DE112021002427T5

DE112021002427T5 - Lernvorrichtung, Lernverfahren und Messvorrichtung

Info

Publication number: DE112021002427T5
Application number: DE112021002427.2T
Authority: DE
Inventors: Tetsuya Hirota; Daisuke Kawamura; Ryugo Fujita
Original assignee: Tokai Rika Co Ltd
Current assignee: Tokai Rika Co Ltd
Priority date: 2020-04-20
Filing date: 2021-02-04
Publication date: 2023-02-23
Also published as: WO2021215070A1; JP2021174046A; US20230153684A1; JP7479909B2

Abstract

Es ist ein Ziel, Vitaldaten, die durch Rauschen weniger beeinträchtigt sind, effizienter zu erfassen. Dazu wird eine Lernvorrichtung bereitgestellt, mit einer Lerneinheit, die Lernen in Bezug auf eine Ausgabe von Vitaldaten, die Vitalzeichen eines Probanden bezeichnen, durch Verwendung von ersten Sensordaten, die von dem Probanden über ein erstes Verfahren erfasst werden, als Lerndaten und Verwendung von Trainingsdaten basierend auf zweiten Sensordaten durchführt, die von dem Probanden in dem gleichen Zeitraum wie einem Zeitraum einer Erfassung der ersten Sensordaten über ein zweites Verfahren erfasst werden, das durch Rauschen weniger beeinträchtigt ist als das erste Verfahren, wobei die Lerneinheit Lernen ferner auf Grundlage von dritten Sensordaten durchführt, die in dem gleichen Zeitraum wie dem Zeitraum einer Erfassung der ersten Sensordaten und der zweiten Sensordaten erfasst werden und als Index verfügbar sind, der eine Größe eines Einflusses des Rauschens bezeichnet, das in den ersten Sensordaten vorkommt.

Description

Technisches Gebiet
Die vorliegende Erfindung bezieht sich auf eine Lernvorrichtung, ein Lernverfahren und eine Messvorrichtung.
Hintergrundtechnik
In den letzten Jahren wurden verschiedene Vorrichtungen entwickelt, die Vitaldaten von Probanden erfassen. Zum Beispiel offenbart Patentdruckschrift 1 eine Technik zum Messen einer elektrokardiographischen Wellen- bzw. Verlaufsform eines Probanden unter Verwendung von Elektroden, die an einem Sitz und einem Lenkrad eines beweglichen Objekts bereitgestellt sind. Gemäß dieser Technik ist es möglich, die Belastung auf den Probanden zu reduzieren, die mit der Erfassung der elektrokardiographischen Wellen- bzw. Verlaufsform einhergeht.
Literaturverzeichnis
Patentliteratur
Patentdruckschrift 1: JP 2009-142575 A
Kurzfassung der Erfindung
Technisches Problem
In der in Patentdruckschrift 1 beschriebenen Technik ist es jedoch wahrscheinlich, dass aufgrund einer Vibration eines beweglichen Objekts, einer Körperbewegung eines Probanden oder dergleichen ein Rauschen bzw. eine Störung auftritt, und besteht daher die Möglichkeit einer Verringerung der Genauigkeit einer Erfassung einer elektrokardiographischen Wellen- bzw. Verlaufsform.
Demzufolge wurde die vorliegende Erfindung in Anbetracht des vorgenannten Problems ersonnen, und besteht eine Aufgabe der vorliegenden Erfindung darin, einen Mechanismus bereitzustellen, der es möglich macht, Vitaldaten, die durch Rauschen bzw. Störung weniger beeinträchtigt sind, effizienter zu erfassen.
Problemlösung
Um das vorgenannte Problem zu lösen, wird gemäß einem gewissen Aspekt der vorliegenden Erfindung eine Lernvorrichtung bereitgestellt, mit einer Lerneinheit, die Lernen in Bezug auf eine Ausgabe von Vitaldaten, die Vital- bzw. Lebenszeichen eines Probanden bezeichnen, durch Verwendung von ersten Sensordaten, die von dem Probanden über ein erstes Verfahren erfasst werden, als Lerndaten und Verwendung von Trainingsdaten basierend auf zweiten Sensordaten, die von dem Probanden in dem gleichen Zeitraum wie einem Zeitraum einer Erfassung der ersten Sensordaten über ein zweites Verfahren erfasst werden, das durch Rauschen bzw. Störung weniger beeinträchtigt wird/ist als das erste Verfahren, wobei die Lerneinheit Lernen ferner auf Grundlage von dritten Sensordaten durchführt, die in dem gleichen Zeitraum wie dem Zeitraum einer Erfassung der ersten Sensordaten und der zweiten Sensordaten erfasst werden und als ein Index bzw. eine Kennzahl/-ziffer verfügbar sind, der bzw. die eine Größe eines Einflusses des Rauschens bzw. der Störung bezeichnet, das bzw. die in den ersten Sensordaten vorkommt bzw. auftritt.
Zusätzlich wird, um das vorgenannte Problem zu lösen, gemäß einem weiteren Aspekt der vorliegenden Erfindung ein Lernverfahren bereitgestellt, mit Durchführen von Lernen in Bezug auf eine Ausgabe von Vitaldaten, die Vital-bzw. Lebenszeichen eines Probanden bezeichnen, durch Verwendung von ersten Sensordaten, die von dem Probanden über ein erstes Verfahren erfasst werden, als Lerndaten und Verwendung von Trainingsdaten basierend auf zweiten Sensordaten, die von dem Probanden in dem gleichen Zeitraum wie einem Zeitraum einer Erfassung der ersten Sensordaten über ein zweites Verfahren erfasst werden, das durch Rauschen bzw. Störung weniger beeinträchtigt wird/ist als das erste Verfahren, wobei das Lernen zusätzlich Durchführen von Lernen ferner auf Grundlage von dritten Sensordaten umfasst, die in dem gleichen Zeitraum wie dem Zeitraum einer Erfassung der ersten Sensordaten und der zweiten Sensordaten erfasst werden und als ein Index bzw. eine Kennzahl/-ziffer verfügbar sind, der bzw. die eine Größe eines Einflusses des Rauschens bzw. der Störung bezeichnet, das bzw. die in den ersten Sensordaten vorkommt bzw. auftritt.
Zusätzlich wird, um das vorgenannte Problem zu lösen, gemäß einem weiteren Aspekt der vorliegenden Erfindung eine Messvorrichtung bereitgestellt, mit einer Messeinheit, die Vitaldaten, die Vital- bzw. Lebenszeichen eines Probanden bezeichnen, unter Verwendung von ersten Sensordaten, die von dem Probanden über ein erstes Verfahren erfasst werden, als Eingabe ausgibt, wobei die Messeinheit die Vitaldaten ausgibt durch Verwendung der ersten Sensordaten als Lerndaten, Verwendung von Trainingsdaten basierend auf zweiten Sensordaten, die von dem Probanden in dem gleichen Zeitraum wie einem Zeitraum einer Erfassung der ersten Sensordaten über ein zweites Verfahren erfasst werden, das durch Rauschen bzw. Störung weniger beeinträchtigt wird/ist als das erste Verfahren, und Verwendung eines trainierten Modells, das Lernen in Bezug auf eine Ausgabe der Vitaldaten ferner auf Grundlage von dritten Sensordaten durchgeführt hat, die in dem gleichen Zeitraum wie dem Zeitraum einer Erfassung der ersten Sensordaten und der zweiten Sensordaten erfasst werden und als ein Index bzw. eine Kennzahl/-ziffer verfügbar sind, der bzw. die eine Größe eines Einflusses des Rauschens bzw. der Störung bezeichnet, das bzw. die in den ersten Sensordaten vorkommt bzw. auftritt.
Vorteilhafte Wirkungen der Erfindung
Wie es vorstehend beschrieben ist, ist es gemäß der vorliegenden Erfindung möglich, einen Mechanismus bereitzustellen, der es möglich macht, Vitaldaten, die durch Rauschen bzw. Störung weniger beeinträchtigt sind, effizienter zu erfassen.
Figurenliste

1 ist eine Darstellung, die ein Funktionskonfigurationsbeispiel einer Lernvorrichtung 10 gemäß einem Ausführungsbeispiel der vorliegenden Erfindung veranschaulicht.
2 ist eine Darstellung, die ein Funktionskonfigurationsbeispiel einer Messvorrichtung 20 gemäß dem gleichen Ausführungsbeispiel veranschaulicht.
3 ist eine Darstellung, die ein Beispiel einer allgemeinen elektrokardiographischen Wellenform in einem Zeitraum veranschaulicht.
4 ist eine Darstellung, die ein Beispiel von Lerndaten und Trainingsdaten gemäß einem Ausführungsbeispiel der vorliegenden Erfindung veranschaulicht.
5 ist eine Darstellung, die ein Beispiel von Eingabe und Ausgabe einer Messeinheit 220 gemäß dem gleichen Ausführungsbeispiel veranschaulicht.
6 ist eine Darstellung, die ein Beispiel von Eingabe und Ausgabe der Messeinheit 220 gemäß dem gleichen Ausführungsbeispiel veranschaulicht.
7 ist eine Darstellung zur Erläuterung eines Beispiels eines Falls, in dem sich die Genauigkeit von auszugebenden Vitaldaten aufgrund des Einflusses von in ersten Sensordaten enthaltenem Rauschen verringert, gemäß dem gleichen Ausführungsbeispiel.
8 ist eine Darstellung zur Erläuterung eines Lernens basierend auf dritten Sensordaten gemäß dem gleichen Ausführungsbeispiel.
9 ist ein Ablaufdiagramm, das einen Ablauf einer Lernphase gemäß dem gleichen Ausführungsbeispiel veranschaulicht.
10 ist ein Ablaufdiagramm, das einen Ablauf einer Messphase gemäß dem gleichen Ausführungsbeispiel veranschaulicht.

Beschreibung von Ausführungsbeispielen
Nachstehend werden hierin bevorzugte Ausführungsbeispiele der vorliegenden Erfindung unter Bezugnahme auf die begleitenden Zeichnungen ausführlich beschrieben. Es sollte beachtet werden, dass in dieser Schrift und den begleitenden Zeichnungen Komponenten, die im Wesentlichen die gleichen funktionalen Konfigurationen aufweisen, mit den gleichen Bezugszeichen bezeichnet sind, und eine wiederholte Erläuterung von diesen wird ausgelassen.
< Konfigurationsbeispiel >
(Lernvorrichtung 10)
Eine Lernvorrichtung 10 gemäß dem vorliegenden Ausführungsbeispiel kann eine Vorrichtung sein, die überwachtes Lernen unter Verwendung von zumindest der gleichen Art von Sensordaten, die in dem gleichen Zeitraum bzw. der gleichen Periode über zwei unterschiedliche Verfahren erfasst werden, als Eingabe durchführt. Hier bezieht sich der Begriff „überwachtes Lernen“ auf ein Verfahren des Vermittelns bzw. Übergebens eines Satzes von eingegebenen Daten (Lerndaten) und korrekten Daten (Trainingsdaten) für die eingegebenen Daten an einen Computer und des Veranlassens des Computers zum Er-/Lernen einer Entsprechung zwischen den beiden. 1 ist eine Darstellung, die ein Funktionskonfigurationsbeispiel der Lernvorrichtung 10 gemäß dem vorliegenden Ausführungsbeispiel veranschaulicht. Wie es in 1 gezeigt ist, kann die Lernvorrichtung 10 gemäß dem vorliegenden Ausführungsbeispiel eine Lerneinheit 110 und eine Speichereinheit 120 umfassen. Indessen wird hierin nachstehend als Beispiel ein Fall beschrieben, in dem die Lernvorrichtung 10 Lernen in Bezug auf eine Ausgabe von Vitaldaten durchführt, die Vital- bzw. Lebenszeichen eines Probanden bzw. einer Testperson bezeichnen.
Die Lerneinheit 110 gemäß dem vorliegenden Ausführungsbeispiel kann Lernen in Bezug auf eine Ausgabe von Vitaldaten zum Beispiel durch Verwendung von ersten Sensordaten, die von einem Probanden über ein erstes Verfahren erfasst werden, als Lerndaten und Verwendung von zweiten Sensordaten, die von dem Probanden in dem gleichen Zeitraum wie dem Zeitraum einer Erfassung der ersten Sensordaten über ein zweites Verfahren erfasst werden, das durch Rauschen weniger beeinträchtigt wird/ist als das erste Verfahren, als Trainingsdaten durchführen. Gemäß einer solchen Konfiguration ist es möglich, ein trainiertes Modell zu erzeugen, das Vitaldaten ausgibt, wobei ein Rauschen aus den ersten Sensordaten beseitigt ist, indem eine Entsprechungsbeziehung zwischen den ersten Sensordaten, die viel Rauschen enthalten, und den zweiten Sensordaten, die durch Rauschen weniger beeinträchtigt sind, er-/gelernt wird.
Zusätzlich kann die Lerneinheit 110 gemäß dem vorliegenden Ausführungsbeispiel Lernen ferner basierend auf dritten Sensordaten durchführen, die in dem gleichen Zeitraum wie dem Zeitraum einer Erfassung der ersten Sensordaten und der zweiten Sensordaten erfasst werden und als ein Index verfügbar sind, der die Größe eines Einflusses des Rauschens bezeichnet, das in den ersten Sensordaten vorkommt. Das Lernen basierend auf den dritten Sensordaten gemäß dem vorliegenden Ausführungsbeispiel wird separat ausführlich beschrieben.
Die Lerneinheit 110 gemäß dem vorliegenden Ausführungsbeispiel kann das Lernen, wie es vorstehend beschrieben ist, unter Verwendung eines beliebigen Maschinenlernverfahrens durchführen, das es möglich macht, ein überwachtes Lernen zu verwirklichen. Die Lerneinheit 110 führt Lernen unter Verwendung von Algorithmen durch, wie etwa zum Beispiel einem neuronalen Netzwerk und einer Stützvektormaschine (SVN: „Support Vector Machine“).
Die Funktion der Lerneinheit 110 wird durch einen Prozessor wie etwa zum Beispiel eine Grafikverarbeitungseinheit (GPU: „Graphics Processing Unit“) verwirklicht. Die Einzelheiten der Funktion der Lerneinheit 110 gemäß dem vorliegenden Ausführungsbeispiel werden separat ausführlich beschrieben.
Die Speichereinheit 120 gemäß dem vorliegenden Ausführungsbeispiel speichert verschiedene Arten von Informationen bezüglich des Betriebs der Lernvorrichtung 10. Die Speichereinheit 120 speichert zum Beispiel erste Sensordaten, zweite Sensordaten, dritte Sensordaten, verschiedene Parameter und dergleichen, die zum Lernen der Lerneinheit 110 verwendet werden.
Vorstehend wurde hierin das Funktionskonfigurationsbeispiel der Lernvorrichtung 10 gemäß dem vorliegenden Ausführungsbeispiel beschrieben. Indessen ist die vorstehend dargelegte Konfiguration, die mit Bezug auf 1 beschrieben ist, lediglich ein Beispiel, und ist die Konfiguration der Lernvorrichtung 10 gemäß dem vorliegenden Ausführungsbeispiel nicht auf ein solches Beispiel beschränkt. Die Lernvorrichtung 10 gemäß dem vorliegenden Ausführungsbeispiel kann ferner zum Beispiel eine Bedieneinheit, die eine durch einen Bediener durchgeführte Bedienung annimmt, eine Ausgabeeinheit zum Ausgeben verschiedener Arten von Daten und dergleichen umfassen. Die Konfiguration der Lernvorrichtung 10 gemäß dem vorliegenden Ausführungsbeispiel kann gemäß Spezifikationen und Betrieben bzw. Einsätzen flexibel modifiziert werden.
Nachfolgend wird ein Funktionskonfigurationsbeispiel einer Messvorrichtung 20 gemäß dem vorliegenden Ausführungsbeispiel beschrieben. Die Messvorrichtung 20 gemäß dem vorliegenden Ausführungsbeispiel kann eine Vorrichtung sein, die Vitaldaten unter Verwendung eines trainierten Modells misst, das durch die Lernvorrichtung 10 erstellt wird/ist. 2 ist eine Darstellung, die ein Funktionskonfigurationsbeispiel der Messvorrichtung 20 gemäß dem vorliegenden Ausführungsbeispiel veranschaulicht. Wie es in 2 gezeigt ist, kann die Messvorrichtung 20 gemäß dem vorliegenden Ausführungsbeispiel eine Erfassungseinheit 210 und eine Messeinheit 220 umfassen.
Die Erfassungseinheit 210 gemäß dem vorliegenden Ausführungsbeispiel erfasst bzw. erlangt bzw. gewinnt erste Sensordaten von einem Probanden. Zu diesem Zweck umfasst die Erfassungseinheit 210 gemäß dem vorliegenden Ausführungsbeispiel verschiedene Sensoren gemäß den Charakteristika bzw. Eigenschaften der zu erfassenden ersten Sensordaten. Zusätzlich erfasst bzw. erlangt bzw. gewinnt die Erfassungseinheit 210 gemäß dem vorliegenden Ausführungsbeispiel dritte Sensordaten. Zu diesem Zweck umfasst die Erfassungseinheit 207 gemäß dem vorliegenden Ausführungsbeispiel verschiedene Sensoren gemäß den Charakteristika bzw. Eigenschaften der zu erfassenden dritten Sensordaten. Zum Beispiel stellt ein Beispiel der dritten Sensordaten gemäß dem vorliegenden Ausführungsbeispiel Beschleunigungsdaten dar, wobei ein Proband oder eine Vorrichtung, für die vorhergesagt wird, dass sie mit dem Probanden in Kontakt kommt, als Detektionsziel dient. In diesem Fall kann die Erfassungseinheit 210 einen Beschleunigungssensor umfassen.
Die Messeinheit 220 gemäß dem vorliegenden Ausführungsbeispiel gibt Vitaldaten, die Vital- bzw. Lebenszeichen eines Probanden bezeichnen, unter Verwendung der ersten Sensordaten und der dritten Sensordaten, die durch die Erfassungseinheit 210 erfasst werden, als Eingabe aus. In diesem Fall gibt die Messeinheit 220 gemäß dem vorliegenden Ausführungsbeispiel Vitaldaten unter Verwendung eines trainierten Modells aus, das durch ein durch die Lerneinheit 110 durchgeführtes Lernen erstellt wird/ist. Zum Beispiel kann die Messeinheit 220 gemäß dem vorliegenden Ausführungsbeispiel die Vitaldaten durch Verwendung der ersten Sensordaten als Lerndaten, Verwendung von Trainingsdaten basierend auf den zweiten Sensordaten, die von dem Probanden in dem gleichen Zeitraum wie die ersten Sensordaten über ein zweites Verfahren erfasst werden, das durch Rauschen weniger beeinträchtigt wird/ist als das erste Verfahren, und Verwendung eines trainierten Modells ausgeben, das Lernen in Bezug auf eine Ausgabe der Vitaldaten durchgeführt hat.
Gemäß der vorstehend dargelegten Konfiguration ist es möglich, hochgenaue Vitaldaten, aus denen der Einfluss von Rauschen beseitigt ist, unter Verwendung von nur den ersten Sensordaten zu erhalten, von denen angenommen wird, dass Rauschen in diese eingemischt ist. Indessen wird die Funktion der Messeinheit 220 gemäß dem vorliegenden Ausführungsbeispiel durch verschiedene Prozessoren verwirklicht.
Zusätzlich kann die Messeinheit 220 gemäß dem vorliegenden Ausführungsbeispiel die Vitaldaten unter Verwendung eines trainierten Modells ausgeben, das Lernen in Bezug auf eine Ausgabe der Vitaldaten ferner auf Grundlage der dritten Sensordaten zusätzlich zu den ersten Sensordaten und den zweiten Sensordaten durchgeführt hat. Die Wirkung des Lernens basierend auf den dritten Sensordaten gemäß dem vorliegenden Ausführungsbeispiel wird separat ausführlich beschrieben.
Vorstehend wurde hierin das Funktionskonfigurationsbeispiel der Messvorrichtung 20 gemäß dem vorliegenden Ausführungsbeispiel beschrieben. Indessen ist die vorstehend dargelegte Konfiguration, die mit Bezug auf 2 beschrieben ist, lediglich ein Beispiel, und ist die funktionale Konfiguration der Messvorrichtung 20 gemäß dem vorliegenden Ausführungsbeispiel nicht auf ein solches Beispiel beschränkt. Die Messvorrichtung 20 gemäß dem vorliegenden Ausführungsbeispiel kann ferner eine Bedieneinheit, eine Ausgabeeinheit, eine Analyseeinheit, die Vitaldaten analysiert, eine Benachrichtigungseinheit, die verschiedene Benachrichtigungen auf Grundlage der Analyseergebnisse vornimmt, und dergleichen umfassen. Die Konfiguration der Messvorrichtung 20 gemäß dem vorliegenden Ausführungsbeispiel kann gemäß den Charakteristika bzw. Eigenschaften von Vitaldaten, die ein Messziel darstellen, der Verwendungs-/Nutzungsanwendung der Vitaldaten und dergleichen flexibel modifiziert werden.
<Einzelheiten>
Als Nächstes werden die Sensordaten gemäß dem vorliegenden Ausführungsbeispiel mit speziellen Beispielen beschrieben. In den letzten Jahren wurden Vorrichtungen entwickelt, die verschiedene Arten von Sensordaten erfassen. Selbst in einem Fall, in dem die gleiche Art von Sensordaten erfasst wird, kann außerdem eine Vielzahl von Verfahren vorliegen. Hier wird ein Fall angenommen, in dem eine Spannungsänderung, die durch eine Herztätigkeit eines Probanden verursacht wird, als eine elektrokardiographische Wellenform erfasst wird.
Beispiele von Verfahren zum Erfassen einer elektrokardiographischen Wellenform umfassen ein 12-Spur/Kanal-Elektrokardiogrammverfahren des direkten Anbringens einer Vielzahl von Elektroden an der Haut eines Probanden und des Aufzeichnens einer Spannungsänderung unter Verwendung der Vielzahl von Elektroden, und dergleichen. Gemäß einem solchen Verfahren ist es möglich, eine hochgenaue elektrokardiographische Wellenform zu erhalten, die durch Rauschen weniger beeinträchtigt ist. Andererseits schränkt ein solches Verfahren häufig das Verhalten eines Probanden ein, und kann es verursachen, dass sich der Proband genervt bzw. belästigt fühlt, da die Elektroden direkt an der Haut angebracht sind.
Zusätzlich besteht ein weiteres Verfahren zum Erfassen einer elektrokardiographischen Wellenform darin, Elektroden an einer Vielzahl von Stellen zu installieren, von denen erwartet wird, dass sie mit einem Probanden in Kontakt kommen, und eine Spannungsänderung aufzuzeichnen, die erhalten wird, wenn der Proband die Vielzahl von Elektroden berührt. Ein solches Verfahren wird zum Beispiel in einem Fall verwendet, in dem es gewünscht ist, dass die elektrokardiographische Wellenform eines Probanden, der eine Vorrichtung bedient, erfasst wird, oder dergleichen. Als Beispiel ist eine Technik des Einrichtens von Elektroden an einem Lenkrad, einem Fahrersitz und dergleichen, wovon erwartet wird, dass ein Fahrer, der ein bewegliches Objekt wie etwa ein Fahrzeug fährt, während eines Fahrens damit in Kontakt kommt, und des Erfassens des Elektrokardiogramms des Fahrers bekannt. Gemäß einer solchen Technik ist es möglich, eine elektrokardiographische Wellenform ohne Kenntnis des Fahrers zu erfassen, da keine Notwendigkeit besteht, die Elektroden direkt an der Haut des Fahrers anzubringen. Andererseits ist es in diesem Fall wahrscheinlich, dass Rauschen aufgrund einer Körperbewegung des Fahrers, die mit einem Fahrverhalten einhergeht, einer Vibration des Fahrzeugs oder dergleichen auftritt, und besteht daher die Möglichkeit einer Verringerung der Genauigkeit der erfassten elektrokardiographischen Wellenform.
In dieser Hinsicht gibt es, während jedes einer Vielzahl von Verfahren zum Erfassen von Sensordaten Vorteile hat, auch Fälle, in denen eine Differenz bzw. ein Unterschied in der Genauigkeit der zu erfassenden Sensordaten besteht. Daher besteht ein Bedarf für eine Technik zum gleichzeitigen Verbessern der Genauigkeit einer Erfassung von Sensordaten bei/während Ausnutzung der Vorteile eines gewissen Verfahrens.
Um den vorstehend dargelegten Punkt zu lösen, kann die Lerneinheit 110 gemäß dem vorliegenden Ausführungsbeispiel Lernen zum Beispiel durch Verwendung von ersten Sensordaten, die über ein erstes Verfahren erfasst werden, als Lerndaten und Verwendung von Trainingsdaten basierend auf zweiten Sensordaten durchführen, die in dem gleichen Zeitraum wie die ersten Sensordaten über ein zweites Verfahren erfasst werden, das durch Rauschen weniger beeinträchtigt wird/ist als das erste Verfahren. Demgemäß ist es auch möglich, ein trainiertes Modell, das hochgenaue Vitaldaten ausgibt, die durch Rauschen weniger beeinträchtigt sind, nur aus den ersten Sensordaten zu erstellen.
Nachstehend wird hierin als Beispiel ein Fall beschrieben, in dem die Vitaldaten gemäß dem vorliegenden Ausführungsbeispiel Daten in Bezug auf eine Herztätigkeit sind. In diesem Fall kann die Lerneinheit 110 eine Ausgabe von Daten in Bezug auf die Tätigkeit des Herzens des Probanden, die zu untersuchen ist, unter Verwendung einer ersten elektrokardiographischen Wellenform, die über das erste Verfahren erfasst wird, als Lerndaten und Verwendung von Trainingsdaten basierend auf einer zweiten elektrokardiographischen Wellenform er-/lernen, die in dem gleichen Zeitraum wie die erste elektrokardiographische Wellenform über das zweite Verfahren erfasst wird.
In diesem Fall kann das vorgenannte erste Verfahren ein Verfahren zum Erfassen einer elektrokardiographischen Wellenform unter Verwendung von zumindest zwei Elektroden sein, von denen erwartet wird, dass sie mit dem Probanden in Kontakt kommen, und kann das vorgenannte zweite Verfahren ein Verfahren zum Erfassen einer elektrokardiographischen Wellenform unter Verwendung von zumindest zwei Elektroden sein, die direkt an der Haut des Probanden angebracht sind.
Zum Beispiel können in einem Fall, in dem der Proband ein Fahrer ist, der ein bewegliches Objekt wie etwa ein Fahrzeug fährt, die bei dem vorgenannten ersten Verfahren verwendeten zwei Elektroden an einem Sitz, auf dem der Proband sitzt, und einer bedienten Vorrichtung bzw. Bedienungsvorrichtung (zum Beispiel einem Lenkrad), die durch den Probanden bedient wird, bereitgestellt sein.
Gemäß der Konfiguration, wie sie vorstehend beschrieben ist, ist es möglich, hochgenaue Daten zu erfassen, die erhalten werden, durch Beseitigung von Rauschen das durch eine Körperbewegung des Fahrers, eine Vibration des Fahrzeugs oder dergleichen verursacht wird, während die Vorteile des ersten Verfahrens beibehalten werden, wie etwa, dass nicht verursacht wird, dass sich der Fahrer genervt bzw. belästigt fühlt.
Indessen kann die Lerneinheit 110 gemäß dem vorliegenden Ausführungsbeispiel Lernen in Bezug auf einer Ausgabe einer korrigierten elektrokardiographischen Wellenform durchführen, die erhalten wird durch Beseitigung von Rauschen aus der ersten elektrokardiographischen Wellenform unter Verwendung der zweiten elektrokardiographischen Wellenform selbst als Trainingsdaten. In diesem Fall ist es möglich, verschiedene physiologische Indizes durch Analysieren der korrigierten elektrokardiographischen Wellenform gemäß dem Zweck zu erhalten.
Andererseits ist es in einem Fall, in dem ein physiologischer Index, der aus der elektrokardiographischen Wellenform erhalten werden soll, im Voraus bestimmt wird/ist, auch möglich zu bewirken, dass die Lerneinheit 110 einen spezifischen bzw. vorgegebenen Merkmalspunkt er-/lernt, der dem physiologischen Index entspricht. Hier wird ein Merkmalspunkt (charakteristische Wellenform) in einer allgemeinen elektrokardiographischen Wellenform beschrieben.
3 ist eine Darstellung, die ein Beispiel einer allgemeinen elektrokardiographischen Wellenform in einem Zeitraum bzw. einer Periode veranschaulicht. Indessen stellt in 3 die horizontale Achse den Verlauf der Zeit dar und die vertikale Achse eine Spannungsänderung dar. Wie es in 3 gezeigt ist, können in einer allgemeinen elektrokardiographischen Wellenform eine Vielzahl von charakteristischen Wellenformen, die charakteristische Formen zeigen, beobachtet werden. Beispiele der charakteristischen Wellenformen umfassen eine P-Welle, eine Q-Welle, eine R-Welle, eine S-Welle, eine QRS-Welle (die aus einer Q-Welle, einer R-Welle und einer S-Welle gebildet wird), eine T-Welle, eine U-Welle und dergleichen.
Unter diesen Wellen ist zum Beispiel die R-Welle eine charakteristische Wellenform, die als ein Index einer Herzfrequenzvariabilität (Fluktuation bzw. Schwankung) wichtig ist. Ein Abstand bzw. Intervall zwischen einer R-Welle in einer bestimmten Periode und einer R-Welle in der nächsten Periode (RRI: R-R-Abstand) wird verwendet, um die Periode der Herzfrequenz zu berechnen. Außerdem ist auch bekannt, dass ein RRI eine Fluktuation bzw. Schwankung aufgrund von Stress oder Müdigkeit hervorbringt bzw. zeigt, und ist es ein effektiver physiologischer Index bei der Detektion der physikalischen bzw. körperlichen Belastung oder der psychologischen Belastung auf einem Probanden. Daneben bezeichnet zum Beispiel ein Q-T-Abstand (QTI), der ein Abstand bzw. Intervall zwischen einer Q-Welle und einer T-Welle in einer Periode ist, die Zeit vom Beginn einer ventrikulären Erregung bis zum Verschwinden der Erregung, und ist es ein wichtiger physiologischer Index für die Detektion einer Arrhythmie bzw. Herzrhythmusstörung oder dergleichen.
Daher kann die Lerneinheit 110 gemäß dem vorliegenden Ausführungsbeispiel Lernen in Bezug auf einer Ausgabe von Existenzwahrscheinlichkeitsdaten, die die Existenzwahrscheinlichkeit bzw. Wahrscheinlichkeit des Vorhandenseins/Vorliegens des vorgenannten spezifischen bzw. vorgegebenen Merkmalspunkts in der ersten elektrokardiographischen Wellenform bezeichnen, unter Verwendung von Existenzwahrscheinlichkeitsdaten, die die Existenzwahrscheinlichkeit bzw. Wahrscheinlichkeit des Vorhandenseins/ Vorliegens von Merkmalspunkten in der zweiten elektrokardiographischen Wellenform bezeichnen, welche aus der zweiten elektrokardiographischen Wellenform erhalten werden, als Trainingsdaten durchführen.
Die Lerneinheit 110 gemäß dem vorliegenden Ausführungsbeispiel kann Lernen in Bezug auf eine Ausgabe von Existenzwahrscheinlichkeitsdaten, die die Existenzwahrscheinlichkeit bzw. Wahrscheinlichkeit des Vorhandenseins/ Vorliegens einer R-Welle in der ersten elektrokardiographischen Wellenform bezeichnen, zum Beispiel unter Verwendung von Existenzwahrscheinlichkeitsdaten, die die Existenzwahrscheinlichkeit bzw. Wahrscheinlichkeit des Vorhandenseins/Vorliegens der R-Welle in der zweiten elektrokardiographischen Wellenform bezeichnen, als Trainingsdaten durchführen.
Gemäß dem Lernen, wie es vorstehend beschrieben ist, ist es zum Beispiel möglich, ein trainiertes Modell zu erstellen, das einen beliebigen Merkmalspunkt wie etwa die R-Welle mit einem hohen Genauigkeitsgrad detektiert. Zusätzlich ist es durch Verwendung des trainierten Modells möglich, den physiologischen Index eines Probanden, wie etwa RRI, in Echtzeit zu messen.
Auf diese Art und Weise kann die Lerneinheit 110 gemäß dem vorliegenden Ausführungsbeispiel Lernen unter Verwendung von Trainingsdaten gemäß der Verwendungs-/Nutzungsanwendung der Messvorrichtung 20 durchführen, in der das trainierte Model installiert bzw. eingerichtet ist.
4 ist eine Darstellung, die ein Beispiel von Lerndaten und Trainingsdaten gemäß dem vorliegenden Ausführungsbeispiel veranschaulicht. Der obere Teil von 4 zeigt die ersten Sensordaten (erste kardiographische Wellenform), die als Lerndaten verwendet werden. Zusätzlich zeigt der mittlere Teil von 4 die zweiten Sensordaten (zweite elektrokardiographische Wellenform), erfasst in dem gleichen Zeitraum wie die ersten Sensordaten, welche als Trainingsdaten A verwendet werden. Zusätzlich zeigt der untere Teil von 4 Existenzwahrscheinlichkeitsdaten der R-Welle, erzeugt auf Grundlage der vorgenannten zweiten Sensordaten, welche als Trainingsdaten B verwendet werden. Indessen ist die Position der R-Welle (R-Wellenkamm bzw. -spitze) in allen Daten durch eine gestrichelte Linie gezeigt.
Wie es in 4 gezeigt ist, enthalten die ersten Sensordaten, die über das erste Verfahren erfasst werden, viel Rauschen, und können sie nicht in der Lage sein, die R-Welle zu detektieren, wie sie ist. In diesem Fall ist es durch Verwendung der zweiten Sensordaten, die durch Rauschen weniger beeinträchtigt sind, als die Trainingsdaten A möglich zu bewirken, dass die Lerneinheit 110 eine Entsprechungsbeziehung zwischen den ersten Sensordaten und den zweiten Sensordaten er-/lernt.
Durch Verwendung des trainierten Modells, das durch ein Lernen erstellt wird/ist, wie es vorstehend beschrieben ist, kann die Messeinheit 220 gemäß dem vorliegenden Ausführungsbeispiel korrigierte Sensordaten (korrigierte elektrokardiographische Wellenform), aus denen Rauschen beseitigt wurde, unter Verwendung der ersten Sensordaten als Eingabe ausgeben, wie es in 5 gezeigt ist. Demgemäß ist es durch Durchführung einer beliebigen Verarbeitung oder Analyse auf den ausgegebenen korrigierten Sensordaten möglich, verschiedene physiologische Indizes eines Probanden mit einem hohen Genauigkeitsgrad zu erhalten.
Andererseits ist es in einem Fall, in dem die Existenzwahrscheinlichkeitsdaten, wie es in 4 gezeigt sind, als die Trainingsdaten B verwendet werden, möglich zu bewirken, dass die Lerneinheit 110 eine Entsprechungsbeziehung zwischen den ersten Sensordaten und irgendeinem Merkmalspunkt direkt er-/lernt.
In diesem Fall kann, wie es in 6 gezeigt ist, die Messeinheit 220 gemäß dem vorliegenden Ausführungsbeispiel Existenzwahrscheinlichkeitsdaten in Bezug auf einen spezifischen bzw. vorgegebenen Merkmalspunkt wie etwa zum Beispiel die R-Welle unter Verwendung der ersten Sensordaten als Eingabe ausgeben. Demgemäß ist es zum Beispiel möglich, einen physiologischen Index wie etwa RRI in Echtzeit zu messen und verschiedene Aktionen gemäß dem gemessenen Wert durchzuführen. Indessen wurde vorstehend in 4 und 5 ein Fall beschrieben, in dem die Existenzwahrscheinlichkeitsdaten einen binären Wert von 0 (nichtexistierend) oder 1 (existierend) annehmen, aber können die Existenzwahrscheinlichkeitsdaten gemäß dem vorliegenden Ausführungsbeispiel einen ternären Wert oder mehr annehmen.
Als Nächstes wird das Lernen basierend auf den dritten Sensordaten gemäß dem vorliegenden Ausführungsbeispiel beschrieben. Wie es vorstehend beschrieben ist, kann die Lernvorrichtung 10 gemäß dem vorliegenden Ausführungsbeispiel Lernen in Bezug auf eine Ausgabe der Vitaldaten durch Verwendung der ersten Sensordaten als Lerndaten durchführen, um Lernen unter Verwendung von Trainingsdaten basierend auf den zweiten Sensordaten durchzuführen. Zusätzlich kann die Messvorrichtung 20 gemäß dem vorliegenden Ausführungsbeispiel die Vitaldaten unter Verwendung eines trainierten Modells ausgeben, das Lernen durchgeführt hat, wie es vorstehend beschrieben ist.
Hier kann jedoch in einem Fall, in dem die Intensität bzw. Stärke von in den ersten Sensordaten enthaltenem Rauschen extrem hoch ist, oder dergleichen, die Lernvorrichtung 10 die Entsprechung zwischen den ersten Sensordaten und den zweiten Sensordaten nicht korrekt er-/lernen, und besteht als Folge dessen auch die Möglichkeit einer Verringerung der Genauigkeit der Vitaldaten, die durch die Messvorrichtung 20 ausgegeben werden.
7 ist eine Darstellung zur Erläuterung eines Beispiels eines Falls, in dem sich die Genauigkeit von auszugebenden Vitaldaten aufgrund des Einflusses von in den ersten Sensordaten enthaltenem Rauschen verringert. Indessen veranschaulicht 7 einen Fall, in dem die Lerneinheit 110 die Entsprechung zwischen den ersten Sensordaten und den zweiten Sensordaten unter Verwendung der ersten Sensordaten als Lerndaten und Verwendung der zweiten Sensordaten als Trainingsdaten er-/lernt und korrigierte Sensordaten ausgibt.
In dem vorliegenden Beispiel umfassen die zweiten Sensordaten drei R-Wellenkämme R1 bis R3, wohingegen in den ausgegebenen korrigierten Sensordaten ein Pseudo/Schein-R-Wellenkamm NR zu einem Zeitpunkt, zu dem der R-Wellenkamm in den zweiten Sensordaten nicht existiert, zusätzlich zu den R-Wellenkämmen R1 bis R3 fälschlich detektiert wird.
Es wird vorhergesagt, dass dies aufgrund der hohen Intensität bzw. Stärke von in den ersten Sensordaten enthaltenem Rauschen rund um diesen Zeitpunkt so ist. Auf diese Art und Weise kann die Intensität bzw. Stärke von in den ersten Sensordaten enthaltenem Rauschen die Genauigkeit einer Detektion von verschiedenen Merkmalspunkten in Ausgabedaten stark beeinträchtigen.
Zu diesem Zweck kann die Lerneinheit 110 gemäß dem vorliegenden Ausführungsbeispiel Lernen ferner basierend auf den dritten Sensordaten, die in dem gleichen Zeitraum wie dem Zeitraum einer Erfassung der zwei Sensordaten erfasst wird, zusätzlich zu den ersten Sensordaten und den zweiten Sensordaten durchführen. Hier können die dritten Sensordaten gemäß dem vorliegenden Ausführungsbeispiel verschiedene Arten von Sensordaten darstellen, die als ein Index verfügbar sind, der die Größe eines Einflusses des Rauschens bezeichnet, das in den ersten Sensordaten vorkommt.
Das heißt, dass die Lerneinheit 110 gemäß dem vorliegenden Ausführungsbeispiel die Größe des Einflusses des Rauschens, das in den ersten Sensordaten vorkommt, durch Verwendung der dritten Sensordaten als Lerndaten zusätzlich zu den ersten Sensordaten er-/lernen kann.
8 ist eine Darstellung zur Erläuterung eines Lernens basierend auf den dritten Sensordaten gemäß dem vorliegenden Ausführungsbeispiel. Indessen veranschaulicht 8 einen Fall, in dem die Lerneinheit 110 korrigierte Sensordaten unter Verwendung der ersten Sensordaten und der dritten Sensordaten als Lerndaten und Verwendung der zweiten Sensordaten als Trainingsdaten ausgibt.
Zum Beispiel wird ein Fall angenommen, in dem die ersten Sensordaten unter Verwendung von Elektroden erfasst werden, die an einem Sitz, auf dem ein Proband an Bord eines beweglichen Objekts sitzt, und einer bedienten Vorrichtung bzw. Bedienungsvorrichtung wie etwa einem Lenkrad, die durch den Probanden bedient wird, eingerichtet sind. In diesem Fall wird in einer Situation, wie etwa dann, wenn der Kontakt zwischen dem Probanden und der Elektrode vorübergehend gelöst wird, erwartet, dass die Intensität bzw. Stärke des in den ersten Sensordaten vorkommenden Rauschens zunehmen wird.
Beispiele der Situationen umfassen eine Situation, in der eine starke Vibration in dem beweglichen Objekt aufgrund einer Fahrstrecke oder Fahrbedingungen auftritt. Daher können die dritten Sensordaten gemäß dem vorliegenden Ausführungsbeispiel zum Beispiel Beschleunigungsdaten umfassen, die mit einem Probanden oder einer Vorrichtung, für die vorhergesagt wird, dass sie mit dem Probanden in Kontakt kommt (wie etwa zum Beispiel einem Sitz, einem Lenkrad oder einem beweglichen Objekt), als Detektionsziel erfasst werden. In diesem Fall kann die Lerneinheit 110 gemäß dem vorliegenden Ausführungsbeispiel Lernen basierend auf Beschleunigungsdaten als die dritten Sensordaten durchführen.
Zusätzlich wird in einer Situation, in der der Kontakt zwischen dem Probanden und der Elektrode vorübergehend gelöst wird, angenommen, dass eine Vibration insbesondere in der Gravitationsrichtung (die hierin nachstehend auch als z-Achsenrichtung bezeichnet wird) stark beeinträchtigt wird.
Daher kann die Lerneinheit 110 gemäß dem vorliegenden Ausführungsbeispiel Lernen basierend auf zumindest Beschleunigungsdaten in der Gravitationsrichtung als die dritten Sensordaten durchführen.
Die Lerneinheit 110 gemäß dem vorliegenden Ausführungsbeispiel kann zum Beispiel Lernen nur unter Verwendung von Beschleunigungsdaten in der z-Achsenrichtung als die dritten Sensordaten durchführen oder kann Lernen unter Verwendung von Beschleunigungsdaten in jeder der z-Achsenrichtung, der y-Achsenrichtung und der x-Achsenrichtung als die dritten Sensordaten durchführen. Zusätzlich können als die dritten Sensordaten gemäß dem vorliegenden Ausführungsbeispiel zum Beispiel die Norm bzw. der Standard/ Regelfall von Beschleunigungsdaten in den Drei-Achsen-Richtungen oder ein Ruck bzw. eine Erschütterung in jeder Achsrichtung (der auch als Beschleunigung oder Ruck bezeichnet wird) angenommen werden.
Indessen können die Beschleunigungsdaten durch einen in einem beweglichen Objekt umfassten Beschleunigungssensor erfasst werden oder auf Grundlage der durch einen Geschwindigkeitsmesser bzw. Tacho erfassten Geschwindigkeit berechnet werden.
Gemäß dem Lernen basierend auf den dritten Sensordaten, wie es vorstehend beschrieben ist, ist es durch Aufhebung des Einflusses des in den ersten Sensordaten vorkommenden Rauschens möglich zu verhindern, dass der Pseudo/Schein-R-Wellenkamm NR oder dergleichen fälschlich detektiert wird, wie es in dem unteren Teil von 8 gezeigt ist. Auf diese Art und Weise ist es gemäß dem Lernen basierend auf den dritten Sensordaten gemäß dem vorliegenden Ausführungsbeispiel möglich, ein trainiertes Modell mit weiter verbesserter Detektionsgenauigkeit der Vitaldaten als in einem Fall zu erzeugen, in dem nur die ersten Sensordaten und die zweiten Sensordaten verwendet werden.
Indessen sind die dritten Sensordaten gemäß dem vorliegenden Ausführungsbeispiel nicht auf Beschleunigungsdaten oder durch Verarbeitung der Beschleunigungsdaten erhaltene Daten beschränkt. Die dritten Sensordaten gemäß dem vorliegenden Ausführungsbeispiel können verschiedene Arten von Daten sein, die verwendet werden können, um eine Situation vorherzusagen, in der der Kontakt zwischen dem Probanden und der Elektrode vorübergehend gelöst wird.
Die dritten Sensordaten gemäß dem vorliegenden Ausführungsbeispiel können zum Beispiel Winkelgeschwindigkeitsdaten, geo-/erdmagnetische Daten oder Bilddaten sein. Beispiele der Bilddaten umfassen Daten, die durch Aufnehmen eines Bilds des Zustands einer Fahrstrecke erhalten werden, Daten, die durch Aufnehmen eines Bilds eines Probanden erhalten werden, und dergleichen. Alle Daten, wie sie vorstehend genannt sind, können verwendet werden, um das Auftreten einer Vibration vorherzusagen.
Zusätzlich können die dritten Sensordaten gemäß dem vorliegenden Ausführungsbeispiel Bedienungsinformationen bezüglich einer Klimaanlage oder einer Audioausrüstung sein, die in einem beweglichen Objekt installiert bzw. eingerichtet ist. Gemäß solchen Daten ist es möglich, zum Beispiel vorherzusagen, dass die Finger eines Probanden vorübergehend von den an dem Lenkrad eingerichteten Elektroden getrennt werden.
<Ablauf von Lernphase und Messphase>
Als Nächstes wird ein Ablauf einer Lernphase, in der Lernen unter Verwendung der Lernvorrichtung 10 gemäß dem vorliegenden Ausführungsbeispiel durchgeführt wird, und einer Messphase, in der eine Messung unter Verwendung der Messvorrichtung 20 durchgeführt wird, beschrieben. 9 ist ein Ablaufdiagramm, das einen Ablauf einer Lernphase gemäß dem vorliegenden Ausführungsbeispiel veranschaulicht.
Wie es in 9 gezeigt ist, werden in der Lernphase gemäß dem vorliegenden Ausführungsbeispiel die ersten Sensordaten, die zweiten Sensordaten und die dritten Sensordaten zunächst erfasst (S102). In diesem Fall können die ersten Sensordaten, die zweiten Sensordaten und die dritten Sensordaten zusammen mit Informationen wie etwa Zeitstempeln erfasst werden, um eine Synchronisation auf der Zeitachse zu ermöglichen. Außerdem können die ersten Sensordaten, die zweiten Sensordaten und die dritten Sensordaten durch eine Vorrichtung erfasst werden, die von der Lernvorrichtung 10 separat ist. Die erfassten ersten Sensordaten, zweiten Sensordaten und dritten Sensordaten werden in der Speichereinheit 120 der Lernvorrichtung 10 gespeichert.
Als Nächstes werden die ersten Sensordaten, die zweiten Sensordaten und die dritten Sensordaten nach Bedarf verarbeitet (S104). Zum Beispiel wird in einem Fall, in dem die Existenzwahrscheinlichkeitsdaten in Bezug auf einen spezifischen bzw. vorgegebenen Merkmalspunkt als Trainingsdaten verwendet werden, in Schritt S104 ein Prozess zum Umwandeln der in Schritt S102 erfassten zweiten Sensordaten in die Existenzwahrscheinlichkeitsdaten durchgeführt. Zusätzlich können verschiedene Filterprozesse und dergleichen zum Reduzieren von Rauschen, das in den ersten Sensordaten, den zweiten Sensordaten und den dritten Sensordaten enthalten ist, durchgeführt werden. Indessen kann die Verarbeitung, wie sie vorstehend beschrieben ist, durch eine Vorrichtung ausgeführt werden, die von der Lernvorrichtung 10 separat ist.
Als Nächstes führt die Lerneinheit 110 Lernen unter Verwendung von Trainingsdaten basierend auf den zweiten Sensordaten unter Verwendung der ersten Sensordaten und der dritten Sensordaten als Lerndaten durch (S106). In diesem Fall kann die Lerneinheit 110 die zweiten Sensordaten selbst (oder die zweiten Sensordaten, auf denen ein Filterprozess durchgeführt wurde) als Trainingsdaten verwenden oder die Existenzwahrscheinlichkeitsdaten, die in Schritt S104 erzeugt werden, als Trainingsdaten verwenden.
Vorstehend wurde hierin der Ablauf der Lernphase gemäß dem vorliegenden Ausführungsbeispiel beschrieben. Nachfolgend wird ein Ablauf einer Messphase gemäß dem vorliegenden Ausführungsbeispiel beschrieben. 10 ist ein Ablaufdiagramm, das einen Ablauf einer Messphase gemäß dem vorliegenden Ausführungsbeispiel veranschaulicht.
Wie es in 10 gezeigt ist, erfasst in der Messphase gemäß dem vorliegenden Ausführungsbeispiel die Erfassungseinheit 210 zunächst die ersten Sensordaten und die dritten Sensordaten über das erste Verfahren (S202). Die Erfassungseinheit 210 kann zum Beispiel die elektrokardiographische Wellenform eines Fahrers als die ersten Sensordaten unter Verwendung einer Vielzahl von Elektroden erfassen, die an dem Lenkrad und einem Sitz eines Fahrzeugs eingerichtet sind. Zusätzlich kann die Erfassungseinheit 210 zum Beispiel Beschleunigungsdaten als die dritten Sensordaten unter Verwendung eines Beschleunigungssensors erfassen, der an dem Lenkrad oder dergleichen eingerichtet ist.
Als Nächstes gibt die Messeinheit 220 die ersten Sensordaten und die dritten Sensordaten, die in Schritt S202 erfasst werden, als bzw. an ein trainiertes Modell ein, und gibt sie die Vitaldaten aus (S204). In einem Fall, in dem Lernen unter Verwendung der zweiten Sensordaten als Trainingsdaten in der Lernphase durchgeführt wird, können die vorgenannten Vitaldaten korrigierte Sensordaten sein, die durch Beseitigung von Rauschen aus den ersten Sensordaten erhalten werden. Andererseits können in einem Fall, in dem Lernen unter Verwendung der Existenzwahrscheinlichkeitsdaten als Trainingsdaten in der Lernphase durchgeführt wird, die vorgenannten Vitaldaten Existenzwahrscheinlichkeitsdaten sein, die die Existenzwahrscheinlichkeit bzw. Wahrscheinlichkeit des Vorhandenseins/Vorliegens eines beliebigen Merkmalspunkts bezeichnen.
Als Nächstes werden verschiedene Betriebe bzw. Betriebsvorgänge basierend auf den in Schritt S204 ausgegebenen Vitaldaten nach Bedarf ausgeführt (S206). Die vorgenannten Betriebe bzw. Betriebsvorgänge können zum Beispiel eine Benachrichtigung basierend auf einem aus den Vitaldaten detektierten RRI sein. Die vorgenannten Betriebe bzw. Betriebsvorgänge können durch eine Vorrichtung ausgeführt werden, die von der Messvorrichtung 20 separat ist.
<Ergänzung >
Vorstehend wurden hierin bevorzugte Ausführungsbeispiele der vorliegenden Erfindung unter Bezugnahme auf die begleitenden Zeichnungen ausführlich beschrieben, aber die vorliegende Erfindung ist nicht darauf beschränkt. Es sollte für den Fachmann selbstverständlich sein, dass verschiedene Änderungen und Abwandlungen vorgenommen werden können, ohne von dem Grundgedanken und dem Umfang der beigefügten Patentansprüche abzuweichen, und dass diese Änderungen und Abweichungen natürlich auch in den technischen Umfang der vorliegenden Erfindung fallen.
Zum Beispiel wurde bei dem vorstehend beschriebenen Ausführungsbeispiel als Hauptbeispiel ein Fall beschrieben, in dem die Lerneinheit 110 Lernen in Bezug auf eine Ausgabe von Vitaldaten durchführt, die Vital- bzw. Lebenszeichen eines Probanden bezeichnen. Andererseits ist das Ziel des durch die Lerneinheit 110 durchgeführten Lernens nicht auf die Ausgabe von Vitaldaten beschränkt. Die Lerneinheit 110 kann auch Lernen in Bezug auf eine Ausgabe von zum Beispiel Daten durchführen, die den Betriebszustand irgendeiner Vorrichtung bezeichnen.
Außerdem ist bei dem vorstehend beschriebenen Ausführungsbeispiel als das erste Verfahren zum Erfassen einer elektrokardiographischen Wellenform ein Verfahren des Einrichtens der Elektrode an einer Stelle, von der erwartet wird, dass sie von dem Probanden berührt wird, mit einem Verfahren des direkten Anbringens der Elektrode an der Haut eines Probanden als das zweite Verfahren als Beispiel gegeben. Andererseits können das erste Verfahren und das zweite Verfahren bei der vorliegenden Technik beliebige andere Verfahren sein, die eine Differenz bzw. einen Unterschied in einer Tendenz bzw. Neigung aufweisen, durch Rauschen beeinträchtigt zu werden/sein. Zum Beispiel kann in einem Fall, in dem die Herzfrequenz erfasst wird, das erste Verfahren ein kontaktloses Verfahren unter Verwendung eines Doppler-Sensors sein, und kann das zweite Verfahren ein kontaktbehaftetes Verfahren der Anbringung einer Elektrode an der Haut eines Probanden sein.
Außerdem kann eine Aufeinanderfolge von Prozessen, die durch jede in dieser Spezifikation beschriebene Vorrichtung durchgeführt wird, unter Verwendung von Software, Hardware und/oder einer Kombination von Software und Hardware verwirklicht werden. Programme, die Software bilden, werden/sind im Voraus zum Beispiel in einem Aufzeichnungsmedium (nicht-vorübergehenden Medium) gespeichert, das innerhalb oder außerhalb jeder Vorrichtung bereitgestellt ist. Jedes Programm wird zum Beispiel in einen RAM gelesen, wenn es durch einen Computer ausgeführt wird, und wird durch einen Prozessor wie etwa eine CPU ausgeführt. Das vorgenannte Aufzeichnungsmedium ist zum Beispiel eine magnetische Platte, eine optische Platte, eine magnetoptische Platte, ein Flashspeicher oder dergleichen. Außerdem kann das vorgenannte Computerprogramm zum Beispiel über ein Netzwerk geliefert bzw. verteilt werden, ohne ein Aufzeichnungsmedium zu verwenden.
Bezugszeichenliste

10: Lernvorrichtung
110: Lerneinheit
120: Speichereinheit
20: Messvorrichtung
210: Erfassungseinheit
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 2009142575 A [0003]

Claims

Lernvorrichtung mit einer Lerneinheit, die Lernen in Bezug auf eine Ausgabe von Vitaldaten, die Vitalzeichen eines Probanden bezeichnen, durch Verwendung von ersten Sensordaten, die von dem Probanden über ein erstes Verfahren erfasst werden, als Lerndaten und Verwendung von Trainingsdaten basierend auf zweiten Sensordaten durchführt, die von dem Probanden in dem gleichen Zeitraum wie einem Zeitraum einer Erfassung der ersten Sensordaten über ein zweites Verfahren erfasst werden, das durch Rauschen weniger beeinträchtigt ist als das erste Verfahren, wobei die Lerneinheit Lernen ferner auf Grundlage von dritten Sensordaten durchführt, die in dem gleichen Zeitraum wie dem Zeitraum einer Erfassung der ersten Sensordaten und der zweiten Sensordaten erfasst werden und als ein Index verfügbar sind, der eine Größe eines Einflusses des Rauschens bezeichnet, das in den ersten Sensordaten vorkommt.
Lernvorrichtung gemäß Anspruch 1, wobei die dritten Sensordaten Beschleunigungsdaten umfassen, die mit dem Probanden oder einer Vorrichtung, für die vorhergesagt wird, dass sie mit dem Probanden in Kontakt kommt, als Detektionsziel erfasst werden, und die Lerneinheit Lernen basierend auf den Beschleunigungsdaten als die dritten Sensordaten durchführt.
Lernvorrichtung gemäß Anspruch 2, wobei die Lerneinheit Lernen basierend auf zumindest den Beschleunigungsdaten in einer Gravitationsrichtung als die dritten Sensordaten durchführt.
Lernvorrichtung gemäß einem der Ansprüche 1 bis 3, wobei die Vitaldaten Daten in Bezug auf eine Herztätigkeit umfassen, und die Lerneinheit eine Ausgabe von Daten in Bezug auf eine Herztätigkeit des Probanden durch Verwendung einer ersten elektrokardiographischen Wellenform, die über das erste Verfahren erfasst wird, und den dritten Sensordaten, die in dem gleichen Zeitraum wie einem Zeitraum einer Erfassung der ersten elektrokardiographischen Wellenform erfasst werden, als Lerndaten und Verwendung von Trainingsdaten basierend auf einer zweiten elektrokardiographischen Wellenform lernt, die in dem gleichen Zeitraum wie dem Zeitraum einer Erfassung der ersten elektrokardiographischen Wellenform über das zweite Verfahren erfasst wird.
Lernvorrichtung gemäß Anspruch 4, wobei das erste Verfahren ein Verfahren zum Erfassen einer elektrokardiographischen Wellenform unter Verwendung von zumindest zwei Elektroden ist, von denen erwartet wird, dass sie mit dem Probanden in Kontakt kommen, und das zweite Verfahren ein Verfahren zum Erfassen einer elektrokardiographischen Wellenform unter Verwendung von zumindest zwei Elektroden ist, die an der Haut des Probanden angebracht sind.
Lernvorrichtung gemäß Anspruch 5, wobei die zwei Elektroden, die bei dem ersten Verfahren verwendet werden, an einem Sitz, auf dem der Proband sitzt, und einer bedienten Vorrichtung, die durch den Probanden bedient wird, bereitgestellt sind.
Lernvorrichtung gemäß einem der Ansprüche 1 bis 6, wobei der Proband ein Fahrer ist, der ein bewegliches Objekt fährt.
Lernverfahren mit Durchführen von Lernen in Bezug auf eine Ausgabe von Vitaldaten, die Vitalzeichen eines Probanden bezeichnen, durch Verwendung von ersten Sensordaten, die von dem Probanden über ein erstes Verfahren erfasst werden, als Lerndaten und Verwendung von Trainingsdaten basierend auf zweiten Sensordaten, die von dem Probanden in dem gleichen Zeitraum wie einem Zeitraum einer Erfassung der ersten Sensordaten über ein zweites Verfahren erfasst werden, das durch Rauschen weniger beeinträchtigt ist als das erste Verfahren, wobei das Lernen zusätzlich Durchführen von Lernen ferner auf Grundlage von dritten Sensordaten umfasst, die in dem gleichen Zeitraum wie dem Zeitraum einer Erfassung der ersten Sensordaten und der zweiten Sensordaten erfasst werden und als ein Index verfügbar sind, der eine Größe eines Einflusses des Rauschens bezeichnet, das in den ersten Sensordaten vorkommt.
Messvorrichtung mit einer Messeinheit, die Vitaldaten, die Vitalzeichen eines Probanden bezeichnen, unter Verwendung von ersten Sensordaten, die von dem Probanden über ein erstes Verfahren erfasst werden, als Eingabe ausgibt, wobei die Messeinheit die Vitaldaten ausgibt durch Verwendung der ersten Sensordaten als Lerndaten, Verwendung von Trainingsdaten basierend auf zweiten Sensordaten, die von dem Probanden in dem gleichen Zeitraum wie einem Zeitraum einer Erfassung der ersten Sensordaten über ein zweites Verfahren erfasst werden, das durch Rauschen weniger beeinträchtigt ist als das erste Verfahren, und Verwendung eines trainierten Modells, das Lernen in Bezug auf eine Ausgabe der Vitaldaten ferner auf Grundlage von dritten Sensordaten durchgeführt hat, die in dem gleichen Zeitraum wie dem Zeitraum einer Erfassung der ersten Sensordaten und der zweiten Sensordaten erfasst werden und als ein Index verfügbar sind, der eine Größe eines Einflusses des Rauschens bezeichnet, das in den ersten Sensordaten vorkommt.