検知すべき異常、学習用データ、および対象データは、上述した具体例に限られない。

【0021】

＜判定装置１Ａの構成＞
判定装置１Ａの構成について、図３を参照して説明する。図３に示すように、判定装置１Ａは、制御部１１０と、記憶部１２０と、入力部１３０と、出力部１４０、を含む。制御部１１０は、例えばプロセッサによって構成され、判定装置１Ａの各部を統括して制御する。また、制御部１１０は、算出部１１Ａと、決定部１２Ａと、判定部１３Ａと、を含む。これらの各機能ブロックおよび各モデルの詳細については、後述する「判定方法Ｓ１Ａの流れ」において説明する。

【0022】

入力部１３０は、判定装置１Ａに対して入力される情報を取得する。入力部１３０は、例えば、マウス、キーボード、タッチパッド等から入力される情報を取得してもよい。また、入力部１３０は、例えば、任意の記憶媒体、またはネットワークを介して接続された外部装置から入力される情報を取得してもよい。

【0023】

出力部１４０は、制御部１１０の制御にしたがって情報を出力する。出力部１４０は、例えば、ディスプレイ、プリンタ、スピーカ等に情報を出力してもよい。また、出力部１４０は、例えば、任意の記憶媒体、またはネットワークを介して接続された外部装置に情報を出力してもよい。

【0024】

記憶部１２０は、例えばメモリによって構成され、制御部１１０が使用する各種のデータを記憶する。また、記憶部１２０は、予測モデルＥｉ（ｉ＝１、２、…、ｎ、ｎは２以上の自然数）と、算出モデルＮＮと、を記憶する。算出モデルＮＮは、予測モデルＥ１～Ｅｎのいずれとも異なるモデルである。

【0025】

（予測モデルＥｉ）
予測モデルＥｉは、決定部１２Ａによって閾値を決定するために用いられる。予測モデルＥｉは、対象データを入力として異常に関する算出値を出力する。ここでは、算出値は、対象が異常である確率を予測した予測確率であるものとして説明を続ける。予測モデルＥｉは、教師有り学習により生成されたモデルである。

【0026】

例えば、予測モデルＥｉは、学習用データ群Ａｉを用いて、教師有り学習のアルゴリズムＲｉにより生成される。教師有り学習のアルゴリズムの具体例としては、勾配木、ランダムフォレスト、ロジスティック回帰等があるが、これらに限られない。

【0027】

学習用データ群Ａｉは、複数の学習用データからなる。例えば、学習用データは、学習対象である病院Ａの患者から得られたデータである。具体例として、学習用データは、患者が身に付けた１または複数のセンサから得られた各種のセンサ情報、または当該各種のセンサ情報に基づき生成された特徴情報である。学習用データ群Ａｉは、複数の学習対象からそれぞれ得られた学習用データを含んでいてもよいし、１つの学習対象から得られた複数の学習用データを含んでいてもよい。

【0028】

学習用データ群Ａｉに含まれる学習用データのそれぞれには、異常の有無を示すラベルが付与されている。例えば、ラベルの付与者が、患者を被写体として含む動画像を見ながら不穏予兆の有無を入力することにより、不穏予兆の有無を示すラベルが生成される。生成されたラベルは、入力時点に対応する動画像が示す期間に当該患者から得られた学習用データに関連付けられる。

【0029】

ここで、少なくとも１つの予測モデルＥｉは、少なくとも１つの他の予測モデルＥｊ（ｊ＝１、２、…ｎ、ただしｉ≠ｊ）とは異なる学習用データ群Ａｉを用いて生成されていてもよい。換言すると、学習用データ群Ａｉは、学習用データ群Ａｊと異なっていてもよい。なお、学習用データ群Ａｉと学習用データ群Ａｊとが異なるとは、学習用データ群ＡｉおよびＡｊの一方に含まれる少なくとも１つの学習用データが、他方に含まれていないことを言う。

【0030】

例えば、学習用データ群Ａ１は、第１エリアの患者から収集され、学習用データ群Ａ２は、第１エリアとは異なる第２エリアの患者から収集されてもよい。また、学習用データ群Ａ３は、第１属性の患者から収集され、学習用データ群Ａ４は、第１属性とは異なる第２属性の患者から収集されたものであってもよい。また、学習用データ群Ａ５は、第１期間に収集され、学習用データ群Ａ６は、第１期間とは異なる第２期間に収集されたものであってもよい。ただし、学習用データ群Ａｉの具体例は、上述した例に限られない。

【0031】

また、少なくとも１つの予測モデルＥｉは、少なくとも１つの他の予測モデルＥｊとは異なるアルゴリズムＲｉを用いて生成されていてもよい。また、少なくとも１つの予測モデルＥｉは、少なくとも１つの他の予測モデルＥｊと異なるパラメータを適用した同一のアルゴリズムＲｉを用いて生成されていてもよい。換言すると、アルゴリズムＲｉは、アルゴリズムＲｊと異なっていてもよいし、同一であってもよい。また、アルゴリズムＲｉがアルゴリズムＲｊと同一である場合、予測モデルＥｉを生成するためにアルゴリズムＲｉにおいて用いるパラメータと、予測モデルＥｊを生成するためにアルゴリズムＲｊにおいて用いるパラメータとは、異なっていてもよい。

【0032】

例えば、アルゴリズムＲ１が勾配木であり、アルゴリズムＲ２がハイパーパラメータを調整した勾配木であってもよい。また、アルゴリズムＲ３がランダムフォレストであり、アルゴリズムＲ４が、ハイパーパラメータを調整したランダムフォレストであってもよい。ただし、アルゴリズムＲｉの具体例は、上述した例に限られない。

【0033】

（算出モデルＮＮ）
算出モデルＮＮは、算出部１１Ａによってスコアを算出するために用いられる。算出モデルＮＮは、対象データを入力として、当該対象が異常である程度を示す異常スコアを出力する。算出モデルＮＮは、半教師有り学習により生成されたものである。

【0034】

例えば、算出モデルＮＮは、学習用データ群Ｂを用いて、半教師有り学習により生成される。半教師有り学習のアルゴリズムの具体例としては、ＤｅｖＮｅｔ（Deviation Network）等が挙げられるが、これらに限られない。

【0035】

学習用データ群Ｂは、複数の学習用データからなる。例えば、学習用データは、学習対象である病院Ｂの患者から得られたデータである。具体例として、学習用データは、患者が身に付けた１または複数のセンサから得られた各種のセンサ情報、または当該各種のセンサ情報に基づき生成された特徴情報である。学習用データ群Ｂは、複数の学習対象からそれぞれ得られた学習用データを含んでいてもよいし、１つの学習対象から得られた複数の学習用データを含んでいてもよい。

【0036】

学習用データ群Ｂに含まれる学習用データの一部には、異常の有無を示すラベルが付与されているが、他の一部にはラベルが付与されていない。付与者の操作によるラベル付与の具体例については、学習用データ群Ａｉについて説明した具体例と同様である。

【0037】

＜判定方法Ｓ１Ａの流れ＞
以上のように構成された判定装置１Ａは、本例示的実施形態に係る判定方法Ｓ１Ａを実行する。判定方法Ｓ１Ａについて、図４を参照して説明する。図４に示すように、判定方法Ｓ１Ａは、ステップＳ２１～Ｓ２９を含む。

【0038】

ステップＳ２１において、入力部１３０は、対象から得られた対象データを取得する。具体例として、対象データは、病院Ｂの患者の心拍データおよび加速度データから生成された特徴情報である。

【0039】

ステップＳ２２において、算出部１１Ａは、対象データの異常スコアを、算出モデルＮＮを用いて算出する。具体的には、算出部１１Ａは、算出モデルＮＮに対象データを入力することにより、算出モデルＮＮから出力される異常スコアを取得する。具体例として、算出モデルＮＮは、ＤｅｖＮｅｔを用いて生成されたモデルであり、学習の際に用いられた事前ガウス分布は、Ｎ（μ＝０，σ^２＝１）であるとする。

【0040】

ステップＳ２３において、決定部１２Ａは、予測モデルＥ１～Ｅｎを用いて予測確率を算出する。具体的には、決定部１２Ａは、対象データを予測モデルＥ１～Ｅｎのそれぞれに入力することにより、予測モデルＥ１～Ｅｎのそれぞれから出力される予測確率ｐｒｏｂａ＿１、ｐｒｏｂａ＿２、…、ｐｒｏｂａ＿ｎを取得する。具体例として、ｎ＝２であり、勾配木により生成された予測モデルＥ１からｐｒｏｂａ＿１＝０．５が得られ、ハイパーパラメータを調整した勾配木により生成された予測モデルＥ２からｐｒｏｂａ＿２＝０．５が得られたとする。

【0041】

ステップＳ２４において、決定部１２Ａは、予測モデルＥ１～Ｅｎがそれぞれ出力する予測確率の重み付け和（重み付けして得られた値の一例）に基づくｙを、次式（１）により算出する。

【数1】

ただし、式（１）において、ｗ＿１～ｗ＿ｎは、次式（２）を満たす重み係数である。

【数2】

これにより、ｙとして、０以上１以下の値が算出される。なお、重みｗ＿ｉは、例えば、予測モデルＥｉを１または複数の観点に基づき評価した評価結果に基づき決定されてもよい。そのような評価の観点は、例えば、学習用データ群Ａｉの信頼性、学習用データ群Ａｉに含まれる学習用データの個数、事後評価による予測モデルＥｉの精度、等に基づく観点であってもよいが、これらに限られない。

【0042】

ステップＳ２５において、決定部１２Ａは、ステップＳ２４で算出したｙに基づいて、閾値ｔｈｒｅｓｈｏｌｄ_ｙを決定する。ここで、式（１）により算出されるｙは、算出モデルＮＮの学習の際に用いられる事前分布において、異常でないと判定されるべき割合として適用される。具体例として、ｎ＝２であり、ｗ＿１＝０．０８、ｗ＿２＝０．０２であるとする。この場合、式（１）においてｗ＿１＝０．０８、ｐｒｏｂａ＿１＝０．５、ｗ＿２＝０．０２、ｐｒｏｂａ＿２＝０．５を適用すると、ｙ＝０．９５が得られる。つまり、事前分布のうち、９５％が異常でないと判定され、上位５％が異常と判定されるよう、閾値ｔｈｒｅｓｈｏｌｄ_ｙが設定される。この具体例では、事前分布がＮ（μ＝０，σ^２＝１）であるため、ｔｈｒｅｓｈｏｌｄ_ｙ＝μ＋ｚ＿ｙ＊σ＝０＋１．９６＊１＝１．９６が得られる。なお、ｚ＿ｙは、ｙを信頼度としたときのｚ値である。

【0043】

なお、ステップＳ２２の処理と、ステップＳ２３～２５の一連の処理との実行順序は、上述した順に限定されない。ステップＳ２２の処理と、ステップＳ２３～２５の一連の処理とは、並行して実行されてもよいし、ステップＳ２３～２５の一連の処理の次に、ステップＳ２２の処理が実行されてもよい。

【0044】

ステップＳ２６において、判定部１３Ａは、ステップＳ２２で算出した異常スコアが、ステップＳ２５で決定した閾値を超えているか否かを判断する。超えている場合（ステップＳ２６でＹｅｓ）、ステップＳ２７において、判定部１３Ａは、対象が異常であると判定する。超えていない場合（ステップＳ２６でＮｏ）、ステップＳ２８において、判定部１３Ａは、対象が異常でないと判定する。

【0045】

ステップＳ２９において、出力部１４０は、ステップＳ２７またはＳ２８における判定結果を出力する。

【0046】

＜本例示的実施形態の効果＞
以上のように、本例示的実施形態によれば、異常スコアを算出するために参照した対象データを、予測モデルＥ１～Ｅｎのそれぞれに入力して得られた予測確率を用いて閾値を決定し、当該異常スコアと閾値とを比較することにより、対象が異常であるか否かを判定する、との構成が採用されている。上記構成によれば、対象データに応じて予測モデルＥ１～Ｅｎが算出する算出値に基づいて動的に閾値を決定することができる。したがって、予測モデルＥ１～Ｅｎの精度に応じて、異常の検知精度を高めることができる。

【0047】

また、本例示的実施形態によれば、対象から得られた対象データを算出モデルＮＮに入力して異常スコアを算出し、算出モデルＮＮは半教師有り学習により生成され、予測モデルＥ１～Ｅｎは教師有り学習により生成されている、との構成が採用されている。上記構成によれば、対象の異常を検知したい領域において収集した学習用データ群の全てにラベルが付与できない場合にも、精度よく異常を検知することができる。すなわち、（ｉ）対象の異常を検知したい領域において半教師有り学習により生成された算出モデルＮＮと、（ｉｉ）教師有り学習により高精度であることが期待される予測モデルＥ１～Ｅｎと、を用いることで、対象の異常を検知したい領域において異常の検知精度を高めることができる。

【0048】

また、本例示的実施形態によれば、予測モデルＥ１～Ｅｎがそれぞれ算出する算出値は、対象が異常である確率を予測する予測確率である、との構成が採用されている。上記構成によれば、例えば、予測モデルＥｉとして、アンサンブル学習により予測確率を算出する勾配木、ランダムフォレスト等を適用することで、ロジスティック回帰等を適用してその算出値を用いる場合と比べて、より精度よく閾値を決定することができる。

【0049】

また、本例示的実施形態によれば、予測モデルＥ１～Ｅｎがそれぞれ出力する算出値の重み付け和に基づいて、異常スコアの閾値ｔｈｒｅｓｈｏｌｄ_ｙを決定する、との構成が採用されている。上記構成により、予測モデルＥ１～Ｅｎの重みを、閾値ｔｈｒｅｓｈｏｌｄ_ｙの決定に反映させることができるので、閾値ｔｈｒｅｓｈｏｌｄ_ｙの精度を向上させることができる。

【0050】

また、本例示的実施形態によれば、予測モデルＥｉは、予測モデルＥｊとは異なるアルゴリズムによって生成されているか、または、異なるパラメータを適用した同一のアルゴリズムによって生成されていてもよい、との構成が採用されている。または、予測モデルＥｉの生成に用いた学習用データ群Ａｉは、予測モデルＥｊの生成に用いた学習用データ群Ａｊとは異なっていてもよい、との構成が採用されている。これらの構成により、予測モデルＥｉおよびＥｊが算出する予測確率が異なり得るので、より多面的な観点から閾値ｔｈｒｅｓｈｏｌｄ_ｙを決定することができる。

【0051】

〔変形例〕
例示的実施形態２において、予測モデルＥｉの個数は、１つであってもよい。この場合、重み係数ｗ＿１として、１が適用される。このように変形した場合も、算出モデルＮＮよりも精度よく生成された１つの予測モデルＥ１を用いて、対象データに応じて閾値を動的に決定することができ、対象の異常を精度よく検知することができる。

【0052】

また、例示的実施形態２において、予測モデルＥ１～Ｅｎを生成するための学習用データ群Ａ１～Ａｎが病院Ａで収集され、算出モデルＮＮを生成するための学習用データ群が病院Ｂで収集される例について説明したが、これらが収集される領域は、必ずしも異なっていなくてもよく、同一であってもよい。例えば、病院Ａにおいてある時期に収集された学習用データ群Ａ１～Ａｎを用いて予測モデルＥ１～Ｅｎが生成され、その後、同じ病院Ａにおいて別の時期に学習用データ群Ｂが収集されて算出モデルＮＮが生成されてもよい。

【0053】

また、例示的実施形態２において、予測モデルＥ１～Ｅｎを生成するための学習用データ群Ａ１～Ａｎが、同じ病院Ａで収集される例について説明したが、これらが収集される領域は、必ずしも同一でなくてもよく、少なくとも１つが他の１つと異なる領域において収集されてもよい。例えば、学習用データ群Ａ１が病院Ａで収集され、学習用データ群Ａ２が、病院Ａとは異なる病院Ｂで収集されてもよい。

【0054】

また、例示的実施形態２において、検知すべき特定の状態が、「異常」である例、特に「患者の不穏予兆」である例について説明したが、特定の状態は、これに限られない。例えば、検知すべき特定の状態は、「正常」、「熟睡状態」等の他の状態であってもよい。また、検知の対象は、人間などの生物に限らず、機械、工場などの無生物、または、天候などの事象であってもよい。

【0055】

〔ソフトウェアによる実現例〕
判定装置１、１Ａの一部又は全部の機能は、集積回路（ＩＣチップ）等のハードウェアによって実現してもよいし、ソフトウェアによって実現してもよい。

【0056】

後者の場合、判定装置１、１Ａは、例えば、各機能を実現するソフトウェアであるプログラムの命令を実行するコンピュータによって実現される。このようなコンピュータの一例（以下、コンピュータＣと記載する）を図５に示す。コンピュータＣは、少なくとも１つのプロセッサＣ１と、少なくとも１つのメモリＣ２と、を備えている。メモリＣ２には、コンピュータＣを判定装置１、１Ａとして動作させるためのプログラムＰが記録されている。コンピュータＣにおいて、プロセッサＣ１は、プログラムＰをメモリＣ２から読み取って実行することにより、判定装置１、１Ａの各機能が実現される。

【0057】

プロセッサＣ１としては、例えば、ＣＰＵ（Central Processing Unit）、ＧＰＵ（Graphic Processing Unit）、ＤＳＰ（Digital Signal Processor）、ＭＰＵ（Micro Processing Unit）、ＦＰＵ（Floating point number Processing Unit）、ＰＰＵ（Physics Processing Unit）、ＴＰＵ（Tensor Processing Unit）、量子プロセッサ、マイクロコントローラ、又は、これらの組み合わせなどを用いることができる。メモリＣ２としては、例えば、フラッシュメモリ、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）、又は、これらの組み合わせなどを用いることができる。

【0058】

なお、コンピュータＣは、プログラムＰを実行時に展開したり、各種データを一時的に記憶したりするためのＲＡＭ（Random Access Memory）を更に備えていてもよい。また、コンピュータＣは、他の装置との間でデータを送受信するための通信インタフェースを更に備えていてもよい。また、コンピュータＣは、キーボードやマウス、ディスプレイやプリンタなどの入出力機器を接続するための入出力インタフェースを更に備えていてもよい。

【0059】

また、プログラムＰは、コンピュータＣが読み取り可能な、一時的でない有形の記録媒体Ｍに記録することができる。このような記録媒体Ｍとしては、例えば、テープ、ディスク、カード、半導体メモリ、又はプログラマブルな論理回路などを用いることができる。コンピュータＣは、このような記録媒体Ｍを介してプログラムＰを取得することができる。また、プログラムＰは、伝送媒体を介して伝送することができる。このような伝送媒体としては、例えば、通信ネットワーク、又は放送波などを用いることができる。コンピュータＣは、このような伝送媒体を介してプログラムＰを取得することもできる。

【0060】

〔付記事項１〕
本発明は、上述した実施形態に限定されるものでなく、請求項に示した範囲で種々の変更が可能である。例えば、上述した実施形態に開示された技術的手段を適宜組み合わせて得られる実施形態についても、本発明の技術的範囲に含まれる。

【0061】

〔付記事項２〕
上述した実施形態の一部又は全部は、以下のようにも記載され得る。ただし、本発明は、以下の記載する態様に限定されるものではない。

【0062】

（付記１）
対象から得られた対象データに基づき、前記対象が特定の状態である程度を示すスコアを算出する算出手段と、
前記対象データに基づき閾値を決定する決定手段と、
前記スコアおよび前記閾値を比較することにより前記対象が前記特定の状態であるか否かを判定する判定手段と、を含む判定装置。

【0063】

（付記２）
前記決定手段は、前記対象データを入力として前記特定の状態に関する算出値をそれぞれ出力する１または複数の予測モデルを用いて、前記閾値を決定する、
付記１に記載の判定装置。

【0064】

（付記３）
前記算出手段は、前記対象データを入力として前記スコアを出力する算出モデルを用いて前記スコアを算出し、
前記算出モデルは、半教師有り学習により生成されたものであり、
前記１または複数の予測モデルのそれぞれは、教師有り学習により生成されたモデルである、付記２に記載の判定装置。

【0065】

（付記４）
前記１または複数の予測モデルがそれぞれ出力する算出値は、前記対象が前記特定の状態である確率を予測した予測確率である、付記２または３に記載の判定装置。

【0066】

（付記５）
前記決定手段が用いる予測モデルの数は複数であり、
前記決定手段は、前記複数の予測モデルがそれぞれ出力する算出値に重み付けして得られた値に基づいて、前記閾値を決定する、
付記２から４の何れか１つに記載の判定装置。

【0067】

（付記６）
前記決定手段が用いる予測モデルの数は複数であり、
複数の前記予測モデルのうち少なくとも１つは、他の少なくとも１つと異なるアルゴリズム用いて生成されているか、または、他の少なくとも１つと異なるパラメータを適用した同一のアルゴリズムを用いて生成されている、
付記２から５の何れか１つに記載の判定装置。

【0068】

（付記７）
前記決定手段が用いる予測モデルの数は複数であり、
前記複数の予測モデルのうち少なくとも１つは、他の少なくとも１つと異なる学習用データ群を用いて生成されている、
付記２から６の何れか１つに記載の判定装置。

【0069】

（付記８）
少なくとも１つのプロセッサが、
対象から得られた対象データに基づき、前記対象が特定の状態である程度を示すスコアを算出することと、
前記対象データに基づき閾値を決定することと、
前記スコアおよび前記閾値を比較することにより前記対象が前記特定の状態であるか否かを判定することと、を含む判定方法。

【0070】

（付記９）
コンピュータを、
対象から得られた対象データに基づき、前記対象が特定の状態である程度を示すスコアを算出する算出手段と、
前記対象データに基づき閾値を決定する決定手段と、
前記スコアおよび前記閾値を比較することにより前記対象が前記特定の状態であるか否かを判定する判定手段と、
として機能させるプログラム。

【0071】

（付記１０）
少なくとも１つのプロセッサを備え、前記プロセッサは、対象から得られた対象データに基づき、前記対象が特定の状態である程度を示すスコアを算出する算出処理と、前記対象データに基づき閾値を決定する決定処理と、前記スコアおよび前記閾値を比較することにより前記対象が前記特定の状態であるか否かを判定する判定処理と、を実行する判定装置。

【0072】

なお、この判定装置は、更にメモリを備えていてもよく、このメモリには、前記算出処理と、前記決定処理と、前記判定処理と、を前記プロセッサに実行させるためのプログラムが記憶されていてもよい。また、このプログラムは、コンピュータ読み取り可能な一時的でない有形の記録媒体に記録されていてもよい。

【符号の説明】

【0073】

１、１Ａ 判定装置
１１、１１Ａ 算出部
１２、１２Ａ 決定部
１３、１３Ａ 判定部
１１０ 制御部
１２０ 記憶部
１３０ 入力部
１４０ 出力部
Ｃ１ プロセッサ
Ｃ２ メモリ

【図1】

【図2】

【図3】

【図4】

【図5】