JP2022035138A - バイタルデータ測定装置およびバイタルデータ測定方法 - Google Patents

Abstract

【課題】低精度センサを用いて、高精度センサと同等のセンシング精度を実現することができる。【解決手段】 正解のラベルとなる第一のバイタルデータと、当該第一のバイタルデータに対応するサンプリング周期で測定された第二のバイタルデータと、を用いた機械学習により学習モデルを構築するモデル構築部と、前記第二のバイタルデータの出力元センサから取得した第三のバイタルデータを前記学習モデルに入力するバイタルデータ入力部と、前記学習モデルによる処理結果として出力された前記第三のバイタルデータを所定の出力先に出力する通信部と、を備える。【選択図】図１

Description

本発明は、バイタルデータ測定装置およびバイタルデータ測定方法に関する。

特許文献１には、マイクロ波利用人体検知装置に関し、「マイクロ波利用人体検知装置は、トイレ、洗面所、キッチン、風呂、シャワー、等の生活シーンでマイクロ波を送信波とし、マイクロ波を受信する単一のアンテナと、前記アンテナで受信されたマイクロ波を検波する検波手段と、変化成分検出手段の出力を所定位置と比較する比較手段と、前記比較手段からの信号により、人の存在と、人の生体情報を検出する手段とを有する」と記載されている。

特開２００２－７１８２５号公報

近年、運転者の脈拍数や心拍数などのバイタルデータを測定することで、生体状態である健康の異常や体調変化を検出し、事故を未然に防止するためにアラートを出力したり、車両を停止するなどの自動制御を行う技術が注目されている。しかしながら、移動体内で測定されるバイタルデータには移動体の振動ノイズが含まれているため、ノイズ成分の少ない精度の良いバイタルデータを取得することが難しいという課題がある。

特許文献１には、マイクロ波により人の存在および生体情報を検出するマイクロ波利用人体検知装置が開示されている。しかしながら、同文献の技術は、トイレや洗面所などの生活シーンにおける人の脈拍数や心拍数を検出する技術であるため、振動ノイズが含まれる環境下でのバイタルデータの取得については考慮されていない。そのため、同文献の技術を移動体に適用した場合、その振動ノイズも一緒に計測されることになり、精度の良いバイタルデータを取得することができないという問題がある。

なお、ノイズ成分を除去したバイタルデータを取得できる高精度センサを用いる方法もあるが、高精度センサはコストが高いため、車両に搭載するセンサとして採用することが難しいという問題もある。

そこで、本発明は、低精度センサを用いて、高精度センサと同等のセンシング精度のバイタルデータを取得することを目的とする。

本願は、上記課題の少なくとも一部を解決する手段を複数含んでいるが、その例を挙げるならば、以下のとおりである。上記の課題を解決する本発明の一態様に係るバイタルデータ測定装置は、正解のラベルとなる第一のバイタルデータと、当該第一のバイタルデータに対応するサンプリング周期で測定された第二のバイタルデータと、を用いた機械学習により学習モデルを構築するモデル構築部と、前記第二のバイタルデータの出力元センサから取得した第三のバイタルデータを前記学習モデルに入力するバイタルデータ入力部と、前記学習モデルによる処理結果として出力された前記第三のバイタルデータを所定の出力先に出力する通信部と、を備える。

また、前記第二のバイタルデータには、前記第一のバイタルデータよりも多くのノイズが含まれ、前記学習モデルによる処理結果として出力された前記第三のバイタルデータに含まれるノイズは、前記学習モデルに入力される前の前記第三のバイタルデータに含まれるノイズよりも低減されても良い。

また、前記ノイズは、車両の振動に起因するノイズであっても良い。

また、ユーザに対するセンシングにより取得された前記第一のバイタルデータおよび前記第二のバイタルデータを用いて構築された前記学習モデル、および、身体的特徴の種類およびその範囲の組み合わせごとに分類された所定のカテゴリーに属する人物に対するセンシングにより取得された前記第一のバイタルデータおよび前記第二のバイタルデータを用いて構築された前記学習モデルのうち、少なくともいずれか一方の前記学習モデルを記憶している記憶部をさらに備えても良い。

また、前記学習モデルは、ユーザの識別情報または当該ユーザの識別情報および前記所定のカテゴリーが対応付けられて前記記憶部に記憶され、前記ユーザの識別情報または前記ユーザの属する前記カテゴリーに対応する前記学習モデルを前記記憶部から検索するユーザ認証部をさらに備えても良い。

また、本発明の他の一態様に係るバイタルデータ測定方法は、バイタルデータ測定装置が実行するバイタルデータ測定方法であって、前記バイタルデータ測定装置は、正解のラベルとなる第一のバイタルデータと、当該第一のバイタルデータに対応するサンプリング周期で測定された第二のバイタルデータと、を用いた機械学習により学習モデルを構築するモデル構築ステップと、前記第二のバイタルデータの出力元センサから取得した第三のバイタルデータを前記学習モデルに入力するバイタルデータ入力ステップと、前記学習モデルによる処理結果として出力された前記第三のバイタルデータを所定の出力先に出力するステップと、を行う。

また、前記第二のバイタルデータには、前記第一のバイタルデータよりも多くのノイズが含まれ、前記学習モデルによる処理結果として出力された前記第三のバイタルデータに含まれるノイズは、前記学習モデルに入力される前の前記第三のバイタルデータに含まれるノイズよりも低減されても良い。

また、前記ノイズは、車両の振動に起因するノイズであっても良い。

また、ユーザに対するセンシングにより取得された前記第一のバイタルデータおよび前記第二のバイタルデータを用いて構築された前記学習モデル、および、身体的特徴の種類およびその範囲の組み合わせごとに分類された所定のカテゴリーに属する人物に対するセンシングにより取得された前記第一のバイタルデータおよび前記第二のバイタルデータを用いて構築された前記学習モデルのうち、少なくともいずれか一方の前記学習モデルを記憶する記憶ステップをさらに行っても良い。

また、前記記憶ステップでは、前記学習モデルに、ユーザの識別情報または当該ユーザの識別情報および前記所定のカテゴリーを対応付けて記憶し、前記ユーザの識別情報または前記ユーザの属する前記カテゴリーに基づいて、対応する前記学習モデルを検索するユーザ認証ステップをさらに行っても良い。

本発明によれば、低精度センサを用いて、高精度センサと同等のセンシング精度のバイタルデータを取得することができる。

なお、上記以外の課題、構成および効果等は、以下の実施形態の説明により明らかにされる。

第一実施形態に係るバイタルデータ測定装置の概略構成の一例を示した図である。 バイタルデータ測定装置における演算装置の機能構成の一例を示した機能ブロック図である。 学習モデル構築処理の一例を示したフロー図である。 バイタルデータ測定処理の一例を示したフロー図である。 第二実施形態に係るバイタルデータ測定装置およびサーバ装置の機能構成の一例を示した機能ブロック図である。

以下、本発明の実施形態について説明する。

＜第一実施形態＞
図１は、バイタルデータ測定装置１００の概略構成の一例を示した図である。バイタルデータ測定装置１００は、車両などの移動体に乗車しているユーザ（例えば、運転者）の脈拍数や心拍数などのバイタルデータを測定する装置である。図示するように、バイタルデータ測定装置１００は、演算装置１１０と、センサＡ１２０と、センサＢ１３０と、通信装置１４０と、記憶装置１５０と、を有している。なお、バイタルデータ測定装置１００は、演算装置１１０、通信装置１４０および記憶装置１５０と、センサＡ１２０およびセンサＢ１３０と、を同一筐体内に有していても良く、あるいは演算装置１１０、通信装置１４０および記憶装置１５０と、センサＡ１２０と、センサＢ１３０とが各々、別個の筐体に収容されていても良い。また、演算装置１１０と、センサＡ１２０およびセンサＢ１３０とは、通信ケーブルあるいは所定の無線通信規格（例えば、Ｂｌｕｅｔｏｏｔｈ：登録商標）により相互通信可能に接続されている。

演算装置１１０は、バイタルデータ測定装置１００の様々な演算処理を行う装置である。図示するように、演算装置１１０は、演算装置１１０で行われる様々な演算処理を実行するＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）１１１と、ＣＰＵ１１１で実行されるプログラムなどを格納するＲＯＭ(Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ)１１２と、ＲＯＭ１１２から読み出した各種情報を一時的に格納するＲＡＭ(Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ)１１３と、演算装置１１０と、センサＡ１２０およびセンサＢ１３０と、を電気的に接続するためのＩ／Ｆ（インターフェイス）１１４と、これらを相互に接続するバス１１５と、を有している。

演算装置１１０は、ユーザに対するセンシングデータであるバイタルデータを、精度の異なるセンサＡ１２０およびセンサＢ１３０から各々取得し、取得したバイタルデータを用いて機械学習を行うことで、学習モデルを構築（生成）する。

また、演算装置１１０は、一方のセンサ（本例では、センサＡ１２０）に比べて精度の低い他方のセンサ（本例では、センサＢ１３０）で測定されたバイタルデータを学習モデルに入力し、学習モデルによる演算処理の結果である出力値を取得することで、より高精度のセンサ（本例では、センサＡ１２０）でバイタルデータを測定したのと略同等の精度のバイタルデータを得る。なお、より高精度のセンサでバイタルデータを測定したのと略同等の精度のバイタルデータとは、低精度のセンサで測定されたバイタルデータに含まれる車両の振動ノイズが、高精度のセンサで測定されたバイタルデータ並に低減されたバイタルデータのことである。

また、演算装置１１０は、学習モデルから出力された出力値であるバイタルデータあるいはセンサＢ１３０から出力されたバイタルデータを、Ｍａｉｎ Ｕｎｉｔ（例えば、ナビゲーション装置やＤ／Ａ（Ｄｉｇｉｔａｌ Ａｕｄｉｏ）などの車載器やＥＣＵ（Ｅｎｇｉｎｅ Ｃｏｎｔｒｏｌ Ｕｎｉｔ）など）２００で利用可能な所定のデータ形式に変換し、これらの装置に出力する。なお、車載器等は、バイタルデータ測定装置１００から取得したバイタルデータを用いて、ユーザの生体状態（例えば、眠気）を特定し、それに応じた処理（例えば、車内に音楽を流す、あるいはエアコンを制御して車内温度を変化させるなど）を実行する。

センサＡ１２０およびセンサＢ１３０は、ユーザに対してセンシングを行うセンサである。センサＡ１２０を高精度センサとし、センサＢ１３０をセンサＡ１２０よりも精度の低い低精度センサとした場合、本実施形態では、センサＡ１２０は、例えば接触式センサである心電計などであり、センサＢ１３０は、例えば非接触式センサであるドップラーセンサなどである。なお、心電計は、例えば医療機器としても使用され、人体から発せられる微弱な電気を検知することで、呼吸数や脈拍数を検出する。また、ドップラーセンサは、マイクロ波やミリ波を人体に照射し、その反射波に基づいて呼吸数や脈拍数を検出する電波センサである。

なお、センサＡ１２０およびセンサＢ１３０は、これらのセンサに限定されるものではなく、ユーザのバイタルデータを測定可能であり、かつ、センサＡ１２０とセンサＢ１３０とが異なる精度のセンサであれば良い。なお、センサＡ１２０およびセンサＢ１３０は、同じサンプリング周期で人のバイタルデータを測定する。

通信装置１４０は、外部装置（例えば、Ｍａｉｎ Ｕｎｉｔ２００）との間で情報通信を行うための通信モジュールなどである。通信装置１４０は、データ形式を変換した後のバイタルデータをＭａｉｎ Ｕｎｉｔ２００に送信する。

記憶装置１５０は、デジタル情報を記憶可能ないわゆるハードディスク（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）やＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）、フラッシュメモリあるいはこれら以外の不揮発性記憶装置である。記憶装置１５０は、例えば学習モデルを構築するために用いられる様々な情報や、構築された学習モデルを記憶している。

図２は、バイタルデータ測定装置１００における演算装置１１０の機能構成の一例を示した機能ブロック図である。図示するように、演算装置１１０は、演算部３００と、制御部３１０と、記憶部３２０と、通信部３３０と、を有している。

演算部３００は、演算装置１１０で実行される様々な処理を行う機能部である。具体的には、演算部３００は、モデル構築部３０１と、ユーザ認証部３０２と、バイタルデータ入力部３０３と、データ形式変換部３０４と、を有している。

モデル構築部３０１は、学習モデル３２２を構築する機能部である。具体的には、モデル構築部３０１は、センサＡ１２０およびセンサＢ１３０の各々から取得したバイタルデータを用いて機械学習を行うことで、学習モデル３２２を構築する。なお、学習モデル３２２の構築処理については後述する。

ユーザ認証部３０２は、ユーザ情報に基づいて、ユーザ認証を行う機能部である。なお、ユーザ情報には、ユーザを識別するためのユーザＩＤと、身体的特徴に基づき分類された所定のカテゴリーの中でユーザが属するカテゴリーと、が含まれる。ユーザ認証部３０２は、ユーザＩＤに対応付けられた学習モデル３２２またはユーザが属するカテゴリーに対応付けられた学習モデル３２２を記憶部３２０から検索する。

バイタルデータ入力部３０３は、センサＢ１３０から取得したバイタルデータを学習モデル３２２に入力する機能部である。

データ形式変換部３０４は、学習モデル３２２の演算結果として出力された出力値（演算処理後のバイタルデータ）を取得し、かかる出力値をＭａｉｎ Ｕｎｉｔ２００が利用可能なデータ形式に変換する機能部である。具体的には、データ形式変換部３０４は、学習モデル３２２に入力されたバイタルデータであって、学習モデル３２２からの出力値である演算処理後のバイタルデータまたはセンサＢ１３０から出力されたバイタルデータを取得し、これをＭａｉｎ Ｕｎｉｔ２００で利用可能なデータ形式に変換する。また、データ形式変換部３０４は、通信部３３０を介して、変換後のバイタルデータをＭａｉｎ Ｕｎｉｔ２００に出力する。なお、変換するデータ形式は、例えば脈拍数や心拍数を示す波形データあるいは脈拍数や心拍数を示す数値データなどである。なお、データ形式の種類は限定されるものではない。例えば、データ形式変換部３０４は、Ｍａｉｎ Ｕｎｉｔ２００からの要求に応じて、ユーザの精神状態（リラックス状態や焦っている状態など）を検出するのに用いられるＲＲＩデータ（Ｒ－Ｒ Ｉｎｔｅｒｖａｌ：心拍の変動時系列データ）を生成しても良い。

制御部３１０は、センサＡ１２０およびセンサＢ１３０の動作を制御する機能部である。具体的には、制御部３１０は、バイタルデータの測定指示をセンサＡ１２０およびセンサＢ１３０に出力する。また、制御部３１０は、ユーザ位置の認識やユーザに対するセンシング時間および照射する電波の周波数域など、所定の制御対象についてセンサＡ１２０およびセンサＢ１３０に指示を出力する。

記憶部３２０は、様々なデータを記憶する機能部である。具体的には、記憶部３２０は、学習モデル３２２を構築する際の土台となる様々なベースモデル３２１を記憶している。なお、ベースモデル３２１には、例えば重回帰分析やニューラルネットワークなど様々な種類のものがある。また、記憶部３２０は、構築された学習モデル３２２を記憶する。

学習モデル３２２は、バイタルデータ測定装置１００が搭載されている車両のユーザに対するセンシングにより構築された学習モデル３２２や、身体的特徴に基づいて分類された各カテゴリーに属する人物（ユーザ以外の人物）に対して実施されたセンシングにより構築された複数の学習モデル３２２が記憶されている。なお、これらの学習モデル３２２には、ユーザＩＤやかかるカテゴリーが対応付けられて記憶部３２０に記憶されている。

通信部３３０は、Ｍａｉｎ Ｕｎｉｔ２００との間で情報通信を行う機能部である。具体的には、通信部３３０は、データ形式が変換された後のバイタルデータをＭａｉｎ Ｕｎｉｔ２００に送信する。

以上、バイタルデータ測定装置１００の機能構成について説明した。

なお、演算部３００および制御部３１０は、演算装置１１０のＣＰＵ１１１に処理を行わせるプログラムによって実現される。これらのプログラムは、例えばＲＯＭ１１２に格納されており、実行にあたってＲＡＭ１１３上にロードされ、ＣＰＵ１１１により実行される。なお、制御部３１０は、所定の制御回路によって実現されても良い。また、記憶部３２０は、ＲＡＭ１１３またはＲＯＭ１１２または記憶装置１５０、あるいはこれらの組み合わせにより実現される。また、通信部３３０は、通信装置１４０により実現される。

また、バイタルデータ測定装置１００の各機能ブロックは、本実施形態において実現される各機能を理解容易にするために、主な処理内容に応じて分類したものである。したがって、各機能の分類の仕方やその名称によって、本発明が制限されることはない。また、バイタルデータ測定装置１００の各構成は、処理内容に応じて、さらに多くの構成要素に分類することもできる。また、１つの構成要素がさらに多くの処理を実行するように分類することもできる。

また、各機能部の全部または一部は、コンピュータに実装されるハードウェア（ＡＳＩＣといった集積回路など）により構築されてもよい。また、各機能部の処理が１つのハードウェアで実行されてもよいし、複数のハードウェアで実行されてもよい。

［動作の説明］
次に、バイタルデータ測定装置１００で実行される学習モデル構築処理について説明する。

図３は、学習モデル構築処理の一例を示したフロー図である。かかる処理は、例えばユーザ（またはユーザとは異なる人物）が運転状態において、学習モデル構築処理の実行指示を受け付けたタイミングで開始される。以下では、ユーザを対象として学習モデル３２２が構築される場合を例に説明する。

処理が開始されると、制御部３１０は、ユーザ（例えば、運転者）に対するセンシングを行うようにセンサＡ１２０およびセンサＢ１３０に指示を出力する（ステップＳ００１）。センサＡ１２０およびセンサＢ１３０は、かかる指示に基づいて、所定時間（例えば、６０分）の間、ユーザに対するセンシングを実行し、センシング結果であるバイタルデータをモデル構築部３０１に出力する。

次に、モデル構築部３０１は、センサＡ１２０およびセンサＢ１３０から各々、バイタルデータを取得する（ステップＳ００２）。なお、モデル構築部３０１は、取得したバイタルデータを一時的に記憶部３２０に格納する。

次に、モデル構築部３０１は、ステップＳ００３～ステップＳ００５の処理により、データセットを作成する。具体的には、モデル構築部３０１は、データクリーニングを行う（ステップＳ００３）。より具体的には、モデル構築部３０１は、取得したバイタルデータから外れ値の除去や数値として読み取れない情報（ＮａＮ）の補完処理を行う。なお、補完処理は、例えばＮａＮとなっているデータ箇所の前後の値の中間を採用するなど、所定の方法により実行される。

次に、モデル構築部３０１は、データの正規化を行う（ステップＳ００４）。具体的には、モデル構築部３０１は、バイタルデータを０～１の範囲となるように正規化する。なお、正規化処理の方法は公知であるため、詳細な説明は省略する。

次に、モデル構築部３０１は、データセットを分割する（ステップＳ００５）。具体的には、モデル構築部３０１は、後述の精度検証にホールドアウト法を用いるため、センサＡ１２０およびセンサＢ１３０の各々から取得したバイタルデータを訓練用データと検証用データとに分割する。なお、訓練用データと検証用データの分割割合は任意である。例えば、訓練用データと検証用データとは、６：４や７：３など任意の割合で分割される。

次に、モデル構築部３０１は、ステップＳ００６～ステップＳ０１０の処理により、学習モデル３２２を構築する。具体的には、モデル構築部３０１は、ベースモデル３２１を決定する（ステップＳ００６）。より具体的には、モデル構築部３０１は、所定のベースモデル３２１（例えば、設計者によって予め選択されているベースモデル３２１）を記憶部３２０から取得し、これをモデル構築に用いるためのベースモデルに決定する。なお、ベースモデル３２１には、例えば重回帰分析やニューラルネットワークなど様々な種類のものがある。

次に、モデル構築部３０１は、訓練用データを用いて機械学習を実行する（ステップＳ００７）。ここで、機械学習について説明する。モデル構築部３０１は、センサＡ１２０から取得したバイタルデータの訓練用データ（以下、センサＡ１２０の訓練用データという場合がある）をラベル（正解値）として使用し、センサＢ１３０から取得したバイタルデータの訓練用データ（以下、センサＢ１３０の訓練用データという場合がある）をデータ本体として使用する。

具体的には、モデル構築部３０１は、センサＢ１３０の訓練用データを、重回帰分析やニューラルネットワークなどの決定されたベースモデル３２１が示す伝達関数に入力し、ラベルに対する予測結果としてベースモデル３２１から出力された出力値と、センサＡ１２０の対応する訓練用データの値（正解値であるラベル）とを比較する。また、モデル構築部３０１は、センサＡ１２０の訓練用データの値に対して出力値がどれだけ離れていたかをフィードバックし、伝達関数の目的変数を変更する。また、モデル構築部３０１は、このような予測とフィードバックの処理を訓練用データ全てについて実行することで、機械学習を行い、学習モデル３２２を構築する。

次に、モデル構築部３０１は、検証用データによる学習モデル３２２の精度検証を実行する（ステップＳ００８）。具体的には、モデル構築部３０１は、構築した学習モデル３２２に対して、センサＢ１３０から取得したバイタルデータの検証用データ（以下、センサＢ１３０の検証用データという場合がある）を入力する。また、モデル構築部３０１は、かかる学習モデル３２２からの出力値と、センサＡ１２０から取得したバイタルデータの検証用データ（以下、センサＡ１２０の検証用データという場合がある）と、の差分に基づき、構築した学習モデル３２２の精度を検証する。

次に、モデル構築部３０１は、学習モデル３２２の精度が充分か否かを判定する（ステップＳ００９）。具体的には、モデル構築部３０１は、ステップＳ００８において検証した学習モデル３２２の精度が充分と判断される所定の基準値を満たしているか否かに基づき判定を行う。そして、精度が充分と判定した場合（ステップＳ００９でＹｅｓ）、モデル構築部３０１は、処理をステップＳ０１０に移行する。一方で、精度が充分ではないと判定した場合（ステップＳ００９でＮｏ）、モデル構築部３０１は、処理をステップＳ００７に戻す。

なお、モデル構築部３０１は、ステップＳ００９を経由して実行するステップＳ００７およびステップＳ００８の処理においては、新たな訓練用データおよび検証用データを用いてこれらの処理を実行する。具体的には、モデル構築部３０１は、制御部３１０を介してセンサＡ１２０およびセンサＢ１３０に対して新たなセンシングの実行指示を出力し、新たなバイタルデータを取得することで、前述のステップＳ００７およびＳ００８の処理で用いたデータとは異なるデータを用いて同様の処理を行う。

また、ステップＳ０１０では、モデル構築部３０１は、ユーザＩＤおよび身体的特徴に基づいて分類された所定のカテゴリーを構築された学習モデル３２２に対応付けて記憶部３２０に格納（保存）する。

また、モデル構築部３０１は、学習モデル３２２を保存すると、本フローの処理を終了する。

なお、ユーザとは異なる人物を対象として学習モデル３２２を構築する場合、モデル構築部３０１は、身体的特徴に基づいて分類された各カテゴリーに属する人物に対してセンシングを行うことで、各カテゴリーに対応する学習モデル３２２を構築する。なお、カテゴリーは、身体的特徴の種類およびその範囲の組み合わせごとに分類される。例えば、カテゴリーの一例として、「性別＝男性、年齢＝３０代、身長＝１７０ｃｍ～１８０ｃｍ、体重＝６０ｋｇ～７０ｋｇ、持病＝無し」、「性別＝女性、年齢＝４０代、身長＝１５０ｃｍ～１６０ｃｍ、体重＝５０ｋｇ～６０ｋｇ、持病＝無し」などがある。

モデル構築部３０１は、このように分類されているカテゴリーに属する母集団の人物に対してセンシングを行い、それによって取得したバイタルデータを用いて、各カテゴリーに対応する学習モデル３２２を構築する。

これにより、後述するバイタルデータ測定処理において、ユーザは、自身のユーザ認証に基づいて、本人へのセンシングによって構築された学習モデル３２２あるいはユーザと同じカテゴリーに属する人物に対するセンシングにより構築された学習モデル３２２を適用してバイタルデータを測定することができる。

次に、バイタルデータ測定装置１００で実行されるバイタルデータ測定処理について説明する。

図４は、バイタルデータ測定処理の一例を示したフロー図である。かかる処理は、例えば車両のエンジンが始動したタイミング（イグニッションキーがＯＮ状態になった時）、あるいはユーザから処理の開始指示を受け付けたタイミングで開始される。なお、エンジンの始動は、例えば通信部３３０を介してＥＣＵからエンジンが始動したことを示す情報をユーザ認証部３０２が取得することで検知されれば良い。また、ユーザによる開始指示は、例えばバイタルデータ測定装置１００が備える処理開始の指示ボタンが押下されることで行われ、それをユーザ認証部３０２が検知すれば良い。

処理が開始されると、ユーザ認証部３０２は、ユーザの個人認証を行う（Ｓ０２１）。具体的には、ユーザ認証部３０２は、所定の入力装置を介して入力されたユーザＩＤが対応付けられている学習モデル３２２を記憶部３２０から検索する。また、かかる学習モデル３２２が無い場合、ユーザ認証部３０２は、ユーザの属するカテゴリーが対応付けられた学習モデル３２２を記憶部３２０から検索する。

なお、所定の入力装置は、例えばナビゲーション装置などのＭａｉｎ Ｕｎｉｔ２００であっても良い。この場合、ユーザ認証部３０２は、通信部３３０を介してＭａｉｎ Ｕｎｉｔ２００からユーザの入力情報を取得すれば良い。また、入力装置は、バイタルデータ測定装置１００が備えていても良い。

また、認証方式は、ユーザ情報の入力に限定されない。例えば、車両が車内映像を撮像する車内カメラを搭載している場合、ユーザ認証部３０２は、車内カメラが撮像した映像情報を取得し、これを用いて顔認証を実行することで、ユーザの身体的特徴を特定しても良い。この方式を採用する場合、バイタルデータ測定装置１００は、通信装置１４０を介して車内カメラと情報通信可能に接続されていれば良い。

また、認証方式は、指紋認証であっても良い。この方式を採用する場合、バイタルデータ測定装置１００が指紋認証センサを備えていれば良い。あるいは車両の所定箇所（例えば、ハンドルなど）に指紋認証センサが設置されている場合、バイタルデータ測定装置１００は、例えば通信装置１４０を介して接続されているＥＣＵから指紋情報を取得し、予め記憶部３２０に記憶されている指紋情報と照合することでユーザの身体的特徴を特定しても良い。

次に、ユーザ認証部３０２は、対応する学習モデル３２２があるか否かを判定する（ステップＳ０２２）。具体的には、ユーザ認証部３０２は、ユーザＩＤまたはユーザが属するカテゴリーが対応付けられた学習モデル３２２が記憶部３２０に格納されているか否に基づき、かかる判定を行う。そして、対応する学習モデル３２２があると判定した場合（ステップＳ０２２でＹｅｓ）、ユーザ認証部３０２は、処理をステップＳ０２３に移行する。一方で、対応する学習モデル３２２がないと判定した場合（ステップＳ０２２でＮｏ）、ユーザ認証部３０２は、処理をステップＳ０２９に移行する。

なお、ステップＳ０２９では、バイタルデータ入力部３０３は、対応する学習モデル３２２がないことをユーザに通知する。例えば、バイタルデータ入力部３０３は、対応する学習モデル３２２がないことを通知する所定のメッセージを生成し、通信部３３０を介して、かかるメッセージをＭａｉｎ Ｕｎｉｔ２００である車載器の表示装置に表示させる。

また、次に、バイタルデータ入力部３０３は、制御部３１０を介してセンサＢ１３０にバイタルデータの測定指示を出力する（ステップＳ０３０）。また、次に、データ形式変換部３０４は、センサＢ１３０で測定されたバイタルデータを取得し（ステップＳ０３１）、所定のデータ形式に変換する（ステップＳ０３２）。また、次に、データ形式変換部３０４は、データ形式を変換後のバイタルデータを、通信部３３０を介してＭａｉｎ Ｕｎｉｔ２００へ出力する（ステップＳ０３３）。また、データ形式変換部３０４は、バイタルデータをＭａｉｎ Ｕｎｉｔ２００に出力すると、本フローの処理を終了する。

また、対応する学習モデル３２２があると判定された場合に移行するステップＳ０２３の処理では、ユーザ認証部３０２は、対応する学習モデル３２２を記憶部３２０から取得する。

また、次に、バイタルデータ入力部３０３は、制御部３１０を介してセンサＢ１３０にバイタルデータの測定指示を出力する（ステップＳ０２４）。また、次に、バイタルデータ入力部３０３は、センサＢ１３０から出力されたバイタルデータを取得すると（ステップＳ０２５）、これを取得された学習モデル３２２に入力する（ステップＳ０２６）。

また、次に、データ形式変換部３０４は、学習モデル３２２の演算結果として出力された出力値（演算処理後のバイタルデータ）を取得し、所定のデータ形式に変換する（ステップＳ０２７）。また、次に、データ形式変換部３０４は、データ形式を変換後のバイタルデータを、通信部３３０を介してＭａｉｎ Ｕｎｉｔ２００へ出力する（ステップＳ０２８）。また、データ形式変換部３０４は、バイタルデータをＭａｉｎ Ｕｎｉｔ２００に出力すると、本フローの処理を終了する。

以上、本実施形態のバイタルデータ測定装置１００について説明した。

このようなバイタルデータ測定装置によれば、低精度センサを用いて、高精度センサと同等のセンシング精度のバイタルデータを取得することができる。特に、バイタルデータ測定装置は、高精度センサおよびこれよりも精度の低い低精度センサから出力されたバイタルデータを用いて機械学習を行い、低精度センサから出力されたバイタルデータに含まれる振動ノイズを、高精度センサから出力されたバイタルデータ並に低減させたバイタルデータを出力値とする学習モデルを構築する。これにより、比較的安価な低精度センサを用いてバイタルデータを測定した場合でも、高精度センサを用いた場合と同程度の精度のバイタルデータを取得することが可能となる。

また、接触センサは、非接触センサに比べてセンシング精度が高いという利点がある一方で、装着が面倒という欠点がある。本実施形態に係るバイタルデータ測定装置によれば、非接触センサであっても接触センサと同等のセンシング精度を実現することができるため、高いセンシング精度を確保しつつユーザビリティを向上させることができる。

＜第二実施形態＞
図５は、本実施形態に係るバイタルデータ測定装置１００およびサーバ装置４００の機能構成の一例を示した機能ブロック図である。図示するように、バイタルデータ測定装置１００は、例えばＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）など所定のネットワークＮを介して、サーバ装置４００と相互通信可能に接続されている。

なお、サーバ装置４００における演算部４１０およびモデル構築部４１１と、記憶部４２０およびベースモデル４２１と、通信部４３０とは各々、第一実施形態のバイタルデータ測定装置１００における演算部３００およびモデル構築部３０１と、記憶部３２０およびベースモデル３２１と、通信部３３０と同様の処理を行う機能部および情報のため、本実施形態では詳細な説明を省略する。

前述の第一実施形態では、バイタルデータ測定装置１００で学習モデル３２２を構築したが、本実施形態では、センサＡ１２０およびセンサＢ１３０から取得したバイタルデータをサーバ装置４００に送信し、サーバ装置４００の演算部４１０が有するモデル構築部４１１により学習モデル３２２が構築される。

具体的には、バイタルデータ測定装置１００の演算部３００は、学習モデル構築処理において、センサＡ１２０およびセンサＢ１３０からバイタルデータを取得すると、通信部３３０を介して、サーバ装置４００に送信する。サーバ装置４００のモデル構築部４１１は、通信部４３０を介してバイタルデータを取得すると、ステップＳ００２～ステップＳ０１０と同様の方法により学習モデル３２２を構築する。

また、サーバ装置４００のモデル構築部４１１により構築された学習モデル３２２は、サーバ装置４００の通信部４３０を介してバイタルデータ測定装置１００に送信され、記憶部３２０に格納される。また、バイタルデータ測定装置１００は、記憶部３２０に格納されている学習モデル３２２を用いて、前述と同様のバイタルデータ測定処理を実行する。

このような第二実施形態に係るバイタルデータ測定装置およびサーバ装置によれば、学習モデルの構築を処理性能が高いサーバ装置で実行することができるため、バイタルデータ測定装置のスペックを抑制することができ、その結果、製造コストを節約することができる。

なお、本発明は、第一実施形態および第二実施形態のバイタルデータ測定装置１００に限定されるものではなく、様々な変形例が可能である。例えば、第一実施形態における演算装置１１０（演算部３００および制御部３１０）、通信装置１４０および記憶装置１５０は、Ｍａｉｎ Ｕｎｉｔ２００であるナビゲーション装置などの車載器やＥＣＵに内蔵されていても良い。

また、本発明は、上記の実施形態や変形例などに限られるものではなく、これら以外にも様々な実施形態および変形例が含まれる。例えば、上記の実施形態は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。また、ある実施形態の構成の一部を他の実施形態や変形例の構成に置き換えることが可能であり、ある実施形態の構成に他の実施形態の構成を加えることも可能である。また、各実施形態の構成の一部について、他の構成の追加・削除・置換をすることが可能である。

１００・・・バイタルデータ測定装置、１１０・・・演算装置、１１１・・・ＣＰＵ、１１２・・・ＲＯＭ、１１３・・・ＲＡＭ、１１４・・・Ｉ／Ｆ（インターフェイス）、１１５・・・バス、１２０・・・センサＡ、１３０・・・センサＢ、１４０・・・通信装置、１５０・・・記憶装置、２００・・・Ｍａｉｎ Ｕｎｉｔ、３００・・・演算部、３０１・・・モデル構築部、３０２・・・ユーザ認証部、３０３・・・バイタルデータ入力部、３０４・・・データ形式変換部、３１０・・・制御部、３２０・・記憶部、３２１・・・ベースモデル、３２２・・・学習モデル、３３０・・・通信部、Ｎ・・・ネットワーク

Claims (10)

1. 正解のラベルとなる第一のバイタルデータと、当該第一のバイタルデータに対応するサンプリング周期で測定された第二のバイタルデータと、を用いた機械学習により学習モデルを構築するモデル構築部と、
   前記第二のバイタルデータの出力元センサから取得した第三のバイタルデータを前記学習モデルに入力するバイタルデータ入力部と、
   前記学習モデルによる処理結果として出力された前記第三のバイタルデータを所定の出力先に出力する通信部と、を備える
   ことを特徴とするバイタルデータ測定装置。
2. 請求項１に記載のバイタルデータ測定装置であって、
   前記第二のバイタルデータには、前記第一のバイタルデータよりも多くのノイズが含まれ、
   前記学習モデルによる処理結果として出力された前記第三のバイタルデータに含まれるノイズは、前記学習モデルに入力される前の前記第三のバイタルデータに含まれるノイズよりも低減されている
   ことを特徴とするバイタルデータ測定装置。
3. 請求項２に記載のバイタルデータ測定装置であって、
   前記ノイズは、車両の振動に起因するノイズである
   ことを特徴とするバイタルデータ測定装置。
4. 請求項１に記載のバイタルデータ測定装置であって、
   ユーザに対するセンシングにより取得された前記第一のバイタルデータおよび前記第二のバイタルデータを用いて構築された前記学習モデル、および、身体的特徴の種類およびその範囲の組み合わせごとに分類された所定のカテゴリーに属する人物に対するセンシングにより取得された前記第一のバイタルデータおよび前記第二のバイタルデータを用いて構築された前記学習モデルのうち、少なくともいずれか一方の前記学習モデルを記憶している記憶部をさらに備える
   ことを特徴とするバイタルデータ測定装置。
5. 請求項４に記載のバイタルデータ測定装置であって、
   前記学習モデルは、ユーザの識別情報または当該ユーザの識別情報および前記所定のカテゴリーが対応付けられて前記記憶部に記憶され、
   前記ユーザの識別情報または前記ユーザの属する前記カテゴリーに対応する前記学習モデルを前記記憶部から検索するユーザ認証部をさらに備える
   ことを特徴とするバイタルデータ測定装置。
6. バイタルデータ測定装置が実行するバイタルデータ測定方法であって、
   前記バイタルデータ測定装置は、
   正解のラベルとなる第一のバイタルデータと、当該第一のバイタルデータに対応するサンプリング周期で測定された第二のバイタルデータと、を用いた機械学習により学習モデルを構築するモデル構築ステップと、
   前記第二のバイタルデータの出力元センサから取得した第三のバイタルデータを前記学習モデルに入力するバイタルデータ入力ステップと、
   前記学習モデルによる処理結果として出力された前記第三のバイタルデータを所定の出力先に出力するステップと、を行う
   ことを特徴とするバイタルデータ測定方法。
7. 請求項６に記載のバイタルデータ測定方法であって、
   前記第二のバイタルデータには、前記第一のバイタルデータよりも多くのノイズが含まれ、
   前記学習モデルによる処理結果として出力された前記第三のバイタルデータに含まれるノイズは、前記学習モデルに入力される前の前記第三のバイタルデータに含まれるノイズよりも低減されている
   ことを特徴とするバイタルデータ測定方法。
8. 請求項７に記載のバイタルデータ測定方法であって、
   前記ノイズは、車両の振動に起因するノイズである
   ことを特徴とするバイタルデータ測定方法。
9. 請求項６に記載のバイタルデータ測定方法であって、
   ユーザに対するセンシングにより取得された前記第一のバイタルデータおよび前記第二のバイタルデータを用いて構築された前記学習モデル、および、身体的特徴の種類およびその範囲の組み合わせごとに分類された所定のカテゴリーに属する人物に対するセンシングにより取得された前記第一のバイタルデータおよび前記第二のバイタルデータを用いて構築された前記学習モデルのうち、少なくともいずれか一方の前記学習モデルを記憶する記憶ステップをさらに行う
   ことを特徴とするバイタルデータ測定方法。
10. 請求項９に記載のバイタルデータ測定方法であって、
    前記記憶ステップでは、前記学習モデルに、ユーザの識別情報または当該ユーザの識別情報および前記所定のカテゴリーを対応付けて記憶し、
    前記ユーザの識別情報または前記ユーザの属する前記カテゴリーに基づいて、対応する前記学習モデルを検索するユーザ認証ステップをさらに行う
    ことを特徴とするバイタルデータ測定方法。

Images