知財求人 - 知財ポータルサイト「IP Force」
(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】2024-12-09
(45)【発行日】2024-12-17
(54)【発明の名称】教師データ生成装置
(51)【国際特許分類】
G16H 50/30 20180101AFI20241210BHJP
【ＦＩ】
G16H50/30
【請求項の数】
18
(21)【出願番号】P 2022550269
(86)(22)【出願日】2020-09-17
(86)【国際出願番号】 JP2020035294
(87)【国際公開番号】W WO2022059142
(87)【国際公開日】2022-03-24
【審査請求日】2023-03-10
(73)【特許権者】
【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】100124811
【弁理士】
【氏名又は名称】馬場 資博
(74)【代理人】
【識別番号】100088959
【弁理士】
【氏名又は名称】境 廣巳
(74)【代理人】
【識別番号】100097157
【弁理士】
【氏名又は名称】桂木 雄二
(74)【代理人】
【識別番号】100187724
【弁理士】
【氏名又は名称】唐鎌 睦
(72)【発明者】
【氏名】大野 友嗣
(72)【発明者】
【氏名】細井 利憲
(72)【発明者】
【氏名】久保 雅洋
【審査官】吉田 誠
(56)【参考文献】
【文献】国際公開第２０１９／０４４６１９（ＷＯ，Ａ１）
【文献】国際公開第２０１９／０７３９２７（ＷＯ，Ａ１）
【文献】特開２００６－０７９３２８（ＪＰ，Ａ）
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ｇ１６Ｈ １０／００ － ８０／００
(57)【特許請求の範囲】
【請求項1】
対象者の身体の動作に応じた体動データと、前記対象者のバイタルデータと、を取得する取得部と、前記取得部が取得した前記体動データを予め学習したモデルに入力することに応じて、前記体動データに応じて不穏状態を判定する指標となる体動スコアを算出する算出部と、
前記体動スコアに基づいて前記対象者が不穏であるかを判定する判定部と、
前記バイタルデータに対して前記判定部による判定の結果に基づくラベル付けを行うラベル付け部と、
を有する教師データ生成装置。
【請求項2】
請求項１に記載の教師データ生成装置であって、前記ラベル付け部は、前記バイタルデータのうちの、対応する前記体動スコアが所定の条件を満たす一部の期間について、ラベル付けを行う
教師データ生成装置。
【請求項3】
請求項１または請求項２に記載の教師データ生成装置であって、前記判定部は、前記体動スコアが第１閾値以上である期間について対象者が不穏であると判定し、
前記ラベル付け部は、前記バイタルデータのうち前記判定部が不穏であると判定した期間についてラベル付けを行う、
教師データ生成装置。
【請求項4】
請求項１から３までのいずれか１項に記載の教師データ生成装置であって、前記判定部は、前記体動スコアが第２閾値以下である期間について対象者が不穏でないと判定し、
前記ラベル付け部は、前記バイタルデータのうち前記判定部が不穏でないと判定した期間についてラベル付けを行う
教師データ生成装置。
【請求項5】
請求項１から請求項４までのいずれか１項に記載の教師データ生成装置であって、前記対象者の属性を示す属性情報を取得する属性情報取得部を有し、
前記判定部は、前記属性情報が取得した前記属性情報を用いて調整した所定の閾値と前記体動スコアとに基づいて、前記対象者が不穏であるかを判定する
教師データ生成装置。
【請求項6】
請求項１から請求項５までのいずれか１項に記載の教師データ生成装置であって、前記対象者の属性を示す属性情報を取得する属性情報取得部を有し、
前記判定部は、前記属性情報取得部が取得した前記属性情報に基づいて、前記バイタルデータを学習に用いるか否か判定する
教師データ生成装置。
【請求項7】
コンピュータが、対象者の身体の動作に応じた体動データと、前記対象者のバイタルデータと、を取得し、
取得した前記体動データを予め学習したモデルに入力することに応じて、前記体動データに応じて不穏状態を判定する指標となる体動スコアを算出し、
前記体動スコアに基づいて前記対象者が不穏であるかを判定し、
前記バイタルデータに対して判定の結果に基づくラベル付けを行う
教師データ生成方法。
【請求項8】
コンピュータに、対象者の身体の動作に応じた体動データと、前記対象者のバイタルデータと、を取得し、
取得した前記体動データを予め学習したモデルに入力することに応じて、前記体動データに応じて不穏状態を判定する指標となる体動スコアを算出し、
前記体動スコアに基づいて前記対象者が不穏であるかを判定し、
前記バイタルデータに対して判定の結果に基づくラベル付けを行う
処理を実現させるためのプログラム。
【請求項9】
対象者の身体の動作に応じた体動データと、前記対象者のバイタルデータと、を取得する取得部と、前記取得部が取得した前記体動データを予め学習したモデルに入力することに応じて、前記体動データに応じて不穏状態を判定する指標となる体動スコアを算出する算出部と、
前記体動スコアに基づいて前記対象者が不穏であるかを判定する判定部と、
前記バイタルデータに対して前記判定部による判定の結果に基づくラベル付けを行うラベル付け部と、
ラベル付けされた前記バイタルデータを教師データとして学習を行うことで、算出対象となるバイタルデータに応じた情報の入力に応じて不穏状態を判定する指標となるバイタルスコアを出力するバイタルモデルを生成する学習部と、
を有する学習装置。
【請求項10】
コンピュータが、対象者の身体の動作に応じた体動データと、前記対象者のバイタルデータと、を取得し、
取得した前記体動データを予め学習したモデルに入力することに応じて、前記体動データに応じて不穏状態を判定する指標となる体動スコアを算出し、
前記体動スコアに基づいて前記対象者が不穏であるかを判定し、
前記バイタルデータに対して判定の結果に基づくラベル付けを行い、
ラベル付けされた前記バイタルデータを教師データとして学習を行うことで、算出対象となるバイタルデータに応じた情報の入力に応じて不穏状態を判定する指標となるバイタルスコアを出力するバイタルモデルを生成する
学習方法。
【請求項11】
コンピュータに、対象者の身体の動作に応じた体動データと、前記対象者のバイタルデータと、を取得し、
取得した前記体動データを予め学習したモデルに入力することに応じて、前記体動データに応じて不穏状態を判定する指標となる体動スコアを算出し、
前記体動スコアに基づいて前記対象者が不穏であるかを判定し、
前記バイタルデータに対して判定の結果に基づくラベル付けを行い、
ラベル付けされた前記バイタルデータを教師データとして学習を行うことで、算出対象となるバイタルデータに応じた情報の入力に応じて不穏状態を判定する指標となるバイタルスコアを出力するバイタルモデルを生成する
処理を実現するためのプログラム。
【請求項12】
対象者の身体の動作に応じた体動データと、前記対象者の身体の状態に応じたバイタルデータと、を取得する取得部と、前記取得部が取得した前記体動データを予め学習した体動モデルに入力することに応じて、前記体動データに応じて不穏状態を判定する指標となる体動スコアを算出するとともに、過去に計測したバイタルデータに対して不穏の有無をラベル付けすることで生成した教師データを用いて予め学習したバイタルモデルに対して前記取得部が取得した前記バイタルデータを入力することに応じて、前記バイタルデータに応じて不穏状態を判定する指標となるバイタルスコアを算出する算出部と、
前記算出部が算出した前記体動スコアと前記バイタルスコアとに基づいて、前記バイタルスコアを算出する際に用いた前記バイタルモデルの再学習を行うと判定する判定部と、
前記判定部の結果に応じて、前記体動スコアに基づいて前記対象者が不穏であるかを判定した結果に応じて前記バイタルデータに対してラベル付けを行うことで生成した教師データと、前記判定部による判定の結果に基づくラベル付けを行うことで生成した教師データと、のうちのいずれか一方を用いて、前記バイタルモデルの再学習を行う再学習部と、
を有する
不穏判定装置。
【請求項13】
請求項１２に記載の不穏判定装置であって、前記判定部は、前記体動スコアが予め定められた条件を満たし、前記バイタルスコアが予め定められた条件を満たさない場合に、再学習を行うと判定する
不穏判定装置。
【請求項14】
請求項１２または請求項１３に記載の不穏判定装置であって、前記バイタルデータに対して前記判定部による判定の結果に基づくラベル付けを行うことで教師データを生成するラベル付け部を有し、
前記再学習部は、前記体動スコアに基づいて前記対象者が不穏であるかを判定した結果に応じて前記バイタルデータに対してラベル付けを行うことで生成した教師データと、前記ラベル付け部が生成した教師データと、のうちのいずれか一方を用いた再学習を行うことで前記バイタルモデルの再学習を行う
不穏判定装置。
【請求項15】
請求項１４に記載の不穏判定装置であって、前記ラベル付け部は、前記バイタルデータのうちの一部について教師データを生成する
不穏判定装置。
【請求項16】
請求項１４または請求項１５に記載の不穏判定装置であって、前記ラベル付け部は、前記バイタルデータのうちの、対応する前記体動スコアが所定の条件を満たす一部の期間について、教師データを生成する
不穏判定装置。
【請求項17】
コンピュータが、対象者の身体の動作に応じた体動データと、前記対象者の身体の状態に応じたバイタルデータと、を取得し、
取得した前記体動データを予め学習した体動モデルに入力することに応じて、前記体動データに応じて不穏状態を判定する指標となる体動スコアを算出するとともに、過去に計測したバイタルデータに対して不穏の有無をラベル付けすることで生成した教師データを用いて予め学習したバイタルモデルに対して取得した前記バイタルデータを入力することに応じて、前記バイタルデータに応じて不穏状態を判定する指標となるバイタルスコアを算出し、
算出した前記体動スコアと前記バイタルスコアとに基づいて、前記バイタルスコアを算出する際に用いた前記バイタルモデルの再学習を行うと判定し、
判定の結果に応じて、前記体動スコアに基づいて前記対象者が不穏であるかを判定した結果に応じて前記バイタルデータに対してラベル付けを行うことで生成した教師データと、再学習判定の結果に基づくラベル付けを行うことで生成した教師データと、のうちのいずれか一方を用いて、前記バイタルモデルの再学習を行う
再学習方法。
【請求項18】
コンピュータに、対象者の身体の動作に応じた体動データと、前記対象者の身体の状態に応じたバイタルデータと、を取得し、
取得した前記体動データを予め学習した体動モデルに入力することに応じて、前記体動データに応じて不穏状態を判定する指標となる体動スコアを算出するとともに、過去に計測したバイタルデータに対して不穏の有無をラベル付けすることで生成した教師データを用いて予め学習したバイタルモデルに対して取得した前記バイタルデータを入力することに応じて、前記バイタルデータに応じて不穏状態を判定する指標となるバイタルスコアを算出し、
算出した前記体動スコアと前記バイタルスコアとに基づいて、前記バイタルスコアを算出する際に用いた前記バイタルモデルの再学習を行うと判定し、
判定の結果に応じて、前記体動スコアに基づいて前記対象者が不穏であるかを判定した結果に応じて前記バイタルデータに対してラベル付けを行うことで生成した教師データと、再学習判定の結果に基づくラベル付けを行うことで生成した教師データと、のうちのいずれか一方を用いて、前記バイタルモデルの再学習を行う
処理を実現するためのプログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、教師データ生成装置、教師データ生成方法、学習装置、学習方法、不穏判定装置、再学習方法、記録媒体に関する。
【背景技術】
【0002】
患者が不穏状態になると、抜管、抜針、抜去や転倒、転落などのリスクが高まり、その結果として、患者にけがなどが生じるおそれがある。そこで、このようなリスク・おそれを低減させるため、不穏の予兆を判定する技術が知られている。
【0003】
不穏の予兆を判定する技術について記載された文献として、例えば、特許文献１が知られている。特許文献１には、判定部と推定部とを備える生体情報処理システムが記載されている。特許文献１によると、判定部は、患者の生体情報の特徴量に基づいて、患者の容体が平常状態と比較して変化しているか否かを示す識別情報を判定する。そして、推定部は、判定部が判定した識別情報と、事前に学習された対処予測用パラメータとに基づいて、患者に対する対処情報を推定する。また、特許文献１には心拍数などが生体情報の一例として開示されており、患者が不穏状態である可能性を示す不穏スコアが識別情報の一例として開示されている。
【先行技術文献】
【特許文献】
【0004】
【文献】国際公開２０１９／０７３９２７号
【発明の概要】
【発明が解決しようとする課題】
【0005】
特許文献１に記載の技術の場合、事前に機械学習した結果として生成されるモデルを用いて不穏スコアを算出している。そのため、特許文献１に技術の場合において、新しい病院や新しい診療科に適応した不穏スコアの算出を行おうとする場合、機械学習を行うための教師データを生成して、新たな学習を行ったり既存モデルの再学習を行ったりすることが必要となる。ここで、教師データの生成は、例えば、映像データに基づいて人力でラベル付けを行うなど、非常に手間がかかっていた。
【0006】
そこで、本発明は、教師データの生成を効率的に行うことができる教師データ生成装置、教師データ生成方法、学習装置、学習方法、不穏判定装置、再学習方法、記録媒体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】
【0007】
かかる目的を達成するため本開示の一形態である教師データ生成装置は、
対象者の身体の動作に応じた体動データと、前記対象者のバイタルデータと、を取得する取得部と、
前記取得部が取得した前記体動データに基づいて不穏状態を判定する指標となる体動スコアを算出する算出部と、
前記体動スコアに基づいて前記対象者が不穏であるかを判定する判定部と、
前記バイタルデータに対して前記判定部による判定の結果に基づくラベル付けを行うラベル付け部と、
を有する
という構成をとる。
対象者の身体の動作に応じた体動データと、前記対象者のバイタルデータと、を取得する取得部と、
前記取得部が取得した前記体動データに基づいて不穏状態を判定する指標となる体動スコアを算出する算出部と、
前記体動スコアに基づいて前記対象者が不穏であるかを判定する判定部と、
前記バイタルデータに対して前記判定部による判定の結果に基づくラベル付けを行うラベル付け部と、
を有する
という構成をとる。
【0008】
また、本開示の他の形態である教師データ生成方法は、
コンピュータが、
対象者の身体の動作に応じた体動データと、前記対象者のバイタルデータと、を取得し、
取得した前記体動データに基づいて不穏状態を判定する指標となる体動スコアを算出し、
前記体動スコアに基づいて前記対象者が不穏であるかを判定し、
前記バイタルデータに対して判定の結果に基づくラベル付けを行う
という構成をとる。
コンピュータが、
対象者の身体の動作に応じた体動データと、前記対象者のバイタルデータと、を取得し、
取得した前記体動データに基づいて不穏状態を判定する指標となる体動スコアを算出し、
前記体動スコアに基づいて前記対象者が不穏であるかを判定し、
前記バイタルデータに対して判定の結果に基づくラベル付けを行う
という構成をとる。
【0009】
また、本開示の他の形態である記録媒体は、
コンピュータに、
対象者の身体の動作に応じた体動データと、前記対象者のバイタルデータと、を取得し、
取得した前記体動データに基づいて不穏状態を判定する指標となる体動スコアを算出し、
前記体動スコアに基づいて前記対象者が不穏であるかを判定し、
前記バイタルデータに対して判定の結果に基づくラベル付けを行う
処理を実現させるためのプログラムを記録した記録媒体である。
コンピュータに、
対象者の身体の動作に応じた体動データと、前記対象者のバイタルデータと、を取得し、
取得した前記体動データに基づいて不穏状態を判定する指標となる体動スコアを算出し、
前記体動スコアに基づいて前記対象者が不穏であるかを判定し、
前記バイタルデータに対して判定の結果に基づくラベル付けを行う
処理を実現させるためのプログラムを記録した記録媒体である。
【0010】
また、本開示の他の形態である学習装置は、
対象者の身体の動作に応じた体動データと、前記対象者のバイタルデータと、を取得する取得部と、
前記取得部が取得した前記体動データに基づいて不穏状態を判定する指標となる体動スコアを算出する算出部と、
前記体動スコアに基づいて前記対象者が不穏であるかを判定する判定部と、
前記バイタルデータに対して前記判定部による判定の結果に基づくラベル付けを行うラベル付け部と、
ラベル付けされた前記バイタルデータを教師データとして学習を行うことで、不穏状態を判定する指標となるバイタルスコアを出力するバイタルモデルを生成する学習部と、
を有する
という構成をとる。
対象者の身体の動作に応じた体動データと、前記対象者のバイタルデータと、を取得する取得部と、
前記取得部が取得した前記体動データに基づいて不穏状態を判定する指標となる体動スコアを算出する算出部と、
前記体動スコアに基づいて前記対象者が不穏であるかを判定する判定部と、
前記バイタルデータに対して前記判定部による判定の結果に基づくラベル付けを行うラベル付け部と、
ラベル付けされた前記バイタルデータを教師データとして学習を行うことで、不穏状態を判定する指標となるバイタルスコアを出力するバイタルモデルを生成する学習部と、
を有する
という構成をとる。
【0011】
また、本開示の他の形態である学習方法は、
コンピュータが、
対象者の身体の動作に応じた体動データと、前記対象者のバイタルデータと、を取得し、
取得した前記体動データに基づいて不穏状態を判定する指標となる体動スコアを算出し、
前記体動スコアに基づいて前記対象者が不穏であるかを判定し、
前記バイタルデータに対して判定の結果に基づくラベル付けを行い、
ラベル付けされた前記バイタルデータを教師データとして学習を行うことで、不穏状態を判定する指標となるバイタルスコアを出力するバイタルモデルを生成する
という構成をとる。
コンピュータが、
対象者の身体の動作に応じた体動データと、前記対象者のバイタルデータと、を取得し、
取得した前記体動データに基づいて不穏状態を判定する指標となる体動スコアを算出し、
前記体動スコアに基づいて前記対象者が不穏であるかを判定し、
前記バイタルデータに対して判定の結果に基づくラベル付けを行い、
ラベル付けされた前記バイタルデータを教師データとして学習を行うことで、不穏状態を判定する指標となるバイタルスコアを出力するバイタルモデルを生成する
という構成をとる。
【0012】
また、本開示の他の形態である記録媒体は、
コンピュータに、
対象者の身体の動作に応じた体動データと、前記対象者のバイタルデータと、を取得し、
取得した前記体動データに基づいて不穏状態を判定する指標となる体動スコアを算出し、
前記体動スコアに基づいて前記対象者が不穏であるかを判定し、
前記バイタルデータに対して判定の結果に基づくラベル付けを行い、
ラベル付けされた前記バイタルデータを教師データとして学習を行うことで、不穏状態を判定する指標となるバイタルスコアを出力するバイタルモデルを生成する
処理を実現するためのプログラムを記録した記録媒体である。
コンピュータに、
対象者の身体の動作に応じた体動データと、前記対象者のバイタルデータと、を取得し、
取得した前記体動データに基づいて不穏状態を判定する指標となる体動スコアを算出し、
前記体動スコアに基づいて前記対象者が不穏であるかを判定し、
前記バイタルデータに対して判定の結果に基づくラベル付けを行い、
ラベル付けされた前記バイタルデータを教師データとして学習を行うことで、不穏状態を判定する指標となるバイタルスコアを出力するバイタルモデルを生成する
処理を実現するためのプログラムを記録した記録媒体である。
【0013】
また、本開示の他の形態である不穏判定装置は、
対象者の身体の動作に応じた体動データと、前記対象者の身体の状態に応じたバイタルデータと、を取得する取得部と、
前記取得部が取得した前記体動データに基づいて不穏状態を判定する指標となる体動スコアを算出するとともに、前記取得部が取得した前記バイタルデータに基づいて不穏状態を判定する指標となるバイタルスコアを算出する算出部と、
前記算出部が算出した前記体動スコアと前記バイタルスコアとに基づいて、前記バイタルスコアを算出する際に用いるバイタルモデルの再学習を行うと判定する判定部と、
前記判定部の結果に応じて前記バイタルモデルの再学習を行う再学習部と、
を有する
という構成をとる。
対象者の身体の動作に応じた体動データと、前記対象者の身体の状態に応じたバイタルデータと、を取得する取得部と、
前記取得部が取得した前記体動データに基づいて不穏状態を判定する指標となる体動スコアを算出するとともに、前記取得部が取得した前記バイタルデータに基づいて不穏状態を判定する指標となるバイタルスコアを算出する算出部と、
前記算出部が算出した前記体動スコアと前記バイタルスコアとに基づいて、前記バイタルスコアを算出する際に用いるバイタルモデルの再学習を行うと判定する判定部と、
前記判定部の結果に応じて前記バイタルモデルの再学習を行う再学習部と、
を有する
という構成をとる。
【0014】
また、本開示の他の形態である再学習方法は、
コンピュータが、
対象者の身体の動作に応じた体動データと、前記対象者の身体の状態に応じたバイタルデータと、を取得し、
取得した前記体動データに基づいて不穏状態を判定する指標となる体動スコアを算出するとともに、取得した前記バイタルデータに基づいて不穏状態を判定する指標となるバイタルスコアを算出し、
算出した前記体動スコアと前記バイタルスコアとに基づいて、前記バイタルスコアを算出する際に用いるバイタルモデルの再学習を行うと判定し、
判定の結果に応じて前記バイタルモデルの再学習を行う
という構成をとる。
コンピュータが、
対象者の身体の動作に応じた体動データと、前記対象者の身体の状態に応じたバイタルデータと、を取得し、
取得した前記体動データに基づいて不穏状態を判定する指標となる体動スコアを算出するとともに、取得した前記バイタルデータに基づいて不穏状態を判定する指標となるバイタルスコアを算出し、
算出した前記体動スコアと前記バイタルスコアとに基づいて、前記バイタルスコアを算出する際に用いるバイタルモデルの再学習を行うと判定し、
判定の結果に応じて前記バイタルモデルの再学習を行う
という構成をとる。
【0015】
また、本開示の他の形態である記録媒体は、
コンピュータに、
対象者の身体の動作に応じた体動データと、前記対象者の身体の状態に応じたバイタルデータと、を取得し、
取得した前記体動データに基づいて不穏状態を判定する指標となる体動スコアを算出するとともに、取得した前記バイタルデータに基づいて不穏状態を判定する指標となるバイタルスコアを算出し、
算出した前記体動スコアと前記バイタルスコアとに基づいて、前記バイタルスコアを算出する際に用いるバイタルモデルの再学習を行うと判定し、
判定の結果に応じて前記バイタルモデルの再学習を行う
処理を実現するためのプログラムを記録した記録媒体である。
コンピュータに、
対象者の身体の動作に応じた体動データと、前記対象者の身体の状態に応じたバイタルデータと、を取得し、
取得した前記体動データに基づいて不穏状態を判定する指標となる体動スコアを算出するとともに、取得した前記バイタルデータに基づいて不穏状態を判定する指標となるバイタルスコアを算出し、
算出した前記体動スコアと前記バイタルスコアとに基づいて、前記バイタルスコアを算出する際に用いるバイタルモデルの再学習を行うと判定し、
判定の結果に応じて前記バイタルモデルの再学習を行う
処理を実現するためのプログラムを記録した記録媒体である。
【発明の効果】
【0016】
上述したような各構成によると、教師データの生成を効率的に行うことができる教師データ生成装置、教師データ生成方法、学習装置、学習方法、不穏判定装置、再学習方法、記録媒体を提供することが可能となる。
【図面の簡単な説明】
【0017】
【図1】本開示の第１の実施形態におけるモデル学習装置の構成例を示すブロック図である。
【図2】記憶部に格納される情報の一例を示す図である。
【図6】不穏判定部の処理例を示す図である。
【図7】本開示の第１の実施形態におけるモデル学習装置の動作例を示すフローチャートである。
【図9】モデル学習装置の他の構成例を示すブロック図である。
【図10】本開示の第２の実施形態における不穏判定システムの構成例を示す図である。
【図14】記憶部に格納される情報の一例を示す図である。
【図16】不穏状態判定部の処理例を説明するための図である。
【図17】不穏状態判定部の処理例を説明するための図である。
【図18】不穏判定装置の動作例を示すフローチャートである。
【図19】不穏判定装置の他の構成例を示すブロック図である。
【図20】記憶部に格納される他の情報の一例を示す図である。
【図21】本開示の第３の実施形態における教師データ生成装置のハードウェア構成図である。
【図22】教師データ生成装置の構成例を示すブロック図である。
【発明を実施するための形態】
【0018】
［第１の実施形態］
本開示の第１の実施形態について、図１から図９までを参照して説明する。図１は、モデル学習装置１００の構成例を示すブロック図である。図２は、記憶部１４０に格納される情報の一例を示す図である。図３は、センシングデータ１４２に含まれる体動データの一例を示す図である。図４は、センシングデータ１４２に含まれるバイタルデータの一例を示す図である。図５は、体動スコア情報１４３に含まれる体動スコアの一例を示す図である。図６は、不穏判定部１５３の処理例を示す図である。図７は、モデル学習装置１００の動作例を示すフローチャートである。図８は、不穏判定処理の一例を示すフローチャートである。図９は、モデル学習装置１００の他の構成例を示すブロック図である。
本開示の第１の実施形態について、図１から図９までを参照して説明する。図１は、モデル学習装置１００の構成例を示すブロック図である。図２は、記憶部１４０に格納される情報の一例を示す図である。図３は、センシングデータ１４２に含まれる体動データの一例を示す図である。図４は、センシングデータ１４２に含まれるバイタルデータの一例を示す図である。図５は、体動スコア情報１４３に含まれる体動スコアの一例を示す図である。図６は、不穏判定部１５３の処理例を示す図である。図７は、モデル学習装置１００の動作例を示すフローチャートである。図８は、不穏判定処理の一例を示すフローチャートである。図９は、モデル学習装置１００の他の構成例を示すブロック図である。
【0019】
本開示の第１の実施形態では、バイタルモデル１４４を学習するモデル学習装置１００について説明する。後述するように、モデル学習装置１００は、センシングデータ取得部１５１が取得した体動データに基づいて算出した体動スコアを用いて、不穏判定を行う。また、モデル学習装置１００は、センシングデータ取得部１５１が取得したバイタルデータに対して不穏判定の結果に基づくラベル付けを行って、教師データを生成する。そして、モデル学習装置１００は、生成した教師データを用いた学習を行うことで、バイタルモデル１４４を生成する。つまり、モデル学習装置１００は、取得したバイタルデータと体動データに基づいて、バイタルモデル１４４を製造する。
【0020】
なお、本実施形態において説明するモデル学習装置１００が生成するバイタルモデル１４４は、例えば、急性期病院、回復期病院、介護施設、自宅での見守り、などの場面において、患者などの対象者の不穏状態を判定する際に用いることが出来る。モデル学習装置１００が生成するバイタルモデル１４４は、上記例示した以外の場面で不穏状態を判定する際に用いても構わない。
【0021】
本実施形態において、不穏とは、患者に落ち着きがなく興奮している状態のことである。不穏は、せん妄などにより生じることがある。また、不穏状態は、患者の不穏に関する状態を示す。不穏状態は、例えば、患者が不穏であるか否か、患者に不穏の予兆があるか否かを示す。なお、不穏状態は、患者の不穏の可能性に関するその他の指標を含んでもよい。患者が不穏の場合、ベッド転落、挿管の抜去、奇声、暴力などの問題行動を起こす可能性がある。そのため、不穏状態は的確に判定することが望ましい。
【0022】
モデル学習装置１００は、体動データとバイタルデータとに基づいて生成した教師データによる学習を行うことでバイタルモデル１４４を生成する情報処理装置である。例えば、モデル学習装置１００は、サポートベクターマシン（ＳＶＭ）やニューラルネットワークなどを用いた機械学習を行うことにより、バイタルモデル１４４を生成する。図１は、モデル学習装置１００の構成例を示している。図１を参照すると、モデル学習装置１００は、主な構成要素として、例えば、操作入力部１１０と、画面表示部１２０と、通信Ｉ／Ｆ部１３０と、記憶部１４０と、演算処理部１５０と、を有している。例えば、モデル学習装置１００は、医者や看護師などの医療従事者が使用するパーソナルコンピュータやタブレットなどの情報処理装置、病院内などに設置されたサーバ、あるいはクラウドサーバなどである。モデル学習装置１００は、パーソナルコンピュータやタブレットなどの情報処理装置とサーバなどとを組み合わせたものであっても構わない。
【0023】
操作入力部１１０は、キーボードやマウスなどの操作入力装置からなる。操作入力部１１０は、モデル学習装置１００を操作するオペレータなどの操作を検出して演算処理部１５０に出力する。
【0024】
画面表示部１２０は、ＬＣＤ（Ｌｉｑｕｉｄ Ｃｒｙｓｔａｌ Ｄｉｓｐｌａｙ、液晶ディスプレイ）などの画面表示装置からなる。画面表示部１２０は、演算処理部１５０からの指示に応じて、センシングデータ１４２、体動スコア情報１４３などの記憶部１４０に格納された各種情報を画面表示することが出来る。
【0025】
通信Ｉ／Ｆ部１３０は、データ通信回路からなる。通信Ｉ／Ｆ部１３０は、接続先の外部装置などとの間でデータ通信を行う。
【0026】
記憶部１４０は、ハードディスクやメモリなどの記憶装置である。図２は、記憶部１４０に格納される情報の一例を示している。図２で示すように、記憶部１４０は、演算処理部１５０における各種処理に必要な処理情報やプログラム１４５を記憶する。プログラム１４５は、演算処理部１５０に読み込まれて実行されることにより各種処理部を実現する。プログラム１４５は、通信Ｉ／Ｆ部１３０などのデータ入出力機能を介して外部装置や記録媒体から予め読み込まれ、記憶部１４０に保存されている。記憶部１４０で記憶される主な情報としては、例えば、体動モデル１４１、センシングデータ１４２、体動スコア情報１４３、バイタルモデル１４４などがある。
【0027】
体動モデル１４１は、センシングデータ取得部１５１が取得した体動データに基づいて体動スコアを算出するモデルである。例えば、体動モデル１４１は、体動データに応じた情報を入力として、体動スコアを出力する。体動モデル１４１は、例えば、外部装置などにおいて、サポートベクターマシン（ＳＶＭ）やニューラルネットワークなどを用いた機械学習を行うことにより予め生成された、学習済みモデルである。例えば、機械学習は、過去に計測した体動データに対して不穏の有無をラベル付けしたデータを教師データとして用いることで行われている。体動モデル１４１は、通信Ｉ／Ｆ部１３０などを介して外部装置などから取得され、記憶部１４０に格納されている。
【0028】
なお、体動スコアは、患者などの対象者が不穏であるか否かを判定するための指標である。一般に、体動スコアは患者の動きそのものを表す指標であることから、体動スコアには環境依存がない。体動スコアは、例えば、０以上１以下の値である。体動スコアは、１に近いほど対象者が不穏である可能性が高いことを示しており、０に近いほど対象者が不穏でない可能性が高いことを示している。体動スコアは、不穏であることを示す１と不穏でないことを示す０との２値により表現される指標であっても構わない。体動スコアは、例えば、強い不穏が２、弱い不穏が１など、強弱の程度を表現する指標であっても構わない。
【0029】
また、体動モデル１４１に入力するデータは、体動データの時系列データそのものであっても構わないし、時系列データに対して平均化や微分処理などの特徴量化処理を行うことにより算出した各種特徴量であっても構わない。また、後述するように、体動データは、複数種類含まれることがある。体動モデル１４１は、１種類の体動データのみを入力するよう構成しても構わないし、複数種類の体動データを入力するよう構成しても構わない。また、体動モデル１４１には、１種類の体動データに対応する１種のモデルのみが含まれていても構わないし、各種類の体動データに応じた複数種類のモデルが含まれていても構わない。
【0030】
センシングデータ１４２には、センシングデータ取得部１５１が取得した時系列の体動データと、体動データに対応する時刻の時系列のバイタルデータと、が含まれている。
【0031】
ここで、センシングデータ１４２に含まれる体動データは、患者の身体の動きに関する物理量である。例えば、体動データは、患者の腕、体、足など所定部位の加速度、角速度、角度、発声量などのうちの少なくとも１つを含む。対体動データは、対象者に装着された加速度センサ、ジャイロセンサ（角速度センサ）、角度センサ、マイクロフォンなどのセンサを用いて取得することが出来る。例えば、図３は、加速度の時系列データの一例を示している。図３の場合、ｘ軸が時刻を示しており、ｙ軸が加速度の大きさを示している。
【0032】
なお、センシングデータ１４２には、加速度など１種類の体動データのみ含まれても構わないし、加速度と発声量など複数種類の体動データが含まれても構わない。
【0033】
また、センシングデータ１４２に含まれるバイタルデータは、患者の生命活動に伴って変化する物理量である。例えば、バイタルデータは、患者の心拍数、呼吸数、血圧値、体温、皮膚温度、血流量、血中酸素飽和度などのうちの少なくとも１つを含む。バイタルデータは、対象者に装着された心拍センサ、呼吸数センサ、血圧センサ、体温センサ、血中酸素飽和度センサなどのセンサを用いて取得することが出来る。例えば、図４は、心拍数の時系列データの一例を示している。図４の場合、ｘ軸が時刻を示しており、ｙ軸が心拍数を示している。
【0034】
なお、体動データの場合と同様に、センシングデータ１４２には心拍数など１種類のバイタルデータのみ含まれても構わないし、心拍数と血圧値など複数種類のバイタルデータが含まれても構わない。
【0035】
体動スコア情報１４３には、対象者が不穏であるか否かを判定するための指標である体動スコアが含まれている。後述するラベル付け部１５４は、体動スコアに基づくラベル付けを行う。例えば、体動スコア情報１４３には、各時刻における体動スコアが含まれている。
【0036】
図５は、図３で示す体動データに基づいて体動スコア算出部１５２が算出した体動スコアの一例を示している。図５の場合、ｘ軸が時刻を示しており、ｙ軸が体動スコアを示している。図５で示すように、体動スコアは、例えば、０以上１以下の値で表現される。体動スコアは、１に近いほど対象者が不穏である可能性が高いことを示しており、０に近いほど対象者が不穏でない可能性が高いことを示している。
【0037】
バイタルモデル１４４（状態モデル）は、バイタルモデル学習部１５５により生成される学習済みモデルである。例えば、バイタルモデル１４４は、バイタルデータに応じた情報を入力として、状態スコアであるバイタルスコアを出力する。バイタルモデル学習部１５５がバイタルモデルを生成する処理の詳細については、後述する。
【0038】
演算処理部１５０は、ＭＰＵなどのマイクロプロセッサとその周辺回路を有する。演算処理部１５０は、記憶部１４０からプログラム１４５を読み込んで実行することにより、上記ハードウェアとプログラム１４５とを協働させて各種処理部を実現する。演算処理部１５０で実現される主な処理部としては、例えば、センシングデータ取得部１５１、体動スコア算出部１５２、不穏判定部１５３、ラベル付け部１５４、バイタルモデル学習部１５５、出力部１５６などがある。
【0039】
センシングデータ取得部１５１は、通信Ｉ／Ｆ部１３０を介して、センサ装置などの外部装置から時系列の体動データと時系列のバイタルデータとを取得する。例えば、センシングデータ取得部１５１は、同一時刻に取得した体動データとバイタルデータとをセンサ装置から取得する。そして、センシングデータ取得部１５１は、取得した体動データやバイタルデータをセンシングデータ１４２として記憶部１４０に格納する。
【0040】
体動スコア算出部１５２は、体動モデル１４１を用いて体動スコアを算出する。
【0041】
例えば、体動スコア算出部１５２は、センシングデータ１４２を参照して、図３で示すような時系列の体動データを取得する。また、体動スコア算出部１５２は、取得したデータを体動モデル１４１に入力して、図５で示すような時系列の体動スコアを算出する。その後、体動スコア算出部１５２は、算出した体動スコアを示す情報を体動スコア情報１４３として記憶部１４０に格納する。
【0042】
不穏判定部１５３は、体動スコア情報１４３に含まれる体動スコアに基づいて、不穏判定を行う。不穏判定部１５３による不穏判定の結果は、ラベル付け部１５４がバイタルデータに対するラベル付けを行う際に用いられる。
【0043】
例えば、不穏判定部１５３は、第１閾値と、第１閾値よりも小さな値を有する第２閾値と、を有している。そして、不穏判定部１５３は、体動スコアと第１閾値と第２閾値とに基づく判定を行う。例えば、不穏判定部１５３は、体動スコアが第１閾値以上である期間について、対象者が不穏であると判定する。また、不穏判定部１５３は、体動スコアが第２閾値以下である期間について、対象者が不穏でないと判定する。このように、不穏判定部１５３は、体動スコアが第１閾値以上である場合に不穏であると判定するとともに、体動スコアが第２閾値以下である場合に不穏でないと判定する。
【0044】
例えば、図６は、第１閾値が０．７であり、第２閾値が０．３である場合の、不穏判定部１５３の処理例を示している。図６で示すように、不穏判定部１５３は、体動スコアが第１閾値である０．７以上である期間について、対象者が不穏であると判定する。また、不穏判定部１５３は、体動スコアが第２閾値である０．３以下である期間について、対象者が不穏でないと判定する。なお、体動スコアが第２閾値である０．３より大きく第１閾値である０．７より小さな期間について、不穏判定部１５３は、不穏であるか否かの判定を行わない。つまり、不穏判定部１５３は、不穏である、または、不穏でない、と判定するための条件を満たさないと判定する。
【0045】
ラベル付け部１５４は、センシングデータ１４２に含まれるバイタルデータに対して不穏判定部１５３による不穏判定の結果に基づくラベル付けを行うことで、機械学習用の教師データを生成する。センシングデータ１４２に複数種類のバイタルデータが含まれる場合、ラベル付け部１５４は、それぞれのバイタルデータに対してラベル付けを行って構わない。
【0046】
例えば、ラベル付け部１５４は、時系列のバイタルデータのうち、不穏判定部１５３が不穏であると判定した期間について、不穏ありのラベルを付与する。また、ラベル付け部１５４は、時系列のバイタルデータのうち、不穏判定部１５３が不穏でないと判定した期間について、不穏なしのラベルを付与する。一方、ラベル付け部１５４は、時系列のバイタルデータのうち、不穏判定部１５３が不穏の判定を行わなかった期間について、ラベルの付与を行わない。例えば、以上のように、ラベル付け部１５４は、時系列のバイタルデータのうち、対応する時刻の体動スコアが所定の条件を満たす一部の期間について、ラベル付けを行って教師データを生成する。
【0047】
バイタルモデル学習部１５５は、ラベル付け部１５４によるラベル付けの結果として生成される教師データを用いた機械学習を行うことにより、バイタルモデルを生成する。例えば、バイタルモデル学習部１５５は、サポートベクターマシン（ＳＶＭ）やニューラルネットワークなどを用いた機械学習を行う。そして、バイタルモデル学習部１５５は、生成したバイタルモデルをバイタルモデル１４４として記憶部１４０に格納する。
【0048】
上述したように、体動スコアが第１閾値以上である、体動スコアが第２閾値以下であるなど、時系列のバイタルデータのうち体動スコアが所定の条件を満たす期間のデータ（不穏ありラベルおよび不穏なしラベル）が、教師データとして採用される。そのため、バイタルモデル学習部１５５は、バイタルデータのうちの一部を使って学習を行う、ということも出来る。ここで、体動スコアが第１閾値以上である期間は対象者に明らかに不穏が生じている期間であり、体動スコアが第２閾値以下である期間は対象者に明らかに不穏が生じていない期間である。このように、明らかに不穏が生じている期間と明らかに不穏が生じていない期間とのみを教師データとした学習を行うことで、生成するバイタルモデルによる判定の精度を上げることが出来る。
【0049】
なお、バイタルデータが複数種類ある場合、バイタルデータの種類に応じた種類の教師データ（ラベル）があることになる。バイタルモデル学習部１５５は、複数種類の教師データに応じて、複数種類のデータを入力とする１つのバイタルモデルを生成することが出来る。バイタルモデル学習部１５５は、それぞれの種類ごとに機械学習を行って、それぞれの種類に応じたバイタルモデルを生成しても構わない。
【0050】
また、バイタルモデル学習部１５５が生成するバイタルモデル１４４は、上述したように、バイタルデータに応じた情報を入力として、バイタルスコアを出力する。ここで、バイタルスコアは、患者が不穏であるか否かを判定するための指標であり、不穏の予兆を判定することが出来る。バイタルスコアは、例えば、０以上１以下の値である。バイタルスコアは、１に近いほど患者が不穏の予兆があることを示しており、０に近いほど患者に不穏の予兆がないことを示している。バイタルスコアは、不穏の予兆があることを示す１と不穏の予兆がないことを示す０との２値により表現される指標であっても構わない。バイタルスコアは、例えば、強い不穏が２、弱い不穏が１など、強弱の程度を表現する指標であっても構わない。
【0051】
また、バイタルモデル学習部１５５は、心拍数などのバイタルデータの時系列データそのものを用いた学習を行っても構わないし、時系列データに対して平均化や微分処理などの特徴量化処理を行うことにより算出した各種特徴量を用いた学習を行っても構わない。
【0052】
出力部１５６は、バイタルモデル学習部１５５が生成したバイタルモデル１４４などを外部装置などに対して出力することが出来る。
【0053】
【0054】
図７は、モデル学習装置１００の動作例を示している。図７を参照すると、センシングデータ取得部１５１は、通信Ｉ／Ｆ部１３０を介して、センサ装置などの外部装置から体動データとバイタルデータとを取得する（ステップＳ１０１）。例えば、センシングデータ取得部１５１は、体動データとバイタルデータを両方取得するセンサ装置から同時刻の体動データとバイタルデータとを取得する。
【0055】
体動スコア算出部１５２は、体動モデル１４１を用いて体動スコアを算出する（ステップＳ１０２）。例えば、体動スコア算出部１５２は、時系列の体動データを体動モデル１４１に入力することで、時系列の体動スコアを算出する。
【0056】
不穏判定部１５３は、体動スコア情報１４３に含まれる体動スコアに基づいて、不穏判定を行う（ステップＳ１０３）。不穏判定処理の詳細については、後述する。
【0057】
ラベル付け部１５４は、センシングデータ１４２に含まれるバイタルデータに対して不穏判定部１５３による不穏判定の結果に基づくラベル付けを行うことで、機械学習用の教師データを生成する（ステップＳ１０４）。例えば、ラベル付け部１５４は、時系列のバイタルデータのうち、不穏判定部１５３が不穏であると判定した期間について、不穏ありのラベルを付与する。また、ラベル付け部１５４は、時系列のバイタルデータのうち、不穏判定部１５３が不穏でないと判定した期間について、不穏なしのラベルを付与する。一方、ラベル付け部１５４は、時系列のバイタルデータのうち、不穏判定部１５３が不穏の判定を行わなかった期間について、ラベルの付与を行わない。
【0058】
バイタルモデル学習部１５５は、ラベル付け部１５４によるラベル付けの結果として生成される教師データを用いた機械学習を行うことにより、バイタルモデルを生成する（ステップＳ１０５）。例えば、バイタルモデル学習部１５５は、サポートベクターマシン（ＳＶＭ）やニューラルネットワークなどを用いた機械学習を行う。
【0059】
以上が、モデル学習装置１００の構成例である。なお、モデル学習装置１００は、生成したバイタルモデル１４４を外部装置などに対して出力することが出来る。
【0060】
【0061】
図８は、不穏判定部１５３による処理のより詳細な一例を示している。図８を参照すると、体動スコアが第１閾値以上である場合（ステップＳ２０１、Ｙｅｓ）、不穏判定部１５３は、対象者が不穏であると判定する（ステップＳ２０２）。
【0062】
一方、体動スコアが第１閾値未満である場合（ステップＳ２０２、Ｎｏ）、不穏判定部１５３は、体動スコアが第２閾値以下であるか否か確認する（ステップＳ２０３）。不穏判定部１５３は、体動スコアが第２閾値以下である場合（ステップＳ２０３、Ｙｅｓ）、対象者が不穏でないと判定する（ステップＳ２０４）。一方、体動スコアが第２閾値よりも大きな場合（ステップＳ２０３、Ｎｏ）、不穏判定部１５３は、不穏である、または、不穏でない、と判定する条件を満たさないと判定する。
【0063】
以上が、ステップＳ１０３の処理例である。なお、ステップＳ１０３の処理は、上記例示した以外の順序で行われても構わない。
【0064】
このように、モデル学習装置１００は、体動スコア算出部１５２と、不穏判定部１５３と、ラベル付け部１５４と、バイタルモデル学習部１５５と、を有している。このような構成により、不穏判定部１５３は、体動スコア算出部１５２が算出した体動スコアに基づいて、不穏判定を行うことが出来る。また、ラベル付け部１５４は、バイタルデータに対して不穏判定部１５３による不穏判定の結果に基づくラベル付けを行うことで、機械学習用の教師データを生成することが出来る。これにより、教師データの効率的な生成を実現することが出来る。また、バイタルモデル学習部１５５は、ラベル付け部１５４が生成した教師データを用いた機械学習を行うことが出来る。これにより、例えば人力でラベル付けを行うなど手間のかかる処理を行わずに、教師データを生成してバイタルモデル１４４を生成することが出来る。つまり、上記構成によると、手間をかけることなく、新しい環境に適応したバイタルモデル１４４を生成することが出来る。その結果、手間をかけることなく、不穏を判定するシステムを実現することが可能となる。
【0065】
また、モデル学習装置１００においては、時系列のバイタルデータのうち体動スコアが所定の条件を満たす期間のデータのみを教師データとして採用して学習する。このように、バイタルデータのうちの所定の条件を満たす一部のみを使った学習を行うことで、生成するバイタルモデルによる判定の精度を上げることが出来る。なお、所定の条件とは、例えば、上述したように、体動スコアが第１閾値以上である期間や第２閾値以下である期間など、体動スコアが所定の条件を満たす期間である。なお、所定の条件は、加速度などの体動データの絶対値が所定値以上である期間など、本実施形態において例示した以外であっても構わない。
【0066】
なお、モデル学習装置１００のラベル付け部１５４が生成する教師データは、既に生成されているバイタルモデル１４４の再学習を行う際に活用されても構わない。つまり、モデル学習装置１００は、ラベル付け部１５４が生成する教師データを用いてバイタルモデル１４４の再学習を行うよう構成しても構わない。
【0067】
ここで、モデル学習装置１００は、以前に取得した教師データとラベル付け部１５４が生成した教師データとを両方用いて再学習を行うことが出来る。換言すると、モデル学習装置１００は、過去にバイタルモデル１４４を生成する際に用いた教師データなどとラベル付け部１５４が生成した教師データとを用いた再学習を行うことが出来る。また、モデル学習装置１００は、以前に取得した教師データを利用せず、ラベル付け部１５４が生成した教師データのみを用いた再学習を行っても構わない。例えば、以上のように、モデル学習装置１００による再学習では、ラベル付け部１５４が生成した教師データのみが用いられても構わないし、ラベル付け部１５４が生成した教師データ以外のデータも用いられても構わない。なお、上記例示した方法のうちのいずれを用いるかは、例えば、ラベル付け部１５４が生成した教師データの数やバイタルモデル１４４の精度などに基づいて、決定することが出来る。例えば、ラベル付け部１５４が生成した教師データの数が予め定められた数以下である場合に、以前に取得した教師データも用いた再学習を行うよう構成することが出来る。また、例えば、ラベル付け部１５４が生成した教師データの数が予め定められた数よりも多い場合に、ラベル付け部１５４が生成した教師データのみを用いた再学習を行うよう構成することが出来る。なお、ラベル付け部１５４が生成した教師データのみを用いた再学習は、例えば、ラベル付け部１５４が生成した教師データの数が予め定められた数よりも多く、かつ、バイタルモデル１４４の精度が設定値よりも悪化した場合などに行っても構わない。モデル学習装置１００は、例えば、上記複数の再学習をそれぞれ行って、精度が良好なバイタルモデル１４４を採用するように構成しても構わない。
【0068】
また、不穏判定部１５３は、１種類の閾値のみを用いて不穏判定を行っても構わない。つまり、モデル学習装置１００は、時系列のバイタルデータのうち所定の条件に基づく選別を行わずに教師データを生成して、生成した教師データに基づく学習を行うよう構成しても構わない。
【0069】
また、モデル学習装置１００の構成は、図１を参照して説明した場合に限定されない。例えば、図９は、モデル学習装置１００の他の構成例を示している。図９を参照すると、モデル学習装置１００の演算処理部１５０は、例えば、属性情報取得部１５７を有することが出来る。
【0070】
属性情報取得部１５７は、対象者の属性情報を取得する。例えば、属性情報取得部１５７は、外部装置などから対象者のカルテ情報を取得して、年齢、性別、まひ状態、などの属性情報を取得する。
【0071】
属性情報取得部１５７が取得した属性情報は、例えば、第１閾値や第２閾値の調整を行う際、学習するか否か決める際などに活用することが出来る。例えば、不穏判定部１５３は、属性情報に基づいて、第１閾値や第２閾値を調整することが出来る。つまり、属性情報に基づいて、学習に用いる期間を変更することが出来る。また、属性情報に基づいて、バイタルデータを学習に用いるか否か決定しても構わない。例えば絶対安静が必要な状態や、両手に麻痺があり動かせない状態など、属性情報に基づいて明らかに特殊な症状であると判断される場合、バイタルモデル学習部１５５などは、特殊な症状を有する対象者を測定した結果であるバイタルデータを用いた学習を行わない、と判断することが出来る。属性情報取得部１５７が取得した属性情報は、体動スコア算出部１５２が体動スコアを算出するか否か判断する際に用いるなど、上記例示した以外の処理に活用されても構わない。
【0072】
なお、図１や図９では、１台の情報処理装置によりモデル学習装置１００としての機能を実現する場合について例示した。しかしながら、モデル学習装置１００としての機能は、例えば、ネットワークを介して接続された複数台の情報処理装置により実現されても構わない。例えば、モデル学習装置１００は、センシングデータ取得部１５１と体動スコア算出部１５２とラベル用不穏判定部１５３とラベル付け部１５４とを有する教師データ生成装置と、教師データ生成装置が生成した教師データを用いた学習を行う学習装置と、から構成されてもよい。
【0073】
［第２の実施形態］
続いて、本開示の第２の実施形態について、図１０から図２０までを参照して説明する。図１０は、不穏判定システム２００の構成例を示す図である。図１１は、センサ装置３００の構成例を示すブロック図である。図１２は、ベッド端末４００の構成例を示すブロック図である。図１３は、不穏判定装置５００の構成例を示すブロック図である。図１４は、記憶部５４０に格納される情報の一例を示している。図１５は、バイタルスコア情報５４５に含まれるバイタルスコアの一例を示す図である。図１６は、不穏状態判定部５５３の処理例を説明するための図である。図１７は、不穏状態判定部の処理例を説明するための図である。図１８は、不穏判定装置５００の動作例を示すフローチャートである。図１９は、不穏判定装置５００の他の構成例を示すブロック図である。図２０は、記憶部５４０に格納される他の情報の一例を示している。
続いて、本開示の第２の実施形態について、図１０から図２０までを参照して説明する。図１０は、不穏判定システム２００の構成例を示す図である。図１１は、センサ装置３００の構成例を示すブロック図である。図１２は、ベッド端末４００の構成例を示すブロック図である。図１３は、不穏判定装置５００の構成例を示すブロック図である。図１４は、記憶部５４０に格納される情報の一例を示している。図１５は、バイタルスコア情報５４５に含まれるバイタルスコアの一例を示す図である。図１６は、不穏状態判定部５５３の処理例を説明するための図である。図１７は、不穏状態判定部の処理例を説明するための図である。図１８は、不穏判定装置５００の動作例を示すフローチャートである。図１９は、不穏判定装置５００の他の構成例を示すブロック図である。図２０は、記憶部５４０に格納される他の情報の一例を示している。
【0074】
本開示の第２の実施形態では、センサ装置３００を用いて計測したデータに基づいて、センサ装置３００を装着した対象者である患者の不穏状態を判定する不穏判定システム２００について説明する。後述するように、本実施形態の場合、センサ装置３００は、患者の所定部位の加速度などの体動データを計測する体動センサ３１０と、心拍数など患者の状態に応じた情報であるバイタルデータを計測するバイタルセンサ３２０と、を含んでいる。そして、不穏判定システム２００は、体動センサ３１０が計測することで取得した体動データに基づいて算出される体動スコアと、バイタルセンサ３２０が計測することで取得したバイタルデータに基づいて算出されるバイタルスコアと、に基づいて、患者の不穏状態を判定する。体動スコアとバイタルスコアに基づく判定を行うことで、不穏判定システム２００は、不穏の予兆を判定するとともに、不穏の予兆なく患者が不穏状態になった場合でも患者が不穏状態になっていることを見落とすことなく判定することが出来る。また、不穏判定システム２００は、体動データに基づいて算出する体動スコアを用いて、バイタルモデル５４２再学習用の教師データを生成することが出来る。そして、不穏判定システム２００は、生成した教師データを用いて、バイタルモデル５４２の再学習を行うことが出来る。
【0075】
なお、本実施形態において説明する不穏判定システム２００は、例えば、急性期病院、回復期病院、介護施設、自宅での見守り、などの様々な場面で活用することが出来る。以下、本実施形態においては、不穏判定システム２００を急性期病院や回復期病院などの病院で活用する場合について説明する。なお、不穏判定システム２００は、上記例示した以外の不穏判定が必要な状況で活用されても構わない。
【0076】
図１０は、不穏判定システム２００の構成例を示している。図１０を参照すると、不穏判定システム２００は、例えば、センサ装置３００とベッド端末４００と不穏判定装置５００とを含んでいる。図１０で示すように、センサ装置３００とベッド端末４００とは、Bluetooth（登録商標）などの近距離無線通信や有線などを用いて、互いに通信可能なよう接続されている。また、ベッド端末４００と不穏判定装置５００とは、Wi-Fi（登録商標）などの近距離無線通信や有線などを用いて、互いに通信可能なよう接続されている。ベッド端末４００と不穏判定装置５００とは、無線基地局などの中継装置を介して接続されても構わない。
【0077】
なお、不穏判定システム２００が有するセンサ装置３００の数、ベッド端末４００の数、不穏判定装置５００の数は、図１０で例示する場合に限定されない。例えば、不穏判定システム２００は、複数のセンサ装置３００、ベッド端末４００、不穏判定装置５００を有することが出来る。
【0078】
センサ装置３００は、対象者である患者の少なくとも１か所に装着されたセンサを含む装置である。センサ装置３００は、患者の動きに関する物理量である体動データを計測するとともに、患者のバイタルに関する物理量であるバイタルデータを計測する。図１１は、センサ装置３００の構成例を示している。図１１を参照すると、センサ装置３００は、例えば、体動センサ３１０とバイタルセンサ３２０と送受信部３３０とを含んでいる。例えば、センサ装置３００は、ハードウェアにより上記各処理部を実現することが出来る。センサ装置３００は、記憶装置に格納されたプログラムをＣＰＵなどの演算装置が実行することで、上記各処理部を実現しても構わない。
【0079】
体動センサ３１０は、患者の動きに関する物理量である体動データを計測することで、時系列の体動データを取得する。例えば、体動センサ３１０は、加速度センサ、ジャイロセンサ、角度センサ、マイクロフォンなどのうちの少なくとも１つであり、センサ装置３００を装着した患者の腕、体、足など所定部位の加速度、角速度、角度、発声量などの体動データを計測する。
【0080】
本実施形態の場合、体動センサ３１０は、加速度センサを含んでおり、患者の所定部位の加速度を計測する。上述したように、体動センサ３１０は、上記例示した以外の体動データを計測しても構わない。
【0081】
バイタルセンサ３２０は、患者のバイタルに関する物理量であるバイタルデータを計測することで、時系列のバイタルデータを取得する。例えば、バイタルセンサ３２０は、心拍センサ、血圧センサ、呼吸数センサ、体温センサ、血中酸素飽和度センサなどのうちの少なくとも１つであり、センサ装置３００を装着した患者の心拍数、血圧値、呼吸数、体温、皮膚温度、血流量、血中酸素飽和度などのバイタルデータを計測する。
【0082】
本実施形態の場合、バイタルセンサ３２０は、心拍センサを含んでおり、患者の心拍数を計測する。上述したように、バイタルセンサ３２０は、上記例示した以外のバイタルデータを計測しても構わない。
【0083】
送受信部３３０は、アンテナなどを有しており、ベッド端末４００との間でデータの送受信を行う。例えば、送受信部３３０は、体動センサ３１０が取得した体動データやバイタルセンサ３２０が取得したバイタルデータをベッド端末４００に対して送信する。また、送受信部３３０は、センサ装置３００に対して予め付与されている識別情報などの患者を識別するための患者識別情報を、上記体動データやバイタルデータに対応付けて送信することが出来る。
【0084】
以上が、センサ装置３００の構成例である。なお、センサ装置３００は、一つの装置から構成されても構わないし、複数の装置から構成されても構わない。例えば、センサ装置３００は、体動センサ３１０とバイタルセンサ３２０の機能を有する１つの装置から構成することが出来る。また、センサ装置３００は、体動センサ３１０としての機能を有する装置とバイタルセンサ３２０としての機能を有する装置となど複数の装置から構成されても構わない。体動センサ３１０は、例えば、加速度センサと角速度センサなど、複数の装置で構成されても構わない。また、バイタルセンサ３２０は、例えば、心拍センサと皮膚体温センサなど、複数の装置で構成されても構わない。なお、センサ装置２００が複数の装置から構成される場合、複数の装置それぞれにデータの送受信を行う送受信部があってよい。
【0085】
ベッド端末４００は、患者が滞在するベッド付近などの所定個所などに予め設置されている情報処理装置である。例えば、ベッド端末４００は、スマートフォンなどであり、画面表示機能を有する。ベッド端末４００は、スマートフォン以外であっても構わない。なお、ベッド端末３００は、患者が滞在するべき所定箇所、または患者が滞在するべき範囲を定める基準となる所定箇所に設置されている端末であり、ベッド付近に設置されたものに限られない。
【0086】
図１２は、ベッド端末４００の構成例を示している。図１２を参照すると、ベッド端末４００は、例えば、送受信部４１０と画面表示部４２０とを有している。例えば、ベッド端末４００は、ハードウェアにより上記各処理部を実現することが出来る。ベッド端末４００は、記憶装置に格納されたプログラムをＣＰＵなどの演算装置が実行することで、上記各処理部を実現しても構わない。
【0087】
送受信部４１０は、アンテナなどを有しており、センサ装置３００や不穏判定装置５００との間でデータの送受信を行う。例えば、送受信部４１０は、センサ装置３００が送信した体動データ、バイタルデータ、患者識別情報などを受信する。そして、送受信部４１０は、センサ装置３００から受信した体動データ、バイタルデータ、患者識別情報などを不穏判定装置５００へと送信する。また、送受信部４１０は、不穏判定装置５００から不穏の判定結果を示す情報を受信することが出来る。
【0088】
画面表示部４２０は、送受信部４１０が受信した体動データ、バイタルデータ、患者識別情報や、不穏の判定結果を示す情報などを画面表示する。例えば、画面表示部４２０は、受信した不穏の判定結果を示す情報などに基づいて、ベッド端末４００に対応する患者が不穏状態にある旨などを画面表示することが出来る。
【0089】
不穏判定装置５００は、センサ装置３００が計測した体動データやバイタルデータに基づく判定を行う情報処理装置である。また、不穏判定装置５００は、バイタルデータと体動データに基づいて生成する教師データを用いてバイタルモデル５４２の再学習を行うことが出来る。例えば、不穏判定装置５００は、ナースステーションなどの所定個所に設置されている。例えば、不穏判定装置５００は、医者や看護師などの医療従事者が使用するパーソナルコンピュータやタブレットなどの情報処理装置、病院内などに設置されたサーバ、あるいはクラウドサーバなどである。不穏判定装置５００は、パーソナルコンピュータやタブレットなどの情報処理装置とサーバなどとを組み合わせたものであっても構わない。
【0090】
図１３は、不穏判定装置５００の構成例を示している。図１３を参照すると、不穏判定装置５００は、主な構成要素として、例えば、操作入力部５１０と、画面表示部５２０と、通信Ｉ／Ｆ部５３０と、記憶部５４０と、演算処理部５５０と、を有している。
【0091】
操作入力部５１０、画面表示部５２０、通信Ｉ／Ｆ部５３０の構成は、第１の実施形態で説明した操作入力部１１０、画面表示部１２０、通信Ｉ／Ｆ部１３０と同様であって構わない。そのため、説明を省略する。
【0092】
記憶部５４０は、ハードディスクやメモリなどの記憶装置である。図１４は、記憶部５４０に格納される情報の一例を示している。図１４で示すように、記憶部５４０は、演算処理部５５０における各種処理に必要な処理情報やプログラム５４７を記憶する。プログラム５４７は、演算処理部５５０に読み込まれて実行されることにより各種処理部を実現する。プログラム５４７は、通信Ｉ／Ｆ部５３０などのデータ入出力機能を介して外部装置や記録媒体から予め読み込まれ、記憶部５４０に保存されている。記憶部５４０で記憶される主な情報としては、例えば、体動モデル５４１、バイタルモデル５４２、センシングデータ５４３、体動スコア情報５４４、バイタルスコア情報５４５、結果情報５４６などがある。
【0093】
体動モデル５４１は、第１の実施形態で説明した体動モデル１４１と同様であって構わない。体動モデル５４１には、１種類のモデルが含まれても構わないし、体動データの種類に応じた複数種類のモデルが含まれても構わない。
【0094】
バイタルモデル５４２は、例えば、第１の実施形態で説明したモデル学習装置１００が生成するバイタルモデル１４４である。バイタルモデル５４２は、第１の実施形態で説明したモデル学習装置１００以外の外部装置において、過去に計測したバイタルデータに対して不穏の有無を人力などによりラベル付けしたデータを教師データとして用いる機械学習を行うことで生成されていても構わない。例えば、バイタルモデル５４２は、通信Ｉ／Ｆ部５３０などを介してモデル学習装置１００などの外部装置から取得され、記憶部５４０に格納されている。なお、バイタルモデル５４２には、１種類のモデルが含まれても構わないし、バイタルデータの種類に応じた複数種類のモデルが含まれても構わない。
【0095】
センシングデータ５４３には、センサ装置３００が計測したデータが含まれている。例えば、センシングデータ５４３では、患者識別情報と、体動データと、バイタルデータと、が対応づけられている。上述したように、本実施形態の場合、体動データには、加速度の時系列データが含まれている。また、バイタルデータには、心拍数の時系列データが含まれている。センシングデータ５４３に含まれる体動データやバイタルデータも第１の実施形態で説明したものと同様であって構わない。
【0096】
体動スコア情報５４４には、患者が不穏であるか否かを判定するための指標である体動スコアが含まれている。例えば、体動スコア情報５４４では、患者識別情報と、体動スコアと、が対応づけられている。体動スコア情報５４４に含まれる体動スコアも、第１の実施形態で説明したものと同様であって構わない。
【0097】
バイタルスコア情報５４５には、不穏の予兆を判定するための指標であるバイタルスコアが含まれている。例えば、バイタルスコア情報５４５では、患者識別情報と、バイタルスコアと、が対応づけられている。
【0098】
図１５は、第１の実施形態の図４で示したようなバイタルデータに基づいてスコア算出部５５２が算出したバイタルスコアの一例を示している。図１５の場合、ｘ軸が時刻を示しており、ｙ軸がバイタルスコアを示している。図１５で示すように、バイタルスコアは、例えば、０以上１以下の値で表現される。バイタルスコアは、１に近いほど患者が不穏の予兆があることを示しており、０に近いほど患者に不穏の予兆がないことを示している。
【0099】
結果情報５４６には、不穏状態判定部５５３が体動スコア情報５４４とバイタルスコア情報５４５とに基づいて判断した結果を示す情報が含まれている。例えば、結果情報５４６では、患者識別情報と、判定結果を示す情報と、が含まれている。
【0100】
演算処理部５５０は、ＭＰＵなどのマイクロプロセッサとその周辺回路を有する。演算処理部５５０は、記憶部５４０からプログラム５４７を読み込んで実行することにより、上記ハードウェアとプログラム５４７とを協働させて各種処理部を実現する。演算処理部４５０で実現される主な処理部としては、例えば、センシングデータ取得部５５１、スコア算出部５５２、不穏状態判定部５５３、通知部５５４、ラベル用不穏判定部５５５、ラベル付け部５５６、再学習部５５７などがある。なお、上記処理部のうち、スコア算出部５５２、不穏状態判定部５５３、通知部５５４は、主に患者が不穏状態にあるか否か判定する処理を行う。また、上記処理部のうち、ラベル用不穏判定部５５５、ラベル付け部５５６、再学習部５５７は、主にバイタルモデル５４２を再学習する処理を行う。
【0101】
センシングデータ取得部５５１は、通信Ｉ／Ｆ部５３０を介して、ベッド端末４００が送信した、体動データ、バイタルデータ、患者識別情報などを取得する。そして、センシングデータ取得部５５１は、取得した体動データやバイタルデータを、患者識別情報と対応付けて、センシングデータ５４３として記憶部５４０に格納する。
【0102】
スコア算出部５５２は、体動モデル５４１を用いて体動スコアを算出するとともに、バイタルモデル５４２を用いてバイタルスコアを算出する。
【0103】
例えば、スコア算出部５５２は、センシングデータ５４３を参照して、体動データを取得する。また、スコア算出部５５２は、取得したデータを体動モデル５４１に入力して、各時刻における体動スコアを算出する。その後、スコア算出部５５２は、算出した体動スコアを示す情報を体動スコア情報５４４として記憶部５４０に格納する。
【0104】
また、スコア算出部５５２は、センシングデータ５４３を参照して、バイタルデータを取得する。また、スコア算出部５５２は、取得したデータをバイタルモデル５４２に入力して、図１５で示すような各時刻におけるバイタルスコアを算出する。その後、スコア算出部５５２は、算出したバイタルスコアを示す情報をバイタルスコア情報５４５として記憶部５４０に格納する。
【0105】
なお、スコア算出部５５２は、時系列データそのものを体動モデル５４１やバイタルモデル５４２に入力しても構わないし、時系列データに対して平均化や微分処理などの特徴量化処理を行うことにより算出した各種特徴量を体動モデル５４１やバイタルモデル５４２に入力しても構わない。
【0106】
不穏状態判定部５５３は、体動スコア情報５４４に含まれる体動スコアとバイタルスコア情報５４５に含まれるバイタルスコアとに基づいて、患者の不穏状態を判定する。例えば、不穏状態判定部５５３は、患者の不穏状態として、患者が不穏であるか否か、または、患者に不穏の予兆があるか否かを判定する。そして、不穏状態判定部５５３は、判定の結果を結果情報５４６として記憶部５４０に格納する。例えば、不穏状態判定部５５３は、不穏状態の判定結果を示す情報を結果情報５４６として記憶部５４０に格納する。また、不穏状態判定部５５３は、体動スコアとバイタルスコアとに基づく不穏状態の判定結果に応じて、バイタルモデル５４２の再学習を行うか否か判定することが出来る。
【0107】
例えば、不穏状態判定部５５３は、体動スコアと比較するための体動閾値と、バイタルスコアと比較するためのバイタル閾値とを予め有している。そして、不穏状態判定部５５３は、体動スコアとバイタルスコアと体動閾値とバイタル閾値とに基づく判定を行う。例えば、不穏状態判定部５５３は、体動スコアが体動閾値以上である場合、患者が不穏であると判定する。このように、体動スコアに基づく判定を行うことで、実際に患者が不穏になっている場合に患者が不穏になっている旨を判定することが出来る。また、例えば、不穏状態判定部５５３は、バイタルスコアがバイタル閾値以上である場合、患者が不穏であるまたは患者に不穏の予兆があると判定する。さらに、例えば、不穏状態判定部５５３は、体動スコアが体動閾値未満でもバイタルスコアがバイタル閾値以上である場合、患者に不穏の予兆があると判定する。不穏状態判定部５５３は、体動スコアが体動閾値以下かつバイタルスコアがバイタル閾値以下である場合、患者は正常状態であると判定してもよい。このように、不穏状態判定部５５３は、体動スコアとバイタルスコアとに基づいて、患者が不穏であるか否か、患者に不穏の予兆があるか否かを判定する。
【0108】
図１６、図１７は、不穏状態判定部５５３の処理例を示している。例えば、図１６を参照すると、２２：３０から１：００少し前までの間、２：００少し前、４：３０ころ、６：００ころ、体動スコアが体動閾値以上となっている。そのため、不穏状態判定部５５３は、上記期間について患者が不穏であると判定する。また、図１７を参照すると、２：３０から１：００少し前までの間、２：００少し前にバイタルスコアがバイタル閾値以上となる。そのため、不穏状態判定部５５３は、上記期間について患者に不穏の予兆があると判定する。
【0109】
なお、体動閾値やバイタル閾値の値は、任意に設定して構わない。例えば、図１６、図１７の場合、体動閾値とバイタル閾値の値が同じ値になっている。しかしながら、体動閾値とバイタル閾値とは、異なる値であっても構わない。また、体動閾値及びバイタル閾値は、例えば、後述する患者の属性情報等に応じて適宜決定されてもよい。
【0110】
また、不穏状態判定部５５３は、体動スコアが体動閾値以上またはバイタルスコアがバイタル閾値以上である場合は一律に、患者は不穏であると判定してもよい。このような構成によると、患者の異常を漏れなく医療従事者に知らせることが出来る。
【0111】
また、不穏状態判定部５５３は、体動スコアまたはバイタルスコアの何れか一方により患者の不穏状態を判定できない場合、もう一方のスコアのみを用いて患者の不穏状態を判定してもよい。ここで、体動スコアにより患者の不穏状態を判定できない場合には、センサ装置３００が体動データを取得できなかった場合、通信の不具合等によりセンシングデータ取得部５５１が患者の体動データを取得できなかった場合、等が含まれる。また、バイタルスコアにより患者の不穏状態を判定できない場合には、センサ装置３００がバイタルデータを取得できなかった場合、通信の不具合等によりセンシングデータ取得部５５１が患者のバイタルデータを取得できなかった場合、等が含まれる。
【0112】
また、体動スコアが体動閾値以上であり、かつ、バイタルスコアがバイタル閾値未満である場合、バイタルスコアによる不穏判定に見落としが生じているおそれがあると考えられる。そこで、不穏状態判定部５５３は、体動スコアが体動閾値以上であり、かつ、バイタルスコアがバイタル閾値未満である場合、バイタルモデル５４２の再学習を行うと決定する。例えば、この決定に応じて、ラベル用不穏判定部５５５、ラベル付け部５５６、再学習部５５７による再学習処理が行われる。
【0113】
通知部５５４は、不穏状態判定部５５３により患者が不穏であると判定された場合などに、不穏状態判定部５５３による判定の結果を出力する。例えば、通知部５５４は、不穏状態判定部５５３が不穏であると判定した場合や不穏の予兆があると判定した場合、判定の結果を示す情報を患者の患者識別情報とともに、画面表示部５２０に画面表示することが出来る。また、通知部５５４は、判定の結果を示す情報と患者の患者識別情報とを、当該患者に関連するベッド端末４００や当該患者を担当している看護師が携帯している携帯端末などの外部装置に対して送信することが出来る。なお、通知部５５４は、患者の入院する部屋入り口のランプを点灯させるなど、上記例示した以外の通知を行っても構わない。
【0114】
なお、通知部５５４は、不穏である、不穏の予兆がある、という判定の違いにより、表示内容や通知内容を変更してもよい。例えば、通知部５５４は、患者の入院する部屋入り口のランプを点灯させる場合に判定結果により異なるランプの色を点灯させる、などの方法を用いてもよい。
【0115】
ラベル用不穏判定部５５５は、不穏状態判定部５５３による再学習の決定に応じて、体動スコア情報５４４に含まれる体動スコアに基づいて、ラベル付けを行うための不穏判定を行う。ラベル用不穏判定部５５５の処理は、第1の実施形態で説明した不穏判定部１５３が行う処理と同様であって構わない。
【0116】
ラベル付け部５５６は、センシングデータ５４３に含まれるバイタルデータに対してラベル用不穏判定部５５５による判定の結果に基づくラベル付けを行うことで、機械学習用の教師データを生成する。ラベル付け部５５６の処理も第１の実施形態で説明したラベル付け部１５４の処理と同様で構わない。
【0117】
再学習部５５７は、ラベル付け部５５６によるラベル付けの結果として生成される教師データを用いた機械学習を行うことにより、バイタルモデル５４２を再学習する。例えば、再学習部５５７は、第１の実施形態で説明したバイタルモデル学習部１５５と同様に、サポートベクターマシン（ＳＶＭ）やニューラルネットワークなどを用いた機械学習を行う。そして、再学習部５５７は、再学習したバイタルモデルをバイタルモデル５４２として記憶部５４０に格納する。なお、再学習部５５７による再学習は、第１の実施形態で例示した場合と同様に、ラベル付け部５５６が生成した教師データのみを用いて行われても構わないし、ラベル付け部５５６が生成した教師データ以外も用いて行われても構わない。再学習部５５７は、第１の実施形態で例示した場合と同様の処理を行うよう構成して構わない。
【0118】
【0119】
センシングデータ取得部５５１は、通信Ｉ／Ｆ部５３０を介して、ベッド端末４００が送信した、体動データ、バイタルデータ、患者識別情報などを取得する（ステップＳ３０１）。
【0120】
スコア算出部５５２は、体動モデル５４１を用いて体動スコアを算出するとともに、バイタルモデル５４２を用いてバイタルスコアを算出する（ステップＳ３０２）。例えば、スコア算出部５５２は、体動データを体動モデル５４１に入力することで体動スコアを算出する。また、スコア算出部５５２は、バイタルデータをバイタルモデル５４２に入力することでバイタルスコアを算出する。
【0121】
不穏状態判定部５５３は、体動スコア情報５４４に含まれる体動スコアとバイタルスコア情報５４５に含まれるバイタルスコアとに基づいて、患者が不穏状態にあるか否かを判定する。例えば、不穏状態判定部５５３は、体動スコアが体動閾値以上である場合（ステップＳ３０３、Ｙｅｓ）、患者が不穏であると判定する。また、不穏状態判定部５５３は、体動スコアが体動閾値以上であり、かつ、バイタルスコアがバイタル閾値未満となる場合（ステップＳ３０４、Ｎｏ）、再学習を行うと判定する。これにより、バイタルモデル５４２の再学習が行われる（ステップＳ３０５）。なお、再学習の処理は、第１の実施形態で説明したバイタルモデルを生成する処理と同様の方法により行うことが出来る。
【0122】
患者が不穏であると判定した場合、通知部５５４による通知が行われる（ステップＳ３０６）。例えば、通知部５５４は、患者が不穏である旨を画面表示部５２０に画面表示したり、患者が不穏である旨をベッド端末４００や患者を担当している看護師が携帯している携帯端末などの外部装置に対して送信したりすることが出来る。
【0123】
また、体動スコアが体動閾値未満である場合でも（ステップＳ３０３、Ｎｏ）、バイタルスコアがバイタル閾値以上である場合（ステップＳ３０７、Ｙｅｓ）、不穏状態判定部５５３は、不穏の予兆があると判定する。そして、通知部５５４による通知が行われる（ステップＳ３０６）。一方、体動スコアが体動閾値未満であり（ステップＳ３０３、Ｎｏ）、バイタルスコアもバイタル閾値未満である場合（ステップＳ３０７、Ｎｏ）、不穏状態判定部５５３は、患者が不穏でないと判定する。この場合、通知部５５４による通知は行われない。
【0124】
以上が、不穏判定装置５００の動作例である。
【0125】
このように、不穏判定装置５００は、体動スコアとバイタルスコアを算出するスコア算出部５５２と、不穏状態判定部５５３と、を有している。このような構成により、不穏状態判定部５５３は、体動スコアに基づく判定を行うとともに、バイタルスコアに基づく判定を行うことが出来る。その結果、実際に患者が不穏になっている場合に、バイタルスコアが低い場合でも漏れなく患者が不穏になっている旨を判定することが出来る。これにより、不穏を見落とすことなく判定することが出来る。
【0126】
また、不穏判定装置５００は、体動スコアが体動閾値以上であり、かつ、バイタルスコアがバイタル閾値未満である場合、バイタルモデル５４２の再学習を行うよう構成されている。体動スコアが体動閾値以上であり、かつ、バイタルスコアがバイタル閾値未満である場合、バイタルスコアによる不穏判定に見落としが生じているおそれがあると考えられる。そのため、上記条件を満たす場合に再学習を行うことで、必要に応じてバイタルモデル５４２の精度を向上させることが可能となる。
【0127】
なお、本実施形態では、不穏判定装置５００が不穏状態判定部５５３とラベル用不穏判定部５５５とを有する場合について説明した。しかしながら、不穏判定装置５００のラベル付け部５５６は、不穏状態判定部５５３による判定の結果を用いてラベル付けを行っても構わない。この場合、不穏判定装置５００は、ラベル用不穏判定部５５５を有さなくても構わない。
【0128】
また、体動モデル４４１に複数のモデルが含まれる場合、複数の体動スコアを算出することがある。このように複数の体動スコアを算出する場合、不穏状態判定部４５３は、例えば、複数の体動スコアのうちどれか１つでも体動閾値以上となる場合に、患者が不穏状態であると判定することが出来る。不穏状態判定部４５３は、複数の体動スコアのうち過半数が体動閾値以上となるなど、上記例示した以外の方法で判定してもよい。
【0129】
また、バイタルモデル４４２に複数のモデルが含まれる場合、複数のバイタルスコアを算出することがある。このように複数のバイタルスコアを算出する場合、不穏状態判定部４５３は、例えば、複数種類のバイタルスコアのうちどれか１つでもバイタル閾値以上となる場合、患者に不穏の予兆があると判定することが出来る。不穏状態判定部４５３は、複数のバイタルスコアのうち、過半数以上がバイタル閾値以上である、すべてがバイタル閾値以上である、平均値がバイタル閾値以上であるなど、予め定められた基準を満たした場合に、不穏の予兆があると判定しても構わない。
【0130】
また、不穏判定装置５００の構成は、図１９を参照して説明した場合に限定されない。例えば、図１９は、不穏判定装置５００の他の構成例を示している。図１９を参照すると、不穏判定装置５００の演算処理部５５０は、例えば、属性情報取得部５５８を有することが出来る。
【0131】
属性情報取得部５５８は、患者の属性情報を取得する。例えば、属性情報取得部５５８は、外部装置などから患者のカルテ情報を取得して、年齢、性別、まひ状態、などの属性情報を取得する。
【0132】
属性情報取得部５５８が取得した属性情報は、モデルやスコアの優先度を決める際などに活用することが出来る。つまり、属性情報は、体動モデル４４１やバイタルモデル４４２に複数のモデルが含まれる場合や、体動スコアやバイタルスコアが複数算出される場合などにおいて、どのモデル、どのスコアを優先して判定するかを示す指標である優先度を決める際に用いることが出来る。なお、第１の実施形態と同様に、属性情報は、学習処理（再学習処理）の際に活用されても構わない。
【0133】
例えば、体動モデル５４１に加速度モデルと発声量モデルが含まれており、バイタルモデル５４２に心拍数モデルが含まれるとする。また、属性情報取得部５５８が取得した属性情報に基づいて患者の手足にマヒがあると判断されるとする。この場合、患者の動きは少ないことが想定される。そこで、不穏状態判定部５５３は、加速度モデルの優先度を下げ、発声量モデルと心拍数モデルの優先度を上げることが出来る。また、属性情報取得部５５８が取得した属性情報に基づいてある程度自力で動ける患者であると判断される場合、不穏状態判定部５５３は、例えば、加速度モデルと発声量モデルと心拍数モデルの優先度をすべて同じにすることが出来る。なお、不穏状態判定部５５３は、その他の属性情報に基づいて優先度を調整して構わない。
【0134】
なお、上述した優先度とは、体動モデル５４１やバイタルモデル５４２に複数のモデルが含まれる場合や、体動スコアやバイタルスコアが複数算出される場合などにおいて、どのモデル、どのスコアを優先して判定するかを示す指標である。不穏状態判定部５５３は、優先度に基づいて、判定を行う際の基準の調整などを行うことが出来る。例えば、上述したように、属性情報に基づいて患者の手足にマヒがあると判断される場合、不穏状態判定部５５３は、加速度モデルの優先度を下げ、発声量モデルと心拍数モデルの優先度を上げることが出来る。この場合、不穏状態判定部５５３は、例えば、発声量モデルに基づくスコアと心拍数モデルに基づくスコアとのみを用いた判定を行う、加速度モデルに基づくスコアと比較する体動閾値を発声量モデルに基づくスコアと比較する体動閾値と異なる値に調整する、などの基準の調整を行うことが出来る。また、上述したように、ある程度自力で動ける患者であると判断される場合、不穏状態判定部５５３は、例えば、加速度モデルと発声量モデルと心拍数モデルの優先度をすべて同じにすることが出来る。この場合、不穏状態判定部５５３は、例えば、加速度モデルに基づくスコアと発声量モデルに基づくスコアと心拍数モデルに基づくスコアのすべてを用いた判定を行う、体動閾値やバイタル閾値をすべて同じ値にする、などの基準の調整を行うことが出来る。なお、不穏状態判定部５５３は、上記例示した以外の基準の調整を行っても構わない。
【0135】
また、図２０を参照すると、不穏判定装置５００の記憶部５４０には、環境情報５４８を格納することが出来る。
【0136】
環境情報５４８は、季節や気温などの情報を示している。環境情報５４８は、例えば、通信Ｉ／Ｆ部５３０を介して外部装置から取得されていたり、操作入力部５１０を用いて予め入力されていたりする。
【0137】
環境情報５４８に含まれる情報も、属性情報取得部５５８が取得した属性情報と同様に、優先度を決める際などに活用することが出来る。例えば、上述した場合と同様に、体動モデル５４１に加速度モデルと発声量モデルが含まれており、バイタルモデル５４２に心拍数モデルが含まれるとする。この場合において、環境情報５４８に基づいて季節が冬である（または気温が低い）と判断される場合、患者の動きが鈍くなったり心疾患（心拍の異常）が起こりやすくなったりすることから、不穏状態判定部５５３は、発声量モデルと心拍モデルの優先度を上げたり、加速度モデルの優先度を下げたりすることが出来る。これにより、例えば、不穏状態判定部５５３は、加速度モデルに基づくスコアと比較する体動閾値を発声量モデルに基づくスコアと比較する体動閾値と異なる値に調整するなど、体動閾値やバイタル閾値の修正などを行うことが出来る。
【0138】
例えば、以上のように、不穏判定装置５００は、環境情報５４８や属性情報取得部５５８を有しても構わない。
【0139】
なお、図１３や図１９では、１台の情報処理装置により不穏判定装置５００としての機能を実現する場合について例示した。しかしながら、不穏判定装置５００としての機能は、例えば、ネットワークを介して接続された複数台の情報処理装置により実現されても構わない。
【0140】
【0141】
図２１は、教師データ生成装置６００のハードウェア構成例を示している。図２１を参照すると、教師データ生成装置６００は、一例として、以下のようなハードウェア構成を有している。
・ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）６０１（演算装置）
・ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）６０２（記憶装置）
・ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）６０３（記憶装置）
・ＲＡＭ６０３にロードされるプログラム群６０４
・プログラム群６０４を格納する記憶装置６０５
・情報処理装置外部の記録媒体６１０の読み書きを行うドライブ装置６０６
・情報処理装置外部の通信ネットワーク６１１と接続する通信インタフェース６０７
・データの入出力を行う入出力インタフェース６０８
・各構成要素を接続するバス６０９
・ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）６０１（演算装置）
・ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）６０２（記憶装置）
・ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）６０３（記憶装置）
・ＲＡＭ６０３にロードされるプログラム群６０４
・プログラム群６０４を格納する記憶装置６０５
・情報処理装置外部の記録媒体６１０の読み書きを行うドライブ装置６０６
・情報処理装置外部の通信ネットワーク６１１と接続する通信インタフェース６０７
・データの入出力を行う入出力インタフェース６０８
・各構成要素を接続するバス６０９
【0142】
また、教師データ生成装置６００は、プログラム群６０４をＣＰＵ６０１が取得して当該ＣＰＵ６０１が実行することで、図２２に示す取得部６２１、算出部６２２、判定部６２３、ラベル付け部６２４としての機能を実現することが出来る。なお、プログラム群６０４は、例えば、予め記憶装置６０５やＲＯＭ６０２に格納されており、必要に応じてＣＰＵ６０１がＲＡＭ６０３などにロードして実行する。また、プログラム群６０４は、通信ネットワーク６１１を介してＣＰＵ６０１に供給されてもよいし、予め記録媒体６１０に格納されており、ドライブ装置６０６が該プログラムを読み出してＣＰＵ６０１に供給してもよい。
【0143】
なお、図２１は、教師データ生成装置６００のハードウェア構成例を示している。教師データ生成装置６００のハードウェア構成は上述した場合に限定されない。例えば、教師データ生成装置６００は、ドライブ装置６０６を有さないなど、上述した構成の一部から構成されてもよい。
【0144】
取得部６２１は、対象者の身体の動作に応じた体動データと、対象者の身体の状態に応じたバイタルデータと、を取得する。
【0145】
算出部６２２は、取得部６２１が取得した体動データに基づいて不穏状態を判定する指標となる体動スコアを算出する。
【0146】
判定部６２３は、算出部６２２が算出した体動スコアに基づいて対象者が不穏であるかを判定する。
【0147】
ラベル付け部６２４は、バイタルデータに対して判定部６２３による判定の結果に基づくラベル付けを行う。
【0148】
このように、教師データ生成装置６００は、取得部６２１と算出部６２２と判定部６２３とラベル付け部６２４とを有している。このような構成により、ラベル付け部６２４は、算出部６２２が算出した体動スコアに基づいて判定部６２３が判定した結果に基づくラベル付けを行うことが出来る。その結果、教師データの生成を効率的に行うことが出来る。
【0149】
なお、上述した教師データ生成装置６００は、当該教師データ生成装置６００などのコンピュータに所定のプログラムが組み込まれることで実現できる。具体的に、本発明の他の形態であるプログラムは、コンピュータに、対象者の身体の動作に応じた体動データと、対象者のバイタルデータと、を取得し、取得した体動データに基づいて不穏状態を判定する指標となる体動スコアを算出し、体動スコアに基づいて対象者が不穏であるかを判定し、バイタルデータに対して判定の結果に基づくラベル付けを行う処理を実現させるためのプログラムである。
【0150】
また、上述した学習装置６００により実行される教師データ生成方法は、
コンピュータが、
対象者の身体の動作に応じた体動データと、前記対象者のバイタルデータと、を取得し、
取得した前記体動データに基づいて不穏状態を判定する指標となる体動スコアを算出し、
前記体動スコアに基づいて前記対象者が不穏であるかを判定し、
前記バイタルデータに対して判定の結果に基づくラベル付けを行う
という方法である。
コンピュータが、
対象者の身体の動作に応じた体動データと、前記対象者のバイタルデータと、を取得し、
取得した前記体動データに基づいて不穏状態を判定する指標となる体動スコアを算出し、
前記体動スコアに基づいて前記対象者が不穏であるかを判定し、
前記バイタルデータに対して判定の結果に基づくラベル付けを行う
という方法である。
【0151】
上述した構成を有する、プログラム（または記録媒体）、または、教師データ生成方法、の発明であっても、上記教師データ生成装置６００と同様の作用・効果を有するために、上述した本発明の目的を達成することが出来る。
【0152】
また、教師データ生成装置６００の変形例としては、例えば、バイタルモデルを学習する学習装置がある。例えば、学習装置は、対象者の身体の動作に応じた体動データと、対象者のバイタルデータと、を取得する取得部と、取得部が取得した体動データに基づいて不穏状態を判定する指標となる体動スコアを算出する算出部と、体動スコアに基づいて対象者が不穏であるかを判定する判定部と、バイタルデータに対して判定部による判定の結果に基づくラベル付けを行うラベル付け部と、ラベル付けされたバイタルデータを教師データとして学習を行うことで、不穏状態を判定する指標となるバイタルスコアを出力するバイタルモデルを生成する学習部と、を有する。
【0153】
また、同様に変形例として、不穏判定装置がある。例えば、不穏判定装置は、対象者の身体の動作に応じた体動データと、対象者の身体の状態に応じたバイタルデータと、を取得する取得部と、取得部が取得した体動データに基づいて不穏状態を判定する指標となる体動スコアを算出するとともに、取得部が取得したバイタルデータに基づいて不穏状態を判定する指標となるバイタルスコアを算出する算出部と、算出部が算出した体動スコアとバイタルスコアとに基づいて、バイタルスコアを算出する際に用いるバイタルモデルの再学習を行うと判定する判定部と、判定部の結果に応じてバイタルモデルの再学習を行う再学習部と、を有する。
【0154】
＜付記＞
上記実施形態の一部又は全部は、以下の付記のようにも記載されうる。以下、本発明における学習装置などの概略を説明する。但し、本発明は、以下の構成に限定されない。
上記実施形態の一部又は全部は、以下の付記のようにも記載されうる。以下、本発明における学習装置などの概略を説明する。但し、本発明は、以下の構成に限定されない。
【0155】
（付記１）
対象者の身体の動作に応じた体動データと、前記対象者のバイタルデータと、を取得する取得部と、
前記取得部が取得した前記体動データに基づいて不穏状態を判定する指標となる体動スコアを算出する算出部と、
前記体動スコアに基づいて前記対象者が不穏であるかを判定する判定部と、
前記バイタルデータに対して前記判定部による判定の結果に基づくラベル付けを行うラベル付け部と、
を有する教師データ生成装置。
（付記２）
付記１に記載の教師データ生成装置であって、
前記ラベル付け部は、前記バイタルデータのうちの、対応する前記体動スコアが所定の条件を満たす一部の期間について、ラベル付けを行う
教師データ生成装置。
（付記３）
付記１または付記２に記載の教師データ生成装置であって、
前記判定部は、前記体動スコアが第１閾値以上である期間について対象者が不穏であると判定し、
前記ラベル付け部は、前記バイタルデータのうち前記判定部が不穏であると判定した期間についてラベル付けを行う、
教師データ生成装置。
（付記４）
付記１から付記３までのいずれか１項に記載の教師データ生成装置であって、
前記判定部は、前記体動スコアが第２閾値以下である期間について対象者が不穏でないと判定し、
前記ラベル付け部は、前記バイタルデータのうち前記判定部が不穏でないと判定した期間についてラベル付けを行う
教師データ生成装置。
（付記５）
付記１から付記４までのいずれか１項に記載の教師データ生成装置であって、
前記対象者の属性を示す属性情報を取得する属性情報取得部を有し、
前記判定部は、前記属性情報が取得した前記属性情報に基づいて、前記対象者が不穏であるかを判定する
教師データ生成装置。
（付記６）
付記１から付記５までのいずれか１項に記載の教師データ生成装置であって、
前記対象者の属性を示す属性情報を取得する属性情報取得部を有し、
前記学習部は、前記属性情報取得部が取得した前記属性情報に基づいて、前記状態情報を学習に用いるか否か決定する
教師データ生成装置。
（付記７）
コンピュータが、
対象者の身体の動作に応じた体動データと、前記対象者のバイタルデータと、を取得し、
取得した前記体動データに基づいて不穏状態を判定する指標となる体動スコアを算出し、
前記体動スコアに基づいて前記対象者が不穏であるかを判定し、
前記バイタルデータに対して判定の結果に基づくラベル付けを行う
教師データ生成方法。
（付記８）
コンピュータに、
対象者の身体の動作に応じた体動データと、前記対象者のバイタルデータと、を取得し、
取得した前記体動データに基づいて不穏状態を判定する指標となる体動スコアを算出し、
前記体動スコアに基づいて前記対象者が不穏であるかを判定し、
前記バイタルデータに対して前記判定部による判定の結果に基づくラベル付けを行う
処理を実現させるためのプログラムを記録した記録媒体。
（付記９）
対象者の身体の動作に応じた体動データと、前記対象者のバイタルデータと、を取得する取得部と、
前記取得部が取得した前記体動データに基づいて不穏状態を判定する指標となる体動スコアを算出する算出部と、
前記体動スコアに基づいて前記対象者が不穏であるかを判定する判定部と、
前記バイタルデータに対して前記判定部による判定の結果に基づくラベル付けを行うラベル付け部と、
ラベル付けされた前記バイタルデータを教師データとして学習を行うことで、不穏状態を判定する指標となるバイタルスコアを出力するバイタルモデルを生成する学習部と、
を有する学習装置。
（付記１０）
コンピュータが、
対象者の身体の動作に応じた体動データと、前記対象者のバイタルデータと、を取得し、
取得した前記体動データに基づいて不穏状態を判定する指標となる体動スコアを算出し、
前記体動スコアに基づいて前記対象者が不穏であるかを判定し、
前記バイタルデータに対して判定の結果に基づくラベル付けを行い、
ラベル付けされた前記バイタルデータを教師データとして学習を行うことで、不穏状態を判定する指標となるバイタルスコアを出力するバイタルモデルを生成する
学習方法。
（付記１１）
コンピュータに、
対象者の身体の動作に応じた体動データと、前記対象者のバイタルデータと、を取得し、
取得した前記体動データに基づいて不穏状態を判定する指標となる体動スコアを算出し、
前記体動スコアに基づいて前記対象者が不穏であるかを判定し、
前記バイタルデータに対して判定の結果に基づくラベル付けを行い、
ラベル付けされた前記バイタルデータを教師データとして学習を行うことで、不穏状態を判定する指標となるバイタルスコアを出力するバイタルモデルを生成する
処理を実現するためのプログラムを記録した記録媒体。
（付記１２）
対象者の身体の動作に応じた体動データと、前記対象者の身体の状態に応じたバイタルデータと、を取得する取得部と、
前記取得部が取得した前記体動データに基づいて不穏状態を判定する指標となる体動スコアを算出するとともに、前記取得部が取得した前記バイタルデータに基づいて不穏状態を判定する指標となるバイタルスコアを算出する算出部と、
前記算出部が算出した前記体動スコアと前記バイタルスコアとに基づいて、前記バイタルスコアを算出する際に用いるバイタルモデルの再学習を行うと判定する判定部と、
前記判定部の結果に応じて前記バイタルモデルの再学習を行う再学習部と、
を有する
不穏判定装置。
（付記１３）
付記１２に記載の不穏判定装置であって、
前記判定部は、前記体動スコアが予め定められた条件を満たし、前記バイタルスコアが予め定められた条件を満たさない場合に、再学習を行うと判定する
不穏判定装置。
（付記１４）
付記１２または付記１３に記載の不穏判定装置であって、
前記バイタルデータに対して前記判定部による判定の結果に基づくラベル付けを行うことで教師データを生成するラベル付け部を有し、
前記再学習部は、前記ラベル付け部が生成した教師データを用いた再学習を行うことで前記バイタルモデルの再学習を行う
不穏判定装置。
（付記１５）
付記１４に記載の不穏判定装置であって、
前記ラベル付け部は、前記バイタルデータのうちの一部について教師データを生成する
不穏判定装置。
（付記１６）
付記１４または付記１５に記載の不穏判定装置であって、
前記ラベル付け部は、前記バイタルデータのうちの、対応する前記体動スコアが所定の条件を満たす一部の期間について、教師データを生成する
不穏判定装置。
（付記１７）
コンピュータが、
対象者の身体の動作に応じた体動データと、前記対象者の身体の状態に応じたバイタルデータと、を取得し、
取得した前記体動データに基づいて不穏状態を判定する指標となる体動スコアを算出するとともに、取得した前記バイタルデータに基づいて不穏状態を判定する指標となるバイタルスコアを算出し、
算出した前記体動スコアと前記バイタルスコアとに基づいて、前記バイタルスコアを算出する際に用いるバイタルモデルの再学習を行うと判定し、
判定の結果に応じて前記バイタルモデルの再学習を行う
再学習方法。
（付記１８）
コンピュータに、
対象者の身体の動作に応じた体動データと、前記対象者の身体の状態に応じたバイタルデータと、を取得し、
取得した前記体動データに基づいて不穏状態を判定する指標となる体動スコアを算出するとともに、取得した前記バイタルデータに基づいて不穏状態を判定する指標となるバイタルスコアを算出し、
算出した前記体動スコアと前記バイタルスコアとに基づいて、前記バイタルスコアを算出する際に用いるバイタルモデルの再学習を行うと判定し、
判定の結果に応じて前記バイタルモデルの再学習を行う
処理を実現するためのプログラムを記録した記録媒体。
対象者の身体の動作に応じた体動データと、前記対象者のバイタルデータと、を取得する取得部と、
前記取得部が取得した前記体動データに基づいて不穏状態を判定する指標となる体動スコアを算出する算出部と、
前記体動スコアに基づいて前記対象者が不穏であるかを判定する判定部と、
前記バイタルデータに対して前記判定部による判定の結果に基づくラベル付けを行うラベル付け部と、
を有する教師データ生成装置。
（付記２）
付記１に記載の教師データ生成装置であって、
前記ラベル付け部は、前記バイタルデータのうちの、対応する前記体動スコアが所定の条件を満たす一部の期間について、ラベル付けを行う
教師データ生成装置。
（付記３）
付記１または付記２に記載の教師データ生成装置であって、
前記判定部は、前記体動スコアが第１閾値以上である期間について対象者が不穏であると判定し、
前記ラベル付け部は、前記バイタルデータのうち前記判定部が不穏であると判定した期間についてラベル付けを行う、
教師データ生成装置。
（付記４）
付記１から付記３までのいずれか１項に記載の教師データ生成装置であって、
前記判定部は、前記体動スコアが第２閾値以下である期間について対象者が不穏でないと判定し、
前記ラベル付け部は、前記バイタルデータのうち前記判定部が不穏でないと判定した期間についてラベル付けを行う
教師データ生成装置。
（付記５）
付記１から付記４までのいずれか１項に記載の教師データ生成装置であって、
前記対象者の属性を示す属性情報を取得する属性情報取得部を有し、
前記判定部は、前記属性情報が取得した前記属性情報に基づいて、前記対象者が不穏であるかを判定する
教師データ生成装置。
（付記６）
付記１から付記５までのいずれか１項に記載の教師データ生成装置であって、
前記対象者の属性を示す属性情報を取得する属性情報取得部を有し、
前記学習部は、前記属性情報取得部が取得した前記属性情報に基づいて、前記状態情報を学習に用いるか否か決定する
教師データ生成装置。
（付記７）
コンピュータが、
対象者の身体の動作に応じた体動データと、前記対象者のバイタルデータと、を取得し、
取得した前記体動データに基づいて不穏状態を判定する指標となる体動スコアを算出し、
前記体動スコアに基づいて前記対象者が不穏であるかを判定し、
前記バイタルデータに対して判定の結果に基づくラベル付けを行う
教師データ生成方法。
（付記８）
コンピュータに、
対象者の身体の動作に応じた体動データと、前記対象者のバイタルデータと、を取得し、
取得した前記体動データに基づいて不穏状態を判定する指標となる体動スコアを算出し、
前記体動スコアに基づいて前記対象者が不穏であるかを判定し、
前記バイタルデータに対して前記判定部による判定の結果に基づくラベル付けを行う
処理を実現させるためのプログラムを記録した記録媒体。
（付記９）
対象者の身体の動作に応じた体動データと、前記対象者のバイタルデータと、を取得する取得部と、
前記取得部が取得した前記体動データに基づいて不穏状態を判定する指標となる体動スコアを算出する算出部と、
前記体動スコアに基づいて前記対象者が不穏であるかを判定する判定部と、
前記バイタルデータに対して前記判定部による判定の結果に基づくラベル付けを行うラベル付け部と、
ラベル付けされた前記バイタルデータを教師データとして学習を行うことで、不穏状態を判定する指標となるバイタルスコアを出力するバイタルモデルを生成する学習部と、
を有する学習装置。
（付記１０）
コンピュータが、
対象者の身体の動作に応じた体動データと、前記対象者のバイタルデータと、を取得し、
取得した前記体動データに基づいて不穏状態を判定する指標となる体動スコアを算出し、
前記体動スコアに基づいて前記対象者が不穏であるかを判定し、
前記バイタルデータに対して判定の結果に基づくラベル付けを行い、
ラベル付けされた前記バイタルデータを教師データとして学習を行うことで、不穏状態を判定する指標となるバイタルスコアを出力するバイタルモデルを生成する
学習方法。
（付記１１）
コンピュータに、
対象者の身体の動作に応じた体動データと、前記対象者のバイタルデータと、を取得し、
取得した前記体動データに基づいて不穏状態を判定する指標となる体動スコアを算出し、
前記体動スコアに基づいて前記対象者が不穏であるかを判定し、
前記バイタルデータに対して判定の結果に基づくラベル付けを行い、
ラベル付けされた前記バイタルデータを教師データとして学習を行うことで、不穏状態を判定する指標となるバイタルスコアを出力するバイタルモデルを生成する
処理を実現するためのプログラムを記録した記録媒体。
（付記１２）
対象者の身体の動作に応じた体動データと、前記対象者の身体の状態に応じたバイタルデータと、を取得する取得部と、
前記取得部が取得した前記体動データに基づいて不穏状態を判定する指標となる体動スコアを算出するとともに、前記取得部が取得した前記バイタルデータに基づいて不穏状態を判定する指標となるバイタルスコアを算出する算出部と、
前記算出部が算出した前記体動スコアと前記バイタルスコアとに基づいて、前記バイタルスコアを算出する際に用いるバイタルモデルの再学習を行うと判定する判定部と、
前記判定部の結果に応じて前記バイタルモデルの再学習を行う再学習部と、
を有する
不穏判定装置。
（付記１３）
付記１２に記載の不穏判定装置であって、
前記判定部は、前記体動スコアが予め定められた条件を満たし、前記バイタルスコアが予め定められた条件を満たさない場合に、再学習を行うと判定する
不穏判定装置。
（付記１４）
付記１２または付記１３に記載の不穏判定装置であって、
前記バイタルデータに対して前記判定部による判定の結果に基づくラベル付けを行うことで教師データを生成するラベル付け部を有し、
前記再学習部は、前記ラベル付け部が生成した教師データを用いた再学習を行うことで前記バイタルモデルの再学習を行う
不穏判定装置。
（付記１５）
付記１４に記載の不穏判定装置であって、
前記ラベル付け部は、前記バイタルデータのうちの一部について教師データを生成する
不穏判定装置。
（付記１６）
付記１４または付記１５に記載の不穏判定装置であって、
前記ラベル付け部は、前記バイタルデータのうちの、対応する前記体動スコアが所定の条件を満たす一部の期間について、教師データを生成する
不穏判定装置。
（付記１７）
コンピュータが、
対象者の身体の動作に応じた体動データと、前記対象者の身体の状態に応じたバイタルデータと、を取得し、
取得した前記体動データに基づいて不穏状態を判定する指標となる体動スコアを算出するとともに、取得した前記バイタルデータに基づいて不穏状態を判定する指標となるバイタルスコアを算出し、
算出した前記体動スコアと前記バイタルスコアとに基づいて、前記バイタルスコアを算出する際に用いるバイタルモデルの再学習を行うと判定し、
判定の結果に応じて前記バイタルモデルの再学習を行う
再学習方法。
（付記１８）
コンピュータに、
対象者の身体の動作に応じた体動データと、前記対象者の身体の状態に応じたバイタルデータと、を取得し、
取得した前記体動データに基づいて不穏状態を判定する指標となる体動スコアを算出するとともに、取得した前記バイタルデータに基づいて不穏状態を判定する指標となるバイタルスコアを算出し、
算出した前記体動スコアと前記バイタルスコアとに基づいて、前記バイタルスコアを算出する際に用いるバイタルモデルの再学習を行うと判定し、
判定の結果に応じて前記バイタルモデルの再学習を行う
処理を実現するためのプログラムを記録した記録媒体。
【0156】
なお、上記各実施形態及び付記において記載したプログラムは、記憶装置に記憶されていたり、コンピュータが読み取り可能な記録媒体に記録されていたりする。例えば、記録媒体は、フレキシブルディスク、光ディスク、光磁気ディスク、及び、半導体メモリ等の可搬性を有する媒体である。
【0157】
以上、上記各実施形態を参照して本願発明を説明したが、本願発明は、上述した実施形態に限定されるものではない。本願発明の構成や詳細には、本願発明の範囲内で当業者が理解しうる様々な変更をすることが出来る。
【符号の説明】
【0158】
１００ モデル学習装置
１１０ 操作入力部
１２０ 画面表示部
１３０ 通信Ｉ／Ｆ部
１４０ 記憶部
１４１ 体動モデル
１４２ センシングデータ
１４３ 体動スコア情報
１４４ バイタルモデル
１４５ プログラム
１５０ 演算処理部
１５１ センシングデータ取得部
１５２ 体動スコア算出部
１５３ 不穏判定部
１５４ ラベル付け部
１５５ バイタルモデル学習部
１５６ 出力部
１５７ 属性情報取得部
２００ 不穏判定システム
３００ センサ装置
３１０ 体動センサ
３２０ バイタルセンサ
３３０ 送受信部
４００ ベッド端末
４１０ 送受信部
４２０ 画面表示部
５００ 不穏判定装置
５１０ 操作入力部
５２０ 画面表示部
５３０ 通信Ｉ／Ｆ部
５４０ 記憶部
５４１ 体動モデル
５４２ バイタルモデル
５４３ センシングデータ
５４４ 体動スコア情報
５４５ バイタルスコア情報
５４６ 結果情報
５４７ プログラム
５４８ 環境情報
５５０ 演算処理部
５５１ センシングデータ取得部
５５２ スコア算出部
５５３ 不穏状態判定部
５５４ 通知部
５５５ ラベル用不穏判定部
５５６ ラベル付け部
５５７ 再学習部
５５８ 属性情報取得部
６００ 教師データ生成装置
６０１ ＣＰＵ
６０２ ＲＯＭ
６０３ ＲＡＭ
６０４ プログラム群
６０５ 記憶装置
６０６ ドライブ装置
６０７ 通信インタフェース
６０８ 入出力インタフェース
６０９ バス
６１０ 記録媒体
６１１ 通信ネットワーク
６２１ 取得部
６２２ 算出部
６２３ 判定部
６２４ ラベル付け部
１１０ 操作入力部
１２０ 画面表示部
１３０ 通信Ｉ／Ｆ部
１４０ 記憶部
１４１ 体動モデル
１４２ センシングデータ
１４３ 体動スコア情報
１４４ バイタルモデル
１４５ プログラム
１５０ 演算処理部
１５１ センシングデータ取得部
１５２ 体動スコア算出部
１５３ 不穏判定部
１５４ ラベル付け部
１５５ バイタルモデル学習部
１５６ 出力部
１５７ 属性情報取得部
２００ 不穏判定システム
３００ センサ装置
３１０ 体動センサ
３２０ バイタルセンサ
３３０ 送受信部
４００ ベッド端末
４１０ 送受信部
４２０ 画面表示部
５００ 不穏判定装置
５１０ 操作入力部
５２０ 画面表示部
５３０ 通信Ｉ／Ｆ部
５４０ 記憶部
５４１ 体動モデル
５４２ バイタルモデル
５４３ センシングデータ
５４４ 体動スコア情報
５４５ バイタルスコア情報
５４６ 結果情報
５４７ プログラム
５４８ 環境情報
５５０ 演算処理部
５５１ センシングデータ取得部
５５２ スコア算出部
５５３ 不穏状態判定部
５５４ 通知部
５５５ ラベル用不穏判定部
５５６ ラベル付け部
５５７ 再学習部
５５８ 属性情報取得部
６００ 教師データ生成装置
６０１ ＣＰＵ
６０２ ＲＯＭ
６０３ ＲＡＭ
６０４ プログラム群
６０５ 記憶装置
６０６ ドライブ装置
６０７ 通信インタフェース
６０８ 入出力インタフェース
６０９ バス
６１０ 記録媒体
６１１ 通信ネットワーク
６２１ 取得部
６２２ 算出部
６２３ 判定部
６２４ ラベル付け部
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
【図12】
【図13】
【図14】
【図15】
【図16】
【図17】
【図18】
【図19】
【図20】
【図21】
【図22】