JP2002336207A - 在床異常モニタ装置 - Google Patents
在床異常モニタ装置Info
- Publication number
- JP2002336207A JP2002336207A JP2001142776A JP2001142776A JP2002336207A JP 2002336207 A JP2002336207 A JP 2002336207A JP 2001142776 A JP2001142776 A JP 2001142776A JP 2001142776 A JP2001142776 A JP 2001142776A JP 2002336207 A JP2002336207 A JP 2002336207A
- Authority
- JP
- Japan
- Prior art keywords
- abnormality
- bed
- determining
- determination
- degree
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Abstract
(57)【要約】
【課題】 在床における様々な異常を検知して報知す
る。 【解決手段】 寝具１上の圧力センサ４の出力より生理
信号測定手段５が心拍、呼吸、体動を測定し、ＣＢＲ異
常判定手段６がこれらのデータから異常を判定し、報知
手段７が異常報知を行う。
る。 【解決手段】 寝具１上の圧力センサ４の出力より生理
信号測定手段５が心拍、呼吸、体動を測定し、ＣＢＲ異
常判定手段６がこれらのデータから異常を判定し、報知
手段７が異常報知を行う。
Description
【０００１】
【発明の属する技術分野】本発明は、寝具上の使用者の
状態を検知、評価する在床異常モニタ装置に関するもの
である。
状態を検知、評価する在床異常モニタ装置に関するもの
である。
【０００２】
【従来の技術】従来、この種在床異常モニタ装置として
は、例えば、特公平０４−６４６８９号公報（心拍異常
検出装置）、特許第２８４４８１３号公報（体動検出装
置）に記載されているようなものがあった。従来のモニ
タ装置において、心拍異常検出装置は圧力センサの出力
を異常検出手段が処理する。体動検出装置は圧電素子が
リ−ド線で増幅器を介して記録装置と連絡している。
は、例えば、特公平０４−６４６８９号公報（心拍異常
検出装置）、特許第２８４４８１３号公報（体動検出装
置）に記載されているようなものがあった。従来のモニ
タ装置において、心拍異常検出装置は圧力センサの出力
を異常検出手段が処理する。体動検出装置は圧電素子が
リ−ド線で増幅器を介して記録装置と連絡している。
【０００３】
【発明が解決しようとする課題】しかしながら、前記従
来の構成では、心拍異常検出装置は心拍信号のみから心
拍数値の異常を判定し出力する。従って、動作を行って
いるなどの条件は加味されず、心拍停止などの明らかな
異常を除けば、状態に応じた異常検知とはならず、また
心拍のみの異常検知であるため詳しい状態が不明である
という課題を有していた。体動検出装置は体動による変
形を受けると、圧電素子から圧電効果による電圧が発生
する。そして発生した電圧出力のうち所定の周波数成分
のみがフィルタ回路により通過させられ、増幅回路によ
り増幅された後、計数回路により増幅回路の出力信号が
あらかじめ定められた閾値以上になる回数を計数するこ
とによって心拍数、呼吸数および寝返り等の体動が計数
され、計数値が表面部に表面される。従って、心拍数、
呼吸数および寝返り等の体動を計測して表示するもので
あるので、使用者の状態が異常かどうかは管理者が表示
をモニタして自分で判断しなければならず、目が離せな
いという課題を有していた。
来の構成では、心拍異常検出装置は心拍信号のみから心
拍数値の異常を判定し出力する。従って、動作を行って
いるなどの条件は加味されず、心拍停止などの明らかな
異常を除けば、状態に応じた異常検知とはならず、また
心拍のみの異常検知であるため詳しい状態が不明である
という課題を有していた。体動検出装置は体動による変
形を受けると、圧電素子から圧電効果による電圧が発生
する。そして発生した電圧出力のうち所定の周波数成分
のみがフィルタ回路により通過させられ、増幅回路によ
り増幅された後、計数回路により増幅回路の出力信号が
あらかじめ定められた閾値以上になる回数を計数するこ
とによって心拍数、呼吸数および寝返り等の体動が計数
され、計数値が表面部に表面される。従って、心拍数、
呼吸数および寝返り等の体動を計測して表示するもので
あるので、使用者の状態が異常かどうかは管理者が表示
をモニタして自分で判断しなければならず、目が離せな
いという課題を有していた。
【０００４】本発明は、前記従来の課題を解決するもの
で在床時の心拍、呼吸、体動の信号から様々な異常を検
知し、報知する在床異常モニタ装置を提供することを目
的とする。
で在床時の心拍、呼吸、体動の信号から様々な異常を検
知し、報知する在床異常モニタ装置を提供することを目
的とする。
【０００５】
【課題を解決するための手段】前記従来の課題を解決す
るために、本発明の在床異常モニタ装置は、心拍、呼
吸、体動の各信号を入力として在床中の使用者の異常を
判定する異常判定手段を備え、異常判定手段の判定結果
を異常報知手段で報知するものである。
るために、本発明の在床異常モニタ装置は、心拍、呼
吸、体動の各信号を入力として在床中の使用者の異常を
判定する異常判定手段を備え、異常判定手段の判定結果
を異常報知手段で報知するものである。
【０００６】これによって、心拍、呼吸、体動から様々
な異常を判定することが出来、また異常報知をすること
が出来る。
な異常を判定することが出来、また異常報知をすること
が出来る。
【０００７】
【発明の実施の形態】請求項１に記載の発明は、寝具に
設置する圧力センサと、圧力センサの出力から在床中の
使用者の心拍に起因する信号を計測する心拍信号計測手
段と、圧力センサの出力から在床中の使用者の呼吸に起
因する信号を計測する呼吸信号計測手段と、圧力センサ
の出力から在床中の使用者の体動に起因する信号を計測
する体動信号計測手段と、心拍信号検知手段、呼吸信号
検知手段、体動信号検知手段の出力信号を入力として在
床中の使用者の異常を判定する異常判定手段と、無線又
は有線で異常判定手段の判定結果を入力し判定結果が異
常の際に報知を行う異常報知手段を備えてなる在床異常
モニタ装置とすることにより異常を自動判定する在床異
常モニタ装置となり確認者は自分で判断することなく異
常をモニタすることができる。
設置する圧力センサと、圧力センサの出力から在床中の
使用者の心拍に起因する信号を計測する心拍信号計測手
段と、圧力センサの出力から在床中の使用者の呼吸に起
因する信号を計測する呼吸信号計測手段と、圧力センサ
の出力から在床中の使用者の体動に起因する信号を計測
する体動信号計測手段と、心拍信号検知手段、呼吸信号
検知手段、体動信号検知手段の出力信号を入力として在
床中の使用者の異常を判定する異常判定手段と、無線又
は有線で異常判定手段の判定結果を入力し判定結果が異
常の際に報知を行う異常報知手段を備えてなる在床異常
モニタ装置とすることにより異常を自動判定する在床異
常モニタ装置となり確認者は自分で判断することなく異
常をモニタすることができる。
【０００８】請求項２に記載の発明は、特に、請求項１
に記載の異常判定手段が異常に関する情報を記憶してい
る記憶手段と、記憶手段に記憶されている情報に基づい
て異常度合いを判定する判定手段を備えた構成とするこ
とにより、記憶手段に所定の異常に関する情報を記憶さ
せておき、記憶された情報に照らして異常判定を行うこ
ととなりあらかじめ考えうる状況に対応した異常判定を
可能とすることができる。
に記載の異常判定手段が異常に関する情報を記憶してい
る記憶手段と、記憶手段に記憶されている情報に基づい
て異常度合いを判定する判定手段を備えた構成とするこ
とにより、記憶手段に所定の異常に関する情報を記憶さ
せておき、記憶された情報に照らして異常判定を行うこ
ととなりあらかじめ考えうる状況に対応した異常判定を
可能とすることができる。
【０００９】請求項３に記載の発明は、特に、請求項２
に記載の記憶手段が異常の場合の事例データを記憶し、
判定手段が記憶手段に記憶されている事例データをもと
に事例ベース推論演算を行う構成とすることにより、事
例データを記憶し事例ベース推論を行うことで、異常事
例に近い場合は異常と判定するとなり容易に判定手段を
構成することができる。
に記載の記憶手段が異常の場合の事例データを記憶し、
判定手段が記憶手段に記憶されている事例データをもと
に事例ベース推論演算を行う構成とすることにより、事
例データを記憶し事例ベース推論を行うことで、異常事
例に近い場合は異常と判定するとなり容易に判定手段を
構成することができる。
【００１０】請求項４に記載の発明は、特に、請求項２
に記載の記憶手段が異常を判定するファジィルールを記
憶するものとし、判定手段が記憶手段に記憶されたファ
ジィルールをもとにファジィ推論を行う構成とすること
により、あらかじめ、異常判定が行える専門化の判定結
果をもとにチューニングしたファジィルールで判定する
判定手段となり、異常判定が出来る専門化の知識・ノウ
ハウをルール化した人の判断に近い判定手段を構築する
ことができる。
に記載の記憶手段が異常を判定するファジィルールを記
憶するものとし、判定手段が記憶手段に記憶されたファ
ジィルールをもとにファジィ推論を行う構成とすること
により、あらかじめ、異常判定が行える専門化の判定結
果をもとにチューニングしたファジィルールで判定する
判定手段となり、異常判定が出来る専門化の知識・ノウ
ハウをルール化した人の判断に近い判定手段を構築する
ことができる。
【００１１】請求項５に記載の発明は、特に、請求項２
に記載の記憶手段が異常を判定するニューラルネットワ
ークのパラメータを記憶するものとし、判定手段が記憶
手段に記憶されたパラメータに基づいてニューラルネッ
トワークの演算を行うことを特徴とすることにより、あ
らかじめ異常事例のデータを学習させたニューラルネッ
トワークの入出力演算を判定手段で行える構成とするこ
とにより、パターン認識に優れたニューラルネットワー
クの特徴を活かして異常状態の判定を行うことができ
る。
に記載の記憶手段が異常を判定するニューラルネットワ
ークのパラメータを記憶するものとし、判定手段が記憶
手段に記憶されたパラメータに基づいてニューラルネッ
トワークの演算を行うことを特徴とすることにより、あ
らかじめ異常事例のデータを学習させたニューラルネッ
トワークの入出力演算を判定手段で行える構成とするこ
とにより、パターン認識に優れたニューラルネットワー
クの特徴を活かして異常状態の判定を行うことができ
る。
【００１２】請求項６に記載の発明は、特に、請求項１
に記載の異常判定手段が体動信号検知手段の出力である
体動信号を入力として体動が強いほど又多いほど異常の
程度を高く、又体動が弱すぎるか少なすぎる場合も異常
の程度を高く判定する体動異常判定手段を備え、体動の
程度に基づいて異常判定を行うことを特徴とすることに
より、体動の多さに基づいた異常判定を行う構成とな
り、突然体動が多くなった場合や体動がなくなった場合
を異常と判定することができる。
に記載の異常判定手段が体動信号検知手段の出力である
体動信号を入力として体動が強いほど又多いほど異常の
程度を高く、又体動が弱すぎるか少なすぎる場合も異常
の程度を高く判定する体動異常判定手段を備え、体動の
程度に基づいて異常判定を行うことを特徴とすることに
より、体動の多さに基づいた異常判定を行う構成とな
り、突然体動が多くなった場合や体動がなくなった場合
を異常と判定することができる。
【００１３】請求項７に記載の発明は、特に、請求項１
に記載の異常判定手段が心拍信号検知手段、呼吸信号検
知手段、体動信号検知手段の出力から離床を判定する離
床判定手段と、離床判定手段の出力である離床の回数を
入力として離床が多すぎるほど異常の程度を高く、又離
床が少なすぎる場合も異常の程度を高く判定する離床異
常判定手段を備え、離床の程度に基づいて異常判定を行
うことを特徴とすることにより、離床の回数に基づいた
異常判定を行う構成となり、離床回数が多すぎる場合や
離床しない場合を異常と判定することができる。
に記載の異常判定手段が心拍信号検知手段、呼吸信号検
知手段、体動信号検知手段の出力から離床を判定する離
床判定手段と、離床判定手段の出力である離床の回数を
入力として離床が多すぎるほど異常の程度を高く、又離
床が少なすぎる場合も異常の程度を高く判定する離床異
常判定手段を備え、離床の程度に基づいて異常判定を行
うことを特徴とすることにより、離床の回数に基づいた
異常判定を行う構成となり、離床回数が多すぎる場合や
離床しない場合を異常と判定することができる。
【００１４】請求項８に記載の発明は、特に、請求項１
に記載の異常判定手段が咳の強さと多さを判定する咳判
定手段と、咳判定手段の出力である咳の強さと多さを入
力として咳が強いほど又多いほど異常の程度を高く判定
する咳異常判定手段を備え、咳の程度に基づいて異常判
定を行うことを特徴とすることにより、咳の強さと多さ
に基づいた異常判定を行う構成となり、咳が多い場合や
強い場合に異常と判断することができる。
に記載の異常判定手段が咳の強さと多さを判定する咳判
定手段と、咳判定手段の出力である咳の強さと多さを入
力として咳が強いほど又多いほど異常の程度を高く判定
する咳異常判定手段を備え、咳の程度に基づいて異常判
定を行うことを特徴とすることにより、咳の強さと多さ
に基づいた異常判定を行う構成となり、咳が多い場合や
強い場合に異常と判断することができる。
【００１５】請求項９に記載の発明は、特に、請求項１
に記載の異常判定手段が心拍信号検知手段、呼吸信号検
知手段、体動信号検知手段の出力から、体動の有無に基
づいて体動が多い場合には呼吸・心拍の数が多めでも異
常の程度を低く判定し、呼吸・心拍が多すぎる場合や少
なすぎる場合は異常の程度を高く判定する呼吸・心拍異
常判定手段を備え、呼吸・心拍の多さ又は少なさに基づ
いて異常判定を行うことを特徴とすることにより、体動
と多さに応じて呼吸・心拍の異常判定基準を変えること
の出来る構成となり、体動の多い場合は呼吸・心拍が多
めでも適量と判定し、体動が少ない場合に呼吸・心拍が
多めの場合は異常と判定することができる。
に記載の異常判定手段が心拍信号検知手段、呼吸信号検
知手段、体動信号検知手段の出力から、体動の有無に基
づいて体動が多い場合には呼吸・心拍の数が多めでも異
常の程度を低く判定し、呼吸・心拍が多すぎる場合や少
なすぎる場合は異常の程度を高く判定する呼吸・心拍異
常判定手段を備え、呼吸・心拍の多さ又は少なさに基づ
いて異常判定を行うことを特徴とすることにより、体動
と多さに応じて呼吸・心拍の異常判定基準を変えること
の出来る構成となり、体動の多い場合は呼吸・心拍が多
めでも適量と判定し、体動が少ない場合に呼吸・心拍が
多めの場合は異常と判定することができる。
【００１６】請求項１０に記載の発明は、特に、数週間
以上の長期データを記憶できる長期データ記憶手段を備
え、請求項１に記載の異常判定手段が心拍信号検知手
段、呼吸信号検知手段、体動信号検知手段の出力信号に
加えて長期データ記憶手段に記憶されている長期データ
を入力として異常判定を行う長期データ判定手段を備
え、長期データを加味して異常判定を行うことを特徴と
することにより、使用者の長期のデータを記憶し、記憶
したデータと新たに測定した心拍・呼吸・体動をもとに
判定を行う構成となり使用者の平生の状況から外れた事
態には異常と判定することができる。
以上の長期データを記憶できる長期データ記憶手段を備
え、請求項１に記載の異常判定手段が心拍信号検知手
段、呼吸信号検知手段、体動信号検知手段の出力信号に
加えて長期データ記憶手段に記憶されている長期データ
を入力として異常判定を行う長期データ判定手段を備
え、長期データを加味して異常判定を行うことを特徴と
することにより、使用者の長期のデータを記憶し、記憶
したデータと新たに測定した心拍・呼吸・体動をもとに
判定を行う構成となり使用者の平生の状況から外れた事
態には異常と判定することができる。
【００１７】
【実施例】以下本発明の実施例について図面を参照しな
がら説明する。
がら説明する。
【００１８】（実施例１）図１は本発明の実施例１の構
成を示す図である。１はベッド、敷き布団等の寝具、２
は掛け布団等の上掛け、３は使用者である。４は圧力セ
ンサであり、使用者３と寝具２間に設置している。５は
生理信号測定手段で、心拍信号測定手段５１、呼吸信号
測定手段５２、体動信号測定手段５３、離床回数判定手
段５４から構成されている。生理信号測定手段５は圧力
センサ４の信号を入力する。６はＣＢＲ異常判定手段、
７は報知手段であり、ＣＢＲ異常判定手段６は生理信号
測定手段５の信号を入力として事例ベース推論（ＣＢ
Ｒ）を行い異常を出力し、報知手段７は異常の場合報知
を行う。本実施例では圧力センサ４としてピエゾシート
を用いている。本実施例では生理データ測定手段５、す
なわち、心拍信号測定手段５１、呼吸信号測定手段５
２、体動信号測定手段５３、及び、ＣＢＲ異常判定手段
６はマイクロコンピュータで構成している。
成を示す図である。１はベッド、敷き布団等の寝具、２
は掛け布団等の上掛け、３は使用者である。４は圧力セ
ンサであり、使用者３と寝具２間に設置している。５は
生理信号測定手段で、心拍信号測定手段５１、呼吸信号
測定手段５２、体動信号測定手段５３、離床回数判定手
段５４から構成されている。生理信号測定手段５は圧力
センサ４の信号を入力する。６はＣＢＲ異常判定手段、
７は報知手段であり、ＣＢＲ異常判定手段６は生理信号
測定手段５の信号を入力として事例ベース推論（ＣＢ
Ｒ）を行い異常を出力し、報知手段７は異常の場合報知
を行う。本実施例では圧力センサ４としてピエゾシート
を用いている。本実施例では生理データ測定手段５、す
なわち、心拍信号測定手段５１、呼吸信号測定手段５
２、体動信号測定手段５３、及び、ＣＢＲ異常判定手段
６はマイクロコンピュータで構成している。
【００１９】図２に圧力センサ４の出力信号のグラフを
示す。図３は体動信号測定手段５３の出力である。本実
施例では圧力センサ４の出力信号Ｘ（ｔ）の絶対値から
所定値Ｘ０を減算し、負のときは０、正の時はさらにゲ
インｇを掛けて拡大した信号、すなわち、（式１）によ
って求めるＡ（ｔ）の１秒間の和を取ったものである。
示す。図３は体動信号測定手段５３の出力である。本実
施例では圧力センサ４の出力信号Ｘ（ｔ）の絶対値から
所定値Ｘ０を減算し、負のときは０、正の時はさらにゲ
インｇを掛けて拡大した信号、すなわち、（式１）によ
って求めるＡ（ｔ）の１秒間の和を取ったものである。
【００２０】 Ａ（ｔ）＝ｇ×（｜Ｘ（ｔ）｜−Ｘ０）（｜Ｘ（ｔ）｜−Ｘ０＞０） ０（｜Ｘ（ｔ）｜−Ｘ０≦０）・・・・（式１） ここで、Ｘ０＝０．５、ｇ＝３とした。
【００２１】離床回数判定手段５４は体動信号測定手段
５３の出力から離床回数をカウントする。大きな体動の
後静止すれば離床とみなし、離床後に大きな体動があれ
ば着床とする。着床回数は過去３時間の間の着床をカウ
ントした数字で示す。
５３の出力から離床回数をカウントする。大きな体動の
後静止すれば離床とみなし、離床後に大きな体動があれ
ば着床とする。着床回数は過去３時間の間の着床をカウ
ントした数字で示す。
【００２２】体動信号測定手段５３の出力である体動デ
ータと、離床回数判定手段５４の出力である離床回数を
入力としてＣＢＲ異常判定手段６が事例ベース推論（Ｃ
ＢＲ）を用いて異常を判定する。
ータと、離床回数判定手段５４の出力である離床回数を
入力としてＣＢＲ異常判定手段６が事例ベース推論（Ｃ
ＢＲ）を用いて異常を判定する。
【００２３】図４にＣＢＲ異常判定手段６の構成図を示
す。６０は体動の異常判定のための事例データを記憶し
ている体動事例データ記憶手段、６１は離床の異常判定
のための事例データを記憶している離床事例データ記憶
手段、６２は事例ベース推論演算を行うＣＢＲ判定手段
である。
す。６０は体動の異常判定のための事例データを記憶し
ている体動事例データ記憶手段、６１は離床の異常判定
のための事例データを記憶している離床事例データ記憶
手段、６２は事例ベース推論演算を行うＣＢＲ判定手段
である。
【００２４】体動事例データ記憶手段６０は離床回数、
体動データ１０秒分、そのときの異常度合いを１セット
として記憶する。例えば少し体動は有るが異常の無い時
のデータ例は（０、０．４、０、０、０、０、６．１、
０．２、０．５、０．５、０、０．３）であり、最初の
数字０が離床回数、最後の数字０．３が異常の程度を示
している。体動が多く異常の場合は以下のように体動が
大きく異常度合いが１である。（０、２、１０、１１、
１２、１０、７、９、１０、２０、１７、１）また、離
床回数が多い場合の異常は体動が多くなくても異常であ
る（５、２、３、４、１、１、３、５、１、２、１、
１）。
体動データ１０秒分、そのときの異常度合いを１セット
として記憶する。例えば少し体動は有るが異常の無い時
のデータ例は（０、０．４、０、０、０、０、６．１、
０．２、０．５、０．５、０、０．３）であり、最初の
数字０が離床回数、最後の数字０．３が異常の程度を示
している。体動が多く異常の場合は以下のように体動が
大きく異常度合いが１である。（０、２、１０、１１、
１２、１０、７、９、１０、２０、１７、１）また、離
床回数が多い場合の異常は体動が多くなくても異常であ
る（５、２、３、４、１、１、３、５、１、２、１、
１）。
【００２５】このようにデータセットを典型的な異常の
場合と、異常無しの場合を含めて記憶する。典型的な異
常とは、動きつづけたり、全く動かなくなったりしたば
あいである。このように事例データ記憶手段６０はデー
タセットを記憶している。ＣＢＲ判定手段６２は体動信
号測定手段５３の出力である体動データを入力として事
例データ記憶手段６０に記憶されている事例データをも
とに事例ベース推論（Case-Based Reasoning）を行い、
異常度合いを０から１の信号として出力する。１は異常
の場合である。
場合と、異常無しの場合を含めて記憶する。典型的な異
常とは、動きつづけたり、全く動かなくなったりしたば
あいである。このように事例データ記憶手段６０はデー
タセットを記憶している。ＣＢＲ判定手段６２は体動信
号測定手段５３の出力である体動データを入力として事
例データ記憶手段６０に記憶されている事例データをも
とに事例ベース推論（Case-Based Reasoning）を行い、
異常度合いを０から１の信号として出力する。１は異常
の場合である。
【００２６】異常報知手段７は異常度合いが０．６以上
の場合は表示手段７１に異常を表示すると共に、０．８
以上の場合はブザー７２を鳴らす。
の場合は表示手段７１に異常を表示すると共に、０．８
以上の場合はブザー７２を鳴らす。
【００２７】以上のように、本実施例に拠れば、異常を
自動判定する在床異常モニタ装置となり確認者は自分で
判断することなく異常をモニタすることができる。ま
た、記憶された情報に照らして異常判定を行うこととな
りあらかじめ考えうる状況に対応した異常判定を可能と
することができる。また、事例データを記憶し事例ベー
ス推論を行うことで、異常事例に近い場合は異常と判定
することができ、容易に判定手段を構成することができ
る。更に、体動の程度に基づいて異常判定を行うことを
特徴とすることにより、体動の多さに基づいた異常判定
を行う構成となり、突然体動が多くなった場合や体動が
なくなった場合を異常と判定することができる。また、
離床の回数に基づいた異常判定を行う構成となり、離床
回数が多すぎる場合や離床しない場合を異常と判定する
ことができる。
自動判定する在床異常モニタ装置となり確認者は自分で
判断することなく異常をモニタすることができる。ま
た、記憶された情報に照らして異常判定を行うこととな
りあらかじめ考えうる状況に対応した異常判定を可能と
することができる。また、事例データを記憶し事例ベー
ス推論を行うことで、異常事例に近い場合は異常と判定
することができ、容易に判定手段を構成することができ
る。更に、体動の程度に基づいて異常判定を行うことを
特徴とすることにより、体動の多さに基づいた異常判定
を行う構成となり、突然体動が多くなった場合や体動が
なくなった場合を異常と判定することができる。また、
離床の回数に基づいた異常判定を行う構成となり、離床
回数が多すぎる場合や離床しない場合を異常と判定する
ことができる。
【００２８】なお、本発明は圧力センサを用いてデータ
を測定しているが、圧力センサ以外のセンサでも生理デ
ータの測定が行えるものであれば同様の効果を得られる
ことは言うまでもない。また、離床の判定を体動のみで
行っているが、心拍と呼吸があるときを在床とする在床
判定を加味すれば更に精度良く離床回数がカウントでき
る。
を測定しているが、圧力センサ以外のセンサでも生理デ
ータの測定が行えるものであれば同様の効果を得られる
ことは言うまでもない。また、離床の判定を体動のみで
行っているが、心拍と呼吸があるときを在床とする在床
判定を加味すれば更に精度良く離床回数がカウントでき
る。
【００２９】（実施例２）図５は本発明の実施例２の構
成を示す図である。８はＮＮ異常判定手段で、生理信号
測定手段５の信号をニューラルネットワークに入力し出
力される異常度合いデータを報知手段７に出力する。本
実施例ではＮＮ異常判定手段８はマイクロコンピュータ
で実現している。その他、実施例１と同一の機能のもの
は同一の記号を用いている。図６にＮＮ異常判定手段８
の構成を示す。８１は咳を認識するニューラルネットワ
ークの重みパラメータを記憶する咳ＮＮ記憶手段、８２
は咳ＮＮ記憶手段８１のパラメータを用いてニューラル
ネットワーク演算を行い、異常度合いを出力するＮＮ判
定手段である。
成を示す図である。８はＮＮ異常判定手段で、生理信号
測定手段５の信号をニューラルネットワークに入力し出
力される異常度合いデータを報知手段７に出力する。本
実施例ではＮＮ異常判定手段８はマイクロコンピュータ
で実現している。その他、実施例１と同一の機能のもの
は同一の記号を用いている。図６にＮＮ異常判定手段８
の構成を示す。８１は咳を認識するニューラルネットワ
ークの重みパラメータを記憶する咳ＮＮ記憶手段、８２
は咳ＮＮ記憶手段８１のパラメータを用いてニューラル
ネットワーク演算を行い、異常度合いを出力するＮＮ判
定手段である。
【００３０】ニューラルネットワークはパターン認識に
優れた特性をもち、データ数列を入力してあらかじめ学
習をさせることで、ネットワークのつながりにおける重
みを変えていくことで入出力関係を学習するものであ
る。本実施例ではニューラルネットワークとして最も一
般的なバックプロパゲーションを用い、入力としては２
０秒の体動データＴ１、Ｔ２、・・・Ｔ２０の２０個を
用いた。図７に使用したニューラルネットワークの構成
を示す。事前に咳の場合の体動データを測定し、ニュー
ラルネットワークに咳が多いときや激しいときのデータ
と平常時のデータに異常度を付加して学習させパラメー
タチューニングを行う。チューニングの済んだ重みパラ
メータを咳ＮＮ記憶手段８１に記憶させておく。ＮＮ判
定手段８２は生理信号測定手段５からの出力を入力と
し、ＮＮ判定手段８１の重みを用いてニューラルネット
ワークの演算を行うことで異常度合いを出力する。元気
な状態であれば咳は問題にならないが、お年寄りや体力
の無い病人の場合などには咳から大きな病気に移行する
場合もあり、早期に確認を行うことが重要である。
優れた特性をもち、データ数列を入力してあらかじめ学
習をさせることで、ネットワークのつながりにおける重
みを変えていくことで入出力関係を学習するものであ
る。本実施例ではニューラルネットワークとして最も一
般的なバックプロパゲーションを用い、入力としては２
０秒の体動データＴ１、Ｔ２、・・・Ｔ２０の２０個を
用いた。図７に使用したニューラルネットワークの構成
を示す。事前に咳の場合の体動データを測定し、ニュー
ラルネットワークに咳が多いときや激しいときのデータ
と平常時のデータに異常度を付加して学習させパラメー
タチューニングを行う。チューニングの済んだ重みパラ
メータを咳ＮＮ記憶手段８１に記憶させておく。ＮＮ判
定手段８２は生理信号測定手段５からの出力を入力と
し、ＮＮ判定手段８１の重みを用いてニューラルネット
ワークの演算を行うことで異常度合いを出力する。元気
な状態であれば咳は問題にならないが、お年寄りや体力
の無い病人の場合などには咳から大きな病気に移行する
場合もあり、早期に確認を行うことが重要である。
【００３１】以上のように、本実施例に拠れば、あらか
じめ異常事例のデータを学習させたニューラルネットワ
ークの入出力演算を判定手段で行える構成とすることに
より、パターン認識に優れたニューラルネットワークの
特徴を活かして異常状態の判定を行うことができる。ま
た、咳の強さと多さに基づいた異常判定を行う構成とな
り、咳が多い場合や強い場合に異常と判断することがで
きる。
じめ異常事例のデータを学習させたニューラルネットワ
ークの入出力演算を判定手段で行える構成とすることに
より、パターン認識に優れたニューラルネットワークの
特徴を活かして異常状態の判定を行うことができる。ま
た、咳の強さと多さに基づいた異常判定を行う構成とな
り、咳が多い場合や強い場合に異常と判断することがで
きる。
【００３２】（実施例３）図８は本発明の実施例３の構
成を示す図である。１０は長期データ保存手段で生理信
号測定手段５の信号を保存する。９はファジィ異常判定
手段で、生理信号測定手段５の信号と長期データ保存手
段１０に保存した長期データを入力としてファジィ推論
を行い出力される異常度合いデータを報知手段７に出力
する。本実施例ではファジィ異常判定手段９、長期デー
タ保存手段１０はマイクロコンピュータで実現してい
る。その他、実施例１と同一の機能のものは同一の記号
を用いている。図９にファジィ異常判定手段９の構成を
示す。９０は体動を加味した心拍と呼吸に関するファジ
ィルールを記憶する心拍・呼吸ファジィルール記憶手
段、９１は長期データに関するファジィルールを記憶す
る長期データファジィルール記憶手段、９２はファジィ
推論を行い、異常度合いを出力するファジィ判定手段
で、９２１は体動を加味した心拍・呼吸の異常度合いを
判定するファジィ判定手段Ａ、９２２は長期データから
異常度合いを判定するファジィ判定手段Ｂである。図１
０に心拍測定手段５１の構成を示す。５１０はローパス
フィルタ、５１１はハイパスフィルタ、５１２は自己相
関係数算出手段、５１３は評価手段、５１４は心拍数算
出手段である。心拍測定手段５１は圧力センサ４の出力
を入力し、ローパスフィルタ５１０でノイズ成分を除去
する。フィルタのカットオフ周波数は３０Ｈｚ、ゲイン
は１０倍に設定している。次にハイパスフィルタ５１１
で呼吸による振動成分を除去する。フィルタのカットオ
フ周波数は０．５Ｈｚ、ゲインは１０倍に設定してい
る。図１１（ａ）に測定データを、（ｂ）にハイパスフ
ィルタ５１１を通過したあとの出力波形を示す。次に自
己相関係数算出手段５１２が移動時間０からｔmax秒の
間の自己相関係数を算出する。図１２に算出した自己相
関係数の例を示す。続いて、評価手段５１３が算出され
た自己相関係数Ｆ（ｔ）のピーク検知を行い、ピークポ
イントの周波数ｔ１を周期出力する。次に心拍数算出手
段５１４が心拍数を算出する。心拍数は評価手段５１３
が決定した周期から算出され、心拍数Ｓ＝６０／ｔであ
る。このデータ例ではＳ＝６０／ｔ１である。以上のよ
うに心拍測定手段５１は心拍数Ｓを測定する。
成を示す図である。１０は長期データ保存手段で生理信
号測定手段５の信号を保存する。９はファジィ異常判定
手段で、生理信号測定手段５の信号と長期データ保存手
段１０に保存した長期データを入力としてファジィ推論
を行い出力される異常度合いデータを報知手段７に出力
する。本実施例ではファジィ異常判定手段９、長期デー
タ保存手段１０はマイクロコンピュータで実現してい
る。その他、実施例１と同一の機能のものは同一の記号
を用いている。図９にファジィ異常判定手段９の構成を
示す。９０は体動を加味した心拍と呼吸に関するファジ
ィルールを記憶する心拍・呼吸ファジィルール記憶手
段、９１は長期データに関するファジィルールを記憶す
る長期データファジィルール記憶手段、９２はファジィ
推論を行い、異常度合いを出力するファジィ判定手段
で、９２１は体動を加味した心拍・呼吸の異常度合いを
判定するファジィ判定手段Ａ、９２２は長期データから
異常度合いを判定するファジィ判定手段Ｂである。図１
０に心拍測定手段５１の構成を示す。５１０はローパス
フィルタ、５１１はハイパスフィルタ、５１２は自己相
関係数算出手段、５１３は評価手段、５１４は心拍数算
出手段である。心拍測定手段５１は圧力センサ４の出力
を入力し、ローパスフィルタ５１０でノイズ成分を除去
する。フィルタのカットオフ周波数は３０Ｈｚ、ゲイン
は１０倍に設定している。次にハイパスフィルタ５１１
で呼吸による振動成分を除去する。フィルタのカットオ
フ周波数は０．５Ｈｚ、ゲインは１０倍に設定してい
る。図１１（ａ）に測定データを、（ｂ）にハイパスフ
ィルタ５１１を通過したあとの出力波形を示す。次に自
己相関係数算出手段５１２が移動時間０からｔmax秒の
間の自己相関係数を算出する。図１２に算出した自己相
関係数の例を示す。続いて、評価手段５１３が算出され
た自己相関係数Ｆ（ｔ）のピーク検知を行い、ピークポ
イントの周波数ｔ１を周期出力する。次に心拍数算出手
段５１４が心拍数を算出する。心拍数は評価手段５１３
が決定した周期から算出され、心拍数Ｓ＝６０／ｔであ
る。このデータ例ではＳ＝６０／ｔ１である。以上のよ
うに心拍測定手段５１は心拍数Ｓを測定する。
【００３３】図１３に呼吸測定手段５２の構成を示す。
５２０はローパスフィルタ、５２２は自己相関係数算出
手段、５２３は評価手段、５２４は呼吸数算出手段であ
る。呼吸測定手段５２は圧力センサ４の出力を入力し、
ローパスフィルタ５２０で呼吸による振動成分を残し、
残りの周波数域を除去する。フィルタのカットオフ周波
数は０．５Ｈｚ、ゲインは１００倍に設定している。図
１４（ａ）に測定データを、（ｂ）にローパスフィルタ
５２０を通過したあとの出力波形を示す。次に自己相関
係数算出手段５２２が移動時間０からｔmax秒の間の自
己相関係数を算出する。続いて、評価手段５２３が算出
された自己相関係数Ｆ（ｔ）のピーク検知を行い、ピー
クポイントの周波数ｔ２を出力する。次に呼吸数算出手
段５２４が呼吸数を算出する。呼吸数は評価手段５２３
が決定した周期から算出され、呼吸数Ｋ＝６０／ｔであ
る。このデータ例ではＫ＝６０／ｔ２である。以上のよ
うに呼吸測定手段５２は呼吸数Ｋを測定する。体動Ｔは
前述のとおり、圧力センサ４の出力信号Ｘ（ｔ）の絶対
値から所定値Ｘ０を減算し、負のときは０、正の時はさ
らにゲインｇを掛けて拡大した信号、すなわち、式１に
よって求めるＡ（ｔ）の１秒間の和を取ったものであ
る。
５２０はローパスフィルタ、５２２は自己相関係数算出
手段、５２３は評価手段、５２４は呼吸数算出手段であ
る。呼吸測定手段５２は圧力センサ４の出力を入力し、
ローパスフィルタ５２０で呼吸による振動成分を残し、
残りの周波数域を除去する。フィルタのカットオフ周波
数は０．５Ｈｚ、ゲインは１００倍に設定している。図
１４（ａ）に測定データを、（ｂ）にローパスフィルタ
５２０を通過したあとの出力波形を示す。次に自己相関
係数算出手段５２２が移動時間０からｔmax秒の間の自
己相関係数を算出する。続いて、評価手段５２３が算出
された自己相関係数Ｆ（ｔ）のピーク検知を行い、ピー
クポイントの周波数ｔ２を出力する。次に呼吸数算出手
段５２４が呼吸数を算出する。呼吸数は評価手段５２３
が決定した周期から算出され、呼吸数Ｋ＝６０／ｔであ
る。このデータ例ではＫ＝６０／ｔ２である。以上のよ
うに呼吸測定手段５２は呼吸数Ｋを測定する。体動Ｔは
前述のとおり、圧力センサ４の出力信号Ｘ（ｔ）の絶対
値から所定値Ｘ０を減算し、負のときは０、正の時はさ
らにゲインｇを掛けて拡大した信号、すなわち、式１に
よって求めるＡ（ｔ）の１秒間の和を取ったものであ
る。
【００３４】次に異常判定手段９の動作を説明する。入
力された心拍Ｓ、呼吸Ｋ、体動Ｔは、長期データにより
規格化しＳ'、Ｋ'、Ｔ'とする。長期データで規格化す
ることで、常時心拍が多い場合や、常時呼吸が少ない場
合など、一般的な常識と異なった状態が平常である場合
にも判断を間違えることなく異常度合いを判定すること
が出来る。規格化は式２の数式で行う。式２でＳmin、
Ｓmaxはそれぞれ心拍長期データの最小値、最大値であ
る。
力された心拍Ｓ、呼吸Ｋ、体動Ｔは、長期データにより
規格化しＳ'、Ｋ'、Ｔ'とする。長期データで規格化す
ることで、常時心拍が多い場合や、常時呼吸が少ない場
合など、一般的な常識と異なった状態が平常である場合
にも判断を間違えることなく異常度合いを判定すること
が出来る。規格化は式２の数式で行う。式２でＳmin、
Ｓmaxはそれぞれ心拍長期データの最小値、最大値であ
る。
【００３５】 Ｓ'＝Ｓ／（Ｓmax−Ｓmin）＋Ｓmin・・・（式２） （式２）で規格化することで心拍は長期データの最小値
を０、最大値を１とする規格化が行われる。通常の心拍
値で規格化することで個人差による誤判定を行わない。
Ｔ'、Ｋ'も同様に規格化される。
を０、最大値を１とする規格化が行われる。通常の心拍
値で規格化することで個人差による誤判定を行わない。
Ｔ'、Ｋ'も同様に規格化される。
【００３６】規格化されたＳ'、Ｋ'、Ｔ'を入力とし
て、ファジィ判定手段Ａ９２１がファジィ推論を行う。
推論のファジィルールは体動を加味した心拍と呼吸に関
するファジィルールを記憶する心拍・呼吸ファジィルー
ル記憶手段９０に記憶されている。また、長期データに
関するファジィルールを記憶する長期データファジィル
ール記憶手段９１に記憶されているファジィルールを用
いてファジィ判定手段Ｂ９２２が長期データを入力とし
てファジィ推論を行い、異常度合いを出力する。ファジ
ィ判定手段Ａ９２１、ファジィ判定手段Ｂ９２２の出力
である２つの異常度を表す数値はmax手段９４によって
大きい値が異常度合いとして出力される。
て、ファジィ判定手段Ａ９２１がファジィ推論を行う。
推論のファジィルールは体動を加味した心拍と呼吸に関
するファジィルールを記憶する心拍・呼吸ファジィルー
ル記憶手段９０に記憶されている。また、長期データに
関するファジィルールを記憶する長期データファジィル
ール記憶手段９１に記憶されているファジィルールを用
いてファジィ判定手段Ｂ９２２が長期データを入力とし
てファジィ推論を行い、異常度合いを出力する。ファジ
ィ判定手段Ａ９２１、ファジィ判定手段Ｂ９２２の出力
である２つの異常度を表す数値はmax手段９４によって
大きい値が異常度合いとして出力される。
【００３７】心拍・呼吸ファジィルール記憶手段９０に
よる推論ルールは（if Ｔが小さく、ＳとＫが大きけれ
ばthen異常である）、（if Ｔが小さく、ＳとＫが小さ
ければthen普通である）、（if Ｔが非常に小さく、Ｓ
とＫが非常に小さければthen異常である）、（if Ｔが
大きく、ＳとＫが大きければthen普通である）、（ifＴ
が大きく、ＳとＫが小さければthenやや異常である）、
（if Ｔが非常に大きく、ＳとＫが非常に大きければth
en異常である）の６つよりなる。“普通”や、“小さ
く”等の定性的な表現は、図１５のメンバーシップ関数
で定量化される。
よる推論ルールは（if Ｔが小さく、ＳとＫが大きけれ
ばthen異常である）、（if Ｔが小さく、ＳとＫが小さ
ければthen普通である）、（if Ｔが非常に小さく、Ｓ
とＫが非常に小さければthen異常である）、（if Ｔが
大きく、ＳとＫが大きければthen普通である）、（ifＴ
が大きく、ＳとＫが小さければthenやや異常である）、
（if Ｔが非常に大きく、ＳとＫが非常に大きければth
en異常である）の６つよりなる。“普通”や、“小さ
く”等の定性的な表現は、図１５のメンバーシップ関数
で定量化される。
【００３８】長期データはＳ、Ｋ、Ｔの時間変化を其々
最小二乗法で直線近似した際の傾きｄＳ／ｄｔ、ｄＫ／
ｄｔ、ｄＴ／ｄｔの３つのうちで絶対値が最大のものを
長期変化度Ｃとして用いる。
最小二乗法で直線近似した際の傾きｄＳ／ｄｔ、ｄＫ／
ｄｔ、ｄＴ／ｄｔの３つのうちで絶対値が最大のものを
長期変化度Ｃとして用いる。
【００３９】長期データファジィルール記憶手段９１に
よる推論ルールは、（if Ｃが正ならthen異常であ
る）、（if Ｃがゼロならthen普通である）、（if Ｃ
が負ならthen異常である）の３つよりなる。ＰＢ、Ｚ、
ＮＢは図１６のメンバーシップ関数で定量化される。
よる推論ルールは、（if Ｃが正ならthen異常であ
る）、（if Ｃがゼロならthen普通である）、（if Ｃ
が負ならthen異常である）の３つよりなる。ＰＢ、Ｚ、
ＮＢは図１６のメンバーシップ関数で定量化される。
【００４０】以上述べたように、本実施例に拠れば特
に、請求項２に記載の記憶手段が異常を判定するファジ
ィルールを記憶するものとし、判定手段が記憶手段に記
憶されたファジィルールをもとにファジィ推論を行う構
成とすることにより、あらかじめ、異常判定が行える専
門化の判定結果をもとにチューニングしたファジィルー
ルで判定する判定手段となり、異常判定が出来る専門化
の知識・ノウハウをルール化した人の判断に近い判定手
段を構築することができる。
に、請求項２に記載の記憶手段が異常を判定するファジ
ィルールを記憶するものとし、判定手段が記憶手段に記
憶されたファジィルールをもとにファジィ推論を行う構
成とすることにより、あらかじめ、異常判定が行える専
門化の判定結果をもとにチューニングしたファジィルー
ルで判定する判定手段となり、異常判定が出来る専門化
の知識・ノウハウをルール化した人の判断に近い判定手
段を構築することができる。
【００４１】また、特に請求項１に記載の異常判定手段
が心拍信号検知手段、呼吸信号検知手段、体動信号検知
手段の出力から、体動の有無に基づいて体動が多い場合
には呼吸・心拍の数が多めでも異常の程度を低く判定
し、呼吸・心拍が多すぎる場合や少なすぎる場合は異常
の程度を高く判定する呼吸・心拍異常判定手段を備え、
呼吸・心拍の多さ又は少なさに基づいて異常判定を行う
ことを特徴とすることにより、体動と多さに応じて呼吸
・心拍の異常判定基準を変えることの出来る構成とな
り、体動の多い場合は呼吸・心拍が多めでも適量と判定
し、体動が少ない場合に呼吸・心拍が多めの場合は異常
と判定することができる。更に、特に数週間以上の長期
データを記憶できる長期データ記憶手段を備え、請求項
１に記載の異常判定手段が心拍信号検知手段、呼吸信号
検知手段、体動信号検知手段の出力信号に加えて長期デ
ータ記憶手段に記憶されている長期データを入力として
異常判定を行う長期データ判定手段を備え、長期データ
を加味して異常判定を行うことを特徴とすることによ
り、使用者の長期のデータを記憶し、記憶したデータと
新たに測定した心拍・呼吸・体動をもとに判定を行う構
成となり使用者の平生の状況から外れた事態には異常と
判定することができる。
が心拍信号検知手段、呼吸信号検知手段、体動信号検知
手段の出力から、体動の有無に基づいて体動が多い場合
には呼吸・心拍の数が多めでも異常の程度を低く判定
し、呼吸・心拍が多すぎる場合や少なすぎる場合は異常
の程度を高く判定する呼吸・心拍異常判定手段を備え、
呼吸・心拍の多さ又は少なさに基づいて異常判定を行う
ことを特徴とすることにより、体動と多さに応じて呼吸
・心拍の異常判定基準を変えることの出来る構成とな
り、体動の多い場合は呼吸・心拍が多めでも適量と判定
し、体動が少ない場合に呼吸・心拍が多めの場合は異常
と判定することができる。更に、特に数週間以上の長期
データを記憶できる長期データ記憶手段を備え、請求項
１に記載の異常判定手段が心拍信号検知手段、呼吸信号
検知手段、体動信号検知手段の出力信号に加えて長期デ
ータ記憶手段に記憶されている長期データを入力として
異常判定を行う長期データ判定手段を備え、長期データ
を加味して異常判定を行うことを特徴とすることによ
り、使用者の長期のデータを記憶し、記憶したデータと
新たに測定した心拍・呼吸・体動をもとに判定を行う構
成となり使用者の平生の状況から外れた事態には異常と
判定することができる。
【００４２】なお、本発明は圧力センサを用いて生理デ
ータを測定しているが、圧力センサ以外のセンサでも生
理データの測定が行えるものであれば同様の効果を得ら
れることは言うまでもない。
ータを測定しているが、圧力センサ以外のセンサでも生
理データの測定が行えるものであれば同様の効果を得ら
れることは言うまでもない。
【００４３】
【発明の効果】以上のように、請求項１〜１０に記載の
発明によれば、在床時の心拍、呼吸、体動の信号から様
々な異常を検知し、報知する在床異常モニタ装置を提供
することができる。
発明によれば、在床時の心拍、呼吸、体動の信号から様
々な異常を検知し、報知する在床異常モニタ装置を提供
することができる。
【図１】本発明の実施例１を示す在床異常モニタ装置の
構成図
構成図
【図２】同圧力センサのデータ例のグラフ
【図３】同体動のデータ例のグラフ
【図４】同ＣＢＲ異常判定手段の構成図
【図５】本発明の実施例２を示す在床異常モニタ装置の
構成図
構成図
【図６】同ＮＮ異常判定手段の構成図
【図７】同ニューラルネットワークの構成図
【図８】本発明の実施例３を示す在床異常モニタ装置の
構成図
構成図
【図９】同ファジィ異常判定手段の構成図
【図１０】同心拍測定手段の構成図
【図１１】（ａ）同データ例のグラフ （ｂ）同データ例のグラフ
【図１２】同自己相関係数のグラフ
【図１３】同呼吸測定手段の構成図
【図１４】（ａ）同データ例のグラフ （ｂ）同データ例のグラフ
【図１５】同メンバーシップ関数のグラフ
【図１６】同メンバーシップ関数のグラフ
４ 圧力センサ ５ 生理データ測定手段 ６ ＣＢＲ異常判定手段 ７ 報知手段 ８ ＮＮ異常判定手段 ９ ファジィ異常判定手段 １０ 長期データ保存手段
───────────────────────────────────────────────────── フロントページの続き (72)発明者 荻野 弘之 大阪府門真市大字門真1006番地 松下電器 産業株式会社内 (72)発明者 渡邉 義明 大阪府門真市大字門真1006番地 松下電器 産業株式会社内 Ｆターム(参考） 4C038 VA16 VB31 VB33 VB40 VC20 5C086 AA22 BA01 BA07 BA30 CA15 CA19 CA25 CB20 DA40 FA02
Claims (10)
- 【請求項１】 寝具に設置する圧力センサと、圧力セン
サの出力から在床中の使用者の心拍に起因する信号を計
測する心拍信号計測手段と、圧力センサの出力から在床
中の使用者の呼吸に起因する信号を計測する呼吸信号計
測手段と、圧力センサの出力から在床中の使用者の体動
に起因する信号を計測する体動信号計測手段と、心拍信
号検知手段、呼吸信号検知手段、体動信号検知手段の出
力信号を入力として在床中の使用者の異常を判定する異
常判定手段と、無線又は有線で異常判定手段の判定結果
を入力し判定結果が異常の際に報知を行う異常報知手段
を備えてなる在床異常モニタ装置。 - 【請求項２】 異常判定手段が異常に関する情報を記憶
している記憶手段と、記憶手段に記憶されている情報に
基づいて異常度合いを判定する判定手段を備えた請求項
１に記載の在床異常モニタ装置。 - 【請求項３】 記憶手段が異常の場合の事例データを記
憶し、判定手段が記憶手段に記憶されている事例データ
をもとに事例ベース推論演算を行う請求項２に記載の在
床異常モニタ装置。 - 【請求項４】 記憶手段が異常を判定するファジィルー
ルを記憶し、判定手段が記憶手段に記憶されているファ
ジィルールをもとにファジィ推論を行う請求項２に記載
の在床異常モニタ装置。 - 【請求項５】 記憶手段が異常を判定するニューラルネ
ットワークのパラメータを記憶し、判定手段が記憶手段
に記憶されたパラメータに基づいてニューラルネットワ
ークの演算を行う請求項２に記載の在床異常モニタ装
置。 - 【請求項６】 異常判定手段が体動信号検知手段の出力
である体動信号を入力として体動が強いほど又多いほど
異常の程度を高く、又体動が弱すぎるか少なすぎる場合
も異常の程度を高く判定する体動異常判定手段を備え、
体動の程度に基づいて異常判定を行うことを特徴とする
請求項１に記載の在床異常モニタ装置。 - 【請求項７】 異常判定手段が心拍信号検知手段、呼吸
信号検知手段、体動信号検知手段の出力から離床を判定
する離床判定手段と、離床判定手段の出力である離床の
回数を入力として離床が多すぎるほど異常の程度を高
く、又離床が少なすぎる場合も異常の程度を高く判定す
る離床異常判定手段を備え、離床の程度に基づいて異常
判定を行うことを特徴とする請求項１に記載の在床異常
モニタ装置。 - 【請求項８】 異常判定手段が咳の強さと多さを判定す
る咳判定手段と、咳判定手段の出力である咳の強さと多
さを入力として咳が強いほど又多いほど異常の程度を高
く判定する咳異常判定手段を備え、咳の程度に基づいて
異常判定を行うことを特徴とする請求項１に記載の在床
異常モニタ装置。 - 【請求項９】 異常判定手段が心拍信号検知手段、呼吸
信号検知手段、体動信号検知手段の出力から、体動の有
無に基づいて体動が多い場合には呼吸・心拍の数が多め
でも異常の程度を低く判定し、呼吸・心拍が多すぎる場
合や少なすぎる場合は異常の程度を高く判定する呼吸・
心拍異常判定手段を備え、呼吸・心拍の多さ又は少なさ
に基づいて異常判定を行うことを特徴とする請求項１に
記載の在床異常モニタ装置。 - 【請求項１０】 数週間以上の長期データを記憶できる
長期データ記憶手段を備え、異常判定手段が心拍信号検
知手段、呼吸信号検知手段、体動信号検知手段の出力信
号に加えて長期データ記憶手段に記憶されている長期デ
ータを入力として異常判定を行う長期データ判定手段を
備え、長期データを加味して異常判定を行うことを特徴
とする請求項１に記載の在床異常モニタ装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2001142776A JP2002336207A (ja) | 2001-05-14 | 2001-05-14 | 在床異常モニタ装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2001142776A JP2002336207A (ja) | 2001-05-14 | 2001-05-14 | 在床異常モニタ装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2002336207A true JP2002336207A (ja) | 2002-11-26 |
Family
ID=18989013
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2001142776A Pending JP2002336207A (ja) | 2001-05-14 | 2001-05-14 | 在床異常モニタ装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2002336207A (ja) |
Cited By (30)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009532072A (ja) * | 2005-11-01 | 2009-09-10 | アーリーセンス エルティディ | 臨床発作患者の監視方法及びシステム |
| US7674967B2 (en) | 2005-03-22 | 2010-03-09 | Sony Corporation | Body movement detecting apparatus and method, and content playback apparatus and method |
| WO2010108018A2 (en) * | 2009-03-18 | 2010-09-23 | Mayo Foundation For Medical Education And Research | Ventilator monitoring and control |
| WO2012035737A1 (ja) * | 2010-09-16 | 2012-03-22 | ダイキン工業株式会社 | 睡眠判定装置 |
| US8376954B2 (en) | 2004-02-05 | 2013-02-19 | Earlysense Ltd. | Techniques for prediction and monitoring of respiration-manifested clinical episodes |
| US8403865B2 (en) | 2004-02-05 | 2013-03-26 | Earlysense Ltd. | Prediction and monitoring of clinical episodes |
| CN103142219A (zh) * | 2013-03-28 | 2013-06-12 | 江苏晓山信息产业股份有限公司 | 一种无约束式生命体征监测床垫 |
| US8491492B2 (en) | 2004-02-05 | 2013-07-23 | Earlysense Ltd. | Monitoring a condition of a subject |
| JP2013165750A (ja) * | 2012-02-14 | 2013-08-29 | Sanwa Newtec Co Ltd | 人体センサーおよび安全管理装置 |
| US8585607B2 (en) | 2007-05-02 | 2013-11-19 | Earlysense Ltd. | Monitoring, predicting and treating clinical episodes |
| CN103622700A (zh) * | 2013-12-18 | 2014-03-12 | 浙江天地人科技有限公司 | 一种睡眠监测系统和方法 |
| US8821418B2 (en) | 2007-05-02 | 2014-09-02 | Earlysense Ltd. | Monitoring, predicting and treating clinical episodes |
| US8882684B2 (en) | 2008-05-12 | 2014-11-11 | Earlysense Ltd. | Monitoring, predicting and treating clinical episodes |
| US8942779B2 (en) | 2004-02-05 | 2015-01-27 | Early Sense Ltd. | Monitoring a condition of a subject |
| US9053222B2 (en) | 2002-05-17 | 2015-06-09 | Lawrence A. Lynn | Patient safety processor |
| US9883809B2 (en) | 2008-05-01 | 2018-02-06 | Earlysense Ltd. | Monitoring, predicting and treating clinical episodes |
| US9953453B2 (en) | 2012-11-14 | 2018-04-24 | Lawrence A. Lynn | System for converting biologic particle density data into dynamic images |
| WO2018198312A1 (ja) * | 2017-04-28 | 2018-11-01 | 株式会社オプティム | 就寝異常通知システム、就寝異常通知方法、およびプログラム |
| CN108961135A (zh) * | 2018-10-17 | 2018-12-07 | 威海富腾信息科技股份有限公司 | 养老管理服务系统 |
| US10292625B2 (en) | 2010-12-07 | 2019-05-21 | Earlysense Ltd. | Monitoring a sleeping subject |
| WO2019107012A1 (ja) * | 2017-11-30 | 2019-06-06 | パラマウントベッド株式会社 | 異常報知装置、記録媒体及び異常報知方法 |
| US10354753B2 (en) | 2001-05-17 | 2019-07-16 | Lawrence A. Lynn | Medical failure pattern search engine |
| US10354429B2 (en) | 2012-11-14 | 2019-07-16 | Lawrence A. Lynn | Patient storm tracker and visualization processor |
| US10540786B2 (en) | 2013-02-28 | 2020-01-21 | Lawrence A. Lynn | Graphically presenting features of rise or fall perturbations of sequential values of five or more clinical tests |
| WO2020067505A1 (ja) * | 2018-09-28 | 2020-04-02 | 帝人ファーマ株式会社 | 呼吸数計測装置 |
| CN111938613A (zh) * | 2020-08-07 | 2020-11-17 | 南京茂森电子技术有限公司 | 基于毫米波雷达的健康监测装置及方法 |
| US10939829B2 (en) | 2004-02-05 | 2021-03-09 | Earlysense Ltd. | Monitoring a condition of a subject |
| CN112703027A (zh) * | 2018-09-25 | 2021-04-23 | 帝人制药株式会社 | 呼吸信息取得装置 |
| JP2022095665A (ja) * | 2017-11-30 | 2022-06-28 | パラマウントベッド株式会社 | 異常報知装置、プログラム及び異常報知方法 |
| CN112739403B (en) * | 2018-09-28 | 2024-04-30 | 帝人制药株式会社 | Respiratory number measuring device |
-
2001
- 2001-05-14 JP JP2001142776A patent/JP2002336207A/ja active Pending
Cited By (56)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10354753B2 (en) | 2001-05-17 | 2019-07-16 | Lawrence A. Lynn | Medical failure pattern search engine |
| US10297348B2 (en) | 2001-05-17 | 2019-05-21 | Lawrence A. Lynn | Patient safety processor |
| US10366790B2 (en) | 2001-05-17 | 2019-07-30 | Lawrence A. Lynn | Patient safety processor |
| US10032526B2 (en) | 2001-05-17 | 2018-07-24 | Lawrence A. Lynn | Patient safety processor |
| US9053222B2 (en) | 2002-05-17 | 2015-06-09 | Lawrence A. Lynn | Patient safety processor |
| US8491492B2 (en) | 2004-02-05 | 2013-07-23 | Earlysense Ltd. | Monitoring a condition of a subject |
| US8840564B2 (en) | 2004-02-05 | 2014-09-23 | Early Sense Ltd. | Monitoring a condition of a subject |
| US9131902B2 (en) | 2004-02-05 | 2015-09-15 | Earlysense Ltd. | Prediction and monitoring of clinical episodes |
| US8376954B2 (en) | 2004-02-05 | 2013-02-19 | Earlysense Ltd. | Techniques for prediction and monitoring of respiration-manifested clinical episodes |
| US8517953B2 (en) | 2004-02-05 | 2013-08-27 | Earlysense Ltd. | Techniques for prediction and monitoring of coughing-manifested clinical episodes |
| US8992434B2 (en) | 2004-02-05 | 2015-03-31 | Earlysense Ltd. | Prediction and monitoring of clinical episodes |
| US8942779B2 (en) | 2004-02-05 | 2015-01-27 | Early Sense Ltd. | Monitoring a condition of a subject |
| US8603010B2 (en) | 2004-02-05 | 2013-12-10 | Earlysense Ltd. | Techniques for prediction and monitoring of clinical episodes |
| US10939829B2 (en) | 2004-02-05 | 2021-03-09 | Earlysense Ltd. | Monitoring a condition of a subject |
| US8679030B2 (en) | 2004-02-05 | 2014-03-25 | Earlysense Ltd. | Monitoring a condition of a subject |
| US8731646B2 (en) | 2004-02-05 | 2014-05-20 | Earlysense Ltd. | Prediction and monitoring of clinical episodes |
| US8403865B2 (en) | 2004-02-05 | 2013-03-26 | Earlysense Ltd. | Prediction and monitoring of clinical episodes |
| US7674967B2 (en) | 2005-03-22 | 2010-03-09 | Sony Corporation | Body movement detecting apparatus and method, and content playback apparatus and method |
| JP2009532072A (ja) * | 2005-11-01 | 2009-09-10 | アーリーセンス エルティディ | 臨床発作患者の監視方法及びシステム |
| US9026199B2 (en) | 2005-11-01 | 2015-05-05 | Earlysense Ltd. | Monitoring a condition of a subject |
| US8585607B2 (en) | 2007-05-02 | 2013-11-19 | Earlysense Ltd. | Monitoring, predicting and treating clinical episodes |
| US8821418B2 (en) | 2007-05-02 | 2014-09-02 | Earlysense Ltd. | Monitoring, predicting and treating clinical episodes |
| US8734360B2 (en) | 2007-05-02 | 2014-05-27 | Earlysense Ltd. | Monitoring, predicting and treating clinical episodes |
| US9883809B2 (en) | 2008-05-01 | 2018-02-06 | Earlysense Ltd. | Monitoring, predicting and treating clinical episodes |
| US8998830B2 (en) | 2008-05-12 | 2015-04-07 | Earlysense Ltd. | Monitoring, predicting and treating clinical episodes |
| US8882684B2 (en) | 2008-05-12 | 2014-11-11 | Earlysense Ltd. | Monitoring, predicting and treating clinical episodes |
| WO2010108018A2 (en) * | 2009-03-18 | 2010-09-23 | Mayo Foundation For Medical Education And Research | Ventilator monitoring and control |
| WO2010108018A3 (en) * | 2009-03-18 | 2011-01-13 | Mayo Foundation For Medical Education And Research | Ventilator monitoring and control |
| US10426906B2 (en) | 2009-03-18 | 2019-10-01 | Mayo Foundation For Medical Education And Research | Ventilator monitoring and control |
| WO2012035737A1 (ja) * | 2010-09-16 | 2012-03-22 | ダイキン工業株式会社 | 睡眠判定装置 |
| US11147476B2 (en) | 2010-12-07 | 2021-10-19 | Hill-Rom Services, Inc. | Monitoring a sleeping subject |
| US10292625B2 (en) | 2010-12-07 | 2019-05-21 | Earlysense Ltd. | Monitoring a sleeping subject |
| JP2013165750A (ja) * | 2012-02-14 | 2013-08-29 | Sanwa Newtec Co Ltd | 人体センサーおよび安全管理装置 |
| US9953453B2 (en) | 2012-11-14 | 2018-04-24 | Lawrence A. Lynn | System for converting biologic particle density data into dynamic images |
| US10354429B2 (en) | 2012-11-14 | 2019-07-16 | Lawrence A. Lynn | Patient storm tracker and visualization processor |
| US10540786B2 (en) | 2013-02-28 | 2020-01-21 | Lawrence A. Lynn | Graphically presenting features of rise or fall perturbations of sequential values of five or more clinical tests |
| CN103142219A (zh) * | 2013-03-28 | 2013-06-12 | 江苏晓山信息产业股份有限公司 | 一种无约束式生命体征监测床垫 |
| CN103622700A (zh) * | 2013-12-18 | 2014-03-12 | 浙江天地人科技有限公司 | 一种睡眠监测系统和方法 |
| WO2018198312A1 (ja) * | 2017-04-28 | 2018-11-01 | 株式会社オプティム | 就寝異常通知システム、就寝異常通知方法、およびプログラム |
| CN110799090A (zh) * | 2017-04-28 | 2020-02-14 | 株式会社OPTiM | 就寝异常通知系统、就寝异常通知方法以及程序 |
| JPWO2018198312A1 (ja) * | 2017-04-28 | 2020-04-02 | 株式会社オプティム | 就寝異常通知システム、就寝異常通知方法、およびプログラム |
| JP2021118858A (ja) * | 2017-11-30 | 2021-08-12 | パラマウントベッド株式会社 | 異常報知装置、プログラム及び異常報知方法 |
| WO2019107012A1 (ja) * | 2017-11-30 | 2019-06-06 | パラマウントベッド株式会社 | 異常報知装置、記録媒体及び異常報知方法 |
| JP7261913B2 (ja) | 2017-11-30 | 2023-04-20 | パラマウントベッド株式会社 | 異常報知装置、プログラム及び異常報知方法 |
| JP2022095665A (ja) * | 2017-11-30 | 2022-06-28 | パラマウントベッド株式会社 | 異常報知装置、プログラム及び異常報知方法 |
| JP7043655B2 (ja) | 2017-11-30 | 2022-03-29 | パラマウントベッド株式会社 | 異常報知装置、プログラム及び異常報知方法 |
| JP2019097828A (ja) * | 2017-11-30 | 2019-06-24 | パラマウントベッド株式会社 | 異常報知装置、プログラム及び異常報知方法 |
| CN112703027A (zh) * | 2018-09-25 | 2021-04-23 | 帝人制药株式会社 | 呼吸信息取得装置 |
| JPWO2020067505A1 (ja) * | 2018-09-28 | 2021-05-20 | 帝人ファーマ株式会社 | 呼吸数計測装置 |
| CN112739403A (zh) * | 2018-09-28 | 2021-04-30 | 帝人制药株式会社 | 呼吸次数计测装置 |
| JP7055217B2 (ja) | 2018-09-28 | 2022-04-15 | 帝人ファーマ株式会社 | 呼吸数計測装置 |
| WO2020067505A1 (ja) * | 2018-09-28 | 2020-04-02 | 帝人ファーマ株式会社 | 呼吸数計測装置 |
| CN112739403B (en) * | 2018-09-28 | 2024-04-30 | 帝人制药株式会社 | Respiratory number measuring device |
| CN108961135A (zh) * | 2018-10-17 | 2018-12-07 | 威海富腾信息科技股份有限公司 | 养老管理服务系统 |
| CN111938613A (zh) * | 2020-08-07 | 2020-11-17 | 南京茂森电子技术有限公司 | 基于毫米波雷达的健康监测装置及方法 |
| CN111938613B (zh) * | 2020-08-07 | 2023-10-31 | 南京茂森电子技术有限公司 | 基于毫米波雷达的健康监测装置及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2002336207A (ja) | 在床異常モニタ装置 | |
| CN102458240B (zh) | 具有减少的心搏停止假警报的ecg 监测 | |
| US7427270B2 (en) | Sleep stage determination apparatus | |
| EP2408354B1 (en) | Systems and methods for monitoring heart rate and blood pressure correlation | |
| US20200265950A1 (en) | Biological information processing system, biological information processing method, and computer program recording medium | |
| US11547364B2 (en) | Abnormality notification system, abnormality notification method, and program | |
| WO2019107012A1 (ja) | 異常報知装置、記録媒体及び異常報知方法 | |
| JP2001037742A (ja) | 呼吸器系疾患のモニタ装置 | |
| JP2012502771A (ja) | 非代償性うっ血性心不全の検出 | |
| JP6370209B2 (ja) | 生体情報予測装置、生体情報予測方法、及びプログラム | |
| JPH07204166A (ja) | 監視装置 | |
| CN110638460B (zh) | 一种相对于床的对象的状态检测方法、装置和设备 | |
| JP7106729B2 (ja) | 異常判定装置及びそれに用いるプログラム | |
| JP2004024684A (ja) | 無呼吸症候群の検査装置 | |
| US11490860B2 (en) | Biological information monitoring system, bed system, and biological information monitoring method | |
| JP2019097829A (ja) | 異常報知装置及びプログラム | |
| WO2017038966A1 (ja) | 生体情報出力装置、生体情報出力方法及びプログラム | |
| JP6556783B2 (ja) | 異常通報システム及びプログラム | |
| US9241672B2 (en) | Determining usability of an acoustic signal for physiological monitoring using frequency analysis | |
| WO2019177080A1 (ja) | 体動判定システム | |
| JP7261913B2 (ja) | 異常報知装置、プログラム及び異常報知方法 | |
| JPH08317909A (ja) | 就寝状態判定装置 | |
| JP2019205843A (ja) | 異常通報システム | |
| CN110022758A (zh) | 用于确定心力衰竭风险的确定系统 | |
| CN111788614A (zh) | 在床状态监视系统以及具备其的床 |