[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

WO2022264818A1 - 体調検知方法、体調検知装置、及び、プログラム - Google Patents

体調検知方法、体調検知装置、及び、プログラム Download PDF

Info

Publication number
WO2022264818A1
WO2022264818A1 PCT/JP2022/022392 JP2022022392W WO2022264818A1 WO 2022264818 A1 WO2022264818 A1 WO 2022264818A1 JP 2022022392 W JP2022022392 W JP 2022022392W WO 2022264818 A1 WO2022264818 A1 WO 2022264818A1
Authority
WO
WIPO (PCT)
Prior art keywords
score
abnormality
physical condition
activity data
subject
Prior art date
Application number
PCT/JP2022/022392
Other languages
English (en)
French (fr)
Inventor
真帆 塩谷
美和 武輪
勝久 山口
Original Assignee
パナソニックホールディングス株式会社
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by パナソニックホールディングス株式会社 filed Critical パナソニックホールディングス株式会社
Priority to CN202280040221.4A priority Critical patent/CN117425938A/zh
Priority to JP2023529769A priority patent/JPWO2022264818A1/ja
Publication of WO2022264818A1 publication Critical patent/WO2022264818A1/ja
Priority to US18/533,760 priority patent/US20240112805A1/en

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
    • A61B5/0816—Measuring devices for examining respiratory frequency
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1118—Determining activity level
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/113—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb occurring during breathing
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Definitions

  • the present disclosure relates to a physical condition detection method, a physical condition detection device, and a program.
  • Patent Document 1 discloses a technique of notifying an appropriate notification destination of the abnormality of the monitored person when the monitored person is determined to be abnormal. Accordingly, the abnormality of the monitored person can be notified to an appropriate supervisor according to the abnormal state of the monitored person.
  • Patent Literature 1 merely discloses a technique for notifying when the monitored person's vital information acquired from a sensor is an abnormal value, and only small changes in the physical condition that lead to abnormal health of the monitored person, that is, health problems. Signs of anomalies cannot be detected.
  • the present disclosure has been made in view of the circumstances described above, and aims to provide a physical condition detection method and the like capable of detecting signs of health abnormalities of a subject.
  • a physical condition detection method is a physical condition detection method performed by a computer, in which activity data including a breathing rate and a heart rate of a subject in a predetermined period are acquired, and based on the acquired activity data, By calculating a plurality of feature amounts and inputting the calculated plurality of feature amounts into a model that has learned the normality or abnormality in the activity data group consisting of the plurality of feature amounts, the physical condition abnormality per the predetermined period An abnormality score indicating the degree of abnormality is obtained, a graded score for indicating the degree of abnormality of the subject's physical condition in stages is calculated based on the obtained abnormality score, and the calculated graded score is output.
  • the physical condition detection method and the like of the present disclosure it is possible to detect a sign of a subject's health abnormality, that is, a small change in the subject's physical condition that leads to the subject's health abnormality.
  • FIG. 1 is a diagram showing an example of a configuration of a physical condition detection system according to an embodiment.
  • FIG. 2 is a block diagram showing an example of a specific configuration of the information management server according to the embodiment.
  • FIG. 3 is a diagram showing an example of distribution of an abnormal data group and a normal data group in the activity data group according to the embodiment.
  • FIG. 4 is a diagram conceptually showing a model according to the embodiment.
  • FIG. 5 is a diagram showing an example of 5-level graded scores and their conditions according to the embodiment.
  • FIG. 6 is a diagram showing an example of a display for dealing with an object person's physical condition abnormality according to the embodiment.
  • FIG. 7 is a diagram showing an example of a display for dealing with an object person's physical condition abnormality according to the embodiment.
  • FIG. 1 is a diagram showing an example of a configuration of a physical condition detection system according to an embodiment.
  • FIG. 2 is a block diagram showing an example of a specific configuration of the information management server according to
  • FIG. 8 is a diagram showing an example of a display for dealing with an object person's physical condition abnormality according to the embodiment.
  • FIG. 9 is a flow chart showing an overview of the operation of the information management server according to the embodiment.
  • 10 is a flowchart illustrating an operation example of the information management server according to the embodiment;
  • FIG. 11A is a diagram for conceptually explaining anomaly detection when long-term operation is performed using a model according to a comparative example.
  • FIG. 11B is a diagram for conceptually explaining anomaly detection when long-term operation is performed using a model according to a comparative example.
  • FIG. 12 is a diagram for conceptually explaining anomaly detection in the case of long-term operation using the model according to the embodiment.
  • FIG. 13 is a diagram conceptually showing performance improvement by model update according to the embodiment.
  • 14 is a diagram illustrating an example of a linked display displayed by the display terminal unit according to the first embodiment;
  • FIG. 15 is a diagram illustrating incident discovery case 1 according to the second embodiment.
  • FIG. 16 is a diagram illustrating incident discovery case 2 according to the second embodiment.
  • FIG. 17 is a diagram illustrating incident discovery case 3 according to the second embodiment.
  • a physical condition detection method is a physical condition detection method performed by a computer, in which activity data including a breathing rate and a heart rate of a subject in a predetermined period are acquired, and based on the acquired activity data, By calculating a plurality of feature amounts and inputting the calculated plurality of feature amounts into a model that has learned the normality or abnormality in the activity data group consisting of the plurality of feature amounts, the physical condition abnormality per the predetermined period An abnormality score indicating the degree of abnormality is obtained, a graded score for indicating the degree of abnormality of the subject's physical condition in stages is calculated based on the obtained abnormality score, and the calculated graded score is output.
  • multiple feature quantities are calculated from the activity data, and the calculated multiple feature quantities are input to a model that has learned the normality or abnormality in the activity data group. Based on the abnormality score obtained as a result, a graded score is calculated by evaluating the degree of the subject's physical abnormality in stages.
  • graded score makes it easier to grasp the degree of abnormality on site, making it easier to respond to various small changes in physical condition that lead to health problems in the subject's daily life, that is, signs of health problems.
  • the graded score when calculating the graded score, if the graded score is equal to or greater than a predetermined value, factor analysis is performed to analyze whether or not each element included in the activity data is a factor. Then, when outputting the graded score, the element analyzed as being the factor by the factor analysis and the graded score may be output.
  • the graded score indicates a predetermined value or more that requires a response to a sign of health abnormality, whether a small change in physical condition leading to health abnormality is caused by, for example, heart rate or respiration rate. are also notified.
  • the medical staff who cares or nurses the subject can quickly and appropriately respond to signs of health abnormalities, using the notified factors as clues.
  • the activity data may include at least the respiratory rate and the heart rate among the meal amount, the respiratory rate, the heart rate, and the bed absence rate of the subject in the predetermined period.
  • the activity data is activity data obtained daily on site that includes at least the respiratory rate and heart rate among the subject's food intake, respiratory rate, heart rate, and bed absence rate.
  • the respiratory rate, the difference data of the respiratory rate, the heart rate, and the average value maximum value, standard deviation, skewness, kurtosis and, of impulse factors obtained by subtracting the average value from the maximum value, the average value and the maximum value of at least the respiratory rate and the heart rate are calculated as the plurality of feature quantities.
  • the activity data is subjected to statistical processing, etc., and multiple feature values are calculated.
  • the model may have learned the normality or abnormality in the activity data group by unsupervised learning using the activity data group.
  • a trained model that can detect signs of health abnormalities can be obtained. Therefore, when obtaining a trained model capable of detecting signs of health abnormality using the subject's activity data, the model can be obtained without burdening on-site staff such as medical staff of the subject.
  • the model is a model that divides outliers based on a decision tree.
  • abnormal data has a lower frequency of occurrence than normal data and has a different distribution position.
  • a model that divides outliers based on a decision tree can be used as a model for detecting signs of health abnormalities from subject's activity data by using this property.
  • the model may be an Isolation Forest model.
  • the model may be periodically updated using the acquired activity data.
  • the model can detect signs of abnormal health while coping with medium- to long-term fluctuations due to the subject's disease or environmental influences.
  • the calculated graded score is outputted to the terminal of the supervisor of the subject, and the supervisor displays the physical condition of the subject on the user interface of the terminal. You may make it display in order to respond to.
  • a display for responding to the subject's abnormal physical condition is displayed, so that the site staff can easily grasp the subject's abnormal physical condition and appropriately respond to the subject's abnormal physical condition. becomes easier. In other words, it becomes easier for the field staff to deal with various small changes in physical condition that lead to abnormal health in the subject's daily life, that is, signs of abnormal health.
  • a physical condition detection device includes a transmitting/receiving unit that acquires activity data including a respiratory rate and a heart rate of a subject in a predetermined period, and calculates a plurality of feature amounts based on the acquired activity data.
  • a transmitting/receiving unit that acquires activity data including a respiratory rate and a heart rate of a subject in a predetermined period, and calculates a plurality of feature amounts based on the acquired activity data.
  • a program acquires activity data including a respiratory rate and a heart rate of a subject in a predetermined period, calculates a plurality of feature amounts based on the acquired activity data, and calculates a plurality of By inputting the plurality of calculated feature amounts into a model (model creation unit) that has learned normality or abnormality in an activity data group consisting of feature amounts, an abnormality score indicating the degree of physical abnormality per the predetermined period is obtained, based on the obtained abnormality score, a graded score for indicating the degree of abnormality of physical condition of the subject in stages is calculated, and the calculated graded score is output. .
  • FIG. 1 is a diagram showing an example of the configuration of a physical condition detection system 100 according to this embodiment.
  • the physical condition detection system 100 is a system in which the information management server 10 is configured to detect small changes in the physical condition that lead to abnormal health (that is, signs of abnormal health) of the subject to be nursing or cared for. is.
  • the physical condition detection system 100 includes an information management server 10, a sensing unit 20, and a display terminal unit 30, as shown in FIG. These are connected by a communication network 40 .
  • Communication network 40 may be a wired network, a wireless network, or both a wired network and a wireless network.
  • FIG. 1 shows a subject 50 who is being nursed or cared for, a user 60 who is a field staff member such as a medical worker who nurses or cares for the subject 50, and the subject who can check the display terminal unit 30.
  • a user 61 who is an on-site staff member such as an observer of a person 50, and record data 25 recording details of nursing or nursing care of the subject 50 by the user 60 are shown. In the record data 25, for example, the amount of meals that the target person 50 ingested in the morning, noon, and night, which was input by the user 60 who is the field staff, is recorded.
  • FIG. 1 shows an example in which the physical condition detection system 100 includes one sensing unit 20, the present invention is not limited to this, and the sensing units 20 are provided for the number of subjects 50 to be cared for or cared for. All you have to do is
  • the sensing unit 20 acquires activity data including the respiratory rate and heart rate of the subject 50 for a predetermined period of time by sensing.
  • the sensing unit 20 acquires data such as heart rate, respiration rate, and body movement (hereinafter also referred to as sensor data) while the subject 50 is in bed every second.
  • the interval at which sensor data such as heart rate, respiration rate, and body movement are acquired is not limited to, for example, one second, and may be two seconds, as long as the interval is a unit that allows changes in the sensor data of the subject 50 to be known.
  • the sensing unit 20 may sense the presence or absence of the subject 50 in bed depending on whether or not the heart rate, respiration rate, body movement, etc. can be sensed, and further sense the life rhythm such as the sleeping state. good too.
  • the sensing unit 20 may be a sensor device having a pressure sensor or the like, for example, and may sense the subject 50 every second by being installed on the bed. In this case, the sensing unit 20 may output, for example, a value of 1 indicating that the subject 50 is out of bed every second as sensor data indicating that the subject 50 is absent from the bed. Further, the sensing unit 20 may output sensor data values such as the respiration rate of the subject 50 every second, for example.
  • FIG. 2 is a block diagram showing an example of a specific configuration of the information management server 10 according to this embodiment.
  • the information management server 10 is realized, for example, by a computer equipped with a processor (microprocessor), memory, communication interface, and the like.
  • the information management server 10 may operate with a partial configuration included in a cloud server.
  • the information management server 10 is an example of a physical condition detection device, and detects small changes in the physical condition of the subject 50 that lead to abnormal health (that is, signs of abnormal health).
  • the information management server 10 includes a transmitting/receiving unit 11, an information recording unit 12, a feature value calculation unit 13, a model creation unit 14, a model update unit 15, a physical condition and a detection unit 16 .
  • the transmitting/receiving unit 11 has, for example, a communication interface, and transmits/receives various information to/from the sensing unit 20 or the display terminal unit 30 via the communication network 40 .
  • the transmitting/receiving unit 11 acquires activity data including the respiratory rate and heart rate of the subject 50 for a predetermined period of time.
  • the activity data includes at least the respiratory rate and the heart rate among the meal amount, the respiratory rate, the heart rate, and the bed absence rate of the subject 50 in the predetermined period as described above.
  • the transmitting/receiving unit 11 outputs the graded score calculated by the physical condition detecting unit 16 to the terminal of the user 61 such as the supervisor of the target person 50 .
  • the transmitting/receiving unit 11 transmits sensor data such as heart rate, breathing rate, and body movement per second while the subject 50 is in bed from the sensing unit 20 via the communication network 40, for example, 1 Obtained at predetermined intervals every minute. Further, the transmitting/receiving unit 11 acquires recorded data 25 in which details of nursing or care given to a subject 50 by a user 60 who is a field staff as shown in FIG. 1, for example. In this manner, the transmitting/receiving unit 11 acquires, via the communication network 40, the activity data including the sensor data and the recorded data 25, which is obtained daily at the site.
  • the transmission/reception unit 11 transmits the graded score calculated by the physical condition detection unit 16 to the display terminal unit 30 via the communication network 40 .
  • the transmitting/receiving unit 11 allows the user interface of the display terminal unit 30 to display a graded score display, a vital fluctuation graph display, a risk group display, or the like, which will be described later, so that the user 61 can respond to the physical condition abnormality of the subject 50.
  • Information may be sent for display to be performed.
  • the information recording unit 12 records information transmitted and received by the transmission/reception unit 11 .
  • the information recording unit 12 is a recording medium capable of recording information, and is composed of a rewritable non-volatile memory such as a hard disk drive or solid state drive. Note that the information recording unit 12 may record a plurality of feature amounts calculated by the feature amount calculation unit 13 .
  • the feature amount calculation unit 13 has a computer including, for example, a memory and a processor (microprocessor), and the processor executes a control program stored in the memory to realize a function of calculating a plurality of feature amounts.
  • the feature amount calculator 13 calculates a plurality of feature amounts based on the activity data including the respiratory rate and heart rate of the subject 50 acquired by the transmitter/receiver 11 .
  • the feature amount calculation unit 13 acquires sensor data in a time zone including the target date and time of physical condition detection from the activity data acquired by the transmission/reception unit 11 or recorded in the information recording unit 12, A feature value is calculated for each sensor data such as respiration rate.
  • the feature amount calculation unit 13 calculates at least the average value and the maximum value of the respiration rate of the subject 50 and the average value and the maximum value of the heart rate of the subject 50 as a plurality of feature amounts in units of one hour. do.
  • the feature amount calculation unit 13 calculates the average value, maximum value, standard deviation, Of the skewness, kurtosis, and impulse factor, average values and maximum values in respiratory rate and heart rate are calculated as a plurality of feature quantities.
  • the impulse factor is obtained by subtracting the average value from the maximum value. In this way, the feature amount calculation unit 13 performs statistical processing and the like on the activity data to calculate a plurality of feature amounts.
  • the feature amount calculation unit 13 calculates, for example, the feature amounts related to the respiration rate and heart rate of the subject 50 on an hourly basis.
  • the feature amount calculation unit 13 uses sensor data obtained from the activity data recorded in the information recording unit 12 or the sensor data obtained from the sensing unit 20 to obtain sensor data indicating the respiration rate of the target person 50 in the time period including the target date and time for physical condition detection. is obtained, and the statistical feature amount for each hour of the time period is calculated.
  • the feature amount calculation unit 13 acquires, for example, respiratory rate data in which the respiratory rate is not 0 in a certain hour from the activity data, and from the acquired respiratory rate data, the average value, the maximum value, and the minimum value in the hour.
  • standard deviation, skewness, kurtosis, impulse factor, etc. are calculated as statistical features.
  • the impulse factor can be calculated from the difference (maximum value ⁇ average value) between the maximum value and the average value of the respiratory rate data for one hour.
  • the feature amount calculation unit 13 calculates the average value, the maximum value, the minimum value, the standard deviation, the skewness, the kurtosis, the impulse factor, etc. in the hour from the acquired difference data of the respiratory rate data as statistical feature amounts. .
  • the acquired difference data of the respiration rate data is, for example, data indicating the difference between the respiration rate at time t and the respiration rate at time t+1 one second after time t, that is, the difference for each second of the respiration rate data.
  • the feature amount calculation unit 13 may calculate, as statistical feature amounts, at least the average value and the maximum value for the one hour from the acquired respiratory rate data.
  • the feature amount calculation unit 13 indicates the heart rate of the target person 50 in the time zone including the target date and time of physical condition detection from the activity data recorded in the information recording unit 12 or the sensor data acquired from the sensing unit 20. Heart rate data is acquired, and a statistical feature amount for each hour of the time period is calculated.
  • the feature amount calculation unit 13 acquires, for example, heart rate data in which the heart rate is not 0 in a certain hour from the activity data, and from the acquired heart rate data, the average value, maximum value, minimum value, standard Deviation, skewness, kurtosis, impulse factor, etc. are calculated as statistical features. Further, the feature amount calculation unit 13 calculates the average value, the maximum value, the minimum value, the standard deviation, the skewness, the kurtosis, the impulse factor, etc. in the hour from the acquired difference data of the heart rate data as statistical feature amounts. .
  • the acquired differential data of the heart rate data is, for example, the difference between the respiratory rate at the time t and the heart rate at the time t+1 one second after the time t, that is, the heart rate data for each second It is the data which shows a difference.
  • the feature amount calculation unit 13 may calculate the average value and the maximum value for at least one hour from the acquired heart rate data as the statistical feature amount.
  • the feature amount calculation unit 13 may calculate the meal amount and the bed absence rate of the subject 50 as one of the plurality of feature amounts.
  • the feature amount calculation unit 13 may calculate the meal amount of the subject 50 as one of a plurality of feature amounts from the recorded data 25 included in the activity data. In this case, the feature amount calculation unit 13 calculates the total amount of meals for the past day from the recorded data 25, and then the feature amount calculation unit 13 calculates the total amount of meals in the time zone including the target date and time for physical condition detection. should be calculated.
  • the target date and time are morning, noon, and night time zones
  • the feature amount calculation unit 13 calculates, for example, between the morning of the day before the physical condition detection and the morning of the day, It suffices to calculate the total amount of meals during the daytime of the day and from the night of the previous day to the night of the day.
  • the feature amount calculation unit 13 may calculate the bed absence rate as one of the plurality of feature amounts from the activity data acquired by the transmission/reception unit 11 and recorded in the information recording unit 12 .
  • the feature amount calculation unit 13 determines the presence or absence of the subject 50 in bed during the time period including the target date and time for physical condition detection from the activity data recorded in the information recording unit 12 or the sensor data acquired from the sensing unit 20. It is only necessary to obtain the presence/absence data shown in FIG.
  • the feature amount calculation unit 13 counts, for example, the number of values 1 indicating being out of bed in a certain hour, and the total number in the hour (that is, the number of values 1 indicating being out of bed in the one hour) and the sum of the number of 0 values indicating being in bed), the bed absence rate for the hour can be calculated.
  • the model creation unit 14 creates a model that has learned normality or abnormality in an activity data group consisting of a plurality of feature quantities. More specifically, the model creating unit 14 performs unsupervised learning using the activity data group to create a model that has learned normality or abnormality in the activity data group consisting of a plurality of feature amounts.
  • the model creation unit 14 is provided with a computer including a memory and a processor (microprocessor), for example, and implements various functions by having the processor execute a control program stored in the memory.
  • the model creation unit 14 acquires activity data for the learning period from the activity data recorded in the information recording unit 12 or the sensor data acquired from the sensing unit 20 .
  • the model creation unit 14 may acquire the recorded data 25 for the learning period and include it in the activity data for the learning period.
  • the model creation unit 14 causes the feature amount calculation unit 13 to calculate the feature amount for each hour based on the activity data for the learning period.
  • the model creation unit 14 creates a model that has learned the normality or abnormality in the activity data group by unsupervised learning of the model using the hourly feature amount for the learning period.
  • the learned model is a model that divides outliers based on a decision tree, such as an Isolation Forest model.
  • the model creation unit 14 performs unsupervised learning of the model by the K-means method using the feature amount of one hour in the learning period, thereby determining the normality or abnormality in the activity data group.
  • a trained model may be created.
  • FIG. 3 is a diagram showing an example of the distribution of the abnormal data group and normal data group in the activity data group according to the present embodiment.
  • the vertical axis indicates the average heart rate
  • the horizontal axis indicates the average respiratory rate.
  • the activity data group consists of a plurality of sensor data of heart rate and respiration rate, and abnormal data and normal data are mixed.
  • the number of normal data is greater than the number of abnormal data, and the distribution of normal data is one distribution that is somewhat consolidated, that is, the distribution of normal data is concentrated without diverging.
  • the number of abnormal data is smaller than normal data, and normal data is concentrated It can be seen that they are separated from the distribution position.
  • FIG. 4 is a diagram conceptually showing the model according to the present embodiment.
  • the model shown in FIG. 4 is the Isolation Forest model.
  • the model creation unit 14 uses the premise that abnormal data occurs less frequently than normal data and has a different distribution position, and uses the feature amount of one hour in the learning period, that is, the activity data group in the learning period, Create a model that divides the activity data group. More specifically, the model creation unit 14 randomly selects a feature and a threshold value, repeats division, creates a plurality of decision trees, and creates the decision trees so that outliers are separated from other values when creating the decision trees. By doing so, a model for dividing the activity data group is created. In this way, the model creating unit 14 creates a model that divides the abnormal data included in the abnormal data group shown in FIG. be able to.
  • the model created by the model creating unit 14 can calculate at which stage of the decision tree the data is divided (distance from the root node) as an anomaly score.
  • the model calculates a higher anomaly score the earlier the decision tree is split (ie, the smaller the split node is from the root node).
  • the anomaly score that is finally output is the average value of the anomaly scores obtained from the division depth calculated from how the multiple decision trees are divided.
  • the model created by the model creation unit 14 is abnormal data that takes an outlier, because the value of the normal data in the normal data group is greatly deviated. It separates (splits) at an early stage like the node indicated by x in FIG. Therefore, the model calculates a high anomaly score for anomalous data with outliers.
  • the model created by the model creating unit 14 is in the normal data group if the data is normal data. It cannot be separated (divided). Therefore, the model calculates a low anomaly score for normal data.
  • Model update unit 15 The model updating unit 15 periodically updates the model created by the model creating unit 14 using the activity data acquired by the transmitting/receiving unit 11 after creating the model.
  • the frequency with which the model updating unit 15 updates the model may be, for example, every two weeks to one month.
  • the model updating unit 15 may update the model frequently, such as every two weeks, for a certain period of time after the model is created by the model creating unit 14, and may update it every month after the certain period of time.
  • the model update unit 15 is provided with a computer including, for example, a memory and a processor (microprocessor), and the processor executes a control program stored in the memory to implement the model update function.
  • the model updating unit 15 updates the model by updating the structures or conditions of the plurality of decision trees using the activity data acquired by the transmitting/receiving unit 11 after the creation of the model.
  • the model can be repeatedly updated using the activity data obtained by adding the activity data accumulated after model creation to the activity data used when creating the model.
  • the physical condition detector 16 is realized by a computer including a processor (microprocessor), memory, communication interface, etc., and realizes various functions by the processor executing a control program stored in the memory.
  • the physical condition detection unit 16 detects abnormal health of the subject 50 using the model created by the model creation unit 14 and the plurality of feature amounts calculated by the feature amount calculation unit 13 .
  • the physical condition detection unit 16 as shown in FIG.
  • the abnormality score calculation unit 161 inputs a plurality of feature amounts calculated by the feature amount calculation unit 13 to a model that has learned the normality or abnormality in the activity data group, thereby indicating the degree of physical abnormality per predetermined period. Get the anomaly score.
  • the abnormality score calculation unit 161 adds the model created by the model creation unit 14 with a plurality of hourly scores calculated by the feature amount calculation unit 13 on the target day for physical condition detection of the subject 50. Enter the features. For example, the abnormality score calculation unit 161 calculates the division depth from how the plurality of decision trees constituting the model shown in FIG. 4 are divided, and averages the values of the plurality of division depths to calculate the abnormality score. . The abnormality score calculation unit 161 records the calculated abnormality score in units of one hour on the target day of the physical condition detection of the subject 50 in the calculation result recording unit 162 .
  • the calculation result recording unit 162 is a recording medium capable of recording calculation results, and is configured by, for example, a rewritable non-volatile memory such as a hard disk drive or solid state drive.
  • the calculation result recording unit 162 records the abnormality score calculated by the abnormality score calculation unit 161, the graded score calculated by the graded score calculation unit 163, and the like as the calculation result.
  • the computation result recording unit 162 may record the factor analyzed by the factor analysis unit 164 as the computation result.
  • the graded score calculation unit 163 calculates a graded score for indicating the degree of physical abnormality of the subject 50 in stages based on the abnormality score calculated by the abnormality score calculation unit 161 .
  • the graded score calculation unit 163 calculates 1 Calculate the average daily anomaly score. Similarly, the graded score calculation unit 163 calculates the one-hour abnormal scores on the day before and two days before the target date of physical condition detection recorded in the calculation result recording unit 162, Calculate the average daily anomaly score. The graded score calculation unit 163 totals the averages of the abnormality scores for each day on the target day, the day before the day, and the day before the day before, and calculates the three-day total score. Note that the 3-day total score is an example of a method for calculating a graded score with high accuracy, and the method is not limited to this. It can be calculated within the range of 1-day total score to 5-day total score.
  • the graded score calculation unit 163 selects a threshold value for a graded score (also referred to as a graded threshold there is). More specifically, the graded score calculation unit 163 calculates the graded threshold by calculating the average and standard deviation of the three-day total score group for the past 90 days.
  • FIG. 5 is a diagram showing an example of a five-step graded score and its conditions according to the embodiment.
  • the graded score calculation unit 163 can calculate the threshold from the average and the standard deviation as shown in FIG. For example, the threshold for a graded score of 1 is above the average from the conditions shown in FIG. 5, and the threshold for a graded score of 2 is the average minus half the standard deviation and the average.
  • the graded score calculation unit 163 calculates a graded score by applying the threshold calculated in this way to the three-day total score of the target day. More specifically, the graded score calculation unit 163 determines the three-day total score of the target day using a threshold calculated from the conditions as shown in FIG. Calculate the value.
  • the graded score calculation unit 163 outputs the calculated graded score value to the calculation result recording unit 162 . Further, the graded score calculation unit 163 may output the calculated graded score to the display terminal unit 30 via the communication network 40 if the calculated graded score value is 1 to 3.
  • FIG. 5 shows an example in which the graded score calculation unit 163 calculates graded scores in five stages
  • the present invention is not limited to this.
  • a graded score of 2 to 4 stages may be calculated.
  • the factor analysis unit 164 performs factor analysis to analyze whether each element included in the activity data is a factor.
  • the elements are the amount of meals, breathing rate, heart rate, bed absence rate, or the like of the subject 50 in a predetermined period.
  • the predetermined value is a value that requires a response to a sign of health abnormality. For example, if the graded score is 5 levels, it is 4 or 5, if it is 3 levels, it is 3, if it is 2 levels, it is 2, and so on.
  • the factor analysis unit 164 determines the heart rate included in the activity data used to calculate the feature amount, A factor analysis will be performed for each component of respiratory rate, bed absence rate, and food intake. Note that if the activity data used to calculate the feature amount includes only the heart rate and the respiration rate, factor analysis may be performed on the elements of the heart rate and the respiration rate.
  • the factor analysis unit 164 converts a plurality of feature amounts of each element in the entire period used for calculating the graded score into data of a plurality of feature amounts for each element on a daily basis, and calculates a graded score Calculate the mean and standard deviation for the entire period used to calculate
  • factor analysis unit 164 converts a plurality of feature amounts of each element for three days into data of a plurality of feature amounts of each element for each day, and averages each element for three days. Calculate values and standard deviations.
  • the factor analysis unit 164 analyzes that the element is not a factor when Formula 1 below holds, and analyzes that the element is a factor when Formula 1 below does not hold.
  • the factor analysis unit 164 outputs to the calculation result recording unit 162 the factors analyzed as factors and the graded score. Further, the factor analysis unit 164 may output the factors analyzed as factors by the factor analysis and the graded score to the display terminal unit 30 via the communication network 40 .
  • the display terminal unit 30 is implemented by a computer including a processor (microprocessor), memory, communication interface, user interface, and the like.
  • the display terminal unit 30 is a terminal of a user 61 such as a supervisor of the target person 50, and is, for example, a tablet or a smart phone.
  • the display terminal unit 30 may be a mobile personal computer or a stationary personal computer connected to a display.
  • the display terminal unit 30 can be checked by a user 61 such as an observer of the target person 50 .
  • the display terminal unit 30 is connected to the communication network 40, and when the graded score or the like is acquired from the information management server 10, a display for the user 61 to respond to the physical condition abnormality of the subject 50 is displayed on the user interface. let it happen
  • the user interface can be displayed on the display according to the input of the user 61 or the like.
  • 6 to 8 are diagrams showing an example of a display for dealing with the physical condition abnormality of the subject 50 according to the present embodiment.
  • FIG. 6 shows an example of the graded score display screen 301 according to the embodiment. More specifically, FIG. 6 shows an example of an application screen viewed by a user 60 or a user 61 who is a field staff. A graded score display screen 301 displaying, etc. is shown. This graded score display screen 301 is displayed by the display terminal unit 30 by being selected by being touched on the menu screen when the application is started on the display terminal unit 30 . In FIG. 6, one target person 50 resides in each of the room numbers 201 to 211, and the graded score of each target person 50 is shown. In addition, FIG. 6 shows which of the heart rate, respiratory rate, meal amount, and bed absence rate is the factor when the graded score is 4 or 5, and the factor Elements are hatched. An area indicated by a in FIG. 6 shows an input field for input by a user 60 who is a field staff member such as a nurse. In this input field, the legitimacy of the graded score value and the like are input.
  • FIG. 7 shows an example of a vital variation graph display screen 302 according to the embodiment. More specifically, FIG. 7 shows another example of an application screen viewed by a user 60 or a user 61 who is a field staff. A vital variation graph display screen 302 is shown displaying fifty vital variation graphs. This vital variation graph display screen 302 is also displayed by the display terminal unit 30 by being selected by touching the menu screen when the application is activated on the display terminal unit 30 .
  • FIG. 7 shows the range of vital information when the graded score indicates, for example, 5 in the vital variation graph of a specific subject 50 . Thereby, when the staged score of the specific subject 50 indicates 5, for example, the cause can be investigated early.
  • FIG. 8 shows an example of the risk group display screen 303 according to the embodiment. More specifically, FIG. 8 shows another example of an application screen viewed by user 60 or user 61 who is a field staff.
  • a risk group display screen 303 is shown that displays the risk groups of the entire facility in which the individual resides. This risk group display screen 303 is also displayed by the display terminal unit 30 by being selected by, for example, being touched on the menu screen when the application is started on the display terminal unit 30 .
  • the risk allocation which is the ratio of risk groups, is shown in a pie chart in the entire facility composed of multiple rooms such as Room 201. In FIG. In the example shown in FIG.
  • a standard of 1 or 2 (no risk) is shown to be 40%.
  • the risk allocation of the entire facility can be visualized and a bird's-eye view can be obtained. nurses with higher experience and expertise can be assigned to Similarly, low-risk rooms can be staffed with experienced caregivers and standard rooms with caregivers. In other words, the risk allocation of the entire facility can be visualized and a bird's-eye view can be obtained, so a limited number of on-site staff can be placed in the right places throughout the facility. As a result, it is possible to more promptly and appropriately respond to the physical condition of the subject 50 or the symptom of the physical condition abnormality.
  • FIG. 9 is a flow chart showing an overview of the operation of the physical condition detecting device according to this embodiment.
  • the physical condition detection device according to the present embodiment is, for example, the information management server 10.
  • the transmission/reception unit 11, the feature amount calculation unit 13, the abnormality score calculation unit 161, and the graded score At least the calculation unit 163 may be provided.
  • the transmission/reception unit 11 acquires activity data including the respiratory rate and heart rate of the subject 50 for a predetermined period (S11).
  • the feature amount calculator 13 calculates a plurality of feature amounts based on the activity data acquired in step S11 (S12).
  • the abnormality score calculation unit 161 acquires an abnormality score per predetermined period by inputting a plurality of feature amounts calculated in step S12 to a model that has learned in advance the normality or abnormality in the activity data group. (S13).
  • the graded score calculation unit 163 calculates a graded score for indicating the degree of physical condition abnormality of the subject 50 in stages based on the abnormality score acquired in step S13 (S14). Then, the graded score calculator 163 outputs the graded score calculated in step S14 (S15).
  • FIG. 10 is a flowchart showing an operation example of the information management server 10 according to this embodiment.
  • the transmission/reception unit 11 first acquires sensor data and recorded data 25 (S101).
  • the transmitting/receiving unit 11 acquires activity data including at least the respiratory rate and heart rate of the subject 50 during a predetermined period.
  • the feature amount calculation unit 13 calculates a plurality of feature amounts per hour from the sensor data and the recorded data 25 acquired in step S101 (S102).
  • the feature amount calculation unit 13 based on the activity data including at least the respiratory rate and the heart rate of the subject 50 acquired by the transmitting/receiving unit 11, the physical condition detection target day of the subject 50. Calculate a plurality of feature quantities of .
  • the physical condition detection unit 16 uses the model learned in advance to calculate an abnormality score per hour from the plurality of feature values per hour calculated in step S102 (S103).
  • the abnormality score calculation unit 161 inputs a plurality of feature amounts calculated by the feature amount calculation unit 13 to the model created by the model creation unit 14, thereby obtaining a score for one hour in a predetermined period including the target date. Obtain an anomaly score indicating the degree of anomaly per hit.
  • the physical condition detection unit 16 calculates the average value of the abnormality score per day from the abnormality score per hour calculated in step S103 (S104).
  • the graded score calculation unit 163 calculates the average value of the abnormality scores per day from the abnormality scores per hour in a predetermined period including the target day of the physical condition detection of the subject 50 .
  • the physical condition detection unit 16 totals the data for three days, the day before, the day before, and the day before the target person 50 for physical condition detection, and calculates a total score for the three days (S105).
  • the graded score calculation unit 163 calculates the average value of the daily abnormality scores on the day before and two days before the target date, A 3-day total score is calculated by summing the averages of the anomaly scores.
  • the physical condition detection unit 16 applies a graded threshold calculated from a group of 3-day total scores for the past 90 days or so to the 3-day total score of the target day for physical condition detection calculated in step S105.
  • a graded score is calculated (S106).
  • the graded score calculation unit 163 calculates the graded threshold by calculating the average and standard deviation of the 3-day total score group for about 90 days past the target date. Then, the graded score calculation unit 163 calculates a graded score by applying the calculated graded threshold to the three-day total score of the target day.
  • the graded score indicates one of five graded values from 1 to 5.
  • the physical condition detection unit 16 checks whether the graded score indicates a value of 4 or 5, that is, a value indicating that there is an abnormality is calculated in step S106 (S107).
  • step S107 if the graded score is a value of 4 or 5 (Yes in S107), the physical condition detection unit 16 performs factor analysis on each element of meal amount, breathing rate, heart rate, or bed absence rate.
  • the factor analysis unit 164 includes the heart rate, breathing rate, bed absence rate, A factor analysis is performed for each component of dietary intake.
  • the physical condition detection unit 16 outputs the factor analyzed as a factor and the graded score (S109).
  • factor analysis unit 164 outputs factors analyzed as factors by factor analysis and graded scores.
  • step S109 if the graded score is not a value of 4 or 5 in step S107 (No in S107), the physical condition detection unit 16 outputs the graded score in step S109.
  • the physical condition detection device and the like according to the present embodiment it is possible to detect a sign of health abnormality of the subject 50 , that is, a small change in the physical condition leading to the health abnormality of the subject 50 . More specifically, the physical condition detection device or the like according to the present embodiment calculates a plurality of feature amounts from the activity data, and uses the calculated plurality of feature amounts to learn normality or abnormality in the activity data group. By doing so, it is input to a model that can detect signs of health abnormalities.
  • the physical condition detection device or the like according to the present embodiment is a graded score that evaluates the degree of physical condition abnormality of the subject 50 in stages based on the abnormality score obtained by inputting the calculated feature values into the model. Calculate
  • graded score makes it easier for on-site staff such as medical personnel who care for or nurse the subject 50 to grasp the degree of abnormality, it is possible to detect various small physical conditions that lead to health abnormalities in the subject 50's daily life. It becomes easier to respond to changes, that is, signs of health problems.
  • the physical condition detection device or the like analyzes whether or not each element included in the activity data is a factor when the value is equal to or greater than a predetermined value that requires a response to a sign of health abnormality.
  • a factor analysis may be performed to Then, if the graded score is equal to or higher than a predetermined value that requires a response to a sign of health abnormality, whether the factor of a small change in physical condition leading to health abnormality is, for example, heart rate or respiration rate, etc. to be notified.
  • the medical staff caring for or caring for the subject 50 can quickly and appropriately respond to signs of health abnormalities based on the notified factors.
  • the activity data is activity data obtained daily on site, including at least the respiratory rate and the heart rate among the meal amount, the respiratory rate, the heart rate, and the bed absence rate of the subject 50 in a predetermined period.
  • the plurality of feature amounts according to the present embodiment are the respiratory rate of the subject 50, the difference data of the respiratory rate, the heart rate of the subject 50, and the average value, maximum value, and standard deviation of the heart rate difference data. , skewness, kurtosis, and impulse factor obtained by subtracting the mean from the maximum.
  • at least the average and maximum values of the respiration rate and heart rate of the subject 50 are calculated as a plurality of feature quantities.
  • the physical condition detection device and the like according to the present embodiment perform statistical processing and the like on activity data to calculate a plurality of feature amounts. As a result, it is possible to obtain a more accurate abnormality score from a plurality of feature values calculated using a learned model.
  • the model trained in the present embodiment (also referred to as a trained model) has learned the normality or abnormality in the activity data group through unsupervised learning using the activity data group.
  • a learned model capable of detecting signs of health abnormality is created by performing unsupervised learning on the model using activity data obtained daily in the field. Therefore, by performing unsupervised learning using the activity data of the subject 50, it is possible to create a trained model that can detect signs of health abnormalities without burdening on-site staff such as medical staff of the subject 50. can be done.
  • FIGS. 11A and 11B are diagrams for conceptually explaining anomaly detection in the case of long-term operation using the model according to the comparative example.
  • FIG. 12 is a diagram for conceptually explaining anomaly detection in the case of long-term operation using the model according to this embodiment.
  • 11A to 12 the horizontal axis is time, and the vertical axis is activity data such as heart rate.
  • 11A to 12 conceptually show a period of activity data used for model learning and a section to be detected as a health abnormality of the subject 50.
  • FIG. 11A to 12 conceptually show a period of activity data used for model learning and a section to be detected as a health abnormality of the subject 50.
  • the model according to the comparative example is, for example, the model according to Patent Document 1, which is one model generated by learning using activity data in a short learning period.
  • the model according to the comparative example can be used to detect health abnormality.
  • FIG. 11A when the period between the learning period and the section to be detected as health abnormality is relatively short, the model according to the comparative example can be used to detect health abnormality.
  • FIG. 11B when the period between the learning period and the section to be detected as health abnormality is relatively long, there is an influence of medium- to long-term fluctuations in the activity data of the subject 50. Even if the model according to the comparative example is used, abnormal health is erroneously detected. This is because, if the subject 50 has a disease, the activity data of the subject 50 fluctuates over the medium to long term due to seasonal and environmental influences.
  • the model according to the comparative example is created by learning using the activity data of the initial relatively short learning period in the case of long-term operation, so it is possible to change the activity data of the target person 50 over the medium to long term. It is highly likely that we will not be able to respond.
  • the model according to the comparative example uses a small amount of activity data for learning, and is highly likely to be unable to detect small changes in physical condition leading to health abnormalities that appear in multiple or complex patterns.
  • the model is repeatedly updated using activity data accumulated in units of, for example, two weeks to one month. That is, the model according to the embodiment is repeatedly updated using activity data obtained by adding activity data accumulated after model creation to the activity data used when creating the model.
  • the model according to the present embodiment for example, as shown in FIG. 12, is learned or updated with activity data up to the immediate vicinity of the section desired to be detected as health abnormality. Anomalies can be detected.
  • the model according to the present embodiment can detect a sign of abnormal health while coping with medium- to long-term fluctuations due to disease of the subject 50 or medium- to long-term fluctuations due to environmental influences.
  • FIG. 13 is a diagram conceptually showing performance improvement by model update according to the present embodiment.
  • the horizontal axis is the health abnormality detection success rate
  • the vertical axis is the accumulated number of days of activity data.
  • the detection success rate improves as the number of accumulated days of activity data for which the model learns and updates increases, and it is found that the model saturates at a certain number of activity data.
  • the detection performance of the model according to the present embodiment improves as the accumulated activity data increases during medium- to long-term operation.
  • the model according to the comparative example that is, the model according to Patent Literature 1
  • the model according to Patent Literature example is created using the activity data during the period when the physical condition of the subject 50 is in a normal state as learning data. For this reason, it is necessary for the field staff to refer to the record data 25 of nursing care etc. and determine whether the activity data for the relevant period is activity data indicating only normal conditions or activity data including abnormal conditions. burden on field staff.
  • the model according to the present embodiment utilizes the fact that in activity data in which abnormal data and normal data are mixed, abnormal data occurs less frequently than normal data and has a different distribution position. It is created by performing unsupervised learning using activity data. As a result, a model can be created using the activity data of the subject 50 without burdening on-site personnel such as medical staff of the subject 50 . Then, the model according to the present embodiment is created as a model for judging how far the activity data targeted for physical condition detection is from the part where the normal data distribution is concentrated, by using this property. can. For example, a model that divides outliers based on a decision tree, such as the Isolation Forest model, can be created by unsupervised learning using this property, and can be used as a model according to the present embodiment.
  • the display terminal unit 30 displays, for example, the display shown in FIGS. is not limited to
  • the display terminal unit 30 may perform a linked display in which the graded score calculated by the physical condition detection unit 16 and the record data 25 recording details of the nursing or care given to the subject 50 are linked.
  • FIG. 14 is a diagram showing an example of the linked display displayed by the display terminal unit 30 according to the first embodiment.
  • FIG. 14 shows an example of a linked display in which the nursing care record recording the content of nursing care for the subject 50 and the graded score are linked and displayed.
  • the cooperation display screen shown in FIG. 14 is a screen that can be confirmed by the field staff who provide care services.
  • the on-site staff can quickly investigate the cause of the sign of health abnormality from the living situation of the subject 50 when the graded score indicates 5.
  • Example 2 In a second embodiment, an incident detection case will be described in which a sign of health abnormality of the subject 50, that is, a small change in physical condition leading to the subject's health abnormality can be detected.
  • FIG. 15 is a diagram showing incident discovery case 1 according to the second embodiment.
  • FIG. 15 shows an example in which the subject 50 was hospitalized on February 27 due to suspected pneumonia with a high degree of suddenness.
  • the calculation result of the graded score is presented at 8:00 every morning, and whether or not the caregiver notices the subject's 50 physical condition is entered at 10:00 or 15:00 every day. Also, when the graded score is 4 or higher, the nurse checks the patient's condition after 18:00 and enters OK or NG as to whether or not the presentation of the graded score is correct.
  • FIG. 16 is a diagram showing incident discovery case 2 according to the second embodiment.
  • FIG. 16 shows an example in which another subject 50 was hospitalized due to fever on March 12th.
  • the judgment of the nurse and the awareness of the caregiver are the same as in FIG. 15, so the explanation is omitted.
  • the graded score was 4 on March 7 as indicated by a, and the graded score was 5 on March 8 as indicated by b. After that, the graded score remained at 5. In other words, it can be seen that on March 7, when the graded score is 4, a sign of health abnormality of the subject 50, that is, a small change in the physical condition leading to the health abnormality of the subject 50 is detected.
  • FIG. 17 is a diagram showing incident discovery case 3 according to the second embodiment.
  • FIG. 17 shows an example in which still another subject 50 choked on rice cakes at 10:00 on February 20th and was hospitalized for suspected aspiration pneumonia at midnight on February 24th.
  • the judgment of the nurse and the awareness of the caregiver in FIG. 17 are the same as those in FIG. 15, so the explanation is omitted.
  • the graded score indicated by a was 5 on February 21, the day after February 20 when the rice cake was choked, and the graded score was 5 until the day of hospitalization.
  • the conversion score remained at 5.
  • the caregiver entered that he noticed that the subject 50 was choking or feeling sluggish between February 21st and February 23rd, but he did not notice it depending on the time period. (no problem).
  • the nurse determined that the graded score of 5 was NG even though the physical condition of the subject 50 had not returned to normal, and that there was no problem with the subject 50. Deciding. That is, on February 23rd, the nurse misses the sign of health abnormality of the subject 50 .
  • the graded score has been 5 since February 21, as indicated by a, and has remained at 5 since then. That is, from February 21, when the graded score is 5, that is, three days before February 24, when the subject 50 is hospitalized, signs of abnormal health of the subject, that is, small changes in physical condition leading to abnormal health of the subject 50 I know you are detecting.
  • the information management server 10 and the like according to the embodiment and examples, etc. that is, the physical condition detection method and the physical condition detection device according to the embodiment and examples, etc. have been described. It is not limited.
  • each processing unit included in the information management server 10 is typically implemented as an LSI, which is an integrated circuit. These may be made into one chip individually, or may be made into one chip so as to include part or all of them.
  • circuit integration is not limited to LSIs, and may be realized with dedicated circuits or general-purpose processors.
  • An FPGA Field Programmable Gate Array
  • a reconfigurable processor that can reconfigure the connections and settings of the circuit cells inside the LSI may be used.
  • the present disclosure may be implemented as a physical condition detection method executed by the information management server 10 or the like, that is, a physical condition detection device.
  • each component may be configured with dedicated hardware or realized by executing a software program suitable for each component.
  • Each component may be realized by reading and executing a software program recorded in a recording medium such as a hard disk or a semiconductor memory by a program execution unit such as a CPU or processor.
  • the division of functional blocks in the block diagram is an example, and a plurality of functional blocks can be realized as one functional block, one functional block can be divided into a plurality of functional blocks, and some functions can be moved to other functional blocks.
  • single hardware or software may process functions of a plurality of functional blocks having similar functions in parallel or in a time division manner.
  • each step in the flowchart is executed is for illustrative purposes in order to specifically describe the present disclosure, and orders other than the above may be used. Also, some of the above steps may be executed concurrently (in parallel) with other steps.
  • the present disclosure can be used for a physical condition detection method, a physical condition detection device, and a program. , physical condition detectors, and programs.

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Physiology (AREA)
  • Physics & Mathematics (AREA)
  • Veterinary Medicine (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Cardiology (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Pulmonology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Dentistry (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Fuzzy Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

コンピュータが行う体調検知方法であって、所定期間における対象者の呼吸数及び心拍数を含む活動データを取得し、取得した活動データに基づいて、複数の特徴量を算出し、活動データ群における正常性又は異常性を学習したモデルに、算出した複数の特徴量を入力することで、所定期間あたりの体調異常の程度を示す異常スコアを取得し、取得した異常スコアに基づいて、対象者の体調異常度合を段階的に示すための段階化スコアを算出し、算出した段階化スコアを出力する。

Description

体調検知方法、体調検知装置、及び、プログラム
　本開示は、体調検知方法、体調検知装置、及び、プログラムに関する。
　２０２５年問題、すなわち、いわゆる「団塊の世代」の８００万人全員が７５歳以上の年齢に達し、国民の４人に１人が７５歳以上になる高齢化社会による問題として、医療及び介護の需要の高まりによる人手不足の問題がある。
　このため、医療及び介護従事者が担当する被看護及び被介護の対象者数が多くなり、健康異常につながる体調の小さな異変を見逃してしまう場合も起こり得る。そして、体調の小さな異変を見逃してしまうと、対象者の重篤化が進んでしまう恐れがある。
　これに対して、例えば特許文献１では、被監視者が異常と判定されると、適切な通知先に被監視者の異常を通知する技術が開示されている。これにより、被監視者の異常状態に応じて適切な監視者に対して、被監視者の異常を通知することができる。
国際公開第２０１８／１１６８３０号
　しかしながら、上記特許文献１は、センサから取得した被監視者のバイタル情報が異常値の場合に通知する技術が開示されているにすぎず、被監視者の健康異常につながる体調の小さな変化すなわち健康異常の予兆を検知することができない。
　本開示は、上述の事情を鑑みてなされたもので、対象者の健康異常の予兆を検知することができる体調検知方法等を提供することを目的とする。
　本開示の一態様に係る体調検知方法は、コンピュータが行う体調検知方法であって、所定期間における対象者の呼吸数及び心拍数を含む活動データを取得し、取得した前記活動データに基づいて、複数の特徴量を算出し、複数の特徴量からなる活動データ群における正常性又は異常性を学習したモデルに、算出した前記複数の特徴量を入力することで、前記所定期間あたりの体調異常の程度を示す異常スコアを取得し、取得した前記異常スコアに基づいて、前記対象者の体調異常度合を段階的に示すための段階化スコアを算出し、算出した前記段階化スコアを出力する。
　なお、これらの全般的または具体的な態様は、システム、装置、方法、集積回路、コンピュータプログラムまたはコンピュータで読み取り可能なＣＤ－ＲＯＭなどの記録媒体で実現されてもよく、システム、装置、方法、集積回路、コンピュータプログラム及び記録媒体の任意な組み合わせで実現されてもよい。
　本開示の体調検知方法等によれば、対象者の健康異常の予兆すなわち対象者の健康異常につながる体調の小さな変化を検知することができる。
図１は、実施の形態に係る体調検知システムの構成の一例を示す図である。 図２は、実施の形態に係る情報管理サーバの具体的構成の一例を示すブロック図である。 図３は、実施の形態に係る活動データ群の異常データ群及び正常データ群の分布の一例を示す図である。 図４は、実施の形態に係るモデルを概念的に示す図である。 図５は、実施の形態に係る５段階の段階化スコア及びその条件の一例を示す図である。 図６は、実施の形態に係る対象者の体調異常への対応を行うための表示の一例を示す図である。 図７は、実施の形態に係る対象者の体調異常への対応を行うための表示の一例を示す図である。 図８は、実施の形態に係る対象者の体調異常への対応を行うための表示の一例を示す図である。 図９は、実施の形態に係る情報管理サーバの動作の概要を示すフローチャートである。 図１０は、実施の形態に係る情報管理サーバの動作例を示すフローチャートである。 図１１Ａは、比較例に係るモデルを用いて長期運用を行った場合の異常検知を概念的に説明するための図である。 図１１Ｂは、比較例に係るモデルを用いて長期運用を行った場合の異常検知を概念的に説明するための図である。 図１２は、実施の形態に係るモデルを用いて長期運用を行った場合の異常検知を概念的に説明するための図である。 図１３は、実施の形態に係るモデルの更新による性能改善を概念的に示す図である。 図１４は、実施例１に係る表示端末部が表示する連携表示の一例を示す図である。 図１５は、実施例２に係るインシデント発見事例１を示す図である。 図１６は、実施例２に係るインシデント発見事例２を示す図である。 図１７は、実施例２に係るインシデント発見事例３を示す図である。
　本開示の一態様に係る体調検知方法は、コンピュータが行う体調検知方法であって、所定期間における対象者の呼吸数及び心拍数を含む活動データを取得し、取得した前記活動データに基づいて、複数の特徴量を算出し、複数の特徴量からなる活動データ群における正常性又は異常性を学習したモデルに、算出した前記複数の特徴量を入力することで、前記所定期間あたりの体調異常の程度を示す異常スコアを取得し、取得した前記異常スコアに基づいて、前記対象者の体調異常度合を段階的に示すための段階化スコアを算出し、算出した前記段階化スコアを出力する。
　本態様によれば、対象者の健康異常の予兆すなわち対象者の健康異常につながる体調の小さな変化を検知することができる。
　より具体的には、活動データから複数の特徴量を算出し、算出した複数の特徴量を、活動データ群における正常性または異常性が学習されたモデルに入力する。この結果取得した異常スコアに基づき、対象者の体調異常の程度を段階的に評価した段階化スコアを算出する。
　これにより、段階化スコアから、対象者の健康異常の予兆を知る（検知）ことができる。
　よって、対象者を介護または看護する医療従事者でも気づけない場合がある対象者の健康異常の予兆を検知することができる。
　さらに、段階化スコアにより、異常の程度が現場で把握しやすくなるので、対象者の日常生活における健康異常につながる様々な体調の小さな変化すなわち健康異常の予兆への対応がしやすくなる。
　また、例えば、前記段階化スコアを算出する際、前記段階化スコアが所定値以上である場合、前記活動データに含まれる要素ごとに当該要素が要因であるか否かを分析する要因分析を実施し、前記段階化スコアを出力する際、前記要因分析により要因であると分析された要素と、前記段階化スコアとを出力するとしてもよい。
　このように、段階化スコアが、健康異常の予兆への対応が必要な所定値以上を示す場合、健康異常につながる体調の小さな変化の要因が、例えば心拍数にあるのか呼吸数にあるのかなども併せて通知される。
　よって、対象者を介護または看護する医療従事者は、通知された要因を手掛かりに、健康異常の予兆への対応を早期に適切に行うことができる。
　ここで、例えば、前記活動データは、前記所定期間における前記対象者の食事量、呼吸数、心拍数、及びベッド不在率のうち、少なくとも前記呼吸数及び前記心拍数を含んでもよい。
　このように、活動データは、対象者の食事量、呼吸数、心拍数、及びベッド不在率のうち、少なくとも呼吸数及び心拍数を含む現場で日々得られる活動データである。これにより、現場で日々得られる活動データから、複数の特徴量を算出するので、より精度よく健康異常の予兆を検知できる。
　また、例えば、前記複数の特徴量を算出する際、前記呼吸数、前記呼吸数の差分データ、前記心拍数、及び、前記心拍数の差分データにおける平均値、最大値、標準偏差、歪度、尖度、及び、前記最大値から前記平均値を引くことにより得られるインパルスファクタのうちの、少なくとも前記呼吸数及び前記心拍数における前記平均値及び前記最大値を、前記複数の特徴量として、算出してもよい。
　このように、活動データに統計処理等を行い、複数の特徴量を算出する。これにより、学習済みのモデルを用いて、算出した複数の特徴量から、より精度の高い異常スコアを取得することができる。
　また、例えば、前記モデルは、前記活動データ群を用いた教師なし学習により、前記活動データ群における正常性又は異常性が学習されていてもよい。
　このように、現場で日々得られる活動データを用いて、モデルに教師なし学習を行うことで、健康異常の予兆を検知できる学習済みのモデルが得られる。よって、対象者の活動データを用いて、健康異常の予兆を検知できる学習済みのモデルを得る際に、対象者の医療従事者などの現場スタッフに負担なく、モデルが得られる。
　また、例えば、前記モデルは、決定木に基づき外れ値を分割するモデルである。
　活動データ群において、異常データは正常データよりも発生頻度が低く、分布位置が異なるという性質がある。決定木に基づき外れ値を分割するモデルは、この性質を利用することで、対象者の活動データから健康異常の予兆を検知するモデルとして利用できる。
　ここで、例えば、前記モデルは、Isolation Forestモデルであってもよい。
　また、例えば、前記モデルは、取得した前記活動データを用いて、定期的に更新されてもよい。
　これにより、モデル作成時に用いた活動データに、モデル作成後に蓄積した活動データを追加した活動データを用いてモデル更新を繰り返し実行できる。よって、モデルは、対象者の中長期的な疾患による変動または環境影響による中長期的な変動にも対応した上で、健康異常の予兆の検知を行うことができる。
　また、例えば、前記段階化スコアを出力する際、算出した前記段階化スコアを、前記対象者の監視者の端末に出力し、前記端末のユーザインタフェースに、前記監視者が前記対象者の体調異常への対応を行うための表示を行わせてもよい。
　これにより、対象者の体調異常への対応を行うための表示がなされるので、現場スタッフは、対象者の体調異常の把握を容易にでき、対象者の体調異常への対応を適切に行うことが容易になる。つまり、現場スタッフは、対象者の日常生活における健康異常につながる様々な体調の小さな変化すなわち健康異常の予兆への対応がしやすくなる。
　本開示の一態様に係る体調検知装置は、所定期間における対象者の呼吸数及び心拍数を含む活動データを取得する送受信部と、取得した前記活動データに基づいて、複数の特徴量を算出する特徴量算出部と、複数の特徴量からなる活動データ群における正常性又は異常性をモデル作成部に学習されたモデルに、算出した前記複数の特徴量を入力することで、前記所定期間あたりの体調異常の程度を示す異常スコアを取得する異常スコア算出部と、取得した前記異常スコアに基づいて、前記対象者の体調異常度合を段階的に示すための段階化スコアを算出する段階化スコア算出部とを備え、前記送受信部は、算出した前記段階化スコアを出力する。
　また、本開示の一態様に係るプログラムは、所定期間における対象者の呼吸数及び心拍数を含む活動データを取得し、取得した前記活動データに基づいて、複数の特徴量を算出し、複数の特徴量からなる活動データ群における正常性又は異常性を学習したモデル（モデル作成部）に、算出した前記複数の特徴量を入力することで、前記所定期間あたりの体調異常の程度を示す異常スコアを取得し、取得した前記異常スコアに基づいて、前記対象者の体調異常度合を段階的に示すための段階化スコアを算出し、算出した前記段階化スコアを出力すること、をコンピュータに実行させる。
　なお、これらの包括的または具体的な態様は、システム、装置、方法、集積回路、コンピュータプログラムまたはコンピュータで読み取り可能なＣＤ－ＲＯＭなどの記録媒体で実現されてもよく、システム、装置、方法、集積回路、コンピュータプログラム及び記録媒体の任意な組み合わせで実現されてもよい。
　以下、本開示の実施の形態について、図面を参照しながら説明する。以下で説明する実施の形態は、いずれも本開示の一具体例を示すものである。以下の実施の形態で示される数値、形状、構成要素、ステップ、ステップの順序などは、一例であり、本開示を限定する主旨ではない。また、以下の実施の形態における構成要素のうち、独立請求項に記載されていない構成要素については、任意の構成要素として説明される。また、全ての実施の形態において、各々の内容を組み合わせることもできる。
　（実施の形態）
　以下では、図面を参照しながら、本実施の形態に係る体調検知方法等の説明を行う。
　［１　体調検知システム１００］
　図１は、本実施の形態に係る体調検知システム１００の構成の一例を示す図である。
　本実施の形態に係る体調検知システム１００は、情報管理サーバ１０が、看護または介護される対象者の健康異常につながる体調の小さな異変（すなわち健康異常の予兆）を検知するために構成されるシステムである。
　体調検知システム１００は、図１に示すように、情報管理サーバ１０と、センシング部２０と、表示端末部３０とを備える。これらは、通信ネットワーク４０で接続されている。通信ネットワーク４０は、有線ネットワ－クでもよいし、無線ネットワ－クでもよいし、有線ネットワ－クと無線ネットワ－クとの両方でもよい。また、図１には、看護または介護される対象者５０と、当該対象者５０の看護または介護を行う医療従事者などの現場スタッフであるユーザ６０と、表示端末部３０を確認可能な当該対象者５０の監視者などの現場スタッフであるユーザ６１と、ユーザ６０が当該対象者５０の看護または介護を行った内容を記録した記録データ２５とが示されている。記録データ２５には、例えば、現場スタッフであるユーザ６０に入力された対象者５０が朝、昼及び夜などに食事を摂取した量である食事量が記録されている。
　なお、図１では、体調検知システム１００が、１つのセンシング部２０を備える場合の例が示されているが、これに限らず、看護または介護される対象者５０の数のセンシング部２０を備えればよい。
　［１．１　センシング部２０］
　センシング部２０は、所定期間における対象者５０の呼吸数及び心拍数を含む活動データをセンシングすることで取得する。本実施の形態では、センシング部２０は、対象者５０がベッドにいる間の心拍数、呼吸数、体動などのデータ（以下センサデータとも称する）を、秒毎に取得する。
　なお、心拍数、呼吸数、体動などのセンサデータを取得する間隔は、例えば１秒に限らず、２秒でもよく、対象者５０のセンサデータの変化が分かる単位の間隔であればよい。また、センシング部２０は、心拍数、呼吸数、体動などをセンシングできるか否かにより、対象者５０のベッドの在不在をセンシングしてもよく、さらに睡眠状態などの生活リズムをセンシングしてもよい。
　また、センシング部２０は、例えば圧力センサなどを有するセンサ機器であってもよく、ベッドに設置されることで、対象者５０を秒毎にセンシングしてもよい。この場合、センシング部２０は、例えば、対象者５０がベッドに不在であることを示すセンサデータとして、離床中を示す値１を秒毎に出力してもよい。また、センシング部２０は、例えば、対象者５０の呼吸数などのセンサデータ値を秒毎に出力してもよい。
　［１．２　情報管理サーバ１０］
　図２は、本実施の形態に係る情報管理サーバ１０の具体的構成の一例を示すブロック図である。
　情報管理サーバ１０は、例えば、プロセッサ（マイクロプロセッサ）、メモリ、通信インタフェース等を備えるコンピュータで実現される。情報管理サーバ１０は、一部構成がクラウドサーバに含まれて動作するとしてもよい。情報管理サーバ１０は、体調検知装置の一例であり、対象者５０の健康異常につながる体調の小さな異変（すなわち健康異常の予兆）を検知する。
　本実施の形態では、情報管理サーバ１０は、図２に示すように、送受信部１１と、情報記録部１２と、特徴量算出部１３と、モデル作成部１４と、モデル更新部１５と、体調検知部１６とを備える。
　［１．２．１　送受信部１１］
　送受信部１１は、例えば通信インタフェースを備え、通信ネットワーク４０を介して、センシング部２０または表示端末部３０との間で、各種情報の送受信を行う。例えば、送受信部１１は、所定期間における対象者５０の呼吸数及び心拍数を含む活動データを取得する。ここで、活動データは、上述したように所定期間における対象者５０の食事量、呼吸数、心拍数、及びベッド不在率のうち、少なくとも呼吸数及び心拍数を含む。また、送受信部１１は、体調検知部１６が算出した段階化スコアを、対象者５０の監視者などのユーザ６１の端末に出力する。
　本実施の形態では、送受信部１１は、通信ネットワーク４０を介してセンシング部２０から、対象者５０がベッドにいる間の秒毎の心拍数、呼吸数、体動などのセンサデータを、例えば１分毎の所定の間隔で取得する。また、送受信部１１は、例えば図１に示すような現場スタッフであるユーザ６０が対象者５０の看護または介護を行った内容を記録した記録データ２５を取得する。このようにして、送受信部１１は、通信ネットワーク４０を介してセンサデータ及び記録データ２５を含む活動データであって現場で日々得られる活動データを取得する。また、送受信部１１は、通信ネットワーク４０を介して、体調検知部１６が算出した段階化スコアを表示端末部３０に送信する。なお、送受信部１１は、表示端末部３０のユーザインタフェースが、後述する段階化スコア表示、バイタル変動グラフ表示またはリスク群表示などの表示であってユーザ６１に対象者５０の体調異常への対応を行わせるために行われる表示のための情報を送信してもよい。
　［１．２．２　情報記録部１２］
　情報記録部１２は、送受信部１１が送受信する情報を記録する。情報記録部１２は、情報を記録することができる記録媒体であり、例えば、ハードディスクドライブまたはソリッドステートドライブ等の書き換え可能な不揮発性のメモリで構成される。なお、情報記録部１２は、特徴量算出部１３により算出された複数の特徴量を記録してもよい。
　［１．２．３　特徴量算出部１３］
　特徴量算出部１３は、例えばメモリ及びプロセッサ（マイクロプロセッサ）を含むコンピュータを備え、メモリに格納された制御プログラムをプロセッサが実行することにより、複数の特徴量を算出する機能を実現する。特徴量算出部１３は、送受信部１１が取得した対象者５０の呼吸数及び心拍数を含む活動データに基づいて、複数の特徴量を算出する。例えば、特徴量算出部１３は、送受信部１１により取得され、または情報記録部１２に記録されている活動データから、体調検知の対象日時を含む時間帯のセンサデータを取得し、１時間単位の特徴量を呼吸数などのセンサデータごとに算出する。ここで、特徴量算出部１３は、少なくとも対象者５０の呼吸数の平均値及び最大値と、対象者５０の心拍数の平均値及び最大値とを、１時間単位の複数の特徴量として算出する。
　本実施の形態では、特徴量算出部１３は、少なくとも呼吸数及び心拍数から、呼吸数、呼吸数の差分データ、心拍数、及び、心拍数の差分データにおける平均値、最大値、標準偏差、歪度、尖度、及び、インパルスファクタのうちの、呼吸数及び心拍数における平均値及び最大値を、複数の特徴量として、算出する。ここで、インパルスファクタは、最大値から平均値を引くことにより得られる。このように、特徴量算出部１３は、活動データに統計処理等を行い、複数の特徴量を算出する。
　より具体的には、特徴量算出部１３は、例えば、対象者５０の呼吸数関連、心拍数関連の特徴量を、１時間単位で算出する。
　例えば、特徴量算出部１３は、情報記録部１２に記録された活動データまたはセンシング部２０から取得したセンサデータから、体調検知の対象日時を含む時間帯の対象者５０の呼吸数を示すセンサデータを取得し、当該時間帯の１時間単位の統計特徴量を算出する。
　より詳細には、特徴量算出部１３は、活動データから例えばある１時間における呼吸数が０でない呼吸数データを取得し、取得した呼吸数データから当該１時間における平均値、最大値、最小値、標準偏差、歪度、尖度、インパルスファクタなどを統計特徴量として算出する。ここで、インパルスファクタは、当該１時間分の呼吸数データでの最大値と平均値との差分（最大値－平均値）から算出できる。また、特徴量算出部１３は、取得した呼吸数データの差分データから当該１時間における平均値、最大値、最小値、標準偏差、歪度、尖度、インパルスファクタなどを統計特徴量として算出する。取得した呼吸数データの差分データは、例えば時刻ｔの呼吸数と、時刻ｔの１秒後の時刻ｔ＋１の呼吸数の差分すなわち呼吸数データの秒毎の差分を示すデータである。なお、特徴量算出部１３は、取得した呼吸数データから、少なくとも当該１時間における平均値及び最大値を、統計特徴量として算出すればよい。
　また、例えば、特徴量算出部１３は、情報記録部１２に記録された活動データまたはセンシング部２０から取得したセンサデータから、体調検知の対象日時を含む時間帯の対象者５０の心拍数を示す心拍数データを取得し、当該時間帯の１時間単位の統計特徴量を算出する。
　ここで、特徴量算出部１３は、活動データから例えばある１時間における心拍数が０でない心拍数データを取得し、取得した心拍数データから当該１時間における平均値、最大値、最小値、標準偏差、歪度、尖度、インパルスファクタなどを統計特徴量として算出する。また、特徴量算出部１３は、取得した心拍数データの差分データから当該１時間における平均値、最大値、最小値、標準偏差、歪度、尖度、インパルスファクタなどを統計特徴量として算出する。取得した心拍数データの差分データは、呼吸数データの差分データと同様に、例えば時刻ｔの呼吸数と、時刻ｔの１秒後の時刻ｔ＋１の心拍数の差分すなわち心拍数データの秒毎の差分を示すデータである。なお、特徴量算出部１３は、取得した心拍数データから、少なくとも当該１時間における平均値及び最大値を、統計特徴量として算出すればよい。
　なお、特徴量算出部１３は、複数の特徴量の１つとして、対象者５０の食事量、ベッド不在率を算出してもよい。
　すなわち、例えば、特徴量算出部１３は、活動データに含まれる記録データ２５から、対象者５０の食事量を、複数の特徴量の１つとして算出してもよい。この場合、特徴量算出部１３は、記録データ２５から、過去１日分の食事の総量を算出し、次いで、特徴量算出部１３は、体調検知の対象日時を含む時間帯の食事量の総和を算出すればよい。ここで、対象日時が、朝、昼、夜の時間帯である場合には、特徴量算出部１３は、例えば、体調検知の対象日の前日の朝～当日の朝の間、前日の昼～当日の昼の間、前日の夜～当日の夜の間の食事量の総和を算出すればよい。
　また、例えば、特徴量算出部１３は、送受信部１１により取得され情報記録部１２に記録されている活動データから、ベッド不在率を、複数の特徴量の１つとして算出してもよい。この場合、特徴量算出部１３は、情報記録部１２に記録された活動データまたはセンシング部２０から取得したセンサデータから、体調検知の対象日時を含む時間帯の対象者５０のベッドの在不在を示す在不在データを取得し、当該時間帯の１時間単位のベッド不在率を算出すればよい。より詳細には、特徴量算出部１３は、例えばある１時間における離床中を示す値１の数をカウントし、当該１時間における全体の数（すなわち当該１時間における離床中を示す値１の数と床中を示す値０の数の合計）で除算することで、当該１時間におけるベッド不在率を算出できる。
　［１．２．４　モデル作成部１４］
　モデル作成部１４は、複数の特徴量からなる活動データ群における正常性又は異常性を学習させたモデルを作成する。より具体的には、モデル作成部１４は、活動データ群を用いた教師なし学習を行うことで、複数の特徴量からなる活動データ群における正常性又は異常性を学習させたモデルを作成する。
　本実施の形態では、モデル作成部１４は、例えばメモリ及びプロセッサ（マイクロプロセッサ）を含むコンピュータを備え、メモリに格納された制御プログラムをプロセッサが実行することにより、各種機能を実現する。モデル作成部１４は、情報記録部１２に記録された活動データまたはセンシング部２０から取得したセンサデータから、学習期間分の活動データを取得する。なお、モデル作成部１４は、学習期間分の記録データ２５を取得し、学習期間分の活動データに含めてもよい。
　また、モデル作成部１４は、特徴量算出部１３に、学習期間分の活動データに基づいて１時間単位の特徴量を算出させる。モデル作成部１４は、学習期間分における１時間単位の特徴量を用いて、モデルを教師なし学習することで、活動データ群における正常性又は異常性を学習させたモデルを作成する。ここで、学習されたモデルは、決定木に基づき外れ値を分割するモデルであり、例えばIsolation Forestモデルである。なお、モデル作成部１４は、学習期間分における１時間単位の特徴量を用いて、Ｋ平均法(k-means)によるモデルを教師なし学習させることで、活動データ群における正常性又は異常性を学習させたモデルを作成してもよい。
　以下、例えばIsolation Forestモデルなどを本実施の形態に係るモデルとして作成する場合について詳細に説明する。
　図３は、本実施の形態に係る活動データ群の異常データ群及び正常データ群の分布の一例を示す図である。図３では、縦軸は心拍数の平均値を示し、横軸は呼吸数の平均値を示している。また、活動データ群は心拍数及び呼吸数の複数のセンサデータからなり、異常データと正常データとが混在している。
　図３に示すように、正常データの数は、異常データの数より多く、かつ、正常データの分布はある程度固まった一つの分布すなわち正常データの分布は発散せず集中しているのがわかる。一方、異常データは、図３に示す異常データ群と示された領域に多く含まれていることから、異常データの数は、正常データよりも少なく、かつ、異常データは、正常データが集中する分布位置とは異なる位置に離れていることがわかる。
　図４は、本実施の形態に係るモデルを概念的に示す図である。図４に示すモデルは、Isolation Forestモデルである。
　モデル作成部１４は、異常データは正常データよりも発生頻度が低く、分布位置が異なるという前提を利用し、学習期間分における１時間単位の特徴量すなわち学習期間分における活動データ群を用いて、当該活動データ群を分割するモデルを作成する。より具体的には、モデル作成部１４は、ランダムにfeatureと閾値とを選んで分割を繰り返し、複数の決定木を作り、当該決定木を作るときに外れ値をそれ以外の値と分けるよう作ることで、当該活動データ群を分割するモデルを作成する。このようにして、モデル作成部１４は、例えば図３に示す異常データ群に含まれる異常データであれば、正常データの分布から離れているため、決定木において早い段階で分割するモデルを作成することができる。これにより、モデル作成部１４により作成されるモデルは、決定木のどの段階でデータが分割されたか（ルートノードからの距離）異常スコアとして算出することができる。当該モデルは、決定木の早い段階で分割されるほど（すなわち分割されたノードにおけるルートノードからの距離が小さいほど）、高い異常スコアを算出する。なお、当該モデルには、複数の決定木が作成されているので、最終的に出力する異常スコアは、複数の決定木における分割のされ方から算出された分割深度から得られる異常スコアの平均値を出力することになる。
　例えば図４の（ａ）に示されるように、モデル作成部１４により作成されるモデルは、外れ値を取る異常データであれば、正常データ群にある正常データの値から大きく外れているため、図４のｘで示されるノードのように早い段階で分離（分割）する。このため、当該モデルは、外れ値を取る異常データであれば、高い異常スコアを算出する。
　一方、例えば図４の（ｂ）に示されるように、モデル作成部１４により作成されるモデルは、正常データであれば、正常データ群にあるため、図４のｙで示されるノードのようになかなか分離（分割）できない。このため、当該モデルは、正常データであれば、低い異常スコアを算出する。
　［１．２．５　モデル更新部１５］
　モデル更新部１５は、モデル作成部１４により作成されたモデルを、当該モデルの作成後に送受信部１１が取得した活動データを用いて、定期的に更新する。
　モデル更新部１５がモデルを更新する頻度は、例えば２週間～１ヵ月程度ごとであればよい。モデル更新部１５は、モデル作成部１４により作成された後の一定期間は２週間間隔など頻繁に更新し、一定期間後には１ヵ月ごとに更新するなどでもよい。
　本実施の形態では、モデル更新部１５は、例えばメモリ及びプロセッサ（マイクロプロセッサ）を含むコンピュータを備え、メモリに格納された制御プログラムをプロセッサが実行することにより、モデルの更新機能を実現する。モデル更新部１５は、当該モデルの作成後に送受信部１１が取得した活動データを用いて、複数の決定木の構造または条件を更新することで、当該モデルを更新する。これにより、モデル作成時に用いた活動データに、モデル作成後に蓄積した活動データを追加した活動データを用いてモデル更新を繰り返し実行できる。
　［１．２．６　体調検知部１６］
　体調検知部１６は、例えば、プロセッサ（マイクロプロセッサ）、メモリ、通信インタフェース等を備えるコンピュータで実現され、メモリに格納された制御プログラムをプロセッサが実行することにより、各種機能を実現する。体調検知部１６は、モデル作成部１４で作成したモデルと特徴量算出部１３で算出した複数の特徴量とを用いて、対象者５０の健康異常を検知する。
　体調検知部１６は、図２に示すように、異常スコア算出部１６１と、演算結果記録部１６２と、段階化スコア算出部１６３と、要因分析部１６４とを備える。
　［１．２．６．１　異常スコア算出部１６１］
　異常スコア算出部１６１は、活動データ群における正常性又は異常性を学習したモデルに、特徴量算出部１３で算出した複数の特徴量を入力することで、所定期間あたりの体調異常の程度を示す異常スコアを取得する。
　本実施の形態では、異常スコア算出部１６１は、モデル作成部１４により作成されたモデルに、特徴量算出部１３で算出された、対象者５０の体調検知の対象日における１時間単位の複数の特徴量を入力する。異常スコア算出部１６１は、例えば図４に示したモデルを構成する複数の決定木の分割のされ方から分割深度を算出し、複数の分割深度の値を平均することで、異常スコアを算出する。異常スコア算出部１６１は、算出した対象者５０の体調検知の対象日における１時間単位の異常スコアを演算結果記録部１６２に記録する。
　［１．２．６．２　演算結果記録部１６２］
　演算結果記録部１６２は、演算結果を記録することができる記録媒体であり、例えば、ハードディスクドライブまたはソリッドステートドライブ等の書き換え可能な不揮発性のメモリで構成される。本実施の形態では、演算結果記録部１６２は、演算結果として、異常スコア算出部１６１により算出された異常スコア、段階化スコア算出部１６３により算出された段階化スコアなどを記録する。なお、演算結果記録部１６２は、演算結果として、要因分析部１６４により分析された要因について記録してもよい。
　［１．２．６．３　段階化スコア算出部１６３］
　段階化スコア算出部１６３は、異常スコア算出部１６１により算出された異常スコアに基づいて、対象者５０の体調異常度合を段階的に示すための段階化スコアを算出する。
　本実施の形態では、段階化スコア算出部１６３は、演算結果記録部１６２に記録された、または異常スコア算出部１６１により算出された、体調検知の対象日における１時間単位の異常スコアから、１日単位の異常スコアの平均値を算出する。段階化スコア算出部１６３は、同様に、演算結果記録部１６２に記録された体調検知の対象日の前日及び前々日における１時間単位の異常スコアから、対象日の前日及び前々日における１日単位の異常スコアの平均値を算出する。段階化スコア算出部１６３は、当該対象日、その前日及び前々日における１日単位の異常スコアの平均を合計し、３日合計スコアを算出する。なお、３日合計スコアは精度よく段階化スコアを算出方法の一例であり、これに限らない。１日合計スコア～５日合計スコアの範囲で算出すればよい。
　段階化スコア算出部１６３は、演算結果記録部１６２に記録されている当該対象日の過去９０日分程度の３日合計スコア群から、段階化スコアのための閾値（段階化閾値と称する場合もある）を算出する。より具体的には、段階化スコア算出部１６３は、過去９０日分程度の３日合計スコア群の平均及び標準偏差を算出することで、段階化閾値を算出する。
　図５は、実施の形態に係る５段階の段階化スコア及びその条件の一例を示す図である。
　段階化スコア算出部１６３は、図５に示す５段階の段階化スコアを算出する場合、図５に示すように、平均と標準偏差とから閾値を算出することができる。例えば、段階化スコアが１の閾値は、図５に示す条件から、平均以上であり、段階化スコアが２の閾値は、平均から標準偏差の半分の値を引いた値と平均である。
　そして、段階化スコア算出部１６３は、このように算出した閾値を、当該対象日の３日合計スコアに対して適用することで、段階化スコアを算出する。より具体的には、段階化スコア算出部１６３は、当該対象日の３日合計スコアに対して、図５に示すような条件から算出された閾値を用いて判定することで、段階化スコアの値を算出する。
　段階化スコア算出部１６３は、算出した段階化スコアの値を、演算結果記録部１６２に出力する。さらに、段階化スコア算出部１６３は、算出した段階化スコアの値が１～３であれば、通信ネットワーク４０を介して、算出した段階化スコアを表示端末部３０に出力してもよい。
　なお、図５では、段階化スコア算出部１６３が、５段階の段階化スコアを算出する場合の例を示したが、これに限らない。２段階～４段階の段階化スコアを算出してもよい。
　ここで、図５を用いて、段階化スコアのための閾値を算出する方法の一例について説明する。
　［１．２．６．４　要因分析部１６４］
　要因分析部１６４は、段階化スコアが所定値以上である場合、活動データに含まれる要素ごとに当該要素が要因であるか否かを分析する要因分析を実施する。ここで、要素は、所定期間における対象者５０の食事量、呼吸数、心拍数、またはベッド不在率などである。また、所定値は、健康異常の予兆への対応が必要な値である。段階化スコアが例えば５段階である場合、４または５であり、３段階である場合、３であり、２段階である場合、２であるなどに決めればよい。
　本実施の形態では、要因分析部１６４は、段階化スコア算出部１６３により算出された段階化スコアが４または５である場合、特徴量を算出する際に用いた活動データに含まれる心拍数、呼吸数、ベッド不在率、食事量の各要素について、要因分析を実施する。なお、特徴量を算出する際に用いた活動データに心拍数及び呼吸数のみが含まれる場合には、心拍数及び呼吸数の要素について、要因分析を実施すればよい。
　要因分析部１６４は、例えば、段階化スコアを算出するために用いた全期間における各要素の複数の特徴量を、各要素における１日単位の複数の特徴量のデータに変換し、段階化スコアを算出するために用いた全期間での平均値及び標準偏差を計算する。本実施の形態では、要因分析部１６４は、３日分の各要素の複数の特徴量を、１日単位の各要素の複数の特徴量のデータに変換し、３日間での各要素の平均値と標準偏差とを計算する。
　そして、要因分析部１６４は、下記式１が成立する場合、その要素が要因でないと分析し、下記の（式１）が成立しない場合、その要素が要因であると分析する。
　（平均値－２＊標準偏差）≦（対象日時でのその要素の特徴量）≦（平均値＋２＊標準偏差）・・・・（式１）
　なお、（式１）は、平均値±標準偏差の２倍の範囲に全データの９５．４５％が分布するという標準偏差の性質を利用している。
　要因分析部１６４は、要因分析により要因であると分析された要素と、段階化スコアとを、演算結果記録部１６２に出力する。また、要因分析部１６４は、通信ネットワーク４０を介して、因分析により要因であると分析された要素と段階化スコアとを、表示端末部３０に出力してもよい。
　［１．３　表示端末部３０］
　表示端末部３０は、プロセッサ（マイクロプロセッサ）、メモリ、通信インタフェース、ユーザインタフェース等を備えるコンピュータで実現される。表示端末部３０は、対象者５０の監視者などのユーザ６１の端末であり、例えばタブレット、スマートフォンなどである。表示端末部３０は、モバイルパソコン、ディスプレイと接続されている据え置き型パソコンであってもよい。
　本実施の形態では、表示端末部３０は、対象者５０の監視者などのユーザ６１により確認可能である。表示端末部３０は、通信ネットワーク４０と接続しており、情報管理サーバ１０から段階化スコア等を取得すると、ユーザインタフェースに、ユーザ６１が対象者５０の体調異常への対応を行うための表示を行わせる。ユーザインタフェースは、ユーザ６１の入力等に応じて、ディスプレイに表示を行わせることができる。
　図６～図８は、本実施の形態に係る対象者５０の体調異常への対応を行うための表示の一例を示す図である。
　図６には、実施の形態に係る段階化スコア表示画面３０１の一例が示されている。より具体的には、図６には、現場スタッフであるユーザ６０またはユーザ６１が見るアプリ画面の一例であり、対象者５０の健康異常の早期発見を行い対応するため対象者５０の段階化スコア等を表示する段階化スコア表示画面３０１が示されている。この段階化スコア表示画面３０１は、表示端末部３０においてアプリケーションを起動させたときのメニュー画面においてタッチされるなどで選択されることで表示端末部３０により表示される。図６では、部屋番号２０１～２１１のそれぞれに一人ずつ対象者５０が入居しており、対象者５０それぞれの段階化スコアが示されている。また、図６には、段階化スコアが４または５の場合の要因が、心拍数、呼吸数、食事量、ベッドの不在率のうちのどの要素であるかが示されており、要因である要素にはハッチングが付されている。なお、図６のａで示される領域には、看護師などの現場スタッフであるユーザ６０が入力するための入力欄が示されている。この入力欄では、段階化スコアの値の正当性などが入力される。
　図７には、実施の形態に係るバイタル変動グラフ表示画面３０２の一例が示されている。より具体的には、図７には、現場スタッフであるユーザ６０またはユーザ６１が見るアプリ画面の別の一例であり、対象者５０の健康異常の早期発見を行い対応するために特定の対象者５０のバイタル変動グラフを表示するバイタル変動グラフ表示画面３０２が示されている。このバイタル変動グラフ表示画面３０２も、表示端末部３０においてアプリケーションを起動させたときのメニュー画面においてタッチされるなどで選択されることで表示端末部３０により表示される。図７では、特定の対象者５０のバイタル変動グラフにおいて段階化スコアが例えば５を示すときのバイタル情報の範囲が示されている。これにより、特定の対象者５０の段階化スコアが例えば５を示すときの原因追及を早期に行うことができる。
　図８には、実施の形態に係るリスク群表示画面３０３の一例が示されている。より具体的には、図８には、現場スタッフであるユーザ６０またはユーザ６１が見るアプリ画面の別の一例であり、対象者５０の健康異常の早期発見を行い対応するために、対象者５０が入居する施設全体のリスク群を表示するリスク群表示画面３０３が示されている。このリスク群表示画面３０３も、表示端末部３０においてアプリケーションを起動させたときのメニュー画面においてタッチされるなどで選択されることで表示端末部３０により表示される。図８では、２０１号室等の複数の部屋から構成される施設全体において、リスク群の割合であるリスク配分が円グラフで示されている。図８に示す例では、段階化スコアが５を示すリスク高が２０％、段階化スコアが４を示すリスク中が１０％、段階化スコアが３を示すリスク低が３０％、段階化スコアが１または２を示す標準（リスクなし）が４０％であることが示されている。このように、施設全体のリスク配分が見える化され、俯瞰することができるので、例えばリスク中となっている部屋には経験及び専門性の高い看護師を配置し、リスク高となっている部屋にはより経験及び専門性の高い看護師を配置などすることができる。同様にして、リスク低となっている部屋には経験豊富な介護士を配置し、標準となっている部屋には介護士を配置することができる。つまり、施設全体のリスク配分が見える化され、俯瞰することができるので、限られた人数の現場スタッフを施設全体において適材適所に配置できる。これにより、対象者５０の体調異常または体調異常の予兆への対応をより迅速にかつ適切に行わせることができる。
　［２　情報管理サーバ１０の動作］
　次に、以上のように構成された情報管理サーバ１０の動作について説明する。
　図９は、本実施の形態に係る体調検知装置の動作の概要を示すフローチャートである。本実施の形態に係る体調検知装置は、例えば情報管理サーバ１０であるが、上述した情報管理サーバ１０の構成のうち、送受信部１１、特徴量算出部１３、異常スコア算出部１６１及び段階化スコア算出部１６３を少なくとも備えていればよい。
　まず、本実施の形態に係る体調検知装置において、送受信部１１は、所定期間における対象者５０の呼吸数及び心拍数を含む活動データを取得する（Ｓ１１）。次に、特徴量算出部１３は、ステップＳ１１において取得した活動データに基づいて、複数の特徴量を算出する（Ｓ１２）。次に、異常スコア算出部１６１は、活動データ群における正常性又は異常性を事前に学習したモデルに、ステップＳ１２において算出した複数の特徴量を入力することで、所定期間あたりの異常スコアを取得する（Ｓ１３）。次に、段階化スコア算出部１６３は、ステップＳ１３において取得した異常スコアに基づいて、対象者５０の体調異常度合を段階的に示すための段階化スコアを算出する（Ｓ１４）。そして、段階化スコア算出部１６３は、ステップＳ１４において算出した段階化スコアを出力する（Ｓ１５）。
　続いて、図９で説明した体調検知装置の動作の一例（動作例）として本実施の形態に係る情報管理サーバ１０の動作例について説明する。
　図１０は、本実施の形態に係る情報管理サーバ１０の動作例を示すフローチャートである。
　情報管理サーバ１０では、まず、送受信部１１が、センサデータ及び記録データ２５を取得する（Ｓ１０１）。本実施の形態では、送受信部１１は、所定期間における対象者５０の呼吸数及び心拍数を少なくとも含む活動データを取得する。
　次に、特徴量算出部１３は、ステップＳ１０１で取得したセンサデータ及び記録データ２５から、１時間当たりの複数の特徴量を算出する（Ｓ１０２）。本実施の形態では、特徴量算出部１３は、送受信部１１が取得した対象者５０の呼吸数及び心拍数を少なくとも含む活動データに基づいて、対象者５０の体調検知の対象日における１時間単位の複数の特徴量を算出する。
　次に、体調検知部１６は、事前に学習したモデルを用いて、ステップＳ１０２で算出した１時間当たりの複数の特徴量から、１時間当たりの異常スコアを算出する（Ｓ１０３）。本実施の形態では、異常スコア算出部１６１は、モデル作成部１４で作成したモデルに、特徴量算出部１３で算出した複数の特徴量を入力することで、対象日を含む所定期間における１時間当たりの体調異常の程度を示す異常スコアを取得する。
　次に、体調検知部１６は、ステップＳ１０３で算出した１時間当たりの異常スコアから、異常スコアの１日単位の平均値を算出する（Ｓ１０４）。本実施の形態では、段階化スコア算出部１６３は、対象者５０の体調検知の対象日を含む所定期間における１時間当たりの異常スコアから、１日単位の異常スコアの平均値を算出する。
　次に、体調検知部１６は、対象者５０の体調検知の対象日、前日及び前々日の３日分のデータを合計し、３日合計スコアを算出する（Ｓ１０５）。本実施の形態では、段階化スコア算出部１６３は、対象日の前日及び前々日における１日単位の異常スコアの平均値を算出し、当該対象日、前日及び前々日における１日単位の異常スコアの平均を合計することで、３日合計スコアを算出する。
　次に、体調検知部１６は、ステップＳ１０５で算出した体調検知の対象日の３日合計スコアに対し、過去９０日分程度の３日合計スコア群から算出した段階化閾値を適用することで、段階化スコアを算出する（Ｓ１０６）。本実施の形態では、段階化スコア算出部１６３は、当該対象日の過去９０日分程度の３日合計スコア群の平均及び標準偏差を算出することで、段階化閾値を算出する。そして、段階化スコア算出部１６３は、算出した段階化閾値を、当該対象日の３日合計スコアに対して適用することで、段階化スコアを算出する。なお、ここでは段階化スコアは１～５の５段階の値のうちのいずれかの値を示す。
　次に、体調検知部１６は、ステップＳ１０６において段階化スコアが４または５の値を示すすなわち異常ありを示す値が算出されたかを確認する（Ｓ１０７）。
　ステップＳ１０７において、段階化スコアが４または５の値であった場合（Ｓ１０７でＹｅｓ）、体調検知部１６は、食事量、呼吸数、心拍数、またはベッド不在率の各要素について、要因分析を実施する（Ｓ１０８）。本実施の形態では、要因分析部１６４は、算出された段階化スコアが４または５である場合、特徴量を算出する際に用いた活動データに含まれる心拍数、呼吸数、ベッド不在率、食事量の各要素について、要因分析を実施する。
　次に、体調検知部１６は、要因分析により要因であると分析された要素と、段階化スコアとを、出力する（Ｓ１０９）。本実施の形態では、要因分析部１６４は、要因分析により要因であると分析された要素と、段階化スコアとを出力する。
　なお、ステップＳ１０７において、段階化スコアが４または５の値でない場合（Ｓ１０７でＮｏ）、ステップＳ１０９において体調検知部１６は、段階化スコアを出力する。
　［３　効果等］
　以上のように、本実施の形態に係る体調検知装置等によれば、対象者５０の健康異常の予兆すなわち対象者５０の健康異常につながる体調の小さな変化を検知することができる。より具体的には、本実施の形態に係る体調検知装置等は、活動データから、複数の特徴量を算出し、算出した複数の特徴量を、活動データ群における正常性または異常性を学習することで、健康異常の予兆を検知できるモデルに入力する。本実施の形態に係る体調検知装置等は、算出した複数の特徴量を、モデルに入力することで取得した異常スコアに基づき、対象者５０の体調異常の程度を段階的に評価した段階化スコアを算出する。
　これにより、段階化スコアから、対象者５０の健康異常の予兆を知る（検知）ことができる。よって、対象者５０を介護または看護する医療従事者でも気づけない場合がある対象者５０の健康異常の予兆を検知することができる。
　さらに、対象者５０を介護または看護する医療従事者などの現場スタッフは、段階化スコアにより、異常の程度が把握しやすくなるので、対象者５０の日常生活における健康異常につながる様々な体調の小さな変化すなわち健康異常の予兆への対応がしやすくなる。
　また、本実施の形態に係る体調検知装置等は、健康異常の予兆への対応が必要な所定値以上である場合、活動データに含まれる要素ごとに当該要素が要因であるか否かを分析する要因分析を実施してもよい。そして、段階化スコアが、健康異常の予兆への対応が必要な所定値以上である場合、健康異常につながる体調の小さな変化の要因が、例えば心拍数にあるのか呼吸数にあるのかなども併せて通知される。
　これにより、対象者５０を介護または看護する医療従事者は、通知された要因を手掛かりに、健康異常の予兆への対応を早期に適切に行うことができる。
　ここで、活動データは、所定期間における対象者５０の食事量、呼吸数、心拍数、及びベッド不在率のうち、少なくとも呼吸数及び心拍数を含む、現場で日々得られる活動データである。これにより、現場で日々得られる活動データから、複数の特徴量を算出するので、より精度よく健康異常の予兆を検知できる。
　また、本実施の形態に係る複数の特徴量は、対象者５０の呼吸数、呼吸数の差分データ、対象者５０の心拍数、及び、心拍数の差分データにおける平均値、最大値、標準偏差、歪度、尖度、及び、最大値から平均値を引くことにより得られるインパルスファクタなどである。本実施の形態では、少なくとも対象者５０の呼吸数及び心拍数における平均値及び最大値を、複数の特徴量として、算出する。このように、本実施の形態に係る体調検知装置等は、活動データに統計処理等を行い、複数の特徴量を算出する。これにより、学習済みのモデルを用いて、算出した複数の特徴量から、より精度の高い異常スコアを取得することができる。
　また、本実施の形態で学習されるモデル（学習済みのモデルとも称する）は、活動データ群を用いた教師なし学習により、活動データ群における正常性又は異常性が学習されている。つまり、本実施の形態では、現場で日々得られる活動データを用いて、モデルに教師なし学習を行うことで、健康異常の予兆を検知できる学習済みのモデルを作成する。よって、対象者５０の活動データを用いて、教師なし学習を行うことで、対象者５０の医療従事者などの現場スタッフに負担なく、健康異常の予兆を検知できる学習済みのモデルを作成することができる。
　ここで、本実施の形態に係るモデルの作成時に行った工夫について説明する。
　図１１Ａ及び図１１Ｂは、比較例に係るモデルを用いて長期運用を行った場合の異常検知を概念的に説明するための図である。図１２は、本実施の形態に係るモデルを用いて長期運用を行った場合の異常検知を概念的に説明するための図である。図１１Ａ～図１２において、横軸は時間であり、縦軸は心拍数などの活動データである。図１１Ａ～図１２には、モデルの学習に用いた活動データの期間と、対象者５０の健康異常として検知したい区間とが概念的に示されている。
　比較例に係るモデルは、例えば特許文献１に係るモデルであり、短期間の学習期間の活動データを用いて学習により生成された１つのモデルである。
　このため、例えば図１１Ａに示すように、学習期間と健康異常として検知したい区間との間の期間が比較的短い場合には、比較例に係るモデルを用いて健康異常を検知できる。一方で、例えば図１１Ｂに示すように、学習期間と健康異常として検知したい区間との間の期間が比較的長い場合には、対象者５０の活動データにおける中長期的な変動の影響があり、比較例に係るモデルを用いても健康異常を誤検知してしまう。対象者５０に疾患がある場合、季節、環境の影響により、対象者５０の活動データが中長期的に変動してしまうからである。つまり、比較例に係るモデルは、長期運用を行う場合には、初期の比較的短い学習期間の活動データを用いた学習で作成されるため、中長期的な対象者５０の活動データの変動に対応できない可能性が高い。換言すると、比較例に係るモデルは、学習時に用いられた活動データの数が少なく、複数または複雑なパターンで現れる健康異常につながる体調の小さな変化を検知できない可能性が高い。
　これに対して、本実施の形態に係るモデルでは、例えば２週間～１ヵ月単位で蓄積された活動データを用いて、モデルの更新が繰り返し実行される。すなわち、実施の形態に係るモデルは、モデル作成時に用いた活動データに、モデル作成後に蓄積した活動データを追加した活動データを用いて繰り返し更新される。
　このため、本実施の形態に係るモデルは、例えば図１２に示すように、健康異常として検知したい区間の直近までの活動データでモデルが学習または更新されており、健康異常として検知したい区間における健康異常を検知できる。つまり、本実施の形態に係るモデルは、対象者５０の中長期的な疾患による変動または環境影響による中長期的な変動にも対応した上で、健康異常の予兆の検知を行うことができる。
　図１３は、本実施の形態に係るモデルの更新による性能改善を概念的に示す図である。
　図１３において、横軸は、健康異常の検知成功率であり、縦軸は、活動データの蓄積日数である。図１３に示すように、モデルが学習及び更新される活動データの蓄積日数が増えるほど検知成功率が向上し、一定数の活動データで飽和するのがわかる。
　つまり、本実施の形態に係るモデルは、中長期運用を行う際、蓄積した活動データが増えるにつれて検知性能が改善していくことがわかる。
　また、比較例に係るモデルすなわち特許文献１に係るモデルは、対象者５０の体調が正常状態である期間の活動データを学習用データとして用いて作成される。このため、該当期間の活動データが正常状態のみを示す活動データであるか異常状態を含む活動データであるかを、現場スタッフに介護などの記録データ２５を参照し判定してもらう必要があり、現場スタッフの負担になる。
　それに対して、本実施の形態に係るモデルは、異常データと正常データとが混在する活動データにおいて、異常データは正常データよりも発生頻度が低く、分布位置が異なるという性質があることを利用して、活動データを用いた教師なし学習を行うことで作成される。これにより、対象者５０の活動データを用いて、対象者５０の医療従事者などの現場の者に負担なく、対象者５０の活動データを用いて、モデルを作成できる。そして、本実施の形態に係るモデルは、この性質を利用することで、体調検知の対象となる活動データが、正常データ分布の集中している部分からどの程度離れているかを判定するモデルとして作成できる。例えばIsolation Forestモデルなど、決定木に基づき外れ値を分割するモデルは、この性質を利用し教師なし学習で作成できるので、本実施の形態に係るモデルとして利用できる。
　（実施例１）
　なお、上記の実施の形態では、表示端末部３０は、例えば図６～図８で示したような表示すなわち対象者５０の体調異常への対応を行うための表示を行うとして説明したが、これに限らない。
　表示端末部３０は、体調検知部１６により算出された段階化スコアと、対象者５０の看護または介護を行った内容を記録した記録データ２５とを連携させた連携表示を行ってもよい。
　図１４は、実施例１に係る表示端末部３０が表示する連携表示の一例を示す図である。
　図１４には、対象者５０の介護を行った内容を記録した介護記録と、段階化スコアとが連携して表示された連携表示の例が示されている。図１４に示された連携表示の画面は、介護サービスを行う現場スタッフが確認できる画面である。
　図１４の連携表示では、介護記録において現場スタッフの気づきがあった箇所、医師看護師判断にレ点のチェックが入っている。また、図１４の連携表示では、介護記録において、段階化スコアが５を示す、すなわち対象者５０の体調異常への対応が必要な所定値を示す期間を示す点線囲いが重畳されている。なお、図１４の連携表示では、睡眠異常があった日時、排泄排尿があった日時、食事をした日時なども表示されている。
　現場スタッフは、図１４に示す連携表示を見ることで、段階化スコアが５を示すときには、対象者５０の生活状況から、健康異常の予兆の原因追及を迅速に行うことができる。
　（実施例２）
　実施例２では、対象者５０の健康異常の予兆すなわち対象者の健康異常につながる体調の小さな変化を検知できたインシデント発見事例について説明する。
　図１５は、実施例２に係るインシデント発見事例１を示す図である。図１５では、突発要素の高い肺炎疑いで対象者５０が２月２７日に入院した場合の例が示されている。
　図１５では、段階化スコアの算出結果は、毎朝８時に提示され、対象者５０の体調に関する介護士の気づきのありなしが毎日１０時または１５時に入力されている。また、段階化スコアが４以上のときには、看護師は１８時以降に容体を確認し、段階化スコアの提示が正しいか否かをＯＫまたはＮＧで入力している。
　図１５に示すように、ａで示される段階化スコアが４を示す２月２１日及び２月２２日には、看護師によりＯＫ判断がされており、ｂで示される段階化スコアが４を示す２月２４日には、介護士は１０時の時点では介護士の気づきがない。また、２月２４日の１１時以降で対象者５０は発熱し、その後解熱していないが、２月２５日には介護士の気づきなし（つまり問題ない）となっている。しかしながら、２月２７日になると、突発要素の高い肺炎疑いで対象者５０が２月２７日に入院している。
　これに対して、段階化スコアの算出結果では、ａで示される段階化スコアが４を示す２月２１日及び２月２２日、及び、ｂで示される段階化スコアが４を示す２月２４日において、対象者の健康異常の予兆すなわち対象者の健康異常につながる体調の小さな変化を検知しているのがわかる。
　図１６は、実施例２に係るインシデント発見事例２を示す図である。図１６では、別の対象者５０が３月１２日に発熱を原因として入院した場合の例が示されている。図１６では、看護師の判断及び介護士の気づきなども図１５と同様であるため説明を省略する。
　図１６に示すように、ａで示される段階化スコアが４を示す３月７日では、介護士の気づきなし（つまり問題ない）となっている。また、ａで示される段階化スコアが５を示す３月８日では、介護士は１０時の時点では介護士の気づきがないが、１５時の時点ではだるそうで動きが悪い、風邪っぽい痛みがあるなどの気づきがある。なお、ａで示される段階化スコアが５を示す３月８日には看護師によりＯＫ判断がされている。その後、介護士の気づきがあり、３月１２の時点で、対象者５０がだるそうで動きが悪く、風邪っぽいことから対象者５０に入院させている。
　これに対して、段階化スコアの算出結果では、３月７日にはａで示されるように段階化スコアが４を示し、ｂで示されるように３月８日には段階化スコアが５を示し、その後段階化スコアが５を示したままで推移している。つまり、段階化スコアが４を示す３月７日において、対象者５０の健康異常の予兆すなわち対象者５０の健康異常につながる体調の小さな変化を検知しているのがわかる。
　図１７は、実施例２に係るインシデント発見事例３を示す図である。図１７では、さらに別の対象者５０が、２月２０日の１０時に餅を喉に詰まらせ、２月２４日深夜に誤嚥性肺炎の疑いで入院した場合の例が示されている。図１７での看護師の判断及び介護士の気づきなども図１５と同様であるため説明を省略する。
　図１７に示すように、餅を喉に詰まらせた２月２０日の次の日である２月２１日にはａで示される段階化スコアが５を示しており、その後入院の日まで段階化スコアが５を示したままであった。一方、介護士は、２月２１日から２月２３日の間において対象者５０がむせたり、だるそうであったりなどの気づきがあることを入力しているが、時間帯によっては気づきなし（問題なし）として判断している。また、看護師は、２月２３日には、対象者５０の体調がもとに戻っていないのにかかわらず、段階化スコアが５を示すことに対するＮＧ判断がされ対象者５０に問題ないと判断している。すなわち看護師は、２月２３日には、対象者５０の健康異常の予兆を見逃している。
　これに対して、段階化スコアの算出結果では、２月２１日からａで示されるように段階化スコアが５を示し、その後段階化スコアが５を示したままで推移している。つまり、段階化スコアが５を示す２月２１日すなわち対象者５０が入院する２月２４日の３日前から、対象者の健康異常の予兆すなわち対象者５０の健康異常につながる体調の小さな変化を検知しているのがわかる。
　（他の実施態様の可能性）
　以上、実施の形態及び実施例等に係る情報管理サーバ１０等すなわち実施の形態及び実施例等に係る体調検知方法及び体調検知装置について説明したが、本開示は、この実施の形態及び実施例に限定されるものではない。
　例えば、上記実施の形態及び実施例等に係る情報管理サーバ１０に含まれる各処理部は典型的には集積回路であるＬＳＩとして実現される。これらは個別に１チップ化されてもよいし、一部または全てを含むように１チップ化されてもよい。
　また、集積回路化はＬＳＩに限るものではなく、専用回路または汎用プロセッサで実現してもよい。ＬＳＩ製造後にプログラムすることが可能なＦＰＧＡ（Field Programmable Gate Array）、またはＬＳＩ内部の回路セルの接続や設定を再構成可能なリコンフィギュラブル・プロセッサを利用してもよい。
　また、本開示は、情報管理サーバ１０等すなわち体調検知装置により実行される体調検知方法として実現されてもよい。
　また、上記各実施の形態において、各構成要素は、専用のハードウェアで構成されるか、各構成要素に適したソフトウェアプログラムを実行することによって実現されてもよい。各構成要素は、ＣＰＵまたはプロセッサなどのプログラム実行部が、ハードディスクまたは半導体メモリなどの記録媒体に記録されたソフトウェアプログラムを読み出して実行することによって実現されてもよい。
　また、ブロック図における機能ブロックの分割は一例であり、複数の機能ブロックを一つの機能ブロックとして実現したり、一つの機能ブロックを複数に分割したり、一部の機能を他の機能ブロックに移してもよい。また、類似する機能を有する複数の機能ブロックの機能を単一のハードウェアまたはソフトウェアが並列または時分割に処理してもよい。
　また、フローチャートにおける各ステップが実行される順序は、本開示を具体的に説明するために例示するためのものであり、上記以外の順序であってもよい。また、上記ステップの一部が、他のステップと同時（並列）に実行されてもよい。
　以上、一つまたは複数の態様に係る体調検知装置について、実施の形態及び実施例等に基づいて説明したが、本開示は、この実施の形態及び実施例等に限定されるものではない。本開示の趣旨を逸脱しない限り、当業者が思いつく各種変形を本実施の形態、実施例及び変形例等に施したものや、異なる実施の形態、実施例及び変形例等における構成要素を組み合わせて構築される形態も、一つまたは複数の態様の範囲内に含まれてもよい。
　本開示は、体調検知方法、体調検知装置、及び、プログラムに利用でき、対象者の健康異常の予兆として例えば対象者の健康異常につながる体調の小さな変化の検知を行うことができる検知体調検知方法、体調検知装置、及び、プログラムに利用できる。
　１０　情報管理サーバ
　１１　送受信部
　１２　情報記録部
　１３　特徴量算出部
　１４　モデル作成部
　１５　モデル更新部
　１６　体調検知部
　２０　センシング部
　２５　記録データ
　３０　表示端末部
　４０　通信ネットワーク
　５０　対象者
　６０、６１　ユーザ
　１００　体調検知システム
　１６１　異常スコア算出部
　１６２　演算結果記録部
　１６３　段階化スコア算出部
　１６４　要因分析部
　３０１　段階化スコア表示画面
　３０２　バイタル変動グラフ表示画面
　３０３　リスク群表示画面

Claims (11)

  1. 　コンピュータが行う体調検知方法であって、
    　所定期間における対象者の呼吸数及び心拍数を含む活動データを取得し、
    　取得した前記活動データに基づいて、複数の特徴量を算出し、
    　複数の特徴量からなる活動データ群における正常性又は異常性を学習したモデルに、算出した前記複数の特徴量を入力することで、前記所定期間あたりの体調異常の程度を示す異常スコアを取得し、
    　取得した前記異常スコアに基づいて、前記対象者の体調異常度合を段階的に示すための段階化スコアを算出し、
    　算出した前記段階化スコアを出力する、
    　体調検知方法。
  2. 　前記段階化スコアを算出する際、
    　前記段階化スコアが所定値以上である場合、前記活動データに含まれる要素ごとに当該要素が要因であるか否かを分析する要因分析を実施し、
    　前記段階化スコアを出力する際、
    　前記要因分析により要因であると分析された要素と、前記段階化スコアとを出力する、
    　請求項１に記載の体調検知方法。
  3. 　前記活動データは、前記所定期間における前記対象者の食事量、呼吸数、心拍数、及びベッド不在率のうち、少なくとも前記呼吸数及び前記心拍数を含む、
    　請求項１または２に記載の体調検知方法。
  4. 　前記複数の特徴量を算出する際、
    　前記呼吸数、前記呼吸数の差分データ、前記心拍数、及び、前記心拍数の差分データにおける平均値、最大値、標準偏差、歪度、尖度、及び、前記最大値から前記平均値を引くことにより得られるインパルスファクタのうちの、少なくとも前記呼吸数及び前記心拍数における前記平均値及び前記最大値を、前記複数の特徴量として、算出する、
    　請求項３に記載の体調検知方法。
  5. 　前記モデルは、前記活動データ群を用いた教師なし学習により、前記活動データ群における正常性又は異常性が学習されている、
    　請求項１または２に記載の体調検知方法。
  6. 　前記モデルは、決定木に基づき外れ値を分割するモデルである、
    　請求項５に記載の体調検知方法。
  7. 　前記モデルは、Isolation Forestモデルである、
    　請求項６に記載の体調検知方法。
  8. 　前記モデルは、取得した前記活動データを用いて、定期的に更新される、
    　請求項５に記載の体調検知方法。
  9. 　前記段階化スコアを出力する際、
    　算出した前記段階化スコアを、前記対象者の監視者の端末に出力し、
    　前記端末のユーザインタフェースに、前記監視者が前記対象者の体調異常への対応を行うための表示を行わせる、
    　請求項５に記載の体調検知方法。
  10. 　所定期間における対象者の呼吸数及び心拍数を含む活動データを取得する送受信部と、
    　取得した前記活動データに基づいて、複数の特徴量を算出する特徴量算出部と、
    　複数の特徴量からなる活動データ群における正常性又は異常性をモデル作成部に学習されたモデルに、算出した前記複数の特徴量を入力することで、前記所定期間あたりの体調異常の程度を示す異常スコアを取得する異常スコア算出部と、
    　取得した前記異常スコアに基づいて、前記対象者の体調異常度合を段階的に示すための段階化スコアを算出する段階化スコア算出部とを備え、
    　前記送受信部は、算出した前記段階化スコアを出力する、
    　体調検知装置。
  11. 　所定期間における対象者の呼吸数及び心拍数を含む活動データを取得し、
    　取得した前記活動データに基づいて、複数の特徴量を算出し、
    　複数の特徴量からなる活動データ群における正常性又は異常性を学習したモデル（モデル作成部）に、算出した前記複数の特徴量を入力することで、前記所定期間あたりの体調異常の程度を示す異常スコアを取得し、
    　取得した前記異常スコアに基づいて、前記対象者の体調異常度合を段階的に示すための段階化スコアを算出し、
    　算出した前記段階化スコアを出力すること、をコンピュータに実行させる、
    　プログラム。
PCT/JP2022/022392 2021-06-14 2022-06-01 体調検知方法、体調検知装置、及び、プログラム WO2022264818A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202280040221.4A CN117425938A (zh) 2021-06-14 2022-06-01 身体状况检测方法、身体状况检测装置、以及程序
JP2023529769A JPWO2022264818A1 (ja) 2021-06-14 2022-06-01
US18/533,760 US20240112805A1 (en) 2021-06-14 2023-12-08 Physical condition detection method, physical condition detection device, and recording medium

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US202163210261P 2021-06-14 2021-06-14
US63/210,261 2021-06-14

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US18/533,760 Continuation US20240112805A1 (en) 2021-06-14 2023-12-08 Physical condition detection method, physical condition detection device, and recording medium

Publications (1)

Publication Number Publication Date
WO2022264818A1 true WO2022264818A1 (ja) 2022-12-22

Family

ID=84526397

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/022392 WO2022264818A1 (ja) 2021-06-14 2022-06-01 体調検知方法、体調検知装置、及び、プログラム

Country Status (4)

Country Link
US (1) US20240112805A1 (ja)
JP (1) JPWO2022264818A1 (ja)
CN (1) CN117425938A (ja)
WO (1) WO2022264818A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024150517A1 (ja) * 2023-01-13 2024-07-18 パナソニックＩｐマネジメント株式会社 学習済みモデルの生成方法、学習済みモデルの生成装置及びプログラム

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018180826A (ja) * 2017-04-10 2018-11-15 関西電力株式会社 居住情報管理装置および居住情報管理システム
JP2019086839A (ja) * 2017-11-01 2019-06-06 Ｐｈｃ株式会社 高リスク患者群抽出装置および高リスク患者群抽出方法
JP2020048917A (ja) * 2018-09-27 2020-04-02 Kddi株式会社 咀嚼や笑みに係る量に基づき食事を評価可能な装置、プログラム及び方法
JP2020523715A (ja) * 2017-06-16 2020-08-06 カーベーセー グループ エンフェーＫＢＣ Ｇｒｏｅｐ ＮＶ 不正取引の改善された検出
JP2021505130A (ja) * 2017-12-01 2021-02-18 ザイマージェン インコーポレイテッド 外れ値検出に教師なしパラメータ学習を使用して産生のための生物を識別すること

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018180826A (ja) * 2017-04-10 2018-11-15 関西電力株式会社 居住情報管理装置および居住情報管理システム
JP2020523715A (ja) * 2017-06-16 2020-08-06 カーベーセー グループ エンフェーＫＢＣ Ｇｒｏｅｐ ＮＶ 不正取引の改善された検出
JP2019086839A (ja) * 2017-11-01 2019-06-06 Ｐｈｃ株式会社 高リスク患者群抽出装置および高リスク患者群抽出方法
JP2021505130A (ja) * 2017-12-01 2021-02-18 ザイマージェン インコーポレイテッド 外れ値検出に教師なしパラメータ学習を使用して産生のための生物を識別すること
JP2020048917A (ja) * 2018-09-27 2020-04-02 Kddi株式会社 咀嚼や笑みに係る量に基づき食事を評価可能な装置、プログラム及び方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024150517A1 (ja) * 2023-01-13 2024-07-18 パナソニックＩｐマネジメント株式会社 学習済みモデルの生成方法、学習済みモデルの生成装置及びプログラム

Also Published As

Publication number Publication date
CN117425938A (zh) 2024-01-19
JPWO2022264818A1 (ja) 2022-12-22
US20240112805A1 (en) 2024-04-04

Similar Documents

Publication Publication Date Title
US11355227B2 (en) Activity capability monitoring
US20230114515A1 (en) System and Method for Mobile Platform Designed for Digital Health Management and Support for Remote Patient Monitoring
JP6551959B1 (ja) ソフトウェア、健康状態判定装置及び健康状態判定方法
US10872694B2 (en) Software, health condition determination apparatus, and health condition determination method
JP6714915B2 (ja) ソフトウェア、健康状態判定装置及び健康状態判定方法
JP6719799B1 (ja) ソフトウェア、健康状態判定装置及び健康状態判定方法
JP6139085B2 (ja) 遠隔健康監視システム
Reis et al. An epidemiological network model for disease outbreak detection
Doyle et al. Older adults' attitudes to self-management of health and wellness through smart home data
US12040062B2 (en) Systems and methods for reducing patient readmission to acute care facilities
NZ564706A (en) Trend monitoring system with multiple access levels
Talley et al. Cardiopulmonary monitors and clinically significant events in critically ill children
Casaccia et al. Assessment of domestic well-being: from perception to measurement
WO2022264818A1 (ja) 体調検知方法、体調検知装置、及び、プログラム
Tvedt et al. Nurses’ reports of staffing adequacy and surgical site infections: A cross-sectional multi-centre study
EP2581847A1 (en) Method for communication with individuals in a health care system
Hyväri et al. Utilizing activity sensors to identify the behavioural activity patterns of elderly home care clients
van Pul et al. Alarm management in a single-patient room intensive care units
JP3994773B2 (ja) 在宅者健康状態遠隔診断装置
WO2024150512A1 (ja) 学習済みモデルの生成方法、学習済みモデルの生成装置及びプログラム
Ikawati et al. VidyaMedic: Smart Alert System For Continous Vital Sign Monitoring
Antony et al. A context aware system for generation and propagation of automated alerts from an intensive care unit

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22824811

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 202280040221.4

Country of ref document: CN

WWE Wipo information: entry into national phase

Ref document number: 2023529769

Country of ref document: JP

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 22824811

Country of ref document: EP

Kind code of ref document: A1