JP2022112420A - 情報処理装置、プログラムおよびシステム - Google Patents

Abstract

【課題】対象者の健康状態をより精度よく推定する。【解決手段】情報処理装置（２０）の通信部は、排泄物に関する情報を検出するセンサと、センサの検出値を送信する送信部とを備えるセンサモジュール（１０）であって対象者に装着されて用いられるセンサモジュール（１０）が送信したセンサの検出値を受信する。メモリは、センサの検出値の時系列を表す検出データから、対象者の健康状態を示す出力データを導出する学習済モデルを記憶する。コントローラは、検出データおよび学習済モデルを用いて健康状態を推定する推定処理、を実行する。【選択図】図１

Description

本発明は情報処理装置、プログラムおよびシステムに関する。

対象者の健康状態を調べる技術が提案されている。例えば特許文献１には、布製のＴ字帯に装着されたガスセンサが出力する信号に基づき、異常が認められる場合に警告を表示する装置が記載されている。特許文献２には、トイレ室に設けられた被験者側装置に含まれる含硫ガスセンサが検出する含硫ガスの検出データを含む測定データを、排便行為の日時とともにデータベースに蓄積して記録し、蓄積記録された測定データの経時変動傾向に基づいて被験者の体調を解析するシステムが記載されている。

特開平９－４３１８２号公報 特開２０１６－１４５８０８号公報

しかしながら、特許文献１および２に記載の技術では、ガスセンサの出力信号に基づき対象者の健康状態をモニタすることができるものの、健康状態の判定の精度を高くするという観点において改善の余地がある。

本発明の一態様は、対象者の健康状態をより精度よく推定する技術を提供することを目的とする。

上記の課題を解決するために、本発明の態様１に係る情報処理装置は、コントローラと、メモリと、通信部と、を備え、前記通信部は、排泄物に関する情報を検出するセンサと、前記センサの検出値を送信する送信部とを備えるセンサモジュールであって対象者に装着されて用いられるセンサモジュールが送信した前記センサの検出値を受信し、前記メモリは、前記センサの検出値の時系列を表す検出データから、前記対象者の健康状態を示す出力データを導出する学習済モデルを記憶し、前記コントローラは、前記検出データおよび前記学習済モデルを用いて前記健康状態を推定する推定処理、を実行する、ことを特徴とする。

上記の構成によれば、情報処理装置は、対象者の排泄物に関する情報を検出するセンサの検出値の時系列を表す検出データを学習済モデルに入力することにより、対象者の健康状態を推定する。これにより、学習済モデルを用いない場合に比べて、対象者の健康状態をより精度よく推定することができる。

本発明の態様２に係る情報処理装置は、前記態様１において、前記学習済モデルは、前記検出データから、前記対象者の栄養状態を示す出力データを導出し、前記推定処理においては、前記コントローラは、前記検出データおよび前記学習済モデルを用いて前記栄養状態を推定してもよい。

上記の構成によれば、情報処理装置は、対象者の排泄物に関する情報を検出するセンサの検出値の時系列を表す検出データを学習済モデルに入力することにより、対象者の栄養状態を推定する。これにより、学習済モデルを用いない場合に比べて、対象者の栄養状態をより精度よく推定することができる。

本発明の態様３に係る情報処理装置は、前記態様１または２において、前記学習済モデルは、前記センサの検出値の時系列を表す検出データと、前記健康状態を表すクラスとの組み合わせの集合を学習用データセットとする教師あり機械学習により構築されたものであってもよい。

上記の構成によれば、情報処理装置は、対象者の排泄物に関する情報を検出するセンサの検出値の時系列を表す検出データを、教師あり機械学習により構築された学習済モデルに入力することにより、対象者の健康状態を推定する。これにより、学習済モデルを用いない場合に比べて、対象者の健康状態をより精度よく推定することができる。

本発明の態様４に係る情報処理装置は、前記態様１～３のいずれか１つにおいて、前記通信部は、前記対象者が摂取した食事内容を表す食事データを受信し、前記学習済モデルは、前記検出データおよび前記食事データを含む入力データから、前記出力データを導出し、前記推定処理は、前記検出データ、前記食事データおよび前記学習済モデルを用いて前記健康状態を推定する処理であってもよい。

上記の構成によれば、情報処理装置は、検出データに加えて、対象者の食事内容を表す食事データを学習済モデルに入力することにより、対象者の健康状態を推定する。これにより、食事データを用いない場合に比べて、対象者の健康状態をより精度よく推定することができる。

本発明の態様５に係る情報処理装置は、前記態様１～４のいずれか１つにおいて、前記コントローラは、前記センサの検出値の時系列を表す検出データと、前記対象者の健康状態を表すクラスとを用いて、前記検出データと前記クラスとの相関関係を機械学習させた学習済モデルを生成する生成処理、を更に実行してもよい。

上記の構成によれば、情報処理装置は、センサの検出値の時系列を示す検出データと、対象者の健康状態を示すクラスとを用いて生成された学習済モデルを用いて健康状態を推定する。これにより、この学習済モデルを用いない場合に比べて、対象者の健康状態をより精度よく推定することができる。

本発明の態様６に係る情報処理装置は、コントローラと、メモリと、通信部と、を備え、前記通信部は、排泄物に関する情報を検出するセンサと、前記センサの検出値を送信する送信部とを備えるセンサモジュールであって対象者に装着されて用いられるセンサモジュールが送信した前記センサの検出値を受信し、前記コントローラは、前記センサの検出値の時系列を表す検出データと、前記対象者の健康状態を表すクラスとを用いて、前記検出データと前記クラスとの相関関係を機械学習させた学習済モデルを生成する生成処理、を実行する。

上記の構成によれば、センサの検出値の時系列を示す検出データと、対象者の健康状態を示すクラスとを用いて生成された学習済モデルが用いられることにより、この学習済モデルを用いない場合に比べて、対象者の健康状態をより精度よく推定することができる。

本発明の態様７に係る情報処理装置は、前記態様１～６のいずれか１つにおいて、前記コントローラは、予め定められたプログラムに従って前記各処理を実行する少なくとも１つのプロセッサと、前記プログラムを格納した少なくとも１つのメモリと、を備えていてもよい。

上記の構成によれば、学習済モデルを用いない場合に比べて、対象者の健康状態をより精度よく推定することができる。

本発明の態様８に係る情報処理装置は、前記態様１～７の何れか１つに記載の情報処理装置を制御するプログラムであって、前記コントローラに前記各処理を実行させることを特徴とする。

本発明の範疇には、態様８に係るプログラム及びそれを記録したコンピュータ読み取り可能な記録媒体も含まれる。

本発明の態様９に係るシステムは、対象者が装着して用いるセンサモジュールと、前記対象者の健康状態を推定する情報処理装置と、を備え、前記センサモジュールは、排泄物に関する情報を検出するセンサと、前記センサの検出値を送信する送信部と、を備え、前記情報処理装置は、コントローラと、メモリと、通信部と、を備え、前記通信部は、前記センサモジュールが送信した前記センサの検出値を受信し、前記メモリは、前記センサの検出値の時系列を表す検出データから、前記対象者の健康状態を示す出力データを導出する学習済モデルを記憶し、前記コントローラは、前記検出データおよび前記学習済モデルを用いて前記健康状態を推定する推定処理、を実行する。

上記の構成によれば、情報処理装置は、対象者の排泄物に関する情報を検出するセンサの検出値の時系列を表す検出データを学習済モデルに入力することにより、対象者の健康状態を推定する。これにより、学習済モデルを用いない場合に比べて、対象者の健康状態をより精度よく推定することができる。

本発明の一態様によれば、対象者の健康状態をより精度よく推定することができる。

本発明の実施形態１に係る健康管理システムの概要を示す図である。 本発明の実施形態１に係るセンサモジュールが装着される様子を概略的に示す図である。 本発明の実施形態１に係るセンサモジュールの機能構成を例示するブロック図である。 本発明の実施形態１に係るセンサモジュールの内部構成を例示する図である。 本発明の実施形態１に係る情報処理装置の構成を例示するブロック図である。 本発明の実施形態１に係る学習済モデルの一例を模式的に示した図である。 本発明の実施形態１に係る健康状態の推定方法の流れを示すフロー図である。 本発明の実施形態１に係る情報処理装置に表示される画面例を示す図である。 本発明の実施形態２に係る学習済モデルの生成方法の流れを示すフロー図である。 本発明の実施形態３に係る健康管理システムの概要を示す図である。 本発明の実施形態３に係る健康状態の推定方法の流れを示すシーケンス図である。 本発明の実施形態３に係る情報処理装置に表示される画面例を示す図である。 本発明の実施形態４に係る健康管理システムの概要を示す図である。

〔実施形態１〕
以下、本発明の一実施形態について、詳細に説明する。

＜健康管理システムの構成＞
図１は、本実施形態に係る健康管理システム１の概略構成を示す図である。健康管理システム１は、対象者の健康を管理するためのシステムである。健康管理システム１は特に、対象者の健康状態を推定するサービスを提供する。対象者は、一例として、介護を必要とする被介護者または保育を必要とする乳児である。

健康管理システム１は、センサモジュール１０および情報処理装置２０を含む。センサモジュール１０は、対象者の排泄等を検出するための小型の装置である。センサモジュール１０は対象者に装着されて用いられる。

情報処理装置２０はセンサモジュール１０から出力される検出値に基づき対象者の健康状態を推定する機能を備える。情報処理装置２０は、一例として、ＰＣ、タブレットＰＣ、スマートフォン及びフィーチャーフォン等の携帯電話機、又は携帯情報端末（ＰＤＡ：Personal Digital Assistant）である。情報処理装置２０は、一例として、対象者の病室または保育室等の対象者の居室の入り口に設置される。また、情報処理装置２０は、一例として、病棟のナースステーションに設置された端末であってもよい。また、情報処理装置２０は、一例として、対象者を介護する介護者または対象者を保育する保育者が所有する端末であってもよい。

センサモジュール１０と情報処理装置２０とは通信路Ｎ１を介して接続される。通信路Ｎ１は、無線通信の伝送経路であり、例えばBluetooth（登録商標）の無線伝送経路である。図１には、図面が煩雑になるのを防ぐため、センサモジュール１０および情報処理装置２０をそれぞれ１台ずつ図示しているが、複数のセンサモジュール１０および／または複数の情報処理装置２０が健康管理システム１に含まれていてもよい。

図２は、センサモジュール１０が装着される様子を概略的に示す図である。図２に例では、センサモジュール１０は、対象者が着用するおむつ５０に装着される。不織布袋６０にセンサモジュール１０が入れられ、センサモジュール１０が入った不織布袋６０がおむつ５０の内側に装着される。なお、図２では、センサモジュール１０がおむつ５０に装着される場合を例示しているが、対象者がセンサモジュール１０を装着する方法は図２に示す例に限られない。センサモジュール１０は、一例として、対象者の下着等の他の着用物に装着されてもよい。一例として、センサモジュール１０は、対象者の身体と対象者が着用する下着との間に挟まれることにより対象者に装着されてもよい。

（センサモジュールの構成）
図３は、センサモジュール１０の機能構成を例示するブロック図である。センサモジュール１０は、センサ群１１、送信部１２、コントローラ１３、電源１４、基板１５および筐体１６を備える。

（センサ群）
センサ群１１は、排泄物に関する情報を検出する１または複数のセンサを含む。排泄物とは、生物から出される物質であり、例えば、大便、小便、またはガス（屁）である。図３の例において、センサ群１１は、ガスセンサ１１１および温湿度センサ１１２を含む。ガスセンサ１１１は、対象者の排泄物により発生するガスの濃度および／または成分を検出するセンサである。温湿度センサ１１２は、温度および湿度を検出するセンサである。図３の例では、ひとつのガスセンサ１１１とひとつの温湿度センサ１１２とを含むセンサ群１１を図示しているが、センサ群１１に複数のガスセンサ１１１および／または複数の温湿度センサ１１２が含まれていてもよい。

（送信部・コントローラ・電源）
送信部１２は、センサ群１１の検出値を無線通信により送信する無線モジュールである。送信部１２は、一例として、Ｗｉ－Ｆｉ（登録商標）又はＢｌｕｅｔｏｏｔｈ（登録商標）等の無線通信を行う。コントローラ１３は、センサモジュール１０の各部を制御する。電源１４は、センサモジュール１０の各部に電力を供給する。センサ群１１、送信部１２およびコントローラ１３は、基板１５に取り付けられている。

（筐体）
筐体１６は、基板１５および基板１５に取り付けられた各部を収容する。筐体１６は、ガスを筐体の内部に流入させる１または複数の開口部１６１（図１参照）を有する。筐体１６の内部において、ガスセンサ１１１は、送信部１２よりも開口部１６１に近い位置に配置されている。

図４は、センサモジュール１０の内部構成を例示する図である。図の例で、ガスセンサ１１１は、送信部１２よりも開口部１６１に近い位置に配置されている。電源１４は、基板１５において送信部１２が配置されている面の裏面に、開口部１６１から遠い位置に配置されている。センサモジュール１０は、開口部１６１が対象者の下半身側に配置される向きで、対象者に装着される。このように装着された場合、ガスセンサ１１１は、被介護者の下半身側に配置される。排泄物から発生するガスは、筐体１６の開口部１６１から筐体１６の内部に流入し、ガスセンサ１１１により検出される。

センサモジュール１０は、センサ群１１の検出値を所定のタイミング（例えば、１秒毎、１分毎、等）で無線通信により送信する。送信された検出値は情報処理装置２０により受信される。センサモジュール１０は、センサ群１１の検出値を送信する際に、センサモジュール１０を識別する識別情報（ＩＤ）を無線通信により検出値とともに送信してもよい。

（情報処理装置の構成）
図５は情報処理装置２０の構成を例示するブロック図である。情報処理装置２０は、汎用コンピュータを用いて実現されており、プロセッサ２１と、一次メモリ２２と、二次メモリ２３と、入出力ＩＦ２４と、通信ＩＦ２５と、バス２６とを備えている。プロセッサ２１、一次メモリ２２、二次メモリ２３、入出力ＩＦ２４、及び通信ＩＦ２５は、バス２６を介して相互に接続されている。

二次メモリ２３には、健康状態推定プログラムＰ１および学習済モデルＬＭ１が格納されている。プロセッサ２１は、二次メモリ２３に格納されている健康状態推定プログラムＰ１及び学習済モデルＬＭ１を一次メモリ２２上に展開する。そして、プロセッサ２１は、一次メモリ２２上に展開された健康状態推定プログラムＰ１に含まれる命令に従って、健康状態推定方法Ｍ１に含まれる各ステップを実行する。一次メモリ２２上に展開された学習済モデルＬＭ１は、健康状態推定方法Ｍ１の推定ステップＭ１１（後述）をプロセッサ２１が実行する際に利用される。なお、健康状態推定プログラムＰ１が二次メモリ２３に格納されているとは、ソースコード、または、ソースコードをコンパイルすることにより得られた実行形式ファイルが二次メモリ２３に記憶されていることを指す。また、学習済モデルＬＭ１が二次メモリ２３に格納されているとは、学習済モデルＬＭ１を規定するパラメータが二次メモリ２３に格納されていることを指す。

プロセッサ２１として利用可能なデバイスとしては、例えば、ＣＰＵ（Central Processing Unit）、ＧＰＵ（Graphic Processing Unit）、ＤＳＰ（Digital Signal Processor）、ＭＰＵ（Micro Processing Unit）、ＦＰＵ（Floating point number Processing Unit）、ＰＰＵ（Physics Processing Unit）、マイクロコントローラ、又は、これらの組み合わせを挙げることができる。プロセッサ２１は、「演算装置」と呼ばれることもある。

また、一次メモリ２２として利用可能なデバイスとしては、例えば、半導体ＲＡＭ（Random Access Memory）を挙げることができる。一次メモリ２２は、「主記憶装置」と呼ばれることもある。また、二次メモリ２３として利用可能なデバイスとしては、例えば、フラッシュメモリ、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）、ＯＤＤ（Optical Disk Drive）、ＦＤＤ（Floppy（登録商標） Disk Drive）、又は、これらの組み合わせを挙げることができる。二次メモリ２３は、「補助記憶装置」と呼ばれることもある。なお、二次メモリ２３は、情報処理装置２０に内蔵されていてもよいし、入出力ＩＦ２４又は通信ＩＦ２５を介して情報処理装置２０と接続された他のコンピュータ（例えば、クラウドサーバを構成するコンピュータ）に内蔵されていてもよい。なお、本実施形態においては、情報処理装置２０における記憶を２つのメモリ（一次メモリ２２及び二次メモリ２３）により実現しているが、これに限定されない。すなわち、情報処理装置２０における記憶を１つのメモリにより実現してもよい。この場合、例えば、そのメモリの或る記憶領域を一次メモリ２２として利用し、そのメモリの他の記憶領域を二次メモリ２３として利用すればよい。

入出力ＩＦ２４には、入力デバイス及び／又は出力デバイスが接続される。入出力ＩＦ２４としては、例えば、ＵＳＢ（Universal Serial Bus）、ＡＴＡ（Advanced Technology Attachment）、ＳＣＳＩ（Small Computer System Interface）、ＰＣＩ（Peripheral Component Interconnect）などのインタフェースが挙げられる。入出力ＩＦ２４に接続される入力デバイスとしては、キーボード、マウス、タッチパッド、マイク、又は、これらの組み合わせが挙げられる。健康状態推定方法Ｍ１においてユーザから取得するデータは、これらの入力デバイスを介して情報処理装置２０に入力され、一次メモリ２２に記憶される。また、入出力ＩＦ２４に接続される出力デバイスとしては、ディスプレイ、プロジェクタ、プリンタ、スピーカ、ヘッドホン、又は、これらの組み合わせが挙げられる。健康状態推定方法Ｍ１においてユーザに提供する情報は、これらの出力デバイスを介して情報処理装置２０から出力される。なお、情報処理装置２０は、ラップトップ型コンピュータのように、入力デバイスとして機能するキーボードと、出力デバイスとして機能するディスプレイとを、それぞれ内蔵してもよい。或いは、情報処理装置２０は、タブレット型コンピュータのように、入力デバイス及び出力デバイスの両方として機能するタッチパネルを内蔵していてもよい。

通信ＩＦ２５（通信部の一例）には、ネットワークを介して他のコンピュータが有線接続又は無線接続される。通信ＩＦ２５としては、例えば、イーサネット（登録商標）、Ｗｉ－Ｆｉ（登録商標）などのインタフェースが挙げられる。利用可能なネットワークとしては、ＰＡＮ（Personal Area Network）、ＬＡＮ（Local Area Network）、ＣＡＮ（Campus Area Network）、ＭＡＮ（Metropolitan Area Network）、ＷＡＮ（Wide Area Network）、ＧＡＮ（Global Area Network）、又は、これらのネットワークを含むインターネットワークが挙げられる。インターネットワークは、イントラネットであってもよいし、エクストラネットであってもよいし、インターネットであってもよい。健康状態推定方法Ｍ１において情報処理装置２０が他のコンピュータから取得するデータ、及び、健康状態推定方法Ｍ１において情報処理装置２０が他のコンピュータに提供するデータは、これらのネットワークを介して送受信される。

なお、本実施形態においては、単一のプロセッサ（プロセッサ２１）を用いて健康状態推定方法Ｍ１を実行する構成を採用しているが、本発明は、これに限定されない。すなわち、複数のプロセッサを用いて健康状態推定方法Ｍ１を実行する構成を採用してもよい。この場合、連携して健康状態推定方法Ｍ１を実行する複数のプロセッサは、単一のコンピュータに設けられ、バスを介して相互に通信可能に構成されていてもよいし、複数のコンピュータに分散して設けられ、ネットワークを介して相互に通信可能に構成されていてもよい。一例として、クラウドサーバを構成するコンピュータに内蔵されたプロセッサと、そのクラウドサーバの利用者が所有するコンピュータに内蔵されたプロセッサとが、連携して健康状態推定方法Ｍ１を実行する態様などが考えられる。

また、本実施形態においては、健康状態推定方法Ｍ１を実行するプロセッサ（プロセッサ２１）と同じコンピュータに内蔵されたメモリ（二次メモリ２３）に学習済モデルＬＭ１を格納する構成を採用しているが、本発明は、これに限定されない。すなわち、健康状態推定方法Ｍ１を実行するプロセッサと異なるコンピュータに内蔵されたメモリに学習済モデルＬＭ１を格納する構成を採用してもよい。この場合、学習済モデルＬＭ１を格納するメモリが内蔵されたコンピュータは、健康状態推定方法Ｍ１を実行するプロセッサが内蔵されたコンピュータとネットワークを介して相互に通信可能に構成される。一例として、クラウドサーバを構成するコンピュータに内蔵されたメモリに学習済モデルＬＭ１を格納し、そのクラウドサーバの利用者が所有するコンピュータに内蔵されたプロセッサが健康状態推定方法Ｍ１を実行する態様などが考えられる。

また、本実施形態においては、単一のメモリ（二次メモリ２３）に学習済モデルＬＭ１を格納する構成を採用しているが、本発明は、これに限定されない。すなわち、複数のメモリに学習済モデルＬＭ１を分散して格納する構成を採用してもよい。この場合、学習済モデルＬＭ１を格納する複数のメモリは、単一のコンピュータ（健康状態推定方法Ｍ１を実行するプロセッサが内蔵されたコンピュータであってもよいし、そうでなくてもよい）に設けられていてもよいし、複数のコンピュータ（健康状態推定方法Ｍ１を実行するプロセッサが内蔵されたコンピュータを含んでいてもよいし、そうでなくてもよい）に分散して設けられていてもよい。一例として、クラウドサーバを構成する複数のコンピュータの各々に内蔵されたメモリに学習済モデルＬＭ１を分散して格納する構成などが考えられる。

本実施形態では、通信ＩＦ２５は、センサモジュール１０と近距離無線通信（Ｗｉ－Ｆｉ（登録商標）又はＢｌｕｅｔｏｏｔｈ（登録商標）等）を行い、センサモジュール１０から出力されたセンサ群１１の検出値を受信する。

プロセッサ２１、一次メモリ２２および二次メモリ２３は、本明細書に係るコントローラの一例である。換言すると、コントローラは、予め定められたプログラムに従って各処理を実行する少なくとも１つのプロセッサ２１と、プログラムを格納した少なくとも１つのメモリ（一次メモリ２２および二次メモリ２３）とを備える。

学習済モデルＬＭ１は、センサ群１１の検出値の時系列を表す検出データから、対象者の健康状態を示す出力データを導出する学習済モデルである。学習済モデルＬＭ１は、検出データに基づいて健康状態を示すクラスを生成可能な任意の機械学習モデルであり得る。本実施形態において、学習済モデルＬＭ１は、センサの検出値の時系列を表す検出データと、対象者の健康状態を示すクラスとの組み合わせの集合を学習用データセットとする教師あり機械学習により構築された学習済モデルである。学習済モデルＬＭ１は例えば、ＣＮＮ（Convolutional Neural Network）、ＲＮＮ（Recurrent Neural Network）、ＬＳＴＭ（Long Short-Term Memory）、ＤＮＮ（Deep Neural Network）、又はこれらの組み合わせで実現可能である。

学習済モデルＬＭ１の入力は、センサ群１１の検出値の時系列を表す検出データである。検出データは例えば、センサの検出値（例えば、ガスの濃度および温度）が時系列に並んだ時系列データ、または、センサの検出値の信号波形を表す画像データであってもよい。

学習済モデルＬＭ１の出力は、対象者の健康状態を示すクラスである。クラスは、一例として、「良好」、「普通」、「要観察」のいずれかを示す。また、クラスは、一例として、糖尿病等の所定の病状のステージを示してもよい。また、クラスは、一例として、対象者が疾患していると推定される病状の種別を示してもよい。

また、クラスは、一例として、対象者の栄養状態を示す。クラスは、例えば、１または複数の栄養素が足りているかを示す。より具体的には、クラスは、例えば、ファイバー（食物繊維）が不足しているか否か、および水分が不足しているか否かを示す。この場合、クラスは、例えば、「ファイバーＯＫ・水分ＯＫ」、「ファイバーＯＫ・水分ＮＧ」、「ファイバーＮＧ・水分ＯＫ」、「ファイバーＮＧ・水分ＮＧ」の４種類のいずれかである。「ファイバーＯＫ・水分ＯＫ」は、ファイバーと水分とが共に問題ない旨を示す。「ファイバーＯＫ・水分ＮＧ」は、ファイバーは足りているが水分が不足している旨を示す。「ファイバーＮＧ・水分ＯＫ」は、水分は足りているがファイバーが不足している旨を示す。「ファイバーＮＧ・水分ＮＧ」は、ファイバーと水分とが共に不足している旨を示す。

プロセッサ２１は、センサ群１１の検出値の時系列を表す検出データ、および学習済モデルＬＭ１を用いて、健康状態を推定する推定処理を実行する。

（学習済モデル）
図６は、本実施形態に係る学習済モデルＬＭ１の一例を模式的に示した図である。図示の通り、学習済モデルＬＭ１には入力データが入力される。学習済モデルＬＭ１は、例えば、畳み込み層と、プーリング層と、結合層とから成る。畳み込み層において、入力データはフィルタリングによる情報の畳み込みがなされる。畳み込みを経たデータは、プーリング層においてプーリング処理が施される。これにより、データ中の特徴の位置変化に対するモデルの認識能力が向上する。プーリング処理を経たデータは、結合層で処理されることによって、学習済モデルＬＭ１の出力データ、すなわち、健康状態の推定結果の形式に変換されて出力される。

すなわち、学習済モデルＬＭ１に入力された入力データを、図６に示す各層をこれらの順に通過させることにより、健康状態の推定結果が出力される。なお、推定結果の出力形式は特に限定されない。例えば、健康状態はテキストデータで示されてもよい。

＜健康状態推定方法の流れ＞
図７は、情報処理装置２０が行う健康状態推定方法Ｍ１の流れを例示するフロー図である。なお、一部のステップは並行して、または、順序を替えて実行されてもよい。

（ステップＳ１０１）
ステップＳ１０１において、プロセッサ２１は、通信ＩＦ２５を介してセンサ群１１の検出値を受信する。受信された検出値は二次メモリ２３に時系列に蓄積される。

（ステップＳ１０２）
ステップＳ１０２において、プロセッサ２１は、センサモジュール１０から受信した検出値に基づき、対象者がセンサモジュール１０を装着しているかを判定する。この判定は例えば、温湿度センサ１１２により検出される温度が閾値以上であるか否かを判定することにより行われる。例えば、温湿度センサ１１２が検出した温度が閾値以上である場合、プロセッサ２１は、センサモジュール１０が対象者により装着されていると判定する。一方、温湿度センサ１１２が検出した温度が閾値未満である場合、プロセッサ２１は、センサモジュール１０が対象者により装着されていないと判定する。なお、ステップＳ１０２の判定方法はこれに限定されるものではなく、他の種々の手法が採用され得る。

対象者がセンサモジュール１０を装着していると判定した場合（ステップＳ１０２；ＹＥＳ）、プロセッサ２１はステップＳ１０３の処理に進む。一方、対象者がセンサモジュール１０を装着していないと判定した場合（ステップＳ１０２；ＮＯ）、プロセッサ２１はステップＳ１０１の処理に戻る。

（ステップＳ１０３）
ステップＳ１０３において、プロセッサ２１は、センサ群１１の検出値の時系列を表す検出データを学習済モデルＬＭ１に入力し、学習済モデルＬＭ１から出力される健康状態の推定結果を取得することにより、対象者の健康状態を推定する。本実施形態では特に、プロセッサ２１は、検出データおよび学習済モデルＬＭ１を用いて対象者の栄養状態を推定する。対象者の栄養状態を示す情報は例えば、ファイバー（食物繊維）が足りているか否かを示す情報、および／または水分が足りているか否かを示す情報を含む。

（ステップＳ１０４）
ステップＳ１０４において、プロセッサ２１は、健康状態を示す情報を出力する。一例として、プロセッサ２１は、健康状態を示す情報をディスプレイ等に出力する。

図８は、ディスプレイに表示される画面ＳＣ１を例示した図である。画面ＳＣ１には、対象者の名前および識別情報（ＩＤ）等を含む情報Ｉｍｇ１１が表示されるとともに、対象者の健康状態を示す情報Ｉｎｆ１２が表示される。

対象者を介護する介護者等は、ディスプレイに表示される情報を確認することにより、対象者の健康状態を把握することができる。介護者等は対象者の健康状態を把握することで、対象者にどういった投薬をすればよいかを判断したり、対象者の健康状態を今後の食事内容に反映させたりすることができる。

また、プロセッサ２１は、学習済モデルＬＭ１の出力に基づき、対象者に対して推奨する献立等の、対象者の健康状態を改善するための情報を特定してもよい。この場合、一例として、プロセッサ２１は、複数の献立の中から、学習済モデルＬＭ１の出力に対応する献立をルールベースで選択してもよい。また、一例として、プロセッサ２１は、栄養状態を示す情報から献立の種類を示すクラスを導出する学習済モデルを用いて、対象者に適する献立を推定してもよい。

＜本実施形態の効果＞
以上説明したように本実施形態によれば、センサモジュール１０は、ガスセンサ１１１の検出値および温湿度センサ１１２の検出値を無線通信により情報処理装置２０に送信する。センサ群１１の検出値を無線通信で送信するため、センサモジュール１０を他の装置と有線接続する必要がなく、日常生活における対象者等の負担を軽減することができる。また、本実施形態によれば、温湿度センサ１１２の検出値を情報処理装置２０に送信するため、対象者の健康状態をより精度よく推定することができる。

また、本実施形態によれば、センサ群１１の検出値の時系列を表す検出データを機械学習させた学習済モデルＬＭ１を用いて、情報処理装置２０が対象者の健康状態を推定する処理を実行する。情報処理装置２０は、センサ群１１の検出値の時系列を表す検出データを学習済モデルＬＭ１に入力することにより、対象者の健康状態を推定する。これにより、対象者の健康状態の推定精度を高くすることができる。

〔実施形態２〕
本発明の他の実施形態について、以下に説明する。なお、説明の便宜上、上記実施形態にて説明した部材と同じ機能を有する部材については、同じ符号を付記し、その説明を繰り返さない。

実施形態２に係る健康管理システム１Ｂは、実施形態１に係る情報処理装置２０に代えて、情報処理装置２０Ｂを備える。情報処理装置２０Ｂは、図５に示した情報処理装置２０と同様の構成を有する。換言すると、情報処理装置２０Ｂは、プロセッサ２１、一次メモリ２２、二次メモリ２３、入出力ＩＦ２４、および通信ＩＦ２５を備える。これらの構成要素は上述の実施形態１のそれらと同様であり、その説明を繰り返さない。

情報処理装置２０Ｂの二次メモリ２３は、健康状態推定プログラムＰ１および学習済モデルＬＭ１に加えて、学習済モデル生成プログラムＰ２および学習用データセットＬＤ１を記憶する。プロセッサ２１は、二次メモリ２３に格納されている学習済モデル生成プログラムＰ２を一次メモリ２２上に展開する。そして、プロセッサ２１は、一次メモリ２２上に展開された学習済モデル生成プログラムＰ２に含まれる命令に従って、学習済モデル生成方法Ｍ２に含まれる各ステップを実行する。学習用データセットＬＤ１は、学習済モデル生成方法Ｍ２をプロセッサ２１が実行する際に利用される。なお、学習済モデル生成プログラムＰ２が二次メモリ２３に格納されているとは、ソースコード、または、ソースコードをコンパイルすることにより得られた実行形式ファイルが二次メモリ２３に記憶されていることを指す。

（学習済モデル生成方法の流れ）
図９は、情報処理装置２０Ｂが行う学習済モデル生成方法Ｍ２の流れを例示するフロー図である。なお、一部のステップは並行して、又は、順序を替えて実行されてもよい。

（ステップＳ２０１）
ステップＳ２０１において、プロセッサ２１は、学習用データセットＬＤ１を収集する。学習用データセットＬＤ１は、学習済モデルＬＭ１の生成処理において用いられる教師データの集合である。教師データは、センサ群１１の検出値の時系列を示す検出データと、対象者の健康状態を示すクラスとを組み合わせたデータである。

学習用データセットＬＤ１に含まれる検出データは、対象者により装着されたセンサモジュール１０が出力する検出値の時系列を示すデータである。対象者の健康状態を示すクラスは、一例として、医療従事者が対象者の血液検査の検査結果等に基づき対象者を診察した結果である。クラスは、一例として、「良好」、「普通」または「要観察」を示す。

また、クラスは、一例として、対象者の栄養状態を示す。クラスは、例えば、１または複数の栄養素が足りているかを示す。より具体的には、クラスは、例えば、ファイバー（食物繊維）が不足しているか否か、および水分が不足しているか否かを示す。この場合、クラスは、例えば、「ファイバーＯＫ・水分ＯＫ」、「ファイバーＯＫ・水分ＮＧ」、「ファイバーＮＧ・水分ＯＫ」、「ファイバーＮＧ・水分ＮＧ」の４種類のいずれかである。

プロセッサ２１は、検出データに時刻情報を付して所定の記憶装置（例えば、二次メモリ２３）に蓄積するとともに、対象者の健康状態を示すクラスに時刻情報を付して所定の記憶装置に蓄積する。プロセッサ２１は、ひとりの対象者についての検出データとクラスとを収集してもよく、複数の対象者の検出データとクラスとを収集してもよい。

（ステップＳ２０２）
ステップＳ２０２において、プロセッサ２１は、検出データと、その検出データが属するクラスとを用いて、検出データとクラスとの相関関係を機械学習させた学習済モデルを生成する生成処理を実行する。本動作例では、プロセッサ２１は、時刻情報に基づき対応付けられる検出データとクラスとの組を上記記憶装置から読み出し、読み出した検出データとクラスとの相関関係を機械学習させた学習済モデルＬＭ１を生成する。

また、情報処理装置２０Ｂは、健康状態の推定処理を実行する。情報処理装置２０Ｂが実行する健康状態の推定処理は、上述の実施形態１に係る情報処理装置２０が実行する健康状態の推定処理と同様であり、ここではその説明を省略する。

＜実施形態の効果＞
以上説明したように本実施形態によれば、情報処理装置２０Ｂは、検出データとクラスとを用いて学習済モデルＬＭ１を生成する。情報処理装置２０Ｂが学習済モデルＬＭ１を用いることにより、対象者の健康状態をより精度よく推定することができる。

また、本実施形態によれば、センサモジュール１０を装着した対象者の排泄物に関する情報を、センサモジュール１０を用いて収集する。センサモジュール１０はセンサ群１１の検出値を無線通信で送信するため、センサモジュール１０を他の装置と有線接続する必要がなく、装着が容易である。そのため、例えばトイレに移動することが困難な要介護度の高い被介護者等にも装着させることができ、そのような被介護者からも検出データを収集することができる。このように、本実施形態によれば、要介護度の高い被介護者等の様々な対象者の検出データを、トイレに誘導したりすることなく、容易に収集することができる。

〔実施形態３〕
本発明の他の実施形態について、以下に説明する。なお、説明の便宜上、上記実施形態にて説明した部材と同じ機能を有する部材については、同じ符号を付記し、その説明を繰り返さない。

図１０は、実施形態３に係る健康管理システム１Ｃの構成を概略的に示す図である。健康管理システム１は、センサモジュール１０、情報処理装置２０Ｃ、情報処理装置２０Ｄ、情報処理装置３０、およびユーザ端末４０を含む。

情報処理装置２０Ｃは、センサモジュール１０からセンサ群１１の検出値を無線通信により受信する機能を備える。また、情報処理装置２０Ｃは、対象者の健康状態等の各種の情報を表示する機能を備える。情報処理装置２０Ｃは、一例として、対象者の病室または保育室等の対象者の居室の入り口に設置される。情報処理装置２０Ｄは、クラウドサーバ等のサーバ装置であり、センサモジュール１０から出力される検出値に基づき対象者の健康状態を推定する機能を備える。

情報処理装置３０およびユーザ端末４０は、対象者の健康状態の推定結果が通知される装置である。情報処理装置３０は、一例として、病棟のナースステーションに設置された端末である。ユーザ端末４０は、一例として、対象者を介護する介護者または対象者を保育する保育者が所有する端末である。

センサモジュール１０と情報処理装置２０Ｃとは通信路Ｎ１を介して接続される。通信路Ｎ１は、無線通信の伝送経路であり、例えばBluetooth（登録商標）の無線伝送経路である。図１には、図面が煩雑になるのを防ぐため、センサモジュール１０および情報処理装置２０をそれぞれ１台ずつ図示しているが、複数のセンサモジュール１０および／または複数の情報処理装置２０が健康管理システム１Ｃに含まれていてもよい。

情報処理装置２０Ｃ、情報処理装置２０Ｄ、情報処理装置３０、およびユーザ端末４０は、ネットワークＮ２を介して接続される。ネットワークＮ２は、例えば有線ＬＡＮ（Local Area Network）、無線ＬＡＮ、インターネット、又はこれらの組み合わせであってもよい。

情報処理装置２０Ｃおよび情報処理装置２０Ｄは、図５に示した情報処理装置２０と同様の構成を有する。情報処理装置２０Ｃおよび情報処理装置２０Ｄは、図５に示した情報処理装置２０と同様の構成を有する。換言すると、情報処理装置２０Ｃおよび情報処理装置２０Ｄは、プロセッサ２１、一次メモリ２２、二次メモリ２３、入出力ＩＦ２４、および通信ＩＦ２５を備える。これらの構成要素は上述の実施形態１のそれらと同様であり、その説明を繰り返さない。

情報処理装置２０Ｄの二次メモリ２３は、情報処理装置２０Ｂと同様に、健康状態推定プログラムＰ１および学習済モデルＬＭ１に加えて、学習済モデル生成プログラムＰ２および学習用データセットＬＤ１を記憶する。

また、情報処理装置２０Ｄの二次メモリ２３には、更に、学習済モデル生成プログラムＰ３および学習済モデルＬＭ２が格納されている。プロセッサ２１は、二次メモリ２３に格納されている学習済モデル生成プログラムＰ３及び学習済モデルＬＭ２を一次メモリ２２上に展開する。そして、プロセッサ２１は、一次メモリ２２上に展開された学習済モデル生成プログラムＰ３に含まれる命令に従って、学習済モデル生成方法Ｍ３に含まれる各ステップを実行する。一次メモリ２２上に展開された学習済モデルＬＭ２は、学習済モデル生成方法Ｍ３をプロセッサ２１が実行する際に利用される。なお、学習済モデル生成プログラムＰ３が二次メモリ２３に格納されているとは、ソースコード、または、ソースコードをコンパイルすることにより得られた実行形式ファイルが二次メモリ２３に記憶されていることを指す。また、学習済モデルＬＭ２が二次メモリ２３に格納されているとは、学習済モデルＬＭ２を規定するパラメータが二次メモリ２３に格納されていることを指す。

学習済モデルＬＭ２は、センサ群１１の検出値の時系列を表す検出データから、排泄物の種類を示す出力データを導出する。学習済モデルＬＭ２は、検出データに基づいて排泄物の種類を示すデータを生成可能な任意の機械学習モデルであり得る。学習済モデルＬＭ２は、センサ群の検出値の時系列を表す検出データと、排泄物の種類を示すクラスとの組み合わせの集合を学習用データセットとする教師あり機械学習により構築された学習済モデルである。学習済モデルＬＭ２は例えば、ＣＮＮ、ＲＮＮ、ＬＳＴＭ、ＤＮＮ、またはこれらの組み合わせで実現可能である。

学習済モデルＬＭ２の入力は、センサ群１１の検出値の時系列を表す検出データである。検出データは例えば、センサの検出値（例えば、ガスの濃度および温度）が時系列に並んだ時系列データ、または、センサの検出値の信号波形を表す画像データであってもよい。

学習済モデルＬＭ２の出力データは、排泄物の種類を示すデータである。排泄物の種類は、一例として、大便、小便、またはガス（屁）を示すデータを含む。また、排泄物の種類を示すデータは、排泄物の特性（硬い／軟らかい）を示すデータを含んでいてもよい。

＜健康状態推定方法の流れ＞
図１１は、健康管理システム１Ｃが行う健康状態推定方法Ｍ４の流れを例示するシーケンス図である。健康状態推定方法Ｍ４は、センサモジュール１０を対象者の着用物に装着し、センサ群１１の検出値に基づき対象者の排便の検知および対象者の健康状態の推定の少なくともいずれか一方を行う方法の一例である。なお、図１１に示す一部のステップは並行して、または、順序を替えて実行されてもよい。

（ステップＳ３０１）
ステップＳ３０１において、センサモジュール１０は、センサ群１１の検出値を無線通信により送信する。情報処理装置２０Ｃはセンサモジュール１０が出力した検出値を受信する。

（ステップＳ３０２）
ステップＳ３０２において、情報処理装置２０Ｃは、センサモジュール１０から受信した検出値を、ネットワークＮ２を介して情報処理装置２０Ｄに送信する。情報処理装置２０Ｃは、検出値をセンサモジュール１０から受信する毎にその都度受信した検出値を情報処理装置２０Ｄに送信してもよく、また、センサモジュール１０から受信した検出値を自装置のメモリに一旦蓄積しておき、所定のタイミングで蓄積された検出値を情報処理装置２０Ｄに送信してもよい。情報処理装置２０Ｄは情報処理装置２０Ｃから検出値を受信する。

（ステップＳ３０３）
ステップＳ３０３において、情報処理装置２０Ｄのプロセッサ２１は、センサ群１１の検出値の時系列を表す検出データおよび学習済モデルＬＭ１を用いて、健康状態を推定する推定処理を実行する。

（ステップＳ３０４）
ステップＳ３０４において、プロセッサ２１は、センサ群１１の検出値の時系列を表す検出データおよび学習済モデルＬＭ２を用いて、排泄物の種類を推定する推定処理を実行する。

（ステップＳ３０５）
ステップＳ３０５において、情報処理装置２０Ｄは、健康状態の推定結果および排泄物の種類の推定結果を示す推定結果データを情報処理装置３０に送信する。情報処理装置３０は情報処理装置２０Ｄから推定結果データを受信する。なお、情報処理装置２０Ｄは、推定結果データを情報処理装置３０に送信するのに加えて、情報処理装置２０Ｃに推定結果データを送信してもよい。

（ステップＳ３０６）
ステップＳ３０６において、情報処理装置３０は、推定結果データをユーザ端末４０に送信する。ユーザ端末４０は、推定結果データの示す推定結果をディスプレイに表示する。また、情報処理装置２０Ｄが推定結果データを情報処理装置２０Ｃにも送信した場合、情報処理装置２０Ｃは、推定結果を自装置のディスプレイに表示してもよい。

図１２は、ユーザ端末４０のディスプレイに表示される画面ＳＣ２を例示した図である。画面ＳＣ２には、対象者の名前および識別情報（ＩＤ）等を含む情報Ｉｍｇ１１が表示されるとともに、対象者の健康状態を示す情報Ｉｎｆ１２が表示される。また、画面ＳＣ２には、対象者が排泄したと推定される排泄物の種類を示す情報Ｉｎｆ１３が表示される。また、図１２の画面において、温湿度センサ１１２の検出結果、すなわち対象者の体温も表示してもよい。

本実施形態によれば、対象者を介護する介護者等は、ディスプレイに表示される情報を確認することにより、対象者の健康状態および排泄の有無等を把握することができる。介護者等は、対象者の健康状態を対象者の今後の投薬の内容および今後の食事の内容に反映させたり、対象者の排泄ケアの要否を把握したりすることができる。

また、対象者の体温が表示されることにより、介護者等は対象者の健康状態をより把握し易い。例えばインフルエンザ等の感染症が流行している時期において、対象者にセンサモジュール１０を装着させておくだけで、対象者の体温を別途測定することなく、対象者の体温および健康状態を管理することができる。

上記実施形態では、情報処理装置２０Ｄが推定結果データを情報処理装置３０に送信し、情報処理装置３０が推定結果データをユーザ端末４０に送信した。情報処理装置２０Ｄは、推定結果を情報処理装置３０を経由することなくユーザ端末４０に送信してもよい。

〔実施形態４〕
本発明の他の実施形態について、以下に説明する。なお、説明の便宜上、上記実施形態にて説明した部材と同じ機能を有する部材については、同じ符号を付記し、その説明を繰り返さない。

図１３は、実施形態４に係る健康管理システム１Ｄの構成を概略的に示す図である。健康管理システム１Ｄは、センサモジュール１０、中継装置２０Ｅ、情報処理装置２０Ｄ、情報処理装置３０、およびユーザ端末４０を含む。換言すると、健康管理システム１Ｄは、上述した実施形態３に係る健康管理システム１Ｄの情報処理装置２０Ｃに代えて中継装置２０Ｅを備える。

中継装置２０Ｅはセンサモジュール１０と情報処理装置２０Ｄとのデータの遣り取りを中継する装置である。中継装置２０Ｅは、一例として、対象者の病室または保育室等の対象者の居室に設置される。中継装置２０Ｅは、例えば、プロセッサ、一次メモリ、二次メモリ、通信ＩＦ、入出力ＩＦを備える。通信ＩＦはセンサモジュール１０と無線通信を行うための無線モジュールである。本実施形態では、センサモジュール１０が出力した検出値は、中継装置２０Ｅを介して情報処理装置２０Ｄに送信される。

本実施形態によれば、対象者を介護する介護者等は、ディスプレイに表示される情報を確認することにより、対象者の健康状態および排泄の有無等を把握することができる。介護者等は、対象者の健康状態を対象者の今後の投薬の内容および今後の食事の内容に反映させたり、対象者の排泄ケアの要否を把握したりすることができる。

〔付記事項〕
〔付記事項１〕
学習済モデルＬＭ１に入力する入力データに含まれるデータは、上述した各実施形態で示したものに限られない。入力データは、他のデータを含んでいてもよい。一例として、入力データは、対象者が摂取した食事内容を表す食事データを含んでもよい。この場合、学習済モデルＬＭ１は、検出データおよび食事データを含む入力データから、出力データを導出する。また、この場合、プロセッサ２１が実行する推定処理は、検出データ、食事データおよび学習済モデルＬＭ１を用いて健康状態を推定する処理である。

食事データは、一例として、対象者が摂取した栄養素の種別および量を示す情報を含んでもよく、また、対象者が摂取した食事のメニューを示す情報を含んでもよい。また、食事データは、一例として、対象者が摂取した食事のメニューを表す画像やメニューを撮影した画像を表すデータを含んでもよい。

〔付記事項２〕
また、入力データは、一例として、対象者の属性を示す情報を含んでいてもよい。対象者の属性を示す情報は、例えば、対象者の性別、対象者の居室、年代、要介護度、疾患の種類、または病状のステージを示す情報を含む。

また、入力データは、一例として、対象者に対する投薬に関する情報を含んでいてもよい。投薬に関する情報は、例えば、薬の種類、投薬した量、投薬したタイミングを示す情報を含む。投薬に関する情報は、一例として、下剤を投薬したタイミングを示す情報を含んでもよい。

〔付記事項３〕
プロセッサ２１は、上述の各実施形態において、対象者毎に学習済モデルＬＭ１を構築し、各対象者に対応する学習済モデルＬＭ１を用いて各対象者の健康状態を推定してもよい。この場合、センサモジュール１０の送信部１２は、センサ群１１の検出値およびセンサモジュール１０を識別する識別情報を無線通信により送信する。

プロセッサ２１は、センサ群１１の検出値と識別情報とを受信すると、受信した識別情報に対応する学習済モデルＬＭ１に、センサ群１１の検出値の時系列を表す検出データを用いて対象者の健康状態を推定する。学習済モデルＬＭ１の推定フェーズにおいては、プロセッサ２１は、対象者毎に蓄積された検出データとクラスとを用いて、対象者毎の学習済モデルＬＭ１を構築する。

〔付記事項４〕
上述の実施形態では、プロセッサ２１は、ひとつの学習済モデルＬＭ１を用いて対象者の健康状態を推定した。プロセッサ２１は、複数の学習済モデルＬＭ１を用いて対象者の健康状態を推定してもよい。

一例として、プロセッサ２１は、第１の学習済モデルＬＭ１１と、第２の学習済モデルＬＭ１２と、の２つの学習済モデルを用いて対象者の健康状態を推定してもよい。第１の学習済モデルＬＭ１１および第２の学習済モデルＬＭ１２の入力はともに、センサ群の検出値の時系列を表す検出データである。一方、第１の学習済モデルＬＭ１１の出力は、ファイバーが不足しているか否かを示すクラスである。また、第２の学習済モデルＬＭ１２の出力は、水分が不足しているか否かを示すクラスである。

この場合、プロセッサ２１は、検出データを第１の学習済モデルＬＭ１１に入力して得られる、ファイバーが不足しているか否かを示す情報と、検出データを第２の学習済モデルＬＭ１２に入力して得られる、水分が不足しているか否かを示す情報とを、ディスプレイに表示させる等して出力する。介護者等は、ディスプレイに表示される情報を確認することにより、対象者についてファイバーが不足しているか否か、および、水分が不足しているか否かを把握することができる。介護者等は対象者の栄養状態を把握することにより、対象者にどういった投薬をすればよいかを判断したり、対象者の栄養状態を今後の食事内容に反映させたりすることができる。

また、プロセッサ２１は、第１の学習済モデルＬＭ１１の出力と第２の学習済モデルＬＭ１２の出力とに基づき、対象者に対して推奨する献立等、対象者の健康状態を改善するための情報を特定してもよい。この場合、一例として、プロセッサ２１は、複数の献立の中から、第１の学習済モデルＬＭ１１の出力と第２の学習済モデルＬＭ１２の出力との組み合わせに対応する献立をルールベースで選択してもよい。また、一例として、プロセッサ２１は、栄養状態を示す情報から献立の種類を示すクラスを導出する学習済モデルを用いて、対象者に適した献立を推定してもよい。

〔付記事項５〕
上述の各実施形態における情報処理装置２０、情報処理装置２０Ｂの機能は、複数の装置により実現されてもよく、また、複数の装置が協働することにより実現されてもよい。例えば、推定処理を実行する第１の装置と、学習済モデルＬＭ１を生成する生成処理を実行する第２の装置とが別体の装置として構成され、第１の装置と第２の装置とが協働することにより上述の情報処理装置２０Ｂが実現されてもよい。この場合、換言すると、第２の装置（情報処理装置の一例）は、コントローラと、メモリと、通信部と、を備え、通信部は、センサモジュール１０から出力されたセンサ群１１の検出値を受信し、コントローラは、センサ群１１の検出値の時系列を表す検出データと、対象者の健康状態を表すクラスとを用いて、検出データとクラスとの相関関係を機械学習させた学習済モデルＬＭ１を生成する生成処理、を実行する。

〔付記事項５〕
センサモジュール１０のセンサ群１１に含まれるセンサは、上述した各実施形態で示したものに限られない。センサ群１１は、例えば、温湿度センサ１１２に代えて、温度センサおよび／または湿度センサを含んでいてもよい。また、センサ群１１は、加速度センサを含んでいてもよい。加速度センサは、加速度を検出するセンサであり、一例として、対象者のつま先から頭方向の軸（体軸）に対する角加速度、又は体軸方向の直線加速度を検出する。センサ群１１が加速度センサを含んでいる場合、ガスセンサ１１１は、加速度センサよりも開口部１６１に近い位置に配置されていてもよい。また、温湿度センサ１１２は、加速度センサよりも開口部１６１に近い位置に配置されていてもよい。

〔ソフトウェアによる実現例〕
情報処理装置２０、２０Ｂ、２０Ｃ、２０Ｄ、情報処理装置３０、およびユーザ端末４０の制御ブロックは、集積回路（ＩＣチップ）等に形成された論理回路（ハードウェア）によって実現してもよいし、ソフトウェアによって実現してもよい。

後者の場合、情報処理装置２０、２０Ｂ、２０Ｃ、２０Ｄ、情報処理装置３０、およびユーザ端末４０は、各機能を実現するソフトウェアであるプログラムの命令を実行するコンピュータを備えている。このコンピュータは、例えば１つ以上のプロセッサを備えていると共に、上記プログラムを記憶したコンピュータ読み取り可能な記録媒体を備えている。そして、上記コンピュータにおいて、上記プロセッサが上記プログラムを上記記録媒体から読み取って実行することにより、本発明の目的が達成される。上記プロセッサとしては、例えばＣＰＵ（Central Processing Unit）を用いることができる。上記記録媒体としては、「一時的でない有形の媒体」、例えば、ＲＯＭ（Read Only Memory）等の他、テープ、ディスク、カード、半導体メモリ、プログラマブルな論理回路などを用いることができる。また、上記プログラムを展開するＲＡＭ（Random Access Memory）などをさらに備えていてもよい。また、上記プログラムは、該プログラムを伝送可能な任意の伝送媒体（通信ネットワークや放送波等）を介して上記コンピュータに供給されてもよい。なお、本発明の一態様は、上記プログラムが電子的な伝送によって具現化された、搬送波に埋め込まれたデータ信号の形態でも実現され得る。

本発明は上述した各実施形態に限定されるものではなく、請求項に示した範囲で種々の変更が可能であり、異なる実施形態にそれぞれ開示された技術的手段を適宜組み合わせて得られる実施形態についても本発明の技術的範囲に含まれる。

１ 健康管理システム
１０ センサモジュール
１１ センサ群
１１１ ガスセンサ
１１２ 温湿度センサ
１２ 送信部
１３ コントローラ
１４ 電源
１５ 基板
１６ 筐体
２０ 情報処理装置
２１ プロセッサ
２２一次メモリ
２３ 二次メモリ
２４ 入出力ＩＦ
２５ 通信ＩＦ

Claims (9)

1. コントローラと、メモリと、通信部と、を備え、
   前記通信部は、
   排泄物に関する情報を検出するセンサと、前記センサの検出値を送信する送信部とを備えるセンサモジュールであって対象者に装着されて用いられるセンサモジュールが送信した前記センサの検出値を受信し、
   前記メモリは、
   前記センサの検出値の時系列を表す検出データから、前記対象者の健康状態を示す出力データを導出する学習済モデルを記憶し、
   前記コントローラは、
   前記検出データおよび前記学習済モデルを用いて前記健康状態を推定する推定処理、を実行する、
   ことを特徴とする情報処理装置。
2. 前記学習済モデルは、前記検出データから、前記対象者の栄養状態を示す出力データを導出し、
   前記推定処理においては、前記コントローラは、前記検出データおよび前記学習済モデルを用いて前記栄養状態を推定する、
   請求項１に記載の情報処理装置。
3. 前記学習済モデルは、前記センサの検出値の時系列を表す検出データと、前記健康状態を表すクラスとの組み合わせの集合を学習用データセットとする教師あり機械学習により構築されたものである、
   ことを特徴とする請求項１または２に記載の情報処理装置。
4. 前記通信部は、
   前記対象者が摂取した食事内容を表す食事データを受信し、
   前記学習済モデルは、前記検出データおよび前記食事データを含む入力データから、前記出力データを導出し、
   前記推定処理は、前記検出データ、前記食事データおよび前記学習済モデルを用いて前記健康状態を推定する処理である、
   請求項１～３のいずれか１項に記載の情報処理装置。
5. 前記コントローラは、
   前記センサの検出値の時系列を表す検出データと、前記対象者の健康状態を表すクラスとを用いて、前記検出データと前記クラスとの相関関係を機械学習させた学習済モデルを生成する生成処理、を更に実行する、
   請求項１～４のいずれか１項に記載の情報処理装置。
6. コントローラと、メモリと、通信部と、を備え、
   前記通信部は、
   排泄物に関する情報を検出するセンサと、前記センサの検出値を送信する送信部とを備えるセンサモジュールであって対象者に装着されて用いられるセンサモジュールが送信した前記センサの検出値を受信し、
   前記コントローラは、
   前記センサの検出値の時系列を表す検出データと、前記対象者の健康状態を表すクラスとを用いて、前記検出データと前記クラスとの相関関係を機械学習させた学習済モデルを生成する生成処理、を実行する、
   ことを特徴とする情報処理装置。
   
7. 前記コントローラは、
   予め定められたプログラムに従って前記各処理を実行する少なくとも１つのプロセッサと、
   前記プログラムを格納した少なくとも１つのメモリと、を備えている、
   ことを特徴とする請求項１～６までの何れか１項に記載の情報処理装置。
8. 請求項１～７の何れか１項に記載の情報処理装置を制御するプログラムであって、前記コントローラに前記各処理を実行させることを特徴とするプログラム。
9. 対象者が装着して用いるセンサモジュールと、前記対象者の健康状態を推定する情報処理装置と、を備え、
   前記センサモジュールは、
   排泄物に関する情報を検出するセンサと、
   前記センサの検出値を送信する送信部と、
   を備え、
   前記情報処理装置は、
   コントローラと、メモリと、通信部と、を備え、
   前記通信部は、
   前記センサモジュールが送信した前記センサの検出値を受信し、
   前記メモリは、
   前記センサの検出値の時系列を表す検出データから、前記対象者の健康状態を示す出力データを導出する学習済モデルを記憶し、
   前記コントローラは、
   前記検出データおよび前記学習済モデルを用いて前記健康状態を推定する推定処理、を実行する、
   ことを特徴とするシステム。

Images