特許 7381301 学習済みモデルの生成方法、学習済みモデルの生成システム、推論装置、およびコンピュータプログラム

(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】

(24)【登録日】2023-11-07

(45)【発行日】2023-11-15

(54)【発明の名称】学習済みモデルの生成方法、学習済みモデルの生成システム、推論装置、およびコンピュータプログラム

(51)【国際特許分類】

   A61B 5/0245 20060101AFI20231108BHJP

   A61B 5/08 20060101ALI20231108BHJP

   G06N 20/00 20190101ALI20231108BHJP

【ＦＩ】

A61B5/0245 200

A61B5/0245 100D

A61B5/0245 100B

A61B5/08

G06N20/00 130

【請求項の数】 17

(21)【出願番号】P 2019206134

(22)【出願日】2019-11-14

(65)【公開番号】P2021078538

(43)【公開日】2021-05-27

【審査請求日】2022-10-26

(73)【特許権者】

【識別番号】000230962

【氏名又は名称】日本光電工業株式会社

(74)【代理人】

【識別番号】110001416

【氏名又は名称】弁理士法人信栄事務所

(72)【発明者】

【氏名】川島 拓也

(72)【発明者】

【氏名】松沢 航

(72)【発明者】

【氏名】佐野 宙人

【審査官】藤原 伸二

(56)【参考文献】

【文献】国際公開第２０１９／１８６９５５（ＷＯ，Ａ１）

【文献】特開２０１０－１８７９９３（ＪＰ，Ａ）

【文献】特開２０１６－１２２２６９（ＪＰ，Ａ）

【文献】特開２０１９－００５２２０（ＪＰ，Ａ）

【文献】特開２０１４－０４１４２６（ＪＰ，Ａ）

【文献】特開２０１７－１４６６３５（ＪＰ，Ａ）

【文献】国際公開第２０１９／１６７５５６（ＷＯ，Ａ１）

【文献】米国特許出願公開第２０１９／０１８０８４１（ＵＳ，Ａ１）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ａ６１Ｂ ５／００－５／０５３８

Ａ６１Ｂ ５／０６－５／３９８

Ｇ０６Ｎ ２０／００

(57)【特許請求の範囲】

【請求項1】

コンピュータにより実行される、被検者から取得された波形データに基づいて所定の生体パラメータの値が正しく算出される確率を推論する推論装置に適用するための学習済みモデルの生成方法であって、
実際に被検者から取得された波形データまたは生体情報モニタの性能評価用にデータベースとして公開されている波形データから正しく算出された生体パラメータの値に対応する第一データを取得するステップと、
入力された波形データから取得される前記生体パラメータの値を自動的に算出して第二データとして出力するアルゴリズムへ、前記波形データを入力するステップと、
前記第二データを前記第一データと照合することにより、当該第二データに対応する前記生体パラメータの値が正解か不正解かを示す教師ラベルを含む第三データを生成するステップと、
前記波形データと前記第三データを用いてニューラルネットワークに学習させることにより、学習済みモデルを生成するステップと、
を含んでいる、
学習済みモデルの生成方法。

【請求項2】

前記波形データは、心電図波形データであり、
前記生体パラメータは、心拍数である、
請求項１に記載の学習済みモデルの生成方法。

【請求項3】

コンピュータにより実行される、被検者から取得された波形データに基づいて所定の生体パラメータの値が正しく算出される確率を推論する推論装置に適用するための学習済みモデルの生成方法であって、
第一波形データから正しく算出された第一生体パラメータの値に対応する第一データを取得するステップと、
入力された波形データから取得される第二生体パラメータの値を自動的に算出して第二データとして出力するアルゴリズムへ、第二波形データを入力するステップと、
前記第二データを前記第一データと照合することにより、当該第二データに対応する前記第二生体パラメータの値が正解か不正解かを示す教師ラベルを含む第三データを生成するステップと、
前記第二波形データと前記第三データを用いてニューラルネットワークに学習させることにより、学習済みモデルを生成するステップと、
を含んでいる、
前記第一波形データと前記第二波形データは、同一の被検者から取得されるものであり、
前記第一生体パラメータの種別と前記第二生体パラメータの種別は、相違している、
学習済みモデルの生成方法。

【請求項4】

前記第一波形データは、心電図波形データであり、
前記第二波形データは、観血的動脈圧波形データであり、
前記第一生体パラメータは、心拍数であり、
前記第二生体パラメータは、脈拍数である、
請求項３に記載の学習済みモデルの生成方法。

【請求項5】

コンピュータにより実行される、被検者から取得された波形データに基づいて所定の生体パラメータの値が正しく算出される確率を推論する推論装置に適用するための学習済みモデルの生成方法であって、
第一波形データから正しく算出された第一生体パラメータの値に対応する第一データを取得するステップと、
入力された波形データから取得される第二生体パラメータの値を自動的に算出して第二データとして出力するアルゴリズムへ、第二波形データを入力するステップと、
前記第二データを前記第一データと照合することにより、当該第二データに対応する前記第二生体パラメータの値が正解か不正解かを示す教師ラベルを含む第三データを生成するステップと、
前記第二波形データと前記第三データを用いてニューラルネットワークに学習させることにより、学習済みモデルを生成するステップと、
を含んでおり、
前記第一波形データと前記第二波形データは、同一の被検者から相違する手法により取得されるものであり、
前記第一生体パラメータの種別と前記第二生体パラメータの種別は、同一である、
学習済みモデルの生成方法。

【請求項6】

前記第一波形データは、カプノグラム波形データであり、
前記第二波形データは、インピーダンス呼吸波形データであり、
前記第一生体パラメータと前記第二生体パラメータは、呼吸数である、
請求項５に記載の学習済みモデルの生成方法。

【請求項7】

被検者から取得された波形データに基づいて所定の生体パラメータの値が正しく算出される確率を推論する推論装置に適用するための学習済みモデルを生成するシステムであって、
教師データ生成装置と、
学習済みモデル生成装置と、
を備えており、
前記教師データ生成装置は、
実際に被検者から取得された波形データまたは生体情報モニタの性能評価用にデータベースとして公開されている波形データから正しく算出された生体パラメータの値に対応する第一データと、入力された波形データから取得される当該生体パラメータの値を自動的に算出して第二データとして出力するアルゴリズムに当該波形データを入力することにより算出された当該第二データとを受け付ける第一入力インターフェースと、
前記第二データを前記第一データと照合することにより、当該第二データに対応する前記生体パラメータの値が正解か不正解かを示す教師ラベルを含む第三データを生成する第一プロセッサと、
前記第三データを出力する出力インターフェースと、
を備えており、
前記学習済みモデル生成装置は、
前記波形データと前記第三データを受け付ける第二入力インターフェースと、
前記波形データと前記第三データを用いてニューラルネットワークに学習させることにより、学習済みモデルを生成する第二プロセッサと、
を備えている、
学習済みモデルの生成システム。

【請求項8】

被検者から取得された波形データに基づいて所定の生体パラメータの値が正しく算出される確率を推論する推論装置に適用するための学習済みモデルを生成するシステムであって、
教師データ生成装置と、
学習済みモデル生成装置と、
を備えており、
前記教師データ生成装置は、
第一波形データから正しく算出された第一生体パラメータの値に対応する第一データと、入力された波形データから取得される第二生体パラメータの値を自動的に算出して第二データとして出力するアルゴリズムに第二波形データを入力することにより算出された当該第二データとを受け付ける第一入力インターフェースと、
前記第二データを前記第一データと照合することにより、当該第二データに対応する前記第二生体パラメータの値が正解か不正解かを示す教師ラベルを含む第三データを生成する第一プロセッサと、
前記第三データを出力する出力インターフェースと、
を備えており、
前記学習済みモデル生成装置は、
前記第二波形データと前記第三データを受け付ける第二入力インターフェースと、
前記第二波形データと前記第三データを用いてニューラルネットワークに学習させることにより、学習済みモデルを生成する第二プロセッサと、
を備えており、
前記第一波形データと前記第二波形データは、同一の被検者から取得されるものであり、
前記第一生体パラメータの種別と前記第二生体パラメータの種別は、相違している、
学習済みモデルの生成システム。

【請求項9】

被検者から取得された波形データに基づいて所定の生体パラメータの値が正しく算出される確率を推論する推論装置に適用するための学習済みモデルを生成するシステムであって、
教師データ生成装置と、
学習済みモデル生成装置と、
を備えており、
前記教師データ生成装置は、
第一波形データから正しく算出された第一生体パラメータの値に対応する第一データと、入力された波形データから取得される第二生体パラメータの値を自動的に算出して第二データとして出力するアルゴリズムに第二波形データを入力することにより算出された当該第二データとを受け付ける第一入力インターフェースと、
前記第二データを前記第一データと照合することにより、当該第二データに対応する前記第二生体パラメータの値が正解か不正解かを示す教師ラベルを含む第三データを生成する第一プロセッサと、
前記第三データを出力する出力インターフェースと、
を備えており、
前記学習済みモデル生成装置は、
前記第二波形データと前記第三データを受け付ける第二入力インターフェースと、
前記第二波形データと前記第三データを用いてニューラルネットワークに学習させることにより、学習済みモデルを生成する第二プロセッサと、
を備えており、
前記第一波形データと前記第二波形データは、同一の被検者から相違する手法により取得されるものであり、
前記第一生体パラメータの種別と前記第二生体パラメータの種別は、同一である、
学習済みモデルの生成システム。

【請求項10】

教師データ生成装置と学習済みモデル生成装置を含むシステムにおいて実行されるコンピュータプログラムであって、
実行されることにより、
前記教師データ生成装置に、
実際に被検者から取得された波形データまたは生体情報モニタの性能評価用にデータベースとして公開されている波形データから正しく算出された生体パラメータの値に対応する第一データと、入力された波形データから取得される当該生体パラメータの値を自動的に算出して第二データとして出力するアルゴリズムに当該波形データを入力することにより取得された当該第二データとを受け付けさせ、
前記第二データを前記第一データと照合することにより、当該第二データに対応する前記生体パラメータの値が正解か不正解かを示す教師ラベルを含む第三データを生成させ、
前記第三データを出力させ、
前記学習済みモデル生成装置に、
前記波形データと前記第三データを受け付けさせ、
前記波形データと前記第三データを用いてニューラルネットワークに学習させることにより、被検者から取得された波形データに基づいて所定の生体パラメータの値が正しく算出される確率を推論する推論装置に適用するための学習済みモデルを生成させる、コンピュータプログラム。

【請求項11】

教師データ生成装置と学習済みモデル生成装置を含むシステムにおいて実行されるコンピュータプログラムであって、
実行されることにより、
前記教師データ生成装置に、
第一波形データから正しく算出された第一生体パラメータの値に対応する第一データと、入力された波形データから取得される第二生体パラメータの値を自動的に算出して第二データとして出力するアルゴリズムに第二波形データを入力することにより取得された当該第二データとを受け付けさせ、
前記第二データを前記第一データと照合することにより、当該第二データに対応する前記第二生体パラメータの値が正解か不正解かを示す教師ラベルを含む第三データを生成させ、
前記第三データを出力させ、
前記学習済みモデル生成装置に、
前記第二波形データと前記第三データを受け付けさせ、
前記第二波形データと前記第三データを用いてニューラルネットワークに学習させることにより、被検者から取得された波形データに基づいて所定の生体パラメータの値が正しく算出される確率を推論する推論装置に適用するための学習済みモデルを生成させ、
前記第一波形データと前記第二波形データは、同一の被検者から取得されるものであり、
前記第一生体パラメータの種別と前記第二生体パラメータの種別は、相違している、
コンピュータプログラム。

【請求項12】

教師データ生成装置と学習済みモデル生成装置を含むシステムにおいて実行されるコンピュータプログラムであって、
実行されることにより、
前記教師データ生成装置に、
第一波形データから正しく算出された第一生体パラメータの値に対応する第一データと、入力された波形データから取得される第二生体パラメータの値を自動的に算出して第二データとして出力するアルゴリズムに第二波形データを入力することにより取得された当該第二データとを受け付けさせ、
前記第二データを前記第一データと照合することにより、当該第二データに対応する前記第二生体パラメータの値が正解か不正解かを示す教師ラベルを含む第三データを生成させ、
前記第三データを出力させ、
前記学習済みモデル生成装置に、
前記第二波形データと前記第三データを受け付けさせ、
前記第二波形データと前記第三データを用いてニューラルネットワークに学習させることにより、被検者から取得された波形データに基づいて所定の生体パラメータの値が正しく算出される確率を推論する推論装置に適用するための学習済みモデルを生成させ、
前記第一波形データと前記第二波形データは、同一の被検者から相違する手法により取得されるものであり、
前記第一生体パラメータの種別と前記第二生体パラメータの種別は、同一である、
コンピュータプログラム。

【請求項13】

被検者から取得された波形データを受け付ける入力インターフェースと、
前記波形データに基づいて所定の生体パラメータの値が正しく算出される確率に対応する推論データを生成するプロセッサと、
前記推論データを出力する出力インターフェースと、
を備えており、
前記プロセッサは、請求項１から６のいずれか一項に記載の学習済みモデルの生成方法により生成された学習済みモデルを用いて前記推論データを生成する、
推論装置。

【請求項14】

前記波形データに基づいて自動的に算出された前記所定の生体パラメータの値を出力データとして出力するアルゴリズムを実行するデータ処理装置を備えており、
前記データ処理装置は、前記出力データに対して前記推論データに基づく処理を適用する、
請求項１３に記載の推論装置。

【請求項15】

前記所定の生体パラメータの種別は、前記学習済みモデルの生成に用いられた生体パラメータの種別と同一である、
請求項１３または１４に記載の推論装置。

【請求項16】

前記所定の生体パラメータの種別は、前記学習済みモデルの生成に用いられた生体パラメータの種別と異なっている、
請求項１３または１４に記載の推論装置。

【請求項17】

被検者から取得された波形データに基づいて所定の生体パラメータの値が正しく算出される確率を推論する推論装置によって実行されるコンピュータプログラムであって、
実行されることにより、前記推論装置に、
被検者から取得された波形データを受け付けさせ、
請求項１から６のいずれか一項に記載の学習済みモデルの生成方法によって生成された学習済みモデルに前記波形データを入力させ、
前記学習済みモデルからの出力に基づいて、前記確率に対応する推論データを生成させ、
前記推論データを出力させる、
コンピュータプログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、被検者から取得された波形データに基づいて所定の生体パラメータの値が正しく算出される確率を推論する推論装置に適用するための学習済みモデルを生成する方法、および当該学習済みモデルを生成するシステムに関連する。本発明は、当該推論装置、および当該推論装置において実行されるコンピュータプログラムにも関連する。

【背景技術】

【0002】

特許文献１は、生体情報モニタを開示している。被検者に装着されたセンサなどを通じて取得された患者や被検者の生体パラメータの値は、生体情報モニタによる監視や表示に供される。当該値が正常状態からの逸脱を示すと、生体情報モニタは、アラームを出力して医療従事者に報知を行なう。

【先行技術文献】

【特許文献】

【0003】

【文献】特開２０１８－１０２６７１号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

本発明の目的は、被検者の生理的現象に起因する生体パラメータの値を精度よく抽出可能にすることである。

【課題を解決するための手段】

【0005】

上記の目的を達成するための一態様は、被検者から取得された波形データに基づいて所定の生体パラメータの値が正しく算出される確率を推論する推論装置に適用するための学習済みモデルの生成方法であって、
第一波形データから正しく算出された第一生体パラメータの値に対応する第一データを取得するステップと、
入力された波形データから取得される第二生体パラメータの値を自動的に算出して第二データとして出力するアルゴリズムへ、第二波形データを入力するステップと、
前記第二データを前記第一データと照合することにより、当該第二データに対応する前記第二生体パラメータの値が正解か不正解かを示す教師ラベルを含む第三データを生成するステップと、
前記第二波形データと前記第三データを用いてニューラルネットワークに学習させることにより、学習済みモデルを生成するステップと、
を含んでいる。

【0006】

上記の目的を達成するための一態様は、被検者から取得された波形データに基づいて所定の生体パラメータの値が正しく算出される確率を推論する推論装置に適用するための学習済みモデルを生成するシステムであって、
教師データ生成装置と、
学習済みモデル生成装置と、
を備えており、
前記教師データ生成装置は、
第一波形データから正しく算出された第一生体パラメータの値に対応する第一データと、入力された波形データから取得される第二生体パラメータの値を自動的に算出して第二データとして出力するアルゴリズムに第二波形データを入力することにより算出された当該第二データとを受け付ける第一入力インターフェースと、
前記第二データを前記第一データと照合することにより、当該第二データに対応する前記第二生体パラメータの値が正解か不正解かを示す教師ラベルを含む第三データを生成する第一プロセッサと、
前記第三データを出力する出力インターフェースと、
を備えており、
前記学習済みモデル生成装置は、
前記第二波形データと前記第三データを受け付ける第二入力インターフェースと、
前記第二波形データと前記第三データを用いてニューラルネットワークに学習させることにより、学習済みモデルを生成する第二プロセッサと、
を備えている。

【0007】

上記の目的を達成するための一態様は、教師データ生成装置と学習済みモデル生成装置を含むシステムにおいて実行されるコンピュータプログラムであって、
実行されることにより、
前記教師データ生成装置に、
第一波形データから正しく算出された第一生体パラメータの値に対応する第一データと、入力された波形データから取得される第二生体パラメータの値を自動的に算出して第二データとして出力するアルゴリズムに第二波形データを入力することにより取得された当該第二データとを受け付けさせ、
前記第二データを前記第一データと照合することにより、当該第二データに対応する前記第二生体パラメータの値が正解か不正解かを示す教師ラベルを含む第三データを生成させ、
前記第三データを出力させ、
前記学習済みモデル生成装置に、
前記第二波形データと前記第三データを受け付けさせ、
前記第二波形データと前記第三データを用いてニューラルネットワークに学習させることにより、被検者から取得された波形データに基づいて所定の生体パラメータの値が正しく算出される確率を推論する推論装置に適用するための学習済みモデルを生成させる。

【0008】

上記のような構成によれば、アルゴリズムによって自動的に算出された第二生体パラメータの値が、正しく算出されたことが知られている第一生体パラメータの値との照合に供される。したがって、照合の結果として得られる教師ラベルは、入力される第二波形データに対して当該アルゴリズムが正しく、あるいは誤って第二生体パラメータの値を算出する傾向あるいは癖を反映しうる。このような教師ラベルを含む教師データを用いてニューラルネットワークに学習させるので、生成される学習済みモデルは、ある第二波形データが当該アルゴリズムに入力された際に第二生体パラメータの値が正しく算出される確率を精度よく推論できる。換言すると、被検者の生理的現象に起因する第二生体パラメータの値と、アルゴリズムの誤解析に起因する第二生体パラメータの値との判別に係る推論精度が高まる。

【0009】

上記の目的を達成するための一態様は、推論装置であって、
被検者から取得された波形データを受け付ける入力インターフェースと、
前記波形データに基づいて所定の生体パラメータの値が正しく算出される確率に対応する推論データを生成するプロセッサと、
前記推論データを出力する出力インターフェースと、
を備えており、
前記プロセッサは、上記の学習済みモデルの生成方法により生成された学習済みモデルを用いて前記推論データを生成する。

【0010】

上記の目的を達成するための一態様は、被検者から取得された波形データに基づいて所定の生体パラメータの値が正しく算出される確率を推論する推論装置によって実行されるコンピュータプログラムであって、
実行されることにより、前記推論装置に、
被検者から取得された波形データを受け付けさせ、
上記の学習済みモデルの生成方法によって生成された学習済みモデルに前記波形データを入力させ、
前記学習済みモデルからの出力に基づいて、前記確率に対応する推論データを生成させ、
前記推論データを出力させる。

【0011】

上記のような構成によれば、波形データがアルゴリズムに入力された際に所定の生体パラメータが正しく算出される確率を精度よく推論できる学習済みモデルが用いられるので、被検者の生理的現象に起因する生体パラメータの値とアルゴリズムの誤解析に起因する生体パラメータの値との判別に係る推論が、推論装置により精度よく行なわれうる。

【図面の簡単な説明】

【0012】

【図1】第一実施形態に係る学習済みモデルの生成と利用を例示している。

【図2】心電図波形データと第一心拍数データの関係を例示している。

【図3】心電図波形データと第二心拍数データの関係を例示している。

【図4】被検者から取得された心拍数の経時変化を示すデータを例示している。

【図5】推論装置による処理を経た心拍数の経時変化を示すデータを例示している。

【図6】第二実施形態に係る学習済みモデルの生成と利用を例示している。

【図7】第三実施形態に係る学習済みモデルの生成と利用を例示している。

【発明を実施するための形態】

【0013】

添付の図面を参照しつつ、実施形態の例を以下詳細に説明する。

【0014】

図１は、第一実施形態に係る学習済みモデル生成システム１０の機能構成を例示している。学習済みモデル生成システム１０は、後述する推論装置２０において実行される処理アルゴリズムである学習済みモデルＭ１を生成するシステムである。学習済みモデル生成システム１０は、教師データ生成装置１１と学習済みモデル生成装置１２を含んでいる。

【0015】

教師データ生成装置１１は、入力インターフェース１１１を備えている。入力インターフェース１１１は、第一心拍数データＨ１および第二心拍数データＨ２を受け付けるように構成されている。入力インターフェース１１１は、第一入力インターフェースの一例である。

【0016】

第一心拍数データＨ１は、心電図波形データＥ１から正しく算出された心拍数の値を示すデータである。心電図波形データＥ１は、第一波形データの一例である。心拍数は、第一生体パラメータの一例である。第一心拍数データＨ１は、第一データの一例である。

【0017】

図２は、心電図波形データＥ１と第一心拍数データＨ１の関係を例示している。心電図波形データＥ１は、被検者の心臓の生理学的電気活動の経時変化を示している。心電図波形データＥ１は、心臓の拍動に伴って変化する。１分間あたりの当該変化の回数を計数することにより、第一心拍数データＨ１が算出される。図２において上下方向に延びる破線は、心電図波形データＥ１において心拍数の計数に供された部分を表している。同図においては、波形が表示されている時間内（例えば１０秒間）に１２回の心拍が計数されている。

【0018】

すなわち、学習済みモデルＭ１の生成にあたっては、心電図波形データＥ１から第一心拍数データＨ１が取得される処理（図１におけるＳＴＥＰ１１）が行なわれる。第一心拍数データＨ１に対応する心拍数の計数は、心電図波形データＥ１を目視することによってなされてもよいし、適当な計数ソフトウェアを用いてなされてもよい。心電図波形データＥ１は、心電図センサなどを用いて実際に被検者から取得された波形データが用いられてもよいし、心電図モニタの性能評価用にデータベースとして公開されている波形データが用いられてもよい。

【0019】

第二心拍数データＨ２は、特定の心拍数算出アルゴリズムにより心電図波形データＥ１から自動的に算出された心拍数の値を示すデータである。心拍数算出アルゴリズムは、例えば、心電図モニタに搭載されたプロセッサにより実行されるものでありうる。心拍数算出アルゴリズムは、入力された心電図波形データにおける波形形状の特徴などに基づいて、自動的に心拍数を算出するように構成されている。心電図波形データＥ１は、第二波形データの一例である。心拍数は、第二生体パラメータの一例である。第二心拍数データＨ２は、第二データの一例である。

【0020】

すなわち、学習済みモデルＭ１の生成にあたっては、心電図波形データＥ１から第二心拍数データＨ２が取得される処理（図１におけるＳＴＥＰ１２）が行なわれる。

【0021】

図３は、心電図波形データＥ１と第二心拍数データＨ２の関係を例示している。図３に例示されている心電図波形データＥ１は、図２に例示されている心電図波形データＥ１と同一である。同一の心電図波形データＥ１に基づいていながら、図３に示される例においては、１２回ではなく１９回の心拍が計数されている。この事実は、第二心拍数データＨ２の取得に使用された心拍数算出アルゴリズムが、誤検出された心拍に基づいて計数を行ないうることを意味している。

【0022】

図４は、被検者から実際に取得された心電図波形データＥ１を上記の心拍数算出アルゴリズムに入力することにより自動的に算出された心拍数の経時変化を例示している。グラフ中に含まれる複数の点の各々は、所定時間内（例えば１分間）に検出された心拍数に対応している。

【0023】

図５においては、図４に例示された複数の心拍数の値のうち、誤って算出されたものを白丸で表している。誤って算出された心拍数データを除外しうる一つの手法は、心拍数について閾値範囲を設定することである。例えば、心拍数が下限閾値Ｔｈ１と上限閾値Ｔｈ２の間に収まっていない心拍数データが除外されうる。しかしながら、図５に示されるように、閾値範囲内であっても誤って算出された心拍数データは存在しうるし、逆に閾値範囲外であっても正しく算出された心拍数データは存在しうる。前者は心拍数算出アルゴリズムの誤解析に基づくものであり、後者は被検者における何らかの生理的現象に起因して心拍数が上昇した場合に対応している。心拍数算出アルゴリズムの誤解析は、例えば、高振幅のＴ波をＱＲＳ波と誤認識して心拍数を多く計数してしまう現象（いわゆるダブルカウント）によって生じうる。心拍数算出アルゴリズムの誤解析は、被検者の体動、被検者に装着された電極の劣化や脱落などの外部ノイズによっても生じうる。

【0024】

図１に例示されるように、教師データ生成装置１１は、プロセッサ１１２を備えている。プロセッサ１１２は、第二心拍数データＨ２を第一心拍数データＨ１と照合することにより、第二心拍数データＨ２に対応する心拍数の値が正解か不正解かを示す教師ラベルを含む教師データＴ１を生成するように構成されている。プロセッサ１１２は、第一プロセッサの一例である。教師データＴ１は、第三データの一例である。

【0025】

図２に例示された第一心拍数データＨ１と図３に例示された第二心拍数データＨ２が照合に供された場合、教師データＴ１は、第二心拍数データＨ２に対応する心拍数は不正解であることを示す教師ラベルを含む。

【0026】

なお、正解であることを示す教師ラベルを含むために、必ずしも第一心拍数データＨ１に対応する心拍数と第二心拍数データＨ２に対応する心拍数が完全に一致していることを要しない。第一心拍数データＨ１に対応する心拍数に対する第二心拍数データＨ２に対応する心拍数の誤差が許容範囲内であれば、教師データＴ１は、正解を示す教師データを含みうる。

【0027】

すなわち、学習済みモデルＭ１の生成にあたっては、心拍数算出アルゴリズムにより自動的に算出された心拍数に対応する第二心拍数データＨ２を第一心拍数データＨ１と照合することにより、当該心拍数が正解か不正解かを示す教師ラベルを含む教師データＴ１を生成する処理（図１におけるＳＴＥＰ１３）が行なわれる。

【0028】

上記のような機能を有するプロセッサ１１２は、汎用メモリと協働して動作する汎用マイクロプロセッサにより実現されうる。汎用マイクロプロセッサとしては、ＣＰＵ、ＭＰＵ、ＧＰＵが例示されうる。汎用メモリとしては、ＲＯＭやＲＡＭが例示されうる。この場合、ＲＯＭには、上述した処理を実行するコンピュータプログラムが記憶されうる。ＲＯＭは、コンピュータプログラムを記憶している記憶媒体の一例である。汎用マイクロプロセッサは、ＲＯＭ上に記憶されたプログラムの少なくとも一部を指定してＲＡＭ上に展開し、ＲＡＭと協働して上述した処理を実行する。上記のコンピュータプログラムは、汎用メモリにプリインストールされてもよいし、通信ネットワークを介して外部サーバからダウンロードされて汎用メモリにインストールされてもよい。この場合、外部サーバは、コンピュータプログラムを記憶している記憶媒体の一例である。

【0029】

プロセッサ１１２は、マイクロコントローラ、ＡＳＩＣ、ＦＰＧＡなどの上記のコンピュータプログラムを実行可能な専用集積回路によって実現されてもよい。この場合、当該専用集積回路に含まれる記憶素子に上記のコンピュータプログラムがプリインストールされる。当該記憶素子は、コンピュータプログラムを記憶している記憶媒体の一例である。プロセッサ１１２は、汎用マイクロプロセッサと専用集積回路の組合せによっても実現されうる。

【0030】

図１に例示されるように、教師データ生成装置１１は、出力インターフェース１１３を備えている。出力インターフェース１１３は、プロセッサ１１２により生成された教師データＴ１を出力するように構成されている。

【0031】

学習済みモデル生成装置１２は、入力インターフェース１２１を備えている。入力インターフェース１２１は、心電図波形データＥ１と教師データＴ１を受け付けるように構成されている。入力インターフェース１２１は、第二入力インターフェースの一例である。

【0032】

学習済みモデル生成装置１２は、プロセッサ１２２を備えている。プロセッサ１２２は、心電図波形データＥ１と教師データＴ１を用いてニューラルネットワークに学習させることにより、学習済みモデルＭ１を生成するように構成されている。プロセッサ１２２は、第二プロセッサの一例である。

【0033】

学習済みモデルＭ１は、心電図波形データを入力とし、心電図波形データに基づいて心拍数が正しく算出される確率に対応する推論データを出力とする処理アルゴリズムとして生成される。推論データは、算出された確率に対応するスコア（例えば１から５までの値のいずれか）などに対応付けられてもよい。

【0034】

すなわち、学習済みモデルＭ１の生成にあたっては、心電図波形データＥ１と教師データＴ１を用いてニューラルネットワークに学習させる処理（図１におけるＳＴＥＰ１４）が行なわれる。ニューラルネットワークに学習される処理としては、周知の教師あり学習に係る手法が適宜に使用される。

【0035】

上記のような機能を有するプロセッサ１２２は、汎用メモリと協働して動作する汎用マイクロプロセッサにより実現されうる。汎用マイクロプロセッサとしては、ＣＰＵ、ＭＰＵ、ＧＰＵが例示されうる。汎用メモリとしては、ＲＯＭやＲＡＭが例示されうる。この場合、ＲＯＭには、上述した処理を実行するコンピュータプログラムが記憶されうる。ＲＯＭは、コンピュータプログラムを記憶している記憶媒体の一例である。汎用マイクロプロセッサは、ＲＯＭ上に記憶されたプログラムの少なくとも一部を指定してＲＡＭ上に展開し、ＲＡＭと協働して上述した処理を実行する。上記のコンピュータプログラムは、汎用メモリにプリインストールされてもよいし、通信ネットワークを介して外部サーバからダウンロードされて汎用メモリにインストールされてもよい。この場合、外部サーバは、コンピュータプログラムを記憶している記憶媒体の一例である。

【0036】

プロセッサ１２２は、マイクロコントローラ、ＡＳＩＣ、ＦＰＧＡ、ＴＰＵなどの上記のコンピュータプログラムを実行可能な専用集積回路によって実現されてもよい。この場合、当該専用集積回路に含まれる記憶素子に上記のコンピュータプログラムがプリインストールされる。当該記憶素子は、コンピュータプログラムを記憶している記憶媒体の一例である。プロセッサ１２２は、汎用マイクロプロセッサと専用集積回路の組合せによっても実現されうる。

【0037】

教師データ生成装置１１と学習済みモデル生成装置１２が相互に独立した装置として提供される場合、教師データ生成装置１１の出力インターフェース１１３と学習済みモデル生成装置１２の入力インターフェース１２１は、有線通信または無線通信を許容するように接続されうる。すなわち、出力インターフェース１１３と入力インターフェース１２１は、物理的な通信インターフェースでありうる。

【0038】

教師データ生成装置１１と学習済みモデル生成装置１２は、同一の装置内において実現される機能的実体であってもよい。この場合、教師データ生成装置１１のプロセッサ１１２の機能の少なくとも一部は、学習済みモデル生成装置１２のプロセッサ１２２によって実現されうる。また、出力インターフェース１１３と入力インターフェース１２１は、論理的なインターフェースでありうる。

【0039】

上記のような構成によれば、心拍数算出アルゴリズムによって自動的に算出された心拍数が、正しく算出されたことが知られている心拍数との照合に供される。したがって、照合の結果として得られる教師ラベルは、入力される心電図波形データＥ１に対して当該心拍数算出アルゴリズムが正しく、あるいは誤って心拍数を算出する傾向あるいは癖を反映しうる。このような教師ラベルを含む教師データＴ１を用いてニューラルネットワークに学習させるので、生成される学習済みモデルＭ１は、ある心電図波形データが当該心拍数算出アルゴリズムに入力された際に心拍数が正しく算出される確率を精度よく推論できる。換言すると、被検者の生理的現象に起因する心拍数の値と、心拍数算出アルゴリズムの誤解析に起因する心拍数の値との判別に係る推論精度が高まる。

【0040】

本例においては、正しく算出された心拍数の値に対応する第一心拍数データＨ１を取得するために使用される心電図波形データＥ１が、第一心拍数データＨ１との照合に供される第二心拍数データＨ２を取得するために心拍数算出アルゴリズムに入力される心電図波形データを兼ねている。教師データＴ１を生成するために照合に供される生体パラメータが、ともに心拍数であるので、同じ心電図波形データＥ１に基づいて正解または不正解の判定がなされることにより、学習の精度を向上させることができる。

【0041】

図１に例示されるように、学習済みモデル生成装置１２によって生成された学習済みモデルＭ１は、推論装置２０に適用される。

【0042】

推論装置２０は、入力インターフェース２１を備えている。入力インターフェース２１は、心電図センサなどを通じて被検者から取得された心電図波形データＥ２を受け付けるように構成されている。

【0043】

推論装置２０は、プロセッサ２２を備えている。プロセッサ２２は、心電図波形データＥ２から心拍数が正しく算出される確率を推論するように構成されている。学習済みモデルＭ１は、当該推論のためにプロセッサ２２により実行される処理アルゴリズムである。この場合、学習済みモデルＭ１は、心電図波形データＥ２を入力とし、心電図波形データＥ２に基づいて心拍数が正しく算出される確率に対応する推論データＩ１を出力する。

【0044】

すなわち、推論装置２０は、被検者から取得された心電図波形データＥ２に基づいて心拍数が正しく算出される確率を推論する処理（図１におけるＳＴＥＰ１５）を実行する。

【0045】

上記のような機能を有するプロセッサ２２は、汎用メモリと協働して動作する汎用マイクロプロセッサにより実現されうる。汎用マイクロプロセッサとしては、ＣＰＵ、ＭＰＵ、ＧＰＵが例示されうる。汎用メモリとしては、ＲＯＭやＲＡＭが例示されうる。この場合、ＲＯＭには、上述した処理を実行するコンピュータプログラムが記憶されうる。ＲＯＭは、コンピュータプログラムを記憶している記憶媒体の一例である。汎用マイクロプロセッサは、ＲＯＭ上に記憶されたプログラムの少なくとも一部を指定してＲＡＭ上に展開し、ＲＡＭと協働して上述した処理を実行する。上記のコンピュータプログラムは、汎用メモリにプリインストールされてもよいし、通信ネットワークを介して外部サーバからダウンロードされて汎用メモリにインストールされてもよい。この場合、外部サーバは、コンピュータプログラムを記憶している記憶媒体の一例である。

【0046】

プロセッサ２２は、マイクロコントローラ、ＡＳＩＣ、ＦＰＧＡなどの上記のコンピュータプログラムを実行可能な専用集積回路によって実現されてもよい。この場合、当該専用集積回路に含まれる記憶素子に上記のコンピュータプログラムがプリインストールされる。当該記憶素子は、コンピュータプログラムを記憶している記憶媒体の一例である。プロセッサ２２は、汎用マイクロプロセッサと専用集積回路の組合せによっても実現されうる。

【0047】

推論装置２０は、出力インターフェース２３を備えている。出力インターフェース２３は、推論データＩ１を出力するように構成されている。

【0048】

上記のような構成によれば、心電図波形データが心拍数算出アルゴリズムに入力された際に心拍数が正しく算出される確率を精度よく推論できる学習済みモデルＭ１が用いられるので、被検者の生理的現象に起因する心拍数の値と心拍数算出アルゴリズムの誤解析に起因する心拍数の値との判別に係る推論が、推論装置２０により精度よく行なわれうる。

【0049】

推論装置２０は、データ処理装置２４を備えている。データ処理装置２４は、入力インターフェース２１が受け付けた心電図波形データＥ２に基づいて、自動的に心拍数を算出する心拍数算出アルゴリズムを実行するように構成されている。本例においては、データ処理装置２４により実行される心拍数算出アルゴリズムは、学習済みモデルＭ１を生成する際に第二心拍数データＨ２を取得するために使用された心拍数算出アルゴリズムと同じである。これにより、心電図波形データＥ２に基づいて自動的に算出された心拍数に対応する心拍数データＨ３が生成される。

【0050】

すなわち、データ処理装置２４は、被検者から取得された心電図波形データＥ２に基づいて自動的に算出された心拍数に対応する心拍数データＨ３を生成する処理（図１におけるＳＴＥＰ１６）を実行する。心拍数データＨ３は、図４に例示されるような態様で提示されうる。

【0051】

加えて、データ処理装置２４は、出力インターフェース２３より出力された推論データＩ１に基づく処理を心拍数データＨ３に適用することにより、処理済み心拍数データＨ４を生成するように構成されている。

【0052】

すなわち、データ処理装置２４は、被検者から取得された心電図波形データＥ２に基づいて自動的に算出された心拍数に対して、心電図波形データＥ２に基づいて心拍数が正しく算出される確率に基づく処理（図１におけるＳＴＥＰ１７）を実行する。

【0053】

例えば、心拍数データＨ３のうち心拍数が正しく算出された確率が所定の閾値を上回るものと上回らないものとが異なる色で表示されるように、処理済み心拍数データＨ４が構成されうる。このように構成された処理済み心拍数データＨ４に基づく表示は、図５に例示される態様で提供されうる。同図においては、心拍数が正しく算出された確率が所定の閾値を上回るデータは黒丸で表示されており、心拍数が正しく算出された確率が所定の閾値を上回るデータは白丸で表示されている。確率が所定の閾値を上回るか否かで態様が相違していれば、データを示すシンボルの形状や点滅の有無が適宜に選択されてもよい。

【0054】

あるいは、心拍数データＨ３のうち心拍数が正しく算出された確率が所定の閾値を上回るもののみが表示されるように、処理済み心拍数データＨ４が構成されうる。この場合、図５に黒丸で示されているデータのみが表示に供される。逆に、心拍数データＨ３のうち心拍数が正しく算出された確率が所定の閾値を上回らないもののみが表示されるように、処理済み心拍数データＨ４が構成されてもよい。この場合、図５に白丸で示されているデータのみが表示に供される。

【0055】

推論装置２０は、不図示の表示装置を備えうる。この場合、処理済み心拍数データＨ４に対応する表示が、当該表示装置において提供される。処理済み心拍数データＨ４に対応する表示は、表示装置を備えた外部装置においてなされてもよい。この場合、推論装置２０は、処理済み心拍数データＨ４を、不図示の通信インターフェースを通じて当該外部装置へ送信する。

【0056】

上記のような機能を有するデータ処理装置２４は、汎用メモリと協働して動作する汎用マイクロプロセッサにより実現されうる。汎用マイクロプロセッサとしては、ＣＰＵ、ＭＰＵ、ＧＰＵが例示されうる。汎用メモリとしては、ＲＯＭやＲＡＭが例示されうる。この場合、ＲＯＭには、上述した処理を実行するコンピュータプログラムが記憶されうる。ＲＯＭは、コンピュータプログラムを記憶している記憶媒体の一例である。汎用マイクロプロセッサは、ＲＯＭ上に記憶されたプログラムの少なくとも一部を指定してＲＡＭ上に展開し、ＲＡＭと協働して上述した処理を実行する。上記のコンピュータプログラムは、汎用メモリにプリインストールされてもよいし、通信ネットワークを介して外部サーバからダウンロードされて汎用メモリにインストールされてもよい。この場合、外部サーバは、コンピュータプログラムを記憶している記憶媒体の一例である。

【0057】

データ処理装置２４は、マイクロコントローラ、ＡＳＩＣ、ＦＰＧＡなどの上記のコンピュータプログラムを実行可能な専用集積回路によって実現されてもよい。この場合、当該専用集積回路に含まれる記憶素子に上記のコンピュータプログラムがプリインストールされる。当該記憶素子は、コンピュータプログラムを記憶している記憶媒体の一例である。データ処理装置２４は、汎用マイクロプロセッサと専用集積回路の組合せによっても実現されうる。

【0058】

プロセッサ２２とデータ処理装置２４が相互に独立した装置として提供される場合、出力インターフェース２３は、両者の間のデータ通信を仲介する物理的なインターフェースでありうる。プロセッサ２２とデータ処理装置２４は、同一の制御装置内において実現される機能的実体であってもよい。この場合、出力インターフェース２３は、論理的なインターフェースでありうる。

【0059】

上記のような構成によれば、被検者から取得された心電図波形データＥ２が心拍数算出アルゴリズムに入力された際に心拍数が正しく算出される確率に係る高い精度の推論結果を用いて、被検者の生理的現象に起因する心拍数の値を精度よく抽出できる。

【0060】

本例においては、推論装置２０は、被検者から取得された心電図波形データＥ２に基づいて正しく心拍数が算出される確率を推論している。推論に用いられる学習済みモデルＭ１は、共通の心電図波形データＥ１から取得された第一心拍数データＨ１と第二心拍数データＨ２を用いて生成されている。

【0061】

別例として、推論装置２０は、被検者から取得されたカプノグラムデータに基づいて正しく呼吸数が算出される確率を推論するように構成されうる。カプノグラムデータは、カプノメータなどを用いて被検者から取得される。カプノグラムデータは、被検者の呼気中における二酸化炭素濃度の経時変化に対応する。呼吸数は、所定時間内に被検者によりなされる呼吸の数である。カプノグラムデータは、波形データの一例である。呼吸数は、生体パラメータの一例である。

【0062】

この場合、推論装置２０による推論に使用される学習済みモデルＭ１は、共通のカプノグラムデータから取得された第一呼吸数データと第二呼吸数データの照合に基づいて生成される。第一呼吸数データは、カプノグラムデータから正しく算出された呼吸数を示すデータである。第二呼吸数データは、特定の呼吸数算出アルゴリズムにより同じカプノグラムデータから自動的に算出された呼吸数を示すデータである。第一呼吸数データは、第一データの一例である。第二呼吸数データは、第二データの一例である。推論装置２０において使用される呼吸数算出アルゴリズムは、第二呼吸数データを取得するために使用される呼吸数算出アルゴリズムと同じである。

【0063】

図６は、第二実施形態に係る学習済みモデル生成システム３０の機能構成を例示している。学習済みモデル生成システム３０は、後述する推論装置４０において実行される処理アルゴリズムである学習済みモデルＭ２を生成するシステムである。学習済みモデル生成システム３０は、教師データ生成装置３１と学習済みモデル生成装置３２を含んでいる。

【0064】

教師データ生成装置３１は、入力インターフェース３１１を備えている。入力インターフェース３１１は、心拍数データＨおよび脈拍数データＰを受け付けるように構成されている。入力インターフェース３１１は、第一入力インターフェースの一例である。

【0065】

心電図波形データＥは、心電図センサなどを用いて被検者から取得される。心電図波形データＥは、当該被検者の心臓の生理学的電気活動に対応している。心拍数データＨは、心電図波形データＥから正しく算出された心拍数の値を示すデータである。心電図波形データＥは、第一波形データの一例である。心拍数は、第一生体パラメータの一例である。心拍数データＨは、第一データの一例である。

【0066】

すなわち、学習済みモデルＭ２の生成にあたっては、心電図波形データＥから心拍数データＨが取得される処理（図６におけるＳＴＥＰ２１）が行なわれる。心拍数データＨに対応する心拍数の計数は、心電図波形データＥを目視することによってなされてもよいし、適当な計数ソフトウェアを用いてなされてもよい。

【0067】

観血的動脈圧波形データＢ１は、カテーテルなどを用いて被検者から取得される。心電図波形データＥと観血的動脈圧波形データＢ１は、同じ被検者から同時に取得されることを要する。観血的動脈圧波形データＢ１は、当該被検者の観血的動脈圧値の経時変化に対応している。

【0068】

脈拍数データＰは、特定の脈拍数算出アルゴリズムにより観血的動脈圧波形データＢ１から自動的に算出された脈拍数の値を示すデータである。脈拍数算出アルゴリズムは、例えば、生体情報モニタに搭載されたプロセッサにより実行されるものでありうる。脈拍数算出アルゴリズムは、入力された観血的動脈圧波形データにおける血圧値の変動タイミングなどに基づいて、自動的に脈拍数を算出するように構成されている。観血的動脈圧波形データＢ１は、第二波形データの一例である。脈拍数は、第二生体パラメータの一例である。脈拍数データＰは、第二データの一例である。

【0069】

すなわち、学習済みモデルＭ２の生成にあたっては、観血的動脈圧波形データＢ１から脈拍数データＰが取得される処理（図６におけるＳＴＥＰ２２）が行なわれる。

【0070】

図６に例示されるように、教師データ生成装置３１は、プロセッサ３１２を備えている。プロセッサ３１２は、脈拍数データＰを心拍数データＨと照合することにより、脈拍数データＰに対応する脈拍数の値が正解か不正解かを示す教師ラベルを含む教師データＴ２を生成するように構成されている。プロセッサ３１２は、第一プロセッサの一例である。教師データＴ２は、第三データの一例である。

【0071】

なお、正解であることを示す教師ラベルを含むために、必ずしも心拍数データＨに対応する心拍数と脈拍数データＰに対応する脈拍数が完全に一致していることを要しない。心拍数データＨに対応する心拍数に対する脈拍数データＰに対応する脈拍数の誤差が許容範囲内であれば、教師データＴ２は、正解を示す教師データを含みうる。

【0072】

すなわち、学習済みモデルＭ２の生成にあたっては、脈拍数算出アルゴリズムにより自動的に算出された脈拍数に対応する脈拍数データＰを心拍数データＨと照合することにより、当該脈拍数が正解か不正解かを示す教師ラベルを含む教師データＴ２を生成する処理（図６におけるＳＴＥＰ２３）が行なわれる。

【0073】

上記のような機能を有するプロセッサ３１２は、汎用メモリと協働して動作する汎用マイクロプロセッサにより実現されうる。汎用マイクロプロセッサとしては、ＣＰＵ、ＭＰＵ、ＧＰＵが例示されうる。汎用メモリとしては、ＲＯＭやＲＡＭが例示されうる。この場合、ＲＯＭには、上述した処理を実行するコンピュータプログラムが記憶されうる。ＲＯＭは、コンピュータプログラムを記憶している記憶媒体の一例である。汎用マイクロプロセッサは、ＲＯＭ上に記憶されたプログラムの少なくとも一部を指定してＲＡＭ上に展開し、ＲＡＭと協働して上述した処理を実行する。上記のコンピュータプログラムは、汎用メモリにプリインストールされてもよいし、通信ネットワークを介して外部サーバからダウンロードされて汎用メモリにインストールされてもよい。この場合、外部サーバは、コンピュータプログラムを記憶している記憶媒体の一例である。

【0074】

プロセッサ３１２は、マイクロコントローラ、ＡＳＩＣ、ＦＰＧＡなどの上記のコンピュータプログラムを実行可能な専用集積回路によって実現されてもよい。この場合、当該専用集積回路に含まれる記憶素子に上記のコンピュータプログラムがプリインストールされる。当該記憶素子は、コンピュータプログラムを記憶している記憶媒体の一例である。プロセッサ３１２は、汎用マイクロプロセッサと専用集積回路の組合せによっても実現されうる。

【0075】

図６に例示されるように、教師データ生成装置３１は、出力インターフェース３１３を備えている。出力インターフェース３１３は、プロセッサ３１２により生成された教師データＴ２を出力するように構成されている。

【0076】

学習済みモデル生成装置３２は、入力インターフェース３２１を備えている。入力インターフェース３２１は、観血的動脈圧波形データＢ１と教師データＴ２を受け付けるように構成されている。入力インターフェース３２１は、第二入力インターフェースの一例である。

【0077】

学習済みモデル生成装置３２は、プロセッサ３２２を備えている。プロセッサ３２２は、観血的動脈圧波形データＢ１と教師データＴ２を用いてニューラルネットワークに学習させることにより、学習済みモデルＭ２を生成するように構成されている。プロセッサ３２２は、第二プロセッサの一例である。

【0078】

学習済みモデルＭ２は、観血的動脈圧波形データを入力とし、観血的動脈圧波形データに基づいて脈拍数が正しく算出される確率に対応する推論データを出力とする処理アルゴリズムとして生成される。推論データは、算出された確率に対応するスコア（例えば１から５までの値のいずれか）などに対応付けられてもよい。

【0079】

すなわち、学習済みモデルＭ２の生成にあたっては、観血的動脈圧波形データＢ１と教師データＴ２を用いてニューラルネットワークに学習させる処理（図６におけるＳＴＥＰ２４）が行なわれる。ニューラルネットワークに学習される処理としては、周知の教師あり学習に係る手法が適宜に使用される。

【0080】

上記のような機能を有するプロセッサ３２２は、汎用メモリと協働して動作する汎用マイクロプロセッサにより実現されうる。汎用マイクロプロセッサとしては、ＣＰＵ、ＭＰＵ、ＧＰＵが例示されうる。汎用メモリとしては、ＲＯＭやＲＡＭが例示されうる。この場合、ＲＯＭには、上述した処理を実行するコンピュータプログラムが記憶されうる。ＲＯＭは、コンピュータプログラムを記憶している記憶媒体の一例である。汎用マイクロプロセッサは、ＲＯＭ上に記憶されたプログラムの少なくとも一部を指定してＲＡＭ上に展開し、ＲＡＭと協働して上述した処理を実行する。上記のコンピュータプログラムは、汎用メモリにプリインストールされてもよいし、通信ネットワークを介して外部サーバからダウンロードされて汎用メモリにインストールされてもよい。この場合、外部サーバは、コンピュータプログラムを記憶している記憶媒体の一例である。

【0081】

プロセッサ３２２は、マイクロコントローラ、ＡＳＩＣ、ＦＰＧＡ、ＴＰＵなどの上記のコンピュータプログラムを実行可能な専用集積回路によって実現されてもよい。この場合、当該専用集積回路に含まれる記憶素子に上記のコンピュータプログラムがプリインストールされる。当該記憶素子は、コンピュータプログラムを記憶している記憶媒体の一例である。プロセッサ３２２は、汎用マイクロプロセッサと専用集積回路の組合せによっても実現されうる。

【0082】

教師データ生成装置３１と学習済みモデル生成装置３２が相互に独立した装置として提供される場合、教師データ生成装置３１の出力インターフェース３１３と学習済みモデル生成装置３２の入力インターフェース３２１は、有線通信または無線通信を許容するように接続されうる。すなわち、出力インターフェース３１３と入力インターフェース３２１は、物理的な通信インターフェースでありうる。

【0083】

教師データ生成装置３１と学習済みモデル生成装置３２は、同一の装置内において実現される機能的実体であってもよい。この場合、教師データ生成装置３１のプロセッサ３１２の機能の少なくとも一部は、学習済みモデル生成装置３２のプロセッサ３２２によって実現されうる。また、出力インターフェース３１３と入力インターフェース３２１は、論理的なインターフェースでありうる。

【0084】

観血的動脈圧の測定は、手術中や重篤患者に対して行なわれることが一般的であるので、被検者の体動に影響を受けることは比較的少ないものの、大気圧開放ゼロ点校正等の理由で脈拍数や観血的動脈圧値の算出が正確に行なわれない場合がある。他方、これらの事象が心電図波形に与える影響は比較的小さい。上記のような構成によれば、脈拍数算出アルゴリズムによって自動的に算出された脈拍数が、正しく算出されたことが知られている心拍数との照合に供される。したがって、照合の結果として得られる教師ラベルは、入力される観血的動脈圧波形データＢ１に対して当該脈拍数算出アルゴリズムが正しく、あるいは誤って脈拍数を算出する傾向あるいは癖を反映しうる。このような教師ラベルを含む教師データＴ２を用いてニューラルネットワークに学習させるので、生成される学習済みモデルＭ２は、ある観血的動脈圧波形データが当該脈拍数算出アルゴリズムに入力された際に脈拍数が正しく算出される確率を精度よく推論できる。換言すると、被検者の生理的現象に起因する脈拍数の値と、脈拍数算出アルゴリズムの誤解析に起因する脈拍数の値との判別に係る推論精度が高まる。

【0085】

本例においては、学習済みモデルＭ２の生成に使用される心拍数と脈拍数を算出するために、心電図波形データＥと観血的動脈圧波形データＢ１が、同一の被検者から取得されている。すなわち、学習済みモデルＭ２を生成するために種別が相違する二つの生体パラメータが使用され、相違する二つの手法により当該二つの生体パラメータが取得されている。脈拍数は、脈波波形データに基づいて算出されてもよい。脈波波形データは、パルスフォトメトリプローブなどを用いて血液の吸光度の経時変化を非観血的に測定することによって取得されうる。あるいは、脈波波形データは、非観血的動脈圧計などを用いてカフ内圧の経時変化を測定することによって取得されうる。

【0086】

図６に例示されるように、学習済みモデル生成装置３２によって生成された学習済みモデルＭ２は、推論装置４０に適用される。

【0087】

推論装置４０は、入力インターフェース４１を備えている。入力インターフェース４１は、カテーテルなどを通じて被検者から取得された観血的動脈圧波形データＢ２を受け付けるように構成されている。

【0088】

推論装置４０は、プロセッサ４２を備えている。プロセッサ４２は、観血的動脈圧波形データＢ２から観血的動脈圧値が正しく算出される確率を推論するように構成されている。学習済みモデルＭ２は、当該推論のためにプロセッサ４２により実行される処理アルゴリズムである。この場合、学習済みモデルＭ２は、観血的動脈圧波形データＢ２を入力とし、観血的動脈圧波形データＢ２に基づいて観血的動脈圧値が正しく算出される確率に対応する推論データＩ２を出力する。

【0089】

すなわち、推論装置４０は、被検者から取得された観血的動脈圧波形データＢ２に基づき観血的動脈圧値が正しく算出される確率を推論する処理（図６におけるＳＴＥＰ２５）を実行する。

【0090】

上記のような機能を有するプロセッサ４２は、汎用メモリと協働して動作する汎用マイクロプロセッサにより実現されうる。汎用マイクロプロセッサとしては、ＣＰＵ、ＭＰＵ、ＧＰＵが例示されうる。汎用メモリとしては、ＲＯＭやＲＡＭが例示されうる。この場合、ＲＯＭには、上述した処理を実行するコンピュータプログラムが記憶されうる。ＲＯＭは、コンピュータプログラムを記憶している記憶媒体の一例である。汎用マイクロプロセッサは、ＲＯＭ上に記憶されたプログラムの少なくとも一部を指定してＲＡＭ上に展開し、ＲＡＭと協働して上述した処理を実行する。上記のコンピュータプログラムは、汎用メモリにプリインストールされてもよいし、通信ネットワークを介して外部サーバからダウンロードされて汎用メモリにインストールされてもよい。この場合、外部サーバは、コンピュータプログラムを記憶している記憶媒体の一例である。

【0091】

プロセッサ４２は、マイクロコントローラ、ＡＳＩＣ、ＦＰＧＡなどの上記のコンピュータプログラムを実行可能な専用集積回路によって実現されてもよい。この場合、当該専用集積回路に含まれる記憶素子に上記のコンピュータプログラムがプリインストールされる。当該記憶素子は、コンピュータプログラムを記憶している記憶媒体の一例である。プロセッサ４２は、汎用マイクロプロセッサと専用集積回路の組合せによっても実現されうる。

【0092】

推論装置４０は、出力インターフェース４３を備えている。出力インターフェース４３は、推論データＩ２を出力するように構成されている。

【0093】

学習済みモデル生成システム３０により生成された学習済みモデルＭ２は、入力された観血的動脈圧波形データに基づいて正しく脈拍数が算出される確率を推論するように構成されている。他方、推論装置４０により推論されるのは、被検者から取得された観血的動脈圧波形データに基づいて正しく観血的動脈圧値が算出される確率であり、学習済みモデルＭ２が本来対象とする確率とは異なる。しかしながら、正しく脈拍数を算出できないような観血的動脈圧波形データに基づいて観血的動脈圧値を正しく算出することは困難である。したがって、脈拍数が正しく算出される確率を精度よく推論できる学習済みモデルＭ２を用いることにより、被検者から取得された観血的動脈圧波形データに基づいて正しく観血的動脈圧値が算出される確率も精度よく推論できる。

【0094】

推論装置４０は、データ処理装置４４を備えている。データ処理装置４４は、入力インターフェース４１が受け付けた観血的動脈圧波形データＢ２に基づいて、自動的に観血的動脈圧値（拡張期血圧値と収縮期血圧値、および平均血圧値の少なくとも一つ）を算出する観血的動脈圧算出アルゴリズムを実行するように構成されている。

【0095】

すなわち、データ処理装置４４は、被検者から取得された観血的動脈圧波形データＢ２に基づいて自動的に算出された心拍数に対応する観血的動脈圧値データＢＰ１を生成する処理（図６におけるＳＴＥＰ２６）を実行する。

【0096】

加えて、データ処理装置４４は、出力インターフェース４３より出力された推論データＩ２に基づく処理を観血的動脈圧値データＢＰ１に適用することにより、処理済み観血的動脈圧値データＢＰ２を生成するように構成されている。

【0097】

すなわち、データ処理装置４４は、被検者から取得された観血的動脈圧波形データＢ２に基づいて自動的に算出された観血的動脈圧値に対して、観血的動脈圧波形データＢ２に基づいて観血的動脈圧値が正しく算出される確率に基づく処理（図６におけるＳＴＥＰ２７）を実行する。

【0098】

例えば、観血的動脈圧値データＢＰ１のうち観血的動脈圧値が正しく算出された確率が所定の閾値を上回るものと上回らないものとが異なる色で表示されるように、処理済み観血的動脈圧値データＢＰ２が構成されうる。確率が所定の閾値を上回るか否かで態様が相違していれば、データを示すシンボルの形状や点滅の有無が適宜に選択されてもよい。

【0099】

あるいは、観血的動脈圧値データＢＰ１のうち観血的動脈圧値が正しく算出された確率が所定の閾値を上回るもののみが表示されるように、処理済み観血的動脈圧値データＢＰ２が構成されうる。逆に、観血的動脈圧値データＢＰ１のうち心拍数が正しく算出された確率が所定の閾値を上回らないもののみが表示されるように、処理済み観血的動脈圧値データＢＰ２が構成されてもよい。

【0100】

推論装置４０は、不図示の表示装置を備えうる。この場合、処理済み観血的動脈圧値データＢＰ２に対応する表示が、当該表示装置において提供される。処理済み観血的動脈圧値データＢＰ２に対応する表示は、表示装置を備えた外部装置においてなされてもよい。この場合、推論装置４０は、処理済み観血的動脈圧値データＢＰ２を、不図示の通信インターフェースを通じて当該外部装置へ送信する。

【0101】

上記のような機能を有するデータ処理装置４４は、汎用メモリと協働して動作する汎用マイクロプロセッサにより実現されうる。汎用マイクロプロセッサとしては、ＣＰＵ、ＭＰＵ、ＧＰＵが例示されうる。汎用メモリとしては、ＲＯＭやＲＡＭが例示されうる。この場合、ＲＯＭには、上述した処理を実行するコンピュータプログラムが記憶されうる。ＲＯＭは、コンピュータプログラムを記憶している記憶媒体の一例である。汎用マイクロプロセッサは、ＲＯＭ上に記憶されたプログラムの少なくとも一部を指定してＲＡＭ上に展開し、ＲＡＭと協働して上述した処理を実行する。上記のコンピュータプログラムは、汎用メモリにプリインストールされてもよいし、通信ネットワークを介して外部サーバからダウンロードされて汎用メモリにインストールされてもよい。この場合、外部サーバは、コンピュータプログラムを記憶している記憶媒体の一例である。

【0102】

データ処理装置４４は、マイクロコントローラ、ＡＳＩＣ、ＦＰＧＡなどの上記のコンピュータプログラムを実行可能な専用集積回路によって実現されてもよい。この場合、当該専用集積回路に含まれる記憶素子に上記のコンピュータプログラムがプリインストールされる。当該記憶素子は、コンピュータプログラムを記憶している記憶媒体の一例である。データ処理装置４４は、汎用マイクロプロセッサと専用集積回路の組合せによっても実現されうる。

【0103】

プロセッサ４２とデータ処理装置４４が相互に独立した装置として提供される場合、出力インターフェース４３は、両者の間のデータ通信を仲介する物理的なインターフェースでありうる。プロセッサ４２とデータ処理装置４４は、同一の制御装置内において実現される機能的実体であってもよい。この場合、出力インターフェース４３は、論理的なインターフェースでありうる。

【0104】

上記のような構成によれば、被検者から取得された観血的動脈圧波形データＢ２が観血的動脈圧算出アルゴリズムに入力された際に観血的動脈圧値が正しく算出される確率に係る高い精度の推論結果を用いて、被検者の生理的現象に起因する観血的動脈圧値を精度よく抽出できる。

【0105】

本例においては、推論装置４０は、被検者から取得された観血的動脈圧波形データＢ２に基づいて観血的動脈圧値が正しく算出される確率を推論している。入力された心室圧波形データに基づいて脈拍数が正しく算出される確率を推論する学習済みモデルＭ２が用いられる場合、推論装置４０は、被検者から取得された心室圧波形データに基づいて心室圧が正しく算出される確率を推論するように構成されてもよい。心室圧は、生体パラメータの一例である。

【0106】

本例においては、推論装置４０は、被検者から観血的に取得された観血的動脈圧波形データＢ２に基づいて観血的動脈圧値が正しく算出される確率を推論している。しかしながら、推論装置４０は、被検者から非観血的に取得された非観血動脈圧波形データに基づいて所定の生体パラメータが正しく算出される確率を推論するように構成されうる。

【0107】

例えば、非観血動脈圧波形データに基づいて正しく脈拍数が算出される確率を推論するように学習済みモデルＭ２が生成される場合、推論装置４０は、この学習済みモデルＭ２を用いて、被検者から取得された非観血動脈圧波形データに基づいて正しく非観血血圧値（拡張期血圧値と収縮期血圧値の少なくとも一方）が算出される確率を推論してもよい。

【0108】

例えば、脈波波形データに基づいて正しく脈拍数が算出される確率を推論するように学習済みモデルＭ２が生成される場合、推論装置４０は、この学習済みモデルＭ２を用いて、被検者から取得された脈波波形データに基づいて正しく動脈血酸素飽和度（ＳｐＯ２）が算出される確率を推論してもよい。

【0109】

本例においては、推論装置４０は、相違する手法により取得された相違する生体パラメータに基づいて生成された学習済みモデルＭ２を用いて、学習済みモデルＭ２により推論される確率に係る生体パラメータとは異なる生体パラメータの値が正しく算出される確率を推論している。しかしながら、推論装置４０は、共通する波形データから取得された同種の生体パラメータに基づいて生成された学習済みモデルＭ１を用いて、学習済みモデルＭ１により推論される確率に係る生体パラメータとは異なる生体パラメータの値が正しく算出される確率を推論してもよい。

【0110】

例えば、推論装置４０は、共通の心電図波形データＥ１に基づいて生成され、入力された心電図波形データに基づいて正しく心拍数が算出される確率を推論する学習済みモデルＭ１を用いて、被検者から取得された心電図波形データに基づいて正しくＳＴ値、ＱＴ間隔、ＱＴｃが算出される確率を推論するように構成されうる。

【0111】

例えば、推論装置４０は、共通のカプノグラムデータに基づいて生成され、入力されたカプノグラムデータに基づいて正しく呼吸数が算出される確率を推論する学習済みモデルＭ１を用いて、被検者から取得されたカプノグラムデータに基づいて正しく呼気終末期二酸化炭素分圧（ＥｔＣＯ２）が算出される確率を推論するように構成されうる。

【0112】

図７は、第三実施形態に係る学習済みモデル生成システム５０の機能構成を例示している。学習済みモデル生成システム５０は、後述する推論装置６０において実行される処理アルゴリズムである学習済みモデルＭ３を生成するシステムである。学習済みモデル生成システム５０は、教師データ生成装置５１と学習済みモデル生成装置５２を含んでいる。

【0113】

教師データ生成装置５１は、入力インターフェース５１１を備えている。入力インターフェース５１１は、カプノグラムデータＣおよびインピーダンス呼吸波形データＲ１を受け付けるように構成されている。入力インターフェース５１１は、第一入力インターフェースの一例である。

【0114】

カプノグラムデータＣは、カプノメータなどを用いて被検者から取得される。カプノグラムデータＣは、カプノグラムデータＣは、当該被検者の呼気中における二酸化炭素濃度の経時変化に対応する。第一呼吸数データＮ１は、カプノグラムデータＣから正しく算出された呼吸数の値を示すデータである。呼吸数は、所定時間内に被検者によりなされる呼吸の数である。カプノグラムデータＣは、第一波形データの一例である。呼吸数は、第一生体パラメータの一例である。第一呼吸数データＮ１は、第一データの一例である。

【0115】

すなわち、学習済みモデルＭ３の生成にあたっては、カプノグラムデータＣから第一呼吸数データＮ１が取得される処理（図７におけるＳＴＥＰ３１）が行なわれる。第一呼吸数データＮ１に対応する呼吸数の計数は、カプノグラムデータＣを目視することによってなされてもよいし、適当な計数ソフトウェアを用いてなされてもよい。

【0116】

インピーダンス呼吸波形データＲ１は、被検者に装着された複数の電極間におけるインピーダンスの経時変化に対応している。カプノグラムデータＣとインピーダンス呼吸波形データＲ１は、同じ被検者から同時に取得されることを要する。

【0117】

第二呼吸数データＮ２は、特定の呼吸数算出アルゴリズムによりインピーダンス呼吸波形データＲ１から自動的に算出された呼吸数の値を示すデータである。呼吸数算出アルゴリズムは、例えば、心電図モニタに搭載されたプロセッサにより実行されるものでありうる。呼吸数算出アルゴリズムは、入力されたインピーダンス呼吸波形データにおけるインピーダンス値の変動タイミングなどに基づいて、自動的に呼吸数を算出するように構成されている。インピーダンス呼吸波形データＲ１は、第二波形データの一例である。呼吸数は、第二生体パラメータの一例である。第二呼吸数データＮ２は、第二データの一例である。

【0118】

すなわち、学習済みモデルＭ３の生成にあたっては、インピーダンス呼吸波形データＲ１から第二呼吸数データＮ２が取得される処理（図７におけるＳＴＥＰ３２）が行なわれる。

【0119】

図７に例示されるように、教師データ生成装置５１は、プロセッサ５１２を備えている。プロセッサ５１２は、第二呼吸数データＮ２を第一呼吸数データＮ１と照合することにより、第二呼吸数データＮ２に対応する呼吸数の値が正解か不正解かを示す教師ラベルを含む教師データＴ３を生成するように構成されている。プロセッサ５１２は、第一プロセッサの一例である。教師データＴ３は、第三データの一例である。

【0120】

なお、正解であることを示す教師ラベルを含むために、必ずしも第一呼吸数データＮ１に対応する呼吸数と第二呼吸数データＮ２に対応する呼吸数が完全に一致していることを要しない。第一呼吸数データＮ１に対応する呼吸数に対する第二呼吸数データＮ２に対応する呼吸数の誤差が許容範囲内であれば、教師データＴ３は、正解を示す教師データを含みうる。

【0121】

すなわち、学習済みモデルＭ３の生成にあたっては、呼吸数算出アルゴリズムにより自動的に算出された呼吸数に対応する第二呼吸数データＮ２を第一呼吸数データＮ１と照合することにより、当該呼吸数が正解か不正解かを示す教師ラベルを含む教師データＴ３を生成する処理（図７におけるＳＴＥＰ３３）が行なわれる。

【0122】

上記のような機能を有するプロセッサ５１２は、汎用メモリと協働して動作する汎用マイクロプロセッサにより実現されうる。汎用マイクロプロセッサとしては、ＣＰＵ、ＭＰＵ、ＧＰＵが例示されうる。汎用メモリとしては、ＲＯＭやＲＡＭが例示されうる。この場合、ＲＯＭには、上述した処理を実行するコンピュータプログラムが記憶されうる。ＲＯＭは、コンピュータプログラムを記憶している記憶媒体の一例である。汎用マイクロプロセッサは、ＲＯＭ上に記憶されたプログラムの少なくとも一部を指定してＲＡＭ上に展開し、ＲＡＭと協働して上述した処理を実行する。上記のコンピュータプログラムは、汎用メモリにプリインストールされてもよいし、通信ネットワークを介して外部サーバからダウンロードされて汎用メモリにインストールされてもよい。この場合、外部サーバは、コンピュータプログラムを記憶している記憶媒体の一例である。

【0123】

プロセッサ５１２は、マイクロコントローラ、ＡＳＩＣ、ＦＰＧＡなどの上記のコンピュータプログラムを実行可能な専用集積回路によって実現されてもよい。この場合、当該専用集積回路に含まれる記憶素子に上記のコンピュータプログラムがプリインストールされる。当該記憶素子は、コンピュータプログラムを記憶している記憶媒体の一例である。プロセッサ５１２は、汎用マイクロプロセッサと専用集積回路の組合せによっても実現されうる。

【0124】

図７に例示されるように、教師データ生成装置５１は、出力インターフェース５１３を備えている。出力インターフェース５１３は、プロセッサ５１２により生成された教師データＴ３を出力するように構成されている。

【0125】

学習済みモデル生成装置５２は、入力インターフェース５２１を備えている。入力インターフェース５２１は、インピーダンス呼吸データＲ１と教師データＴ３を受け付けるように構成されている。入力インターフェース５２１は、第二入力インターフェースの一例である。

【0126】

学習済みモデル生成装置５２は、プロセッサ５２２を備えている。プロセッサ５２２は、インピーダンス呼吸波形データＲ１と教師データＴ３を用いてニューラルネットワークに学習させることにより、学習済みモデルＭ３を生成するように構成されている。プロセッサ５２２は、第二プロセッサの一例である。

【0127】

学習済みモデルＭ３は、インピーダンス呼吸波形データを入力とし、インピーダンス呼吸波形データに基づいて呼吸数が正しく算出される確率に対応する推論データを出力とする処理アルゴリズムとして生成される。

【0128】

すなわち、学習済みモデルＭ３の生成にあたっては、インピーダンス呼吸波形データＲ１と教師データＴ３を用いてニューラルネットワークに学習させる処理（図７におけるＳＴＥＰ３４）が行なわれる。ニューラルネットワークに学習される処理としては、周知の教師あり学習に係る手法が適宜に使用される。

【0129】

上記のような機能を有するプロセッサ５２２は、汎用メモリと協働して動作する汎用マイクロプロセッサにより実現されうる。汎用マイクロプロセッサとしては、ＣＰＵ、ＭＰＵ、ＧＰＵが例示されうる。汎用メモリとしては、ＲＯＭやＲＡＭが例示されうる。この場合、ＲＯＭには、上述した処理を実行するコンピュータプログラムが記憶されうる。ＲＯＭは、コンピュータプログラムを記憶している記憶媒体の一例である。汎用マイクロプロセッサは、ＲＯＭ上に記憶されたプログラムの少なくとも一部を指定してＲＡＭ上に展開し、ＲＡＭと協働して上述した処理を実行する。上記のコンピュータプログラムは、汎用メモリにプリインストールされてもよいし、通信ネットワークを介して外部サーバからダウンロードされて汎用メモリにインストールされてもよい。この場合、外部サーバは、コンピュータプログラムを記憶している記憶媒体の一例である。

【0130】

プロセッサ５２２は、マイクロコントローラ、ＡＳＩＣ、ＦＰＧＡ、ＴＰＵなどの上記のコンピュータプログラムを実行可能な専用集積回路によって実現されてもよい。この場合、当該専用集積回路に含まれる記憶素子に上記のコンピュータプログラムがプリインストールされる。当該記憶素子は、コンピュータプログラムを記憶している記憶媒体の一例である。プロセッサ５２２は、汎用マイクロプロセッサと専用集積回路の組合せによっても実現されうる。

【0131】

教師データ生成装置５１と学習済みモデル生成装置５２が相互に独立した装置として提供される場合、教師データ生成装置５１の出力インターフェース５１３と学習済みモデル生成装置５２の入力インターフェース５２１は、有線通信または無線通信を許容するように接続されうる。すなわち、出力インターフェース５１３と入力インターフェース５２１は、物理的な通信インターフェースでありうる。

【0132】

教師データ生成装置５１と学習済みモデル生成装置５２は、同一の装置内において実現される機能的実体であってもよい。この場合、教師データ生成装置５１のプロセッサ５１２の機能の少なくとも一部は、学習済みモデル生成装置５２のプロセッサ５２２によって実現されうる。また、出力インターフェース５１３と入力インターフェース５２１は、論理的なインターフェースでありうる。

【0133】

上記のような構成によれば、呼吸数算出アルゴリズムによって自動的に算出された呼吸数が、正しく算出されたことが知られている呼吸数との照合に供される。したがって、照合の結果として得られる教師ラベルは、入力されるインピーダンス呼吸波形データＲ１に対して当該呼吸数算出アルゴリズムが正しく、あるいは誤って呼吸数を算出する傾向あるいは癖を反映しうる。このような教師ラベルを含む教師データＴ３を用いてニューラルネットワークに学習させるので、生成される学習済みモデルＭ３は、あるインピーダンス呼吸波形データが当該呼吸数算出アルゴリズムに入力された際に呼吸数が正しく算出される確率を精度よく推論できる。

【0134】

また、被検者に複数の電極を装着して取得されるインピーダンス呼吸波形データは、心電図電極を共用して簡易に取得可能であるものの、胸郭の動きに基づいて呼吸数が算出されるので、体動や電極起因のノイズの影響を受けやすいことが知られている。他方、呼吸数に対応するカプノグラムデータを取得するためには、被検者の口元にマスクを固定する必要があるものの、当該マスクを通じて取得された呼吸数の正確性については比較的高い信頼性が得られている。上記のような構成によれば、同じ被検者から同時に取得されたカプノグラムデータＣ１とインピーダンス呼吸波形データＲ１から算出された呼吸数同士を照合することによって教師データＴ３が生成されるので、インピーダンス呼吸波形データに基づいて正しく呼吸数が算出される確率の推論について、効果的な学習をニューラルネットワークに行なわせることができる。

【0135】

したがって、被検者の生理的現象に起因する呼吸数の値と、呼吸数算出アルゴリズムの誤解析に起因する呼吸数の値との判別に係る推論精度が高まる。

【0136】

図７に例示されるように、学習済みモデル生成装置５２によって生成された学習済みモデルＭ３は、推論装置６０に適用される。

【0137】

推論装置６０は、入力インターフェース６１を備えている。入力インターフェース６１は、被検者に装着された複数の電極を通じて取得されたインピーダンス呼吸波形データＲ２を受け付けるように構成されている。

【0138】

推論装置６０は、プロセッサ６２を備えている。プロセッサ６２は、インピーダンス呼吸波形データＲ２から呼吸数が正しく算出される確率を推論するように構成されている。学習済みモデルＭ３は、当該推論のためにプロセッサ６２により実行される処理アルゴリズムである。この場合、学習済みモデルＭ３は、インピーダンス呼吸波形データＲ２を入力とし、インピーダンス呼吸波形データＲ２に基づいて呼吸数が正しく算出される確率に対応する推論データＩ３を出力する。

【0139】

すなわち、推論装置６０は、被検者から取得されたインピーダンス呼吸波形データＲ２に基づき呼吸数が正しく算出される確率を推論する処理（図７におけるＳＴＥＰ３５）を実行する。

【0140】

上記のような機能を有するプロセッサ６２は、汎用メモリと協働して動作する汎用マイクロプロセッサにより実現されうる。汎用マイクロプロセッサとしては、ＣＰＵ、ＭＰＵ、ＧＰＵが例示されうる。汎用メモリとしては、ＲＯＭやＲＡＭが例示されうる。この場合、ＲＯＭには、上述した処理を実行するコンピュータプログラムが記憶されうる。ＲＯＭは、コンピュータプログラムを記憶している記憶媒体の一例である。汎用マイクロプロセッサは、ＲＯＭ上に記憶されたプログラムの少なくとも一部を指定してＲＡＭ上に展開し、ＲＡＭと協働して上述した処理を実行する。上記のコンピュータプログラムは、汎用メモリにプリインストールされてもよいし、通信ネットワークを介して外部サーバからダウンロードされて汎用メモリにインストールされてもよい。この場合、外部サーバは、コンピュータプログラムを記憶している記憶媒体の一例である。

【0141】

プロセッサ６２は、マイクロコントローラ、ＡＳＩＣ、ＦＰＧＡなどの上記のコンピュータプログラムを実行可能な専用集積回路によって実現されてもよい。この場合、当該専用集積回路に含まれる記憶素子に上記のコンピュータプログラムがプリインストールされる。当該記憶素子は、コンピュータプログラムを記憶している記憶媒体の一例である。プロセッサ６２は、汎用マイクロプロセッサと専用集積回路の組合せによっても実現されうる。

【0142】

推論装置６０は、出力インターフェース６３を備えている。出力インターフェース６３は、推論データＩ３を出力するように構成されている。

【0143】

上記のような構成によれば、インピーダンス呼吸データが呼吸数算出アルゴリズムに入力された際に呼吸数が正しく算出される確率を精度よく推論できる学習済みモデルＭ３が用いられるので、被検者の生理的現象に起因する呼吸数の値と呼吸数算出アルゴリズムの誤解析に起因する呼吸数の値との判別に係る推論が、推論装置６０により精度よく行なわれうる。

【0144】

推論装置６０は、データ処理装置６４を備えている。データ処理装置６４は、入力インターフェース６１が受け付けたインピーダンス呼吸波形データＲ２に基づいて、自動的に呼吸数を算出する呼吸数算出アルゴリズムを実行するように構成されている。本例においては、データ処理装置４４により実行される呼吸数算出アルゴリズムは、学習済みモデルＭ３を生成する際に第二呼吸数データＮ２を取得するために使用された呼吸数算出アルゴリズムと同じである。これにより、インピーダンス呼吸波形データＲ２に基づいて自動的に算出された呼吸数に対応する呼吸数データＮ３が生成される。

【0145】

すなわち、データ処理装置６４は、被検者から取得されたインピーダンス呼吸波形データＲ２に基づいて自動的に算出された呼吸数に対応する呼吸数データＮ３を生成する処理（図７におけるＳＴＥＰ３６）を実行する。

【0146】

加えて、データ処理装置６４は、出力インターフェース６３より出力された推論データＩ３に基づく処理を呼吸数データＮ３に適用することにより、処理済み呼吸数データＮ４を生成するように構成されている。

【0147】

すなわち、データ処理装置６４は、被検者から取得されたインピーダンス呼吸波形データＲ２に基づいて自動的に算出された呼吸数に対して、インピーダンス呼吸波形データＲ２に基づいて呼吸数が正しく算出される確率に基づく処理（図７におけるＳＴＥＰ３７）を実行する。

【0148】

例えば、呼吸数データＮ３のうち呼吸数が正しく算出された確率が所定の閾値を上回るものと上回らないものとが異なる色で表示されるように、処理済み呼吸数データＮ４が構成されうる。確率が所定の閾値を上回るか否かで態様が相違していれば、データを示すシンボルの形状や点滅の有無が適宜に選択されてもよい。

【0149】

あるいは、呼吸数データＮ３のうち呼吸数が正しく算出された確率が所定の閾値を上回るもののみが表示されるように、処理済み呼吸数データＮ４が構成されうる。逆に、呼吸数データＮ３のうち呼吸数が正しく算出された確率が所定の閾値を上回らないもののみが表示されるように、処理済み呼吸数データＮ４が構成されてもよい。

【0150】

推論装置６０は、不図示の表示装置を備えうる。この場合、処理済み呼吸数データＮ４に対応する表示が、当該表示装置において提供される。処理済み呼吸数データＮ４に対応する表示は、表示装置を備えた外部装置においてなされてもよい。この場合、推論装置６０は、処理済み呼吸数データＮ４を、不図示の通信インターフェースを通じて当該外部装置へ送信する。

【0151】

上記のような機能を有するデータ処理装置６４は、汎用メモリと協働して動作する汎用マイクロプロセッサにより実現されうる。汎用マイクロプロセッサとしては、ＣＰＵ、ＭＰＵ、ＧＰＵが例示されうる。汎用メモリとしては、ＲＯＭやＲＡＭが例示されうる。この場合、ＲＯＭには、上述した処理を実行するコンピュータプログラムが記憶されうる。ＲＯＭは、コンピュータプログラムを記憶している記憶媒体の一例である。汎用マイクロプロセッサは、ＲＯＭ上に記憶されたプログラムの少なくとも一部を指定してＲＡＭ上に展開し、ＲＡＭと協働して上述した処理を実行する。上記のコンピュータプログラムは、汎用メモリにプリインストールされてもよいし、通信ネットワークを介して外部サーバからダウンロードされて汎用メモリにインストールされてもよい。この場合、外部サーバは、コンピュータプログラムを記憶している記憶媒体の一例である。

【0152】

データ処理装置６４は、マイクロコントローラ、ＡＳＩＣ、ＦＰＧＡなどの上記のコンピュータプログラムを実行可能な専用集積回路によって実現されてもよい。この場合、当該専用集積回路に含まれる記憶素子に上記のコンピュータプログラムがプリインストールされる。当該記憶素子は、コンピュータプログラムを記憶している記憶媒体の一例である。データ処理装置６４は、汎用マイクロプロセッサと専用集積回路の組合せによっても実現されうる。

【0153】

プロセッサ６２とデータ処理装置６４が相互に独立した装置として提供される場合、出力インターフェース６３は、両者の間のデータ通信を仲介する物理的なインターフェースでありうる。プロセッサ６２とデータ処理装置６４は、同一の制御装置内において実現される機能的実体であってもよい。この場合、出力インターフェース６３は、論理的なインターフェースでありうる。

【0154】

上記のような構成によれば、被検者から取得されたインピーダンス呼吸波形データＲ２が呼吸数算出アルゴリズムに入力された際に呼吸数が正しく算出される確率に係る高い精度の推論結果を用いて、被検者の生理的現象に起因する呼吸数を精度よく抽出できる。

【0155】

上記の実施形態は、本発明の理解を容易にするための例示にすぎない。上記の実施形態に係る構成は、本発明の趣旨を逸脱しなければ、適宜に変更・改良されうる。

【符号の説明】

【0156】

１０、３０、５０：学習済みモデル生成システム、１１、３１、５１：教師データ生成装置、１１１、３１１、５１１：入力インターフェース、１１２、３１２、５１２：プロセッサ、１１３、３１３、５１３：出力インターフェース、１２、３２、５２：学習済みモデル生成装置、１２１、３２１、５２１：入力インターフェース、１２２、３２２、５２２：プロセッサ、２０、４０、６０：推論装置、２１、４１、６１：入力インターフェース、２２、４２、６２：プロセッサ、２３、４３、６３：出力インターフェース、２４、４４、６４：データ処理装置、Ｂ１、Ｂ２：観血的動脈圧波形データ、Ｃ：カプノグラムデータ、Ｅ、Ｅ１、Ｅ２：心電図波形データ、Ｈ：心拍数データ、Ｈ１：第一心拍数データ、Ｈ２：第二心拍数データ、Ｉ１、Ｉ２、Ｉ３：推論データ、Ｍ１、Ｍ２、Ｍ３：学習済みモデル、Ｎ１：第一呼吸数データ、Ｎ２：第二呼吸数データ、Ｐ：脈拍数データ、Ｒ１、Ｒ２：インピーダンス呼吸波形データ、Ｔ１、Ｔ２、Ｔ３：教師データ

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】