CN114467020A - 判断装置 - Google Patents
判断装置 Download PDFInfo
- Publication number
- CN114467020A CN114467020A CN202080066869.XA CN202080066869A CN114467020A CN 114467020 A CN114467020 A CN 114467020A CN 202080066869 A CN202080066869 A CN 202080066869A CN 114467020 A CN114467020 A CN 114467020A
- Authority
- CN
- China
- Prior art keywords
- excrement
- amount
- determination
- determination unit
- image
- 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
Links
- 230000029142 excretion Effects 0.000 claims abstract description 38
- 238000003384 imaging method Methods 0.000 claims abstract description 26
- 230000008859 change Effects 0.000 claims description 20
- 239000000284 extract Substances 0.000 claims description 14
- 210000003608 fece Anatomy 0.000 abstract description 109
- 230000004048 modification Effects 0.000 description 20
- 238000012986 modification Methods 0.000 description 20
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 20
- 230000013872 defecation Effects 0.000 description 19
- 238000004458 analytical method Methods 0.000 description 15
- 238000000034 method Methods 0.000 description 14
- 238000012545 processing Methods 0.000 description 10
- 230000002123 temporal effect Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 230000036541 health Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 210000002429 large intestine Anatomy 0.000 description 4
- 210000002700 urine Anatomy 0.000 description 4
- 206010010774 Constipation Diseases 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 210000001599 sigmoid colon Anatomy 0.000 description 3
- 206010012735 Diarrhoea Diseases 0.000 description 2
- 210000000436 anus Anatomy 0.000 description 2
- 210000001072 colon Anatomy 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 238000011010 flushing procedure Methods 0.000 description 2
- 210000000936 intestine Anatomy 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 210000000664 rectum Anatomy 0.000 description 2
- 210000000813 small intestine Anatomy 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 240000005561 Musa balbisiana Species 0.000 description 1
- 235000018290 Musa x paradisiaca Nutrition 0.000 description 1
- 239000003793 antidiarrheal agent Substances 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004534 cecum Anatomy 0.000 description 1
- 210000001731 descending colon Anatomy 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000002550 fecal effect Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003703 image analysis method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000155 melt Substances 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 230000027939 micturition Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002572 peristaltic effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- -1 that is Substances 0.000 description 1
- 210000003384 transverse colon Anatomy 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/85—Investigating moving fluids or granular solids
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B10/00—Other methods or instruments for diagnosis, e.g. instruments for taking a cell sample, for biopsy, for vaccination diagnosis; Sex determination; Ovulation-period determination; Throat striking implements
- A61B10/0038—Devices for taking faeces samples; Faecal examination devices
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
- A61B5/0082—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence adapted for particular medical purposes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/483—Physical analysis of biological material
- G01N33/4833—Physical analysis of biological material of solid biological material, e.g. tissue samples, cell cultures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- E—FIXED CONSTRUCTIONS
- E03—WATER SUPPLY; SEWERAGE
- E03D—WATER-CLOSETS OR URINALS WITH FLUSHING DEVICES; FLUSHING VALVES THEREFOR
- E03D9/00—Sanitary or other accessories for lavatories ; Devices for cleaning or disinfecting the toilet room or the toilet bowl; Devices for eliminating smells
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Molecular Biology (AREA)
- Quality & Reliability (AREA)
- Biophysics (AREA)
- Veterinary Medicine (AREA)
- Chemical & Material Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Multimedia (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Hematology (AREA)
- Epidemiology (AREA)
- Hydrology & Water Resources (AREA)
- Optics & Photonics (AREA)
- Water Supply & Treatment (AREA)
- Urology & Nephrology (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本判断装置具备:取得部(11),取得拍摄了排泄物而得的对象图像的图像信息;以及判断部(13),判断所述对象图像中的所述排泄物的性状,选择基于排泄的时间序列而被指定的所述排泄物的部分,将所选择的所述部分的性状确定为代表所述排泄物的代表性状。
Description
技术领域
本公开涉及判断装置。本申请主张基于2019年9月24日在日本提出申请的日本特愿2019-173484号的优先权,并将其内容援引于此。
背景技术
存在根据生物体的排泄物掌握健康状态的尝试。例如,公开了使用相机拍摄掉落中的排泄物,并根据拍摄到的多个静止图像来推断排泄物的性状的技术(例如参照专利文献1)。
现有技术文献
非专利文献
专利文献1:日本特开2017-137707号公报
发明内容
发明所要解决的课题
上述的专利文献1公开了仅针对存在于排泄物中的各种性状来推定各个性状的技术。即,能够推断排泄物的各种性状,但不能判断基于哪个部分的排泄物的性状来判断用户自身的健康状态为好,因此对于用户而言并非容易利用的结构。
本公开的目的在于提供即使是各种性状混在一起的排泄物也能够确定所代表的部分的判断装置。
用于解决课题的手段
本公开的一实施方式的判断装置具备:取得部,取得拍摄了排泄物而得的对象图像的图像信息;以及判断部,判断所述对象图像中的所述排泄物的性状,与排泄物相关的判断项目是所述排泄物的性状,所述判断部在所述排泄物中包含被判断为相互不同性状的多个部分的情况下,根据排泄的时间序列,从所述多个部分选择一个部分,将所选择的所述部分的性状确定为代表所述排泄物的代表性状。
附图说明
图1是表示第一实施方式涉及的判断装置被应用的判断系统的结构的框图。
图2是说明第一实施方式的判断部进行的处理的图。
图3是表示第一实施方式涉及的判断装置进行的处理的流程的流程图。
图4是说明第二实施方式的判断部进行的处理的图。
图5是说明第二实施方式的判断部进行的处理的图。
图6是表示第二实施方式涉及的判断装置进行的处理的流程的流程图。
图7是表示第二实施方式涉及的判断装置进行的处理的流程的流程图。
图8是表示排泄物的性状的例子的图。
具体实施方式
(第一实施方式)
本公开的第一实施方式的判断系统1例如具备便器(马桶)装置3、摄像装置4以及判断装置10。
便器装置3例如具备:具有便盆32的便器30。便器装置3在便盆32的内部空间34形成有蓄水部36。便器装置3构成为能够向蓄水部36供给冲洗水S。
摄像装置4被设置在能够拍摄排泄物的位置。摄像装置4被设置在便器30的上侧,例如便盆32的后侧的边缘的内侧等。摄像装置4以透镜(镜头)朝向便盆32的内部空间34的方向的方式被设置。也就是说,摄像装置4拍摄便池32的内部空间34。优选摄像装置4拍摄便池32的蓄水部36附近,拍摄掉落到蓄水部36的粪便、掉落中的粪便。摄像装置4例如基于从判断装置10接收到的指示信号,拍摄便池32的蓄水部36附近,将拍摄到的图像的图像信息发送至判断装置10。
摄像装置4沿着排泄的时间序列,反复经时地拍摄便池32的蓄水部36附近。摄像装置4例如拍摄排泄的开始时、中途、结束时等多个图像。由此,判断装置10能够沿着拍摄的时间序列分析图像,能够分别判断最初排泄的粪便、中途排泄的粪便、最后排泄的粪便。
在以下的说明中,以摄像装置4拍摄向便池32的蓄水部36落下的排泄物的情况为例进行说明。但是,并不限定于此。在以下的说明中,有时将排泄物称为大便、粪便。摄像装置4也可以设置于例如便座的背侧等,从便盆32的侧面方向拍摄落下中的排泄物。摄像装置4拍摄的图像可以是动态图像,也可以是静态图像。
判断装置10例如具备图像信息取得部11、解析部12、判断部13、输出部14、图像信息存储部15、学习完毕模型存储部16以及判断结果存储部17。图像信息取得部11是“取得部”的一例。解析部12是“推定部”的一例。
图像信息取得部11取得拍摄便池32的蓄水部36附近而得到的图像的图像信息。在以下的说明中,有时将拍摄到便盆32的蓄水部36附近的图像称为对象图像。图像信息取得部11将所取得的图像信息输出至解析部12。图像信息取得部11将所取得的图像信息存储于图像信息存储部15。
分析部12基于从图像信息取得部11得到的图像信息,分析图像。在以下的说明中,有时将被分析的图像称为对象图像。分析部12的分析是以与排泄相关的图像为基础,对与排泄物相关的判断的项目进行推定。在以下的说明中,有时将关于排泄物的判断的项目称为判断项目。判断项目至少是与排泄物有关的项目即可,例如是粪便的性状和量。排泄物的性状包括排泄物的形状、颜色。排泄物的量包括排泄物的大小。
如图8的例子所示,粪便性状被分为基于布里斯托分类法(bristol scale)的7类。布里斯托分类法表示粪便的性质及状态,是国际上粪便的分类指标。布里斯托分类法例如在医疗现场被经常使用。在布里斯托分类法中,根据粪便所含的水分量、即粪便水分量,被分类为从类型1到类型7。健康的粪便的粪便水分量为类型4。当布里斯托分类法的类型的数字变小时,粪便水分量较少,当数字变大时,粪便水分量较多。从类型3到类型5为健康的范围,类型1和类型2为便秘的粪便,类型6和类型7为腹泻的粪便。
解析部12例如使用学习了与判断部13的判断项目相应的内容的学习完毕模型,推定判断项目。学习完毕模型例如是存储在学习完毕模型存储部16中的模型。学习完毕模型例如是将如下数据集作为教师数据进行学习而得到的模型,该数据集是将拍摄了排泄物的图像即学习用图像、与针对该学习用图像拍摄的排泄物的判断项目的判断结果对应起来的数据集。通过这样的学习,学习完毕模型能够将在输入的图像中判断判断项目的结果作为推定值进行输出。
学习完毕模型例如使用深度学习的方法而创建。在以下的说明中,将深度学习简称为DL。DL是由多层神经网络构成的深度神经网络的机器学习的方法。在以下的说明中,将深度神经网络简称为DNN。DNN通过从神经科学中的预测编码的原理得到构思的网络来实现,并通过对神经传递网进行说明的示意的函数来构筑。然而,学习完毕模型并不限定于DNN。学习完毕模型是至少学习图像与判断结果的对应关系的模型即可。
判断部13使用从解析部12得到的解析结果,判断拍摄对象图像的排泄物的判断项目。在以下说明中,存在将从解析部12得到的解析结果称为推定结果的情况。
通常,在一次排泄行为的过程中,有时粪便的性状会经时地变化。例如,在排泄最初,出现溜圆的粪便,例如在布里斯托分类法中被分类为1类型的粪便,最后,出现被分类成水状粪便,例如被分类为7类型的粪便的情况。
关于粪便的性状的变化,只要与粪便相关的健康素养(health literacy)不是大量的人,则就无法正确地理解。例如,在如上述那样的最初排泄类型1的粪便、最后排泄类型7的粪便的情况下,在医学上正确的解释中,解释为“最初排泄的粪便”代表了该排泄物。即,溜圆的粪便被解释为代表其排便状态,是便秘气味。可以考虑不具有医学知识、与粪便相关的健康素养较低的一般的用户错误地解释为:“最后排泄的便”是代表自身的本来的排便状态的粪便。在这种情况下,由于自身的错误的自我判断,有可能服用止泻药、即腹泻药的药物,进而存在便秘恶化的风险。
“最初排泄的粪便”对被解释为代表其排泄物的理由进行补充。大肠是位于小肠和肛门之间的脏器。大肠从小肠朝向肛门依次由盲肠、上结肠、横结肠、下结肠、S状结肠、直肠构成。在正常的状态下,当用户未感到便意时,在直肠中没有粪便,粪便从下行结肠移动到S状结肠。当由于肠蠕动运动而贮存的粪便一下子地直接下来到肠道时,用户感到便意,进行排便。由于粪便的水分随着通过大肠而被吸收,因此后出来的粪便被解释为深处的粪便,能够将本来应该粪便应该移动的“位于下行至S状结肠的粪便”理解为最好地反映用户的健康状态的本质。
基于这样的解释,在本实施方式中,以能够视为本质的粪便为代表,判断粪便的性状。关于判断部13判断粪便的性状的具体方法,将在后面详细说明。
输出部14输出判断部13的判断结果。输出部14例如可以构成为向进行了排泄行为的用户的终端发送判断结果。由此,用户能够识别排泄物的性状、量的判断结果。图像信息存储部15存储通过图像信息取得部11取得的图像信息。学习完毕模型存储部16存储与判断项目的各个对应的学习完毕模型。判断结果存储部17存储判断部13的判断结果。通信部18与便器装置3、摄像装置4或者未图示的外部装置进行通信。例如,在由设置于便器30的功能部(未图示)检测到用户在便器装置3上坐下或站起、开始使用局部冲洗、以及排泄后的便盆32的冲洗操作等情况下,通信部18从便器装置3接收该检测结果。通信部18向摄像装置4发送表示拍摄指示的控制信息。
使用图2对判断部13判断便的性状的具体方法进行说明。图2中的横轴是排泄的开始、即从排便开始至结束的时间轴。在图2中,沿着时间轴示出了由判断部13判断出的结果。
如图2的图案PT1所示,考虑从排便开始到结束排出具有相同性状的粪便的情况。在该情况下,判断部13在从排便开始到结束的排泄物中性状没有变化,因此将检测出的性状确定为代表排泄物的性状。在该图案PT1的例子中,排泄物的性状为类型4。
如图2的图案PT2、PT3所示,在排便开始时,考虑与整体量相比出现少量的粪便,接着大量排出具有与最初的粪便不同的性状的粪便的情况。
在该情况下,判断部13在最初的粪便不是极少量的情况下,将最初排出的粪便的性状确定为代表排泄物的性状。
具体而言,判断部13预先确定相对于排泄物的整体量的规定的比率H1、H2。比率H1是与判断最初排泄的粪便量是否少的阈值TH1对应的比率。比率H1可以被设定为任意比率。比率H1例如为0%以上且小于50%,优选为30%以下。比率H2是与对能视为本质的粪便的区域进行判断的阈值TH2对应的比率。比率H2可以被设定为任意比率。比率H2例如为50%左右。
判断部13首先判断排泄的整体量。关于判断排泄的整体量的方法,在后面详细说明。判断部13根据判断出的整体量,计算占据上述确定的规定比率H1的便量E1。判断部13基于判断出的整体量,计算占据上述确定的规定比率H2的粪便的量E2。
判断部13对最初排泄的粪便的量和算出的粪便的量E1进行比较。如图案PT2所示,判断部13在最初排泄的粪便的量比规定量E1多的情况下,将最初排出的粪便的性状确定为判断了代表排泄物的性状的结果。在该图案PT2的例子中,最初排出的粪便的量多于量E1,因此,判断部13将最初排出的粪便的性状即B4确定为排泄物的性状。
如图案PT3所示,判断部13在最初排泄的粪便的量少于规定量E1的情况下,提取从排便开始到排泄了规定量E2为止的粪便。判断部13判断提取出的粪便的性状,将判断出的性状中的量最多的粪便的性状确定为代表排泄物的性状。在图案PT3的例子中,最初排出的粪便的量少于量E1,因此判断部13将从排便开始至量E2为止的所排泄的粪便的性状即B1、B4、B6的各个中、粪便的量最多的、第二次排出的粪便的性状即B4确定为排泄物的性状。
使用图3对第一实施方式的判断装置10进行的处理的流程进行说明。判断装置10通过图像信息取得部11取得图像信息(步骤S10)。判断部13基于图像信息,按每个对象图像判断粪便的性状(步骤S11),判断粪便的量(步骤S12)。判断部13在对象图像中拍摄了混合有互不相同的性状的排泄物的情况下,针对各个排泄物的每个拍摄区域判断性状。
判断部13例如将使解析部12推定粪便性状等的推定结果用作判断结果。在这种情况下,分析部12将通过将图像信息输入到学习完毕模型而得到的估计结果输出到判断部13。学习完毕模型例如将将拍摄了排泄物的学习用图像、与学习用图像中的排泄物的性状及量已被判断的结果建立对应的数据组作为教师数据而存储。学习完毕模型是以输出与教师数据比较而输入的图像中的排泄物的性状及量的判断结果的方式进行学习而得的模型。
判断部13确定粪便的性状。判断部13判断在对象图像中拍摄到的粪便的性状是否变化、即性状是否为1种(步骤S13)。判断部13在排泄物的性状为1种的情况下,将该1种性状确定为判断了代表排泄物的性状的结果(步骤S14)。另一方面,判断部13在存在排泄物的性状不是1种、即多种的情况下,判断最初排泄的粪便的量是否比规定的量E1多(步骤S15)。量E1是相对于代表排泄物的量,占据预先确定的规定的比率H1的量。
判断部13在最初排泄的粪便的量多于量E1的情况下,将该最初排泄的粪便的性状确定为判断了代表排泄物的性状的结果(步骤S16)。另一方面,在最初排泄的粪便的量少于量E1的情况下,判断部13提取从排泄开始至量E2为止被排出的粪便。量E2是相对于代表排泄物的量,占据预先确定的规定的比率H2的量。判断部13判断提取出的粪便的性状。判断部13将判断出的性状中数量最多的粪便的性状确定为判断了代表排泄物的性状的结果(步骤S17)。
如以上说明的那样,第一实施方式的判断装置10具备图像信息取得部11和判断部13。图像信息取得部11取得拍摄了排泄物的对象图像的图像信息。判断部13判断对象图像中的排泄物相关的判断项目。排泄物相关的判断项目是排泄物的性状。判断部13选择基于排泄的时间序列而指定的排泄物的部分,将所选择的部分的性状确定为代表排泄物的性状、即排泄物的代表性状。
由此,第一实施方式的判断装置10能够基于排泄的时间序列,选择认为是以用户的排便为代表的部分,将选择出的部分的性状确定为以排泄物为代表的性状。因此,能够提示认为以最大排便为代表的一个性状那样的、对用户提示容易判断的指标,能够提高便利性。
在第一实施方式中,关于排泄物的判断项目是排泄物的性状和量。判断部13在排泄物中包含判断为相互不同的性状的多个部分的情况下,在判断多个部分中最初排泄的粪便(第一部分)的量多于相当于规定量E1的阈值TH1即第一阈值的情况下,将最初排泄的粪便、即第一部分的粪便的性状确定为代表排泄物的性状。规定的量E1是相当于总量的比率H1、即第一比率的量。由此,能够通过最初排泄的粪便的量与规定的量E1相比这一简单的方法,将被认为以最大排便为代表的性状确定为排泄物的性状。
在第一实施方式中,判断部13在判断为最初排泄的粪便、即第一部分的粪便的量为相当于规定量E1的阈值TH1、即第一阈值以下的情况下,将排泄物的总量中的、从排泄开始时到排泄总量的比率H2即第二比率的量为止被排泄的粪便(第二部分)中的、被判断为量最多的粪便、即第三部分的粪便的性状确定为代表排泄物的性状。由此,在最初排泄的粪便的量极少的情况下,判断部13能够将被认为是与最初的粪便相比代表排便后的粪便中的、被认为是最代表排便的性状确定为排泄物的性状。
在上述第一实施方式中,举例说明了判断部13基于解析部12的推定结果来判断便的性状和量的情况。本公开不限于该示例。例如,确定单元13可以使用图像分析单元12的估计结果,并且可以通过使用诸如图像颜色和边缘检测的常规图像分析方法来确定粪便形状和量。在这种情况下,可以省略分析单元12。
(第一实施方式的变形例)
接着,对第一实施方式的变形例进行说明。在本变形例中,判断装置10不使用时间序列信息来确定代表排泄物的性状。
作为人体的性状,便中含有的水分随着大肠的通过而被吸收。因此,最先排泄的粪便与最后排泄的粪便相比,水分量相对少,变硬,从后出来的粪便具有水分量多、柔软的倾向。总之,存在按照布里斯托分类法中的类型编号从小到大的顺序排便的倾向。但是,最初排出的便中的布里斯托分类法的类型因排泄而各种各样,未确定。
利用该性状,在本变形例中,在排泄物中包含判断为相互不同的性状的多个部分的情况下,判断部13将布里斯托分类法的类型编号最小的性状确定为代表排泄物的性状。由此,即使不对最初排泄的部分、最后排泄的部分进行区分,判断部13也能够选择最初排出的部分的性状。
如以上说明的那样,第一实施方式中的变形例的判断装置10具备图像信息取得部11和判断部13。图像信息取得部11取得拍摄了排泄物的对象图像的图像信息。判断部13判断对象图像中的排泄物相关的判断项目。排泄物相关的判断项目是布里斯托分类法的类型编号,是根据排泄物所包含的水分量划分的排泄物的性状的一例。判断部13在排泄物中包含判断为相互不同的性状的多个部分的情况下,将布里斯托分类法中的类型编号最小的性状确定为代表排泄物的性状。布里斯托分类法中的类型编号最小的性状是判断为水分量最少的分区的部分的性状”的一例。由此,判断装置10能够通过提取针对排泄物判断出的布里斯托分类法中的类型的最小的编号这一简单的方法,选择认为健康状态最先被反映的最初排出的部分的排泄物的性状。
(第二实施方式)
接着,对第二实施方式进行说明。在本实施方式中,判断装置10基于对象图像判断排泄物的量。
如图4所示,便通过落下至便池32内的蓄水部36,有时会溶化,或者受到尿、局部冲洗水的影响,性状、量随着时间推移而变化。在该例子中,在刚排泄之后的对象图像G1中,被分类为香蕉形状的布里斯托分类法的类型B4的粪便会随着时间的经过而以对象图像G2、G3的方式进行变化。在对象图像G2中,粪便打乱而形状被破坏。在对象图像G3中,粪便溶化到水中。这样,便其形状随时间而变化。在这种情况下,在基于对象图像G2、G3对原本是类型B4的便进行了性状判断的情况下,认为是错误的判断。
作为针对这样的误判断的对策,在本实施方式中,判断部13仅提取能够精度良好地判断便的性状的对象图像G1那样的图像,排除无法精度良好地判断的对象图像G2、G3那样的图像。具体而言,判断部13以拍摄到粪便崩坏、溶化等变化前的状态的图像为对象判断项目。
使用图5说明第二实施方式的判断部13所进行的处理。图5是表示时间与粪便的量的对应关系的图表。图5的横轴表示时间,纵轴表示量。
判断部13基于判断粪便的量的结果,导出图5所示那样的、时间与粪便的量的对应关系。在图5所示的例子中,示出了在时间T0~T6之间进行了量M5的排泄的情况下的粪便的量的经时变化。时间T0~T1、T2~T3、T4~T5间的斜率比较陡峭,与此相对,时间T1~T2、T3~T4间的斜率比较平缓。这被认为是排泄物在斜率陡峭的时间(时间T0~T1、T2~T3、T4~T5)落下,落下到斜率缓慢的时间(时间T1~T2、T3~T4)的排泄物崩解或溶化,看起来上粪便的量微增而看见的状况。
根据这样的想法,认为在斜率陡峭的时间拍摄到的图像能够高精度地判断便利性。认为在达到斜率平缓的结果的时间拍摄的图像无法高精度地判断便的性状。在斜率成为陡峭的结果的时间拍摄到的图像中、在斜率未发生变化的时间拍摄到的图像是排泄物落下的中途的图像。因此,可认为对性状、量进行判断是为其尚早。即,在斜率从陡峭的状态变为平缓的状态的时间拍摄到的图像是为了判断粪便的性状、量而最适合的图像。确定单元13提取这样的图像。
具体而言,判断部13根据图像的拍摄时刻与在图像中判断的粪便的量的关系,计算粪便的量的经时变化率。判断部13通过将经时变化率与规定的阈值K进行比较,例如分类成陡峭及缓和这两个分类中的哪一个。判断部13提取两个分区切换的时间、即在从急剧平缓地变化的时间拍摄到的图像。
在图5的例子中,点P1(T1、M1)、P2(T3、M3)、P3(T5、M5)是斜率从急剧平缓地变化的点。判断部13提取在与这些点对应的时间点T1、T3以及T5拍摄到的图像,作为能够最高精度地判断粪便的性状以及量的图像。
使用图6说明第二实施方式的判断装置10进行的处理流程的图。图6的步骤S20以及步骤S21是与图4的步骤S10以及S11同样的处理,因此省略其说明。
判断部13判断是否对所有的对象图像判断了粪便的量,在存在尚未判断的图像的情况下,返回步骤S20,重复判断未判断的图像中的粪便的量的处理(步骤S22)。判断部13计算粪便的量的经时变化率例如斜率。判断部13根据对象图像中的拍摄时刻以及从该图像判断出的粪便的量之间的关系,计算粪便的量的经时变化率(步骤23)。判断部13提取在粪便的量的经时变化率大于规定的阈值TH3、例如斜率K的时间拍摄到的图像(步骤S24)。判断部13选择所提取的图像中的、与经时变化率变为比阈值TH3小的值的时间对应的图像(步骤S25)。判断部13使用选择出的图像的判断结果来判断代表粪便的性状以及量(步骤S26)。
如以上说明的那样,在第二实施方式的判断装置10中,对象图像是沿着时间序列反复拍摄排泄中的便池32的内部空间34、例如蓄水部36附近而得到的多个图像。关于排泄物的判断项目是排泄物的性状及量。判断部13在对象图像各自的拍摄时刻与排泄物的量的关系中,提取排泄物的量的经时变化率比规定的斜率K大的对象图像。排泄物的量的经时变化率是规定的斜率K是“第二阈值”的一例。判断部13根据在提取出的对象图像中判断的排泄物的性状及量,确定代表排泄物的性状及量。由此,在判断装置10中,能够基于拍摄到排泄物走形或融化前的状态的图像,判断粪便的性状和量。在判断装置10中,能够高精度地确定代表排泄物的性状和量。
(第二实施方式的变形例1)
接着,对第二实施方式的变形例1进行说明。在本变形例中,判断部13在按照随时间经过的时间判断性状的结果多次一致的情况下,采用该判断结果。
使用图7说明第二实施方式的变形例1所涉及的判断装置10进行的处理的流程。图7的步骤S30~S32是与图6的步骤S20~S22同样的处理,因此省略其说明。
判断部13针对每个图像判断是否成为与上次相同的判断结果(步骤S33)。判断部13取得相同的判断结果连续的次数(步骤S34)。判断部13提取与取得的次数比规定的阈值大的部位对应的图像(步骤S35)。判断部13使用提取出的图像的判断结果来判断代表粪便的性状以及量(步骤S36)。
如上所述,沿着排泄的过程中,粪便的性状以及量发生变化。由于落下到便器的冲击,粪便的形状被破坏,或者因粪便溶化到水中的影响,粪便的性状以及量有时会经时变化。也可能会在排便前后、同时进行排尿。即使采用上述第二实施方式的方法,也可考虑不能明确区分为两个区分、即陡峭或者平稳的情况。
在本变形例中,着眼于在排泄的中途,粪便的性状没有那么变化,而落下后的粪便的性状具有经时变化持续的性状。利用该性状,判断部13在经时性地判断性状的结果遍及多次F1而一致的情况下,判断为该粪便不是落下后被破坏的粪便。判断部13将判断为落下后未被破坏的粪便的粪便的性状判断为排泄物的本来的性状,判断为应确定性状。
如以上说明的那样,在第二实施方式的变形例1的判断装置10中,提取沿着对象图像各自的拍摄时刻判断的结果连续地是相同的结果即次数比多次F1大的所述对象图像。多次F1是“第三阈值”的一例。判断部13根据在提取的对象图像中被判断的粪便的性状,确定代表粪便的性状。由此,即使在斜率陡峭或者平缓地无法区分的情况下,判断部13也能够提取拍摄到落下后不被破坏的粪便的粪便的图像,能够高精度地确定代表排泄物的性状以及量。
(第二实施方式的变形例2)
在本变形例中,判断部13将随着时间的经过判断为量最多的粪便的量确定为代表排泄物的量。粪便排出后的状态下的量是最可靠的粪便的量。例如,在图5中的时间T3等认为是排泄中途的时间中,即使突发地判断了最大的量,判断部13也考虑随着时间的推移是排泄的中途,因此将该判断的最大的量视为判断错误。判断部13随时间推移相当于排泄的最后,将随时间推移判断为最多的量确定为排泄物的量。判断部13例如在如图5中的时间T6那样被认为是排泄的最后的时间,确定排泄物的最大量。
如以上说明的那样,在第二实施方式的变形例2中,与排泄物相关的判断项目是排泄物的量。判断部13将对象图像分别判断的排泄物的量中的、随时间推移相当于排泄的最后且判断为最多的量确定为排泄物的量。由此,即使在排泄中途的图像中存在噪声等而突发地判断为最大量的情况下,判断部13也能够将其识别为判断错误,能够抑制判断的精度劣化。
(第二实施方式的变形例3)
接着,对第二实施方式的变形例3进行说明。在本变形例中,经时地判断粪便量的结果在多次一致时,判断部13采用该判断结果。
在本变形例中,着眼于在排泄的中途粪便的量增加、落下后的粪便的量微增加、刚出来粪便后的量不增加这样的性状。利用该性状,判断部13在经时地判断了粪便的量的结果多次在F2中一致的情况下,判断为该粪便不是排泄的中途、且不是落下后的被破坏的粪便,相当于排泄刚结束后的粪便。判断部13将判断为排泄刚结束后的粪便的粪便的量确定为排泄物的量。多次F2是“第四阈值”的一例。
如以上说明的那样,在第二实施方式的变形例3的判断装置10中,提取沿着对象图像各自的拍摄时刻判断的结果连续地是相同的结果即次数比多次F2大的所述对象图像。判断部13根据在提取出的对象图像中判断的排泄物的量,确定代表排泄物的量、即排泄物的代表量。由此,即使在斜率陡峭或者平缓地无法区分的情况下,判断部13也能够提取拍摄到落下后不倒塌的粪便的图像,能够高精度地确定代表排泄物的性状以及量。
(第三实施方式)
接着,对第三实施方式进行说明。在本实施方式中,判断部13通过针对多个指标判断的判断结果的组合,判断粪便的性状。
布里斯托分类法是国际上便的分类指标,在医疗的现场被广泛使用。如果能够按照该指标正确地分类,则能够进行高精度的判断。然而,实际上根据经验、感觉而主观地分类的情况也较多。特别是,在分类为经验少的作业人员的情况下,类型1、4、7能够正确地分类。与此相对地,在其中间划分的类型、例如类型2和3、类型5和6的区别困难,存在判断参差不齐的倾向。
在本实施方式中,判断装置10分别判断排泄物的多个指标,根据判断结果的组合,定量地判断粪便的性状。具体而言,判断部13通过判断排泄物的质感、连续性、及边缘的结果的组合,判断排泄物的性状。这里的质感是排泄物表面的外观的感觉,例如是与溜圆、香蕉等这样的感觉对应的程度。连续性是排泄物的相连,例如是相连、还是中断的程度。边缘是排泄物的轮廓,例如是尖锐还是模糊的程度。
如以上说明的那样,在第三实施方式的判断装置10中,判断部13通过判断排泄物的质感、连续性和边缘的结果的组合,来判断排泄物的性状。由此,判断装置10能够定量、客观地判断性状,能够降低判断的偏差,高精度地进行判断。
本实施方式的判断装置10也能够适用于教师数据的创建。在使用学习完毕模型判断或者推定粪便的性状的情况下,教师数据的精度对推定的精度有很大影响。即,学习了判断中包含偏差的教师数据的学习完毕模型与教师数据同样,存在在类型2和3等分区中产生判断错误的可能性。在这种情况下,如果判断装置10基于多个指标定量地进行学习用图像中的性状的判断,则能够生成降低了判断的偏差的品质良好的教师数据。学习了质量良好的教师数据的学习完毕模型即使是类型B2、B3的边界附近的性状,也有可能能够高精度地判断粪便的性状。
上述的实施方式中的判断装置10进行的处理的全部或一部分可以通过计算机来实现。在这种情况下,可以通过将用于实现该功能的程序记录在计算机可读取的记录介质中,使计算机系统读入并执行记录在该记录介质中的程序来实现。这里所说的“计算机系统”包括OS和外围设备等硬件。“计算机可读记录介质”是指软盘、磁光盘、ROM、CD-ROM等可移动介质、内置于计算机系统的硬盘等存储装置。进而,“计算机可读取的记录介质”也可以包括如经由因特网等网络或电话线路等通信线路发送程序的情况下的通信线那样在短时间内动态地保持程序的介质、如处于作为该情况下的服务器或客户端的计算机系统内部的易失性存储器那样在一定时间内保持程序的介质。上述程序可以是用于实现前述功能的一部分的程序,也可以是能够通过与已经记录在计算机系统中的程序组合来实现前述功能的程序,还可以是使用FPGA等可编程逻辑器件来实现的程序。
本公开所涉及的判断装置的具体构成并不限定于该实施方式。上述的各实施方式以及变形例中所示的各构成是一个例子,在不脱离本公开的主旨的范围内,能够基于设计要求等进行各种变更。
工业上的可利用性
根据上述所示的本公开的各实施方式以及变形例,能够提供即使是各种性状混在一起的排泄物也能够确定所代表的部分的判断装置。
附图标记说明
1判断系统;10判断装置;11图像信息取得部(取得部);12解析部(推定部);13判断部(判断部);14输出部(输出部);15图像信息存储部;16学习完毕模型存储部;17判断结果存储部;18通信部;3便器装置;30便器;32便池;34内部空间;36蓄水部;4摄像装置。
Claims (10)
1.一种判断装置,具备:
取得部,取得拍摄了排泄物而得的对象图像的图像信息;以及
判断部,判断所述对象图像中的所述排泄物的性状,选择基于排泄的时间序列而被指定的所述排泄物的部分,将所选择的所述部分的性状确定为代表所述排泄物的代表性状。
2.如权利要求1所述的判断装置,其中,
所述判断部判断所述排泄物的量,在所述排泄物中包含判断为相互不同的所述性状的多个所述部分的情况下,判断为在多个所述部分中的最初排泄的第一部分的量比相当于所述排泄物的总量的第一比率的第一阈值多的情况下,将所述第一部分的所述性状确定为所述排泄物的所述代表性状。
3.如权利要求2所述的判断装置,其中,
所述判断部在判断为所述第一部分的量是所述第一阈值以下的情况下,将所述排泄物的所述总量中的、从所述排泄的开始时至所述排泄物的所述总量的第二比率的量被排泄为止所排泄的第二部分中的判断为量最多的第三部分的所述性状确定为所述排泄物的所述代表性状。
4.一种判断装置,具备:
取得部,取得拍摄了排泄物而得的对象图像的图像信息;以及
判断部,判断根据所述对象图像中的所述排泄物所含的水分量而划分的所述排泄物的性状,在所述排泄物包含判断为相互不同的性状的多个部分的情况下,将判断为水分量最少的划分的所述部分的性状确定为代表所述排泄物的代表性状。
5.如权利要求1至4中任一项所述的判断装置,其中,
所述对象图像是沿着时间序列反复拍摄所述排泄的便池的内部空间而得的多个图像,
所述判断部判断所述排泄物的量,在多个所述对象图像各自的拍摄时刻与所述排泄物的量的关系中,提取所述排泄物的量的经时变化率比第二阈值大的所述对象图像,根据在所提取的所述对象图像中被判断的所述排泄物的所述性状及所述量,确定所述排泄物的所述代表性状及所述量。
6.如权利要求1至5中任一项所述的判断装置,其中,
所述对象图像是沿着时间序列反复拍摄所述排泄的便池的内部空间而得的多个图像,
所述判断部提取沿着多个所述对象图像各自的拍摄时刻而判断出的结果连续地是相同的结果的次数比第三阈值大的所述对象图像,根据在所提取的所述对象图像中被判断的排泄物的所述性状来确定代表所述排泄物的所述代表性状。
7.如权利要求1至6中任一项所述的判断装置,其中,
所述对象图像是沿着时间序列反复拍摄所述排泄的便池的内部空间而得的多个图像,
所述判断部判断所述排泄物的量,将判断为多个所述对象图像的每个对象图像的所述排泄物的所述量中的、经时地判断为最多的、所述排泄中的最后的所述排泄物的所述量确定为所述排泄中的所述排泄物的所述量。
8.如权利要求1至7中任一项所述的判断装置,其中,
所述判断部提取沿着多个所述对象图像各自的拍摄时刻而判断出的结果连续地是相同结果的次数比第四阈值大的所述对象图像,根据在所提取的所述对象图像中被判断的排泄物的量,确定代表所述排泄物的代表量。
9.如权利要求1至8中任一项所述的判断装置,其中,
还具备推定部,该推定部将对拍摄了所述排泄物而得的学习用图像、以及判断了所述学习用图像中的与所述排泄物相关的判断项目的结果建立对应的数据组作为教师数据,使用被学习为输出判断了输入的图像中的与所述排泄物相关的所述判断项目的结果的已学习模型的输出结果,来推定与所述对象图像中的排泄物相关的所述判断项目,
所述判断部使用由所述推定部推定出的结果来判断所述判断项目。
10.如权利要求1至9中任一项所述的判断装置,其中,
所述判断部通过判断了所述排泄物的质感、连续性和边缘的结果的组合,判断所述排泄物的所述性状。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019-173484 | 2019-09-24 | ||
JP2019173484A JP7325282B2 (ja) | 2019-09-24 | 2019-09-24 | 判定装置 |
PCT/JP2020/035405 WO2021060174A1 (ja) | 2019-09-24 | 2020-09-18 | 判定装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114467020A true CN114467020A (zh) | 2022-05-10 |
CN114467020B CN114467020B (zh) | 2024-03-15 |
Family
ID=75157581
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080066869.XA Active CN114467020B (zh) | 2019-09-24 | 2020-09-18 | 判断装置 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20220375080A1 (zh) |
EP (1) | EP4036334A4 (zh) |
JP (1) | JP7325282B2 (zh) |
CN (1) | CN114467020B (zh) |
WO (1) | WO2021060174A1 (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7160128B2 (ja) * | 2021-03-23 | 2022-10-25 | Toto株式会社 | 情報処理システム |
TWM613735U (zh) * | 2021-03-24 | 2021-06-21 | 美商紐倫百仕科技股份有限公司 | 影像辨識自動掀蓋智能馬桶 |
JP2023044234A (ja) * | 2021-09-17 | 2023-03-30 | パナソニックIpマネジメント株式会社 | 排泄物画像検出装置 |
US11967415B2 (en) | 2022-02-28 | 2024-04-23 | Toto Ltd. | Excrement judgement system, excrement judgement method, and excrement judgement device |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106796213A (zh) * | 2014-10-13 | 2017-05-31 | 韩国生产技术研究院 | 排泄物形状测定装置以及其方法 |
JP2017096890A (ja) * | 2015-11-27 | 2017-06-01 | Toto株式会社 | 生体情報測定システム |
CN108431581A (zh) * | 2016-02-04 | 2018-08-21 | 骊住株式会社 | 便器装置 |
US20180303466A1 (en) * | 2017-04-07 | 2018-10-25 | Toi Labs, Inc. | Biomonitoring devices, methods, and systems for use in a bathroom setting |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6758308B2 (ja) * | 2015-02-25 | 2020-09-23 | アウトセンス ダイアグノスティクス リミテッド | 人体排泄物の解析 |
JP6625504B2 (ja) * | 2016-09-28 | 2019-12-25 | 学校法人聖路加国際大学 | 情報処理装置、情報処理システム及びプログラム |
JP6894722B2 (ja) * | 2017-03-01 | 2021-06-30 | 株式会社Lixil | 便器装置、及び便座装置 |
JP7051535B2 (ja) | 2018-03-29 | 2022-04-11 | 株式会社Lixil | 水栓装置 |
-
2019
- 2019-09-24 JP JP2019173484A patent/JP7325282B2/ja active Active
-
2020
- 2020-09-18 CN CN202080066869.XA patent/CN114467020B/zh active Active
- 2020-09-18 US US17/763,179 patent/US20220375080A1/en active Pending
- 2020-09-18 EP EP20869794.6A patent/EP4036334A4/en active Pending
- 2020-09-18 WO PCT/JP2020/035405 patent/WO2021060174A1/ja unknown
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106796213A (zh) * | 2014-10-13 | 2017-05-31 | 韩国生产技术研究院 | 排泄物形状测定装置以及其方法 |
JP2017096890A (ja) * | 2015-11-27 | 2017-06-01 | Toto株式会社 | 生体情報測定システム |
CN108431581A (zh) * | 2016-02-04 | 2018-08-21 | 骊住株式会社 | 便器装置 |
US20180303466A1 (en) * | 2017-04-07 | 2018-10-25 | Toi Labs, Inc. | Biomonitoring devices, methods, and systems for use in a bathroom setting |
Non-Patent Citations (1)
Title |
---|
杨荷英 等主编: "实用临床医学检验", vol. 978, 上海交通大学出版社, pages: 77 - 79 * |
Also Published As
Publication number | Publication date |
---|---|
EP4036334A1 (en) | 2022-08-03 |
EP4036334A4 (en) | 2023-12-06 |
JP7325282B2 (ja) | 2023-08-14 |
WO2021060174A1 (ja) | 2021-04-01 |
US20220375080A1 (en) | 2022-11-24 |
CN114467020B (zh) | 2024-03-15 |
JP2021050983A (ja) | 2021-04-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114467020A (zh) | 判断装置 | |
JP7394602B2 (ja) | 判定装置 | |
US11087462B2 (en) | System and method for determining a colonoscopy image | |
Klein et al. | Social information signaling by neurons in primate striatum | |
CN111027417B (zh) | 基于人体关键点检测算法的步态识别方法及步态评估系统 | |
JP2009507286A (ja) | 特徴選択 | |
Olson | Diagnostic testing for fecal incontinence | |
Chan et al. | Lingering representations of stimuli influence recall organization | |
JP2020187089A (ja) | 判定装置、判定方法、及びプログラム | |
JPWO2020217462A1 (ja) | 生活習慣評価システムおよびそのプログラム | |
KR20120073919A (ko) | 비데의 배변 분석 장치 및 방법 | |
CN113450911A (zh) | 便秘分析方法、装置及计算机设备 | |
KR102460829B1 (ko) | 방광 모니터링 장치 및 방광 모니터링 장치의 제어 방법 | |
CN114430474A (zh) | 排泄物状态显示系统 | |
US20230148834A1 (en) | Systems and methods for analyzing a stream of images | |
CN115188467A (zh) | 一种尿动力学检查诊断方法和装置 | |
KR20230106205A (ko) | 합성곱 신경망의 계층 연관성 전파를 이용한 퇴행성 뇌질환 이미지 분류 장치 및 방법 | |
KR20220059841A (ko) | 영상 기반의 동물 감정 분석 서버, 방법 및 컴퓨터 프로그램 | |
CN115244259A (zh) | 排泄物识别方法、排泄物识别装置以及排泄物识别程序 | |
US20230277162A1 (en) | System, Method and Apparatus for Forming Machine Learning Sessions | |
US11934491B1 (en) | Systems and methods for image classification and stream of images segmentation | |
JP2020187691A (ja) | 判定装置、判定方法、及びプログラム | |
JP2020187692A (ja) | 判定装置、判定方法、及びプログラム | |
JP2020187693A (ja) | 判定装置、判定方法、及びプログラム | |
CN117617874B (zh) | 基于压力检测的胶囊内镜排出检测方法、装置和设备 |
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 |