JP7034687B2 - 異常報知装置及びプログラム - Google Patents

Description

本発明は、異常報知装置等に関する。

従来から患者の異常を通報する装置やシステムが知られている。例えば、特許文献１のように、非侵襲型バイタルセンサにより対象者の生活行動や生命活動を検知して複数に分類し、分類ごとの許容継続時間を順次積算し、その積算時間が閾値を超えると通報する発明が知られている。

特許第３５５７７７５号公報

従来、対象者の異常と関連する測定値（生体情報値）が閾値を超えたか否かによって通報を行うことが一般的である。例えば、上述した特許文献１でも、対象者の状態や異常との関連の強さに関係なく、生活活動や生命活動の積算時間が所定の閾値を超えると異常と判定し、通知を行う。しかし、対象者の状態によって精度が低下する、生活活動や生命活動と異常の関連の強さは条件によって変動する。したがって、これらの精度の変動や異常との関連の強さとは関係なく単純に通知されることから、精度が低下する対象者の状態や異常との関連が弱くなる条件では信頼性がなく報知されてしまうという問題があった。

また、心拍数や呼吸数といった対象者の状態の関連の強い生体情報値の正常範囲を設定し、正常範囲を超えた場合は異常と判定する場合には、正常範囲を逸脱していない場合は異常を見逃したり、運動によって一時的に心拍数が高くなったために誤って異常と判定されたり、心肺機能の高いアスリートでは通常時でも心拍数が低いことから誤って異常と判定されたり異常時でも正常範囲を逸脱しない場合がある。このように、正常範囲の逸脱のみから異常を判定することにより、異常を示すアラートにおいて、誤報や異常の見逃しが多くなりやすいという問題が生じていた。正常範囲には個人差があるだけでなく、心拍数や呼吸数は日中に高く夜間に低い日内リズムを示すため、時間によっても変化する。個人差、異常とは関係のないアーチファクト混入による一過性の異常値の影響を除くためには、長期間の変化を分析して異常報知するという方法がある。しかし、長期間のデータから変化を捉える方法では、データの条件を統一して分析する必要がある。例えば、運動時と安静時が混合したデータでは、両者を切り分けてから変化を分析しなければ異常報知の精度が低下してしまう。

とくに、病院や介護施設で利用される生体情報値に基づいて異常を報知するシステムの場合、エラー等に基づく不必要な異常報知は、医療従事者やスタッフに不要な確認業務を余儀なくさせ負担をかけてしまい、異常の見逃しは致命的な事態を引き起こすという問題があった。

さらに、正常範囲を逸脱してからでは、計画的な対応ができない、予後が悪化するという問題があるため、ある程度患者の未来の状態を推測し、推測結果に基づいて、今後発生しうる異常を予測し事前に報知したいというニーズがある。しかし、このような未来の予測はさらに難しく、誤報の多い報知となってしまう。

上述した課題に鑑み、本発明が目的とするところは、患者である対象者の個人的特性や日内リズムに応じて、未来の状態を推測して異常を報知する精度を向上させることが可能な異常報知装置等を提供することである。

本発明の異常判定装置は、対象者の寝床における生体信号を取得する生体信号取得手段と、前記取得された生体信号から生体情報値を算出する生体情報値算出手段と、前記生体情報値に基づいて、推測時間経過後の前記対象者の状態を推測する推測手段と、前記推測手段により前記対象者の状態が異常と判定された場合に報知を行う報知手段と、前記生体情報値に基づいて、現在の対象者の状態を判定する状態判定手段と、を備え、前記推測手段は、前記状態判定手段により判定された現在の対象者の状態から学習された結果に基づいて、前記対象者の状態を推測することを特徴とする。

本発明のプログラムは、コンピュータに、対象者の寝床における生体信号を取得する生体信号取得機能と、前記取得された生体信号から生体情報値を算出する生体情報値算出機能と、前記生体情報値に基づいて、推測時間経過後の前記対象者の状態を推測する推測機能と、前記推測機能により前記対象者の状態が異常と判定された場合に報知を行う報知機能と、前記生体情報値に基づいて、現在の対象者の状態を判定する状態判定機能と、を実現させるプログラムであって、前記推測機能は、前記状態判定機能により判定された現在の対象者の状態から学習された結果に基づいて、前記対象者の状態を推測することを特徴とする。

本発明によれば、患者である対象者の個人的特性や日内リズムに応じて、異常状態を推測して報知する精度を向上させることが可能となる。

第１実施形態における全体を説明するための図である。 第１実施形態における機能構成を説明するための図である。 第１実施形態における患者推測処理を説明するための動作フローである。 第２実施形態におけるニューラルネットワークを説明するための図である。 第２実施形態におけるリカレントニューラルネットワークを説明するための図である。 第３実施形態における機能構成を説明するための図である。 第４実施形態における患者推測部の動作を説明するための図である。 第５実施形態におけるシステム全体を説明するための図である。

以下、図面を参照して本発明を実施するための一つの形態について説明する。具体的には、本発明の異常報知装置を適用した場合について説明するが、本発明が適用される範囲は当該実施形態に限定されるものではない。

［１．第１実施形態］
［１．１ システム全体］
図１は、本発明を適用した異常報知システム１の全体概要について説明するための図である。図１に示すように、異常報知システム１は、ベッド１０の床部と、マットレス２０の間に載置される検出装置３と、検出装置３より出力される値を処理するため処理装置５を備えて構成されている。この検出装置３、処理装置５とで生体情報の出力装置を構成している。

マットレス２０に、対象者（以下、一例として「患者Ｐ」とする）が在床すると、対象者である患者Ｐの生体信号として体振動（人体から発せられる振動）を検出装置３が検出する。そして、検出された振動に基づいて、患者Ｐの生体情報値が算出される。本実施形態においては、算出された生体情報値（少なくとも、呼吸数、心拍数、活動量）を、患者Ｐの生体情報値として出力・表示することができる。なお、例えば検出装置３に記憶部、表示部等を設けることにより一体に形成されてもよい。また、処理装置５は、汎用的な装置で良いため、コンピュータ等の情報処理装置に限られず、例えばタブレッドやスマートフォン等といった装置で構成されてもよい。

また、対象者としては、病気療養中の者であったり、介護が必要なものであったりしてもよい。また、介護が必要でない健康な者であっても、高齢者でも子供でも、障害者でも、人でなくても動物でも良い。

ここで、検出装置３は、厚さが薄くなるようにシート状に構成されている。これにより、ベッド１０と、マットレス２０の間に載置されたとしても、患者Ｐに違和感を覚えさせることなく使用できるため、寝床での生体情報値を長期間測定（例えば、１時間以上、８時間以上といった所定期間であったり、一晩や、一睡眠、一週間、一ヶ月、一年、十年以上といった所定期間）できることとなる。すなわち、体振動から生体情報値を算出するため、対象者が体を動かしているときには呼吸数・心拍数は測定できず（体動時は呼吸数・心拍数の測定精度が低下するため、異常報知システムにとってはノイズとなる）、安静時に限定した患者の状態として生体情報値等を取得することとなる。さらに、検出装置３は測定された体振動データの信頼性を判定し、信頼性の高いデータのみを記録する機能を備えている。

なお、検出装置３は、患者Ｐの生体信号（体動や呼吸運動や心弾動等）を取得できればよい。本実施形態においては、体振動に基づいて心拍数や呼吸数を算出しているが、例えば赤外線センサを用いて検出したり、取得された映像等により患者Ｐの生体信号を取得したり、歪みゲージ付きアクチュエータを利用したりしても良い。また、内蔵された加速度センサ等を利用することにより、例えばベッド１０上に載置されたスマートフォンや、タブレット等で実現してもよい。

［１．２ 機能構成］
つづいて、異常報知システム１の機能構成について、図２を用いて説明する。本実施形態における異常報知システム１は、検出装置３と、処理装置５とを含む構成となっており、各機能部（処理）は、生体信号取得部２００以外についてはどちらで実現されても良い。すなわち、これらの装置を組み合わせることにより、異常報知装置として機能する。

なお、異常報知システム１は、異常を通報する先はスタッフであったり、家族であったりしても良い。また、通報する方法としては、単に音や画面表示で通報（報知）しても良いし、メール等で携帯端末装置に通報しても良い。また、他の端末装置等に通報（通知）をしても良い。

異常報知システム１（異常報知装置）は、制御部１００と、生体信号取得部２００と、生体情報値算出部３００と、睡眠状態判定部３５０と、入力部４００と、出力部４５０と、記憶部５００と、患者状態取得部６００と、患者状態推測部７００と、学習部８００と、アラート出力部９００とを含んで構成されている。図１の場合であれば、制御部１００、生体信号取得部２００及び記憶部５００は検出装置３に備えられており、それ以外は処理装置５に備えられている。また、患者状態取得部６００は、生体信号取得部２００を利用しても良いし、ベッド１０に別に設けられても良い。

制御部１００は、異常報知システム１の動作を制御するための機能部である。例えば、ＣＰＵ等の制御装置により構成されても良いし、コンピュータ等の制御装置で構成されても良い。制御部１００は、記憶部５００に記憶されている各種プログラムを読み出して実行することにより各種処理を実現することとなる。なお、本実施形態においては、制御部１００は全体として動作しているが、検出装置３、処理装置５のそれぞれに設けることもできるものである。

生体信号取得部２００は、患者Ｐの生体信号を取得するための機能部である。本実施形態では、一例として、圧力変化を検出するセンサを利用して生体信号の一種である体振動が取得される。そして取得された体振動は、呼吸数、心拍数、活動量などの生体情報値データに変換されて出力される。更に、体振動データに基づいて患者の臥床状態（例えば、患者Ｐが臥床しているか否か、在床、離床や端座位等）を取得したり、後述するように睡眠状態（睡眠、覚醒）を取得したりすることも可能である。

なお、本実施形態における生体信号取得部２００は、例えば、圧力センサにより患者の体振動を取得し、体振動から呼吸や心拍を取得するが、荷重センサにより、患者の重心位置や荷重値の変化により生体信号を取得することとしても良いし、マイクロフォンを設けることにより、マイクロフォンが拾う音に基づいて生体信号を取得しても良い。何れかのセンサを用いて、患者の生体信号を取得出来れば良い。

すなわち、生体信号取得部２００は、検出装置３のような装置が接続されても良いし、外部の装置から生体信号を受信する構成としても良い。

生体情報値算出部３００は、患者Ｐの生体情報値（呼吸数・心拍数など）を算出するための機能部である。本実施形態では、生体信号取得部２００より取得された体動から呼吸成分・心拍成分を抽出し、呼吸間隔、心拍間隔に基づいて呼吸数、心拍数を求めても良い。また、体動の周期性を分析（フーリエ変換等）し、ピーク周波数から呼吸数、心拍数を算出してもよいし、パターン認識や人工知能（機械学習）を用いても算出しても良い。

睡眠状態判定部３５０は、患者の睡眠状態を判定するための機能部である。例えば、生体情報値算出部３００により取得された生体信号に基づいて、患者の睡眠状態を判定する。睡眠状態としては「覚醒」「睡眠」と判定しても良いし、更に睡眠を「レム睡眠」「ノンレム睡眠」と判定しても良いし、眠りの深さを判定しても良い。

入力部４００は、測定者が種々の条件を入力したり、測定開始の操作入力をしたりするための機能部である。例えば、ハードウェアキーや、ソフトウェアキーといった何れかの入力手段により実現される。

出力部４５０は、睡眠状態や、心拍数、呼吸数といった生体情報値を出力したり、異常を報知したりするための機能部である。出力部４５０としては、ディスプレイ等の表示装置であっても良いし、警報等を報知する報知装置（音出力装置）であっても良い。また、データを記憶する外部記憶装置や、データを通信路で送信する送信装置等であっても良い。また、他の装置に対して通報する場合の通信装置であっても良い。

記憶部５００は、異常報知システム１が動作するための各種データ及びプログラムを記憶しておく機能部である。制御部１００は、記憶部５００に記憶されているプログラムを読み出して実行することにより、各種機能を実現することとなる。ここで、記憶部５００は、例えば半導体メモリや、磁気ディスク装置等により構成されている。ここで、記憶部５００には、生体情報データ５１０が記憶されている。

生体情報データ５１０は、取得された生体信号（体動）から求められる呼吸数や、心拍数が記憶されている。なお、本実施形態では、呼吸数と心拍数と体動とが記憶されるが、この中で少なくとも１つが記憶されればよい。また、生体情報値算出部３００により算出可能な生体情報値であれば他の情報（例えば、呼吸振幅の変動等にもとづく呼吸障害指数、体動の周期性にもとづく周期性体動指数）をさらに記憶しても良い。

睡眠状態データ５２０は、患者の睡眠状態が記憶されている。睡眠状態判定部３５０により判定された睡眠状態として、「睡眠」「覚醒」や、患者状態取得部６００により取得された「在床」「離床」といった状態が記憶されている。

患者状態取得部６００は、患者の状態を取得する為の機能部である。例えば、ベッド１０に設けられた荷重センサ等により、患者の状態（離床・在床等）を取得する。なお、上述したように、生体信号取得部２００において実現しても良い。

患者状態推測部７００は、生体情報値等のパラメータから患者の状態を推測するための機能部である。患者状態推測部７００により、患者の状態が異常と推測された場合は、アラート出力部９００によりアラートが出力（報知）される。

ここで、本実施形態における患者状態推測部７００における患者の状態が異常と推測される方法について説明する。

ここで、患者状態推測部７００が、人工知能（機械学習）を用いて患者の状態を推測する場合について説明する。患者状態推測部７００は、生体情報や、患者の状態を入力値（入力データ）とし、人工知能や各種統計指標を利用することにより、患者の状態を推測する。

図３に示すように、患者状態推測部７００は、特徴抽出部７１０と、識別部７２０と、識別辞書７３０と、患者状態出力部７４０とが含まれている。

まず、患者状態推測部７００に入力される入力データとしては、種々のパラメータが入力され、利用される。例えば、本実施形態においては、生体信号取得部２００により取得された体振動データから算出された「呼吸数」「心拍数」「睡眠状態」「活動量」が利用されている。これらの生体情報値から算出される「呼吸数のばらつき」「心拍数のばらつき」、同じ体振動データから算出された「呼吸障害指数」「周期性体動指数」も利用可能である。

ここで、「睡眠状態」は、「在床」と「離床」の状態が含まれており、在床時には「覚醒」「睡眠」の状態が特定可能である。「睡眠」はさらに「レム睡眠」「ノンレム睡眠」と分類してあっても良いし、眠りの深さを判定してあっても良い。また、「呼吸数障害指数」としては、睡眠１時間あたりの呼吸振幅の有意な変動回数を用いるが、睡眠１時間当たりの無呼吸回数（無呼吸指数）を利用したり、睡眠１時間当たりの無呼吸及び低呼吸の合計回数（無呼吸低呼吸指数）を利用したりしてもよい。また、「周期性体動指数」は、睡眠１時間あたりの周期的な体動の発生回数を用いるが、睡眠１時間あたりの周期性四肢運動の回数を利用してもよい。

そして、特徴抽出部７１０により、各特徴点が抽出され、特徴ベクトルとして出力される。ここで、特徴点として抽出されるものは、例えば以下のものが考えられる。

（１）呼吸数３０［回／分］以上又は８［回／分］以下が一定時間以上継続
（２）心拍数１２０［回／分］以上又は４０［回／分］以下が一定時間以上継続
（３）夜間睡眠の開始から終了にかけて心拍数または呼吸数のトレンドが上昇（１０％以上）
（４）夜間（２１：００～６：５９）の呼吸数または心拍数のばらつき（標準偏差、変動係数）が一定値以上
（５）呼吸障害指数もしくは周期性体動指数が有意に減少
（６）呼吸障害指数もしくは周期性体動指数が有意に増加、もしくは一定値以上（夜間）
（７）活動量が有意に増加もしくは減少
（８）睡眠判定が一定時間以上継続、夜間の覚醒判定が９５％以上

これらの特徴点を１又は複数組み合わせることにより、特徴ベクトルが出力される。なお、特徴点として説明したものは１例であり、当該値に限定されるものではない。例えば、（１）を例に取ると、呼吸数２５［回／分］以上であってもよいし、１０［回／分］以下であってもよい。このように、各値は、説明の都合上の値である。そして、該当する特徴点は「１」、非該当の特徴点は「０」が出力されでも良いし、確率変数が出力されても良い。

そして、上述した特徴点を全て含まれる場合は、特徴空間は８次元であり、８次元の特徴ベクトルとして識別部７２０に出力される。

識別部７２０は、入力された特徴ベクトルから、患者状態に対応するクラスを識別する。このとき、識別辞書７３０として、事前に用意した複数のプロトタイプと照合することにより、クラスを識別する。プロトタイプは、各クラスに対応する特徴ベクトルとして記憶していても良いし、クラスを代表する特徴ベクトルを記憶していてもよい。

クラスを代表する特徴ベクトルが記憶されている場合には、最も近いプロトタイプの属するクラスを決定する。このとき、最近傍決定則により決定してもよいし、ｋ近傍法により識別してもよい。

なお、識別部７２０が利用する識別辞書７３０は、予めプロトタイプを記憶してもよいが、本実施形態では後述する学習部８００により機械学習を利用することで更新される。

そして、識別部７２０により識別されたクラスに対応して、患者状態出力部７４０により患者状態が出力される。出力される患者の状態としては、「正常」又は「異常」であり、異常としては「発熱」「容体変化」等が識別されてもよいし、確率変数が出力されても良い。

これにより、本実施形態によれば、「呼吸数」「心拍数」「活動量」「離床」「在床」を含んだ生体情報を取得し、これらの生体情報から、患者の状態を推測することが可能となる。

すなわち、識別辞書７３０としては、上述した特徴ベクトルと、患者状態とが記憶されており、特徴ベクトルに一致する患者状態が識別辞書７３０に基づいて決定される。なお、上述した実施形態では、特徴ベクトルと、患者状態とが識別辞書７３０に記憶されるが、例えば生体情報値や、睡眠状態等の患者の状態が直接記憶されていてもよい。また、それらの変化の状態（例えば、心拍数が上昇、呼吸数が減少等）と、推測される患者の状態とが対応づけて記憶されていてもよい。

この患者の状態は、所定時間経過後の患者の状態（推測されるべき患者の状態）であっても良い。例えば、現在の患者の生体情報値等に基づいて、３０分後、１時間後、２時間後、・・・、といった、所定時間経過後の患者の状態が記憶される。また、所定時間経過後は、例えば、朝の場合は夜という時間間隔、消灯時間、睡眠開始時刻、在床時刻、起床時刻、在床から経過時間といった、所定の時間経過後の患者の状態が記憶されてもよい。また、現在の患者の状態と対応づけて記憶されてもよしい、これらが複数記憶されてもよい。例えば、現在の生体情報値や、生体情報値の変化に基づいて、現在の患者の状態、１時間後の患者の状態、翌朝の患者の状態、これから２４時間の患者の状態の遷移といったことが、機械学習を利用することにより、推測することが可能となる。

学習部８００は、識別辞書７３０に対して、機械学習を行うことで患者の状態を推測（予測）する精度を高めることが可能となる。ここで、正解データ（教師データ）を生成するためには、以下の処理を実行する。

まず、正解データ（教師データ）を判定する処理を実行する時刻である判定時刻における呼吸数、心拍数、睡眠覚醒判定、活動量、呼吸障害指数、周期性体動指数から、患者の状態が異常となるかを予測する。

具体的には、判定時刻から判定経過時間内（例えば、１時間～１２時間以内、好ましくは８時間以内）に、
（１）呼吸数３０［回／分］以上が６０分以上連続してする（頻呼吸が一定時間以上継続すること）
（２）トレンドで６０分以内に呼吸数が１０［回／分］以上、心拍数が２０［回／分］以下低下する（一定時間内に呼吸数及び心拍数が各々の変化量で低下すること）
（３）離床するはずのない患者において、離床判定が３分以上継続する（離床するはずのない患者において離床判定が一定時間以上継続すること）
という条件に当てはまる状態（異常状態）が発生することを予測する。

ここで、上記予測結果と、実際に異常状態となったかを比較することにより、学習を行う。例えば、上記予測結果において、異常状態が発生すると予測された後、判定経過時間内に、異常状態が発生した場合には、予測が正しかったと判定される。すなわち、この予測時の情報（例えば、上記呼吸数、心拍数、睡眠覚醒判定、活動量、呼吸障害指数、修正体動指数）が、正解データとして学習される。他方、異常状態が発生すると予測されたにもかかわらず、判定経過時間内に異常が発生しなかった場合には、予測結果が正しくなかったと学習される。

同様に、上記予測結果において、異常状態が発生しないと予測された後、判定経過時間内に、異常状態が発生なかった場合には、予測が正しかったと判定される。すなわち、この予測時の情報（例えば、上記呼吸数、心拍数、睡眠覚醒判定、活動量、呼吸障害指数、修正体動指数）が、正解データとして学習される。他方、異常状態が発生しないと予測されたにもかかわらず、判定経過時間内に異常が発生した場合には、予測結果が正しくなかったと学習される。

このように、患者状態推測部７００により推測された患者の状態と、学習部８００により判定された患者の状態とを繰り返し判定することにより、より正確性の高い患者の推測を行うことができるようになる。

なお、本実施形態では、一例として学習用の正解データを生成する条件を記載したが、実際に患者の状態が推測されたものを利用して学習をしてもよい。この場合も、例えば推測時間経過後が、推測された患者の状態と、実際の患者の状態とを比較することにより、実際の患者の状態を正解データ（教師データ）として、追加学習を行うことが可能となる。

［２．第２実施形態］
つづいて、第２実施形態について説明する。第２実施形態は、第１実施形態と異なり、患者状態推測部７００が、ニューラルネットワークを利用する場合について説明する。

まず、患者状態推測部７００は、上述した種々のパラメータが入力され、利用される。例えば、本実施形態においては、生体信号取得部２００により取得された体振動データから算出された「呼吸数」「心拍数」「睡眠状態」「活動量」が利用されている。これらの生体情報値から算出される「呼吸数のばらつき」「心拍数のばらつき」、同じ体振動データから算出された「呼吸障害指数」「周期性体動指数」も利用可能である。また、患者の「睡眠」及び「覚醒」を含む「在床」と、「離床」といった睡眠状態も利用可能である。

これらの生体情報値や、睡眠状態、その他患者の状態（以下、「患者生体情報」という）を、複数の層と、各層に含まれるニューロンによって構成されるニューラルネットワークに入力する。各ニューロンは別の複数のニューロンから信号を受け取り、演算を施した信号を別の複数のニューロンへ出力する。ニューラルネットワークが多層構造の場合、信号が流れる順に、入力層、中間層（隠れ層）、出力層と呼ばれる。

ニューラルネットワークの中間層が複数の層からなっているものはディープニューラルネットワーク（例えば、畳み込み演算を持つConvolutional Neural Network（畳み込みニューラルネットワーク））と呼ばれ、これを用いた機械学習の手法をディープラーニングと呼ぶ。

患者生体情報はニューラルネットワークの各層のニューロンに各種演算（畳み込み演算、プーリング演算、正規化演算、行列演算等）が施され、形を変えながら流れ、出力層から複数の信号が出力される。

ニューラルネットワークからの複数の出力値は、それぞれ、患者の状態に紐づいていて、値が最も大きい出力値に紐づく患者の状態と推測する、というような処理を行う。または、患者の状態を直接出力しなくとも、一又は複数の出力値を分類器に通して、分類器の出力から患者の状態を推測してもよい。

ニューラルネットワークの各種演算に用いる係数であるパラメータは、事前にニューラルネットワークへ数多くの患者生体情報と、当該患者生体情報の患者の状態とを入力し、出力値と正解値との誤差を、誤差逆伝播法により、ニューラルネットワークを逆方向に伝搬し、各層のニューロンのパラメータを何度も更新することによって決まる。このように、パラメータを更新し、決める工程を学習と呼ぶ。

ニューラルネットワークの構造や、個々の演算については、書籍や論文で解説された公知技術であり、その何れかの技術を利用すれば良い。

このように、患者状態推測部７００を利用することにより、患者の生体情報等の入力データから、患者の状態が出力される。

そして、学習部８００は、患者状態推測部７００において出力される患者の推測結果と、生体信号取得部２００により取得され、判定された実際の患者の状態に基づいて、を正解データ（教師データ）に基づいて学習を行う。

この場合、ニューラルネットワークにおける入力層、中間層、出力層との間の重み係数を調整することで、学習を行う。また、学習をすることで、正解データ（教師データ）との誤差を小さくしていくことが可能だが、このとき、最初の頃は学習率を大きくして重みの更新を頻繁に行い、学習時間に応じて学習率を小さくし、重みの微調整を行うといった方法であってもよい。

また、患者の推測結果と、患者の状態との誤差をとり、この誤差を各層に伝播させることで、正しい結果に近づけるように、重みを調整する、逆誤差伝播法を利用しても良い。

また、学習部８００により、学習することでニューラルネットワークの精度を高めることが可能となる。ここで、正解データ（教師データ）を生成するためには、第１実施形態と同様の処理を実行する。

まず、正解データ（教師データ）を判定する処理を実行する時刻である判定時刻における呼吸数、心拍数、睡眠覚醒判定、活動量、呼吸障害指数、周期性体動指数から、患者の状態が異常となるかを予測する。

具体的には、判定時刻から判定経過時間内（例えば、１時間～１２時間以内、好ましくは８時間以内）に、
（１）呼吸数３０［回／分］以上が６０分以上連続してする（頻呼吸が一定時間以上継続すること）
（２）トレンドで６０分以内に呼吸数が１０［回／分］以上、心拍数が２０［回／分］以下低下する（一定時間内に呼吸数及び心拍数が各々の変化量で低下すること）
（３）離床するはずのない患者において、離床判定が３分以上継続する（離床するはずのない患者において離床判定が一定時間以上継続すること）
という条件に当てはまる状態（異常状態）が発生することを予測する。

ここで、上記予測結果と、実際に異常状態となったかを比較することにより、学習を行う。例えば、上記予測結果において、異常状態が発生すると予測された後、判定経過時間内に、異常状態が発生した場合には、予測が正しかったと判定される。すなわち、この予測時の情報（例えば、上記呼吸数、心拍数、睡眠覚醒判定、活動量、呼吸障害指数、修正体動指数）が、正解データとして学習される。他方、異常状態が発生すると予測されたにもかかわらず、判定経過時間内に異常が発生しなかった場合には、予測結果が正しくなかったと学習される。

同様に、上記予測結果において、異常状態が発生しないと予測された後、判定経過時間内に、異常状態が発生なかった場合には、予測が正しかったと判定される。すなわち、この予測時の情報（例えば、上記呼吸数、心拍数、睡眠覚醒判定、活動量、呼吸障害指数、修正体動指数）が、正解データとして学習される。他方、異常状態が発生しないと予測されたにもかかわらず、判定経過時間内に異常が発生した場合には、予測結果が正しくなかったと学習される。

また、生体信号に基づいて算出された生体情報値や、睡眠といった時系列データの場合、リカレントニューラルネットワーク（ＲＮＮ：Recurrent Neural Network）を利用しても良い。これは、上述したようなニューラルネットワークの方法を拡張することで、時系列のデータを扱えるようにするものである。リカレントニューラルネットワークとしては、エルマンネットワーク（Elman Network）、ジョーダンネットワーク（Jordan Network）、エコーステートネットワーク（Echo State Network）、ＬＳＴＭ（Long Short-Term Memory network）といった種々のネットワークがあるが、ここでは、エルマンネットワークを例に説明する。

例えば、図５に示すように、エルマンネットワークでは、時刻ｔにおけるデータだけでなく、時刻ｔ－１における隠れ層（中間層）のデータを利用することができる。このようなネットワーク構成にすることで、過去の患者生体情報が、現在の予測に影響を与えられるようになり、時間における関係性に基づいても、患者の状態を推測することが可能となる。

このように、本実施形態によれば、患者生体情報（例えば、「呼吸数」「心拍数」「睡眠状態」「活動量」「呼吸数のばらつき」「心拍数のばらつき」「呼吸障害指数」「周期性体動指数」「睡眠」「覚醒」「在床」「離床」等）といった種々の情報から、ニューラルネットワークや、リカレントネットワーク等を利用することにより、患者の状態を適切に推測することができるようになる。

また、実際に由区された患者の状態を正解データ（教師データ）として、活用することにより、利用者（例えば、医療関係者や、施設スタッフ、介助者等）の手を患わせることなく、患者状態の推測の精度を向上させることが可能となる。

［３．第３実施形態］
つづいて、第３実施形態について説明する。第３実施形態は、第１実施形態の図２の機能構成を、図６に置き換えたものである。

第１実施形態の機能構成に加えて、患者日誌出力部６５０を更に備えている。また、患者状態推測部７００の代わりに、患者日誌の画像データに基づいてニューラルネットワークを利用して患者の状態を推測する患者状態推測部７５０を備えている。

患者日誌出力部６５０は、取得された生体情報値や、睡眠状態（０：離床、１：在床・覚醒、２：睡眠）を、１行を２４時間とした１分毎の画素値の値とした画像データ（「１４４０ピクセル×日数分のピクセル」の画像データ）として出力する機能部である。患者日誌としては、患者の呼吸数を表す呼吸日誌、患者の心拍数を表す心拍日誌、患者の睡眠状態を表す睡眠日誌、患者の体動を表す活動量日誌、呼吸障害イベント回数を表す呼吸障害日誌、周期性体動イベント回数を表す周期性体動日誌等が出力可能である。なお、これらのパラメータは組み合わせて一つの患者日誌として出力されても良い。これらの患者日誌のグラフを、画像データである日誌データとして出力可能である。

患者状態推測部７００は、入力された日誌データから患者状態を推測するための機能部である。ここで、患者状態を推測する処理としては、最近はディープラーニング（ディープニューラルネットワーク）が特に画像認識において高い精度を出しており、本実施形態でも一例として当該方法を利用する。なお、ディープラーニングにおける処理については、上述した実施形態で説明したので、詳細な説明を省略する。

本実施形態におけるニューラルネットワークの各種演算に用いる係数であるパラメータは、事前にニューラルネットワークへ数多くの日誌データと、当該日誌データの患者の状態とを入力し、出力値と正解値との誤差を、誤差逆伝播法により、ニューラルネットワークを逆方向に伝搬し、各層のニューロンのパラメータを何度も更新することによって決まる。このように、パラメータを更新し、決める工程を学習と呼ぶ。

ニューラルネットワークの構造や、個々の演算については、書籍や論文で解説された公知技術であり、その何れかの技術を利用すれば良い。

患者状態推測部７５０を利用することにより、患者の生体情報等の入力データから、患者の状態が出力される。

なお、上述した実施形態では、1行を２４時間とした日誌データを入力してニューラルネットワークを利用しているが、週単位のリズム性を考慮して1行を7日間とし日誌データ、概ね月単位のリズム性を考慮して1行を２８日間とした日誌データ、年単位のリズム性を考慮して１行を３６５日間とした日誌データ、などとしても良いし、リズム性をあらかじめ考慮しない生体情報値を入力してニューラルネットワークを利用しても良い。すなわち、「心拍数」「呼吸数」「活動量」「離床」「在床」といった情報をそれぞれの時間軸を同期させてニューラルネットワークに入力し、学習させることで患者状態を推測してもよい。

そして、本実施形態においても、学習部８００を利用することにより、患者状態推測部７５０について学習を行うことが可能となる。

すなわち、患者状態推測部７５０において出力される患者状態として推測されたものと、生体信号取得部２００に基づいて算出・決定される患者生体情報から判定された患者の状態とに基づいて、学習を行う。

すなわち、日誌データから患者の状態が異常であると推測され、その後実際に患者の状態が異常と判定されたときの日誌データを正解データ（教師データ）として、学習を行う。また、患者の状態が異常でないと推測されているときに、その後患者の状態が異常と判定されなければ、そのときの日誌データを正解データとして、学習を行っても良い。

このように、本実施形態によれば、細かい患者生体情報を利用しなくても、日誌データを使うことで患者の状態を推測することが可能となる。

［４．第４実施形態］
つづいて、第４実施形態について説明する。上述した実施形態では、機械学習や、ニューラルネットワークを利用して、患者の状態を推測する実施形態について説明した。本実施形態では、多変量解析を用いて、患者の状態を推測する実施形態である。

例えば、死亡直前、危篤時、急性期に一様に認められる特徴である呼吸数／心拍数が一定以上又は急降下することを目的変数とし、現在までの測定データを従属変数として、多変量解析を用いて患者の状態を推測する。

ここで、本実施形態における患者状態推測部７００における患者の状態が異常と推測される方法について説明する。

図７は、患者の状態を推測する患者状態推測処理を説明するための動作フローである。本実施形態においては、図７の患者状態推測処理が実行されることにより、患者状態推測部７００が患者の状態を推測する。

まず、生体情報値を取得（算出）する（ステップＳ１０２）。ここで、生体情報値としては、呼吸数、心拍数、活動量が重要であるが、さらに睡眠・覚醒（在床）・離床といった患者の状態を取得することによって眠れなくなった、寝床にいる時間が増えた、寝床にいない時間が増えた、などの変化、連続在床時間や連続離床時間なども加味したより詳細な患者状態推測が可能となる。

さらに、生体情報値の１つとして、患者に関する指数（生体指数）である、呼吸障害指数、周期性体動指数を取得することによって、これらの絶対値、日々の平均値の変化、２４時間の時系列分布の変化、などから更に詳細な患者状態推測が可能となる。また、生体情報値の履歴を取得し、過去の値や、平均値、標準偏差、変動係数、直近の所定時間の変化の値・割合が取得されても良い。

生体情報値は、生体情報値として直接取得されても良いし、生体信号から所定の演算を実行することにより算出されたとしてもよい。また、１つの生体情報値から、他の生体情報値や、指数を算出してもよい。

つづいて、異常判定条件に合致するか否かを判定する（ステップＳ１０４）。異常判定条件に合致した場合には、異常判定数に１加算する（ステップＳ１０４；Ｙｅｓ→ステップＳ１０６）。そして、全ての異常判定条件について判定が終わっていなければ、次の異常判定条件を読み出し、同様に異常判定条件に合致しているかを判定する（ステップＳ１０８；Ｎｏ→ステップＳ１１０→ステップＳ１０４）。

すなわち、患者状態推測部７００において、患者状態を推測する場合には、複数の異常判定条件に合致するか否かを、生体情報値や、睡眠状態に基づいて判定することとなる。ここで、異常判定条件の一例について、以下説明する。

すなわち、異常判定条件としては、以下のような条件が考えられる。
（１）直近３０分間の平均呼吸数（瞬時値ではなく比較的長時間の値を用いることで、精度が良くなる）
（２）夜間の平均呼吸数の直近と過去平均値との差異（夜間の平均呼吸数は個人内の変動が小さく、精度が良い）
（３）直近６０分間の平均心拍数（呼吸数よりも測定精度が低いため、(1)よりも算出時間を長くする）
（４）夜間の平均心拍数の直近と過去平均値との差異（呼吸数よりも測定精度が低いため、（２）よりも異常判定条件を満たしにくくする、または、異常判定結果の重みを小さくする）
（５）夜間の呼吸数の線形近似直線の傾き（大局的な変動傾向のため精度が高い。夜間の前半の平均値と後半の平均値の差分など、夜から朝にかけて呼吸数が上昇傾向にあるのか下降傾向にあるのかを評価できる指標であれば良い。）
（６）夜間の心拍数の線形近似直線の傾き（大局的な変動傾向のため精度が高いが呼吸数よりは精度が低いため、異常判定条件を満たしにくくする、または、異常判定結果の重みを小さくする。夜間の前半の平均値と後半の平均値の差分など、夜から朝にかけて心拍数が上昇傾向にあるのか下降傾向にあるのかを評価できる指標であれば良い。）
（７）夜間の呼吸数のばらつき（個人特有の指標であり、大局的な変動傾向のため精度が高い。標準偏差や変動係数など。）
（８）夜間の心拍数のばらつき（個人特有の指標であり、大局的な変動傾向のため精度が高いが呼吸数よりは精度が低いため、異常判定条件を満たしにくくする、または、異常判定結果の重みを小さくする。標準偏差や変動係数など。）
（９）夜間の平均活動量の直近と過去平均値との差異（個人特有の指標であり、大局的な変動傾向のため精度が高い）
（１０）夜間の平均呼吸障害指数の直近と過去平均値との差異（個人特有の指標であり、大局的な変動傾向のため精度が高い）
（１１）夜間の平均周期性体動指数の直近と過去平均値との差異（個人特有の指標であり、大局的な変動傾向のため精度が高い）
（１２）夜間の平均離床時間の直近と過去平均値との差異（個人特有の指標であり、大局的な変動傾向のため精度が高い）
（１３）２４時間（１分毎）の平均在床率（０～１）と直近２４時間の判定（在床：１、離床：０）の差の積算値（１分毎の積算値：０～１４４０）（個人特有の指標であり、大局的な変動傾向のため精度が高い）
（１４）直近８時間の平均活動量（活動性との関連が強い指標であり、大局的な変動傾向のため精度が高い）

これらの各異常判定条件に基づいて、それぞれ基準値を超えているか否かを判定する。例えば、異常判定条件（１）であれば、入力された生体情報のうち、呼吸数を用いて判定する。例えば、直近３０分間の平均呼吸数を算出し、その平均呼吸数が基準値（例えば、８～２８）に入っていない場合には、異常と判定し、異常判定数に１加算する。

なお、各異常判定条件において、患者の状態が異常であるか否かを判定する方法は対象者の属性、現疾患や病歴、生体信号取得部の特性、誤報を少なくしたいか見逃し（失報）を少なくしたいか、などによって適宜変更されても良い。例えば、病歴に応じる場合は、心臓に持病を抱えていて、注意すべき場合は重要度を上げるといったことが考えられる。また、心臓に持病を抱えて不整脈が出ている場合には、心拍数の精度が落ちるため心拍数に関連する条件の重要度を下げるといった場合も考えられる。

また、例えば、生体信号取得部２００の特性としては、精度に差がある場合は、製品によって重みづけを変えることも考えられる。例えば、対象者の下に載置し体振動に基づく場合には、呼吸数の方が正確に取得できるために、呼吸数の重み付けを重くする。また、心電計の場合は、心拍数の方が正確に取得できるために、心拍数の重み付けを重くする。このように、センサの種類に応じて、重要度（重み付けや優先度）を割り当てても良い。

すなわち、これらの異常判定条件を複数組み合わせて患者の異常を判定することが重要である。例えば、異常基準値として「３」が設定されている場合、異常判定数が異常基準値である「３」以上となっていれば患者の状態は「異常」と判定される（ステップＳ１１２；Ｙｅｓ→ステップＳ１１４）。また、それ未満の場合、例えば異常判定数が「２」以下（異常基準値が「３」の場合）の場合は、患者の状態は正常であると判定される。

なお、図７では、異常判定数と、異常基準値とを用いて、単に異常判定条件の個数で判定しているが他の方法でも患者状態を判定することは可能である。

例えば、例えば、各異常判定条件への合致を判定するかわりに、それぞれについて異常度判定式から異常度を算出し、算出された異常度の合計値を用いて患者状態を判定しても良い。例えば、各値を多変量解析することにより、全体の異常度を算出し、患者状態を判定してもよい。

また、各異常判定条件は、全て使う必要は無く必要に応じて組み合わせることも可能である。また、それぞれの異常判定条件と真の異常との関連の強さは一律ではなく、前述の対象者の属性、現疾患や病歴、生体信号取得部の特性、誤報を少なくしたいか見逃し（失報）を少なくしたいか、などによっても変わるため、真の異常との関連の強さに従い重み付けした異常判定数を用いても良い。

また、複数の異常判定条件のうち、重要な条件を優先して利用しても良い。例えば、対象者の下に載置し体振動に基づく場合においては、上述した異常判定条件の中では、（１）の条件が最も効果が高く、当該条件を優先的に利用したり、重要である重み付けを行ったりして異常判定を行ってもよい。

このとき、多変量解析を行うパラメータの重み付けや、優先度を、以下の処理を実行することにより調整を行うことができる。

まず、正解データ（教師データ）を判定する処理を実行する時刻である判定時刻における呼吸数、心拍数、睡眠覚醒判定、活動量、呼吸障害指数、周期性体動指数から、患者の状態が異常となるかを予測する。

具体的には、判定時刻から判定経過時間内（例えば、１時間～１２時間以内、好ましくは８時間以内）に、
（１）呼吸数３０［回／分］以上が６０分以上連続してする
（２）トレンドで６０分以内に呼吸数が１０［回／分］以上、心拍数が２０［回／分］以下低下する
（３）離床するはずのない患者において、離床判定が３分以上継続する
という条件に当てはまる状態（異常状態）が発生することを予測する。

ここで、上記予測結果と、実際に異常状態となったかを比較することにより、パラメータの調整（学習）を行う。例えば、上記予測結果において、異常状態が発生すると予測された後、判定経過時間内に、異常状態が発生した場合には、予測が正しかったと判定される。すなわち、この予測時の情報（例えば、上記呼吸数、心拍数、睡眠覚醒判定、活動量、呼吸障害指数、修正体動指数）に基づいて、パラメータが調整（学習）される。他方、異常状態が発生すると予測されたにもかかわらず、判定経過時間内に異常が発生しなかった場合には、予測結果が正しくなかったと学習される。

同様に、上記予測結果において、異常状態が発生しないと予測された後、判定経過時間内に、異常状態が発生なかった場合には、予測が正しかったと判定される。すなわち、この予測時の情報（例えば、上記呼吸数、心拍数、睡眠覚醒判定、活動量、呼吸障害指数、修正体動指数）に基づいて、パラメータが調整（学習）される。他方、異常状態が発生しないと予測されたにもかかわらず、判定経過時間内に異常が発生した場合には、予測結果が正しくなかったと学習される。

［５．第５実施形態］
第５実施形態は、上述した学習を、クラウド情報等を活用して実施する場合の実施形態である。

例えば、図８に示すように、複数の異常報知システム１５００が、構内（例えば、同一施設内、病院内等）において、ネットワークＮＷに接続されている。そして、各異常報知システム１５００は、管理サーバ１０００に接続されている。

管理サーバ１０００は、各異常報知システム１５００の患者生体情報に基づいて、患者の状態（例えば、異常であるか）を推測してもよい。また、各異常報知システム１５００の利用者データに基づいて、正解データ（教師データ）を特定し、学習に利用しても良い。

このように、患者１人だけに限らず、複数の患者の状態を利用することにより、正しい正解データが多く得られることとなり、より精度の高い患者の推測が可能となる。ここでいう正しい教師データとしては、例えば、患者全体であっても良いし、年齢、性別、身長、体重、病状といった、個々の患者の属性に応じて細分化されてもよい。

また、各管理サーバ１０００がネットワークＮＷ２を介して、外部のサービス提供サーバ２０００と接続されても良い。すなわち、患者の状態の推測にクラウドを利用することで、より多くの患者生体情報等の収集が可能であり、より精度の高く患者の状態を推測することができるようになる。

また、上述した実施形態では、異常報知システム１５００を利用することとしてせつめいしているが、簡易の患者の情報を取得出来るシステムを利用しても良い。例えば、スマートフォンやタブレット端末等の情報装置において、内蔵している加速度センサ、ジャイロセンサを利用して、患者の状態を簡易的に取得しても良い。これらの簡易的な装置を多く活用することで、より多くの患者生体情報を取得することが可能となる。また、このような簡易的な装置を利用することで、必ずしも病人等である必要は無く、健康な人や、健常者等が利用してもよい。

［６．効果］
このように、上述した実施形態によれば、睡眠時間（就床時刻から起床時刻）や夜間（２３：００～５：５９などの一定の時間帯）に寝床で測定された呼吸数、心拍数、体動（活動量）を用いることにより、統一された条件で異常との関連が強い生体情報値を毎日取得することにより精度の高い異常報知を行うことができるようになる。

すなわち、異常との関連が強い呼吸数、心拍数、体動を統一された条件で毎日連続的に取得できることにより長期間のデータから正確に変化を捉えることが可能となり、個人差や測定エラーの影響を受けずに異常報知が可能となる。また、睡眠時間や夜間でも体動があるため、体動を分析項目に含めることで体動アーチファクトによる心拍数・呼吸数の変動や精度の低下を加味した異常報知が可能となる。

さらに、異常報知を行い場合に患者の状態が異常となるかを予測・推測するが、この予測・推測された結果と、実際の患者の状態とに基づいて、学習をすることにより、より精度の高い患者の状態の推測を行うことが可能となり、より適切な異常の報知が可能となる。

すなわち、学習として与えるべき正解のデータ（正解データ、教師データ）を、外部から与えるのではなく、生体信号取得部２００、生体情報値算出部３００、睡眠状態判定部３５０から求められる患者生体情報から、患者が異常な状態でなかったか否かを判定する。そして、この判定結果を利用することにより、患者状態推測部７００（７５０）、学習部８００によって、より精度の高い患者状態の推定を行うことができるようになる。

［７．変形例］
以上、この発明の実施形態について図面を参照して詳述してきたが、具体的な構成はこの実施形態に限られるものではなく、この発明の要旨を逸脱しない範囲の設計等も特許請求の範囲に含まれる。

また、本実施形態においては、検出装置３で出力された結果に基づき、処理装置５において生体情報を出力しているが、検出装置３で全て算出してもよい。また、端末装置（例えばスマートフォン、タブレット、コンピュータ）にアプリケーションをインストールして実現するだけでなく、例えばサーバ側で処理をして、処理結果を端末装置に返しても良い。

例えば、検出装置３から、生体情報をサーバにアップロードすることで、サーバ側で上述した処理を実現してもよい。この検出装置３は、例えば加速度センサ、振動センサを内蔵したスマートフォンのような装置で実現してもよい。

また、実施形態において各装置で動作するプログラムは、上述した実施形態の機能を実現するように、ＣＰＵ等を制御するプログラム（コンピュータを機能させるプログラム）である。そして、これら装置で取り扱われる情報は、その処理時に一時的に一時記憶装置（例えば、ＲＡＭ）に蓄積され、その後、各種ＲＯＭやＨＤＤ、ＳＳＤの記憶装置に格納され、必要に応じてＣＰＵによって読み出し、修正・書き込みが行なわれる。

また、市場に流通させる場合には、可搬型の記録媒体にプログラムを格納して流通させたり、インターネット等のネットワークを介して接続されたサーバコンピュータに転送したりすることができる。この場合、サーバコンピュータの記憶装置も本発明に含まれるのは勿論である。

１ 異常報知システム
３ 検出装置
５ 処理装置
１００ 制御部
２００ 生体信号取得部
３００ 生体情報値算出部
３５０ 睡眠状態判定部
４００ 入力部
４５０ 出力部
５００ 記憶部
５１０ 生体情報データ
５２０ 睡眠状態データ
６００ 患者状態取得部
６５０ 患者日誌出力部
７００、７５０ 患者状態推測部
７１０ 特徴抽出部
７２０ 識別部
７３０ 識別辞書
７４０ 患者状態出力部
８００ 学習部
９００ アラート出力部
１０ ベッド
２０ マットレス

Claims (3)

1. 夜間の毎日一定の時間帯における対象者の寝床における生体信号を取得する生体信号取得手段と、
   前記取得された生体信号から生体情報値を算出する生体情報値算出手段と、
   前記取得された生体信号から活動量を算出する活動量算出手段と、
   前記生体情報値及び前記活動量に基づいて、推測時間経過後の前記対象者の状態を推測する推測手段と、
   前記推測手段により前記対象者の状態が異常と判定された場合に報知を行う報知手段と、
   を備え、
   前記生体情報値及び前記活動量に基づいて、現在の対象者の状態を判定する状態判定手段を更に備え、
   前記推測手段は、前記状態判定手段により判定された現在の対象者の状態から学習された結果に基づいて、前記対象者の状態を推測し、
   前記状態判定手段は、夜間の平均呼吸数の直近と過去平均値との差異、夜間の平均心拍数の直近と過去平均値との差異及び夜間の呼吸数のばらつきに基づいて現在の対象者の状態を判定することを特徴とする異常報知装置。
2. 前記取得された生体信号から前記対象者の睡眠状態を判定する睡眠状態判定手段を更に備え、
   前記推測手段は、前記対象者が安静時の状態に取得した前記生体情報値及び前記活動量に加えて、前記睡眠状態に基づいて前記対象者の状態を推測することを特徴とする請求項１又は２に記載の異常報知装置。
3. コンピュータに、
   夜間の毎日一定の時間帯における対象者の寝床における生体信号を取得する生体信号取得機能と、
   前記取得された生体信号から生体情報値を算出する生体情報値算出機能と、
   前記取得された生体信号から活動量を算出する活動量算出機能と、
   前記生体情報値及び前記活動量に基づいて、推測時間経過後の前記対象者の状態を推測する推測機能と、
   前記推測機能により前記対象者の状態が異常と判定された場合に報知を行う報知機能と、
   を実現させるプログラムであって、
   前記生体情報値及び前記活動量に基づいて、現在の対象者の状態を判定する状態判定機能を実現し、
   前記推測機能は、前記状態判定機能により判定された現在の対象者の状態から学習された結果に基づいて、前記対象者の状態を推測し、
   前記状態判定機能は、夜間の平均呼吸数の直近と過去平均値との差異、夜間の平均心拍数の直近と過去平均値との差異及び夜間の呼吸数のばらつきに基づいて現在の対象者の状態を判定することを特徴とするプログラム。

Images