JP2015176213A

JP2015176213A - 予測システム、予測方法、および予測プログラム

Info

Publication number: JP2015176213A
Application number: JP2014050193A
Authority: JP
Inventors: 峰野　博史; Hiroshi Mineno; 博史峰野; 悠一小林; Yuichi Kobayashi
Original assignee: Shizuoka University NUC
Current assignee: Shizuoka University NUC
Priority date: 2014-03-13
Filing date: 2014-03-13
Publication date: 2015-10-05
Anticipated expiration: 2034-03-13
Also published as: JP6425393B2

Abstract

【課題】被観察者の摂取量を容易に把握すること。
【解決手段】一実施形態に係る予測システムは取得部、判定部、推定部、および出力部を備える。取得部は、被観察者の嚥下運動で発生する生体信号を取得する。判定部は、生体信号から第１変換データを生成し、該第１変換データを説明変数とする第１の機械学習を実行することで、被観察者が摂取物を摂取したか否かを判定する。推定部は、被観察者が摂取したと判定された場合に、生体信号から第２変換データを生成し、該第２変換データを説明変数とする第２の機械学習を実行することで、被観察者の摂取物の摂取量を推定する。出力部は、推定された摂取量を出力する。
【選択図】図３

Description

本発明の一側面は、機械学習を用いて被観察者の生活行動を推定する予測システム、予測方法、および予測プログラムに関する。

飲食は人の生活行動の中でも最も重要なものの一つであり、健康管理においても重要視される。例えば、看護または介護の場面では、患者または被介護者の食事の管理を欠かすことはできない。従来から、そのような食事の管理を支援する技術が知られている。例えば下記特許文献１には、ユーザから計測される情報に基づき該ユーザが食事をしていることを検知する生活管理端末装置と、食事の開始又は終了が検知された時に、検知後の所定の時間の後に該ユーザに食事内容を問い合わせる手段と、問い合わせに対する該ユーザからの回答を取得する手段とを備える生活管理システムが記載されている。

特開２００３−１７３３７５号公報

食事の管理においては、飲物または食物を摂取したかどうかだけでなく、その摂取量を把握することも必要であるが、その摂取量を観察するのは容易なことではない。一人の一回の食事での摂取量を把握するだけでも大変であり、まして、複数の（何人かのまたは多数の）患者または被介護者を世話する病院または介護施設で各人の食事の摂取量を把握することは非常に困難である。そこで、被観察者の摂取量を容易に把握することが望まれている。

本発明の一側面に係る予測システムは、被観察者の嚥下運動で発生する生体信号を取得する取得部と、生体信号から第１変換データを生成し、該第１変換データを説明変数とする第１の機械学習を実行することで、被観察者が摂取物を摂取したか否かを判定する判定部と、被観察者が摂取したと判定された場合に、生体信号から第２変換データを生成し、該第２変換データを説明変数とする第２の機械学習を実行することで、被観察者の摂取物の摂取量を推定する推定部と、推定された摂取量を出力する出力部とを備える。

本発明の一側面に係る予測方法は、プロセッサを備える予測システムにより実行される予測方法であって、被観察者の嚥下運動で発生する生体信号を取得する取得ステップと、生体信号から第１変換データを生成し、該第１変換データを説明変数とする第１の機械学習を実行することで、被観察者が摂取物を摂取したか否かを判定する判定ステップと、被観察者が摂取したと判定された場合に、生体信号から第２変換データを生成し、該第２変換データを説明変数とする第２の機械学習を実行することで、被観察者の摂取物の摂取量を推定する推定ステップと、推定された摂取量を出力する出力ステップとを含む。

本発明の一側面に係る予測プログラムは、被観察者の嚥下運動で発生する生体信号を取得する取得部と、生体信号から第１変換データを生成し、該第１変換データを説明変数とする第１の機械学習を実行することで、被観察者が摂取物を摂取したか否かを判定する判定部と、被観察者が摂取したと判定された場合に、生体信号から第２変換データを生成し、該第２変換データを説明変数とする第２の機械学習を実行することで、被観察者の摂取物の摂取量を推定する推定部と、推定された摂取量を出力する出力部としてコンピュータを機能させる。

このような側面においては、まず、被観察者の嚥下運動で発生した生体信号に基づく第１の機械学習をすることで摂取の有無が判定される。そして、被観察者が摂取したと判定された場合には、その生体信号に基づく第２の機械学習により摂取量が推定される。このように、嚥下運動で発生した生体信号に対して機械学習を実行することで、被観察者の摂取量を容易に把握することができる。

本発明の一側面によれば、被観察者の摂取量を容易に把握することができる。

実施形態に係る予測システムの動作の概念を示すフローチャートである。実施形態に係る予測システムを構成するコンピュータのハードウェア構成を示す図である。実施形態に係る予測システムの機能構成を示すブロック図である。生体信号データから得られるパワースペクトル密度の例を示す図である。生体信号データの分割を示す図である。一つの嚥下区間を示す生体信号データの例を示す図である。生体信号データから得られる振幅ヒストグラムの例を示す図である。実施形態に係る予測システムの動作を示すフローチャートである。実施形態に係る予測プログラムの構成を示す図である。

以下、添付図面を参照しながら本発明の実施形態を詳細に説明する。なお、図面の説明において同一又は同等の要素には同一の符号を付し、重複する説明を省略する。

まず、図１〜７を用いて、実施形態に係る予測システム１０の機能および構成を説明する。予測システム１０は、機械学習を用いて被観察者の経口摂取に関する推定を実行するコンピュータシステムである。

機械学習とは、既知の値の集合であるトレーニングデータを学習することでパターン関数を生成し、そのパターン関数を用いて未知の値を予測する処理である。予測システム１０が用いる機械学習の種類は限定されない。機械学習の例として、人工ニューラルネットワーク（ＡＮＮ）、サポートベクターマシン（ＳＶＭ）、決定木学習、相関ルール学習、ベイジアンネットワークなどが挙げられるが、これ以外のアルゴリズムでもよい。

本明細書における「被観察者」とは、摂取物の摂取を観察する対象となる人である。性別や年齢などに関係なく、被観察者は誰でもよい。本明細書における「摂取物」とは任意の飲物または食物であり、その種類は何ら限定されるものではない。本明細書における「摂取」とは、摂取物を口から取り込み、必要であればその摂取物を咀嚼し、そしてその摂取物を胃に流す行為である（すなわち、経口摂取）。

図１に、予測システム１０を用いた摂取の推定の概要を示す。まず、被観察者の嚥下運動で発生する生体信号のデータが収集される（ステップＳ１）。続いて、その生体信号に基づく第１の機械学習により摂取の有無が判定される（ステップＳ２）。続いて、その生体信号が分割され（ステップＳ３）、分割後の個々の信号に基づく一口摂取量が第２の機械学習を用いて推定される（ステップＳ４）。そして、個々の一口摂取量から所望の合計摂取量が算出される（ステップＳ５）。

ここで、嚥下運動とは、摂取物が口に取り込まれてから胃に至るまでの過程で被観察者の身体で発生する運動である。例えば、咀嚼および飲み込みは嚥下運動の一種である。本明細書における「嚥下運動で発生する生体信号」とは、嚥下運動時に被観察者の身体で生じる信号である。信号の具体例としては音（嚥下音）、振動、筋活動時の電位変化（筋電）などが挙げられるが、信号の種類はこれらに限定されない。

生体信号は被観察者に装着されたセンサにより検知され、生体信号データとしてデータベースに蓄積される（生体信号データの収集）。生体信号センサは生体信号を検知する装置である。上記の通り生体信号の種類は限定されないから、その信号を捕捉するセンサの種類も限定されない。センサは、被観察者に装着されてもよいし（いわゆる、ウェアラブルセンサ（ｗｅａｒａｂｌｅｓｅｎｓｏｒ））、室内の任意の場所に設けられてもよい。一例として、嚥下音を捉えるのであればスロートマイク（ｔｈｒｏａｔｍｉｃｒｏｐｈｏｎｅ）をセンサとして用いることが考えられるが、このマイクはウェアラブルセンサの一態様である。ウェアラブルセンサを用いた場合には、被観察者の行動を制限することなく（例えば、飲食の場所および時間を制限することなく）生体信号を収集することが可能である。

「一口摂取量」とは、一回の飲み込みにより口から胃に取り込まれる摂取物の量であり、言い換えると、一回の嚥下により取り込まれる摂取物の量である。量の種類は限定されず、それは体積、質量、重量、熱量でもよいし、これ以外の量でもよい。合計摂取量は任意の期間における一口摂取量の集計値であり、例えば一回の食事における摂取量でもよいし、一日における摂取量でもよい。

所望の合計摂取量は、様々な目的で用いられる情報となり得る。例えば、その合計摂取量から被観察者の摂取状況を把握できるし、その情報をその被観察者の健康管理や今後の食事の計画などに生かすこともできる。

予測システム１０は１台以上のコンピュータを備え、複数台のコンピュータを備える場合には、後述する予測システム１０の各機能要素は分散処理により実現される。個々のコンピュータの種類は限定されない。例えば、据置型または携帯型のパーソナルコンピュータ（ＰＣ）を用いてもよいし、ワークステーションを用いてもよいし、高機能携帯電話機（スマートフォン）や携帯電話機、携帯情報端末（ＰＤＡ）などの携帯端末を用いてもよい。あるいは、様々な種類のコンピュータを組み合わせて予測システム１０を構築してもよい。複数台のコンピュータを用いる場合には、これらのコンピュータはインターネットやイントラネットなどの通信ネットワークを介して接続される。

予測システム１０内の個々のコンピュータ１００の一般的なハードウェア構成を図２に示す。コンピュータ１００は、オペレーティングシステムやアプリケーション・プログラムなどを実行するＣＰＵ（プロセッサ）１０１と、ＲＯＭ及びＲＡＭで構成される主記憶部１０２と、ハードディスクやフラッシュメモリなどで構成される補助記憶部１０３と、ネットワークカードあるいは無線通信モジュールで構成される通信制御部１０４と、キーボードやマウスなどの入力装置１０５と、ディスプレイやプリンタなどの出力装置１０６とを備える。当然ながら、搭載されるハードウェアモジュールはコンピュータ１００の種類により異なる。例えば、据置型のＰＣおよびワークステーションは入力装置および出力装置としてキーボード、マウス、およびモニタを備えることが多いが、スマートフォンではタッチパネルが入力装置および出力装置として機能することが多い。

後述する予測システム１０の各機能要素は、ＣＰＵ１０１または主記憶部１０２の上に所定のソフトウェアを読み込ませ、ＣＰＵ１０１の制御の下で通信制御部１０４や入力装置１０５、出力装置１０６などを動作させ、主記憶部１０２または補助記憶部１０３におけるデータの読み出し及び書き込みを行うことで実現される。処理に必要なデータやデータベースは主記憶部１０２または補助記憶部１０３内に格納される。

予測システム１０は生体信号データを得るためにデータベース２０にアクセスする、このデータベース２０は、生体信号データを記憶する装置または機能要素である。データベース２０の実装方法は限定されない。例えば、データベース２０は予測システム１０内にあってもよいし、予測システム１０とは別のシステム内に存在してもよい。また、データベース２０は関係データベースでもよいしＣＳＶファイルでもよい。生体信号データをデータベース２０に蓄積する方法は限定されない。例えばセンサＳがデータベース２０と直接通信して生体信号データをデータベース２０に格納してもよいし、別のコンピュータがセンサＳから生体信号データを収集して、その生体信号データをデータベース２０に格納してもよい。

図３に示すように、予測システム１０は機能的構成要素として取得部１１、判定部１２、推定部１３、および出力部１４を備える。以下では、生体信号が嚥下音であり、予測システム１０がその嚥下音から被観察者の水分摂取量を推定する場合の処理を例として示す。ここで、水分摂取量とは、被観察者が飲物（例えば、水）を摂取した量である。

取得部１１は、被観察者の嚥下運動で発生する生体信号を取得する機能要素である。一般に、生体信号は何らかの時間幅（例えば、１秒、１分、１時間など）において継続的に収集され、波として表すことができる（図１参照）。生体信号は、被観察者Ｕに装着されたセンサ（例えば、スロートマイク）Ｓにより検知され、生体信号データとしてデータベース２０に蓄積される。取得部１１はその生体信号データをデータベース２０から読み出して判定部１２に出力する。ある被観察者について取得部１１が取得する生体信号データの時間幅は何ら限定されない。例えば、その時間幅は３０秒、１分、１０分、３０分、１時間、または２時間でもよい。

判定部１２は、被観察者が摂取物（飲物）を摂取したか否かを推定する機能要素である。判定部１２は生体信号データに対して第１の変換を実行することで第１変換データを生成する。そして、判定部１２はその第１変換データに対して第１の機械学習を実行することで、被観察者が摂取物（飲物）を摂取したか否かを推定する。摂取の有無を判定するために用いるデータ変換方法および機械学習は何ら限定されるものではない。本実施形態では、判定部１２はデータ変換方法して高速フーリエ変換（ＦＦＴ）を用い、機械学習として、ＳＶＭを分類に対応させたサポートベクター分類（ＳＶＣ）を用いる。

判定部１２は生体信号データに対して高速フーリエ変換（ＦＦＴ）を実行することで、嚥下音のパワースペクトル密度（ＰＳＤ）を第１変換データとして得る。続いて、判定部１２はそのパワースペクトル密度を説明変数として用いるＳＶＣを実行することで、入力された生体信号データが「飲む」という行為を示すか否かを判定する。

嚥下音のデータから得られるパワースペクトル密度は、喉を使う様々な行動の特徴を示す。図４は、「飲む」「食べる」「咳」「呼吸」「話す」「唾（を飲む）」の６種類についてのパワースペクトル密度を示す。図４における各グラフの縦軸および横軸はそれぞれ強さおよび周波数である。これらのグラフからわかるように、各行為のパワースペクトル密度には、他の行為とは異なる特徴が現れていることがわかる。

センサＳを用いて収集した生体信号データがすべて「飲む」行為によって発生したものとは限らず、人が生活するうえで必要な他の行為によって発生した生体信号データが存在する可能性がある。そこで、水分摂取量を推定する前段階の処理として、判定部１２はＳＶＣによりそのパワースペクトル密度を解析することで、入力された生体信号データが「飲む」という行為を示すか「飲む」以外の行為を示すかを判定する。そして、生体信号データが「飲む」という行為を示すと判定した場合（すなわち、被観察者が飲物を飲んだと判定した場合）には、推定部１３はその生体信号データを推定部１３に出力する。一方、生体信号データが「飲む」以外の行為を示すと判定した場合（すなわち、被観察者が飲物を飲んでいないと判定した場合）には、推定部１３はその生体信号データを推定部１３に出力することなく処理を終了し、この場合には、後述する推定部１３および出力部１４の処理は実行されない。

ＦＦＴにより得られたパワースペクトル密度の周波数特性として所定の個数（例えば２５５個）の説明変数が得られる。判定部１２はそのすべての説明変数を用いてもよいし、推定に必要な一部の説明変数のみを用いてもよい。すべての説明変数が判定の精度の向上に貢献するとは限らないので、必要な説明変数のみを選択した上でＳＶＣを実行することで、判定の精度を上げることができ、計算時間の短縮も期待できる。説明変数を選択する手法として増加法と減少法の２種類がある。

増加法は、説明変数が０個のモデルから処理を始め、目的変数に対して相関値Ｘが最も高い説明変数を一つずつ追加していく手法である。この手法では、機械学習に使用する説明変数群Ａの初期値は空（ｎｕｌｌ）であり、機械学習に使用しない説明変数群Ｂの初期値は、Ｎ個（例えば、Ｎ＝２５５）の説明変数である。

まず、判定部１２は説明変数群Ｂ内の個々の説明変数について、目的変数に対する相関値Ｘを求め、相関値Ｘが最も高い説明変数を説明変数群Ｂから説明変数群Ａに移す。続いて、判定部１２はその説明変数群Ａで回帰分析を行うことで、各説明変数の推定係数を確認する。そして、すべての説明変数について推定係数の絶対値Ｙが１以上である場合には、判定部１２は、相関値Ｘが最も高い説明変数を説明変数群Ａに移す処理に戻って、以降の処理を繰り返す。一方、推定係数の絶対値Ｙが１を下回る説明変数が出現した場合には、判定部１２は最後に追加した説明変数を除いた後の説明変数群Ａを用いて機械学習を実行する。

一方、減少法は、すべての説明変数を採用するモデルから処理を始め、目的変数に対して相関値Ｘが最も低い説明変数を一つずつ除いていく手法である。この手法では、判定部１２は機械学習に使用する説明変数群Ａの初期値はＮ個（例えば、Ｎ＝２５５）の説明変数であり、機械学習に使用しない説明変数群Ｂの初期値は空（ｎｕｌｌ）である。

本実施形態では、まず、説明変数群Ａ内の説明変数の個数をＮからＮａに減らす（例えば、２５５個から１５個に減らす）。このために、判定部１２は、説明変数群Ａの個々の説明変数について、目的変数に対する相関値Ｘを求め、相関値Ｘが最も低い説明変数を説明変数群Ａから説明変数群Ｂに移す。判定部１２はこの移動処理を、説明変数群Ａ内の説明変数の個数がＮａになるまで繰り返す。

続いて、判定部１２は説明変数群Ａで回帰分析を行うことで、各説明変数の推定係数を確認する。そして、すべての説明変数について推定係数の絶対値Ｙが１以上である場合には、判定部１２はその説明変数群Ａを用いて機械学習を実行する。一方、推定係数の絶対値Ｙが１を下回る説明変数が出現した場合には、判定部１２は相関値Ｘが最も低い説明変数を説明変数群Ｂに移して、回帰分析以降の処理を繰り返す。

推定部１３は、被観察者の摂取物の摂取量を推定する機能要素である。推定部１３は生体信号データに対して第２の変換を実行することで第２変換データを生成する。そして、推定部１３はその第２変換データに対して第２の機械学習を実行することで摂取量を推定する。摂取量を推定するために用いるデータ変換方法および機械学習は何ら限定されるものではない。本実施形態では、推定部１３はデータ変換方法して振幅ヒストグラムを用い、機械学習としてＳＶＣを用いる。第２変換データは、時間の経過と共に変化する値についての特性（すなわち、時間特性）を示すデータであり、振幅ヒストグラムはその時間特性を示すデータの一種である。生体信号データにおいて隣り合う波の変化量についての特性を示すデータも時間特性を示すデータの一種であるので、振幅ヒストグラムに代えて、当該変化量の特性を示すデータを用いてもよい。推定部１３での機械学習の他の例としては、ＳＶＭを回帰に対応させたサポートベクター回帰（ＳＶＲ）などが挙げられる。

まず、推定部１３は生体信号データで示される時間区間を嚥下区間とノイズ区間とに分割することで１以上の嚥下区間を特定する。ここで、嚥下区間とは、一回の嚥下を示すと推定される区間であり、ノイズ区間とは、嚥下が発生していないと推定される区間である。この処理のために、推定部１３は、ノイズ区間におけるセンサＳの音圧レベルの最大値Ｖと、ノイズ区間の継続時間の最小値Ｔとを予め閾値として保持している。なお、これらの閾値Ｖ，Ｔは予測システム１０の管理者により予め設定される。推定部１３は、生体信号データにおいて、閾値Ｖ未満の波形が閾値Ｔ以上連続して続く区間をノイズ区間であると判定し、そのノイズ区間を除外した後に残る１以上の区間を嚥下区間と判定する。例えば、推定部１３は図５に示すように、生体信号データを１以上の嚥下区間ｔｄと１以上のノイズ区間ｔｎとに分ける。

続いて、推定部１３は個々の嚥下区間における一口摂取量を推定する。本実施形態のようにＳＶＣを用いる場合には、推定部１３は一口摂取量についてｎ個の分類Ｃ_１〜Ｃ_ｎを予め用意しておき、個々の嚥下区間における一口摂取量がＣ_１〜Ｃ_ｎのどれに相当するかを推定する。例えば、一口摂取量の分類として５ｍｌ，１０ｍｌ，１５ｍｌ，２０ｍｌという４種類を用意してもよい。または、推定部１３はＳＶＣとＳＶＲとを組み合わせて一口摂取量を推定してもよい。具体的には、推定部１３はまず推定する範囲をＳＶＣで絞り込んでから、ＳＶＲを用いて一口摂取量をより詳細に推定してもよい。例えば、ＳＶＣで推定された一口摂取量が１５ｍｌである場合は、推定部１３は１５ｍｌ±５ｍｌの範囲でＳＶＲにより一口摂取量を推定する。推定部１３は各嚥下区間について以下の処理を実行する。

推定部１３は、図６に示すように、嚥下区間における音圧レベルの範囲のうち、ノイズと推定される部分（例えば、音圧レベルが上記の閾値Ｖ未満の部分）ｖｎを無視し、それ以外の部分（例えば、音圧レベルが上記の閾値Ｖ以上の部分）ｖｄを複数に均等に区切る。なお、嚥下区間内でノイズ部分とそれ以外の部分とを区切るための閾値は、生体信号データを嚥下区間とノイズ区間とに分けるための閾値と異なってもよい。音圧レベルの区切り位置の個数は任意であり、例えば１００個でも２００個でもよい。図６の例では、正の音圧レベルに対応する部分ｖｄにおいて２００個の区切り位置（ｃ０〜ｃ１９９）を設定している。続いて、推定部１３は各区切り位置（図６ではｃ０〜ｃ１９９）を音圧レベルの波が何回通ったかを数えることで（すなわち、通過回数を数えることで）、振幅ヒストグラムを生成する。

嚥下音のデータから得られる振幅スペクトルは一口摂取量の特徴を示す。図７は、５ｍｌ，１０ｍｌ，１５ｍｌ，２０ｍｌの４種類についての振幅スペクトルを示す。図７のグラフの縦軸および横軸はそれぞれ通過回数および区切り位置である。一口摂取量が大きくなるほど、音圧レベルの特定の位置（例えば図７における位置Ｒを参照）における通過回数が多くなることがわかる。したがって、この振幅ヒストグラムから一口摂取量を推定することが可能である。推定部１３はその振幅ヒストグラムを説明変数としてＳＶＣを実行することで、処理対象の嚥下区間における一口摂取量を推定する。

推定部１３は、一口摂取量を推定する際にすべての区切り位置（図６，７ではｃ０〜ｃ１９９）の通過回数を用いなくてもよく、推定処理に必要な一部の区切り位置のみを用いてもよい。図７の例では、一口摂取量の特性はおおよそ区切り位置ｃ０〜ｃ４０の範囲にわたって顕著に表れ、ｃ４０を超える範囲になると通過回数は一口摂取量にかかわらずほとんど０になって、一口摂取量による区別がつかなくなる。したがって、推定部１３は分類に貢献する一部の範囲（例えば、ｃ０〜ｃ４０）の通過回数のみを用いてＳＶＣによる推定を実行してもよい。このように推定に用いる振幅ヒストグラムの範囲を限定することで計算量が減るので、推定処理をより高速に実行することができる。

すべての嚥下区間について一口摂取量を推定すると、推定部１３はその推定結果を出力部１４に出力する。

出力部１４は、推定された摂取量を推定結果２１として出力する機能要素である。推定結果２１の出力先は何ら限定されない。例えば、出力部１４は推定結果２１をモニタ上に表示したりプリンタに印刷したりしてもよいし、推定結果２１をテキストファイルに書き出してもよいし、推定結果２１をメモリやデータベースなどの記憶装置に格納してもよい。あるいは、出力部１４は推定結果２１を通信ネットワーク経由で他のコンピュータシステム（例えば機械学習用のシステム）に出力してもよい。

推定結果２１の内容および形式も限定されない。例えば、出力部１４は入力された各嚥下区間の一口摂取量を出力してもよいし、摂取量の集計値（例えば、一休憩当たり、一食当たり、または一日当たりの一口摂取量の集計値）を出力してもよい。例えば、５個の一口摂取量「５ｍｌ」「１５ｍｌ」「１０ｍｌ」「５ｍｌ」「１０ｍｌ」が入力された場合には、出力部１４は合計摂取量「４５ｍｌ」を推定結果２１として出力してもよい。あるいは、出力部１４は、各嚥下区間の一口摂取量と摂取量の集計値との双方を出力してもよい。

次に、図８を用いて、予測システム１０の動作を説明するとともに本実施形態に係る予測方法について説明する。

まず、取得部１１が嚥下音を示す生体信号データをデータベース２０から読み出す（ステップＳ１１、取得ステップ）。続いて、判定部１２がその生体信号データに対して高速フーリエ変換（ＦＦＴ）を実行することで、嚥下音のパワースペクトル密度（ＰＳＤ）を生成する（ステップＳ１２）。続いて、判定部１２はそのパワースペクトル密度に対してＳＶＣを実行することで、被観察者による摂取（「飲む」行為）の有無を判定する（ステップＳ１３、判定ステップ）。

被観察者が「飲む」行為をしたと判定された場合には（ステップＳ１４；ＹＥＳ）、推定部１３が生体信号データを分割して１以上の嚥下区間を特定する（ステップＳ１５）。そして、推定部１３は各嚥下区間について、その嚥下区間のデータから振幅ヒストグラムを生成し（ステップＳ１６）、その振幅ヒストグラムに対してＳＶＣを実行することで一口摂取量を推定する（ステップＳ１７、推定ステップ）。推定部１３はすべての嚥下区間について振幅ヒストグラムの生成および一口摂取量の推定を実行する（ステップＳ１８参照）。最後に、出力部１４が摂取量の推定結果を出力する（ステップＳ１９、出力ステップ）。

一方、被観察者が「飲む」行為をしなかったと判定された場合には（ステップＳ１４；ＮＯ）、予測システム１０は摂取量の推定を行うことなく、取得した生体信号データについての処理を終了する。

次に、図９を用いて、予測システム１０を実現するための予測プログラムＰ１を説明する。

予測プログラムＰ１は、メインモジュールＰ１０、取得モジュールＰ１１、判定モジュールＰ１２、推定モジュールＰ１３、および出力モジュールＰ１４を備える。

メインモジュールＰ１０は、機械学習による予測機能を統括的に制御する部分である。取得モジュールＰ１１、判定モジュールＰ１２、推定モジュールＰ１３、および出力モジュールＰ１４を実行することにより実現される機能はそれぞれ、上記の取得部１１、判定部１２、推定部１３、および出力部１４の機能と同様である。

予測プログラムＰ１は、例えば、ＣＤ−ＲＯＭやＤＶＤ−ＲＯＭ、半導体メモリなどの有形の記録媒体に固定的に記録された上で提供されてもよい。また、予測プログラムＰ１は、搬送波に重畳されたデータ信号として通信ネットワークを介して提供されてもよい。

以上説明したように、本発明の一側面に係る予測システムは、被観察者の嚥下運動で発生する生体信号を取得する取得部と、生体信号から第１変換データを生成し、該第１変換データを説明変数とする第１の機械学習を実行することで、被観察者が摂取物を摂取したか否かを判定する判定部と、被観察者が摂取したと判定された場合に、生体信号から第２変換データを生成し、該第２変換データを説明変数とする第２の機械学習を実行することで、被観察者の摂取物の摂取量を推定する推定部と、推定された摂取量を出力する出力部とを備える。

例えば、予測システム１０は、複数の（何人かのまたは多数の）患者または被介護者を世話する病院または介護施設で各人の食事の摂取量を把握するために用いることができる。食事管理を含む健康管理は継続的に行う必要があるので、人手で行うと看護師および介護士に負担が掛かるだけでなく、記録の漏れまたはミスが生じる可能性がある。本実施形態によれば、嚥下運動で発生した生体信号から摂取の有無および摂取量が自動的に出力されるので、看護または介護の負担を減らしたり、摂取状態を確実に記録したりすることが可能になる。

他の側面に係る予測システムでは、推定部が生体信号を分割することで１以上の嚥下区間を推定し、各嚥下区間について摂取物の一口摂取量を推定し、出力部が、一口摂取量、および該一口摂取量の集計値の少なくとも一方を出力してもよい。このように生体信号を分割して一口毎の摂取量を推定することで、摂取量を正確に推定することができる。

他の側面に係る予測システムでは、第１変換データがパワースペクトル密度であり、第１の機械学習がサポートベクター分類であってもよい。

他の側面に係る予測システムでは、第２変換データが振幅ヒストグラムであり、第２の機械学習がサポートベクター分類または、サポートベクター分類とサポートベクター回帰との組み合わせであってもよい。

他の側面に係る予測システムでは、生体信号が嚥下音であってもよい。嚥下音はスロートマイクなどのマイクにより簡単に検知できるので、被観察者に与える装着の不快感を抑えつつ嚥下運動を捉えることができる。

以上、本発明をその実施形態に基づいて詳細に説明した。しかし、本発明は上記実施形態に限定されるものではない。本発明は、その要旨を逸脱しない範囲で様々な変形が可能である。

上述した通り、第１および第２の機械学習の具体的な手法は限定されない。また、第１の機械学習と第２の機械学習とは同じでもよいし異なってもよい。

上記実施形態では推定部が生体信号を分割することで１以上の嚥下区間を推定し、各嚥下区間について一口摂取量を推定したが、生体信号を個々の嚥下区間に分割することは必須ではない。予測システムは、被観察者が摂取したと判定した場合に、このような分割処理を用いることなく所望の摂取量を推定してもよい。

１０…予測システム、１１…取得部、１２…判定部、１３…推定部、１４…出力部、２０…データベース、Ｐ１…予測プログラム、Ｐ１０…メインモジュール、Ｐ１１…取得モジュール、Ｐ１２…判定モジュール、Ｐ１３…推定モジュール、Ｐ１４…出力モジュール。

Claims

被観察者の嚥下運動で発生する生体信号を取得する取得部と、
前記生体信号から第１変換データを生成し、該第１変換データを説明変数とする第１の機械学習を実行することで、前記被観察者が摂取物を摂取したか否かを判定する判定部と、
前記被観察者が摂取したと判定された場合に、前記生体信号から第２変換データを生成し、該第２変換データを説明変数とする第２の機械学習を実行することで、前記被観察者の前記摂取物の摂取量を推定する推定部と、
推定された前記摂取量を出力する出力部と
を備える予測システム。
前記推定部が前記生体信号を分割することで１以上の嚥下区間を推定し、各嚥下区間について前記摂取物の一口摂取量を推定し、
前記出力部が、前記一口摂取量、および該一口摂取量の集計値の少なくとも一方を出力する、
請求項１に記載の予測システム。
前記第１変換データがパワースペクトル密度であり、
前記第１の機械学習がサポートベクター分類である、
請求項１または２に記載の予測システム。
前記第２変換データが振幅ヒストグラムであり、
前記第２の機械学習がサポートベクター分類または、サポートベクター分類とサポートベクター回帰との組み合わせである、
請求項１〜３のいずれか一項に記載の予測システム。
前記生体信号が嚥下音である、
請求項１〜４のいずれか一項に記載の予測システム。
プロセッサを備える予測システムにより実行される予測方法であって、
被観察者の嚥下運動で発生する生体信号を取得する取得ステップと、
前記生体信号から第１変換データを生成し、該第１変換データを説明変数とする第１の機械学習を実行することで、前記被観察者が摂取物を摂取したか否かを判定する判定ステップと、
前記被観察者が摂取したと判定された場合に、前記生体信号から第２変換データを生成し、該第２変換データを説明変数とする第２の機械学習を実行することで、前記被観察者の前記摂取物の摂取量を推定する推定ステップと、
推定された前記摂取量を出力する出力ステップと
を含む予測方法。
被観察者の嚥下運動で発生する生体信号を取得する取得部と、
前記生体信号から第１変換データを生成し、該第１変換データを説明変数とする第１の機械学習を実行することで、前記被観察者が摂取物を摂取したか否かを判定する判定部と、
前記被観察者が摂取したと判定された場合に、前記生体信号から第２変換データを生成し、該第２変換データを説明変数とする第２の機械学習を実行することで、前記被観察者の前記摂取物の摂取量を推定する推定部と、
推定された前記摂取量を出力する出力部と
してコンピュータを機能させるための予測プログラム。