CN112135568A

CN112135568A - 信息处理装置、信息处理方法和程序

Info

Publication number: CN112135568A
Application number: CN201980033077.XA
Authority: CN
Inventors: 羽田野政治; 皆川直久; 内藤孝雄
Original assignee: Institute Of Cognitive Disorders For Elderly In General Associations
Current assignee: Institute Of Cognitive Disorders For Elderly In General Associations
Priority date: 2018-05-17
Filing date: 2019-05-16
Publication date: 2020-12-25
Also published as: WO2019221252A1; JPWO2019221252A1; JP7285046B2; KR20210010548A

Abstract

本发明提供能够容易且可靠地进行关于人或动物的痴呆症的预测的信息处理装置、信息处理方法和程序。信息处理装置(10)包含：数据获取部(40)，其获取选自人或动物的周围的环境数据、生物体数据、行动数据、图像或视频数据及声音数据的组中的至少一种数据；预测部(30b)，其基于数据获取部(40)获取的数据，预测痴呆症中的行动及心理症状(BPSD)的发病或其发病时期。预测部(30b)能够使用推理分析、回归分析、HotSpot分析、邻近度分析及时空分析的至少一种，进行关于BPSD的预测。包含学习部(30c)，其评价预测部(30b)的关于BPSD的预测与BPSD的差，并基于该评价结果进行函数或分类器的学习。

Description

信息处理装置、信息处理方法和程序

技术领域

本发明涉及关于痴呆症的预测的信息处理装置、信息处理方法和程序。

背景技术

提出了辅助痴呆症的诊断的装置(参照专利文献1)。

现有技术文献

专利文献

专利文献1：日本特开2017-217052号公报。

发明内容

发明所要解决的技术问题

本发明的目的在于，提供能够容易且可靠地进行关于人或动物的痴呆症的发病的预测的信息处理装置、信息处理方法和程序。

用于解决问题的技术手段

1.信息处理装置，

本发明的信息处理装置，其包含：

数据获取部，其获取选自人或动物的周围的环境数据、所述人或动物的生物体数据、所述人或动物的行动数据、所述人或动物的图像或视频数据和所述人或动物的声音数据的组中的至少一种数据；和

预测部，其基于所述数据获取部所获取的数据，预测所述人或动物的痴呆症中的行动及心理症状的发病或其发病时期。

在本发明中，所述预测部可以使用推理分析、回归分析、Hot Spot分析、邻近度分析和时空分析中的至少一种，来进行关于所述人或动物的痴呆症中的行动及心理症状的预测。

在本发明中，可以包含用于将所述数据获取部所获取的数据进行指标化的指标化部，所述预测部输入由所述指标化部进行指标化而得的指标值，并使用输出关于所述人或动物的痴呆症中的行动及心理症状的预测值的函数或分类器，来进行预测。

在本发明中，所述分类器可以为SVM(Support Vector Machine：支持向量机)、神经网络或线性回归模型。

在本发明中，可以包含学习部，其评价所述预测部的关于所述人或动物的痴呆症中的行动及心理症状的预测与实际的所述人或动物的行动及心理症状的差，并基于该评价结果，进行所述函数或分类器的学习。

在本发明中，可以是，所述学习部评价所述预测部所预测的关于所述人或动物的痴呆症中的行动及心理症状的预测与实际的所述人或动物的行动及心理症状的差，在所述预测部的关于所述人或动物的痴呆症中的行动及心理症状的预测与实际的所述人或动物的行动及心理症状的差的评价内容，与关于所述数据获取部所获取的数据的信息的关联中，通过深度学习来进行所述函数或分类器的学习。

在本发明中，所述函数可以包含关于所述数据获取部所获取的数据的数值的参数、和系数而构成，所述学习部通过深度学习来调节所述系数。

在本发明中，所述数据获取部可以获取所述环境数据和所述生物体数据，所述环境数据包含所述人或动物的周围的气温和湿度，所述生物体数据包含所述人或动物的脉搏、呼吸数和体温。

在本发明中，可以包含数据存储部，其将所述环境数据及所述生物体数据和与所述环境数据及所述生物体数据对应的关于所述人或动物的痴呆症中的行动及心理症状的信息相关联地存储。

在本发明中，可以包含存储部，其存储由所述环境数据及所述生物体数据和与所述环境数据及所述生物体数据对应的关于所述人或动物的痴呆症中的行动及心理症状的信息相关联地构成的相关表。

在本发明中，可以包含应对方法导出部，其基于所述预测部所预测的关于所述人或动物的痴呆症中的行动及心理症状的预测内容，生成或选择应对方法。

在本发明中，可以是，所述实际的所述人或动物的行动及心理症状通过行动及心理症状判断部并根据判断算法来判断，所述学习部评价所述行动及心理症状判断部的判断结果与实际上人判断的所述人或动物的行动及心理症状的判断结果的差，并基于该评价结果来进行所述判断算法的学习。

2.信息处理方法

本发明的信息处理方法包含：

数据获取部获取选自人或动物的周围的环境数据、所述人或动物的生物体数据、所述人或动物的行动数据、所述人或动物的图像或视频数据和所述人或动物的声音数据的组中的至少一种数据的步骤；和

预测部基于所述数据获取部所获取的数据，预测所述人或动物的痴呆症中的行动及心理症状的发病或其发病时期的步骤。

3.程序

本发明的程序使计算机执行以下步骤：

发明效果

通过预测BPSD的发病或发病的时期，并早期进行应对，能够预防BPSD的发病，大幅降低BPSD的本身产生。由于能够预先预测BPSD，因此能够降低看护人的负担。

附图说明

图1是信息处理的流程的整体结构的图。

图2是表示信息处理装置的结构例的图。

图3是表示信息处理系统的结构例的图。

图4是说明信息处理的处理流程的图。

图5是表示五感数据的数据例的图。

图6是表示环境数据的数据例的图。

图7是表示生物体数据的数据例的图。

图8是表示看护记录的数据例的图。

图9是示意地表示神经网络的图。

图10是表示行动与BPSD的相关的图。

图11是整理数据处理中的各阶段的输出内容的图。

图12是表示BPSD与应对方法的对应表的图。

图13是关于BPSD的判断及判断算法的学习的流程概要图。

具体实施方式

以下，参照附图对本发明的优选的实施方式进行说明。

以关于人的痴呆症中的行动及心理症状的预测为例，对实施方式进行说明。以下，将人的痴呆症中的行动及心理症状单独称为“BPSD”。

1.信息处理装置的概要

(1)信息处理装置

如图1所示，信息处理装置10包含：获取数据的功能F1、将该数据指标化的功能F2、基于预测算法进行BPSD(人的痴呆症中的行动及心理症状)的发病的可能性及内容以及发病的时期的预测的功能F3、输出关于BPSD的预测结果的功能F4、进行所预测的BPSD的应对方法的生成及输出的功能F5、判断BPSD是否发病的功能F6、在症状的确认及执行后进行验证的功能F7、基于验证结果进行预测算法的学习的功能F7。

(2)BPSD(痴呆症的行动及心理症状)

行动症状是通过观察而被发现的症状。作为行动症状的评价项目，例如可举出徘徊、危险的操作、隐蔽、假性作业、烦恼、收集、喊叫/兴奋。心理症状是通过面谈而被发现的症状。作为心理症状的评价项目，例如可举出抑郁、妄想等。行动及心理症状因人时而出现时而不出现。

2.信息处理装置的结构

(1)信息处理装置的功能的结构

如图2所示，信息处理装置10经由通信网络(例如互联网)与和各种通信网络连接的器件连接。作为器件，例如能够应用各种IoT传感器，具体而言，可举出环境传感器60a、生物体传感器60b、摄像机60c、麦克风60d、位置检测传感器(BLE标签等)60e、门开闭传感器60f、膀胱内尿量传感器60g等。

如图3所示，信息处理装置10包含数据获取部40、处理部30、数据获取部40、存储部20。

数据获取部40获取选自人的周围的环境数据、人的生物体数据、人的行动数据、人的图像或视频数据及人的声音数据的组中的至少一种数据。数据获取部40例如获取环境数据和生物体数据，环境数据包含人的周围的气温及湿度，生物体数据能够包含人的脉搏、呼吸数及体温。

处理部30包含指标化部30a、预测部30b、学习部30c、应对方法导出部30d、BPSD判断部30e。

指标化部30a用于将数据获取部40获取的数据指标化。

预测部30b基于数据获取部40获取的数据，预测BPSD的发病或其发病时期。预测部30b能够使用推理分析、回归分析、Hot Spot分析、邻近度分析及时空分析的至少一种，进行关于BPSD的预测。

预测部30b能够输入由指标化部30a指标化的指标值，并使用输出与BPSD相关的预测值的函数20a和分类器20b的至少一者，来进行预测。

分类器20b能够设为SVM(Support Vector Machine：支持向量机)、神经网络或线性回归模型。函数20a能够包含与数据获取部40获取的数据的数值的参数和系数而构成。神经网络例如能够为如图9所示由输入层、中间层及输出层构成的3层前馈型神经网络。

学习部30c评价预测部30b的关于BPSD的预测与实际的人的行动及心理症状的差，并基于该评价结果，进行函数20a和分类器20b的至少一者的学习。学习部30c能够供给到机械学习算法，进行函数20a或分类器20b的学习。具体而言，学习部30c评价预测部30b所预测的关于BPSD的预测与实际的人的行动及心理症状的差，在预测部30b的关于BPSD的预测与实际的人的行动及心理症状的差的评价内容与关于数据获取部40获取的数据的信息的关联中，能够通过深度学习进行函数20a或分类器20b的学习。学习部30c也可以通过深度学习来调节系数。

应对方法导出部30d基于预测的BPSD的发病的可能性、内容、发病时期，导出应对方法。

BPSD判断部30e基于所输入的数据，进行是否为BPSD的判断。

在实现处理部30的各个功能时，能够提取所输入的数据的特征量，进行各个功能处理。

存储部20例如能够存储函数20a、分类器20b、相关表20c、对应表20d及数据存储部20e。

相关表20c能够由将环境数据及生物体数据和与环境数据及生物体数据对应的关于BPSD的信息相关联地构成的数据库构成。对应表20d能够由将所预测的BPSD的产生的有无及产生的时期和应对方法相关联地构成的数据库构成。数据存储部20e存储有数据获取部40获取的数据、通过处理部30处理数据而得到的数据、通过输入部52输入的数据、为了预先通过处理部30进行各种判断而参照的数据等。

数据获取部40可以获取被加工的数据，也可以获取生数据(测定数据及输入数据)，通过处理部30进行加工。数据获取部40获取的数据例如可举出以下的数据。

(a)五感数据

如图5所示，五感数据例如检测音源探测、声音类型识别、嗅觉认知、人脸认证、动作检测、测距功能、立体检测等。五感数据能够通过摄像机及麦克风等进行测量。此外，只要为能够得到这些数据的器件，就没有特别限定。

(b)环境数据

如图6所示，环境数据例如测定温度、湿度、照度、水量、气压，或进行移动距离检测。环境数据能够从温度传感器、湿度传感器、照度传感器、气压传感器等中进行测量。此外，只要为能够得到这些数据的器件，就没有特别限定。

(c)生物体数据

如图7所示，生物体数据例如检测心跳、呼吸、起床、睡眠(非REM睡眠、快速眼动睡眠的检测)、睡醒、排泄、运动量、体温等。用于检测生物体数据的传感器只要能够进行这些检测，就没有特别限定，能够由一个或多个传感器构成。如果以睡眠为例，则能够通过多普勒传感器掌握非REM睡眠状态和快速眼动睡眠状态。关于排泄，通过组合卫生间的门的开闭传感器和卫生间内的人感传感器，一边进行检测，一边分析具有通信功能的标签(BLE标签)及摄像机的图像，能够检测排泄的时机。关于排泄，考虑夜间排尿时间的时机和排泄所需的时间，能够检测排泄内容。关于运动量，利用计算卡路里消耗的软件来算出，或根据具有通信功能的标签(BLE标签)产生的移动距离来计算，或者根据看护人的记录算出运动及清扫、洗涤等移动生物体的时间，从而能够计算运动量和卡路里消耗量。此外，只要为能够得到这些数据的器件，就没有特别限定。

(d)看护记录

如图8所示，看护记录的项目例如可举出：受到照顾的人或看护人的需求、受到照顾的人或看护人的担心、受到照顾的人的自觉症状、看护人观察到的、受到照顾的人的状态评价、受到照顾的人或看护人的感想、看护人的应对、看护人的搭话、看护人进行的等。

在看护记录中，为了提高BPSD的预测精度，优选具有以下记录。

1)记录有发生了BPSD，

2)明确记录有BPSD的发生的时间(时间段)和地点(地点的作用、地点的位置关系等)，

3)记录有BPSD的发生的时刻的环境因素(气温、湿度、照度、气压、噪音、异臭、人的存在、对话的内容、受验者的行动及态度)等状况，

4)记录有在BPSD的发生前后的受验者的行动及态度。还同时记录有相同环境因素。

将这些组合，从BPSD的发生是地点所具有的作用、地点存在的距离、生活节奏中的时间段、相对于地点和时间的环境因素、其前后的行动内容、与其前后的人的关系等观点考虑，能够高精度地进行BPSD的发生的可能性变高的状况的类推。

(e)数据获取方法

在获取部获取的数据中，例如，也可以如下获取。

1)环境数据(温度、湿度、气压、照度)的周期性的获取

2)生物体数据(心跳数、呼吸数、睡眠状态、起床状态)的周期性的获取

3)通过BLE标签获取对象使用者的位置信息，并算出移动距离

4)与AI摄像机联动，获取对象使用者的位置信息，并算出移动距离

5)将上述的获取数据与使用者ID结合，周期性地发送到信息处理装置

在上述1)的温度、湿度的周期性的获取中，温湿度传感器能够默认从实际时间以每10分钟的周期发生获取数据。各网关能够与使用者ID结合获取成为对象的传感器的数据。能够通过1台网关获取多个传感器数据，并同时支持多个使用者，从而能够进行分析。

在上述2)的气压、照度的周期性的获取中，将安装有气压传感器、照度传感器的扩张模块与IoT网关连接，能够从实际时间以10分钟的周期更新气压、照度的信息。能够通过可利用1台网关作为多个使用者的数据支持的器件与各分析进行对应。

在上述3)的心跳数、呼吸数、睡眠状态、起床状态的周期性的获取中，将多普勒传感器单元设置于床周围的墙壁，能够进行着床时的心跳数、呼吸数、睡眠状态和起床/着床时的项目通知。心跳数、呼吸数、睡眠状态从实际时间每10分钟进行测定，并通知到IoT网关，由此，能够进行分析。起床/着床状态也可以在项目发生时即时通知。

(2)信息处理装置的物理的结构

信息处理装置10由电子计算机构成，例如，由巨型计算机等大型电子计算机、搭载有GPU(Graphics Processing Unit：图形处理器)的电子计算机、多个个人计算机、量子计算机等构成。

处理部30能够通过CPU等运算装置来实现。存储部20例如能够使ROM、硬盘、外部存储装置(CD、DVD等)公知的存储装置存储。存储部20可以在运算装置中独立地分开构成，也可以在运算装置内构成。信息处理装置10可以由1个电子计算机构成，也可以由多个电子计算机构成。

使信息处理装置10执行信息处理的程序能够存储于信息处理装置10中所含的存储装置(例如ROM、硬盘)等。

数据获取部40例如，能够由能够从通信网络接收数据的接收部构成。

输入部例如能够由键盘、鼠标、触摸面板等公知的输入装置构成。显示部54能够应用液晶显示器、有机EL显示器等公知的显示器。发送部56向通过通信网络而连接的终端发送信息，能够应用公知的发送装置。

3.信息处理方法

(1)信息处理方法的概要

参照图4对信息处理方法进行说明。

数据获取部40从IoT器件等中获取受到看护的人的五感数据、环境数据、生物体数据、行动数据、看护记录(S1)。

将指标化部30a获取的数据指标化，算出评价指标参数(S2)。

预测部30b分析评价指标参数，并预测BPSD(S3)。

基于应对方法导出部30d预测的BPSD的发生的有无及发生时期，生成应对方法(S4)。

数据获取部40获取行动数据等，通过BPSD判断部30e，评价实际上是否发生BPSD的症状(S5)。

基于学习部30c预测的BPSD与实际的症状的差异，通过深度学习，进行函数20a或识别器(神经网络)的学习(更新)(S6)。

图11中表示各阶段中得到的测量数据及加工数据。图11的各数据能够彼此相关联地存储于存储部20的数据存储部20e。

(2)指标化处理的例

(a)环境指标

关于环境指标，能够将针对每个气温+湿度、气压、照度算出的不适度设为指标。首先，关于气温+湿度，利用表示公知的舒适范围的图表，根据是否处于舒适范围，判断是否不愉快。

作为该处理，首先，判断湿度是否处于40～70％之间，在范围外的情况下为不适。

另外，在湿度处于40～70％之间的情况下，使用以下的数式，判断是否为适当的气温。

[数1]

18²+2²≤(3*(37-T))²+(2*(105-H))²≤36²+4²

在气温和湿度存在于该数式的范围的情况下设为舒适，在脱离该范围的情况下设为不适。判断为不适时的不适度简易地使用从舒适范围的中心点到现在的气温湿度的直线和距舒适范围的交点的距离作为不适度的指标。

接着，关于气压的不适指标，将标准气压1013hPa作为标准值，充当以下的数式。

[数2]

在此，将气压设为P时，不适指标成为P’。

接着，虽然是照度的不适指标，但这些因使用者的状态而成为基准的照度不同。将基准照度设为I₀，使用以下的计算式。

[数3]

作为照度I，算出作为照度的不适指标的I’。另外，基准照度计算为活动时200lux、安静时50lux、睡眠时20lux。

(b)生物体指标

就心跳数而言，将1分钟的心跳数设为P，将平均的心跳数设为P₀，生物体指标P’通过以下的计算式来求出。

[数4]

关于呼吸数，将1分钟的呼吸数设为B，将平均的呼吸数设为B₀，生物体指标B’通过以下的计算式来求出。

[数5]

(3)预测处理

(a)预测逻辑

在将预测的逻辑设为P的情况下，基于以下的式能够进行矩阵计算，并进行P的算出。

[数6]

在此，p1～p5表示各参数，α～ε’表示在发生时与痴呆症的行动及心理症状(BPSD)相关的项目的程度。

(b)BPSD的发生时期的预测

BPSD的发生时期的预测能够在几个基准点的基础上导出时间段的关联性。作为该指标，以以下的时刻为基准点，列举为候补。

1)0时(日期变更点)

2)日出(日落)

3)起床

4)吃饭

对于BPSD的发生，能够算出从各个基准点起的经过时间，并从其偏差中导出相关性。能够对BPSD的发生的时机和从上述基准点起的经过时间进行回归分析，并导出关联性。此时，关于起床，除夜间的睡眠、午睡外，吃饭还可以分类为早饭、午饭、晚饭、零食等种类。在将BPSD的发生的时刻设为A点时，如果是0时、夜间睡眠的起床、早饭、午饭、晚饭近的经过时间、和午睡之后，则也可以追加从午睡的经过时间作为指标，如果是零食后，则也可以追加从零食的经过时间作为指标。

如果产生新的事件，则具有产生会忘记其稍前的事件的记忆障碍的可能性变高的趋势。如果不知道做什么好而变得无精打采的抑郁状态，则具有为了寻找什么而反复进行同样的行动，有无目的的徘徊行走的趋势。由于指示命令的过度干预，具有忧郁、碍眼的汉字、突然大声发怒的易怒声的趋势。这些流程具有特有的时间差，能够进行考虑到时序分析的预测。

在预测BPSD时，与照片等图像分析不同，也可以使用考虑时序分析带来的影响的函数20a或分类器20b。该函数20a或分类器20b的学习即使在深度学习(DeepLarning)中也与语言、声音、图像分析接近，因此，也可以使用LSTM(Longshort-termmemory：长短期记忆网络)进行学习。

(c)来自BPSD的环境因素的预测

在BPSD的发生中，由于周围的环境造成的影响大，因此，能够对BPSD发生时的环境因素、特别是气温、湿度、气压、照度、臭味、噪音进行分析。关于气温、湿度，能够基于相对于温湿度的关联舒适性指标图表，诊断舒适性的程度，并将其设为指标。关于气压、照度、臭味、噪音，分别作为单一指标，分析与BPSD的产生的关联性，通过分别进行回归分析，能够算出相对于各指标的BPSD的影响和程度。

(d)来自自然语言分析的预测

通过自然语言分析，也能够分析BPSD。在通过自然语言处理特定提问及询问中所含的品词后，生成假设，接着，支持其假设或搜索证据。根据证据加权得分的统计模型手法，以BPSD的发病状态为基础，分配应对方法。

(e)来自行动的预测

如图10所示，从痴呆症患者的行动可知BPSD的相关性。由此，从痴呆症患者的行动中能够预测BPSD的发病。

(4)应对方法

能够基于BPSD的症状，基于函数20a或分类器20b生成应对方法。另外，也可以基于BPSD的症状和应对方法的对应表20d来选择BPSD的应对方法。也可以将图12所示的对应表20d存储于存储部20。

此外，在应对方法中，在也需要制作吃饭的菜单内容时，也可以基于运动量及卡路里消耗，算出营养卡路里，并将其用于菜单。

(5)验证

(a)发生的评价

关于BPSD的发病的验证能够通过BPSD问题行动的评价尺度(TBS：TroublesomeBehavior Scale)来进行。TBS描述老年痴呆症患的破坏行为及负担。

TBS定义描述老年痴呆症患者的破坏行为及成为负担的行动的15个项目和其频率，本申请人确认了具有信赖性和稳妥性作为评价痴呆症者的行动转移的尺度。进而，能够基于看护人在过去的规定期间(例如过去1个月期间)观察的频率，对痴呆症者中较好地观察的问题行动进行评价(例如5个阶段的评价)，并验证预测结果。频率能够设为“每天1次以上”、“一周数次”、“一个月数次”、“无”之类的评价分类。

能够通过声音病态分析进行BPSD分析。能够使用情绪识别技术(SensibilityTechnology)，分析说话中的“愤怒”“喜悦”“悲伤”“正常”4种情绪的比例和“兴奋”的程度，并显示其程度。BPSD发病的验证也可以通过大脑的图像诊断来进行。

如图13所示，在BPSD是否发病、发病的情况下，在该发病的内容及发病时期的评价中，BPSD判断部30e能够基于数据获取部40获取的数据或通过输入部52输入的数据，判断痴呆症患者是否发病BPSD。能够通过学习部学习该BPSD判断算法。BPSD判断算法的学习的方法能够与预测部30d的预测算法的学习同样地进行。

具体而言，数据获取部40获取数据(F11)，指标化部30a将该数据指标化，BPSD判断部30e判断是否为BPSD(F13)，输出是否为BPSD的判断结果。验证所输入的实际的BPSD的状况和BPSD判断部30e判断的结果(F15)，学习部30c进行在BPSD判断部30e判断是否为BPSD时使用的判断算法的学习(F16)。

(b)应对方法的评价

通过BPSD应对的评价，根据照顾方法的导出获得多少评价，来评价其信赖性。通过对从看护现场收集的大量的数据执行分析，收集病情记录，并转换为灵感，由此能够导出适当的照顾方法。在BPSD的应对方法的评价中，处理部30也可以基于数据获取部40获取的数据或通过输入部52输入的数据，验证痴呆症患者是否发病BPSD，并验证应对方法的好坏。基于该验证结果，学习部30d能够学习应对方法导出部30d的导出算法，并进行导出算法的更新。该应对方法导出部30d的导出算法的学习的方法能够与预测部30d的预测算法的学习同样地进行。

3.作用效果

预测BPSD的发病或发病的时期，通过早期的应对，能够预防BPSD的发病，并大幅降低BPSD本身的发生。由于能够预先预测BPSD，所以能够降低看护人的负担。

上述的实施方式能够在本发明的宗旨的范围内进行各种变更。在上述的实施方式中，对人的痴呆症的行动及心理症状进行了叙述，但不限定于此，关于动物的痴呆症的行动及心理症状也能够广泛应用。

4.应用例

(1)AI人工智能系统

本实施方式的信息处理装置能够应用于以下的AI(Artificial Intelligence)人工智能系统。即，AI人工智能系统能够融合由知识表达方式的数据蓄积部、分析部、敏感处理部、计划部形成的信息处理装置和从IoT网关通过自动识别、自动应对、自动通知收集的数据及通过人机接口、自然语言分析、声音识别收集的看护记录数据，进一步由基于统计学分析的数据采集部构成。

基于照顾中能用的知识数据，能够继续掌握痴呆症老年人的状态，并从状态的变化中进行特有的BPSD发病预测，提议预先存储的适当的应对方法。具有以下的效果。

(a)不仅聚焦于看护人，还聚焦于痴呆症的人

(b)多维灵活地与看护人和痴呆症的人的需求同时进行

(c)在适应药物疗法的情况下组合

(d)在信息共有中，能够基于以下的(a)～(c)的信息，一边进行留意，一边与从IoT信息中得到的数据相关联地分析。

1)针对具体的BPSD的应对信息

2)用于确保痴呆症的人的生物体的安全和幸福感的信息

3)与难的ADL(日常生活动作)信息对应的信息

AI的基础研究能够以推论及学习为基础，应用于痴呆症的行动及心理症状(BPSD)的应对并进行活用。

(2)AI人工智能系统的功能

AI人工智能系统能够具有以下的功能。

(a)专业系统

蓄积专家的见解作为规则，使用推论的手法，通过解决问题的系统将以下的参考文献词典化。

(b)声音识别

对着智能手机及平板电脑说话。特定谁在说话并由计算机理解说的内容将其文章化。

(c)自然语言处理

以使计算机理解文章化的信息的含义内容，能够在F-SOAIP的生活辅助记录法中进行信息检索的方式，进行分类并记录。

(d)敏感处理

基于认知科学及工效学的见解，从环境传感器接收感到温暖和冷漠的感觉，并在计算机上实现。

(e)图像识别

使计算机理解通过摄像机等拍摄的内容，将居室的亮度及色调分类成合适/不适。

(f)机械学习

从通过IoT传感器及看护记录收集的数据中找出具有连贯性的规则(模型)的系统。与数学统计的领域具有密切的关联，例如，使用以下的统计手法进行分析并整理。

1)FTA(Fault Tree Analysis：故障树分析法)分析

通过从结果中探索原因的分析方法，对不优选发生的事像分析发生路径、发生原因及发生概率。为了对BPSD的产生进行产生频率的分析，逻辑性地追溯原因的潜在的危险(容错)(这里所说的“容错”是指环境或人为错误等项目。)，将各自的发生概率相加，算出基本的事件可能产生的概率。

2)ETA(Event tree analysis：事件树分析法)分析

还称为危险预知分析，根据发生概率和其对策(照顾)的反应的成功或失败等，分析直到BPSD发生的过程。

3)HAZOP(Hazard and Operability Study：危险与可操作性研究)分析

通过根据经验法则进行分析的方法，分析在行动及心理症状发病的场面下，对于表示对象者的动作及性格特性的参数，该状态是否作为没有进行适当的照顾时的影响的结果产生的方法。

在此所说的参数还包含通过IoT网关得到的体温、呼吸、脉搏、温度、湿度、气压、睡眠时间等数据和该事件是否反复引起等引导词进行分析。

4)信息检索

从蓄积的数据中找出痴呆症照顾所需的信息的系统。

(g)推论

从各种模型中综合某法则，导出没有矛盾的回答的系统。

1)热点分析(Hot Spot Analysis)

将过去的行动及心理症状的发生的空间(地点)看作行动及心理症状发生的可能性高的空间(地点)的分析方法。

2)回归分析(Regression Methods)

除过去的BPSD外，将与环境及人际关系等BPSD相关的其它变量设为独立变量，通过回归分析预测未来的BPSD。

3)接近反复伤害法(Near-Repeat Methods)

基于一件BPSD和一次的BPSD的时空的接近性，预测未来的BPSD。

4)时空分析(Spatiotemporal Analysis)

从随着BPSD的发生的时间变化的移动模型及对其造成影响的各种因素中预测行动及心理症状。

5)风险面分析(Risk Terrain Analysis)

根据与对BPSD造成影响的空间的因素的接近性制作风险面。预测未来的BPSD的发生。

(h)数据采集

结合数据库技术和机械学习，从未大量整理的数据中找出被认为起作用的信息的系统，通过类分类及聚类等数据采集手法，预测BPSD，导出应对方法。

(i)人机接口

能够应用智能手机及平板电脑设备，以使看护人能够更简单地操作计算机等装置。

(j)计划

在导出BPSD的适当的照顾应对时，能够应用用于决定只要按哪种顺序进行照顾即可的系统。

(k)多代理

解决BPSD的看护人聚集，通过F-SOAIP对在看护现场解决复杂的问题时的信息再次调查BPSD发生，提出照顾的方法的系统。

活用上述内容，以推论及学习为基础，能够应用于痴呆症的BPSD的应对并进行活用。

(3)照顾方法

痴呆症中需要针对不同的行动及心理症状的照顾方法。这是因为有的照顾方法对痴呆症患者造成不同的影响。信息处理装置能够进行涵盖与标准的照顾方法及最优异的对人援助方法相关的信息的各种文献和过去的信息的蓄积。根据这些能够特定在看护痴呆症患者时，提供看护人应采用的最好的选项的照顾方法是哪个。通过看护专家的指导，痴呆症应对型IoT服务也可以收集获得看护现场的能力所需的知识。将其定义为“痴呆症照顾中的知识的语料库”。语料库的制作能够通过将大量的具有关联性的文献装入痴呆症应对型AI中来开始。

另外，语料库的制作也可以使专业职员介入，以选择信息，或排除所有被认为旧的信息、差信息、与问题的领域没有关系的信息。将其定义为“痴呆症应对型内容的治疗”。

通过治疗进行前处理，能够从现场通过生活辅助记录法(F-SOAIP)构建能够与内容更有效地结合的索引及其它元数据。通过提问和回答的对训练的痴呆症应对型AI通过机器人继续进行对话，从而能够继续学习。进而，当新的信息被公开时，痴呆症应对型AI也被更新，能够总是适应规定的领域中的知识和语言的解释的变化，进行特定信息中隐藏的新的病情记录及模型的准备。这是通过自然语言处理特定了提问及询问中所含的词性后，生成假设，接着，支持该假设或搜索证据的方法。

能够根据证据加权得分的统计模型手法，以行动及心理症状的发病状态为基础，分配应对方法。痴呆症应对型AI通过行动及心理症状应对的成功例，根据照顾方法的导出获得了多少评价来评价其信赖性。总之，痴呆症应对型AI对从看护现场收集的大量的数据执行分析，收集病情记录并转换为灵感，从而能够持续导出适当的照顾方法。

上述的实施方式能够在本发明的宗旨的范围内进行各种变更。

产业上的可利用性

本发明能够作为痴呆症患者及患痴呆症的动物等的照顾中的管理系统来应用。

符号说明

10 信息处理装置

20 存储部

20a 函数

20b 分类器

20c 相关表

20d 对应表

20e 数据存储部

30 处理部

30a 指标化部

30b 预测部

30c 学习部

30d 应对法生成部

30e BPSD判断部

40 数据获取部

52 输入部

54 显示部

56 发送部

70 通信网络

Claims

1.一种信息处理装置，其特征在于，包含：

2.根据权利要求1所述的信息处理装置，其特征在于：

所述预测部使用推理分析、回归分析、Hot Spot分析、邻近度分析和时空分析中的至少一种，来进行关于所述人或动物的痴呆症中的行动及心理症状的预测。

3.根据权利要求1或2所述的信息处理装置，其特征在于：

包含用于将所述数据获取部所获取的数据进行指标化的指标化部，

所述预测部输入由所述指标化部进行指标化而得的指标值，并使用输出关于所述人或动物的痴呆症中的行动及心理症状的预测值的函数或分类器，来进行预测。

4.根据权利要求1或2所述的信息处理装置，其特征在于：

所述分类器为SVM(Support Vector Machine)、神经网络或线性回归模型。

5.根据权利要求1或2所述的信息处理装置，其特征在于：

包含学习部，其评价所述预测部的关于所述人或动物的痴呆症中的行动及心理症状的预测与实际的所述人或动物的行动及心理症状的差，并基于该评价结果，进行所述函数或分类器的学习。

6.根据权利要求5所述的信息处理装置，其特征在于：

所述学习部评价所述预测部所预测的关于所述人或动物的痴呆症中的行动及心理症状的预测与实际的所述人或动物的行动及心理症状的差，

在所述预测部的关于所述人或动物的痴呆症中的行动及心理症状的预测与实际的所述人或动物的行动及心理症状的差的评价内容，与关于所述数据获取部所获取的数据的信息的关联中，通过深度学习来进行所述函数或分类器的学习。

7.根据权利要求5所述的信息处理装置，其特征在于：

所述函数包含关于所述数据获取部所获取的数据的数值的参数、和系数而构成，

所述学习部通过深度学习来调节所述系数。

8.根据权利要求1、2、6和7中任一项所述的信息处理装置，其特征在于：

所述数据获取部获取所述环境数据和所述生物体数据，

所述环境数据包含所述人或动物的周围的气温和湿度，

所述生物体数据包含所述人或动物的脉搏、呼吸数和体温。

9.根据权利要求8所述的信息处理装置，其特征在于：

包含数据存储部，其将所述环境数据及所述生物体数据和与所述环境数据及所述生物体数据对应的关于所述人或动物的痴呆症中的行动及心理症状的信息相关联地存储。

10.根据权利要求8所述的信息处理装置，其特征在于：

包含存储部，其存储由所述环境数据及所述生物体数据和与所述环境数据及所述生物体数据对应的关于所述人或动物的痴呆症中的行动及心理症状的信息相关联地构成的相关表。

11.根据权利要求1、2、6、7、9和10中任一项所述的信息处理装置，其特征在于：

包含应对方法导出部，其基于所述预测部所预测的关于所述人或动物的痴呆症中的行动及心理症状的预测内容，生成或选择应对方法。

12.根据权利要求5所述的信息处理装置，其特征在于：

所述实际的所述人或动物的行动及心理症状通过行动及心理症状判断部并根据判断算法来判断，

所述学习部评价所述行动及心理症状判断部的判断结果与实际上人判断的所述人或动物的行动及心理症状的判断结果的差，并基于该评价结果来进行所述判断算法的学习。

13.一种信息处理方法，其特征在于，包含：

14.一种程序，其特征在于，用于使计算机执行以下步骤：