JP2019005252A - 呼吸状態判定システム、呼吸状態判定プログラム - Google Patents

Abstract

【課題】簡単な手順で高精度に呼吸状態を判定できるようにする。【解決手段】プログラムが実行される計算機を有する呼吸状態判定システム１であって、計算機は、デジタルカメラで撮像される利用者の頭部情報を取得する頭部情報取得処理部１００と、頭部情報を利用して呼吸状態を判定する症状判定処理部６００と、を備えるようにした。【選択図】図３

Description

本発明は、睡眠時無呼吸症候群等の呼吸状態を判定するシステム等に関する。

近年、食生活の高カロリー化と運動習慣の減少によって肥満者が増加し、これに伴って、睡眠時無呼吸症候群（Sleep Apnea Syndrome、通称ＳＡＳ）患者が増えている。この中でも、閉鎖型睡眠時無呼吸症候群（Obstructive Sleep Apnea Syndrome、通称ＯＳＡＳ）患者は、高血圧、心筋梗塞、脳血管障害など様々な生活習慣病との関係が深いことも報告されている。

中等症以上のＯＳＡＳ患者には、呼吸補助装置を用いた持続的陽圧換気療法（Continuous positive airway pressure、通称ＣＰＡＰ療法）が有用とされている（例えば、特許文献１参照）。しかし、日本国における呼吸補助装置の使用患者数は約４０万人にとどまっており、多数の未診断・未治療のＯＳＡＳ患者が潜在的に存在するとされている。

特開２０１６−０３４４１１号

未診断・未治療のＯＳＡＳ患者が存在する理由として、睡眠時無呼吸症候群の概念が、一般に広く普及しておらず、また、患者は、自分自身の睡眠中の呼吸状態を知ることができないことが挙げられる。更に、睡眠時の呼吸状態を測定する為には、パルスオキシメーターを装着して睡眠中の血中酸素飽和度を測定する簡易な方法や、入院下で行う終夜睡眠ポリグラフ検査などが存在するが、いずれにしろ、専門家の指導や専用機器が必要であることから、患者にとっても受診に対する抵抗感が生じやすい。

本発明は、斯かる実情に鑑み、簡単な手順で、睡眠時無呼吸症候群等の呼吸状態を高精度に判定可能なシステム等を提供しようとするものである。

上記目的を達成する本発明は、プログラムが実行される計算機を有する呼吸状態判定システムであって、前記計算機は、デジタルカメラで撮像される利用者の頭部情報を取得する頭部情報取得処理部と、前記頭部情報を利用して呼吸状態を判定する症状判定処理部と、を備える事を特徴とする、呼吸状態判定システムである。

上記呼吸状態判定システムに関連して、前記頭部情報には、頭部を側面から撮像した情報が含まれることを特徴とする。

上記呼吸状態判定システムに関連して、前記頭部情報には、頭部を正面から撮像した情報が含まれることを特徴とする。

上記呼吸状態判定システムに関連して、前記計算機は、更に、前記頭部情報を利用して頭部形状に関する特徴情報を抽出する特徴情報抽出処理部を備え、前記症状判定処理部は、前記特徴情報を利用して呼吸状態を判定することを特徴とする。

上記呼吸状態判定システムに関連して、前記特徴情報は、顎部の形状情報を含むことを特徴とする。

上記呼吸状態判定システムに関連して、前記計算機は、更に、前記症状判定処理部における前記呼吸状態を判定する判定アルゴリズムを生成する為に学習処理を実行する学習処理部を備えることを特徴とする。

上記呼吸状態判定システムに関連して、前記計算機は、更に、利用者の睡眠中の呼吸音情報を取得する呼吸音取得処理部と、前記呼吸音情報を解析して、呼吸状態を判定する呼吸音解析処理部と、を備えており、前記学習処理部は、前記呼吸音解析処理部で判定された呼吸状態の判定結果を学習データに含めることを特徴とする。

上記呼吸状態判定システムに関連して、前記計算機は、更に、医療機関における患者の呼吸状態を診断した結果となる診断カルテ情報が蓄積されるカルテ情報蓄積処理部を備えており、前記学習処理部は、前記診断カルテ情報を学習データに含めることを特徴とする。

上記呼吸状態判定システムに関連して、前記計算機は、更に、利用者に対して問診情報の入力を促す問診情報取得処理部を備え、前記症状判定処理部は、前記頭部情報及び前記問診情報を利用して呼吸状態を判定することを特徴とする。

上記呼吸状態判定システムに関連して、前記計算機は、更に、前記頭部情報から前記利用者が特定できないような情報加工処理を行う匿名化処理部を備えることを特徴とする。

上記目的を達成する本発明は、計算機で実行されることで、呼吸状態判定する呼吸状態判定プログラムであって、前記計算機が、デジタルカメラで撮像される利用者の頭部情報を取得する頭部情報取得処理ステップと、前記計算機が、前記頭部情報を利用して呼吸状態を判定する症状判定処理ステップと、を備える事を特徴とする、呼吸状態判定プログラムである。

本発明によれば、簡単な手順で、睡眠時無呼吸症候群等の呼吸状態を高精度に判定可能となる。

本発明の実施形態に係る呼吸状態判定システムの全体構成を示すブロック図である。 同呼吸状態判定システムの計算機の内部構成を示すブロック図である。 同呼吸状態判定システムの計算機の機能構成を示すブロック図である。 同呼吸状態判定システムの頭部情報取得処理部で実行される頭部情報と撮像状態を示す図である。 同呼吸状態判定システムの呼吸音解析処理部で実行される解析状態を示す図である。 同呼吸状態判定システムの症状判定処理部及び学習処理部で実行される構成を示すブロック図である。

以下、本発明の実施の形態について添付図面を参照して説明する。

図１に、本実施形態の呼吸状態判定システム１の全体構成を示す。この呼吸状態判定システム１は、利用者計算機１０、判定用計算機２０、学習用計算機３０、電子カルテ計算機４０、医療機関計算機５０、呼吸補助データ計算機６０、呼吸補助装置７０、通知計算機８０を備えており、これらが、インターネット等の通信ネットワークＮによって、互いに接続される。なお、呼吸補助装置７０にも、内部に呼吸補助装置用計算機が内蔵されている。

これらの計算機は、例えば、図２の内部構成を有する。具体的に計算機は、中央演算装置ＣＰＵ、プログラムや各種データを蓄積する不揮発性記憶装置Ｓ、中央演算装置ＣＰＵで実行されるデータを展開する揮発性メモリＭ、外部と情報交換を行う通信インタフェースＦ、これらを互いに接続する通信バスＢを備える。各計算機では、所望のプログラムが中央演算装置ＣＰＵで実行されることで、後述する各種情報処理を実現する。つまり、情報処理とプログラムの各処理ステップは対の関係となる。なお、計算機の内部構成は、図２に限定されず、様々な構成を取りうる。

図１に示すように、本呼吸状態判定システム１では、各種計算機が分散配置される場合を例示しているが、１台の計算機で呼吸状態判定システム１の全体を構築することも可能であり、反対に、更に細かく計算機を分散することもできる。また、各計算機が配置される場所は特に限定されず、計算機の一部又は全部が、パーソナルコンピュータやサーバ、あるいは、いわゆるクラウドコンピューティング環境で提供されるようにしても良く、また、計算機の一部または全部が、いわゆるスマートフォンのような携帯型通信端末であっても良い。更に、計算機の外観は特に限定されず、例えば、家庭用ロボット、監視カメラ、身体に装着可能なウエアラブル端末等のような形態であっても良い。

次に、図１の各計算機においてプログラムが実行されることで実現される機能について、図３等を参照して説明する。

利用者計算機１０は、例えば、利用者が所有するスマートフォン等の携帯通信端末であり、無線通信処理部、ディスプレイ（表示装置）、タッチパネル式の入力装置、スピーカ、デジタルカメラ、マイクロフォン、加速度センサ、ＧＰＳセンサなどを内蔵する。

この利用者計算機１０は、プログラムの実行結果として、頭部情報取得処理部１００、問診情報取得処理部２００、呼吸音取得処理部３００、体動取得処理部４００を有する。このプログラムは、利用者計算機１０のＯＳに適用されるアプリケーションとして、アプリケーション配信の専用サーバから、ダウンロード形式で提供されることが好ましい。

頭部情報取得処理部１００は、デジタルカメラを利用して、利用者の頭部情報（頭部写真データまたは頭部動画データ）を取得し、不揮発性記憶装置Ｓに保存する。頭部情報取得処理部１００は、更に、頭部情報を判定用計算機２０に送信する。なお、頭部を撮影する際には、図４（Ａ）（Ｂ）の一点鎖線に示すように、撮影用のディスプレイに、顎と首の周囲を含めるようなガイド線Ｗを表示することが好ましく、利用者が、ＳＡＳの判定に重要な顎や首の映像を確実に撮影できるようにする。なお、頭部の正面映像と頭部の側面映像をそれぞれ撮影させるように、図４（Ａ）と図４（Ｂ）の各撮影インタフェース（ガイド線Ｗ）をディスプレイに表示することが望ましい。

この際、例えば、図４（Ｃ）（Ｄ）に示すように、頭部の目の位置よりも下側に限定して、頭部映像を撮影するように促すことも好ましい。ＳＡＳの判定では、目の情報は不要となる場合が多いので、目の映像を除外すれば、頭部情報から利用者個人が特定される確率（個人情報が流出する確率）を低下させることができる。結果、利用者も、安心して撮影に応じることが可能となる。

問診情報取得処理部２００は、ディスプレイを利用して、利用者に対して、身長、体重、年齢、性別、腹囲、血圧、脈拍、体温、国籍、人種等の問診情報の入力を促すと共に、利用者によって入力された問診情報を判定用計算機２０に送信する。なお、この問診情報の問診項目は特に限定されないが、睡眠に関する問診項目が好ましく、例えば、日中の眠気程度、睡眠時間、入眠時刻、目覚めの程度等の情報が挙げられる。それ以外にも、一般的な問診項目、例えば、咳、食欲、体重変化、頭痛、しびれ、麻痺、胸痛、息苦しさ、腹痛、背部痛、胃痛、体のむくみ、既往歴、妊娠、お酒の程度、喫煙程度のいずれかを含めるようにしても良い。また、ＧＰＳによる位置情報や手入力による住所情報等の位置情報を問診情報に含めるようにする。

呼吸音取得処理部３００は、マイクロフォンを利用して睡眠中の呼吸音情報を取得（録音）し、不揮発性記憶装置Ｓに保存すると共に、判定用計算機２０に送信する。この呼吸音には、いびき等の音声も含まれる。利用者は、利用者計算機１０を自分の側に載置するか、自分の体に固定した状態で、睡眠をとれば良い。

体動取得処理部４００は、加速度センサを利用して、睡眠中の体の動きを測定すると共に、この測定結果を判定用計算機２０に送信する。体動取得処理部４００を利用して体動情報を取得する際は、利用者計算機１０を、睡眠中の利用者の体に固定する必要がある。なお、体動を測定する専用のウエアラブルセンサを体に装着して、ウエアラブルセンサで体動のみを測定し、このデータを利用者計算機１０又は判定用計算機２０に転送しても良い。

判定用計算機２０は、クラウドコンピューティング環境で提供されるクラウドサーバであり、プログラムの実行結果として、特徴情報抽出処理部１１０、匿名化処理部１２０、呼吸音解析処理部３１０、体動解析処理部４１０、利用者情報蓄積処理部５００、症状判定処理部６００を有する。

特徴情報抽出処理部１１０は、頭部情報取得処理部１００から送信された頭部情報を利用して、頭部形状に関する特徴情報を抽出する。なお、この特徴情報は頭部情報の一部と定義できる。特徴情報には、ＳＡＳ患者の判定に有益な頭部の形状情報を含めるようにし、特に、顎と首の周囲の形状情報を含めることが望ましい。ＳＡＳは、顎や首の形状や肉付き具合（肥満度合に関係）によって、発症確率を推定できると考えられるので、特徴情報と問診情報を組み合わせれば、かなり高い精度でＳＡＳ症状を推測できる。具体的には、図４に示すように、首を含む頭部の正面情報と、頭部の側面情報を利用して、例えば、顔幅Ａ１−Ａ２、顎幅Ｂ１−Ｂ２、鼻幅Ｃ１−Ｃ２、首幅Ｄ１−Ｄ２、下顎水平角度Ｑ−Ｐ（頂角）−Ｈ（Ｐ−Ｈは水平線）、頚部角度Ｑ−Ｒ（頂角）−Ｕ、頚部空間三角形面積Ｔ−Ｒ−Ｑを抽出する。なお、特徴情報抽出処理部１１０は、頭部情報を解析して顎や首の周囲の特徴点Ａ１、Ａ２、Ｂ１、Ｂ２、Ｃ１、Ｃ２、Ｄ１、Ｄ２、Ｐ、Ｑ、Ｒ、Ｔ、Ｕを抽出する特徴点抽出処理部１１０Ａと、この特徴点に基づいた特徴値（距離、角度、面積）を算出する特徴値算出処理部１１０Ｂの２つの機能処理部を含める。特徴情報抽出処理部１１０で抽出される特徴情報は、不揮発性記憶装置Ｓ（利用者情報蓄積処理部５００）に保存される。なお、図４に示す特徴点や特徴値に限られず、他の特徴点や特徴値を抽出しても良い。勿論、特徴点や特徴値の抽出行為自体を、後述する学習処理部６１０における機械学習や深層学習によって実現することも好ましい。

匿名化処理部１２０は、頭部情報から個人が判定できないような処理を行う。代表的な処理としては、特徴情報抽出処理部１１０で特徴情報を抽出した後に、頭部情報を消去することである。この結果、個人情報の流出を防止できる。なお、頭部情報を完全に消去する場合に限らず、ぼかし加工を施す処理や、頭部の輪郭情報を抽出して他の目鼻等の画像情報を消去する処理など、様々な方法を用いることができる。また、特徴点や特徴値の抽出行為自体を、学習処理部６１０で実行させる場合は、頭部（特に顎や首の周囲）の輪郭や映像を残したまま、匿名化することが好ましい。顎や首の周囲の情報は、学習処理にとって有益だからである。

呼吸音解析処理部３１０は、呼吸音取得処理部３００から送信された呼吸音情報を解析し、ＳＡＳの重症度のレベル（例えば３段階）を判定する。例えば、図５に示すように、音量（ｄＢ）の低い状態（例えば３ｄＢ以下）が一定時間以上（例えば数秒以上かつ数十秒以下）続く部分Ｘを無呼吸または低呼吸と定義し、この無呼吸または低呼吸の出現回数を算出する。この出現回数を利用してＳＡＳのレベルを多段階で判定できる。例えば、７時間の睡眠中で３０回以上の無呼吸または低呼吸の場合は、ＳＡＳの高レベルと判定し、１５回〜２９回をＳＡＳの中レベルと判定し、０回〜１４回をＳＡＳの低レベルと判定する。

なお、この呼吸音解析情報（無呼吸・低呼吸の出現回数や、呼吸音によるＳＡＳ重症度判定結果）は、不揮発性記憶装置Ｓ（利用者情報蓄積処理部５００）に保存される。なお、呼吸音情報の中に含まれるノイズを除去するために、信号をフィルター処理しても良い。また、いびきの有無も別途抽出してもよい。

体動解析処理部４１０は、体動取得処理部４００から送信された体動情報を解析し、寝相レベルを判定する。具体的には、寝返りの回数等の情報が算出される。この解析結果は、不揮発性記憶装置Ｓ（利用者情報蓄積処理部５００）に保存される。

利用者情報蓄積処理部５００は、不揮発性記憶装置Ｓで実現されるいわゆるデータベースであり、利用者計算機１０から送信された各種情報（問診情報を含む）や、判定用計算機２０で解析された各種解析情報を蓄積する。

症状判定処理部６００は、利用者のＳＡＳの可能性を判定する処理を行う。この症状判定処理部６００は、簡易判定処理部６００Ａと詳細判定処理部６００Ｂを有する。

簡易判定処理部６００Ａは、呼吸音情報及び体動情報を用いることなく、頭部情報（特徴情報）のみ、又は、頭部情報（特徴情報）と問診情報を利用してＳＡＳの可能性を判定する。つまり、利用者は、睡眠中の呼吸音の録音を行うことなく、写真撮影と問診入力のみで、瞬時にＳＡＳの可能性を判定することが可能となる。

簡易判定処理部６００Ａは、ＳＡＳ重症度簡易判定アルゴリズムを有しており、図６に示すように、特徴情報と問診情報を入力値として、ＳＡＳの重症度レベル（例えば、高・中・低）を出力する。このＳＡＳ重症度簡易判定アルゴリズムは、いわゆる目的特化型の人工知能アルゴリズムであることが好ましく、例えば、機械学習や深層学習等によって自動生成・自動改善される。なお、ＳＡＳ重症度簡易判定アルゴリズムの構造は特に限定されず、過去の診断カルテから、重症度別に、特徴情報（頭部情報）や問診情報の傾向に関する情報を整理・生成しておき、利用者の特徴情報及び問診情報が、どの傾向情報と近似するか否かをパターンマッチング等によって判定して、重症度を決定しても良い。特に、頭部情報から導かれる特徴情報を利用して判定することが好ましく、問診情報は補足的に用いるようにしても良い。

なお、この簡易判定処理部６００Ａは、利用者から呼吸音情報が取得できない場合に特に有益である。一方、呼吸音情報を利用した呼吸音解析処理部３１０の解析結果から、ＳＡＳに関するある程度（例えば中レベル以上）の症状が確認された利用者に限定して、補足的に簡易判定処理部６００Ａの結果を提供しても良い。このようにすると、呼吸音に基づくＳＡＳ判定結果を、頭部情報に基づくＳＡＳ判定結果の双方によって、利用者は、自分のＳＡＳ重症度をより客観的に判断することができる。同様に、呼吸音情報を利用した呼吸音解析処理部３１０の解析結果から、ＳＡＳの症状が低い又は無い（例えば低レベル）と確認された利用者に限定して、補足的に簡易判定処理部６００Ａの結果を提供しても良い。このようにすると、現時点では呼吸音が正常であったとしても、頭部情報に基づくＳＡＳ判定結果によって、利用者は、将来のＳＡＳ患者になり得る可能性を判断することができる。

図１及び図３に戻って、学習用計算機３０は、クラウドコンピューティング環境で提供されるものであり、プログラムの実行結果として、学習処理部６１０を有する。この学習処理部６１０は、簡易判定処理部６００Ａで適用されるＳＡＳ重症度簡易判定アルゴリズムを生成する為の機械学習処理又は深層学習処理を実行する。この学習処理部６１０における、学習対象データは、図６に示すように例えば以下の２つのデータを用いることができる。

＜第１データ：医療機関のカルテ情報＞ 医療機関において医師によって診断されたＳＡＳ重症度判定結果を正解とし、これらに付随するデータを学習データ（いわゆるＳＡＳ診断カルテ情報）とする。ＳＡＳ診断カルテ情報は、医療機関計算機５０からアップロードされて電子カルテ計算機４０に保存されているものを用いる。ＳＡＳ診断カルテ情報は、利用者計算機１０で取得される問診情報と同様のカルテ側問診情報と、頭部情報と同様のカルテ側頭部情報（頭部写真データ）又は特徴情報と、医師が決定したＳＡＳ重症度判定情報（高・中・低）が含まれる。なお、カルテ側頭部情報に、特徴情報が抽出（付随）されていない場合は、一旦、このカルテ側頭部情報を特徴情報抽出処理部１１０で処理して特徴情報に算出する。このＳＡＳ診断カルテ情報を学習データとして用いれば、医師による高精度なＳＡＳ重症度判定結果から学習できるので、ＳＡＳ重症度簡易判定アルゴリズムにおける、問診情報や特徴情報の重みづけ値（特徴量）を高精度化でき、判定精度を高めることができる。

＜第２グループ：呼吸音解析情報等の利用者情報＞ 呼吸音解析処理部３１０で生成された呼吸音解析情報（呼吸音によるＳＡＳ重症度判定情報）を「正解」とし、対応する頭部情報（特徴情報）、問診情報を学習データとする。既に述べたように、全ての利用者が、呼吸音取得処理部３００を用いて、睡眠中の呼吸音を録音するとは限らないが、簡易判定処理部６００Ａの結果で満足できない利用者は、より詳細な判定結果を得るために、呼吸音取得処理部３００を利用して睡眠中の呼吸音を録音し、呼吸音解析処理部３１０を利用して呼吸音に基づくＳＡＳ重症度判定結果を得る。このような過程を経て、利用者情報蓄積処理部５００に蓄積される呼吸音によるＳＡＳ重症度判定情報を学習データとして用いれば、本システムの利用者の増大に連動して、学習データのデータ量も増大し、ＳＡＳ重症度判定アルゴリズムの判定精度が高くなる。つまり、自律的にアルゴリズムの精度が向上する仕組みとなっている。

なお、学習処理部６１０の学習手法は様々に存在する。例えば、ＣＮＮ（Convolutional Neural Network）、ＲＮＮ（Recurrent Neural Network）、各種のAutoEncoder、Deep Belief Network、LSTMネットワーク（Long Short Term Memory Network）等が代表的である。

詳細判定処理部６００Ｂは、更に、簡易判定処理部６００Ａによる簡易なＳＡＳ重症度判定結果と、呼吸音解析処理部３１０における呼吸音解析に基づくＳＡＳ重症度判定結果の双方を組み合わせて、最終判定を行う。このＳＡＳ重症度詳細判定アルゴリズムも、機械学習や深層学習等によって自動生成されることが好ましい。

なお、ここでは特に図示しないが、症状判定処理部６００は、頭部情報と呼吸音情報の双方を入力情報としてＳＡＳ重症度を判定する組合せ判定処理部を備えても良い。学習対象情報として、過去の利用者の頭部情報と呼吸音情報の蓄積数が増えてきた場合は、これらを学習処理部６１０で学習させることで、頭部情報と呼吸音情報の特徴量を組み合わせた判定アルゴリズムを生成できる。

医療機関計算機５０は、複数の医療機関内に設置される複数のコンピュータ端末であり、電子カルテプログラムが実行される結果として、それぞれ、カルテ情報取得処理部８００を有する。ＳＡＳ重症度診断を行う医師は、患者の問診データ、頭部写真データ、ＳＡＳ重症度判定データ（ＳＡＳ診断カルテ情報）を、このカルテ情報取得処理部８００を用いて入力する。なお、全ての医療機関計算機５０は、電子カルテ計算機４０に接続可能となっている。

電子カルテ計算機４０は、ネットワークサーバー環境で提供されており、プログラムが実行される結果として、カルテ情報蓄積処理部８００を有する。このカルテ情報蓄積処理部８００は、医療機関計算機５０からアップロードされるＳＡＳ診断カルテ情報を蓄積する。既に述べたが、このＳＡＳ診断カルテ情報は、学習データとして用いられる。

呼吸補助装置７０は、いわゆるＣＰＡＰ装置であり、医師による診察の下、患者（将来の上記利用者）に支給されて睡眠時の呼吸を補助する。呼吸補助装置７０は、プログラムが実行される結果として、呼吸補助情報取得処理部９００を有する。呼吸補助情報取得処理部９００は、患者によるＣＰＡＰ装置の使用データを、呼吸補助データ計算機６０に送信する。

呼吸補助データ計算機６０は、クラウドコンピューティング環境で提供されるデータベースサーバであり、プログラムが実行される結果として、呼吸補助情報蓄積処理部９１０を有する。呼吸補助情報蓄積処理部９１０には、ＣＰＡＰ装置の使用データが蓄積される。学習処理部６１０は、この使用データを学習データに含めても良い。

通知計算機８０は、クラウドコンピューティング環境で提供されるサーバであり、プログラムが実行される結果として、通知処理部７００を有する。この通知処理部７００は、呼吸状態判定システム１で判定されたＳＡＳ重症度判定結果を、利用者計算機１０に対して、電子メール形式や、プッシュ通知形式によって送信する。また、通知計算機８０は、医療機関計算機５０が配置されている医療機関（即ち、ＳＡＳ診断カルテ情報のアップロードに協力できる医療機関）に関する情報、例えば、病院名、住所、電話番号、医師名等を医療機関データベースとして蓄積している。この通知処理部７００は、ＳＡＳ重症度が高いと判定された利用者の利用者計算機１０に対して、利用者の位置情報をから近隣の医療機関情報を通知して、専門家による受診を促す。通知を受けた利用者は、呼吸状態判定システム１による簡易判定結果を参考にして、近隣の医療機関において受診し、早期治療に取り組むことも可能になる。また、医療機関計算機５０を備えた医療機関（つまり、ＳＡＳ診療に対応できる医療機関）で受信することにより、精度の高いＳＡＳ診断カルテ情報が、医療機関計算機５０を介して、電子カルテ計算機４０にアップロードされるので、機械学習データが増えて、ＳＡＳ重症度簡易判定アルゴリズムの精度も向上させることが可能となる。

なお、上記実施形態において、各処理部と計算機の対応関係は一例であり、これに限定されない。例えば、呼吸音解析処理部４００や体動解析処理部４１０を、利用者計算機１０で実現しても良い。更に、利用者計算機１の処理能力が高い場合は、症状判定処理部６００についても利用者計算機１０で実現できる。

尚、本発明の呼吸状態判定システム１は、上記した実施の形態に限定されるものではなく、本発明の要旨を逸脱しない範囲内において種々変更を加え得ることは勿論である。

１ 呼吸状態判定システム
１００ 頭部情報取得処理部
１１０ 特徴情報抽出処理部
１２０ 匿名化処理部
２００ 問診情報取得処理部
３００ 呼吸音取得処理部
３１０ 呼吸音解析処理部
６００ 症状判定処理部
６１０ 学習処理部

Claims (11)

1. プログラムが実行される計算機を有する呼吸状態判定システムであって、
   前記計算機は、
   デジタルカメラで撮像される利用者の頭部情報を取得する頭部情報取得処理部と、
   前記頭部情報を利用して呼吸状態を判定する症状判定処理部と、
   を備える事を特徴とする、
   呼吸状態判定システム。
2. 前記頭部情報には、頭部を側面から撮像した情報が含まれることを特徴とする、
   請求項１に記載の呼吸状態判定システム。
3. 前記頭部情報には、頭部を正面から撮像した情報が含まれることを特徴とする、
   請求項１又は２に記載の呼吸状態判定システム。
4. 前記計算機は、更に、
   前記頭部情報を利用して頭部形状に関する特徴情報を抽出する特徴情報抽出処理部を備え、
   前記症状判定処理部は、前記特徴情報を利用して呼吸状態を判定することを特徴とする、
   請求項１乃至３のいずれかに記載の呼吸状態判定システム。
5. 前記特徴情報は、顎部の形状情報を含むことを特徴とする、
   請求項４に記載の呼吸状態判定システム。
6. 前記計算機は、更に、
   前記症状判定処理部における前記呼吸状態を判定する判定アルゴリズムを生成する為に学習処理を実行する学習処理部を備えることを特徴とする、
   請求項１乃至５のいずれかに記載の呼吸状態判定システム。
7. 前記計算機は、更に、
   利用者の睡眠中の呼吸音情報を取得する呼吸音取得処理部と、
   前記呼吸音情報を解析して、呼吸状態を判定する呼吸音解析処理部と、を備えており、
   前記学習処理部は、前記呼吸音解析処理部で判定された呼吸状態の判定結果を学習データに含めることを特徴とする、
   請求項６に記載の呼吸状態判定システム。
8. 前記計算機は、更に、
   医療機関における患者の呼吸状態を診断した結果となる診断カルテ情報が蓄積されるカルテ情報蓄積処理部を備えており、
   前記学習処理部は、前記診断カルテ情報を学習データに含めることを特徴とする、
   請求項６又は７に記載の呼吸状態判定システム。
9. 前記計算機は、更に、
   利用者に対して問診情報の入力を促す問診情報取得処理部を備え、
   前記症状判定処理部は、前記頭部情報及び前記問診情報を利用して呼吸状態を判定することを特徴とする、
   請求項１乃至８のいずれかに記載の呼吸状態判定システム。
10. 前記計算機は、更に、
    前記頭部情報から前記利用者が特定できないような情報加工処理を行う匿名化処理部を備えることを特徴とする、
    請求項１乃至９のいずれかに記載の呼吸状態判定システム。
11. 計算機で実行されることで、呼吸状態判定する呼吸状態判定プログラムであって、
    前記計算機が、デジタルカメラで撮像される利用者の頭部情報を取得する頭部情報取得処理ステップと、
    前記計算機が、前記頭部情報を利用して呼吸状態を判定する症状判定処理ステップと、
    を備える事を特徴とする、
    呼吸状態判定プログラム。

Images