CN109846466B - 异常判定装置、电子设备及计算机可读存储介质 - Google Patents

Abstract

本发明提供一种异常判定装置、电子设备及计算机可读存储介质，该异常判定装置包括：生物信息值获取部，用于获取所述对象者的生物信息值；活动量获取部，用于获取所述对象者的活动量；对象者状态推测部，所述对象者状态推测部基于所述生物信息值和所述活动量判断所述对象者是否处于异常状态。根据本发明实施例的异常判定装置能够准确的判断对象者的状态，尤其是，能够准确的判断出对象者的异常正在持续的状态。

Description

异常判定装置、电子设备及计算机可读存储介质

技术领域

本发明涉及医疗技术领域，尤其涉及一种异常判定装置、电子设备及计算机可读存储介质。

背景技术

目前已知有一种判定患者的异常并通知的装置和系统。例如，已知如专利文献1那样的发明，即，通过非侵袭性生命体征传感器感测对象者的生活活动和生命活动而分类为多个，顺序累积每分类的容许持续时间，并且在该累计时间超过阈值时通知。

在现有技术中，在心率和呼吸频率等生物信息值表示异常的情况下，通过发出警报来通知患者的异常情况。

在此情况下，发生如下问题，即，例如在生物信息值变为在通常范围内时，判定为处于恢复期，之后患者的病情更恶化时不能通知。

尤其是，发生如下问题，即，由于在患者的异常持续而死期迫近的情况下，生物信息值并不一定表示异常值，所以导致不能适当地通知。

现有技术文献

专利文献1：日本特许第3557775号公报

发明内容

(发明要解决的问题)

鉴于上述问题，本发明提供一种异常判定装置，该装置基于所获取的生物信息及活动量能够适当地判定对象者的异常状态。本发明还提出一种电子设备。此外，本发明还提出一种计算机可读存储介质。

(解决问题的技术方案)

根据本发明第一方面实施例的异常判定装置，包括：

生物信息值获取部，用于获取所述对象者的生物信息值；

活动量获取部，用于获取所述对象者的活动量；

对象者状态推测部，所述对象者状态推测部基于所述生物信息值和所述活动量判断所述对象者是否处于异常状态。

优选地，异常判定装置还包括：

生物数据检测部，用于检测所述对象者的生物数据；

生物信息值计算部，所述生物信息值计算部基于所述生物数据算出所述生物信息值。

优选地，所述生物数据检测部检测对象者身体振动数据、呼吸运动数据、或者心跳数据的任一种。

进一步地，所述生物信息值计算部通过所述生物数据检测部检测的生物数据计算出呼吸频率和/或心率。

优选地，所述生物信息值计算部基于所述生物数据检测部检测的生物数据计算出所述对象者的活动量。

进一步地，所述对象者状态推测部判断所述生物信息值处于异常值范围内的状态的持续时间是否超过第一阈值时间：

当判断为超过所述第一阈值时间，判断该生物信息值是否恢复至正常范围内；

当判断为该生物信息值恢复至正常范围内，继续判断其持续时间是否超过第二阈值时间，

当判断为超过第二阈值时间，判断所述活动量是否低于预定值，在所述活动量低于所述预定值的情况下，判定为所述对象者处于死期邻近状态。

更进一步地，异常判定装置还包括：

对象者状态获取部，所述基于所述生物数据，判断出所述对象者的在床状态，所述在床状态包括未离床和离床；其中，当对象者为在床状态时可以进一步通过睡眠状态判定部基于所述生物数据判断所述对象者的睡眠状态，所述睡眠状态包括清醒和睡眠；

当所述对象者状态推测部判断为该生物信息值恢复至正常范围内，所述对象者状态获取部继续判断所述对象者是否有离床，

当所述对象者状态获取部判断为所述对象者未离床，所述对象者状态推测部继续判断其持续时间是否超过第二阈值时间。也可以进一步在获得对象者为在床状态时，进一步根据对象者处于睡眠还是清醒进一步准确的判断其持续时间是否超过第二阈值时间。

优选地，所述对象者状态推测部基于所述生物信息值和所述活动量，通过机器学习判断所述对象者是否处于异常状态。

根据本发明第二方面实施例的电子设备，包括：处理器；和存储器，在所述存储器中存储有计算机程序指令，

其中，在所述计算机程序指令被所述处理器运行时，使得所述处理器执行以下步骤：

步骤S1，获取所述测量对象的生物信息值；

步骤S2，获取所述测量对象的活动量；

步骤S3，基于所述生物信息值和所述活动量判断所述测量对象是否处于异常状态。

根据本发明第三方面实施例的计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器运行时，使得所述处理器执行以下步骤：

步骤S1，获取所述测量对象的生物信息值；

步骤S2，获取所述测量对象的活动量；

步骤S3，基于所述生物信息值和所述活动量判断所述测量对象是否处于异常状态。

根据本发明第四方面实施例的计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器运行时，使得所述处理器执行以下步骤：

步骤S1，获取所述测量对象的生物信息值；

步骤S2，获取所述测量对象的活动量；

步骤S3，基于所述生物信息值和所述活动量通过机器学习判断所述测量对象是否处于异常状态。

(发明效果)

根据本发明的上述技术方案至少具有如下有益效果之一：

根据本发明实施例的异常判定装置，能够根据对象者的生物数据计算出生物信息值和活动量，并且基于该生物信息值及活动量而准确的判断对象者的状态。尤其是，能够准确的判断出对象者的异常正在持续的状态。

附图说明

图1是用于说明第一实施方式的整体的图；

图2是用于说明第一实施方式中的具体功能结构图；

图3是用于说明第一实施方式中的患者推测处理的工作流程；

图4是用于说明第二实施方式中的患者推测部的功能结构的图；

图5是用于说明第三实施方式中的功能结构的图；

图6是用于说明第三实施方式中的神经网络的图；

图7是用于作为实施例说明患者日志(睡眠日志)的图；

图8是用于作为实施例说明患者日志(心率日志)的图；

图9是用于作为实施例说明患者日志(呼吸日志)的图；

图10是用于作为实施例说明患者日志(睡眠日志)的图；

图11是用于作为实施例说明患者日志(心率日志)的图；

图12是用于作为实施例说明患者日志(呼吸日志)的图；

图13是用于作为实施例说明患者日志(睡眠日志)的图；

图14是用于作为实施例说明患者日志(呼吸日志)的图；

图15是用于作为实施例说明患者日志(心率日志)的图；

图16是用于作为实施例说明患者日志(睡眠日志)的图；

图17A和图17B是用于作为实施例说明患者日志(呼吸日志)的图，其中图17B是图17A的局部放大图；

图18A和图18B是用于作为实施例说明患者日志(心率日志)的图，其中图18B是图18A的局部放大图；

图19是用于说明第一实施方式中的功能结构图；

图20是第四实施方式中电子设备的结构图。

符号说明

1、异常判定系统；

3、检测装置；

5、处理装置；

100、控制部；

200、生物数据获取部；

300、生物信息值计算部；

310、生物信息获取部；

320、活动量获取部；

350、睡眠状态判定部；

400、输入部；

450、输出部；

500、存储部；

510、生物信息数据；

520、睡眠状态数据；

600、患者状态获取部；

650、患者日志输出部；

700、705、750、患者状态推测部；

710、特征抽出部；

720、识别部；

730、识别词典；

740、患者状态输出部；

800、警报输出部；

10、床；

20、床垫；

1400、电子设备；

1401、处理器；

1402、存储器；

14021、操作系统；

14014、应用程序；

1403、网络接口；

1404、输入设备；

1405、硬盘；

1406、显示设备。

具体实施方式

下面参照附图对用于实施本发明的一个方式进行说明。具体而言，对适用本发明的异常判定装置的情况进行说明，但是，本发明的范围不限定于该实施方式。

[1.第一实施方式]

[1.1系统整体]

如图19所示，根据本发明实施例的用于判断患者状态的判断装置1，包括生物信息值获取部310、活动量获取部320和患者状态推测部700。

具体地，生物信息值获取部310用于获取所述对象者的生物信息值，活动量获取部320用于获取所述对象者的活动量，患者状态推测部700基于所述生物信息值和所述活动量判断所述对象者是否处于异常状态。

也就是说，通过利用生物信息值获取部310获取的生物信息值和活动量获取部320获取的对象者的活动量准确地判断对象者的状态。尤其是，能够准确的判断出对象者的异常正在持续的状态。

另外，上述生物信息值获取部310、活动量获取部320和患者状态推测部700的范围包括这三者被集成于一个CPU的情况。

图1是用于对适用本发明的异常判定装置的异常判定系统1的整体概要进行说明的图。如图1所示，异常判定系统1包括载置在床10的床部和床垫20之间的检测装置3、以及用于对由检测装置3输出的值进行处理的处理装置5而构成。由该检测装置3和处理装置5构成异常判定系统(判断装置)。

当对象者(下面作为一个例子称为“患者P”)在床垫20上在床时，检测装置3作为对象者即患者P的生物数据检测人体振动(由人体发生的振动)。并且，基于所检测的振动计算出患者P的生物信息值。在本实施方式中，能够将所计算出的生物信息值(至少包括呼吸频率、心率、活动量)作为患者P的生物信息值输出并显示。另外，例如也可以通过在检测装置3设置存储部、显示部等来形成为一体。此外，由于处理装置5可以为通用的装置，所以不限定于计算机等信息处理装置，例如也可以由平板电脑或智能手机等装置构成。

此外，作为对象者，可以是正在疗养的人或需要看护的人。另外，也可以是不需要看护的健康人、老年人、儿童或残疾人，甚至可以不是人而是动物。

在此，检测装置3以厚度薄的方式构成为片状。由此，即使载置在床10和床垫20之间，也能够以不让患者P感到不适的方式使用，因此能够长期测定床铺上的生物信息值。就是说，在对象者卧床时、静养时，作为患者状态获取生物信息值等。

另外，检测装置3能够获取患者P的生物数据(体动、呼吸运动及心冲击等)即可。在本实施方式中，基于人体振动计算出心率和呼吸频率，然而例如既可以使用红外线传感器检测，又可以通过所获取的影像等获取患者P的生物数据，还可以使用带应变规的致动器。此外，通过利用内置的加速度传感器等，例如也可以由载置在床10上的智能手机或平板电脑等实现。

[1.2功能结构]

接下来，参照图2对异常判定系统1的功能结构进行说明。本实施方式中的异常判定系统1构成为包括检测装置3和处理装置5。其中，生物数据检测部200除外的各功能部(处理)可以在检测装置3和处理装置5中的任何一个上实现。就是说，通过组合这些装置而作为异常判定装置发挥功能。

另外，异常判定系统1可以在判定处于异常状态之后，进行通报(通知)工作。此时，通报对象既可以是工作人员，又可以是家人。此外，作为通报的方法，既可以仅利用声音或画面显示来通报(通知)，又可以利用邮件等向移动终端装置通报。此外，也可以向其他终端装置等通报(通知)。

异常判定系统1(判定装置)也可以包括控制部100、生物数据检测部200、生物信息值计算部300、睡眠状态判定部350、输入部400、输出部450、存储部500、患者状态获取部600、患者状态推测部700以及警报输出部800而构成。在图1的情况下，控制部100、生物数据检测部200及存储部500包括在检测装置3内，除此之外包括在处理装置5内。另外，患者状态获取部600既可以利用生物数据获取部200，又可以另行设置在床10上。

控制部100是用于控制异常判定系统1的工作的功能部。例如，既可以由CPU等控制装置构成，又可以由计算机等控制装置构成。控制部100通过读取并执行存储在存储部500的各种程序来实现各种处理。另外，在本实施方式中，控制部100虽然在整体上工作，但是也可以分别设置在检测装置3和处理装置5。

具体地，在本实施方式中，生物信息值获取部310可以由生物数据检测部200与生物信息值计算部300构成，其中，生物数据检测部200是用于获取患者P的生物数据的功能部。需要说明的是，除此之外，生物信息值获取部310也可以是由外部直接获取。在本实施方式中，作为一个例子，通过利用检测压力变化的传感器获取生物数据之一的人体振动。并且，所获取的人体振动在生物信息值计算部300中转换为呼吸频率、心率等生物信息值数据，并在活动量获取部320转换为活动量而分别输出。而且，既可以基于人体振动数据通过患者状态获取部600获取患者的卧床状态(例如，患者P是否卧床、在床、离床及端坐位等)，如后述那样，又可以通过睡眠状态判定部600获取睡眠状态(睡眠、清醒)。

另外，本实施方式中的生物数据检测部200例如通过压力传感器获取患者的人体振动，并从人体振动获取呼吸和心率，但是既可以通过负载传感器根据患者的重心位置(体动)的变化获取生物数据，又可以通过雷达基于身体表面或寝具的位移获取生物数据，还可以通过设置麦克风基于麦克风所拾取的声音获取生物数据。通过使用任何传感器能够获取患者的生物数据即可。

就是说，生物数据检测部200既可以连接有检测装置3等装置，又可以构成为从外部装置接收生物数据。

生物信息值计算部300是用于计算出患者P的生物信息值(呼吸频率、心率)的功能部。在本实施方式中，可以从由生物数据检测部200获取的体动抽出呼吸成分、心律成分，基于呼吸间隔、心律间隔求出呼吸频率、心率。此外，也可以对体动的周期性进行分析(傅里叶变换等)，根据峰频率计算出呼吸频率、心率。此外，可以从生物数据检测部200以每试样单位时间检测人体振动，根据所检测的人体振动的次数，通过活动量获取部320计算出活动量。

需要说明的是，此处，活动量获取部320和生物信息值计算部300可以集成为一体，也可以单独构成功能模块。

睡眠状态判定部350是用于判定患者的睡眠状态的功能部。例如，基于由生物信息值计算部300获取的生物信息值判定患者的睡眠状态。作为睡眠状态，既可以判定为“清醒”、“睡眠”，又可以将睡眠进一步判定为“快速眼动睡眠”、“非快速眼动睡眠”，还可以判定睡眠深度。

输入部400是用于测定者输入各种条件和进行测定开始的操作输入的功能部。例如，由硬件键、软件键等任何输入方法来实现。

输出部450是用于输出睡眠状态、心率、呼吸频率等生物信息值并通知异常的功能部。作为输出部450，既可以是显示器等显示装置，又可以是通知警告等的报警装置(声音输出装置)。此外，也可以是存储数据的外部存储装置或经由通信路径发送数据的发送装置等。此外，也可以是对其他装置通知时的通信装置。

存储部500是用于存储异常判定系统1的工作所需的各种数据及程序的功能部。控制部100通过读取并执行存储在存储部500的程序来实现各种功能。在此，存储部500例如由半导体存储器或磁盘装置等构成。在此，存储部500存储有生物信息数据510。

生物信息数据510存储有从所获取的生物数据(体动)求出的呼吸频率和心率。另外，在本实施方式中存储有呼吸频率、心率及体动，但是存储有其中至少一个即可。此外，也可以进一步存储其他信息(例如，基于呼吸幅度的变动等的呼吸事件指数、基于体动的周期性体动指数)，其中，其他信息只需是可以由生物信息值计算部300计算出的生物信息值。

睡眠状态数据520存储有患者的睡眠状态。即，存储有作为由睡眠状态判定部350判定的睡眠状态的“睡眠”、“清醒”以及由患者状态获取部600获取的“在床”、“离床”等状态。

患者状态获取部600是用于获取患者状态的功能部。例如，通过设置在床10的负载传感器等获取患者状态(离床、在床等)。另外，如上所述，也可以在生物数据检测部200上实现。

患者状态推测部700是用于从生物信息值等的参数推测患者状态的功能部。在由患者状态推测部700推测为患者状态有异常的情况下，通过警报输出部800输出(通知)警报。另外，患者状态推测部700推测患者的异常正在持续。

此外，在本实施方式中，能够判定(推测)患者状态有异常的状态正在持续。就是说，推测并通知由于患者状态有异常的状态正在持续而导致例如死期迫近(临近)。

在此，患者的死期迫近是指临近患者死亡的时期的状态。在此，作为一个基准，将例如患者在预定时间(例如3小时、6小时、12小时、24小时)以内死亡的时机称为死期迫近的状态(时期)。在本实施方式中，假设大约12至24小时左右，然而也可根据参数的设置而改变该预定时间。

此外，对在本实施方式中的患者状态推测部700中推测患者状态有异常的方法进行说明。

图3是用于对推测患者状态的患者状态推测处理进行说明的工作流程。在本实施方式中，在执行图3的患者状态推测处理时，进行以下处理：

-由生物信息值计算部300获取(计算出)患者的生物信息值

-由睡眠状态判定部350获取患者的睡眠状态。

就是说，作为生物信息值，呼吸频率、心率、活动量是重要的，但是进一步通过获取睡眠、清醒(在床)、离床等患者状态，并通过考虑诸如睡不着觉了、在床铺上的时间增加了、不在床铺上的时间增加了等变化、连续在床时间以及连续离床时间等而能够推测更详细的患者状态。

另外，作为生物信息值之一，通过获取关于患者的指数(生物指数)即呼吸紊乱指数、周期性体动指数，基于这些指数的绝对值、日常的平均值变化、24个小时的时间序列分布的变化等，能够推测更详细的患者状态。此外，也可以通过获取生物信息值的履历而获取以前的值、平均值、标准偏差、变异系数、最近的预定时间变化值及比率。

生物信息值既可以作为生物信息值直接获取，又可以通过根据生物数据进行预定运算而计算出。此外，也可以从多个生物信息值计算出其他生物信息值或指数。

接下来，判定是否生物信息值表示异常值持续了第一阈值时间。在此，作为第一阈值时间，优选为15分钟以上，更优选为30分钟以上。就是说，判定是否生物信息值超过第一阈值时间后还表示异常值。此外，持续表示异常值是优选为连续表示异常值，但是在第一阈值时间中的平均值表示异常值的情况下，或者仅在短时间(例如几秒钟左右)包括在正常范围内的情况下等，也可以判定为异常值连续。

此外，作为生物信息值，在本实施方式中利用呼吸频率及心率，但是也可以利用血压、氧饱和度等的其他生物信息值。此外，也可以利用呼吸频率和心率中的任何一个。在此，作为每个生物信息值的正常范围的一个例子，可以举出以下：

呼吸频率8～25次/分钟；以及

心率50～110次/分钟，

并且在从上述范围偏离的情况下，判定为异常值。另外，该正常范围也可以根据患者的年龄、体重等而改变。此外，也可以将每个患者的通常生物信息值设置为正常范围。

就是说，正常范围是指对象者正常时作为生物信息值表示的值的范围，也可以是表示正常值(正常范围)的值。

根据上述内容而说明一个例子，在如下情况下，即，在作为生物信息值，呼吸频率及心率表示异常值，且该表示异常值的状态持续了作为第一阈值时间的30分钟以上，然后生物信息值变为不表示异常值的情况下，判定该生物信息值不表示异常值的状态是否持续了第二阈值时间。

具体而言，在直到超过第二阈值时间的时间内生物信息值再次表示异常值的情况下(步骤S102；是→步骤S104；否)，判定为不是异常状态(死期不临近)，从步骤S102开始重复处理。

此外，在该第二阈值时间的期间中患者离床预定时间以上的情况下(步骤S106；是)，也判定为不是异常状态(死期不临近)，从步骤S102开始重复处理。

如上那样所述，检测出如下情况：在第二阈值时间的期间中生物信息值(呼吸频率及心率)包括在正常范围内，并且在该第二阈值时间的期间中一次也没有离床判定的情况。

在此，第二阈值时间优选为12小时以上，然而为6小时以上即可。此外，生物信息值包括在正常范围内的这说明优选是指在第二阈值时间的期间中持续包括在正常范围内，然而例如即使生物信息值在少于预定时间(例如，1分钟或检测时机几次)的期间中包括在异常范围内，也可以判定为误差并判定为持续包括在正常范围内。

并且，在还与活动量判定条件一致的情况下(步骤S108；是→步骤S110；是)，判定为患者的死期迫近(步骤S112)。

活动量判定条件是指根据患者的活动量或动作而判定是否死期迫近的条件。在本实施方式中，例如，在第二阈值时间中的平均活动量为5次/分钟以下的情况下，或者在有超过12小时(优选为12小时，例如也可以为6小时)的无体动持续时间的情况下，判定为死期迫近。

如上所述那样，在患者的死期迫近的状态下，呈现如下特征：在呼吸频率及心率变为不表示异常值之后，长时间几乎都没有体动并没有离床。就是说，在活动量低的情况下，判定为死期迫近。是否活动量低是根据上述判定条件或是否睡眠状态连续(活动量低至不能判定为睡眠的程度)而判定的。

因此，在本实施方式中，根据上述特征的有无，能够识别出从身体不适恢复了还是由于持续异常而导致身体状况更恶化并处于死期迫近的状态。由此能够防止将身体状况更恶化而处于死期迫近的状态错误地判定为身体不适减轻了。

另外，在上述实施方式中，在步骤S106判定是否有离床，然而，也可以不进行该判定。就是说，在生物信息值表示异常值持续了第一阈值时间，然后在第二阈值时间的期间中生物信息值包括在正常范围内的情况下，也可以判定是否与活动量判定条件一致。

此外，在死期迫近的情况下，呼吸事件及周期性体动显著地减少。因此，呼吸事件和周期性体动尤其在混入有本人除外的护士、介护人员、陪护的家人等的体动的情况下是有用的。

[2.第二实施方式]

接下来，对第二实施方式进行说明。在第一实施方式中进行了如下说明：在患者状态推测部700中，基于生物信息值及“患者动作(活动量)”、“呼吸幅度的变动(呼吸事件指数)”、“周期性的患者动作(周期性体动指数)”中的全部、任何一个或它们的组合而判定所输入的生物信息，由此来判定患者的异常状态，尤其判定患者的死期。

在本实施方式中，对患者状态推测部700使用人工智能(机器学习)推测患者状态的情况进行说明。

在本实施方式中，基于图4的患者状态推测部705而代替图3的患者状态推测处理来推测患者状态。

在此，对本实施方式中的患者状态推测部705的工作进行说明。患者状态推测部705以生物信息及患者状态为输入值(输入数据)并利用人工智能及各种统计指标来推测患者状态。

如图4所示，患者状态推测部705包括特征抽出部710、识别部720、识别词典730及患者状态输出部740。

首先，作为输入到患者状态推测部705的输入数据，输入各种参数而利用。例如，在本实施方式中利用“呼吸频率”、“心率”、“活动量”以及“睡眠状态”等，其中该“呼吸频率”、“心率”、“活动量”是由生物信息计算部基于由生物数据获取部200获取的人体振动数据而计算出的，并且该“睡眠状态”是由睡眠状态判定部350判定的。还可以利用从这些生物信息值计算出的“呼吸频率的偏差”、“心率的偏差”以及从同一的人体振动数据计算出的“呼吸紊乱指数”、“周期性体动指数”。

在此，“睡眠状态”包括“在床”和“离床”的状态，在床时能够指定“清醒”、“睡眠”的状态。

并且，由特征抽出部710抽出各特征点而作为特征向量输出。在此，作为特征点抽出的，例如可以举出以下特征：

(1)30[次/分钟]以上或8[次/分钟]以下的呼吸频率持续一定时间以上；

(2)120[次/分钟]以上或40[次/分钟]以下的心率持续一定时间以上；

(3)从夜间的睡眠开始到结束为止，心率或呼吸频率有上升的趋势(10％以上)；

(4)夜间(21：00至6：59)的呼吸频率或心率的偏差(标准偏差、变异系数)为一定值以上；

(5)呼吸紊乱指数或周期性体动指数显著地减少；

(6)呼吸紊乱指数或周期性体动指数显著地增加或者为一定值以上(夜间)；

(7)活动量显著地增加或减少；

(8)睡眠判定持续一定时间以上，夜间的清醒判定是95％以上。

通过利用上述特征点中的一个或组合利用多个，输出特征向量。另外，作为特征点说明的只是一个例子，不限定于该值。例如，以(1)为例，呼吸频率既可以为25[次/分钟]以上，又可以为10[次/分钟]以下。像这样，各值是便于说明的值。并且，作为符合的特征点可以输出“1”，作为非符合的特征点可以输出“0”，也可以输出随机变量。

并且，在包括所有的上述特征点的情况下，特征空间是8维，作为8维的特征向量向识别部720输出。

识别部720根据所输入的特征向量而识别与患者状态相对应的类别。此时，通过与作为识别词典730而预先准备的多个样本对照来识别类别。样本既可以作为与各类别相对应的特征向量存储，又可以存储代表类别的特征向量。

在存储有代表类别的特征向量的情况下，确定最接近的样本所属的类别。此时，既可以根据最近邻规则而决定，又可以根据k近邻算法而识别。

另外，识别部720所利用的识别词典730既可以预先存储样本，又可以利用机器学习而存储。

并且，对应于由识别部720识别的类别，由患者状态输出部740输出患者状态。所输出的患者状态是“正常”或“异常”，在判定为异常之后，既可以识别“死期迫近”、“恢复了”等，又可以输出随机变量。

由此，根据本实施方式，能够获取包括“呼吸频率”、“心率”、“活动量”、“离床”、“在床”的生物信息，并且根据这些生物信息推测是否患者的死期迫近。

[3.第三实施方式]

接下来，对第三实施方式进行说明。第三实施方式是将第一实施方式的图2的功能结构置换为图5的实施方式。

除了第一实施方式的功能结构外，本实施方式的异常判定系统1还包括患者日志输出部650。此外，包括利用神经网络而推测患者状态的患者状态推测部750而代替患者状态推测部700。

患者日志输出部650是将所获取的生物信息值、睡眠状态(0：离床、1：在床/清醒、2：睡眠)作为图像数据(“1440像素×天数的像素”的图像数据)输出的功能部，其中该图像数据是以1行为24小时的每1分钟的像素值的值。作为患者日志，可以输出表示患者的呼吸频率的呼吸日志、表示患者的心率的心率日志、表示患者的睡眠状态的睡眠日志、表示患者的体动的活动量日志、表示呼吸紊乱事件次数的呼吸紊乱日志、表示周期性体动事件次数的周期性体动日志等。另外，也可以将这些参数组合而作为一个患者日志输出。可以输出这些患者日志的图表，作为一种图像数据的日志数据。

患者状态推测部750是用于从所输入的日志数据推测患者状态的功能部。在此，作为推测患者状态的处理，最近，尤其在图像认识上，深度学习(深度神经网络)实现了高精度，在本实施方式中也作为一个例子利用该方法。使用图6对该深度学习中的处理进行简单的说明。

首先，患者状态推测部750将从患者日志输出部650输出的日志数据(图像数据)的信号向神经网络输入，其中该神经网络由多个层及包括在各层中的神经元构成。各神经元从其他多个神经元接收信号，并且将经运算的信号向其他多个神经元输出。在神经网络具有多层结构的情况下，按信号传输的顺序称为输入层、中间层(隐藏层)、输出层。

神经网络的中间层由多个层构成的被称为深度神经网络(例如，具有卷积运算的Convolutional Neural Network(卷积神经网络)，并且将使用该深度神经网络的机器学习方法称为深度学习。

日志数据通过在神经网络的各层的神经元进行各种运算(卷积运算、池化运算、归一化运算、矩阵运算等)，一边改变形状一边传输，从输出层输出多个信号。

来自神经网络的多个输出值分别与患者状态关联起来，以推测为与最大输出值关联的患者状态的方式进行处理。或者，也可以不直接输出患者状态，将一个或多个输出值经过分类器而根据分离器的输出推测患者状态。

作为用于神经网络的各种运算的系数的参数通过如下方法而确定，即，预先向神经网络输入众多日志数据和该日志数据的患者状态，通过反向传播算法在神经网络上反向传播输出值和正确值之间的误差，并多次更新各层的神经元的参数。像这样，将更新参数而确定的过程称为学习。

神经网络的结构及各个运算是在书籍和论文中解释的公知技术，利用其中任何技术即可。

通过利用患者状态推测部750，根据患者的生物信息等的输入数据，作为患者状态输出是否死期迫近。

另外，在上述实施方式中，输入以1行为24小时的日志数据而利用神经网络，然而既可以输入考虑一周单位的规律性以1行为7天的日志数据、考虑大概一个月单位的规律性以1行为28天的日志数据、考虑一年单位的规律性以1行为365天的日志数据等，又可以输入预先不考虑规律性的生物信息值而利用神经网络。就是说，也可以将“心率”、“呼吸频率”、“活动量”、“离床”、“在床”、“呼吸事件次数”、“周期性体动次数”等信息以与各自的时间轴同步的方式向神经网络输入并使神经网络学习来推测患者状态。

[4.实施例]

对通过利用上述实施方式而判定患者状态(死期迫近)的实施例进行说明。图7至图18是用于说明患者日志的一个例子的图。在此，图7至图9及图10至图12是患者恢复时的患者日志，而图13至图15及图16至图18是患者死亡时的患者日志的一个例子。

这些图是根据表示每日的对象者的睡眠状态的患者日志的例子，并且在纵方向上显示表示每日的睡眠状态的图表。

在所有的患者日志中，1行表示24小时，并且图表中央表示上午0点。此外，例如，作为生物信息值，通常范围的呼吸频率、心率由绿色(在灰度的图中由淡色)表示。在此，随着接近异常值而变为红色或蓝色。此外，阴影区是非测定区域(电源OFF)。

就是说，随着变为高于正常范围的值，而以绿色→黄色→红色的顺序变化。并且，随着变为低于正常范围的值，而以绿色→浅蓝色→蓝色的顺序变化。在灰度的情况下，以淡色→浓色的顺序变化。

此外，对于睡眠状态能够以各种颜色区分显示。例如，也可以由白色表示离床，由橙色表示清醒(在床)，并且由蓝色表示睡眠(在床)。在每个附图中，以离床、清醒(在床)、睡眠(在床)的顺序其显示的颜色变浓。

此外，在表示睡眠状态的情况下，能够一起显示活动量。例如，通过将表示活动量的图表重叠显示(用黑色纵向长条重叠显示)，能够一起确认睡眠状态和活动量。

因为生物信息值通常表示24小时、1周等周期性变动，所以通过这样利用患者日志，具有容易看到对象者的长期变动且能早期发现身体不适的优点。根据这些多个日志数据，能够高精度地推测患者状态。例如，在如下情况下能够不判定为异常等，即，在心率表示异常值的时段中呼吸频率等的其他生物信息值没有变化的情况、或者每天在一定时段表示异常值的情况等。

作为患者日志可以利用多个日志。通常，利用患者日志由人观察判定患者的异常，但是通过利用本实施方式的系统，能够在不依赖于判定的个人差异和能力，并以一定基准适当地且以不耗费观察判定的劳动力的方式自动地推测患者的异常而通知。

[4.1恢复例1]

首先，作为第一例子对恢复例1进行说明。例如，图7、图8及图9是在某个护理院里生活的需要护理的老年人的患者日志。图7是睡眠日志，图8是心率日志，图9是呼吸日志。在图7的患者日志的图表中，上段表示活动量(黑色纵向长条)，下段表示睡眠状态。此外，在图8的心率日志中，上段表示心率的变动，下段表示睡眠状态，并且在图9的呼吸日志中，上段表示呼吸频率的变动，下段表示睡眠状态。

在此，在患者日志中，1行表示24小时，图表中央表示上午0点，因此在图表中央部变更日期。患者日志从2月12日星期天开始，并且表示在2月15日星期三9点左右恢复而出院的状态。

参照图9的呼吸频率，2月12日至2月14日多次检测出浓色(异常值)。并且，参照图8的心率，从2月14日早晨开始多次检测出浓色(异常值)。

因此，能够判定为在此时患者的身体不适。然后，参照2月14日至2月15日，呼吸频率、心率都逐渐变为在通常范围内。并且，参照图7的睡眠日志，2月14日至2月15日计算出很多活动量。就是说，在此时处于与活动量判定条件不一致的状态。

因为生物信息值包括在正常范围内且患者的动作也较多，所以判定为该患者趋向于恢复。

[4.2恢复例2]

接下来，作为第二例子对恢复例2进行说明。在恢复例2中，图10是睡眠日志，图11是心率日志，以及图12是呼吸日志。

在此，在患者日志中，1行表示24小时，并且图表中央表示上午0点。从2月12日星期天开始在床并记录患者日志，并且表示在2月17日星期五下午恢复而出院的状态。

参照图11，从2月11日星期六到2月16日星期四上午，检测出心率的异常值很大。但是，2月16日星期四下午至2月17日星期五心率逐渐变为包括在通常范围内。

此外，2月16日星期四以后，呼吸频率稳定，生物信息值(心率及呼吸频率)都包括在通常范围内。此外，关于活动量，参照图10，2月16日星期四以后也多次检测出。

因此，由于生物信息值包括在通常范围内，但是活动量判定条件之一的活动量(平均活动量)为规定的阈值以上，所以不判定为死期迫近。因此，本附图的患者被判定为趋向于恢复。

[4.3死亡例1]

接下来，作为第三例子，对死亡例1进行说明。在死亡例1中，图13是睡眠/活动量日志，图14是呼吸日志，以及图15是心率日志。在图13中重叠显示睡眠状态和活动量。就是说，黑色纵向长条表示活动量。

在此，在图14的呼吸日志中，从1月21日星期四下午开始呼吸变多，并且检测出异常值。该异常值到1月26日星期二上午3点左右为止有趋势，之后包括在通常范围内。

此外，在图15的心率日志中，从1月23日星期六左右开始心率变低，并且检测出异常值。然后，从1月26日星期二上午3点左右开始包括在通常范围内。

从1月26日星期二上午3点左右开始生物信息值包括在通常范围内，但是参照图13的睡眠日志，在该时刻以后没检测出离床。此外，由活动量低可知患者几乎都没动作。

因此，根据与活动量判定条件一致而判定为患者的死期迫近。此时，也可以进行通知患者的死期迫近的处理。例如，既可以在显示装置中显示死期迫近，又可以通过光或声音输出警报。此外，也可以对医疗人员的终端装置发送邮件或通知信号。

[4.4死亡例2]

接下来，作为第四例子，对死亡例2进行说明。在死亡例2中，图16是睡眠/活动量日志，图17A和图17B(为图17A的局部放大图)是呼吸日志，图18A和图18B(为图18A的局部放大图)是心率日志。在图16中重叠显示睡眠状态和活动量。就是说，由黑色纵向长条显示的是活动量。

在图18A和图18B所示的心率日志中，从1月21日星期四左右开始明显地出现异常值，能够判定身体不适。在此，从2月14日星期天下午开始心率包括在通常范围内。

此外，在图17A和图17B所示的呼吸日志中，2月2日星期二以后大概包括在通常范围内。因此，从2月14日星期天下午开始心率及呼吸频率都包括在通常范围内，由此也会看似趋向于恢复。

但是，参照图16的睡眠/活动量日志，处于没有离床、睡眠状态连续且活动量也低的状态(部分出现的活动量可以认为主要是由介护人员而引发的，而不是本人的)。就是说，在作为第二判定时间的12小时的期间中生物信息值包括在通常范围内，也没有离床判定。此外，活动量低，因此与活动量判定条件一致。

因此，判定为死期迫近而通知。像这样，根据本实施方式，即使在只根据生物信息值而作为患者状态判定为恢复状态(恢复趋势)的情况下，也能够正确地判定死期迫近。

并且，通过通知判定为死期迫近，例如医疗人员或家人能给患者送终。

[5.第四实施方式]

以上参照附图对本发明的实施方式进行详细的说明，而本发明的具体结构不限定于上述实施方式，不脱离本发明的要旨的设计等也包括在权利要求的范围内。

此外，在本实施方式中，基于检测装置3输出的结果，由处理装置5输出生物信息，但是也可以在检测装置3计算出全部。此外，除了在终端装置(例如智能手机、平板电脑、计算机)安装应用程序来实现外，例如还可以在服务器一侧进行处理，并将处理结果送回终端装置。

例如，也可以通过从检测装置3将生物信息向服务器上传，在服务器一侧实现上述处理。该检测装置3例如也可以由内置有加速度传感器、振动传感器的智能手机等装置来实现。

此外，在实施方式中，在各装置中工作的程序是以实现上述实施方式的功能的方式控制CPU等的程序(使计算机发挥功能的程序)。并且，这些装置所使用的信息在其处理时暂时蓄积在暂时存储器(例如，RAM)，然后存储在各种ROM、HDD、SSD的存储装置中，并根据需要，由CPU读出、修改并写入。

此外，在市场上流通的情况下，既可以将程序存储在可移动式记录介质而流通，又可以经由因特网等网络向连接的服务器计算机转发。在此情况下，服务器计算机的存储装置也当然包括在本发明之内。

作为示例，如图20所示，本发明提供了一种电子设备1400，电子设备1400包括：处理器1401和存储器1402，在所述存储器1402中存储有计算机程序指令，其中，在所述计算机程序指令被所述处理器运行时，使得所述处理器1401执行以下步骤：

步骤S1，获取所述测量对象的生物信息值；

步骤S2，获取所述测量对象的活动量；

步骤S3，基于所述生物信息值和所述活动量判断所述测量对象是否处于异常状态。

进一步地，如图20所示，电子设备还包括网络接口1403、输入设备1404、硬盘1405、和显示设备1406。

上述各个接口和设备之间可以通过总线架构互连。总线架构可以是可以包括任意数量的互联的总线和桥。具体由处理器1401代表的一个或者多个中央处理器(CPU)，以及由存储器1402代表的一个或者多个存储器的各种电路连接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其它电路连接在一起。可以理解，总线架构用于实现这些组件之间的连接通信。总线架构除包括数据总线之外，还包括电源总线、控制总线和状态信号总线，这些都是本领域所公知的，因此本文不再对其进行详细描述。

所述网络接口1403，可以连接至网络(如因特网、局域网等)，从网络中获取相关数据，并可以保存在硬盘1405中。

所述输入设备1404，可以接收操作人员输入的各种指令，并发送给处理器1401以供执行。所述输入设备1404可以包括键盘或者点击设备(例如，鼠标，轨迹球(trackball)、触感板或者触摸屏等。

所述显示设备1406，可以将处理器1401执行指令获得的结果进行显示。

所述存储器1402，用于存储操作系统运行所必须的程序和数据，以及处理器1401计算过程中的中间结果等数据。

可以理解，本发明实施例中的存储器1402可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(ROM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)或闪存。易失性存储器可以是随机存取存储器(RAM)，其用作外部高速缓存。本文描述的装置和方法的存储器1402旨在包括但不限于这些和任意其它适合类型的存储器。

在一些实施方式中，存储器1402存储了如下的元素，可执行模块或者数据结构，或者他们的子集，或者他们的扩展集：操作系统14021和应用程序14014。

其中，操作系统14021，包含各种系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序14014，包含各种应用程序，例如浏览器(Browser)等，用于实现各种应用业务。实现本发明实施例方法的程序可以包含在应用程序14014中。

上述处理器1401，当调用并执行所述存储器1402中所存储的应用程序和数据，具体的，可以是应用程序14014中存储的程序或指令时，获取全景图像；对所述全景图像进行预处理，获得待处理子图像；将所述待处理子图像输入到多路径卷积神经网络中，获得所述待处理子图像的深层特征图；对所述深层特征图进行池化处理；将经过池化处理后的深层特征图输入到全连接模型中，将所述全连接模型的输出作为重定位后的位置信息。

本发明上述实施例揭示的方法可以应用于处理器1401中，或者由处理器1401实现。处理器1401可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器1401中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器1401可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件，可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器1402，处理器1401读取存储器1402中的信息，结合其硬件完成上述方法的步骤。

可以理解的是，本文描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现，处理单元可以实现在一个或多个专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑设备(PLD)、现场可编程门阵列(FPGA)、通用处理器、控制器、微控制器、微处理器、用于执行本申请所述功能的其它电子单元或其组合中。

对于软件实现，可通过执行本文所述功能的模块(例如过程、函数等)来实现本文所述的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。

具体地，处理器1401还用于读取所述计算机程序，执行如下步骤:

步骤S1-1，在指定条件下，检测所述患者的所述生物数据，所述生物数据包括身体振动数据、呼吸运动数据、或者心跳数据的任一种，所述生物信息值包括呼吸频率和/或心率，其中，所述指定条件可以为患者处于卧床且静止状态等。

步骤S1-2，基于所述生物数据算出所述生物信息值。

另外，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器运行时，使得所述处理器执行以下步骤：

步骤S1，获取所述测量对象的生物信息值；

步骤S2，获取所述测量对象的活动量；

步骤S3，基于所述生物信息值和所述活动量判断所述测量对象是否处于异常状态。

在本申请所提供的几个实施例中，应该理解到，所揭露方法和装置，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理包括，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述收发方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (8)

1.一种异常判定装置，其特征在于，包括：

生物信息值获取部，用于获取对象者的生物信息值；

活动量获取部，用于获取所述对象者的活动量；

对象者状态推测部，所述对象者状态推测部基于所述生物信息值和所述活动量判断所述对象者是否处于异常状态，

所述对象者状态推测部能够判断所述生物信息值处于异常值范围内的状态的持续时间是否超过第一阈值时间，

当判断为超过所述第一阈值时间，继续判断该生物信息值是否恢复至正常范围内；

当判断为该生物信息值恢复至正常范围内，继续判断其持续时间是否超过第二阈值时间，

当判断为超过第二阈值时间，判断所述活动量是否低于预定值，在所述活动量低于所述预定值的情况下，判定为所述对象者处于死期邻近状态。

2.根据权利要求1所述的异常判定装置，其特征在于，包括：

生物数据检测部，用于检测所述对象者的生物数据；

生物信息值计算部，所述生物信息值计算部基于所述生物数据算出所述生物信息值。

3.根据权利要求2所述的异常判定装置，其特征在于，所述生物数据检测部检测对象者的身体振动数据、呼吸运动数据、以及心跳数据的任一种或多种。

4.根据权利要求3所述的异常判定装置，其特征在于，所述生物信息值计算部通过所述生物数据检测部检测的生物数据计算出呼吸频率和/或心率。

5.根据权利要求2所述的异常判定装置，其特征在于，所述生物信息值计算部基于所述生物数据检测部检测的生物数据计算出所述对象者的活动量。

6.根据权利要求2所述的异常判定装置，其特征在于，还包括：

对象者状态获取部，基于所述生物数据判断所述对象者的在床状态，所述在床状态包括未离床和离床，

当所述对象者状态推测部判断为该生物信息值恢复至正常范围内，所述对象者状态获取部继续判断所述对象者是否有离床，

当所述对象者状态获取部判断为所述对象者未离床，所述对象者状态推测部继续判断其持续时间是否超过第二阈值时间。

7.一种电子设备，其特征在于，包括处理器和存储器，在所述存储器中存储有计算机程序指令，

其中，在所述计算机程序指令被所述处理器运行时，使得所述处理器执行以下步骤：

步骤S1，获取测量对象的生物信息值；

步骤S2，获取所述测量对象的活动量；

步骤S3，基于所述生物信息值和所述活动量判断所述测量对象是否处于异常状态，

步骤S4，判断所述生物信息值处于异常值范围内的状态的持续时间是否超过第一阈值时间，

步骤S5，当判断为超过所述第一阈值时间，继续判断该生物信息值是否恢复至正常范围内，

步骤S6，当判断为该生物信息值恢复至正常范围内，继续判断其持续时间是否超过第二阈值时间，

步骤S7，当判断为超过所述第二阈值时间，判断所述活动量是否低于预定值，在所述活动量低于所述预定值的情况下，判定为所述测量对象处于死期邻近状态。

8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器运行时，使得所述处理器执行以下步骤：

步骤S1，获取测量对象的生物信息值；

步骤S2，获取所述测量对象的活动量；

步骤S3，基于所述生物信息值和所述活动量判断所述测量对象是否处于异常状态，

步骤S4，判断所述生物信息值处于异常值范围内的状态的持续时间是否超过第一阈值时间，

步骤S5，当判断为超过所述第一阈值时间，继续判断该生物信息值是否恢复至正常范围内，

步骤S6，当判断为该生物信息值恢复至正常范围内，继续判断其持续时间是否超过第二阈值时间，

步骤S7，当判断为超过所述第二阈值时间，判断所述活动量是否低于预定值，在所述活动量低于所述预定值的情况下，判定为所述测量对象处于死期邻近状态。

Images