CN117425938A - 身体状况检测方法、身体状况检测装置、以及程序 - Google Patents

Abstract

一种由计算机执行的身体状况检测方法，在该身体状况检测方法中，获得包括规定期间中对象者的呼吸频率以及心率的活动数据，根据获得的活动数据，来计算多个特征量，通过将算出的多个特征量输入到对活动数据组中的正常性或异常性进行了学习的模型，来获得示出每规定期间的身体状况异常的程度的异常分数，根据获得的异常分数，来计算用于阶段性地示出对象者的身体状况的异常程度的阶段化分数，对算出的阶段化分数进行输出。

Description

身体状况检测方法、身体状况检测装置、以及程序

技术领域

本公开涉及身体状况检测方法、身体状况检测装置、以及程序。

背景技术

作为2025年问题，也就是在2025年所谓的“团块世代”的800万人都到了75岁以上的年龄，全国居民每4人中就有1人到了75岁以上所形成的老龄化社会将面临因医疗以及护理需求高涨而人手不够的问题。

医疗以及护理工作者所负责的被看护和被护理的对象者数量变多而医疗以及护理工作者看漏关系到健康异常的身体状况的小的异变的情况有可能会发生。于是，当对象者的身体状况小的异变被看漏时则可能会让症状变得越来越严重。

对此，例如专利文献1公开了一种当被监视者被判断为异常时，将被监视者的异常向恰当的通知目标通知的技术。据此能够按照被监视者的异常状态向恰当的监视者通知被监视者的异常。

(现有技术文献)

(专利文献)

专利文献1：国际公开第2018/116830号

然而，上述专利文献1公开的仅是在从传感器获得的被监视者的生命体征信息为异常值的情况下进行通知的技术，该技术并不能对关系到被监视者的健康异常的身体状况的小变化即健康异常的征兆进行检测。

发明内容

鉴于以上情况，本公开的目的在于提供一种能够对对象者的健康异常的征兆进行检测的身体状况检测方法等。

本公开的一个方式所涉及的身体状况检测方法是由计算机执行的身体状况检测方法，在所述身体状况检测方法中，获得活动数据，所述活动数据是包括规定期间中对象者的呼吸频率以及心率的数据，根据获得的所述活动数据，来计算多个特征量，通过将算出的所述多个特征量输入到如下的模型，来获得异常分数，所述模型是对由多个特征量组成的活动数据组中的正常性或异常性进行了学习的模型，所述异常分数是示出每所述规定期间的身体状况异常的程度的分数，根据获得的所述异常分数，来计算阶段化分数，所述阶段化分数是用于阶段性地示出所述对象者的身体状况异常程度的分数，对算出的所述阶段化分数进行输出。

另外，这些概括性的或具体的方式既可以由系统、装置、方法、集成电路、计算机程序或计算机可读取的CD-ROM等记录介质来实现，也可以由系统、装置、方法、集成电路、计算机程序以及记录介质的任意组合来实现。

通过本公开的身体状况检测方法等，能够对对象者的健康异常的征兆即关系到对象者的健康异常的身体状况的小变化进行检测。

附图说明

图1示出了实施方式所涉及的身体状况检测系统的构成的一个例子。

图2是示出实施方式所涉及的信息管理服务器的具体构成的一个例子的方框图。

图3示出了实施方式所涉及的活动数据组的异常数据组以及正常数据组的分布的一个例子。

图4是概念性地示出实施方式所涉及的模型的图。

图5示出了实施方式所涉及的5个阶段的阶段化分数以及其条件的一个例子。

图6示出了为了应对实施方式所涉及的对象者的身体状况异常而进行显示的一个例子。

图7示出了为了应对实施方式所涉及的对象者的身体状况异常而进行显示的一个例子。

图8示出了为了应对实施方式所涉及的对象者的身体状况异常而进行显示的一个例子。

图9是示出实施方式所涉及的信息管理服务器的工作的概要的流程图。

图10是示出实施方式所涉及的信息管理服务器的工作例的流程图。

图11A是用于概念性地说明利用比较例所涉及的模型来进行长期运用的情况下的异常检测的图。

图11B是用于概念性地说明利用比较例所涉及的模型来进行长期运用的情况下的异常检测的图。

图12是用于概念性地说明利用实施方式所涉及的模型来进行长期运用的情况下的异常检测的图。

图13是概念性地示出由于实施方式所涉及的模型被更新而性能得到改善的图。

图14示出了实施例1所涉及的显示终端部所显示的协作显示的一个例子。

图15示出了实施例2所涉及的偶然发现事例1。

图16示出了实施例2所涉及的偶然发现事例2。

图17示出了实施例2所涉及的偶然发现事例3。

具体实施方式

本公开的一个方式所涉及的身体状况检测方法是由计算机执行的身体状况检测方法，在所述身体状况检测方法中，获得活动数据，所述活动数据是包括规定期间中对象者的呼吸频率以及心率的数据，根据获得的所述活动数据，来计算多个特征量，通过将算出的所述多个特征量输入到如下的模型，来获得异常分数，所述模型是对由多个特征量组成的活动数据组中的正常性或异常性进行了学习的模型，所述异常分数是示出每所述规定期间的身体状况异常的程度的分数，根据获得的所述异常分数，来计算阶段化分数，所述阶段化分数是用于阶段性地示出所述对象者的身体状况异常程度的分数，对算出的所述阶段化分数进行输出。

通过本方式，能够对对象者的健康异常的征兆即关系到对象者的健康异常的身体状况的小变化进行检测。

更具体而言，根据活动数据来计算多个特征量，将算出的多个特征量输入到对活动数据组中的正常性或异常性进行了学习的模型。根据获得的结果即异常分数，来计算阶段性地对对象者的身体状况异常的程度进行了评估的阶段化分数。

据此，根据阶段化分数能够知道(检测)对象者的健康异常的征兆。

因此，能够检测即便是护理或看护对象者的医务工作者也没能察觉到的对象者的健康异常的征兆。

进一步，通过阶段化分数能够使得易于在现场掌握异常的程度，因此易于应对对象者的日常生活中关系到健康异常的身体状况的各种小变化即健康异常的征兆。

并且例如也可以是，在计算所述阶段化分数时，当所述阶段化分数在规定值以上的情况下，按所述活动数据中包括的每个要素来实施对该要素是否是要因进行分析的要因分析，在输出所述阶段化分数时，对通过所述要因分析被分析为是要因的要素、以及所述阶段化分数进行输出。

如此，当示出阶段化分数在需要对健康异常的征兆进行应对的规定值以上的情况下，对关系到健康异常的身体状况的小变化的要因例如究竟是在于心率还是在于呼吸频率等也一起进行通知。

因此，护理或看护对象者的医务工作者以被通知的要因为线索，能够在早期恰当地对健康异常的征兆进行应对。

在此，例如也可以是，所述活动数据至少包括所述规定期间中所述对象者的食量、呼吸频率、心率、以及离床率之中的所述呼吸频率以及所述心率。

如此，活动数据是至少包括对象者的食量、呼吸频率、心率、以及离床率之中的呼吸频率以及心率这样每天在现场能够得到的活动数据。据此，由于根据每天在现场能够得到的活动数据来计算多个特征量，因此能够更高精度地对健康异常的征兆进行检测。

并且例如也可以是，至少将如下的值之中所述呼吸频率中的平均值、最大值、所述心率中的平均值、最大值，作为所述多个特征量来计算，所述值中包括所述呼吸频率、所述呼吸频率的差分数据、所述心率、所述心率的差分数据各自中的平均值、最大值、标准偏差、偏度、峰度、以及从所述最大值中减去所述平均值而得到的脉冲因子。

如此，对活动数据进行统计处理等来计算多个特征量。据此，利用进行了学习的模型，并根据算出的多个特征量，能够获得更高精度的异常分数。

并且例如也可以是，所述模型是通过利用了所述活动数据组的无监督学习，而所述活动数据组中的正常性或异常性得到了学习的模型。

如此，通过利用每天在现场能够得到的活动数据，使模型进行无监督学习，从而能够得到能够对健康异常的征兆进行检测的学习后的模型。因此，在利用对象者的活动数据来得到能够对健康异常的征兆进行检测的学习后的模型时，能够得到的是对于对象者的医务工作者等现场工作人员来说没有负担的模型。

并且例如是，所述模型是根据决策树来分割离群值的模型。

在活动数据组中，异常数据具有比正常数据发生频度低、且分布位置不同这样的性质。基于决策树来分割离群值的模型通过利用这种性质，从而能够用作根据对象者的活动数据来对健康异常的征兆进行检测的模型。

在此例如也可以是，所述模型是Isolation Forest模型即孤立森林模型。

并且例如也可以是，所述模型利用获得的所述活动数据而被定期地更新。

据此，能够利用向模型制作时所使用的活动数据中添加模型制作完成后蓄积的活动数据之后的活动数据，反复执行模型更新。因此模型能够在对因对象者的中长期疾病而产生的变动或环境影响带来的中长期变动也进行应对的基础上，对健康异常的征兆进行检测。

并且例如也可以是，在输出所述阶段化分数时，将算出的所述阶段化分数输出到所述对象者的监视者的终端，使所述终端的用户界面进行显示，该显示是为了使所述监视者能够应对所述对象者的身体状况异常而进行的显示。

据此，由于进行的是为了应对对象者的身体状况异常的显示，因此现场工作人员能够容易地掌握对象者的身体状况异常，进而易于恰当地对对象者的身体状况异常进行应对。也就是说，现场工作人员易于应对对象者的日常生活中关系到健康异常的身体状况的各种小变化即健康异常的征兆。

本公开的一个方式所涉及的身体状况检测装置具备：收发部，获得活动数据，所述活动数据是包括规定期间中对象者的呼吸频率以及心率的数据；特征量计算部，根据获得的所述活动数据，来计算多个特征量；异常分数计算部，通过将算出的所述多个特征量输入到如下的模型，来获得异常分数，所述模型是由模型制作部制作的对由多个特征量组成的活动数据组中的正常性或异常性进行了学习的模型，所述异常分数是示出每所述规定期间的身体状况异常的程度的分数；以及阶段化分数计算部，根据获得的所述异常分数，来计算阶段化分数，所述阶段化分数是用于阶段性地示出所述对象者的身体状况异常程度的分数；所述收发部对算出的所述阶段化分数进行输出。

并且，本公开的一个方式所涉及的程序用于使计算机执行如下工作：获得活动数据，所述活动数据是包括规定期间中对象者的呼吸频率以及心率的数据，根据获得的所述活动数据，来计算多个特征量，通过将算出的所述多个特征量输入到如下的模型(由模型制作部制作)，来获得异常分数，所述模型是对由多个特征量组成的活动数据组中的正常性或异常性进行了学习的模型，所述异常分数是示出每所述规定期间的身体状况异常的程度的分数，根据获得的所述异常分数，来计算阶段化分数，所述阶段化分数是用于阶段性地示出所述对象者的身体状况异常程度的分数，对算出的所述阶段化分数进行输出。

另外，这些概括性的或具体的方式既可以由系统、装置、方法、集成电路、计算机程序或计算机可读取的CD-ROM等记录介质来实现，也可以由系统、装置、方法、集成电路、计算机程序以及记录介质的任意组合来实现。

以下，参照附图对本公开的实施方式进行说明。以下将要说明的实施方式均为示出本公开的一个具体例。以下的实施方式所示的数值、形状、构成要素、步骤、步骤的顺序等均为一个例子，其主旨并非是对本发明进行限定。并且，对于以下的实施方式的构成要素中没有记载在独立技术方案的构成要素，将作为任意的构成要素来说明。并且，在所有的实施方式中，能够对各个的内容进行组合。

(实施方式)

以下，参照附图对本实施方式所涉及的身体状况检测方法等进行说明。

[1身体状况检测系统100]

图1示出了本实施方式所涉及的身体状况检测系统100的构成的一个例子。

本实施方式所涉及的身体状况检测系统100是为了信息管理服务器10对关系到被看护或被护理的对象者的健康异常的身体状况的小的异变(即健康异常的征兆)进行检测而被构成的系统。

如图1所示，身体状况检测系统100具备信息管理服务器10、感测部20、以及显示终端部30。这些构成通过通信网络40进行连接。通信网络40既可以是有线网络，也可以是无线网络，也可以是有线网络和无线网络这双方。并且，图1示出了被看护或被护理的对象者50、用户60、用户61、以及记录了用户60对该对象者50进行了看护或护理的内容的记录数据25,该用户60是对该对象者50进行看护或护理的医务工作者等现场工作人员，该用户61是能够确认显示终端部30的对该对象者50进行监视的监视者等现场工作人员。记录数据25中记录有例如作为现场工作人员的用户60输入的对象者50在早上、中午以及夜晚等摄取的食物的量即食量。

另外虽然在图1中示出了身体状况检测系统100具备1个感测部20的情况的例子，但并非受此所限，也可以具备与被看护或被护理的对象者50的数量相对应的感测部20。

[1.1感测部20]

感测部20通过进行感测来获得包括规定期间中对象者50的呼吸频率以及心率的活动数据。在本实施方式中，感测部20按每秒来获得对象者50在床期间的心率、呼吸频率、体动等数据(以下也称为传感器数据)。

另外，获得心率、呼吸频率、体动等传感器数据的间隔例如不受1秒钟所限，也可以是2秒钟，只要是能够知道对象者50的传感器数据的变化的时间间隔即可。并且，感测部20通过是否能够感测到心率、呼吸频率、体动等，从而也可以对对象者50是否在床进行感测，进一步也可以对睡眠状态等生活节奏进行感测。

并且也可以是，感测部20例如是具有压力传感器等的传感器设备，被设置于床，按每秒来感测对象者50。在这种情况下，感测部20例如也可以将表示对象者50不在床的这种情况作为传感器数据，按每秒来输出表示“离床中”的值1。并且，感测部20例如也可以按每秒来输出对象者50的呼吸频率等传感器数据值。

[1.2信息管理服务器10]

图2是示出本实施方式所涉及的信息管理服务器10的具体的构成的一个例子的方框图。

信息管理服务器10例如由具备处理器(微处理器)、存储器、以及通信接口等的计算机来实现。信息管理服务器10也可以是，其中的一部分构成被包括在云服务器中来进行工作。信息管理服务器10是身体状况检测装置的一个例子，对关系到对象者50的健康异常的身体状况的小的异变(即健康异常的征兆)进行检测。

如图2所示，在本实施方式中，信息管理服务器10具备收发部11、信息记录部12、特征量计算部13、模型制作部14、模型更新部15、以及身体状况检测部16。

[1.2.1收发部11]

收发部11例如具备通信接口，经由通信网络40与感测部20或显示终端部30之间进行各种信息的收发。例如，收发部11获得包括规定期间中对象者50的呼吸频率以及心率的活动数据。在此，活动数据至少包括上述规定期间中对象者50的食量、呼吸频率、心率、以及离床率之中的呼吸频率以及心率。并且，收发部11将由身体状况检测部16算出的阶段化分数输出到对象者50的监视者等用户61的终端。

在本实施方式中，收发部11例如以每分钟的规定间隔经由通信网络40从感测部20获得对象者50在床期间的每秒的心率、呼吸频率、体动等传感器数据。并且，收发部11例如图1所示获得记录了作为现场工作人员的用户60对对象者50进行了看护或护理的内容的记录数据25。这样，收发部11经由通信网络40获得包括传感器数据以及记录数据25的活动数据，即获得每天能够在现场得到的活动数据。并且，收发部11经由通信网络40将由身体状况检测部16算出的阶段化分数发送到显示终端部30。另外，收发部11也可以发送用于在显示终端部30的用户界面进行如下显示的信息，这些显示是后述的阶段化分数显示、生命体征变动图显示、或风险群显示等，这些显示并且也是为了使用户61能够应对对象者50的身体状况异常而进行的显示。

[1.2.2信息记录部12]

信息记录部12记录由收发部11收发的信息。信息记录部12是能够记录信息的记录介质，例如由硬盘驱动器或固态驱动器等可改写的非易失性的存储器构成。另外，信息记录部12也可以记录由特征量计算部13算出的多个特征量。

[1.2.3特征量计算部13]

特征量计算部13具备例如包括存储器以及处理器(微处理器)的计算机，通过由处理器执行存储器中存放的控制程序，从而实现计算多个特征量的功能。特征量计算部13根据由收发部11获得的包括对象者50的呼吸频率以及心率的活动数据，来计算多个特征量。例如，特征量计算部13从由收发部11获得的、或者记录在信息记录部12中的活动数据中获得包括身体状况检测的对象日期和时间的时间段的传感器数据，并按呼吸频率等每种传感器数据来计算每1个小时的特征量。在此，特征量计算部13至少将对象者50的呼吸频率的平均值和最大值、以及对象者50的心率的平均值和最大值，作为每1个小时的多个特征量来计算。

在本实施方式中，特征量计算部13根据呼吸频率以及心率，至少将如下的值之中呼吸频率中的平均值、最大值、心率中的平均值、最大值，作为多个特征量来计算，所述值中包括呼吸频率、呼吸频率的差分数据、心率、心率的差分数据各自中的平均值、最大值、标准偏差、偏度、峰度、以及脉冲因子。在此的脉冲因子是通过从最大值中减去平均值而得到的。这样，特征量计算部13对活动数据进行统计处理等，并计算多个特征量。

更具体而言，特征量计算部13例如计算每1个小时的与对象者50的呼吸频率相关联的、以及与心率相关联的特征量。

例如，特征量计算部13从记录在信息记录部12中的活动数据或从感测部20获得的传感器数据中获得包括身体状况检测的对象日期和时间的时间段的示出对象者50的呼吸频率的传感器数据，从而计算该时间段每1个小时的统计特征量。

更详细而言，特征量计算部13从活动数据中获得例如某个小时中呼吸频率不为0时的呼吸频率数据，根据获得的呼吸频率数据，将这个小时中的平均值、最大值、最小值、标准偏差、偏度、峰度、以及脉冲因子等作为统计特征量来计算。在此，脉冲因子能够根据这个小时份的呼吸频率数据中的最大值与平均值的差分(最大值－平均值)来计算。并且，特征量计算部13根据获得的呼吸频率数据的差分数据将这个小时份的平均值、最大值、最小值、标准偏差、偏度、峰度、以及脉冲因子等作为统计特征量来计算。获得的呼吸频率数据的差分数据例如是示出时刻t的呼吸频率与在时刻t的1秒钟之后的时刻t+1的呼吸频率的差分即呼吸频率数据的每秒的差分的数据。另外，特征量计算部13根据获得的呼吸频率数据，至少将这个小时中的平均值以及最大值作为统计特征量来计算。

并且例如也可以是，特征量计算部13从记录在信息记录部12中的活动数据或从感测部20获得的传感器数据中，获得包括身体状况检测的对象日期和时间的时间段的示出对象者50的心率的心率数据，从而计算该时间段每1个小时的统计特征量。

在此，特征量计算部13从活动数据中例如获得某个小时中心率不为0时的心率数据，根据获得的心率数据，将这个小时中的平均值、最大值、最小值、标准偏差、偏度、峰度、以及脉冲因子等作为统计特征量来计算。并且，特征量计算部13根据获得的心率数据的差分数据将这个小时中的平均值、最大值、最小值、标准偏差、偏度、峰度、以及脉冲因子等作为统计特征量来计算。获得的心率数据的差分数据与呼吸频率数据的差分数据一样，例如是示出时刻t的心率与在时刻t的1秒钟之后的时刻t+1的心率的差分即心率数据的每秒的差分的数据。另外，特征量计算部13也可以根据获得的心率数据，至少将这个小时中的平均值以及最大值作为统计特征量来计算。

另外，特征量计算部13也可以将对象者50的食量或离床率作为多个特征量中的1个来计算。

即，特征量计算部13例如也可以根据活动数据中包括的记录数据25，将对象者50的食量作为多个特征量中的1个来计算。在这种情况下，特征量计算部13根据记录数据25，来计算过去1天中的食物的总量，接着，特征量计算部13只要计算包括身体状况检测的对象日期和时间的时间段的食量的总和即可。在此，在对象日期和时间为早上、中午、夜晚的时间段的情况下，特征量计算部13例如分别计算身体状况检测的对象日期的前1天的早上～当天早上的期间的食量的总和、前1天的中午～当天中午的期间的食量的总和、前1天的夜晚～当天夜晚的期间的食量的总和。

并且，特征量计算部13例如也可以根据由收发部11获得并记录在信息记录部12中的活动数据，将离床率作为多个特征量中的1个来计算。在这种情况下，特征量计算部13从记录在信息记录部12中的活动数据或从感测部20获得的传感器数据中，获得包括身体状况检测的对象日期和时间的时间段的示出对象者50是否在床的在否数据，计算该时间段每1个小时的离床率即可。更详细而言，特征量计算部13例如对某个小时中示出“离床中”时的值1的数量进行计数，并将计数后的数量除以这个小时中整体的数量(即示出这个小时中为“离床中”时的值1的数量和示出“在床中”时的值0的数量的总和)进行除法运算，从而能够算出这个小时中的离床率。

[1.2.4模型制作部14]

模型制作部14制作对由多个特征量组成的活动数据组中的正常性或异常性进行了学习的模型。更具体而言，模型制作部14通过进行利用了活动数据组的无监督学习，来制作对由多个特征量组成的活动数据组中的正常性或异常性进行了学习的模型。

在本实施方式中，模型制作部14具备例如包括存储器以及处理器(微处理器)的计算机，通过由处理器执行存储器中存放的控制程序，来实现各种功能。模型制作部14从记录在信息记录部12中的活动数据或从感测部20获得的传感器数据中获得学习期间的活动数据。另外也可以是，模型制作部14获得学习期间的记录数据25，将其包括到学习期间的活动数据中。

并且，模型制作部14使特征量计算部13根据学习期间的活动数据计算每1个小时的特征量。模型制作部14通过利用学习期间中每1个小时的特征量，使模型进行无监督学习，从而制作对活动数据组中的正常性或异常性进行了学习的模型。在此，进行了学习的模型是根据决策树来分割离群值的模型，例如是Isolation Forest模型(孤立森林模型)。另外也可以是，模型制作部14利用学习期间中每1个小时的特征量，通过K-均值算法(k-means)使模型进行无监督学习，从而制作对活动数据组中的正常性或异常性进行了学习的模型。

以下，对例如将Isolation Forest模型(孤立森林模型)等作为本实施方式所涉及的模型来制作的情况进行详细说明。

图3示出了本实施方式所涉及的活动数据组的异常数据组以及正常数据组的分布的一个例子。在图3中，纵轴表示心率的平均值，横轴表示呼吸频率的平均值。并且，活动数据组由心率以及呼吸频率的多个传感器数据构成，且异常数据与正常数据混在一起。

如图3所示，可以知道正常数据的数量比异常数据的数量多，并且正常数据的分布是某种程度集聚在一起的分布，即正常数据是没有分散且集中的分布。另一方面，从大多数的异常数据被包括在表示为图3所示的异常数据组的区域中可以得知异常数据的数量比正常数据少、且异常数据位于与正常数据聚集的分布位置不同的位置。

图4是概念性地示出本实施方式所涉及的模型的图。图4所示的模型是IsolationForest模型(孤立森林模型)。

模型制作部14利用异常数据比正常数据发生频度低且分布位置不同这样的前提，并利用学习期间中每1个小时的特征量即学习期间中的活动数据组，来制作对该活动数据组进行分割的模型。更具体而言，模型制作部14随机地选择特征(feature)和阈值并反复进行分割，来构建多个决策树，通过以在构建该决策树时将离群值与其之外的值分开的方式来进行构建，从而制作出能够分割该活动数据组的模型。这样，若异常数据是例如图3所示的异常数据组中包括的异常数据，由于其远离正常数据的分布，则模型制作部14能够制作出在决策树的早期阶段就进行分割的模型。据此，由模型制作部14制作的模型能够数据在决策树的哪个阶段被分割(从根节点起的距离)作为异常分数来计算。若越早在决策树被分割(即被分割的节点离根节点的距离越小)，则该模型算出的异常分数越高。另外，由于在该模型中构建有多个决策树，因此最终输出的异常分数是根据多个决策树中的分割结果算出的分割深度而得到的异常分数的平均值。

例如图4的(a)所示，若是取离群值的异常数据，由于严重偏离了正常数据组中正常数据的值，因此如图4的x所示的节点这样由模型制作部14制作的模型在早期阶段就对其进行分离(分割)。因此，若是取离群值的异常数据，则该模型算出高的异常分数。

另一方面，例如图4的(b)所示，若是正常数据，由于处于正常数据组中，因此如图4的y所示的节点这样由模型制作部14制作的模型很难对其进行分离(分割)。因此，若是正常数据，则该模型算出低的异常分数。

[1.2.5模型更新部15]

模型更新部15利用在该模型被制作完成之后由收发部11获得的活动数据，定期地对由模型制作部14制作的模型进行更新。

模型更新部15更新模型的频度例如是大概每2周～每个月即可。在模型制作部14制作完成模型之后的一定期间，模型更新部15可以以2周的间隔等频繁地进行更新，也可以在一定期间之后按每个月来进行更新等。

在本实施方式中，模型更新部15具备例如包括存储器以及处理器(微处理器)的计算机，通过由处理器执行存储器中存放的控制程序，来实现模型的更新功能。模型更新部15通过利用在该模型制作完成之后由收发部11获得的活动数据，来更新多个决策树的结构或条件，进而更新该模型。据此，能够利用向模型制作时所使用的活动数据中添加模型制作完成后蓄积的活动数据之后的活动数据，反复执行模型更新。

[1.2.6身体状况检测部16]

身体状况检测部16例如由具备处理器(微处理器)、存储器以及通信接口等的计算机来实现，通过由处理器执行存储器中存放的控制程序，来实现各种功能。身体状况检测部16利用由模型制作部14制作的模型和由特征量计算部13算出的多个特征量，来检测对象者50的健康异常。

如图2所示，身体状况检测部16具备异常分数计算部161、运算结果记录部162、阶段化分数计算部163、以及要因分析部164。

[1.2.6.1异常分数计算部161]

异常分数计算部161通过将由特征量计算部13算出的多个特征量输入到对活动数据组中的正常性或异常性进行了学习的模型，从而获得示出每规定期间的身体状况异常的程度的异常分数。

在本实施方式中，异常分数计算部161将由特征量计算部13算出的对象者50的身体状况检测的对象日中每1个小时的多个特征量输入到由模型制作部14制作的模型。异常分数计算部161例如根据构成图4所示的模型的多个决策树的分割结果来计算分割深度，并对多个分割深度的值进行平均，从而计算异常分数。异常分数计算部161将算出的对象者50的身体状况检测的对象日中每1个小时的异常分数记录到运算结果记录部162中。

[1.2.6.2运算结果记录部162]

运算结果记录部162是能够记录运算结果的记录介质，例如由硬盘驱动器或固态驱动器等可改写的非易失性的存储器构成。在本实施方式中，运算结果记录部162将由异常分数计算部161算出的异常分数以及由阶段化分数计算部163算出的阶段化分数等，作为运算结果来进行记录。另外，运算结果记录部162也可以将由要因分析部164分析出的要因作为运算结果来进行记录。

[1.2.6.3阶段化分数计算部163]

阶段化分数计算部163根据由异常分数计算部161算出的异常分数，来计算用于阶段性地示出对象者50的身体状况异常程度的阶段化分数。

在本实施方式中，阶段化分数计算部163根据记录在运算结果记录部162中的、或由异常分数计算部161算出的身体状况检测的对象日中每1个小时的异常分数，来计算异常分数每天的平均值。阶段化分数计算部163同样根据记录在运算结果记录部162中的身体状况检测的对象日的前1天以及前2天中每1个小时的异常分数，来计算对象日的前1天以及前2天中异常分数每天的平均值。阶段化分数计算部163对该对象日、该对象日的前1天、以及该对象日的前2天中异常分数每天的平均进行求和，计算3天总计分数。另外，虽然3天总计分数是高精度地阶段化分数的计算方法的一个例子，但并非受此所限。也可以以1天总计分数～5天总计分数这种范围来进行计算。

阶段化分数计算部163根据记录在运算结果记录部162中的该对象日之前大约90天份的3天总计分数组，来计算用于阶段化分数的阈值(也有称为阶段化阈值的情况)。更具体而言，阶段化分数计算部163通过计算过去大约90天份的3天总计分数组的平均以及标准偏差，来计算阶段化阈值。

图5示出了实施方式所涉及的5个阶段的阶段化分数以及其条件的一个例子。

阶段化分数计算部163在计算如图5所示的5个阶段的阶段化分数时，如图5所示，能够根据平均和标准偏差来计算阈值。例如阶段化分数为1时的阈值从图5所示的条件可以得知在平均以上，阶段化分数为2时的阈值是在平均减去二分之一的标准偏差的值与平均。

于是，阶段化分数计算部163针对该对象日的3天总计分数，适用这样算出的阈值，来计算阶段化分数。更具体而言，阶段化分数计算部163针对该对象日的3天总计分数，利用根据图5所示的条件而算出的阈值进行判断，来计算阶段化分数的值。

阶段化分数计算部163将算出的阶段化分数的值输出到运算结果记录部162。进一步，若算出的阶段化分数的值为1～3，则阶段化分数计算部163也可以经由通信网络40将算出的阶段化分数输出到显示终端部30。

另外，虽然在图5中对阶段化分数计算部163计算5个阶段的阶段化分数的情况的例子进行了图示，但并非受此所限。也可以计算2个阶段～4个阶段的阶段化分数。

在此，利用图5对计算用于阶段化分数的阈值的方法的一个例子进行说明。

[1.2.6.4要因分析部164]

当阶段化分数在规定值以上的情况下，要因分析部164按活动数据中包括的每个要素来实施对该要素是否是要因进行分析的要因分析。在此，要素是规定期间中对象者50的食量、呼吸频率、心率、或离床率等。并且，规定值是需要对健康异常的征兆进行应对的值。在阶段化分数例如有5个阶段的情况下可以决定为是4或5，在有3个阶段的情况下可以决定为是3，在有2个阶段的情况下可以决定为是2等。

在本实施方式中，要因分析部164在由阶段化分数计算部163算出的阶段化分数是4或5的情况下，对为了计算阶段化分数而用到的活动数据中包括的各个要素实施要因分析，在此的各个要素是指心率、呼吸频率、离床率、食量。另外，在为了计算阶段化分数而用到的活动数据中仅包括心率以及呼吸频率的情况下，只要对心率以及呼吸频率的这2个要素实施要因分析即可。

要因分析部164例如将为了计算阶段化分数而用到的全部期间中的各个要素的多个特征量变换为各个要素每天的多个特征量的数据，对为了计算阶段化分数而用到的全期间中的平均值以及标准偏差进行计算。在本实施方式中，要因分析部164将3天份的各个要素的多个特征量变换为各个要素每天的多个特征量的数据，对3天间的各个要素的平均值和标准偏差进行计算。

然后，要因分析部164在下述式1成立的情况下，分析为该要素不是要因，在下述的(式1)不成立的情况下，分析为该要素是要因。

(平均值-2×标准偏差)≤(在对象日期和时间的该要素的特征量)≤(平均值+2×标准偏差)····(式1)

另外，(式1)利用了全部数据中95.45％的数据分布在平均值±标准偏差的2倍的范围内这样的标准偏差的性质。

要因分析部164将通过要因分析被分析为是要因的要素、以及阶段化分数输出到运算结果记录部162。并且，要因分析部164也可以经由通信网络40将通过要因分析被分析为是要因的要素、以及阶段化分数输出到显示终端部30。

[1.3显示终端部30]

显示终端部30由具备处理器(微处理器)、存储器、通信接口、以及用户界面等的计算机来实现。显示终端部30是作为对象者50的监视者等的用户61的终端，例如是平板电脑、智能手机等。显示终端部30也可以是移动电脑、或与显示器连接的台式电脑。

在本实施方式中，显示终端部30能够由作为对象者50的监视者等的用户61来确认。显示终端部30与通信网络40连接，当从信息管理服务器10获得阶段化分数等时，使用户界面进行显示，该显示是为了使用户61能够应对对象者50的身体状况异常而进行的显示。用户界面能够按照用户61的输入等来使显示器进行显示。

图6～图8示出了为了应对本实施方式所涉及的对象者50的身体状况异常而进行显示的一个例子。

图6示出了实施方式所涉及的阶段化分数显示画面301的一个例子。更具体而言，图6示出了供作为现场工作人员的用户60或用户61查看的应用画面的一个例子，示出的是为了能够早期发现对象者50的健康异常并进行应对而对对象者50的阶段化分数等进行显示的阶段化分数显示画面301。该阶段化分数显示画面301是通过在显示终端部30的应用程序启动时的菜单画面中以触摸等的方式被选择，从而由显示终端部30来进行显示的。在图6中，示出了201～211号房的每一间都有一个对象者50入住，并且还示出了对象者50各自的阶段化分数。并且，图6示出了阶段化分数为4或5时的要因是心率、呼吸频率、食量、离床率中的哪个要素，是要因的要素涂有阴影线。另外，图6的a所示的区域中示出了供护士等作为现场工作人员的用户60输入的输入栏。在该输入栏输入阶段化分数的值的正当性等。

图7示出了实施方式所涉及的生命体征变动图显示画面302的一个例子。更具体而言，图7示出了供作为现场工作人员的用户60或用户61查看的应用画面的其他的例子，示出的是为了能够早期发现对象者50的健康异常并进行应对而对特定的对象者50的生命体征变动图进行显示的生命体征变动图显示画面302。该生命体征变动图显示画面302同样也是通过在显示终端部30的应用程序启动时的菜单画面中以触摸等的方式被选择，从而由显示终端部30来进行显示的。在图7中，示出了在特定的对象者50的生命体征变动图中例如示出阶段化分数为5时的生命体征信息的范围。据此，能够尽早追究例如示出特定的对象者50的阶段化分数为5时的原因。

图8示出了实施方式所涉及的风险群显示画面303的一个例子。更具体而言，图8示出了供作为现场工作人员的用户60或用户61查看的应用画面的其他的例子，示出的是为了能够早期发现对象者50的健康异常并进行应对而对对象者50入住的设施整体的风险群进行显示的风险群显示画面303。该风险群显示画面303同样也是通过在显示终端部30的应用程序启动时的菜单画面中以触摸等的方式被选择，从而由显示终端部30来进行显示的。在图8中，以圆形图来表示风险群在由201室等多个房间构成的设施整体中的比例即风险分布。在图8所示的例子中，示出的是当示出阶段化分数为5时的高风险占20％，当示出阶段化分数为4时的中风险占10％，当示出阶段化分数为3时的低风险占30％，当示出阶段化分数为1或2时的标准(即没有风险)占40％。这样，由于设施整体的风险分布得以可视化并能够一览无余，因此例如能够将经验丰富以及专业水平高的护士分配到成为中风险的房间，将经验更丰富以及专业水平更高的护士分配到成为高风险的房间。同样，能够将经验丰富的护理师分配到成为低风险的房间，将护理师分配到成为标准的房间。也就是说，由于设施整体的风险分布得以可视化并能够一览无余，因此能够将人数有限的现场工作人员人尽其才地分配到整个设施。据此能够更迅速且恰当地对对象者50的身体状况异常或身体状况异常的征兆进行应对。

[2信息管理服务器10的工作]

接下来，对以上这种构成的信息管理服务器10的工作进行说明。

图9是示出本实施方式所涉及的身体状况检测装置的工作的概要的流程图。本实施方式所涉及的身体状况检测装置例如虽然是信息管理服务器10，但是在上述的信息管理服务器10的构成中只要至少具备收发部11、特征量计算部13、异常分数计算部161、以及阶段化分数计算部163即可。

首先，在本实施方式所涉及的身体状况检测装置中，收发部11获得包括规定期间中对象者50的呼吸频率以及心率的活动数据(S11)。接着，特征量计算部13根据步骤S11中获得的活动数据，来计算多个特征量(S12)。接着，异常分数计算部161通过将步骤S12中算出的多个特征量输入到事先对活动数据组中的正常性或异常性进行了学习的模型，来获得每规定期间的异常分数(S13)。接着，阶段化分数计算部163根据步骤S13中获得的异常分数，来计算用于阶段性地示出对象者50的身体状况异常程度的阶段化分数(S14)。然后，阶段化分数计算部163对步骤S14中算出的阶段化分数进行输出(S15)。

接下来，对将以图9来说明的身体状况检测装置的工作的一个例子(工作例)作为本实施方式所涉及的信息管理服务器10的工作例进行说明。

图10是示出本实施方式所涉及的信息管理服务器10的工作例的流程图。

在信息管理服务器10中，首先收发部11获得传感器数据以及记录数据25(S101)。在本实施方式中，收发部11获得至少包括规定期间中对象者50的呼吸频率以及心率的活动数据。

接下来，特征量计算部13根据步骤S101中获得的传感器数据以及记录数据25，来计算每小时的多个特征量(S102)。在本实施方式中，特征量计算部13根据至少包括收发部11获得的对象者50的呼吸频率以及心率的活动数据，来计算对象者50的身体状况检测的对象日中每1个小时的多个特征量。

接下来，身体状况检测部16利用事先进行了学习的模型，根据步骤S102中算出的每小时的多个特征量，来计算每小时的异常分数(S103)。在本实施方式中，异常分数计算部161通过将由特征量计算部13算出的多个特征量输入到由模型制作部14制作的模型，来获得包括对象日的规定期间中每小时的示出身体状况异常的程度的异常分数。

接下来，身体状况检测部16根据步骤S103中算出的每小时的异常分数，来计算异常分数每天的平均值(S104)。在本实施方式中，阶段化分数计算部163根据包括对象者50的身体状况检测的对象日的规定期间中每小时的异常分数，来计算异常分数每天的平均值。

接下来，身体状况检测部16对对象者50的身体状况检测的对象日、对象日的前1天、以及对象日的前2天这3天的数据进行求和，计算3天总计分数(S105)。在本实施方式中，阶段化分数计算部163对对象日的前1天以及前2天中的异常分数每天的平均值进行计算，并通过对该对象日、该对象日的前1天、以及该对象日的前2天中异常分数每天的平均进行求和，来计算3天总计分数。

接下来，身体状况检测部16针对步骤S105中算出的身体状况检测的对象日的3天总计分数，适用根据过去大约90天份的3天总计分数组而算出的阶段化阈值，来计算阶段化分数(S106)。在本实施方式中，阶段化分数计算部163通过计算该对象日之前大约90天份的3天总计分数组的平均以及标准偏差，来计算阶段化阈值。然后，阶段化分数计算部163针对该对象日的3天总计分数，适用算出的阶段化阈值，来计算阶段化分数。另外，在此示出的阶段化分数是1～5这5个阶段的值之中任一个的值。

接下来，身体状况检测部16确认在步骤S106中是否算出了示出阶段化分数是4或5的值即示出有异常的值(S107)。

在步骤S107中，在阶段化分数是4或5的值的情况下(S107中的“是”)，身体状况检测部16对作为各个要素的食量、呼吸频率、心率、或离床率实施要因分析(S108)。在本实施方式中，要因分析部164在算出的阶段化分数是4或5的情况下，对计算特征量时用到的活动数据中包括的作为各个要素的心率、呼吸频率、离床率、食量实施要因分析。

接下来，身体状况检测部16对通过要因分析被分析为是要因的要素、以及阶段化分数进行输出(S109)。在本实施方式中，要因分析部164对通过要因分析被分析为是要因的要素、以及阶段化分数进行输出。

另外，在步骤S107中，在阶段化分数不是4或5的值的情况下(S107中的“否”)，则在步骤S109中身体状况检测部16输出阶段化分数。

[3效果等]

如上所述，通过本实施方式所涉及的身体状况检测装置等，能够对对象者50的健康异常的征兆即关系到对象者50的健康异常的身体状况的小变化进行检测。更具体而言，本实施方式所涉及的身体状况检测装置等根据活动数据来计算多个特征量，并将算出的多个特征量输入到通过对活动数据组中的正常性或异常性进行学习而能够对健康异常的征兆进行检测的模型。本实施方式所涉及的身体状况检测装置等根据通过将算出的多个特征量输入到模型而获得的异常分数，来计算阶段性地对对象者50的身体状况异常的程度进行了评估的阶段化分数。

据此，根据阶段化分数能够知道(检测)对象者50的健康异常的征兆。因此，能够检测即便是护理或看护对象者50的医务工作者也没能察觉到的对象者50的健康异常的征兆。

进一步，由于护理或看护对象者50的医务工作者等现场工作人员通过阶段化分数能够容易地掌握异常的程度，因此易于应对对象者50的日常生活中关系到健康异常的身体状况的各种小变化即健康异常的征兆。

并且也可以是，当阶段化分数在需要对健康异常的征兆进行应对的规定值以上的情况下，本实施方式所涉及的身体状况检测装置等按活动数据中包括的每个要素来实施对该要素是否是要因进行分析的要因分析。于是，当示出阶段化分数在需要对健康异常的征兆进行应对的规定值以上的情况下，对关系到健康异常的身体状况的小变化的要因例如究竟是在于心率还是在于呼吸频率等也一起进行通知。

据此，护理或看护对象者50的医务工作者以被通知的要因为线索，能够在早期恰当地对健康异常的征兆进行应对。

在此的活动数据是至少包括规定期间中对象者50的食量、呼吸频率、心率、以及离床率之中的呼吸频率以及心率这样每天在现场能够得到的活动数据。据此，由于根据每天在现场能够得到的活动数据来计算多个特征量，因此能够更高精度地对健康异常的征兆进行检测。

并且，本实施方式所涉及的多个特征量是对象者50的呼吸频率、呼吸频率的差分数据、对象者50的心率、心率的差分数据各自中的平均值、最大值、标准偏差、偏度、峰度、以及从最大值中减去平均值而得到的脉冲因子等。在本实施方式中，至少将对象者50的呼吸频率中的平均值、最大值、所述心率中的平均值、最大值，作为所述多个特征量来计算。这样，本实施方式所涉及的身体状况检测装置等对活动数据进行统计处理等，计算多个特征量。据此，利用进行了学习的模型，并根据算出的多个特征量，能够获得更高精度的异常分数。

并且，本实施方式中的学习后的模型(也称为进行了学习的模型)是通过利用了活动数据组的无监督学习，而活动数据组中的正常性或异常性得到了学习的模型。也就是说，在本实施方式中，通过利用每天在现场能够得到的活动数据，使模型进行无监督学习，来制作能够对健康异常的征兆进行检测的学习后的模型。因此，通过利用对象者50的活动数据来进行无监督学习，从而能够制作出对于对象者50的医务工作者等现场工作人员来说没有负担的、能够对健康异常的征兆进行检测的学习后的模型。

在此，对制作本实施方式所涉及的模型时付出的努力进行说明。

图11A以及图11B是用于概念性地说明利用比较例所涉及的模型来进行长期运用的情况下的异常检测的图。图12是用于概念性地说明利用本实施方式所涉及的模型来进行长期运用的情况下的异常检测的图。在图11A～图12中，横轴是时间，纵轴是心率等活动数据。图11A～图12概念性地示出了模型学习所使用的活动数据的期间、以及作为对象者50的健康异常希望被检测到的区间。

比较例所涉及的模型例如是专利文献1所涉及的模型，是1个通过利用短的学习期间的活动数据进行学习而生成的模型。

因此，例如图11A所示，在学习期间与作为健康异常希望被检测到的区间之间的期间较短的情况下，利用比较例所涉及的模型能够检测到健康异常。另一方面，例如图11B所示，在学习期间与作为健康异常希望被检测到的区间之间的期间较长的情况下，由于对象者50的活动数据中的中长期变动的影响，利用比较例所涉及的模型将会造成错误检测健康异常的后果。这是因为在对象者50患有疾病的情况下受季节、环境的影响而对象者50的活动数据会产生中长期的变动的缘故。也就是说，比较例所涉及的模型在进行长期运用的情况下，由于该模型是利用初期的较短学习期间的活动数据进行学习制作而成的，因此不能应对对象者50的活动数据中的中长期变动的可能性高。换而言之，比较例所涉及的模型因为学习时所使用的活动数据的数量少，因此不能检测以多种或复杂类型出现的关系到健康异常的身体状况的小变化的可能性高。

相对于此，在本实施方式所涉及的模型中，例如利用以2周～1个月的期间而蓄积的活动数据，反复执行模型的更新。即，实施方式所涉及的模型利用向模型制作时所使用的活动数据中添加模型制作完成后蓄积的活动数据之后的活动数据，来反复进行更新。

因此例如图12所示，本实施方式所涉及的模型利用作为健康异常希望被检测到的区间的最近时间为止的活动数据，来进行学习或被更新，因此能够检测出作为健康异常希望被检测到的区间中的健康异常。也就是说，本实施方式所涉及的模型能够对因为对象者50的中长期疾病而产生的变动或受环境影响造成的中长期变动进行应对的基础上，对健康异常的征兆进行检测。

图13是概念性地示出由于本实施方式所涉及的模型被更新而性能得到改善的图。

在图13中，横轴是活动数据的蓄积天数，纵轴是健康异常的检测成功率。从图13中可以得知模型学习以及更新后的活动数据的蓄积天数增加得越多则检测成功率也就越高，当活动数据达到一定数量时检测成功率保持饱和状态。

也就是说，可以知道本实施方式所涉及的模型在进行中长期运用时，检测性能随着蓄积的活动数据的增加而能得到改善。

并且，比较例所涉及的模型即专利文献1所涉及的模型是利用如下学习用数据被制作而成的，该学习用数据是指，将对象者50的身体状况为正常状态时的期间的活动数据作为用于学习的数据。因此需要现场工作人员参照护理等的记录数据25来判断该期间的活动数据究竟是仅为示出正常状态的活动数据还是包括异常状态的活动数据，这会成为现场工作人员的负担。

相对于此，本实施方式所涉及的模型是利用在异常数据与正常数据混在一起的活动数据之中异常数据具有比正常数据发生频度低、且分布位置不同这样的性质，并通过进行利用了活动数据的无监督学习被制作而成的。据此，利用对象者50的活动数据，能够制作出对对象者50的医务工作者等现场的人员来说没有负担的利用对象者50的活动数据模型。于是，本实施方式所涉及的模型通过利用这种性质，从而能够制作出对成为身体状况检测的对象的活动数据大概与正常数据分布集中的部分相距有多远进行判断的模型。例如Isolation Forest模型(孤立森林模型)等这样根据决策树来分割离群值的模型由于能够利用这种性质通过无监督学习制作而成，因此能够用作本实施方式所涉及的模型。

(实施例1)

另外，在上述的实施方式中，虽然对显示终端部30例如进行图6～图8所示的显示进行了说明，但并非受此所限，图6～图8所示的显示是为了应对对象者50的身体状况异常而进行的显示。

显示终端部30也可以将由身体状况检测部16算出的阶段化分数协同记录了看护或护理对象者50的内容的记录数据25一起，进行协作显示。

图14示出了实施例1所涉及的显示终端部30所显示的协作显示的一个例子。

图14示出了将记录了护理对象者50的内容的护理记录协同阶段化分数一起进行显示的协作显示的例子。图14所示的协作显示的画面是提供护理服务的现场工作人员能够确认的画面。

在图14的协作显示的护理记录中，在现场工作人员的“有发现”处以及在“医生护士判断”处勾选有“レ”。并且，在图14的协作显示的护理记录中重叠有虚线方框，该虚线方框表示示出阶段化分数为5时即表示需要对对象者50的身体状况异常进行应对的规定值的期间。另外，在图14的协作显示中显示有：有过睡眠异常的日期和时间；有过排泄排尿的日期和时间；以及进餐的日期和时间等。

现场工作人员通过查看图14所示的协作显示，在示出阶段化分数为5时，能够根据对象者50的生活状况迅速地追究健康异常的征兆的原因。

(实施例2)

在实施例2中，对能够检测对象者50的健康异常的征兆即关系到对象者的健康异常的身体状况的小变化的偶然发现事例进行说明。

图15示出了实施例2所涉及的偶然发现事例1。在图15中，示出了对象者50被怀疑患上突发性高的肺炎于2月27日入院的情况的例子。

在图15中，阶段化分数的计算结果于每天早上8点被提示，关于与对象者50的身体状况有关的“护理师有发现”栏和“护理师无发现”栏，于每天10点或15点被输入。并且，当阶段化分数为4以上时，护士在18点以后确认症状，并且输入“OK”(正确)或“NG”(不正确)来表示阶段化分数的提示是否正确。

如图15所示，在a所示的示出阶段化分数为4时的2月21日以及2月22日，护士所下的判断是OK，在b所示的示出阶段化分数为4时的2月24日，在10点的这个时刻“护理师无发现”。并且，在2月24日的11点以后对象者50开始发烧、且这之后虽然没有退烧，但在2月25日仍然是“护理师无发现”(也就是说没有问题)。然而当到了2月27日，对象者50被怀疑患上突发性高的肺炎于2月27日入院。

相对于此，从阶段化分数的计算结果可以得知：在a所示的示出阶段化分数为4时的2月21日以及2月22日，以及在b所示的示出阶段化分数为4时的2月24日，就检测到了对象者的健康异常的征兆即关系到对象者的健康异常的身体状况的小变化。

图16示出了实施例2所涉及的偶然发现事例2。在图16中，示出了其他的对象者50在3月12日以发烧为由入院的情况的例子。在图16中，由于护士的判断以及护理师的发现等与图15相同，因此省略说明。

如图16所示，在a所示的示出阶段化分数为4时的3月7日“护理师无发现”(也就是没有问题)。并且，在a所示的示出阶段化分数为5时的3月8日，虽然在10点的时刻“护理师无发现”，但在15点的时刻有看起来浑身无力且行动迟缓、像感冒一样的疼痛感等这些发现。另外，在a所示的示出阶段化分数为5时的3月8日，护士所下的判断是OK。在这之后“护理师有发现”，在3月12日这天，由于对象者50看似吃力且行动迟缓并且还有像感冒一样的症状，因此让对象者50入院。

相对于此，从阶段化分数的计算结果可以得知：如a所示在3月7日示出的阶段化分数为4，如b所示在3月8日示出的阶段化分数为5，在这之后以一直示出阶段化分数为5的状态进行推移。也就是说，可以知道在示出阶段化分数为4时的3月7日就检测到了对象者50的健康异常的征兆即关系到对象者50的健康异常的身体状况的小变化。

图17示出了实施例2所涉及的偶然发现事例3。在图17中，进一步示出了其他的对象者50在2月20日的10点时年糕堵塞喉咙，2月24日深夜因怀疑吸入性肺炎入院的情况的例子。由于在图17中的护士的判断以及护理师的发现等与图15相同，因此省略说明。

如图17所示，在年糕堵塞了喉咙的2月20日的次日即2月21日，a所示的阶段化分数为5，在这之后至入院日为止一直示出阶段化分数为5。另一方面，护理师虽然输入了从2月21日至2月23日期间对象者50发生呛噎或看起来浑身无力等这些发现，但根据时间段不同也有判断为没有发现(没有问题)的时候。并且，在2月23日尽管对象者50的身体状况还没有恢复到原状，但护士对于示出阶段化分数为5的这种情况所下的判断是“NG”，即判断为对象者50没有问题。也就是说护士在2月23日看漏了对象者50的健康异常的征兆。

相对于此，从阶段化分数的计算结果可以得知：从2月21日开始，如a所示阶段化分数为5，并以一直示出阶段化分数为5的状态进行推移。也就是说，可以知道在示出阶段化分数为5时的2月21日即在为对象者50入院日的2月24日的3天之前就检测到了对象者的健康异常的征兆即关系到对象者50的健康异常的身体状况的小变化。

(其他的实施方式的可能性)

以上对实施方式以及实施例等所涉及的信息管理服务器10等即实施方式以及实施例等所涉及的身体状况检测方法以及身体状况检测装置进行了说明，但本公开并非受这些实施方式以及实施例所限。

例如，上述实施方式以及实施例等所涉及的信息管理服务器10包括的各个处理部由作为典型的集成电路即LSI来实现。这些也可以个别地被制成一个芯片，也可以以包括其中的一部分或全部的方式制成一个芯片。

并且，集成电路化并不限于由LSI来实现，也可以由专用电路或通用处理器来实现。也可以利用在LSI制造后能够编程的FPGA(Field Programmable Gate Array：现场可编程门阵列)、或能够重新构成LSI内部的电路单元的连接或设定的可重构处理器。

并且，本公开也可以作为由信息管理服务器10等即身体状况检测装置执行的身体状况检测方法来实现。

并且，在上述各实施方式中，各构成要素可以由专用的硬件来构成，或通过执行适于各构成要素的软件程序来实现。各构成要素也可以通过由CPU或处理器等程序执行部读取并执行记录在硬盘或半导体存储器等记录介质中的软件程序来实现。

并且，方框图中的功能块的分割为一个例子，多个功能块可以作为一个功能块来实现，一个功能块也可以分割为多个，其中一部分的功能也可以转移到其他的功能块。并且，具有类似功能的多个功能块的功能也可以由单一的硬件或软件进行并行处理或者进行时间分割处理。

并且，流程图中各步骤执行的顺序是为了对本公开进行具体进行说明而举例示出的顺序，可以是上述以外的顺序。并且，上述步骤的一部分也可以与其他的步骤同时(并行)执行。

以上基于实施方式以及实施例等对一个或多个方式所涉及的身体状况检测装置进行了说明，但本公开并非受该实施方式以及实施例等所限。在不脱离本公开的主旨的范围内，将本领域技术人员所能够想到的各种变形执行于本实施方式、实施例以及变形例等而得到的方式、以及对不同的实施方式、实施例以及变形例等中的构成要素进行组合而构成的方式，均包括在本公开的一个或多个方式的范围之内。

本公开能够利用于身体状况检测方法、身体状况检测装置、以及程序，例如，能够利用于能够对作为对象者的健康异常的征兆例如关系到对象者的健康异常的身体状况的小变化进行检测的检测身体状况检测方法、身体状况检测装置、以及程序。

符号说明

10 信息管理服务器

11 收发部

12 信息记录部

13 特征量计算部

14 模型制作部

15 模型更新部

16 身体状况检测部

20 感测部

25 记录数据

30 显示终端部

40 通信网络

50 对象者

60，61 用户

100 身体状况检测系统

161 异常分数计算部

162 运算结果记录部

163 阶段化分数计算部

164 要因分析部

301 阶段化分数显示画面

302 生命体征变动图显示画面

303 风险群显示画面

Claims (11)

1.一种身体状况检测方法，是由计算机执行的身体状况检测方法，

在所述身体状况检测方法中，

获得活动数据，所述活动数据是包括规定期间中对象者的呼吸频率以及心率的数据，

根据获得的所述活动数据，来计算多个特征量，

通过将算出的所述多个特征量输入到如下的模型，来获得异常分数，所述模型是对由多个特征量组成的活动数据组中的正常性或异常性进行了学习的模型，所述异常分数是示出每所述规定期间的身体状况异常的程度的分数，

根据获得的所述异常分数，来计算阶段化分数，所述阶段化分数是用于阶段性地示出所述对象者的身体状况异常程度的分数，

对算出的所述阶段化分数进行输出。

2.如权利要求1所述的身体状况检测方法，

在计算所述阶段化分数时，

当所述阶段化分数在规定值以上的情况下，按所述活动数据中包括的每个要素来实施对该要素是否是要因进行分析的要因分析，

在输出所述阶段化分数时，

对通过所述要因分析被分析为是要因的要素、以及所述阶段化分数进行输出。

3.如权利要求1或2所述的身体状况检测方法，

所述活动数据至少包括所述规定期间中所述对象者的食量、呼吸频率、心率、以及离床率之中的所述呼吸频率以及所述心率。

4.如权利要求3所述的身体状况检测方法，

在计算所述多个特征量时，

至少将如下的值之中所述呼吸频率中的平均值、最大值、所述心率中的平均值、最大值，作为所述多个特征量来计算，所述值中包括所述呼吸频率、所述呼吸频率的差分数据、所述心率、所述心率的差分数据各自中的平均值、最大值、标准偏差、偏度、峰度、以及从所述最大值中减去所述平均值而得到的脉冲因子。

5.如权利要求1或2所述的身体状况检测方法，

所述模型是通过利用了所述活动数据组的无监督学习，而所述活动数据组中的正常性或异常性得到了学习的模型。

6.如权利要求5所述的身体状况检测方法，

所述模型是根据决策树来分割离群值的模型。

7.如权利要求6所述的身体状况检测方法，

所述模型是Isolation Forest模型即孤立森林模型。

8.如权利要求5所述的身体状况检测方法，

所述模型利用获得的所述活动数据而被定期地更新。

9.如权利要求5所述的身体状况检测方法，

在输出所述阶段化分数时，

将算出的所述阶段化分数输出到所述对象者的监视者的终端，

使所述终端的用户界面进行显示，该显示是为了使所述监视者能够应对所述对象者的身体状况异常而进行的显示。

10.一种身体状况检测装置，

所述身体状况检测装置具备：

收发部，获得活动数据，所述活动数据是包括规定期间中对象者的呼吸频率以及心率的数据；

特征量计算部，根据获得的所述活动数据，来计算多个特征量；

异常分数计算部，通过将算出的所述多个特征量输入到如下的模型，来获得异常分数，所述模型是由模型制作部制作的对由多个特征量组成的活动数据组中的正常性或异常性进行了学习的模型，所述异常分数是示出每所述规定期间的身体状况异常的程度的分数；以及

阶段化分数计算部，根据获得的所述异常分数，来计算阶段化分数，所述阶段化分数是用于阶段性地示出所述对象者的身体状况异常程度的分数；

所述收发部对算出的所述阶段化分数进行输出。

11.一种程序，该程序用于使计算机执行如下工作：

获得活动数据，所述活动数据是包括规定期间中对象者的呼吸频率以及心率的数据，

根据获得的所述活动数据，来计算多个特征量，

通过将算出的所述多个特征量输入到如下的模型(模型制作部)，来获得异常分数，所述模型是对由多个特征量组成的活动数据组中的正常性或异常性进行了学习的模型，所述异常分数是示出每所述规定期间的身体状况异常的程度的分数，

根据获得的所述异常分数，来计算阶段化分数，所述阶段化分数是用于阶段性地示出所述对象者的身体状况异常程度的分数，

对算出的所述阶段化分数进行输出。