特表 2024-545598 圧力センサを介した転倒防止のための機械学習

(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】2024-12-10

(54)【発明の名称】圧力センサを介した転倒防止のための機械学習

(51)【国際特許分類】

   G16H 10/00 20180101AFI20241203BHJP

   A61B 5/11 20060101ALI20241203BHJP

   G16H 50/30 20180101ALI20241203BHJP

【ＦＩ】

G16H10/00

A61B5/11 230

G16H50/30

【審査請求】未請求

【予備審査請求】未請求

(21)【出願番号】P 2024529130

(86)(22)【出願日】2022-11-16

(85)【翻訳文提出日】2024-06-12

(86)【国際出願番号】 US2022079961

(87)【国際公開番号】W WO2023091946

(87)【国際公開日】2023-05-25

(31)【優先権主張番号】63/264,138

(32)【優先日】2021-11-16

(33)【優先権主張国・地域又は機関】US

(31)【優先権主張番号】63/265,083

(32)【優先日】2021-12-07

(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】524181791

【氏名又は名称】マトリックスケア， インコーポレイテッド

(74)【代理人】

【識別番号】100078282

【弁理士】

【氏名又は名称】山本 秀策

(74)【代理人】

【識別番号】100113413

【弁理士】

【氏名又は名称】森下 夏樹

(74)【代理人】

【識別番号】100181674

【弁理士】

【氏名又は名称】飯田 貴敏

(74)【代理人】

【識別番号】100181641

【弁理士】

【氏名又は名称】石川 大輔

(74)【代理人】

【識別番号】230113332

【弁護士】

【氏名又は名称】山本 健策

(72)【発明者】

【氏名】スクティピヤロージ， ネイト

(72)【発明者】

【氏名】クマール， ヴィヴェク

(72)【発明者】

【氏名】プラジャパティ， アディラジ ガンパット

(72)【発明者】

【氏名】カダム， ケダール マンゲシュ

(72)【発明者】

【氏名】デソウザ， キーガン デュアン

【テーマコード（参考）】

4C038

5L099

【Ｆターム（参考）】

4C038VA04

4C038VA12

4C038VB14

4C038VC20

5L099AA15

(57)【要約】

本開示の実施形態は、機械学習に関する。改良された機械学習のための技法が、提供される。ユーザの片足または両足に対応する、圧力データが、受信され、予測される転倒リスクが、１つまたはそれを上回る訓練された機械学習モデルを使用して、圧力データを処理することによって、発生される。予測される転倒リスクが１つまたはそれを上回る定義された基準を充足させることを決定することに応じて、介入が、ユーザのために選択され、介入の適用が、開始される。

【特許請求の範囲】

【請求項1】

機械学習モデルを訓練する方法であって、
ユーザの片足または両足に対応する圧力データを受信することと、
前記圧力データが収集された後のある定義された時間窓以内に、前記ユーザが転倒したかどうかを示す標識を決定することと、
前記圧力データおよび前記標識に基づいて、１つまたはそれを上回る機械学習モデルを訓練し、転倒リスクを予測することと
を含む、方法。

【請求項2】

前記圧力データは、複数の圧力センサを備える１つまたはそれを上回る装着可能デバイスを介して、収集され、
前記圧力データは、前記ユーザがある物理的空間内を歩行している間に収集される、
請求項１に記載の方法。

【請求項3】

前記ユーザが転倒したかどうかを決定することは、
前記圧力データが収集されたときの時間を決定することと、
前記決定された時間後の定義された時間窓に対応するユーザ記録のセットを読み出すことであって、前記ユーザ記録のセットは、前記ユーザに関する患者データを示す、ことと、
前記ユーザ記録のセットを評価し、転倒が報告されたかどうかを決定することと
を含む、請求項１に記載の方法。

【請求項4】

複数のユーザに対応する圧力データを受信することと、
前記複数のユーザに関する圧力データに基づいて、前記１つまたはそれを上回る機械学習モデルを訓練することと
をさらに含む、請求項１に記載の方法。

【請求項5】

前記１つまたはそれを上回る機械学習モデルを訓練することは、
第１の機械学習モデルを訓練し、ユーザが転倒するであろう尤度を予測することと、
第２の機械学習モデルを訓練し、潜在的な転倒の重症度を予測することと
を含む、請求項１に記載の方法。

【請求項6】

前記予測される重症度は、少なくとも部分的に、前記潜在的な転倒の予測される方向に基づく、請求項５に記載の方法。

【請求項7】

前記ユーザの特性を示す患者データを受信することと、
前記特性に基づいて、前記１つまたはそれを上回る機械学習モデルを訓練することと
をさらに含む、請求項１に記載の方法。

【請求項8】

機械学習モデルを使用して、事象を予測する方法であって、
ユーザの片足または両足に対応する圧力データを受信することと、
１つまたはそれを上回る訓練された機械学習モデルを使用して、前記圧力データを処理することによって、予測される転倒リスクを発生させることと、
前記予測される転倒リスクが１つまたはそれを上回る定義された基準を充足させることを決定することに応じて、
前記ユーザのための介入を選択することと、
前記介入の適用を開始することと
を含む、方法。

【請求項9】

前記圧力データは、複数の圧力センサを備える１つまたはそれを上回る装着可能デバイスを介して、収集され、
前記圧力データは、前記ユーザがある物理的空間内を歩行している間に収集される、
請求項８に記載の方法。

【請求項10】

前記予測される転倒リスクを発生させることは、
第１の機械学習モデルを使用して、前記圧力データを処理することによって、前記ユーザが転倒するであろう尤度を発生させることを含む、請求項８に記載の方法。

【請求項11】

前記ユーザが転倒するであろう尤度が１つまたはそれを上回る時間的基準を満たすことを決定することに応じて、
転倒重症度を予測しないようにすることと、
１人またはそれを上回る近くの介護者にアラートすることと
をさらに含む、請求項１０に記載の方法。

【請求項12】

第２の機械学習モデルを使用して、前記圧力データを処理することによって、潜在的な転倒の予測される重症度を発生させることをさらに含む、請求項１０に記載の方法。

【請求項13】

前記予測される重症度を発生させることは、前記ユーザが転倒するであろう尤度が１つまたはそれを上回る時間的基準を満たさないことを決定することに応じて、実施される、請求項１２に記載の方法。

【請求項14】

前記予測される重症度は、少なくとも部分的に、前記潜在的な転倒の予測される方向に基づく、請求項１２に記載の方法。

【請求項15】

前記ユーザの特性を示す患者データを受信することと、
１つまたはそれを上回る訓練された機械学習モデルを使用して、前記ユーザの特性を処理することによって、前記予測される転倒リスクを発生させることと
をさらに含む、請求項８に記載の方法。

【請求項16】

ある物理的施設内の複数のユーザの個別のユーザ毎に、前記１つまたはそれを上回る訓練された機械学習モデルを使用して、個別の圧力データを処理することによって、複数の予測される転倒リスクを発生させることと、
前記複数の予測される転倒リスクの少なくともサブセットに関して、前記予測される転倒リスクが生じた前記物理的施設内の場所を決定することと、
前記物理的場所が１つまたはそれを上回る場所基準を充足させることを決定することに応じて、
前記物理的施設のための施設介入を選択することと、
前記施設介入の適用を開始することと
をさらに含む、請求項８に記載の方法。

【請求項17】

非一過性コンピュータ可読記憶媒体であって、前記非一過性コンピュータ可読記憶媒体は、コンピュータ可読プログラムコードを備え、前記コンピュータ可読プログラムコードは、１つまたはそれを上回るコンピュータプロセッサを使用して実行されると、
ユーザの片足または両足に対応する圧力データを受信することと、
１つまたはそれを上回る訓練された機械学習モデルを使用して、前記圧力データを処理することによって、予測される転倒リスクを発生させることと、
前記予測される転倒リスクが１つまたはそれを上回る定義された基準を充足させることを決定することに応じて、
前記ユーザのための介入を選択することと、
前記介入の適用を開始することと
を含む機械学習モデルを使用して事象を予測するための動作を実施する、
非一過性コンピュータ可読記憶媒体。

【請求項18】

前記予測される転倒リスクを発生させることは、
第１の機械学習モデルを使用して、前記圧力データを処理することによって、前記ユーザが転倒するであろう尤度を発生させることを含む、請求項１７に記載の非一過性コンピュータ可読記憶媒体。

【請求項19】

前記ユーザが転倒するであろう尤度が１つまたはそれを上回る時間的基準を満たすことを決定することに応じて、
転倒重症度を予測しないようにすることと、
１人またはそれを上回る近くの介護者にアラートすることと
をさらに含む、請求項１８に記載の非一過性コンピュータ可読記憶媒体。

【請求項20】

第２の機械学習モデルを使用して、前記圧力データを処理することによって、潜在的な転倒の予測される重症度を発生させることをさらに含む、請求項１８に記載の非一過性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）
本願は、２０２１年１１月１６日に出願された、同時係属中の米国仮特許出願第６３／２６４，１３８号、および２０２１年１２月７日に出願された、同時係属中の米国仮特許出願第６３／２６５，０８３号の利益を主張する。前述の関連特許出願は、参照することによってそれらの全体として本明細書に組み込まれる。

【0002】

緒言
本開示の実施形態は、機械学習に関する。より具体的には、本開示の実施形態は、機械学習を使用して、圧力センサデータを評価することに関する。

【0003】

多種多様な医療（および非医療）設定では、ユーザが（例えば、起立、着席、または歩行位置から）転倒することは、最も一般的かつ最も危険なリスクのうちの１つである。これは、特に、例えば、年齢、物理的条件、傷害、および同等物に起因して、運動性が低減された人々において該当する。従来、転倒防止は、杖の使用、手すりの配設、および潜在的に、体力を改善するための物理的療法等の汎用かつ最も単純な解決策を伴う。しかしながら、これらのアプローチは、多種多様な実践的問題点を考慮しておらず、適正または完全な解決策を提供しない。さらに、それらは、転倒リスクの標的化された予測および特定化された介入を有効にしない。

【0004】

平衡に関する懸念および転倒を予測し、かつそれを防止するための改良されたシステムおよび技法が、必要とされる。

【発明の概要】

【課題を解決するための手段】

【0005】

本開示に提示される一実施形態によると、機械学習モデルを訓練する方法が、提供される。本方法は、ユーザの片足または両足に対応する、圧力データを受信するステップと、圧力データが収集された後のある定義された時間窓以内に、ユーザが転倒したかどうかを示す、標識を決定するステップと、圧力データおよび標識に基づいて、１つまたはそれを上回る機械学習モデルを訓練し、転倒リスクを予測するステップとを含む。

【0006】

本開示に提示される一実施形態によると、機械学習モデルを使用して、事象を予測する方法が、提供される。本方法は、ユーザの片足または両足に対応する、圧力データを受信するステップと、１つまたはそれを上回る訓練された機械学習モデルを使用して、圧力データを処理することによって、予測される転倒リスクを発生させるステップと、予測される転倒リスクが１つまたはそれを上回る定義された基準を充足させることを決定することに応じて、ユーザのための介入を選択するステップと、介入の適用を開始するステップとを含む。

【0007】

以下の説明および関連図面は、１つまたはそれを上回る実施形態のある例証的特徴を詳細に記載する。

【図面の簡単な説明】

【0008】

添付の図は、１つまたはそれを上回る実施形態のある側面を描写し、したがって、本開示の範囲の限定と見なされるべきではない。

【0009】

【図1】図１は、機械学習を使用して、センサデータを評価し、転倒事象を予測するための、例示的環境を描写する。

【0010】

【図2】図２は、中間通信デバイスおよび機械学習を使用して、センサデータを評価し、転倒事象を予測するための、例示的環境を描写する。

【0011】

【図3】図３は、標識されたデータを発生させ、機械学習モデルを訓練し、転倒事象を予測するための、例示的ワークフローを描写する。

【0012】

【図4】図４は、決定された転倒リスクエリアが示されている、例示的間取図を描写する。

【0013】

【図5】図５は、標識されたデータを発生させ、機械学習モデルを訓練し、転倒を予測するための例示的方法を描写する、フロー図である。

【0014】

【図6】図６は、センサデータに基づいて、機械学習モデルを訓練し、転倒事象を予測するための例示的方法を描写する、フロー図である。

【0015】

【図7】図７は、尤度モデルおよび重症度モデルを訓練し、転倒事象を予測するための例示的方法を描写する、フロー図である。

【0016】

【図8】図８は、訓練された機械学習モデルを使用して、センサデータを評価するための例示的方法を描写する、フロー図である。

【0017】

【図9】図９は、機械学習モデルを使用して、転倒リスクおよび潜在的な重症度を予測するための例示的方法を描写する、フロー図である。

【0018】

【図10】図１０は、機械学習を使用して、転倒事象および重症度を予測するための例示的方法を描写する、フロー図である。

【0019】

【図11】図１１は、機械学習モデル出力に基づいて、予防的および／または是正措置を開始するための例示的方法を描写する、フロー図である。

【0020】

【図12】図１２は、機械学習を使用して、個人化された介入を評価および選択するための例示的方法を描写する、フロー図である。

【0021】

【図13】図１３は、機械学習を使用して、集約された転倒リスクを決定するための例示的方法を描写する、フロー図である。

【0022】

【図14】図１４は、１つまたはそれを上回る機械学習モデルを訓練し、転倒リスクを予測するための例示的方法を描写する、フロー図である。

【0023】

【図15】図１５は、機械学習を使用して、転倒リスクを予測するための例示的方法を描写する、フロー図である。

【0024】

【図16】図１６は、本開示の種々の側面を実施するように構成される、例示的コンピューティングデバイスを描写する。

【0025】

理解を促進するために、同じ参照番号が、可能である場合、図面に共通の同じ要素を指定するために使用されている。一実施形態の要素および特徴は、有益なこととして、さらなる列挙を伴わずに、他の実施形態内に組み込まれ得ることが検討される。

【発明を実施するための形態】

【0026】

詳細な説明
本開示の側面は、センサ評価および是正および／または予防的措置の開始のための改良された機械学習モデルのための装置、方法、処理システム、およびコンピュータ可読媒体を提供する。

【0027】

いくつかの実施形態では、ユーザの足上の１つまたはそれを上回る位置における圧力を示す、圧力データが、１つまたはそれを上回る訓練された機械学習モデルを使用して、評価され、将来的転倒の尤度および／またはそのような潜在的な転倒の重症度を予測する。本明細書で使用されるように、「ユーザの足」からの圧力データは、概して、ユーザの実際の足上の圧力、ユーザの脚または足人工装具上の圧力、および同等物を包含する。いくつかの側面では、ユーザの足に関する圧力データはまた、杖、歩行器、および同等物等のユーザによって使用される補助デバイス上の圧力分布を含むことができる。

【0028】

本明細書で使用されるように、転倒リスク（転倒のリスクとも称される）は、概して、将来におけるそのような転倒の尤度または確率、そのような潜在的な転倒の重症度、または尤度および重症度の組み合わせを指し得る。いくつかの予防的および／または是正措置は、本分析に基づいて、開始されることができる。

【0029】

いくつかの実施形態では、圧力データは、ユーザの靴内の１つまたはそれを上回る中敷を介して、収集され、中敷は、１つまたはそれを上回るセンサ（例えば、圧力センサ）とともに構成され、足上の１つまたはそれを上回る場所においてユーザの足によって付与される圧力を検出する。本圧力データを使用することによって、本システムは、平衡査定を実施することが可能である（例えば、各中敷の各部分上の圧力を使用して）。圧力データは、本明細書で議論される種々の実施例で使用されるが、いくつかの実施形態では、他のセンサデータ（加速度計データ、慣性センサデータ、および同等物等）も同様に、ユーザのために収集されることができる。

【0030】

いくつかの実施形態では、圧力データは、ユーザが歩行および別様に移動するにつれて、監視されることができる（例えば、彼らの通常環境内において、彼らが通常装着する靴内において、および同等物において）。概して、本圧力データは、転倒を予測および／または防止するために、治療オプションを通知または改良するために（例えば、改良された物理的療法オプションを提案するために）、および同等物を含め、様々な算出システム内で使用されることができる。

【0031】

いくつかの実施形態では、本システムは、離散瞬間において、圧力データを評価する。他の実施形態では、本システムは、時間窓にわたって、圧力データを評価し、ユーザの運動または歩行パターンを分析する。例えば、本システムは、データを評価し、ユーザは、通常、他方を幾分引き摺りながら、片足で歩行しているかどうかを決定してもよい（転倒の増加されたリスクを示し得る）。

【0032】

いくつかの実施形態では、データは、１つまたはそれを上回る機械学習（ＭＬ）および／または人工知能（ＡＩ）モデルを使用して、評価される。これらのモデルは、本システムが、正常および／または容認可能である圧力データおよびさらなる懸念をトリガし得る圧力データを決定することを有効にし得る。

【0033】

いくつかの実施形態では、データを評価し、転倒に関する潜在性を予測することに加え、またはその代わりに、本システムは、モデルを使用して、そのような転倒の転倒重症度を予測する。例えば、ユーザが、前方に転倒する場合、彼らは、後方に転倒する場合と比較して、低減された危害を被る可能性が高くあり得る。いくつかの実施形態では、特定の圧力データが、訓練されたモデルによって使用され、本重症度を予測してもよい。いくつかの実施形態では、したがって、圧力データは、ユーザが転倒するであろう方向を予測するために使用されてもよい。いくつかの実施形態では、潜在的な結果もまた、決定または発生される（例えば、後方に転倒することからの頭部外傷、前方に転倒することからの手首骨折、側方に転倒することからの股関節骨折、および同等物）。

【0034】

いくつかの実施形態では、これらのモデルを訓練するために、本システムは、ユーザが通常の活動（例えば、歩行）に従事している間の、１人またはそれを上回るユーザから収集された標識された訓練データを使用する。１つのそのような実施形態では、データは、ユーザのグループから経時的に収集され、転倒が生じる、または報告される度に、転倒したユーザからのセンサデータは、転倒の前兆として標識され得る。例えば、本システムは、自動的に、Ｎ分前のデータを差し迫った転倒の前兆として標識し、および／またはＭ日前のデータを標識し、転倒がその数日後に続いたことを示してもよい。いくつかの実施形態では、本システムはさらに、転倒方向、転倒重症度、および同等物等の転倒の特性に基づいて、データを標識する。

【0035】

少なくとも一実施形態では、圧力データに加え、訓練データはさらに、彼らの年齢、性別、体重、身長、血圧、脈拍、任意の運動制限、ユーザが杖または歩行器等の任意の補助デバイスを使用しているかどうか、および同等物等のユーザの種々の特性を示すことができる。そのような特性をモデルへの入力内に含むことによって、本システムは、下記にさらに詳細に議論されるように、より正確な転倒予測を発生させることが可能であり得る。

【0036】

実施形態では、本訓練データは、１つまたはそれを上回る機械学習モデルを訓練し、転倒（差し迫った転倒または潜在的な将来的転倒のいずれか）を予測する、そのような転倒の重症度を予測する、および同等物のために使用されることができる。

【0037】

実施形態では、これらの予測は、多種多様な患者特有の介入を駆動するために使用されることができる。例えば、本システムは、救助を派遣する（例えば、近くの介護者にアラートする）こと、ユーザに停止、着席、または別様に静止するように命令すること、同等物によって、差し迫ったリスクに応答してもよい。いくつかの実施形態では、本システムは、加えて、または代替として、物理的療法計画を修正する（例えば、予測される特定のタイプの転倒を防止することに役立つであろう、患者の筋肉を強化するため）こと、杖または歩行器等の補助デバイスを割り当てる、または提供すること、同等物等の種々の予防的措置を開始することができる。

【0038】

いくつかの実施形態では、圧力データは、各ユーザの各足上の複数の個々の圧力点を含む。例えば、本システムは、足毎に、足の左前点、足の右前点、足の左後点、足の右後点、足の中心、足の前中心、足の後中心、足の左中心、足の右中心、および同等物における圧力を受信および評価してもよい。

【0039】

いくつかの実施形態では、転倒を予測することに加え、またはその代わりに、モデルは、ユーザが余剰圧力を片側上にかけているとき（他側上の痛みまたは他の問題点を示し得る）を検出するように、診断目的のために使用されることができる。

【0040】

さらに、いくつかの実施形態では、モデルは、差し迫った転倒（例えば、今後数秒、数分、または数日中に生じ得る、転倒）のみを予測するのではなく、また、より長期的傾向を評価するために使用されることができる（例えば、ユーザが、実際の転倒の不在下でも、その平衡を失いつつある、または現時点で以前より頻繁に蹌踉しているかどうかを決定するために）。

【0041】

少なくとも一実施形態では、予測モデルはまた、絨毯、非均一床、通路を横断したコード、および同等物等の物理的空間内の潜在的な危険を識別および是正するために使用されることができる。例えば、本システムは、転倒事象がより一般的である、転倒しそうな事象が生じる（例えば、検出された蹉跌、蹌踉、または転蹶）、予測される転倒が多くの場合フラグが付けられる、および同等物である、施設内の領域を識別してもよい。いくつかの実施形態では、本システムは、施設に関するヒートマップを発生させ、間取図を横断して、およびある人数のユーザおよび／またはある時点の時間を横断して、平均転倒リスクおよび／または予測される重症度を示すことができる。本データを評価することによって、本システムは、転倒を引き起こす（または引き起こし得る）、潜在的な危険を識別し、それによって、そのような発生を防止し得る、是正を開始することができる。
センサデータを評価するための機械学習のための例示的環境

【0042】

図１は、機械学習を使用して、センサデータを評価し、転倒事象を予測するための、例示的環境１００を描写する。

【0043】

図示される環境１００では、１つまたはそれを上回る圧力センサ１０５のセットが、ユーザの片足または両足からの圧力データを記録するように構成される。いくつかの実施形態では、圧力センサ１０５は、装着可能デバイス内に含まれる。例えば、圧力センサは、ユーザの靴の中に挿入される、中敷内に含まれてもよい。いくつかの実施形態では、圧力センサ１０５は、靴自体の中に統合されることができる。実施形態では、環境１００内で使用される、任意の数の圧力センサ１０５が存在し得る。例えば、本システムは、ユーザの足毎に、４つまたはそれを上回る圧力センサ１０５を使用してもよい。

【0044】

図示されるように、圧力センサ１０５は、圧力データ１１０を機械学習システム１１５に伝送または別様に提供する。種々の実施形態では、本圧力データ１１０は、有線または無線通信を含む、任意の好適な技術を使用して、提供されてもよい。例えば、一実施形態では、圧力センサ１０５は、セルラー通信技術を使用して、圧力データ１１０を機械学習システム１１５に伝送することができる。いくつかの実施形態では、圧力センサ１０５は、１つまたはそれを上回るローカル無線ネットワーク（Ｗｉｆｉネットワーク、近距離通信（ＮＦＣ）ネットワーク、Ｂｌｕｅｔｏｏｔｈ（登録商標）ネットワーク等）を使用して、圧力データ１１０を伝送する。少なくとも一実施形態では、圧力センサ１０５は、圧力データ１１０を１つまたはそれを上回る中間デバイスに伝送することができ、これは、次いで、データを機械学習システム１１５に自動転送することができる。例えば、圧力センサ１０５は、圧力データ１１０をスマートフォン、タブレット、またはユーザと関連付けられる他のデバイスに伝送してもよく（例えば、Ｂｌｕｅｔｏｏｔｈ（登録商標）を介して）、本ユーザデバイスは、データを機械学習システム１１５に自動転送することができる（例えば、Ｗｉｆｉまたはセルラー接続を介して）。

【0045】

いくつかの実施形態では、圧力データ１１０は、インターネットを含む、１つまたはそれを上回るネットワークを経由して、伝送される。すなわち、機械学習システム１１５は、ユーザおよび圧力センサ１０５から遠隔の場所（例えば、クラウド内）に常駐してもよい。圧力センサ１０５の単一のセットが、概念的明確性のために図示されるが、実施形態では、任意の数および様々な圧力センサ１０５（および任意の数のユーザ）からのデータが、同様に、機械学習システム１１５に提供されることができる。

【0046】

実施形態では、機械学習システム１１５は、概して、１つまたはそれを上回る機械学習モデルを訓練し、圧力データ１１０を分析し、および／または訓練されたモデルを使用して、圧力データ１１０を評価することができる。図示される実施例では、機械学習システム１１５はまた、随意に、ユーザ記録１１２のセットを受信することができる。例えば、いくつかの実施形態では、ユーザ記録１１２は、圧力センサ１０５と関連付けられる、ユーザ（例えば、住居施設内の居住者）の種々の特性に関連する情報を含むことができる。例えば、ユーザ記録１１２は、ユーザ毎に、所与のユーザと関連付けられる圧力センサ１０５、ならびに彼らの年齢、身長、体重、彼らが杖または歩行器等の補助デバイスを使用しているかどうか、彼らが転倒を被ったことがあるかどうか（および該当する場合、時間、重症度、方向、原因等の転倒に関連する詳細）、および同等物等の特性を示してもよい。

【0047】

いくつかの実施形態では、ユーザ記録１１２は、モデルを訓練するとき、ならびにそれらを使用して、転倒事象を予測するとき、圧力データ１１０とともに、入力として使用される。すなわち、ユーザからの圧力データ１１０は、ユーザに関する対応するユーザ記録１１２に示される特性のうちの１つまたはそれを上回るものともに、モデルへの入力として使用され、予測される転倒特性（例えば、タイミング、重症度、および同等物）を発生させてもよい。推測する間、本出力は、下記にさらに詳細に議論されるように、様々な介入を駆動するために使用されることができる。訓練の間、本出力は、モデルを精緻化するために使用される損失を算出するために、既知の標識（例えば、ユーザが転倒したかどうかを示す）に対して比較されることができる。

【0048】

本明細書で使用されるように、損失は、概して、実際のモデル出力と標的出力との間の差異に対応する。実施形態では、損失は、クロスエントロピ損失、平均絶対誤差、および同等物を含む、様々なアルゴリズムまたは技法を使用して、算出されてもよい。概して、差異の大きさは、直接、損失の大きさと相関される。損失は、加重および／またはバイアス等のモデルの内部パラメータを精緻化するために使用される。概して、損失の大きさは、直接、これらのパラメータのために必要とされる変化の大きさと相関される。したがって、損失を反復的に発生させることによって（訓練データの１つまたはそれを上回るセットを使用して）、本システムは、パラメータを反復的に精緻化し、より正確な予測を発生させることができる。

【0049】

少なくとも一実施形態では、機械学習システム１１５は、機械学習を使用して、将来的転倒の尤度（蹉跌等に起因する差し迫った転倒、ならびに経時的平衡の劣化等に起因する遠い先の将来における転倒を含んでもよい）、将来的転倒の潜在的な重症度、および同等物等の様々な転倒関連事象を予測することができる。いくつかの実施形態では、別個の機械学習モデルが、そのような出力毎に、訓練される。これは、モデルが、それらの特定の標的出力のために特殊化されることを可能にし得る。例えば、転倒が生じるであろうかどうかを予測することは、転倒が生じるであろう時間および／または生じるであろう転倒の重症度を予測するステップと比較して、異なる特徴（または異なるように加重された特徴）を伴ってもよい。そのような出力毎に、別個のモデルを訓練することによって、本システムは、各モデルが、特定の出力を正確に予測するために最良に好適な特定化されたパラメータを学習することを可能にする。

【0050】

一実施形態では、モデルを訓練するために、機械学習システム１１５は、圧力データ１１０および／またはユーザ記録１１２を、経時的に、任意の数のユーザから収集することができる。例えば、ある施設（例えば、長期療養施設）内の各ユーザは、圧力センサ１０５の関連付けられるセット（例えば、一対のセンサ装備中敷または靴）を有することができ、各ユーザからの圧力データが、モデルを訓練するために使用されることができる。少なくとも一実施形態では、機械学習システム１１５または別のコンポーネントが、環境を監視し、対応するユーザの特性（例えば、年齢、体重、身長、および同等物）を含む、様々な要因に基づいて、本圧力データにタグ付けすることができる。

【0051】

いくつかの実施形態では、データは、対応するユーザが転倒を被ったかどうかに基づいて、「グラウンドトゥルース」標識と関連付けられる。例えば、関与ユーザが転倒する度に（例えば、ユーザ記録１１２に示されるように）、機械学習システム１１５（または別のシステム）は、１つまたはそれを上回る先行する時間に関して（例えば、転倒に先立ったＮ秒、分、時間、または日に関して）、圧力データ１１０の対応する記録をそのユーザから読み出し、本データを転倒が差し迫っていることのインジケーションとして標識することができる。少なくとも一実施形態では、標識はさらに、センサ読取値と転倒との間の経過時間を示す。例えば、第１の記録は、ユーザがデータが記録されてから５分後に転倒したことを示すために標識され得る一方、第２の記録は、ユーザが３０秒後に転倒したことを示す。

【0052】

少なくとも一実施形態では、圧力データ１１０は、加えて、または代替として、転倒の方向（例えば、左、右、前方、後方、および同等物）等の転倒の種々の側面を示すために標識されてもよい。同様に、データは、転倒の重症度（例えば、それが任意の骨折または他の傷害をもたらしたかどうか、これらの傷害の範囲、および同等物）を示すために標識されてもよい。少なくとも一実施形態では、データは、加えて、または代替として、類似転倒を予測する際に関連し得る、コンテキストデータを使用して、タグ付けされることができる。例えば、（１つまたはそれを上回るカメラによって捕捉された）転倒のビデオまたは画像を使用して、本システムは、患者が物体上で転蹶したかどうか、ユーザが杖等の任意の補助デバイスを実際に使用していたかどうか、および同等物を判別してもよい。本情報は、本システムが、転倒の特定のコンテキストをより正確に考慮する、よりロバストな訓練データを発生させることを可能にすることができる。

【0053】

経時的に、かつ様々なユーザから、そのようなデータを収集することによって、機械学習システム１１５は、様々な機械学習アーキテクチャを訓練または精緻化し、将来的転倒、転倒が生じるであろう将来的接近度、ユーザが転倒するであろう方向、生じるであろう転倒の重症度、および同等物を予測するために使用され得る、訓練データセットを自動的に構築することが可能である。

【0054】

少なくとも一実施形態では、所与のユーザが、転倒しない（またはある定義された窓内に該当しない）場合、機械学習システム１１５は、対応する記録を今後の転倒を示すものではないものとして自動的に標識することができる。例えば、機械学習システム１１５は、持続的または周期的に、ユーザ定義された閾値より古い（例えば、１週間より古い）、未標識圧力記録（例えば、転倒の前兆としてまだ標識されていない、記録）を識別し、これらの記録を転倒を示すものではないものとして標識してもよい（転倒が、ユーザ記録１１２内で報告されない場合）。このように、機械学習システム１１５は、正の訓練サンプル（例えば、転倒が差し迫っていることを示す、圧力データ１１０および／またはユーザ特性）ならびに負の訓練データ（例えば、ユーザが安定しており、および／または転倒が差し迫っていないことを示す、圧力データ１１０および／またはユーザ特性）の両方を発生させることができる。

【0055】

いくつかの実施形態では、上記に議論されるように、機械学習システム１１５は、様々な所望の予測に対処するために、いくつかの機械学習モデルを訓練することができる。例えば、第１のモデルは、ユーザが転倒するであろうかどうかを予測するように訓練されてもよい一方、第２のモデルは、転倒が生じるであろう将来的接近度を予測するために使用される。いくつかの側面では、第１のモデルは、（例えば、狭入力時間窓に基づいて、今後Ｍ秒以内の）差し迫った転倒を予測するように訓練されてもよい一方、その他は、より離れた予測のために、徐々により長いインターバルを使用して、訓練される（例えば、ある時間にわたって収集されたデータを評価し、転倒が今後１時間以内に生じる可能性が高いかどうかを決定する）。他のモデルは、転倒方向、転倒重症度、および同等物を予測するために使用されてもよい。

【0056】

概して、機械学習モデルを訓練することは、１人またはそれを上回るユーザからの圧力データ１１０のあるセット（例えば、定義された時間窓を網羅する、圧力データ）を入力としてモデルに提供し、ある予測される出力を発生させることを含む。いくつかの実施形態では、入力はまた、上記に議論されるように、ユーザの１つまたはそれを上回る特性（年齢、彼らが補助デバイスを使用しているかどうか、および同等物等）を含む。訓練の初期段階では、本出力は、比較的にランダムである、または信頼性がない場合がある（例えば、モデルを開始するために使用されるランダム加重および／またはバイアスに起因して）。発生された出力は、次いで、それに関してモデルが訓練されている、関連標識（例えば、転倒が生じたかどうか、転倒の重症度、および同等物）に対して比較され、損失を発生させ、損失は、モデルを精緻化するために使用されることができる（例えば、ニューラルネットワークの場合、逆伝搬を使用して）。概して、本精緻化プロセスは、ユーザまたは時間窓毎に、個々に（例えば、確率的勾配降下法を使用して）、またはバッチとして（例えば、バッチ勾配降下法を使用して）、実施されてもよい。さらに、実施形態では、機械学習システム１１５は、データの窓（例えば、離散または持続的圧力値の集合）に作用するように、または単一記録（例えば、所与の瞬間における圧力データ）に基づいて、モデルを訓練することができる。

【0057】

ある実施形態では、いったんモデルが、訓練されると、機械学習システム１１５は、リアルタイムで使用するために、それらを展開することができる。一実施形態では、上記に議論されるように、モデルは、１つまたはそれを上回るシステム上で訓練され、１つまたはそれを上回る他のシステムに展開されてもよい。他の実施形態では、機械学習システム１１５は、モデルを訓練することと、推測するためにそれらを使用するステップとの両方を行うことができる。

【0058】

いくつかの実施形態では、推測する間、機械学習システム１１５は、圧力データ１１０を、リアルタイムで（またはほぼリアルタイムで）、関与ユーザから受信する。少なくとも一実施形態では、機械学習システム１１５はまた、具体的ユーザに関するユーザ記録１１２を受信する。本明細書で使用されるように、推測することは、モデル展開の段階を指し、モデルは、訓練されており、ランタイムの間、実際の入力を評価する際に使用するために展開される。モデル出力は、いくつかの実施形態では、「推測」と称され得るため、本段階は、「推測ステップ」と称され得る。推測する間、機械学習システム１１５は、潜在的な転倒を予測するために、訓練されたモデルのうちの１つまたはそれを上回るものを使用して、本圧力データ（いくつかの実施形態では、年齢等のユーザ特性とともに）を処理することができる。

【0059】

少なくとも一実施形態では、機械学習システム１１５は、全てのモデルを並列に使用するのではなく、モデルを順次使用して、データを処理することができる。これは、圧力データ１１０を評価する算出費用を有意に低減させ、それによって、必要とされるメモリ空間および算出電力を低減させ、かつエネルギー消費および待ち時間を低減させ得る（例えば、本システムが、多数のユーザから過負荷となる場合）。

【0060】

例えば、機械学習システム１１５は、最初に、初期モデルを使用してもよい（例えば、転倒が差し迫っているかどうかを決定するために）。転倒が、差し迫っていると決定される場合、機械学習システム１１５は、下記にさらに詳細に議論されるように、直ちに、是正または予防的措置を開始してもよい。潜在的な転倒の転倒重症度、方向、および他の特性は、後に予測されてもよい、または完全にバイパスされてもよい（例えば、いったん転倒が生じると、または生じない場合、非関連として）。１つのそのような実施形態では、転倒が、差し迫っていないが、将来のある時点において生じ得る場合、機械学習システム１１５は、選択的に、１つまたはそれを上回る他のモデルを使用して、それが生じるであろう時間、ユーザが転倒するであろう方向、重症度、および同等物等、転倒の性質を予測することができる。

【0061】

転倒が、予測されない場合、機械学習システム１１５は、任意のさらなる措置を開始しないようにすることができる。しかしながら、図示される実施例では、転倒が、予測される場合、機械学習システム１１５は、多種多様な是正および／または予防的措置を開始することができる。例えば、転倒が、差し迫っている場合（例えば、定義された秒または分数以内に）、機械学習システム１１５は、ユーザに着席する、または支持のための物体を握持するように命令すること、直ちにユーザに注意を払うように近くの介護者にアラートすること、同等物等の措置を開始してもよい。

【0062】

いくつかの実施形態では、予測される転倒が、より先のことである（例えば、将来的定義された分数を超える）場合、機械学習システム１１５は、杖、歩行器、および車椅子を含む、医療デバイスを提案または処方する等、他の是正措置を開始することができる。いくつかの実施形態では、機械学習システム１１５は、予測に基づいて、１つまたはそれを上回る物理的療法計画または変更を提案または処方することができる。例えば、機械学習システム１１５が、ユーザがその左に向かって転倒し得ることを予測する場合、機械学習システム１１５は、物理的療法が、ユーザのその身体の左側の筋肉を強化する（または別様に本側上における任意の痛みまたは他の懸念を補正する）ために必要とされることを決定し得る。それに応答して、機械学習システム１１５は、物理的療法を提案または開始し、これらの懸念を補正することができる。

【0063】

少なくとも一実施形態では、集約された転倒予測または検出に基づき、機械学習システム１１５は、加えて、または代替として、施設全体にわたる是正または予防的措置１２０を提供することができる。例えば、いくつかの転倒（または予測される転倒）が、所与のエリア内で生じる場合（例えば、機械学習システム１１５が、ユーザが施設内の所与の場所において蹉跌し、したがって、予測される差し迫った転倒が本場所において平均して増加していることを観察する場合）、機械学習システム１１５は、手動精査のために、本エリアにフラグ付けしてもよい。これは、例えば、そのエリア内に危険が存在することを示し得る（例えば、絨毯の盛り上がりまたは床を横断したケーブル）。

【0064】

実施形態では、これらの標的化およびユーザ特有の介入（即座の補助ならびに医療デバイスおよび物理的療法等のより予防的および長期処置を含む）を提供することによって、機械学習システム１１５は、転倒（および転倒重症度）を劇的に低減させ、それによって、ユーザ結果を改良することが可能である。さらに、いくつかの機械学習モデルを反復的に使用することによって、先行するモデルからの出力がある基準を充足させるときのみ、機械学習システム１１５は、低減された算出リソースおよび費用を使用して、本粒度の細かくかつ具体的分析を提供することができる。
中間通信デバイスおよび機械学習を使用して、センサデータを評価し、転倒事象を予測するための、例示的環境

【0065】

図２は、中間通信デバイスおよび機械学習を使用して、センサデータを評価し、転倒事象を予測するための、例示的環境２００を描写する。

【0066】

図示される環境２００では、圧力センサ１０５のセット（例えば、各足上の１つまたはそれを上回るデバイスであって、各デバイスは、１つまたはそれを上回る物理的センサを含むことができる）が、ユーザの足からの圧力データを記録するように構成される。例えば、上記に議論されるように、圧力センサ１０５は、ユーザの靴の中に挿入される、中敷内に含まれる、または靴自体の中に統合される等、装着可能デバイス内に含まれてもよい。

【0067】

図示される環境２００では、圧力センサ１０５は、圧力データ２１０をユーザデバイス２１５に伝送または別様に提供するように構成され、これは、次いで、圧力データ２１０（および、いくつかの実施形態では、他の関連データ）を機械学習システム１１５に自動転送することができる。すなわち、環境１００では、圧力センサ１０５は、圧力データを直接機械学習システム１１５に伝送し得るが、環境２００は、ユーザのユーザデバイス２１５を使用する。

【0068】

図示される実施例では、ユーザデバイス２１５は、スマートフォンである。しかしながら、実施形態では、他のデバイスが、使用されてもよい。概して、ユーザデバイス２１５は、ユーザと関連付けられる、ポータブルコンピューティングデバイス（電話、タブレット、スマートウォッチ、および同等物等）に対応する。ユーザ（または介護者等の補助人物）は、ユーザデバイス２１５を使用して、圧力センサ１０５を対応するユーザおよびユーザデバイス２１５にリンクさせてもよい。例えば、ユーザは、Ｂｌｕｅｔｏｏｔｈ（登録商標）等の短距離無線技術を使用して、ユーザデバイス２１５および圧力センサ１０５をペアリングしてもよい。圧力センサ１０５は、次いで、圧力データ２１０をユーザデバイス２１５に伝送することができ、これは、随意に、ユーザの識別、ユーザの年齢、および同等物等のユーザ特性に基づいて、それにタグ付けすることができる。

【0069】

図示される実施例では、ユーザデバイス２１５は、次いで、ネットワーク２２０（例えば、インターネット）を介して、圧力データ２１０を機械学習システム１１５に自動転送する。図示される実施例では、ユーザ記録１１２は、ネットワーク２２０を介して、機械学習システム１１５に別個に提供される。少なくとも一実施形態では、ユーザ記録１１２は、代替として、または加えて、ユーザデバイス２１５によって提供される。

【0070】

例えば、ユーザデバイス２１５は、ユーザの一意の識別子を用いて、圧力データ２１０にタグ付けしてもよく、機械学習システム１１５は、本識別子を使用して、ユーザに関連する情報を含有する、対応するユーザ記録１１２を読み出す、または決定してもよい。代替として、ユーザデバイス２１５は、直接、ユーザの年齢、身長、体重、および同等物等の本情報の一部または全てを含んでもよい。

【0071】

実施形態では、上記に議論されるように、機械学習システム１１５は、概して、１つまたはそれを上回る機械学習モデルを訓練し、圧力データ２１０およびユーザ記録１１２を分析し、および／または訓練されたモデルを使用して、圧力データ１１０およびユーザ記録１１２を評価することができる。例えば、上記に議論されるように、圧力データ２１０およびユーザ記録１１２は、予測される出力（例えば、転倒尤度または転倒重症度）を発生させるために、入力として使用されてもよく、これは、（例えば、ユーザ記録１１２から決定された）グラウンドトゥルース標識に対して評価され、モデルを精緻化することができる。いったん訓練されると、上記に議論されるように、機械学習システム１１５は、モデルを使用して、圧力データ２１０およびユーザ記録１１２を処理し、所与のユーザ毎に、転倒が生じる可能性が高いかどうか、潜在的な転倒の重症度、および同等物を予測してもよい。
標識されたデータを発生させ、機械学習モデルを訓練し、転倒事象を予測するための、例示的ワークフロー

【0072】

図３は、標識されたデータを発生させ、機械学習モデルを訓練し、転倒事象を予測するための、例示的ワークフロー３００を描写する。

【0073】

図示されるワークフロー３００では、機械学習システム１１５が、上記に議論されるように、圧力センサ１０５からのデータを受信する。例えば、１つまたはそれを上回る圧力センサ１０５は、持続的に、周期的に、（例えば、毎秒、５秒毎等）、および同等物において、圧力データを伝送してもよい。一実施形態では、圧力データが、受信されるにつれて、機械学習システム１１５は、それにタグ付けする、または別様にそれと対応するユーザを関連付けることができる。例えば、機械学習システム１１５は、圧力データが、年齢、体重、および同等物等のモデルへの入力として使用される、関連ユーザ特性と関連付けられ得るように、対応するユーザ記録３０５（例えば、圧力データ内に含まれる、識別子に基づいて）を識別することができる。いくつかの実施形態では、上記に議論されるように、受信された圧力データは、すでに、そのような特性を含む。図示されるワークフロー３００では、機械学習システム１１５は、下記にさらに詳細に議論されるように、将来的標識のために、本（タグ付けされた）圧力データを記憶してもよい。

【0074】

いくつかの実施形態では、機械学習システム１１５は、圧力データを標識するために、周期的に、持続的に、または規定された事象に応じて、ユーザ記録３０５を評価することができる。例えば、機械学習システム１１５は、ユーザのいずれかが転倒を被ったかどうかを決定するために、周期的に（例えば、毎日または毎週）、登録されたユーザに関するユーザ記録３０５を評価してもよい。いくつかの実施形態では、機械学習システム１１５は、転倒情報を自動的に受信することができる（例えば、転倒報告のために記録を能動的にチェックすることによってではなく、プッシュされるアラートまたは通知として）。

【0075】

転倒が、ユーザ記録３０５に示される場合、機械学習システム１１５は、圧力データの１つまたはそれを上回る対応する記録を読み出し、転倒を示すためにそれを標識することができる。例えば、上記に議論されるように、機械学習システム１１５は、各圧力記録を標識し、転倒が生じたという事実、転倒が生じる（記録に対する）将来的接近度、転倒の方向、転倒の重症度、および同等物等の情報を示すことができる。いくつかの実施形態では、機械学習システム１１５は、このように、圧力記録のシーケンスを標識することができる。例えば、１つの記録は、（例えば、定義された時間周期以内の）転倒の直前であったことを示すために標識され得る一方、第２の記録は、転倒が圧力データが記録されてから１時間後に生じたことを示すために標識される。これは、機械学習システム１１５が、モデルのセットを訓練し、転倒が生じるであろう時間を予測することを可能にすることができる。

【0076】

図示されるワークフロー３００では、機械学習システム１１５は、次いで、圧力データを標識された訓練データ３１０として記憶することができる。上記に議論されるように、本標識された訓練データ３１０は、１つまたはそれを上回る機械学習モデルを訓練および／または精緻化するために使用されることができる。種々の実施形態では、本訓練は、周期的に（例えば、毎週）、または規定された事象に応じて、実施されてもよい。例えば、少なくとも一実施形態では、転倒が、生じる場合、機械学習システム１１５は、モデルが転倒を予測した（または圧力データを評価するために使用されなかった場合、それを予測したであろう）かどうかを決定することができる。モデルが、転倒および／または転倒特性を正確に予測した場合、機械学習システム１１５は、後続精緻化のために、データを標識および記憶することができる。いくつかの実施形態では、モデルが、転倒および／または特性を予測することに失敗した場合、機械学習システム１１５は、より正確な予測のために、直ちに、データ（およびモデルを訓練するためにまだ使用されていない、任意の他の標識された訓練データ３１０）を使用して、モデルを精緻化してもよい。

【0077】

いくつかの実施形態では、正の標識された訓練データ３１０（例えば、転倒の前兆となったサンプル）に加え、機械学習システム１１５はまた、負の実施例に対応する、標識された訓練データ３１０を発生させることができる。例えば、機械学習システム１１５は、周期的または持続的に、ある定義された閾値より古い（例えば、１週間より古い）、圧力データを識別してもよい。ユーザ記録３０５が、その定義された窓内で、ユーザが転倒したことを示さない場合、機械学習システム１１５は、自動的に、圧力データを今後の転倒を示すものではないものとして標識してもよい。これらの負のサンプルは、次いで、上記に議論されるように、将来的訓練および／または精緻化のために、標識された訓練データ３１０として記憶されることができる。

【0078】

上記に議論されるように、これらの負の実施例もまた、周期的に（例えば、毎週）、または規定された事象に応じて、使用されてもよい。例えば、少なくとも一実施形態では、モデルが、転倒（または予測する具体的転倒特性）を予測するが、それが生じない（または転倒特性が異なる）場合、機械学習システム１１５は、より正確な予測のために、直ちに、データ（およびモデルを訓練するためにまだ使用されていない、任意の他の標識された訓練データ３１０）を使用して、モデルを精緻化してもよい。

【0079】

このように、機械学習システム１１５は、機械学習モデルの訓練および精緻化のために、標識された訓練データ３１０を自動的に発生させることが可能である。本自動化された標識発生は、効率的かつ高速であって、さらに、概して、低減された誤差（例えば、誤標識されたデータ）を伴う、標識された訓練データ３１０をもたらすことができる。機械学習モデルは、概して、膨大な量の訓練データを要求するため、本自動化されたワークフロー３００は、従来のシステム（例えば、手動でキュレートされたデータに依拠する）を使用して可能性として考えられるであろうものより正確なモデルを訓練することを有効にし得る。これらのより正確なモデルは、ひいては、有意に改良された転倒予測および介入のために使用されることができる。
決定された転倒リスクエリアが示されている、例示的間取図

【0080】

図４は、決定された転倒リスクエリアが示されている、例示的間取図４００を描写する。いくつかの実施形態では、間取図４００は、図１の機械学習システム１１５等の機械学習システムによって、発生および／または拡張されてもよい。

【0081】

いくつかの実施形態では、上記に議論されるように、機械学習システム（または別のシステムまたはデバイス）は、１つまたはそれを上回る物理的空間または場所における潜在的な転倒危険に関するより深い洞察を提供するために、転倒予測および／または事象を集約することができる。図示される実施例では、間取図４００は、ユーザが常駐する、住居施設（例えば、老人ホームまたは長期療養施設）に対応する。しかしながら、実施形態では、本明細書に説明される技法は、多種多様な場所および施設に容易に適用されることができる。

【0082】

図示される実施例では、３つのエリア、場所、または領域が、破線円形４０５Ａ－Ｃによって示され、それらが、高リスクエリアであり得ることを示す。いくつかの実施形態では、これらのエリアを識別するために、機械学習システムは、施設に関して報告される転倒および／または予測される転倒を評価することができる。例えば、報告される（実際の）転倒毎に、機械学習システムは、施設内の転倒が生じた場所を決定することができる。本データは、転倒がより頻繁に生じるエリアを示す、拡張間取図を発生させるために使用されてもよい（例えば、ヒートマップを使用して）。

【0083】

いくつかの実施形態では、機械学習システムは、加えて、または代替として、予測される転倒データを集約し、問題エリアを示すことができる。例えば、機械学習モデルが、転倒が差し迫っていることを予測する（例えば、ユーザ蹉跌に起因して）度に、機械学習システムは、予測される転倒が生じた場所を決定することができる（実際の転倒が追従しない場合でも）。同様に、施設を横断して、これらの予測される転倒を集約することによって、機械学習システムは、転倒が生じない場合でも、転倒が頻繁に予測される、または生じそうである、エリアを識別することができる。本データは、同様に、拡張間取図（例えば、ヒートマップを使用して）等を介して、出力され、これらの問題エリアを示してもよい。

【0084】

例えば、図示される間取図４００では、エリア４０５Ａは、潜在的に問題となるものとして示される（例えば、そのエリア内の実際の転倒または予測される転倒の回数または頻度に起因して）。実施形態では、エリア４０５を示すために使用される、特定の技法は、特定の実装に応じて、変動し得る。例えば、機械学習システムは、グラフィカルユーザインターフェース（ＧＵＩ）を介して出力されるためのヒートマップを発生させてもよい。いくつかの実施形態では、機械学習システムは、実際および／または予測される転倒が１つまたはそれを上回る定義された基準（例えば、報告または予測される事象の回数、事象の頻度、および同等物）を満たす、エリアを識別し、それらをハイライトすること、それらをアウトライン化すること、および同等物等によって、これらのエリアを具体的に示すことができる。

【0085】

間取図４００に基づいて、エリア４０５Ａが、例えば、屋内空間と屋外空間との間の床高の変化、戸口における敷居の高さ、および同等物に起因して、潜在的に危険であることが推測され得る。本情報に基づいて、ユーザまたは管理者は、エリアを調査し、および／または必要とされる場合、落差の警告表示を掲示すること、ドア敷居の高さを下げること、手すりを追加すること、傾斜を配設すること、同等物等によって、是正措置を講じてもよい。

【0086】

図示される実施例では、エリア４０５Ｂはまた、潜在的に危険として示される。例えば、本エリア４０５Ｂは、絨毯が持ち上げられている、または弛緩している場所、ケーブルまたは他の障害物が部屋を交差している場所、および同等物に対応し得る。上記のように、ユーザまたは管理者は、同様に、エリア４０５Ａを調査し、危険を識別し、適切な是正措置を講じることができる。

【0087】

図示されるように、機械学習システムはまた、エリア４０５Ｃを潜在的に危険であるとしてフラグを付けている。着目すべきこととして、本エリア４０５Ｃは、具体的ユーザに割り当てられる部屋内にある。すなわち、エリア４０５Ａおよび４０５Ｂは、概して、ユーザにアクセス可能であり得る、公共領域内にあるが、エリア４０５Ｃは、１人またはそれを上回る居住者が、概して、常駐する、私的部屋（例えば、彼らが睡眠し、彼らのアイテムを保管する場所）内にあり得る。いくつかの実施形態では、上記に議論されるように、本エリアのインジケーションは、概して、ユーザまたは管理者が、エリア４０５Ｃを調査し、潜在的な危険（家具または他の物体、コード、絨毯、および同等物等）を識別することを可能にし得る。

【0088】

少なくとも一実施形態では、機械学習システムまたはユーザは、エリア４０５Ｃと関連付けられる特定のユーザが補助を必要とし得ることを推測し得る。すなわち、エリア自体が危険であることを決定することに加え、またはそうではなく、機械学習システムは、その部屋内で生活している対応するユーザが、椅子から立ち上がる、またはベッドから起き上がるとき等、頻繁に、平衡に難点を有することを決定または推測し得る。このように、機械学習システムは、上記に議論されるように、介護者が起立または着座することを補助するよう存在することを提案または命令すること、または物理的療法タスクを提案する、または割り当てること等の具体的ユーザのための予防的措置を講じることができる。

【0089】

このように、転倒事象および／または予測される転倒事象を集約することによって、機械学習システムは、施設およびそのユーザに関するより深い洞察を導出し、それによって、施設の安全性を有意に改良し、潜在的な危害を低減させることができる。
標識されたデータを発生させ、機械学習モデルを訓練し、転倒を予測するための例示的方法

【0090】

図５は、標識されたデータを発生させ、機械学習モデルを訓練し、転倒を予測するための例示的方法５００を描写する、フロー図である。いくつかの実施形態では、方法５００は、図１の機械学習システム１１５等の機械学習システムによって実施される。一実施形態では、方法５００は、図３のワークフロー３００に関する付加的詳細を提供する。

【0091】

ブロック５０５では、機械学習システムが、１つまたはそれを上回る圧力センサ（例えば、図１の圧力センサ１０５）からの圧力データを受信する。例えば、上記に議論されるように、機械学習システムは、持続的または周期的に、１人またはそれを上回るユーザと関連付けられる、１つまたはそれを上回る圧力センサから圧力データを受信するように構成されてもよい。いくつかの実施形態では、圧力データはまた、ユーザ識別子、ユーザの特性、および同等物等の種々のユーザデータを含む、またはそれと関連付けられることができる。

【0092】

ブロック５１０では、機械学習システムが、受信された圧力データと関連付けられる、ユーザに関する１つまたはそれを上回る対応するユーザ記録を読み出す。例えば、圧力データとともに含まれる、ユーザＩＤに基づいて、機械学習システムは、１つまたはそれを上回るリポジトリにクエリし、ユーザに関するユーザ記録を読み出すことができ、これらの記録は、種々のユーザの特性（例えば、彼らの年齢、身長、体重、彼らが補助デバイスを使用しているかどうか、および同等物）を示すことができる。いくつかの実施形態では、ユーザ記録は、加えて、または代替として、生じた転倒等の事象を示すことができる。例えば、ユーザが転倒する（または、いくつかの実施形態では、転倒しそうになる）度に、ユーザ記録は、更新され（例えば、介護者によって）、事象を示してもよい。

【0093】

いくつかの実施形態では、機械学習システムは、圧力データが受信されると、ブロック５１０を実施する。例えば、圧力データが、１つまたはそれを上回る先行する時間（例えば、データがライブで提供されず、記録された直後）からのものである場合、機械学習システムは、直ちに、対応する記録を読み出してもよい。いくつかの実施形態では、圧力データが、ライブで（例えば、記録された直後に）受信された場合、機械学習システムは、データを記憶し、続いて、１つまたはそれを上回る定義された基準の発生（例えば、定義された時間周期が経過した後、転倒が生じたことを通知されることに応じて、および同等物）に応じて、ユーザ記録を読み出してもよい。

【0094】

ブロック５１５では、機械学習システムが、読み出されたユーザ記録を評価し、ユーザが転倒を被ったかどうかを決定する。該当しない場合、方法５００は、ブロック５２５に継続し、機械学習システムは、受信された圧力データを標識する。すなわち、機械学習システムは、ユーザが転倒しなかったことを決定し（圧力データが記録された後の関連窓の間）、適宜、データを標識することができる。いくつかの実施形態では、上記に議論されるように、機械学習システムは、転倒が生じなかったことを決定する前に、定義された基準（例えば、圧力データが記録された後の最小時間周期）が満たされるまで、待機してもよい。

【0095】

少なくとも一実施形態では、ユーザが転倒したかどうかを決定することに加え、機械学習システムは、ユーザが蹉跌したかどうかを決定してもよい。蹉跌は、概して、実際の転倒ほど危険ではない場合があるが、それらはなお、潜在的な懸念または問題を示し得る。データを標識し、蹉跌を予測することによって、本システムは、ユーザに関する全体的結果を改良することが可能であり得る。

【0096】

ブロック５１５では、機械学習システムが、転倒が生じたことを決定する場合、方法５００は、ブロック５２０に継続する。ブロック５２０では、機械学習システムが、転倒の方向（例えば、前方、後方、または側方）、転倒の場所（例えば、施設内の物理的エリア）、転倒の重症度（例えば、それが裂傷、骨折、捻挫等をもたらしたかどうか）、および同等物等の転倒の１つまたはそれを上回る特性を決定する。ある実施形態では、上記に議論されるように、これらの特性は、転倒に対応する、ユーザ記録に示される。いくつかの実施形態では、これらの特性は、定義された値または標識等を使用して、機械可読フォーマットで記憶され、転倒の方向性および／または重症度を示す。他の実施形態では、機械学習システムは、自然言語処理等を使用することによって、書き込まれた記録（例えば、転倒時に介護者によって書き込まれる）を評価し、これらの転倒特性を決定してもよい。

【0097】

方法５００は、次いで、ブロック５２５に継続し、機械学習システムは、受信された圧力データを標識し、転倒の存在および／または転倒特性を示す。上記に議論されるように、本標識されたデータは、次いで、１つまたはそれを上回る機械学習モデルを訓練または精緻化し、転倒事象を予測するために使用されることができる。方法５００は、次いで、ブロック５０５に戻り、付加的圧力データを受信する。

【0098】

このように、機械学習システムは、標識された訓練データを自動的に発生させることができる。上記に議論されるように、本プロセスは、結果として生じる機械学習モデルの正確度および信頼性を有意に改良し、かつデータを手動で標識する際に関わるコストおよび不正確性を有意に低減させることができる。
機械学習モデルを訓練するための例示的方法

【0099】

図６は、センサデータに基づいて、機械学習モデルを訓練し、転倒事象を予測するための例示的方法６００を描写する、フロー図である。いくつかの実施形態では、方法６００は、図１の機械学習システム１１５等の機械学習システムによって実施される。

【0100】

ブロック６０５では、機械学習システムが、１人またはそれを上回るユーザからの圧力データを受信する。上記に議論されるように、本圧力データは、概して、ユーザが、起立、歩行、走歩、および同等物を行っている間の、片足（または両足）上の１つまたはそれを上回る点におけるユーザの片足または両足によって付与される圧力を含むことができる。いくつかの実施形態では、上記に議論されるように、機械学習システムは、ある時間周期にわたって（例えば、１年の期間にわたって）、本データを何人かのユーザ（例えば、長期療養施設内の全ての患者）から収集することができる。いくつかの実施形態では、機械学習システムはさらに、彼らの年齢、体重、身長、運動上の問題点、および同等物等、各ユーザの履歴データを受信することができる。

【0101】

ブロック６１０では、機械学習システムが、受信されたデータに関する標識のセットを決定する。例えば、上記に議論されるように、機械学習システム（または別のシステム）は、転倒を識別してもよい（例えば、ユーザの患者データ内で記録または報告される）。機械学習システム（または他のシステム）は、次いで、転倒に先立った１つまたはそれを上回る時点からの対応する圧力データ記録を読み出し、適宜、データを標識してもよい。例えば、機械学習システムは、転倒に先立った３０秒の窓から記録を読み出し、次いで、「転倒が差し迫っている」として標識し、５分前から開始する記録を読み出し、それらを「転倒を起こしつつある」として標識する等のように行うことができる。

【0102】

いくつかの実施形態では、上記に議論されるように、機械学習システムは、加えて、または代替として、転倒の方向、転倒の重症度、および同等物等の転倒の他の特性に基づいて、記録を標識することができる。加えて、いくつかの実施形態では、ユーザが転倒せずに、十分な時間周期が経過した場合（例えば、記録が、１日より古い、１週間より古い、および同等物である場合）、機械学習システムは、これらの記録を今後の転倒を示すものではないものとして標識することができる。圧力データ標識を決定する一実施例は、図５を参照して上記でさらに詳細に説明される。

【0103】

いったん標識が、決定されると、方法６００は、ブロック６１５に継続し、機械学習システムは、上記に議論されるように、標識されたデータに基づいて、１つまたはそれを上回る機械学習モデルを訓練する。図示される実施例は、概念的明確性のために、データ収集、標識、および訓練が、順次生じるように描写するが、いくつかの実施形態では、機械学習システムは、最初に、ある時間周期にわたって、データを収集および標識し、その周期が経過した後（または十分なデータが収集された後）、モデル訓練に移行してもよい。

【0104】

ある実施形態では、上記に議論されるように、モデルを訓練することは、概して、圧力データ（ならびにユーザ特性または他の患者データ）を入力としてモデルに提供するステップと、標識を使用して、損失を算出すること（発生された出力に基づいて）とを含む。このように、機械学習システムは、それらの予測を改良するために、標識されたデータに基づいて、モデルを反復的に精緻化することができる。

【0105】

ブロック６２０では、機械学習システムが、訓練が完了したかどうかを決定する。実施形態では、本決定は、様々な終了基準に基づいて、行われてもよい。例えば、機械学習システムは、定義された数の訓練サイクルが完了されたかどうか、最小数の訓練記録が使用されたかどうか、訓練の間、定義された時間周期が経過したかどうか、最低の好ましい正確度が満たされているかどうか（例えば、標識されたデータを試験データとして使用して決定される）、および同等物を決定してもよい。訓練が、完了していない場合、方法６００は、ブロック６０５に戻り、圧力データの新しいセットを受信する。

【0106】

訓練が、完了した場合、方法６００は、ブロック６２５に継続し、機械学習システムは、推測するために、訓練されたモデルを展開する。上記に議論されるように、これは、モデルをローカルで（機械学習システム上で）使用して、新しいデータを処理すること、モデルを１つまたはそれを上回る他のシステムまたはデバイスに提供し、転倒を予測すること、同等物を含んでもよい。
尤度モデルおよび重症度モデルを訓練し、転倒事象を予測するための例示的方法

【0107】

図７は、尤度モデルおよび重症度モデルを訓練し、転倒事象を予測するための例示的方法７００を描写する、フロー図である。いくつかの実施形態では、方法７００は、図１の機械学習システム１１５等の機械学習システムによって実施される。図示される実施例では、方法７００は、図６のブロック６１５に関する付加的詳細を提供する。

【0108】

ブロック７０５では、機械学習システムが、圧力データに基づいて、尤度モデルを訓練する。実施形態では、尤度モデルは、概して、ある定義された周期内でユーザが転倒する尤度を予測することを学習する、機械学習モデルである。いくつかの実施形態では、機械学習システムは、ユーザがある固定された周期内に転倒するであろうかどうかを予測する。例えば、第１のモデルは、差し迫った転倒（例えば、３０秒以内）を予測し得る一方、第２のモデルは、今後の転倒（例えば、数時間または数日以内）を予測する等である。少なくとも一実施形態では、単一モデルが、転倒の尤度または確率ならびに転倒までの予期される時間または遅延の両方を予測する。

【0109】

いくつかの実施形態では、尤度モデルを訓練することは、出力転倒確率または予測を発生させるために、尤度モデルを用いて、圧力データ（および、いくつかの実施形態では、年齢等の種々のユーザ特性およびユーザが、杖、歩行器、または他の補助デバイスを使用しているかどうか）を処理することを含む。本出力は、次いで、圧力データに関するグラウンドトゥルース標識（例えば、転倒が実際に生じたかどうかと、該当する場合、その時間を示す）に対して比較されることができる。本比較は、予測と標識との間の差異に基づいて、損失（例えば、クロスエントロピ損失）を算出するために使用されることができ、損失は、尤度モデルを精緻化するために使用されてもよい（例えば、逆伝搬を使用して）。確率的勾配降下法（例えば、個々の実施例毎に、モデルを個々に精緻化する）が、概念的明確性のために、説明されるが、実施形態では、機械学習システムは、バッチ勾配降下法（実施例のセットに基づいて）を使用して、尤度モデルを精緻化してもよい。

【0110】

ブロック７２０では、機械学習システムが、圧力データの標識が転倒が生じたことを示すかどうかを決定する。該当しない場合、方法６００は、終了し、図６のブロック６２０に戻る。すなわち、圧力データが、転倒に関連しない場合、機械学習システムは、任意の他のモデルを訓練または精緻化せず、（負の）実施例が、尤度モデルを訓練するためにのみ使用される。

【0111】

ブロック７２０では、機械学習システムが、データが転倒の前兆であることを決定する場合、方法７００は、ブロック７２５に継続し、機械学習システムは、データに基づいて、重症度モデルを訓練する。概して、重症度モデルは、転倒が生じるであろうことを想定して、所与の患者に関する転倒の重症度を予測することを学習する、機械学習モデルである。いくつかの実施形態では、機械学習システムは、ユーザデータ（例えば、年齢、体重、身長、補助デバイス、および同等物）のみを使用して、重症度モデルを精緻化する。その他では、機械学習システムは、ユーザに関する圧力データを、ユーザ特性とともに使用して、重症度モデルを訓練する。

【0112】

例えば、重症度モデルは、圧力データ（および、いくつかの実施形態では、尤度モデルを訓練するために使用されていないとされ得る、付加的先行する圧力データ）を、１つまたはそれを上回るユーザ特性とともに受信し、転倒が生じる場合、その重症度に関する予測を発生させるように訓練されてもよい。いくつかの実施形態では、本予測は、転倒の方向（例えば、前方または後方）を考慮することを含む。少なくとも一実施形態では、重症度モデルは、ユーザが転倒するであろう方向を予測するように訓練されてもよく、本方向は、転倒重症度を予測するために使用されることができる。別の実施形態では、転倒方向は、モデルによって、内部で暗示的に学習され、次いで、重症度を予測するために使用されることができる。すなわち、いくつかの実施形態では、予測される重症度は、重症度モデル自体が転倒の予測される方向を出力するかどうかにかかわらず、予測される転倒方向に依存する。

【0113】

ある実施形態では、尤度モデルと同様に、重症度モデルは、関連入力データを使用して、予測される重症度を発生させ、予測される重症度とグラウンドトゥルース重症度（圧力データの標識によって示される）を比較することによって、訓練されることができる。本差異は、損失を算出するために使用されることができ、これは、重症度モデルを精緻化するために使用されてもよい（例えば、確率的勾配降下法および／またはバッチ勾配降下法を使用して）。方法７００は、次いで、終了し、図６のブロック６２０に戻る。
訓練された機械学習モデルを使用して、センサデータを評価するための例示的方法

【0114】

図８は、訓練された機械学習モデルを使用して、センサデータを評価するための例示的方法８００を描写する、フロー図である。いくつかの実施形態では、方法８００は、図１の機械学習システム１１５等の機械学習システムによって実施される。いくつかの実施形態では、方法８００は、図６の方法６００を使用して訓練された機械学習モデルを使用して、実施される。

【0115】

ブロック８０５では、機械学習システムが、圧力データを受信する。ある実施形態では、上記に議論されるように、本圧力データは、概して、ユーザが、起立、歩行、走歩、および同等物を行っている間の、片足（または両足）上の１つまたはそれを上回る点におけるユーザの片足または両足によって付与される圧力を含むことができる。ある実施形態では、ブロック８０５で受信された圧力データは、単一時点における、またはある時間窓にわたる（例えば、３０秒窓にわたる）、単一ユーザからのデータに対応する。いくつかの実施形態では、機械学習システムはさらに、上記に議論されるように、彼らの年齢、体重、身長、運動上の問題点、および同等物等のユーザの履歴データを受信することができる。

【0116】

ブロック８１０では、機械学習システムが、上記に議論されるように、１つまたはそれを上回る訓練された機械学習モデルを使用して、受信されたデータ（ユーザの現在の圧力データならびに履歴データを含んでもよい）を処理する。いくつかの実施形態では、これは、利用可能なモデルの全てを並列に使用して、データを処理することを含む。例えば、機械学習システムは、転倒が差し迫って（例えば、定義された（短）時間周期以内で）生じるであろうかどうかを予測するための１つのモデル、転倒が、将来的に生じるであろうが、差し迫っていないかどうかを予測するための別のモデル、転倒の方向性および／または重症度を予測するための別のモデル、および同等物を使用してもよい。

【0117】

いくつかの実施形態では、上記に議論されるように、機械学習システムは、１つまたはそれを上回る先行するモデルからの出力が定義された基準を満たす場合、いくつかのモデルのみを使用して、これらのモデルを順次使用してもよい。例えば、機械学習システムは、転倒発生モデルが将来的転倒が生じる可能性が高いことを示す場合、転倒方向および／または重症度モデルのみを使用してもよい。

【0118】

ブロック８１５では、発生された予測に基づいて、機械学習システムが、１つまたはそれを上回る定義された基準が充足されるかどうかを決定する。いくつかの実施形態では、基準は、将来的転倒が十分なレベルの信頼度を伴って予測されるかどうかを決定することを含む。少なくとも一実施形態では、基準は、予測される転倒重症度がある定義された閾値を超えるかどうかを決定することを含む（転倒尤度がそうではない場合でも）。すなわち、機械学習システムは、転倒が生じる可能性が高くない場合でも、転倒が特に重症であろうかどうかを検討してもよい。基準が、充足されない場合、方法８００は、ブロック８０５に戻り、評価のために、新しい圧力データを受信する。基準のうちの１つまたはそれを上回るものが、充足される場合、方法８００は、ブロック８２０に継続する。

【0119】

ブロック８２０では、機械学習システムが、発生された予測に基づいて、１つまたはそれを上回る是正および／または予防的措置を発生および／または開始する。例えば、機械学習システムが、転倒が差し迫っていることを決定する場合、介護者が、アラートされることができ、患者は、着席または静止するように命令されることができる。予測が、転倒が今後数時間または数日以内に生じる可能性が高いことを示す場合、機械学習システムは、杖または歩行器等の医療デバイスを処方してもよい。転倒が、重症であることが予測される場合（可能性が低い場合でも）、より前向きな介入は、ユーザのために追加される物理的療法のような命令を含んでもよい。

【0120】

少なくとも一実施形態では、選択された特定の予防的措置は、少なくとも部分的に、モデル自体を使用することに基づいて、決定されてもよい。例えば、杖、歩行器、改良された物理的療法、および同等物を提案するかどうかを決定するために、機械学習システムは、ユーザの特性のうちの１つまたはそれを上回るものを修正し、本修正されたデータをモデルへの入力として使用して、予測される転倒リスクまたは尤度が減少したかどうかを決定してもよい。これは、機械学習システムが、介入が必要とされるかどうかを決定するだけではなく、また、転倒リスク（または転倒重症度）を低減させる可能性が最も高い、最良介入を識別することも有効にし得る。本予測プロセスの一実施例は、図１２を参照して下記でさらに詳細に議論される。

【0121】

少なくとも一実施形態では、上記に議論されるように、機械学習システムはまた、予測される転倒および／または重症度を集約し、通路内のコード、非均一接地面、および同等物のような潜在的な危険を識別するように、施設全体としての提案を提供することができる。これらの提案は、施設全体を改良するために使用されることができる。
機械学習モデルを使用して、転倒リスクおよび重症度を予測するための例示的方法

【0122】

図９は、機械学習モデルを使用して、転倒リスクおよび潜在的な重症度を予測するための例示的方法９００を描写する、フロー図である。いくつかの実施形態では、方法９００は、図１の機械学習システム１１５等の機械学習システムによって実施される。いくつかの実施形態では、方法９００は、図８のブロック８１０に関する付加的詳細を提供する。

【0123】

ブロック９０５では、機械学習システムが、第１の機械学習モデルを使用して、ユーザデータ（圧力データならびに履歴データを含んでもよい）を処理することによって、転倒尤度スコアを発生させる。ある実施形態では、尤度スコアは、ユーザが将来的ある時点において転倒を被るであろう、確率または尤度を示す。特定の実装に応じて、本予測のタイムラインは、変動し得る。例えば、第１のモデルは、転倒が今後５分または５日以内に生じる可能性が高いかどうかを予測するように訓練されてもよい。いくつかの実施形態では、尤度スコアを発生させるために、単一モデルではなく、機械学習システムは、それぞれ、対応する将来的時間窓にわたって、転倒尤度を予測するように構成される、モデルのセットを使用する。

【0124】

いくつかの実施形態では、上記に議論されるように、機械学習システムは、先行するモデルの出力に応じて、選択的に、これらのモデルを使用してもよい。例えば、機械学習システムは、今後３０秒以内の転倒を予測するモデルが転倒が生じる可能性が高いことを示さない場合のみ、転倒を５分窓にわたって予測する、モデルを使用してもよい。同様に、機械学習システムは、５分モデルが転倒が生じる可能性が高いことを示さない場合のみ、今後５時間にわたって転倒を予測する、モデルのみを使用してもよい。

【0125】

ブロック９１０では、機械学習システムが、第２の機械学習モデルを使用して、ユーザデータ（例えば、圧力データおよび履歴データ）を処理することによって、重症度スコアを発生させる。ある実施形態では、重症度スコアは、将来的転倒の起こりそうな、可能性が高い、または可能性として考えられる重症度を示す（例えば、可能性が高い傷害のタイプ、それらの傷害の重症度または強度、および同等物の観点から）。いくつかの実施形態では、重症度は、予測される転倒方向に部分的に基づく（別個のモデルを使用して、または第２の機械学習モデルを使用して、予測されてもよい）。同様に、モデルは、年齢、体重、および身長等のユーザデータを入力として含むため、それらは、本質的に、これらの寄与する要因に基づいて、予測される重症度を調節することを学習する。

【0126】

いくつかの実施形態では、上記に議論されるように、機械学習システムは、リスクモデルの出力に応じて、選択的に、本重症度モデルを使用してもよい。例えば、尤度モデルが、転倒が生じる可能性が高いことを示さない場合、機械学習システムは、算出費用および待ち時間を低減させるために、重症度モデルを使用しないようにしてもよい。同様に、一実施形態では、尤度モデルが、転倒が差し迫っている（例えば、３０秒以内に）ことを示す場合、機械学習システムは、重症度モデルを使用しないようにしてもよい。対照的に、尤度モデルが、転倒が生じる可能性が高いが、差し迫っていないことを予測する場合、機械学習システムは、重症度モデルを使用して、利用可能な標的化された介入の改良された選択を有効にすることができる。さらに、いくつかの実施形態では、機械学習システムは、尤度モデルの出力にかかわらず、重症度モデルを使用してもよい（例えば、概して、安定しているが、転倒の場合には、壊滅的傷害を被り得る、ユーザに関して、介入を可能にするために）。加えて、少なくとも一実施形態では、尤度モデルおよび重症度モデルは、集合的に、転倒リスクモデルと称され得る。
機械学習を使用して、転倒事象および重症度を予測するための例示的方法

【0127】

図１０は、機械学習を使用して、転倒事象および重症度を予測するための例示的方法１０００を描写する、フロー図である。いくつかの実施形態では、方法１０００は、図１の機械学習システム１１５等の機械学習システムによって実施される。図示される実施例では、方法１０００は、図８のブロック８１０に関する付加的詳細を提供する。一実施形態では、方法１０００は、方法１０００を使用することで、機械学習システムが、先行するモデルの出力に基づいて、種々のモデルを適用するかどうかを決定し得るという点で、方法９００と異なる。

【0128】

ブロック１００５では、機械学習システムが、第１の機械学習モデルを使用して、ユーザに関する尤度スコアを発生させる。例えば、上記に議論されるように、機械学習システムは、１つまたはそれを上回る尤度モデルを使用して、ユーザの圧力データ（例えば、３０秒窓から）および／またはユーザの特性または履歴データを処理し、将来的ある時点において（例えば、１つまたはそれを上回る定義された時間窓内で）、ユーザが転倒するであろう尤度が存在するかどうかを決定してもよい。

【0129】

ブロック１０１０では、機械学習システムが、予測される転倒確率または尤度がある定義された閾値を充足させるかどうかを決定する。例えば、機械学習システムは、転倒が生じることが予測されるかどうか、可能性として考えられる将来的転倒における発生された信頼度、および同等物を決定してもよい。確率基準が、充足されない場合、方法１０００は、終了し、ブロック８１５に戻る（機械学習システムは、基準が充足されず、介入が開始されるべきではないことを決定する可能性が高いであろう）。

【0130】

ブロック１０１０では、転倒確率基準が、充足される場合、方法１０００は、ブロック１０１５に継続し、機械学習システムは、１つまたはそれを上回る時間的基準が充足されるかどうかを決定する。いくつかの実施形態では、これらの時間的基準は、潜在的な転倒の緊急度に関連する（例えば、生じることが予測される逼迫度または接近度）。例えば、転倒が、ある定義された「差し迫った」タイムフレーム以内（例えば、数秒または数分以内）で生じることが予測される場合、機械学習システムは、時間的基準が充足されることを決定し、したがって、重症度モデルの使用をバイパスし得る。

【0131】

すなわち、転倒が、差し迫って生じることが予測される場合、機械学習システムは、重症度モデルを使用してデータを処理することが、転倒が予測される重症度が関連する前に生じる可能性が高いため、役に立たないことを決定し得る。例えば、ユーザが、今後数秒または数分以内に転倒することが予期される場合、潜在的な転倒の重症度は、概して、適切な介入、すなわち、１人またはそれを上回る介護者による即座の応答に関連し得ない。重症度モデルを使用しないようにすることによって、したがって、機械学習システムは、費やされる必要はない、有意な算出リソースを節約することができる。

【0132】

ブロック１０１５では、機械学習システムが、時間的基準が充足されないことを決定する（例えば、転倒が、直ちにではなく、今後数時間または数日にわたって生じることが予測されるため）場合、方法１０００は、ブロック１０２０に継続し、機械学習システムは、第２の訓練された機械学習モデルを使用して、重症度スコアを発生させる。上記に議論されるように、本重症度スコアは、概して、それらが骨折をもたらし得るかどうか（該当する場合、どの骨であるか）、裂傷、または他の合併症等の任意の将来的転倒の可能性が高い重症度を示すことができる。ある実施形態では、潜在的な重症度は、適切な介入を選択し、他の措置を実施する際の重要な要因であり得る。
機械学習モデルに基づいて、予防的および是正措置を開始するための例示的方法

【0133】

図１１は、機械学習モデル出力に基づいて、予防的および／または是正措置を開始するための例示的方法１１００を描写する、フロー図である。いくつかの実施形態では、方法１１００は、図１の機械学習システム１１５等の機械学習システムによって実施される。いくつかの実施形態では、方法１１００は、図８のブロック８２０に関する付加的詳細を提供する。

【0134】

方法１１００は、概して、特定の実装ならびに発生された特定の尤度スコアおよび／または重症度スコアに応じて、機械学習システムによって選択および実装され得る、様々な随意の介入を示す。

【0135】

ブロック１１０５では、機械学習システムが、随意に、ユーザのための１つまたはそれを上回る補助または予防的デバイスを選択することができる。例えば、機械学習システムは、杖、歩行器、車椅子、電動スクータ、および同等物を提案してもよい。本選択は、機械学習を使用して（例えば、上記に議論されるように、モデルを用いて、修正されたユーザデータを処理することによって）、ルールベースのシステムを使用して（例えば、ユーザの年齢、体重、運動ステータス、および同等物に基づいて）、および同等物によって、決定されてもよい。いくつかの実施形態では、機械学習システムはさらに、潜在的な重症度スコアを検討し、最良予防的デバイスを決定することができる。例えば、予測される転倒重症度が、閾値を下回る場合、機械学習システムは、ユーザが、有意な不便を伴わずに、運動を留保するように、杖を試すことができることを示し得る。しかしながら、重症度が、ある閾値を上回る場合、機械学習システムは、潜在的な転倒からの危害が有意であり得る（杖等の他のデバイスを用いても）ため、電動スクータが使用されるべきであることを示し得る。

【0136】

ブロック１１１０では、機械学習システムが、随意に、ユーザのための１つまたはそれを上回る療法計画を発生させることができる。例えば、上記に議論されるように、機械学習システムが、ユーザが片側に向かって転倒するであろうことを予測する場合、機械学習システムは、本側上におけるユーザの強度を改良し、それによって、その方向における転倒の機会を低減させるであろう、療法またはエクササイズを提案することができる。同様に、転倒重症度が、ある閾値を超えることが予測される場合、付加的物理的療法は、転倒からの可能性が高い危害を低減させることに役立つために有用であり得る。実施形態では、上記に議論されるように、特定の療法は、機械学習（例えば、モデルを使用して、修正された圧力データまたはユーザデータを処理することによって）、定義されたルールのセット（例えば、転倒が片側に向かって生じる可能性が高いとき、その側上における強度訓練を命令する）、および同等物を使用して、選択されてもよい。

【0137】

ブロック１１１５では、機械学習システムが、随意に、１人またはそれを上回るユーザに、今後の潜在的な転倒をアラートする。これは、例えば、ユーザに、彼らが転倒を被りそうであり得ることをアラートすることを含んでもよい（例えば、ユーザのスマートフォンを介して、スマートテレビまたはスピーカ等の近傍における１つまたはそれを上回る出力デバイスを介して、および同等物によって）。例えば、機械学習システムは、ユーザが、支持するための物体を握持すること、着席すること、減速すること、同等物を提案してもよい。いくつかの実施形態では、アラートは、１人またはそれを上回る介護者に（例えば、ユーザに対して責任がある介護者に、または物理的にユーザの近くにいると識別された介護者に）提供されることができる。本アラートは、発生されたリスクおよび／または重症度スコアに応じて、様々なデータを示してもよい。例えば、アラートは、リスクの緊急度（例えば、ユーザ応答する必要がある迅速度、および／または生じ得る転倒の重症度）を示してもよい。

【0138】

ブロック１１２０では、機械学習システムが、随意に、空間内の問題領域を示すことができる。例えば、上記に議論されるように、いくつかの実施形態では、機械学習システムは、ユーザおよび／または時間を横断して、予測される転倒を集約し、特にリスクのある、施設の物理的領域を識別することができる（例えば、予測されるまたは実際の転倒時におけるユーザ場所のヒートマップを使用して）。これらの場所は、上記に議論されるように、軽減され得る、またはそうされるであるべき、危険を含み得る。

【0139】

概して、方法１１００における可能性として考えられる介入はそれぞれ、随意であって、機械学習システムによって開始される実際の介入は、多種多様な懸念および実装詳細に従って、変動し得る。
機械学習を使用して、個人化された介入を評価および選択するための例示的方法

【0140】

図１２は、機械学習を使用して、個人化された介入を評価および選択するための例示的方法１２００を描写する、フロー図である。いくつかの実施形態では、方法１２００は、図１の機械学習システム１１５等の機械学習システムによって実施される。図示される実施例では、方法１２００は、（機械学習システムが、転倒が生じる可能性が高いことを決定し、１つまたはそれを上回る介入を開始することを決定した後の）図８のブロック８２０に関する付加的詳細を提供する。

【0141】

ブロック１２０５では、機械学習システムが、ユーザのための潜在的な介入のセットを識別する。例えば、図１１を参照して上記に議論されるように、機械学習システムは、種々の補助または予防的医療デバイス（杖または歩行器等）を選択すること、新しいまたは改訂された療法計画を発生させること、近くのユーザにアラートすること、同等物を行ってもよい。いくつかの実施形態では、潜在的な介入は、少なくとも部分的に、ユーザの現在の特性に基づいて、選択される。例えば、ユーザが、現在、任意の補助デバイスを使用していない場合、機械学習システムは、１つまたはそれを上回る提案を選択してもよい。ユーザが、杖等のデバイスを使用している場合、機械学習システムは、歩行器等のより堅牢なデバイスを提案してもよい。いくつかの実施形態では、機械学習システムは、ユーザが補助起立および／または歩行を有するかどうかを決定し、そのような補助を提案してもよい。

【0142】

ブロック１２１０では、機械学習システムが、潜在的な介入に基づいて、ユーザデータを修正する。すなわち、機械学習システムは、ユーザデータを人工的に調節し、提案される介入のうちの少なくとも１つを反映させてもよい。ブロック１２１５では、機械学習システムが、本修正されたユーザデータに基づいて、ユーザに関する改訂された転倒リスクを決定する。上記に議論されるように、転倒リスクは、概して、転倒の尤度および／または潜在的な転倒の重症度に対応し得る。

【0143】

例えば、ユーザが、杖を使用していない場合、機械学習システムは、ユーザのデータ（および、いくつかの側面では、圧力データ）を再処理し、機械学習モデルを使用して、ユーザが杖を有することを示してもよい。これは、機械学習システムが、種々の介入の効果をシミュレートすることを可能にすることができる。少なくとも一実施形態では、機械学習システムは、ブロック１２０５で決定された潜在的な介入毎に、ブロック１２１０および１２１５を繰り返す。すなわち、機械学習システムは、可能性として考えられる介入毎に（および、いくつかの実施形態では、介入の組み合わせに関して）、改訂された転倒リスクを別個に決定することができる。

【0144】

ブロック１２２０では、機械学習システムが、潜在的な介入が、ユーザの未修正データと比較して、転倒リスクを低減させたかどうかを決定する。該当しない場合、方法１２００は、ブロック１２２５に継続し、機械学習システムは、１つまたはそれを上回るデフォルト介入を開始する。例えば、シミュレーションが、歩行器が転倒リスクを低減させるであろうことを示さない場合でも、機械学習システムはなお、ユーザのために歩行器を割り当てる、提供する、または提供を促進してもよい。

【0145】

ブロック１２２０では、機械学習システムが、１つまたはそれを上回る潜在的な介入が転倒リスクを低減させるであろうことを決定する場合、方法１２００は、ブロック１２３０に継続し、機械学習システムは、これらの個人化された介入のうちの１つまたはそれを上回るものを開始する。これらの介入が、特定のユーザのために具体的に設計され、機械学習を使用して、１つまたはそれを上回るシミュレーションを介して、検証されるため、それらは、ユーザへのリスクを低減させることがより良好に可能であって、全体的結果を改良し得る。
機械学習を使用して、集約された転倒リスクを決定するための例示的方法

【0146】

図１３は、機械学習を使用して、集約された転倒リスクを決定するための例示的方法１３００を描写する、フロー図である。いくつかの実施形態では、方法１３００は、図１の機械学習システム１１５等の機械学習システムによって実施される。

【0147】

ブロック１３０５では、機械学習システムが、ユーザのセットに関する転倒リスクスコアのセットを発生させる。上記に議論されるように、転倒リスクスコアは、概して、ユーザ毎に、将来的転倒の尤度および／またはそのような潜在的な転倒の重症度を定量化することができる。実施形態では、機械学習システムは、上記に議論されるように、１つまたはそれを上回る訓練された機械学習モデルを使用して、各ユーザと関連付けられるデータ（例えば、圧力データおよび／またはユーザ特性）を処理することによって、ユーザ毎に、転倒リスクスコアを発生させることができる。

【0148】

いくつかの実施形態では、機械学習システムは、圧力データが収集される時間に部分的に基づいて、ユーザ毎に、複数のリスクスコアを発生させてもよい。すなわち、機械学習システムは、複数の時点における単一ユーザに関するリスクスコアを発生させてもよく、各時点におけるスコアは、その時間またはその近くにおけるユーザからの圧力データに基づく。例えば、機械学習システムは、正午に先立った１つまたはそれを上回る窓からの圧力データに基づいて、第１の時間（例えば、正午）における第１のスコアを発生させ、午後３時に先立った窓からの圧力データに基づいて、第２の時間（例えば、午後３時）における第２のスコアを発生させてもよい。

【0149】

ブロック１３１０では、機械学習システムが、リスクスコアを発生させるために使用される圧力データが収集されたときにユーザがいた施設内の場所に基づいて、発生された転倒リスクを集約する。すなわち、発生された転倒リスクスコア毎に、機械学習システムは、圧力データが収集されたときのユーザの物理的場所を識別し、これらの場所に基づいて、スコアを集約することができる。例えば、機械学習システムは、施設内の１つまたはそれを上回る物理的空間または場所に関して、各場所と関連付けられるリスクスコアのセットを識別してもよい（例えば、圧力データは、その場所からの定義された距離内で収集された）。

【0150】

いくつかの実施形態では、本集約は、各空間内の可能性が高い転倒の回数（例えば、機械学習システムが十分な確率を伴って転倒を予測した回数）を決定すること、各空間内の潜在的な転倒の重症度（例えば、リスクスコアの中でもとりわけ、平均または最大予測重症度）を決定すること、同等物を含む。

【0151】

ブロック１３１５では、機械学習システムが、集約されたデータを出力する。例えば、機械学習システムは、集約されたリスクのテキスト要約（例えば、予測される転倒の回数、予測される重症度を示す、多数の予測される転倒を伴うユーザおよび／または領域を識別する、および同等物）を提供してもよい。

【0152】

ブロック１３２０では、機械学習システムが、随意に、集約されたデータを施設マップ上に表示することができる。例えば、図４を参照して上記に議論されるように、機械学習システムは、転倒確率の分布、転倒重症度、またはその２つの組み合わせを示す、ヒートマップを発生および出力してもよい。そのような拡張間取図またはマップは、特に、ユーザが問題となるまたは危険エリアを迅速に識別することに役立てるために有用であり得る。

【0153】

ブロック１３２５では、機械学習システムが、施設内に任意のホットスポットが存在するかどうかを決定する。すなわち、機械学習システムは、場所または空間のいずれかが、予測される転倒の回数および／または頻度、潜在的な転倒の重症度、および同等物に関連する、１つまたはそれを上回る定義された基準を充足させるかどうかを決定することができる。そのようなホットスポットが、見出されない場合、方法１３００は、ブロック１３０５に戻る。

【0154】

少なくとも１つのホットスポットが、識別される場合、方法１３００は、ブロック１３３０に継続し、機械学習システムは、１つまたはそれを上回る介入を開始する。例えば、上記に議論されるように、機械学習システムは、１人またはそれを上回るユーザまたは介護者に、場所を示し、彼らがエリアを調査し、潜在的な危険を識別することを命令してもよい。いくつかの実施形態では、ホットスポットが、私的または半私的エリア（例えば、ユーザの私的部屋）内で識別される場合、機械学習システムは、その空間と関連付けられるユーザ（または複数のユーザ）に関するより標的化された介入を有効にするために、これらのユーザを識別することができる。方法１３００は、次いで、ブロック１３０５に戻る。
１つまたはそれを上回る機械学習モデルを訓練し、転倒リスクを予測するための例示的方法

【0155】

図１４は、１つまたはそれを上回る機械学習モデルを訓練し、転倒リスクを予測するための例示的方法１４００を描写する、フロー図である。いくつかの実施形態では、方法１４００は、図１の機械学習システム１１５等の機械学習システムによって実施される。

【0156】

ブロック１４０５では、ユーザの片足または両足に対応する、圧力データが、受信される。

【0157】

ブロック１４１０では、標識が、決定され、標識は、圧力データが収集された後のある定義された時間窓以内に、ユーザが転倒したかどうかを示す。

【0158】

ブロック１４１５では、１つまたはそれを上回る機械学習モデルが、圧力データおよび標識に基づいて、転倒リスクを予測するように訓練される。

【0159】

いくつかの実施形態では、圧力データは、複数の圧力センサを備える、１つまたはそれを上回る装着可能デバイスを介して、収集され、圧力データは、ユーザがある物理的空間内を歩行している間に収集される。

【0160】

いくつかの実施形態では、ユーザが転倒したかどうかを決定するステップは、圧力データが収集されたときの時間を決定するステップと、決定された時間後の定義された時間窓に対応する、ユーザ記録のセットを読み出すことであって、ユーザ記録のセットは、ユーザに関する患者データを示す、ステップと、ユーザ記録のセットを評価し、転倒が報告されたかどうかを決定するステップとを含む。

【0161】

いくつかの実施形態では、方法１４００はさらに、複数のユーザに対応する、圧力データを受信するステップと、複数のユーザに関する圧力データに基づいて、１つまたはそれを上回る機械学習モデルを訓練するステップとを含む。

【0162】

いくつかの実施形態では、１つまたはそれを上回る機械学習モデルを訓練するステップは、第１の機械学習モデルを訓練し、ユーザが転倒するであろう尤度を予測するステップと、第２の機械学習モデルを訓練し、潜在的な転倒の重症度を予測するステップとを含む。

【0163】

いくつかの実施形態では、予測される重症度は、少なくとも部分的に、潜在的な転倒の予測される方向に基づく。

【0164】

いくつかの実施形態では、方法１４００はさらに、ユーザの特性を示す、患者データを受信するステップと、特性に基づいて、１つまたはそれを上回る機械学習モデルを訓練するステップとを含む。
機械学習を使用して、転倒リスクを予測するための例示的方法

【0165】

図１５は、機械学習を使用して、転倒リスクを予測するための例示的方法１５００を描写する、フロー図である。いくつかの実施形態では、方法１５００は、図１の機械学習システム１１５等の機械学習システムによって実施される。

【0166】

ブロック１５０５では、ユーザの片足または両足に対応する、圧力データが、受信される。

【0167】

ブロック１５１０では、予測される転倒リスクが、１つまたはそれを上回る訓練された機械学習モデルを使用して、圧力データを処理することによって、発生される。

【0168】

ブロック１５１５では、予測される転倒リスクが１つまたはそれを上回る定義された基準を充足させることを決定することに応じて、介入が、ユーザのために選択され、介入の適用が、開始される。

【0169】

いくつかの実施形態では、圧力データは、複数の圧力センサを備える、１つまたはそれを上回る装着可能デバイスを介して、収集され、圧力データは、ユーザがある物理的空間内を歩行している間に収集される。

【0170】

いくつかの実施形態では、予測される転倒リスクを発生させるステップは、第１の機械学習モデルを使用して、圧力データを処理することによって、ユーザが転倒するであろう尤度を発生させるステップを含む。

【0171】

いくつかの実施形態では、方法１５００はさらに、ユーザが転倒するであろう尤度が１つまたはそれを上回る時間的基準を満たすことを決定することに応じて、転倒重症度を予測しないようにするステップと、１人またはそれを上回る近くの介護者にアラートするステップとを含む。

【0172】

いくつかの実施形態では、方法１５００はさらに、第２の機械学習モデルを使用して、圧力データを処理することによって、潜在的な転倒の予測される重症度を発生させるステップを含む。

【0173】

いくつかの実施形態では、予測される重症度を発生させるステップは、ユーザが転倒するであろう尤度が１つまたはそれを上回る時間的基準を満たさないことを決定することに応じて、実施される。

【0174】

いくつかの実施形態では、予測される重症度は、少なくとも部分的に、潜在的な転倒の予測される方向に基づく。

【0175】

いくつかの実施形態では、方法１５００はさらに、ユーザの特性を示す、患者データを受信するステップと、１つまたはそれを上回る訓練された機械学習モデルを使用して、ユーザの特性を処理することによって、予測される転倒リスクを発生させるステップとを含む。

【0176】

いくつかの実施形態では、方法１５００はさらに、ある物理的施設内の複数のユーザの個別のユーザ毎に、１つまたはそれを上回る訓練された機械学習モデルを使用して、個別の圧力データを処理することによって、複数の予測される転倒リスクを発生させるステップと、複数の予測される転倒リスクの少なくともサブセットに関して、予測される転倒リスクが生じた、物理的施設内の場所を決定するステップと、物理的場所が１つまたはそれを上回る場所基準を充足させることを決定することに応じて、物理的施設のための施設介入を選択するステップと、施設介入の適用を開始するステップとを含む。
改良された機械学習モデルのための例示的処理システム

【0177】

図１６は、本開示の種々の側面を実施するように構成される、例示的コンピューティングデバイス１６００を描写する。物理的デバイスとして描写されるが、実施形態では、コンピューティングデバイス１６００は、仮想デバイスを使用して、および／または（例えば、クラウド環境内の）いくつかのデバイスを横断して、実装されてもよい。一実施形態では、コンピューティングデバイス１６００は、図１の機械学習システム１１５に対応する。

【0178】

図示されるように、コンピューティングデバイス１６００は、ＣＰＵ１６０５と、メモリ１６１０と、記憶装置１６１５と、ネットワークインターフェース１６２５と、１つまたはそれを上回るＩ／Ｏインターフェース１６２０とを含む。図示される実施形態では、ＣＰＵ１６０５は、メモリ１６１０内に記憶されるプログラミング命令を読み出しおよび実行し、かつ記憶装置１６１５内の常駐するアプリケーションデータを記憶および読み出す。ＣＰＵ１６０５は、概して、単一ＣＰＵおよび／またはＧＰＵ、複数のＣＰＵおよび／またはＧＰＵ、複数の処理コアを有する単一ＣＰＵおよび／またはＧＰＵ、および同等物を表す。メモリ１６１０は、概して、ランダムアクセスメモリを表すものとして含まれる。記憶装置１６１５は、ディスクドライブ、フラッシュベースの記憶デバイス、および同等物の任意の組み合わせであってもよく、固定されたディスクドライブ、リムーバブルメモリカード、キャッシュ、光学記憶装置、ネットワーク接続記憶装置（ＮＡＳ）、またはストレージエリアネットワーク（ＳＡＮ）等の固定および／またはリムーバブル記憶デバイスを含んでもよい。

【0179】

いくつかの実施形態では、Ｉ／Ｏデバイス１６３５（キーボード、モニタ等）は、Ｉ／Ｏインターフェース１６２０を介して、接続される。さらに、ネットワークインターフェース１６２５を介して、コンピューティングデバイス１６００は、１つまたはそれを上回る他のデバイスおよびコンポーネントと通信可能に結合されることができる（例えば、インターネット、ローカルネットワーク、および同等物を含み得る、ネットワークを介して）。図示されるように、ＣＰＵ１６０５、メモリ１６１０、記憶装置１６１５、ネットワークインターフェース１６２５、およびＩ／Ｏインターフェース１６２０は、１つまたはそれを上回るバス１６３０によって、通信可能に結合される。

【0180】

図示される実施形態では、メモリ１６１０は、訓練コンポーネント１６５０、推測コンポーネント１６５５、措置コンポーネント１６６０を含み、これは、上記に議論される１つまたはそれを上回る実施形態を実施してもよい。概念的明確性のために、離散コンポーネントとして描写されるが、実施形態では、描写されるコンポーネント（および図示されないその他）の動作は、組み合わせられる、または、任意の数のコンポーネントを横断して分散されてもよい。さらに、メモリ１６１０内に常駐するソフトウェアとして描写されるが、実施形態では、描写されるコンポーネント（および図示されないその他）の動作は、ハードウェア、ソフトウェア、またはハードウェアおよびソフトウェアの組み合わせを使用して実装されてもよい。一実施形態では、訓練コンポーネント１６５０は、図６の方法６００等を使用することによって、機械学習モデルを訓練するために使用され、推測コンポーネント１６５５は、図８の方法８００等を使用することによって訓練されたモデルを使用して、モデルを使用して、転倒および／または重症度を予測するように構成されてもよく、措置コンポーネント１６６０は、図１１の方法１１００等を使用することによって、リスクに対する種々の応答性措置を発生および／または開始するように構成されてもよい。

【0181】

図示される実施例では、記憶装置１６１５は、履歴データ１６７０（モデルを訓練および／または評価するために使用される標識された圧力データおよび／またはユーザデータに対応し得る）、ならびに１つまたはそれを上回る機械学習モデル１６７５を含む。記憶装置１６１５内に常駐するように描写されるが、履歴データ１６７０および機械学習モデル１６７５は、メモリ１６１０を含む、任意の好適な場所内に記憶されてもよい。概して、履歴データ１６７０は、以前に受信された（および標識された）圧力データ、ならびに機械学習モデル１６７５を訓練するために使用される任意の関連ユーザデータ（例えば、ユーザ年齢および体重データ）を含む。
例示的付記

【0182】

付記１：機械学習モデルを訓練する方法であって、ユーザの片足または両足に対応する、圧力データを受信するステップと、圧力データが収集された後のある定義された時間窓以内に、ユーザが転倒したかどうかを示す、標識を決定するステップと、圧力データおよび標識に基づいて、１つまたはそれを上回る機械学習モデルを訓練し、転倒リスクを予測するステップとを含む、方法。

【0183】

付記２：圧力データは、複数の圧力センサを備える、１つまたはそれを上回る装着可能デバイスを介して、収集され、圧力データは、ユーザがある物理的空間内を歩行している間に収集される、付記１に記載の方法。

【0184】

付記３：ユーザが転倒したかどうかを決定するステップは、圧力データが収集されたときの時間を決定するステップと、決定された時間後の定義された時間窓に対応する、ユーザ記録のセットを読み出すステップであって、ユーザ記録のセットは、ユーザに関する患者データを示す、ステップと、ユーザ記録のセットを評価し、転倒が報告されたかどうかを決定するステップとを含む、付記１－２のいずれか１項に記載の方法。

【0185】

付記４：複数のユーザに対応する、圧力データを受信するステップと、複数のユーザに関する圧力データに基づいて、１つまたはそれを上回る機械学習モデルを訓練するステップとをさらに含む、付記１－３のいずれか１項に記載の方法。

【0186】

付記５：１つまたはそれを上回る機械学習モデルを訓練するステップは、第１の機械学習モデルを訓練し、ユーザが転倒するであろう尤度を予測するステップと、第２の機械学習モデルを訓練し、潜在的な転倒の重症度を予測するステップとを含む、付記１－４のいずれか１項に記載の方法。

【0187】

付記６：予測される重症度は、少なくとも部分的に、潜在的な転倒の予測される方向に基づく、付記１－５のいずれか１項に記載の方法。

【0188】

付記７：ユーザの特性を示す、患者データを受信するステップと、特性に基づいて、１つまたはそれを上回る機械学習モデルを訓練するステップとをさらに含む、付記１－６のいずれか１項に記載の方法。

【0189】

付記８：機械学習モデルを使用して、事象を予測する方法であって、ユーザの片足または両足に対応する、圧力データを受信するステップと、１つまたはそれを上回る訓練された機械学習モデルを使用して、圧力データを処理することによって、予測される転倒リスクを発生させるステップと、予測される転倒リスクが１つまたはそれを上回る定義された基準を充足させることを決定することに応じて、ユーザのための介入を選択するステップと、介入の適用を開始するステップとを含む、方法。

【0190】

付記９：圧力データは、複数の圧力センサを備える、１つまたはそれを上回る装着可能デバイスを介して、収集され、圧力データは、ユーザがある物理的空間内を歩行している間に収集される、付記８に記載の方法。

【0191】

付記１０：予測される転倒リスクを発生させるステップは、第１の機械学習モデルを使用して、圧力データを処理することによって、ユーザが転倒するであろう尤度を発生させるステップを含む、付記８－９のいずれか１項に記載の方法。

【0192】

付記１１：ユーザが転倒するであろう尤度が１つまたはそれを上回る時間的基準を満たすことを決定することに応じて、転倒重症度を予測しないようにするステップと、１人またはそれを上回る近くの介護者にアラートするステップとをさらに含む、付記８－１０のいずれか１項に記載の方法。

【0193】

付記１２：第２の機械学習モデルを使用して、圧力データを処理することによって、潜在的な転倒の予測される重症度を発生させるステップをさらに含む、付記８－１１のいずれか１項に記載の方法。

【0194】

付記１３：予測される重症度を発生させるステップは、ユーザが転倒するであろう尤度が１つまたはそれを上回る時間的基準を満たさないことを決定することに応じて、実施される、付記８－１２のいずれか１項に記載の方法。

【0195】

付記１４：予測される重症度は、少なくとも部分的に、潜在的な転倒の予測される方向に基づく、付記８－１３のいずれか１項に記載の方法。

【0196】

付記１５：ユーザの特性を示す、患者データを受信するステップと、１つまたはそれを上回る訓練された機械学習モデルを使用して、ユーザの特性を処理することによって、予測される転倒リスクを発生させるステップとをさらに含む、付記８－１４のいずれか１項に記載の方法。

【0197】

付記１６：ある物理的施設内の複数のユーザの個別のユーザ毎に、１つまたはそれを上回る訓練された機械学習モデルを使用して、個別の圧力データを処理することによって、複数の予測される転倒リスクを発生させるステップと、複数の予測される転倒リスクの少なくともサブセットに関して、予測される転倒リスクが生じた、物理的施設内の場所を決定するステップと、物理的場所が１つまたはそれを上回る場所基準を充足させることを決定することに応じて、物理的施設のための施設介入を選択するステップと、施設介入の適用を開始するステップとをさらに含む、付記８－１５のいずれか１項に記載の方法。
付加的考慮点

【0198】

前述の説明は、任意の当業者が本明細書に説明される種々の実施形態を実践することを有効にするために提供される。本明細書で議論される実施例は、請求項に記載される範囲、可用性、または実施形態を限定するものではない。これらの実施形態に対する種々の修正は、当業者に容易に明白となり、本明細書に定義された汎用原理は、他の実施形態にも適用されてもよい。例えば、変更が、本開示の範囲から逸脱することなく、議論される要素の機能および配列に行われてもよい。種々の実施例は、必要に応じて、種々のプロシージャまたはコンポーネントを省略、代用、または追加してもよい。例えば、説明される方法は、説明されるものと異なる順序で実施されてもよく、種々のステップが、追加される、省略される、または組み合わせられてもよい。また、いくつかの実施例に関して説明される特徴は、ある他の実施例では、組み合わせられてもよい。例えば、ある装置が、実装されてもよい、またはある方法が、本明細書に記載される任意の数の側面を使用して、実践されてもよい。加えて、本開示の範囲は、本明細書に記載される本開示の種々の側面に加えて、またはそれ以外に、他の構造、機能性、または構造および機能性を使用して実践される、そのような装置または方法を網羅するように意図される。本明細書に開示される本開示の任意の側面は、請求項の１つまたはそれを上回る要素によって具現化されてもよいことを理解されたい。

【0199】

本明細書で使用されるように、単語「例示的」は、「実施例、事例、または例証としての役割を果たす」ことを意味する。「例示的」として本明細書に説明される任意の側面は、必ずしも、他の側面より好ましいまたは有利であるものとして解釈されるわけではない。

【0200】

本明細書で使用されるように、アイテムのリスト「のうちの少なくとも１つ」を参照する語句は、単一部材を含む、アイテムのそれらの任意の組み合わせを指す。実施例として、「ａ、ｂ、またはｃのうちの少なくとも１つ」は、ａ、ｂ、ｃ、ａ－ｂ、ａ－ｃ、ｂ－ｃ、およびａ－ｂ－ｃ、ならびに複数の同一要素との任意の組み合わせ（例えば、ａ－ａ、ａ－ａ－ａ、ａ－ａ－ｂ、ａ－ａ－ｃ、ａ－ｂ－ｂ、ａ－ｃ－ｃ、ｂ－ｂ、ｂ－ｂ－ｂ、ｂ－ｂ－ｃ、ｃ－ｃ、およびｃ－ｃ－ｃ、またはａ、ｂ、およびｃの任意の他の順序）を網羅するように意図される。

【0201】

本明細書で使用されるように、用語「～を決定する」ことは、多種多様なアクションを包含する。例えば、「～を決定する」ことは、計算すること、算出すること、処理すること、導出すること、調査すること、ルックアップすること（例えば、テーブル、データベース、または別のデータ構造をルックアップすること）、確認すること、同等物を含んでもよい。また、「～を決定する」ことは、受信すること（例えば、情報を受信すること）、アクセスすること（例えば、メモリ内のデータにアクセスすること）、および同等物を含んでもよい。また、「～を決定する」ことは、解決すること、選択すること、選定すること、確立すること、同等物を含んでもよい。

【0202】

本明細書に開示される方法は、本方法を達成するための１つまたはそれを上回るステップまたはアクションを含む。本方法ステップおよび／またはアクションは、請求項の範囲から逸脱することなく、相互に入れ替えられてもよい。換言すると、ステップまたはアクションの具体的順序が、規定されない限り、具体的ステップおよび／またはアクションの順序および／または使用は、請求項の範囲から逸脱することなく、修正されてもよい。さらに、上記に説明される方法の種々の動作は、対応する機能を実施することが可能な任意の好適な手段によって実施されてもよい。手段は、限定ではないが、回路、特定用途向け集積回路（ＡＳＩＣ）、またはプロセッサを含む、種々のハードウェアおよび／またはソフトウェアコンポーネントおよび／またはモジュールを含んでもよい。概して、図に図示される動作が存在する場合、それらの動作は、類似付番を伴う、対応する対応物である、ミーンズ・プラス・ファンクションコンポーネントを有してもよい。

【0203】

本発明の実施形態は、クラウドコンピューティングインフラストラクチャを通して、エンドユーザに提供されてもよい。クラウドコンピューティングは、概して、ネットワークを経由した、サービスとしてのスケーラブルコンピューティングリソースのプロビジョニングを指す。より形式的には、クラウドコンピューティングは、コンピューティングリソースとその下層技術的アーキテクチャ（例えば、サーバ、記憶装置、ネットワーク）との間の抽象化を提供し、最小限の管理労力またはサービスプロバイダ相互作用を伴って、急速にプロビジョニングおよび解放され得る、構成可能コンピューティングリソースの共有プールへの便宜的オンデマンドネットワークアクセスを有効にする、コンピューティング能力として定義され得る。したがって、クラウドコンピューティングは、ユーザが、コンピューティングリソースを提供するために使用される下層物理的システム（またはそれらのシステムの場所）にかかわらず、「クラウド」内の仮想コンピューティングリソース（例えば、記憶装置、データ、アプリケーション、さらには、完全仮想化コンピューティングシステム）にアクセスすることを可能にする。

【0204】

典型的には、クラウドコンピューティングリソースは、従量課金ベースでユーザに提供され、ユーザは、実際に使用したコンピューティングリソース（例えば、ユーザによって消費された記憶空間の量またはユーザによってインスタンス化される仮想化されたシステムの数）に関してのみ請求される。ユーザは、随時、かつインターネットを横断して、任意の場所から、クラウド内に常駐するリソースのいずれかにアクセスすることができる。本発明の文脈では、ユーザは、クラウド内で利用可能なアプリケーションまたはシステム（例えば、機械学習システム１１５）または関連データにアクセスしてもよい。例えば、機械学習システム１１５は、クラウド内のコンピューティングシステム上で実行され、機械学習モデルを訓練および／または使用し得る。そのような場合、機械学習システム１１５は、モデルを訓練して、ユーザ転倒を予測し、モデルをクラウド内の記憶場所に記憶し得る。そうすることは、ユーザが、クラウド（例えば、インターネット）に接続されるネットワークに取り付けられる任意のコンピューティングシステムから本情報にアクセスすることを可能にする。

【0205】

以下の請求項は、本明細書に示される実施形態に限定されず、請求項に記載の文言と一致する完全範囲を与えられることを意図する。請求項内では、単数形における要素の言及は、具体的にそのように述べられない限り、「１つかつ１つのみ」を意味するのではなく、むしろ、「１つまたはそれを上回る」ことを意図する。別様に具体的に述べられない限り、用語「いくつかの」は、１つまたはそれを上回ることを指す。いかなる請求項要素も、要素が、語句「～のための手段」を使用して明示的に列挙されない、または方法請求項の場合、要素が、語句「～のためのステップ」を使用して列挙されない限り、３５Ｕ．Ｓ．Ｃ．§１１２（ｆ）の条項下で解釈されるべきではない。当技術分野において当業者に公知または後に公知になる、本開示全体を通して説明される種々の側面の要素の全ての構造および機能的均等物は、参照することによって明示的に本明細書に組み込まれ、請求項によって包含されるように意図される。さらに、本明細書に開示されるいかなるものも、そのような開示が請求項において明示的に列挙されるかどうかにかかわらず、公共に供されるように意図するものではない。

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】

【図14】

【図15】

【図16】

【国際調査報告】