JP4785975B1 - 動作判別装置、動作判別方法、及び動作判別コンピュータ・プログラム - Google Patents
動作判別装置、動作判別方法、及び動作判別コンピュータ・プログラム Download PDFInfo
- Publication number
- JP4785975B1 JP4785975B1 JP2010073075A JP2010073075A JP4785975B1 JP 4785975 B1 JP4785975 B1 JP 4785975B1 JP 2010073075 A JP2010073075 A JP 2010073075A JP 2010073075 A JP2010073075 A JP 2010073075A JP 4785975 B1 JP4785975 B1 JP 4785975B1
- Authority
- JP
- Japan
- Prior art keywords
- motion
- determination
- output
- discrimination
- detection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Invalid Beds And Related Equipment (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Accommodation For Nursing Or Treatment Tables (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
【解決手段】 本発明に係る動作判別装置は、複数の第1の検知領域の各々における対象の動作によって異なるアナログ値を出力する第1の検知手段と、第2の検知領域における対象の動作によって異なるアナログ値を出力する第2の検知手段と、第1の検知手段から出力されたアナログ値を量子化された時系列データに加工するデータ加工手段と、時系列データに基づいて対象の動作の種類を判別する第1の動作判別モデルと、第2の検知手段から出力されたアナログ値に基づいて対象の存在の有無を判別する第2の動作判別モデルとを用いて、動作を判別した判別結果を出力する動作判別手段と、を含むことを特徴とする。第1の動作判別モデルは、時系列データを入力ノードへの入力とし、動作の種類を出力ノードからの出力とするニューラルネットワークである。
【選択図】 図1
Description
感圧センサ、荷重検知センサ、重量検出センサ、圧電センサ、加速度センサ等のセンサを単独で、又は他の生体信号検出装置と併せて利用した従来技術は、これらのセンサが対象の動作等を直接検知するものである。したがって、少数のセンサしか用いられない場合には、例えば患者等がベッドから離床したかしないかという、いわゆるオンオフ情報しか得られず、動作の種類並びにその方向及び速度等を判断することは困難である。対象の動作の種類並びにその方向及び速度等を精度よく検出できるようにするためには多数のセンサを用いる必要があるが、コストの上昇及びシステムの複雑性が問題になる。また、これらの技術は、センサが対象の動作や動きを直接検知するものであるため、仮に対象が検知範囲を避けて動作した場合には検知できないおそれがある。赤外線アクティブセンサを用いた従来技術も存在するが、この技術においても同様に、一定の範囲における患者等の動作の種類並びにその方向及び速度等を精度よく検出するためには、赤外線ビームの発光部及び受光部を多数設ける必要があるため、コストがかかるとともにシステムが複雑になる。少数のセンサしか用いないシステムの場合には、患者等が検知範囲を避けて行動した場合には対応できない。
図1は、本発明の一実施形態に係る動作判別システム100の基本的な構成を示すブロック図である。動作判別システム100は、焦電素子(検知素子)と焦電素子に取り付けられる又は被せられるレンズとを含む第1のセンサモジュール部(第1の検知手段)110と、第1のセンサモジュール部110から出力された連続的な電圧値すなわち電圧波形を受信し、受信した電圧波形を所定のレートでサンプリングするとともに、所定の時間幅で切り出したデータ(量子化された時系列データ)に加工するアナログ/デジタル変換部(データ加工手段)120と、加工されたデータを用いて動作判別を行う動作判別部(動作判別手段)131及び装置全体を制御する制御部132を含む解析・制御部130と、動作判別結果をデータサーバ150に送信する通信部140と、データサーバ150及びデータベース151と、データサーバ150から判別結果を受信する携帯端末等160とを含む。動作判別システム100は、さらに、患者等の存在の有無を検知して異なる電圧値を出力することができる素子を有する第2のセンサモジュール部170(第2の検知手段)を含む。
(処理の概要)
図2は、本発明の一実施形態に係る動作判別システム100による、第1のセンサモジュール部110によって検知される患者等の未知の動作をリアルタイムで判別するための処理の概略的なフロー図200である。焦電素子の種類、個数、位置、回転角度、感度、レンズの回転角度、種類、第1のセンサモジュール部110の設置角度等といった各種のセンサ条件がニューラルネットワークを用いて予め最適化された装置190が、患者等が寝ているベッドの頭上に設置される。図3は、患者等が寝ているベッド301の頭上に最適化された装置190が設置された状態を示す。このように設置された装置190の第1のセンサモジュール部110によって、ベッド301上の患者等の動作が検知され、動作の種類に対応する特徴が現れた電圧波形データが出力される(s201)。
図4は、本発明の一実施形態に係る最適化された装置190の外観(a)及び内部構成(b)を示す概略図である。本発明の一実施形態においては、装置190は、3つの受動センサ410、420、及び430を有する。受動センサ410〜430の各々は、それぞれ、レンズ111、112、113と、焦電素子115、116、117と、基板411、421、431とを含む。受動センサ410〜430の各々の検知領域は、それぞれのレンズ111〜113を適切に選択することにより、例えば以下のように設定することができる。
・受動センサ410;縦の検知領域が狭く、横の検知領域が広くなるレンズを用いて、起床時に患者等の上半身が横切るような検知領域を設定する(図5及び図8)
・受動センサ420;横の検知領域がベッドサイドをカバーするレンズを用いて、患者等のベッドからの転落を検知する領域を設定する(図6及び図8)
・受動センサ430;縦横の領域を広く検知するレンズを用いて、患者等のベッドからの離脱、すなわち離床を検知する領域を設定する(図7及び図8)
なお、本明細書においては、受動センサ410、420、430によって出力されるデータは、それぞれチャネル1(ch1)のデータ、チャネル2(ch2)のデータ、チャネル3(ch3)のデータということもある。
受動センサ410〜430から出力された、動作の特徴が現れた3チャネルの電圧波形は、アナログ/デジタル変換部120に入力され、第1の動作判別モデル135に入力するのに適した形態のデータに加工される(図2のs202)。図11は、第1のセンサモジュール部110の受動センサ410〜430の各々から出力された電圧波形を加工するための概略的な処理フロー図(a)と、加工後のデータの概念図(b)とを示す。図11(a)を参照すると、まず、連続的な電圧値(すなわち、電圧波形)が、受動センサ410〜430の各々から出力され(s1001)、アナログ/デジタル変換部120に入力される(s1002)。
図11(a)の処理によって得られた量子化された時系列データは、次いで、解析・制御部130の動作判別部131に入力される。図12は、動作判別部131の最適化された第1の動作判別モデル135及び時系列分析モデル136によって動作判別が行われる処理の概略的なフロー図である。処理が開始すると、まず、量子化された時系列データが、動作判別部131の最適化された第1の動作判別モデル135に入力され(s1101)、最適化された第1の動作判別モデル135による動作判別処理が行われた後(s1102)、判別結果が出力される(s1103)。
本発明の一実施形態においては、好ましくは、第1の動作判別モデル135としてニューラルネットワークが用いられる。図13は、本発明の一実施形態において最適化された第1の動作判別モデル135として用いられる多層ニューラルネットワークを概念的に示す。多層ニューラルネットワークは、2つ以上の層に配置されるニューロン又はノードと呼ばれる処理エレメント(図13において「N」と表記されている要素)の組からなる。多層ニューラルネットワークは、通常、入力層と出力層に挟まれた少なくとも1つの隠れた中間層が存在する。入力層は、提示された入力パターンによって中間層への出力の値が決定されるニューロンを有し、中間層は、入力層から出力された値によって出力層への値が決定されるニューロンを有し、出力層は、中間層からの出力によって最終的に出力される値すなわち判別結果が決定されるニューロンを有する。各々の層におけるニューロンへの入力は、前の層のニューロンの出力に依存する。したがって、多層ニューラルネットワークにおける所定のニューロンの出力は、そのニューロンへの入力の関数となる。
(1)wの初期値を0でないランダムな値に定める。
(2)学習データから1つのデータxをランダムに選んで入力し、現在のwの値を用いてニューラルネットワークの出力を計算し、判別結果を示す。
(3)判別結果が誤りの場合のみ、結果が正しくなる方向にw及び/又はθの値を修正する。
本発明の一実施形態においては、時系列分析モデル136は、第1の動作判別モデル135から出力された複数の判別結果、例えばN個の判別結果のうち、例えば起床と判別された回数がM回で、かつ、起床と連続的に判別された回数がL回のときに、起床と判断するように構成することができる。このN、M、及びLの数値は、判別しようとする動作を模擬した既知の動作に基づいて正しい判別結果が出力されるように予め調整される。すなわち、本発明において用いられる時系列分析モデルは最適化された時系列分析モデル136である。本発明の一実施形態においては、最適化された時系列分析モデル136のN、M、及びLの値は、N=30、M=20、L=10である。次いで、時系列分析モデル136から最終的な動作判別結果が出力され(s1107)、さらに処理すべき時系列データがあれば(s1108)、ステップはs1101に戻ってさらに動作判別が行われ、処理すべき時系列データがなければ動作判別処理は終了する。
図14は、図12のs1101〜s1108の処理をより詳細に説明するための本発明の一実施形態に係るフロー図である。この図に基づいて、例えば起床動作を判別する際の処理の詳細を説明する。まず、電圧波形から0.1秒ごとにサンプリングされた3.9秒間の39個/ch(117個/3ch)の時系列データ(電圧値)が解析・制御部130によって取得され、例えば解析・制御部130に設けられた記憶手段(メモリ)133に蓄積される(s1301)。次いで、解析・制御部130は、各々のチャネルの最新の0.1秒のデータを取得し、そのデータを3.9秒間の39個/chデータの後に付加して、40個/ch×3ch(すなわち、1ケース)のデータを生成する(s1302)。これらのデータは、40個(1ch)−40個(2ch)−40個(3ch)のようにチャネル順に並べられた時系列データ(図10(b)を参照)として構成され、第1の動作判別モデル135に入力される。
上述の第1の動作判別モデル135及び時系列分析モデル136によって起床であると判別された場合(s1306)、並びに、s1304において起床予兆ではないと判別された場合及びs1305において起床ではないと判別された場合には(s1307)、その判別結果は通信部140に送られ、通信部140から有線又は無線通信を介してデータサーバ150に送信される(s1308)。データサーバ150は、判別結果、その受信時刻、及び動作判別装置IDをデータベース151に格納する(s1309)とともに、判別結果を携帯端末等160に通知する(s1310)。この通知は、起床と判別された場合にのみ行われるようにしても、判別の都度行われるようにしてもよい。
次いで、解析・制御部130が、記憶手段133に蓄積され上述のように動作判別に用いられた各々のチャネルの40個の電圧値のうち最も古い電圧値をチャネルごとに破棄した(s1310)後、処理はステップs1302に戻る。解析・制御部130は、次の新たな0.1秒の電圧値を各々のチャネルのデータに加えて、新たな40個/ch×3chのデータを生成し、再び記憶手段133に蓄積する。このように生成された新たなデータを用いて、s1302〜s1310の処理が再び行われる。
本発明は、患者等の異なる動作に応じた特徴が現れている、複数の受動センサから出力された電圧波形を動作判別モデルに入力し、動作を判別するものである。しかしながら、例えばセンサの個数やレンズの種類等といったセンサ条件が適切に設定されていない場合には、検知された動作の種類が異なってもそれぞれの動作の固有の特徴が電圧波形に良好に現れないこともあり、そのような電圧波形を動作判別モデルに入力しても正確な判別結果が得られないことになる。したがって、本発明においては、第1のセンサモジュール部110は、動作の種類に応じて生成される電圧波形にそれぞれの動作の固有の特徴が現れるように予め最適化される。本発明においては、この第1のセンサモジュール部110の最適化には、ニューラルネットワークが用いられる。
本発明は、上述のように、患者等の異なる動作に応じた特徴が現れている複数の受動センサ410〜430から出力された電圧波形を第1の動作判別モデル135に入力するとともに、第2のセンサモジュール部170から出力された電圧波形を第2の動作判別モデル180に入力し、それらの出力結果から動作を判別するものである。しかしながら、仮に最適化された第1のセンサモジュール部110によって検知され、患者等の異なる動作に応じた特徴が現れた電圧波形から生成されたデータが、第1の動作判別モデル135に入力された場合であっても、第1の動作判別モデル135のパラメータ条件が最適化されなければ、正確な判別結果が得られないことになる。したがって、本発明においては、動作の種類に応じてそれぞれの動作の固有の特徴が現れた電圧波形から生成された時系列データが入力された場合に、それぞれの動作の判別が高精度に可能となるように、予め最適化された第1の動作判別モデル135を用いる。
本発明の一実施形態においては、解析・制御部130の閾値判定手段137が、受動センサ410〜430の各々から出力される電圧値の大きさと所定の閾値との比較を行い、電圧値が所定の閾値より小さい場合には動作判別を行わないようにすることによって、動作判別の精度をより高めることができる。第1のセンサモジュール部110によってベッド301上の患者等の動作が検知されると、動作の種類に対応する電圧値が第1のセンサモジュール部110から出力される。本発明の一実施形態においては、第1のセンサモジュール部110には3個の受動センサ410〜430が設けられているため、第1のセンサモジュール部110からは3チャネルの電圧値が出力される。これらの電圧値は、判別されるべき動作が行われた場合以外にも出力されるため、そうした電圧値が多くなると、本来判別されるべき動作に特徴的な微妙な電圧波形が不要な電圧波形に紛れ、判別精度に悪影響が与えられることになる。そこで、本発明の一実施形態においては、判別されるべき動作が正しく判別されるように電圧値に対する所定の閾値を決定し、第1のセンサモジュール部110から出力される電圧値がその閾値を上回る場合のみ、第1の動作判別モデル135が動作判別を行うようにすることができる。
(第2の動作判別モデルによる処理)
これまでに説明したように、最適化された第1のセンサモジュール部110と最適化された第1の動作判別モデル135とを用いることにより、患者等のベッドからの起床、転落、及び離床といった動作の種類をリアルタイムかつ高精度に判別することができる。しかしながら、このシステムのみでは、患者等が特定の動作をした後にその状態が継続されていることを高精度に判別することが難しい場合がある。例えば、このシステムは、患者等がベッド上に寝ている状態から起き上がった動作を起床であると判別し、ベッドから降りて、ベッドを離れる動作を離床であると判別することは可能であるが、患者等が起床し、ベッドの端部から片足又は両足を床に降ろしてベッドに腰掛けた状態、すなわち端座位を維持した場合には、患者等がそのような動作を維持していることを精度よく判別することは難しい。そこで、本発明においては、図1に示されるように、第1のセンサモジュール部110とは別の第2のセンサモジュール部170と、第1の動作判別モデル135とは別の第2の動作判別モデル180とを設け、第2のセンサモジュール部170からの出力を第2の動作判別モデル180に入力し、第2の動作判別モデル180において検知領域内における患者等の存在の有無を判別することができるようにした。
ところで、第2のセンサモジュール170の光電変換素子から出力される基準電圧は、周辺環境の温度によって変化するという特性を有する。例えば、第2のセンサモジュール部170の検知領域に患者等の足が入ったことによって第2の動作判別モデル180が「端座位開始」と判別した後に、第2のセンサモジュール170が設置される場所の温度が上昇した場合には、基準電圧が高くなるため、検知領域から患者等の足が出たときに「端座位終了」を正確に検知することが困難となるおそれがある。そこで、本発明の別の実施形態においては、第2の動作判別モデル180には、第2のセンサモジュール170が設置される環境の温度変化を補償する機能を追加することができる。この処理のフロー図を図20及び図21に示す。
以上のように第2の動作判別モデル180は、端座位の開始及び終了を判別することができる。しかしながら、第2の動作判別モデル180のみでは、端座位が終了した後、患者等が足を上げて再びベッド上に戻ったのか、立ち上がってベッドから離れたのかを精度よく判別することが難しい場合がある。本発明の一実施形態においては、第3の動作判別モデル181をさらに設け、患者等がベッドから離れたのか(離床)、又はベッド上に戻ったのか(ベッドへの戻り)を精度よく判別可能とすることができる。
Claims (25)
- 対象の動作を判別するための最適化された動作判別装置であって、
複数の第1の検知領域の各々における対象の動作によって異なるアナログ値を出力する第1の検知手段であって、対象の既知の動作に対応して最適化前の第1の検知手段から出力されたアナログ値を時系列データに加工し、前記時系列データを入力ノードへの入力とし前記既知の動作の種類を出力ノードからの出力とするニューラルネットワークを用いて前記既知の動作に対応する判別結果を出力し、その判別結果に基づいて前記最適化前の第1の検知手段の条件を変更することを繰り返すことによって予め最適化された、第1の検知手段と、
第2の検知領域における前記対象の動作によって異なるアナログ値を出力する第2の検知手段と、
前記第1の検知手段から出力されたアナログ値を量子化された時系列データに加工するデータ加工手段と、
前記時系列データを入力ノードへの入力とし前記対象の動作の種類を出力ノードからの出力とする予め最適化されたニューラルネットワークを用いて前記対象の動作の種類を判別する第1の動作判別モデルと、前記第1の動作判別モデルの結果が所定の状態である場合に、前記第2の検知手段から出力されたアナログ値を用いて前記所定の状態の開始及び終了を判別する第2の動作判別モデルと、を用いて、前記対象の動作を判別した判別結果を出力する動作判別手段と、
を含む動作判別装置。
- 前記第1の動作判別モデルは、前記第1の検知手段を用いて対象の既知の動作に対応するアナログ値を取得する工程と、前記複数の第1の検知領域の各々における前記既知の動作に対応して出力された前記アナログ値を量子化された時系列データに加工する工程と、前記時系列データを前記ニューラルネットワークの入力ノードに入力して前記動作の種類を出力ノードから出力することによって前記既知の動作に対応する判別結果を出力する工程と、前記判別結果と前記既知の動作との比較に基づいて前記ニューラルネットワークのパラメータを調整する工程とを繰り返すことによって最適化された、請求項1に記載の動作判別装置。
- 前記第1の検知手段は、複数の検知素子と複数のレンズとを有する受動センサを含む、請求項1に記載の動作判別装置。
- 前記複数の検知素子は、デュアル素子、クワッド素子、又はそれらの組み合わせである、請求項3に記載の動作判別装置。
- 前記第1の検知手段の前記条件は、前記複数の検知素子の種類、個数、位置、感度、及び回転角度、前記複数の検知素子の各々に取り付けられる前記複数のレンズの種類及び回転角度、並びに、前記第1の検知手段の設置角度のうちの1つ又は複数の組み合わせである、請求項4に記載の動作判別装置。
- 前記第2の検知手段は、光電変換素子、熱電変換素子、若しくは焦電変換素子のいずれか又はこれらの組み合わせである、請求項1に記載の動作判別装置。
- 前記動作判別手段は時系列分析モデルをさらに含み、該時系列分析モデルは、前記第1の動作判別モデルによって判別された複数の判別結果の時系列的な関係に基づいて前記動作を判別し、判別結果を出力する、請求項1に記載の動作判別装置。
- 前記複数の判別結果の前記時系列的な関係は、順次出力される前記複数の判別結果のうちの所定の数について計算される、特定の動作として判別された判別結果の数とそれ以外の判別結果の数との割合、及び、特定の動作として判別された判別結果の連続個数である、請求項7に記載の動作判別装置。
- 前記動作判別手段によって出力された前記判別結果を携帯情報端末又は携帯情報端末に前記判別結果を通知するための装置に送信する通信手段をさらに含む、請求項1に記載の動作判別装置。
- 前記第1の検知手段から出力される前記アナログ値と所定の閾値とを比較する判定手段をさらに含み、前記アナログ値が前記所定の閾値より小さい場合には動作判別を行わないようにした、請求項1に記載の動作判別装置。
- 前記動作判別手段は、前記第1の検知手段によって出力されたアナログ値と前記第2の動作判別モデルによる判別結果とに基づいて、前記対象の前記動作を判別する第3の動作判別モデルをさらに含む、請求項1に記載の動作判別装置。
- 前記対象は被介護者、患者、又は高齢者であり、前記対象の前記動作は、前記被介護者、前記患者、又は前記高齢者のベッドからの起床、ベッドの端部における端座位、端座位からベッドへの戻り、及びベッドからの離脱のいずれかである、請求項1に記載の動作判別装置。
- 対象の動作を判別するように最適化された動作判別方法であって、
複数の第1の検知領域の各々における対象の動作によって異なるアナログ値を出力する第1の検知手段からのアナログ値を取得する第1のデータ取得ステップであって、前記第1の検知手段は、対象の既知の動作に対応して最適化前の第1の検知手段から出力されたアナログ値を時系列データに加工し、前記時系列データを入力ノードへの入力とし前記既知の動作の種類を出力ノードからの出力とするニューラルネットワークを用いて前記既知の動作に対応する判別結果を出力し、その判別結果に基づいて前記最適化前の第1の検知手段の条件を変更することを繰り返すことによって予め最適化されたものである、第1のデータ取得ステップと、
第2の検知領域における前記対象の動作によって異なるアナログ値を出力する第2の検知手段からのアナログ値を取得する第2のデータ取得ステップと、
前記第1のデータ取得ステップによって取得されたアナログ値を量子化された時系列データに加工するデータ加工ステップと、
前記時系列データを入力ノードへの入力とし前記対象の動作の種類を出力ノードからの出力とする予め最適化されたニューラルネットワークを用いて前記対象の動作の種類を判別する第1の動作判別モデルと、前記第1の動作判別モデルの結果が所定の状態である場合に、前記第2のデータ取得ステップによって取得されたアナログ値を用いて前記所定の状態の開始及び終了を判別する第2の動作判別モデルと、を用いて、前記対象の動作を判別し、判別結果を出力する、動作判別ステップと、
を含む動作判別方法。
- 前記第1の動作判別モデルは、前記第1の検知手段を用いて対象の既知の動作に対応するアナログ値を取得する工程と、前記複数の第1の検知領域の各々における前記既知の動作に対応して出力された前記アナログ値を量子化された時系列データに加工する工程と、前記時系列データを前記ニューラルネットワークの入力ノードに入力して前記動作の種類を出力ノードから出力することによって前記既知の動作に対応する判別結果を出力する工程と、前記判別結果と前記既知の動作との比較に基づいて前記ニューラルネットワークのパラメータを調整する工程とを繰り返すことによって最適化される、請求項13に記載の動作判別方法。
- 前記第1の検知手段は、複数の検知素子と複数のレンズとを有する受動センサを含む、請求項13に記載の動作判別方法。
- 前記複数の検知素子は、デュアル素子、クワッド素子、又はそれらの組み合わせである、請求項15に記載の動作判別方法。
- 前記第1の検知手段の前記条件は、前記複数の検知素子の種類、個数、位置、及び角度、前記複数の検知素子の各々に取り付けられる前記複数のレンズの種類及び角度、並びに、前記第1の検知手段の設置角度のうちの1つ又は複数の組み合わせである、請求項16に記載の動作判別方法。
- 前記第2の検知手段は、光電変換素子、熱電変換素子、若しくは焦電変換素子のいずれか又はこれらの組み合わせである、請求項13に記載の動作判別方法。
- 前記動作判別ステップは、前記第1の動作判別モデルによって判別された複数の判別結果の時系列的な関係に基づいて前記動作を判別し、判別結果を出力するステップをさらに含む、請求項13に記載の動作判別方法。
- 前記複数の判別結果の前記時系列的な関係は、順次出力される前記複数の判別結果のうちの所定の数について計算される、特定の動作として判別された判別結果の数とそれ以外の判別結果の数との割合、及び、特定の動作として判別された判別結果の連続個数である、請求項19に記載の動作判別方法。
- 前記動作判別ステップによって出力された前記判別結果を携帯情報端末又は携帯情報端末に前記判別結果を通知するための装置に送信する通信ステップをさらに含む、請求項13に記載の動作判別方法。
- 前記第1の検知手段から出力される前記アナログ値と所定の閾値とを比較する判定ステップをさらに含み、前記アナログ値が前記所定の閾値より小さい場合には動作判別を行わないようにする、請求項13に記載の動作判別方法。
- 前記動作判別ステップは、前記第1の検知手段によって出力されたアナログ値と前記第2の動作判別モデルによる判別結果とに基づいて、前記対象の前記動作を判別するステップをさらに含む、請求項13に記載の動作判別装置。
- 前記対象は被介護者、患者、又は高齢者であり、前記対象の前記動作は、前記被介護者、前記患者、又は前記高齢者のベッドからの起床、ベッドの端部における端座位、端座位からベッドへの戻り、及びベッドからの離脱のいずれかである、請求項13に記載の動作判別方法。
- 請求項13から請求項24のいずれか1項に記載の方法の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・コード命令を含むコンピュータ・プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2010073075A JP4785975B1 (ja) | 2010-03-26 | 2010-03-26 | 動作判別装置、動作判別方法、及び動作判別コンピュータ・プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2010073075A JP4785975B1 (ja) | 2010-03-26 | 2010-03-26 | 動作判別装置、動作判別方法、及び動作判別コンピュータ・プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP4785975B1 true JP4785975B1 (ja) | 2011-10-05 |
JP2011200584A JP2011200584A (ja) | 2011-10-13 |
Family
ID=44877956
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2010073075A Expired - Fee Related JP4785975B1 (ja) | 2010-03-26 | 2010-03-26 | 動作判別装置、動作判別方法、及び動作判別コンピュータ・プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP4785975B1 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11720814B2 (en) | 2017-12-29 | 2023-08-08 | Samsung Electronics Co., Ltd. | Method and system for classifying time-series data |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6171415B2 (ja) * | 2013-03-06 | 2017-08-02 | ノーリツプレシジョン株式会社 | 情報処理装置、情報処理方法、及び、プログラム |
KR102033077B1 (ko) | 2013-08-07 | 2019-10-16 | 나이키 이노베이트 씨.브이. | 제스처 인식 및 전력 관리를 갖는 손목 착용 운동 디바이스 |
JP6340947B2 (ja) * | 2014-06-20 | 2018-06-13 | 船井電機株式会社 | 見守り装置 |
JP6454506B2 (ja) * | 2014-09-19 | 2019-01-16 | アイホン株式会社 | ナースコールシステム |
KR101659939B1 (ko) * | 2016-03-15 | 2016-09-26 | (주)하이디어 솔루션즈 | 이원화된 파라미터를 이용한 보호객체 관리시스템 |
JP6890813B2 (ja) * | 2016-08-22 | 2021-06-18 | 学校法人慶應義塾 | 行動検知システム、情報処理装置、プログラム |
JP6710644B2 (ja) * | 2017-01-05 | 2020-06-17 | 株式会社東芝 | 動作解析装置、動作解析方法およびプログラム |
JP6530544B1 (ja) * | 2018-08-28 | 2019-06-12 | 株式会社エスト | 離床検知システム |
JP6620210B2 (ja) * | 2018-11-07 | 2019-12-11 | アイホン株式会社 | ナースコールシステム |
JPWO2020145130A1 (ja) * | 2019-01-11 | 2020-07-16 | ||
JP2021180797A (ja) * | 2020-05-20 | 2021-11-25 | コニカミノルタ株式会社 | 生体情報処理装置、情報処理装置、学習済モデル生成装置及びプログラム |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7711662B2 (en) * | 2003-01-15 | 2010-05-04 | Bracco Imaging S.P.A. | System and method for optimization of a database for the training and testing of prediction algorithms |
JP2007220055A (ja) * | 2006-02-14 | 2007-08-30 | Gootech:Kk | 時系列パターン解析を伴うニューラルネットワーク |
JP4579865B2 (ja) * | 2006-06-05 | 2010-11-10 | 日本電信電話株式会社 | 起き上がり検知装置 |
-
2010
- 2010-03-26 JP JP2010073075A patent/JP4785975B1/ja not_active Expired - Fee Related
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11720814B2 (en) | 2017-12-29 | 2023-08-08 | Samsung Electronics Co., Ltd. | Method and system for classifying time-series data |
Also Published As
Publication number | Publication date |
---|---|
JP2011200584A (ja) | 2011-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4785975B1 (ja) | 動作判別装置、動作判別方法、及び動作判別コンピュータ・プログラム | |
US20190029569A1 (en) | Activity analysis, fall detection and risk assessment systems and methods | |
CN109697830B (zh) | 一种基于目标分布规律的人员异常行为检测方法 | |
Rodrigues et al. | Fall detection system by machine learning framework for public health | |
JP6915421B2 (ja) | 見守り支援システム及びその制御方法 | |
Delachaux et al. | Indoor activity recognition by combining one-vs.-all neural network classifiers exploiting wearable and depth sensors | |
AU2013296153A1 (en) | A system, method, software application and data signal for determining movement | |
WO2010055205A1 (en) | Method, system and computer program for monitoring a person | |
JP6692933B2 (ja) | 活動状態解析装置および方法 | |
WO2019130674A1 (ja) | 介護施設用行動異常検知装置、該方法および該システム | |
JP6425261B2 (ja) | 赤外線アレイセンサを用いた行動検知システムと方法 | |
JP7028787B2 (ja) | 視覚的コンテキストを用いる、生理学的パラメータの測定の適時トリガ | |
US10706706B2 (en) | System to determine events in a space | |
Planinc et al. | Robust fall detection by combining 3D data and fuzzy logic | |
WO2016155789A1 (en) | Fall detection system and method | |
JP4633865B2 (ja) | 動作判別装置、動作判別モデルの構築方法、動作判別方法、及び動作判別コンピュータ・プログラム | |
JPWO2017183602A1 (ja) | 被監視者監視システムおよび被監視者監視方法 | |
Campo et al. | Behaviour monitoring of the elderly by trajectories analysis | |
JP6142975B1 (ja) | 被監視者監視装置および該方法ならびに被監視者監視システム | |
US20160224839A1 (en) | System to determine events in a space | |
Guerra et al. | Skeleton data pre-processing for human pose recognition using Neural Network | |
Biswas et al. | Agitation monitoring of persons with dementia based on acoustic sensors, pressure sensors and ultrasound sensors: a feasibility study | |
Ahmed et al. | Classification of sleep-wake state in ballistocardiogram system based on deep learning | |
Kumar et al. | Architecture for IOT based geriatric care fall detection and prevention | |
Khawandi et al. | Applying machine learning algorithm in fall detection monitoring system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20110712 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 4785975 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20140722 Year of fee payment: 3 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
LAPS | Cancellation because of no payment of annual fees |