JP2004157614A

JP2004157614A - Behavior analysis system

Info

Publication number: JP2004157614A
Application number: JP2002320317A
Authority: JP
Inventors: Haruo Noma; 春生野間; Norihiro Hagita; 紀博萩田; Shinji Tetsuya; 信二鉄谷; Hiroshi Izeki; 洋伊関; Noriaki Kuwabara; 教彰桑原; Kiyoshi Kogure; 潔小暮
Original assignee: ATR Advanced Telecommunications Research Institute International
Current assignee: ATR Advanced Telecommunications Research Institute International
Priority date: 2002-11-01
Filing date: 2002-11-01
Publication date: 2004-06-03

Abstract

<P>PROBLEM TO BE SOLVED: To provide a behavior analysis system that can prevent an accident and can analyze a factor in an accident, in a behavior analysis system for analyzing behavior of a subject such as a doctor, a nurse or a factory worker. <P>SOLUTION: The behavior analysis system 10 includes a computer 12, to which data on the number of steps and the lean angle (angle of upper body lean) of a nurse measured by a measuring device 30 are transmitted. From the measured number of steps and lean angle, behavioral feature vectors of the nurse are created, and from behavioral feature vectors including accidents, for example, dictionary data on particular accidents are created. After the dictionary data creation, the creation of behavioral feature data on the nurse at a certain time point (current time point) and their comparison with the dictionary data determines whether an accident may possibly occur or not. If there is a possibility of an accident, an alarm is raised to avoid it. The prediction and avoidance of accident occurrence can prevent an accident. <P>COPYRIGHT: (C)2004,JPO

Description

【０００１】
【産業上の利用分野】
この発明は行動分析装置に関し、特にたとえば、医師、看護師、工員などの被験者の行動を分析する、行動分析装置に関する。
【０００２】
【従来の技術】
この種の行動分析装置の一例が、特許文献１に開示される。この特許文献１の行動検知システムでは、人体に個人情報端末が取り付けられ、人体の姿勢や動作、体動、行動・活動状態や位置、生理信号が検知される。検知・収集されたセンサ信号は、基地局へ無線通信によって送信される。基地局へ無線通信された個人情報端末からのセンサ情報は、他のセンサと接続されているセンサ信号処理手段に送信され、情報が統合化される。統合化された人体の行動情報はデータ蓄積手段に蓄積される。次に、センサ信号処理手段から得られた人体の行動情報は、データ蓄積手段によって蓄積された構造化データをもとに行動評価手段によって比較・評価される。この行動評価手段から得られた人体の行動状態のうち、状態判定手段によって異常と判定されたり、また、将来的に異常となり得ることが予測されたら、その内容が個人情報端末やネットワークによって接続された他の端末に通報される。たとえば、他の端末を医者が使用している場合には、適切なアドバイスを、異常と判定された人やその補助者に対して行うことができる。
【０００３】
【特許文献１】
特開２００２−１４９８２４号公報（第４頁および第１図）
【０００４】
【発明が解決しようとする課題】
しかし、このような検知システムは、老人や患者などの行動情報を収集するものであり、老人や患者を介護したり、看護したりする者に起因して発生する医療ミスのような事故を未然に防止することはできなかった。
【０００５】
それゆえに、この発明の主たる目的は、事故を未然に防止できる、行動分析装置を提供することである。
【０００６】
この発明の他の目的は、事故の発生要因を分析できる、行動分析装置を提供することである。
【０００７】
【課題を解決するための手段】
第１の発明は、特定の業務を行う被験者の行動を分析する行動分析装置であって、少なくとも被験者の運動量を計測する運動量計測手段、運動量計測手段によって計測された運動量に基づいて被験者の行動特徴を作成する特徴作成手段、アクシデントが発生したときの行動特徴が登録されたデータベース、現時点における被験者の行動特徴とデータベースに登録された行動特徴とを比較する比較手段、比較手段の比較結果に基づいてアクシデントが発生する可能性の有無を判断する判断手段、および判断手段によってアクシデントが発生する可能性があると判断されたとき、警告を発する警告手段を備える、行動分析装置である。
【０００８】
第２の発明は、特定の業務を行う被験者の行動を分析する行動分析装置であって、少なくとも被験者の運動量を計測する運動量計測手段、運動量計測手段によって計測された運動量に基づいて被験者の行動特徴を作成する特徴作成手段、アクシデントが発生したときの行動特徴をデータベースに登録する登録手段、現時点における被験者の行動特徴とデータベースに登録された行動特徴とを比較する比較手段、比較手段の比較結果に基づいてアクシデントが発生する可能性の有無を判断する判断手段、および判断手段によってアクシデントが発生する可能性があると判断されたとき、警告を発する警告手段を備える、行動分析装置である。
【０００９】
第３の発明は、特定の業務を行う被験者の行動を分析する行動分析装置であって、少なくとも被験者の運動量を計測する運動量計測手段、運動量計測手段によって計測された運動量に基づいて被験者の行動特徴を作成する特徴作成手段、アクシデントが発生したときの行動特徴が登録されたデータベース、およびデータベースに登録された行動特徴を分析してアクシデントの発生要因を抽出する分析手段を備える、行動分析装置である。
【００１０】
第４の発明は、特定の業務を行う被験者の行動を分析する行動分析装置であって、少なくとも被験者の運動量を計測する運動量計測手段、運動量計測手段によって計測された運動量に基づいて被験者の行動特徴を作成する特徴作成手段、アクシデントが発生したときの行動特徴をデータベースに登録する登録手段、およびデータベースに登録された行動特徴を分析してアクシデントの発生要因を抽出する分析手段を備える、行動分析装置である。
【００１１】
【作用】
第１の発明の行動分析装置では、運動量計測手段によって、特定の業務を行う被験者の運動量が計測される。この計測された運動量に基づいて被験者の行動特徴が作成され、アクシデント（事故）が発生したときの行動特徴が予め登録されたデータベースが設けられる。たとえば、或る時点（現時点）における被験者の行動特徴が作成され、データベースに登録された行動特徴と比較される。比較した結果、アクシデントが発生する可能性の有無が判断され、アクシデントが発生する可能性がある場合には、警告が発せられる。つまり、アクシデントの発生を予測して、事前に回避される。
【００１２】
第２の発明は、第１の発明のように、アクシデントが発生したときの行動特徴が予め登録されたデータベースを備えるのではなく、登録手段がそのような行動特徴をデータベースに登録するようにしたものであり、それ以外の構成は同じである。
【００１３】
たとえば、第１の発明または第２の発明では、近似度算出手段によって、現時点における被験者の行動特徴とデータベースに登録された行動特徴との近似度が算出されるので、判断手段は近似度が所定の閾値よりも大きいとき、アクシデントが発生する可能性があると判断する。つまり、アクシデントが発生したときの行動特徴と近似する行動特徴を取得したときに、警告を発することができるのである。
【００１４】
また、運動量としては、歩数計測手段や角度計測手段によって、被験者の歩数や上体の傾斜角が計測されるので、これらを要素とする特徴ベクトルを作成することができる。
【００１５】
したがって、少なくともデータベースに登録されたすべての特徴ベクトルの平均値を含む第１辞書を作成しておけば、現時点における被験者の特徴ベクトルとその平均値のユークリッド距離を求めて近似度を算出することができる。
【００１６】
また、データベースに登録されたすべての特徴ベクトルの平均値、共分散行列、この共分散行列についての固有値行列およびこの固有値行列の固有ベクトルを含む第２辞書を作成しておけば、現時点における被験者の特徴ベクトルとその平均値、共分散行列、固有値行列および固有ベクトルとの尤度を求めて近似度を算出することもできる。
【００１７】
第３の発明の行動分析装置では、運動量計測手段によって、特定の業務を行う被験者の運動量が計測される。この計測された運動量に基づいて被験者の行動特徴が作成され、アクシデント（事故）が発生したときの行動特徴が登録されたデータベースが設けられる。分析手段は、アクシデントが発生したときの行動特徴を分析して当該アクシデントの要因を抽出する。
【００１８】
第４の発明は、第３の発明のように、アクシデントが発生したときの行動特徴が予め登録されたデータベースを備えるのではなく、登録手段がそのような行動特徴をデータベースに登録するようにしたものであり、それ以外の構成は同じである。
【００１９】
たとえば、第３の発明または第４の発明では、運動量としては、歩数計測手段や角度計測手段によって、被験者の歩数や上体の傾斜角が計測されるので、これらを要素とする特徴ベクトルを作成することができる。
【００２０】
したがって、データベースに登録されるすべての特徴ベクトルの第１平均値とアクシデントの第１出現確率とを用いて第１散乱行列および第１分散行列を求め、この第１散乱行列の逆行列と第１分散行列との積で求められた行列についての第１固有ベクトルの係数の大きさに基づいてアクシデントの発生要因を抽出することができる。つまり、発生し易いアクシデントおよびその要因を知ることができるので、これに基づいて人員配置や勤務シフトの見直しなどの業務改善を図ることができるのである。
【００２１】
なお、複数の被験者が存在する場合には、特徴ベクトルと被験者とを関連づけておけば、特定の被験者についての特徴ベクトルを抽出して、上述したように被験者別のアクシデントの発生要因を抽出することもできる。つまり、特定の被験者において発生し易いアクシデントおよびその要因を知ることができる。
【００２２】
また、被験者の音声を記録する音声記録手段や被験者を撮影するカメラを備えておけば、記録した音声や撮影した映像から被験者の業務内容を特定することができる。したがって、運動量に基づいて作成された特徴ベクトルと特定した業務内容とを関連づけてデータベースに登録することができる。
【００２３】
このため、特定の業務についての特徴ベクトルについての第２平均値と特定の業務内容におけるアクシデントの第２出現確率とを用いて第２散乱行列および第２分散行列を求め、この第２散乱行列の逆行列と第２分散行列との積で求められた行列についての第２固有ベクトルの係数の大きさに基づいて特定の業務内容におけるアクシデントの発生要因を抽出することができる。つまり、特定の業務内容において発生し易いアクシデントおよびその要因を知ることができる。
【００２４】
【発明の効果】
この発明によれば、アクシデントの発生を予測してこれを回避するので、アクシデントの発生を防止することができる。
【００２５】
他の発明によれば、アクシデントの要因を知ることができるので、これを無くすように業務改善を行うことができる。
【００２６】
この発明の上述の目的，その他の目的，特徴および利点は、図面を参照して行う以下の実施例の詳細な説明から一層明らかとなろう。
【００２７】
【実施例】
図１を参照して、この実施例の行動分析装置１０は業務（この実施例では、看護業務）を行う看護師（看護婦，看護士）の行動を分析するものであり、パーソナルコンピュータ或いはワークステーションのようなコンピュータ１２を含む。コンピュータ１２には、複数の触覚センサ１４および複数のカメラ１６が接続される。図示は省略するが、この実施例では、複数の触覚センサ１４は、体温計、血圧計、注射器、点滴注射器、血液採取用試験管、検尿コップなどの医療器具を格納してある格納箱の取り出し部分やナースコール端末などに取り付けられ、それらの医療器具等の使用（取り出し）の有無を検知する。また、複数のカメラ１６は、入院患者を収容する病棟内であり、廊下、病室（ベッド）および看護師の詰所などに設置され、看護業務を行う看護師の行動を撮影する。
【００２８】
なお、図示は省略するが、カメラ１６としては、映像（および音声）のディジタルデータを、直接コンピュータ１２のハードディスク（図示せず）に記録できる監視カメラを用いることができる。
【００２９】
また、コンピュータ１２には、複数のデータベース（ＤＢ）が接続される。具体的には、看護師ＤＢ１８、病棟イベントＤＢ２０、行動特徴ベクトルＤＢ２２および看護業務行動辞書ＤＢ２４が接続される。
【００３０】
看護師ＤＢ１８は、図２（Ａ）に示すような看護師の１日の業務における行動についてのデータ（看護師データ）を看護師毎に記録する。図２（Ａ）に示すように、看護師データには、ラベルとして看護師名が記述され、看護師名の横に日付が記述される。看護師名および日付の下側には、当該看護師の看護業務に関する項目（内容）が記述される。つまり、看護業務の開始時刻、看護業務の対象患者、看護業務の内容、看護業務における歩数、看護業務における傾斜（上半身（上体）を傾ける）回数および医療ミス等の業務における事故（アクシデント・インシデント）がそれぞれ記述される。
【００３１】
このような看護師データでは、アクシデント・インシデント以外の内容は、後述する計測装置３０（図５参照）で計測されるデータや病棟イベントＤＢ２０に記録される病棟イベントデータから取得される。
【００３２】
また、アクシデント・インシデントの欄には、当該看護師が業務日報などに記述した医療ミスなどの事故の内容や医療ミス等は発生していないがひやりと（はっと）した出来事の内容が別途入力（記述）される。つまり、この実施例では、アクシデント・インシデントは、事故だけでなく、ひやりとした出来事を含む概念である。たとえば、ひやりとした出来事としては、患者の転倒などが該当する。
【００３３】
たとえば、図２（Ａ）に示す看護師データからは、看護師（○○夏子）が、２００２年１０月２５日（金）の１０時２０分から２分５秒の間、患者（△△冬男）に対して検温を行い、その間の歩数は４５６歩であり、傾斜回数は３５回であり、そして、検温に際して何ら医療ミス等がなかったことが分かる。
【００３４】
ただし、この実施例では、後述する行動特徴ベクトルや看護業務行動辞書のデータを作成する便宜上、図２（Ｂ）に示すように、看護師、患者、看護業務およびアクシデント・インシデントの内容については、カテゴリ番号を記述するようにしてある。つまり、コンピュータ１２のハードディスク（図示せず）には、図３（Ａ），（Ｂ）および図４（Ａ），（Ｂ）に示すようなテーブルが記録され、看護師、患者、看護業務およびアクシデント・インシデントがそれぞれカテゴリ分類されている。
【００３５】
図３（Ａ）は看護師カテゴリのテーブルを示す図解図であり、看護師カテゴリ番号（ｎ＝１，２，…，Ｎ）に対応して看護師名（＊＊春子，○○夏子，…，△△冬子）が記述される。また、図３（Ｂ）は患者カテゴリのテーブルを示す図解図であり、患者カテゴリ番号（ｋ＝１，２，…，Ｋ）に対応して患者名（＊＊春男，○○夏男，…，△△冬男）が記述される。さらに、図４（Ａ）は看護業務カテゴリのテーブルを示す図解図であり、看護業務カテゴリ番号（ｚ＝１，２，…，Ｚ）に対応して看護業務の内容（患者訪問，病状観察，…，退院指導）が記述される。さらにまた、図４（Ｂ）はアクシデント・インシデントカテゴリのテーブルを示す図解図であり、アクシデント・インシデントカテゴリ番号（ｈ＝１，２，…，Ｈ）に対応してアクシデント・インシデントの内容（アクシデント・インシデントなし，患者転倒，…，注射ミス）が記述される。
【００３６】
また、病棟イベントＤＢ２０は、複数のセンサすなわち上述した複数の触覚センサ１４および複数のカメラ１６（イメージセンサ）のそれぞれから得られる検知データおよびイメージデータ（これらをまとめて「病棟イベントデータ」という。）を記録する。検知データには、検知する対象となる医療器具等の名称のような識別情報がラベルとして付され、イメージデータには、カメラ１６の設置場所やカメラの向きなどの識別情報がラベルとして付される。つまり、検知データやイメージデータのラベルから検知対象物や撮影対象（撮影区域）を特定することができる。さらに、コンピュータ１２は、病棟イベントデータを取得した時間（時間データ）を、内蔵される時計回路１２ａから取得して、当該病棟イベントデータに付加する。
【００３７】
たとえば、検知データの入力があった時に、コンピュータ１２は当該検知データに時間データを付加して、病棟イベントＤＢ２０に記録する。また、イメージデータは、連続するフレーム間の差分がコンピュータ１２で検出され、画像に動きがあったときのイメージデータに時間データを付加して、病棟イベントＤＢ２０に記録する。ただし、イメージデータの解析処理は、コンピュータ１２の負担が大きくなるため、別途専用のコンピュータ等を設けるようにしてもよい。
【００３８】
さらに、行動特徴ベクトルＤＢ２２は、上述した看護師データに基づいて作成される行動特徴ベクトルＦのデータを記録する。この実施例では、行動特徴ベクトルＦは、看護師データに含まれる（計測装置３０で計測される）歩数と傾斜角とを用いて作成され、具体的には数１で示される。ただし、図２（Ａ）および図２（Ｂ）に示した看護師データには、傾斜角は含まれていないが、この傾斜角は傾斜回数の各回数に対応して別途看護師ＤＢ１８に記録される。
【００３９】
【数１】
Ｆ＝（ｐ_１，ｐ_２，…，ｐ_ｉ，…ｐ_Ｉ，θ_１，θ_２，…，θ_ｉ，…θ_Ｉ，
ｓ_１，ｓ_２，…，ｓ_ｉ，…ｓ_Ｉ）
ここで、ｐ_ｉ、θ_ｉおよびｓ_ｉは、時間ｔ＝ｔ_１からｔ＝ｔ_１＋Ｔまでの区間を予め設定したＩ個に等分割した場合における、分割区間内の歩数を単位時間当たりで平均化した歩数周波数（ｐ_ｉ）、分割区間内の傾斜角を単位時間当たりで平均化した傾斜角の平均値（θ_ｉ）および分割区間内の傾斜角の標準偏差（ｓ_ｉ）のそれぞれを示す。
【００４０】
なお、この実施例では、看護師の疲労度が上がると、歩数の区間平均値にばらつきが起きるとともに、身体の傾斜角の単位時間当たりの変化に発生するばらつきが大きくとなると仮定して、歩数周波数、傾斜角の平均値および傾斜角の標準偏差を行動特徴ベクトルの要素としてある。
【００４１】
さらに、看護業務行動辞書ＤＢ２４には、すべての看護師についての行動特徴ベクトルに基づいて作成される複数種類（この実施例では、５種類）の辞書データが記録される。具体的な作成方法については後述するが、看護業務行動辞書ＤＢ２４には、特定のアクシデント・インシデントについての辞書（以下、「特定アクシデント辞書」という。）データ、特定患者についての特定アクシデント辞書データ、特定看護師についての特定アクシデント辞書データ、特定業務についての特定アクシデント辞書データおよび発生時刻別の特定アクシデント辞書データが記録される。
【００４２】
図５は計測装置３０の具体的な構成を示すブロック図であり、この図５を参照して、計測装置３０はＩＣレコーダ３２を含む。ＩＣレコーダ３２には、変調回路３４、変調回路３６、マイク３８および非接触センサ４０が接続される。また、変調回路３４には歩数計４２が接続され、変調回路３６には傾斜角センサ４２が接続される。さらに、ＩＣレコーダ３２には、時計回路３２ａが内蔵される。
【００４３】
このような構成の計測装置３０は、各被験者（看護師）に装着される。たとえば、図６に示すように、ＩＣレコーダ３２、変調回路３４および変調回路３６は、１つのボックス（筐体）５０内に収容され、ボックス５０は看護師の腰部（ベルト部分）に装着される。また、マイク３８および傾斜角センサ４４は看護師の胸元（襟部分または襟近傍）に装着され、歩数計４２は上述のボックス５０と同様に看護師の腰部に装着される。非接触センサ４０は、マグネットスイッチ、ホール素子或いはＭＲ素子を用いた磁気センサであり、たとえば、看護師の手首に装着され、看護師の上着の袖部分に磁石５２が埋め込まれる。
【００４４】
なお、図６においては、分かり易く示すため、磁石５２を袖の外側に記載してある。また、図６においては省略するが、マイク３８および非接触センサ４０は接続線を用いて筐体５０内のＩＣレコーダ３２に接続され、歩数計４２および傾斜角センサ４４は接続線を用いて筐体内の変調回路３４および変調回路３６にそれぞれ接続される。
【００４５】
たとえば、看護師の操作によって、ＩＣレコーダ３２で記録が開始されると、非接触センサ４０の入力に応じて、マイク３８、歩数計４２および傾斜角センサ４４の入力が有効化／無効化される。具体的には、非接触センサ４０からの入力がある場合には、つまり看護師が手を伸ばした状態で非接触センサ４０が磁石５２を検出してオンの状態である場合には、看護師の状態（上半身の傾斜角および歩数）を計測する計測モードが設定される。つまり、歩数計４２および傾斜角センサ４４の入力が有効化され、マイク３８の入力が無効化される。
【００４６】
一方、看護師が手を曲げた状態で非接触センサ４０が磁石５２を検出していないオフの状態である場合には、看護師の発する音声を記録する音声記録モードが設定される。つまり、マイク３８の入力が有効化され、歩数計４２および傾斜角センサ４４の入力すなわち変調回路３４および変調回路３６の入力が無効化される。
【００４７】
ただし、音声記録モードが設定された場合には、所定時間（この実施例では、１０秒間）が経過するか、または再度非接触センサ４０がオンされたときに、計測モードに復帰される。
【００４８】
したがって、ＩＣレコーダ３２では、マイク３８から入力される看護師の音声信号や歩数計４２および傾斜角センサ４４からの入力に変調を施した音声信号が、ディジタルデータに変換され、メモリカードやフラッシュメモリなどの半導体メモリ（図示せず）に記録される。ただし、音声、歩数、傾斜角度の別で、それぞれに対応する音声信号のディジタルデータ（音声データ）が記録される。その後、看護師の操作によって、ＩＣレコーダ３２の記録動作が終了される。
【００４９】
また、ＩＣレコーダ３２は、録音が開始された時点の時間情報（時間データ）および録音が終了された時点の時間データをそれぞれ時計回路３２ａから取得し、上述のようにして取得された音声、歩数および傾斜角度についての音声データに付加する。
【００５０】
なお、ＩＣレコーダ３２の具体的な構成や音声信号の記録については、既に周知であるため、この実施例では、その詳細な説明については省略することにする。
【００５１】
また、この実施例では、ＩＣレコーダ３２を用いて音声信号を記録するようにしてあるが、ＭＤやＭＯのようなディスク記録媒体に音声信号を記録する記録装置を用いるようにしてもよい。
【００５２】
たとえば、看護師（ｎ）が患者ｋさんの患者訪問を行なう場合には、看護師（看護師カテゴリ番号ｎ）が「患者ｋさんの（患者）訪問に行ってきます。」と発話した内容、患者ｋさんの病室を往復する間の歩数および当該病室を往復する間に上半身を傾斜した際の角度（傾斜角度）のそれぞれについての音声データが記録される。また、この音声データに、録音開始時刻および録音終了時刻の時間データが付加される。
【００５３】
このような音声、歩数および傾斜角度についての音声データおよびこれらに付加される時間データ（以下、これらを「計測データ」という場合がある。）は、看護師（ｎ）の１日の業務のすべてについて取得される。図１に示すように、コンピュータ１２と計測装置３０（厳密にはＩＣレコーダ３２）とは、たとえば無線ＬＡＮによって接続され、したがって、上述のようにして取得された１日の業務についての計測データ（業務計測データ）は、計測装置３０（ＩＣレコーダ３２）からコンピュータ１２に送信（転送）することができる。
【００５４】
コンピュータ１２は、転送された業務計測データに基づいて、アクシデント・インシデントを除く看護師データを作成する。つまり、看護師を特定し、その後、各計測データからアクシデント・インシデントを除く看護データの項目を特定（決定）して、記録する。
【００５５】
たとえば、特定の看護師に特定の（同じ）ＩＣレコーダ３２を使用させるようにしておけば、ＩＣレコーダ３２の半導体メモリに割り当てられるＭＡＣアドレスから看護師を特定することができる。つまり、予めコンピュータ１２のハードディスク内に、上述した各テーブルと同様に、ＭＡＣアドレスに対応して看護師名（或いは看護師カテゴリ番号ｎ）を記述したテーブルを記録しておき、業務計測データの転送を受けたときにＭＡＣアドレスを取得すれば、簡単に看護師を特定することができる。
【００５６】
また、各計測データに含まれる看護師の音声についての音声データは、アナログの音声信号に変換された後、音声認識処理を施され、認識した音声から患者名や当該患者に対して行った看護業務が特定される。つまり、コンピュータ１２は音声認識機能を備えており、また、音声認識のための辞書すなわち複数の発話（音声）に対応する音声信号を記録したメモリ（たとえば、ハードディスクやＲＯＭ）を有している。
【００５７】
なお、この実施例では、複数の発話は看護業務に関する発話であり、予め看護師が音声入力することにより、複数の看護業務に関する発話の音声信号が記録（収録）される。ただし、個々の発話を効率良く認識するようにするため、看護師毎に音声認識のための辞書が設けられる。
【００５８】
したがって、コンピュータ１２は、看護師の音声についての音声データをアナログに変換した音声信号とメモリに記録された音声信号とを、ＤＰマッチング法やＨＭＭ（隠れマルコフモデル）法により比較し、看護師が発話した内容を認識（特定）する。具体的には、「患者ｋさんの検尿に行ってきます。」という発話を認識すると、患者名「患者ｋ」および当該患者に対する看護業務の内容「検尿」を特定することができる。
【００５９】
ただし、患者名および看護業務の内容については正確に特定する必要があるため、ＤＰマッチング法等による比較結果から近似度が一番高い（第１位の）発話と次に近似度が高い（第２位の）発話とを抽出し、第１位の発話と第２位の発話とに基づいて第１位の発話の認識の妥当性（信頼度）を判断するようにしてある。
【００６０】
つまり、第１位の発話から特定される患者名（第１患者名）と看護業務の内容（第１看護業務）とのそれぞれを抽出するとともに、第２位の発話から特定される患者名（第２患者名）と看護業務の内容（第２看護業務）とのそれぞれを抽出する。次に、第１患者名と第２患者名との近似度（距離値）および第１看護業務と第２看護業務との距離値をそれぞれ計算する。ここで、距離値とは、言葉（単語）の発音が近似している度合いをいう。たとえば、“伊藤（いとう）”と“紀藤（きとう）”とでは近似度が高い（距離値が小さい）が、“伊藤（いとう）”と“田中（たなか）”とでは近似度が低い（距離値が大きい）。
【００６１】
したがって、患者名同士の距離値と看護業務同士の距離値とが予め設定した閾値（第１閾値）よりも小さい場合には、第１位の発話と第２位の発話とが近似しているため、認識結果の信頼度が低いと言える。一方、患者名同士の距離値と看護業務同士の距離値とが第１閾値よりも大きい場合には、第１位の発話と第２位の発話とが近似していないため、認識結果の信頼度が高いと言える。
【００６２】
なお、この実施例では、患者名同士の距離値と看護業務同士の距離値との両方が小さい場合に、第１位の発話と第２位の発話とが近似しているとして、認識結果の信頼度が低いと考えるようにしてあるが、いずれか一方の距離値が小さい場合に、認識結果の信頼度が低いと考えるようにしてもよい。
【００６３】
認識結果の信頼度が高い場合には、第１位の発話に含まれる患者名および看護業務の内容を抽出（採用）して、看護師データの作成に使用する。一方、認識結果の信頼度が低い場合には、第１位の発話に含まれる患者名および看護業務の内容を排除（リジェクト）して、病棟イベントＤＢ２０に記録される病棟イベントデータに基づいて患者名と看護業務の内容とを特定する。
【００６４】
ただし、音声認識により、患者名と看護業務の内容とを個別に特定するようにする場合には、音声認識の結果から距離値が第１閾値よりも小さいもののみを、病棟イベントデータに基づいて特定するようにすればよい。
【００６５】
つまり、ＩＣレコーダ３２から転送された時間データが示す時間における病棟イベントデータすなわち触覚センサ１４およびカメラ１６から得られる検知データおよびイメージデータを病棟イベントＤＢ２０から読み出し、イメージデータから看護師および患者を特定するとともに、検知データとイメージデータとに基づいて看護業務の内容を特定する。
【００６６】
患者（名）の特定は、イメージデータに付されたラベルに記述されるカメラ１６の設置場所およびカメラ１６の向きから容易に特定することができる。看護師の特定は、予め看護師の顔を正面や側面から撮影したデータを記憶しておき、イメージデータと比較することにより行うことができる。
【００６７】
ただし、このような画像処理による特定では、データ量が膨大であり、しかも時間がかかるため、たとえば、看護師が身につけている衣服等に看護師毎に異なる印をつけておき、その印をイメージデータから識別して、看護師を特定するようにすればよい。かかる場合には、看護師の衣服と印とのコントラストを大きくすれば、高い認識率が得られる。
【００６８】
また、検知データとイメージデータとから看護師が行なった看護業務の内容が特定される。たとえば、検知データに基づいて体温計の使用を検出し、イメージデータに基づいて看護師が患者に体温計を手渡したり、患者から体温計を受け取ったりする動作を検出することにより、看護業務の内容「検温」が特定される。
【００６９】
なお、イメージデータから看護師業務の内容を特定するためには、予め看護師が様々な看護業務を行なう際の映像を撮影しておき、撮影した映像と病棟イベントデータに含まれるイメージデータとの対比を行なうことにより看護業務の内容を推定することができ、また、検知データに基づいてそのときに使用された器具等から看護業務の内容を確定（特定）することができる。
【００７０】
このようにして、病棟イベントデータから患者名および看護業務の内容を特定することができるが、手順としては、コンピュータ１２は、まず、作成する看護師データに対応する看護師が撮影されたイメージデータ（病棟イメージデータ）を特定し、続いて、当該イメージデータに付されたラベルの記述から患者（患者名）を特定し、そして、当該検知データおよび当該イメージデータから看護師の看護業務の内容を特定する。
【００７１】
また、各計測データに含まれる歩数および傾斜角度についての音声データは、コンピュータ１２によって復調される。歩数はそのまま看護師データの作成に用いられるが、傾斜センサ４４によって検出された傾斜角度の個数から傾斜回数が決定される。
【００７２】
さらに、看護師データに含まれる時刻および時間の項目に入力すべきデータについては、音声データに付加された時間データから決定される。つまり、時刻の欄には時間データに含まれる録音開始時刻が記述され、時間の欄には録音終了時刻から録音開始時刻を減算した値（時間）が記述される。
【００７３】
その後、業務日報からアクシデント・インシデントの情報を取得して、看護師ＤＢ１８或いは行動分析装置１０（コンピュータ１２）の管理者が図示しない入力装置（キーボードやコンピュータマウス）を用いて、看護師データに追加する。
【００７４】
具体的には、コンピュータ１０は、図７に示すフロー図に従って看護師データの作成処理を実行する。図７に示すように、看護師データの作成処理を開始すると、ステップＳ１で、ＩＣレコーダ３２から業務計測データを受信したかどうかを判断する。ステップＳ１で“ＮＯ”であれば、つまり業務計測データを受信していなければ、そのまま同じステップＳ１に戻る。
【００７５】
一方、ステップＳ１で“ＹＥＳ”であれば、つまり業務計測データを受信すれば、ステップＳ３では、上述したように、ＩＣレコーダ３２に設けられる半導体メモリのＭＡＣアドレスを取得し、これに基づいて看護師（看護師カテゴリ番号ｎ）を特定する。
【００７６】
続くステップＳ５では、１番目の（この実施例では、時刻が一番早い）計測データを抽出する。続いて、ステップＳ７では、音声認識処理を実行する。つまり、抽出した計測データに含まれる看護師の音声についての音声データをアナログ変換して、看護師の発話内容を認識する。
【００７７】
看護師の発話内容が認識されると、ステップＳ９では、認識結果から第１位の発話と第２位の発話とに含まれる患者名同士および看護業務同士のそれぞれについての距離値を検出し、リジェクトがあるかどうかを判断する。
【００７８】
ステップＳ９で“ＹＥＳ”であれば、つまりリジェクトがあれば、ステップＳ１１で、当該計測データに含まれる時間データを参照して、当該計測データと同じ時間帯における病棟イベントデータを病棟イベントＤＢ２０から読み出す。そして、ステップＳ１３で、読み出した病棟イベントデータ（検知データおよびイメージデータ）に基づいて、上述したように、患者名および看護業務の内容を特定して、ステップＳ１７に進む。一方、ステップＳ９で“ＮＯ”であれば、つまりリジェクトがなければ、ステップＳ１５で音声認識の結果から患者名および看護業務の内容を特定して、ステップＳ１７に進む。
【００７９】
ステップＳ１７では、看護師データの各項目が入力される。つまり、看護師名（看護師カテゴリ番号）、日付、時刻、患者名（患者カテゴリ）、看護業務の内容（看護業務カテゴリ番号）、歩数、傾斜回数および時間が入力される。
【００８０】
ただし、看護師カテゴリ番号および日付は初回に入力されればよく、それ以降では、看護師カテゴリ番号および日付を除く項目が随時入力（追加）される。
【００８１】
なお、歩数および傾斜回数は、計測データに含まれる音声データを復調して取得されるが、このステップＳ１７の処理の際に復調すればよい。または、ステップＳ５で計測データを取得してからステップＳ１７の処理を実行するまでの間に復調するようにしてもよい。
【００８２】
続くステップＳ１９では、次の（この実施例では、次に時刻が早い）計測データがあるかどうかを判断する。ステップＳ１９で“ＹＥＳ”であれば、つまり次の計測データがあれば、ステップＳ２１で次の計測データを業務計測データから抽出し、ステップＳ７に戻る。つまり、ステップＳ７からステップＳ２１の処理を繰り返すことにより、図２（Ｂ）に示したような看護データが作成される。
【００８３】
一方、ステップＳ１９で“ＮＯ”であれば、つまり次の計測データがなければ、当該看護師についての看護師データの作成が終了したと判断し、ステップＳ２３で、作成した看護師データを看護師ＤＢ１８に記録（登録）してから処理を終了する。
【００８４】
その後、看護師ＤＢ１８の管理者等の操作によって、看護師データにアクシデント・インシデントの項目が入力され、看護師データが完成される。
【００８５】
なお、この実施例では、音声認識により患者名および看護業務の内容を特定できない場合には、病棟イベントデータに基づいて患者名および看護業務の内容を特定するようにしてあるが、さらに病棟イベントデータに基づいて患者名および看護業務の内容を特定することができない場合には、アクシデント・インシデントの項目と同様に、看護師ＤＢ１８の管理者等が業務日報を参照して患者名（患者カテゴリ番号）および看護業務の内容（看護業務カテゴリ番号）を手入力する。
【００８６】
このようにして、或る看護師についての看護師データが作成され、同様の方法により他の看護師についての看護師データも作成される。その後、コンピュータ１２は、看護師データのそれぞれについて、上述したような行動特徴ベクトルを作成する。
【００８７】
具体的には、コンピュータ１２は、図８に示すフロー図に従って行動特徴ベクトルの作成処理を実行する。図８に示すように、行動特徴ベクトルの作成処理を開始すると、ステップＳ３１で看護師カテゴリ番号（１）の看護師データを看護師ＤＢ１８から読み出す。
【００８８】
続くステップＳ３３では、読み出した看護師データに含まれる１番目の業務データを抽出する。ここで、業務データとは、図２（Ｂ）に示した看護師データの１の業務についての（一列分の）各項目のデータをいう。また、この実施例では、時刻が早い順番で業務データを抽出するようにするため、ステップＳ３３においては、時刻の欄に１０：２０が記述された列の業務データが抽出される。また、このとき、当該業務データに含まれる傾斜回数のデータに対応して記録される傾斜角度のデータも読み出される。
【００８９】
次に、ステップＳ３５では、抽出した業務データに含まれる歩数のデータ、傾斜回数のデータを所定間隔（時間間隔）で分割するとともに、業務データとともに読み出された傾斜角度のデータを所定間隔で分割する。そして、ステップＳ３７では、数１に示したように、歩数、傾斜回数および傾斜角度から行動特徴ベクトルＦｘ（ｘは自然数であり、初回は１である。）を作成する。その他、行動特徴ベクトルの成分として、間隔内の傾斜角の分散、前後の間隔での歩数の差分、傾斜角の分散の差分を追加することも考えられる。
【００９０】
続くステップＳ３９では、次の業務データがあるかどうかを判断する。つまり、看護師データに含まれる業務データで時間的に次の業務データがあるかどうかを判断する。ステップＳ３９で“ＹＥＳ”であれば、つまり次の業務データがあれば、ステップＳ４１で、看護師データから次の業務データを抽出して、ステップＳ３５に戻る。つまり、ステップＳ３５からステップＳ４１の処理を繰り返すことにより、看護師カテゴリ番号（ｎ）の全業務データについての行動特徴ベクトルＦ１，Ｆ２，…，Ｆｘ，…，ＦＸを作成することができる。
【００９１】
一方、ステップＳ３９で“ＮＯ”であれば、つまり次の業務データがなければ、ステップＳ４３で、生成した行動特徴ベクトルＦ１，Ｆ２，…，Ｆｘ，…，ＦＸを行動特徴ベクトルＤＢ２２に記録する。
【００９２】
続いて、ステップＳ４５では、次の看護師データがあるかどうかを判断する。ステップＳ４５で“ＮＯ”であれば、つまり次の看護師データがなければ、すべての看護師データについて行動特徴ベクトルを作成したと判断して、処理を終了する。一方、ステップＳ４５で“ＹＥＳ”であれば、つまり次の看護師データがあれば、当該次の看護師データを看護師ＤＢ１８から読み出して、ステップＳ３３に戻る。
【００９３】
このようにして、看護師データのそれぞれについて行動特徴ベクトルＦｘが作成されるが、行動特徴ベクトルＦｘのデータには、さらに、看護師カテゴリ番号ｎ、看護業務カテゴリ番号ｚ、患者カテゴリ番号ｋおよびアクシデント・インシデントカテゴリ番号ｈの情報がラベルとして付される。このような情報は、看護師データから得られるため、上述したステップＳ３７において行動特徴ベクトルＦｘを作成するときに、付加することができる。或いは、行動特徴ベクトルＦｘの作成処理が終了した後に、行動特徴ベクトルＤＢ２２（分析装置１０）の管理者等がラベルを追加（付加）するようにしてもよい。したがって、厳密には、行動特徴ベクトルＦ（Ｆ１，Ｆ２，Ｆ３，…，Ｆｘ）は、Ｆｘ｜ｎ，ｋ，ｚ，ｈのようにラベルが付加された状態で行動特徴ベクトルＤＢ２２に記録される。
【００９４】
行動特徴ベクトルＤＢ２２に記録されるすべての行動特徴ベクトルＦｘ｜ｎ，ｋ，ｚ，ｈを用いて、上述したような各辞書データがたとえばコンピュータ１２によって作成される。具体的な作成方法については以下に説明する。
【００９５】
＜特定アクシデント辞書データ＞
特定のアクシデント・インシデント（以下、単に「アクシデント」という。）カテゴリ番号ｈ（ｈ≠１）のラベルが付加された特徴ベクトルＦｘが行動特徴ベクトルＤＢ２２から取得され、取得された行動特徴ベクトルＦｘを用いて、数２、数３、数４および数５に従って、平均ベクトルＭ_ｈ、共分散行列Σ_ｈ、固有ベクトルΦ_ｈおよびΣ_ｈの固有値行列Λ_ｈがそれぞれ求められる。これらは、すべてのアクシデントカテゴリ番号ｈ（＝２，３，…，Ｈ）のそれぞれについて求められる。
【００９６】
【数２】
Ｍ_ｈ＝［（ｘ１１＋ｘ２１＋…＋ｘｎ１）／Ｎ，（ｘ１２＋ｘ２２＋…＋ｘｎ２）／Ｎ，…，（ｘ１ｍ＋ｘ２ｍ＋…＋ｘｎｍ）／Ｎ］
ただし、行動特徴ベクトルをｍ次元（この実施例では、３次元）とし、アクシデント・カテゴリ番号ｈに属するｎ個（数１ではＩ個）の標本Ｘ１〜Ｘｎに対してＸ１＝［ｘ１１，ｘ１２，…，ｘ１ｍ］^Ｔ，…，Ｘｎ＝［ｘｎ１，ｘｎ２，…，ｘｎｍ］^Ｔとする。また、添え字の“Ｔ”は行列の転置を意味する。以下、この実施例において同じである。
【００９７】
【数３】
Σ_ｈ＝［Ｘ１−Ｍ_ｈ］×［Ｘ１−Ｍ_ｈ］^Ｔ＋［Ｘ２−Ｍ_ｈ］×［Ｘ２−Ｍ_ｈ］^Ｔ＋…＋［Ｘｎ−Ｍ_ｈ］×［Ｘｎ−Ｍ_ｈ］^Ｔ
【００９８】
【数４】
ｄｅｔ｜Σ_ｈ−λ_ｈＥ｜＝０
ただし、Ｅは単位行列である。
【００９９】
この数４で得られる解すなわち固有ベクトルΦ_ｈ＝（λ_１，λ_２，…，λ_ｍ）のスカラ成分を対角成分として並べると、数５に示すように、固有値行列Λ_ｈが得られる。
【０１００】
【数５】

【０１０１】
また、すべてのアクシデントカテゴリ番号ｈについて、アクシデントカテゴリ内の散乱行列Ｗ_ｈとアクシデントカテゴリ間の分散行列Ｂ_ｈが数６および数７に従ってそれぞれ求められる。
【０１０２】
【数６】

【０１０３】
【数７】

【０１０４】
ただし、アクシデントの出現確率は、該当する（特定の）アクシデントｈのラベルを有する行動特徴ベクトルの数を、アクシデントｈ（ｈ≠１）のラベルを有するすべての行動特徴ベクトルの数で除算することにより算出することができる。以下、この実施例において、同じである。
【０１０５】
つまり、特定アクシデントの辞書データとしては、アクシデントｈ毎の平均ベクトルＭ_ｈ、共分散行列Σ_ｈ、固有ベクトルΦ_ｈ、Σ_ｈの固有値行列Λ_ｈおよびすべてのアクシデントカテゴリ番号ｈについてのアクシデントカテゴリ内の散乱行列Ｗとアクシデントカテゴリ間の分散行列Ｂ_ｈとが記録される。
【０１０６】
＜特定患者についての特定アクシデント辞書データ＞
特定の患者ｋのラベルを有する行動特徴ベクトルＦｘが行動特徴ベクトルＤＢ２２から取得され、取得された行動特徴ベクトルＦｘを用いて、アクシデントカテゴリ（ｈ）別に、上述した数２〜数５に従って、平均ベクトルＭ_ｋｈ、共分散行列Σ_ｋｈ、固有ベクトルΦ_ｋｈおよびΣ_ｋｈの固有値行列Λ_ｋｈのそれぞれが求められる。
【０１０７】
また、すべての患者ｋについて、患者カテゴリ内の散乱行列Ｗ_ｋと患者カテゴリ間の分散行列Ｂ_ｋとが数８および数９に従ってそれぞれ求められる。
【０１０８】
【数８】

【０１０９】
【数９】

【０１１０】
つまり、特定患者についての特定アクシデント辞書データとしては、患者別の平均ベクトルＭ_ｋｈ、共分散行列Σ_ｋｈ、固有ベクトルΦ_ｋｈ、Σ_ｋｈの固有値行列Λ_ｋｈ、患者カテゴリ内の散乱行列Ｗ_ｋおよび患者カテゴリ間の分散行列Ｂ_ｋが記録される。
【０１１１】
＜特定看護師についての特定アクシデント辞書データ＞
特定の看護師（ｎ）のラベルを有する行動特徴ベクトルＦｘが行動特徴ベクトルＤＢ２２から取得され、取得された行動特徴ベクトルＦｘを用いて、アクシデントカテゴリ（ｈ）別に、上述した数２〜数５に従って、平均ベクトルＭ_ｎｈ、共分散行列Σ_ｎｈ、固有ベクトルΦ_ｎｈおよびΣ_ｎｈの固有値行列Λ_ｎｈのそれぞれが求められる。
【０１１２】
また、すべての看護師（ｎ）について、看護師カテゴリ内の散乱行列Ｗ_ｎと看護師カテゴリ間の分散行列Ｂ_ｎとが数１０および数１１に従ってそれぞれ求められる。
【０１１３】
【数１０】

【０１１４】
【数１１】

【０１１５】
つまり、特定看護師についての特定アクシデント辞書データとしては、看護師別の平均ベクトルＭ_ｎｈ、共分散行列Σ_ｎｈ、固有ベクトルΦ_ｎｈ、Σ_ｎｈの固有値行列Λ_ｎｈ、看護師カテゴリ内の散乱行列Ｗ_ｎおよび看護師カテゴリ間の分散行列Ｂ_ｎが記録される。
【０１１６】
＜特定業務についての特定アクシデント辞書データ＞
特定の看護業務ｚのラベルを有する行動特徴ベクトルＦｘが行動特徴ベクトルＤＢ２２から取得され、取得された行動特徴ベクトルを用いて、アクシデントカテゴリ（ｈ）別に、上述した数２〜数５に従って、平均ベクトルＭ_ｚｈ、共分散行列Σ_ｚｈ、固有ベクトルΦ_ｚｈおよびΣ_ｚｈの固有値行列Λ_ｚｈがそれぞれ求められる。
【０１１７】
また、すべての看護業務ｚについて、看護業務カテゴリ内の散乱行列Ｗ_ｚと看護業務カテゴリ間の分散行列Ｂ_ｚとが数１２および数１３に従ってそれぞれ求められる。
【０１１８】
【数１２】

【０１１９】
【数１３】

【０１２０】
つまり、看護業務についての特定アクシデント辞書データとしては、看護業務別の平均ベクトルＭ_ｚｈ、共分散行列Σ_ｚｈ、固有ベクトルΦ_ｚｈ、Σ_ｚｈの固有値行列Λ_ｚｈ、看護業務カテゴリ内の散乱行列Ｗ_ｚおよび看護業務カテゴリ間の分散行列Ｂ_ｚが記録される。
【０１２１】
＜発生時刻別の特定アクシデント辞書データ＞
アクシデントｈ（ｈ≠１）のラベルを有する行動特徴ベクトルＦが行動特徴ベクトルＤＢ２２から取得され、取得された行動特徴ベクトルＦについて、２４時間（１日）をＪ個の区間（時間区間）に分けて、第ｊ区間（ｊ＝１，２，…，ｊ，…，Ｊ）に含まれる平均ベクトルＭ_ｈｊ、共分散行列Σ_ｈｊ、固有ベクトルΦ_ｈｊおよびΣ_ｈｊの固有値行列Λ_ｈｊが、それぞれ、上述した数２〜数５に従って求められる。
【０１２２】
また、第ｊ区間について、時間区間カテゴリ内の散乱行列Ｗ_ｊと時間区間カテゴリ間の分散行列Ｂ_ｊとが数１４および数１５に従ってそれぞれ求められる。
【０１２３】
【数１４】

【０１２４】
【数１５】

【０１２５】
つまり、発生時刻別の特定アクシデント辞書データとしては、アクシデントの発生時刻別の平均ベクトルＭ_ｈｊ、共分散行列Σ_ｈｊ、固有ベクトルΦ_ｈｊ、Σ_ｈｊの固有値行列Λ_ｈｊ、時間区間カテゴリ内の散乱行列Ｗ_ｊおよび時間区間カテゴリ間の分散行列Ｂ_ｊが記録される。
【０１２６】
このように、各看護師について作成した行動特徴ベクトルに基づいて様々な辞書データを作成することができる。
【０１２７】
たとえば、このような辞書データを作成した後では、これらの辞書データを用いて、或る時点における看護師（ｎ）の行動特徴ベクトルを抽出して、アクシデントが起こる可能性があるか否かを判断し、アクシデントが起こる可能性がある場合には、当該看護師（ｎ）への直接の警告または婦長のようなマネージャへの警告或いはその両方を行い、当該看護師（ｎ）の交代や休憩を促すことができる。つまり、未然にアクシデントの発生を防止することができるのである。なお、警告は看護師の詰所に発するようにしてもよい。
【０１２８】
簡単に説明すると、ＩＣレコーダ３２は、取得された音声データおよび時間データすなわち計測データを半導体メモリに記録せずに、所定のタイミングで（この実施例では、計測データが取得される度に）、そのままコンピュータ１２側に送信する。図示は省略するが、たとえば、ＩＣレコーダ３２とコンピュータ１２とを無線ＬＡＮで接続すれば、簡単に計測データを送信することができる。
【０１２９】
コンピュータ１２は、受信した計測データに基づいて、特徴ベクトルＦを作成し、辞書データ（この実施例では、特定アクシデント辞書データ）を参照し、アクシデントが近い将来に発生する可能性があるかどうかを判断する。そして、アクシデントが発生する可能性があると判断すると、上述したように警告を発する。
【０１３０】
警告を発する方法としては、看護師に直接警告する場合（婦長に直接警告する場合も同様）には、計測装置３０に加え、ＩＣレコーダ３２に接続したイヤフォン、ブザ或いはバイブレータを看護師に装着させておき、無線ＬＡＮにより接続されるコンピュータ１２からの指示に従って、音声や音（警告音）で警告を知らせたり、振動で警告を知らせたりすることができる。
【０１３１】
また、看護師や婦長に間接的に警告を発する場合や看護師の詰所に警告を発す場合には、コンピュータ１２と有線または無線で接続されるディスプレイやスピーカのような出力装置を病棟内（廊下、病室、詰所等）に配置しておき、警告メッセージ（文字または音声）を発するようにしてもよい。ただし、婦長に間接的に警告を発する場合には、婦長が所有するパーソナルコンピュータのような端末に電子メールを送信するようにしてもよい。
【０１３２】
具体的には、コンピュータ１２は、図９に示すようなフロー図に従ってアクシデントの分析処理を実行する。図９に示すように、ステップＳ５１で、計測データを受信したかどうかを判断する。ステップＳ５１で“ＮＯ”であれば、つまり計測データを受信していなければ、同じステップＳ５１に戻る。一方、ステップＳ５１で“ＹＥＳ”であれば、つまり計測データを受信すれば、ステップＳ５３でＭＡＣアドレスから看護師（ｎ）を特定する。
【０１３３】
なお、上述したように、辞書データを作成した後では、ＩＣレコーダ３２から計測データをそのままコンピュータ１２に送信するようにしてあるため、計測データとともに、ＭＡＣアドレスを送信するようにすれば、簡単に看護師（ｎ）を特定できる。
【０１３４】
続くステップＳ５５では、歩数、傾斜角度についての音声データおよび時間データを抽出し、ステップＳ５７で歩数、傾斜回数および傾斜角度から数１に示したような行動特徴ベクトルＦを作成する。
【０１３５】
次のステップＳ５９では、看護業務行動辞書ＤＢ２４を参照して、近似するアクシデント（ｈ）を特定する。この実施例では、ステップＳ５７において作成した行動特徴ベクトルＦと上述した特定アクシデント辞書データに含まれる各アクシデント（ｈ）に対する平均ベクトルＭ_ｈとのユークリッド距離ｄ_ｈ（Ｆ）を数１６に従ってそれぞれ計算し、距離ｄ_ｈ（Ｆ）が最小（最小距離）となるアクシデント（ｈ）を決定（特定）する。
【０１３６】
【数１６】
ｄ_ｈ（Ｆ）＝｜｜Ｆ−Ｍ_ｈ｜｜^２
ただし、｜｜・｜｜はノルムを表す。
【０１３７】
または、ステップＳ５７において作成した行動特徴ベクトルＦと特定アクシデント辞書データに含まれる各アクシデント（ｈ）に対する平均ベクトルＭ_ｈ、共分散行列Σ_ｈ、固有ベクトルΦ_ｈ、Σ_ｈの固有値行列Λ_ｈとを比較して、尤度ｇ_ｈ（Ｆ）を数１７に従ってそれぞれ算出し、尤度ｇ_ｈ（Ｆ）が最大となるアクシデントｈを特定するようにしてもよい。
【０１３８】
【数１７】

【０１３９】
なお、上述したように、ステップＳ５９においては、アクシデント（ｈ）を特定するために、ユークリッド距離や尤度を計算するようにしてあるが、これらは設計者やプログラマによって選択的に採用される。たとえば、アクシデント（ｈ）を特定する時間を短時間にしたい場合には、ユークリッド距離の計算が採用され、アクシデント（ｈ）を特定する精度を高くしたい場合には、尤度の計算が採用される。
【０１４０】
そして、ステップＳ６１では、アクシデントが発生する可能性があるかどうかを判断する。つまり、ステップＳ５９において特定したアクシデントｈとの距離（最小距離）が予め設定した閾値（第２閾値）以下であるかどうかを判断して、アクシデントが発生する可能性があるかどうかを判断する。または、特定したアクシデントｈとの尤度（最大尤度）が予め設定した閾値（第３閾値）を超えるかどうかを判断して、アクシデントが発生する可能性があるかどうかを判断する。
【０１４１】
なお、閾値２や閾値３は、設計者やプログラマによって決定（設定）される値である。たとえば、アクシデントが発生したときの業務データから作成される行動特徴ベクトルと当該業務データの直前または２つ前の業務データから作成される行動特徴ベクトルとの距離値を算出して、閾値２を決定することができる。
【０１４２】
ステップＳ６１で“ＮＯ”であれば、つまりアクシデントが発生する可能性がないと判断すると、そのまま処理を終了する。一方、ステップＳ６１で“ＹＥＳ”であれば、つまりアクシデントが発生する可能性があると判断すると、ステップＳ６３で看護師または婦長或いはその両方に警告を発してから処理を終了する。
【０１４３】
なお、このアクシデントの分析処理においては、特定アクシデント辞書データを用いた場合についてのみ説明したが、他の辞書データを用いた場合にも同様の処理を実行することができる。
【０１４４】
また、各辞書データを用いてアクシデントが発生する要因を分析することもできる。具体的には、コンピュータ１２が図１０に示すようなフロー図に従ってアクシデント要因の分析処理を実行する。
【０１４５】
ただし、アクシデント要因の分析処理はいずれの辞書データを用いた場合であっても同じであるため、この実施例では、特定アクシデント辞書データを用いた場合の処理のみを説明することとし、他の辞書データを用いた場合の処理についての説明は省略することにする。
【０１４６】
図１０に示すように、アクシデント要因の分析処理を開始すると、ステップＳ７１で特定アクシデント辞書データに含まれるアクシデントカテゴリ内の散乱行列Ｗ_ｈとアクシデントカテゴリ分散行列Ｂ_ｈとを用いて、行列Ｗ^−１Ｂ（都合上、下付きの添え字“ｈ”を省略する。）の固有値行列Γと固有ベクトルΨとを算出する。ただし、上付きの添え字“−１”は、逆行列を意味する。
【０１４７】
この固有値行列Γおよび固有ベクトルΨの算出方法については、ＫｅｉｓｕｋｅＦｕｋｕｎａｇａ：「ＩｎｔｒｏｄｕｃｔｉｏｎｔｏＳｔａｔｉｓｔｉｃａｌＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎＳｅｃｏｎｄＥｄｉｔｉｏｎ」，ＡｃａｄｅｍｉｃＰｒｅｓｓ，ｐｐ．４４６−４５０，１９９０に詳細に開示されているため、この実施例では、説明を省略することにする。
【０１４８】
続くステップＳ７３では、固有値行列Γの中で、絶対値が最大の固有値γ１に対応する固有ベクトル行列Φの固有ベクトルφ１を主成分として選択する。ここで、固有ベクトル行列Φに含まれる固有ベクトルφ１は大きさ（φ１の二乗）が１になるように正規化されて（正規直交ベクトルという。）いるため、φ１の各係数（正負または０値）で絶対値が大きい要素ｉの固有ベクトルφ１（ｉ）があれば、その固有ベクトルφ１（ｉ）はアクシデントを起こす／起こさない要因であると言える。つまり、固有ベクトルを導出する手法に応じて、固有ベクトルφ１の向きが反転される場合があるので、要素φ１（ｉ）の正負は問題でなく、その大きさが重要である。
【０１４９】
続いて、ステップＳ７５では、因子負荷量Ｌを算出する。つまり、固有ベクトルφ１＝［φ１１，φ１２，…，φ１ｎ］とした場合に、数１８に従って因子負荷量Ｌが算出される。
【０１５０】
【数１８】

【０１５１】
そして、ステップＳ７７では、因子負荷量Ｌの絶対値が大きい特徴ベクトル空間の軸Ｆｉを抽出して、これをたとえばコンピュータ１２に接続されたディスプレイ（図示せず）に出力する。
【０１５２】
つまり、因子負荷量Ｌからは、もとの観測ベクトル（固有ベクトルφ１）の変数の中で、主成分の因子に最も寄与している変数が何かを知ることができる。これにより、アクシデントの要因が寄与する観測ベクトルの変数を知ることができる。したがって、観測ベクトルの変数を減らしたり増やしたりする、すなわち因子負荷量の要素Ｌ１ｉの絶対値が大きい特徴ベクトル成分を小さくするように、業務（環境）改善提案を考えることができる。
【０１５３】
なお、このようなアクシデント要因の分析処理を各辞書データを用いて実行した場合には、次のようなアクシデントの要因を知ることができる。特定アクシデント辞書データを用いた場合には、看護師が誰かに拘わらず院内で発生し易いアクシデントとその要因を知ることができる。また、特定患者についての特定アクシデント辞書データを用いた場合には、患者毎に発生し易いアクシデントとその要因を知ることができる。さらに、特定看護師についての特定アクシデント辞書データを用いた場合には、看護師毎に発生し易いアクシデントとその要因を知ることができる。さらにまた、特定業務についての特定アクシデント辞書データを用いた場合には、看護業務毎に発生し易いアクシデントとその要因を知ることができる。また、発生時刻別の特定アクシデント辞書データを用いた場合には、院内においてアクシデントが発生し易い時刻、当該アクシデントとその要因を知ることができる。
【０１５４】
たとえば、アクシデントの要因が歩数や勤務時間などであると分析された場合には、病室の配置や看護師の勤務シフトを見直すような業務改善を図ることができる。つまり、看護業務の改善、人員配置の見直し、医療設備の改善等を図ることができる。
【０１５５】
この実施例によれば、各看護師についての行動特徴を予め取得し、或る時点における行動特徴との比較によりアクシデントの発生を予測してこれを回避するので、医療事故を未然に防止することができる。
【０１５６】
また、看護師の行動特徴から医療事故などのアクシデントの発生要因を分析するので、当該要因を回避するような業務改善を図ることができる。
【０１５７】
なお、この実施例では、看護師の疲労度を客観的に知るために、看護師の歩数および傾斜角を検出し、これに基づいて行動特徴ベクトルを作成するようにしたが、さらに脈拍、心拍数、血糖値などを検出して、これらも行動特徴ベクトルの要素に加えるようにしてもよい。
【０１５８】
また、この実施例では、行動分析装置を看護師業務に適用した場合についてのみ説明したが、このような行動分析装置は他の業務にも適用することができる。たとえば、医療行為を行う医師、原子力発電所の保守保安員、工場の工員、ホームケア業のヘルパ（介護者）の行動などを分析することもできる。一例を上げると、工場の工員の行動を分析する場合には、工場に触覚センサやカメラを配置し、計測装置を工員に装着して行動特徴を取得することができ、また、或る時点における工員の行動特徴を取得し、交代や休憩を促して、アクシデントの発生を未然に回避することができる。また、取得した行動特徴から辞書データを作成および分析して、業務の改善、人員配置の見直し、工場設備の改善等を図ることができる。
【図面の簡単な説明】
【図１】この発明の分析装置の構成の一例を示すブロック図である。
【図２】図１実施例に示す看護師ＤＢに記録される看護師データの一例を図解図である。
【図３】（Ａ）は看護師カテゴリの分類を示す図解図であり、（Ｂ）は患者カテゴリの分類を示す図解図である。
【図４】（Ａ）は看護業務カテゴリの分類を示す図解図であり、（Ｂ）はアクシデント・インシデントカテゴリの分類を示す図解図である。
【図５】看護師に装着される計測装置の構成の一例を示すブロック図である。
【図６】図３に示す計測装置を看護師に装着した様子を示す図解図である。
【図７】図１実施例に示すコンピュータの看護師データの作成処理を示すフロー図である。
【図８】図１実施例に示すコンピュータの行動特徴ベクトルの作成処理を示すフロー図である。
【図９】図１実施例に示すコンピュータのアクシデントの分析処理を示すフロー図である。
【図１０】図１実施例に示すコンピュータのアクシデント要因の分析処理を示すフロー図である。
【符号の説明】
１０ …行動分析装置
１２ …コンピュータ
１４ …触覚センサ
１６ …カメラ
１８ …看護師ＤＢ
２０ …病棟イベントＤＢ
２２ …行動特徴ベクトルＤＢ
２４ …看護業務行動辞書ＤＢ
３０ …計測装置
３２ …ＩＣレコーダ
３８ …マイク
４０ …非接触センサ
４２ …歩数計
４４ …傾斜角センサ[0001]
[Industrial applications]
The present invention relates to a behavior analysis device, and more particularly to a behavior analysis device that analyzes the behavior of a subject such as a doctor, a nurse, or a worker.
[0002]
[Prior art]
An example of this type of behavior analysis device is disclosed in Patent Document 1. In the behavior detection system of this patent document 1, a personal information terminal is attached to a human body, and the posture, movement, body movement, behavior / activity state, position, and physiological signal of the human body are detected. The detected and collected sensor signals are transmitted to the base station by wireless communication. The sensor information from the personal information terminal wirelessly communicated to the base station is transmitted to sensor signal processing means connected to another sensor, and the information is integrated. The integrated human body behavior information is stored in the data storage unit. Next, the behavior information of the human body obtained from the sensor signal processing means is compared and evaluated by the behavior evaluation means based on the structured data accumulated by the data accumulation means. Of the human body behavior states obtained from the behavior evaluation means, if the state is determined to be abnormal by the state determination means, or if it is predicted that the state may become abnormal in the future, the contents are connected by a personal information terminal or a network. Other terminals. For example, when another terminal is used by a doctor, appropriate advice can be given to a person determined to be abnormal or their assistant.
[0003]
[Patent Document 1]
JP-A-2002-149824 (page 4 and FIG. 1)
[0004]
[Problems to be solved by the invention]
However, such a detection system collects behavioral information of the elderly and patients, and prevents accidents such as medical mistakes caused by those who care or care for the elderly or patients. Could not be prevented.
[0005]
Therefore, a main object of the present invention is to provide a behavior analysis device that can prevent an accident from occurring.
[0006]
Another object of the present invention is to provide a behavior analysis device that can analyze the cause of an accident.
[0007]
[Means for Solving the Problems]
A first invention is a behavior analysis device that analyzes the behavior of a subject performing a specific task, and includes at least a momentum measuring unit that measures a subject's momentum, a behavior characteristic of the subject based on the momentum measured by the momentum measuring unit. Based on a comparison result of the feature creating means for creating the event, a database in which the behavioral features when the accident occurred are registered, a behavioral feature of the subject at the present time and the behavioral features registered in the database, The behavior analysis device includes: a determination unit that determines whether an accident may occur; and a warning unit that issues a warning when the determination unit determines that an accident may occur.
[0008]
A second invention is a behavior analysis device for analyzing the behavior of a subject performing a specific task, wherein the behavior characteristic of the subject is determined based on at least the amount of exercise measured by the at least one subject. A feature creating means for creating an event, a registering means for registering a behavioral feature when an accident occurs in a database, a comparing means for comparing a subject's behavioral feature with the behavioral feature registered in the database at the present time, and a comparison result of the comparing means. The behavior analysis device includes: a determination unit configured to determine whether or not an accident may occur based on the determination unit; and a warning unit that issues a warning when the determination unit determines that an accident may occur.
[0009]
A third aspect of the present invention is a behavior analysis device for analyzing the behavior of a subject performing a specific task, wherein the behavior analysis device measures at least the activity of the subject, and the behavior characteristics of the subject based on the amount of exercise measured by the activity measurement means. A behavior analysis device comprising: a feature creation unit that creates a database; a database in which behavior characteristics when an accident occurs are registered; and an analysis unit that analyzes the behavior characteristics registered in the database to extract an accident occurrence factor. .
[0010]
A fourth invention is a behavior analysis device for analyzing the behavior of a subject performing a specific task, wherein the behavior analysis device analyzes the activity of the subject based on at least the amount of exercise measured by the at least one subject. A behavior analysis apparatus, comprising: a feature creation unit that creates an event, a registration unit that registers a behavior feature when an accident occurs in a database, and an analysis unit that analyzes the behavior feature registered in the database and extracts a factor that caused the accident. It is.
[0011]
[Action]
In the behavior analysis device according to the first aspect, the exercise amount of the subject performing a specific task is measured by the exercise amount measurement unit. A behavior characteristic of the subject is created based on the measured amount of exercise, and a database in which the behavior characteristic when an accident (accident) occurs is registered in advance is provided. For example, the behavior characteristics of the subject at a certain time point (current time) are created and compared with the behavior characteristics registered in the database. As a result of the comparison, it is determined whether or not an accident is likely to occur, and if an accident is likely to occur, a warning is issued. That is, occurrence of an accident is predicted and avoided in advance.
[0012]
According to the second invention, unlike the first invention, the database does not include a database in which the behavior characteristics when an accident occurs are registered in advance, but the registration means registers such behavior characteristics in the database. The other configuration is the same.
[0013]
For example, in the first invention or the second invention, the approximation degree calculating means calculates the approximation degree between the current behavioral characteristic of the subject and the behavioral characteristic registered in the database. When the threshold value is larger than the threshold value, it is determined that an accident may occur. That is, a warning can be issued when an action feature similar to the action feature at the time of the occurrence of the accident is acquired.
[0014]
In addition, as the amount of exercise, the number of steps and the inclination angle of the body of the subject are measured by the number-of-steps measuring means and the angle measuring means, so that a feature vector including these as elements can be created.
[0015]
Therefore, if the first dictionary including at least the average value of all the feature vectors registered in the database is created, it is possible to calculate the similarity by calculating the Euclidean distance between the subject's feature vector and the average value at the present time. it can.
[0016]
In addition, if a second dictionary including an average value, a covariance matrix, an eigenvalue matrix of the covariance matrix, and an eigenvector of the eigenvalue matrix of all the feature vectors registered in the database is created, the characteristics of the subject at the present time can be obtained. It is also possible to calculate the degree of approximation by obtaining the likelihood between a vector and its average value, covariance matrix, eigenvalue matrix, and eigenvector.
[0017]
In the behavior analysis device of the third invention, the exercise amount of the subject who performs a specific task is measured by the exercise amount measuring means. A behavior characteristic of the subject is created based on the measured amount of exercise, and a database is provided in which the behavior characteristic when an accident (accident) occurs is registered. The analysis means analyzes a behavior characteristic when an accident occurs and extracts a factor of the accident.
[0018]
According to a fourth aspect, unlike the third aspect, the database does not include a database in which the behavior characteristics when an accident occurs are registered in advance, but the registration means registers such behavior characteristics in the database. The other configuration is the same.
[0019]
For example, in the third invention or the fourth invention, as the amount of exercise, the number of steps and the inclination angle of the body of the subject are measured by the number-of-steps measuring means and the angle measuring means. can do.
[0020]
Therefore, the first scatter matrix and the first variance matrix are obtained using the first average value of all the feature vectors registered in the database and the first occurrence probability of the accident, and the inverse matrix of the first scatter matrix and the first scatter matrix are obtained. An accident occurrence factor can be extracted based on a magnitude of a coefficient of a first eigenvector of a matrix obtained by a product with a variance matrix. That is, it is possible to know the accidents that are likely to occur and the causes thereof, and based on this, it is possible to improve the work such as reviewing the staffing and the work shift.
[0021]
When there are a plurality of subjects, if a feature vector is associated with a subject, a feature vector for a specific subject is extracted, and as described above, an accident generation factor for each subject is extracted. You can also. In other words, it is possible to know an accident that is likely to occur in a specific subject and the cause thereof.
[0022]
In addition, if a voice recording means for recording the voice of the subject and a camera for photographing the subject are provided, the work content of the subject can be specified from the recorded voice and the captured video. Therefore, the feature vector created based on the amount of exercise and the identified task content can be associated and registered in the database.
[0023]
For this reason, the second scattering matrix and the second variance matrix are obtained by using the second average value of the feature vector for the specific task and the second occurrence probability of an accident in the specific task content, and the second scattering matrix is calculated. Based on the magnitude of the coefficient of the second eigenvector for the matrix obtained by the product of the inverse matrix and the second variance matrix, it is possible to extract the cause of the accident in the specific business content. That is, it is possible to know an accident that is likely to occur in a specific job content and its cause.
[0024]
【The invention's effect】
According to the present invention, occurrence of an accident is predicted and avoided, so that occurrence of an accident can be prevented.
[0025]
According to another aspect of the present invention, the cause of the accident can be known, so that the business can be improved so as to eliminate the cause.
[0026]
The above and other objects, features and advantages of the present invention will become more apparent from the following detailed description of embodiments with reference to the drawings.
[0027]
【Example】
Referring to FIG. 1, a behavior analysis apparatus 10 of this embodiment analyzes the behavior of nurses (nurses, nurses) performing work (in this embodiment, nursing work), and includes a personal computer or a work computer. It includes a computer 12 such as a station. A plurality of tactile sensors 14 and a plurality of cameras 16 are connected to the computer 12. Although not shown, in this embodiment, the plurality of tactile sensors 14 are provided in a take-out portion of a storage box storing medical instruments such as a thermometer, a sphygmomanometer, a syringe, a drip syringe, a blood collection test tube, and a urine test cup. Or a nurse call terminal to detect the use (removal) of such medical instruments. The plurality of cameras 16 are installed in a corridor, a sickroom (bed), a nurse's house, and the like in a ward accommodating an inpatient, and photograph an action of a nurse performing nursing work.
[0028]
Although not shown, a surveillance camera that can record digital data of video (and audio) directly on a hard disk (not shown) of the computer 12 can be used as the camera 16.
[0029]
Further, a plurality of databases (DB) are connected to the computer 12. Specifically, a nurse DB 18, a ward event DB 20, a behavior feature vector DB 22, and a nursing service behavior dictionary DB 24 are connected.
[0030]
The nurse DB 18 records data (nurse data) on the behavior of a nurse in one day's work as shown in FIG. 2A for each nurse. As shown in FIG. 2A, in the nurse data, a nurse name is described as a label, and a date is described next to the nurse name. Below the nurse name and date, items (contents) related to the nurse's nursing work are described. In other words, the start time of the nursing service, the target patient of the nursing service, the content of the nursing service, the number of steps in the nursing service, the number of inclines (tilting the upper body (upper body)) in the nursing service, and the accident (accident / incident) ) Is described respectively.
[0031]
In such nurse data, contents other than the accident / incident are acquired from data measured by the measuring device 30 (see FIG. 5) described later or ward event data recorded in the ward event DB 20.
[0032]
In the accident / incident column, the details of an accident such as a medical error described by the nurse in the daily work report, etc., and the details of an incident that did not cause a medical error, but did not occur, were separately input (description). ) Is done. That is, in this embodiment, the incident is a concept including not only an accident but also a chilled event. For example, a fallen event corresponds to a fall of a patient.
[0033]
For example, from the nurse data shown in FIG. 2 (A), the nurse (Natsuko OO) indicates that the patient (△△ Winter) has been on the date of October 25, 2002 (Friday) from 10:20 to 2:05. Man), the number of steps was 456 steps, the number of inclines was 35, and it was found that there was no medical mistake or the like at the time of temperature measurement.
[0034]
However, in this embodiment, as shown in FIG. 2 (B), for the convenience of creating the behavior feature vector and the data of the nursing service behavior dictionary described later, the contents of the nurse, patient, nursing service, and incident / incident are as follows. The category number is described. That is, tables such as those shown in FIGS. 3A and 3B and FIGS. 4A and 4B are recorded on a hard disk (not shown) of the computer 12, and nurses, patients, nursing services, Accidents and incidents are categorized.
[0035]
FIG. 3A is an illustrative view showing a table of nurse categories, and nurse names (** Haruko, OO Natsuko,...) Corresponding to nurse category numbers (n = 1, 2,..., N). , △△ Toko) are described. FIG. 3B is an illustrative view showing a table of patient categories, and the patient names (** Haruo, OO Natsuo,...) Corresponding to the patient category numbers (k = 1, 2,..., K). Δ △ Fuyuo) is described. FIG. 4A is an illustrative view showing a table of the nursing service category, and the contents of the nursing service (patient visits, observation of medical conditions, and the like) corresponding to the nursing service category numbers (z = 1, 2,..., Z). …, Discharge guidance) is described. FIG. 4B is an illustrative view showing a table of an incident / incident category, and the contents of the incident / incident (accident / accident) corresponding to the incident / incident category number (h = 1, 2,..., H). No incident, patient fall, ..., injection mistake).
[0036]
The ward event DB 20 includes detection data and image data obtained from each of the plurality of sensors, that is, the plurality of tactile sensors 14 and the plurality of cameras 16 (image sensors) (these are collectively referred to as “ward event data”). Record Identification information such as the name of a medical device to be detected is attached as a label to the detection data, and identification information such as the installation location of the camera 16 and the orientation of the camera is attached to the image data as a label. . That is, it is possible to specify the detection target or the imaging target (imaging area) from the label of the detection data or the image data. Further, the computer 12 acquires the time (time data) at which the ward event data was acquired from the built-in clock circuit 12a and adds the acquired time to the ward event data.
[0037]
For example, when the detection data is input, the computer 12 adds time data to the detection data and records it in the ward event DB 20. As for the image data, the difference between successive frames is detected by the computer 12, and time data is added to the image data when the image has moved, and is recorded in the ward event DB 20. However, since the load on the computer 12 increases in the analysis of the image data, a dedicated computer or the like may be separately provided.
[0038]
Further, the behavior feature vector DB 22 records data of a behavior feature vector F created based on the above-mentioned nurse data. In this embodiment, the behavior feature vector F is created using the number of steps and the inclination angle (measured by the measuring device 30) included in the nurse data, and is specifically expressed by Expression 1. However, the nurse data shown in FIGS. 2 (A) and 2 (B) does not include a tilt angle, but this tilt angle is separately recorded in the nurse DB 18 corresponding to each number of times of tilt. Is done.
[0039]
(Equation 1)
F = (p₁, P₂, ..., p_i, ... p_I, Θ₁, Θ₂,…, Θ_i, ... θ_I,
s₁, S₂, ..., s_i, ... s_I)
Where p_i, Θ_iAnd s_iIs the time t = t₁From t = t₁In the case where the section up to + T is equally divided into I pieces set in advance, the step frequency (p) obtained by averaging the number of steps in the divided section per unit time_i), The average value of the inclination angles obtained by averaging the inclination angles in the divided section per unit time (θ_i) And the standard deviation (s_i).
[0040]
Note that, in this embodiment, as the degree of fatigue of the nurse increases, the average value of the number of steps will vary, and the variation in the change in the body inclination angle per unit time will increase. The frequency, the average value of the inclination angle, and the standard deviation of the inclination angle are used as the elements of the behavior feature vector.
[0041]
Further, the nursing service behavior dictionary DB 24 records a plurality of types (five types in this embodiment) of dictionary data created based on the behavior feature vectors of all nurses. Although a specific creation method will be described later, the nursing service behavior dictionary DB 24 includes dictionary data (hereinafter, referred to as “specific incident dictionary”) for a specific incident / incident, specific incident dictionary data for a specific patient, and specific incident dictionary data. Specific accident dictionary data for a nurse, specific accident dictionary data for a specific job, and specific incident dictionary data for each occurrence time are recorded.
[0042]
FIG. 5 is a block diagram showing a specific configuration of the measuring device 30. Referring to FIG. 5, the measuring device 30 includes an IC recorder 32. The modulation circuit 34, the modulation circuit 36, the microphone 38, and the non-contact sensor 40 are connected to the IC recorder 32. Further, a pedometer 42 is connected to the modulation circuit 34, and an inclination angle sensor 42 is connected to the modulation circuit 36. Further, the IC recorder 32 has a built-in clock circuit 32a.
[0043]
The measuring device 30 having such a configuration is mounted on each subject (nurse). For example, as shown in FIG. 6, the IC recorder 32, the modulation circuit 34, and the modulation circuit 36 are housed in one box (housing) 50, and the box 50 is attached to the waist (belt portion) of a nurse. . The microphone 38 and the tilt angle sensor 44 are mounted on the nurse's chest (at or near the collar), and the pedometer 42 is mounted on the nurse's waist in the same manner as the box 50 described above. The non-contact sensor 40 is a magnetic sensor using a magnet switch, a Hall element, or an MR element. For example, the non-contact sensor 40 is mounted on a nurse's wrist, and a magnet 52 is embedded in a sleeve portion of a nurse's jacket.
[0044]
In FIG. 6, the magnet 52 is shown outside the sleeve for easy understanding. Although not shown in FIG. 6, the microphone 38 and the non-contact sensor 40 are connected to the IC recorder 32 in the housing 50 using a connection line, and the pedometer 42 and the inclination angle sensor 44 are connected using the connection line. It is connected to the modulation circuit 34 and the modulation circuit 36 in the body, respectively.
[0045]
For example, when recording is started by the IC recorder 32 by the operation of the nurse, the inputs of the microphone 38, the pedometer 42, and the inclination sensor 44 are enabled / disabled in accordance with the input of the non-contact sensor 40. . Specifically, when there is an input from the non-contact sensor 40, that is, when the non-contact sensor 40 detects the magnet 52 and is on when the nurse reaches out, the nurse A measurement mode is set to measure the state (tilt angle of upper body and number of steps). That is, the inputs of the pedometer 42 and the inclination angle sensor 44 are enabled, and the inputs of the microphone 38 are disabled.
[0046]
On the other hand, if the non-contact sensor 40 is in the off state in which the magnet 52 is not detected while the nurse bends his / her hand, the voice recording mode for recording the voice emitted by the nurse is set. That is, the input of the microphone 38 is enabled, and the input of the pedometer 42 and the inclination angle sensor 44, that is, the input of the modulation circuit 34 and the input of the modulation circuit 36 are disabled.
[0047]
However, when the voice recording mode is set, the mode is returned to the measurement mode when a predetermined time (10 seconds in this embodiment) elapses or when the non-contact sensor 40 is turned on again.
[0048]
Therefore, in the IC recorder 32, the voice signal of the nurse input from the microphone 38 and the voice signal obtained by modulating the input from the pedometer 42 and the tilt angle sensor 44 are converted into digital data, and are converted into digital data. Recorded in a semiconductor memory (not shown). However, digital data (voice data) of a voice signal corresponding to each of the voice, the number of steps, and the inclination angle is recorded. Thereafter, the recording operation of the IC recorder 32 is terminated by the operation of the nurse.
[0049]
Further, the IC recorder 32 acquires time information (time data) at the time when the recording is started and time data at the time when the recording is ended from the clock circuit 32a, respectively, and obtains the voice and the number of steps acquired as described above. And audio data about the inclination angle.
[0050]
Since the specific configuration of the IC recorder 32 and the recording of the audio signal are already well known, a detailed description thereof will be omitted in this embodiment.
[0051]
In this embodiment, the audio signal is recorded using the IC recorder 32. However, a recording device that records the audio signal on a disk recording medium such as an MD or MO may be used.
[0052]
For example, when the nurse (n) visits the patient k, the content of the nurse (nurse category number n) saying "I am going to visit the patient (patient)." Voice data is recorded for each of the number of steps while the patient k reciprocates in the hospital room and the angle (tilt angle) when the upper body is tilted while reciprocating in the hospital room. Further, time data of the recording start time and the recording end time are added to the audio data.
[0053]
Such voice data, voice data on the number of steps and the angle of inclination, and time data added thereto (hereinafter, these may be referred to as “measurement data”) are used for all the daily tasks of the nurse (n). Is obtained about. As shown in FIG. 1, the computer 12 and the measuring device 30 (strictly speaking, the IC recorder 32) are connected, for example, by a wireless LAN, and therefore, the measurement data (for the daily work) acquired as described above for one day. The business measurement data) can be transmitted (transferred) from the measuring device 30 (IC recorder 32) to the computer 12.
[0054]
The computer 12 creates nurse data excluding the accident / incident based on the transferred task measurement data. In other words, a nurse is specified, and then items of nursing data excluding an accident / incident from each measurement data are specified (determined) and recorded.
[0055]
For example, if a specific nurse is made to use a specific (same) IC recorder 32, the nurse can be specified from the MAC address assigned to the semiconductor memory of the IC recorder 32. That is, a table describing the nurse name (or nurse category number n) corresponding to the MAC address is recorded in advance in the hard disk of the computer 12 in the same manner as the above-described tables, and the transfer of the task measurement data is performed. If a MAC address is obtained when the information is received, a nurse can be easily specified.
[0056]
The voice data of the nurse's voice included in each measurement data is converted into an analog voice signal, and then subjected to voice recognition processing. Business is specified. That is, the computer 12 has a voice recognition function, and has a dictionary for voice recognition, that is, a memory (for example, a hard disk or a ROM) that stores voice signals corresponding to a plurality of utterances (voices).
[0057]
Note that, in this embodiment, the plurality of utterances are utterances related to nursing work, and voice signals of the utterances related to the plurality of nursing work are recorded (recorded) by a nurse inputting speech in advance. However, in order to efficiently recognize individual utterances, a dictionary for speech recognition is provided for each nurse.
[0058]
Therefore, the computer 12 compares the voice signal obtained by converting the voice data of the voice of the nurse into analog and the voice signal recorded in the memory by the DP matching method or the HMM (Hidden Markov Model) method, and the nurse 12 Recognize (specify) the uttered content. Specifically, when recognizing the utterance “I'm going to urine the patient k,” the patient name “patient k” and the content of nursing work “urine test” for the patient can be specified.
[0059]
However, since it is necessary to accurately specify the patient name and the contents of the nursing service, the utterance having the highest degree of approximation (first) and the next highest degree of approximation (first The second utterance is extracted, and the validity (reliability) of recognition of the first utterance is determined based on the first utterance and the second utterance.
[0060]
That is, the patient name (first patient name) specified from the first utterance and the contents of the nursing service (first nursing service) are extracted, and the patient name specified from the second utterance (first patient name) is extracted. Each of the second patient name) and the content of the nursing service (second nursing service) is extracted. Next, the degree of approximation (distance value) between the first patient name and the second patient name and the distance value between the first nursing service and the second nursing service are calculated. Here, the distance value refers to the degree to which the pronunciation of a word (word) is approximated. For example, "Ito" and "Kito" have a high degree of approximation (small distance value), but "Ito" and "Tanaka" have a low degree of approximation (distance Value is large).
[0061]
Therefore, when the distance value between patient names and the distance value between nursing services are smaller than a preset threshold value (first threshold value), the first utterance and the second utterance are similar. Therefore, it can be said that the reliability of the recognition result is low. On the other hand, when the distance value between the patient names and the distance value between the nursing services are larger than the first threshold, the utterance of the first place and the utterance of the second place are not approximate, and the reliability of the recognition result is low. It can be said that the degree is high.
[0062]
In this embodiment, when both the distance value between the patient names and the distance value between the nursing services are small, it is determined that the first utterance and the second utterance are similar, and the recognition result Although the reliability is considered to be low, the reliability of the recognition result may be considered to be low when one of the distance values is small.
[0063]
When the reliability of the recognition result is high, the patient name and the contents of the nursing work included in the first-ranked utterance are extracted (adopted) and used for creating nurse data. On the other hand, when the reliability of the recognition result is low, the patient name and the contents of the nursing service included in the first-ranked utterance are excluded (rejected), and based on the ward event data recorded in the ward event DB 20, Identify your name and the content of your nursing practice.
[0064]
However, when the patient name and the contents of the nursing work are individually specified by voice recognition, only the distance value smaller than the first threshold value from the voice recognition result is determined based on the ward event data. What is necessary is just to specify.
[0065]
That is, the ward event data at the time indicated by the time data transferred from the IC recorder 32, that is, the detection data and image data obtained from the tactile sensor 14 and the camera 16 are read from the ward event DB 20, and the nurse and the patient are specified from the image data. At the same time, the content of nursing work is specified based on the detection data and the image data.
[0066]
The patient (name) can be easily specified from the installation location of the camera 16 and the orientation of the camera 16 described on a label attached to the image data. The identification of the nurse can be performed by storing data obtained by photographing the face of the nurse from the front and side in advance and comparing the data with the image data.
[0067]
However, in such identification by image processing, the data amount is enormous and it takes time. For example, a mark different for each nurse is attached to clothes worn by the nurse, and the mark is marked. What is necessary is just to identify from the image data and to identify a nurse. In such a case, a high recognition rate can be obtained by increasing the contrast between the nurse's clothes and the mark.
[0068]
Further, the contents of the nursing operation performed by the nurse are specified from the detection data and the image data. For example, by detecting the use of a thermometer based on the detection data and detecting the operation of the nurse handing the thermometer to the patient or receiving the thermometer from the patient based on the image data, the content of the nursing work "temperature measurement" Is specified.
[0069]
In order to identify the contents of the nurse's work from the image data, images of the nurses performing various nursing work are taken in advance, and the image of the taken image and the image data included in the ward event data are taken. By performing the comparison, the content of the nursing service can be estimated, and the content of the nursing service can be determined (specified) from the instrument used at that time based on the detection data.
[0070]
In this way, the patient name and the contents of the nursing service can be specified from the ward event data. As a procedure, the computer 12 firstly stores the image data of the nurse corresponding to the nurse data to be created. (Ward image data), then identify the patient (patient name) from the description of the label attached to the image data, and identify the contents of the nurse's nursing work from the detected data and the image data. Identify.
[0071]
The sound data about the number of steps and the inclination angle included in each measurement data is demodulated by the computer 12. The number of steps is used as it is to create nurse data, but the number of inclinations is determined from the number of inclination angles detected by the inclination sensor 44.
[0072]
Further, the data to be input in the items of time and time included in the nurse data is determined from the time data added to the voice data. That is, the time column describes the recording start time included in the time data, and the time column describes a value (time) obtained by subtracting the recording start time from the recording end time.
[0073]
After that, information on the incident / incident is obtained from the daily work report, and added to the nurse data using an input device (keyboard or computer mouse) not shown by the administrator of the nurse DB 18 or the behavior analysis device 10 (computer 12). I do.
[0074]
Specifically, the computer 10 executes a nurse data creation process according to the flowchart shown in FIG. As shown in FIG. 7, when the process of creating nurse data is started, it is determined whether or not business measurement data has been received from the IC recorder 32 in step S1. If “NO” in the step S1, that is, if the task measurement data is not received, the process returns to the same step S1 as it is.
[0075]
On the other hand, if “YES” in the step S1, that is, if the task measurement data is received, in a step S3, as described above, the MAC address of the semiconductor memory provided in the IC recorder 32 is obtained, and based on the acquired MAC address, The nurse (nurse category number n) is specified.
[0076]
In the following step S5, the first (in this embodiment, the earliest time) measurement data is extracted. Subsequently, in step S7, a voice recognition process is performed. That is, the voice data on the voice of the nurse included in the extracted measurement data is converted into an analog signal to recognize the contents of the utterance of the nurse.
[0077]
When the content of the utterance of the nurse is recognized, in step S9, distance values for each of the patient names and nursing tasks included in the first and second utterances are detected from the recognition result, Determine if there is a reject.
[0078]
If “YES” in the step S9, that is, if there is a reject, in a step S11, the ward event data in the same time zone as the measured data is read from the ward event DB 20 by referring to the time data included in the measured data. . Then, in step S13, based on the read ward event data (detection data and image data), the patient name and the contents of the nursing service are specified as described above, and the process proceeds to step S17. On the other hand, if “NO” in the step S9, that is, if there is no rejection, in a step S15, the patient name and the contents of the nursing work are specified from the result of the voice recognition, and the process proceeds to a step S17.
[0079]
In step S17, each item of the nurse data is input. That is, a nurse name (nurse category number), date, time, patient name (patient category), contents of nursing work (nursing work category number), number of steps, number of inclines and time are input.
[0080]
However, the nurse category number and date need only be input for the first time, and thereafter, items other than the nurse category number and date are input (added) as needed.
[0081]
Note that the number of steps and the number of inclines are obtained by demodulating the audio data included in the measurement data, and may be demodulated in the process of step S17. Alternatively, demodulation may be performed after the measurement data is obtained in step S5 and before the processing in step S17 is performed.
[0082]
In a succeeding step S19, it is determined whether or not there is next measurement data (in this embodiment, the next earlier time). If "YES" in the step S19, that is, if there is the next measurement data, the next measurement data is extracted from the business measurement data in a step S21, and the process returns to the step S7. That is, by repeating the processing from step S7 to step S21, nursing data as shown in FIG. 2B is created.
[0083]
On the other hand, if “NO” in the step S19, that is, if there is no next measurement data, it is determined that the creation of the nurse data for the nurse has been completed, and in step S23, the created nurse data is After recording (registering) in the DB 18, the process ends.
[0084]
After that, the items of the incident / incident are input to the nurse data by the operation of the administrator or the like of the nurse DB 18, and the nurse data is completed.
[0085]
In this embodiment, when the patient name and the contents of the nursing service cannot be specified by voice recognition, the patient name and the contents of the nursing service are specified based on the ward event data. If it is not possible to specify the patient name and the contents of the nursing work based on the information, the manager of the nurse DB 18 refers to the work daily report and obtains the patient name (patient category number) in the same manner as the accident incident item. And the contents of the nursing service (nursing service category number) are manually input.
[0086]
In this way, nurse data for a certain nurse is created, and nurse data for another nurse is created in the same manner. Thereafter, the computer 12 creates an action feature vector as described above for each of the nurse data.
[0087]
Specifically, the computer 12 executes a process of creating an action feature vector according to the flowchart shown in FIG. As shown in FIG. 8, when the action feature vector creation process is started, the nurse data of the nurse category number (1) is read from the nurse DB 18 in a step S31.
[0088]
In a succeeding step S33, the first job data included in the read nurse data is extracted. Here, the work data refers to the data of each item (for one row) for one work of the nurse data shown in FIG. 2 (B). Further, in this embodiment, in order to extract the business data in the order of earlier time, in step S33, the business data in the column where 10:20 is described in the time column is extracted. At this time, data of the inclination angle recorded corresponding to the data of the number of times of inclination included in the business data is also read.
[0089]
Next, in step S35, the data of the number of steps and the data of the number of inclines included in the extracted business data are divided at predetermined intervals (time intervals), and the data of the inclination angle read together with the business data are divided at predetermined intervals. I do. In step S37, an action feature vector Fx (where x is a natural number and the first time is 1) is created from the number of steps, the number of times of inclination, and the angle of inclination, as shown in Expression 1. In addition, it is also conceivable to add, as the components of the action feature vector, the variance of the inclination angle within the interval, the difference in the number of steps between the front and rear intervals, and the difference in the variance of the inclination angle.
[0090]
In a succeeding step S39, it is determined whether or not there is next business data. That is, it is determined whether there is temporally next business data in the business data included in the nurse data. If “YES” in the step S39, that is, if there is the next task data, in a step S41, the next task data is extracted from the nurse data, and the process returns to the step S35. That is, by repeating the processing from step S35 to step S41, it is possible to create the action feature vectors F1, F2, ..., Fx, ..., FX for all the work data of the nurse category number (n).
[0091]
On the other hand, if “NO” in the step S39, that is, if there is no next business data, the generated action feature vectors F1, F2,..., Fx,.
[0092]
Subsequently, in a step S45, it is determined whether or not there is the next nurse data. If “NO” in the step S45, that is, if there is no next nurse data, it is determined that the action feature vectors have been created for all the nurse data, and the process is ended. On the other hand, if “YES” in the step S45, that is, if there is the next nurse data, the next nurse data is read from the nurse DB 18, and the process returns to the step S33.
[0093]
In this manner, the behavior feature vector Fx is created for each of the nurse data. The data of the behavior feature vector Fx further includes a nurse category number n, a nursing service category number z, a patient category number k, and an accident. -Information on the incident category number h is attached as a label. Since such information is obtained from the nurse data, it can be added when the action feature vector Fx is created in step S37 described above. Alternatively, a manager or the like of the behavior feature vector DB 22 (the analyzer 10) may add (add) a label after the creation processing of the behavior feature vector Fx is completed. Therefore, strictly speaking, the action feature vector F (F1, F2, F3,..., Fx) is recorded in the action feature vector DB 22 in a state where a label is added as Fx | n, k, z, h. .
[0094]
The dictionary data described above is created by, for example, the computer 12 using all the action feature vectors Fx | n, k, z, h recorded in the action feature vector DB 22. A specific creation method will be described below.
[0095]
<Specific accident dictionary data>
A feature vector Fx to which a label of a specific accident / incident (hereinafter simply referred to as “accident”) category number h (h ≠ 1) is added is obtained from the action feature vector DB 22, and the obtained action feature vector Fx is used. According to

Equations

2, 3, 4, and 5, the average vector M_h, The covariance matrix Σ_h, The eigenvector Φ_hAnd Σ_hEigenvalue matrix Λ_hAre required respectively. These are obtained for each of the accident category numbers h (= 2, 3,..., H).
[0096]
(Equation 2)
M_h= [(X11 + x21 + ... + xn1) / N, (x12 + x22 + ... + xn2) / N, ..., (x1m + x2m + ... + xnm) / N]
However, the behavior feature vector is m-dimensional (three-dimensional in this embodiment), and X1 = [x11, x12, x1] for n (I in Example 1) samples X1 to Xn belonging to the accident category number h. ..., x1m]^T, ..., Xn = [xn1, xn2, ..., xnm]^TAnd The subscript “T” means transposition of a matrix. Hereinafter, the same applies to this embodiment.
[0097]
(Equation 3)
Σ_h= [X1-M_h] X [X1-M_h]^T+ [X2-M_h] X [X2-M_h]^T+ ... + [Xn-M_h] X [Xn-M_h]^T
[0098]
(Equation 4)
det ｜ Σ_h−λ_hE | = 0
Here, E is a unit matrix.
[0099]
The solution obtained by equation (4), that is, the eigenvector Φ_h= (Λ₁, Λ₂,…, Λ_m) Are arranged as diagonal components, as shown in Equation 5, the eigenvalue matrix Λ_hIs obtained.
[0100]
(Equation 5)

[0101]
In addition, for all accident category numbers h, the scattering matrix W in the accident category_hMatrix B between と and the accident category_hIs obtained according to

Equations

6 and 7, respectively.
[0102]
(Equation 6)

[0103]
(Equation 7)

[0104]
However, the probability of occurrence of an accident is obtained by dividing the number of action feature vectors having the label of the corresponding (specific) accident h by the number of all action feature vectors having the label of the accident h (h ≠ 1). Can be calculated. Hereinafter, the same applies to this embodiment.
[0105]
That is, the dictionary data of the specific accident includes the average vector M for each accident h._h, The covariance matrix Σ_h, The eigenvector Φ_h, Σ_hEigenvalue matrix Λ_hAnd the scattering matrix W in the accident category and the variance matrix B between the accident categories for all accident category numbers h_hIs recorded.
[0106]
<Specific accident dictionary data for specific patients>
The behavior feature vector Fx having the label of the specific patient k is acquired from the behavior feature vector DB22, and using the acquired behavior feature vector Fx, for each accident category (h), the average vector is calculated according to Equations 2 to 5 described above. M_kh, The covariance matrix Σ_kh, The eigenvector Φ_khAnd Σ_khEigenvalue matrix Λ_khIs required.
[0107]
Also, for all patients k, the scattering matrix W in the patient category_kMatrix B between the patient category and_kAre obtained according to

Equations

8 and 9, respectively.
[0108]
(Equation 8)

[0109]
(Equation 9)

[0110]
That is, the specific accident dictionary data for the specific patient includes the average vector M for each patient._kh, The covariance matrix Σ_kh, The eigenvector Φ_kh, Σ_khEigenvalue matrix Λ_kh, The scattering matrix W in the patient category_kAnd variance matrix B between patient categories_kIs recorded.
[0111]
<Specific accident dictionary data for specific nurses>
An action feature vector Fx having a label of a specific nurse (n) is obtained from the action feature vector DB22, and by using the obtained action feature vector Fx, for each accident category (h), , The average vector M_nh, The covariance matrix Σ_nh, The eigenvector Φ_nhAnd Σ_nhEigenvalue matrix Λ_nhIs required.
[0112]
Also, for all nurses (n), the scattering matrix W in the nurse category_nMatrix B between the nurse category and_nAre obtained according to Equations 10 and 11, respectively.
[0113]
(Equation 10)

[0114]
[Equation 11]

[0115]
That is, the specific accident dictionary data for the specific nurse includes the average vector M for each nurse._nh, The covariance matrix Σ_nh, The eigenvector Φ_nh, Σ_nhEigenvalue matrix Λ_nh, The scattering matrix W in the nurse category_nMatrix B between nurse and nurse categories_nIs recorded.
[0116]
<Specific accident dictionary data for specific tasks>
The behavior feature vector Fx having the label of the specific nursing task z is acquired from the behavior feature vector DB22, and by using the acquired behavior feature vector, for each accident category (h), the average vector M_zh, The covariance matrix Σ_zh, The eigenvector Φ_zhAnd Σ_zhEigenvalue matrix Λ_zhAre required respectively.
[0117]
For all nursing services z, the scattering matrix W in the nursing service category_zMatrix B between the medical and nursing business categories_zAre obtained according to Equations 12 and 13, respectively.
[0118]
(Equation 12)

[0119]
(Equation 13)

[0120]
That is, the specific accident dictionary data on the nursing service includes the average vector M for each nursing service._zh, The covariance matrix Σ_zh, The eigenvector Φ_zh, Σ_zhEigenvalue matrix Λ_zh, The scattering matrix W in the nursing business category_zMatrix B between healthcare and nursing business categories_zIs recorded.
[0121]
<Specific accident dictionary data by occurrence time>
An action feature vector F having a label of an accident h (h ≠ 1) is obtained from the action feature vector DB 22, and the obtained action feature vector F is divided into 24 sections (1 day) into J sections (time sections). Mean vector M included in the j-th section (j = 1, 2,..., J,._hj, The covariance matrix Σ_hj, The eigenvector Φ_hjAnd Σ_hjEigenvalue matrix Λ_hjAre obtained in accordance with the above-described equations 2 to 5, respectively.
[0122]
For the j-th section, the scattering matrix W in the time section category_jMatrix B between the time interval category and_jAre obtained according to

Equations

14 and 15, respectively.
[0123]
[Equation 14]

[0124]
[Equation 15]

[0125]
That is, the specific accident dictionary data for each occurrence time includes the average vector M for each occurrence time of the accident._hj, The covariance matrix Σ_hj, The eigenvector Φ_hj, Σ_hjEigenvalue matrix Λ_hj, The scattering matrix W in the time interval category_jAnd variance matrix B between time interval categories_jIs recorded.
[0126]
In this way, various dictionary data can be created based on the behavior feature vector created for each nurse.
[0127]
For example, after creating such dictionary data, an action feature vector of the nurse (n) at a certain time point is extracted using these dictionary data to determine whether an accident may occur. Judge and, if there is a possibility of an accident, give a warning directly to the nurse (n) and / or a manager such as a nurse, and change or break the nurse (n) Can be encouraged. That is, it is possible to prevent the occurrence of an accident beforehand. Note that the warning may be issued at the nurse's office.
[0128]
In brief, the IC recorder 32 does not record the acquired audio data and time data, that is, the measurement data in the semiconductor memory, but at a predetermined timing (in this embodiment, every time the measurement data is obtained). It is transmitted to the computer 12 as it is. Although illustration is omitted, for example, if the IC recorder 32 and the computer 12 are connected by a wireless LAN, measurement data can be easily transmitted.
[0129]
The computer 12 creates a feature vector F based on the received measurement data, refers to the dictionary data (in this embodiment, the specific accident dictionary data), and determines whether an accident may occur in the near future. to decide. When it is determined that an accident may occur, a warning is issued as described above.
[0130]
As a method of issuing a warning, when a nurse is directly warned (the same is true when a nurse is directly warned), in addition to the measuring device 30, the nurse is equipped with an earphone, buzzer or vibrator connected to the IC recorder 32. In advance, according to an instruction from the computer 12 connected by the wireless LAN, the warning can be notified by voice or sound (warning sound), or the warning can be notified by vibration.
[0131]
When a warning is issued indirectly to a nurse or a nurse or when a warning is issued to a nurse's house, an output device such as a display or a speaker connected to the computer 12 by wire or wirelessly is provided in a hospital ward (corridor). , A hospital room, a packing room, etc.), and a warning message (character or voice) may be issued. However, when an indirect warning is issued to the nurse, the electronic mail may be transmitted to a terminal such as a personal computer owned by the nurse.
[0132]
Specifically, the computer 12 executes an accident analysis process according to a flowchart as shown in FIG. As shown in FIG. 9, in a step S51, it is determined whether or not the measurement data is received. If “NO” in the step S51, that is, if the measurement data is not received, the process returns to the same step S51. On the other hand, if “YES” in the step S51, that is, if the measurement data is received, the nurse (n) is specified from the MAC address in a step S53.
[0133]
Note that, as described above, after the dictionary data is created, the measurement data is transmitted from the IC recorder 32 to the computer 12 as it is. Therefore, if the MAC address is transmitted together with the measurement data, it is easy. Nurse (n) can be specified.
[0134]
In the following step S55, voice data and time data on the number of steps and the inclination angle are extracted, and in step S57, the action feature vector F as shown in Expression 1 is created from the number of steps, the number of inclinations and the inclination angle.
[0135]
In the next step S59, referring to the nursing service behavior dictionary DB 24, an approximate accident (h) is specified. In this embodiment, the behavior feature vector F created in step S57 and the average vector M for each accident (h) included in the specific accident dictionary data described above._hEuclidean distance d_h(F) is calculated according to Equation 16, and the distance d is calculated._hThe accident (h) in which (F) becomes the minimum (minimum distance) is determined (specified).
[0136]
(Equation 16)
d_h(F) = || FM_h｜｜²
Here, || · || represents a norm.
[0137]
Alternatively, the action feature vector F created in step S57 and the average vector M for each accident (h) included in the specific accident dictionary data_h, The covariance matrix Σ_h, The eigenvector Φ_h, Σ_hEigenvalue matrix Λ_hAnd the likelihood g_h(F) is calculated according to Equation 17, and the likelihood g_hThe accident h that maximizes (F) may be specified.
[0138]
[Equation 17]

[0139]
As described above, in step S59, the Euclidean distance and the likelihood are calculated in order to specify the accident (h), but these are selectively adopted by a designer or a programmer. For example, when the time for specifying the accident (h) is to be shortened, the calculation of the Euclidean distance is employed, and when the accuracy for specifying the accident (h) is to be increased, the calculation of the likelihood is employed. .
[0140]
Then, in a step S61, it is determined whether or not an accident may occur. That is, it is determined whether or not the distance (minimum distance) from the accident h specified in step S59 is equal to or smaller than a preset threshold (second threshold), and whether or not an accident may occur is determined. Alternatively, it is determined whether or not the likelihood (maximum likelihood) with the specified accident h exceeds a preset threshold (third threshold) to determine whether or not an accident may occur.
[0141]
The

thresholds

2 and 3 are values determined (set) by a designer or a programmer. For example, a threshold value 2 is determined by calculating a distance value between an activity feature vector created from business data when an accident occurs and an activity feature vector created from business data immediately before or two business data before the business data. can do.
[0142]
If “NO” in the step S61, that is, if it is determined that there is no possibility that an accident occurs, the process is ended as it is. On the other hand, if “YES” in the step S61, that is, if it is determined that there is a possibility that an accident may occur, a warning is issued to a nurse or a nurse or both in a step S63, and the process ends.
[0143]
In this accident analysis process, only the case where specific accident dictionary data is used has been described. However, the same process can be performed when other dictionary data is used.
[0144]
In addition, the cause of the accident can be analyzed using each dictionary data. Specifically, the computer 12 executes an accident factor analysis process according to a flow chart as shown in FIG.
[0145]
However, since the analysis process of the accident factor is the same regardless of which dictionary data is used, in this embodiment, only the process using the specific accident dictionary data will be described. A description of the processing using data will be omitted.
[0146]
As shown in FIG. 10, when the accident factor analysis process is started, in step S71, the scattering matrix W in the accident category included in the specific accident dictionary data is obtained._hAnd accident category variance matrix B_hAnd the matrix W^-1The eigenvalue matrix の and the eigenvector の of B (for convenience, the subscript “h” is omitted) are calculated. However, the superscript “−1” means an inverse matrix.
[0147]
The method of calculating the eigenvalue matrix Γ and the eigenvector Ψ is described in Keisuke Fukunaga: “Introduction to Statistical Pattern Recognition Second Edition”, Academic Press, pp. 146-64. 446-450, 1990, the description of which is omitted in this embodiment.
[0148]
In a succeeding step S73, the eigenvector φ1 of the eigenvector matrix Φ corresponding to the largest eigenvalue γ1 in the eigenvalue matrix Γ is selected as a main component. Here, since the eigenvector φ1 included in the eigenvector matrix Φ is normalized (referred to as an orthonormal vector) so that the magnitude (square of φ1) becomes 1, each coefficient (positive or negative or 0 value) of φ1 is used. If there is an eigenvector φ1 (i) of an element i having a large absolute value, it can be said that the eigenvector φ1 (i) is a factor that causes or does not cause an accident. In other words, the direction of the eigenvector φ1 may be inverted depending on the method of deriving the eigenvector, so that the sign of the element φ1 (i) does not matter and its magnitude is important.
[0149]
Subsequently, in step S75, a factor load L is calculated. That is, when the eigenvector φ1 = [φ11, φ12,..., Φ1n], the factor load L is calculated according to Expression 18.
[0150]
(Equation 18)

[0151]
Then, in step S77, the axis Fi of the feature vector space in which the absolute value of the factor load L is large is extracted and output to, for example, a display (not shown) connected to the computer 12.
[0152]
That is, from the factor load L, it is possible to know which of the variables of the original observation vector (eigenvector φ1) most contributes to the factor of the principal component. Thereby, it is possible to know the variable of the observation vector to which the factor of the accident contributes. Therefore, a business (environment) improvement proposal can be considered so as to reduce or increase the variables of the observation vector, that is, to reduce a feature vector component having a large absolute value of the factor L1i of the factor load.
[0153]
When such an accident factor analysis process is performed using each dictionary data, the following accident factors can be known. When the specific accident dictionary data is used, it is possible to know the accidents and the factors that are likely to occur in the hospital regardless of who the nurse is. In addition, when specific accident dictionary data for a specific patient is used, it is possible to know the accidents that are likely to occur for each patient and the factors thereof. Furthermore, when the specific accident dictionary data for the specific nurse is used, it is possible to know the accident that is likely to occur for each nurse and the cause thereof. Furthermore, when specific accident dictionary data for a specific job is used, it is possible to know the accidents that are likely to occur for each nursing job and the factors thereof. In addition, when the specific accident dictionary data for each occurrence time is used, it is possible to know the time when the accident is likely to occur in the hospital, the accident and the cause thereof.
[0154]
For example, when it is analyzed that the factor of the accident is the number of steps, working hours, and the like, it is possible to improve the work such as reviewing the arrangement of the hospital rooms and the shift of nurses. That is, it is possible to improve nursing work, review staffing, and improve medical facilities.
[0155]
According to this embodiment, the behavioral characteristics of each nurse are acquired in advance, and the occurrence of accidents is predicted and avoided by comparison with the behavioral characteristics at a certain point in time, so that medical accidents can be prevented beforehand. Can be.
[0156]
In addition, since the cause of the occurrence of an accident such as a medical accident is analyzed from the behavioral characteristics of the nurse, it is possible to improve business operations to avoid the cause.
[0157]
In this embodiment, in order to objectively know the degree of fatigue of the nurse, the number of steps and the inclination angle of the nurse are detected, and the behavior feature vector is created based on the detected steps. The number, the blood sugar level, and the like may be detected, and these may be added to the element of the behavior feature vector.
[0158]
Further, in this embodiment, only the case where the behavior analysis device is applied to a nurse job has been described, but such a behavior analysis device can be applied to other jobs. For example, it is possible to analyze the behavior of doctors performing medical activities, maintenance guards at nuclear power plants, factory workers, and helpers (caregivers) in the home care industry. To give an example, when analyzing the behavior of a factory worker, a tactile sensor or camera can be placed in the factory, a measurement device can be attached to the worker, and behavior characteristics can be acquired. By acquiring the behavior characteristics of the workers, it is possible to prompt a change or a break, thereby avoiding the occurrence of an accident. Also, dictionary data can be created and analyzed from the acquired behavioral features to improve operations, review staffing, and improve factory equipment.
[Brief description of the drawings]
FIG. 1 is a block diagram showing an example of a configuration of an analyzer according to the present invention.
FIG. 2 is an illustrative view showing one example of nurse data recorded in a nurse DB shown in FIG. 1 embodiment;
FIG. 3A is an illustrative view showing classification of a nurse category, and FIG. 3B is an illustrative view showing classification of a patient category;
FIG. 4A is an illustrative view showing classification of a nursing service category, and FIG. 4B is an illustrative view showing classification of an accident / incident category;
FIG. 5 is a block diagram showing an example of a configuration of a measuring device mounted on a nurse.
FIG. 6 is an illustrative view showing a state where the measuring device shown in FIG. 3 is mounted on a nurse.
FIG. 7 is a flowchart showing a process of creating nurse data by the computer shown in FIG. 1 embodiment.
FIG. 8 is a flowchart showing a process of creating a behavior feature vector by the computer shown in FIG. 1 embodiment.
FIG. 9 is a flowchart showing an accident analysis process of the computer shown in FIG. 1 embodiment.
FIG. 10 is a flowchart showing an accident factor analysis process of the computer shown in FIG. 1 embodiment.
[Explanation of symbols]
10 ... behavior analyzer
12… Computer
14… Tactile sensor
16… Camera
18 ... Nurse DB
20… ward event DB
22 ... action feature vector DB
24… Nursing business action dictionary DB
30… Measuring device
32… IC recorder
38… Microphone
40 ... non-contact sensor
42… Pedometer
44… Inclination angle sensor

Claims

A behavior analysis device for analyzing the behavior of a subject performing a specific task,
Exercise amount measuring means for measuring at least the exercise amount of the subject,
Feature creating means for creating behavioral features of the subject based on the amount of exercise measured by the exercise amount measuring means,
A database in which the behavior characteristics when an accident occurs are registered,
Comparing means for comparing the behavior characteristics of the subject at the present time with the behavior characteristics registered in the database;
Determining means for determining the possibility of an accident based on the comparison result of the comparing means, and warning means for issuing a warning when it is determined that the possibility of an accident is determined by the determining means, Behavior analysis device.

A behavior analysis device for analyzing the behavior of a subject performing a specific task,
Exercise amount measuring means for measuring at least the exercise amount of the subject,
Feature creating means for creating behavioral features of the subject based on the amount of exercise measured by the exercise amount measuring means,
Registration means for registering the behavior characteristic when an accident occurs in a database,
Comparing means for comparing the behavior characteristics of the subject at the present time with the behavior characteristics registered in the database;
Determining means for determining the possibility of an accident based on the comparison result of the comparing means, and warning means for issuing a warning when it is determined that the possibility of an accident is determined by the determining means, Behavior analysis device.

The comparing means includes an approximation degree calculating means for calculating an approximation degree between the behavior characteristic of the subject at the present time and the behavior characteristic registered in the database,
The behavior analysis device according to claim 1, wherein the determination unit determines that an accident may occur when the degree of approximation calculated by the degree of approximation calculation unit is greater than a predetermined threshold.

The exercise amount measurement unit includes a step number measurement unit that measures the number of steps of the subject, and an angle measurement unit that measures an inclination angle of the body of the subject,
4. The method according to claim 1, wherein the feature creating unit includes a vector creating unit that creates a feature vector having at least the number of steps measured by the step counting unit and the inclination angle measured by the angle measuring unit as elements. The behavior analysis device according to the above.

A first dictionary creating unit that creates a first dictionary including at least an average value of all the feature vectors registered in the database,
The behavior analysis device according to claim 4, wherein the approximation degree calculating means calculates the approximation degree by obtaining a Euclidean distance between the subject's feature vector and the average value at the present time.

A second dictionary creating unit that creates a second dictionary including an average value of all the feature vectors registered in the database, a covariance matrix, an eigenvalue matrix for the covariance matrix, and an eigenvector for the eigenvalue matrix. ,
The behavior according to claim 4, wherein the approximation degree calculating means calculates the degree of approximation by obtaining a likelihood between the subject's feature vector and the average value, the covariance matrix, the eigenvalue matrix, and the eigenvector at the present time. Analysis equipment.

A behavior analysis device for analyzing the behavior of a subject performing a specific task,
Exercise amount measuring means for measuring at least the exercise amount of the subject,
Feature creating means for creating behavioral features of the subject based on the amount of exercise measured by the exercise amount measuring means,
A behavior analysis device, comprising: a database in which the behavior characteristics at the time of occurrence of an accident are registered; and analysis means for analyzing the behavior characteristics registered in the database to extract the cause of the accident.

A behavior analysis device for analyzing the behavior of a subject performing a specific task,
Exercise amount measuring means for measuring at least the exercise amount of the subject,
Feature creating means for creating behavioral features of the subject based on the amount of exercise measured by the exercise amount measuring means,
A behavior analysis device, comprising: a registration unit that registers the behavior feature when an accident occurs in a database; and an analysis unit that analyzes the behavior feature registered in the database and extracts a cause of the accident.

The exercise amount measurement unit includes a step number measurement unit that measures the number of steps of the subject, and an angle measurement unit that measures an inclination angle of the body of the subject,
9. The action according to claim 7, wherein the feature creating unit includes a vector creating unit that creates a feature vector having at least the number of steps measured by the step counting unit and the inclination angle measured by the angle measuring unit as elements. Analysis equipment.

First matrix creation means for finding a first scattering matrix and a first variance matrix using first average values of all the feature vectors registered in the database and first occurrence probabilities of accidents, and creation of the first matrix First matrix multiplying means for calculating a product of the inverse matrix of the first scattering matrix created by the means and the first variance matrix,
The behavior analysis device according to claim 9, wherein the analysis unit extracts an accident occurrence factor based on a magnitude of a coefficient of a first eigenvector of the matrix calculated by the first matrix product unit.

Voice recording means for recording the voice of the subject, a camera for photographing the subject, and specifying the task content of the subject based on one of the voice recorded by the voice recording means or the video taken by the camera Further comprising a content specifying means for
11. The behavior analysis device according to claim 9, wherein the feature vector created by the vector creation unit and the task content specified by the content specification unit are registered in the database in association with each other.

Creation of a second matrix for obtaining a second scatter matrix and a second variance matrix using a second average value of the feature vector registered in the database and associated with the specific job content and a second occurrence probability of an accident Means, and further comprising second matrix product means for calculating a product of an inverse matrix of the second scattering matrix created by the second matrix creation means and a second variance matrix,
The behavior analysis device according to claim 11, wherein the analysis unit extracts an accident occurrence factor based on a magnitude of a coefficient of a second eigenvector of the matrix calculated by the second matrix product unit.