JP6300264B2 - 症状判別装置 - Google Patents
症状判別装置 Download PDFInfo
- Publication number
- JP6300264B2 JP6300264B2 JP2013248816A JP2013248816A JP6300264B2 JP 6300264 B2 JP6300264 B2 JP 6300264B2 JP 2013248816 A JP2013248816 A JP 2013248816A JP 2013248816 A JP2013248816 A JP 2013248816A JP 6300264 B2 JP6300264 B2 JP 6300264B2
- Authority
- JP
- Japan
- Prior art keywords
- subject
- heart rate
- body temperature
- data
- information
- 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.)
- Active
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Description
被験者が病気に罹患、発病しているか否かを判定するための技術として、下記の特許文献1および非特許文献1〜3に記載の技術が従来公知である。
非特許文献2,3には、呼吸、心拍、体表面温度から、自己組織化マップを作成して、k−means法で、有病体で「ある」か「否」かに分類する技術が記載されている。
非特許文献1のように、前記渡航者の体表面温度の熱画像を撮像して渡航者の体温を測定する技術では、例えば、渡航者が解熱剤を服用していたり、発汗により体表面温度が低下している場合、あるいは、夏の高温環境等では、有病体と判定されない場合があり、精度が低い問題がある。
また、特許文献1に記載の技術では、有病体判別値(判別式)を使用する判定は、閾値を超える、超えないという線形判別法であり、特に、閾値の近傍における判別が難しく、有病者を健康体であると誤判定することがあり、検出精度が十分では無いという問題がある。
さらに、非特許文献2,3に記載の技術では、非特許文献1とは異なり、非線形判別法ではあるが、有病体であるか否かの判別を行った場合に、やはり、有病者を健康体であると誤判定することがあり、検出精度が十分ではないという問題がある。
被験者の体温を測定する体温測定手段と、
前記被験者の心拍数を測定する心拍数測定手段と、
前記被験者の呼吸数を測定する呼吸数測定手段と、
測定された体温、心拍数および呼吸数に基づいて、複数のサンプルデータを個々にマッピング配置した自己組織化マップを作成するマップ作成手段と、
作成された前記自己組織化マップに基づいて、被験者のデータが前記自己組織化マップにおいてマッピングされた位置と、予め正常と診断されたサンプルデータおよび予め重症と診断されたサンプルデータがマッピングされた位置との近さにより、被験者を、正常、軽症および重症の3つの分類に、k−means法を使用して分類する分類手段と、
を備えたことを特徴とする。
前記被験者の年齢の情報を取得する年齢取得手段と、
前記被験者の性別の情報を取得する性別取得手段と、
測定された体温、心拍数、呼吸数に、年齢および性別の情報を加えて、自己組織化マップを作成する前記マップ作成手段と、
を備えたことを特徴とする。
測定が行われる環境の情報を取得する環境取得手段と、
測定された体温、心拍数、呼吸数に環境の情報を加えて、自己組織化マップを作成する前記マップ作成手段と、
を備えたことを特徴とする。
請求項2に記載の発明によれば、年齢および性別を考慮しない場合に比べて、有病者の検出精度を向上させることができる。
請求項3に記載の発明によれば、環境を考慮しない場合に比べて、有病者の検出精度を向上させることができる。
なお、以下の図面を使用した説明において、理解の容易のために説明に必要な部材以外の図示は適宜省略されている。
図1において、本発明の実施例1の症状判別装置Sは、被検体の一例としての人間(被験者、被検者)の生体情報を測定する測定装置1を有する。測定装置1は、内部に図示しない電源装置や電気回路等を内蔵する本体部2を有する。本体部2の上面2aには、被験者3が手を乗せることが可能になっている。また、上面2aには、心拍測定部材の一例としてのパルスオキシメータ4が支持されている。パルスオキシメータ4は、被験者3の指を挿入することで、指の血管の脈波から、生体情報の一例としての心拍数やSpO2(酸素飽和度)を測定可能に構成されている。
本体部2の後部には、体温の測定部材の一例としてのサーモグラフィ装置7が支持されている。実施例1のサーモグラフィ装置7は、被験者3の顔の体表面温度の分布画像である熱画像を撮像可能な角度だけ上方に傾斜して配置されている。
パーソナルコンピュータ11には、ケーブル16を介して、情報読取部材の一例としてのICカードリーダ21が接続されている。実施例1のICカードリーダ21は、パスポートに埋め込まれたICチップに記憶された被験者の情報の一例としての被験者の年齢(生年月日)および性別の情報を読み取ることが可能に構成されている。なお、パスポートにICチップが埋め込まれていない場合には、キーボード14およびマウス15を使用して、年齢や性別を入力可能である。
図2は本発明の実施例1のパーソナルコンピュータの制御部が備えている各機能をブロック図(機能ブロック図)で示した図である。
図2において、パーソナルコンピュータ11のコンピュータ本体12の制御部は、外部との信号の入出力および入出力信号レベルの調節等を行うI/O(入出力インターフェース)、必要な処理を行うためのプログラムおよびデータ等が記憶されたROM(リードオンリーメモリ)、必要なデータを一時的に記憶するためのRAM(ランダムアクセスメモリ)、ハードディスクやROM等に記憶されたプログラムに応じた処理を行うCPU(中央演算処理装置)、ならびにクロック発振器等を有している。
前記構成のパーソナルコンピュータ11は、ハードディスクやROM等に記憶されたプログラムを実行することにより種々の機能を実現することができる。
コンピュータ本体12には、前記パルスオキシメータ4や呼吸数レーダ6、サーモグラフィ装置7、キーボード14、マウス15、ICカードリーダ21等の信号出力要素からの出力信号が入力されている。
パーソナルコンピュータ11のコンピュータ本体12は、ディスプレイ13、その他の図示しない制御要素に接続され、各制御要素へ制御信号を出力している。
症状判別プログラムAP1は、下記の機能手段(プログラムモジュール)を有する。
C1:生体情報取得手段
生体情報取得手段C1は、体温測定手段C1Aと、心拍数測定手段C1Bと、呼吸数測定手段C1Cと、を有し、被験者の生体情報の一例としての、体温、心拍数、呼吸数を取得する。
C1A:体温測定手段
体温測定手段C1Aは、サーモグラフィ装置7の測定結果に基づいて、被験者の体温を測定する。実施例1の体温測定手段C1Aは、サーモグラフィ装置7で測定された被験者の顔の表面の温度分布およびその面積に基づいて、被験者の顔の表面の平均温度を体温として測定する。なお、体温の測定方法は、従来公知の種々の方法を採用可能であり、例えば、特許文献1等に記載されているため、詳細な説明は省略する。
心拍数測定手段C1Bは、パルスオキシメータ4の測定結果に基づいて、被験者の心拍数を測定する。
C1C:呼吸数測定手段
呼吸数測定手段C1Cは、呼吸数レーダ6の測定結果に基づいて、被験者の呼吸数を測定する。
なお、心拍数や呼吸数の測定においても、従来公知の種々の方法を採用可能であり、例えば、特許文献1等に記載されているため、詳細な説明は省略する。
被験者情報取得手段C2は、入力情報記憶手段C2Aと、年齢取得手段C2Bと、性別取得手段C2Cと、を有し、被験者の情報の一例としての年齢および性別の情報を取得する。
C2A:入力情報記憶手段
入力情報記憶手段C2Aは、キーボード14やマウス15により入力された年齢および性別の情報を記憶する。
年齢取得手段C2Bは、ICカードリーダ21の読取結果に基づいて、被験者の年齢の情報を取得する。なお、実施例1の年齢取得手段C2Bは、ICカードリーダ21から年齢の情報が取得できなかった場合には、入力情報記憶手段C2Aに記憶された年齢の情報を取得する。
C2C:性別取得手段
性別取得手段C2Cは、ICカードリーダ21の読取結果に基づいて、被験者の性別の情報を取得する。なお、実施例1の性別取得手段C2Cは、ICカードリーダ21から性別の情報が取得できなかった場合には、入力情報記憶手段C2Aに記憶された性別の情報を取得する。
C3:環境情報取得手段
環境情報取得手段C3は、測定が行われる時点における環境を取得する。実施例1の環境情報取得手段C3は、パーソナルコンピュータ11に記憶されたカレンダー情報に基づいて、現在の日付(何月何日)を取得する。
記号変換手段C4は、年齢、性別、環境の情報を、後述する自己組織化マップで使用できるように、予め設定された変換規則に基づいて、数値に変換する。実施例1の記号変換手段C4では、一例として、年齢を、「0歳〜14歳」の幼少年は「0」に変換し、「15歳〜30歳」の青年は「1」に変換し、「31歳〜44歳」の壮年は「2」に変換し、「45歳〜64歳」の中年は「3」に変換し、「65歳以上」の高年は「4」に変換する。また、実施例1の記号変換手段C4では、一例として、性別を、「男性」は「0」に変換し、「女性」は「1」に変換する。さらに、実施例1の記号変換手段C4では、一例として、季節を、「3月〜5月の春」は「0」に変換し、「6月〜8月の夏」は「1」に変換し、「9月〜11月の秋」は「2」に変換し、「12月、1月、2月の冬」は「4」に変換する。
データベース記憶手段C5は、過去に生体情報の取得を行った被験者の情報のデータベースを記憶する。
C6:サンプルデータ取得手段
サンプルデータ取得手段C6は、被験者の判定を行う場合に必要な複数のサンプルデータを、データベースから取得する。実施例1のサンプルデータ取得手段C6は、一例として、データベース記憶手段C5に記憶された99人分のサンプルデータを取得する。実施例1では、このとき、予め重症と診断された一人分のサンプルデータと、予め健康体であると診断された一人分のサンプルデータと、を取得すると共に、残りの97人分のサンプルデータは、乱数に基づいてランダムに取得する。
C7:マップ作成手段
マップ作成手段C7は、被験者の体温、心拍、呼吸数に基づいて、自己組織化マップを作成する。実施例1のマップ作成手段C7は、体温等の情報を含む生体情報及び変換後の年齢、性別、環境からなる被験者データと、サンプルデータ取得手段C6が取得したサンプルデータと、に基づいて、自己組織化マップ(Self Organizing Map :SOM)を作成する。実施例1のマップ作成手段C7は、多次元(実施例1では、体温、心拍、呼吸数、年齢、性別、環境からなる6次元)のデータを、2次元平面上にマッピングすることで、自己組織化マップを作成する。一例として、実施例1では、被験者と99人分のサンプルデータからなる100人分の入力データXi(=(Xi1,Xi2,Xi3,Xi4,Xi5,Xi6)、i=1〜100)について、20×20の広さ、すなわち、400個のSOMユニットを持つ2次元平面上にマッピングする。
そして、勝者ユニットに、入力データがマッピングされると共に、勝者ユニットの周囲のユニットに対して、周囲のユニットの参照ベクトルを、入力ベクトルに近づける学習が行われる。なお、学習は、時間(学習回数)をtとし、学習率をhci(t)とした場合に、従来公知の以下の式(1)に基づいて行うことが可能である。
mj(t+1)=mj(t) + hci(t)[xi(t) - mj(t)] …式(1)
なお、自己組織化マップの作成方法については、従来公知であり、例えば、非特許文献2,3や特開2008−237377号公報や、特開2007−58565号公報、特開2009−183608号公報等に記載されているため、詳細な説明は省略する。
分類手段C8は、作成された自己組織化マップに基づいて、被験者を、正常、軽症および重症の3分類のいずれかに、k−means法を使用して分類する。実施例1の分類手段C8は、2次元平面上に100人分の入力データがマッピングされた自己組織化マップにおいて、k=3のK-means法により3つのクラスタに分類する。具体的には、自己組織化マップにおける各入力データがマッピングされた点の座標データを取得する。そして、(i)各点に、3つのクラスタのいずれか1つを、ランダムに割り当てる。次に、(ii)各クラスタ毎に、座標データから重心の座標を計算する。次に、(iii)各点のクラスタを、距離が一番近い重心のクラスタに変更する。そして、全ての点でクラスタの変更が無くなるまで、(ii)、(iii)の処理を繰り返す。
そして、3つのクラスタにおいて、健康体の一人分のデータが含まれるクラスタを「健康体」のクラスタと判定し、重症の一人分のデータが含まれるクラスタを「重症」のクラスタと判定し、健康体、重症のいずれも含まれないクラスタを「軽症」のクラスタと判定する。そして、判定対象の被験者3のデータが分類されているクラスタが、「健康(0)」、「軽症(1)」または「重症(2)」のいずれであるか判定する。
C9:分類結果出力手段
分類結果出力手段C9は、分類手段C8で分類された結果をディスプレイ13に表示する。図4において、実施例1の分類結果出力手段C9は、ディスプレイ13に、図4に示す診断画像31を表示する。診断画像31は、生体情報表示部32を有する。生体情報表示部32は、体温測定手段C1Aで測定された体温が表示される体温表示部32aと、心拍数測定手段C1Bで測定された心拍数が表示される心拍表示部32bと、呼吸数測定手段C1Cで測定された呼吸数が表示される呼吸数表示部32cと、年齢取得手段C2Bで取得された年齢が表示される年齢表示部32dと、性別取得手段C2Cで取得された性別が表示される性別表示部32eと、分類手段C8での分類結果(診断結果)が表示される分類結果表示部32fと、診断を開始する際に入力される診断開始ボタン32gと、を有する。なお、実施例1では、年齢表示部32dおよび性別表示部32eには、キーボード14やマウス15を使用して、入力、変更、設定が可能に構成されている。また、生体情報表示部32の下方には、サーモグラフィ装置7の測定結果を表示するサーモグラフィ画像表示部33と、呼吸の測定波形を表示する呼吸表示部34と、パルスオキシメータ4の測定波形を表示する心拍表示部36と、が設けられている。
C10:データベース登録手段
データベース登録手段C10は、分類が終了した被験者3の情報を、識別番号を付与してデータベースに登録する。
次に、実施例1の症状判別プログラムAP1の処理の流れをフローチャートを使用して説明する。
(実施例1の症状判別処理のフローチャートの説明)
図5は実施例1の症状判別プログラムの症状判別処理のフローチャートである。
図5のフローチャートの各ST(ステップ)の処理は、前記制御部のROM等に記憶されたプログラムに従って行われる。また、この処理は前記制御部の他の各種処理と並行してマルチタスクで実行される。
図5のST1において、診断画像31(図4参照)を表示する。そして、ST2に進む。
ST2において、診断開始の入力、すなわち、診断開始ボタン32gを選択する入力がされたか否かを判別する。イエス(Y)の場合はST3に進み、ノー(N)の場合はST10に進む。
ST3において、ICカードリーダ21または年齢表示部32d等への入力情報に基づいて、被験者の年齢、性別の情報を取得すると共に、日付の情報(環境情報)を取得する。そして、ST4に進む。
ST5において、パルスオキシメータ4、呼吸数レーダ6、サーモグラフィ装置7の測定結果に基づいて、心拍数、呼吸数、体温を取得する。そして、ST6に進む。
ST6において、データベースからサンプルデータを取得する。そして、ST7に進む。
ST7において、被験者3のデータおよびサンプルデータに基づいて、SOMマップを作成する。そして、ST8に進む。
ST8において、SOMマップに基づいて、k-means法で、k=3でクラスタリングを行う。そして、ST9に進む。
(1)被験者3の分類結果や、体温、心拍数等の測定結果を診断画像31に出力する。
(2)被験者3のデータに識別番号を付与して、データベースに登録する。
ST10において、症状判別プログラムAP1を終了する入力がされたか否かを判別する。イエス(Y)の場合は症状判別処理を終了する。ノー(N)の場合はST11に進む。
ST11において、診断画像31において、年齢表示部32d等への入力のようなその他の入力がされたか否かを判別する。イエス(Y)の場合はST12に進み、ノー(N)の場合はST2に戻る。
ST12において、入力に応じて、診断画像31を更新する。そして、ST2に戻る。
前記構成を備えた実施例1の症状判別装置Sでは、被験者3の症状を判断する場合に、被験者3の体温、呼吸、心拍等を測定して、被験者3のデータを含む合計100人分のデータに基づいて、自己組織化マップを作成する。そして、自己組織化マップに基づいて、k-means法で、k=3でクラスタリングを行う。
したがって、実施例1の症状判別装置Sでは、自己組織化マップ(SOM)を作成する際に、100人分のデータを、類似するデータどうしは近い位置に、類似しないデータどうしは遠い位置にマッピングしている。すなわち、健康体のサンプルデータと重症のサンプルデータが遠い位置にマッピングされ、被験者3のデータが健康体のサンプルデータに近ければ、健康体のサンプルデータの近くにマッピングされ、被験者3のデータが重症者のサンプルデータに近ければ、重症者のサンプルデータの近くにマッピングされる。したがって、インフルエンザ等に罹患した患者では、体温が比較的高く、心拍も呼吸数も比較的多い重症者のデータは、体温が比較的低く、心拍も呼吸数も安定している健康体のデータに対して、SOM上では遠く離れた位置にマッピングされやすい。そして、被験者3のデータが健康体のサンプルデータと重症のサンプルデータの中間、すなわち、症状が発症した直後や症状のピークが過ぎた軽症の状態であれば、SOM上では、健康体と重症の中間にマッピング(配置)されやすい。
よって、実施例1の症状判別装置Sでは、自己組織化マップを作成することで、100人分のデータを一度分類した後に、k-means法で再度分類している。いわば、異なる分類方法で2度ふるいにかけている。よって、一度しかふるいにかけない技術に比べて、判定の精度を向上させることが可能である。
また、非特許文献2,3に記載の従来技術でも、特許文献1に比べれば、精度は向上するが、2段階の判定では、中間の部分において、やはり、特許文献1と同様に、有病者を健康体と判定する場合があるという問題がある。
さらに、特許文献1、非特許文献2,3に記載の従来の技術では、有病体か否かの判定しかできず、症状の重さ(重篤さ)については判定ができなかった。
また、実施例1では、体温、心拍、呼吸に加えて、年齢、性別、環境(季節)も考慮してSOMが作成される。すなわち、一般に、幼児や子どもは平熱(体温)が高かったり、心拍、呼吸も多い傾向にあり、高齢になると平熱等が低い傾向がある。また、一般的に、男性の方が女性に比べて、平熱が高い傾向があったり、心拍、呼吸は低い傾向にある。さらに、季節に応じて、平均気温や被験者の服装(夏は軽装、冬は重ね着等)が異なり、計測される体温等が季節により変動する傾向もある。よって、これらを考慮しない従来技術では、計測する個々人で精度が異なり、誤判定する恐れがあったが、実施例1では、誤判定が低減される。
ここで、実施例1の前記有病体検出システムSにおいて、症状の判別や有病者の判定が精度良く判別できるかを確認するために、実験例1,2および比較例1を行った。
実験例1では、実施例1の構成を使用して、48人分の予め健康体と診断された被験者のデータと、23人分の予め軽症と診断された被験者のデータと、12人の予め重症と診断された被験者のデータを使用した。なお、市販のインフルエンザ検査キット等でインフルエンザのウィルスを保有している被験者は、軽症または重症とし、軽症と重症の診断は、パルスオキシメータ4で計測可能なSpO2の値が、96以下の場合、すなわち、血中のヘモグロビンが酸素を運搬する能力が低下している場合に、重症とした。なお、健康体のデータは「NOR」の後に数字を付加して表示(NOR1、NOR2、…)し、軽症者のデータは、「INF」の後に数字を付加して表示(INF2、INF3、…)し、重症者のデータは「INF」の後に数字とSpO2の値を付加して表示(INF1(94)、INF10(95)、…)した。
実験例2では、実験例1と同一のデータを使用し、k-means法でk=4の場合について実験を行った。
(比較例1)
比較例1では、実験例1と同一のデータを使用し、k-means法でk=2の場合、すなわち、非特許文献2,3の場合について実験を行った。
実験例1,2および比較例の実験結果を、図6および図7に示す。
図6において、SOM上で、3つのクラスタに分類された結果では、健康体のクラスタには、48人中39人の健康体の被験者が分類され、軽症者や重症者は0名であった。また、軽症のクラスタには、27人が分類され、27人の内訳は、重症者2名、軽症者16名、健康体9名であった。さらに、重症のクラスタには、17名が分類され、17名の内訳は、重症者10名、軽症者7名、健康体0名であった。したがって、少なくとも、有病者(軽症者または重症者)が、健康体と誤判定されることがなく、有病者は、軽症または重症に判定されることが確認された。
一方、図7Aにおいて、比較例1では、3名の健康体が有病者と誤判定され、3名の有病者が健康体と誤判定された。すなわち、有病者を健康体と誤判定する問題があることが確認された。
また、図7Bにおいて、実験例2では、健康体、軽症、中症、重症の4つに分類した場合に、少なくとも、健康体のクラスタには、有病者が含まれなかった。ただ、健康体のクラスタに含まれる健康体のデータが、実験例1に比べて少なく、軽症のクラスタに重症の被験者も健康体の被験者も含まれ、中症のクラスタにも、健康体や重症の被験者が含まれ、重症のクラスタも重症の被験者以外が含まれているため、症状の判別精度としては、実験例1の方がより好ましいことも確認された。
以上、本発明の実施例を詳述したが、本発明は、前記実施例に限定されるものではなく、特許請求の範囲に記載された本発明の要旨の範囲内で、種々の変更を行うことが可能である。本発明の変更例(H01)〜(H07)を下記に例示する。
(H01)前記実施例では、被験者を人間としたが、これに限定されず、例えば、その他の動物等の生体についても本発明を適用可能である。なお、この場合、前記生体に応じたサンプルデータが必要である。
(H02)前記実施例において、前記サーモグラフィ装置7で撮像される前記熱画像は、前記被検体の顔の熱画像に限定されず、例えば、肌が露出しているその他の範囲の熱画像を撮像することも可能である。また、体温の測定方法も、サーモグラフィを使用する構成に限定されず、体温計を使用する等、体温が測定可能な任意の方法に変更可能である。
(H05)前記実施例において、年齢を記号変換する際に例示した区分けは、例示したものに限定されず、実験や設計、仕様等に応じて、区分けの年齢を変更したり、区分けの数を増減する(例えば、幼児、小学生、中学生、…のように区分けを増やす)等任意に変更可能である。同様に、環境(季節)も、「月」だけで区分けを行ったが、これに限定されず、例えば、7月1日〜9月20日を夏とするといった区分けとすることも可能である。また、季節も、春夏秋冬の4つに区分けする構成に限定されず、例えば、「早春」、「梅雨」、「盛夏」等、の区分けを増やしたり、春と秋を1つの区分けにする等の変更も可能である。さらに、年齢、性別、季節に、測定時の天候や気温、湿度等の要素を追加したり、血圧やSpO2を加えたりすることも可能である。また、年齢や性別、環境を含めることが望ましいが、これらのうちのいずれかまたは全てを含めない構成とすることも可能である。
(H07)前記実施例において、測定装置1にパーソナルコンピュータ11を接続した構成を例示したが、これに限定されない。例えば、測定装置1にディスプレイ13等を設けると共に、マイクロコンピュータを測定装置1に内蔵させて、一体構造の装置(集中処理の構成)とすることも可能である。逆に、パーソナルコンピュータ11の機能をネットワークで接続された複数のコンピュータに分散して処理する構成とすることも可能である。
C1A…体温測定手段、
C1B…心拍数測定手段、
C1C…呼吸数測定手段、
C2B…年齢取得手段、
C2C…性別取得手段、
C3…環境取得手段、
C7…マップ作成手段、
C8…分類手段、
S…症状判別装置。
Claims (3)
- 被験者の体温を測定する体温測定手段と、
前記被験者の心拍数を測定する心拍数測定手段と、
前記被験者の呼吸数を測定する呼吸数測定手段と、
測定された体温、心拍数および呼吸数に基づいて、複数のサンプルデータを個々にマッピング配置した自己組織化マップを作成するマップ作成手段と、
作成された前記自己組織化マップに基づいて、被験者のデータが前記自己組織化マップにおいてマッピングされた位置と、予め正常と診断されたサンプルデータおよび予め重症と診断されたサンプルデータがマッピングされた位置との近さにより、被験者を、正常、軽症および重症の3つの分類に、k−means法を使用して分類する分類手段と、
を備えたことを特徴とする症状判別装置。 - 前記被験者の年齢の情報を取得する年齢取得手段と、
前記被験者の性別の情報を取得する性別取得手段と、
測定された体温、心拍数、呼吸数に、年齢および性別の情報を加えて、自己組織化マップを作成する前記マップ作成手段と、
を備えたことを特徴とする請求項1に記載の症状判別装置。 - 測定が行われる環境の情報を取得する環境取得手段と、
測定された体温、心拍数、呼吸数に環境の情報を加えて、自己組織化マップを作成する前記マップ作成手段と、
を備えたことを特徴とする請求項1または2に記載の症状判別装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2013248816A JP6300264B2 (ja) | 2013-12-02 | 2013-12-02 | 症状判別装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2013248816A JP6300264B2 (ja) | 2013-12-02 | 2013-12-02 | 症状判別装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2015104596A JP2015104596A (ja) | 2015-06-08 |
JP6300264B2 true JP6300264B2 (ja) | 2018-03-28 |
Family
ID=53435087
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2013248816A Active JP6300264B2 (ja) | 2013-12-02 | 2013-12-02 | 症状判別装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6300264B2 (ja) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220044817A1 (en) * | 2018-11-02 | 2022-02-10 | Riken | Method, system, and program for creating health level positioning map and health function, and method for using these |
WO2022102079A1 (ja) * | 2020-11-13 | 2022-05-19 | 日本電気株式会社 | 情報処理装置、情報処理方法及び記録媒体 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4132839B2 (ja) * | 2002-01-29 | 2008-08-13 | 株式会社日立ハイテクノロジーズ | 感染症システム |
JP5388580B2 (ja) * | 2005-11-29 | 2014-01-15 | ベンチャー ゲイン リミテッド ライアビリティー カンパニー | ヒトの健康に関する残差ベースの管理 |
-
2013
- 2013-12-02 JP JP2013248816A patent/JP6300264B2/ja active Active
Also Published As
Publication number | Publication date |
---|---|
JP2015104596A (ja) | 2015-06-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Selvaraju et al. | Continuous monitoring of vital signs using cameras: A systematic review | |
Pandey | Machine learning and IoT for prediction and detection of stress | |
Khusainov et al. | Real-time human ambulation, activity, and physiological monitoring: Taxonomy of issues, techniques, applications, challenges and limitations | |
Kim et al. | Validation of the ActiGraph GT3X and activPAL accelerometers for the assessment of sedentary behavior | |
Kavsaoğlu et al. | A novel feature ranking algorithm for biometric recognition with PPG signals | |
Quante et al. | Practical considerations in using accelerometers to assess physical activity, sedentary behavior, and sleep | |
Fino et al. | Comparing postural stability entropy analyses to differentiate fallers and non-fallers | |
Lyons et al. | Assessing the agreement between 3-meter and 6-meter walk tests in 136 community-dwelling older adults | |
Nath et al. | Machine learning based stress monitoring in older adults using wearable sensors and cortisol as stress biomarker | |
Martín-Vaquero et al. | Review on wearables to monitor foot temperature in diabetic patients | |
Haghayegh et al. | Performance comparison of different interpretative algorithms utilized to derive sleep parameters from wrist actigraphy data | |
Banerjee et al. | Validating a commercial device for continuous activity measurement in the older adult population for dementia management | |
Kristoffersson et al. | Wearable sensors for monitoring and preventing noncommunicable diseases: A systematic review | |
Strath et al. | Ngram time series model to predict activity type and energy cost from wrist, hip and ankle accelerometers: implications of age | |
Kim et al. | Normal pressures and reliability of the Gaitview® system in healthy adults | |
JP5685798B2 (ja) | 有病体検出装置および有病体検出システム | |
Horemans et al. | The Activ8 activity monitor: validation of posture and movement classification | |
Plekhanova et al. | Equivalency of sleep estimates: comparison of three research-grade accelerometers | |
Kim et al. | Advanced prediction model for individual thermal comfort considering blood glucose and salivary cortisol | |
Valero et al. | Health and sleep nursing assistant for real-time, contactless, and non-invasive monitoring | |
Goffi et al. | Has lung ultrasound an impact on the management of patients with acute dyspnea in the emergency department? | |
JP6338298B2 (ja) | 体調モニタリング装置 | |
Kheirkhahan et al. | Actigraphy features for predicting mobility disability in older adults | |
Cano et al. | The relevance of calibration in machine learning-based hypertension risk assessment combining photoplethysmography and electrocardiography | |
Zheng et al. | Association between central sensitization and gait in chronic low back pain: Insights from a machine learning approach |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20160815 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20170719 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20170808 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20171010 |
|
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 Effective date: 20180123 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20180221 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6300264 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
S533 | Written request for registration of change of name |
Free format text: JAPANESE INTERMEDIATE CODE: R313533 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |