ホーム > 特許ランキング > ミネベアミツミ株式会社
知財求人 - 知財ポータルサイト「IP Force」
特開2024-146614体調変異予測モデルの作成方法、体調変異予測システム、体調変異予測方法、体調変異予測モデル、及び規則性特定モデルの作成方法
(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】P2024146614
(43)【公開日】2024-10-15
(54)【発明の名称】体調変異予測モデルの作成方法、体調変異予測システム、体調変異予測方法、体調変異予測モデル、及び規則性特定モデルの作成方法
(51)【国際特許分類】
G16H 20/00 20180101AFI20241004BHJP
G06Q 10/04 20230101ALI20241004BHJP
【ＦＩ】
G16H20/00
G06Q10/04
【審査請求】未請求
【請求項の数】42
【出願形態】ＯＬ
(21)【出願番号】P 2023059622
(22)【出願日】2023-03-31
(71)【出願人】
【識別番号】000114215
【氏名又は名称】ミネベアミツミ株式会社
(74)【代理人】
【識別番号】100099793
【弁理士】
【氏名又は名称】川北 喜十郎
(74)【代理人】
【識別番号】100154586
【弁理士】
【氏名又は名称】藤田 正広
(74)【代理人】
【識別番号】100179280
【弁理士】
【氏名又は名称】河村 育郎
(72)【発明者】
【氏名】布施 透
(72)【発明者】
【氏名】財津 裕介
【テーマコード（参考）】
5L010
5L049
5L099
【Ｆターム（参考）】
5L010AA04
5L049AA04
5L099AA13
5L099AA15
(57)【要約】
【課題】予測精度が向上された体調変異予測モデルを作成することのできる体調変異予測モデルの作成方法を提供する。
【解決手段】ベッド上の被験者の体調の変異を予測する体調変異予測モデルの作成方法は、センサにより教師データ用の被験者の生体情報を取得することと、
前記教師データ用の被験者の生体情報に基づいて前記教師データ用の被験者の臥床状態を判定することと、前記臥床状態の単位時間あたりの傾向である状態傾向を取得することと、前記状態傾向の時間的変動に含まれる規則性を特定することと、前記規則性と前記教師データ用の被験者の体調の変異を示す体調変異情報とを対応付けた教師データを用いた教師あり機械学習により、前記規則性と前記教師データ用の被験者の体調変異情報との相関関係を学習させた体調変異予測モデルを作成することと、を含む。
【選択図】図１１
【解決手段】ベッド上の被験者の体調の変異を予測する体調変異予測モデルの作成方法は、センサにより教師データ用の被験者の生体情報を取得することと、
前記教師データ用の被験者の生体情報に基づいて前記教師データ用の被験者の臥床状態を判定することと、前記臥床状態の単位時間あたりの傾向である状態傾向を取得することと、前記状態傾向の時間的変動に含まれる規則性を特定することと、前記規則性と前記教師データ用の被験者の体調の変異を示す体調変異情報とを対応付けた教師データを用いた教師あり機械学習により、前記規則性と前記教師データ用の被験者の体調変異情報との相関関係を学習させた体調変異予測モデルを作成することと、を含む。
【選択図】図１１
【特許請求の範囲】
【請求項1】
ベッド上の被験者の体調の変異を予測する体調変異予測モデルの作成方法であって、
センサにより教師データ用の被験者の生体情報を取得することと、
前記教師データ用の被験者の生体情報に基づいて前記教師データ用の被験者の臥床状態を判定することと、
前記臥床状態の単位時間あたりの傾向である状態傾向を取得することと、
前記状態傾向の時間的変動に含まれる規則性を特定することと、
前記規則性と前記教師データ用の被験者の体調の変異を示す体調変異情報とを対応付けた教師データを用いた教師あり機械学習により、前記規則性と前記教師データ用の被験者の体調変異情報との相関関係を学習させた体調変異予測モデルを作成することと、を含む方法。
センサにより教師データ用の被験者の生体情報を取得することと、
前記教師データ用の被験者の生体情報に基づいて前記教師データ用の被験者の臥床状態を判定することと、
前記臥床状態の単位時間あたりの傾向である状態傾向を取得することと、
前記状態傾向の時間的変動に含まれる規則性を特定することと、
前記規則性と前記教師データ用の被験者の体調の変異を示す体調変異情報とを対応付けた教師データを用いた教師あり機械学習により、前記規則性と前記教師データ用の被験者の体調変異情報との相関関係を学習させた体調変異予測モデルを作成することと、を含む方法。
【請求項2】
前記被験者と前記教師データ用の被験者とが同一である請求項１に記載の方法。
【請求項3】
前記被験者と前記教師データ用の被験者とが異なる請求項１に記載の方法。
【請求項4】
前記体調変異情報は、前記教師データ用の被験者の体調の変異の有無、及び／又は前記教師データ用の被験者の体調の変異の内容を含む請求項１～３のいずれか一項に記載の方法。
【請求項5】
前記臥床状態が、咳状態、体動状態、正常状態、及び呼吸異常状態を含む請求項１～４のいずれか一項に記載の方法。
【請求項6】
前記臥床状態が離床状態を含み、
前記状態傾向の時間的変動に含まれる規則性の特定において、前記離床状態の割合が所定値以上である状態傾向を除いた前記状態傾向の時間的変動に含まれる規則性を特定する請求項１～５のいずれか一項に記載の方法。
前記状態傾向の時間的変動に含まれる規則性の特定において、前記離床状態の割合が所定値以上である状態傾向を除いた前記状態傾向の時間的変動に含まれる規則性を特定する請求項１～５のいずれか一項に記載の方法。
【請求項7】
前記教師データは、前記規則性と、前記教師データ用の被験者の行動を示す行動情報及び／又は前記教師データ用の被験者の周囲の環境を示す環境情報とを更に対応づけたデータである請求項１～６のいずれか一項に記載の方法。
【請求項8】
前記状態傾向の時間的変動に含まれる規則性の特定を、前記状態傾向を入力すると前記規則性を出力するよう学習された学習済の規則性特定モデルにより行う請求項１～７のいずれか一項に記載の方法。
【請求項9】
前記センサは前記ベッドに配置された荷重センサであり、
前記生体情報は前記教師データ用の被験者の荷重である請求項１～８のいずれか一項に記載の方法。
前記生体情報は前記教師データ用の被験者の荷重である請求項１～８のいずれか一項に記載の方法。
【請求項10】
前記荷重センサは、前記ベッドの四隅にそれぞれ配置された４つのセンサであり、
前記４つのセンサの各々は、前記教師データ用の被験者の荷重に応じたひずみを生じる起歪体と、該起歪体に取り付けられたひずみセンサとを含む請求項９に記載の方法。
前記４つのセンサの各々は、前記教師データ用の被験者の荷重に応じたひずみを生じる起歪体と、該起歪体に取り付けられたひずみセンサとを含む請求項９に記載の方法。
【請求項11】
ベッド上の被験者の体調の変異を予測する体調変異予測システムであって、
センサにより取得された前記被験者の生体情報に基づいて前記被験者の臥床状態を判定する臥床状態判定部と、
前記臥床状態の単位時間あたりの傾向である状態傾向を取得する状態傾向取得部と、
前記状態傾向の時間的変動に含まれる規則性を特定する規則性特定部と、
前記規則性を体調変異予測モデルに入力して前記被験者の体調の変異を予測する体調変異予測部とを備え、
前記体調変異予測モデルは、教師データ用の被験者について特定された前記規則性と前記教師データ用の被験者の体調の変異を示す体調変異情報とを対応付けた教師データを用いた教師あり機械学習により、前記規則性と前記教師データ用の被験者の体調変異情報との相関関係を学習させた学習済モデルである体調変異予測システム。
センサにより取得された前記被験者の生体情報に基づいて前記被験者の臥床状態を判定する臥床状態判定部と、
前記臥床状態の単位時間あたりの傾向である状態傾向を取得する状態傾向取得部と、
前記状態傾向の時間的変動に含まれる規則性を特定する規則性特定部と、
前記規則性を体調変異予測モデルに入力して前記被験者の体調の変異を予測する体調変異予測部とを備え、
前記体調変異予測モデルは、教師データ用の被験者について特定された前記規則性と前記教師データ用の被験者の体調の変異を示す体調変異情報とを対応付けた教師データを用いた教師あり機械学習により、前記規則性と前記教師データ用の被験者の体調変異情報との相関関係を学習させた学習済モデルである体調変異予測システム。
【請求項12】
前記被験者と前記教師データ用の被験者とが同一である請求項１１に記載の体調変異予測システム。
【請求項13】
前記被験者と前記教師データ用の被験者とが異なる請求項１１に記載の体調変異予測システム。
【請求項14】
前記体調変異情報は、前記教師データ用の被験者の体調の変異の有無、及び／又は前記教師データ用の被験者の体調の変異の内容を含む請求項１１～１３のいずれか一項に記載の体調変異予測システム。
【請求項15】
前記臥床状態が、咳状態、体動状態、正常状態、及び呼吸異常状態を含む請求項１１～１４のいずれか一項に記載の体調変異予測システム。
【請求項16】
前記臥床状態が離床状態を含み、
前記状態傾向の時間的変動に含まれる規則性の特定において、前記離床状態の割合が所定値以上である状態傾向を除いた前記状態傾向の時間的変動に含まれる規則性を特定する請求項１１～１５のいずれか一項に記載の体調変異予測システム。
前記状態傾向の時間的変動に含まれる規則性の特定において、前記離床状態の割合が所定値以上である状態傾向を除いた前記状態傾向の時間的変動に含まれる規則性を特定する請求項１１～１５のいずれか一項に記載の体調変異予測システム。
【請求項17】
前記教師データは、前記規則性と、前記教師データ用の被験者の行動を示す行動情報及び／又は前記教師データ用の被験者の周囲の環境を示す環境情報とを更に対応づけたデータである請求項１１～１６のいずれか一項に記載の体調変異予測システム。
【請求項18】
前記規則性特定部は、前記状態傾向の時間的変動に含まれる規則性の特定を、前記状態傾向を入力すると前記規則性を出力するよう学習された学習済の規則性特定モデルにより行う請求項１１～１７のいずれか一項に記載の体調変異予測システム。
【請求項19】
前記センサは前記ベッドに配置された荷重センサであり、
前記生体情報は前記被験者の荷重である請求項１１～１８のいずれか一項に記載の体調変異予測システム。
前記生体情報は前記被験者の荷重である請求項１１～１８のいずれか一項に記載の体調変異予測システム。
【請求項20】
前記荷重センサは、前記ベッドの四隅にそれぞれ配置された４つのセンサであり、
前記４つのセンサの各々は、前記被験者の荷重に応じたひずみを生じる起歪体と、該起歪体に取り付けられたひずみセンサとを含む請求項１９に記載の体調変異予測システム。
前記４つのセンサの各々は、前記被験者の荷重に応じたひずみを生じる起歪体と、該起歪体に取り付けられたひずみセンサとを含む請求項１９に記載の体調変異予測システム。
【請求項21】
ベッド上の被験者の体調の変異を予測する体調変異予測方法であって、
センサにより取得された前記被験者の生体情報に基づいて前記被験者の臥床状態を判定する臥床状態判定工程と、
前記臥床状態の単位時間あたりの傾向である状態傾向を取得する状態傾向取得工程と、
前記状態傾向の時間的変動に含まれる規則性を特定する規則性特定工程と、
前記規則性を体調変異予測モデルに入力して前記被験者の体調の変異を予測する体調変異予測工程とを含み、
前記体調変異予測モデルは、教師データ用の被験者について特定された前記規則性と前記教師データ用の被験者の体調の変異を示す体調変異情報とを対応付けた教師データを用いた教師あり機械学習により、前記規則性と前記教師データ用の被験者の体調変異情報との相関関係を学習させた学習済モデルである体調変異予測方法。
センサにより取得された前記被験者の生体情報に基づいて前記被験者の臥床状態を判定する臥床状態判定工程と、
前記臥床状態の単位時間あたりの傾向である状態傾向を取得する状態傾向取得工程と、
前記状態傾向の時間的変動に含まれる規則性を特定する規則性特定工程と、
前記規則性を体調変異予測モデルに入力して前記被験者の体調の変異を予測する体調変異予測工程とを含み、
前記体調変異予測モデルは、教師データ用の被験者について特定された前記規則性と前記教師データ用の被験者の体調の変異を示す体調変異情報とを対応付けた教師データを用いた教師あり機械学習により、前記規則性と前記教師データ用の被験者の体調変異情報との相関関係を学習させた学習済モデルである体調変異予測方法。
【請求項22】
前記被験者と前記教師データ用の被験者とが同一である請求項２１に記載の体調変異予測方法。
【請求項23】
前記被験者と前記教師データ用の被験者とが異なる請求項２１に記載の体調変異予測方法。
【請求項24】
前記体調変異情報は、前記教師データ用の被験者の体調の変異の有無、及び／又は前記教師データ用の被験者の体調の変異の内容を含む請求項２１～２３のいずれか一項に記載の体調変異予測方法。
【請求項25】
前記臥床状態が、咳状態、体動状態、正常状態、及び呼吸異常状態を含む請求項２１～２４のいずれか一項に記載の体調変異予測方法。
【請求項26】
前記臥床状態が離床状態を含み、
前記状態傾向の時間的変動に含まれる規則性の特定において、前記離床状態の割合が所定値以上である状態傾向を除いた前記状態傾向の時間的変動に含まれる規則性を特定する請求項２１～２５のいずれか一項に記載の体調変異予測方法。
前記状態傾向の時間的変動に含まれる規則性の特定において、前記離床状態の割合が所定値以上である状態傾向を除いた前記状態傾向の時間的変動に含まれる規則性を特定する請求項２１～２５のいずれか一項に記載の体調変異予測方法。
【請求項27】
前記教師データは、前記規則性と、前記教師データ用の被験者の行動を示す行動情報及び／又は前記教師データ用の被験者の周囲の環境を示す環境情報とを更に対応づけたデータである請求項２１～２６のいずれか一項に記載の体調変異予測方法。
【請求項28】
前記規則性特定工程において、前記状態傾向の時間的変動に含まれる規則性の特定を、前記状態傾向を入力すると前記規則性を出力するよう学習された学習済の規則性特定モデルにより行う請求項２１～２７のいずれか一項に記載の体調変異予測方法。
【請求項29】
前記センサは前記ベッドに配置された荷重センサであり、
前記生体情報は前記被験者の荷重である請求項２１～２８のいずれか一項に記載の体調変異予測方法。
前記生体情報は前記被験者の荷重である請求項２１～２８のいずれか一項に記載の体調変異予測方法。
【請求項30】
前記荷重センサは、前記ベッドの四隅にそれぞれ配置された４つのセンサであり、
前記４つのセンサの各々は、前記被験者の荷重に応じたひずみを生じる起歪体と、該起歪体に取り付けられたひずみセンサとを含む請求項２９に記載の体調変異予測方法。
前記４つのセンサの各々は、前記被験者の荷重に応じたひずみを生じる起歪体と、該起歪体に取り付けられたひずみセンサとを含む請求項２９に記載の体調変異予測方法。
【請求項31】
ベッド上の被験者の体調の変異を予測する体調変異予測モデルであって、
センサにより教師データ用の被験者の生体情報を取得することと、
前記教師データ用の被験者の生体情報に基づいて前記教師データ用の被験者の臥床状態を判定することと、
前記臥床状態の単位時間あたりの傾向である状態傾向を取得することと、
前記状態傾向の時間的変動に含まれる規則性を特定することと、
前記規則性と前記教師データ用の被験者の体調の変異を示す体調変異情報とを対応付けることと、
により作成された教師データを用いた教師あり機械学習により、前記規則性と前記教師データ用の被験者の体調変異情報との相関関係を学習済みであり、
前記規則性に基づいて前記被験者の体調の変異を予測する体調変異予測モデル。
センサにより教師データ用の被験者の生体情報を取得することと、
前記教師データ用の被験者の生体情報に基づいて前記教師データ用の被験者の臥床状態を判定することと、
前記臥床状態の単位時間あたりの傾向である状態傾向を取得することと、
前記状態傾向の時間的変動に含まれる規則性を特定することと、
前記規則性と前記教師データ用の被験者の体調の変異を示す体調変異情報とを対応付けることと、
により作成された教師データを用いた教師あり機械学習により、前記規則性と前記教師データ用の被験者の体調変異情報との相関関係を学習済みであり、
前記規則性に基づいて前記被験者の体調の変異を予測する体調変異予測モデル。
【請求項32】
前記被験者と前記教師データ用の被験者とが同一である請求項３１に記載の体調変異予測モデル。
【請求項33】
前記被験者と前記教師データ用の被験者とが異なる請求項３１に記載の体調変異予測モデル。
【請求項34】
前記体調変異情報は、前記教師データ用の被験者の体調の変異の有無、及び／又は前記教師データ用の被験者の体調の変異の内容を含む請求項３１～３３のいずれか一項に記載の体調変異予測モデル。
【請求項35】
前記臥床状態が、咳状態、体動状態、正常状態、及び呼吸異常状態を含む請求項３１～３４のいずれか一項に記載の体調変異予測モデル。
【請求項36】
前記臥床状態が離床状態を含み、
前記状態傾向の時間的変動に含まれる規則性の特定において、前記離床状態の割合が所定値以上である状態傾向を除いた前記状態傾向の時間的変動に含まれる規則性を特定する請求項３１～３５のいずれか一項に記載の体調変異予測モデル。
前記状態傾向の時間的変動に含まれる規則性の特定において、前記離床状態の割合が所定値以上である状態傾向を除いた前記状態傾向の時間的変動に含まれる規則性を特定する請求項３１～３５のいずれか一項に記載の体調変異予測モデル。
【請求項37】
前記教師データは、前記規則性と、前記教師データ用の被験者の行動を示す行動情報及び／又は前記教師データ用の被験者の周囲の環境を示す環境情報とを更に対応づけたデータである請求項３１～３６のいずれか一項に記載の体調変異予測モデル。
【請求項38】
前記状態傾向の時間的変動に含まれる規則性の特定を、前記状態傾向を入力すると前記規則性を出力するよう学習された学習済の規則性特定モデルにより行う請求項３１～３７のいずれか一項に記載の体調変異予測モデル。
【請求項39】
前記センサは前記ベッドに配置された荷重センサであり、
前記生体情報は前記教師データ用の被験者の荷重である請求項３１～３８のいずれか一項に記載の体調変異予測モデル。
前記生体情報は前記教師データ用の被験者の荷重である請求項３１～３８のいずれか一項に記載の体調変異予測モデル。
【請求項40】
前記荷重センサは、前記ベッドの四隅にそれぞれ配置された４つのセンサであり、
前記４つのセンサの各々は、前記教師データ用の被験者の荷重に応じたひずみを生じる起歪体と、該起歪体に取り付けられたひずみセンサとを含む請求項３９に記載の体調変異予測モデル。
前記４つのセンサの各々は、前記教師データ用の被験者の荷重に応じたひずみを生じる起歪体と、該起歪体に取り付けられたひずみセンサとを含む請求項３９に記載の体調変異予測モデル。
【請求項41】
請求項３１～４０のいずれか一項に記載の体調変異予測モデルを記録した非一時的且つコンピュータ読取可能な記録媒体。
【請求項42】
センサによりベッド上の被験者の生体情報を取得することと、
前記被験者の生体情報に基づいて前記被験者の臥床状態を判定することと、
前記臥床状態の単位時間あたりの傾向である状態傾向を取得することと、
前記状態傾向をトレーニングデータとする機械学習により、前記状態傾向の時間的変動に含まれる所定の規則性を特定する規則性特定モデルを作成すること、とを含む規則性特定モデルの作成方法。
前記被験者の生体情報に基づいて前記被験者の臥床状態を判定することと、
前記臥床状態の単位時間あたりの傾向である状態傾向を取得することと、
前記状態傾向をトレーニングデータとする機械学習により、前記状態傾向の時間的変動に含まれる所定の規則性を特定する規則性特定モデルを作成すること、とを含む規則性特定モデルの作成方法。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、体調変異予測モデルの作成方法、体調変異予測システム、体調変異予測方法、体調変異予測モデル、及び規則性特定モデルの作成方法に関する。
【背景技術】
【0002】
医療や介護の現場において、ベッド上の被験者のデータをセンサにより取得し、取得したデータに基づいて被験者の体調の変化を予測することが提案されている。
【0003】
特許文献１は、対象人物の体動データを取得し、取得した体動データに基づいて対象人物の睡眠状態を常時判定し、判定した睡眠状態に基づいて対象人物の体調の変化を予測する体調予測方法を開示している。
【先行技術文献】
【特許文献】
【0004】
【特許文献1】特開２０１９－７６６８９号公報
【発明の概要】
【発明が解決しようとする課題】
【0005】
被験者の体調変化を予測する技術については、特許文献１に開示される体調予測方法を含め、更なる予測精度の向上が望まれている。
【0006】
本発明は、予測精度が向上された体調変異予測モデルを作成することのできる体調変異予測モデルの作成方法を提供することを目的とする。
【0007】
本発明は、予測精度が向上された体調変異予測システム、体調変異予測方法、及び体調変異予測モデルを提供することを目的とする。
【0008】
本発明は、予測精度が向上された体調変異予測システム及び体調変異予測方法で用いる規則性特定モデルを作成するための、規則性特定モデルの作成方法を提供することを目的とする。
【課題を解決するための手段】
【0009】
本発明の第１の態様に従えば、
ベッド上の被験者の体調の変異を予測する体調変異予測モデルの作成方法であって、
センサにより教師データ用の被験者の生体情報を取得することと、
前記教師データ用の被験者の生体情報に基づいて前記教師データ用の被験者の臥床状態を判定することと、
前記臥床状態の単位時間あたりの傾向である状態傾向を取得することと、
前記状態傾向の時間的変動に含まれる規則性を特定することと、
前記規則性と前記教師データ用の被験者の体調の変異を示す体調変異情報とを対応付けた教師データを用いた教師あり機械学習により、前記規則性と前記教師データ用の被験者の体調変異情報との相関関係を学習させた体調変異予測モデルを作成することと、を含む方法が提供される。
ベッド上の被験者の体調の変異を予測する体調変異予測モデルの作成方法であって、
センサにより教師データ用の被験者の生体情報を取得することと、
前記教師データ用の被験者の生体情報に基づいて前記教師データ用の被験者の臥床状態を判定することと、
前記臥床状態の単位時間あたりの傾向である状態傾向を取得することと、
前記状態傾向の時間的変動に含まれる規則性を特定することと、
前記規則性と前記教師データ用の被験者の体調の変異を示す体調変異情報とを対応付けた教師データを用いた教師あり機械学習により、前記規則性と前記教師データ用の被験者の体調変異情報との相関関係を学習させた体調変異予測モデルを作成することと、を含む方法が提供される。
【0010】
本発明の第２の態様に従えば、
ベッド上の被験者の体調の変異を予測する体調変異予測システムであって、
センサにより取得された前記被験者の生体情報に基づいて前記被験者の臥床状態を判定する臥床状態判定部と、
前記臥床状態の単位時間あたりの傾向である状態傾向を取得する状態傾向取得部と、
前記状態傾向の時間的変動に含まれる規則性を特定する規則性特定部と、
前記規則性を体調変異予測モデルに入力して前記被験者の体調の変異を予測する体調変異予測部とを備え、
前記体調変異予測モデルは、教師データ用の被験者について特定された前記規則性と前記教師データ用の被験者の体調の変異を示す体調変異情報とを対応付けた教師データを用いた教師あり機械学習により、前記規則性と前記教師データ用の被験者の体調変異情報との相関関係を学習させた学習済モデルである体調変異予測システムが提供される。
ベッド上の被験者の体調の変異を予測する体調変異予測システムであって、
センサにより取得された前記被験者の生体情報に基づいて前記被験者の臥床状態を判定する臥床状態判定部と、
前記臥床状態の単位時間あたりの傾向である状態傾向を取得する状態傾向取得部と、
前記状態傾向の時間的変動に含まれる規則性を特定する規則性特定部と、
前記規則性を体調変異予測モデルに入力して前記被験者の体調の変異を予測する体調変異予測部とを備え、
前記体調変異予測モデルは、教師データ用の被験者について特定された前記規則性と前記教師データ用の被験者の体調の変異を示す体調変異情報とを対応付けた教師データを用いた教師あり機械学習により、前記規則性と前記教師データ用の被験者の体調変異情報との相関関係を学習させた学習済モデルである体調変異予測システムが提供される。
【0011】
本発明の第３の態様に従えば、
ベッド上の被験者の体調の変異を予測する体調変異予測方法であって、
センサにより取得された前記被験者の生体情報に基づいて前記被験者の臥床状態を判定する臥床状態判定工程と、
前記臥床状態の単位時間あたりの傾向である状態傾向を取得する状態傾向取得工程と、
前記状態傾向の時間的変動に含まれる規則性を特定する規則性特定工程と、
前記規則性を体調変異予測モデルに入力して前記被験者の体調の変異を予測する体調変異予測工程とを含み、
前記体調変異予測モデルは、教師データ用の被験者について特定された前記規則性と前記教師データ用の被験者の体調の変異を示す体調変異情報とを対応付けた教師データを用いた教師あり機械学習により、前記規則性と前記教師データ用の被験者の体調変異情報との相関関係を学習させた学習済モデルである体調変異予測方法が提供される。
ベッド上の被験者の体調の変異を予測する体調変異予測方法であって、
センサにより取得された前記被験者の生体情報に基づいて前記被験者の臥床状態を判定する臥床状態判定工程と、
前記臥床状態の単位時間あたりの傾向である状態傾向を取得する状態傾向取得工程と、
前記状態傾向の時間的変動に含まれる規則性を特定する規則性特定工程と、
前記規則性を体調変異予測モデルに入力して前記被験者の体調の変異を予測する体調変異予測工程とを含み、
前記体調変異予測モデルは、教師データ用の被験者について特定された前記規則性と前記教師データ用の被験者の体調の変異を示す体調変異情報とを対応付けた教師データを用いた教師あり機械学習により、前記規則性と前記教師データ用の被験者の体調変異情報との相関関係を学習させた学習済モデルである体調変異予測方法が提供される。
【0012】
本発明の第４の態様に従えば、
ベッド上の被験者の体調の変異を予測する体調変異予測モデルであって、
センサにより教師データ用の被験者の生体情報を取得することと、
前記教師データ用の被験者の生体情報に基づいて前記教師データ用の被験者の臥床状態を判定することと、
前記臥床状態の単位時間あたりの傾向である状態傾向を取得することと、
前記状態傾向の時間的変動に含まれる規則性を特定することと、
前記規則性と前記教師データ用の被験者の体調の変異を示す体調変異情報とを対応付けることと、
により作成された教師データを用いた教師あり機械学習により、前記規則性と前記教師データ用の被験者の体調変異情報との相関関係を学習済みであり、
前記規則性に基づいて前記被験者の体調の変異を予測する体調変異予測モデルが提供される。
ベッド上の被験者の体調の変異を予測する体調変異予測モデルであって、
センサにより教師データ用の被験者の生体情報を取得することと、
前記教師データ用の被験者の生体情報に基づいて前記教師データ用の被験者の臥床状態を判定することと、
前記臥床状態の単位時間あたりの傾向である状態傾向を取得することと、
前記状態傾向の時間的変動に含まれる規則性を特定することと、
前記規則性と前記教師データ用の被験者の体調の変異を示す体調変異情報とを対応付けることと、
により作成された教師データを用いた教師あり機械学習により、前記規則性と前記教師データ用の被験者の体調変異情報との相関関係を学習済みであり、
前記規則性に基づいて前記被験者の体調の変異を予測する体調変異予測モデルが提供される。
【0013】
本発明の第５の態様に従えば、
センサによりベッド上の被験者の生体情報を取得することと、
前記被験者の生体情報に基づいて前記被験者の臥床状態を判定することと、
前記臥床状態の単位時間あたりの傾向である状態傾向を取得することと、
前記状態傾向をトレーニングデータとする機械学習により、前記状態傾向の時間的変動に含まれる所定の規則性を特定する規則性特定モデルを作成すること、とを含む規則性特定モデルの作成方法が提供される。
センサによりベッド上の被験者の生体情報を取得することと、
前記被験者の生体情報に基づいて前記被験者の臥床状態を判定することと、
前記臥床状態の単位時間あたりの傾向である状態傾向を取得することと、
前記状態傾向をトレーニングデータとする機械学習により、前記状態傾向の時間的変動に含まれる所定の規則性を特定する規則性特定モデルを作成すること、とを含む規則性特定モデルの作成方法が提供される。
【発明の効果】
【0014】
本発明の体調変異予測モデルの作成方法によれば、予測精度が向上された体調変異予測モデルを作成することができる。
【0015】
本発明の体調変異予測システム、体調変異予測方法、及び体調変異予測モデルによれば、向上された予測精度で被験者の体調の変異を予測することができる。
【0016】
本発明の規則性特定モデルの作成方法によれば、予測精度が向上された体調変異予測システム及び体調変異予測方法で用いる規則性特定モデルを作成することができる。
【図面の簡単な説明】
【0017】
【発明を実施するための形態】
【0018】
【0019】
[体調変異予測システム]
図１に示す通り、体調変異予測システム１００は、荷重計測部１０と、情報処理装置２０と、端末装置３０とを主に備える。荷重計測部１０、情報処理装置２０、及び端末装置３０は、インターネット等のネットワークＮＷを介して互いに接続されている。なお、荷重計測部１０、情報処理装置２０、及び端末装置３０の少なくとも２つを配線により接続してもよい。
図１に示す通り、体調変異予測システム１００は、荷重計測部１０と、情報処理装置２０と、端末装置３０とを主に備える。荷重計測部１０、情報処理装置２０、及び端末装置３０は、インターネット等のネットワークＮＷを介して互いに接続されている。なお、荷重計測部１０、情報処理装置２０、及び端末装置３０の少なくとも２つを配線により接続してもよい。
【0020】
荷重計測部１０は、４つの荷重センサＬＳ１、ＬＳ２、ＬＳ３、ＬＳ４を主に備える。４つの荷重センサＬＳ１～ＬＳ４の各々は、例えばビーム形のロードセルを用いて荷重を計測する。このような荷重センサは例えば、特許第４８２９０２０号や特許第４００２９０５号に記載されている。
【0021】
図２に示す通り、４つの荷重センサＬＳ１～ＬＳ４は、被験者Ｓが使用するベッドＢＤの四隅の脚ＢＬ１、ＢＬ２、ＢＬ３、ＢＬ４の下端部に取り付けられたキャスターＣ１、Ｃ２、Ｃ３、Ｃ４の下にそれぞれ配置される。
【0022】
情報処理装置２０は、制御部２１と記憶部２２とを主に備える。制御部２１には、前処理部２１１、臥床状態判定部２１２、傾向取得部２１３、規則性特定部２１４、体調変異予測部２１５、教師データ作成部２１６、及びモデル作成部２１７が構築されている（詳細後述）。記憶部２２には、臥床状態判定モデルＭＳＴＡ、規則性特定モデルＭＲＥＧ、体調変異予測モデルＭＰＲＥが保存されている（詳細後述）。
【0023】
情報処理装置２０、及びその内部の制御部２１及び記憶部２２は、単一の物理サーバ内に構成されていてもよく、分散して配置され且つクラウドで繋がった複数の物理サーバ（即ち、クラウドサーバ）内に構成されていてもよい。
【0024】
端末装置３０は、表示部３１と入力部３２とを主に備える。
【0025】
表示部３１は、体調変異予測部２１５が出力する被験者Ｓの体調の変異の予測を受け取り、当該予測を体調変異予測システム１００の使用者（医師、看護師、介護士、家庭における介護者等）に対して表示する。表示部３１は例えば、液晶ディスプレイ等の画像表示部及び／又はスピーカ等の音声表示部を有する。
【0026】
入力部３２は、体調変異予測システム１００に対する各種入力を行うためのインターフェイスである。入力部３２は例えば、キーボード及び／又はマウスであってもよく、表示部３１の液晶ディスプレイと一体に構成されたタッチパネルであってもよい。
【0027】
【0028】
体調変異予測システム１００が実行する体調変異予測方法は、図３のフローチャートに示す通り、荷重計測工程Ｓ１１、前処理工程Ｓ１２、臥床状態判定工程Ｓ１３、傾向取得工程Ｓ１４、規則性特定工程Ｓ１５、体調変異予測工程Ｓ１６、及び表示工程Ｓ１７を含む。
【0029】
[荷重計測工程Ｓ１１]
荷重計測工程Ｓ１１では、荷重計測部１０の荷重センサＬＳ１～ＬＳ４を用いて、ベッドＢＤ上の被験者Ｓの荷重（即ち、被験者ＳがベッドＢＤに加える荷重）を計測する。被験者Ｓの荷重は、ベッドＢＤの四隅の脚ＢＬ１～ＢＬ４の下に配置された荷重センサＬＳ１～ＬＳ４に分散して付与され、これらによって分散して計測される。
荷重計測工程Ｓ１１では、荷重計測部１０の荷重センサＬＳ１～ＬＳ４を用いて、ベッドＢＤ上の被験者Ｓの荷重（即ち、被験者ＳがベッドＢＤに加える荷重）を計測する。被験者Ｓの荷重は、ベッドＢＤの四隅の脚ＢＬ１～ＢＬ４の下に配置された荷重センサＬＳ１～ＬＳ４に分散して付与され、これらによって分散して計測される。
【0030】
荷重センサＬＳ１～ＬＳ４の各々は、被験者Ｓの荷重をアナログ信号として検出する。以下では、荷重センサＬＳ１、ＬＳ２、ＬＳ３、ＬＳ４の各々が検出したアナログ信号（即ち、生データ信号）をアナログ信号ｓ１、ｓ２、ｓ３、ｓ４と記載する。
【0031】
アナログ信号ｓ１～ｓ４は、荷重計測部１０の通信インターフェイス（不図示）、及びネットワークＮＷを介して情報処理装置２０に送られる。
【0032】
[前処理工程Ｓ１２]
前処理工程Ｓ１２では、情報処理装置２０の前処理部２１１が、荷重計測部１０からネットワークＮＷを介して受け取った被験者Ｓの荷重値（アナログ信号ｓ１、ｓ２、ｓ３、ｓ４）に基づいて各種パラメータを算出する。
前処理工程Ｓ１２では、情報処理装置２０の前処理部２１１が、荷重計測部１０からネットワークＮＷを介して受け取った被験者Ｓの荷重値（アナログ信号ｓ１、ｓ２、ｓ３、ｓ４）に基づいて各種パラメータを算出する。
【0033】
前処理部２１１はまず、荷重計測部１０から送られたアナログ信号ｓ１～ｓ４を、ネットワークＮＷ及び情報処理装置２０の通信インターフェイス（不図示）を介して受け取る。そして、サンプリング周期を例えば５ミリ秒としてアナログ信号ｓ１～ｓ４をデジタル変換し、デジタル信号を取得する。以下では、アナログ信号ｓ１、ｓ２、ｓ３、ｓ４をそれぞれデジタル変換して得られるデジタル信号を荷重信号ｓｓ１、ｓｓ２、ｓｓ３、ｓｓ４と記載する。
【0034】
本実施形態では、前処理部２１１は、パラメータとして、下記の少なくとも一つを算出する。前処理部２１１は、算出したパラメータを記憶部２２に保存する。
【0035】
（１）荷重信号ｓｓ１～ｓｓ４
荷重信号ｓｓ１～ｓｓ４をそのままパラメータとして使用する。
荷重信号ｓｓ１～ｓｓ４をそのままパラメータとして使用する。
【0036】
（２）各周波数帯のスペクトル振幅ＳＡｎＸ－Ｙ
荷重信号ｓｓ１～ｓｓ４に対して短時間フーリエ変換を逐次行い、周波数スペクトル（一例を図５に示す）を逐次生成する。短時間フーリエ変換の窓関数の長さは一例として１０[ｓ]程度とし得る。短時間フーリエ変換は一例として、５[ｓ]～１５[ｓ]ごとに実行され得る。時間的に連続する２回の短時間フーリエ変換の窓関数は互いに部分的に重複してもよい。
荷重信号ｓｓ１～ｓｓ４に対して短時間フーリエ変換を逐次行い、周波数スペクトル（一例を図５に示す）を逐次生成する。短時間フーリエ変換の窓関数の長さは一例として１０[ｓ]程度とし得る。短時間フーリエ変換は一例として、５[ｓ]～１５[ｓ]ごとに実行され得る。時間的に連続する２回の短時間フーリエ変換の窓関数は互いに部分的に重複してもよい。
【0037】
短時間フーリエ変換の窓関数の長さは、時間分解能および周波数分解能との相関が知られている。すなわち、窓関数の時間長を長くすれば時間分解能は低く周波数分解能は高くなり、短くすれば時間分解能は高く周波数分解能は低くなる。こうした特性を改善するための手法として、窓関数を導入することによるサイドローブの抑制が知られている。また、一般調和解析法（Ｇｅｎｅｒａｌｉｚｅｄ Ｈａｒｍｏｎｉｃ Ａｎａｌｙｓｉｓ： ＧＨＡ）や複数窓長を使った短時間フーリエ変換（Ｍｕｌｔｉ－Ｗｉｎｄｏｗｓ ＳＴＦＴ）が知られている。これらの手法を使い、周波数スペクトルを分析して説明変数を決定してもよい。
【0038】
生成された周波数スペクトルの各々について、周波数を１０個の帯域に分割し、各帯域におけるスペクトル振幅の平均値を算出する。本実施形態では、一例として、０．２～０．５[Ｈｚ]、０．６～１．０[Ｈｚ]、１．１～１．５[Ｈｚ]、１．６～２．０[Ｈｚ]、２．１～２．５[Ｈｚ]、２．６～３．０[Ｈｚ]、３．１～３．５[Ｈｚ]、３．６～４．０[Ｈｚ]、４．１～４．５[Ｈｚ]、及び４．６～５．０[Ｈｚ]の各帯域におけるスペクトル振幅の平均値を算出する。
【0039】
以下では、荷重信号ｓｓｎ（ｎ＝１、２、３、４）に基づいて生成された周波数スペクトルの、Ｘ～Ｙ[Ｈｚ]の周波数帯域のスペクトル振幅の平均値をスペクトル振幅ＳＡｎＸ―Ｙ（ｎ＝１、２、３、４）と記載する。
【0040】
（３）重心位置
荷重信号ｓｓ１～ｓｓ４に基づいて算出される、ベッドＢＤ上での被験者Ｓの重心位置。重心位置の算出には任意の公知の方法を用い得る。重心位置の算出方法の一例は、特許第６３２１７１９号明細書に記載されている。
荷重信号ｓｓ１～ｓｓ４に基づいて算出される、ベッドＢＤ上での被験者Ｓの重心位置。重心位置の算出には任意の公知の方法を用い得る。重心位置の算出方法の一例は、特許第６３２１７１９号明細書に記載されている。
【0041】
（４）呼吸波形
被験者Ｓの重心Ｇは被験者Ｓの呼吸に応じて被験者Ｓの体軸（背骨）に沿った方向に振動する（以下、当該振動を「呼吸振動」と呼ぶ）。呼吸波形は呼吸振動の様子を示すものであり、横軸を時間、縦軸を呼吸振動の振幅として表される。呼吸波形の描画方法の一例は、特許第６６６１１７３号明細書に記載されている。
被験者Ｓの重心Ｇは被験者Ｓの呼吸に応じて被験者Ｓの体軸（背骨）に沿った方向に振動する（以下、当該振動を「呼吸振動」と呼ぶ）。呼吸波形は呼吸振動の様子を示すものであり、横軸を時間、縦軸を呼吸振動の振幅として表される。呼吸波形の描画方法の一例は、特許第６６６１１７３号明細書に記載されている。
【0042】
（５）呼吸数
被験者Ｓの呼吸数は、例えば呼吸波形に基づいて算出される。呼吸波形の一周期が一回の呼吸（呼気及び吸気）に相当するため、呼吸波形のピーク間距離をＴとすると、１分間の呼吸数ＢはＢ＝６０／Ｔと推定される。
被験者Ｓの呼吸数は、例えば呼吸波形に基づいて算出される。呼吸波形の一周期が一回の呼吸（呼気及び吸気）に相当するため、呼吸波形のピーク間距離をＴとすると、１分間の呼吸数ＢはＢ＝６０／Ｔと推定される。
【0043】
（６）呼吸振幅値
被験者Ｓの呼吸数は、例えば呼吸波形に基づいて算出される。呼吸波形の振幅を呼吸振幅値と推定することができる。
被験者Ｓの呼吸数は、例えば呼吸波形に基づいて算出される。呼吸波形の振幅を呼吸振幅値と推定することができる。
【0044】
（７）心拍波形
一例として、荷重信号ｓｓ１～ ｓｓ４の各々から心拍の周波数帯域（約０．５Ｈｚ～約３．３Ｈｚ）に含まれる成分を分離して得られる波形を心拍波形とすることができる。
一例として、荷重信号ｓｓ１～ ｓｓ４の各々から心拍の周波数帯域（約０．５Ｈｚ～約３．３Ｈｚ）に含まれる成分を分離して得られる波形を心拍波形とすることができる。
【0045】
（８）ＡＣＩ（アクティビティインデックス、 Ａｃｔｉｖｉｔｙ Ｉｎｄｅｘ）
ＡＣＩは被験者の活動度を示す指数である。ＡＣＩは例えば、荷重信号ｓｓ１、ｓｓ２、ｓｓ３、ｓｓ４の時間的変動の標準偏差をそれぞれ、σ１、σ２、σ３、σ４として、標準偏差σ１～σ４の単純平均値の所定期間（例えば２０秒間）の時間積分値として算出される。標準偏差σ１～σ４に変えて、標準偏差σ１～σ４を呼吸波形の振幅で除した値を用いてもよい。ＡＣＩの更なる詳細は、特許第６６６１１７３号明細書に記載されている。
ＡＣＩは被験者の活動度を示す指数である。ＡＣＩは例えば、荷重信号ｓｓ１、ｓｓ２、ｓｓ３、ｓｓ４の時間的変動の標準偏差をそれぞれ、σ１、σ２、σ３、σ４として、標準偏差σ１～σ４の単純平均値の所定期間（例えば２０秒間）の時間積分値として算出される。標準偏差σ１～σ４に変えて、標準偏差σ１～σ４を呼吸波形の振幅で除した値を用いてもよい。ＡＣＩの更なる詳細は、特許第６６６１１７３号明細書に記載されている。
【0046】
（９）総荷重
荷重信号ｓｓ１～ｓｓ４により示される荷重値の合計として算出し得る。
荷重信号ｓｓ１～ｓｓ４により示される荷重値の合計として算出し得る。
【0047】
（１０）その他
その他、分類しようとする状態に応じて、当該状態に関連があると推定される所定のパラメータを作成し、用いることができる。
その他、分類しようとする状態に応じて、当該状態に関連があると推定される所定のパラメータを作成し、用いることができる。
【0048】
[臥床状態判定工程Ｓ１３]
臥床状態判定工程Ｓ１３では、臥床状態判定部２１２が、前処理工程Ｓ１２で算出した各種パラメータの少なくとも１つを臥床状態判定モデルＭＳＴＡに入力して、被験者Ｓの臥床状態を判定する。
臥床状態判定工程Ｓ１３では、臥床状態判定部２１２が、前処理工程Ｓ１２で算出した各種パラメータの少なくとも１つを臥床状態判定モデルＭＳＴＡに入力して、被験者Ｓの臥床状態を判定する。
【0049】
臥床状態判定モデルＭＳＴＡは、所定の説明変数に基づいてベッドＢＤ上の被験者Ｓの臥床状態を判定するように作成された学習済モデルである（作成方法は後述）。臥床状態判定モデルＭＳＴＡは、例えば、０．２～０．５[Ｈｚ]の周波数帯域のスペクトル振幅ＳＡｎ０．２－０．５（ｎ＝１、２、３、４）と、４．６～５．０[Ｈｚ]の周波数帯域のスペクトル振幅ＳＡｎ４．６－５．０（ｎ＝１、２、３、４）とを特徴量（説明変数）として入力すると、被験者Ｓの臥床状態を咳、体動、呼吸異常、正常の何れかに分類するように構成されていてもよい。ここで、呼吸異常とは、低呼吸、過呼吸、およびその他の呼吸に関する異常な状態のうち、１つ以上の状態を含む。以下の説明では、呼吸異常の一例として「低呼吸」を臥床状態の１つとして判定する場合について説明する。
【0050】
被験者Ｓの臥床状態が「咳」であるとは、被験者ＳがベッドＢＤ上で咳をしていることを意味する。被験者Ｓの臥床状態が「体動」であるとは、被験者ＳがベッドＢＤ上で体動を呈していることを意味する。体動は、胴部の移動を伴う大きな体動、胴部の移動を伴わず且つ頭部及び／又は四肢の移動を伴う小さな体動等を含み得る。被験者Ｓの臥床状態が「低呼吸」であるとは、ベッドＢＤ上の被験者Ｓの呼吸数が所定値以下であることを意味する。被験者Ｓは、例えば、呼吸障害等により一時的に無呼吸状態または呼吸停止状態に至った場合、体力低下等により呼吸の頻度が低下した場合等に「低呼吸」状態となる。被験者Ｓの臥床状態が「正常」であるとは、ベッドＢＤ上の被験者Ｓが、咳状態、体動状態、低呼吸状態のいずれにも至っていないことを意味する。
【0051】
なお、臥床状態判定モデルＭＳＴＡは、被験者Ｓの臥床状態として、前述した咳、体動、低呼吸、正常以外にも、例えば過呼吸を特定および分類可能であってもよい。被験者Ｓの臥床状態が「過呼吸」であるとは、ベッドＢＤ上の被験者Ｓの呼吸数が所定値（ただし、上記「低呼吸」か否かを判断するときの所定値とは異なる値）以上であることを意味する。また、臥床状態判定モデルＭＳＴＡは、被験者Ｓの臥床状態として、前述した低呼吸および過呼吸、ならびにその他の呼吸異常状態をまとめて１カテゴリ（例えば、「呼吸注意」）として特定および分類してもよい。
【0052】
臥床状態判定部２１２は、前処理工程Ｓ１２において算出されたパラメータを、所定の周期（一例として５[ｓ]～１５[ｓ]）で、逐次臥床状態判定モデルＭＳＴＡに入力する。臥床状態判定モデルＭＳＴＡは、当該入力を受けて、判定結果を出力する。臥床状態判定部２１２は、臥床状態判定モデルＭＳＴＡの出力（即ち、判定結果）を記憶部２２に逐次保存する。
【0053】
なお、被験者ＳがベッドＢＤから離床している期間は荷重信号ｓｓ１～ｓｓ４が得られず、前処理工程Ｓ１２での各種パラメータの算出が行われないため、臥床状態判定部２１２はパラメータの値を取得することができない。臥床状態判定部２１２は、ある期間においてパラメータの値を取得できない場合は、当該期間における被験者Ｓの臥床状態は「離床」であると判定する。
【0054】
図６は、臥床状態判定部２１２が判定した被験者Ｓの臥床状態を時系列で表示するグラフの一例である。図６のグラフからは、被験者Ｓは概ね「正常」状態にありながらも、時折「咳」状態、「体動」状態、「低呼吸」状態、「離床」状態に至っていることが読み取れる。
【0055】
[傾向取得工程Ｓ１４]
傾向取得工程Ｓ１４では、傾向取得部２１３が、臥床状態判定工程Ｓ１３で判定した被験者Ｓの臥床状態の、単位時間当たりの傾向を算出（取得）する。
傾向取得工程Ｓ１４では、傾向取得部２１３が、臥床状態判定工程Ｓ１３で判定した被験者Ｓの臥床状態の、単位時間当たりの傾向を算出（取得）する。
【0056】
本実施形態では、単位時間当たりの臥床状態の傾向とは、単位時間内における臥床状態の割合を意味する。単位時間は任意に設定し得るが、一例として１時間、１日等である。以下、被験者Ｓの単位時間当たりの臥床状態の傾向を「状態傾向」と呼ぶ。ここで言う単位時間は、臥床状態の傾向の算出スパンと同義であると言える。
【0057】
傾向取得部２１３は、単位時間が経過するごとに、経過した期間中の臥床状態の時系列データから、当該期間中の臥床状態の傾向の割合を示す状態傾向を算出する。このような傾向取得部２１３の一回の算出で生成される状態傾向のデータを、説明の便宜上、「１レコード（の状態傾向）」とカウントすることとする。ただし、実際の状態傾向のデータはレコード形式でなくともよい。傾向取得部２１３は、算出した１レコードの状態傾向を記憶部２２に保存する。これにより、単位時間区切りで状態傾向のレコードが随時生成されてゆき、記憶部２２に時系列で保存されていくこととなる。
【0058】
図７は、被験者Ｓの状態傾向をレコード毎に棒グラフにして並べたグラフである。図７の例では単位時間は１日であり、状態傾向のレコード３０個分（すなわり、３０日分）が並べられている。なお、図７に示すグラフは、あくまで説明のための模式的なものである。すなわち、本開示に係る情報処理装置２０又は端末装置３０は、図７に示すようなグラフを作成してもよいし、作成しなくてもよい。図７において１つの棒グラフが１レコードの状態傾向（単位時間＝１日）を示す。例えば、最も左の棒グラフは、１１月１日の２４時間における状態傾向を示しており、当該状態傾向は、離床が約２５％、正常が約６０％、体動が約２％、低呼吸が約１３％である。同様に左から２つ目のグラフは、１１月２日の２４時間における状態傾向を示しており、当該状態傾向は、離床が約２０％、正常が約５９％、体動が約１％、低呼吸が約２０％である。
【0059】
[規則性特定工程Ｓ１５]
規則性特定工程Ｓ１５では、規則性特定部２１４が、傾向取得工程Ｓ１４で算出した状態傾向が備える規則性を、規則性特定モデルＭＲＥＧを用いて特定する。
規則性特定工程Ｓ１５では、規則性特定部２１４が、傾向取得工程Ｓ１４で算出した状態傾向が備える規則性を、規則性特定モデルＭＲＥＧを用いて特定する。
【0060】
状態傾向の規則性とは、状態傾向を時系列で捉えた場合に導き出される、状態傾向の任意のパターン、周期性等を意味する。状態傾向の規則性は、限定的ではない一例として、いずれか１つの状態の増加（急増、逓増等）又は減少（急減、逓減等）、いずれか２つ以上の状態の増加（急増、逓増等）又は減少（急減、逓減等）、いずれか１つの状態の増加（急増、逓増等）且つ他のいずれか１つ以上の状態の減少（急減、逓減等）、いずれか２つ以上の状態の増加（急増、逓増等）且つ他のいずれか２つ以上の状態の減少（急減、逓減等）を含む。
【0061】
規則性特定モデルＭＲＥＧは、状態傾向の２つ以上のレコードを入力すると、入力したレコード群から導き出される、状態傾向の規則性を示す情報を含んだ規則性情報を出力する学習済モデルである。規則性特定モデルＭＲＥＧの一例として、状態傾向が備える規則性をパターンマイニングにより特定するように生成された学習済モデルが挙げられる。規則性特定モデルＭＲＥＧの作成方法は後述する。
【0062】
規則性特定部２１４は、定期的（一例として、２つ以上の状態傾向のレコードにおける最小公倍数）に所定期間分の状態傾向を規則性特定モデルＭＲＥＧに入力し、被験者Ｓの状態傾向の時間的変動から導き出される規則性を特定する。なお、規則性の特定周期と、当該規則性の特定に用いるレコードの収集範囲とは異なっていてよい。例えば、１日ごとに規則性を特定する場合、規則性特定のために収集されるレコードは、規則性の特定を行う時点から７日前までのレコードを使用することとしてもよい。規則性特定部２１４は、規則性が特定された場合は、特定された規則性の内容と当該規則性が示された日時を関連付けた規則性情報を生成し、記憶部２２に保存する。
【0063】
ここで「規則性が示された日時」とは、例えば、(i)規則性情報の生成日時、(ii)規則性特定モデルＭＲＥＧに入力された状態傾向のレコードのうち、最も新しいレコードの日時、または、(iii)規則性特定モデルＭＲＥＧに入力された状態傾向のレコードのうち、最も古いレコードの日時であってよい。また、ここで言う「日時」とは時間以外に、日付、月、年等、時期を示すものであってもよい。
【0064】
なお、本実施形態では、被験者Ｓが介護を受けている状態において、規則性特定部２１４は、「離床」の割合が所定値（一例として５０～７０％程度）以上である状態傾向のレコードについては、規則性特定モデルＭＲＥＧへの入力は行わないこととしてもよい。「離床」の有無と被験者Ｓの生体状態との関連性は比較的小さいため、「離床」の割合が高い状態傾向を除外して規則性の特定を行うことで、特定される規則性と被験者Ｓの生体状態の変動との相関性をより高めることができる。このように、規則性と被験者Ｓの生体状態の変動との相関性を高めることは、ひいては体調変異予測モデルＭＰＲＥの予測の精度向上につながる。
【0065】
[体調変異予測工程Ｓ１６]
体調変異予測工程Ｓ１６では、体調変異予測部２１５が、規則性特定工程Ｓ１５で生成した規則性情報を体調変異予測モデルＭＳＴＡに入力することで、体調変異予測モデルＭＳＴＡからの出力として、被験者Ｓの体調変異の予測結果を示す情報（以降、予測情報と称する）を取得する。
体調変異予測工程Ｓ１６では、体調変異予測部２１５が、規則性特定工程Ｓ１５で生成した規則性情報を体調変異予測モデルＭＳＴＡに入力することで、体調変異予測モデルＭＳＴＡからの出力として、被験者Ｓの体調変異の予測結果を示す情報（以降、予測情報と称する）を取得する。
【0066】
体調変異予測モデルＭＰＲＥは、規則性情報を説明変数として、ベッドＢＤ上の被験者Ｓの体調の変異を予測するように作成された学習済モデルである（作成方法は後述）。換言すると、体調変異予測モデルＭＰＲＥは、規則性情報を入力すると予測情報を出力する学習済モデルである。
【0067】
体調変異予測モデルＭＰＲＥが予測する被験者Ｓの体調の変異は、様々な態様であり得る。例えば、体調変異予測モデルＭＰＲＥは、(i)被験者Ｓに体調の変異が生じるか否かを予測してもよいし、(ii)被験者Ｓに体調の変異が生じる確率を予測してもよいし、(iii)被験者Ｓに起こり得る体調の変異の内容を予測してもよい。また、体調変異予測モデルＭＰＲＥは(i)～(iii)の少なくとも１つに加えて、体調の変異が生じる時期を予測してもよい。
【0068】
本実施形態の体調変異予測モデルＭＰＲＥにより予測される体調変異は、具体的には例えば発熱、喘息、てんかん、心臓病等の各種疾病の発作の発生、特定の病気（肺炎等）の発生、高血圧、嚥下障害、誤嚥した状態など被験者が特定の状態になること、及び体調の改善等である。
【0069】
体調変異予測部２１５は、体調変異予測モデルＭＰＲＥの出力（即ち、予測情報）を記憶部２２に逐次保存する。
【0070】
なお、前述のように、体調変異予測モデルＭＰＲＥは、被験者Ｓの体調変異を「予測」する。すなわち、体調変異予測モデルＭＰＲＥは、未来の、特定の時点または特定期間についての被験者Ｓの体調変異を推定するモデルであるといえる。ここで、「特定の時点」または「特定期間」は、例えば、規則性情報に含まれる日時に基づいて自動的に定められてもよい。つまり、入力された規則性情報に含まれる日時に基づいて、いつの体調変異を予測するかが決定されてもよい。
【0071】
もしくは、体調変異予測モデルＭＰＲＥは、(i)規則性情報と、年月日及び／又は時間を指定する情報（以降、便宜上「日時情報」と称する）とを説明変数として、日時情報が指定するタイミングにおけるピンポイントの体調変異を予測するモデルであってもよい。また、体調変異予測モデルＭＰＲＥは、(ii)規則性情報と、日時情報と、期間を指定する情報（以降、期間情報と称する）とを説明変数として、日時情報が指定するタイミングから、期間情報が示す期間分の体調変異を予測するモデルであってもよい。(i)の具体例としては、「予測時から３日後の体調変異を予測する」、「２０２３年４月１日における体調変異を予測する」等が挙げられる。(ii)の具体例としては、「予測時から１カ月以内に起こり得る体調変異を予測する」等が挙げられる。
【0072】
上記日時情報が示すタイミングは、情報処理装置２０で指定または特定されてもよいし、体調変異予測システム１００の使用者が、端末装置３０の入力部３２等を介して指定してもよい。後者の場合、端末装置３０は情報処理装置２０に対し、使用者が指定したタイミング（例えば、年月日）を示す情報を送信し、情報処理装置２０は当該情報を受信して使用する。
【0073】
また、期間情報が示す期間についても、情報処理装置２０で指定または特定されてもよいし、体調変異予測システム１００の使用者が、端末装置３０の入力部３２等を介して指定してもよい。この場合も日時情報の場合と同様に、所定期間を示す情報が端末装置３０から情報処理装置２０へと送信される。
【0074】
体調変異予測部２１５は、体調変異予測工程Ｓ１６において、体調変異予測モデルＭＰＲＥの要求する入力データを入力することで、体調変異予測モデルＭＰＲＥからの出力として、予測情報を取得する。
【0075】
[表示工程Ｓ１７]
表示工程Ｓ１７では、情報処理装置２０の制御部２１は、予測情報を逐次端末装置３０に送信することで、端末装置３０に体調変異の予測に係る所定の表示を実行させる。端末装置３０は、体調変異予測部２１５から受け取った予測結果に基づいて表示部３１に所定の表示を行う。
表示工程Ｓ１７では、情報処理装置２０の制御部２１は、予測情報を逐次端末装置３０に送信することで、端末装置３０に体調変異の予測に係る所定の表示を実行させる。端末装置３０は、体調変異予測部２１５から受け取った予測結果に基づいて表示部３１に所定の表示を行う。
【0076】
表示部３１は、具体的には例えば、予測結果が示す被験者Ｓの体調変異の有無、体調変異の内容、及び体調変異の発生が予測される時期等を、画像及び／又は音声により表示する。また、端末装置３０は、表示部３１に図５～図７で示したようなグラフのうち少なくとも１つを表示してもよい。
【0077】
なお、規則性特定工程Ｓ１５において、規則性特定モデルＭＲＥＧに入力された状態傾向のレコード群から導き出される規則性が特に存在しない場合、規則性特定モデルＭＲＥＧは「規則性なし」を示す規則性情報を出力することとしてもよい。またこの場合、情報処理装置２０は体調変異予測工程Ｓ１６を実行せずに、予測情報として端末装置３０に「体調変異の予測不能」の旨を通知してもよい。そして、端末装置３０は表示工程Ｓ１７において、体調変異の予測ができなかった旨を示す情報を表示部３１に表示してもよい。
【0078】
体調変異予測システム１００が実行する体調変異予測方法を図４の概念図を参照して整理すると、次の通りである。なお、図４の各段に記載されている絵図およびデータはあくまで理解のためにデータを模式的に示したものであり、実際のデータはこのような形式でなくてもよい。
【0079】
まず図４の１、２段目に示す通り、荷重計測部１０が、荷重センサＬＳ１～ＬＳ４によりアナログ荷重ｓ１～ｓ４を計測し、情報処理装置２０に送る（荷重計測工程Ｓ１１）。次に、図４の２、３段目に示す通り、前処理部２１１が、アナログ荷重ｓ１～ｓ４をデジタル荷重ｓｓ１～ｓｓ４に変換し、各種パラメータを算出する（前処理工程Ｓ１２）。
【0080】
次に、図４の３、４段目に示す通り、臥床状態判定部２１２が、所定期間のデジタル荷重ｓｓ１～ｓｓ４に基づく各種パラメータを状態判定モデルＭＳＴＡに入力し、被験者Ｓの臥床状態を所定の周期で逐次的に判定する（臥床状態判定工程Ｓ１３）。その後、図４の４、５段目に示す通り、傾向取得部２１３が、単位時間の臥床状態の状態傾向を取得する（傾向取得工程Ｓ１４）。
【0081】
次に、図４の５、６段目に示す通り、規則性特定部２１４が、所定期間の状態傾向（少なくとも２つ以上の状態傾向のレコード、図４の例では４レコード）を規則性特定モデルに入力して、規則性を特定する（規則性特定工程Ｓ１５）。そして、図４の６、７段目に示す通り、体調変異特定部２１５が、特定された規則性（さらに、必要であれば、日時情報及び／又は期間情報）を体調変異予測モデルＭＰＲＥに入力することで、被験者Ｓの体調変異の有無、体調変異が生じ得る確率、体調変異の内容、及び／又は体調変異の起こり得る時期を予測する。
【0082】
[臥床状態判定モデル作成方法]
次に、上記実施形態の体調変異予測システム１００で用いる臥床状態判定モデルＭＳＴＡの作成方法を説明する。
次に、上記実施形態の体調変異予測システム１００で用いる臥床状態判定モデルＭＳＴＡの作成方法を説明する。
【0083】
体調変異予測システム１００で用いる臥床状態判定モデルＭＳＴＡは、判定する臥床状態の内容に応じたものが作成される。
【0084】
臥床状態判定モデルの作成方法は、図８のフローチャートに示す通り、教師データ作成工程Ｓ２１と、説明変数決定工程Ｓ２２と、モデル作成工程Ｓ２３とを含む。
【0085】
教師データ作成工程Ｓ２１では、モデル作成工程Ｓ２２で使用する教師データを、一例として次の手順により作成する。
【0086】
まず、ベッドＢＤ上に被験者Ｓが存在する状態で、荷重センサＬＳ１～ＬＳ４による被験者Ｓの荷重の計測、及びベッドＢＤ上の被験者Ｓの撮影を所定期間に渡り並行して行い、荷重信号ｓｓ１～ｓｓ４及び被験者Ｓの画像（動画）を記憶する。記憶された荷重信号ｓｓ１～ｓｓ４の一例は図９に示す通りである。この時、被験者Ｓの音声を録音してもよい。
【0087】
次に、記憶された被験者Ｓの画像に基づいて、記憶された荷重信号ｓｓ１～ｓｓ４にラベル付け（タグ付け）を行う。ラベル付けは、荷重信号ｓｓ１～ｓｓ４に対して、被験者Ｓの状態（動作）の種類、及び当該状態の開始時刻及び終了時刻を紐づけることによりなされる。
【0088】
ラベル付けされる状態の種類は、一例として、「低呼吸」、「咳」、「正常」、「体動」である。図９に示す例では、時刻ｔ１～時刻ｔ２の期間について「低呼吸」、時刻ｔ３～時刻ｔ４の期間及び時刻ｔ７～時刻ｔ８の期間について「体動」、時刻ｔ５～時刻ｔ６の期間及び時刻ｔ９～時刻ｔ１０の期間について「咳」、その他の期間について「正常」とラベル付けされた。
【0089】
また、ラベル付けされる状態の種類は「低呼吸」、「咳」、「正常」、「体動」に代えて又はこれらに加えて、「入床」（被験者のベッド下からベッド上への移動）、「離床」（被験者のベッド上からベッド下への移動）、「端座位」（ベッド端に被験者が座っている状態）、「座位」（ベッド上に被験者が座っている状態）、「リクライニングベッドの角度変化」（上昇又は下降）、ベッド上での危険動作（ベッド柵からの飛び出し等）、「食事」、「仰臥」、「右横臥」、「左横臥」、「伏臥」等の少なくとも１つを含んでもよい。
【0090】
次に、記憶された荷重信号ｓｓ１～ｓｓ４に基づいて複数の特徴量を作成する。本実施形態で用いる特徴量は、上述の（１）荷重信号ｓｓ１～ｓｓ４、（２）各周波数帯のスペクトル振幅ＳＡｎＸ－Ｙ、（３）重心位置、（４）呼吸波形、（５）呼吸数、（６）呼吸振幅値、（７）心拍波形、（８）ＡＣＩ（アクティビティインデックス、 Ａｃｔｉｖｉｔｙ Ｉｎｄｅｘ）、（９）総荷重の少なくとも一つを含み得る。
【0091】
以上により、荷重信号ｓｓ１～ｓｓ４に基づいて得られた複数の特徴量の組合せ（以下、「特徴量セットＦＳ」と呼ぶ）を入力とし、当該荷重信号ｓｓ１～ｓｓ４にラベル付けされた被験者Ｓの状態を出力とするデータセットが教師データとして作成される。各特徴量は荷重信号ｓｓ１～ｓｓ４に基づいて作成されているため、各特徴量は荷重信号ｓｓ１～ｓｓ４にラベル付けされた被験者Ｓの状態に対応付けられている。
【0092】
説明変数決定工程Ｓ２２では、教師データ作成工程Ｓ２１で作成した教師データに含まれる特徴量セットＦＳの中から少なくとも１つの特徴量を選択し、これを後述するモデル作成工程Ｓ２３で使用する説明変数と決定する。
【0093】
特徴量の選択（説明変数の決定）は、一例として、決定木アルゴリズムに基づく勾配ブースティング手法（具体的には例えば、ＸＧＢｏｏｓｔ、ＬｉｇｈｔＧＢＭ、ＣａｔＢｏｏｓｔ等）を用いて行うことができる。なお、勾配ブースティング手法に代えてロジスティック回帰を用いてもよい。
【0094】
具体的には、教師データ作成工程Ｓ２１で作成した教師データを用いて、特徴量セットＦＳを入力とし被験者Ｓの所定状態（一例として「咳」、「体動」、「低呼吸」、「正常」）を出力とするトレーニングデータを作成する。所定状態は、作成するモデルにより分類させようとする状態を含み、ラベル付けされた複数の状態の中から少なくとも１つを選択する。そして、当該トレーニングデータを用いて、特徴量セットＦＳを入力として被験者Ｓの状態を当該所定状態に分類する学習済モデルを勾配ブースティング手法により作成する。その後、作成された学習済みモデルにおける各特徴量の寄与度を決定木アルゴリズムの重要度に基づいて計算し、寄与度の高い１つ又は複数の特徴量をモデル作成工程Ｓ２３で使用する説明変数と決定する。
【0095】
モデル作成工程Ｓ２３では、説明変数決定工程Ｓ２２で選択した特徴量を説明変数として、被験者Ｓの状態を所定の状態（一例として「咳」、「体動」、「低呼吸」、「正常」）に分類する臥床状態判定モデルＭＳＴＡを教師あり機械学習により生成する。教師あり機械学習は、具体的には例えば、ナイーブベイズクラス分類器、決定木、サポートベクタマシン（ＳＶＭ）、ニューラルネットワーク、Ｋ近傍、勾配ブースティング、ロジスティクス回帰等を用いることができる。教師データは、例えば、特徴量セットＦＳから説明変数決定工程Ｓ２２で選択した特徴量に関するデータを取り出すことにより作成し得る。
【0096】
[規則性特定モデルの作成方法]
次に、上記実施形態の体調変異予測システム１００で用いる規則性特定モデルＭＲＥＧの作成方法を説明する。ここでは、体調変異予測システム１００を用いて規則性特定モデルＭＲＥＧを作成する場合を例として説明する。
次に、上記実施形態の体調変異予測システム１００で用いる規則性特定モデルＭＲＥＧの作成方法を説明する。ここでは、体調変異予測システム１００を用いて規則性特定モデルＭＲＥＧを作成する場合を例として説明する。
【0097】
規則性特定モデルＭＲＥＧの作成方法は、図１０のフローチャートに示す通り、荷重計測工程Ｓ３１、臥床状態判定工程Ｓ３２、傾向取得工程Ｓ３３、モデル作成工程Ｓ３４を含む。
【0098】
荷重計測工程Ｓ３１は、体調変異予測方法における荷重計測工程Ｓ１１と同様である。即ち、荷重計測工程Ｓ３１では、荷重計測部１０が荷重センサＬＳ１～ＬＳ４によりベッドＢＤ上の被験者Ｓの荷重を検出し、検出した荷重をアナログ信号ｓ１～ｓ４として情報処理装置２０に送る。
【0099】
臥床状態判定工程Ｓ３２は、体調変異予測方法における前処理工程Ｓ１２及び臥床状態判定工程Ｓ１３と同様である。即ち、臥床状態判定工程Ｓ３２では、前処理部２１１がアナログ信号ｓ１～ｓ４をデジタル信号ｓｓ１～ｓｓ４に変換し、これに基づいて各種パラメータを算出する。そして、臥床状態判定部２１２が、算出された各種パラメータを臥床状態判定モデルＭＳＴＡに入力して被験者Ｓの臥床状態を判定する。
【0100】
傾向取得工程Ｓ３３は、体調変異予測方法における傾向取得工程Ｓ１４と同様である。即ち、傾向取得工程Ｓ３３では、傾向取得部２１３が、臥床状態判定部２１２が判定した被験者Ｓの臥床状態の、単位時間当たりの傾向を算出する。
【0101】
なお、傾向取得工程Ｓ３３では、単位時間の異なるレコードを生成するようにしてもよい。例えば、傾向取得工程Ｓ３３では、１時間ごとに（すなわち、単位時間を１時間として）状態傾向のレコードを生成するとともに、１日ごとにも、単位時間を１日とした状態傾向のレコードを生成することとしてもよい。その他、単位時間を１時間、１日とは異なる任意の期間とした状態傾向の算出も行ってもよい。
【0102】
モデル作成工程Ｓ３４では、モデル作成部２１７が、傾向取得工程Ｓ３３で取得した臥床状態の傾向をトレーニングデータとする教師無し機械学習により、１つ以上の臥床状態に基づいて所定の規則性を特定する規則性特定モデルＭＲＥＧを生成する。教師無し機械学習は具体的には例えば、ランダムフォレスト、クラスタリング、主成分分析、アソシエーション分析、敵対的生成ネットワーク（Ｇｅｎｅｒａｔｉｖｅ Ａｄｖｅｒｓａｒｉａｌ Ｎｅｔｗｏｒｋ）、混合正規分布モデル（ＧＭＭ）、局所外れ値因子法（ＬＯＦ）、アイソレーションフォレスト、カーネル密度推定等を用いることができる。
【0103】
なお、モデル作成工程Ｓ３４では、傾向取得工程Ｓ３３で取得した状態傾向のレコードを複数個、トレーニングデータとして用いることがより望ましい。これにより、より高精度に規則性を特定可能な規則性特定モデルＭＲＥＧを作成することができる。モデル作成工程Ｓ３４において使用するトレーニングデータの量および内容は、規則性特定モデルＭＲＥＧの汎化性能が損なわれない範囲で適宜定められてよい。
【0104】
なお、トレーニングデータとして複数の状態傾向のレコードを用いる場合、各レコードは状態傾向の特定の単位時間（すなわち、状態傾向の特定スパン）が同一なレコード群であってもよいし、一部または全部のレコードの単位時間が異なっていてもよい。単位時間が同一のレコード群を用いる場合、当該単位時間のレコードがモデルに入力されたときの規則性の特定精度を向上させ得る。一方、単位時間が異なるレコード群を用いる場合、汎化性能の高いモデルを作成し得る。
【0105】
また、本実施形態では、傾向取得工程Ｓ３３において取得した状態傾向の内、「離床」の割合が所定値（一例として５０～７０％程度）以上である状態傾向については、トレーニングデータとしては採用しないこととしてもよい。「離床」の有無と被験者Ｓの生体状態との関連性は比較的小さいため、「離床」の割合が高い状態傾向を除外したトレーニングデータを用いることで、特定される規則性と被験者Ｓの生体状態の変動との相関性をより高めることができる。このように、特定される規則性と被験者Ｓの生体状態の変動との相関性を高めることは、ひいては体調変異予測モデルＭＰＲＥの予測の精度向上につながり得る。
【0106】
ここで規則性特定モデルＭＲＥＧにより特定しようとする状態傾向の規則性とは、具体的には例えば次のような規則性である。
（１）「咳」の割合が２日以上、日ごとに増加している。
（２）所定のタイミング（例えば毎日、夕方１７時以降）になると「咳」の割合が増加することが３日以上続く。
（３）３日以上続けて「低呼吸」の割合が減少し、３日以上続けて「正常」の割合が増加する。
（４）「低呼吸」の割合が２５日以上、日ごとに増加している。
（５）「低呼吸」の割合が日ごとに減少し、かつ、「体動」の割合が日ごとに増加することが１週間以上続く。
（１）「咳」の割合が２日以上、日ごとに増加している。
（２）所定のタイミング（例えば毎日、夕方１７時以降）になると「咳」の割合が増加することが３日以上続く。
（３）３日以上続けて「低呼吸」の割合が減少し、３日以上続けて「正常」の割合が増加する。
（４）「低呼吸」の割合が２５日以上、日ごとに増加している。
（５）「低呼吸」の割合が日ごとに減少し、かつ、「体動」の割合が日ごとに増加することが１週間以上続く。
【0107】
これらの規則性は、被験者の体調変異と相関関係を有する規則性の一例であり、これらの規則性を示す規則性情報は、後述する体調変異予測モデルの作成方法において説明変数として教師データに含めるものである。
【0108】
[体調変異予測モデルの作成方法]
次に、上記実施形態の体調変異予測システム１００で用いる体調変異予測モデルＭＰＲＥの作成方法を説明する。ここでは、前述した、体調変異を予測するためのシステム（すなわち、体調変異予測システム１００）に含まれる情報処理装置２０が体調変異予測モデルＭＰＲＥを作成する場合を例にとり説明する。
次に、上記実施形態の体調変異予測システム１００で用いる体調変異予測モデルＭＰＲＥの作成方法を説明する。ここでは、前述した、体調変異を予測するためのシステム（すなわち、体調変異予測システム１００）に含まれる情報処理装置２０が体調変異予測モデルＭＰＲＥを作成する場合を例にとり説明する。
【0109】
体調変異予測モデルＭＰＲＥの作成方法は、図１１のフローチャートに示す通り、体調情報作成工程Ｓ４１、データ入力工程４２、荷重計測工程Ｓ４３、臥床状態判定工程Ｓ４４、傾向取得工程Ｓ４５、規則性特定工程Ｓ４６、教師データ作成工程Ｓ４７、モデル作成工程Ｓ４８を含む。
【0110】
体調情報作成工程Ｓ４１では、情報処理装置２０は、被験者Ｓの体調を時系列で示す体調情報を作成または取得する。体調情報は、具体的には例えば、医師、看護師、介護士等のデータ作成者が目視で被験者Ｓの体調を観察し、観察結果を電子データとして情報処理装置２０、端末装置３０、または他の装置等に記録することにより作成される。病院等で看護師が作成する看護記録、介護施設で介護士が作成する介護記録等は体調情報の一例である。情報処理装置２０は、自装置に入力された観察結果に基づき体調情報を作成する。または、情報処理装置２０は、端末装置３０または他の装置から、これらの体調情報を定期的に、または所定のタイミングで取得することにより、体調情報を得る。
【0111】
データ作成者による目視でのデータ作成に代えて、或いはこれに加えて、各種センサを用いて被験者Ｓの生体情報を測定し、測定した生体情報を測定日時とともに情報処理装置２０、端末装置３０、または他の装置等に記録しておき、当該記録したデータを体調情報として用いてもよい。各種センサの一例は、脈拍、血圧、呼吸、体温等のバイタルデータを測定する体温計、脈拍計等である。
【0112】
作成される体調情報は、被験者Ｓの体調と時間とが紐づけられたデータである。したがって、体調情報に基づいて、被験者Ｓの体調が、いつ、どのような状態であったかを把握することが出来る。なお、ここで言う「時間」とは１日の時間だけでなく、日付、月、年等、時期を示すものであればその区切りは特に限定されない。
【0113】
体調情報に含まれ得る被験者Ｓの体調は、具体的には例えば、心拍数、呼吸数、血圧、体温、血中酸素濃度等を含む。
【0114】
また、本実施形態では、被験者Ｓの食事、清拭等の被験者Ｓの行動情報も、体調情報に含める。これらの行動情報は、前述した看護記録及び／又は介護記録に含まれる場合もある。後述するモデル作成工程Ｓ４８において、このような被験者Ｓの行動に応じた荷重の変動の影響も考慮に入れた学習を行わせることで、作成される体調変異予測モデルＭＰＲＥの予測精度を高めることが出来る。
【0115】
データ入力工程Ｓ４２では、体調情報作成工程Ｓ４１で作成した体調情報を、情報処理装置２０に入力する。体調情報の情報処理装置２０への入力は例えば、端末装置３０の入力部３２を介して行うことができる。その他、ＰＣ等の外部装置に保存された体調情報を情報処理装置２０に送信することにより入力を行ってもよい。情報処理装置２０は、受け取った体調情報を記憶部２２に保存する。
【0116】
荷重計測工程Ｓ４３は、体調変異予測方法における荷重計測工程Ｓ１１と同様である。即ち、荷重計測工程Ｓ４３では、荷重計測部１０が「荷重センサＬＳ１～ＬＳ４によりベッドＢＤ上の被験者Ｓの荷重を検出し、検出した荷重をアナログ信号ｓ１～ｓ４として情報処理装置２０に送る。
【0117】
臥床状態判定工程Ｓ４４は、体調変異予測方法における前処理工程Ｓ１２及び臥床状態判定工程Ｓ１３と同様である。即ち、臥床状態判定工程Ｓ４４では、前処理部２１１がアナログ信号ｓ１～ｓ４を荷重信号ｓｓ１～ｓｓ４に変換し、これに基づいて各種パラメータを算出する。そして、臥床状態判定部２１２が、算出された各種パラメータを臥床状態判定モデルＭＳＴＡに入力して被験者Ｓの臥床状態を判定する。
【0118】
傾向取得工程Ｓ４５は、体調変異予測方法における傾向取得工程Ｓ１４と同様である。即ち、傾向取得工程Ｓ４５では、傾向取得部２１３が、臥床状態判定部２１２が判定した被験者Ｓの臥床状態の、単位時間当たりの傾向を取得する。
【0119】
規則性特定工程Ｓ４６は、体調変異予測方法における規則性特定工程Ｓ１５と同様である。即ち、規則性特定工程Ｓ４６では、規則性特定部２１４が、状態傾向の時間的変動に含まれる規則性を、規則性特定モデルＭＲＥＧを用いて特定する。規則性特定部２１４は、規則性が特定された場合は、規則性情報を生成し、記憶部２２に保存する。また、規則性特定工程Ｓ４６において、規則性特定モデルＭＲＥＧは、当該モデルにより特定された規則性の内容と、当該規則性が示された日時を関連付けた情報を「規則性情報」とする。「規則性が示された日時」とは、例えば、(i)規則性情報の生成日時、 (ii)規則性特定モデルＭＲＥＧに入力された状態傾向のレコードのうち、最も新しいレコードの日時、または、(iii)規則性特定モデルＭＲＥＧに入力された状態傾向のレコードのうち、最も古いレコードの日時であってよい。また、ここで言う「日時」とは時間以外に、日付、月、年等、時期を示すものであってもよい。
【0120】
教師データ作成工程Ｓ４７では、教師データ作成部２１７が、データ入力工程Ｓ４２で記憶部２２に保存した体調情報と、規則性特定工程Ｓ４６で記憶部２２に保存した規則性情報とを用いて教師データを作成する。
【0121】
作成される教師データは、被験者Ｓの状態傾向の規則性を入力とし、被験者Ｓの体調情報を出力とするデータセットである。規則性情報及び体調情報はいずれも日時と紐づけられているため、例えば、ある規則性情報と、当該ある規則性情報が示す日時から所定期間内の日時を示す体調情報とを組み合わせることで、「特定日時までの状態傾向がとある規則性を有していた場合に、実際の体調がどう推移したか」を示す、１組の教師データを作成することができる。なお、ある規則性情報が示す日時から所定期間内の日時を示す体調情報が複数存在する場合、当該ある規則性情報から複数の教師データが作成されてもよい。つまり、ある規則性情報と第１の体調情報を組み合わせた教師データと、同規則性情報と第２の体調情報を組み合わせた教師データとが作成されてもよい。作成される教師データでは、状態傾向の規則性と被験者Ｓの体調とが日時を介して対応付けられている。
【0122】
モデル作成工程Ｓ４８では、モデル作成部２１８が、教師データ作成工程Ｓ４７で作成した教師データを用いた教師あり機械学習により、被験者Ｓの状態傾向の規則性と被験者Ｓの体調情報との相関関係を、予測モデルに学習させる。これにより、状態傾向の規則性に基づいてベッドＢＤ上の被験者Ｓの体調変異を予測する体調変異予測モデルＭＰＲＥが生成される。教師あり機械学習は、具体的には例えば、ナイーブベイズクラス分類器、決定木、サポートベクタマシン（ＳＶＭ）、ニューラルネットワーク、Ｋ近傍、勾配ブースティング、ロジスティクス回帰等を用いることができる。
【0123】
被験者Ｓの状態傾向の規則性と被験者Ｓの体調情報との相関関係を予測モデルに学習させることにより体調変異予測モデルＭＰＲＥを作成することができる理由は次の通りである。
【0124】
本発明の発明者の知見によれば、被験者Ｓの体調に何らかの変異が生じる前には、被験者Ｓの臥床状態になんらかの規則的な変動が生じていることが多い。具体的な一例として、次の関係が観察されている。なお、以下の例における日数は、規則性の特定の起点となる状態傾向のレコードの取得日を起点として説明している。
【0125】
（１）「咳」の割合が日ごとに増加することが２日以上続くと、４日後に発熱する。
（２）所定のタイミング（例えば夕方１７時）になると「咳」の割合が増加することが３日以上続くと、３日と１２時間後に発熱する。
（３）「低呼吸」の割合が高い被験者において、「低呼吸」の割合が減少し、「正常」の割合が増加すると、その後、発熱に至る。
（４）「低呼吸」の割合が高くない被験者において、「低呼吸」の割合が日ごとに増加することが２５日以上続くと、１カ月後に逝去する。
（５）「正常」の割合が高い被験者において、「低呼吸」の割合が日ごとに減少し、かつ、「体動」の割合が日ごとに増加することが１週間以上続くと、８日目から体調が改善する。
（２）所定のタイミング（例えば夕方１７時）になると「咳」の割合が増加することが３日以上続くと、３日と１２時間後に発熱する。
（３）「低呼吸」の割合が高い被験者において、「低呼吸」の割合が減少し、「正常」の割合が増加すると、その後、発熱に至る。
（４）「低呼吸」の割合が高くない被験者において、「低呼吸」の割合が日ごとに増加することが２５日以上続くと、１カ月後に逝去する。
（５）「正常」の割合が高い被験者において、「低呼吸」の割合が日ごとに減少し、かつ、「体動」の割合が日ごとに増加することが１週間以上続くと、８日目から体調が改善する。
【0126】
このように、被験者Ｓの臥床状態の変動と、被験者の体調の変異との間には相関関係が存在する。したがって、被験者Ｓの臥床状態の変動と、被験者の体調の変異との間の相関関係を予測モデルに学習させることにより、被験者の臥床状態の変動に基づいて被験者の体調の変異を予測する予測モデルを作成することができる。また、予測モデルへの入力として、被験者Ｓの臥床状態の時間的な変動それ自体ではなく、被験者Ｓの臥床状態の状態傾向の時間的変動の規則性を用いることで、被験者Ｓの臥床状態のイレギュラーな変動の影響が抑制されたより精度の高い予測を行うことができる。
【0127】
以上の通り、上記実施形態の体調変異予測システム１００、体調変異予測方法は、被験者Ｓの臥床状態の状態傾向の時間的変動を入力とする体調変異予測モデルＭＰＲＥを用いて、被験者Ｓの体調変異を予測する。したがって、被験者Ｓの臥床状態のイレギュラーな変動の影響を抑制して高い精度で被験者Ｓの体調の変異を予測することができる。また、上記実施形態の体調変異予測モデルの作成方法は、被験者Ｓの状態傾向の規則性と被験者Ｓの体調情報との相関関係を予測モデルに学習させることで、被験者Ｓの臥床状態のイレギュラーな変動の影響が抑制された精度の高い体調変異予測モデルを作成することができる。
【0128】
上記実施形態において、次の変形態様を用いることも出来る。
【0129】
上記実施形態では、ある被験者（被験者Ｓ）についての各種データを用いて、臥床状態判定モデルＭＳＴＡ、規則性特定モデルＭＲＥＧ、および体調変異予測モデルＭＰＲＥを作成することとした。すなわち、上記実施形態では、体調変異の予測の対象となる被験者（被験者Ｓ）と、臥床状態判定モデルＭＳＴＡおよび体調変異予測モデルＭＰＲＥの教師データ用の被験者とが同一である場合について説明した。また、規則性特定モデルＭＲＥＧの作成時に入力する状態傾向のレコードも、被験者Ｓのものであった。換言すると、上記実施形態では、臥床状態判定モデルＭＳＴＡ、規則性特定モデルＭＲＥＧ、および体調変異予測モデルＭＰＲＥはそれぞれ、被験者Ｓに関する複数のパラメータの自己相関関係を学習した学習済モデルであった。
【0130】
しかしながら、本開示に係る臥床状態判定モデルＭＳＴＡ、規則性特定モデルＭＲＥＧ、および体調変異予測モデルＭＰＲＥの作成方法はこれに限られない。例えば、これら３種類のモデルのうち１つ以上のモデルが、体調変異の予測の対象となる被験者（被験者Ｓ）ではない、他の被験者（または被験者群）についてのデータから作成されてもよい。
【0131】
すなわち、臥床状態判定モデルＭＳＴＡ、規則性特定モデルＭＲＥＧ、および体調変異予測モデルＭＰＲＥはそれぞれ、上記他の被験者（または被験者群）から得られた複数のパラメータについての相関関係を学習した学習済モデルであってもよい。換言すると、各種学習済モデルを作成する際に必要なデータ（例えば、荷重データおよび体調情報等）の収集対象となる被験者と、実際に体調変異の予測対象となる被験者とは、異なっていてもよい。
【0132】
また、臥床状態判定モデルＭＳＴＡ、規則性特定モデルＭＲＥＧ、および体調変異予測モデルＭＰＲＥを、体調変異の予測の対象となる被験者（被験者Ｓ）に関するデータと、他の被験者（または被験者群）から得られたデータの両方を用いて作成してもよい。すなわち、臥床状態判定モデルＭＳＴＡ、規則性特定モデルＭＲＥＧ、および体調変異予測モデルＭＰＲＥはそれぞれ、被験者Ｓを含む複数の人間に関するパラメータの相関関係を学習した学習済モデルであってもよい。
【0133】
上記実施形態では、臥床状態判定モデルＭＳＴＡの作成、規則性特定モデルＭＲＥＧの作成、体調変異予測モデルＭＰＲＥの作成、および、体調変異の予測全てを図１に示した体調変異予測システム１００で行うこととした。しかしながら、体調変異予測システム１００は、予め作成済みの臥床状態判定モデルＭＳＴＡ、規則性特定モデルＭＲＥＧ、および体調変異予測モデルＭＰＲＥを用いて体調変異の予測を行うシステムであってもよい。この場合、体調変異予測システム１００の情報処理装置２０は、教師データ作成部２１６およびモデル作成部２１７を含んでいなくてもよい。
【0134】
また、体調変異予測システム１００以外のシステムおよび装置で各種学習済モデル（臥床状態判定モデルＭＳＴＡ、規則性特定モデルＭＲＥＧ、および体調変異予測モデルＭＰＲＥ）を作成する場合、必ずしも体調変異予測システム１００と同様の構成が必須とは限らない。
【0135】
例えば、臥床状態判定モデルＭＳＴＡを作成する場合、荷重計測部１０と、荷重計測部１０と通信可能なコンピュータ等のモデル作成装置とを用いれば、臥床状態判定モデルＭＳＴＡを作成することができる。この場合、モデル作成装置の制御部が制御部２１に相当し、モデル作成装置の制御部は少なくとも前処理部２１１および臥床状態判定部２１２を備える。また、当該コンピュータの記憶部、または当該コンピュータと通信可能な外部の記憶装置に、臥床状態判定モデルＭＳＴＡのひな形となる未学習のモデルが記憶されていてもよい。
【0136】
また例えば、規則性特定モデルＭＲＥＧを作成する場合、荷重計測部１０と、荷重計測部１０と通信可能なコンピュータ等のモデル作成装置と、作成済の臥床状態判定モデルＭＳＴＡを用いれば、規則性特定モデルＭＲＥＧを作成することができる。この場合、モデル作成装置の制御部が制御部２１に相当し、モデル作成装置の制御部は少なくとも前処理部２１１、臥床状態判定部２１２、傾向取得部２１３、および規則性特定部２１４を備える。また、当該コンピュータの記憶部、または当該コンピュータと通信可能な外部の記憶装置に、作成済の臥床状態判定モデルＭＳＴＡが記憶されており、モデル作成装置の制御部はこれを使用して臥床状態の判定を行う。なお、同記憶部または記憶装置には、規則性特定モデルＭＲＥＧのひな形となる未学習のモデルを記憶していてもよい。
【0137】
また例えば、体調変異予測モデルＭＰＲＥを作成する場合、荷重計測部１０と、端末装置３０等の体調情報の取得先となる装置と、これら２つの装置と通信可能なコンピュータ等のモデル作成装置と、作成済の臥床状態判定モデルＭＳＴＡと、作成済の規則性特定モデルＭＲＥＧとを用いれば、体調変異予測モデルＭＰＲＥを作成することができる。この場合、モデル作成装置の制御部が制御部２１に相当し、モデル作成装置の制御部は少なくとも前処理部２１１、臥床状態判定部２１２、傾向取得部２１３、規則性特定部２１４、および体調変異予測部２１５を備える。また、当該コンピュータの記憶部、または当該コンピュータと通信可能な外部の記憶装置に、作成済の臥床状態判定モデルＭＳＴＡと作成済の規則性特定モデルＭＲＥＧが記憶されており、モデル作成装置の制御部はこれを使用して臥床状態の判定および規則性の特定を行う。なお、同記憶部または記憶装置には、体調変異予測モデルＭＰＲＥのひな形となる未学習のモデルを記憶していてもよい。
【0138】
以上説明した３つの学習済モデルの作成と、体調変異の予測のうち２つ以上がまとめて同じシステムで実施されてもよい。例えば、臥床状態判定モデルＭＳＴＡと規則性特定モデルＭＲＥＧを同じモデル作成装置で予め作成しておき、作成済のモデルを体調変異予測システム１００の情報処理装置２０の記憶部２２に格納しておいてもよい。そして、体調変異予測システム１００において、体調変異予測モデルＭＰＲＥの作成と、体調変異の予測と、を実行することとしてもよい。
【0139】
上記実施形態の体調変異予測方法において、表示工程Ｓ１７を省略してもよい。この場合、体調変異予測システム１００の使用者は、情報処理装置２０の記憶部２２に体調変異の予測結果を示す情報（予測情報）が保存されているか否かを定期的に確認してもよい。使用者は、体調変異の予測結果を示す情報（予測情報）が保存されている場合はその内容に応じた予防処置を被験者Ｓに施し得る。
【0140】
上記実施形態の体調変異モデル作成方法の教師データ作成工程Ｓ４７において、被験者Ｓの状態傾向の規則性と、ベッドＢＤが設置された病室等の温度、湿度等の環境情報とを時間を介して対応づけたデータを、教師データとして含めてもよい。そして、モデル作成工程Ｓ４８において当該教師データを用いてもよい。被験者Ｓの周囲環境は、被験者Ｓの体調（体温、呼吸数等）に直接的に、又は間接的に影響を及ぼす。したがって、被験者Ｓの臥床状態と被験者Ｓの周囲環境との相関関係も予測モデルに学習させることで、作成される体調変異予測モデルの予測精度をより向上させることができる。
【0141】
上記実施形態の体調変異モデル作成方法では、体調変異の予測対象となる被験者Ｓ自身の体調情報及び状態傾向の規則性を用いて教師データを作成し、使用する場合を説明した。しかしながら、教師データとして用いられる規則性情報及び／又は体調情報は、被験者Ｓ自身の情報に限られない。例えば、体調変異の予測を行おうとする被験者Ｓ自身に基づく教師データに加えて、或いはこれに代えて、体調変異の予測を行おうとする被験者Ｓとは異なる単数又は複数の被験者に基づく、単数又は複数の教師データを作成し、使用してもよい。
【0142】
上記実施形態の体調変異予測モデルの作成方法においては、被験者Ｓの食事、清拭等の被験者Ｓの行動情報を被験者Ｓの体調情報に含めているが、これには限られない。体調情報は行動情報を含まなくてもよい。
【0143】
また、体調情報に含まれる体調は、作成する体調変異予測モデルＭＰＲＥにより予測しようとする体調変異のみでもよい。そのような教師データでも、被験者Ｓの状態傾向の規則性と予測しようとする被験者Ｓの状態変異との相関関係を予測モデルに学習させることができる。本発明において、体調情報に含まれる、予測しようとする体調変異と時刻との対応を示すデータを「体調変異情報」と呼ぶ。
【0144】
上記実施形態の体調変異予測システム１００、体調変異予測方法、体調変異予測モデルの作成方法では、被験者Ｓの状態傾向の時間的変動の規則性の特定を、学習済の規則性特定モデルＭＲＥＧを用いて行っている。しかしながら、被験者Ｓの状態傾向の規則性の特定方法はこれには限られない。例えば、前記規則性の特定は、パターンマッチングなどの、データ中のパターンを特定する任意の手法により行うことが出来る。
【0145】
上記実施形態の体調変異予測システム１００において、荷重計測部１０は荷重センサＬＳ１～ＬＳ４に代えて、シーツの下にマトリックス状に配置された複数の感圧センサ（圧力センサ）により被験者Ｓの荷重を計測してもよい。
【0146】
上記実施形態の体調変異予測システム１００は、必ずしも荷重センサＬＳ１～ＬＳ４の全てを備える必要はなく、このいずれか一つを備えるのみでもよい。また、荷重検出器は、必ずしもベッドの四隅に配置される必要はなく、ベッド上の被験者の荷重及びその変動を検出しうるように、任意の位置に配置し得る。また、荷重センサＬＳ１～ＬＳ４は、ビーム形ロードセルを用いた荷重センサに限られず、例えばフォースセンサを使用することもできる。
【0147】
上記実施形態の体調変異予測システム１００において、荷重計測部１０に代えて、またはこれに加えて、ベッドＢＤ上の被験者の生体情報を取得するカメラ、加速度センサ等を用いてもよい。カメラを用いて被験者Ｓの画像情報を生体情報として取得する場合や、被験者Ｓに取り付けた加速度センサにより被験者Ｓの体動を生体情報として取得する場合も、被験者Ｓの荷重を生体情報として取得する場合と実質的に同様の方法により、被験者Ｓの体調変異を予測することができる。
【0148】
例えば、カメラで撮影した画像を解析することで、その画像に写っている人物が何の動作をしているか特定することができる技術は、従来種々存在する。このような公知技術を流用することで、例えば、カメラでベッドＢＤ（および被験者Ｓ）を撮影して、その画像を解析することにより、被験者ＳのベッドＢＤ上での動作（すなわち、本開示で説明した臥床状態）を特定することができるといえる。なお、カメラでベッドＢＤを撮影して被験者Ｓが写っていない場合は、被験者Ｓは「離床」状態であると判定すればよい。臥床状態を特定してからの処理は、上記実施形態で説明したものと同様である。
【0149】
また例えば、加速度センサを搭載したウェアラブルデバイスを被験者Ｓに身に着けさせておくことで、ベッドＢＤに臥床した被験者Ｓの臥床状態を特定することができる。臥床状態を特定してからの処理は、上記実施形態で説明したものと同様である。
【0150】
上記実施形態の体調変異予測システム１００は、端末装置３０を備えなくてもよい。また、情報処理装置２０はネットワークを介して荷重計測部１０に接続される態様に限られず、荷重計測部１０及びベッドＢＤの近傍（例えば同一室内）に配置されて荷重計測部１０に配線により接続されていてもよい。
【0151】
上記実施形態の臥床状態判定モデルＭＳＴＡ、規則性特定モデルＭＲＥＧ、体調変異予測モデルＭＰＲＥは、非一時的且つコンピュータ読取可能な記録媒体に記録されたものであってもよい。当該記録媒体を情報処理装置２０等のコンピュータで読み取ることにより、当該コンピュータに臥床状態判定工程Ｓ１３、規則性特定工程Ｓ１５、体調変異予測工程Ｓ１６を実行させることができる。即ち、臥床状態判定モデルＭＳＴＡ、規則性特定モデルＭＲＥＧ、体調変異予測モデルＭＰＲＥ等の学習済みモデルはプログラムとして記録媒体に記録され得る。また、これらの学習済モデルのひな形となる未学習のモデルが存在する場合、当該未学習のモデルについても同様に、非一時的且つコンピュータ読取可能な記録媒体に記録されていてもよい。
【0152】
本発明の特徴を維持する限り、本発明は上記実施の形態に限定されるものではなく、本発明の技術的思想の範囲内で考えられるその他の形態についても、本発明の範囲内に含まれる。
【符号の説明】
【0153】
１０ 荷重計測部； ２０ 情報処理装置； ２１１ 前処理部； ２１２ 臥床状態判定部； ２１３ 傾向取得部； ２１４ 規則性特定部； ２１５ 体調変異予測部； ２２ 記憶部； ３０ 端末装置； ＢＤ ベッド； ＬＳ１～ＬＳ４ 荷重センサ；ＭＰＲＥ 体調変異予測モデル； ＭＲＥＧ 規則性特定モデル； ＭＳＴＡ 臥床状態判定モデル； Ｓ 被験者
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】