特表 2023-521416 環境健康監視および予測的評価を可能にする非接触型センサー駆動デバイス、システム、および方法

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公表特許公報(A)

(11)【公表番号】

(43)【公表日】2023-05-24

(54)【発明の名称】環境健康監視および予測的評価を可能にする非接触型センサー駆動デバイス、システム、および方法

(51)【国際特許分類】

   A61B 5/00 20060101AFI20230517BHJP

   A61B 5/01 20060101ALI20230517BHJP

【ＦＩ】

A61B5/00 102A

A61B5/01 350

A61B5/00 M

【審査請求】未請求

【予備審査請求】未請求

(21)【出願番号】P 2022562109

(86)(22)【出願日】2021-04-10

(85)【翻訳文提出日】2022-12-07

(86)【国際出願番号】 US2021026755

(87)【国際公開番号】W WO2021207718

(87)【国際公開日】2021-10-14

(31)【優先権主張番号】63/007,983

(32)【優先日】2020-04-10

(33)【優先権主張国・地域又は機関】US

(31)【優先権主張番号】17/225,313

(32)【優先日】2021-04-08

(33)【優先権主張国・地域又は機関】US

(31)【優先権主張番号】63/119,015

(32)【優先日】2020-11-30

(33)【優先権主張国・地域又は機関】US

(81)【指定国・地域】

(71)【出願人】

【識別番号】522396492

【氏名又は名称】ノーバート・ヘルス・インコーポレイテッド

(74)【代理人】

【識別番号】100108453

【弁理士】

【氏名又は名称】村山 靖彦

(74)【代理人】

【識別番号】100110364

【弁理士】

【氏名又は名称】実広 信哉

(74)【代理人】

【識別番号】100133400

【弁理士】

【氏名又は名称】阿部 達彦

(72)【発明者】

【氏名】アレクサンドル・ジー・ウィンター

(72)【発明者】

【氏名】ジョナサン・プラットケヴィツ

【テーマコード（参考）】

4C117

【Ｆターム（参考）】

4C117XA04

4C117XA05

4C117XB02

4C117XB04

4C117XB12

4C117XE03

4C117XE13

4C117XE15

4C117XE23

4C117XE24

4C117XE26

4C117XE30

4C117XE43

4C117XE48

4C117XE55

4C117XE56

4C117XE57

4C117XH16

4C117XJ03

4C117XJ12

4C117XJ45

4C117XL01

4C117XL13

(57)【要約】

環境監視デバイスが、ハウジングと、ハウジングに結合された非接触型センサーと、ハウジング内に配置された処理デバイスとを含む。処理デバイスは、非接触型センサーに結合される。処理デバイスは、複数の非接触型センサーのうちの1つまたは複数の非接触型センサーから、履歴的なセンサーデータを受信することになる。処理デバイスは、さらに、履歴的なセンサーデータに基づいてベースラインバイタルサインを決定することになる。処理デバイスは、さらに、1つまたは複数の非接触型センサーから、環境監視デバイスに接触せずに環境監視デバイスの閾値の距離内にいるユーザに関連する現在のセンサーデータを受信することになる。処理デバイスは、さらに、現在のセンサーデータに基づいて、ユーザの現在のバイタルサインを決定することになる。現在のバイタルサインがベースラインバイタルサインを満たさないという判定に応じて、処理デバイスは、アラートを提供することになる。

【特許請求の範囲】

【請求項1】

環境監視デバイスであって、
ハウジングと、
前記ハウジングに結合された複数の非接触型センサーと、
前記ハウジング内に配置された処理デバイスであって、前記複数の非接触型センサーに結合される、処理デバイスとを含み、前記処理デバイスが、
前記複数の非接触型センサーのうちの1つまたは複数の非接触型センサーから、履歴的なセンサーデータを受信し、
前記履歴的なセンサーデータに基づいて、ベースラインバイタルサインを決定し、
前記1つまたは複数の非接触型センサーから、環境監視デバイスに接触せずに環境監視デバイスの閾値の距離内にいるユーザに関連する現在のセンサーデータを受信し、
前記現在のセンサーデータに基づいて、前記ユーザの現在のバイタルサインを決定し、
前記現在のバイタルサインが前記ベースラインバイタルサインを満たさないという判定に応じて、アラートを提供することになる、環境監視デバイス。

【請求項2】

前記現在のバイタルサインが、
心拍数、
呼吸数、
体温、
体動、
体位、
周囲の環境におけるユーザの活動、
水分補給、
血圧、または
肌の色調の変化
のうちの1つまたは複数を含む請求項1に記載の環境監視デバイス。

【請求項3】

前記処理デバイスが、前記環境監視デバイスの音声コンポーネント、前記環境監視デバイスのユーザインターフェース、または前記環境監視デバイスから離れたコンピューティングデバイスのうちの1つまたは複数を介して前記アラートを提供することになる請求項1に記載の環境監視デバイス。

【請求項4】

前記複数の非接触型センサーが、
高解像度の可視光カメラ、
赤外線撮像センサー、
モーションレーダー撮像センサー、
マイクロフォンアレイセンサー、
振動センサー、
加速度計センサー、
深度センサー、
周囲温度センサー、または
周囲湿度センサー
のうちの1つまたは複数を含む請求項1に記載の環境監視デバイス。

【請求項5】

前記処理デバイスが、さらに、
前記履歴的なセンサーデータの少なくとも一部分が前記ユーザに対応すると判定し、
前記現在のセンサーデータの少なくとも一部分が前記ユーザに対応すると判定し、
前記現在のセンサーデータの前記少なくとも一部分に関連する前記現在のバイタルサインが前記履歴的なセンサーデータの前記少なくとも一部分に関連する前記ベースラインバイタルサインを満たすかどうかを判定することになる請求項1に記載の環境監視デバイス。

【請求項6】

前記現在のセンサーデータが、第1の非接触型センサーからの第1のサブセットと、第2の非接触型センサーからの第2のサブセットとを含み、前記処理デバイスが、さらに、前記第1のサブセットと前記第2のサブセットとを組み合わせて構造化されたデータを形成することになり、前記現在のバイタルサインが、前記構造化されたデータに基づく請求項1に記載の環境監視デバイス。

【請求項7】

前記処理デバイスが、さらに、
前記履歴的なセンサーデータに基づいて、屋内空間を決定し、
前記現在のセンサーデータに基づいて、前記屋内空間における前記ユーザの動きを決定することになる請求項1に記載の環境監視デバイス。

【請求項8】

前記現在のセンサーデータの第1のサブセットが、短波センサーデータを含み、前記現在のセンサーデータの第2のサブセットが、長波センサーデータを含み、前記処理デバイスが、前記短波センサーデータおよび前記長波センサーデータに基づいて前記ユーザの前記動きを決定することになる請求項7に記載の環境監視デバイス。

【請求項9】

前記処理デバイスが、
前記ユーザの健康状態を示すユーザ入力を受け取り、
前記ユーザ入力に基づいて、前記現在のバイタルサインが前記ベースラインバイタルサインを満たすかどうかを判定することになる請求項1に記載の環境監視デバイス。

【請求項10】

前記処理デバイスが、さらに、前記履歴的なセンサーデータを含むデータ入力を使用して機械学習モデルを訓練して、訓練された機械学習モデルを生成することになり、前記現在のバイタルサインが前記ベースラインバイタルサインを満たさないと判定することが、前記現在のセンサーデータを前記訓練された機械学習モデルに与えることに応じる請求項1に記載の環境監視デバイス。

【請求項11】

前記現在のバイタルサインが前記ベースラインバイタルサインを満たすかどうかを判定するために、前記処理デバイスが、
前記現在のセンサーデータを訓練された機械学習モデルへの入力として提供し、
前記訓練された機械学習モデルから、1つまたは複数の出力を取得し、
前記1つまたは複数の出力に基づいて、前記現在のバイタルサインが前記ベースラインバイタルサインを満たすかどうかを予測することになる請求項1に記載の環境監視デバイス。

【請求項12】

メモリと、
前記メモリに結合された処理デバイスであって、
1つまたは複数の非接触型センサーから、履歴的なセンサーデータを受信し、
前記履歴的なセンサーデータに基づいて、ベースラインバイタルサインを決定し、
前記1つまたは複数の非接触型センサーから、前記1つまたは複数の非接触型センサーに接触せずに前記1つまたは複数の非接触型センサーの閾値の距離内にいるユーザに関連する現在のセンサーデータを受信し、
前記現在のセンサーデータに基づいて、前記ユーザの現在のバイタルサインを決定し、
前記現在のバイタルサインが前記ベースラインバイタルサインを満たさないという判定に応じて、アラートを提供するための、処理デバイスとを含むシステム。

【請求項13】

前記処理デバイスが、さらに、
前記履歴的なセンサーデータの少なくとも一部分が前記ユーザに対応すると判定し、
前記現在のセンサーデータの少なくとも一部分が前記ユーザに対応すると判定し、
前記現在のセンサーデータの前記少なくとも一部分に関連する前記現在のバイタルサインが前記履歴的なセンサーデータの前記少なくとも一部分に関連する前記ベースラインバイタルサインを満たすかどうかを判定することになる請求項12に記載のシステム。

【請求項14】

前記現在のセンサーデータが、第1の非接触型センサーからの第1のサブセットと、第2の非接触型センサーからの第2のサブセットとを含み、前記処理デバイスが、さらに、前記第1のサブセットと前記第2のサブセットとを組み合わせて構造化されたデータを形成することになり、前記現在のバイタルサインが、前記構造化されたデータに基づく請求項12に記載のシステム。

【請求項15】

前記処理デバイスが、さらに、
前記履歴的なセンサーデータに基づいて、屋内空間を決定し、
前記現在のセンサーデータに基づいて、前記屋内空間における前記ユーザの動きを決定することになる請求項12に記載のシステム。

【請求項16】

前記処理デバイスが、
前記ユーザの健康状態を示すユーザ入力を受け取り、
前記ユーザ入力に基づいて、前記現在のバイタルサインが前記ベースラインバイタルサインを満たすかどうかを判定することになる請求項12に記載のシステム。

【請求項17】

処理デバイスによって実行されるときに、前記処理デバイスに、
1つまたは複数の非接触型センサーから、履歴的なセンサーデータを受信する動作と、
前記履歴的なセンサーデータに基づいて、ベースラインバイタルサインを決定する動作と、
前記1つまたは複数の非接触型センサーから、前記1つまたは複数の非接触型センサーに接触せずに前記1つまたは複数の非接触型センサーの閾値の距離内にいるユーザに関連する現在のセンサーデータを受信する動作と、
前記現在のセンサーデータに基づいて、前記ユーザの現在のバイタルサインを決定する動作と、
前記現在のバイタルサインが前記ベースラインバイタルサインを満たさないという判定に応じて、アラートを提供する動作とを含む動作を実行させる命令を記憶した非一時的コンピュータ可読媒体。

【請求項18】

前記動作が、
前記履歴的なセンサーデータの少なくとも一部分が前記ユーザに対応すると判定する動作と、
前記現在のセンサーデータの少なくとも一部分が前記ユーザに対応すると判定する動作と、
前記現在のセンサーデータの前記少なくとも一部分に関連する前記現在のバイタルサインが前記履歴的なセンサーデータの前記少なくとも一部分に関連する前記ベースラインバイタルサインを満たすかどうかを判定する動作とをさらに含む請求項17に記載の非一時的コンピュータ可読媒体。

【請求項19】

前記現在のセンサーデータが、第1の非接触型センサーからの第1のサブセットと、第2の非接触型センサーからの第2のサブセットとを含み、前記動作が、前記第1のサブセットと前記第2のサブセットとを組み合わせて構造化されたデータを形成する動作をさらに含み、前記現在のバイタルサインが、前記構造化されたデータに基づく請求項17に記載の非一時的コンピュータ可読媒体。

【請求項20】

前記動作が、
前記履歴的なセンサーデータに基づいて、屋内空間を決定する動作と、
前記現在のセンサーデータに基づいて、前記屋内空間における前記ユーザの動きを決定する動作とをさらに含む請求項17に記載の非一時的コンピュータ可読媒体。

【発明の詳細な説明】

【技術分野】

【0001】

関連出願
本出願は、2020年4月10日に出願した米国仮出願第63/007,983号、2020年11月30日に出願した米国仮出願第63/119,015号、および2021年4月8日に出願した米国特許出願第17/225,313号の利益を主張するものであり、これらの仮出願および出願の内容全体は、参照により本明細書に組み込まれる。

【背景技術】

【0002】

日常的に我々のライフスタイルおよびルーチンの多くの側面を分析し、理解するためにデータが使用されるが、人の健康を評価することは、依然として主に診療所に行くことを必要とし、健康問題の検出および治療は、ほとんど常に事後的である。

【先行技術文献】

【非特許文献】

【0003】

【非特許文献1】Sandeep RaoによるIntroduction to mmwave Sensing: FMCW Radars(https://training.ti.com/sites/default/files/docs/mmwaveSensing-FMCW-offlineviewing_4.pdf)

【発明の概要】

【課題を解決するための手段】

【0004】

本明細書において説明される例は、下で与えられる詳細な説明および添付の図面からより完全に理解されるが、それらは、本出願を特定の例に限定すると受け取られるべきでなく、説明および理解のためのものであるに過ぎない。

【図面の簡単な説明】

【0005】

【図1】特定の実施形態による例示的なシステムアーキテクチャを示すブロック図である。

【図2】特定の実施形態による環境監視(ambient monitoring)デバイスのブロック図である。

【図3A】特定の実施形態による環境監視デバイスを示す図である。

【図3B】特定の実施形態による環境監視デバイスを示す図である。

【図4】特定の実施形態による環境監視デバイスのブロック図である。

【図5】特定の実施形態による環境監視デバイスに関連する流れ図である。

【図6A】特定の実施形態による、モデルのためのデータセットを作成するための例示的なデータセットジェネレータの図である。

【図6B】特定の実施形態による、予測データの決定を示すブロック図である。

【図7A】特定の実施形態による、予測データを生成することに関連する方法の流れ図である。

【図7B】特定の実施形態による、予測データを生成することに関連する方法の流れ図である。

【図7C】特定の実施形態による、予測データを生成することに関連する方法の流れ図である。

【図8】特定の実施形態によるコンピュータシステムを示すブロック図である。

【発明を実施するための形態】

【0006】

本明細書において説明される実施形態は、(たとえば、環境健康監視、予測的評価、動脈スティフネス(arterial stiffness)の評価などを可能にする)非接触型センサー駆動デバイス、システム、および方法に関する。

【0007】

通常、ユーザの健康を評価することは、医療施設において行われ(たとえば、診療所に行く)、健康の評価は、事後的である。

【0008】

健康管理以外の状況において人の健康状態または活動を監視するための通常のソリューションは、概して、ウェアラブルデバイスまたは接触が可能なデバイスを含む。残念なことに、ほんのいくつか例を挙げると、デバイスの付け忘れ、ウェアラブルデバイスの充電の必要、および信頼性の高いセンサーテクノロジーを組み込むことの難しさなど、これらのソリューションに関連する制約が存在する。ウェアラブルでないソリューションも市場に存在するが、多くは侵入的(intrusive)であり(たとえば、特に、監視される空間全体に複数のカメラが配置されることを必要とする)、それらの監視レンジに制限があり、健康事象の効果的な先制的監視を提供することができない。

【0009】

したがって、健康事象が進行するかまたは一斉に発生する前にそれらの健康事象を検出し、予測し、対処するために、健康管理以外の状況における人の予防的監視に焦点を当てた改善されたソリューションのニーズが存在する。

【0010】

血圧は、心血管系の健康の評価におけるよく知られた指標である。血圧は患者の定期検診中に測定されることが多いが、心血管系の有害事象の可能性をよりうまく評価するためには、動脈スティフネスの測定を相互に関連付ける血圧の定期的および周期的な測定が望ましい。

【0011】

脈波伝播速度(PWV)を使用すると、動脈スティフネスの信頼できる尺度が決定され得る。PWVは、脈が血管内およびひいては循環系の残りの部分を移動する速度(すなわち、脈波の伝播の速度)である。PWVは、血管系の2点間--たとえば、大腿動脈および頸動脈(jugular artery)で、または代替的に手首および頸動脈で脈波を測定することによって決定される。PWVを測定するためには、2カ所で検出した脈波に基づいて位相および距離が決定される必要がある。位相は、2カ所で検出された脈波の間の時間差を表し、一方、距離は、心臓からの2カ所の距離の間の差を表す。決定されると、脈波または血液が動脈を循環する速度をもたらすために、距離が位相で割られる。健康な大人の場合、典型的な値は、約6.5m/sである。

【0012】

PWVは動脈スティフネスの効果的な評価を提供するが、PWVを実施するための通常のソリューションは、煩雑である(たとえば、脈波の2点間の微小な時間差の正確な測定を可能にするために患者に接続された複数のデバイスを必要とする)。

【0013】

したがって、PWVを使用して動脈スティフネスを定期的に、侵襲的なデバイスを必要とせずに評価するための改善されたソリューションのニーズも存在する。

【0014】

一部の実施形態において、環境監視デバイス(AMD)は、健康管理以外の状況(たとえば、自宅またはオフィス)における展開に適している。AMDは、非接触型センサーを含み、1人または複数のユーザのバイタルサインおよび活動を測定するように構成される。低レベルのセンサー、分析アルゴリズム、ならびにAMDのより大きな集団から集められたセンサーデータのプールに基づく予測および診断機能を含む、デバイス、システム、および方法の様々な実施形態が開示される。

【0015】

本明細書において開示されるデバイス、システム、および方法は、(たとえば、環境健康監視、予測的評価、動脈スティフネスの評価などを可能にする)非接触型センサー駆動デバイス、システム、および方法を提供する。一部の実施形態において、本開示は、非接触型センサーを使用して人の健全性(well-being)に関連する検出された事象を監視し、それに応答する。一部の実施形態において、本開示は、概して、心血管系の健康を評価することに関し、1つまたは複数の非接触型センサーを使用して動脈スティフネスを評価する非侵襲的なデバイス、システム、および方法を含む可能性がある。一部の実施形態において、本開示は、PWVを計算し、ひいては動脈スティフネスの評価をもたらすために脈波を測定するための改善されたデバイス、システム、および方法を提供することによって既存のソリューションの欠点に対処する。

【0016】

一部の実施形態においては、複数の非接触型センサーを含む環境監視デバイス(たとえば、監視デバイス)が、(たとえば、バイタルサインを測定し、人の、その周囲の環境における活動を評価するために)提供される。(たとえば、非接触型センサーを使用する)環境監視デバイスは、人の様々なバイタルサイン、動き、認識されたルーチン、および活動に関連して、検出、測定、監視を行い、適切な場合、アラートを提供するように構成されてよい。これは、心拍数(HRVを含む)、呼吸数(BRVを含む)、体温、睡眠の質、(検出されたまたは切迫していると判定された)転倒、PWV、および様々な活動/ルーチンを含む場合があるがこれらに限定されない。非接触型センサーによって収集されたデータは、本明細書において説明されるように、様々なアルゴリズム的プロセスによって処理される場合がある。これらのアルゴリズム的プロセスは、環境監視デバイス上で直接実行されるか、環境監視デバイスから離れて実行されるか、またはその両方を組み合わせて実行される場合がある。

【0017】

PWVを計算する文脈において、1つまたは複数のセンサーが、対象者の近接を判定し、対象者における検出された脈波の位相差を測定し、対象者における脈波の取得の間の距離を測定するために展開されてよい。センサーによって収集されたデータは、PWVの測定に適した様々なアルゴリズム的プロセスによって処理される場合がある。これらのアルゴリズム的プロセスは、監視デバイス上で直接実行されるか、監視デバイスから離れて実行されるか、または場合によってはその両方を組み合わせて実行される場合がある。さらに、上述のセンサーは、監視環境に応じて、単一の監視デバイスユニットに統合されるか、集中型の監視デバイスに結合されるか、またはそれらが任意に適切に組み合わされる場合がある。

【0018】

環境監視デバイスは、健康監視システム全体の一部として統合される場合があり、それによって、システムは、環境監視デバイスと、監視/通知アプリケーション(たとえば、介護者アプリケーション)を用いて構成された様々な人(たとえば、患者、健康管理提供者、家族など)に関連する複数のモバイルデバイスと、1つまたは複数のサーバと、1つまたは複数のデータベースと、本開示の健康監視システムを可能にするために通信可能なように結合された1つまたは複数の二次的システムとから構成される場合がある。

【0019】

環境監視デバイスは、ハウジングと、ハウジングに結合された非接触型センサーと、ハウジング内に配置された処理デバイスとを含む。一部の実施形態において、ハウジングは、実質的に水平な表面(たとえば、床、テーブル、カウンターなど)に置かれるように構成される。一部の実施形態において、ハウジングは、実質的に水平な表面(たとえば、天井、床、テーブル、カウンターなど)に固定されるように構成される。一部の実施形態において、ハウジングは、実質的に垂直な表面(たとえば、壁)に取り付けられるように構成される。

【0020】

非接触型センサーは、ユーザが非接触型センサーに接触することなく(たとえば、およびユーザが環境監視デバイスに接触することなく)、非接触型センサーから閾値の距離にいるユーザに関連するセンサーデータを提供する場合がある。

【0021】

一部の実施形態においては、1つまたは複数の非接触型センサーが、ハウジングによって形成された内部容積内に配置される。一部の実施形態においては、1つまたは複数の非接触型センサーが、ハウジングの表面(たとえば、内面、外面など)に取り付けられる。一部の実施形態においては、1つまたは複数の非接触型センサーが、ハウジングから離れており、ハウジング内に配置された処理デバイスと通信する。

【0022】

処理デバイスは、環境監視デバイスの1つまたは複数の非接触型センサーから、履歴的なセンサーデータを受信し、履歴的なセンサーデータに基づいて、ベースライン(baseline)バイタルサインを決定する。処理デバイスは、環境監視デバイスの非接触型センサーから、(たとえば、環境監視デバイスに接触せずに環境監視デバイスの閾値の距離内にいる)ユーザに関連する現在のセンサーデータを受信し、現在のセンサーデータに基づいて、ユーザの現在のバイタルサインを決定する。現在のバイタルサインがベースラインバイタルサインを満たさないという判定に応じて、処理デバイスは、アラートを提供する。

【0023】

本開示のデバイス、システム、および方法は、通常のソリューションに優る利点を有する。本開示は、健康状態を判定するために医療施設を訪れる通常のソリューションと比較して、医療施設ではない場所(たとえば、自宅、オフィス、店舗、レストランなど)において健康状態を判定するために使用され得る。本開示は、事後的である通常のソリューションと比較して、健康状態を予測および予防するために使用され得る。本開示は、ユーザが付け忘れ、ユーザが充電し忘れ、通常のウェアラブルデバイスのコンポーネントの組み込みに限定される通常のウェアラブルソリューションと比較して、非接触であることが可能である。本開示は、設置がより難しい、特に屋内空間全体に配置された複数のカメラの侵入的な通常のソリューションと比較して設置が容易である単一の非侵入的なデバイスである可能性がある。本開示は、経時的にユーザに接続された複数のデバイスを含む侵襲的な通常のソリューションと比較して、非侵襲的である。

【0024】

本開示の一部の実施形態は、ハウジング内に配置されおよび/またはハウジングに結合された非接触型センサーおよび処理デバイスを含む環境監視デバイスに言及するが、一部の実施形態において、環境監視デバイスの1つまたは複数のコンポーネントは、ハウジングから離れて配置されてよい。

【0025】

図1は、特定の実施形態によるシステム100の例示的なシステムアーキテクチャを示すブロック図である。システム100は、クライアントデバイス106、環境監視デバイス120、センサー122、予測サーバ112、およびデータストア140を含む。予測サーバ112は、予測システム110の一部であってよい。予測システム110は、サーバマシン170および180をさらに含んでよい。

【0026】

環境監視デバイス120は、ハウジングと、ハウジング内に配置された処理デバイス(たとえば、コントローラ、図8の処理デバイス802)とを含む。環境監視デバイス120は、(たとえば、処理デバイスによって実行される)環境監視コンポーネント108を含んでよい。

【0027】

一部の実施形態において、クライアントデバイス106は、パーソナルコンピュータ(PC)、デスクトップコンピュータ、ラップトップ、モバイル電話、スマートフォン、タブレットコンピュータ、ネットブックコンピュータなどのコンピューティングデバイスを含む。クライアントデバイス106は、ハウジングと、ハウジング内に配置された処理デバイス(たとえば、コントローラ、図8の処理デバイス802)とを含む。クライアントデバイス106は、(たとえば、処理デバイスによって実行される)環境監視コンポーネント108を含んでよい。

【0028】

環境監視コンポーネント108は、ユーザ入力を受け取る場合がある。ユーザ入力は、環境監視デバイス120またはクライアントデバイス106のユーザインターフェース(たとえば、グラフィカルユーザインターフェース(GUI)、ボタン、ノブなど)を介して受け取られる場合がある。一部の実施形態において、環境監視コンポーネント108は、データ(たとえば、センサーデータ150、バイタルサイン160、ユーザ情報166など)を予測システム110に送信し、予測システム110から出力(たとえば、予測データ168)を受信し、出力に基づいて是正措置(たとえば、アラート169)を決定し、是正措置を実施させる(たとえば、アラート169を提供する)。クライアントデバイス106および環境監視デバイス120は、ユーザがデータを生成すること、表示すること、または編集することのうちの1つまたは複数を可能にするオペレーティングシステムを含んでよい。

【0029】

センサー122は、非接触型センサーであってよい。センサー122は、環境監視デバイス120および/またはクライアントデバイス106に結合されてよい(たとえば、そのハウジングに配置されてよく、そのハウジングに結合されてよい)。1つまたは複数のセンサー122は、環境監視デバイス120および/またはクライアントデバイス106から離れていてよい。センサー122は、高解像度可視光カメラ、赤外線撮像センサー、モーションレーダー(motion radar)撮像センサー、マイクロフォンアレイセンサー、振動センサー、加速度計センサー、深度センサー、周囲温度センサー、または周囲湿度センサーのうちの1つまたは複数を含んでよい。センサー122は、センサーデータ150を提供してよい。

【0030】

環境監視コンポーネント108および/または予測コンポーネント114は、センサーデータ150に基づいて1つまたは複数のバイタルサイン160を決定してよい。環境監視コンポーネント108および/または予測コンポーネント114は、バイタルサイン160を決定するために(たとえば、構造化されたデータを形成するために)1つまたは複数のセンサー122からのセンサーデータ150を組み合わせる場合がある。環境監視コンポーネント108および/または予測コンポーネント114は、センサーデータ150およびユーザ情報166に基づいてバイタルサイン160を決定する場合がある。

【0031】

クライアントデバイス106、環境監視デバイス120、センサー122、予測サーバ112、データストア140、サーバマシン170、およびサーバマシン180は、是正措置を実行するための予測データ168を決定するためにネットワーク130を介して互いに結合されてよい。一部の実施形態において、ネットワーク130は、クライアントデバイス106および/または環境監視デバイス120に、予測サーバ112、データストア140、およびその他の公に利用可能なコンピューティングデバイスへのアクセスを提供するパブリックネットワークである。一部の実施形態において、ネットワーク130は、データストア140およびその他の私的に利用可能なコンピューティングデバイスへのアクセスを提供し、クライアントデバイス106および/または環境監視デバイス120に予測サーバ112、データストア140、およびその他の私的に利用可能なコンピューティングデバイスへのアクセスを提供するプライベートネットワークである。ネットワーク130は、1つまたは複数の広域ネットワーク(WAN)、ローカルエリアネットワーク(LAN)、有線ネットワーク(たとえば、イーサネットネットワーク)、ワイヤレスネットワーク(たとえば、802.11ネットワークもしくはWi-Fiネットワーク)、セルラネットワーク(たとえば、ロングタームエボリューション(LTE)ネットワーク)、ルータ、ハブ、スイッチ、サーバコンピュータ、クラウドコンピューティングネットワーク、および/またはこれらの組合せを含んでよい。

【0032】

予測サーバ112、サーバマシン170、およびサーバマシン180は、それぞれ、ラックマウントサーバ、ルータコンピュータ、サーバコンピュータ、PC、メインフレームコンピュータ、ラップトップコンピュータ、タブレットコンピュータ、デスクトップコンピュータ、グラフィックス処理ユニット(GPU)、アクセラレータ特定用途向け集積回路(ASIC)(たとえば、テンソル処理ユニット(TPU: tensor processing unit))などの1つまたは複数のコンピューティングデバイスを含んでよい。

【0033】

予測サーバ112は、予測コンポーネント114を含んでよい。一部の実施形態において、予測コンポーネント114は、データストアから現在のデータ(たとえば、現在のセンサーデータ154など)を取り出し、是正措置を実行する(たとえば、アラートを提供する)ための出力(たとえば、予測データ168)を生成してよい。一部の実施形態において、予測コンポーネント114は、モデル190(たとえば、多項式フィッティング、経験的モデル、訓練された機械学習モデルなど)を使用して、是正措置を実行するための出力を決定してよい。モデル190は、主要なパラメータを学習するために、履歴的なデータ(たとえば、履歴的なセンサーデータ152、ベースラインバイタルサイン162など)を使用して訓練されてよい。一部の実施形態において、予測コンポーネント114は、現在のデータ(たとえば、現在のセンサーデータ154など)を訓練されたモデル190に提供し、訓練されたモデル190から出力を取得し、出力に基づいて予測データ168を決定することによって、是正措置を実行するための予測データ168を決定する。

【0034】

データストア140は、メモリ(たとえば、ランダムアクセスメモリ)、ドライブ(たとえば、ハードドライブ、フラッシュドライブ)、データベースシステム、またはデータを記憶することができる別の種類のコンポーネントもしくはデバイスであってよい。データストア140は、複数のコンピューティングデバイス(たとえば、複数のサーバコンピュータ)に広がる可能性がある複数のストレージコンポーネント(たとえば、複数のドライブまたは複数のデータベース)を含む場合がある。データストア140は、センサーデータ150、バイタルサイン160、ユーザ情報166、予測データ168、アラート169などを記憶する場合がある。センサーデータ150は、履歴的なセンサーデータ152および現在のセンサーデータ154を含んでよい。バイタルサイン160は、ベースラインバイタルサイン162および現在のバイタルサイン164を含んでよい。履歴的なデータは、モデル190を訓練するために使用されるデータ(たとえば、履歴的なセンサーデータ152、ベースラインバイタルサイン162など)である場合がある。現在のデータは、予測データ168を生成するために使用される、および/またはモデル190を再訓練するために使用されるデータ(たとえば、現在のセンサーデータ154、現在のバイタルサイン164など)である場合がある。

【0035】

センサーデータ150、バイタルサイン160、ユーザ情報166、予測データ168、および/またはアラート169の各インスタンス(たとえば、セット)は、それぞれのユーザおよび/または時間の対応する期間に対応する場合がある。

【0036】

センサーデータ150は、1つまたは複数のセンサー122からのデータ(たとえば、データの組合せ、処理されたデータなど)であってよい。センサーデータ150は、画像、可視光データ、赤外線データ、モーションレーダーデータ、マイクロフォンデータ、振動データ、加速度計データ、深度データ、周囲温度データ、周囲湿度データなどのうちの1つまたは複数を含んでよい。センサーデータ150は、1人または複数のユーザ(たとえば、センサー122の閾値の距離内の人)に関連付けられる場合がある。センサーデータ150の異なるセットは、対応するユーザ識別子に関連付けられる場合がある(たとえば、センサーデータ150の第1のセットが、第1のユーザに関連付けられ、センサーデータ150の第2のセットが、第2のユーザに関連付けられる)。

【0037】

バイタルサイン160は、センサーデータ150および/またはユーザ情報166から部分的に導出される場合がある。バイタルサイン160は、ユーザの健康状態(たとえば、現在の健康状態、将来の健康状態、予測健康状態など)を示す場合がある。バイタルサイン160は、心拍数、呼吸数、体温、体動(body movement)、体位、周囲の環境におけるユーザの活動、水分補給(hydration)、血圧、および/または皮膚の色調の変化のうちの1つまたは複数を含んでよい。一部の実施形態において、ベースラインバイタルサイン162は、複数の人からのセンサーデータ150に基づく。一部の実施形態において、ベースラインバイタルサイン162および現在のバイタルサイン164は、1人のユーザに固有である。一部の実施形態において、ベースラインバイタルサイン162は、バイタルサインデータの閾値のレンジ(たとえば、体温の許容可能なレンジ、心拍数の許容可能なレンジなど)を含む。

【0038】

ユーザ情報166は、クライアントデバイス106および/または環境監視デバイス120を介したユーザ入力を介して受け取られる場合がある。ユーザ情報は、ユーザの健康状態を示す場合がある。

【0039】

予測データ168は、現在のセンサーデータ154に基づいて予測コンポーネント114によって生成されてよい。予測データ168は、現在のセンサーデータ154に基づく現在のバイタルサイン164の予測であってよい。

【0040】

アラート169は、予測データ168および/または現在のバイタルサイン164に基づいて環境監視コンポーネント108によって生成されてよい。アラート169は、環境監視デバイス120および/またはクライアントデバイス106(たとえば、アラート169に関連付けられたユーザのクライアントデバイス106、アラート169に関連付けられたユーザから離れたユーザのクライアントデバイス106、アラート169に関連付けられたユーザの健康管理提供者のクライアントデバイスなど)を介して提供されてよい。アラート169は、ベースラインバイタルサイン162を満たさない(たとえば、ベースラインバイタルサイン162の閾値内にない)現在のバイタルサイン164を示す場合がある。アラート169は、ベースラインバイタルサイン162を満たさない可能性がある(たとえば、ベースラインバイタルサイン162の閾値内にない)予測バイタルサインを示す場合がある。アラート169は、不良な健康状態または不良な予測健康状態を示す場合がある。

【0041】

一部の実施形態において、クライアントデバイス106および/または環境監視デバイス120は、データストア140に履歴的なデータおよび/または現在のデータを記憶してよく、予測サーバ112は、データストア140から履歴的なデータおよび/または現在のデータを取り出してよい。一部の実施形態において、予測サーバ112は、訓練されたモデル190の出力(たとえば、予測データ168)をデータストア140に記憶してよく、クライアントデバイス106および/または環境監視デバイス120は、データストア140から出力を取り出してよい。

【0042】

一部の実施形態において、予測システム110は、サーバマシン170およびサーバマシン180をさらに含む。サーバマシン170は、モデル190を訓練、検証、および/または試験するためのデータセット(たとえば、データ入力のセット、データ入力のセットおよび目標出力のセット)を生成することができるデータセットジェネレータ172を含む。データセットジェネレータ172のいくつかの動作は、図6Aおよび図7Aに関連して下で詳細に説明される。一部の実施形態において、データセットジェネレータ172は、履歴的なデータを、訓練セット(たとえば、履歴的なデータの60パーセント)、検証セット(たとえば、履歴的なデータの20パーセント)、および試験セット(たとえば、履歴的なデータの20パーセント)に分割する場合がある。一部の実施形態において、予測システム110は、(たとえば、予測コンポーネント114を介して)(たとえば、センサーデータ150の組合せなどに基づいて)特徴の複数のセットを生成する。

【0043】

サーバマシン180は、訓練エンジン182、検証エンジン184、選択エンジン、および/または試験エンジン186を含む。エンジン(たとえば、訓練エンジン182、検証エンジン184、選択エンジン185、および試験エンジン186)は、ハードウェア(たとえば、回路、専用論理、プログラマブル論理、マイクロコード、処理デバイスなど)、(処理デバイス、汎用コンピュータシステム、もしくは専用マシン上で実行される命令などの)ソフトウェア、ファームウェア、マイクロコード、またはそれらの組合せを指す場合がある。訓練エンジン182は、データセットジェネレータ172からの訓練セットに関連する特徴の1つまたは複数のセットを使用してモデル190を訓練することが可能であってよい。訓練エンジン182は、複数の訓練されたモデル190を生成してよく、それぞれの訓練されたモデル190は、訓練セットの特徴の異なるセット(たとえば、センサーの異なるセットからのセンサーデータ)に対応する。たとえば、第1の訓練されたモデルは、すべての特徴(たとえば、X1～X5)を使用して訓練された可能性があり、第2の訓練されたモデルは、特徴の第1のサブセット(たとえば、X1、X2、X4)を使用して訓練された可能性があり、第3の訓練されたモデルは、特徴の第1のサブセットと一部重複する場合がある特徴の第2のサブセット(たとえば、X1、X3、X4、およびX5)を使用して訓練された可能性がある。

【0044】

検証エンジン184は、データセットジェネレータ172からの検証セットの特徴の対応するセットを使用して、訓練されたモデル190を検証することが可能であってよい。たとえば、訓練セットの特徴の第1のセットを使用して訓練された第1の訓練されたモデル190は、検証セットの特徴の第1のセットを使用して検証される場合がある。検証エンジン184は、検証セットの特徴の対応するセットに基づいて、訓練されたモデル190の各々の精度を判定してよい。検証エンジン184は、閾値の精度を満たさない精度を有する訓練されたモデル190を破棄する場合がある。一部の実施形態において、選択エンジン185は、閾値の精度を満たす精度を有する1つまたは複数の訓練されたモデル190を選択することが可能であってよい。一部の実施形態において、選択エンジン185は、訓練されたモデル190のうち最も高い精度を有する訓練されたモデル190を選択することが可能であってよい。

【0045】

試験エンジン186は、データセットジェネレータ172からの試験セットの特徴の対応するセットを使用して、訓練されたモデル190を試験することが可能であってよい。たとえば、訓練セットの特徴の第1のセットを使用して訓練された第1の訓練されたモデル190は、試験セットの特徴の第1のセットを使用して試験される場合がある。試験エンジン186は、試験セットに基づいて、訓練されたモデルのすべてのうち最も高い精度を有する訓練されたモデル190を決定してよい。

【0046】

モデル190は、データ入力と、一部の実施形態においては、対応する目標出力(それぞれの訓練入力に関する正しい答え)とを含む訓練セットを使用して訓練エンジン182によって生じるモデルアーティファクト(model artifact)を指す場合がある。データ入力をクラスタリングする、および/またはデータ入力を目標出力(正しい答え)にマッピングするデータセット内のパターンが、見つけられることが可能であり、モデル190は、これらのパターンを捕捉するマッピングを与えられる。モデル190は、機械学習モデル、多項式フィッティング、経験的モデル、教師なし機械学習モデル、教師あり機械学習モデル、線形回帰、ランダムフォレスト、ニューラルネットワーク(たとえば、人工ニューラルネットワーク)などのうちの1つまたは複数を使用してよい。

【0047】

予測コンポーネント114は、現在のデータ(たとえば、現在のセンサーデータ154および現在のバイタルサイン164)を訓練されたモデル190に提供してよく、訓練されたモデル190を入力に対して実行して1つまたは複数の出力を取得してよい。予測コンポーネント114は、訓練されたモデル190の出力から予測データ168を決定する(たとえば、抽出する)ことが可能であってよく、予測データ168が現在のセンサーデータ154に対応する(たとえば、予測データ168がユーザの現在のバイタルサイン164に一致する)信頼度のレベルを示す出力から信頼度データを決定(たとえば、抽出)してよい。予測コンポーネント114または環境監視コンポーネント108は、信頼度データを使用して、予測データ168に基づいて是正措置を引き起こす(たとえば、アラートを提供する)べきかどうかを判断してよい。

【0048】

信頼度データは、予測データ168が現在のバイタルサイン164に対応する信頼度のレベルを含むかまたは示す場合がある。一例において、信頼度のレベルは、0および1を含んで0から1までの間の実数であり、0は、予測データ168が現在のバイタルサイン164に対応する信頼性が全くないことを示し、1は、予測データ168が現在のバイタルサイン164に対応する絶対的な信頼性を示す。一部の実施形態において、システム100は、よくあるように現在のバイタルサイン164を決定する代わりに、予測システム110を使用して予測データ168を決定するなどしてよい。一部の実施形態においては、閾値のレベル未満である信頼度のレベルを示す信頼度データに応じて、システム100は、(たとえば、環境監視コンポーネント108および/またはクライアントデバイス106を介して、ユーザ入力を介して、など)現在のバイタルサイン164を決定してよい。所定の数のインスタンス(たとえば、インスタンスの割合、インスタンスの頻度、インスタンスの総数など)に関して閾値のレベル未満の信頼度のレベルを示す信頼度データに応じて、予測コンポーネント114は、(たとえば、現在のデータ164などに基づいて)訓練されたモデル190を再訓練させてよい。

【0049】

限定ではなく説明を目的として、本開示の態様は、履歴的なデータを使用するモデルの訓練と、予測データ168を決定するために現在のデータ164を訓練されたモデルに入力することとを説明する。その他の実装においては、ヒューリスティックモデルまたはルールベースモデルが、(たとえば、訓練されたモデルを使用せずに)予測データ168を決定するために使用される。予測コンポーネント114は、履歴的なデータを監視してよい。図6Aのデータ入力601に関連して説明される情報のいずれも、ヒューリスティックまたはルールベースモデルにおいて監視されるかまたはそれ以外の方法で使用される場合がある。

【0050】

一部の実施形態において、クライアントデバイス106、環境監視デバイス120、予測サーバ112、サーバマシン170、およびサーバマシン180の機能は、より少ない数のマシンによって提供される場合がある。たとえば、一部の実施形態においては、サーバマシン170および180が、単一のマシンに統合される場合があり、一方、一部のその他の実施形態においては、サーバマシン170、サーバマシン180、および予測サーバ112が、単一のマシンに統合される場合がある。一部の実施形態においては、クライアントデバイス106、環境監視デバイス120、および/または予測サーバ112のうちの2つ以上が、単一のマシンに統合される場合がある。

【0051】

概して、1つ実施形態においてクライアントデバイス106、環境監視デバイス120、予測サーバ112、サーバマシン170、およびサーバマシン180によって実行されるものとして説明される機能は、適切な場合、その他の実施形態においては予測サーバ112上で実行されることも可能である。加えて、特定のコンポーネントに帰せられる機能が、一緒に動作する異なるまたは複数のコンポーネントによって実行されることが可能である。たとえば、一部の実施形態においては、予測サーバ112が、予測データに基づいて是正処置(たとえば、アラート169)を決定してよい。別の例においては、クライアントデバイス106および/または環境監視デバイス120が、訓練されたモデルからの出力に基づいて予測データ168を決定してよい。

【0052】

加えて、特定のコンポーネントの機能が、一緒に動作する異なるまたは複数のコンポーネントによって実行されることが可能である。予測サーバ112、サーバマシン170、またはサーバマシン180のうちの1つまたは複数は、適切なアプリケーションプログラミングインターフェース(API)を通じてその他のシステムまたはデバイスに提供されるサービスとしてアクセスされる場合がある。

【0053】

実施形態において、「ユーザ」は、1人の人として表される場合がある。しかし、本開示のその他の実施形態は、「ユーザ」が複数のユーザによって制御されるエンティティおよび/または自動化されたソースであることを包含する。たとえば、管理者のグループとして連合させられた個人ユーザのセットが、「ユーザ」とみなされる場合がある。

【0054】

本開示の実施形態は、ユーザに関連する是正措置を実行する(たとえば、アラート169を提供する)ための予測データ168を生成する観点で検討されるが、実施形態は、アクションを実行するためのデータを予測することに一般的に適用されてもよい。たとえば、将来のアクションを予測するためにデータが収集される場合がある。

【0055】

図2は、特定の実施形態による環境監視デバイス120のブロック図である。

【0056】

環境監視デバイス120は、センサー122、入力/出力コンポーネント220、処理コンポーネント230、接続コンポーネント240、電力コンポーネント250、および/またはデバッグコンポーネント260のうちの1つまたは複数を含む。

【0057】

センサー122は、非接触型センサーであってよい(たとえば、ユーザがセンサーおよび/または環境監視デバイス120に接触することなく、閾値の距離内のユーザのセンサーデータを決定してよい)。センサー122は、短波レーダーセンサー(shorter wave radar sensor)210、長波レーダーセンサー(longer wave radar sensor)212、撮像センサー214(たとえば、低解像度イメージセンサー)、赤外線(IR)センサー216、音声センサー218(マイクロフォンアレイセンサー)などのうちの1つまたは複数を含んでよい。

【0058】

短波レーダーセンサー210は、ミリ波(mmWave)レーダー集積回路(IC)の1つまたは複数であってよく、パッケージ内にアンテナを有していてよく、心拍数を決定するために使用されてよく、呼吸数を決定するために使用されてよく、近距離であり、約60ギガヘルツ(GHz)であり、および/または前方を向いていてよい。

【0059】

長波レーダーセンサー212は、センチ波(cmWave)レーダーIC、点群(3次元(3D))長距離(point cloud (three dimensional (3D)) long range)、向き検出、転倒検出、活動検出、複数人検出、生データ出力利用可能、180度または360度などのうちの1つまたは複数であってよい。長波レーダーセンサー212は、送信機(Tx)および受信機(Rx)、6から10GHz、前方アレイ(forward array)、および/または後方アレイ(rear array)のうちの1つまたは複数を含むアンテナアレイを含んでよい。

【0060】

撮像センサー214は、顔および/もしくは人検出、温度検出のうちの1つもしくは複数を含む場合があり、ならびに/または(たとえば、短波レーダーセンサー210および/もしくは長波レーダーセンサー212からの)レーダーデータに相関する場合がある。

【0061】

赤外線センサー216は、(たとえば、周囲アレイ(ambient array)、ユーザなどの)温度プロファイルを提供する場合があり、および/または放射測定式(radiometric)である場合がある。

【0062】

音声センサー218は、マイクロフォンアレイである、ユーザとコミュニケーションを取る、高品質である、および/または中長距離であるうちの1つまたは複数の可能性がある。

【0063】

入力/出力コンポーネント220は、スピーカ222(たとえば、音声コンポーネント)、発光ダイオード224(LED)、ユーザインターフェース226(たとえば、汎用入力/出力インターフェース、ユーザ入力インターフェース)などのうちの1つまたは複数を含んでよい。スピーカ222は、2から4ワットである、D級アンプである、長中距離である、および/または音量調節を有するのうちの1つまたは複数の可能性がある。LED 224は、ユーザに視覚的なインジケーションを提供する、および/または赤緑青(RGB)ライトパイプ(light pipe)であるのうちの1つまたは複数の可能性がある。ユーザインターフェース226は、電源オン/オフインターフェース、デバイスリセットインターフェース、および/または押しボタンインターフェースのうちの1つまたは複数であってよい。

【0064】

処理コンポーネント230は、処理デバイス232(たとえば、アプリケーションプロセッサ、図8の処理デバイス802)および/またはメモリ234を含んでよい。処理デバイス232は、Linux（登録商標）、CPU、GPU、デジタル信号プロセッサ(DSP)、および/または人工知能エンジン(たとえば、図1のモデル190)のうちの1つまたは複数であってよい。一部の実施形態において、メモリ234は、DDRである。

【0065】

接続コンポーネント240は、ワイヤレスモジュール242および/またはセルラモジュール244を含んでよい。ワイヤレスモジュール242は、WiFi、BLE、および/またはSublGhzのうちの1つまたは複数を含んでよい。ワイヤレスモジュール242は、802.11 a/g/c/n、APモードのうちの1つまたは複数を提供する、ハブとして働くなどする場合がある。セルラモジュール244は、LTEモジュール、全二重、VoLTE、3G/2Gフォールバック、および/またはグローバルカバレッジのうちの1つまたは複数であってよい。接続コンポーネント240は、MIMO 2.4GHzアンテナ、サブ1GHzアンテナ、広帯域アンテナ、ダイバーシティアンテナ、SIM、eSIMなどのうちの1つまたは複数をさらに含んでよい。

【0066】

電力コンポーネント250は、電源252を含んでよい。電源252は、外部、低ノイズ、USB-Cまたはバレルジャック(barrel jack)、5ボルト(V)、12V、24V、医療用またはITE、充電式バッテリ、交換式バッテリ、外部電源への配線などのうちの1つまたは複数であってよい。

【0067】

デバッグコンポーネント260は、通信ポート262を含んでよい。通信ポートは、機能試験を提供する、ファームウェアのアップグレードを提供する、デバッグのために使用されるなどする場合がある。

【0068】

複数のセンサー122が、環境監視デバイス120内に展開されてよい。一部の実施形態において、センサー122は、720pの最小解像度および30fps(好ましくは60fps)のフレームレートを有する高解像度可視光カメラを含む。一部の実施形態において、センサー122は、32ピクセルから128ピクセル幅の最小解像度を有し、さらに放射測定式および正規化センシング(normalized sensing)が可能な赤外線撮像センサー(LWIR)を含む。一部の実施形態において、センサー122は、近距離でFMWまたはインパルスレーダーテクノロジーを使用する1つまたは複数の3Dおよびモーションレーダー撮像センサーを含む。第1のレーダーセンサーは、高解像度の画像を提供するために60GHz～100GHz帯で機能するように構成されてよいが、壁または家具などの典型的な家庭の障害物/障壁を透過するのには適していない(「ミリ(mm)波」レーダー--本明細書においては「mmWave」とも呼ばれる)。第2のレーダーセンサーは、6～10GHz帯で機能するように構成されてよく、約10mのレンジでほとんどの家庭の障害物/障壁を透過するのに適している(「センチ(cm)波」レーダー--本明細書においては「cmWave」とも呼ばれる)。両方のレーダー撮像センサーとも、生のFMCWまたは飛行時間(time of flight)データおよび戻り位相(return phase)を出力する。両方のレーダー撮像センサーとも、すべてのFMCWまたはパルスレーダー信号処理を実行するためのオンボードDSPも有する場合がある。

【0069】

一部の実施形態において、環境監視デバイス120は、以下の追加のセンサー122、すなわち、最低4つのアレイを有する1つもしくは複数のマイクロフォンアレイセンサー、1つもしくは複数の振動/加速度計センサー、1つもしくは複数のカメラもしくは深度センサー、ならびに/または1つもしくは複数の室内温度および湿度センサーのうちの1つまたは複数をさらに備えていてよい。

【0070】

一部の実施形態において、上述のセンサー122のすべては、環境監視デバイス120の信号および画像処理のほとんどを行うオンボードコンピュータユニット(たとえば、図2の処理デバイス232、図8の処理デバイス802)に接続される。

【0071】

一部の実施形態において、環境監視デバイス120は、データ信号および/またはユーザ識別を使用する。複数のデータ信号は、ユーザから直接的に収集される場合がある。一部の実施形態においては、ユーザが環境監視デバイス120に物理的にごく近接している(たとえば、2～3メートル未満)かまたは環境監視デバイス120の直接見通し内にいるとき、環境監視デバイス120内のセンサー122によって以下のデータ信号が検出され、測定される場合がある。

【0072】

心拍数および波形、

【0073】

呼吸数および波形、

【0074】

体温および変化、ならびに/または

【0075】

唇の色に対する顔の皮膚の色調(たとえば、皮膚の色調の変化)。

【0076】

人が環境監視デバイス120に可聴的にごく接近しているとき、以下のデータ信号が測定される場合がある。

【0077】

くしゃみ、

【0078】

咳および咳の種類、および/または

【0079】

大きいまたは不規則な呼吸。

【0080】

人が概して環境監視デバイス120の検出可能なレンジ内にいるとき、以下のデータ信号が測定される場合がある。

【0081】

体動および体位、ならびに/または

【0082】

転倒および転倒の種類(たとえば、衝撃、距離など)。

【0083】

人が環境監視デバイス120の検出可能なレンジ内で眠っているとき、以下のデータ信号が測定される場合がある。

【0084】

睡眠相(sleep phase)、

【0085】

呼吸の変動性、および/または

【0086】

無呼吸の検出。

【0087】

一部の実施形態においては、複数のデータ信号が、ユーザから間接的に収集される場合がある。これらの種類のデータ信号は、環境監視デバイス120のセンサー122で受信した測定値に基づいて導出されてよい。たとえば、水分補給レベルが、検出された赤外線パターンに基づいて計算される場合があり、血圧が、検出された心拍波形に基づいて計算される場合があり、中核体温(core body temperature)が、検出された表面温度および心拍数に基づいて計算される場合がある。

【0088】

一部の実施形態においては、センサー122によって収集されたデータが、定期的に環境監視デバイス120の周りを回るユーザを自動的に認識し、特定するために使用される場合がある。たとえば、一意識別子を形成するために、以下、すなわち、(i)顔認識用のカメラセンサー、(ii)顔の血管パターン認識用のIRセンサー、(iii)心拍数および血圧波形、(iv)生体測定信号(biometric signal)としてのレーダーセンサー(たとえば、人体はレーダー波を一意のパターンで反射する)、ならびに(v)音声認識用の音声センサーが、独立してまたはそれらの様々な組合せで使用されてよい。

【0089】

バイタルサインデータ(たとえば、バイタルサイン160)は、経時的に、潜在的にいくつかの場所にわたってユーザの健康を追跡するためにユーザに関連付けられてよい。一部の実施形態においては、主(パーソナル)環境監視デバイス120が、ユーザの自宅またはオフィスに置かれる場合があり、主環境監視デバイス120は、ユーザを定期的に監視している。しかし、一部の実施形態においては、(たとえば、公共空間内、または主環境監視デバイス120の場所と異なる場所内の)副環境監視デバイス120の1つまたは複数のセンサー122が、ユーザに関するデータを収集し、そのデータを集中型アイデンティティデータベース(たとえば、データストア140)に送信するように構成されてよい。バイタルサインと動きデータとの組合せ(たとえば、センサーデータ150、バイタルサイン160)が、ユーザを特定し、データをユーザの主環境監視デバイス120に関連付けるために集中型アイデンティティデータベースによって使用される場合がある。

【0090】

環境監視デバイス120は、(たとえば、図1の環境監視コンポーネント108、図2の処理デバイス232、図8の処理デバイス802などを介して)1つまたは複数のアルゴリズムを使用してよい。複数のアルゴリズムのプロセスは、環境監視デバイス120に関連して実行されてよい。本明細書において説明されるこれらのアルゴリズム的プロセスは、環境監視デバイス120のセンサー122の生の入力(たとえば、センサーデータ150)から構造化されたデータ(たとえば、バイタルサイン160)を生成して、顕著な逸脱を検出するために使用されてよい。

【0091】

環境監視デバイス120は、(たとえば、図1の環境監視コンポーネント108、図2の処理デバイス232、図8の処理デバイス802などを介して)センサーデータ150(たとえば、周波数変調連続波(FMCW)データ、パルスレーダーデータなど)からマップ(たとえば、マッピング)を生成してよい。マップは、FMCWの原理を実装する様々なTx/Rxペアのアレイの基本出力またはインパルスレーダー出力を使用するレーダー反射の時間-3次元(3D)(4次元(4D))マップであってよい。背景に関しては、Sandeep RaoによるIntroduction to mmwave Sensing: FMCW Radars(https://training.ti.com/sites/default/files/docs/mmwaveSensing-FMCW-offlineviewing_4.pdf)を参照されたい。

【0092】

セットアップ構成は、n個の送信機と送信機あたりm(n)個の受信機とを利用し、nは、1より大きく、m(n)は、2より大きい。一実施形態においては、使用される最大3つの送信機および12～16個の受信機が存在する場合がある。3枚のパネルが、360度を包含するために三角形に配置され、各パネルは、およそ160度の視野角を有する。したがって、三角形パターンに配列された3枚のパネルは、一部重なるようにして360度を包含する。各アンテナペア(n、m(n))の出力は、戻り信号(return signal)の位相と振幅との両方である。

【0093】

1つの物体によって反射された信号の到来角(AOA: angle of arrival)(ω)が、図4に示されるこの図解に従って(たとえば、物体(O)からのアンテナ(Rx)の距離(d)およびセンサーによって使用される波長(l)に基づいて)2つのアンテナによって検出され得る。

【0094】

レンジが、飛行時間を使用して推定されてよい。位相変化によって測定されるレンジの変動は、ドップラー効果をもたらし、目標の速度を測定するために使用され得る。

【0095】

経時的なアンテナペアの位相差を見ることによって、空間内の任意の点における速度および到来角の推定値が、各アンテナおよびアンテナペアに各レンジに関するこれらの推定値の各々を投影することによって決定され得る。3次元オイラー空間(Eulerian space)が、これらの推定値によって「描かれる(painted)」場合がある。問題は、ノイズである(すなわち、このようにして描くことは、ノイズおよびぼけ(blurring)を生じる)が、最終的な空間が球面座標においてサンプリングされるという事実でもある。そのため、遠い点に関する空間サンプリングは、非常に低く、近い点に関する空間サンプリングは、高過ぎる。

【0096】

これらのレンジおよびAOAの推定値の逆走査(reverse scanning)および逆投影(back projection)を含む--3D空間はデカルト参照およびサンプリング空間においてサンプリングされる--新しい手法が提案される。この空間の各ボクセルに関して、各アンテナペア(1RX、1TX)に関するレンジが計算される。各アンテナトリプレット(triplet)(1TX、2RX)に関して、理論的なAOAが計算され、したがって、位相差が計算される。1つのアンテナペアが予想されたレンジに振幅のピークを有し、適切な位相差を有する場合、この振幅が、ボクセルに割り振られ、その信頼性が、高められる。したがって、この一様にサンプリングされたデカルト空間の各ピクセルに関して、我々は、このボクセルにレーダーを反射する物質があるという仮説と、その体積および水または金属の含有量に比したそのレーダー反射の強度とにいくつのアンテナトリプレットが一致するかに基づく信頼度スコアを有する。結果として、シーンのきれいでノイズが除去された均一にサンプリングされたデカルトボリューム(Cartesian volume)が、実現される。

【0097】

このサンプリングされたボリューム内の各ボクセルに関して、対応する物体の動きの速度または量が、位相を経時的に比較することによって推定され得る。各TX/RX/RXトリプレットの各TX/RXペアに関して、現在のフレームの位相が、次のフレームと比較され、位相が著しく変化し、反射強度が低過ぎない(そこに物体があることを意味する)場合、このアンテナペアは、これを、このボクセルにおける動きとして解釈する。すべてのトリプレットにおいて選ばれたペアのうちのいくつかが一致する場合、動きが、そのボクセルにおいて高い信頼性で示され得る。動きのこの量は、半径方向の動き(radial movement)である。

【0098】

各サンプリングは規則的であり、データはよりきれいであり、信号対雑音比(SNR)はより高い。さらに重要なことに、各ボクセルの反射率指数(reflectance index)および速度が獲得され、これは人間の動きを理解するための非常に貴重な情報である。これは、高度なデカルト座標および幾何学計算によってさらに適応される場合がある。

【0099】

単純な信号処理方法が、レーダー戻り信号から静的なクラッタを削除するために使用されてよい。これは、各アンテナペアに関するレンジ/位相出力、最終的な3Dボリューム、またはその両方の組合せに対して実行されてよい。

【0100】

一部の実施形態において、環境監視デバイス120は、レーダー速度推定のために使用される。所与のアンテナペアに関する連続したレーダーフレームの位相が、比較される。上述のように、経時的な1つのアンテナペアに関する位相差は、このアンテナペアに関するレンジごとの速度のインジケーションを与える。位相差によるこの情報を掛け合わせることによって、動きの全体的方向(gross direction)および原点の考えが、決定され得る(図4のAOAの式参照)。

【0101】

上述の逆サンプリング(back sampling)手法が、各アンテナペアに関する速度を評価するために使用されてよい。簡単にするために、1つのアンテナによって与えられるレンジごとの速度が、使用されてよく、この速度が、同じレンジ内の最大の目標に割り振られる--通常、レンジごとに1つの目標のみが存在する。これは、非常に高速で効率的な手法である。

【0102】

一部の実施形態において、環境監視デバイス120は、レーダーバイタルサインセンシングのために使用される。既製のレーダーアルゴリズムが、心拍数および呼吸数を測定するために使用されてよい。これらの種類のアルゴリズムが、心臓および胸部の体積変化を測定するために、たとえば、FMCWレーダーにおいて使用されるAWR/IWRセンサーに提供される場合がある。

【0103】

一部の実施形態において、環境監視デバイス120は、視覚バイタルサインセンシングのために使用される。環境監視デバイス120は、RGBまたは赤外線によるリモートフォトプレチスモグラフィ(rPPG: remote photoplethysmography)を実行してよい。ユーザの心拍数は、赤外線または可視光カメラを使用して測定されてよい。

【0104】

リモートフォトプレチスモグラフィ(rPPG)が、心拍数を測定するために使用されてよい。プレチスモグラフィ(PPG: plethysmography)は、血管内の血液の有無を測定するために使用される場合がある--皮膚は多くの血管を有しており、したがって、そこでそれを測定することは容易である。そのとき、このPPG波形は、心拍数を計算するために使用されてよい。

【0105】

RGBカメラは、主に可視光波長レンジ(約400から1000nm)に感度が高いが、近赤外線波長にもある程度の反応を示す。したがって、同質の皮膚表面上で、血流の変化によって誘発される色の変化が、そのようなセンサーによって測定され得る。

【0106】

RGBカメラのライブ映像から、顔検出アルゴリズムがリアルタイムで実行される。次に、この検出が、皮膚のパッチ(patch)を抽出するために使用される安定した顔のランドマーク(landmark)を正確に検出するために改良される。それらのパッチの微細な色変化を(たとえば、30/60fpsで)調べ、信号処理方法を利用することによって、カメラの前に立つ人の心拍数および呼吸数が測定されてよい。

【0107】

一部の実施形態において、環境監視デバイス120は、環境監視デバイス120のIRセンサーによる皮膚温度測定のために使用される。長波長赤外線(LWIR)センサーは、8000～14000nmの波長レンジに感度が高く、カメラフィールド(camera field)内に置かれた物体の表面の温度が測定されることを可能にする。

【0108】

皮膚表面温度を測定するために、赤外線空間における顔検出方法(たとえば、独自仕様の顔検出アルゴリズム)が、ユーザの額の皮膚のパッチを測定するために使用されてよい。まず、注目するレンジ(典型的には、摂氏29～34度または華氏84～93度)の外のIR空間が破棄され、それから、それらの閾値内の楕円形ブロブ(blob)が特定される。皮膚温度は、人が赤外線センサーにごく近接している(たとえば、5フィート未満離れている)ときに測定されてよい。この方法の精度は、レーザー温度計を使用して照合確認されてよい。

【0109】

一部の実施形態において、環境監視デバイス120は、IRおよびRGBを使用して水分補給および酸素供給(oxygenation)レベルを決定するために使用される。赤外線センサーによって見られた顔の血管のパターンは、体の水分補給に基づいて強度が変化する。これらの変化が、測定され、水分補給レベルの変化を導出するために使用され得る。

【0110】

酸素供給レベルは、顔の色調および色に直接影響を与える。皮膚および唇は、酸素供給に基づく色の異なる変化をする。RGBの色および色調が、皮膚と唇とを見分けるために、上述のように、顔特徴検出器を使用して顔の各部分に関して測定され得る。

【0111】

一部の実施形態において、環境監視デバイス120は、その他の視覚的インジケーションのために使用される。その他、白目の色、皮膚のマーブル模様(marbling)などのその他の特定のパターンが、視覚的に検出され得る。これらの視覚的特徴は、特定の状態に起因するものであり、監視されているユーザの認識された健康状態を決定または確認するために、たとえば、(次に続くセクションにおいて説明される)その他の測定されたバイタルサインと組み合わせて使用され得る。

【0112】

一部の実施形態においては、環境監視デバイス120の複数のセンサー122からのセンサーデータ150が、組み合わされる(たとえば、センサーフュージョン)。複数のセンサー122から収集されたデータが、監視されている人の健康状態をより正確に決定するための強化されたデータを生成するために協調的に使用されてよい。

【0113】

一部の実施形態において、環境監視デバイス120は、幾何学的カメラおよび赤外線センサー較正を実行する。幾何学的較正は、撮像センサーの固有のパラメータを特徴付けるプロセスである。その後、RGBカメラとIRセンサーとの間で外部較正(extrinsic calibration)を実行するために、RGBカメラとIRセンサーとの両方に対して分析が実行されてよい。後者の特徴付けは、我々のセンサーのフィールド(field)間の全単射関数(bijective function)を提供する。

【0114】

一部の実施形態では、環境監視デバイス120は、カメラ(たとえば、撮像センサー214およびIRセンサー216を使用してIR皮膚温度を測定するために使用される。正確な顔検出が、RGBビデオ内で実行され、それから、表面温度を取り出すために、皮膚のパッチが、赤外線フィールド(infrared field)に投影される。皮膚温度を(後述のようにrPPG、レーダー、または両方の組合せによって測定された)心拍数を組み合わせることは、中核体温の正確な予測を可能にする。

【0115】

一部の実施形態において、環境監視デバイス120は、1つまたは複数のIRセンサー216および1つまたは複数の撮像センサー214(たとえば、RGBセンサー)を使用してrPPGを実行する。皮膚の物理的に静止したパッチが、RGBカメラにおける顔特徴検出によって決定されたように赤外線センサーにおいて使用され、そして、rPPG(リモートプレチスモグラフィ)のように脈派(pleth)を測定するか、または血管内の血液の有無を測定するためにIRカメラに変換されてもよい。

【0116】

温度測定に関しては、顔が可視光カメラにおいて検出され、それから、PPGを推定するために、顔の特徴(こめかみ、額、首など)に対する静止点に関して微細な赤外線の変化が測定される。

【0117】

一部の実施形態において、環境監視デバイス120は、心拍数(rPPGまたはレーダー)およびIRセンサーを使用する厳密な中核温(core temperature)推定のために使用される。表面温度は、中核体温および皮膚を通じた温度伝達の関数である。温度伝達は、より多くの血液が静脈および動脈内にある場合により速く、したがって、温度伝達は、心拍数および心拍波形に関連する。統計モデルが、上述の厳密な表面温度および厳密な心拍数または血管脈波波形から厳密な中核温を推測するために訓練されてよい。

【0118】

放射率係数(emissivity coefficient)は、概して、各人に一意である--放射率係数は、年齢、性別、およびその他のパラメータの様々な組合せに基づいて変化し得る。人は、たとえば、カメラセンサーおよび対応する顔認識アルゴリズムを使用して特定され得る。特定された人の放射率係数が、測定され、評価され得る(システムの使用の最初の数日間は、人は体温を持たないと仮定する--ユーザはセットアップ中に確認するように求められる場合がある)。測定された放射率係数を使用して、中核体温が、皮膚温度から非常に厳密に評価され得る。

【0119】

一部の実施形態において、環境監視デバイス120は、微細な動き検出のためのcmWaveおよびmmWaveレーダーの協調のために使用される。人が監視デバイスと同じ部屋にいるとき、動きおよび姿勢(position)が、短波と長波との両方のレーダーによって測定され得る。そして、両方の3Dマップが、人体のより安定した、より正確な、より堅牢なモデルを得るために組み合わされてよい。

【0120】

一部の実施形態において、環境監視デバイス120は、信号の理解およびより高レベルの機械学習のために使用される。一部の実施形態においては、機械学習モデルが、センサー122および生のバイタルサインからより高レベルの情報を検出するために訓練されてよい。

【0121】

一部の実施形態において、環境監視デバイス120は、レーダーに基づく活動検出のために使用される。人体モデルを使用して、cm波レーダー点群からユーザが検出される。

【0122】

機械学習モデルが、高精度な視覚的立体視センサーを使用して取得された信号から人間の姿勢および活動を認識するために訓練される。センサーは環境監視デバイス120に取り付けられ、人が見通し内に入った状態で、様々な姿勢および動き(たとえば、座っている、歩く、走っているなど)が認識され得る。

【0123】

OpenPoseなどの高精度な身体構造アルゴリズムが、立体視センサー出力に対して実行される場合がある。そのとき、同じ構造を認識するためにcmまたはmm波レーダー点群の出力に対して実行される機械学習モデルが、訓練される。

【0124】

また、タスクは、単純な姿勢または動き--姿勢に関しては、立っている、座っている、横たわっている、動きに関しては、立ち上がる、座る、または倒れる--に単純化される場合がある。それらの動きが、立体視センサーで検出され、動的時間モデルが、それらの動きを認識するためにレーダーデータで訓練される。

【0125】

モデルが訓練されると、我々は、単一のレーダーデータでそれを推測し(もはやステレオビジョン入力はない)、レーダーは、視覚的立体視センサーおよびOpenPoseスタックが以前見ることができたものを見ることができる。cm波のレーダー信号は壁を通り抜けることができるので、これは、標準的な構造を通して機能する。

【0126】

一部の実施形態において、環境監視デバイス120は、床のモデリングのために使用される。環境監視デバイス120のレーダーセンシングのレンジは、たとえば、1つの床およびまたは1つのアパートに自動的に制限されてよい。ユーザは、間取り図またはマップを入力する必要がない場合がある。その代わりに、環境監視デバイス120が、単に活動を観察することによってこれを決定してよい。

【0127】

環境監視デバイス120がアクティブになる(たとえば、オンにされる)と、人は、それらの下限を検出し、床がどこにあるかを統計的に推定するために観察される場合がある。空間が、3Dでサンプリングされてよく、人の下限がそこに検出される場合、ボクセルの「床」に関するスコアが、増やされてよい。時間が経つにつれて、信頼できる床モデルが確立される。

【0128】

一部の実施形態において、環境監視デバイス120は、アパートの境界のモデリングのために使用される。床のモデリングと同様の手法が、アパートの境界を推測するために使用されてよい。音および映像などの洞察(insight)が、人が自宅にいるかどうかを推測するために使用されてよい。人が自宅にいるという判定がなされるとき、人があるエリア内に存在することを我々が検出するとき、3Dサンプリング空間において各ボクセルのスコアが増やされる。時間が経つにつれて、人が通常存在する場所のマップが構築され、検出はそれらのエリアに焦点を合わせられる場合がある。間取り図が、推測されてもよい。

【0129】

一部の実施形態において、環境監視デバイス120は、データ分析および予測のために使用される。環境監視デバイス120は、活動およびバイタルサインを経時的に記録するように構成される。環境監視デバイス120は、心臓の問題、呼吸器の問題、および転倒などの重大な事象を検出するようにさらに構成される。

【0130】

単一のユーザおよび多数のユーザに関して大量のデータが収集される場合があり、それらのデータが、深刻な健康問題の前兆となる個々の特定のまたは一般的なパターンを理解し、検出するために使用される場合がある。様々な人に由来するそのようなデータのコーパスを使用して、機械学習モデルが、これらのパターンを検出するために訓練され得る。

【0131】

一部の実施形態において、環境監視デバイス120は、高齢者の健康および健全性の監視、基礎疾患を有するユーザの監視、敗血症性感染のリスクがある人の監視、パーキンソン病の進行の監視などのうちの1つまたは複数のために使用される。

【0132】

一部の実施形態において、環境監視デバイス120は、高齢者の健康および健全性を監視するために使用される。一実施形態において、環境監視デバイス120は、高齢者の様々なバイタルサイン(たとえば、体温、心拍数、呼吸数など)を測定し、高齢者の測定されたベースラインバイタルサインと比較して、変動を通知するアラートを提供するように構成される。別の実施形態において、環境監視デバイス120は、高齢者の活動を監視し、高齢者の監視されたベースライン活動と比較して、変化(たとえば、より少ない頻度の動き、より遅い動きなど)を通知するアラートを提供するように構成される。別の実施形態において、環境監視デバイス120は、高齢者の睡眠パターンを監視し、高齢者の監視されたベースライン睡眠パターンと比較して、変化(たとえば、呼吸パターン、無呼吸など)を通知するアラートを提供するように構成される。別の実施形態において、環境監視デバイス120は、様々な挙動/ルーチンを監視し、高齢者の監視されたベースライン挙動/ルーチンと比較して、変化(たとえば、食事を食べる、睡眠、身体活動などの特定の時間枠において特定の場所にいること)を通知するアラートを提供するように構成される。別の実施形態において、環境監視デバイス120は、(たとえば、バイタルサインを測定し、測定値を転倒のリスクの知られている前兆と相互に関連付けて)潜在的な転倒の、または(たとえば、身体モデルに依拠するcm波レーダーを使用して)実際の転倒の早期指標を検出するように構成される。

【0133】

一部の実施形態において、環境監視デバイス120は、基礎疾患を有するユーザを監視するために使用される。環境監視デバイス120は、たとえば、呼吸数、咳、咳の性質、体積の変化を監視することによって肺疾患(たとえば、COPD、嚢胞性線維症、肺炎など)を監視する場合がある。

【0134】

環境監視デバイス120は、たとえば、心拍数および心拍量(heart rate volume)の変化を監視することによって、心血管疾患(たとえば、心臓病およびその他の心臓に関連する疾患)を監視する場合がある。

【0135】

環境監視デバイス120は、特定のバイタルサインが癌治療(たとえば、化学療法)に関連する状態に関連するとき、それらの特定のバイタルサインを監視するように構成されてよい。

【0136】

環境監視デバイス120は、特定の活動が認知症に関連する状態と、特に、疾患の進行とに関連するとき、(たとえば、ベースラインデータと一致しない活動または挙動の変化を監視することによって)それらの特定の活動を監視するように構成されてよい。

【0137】

一部の実施形態において、環境監視デバイス120は、敗血症性感染のリスクがあるユーザを監視するために使用される。環境監視デバイス120は、敗血症の症状を監視するために使用されてよい。環境監視デバイス120が体温、心拍数、および呼吸数を監視するように構成されるので、華氏101度を超えるまたは華氏96.8度未満の熱、90bpmより高い検出された心拍数、検出されたより高い呼吸数は、すべて、検出可能な症状である。たとえば、上述の症状のうちの2つ以上を単独で、または知られている最近の感染性の事象と組み合わせて検出することは、敗血症事象の高いリスクを通知するためにアラートが提供されることにつながる場合がある。(たとえば、RGBカメラを介して検出された)変色した皮膚のパッチ、(たとえば、以前に監視された時間および頻度で特定の場所にいないことによって検出された)減少した排尿、または動きの欠如などのさらなる症状は、すべて、敗血症事象のより深刻な場合を示唆するために、上述の検出された症状に加えて環境監視デバイス120によって使用されてよい。

【0138】

一部の実施形態において、環境監視デバイス120は、パーキンソン病の進行を監視するために使用される。一実施形態において、環境監視デバイス120は、震えの頻度および強度を追跡し、特定の人に関して収集された履歴的なデータと比較して、変化を通知するアラートを提供するように構成される。別の実施形態において、環境監視デバイス120は、監視された変化を知られている進行の前兆と比較し、予想されるおよび疑われる病気の進行を通知するアラートを提供するように構成される。

【0139】

震えの頻度および強度は、たとえば、人が環境監視デバイス120のレーダーのレンジ内にいるときに、cmWaveレーダーまたはmmWaveレーダーを使用して追跡されてよい。

【0140】

一部の実施形態において、環境監視デバイス120は、動脈スティフネスの評価のために使用される。一実施形態において、環境監視デバイス120は、1つまたは複数のカメラセンサーおよびレーダー撮像センサーを含むセンサー122によって構成される。カメラセンサーは、高解像度可視光カメラ、赤外線撮像センサー、またはその両方の組合せであってよい。レーダー撮像センサーは、FMWまたはインパルスレーダーテクノロジーを採用する場合があり、高解像度画像を提供し、FMCWまたは飛行時間データおよび戻り位相を出力するために60GHz～100GHz帯で機能するように構成される場合がある。

【0141】

人が監視デバイスに物理的にごく近接している(たとえば、3～5m)とき、心拍数および対応する波形が、レーダーセンサーを使用して測定されてよい。たとえば、一実施形態においては、レーダーセンサーのドップラーおよび撮像機能が、胸部の心臓の振動信号を検出するために利用されてよい。さらに、脈波が、カメラセンサーを使用して測定されてよい。たとえば、一実施形態においては、リモートフォトプレチスモグラフィ(rPPG)が、額、首、または手首の脈波信号を検出するために利用されてよい。rPPGを使用して、血管内の血液の有無が判定されることが可能であり、それに応じて、特定の場所(たとえば、額)の脈派または脈拍プロファイル(pulse profile)が測定されることが可能である。上述のセンサーによって測定されたこれら2つの信号の間の位相(すなわち、両方の信号のピークの間の時間差)は、心臓の収縮と、特定の場所の血管に血液が入る瞬間との間の時間の直接的な尺度である。したがって、位相は、血液または脈波が心臓から特定の場所に行くのにかかる時間を表す。

【0142】

位相を決定することに加えて、測定された脈波の特定の場所(たとえば、額)と心臓との間の距離も、決定される。一実施形態において、測定された距離は、人に関連する情報の最初の獲得中に記憶されてよく、それによって、人が監視デバイスにごく近接するたびに、FMW測定機能が、認識された人に関連する以前に記憶された情報を取り出してよい。人は、たとえば、以前に記憶された距離の情報を取り出すために顔認識システムによって特定されてよい。別の実施形態においては、前の情報が人に関して記憶されていないとき、距離が、監視デバイスによってリアルタイムで測定される場合がある。たとえば、人の身長が、カメラ内のその画像およびそのレンジから物体の高さを推定するのに役立つ射影方程式を使用する場合がある、レーダーおよびカメラセンサーに関連するレンジ測定機能によって推定されてよい。

【0143】

必要な位相および距離の測定値を取得すると、PWVが計算されてよい。PWVデータは、人の履歴的な測定値のプロファイルをまとめるために記憶されてよい。記憶されたPWVデータは、たとえば、心血管系の評価全体の一部として動脈スティフネスの変化を調べる医療専門家によって取り出され得る。

【0144】

上述の監視は、様々な状況で展開される場合があると想定される。一実施形態において、監視デバイスは、人の自宅の状況で展開される場合があり、PWV測定は、予め構成されたスケジュールで行われる場合がある。たとえば、監視デバイスは、心臓の健康を評価するための毎日の監視ルーチンの一部としてPWVを測定するときが来たことを人に通知し、センサーデータの獲得のために監視デバイスにごく近接して立つよう人に促すように構成されてよい。別の実施形態において、監視デバイスは、人がかなり動きの少ない姿勢にある環境内に展開するために構成されてよい。たとえば、監視デバイスは、ドライバーの健康を監視するために車のダッシュボードに、病院のベッドの上に、セルフサービスの健康診断所に、または任意のその他の適用可能な健康監視の状況で実装される場合がある。

【0145】

図3A～図3Bは、特定の実施形態による環境監視デバイス120を示す。図3A～図3Bの環境監視デバイス120は、図2の同様に参照された特徴と同様のまたは同じ機能または構造を有する1つまたは複数の特徴を含んでよい。

【0146】

環境監視デバイス120は、ハウジング310を含んでよい。環境監視デバイス120は、ハウジング310に結合された(たとえば、ハウジング310内に配置された、ハウジング310に取り付けられた、など)1つまたは複数のセンサー122、入力/出力コンポーネント220、処理コンポーネント230、接続コンポーネント240、電力コンポーネント250、および/またはデバッグコンポーネント260を含んでよい。

【0147】

センサー122は、ユーザがセンサー122に接触することなく、および/またはユーザが環境監視デバイス120に接触することなく、(たとえば、センサー122および/または環境監視デバイス120の)閾値の距離内にいるユーザのセンサーデータを提供する非接触型センサーであってよい。センサー122は、短波レーダーセンサー210、長波レーダーセンサー212、撮像センサー214、赤外線センサー216、音声センサー218(たとえば、マイクロフォン、音声入力)などを含んでよい。

【0148】

入力/出力コンポーネント220は、スピーカ222(たとえば、音声出力)、1つまたは複数のLED 224(たとえば、ハウジング310の上面のすぐ近くのハウジング310の外縁付近にあるライトパイプ、撮像センサー214のすぐ近くのRGB LED)、1つまたは複数のユーザインターフェース226(たとえば、ハウジング310の上面の電源/起動ボタン、ハウジング310の側壁のはっきり見える画面(shine-through screen))などを含んでよい。

【0149】

処理コンポーネント230は、ハウジング310内に配置される処理デバイス232およびメモリ234を含んでよい。接続コンポーネント240は、ハウジング310内に配置されるワイヤレスモジュール242および/またはセルラモジュール244を含んでよい。電力コンポーネント250は、電源252を含んでよい。電力コンポーネントは、環境監視デバイス120を外部電源に結合するための電気ケーブルを含む場合がある。デバッグコンポーネント260は、通信ポート262を含んでよい。

【0150】

図4は、特定の実施形態による環境監視デバイス120のブロック図を示す。環境監視デバイス120は、1つまたは複数のアンテナを含む1つまたは複数のセンサー212(たとえば、短波レーダーセンサー210、長波レーダーセンサー212など)を含む。たとえば、センサー212は、少なくとも1つのTxアンテナと、Txアンテナに対応する少なくとも2つのRxアンテナとを含んでよい。

【0151】

図5は、特定の実施形態による、環境監視デバイス(たとえば、図1～図4のうちの1つまたは複数の環境監視デバイス120)に関連する方法500の流れ図である。方法500は、ハードウェア(たとえば、回路、専用論理、プログラマブル論理、マイクロコード、処理デバイスなど)、(処理デバイス、汎用コンピュータシステム、もしくは専用マシン上で実行される命令などの)ソフトウェア、ファームウェア、マイクロコード、またはそれらの組合せを含む場合がある処理論理によって実行されてよい。一部の実施形態において、方法500は、クライアントデバイス106(たとえば、環境監視コンポーネント108)、環境監視デバイス120(たとえば、環境監視コンポーネント108)、または予測サーバ112(たとえば、予測コンポーネント114)によって部分的に実行されてよい。一部の実施形態においては、非一時的ストレージ媒体が、(たとえば、クライアントデバイス106の、環境監視デバイス120の、予測サーバ112の)処理デバイスによって実行されるときに処理デバイスに方法500を実行させる命令を記憶する。

【0152】

説明を簡単にするために、方法500は、一連の行為として示され、説明される。しかし、本開示による行為は、様々な順序でおよび/または同時にならびに本明細書において提示および説明されないその他の行為とともに行われ得る。さらに、開示された対象による方法500を実施するために、示されるすべての行為が実行されるわけではない場合がある。加えて、当業者は、方法500が、代替的に状態図による一連の相互に関連した状態または事象として表される可能性があることを理解し、認識するであろう。

【0153】

図5を参照すると、ブロック502において、処理論理が、1つまたは複数の非接触型センサー(たとえば、センサー122)から、履歴的なセンサーデータを受信する。

【0154】

ブロック504において、処理論理が、履歴的なセンサーデータに基づいて、ベースラインバイタルサインを決定する。一部の実施形態において、履歴的なセンサーデータは、ユーザが良好な健康状態であることに関連付けられ、ベースラインバイタルサインは、ユーザの健康状態の許容可能なレンジを示す。一部の実施形態において、異なるセンサーから受信された履歴的なセンサーデータ、およびベースラインバイタルサイン、異なるセンサーから受信された履歴的なセンサーデータの組合せ(たとえば、構造化されたデータ)。一部の実施形態において、履歴的なセンサーデータは、健康状態(たとえば、転倒する、転倒しないなど)以前のユーザの状態に関連付けられ、ベースラインバイタルサインは、履歴的なセンサーデータが受信された後に起こったユーザの健康状態を示す。

【0155】

ブロック506において、処理論理が、1つまたは複数の非接触型センサー(たとえば、ブロック502からの非接触型センサーのうちの1つもしくは複数および/またはブロック502のものとは異なる1つもしくは複数の非接触型センサー)から、1つまたは複数の非接触型センサーの閾値の距離内にいるユーザに関連する現在のセンサーデータを受信する。

【0156】

一部の実施形態において、処理論理は、履歴的なセンサーデータに基づいて室内空間(たとえば、部屋、アパートなど)を決定し、処理論理は、現在のセンサーデータに基づいて室内空間におけるユーザの動きを決定する。一部の実施形態において、処理論理は、短波センサーデータ(たとえば、現在のセンサーデータの第1のサブセット)および長波センサーデータ(たとえば、現在のセンサーデータの第2のサブセット)に基づいてユーザの動きを決定する。

【0157】

ブロック508において、処理論理が、現在のセンサーデータに基づいて、ユーザの現在のバイタルサインを決定する。一部の実施形態において、現在のセンサーデータは、第1の非接触型センサーからの第1のサブセットおよび第2の非接触型センサーからの第2のサブセットを含み、処理論理は、第1のサブセットと第2のサブセットとを組み合わせて、構造化されたデータを形成する。現在のバイタルサインは、構造化されたデータに基づいてよい。

【0158】

ブロック510において、処理論理が、現在のバイタルサインがベースラインバイタルサインを満たすかどうかを判定する。現在のバイタルサインがベースラインバイタルサインを満たすことに応じて、方法は、(たとえば、監視を継続するために)ブロック506に続く。現在のバイタルサインがベースラインバイタルサインを満たさないことに応じて、方法は、ブロック512に続く。

【0159】

一部の実施形態において、処理デバイスは、履歴的なセンサーデータの少なくとも一部分がユーザに対応すると判定し、現在のセンサーデータの少なくとも一部分がユーザに対応すると判定し、ブロック506において、現在のセンサーデータの少なくとも一部分に関連する現在のバイタルサインが履歴的なセンサーデータの少なくとも一部分に関連するベースラインバイタルサインを満たすかどうかを判定する(たとえば、ユーザのバイタルサインが閾値の量よりも変化したかどうかを判定する)。

【0160】

一部の実施形態において、処理論理は、ユーザの健康状態を示すユーザ入力を受け取り、ユーザ入力に基づいて、現在のバイタルサインがベースラインバイタルサインを満たすかどうかを判定する。

【0161】

一部の実施形態において、処理論理は、訓練された機械学習モデル(たとえば、図7A～図7C参照)に基づいて、現在のバイタルサインを決定する、および/または現在のバイタルサインがベースラインバイタルサインを満たすかどうかを判定する。

【0162】

ブロック512において、処理論理が、アラートを提供させる。一部の実施形態において、処理論理は、環境監視デバイスの入力/出力コンポーネント(たとえば、スピーカ、ユーザインターフェースなど)を介してアラートを提供させる。一部の実施形態において、処理論理は、データをリモートデバイス(たとえば、クライアントデバイス、医療提供者のデバイスなど)に送信して、リモートデバイスにアラートを表示させる。

【0163】

図6Aは、特定の実施形態による、モデル(たとえば、図1のモデル190)のためのデータセットを作成するための例示的なデータセットジェネレータ172である。一部の実施形態において、データセットジェネレータ172は、履歴的なデータ(たとえば、履歴的なセンサーデータ152および/またはベースラインバイタルサイン162)を使用する。図6Aのシステム600Aは、データセットジェネレータ172、データ入力601、および目標出力603を示す。

【0164】

一部の実施形態において、データセットジェネレータ172は、1つまたは複数のデータ入力601(たとえば、訓練入力、検証入力、試験入力)および/または目標出力602を含むデータセット(たとえば、訓練セット、検証セット、試験セット)を生成する。データ入力601は、「特徴」、「属性」、または「情報」とも呼ばれる場合がある。一部の実施形態において、データセットジェネレータ172は、データセットを訓練エンジン182、検証エンジン184、または試験エンジン186に提供してよく、データセットは、モデル190を訓練するか、検証するか、または試験するために使用される。訓練セットを生成する一部の実施形態が、図7Aに関連してさらに説明される可能性がある。

【0165】

一部の実施形態において、データセットジェネレータ172は、履歴的なデータに基づいてデータ入力601を生成する。一部の実施形態において、データ入力601は、履歴的なデータに関する特徴の1つまたは複数のセットを含む場合がある。履歴的なデータの各インスタンスは、(たとえば、1人または複数のユーザに関連する)1つまたは複数の種類のセンサーからの履歴的なセンサーデータ152を含んでよい。履歴的なデータの各インスタンスは、(たとえば、1人または複数のユーザに関連する)ベースラインバイタルサイン162を含んでよい。

【0166】

一部の実施形態において、データセットジェネレータ172は、第1のモデルを訓練、検証、または試験するために、特徴の第1のセットに対応する第1のデータ入力を生成してよく、データセットジェネレータ172は、第2のモデルを訓練、検証、または試験するために、特徴の第2のセットに対応する第2のデータ入力を生成してよい。

【0167】

一部の実施形態において、データセットジェネレータ172は、(たとえば、回帰問題のための分類アルゴリズムにおいて使用するために)データ入力601を離散化してよい。データ入力601の離散化は、変数の連続値を離散値に変換してよい。一部の実施形態において、データ入力601の離散値は、別々のユーザを示す。

【0168】

モデルを訓練、検証、または試験するためのデータ入力601は、特定のユーザに関するまたは複数のユーザに関する情報を含んでよい。

【0169】

一部の実施形態においては、データセットを生成し、データセットを使用してモデル190を訓練、検証、または試験した後に、モデル190が、さらに訓練、検証、もしくは試験される(たとえば、さらなる履歴的なデータ、さらなる現在のデータ)か、または調整される(たとえば、ニューラルネットワークにおける接続の重みなど、モデル190の入力データに関連する重みを調整する)場合がある。

【0170】

図6Bは、特定の実施形態による、予測データ168を生成するためのシステム600Bを示すブロック図である。システム600Bは、履歴的なセンサーデータ152および/またはベースラインバイタルサイン162に基づいて、是正措置を決定する(たとえば、アラートを提供するなど)ために使用されてよい。

【0171】

ブロック610において、システム600(たとえば、図1の予測システム110)は、履歴的なデータ(たとえば、履歴的なセンサーデータ152、ベースラインバイタルサイン162)のデータ分割を(たとえば、図1のサーバマシン170のデータセットジェネレータ172を介して)実行して、訓練セット602、検証セット604、および試験セット606を生成する。たとえば、訓練セットは、履歴的なデータの60%である場合があり、検証セットは、履歴的なデータの20%である場合があり、検証セットは、履歴的なデータの20%である場合がある。システム600は、訓練セット、検証セット、および試験セットの各々に関して、特徴の複数のセットを生成してよい。いくつかの例において、履歴的なセンサーデータ152が10個のセンサー(たとえば、図1のセンサー122)および20人のユーザ(たとえば、10個のセンサーからのセンサーデータにそれぞれ対応するユーザ)に関連付けられる場合、特徴の第1のセットは、センサー1～5である場合があり、特徴の第2のセットは、センサー6～10である場合があり、訓練セットは、ユーザ1～6である場合があり、検証セットは、ユーザ7～8である場合があり、試験セットは、ユーザ9～10である場合がある。この例において、訓練セットの特徴の第1のセットは、ユーザ1～6に関するセンサー1～4からのものである。

【0172】

ブロック612において、システム600は、訓練セット602を使用して(たとえば、図1の訓練エンジン182を介して)モデルの訓練を実行する。システム600は、訓練セット602の特徴の複数のセット(たとえば、訓練セット602の特徴の第1のセット、訓練セット602の特徴の第2のセットなど)を使用して複数のモデルを訓練してよい。たとえば、システム600は、訓練セットの特徴の第1のセット(たとえば、ユーザ1～6に関するセンサー1～5からのセンサーデータ)を使用して第1の訓練されたモデルを生成し、訓練セットの特徴の第2のセット(たとえば、ユーザ1～6に関するセンサー6～10からのセンサーデータ)を使用して第2の訓練されたモデルを生成するためにモデルを訓練してよい。一部の実施形態においては、第1の訓練されたモデルおよび第2の訓練されたモデルが、(たとえば、それ自体で第1のまたは第2の訓練されたモデルよりも優れた予測器である場合がある)第3の訓練されたモデルを生成するために組み合わされてよい。一部の実施形態において、モデルの比較に使用される特徴のセットは、重複する場合がある(たとえば、特徴の第1のセットがセンサー1～7からのものであり、特徴の第2のセットがセンサー5～10からのものである)。一部の実施形態において、特徴の様々な順列(permutation)を用いるモデルおよびモデルの組合せを含む数百のモデルが生成される場合がある。

【0173】

ブロック614において、システム600は、検証セット604を使用して(たとえば、図1の検証エンジン184を介して)モデルの検証を実行する。システム600は、検証セット604の特徴の対応するセットを使用して、訓練されたモデルの各々を検証してよい。たとえば、システム600は、検証セットの特徴の第1のセット(たとえば、ユーザ7～8に関するセンサー1～5からのセンサーデータ)を使用して第1の訓練されたモデルを検証し、検証セットの特徴の第2のセット(たとえば、ユーザ7～8に関するセンサー6～10からのセンサーデータ)を使用して第2の訓練されたモデルを検証してよい。一部の実施形態において、システム600は、ブロック612において生成された数百のモデル(たとえば、特徴の様々な順列を用いるモデル、モデルの組合せなど)を検証する場合がある。ブロック614において、システム600は、(たとえば、モデルの検証によって)1つまたは複数の訓練されたモデルの各々の精度を判定してよく、訓練されたモデルのうちの1つまたは複数が閾値の精度を満たす精度を有するかどうかを判定してよい。訓練されたモデルのいずれも閾値の精度を満たす精度を有していないという判定に応じて、フローは、ブロック612に戻り、システム600は、訓練セットの特徴の異なるセットを使用してモデルの訓練を実行する。訓練されたモデルのうちの1つまたは複数が閾値の精度を満たす精度を有するという判定に応じて、フローは、ブロック616に続く。システム600は、(たとえば、検証セットに基づいて)閾値の精度未満の精度を有する訓練されたモデルを破棄する場合がある。

【0174】

ブロック616において、システム600は、閾値の精度を満たす1つまたは複数の訓練されたモデルのうちどれが最も高い精度を有するか(たとえば、ブロック614の検証に基づいて、選択されたモデル608)を決定するために(たとえば、図1の選択エンジン185を介して)モデルの選択を実行する。閾値の精度を満たす訓練されたモデルのうちの2つ以上が同じ精度を有するという判定に応じて、フローは、ブロック612に戻ってよく、システム600は、最高の精度を有する訓練されたモデルを決定するために、特徴のさらに改良されたセットに対応するさらに改良された訓練セットを使用してモデルの訓練を実行する。

【0175】

ブロック618において、システム600は、選択されたモデル608を試験するために試験セット606を使用して(たとえば、図1の試験エンジン186を介して)モデルの試験を実行する。システム600は、試験セットの特徴の第1のセット(たとえば、ユーザ9～10に関するセンサー1～5からのセンサーデータ)を使用して、第1の訓練されたモデルを試験して、(たとえば、試験セット606の特徴の第1のセットに基づいて)第1の訓練されたモデルが閾値の精度を満たすと判定する場合がある。選択されたモデル608の精度が閾値精度を満たさない(たとえば、選択されたモデル608が訓練セット602および/または検証セット604に過適合しており、試験セット606などのその他のデータセットに適用可能でない)ことに応じて、フローは、ブロック612に続き、システム600は、特徴の異なるセット(たとえば、異なるセンサーからのセンサーデータ)に対応する異なる訓練セットを使用してモデルの訓練(たとえば、再訓練)を実行する。選択されたモデル608が試験セット606に基づく閾値の精度を満たす精度を有するという判定に応じて、フローは、ブロック620に続く。少なくともブロック612において、モデルは、予測を行うために履歴的なデータ内のパターンを学習してよく、ブロック618において、システム600は、予測を試験するために残りのデータ(たとえば、試験セット606)に対してモデルを適用してよい。

【0176】

ブロック620において、システム600は、訓練されたモデル(たとえば、選択されたモデル608)を使用して、現在のセンサーデータ154を受け取り、訓練されたモデルの出力から、是正措置を実行する(たとえば、アラートを提供する)ための予測データ168を決定する(たとえば、抽出する)。

【0177】

一部の実施形態において、ブロック610～620のうちの1つまたは複数の動作は、様々な順序で、および/または本明細書において提示および説明されないその他の動作とともに行われてよい。一部の実施形態において、ブロック610～620の1つまたは複数の動作は、実行されない場合がある。たとえば、一部の実施形態において、ブロック610のデータの分割、ブロック614のモデルの検証、ブロック616のモデルの選択、またはブロック618のモデルの試験のうちの1つまたは複数は、実行されない場合がある。

【0178】

図7A～図7Cは、特定の実施形態による、予測データを生成することに関連する方法700A～Cの流れ図である。方法700A～Cは、ハードウェア(たとえば、回路、専用論理、プログラマブル論理、マイクロコード、処理デバイスなど)、(処理デバイス、汎用コンピュータシステム、もしくは専用マシン上で実行される命令などの)ソフトウェア、ファームウェア、マイクロコード、またはそれらの組合せを含む場合がある処理論理によって実行されてよい。一部の実施形態において、方法700Aは、予測システム110(たとえば、サーバマシン170、データセットジェネレータ172など)によって部分的に実行されてよい。予測システム110は、本開示の実施形態によって、モデルの訓練、検証、または試験のうちの少なくとも1つを行うために方法700Aを使用してよい。一部の実施形態において、方法700Aの1つまたは複数の動作は、図1および図6Aに関連して説明されたようにサーバマシン170のデータセットジェネレータ172によって実行されてよい。一部の実施形態において、方法700B～Cは、予測システム110(たとえば、予測サーバ112、予測コンポーネント114など)によって部分的に実行されてよい。予測システム110は、本開示の実施形態によってモデルを訓練するために方法700Bを使用してよい。予測システム110は、本開示の実施形態によって、訓練されたモデルを使用するために方法700Cを使用してよい。一部の実施形態において、方法700B～Cの1つまたは複数の動作は、図1および図6Bに関連して説明されたように予測サーバ112の予測コンポーネント114によって実行されてよい。図1～図6Bのうちの1つまたは複数に関連して説明されたコンポーネントが図7A～図7Cの態様を示すために使用される場合があることは、留意されてよい。一部の実施形態においては、非一時的ストレージ媒体が、(たとえば、予測システム110の)処理デバイスによって実行されるときに処理デバイスに方法700A～Cを実行させる命令を記憶する。

【0179】

説明を簡単にするために、方法700A～Cは、一連の行為として示され、説明される。しかし、本開示による行為は、様々な順序でおよび/または同時にならびに本明細書において提示および説明されないその他の行為とともに行われ得る。さらに、開示された対象による方法700A～Cを実施するために、示されるすべての行為が実行されるわけではない場合がある。加えて、当業者は、方法700A～Cが、代替的に状態図による一連の相互に関連した状態または事象として表される可能性があることを理解し、認識するであろう。

【0180】

図7Aを参照すると、方法700Aは、(たとえば、是正措置を実行するための)予測データを決定するためのモデルのためのデータセットを生成することに関連する。

【0181】

ブロック702において、方法700Aを実施する処理論理が、訓練セットTを空集合に初期化する。

【0182】

ブロック704において、処理論理が、履歴的なデータ(たとえば、図1の履歴的なセンサーデータ152)を含む第1のデータ入力(たとえば、第1の訓練入力、第1の検証入力)を生成する。一部の実施形態において、(たとえば、図6Aに関連して説明されたように)第1のデータ入力は、履歴的なデータの種類に関する特徴の第1のセットを含む場合があり、第2のデータ入力は、履歴的なデータの種類に関する特徴の第2のセットを含む場合がある。処理論理は、(たとえば、特定のセンサーからの、特定のユーザに関連するなどの)履歴的なデータの一部分に基づいてデータ入力を生成してよい。

【0183】

一部の実施形態では、ブロック706において、処理論理が、(たとえば、履歴的なセンサーデータ152に関連する)ベースラインバイタルサインを含む目標出力を生成する。

【0184】

ブロック708において、処理論理が、ブロック704において生成されたデータ入力(たとえば、およびブロック706からの目標出力)をデータセットTに追加する。

【0185】

ブロック710において、処理論理が、データセットTがモデル190の訓練、検証、および/または試験のうちの少なくとも1つを行うのに十分であるかどうかに基づいて分岐する。十分である場合、実行はブロック712に進み、そうでない場合、実行はブロック704に戻って継続する。一部の実施形態において、データセットTの十分性は、単純にデータセット内のデータの量に基づいて判定される場合があるが、一部のその他の実装において、データセットTの十分性は、データセット内のデータの量に加えてまたはデータの量の代わりに、1つまたは複数のその他の基準(たとえば、データ例の多様性の尺度、精度など)に基づいて判定される場合がある。

【0186】

ブロック710において、処理論理が、モデル190を訓練、検証、および/または試験するためのデータセットTを(たとえば、サーバマシン180に)提供する。一部の実施形態において、データセットTは、訓練セットであり、訓練を実行するためにサーバマシン180の訓練エンジン182に提供される。一部の実施形態において、データセットTは、検証セットであり、検証を実行するためにサーバマシン180の検証エンジン184に提供される。一部の実施形態において、データセットTは、試験セットであり、試験を実行するためにサーバマシン180の試験エンジン186に提供される。ニューラルネットワークの場合、たとえば、入力値(たとえば、データ入力601に関連する数値)がニューラルネットワークに入力される。そして、ニューラルネットワークの接続の重みが、学習アルゴリズム(たとえば、逆伝播など)に従って調整され、手順が、データセットTのその他の入力/出力マッピングに関して繰り返される。ブロック710の後、モデル(たとえば、モデル190)は、サーバマシン180の訓練エンジン182を使用して訓練されること、サーバマシン180の検証エンジン184を使用して検証されること、またはサーバマシン180の試験エンジン186を使用して試験されることのうちの少なくとも1つを行われ得る。訓練されたモデルは、(たとえば、是正措置を実行するため、アラートを提供するためなど)予測データ168を生成するために(予測サーバ112の)予測コンポーネント114によって実装されてよい。

【0187】

図7Bを参照すると、方法700Bは、(たとえば、是正措置を実行するための)予測データを決定するためのモデルを訓練することに関連する。

【0188】

ブロック720において、処理論理が、(たとえば、1つまたは複数の環境監視デバイスの)非接触型センサーからの履歴的なセンサーデータを特定する。履歴的なデータセンサーは、1人もしくは複数のユーザ、1つもしくは複数の非接触型センサー、および/または1つもしくは複数の環境監視デバイスに対応する場合がある。

【0189】

一部の実施形態では、ブロック722において、処理論理が、履歴的なセンサーデータに関連する(たとえば、同じユーザに関連する)ベースラインバイタルサインを特定する。

【0190】

一部の実施形態において、ブロック720の履歴的なセンサーデータは、ユーザの表面温度、ユーザの心拍数、および/またはユーザの血管脈波波形であり、ブロック722のベースラインバイタルサイン(たとえば、履歴的なバイタルサイン)は、ユーザの中核温である。

【0191】

一部の実施形態において、ブロック720の履歴的なセンサーデータは、ユーザの姿勢(たとえば、立っている、座っている、横たわっているなど)および/または動き(たとえば、立ち上がる、座る、倒れる、歩く、走るなど)に関連付けられる。履歴的なセンサーデータは、環境監視デバイス120に取り付けられた高精度な視覚的立体視センサーならびに/または1つもしくは複数のレーダーセンサー(たとえば、短波レーダーセンサー210および/もしくは長波レーダーセンサー212)などの第1の種類のセンサーから受信されてよい。ブロック722のベースラインバイタルサインは、履歴的なセンサーデータに応じて発生した姿勢および/または動きであってよい。一部の実施形態において、ベースラインバイタルサインは、発生した姿勢および/または動きを示すユーザ入力(たとえば、音声入力、テキスト入力など)を介して入力されてよい。一部の実施形態において、ベースラインバイタルサインは、履歴的なセンサーデータを処理することによって決定されてよい。一部の実施形態において、ベースラインバイタルサインは、(たとえば、視覚的立体視センサーからの)履歴的なセンサーデータの第1のサブセットに基づいて決定されてよく、ベースラインバイタルサインは、(たとえば、短波レーダーセンサー210および/または長波レーダーセンサー212からの)履歴的なセンサーデータの第2のサブセットに基づいてよい。一部の実施形態において、訓練された機械学習モデルに入力される現在のセンサーデータは、履歴的なセンサーデータを提供した第1のセンサー(たとえば、環境監視デバイス120に取り付けられた高精度な視覚的立体視センサー)とは異なるセンサー(たとえば、短波レーダーセンサー210および/または長波レーダーセンサー212などの1つまたは複数のレーダーセンサー)からのものである。

【0192】

一部の実施形態において、ベースラインバイタルサインは、履歴的なセンサーデータに応じたユーザの健康状態を示す履歴的なバイタルサインである。たとえば、履歴的なバイタルサインは、転倒の前に発生した履歴的なセンサーデータに応じて転倒である場合がある。機械学習モデルは、健康問題の前兆である(たとえば、センサーデータ内の)パターン(たとえば、バイタルサイン)を検出するように訓練されてよい。

【0193】

ブロック724において、処理論理が、履歴的なデータを含むデータ入力を使用してモデルを訓練して、(たとえば、是正措置の実行を引き起こすための)予測データを生成するために構成された訓練されたモデルを生成する。

【0194】

一部の実施形態において、予測データは、ユーザの予測中核温を示す。一部の実施形態において、予測データは、予測姿勢および/または動きを示す。

【0195】

一部の実施形態において、モデルは、(たとえば、データをクラスタリングするための)教師なしで訓練されたモデルを生成するために(たとえば、目標出力なしで)データ入力に基づいて訓練される。一部の実施形態において、モデルは、教師ありで訓練されたモデルを生成するためにデータ入力および目標出力に基づいて訓練される。

【0196】

図7Cを参照すると、方法700Cは、(たとえば、是正措置を実行するための)予測データを決定するためのモデルを使用することに関連する。

【0197】

ブロック740において、処理論理が、1つまたは複数の非接触型センサーから現在のセンサーデータを受信する。

【0198】

ブロック742において、処理論理が、現在のセンサーデータを、訓練された機械学習モデル(たとえば、図7Bのブロック724からの訓練された機械学習モデル)への入力として提供する。

【0199】

ブロック744において、処理論理が、訓練された機械学習モデルから、1つまたは複数の出力を取得する。

【0200】

ブロック746において、処理論理が、1つまたは複数の出力に基づいて、予測データを予測する。一部の実施形態において、予測データは、ユーザの現在のバイタルサインを含む。一部の実施形態において、予測データは、ユーザに関連するアラートを含む。

【0201】

一部の実施形態において、現在のセンサーデータは、ユーザの表面温度、ユーザの心拍数、および/またはユーザの血管脈波波形を含み、現在のバイタルサイン(たとえば、予測バイタルサイン)は、ユーザの中核温である。

【0202】

一部の実施形態において、現在のセンサーデータは、ユーザの姿勢(たとえば、立っている、座っている、横たわっているなど)および/または動き(たとえば、立ち上がる、座る、倒れる、歩く、走るなど)に関連付けられ、現在のバイタルサイン(たとえば、予測バイタルサイン)は、姿勢および/または動き(たとえば、予測的な転倒)である。

【0203】

図8は、特定の実施形態によるコンピュータシステム800を示すブロック図である。一部の実施形態において、コンピュータシステム800は、その他のコンピュータシステムに(たとえば、ローカルエリアネットワーク(LAN)、イントラネット、エクストラネット、またはインターネットなどのネットワークを介して)接続されてよい。コンピュータシステム800は、クライアント-サーバ環境内のサーバもしくはクライアントコンピュータの容量内で、またはピアツーピアもしくは分散型ネットワーク環境内のピアコンピュータとして動作する場合がある。コンピュータシステム800は、PC、タブレットPC、携帯情報端末(PDA)、セルラ電話、ウェブアプライアンス、サーバ、ネットワークルータ、スイッチもしくはブリッジ、またはそのデバイスによって行われるべきアクションを指定する(逐次的もしくはその他の)命令のセットを実行することができる任意のデバイスによって提供されてよい。さらに、用語「コンピュータ」は、本明細書において説明された方法のうちの任意の1つまたは複数を実行するための命令の1つのセット(または複数のセット)を個々にまたは一緒に実行するコンピュータの任意の集合を含む。一部の実施形態において、コンピュータシステム800は、クライアントデバイス106、環境監視デバイス120などのうちの1つまたは複数である。一部の実施形態において、コンピュータシステム800は、図8に示されるコンポーネントよりも少ないコンポーネントを含む。一部の実施形態において、コンピュータシステム800は、図8に示されるコンポーネントよりも多いコンポーネントを含む。

【0204】

さらなる態様において、コンピュータシステム800は、バス808を介して互いに通信してよい処理デバイス802、揮発性メモリ804(たとえば、ランダムアクセスメモリ(RAM))、不揮発性メモリ806(たとえば、読み出し専用メモリ(ROM)または電気的消去可能プログラマブルROM(EEPROM))、およびデータストレージデバイス816を含んでよい。

【0205】

処理デバイス802は、(たとえば、複合命令セットコンピューティング(CISC)マイクロプロセッサ、縮小命令セットコンピューティング(RISC)マイクロプロセッサ、超長命令語(VLIW)マイクロプロセッサ、その他の種類の命令セットを実装するマイクロプロセッサ、もしくは命令セットの種類の組合せを実装するマイクロプロセッサなどの)汎用プロセッサまたは(たとえば、特定用途向け集積回路(ASIC)、フィールドプログラマブルゲートアレイ(FPGA)、デジタル信号プロセッサ(DSP)、もしくはネットワークプロセッサなどの)専用プロセッサなどの1つまたは複数のプロセッサによって提供されてよい。

【0206】

コンピュータシステム800は、ネットワークインターフェースデバイス822をさらに含んでよい。コンピュータシステム800は、ビデオディスプレイユニット810(たとえば、液晶ディスプレイ(LCD))、英数字入力デバイス812(たとえば、キーボード)、カーソル制御デバイス814(たとえば、マウス)、および信号生成デバイス820も含んでよい。

【0207】

一部の実装において、データストレージデバイス816は、図1のコンポーネント(たとえば、環境監視コンポーネント108、予測コンポーネント114など)を符号化する、本明細書において説明された方法を実施するための命令を含み、本明細書において説明された方法または機能のうちのいずれか1つまたは複数を符号化する命令826を記憶する場合がある非一時的コンピュータ可読ストレージ媒体824を含んでよい。

【0208】

命令826は、コンピュータシステム800による命令826の実行中、揮発性メモリ804内および/または処理デバイス802内に完全にまたは部分的に存在する可能性もあり、したがって、揮発性メモリ804および処理デバイス802が、機械可読ストレージ媒体を構成する可能性もある。

【0209】

コンピュータ可読ストレージ媒体824は、説明のための例において単一の媒体として示されているが、用語「コンピュータ可読ストレージ媒体」は、実行可能な命令の1つまたは複数のセットを記憶する単一の媒体または複数の媒体(たとえば、集中型もしくは分散型データベース、ならびに/または関連するキャッシュおよびサーバ)を含む。また、用語「コンピュータ可読ストレージ媒体」は、本明細書において説明された方法のうちの任意の1つまたは複数をコンピュータに実行させるコンピュータによって実行するための命令のセットを記憶または符号化することができる任意の有形の媒体を含む。用語「コンピュータ可読ストレージ媒体」は、ソリッドステートメモリ、光学式媒体、および磁気式媒体を含むがこれらに限定されない。

【0210】

本明細書において説明された方法、コンポーネント、および特徴は、ディスクリートハードウェアコンポーネントによって実装される場合があり、またはASIC、FPGA、DSP、もしくは同様のデバイスなどのその他のハードウェアコンポーネントの機能に統合される場合がある。さらに、方法、コンポーネント、および特徴は、ハードウェアデバイス内のファームウェアモジュールまたは機能的回路によって実装される場合がある。さらに、方法、コンポーネント、および特徴は、ハードウェアデバイスとコンピュータプログラムコンポーネントとの任意の組合せ、またはコンピュータプログラムに実装される場合がある。

【0211】

特段の記載がない限り、「受信する」、「判定する」、「提供する」、「組み合わせる」、「訓練する」、「取得する」、「予測する」などの用語は、コンピュータシステムのレジスタおよびメモリ内で物理的(電子的)量として表されるデータを操作し、コンピュータシステムのメモリもしくはレジスタまたはその他のそのような情報ストレージ、送信、もしくはディスプレイデバイス内で物理的量として同様に表されるその他のデータに変換するコンピュータシステムによって実行または実装されるアクションおよびプロセスを指す。また、本明細書において使用される用語「第1の」、「第2の」、「第3の」、「第4の」などは、異なる要素を区別するためのラベルとして意図されており、それらの用語の数の指定に従った順序の意味を持たない場合がある。

【0212】

本明細書において説明された例は、本明細書において説明された方法を実行するための装置にも関する。この装置は、本明細書において説明された方法を実行するために特に構築されてよく、またはコンピュータシステムに記憶されるコンピュータプログラムによって選択的にプログラミングされた汎用コンピュータシステムを含んでよい。そのようなコンピュータプログラムは、コンピュータ可読有形ストレージ媒体に記憶される場合がある。

【0213】

本明細書において説明された方法および説明のための例は、いかなる特定のコンピュータまたはその他の装置にも本質的に関連しない。様々な汎用システムが本明細書において説明された教示に従って使用されてよく、あるいは本明細書において説明された方法および/またはそれらの方法の個々の関数、ルーチン、サブルーチン、もしくは動作の各々を実行するためにより特化された装置を構築することが都合がよいと分かる場合がある。様々なこれらのシステムのための構造の例が、上の説明に記載されている。

【0214】

上述の説明において、多くの詳細が説明されている。しかし、実施形態がこれらの特定の詳細なしに実施される場合があることは、本開示の恩恵に浴する当業者に明らかであろう。場合によっては、説明を曖昧にすることを避けるために、よく知られた構造およびデバイスは、詳細にではなくブロック図の形態で示されている。

【0215】

詳細な説明のいくつかの部分は、コンピュータメモリ内のデータビットに対する操作のアルゴリズムおよび記号表現の観点で提示されている。これらのアルゴリズムの記述および表現は、データ処理技術に精通した者によって、それらの者の成果の内容を当該技術に精通したその他の者に最も効果的に伝えるために使用される手段である。ここでおよび概して、アルゴリズムは、所望の結果をもたらす自己矛盾のない一連のステップであると考えられる。ステップとは、物理量の物理的操作を必要とするステップである。必ずではないが通常、これらの量は、記憶、転送、組合せ、比較、およびその他の操作を行われ得る電気的または磁気的信号の形態をとる。これらの信号をビット、値、要素、記号、文字、用語、数などと呼ぶことが、主に共通使用の理由で便利な場合があることが分かっている。

【0216】

実施形態は、本明細書の動作を実行するための装置にも関する。この装置は、必要とされる目的のために特別に構築されてよく、またはコンピュータに記憶されたコンピュータプログラムによって選択的にアクティブ化もしくは再構成される汎用コンピュータを含む場合がある。そのようなコンピュータプログラムは、フロッピーディスク、光ディスク、CD-ROMおよび光磁気ディスクを含む任意の種類のディスク、読み出し専用メモリ(ROM)、ランダムアクセスメモリ(RAM)、EPROM、EEPROM、磁気式もしくは光学式カード、または電子的な命令を記憶するのに好適な任意の種類の媒体などであるがこれらに限定されないコンピュータ可読ストレージ媒体に記憶される場合がある。

【0217】

本明細書において提示されたアルゴリズムおよび表示は、いかなる特定のコンピュータまたはその他の装置にも本質的に関連しない。様々な汎用システムが、本明細書の教示に従ってプログラムとともに使用されてよく、または必要とされる方法のステップを実行するためにより特化された装置を構築することが都合がよいと分かる場合がある。様々なこれらのシステムのための必要とされる構造は、以下の説明から明らかになるであろう。さらに、これらの実施形態は、いかなる特定のプログラミング言語に関連して説明されていない。本明細書において説明されたように、本発明の教示を実施するために様々なプログラミング言語を使用されてよいことは理解されるであろう。また、本明細書において使用される用語「～とき」または語句「～に応じて」は、特定された動作が実行される前に、介在する時間、介在する事象、またはその両方が存在する場合があることを示すと理解されるべきであることに留意されたい。

【0218】

様々な動作が、本開示を理解するのに最も役立つ方法で、複数の別々の動作として順に説明されているが、説明の順序は、これらの動作が必ず順序に依存することを示唆すると解釈されるべきではない。特に、これらの動作は、必ずしも提示順に実行されなくてよい。

【0219】

本明細書において使用される用語「～の上方に(over)」、「～の下方に(under)」、「～の間に(between)」、「～上に配置された(disposed on)」、および「～上に(on)」は、その他のレイヤまたはコンポーネントに対する1つの材料のレイヤまたはコンポーネントの相対位置を指す。たとえば、別のレイヤ上、上方、または下方に配置された1つのレイヤは、別のレイヤと直接接触している場合があり、または1つもしくは複数の間のレイヤを有する場合がある。さらに、2つのレイヤの間に配置された1つのレイヤは、2つのレイヤと直接接触している場合があり、または1つもしくは複数の間のレイヤを有する場合がある。同様に、特段の記載がない限り、2つの特徴の間に配置された1つの特徴は、隣接する特徴と直接接触している場合があり、または1つもしくは複数の間のレイヤを有する場合がある。

【0220】

様々な実施形態は、上述の構造的特徴の異なる組合せを持ち得る。たとえば、上述された車両ウィップシステム(vehicle whip system)のすべての任意の機能が、車両ウィップシステムに実装されることも可能であり、例の詳細は、1つまたは複数の実施形態のどこでも使用されることが可能である。

【0221】

本開示が限られた数の実施形態に関連して説明されたが、当業者は、それらの実施形態から多数の修正および変更を理解するであろう。添付の請求項は、本開示の真の精神および範囲内に入るようなすべての修正および変更を包含することが意図される。

【0222】

本明細書の説明においては、本開示を完全に理解させるために、特定の種類の材料、特定のサイズ、特定の表面、特定の構造、特定の詳細、特定の構成、特定の種類、特定のシステムコンポーネント、特定の動作、特定の電気接続の種類などの例などの多数の特定の詳細が、記載されている。しかし、これらの特定の詳細が本開示を実施するために必ずしも使用される必要がないことは、当業者に明らかであろう。その他の場合、特定のおよび代替的な材料、サイズ、表面、構造、詳細、構成、種類、システムコンポーネント、動作、電気接続の種類などのよく知られているコンポーネントまたは方法は、本開示を不必要に不明瞭にすることを避けるために、詳細に説明されていない。一部の実施形態において、本明細書に記載の寸法の1つまたは複数は、+/-1%変動してよい。一部の実施形態において、本明細書に記載の寸法の1つまたは複数は、+/-5%変動してよい。一部の実施形態において、本明細書に記載の寸法の1つまたは複数は、+/-10%変動してよい。一部の実施形態において、本明細書に記載の寸法の1つまたは複数は、+/-15%変動してよい。一部の実施形態において、本明細書に記載の寸法の1つまたは複数は、+/-20%変動してよい。一部の実施形態において、本明細書に記載の寸法の1つまたは複数は、使用されない場合がある。

【0223】

本明細書の実施形態の一部は、LEDおよび車両(たとえば、および車両のスペアタイヤマウント)に関連して説明されているが、その他の実施形態は、その他の種類の発光デバイス、照明デバイス、電気的デバイス、物体、および/または取り付け面に適用可能である。本明細書の実施形態の一部は、(たとえば、車両に結合される)フラグウィップ(flag whip)に関連して説明されているが、その他の実施形態は、フラグレスウィップ(flagless whip)、車両に結合されるコンポーネント、車両ではない何かに結合されるコンポーネント(たとえば、フラグウィップ)、通常は外部制御線(exterior control wire)を有するコンポーネントなどのその他の種類の構造に適用可能である。本開示の実施形態の同様の技術および教示は、(たとえば、2つの物体に対して異なる平面で取り付ける、外部制御ワイヤを有するなど)その他の種類のコンポーネント、デバイス、システム、および組立体に適用され得る。加えて、本明細書の説明は、例を与え、添付の図面は、例示を目的とする様々な例を示す。しかし、これらの例は、本開示の実施形態のすべての可能な実装の網羅的なリストを与えるのではなく本開示の実施形態の例を与えるように意図されているに過ぎないので、限定的な意味に解釈されるべきでない。

【0224】

語句「～するように構成された(configured to)」の使用は、一実施形態において、指定されたまたは決められたタスクを実行するための装置、ハードウェア、論理、または要素を配列し、組み立て、製造し、売り出し、輸入し、および/または設計することを指す。この例において、動作していない装置またはその装置の要素は、指定されたタスクを実行するために設計され、結合され、および/または相互に接続される場合、やはり、前記指定されたタスクを実行する「ように構成される」。

【0225】

さらに、語句「～するための(to)」、「～することができる(capable of/to)」、および/または「～するように動作可能な(operable to)」の使用は、一実施形態において、指定された方法で装置、ハードウェア、および/または要素を使用することを可能にするようにして設計された何らかの装置、ハードウェア、および/または要素を指す。するための、することができる、またはするように動作可能なの使用は、一実施形態においては、装置、ハードウェア、および/または要素の休止状態を指し、装置、ハードウェア、および/または要素は、動作していないが、指定された方法で装置を使用することを可能にするようにして設計されることに留意されたい。

【0226】

本明細書全体を通じて「一実施形態(one embodiment)」または「実施形態(an embodiment)」との言及は、実施形態に関連して説明された特定の特徴、構造、または特性が本開示の少なくとも1つの実施形態に含まれることを意味する。したがって、本明細書中の様々な箇所に現れる語句「一実施形態において(in one embodiment)」または「実施形態において(in an embodiment)」は、必ずしもすべてが同じ実施形態を指しているとは限らない。さらに、特定の特徴、構造、または特性は、1つまたは複数の実施形態において任意の好適な方法で組み合わされ得る。

【0227】

上述の明細書においては、詳細な説明が、特定の例示的な実施形態を参照して与えられた。しかし、添付の請求項に記載された本開示のより広い精神および範囲を逸脱することなく本発明に対して様々な修正および変更がなされ得ることは明らかであろう。したがって、明細書および図面は、限定的な意味ではなく例示的な意味に解釈されるべきである。さらに、実施形態およびその他の例示的な言葉の上述の使用は、必ずしも同じ実施形態または同じ例を指さないが、異なるおよび別個の実施形態、ならびに潜在的に同じ実施形態を指し得る。

【0228】

語「例」または「例示的な」は、本明細書においては、例、具体例、または事例としての役割を果たすことを意味するために使用される。本明細書において「例」または「例示的な」と記載されたいずれの態様または設計も、必ずしもその他の態様または設計よりも好ましいかまたは有利であると解釈されるべきでない。むしろ、語「例」または「例示的な」の使用は、概念を具体化して提示するように意図される。本出願において使用されるとき、用語「または(or)」は、排他的な「または(or)」ではなく包含的な「または(or)」を意味するように意図される。つまり、特段の記載がない限り、または文脈から明らかでない限り、「XはAまたはBを含む」は、自然な包含的順列(natural inclusive permutation)のいずれかを意味するように意図される。つまり、XがAを含む、XがBを含む、またはXがAとBとの両方を含む場合、「XがAまたはBを含む」は、上記の場合のいずれかの下で満たされる。加えて、本出願および添付の請求項において使用される冠詞「a」および「an」は、特段の記載がない限り、または文脈から単数形を対象とすることが明らかでない限り、通常「1つまたは複数の(one or more)」を意味すると解釈されるべきである。さらに、用語「実施形態(an embodiment)」、または「一実施形態(one embodiment)」、または「実装(an implementation)」、または「1つの実装(one implementation)」の使用は、全体を通じて、そのように説明されない限り同じ実施形態または実装を意味するように意図されていない。また、本明細書において使用される「第1の」、「第2の」、「第3の」、「第4の」などは、異なる要素を区別するためのラベルとして意図されており、必ずしも、それらの用語の数の指定に従った順序の意味を持ち得ない。

【0229】

上述の説明は、例示的であるように意図されており、限定的であるように意図されていない。本開示が特定の説明のための例および実装に関連して説明されたが、本開示は説明された例および実装に限定されないことが認められるであろう。本開示の範囲は、添付の請求項が与えられる均等物の全範囲と併せて請求項に関連して決定されるべきである。

【符号の説明】

【0230】

100 システム
106 クライアントデバイス
108 環境監視コンポーネント
110 予測システム
112 予測サーバ
114 予測コンポーネント
120 環境監視デバイス
122 センサー
130 ネットワーク
140 データストア
150 センサーデータ
152 履歴的なセンサーデータ
154 現在のセンサーデータ
160 バイタルサイン
162 ベースラインバイタルサイン
164 現在のバイタルサイン
166 ユーザ情報
168 予測データ
169 アラート
170 サーバマシン
172 データセットジェネレータ
180 サーバマシン
182 訓練エンジン
184 検証エンジン
185 選択エンジン
186 試験エンジン
190 モデル
210 短波レーダーセンサー
212 長波レーダーセンサー
214 撮像センサー
216 赤外線(IR)センサー
218 音声センサー
220 入力/出力コンポーネント
222 スピーカ
224 発光ダイオード(LED)
226 ユーザインターフェース
230 処理コンポーネント
232 処理デバイス
234 メモリ
240 接続コンポーネント
242 ワイヤレスモジュール
244 セルラモジュール
250 電力コンポーネント
252 電源
260 デバッグコンポーネント
262 通信ポート
310 ハウジング
500 方法
600A システム
600B システム
601 データ入力
602 訓練セット
603 目標出力
604 検証セット
606 試験セット
608) 選択されたモデル
700A～C 方法
800 コンピュータシステム
802 処理デバイス
804 揮発性メモリ
806 不揮発性メモリ
808 バス
810 ビデオディスプレイユニット
812 英数字入力デバイス
814 カーソル制御デバイス
816 データストレージデバイス
820 信号生成デバイス
822 ネットワークインターフェースデバイス
824 非一時的コンピュータ可読ストレージ媒体
826 命令

【図1】

【図2】

【図3A】

【図3B】

【図4】

【図5】

【図6A】

【図6B】

【図7A】

【図7B】

【図7C】

【図8】

【国際調査報告】