CN113544789A - 环境控制系统 - Google Patents

环境控制系统 Download PDF

Info

Publication number
CN113544789A
CN113544789A CN202080018616.5A CN202080018616A CN113544789A CN 113544789 A CN113544789 A CN 113544789A CN 202080018616 A CN202080018616 A CN 202080018616A CN 113544789 A CN113544789 A CN 113544789A
Authority
CN
China
Prior art keywords
data
learning
subject person
risk
control system
Prior art date
Legal status (The legal status 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 status listed.)
Granted
Application number
CN202080018616.5A
Other languages
English (en)
Other versions
CN113544789B (zh
Inventor
福井小纪子
M·山川
内海桃绘
樋口明里
田中晴佳
奥本卫
川添政宣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Daikin Industries Ltd
Original Assignee
Daikin Industries Ltd
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 Daikin Industries Ltd filed Critical Daikin Industries Ltd
Publication of CN113544789A publication Critical patent/CN113544789A/zh
Application granted granted Critical
Publication of CN113544789B publication Critical patent/CN113544789B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
    • F24F11/63—Electronic processing
    • 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
    • A61B5/02405—Determining heart rate variability
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/20—Measuring for diagnostic purposes; Identification of persons for measuring urological functions restricted to the evaluation of the urinary system
    • A61B5/202—Assessing bladder functions, e.g. incontinence assessment
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/44—Detecting, measuring or recording for evaluating the integumentary system, e.g. skin, hair or nails
    • A61B5/441—Skin evaluation, e.g. for skin disorder diagnosis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4806—Sleep evaluation
    • A61B5/4812—Detecting sleep stages or cycles
    • 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
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • 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
    • G16H40/20—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 management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
    • 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
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/20—Cameras or camera modules comprising electronic image sensors; Control thereof for generating image signals from infrared radiation only
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
    • A61B2560/02—Operational features
    • A61B2560/0242—Operational features adapted to measure environmental factors, e.g. temperature, pollution
    • A61B2560/0247—Operational features adapted to measure environmental factors, e.g. temperature, pollution for compensation or correction of the measured physiological value
    • A61B2560/0252—Operational features adapted to measure environmental factors, e.g. temperature, pollution for compensation or correction of the measured physiological value using ambient temperature
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
    • A61B2560/02—Operational features
    • A61B2560/0242—Operational features adapted to measure environmental factors, e.g. temperature, pollution
    • A61B2560/0247—Operational features adapted to measure environmental factors, e.g. temperature, pollution for compensation or correction of the measured physiological value
    • A61B2560/0257—Operational features adapted to measure environmental factors, e.g. temperature, pollution for compensation or correction of the measured physiological value using atmospheric pressure
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
    • A61B2562/02—Details of sensors specially adapted for in-vivo measurements
    • A61B2562/029—Humidity sensors
    • 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
    • A61B5/20—Measuring for diagnostic purposes; Identification of persons for measuring urological functions restricted to the evaluation of the urinary system
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/42—Detecting, measuring or recording for evaluating the gastrointestinal, the endocrine or the exocrine systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/44—Detecting, measuring or recording for evaluating the integumentary system, e.g. skin, hair or nails
    • A61B5/441—Skin evaluation, e.g. for skin disorder diagnosis
    • A61B5/445—Evaluating skin irritation or skin trauma, e.g. rash, eczema, wound, bed sore
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4806—Sleep evaluation
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/10—Temperature
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/20—Humidity
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/40—Pressure, e.g. wind pressure
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2130/00—Control inputs relating to environmental factors not covered by group F24F2110/00
    • F24F2130/20—Sunlight
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2130/00—Control inputs relating to environmental factors not covered by group F24F2110/00
    • F24F2130/30—Artificial light
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2130/00—Control inputs relating to environmental factors not covered by group F24F2110/00
    • F24F2130/40—Noise
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N5/00—Details of television systems
    • H04N5/30—Transforming light or analogous information into electric information
    • H04N5/33—Transforming infrared radiation

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)
  • Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Physiology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Signal Processing (AREA)
  • Cardiology (AREA)
  • Databases & Information Systems (AREA)
  • Psychiatry (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Combustion & Propulsion (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Mechanical Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Hospice & Palliative Care (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Automation & Control Theory (AREA)
  • Dermatology (AREA)

Abstract

提供一种用于控制对象人的环境的环境控制系统。该环境控制系统包括：控制对象人的环境的致动器；以及对所述致动器的运转进行控制的控制部，其中，该环境控制系统包括推断部和运转条件确定部，该推断部具有第一学习完成模型和第二学习完成模型，该第一学习完成模型是将表示对象人的环境的环境信息、和与所述对象人的睡眠、排泄、移动、皮肤、以及压力的状态中的至少任意一者相关的数据关联并进行学习而得到的模型，该第二学习完成模型是将与所述对象人的睡眠、排泄、移动、皮肤、以及压力的状态中的至少任意一者相关的数据、和与所述对象人的将来有可能发生的一种以上的风险的大小相关的数据关联并进行学习而得到的模型，在基于所述第一和第二学习完成模型推断出与对象人的将来有可能发生的所述一种以上的风险的大小相关的数据的情况下，该运转条件确定部通过对该推断出的数据进行评价，从而确定所述致动器的运转条件。

Description

环境控制系统
技术领域
本公开涉及一种环境控制系统。
背景技术
传统上，在医疗护理的现场，进行关于疗养者的各种数据的取得，例如实时地感知并记录疗养者的生物信息，或者将疗养者的日常状态作为护理记录进行保留。通过使用该数据，从而能够对疗养者发生的问题事件准确地进行掌握，并根据问题事件进行医疗护理。
<现有技术文献>
<专利文献>
专利文献1：日本特开2019-17499号公报
发明内容
<本发明要解决的问题>
另一方面，认为如果能够在疗养者发生问题事件之前，对发生的风险进行预测，并向疗养者预先提供与预测出的风险相对应的环境，则能够抑制问题事件的发生，而且还能够有助于提高疗养者的QOL(Quality Of Life：生活质量)。
本公开提供一种用于控制对象人的环境的环境控制系统。
<用于解决问题的手段>
根据本公开的第1方案的环境控制系统用于控制对象人的环境，所述环境控制系统包括：致动器，对环境进行控制；运转条件确定部，确定所述致动器的运转条件；控制部，基于由所述运转条件确定部确定的运转条件对所述致动器进行控制；以及推断部，具有第一学习完成模型和第二学习完成模型，所述第一学习完成模型是将表示对象人的环境的环境信息、和与所述对象人的睡眠、排泄、移动、皮肤、以及压力的状态中的至少任意一者相关的数据关联并进行学习而得到的模型，所述第二学习完成模型是将与所述对象人的睡眠、排泄、移动、皮肤、以及压力的状态中的至少任意一者相关的数据、和与所述对象人的将来有可能发生的一种以上的风险的大小相关的数据关联并进行学习而得到的模型，所述推断部通过将在将对象人的环境信息输入到所述第一学习完成模型时的输出数据、或将输入到所述第一学习完成模型时的输出数据与关于对象人的状态的数据的组合输入到所述第二学习完成模型，从而推断与所述一种以上的风险的大小相关的数据，所述运转条件确定部通过对由所述推断部推断出的与所述一种以上的风险的大小相关的数据进行评价，从而确定所述致动器的运转条件。
根据本公开的第1方案，能够提供一种用于控制对象人的环境的环境控制系统。
另外，本公开的第2方案为根据第1方案所述的环境控制系统，其中，所述第二学习完成模型是使用所述对象人的生物信息作为与所述对象人的睡眠、排泄、移动、皮肤、以及压力的状态中的至少任意一者相关的数据进行学习而得到的模型。
另外，本公开的第3方案为根据第2方案所述的环境控制系统，其中，所述生物信息包括所述对象人的移动量、所述对象人的抓挠次数、所述对象人的心跳波动、所述对象人的睡眠深度、以及所述对象人的估计尿量或排泄次数中的至少任意一者。
另外，本公开的第4方案为根据第1至3中任一项方案所述的环境控制系统，其中，所述第一学习完成模型是将所述对象人的环境信息、和与所述对象人的睡眠、排泄、移动、皮肤、以及压力的状态中的至少任意一者相关的数据作为学习用数据集进行学习而得到的模型。
另外，本公开的第5方案为根据第4方案所述的环境控制系统，其中，所述第一学习完成模型是进一步根据所述对象人的环境信息和表示所述对象人的属性的属性信息的组合，对与所述对象人的睡眠、排泄、移动、皮肤、以及压力的状态中的至少任意一者相关的数据进行学习而得到的模型。
另外，本公开的第6方案为根据第1至5中任一项方案所述的环境控制系统，其中，所述第二学习完成模型是将与所述对象人的睡眠、排泄、移动、皮肤、压力的状态相关的数据、和与所述对象人的将来有可能发生的一种以上的风险的大小相关的数据作为学习用数据集进行学习而得到的模型。
另外，本公开的第7方案为根据第1至6中任一项方案所述的环境控制系统，其中，所述推断部使用护理记录作为关于对象人的状态的数据。
另外，本公开的第8方案为根据第1方案所述的环境控制系统，其中，所述运转条件确定部通过对由所述推断部推断出的与所述一种以上的风险的大小相关的数据进行加权加法计算来进行评价。
另外，本公开的第9方案为根据第1方案所述的环境控制系统，其中，所述环境信息包括温度、湿度、气压、照度、噪声中的至少任意一者。
另外，本公开的第10方案为根据第1方案所述的环境控制系统，其中，所述致动器包括用于对所述对象人的环境进行控制的空调设备。
根据本公开的第11方案的环境控制系统用于控制对象人的环境，所述环境控制系统包括：致动器，对环境进行控制；运转条件确定部，确定所述致动器的运转条件；控制部，基于由所述运转条件确定部确定的运转条件对所述致动器进行控制；以及推断部，具有第三学习完成模型，所述第三学习完成模型是将与对象人的睡眠、排泄、移动、皮肤、及压力的状态中的至少任意一者相关的数据、以及表示所述对象人的环境的环境信息、和与所述对象人的将来有可能发生的一种以上的风险的大小相关的数据关联并进行学习而得到的模型，所述推断部通过将与对象人的睡眠、排泄、移动、皮肤、及压力的状态中的至少任意一者相关的数据、以及对象人的环境信息输入到所述第三学习完成模型，从而推断与所述一种以上的风险的大小相关的数据，所述运转条件确定部通过对由所述推断部推断出的与一种以上的风险的大小相关的数据进行评价，从而确定所述致动器的运转条件。
根据本公开的第11方案，能够提供一种用于控制对象人的环境的环境控制系统。
附图说明
图1是示出根据第1实施方式的环境控制系统的系统构成的一个示例的图。
图2是用于对根据第1实施方式的环境控制系统(学习阶段)的处理的概要进行说明的图。
图3是用于对根据第1实施方式的环境控制系统(推断阶段)的处理的概要进行说明的图。
图4是示出数据分析装置的硬件构成的一个示例的图。
图5是示出疗养者属性信息的一个示例的图。
图6是示出环境信息的一个示例的图。
图7是示出5方面相关数据的一个示例的图。
图8是示出5方面数据的一个示例的图。
图9是示出风险发生信息和风险相关数据的一个示例的图。
图10A是示出第一学习部的功能构成的一个示例的第1图。
图10B是示出第一学习部的功能构成的一个示例的第2图。
图11A是示出第二学习部的功能构成的一个示例的第1图。
图11B是示出第二学习部的功能构成的一个示例的第2图。
图12A是示出第一推断部的功能构成的一个示例的第1图。
图12B是示出第一推断部的功能构成的一个示例的第2图。
图13是示出第二推断部的功能构成的一个示例的图。
图14是示出运转条件确定部的功能构成的一个示例的图。
图15是示出由数据分析装置进行的数据分析处理的流程的流程图。
图16是示出第一学习部的功能构成的另一个示例的第1图。
图17是示出第一学习部的功能构成的另一个示例的第2图。
图18是用于对根据第4实施方式的环境控制系统(学习阶段)的处理的概要进行说明的图。
图19是用于对根据第4实施方式的环境控制系统(推断阶段)的处理的概要进行说明的图。
具体实施方式
以下，参照附图对各实施方式进行说明。需要说明的是，在本说明书及附图中，针对具有实质上相同的功能构成的构成要素赋予相同的符号以省略重复的说明。
[第1实施方式]
<环境控制系统的系统构成>
首先，对根据第1实施方式的环境控制系统的系统构成进行说明。图1是示出根据第1实施方式的环境控制系统的系统构成的一个示例的图，并且设置在医院或护理机构(在居家疗养的情况下，设置在作为对象人的一个示例的疗养者的家里)。如图1所示，环境控制系统100包括致动器控制系统110、5方面测量系统120、状态记录系统140、以及数据分析系统150。在环境控制系统100中，各个系统通过网络160连接。以下，对各个系统的构成进行说明。
(1)致动器控制系统的构成
致动器控制系统110是通过使用感测设备对疗养者170所在的居室的环境进行感测，从而取得用于表示疗养者的环境的环境信息，并且使用致动器对疗养者170所在的居室的环境进行控制的系统。
具体来说，致动器控制系统110具有空调设备111、照明设备112、声音产生装置113作为致动器。另外，致动器控制系统110包括空调设备111、照明设备112、声音产生装置113作为致动器。另外，致动器控制系统110具有温度计114a、湿度计114b、气压计114c、照度计114d、噪声计114e作为感测设备。此外，致动器控制系统110具有致动器控制装置115。
空调设备111是将疗养者170所在的居室内的空气的污垢去除，并对温度、湿度进行控制的设备。照明设备112是对疗养者170所在的居室内的照度进行控制的设备。声音产生装置113是音响装置、电视或收音机等产生声音的装置，并且是对疗养者170所在的居室内的音量进行控制的装置。
空调设备111、照明设备112、声音产生装置113基于来自致动器控制装置115的指示分别对温度、湿度、照度、音量进行控制。
温度计114a、湿度计114b以预定周期对疗养者170所在的居室内的温度、湿度进行感测，并将温度数据、湿度数据发送到致动器控制装置115。气压计114c以预定周期对疗养者170所在的居室内的气压进行感测，并将气压数据发送到致动器控制装置115。
照度计114d以预定周期对疗养者170所在的居室内的照度进行感测，并将照度数据发送到致动器控制装置115。噪声计114e以预定周期对疗养者170所在的居室内的声音进行感测，并将声音数据发送到致动器控制装置115。
致动器控制装置115具有收集部116和控制部117。收集部116对由感测设备感测到的各个数据进行收集，并将其作为环境信息经由网络160发送到数据服务器151。
控制部117经由网络160从数据分析系统150接收致动器控制模式。另外，控制部117基于接收到的致动器控制模式，针对空调设备111、照明设备112、声音产生装置113进行用于对温度、湿度、照度、音量进行控制的指示。由此，空调设备111、照明设备112、声音产生装置113能够基于接收到的致动器控制模式，对温度、湿度、照度、音量进行控制。
(2)5方面测量系统的构成
5方面测量系统120是使用感测设备对与疗养者170的生物特征信息中的疗养者170的5个方面(睡眠、排泄、移动、皮肤、压力)相关的数据进行感测的系统。
具体来说，5方面测量系统120具有红外线摄像头121、体动传感器122、加速度传感器123、心脏电位传感器124、超声波传感器125、睡眠传感器126、5方面测量装置127。
红外线摄像头121将从疗养者170发射的红外线可视化。例如，通过对由红外线摄像头121拍摄的图像数据进行分析，从而能够计算出例如疗养者170对特定部位的皮肤进行抓挠的抓挠次数(动作次数)。即，由红外线摄像头121拍摄的图像数据是与疗养者170的5个方面之中的“皮肤”相关的数据。另外，例如，通过对由红外线摄像头121拍摄的图像数据进行分析，从而能够计算出当疗养者170离开床并移动时的移动量。即，由红外线摄像头121拍摄的图像数据也是与疗养者170的5个方面之中的“移动”相关的数据。
体动传感器122是对疗养者170在床上的体动进行检测的传感器，例如使用多普勒传感器等。通过对由体动传感器122检测出的体动数据进行分析，从而能够计算出例如疗养者170的翻身次数。即，由体动传感器122检测出的体动数据是与疗养者170的5个方面之中的“睡眠”相关的数据。另外，能够基于由体动传感器122检测出的体动数据(体表的振动)，例如计算出疗养者170的心跳的波动，并确定疗养者170的压力(stress)的程度(交感神经和副交感神经的主导状态)。即，由体动传感器122检测出的体动数据也是与疗养者170的5个方面之中的“压力”相关的数据。
加速度传感器123是对疗养者170的运动进行检测的传感器。例如，通过对由加速度传感器123测量的加速度数据进行分析，从而能够计算出疗养者170的移动量。即，由加速度传感器123测量的加速度数据是与疗养者170的5个方面之中的“移动”相关的数据。另外，例如，在将加速度传感器123安装于疗养者170的臂部的情况下，能够检测出例如疗养者170对特定部位的皮肤进行抓挠的抓挠次数(动作次数)。即，由加速度传感器123测量出的加速度数据也是与疗养者170的5个方面之中的“皮肤”相关的数据。
心脏电位传感器124是对疗养者170的心脏电位进行测量的传感器。通过对由心脏电位传感器124测量出的心脏电位数据进行分析，从而例如能够计算出疗养者170的心跳的波动，并确定疗养者170的压力的程度(交感神经和副交感神经的主导状态)。即，由心脏电位传感器124测量出的心脏电位数据是与疗养者170的5个方面之中的“压力”相关的数据。
超声波传感器125是对蓄积在疗养者170的膀胱中的尿量进行测量的传感器。通过对由超声波传感器125测量出的超声波数据进行分析，从而能够计算出例如疗养者170的估计尿量。即，由超声波传感器125测量出的超声波数据是与疗养者170的5个方面之中的“排泄”相关的数据。
睡眠传感器126是对疗养者170的睡眠和清醒的状态进行测量的传感器。例如通过结合疗养者170的翻身次数等对由睡眠传感器126测量出的睡眠数据进行分析，从而能够计算出疗养者170的睡眠深度。即，由睡眠传感器126测量出的睡眠数据是与疗养者170的5个方面之中的“睡眠”相关的数据。
需要说明的是，5方面测量系统120所具有的上述感测设备是一个示例，并且5方面测量系统120可以具有除上述之外的感测设备。例如，可以配置脑波传感器、RGB摄像头、声音检测传感器等，并且将由该些传感设备检测出的数据用作与“睡眠”、“移动”、“皮肤”等相关的数据。
5方面测量装置127取得由红外线摄像头121拍摄的图像数据、由体动传感器122检测的体动数据、由加速度传感器123测量的加速度数据。另外，5方面测量装置127取得由心脏电位传感器124测量的心脏电位数据、由超声波传感器125测量的超声波数据、由睡眠传感器126测量的睡眠数据。此外，5方面测量装置127基于取得的数据计算与5方面相关的数据，并将该数据作为5方面相关数据经由网络160发送到数据服务器151。
需要说明的是，在上述说明中，构成为
·基于图像数据计算对皮肤进行抓挠的抓挠次数，作为与“皮肤”相关的数据，
·根据基于体动数据计算出的翻身次数和基于睡眠数据计算出的睡眠和清醒的状态，计算睡眠深度，作为与“睡眠”相关的数据，
·基于加速度数据计算移动量，作为与“移动”相关的数据，
·基于心脏电位数据计算心跳的波动，作为与“压力”相关的数据，
·基于超声波数据计算估计尿量，作为与“排泄”相关的数据。
然而，与5个方面相关的数据不限于此，另外，在计算与5个方面相关的数据时所使用的数据也不限于此。例如，可以根据体动数据计算排泄次数，作为与“排泄”相关的数据。
(3)状态记录系统的构成
状态记录系统140是输入由对疗养者170进行医疗护理的护士130记录的日常护理记录中包括的5方面(睡眠、排泄、移动、皮肤、压力)数据、以及风险发生信息的系统。
具体来说，状态记录系统140具有状态记录装置143。护士130将包括在日常护理记录中的5方面数据141、风险发生信息142输入到状态记录装置143中。
如图1所示，5方面数据141包括“睡眠”、“排泄”、“移动”、“皮肤”、“压力”的各个项目，并且护士130通过对疗养者170进行观察，从而例如按照5个阶段对各个项目的程度进行记录。
另外，在风险发生信息142中，列出了有可能在疗养者170身上发生的问题事件(风险)的项目，护士130通过对疗养者170进行观察，从而对是否发生了问题事件进行记录。在图1的示例中，列出了“失眠”、“卧床”、“褥疮”、“便秘”、“疼痛”等，作为有可能在疗养者170身上发生的问题事件(风险)。需要说明的是，有可能在疗养者170身上发生的问题事件(风险)不限于此。
状态记录装置143将由护士130输入的5方面数据141、风险发生信息142经由网络160发送到数据服务器151。
(4)数据分析系统的构成
数据分析系统150是基于通过对针对包括疗养者170在内的多个疗养者积累的数据进行分析而获得的经验知识，对在新的疗养者(对象人)身上的问题事件的发生进行抑制，并对用于有助于QOL提高的最佳环境进行确定的系统。
具体来说，数据分析系统150具有数据服务器151和数据分析装置152。
数据服务器151是对关于包括疗养者170在内的多个疗养者的数据(学习用数据集)进行积累的服务器。在数据服务器151中，积累关于包括疗养者170在内的多个疗养者的疗养者属性信息。
另外，在数据服务器151中，积累从致动器控制系统110发送的环境信息、从5方面测量系统120发送的5方面相关数据、以及从状态记录系统140发送的5方面数据和风险发生信息142。
在数据分析装置152中安装有数据分析程序。数据分析装置152通过执行该程序，从而起到第一学习部153a、第二学习部153b、第一推断部154a、第二推断部154b、运转条件确定部155的作用。
第一学习部153a根据环境信息对5方面相关数据进行学习。另外，第二学习部153b根据5方面相关数据(及5方面数据)，对基于风险发生信息计算出的与一种以上的风险的大小相关的数据进行学习。
第一推断部154a依次输入在使新的疗养者的当前的环境基于多个不同的致动器控制模式变化的情况下的变化后的多个环境信息，并分别推断5方面相关数据。需要说明的是，致动器控制模式是指规定了用于使空调设备111、照明设备112、声音产生装置113进行动作的运转条件的各种模式。
第二推断部154b输入由第一推断部154a推断出的5方面相关数据(与5方面数据的组合)，并分别推断与新的疗养者的一种以上的风险的大小相关的数据。
运转条件确定部155分别对与由第二推断部154b推断出的一种以上的风险的大小相关的数据进行评价。由此，运转条件确定部155确定最佳的致动器控制模式。另外，运转条件确定部155将确定的致动器控制模式经由网络160发送到致动器控制装置115。
<环境控制系统的处理的概要>
接着，对环境控制系统100的处理的概要进行说明。
(1)学习阶段中的环境控制系统的处理的概要
首先，对学习阶段中的环境控制系统100的处理的概要进行说明。图2是用于对根据第1实施方式的环境控制系统(学习阶段)的处理的概要进行说明的图。
如上所述，在数据分析系统150中，第一学习部153a根据环境信息对5方面相关数据进行学习。具体来说，
·输入从致动器控制系统110发送的预定区间(例如1天)的环境信息和从5方面测量系统120发送的该预定区间开始时的5方面相关数据，
·将从5方面测量系统120发送的该预定区间的5方面相关数据作为正确答案数据，
针对5方面计算模型201进行机器学习，并生成学习完成(训练完成)5方面计算模型作为学习结果。
需要说明的是，在第一学习部153a中，使用在数据服务器151中积累的关于包括疗养者170在内的多个疗养者的环境信息和5方面相关数据的学习用数据集进行上述机器学习。
另外，如上所述，在数据分析系统150中，第二学习部153b根据5方面相关数据(和5方面数据)，针对基于风险发生信息计算出的与风险的大小相关的数据(风险相关数据)进行学习。具体来说，
·输入从5方面测量系统120发送的预定区间的5方面相关数据(及从状态记录系统140发送的5方面数据)，
·将基于从状态记录系统140发送的风险发生信息计算出的风险相关数据作为正确答案数据，
针对风险预测模型202进行机器学习，并生成学习完成(训练完成)风险预测模型作为学习结果。
需要说明的是，第二学习部153b使用在数据服务器151中积累的关于包括疗养者170在内的多个疗养者的5方面相关数据(和5方面数据)、以及风险相关数据的学习用数据集进行上述机器学习。
(2)推断阶段中的环境控制系统的处理的概要
接着，对推断阶段中的环境控制系统100的处理的概要进行说明。图3是用于对根据第1实施方式的环境控制系统(推断阶段)的处理的概要进行说明的图。
如上所述，在数据分析系统150中，第一推断部154a输入在使新的疗养者的当前的环境基于多个不同的致动器控制模式变化的情况下的变化后的多个环境信息，并分别推断5方面相关数据。
具体来说，如图3所示，在数据分析系统150中，预先保存多个致动器控制模式。并且，在数据分析系统150中，通过逐一地输入在由各个致动器控制模式对致动器进行控制的情况下的环境信息，从而执行作为第一学习完成模型的一个示例的学习完成5方面计算模型301。
此时，在数据分析系统150中，通过一并输入从5方面测量系统120发送的新的疗养者的当前的5方面相关数据，从而执行学习完成5方面计算模型301。
即，第一推断部154a通过输入
·多个致动器控制模式之中的任意一个致动器控制模式、以及
·从5方面测量系统120发送的当前的5方面相关数据的组合，从而推断相对于当前的将来的预定区间的5方面相关数据。
另外，在数据分析系统150中，通过输入从学习完成5方面计算模型301输出的输出数据(5方面相关数据)，从而执行作为第二学习完成模型的一个示例的学习完成风险预测模型302。或者，在数据分析系统150中，通过输入该输出数据和与疗养者的状态相关的数据(从状态记录系统140发送的5方面数据)的组合，从而执行学习完成风险预测模型302。
另外，在数据分析系统150中，风险评价部303针对从学习完成风险预测模型302输出的风险相关数据进行评价。在风险评价部303中，每当将1个致动器控制模式输入到学习完成5方面计算模型301时，针对从学习完成风险预测模型302输出的风险相关数据进行评价。
风险评价部303通过完成针对所有的风险相关数据的评价，从而确定评价结果最优的致动器控制模式。由此，将确定的致动器控制模式作为在对新的疗养者的当前的环境进行控制时的最佳的致动器控制模式，发送到致动器控制系统110。
<数据分析装置的硬件构成>
接着，对数据分析装置152的硬件构成进行说明。图4是示出数据分析装置的硬件构成的一个示例的图。如图4所示，数据分析装置152包括CPU(Central Processing Unit：中央处理单元)401、ROM(Read Only Memory：只读存储器)402、RAM(Random AccessMemory：随机存取存储器)403。CPU401、ROM402、RAM403形成所谓的计算机。另外，数据分析装置152包括辅助存储装置404、显示装置405、操作装置406、I/F(Interface：接口)装置407、驱动器装置408。数据分析装置152的各个硬件经由总线409相互连接。
CPU401是用于对安装在辅助存储装置404中的各种程序(例如数据分析程序等)进行执行的运算设备。ROM402是非易失性存储器。ROM402起到主存储装置的作用，并对由CPU401执行在辅助存储装置404中安装的各种程序所需的各种程序或数据等进行存储。具体来说，ROM402对BIOS(Basic Input/Output System：基本输入/输出系统)或EFI(Extensible Firmware Interface：可扩展固件接口)等引导程序等进行存储。
RAM403是DRAM(Dynamic Random Access Memory：动态随机存取存储器)或SRAM(Static Random Access Memory：静态随机存取存储器)等易失性存储器。RAM403起到主存储装置的作用，并且提供当由CPU401执行在辅助存储装置404中安装的各种程序时扩展的工作区域。
辅助存储装置404对各种程序、或者执行各种程序时所使用的信息进行存储。
显示装置405是用于对数据分析装置152的内部状态进行显示的显示设备。操作装置406例如是用于使数据分析装置152的管理者对数据分析装置152进行各种操作的操作设备。I/F装置407是与网络160连接，并用于接收数据的连接设备。
驱动器装置408是用于设置记录介质410的设备。在此所说的记录介质410包括诸如CD-ROM、软盘、光磁盘等以光学、电学或磁性的方式对信息进行记录的介质。另外，记录介质410可以包括诸如ROM、快闪存储器等以电学的方式对信息进行记录的半导体存储器等。
需要说明的是，安装在辅助存储装置404中的各种程序例如通过将分发的记录介质410设置在驱动器装置408中并通过驱动器装置408读出在该记录介质410中记录的各种程序来安装。或者，安装在辅助存储装置404中的各种程序可以通过从网络160进行下载来安装。
另外，虽然在图4中对数据分析装置152的硬件构成进行了说明，但是在致动器控制装置115、5方面测量装置127、状态记录装置143中也具有类似的硬件构成。
<在数据服务器中积累的数据>
接着，对在数据服务器151中积累的学习用数据集(疗养者属性信息、环境信息、5方面相关数据、5方面数据、风险发生信息)的具体示例进行说明。
(1)疗养者属性信息的具体示例
首先，对疗养者属性信息的具体示例进行说明。图5是示出疗养者属性信息的一个示例的图。针对每个疗养者生成疗养者属性信息，并将其积累在数据服务器151中。图5的示例示出了疗养者姓名＝“AAA”、“BBB”、“CCC”的各疗养者的疗养者属性信息501～503。
如图5所示，在疗养者属性信息501～503中，包括“性别”、“生日(年龄)”、“病史”、“治疗经过”、“疾病名称”、“疾病的阶段”、“入院日”、“ADL评分”、“分期(终末期或恢复期)”等作为信息项。
(2)环境信息的具体示例
接着，对环境信息的具体示例进行说明。图6是示出环境信息的一个示例的图。针对每个疗养者取得环境信息，并将其与疗养者属性信息关联地积累在数据服务器151中。
在图6所示的环境信息中，横轴表示日期，纵轴表示环境信息。其中，图6的6a示出了关于疗养者姓名＝“AAA”的疗养者所在的居室内的温度、湿度、气压、照度、噪声的预定期间份的数据。类似地，图6的6b示出了关于疗养者姓名＝“BBB”的疗养者所在的居室内的温度、湿度、气压、照度、噪声的预定期间份的数据。类似地，图6的6c示出了关于疗养者姓名＝“CCC”的疗养者所在的居室内的温度、湿度、气压、照度、噪声的预定期间份的数据。
(3)5方面相关数据的具体示例
接着，对5方面相关数据的具体示例进行说明。图7是示出5方面相关数据的一个示例的图。针对每个疗养者取得5方面相关数据，并将其与疗养者属性信息关联地积累在数据服务器151中。
在图7所示的5方面相关数据中，横轴表示日期，纵轴表示5方面相关数据。其中，图7的7a示出了关于疗养者姓名＝“AAA”的疗养者的移动量、抓挠次数(动作次数)、心跳波动、估计尿量、睡眠深度的预定期间份的数据。
类似地，图7的7b示出了关于疗养者姓名＝“BBB”的疗养者的移动量、抓挠次数(动作次数)、心跳波动、估计尿量、睡眠深度的预定期间份的数据。类似地，图7的7c示出了关于疗养者姓名＝“CCC”的疗养者的移动量、抓挠次数(动作次数)、心跳波动、估计尿量、睡眠深度的预定期间份的数据。
(4)5方面数据的具体示例
接着，对5方面数据的具体示例进行说明。图8是示出5方面数据的一个示例的图。针对每个疗养者取得5方面数据，并将其与疗养者属性信息关联地积累在数据服务器151中。
在图8所示的5方面数据中，横轴表示日期。另外，指向各个日期的5方面数据示出了在该日期由护士130记录的5方面数据。例如，5方面数据141_a1表示在预定期间的第1天的疗养者姓名＝“AAA”的疗养者的5方面数据。另外，5方面数据141_a2表示在预定期间的第2天的疗养者姓名＝“AAA”的疗养者的5方面数据。
类似地，5方面数据141_b1、141_b2表示疗养者姓名＝“BBB”的第1天和第2天的5方面数据，5方面数据141_c1、141_c2表示疗养者姓名＝“CCC”的第1天和第2天的5方面数据。
需要说明的是，如图8所示，在5方面数据中，按照5个阶段记录有“睡眠”、“排泄”、“移动”、“皮肤”、“压力”各个项目的程度。
(5)风险发生信息的具体示例
接着，对风险发生信息的具体示例、以及基于风险发生信息计算出的风险相关数据的具体示例进行说明。图9是示出风险发生信息和风险相关数据的一个示例的图。
针对每个疗养者取得并计算风险发生信息和风险相关数据，并将风险发生信息与疗养者属性信息关联地积累在数据服务器151中。
在图9所示的风险发生信息和风险相关数据中，横轴表示日期。另外，指向各个日期的风险发生信息示出了在该日期由护士130记录的风险发生信息。
例如，风险发生信息142_a15表示在预定期间的第15天的疗养者姓名＝“AAA”的疗养者的风险发生信息。另外，风险发生信息142_a22表示在预定期间的第22天的疗养者姓名＝“AAA”的疗养者的风险发生信息。
另一方面，图表900_a1、图表900_a15、图表900_a22分别表示预定期间内的第1天、第15天、第22天的疗养者姓名＝“AAA”的风险相关数据。
例如，根据风险发生信息142_a22，在疗养者姓名＝“AAA”的情况下，在预定期间的第22天发生了“卧床”、“褥疮”、“便秘”。因此，在图表900_a22中，关于该项目的风险相关数据为100％。类似地，根据风险发生信息142_a15，在疗养者姓名＝“AAA”的情况下，在预定期间的第15天发生了“卧床”。因此，在图表900_a15中，关于该项目的风险相关数据为100％。
另一方面，根据风险发生信息142_a15，在疗养者姓名＝“AAA”的情况下，在预定期间的第15天未发生“褥疮”、“便秘”。然而，如上所述，该些项目在预定期间的第22天发生。因此，在预定期间的第15天，如图表900_a15所示，风险相关数据约为70％(＝15÷22×100)。
类似地，在预定期间的第1天，未发生任何风险，但是在预定期间的第15天或第22天分别发生了“卧床”、“褥疮”、“便秘”。因此，在预定期间内的第1天，如图表900_a1所示，风险相关数据分别为约7％或约5％。
类似地，例如，风险发生信息142_b9表示在预定期间的第9天的疗养者姓名＝“BBB”的疗养者的风险发生信息。另外，风险发生信息142_b17表示在预定期间的第17天的疗养者姓名＝“BBB”的疗养者的风险发生信息。
另外，图表900_b1、图表900_b9、图表900_b17分别表示在预定期间的第1天、第9天、第17天的疗养者姓名＝“BBB”的风险相关数据。
例如，根据风险发生信息142_b17，在疗养者姓名＝“BBB”的情况下，在预定期间的第17天，发生了“失眠”、“疼痛”。因此，在图表900_b17中，关于该项目的风险相关数据为100％。类似地，根据风险发生信息142_b9，在疗养者姓名＝“BBB”的情况下，在预定期间的第9天发生了“疼痛”。因此，在图表900_b9中，关于该项目的风险相关数据为100％。
另一方面，根据风险发生信息142_b9，在疗养者姓名＝“BBB”的情况下，在预定期间的第9天，未发生“失眠”。然而，如上所述，该项目发生在预定期间的第17天。因此，在预定期间的第9天，如图表900_b9所示，风险相关数据约为50％(＝9÷17×100)。
类似地，在预定期间的第1天，未发生任何风险，但是在预定期间的第17天或第9天分别出现“失眠”、“疼痛”。因此，在预定期间的第1天，如图表900_b1所示，风险相关数据分别为约5％或约10％。
类似地，例如，风险发生信息142_c10表示在预定期间的第10天的疗养者姓名＝“CCC”的疗养者的风险发生信息。另外，风险发生信息142_c18表示在预定期间的第18天的疗养者姓名＝“CCC”的疗养者的风险发生信息。
另外，图表900_c1、图表900_c10、图表900_c18分别表示在预定期间内的第1天、第10天、第18天的疗养者姓名＝“CCC”的风险相关数据。
例如，根据风险发生信息142_c18，在疗养者姓名＝“CCC”的情况下，在预定期间的第18天，发生了“失眠”、“便秘”。因此，在图表900_c18中，关于该项目的风险相关数据为100％。类似地，根据风险发生信息142_c10，在疗养者姓名＝“CCC”的情况下，在预定期间的第10天，发生了“失眠”。因此，在图表900_c10中，关于该项目的风险相关数据为100％。
另一方面，根据风险发生信息142_c10，在疗养者姓名＝“CCC”的情况下，在预定期间的第10天，未发生“便秘”。然而，如上所述，该项目发生在预定期间的第18天。因此，在预定期间的第10天，风险相关数据约为50％(＝10÷18×100)。
类似地，在预定期间的第1天，未发生任何风险，但是在预定期间的第10天或第18天分别发生了“失眠”、“便秘”。因此，在预定期间的第1天，如图900_c1所示，风险相关数据分别为约10％或约5％。
<第一学习部的功能构成>
接着，对数据分析装置152的第一学习部153a的功能构成进行说明。在此，对使用不同的数据集进行学习的情况进行说明。
(1)第1种情况
图10A是示出第一学习部的功能构成的一个示例的第1图。如图10A所示，第一学习部153a具有5方面计算模型201和比较及变更部1001。
第一学习部153a从数据服务器151读出环境信息(在图10A的示例中为疗养者姓名＝“AAA”的第2天的环境信息)。另外，第一学习部153a读出5方面相关数据(在图10A的示例中为疗养者姓名＝“AAA”的在第2天开始时间点的5方面相关数据和第2天的5方面相关数据)。
另外，第一学习部153a将其中的第2天的环境信息输入到5方面计算模型201中。具体来说，第一学习部153a将居室内的1天的温度、湿度、气压、照度、噪声输入到5方面计算模型201中。需要说明的是，输入到5方面计算模型201中的居室内的1天的温度、湿度、气压、照度、噪声可以是1天的数据的变迁，也可以是通过对1天的数据进行运算处理而得到的数据(例如平均值、最大值或最小值、偏差等)。
另外，第一学习部153a将在第2天开始时间点的5方面相关数据输入到5方面计算模型201中。具体来说，第一学习部153a将与在第2天开始时间点的睡眠、排泄、移动、皮肤、压力的状态相关的数据输入到5方面计算模型201中。
由此，第一学习部153a执行5方面计算模型201，5方面计算模型201输出5方面相关数据。具体来说，5方面计算模型201输出与睡眠、排泄、移动、皮肤、压力的状态相关的数据。
从5方面计算模型201输出的5方面相关数据被输入到比较及变更部1001。比较及变更部1001将
·从5方面计算模型201输出的5方面相关数据与
·从数据服务器151读出的5方面相关数据(正确答案数据)
进行比较。另外，比较及变更部1001根据比较结果，对5方面计算模型201的模型参数进行变更。
这样一来，第一学习部153a针对用于对
·表示疗养者的环境的预定区间的环境信息、以及在预定区间开始时间点的5方面相关数据与
·疗养者的预定区间的5方面相关数据
之间的对应关系进行确定的5方面计算模型201进行机器学习。由此，第一学习部153a生成用于推断5方面相关数据的学习完成5方面计算模型，作为学习结果。
需要说明的是，图10的示例示出了第一学习部153a将居室内的温度、湿度、气压、照度、噪声作为环境信息输入到5方面计算模型201中的情况。然而，可以构成为第一学习部153a仅将该些信息的一部分输入到5方面计算模型201中。
(2)第2种情况
在上述第1种情况中，示出了5方面计算模型201输出与睡眠、排泄、移动、皮肤、压力的状态相关的数据的情况。然而，可以构成为5方面计算模型201仅输出该些数据的一部分。
图10B是示出第一学习部的功能构成的一个示例的第2图。与图10A的不同之处在于：第一学习部153a读出5方面相关数据之中的2方面相关数据。具体来说，不同之处在于：读出与疗养者姓名＝“AAA”的在第2天开始时间点的睡眠、排泄的状态相关的数据、以及与疗养者姓名＝“AAA”的第2天的睡眠、排泄的状态的相关的数据。
在图10B的情况下，第一学习部153a将第2天的环境信息、以及在第2天开始时间点的2方面相关数据输入到2方面计算模型201'。由此，第一学习部153a执行2方面计算模型201'，2方面计算模型201'输出2方面相关数据。具体来说，2方面计算模型201'输出与睡眠、排泄的状态相关的数据。
从2方面计算模型201'输出的2方面相关数据被输入到比较及变更部1001。比较及变更部1001将
·从2方面计算模型201'输出的2方面相关数据与
·从数据服务器151读出的2方面相关数据(正确答案数据)
进行比较。另外，比较及变更部1001根据比较结果，对2方面计算模型201'的模型参数进行变更。
这样一来，第一学习部153a针对用于对
·表示疗养者的环境的预定区间的环境信息、以及在预定区间开始时间点的2方面相关数据与
·疗养者的预定区间的2方面相关数据
之间的对应关系进行确定的2方面计算模型201'进行机器学习。由此，第一学习部153a生成用于推断2方面相关数据的学习完成2方面计算模型，作为学习结果。
需要说明的是，虽然在图10B的示例中对输出2方面相关数据的情况进行了说明，但是也可以以输出1方面相关数据、或3方面、4方面相关数据的方式进行机器学习。
<第二学习部的功能构成>
接着，对数据分析装置152的第二学习部153b的功能构成进行说明。在此，也对使用不同的数据集进行学习的情况进行说明。
(1)第1种情况
图11A是示出第二学习部的功能构成的一个示例的第1图。如图11A所示，第二学习部153b具有风险预测模型202和比较及变更部1101。
第二学习部153b从数据服务器151读出5方面相关数据(在图11的示例中为疗养者姓名＝“AAA”的第2天的5方面相关数据)。另外，第二学习部153b从数据服务器151读出风险发生信息，并计算风险相关数据(在图11的示例中为疗养者姓名＝“AAA”的第2天的风险相关数据)。
第二学习部153b将5方面相关数据输入到风险预测模型202。具体来说，第二学习部153b将与睡眠、排泄、移动、皮肤、压力的状态相关的数据输入到风险预测模型202。
由此，第二学习部153b执行风险预测模型202，并且风险预测模型202输出风险相关数据。具体来说，风险预测模型202输出包括失眠、卧床、褥疮、便秘、疼痛等项目的风险相关数据。
从风险预测模型202输出的风险相关数据被输入到比较及变更部1101。比较及变更部1101将
·从风险预测模型202输出的风险相关数据与
·基于从数据服务器151读出的风险发生信息计算出的风险相关数据(正确答案数据)
进行比较。另外，比较及变更部1101根据比较结果，对风险预测模型202的模型参数进行变更。
这样一来，第二学习部153b针对用于对
·疗养者的预定区间的5方面相关数据与
·在疗养者身上将来有可能发生的1种以上的风险的预定区间内的风险相关数据之间的对应关系进行确定的风险预测模型202进行机器学习。由此，第二学习部153b生成用于推断风险相关数据的学习完成风险预测模型。
(2)第2种情况
在上述第1种情况中，示出了第二学习部153b将与睡眠、排泄、移动、皮肤、压力的状态相关的数据作为5方面相关数据输入到风险预测模型202中的情况。然而，第二学习部153b也可以仅将该些数据的一部分输入到风险预测模型202，关于其余的数据，可以输入从数据服务器151读出的5方面数据的一部分。
图11B是示出第二学习部的功能构成的一个示例的第2图。与图11B的不同之处在于：第二学习部153b读出5方面相关数据之中的2方面相关数据(在图11B的示例中为与疗养者姓名＝“AAA”的第2天的睡眠、排泄的状态相关的数据)。另外，不同之处在于：第二学习部153b读出5方面数据之中的3方面数据(在图11B的示例中为疗养者姓名＝“AAA”的第2天的移动、皮肤、压力的程度)。
在图11B的情况下，第二学习部153b将第2天的2方面相关数据和第2天的3面数据输入到风险预测模型202'。由此，第二学习部153b执行风险预测模型202'，并且风险预测模型202'输出风险相关数据。具体来说，风险预测模型202'输出包括失眠、卧床、褥疮、便秘、疼痛等项目的风险相关数据。
从风险预测模型202'输出的风险相关数据被输入到比较及变更部1101。比较及变更部1101将
·从风险预测模型202'输出的风险相关数据与
·基于从数据服务器151读出的风险发生信息计算出的风险相关数据(正确答案数据)
进行比较。另外，比较及变更部1101根据比较结果，对风险预测模型202'的模型参数进行变更。
这样一来，第二学习部153b针对用于对
·疗养者的预定区间的2方面相关数据和3方面数据与
·在疗养者身上将来有可能发生的1种以上的风险的预定区间内的风险相关数据
之间的对应关系进行确定的风险预测模型202'进行机器学习。由此，第二学习部153b生成用于推断风险相关数据的学习完成风险预测模型。
需要说明的是，虽然在图11B的示例中对输入2方面相关数据和3方面数据的情况进行了说明，但是也可以通过输入1方面相关数据和4方面数据来进行机器学习。或者，可以通过输入3方面相关数据和2方面数据、或通过输入4方面相关数据和1方面数据来进行机器学习。
<第一推断部的功能构成>
接着，对数据分析装置152的第一推断部154a的功能构成进行说明。在此，对使用不同的数据集进行推断的情况进行说明。
(1)第1种情况
图12A是示出第一推断部的功能构成的一个示例的第1图。如图12A所示，第一推断部154a具有学习完成5方面计算模型301。
第一推断部154a依次读出预先保存在模式保存部1201中的多个致动器控制模式。并且，第一推断部154a分别对在使新的疗养者(疗养者姓名＝“XXX”、对象人)所在的居室的环境以所读出的各个致动器控制模式变化的情况下的变化后的环境信息进行确定。另外，第一推断部154a读出新的疗养者的当前的5方面相关数据。
并且，第一推断部154a通过将所取得的变化后的环境信息，连同新的疗养者的当前(在图12A的示例中为第9天)的5方面相关数据依次输入到学习完成5方面计算模型301，从而执行学习完成5方面计算模型301。由此，学习完成5方面计算模型301推断与各个环境信息对应的5方面相关数据1210。
需要说明的是，在通过仅使用居室内的温度、湿度、气压、照度、噪声之中的一部分进行机器学习来生成学习完成5方面计算模型301的情况下，第一推断部154a仅将该一部分输入到学习完成5方面计算模型301。
(2)第2种情况
在上述第1种情况中，示出了第一推断部154a具有学习完成5方面计算模型301的情况。相比之下，在第2种情况中，对第一推断部154a具有作为第一学习完成模型的一个示例的2方面计算模型301'的情况进行说明。
图12B是示出第一推断部的功能构成的一个示例的第2图。如图12B所示，第一推断部154a具有学习完成2方面计算模型301'。与图12A的不同之处在于：第一推断部154a读出新的疗养者的当前(在图12A的示例中为第9天)的2方面相关数据。
第一推断部154a通过将取得的变化后的环境信息，连同新的疗养者的当前的2方面相关数据，依次输入到学习完成2方面计算模型301'，从而执行学习完成2方面计算模型301'。由此，学习完成2方面计算模型301'推断与各个环境信息对应的2方面相关数据1211。
<第二推断部的功能构成>
接着，对数据分析装置152的第二推断部154b的功能构成进行说明。图13是示出第二推断部的功能构成的一个示例的图。其中，图13的13a的示例示出了第二推断部154b具有学习完成风险预测模型302的情况。
第二推断部154b通过取得从第一推断部154a的学习完成5方面计算模型301依次输出的5方面相关数据，并将其输入到学习完成风险预测模型302，从而执行学习完成风险预测模型302。由此，学习完成风险预测模型302推断与各个5方面相关数据对应的风险相关数据1310。
具体来说，第二推断部154b通过取得从学习完成5方面计算模型301输出的与睡眠、排泄、移动、皮肤、压力的状态相关的数据，并将其输入到学习完成风险预测模型302，从而推断风险相关数据1310。
另一方面，图13的13b的示例示出了第二推断部154b具有作为第二学习完成模型的一个示例的学习完成风险预测模型302'的情况。第二推断部154b取得从学习完成2方面计算模型301'输出的与睡眠、排泄的状态相关的数据，并将其输入到学习完成风险预测模型302'。另外，第二推断部154b从数据服务器151读出新的疗养者(在图13的示例中为疗养者姓名＝“XXX”)的当前的5方面数据1312，并将移动、皮肤、压力的程度输入到学习完成风险预测模型302。由此，第二推断部154b推断风险相关数据1310。
<运转条件确定部的功能构成>
接着，对数据分析装置152的运转条件确定部155的功能构成进行说明。图14是示出运转条件确定部的功能构成的一个示例的图。如图14所示，运转条件确定部155包括风险评价部303和确定部1401。
运转条件确定部155取得从第二推断部154b的学习完成风险预测模型302依次输出的风险相关数据1310，并将其输入到风险评价部303。
风险评价部303针对输入的风险相关数据1310，计算其各自的评价值。图14的示例示出了针对风险相关数据1310之中的第1个输入的风险相关数据计算其评价值的情况。
具体来说，风险评价部303通过基于以下公式对第1个输入的风险相关数据的各个项目的值(失眠＝L1％，卧床＝L2％，褥疮＝L3％，……)进行加权加法计算，从而计算评价值。
评价值＝n1×L1+n2×L2+n3×L3+……
需要说明的是，风险评价部303针对风险相关数据1310中包括的各个风险相关数据分别计算评价值，并将评价值依次输出到确定部1401。
确定部1401将从风险评价部303输出的各个评价值进行比较，并提取最大的评价值。另外，确定部1401对与所提取的最大的评价值对应的致动器控制模式1410进行确定。即，确定部1401对评价结果最优的致动器控制模式1410进行确定。
另外，确定部1401将确定的致动器控制模式1410发送到致动器控制系统110。
<由数据分析装置进行的数据分析处理的流程>
接着，对由数据分析装置152进行的整个数据分析处理的流程进行说明。图15是示出由数据分析装置进行的数据分析处理的流程的流程图。需要说明的是，当数据分析装置152执行数据分析处理时，在数据服务器151中，积累有多个疗养者的疗养者属性信息、环境信息、5方面相关数据、5方面数据、风险发生信息(学习用数据集)。
在步骤S1501中，第一学习部153a从数据服务器151取得环境信息。
在步骤S1502中，第一学习部153a和第二学习部153b从数据服务器151取得5方面相关数据。
在步骤S1503中，第一学习部153a针对用于对环境信息与5方面相关数据之间的对应关系进行确定的5方面计算模型201进行机器学习，并生成学习完成5方面计算模型。
在步骤S1504中，第二学习部153b从数据服务器151取得5方面数据。
在步骤S1505中，第二学习部153b从数据服务器151取得风险发生信息，并计算风险相关数据。
在步骤S1506中，第二学习部153b针对用于对5方面相关数据(及5方面数据)与风险相关数据之间的对应关系进行确定的风险预测模型202进行机器学习，并生成学习完成风险预测模型。
在步骤S1507中，第一推断部154a向用于对致动器控制模式进行计数的计数器N输入“1”。
在步骤S1508中，第一推断部154a读出预先保存在模式保存部1201中的多个致动器控制模式之中的第N个致动器控制模式。另外，第一推断部154a对在使新的疗养者所在的居室的环境以读出的第N个致动器控制模式变化的情况下的变化后的环境信息进行确定。
在步骤S1509中，第一推断部154a将在步骤S1508中确定的环境信息输入到学习完成5方面计算模型，并推断5方面相关数据。
在步骤S1510中，第二推断部154b将推断出的5方面相关数据和当前的5方面数据输入到学习完成风险预测模型，并推断风险相关数据。
在步骤S1511中，第一推断部154a针对预先保存在模式保存部1201中的多个致动器控制模式中的所有致动器控制模式，判定是否推断出风险相关数据。如果在步骤S1511中判定为存在未推断出风险相关数据的致动器控制模式(如果在步骤S1511中为“否”)，则进到步骤S1512。
在步骤S1512中，第一推断部154a对计数器N进行增量处理，并返回到步骤S1508。
另一方面，如果在步骤S1511中判定为针对多个致动器控制模式中的所有致动器控制模式推断出风险相关数据(如果在步骤S1511中为“是”)，则进到步骤S1513。
在步骤S1513中，运转条件确定部155针对各个推断出的风险相关数据计算评价值，并对与最大的评价值对应的致动器控制模式进行确定。另外，运转条件确定部155将确定的致动器控制模式发送到致动器控制系统110。
<总结>
从以上说明可以清楚地看出，在第1实施方式中，
·将表示疗养者的环境的环境信息与疗养者的5方面相关数据相关联并进行学习。
·将疗养者的5方面相关数据与在疗养者身上将来有可能发生的1种以上的风险的风险相关数据相关联并进行学习。
·通过将通过将在使新的疗养者的当前的环境变化的情况下的变化后的环境信息输入到学习完成5方面计算模型而推断出的5方面相关性数据输入到学习完成风险预测模型，从而推断风险相关数据。或者，通过将该推断出的5方面相关数据和新的疗养者的当前的5方面数据的组合输入到学习完成风险预测模型，从而推断风险相关数据。
·通过对推断出的风险相关数据进行评价，从而确定用于对新的疗养者的环境进行控制的致动器的运转条件。
这样一来，通过第1实施方式，能够在疗养者发生问题事件之前，对发生的风险进行预测，并对疗养者的环境进行最优化。即，通过第1实施方式，能够提供对疗养者的环境进行最佳控制的控制系统。因此，能够抑制问题事件的发生，而且能够提高疗养者的QOL。
[第2实施方式]
在上述第1实施方式中，对第一学习部153a在针对5方面计算模型201进行机器学习时，使用1天的环境信息和1天的5方面相关数据的情况进行了说明。然而，在针对5方面计算模型201进行机器学习时，可以使用多天的环境信息和多天的5方面相关数据。
图16是示出第一学习部的功能构成的另一个示例的第1图。与图10的不同之处在于第一学习部153a从数据服务器151读出的环境信息和5方面相关数据。
具体来说，在图16的情况下，第一学习部153a从数据服务器151读出疗养者姓名＝“AAA”的第2天至第5天的环境信息、以及第2天至第5天的5方面相关数据。
另外，第一学习部153a将第2天至第5天的环境信息与在第2天开始时间点的5方面相关数据一起输入到5方面计算模型201。由此，第一学习部153a执行5方面计算模型201，并且5方面计算模型201输出第2天至第5天的5方面相关数据。
从5方面计算模型201输出的第2天至第5天的5方面相关数据被输入到比较及变更部1001。比较及变更部1001将
·从5方面计算模型201输出的第2天至第5天的5方面相关数据与
·从数据服务器151读出的第2天至第5天的5方面相关数据(正确答案数据)进行比较。另外，比较及变更部1001基于比较结果，对5方面计算模型201的模型参数进行变更。
这样一来，第一学习部153a可以针对用于对
·表示疗养者的环境的多天的环境信息、以及在多天开始时间点的5方面相关数据与
·疗养者的多天的5方面相关数据
之间的对应关系进行确定的5方面计算模型201进行机器学习。
需要说明的是，在此情况下，第二学习部153b将多天的5方面相关数据作为输入，针对风险预测模型202进行机器学习。另外，第一推断部154a推断多天的5方面相关数据，第二推断部154b将多天的5方面相关数据作为输入，推断风险相关数据。
这样一来，通过使用多天的数据，从而能够提高所推断的风险相关数据的精度。
[第3实施方式]
在上述第1和第2实施方式中，对第一学习部153a在针对5方面计算模型201进行机器学习时输入环境信息的情况进行了说明。然而，在针对5方面计算模型201进行机器学习时，还可以输入疗养者属性信息。
图17是示出第一学习部的功能构成的另一个示例的第2图。与图10不同之处在于：第一学习部153a从数据服务器151读出疗养者属性信息501。
具体来说，在图17的情况下，第一学习部153a从数据服务器151读出疗养者姓名＝“AAA”的第2天的环境信息。另外，第一学习部153a读出疗养者姓名＝“AAA”的疗养者属性信息501。此外，第一学习部153a读出疗养者姓名＝“AAA”的在第2天开始时间点的5方面相关数据和第2天的5方面相关数据。
另外，第一学习部153a将其中的第2天的疗养者姓名＝“AAA”的环境信息、疗养者姓名＝“AAA”的疗养者属性信息501、以及疗养者姓名＝“AAA”的在第2天开始时间点的5方面相关数据输入到5方面计算模型201。由此，第一学习部153a执行5方面计算模型201，并且5方面计算模型201输出5方面相关数据。
从5方面计算模型201输出的5方面相关数据被输入到比较及变更部1001。比较及变更部1001将
·从5方面计算模型201输出的5方面相关数据与
·从数据服务器151读出的5方面相关数据(正确答案数据)
进行比较。另外，比较及变更部1001基于比较结果，对5方面计算模型201的模型参数进行变更。
这样一来，第一学习部153a针对用于对
·表示疗养者的环境的预定区间的环境信息、在预定区间开始时间点的5方面相关数据、以及疗养者属性信息的组合与
·疗养者的预定区间的5方面相关数据之间的对应关系进行确定的5方面计算模型201进行机器学习。
需要说明的是，虽然在此将疗养者属性信息输入到第一学习部153a，但是也可以将疗养者属性信息输入到第二学习部153b。在此情况下，第二学习部153b针对用于对
·疗养者的预定区间的5方面相关数据和疗养者属性信息的组合与
·在疗养者身上将来有可能发生的1种以上的风险的风险相关数据
之间的对应关系进行确定的风险预测模型202进行机器学习。
另外，在将疗养者属性信息输入到第一学习部153a的情况下，将疗养者属性信息也输入到第一推断部154a，并且在将疗养者属性信息输入到第二学习部153b的情况下，将疗养者属性信息也输入到第二推断部154b。
这样一来，通过使用疗养者属性信息，从而能够根据性别、年龄、病史等在疗养者属性信息中包含的各个项目的值来推断风险相关数据,并且能够提高风险相关数据的精度。
[第4实施方式]
在上述第1至第3实施方式中，对数据分析系统150具有5方面计算模型201和风险预测模型202进行了说明。相比之下，在第4实施方式中，对数据分析系统150仅具有风险预测模型的情况进行说明。
(1)学习阶段中的环境控制系统的处理的概要
图18是用于对根据第4实施方式的环境控制系统(学习阶段)的处理的概要进行说明的图。如图18所示，在根据第4实施方式的数据分析系统150的情况下，风险预测模型1800
·将从致动器控制系统110发送的预定区间的环境信息、以及从5方面测量系统120发送的m方面相关数据(和从状态记录系统140发送的(5-m)方面数据)作为输入，
·将基于从状态记录系统140发送的风险发生信息计算出的风险相关数据作为正确答案数据，
进行机器学习，并生成学习完成风险预测模型。
(2)推断阶段中的环境控制系统的处理的概要
图19是用于对根据第4实施方式的环境控制系统(推断阶段)的处理的概要进行说明的图。如图19所示，在根据第4实施方式的数据分析系统150的情况下，作为第三学习完成模型的一个示例的学习完成风险预测模型1900将
·在使新的疗养者的当前的环境基于多个不同的致动器控制模式变化的情况下的变更后的多个环境信息、以及
·从5方面测量系统120发送的新的疗养者的当前的m方面相关数据(和从状态记录系统140发送的新的疗养者的当前的(5-m)方面数据)
作为输入，并分别推断风险相关数据。
另外，在数据分析系统150中，风险评价部303针对从学习完成风险预测模型1900输出的风险相关数据进行评价。在风险评价部303中，每当将1个致动器控制模式输入到学习完成风险预测模型1900时，针对从学习完成风险预测模型1900输出的风险相关数据进行评价。
如果通过风险评价部303完成了针对所有风险相关数据的评价，则对评价结果最优的致动器控制模式进行确定。由此，将确定的致动器控制模式作为用于对新的疗养者的当前的环境进行控制的最佳的致动器控制模式，发送到致动器控制系统110。
这样一来，在第4实施方式中，数据分析系统生成1个学习完成模型(学习完成风险预测模型)，并使用该1个学习完成模型推断风险相关数据。
即使在此情况下，也与第1实施方式同样，能够在疗养者发生问题事件之前，对发生的风险进行预测，并对疗养者的环境进行最优化。即，通过第4实施方式，能够提供对疗养者的环境进行最佳控制的控制系统。因此，能够抑制问题事件的发生，而且能够提高疗养者的QOL。
[其他实施方式]
在上述第1实施方式中，在数据分析系统150中，以数据分析装置152具有第一学习部153a、第二学习部153b、第一推断部154a、第二推断部154b、运转条件确定部155的情况为例进行了说明。然而，数据分析装置152所具有的各个单元可以在数据分析系统150内在分体的装置中构成。或者，数据分析装置152所具有的各个单元之中的一部分(例如运转条件确定部155)可以在例如致动器控制系统110中实现。
另外，在上述第1至第3实施方式中，以在执行5方面计算模型201、2方面计算模型201'时，输入在预定区间开始时的5方面相关数据、2方面相关数据的情况为例进行了说明。然而，也可以不输入在预定区间开始时的5方面相关数据、2方面相关数据(即，将预定区间的环境信息与预定区间的5方面相关数据相关联并进行学习)。在此情况下，学习完成5方面计算模型301、学习完成2方面计算模型301'作为不取决于各个疗养者的状态的更通用的模型来生成。
另外，在上述第一至第三实施方式中，以在执行学习完成风险预测模型302'时，第二推断部154b例如输入
·从学习完成2方面计算模型301'输出的2方面相关数据1211、以及
·当前的5方面数据1312之中的移动、皮肤、压力的程度的情况为例进行了说明。然而，输入到学习完成风险预测模型302'的数据的组合不限于此。例如，可以将当前的5方面数据1312之中的一部分替换为当前的5方面相关数据之中的相对应的一部分数据。
具体来说，在执行学习完成风险预测模型302'时，第二推断部154b例如可以输入
·从学习完成2方面计算模型301'输出的2方面相关数据1211、
·当前的5方面数据1312之中的移动、皮肤的程度、以及
·当前的5方面相关数据之中的与压力相关的数据。
即，在上述第1至第3实施方式中说明的“关于疗养者的状态的数据”包括当前的5方面数据、以及当前的5方面相关数据中的任意一者或两者。
另外，虽然上述第1实施方式中，对于在进行机器学习时所使用的模型(5方面计算模型、2方面计算模型、风险预测模型)的细节并未特别提及，但是设成可以将任意种类的模型应用于进行机器学习时所使用的模型。具体来说，可以应用NN(Neural Network：神经网络)模型、随机森林模型、SVM(Support Vector Machine：支持向量机)模型等任意种类的模型。
另外，虽然在上述第1实施方式中，对于在基于由比较及变更部获得的比较结果对模型参数进行变更的情况下的变更方法的细节并未特别提及，但是由比较及变更部进行的模型参数的变更方法取决于模型的类型。
虽然以上对实施方式进行了说明，但是应当理解，在不脱离权利要求书的宗旨及范围的情况下，可以对形态或细节进行各种变更。
本申请以2019年3月15日提交的日本发明专利申请第2019-049194号和2020年1月10日提交的日本发明专利申请第2020-003216号作为要求优先权的基础，本申请援引该日本发明专利申请的全部内容。
符号说明
100 ：环境控制系统
110 ：致动器控制系统
115 ：致动器控制装置
116 ：收集部
117 ：控制部
120 ：5方面测量系统
140 ：状态记录系统
141 ：5方面数据
142 ：风险发生信息
150 ：数据分析系统
151 ：数据服务器
152 ：数据分析装置
153a ：第一学习部
153b ：第二学习部
154a ：第一推断部
154b ：第二推断部
155 ：运转条件确定部
201 ：5方面计算模型
202 ：风险预测模型
301 ：学习完成5方面计算模型
302 ：学习完成风险预测模型
303 ：风险评价部
501～503：疗养者属性信息
900_a1等：风险相关数据
1401 ：确定部
1800 ：风险预测模型
1900 ：学习完成风险预测模型

Claims (11)

1.一种环境控制系统，用于控制对象人的环境，所述环境控制系统包括：
致动器，对环境进行控制；
运转条件确定部，确定所述致动器的运转条件；
控制部，基于由所述运转条件确定部确定的运转条件对所述致动器进行控制；以及
推断部，具有第一学习完成模型和第二学习完成模型，
所述第一学习完成模型是将
表示对象人的环境的环境信息、和
与所述对象人的睡眠、排泄、移动、皮肤、以及压力的状态中的至少任意一者相关的数据
关联并进行学习而得到的模型，
所述第二学习完成模型是将
与所述对象人的睡眠、排泄、移动、皮肤、以及压力的状态中的至少任意一者相关的数据、和
与所述对象人的将来有可能发生的一种以上的风险的大小相关的数据
关联并进行学习而得到的模型，
所述推断部通过将在将对象人的环境信息输入到所述第一学习完成模型时的输出数据、或将输入到所述第一学习完成模型时的输出数据与关于对象人的状态的数据的组合输入到所述第二学习完成模型，从而推断与所述一种以上的风险的大小相关的数据，
所述运转条件确定部通过对由所述推断部推断出的与所述一种以上的风险的大小相关的数据进行评价，从而确定所述致动器的运转条件。
2.根据权利要求1所述的环境控制系统，其中，
所述第二学习完成模型是使用所述对象人的生物信息作为与所述对象人的睡眠、排泄、移动、皮肤、以及压力的状态中的至少任意一者相关的数据进行学习而得到的模型。
3.根据权利要求2所述的环境控制系统，其中，
所述生物信息包括所述对象人的移动量、所述对象人的抓挠次数、所述对象人的心跳波动、所述对象人的睡眠深度、以及所述对象人的估计尿量或排泄次数中的至少任意一者。
4.根据权利要求1至3中任一项所述的环境控制系统，其中，
所述第一学习完成模型是将所述对象人的环境信息、和与所述对象人的睡眠、排泄、移动、皮肤、以及压力的状态中的至少任意一者相关的数据作为学习用数据集进行学习而得到的模型。
5.根据权利要求4所述的环境控制系统，其中，
所述第一学习完成模型是进一步根据所述对象人的环境信息和表示所述对象人的属性的属性信息的组合，对与所述对象人的睡眠、排泄、移动、皮肤、以及压力的状态中的至少任意一者相关的数据进行学习而得到的模型。
6.根据权利要求1至5中任一项所述的环境控制系统，其中，
所述第二学习完成模型是将与所述对象人的睡眠、排泄、移动、皮肤、压力的状态相关的数据、和与所述对象人的将来有可能发生的一种以上的风险的大小相关的数据作为学习用数据集进行学习而得到的模型。
7.根据权利要求1至6中任一项所述的环境控制系统，其中，
所述推断部使用护理记录作为关于对象人的状态的数据。
8.根据权利要求1所述的环境控制系统，其中，
所述运转条件确定部通过对由所述推断部推断出的与所述一种以上的风险的大小相关的数据进行加权加法计算来进行评价。
9.根据权利要求1所述的环境控制系统，其中，
所述环境信息包括温度、湿度、气压、照度、噪声中的至少任意一者。
10.根据权利要求1所述的环境控制系统，其中，
所述致动器包括用于对所述对象人的环境进行控制的空调设备。
11.一种环境控制系统，用于控制对象人的环境，所述环境控制系统包括：
致动器，对环境进行控制；
运转条件确定部，确定所述致动器的运转条件；
控制部，基于由所述运转条件确定部确定的运转条件对所述致动器进行控制；以及
推断部，具有第三学习完成模型，
所述第三学习完成模型是将
与对象人的睡眠、排泄、移动、皮肤、及压力的状态中的至少任意一者相关的数据、以及表示所述对象人的环境的环境信息、和
与所述对象人的将来有可能发生的一种以上的风险的大小相关的数据
关联并进行学习而得到的模型，
所述推断部通过将与对象人的睡眠、排泄、移动、皮肤、及压力的状态中的至少任意一者相关的数据、以及对象人的环境信息输入到所述第三学习完成模型，从而推断与所述一种以上的风险的大小相关的数据，
所述运转条件确定部通过对由所述推断部推断出的与一种以上的风险的大小相关的数据进行评价，从而确定所述致动器的运转条件。
CN202080018616.5A 2019-03-15 2020-03-12 环境控制系统 Active CN113544789B (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
JP2019-049194 2019-03-15
JP2019049194 2019-03-15
JP2020-003216 2020-01-10
JP2020003216A JP6737416B1 (ja) 2019-03-15 2020-01-10 環境制御システム
PCT/JP2020/010945 WO2020189529A1 (ja) 2019-03-15 2020-03-12 環境制御システム

Publications (2)

Publication Number Publication Date
CN113544789A true CN113544789A (zh) 2021-10-22
CN113544789B CN113544789B (zh) 2022-08-09

Family

ID=71949263

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080018616.5A Active CN113544789B (zh) 2019-03-15 2020-03-12 环境控制系统

Country Status (5)

Country Link
US (1) US20220043404A1 (zh)
EP (1) EP3940708A4 (zh)
JP (1) JP6737416B1 (zh)
CN (1) CN113544789B (zh)
WO (1) WO2020189529A1 (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022208873A1 (ja) * 2021-04-02 2022-10-06 日本電気株式会社 ストレス推定装置、ストレス推定方法及び記憶媒体
WO2023105790A1 (ja) * 2021-12-10 2023-06-15 日本電気株式会社 ストレス推定方法
JP7368767B2 (ja) * 2022-03-04 2023-10-25 ダイキン工業株式会社 増悪リスク予測システム
WO2024054495A1 (en) * 2022-09-08 2024-03-14 Sleep Number Corporation Bed with features for determination of insomnia risk

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006087850A (ja) * 2004-09-21 2006-04-06 Charm & Mark Kk 睡眠状態検知装置・検知システム、および睡眠状態検知起動の空調機器・照明機器・音響機器等制御装置・制御システム
CN100399981C (zh) * 2003-06-30 2008-07-09 索尼株式会社 控制设备和控制方法
US20130246088A1 (en) * 2012-03-14 2013-09-19 Hill-Rom Services, Inc. Algorithm for predicting and mitigating adverse events
CN107496117A (zh) * 2017-08-31 2017-12-22 任鹏宇 反馈式二次压力自调节褥疮监测预防智能设备

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005226882A (ja) * 2004-02-10 2005-08-25 Daikin Ind Ltd 空調制御システム、ベビーベッド、および介護用ベッド
EP2210226A4 (en) * 2007-10-12 2013-11-06 Patientslikeme Inc SELF-IMPROVED METHOD OF USING ONLINE COMMUNITIES TO PREDICT CLINICAL RESULTS
US9189599B2 (en) * 2011-05-13 2015-11-17 Fujitsu Limited Calculating and monitoring a composite stress index
EP3500224A4 (en) * 2016-08-19 2020-03-25 Curiato Inc. SYSTEM, METHOD AND COMPUTER READABLE MEDIUM FOR DYNAMIC PRESSURE DAMAGE RISK ASSESSMENT AND REACTION
JP7265313B2 (ja) * 2017-07-12 2023-04-26 パラマウントベッド株式会社 療養支援システム
JP2020003216A (ja) 2018-06-25 2020-01-09 公益財団法人鉄道総合技術研究所 貨物輸送シミュレーション装置及びプログラム
JP6602445B2 (ja) 2018-11-26 2019-11-06 有限会社江部電気 融雪屋根構造体及び融雪屋根構造
US20200205741A1 (en) * 2018-12-28 2020-07-02 X Development Llc Predicting anxiety from neuroelectric data

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100399981C (zh) * 2003-06-30 2008-07-09 索尼株式会社 控制设备和控制方法
JP2006087850A (ja) * 2004-09-21 2006-04-06 Charm & Mark Kk 睡眠状態検知装置・検知システム、および睡眠状態検知起動の空調機器・照明機器・音響機器等制御装置・制御システム
US20130246088A1 (en) * 2012-03-14 2013-09-19 Hill-Rom Services, Inc. Algorithm for predicting and mitigating adverse events
CN107496117A (zh) * 2017-08-31 2017-12-22 任鹏宇 反馈式二次压力自调节褥疮监测预防智能设备

Also Published As

Publication number Publication date
JP2020155099A (ja) 2020-09-24
JP6737416B1 (ja) 2020-08-12
EP3940708A4 (en) 2022-12-07
US20220043404A1 (en) 2022-02-10
WO2020189529A1 (ja) 2020-09-24
CN113544789B (zh) 2022-08-09
EP3940708A1 (en) 2022-01-19

Similar Documents

Publication Publication Date Title
CN113544789B (zh) 环境控制系统
Saleem et al. IoT Healthcare: Design of Smart and Cost‐Effective Sleep Quality Monitoring System
JP6114470B2 (ja) ヘルスケア意思決定支援システム、患者ケアシステム及びヘルスケア意思決定方法
JP5841196B2 (ja) ヒトの健康に関する残差ベースの管理
KR102129730B1 (ko) 인공지능 기반의 환자상태 예측 장치 및 이를 이용한 환자상태 예측 방법
US20150261924A1 (en) Healthcare system and method
JP7338886B2 (ja) エリア別環境管理システム及び方法とプログラム
US20230079951A1 (en) System for configuring patient monitoring
KR102350643B1 (ko) 활동 및 수면 데이터를 활용한 수면 품질 평가 시스템
JP2019076689A (ja) 体調予測方法、体調予測装置及び体調予測プログラム
KR102304877B1 (ko) 딥러닝 기반의 수면 평가 및 예측을 위한 수면 평가 시스템
JP7285046B2 (ja) 情報処理装置、情報処理方法およびプログラム
KR102345681B1 (ko) 수면 상태 케어 방법 및 시스템
Panagiotou et al. A multi: modal decision making system for an ambient assisted living environment
JP2020181307A (ja) 認知機能出力システム及びプログラム
US7877341B2 (en) Self-adaptive data pre-fetch by artificial neuron network
JP2003275181A (ja) 在宅者健康状態遠隔診断方法および装置
JPWO2020085103A1 (ja) 支援装置、支援方法、プログラム
WO2023074283A1 (ja) 健康状態判定方法、及び、健康状態判定システム
Liao et al. An empirical study on engineering a real-world smart ward using pervasive technologies
Roy et al. Towards guideline compliant clinical decision support system integration in smart and mobile environments: Formalizing and using clinical guidelines for diagnosing sleep apnea
JP7307432B1 (ja) 情報処理装置、排泄予測方法及びプログラム
JP7285886B2 (ja) 健康増進プログラム提供システム及び健康増進プログラム提供方法
Varshney Context-awareness in Healthcare
Saleem et al. Research Article IoT Healthcare: Design of Smart and Cost-Effective Sleep Quality Monitoring System

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant