CN114080648A - 学习装置、推定装置以及环境调整系统 - Google Patents

学习装置、推定装置以及环境调整系统 Download PDF

Info

Publication number
CN114080648A
CN114080648A CN202080049648.1A CN202080049648A CN114080648A CN 114080648 A CN114080648 A CN 114080648A CN 202080049648 A CN202080049648 A CN 202080049648A CN 114080648 A CN114080648 A CN 114080648A
Authority
CN
China
Prior art keywords
learning
body temperature
sleeper
person
temperature
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.)
Pending
Application number
CN202080049648.1A
Other languages
English (en)
Inventor
西川祐希
桥本哲
堀翔太
内山彰
东野辉夫
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
Priority claimed from JP2020088163A external-priority patent/JP2021010721A/ja
Application filed by Daikin Industries Ltd filed Critical Daikin Industries Ltd
Publication of CN114080648A publication Critical patent/CN114080648A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/01—Measuring temperature of body parts ; Diagnostic temperature sensing, e.g. for malignant or inflamed tissue
    • 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
    • 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
    • A61B5/4815—Sleep quality
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • 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
    • G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
    • 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
    • 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
    • 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
    • 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
    • F24F11/64—Electronic processing using pre-stored data

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (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)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Psychiatry (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Physiology (AREA)
  • Signal Processing (AREA)
  • Fuzzy Systems (AREA)
  • Child & Adolescent Psychology (AREA)
  • Developmental Disabilities (AREA)
  • Educational Technology (AREA)
  • Hospice & Palliative Care (AREA)
  • Psychology (AREA)

Abstract

基于深部体温对睡眠的影响，高精度地推定就寝者的睡眠状态。学习装置(30)对就寝者的睡眠质量进行学习。学习装置(30)具备取得部(31)、学习部(32)以及生成部(33)。取得部(31)取得与就寝者的深部体温相关的特征量、或者与就寝者的皮肤温度相关的特征量作为状态变量。与深部体温相关的特征量至少基于就寝者入睡时的第一深部体温来决定。与皮肤温度相关的特征量至少基于就寝者入睡时的第一皮肤温度来决定。学习部(32)将状态变量以及睡眠质量相关联地进行学习。生成部(33)基于学习部(32)的学习结果生成学习模型。学习模型将与深部体温相关的特征量、或者与就寝者的皮肤温度相关的特征量作为输入，输出睡眠质量。

Description

学习装置、推定装置以及环境调整系统
技术领域
本发明涉及学习装置、推定装置以及环境调整系统。
背景技术
在非专利文献1(〈论文〉睡眠前的体温变动对入睡的影响(一般))中公开了深部体温对睡眠的影响。
发明内容
发明所要解决的课题
基于深部体温对睡眠的影响，高精度地推定就寝者的睡眠状态。
用于解决课题的手段
第一观点的学习装置对就寝者的睡眠质量进行学习。学习装置具备取得部、学习部和生成部。取得部取得状态变量。状态变量是与就寝者的深部体温有关的特征量或者与就寝者的皮肤温度有关的特征量。与深部体温相关的特征量至少基于就寝者入睡时的第一深部体温来决定。与皮肤温度相关的特征量至少基于就寝者入睡时的第一皮肤温度来决定。学习部将状态变量以及睡眠质量相关联地进行学习。生成部基于学习部的学习结果生成学习模型。学习模型至少将与深部体温相关的特征量、或者与就寝者的皮肤温度相关的特征量作为输入，输出睡眠质量。
由此，学习装置生成学习模型，该学习模型能够使用深部体温高精度地推定作为就寝者的睡眠状态的睡眠质量。
第二观点的学习装置是第一观点的学习装置，与深部体温相关的特征量还基于在第一深部体温之前取得的第二深部体温来决定。与皮肤温度相关的特征量还基于在第一皮肤温度之前取得的第二皮肤温度来决定。
由此，能够得到精度更高的学习结果。
第三观点的学习装置是第一观点或第二观点的学习装置，取得部还取得与就寝者的平常时的深部体温相关的特征量、或者与就寝者的平常时的皮肤温度相关的特征量。
由此，能够得到精度更高的学习结果。
第四观点的学习装置是第一观点至第三观点中的任一观点的学习装置，取得部取得就寝者入睡时的周围温度、就寝者的指尖血流量、或者就寝者的RGB图像作为状态变量。
由此，能够得到精度更高的学习结果。
第五观点的学习装置是第一观点至第四观点中的任一观点的学习装置，睡眠质量基于就寝者从上床到入睡为止的时间、就寝者的深度睡眠率、就寝者的中途醒来的次数、就寝者的中途醒来的时间、对就寝者实施的与睡眠质量有关的问卷调查、对就寝者实施的与白天的表现状态相关的问卷调查、就寝者的激素的分泌量、以及就寝者的激素的浓度中的至少任一者来决定。
第六观点的学习装置是第一观点至第五观点中的任一观点的学习装置，与深部体温相关的特征量基于规定期间的就寝者的深部体温的变化量、最大值、最小值、最频值、平均值、最大值与最小值之差、最大或最小的斜率、平均的斜率、以及与变化相关的指标中的至少任一者来决定。
第七观点的学习装置是第一观点至第六观点中的任一观点的学习装置，与皮肤温度相关的特征量基于规定期间的就寝者的皮肤温度的变化量、最大值、最小值、最频值、平均值、最大值与最小值之差、最大或最小的斜率、平均的斜率、以及与变化相关的指标中的至少任一者来决定。
第八观点的学习装置是第一观点至第七观点中的任一观点的学习装置，取得部还取得就寝者入睡时的就寝者的周围的湿度、照度、色度、香气、气流中的任意者作为状态变量。
由此，能够得到精度更高的学习结果。
第九观点的学习装置是第一观点至第八观点中的任一观点的学习装置，学习部使用多个示教数据进行学习。示教数据包含状态变量以及睡眠质量。
第十观点的推定装置使用基于第一观点至第九观点中的任一观点的学习装置的学习结果而生成的学习模型来推定睡眠质量。
由此，推定装置能够推定精度良好的睡眠质量。
第十一观点的推定装置是第十观点的推定装置，还具备深部体温特征量推定部。深部体温特征量推定部根据与皮肤温度相关的特征量来推定与就寝者的深部体温相关的特征量。
由此，推定装置能够减轻由于测定深部体温而导致的就寝者的负担。
第十二观点的推定装置是第十观点的推定装置，深部体温特征量推定部基于学习模型的学习结果，将与就寝者的所述皮肤温度相关的特征量作为输入，来推定与就寝者的深部体温有关的特征量，所述学习模型是跟与就寝者的皮肤温度相关的特征量相关联地学习与就寝者的深部体温相关的特征量而成的。与就寝者的所述皮肤温度相关的特征量至少基于就寝者入睡时的第一皮肤温度来决定。与就寝者的深部体温相关的特征量至少基于就寝者入睡时的第一深部体温来决定。
第十三观点的环境调整系统具备第十观点至第十二观点中的任一观点的推定装置和环境调整装置。环境调整装置具有致动器和控制部。致动器对就寝者的周围环境进行调整。控制部基于推定装置推定出的就寝者的睡眠质量来控制致动器的动作。
由此，环境调整系统能够调整就寝者的周围环境，提高就寝者的睡眠质量。
附图说明
图1是表示学习系统和推定系统的一例的图。
图2是表示学习系统的结构的图。
图3是表示推定系统以及环境调整系统3的结构的图。
具体实施方式
<第一实施方式>
(1)概要
图1是示出第一实施方式的学习系统1、推定系统2和环境调整系统3的一例的图。学习系统1取得各种数据，基于取得的数据进行学习，基于学习结果生成学习完毕的学习模型。推定系统2取得各种数据，使用在学习系统1中生成的学习完毕的学习模型来推定就寝者的睡眠质量。环境调整系统3基于推定系统2推定出的就寝者的睡眠质量来调整就寝者的周围环境。
下面，对学习系统1、推定系统2以及环境调整系统3的详细情况进行说明。
(2)学习系统1
图2是表示第一实施方式的学习系统1的一例的示意图。学习系统1主要具备数据取得装置10、示教数据生成装置20以及学习装置30。各装置能够经由因特网等网络进行通信。
(2-1)数据取得装置10
数据取得装置10例如包含取得就寝者的周围的温度数据的第一取得装置11、取得就寝者的皮肤温度的数据的第二取得装置12、取得就寝者的深部体温的数据的第三取得装置13、取得就寝者的睡眠质量的数据的第四取得装置14。另外，在第一实施方式中，第一取得装置11、第二取得装置12以及第三取得装置13分别从就寝者就寝的30分钟前起到就寝者醒来为止始终进行数据的取得，但数据既可以以规定的时间间隔取得，也可以在任意的定时取得。另外，在第一实施方式中，第四取得装置14在就寝者醒来后进行数据的取得。在第一取得装置11、第二取得装置12、第三取得装置13以及第四取得装置14取得的数据中分别关联有取得数据的时间信息。
第一取得装置11、第二取得装置12、第三取得装置13以及第四取得装置14取得的数据分别经由网络发送到示教数据生成装置20。另外，第一取得装置11、第二取得装置12、第三取得装置13以及第四取得装置14可以仅将取得的数据中的与示教数据生成装置20的请求对应的一部分数据发送至示教数据生成装置20。
(2-1-1)第一取得装置11
第一取得装置11是温度传感器、热像仪等装置、或者包含它们的装置。例如，第一取得装置11可以是包含温度传感器的空调装置。第一取得装置11没有特别限定，至少是能够取得就寝者周围的温度数据的装置。
(2-1-2)第二取得装置12
第二取得装置12是皮肤温度传感器等装置或包含皮肤温度传感器等的装置。例如，第二取得装置12可以是包含皮肤温度传感器的可穿戴传感器。第二取得装置12没有特别限定，至少是能够取得就寝者的皮肤温度的数据的装置。
(2-1-3)第三取得装置13
第三取得装置13是深部体温传感器等装置或包含深部体温传感器等的装置。例如，第三取得装置13可以是鼓膜温度计。第三取得装置13没有特别限定，至少是能够取得就寝者的深部体温的数据的装置。
(2-1-4)第四取得装置14
第四取得装置14是用于取得就寝者的睡眠质量的装置。在第一实施方式中，睡眠质量是基于对就寝者实施的与睡眠的质量、白天的表现状态相关的问卷调查来决定的。与睡眠的质量、白天的表现状态相关的问卷调查例如是OSA睡眠调查单MA版(OSA sleepinventory MA version)。第四取得装置14例如可以是移动终端等。作为第四取得装置14的移动终端例如通过就寝者醒来后经由移动终端进行OSA睡眠调查票MA版问卷调查来取得与睡眠相关的数据。另外，第四取得装置14并不限定于移动终端，只要是能够取得就寝者进行OSA睡眠调查单MA版问卷调查的结果等的装置即可。
(2-2)示教数据生成装置20
示教数据生成装置20具备CPU(Central Processing Unit：中央处理单元)、存储器、储存器、输入输出接口、通信接口、输入装置、显示装置以及数据总线等公知的硬件结构，还可以是安装有公知的操作系统等而具有服务器功能的计算机。另外，也可以根据需要设置GPU(Graphics Processing Unit：图形处理单元)。或者，可以是使用1个或多个计算机提供的虚拟化的虚拟服务器。另外，本公开中的示教数据生成装置20优选具有大容量的存储器。
示教数据生成装置20具有数据取得部21、特征量提取部22、示教数据生成部23、取得数据存储部24以及示教数据存储部25。
(2-2-1)数据取得部21
数据取得部21通过经由网络接收数据取得装置10取得的各种数据而进行取得处理。数据取得部21取得的各种数据分别被存储于取得数据存储部24中。另外，在取得数据存储部24中存储的各种数据中关联有数据取得装置10取得各个数据的时间的信息。
在第一实施方式中，数据取得部21从第一取得装置11取得第一周围温度和第二周围温度的数据，从第二取得装置12取得第一皮肤温度和第二皮肤温度的数据，从第三取得装置13取得第一深部体温和第二深部体温的数据，从第四取得装置14取得睡眠质量的数据。下面，对各个数据进行说明。另外，在下面的说明中，就寝者入睡时是指使用传感器等测定出就寝者已入睡，优选在就寝者入睡的定时取得，但不限于此。就寝者入睡时是指至少就寝者就寝之后的定时，例如可以是就寝者就寝后经过了规定的时间后的定时。在第一实施方式中就寝者入睡时是指就寝者入睡后经过30分钟后，但并不限定于此。
(2-2-1-1)第一周围温度和第二周围温度的数据
第一周围温度是就寝者入睡时的就寝者的周围温度。第二周围温度是在第一周围温度之前的定时取得的就寝者的周围温度。第二周围温度的数据至少在就寝者就寝前的定时取得。例如，第二周围温度的数据可以是在就寝者就寝的任意的时间前取得的数据。在第一实施方式中，第二周围温度的数据是就寝者就寝的30分钟前的就寝者周围的温度数据，但不限于此。
(2-2-1-2)第一皮肤温度和第二皮肤温度的数据
第一皮肤温度是就寝者入睡时的皮肤温度。
第二皮肤温度是在第一皮肤温度之前的定时取得的就寝者的皮肤温度。第二皮肤温度的数据优选在就寝者就寝前的定时取得。例如，优选第二皮肤温度的数据是在就寝者就寝的任意的时间前取得的数据。在第一实施方式中，第二皮肤温度的数据是就寝者就寝的30分钟前的就寝者的皮肤温度的数据，但不限于此。
(2-2-1-3)第一深部体温及第二深部体温的数据
第一深部体温是就寝者入睡时的深部体温。第二深部体温是在第一深部体温之前的定时取得的就寝者的深部体温。第二深部体温的数据优选在就寝者就寝前的定时取得。例如，第二深部体温的数据优选为在就寝者就寝的任意的时间前取得的数据。在第一实施方式中，第二深部体温的数据是就寝者就寝的30分钟前的就寝者的深部体温的数据，但并不限定于此。
(2-2-1-4)睡眠质量的数据
如上所述，睡眠质量基于OSA睡眠调查单MA版来决定。睡眠质量的数据在就寝者起床后实施OSA睡眠调查单MA版之后的定时取得。
(2-2-2)特征量提取部22
特征量提取部22根据存储于取得数据存储部24中的第一皮肤温度和第二皮肤温度的数据、以及第一深部体温和第二深部体温的数据，分别进行提取皮肤温度特征量和深部体温特征量的处理。特征量提取部22提取出的皮肤温度特征量和深部体温特征量被存储于取得数据存储部24中。下面，对皮肤温度特征量和深部体温特征量进行说明。
(2-2-2-1)皮肤温度特征量
皮肤温度特征量是与就寝者的皮肤温度相关的特征量，从第一皮肤温度及第二皮肤温度的数据中提取出。具体而言，皮肤温度特征量是基于第一皮肤温度及第二皮肤温度的变化值、最大值、最小值、最频值、平均值、最大值与最小值之差、最大或最小的斜率、平均的斜率及与变化相关的指标中的任意者而决定的特征量。与变化相关的指标例如是表示与皮肤温度相关的深部体温的斜率这样的变化倾向的指标。另外，对于从第一皮肤温度和第二皮肤温度的数据中提取皮肤温度特征量的方法没有特别限定，优选使用滤波法、封装法、嵌入法等进行特征选择，选择有用的特征量。另外，也可以使用交替作用特征量。
(2-2-2-2)深部体温特征量
深部体温特征量是与就寝者的深部体温相关的特征量，从第一深部体温和第二深部体温的数据中提取出。具体而言，深部体温特征量是基于第一深部体温及第二深部体温的变化值、最大值、最小值、最频值、平均值、最大值与最小值之差、最大或最小的斜率、平均斜率以及与变化相关的指标中的任意者而决定的特征量。与变化相关的指标例如是表示与深部体温相关的皮肤温度的斜率这样的变化倾向的指标。对于从第一深部体温和第二深部体温的数据中提取深部体温特征量的方法没有特别限定，优选使用滤波法、封装法、嵌入法等进行特征选择，选择有用的特征量。另外，也可以使用交替作用特征量。
(2-2-3)示教数据生成部23
示教数据生成部23从取得数据存储部24中提取状态变量以及正解数据而生成示教数据(示教数据集)。示教数据是用于学习装置30学习睡眠质量的数据集。在第一实施方式中，使用第一周围温度、第二周围温度、皮肤温度特征量、深部体温特征量以及睡眠质量的数据来作为示教数据。
具体而言，示教数据生成部23首先从取得数据存储部24中提取第一周围温度、第二周围温度、皮肤温度特征量、深部体温特征量以及睡眠质量的数据。此时，示教数据生成部23基于与各个数据相关联的时间信息进行数据的提取。接着，示教数据生成部23将第一周围温度、第二周围温度、皮肤温度特征量以及深部体温特征量作为状态变量，将睡眠质量的数据作为正解数据来生成示教数据。示教数据生成部23生成的示教数据存储于示教数据存储部35中。
(2-3)学习装置30
学习装置30具备未图示的CPU(Central Processing Unit：中央处理单元)、存储器、储存器、输入输出接口、通信接口、输入装置、显示装置以及数据总线等公知的硬件结构，可以是安装有公知的操作系统等进而具有服务器功能的高性能的计算机。另外，可以根据需要设置GPU(Graphics Processing Unit：图形处理单元)。或者，可以是使用1个或多个计算机提供的虚拟化的虚拟服务器。
学习装置30具备示教数据取得部31、学习部32以及学习模型生成部33。
(2-3-1)示教数据取得部31
示教数据取得部31经由网络从示教数据生成装置20取得多个示教数据。另外，示教数据取得部31取得的示教数据分别存储于存储器等中。
(2-3-2)学习部32
在学习部32中预先设置有学习模型。学习部32基于示教数据取得部31取得的多个示教数据，使学习模型进行学习(例如，有示教学习)。学习模型进行的学习方法没有特别限定，优选使用多元回归分析、随机森林等。
第一实施方式中的学习模型以利用向后述的推定系统2(图3)输入的输入数据输出睡眠质量的推定值为目的，进行学习。
(2-3-3)学习模型生成部33
学习模型生成部33通过学习部32学习的进行，在学习模型的推定精度提高的阶段将学习模型作为学习完毕的学习模型进行输出，由此生成在推定装置50中利用的学习模型。从学习模型生成部33输出的学习模型能够利用向推定系统2输入的输入数据以规定的精度以上输出睡眠质量的推定值。
在学习模型生成部33中生成的学习模型经由网络发送到后述的推定装置50。或者，在学习模型生成部33中生成的学习模型经由存储介质发送到推定装置50。
(3)学习系统1的特征
(3-1)
第一实施方式的学习系统1所包含的学习装置30是对就寝者的睡眠质量进行学习的学习装置30。学习装置30具备作为取得部的示教数据取得部31、学习部32、以及作为生成部的学习模型生成部33。示教数据取得部31取得第一周围温度、第二周围温度、与深部体温相关的特征量、与皮肤温度相关的特征量作为状态变量。第一周围温度是就寝者入睡时的就寝者的周围温度。第二周围温度是在第一周围温度之前取得的就寝者的周围温度。与深部体温相关的特征量至少基于就寝者入睡时的第一深部体温来决定。与皮肤温度相关的特征量至少基于就寝者入睡时的第一皮肤温度来决定。学习部32将状态变量以及睡眠质量相关联地进行学习。学习模型生成部33基于学习部32的学习结果生成学习模型。学习模型将第一周围温度、第二周围温度、与深部体温以及皮肤温度相关的特征量作为输入来推定睡眠质量。
以往，如非专利文献1那样，针对睡眠前的体温变动对入睡的影响进行了研究。例如，在非专利文献1中报告了在深部体温下降的时间段产生较大的睡意，特别是深部体温急剧下降的时刻的出现对睡眠质量产生较大影响。
具体而言，当人入睡时，使深部体温向末端部分热移动，使存在于手掌、脚的背面、脸的被称为AVA(动静脉吻合)的体温调整用的血管扩张，由此进行散热。由此，能够降低深部体温，提高睡眠时的脑、身体的休息效率。由于白天运动或沐浴而体温提高，从而就寝时深部体温容易下降，但若在白天深部体温不上升或者卧室较热，则深部体温不下降，无法取得较深的睡眠，因此成为质量差的睡眠。深度睡眠具有在入睡后最初的三个小时内出现较多而其后变少这样的特征。若将睡眠时的舒适性换言之为睡眠较深而质量良好的睡眠，则可知深部体温的推移对其产生影响。综上所述，可知理想睡眠中的深部体温、皮肤温度、睡眠深度的关系如图5所示。除此以外可知，由于年龄增加而入睡时间变长，深度睡眠比例变低，睡眠时间的合计也变短。
第一实施方式的学习装置30能够生成学习模型，该学习模型能够通过取得与就寝者的深部体温相关的特征量作为状态变量进行学习，更高精度地推定作为就寝者的睡眠状态的睡眠质量。
(3-2)
学习装置30取得的第二特征量至少基于第一皮肤温度和第二皮肤温度来决定。第一皮肤温度是就寝者入睡时的皮肤温度。第二皮肤温度是在第一皮肤温度之前取得的就寝者的皮肤温度。
在本实施方式中，学习装置30取得作为第一皮肤温度的就寝者上床之后经过30分钟后的就寝者的皮肤温度的数据和作为第二皮肤温度的就寝者上床的30分钟前的就寝者的皮肤温度的数据。另外，本实施方式的学习装置30在与第一皮肤温度相同的时刻取得第一深部体温，在与第二皮肤温度相同的时刻取得第二深部体温。
由此，学习装置30能够生成对精度更高的深部体温特征量进行输出的学习模型。
(3-3)
学习装置30使用多个示教数据进行学习。示教数据包含睡眠质量的数据、第一周围温度的数据、第二周围温度的数据、作为与深部体温相关的特征量的深部体温特征量以及作为与皮肤温度相关的特征量的皮肤温度特征量。
在本实施方式中，睡眠质量基于就寝者从上床到入睡为止的时间、深度睡眠率、中途醒来的次数、中途醒来的时间、以及OSA睡眠调查单MA版(OSA sleep inventory MAversion)中的至少任一者来决定。
另外，深部体温特征量基于规定期间的就寝者的深部体温的变化量、最大值、最小值、最频值、平均值、最大值与最小值之差、最大或最小的斜率、以及平均的斜率中的至少任一者来决定。
进而，皮肤温度特征量基于规定期间的就寝者的皮肤温度的变化量、最大值、最小值、最频值、平均值、最大值与最小值之差、最大或最小的斜率、以及平均的斜率中的至少任一者来决定。
由此，本实施方式的学习装置30能够生成对高精度的睡眠质量进行输出的学习模型。
(4)变形例
(4-1)变形例1
在第一实施方式中，睡眠质量基于OSA睡眠调查单MA版来决定，但睡眠质量也可以基于除此以外的方法来决定。另外，第四取得装置14可以是移动终端以外的装置。
例如，睡眠质量可以由就寝者就寝中的心率、体动、深度睡眠时间的比例、就寝者从上床到入睡为止的时间、就寝者的激素的分泌量、就寝者的激素的浓度、或者对就寝者实施的与睡眠质量、白天的表现状态相关的任意的问卷调查等来决定。睡眠质量的数据没有特别限定，第四取得装置14只要至少能够取得睡眠质量的数据就没有特别限定。
(4-2)变形例2
数据取得装置10可以取得上述所示的数据以外的数据。例如，数据取得装置10可以取得环境数据、对象数据或者睡眠数据。具体而言，环境数据是就寝者的周围的湿度、照度、色度、香气、或者气流等数据。对象数据是就寝者的指尖血流量、用于推定就寝者的指尖血流量的RGB图像、心率、心率变动、呼吸数、伽伐尼皮肤反应、穿衣量/被褥的种类、白天的活动状况、枕头的温度等数据。睡眠数据是就寝者的体动、睡眠状态、或者入睡为止的时间等数据。另外，这些数据可以由数据取得装置10所包含的第一取得装置11、第二取得装置12、第三取得装置13、以及第四取得装置14、或者它们以外的装置取得。学习装置30能够将这些装置取得的数据用作示教数据。
学习装置30通过使用上述的数据作为状态变量，能够生成对精度更高的深部体温特征量进行推定的学习模型。
(4-3)变形例3
在第一实施方式中，第一周围温度及第二周围温度由同一装置(第一取得装置11)取得，但第一周围温度及第二周围温度也可以由不同的装置取得。
另外，第一取得装置11等可以在取得第一周围温度和第二周围温度的基础上，在规定的定时取得就寝者的周围温度的数据作为第三周围温度。
(4-4)变形例4
在第一实施方式中，示教数据生成装置20提取皮肤温度特征量以及深部体温特征量，但也可以由学习装置30提取皮肤温度特征量以及深部体温特征量。或者，可以由第二取得装置12提取皮肤温度特征量，由第三取得装置13提取深部体温特征量。从各数据中提取特征量的处理可以由任意装置进行。
(4-5)变形例5
在第一实施方式中，学习系统1提取皮肤温度特征量以及深部体温特征量来进行学习，但学习系统1也可以使用深度学习来进行学习。换言之，学习部32可以根据皮肤温度、深部体温、第一周围温度以及第二周围温度自动地提取适当的特征量，进行学习。另外，此时，皮肤温度以及深部体温也可以仅在就寝者入睡时取得。
(4-6)变形例6
在第一实施方式中，示教数据是与就寝者相关联的示教数据集。在此，学习部32用于学习的多个示教数据可以是分别与不同的对象(就寝者)相关联的示教数据集。
另一方面，第一实施方式的用于学习部32学习的多个示教数据也可以是与特定的就寝者相关联的示教数据集。此时，数据取得装置10可以具有取得特定的就寝者的个人信息的个人信息取得装置。个人信息取得装置例如是移动终端，被输入特定的就寝者的个人信息。所谓个人信息，例如是特定的就寝者的平常时的皮肤温度、平常时的深部体温、年龄、性别、身高、体重、同龄平均的平常时的皮肤温度等信息。
由此，学习装置30能够有助于生成根据特定的就寝者推定精度高的深部体温特征量的学习模型。
(5)推定系统2
图3是表示第一实施方式的推定系统2及环境调整系统3的一例的示意图。推定系统2具有输入数据取得装置40以及推定装置50等装置。各装置能够经由因特网等规定的网络进行通信。
(5-1)输入数据取得装置40
输入数据取得装置40包含：第五取得装置41，其取得就寝者的周围温度的数据；第六取得装置42，其取得就寝者的皮肤温度的数据；以及第七取得装置43，其取得就寝者的深部体温的数据。第五取得装置41、第六取得装置42及第七取得装置43分别取得规定的数据。
另外，在第一实施方式中，第五取得装置41、第六取得装置42以及第七取得装置43分别从就寝者就寝的30分钟前开始始终进行数据取得，但可以在规定的时间间隔取得数据，也可以在任意的定时取得数据。在第五取得装置41、第六取得装置42以及第七取得装置43取得的数据中分别关联有取得数据的时间信息。
第五取得装置41、第六取得装置42以及第七取得装置43取得的数据经由网络发送到推定装置50。另外，第五取得装置41、第六取得装置42以及第七取得装置43可以仅将取得的数据中的与推定装置50的请求对应的一部分的数据发送到推定装置50。
下面，对第五取得装置41、第六取得装置42以及第七取得装置43、第五取得装置41、第六取得装置42以及第七取得装置43取得的各个数据进行说明。另外，在下面的说明中，就寝者入睡时是指使用传感器等测定出就寝者已入睡的情况，优选在就寝者入睡的定时取得，但不限于此。就寝者入睡时是指至少就寝者就寝之后的定时，例如可以是就寝者就寝后经过了任意时间后的定时。在第一实施方式中，第二周围温度的数据是就寝者就寝的30分钟前的就寝者的周围温度的数据，但不限于此。
(5-1-1)第五取得装置41
第五取得装置41是温度传感器、热像仪等装置、或者包含它们的装置。例如，第五取得装置41可以是包含温度传感器的空调装置等。第五取得装置41没有特别限定，至少是能够取得就寝者的周围温度的数据的装置。
在第一实施方式中，第五取得装置41至少取得第三周围温度和第四周围温度。
第三周围温度是就寝者入睡时的周围温度的数据。第四周围温度是在第三周围温度之前取得的就寝者的周围温度的数据。第四周围温度至少在就寝者就寝前取得。例如，第四周围温度可以使用在就寝者就寝的任意的时间前取得的数据。在第一实施方式中，第四周围温度的数据是就寝者就寝的30分钟前的就寝者的周围温度的数据，但不限于此。
(5-1-2)第六取得装置42
第六取得装置42是皮肤温度传感器等装置或者包含它们的装置。例如，第六取得装置42可以是包含皮肤温度传感器等的可穿戴传感器等。第六取得装置42没有特别限定，至少是能够取得就寝者的第三皮肤温度和第四皮肤温度的数据的装置。
第三皮肤温度是就寝者入睡时的皮肤温度。第四皮肤温度是在第三皮肤温度之前的时间取得的就寝者的皮肤温度。第四皮肤温度的数据优选在就寝者就寝之前取得。例如，优选为，第四皮肤温度的数据是在就寝者就寝的任意的时间前取得的数据。在第一实施方式中，第四皮肤温度的数据是就寝者就寝的30分钟前的就寝者的皮肤温度的数据，但不限于此。
(5-1-3)第七取得装置43
第七取得装置43是深部体温传感器等装置或者包含它们的装置。例如，第七取得装置43可以是鼓膜温度计等。第七取得装置43没有特别限定，至少是能够取得就寝者的第三深部体温和第四深部体温的数据的装置。
第三深部体温是就寝者入睡时的深部体温。第四深部体温是在第三深部体温之前的定时取得的就寝者的深部体温。优选为，第四深部体温的数据在就寝者就寝前的定时取得。例如，优选为，第四深部体温的数据是在就寝者就寝的任意的时间前取得的数据。在第一实施方式中，第四深部体温的数据是就寝者就寝的30分钟前的就寝者的深部体温的数据，但并不限定于此。
(5-2)推定装置50
推定装置50具备CPU(Central Processing Unit：中央处理单元)、存储器、储存器、输入输出接口、通信接口、输入装置、显示装置以及数据总线等公知的硬件结构，可以是安装有公知的操作系统等进而具有服务器功能的高性能的计算机。另外，可以根据需要设置GPU(Graphics Processing Unit：图形处理单元)。或者，可以是使用1个或多个计算机提供的虚拟化的虚拟服务器。
在推定装置50的存储器等存储部中存储有预先由学习系统1生成的学习完毕的学习模型和用于执行该学习模型的各种程序。
推定装置50包含输入数据取得部51、特征量提取部52、推定部53和输出部54。
(5-2-1)输入数据取得部51
输入数据取得部51通过经由网络接收由第五取得装置41取得的第三周围温度和第四周围温度的数据、由第六取得装置42取得的第三皮肤温度和第四皮肤温度的数据、由第七取得装置43取得的第三深部体温和第四深部体温的数据，进行取得。另外，输入数据取得部51取得的数据分别存储于存储器等中。
(5-2-2)特征量提取部52
特征量提取部52从输入数据取得部51取得的第三皮肤温度和第四皮肤温度的数据中提取皮肤温度特征量。另外，特征量提取部52从输入数据取得部51取得的第三深部体温和第四深部体温的数据中提取深部体温特征量。皮肤温度特征量和深部体温特征量是与学习系统的特征量提取部22提取的皮肤温度特征量和深部体温特征量大致相同的特征量，因此省略说明。
(5-2-3)推定部53
推定部53将由输入数据取得部51取得的第三周围温度和第四周围温度的数据、由特征量提取部22提取出的皮肤温度特征量和深部体温特征量作为输入数据，进行睡眠质量的推定。睡眠质量的推定例如将就寝者的睡眠质量分类为3个等级(良好、一般、差等)。推定例如是有示教学习。推定的方法没有特别限定，优选使用多元回归分析、随机森林等。例如，作为使用这些方法推定出的实验的结果，与输入数据对应的正解率为0.762、0.930或0.803，能够高精度地进行睡眠质量的推定。
(5-2-4)输出部54
输出部54输出推定部53推定出的睡眠质量的推定值。具体而言，作为输出，输出部54向其他装置发送睡眠质量的推定值，或者显示于显示器等。
(6)推定系统2的特征
第一实施方式中的推定系统2所包含的推定装置50使用基于学习装置30的学习结果生成的学习完毕的学习模型，来推定就寝者的睡眠质量。
由此，第一实施方式的推定系统2能够使用学习系统1生成的学习模型，高精度地推定就寝者的睡眠质量。
(7)变形例
(7-1)变形例1
输入数据取得部51可以取得上述所示的数据以外的输入数据。例如，输入数据取得部51可以取得环境数据、对象数据或者睡眠数据等。输入数据取得部51取得与学习模型的规格对应的输入数据。
(7-2)变形例2
在第一实施方式中，推定装置50提取皮肤温度特征量，但也可以由第六取得装置42提取皮肤温度特征量。或者，也可以由第六取得装置42以外的其他装置提取皮肤温度特征量。
(7-3)变形例3
在第一实施方式中，推定系统2提取皮肤温度特征量进行学习，但推定系统2也可以使用深度学习进行学习。换言之，推定部53可以根据第三周围温度、第四周围温度、第三皮肤温度以及第四皮肤温度自动地提取适当的特征量来进行学习。
(8)环境调整系统3
环境调整系统3是基于推定系统2推定出的就寝者的睡眠质量来调整就寝者的周围环境的系统。环境调整系统3包含第一实施方式的推定装置50和环境调整装置60。下面，对环境调整装置60的一例进行说明。
(8-1)环境调整装置60
环境调整装置60是调整就寝者的周围环境的装置，例如空调装置。环境调整装置60主要具备取得部61、控制部62以及致动器63。
(8-1-1)取得部61
取得部61经由互联网等网络从推定装置50取得睡眠质量的推定值。另外，取得部61经由网络从输入数据取得装置40取得各种数据。取得部61将从推定装置50以及输入数据取得装置40取得的信息存储于后述的控制部62的存储装置中。
(8-1-2)控制部62
控制部62由计算机实现，具备未图示的控制运算装置和存储装置。控制运算装置可以使用CPU或GPU这样的处理器。控制运算装置读出在存储装置中存储的程序，按照该程序进行规定的运算处理等。进而，控制运算装置能够按照程序将运算结果写入存储装置，或者读出在存储装置中存储的信息。
具体而言，在第一实施方式的控制部62的存储装置中存储有取得部61取得的信息。另外，在存储装置中存储有在取得部61取得睡眠质量的推定值之前的规定期间的控制指示。控制指示是用于控制后述的致动器63的动作的指示信号。
控制部62的控制运算装置基于存储于存储装置的信息和控制指示进行运算，将用于提高睡眠质量的控制指示发送到致动器63。
(8-1-3)致动器63
致动器63接收来自控制部62的控制运算装置的控制指示而进行动作。致动器63例如是空调装置的压缩机、膨胀阀、风扇、挡板等。
(9)特征
第一实施方式中的环境调整系统3具备推定装置50和环境调整装置60。环境调整装置60具有致动器63和控制部62。致动器63对就寝者的周围环境进行调整。控制部62基于推定装置50推定出的就寝者的睡眠质量，来控制致动器的动作。
环境调整系统3如非专利文献1所记载那样使用在深部体温下降时产生较大睡意这样的人的特性，例如在预测为睡眠质量降低的情况下，以提高睡眠质量(降低深部体温)的方式使就寝者周围的温度降低(例如降低1度)。或者，环境调整系统3进行增强就寝者的周围气流的环境调整。由此，环境调整系统3有助于提高就寝者的睡眠质量。
(10)变形例
在第一实施方式中，取得部61从输入数据取得装置40取得各种数据，但取得部61也可以从适当安装于环境调整系统3的传感器取得各种数据。
另外，环境调整系统3以及推定系统2可以保存在同一壳体中。因此，取得部61可以不经由网络而取得各自的信息。
<第二实施方式>
以下，对本发明的第二实施方式的学习系统1、推定系统2的详细情况以及与第一实施方式的各系统不同的方面进行说明。
(11)第二实施方式的学习系统1
(11-1)数据取得装置10
第二实施方式的学习系统1中的数据取得装置10与第一实施方式的数据取得装置10大致相同。
(11-2)示教数据生成装置20
在第二实施方式的学习系统1中，示教数据生成装置20生成用于学习装置30学习就寝者的深部体温特征量的示教数据。在此，为了方便说明，将在第一实施方式中说明的为了学习就寝者的睡眠质量而生成的示教数据设为第一示教数据，将用于学习深部体温特征量的示教数据设为第二示教数据。
示教数据生成装置20的示教数据生成部23首先从取得数据存储部24提取第一周围温度、第二周围温度、皮肤温度特征量以及深部体温特征量的数据。接着，示教数据生成部23将第一周围温度、第二周围温度、皮肤温度特征量作为状态变量，将深部体温特征量的数据作为正解数据，生成第二示教数据。示教数据生成部23生成的第二示教数据存储于示教数据存储部35中。
另外，第二实施方式的示教数据生成部23也与第一实施方式同样地生成第一示教数据。
(11-3)学习装置30
学习装置30基于示教数据取得部31取得的多个示教数据，使学习模型进行学习。在此，为了方便说明，将使用第一示教数据来学习就寝者的睡眠质量的学习模型设为第一学习模型，将使用第二示教数据来学习深部体温特征量的学习模型设为第二学习模型。另外，第一学习模型是在第一实施方式中说明的学习模型。
学习装置30以使用示教数据生成装置20取得的多个第二示教数据并根据向推定系统2输入的输入数据来输出深部体温特征量的推定值为目的，进行学习。
学习模型生成部33通过学习部32学习的进行，在学习模型的推定精度提高的阶段将第二学习模型作为学习完毕的第二学习模型进行输出，由此生成在推定装置50中使用的第二学习模型。从学习模型生成部33输出的第二学习模型能够根据向推定系统2输入的输入数据以规定的精度以上输出深部体温特征量的推定值。
另外，第二实施方式的学习装置30与第一实施方式同样地也生成使用第一示教数据来学习就寝者的睡眠质量的学习模型作为第一学习模型。
(12)第二实施方式的学习系统1的特征
第二实施方式的学习系统1所包含的学习装置30是对就寝者的睡眠质量进行学习的学习装置30。学习装置30具备作为取得部的示教数据取得部31、学习部32、以及作为生成部的学习模型生成部33。示教数据取得部31取得第一周围温度、第二周围温度、与深部体温相关的特征量、与皮肤温度相关的特征量作为状态变量。第一周围温度是就寝者入睡时的就寝者的周围温度。第二周围温度是在第一周围温度之前取得的就寝者的周围温度。与深部体温相关的特征量至少基于就寝者入睡时的第一深部体温来决定。与皮肤温度相关的特征量至少基于就寝者入睡时的第一皮肤温度来决定。学习部32将状态变量以及睡眠质量相关联地进行学习。学习模型生成部33基于学习部32的学习结果生成学习模型。学习模型将第一周围温度、第二周围温度以及与皮肤温度相关的特征量作为输入来推定睡眠质量。
就寝者的深部体温对睡眠质量产生较大的影响。但是，为了进行深部体温的测定，必须安装直肠温度计、鼓膜温度计等装置，与进行皮肤温度的测定的情况相比，这些装置对就寝者带来的负担较大。
第二实施方式所示的学习装置30预先取得用于计算与就寝者的深部体温相关的特征量的信息而进行学习，由此生成对与深部体温相关的信息即第一特征量进行输出的学习模型。由此，能够减轻伴随取得与深部体温相关的信息的就寝者的负担。
(13)变形例
在第二实施方式中，第一示教数据及第二示教数据在同一示教数据生成装置20中生成，但不限于此。第一示教数据以及第二示教数据也可以分别在不同的硬件中生成。
另外，第一学习模型以及第二学习模型由同一学习装置30进行学习，但不限于此。第一学习模型以及第二学习模型也可以分别由不同的硬件进行学习。
(14)推定系统2
(14-1)输入数据取得装置40
第二实施方式的输入数据取得装置40包含第一实施方式中的第五取得装置41和第六取得装置42。换言之，第二实施方式的输入数据取得装置40不包含第七取得装置43。第五取得装置41和第六取得装置42取得与第一实施方式大致相同的数据。
(14-2)推定装置50
在第二实施方式的推定装置50中存储有预先由学习系统1生成的学习完毕的第一学习模型和第二学习模型、以及用于执行各学习模型的各种程序。
推定部53将输入数据取得部51取得的第三周围温度和第四周围温度的数据以及特征量提取部22提取出的皮肤温度特征量作为输入数据，使用第二学习模型进行深部体温特征量的推定。作为深部体温特征量，推定部53例如在比较入睡前30分钟～16分钟前的每1分钟的鼓膜温度平均值和15分钟前～入睡时的每1分钟的鼓膜温度平均值时，能够推定出成为上升0.2℃以上、平稳(下降0.2℃～上升0.2℃期间)、下降0.2℃以上中的哪一者。推定例如是有示教学习。在此，在采样数存在偏差的情况下，能够进行欠采样、过采样等方法。以下所示的表(1)表示使用推定部53推定深部体温特征量的实验中的正解率。由此，对用于推定深部体温特征量的实验条件的组合进行了比较。
[表1]
实验编号 正解率
1 0.687
2 0.826
3 0.754
4 0.928
5 0.939
6 0.880
··· ···
第二实施方式的推定装置50使用推定部53推定出的深部体温特征量进行睡眠质量的推定。具体而言，推定部53将由输入数据取得部51取得的第三周围温度和第四周围温度的数据、由特征量提取部22提取出的皮肤温度特征量、由推定部53推定出的深部体温特征量作为输入数据，使用第一学习模型进行睡眠质量的推定。输出部54对使用第一学习模型推定出的睡眠质量的推定值进行输出。
(15)特征
第二实施方式中的推定系统2所包含的推定装置50使用基于学习装置30的学习结果生成的学习完毕的学习模型，来推定就寝者的睡眠质量。
另外，推定系统2还具备作为深部体温特征量推定部的推定部53。推定部53根据第一周围温度、第二周围温度、与皮肤温度相关的特征量，来推定与就寝者的深部体温相关的特征量。
由此，推定装置50能够高精度地推定就寝者的睡眠质量，另外，能够减轻为了取得与深部体温相关的信息而佩戴直肠温度计、鼓膜温度计等装置相伴的就寝者的负担。
(16)变形例
在第二实施方式中，深部体温特征量的推定和睡眠质量的推定在同一推定装置50中进行，但不限于此。深部体温特征量的推定和睡眠质量的推定也可以分别在不同的硬件中进行。
以上，对本发明的实施方式进行了说明，但应当理解，能够在不脱离权利要求书所记载的本公开的主旨以及范围的情况下进行方式、详细内容的各种变更。
标号说明
3：环境调整系统；30：学习装置；31：取得部；32：学习部；50：推定装置；53：深部体温特征量推定部；62：控制部；63：致动器。
现有技术文献
非专利文献
非专利文献1：<论文>睡眠前的体温变动对入睡的影响(一般)小田史郎http://id.nii.ac.jp/1136/00002386/

Claims (13)

1.一种学习装置(30)，所述学习装置(30)对就寝者的睡眠质量进行学习，其中，所述学习装置(30)具备：
取得部(31)，其取得与所述就寝者的深部体温相关的特征量或与所述就寝者的皮肤温度相关的特征量作为状态变量；
学习部(32)，其将所述状态变量以及所述睡眠质量相关联地进行学习；以及
生成部，其基于所述学习部(32)的学习结果生成学习模型，该学习模型将与所述深部体温相关的特征量或与所述皮肤温度相关的特征量作为输入，来推定所述就寝者的所述睡眠质量，
与所述深部体温相关的特征量至少基于所述就寝者入睡时的第一深部体温来决定，
与所述皮肤温度相关的特征量至少基于所述就寝者入睡时的第一皮肤温度来决定。
2.根据权利要求1所述的学习装置(30)，其中，
与所述深部体温相关的特征量还基于在所述第一深部体温之前取得的第二深部体温来决定，
与所述皮肤温度相关的特征量还基于在所述第一皮肤温度之前取得的第二皮肤温度来决定。
3.根据权利要求1或2所述的学习装置(30)，其中，
所述取得部(31)还取得与所述就寝者的平常时的所述深部体温相关的特征量或者与所述就寝者的平常时的所述皮肤温度相关的特征量。
4.根据权利要求1至3中任一项所述的学习装置(30)，其中，
所述取得部(31)取得所述就寝者入睡时的周围温度、所述就寝者的指尖血流量或者所述就寝者的RGB图像作为状态变量。
5.根据权利要求1至4中任一项所述的学习装置(30)，其中，
所述睡眠质量基于所述就寝者从上床到入睡为止的时间、所述就寝者的深度睡眠率、所述就寝者的中途醒来的次数、所述就寝者的中途醒来的时间、对所述就寝者实施的与睡眠质量有关的问卷调查、对所述就寝者实施的与白天的表现状态相关的问卷调查、所述就寝者的激素的分泌量以及所述就寝者的激素的浓度中的至少任一者来决定。
6.根据权利要求1至5中任一项所述的学习装置(30)，其中，
与所述深部体温相关的特征量基于规定期间的所述就寝者的所述深部体温的变化量、最大值、最小值、最频值、平均值、最大值与最小值之差、最大或最小的斜率、平均的斜率以及与变化相关的指标中的至少任一者来决定。
7.根据权利要求1至6中任一项所述的学习装置(30)，其中，
与所述皮肤温度相关的特征量基于规定期间的所述就寝者的所述皮肤温度的变化量、最大值、最小值、最频值、平均值、最大值与最小值之差、最大或最小的斜率、平均的斜率以及与变化相关的指标中的至少任一者来决定。
8.根据权利要求1至7中任一项所述的学习装置(30)，其中，
所述取得部(31)还取得所述就寝者入睡时的所述就寝者的周围的湿度、照度、色度、香气、气流中的任意者作为所述状态变量。
9.根据权利要求1至8中任一项所述的学习装置(30)，其中，
所述学习部(32)使用多个示教数据进行学习，
所述示教数据包含所述状态变量以及所述睡眠质量。
10.一种推定装置(50)，其中，
所述推定装置(50)使用基于权利要求1至9中任一项所述的学习装置的学习结果生成的学习模型，来推定就寝者的睡眠质量。
11.根据权利要求10所述的推定装置(50)，其中，
所述推定装置(50)还具备深部体温特征量推定部(53)，
所述深部体温特征量推定部根据与所述就寝者的皮肤温度相关的特征量来推定与所述就寝者的深部体温相关的特征量。
12.根据权利要求10所述的推定装置(50)，其中，
所述深部体温特征量推定部(53)基于学习模型的学习结果，将与所述就寝者的所述皮肤温度相关的特征量作为输入，来推定与所述就寝者的所述深部体温相关的特征量，所述学习模型是跟与所述就寝者的所述皮肤温度相关的特征量相关联地学习与所述就寝者的所述深部体温相关的特征量而成的，
与所述就寝者的所述皮肤温度相关的特征量至少基于所述就寝者入睡时的第一皮肤温度来决定，
与所述就寝者的所述深部体温相关的特征量至少基于所述就寝者入睡时的第一深部体温来决定。
13.一种环境调整系统(3)，所述环境调整系统(3)具备：
权利要求10至12中任一项所述的推定装置(50)；以及
环境调整装置(60)，
所述环境调整装置具有：致动器(63)，其对就寝者的周围环境进行调整；以及控制部(61)，其对所述致动器(63)的动作进行控制，
所述控制部(61)基于所述推定装置(50)推定出的所述就寝者的睡眠质量，对所述致动器(63)的动作进行控制。
CN202080049648.1A 2019-07-08 2020-07-06 学习装置、推定装置以及环境调整系统 Pending CN114080648A (zh)

Applications Claiming Priority (7)

Application Number Priority Date Filing Date Title
JP2019-126816 2019-07-08
JP2019126815 2019-07-08
JP2019-126815 2019-07-08
JP2019126816 2019-07-08
JP2020-088163 2020-05-20
JP2020088163A JP2021010721A (ja) 2019-07-08 2020-05-20 学習装置、推定装置、及び、環境調整システム。
PCT/JP2020/026384 WO2021006240A1 (ja) 2019-07-08 2020-07-06 学習装置、推定装置、及び、環境調整システム

Publications (1)

Publication Number Publication Date
CN114080648A true CN114080648A (zh) 2022-02-22

Family

ID=74114219

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080049648.1A Pending CN114080648A (zh) 2019-07-08 2020-07-06 学习装置、推定装置以及环境调整系统

Country Status (4)

Country Link
US (1) US20220358372A1 (zh)
EP (1) EP3998429A4 (zh)
CN (1) CN114080648A (zh)
WO (1) WO2021006240A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024090535A1 (ja) * 2022-10-27 2024-05-02 株式会社 資生堂 情報処理装置、情報処理方法、及び、プログラム

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090177068A1 (en) * 2002-10-09 2009-07-09 Stivoric John M Method and apparatus for providing derived glucose information utilizing physiological and/or contextual parameters
EP2320293A1 (en) * 2009-11-05 2011-05-11 Koninklijke Philips Electronics N.V. Sleep element for improving the sleep of a person
JP6067065B2 (ja) * 2015-06-22 2017-01-25 三菱電機株式会社 快眠環境制御システムおよび快眠環境制御方法
JP6555696B2 (ja) * 2017-10-06 2019-08-07 株式会社ニューロスペース 睡眠状態判定装置、睡眠状態判定方法、睡眠状態判定システムおよび睡眠状態判定プログラム
CN109506342B (zh) * 2018-11-30 2019-12-17 珠海格力电器股份有限公司 空调的控制方法、装置和空调

Also Published As

Publication number Publication date
EP3998429A4 (en) 2023-07-19
US20220358372A1 (en) 2022-11-10
WO2021006240A1 (ja) 2021-01-14
EP3998429A1 (en) 2022-05-18

Similar Documents

Publication Publication Date Title
WO2022227550A1 (zh) 用于空调的控制方法及控制装置、空调
KR102587452B1 (ko) 생체 정보에 기반하여 장비를 제어하는 기법
JP2022530846A (ja) 睡眠中の睡眠者の体の熱調節を改善するための特徴を有するベッド
US10067516B2 (en) Method and system to control thermostat using biofeedback
JP2022515942A (ja) 睡眠を改善するための特徴を有するホームオートメーション
CN110513840A (zh) 基于智能家居操作系统的温度控制方法及系统
KR20170028247A (ko) 수면 관리 방법
CN113639449B (zh) 用于空调器控制的方法及装置、空调器
WO2018037584A1 (ja) 情報処理装置及びプログラム
CN111594999A (zh) 空调及其控制方法、装置以及空调系统
JP2020129188A (ja) 学習方法、学習プログラムおよび学習装置
JP6040874B2 (ja) 睡眠段階推定装置
CN113137724A (zh) 用于控制空调的方法及装置、空调
JP2016169925A (ja) 室内環境制御装置、室内環境制御方法及びコンピュータプログラム
JP2021010721A (ja) 学習装置、推定装置、及び、環境調整システム。
JPWO2014167836A1 (ja) 空気環境調整システム、制御装置
CN114080648A (zh) 学习装置、推定装置以及环境调整系统
CN109373499B (zh) 空调控制方法及装置
CN114688699A (zh) 空调控制方法、装置、空调及存储介质
JP2019039655A (ja) 空調制御システム、空調制御装置及び空調制御方法
EP3967224A1 (en) Information processing method, information processing system, and information processing program
JP7233032B2 (ja) 環境制御システム及び環境制御方法
JP2020103491A (ja) 環境制御システム及び環境制御方法
WO2023140379A1 (ja) 環境制御内容決定装置、及び環境制御内容決定方法
JP7233031B2 (ja) 環境制御システム及び環境制御方法

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