JP2019162408A - 対象者における軽度認知障害の検出のためのシステム及び方法 - Google Patents

Abstract

【課題】対象者における軽度認知障害の検出に関するシステム及び方法を提供する。【解決手段】生活インフラストラクチャ中に埋め込まれた複数の受動的で、バイナリの、邪魔にならない非侵入型センサーを使用して、スマート環境において対象者のルーチン活動、日常生活活動、ＡＤＬを継続的にモニタし、対象者におけるＭＣＩ検出のための継続的／シームレスモニタリング・プラットフォームを与え、病気の発現時のＭＣＩの症状を検出するとともに、データ中のギャップを生じるセンサー障害の問題にも対処し、収集されたセンサー・データは、センサー・データの前処理、行動逸脱検出、及び異常検出などを含むいくつかの段階において前処理される。本開示はまた、対象者がＭＣＩの潜在事例かどうかを検出するために使用される、対象者の行動における個人化された逸脱を見つけるためのデータの次元を削減するための、オート・エンコーダ・ベース技法を提案する。【選択図】図３

Description

本出願は、その全開示が、参照により全体が本明細書に組み込まれる、２０１８年３月１日に出願されたインド仮明細書第２０１８２１００７８１０号の優先権を主張する。

本明細書の開示は、一般に神経系疾患検出の分野に関し、より詳細には、対象者における軽度認知障害（ＭＣＩ：Ｍｉｌｄ Ｃｏｇｎｉｔｉｖｅ Ｉｍｐａｉｒｍｅｎｔ）の検出のためのシステム及び方法に関する。

神経系疾患は、脳、脊椎、及び脳と脊椎とを接続する神経の病気である。神経系疾患は、アルツハイマー病、認知症などの病気を含む。神経系疾患の症状の早期検出及び診断は、病気の進行を止めることを助け得る。神経系疾患の一般的な症状は、神経系の機能に関して、多くの他のものの中でも、不全又は完全麻痺、筋力低下、ＭＣＩを含む。

軽度認知障害（ＭＣＩ）は、対象者／高齢対象者／年長者の間の神経系疾患についての一般に見られる症状である。ＭＣＩは、対象者の認知能力の、わずかではあるが顕著で測定可能な衰えを引き起こす。したがって、ある時間期間にわたって対象者のルーチン活動を常にモニタすることによって、ＭＣＩの進行が検出され得る。対象者のルーチン活動は、いくつかの他の既存の方法の中でも、自立生活支援（ＡＡＬ：Ａｍｂｉｅｎｔ Ａｓｓｉｓｔｅｄ Ｌｉｖｉｎｇ）を与えることなどによって、いくつかのやり方でモニタされ得る。ＡＡＬは、いくつかのセンサーを利用して、それらのセンサーを利用する対象者のルーチン日常生活活動（ＡＤＬ：Ａｃｔｉｖｉｔｉｅｓ ｏｆ Ｄａｉｌｙ ｌｉｖｉｎｇ）をモニタする。モニタリング・プロセス中に、ある時間期間にわたるルーチン活動における逸脱の検出の場合、ＭＣＩの進行が検出される。

対象者のルーチン活動をモニタする既存の方法は、データを収集するためのカメラ又はセンサーを使用するが、カメラ又はセンサーの使用はプライバシーを侵害し、センサーは、回路デバイスであり、停電などの技術問題により障害を受けやすいことがあるか、又はフォールス・アラームを鳴らすことさえあり得る。さらなるいくつかの既存の方法は、ＡＤＬをモニタするために、インフラストラクチャ・ベース・センサーなどの複数の高度非侵入型センサー技術を使用する。しかしながら、高度非侵入型センサーを使用して収集されたセンサー・データは、高次元である。さらに、非侵入型センサーによって収集された高次元データは、そのデータの莫大な量により、既存の機械学習によって処理され得ない。

本開示の実施例は、従来のシステムにおける発明者によって認識された上述の技術的問題のうちの１つ又は複数に対するソリューションとしての技術改善を提示する。たとえば、一実施例では、軽度認知障害（ＭＣＩ）の継続的／シームレス・モニタリング・プラットフォーム検出のための方法が提供される。スマート環境中に居住する対象者のルーチン活動が、生活インフラストラクチャ中に埋め込まれた複数の非侵入型センサーによって継続的モニタされる。さらに、収集されたセンサー・データは、ＭＣＩ疾病の潜在事例であり得るかどうかを検出するために、センサー・データの前処理、行動逸脱検出、異常検出などを含む、いくつかの段階において処理される。

別の態様では、対象者における軽度認知障害（ＭＣＩ）の検出のための方法が提供される。本方法は、複数のセンサーからセンサー・データを受信するステップであって、受信されたセンサー・データが、特定の時間間隔の間の対象者に関係する日常生活活動（ＡＤＬ）を示す、受信するステップを含む。さらに、受信されたセンサー・データ中の壊れたセンサー・データが、補正されたセンサー・データを生成するために、長短期記憶（ＬＳＴＭ：Ｌｏｎｇ Ｓｈｏｒｔ−Ｔｅｒｍ Ｍｅｍｏｒｙ）を使用することによって、正しいセンサー・データで置換され、壊れたセンサー・データは、データベースに記憶された学習パターンと履歴データとに基づいて、正しいセンサー・データで置換される。さらに、補正されたセンサー・データの意味ベクトル表現が生成され、意味ベクトル表現は複数のサブベクトルを含み、複数のサブベクトルの各々は、所定の時間間隔の補正されたセンサー・データのサブセットのものを含む。さらに、補正されたセンサー・データの意味ベクトル表現のサイズが、最適化されたベクトル・データを生成するために、オート・エンコーダを使用することによって最適化される。次いで、動的しきい値パラメータ（φ）が、（ｉ）時間間隔の間の最適化されたベクトル・データの、（ｉｉ）データベースに記憶された対応する補正されたセンサー・データを含む隣接する最適化されたベクトル・データとの比較から取得された１つ又は複数の類似度値に基づいて推定される。さらに、補正されたセンサー・データの意味ベクトル表現のサイズが、最適化されたベクトル・データを生成するために、オート・エンコーダを使用することによって最適化される。さらに、最適化されたベクトル・データを生成するために、オート・エンコーダを使用して、補正されたセンサー・データの意味ベクトル表現のサイズを最適化するステップ中には、補正されたセンサー・データの意味ベクトル表現に対して、次元削減ベース・ウィンドウ・サイジング技法を適用するステップを含む。次いで、動的しきい値パラメータ（φ）が、（ｉ）時間間隔の間の最適化されたベクトル・データの、（ｉｉ）データベースに記憶された対応する補正されたセンサー・データを含む隣接する最適化されたベクトル・データとの比較から取得された１つ又は複数の類似度値に基づいて推定される。さらに、動的しきい値パラメータとの比較が、１つ又は複数の類似度値について実施され、ユーザの行動逸脱を検出すると、最適化されたベクトル・データに対応する意味ベクトル表現を分析し、分析された意味ベクトル表現の、前の隣接する意味ベクトル表現との比較を実施するステップと、データベース中のユーザの行動逸脱に固有の開始時間及び終了時間を記憶するステップと。さらに、１つ又は複数の対応するサブベクトルが、ユーザの行動逸脱に固有の開始時間と終了時間とに基づいて分析され、分析された１つ又は複数の対応するサブベクトルを１つ又は複数の異常ベクトルとしてタグ付けするステップ。最終的に、対象者の行動逸脱を示す１つ又は複数の異常が、比較に基づいて検出され、開始時間と終了時間との間の１つ又は複数のランダム活動が比較され、１つ又は複数の反復ランダム活動の持続時間が、対応する特定の活動の実際の持続時間よりも少ない又は多いとき、異常行動を示すフラグが生成される。異常行動の検出は、ＭＣＩ疾病の潜在事例であり得る。

別の態様では、対象者における軽度認知障害（ＭＣＩ）の検出のためのシステムが提供される。本システムは、命令と集中型データベースとを記憶するメモリと、１つ又は複数の通信インターフェースと、１つ又は複数の通信インターフェースを介してメモリに結合された１つ又は複数のハードウェア・プロセッサとを備え、１つ又は複数のハードウェア・プロセッサは、複数のセンサーからセンサー・データを受信することであって、受信されたセンサー・データが、特定の時間間隔の間の対象者に関係する日常生活活動（ＡＤＬ）を示す、受信することを行うための命令によって構成される。さらに、受信されたセンサー・データ中の壊れたセンサー・データが、補正されたセンサー・データを生成するために、長短期記憶（ＬＳＴＭ）を使用することによって、正しいセンサー・データで置換され、壊れたセンサー・データは、データベースに記憶された学習パターンと履歴データとに基づいて、正しいセンサー・データで置換される。さらに、補正されたセンサー・データの意味ベクトル表現（長いベクトル）が生成され、意味ベクトル表現は複数のサブベクトルを含み、複数のサブベクトルの各々は、所定の時間間隔の補正されたセンサー・データのサブセットのものを含む。さらに、補正されたセンサー・データの意味ベクトル表現のサイズが、最適化されたベクトル・データを生成するために、オート・エンコーダを使用することによって最適化される。さらに、最適化されたベクトル・データを生成するために、オート・エンコーダを使用して、補正されたセンサー・データの意味ベクトル表現のサイズを最適化することは、補正されたセンサー・データの意味ベクトル表現に対して、次元削減ベース・ウィンドウ・サイジング技法を適用することを含む。次いで、動的しきい値パラメータ（φ）が、（ｉ）時間間隔の間の最適化されたベクトル・データの、（ｉｉ）データベースに記憶された対応する補正されたセンサー・データを含む隣接する最適化されたベクトル・データとの比較から取得された１つ又は複数の類似度値に基づいて推定される。さらに、動的しきい値パラメータとの比較が、１つ又は複数の類似度値について実施される。ユーザの行動逸脱を検出すると、１つ又は複数のハードウェア・プロセッサは、最適化されたベクトル・データに対応する意味ベクトル表現を分析することを行うようにさらに構成され、データベース中のユーザの行動逸脱に固有の開始時間及び終了時間を記憶することによって、分析された意味ベクトル表現の、前の隣接する意味ベクトル表現との比較を実施すること。一実施例では、１つ又は複数の対応するサブベクトルが、ユーザの行動逸脱に固有の開始時間と終了時間とに基づいて分析され、分析された１つ又は複数の対応するサブベクトルは、１つ又は複数の異常ベクトルとしてタグ付けされる。一実施例では、対象者の行動逸脱を示す１つ又は複数の異常が、比較に基づいて検出され、開始時間と終了時間との間の１つ又は複数のランダム活動が比較され、１つ又は複数の反復ランダム活動の持続時間が、対応する特定の活動の実際の持続時間よりも少ない又は多いとき、異常行動を示すフラグが生成される。異常行動の検出は、ＭＣＩ疾病の潜在事例であり得る。

また別の態様では、対象者における軽度認知障害（ＭＣＩ）の検出のための非一時的コンピュータ可読媒体が提供される。本方法は、複数のセンサーからセンサー・データを受信するステップであって、受信されたセンサー・データが、特定の時間間隔の間の対象者に関係する日常生活活動（ＡＤＬ）を示す、受信するステップを含む。さらに、受信されたセンサー・データ中の壊れたセンサー・データが、補正されたセンサー・データを生成するために、長短期記憶（ＬＳＴＭ）を使用することによって、正しいセンサー・データで置換され、壊れたセンサー・データは、データベースに記憶された学習パターンと履歴データとに基づいて、正しいセンサー・データで置換される。さらに、補正されたセンサー・データの意味ベクトル表現（長いベクトル）が生成され、意味ベクトル表現は複数のサブベクトルを含み、複数のサブベクトルの各々は、所定の時間間隔の補正されたセンサー・データのサブセットのものを含む。さらに、補正されたセンサー・データの意味ベクトル表現のサイズが、最適化されたベクトル・データを生成するために、オート・エンコーダを使用することによって最適化される。次いで、動的しきい値パラメータ（Θ）が、（ｉ）時間間隔の間の最適化されたベクトル・データの、（ｉｉ）データベースに記憶された対応する補正されたセンサー・データを含む隣接する最適化されたベクトル・データとの比較から取得された１つ又は複数の類似度値に基づいて推定される。さらに、動的しきい値パラメータとの比較が、１つ又は複数の類似度値について実施され、ユーザの行動逸脱を検出すると、最適化されたベクトル・データに対応する意味ベクトル表現を分析し、分析された意味ベクトル表現の、前の隣接する意味ベクトル表現との比較を実施するステップと、データベース中のユーザの行動逸脱に固有の開始時間及び終了時間を記憶するステップと。さらに、１つ又は複数の対応するサブベクトルが、ユーザの行動逸脱に固有の開始時間と終了時間とに基づいて分析され、分析された１つ又は複数の対応するサブベクトルを１つ又は複数の異常ベクトルとしてタグ付けするステップ。最終的に、対象者の行動逸脱を示す１つ又は複数の異常が、比較に基づいて検出され、開始時間と終了時間との間の１つ又は複数のランダム活動が比較され、１つ又は複数の反復ランダム活動の持続時間が、対応する特定の活動の実際の持続時間よりも少ない又は多いとき、異常行動を示すフラグが生成される。異常行動の検出は、ＭＣＩ疾病の潜在事例であり得る。

上記の概略的な説明と以下の詳細な説明の両方は、例示的で説明的なものにすぎず、請求されるように、本発明を限定するものではないことを理解されたい。

本開示に組み込まれ、本開示の一部を構成する添付の図面は、例示的な実施例を示し、説明とともに、開示される原理について説明するのに役立つ。

本開示のいくつかの実施例による、軽度認知障害（ＭＣＩ）検出のためのシステムの例示的なブロック図である。 本開示のいくつかの実施例による、図１のシステムのメモリの（１つ又は複数の）モジュールに記憶された様々なモジュールの機能ブロック図である。 本開示のいくつかの実施例による、図１のシステムを使用するＭＣＩ検出のための方法を示す例示的な流れ図である。 本開示のいくつかの実施例による、ＲＮＮ技法を使用するセンサー値の予測されたグラフ及び予想されたグラフを示す図である。 本開示のいくつかの実施例による、それぞれ、１日のための長いベクトル及び（１つ又は複数の）短いベクトルとして表される、ベクトル及びサブベクトルを示す図である。 本開示のいくつかの実施例による、対象者の行動逸脱を示す異常を表すグラフを示す図である。

例示的な実施例が、添付の図面を参照しながら説明される。図では、参照番号の（１つ又は複数の）最左桁は、参照番号が最初に現れる図を識別する。好都合な場合はいつでも、同じ又は同様の部分を指すために図面全体にわたって同じ参照番号が使用される。開示される原理の実例及び特徴が本明細書で説明されるが、開示される実施例の趣旨及び範囲から逸脱することなく、変更、適応、及び他の実装形態が可能である。以下の発明を実施するための形態は、例にすぎないと見なされ、真の範囲及び趣旨は、以下の特許請求の範囲によって示されるものとする。

次に図面を参照すると、より詳細には、同様の参照符号が、図全体にわたって一貫して対応する特徴を示す図１〜図６を参照すると、好ましい実施例が示されており、これらの実施例は、以下の例示的なシステム及び／又は方法の文脈において説明される。

図１は、本開示の一実施例による、軽度認知障害（ＭＣＩ）検出のためのシステム１００の例示的なブロック図を示す。システム１００は、以下でＭＣＩ検出器とも参照させられることがある。一実施例では、システム１００は、１つ又は複数のプロセッサ１０４と、（１つ又は複数の）通信インターフェース・デバイス又は（１つ又は複数の）入出力（Ｉ／Ｏ）インターフェース１０６と、１つ又は複数のプロセッサ１０４に動作可能に結合された１つ又は複数のデータ・ストレージ・デバイス又はメモリ１０２とを含む。メモリ１０２は、１つ又は複数のモジュール１０８とデータベース１１０とを備える。ハードウェア・プロセッサである１つ又は複数のプロセッサ１０４は、１つ又は複数のマイクロプロセッサ、マイクロコンピュータ、マイクロコントローラ、デジタル信号プロセッサ、中央処理ユニット、状態機械、論理回路、及び／又は動作命令に基づいて信号を操作する任意のデバイスとして実装され得る。能力の中でも、（１つ又は複数の）プロセッサは、メモリに記憶されたコンピュータ可読命令をフェッチ及び実行するように構成される。一実施例では、システム１００は、ラップトップ・コンピュータ、ノートブック、ハンドヘルド・デバイス、ワークステーション、メインフレーム・コンピュータ、サーバ、ネットワーク・クラウドなど、様々なコンピューティング・システムにおいて実装され得る。

（１つ又は複数の）Ｉ／Ｏインターフェース・デバイス１０６は、様々なソフトウェア・インターフェース及びハードウェア・インターフェース、たとえば、ウェブ・インターフェース、グラフィカル対象者インターフェースなどを含むことができ、ワイヤード・ネットワーク、たとえば、ＬＡＮ、ケーブルなどと、ＷＬＡＮ、セルラー、又は衛星などのワイヤレス・ネットワークとを含む、多種多様なネットワークＮ／Ｗ及びプロトコル・タイプ内の複数の通信を可能にすることができる。一実施例では、（１つ又は複数の）Ｉ／Ｏインターフェース・デバイスは、いくつかのデバイスを、互いに又は別のサーバに接続するための１つ又は複数のポートを含むことができる。

メモリ１０２は、たとえば、スタティック・ランダム・アクセス・メモリ（ＳＲＡＭ）及びダイナミック・ランダム・アクセス・メモリ（ＤＲＡＭ）など、揮発性メモリ、並びに／又は、読取り専用メモリ（ＲＯＭ）、消去可能プログラマブルＲＯＭ、フラッシュ・メモリ、ハード・ディスク、光ディスク、及び磁気テープなど、不揮発性メモリを含む、当技術分野において知られている任意のコンピュータ可読媒体を含み得る。

図２は、図１に関する、本開示の一実施例による、図１のシステム１００のメモリ１０２に記憶された様々なモジュール１０８のブロック図である。本開示の一実施例では、モジュール１０８は、前処理モジュール２０２と、最適化モジュール２０４と、逸脱検出モジュール２０６と、異常検出モジュール２０８とを備える。本開示の一実施例では、前処理モジュール２０２、最適化モジュール２０４、逸脱検出モジュール２０６及び異常検出モジュール２０８は、ソフトウェア・プログラムの論理的に独立した部分、独立型ハードウェア構成要素、及び／又は、実行されたとき、本明細書で説明された上記の方法を実施する、ハードウェア構成要素の各々に埋め込まれたソフトウェア・プログラムの論理的に独立した部分をもつ独立型ハードウェア構成要素のうちの少なくとも１つとして実装される。

図３は、図１〜図２に関する、本開示の一実施例による、図１のシステム１００を使用するＭＣＩ検出のための方法を示す例示的な流れ図である。一実施例では、システム１００は、１つ又は複数のハードウェア・プロセッサ１０４に動作可能に結合された１つ又は複数のデータ・ストレージ・デバイス又はメモリ１０２を備え、１つ又は複数のプロセッサ１０４による方法のステップの実行のための命令を記憶するように構成される。次に、本開示の方法のステップが、図１〜図２に示されているシステム１００の構成要素及びモジュール２０２〜２０８、並びに流れ図を参照しながら説明される。

本開示の一実施例では、ステップ３０２、前処理モジュール２０２は、複数のセンサーからセンサー・データを受信し、受信されたセンサー・データは、スマート環境からの特定の時間間隔の間の対象者に関係する日常生活活動（ＡＤＬ）を示す。一実施例では、複数の非侵入型センサーが、老人ホーム、孤児院又は家庭など、スマート環境中に埋め込まれる。使用される複数のセンサーは、邪魔にならず非侵入型であり、以下で非侵入型センサーと呼ばれる、（写真、熱、電界検知、化学物質、赤外線などの）受動センサー、及び（圧力スイッチ、温度スイッチ、ビーム透過光電センサー、近接度センサー、プッシュ・ボタンなどの）バイナリセンサーである。複数の非侵入型センサーは、スマート環境中に居住する対象者のルーチン活動を継続的にモニタする。複数の非侵入型センサーは、ルータ、ブリッジ、サーバ、コンピューティング・デバイス、ストレージ・デバイスを含む、様々なネットワーク・デバイスに接続される。一実施例では、センサー・データは、センサー複製、センサー・ステータス、センサー位置、（センサーを電源投入するために使用される）バッテリー残寿命、現在の日付及び時間など、データを含む。さらに、収集されたセンサー・データは、ＡＤＬ又はルーチン活動をラベリングするために記憶された他の属性とともに蓄積する際に、さらに分析される必要がある。たとえば、収集されるセンサー・データは、表１において以下で示されている。

上記の表１から示され得るように、センサー・データは、スマート環境からの特定の時間間隔の間の対象者に関係するＡＤＬを示す。センサー・ステータスの値が「ＯＫ」に設定された場合、センサーは、ルーチン活動をモニタしており（センサーが電力供給されていることを示し）、他の場合、センサー・ステータスは「ＮＯＫ」に設定され、これは、ルーチン活動がモニタされていないことを意味する。ルーチン活動は、バッテリー消耗、通信停止、故障などの様々な理由によりモニタされないことがある。さらに、「センサー複製」パラメータは、通常複製される温度センサー又は圧力センサーなどのセンサーの事例の数を示す。さらに、パラメータ「センサーのロケーション」は、センサーの物理的ロケーションに関する情報を与えることができる。収集されたセンサー・データは、センサー複製、センサー・ステータス及びセンサー位置」に基づいてラベリングされ、２０１７年１月１日の１：００：０７にセンサー位置がベッドであり、センサー複製が１であり、センサー・ステータスがＯＫである場合、センサーのラベリングは、２０１７年１月１日の１：００：０７、対象者がベッド上にいる、となり、活動は休息／睡眠としてラベリングされる。

本開示の一実施例では、ステップ３０４において、複数のセンサーから受信されたセンサー・データは、壊れたセンサー・データを正しいセンサー・データで置換するために、（ハードウェア・プロセッサ１０４によって）処理される。壊れたセンサー・データは、データベースに記憶された学習パターンと履歴データとに基づいて、長短期記憶（ＬＳＴＭ）技法を使用して、補正されたセンサー・データ（長いベクトル）を生成するために、正しいセンサー・データで置換される。さらに、ステートフルＬＳＴＭなど、技術分野で知られているＬＳＴＭモデルが、壊れたデータを正しいデータで置換するために使用される。一実施例では、ステートフル・モデルは、次元１の１つの全結合入力層、次元５０の２つの隠れ層、次元１の１つの全結合出力層など、多数のやり方で結合されたいくつかの層を備え得る。さらに、ステートフルＬＳＴＭは、整流された線形ユニット（ＲｅＬＵ：Ｒｅｃｔｉｆｉｅｄ Ｌｉｎｅａｒ Ｕｎｉｔ）などの活性化関数と、２乗平均偏差（ＲＭＳＥ：Ｒｏｏｔ Ｍｅａｎ Ｓｑｕａｒｅ Ｄｅｖｉａｔｉｏｎ）などの最小化パラメータとのをも含み得る。さらに、補正されたセンサー・データは、センサー・データ中のギャップを埋めるためにさらに処理される。センサー・データ収集プロセス中に「センサー・ステータス」パラメータによって捕捉されたセンサー・データ中のギャップは、センサー障害により生じ、「センサー・ステータス」パラメータは、表１に示されているセンサー障害の場合、「ＮＯＫ」に設定される。さらに、センサー・ギャップは、技術分野で知られているリカレント・ニューラル・ネットワーク（ＲＮＮ：Ｒｅｃｕｒｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）ベース技法を使用して埋められ、ＲＮＮは、システムの先行する２つの状態に基づいて、システムの次の状態を予測する。したがって、ＲＮＮ技法は、翌日のデータを予測するために、先行する２つの状態を使用することを提案し、データ・ギャップをもつセンサー・データの総数（Ｍ）、予測されたセンサー・データ（Ｖ_{ｐｒｅｄｉｃｔｅｄ}）及び実際のセンサー・データ（Ｖ_{ａｃｔｕａｌ}）が、及び以下に示されているように表され得る。

一実施例では、ＲＮＮとともに数個の知られている技法の推定の精度の比較が、以下の表２に示されている。

ＲＮＮの予測精度技法が、他の既存の技術と比較してより良好であることが、表２から明白である。一実施例では、図４に示されているように、予想されるグラフとともにＲＮＮを使用することが予測される。

本開示の一実施例では、ステップ３０６において、補正されたセンサー・データ（長いベクトル）の意味ベクトル表現が、ハードウェア・プロセッサ１０４によって生成され、意味ベクトル表現は複数のサブベクトルを含み、複数のサブベクトルの各々は、所定の時間間隔の補正されたセンサー・データのサブセットのものを含む。一実施例では、ベクトル及びサブベクトルは、長いベクトル及び短いベクトルとして表され得、長いベクトルは、複数の短いベクトルのものを含む。さらに、例示的な一実施例では、長いベクトルは、対象者の２４時間データを表し、短いベクトルは、あらかじめ定義された時間間隔の間の対象者の活動を表す（たとえば、言ってみれば各短いベクトルは１秒のデータを表し得る）。長いベクトル及び短いベクトルは、以下に示されているように、パラメータ、すなわち、センサー複製（ｓ）、センサーの数（ｎ）及びタイム・スタンプ（ｔ）を使用して表され得る。

ここで、

は、第ｉの対象者のための第ｘの長いベクトルであり、
（ｔ_ｊ；Ｓ_１；Ｓ_２； ：：Ｓ_Ｎ）は、１日の第ｊの秒における単一の短いベクトルである。
一実施例では、図５に示されているパラメータｓ、ｎ、ｔを使用する、１日（２４時間）のための長いベクトル及び短いベクトルの表現。

本開示の一実施例では、ステップ３０８において、ハードウェア・プロセッサ１０４は、最適化されたベクトル・データを生成するために、最適化モジュール２０４を使用して、補正されたセンサー・データの意味ベクトル表現のサイズを最適化する。補正されたセンサー・データ（長いベクトル）の次元は、それが人間の日常生活活動（ＡＤＬ）のを含むので、手作業の解釈の場合（極めて）高く、一実施例では、長いベクトルは、８６４００個の短いベクトルのものをさらに含む、人の毎日のルーチン（２４時間）を表す。さらに、センサー・データが複数のセンサー（Ｎ）から受信されるので、受信されたセンサー・データは、８４６００＊（Ｎ＋１）として表され得る８４６００個の短いベクトルを含む。したがって、高次元の補正されたセンサー・データは、最適化モジュール２０４において最適化される。一実施例では、最適化モジュール２０４は、高次元の補正されたセンサー・データの次元を削減するために、ニューラル・ネットワーク・ベース・モデルであるオート・エンコーダを備える。オート・エンコーダは、最適化されたベクトル・データを生成するために、補正されたセンサー・データの意味ベクトル表現に対して、次元削減ベース・ウィンドウ・サイジング技法（たとえば、当技術分野で知られている技法）を適用することによって、補正されたセンサー・データの意味ベクトル表現のサイズを削減する。

本開示の一実施例では、ステップ３１０において、ハードウェア・プロセッサ１０４は、（ｉ）時間間隔の間の最適化されたベクトル・データの、（ｉｉ）データベース１１０に記憶された対応する補正されたセンサー・データを含む隣接する最適化されたベクトル・データとの比較から取得された１つ又は複数の類似度値に基づいて、動的しきい値パラメータ（φ）を推定するために、逸脱検出モジュールを利用する。一実施例では、動的しきい値パラメータ（φ）を推定するステップは、（ｉ）時間間隔の間の最適化されたベクトル・データを、（ｉｉ）データベース１１０に記憶された対応する補正されたセンサー・データを含む隣接する最適化されたベクトル・データと比較することによって先行される。動的しきい値パラメータ（φ）は、各対象者について個人化される。（φ）の初期値は、第１の２つの長いベクトル間の類似度の程度の測度に設定される。類似度の程度は、２つの隣接する長いベクトルの差の（０〜１０のスケールで）正規化された値に基づいて測定される。一実施例では、２つの隣接する長いベクトルの差の（０〜１０のスケールで）正規化された値の基づく類似度の程度は、８．５、９．０及び９．５であり得、それらから、９．５が（φ）の初期値として選定された。さらに、次の比較のために、しきい値範囲が（２−φ_{ｐｒｅｖｉｏｕｓ}＋２）に設定される。さらに、類似度の現在の程度は、φ_{ｃｕｒｒｅｎｔ}として記憶され、したがって、φ_{ｐｒｅｖｉｏｕｓ}は、φ_{ｐｒｅｖｉｏｕｓ}＋α（φ_{ｃｕｒｒｅｎｔ}−φ_{ｐｒｅｖｉｏｕｓ}）として更新される。φ_{ｃｕｒｒｅｎｔ}及びφ_{ｐｒｅｖｉｏｕｓ}の値は、行動逸脱を検出するためにさらに使用される。以下の表３は、本開示のいくつかの実施例による、φ_{ｃｕｒｒｅｎｔ}及びφ_{ｐｒｅｖｉｏｕｓ}などの１つ又は複数の類似度値の比較の例示的な実例である。

上記の表３から示され得るように、表は、特定の時間の下でとられたそれぞれの対象者について個人化された動的しきい値パラメータ（（φ））を含んでいる。

本開示の一実施例では、ステップ３１２において、ハードウェア・プロセッサ１０４は、逸脱検出モジュール２０６において、１つ又は複数の類似度値の、動的しきい値パラメータ（φ）との比較を実施する。φ_{ｃｕｒｒｅｎｔ}とφ_{ｐｒｅｖｉｏｕｓ}との比較中に、差が１よりも大きい場合、逸脱は対象者の行動において検出されるが、変化はφ_{ｐｒｅｖｉｏｕｓ}の値に反映されない。しかしながら、αは、経時的なΘの遅い発展を保証して、それが転換を検出することができることを保証するために、０．０１に等しく設定される。したがって、２つの隣接するベクトル間の類似度が、特定のしきい値（φよりも小さいとき、逸脱は、表２に示されているように検出され、ベクトルは、さらなる分析のために異常検出モジュール２０８と共有される。

本開示の一実施例では、ステップ３１４において、ハードウェア・プロセッサ１０４は、１つ又は複数の類似度値の、動的しきい値パラメータ（φ）との比較に基づいて、異常検出モジュール２０８を使用することによって、対象者の行動逸脱を示す１つ又は複数の異常を検出する。行動逸脱が検出されると、最適化されたベクトル・データに対応する意味ベクトル表現は、分析された意味ベクトル表現の、前の隣接する意味ベクトル表現との比較を実施するために分析され、データベース中の対象者の行動逸脱に固有の開始時間及び終了時間を記憶する。本開示の一実施例では、対応するサブベクトルは、対象者の行動逸脱に固有の開始時間と終了時間とに基づいて分析され、分析された１つ又は複数の対応するサブベクトルは、１つ又は複数の異常ベクトルとしてタグ付けされる。さらに、検出された異常サブベクトルは、開始時間と終了時間との間の１つ又は複数のランダム活動を検出するために分析され、１つ又は複数の反復ランダム活動の持続時間が、対応する特定の活動の実際の持続時間よりも少ない又は多いとき、異常行動を示すフラグが生成される。図６は、本開示のいくつかの実施例による、対象者の行動逸脱を示す異常の検出を示す。

本開示の一実施例では、１つ又は複数のハードウェア・プロセッサ１０４は、行動逸脱についての分散に基づいて固有ベクトルのセットを取得するために、特定の時間間隔の間に検出された対象者の行動逸脱に対して主成分分析（ＰＣＡ：Ｐｒｉｎｃｉｐａｌ Ｃｏｍｐｏｎｅｎｔ Ａｎａｌｙｓｉｓ）を実施することと、固有ベクトルのセットに基づいて個人変動インデックスを計算することとを行うための命令によってさらに構成される。本開示の一実施例では、１つ又は複数のハードウェア・プロセッサ１０４は、個人変動インデックスの、あらかじめ定義されたしきい値との比較に基づいて、対象者の行動が異常行動としてフラグを付けられたことのフラグを付けるための命令によってさらに構成される。色コード又はランク・ベース・フラグ付けなどのフラグ付け技法が、技術分野で知られていることがある。さらに、色コード・フラグ付け技法では、赤色はＭＣＩ検出を示し得、琥珀色は潜在事例を示し得、緑色は、ＭＣＩが検出されない正常事例であり得る。

一実施例では、個人変動インデックスがいくつかのステップにおいて計算され、補正されたセンサー・データ（長いベクトル）の意味ベクトル表現の行動（ＢＳ：ｂｅｈａｖｉｏｒ ｏｆ ｓｅｍａｎｔｉｃ ｖｅｃｔｏｒ ｒｅｐｒｅｓｅｎｔａｔｉｏｎ）が最初に計算される。一実施例では、１Ｈｚサンプリングにおいてとられた、補正されたセンサー・データ（長いベクトル）の意味ベクトル表現は、長さ２４＊６０＊６０のアレイであるＢＳであり、その時間におけるセンサー出力が１である場合、第１の位置における値は１である。各センサーの行動ＢＳ_{ｓｅｎｓｏｒ}は、構成パラメータを使用して取得され、各日が、Ｔ_ｆ（２０〜３０）分のフラグメントにセグメント化される。したがって、持続時間Ｔ_ｆにおける各センサーについての第ｉのエントリは、以下のように表される。
ＢＳ_{ｓｅｎｓｏｒ}＝ｉ＊Ｔ_ｆ〜（ｉ＋１）Ｔ_ｆ分
Ｔ_ｆ＝２０の場合のｉ＝２０の実例について考えると、アレイにおける第２０のエントリは、時間インスタンス４２０分を除く、（４００〜４２０）分に対応する。さらに、第ｉのエントリＢＳ_{ｓｅｎｓｏｒ}（ｉ）が１である場合、ＢＳ_{ｓｅｎｓｏｒ}における少なくとも１つのエントリは１であり、他の場合、ＢＳ_{ｓｅｎｓｏｒ}（ｉ）は０である。
複数のセンサーのＢＳ_{ｓｅｎｓｏｒ}が、任意の時間インスタンスのための全体的行動ＯＢ（Ｏｖｅｒａｌｌ Ｂｅｈａｖｉｏｒ）を推定するために使用され、以下のように表される。

計算されたＯＢは、ＯＢ_{Ａｖｅｒａｇｅ}又はＮ日を計算するためにさらに使用され、以下のように表される。
ＯＢ_{Ａｖｅｒａｇｅ}＝ｍｅａｎ（ＯＢ_{Ｎ−Ｄａｙ}）
さらに、行動逸脱が、各日について計算され、以下のように表される。
ＢＤ_Ｄａｙ＝ＯＢ_{Ｎ−Ｄａｙ}−ＯＢ_{Ａｖｅｒａｇｅ}
さらに、技術分野で知られている、主成分分析がＢＤ_Ｄａｙに対して実施され、ＢＤ_Ｄａｙは、Ｎ個のベクトルの収集を含む。さらに、ＢＤのための９０％分散のために必要な固有ベクトル（ｍ）が推定され、固有ベクトル（ｍ）は、時間間隔ＮのためのｐｅｒｓｏｎａｌＶａｒｉａｔｉｏｎＩｎｄｅｘを計算するためにさらに使用され、以下のように表される。
ｐｅｒｓｏｎａｌＶａｒｉａｔｉｏｎＩｎｄｅｘ_{ＴｉｍｅＩｎｔｅｒｖａｌ}＝ｍ／Ｎ
以下の表４に、本開示のいくつかの実施例による、ｐｅｒｓｏｎａｌＶａｒｉａｔｉｏｎＩｎｄｅｘの計算の例示的な実例がある。

上記の表４から示され得るように、表４は、特定の時間の下でとられた対象者のためのｐｅｒｓｏａｎｌＶａｒｉａｔｉｏｎＩｎｄｅｘの個人化された計算を含んでいる。

一実施例では、Ｎを３０と考えると、技術分野で知られているスライディング・ウィンドウ方法が、３０についてｐｅｒｓｏｎａｌＶａｒｉａｔｉｏｎＩｎｄｅｘを取得するために実施され、時系列は、１〜３０、５〜３５などと変動することができる。さらに、計算された個人変動インデックスは、異常行動として対象者の行動のフラグを付けるために、あらかじめ定義されたしきい値（０．８５）と比較される。さらに、ｐｅｒｓｏｎａｌＶａｒｉａｔｉｏｎＩｎｄｅｘが、０．７など、０．０８５により近い場合、ｐｅｒｓｏｎａｌＶａｒｉａｔｉｏｎＩｎｄｅｘ及びフラグは、異なる時間フレームについて推定される。一実施例では、推定されたフラグが、２〜４個の連続する期間の間立てられた場合、異常及びＭＣＩ検出についてアラームが発せられる。一実施例では、ｐｅｒｓｏｎａｌＶａｒｉａｔｉｏｎＩｎｄｅｘが、０．７を上回り、０．８５を下回る場合、ｐｅｒｓｏｎａｌＶａｒｉａｔｉｏｎＩｎｄｅｘは、ｉ_１＝ｐｅｒｓｏｎａｌＶａｒｉａｔｉｏｎＩｎｄｅｘ_６０及びｉ_２＝ｐｅｒｓｏｎａｌＶａｒｉａｔｉｏｎＩｎｄｅｘ_２０の値を計算するために、さらに６０分及び２０分の持続時間を使用してモニタされ、（ｉ_１＞０．８、ｉ２＞０．８）である場合、又は（ｉ_１＞０．９）である場合、又は（ｉ_１＞０．７、ｉ２＞０．９５）である場合、フラグが立てられる。フラグが、頻繁な間隔（すなわち、２５日重複について３〜５回の連続する試行における１回）で立てられる場合、ｐｅｒｓｏｎａｌＶａｒｉａｔｉｏｎＩｎｄｅｘは、Ｎを４０日及び３０日重複（すなわちＮ＝４０）として再計算するであり、連続するフラグ付けのために継続的にモニタされて、本開示のいくつかの実施例に従って、個人変動インデックスの、あらかじめ定義されたしきい値との比較に基づく、異常行動の検出を表すグラフをもつ図６に示されているように、異常を確認するか、又はＭＣＩを検出し、ｘ軸は対象者を表し、ｙ軸は行動逸脱を表す。

本明細書は、いかなる当業者も実施例を製作及び使用することができるように、本明細書における主題について説明する。主題実施例の範囲は、特許請求の範囲によって定義され、当業者が想起する他の変更を含み得る。そのような他の変更は、それらが、特許請求の範囲の文字通りの文言とは異ならない同様の要素を有する場合、又はそれらが、特許請求の範囲の文字通りの文言とのわずかな差をもつ等価要素を含む場合、特許請求の範囲内に入るものとする。

したがって、提案されるシステム及び方法は、軽度認知障害（ＭＣＩ）の早期検出のための継続的モニタリング・プラットフォームを与える。実施例は、複数の非侵入型センサーによる、スマート環境中に居住する対象者のルーチン活動を継続的モニタすることによる、軽度認知障害（ＭＣＩ）の検出のための方法を提供する。さらに、収集されたセンサー・データは、ＭＣＩ疾病の潜在事例であり得るかどうかを検出するために、センサー・データの前処理、行動逸脱検出、異常検出などを含む、いくつかの段階において前処理される。

保護の範囲はそのようなプログラムに拡張され、メッセージをその中に有するコンピュータ可読手段に加えて、そのようなコンピュータ可読記憶手段は、プログラムが、サーバ又はモバイル・デバイス又は任意の好適なプログラマブル・デバイス上で動作するときの、本方法の１つ又は複数のステップの実装のためのプログラム・コード手段を含んでいることを理解されたい。ハードウェア・デバイスは、たとえば、サーバ又はパーソナル・コンピュータなどのような任意の種類のコンピュータ、又はそれらの任意の組合せを含む、プログラムされ得る任意の種類のデバイスであり得る。デバイスは、たとえば、たとえば特定用途向け集積回路（ＡＳＩＣ：ａｐｐｌｉｃａｔｉｏｎ−ｓｐｅｃｉｆｉｃ ｉｎｔｅｇｒａｔｅｄ ｃｉｒｃｕｉｔ）、フィールドプログラマブル・ゲート・アレイ（ＦＰＧＡ：ｆｉｅｌｄ−ｐｒｏｇｒａｍｍａｂｌｅ ｇａｔｅ ａｒｒａｙ）のようなハードウェア手段、或いはハードウェア手段とソフトウェア手段との組合せ、たとえばＡＳＩＣとＦＰＧＡとの組合せ、又は少なくとも１つのマイクロプロセッサと、その中に位置するソフトウェア・モジュールをもつ少なくとも１つのメモリとの組合せであり得る手段をも含み得る。したがって、手段は、ハードウェア手段とソフトウェア手段の両方を含むことができる。本明細書で説明される方法の実施例は、ハードウェア及びソフトウェアにおいて実装され得る。デバイスはソフトウェア手段をも含み得る。代替的に、実施例は、たとえば複数のＣＰＵを使用して異なるハードウェア・デバイス上で実装され得る。

本明細書における実施例は、ハードウェア要素とソフトウェア要素とを含むことができる。ソフトウェアで実装される実施例は、限定はしないが、ファームウェア、常駐ソフトウェア、マイクロコードなどを含む。本明細書で説明される様々なモジュールによって実施される機能は、他のモジュール又は他のモジュールの組合せにおいて実装され得る。この説明の目的で、コンピュータ使用可能又はコンピュータ可読媒体は、命令実行システム、装置、又はデバイスによって又はそれらに関連して使用するためのプログラムを備えるか、記憶するか、通信するか、伝搬するか、又はトランスポートすることができる任意の装置であり得る。

図示されたステップは、図示の例示的な実施例について説明するために提示され、進行中の技術開発が、特定の機能が実施される様式を変更することになることが予期されるべきである。これらの実例は、限定ではなく、説明の目的で本明細書で提示さる。さらに、機能構成ブロックの境界が、説明の便宜のために本明細書で任意に画定された。それらの指定された機能及び関係が適宜に実施される限り、代替境界が画定され得る。（本明細書で説明されるものの等価物、拡張、変動、逸脱などを含む）代替が、本明細書に含まれている教示に基づいて、当業者に明らかであろう。そのような代替は、開示される実施例の範囲及び趣旨内に入る。また、「備える、含む（ｃｏｍｐｒｉｓｉｎｇ）」、「有する（ｈａｖｉｎｇ）」、「含んでいる（ｃｏｎｔａｉｎｉｎｇ）」、及び「含む（ｉｎｃｌｕｄｉｎｇ）」という単語、並びに他の同様の形式は、意味が等価であり、これらの単語のいずれか１つに続く１つ又は複数の項目が、そのような１つ又は複数の項目の網羅的な列挙であることを意味しないか、又はリストされた１つ又は複数の項目のみに限定されることを意味しないという点で制約がないものとする。また、本明細書及び添付の特許請求の範囲で使用されるように、単数形「ａ」、「ａｎ」、及び「ｔｈｅ」は、文脈が別段に明確に規定しない限り、複数の参照を含むことに留意されたい。

さらに、１つ又は複数のコンピュータ可読記憶媒体が、本開示に従う実施例を実装する際に利用され得る。コンピュータ可読記憶媒体は、プロセッサによって可読な情報又はデータがその上に記憶され得る任意のタイプの物理メモリを指す。したがって、コンピュータ可読記憶媒体は、（１つ又は複数の）プロセッサに、本明細書で説明される実施例に従うステップ又は段階を実施させるための命令を含む、１つ又は複数のプロセッサが実行するための命令を記憶し得る。「コンピュータ可読媒体」という用語は、有形項目を含み、搬送波及び過渡信号を除外する、すなわち、非一時的であると理解されるべきである。実例は、ランダム・アクセス・メモリ（ＲＡＭ：ｒａｎｄｏｍ ａｃｃｅｓｓ ｍｅｍｏｒｙ）、読取り専用メモリ（ＲＯＭ：ｒｅａｄ−ｏｎｌｙ ｍｅｍｏｒｙ）、揮発性メモリ、不揮発性メモリ、ハード・ドライブ、ＣＤ ＲＯＭ、ＤＶＤ、フラッシュ・ドライブ、ディスク、及び他の知られている物理的記憶媒体を含む。

本開示及び実例は、例にすぎないと見なされ、開示される実施例の真の範囲及び趣旨は、以下の特許請求の範囲によって示されるものとする。

Claims (15)

1. 対象者における軽度認知障害（ＭＣＩ）の検出のためのプロセッサ実装方法であって、
   複数のセンサーからセンサー・データを受信するステップであって、前記受信されたセンサー・データが、特定の時間間隔の間の対象者に関係する日常生活活動（ＡＤＬ）を示す、受信するステップ（３０２）と、
   補正されたセンサー・データを生成するために、長短期記憶（ＬＳＴＭ）を使用することによって、前記受信されたセンサー・データ中の壊れたセンサー・データを正しいセンサー・データで置換するステップであって、前記壊れたセンサー・データが、データベースに記憶された学習パターンと履歴データとに基づいて、前記正しいセンサー・データで置換される、置換するステップ（３０４）と、
   前記補正されたセンサー・データの意味ベクトル表現を生成するステップであって、前記意味ベクトル表現が複数のサブベクトルを含み、前記複数のサブベクトルの各々が、所定の時間間隔の前記補正されたセンサー・データのサブセットのものを含む、生成するステップ（３０６）と、
   最適化されたベクトル・データを生成するために、オート・エンコーダを使用することによって、前記補正されたセンサー・データの前記意味ベクトル表現のサイズを最適化するステップ（３０８）と、
   （ｉ）前記時間間隔の間の前記最適化されたベクトル・データの、（ｉｉ）データベースに記憶された対応する補正されたセンサー・データを含む隣接する最適化されたベクトル・データとの比較から取得された１つ又は複数の類似度値に基づいて、動的しきい値パラメータ（φ）を推定するステップ（３１０）と、
   前記１つ又は複数の類似度値の、前記動的しきい値パラメータとの比較を実施するステップ（３１２）と、
   前記比較に基づいて、前記対象者の行動逸脱を示す１つ又は複数の異常を検出するステップ（３１４）と
   を含む、プロセッサ実装方法。
2. 最適化されたベクトル・データを生成するために、オート・エンコーダを使用することによって、前記補正されたセンサー・データの前記意味ベクトル表現のサイズを前記最適化するステップが、前記補正されたセンサー・データの前記意味ベクトル表現に対して、次元削減ベース・ウィンドウ・サイジング技法を適用するステップを含む、請求項１に記載のプロセッサ実装方法。
3. 前記対象者の行動逸脱を検出すると、前記最適化されたベクトル・データに対応する前記意味ベクトル表現を分析し、前記分析された意味ベクトル表現の、前の隣接する意味ベクトル表現との比較を実施するステップと、前記データベース中の前記対象者の前記行動逸脱に固有の開始時間及び終了時間を記憶するステップとをさらに含む、請求項１に記載のプロセッサ実装方法。
4. 前記対象者の前記行動逸脱に固有の前記開始時間と前記終了時間とに基づいて、１つ又は複数の対応するサブベクトルを分析するステップと、前記分析された１つ又は複数の対応するサブベクトルを１つ又は複数の異常ベクトルとしてタグ付けするステップとをさらに含む、請求項３に記載のプロセッサ実装方法。
5. 前記開始時間と前記終了時間との間の１つ又は複数のランダム活動を検出するステップと、１つ又は複数の反復ランダム活動の持続時間が、対応する特定の活動の実際の持続時間よりも少ない又は多いとき、異常行動を示すフラグを生成するステップとをさらに含む、請求項４に記載のプロセッサ実装方法。
6. 前記行動逸脱についての分散に基づいて固有ベクトルのセットを取得するために、前記特定の時間間隔の間に検出された前記対象者の前記行動逸脱に対して主成分分析（ＰＣＡ）を実施するステップと、固有ベクトルの前記セットに基づいて個人変動インデックスを計算するステップとをさらに含む、請求項１に記載のプロセッサ実装方法。
7. 前記個人変動インデックスの、あらかじめ定義されたしきい値との比較を実施するステップと、前記比較に基づいて、異常行動として前記対象者の行動にフラグを付けるステップとをさらに含む、請求項６に記載のプロセッサ実装方法。
8. 命令（１０２）と集中型データベース（１１０）とを記憶するメモリと、
   １つ又は複数の通信インターフェース（１０６）と、
   前記１つ又は複数の通信インターフェースを介して前記メモリに結合された１つ又は複数のハードウェア・プロセッサ（１０４）と
   を備えるシステム（１００）であって、前記１つ又は複数のハードウェア・プロセッサは、
   複数のセンサーからセンサー・データを受信することであって、前記受信されたセンサー・データが、特定の時間間隔の間の対象者に関係する日常生活活動（ＡＤＬ）を示す、受信することと、
   前処理モジュール２０２において、補正されたセンサー・データを生成するために、長短期記憶（ＬＳＴＭ）を使用することによって、前記受信されたセンサー・データ中の壊れたセンサー・データを正しいセンサー・データで置換することであって、前記壊れたセンサー・データが、データベースに記憶された学習パターンと履歴データとに基づいて、前記正しいセンサー・データで置換される、置換することと、
   前記補正されたセンサー・データの意味ベクトル表現を生成することであって、前記意味ベクトル表現が複数のサブベクトルを含み、前記複数のサブベクトルの各々が、所定の時間間隔の前記補正されたセンサー・データのサブセットのものを含む、生成することと、
   最適化されたベクトル・データを生成するために、前記補正されたセンサー・データの前記意味ベクトル表現のサイズを最適化することと、
   最適化モジュール２０４において、（ｉ）前記時間間隔の間の前記最適化されたベクトル・データの、（ｉｉ）前記データベースに記憶された対応する補正されたセンサー・データを含む隣接する最適化されたベクトル・データとの比較から取得された１つ又は複数の類似度値に基づいて、動的しきい値パラメータ（φ）を推定することと、
   前記１つ又は複数の類似度値の、前記動的しきい値パラメータとの比較を実施することと、
   前記比較に基づいて、前記対象者の行動逸脱を示す１つ又は複数の異常を検出することと、
   逸脱された圧縮されたベクトル・データを１つ又は複数の基準ベクトルと比較することによって、前記逸脱された圧縮されたベクトル・データ中の１つ又は複数の異常を検出することと
   を行うための命令によって構成された、システム（１００）。
9. 前記補正されたセンサー・データの前記意味ベクトル表現の前記サイズを前記最適化するためのステップが、前記補正されたセンサー・データの前記意味ベクトル表現に対して、次元削減ベース・ウィンドウ・サイジング技法を適用することによって、前記最適化されたベクトル・データを生成するために最適化される、請求項８に記載のシステム。
10. 前記１つ又は複数のハードウェア・プロセッサが、前記対象者の行動逸脱を検出すると、前記最適化されたベクトル・データに対応する前記意味ベクトル表現を分析し、前記分析された意味ベクトル表現の、前の隣接する意味ベクトル表現との比較を実施することと、前記データベース中の前記対象者の前記行動逸脱に固有の開始時間及び終了時間を記憶することとを行うようにさらに構成された、請求項８に記載のシステム。
11. 前記１つ又は複数のハードウェア・プロセッサが、前記対象者の前記行動逸脱に固有の前記開始時間と前記終了時間とに基づいて、１つ又は複数の対応するサブベクトルを分析することと、前記分析された１つ又は複数の対応するサブベクトルを、実施される１つ又は複数の異常ベクトルとしてタグ付けすることとを行うようにさらに構成された、請求項１０に記載のシステム。
12. 前記１つ又は複数のハードウェア・プロセッサは、前記開始時間と前記終了時間との間の１つ又は複数のランダム活動を検出することと、１つ又は複数の反復ランダム活動の持続時間が、対応する特定の活動の実際の持続時間よりも少ない又は多いとき、異常行動を示すフラグを生成することとを行うようにさらに構成された、請求項１１に記載のシステム。
13. 前記１つ又は複数のハードウェア・プロセッサが、前記行動逸脱についての分散に基づいて固有ベクトルのセットを取得するために、前記特定の時間間隔の間に検出された前記対象者の前記行動逸脱に対して主成分分析（ＰＣＡ）を実施することと、固有ベクトルの前記セットに基づいて個人変動インデックスを計算することとを行うようにさらに構成された、請求項８に記載のシステム。
14. 前記１つ又は複数のハードウェア・プロセッサが、前記個人変動インデックスの、あらかじめ定義されたしきい値との比較を実施することと、前記比較に基づいて、異常行動として前記対象者の行動にフラグを付けることとを行うようにさらに構成された、請求項１３に記載のシステム。
15. 対象者における軽度認知障害（ＭＣＩ）の検出のためのコンピュータ・プログラムをその上で具現した非一時的コンピュータ可読媒体であって、方法は、
    複数のセンサーからセンサー・データを受信するステップであって、前記受信されたセンサー・データが、特定の時間間隔の間の対象者に関係する日常生活活動（ＡＤＬ）を示す、受信するステップ（３０２）と、
    補正されたセンサー・データを生成するために、長短期記憶（ＬＳＴＭ）を使用することによって、前記受信されたセンサー・データ中の壊れたセンサー・データを正しいセンサー・データで置換するステップであって、前記壊れたセンサー・データが、データベースに記憶された学習パターンと履歴データとに基づいて、前記正しいセンサー・データで置換される、置換するステップ（３０４）と、
    前記補正されたセンサー・データの意味ベクトル表現を生成するステップであって、前記意味ベクトル表現が複数のサブベクトルを含み、前記複数のサブベクトルの各々が、所定の時間間隔の前記補正されたセンサー・データのサブセットのものを含む、生成するステップ（３０６）と、
    最適化されたベクトル・データを生成するために、オート・エンコーダを使用することによって、前記補正されたセンサー・データの前記意味ベクトル表現のサイズを最適化するステップ（３０８）と、
    （ｉ）前記時間間隔の間の前記最適化されたベクトル・データの、（ｉｉ）データベースに記憶された対応する補正されたセンサー・データを含む隣接する最適化されたベクトル・データとの比較から取得された１つ又は複数の類似度値に基づいて、動的しきい値パラメータ（φ）を推定するステップ（３１０）と、
    前記１つ又は複数の類似度値の、前記動的しきい値パラメータとの比較を実施するステップ（３１２）と、
    前記比較に基づいて、前記対象者の行動逸脱を示す１つ又は複数の異常を検出するステップ（３１４）と
    を含む、非一時的コンピュータ可読媒体。