JP2019008515A - 見守り支援システム及びその制御方法 - Google Patents

Abstract

【課題】ベッド上の対象者の状態ないし行動を高精度かつ高信頼に検知するための技術を提供する。【解決手段】ベッド上の対象者の見守りを支援する見守り支援システム１の情報処理装置１１は、ベッドと人が写る画像を入力し、前記ベッドに対する前記人の状態を示すスコアを出力するように機械学習されている回帰器１１３と、前記対象者のベッドを含む監視領域を撮影するように設置された撮像装置から画像を取得する画像取得部１１０と、画像取得部により得られた監視領域の画像を回帰器に入力することにより得られたスコアに基づいて、前記対象者の行動を判定する判定部１１５と、判定部の判定結果に基づく通知を行う出力部１１６と、を有する。【選択図】図１

Description

本発明は、ベッド上の対象者の見守りを支援するための技術に関する。

ベッドからの転落事故などを未然に防ぐため、病院や介護施設などにおける患者の見守りを支援するシステムが知られている。特許文献１には、ベッドの斜め上方に設置したカメラで撮影した画像から患者の頭部を検出し、ベッド上に設定した境界線を頭部が超えたことをもって起床動作と判定し、看護師等へ通知を行うシステムが提案されている。

特開２０１２−０７１００４号公報

従来システムは、画像から患者の頭部を検出し、頭部の位置や動きから患者の行動（起床や離床など）を推定するという方法が一般的であった。しかしながら、このような従来方法は、画像から頭部を検出できなかった場合、もしくは誤って検出した場合に、患者の行動を正しく推定できないという課題がある。例えば、患者が布団を被っていたり、患者以外の人や紛らわしい物体が周囲に存在したり、照明環境が変化したりするなど、外乱や環境に依存して検出精度にバラツキが生じると、危険行動の見過ごしや誤報（不要な警報）が発生し、システムの信頼性を著しく低下させてしまうおそれがある。

本発明は、上記実情に鑑みなされたものであって、ベッド上の対象者の状態ないし行動を高精度かつ高信頼に検知するための技術を提供することを目的とする。

上記目的を達成するために、本発明では、ベッドと人の状態のパターンを機械学習した回帰器を用いて、監視画像から見守り対象者の状態を推定し、当該対象者の行動を検知する、という方法を採用する。

具体的には、本発明の第一態様は、ベッド上の対象者の見守りを支援する見守り支援システムであって、ベッドと人が写る画像を入力し、前記ベッドに対する前記人の状態を示すスコアを出力するように機械学習されている回帰器と、前記対象者のベッドを含む監視領域を撮影するように設置された撮像装置から画像を取得する画像取得部と、前記画像取得部により得られた前記監視領域の画像を前記回帰器に入力することにより得られたスコアに基づいて、前記対象者の行動を判定する判定部と、前記判定部の判定結果に基づく通知を行う出力部と、を有することを特徴とする見守り支援システムを提供する。

この構成によれば、回帰器を用いて入力画像における対象者の状態を推定する。したがって、未知の入力画像に対して高精度な状態推定を行うことができる。また、回帰器のスコアは連続値で出力されるので、対象者の状態が明確に分類できないものであったとしても、妥当な推定結果を得ることができる。さらに、対象者が布団を被っていたり、対象者の周囲にまぎらわしい人や物体が存在していたり、照明環境が通常と異なるなど、頭部検出が困難な画像であっても、妥当な推定結果を得ることができるという利点もある。

前記回帰器は、ニューラルネットワークであるとよい。ニューラルネットワークを用い
ることにより、高精度かつ頑健性の高い状態推定を行うことができる。

前記ベッドに対する前記人の状態があらかじめ複数の類型に分類され、かつ、前記複数の類型のそれぞれに異なるスコアが割り当てられており、前記回帰器は、前記人の状態が２つの類型のあいだの状態である場合に、前記２つの類型のスコアのあいだの値を出力するように構成されているとよい。このような設計とすることにより、人がとり得るさまざまな状態を一次元のスコアで表現できるようになるので、「人の状態」を数学的にあるいはプログラムにおいて取り扱うのが容易になり、例えば後段の処理（判定部による判定ロジックなど）を極めて簡易に構築できる。

例えば、前記複数の類型は、前記人が前記ベッドに寝ている状態０、前記人が前記ベッド上で起き上がっている状態１、および、前記人が前記ベッドから離れている状態２を含むとよい。少なくとも状態０〜状態２の３種類の状態が判別できれば、見守りのニーズが高い「起床」と「離床」の検知が可能になるからである。

前記判定部は、前記スコアにより推定された前記対象者の状態の時間的な変化に基づいて、前記対象者の行動を判定するとよい。対象者の一時的な状態ではなく、対象者の状態の時間的な変化（状態遷移）に基づいて対象者の行動を判定することで、行動判定の精度を向上することができる。

例えば、前記判定部は、前記対象者の状態が前記状態０から前記状態１に遷移した場合、又は、前記対象者の状態が前記状態０から前記状態１に遷移し、さらに、前記状態１が所定時間続いた場合に、前記対象者が起床したと判定するとよい。

また、前記判定部は、前記対象者の状態が前記状態０から前記状態１に遷移し、さらに、前記状態１から前記状態２に遷移した場合、又は、前記対象者の状態が前記状態０から前記状態１に遷移し、さらに、前記状態１から前記状態２に遷移し、さらに、前記状態２が所定時間続いた場合に、又は、前記対象者の状態が前記状態０から前記状態２に遷移した場合、又は、前記対象者の状態が前記状態０から前記状態２に遷移し、さらに、前記状態２が所定時間続いた場合に、前記対象者が離床したと判定するとよい。

なお、本発明は、上記構成ないし機能の少なくとも一部を有する見守り支援システムとして捉えることができる。また、本発明は、上記処理の少なくとも一部を含む、見守り支援方法又は見守り支援システムの制御方法や、これらの方法をコンピュータに実行させるためのプログラム、又は、そのようなプログラムを非一時的に記録したコンピュータ読取可能な記録媒体として捉えることもできる。上記構成及び処理の各々は技術的な矛盾が生じない限り互いに組み合わせて本発明を構成することができる。

本発明によれば、ベッド上の対象者の状態ないし行動を高精度かつ高信頼に検知することができる。

図１は第１実施形態の見守り支援システムのハードウェア構成および機能構成を模式的に示すブロック図である。 図２は撮像装置の設置例を示す図である。 図３は画像に対し設定された監視領域の例である。 図４は人の状態の類型と画像の例である。 図５は回帰器の機械学習を模式的に示す図である。 図６は回帰器の能力を模式的に示す図である。 図７は状態監視処理のフローチャートである。 図８は行動判定のフローチャートである。 図９は判定ロジックの例である。

本発明は、ベッド上の対象者の見守りを支援するための技術に関する。この技術は、病院や介護施設などにおいて、患者や要介護者などの離床・起床行動を自動で検知し、危険な状態が発生した場合などに必要な通知を行うシステムに適用することができる。このシステムは、例えば、高齢者、認知症患者、子供などの見守り支援に好ましく利用することができる。

以下、図面を参照して本発明を実施するための好ましい形態の一例を説明する。ただし、以下の実施形態に記載されている装置の構成や動作は一例であり、本発明の範囲をそれらのみに限定する趣旨のものではない。

（システム構成）
図１と図２を参照して、本発明の実施形態に係る見守り支援システムの構成を説明する。図１は、見守り支援システム１のハードウェア構成および機能構成を模式的に示すブロック図であり、図２は、撮像装置の設置例を示す図である。

見守り支援システム１は、主なハードウェア構成として、撮像装置１０と情報処理装置１１を有している。撮像装置１０と情報処理装置１１の間は有線又は無線により接続されている。図１では、１つの撮像装置１０のみ示しているが、複数台の撮像装置１０を情報処理装置１１に接続してもよい。

撮像装置１０は、ベッド上の対象者を撮影して画像データを取り込むためのデバイスである。撮像装置１０としては、モノクロ又はカラーの可視光カメラ、赤外線カメラ、三次元カメラなどを用いることができる。本実施形態では、夜間でも（部屋内が暗い場合でも）対象者の見守りを可能とするため、赤外線ＬＥＤ照明１００と近赤外線カメラ１０１で構成される撮像装置１０を採用する。撮像装置１０は、図２に示すように、ベッド２０の頭側上方から足側に向かって、ベッド２０の全体を俯瞰するように設置される。撮像装置１０は所定の時間間隔（例えば、３０ｆｐｓ）で撮影を行い、その画像データは情報処理装置１１に順次取り込まれる。

情報処理装置１１は、撮像装置１０から取り込まれる画像データをリアルタイムに分析し、ベッド２０上の対象者２１の起床行動や離床行動を自動で検知し、必要な場合に通知を行う機能を備える装置である。情報処理装置１１は、具体的な機能モジュールとして、画像取得部１１０、領域設定部１１１、前処理部１１２、回帰器１１３、スコア安定化部１１４、判定部１１５、出力部１１６、記憶部１１７を有している。

本実施形態の情報処理装置１１は、ＣＰＵ（プロセッサ）、メモリ、ストレージ（ＨＤＤ、ＳＳＤなど）、入力デバイス（キーボード、マウス、タッチパネルなど）、出力デバイス（ディスプレイ、スピーカなど）、通信インタフェースなどを具備する汎用のコンピュータにより構成され、上述した情報処理装置１１の各モジュールは、ストレージ又はメモリに格納されたプログラムをＣＰＵが実行することにより実現される。ただし、情報処理装置１１の構成はこの例に限られない。例えば、複数台のコンピュータによる分散コンピューティングを行ってもよいし、上記モジュールの一部をクラウドサーバにより実行してもよいし、上記モジュールの一部をＡＳＩＣやＦＰＧＡのような回路で構成してもよい。

画像取得部１１０は、撮像装置１０により撮影された画像を取得するためのモジュールである。画像取得部１１０より入力された画像データは一時的にメモリ又はストレージに記憶され、後述する領域設定処理や状態監視処理に供される。

領域設定部１１１は、撮像装置１０により撮影される画像に対し監視領域を設定するためのモジュールである。監視領域は、撮像装置１０の視野のうち状態監視処理の対象となる範囲（言い換えると、回帰器１１３の入力として用いられる画像範囲）である。領域設定処理の詳細は後述する。

前処理部１１２は、状態監視処理において、画像取得部１１０より入力された画像（以後「オリジナル画像」と呼ぶ）に対し必要な前処理を施すためのモジュールである。例えば、前処理部１１２は、オリジナル画像から監視領域内の画像をクリップする処理を行う（クリップされた画像を以後「監視領域画像」と呼ぶ）。また、前処理部１１２は、監視領域画像に対して、リサイズ（縮小）、アフィン変換、輝度補正などの処理を施してもよい。リサイズ（縮小）は、回帰器１１３の演算時間を短縮する効果がある。リサイズには既存のどのような手法を用いてもよいが、演算コストと品質のバランスがよいバイリニア法が好ましい。アフィン変換は、例えば、画像において台形状に写るベッドを長方形状に変形するなど、必要な歪み補正を行うことで、回帰器１１３への入力画像を規格化し、推定精度を向上する効果が期待できる。輝度補正は、例えば、照明環境の影響を低減することで、推定精度を向上する効果が期待できる。なお、オリジナル画像をそのまま回帰器１１３に入力する場合には、前処理部１１２は省略してもよい。

回帰器１１３は、監視領域画像が与えられたときに、当該監視領域画像に写る対象者２１の状態（例えば、就床状態、起床状態、離床状態）を示すスコアを出力するためのモジュールである。回帰器１１３は、ベッドと人が写る画像を入力とし、ベッドに対する人の状態を示すスコアを出力するように、入力画像の特徴と人の状態との関係モデルを機械学習により構築したものである。回帰器１１３のトレーニングは、多数のトレーニング用画像を用いて、学習装置１２によって事前に（システムの出荷前ないし稼働前に）行われているものとする。なお、回帰器１１３の学習モデルとしては、ニューラルネットワーク、ランダムフォレスト、サポートベクターマシンなど、どのようなモデルを用いてもよい。本実施形態では、画像認識に好適な畳み込みニューラルネットワーク（ＣＮＮ）を用いる。

スコア安定化部１１４は、回帰器１１３から出力されるスコアの急激な変化やばたつきを抑制するためのモジュールである。スコア安定化部１１４は、例えば、現在のフレームの画像から得られた現在スコアと、直前の２フレームの画像からそれぞれ得られた過去スコアの平均を計算し、安定化スコアとして出力する。この処理は、スコアの時系列データに時間的なローパスフィルタをかけることと等価である。なお、スコアの安定化が不要であれば、スコア安定化部１１４は省略してもよい。

判定部１１５は、回帰器１１３により得られたスコアに基づいて、対象者の行動を判定するためのモジュールである。具体的には、判定部１１５は、スコアの時間的な変化（つまり、スコアが示す「対象者の状態」の遷移）に基づいて、対象者がどのような行動（例えば、起床行動、離床行動など）をとったのかを推定する。判定部１１５の処理の詳細は後述する。

出力部１１６は、判定部１１５の判定結果に基づいて、必要な通知を行うモジュールである。例えば、出力部１１６は、対象者２１の状態や行動に応じて、通知の要否（例えば、危険な状態の場合のみ通知を行う）、通知の内容（例えばメッセージの内容）、通知手段（例えば音声、メール、ブザー、警告灯）、通知先（例えば看護師、医師、介護者）、
通知の頻度などを切り替えることができる。

記憶部１１７は、見守り支援システム１が処理に用いる各種のデータを記憶するモジュールである。記憶部１１７には、例えば、監視領域の設定情報、前処理で用いるパラメータ、スコア安定化処理で用いるパラメータ、スコアの時系列データ、判定処理で用いるパラメータなどが記憶される。

（監視領域の設定）
撮像装置１０の画角内にはベッド２０や対象者２１以外にさまざまな物が写り込んでいる。対象者２１の状態や行動を検知するにあたっては、ベッド２０と対象者２１以外の物はノイズとして作用する可能性があるため、出来る限り除外することが好ましい。また、回帰器１１３に入力する画像については、画像サイズ（幅、高さ）および画像内のベッドの位置・範囲・大きさなどが規格化されているほうが、推定精度の向上が図りやすい。そこで、本実施形態では、ベッド２０を基準にした所定の範囲を監視領域に設定し、後述する状態監視処理では監視領域内の画像をクリッピングして回帰器１１３の入力画像とする。

監視領域の設定は、手動で行ってもよいし自動で行ってもよい。手動設定の場合、領域設定部１１１は、画像内のベッド２０の領域ないし監視領域そのものをユーザに入力させるためのユーザインタフェースを提供するとよい。自動設定の場合、領域設定部１１１は、物体認識処理により画像からベッド２０を検出し、検出したベッド２０の領域を包含するように監視領域を設定するとよい。なお、領域設定処理は、監視領域が未設定の場合（例えば、システムの設置時など）、ベッド２０や撮像装置１０の移動に伴い監視領域を更新する必要がある場合などに実行される。

図３Ａは、オリジナル画像に対し設定された監視領域の例である。本実施形態では、ベッド２０の領域の左側・右側・上側（足側）にそれぞれ所定幅のマージンを付加した範囲を、監視領域３０に設定する。マージンの幅は、ベッド２０上で起き上がっている人（図３Ｂ参照）の全身が監視領域３０内に入るように設定される。

（状態の類型と機械学習）
本システムでは、人の状態を回帰で取り扱うために、「ベッドに対する人の状態」をあらかじめ第０〜第２の３つの類型に分類する。「第０類型」は、人がベッドに寝ている状態（「就床状態」又は「状態０」と呼ぶ）、「第１類型」は、人がベッド上で起き上がっている状態（「起床状態」又は「状態１」と呼ぶ）、「第２類型」は、人がベッドから離れている（降りている）状態（「離床状態」又は「状態２」と呼ぶ）である。図４は、寝ていた人が起き上がり、ベッドから離れる、という一連の行動を表す時系列画像と、３つの類型との対応を示す例である。

図５は、回帰器１１３の機械学習を模式的に示している。まず、実際の病室等を撮影した画像を集め、各画像を第０類型〜第２類型に分類する。そして、各画像の監視領域に相当する部分をクリッピングし、類型の番号（０，１，２）をラベルとして割り当て、トレーニング用画像のセットを生成する。回帰の精度向上のため、十分な数の画像を用意することが好ましく、またそれぞれの類型についてさまざまなバリエーションの画像を用意することが好ましい。ただし、人の状態がどちらの類型に属するかあいまいな画像は、トレーニング用画像に適さないので、除外することが好ましい。

学習装置１２は、トレーニング用画像のセットを用い、各入力画像に対してそのラベルと同じスコア（つまり、第１類型に属する入力画像であればスコア＝１）を出力するように、畳み込みニューラルネットワークのトレーニングを行う。そして、学習装置１２は、
学習結果であるニューラルネットワークのパラメータ群を、本システムの回帰器１１３に組み込む。なお、ニューラルネットワークの具体的な層構造、フィルタ、活性化関数、入力画像の仕様などは、実装や要求精度にあわせて適宜設計すればよい。

図６は、回帰器１１３の能力を模式的に示している。回帰器１１３は、画像の「特徴量」と人の状態を示す「スコア」との対応関係をモデル化したものである。回帰器１１３は、その関係モデルに従って、入力画像から特徴量を抽出し、特徴量に対応したスコアを計算し出力する。なお、図６では、説明の便宜のため関係モデルを２次元の線型モデルで示しているが、実際の特徴量空間は多次元であり、関係モデルは非線型となる。

回帰器１１３から出力されるスコアは０〜２の範囲の実数値（連続値）である。例えば、第１類型（起床状態）の入力画像が与えられた場合は、その出力スコアは１又は１に極めて近い値となる。他の類型の場合も同様である。他方、入力画像のなかには、寝た姿勢から上半身を起こそうとしている状態や、ベッドから立ち上がろうとしている状態のように、どちらの類型に属するかあいまいな画像も存在する。そのような中間状態の画像の場合、抽出される特徴量は２つの類型のあいだの特徴量となるため、２つの類型の中間のスコアが出力されることとなる。例えば、寝た姿勢から上半身を起こそうとしている状態の画像であれば、第０類型と第１類型の中間状態ゆえ、０より大きく１より小さい値のスコアが得られる。

このように、本システムでは回帰器１１３を用いて、入力画像における人の状態を推定する。したがって、未知の入力画像に対して高精度な状態推定を行うことができる。特に、頭部検出を利用した従来方法と比べた場合の優れた点として、以下のような利点を挙げることができる。
・中間状態の画像が入力された場合でも妥当な推定結果を得ることができる。
・対象者が布団を被っていたり、対象者の周囲にまぎらわしい人や物体が存在していたり、照明環境が通常と異なるなど、頭部検出が困難な画像であっても、妥当な推定結果を得ることができる。

（状態監視処理）
図７を参照して本システムの状態監視処理の一例を説明する。図７の処理フローは、撮像装置１０から１フレームの画像が取り込まれる度に実行される。

ステップＳ７０において、画像取得部１１０が、撮像装置１０から１フレームの画像を取り込む。取得されたオリジナル画像は記憶部１１７に一時的に記憶される。次に前処理部１１２が、オリジナル画像から監視領域画像をクリップし、必要に応じてリサイズ、アフィン変換、輝度補正などを実行する（ステップＳ７１）。次に回帰器１１３が、監視領域画像を入力し、対応するスコアを出力する（ステップＳ７２）。次にスコア安定化部１１４が、ステップＳ７２で得られたスコアの安定化処理を行い（ステップＳ７３）、得られたスコアを判定部１１５に引き渡す。

判定部１１５は、まず、スコア（連続値）に基づいて、対象者２１の現在の状態を第０類型（状態０）／第１類型（状態１）／第２類型（状態２）のいずれかに分類する。分類方法は問わないが、本実施形態では、スコア≦閾値ｔｈ１の場合は状態０（ステップＳ７４，Ｓ７５）、閾値ｔｈ１＜スコア≦閾値ｔｈ２の場合は状態１（ステップＳ７６，Ｓ７７）、閾値ｔｈ２＜スコアの場合は状態２（ステップＳ７８）、と分類する。閾値ｔｈ１、ｔｈ２は、例えば、ｔｈ１＝０．５、ｔｈ２＝１．５のように設定される。閾値ｔｈ１、ｔｈ２を変更することで、検知感度を調整することができる。

続いて、判定部１１５は、対象者２１の状態の時間的な変化に基づいて、対象者２１の
行動を判定する（ステップＳ７９）。ステップＳ７９において、対象者２１が「起床」又は「離床」したと判定されたら、出力部１１６が必要な通知を行う（ステップＳ８０）。以上のステップＳ７０〜Ｓ８０は、システムが終了するまでフレーム毎に実行される（ステップＳ８１）。

図８及び図９を参照して、判定部１１５による判定ロジックを説明する。図８は、ステップＳ７９の行動判定処理の詳細フローであり、図９は、判定ロジックの一例であり、状態遷移と判定結果と通知設定の対応関係を示している。ここで、起床準備フラグは、状態０から遷移したことを確認するためのフラグ、離床準備フラグは、状態１から遷移したことを確認するためのフラグである。起床準備フラグと離床準備フラグは状態監視処理の起動時に「ＯＦＦ」で初期化されるものとする。

現在の状態が「０」である場合（ステップＳ７９０；ＹＥＳ）、判定部１１５は、起床準備フラグと離床準備フラグを「ＯＮ」に設定する（ステップＳ７９１）。

現在の状態が「１」である場合（ステップＳ７９２；ＹＥＳ）、判定部１１５は、起床準備フラグが「ＯＮ」かどうかを確認し（ステップＳ７９３）、「ＯＮ」であれば、対象者２１が起床したと判定し（ステップＳ７９４）、起床準備フラグを「ＯＦＦ」に、離床準備フラグを「ＯＮ」にする（ステップＳ７９５）。

現在の状態が「２」である場合（ステップＳ７９６；ＹＥＳ）、判定部１１５は、離床準備フラグが「ＯＮ」かどうかを確認し（ステップＳ７９７）、「ＯＮ」であれば、対象者２１が離床したと判定し（ステップＳ７９８）、起床準備フラグと離床フラグを「ＯＦＦ」にする（ステップＳ７９９）。

以上のような判定ロジックによれば、図９に示すように、状態０から状態１に遷移した場合に「起床」と判定され、状態０又は状態１から状態２に遷移した場合に「離床」と判定される。それ以外の場合は、判定部１１５は判定結果を出力しないか、「異常なし」との結果を出力する。

以上述べた本実施形態によれば、回帰器１１３により対象者２１の状態推定を行うので、従来方法に比べて、対象者２１の状態ないし行動を精度良く判定することができる。また、対象者２１の一時的な状態ではなく、対象者２１の状態の時間的な変化（状態遷移）に基づいて対象者２１の起床行動や離床行動を判定するので、行動判定の精度を向上することができる。しかも、起床判定や離床判定がなされて通知が行われると、起床準備フラグや離床準備フラグが一旦「ＯＦＦ」になるため、対象者２１が再び就床状態等に戻らない限り、起床判定や離床判定が作動しない。よって、起床・離床通知の誤報を減らすことができ、システムの信頼性を向上することができる。

＜その他＞
上記の各実施形態の説明は、本発明を例示的に説明するものに過ぎない。本発明は上記の具体的な形態には限定されることはなく、その技術的思想の範囲内で種々の変形が可能である。

例えば、上記実施形態では、状態０から状態１に遷移した場合に起床と判定したが、これに代えて、状態０から状態１に遷移した後、状態１が所定時間（例えば１秒間）続いた場合に起床と判定してもよい。これにより起床判定の信頼性をより高めることができる。同様に、状態０又は状態１から状態２に遷移した後、状態２が所定時間（例えば１秒間）続いた場合に離床と判定してもよい。これにより離床判定の信頼性をより高めることができる。

上記実施形態では、画像から就床状態／起床状態／離床状態を推定するとともに、対象者の起床行動と離床行動を検知する例を説明した。ただし、推定対象の状態や、検知対象の行動はこれらに限られない。すなわち、画像に異なる特徴が現れるものであれば、さまざまな「人の状態」や「行動」を取り扱うことが可能である。例えば、食事、読書などの行動を検知することも可能である。

１：見守り支援システム
１０：撮像装置、１１：情報処理装置、１２：学習装置
１００：照明、１０１：近赤外線カメラ、１１０：画像取得部、１１１：領域設定部、１１２：前処理部、１１３：回帰器、１１４：スコア安定化部、１１５：判定部、１１６：出力部、１１７：記憶部
２０：ベッド、２１：対象者
３０：監視領域

Claims (9)

1. ベッド上の対象者の見守りを支援する見守り支援システムであって、
   ベッドと人が写る画像を入力し、前記ベッドに対する前記人の状態を示すスコアを出力するように機械学習されている回帰器と、
   前記対象者のベッドを含む監視領域を撮影するように設置された撮像装置から画像を取得する画像取得部と、
   前記画像取得部により得られた前記監視領域の画像を前記回帰器に入力することにより得られたスコアに基づいて、前記対象者の行動を判定する判定部と、
   前記判定部の判定結果に基づく通知を行う出力部と、
   を有することを特徴とする見守り支援システム。
2. 前記回帰器は、ニューラルネットワークである
   ことを特徴とする請求項１に記載の見守り支援システム。
3. 前記ベッドに対する前記人の状態があらかじめ複数の類型に分類され、かつ、前記複数の類型のそれぞれに異なるスコアが割り当てられており、
   前記回帰器は、前記人の状態が２つの類型のあいだの状態である場合に、前記２つの類型のスコアのあいだの値を出力するように構成されている
   ことを特徴とする請求項１又は２に記載の見守り支援システム。
4. 前記複数の類型は、前記人が前記ベッドに寝ている状態０、前記人が前記ベッド上で起き上がっている状態１、および、前記人が前記ベッドから離れている状態２を含む
   ことを特徴とする請求項３に記載の見守り支援システム。
5. 前記判定部は、前記スコアにより推定された前記対象者の状態の時間的な変化に基づいて、前記対象者の行動を判定する
   ことを特徴とする請求項４に記載の見守り支援システム。
6. 前記判定部は、
   前記対象者の状態が前記状態０から前記状態１に遷移した場合、又は、
   前記対象者の状態が前記状態０から前記状態１に遷移し、さらに、前記状態１が所定時間続いた場合に、
   前記対象者が起床したと判定する
   ことを特徴とする請求項５に記載の見守り支援システム。
7. 前記判定部は、
   前記対象者の状態が前記状態０から前記状態１に遷移し、さらに、前記状態１から前記状態２に遷移した場合、又は、
   前記対象者の状態が前記状態０から前記状態１に遷移し、さらに、前記状態１から前記状態２に遷移し、さらに、前記状態２が所定時間続いた場合に、又は、
   前記対象者の状態が前記状態０から前記状態２に遷移した場合、又は、
   前記対象者の状態が前記状態０から前記状態２に遷移し、さらに、前記状態２が所定時間続いた場合に、
   前記対象者が離床したと判定する
   ことを特徴とする請求項５又は６に記載の見守り支援システム。
8. ベッド上の対象者の見守りを支援する見守り支援システムの制御方法であって、
   前記対象者のベッドを含む監視領域を撮影するように設置された撮像装置から画像を取得するステップと、
   ベッドと人が写る画像を入力し前記ベッドに対する前記人の状態を示すスコアを出力するように機械学習されている回帰器に対し、前記監視領域の画像を入力するステップと、
   前記回帰器から得られたスコアに基づいて、前記対象者の行動を判定するステップと、
   判定結果に基づく通知を行うステップと、
   を有することを特徴とする見守り支援システムの制御方法。
9. 請求項８に記載の見守り支援システムの制御方法の各ステップをコンピュータに実行させるためのプログラム。
   

Images