特表 2024-539755 気圧センサまたは大気圧センサを含む複数のセンサを用いた転倒検出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】2024-10-29

(54)【発明の名称】気圧センサまたは大気圧センサを含む複数のセンサを用いた転倒検出システムおよび方法

(51)【国際特許分類】

   G08B 21/02 20060101AFI20241022BHJP

   G08B 25/04 20060101ALI20241022BHJP

【ＦＩ】

G08B21/02

G08B25/04 K

【審査請求】未請求

【予備審査請求】未請求

(21)【出願番号】P 2024548675

(86)(22)【出願日】2022-10-24

(85)【翻訳文提出日】2024-06-23

(86)【国際出願番号】 US2022047601

(87)【国際公開番号】W WO2023069781

(87)【国際公開日】2023-04-27

(31)【優先権主張番号】63/271,194

(32)【優先日】2021-10-24

(33)【優先権主張国・地域又は機関】US

(81)【指定国・地域】

【公序良俗違反の表示】

（特許庁注：以下のものは登録商標）

１．ＢＬＵＥＴＯＯＴＨ

２．ＰＹＴＨＯＮ

(71)【出願人】

【識別番号】524157648

【氏名又は名称】ロジックマーク，インコーポレイテッド

(74)【代理人】

【識別番号】100137969

【弁理士】

【氏名又は名称】岡部 憲昭

(74)【代理人】

【識別番号】100104824

【弁理士】

【氏名又は名称】穐場 仁

(74)【代理人】

【識別番号】100121463

【弁理士】

【氏名又は名称】矢口 哲也

(72)【発明者】

【氏名】ラーソン，ジョナサン

(72)【発明者】

【氏名】シモンズ，チア―リン

(72)【発明者】

【氏名】パワーズ，ショーン

【テーマコード（参考）】

5C086

5C087

【Ｆターム（参考）】

5C086AA22

5C086CA09

5C086CA22

5C086CA25

5C086DA08

5C086DA19

5C087DD03

5C087EE08

5C087FF04

5C087GG08

5C087GG66

5C087GG70

5C087GG83

(57)【要約】

ウェアラブルデバイスは、機械学習による転倒検出プロセッサを備える。転倒検出プロセッサは、複数の動作センサ、少なくとも１つの高さセンサおよび力センサの総数のセンサのうちの最小数のセンサが転倒の発生を示すときに、アラートを発する。最小数のセンサは、着用者の予想される活動レベルに部分的に基づいて、転倒検出プロセッサによって、自動的に設定される。転倒検出プロセッサは、データベースに格納された着用者の予想される活動レベルを着用者の実際の活動レベルに更新する。
【選択図】図１

【特許請求の範囲】

【請求項1】

機械学習による転倒検出プロセッサと、
着用者の予想される活動レベルを記憶するように構成されたデータベースを備えた、 非一時的なコンピュータ可読媒体と、
各動作センサは個別の転倒動作閾値を有し、動作センサは、前記個々の転倒動作閾値を超えた場合に、前記転倒検出プロセッサに転倒動作信号を送信するように構成された、複数の動作センサと、
少なくとも１つの高さセンサは、転倒高さ閾値を超えたときに前記転倒検出プロセッサに転倒高さ信号を送信するように構成された、前記転倒高さ閾値を有する少なくとも１つの高さセンサと、
力センサは、力閾値を超えたときに前記転倒検出プロセッサに力信号を送るように構成され、前記力閾値を有する力センサと、
を備え、
前記複数の動作センサ、前記少なくとも１つの高さセンサ、および前記力センサの総数のセンサのうち、最小数のセンサが転倒の発生を示す場合にアラートを発するように構成され、
前記センサの最小数は、前記着用者の前記予想される活動レベルに部分的に基づいて、前記転倒検出プロセッサによって自動的に設定され、
前記転倒検出プロセッサは、前記データベースに格納された前記着用者の前記予想される活動レベルを、前記着用者の実際の活動レベルに更新する、ウェアラブルデバイス。

【請求項2】

前記転倒検出プロセッサは、前記着用者の前記予想される活動レベルに部分的に基づいて前記センサの最小数を変更するようにさらに構成される、請求項１に記載のウェアラブルデバイス。

【請求項3】

前記転倒検出プロセッサは、前記着用者の前記予想される活動レベルに部分的に基づいて、前記個人の転倒動作閾値、前記転倒高さ閾値、または前記力閾値を調整するようにさらに構成される、請求項２に記載のウェアラブルデバイス。

【請求項4】

前記転倒検出プロセッサは、前記着用者の前記予想される活動レベルに部分的に基づいてセンサをオンまたはオフするようにさらに構成される、請求項３に記載のウェアラブルデバイス。

【請求項5】

前記着用者が前記着用者の前記予想される活動レベルを調整可能にするためのユーザインターフェースをさらに備える、請求項４に記載のウェアラブルデバイス。

【請求項6】

前記ユーザインターフェースは、衝撃検出閾値を有するオーディオプロセッサを備えたマイクロフォンを含み、前記オーディオプロセッサは、前記衝撃検出閾値を超えたときに前記転倒検出プロセッサに衝撃信号を送信するようにさらに構成され、
前記センサの総数は、前記マイクロフォンをさらに含む、請求項５に記載のウェアラブルデバイス。

【請求項7】

前記動作センサは、傾斜検出閾値を有するジャイロセンサであり、前記ジャイロセンサは、前記傾斜検出閾値を超えた場合に前記転倒検出プロセッサに傾斜信号を送信するようにさらに構成され、
前記センサの総数は、前記ジャイロスコープセンサをさらに含む、請求項５に記載のウェアラブルデバイス。

【請求項8】

前記転倒検出プロセッサは、時間帯に基づいて前記着用者の前記予想される活動レベルを調整する、請求項５に記載のウェアラブルデバイス。

【請求項9】

前記転倒検出プロセッサは、回帰技術、決定木または決定マトリクスを使用して、前記着用者の前記予想される活動レベルを決定することを助ける、請求項５に記載のウェアラブルデバイス。

【請求項10】

前記転倒検出プロセッサは、センサを分離することによって誤検知の転倒信号を修復する、請求項５に記載のウェアラブルデバイス。

【請求項11】

前記転倒検出プロセッサは、前記着用者の前記予想される活動レベルを決定することを助けるために、テンプレートマッチングのためのサポートベクターマシン（ＳＶＭ）を使用する、請求項５に記載のウェアラブルデバイス。

【請求項12】

前記転倒検出プロセッサがニューラルネットワークである、請求項５に記載のウェアラブルデバイス。

【請求項13】

着用者の予想される活動レベルを、非一時的コンピュータ可読媒体上のデータベースに格納するステップと、
個々の転倒動作閾値を超えた場合に、転倒検出プロセッサによって、それぞれが転倒動作閾値を有する複数の動作センサから、転倒動作信号を受信するステップと、
転倒高さ閾値を超えた場合に、前記転倒検出プロセッサによって、前記転倒高さ閾値を有する少なくとも１つの高さセンサから、転倒高さ信号を受信するステップと、
力閾値を超えた場合に、前記転倒検出プロセッサによって、前記力閾値を有する力センサから、力信号を受信するステップと、
前記複数の動作センサ、前記少なくとも１つの高さセンサおよび前記力センサの総数のセンサのうち、最小数のセンサが転倒の発生を示す場合に、前記転倒検出プロセッサにアラートを発するステップであって、
前記センサの最小数は、前記着用者の前記予想される活動レベルに部分的に基づいて、前記転倒検出プロセッサによって自動的に設定される、ステップと、
前記転倒検出プロセッサを用いて、前記データベースに格納された前記着用者の前記予想される活動レベルを、前記着用者の実際の活動レベルに更新するステップと、
を備える、ウェアラブルデバイスの転倒検知方法。

【請求項14】

前記転倒検出プロセッサは、前記着用者の前記予想される活動レベルに部分的に基づいて前記センサの最小数を変更するようにさらに構成される、請求項１３に記載の転倒検出方法。

【請求項15】

前記転倒検出プロセッサは、前記着用者の前記予想される活動レベルに部分的に基づいて、前記個々の転倒動作閾値、前記転倒高さ閾値、または前記力閾値を調整するようにさらに構成される、請求項１４に記載の転倒検出方法。

【請求項16】

前記転倒検出プロセッサは、前記着用者の前記予想される活動レベルに部分的に基づいてセンサをオンまたはオフするようにさらに構成される、請求項１５に記載の転倒検出方法。

【請求項17】

ユーザインターフェースからの入力で前記着用者の前記予想される活動レベルを調整するステップをさらに備える、請求項１６に記載の転倒検出方法。

【請求項18】

前記ユーザインターフェースは、衝撃検出閾値を有するオーディオプロセッサを備えたマイクロフォンを含み、前記オーディオプロセッサは、前記衝撃検出閾値を超えたときに前記転倒検出プロセッサに衝撃信号を送信するようにさらに構成され、
前記センサの総数は、前記マイクロフォンをさらに含む、請求項１７に記載の転倒検出方法。

【請求項19】

前記動作センサは、傾斜検出閾値を有するジャイロセンサであり、前記ジャイロセンサは、前記傾斜検出閾値を超えた場合に前記転倒検出プロセッサに傾斜信号を送信するようにさらに構成され、
前記センサの総数は、前記ジャイロスコープセンサをさらに含む、請求項１７に記載の転倒検出方法。

【請求項20】

転倒検出プロセッサによって実行されると、ウェアラブルデバイスに、
着用者の予想される活動レベルを、非一時的コンピュータ可読媒体上のデータベースに格納させ、
個々の転倒動作閾値を超えた場合に、前記転倒検出プロセッサによって、それぞれが転倒動作閾値を有する複数の動作センサから、転倒動作信号を受信させ、
転倒高さ閾値を超えた場合、前記転倒検出プロセッサによって、前記転倒高さ閾値を有する少なくとも１つの高さセンサから、転倒高さ信号を受信させ、
力閾値を超えた場合に、前記転倒検出プロセッサによって、前記力閾値を有する力センサから、力信号を受信させ、
前記複数の動作センサ、前記少なくとも１つの高さセンサおよび前記力センサの総数のセンサのうち、最小数のセンサが転倒の発生を示す場合に、前記転倒検出プロセッサにアラートを発行させ、
前記センサの最小数は、前記着用者の前記予想される活動レベルに部分的に基づいて、前記転倒検出プロセッサによって自動的に設定され、
前記転倒検出プロセッサは、前記データベースに格納された前記着用者の前記予想される活動レベルを、前記着用者の実際の活動レベルに更新する、データおよび命令で符号化された非一時的コンピュータ可読記憶媒体。

【発明の詳細な説明】

【技術分野】

【0001】

関連出願の相互参照

【0002】

［0001］本出願は、２０２１年１０月２４日に出願された米国仮出願第６３／２７１，１９４号の優先権を主張し、その内容は参照により本明細書に取り込まれる。

【0003】

［0002］本開示の態様は一般に、複数のセンサを用いた転倒検出における誤検知を低減するための装置、システムおよび方法に関する。

【0004】

［0003］世界保健機関（ＷＨＯ）によると、転倒は、人が不注意に地面、床、または開始前の高さや向きより低いレベル（垂直／立っている状態から水平／地面にいる状態）で休むことと定義されている。高さの変化、方向の変化、運動速度の変化、衝撃の検出など、いくつかの要因が転倒の発生を示すことができる。

【0005】

［0004］６５歳以上の３５００万人のアメリカ人のうち、１年に約３人に１人転倒し、転倒した人の５０％は起き上がるために誰かの助けを必要とする。高齢者は、転倒による怪我で入院する頻度が他のすべての原因による怪我の５倍になる。転倒は高齢者の事故死の主な原因である。

【0006】

［0005］迅速な支援を行うことで、このような緊急事態を生き延びる可能性が高くなることを研究が示している。迅速な支援を呼ぶことができれば、高齢者は自立した生活を続ける可能性が高くなる。それどころか、人が無力な状況（例えば、倒れたが直立した姿勢に戻ることができない）で過ごす時間が長ければ長くなるほど、支持療法に移行する。一人暮らしの高齢者にとって、身体が不自由になり助けが得られなくなることは一般的な悩みであり、通常、彼らの自立した生活に終わりを告げる。転倒や他の緊急事態が発生しても、１時間以内に助けを受けた人の９０％は自立生活を続けることができるが、１２時間助けが来なければ、自宅で自立した生活を続けることができるのはそのうちの１０％に過ぎない。

【0007】

［0006］現在の転倒検知器は、衝撃または衝撃検出と方向検出の２つのカテゴリに分類できる。１つ目のカテゴリにおいて、装置は転倒が識別される測定可能な衝撃（例えば、衝撃による）を経験する必要がある。２つ目のカテゴリの装置は、通常、傾斜スイッチ（水銀スイッチ）を使用し、ユーザが水平方向にいるときに傾斜スイッチがされるようオブジェクト指向を装着する必要がある。１つ目および２目のタイプは、ジャイロおよび加速度計を含むこともできる。

【発明の概要】

【0008】

［0007］ウェアラブルデバイスは、機械学習転倒検出プロセッサ、非一時的コンピュータ可読媒体、複数の動作センサ、少なくとも１つの高さセンサ、力センサを備える。非一時的コンピュータ可読媒体は、着用者の予想される活動レベルを記憶するように構成されたデータベースを有する。複数の動作センサは、各動作センサが個別の転倒動作閾値を有し、各動作センサは、個々の転倒動作閾値を超えた場合に転倒検出プロセッサに転倒動作信号を送る。少なくとも１つの高さセンサは、転倒高さ閾値を有する。少なくとも１つの高さセンサは、転倒高さ閾値を超えると、転倒検出プロセッサに転倒高さ信号を送信する。力センサは力の閾値を有する。力センサは、力の閾値を超えると、転倒検出プロセッサに力信号を送信する。転倒検出プロセッサは、複数の動作センサ、少なくとも１つの高さセンサおよび力センサの総数のうちの最小数のセンサが転倒の発生を示す場合にアラートを発する。センサの最小数は、着用者の予想される活動レベルに部分的に基づいて、転倒検出プロセッサによって自動的に設定される。転倒検出プロセッサは、データベースに格納された着用者の予想される活動レベルを、着用者の実際の活動レベルに更新する。

【0009】

［0008］ウェアラブルデバイスは、転倒検知方法を実行する。非一時的コンピュータ可読媒体は、データベースに着用者の予想される活動レベルを格納する。転倒検出プロセッサは、個々の転倒動作閾値を超えたときに、それぞれが転倒動作閾値を有する複数の動作センサから転倒動作信号を受信する。転倒検出プロセッサは、転倒高さの閾値を超えたときに、転倒高さの閾値を有する少なくとも１つの高さセンサから転倒高さ信号を受信する。転倒検出プロセッサは、力閾値を超えると、力閾値を有する力センサから力信号を受信する。転倒検出プロセッサは、複数の動作センサ、少なくとも１つの高さセンサおよび力センサの合計数のセンサから、最小数のセンサが転倒の発生を示す場合に、転倒検出プロセッサに警告を発する。センサの最小数は、着用者の予想される活動レベルに部分的に基づいて転倒検出プロセッサによって自動的に設定される。転倒検出プロセッサは、データベースに格納された着用者の予想される活動レベルを着用者の実際の活動レベルに更新する。

【0010】

［0009］非一時的コンピュータ可読記憶媒体は、データおよび命令で符号化される。転倒検出プロセッサによって実行されると、ウェアラブルデバイスに転倒検知方法を実行させる。非一時的コンピュータ可読媒体は、着用者の予想される活動レベルをデータベースに格納する。転倒検出プロセッサは、個々の転倒動作閾値を超えたときに、それぞれが転倒動作閾値を有する複数の動作センサから転倒動作信号を受信する。転倒検出プロセッサは、転倒高さの閾値を超えたときに、転倒高さの閾値を有する少なくとも１つの高さセンサから転倒高さ信号を受信する。転倒検出プロセッサは、力閾値を超えると、力閾値を有する力センサから力信号を受信する。転倒検出プロセッサは、複数の動作センサ、少なくとも１つの高さセンサおよび力センサの合計数のセンサから、最小数のセンサが転倒の発生を示す場合に、転倒検出プロセッサに警告を発する。センサの最小数は、着用者の予想される活動レベルに部分的に基づいて、転倒検出プロセッサによって自動的に設定される。転倒検出プロセッサは、データベースに格納された着用者の予想される活動レベルを着用者の実際の活動レベルに更新する。

【図面の簡単な説明】

【0011】

［0010］本開示の性質および利点をよりよく理解するために、以下の説明および添付の図を参照されたい。しかしながら、各図は例示のみを目的として提供されており、本開示の範囲の限界の定義として意図されたものではないことを理解されたい。さらに、一般的な規則として、また、異なる図の要素が同一の参照番号を使用する場合、説明と反対であることが明らかでない限り、それらの要素は一般に機能または目的において同一であるか、または少なくとも類似している。

【図1】複数のセンサからの測定によって決定されるように、人が転倒したことを検知する個人用緊急応答システム（ＰＥＲＳ）のブロック図である。

【図2】人工ニューラルネットワーク内の単一のニューロンを示す。

【図3】転倒検出のためのより正確なニューラルネットワークの実施形態である。

【発明を実施するための形態】

【0012】

［0012］本開示の態様は、複数のセンサからの測定によって決定されるように、人が転倒したことを検知する個人用緊急応答システム（ＰＥＲＳ）を含む。このような場合、個人用緊急応答システムは、ペンダント、時計、眼鏡、またはその他のウェアラブルデバイスに統合される。ＰＥＲＳは、基準の上のセンサの高さを追跡するための圧力センサを含んでもよい。１つまたは複数のセンサは、バッテリ電力を節約するために、低電力環境で動作することができ得る。

【0013】

［0013］開示のもう一つの側面は、ＰＥＲＳ着用者が自宅を歩いているときにカウンタやテーブルにぶつかるだけで衝撃や衝撃を受ける可能性があるという認識である。また、突然の心停止など、重大な出来事が起こったとき、当人は激しく地面に倒れないことがある。代わりに、例えば、当人はゆっくりと地面に倒れ込み、近くの物体をつかんで転倒を緩衝することがある。このようなゆっくりとした転倒では衝撃センサや衝撃センサが誘発しない場合がある。

【0014】

［0014］また、着用者が横になりたいとき（例えば、昼寝をしたり、夕方に就寝したりするとき）、その都度傾斜センサを無効にする必要があることを考慮する。

【0015】

［0015］転倒を正確に検出し、緊急支援の合図を送ることに加えて、誤検知の転倒検出（つまり、ＰＥＲＳが転倒を検出して表示したが着用者は転倒しなかった）は、現在の転倒検出ＰＥＲＳの大きな問題である。転倒は発生していないのに、ＰＥＲＳが頻繁に転倒事象を知らせる場合、ユーザの信頼が損なわれユーザがＰＥＲＳを使用したり持ち運んだりすることを思いとどまらせる可能性がある。ＰＥＲＳの転倒検知機能の３０～５０％は、このような誤検知アラートのために、装置配備後に無効化されていると推定／噂されている。

【0016】

［0016］監視対象者が転倒したかどうかの判断が難しいことはよく知られている。本発明の一実施形態によると、正確な転倒検出の確率を向上させ、誤検知の数を制限するために複数のセンサが採用されている。監視対象者が転倒しそうか、転倒したかを判断することが重要である。利用可能なセンサ入力が多ければ多いほど、答えはより明確になる。特定のセンサは転倒をより正確に表示できるが、他の測定値は転倒検出システムの信頼性が低くなる。したがって、最も正確なＰＥＲＳは、転倒検出におけるそれらの精度を向上させるために、必要に応じて、例えば、データ値のペア、配列、他のデータフォーマットのセットとして、各測定値を考慮し（重み付けを含む）、いくつかのセンサを使用する。そのようなシステムのいくつかを以下に説明する。

【0017】

［0017］ある有望な転倒検知技術は、ＡＩ／ＭＬ（人工知能／機械学習）の意思決定プロセスと、複数のセンサから供給されるデータを使用し、それぞれがＡＩ／ＭＬの意思決定プロセスで使用されるデータを提供する。このデータは、ＭＬ／ＡＩ手法と、その後の意思決定プロセスのための豊富なコーパスを形成できる。

【0018】

［0018］ＡＩ／ＭＬ技術の使用は、例えば、そのようなデータを提供するセンサの状態の変化を表すデータの識別と、そのようなデータが、部分的またはしばらくの間、転倒を示す可能性がある確率が含まれる。ＭＬ／ＡＩは、このような状態変化を表す特徴セットを検出してもよくそれらの状態変化の前兆である可能性がある。

【0019】

［0019］さらに、以下でさらに説明するように、ＰＥＲＳは監視対象者の転倒検出プロセスへの別の入力として、ＰＥＲＳユーザのコミュニティからの比較データおよびデータパターンを使用する。監視対象者の過去の動き、活動、データパターン、およびコミュニティ全体からのデータパターンも、転倒の決定要因として使用される。ＭＬ／ＡＩ技術をコミュニティデータのコーパスに適用することで、監視対象者の反復活動の識別と、コミュニティと比較したそれらの活動のコンテキスト化をサポートする。

【0020】

［0020］例えば、ＰＥＲＳ ＡＩ／ＭＬベースのアルゴリズムは、年齢、性別、健康状態、時間、曜日などが似ている他の人のデータを調べて、類似したパターンが同様の潜在的な転倒状況につながるのか、それとも転倒につながるのかを判断する。これにより、ＭＬ／ＡＩに十分なデータのコーパスが作成され、類似性評価、マッチングと比較、予測、ベイジアン、ファジー論理、再帰的、ディープラーニングなどの技術が適用され、適応型意思決定処理システムを提供できる。測定されたデータパターンに類似性がある場合、集計グループは、異なる性別、健康、年齢、体重などの人々を含むように拡張および／または延長できる。例えば、システムは、年齢、健康状態、性別などは似ていないが、転倒の原因となった類似データを提示するコホートをレビューできる。このような類似性の識別は、機械学習の特徴検出技術を採用することができる。

【0021】

［0021］ＰＥＲＳに一般的に搭載されているセンサは、方向転換（ジャイロスコープ）、速度変化（加速度計）、衝撃（加速度計が突然停止（速度が突然ゼロに低下する）を検出すること、傾斜または傾向（傾斜スイッチ）を簡単に検出できる。しかし、転倒前にデバイスの開始方向および／または高さを決定することは、特に検出デバイスが複数の場所のいずれかで着用または持ち運びされる可能性があり、それぞれが地面または床（基準レベル）から異なる距離である可能性が高いため、問題になる可能性がある。例えば、監視対象者はＰＥＲＳを手首やストラップに装着したり、衣服にクリップで留めたり、その他の方法で着用してもよい。さらに、ＰＥＲＳ着用者の身長は、これが少なくとも１つの高さ基準の確立に寄与する可能性がある限り考慮されなければならず、そのような高さ基準は転倒検出評価の一部として使用され得る。

【0022】

［0022］ただし、これらの各位置は、基準床の高さから異なる距離にある。多くの状況で見られるようなこれらのパラメータの変動は、部分的または全体的に、適応的意思決定システムのためのデータとして評価され使用されてもよい。例えば、環境中の変化率の変動を測定して、誤報率を低くして転倒を正確に検知するために不可欠な差分値を確立するようなもので、このような正確な検知を困難にする可能性がある。基準高さは、加速度計、ジャイロスコープ、傾斜スイッチなど一般的なＰＥＲＳ構成要素から決定することはできないが、この基準高さ情報（つまり、着用者が立っている地面または床までの距離）がなければ、人が転倒を経験したかどうかを正確に判断することは困難である。

【0023】

［0023］本発明の一実施形態は、圧力データを定期的に決定し、ＦＩＦＯ（先入れ先出し）メモリバッファに格納する大気圧センサを使用し、これにより、システムは例えば、少なくとも１つの他のセンサによって示される、例えば転倒の可能性の発生に先立ちデータを評価することができる。データはクラウドベースのバックアップメモリにも送信される。圧力が測定された時間も記録され、他の事象（加速度、他のセンサから提供されるデータなどの衝撃の事象など）のタイミングと比較できる。高さ情報は大気圧から簡単に判断できる。圧力測定から得られた高さ情報を使用して、基準レベルまたは基準床の高さを決定できる。基準レベルが決定された後、その後の高さの値が基準高さの数インチ以内であると判断された場合、これは監視対象者が転倒した可能性があることを示す１つの指標である。

【0024】

［0024］一実施形態において、圧力センサはバッテリ電力を節約するために、低電力圧力センサを備える。

【0025】

［0025］測定値とデータのクラウドバックアップは、ＰＥＲＳがフルパワーのときと「スリープ」（低電力）期間中に発生する可能性がある。クラウドへのデータバックアップのタイミングも可変であり、データ測定と同様に監視対象者の活動レベルやその他の関連要因に依存し得る。

【0026】

［0026］圧力データ（および他のセンサデータ）が決定される速度は可変であり、監視対象者の活動レベル、同時測定値、および／または以前の測定値に依存し得る。例えば、活動が少ないまたは軽い時間帯に圧力やその他の転倒指示値を測定するには、１時間に１回で十分かもしれないが、より活動的な監視対象の人は、圧力やその他の転倒指示値をより頻繁に測定する必要があり得る。

【0027】

［0027］感知された圧力は、温度の関数であってもよく、したがって、特定の実施形態において、周囲温度に基づいて圧力測定を補正することが必要であってもよい。

【0028】

［0028］着用者（監視対象者）が事前定義されたジオフェンスエリア内にいる場合（例えば、ベッドに横たわっている場合）、データ収集の速度も低下し得る。

【0029】

［0029］また、測定時間（すなわち、データを収集するためにセンサがオンのままである間隔）は可変であり、センサの構成およびデータを受信し、監視機能を提供するシステムを含む、転倒検出プロセスに寄与する様々な要因に依存し得る。データが収集される速度も、さまざまな構成やその他の要因によって変動する。

【0030】

［0030］また、監視期間はタイムスライスに分割され、各タイムスライス中に特定の所定のセンサが作動されてもよい。または、異なるセンサが異なるタイムスライスで作動されてもよい。このようなアプローチは、いかなる誤検知を含む転倒状態の評価のための条件を決定することができるよう、十分なデータを提供するように一組のセンサが動作し得ることを確実にすることができる。

【0031】

［0031］センサが作動する順序も可変であり、着用者に依存する可能性がある。例えば、最初に圧力センサをチェックすることが有利であり得る。前回の読み取り値から変化がない場合は、加速度やその他の転倒検出パラメータを測定する必要がない場合がある。

【0032】

［0032］一実施形態による低電力センサを使用することで、バッテリ電力を節約し、データが収集されている間メインプロセッサ（圧力データおよび他のセンサデータを分析する）を「スリープ」状態または低電力状態にとどまらせることができる。ＰＥＲＳ内の低電力センサ（加速度、衝撃、回転、動きなどを検出）の１つが転倒の兆候となる可能性のある状態を検出すると、測定データをさらに分析するためにプロセッサが起動される。

【0033】

［0033］別の実施形態において、ＰＥＲＳ内のバッテリ容量は、すべてのセンサが常時作動または作動状態になるのに十分である。さらに、バッテリ容量が十分であれば、プロセッサはおそらく監視対象者が眠っているか、その他の動きの少ない活動に従事しているときを除いて、常時作動状態を維持することもできる。センサの状態は、潜在的な転倒状態のセンサのカバレッジを低下させることなくバッテリ容量に照らして変化されてもよい。その時間は、ＰＥＲＳバッテリを充電するのに理想的であり得る。

【0034】

［0034］各センサの測定（加速度、衝撃、回転、角速度など）は、所定の閾値（固定値のルックアップテーブルから取得された、またはＡＩまたは機械学習技術を使用して作成された、または以前のセンシング／測定値に基づいて取得された）と測定が行われた時間に関連してプロセッサによって分析される。例えば、これはグラフデータベース、スキーマ、または読み取りデータベース上のスキーマとして具現化されてもよい。これらの閾値は一般に転倒を示すため、１つまたは複数を超えると、プロセッサはＦＩＦＯメモリバッファ（および／またはＰＥＲＳが必要なデータと操作手順をダウンロードできるクラウドベースのメモリ）から大気センサの測定値にアクセスし、検出された事象の前、最中、および直後に収集された大気データを比較する。ここでも、閾値（静的または動的値）が採用されてもよい。大気圧（高さ）の急激な変化は、特にプロセッサによって分析された他のセンサデータによってサポートされている場合、転倒の兆候である。

【0035】

［0035］大気圧データと加速度、衝撃、回転、速度などのデータは、それぞれの閾値と各測定の相対的なタイミングを基準にして分析され、事象を転倒として分類するかどうかを決定する。このようなセンサデータの組み合わせは、１つまたは複数のセンサデータが閾値から変化したが、そのような変化が確認されなかったり、他のセンサデータと矛盾したりする転倒や誤検知を効果的に検出することができる。例えば、転倒前、転倒中、転倒後の大気圧データを比較することで、特に運動方向（つまり、水平軸に沿ってのみ、または水平方向と垂直方向の両方の動き、圧力／高さデータから判断可能）、運動速度（即時の変化またはゆっくりとベッドに這いつくばる）および衝撃に関連するデータに照らして評価した場合、転倒が発生したかどうかをより正確に判断できる。

【0036】

［0036］測定の閾値およびタイミングは、異なるクラスに分類されるユーザのために作成されたプロファイルにも基づいてもよい。例えば、成人、高齢者、１０代の若者、乳幼児などについて、異なるプロファイル、したがって異なる閾値および測定タイミングが作成されてもよい。そして、感知または測定されるパラメータは、着用者属するクラスにも依存し得る。

【0037】

［0037］このような個人情報は、ＰＥＲＳを最初に使用する前に簡単に収集でき、その後も継続的に収集される。その後、さまざまなデータ閾値、データパターン、データ収集のタイミング、センサ測定などをＰＥＲＳ内に自動的に実装できるため、より正確な転倒検出が可能になる。

【0038】

［0038］個人情報に加えて、監視対象者のプロファイルが作成される。このプロファイルは、日常活動、正常な歩行、正常な心拍数など、転倒検出に関連する監視対象者の特性を識別する。このようなプロファイルは部分的または全体的に、少なくとも１つの閾値、パターン、タイミングデータおよび／またはセンサおよびシステムパラメータを構成するために使用でき、個人情報を含むプロファイルのそのようなアラインメントは、そうでなければ見落とされ得る誤検知の識別をサポートし、望ましくない事象を誘発する。

【0039】

［0039］また、転倒プロファイルが異なれば、転倒が発生したことを確実に判断するために異なる情報が必要になり得ることが示唆される。例えば、次の転倒プロファイル：転倒または前方転倒、数ブロック移動したのち転倒、歩行後転倒、膝まで転倒、着用者の臀部に転倒、着用者の横向きに転倒は、異なる測定および分析手法の必要性を示唆している。

【0040】

［0040］機械学習／人工知能の実施形態（本明細書のさらなる詳細を参照）の文脈において転倒にリンクされる収集されたデータは、データベース（少なくとも１つのデバイス上および／またはクラウド内）に格納される。その後、現在のデータが以前のデータと高い相関関係にある場合、転倒が示唆される。実際の転倒のデータを含む転倒データのこの使用は、誤検知の検出にＭＬ／ＡＩを使用して使用されてもよく、そのパターンを含むプロファイルなどのデータソースを組み込んでもよい。

【0041】

［0041］ＰＥＲＳは、例えば、着用者が毎日午前１０時から１１時の間に激しい運動をした場合、ソフトウェアが「記憶」する「学習」機能も含む。このような情報は、着用者のプロフィールに組み込まれてもよい。したがって、ＰＥＲＳプロセッサは、その時間中に取られた特定の測定値を割り引く（または、低い重みを割り当てる（本明細書におけるニューラルネットワークの実施形態の説明を参照のこと）。ＰＥＲＳは、毎日ほぼ同じ時間に繰り返し発生することから、監視対象者の活発な活動の時間を学習することに加えて、監視対象者は、将来の日／時間に予想される活発な活動に基づいてＰＥＲＳを手動で設定できる。最後に、活発な活動を行う直前に、監視対象者は特定のセンサ測定値が無視されるか、または測定値の影響が他のセンサからの他の感知値と比較して割り引かれるように、ＰＥＲＳ（例えば、センサ閾値）を手動で調整することができる。この制御機能は、活発な活動によって直接影響を受ける特定の測定パラメータの閾値を変更（例えば、増加）してもよい。これは、ユーザプロファイル設定を変更できるウェルネスダッシュボードを含むアプリケーションの形態で着用者に提示されてもよい。このような変更は、デバイスおよび／またはクラウドに保存されてもよく、機械学習技術によって呼び出され、および／または使用され、そのプロファイルをさらに拡張および／または強化することができる。

【0042】

［0042］したがって、システムは、過去の行動（特に過去の反復的な行動）が現在の閾値と分析に影響を与えるという意味で学習する。数日間、午前１０時に着用者がヨガのルーチン中に低く腰を落とした場合、そのような「転倒」のたびに発行される転倒通知が着用者によってキャンセルされた場合（彼女は転倒していない）、ＰＥＲＳはその情報を保持する。それ以降の午前１０時頃の「下落」は割り引かれ、他の測定データは下落を示すために依拠される。これにより、検出される誤検知の数を大幅に減少させることができ着用者および救急サービス、医療またはケアチームなどのあらゆるシステムの利益のために、システムの全体的な運用を強化することができる。

【0043】

［0043］転倒が発生した（または発生しなかった）と判定する際のパラメータとして時刻を使用することに加えて、着用者の位置も考慮することができる。ＰＥＲＳは、位置決定装置（例えば、ＧＰＳ受信機または信号三角測量技術の使用）を含む。決定された場所が体育館またはヨガスタジオの場合、測定された傾斜値または活発な活動を示すその他の測定値は割り引かれる。着用者がジムまたはヨガスタジオを離れるとき（位置決定装置によって決定される）、測定された傾斜値は、その後に発生した転倒事象を分析する際により重要視される。

【0044】

［0044］ＰＥＲＳ内の転倒判定アルゴリズムを（監視対象者が手動で、または以前の転倒判定または転倒なしの判定に基づいて自動的に）変更することで、特定の条件下で特定のセンサに対する感度を高め、他の条件下で特定のセンサに対する感度を低くすることができるため、より正確な転倒判定が行われ、誤検知アラートが発行される回数が少なくなる。誤検知を低減するためのこの適応的アプローチは、システムのパフォーマンス、およびそれらのシステムによって誘発される事象に置かれる固有の信頼性およびそれに続く信頼において、大きな利益をもたらすが、その感度を支配する条件は多数あるが、いくつかが本明細書に記載されており、例えば、監視対象者の時間帯、活動レベル、監視対象者の位置、予想される将来の活動レベル、または以前の活動レベルに基づく場所、または同じ時刻の場所が含まれる。

【0045】

［0045］転倒警報を発令する根拠となった条件と測定データは、その後無効化され、後で測定パラメータと比較するために保存される。誤報を生成した過去のデータと現在のデータの間に高い相関関係があることは、転倒が発生していないことを示す良い指標であるが、誤検知の数を減らすためにより正確な転倒検出のために追加のセンサデータが必要であることも示唆している。

【0046】

［0046］別の実施形態において、プロセッサが起動すると、圧力センサを含むすべてのセンサから得られた測定値を分析する。すべてのセンシングデータを分析することにより、本実施形態は特定の他の測定で転倒が発生したという暫定的な結論をもたらす場合にのみ圧力データが分析される、上記の実施形態と区別される。

【0047】

［0047］転倒を検知すると、ＰＥＲＳは緊急支援の要請を含む転倒を報告するアラートまたは通知を発行する。通知は、着用者および／または救急隊員によって特定された当事者に発行され得る。

【0048】

［0048］着用者が転倒したことを通知することに加えて、アラートは、位置、転倒の時刻、着用者が転倒した方向、転倒衝撃の強さ、現在の心拍数、現在の呼吸数、および任意の配置のセンサによって生成された他のデータなど、転倒に関連する追加情報を含むことができる。

【0049】

［0049］本明細書に記載されるような低電力センサに加えて、一実施形態において、ＰＥＲＳは低電力送信機も備え得る。通常、このような送信機は信号カバレッジ範囲が限られているため近くのデバイスとのみ通信できる。このような実施形態において、低電力送信機は、より高い電力レベルで動作し、したがってより大きな信号カバレッジエリアを有する近くのデバイスに対してアラート（例えば、監視対象者が転倒した）を発する。後者の高出力デバイスは、監視対象者によって指定された当事者、例えば、家族や緊急対応者などに転倒通知を発行する。例えば、ＢｌｕｅｔｏｏｔｈやＷｉＦｉである。

【0050】

［0050］ＰＥＲＳに十分な電力が供給されている場合、低電力送信機を高出力送信機に交換し、携帯電話サービスまたはインターネット（例えば、電子メールとテキスト通知）を介して特定された受信当事者に通知信号を送信する近接ＷｉＦｉルーターを介して、救急隊員、家族などに直接転倒通知を発行できるようにする。

【0051】

［0051］このように、大気圧の急激な変化を記録／保存し、緩衝し、解析することで、ＰＥＲＳは検知した転倒事象の前後の高さ（大気変化）を比較することで、転倒を確認することができる。この気圧変化は、他のセンサを使用した転倒の初期検出とともに人が転倒を経験したかどうかを確認できる。転倒前、転倒中、転倒後の気圧を比較できれば、方向、速度、衝撃が水平軸のみで発生したのか、垂直軸に動きと距離が含まれていたのかを正確に確認することができる。

【0052】

［0052］センサの配置

【0053】

［0053］種々の記載された実施形態のセンサおよび／または処理構成要素は、ウェアラブルに封入したり、ペンダントに封入したり、衣服に貼り付けたりすることができる。一般に、ウェアラブルはアクセサリーとして着用したり、衣服に埋め込まれたり、衣服に取り付けられたり、着用者の身体に埋め込まれたり、および／または任意の配置で皮膚に入れ墨したりすることができる電子デバイスを含む。例えば、このような装置には皮膚に装着するセンサが組み込まれ、さらにペンダントとして携帯するセンサおよび／または装置に接続することができる。

【0054】

［0054］このような電子装置は、例えば、衣類、靴、帽子、ヘッドバンド、眼鏡、補聴器（補聴器には複数の電子部品が含まれており、そのうちのいくつかはＰＥＲＳとして機能するために使用できるため、特に魅力的）、チョーカー、ブレスレット、ネックレス、指輪、腕時計（すなわち、あらゆるジュエリーアイテム）、ベルト、ネクタイクラスプ、イヤフォン、ＧＰＳ追跡デバイスのなかに封入することもできる。厳密にはウェアラブルとは見なされないが、ユーザが一般的に携帯するあらゆる装置（携帯電話や鍵など）も、ＰＥＲＳの機能を実行するように適合させることができる。

【0055】

［0055］図１の実施形態の説明

【0056】

［0056］図1は他の転倒検出アルゴリズムを示す。ＰＥＲＳは監視対象者が装着し、加速度計／ジャイロスコープ１００が加速度と加速方向を感知／測定する。決定ブロック１０２では、測定値が分析され、着用者が移動したか否かを判定する。そうでない場合は測定ブロック１００に処理を戻す。したがって、ブロック１００および１０２は、監視対象者の何らかの動きがあったかどうかを判断し、動きがない場合は、測定値をさらに処理する必要はなく、または実際に転倒を示すことができる値を測定する必要はないが、そのような値はその人のプロファイルまたはパターンの一部として記録され得る。

【0057】

［0057］しかし、監視対象者が移動したことが検出された場合、処理は、決定ブロック１０２からデュアルパス１１０、１１２へと移行する。経路１１０は、Ｘ、Ｙ、Ｚの３つの軸または方向のそれぞれ１つにおける動きの強さの程度を本質的に推定する信号ベクトルの大きさを測定または決定する。ここで、信号ベクトルの大きさは、これら３つの各成分値の二乗和の平方根である。したがって、各軸に沿った動きまたは動作は信号ベクトルの大きさを決定し、その値に基づいて衝撃があったかどうかを決定するのに等しく寄与する。

【0058】

［0058］図からわかるように、これら３つの方向のそれぞれにおいて決定された信号ベクトルの大きさは、無限インパルス応答フィルタ１１６を通して処理され、信号ベクトルの大きさはブロック１１８で決定される。ブロック１１８からの結果はバッファ１２０にバッファリングされる。決定ブロック１２２において計算された信号ベクトルの大きさが、信号ベクトルの大きさの閾値と比較される。その決定ブロックからの結果が否定的である場合、処理はブロック１００および１０２に戻り監視対象者による動きまたは動作を再び決定する。

【0059】

［0059］その決定ブロックからの結果が肯定的である場合、以下で説明するように処理はブロック１３６まで継続する。

【0060】

［0060］圧力は経路１１２に沿ってブロック１３０で測定され、無限インパルス応答フィルタ１３２を介して濾過され、バッファメモリ１３４にバッファリングされる。ブロック１３６で決定された最終圧力値は、決定ブロック１３８における閾値圧力値と比較される。決定ブロック１３８からの応答が肯定的である場合、これはＰＥＲＳの位置において、高さに少なくとも２フィートの変化があったことを示す。

【0061】

［0061］決定ブロック１３８ａにおける判定が否定的である場合、処理は初期ブロック１００、１０２に戻る。

【0062】

［0062］なお、衝撃解析の結果（判定ブロック１２２）は、圧力測定ブロック１３６にも導く。

【0063】

［0063］決定ブロック１３８からの決定が肯定的である場合、処理は、傾斜値が決定されるブロック１４０に移動する。決定ブロック１４２において決定された傾斜値は、傾斜閾値と比較される。決定ブロック１４２からの否定応答は衝撃が決定された時点からペンダントまたはＰＥＲＳが傾いていないことを示す。決定ブロック１４２からの肯定的な応答はＰＥＲＳの傾斜があったことを示し、着用者が倒れたことを示し得、結果ＰＥＲＳ着用者の姿勢が傾く。その後、処理は決定ブロック１４６に進む。

【0064】

［0064］決定ブロック１４６において、信号振幅面積（ＳＭＡ）パラメータが閾値と比較される。ＳＭＡは、着用者の活動強度を決定するための別のパラメータであり、したがって、着用者の休息と動きを区別するために使用することができる。

【0065】

［0065］ＳＶＭ値とＳＭＡ値の両方を使用して動きを決定できることに留意されたい。ＳＶＭは、現在の（またはバッファリングされた）加速度値に基づくリアルタイム値であるため、素早い変化や動き（または衝撃）を判断できる。ＳＭＡ値は、動きの強度を決定するのに役立つ曲線の下の領域である。これは、短時間（１秒など）で行われ、その期間に発生した移動量を判断する。そのため、転倒後にユーザが移動しているかどうかを判断するために使用される。

【0066】

［0066］決定ブロック１４６からの結果が肯定的である場合、処理はブロック１４８に移り、そこで傾斜が再び測定される。続いて、測定された傾斜パラメータが傾斜閾値と再び比較される決定ブロック１５０が続く。ここでの目的は、着用者が動きを停止したかどうかを判定することであり、したがって、決定ブロック１５０で肯定的な応答を生成するためには、傾斜値が傾斜閾値未満でなければならない。転倒は決定ブロック１５０からの肯定的な応答に続いて、ブロック１５２で示される。

【0067】

［0067］なお、決定ブロック１３８、１４２、１４６、および１５０からの否定応答は、ブロック１００および１０２に処理が戻される。

【0068】

［0068］これらのブロックを通して生成されたデータは、少なくとも１つのリポジトリに格納されて、少なくとも１つの機械学習技術が動作するためのコーパスを形成することができ、例えば、転倒または転倒していないことを示す特徴セットを検出することができる。これらの特徴セットは、その後、転倒の確率を予測および／または特定するためにリアルタイムで生成されたデータと比較することができ、転倒検出とその誤検知の精度を高めることができる。

【0069】

［0069］加速度計およびジャイロスコープの実施形態

【0070】

［0070］ペンダントまたはＰＥＲＳは、速度変化または方向変化のいずれかを検出する加速度計（すなわち、３軸加速度計）を含むことができる。第２のセンサは、着用者の向きの変化、より具体的にはジャイロスコープを囲むペンダントの方向の変化を検出するジャイロスコープである。例えば、着用者のベルトまたはストラップにジャイロスコープが装着され、ベルトまたはストラップの方向が変わった場合、これは転倒が発生する可能性があることを示す別の兆候である。加速度計センサ測定とジャイロセンサ測定を使用するとより正確な転倒検出が可能になる。

【0071】

［0071］一実施形態において、加速度計またはジャイロスコープ測定のいずれかが閾値を超えると別のセンサが作動する。または、加速度計とジャイロスコープの両方の測定値がそれぞれの閾値を超えると別のセンサが作動する。２つまたは複数の検出値を使用して転倒が発生したかどうかを判断することは、単一のセンサを使用するよりも改善されたアプローチである。

【0072】

［0072］ジャイロスコープによって検出された配向または方向の変化が、加速度計によって決定された加速度の変化の直後に発生した場合、これは着用者が転倒したというより決定的な兆候である。

【0073】

［0073］加速度計とジャイロスコープの両方が転倒の可能性を示す信号を生成した場合、さらに第３のセンサが追加の情報を収集して、転倒の判断をより信頼性の高いものにすることができる。このような場合、第３のセンサは、大気圧の値を用いて海抜または基準高度以上の高さを決定する高さセンサであってもよい。着用者が直立しているとき、圧力センサ／高さ検出器は最初の圧力値を測定する。着用者が転倒した場合、高さ圧力センサは、第１の測定圧力値よりも低い第２の圧力値を測定する。圧力値の単純な変化は、着用者が転倒した（または単に横になった）ことを示してもよいが、加速度計の値とジャイロスコープの値、および高さの圧力値を使用するとより正確な転倒検出プロセスが提供される。

【0074】

［0074］また、着用者が急激に動いた場合、この動きは加速度計によって検出さその読み取り値だけで誤った転倒検出が示され得る。ただし、加速度計の値をジャイロスコープと圧力センサの値と共に使用すると、誤検知の可能性が低くなる。

【0075】

［0075］転倒検知機能を高める追加センサ精度

【0076】

［0076］本明細書に記載の３つの主要なセンサは、傾斜センサ、加速度計、およびジャイロスコープを含む。追加のセンサで測定された値は、転倒検出精度を高め、誤検知を減らすことができる。このような追加のセンサには、オーディオセンサ（例えば、マイクロフォンまたは、拡張ホームスピーカおよびテレビスピーカなどの任意の集音装置）、ビデオセンサ（例えば、静止画、動画、およびビデオをキャプチャすることができるカメラを含むカメラ）、力センサ（パッドへの力の印加を検出するためのパッド）が含まれる。

【0077】

［0077］例えば、マイクロフォンはセンサとして機能してもよく、ノイズの検出が転倒を示してもよく、そのようなノイズがない場合は転倒がなかったことを示してもよい。マイクは呼吸を検出することもできる。

【0078】

［0078］例えば、カメラは特定の地点を潜在的に低解像度で追跡し、変化率などを識別して転倒の発生または非発生に関するさらなるデータを提供するために使用され得る。

【0079】

［0079］センサは、種々の生理学的および生体パラメータ（心拍数、呼吸数、筋肉の緊張、血圧）を測定し、これらの測定値を本明細書に記載の種々のセンサから収集されたデータとともに考慮することもできる。

【0080】

［0080］音声センサは、監視対象者への音声リンクを確立しそれによって音声リンクを設定することができる。リンクの一方の端に家族または第一応答者がいて、もう一方の端に監視されている人がいると、後者は自分が倒れたかどうかを報告できる。監視されている人が自分の状況を声に出すことができない、または応答しない場合、相手は彼女が支援を必要としていると推測できる。この音声リンクは、監視対象者が倒れたかどうかという質問に対する決定的な答えを提供することができる。

【0081】

［0081］マイクロフォンは、あらゆるウェアラブルデバイスに簡単に配置できる。別の実施形態において、マイクロフォンは監視対象者の居住区内に分配することができる。これらのマイクを常にオンにして、必要に応じてリスニングまたは音声で作動させることができる。転倒や、携帯電話にアクセスして助けを求めることができない場合、監視対象者は叫ぶだけでマイクを作動させ、リンクの反対側にいる相手と話すことができる。音声コメントは（例えば、ウェアラブルデバイスからの）センサ測定データとともにデータとして収集することもでき、クラウドベース（またはサーバベース）の転倒検出アルゴリズム（一実施形態において、人工知能／機械学習（ＡＩ／ＭＬ））に送信することもできる。

【0082】

［0082］マイクを介して音声リンクを確立することに加えて、作動されたマイクは、大きな「ドスン」という音やなど、大きな音を立てて衝突する転倒によって直接引き起こされる音を検出できる。その音声信号は、おそらく保存されている「ドスン」という音や大きな音を立てて衝突する音と比較することによって、ＰＥＲＳによって分析され、それによって人が転倒したかどうかをより正確に判断するための入力データが追加される。開いたマイクから「ドスン」という音や大きな音を立てて衝突する音が聞こえない場合は、監視対象の人が倒れていない可能性がある。

【0083】

［0083］補聴器はウェアラブルＰＥＲＳとして識別されており、そのデバイスはマイクとしても機能するように簡単に変更できる。多くの場合、マイクとスピーカーの両方を含むヘッドフォン（有線とワイヤレスの両方（Ｂｌｕｅｔｏｏｔｈ規格に基づくなど））は、ウェアラブルＰＥＲＳおよびマイクとしても機能する。

【0084】

［0084］同様に、ビデオリンクは、監視対象者の状態を簡単に判断できるビデオ情報を提供する。例えば、ビデオは監視対象者が転倒した時点の初期の高さと距離の差を決定するためのデータを提供することができる。また、ビデオは監視対象者の位置を特定できる情報を提供することもできる。

【0085】

［0085］最後に、適切に配置された力センサは、転倒を検出するための有用な情報を提供することもできる。例えば、パッドが人の背中に置かれ背中が床にぶつかって床に倒れた場合、力センサはパッドに加えられた力を表す信号を生成する。勿論、人は多くの異なる位置で転倒および着地することができ、したがって、監視される人の身体上の様々な場所に配置されたいくつかのそのような力センサを使用することが有利であり得る。

【0086】

［0086］バッテリ容量と電力の確保がＰＥＲＳと比較して懸念される場合は、センサの特定のセンサを作動および非作動にするためのスケジュールを決定できる。アルゴリズムは、手動で作成または調整することも監視対象者の活動レベルと場所に基づいて作成することもできる。ＡＩ／ＭＬの実装において、エンジンは、活動レベル、場所、再発、時刻などに基づいてＰＥＲＳユニットのバッテリ寿命を作成または調整することを学習する。そのため、少ない活動量のときはバッテリ使用量が少なくなるが、活動量が多い時間帯にはバッテリ容量を使用できる。

【0087】

［0087］暫定的および決定的な転倒検出のための複数のセンサ

【0088】

［0088］ＰＥＲＳの各センサは、異なる閾値と組み合わせて動作できる。すなわち、加速度計によって検出された特定の動きは、加速度計の値が第１の閾値を超えない場合、暫定的な転倒指示を生成しなくてもよい。閾値は、通常の着用者の動きに関連するセンサ値を測定することによって確立することができる。すなわち、ゆっくりとした動きは単に着用者が歩いていることを示してもよく、一方、急激な加速または動きは着用者が転倒したことを示してもよい。通常または典型的な（転倒しない）センサ値は、テストまたは動作前の期間中に決定することができ、着用者の日常的な活動中に複数のセンサ値が測定される。次に、センサ閾値は着用者による単純な動きを示すそれらの値を超えて確立される。明らかに、センサの閾値は経験的に確立され、各着用者に合わせてパーソナライズされなければならない。

【0089】

［0089］センサの値は、例えば時刻によって測定レートを決定し、繰り返し測定することができる。着用者が就寝している夜間は、測定の頻度が少なくて済む。しかし、彼女が活動している日中はすべてのセンサがそれぞれのパラメータをより頻繁に測定することができる。

【0090】

［0090］いくつかの実施形態において、本明細書に記載される転倒検出器は、計算集約的な環境で動作し、検知された値を閾値と比較するための単純な比較器以上のものを必要とする。転倒検知器の動作を制御するアルゴリズムは、一日の異なる時間帯に異なるセンサに対して異なる閾値を採用し、センサの閾値間の関係を設定するように記述することができる。例えば、第１のセンサがＸの値を測定すると、第２のセンサが作動し、第２のセンサの閾値はＹになる。したがって、第２のセンサがＹより大きい値を測定すると転倒を示す。ただし、第１のセンサが値Ａを測定した場合、第２のセンサの閾値はＹよりも高い閾値であるＤに設定される。このシナリオによると、転倒を示すために第２のセンサはＤよりも大きい値を測定する必要がある。

【0091】

［0091］ＰＥＲＳの閾値は、着用者の体調も考慮する必要がある。例えば、着用者は機敏であるかそれとも動作が遅いか？着用者は若くて元気であるかそれとも年配で動作が遅いか？繰り返しになるが、閾値が個々の着用者ごとに個人的に確立される経験的な動作前段階でのみ、閾値を決定することができる。閾値のこのような値は、その個体のプロファイルおよび／またはパターンに保持されてもよく、全体として、例えば平均または算術平均によって、少なくとも１つのテンプレートで表されてもよい。

【0092】

［0092］複数のセンサ入力

【0093】

［0093］着用者が転倒したか否かを判定するために、１つまたは少数のセンサからの測定値または感知値が、単独またはグループとして使用される様々な実施形態が本明細書に記載されている。この概念は、ｎ個のセンサに拡張することができｎ個のセンサのサブセットに依存して、転倒が発生したかどうかを判断する。例えば、ｎ個のセンサが着用者を監視しており、ｎ個のセンサのｗからの測定値で転倒が発生したことを示す場合、ＰＥＲＳは転倒アラートを発する。この場合のメトリックは、ｎ個のセンサのうち、最低限のｗ個のセンサで転倒が発生したことを示す場合アラートが発行される。

【0094】

［0094］数字ｎおよびｗは一意に決定可能ではなく、着用者の年齢および活動レベルなどのいくつかの要因に依存する。数字ｎおよびｗは、ＰＥＲＳ内で固定することも、着用者によって決定されリセットされることもある。明らかに、ｎとｗの差が小さいほど、誤報（つまり、着用者が転倒していないときに転倒が検出される）が少なくなる可能性が示唆される。一方、ｎとｗのギャップが大きいほど、誤報が多くなる可能性がある。

【0095】

［0095］また、ＰＥＲＳにおける複数のセンサにおいて、ｎ個のセンサの中からｗ個のセンサを選択することは着用者に合わせてカスタマイズすることができ、着用者の予想される活動レベルに部分的に依存して、所望に応じて着用者によって手動で設定されてもよい。また、ｗ個のセンサの数や、ｗ個のセンサのグループに含まれるセンサは、測定データを受信して処理するＡＩ／ＭＬアルゴリズムによって自動的に設定することもできる。もちろん、ＡＩ／ＭＬベースの実施形態では訓練されたアルゴリズムが自動的に数および特定のセンサを選択して構成することができるので、監視対象者がそのような問題を考慮する必要はない。

【0096】

［0096］特定のセンサは、着用者の活動レベルに応じて非作動または作動されることを含むよう構成され得る。例えば、着用者が平日の午後３時にテニスをする場合、試合が始まる前に傾斜センサを手動で無効にすることができる。あるいは、ＡＩ／ＭＬアルゴリズムは（再発時間やその他の要因に基づいて）転倒検知器の設定を自動的に調整し、監視対象者がテニスなどの活発な活動に従事している間に誤検知を最小限に抑えることを決定する。さらに、着用者は平日の午後３時に傾斜センサを自動的に無効にするようにＰＥＲＳを設定できる。

【0097】

［0097］設定は、ＰＥＲＳのすべてのセンサに対して（手動またはＡＩ／ＭＬアルゴリズムによる決定に従って）構成できる。

【0098】

［0098］すべてのセンサまたはセンサのグループが、必ずしも毎日、一日中作動しているわけではない。着用者は、各センサが作動または非作動になる時間をカスタマイズすることができる。作動と非作動の厳密なパターンは望ましくなくてもよい。ＰＥＲＳの有効性が損なわれない限り、着用者によるカスタマイズが望まれる。

【0099】

［0099］いくつかの実施形態において、ＰＥＲＳ内のおよび／またはＰＥＲＳからアクセス可能な少なくとも１つのＡＩ／ＭＬアルゴリズムは、各センサが作動または非作動されるときにカスタマイズし、バッテリ寿命を管理しながら、監視対象者がセンサを手動で再構成する負担を免除する。ＡＩ／ＭＬアルゴリズムは、監視対象者の反復的な活動や全体的な活動について学習し、必要に応じてセンサを調整する。

【0100】

［0100］しかし、ｎおよびｗの選択にはトレードオフも伴う。ｎとｗの差が小さい場合は誤報の頻度を減らすことができるが、作動センサが多いほど必要なエネルギー容量（バッテリ容量）は大きくなる。

【0101】

［0101］ｗセンサを作動させて測定値を取得することに加えて、ｗセンサが作動する順序は制御可能であり、特定の後のセンサの作動は、以前に作動したセンサから得られた測定値を条件とする。繰り返しになるが、トレーニングされたＡＩ／ＭＬアルゴリズムは必要に応じてこれらの調整を行い、監視対象者の活動について学習するにつれて調整を洗練させることが期待される。

【0102】

［0102］また、センサデータの特定のパターンの検出は、複数のセンサの中から転倒の検知に用いてもよい。特に、現在のデータパターンがその後転倒が起きた以前のデータパターンと一致する場合、現在のパターンの観察は転倒が顕著であることを示す強力な指標となる。繰り返しになるが、トレーニングされたＡＩ／ＭＬアルゴリズムがこの機能を提供できる。

【0103】

［0103］ＰＥＲＳのＡＩ／ＭＬ構成要素（クラウドベースかどうかに関わらず）は、特定の個人のパターンや兆候を分析するだけでなく、コミュニティ内のすべての個人（またはＰＥＲＳを持ち、ＡＩ／ＭＬアルゴリズムにデータを送信するすべての個人）を考慮して、顕著な転倒事象に対し共通の前兆を探す。例えば、このような前兆はプロファイルおよび／またはパターンの全部または一部を含むことができるテンプレートの形態で表され得る。これらは、類似した人口統計、類似のセンサデータ、および類似のデータパターンを含み得る。例えば、監視対象者に対して転倒関連の一連の活動が発生した場合、その一連の流れは、ＮＸＴＤ／ＬｏｇｉｃＭａｒｋシステム（本出願の譲受人）のＡＩ／ＭＬアルゴリズムによって、その個人の潜在的な転倒活動の代表として記録される。ただし、この一連の流れは誤検知アラートに先行する可能性もある。

【0104】

［0104］しかし、そのデータが、ＰＥＲＳ内のより大きな集団（類似した年齢の個人、他の類似した特性を持つ個人、または類似した人口統計を含む）のデータと相関している場合（または、データがシステムに含まれていないさらに大きな集合グループ）、データは、それが実際には誤報ではなく転倒を表している可能性が高くなる（またはその逆）。これにより転倒検出と誤検知の識別の両方の精度が向上する。

【0105】

［0105］例えば、シモンズ氏の測定データからパターンが明らかになったが、そのデータパターンが潜在的な転倒を示しているかどうかが不確かな場合、そのデータを集合的（または大規模な）コミュニティからのデータと関連付けて、転倒事象を示した類似の以前のパターンを検索できる。相関が高い場合は、潜在的な転倒を示す。着用者に連絡し転倒したかどうかを判断する。彼女は質問に「いいえ」と答えるかもしれない。この場合、アルゴリズムは、データパターンが必ずしも予想される転倒事象を示すとは限らないことを反映するように修正される。

【0106】

［0106］ＡＬ／ＭＬアルゴリズムは、シモンズ氏にとって、この時間帯、この場所で、この種のパターンが「転倒なし」の判断をすることを記録（つまり、学習）する。また、アルゴリズムはデータパターンに基づいてこの結論を検証し、この活動の繰り返し（つまり、同様の測定データ）によりシモンズ氏が転倒しなかったその後の状況につながるかどうかを判断する。検証プロセスは、アルゴリズムによる「転倒なし」の判定で実際にシモンズ氏が転倒しなかったと正しく判定されたことを確実にするために、いくつかの類似のデータセットを含み得る。

【0107】

［0107］ＡＩ／ＭＬアルゴリズムは、シモンズ氏のデータパターンをコミュニティ内の他のデータパターンと比較して、転倒が発生した可能性と発生しなかった可能性を判断し、シモンズ氏に適用されたアルゴリズムを再検証することもできる。したがって、アルゴリズムはシモンズ氏の同様の将来のデータパターンが「転倒なし」の判断を生成すると判断し得る。

【0108】

［0108］さらに、シモンズ氏のデータパターンは、匿名でコミュニティ全体にわたり集計および共有されるため、シモンズ氏と同様の年齢または他の類似した特性を持つ他の人（例えば同様の年齢の女性、スミス氏）に対して同様のデータパターンが観察された場合、システムはこのデータパターンを転倒事象に先行するものとして示さない。スミス氏に転倒していないことを確認するための検証質問も送信され、サイクルが再び始まる。

【0109】

［0109］転倒検知システム（主に少なくとも１つのＡＩ／ＭＬアルゴリズム）は、個人のデータパターンを検索してその人の固有の転倒検知パターンを決定する。さらに、ＡＩ／ＭＬアルゴリズムはコミュニティ内の（類似した人口統計の）他の個人に対して実行され、同様のパターンが他の人の転倒につながったかどうかを検証する。そのため、ＡＩ／ＭＬアルゴリズム（クラウドベースのソフトウェアとして具現化されている）は、転倒が起こりそうなことを示すパターン、センサ測定、シーケンスなどについて常に学習している。この学習プロセスにより、例えばセンサデータにおいてシーケンス１、２、３が発生すると、ブロック４、５および６がセンサ内で次に誘発される可能性が高くなり、その結果転倒する可能性があることにシステムが留意することができる。または、１、２、３のシーケンス（または他のデータ）は、コミュニティ内の他のＰＥＲＳ着用者の同様のデータで考慮すると、転倒の可能性が高いことを意味する。あるいは、シーケンス１、２、３は、そのデータが転倒事象に先行するかどうかを決定するために着用者の過去の履歴データと共に考慮される。このような分析は、転倒が最初に示されたが、発生しなかった場合の判断にも適用できる。例えば、シーケンス１、２、および３が発生した場合、転倒の可能性はＮ％であると予想され得るが、イベント１、２、３の間の時間が転倒が発生したときのシーケンスと十分に異なる場合、転倒の可能性は低く、転倒の陽性検出が回避されることを示している可能性がある。

【0110】

［0110］通常、センサは特定の測定値を出力するが、データ範囲の使用も有益である。範囲内または範囲外のデータ値は、他のセンサを作動する（または作動させない）ための条件を表す。例えば、センサ１からの測定データがＸとＹの間の範囲内にある場合センサ２が作動する。測定データがＸ未満の場合、それ以上の測定は行われない。また、測定データがＹより大きい場合センサ３が作動する。他のもの（例えば、より感度の高いセンサや、より優れた「転倒」予測因子であるセンサ）のこのような条件付き作動を使用することで転倒検出の精度が測定可能に向上し、誤検知が減少する。

【0111】

［0111］センサの指向性

【0112】

［0112］多くのセンサタイプが本明細書に記載され、例えば、基準に対する傾斜または向きを検出するためのジャイロスコープ、速度および加速度を検出するための加速度計、および基準に対する高さまたは高さ差を検出するための圧力測定などがＰＥＲＳ装置において一般的に使用される。

【0113】

［0113］３次元の基準空間（Ｘ軸、Ｙ軸、Ｚ軸）を追加することで、転倒検知の精度をさらに高めることができる。例えば、主としてＸ方向またはＹ方向（Ｚ方向で検出される最小の動きを伴う）加速度は、着用者が歩行またはジョギング中であることを示し得る。ただし、Ｚ軸に沿った大きな変化は、着用者が転倒したことを示す。このような転倒の間、Ｘ軸とＹ軸に沿ったわずかな変化も予想され、さらに転倒を示唆している。

【0114】

［0114］機械学習と人工知能の実施形態

【0115】

［0115］本発明は、一実施形態において少なくとも１つの機械学習アルゴリズム（すなわち、人工知能分析の一例）において実施される。これらのアルゴリズムは、ソフトウェアで実装された動的モデルであり、膨大な量の入力データを同化して、通常、二者択一の決定（はい／いいえ、受諾／拒否など）または数値予測（９７％など）のいずれかの出力を生成する。機械学習アルゴリズムは、人間の介入を最小限に抑えながら、結果に影響を与えるアルゴリズムの詳細を独立して変更する（すなわち、学習する）能力によって、静的な計算アルゴリズムと区別される。

【0116】

［0116］機械学習アルゴリズムは、実際の結果をより正確に予測するために、その後の予測のエラーを減らすために自己調整するようにプログラムされている。長い時間をかけ、何度も反復し、これらのアルゴリズムは予測の精度を高めることを学習する。

【0117】

［0117］機械学習アルゴリズムのサブカテゴリは、人工ニューラルネットワーク、決定木、ランダムフォレスト、サポートベクター回帰など、教師あり学習と教師なし学習を含む。これらのアルゴリズムの多くは特定のクラスの問題に最適である。

【0118】

［0118］市販の機械学習アルゴリズムは、以下から入手可能である。ＴｅｎｓｏｒＦｌｏｗ（カリフォルニア州マウンテンビューのＧｏｏｇｌｅ，Ｉｎｃ．から入手可能）、Ｔｈｅａｎｏ（モントリオール大学によって開発）、Ｓｃｉ－ｋｉｔｌｅａｒｎ（Ｐｙｔｈｏｎによる機械学習，Ｐｅｄｒｅｇｏｓａほか、ＪＭＬＲ１２，ｐｐ．２８２５－２８３０、２０１１）、またはＣＮＴＫ（ワシントン州レドモンドのＭｉｃｒｏｓｏｆｔＣｏｒｐｏｒａｔｉｏｎから入手可能）。

【0119】

［0119］回帰技術の使用は、特定の値を予測するために採用されてもよく、例えばセンサによって提供されるデータは、少なくとも１つの回帰関数によって評価されてもよく、センサが将来のある時点に提供する可能性が高いデータセットの予測を作成し得る。本明細書に記載されるようなセンサのセットが、それぞれ予測データセットを有する場合、これらのセットは、例えば転倒の状態を決定するための多変量アプローチを可能にするセンサからの相補的または矛盾するデータを識別するために比較され得る、これにより、分離されたセンサ、またはＸ、Ｙ、Ｚ平面内の動きなどを測定する一連のセンサによって示された可能性のある誤検知の検出と修復が可能になる。

【0120】

［0120］例えば、決定木は、他のシステムによる評価のためのデータセットとして表され得る決定マトリクスを含んでもよく、および／または、事象および／または誘発を含む活動の基礎を形成してもよい。このようなアプローチの一例は、グラフベースの表現である。

【0121】

［0121］いくつかの実施形態において、決定マトリックスは閾値を含んでもよく、閾値がコンテキストに応答して変化し得るという点で動的であり得る。例えば、本明細書に記載されるプロファイルに保持されるデータは、決定マトリックスに組み込まれる閾値を変化させるために使用され得る。

【0122】

［0122］いくつかの実施形態において、サポートベクターマシン（ＳＶＭ）が、テンプレートマッチングのために使用されてもよく、例えばプロファイルおよび／またはパターンはテンプレートによって表され、次いで、テンプレートはそのようなプロファイルおよび／またはパターン間の相対的な類似性を確立するために使用され得る。例えば、ＳＶＭがガウスカーネルを含む場合、パターンＡにおけるＸの類似性はパターンＢにおけるＸ１に対して決定され得、例えば両方のパターンは、全体的または部分的に共通のテンプレートを有する。ＳＶＭは、クラスが正か負かを予測するためにも使用でき、例えばセンサデータのセットの状態を表すことができる。

【0123】

［0123］本発明の１つの実装形態は、人工ニューラルネットワークの使用を含み、例えば、任意の配置で多数のニューラルサブネットワークを備えてもよい。いくつかの実施形態において、人工ニューラルネットワークは１つまたは複数の「層」で構成された「ニューロン」の集合体である。

【0124】

［0124］図２は人工ニューラルネットワーク内の単一のニューロンを示す。単一ニューロン１０は、数学的活性化関数１２、すなわちセンサからの複数の重み付け入力を単一の出力値に変換する単純な静的関数を具体化する。ニューロン１０は、重み値Ｗ１、Ｗ２、Ｗ３が適用されたセンサＸ１、Ｘ２、Ｘ３からの入力データを受信する。活性化関数１２は、図示のように、重み付け値の合計に適用される。出力Ｙは結果である。

【0125】

［0125］本発明に適用される場合、入力データは、例えば、加速度計、ジャイロスコープ、および圧力センサを含む転倒検知センサからの測定値を含む。そして、出力Ｙは、転倒が発生したかまたは発生しなかったことを示し、例えば、９３％の信頼度指標などの確率重み係数を含むことができる。しかし、これは現在の転倒検出問題に適用されるニューラルネットワークの過度に単純化された説明である。以下に説明する図３は、転倒検出のためのより正確なニューラルネットワークの実施形態である。

【0126】

［0126］ニューラルネットワークで使用される特定の活性化関数は、必要な出力のタイプによって異なる。活性化関数は、ニューラルネットワークの下位層の複合効果または入力データの組み合わせを適切に表現するために必要なだけ単純または複雑にすることができる。例えば、転倒が発生した、または発生しなかったなどの二項分類を予測するには、０または１を出力するシグモイド活性化関数の使用が提案される。閾値（通常は０．５）を超える出力は１つのカテゴリ（例えば転倒が発生した）であると予測され、閾値を下回る出力は他のカテゴリ（例えば転倒が発生していない）に分類される。このようなカテゴリは、本明細書に記載のプロファイルに保持されるデータから形成され得る。

【0127】

［0127］活性化関数に関係なく、計算された出力（Ｙ）は、入力として別のニューロンに渡すことも、完全なニューラルネットワークの最終出力を表すこともできる。人工ニューラルネットワークの実装に長けた人は、入力の種類と所望の出力によって決定される適切な活性化関数を適用することができる。

【0128】

［0128］図２は転倒が発生したかどうかを判断するための簡単な人工ニューラルネットワークの模式図である。複数のセンサ入力は、図２の左側に示されており、各入力は、列２１の各ノードに入力される値を表す。複数の入力は、本明細書に記載のセンサおよび転倒が発生したかどうかの判定に有用な情報を提供できる他のセンサによって表される。

【0129】

［0129］列２１におけるニューロンへの各入力は、特定のセンサの数値出力（検知値または測定値）である。センサ値は、連続的または周期的に、一定の周期で毎日決まった時刻に、１日を通して変化する周期で、または、他のセンサのうちの１つまたは複数によって測定された値によって決定される可変の期間に測定することができる。したがって、センサ測定値の粒度は、着用者および／またはＰＥＲＳ設計者によって決定され得る。

【0130】

［0130］例えば、ノード２１Ａから延びる数本の線は、センサ１によって測定された値を表す。各々は、バブル３０からの重み（各センサ値に適用される同一または異なる重み）によって乗算され、それぞれが列２２のノードで終了する。したがって、重み値はノード２１Ａからの出力値を修正し、重み付けされた値は、列２２内の対応するノードに入力される。

【0131】

［0131］このプロセスは、列２１からのセンサ出力値で乗算されたさまざまな重みで繰り返される。列２２の各ノードに検出値と重みの積が入力される。このプロセスは、列２２からの出力にバブル３２から供給される重みを掛けて繰り返される。結果の積は、列２４の各ノードに入力される。最後に、列２４からの出力値はノード３０で結合されノード３０からの出力値は、転倒が起こったかまたは起こらなかったかを示す。

【0132】

［0132］一般に、図３の重み値は、センサの読み取り値が次の列の各ノードに及ぼす影響を示し、最終的には転倒が発生したか発生しなかったかの最終判断に及ぼす影響を示す。列２１からの各値の影響は、異なる重み値に反映されるため、後続の列のノードごとに異なる可能性があることに留意されたい。さらに、入力特徴が次のノードに影響を与えない場合、重みはゼロになる可能性があることに留意されたい。

【0133】

［0133］これらの重み付けは、ニューラルネットワーク２０を通る以前の反復からの結果に基づいてもよく、したがって、各ノードにおける入力値の開始点（または一定の調整）を確立する。アルゴリズムがトレーニングされる（または後で更新される）と、重み値はニューラルネットワークからの結果を最適化するために変更され、転倒検出の精度が向上し、その結果誤検知の識別も向上する。

【0134】

［0134］図３に示すように、人工ニューラルネットワークは通常、結果を正確に予測するために、各ニューロンの出力に適用される重みが異なる個々のニューロン、多様な入力データ、および複数の活性化関数（ノードによって表される）の複雑な融合を伴う。

【0135】

［0135］このアプローチにより、誤検知の検出が大幅に改善される。例えば、損失関数は予測誤差の大きさと方向を計算する。その後、予測誤差はネットワークを介して誤差逆伝播され、各ニューロンからの出力に適用される重みが更新されて、ニューラルネットワークの後続の反復中の予測誤差が減少する。したがって、ニューラルネットワークは静的な関数ではなく、トレーニングエピソードごとに変化する関数である。

【0136】

［0136］１つのシナリオでにおいて、初期重みは、各ニューロンについてランダムに選択され得る。次に、入力データ（センサ値）と正しい出力データ（転倒が発生したかどうか）を一致させるのに十分機能する値に重みが収束するまで、履歴データを使用してトレーニングが実行される。予測された転倒または転倒なしの判断における誤差を減らすために適切な重みを選択することによって機械学習アルゴリズムが「学習」されると、プロセッサはリアルタイムのセンサ入力に基づいてアルゴリズムを実行する。アルゴリズムのトレーニングは、本明細書に記載の最適化および誤差逆伝播技術（一般に、アルゴリズムの更新と呼ばれる）によって使用された後でも継続することができる。

【0137】

［0137］履歴データの多くの観測でトレーニングされたニューラルネットワークは、転倒または転倒なしの判断に対して堅牢で正確な予測機能を実現し、転倒検出の精度を高め、その結果事象を誘発する可能性のある誤検知を減らすことができる。ネットワークが安定した予測パターンを学習したら、そのネットワークを展開してリアルタイムの予測を行うことができる。アルゴリズムのトレーニングプロセスとは異なり、転倒予測にアルゴリズムを採用すると非常に迅速で、アルゴリズムはほぼリアルタイムで意思決定を行うことができる。さらに、トレーニング（一般に、アルゴリズムが動作中に展開されると、アルゴリズムを更新することと呼ばれる）は、アルゴリズムが動作した後でも新しいデータが与えられて継続することができ、強化学習技術と組み合わせて使用することで、学習を最適化して転倒または転倒なしの判断の精度を高めるようさらに改善させることができる。

【0138】

［0138］多くの異なるセンサタイプおよび分析プロセスが、おそらく予想される転倒を示すデータを収集しおよび分析するために本明細書に記載されている。一般に、このようなセンサは、ハードウェアおよびソフトウェア要素を使用して信号を出力する物理センサを備える。一実施形態において、このようなセンサはウェアラブルデバイスに取り付けられるか、または組み込まれる。一実施形態において、測定データは処理および転倒検出のためにクラウドベースのＡＩ／ＭＬアルゴリズムに送られる。サービスプロバイダ（事業体）は、監視対象者から測定データを受信し、そのアルゴリズムを介してデータを処理しアルゴリズムを提供することができる。アルゴリズムが転倒の発生を判断した場合、サービスプロバイダは監視対象者が特定した当事者に通知を発行する。

【0139】

［0139］実施形態の以前の説明は、当業者が開示を実践できるようにするために提供される。したがって、本開示は、本明細書に示される実施形態に限定されることを意図するものではなく、本明細書に開示される原理および特徴と一致する最も広い範囲に与えられるべきである。

【図1】

【図2】

【図3】

【国際調査報告】