DE112020005677T5

DE112020005677T5 - Lernvorrichtung, Lernverfahren und Messvorrichtung

Info

Publication number: DE112020005677T5
Application number: DE112020005677.5T
Authority: DE
Inventors: Ryugo Fujita; Daisuke Kawamura; Yuuki NAWA; Minoru Otake; Tetsuya Hirota
Original assignee: Tokai Rika Co Ltd
Current assignee: Tokai Rika Co Ltd
Priority date: 2019-11-18
Filing date: 2020-08-11
Publication date: 2022-09-15
Also published as: WO2021100266A1; JP7285763B2; JP2021081915A; CN114599283A; US20230037994A1

Abstract

Um die Beziehung zwischen Merkmalspunkten in Zeitreihendaten effektiver zu lernen.Es wird eine Lernvorrichtung bereitgestellt, mit einer Lerneinheit, die eine Ausgabe bezüglich eines Zielmerkmalspunkt, der in einer Wiederholungssektion zu beobachten ist, die periodisch über einen Zeitverlauf beobachtet wird, lernt, unter Verwendung von ersten Sensordaten, die durch ein erstes System bezogen werden und eine Zeitdauer entsprechend der Wiederholungssektion aufweisen, als Lerndaten, und von Lehrerdaten basierend auf zweiten Sensordaten, die durch ein zweites System zu einem Zeitpunkt bezogen werden, zu dem eine spezifische Zeitperiode seit einem Startzeitpunkt der auf die ersten Sensordaten bezogenen Zeitdauer verstrichen ist, wobei das zweite System weniger von Störungen beeinflusst wird als das erste System, wobei die spezifische Zeitperiode auf der Grundlage einer Zeitdauer von einem Startzeitpunkt der Wiederholungssektion bis zu einem Zeitpunkt, zu dem ein Erscheinen des Zielmerkmalspunkts erwartet wird, eingestellt wird.

Description

Technisches Gebiet
Die vorliegende Erfindung bezieht sich auf eine Lernvorrichtung, ein Lernverfahren und eine Messvorrichtung.
Stand der Technik
In jüngster Zeit wurde eine Technologie zur Durchführung von Unterscheidungen, Schätzungen und Ähnlichem unter Verwendung der Technik des maschinellen Lernens entwickelt. In der Patentschrift 1 wird beispielsweise die Technik des maschinellen Lernens zur Vorhersage eines zukünftigen Wertes von Zeitreihendaten beschrieben. Mit dieser Technik ist es möglich, vorherzusagen, welcher Wert zu einem beliebigen Zeitpunkt in der Zukunft in den in Zeitreihen bezogenen Daten angezeigt wird.
Zitierliste
Patentliteratur
Patentschrift 1: JP 2001-325582A
Zusammenfassung der Erfindung
Technisches Problem
Die in der Patentschrift 1 beschriebene Technologie verwendet jedoch einen zukünftigen Wert zu einem vorhergesagten Zeitpunkt als Lehrerdaten für das Lernen. In diesem Fall ist es schwierig, einen Lernprozess durchzuführen, der die Merkmale eines Übergangs von Zeitreihendaten nach dem zukünftigen Wert und dergleichen widerspiegelt.
In Anbetracht der vorstehend beschriebenen Aspekte zielt die vorliegende Erfindung darauf ab, einen Mechanismus bereitzustellen, der ein mehr effektives Lernen der Beziehung zwischen Merkmalspunkten in Zeitreihendaten ermöglicht.
Lösung des Problems
Um das vorstehend beschriebene Problem zu lösen, stellt ein Aspekt der vorliegenden Erfindung eine Lernvorrichtung bereit, mit einer Lerneinheit, die eine Ausgabe bezüglich eines Zielmerkmalspunkt, der in einer Wiederholungssektion zu beobachten ist, die periodisch über einen Zeitverlauf beobachtet wird, lernt, unter Verwendung von ersten Sensordaten, die durch ein erstes System bezogen werden und eine Zeitdauer entsprechend der Wiederholungssektion aufweisen, als Lerndaten, und von Lehrerdaten basierend auf zweiten Sensordaten, die durch ein zweites System zu einem Zeitpunkt bezogen werden, zu dem eine spezifische Zeitperiode seit einem Startzeitpunkt der auf die ersten Sensordaten bezogenen Zeitdauer verstrichen ist, wobei das zweite System weniger von Störungen beeinflusst wird als das erste System, wobei die spezifische Zeitperiode auf der Grundlage einer Zeitdauer von einem Startzeitpunkt der Wiederholungssektion bis zu einem Zeitpunkt, zu dem ein Erscheinen des Zielmerkmalspunkts erwartet wird, eingestellt wird.
Um das vorstehend beschriebene Problem zu lösen, stellt ein weiterer Aspekt der vorliegenden Erfindung ein Lernverfahren bereit, mit Lernen einer Ausgabe bezüglich eines Zielmerkmalspunkt, der in einer Wiederholungssektion zu beobachten ist, die periodisch über einen Zeitverlauf beobachtet wird, lernt, unter Verwendung von ersten Sensordaten, die durch ein erstes System bezogen werden und eine Zeitdauer entsprechend der Wiederholungssektion aufweisen, als Lerndaten, und von Lehrerdaten basierend auf zweiten Sensordaten, die durch ein zweites System zu einem Zeitpunkt bezogen werden, zu dem eine spezifische Zeitperiode seit einem Startzeitpunkt der auf die ersten Sensordaten bezogenen Zeitdauer verstrichen ist, wobei das zweite System weniger von Störungen beeinflusst wird als das erste System, wobei die spezifische Zeitperiode auf der Grundlage einer Zeitdauer von einem Startzeitpunkt der Wiederholungssektion bis zu einem Zeitpunkt, zu dem ein Erscheinen des Zielmerkmalspunkts erwartet wird, eingestellt wird.
Um das vorstehend beschriebene Problem zu lösen, stellt ein weiterer Aspekt der vorliegenden Erfindung eine Messvorrichtung bereit, mit einer Messeinheit, die eine Messung bezüglich einem in ersten Sensordaten zu beobachtenden Zielmerkmalspunkt durchführt, mit den durch ein erstes System erfassten ersten Sensordaten als Eingabe, wobei die Messeinheit eine Messung bezüglich des Zielmerkmalspunkts unter Verwendung eines gelernten Modells durchführt, das durch Lernen einer Ausgabe bezüglich eines Zielmerkmalspunkt, der in einer Wiederholungssektion zu beobachten ist, die periodisch über einen Zeitverlauf beobachtet wird, lernt, unter Verwendung von ersten Sensordaten, die durch ein erstes System bezogen werden und eine Zeitdauer entsprechend der Wiederholungssektion aufweisen, als Lerndaten, und von Lehrerdaten basierend auf zweiten Sensordaten, die durch ein zweites System zu einem Zeitpunkt bezogen werden, zu dem eine spezifische Zeitperiode seit einem Startzeitpunkt der auf die ersten Sensordaten bezogenen Zeitdauer verstrichen ist, wobei das zweite System weniger von Störungen beeinflusst wird als das erste System, und die spezifische Zeitperiode auf der Grundlage einer Zeitdauer von einem Startzeitpunkt der Wiederholungssektion bis zu einem Zeitpunkt, zu dem ein Erscheinen des Zielmerkmalspunkts erwartet wird, eingestellt wird.
Vorteilhafte Effekte der Erfindung
Wie vorstehend beschrieben, stellt die vorliegende Erfindung einen Mechanismus bereit, der ein effektiveres Lernen der Beziehung zwischen Merkmalspunkten in Zeitreihendaten ermöglicht.
Figurenliste

1 ist eine Darstellung, die ein funktionelles Konfigurationsbeispiel einer Lernvorrichtung 10 gemäß einem Ausführungsbeispiel der vorliegenden Erfindung zeigt.
2 ist eine Darstellung, die ein Beispiel für eine funktionelle Konfiguration einer Messvorrichtung 20 gemäß dem Ausführungsbeispiel zeigt.
3 ist eine Darstellung, die ein Beispiel für eine allgemeine elektrokardiografische Wellenform in einem einzelnen Zyklus zeigt.
4 ist eine Darstellung, die ein Korrespondenzbeispiel zwischen Lerndaten und Lehrerdaten gemäß einem Ausführungsbeispiel der vorliegenden Erfindung zeigt.
5 ist eine Darstellung, die ein Bild der Messung eines Zielmerkmalpunktes durch eine Messeinheit 220 gemäß dem Ausführungsbeispiel zeigt.
6 ist eine Darstellung, die ein Bild der Messung eines Zielmerkmalspunktes durch die Messeinheit 220 gemäß dem Ausführungsbeispiel zeigt.
7 ist eine Darstellung zur Veranschaulichung der Genauigkeit der Erfassung einer R-Welle unter Verwendung eines gelernten Modells gemäß dem Ausführungsbeispiel.
8 ist ein Flussdiagramm, das den Ablauf einer Lernphase gemäß dem Ausführungsbeispiel zeigt.
9 ist ein Flussdiagramm, das den Ablauf einer Messphase gemäß dem Ausführungsbeispiel zeigt.

Beschreibung der Ausführungsbeispiele
Nachfolgend werden unter Bezugnahme auf die beigefügten Zeichnungen bevorzugte Ausführungsbeispiele der vorliegenden Erfindung im Detail beschrieben. Es sollte beachtet werden, dass in dieser Beschreibung und den Zeichnungen strukturelle Elemente, die im Wesentlichen die gleiche Funktion und Struktur aufweisen, mit den gleichen Bezugszeichen versehen sind, und eine wiederholte Erläuterung davon entfällt.
< Konfigurationsbeispiel >
(Lernvorrichtung 10)
Eine Lernvorrichtung 10 des Ausführungsbeispiels kann eine Vorrichtung sein, die überwachtes Lernen durchführt, wobei als Eingabe dieselbe Art von Sensordaten verwendet wird, die synchron auf der Zeitachse von zwei verschiedenen Systemen erfasst werden. Hier bezeichnet das überwachte Lernen ein Verfahren, bei dem Sätze von Eingabedaten (Lerndaten) und korrekte Antwortdaten (Lehrerdaten), die den Eingabedaten entsprechen, einem Computer zur Verfügung gestellt werden, so dass der Computer die Korrespondenz zwischen diesen lernt. 1 ist eine Darstellung, die ein Beispiel für eine funktionelle Konfiguration der Lernvorrichtung 10 gemäß dem Ausführungsbeispiel zeigt. Wie in 1 dargestellt, kann die Lernvorrichtung 10 des Ausführungsbeispiels eine Lerneinheit 110 und eine Speichereinheit 120 umfassen.
Die Lerneinheit 110 des Ausführungsbeispiels ist dadurch gekennzeichnet, dass sie die Ausgabe lernt, die sich auf einen Zielmerkmalspunkt bezieht, der in einer Wiederholungssektion zu beobachten ist, die periodisch entlang des Zeitverlaufs beobachtet wird, unter Verwendung der ersten Sensordaten, die von dem ersten System bezogen werden und eine Zeitdauer haben, die der Wiederholungssektion entspricht, als Lerndaten, und von Lehrerdaten, die auf den zweiten Sensordaten basieren, die von dem zweiten System zu einem Zeitpunkt bezogen werden, zu dem eine spezifische Zeitperiode seit dem Startzeitpunkt der Zeitdauer, die sich auf die ersten Sensordaten bezieht, verstrichen ist, wobei das zweite System weniger von Störungen bzw. Störsignalen bzw. Rauschen beeinflusst wird als das erste System. Darüber hinaus kann die vorstehend beschriebene spezifische Zeitperiode auf der Grundlage der Zeitdauer vom Startzeitpunkt der Wiederholungssektion bis zu einem Zeitpunkt festgelegt werden, zu dem das Auftreten eines Zielmerkmalspunkts erwartet wird. Mit dieser Konfiguration ist es möglich, die Merkmale eines Datenübergangs nach dem vorstehend beschriebenen Zielmerkmalspunkt und dergleichen zu lernen und ein gelerntes Modell mit höherer Genauigkeit zu konstruieren.
Die Lerneinheit 110 des Ausführungsbeispiels kann das vorstehend beschriebene Lernen mit einem beliebigen maschinellen Lernverfahren („machine learning“) durchführen, das überwachtes Lernen ermöglicht. Die Lerneinheit 110 führt das Lernen unter Verwendung eines Algorithmus wie z.B. einem neutralen Netzwerk oder einer Stützvektormaschine („Support-Vektor-Maschine“) (SVM) durch.
Die Funktionen der Lerneinheit 110 werden von einem Prozessor wie z.B. einer Grafikverarbeitungseinheit (GPU) ausgeführt. Die Einzelheiten der Funktionen der Lerneinheit 110 gemäß dem Ausführungsbeispiel werden gesondert beschrieben.
Die Speichereinheit 120 des Ausführungsbeispiels speichert verschiedene Arten von Informationen in Bezug auf den Betrieb bzw. Operationen der Lernvorrichtung 10. Die Speichereinheit 120 speichert zum Beispiel die ersten Sensordaten und die zweiten Sensordaten, verschiedene Arten von Parametern und dergleichen, die beim Lernen durch die Lerneinheit 110 verwendet werden.
Vorstehend wurde ein Beispiel für die funktionelle Konfiguration der Lernvorrichtung 10 gemäß dem Ausführungsbeispiel beschrieben. Es sei angemerkt, dass die vorstehend beschriebene Konfiguration unter Verwendung von 1 nur ein Beispiel ist und die Konfiguration der Lernvorrichtung 10 des Ausführungsbeispiels nicht darauf beschränkt ist. Die Lernvorrichtung 10 des Ausführungsbeispiels kann beispielsweise eine Bedieneinheit, die Operationen durch einen Bediener empfängt, eine Ausgabeeinheit, die verschiedene Arten von Daten ausgibt, und ähnliches umfassen. Die Konfiguration der Lernvorrichtung 10 des Ausführungsbeispiels kann je nach Spezifikationen und Verwendungszwecken flexibel geändert werden.
Im Folgenden wird ein funktionelles Konfigurationsbeispiel der Messvorrichtung 20 gemäß dem Ausführungsbeispiel beschrieben. Die Messvorrichtung 20 des Ausführungsbeispiels kann eine Vorrichtung sein, die eine Messung in Bezug auf einen Zielmerkmalspunkt durchführt, der in Sensordaten zu beobachten ist, die entlang des Zeitverlaufs unter Verwendung eines gelernten Modells erfasst wurden, das von der Lernvorrichtung 10 erstellt wurde. 2 ist eine Darstellung, die ein Beispiel für eine funktionale Konfiguration der Messvorrichtung 20 gemäß dem Ausführungsbeispiel zeigt. Wie in 2 dargestellt, kann die Messvorrichtung 20 des Ausführungsbeispiels eine Bezugseinheit 210 und eine Messeinheit 220 umfassen.
Die Bezugseinheit 210 des Ausführungsbeispiels ist eine Komponente zum Beziehen der ersten Sensordaten entlang des Zeitverlaufs. Aus diesem Grund umfasst die Bezugseinheit 210 des Ausführungsbeispiels verschiedene Arten von Sensoren in Übereinstimmung mit den Eigenschaften der zu beziehenden ersten Sensordaten.
Die Messeinheit 220 des Ausführungsbeispiels führt eine Messung in Bezug auf einen Zielmerkmalspunkt durch, der in den ersten Sensordaten zu beobachten ist, wobei die ersten Sensordaten, die von der Bezugseinheit 210 bezogen wurden, als Eingabe dienen. Hier führt die Messeinheit 220 des Ausführungsbeispiels eine Ausgabe in Bezug auf den Zielmerkmalspunkt unter Verwendung eines gelernten Modells durch, das durch Lernen durch die Lerneinheit 110 erstellt wurde. Das heißt, die Messeinheit 220 des Ausführungsbeispiels ist dadurch gekennzeichnet, dass sie eine Messung in Bezug auf einen Zielmerkmalspunkt unter Verwendung eines gelernten Modells durchführt, das durch Lernen der Ausgabe in Bezug auf den Zielmerkmalspunkt in einer Wiederholungssektion konstruiert wird, die periodisch entlang des Zeitverlaufs beobachtet wird, unter Verwendung der ersten Sensordaten, die eine dem Wiederholungssektion entsprechende Zeitdauer haben, als Lerndaten, und von Lehrerdaten, die auf den zweiten Sensordaten basieren, die zu einem Zeitpunkt bezogen werden, wenn eine spezifische Zeitperiode seit dem Startzeitpunkt der Zeitdauer in Bezug auf die ersten Sensordaten verstrichen ist.
Mit der vorstehend beschriebenen Konfiguration ist es möglich, den Einfluss von Rauschen bzw. Störungen aus den ersten Sensordaten effizient zu entfernen und eine Messung in Bezug auf einen Zielmerkmalspunkt mit hoher Genauigkeit durchzuführen. Es sei angemerkt, dass die Funktionen der Messeinheit 220 des Ausführungsbeispiels von verschiedenen Prozessoren ausgeführt werden.
Vorstehend wurde ein Beispiel für die funktionelle Konfiguration der Messvorrichtung 20 gemäß dem Ausführungsbeispiel beschrieben. Es sei angemerkt, dass die vorstehend beschriebene Konfiguration unter Verwendung von 2 nur ein Beispiel ist und die funktionale Konfiguration der Messvorrichtung 20 des Ausführungsbeispiels nicht darauf beschränkt ist. Die Messvorrichtung 20 des Ausführungsbeispiels kann ferner eine Bedieneinheit, eine Ausgabeeinheit, eine Analyseeinheit, die eine Analyse in Bezug auf einen gemessenen Zielmerkmalspunkt durchführt, eine Benachrichtigungseinheit, die verschiedene Arten von Benachrichtigungen auf der Grundlage von Analyseergebnissen durchführt, und dergleichen umfassen. Die Konfiguration der Messvorrichtung 20 des Ausführungsbeispiels kann flexibel in Übereinstimmung mit den Eigenschaften eines zu messenden Zielmerkmalspunkts, Verwendungen und Nutzungen und dergleichen modifiziert werden.
< Details >
Im Folgenden werden Sensordaten des Ausführungsbeispiels anhand konkreter Beispiele beschrieben. In jüngster Zeit sind Vorrichtungen entwickelt worden, die verschiedene Arten von Sensordaten beziehen. Darüber hinaus kann es selbst bei dem Beziehen derselben Art von Sensordaten eine Vielzahl von Systemen geben. Zu den vorstehend beschriebenen Sensordaten können Vitaldaten gehören, die die Lebenszeichen eines Subjekts bzw. einer Person anzeigen. Hier wird davon ausgegangen, dass die durch die Herztätigkeit eines Subjekts verursachte Spannungsänderung als elektrokardiografische Wellenform erfasst wird, als ein Beispiel der Vitaldaten.
Das System zum Beziehen einer elektrokardiographischen Wellenform kann beispielsweise ein System einer induktiven Drei-Punkt-Methode oder einer induktiven Methode sein, bei der eine Vielzahl von Elektroden direkt auf der Haut einer Person angebracht sind, so dass die Spannungsänderung mit den Elektroden aufgezeichnet wird. Mit einem solchen System ist es möglich, eine hochpräzise elektrokardiografische Kurvenform zu erfassen, die weniger durch Rauschen bzw. Störungen beeinträchtigt wird. Allerdings kann ein solches System häufig die Aktivitäten einer Person einschränken oder dazu führen, dass sich die Person belästigt fühlt, weil die Elektroden direkt auf der Haut angebracht sind.
Ferner kann ein weiteres System zur Erfassung einer elektrokardiographischen Kurvenform ein System sein, bei dem mit Elektroden, die an einer Vielzahl von Positionen vorgesehen sind, von denen angenommen wird, dass sie mit einer Person in Kontakt sind, eine Spannungsänderung aufgezeichnet wird, die bezogen wird, wenn die Person mit den Elektroden in Kontakt kommt. Ein solches System wird beispielsweise zum Beziehen einer elektrokardiographischen Wellenform einer Person verwendet, die eine Vorrichtung bedient. Bekannt ist beispielsweise ein Verfahren zum Beziehen eines Elektrokardiogramms eines Fahrers, der eine mobiles Vorrichtung wie ein Fahrzeug steuert, mit Hilfe von Elektroden, die an der Lenkung oder am Fahrersitz angebracht sind und mit denen der Fahrer vermutlich während der Fahrt in Kontakt kommt. Bei dieser Technik ist es nicht notwendig, Elektroden direkt auf der Haut des Fahrers anzubringen, wodurch eine elektrokardiografische Wellenform bezogen werden kann, ohne dass das Bewusstsein des Fahrers erforderlich ist. In einem solchen Fall treten jedoch leicht Störungen auf, die durch die Bewegung des Körpers des Fahrers beim Fahren, durch Vibrationen des Fahrzeugs usw. verursacht werden und die Genauigkeit der bezogenen elektrokardiografischen Kurvenform beeinträchtigen können.
Wie vorstehend beschrieben, hat jedes von mehreren Systemen zum Beziehen von Sensordaten einen Vorteil, während es einen Fall geben kann, in dem die Genauigkeit der bezogenen Sensordaten variiert. Daher wurde eine Technik zur Verbesserung der Erfassungsgenauigkeit von Sensordaten unter Ausnutzung der Vorteile eines bestimmten Systems gefordert.
Um den vorstehend beschriebenen Aspekt zu lösen, führt die Lerneinheit 110 des Ausführungsbeispiels ein Lernen mit der Verwendung der ersten Sensordaten, die durch das erste System als Lerndaten bezogen wurden, und von Lehrerdaten durch, die auf den zweiten Sensordaten basieren, die durch das zweite System in Synchronisation in der Zeitachse mit den ersten Sensordaten bezogen wurden, wobei das zweite System weniger durch Störungen bzw. Rauschen beeinflusst wird als das erste System. Auf diese Weise ist es möglich, den Einfluss von Störungen bzw. Rauschen aus den ersten Sensordaten effizient zu entfernen und eine Messung in Bezug auf einen Zielmerkmalspunkt mit hoher Genauigkeit durchzuführen.
Indessen gilt in einem Fall, in dem die zweiten Sensordaten, die dem Ende der Zeitdauer der ersten Sensordaten entsprechen, oder die zweiten Sensordaten, die nach deren Ende erfasst wurden, hier als Lehrerdaten verwendet werden, es schwierig ist, die Lerneinheit 110 in die Lage zu versetzen, die Informationen eines Datenübergangs nach solchen Lehrerdaten zu lernen, und dergleichen.
Im Hinblick auf den vorstehend beschriebenen Aspekt kann die Lerneinheit 110 des Ausführungsbeispiels als Lerndaten die ersten Sensordaten verwenden, die eine Zeitdauer haben, die einer Wiederholungssektion entspricht, die periodisch entlang des Zeitverlaufs beobachtet wird. Darüber hinaus kann die Lerneinheit 110 des Ausführungsbeispiels das Lernen unter Verwendung von Lehrerdaten durchführen, die auf den zweiten Sensordaten basieren, die zu einem Zeitpunkt erfasst wurden, zu dem eine spezifische Zeitperiode seit dem Startzeitpunkt der vorstehend beschriebenen Zeitdauer verstrichen ist. Dabei kann die vorstehend beschriebene spezifische Zeitperiode auf der Grundlage der Zeitdauer vom Startzeitpunkt der Wiederholungssektion bis zu einem Zeitpunkt festgelegt werden, zu dem das Auftreten eines Zielmerkmalspunkts erwartet wird. Auf diese Weise ist es möglich, das Lernen mit den Informationen vor und nach den Lehrerdaten durchzuführen und so ein hochpräzises gelerntes Modell zu erstellen.
Darüber hinaus kann die vorstehende beschriebene Wiederholungssektion mindestens einen weiteren Merkmalspunkt enthalten, der in Bezug auf das Aussehen eine Regelmäßigkeit in der Zeitachse mit einem Zielmerkmalspunkt aufweist. In diesem Fall ist es möglich, ein erlerntes Modell zu konstruieren, das eine genauere Messung in Bezug auf einen Zielmerkmalspunkt ermöglicht, indem die Regelmäßigkeit in der Zeitachse zwischen dem Zielmerkmalspunkt und einem weiteren Merkmalspunkt in der Wiederholungssektion gelernt wird.
Im Folgenden wird als Beispiel der Fall beschrieben, dass sowohl die ersten Sensordaten als auch die zweiten Sensordaten des Ausführungsbeispiels eine elektrokardiografische Kurvenform sind, die die Herzaktivität einer Person bzw. eines Subjekts aufzeichnet. Das heißt, die ersten Sensordaten des Ausführungsbeispiels können eine erste elektrokardiographische Kurvenform sein, die von einem Subjekt durch das erste System bezogen wird. Darüber hinaus kann es sich bei den zweiten Sensordaten um eine zweite elektrokardiografische Kurvenform handeln, die von demselben Subjekt durch das zweite System bezogen wurde.
Ferner kann in diesem Fall das vorstehend beschriebene erste System ein System zum Beziehen einer elektrokardiographischen Wellenform unter Verwendung von mindestens zwei Elektroden sein, von denen angenommen wird, dass sie sich in Kontakt mit einem Subjekt befinden, und das vorstehend beschriebene zweite System kann ein System zum Beziehen einer elektrokardiographischen Wellenform unter Verwendung von mindestens drei Elektroden sein, die direkt auf der Haut des Subjekts angebracht sind (z.B. induktive Dreipunktmethode).
Handelt es sich bei dem Subjekt beispielsweise um einen Fahrer, der einen beweglichen Körper wie ein Fahrzeug lenkt, können zwei Elektroden, die in dem vorstehend beschriebenen ersten System verwendet werden, an einem Sitz, auf dem das Subjekt sitzt, und an einer von dem Subjekt bedienten Vorrichtung (z.B. einer Lenkung) angebracht werden.
In der vorstehend beschriebenen Konfiguration ist es möglich, hochpräzise Daten zu erfassen, die durch die Beseitigung von Störungen bzw. Rauschen erzeugt werden, die durch die Bewegung des Körpers des Fahrers, durch Vibrationen des Fahrzeugs usw. entstehen, wobei die Vorteile des zweiten Systems erhalten bleiben, z.B. dass der Fahrer nicht gestört wird.
Hier werden die Merkmalspunkte (Merkmalswellenformen) einer allgemeinen elektrokardiographischen Wellenform beschrieben. 3 ist eine Darstellung, die ein Beispiel für eine allgemeine elektrokardiografische Wellenform in einem einzelnen Zyklus zeigt. Es sei angemerkt, dass in 3 die horizontale Achse den Zeitverlauf und die vertikale Achse eine Spannungsänderung anzeigt. Wie in 3 dargestellt, können in der allgemeinen elektrokardiographischen Wellenform eine Vielzahl von charakteristischen Formen beobachtet werden. Zu den Beispielen für die Merkmalswellenform gehören eine P-Welle, Q-Welle, R-Welle, S-Welle, QRS-Welle (gebildet aus einer Q-Welle, R-Welle und S-Welle), T-Welle, U-Welle und dergleichen. Darüber hinaus haben solche Merkmalswellenformen die Regelmäßigkeit, in der vorstehend beschriebenen Reihenfolge auf der Zeitachse aufzutreten.
Unter diesen ist beispielsweise die R-Welle eine wichtige Merkmalswellenform als Index der Herzschlagvariation (Fluktuation). Das Intervall zwischen einer R-Welle in einem Zyklus und einer R-Welle im folgenden Zyklus (RRI: R-R-Intervall) wird zur Berechnung eines Herzschlagzyklus verwendet. Es ist auch bekannt, dass eine Fluktuation im RRI aufgrund von Stress und Müdigkeit auftritt, und daher ist das RRI ein wirksamer physiologischer Index auch zur Feststellung einer körperlichen oder geistigen Belastung einer Person. Darüber hinaus gibt das Q-T-Intervall (QTI) zwischen einer Q-Welle und einer T-Welle in einem Zyklus beispielsweise die Zeit vom Beginn der ventrikulären Erregung bis zum Verschwinden der Erregung an und ist ein wichtiger physiologischer Index zur Erkennung eines unregelmäßigen Pulses oder dergleichen.
Auf diese Weise umfasst ein Zyklus der elektrokardiographischen Wellenform eine Vielzahl von Merkmalswellenformen, die für die Erfassung physiologischer Indizes nützlich sind. Daher kann beim Lernen gemäß diesem Ausführungsbeispiel der gesamte Zyklus als Wiederholungssektion festgelegt werden, und eine Merkmalswellenform in Übereinstimmung mit einem beliebigen zu erfassenden physiologischen Index kann als Merkmalspunkt festgelegt werden.
Indessen gilt, dass ein Zyklus einer elektrokardiographischen Wellenform eine Sektion umfasst, in der die für die Erfassung physiologischer Indizes nützlichen Merkmalswellenformen konzentriert sind. Wie in 3 dargestellt, können eine P-Welle, eine Q-Welle, eine R-Welle, eine S-Welle und eine T-Welle kontinuierlich in einer Zeitdauer von etwa 700 ms beobachtet werden. Aus diesem Grund kann beim Lernen gemäß diesem Ausführungsbeispiel der Abschnitt bzw. die Sektion vom Startzeitpunkt der P-Welle bis zum Endzeitpunkt der T-Welle als Wiederholungssektion festgelegt werden. Auf diese Weise ist es möglich, die Regelmäßigkeit auf der Zeitachse zwischen der P-Welle, der Q-Welle, der R-Welle, der S-Welle und der T-Welle in der Wiederholungssektion mit höherer Genauigkeit zu lernen.
Darüber hinaus kann in der vorstehend beschriebenen Wiederholungssektion die R-Welle beispielsweise zu einem Zeitpunkt von etwa 250 ms ab dem Startzeitpunkt der P-Welle beobachtet werden. Daher kann die Lerneinheit 110 des Ausführungsbeispiels in einem Fall, in dem die R-Welle als Zielmerkmalspunkt festgelegt ist, die auf die R-Welle bezogene Ausgabe unter Verwendung von Lehrerdaten lernen, die auf den zweiten Sensordaten basieren, die zu einem Zeitpunkt bezogen wurden, zu dem die Zeitperiode (250 ms) vom Startzeitpunkt der P-Welle bis zu einem Zeitpunkt, zu dem das Auftreten der R-Welle erwartet wird, seit dem Startzeitpunkt der auf die ersten Sensordaten bezogenen Zeitperiode (700 ms) verstrichen ist.
4 ist eine Darstellung, die ein Korrespondenzbeispiel zwischen Lerndaten und Lehrerdaten gemäß dem Ausführungsbeispiel zeigt. 4 zeigt in dem oberen Abschnitt die ersten Sensordaten (erste elektrokardiographische Wellenform), die von einem Subjekt bezogen werden. 4 zeigt außerdem in dem unteren Abschnitt die zweiten Sensordaten (zweite elektrokardiographische Wellenform), die von demselben Subjekt im selben Zeitraum wie der Erfassungszeitraum der ersten Sensordaten bezogen werden.
In diesem Fall kann die Lerneinheit 110 beispielsweise das Lernen unter Verwendung der ersten Sensordaten, die in der Zeitdauer d1 erfasst wurden, die dem Abschnitt von 700 ms vom Startzeitpunkt der P-Welle bis zum Endzeitpunkt der T-Welle entspricht, als Lerndaten der ersten Sequenz, und der zweiten Sensordaten, die zum Zeitpunkt t1 erfasst wurden, wenn 250 ms seit dem Startzeitpunkt der Zeitdauer d1 verstrichen sind, als Lehrerdaten durchführen.
In ähnlicher Weise kann die Lerneinheit 110 das Lernen unter Verwendung der ersten Sensordaten, die in der Zeitdauer d2 erfasst wurden, als Lerndaten der zweiten Sequenz, und der zweiten Sensordaten, die zum Zeitpunkt t2 erfasst wurden, wenn 250 ms seit dem Startzeitpunkt der Zeitdauer d2 verstrichen sind, als Lehrerdaten durchführen.
Des Weiteren kann die Lerneinheit 110 in ähnlicher Weise ein Lernen unter Verwendung der ersten Sensordaten, die in der Zeitdauer d3 erfasst wurden, als Lerndaten der dritten Sequenz, und der zweiten Sensordaten, die zum Zeitpunkt t3 erfasst wurden, wenn 250 ms seit dem Startzeitpunkt der Zeitdauer d3 verstrichen sind, als Lehrerdaten durchführen.
In dem vorstehend beschriebenen Datensatz ist es möglich, die Regelmäßigkeit in der Zeitachse zwischen der R-Welle und anderen Merkmalswellenformen, die in der Wiederholungsperiode enthalten sind, effektiv zu lernen. Darüber hinaus kann die Messeinheit 220 des Ausführungsbeispiels die Messung in Bezug auf die R-Welle mit hoher Genauigkeit unter Verwendung eines gelernten Modells durchführen, das durch Lernen mit dem vorstehend beschriebenen Datensatz erstellt wurde. 5 ist eine Darstellung, die ein Bild der Messung eines Zielmerkmalspunktes durch die Messeinheit 220 des Ausführungsbeispiels zeigt.
Wie in 5 dargestellt, gibt die Messeinheit 220 des Ausführungsbeispiels die ersten Sensordaten (erste elektrokardiographische Wellenform) in das gelernte Modell ein, das unter Verwendung des in 4 dargestellten Datensatzes konstruiert wurde, wodurch es möglich ist, die dritten Sensordaten (dritte elektrokardiographische Wellenform) auszugeben, die durch Entfernen von Rauschen bzw. Störungen aus den ersten Sensordaten erzeugt wurden. Auf diese Weise kann selbst in einem Fall, in dem es aufgrund von Rauschen bzw. Störungen schwierig ist, die R-Welle direkt aus den ersten Sensordaten zu messen, die R-Welle mit hoher Genauigkeit auf der Grundlage der dritten Sensordaten gemessen werden.
Ferner wurde oben der Fall beschrieben, dass die Lerneinheit 110 das Lernen unter Verwendung der zweiten Sensordaten selbst (z.B. ein Spannungswert der zweiten elektrokardiographischen Wellenform) als Lehrerdaten durchführt. Die Lerneinheit 110 des Ausführungsbeispiels kann jedoch die Ausgabe in Bezug auf die Vorhandenseinswahrscheinlichkeit eines Zielmerkmalspunkts in den ersten Sensordaten unter Verwendung von Vorhandenseinswahrscheinlichkeitsdaten, die die Vorhandenseinswahrscheinlichkeit des Zielmerkmalspunkts in den zweiten Sensordaten anzeigen, als Lehrerdaten lernen.
Im Falle des in 4 dargestellten Beispiels führt die Lerneinheit 110 beispielsweise ein Lernen in Bezug auf die ersten Sensordaten (Lerndaten) durch, die in der Zeitdauer d1 erfasst wurden, und zwar unter Verwendung der Vorhandenseinswahrscheinlichkeitsdaten einer R-Welle, die auf der Grundlage der zweiten Sensordaten, die zum Zeitpunkt t1 erfasst wurden, als Lehrerdaten. Wenn die Vorhandenseinswahrscheinlichkeitsdaten die Vorhandenseinswahrscheinlichkeit der R-Welle durch zwei Werte von 0 (nicht vorhanden) oder 1 (vorhanden) darstellen, ist die Vorhandenseinswahrscheinlichkeitsdaten der R-Welle zum Zeitpunkt t1 1, weil die R-Welle zum Zeitpunkt t1 vorhanden ist. Andererseits ist die R-Welle zum Zeitpunkt t2 und zum Zeitpunkt t3 nicht vorhanden. Daher ist die Vorhandenseinswahrscheinlichkeit der R-Welle zum Zeitpunkt t2 und zum Zeitpunkt t3 gleich 0.
In einem Fall, in dem das Lernen unter Verwendung der vorstehend beschriebenen Vorhandenseinswahrscheinlichkeitsdaten als Lehrerdaten durchgeführt wird, gibt die Messeinheit 220 des Ausführungsbeispiels die ersten Sensordaten (erste elektrokardiographische Wellenform) in das gelernte Modell ein, wodurch es möglich ist, die Vorhandenseinswahrscheinlichkeitsdaten der R-Welle direkt auszugeben, wie in 6 dargestellt. Auf diese Weise können beim Lernen gemäß dem Ausführungsbeispiel die Lehrerdaten in Übereinstimmung mit dem von der Messeinheit 220 auszugebenden Datenformat verwendet werden. Es sei angemerkt, dass, obwohl oben der Fall beschrieben wurde, in dem die Vorhandenseinswahrscheinlichkeitsdaten aus zwei Werten von 0 oder 1 bestehen, die Vorhandenseinswahrscheinlichkeitsdaten aus drei oder mehr Werten bestehen können.
Hier wird ein Ergebnis der Verifikation der Genauigkeit der R-Wellen-Erkennung unter Verwendung des gelernten Modells, das durch das Lernen gemäß dem Ausführungsbeispiel erstellt wurde, gezeigt. 7 ist eine Darstellung, die die Genauigkeit der R-Wellen-Erkennung unter Verwendung des gelernten Modells des Ausführungsbeispiels zeigt. Es sei angemerkt, dass 7 die Genauigkeit der R-Wellen-Erkennung unter Verwendung der gelernten Modelle zeigt, die individuell mit der Zeitdauer der Lerndaten (erste Sensordaten) auf 500 ms, 600 ms, 700 ms und 800 ms eingestellt sind. Man beachte, dass in jedem der Fälle das Lernen unter Verwendung von Lehrerdaten durchgeführt wurde, die auf den zweiten Sensordaten basieren, die zu dem Zeitpunkt erfasst wurden, als 250 ms seit dem Startzeitpunkt der auf die Lerndaten bezogenen Zeitdauer verstrichen sind.
Wie in 7 dargestellt, konnte das gelernte Modell, das durch das Lernen unter Verwendung der Lerndaten von 700 ms erstellt wurde, eine R-Welle mit höchster Genauigkeit erkennen. Ein solches Verifizierungsergebnis zeigt, dass ein effektiveres Lernen durchgeführt wird, indem die Zeitdauer der Lerndaten in Übereinstimmung mit der Regelmäßigkeit auf der Zeitachse zwischen einem Zielmerkmalspunkt und anderen Merkmalspunkten festgelegt wird.
Die Festlegung der Zeitdauer auf 700 ms ist lediglich ein Beispiel. Es wird davon ausgegangen, dass die optimale Zeitdauer der Lerndaten auf der Grundlage der statistischen Merkmale der ersten Sensordaten, die als Lerndaten verwendet werden, variiert wird. Wenn beispielsweise der Durchschnitt der Zeitdauer zwischen dem Startzeitpunkt der P-Welle und dem Endzeitpunkt der T-Welle in den ersten Sensordaten, die unter bestimmten Bedingungen erfasst wurden, 650 ms beträgt, kann die Zeitdauer der Lerndaten auf 650 ms festgelegt werden. Das Gleiche gilt für die Zeitdauer der Lehrerdaten. Wenn beispielsweise der Durchschnitt der Zeitdauer zwischen dem Startzeitpunkt der P-Welle und dem Endzeitpunkt der R-Welle in den erfassten ersten Sensordaten und zweiten Sensordaten 300 ms beträgt, können Lehrerdaten verwendet werden, die auf den zweiten Sensordaten basieren, die zu einem Zeitpunkt erfasst wurden, an dem 300 ms seit dem Startzeitpunkt der Zeitdauer für die Lerndaten verstrichen sind.
< Ablauf der Lernphase und der Messphase >
Im Folgenden werden die Abläufe der Lernphase zum Lernen mit der Lernvorrichtung 10 und der Messphase zum Messen mit der Messvorrichtung 20 gemäß dem Ausführungsbeispiel beschrieben. 8 ist ein Flussdiagramm, das den Ablauf der Lernphase gemäß dem Ausführungsbeispiel veranschaulicht.
Wie in 8 dargestellt, werden in der Lernphase des Ausführungsbeispiels zunächst die ersten Sensordaten und die zweiten Sensordaten bezogen (S102). Hier können die ersten Sensordaten und die zweiten Sensordaten zusammen mit den Informationen von Zeitstempeln und dergleichen erfasst werden, so dass die Synchronisation auf der Zeitachse möglich ist. Darüber hinaus können die ersten Sensordaten und die zweiten Sensordaten von einem von der Lernvorrichtung 10 getrennten Vorrichtung erfasst werden. Die bezogenen ersten Sensordaten und zweiten Sensordaten werden in der Speichereinheit 120 der Lernvorrichtung 10 gespeichert.
Als nächstes werden die ersten Sensordaten und die zweiten Sensordaten verarbeitet, falls erforderlich (S104). Zum Beispiel kann in einem Fall, in dem die Vorhandenseinswahrscheinlichkeitsdaten, die sich auf einen Zielmerkmalspunkt beziehen, als Lehrerdaten verwendet werden, die Verarbeitung der Konvertierung der zweiten Sensordaten, die in Schritt S102 erfasst wurden, in Vorhandenseinswahrscheinlichkeitsdaten in Schritt S104 durchgeführt werden. Darüber hinaus können verschiedene Arten der Filterverarbeitung zur Verringerung von Rauschen bzw. Störungen in den ersten Sensordaten und den zweiten Sensordaten oder dergleichen durchgeführt werden. Es sei angemerkt, dass die vorstehend beschriebene Verarbeitung durch eine von der Lernvorrichtung 10 getrennte Vorrichtung durchgeführt werden kann.
Als nächstes führt die Lerneinheit 110 ein Lernen unter Verwendung der ersten Sensordaten mit einer der Wiederholungssektion entsprechenden Zeitdauer als Lerndaten und der auf den zweiten Sensordaten basierenden Lehrerdaten durch, die zu einem Zeitpunkt bezogen wurden, an dem eine spezifische Zeitperiode seit dem Startzeitpunkt der vorstehend beschriebenen Zeitdauer verstrichen ist (S106). Hier kann die Lerneinheit 110 die zweiten Sensordaten selbst (oder die zweiten Sensordaten, die einer Filterverarbeitung unterzogen wurden) als Lehrerdaten verwenden, oder die in Schritt S104 erzeugten Vorhandenseinswahrscheinlichkeitsdaten als Lehrerdaten.
Vorstehend wurde der Ablauf der Lernphase gemäß dem Ausführungsbeispiel beschrieben. Im Folgenden wird der Ablauf der Messphase gemäß dem Ausführungsbeispiel beschrieben. 9 ist ein Flussdiagramm, das den Ablauf der Messphase gemäß dem Ausführungsbeispiel veranschaulicht.
Wie in 9 dargestellt, erfasst die Bezugseinheit 210 in der Messphase des Ausführungsbeispiels zunächst die ersten Sensordaten durch das erste System (S202). Die Bezugseinheit 210 kann als erste Sensordaten eine elektrokardiografische Wellenform eines Fahrers erfassen, indem sie eine Vielzahl von Elektroden verwendet, die z.B. an einer Lenkung und einem Sitz eines Fahrzeugs angeordnet sind.
Als nächstes gibt die Messeinheit 220 die in Schritt S202 bezogenen ersten Sensordaten in ein erlerntes Modell ein und führt eine Messung in Bezug auf den in den ersten Sensordaten enthaltenen Zielmerkmalspunkt durch (S204). In einem Fall, in dem das Lernen mit der Verwendung der zweiten Sensordaten als Lehrerdaten in der Lernphase durchgeführt wird, gibt die Messeinheit 220 die dritten Sensordaten aus, die durch Entfernen von Rauschen bzw. Störungen aus den ersten Sensordaten erzeugt werden, und misst den Zielmerkmalspunkt. Währenddessen gibt die Messeinheit 220 in einem Fall, in dem das Lernen mit der Verwendung der Vorhandenseinswahrscheinlichkeitsdaten als Lehrerdaten in der Lernphase durchgeführt wird, Vorhandenseinswahrscheinlichkeitsdaten aus, die die Vorhandenseinswahrscheinlichkeit des Zielmerkmalspunkts anzeigen, und misst den Zielmerkmalspunkt.
Als Nächstes werden, falls erforderlich, verschiedene Arten von Aktionen auf der Grundlage des in Schritt S204 gemessenen Zielmerkmalspunkts durchgeführt (S206). Zum Beispiel kann in einem Fall, in dem der Zielmerkmalspunkt eine R-Welle ist, die vorstehend beschriebene Aktion eine Benachrichtigung sein, die auf einem RRI oder ähnlichem basiert. Die vorstehend beschriebene Aktion kann von einer anderen Vorrichtung als der Messvorrichtung 20 durchgeführt werden.
< Ergänzung >
Vorstehend wurden bevorzugte Ausführungsbeispiele der vorliegenden Erfindung unter Bezugnahme auf die beigefügten Zeichnungen detailliert beschrieben, aber die vorliegende Erfindung ist darauf nicht beschränkt. Es liegt auf der Hand, dass der Fachmann im Rahmen der in den Ansprüchen definierten technischen Ideen zu verschiedenen Änderungen und Modifikationen gelangen kann, und es sollte selbstverständlich sein, dass solche Änderungen und Modifikationen auch vom technischen Anwendungsbereich der vorliegenden Erfindung umfasst sind.
Zum Beispiel hat das vorstehend beschriebene Ausführungsbeispiel als Hauptbeispiel den Fall beschrieben, in dem die Lerneinheit 110 die Messung der Herzaktivität eines Subjekts erlernt. Das von der Lerneinheit 110 zu erlernende Objekt ist jedoch nicht auf die Messung von Vitaldaten wie vorstehend beschrieben beschränkt. Die Lerneinheit 110 ist auch in der Lage, verschiedene Arten von Daten zu messen, die z.B. den Betriebszustand einer beliebigen Vorrichtung anzeigen.
Darüber hinaus hat das vorstehend beschriebene Ausführungsbeispiel als erstes System zur Erfassung einer elektrokardiographischen Wellenform das System veranschaulicht, bei dem Elektroden an Positionen angeordnet sind, die vermutlich in Kontakt mit einem Subjekt stehen, und hat als zweites System das System veranschaulicht, bei dem Elektroden direkt auf der Haut eines Subjekts angebracht sind. Das erste System und das zweite System in der vorliegenden Technologie können jedoch beliebig unterschiedliche Systeme sein, die sich in ihrer Anfälligkeit für Störeinflüsse voneinander unterscheiden. Im Falle der Erfassung des Herzschlags kann das erste System beispielsweise ein berührungsloses System mit einem Dopplersensor sein. In diesem Fall kann das zweite System ein beliebiges System sein, das weniger von Störungen beeinflusst wird als ein solches berührungsloses System. Beispielsweise kann das zweite System in einem solchen Fall das vorstehend beschriebene Kontaktsystem sein, bei dem Elektroden auf der Haut einer Person angebracht werden. Auf diese Weise ist das erste System der vorliegenden Technik nicht auf das in den vorstehend beschriebenen Ausführungsbeispielen beschriebene System beschränkt und kann entsprechend ausgewählt werden. Darüber hinaus kann in einem Fall, in dem das Kontaktsystem zur Erfassung einer elektrokardiographischen Wellenform unter Verwendung von mindestens zwei Elektroden, von denen angenommen wird, dass sie sich in Kontakt mit einem Probanden befinden, weniger durch Störungen beeinträchtigt wird als das berührungslose System unter Verwendung eines Dopplersensors oder dergleichen, das berührungslose System das erste System und das Kontaktsystem das zweite System sein.
Eine Abfolge von Verarbeitungen durch die in dieser Spezifikation beschriebenen Vorrichtungen kann durch Software, Hardware oder die Kombination von Software und Hardware erreicht werden. Ein Programm, das die Software bildet, wird zunächst beispielsweise in einem Aufzeichnungsmedium (nichttransitorisches Medium) gespeichert, das sich innerhalb oder außerhalb jeder Vorrichtung befindet. Dann wird jedes Programm in einem Direktzugriffspeicher (RAM) gelesen, wenn es von einem Computer ausgeführt wird, und von einem Prozessor, wie z.B. einer zentralen Verarbeitungseinheit (CPU), ausgeführt. Das vorstehend beschriebene Aufzeichnungsmedium ist zum Beispiel eine Magnetdiskette, eine optische Diskette, eine magneto-optische Diskette, ein Flash-Speicher oder ähnliches. Darüber hinaus kann das vorstehend beschriebene Computerprogramm z.B. über ein Netzwerk verteilt werden, ohne dass ein Aufzeichnungsmedium verwendet wird.
Bezugszeichenliste

10: Lernvorrichtung
110: Lerneinheit
120: Speichereinheit
20: Messvorrichtung
210: Bezugseinheit
220: Messeinheit

ZITATE ENTHALTEN IN DER BESCHREIBUNG
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
Zitierte Patentliteratur

JP 2001325582 A [0003]

Claims

Lernvorrichtung, mit: einer Lerneinheit, die eine Ausgabe bezüglich eines Zielmerkmalspunkt, der in einer Wiederholungssektion zu beobachten ist, die periodisch über einen Zeitverlauf beobachtet wird, lernt, unter Verwendung von ersten Sensordaten, die durch ein erstes System bezogen werden und eine Zeitdauer entsprechend der Wiederholungssektion aufweisen, als Lerndaten, und von Lehrerdaten basierend auf zweiten Sensordaten, die durch ein zweites System zu einem Zeitpunkt bezogen werden, zu dem eine spezifische Zeitperiode seit einem Startzeitpunkt der auf die ersten Sensordaten bezogenen Zeitdauer verstrichen ist, wobei das zweite System weniger von Störungen beeinflusst wird als das erste System, wobei die spezifische Zeitperiode auf der Grundlage einer Zeitdauer von einem Startzeitpunkt der Wiederholungssektion bis zu einem Zeitpunkt, zu dem ein Erscheinen des Zielmerkmalspunkts erwartet wird, eingestellt wird.
Lernvorrichtung gemäß Anspruch 1, wobei die Wiederholungssektion mindestens einen weiteren Merkmalspunkt umfasst, der eine Regelmäßigkeit bezüglich des Auftretens des weiteren Merkmalspunkts auf einer Zeitachse mit dem Zielmerkmalspunkt aufweist.
Lernvorrichtung gemäß Anspruch 1 oder 2, wobei die ersten Sensordaten und die zweiten Sensordaten elektrokardiographische Wellenformen sind, die eine Herzaktivität eines Subjekts aufzeichnen.
Lernvorrichtung gemäß Anspruch 3, wobei die Wiederholungssektion eine Sektion von einem Startzeitpunkt einer P-Welle bis zu einem Endzeitpunkt einer T-Welle ist.
Lernvorrichtung gemäß Anspruch 4, wobei der Zielmerkmalspunkt eine R-Welle ist, und die Lerneinheit eine Ausgabe bezüglich einer R-Welle unter Verwendung von Lehrerdaten basierend auf den zweiten Sensordaten, die zu einem Zeitpunkt bezogen werden, wenn eine Zeitdauer von einem Startzeitpunkt einer P-Welle bis zu einem Zeitpunkt, zu dem das Erscheinen einer R-Welle erwartet wird, seit einem Startzeitpunkt der Zeitdauer bezüglich der ersten Sensordaten verstrichen ist, lernt.
Lernvorrichtung gemäß Anspruch 5, wobei die Lerneinheit eine Ausgabe bezüglich einer Vorhandenseinswahrscheinlichkeit einer R-Welle in den ersten Sensordaten lernt, unter Verwendung von Vorhandenseinswahrscheinlichkeitsdaten, die eine Vorhandenseinswahrscheinlichkeit einer R-Welle in den zweiten Sensordaten anzeigen, als Lehrerdaten.
Lernvorrichtung gemäß einem der Ansprüche 3 bis 6, wobei das erste System ein System zum Beziehen einer elektrokardiographischen Wellenform unter Verwendung von mindestens zwei Elektroden, von denen angenommen wird, dass sich diese in Kontakt mit dem Subjekt befinden, ist, und das zweite System ein System zum Beziehen einer elektrokardiographischen Wellenform unter Verwendung von mindestens drei auf der Haut des Subjekts angebrachten Elektroden ist.
Lernvorrichtung gemäß einem der Ansprüche 3 bis 7, wobei das Subjekt ein Fahrer ist, der einen mobiles Körper fährt.
Lernverfahren, mit: Lernen einer Ausgabe bezüglich eines Zielmerkmalspunkt, der in einer Wiederholungssektion zu beobachten ist, die periodisch über einen Zeitverlauf beobachtet wird, lernt, unter Verwendung von ersten Sensordaten, die durch ein erstes System bezogen werden und eine Zeitdauer entsprechend der Wiederholungssektion aufweisen, als Lerndaten, und von Lehrerdaten basierend auf zweiten Sensordaten, die durch ein zweites System zu einem Zeitpunkt bezogen werden, zu dem eine spezifische Zeitperiode seit einem Startzeitpunkt der auf die ersten Sensordaten bezogenen Zeitdauer verstrichen ist, wobei das zweite System weniger von Störungen beeinflusst wird als das erste System, wobei die spezifische Zeitperiode auf der Grundlage einer Zeitdauer von einem Startzeitpunkt der Wiederholungssektion bis zu einem Zeitpunkt, zu dem ein Erscheinen des Zielmerkmalspunkts erwartet wird, eingestellt wird.
Messvorrichtung, mit: einer Messeinheit, die eine Messung bezüglich einem in ersten Sensordaten zu beobachtenden Zielmerkmalspunkt durchführt, mit den durch ein erstes System erfassten ersten Sensordaten als Eingabe, wobei die Messeinheit eine Messung bezüglich des Zielmerkmalspunkts unter Verwendung eines gelernten Modells durchführt, das durch Lernen einer Ausgabe bezüglich eines Zielmerkmalspunkt, der in einer Wiederholungssektion zu beobachten ist, die periodisch über einen Zeitverlauf beobachtet wird, lernt, unter Verwendung von ersten Sensordaten, die durch ein erstes System bezogen werden und eine Zeitdauer entsprechend der Wiederholungssektion aufweisen, als Lerndaten, und von Lehrerdaten basierend auf zweiten Sensordaten, die durch ein zweites System zu einem Zeitpunkt bezogen werden, zu dem eine spezifische Zeitperiode seit einem Startzeitpunkt der auf die ersten Sensordaten bezogenen Zeitdauer verstrichen ist, wobei das zweite System weniger von Störungen beeinflusst wird als das erste System, und die spezifische Zeitperiode auf der Grundlage einer Zeitdauer von einem Startzeitpunkt der Wiederholungssektion bis zu einem Zeitpunkt, zu dem ein Erscheinen des Zielmerkmalspunkts erwartet wird, eingestellt wird.