JP6737416B1 - 環境制御システム - Google Patents

環境制御システム Download PDF

Info

Publication number
JP6737416B1
JP6737416B1 JP2020003216A JP2020003216A JP6737416B1 JP 6737416 B1 JP6737416 B1 JP 6737416B1 JP 2020003216 A JP2020003216 A JP 2020003216A JP 2020003216 A JP2020003216 A JP 2020003216A JP 6737416 B1 JP6737416 B1 JP 6737416B1
Authority
JP
Japan
Prior art keywords
data
subject
sided
learned
environment
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
Application number
JP2020003216A
Other languages
English (en)
Other versions
JP2020155099A (ja
Inventor
小紀子 福井
小紀子 福井
みやえ 山川
みやえ 山川
桃絵 検崎
桃絵 検崎
明里 樋口
明里 樋口
晴佳 田中
晴佳 田中
衛 奥本
衛 奥本
川添　政宣
政宣 川添
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Daikin Industries Ltd
Original Assignee
Daikin Industries Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Daikin Industries Ltd filed Critical Daikin Industries Ltd
Priority to CN202080018616.5A priority Critical patent/CN113544789B/zh
Priority to EP20774021.8A priority patent/EP3940708A4/en
Priority to US17/310,670 priority patent/US20220043404A1/en
Priority to PCT/JP2020/010945 priority patent/WO2020189529A1/ja
Application granted granted Critical
Publication of JP6737416B1 publication Critical patent/JP6737416B1/ja
Publication of JP2020155099A publication Critical patent/JP2020155099A/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
    • F24F11/63—Electronic processing
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A61B5/02405—Determining heart rate variability
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/20—Measuring for diagnostic purposes; Identification of persons for measuring urological functions restricted to the evaluation of the urinary system
    • A61B5/202—Assessing bladder functions, e.g. incontinence assessment
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/44—Detecting, measuring or recording for evaluating the integumentary system, e.g. skin, hair or nails
    • A61B5/441—Skin evaluation, e.g. for skin disorder diagnosis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4806—Sleep evaluation
    • A61B5/4812—Detecting sleep stages or cycles
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/20—Cameras or camera modules comprising electronic image sensors; Control thereof for generating image signals from infrared radiation only
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
    • A61B2560/02—Operational features
    • A61B2560/0242—Operational features adapted to measure environmental factors, e.g. temperature, pollution
    • A61B2560/0247—Operational features adapted to measure environmental factors, e.g. temperature, pollution for compensation or correction of the measured physiological value
    • A61B2560/0252—Operational features adapted to measure environmental factors, e.g. temperature, pollution for compensation or correction of the measured physiological value using ambient temperature
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
    • A61B2560/02—Operational features
    • A61B2560/0242—Operational features adapted to measure environmental factors, e.g. temperature, pollution
    • A61B2560/0247—Operational features adapted to measure environmental factors, e.g. temperature, pollution for compensation or correction of the measured physiological value
    • A61B2560/0257—Operational features adapted to measure environmental factors, e.g. temperature, pollution for compensation or correction of the measured physiological value using atmospheric pressure
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
    • A61B2562/02—Details of sensors specially adapted for in-vivo measurements
    • A61B2562/029—Humidity sensors
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/20—Measuring for diagnostic purposes; Identification of persons for measuring urological functions restricted to the evaluation of the urinary system
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/42—Detecting, measuring or recording for evaluating the gastrointestinal, the endocrine or the exocrine systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/44—Detecting, measuring or recording for evaluating the integumentary system, e.g. skin, hair or nails
    • A61B5/441—Skin evaluation, e.g. for skin disorder diagnosis
    • A61B5/445—Evaluating skin irritation or skin trauma, e.g. rash, eczema, wound, bed sore
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4806—Sleep evaluation
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/10—Temperature
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/20—Humidity
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/40—Pressure, e.g. wind pressure
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2130/00—Control inputs relating to environmental factors not covered by group F24F2110/00
    • F24F2130/20—Sunlight
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2130/00—Control inputs relating to environmental factors not covered by group F24F2110/00
    • F24F2130/30—Artificial light
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2130/00—Control inputs relating to environmental factors not covered by group F24F2110/00
    • F24F2130/40—Noise
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N5/00—Details of television systems
    • H04N5/30—Transforming light or analogous information into electric information
    • H04N5/33—Transforming infrared radiation

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Physiology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Signal Processing (AREA)
  • Cardiology (AREA)
  • Databases & Information Systems (AREA)
  • Psychiatry (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Combustion & Propulsion (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Mechanical Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Hospice & Palliative Care (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Automation & Control Theory (AREA)
  • Dermatology (AREA)

Abstract

【課題】 対象者の環境を制御する環境制御システムを提供する。【解決手段】 対象者の環境を制御するアクチュエータと、前記アクチュエータの運転を制御する制御部と、を有する環境制御システムであって、対象者の環境を示す環境情報と前記対象者の睡眠、排泄、移動、皮膚、ストレスの状態のいずれかと相関するデータとを関連付けて学習した第１学習済みモデルと、前記対象者の睡眠、排泄、移動、皮膚、ストレスの状態のいずれかと相関するデータと前記対象者に将来起こり得る１つ以上のリスクの大きさに相関するデータとを関連付けて学習した第２学習済みモデルとを有する推定部と、前記第１及び第２学習済みモデルに基づいて、対象者に将来起こり得る前記１つ以上のリスクの大きさに相関するデータが推定された場合に、該推定されたデータを評価することで、前記アクチュエータの運転条件を決定する運転条件決定部とを有する。【選択図】図１

Description

本開示は、環境制御システムに関する。
従来より、医療介護の現場では、療養者の生体情報をリアルタイムにセンシングして記録したり、療養者の日々の状態を看護記録として残すなど、療養者に関する様々なデータの取得が行われている。かかるデータを用いれば、療養者に発生した問題事象を的確に捉え、問題事象に応じた医療介護を行うことができる。
特開２０１９−１７４９９号公報
一方で、療養者に問題事象が発生する前に、発生のリスクを予測し、予測したリスクに応じた環境を予め療養者に提供することができれば、問題事象の発生を抑制できるとともに、療養者のＱＯＬ（Quality Of Life）向上にも貢献できると考えられる。
本開示は、対象者の環境を制御する環境制御システムを提供する。
本開示の第１の態様は、対象者の環境を制御する環境制御システムであって、
環境を制御するアクチュエータと、
前記アクチュエータの運転条件を決定する運転条件決定部と、
前記運転条件決定部により決定された運転条件に基づいて前記アクチュエータを制御する制御部と、
第１学習済みモデルと第２学習済みモデルとを有する推定部と、を有し、
前記第１学習済みモデルは、
対象者の環境を示す環境情報と、
前記対象者の睡眠、排泄、移動、皮膚、ストレスの状態の少なくともいずれか１つと相関するデータと、
を関連付けて学習したモデルであり、
前記第２学習済みモデルは、
前記対象者の睡眠、排泄、移動、皮膚、ストレスの状態の少なくともいずれか１つと相関するデータと、
前記対象者に将来起こり得る１つ以上のリスクの大きさに相関するデータと、
を関連付けて学習したモデルであり、
前記推定部は、
対象者の環境情報を前記第１学習済みモデルに入力したときの出力データ、又は、前記第１学習済みモデルに入力したときの出力データと対象者の状態に関するデータとの組み合わせを、前記第２学習済みモデルに入力することで前記１つ以上のリスクの大きさに相関するデータを推定し、
前記運転条件決定部は、前記推定部によって推定された前記１つ以上のリスクの大きさに相関するデータを評価することによって、前記アクチュエータの運転条件を決定する。
本開示の第１の態様によれば、対象者の環境を制御する環境制御システムを提供することができる。
また、本開示の第２の態様は、第１の態様に記載の環境制御システムであって、
前記第２学習済みモデルは、前記対象者の睡眠、排泄、移動、皮膚、ストレスの状態の少なくともいずれか１つと相関するデータとして前記対象者の生体情報を用いて学習したモデルである。
また、本開示の第３の態様は、第２の態様に記載の環境制御システムであって、
前記生体情報には、前記対象者の移動量、前記対象者の掻破回数、前記対象者の心拍のゆらぎ、前記対象者の睡眠深度、前記対象者の推定尿量または排泄回数、の少なくともいずれかが含まれる。
また、本開示の第４の態様は、第１乃至第３の態様のいずれかの態様に記載の環境制御システムであって、
前記第１学習済みモデルは、前記対象者の環境情報と前記対象者の睡眠、排泄、移動、皮膚、ストレスの状態の少なくともいずれか１つと相関するデータとを学習用データセットとして学習したモデルである。
また、本開示の第５の態様は、第４の態様に記載の環境制御システムであって、
前記第１学習済みモデルは、更に、前記対象者の環境情報と前記対象者の属性を示す属性情報との組み合わせに従って、前記対象者の睡眠、排泄、移動、皮膚、ストレスの状態の少なくともいずれか１つと相関するデータを学習したモデルである。
また、本開示の第６の態様は、第１乃至第５の態様のいずれかの態様に記載の環境制御システムであって、
前記第２学習済みモデルは、前記対象者の睡眠、排泄、移動、皮膚、ストレスの状態と相関するデータと、前記対象者に将来起こり得る１つ以上のリスクの大きさに相関するデータとを学習用データセットとして学習したモデルである。
また、本開示の第７の態様は、第１乃至第６の態様のいずれかの態様に記載の環境制御システムであって、
前記推定部は、対象者の状態に関するデータとして看護記録を用いる。
また、本開示の第８の態様は、第１の態様に記載の環境制御システムであって、
前記運転条件決定部は、前記推定部により推定された、前記１つ以上のリスクの大きさに相関するデータを重み付け加算することで評価する。
また、本開示の第９の態様は、第１の態様に記載の環境制御システムであって、
前記環境情報には、温度、湿度、気圧、照度、騒音の少なくともいずれか１つが含まれる。
また、本開示の第１０の態様は、第１の態様に記載の環境制御システムであって、
前記アクチュエータには、前記対象者の環境を制御する空調機器が含まれる。
また、本開示の第１１の態様は、対象者の環境を制御する環境制御システムであって、
環境を制御するアクチュエータと、
前記アクチュエータの運転条件を決定する運転条件決定部と、
前記運転条件決定部により決定された運転条件に基づいて前記アクチュエータを制御する制御部と、
第３学習済みモデルを有する推定部と、を有し、
前記第３学習済みモデルは、
対象者の睡眠、排泄、移動、皮膚、ストレスの状態の少なくともいずれか１つと相関するデータ、及び、前記対象者の環境を示す環境情報と、
前記対象者に将来起こり得る１つ以上のリスクの大きさに相関するデータと、
を関連付けて学習したモデルであり、
前記推定部は、
対象者の睡眠、排泄、移動、皮膚、ストレスの状態の少なくともいずれか１つと相関するデータ、及び、対象者の環境情報を、前記第３学習済みモデルに入力することで、前記１つ以上のリスクの大きさに相関するデータを推定し、
前記運転条件決定部は、前記推定部によって推定された１つ以上のリスクの大きさに相関するデータを評価することによって、前記アクチュエータの運転条件を決定する。
本開示の第１１の態様によれば、対象者の環境を制御する環境制御システムを提供することができる。
第１の実施形態に係る環境制御システムのシステム構成の一例を示す図である。 第１の実施形態に係る環境制御システム（学習フェーズ）の処理の概要を説明するための図である。 第１の実施形態に係る環境制御システム（推定フェーズ）の処理の概要を説明するための図である。 データ解析装置のハードウェア構成の一例を示す図である。 療養者属性情報の一例を示す図である。 環境情報の一例を示す図である。 ５側面相関データの一例を示す図である。 ５側面データの一例を示す図である。 リスク発生情報及びリスク相関データの一例を示す図である。 第１の学習部の機能構成の一例を示す第１の図である。 第１の学習部の機能構成の一例を示す第２の図である。 第２の学習部の機能構成の一例を示す第１の図である。 第２の学習部の機能構成の一例を示す第２の図である。 第１の推定部の機能構成の一例を示す第１の図である。 第１の推定部の機能構成の一例を示す第２の図である。 第２の推定部の機能構成の一例を示す図である。 運転条件決定部の機能構成の一例を示す図である。 データ解析装置によるデータ解析処理の流れを示すフローチャートである。 第１の学習部の機能構成の他の一例を示す第１の図である。 第１の学習部の機能構成の他の一例を示す第２の図である。 第４の実施形態に係る環境制御システム（学習フェーズ）の処理の概要を説明するための図である。 第４の実施形態に係る環境制御システム（推定フェーズ）の処理の概要を説明するための図である。
以下、各実施形態について添付の図面を参照しながら説明する。なお、本明細書及び図面において、実質的に同一の機能構成を有する構成要素については、同一の符号を付することにより重複した説明を省く。
［第１の実施形態］
＜環境制御システムのシステム構成＞
はじめに、第１の実施形態に係る環境制御システムのシステム構成について説明する。図１は、第１の実施形態に係る環境制御システムのシステム構成の一例を示す図であり、病院や介護施設（在宅療養の場合にあっては、対象者の一例である療養者の自宅）に設置される。図１に示すように、環境制御システム１００は、アクチュエータ制御システム１１０と、５側面計測システム１２０と、状態記録システム１４０と、データ解析システム１５０とを有する。環境制御システム１００において、各システムは、ネットワーク１６０を介して接続される。以下、各システムの構成について説明する。
（１）アクチュエータ制御システムの構成
アクチュエータ制御システム１１０は、療養者１７０がいる居室の環境をセンシング機器を用いてセンシングすることで、療養者の環境を示す環境情報を取得するとともに、療養者１７０がいる居室の環境を、アクチュエータを用いて制御するシステムである。
具体的には、アクチュエータ制御システム１１０は、アクチュエータとして、空調機器１１１と、照明機器１１２と、音発生装置１１３とを有する。また、アクチュエータ制御システム１１０は、センシング機器として、温度計１１４ａと、湿度計１１４ｂと、気圧計１１４ｃと、照度計１１４ｄと、騒音計１１４ｅとを有する。更に、アクチュエータ制御システム１１０は、アクチュエータ制御装置１１５を有する。
空調機器１１１は、療養者１７０がいる居室内の空気の汚れを除去し、温度、湿度を制御する機器である。照明機器１１２は、療養者１７０がいる居室内の照度を制御する機器である。音発生装置１１３は、オーディオ装置やテレビ、ラジオ等のように音を発生する装置であり、療養者１７０がいる居室内の音量を制御する装置である。
空調機器１１１、照明機器１１２、音発生装置１１３は、アクチュエータ制御装置１１５からの指示に基づいて、それぞれ、温度、湿度、照度、音量を制御する。
温度計１１４ａ、湿度計１１４ｂは、療養者１７０がいる居室内の温度、湿度を所定周期でセンシングし、温度データ、湿度データをアクチュエータ制御装置１１５に送信する。気圧計１１４ｃは、療養者１７０がいる居室内の気圧を所定周期でセンシングし、気圧データをアクチュエータ制御装置１１５に送信する。
照度計１１４ｄは、療養者１７０がいる居室内の照度を所定周期でセンシングし、照度データをアクチュエータ制御装置１１５に送信する。騒音計１１４ｅは、療養者１７０がいる居室内の音を所定周期でセンシングし、音データをアクチュエータ制御装置１１５に送信する。
アクチュエータ制御装置１１５は、収集部１１６と制御部１１７とを有する。収集部１１６は、センシング機器によりセンシングされた各データを収集し、環境情報として、ネットワーク１６０を介してデータサーバ１５１に送信する。
制御部１１７は、ネットワーク１６０を介してデータ解析システム１５０より、アクチュエータ制御パターンを受信する。また、制御部１１７は、受信したアクチュエータ制御パターンに基づいて、空調機器１１１、照明機器１１２、音発生装置１１３に対して、温度、湿度、照度、音量を制御するための指示を行う。これにより、空調機器１１１、照明機器１１２、音発生装置１１３は、受信したアクチュエータ制御パターンに基づいて、温度、湿度、照度、音量を制御することができる。
（２）５側面計測システムの構成
５側面計測システム１２０は、療養者１７０の生体情報のうち、療養者１７０の５側面（睡眠、排泄、移動、皮膚、ストレス）に相関するデータを、センシング機器を用いてセンシングするシステムである。
具体的には、５側面計測システム１２０は、赤外線カメラ１２１と、体動センサ１２２と、加速度センサ１２３と、心電位センサ１２４と、超音波センサ１２５と、睡眠センサ１２６と、５側面計測装置１２７とを有する。
赤外線カメラ１２１は、療養者１７０から放射される赤外線を可視化する。赤外線カメラ１２１で撮影された画像データを解析することで、例えば、療養者１７０が特定の部位の皮膚を掻いた掻破回数（動作回数）を算出することができる。つまり、赤外線カメラ１２１により撮影された画像データは、療養者１７０の５側面のうち、"皮膚"に相関するデータである。また、赤外線カメラ１２１で撮影された画像データを解析することで、例えば、療養者１７０が離床して移動した際の移動量を算出することができる。つまり、赤外線カメラ１２１により撮影された画像データは、療養者１７０の５側面のうち、"移動"に相関するデータでもある。
体動センサ１２２は、療養者１７０のベッド上での体動を検知するセンサであり、例えばドップラセンサ等が用いられる。体動センサ１２２により検知された体動データを解析することで、例えば、療養者１７０の寝返り回数を算出することができる。つまり、体動センサ１２２により検知された体動データは、療養者１７０の５側面のうち、"睡眠"に相関するデータである。また、体動センサ１２２により検知された体動データ（体表面の振動）に基づいて、例えば、療養者１７０の心拍のゆらぎを算出し、療養者１７０のストレスの度合い（交換神経と副交感神経の優位状態）を特定することができる。つまり、体動センサ１２２により検知された体動データは、療養者１７０の５側面のうち、"ストレス"に相関するデータでもある。
加速度センサ１２３は、療養者１７０の動きを検知するセンサである。加速度センサ１２３により計測された加速度データを解析することで、例えば、療養者１７０の移動量を算出することができる。つまり、加速度センサ１２３により計測された加速度データは、療養者１７０の５側面のうち、"移動"に相関するデータである。また、加速度センサ１２３が療養者１７０の腕に装着された場合にあっては、例えば、療養者１７０が特定の部位の皮膚を掻いた掻破回数（動作回数）を検出することができる。つまり、加速度センサ１２３により計測された加速度データは、療養者１７０の５側面のうち、"皮膚"に相関するデータでもある。
心電位センサ１２４は、療養者１７０の心電位を計測するセンサである。心電位センサ１２４により計測された心電位データを解析することで、例えば、療養者１７０の心拍のゆらぎを算出し、療養者１７０のストレスの度合い（交換神経と副交感神経の優位状態）を特定することができる。つまり、心電位センサ１２４により計測される心電位データは、療養者１７０の５側面のうち、"ストレス"に相関するデータである。
超音波センサ１２５は、療養者１７０の膀胱にたまった尿量を計測するセンサである。超音波センサ１２５により計測された超音波データを解析することで、例えば、療養者１７０の推定尿量を算出することができる。つまり、超音波センサ１２５により計測された超音波データは、療養者１７０の５側面のうち、"排泄"に相関するデータである。
睡眠センサ１２６は、療養者１７０の睡眠と覚醒の状態を計測するセンサである。睡眠センサ１２６により計測された睡眠データを、例えば、療養者１７０の寝返り回数等と組み合わせて解析することで、療養者１７０の睡眠深度を算出することができる。つまり、睡眠センサ１２６により計測された睡眠データは、療養者１７０の５側面のうち、"睡眠"に相関するデータである。
なお、５側面計測システム１２０が有する上記センシング機器は一例であり、５側面計測システム１２０は、上記以外のセンシング機器を有していてもよい。例えば、脳波センサや、ＲＧＢカメラ、音検出センサ等を配し、これらのセンシング機器で検出したデータを、"睡眠"、"移動"、"皮膚"等に相関するデータとして用いてもよい。
５側面計測装置１２７は、赤外線カメラ１２１で撮影された画像データ、体動センサ１２２より検知された体動データ、加速度センサ１２３により計測された加速度データを取得する。また、５側面計測装置１２７は、心電位センサ１２４により計測された心電位データ、超音波センサ１２５により計測された超音波データ、睡眠センサ１２６により計測された睡眠データを取得する。更に、５側面計測装置１２７は、取得したデータに基づいて、５側面に相関するデータを算出し、ネットワーク１６０を介して、５側面相関データとして、データサーバ１５１に送信する。
なお、上記説明では、
・"皮膚"に相関するデータとして、画像データに基づいて皮膚を掻いた掻破回数を算出し、
・"睡眠"に相関するデータとして、体動データに基づいて算出した寝返り回数と、睡眠データに基づいて算出した睡眠及び覚醒の状態と、に基づいて睡眠深度を算出し、
・"移動"に相関するデータとして、加速度データに基づいて移動量を算出し、
・"ストレス"に相関するデータとして、心電位データに基づいて心拍のゆらぎを算出し、
・"排泄"に相関するデータとして、超音波データに基づいて推定尿量を算出する、
ものとした。
しかしながら、５側面に相関するデータは、これらに限定されず、また、５側面に相関するデータを算出する際に用いるデータも、これらに限定しない。例えば、"排泄"に相関するデータとして、体動データに基づいて排泄回数を算出してもよい。
（３）状態記録システムの構成
状態記録システム１４０は、療養者１７０を医療介護する看護師１３０が記録した、日々の看護記録に含まれる５側面（睡眠、排泄、移動、皮膚、ストレス）データと、リスク発生情報とを入力するシステムである。
具体的には、状態記録システム１４０は、状態記録装置１４３を有する。看護師１３０は、日々の看護記録に含まれる５側面データ１４１、リスク発生情報１４２を、状態記録装置１４３に入力する。
図１に示すように、５側面データ１４１には、"睡眠"、"排泄"、"移動"、"皮膚"、"ストレス"の各項目が含まれ、看護師１３０は、療養者１７０を観察することで、例えば、各項目の程度を５段階で記録する。
また、リスク発生情報１４２には、療養者１７０に発生する可能性のある問題事象（リスク）の項目が列挙され、看護師１３０は、療養者１７０を観察することで、問題事象が発生したか否かを記録する。図１の例では、療養者１７０に発生する可能性のある問題事象（リスク）として、"不眠症"、"ねたきり"、"床ずれ"、"便秘"、"痛み"等が列挙されている。なお、療養者１７０に発生する可能性のある問題事象（リスク）はこれに限定されるものではない。
状態記録装置１４３は、看護師１３０により入力された５側面データ１４１、リスク発生情報１４２を、ネットワーク１６０を介して、データサーバ１５１に送信する。
（４）データ解析システムの構成
データ解析システム１５０は、療養者１７０を含む複数の療養者について蓄積したデータを解析することで得た知見に基づき、新たな療養者（対象者）における問題事象の発生を抑制し、ＱＯＬ向上に貢献するための最適な環境を特定するシステムである。
具体的には、データ解析システム１５０は、データサーバ１５１と、データ解析装置１５２とを有する。
データサーバ１５１は、療養者１７０を含む複数の療養者についてのデータ（学習用データセット）を蓄積するサーバである。データサーバ１５１には、療養者１７０を含む複数の療養者についての療養者属性情報が蓄積される。
また、データサーバ１５１には、アクチュエータ制御システム１１０より送信された環境情報と、５側面計測システム１２０より送信された５側面相関データと、状態記録システム１４０より送信された５側面データ及びリスク発生情報１４２とが蓄積される。
データ解析装置１５２には、データ解析プログラムがインストールされている。データ解析装置１５２は、当該プログラムが実行されることで、第１の学習部１５３ａ、第２の学習部１５３ｂ、第１の推定部１５４ａ、第２の推定部１５４ｂ、運転条件決定部１５５として機能する。
第１の学習部１５３ａは、環境情報に従って、５側面相関データを学習する。また、第２の学習部１５３ｂは、５側面相関データ（及び５側面データ）に従って、リスク発生情報に基づいて算出される１つ以上のリスクの大きさに相関するデータを学習する。
第１の推定部１５４ａは、新たな療養者の現在の環境を、複数の異なるアクチュエータ制御パターンに基づいて変化させた場合の変化後の複数の環境情報を順次入力し、５側面相関データをそれぞれ推定する。なお、アクチュエータ制御パターンとは、空調機器１１１、照明機器１１２、音発生装置１１３を動作させるための運転条件を定めた様々なパターンを指す。
第２の推定部１５４ｂは、第１の推定部１５４ａにより推定された５側面相関データ（と５側面データとの組み合わせ）を入力し、新たな療養者の１つ以上のリスクの大きさに相関するデータを、それぞれ推定する。
運転条件決定部１５５は、第２の推定部１５４ｂによりそれぞれ推定された、１つ以上のリスクの大きさに相関するデータをそれぞれ評価する。これにより、運転条件決定部１５５は、最適なアクチュエータ制御パターンを決定する。また、運転条件決定部１５５は、決定したアクチュエータ制御パターンを、ネットワーク１６０を介して、アクチュエータ制御装置１１５に送信する。
＜環境制御システムの処理の概要＞
次に、環境制御システム１００の処理の概要について説明する。
（１）学習フェーズにおける環境制御システムの処理の概要
はじめに、学習フェーズにおける環境制御システム１００の処理の概要について説明する。図２は、第１の実施形態に係る環境制御システム（学習フェーズ）の処理の概要を説明するための図である。
上述したように、データ解析システム１５０において、第１の学習部１５３ａは、環境情報に従って、５側面相関データを学習する。具体的には、
・アクチュエータ制御システム１１０より送信された所定区間（例えば、１日分）の環境情報と５側面計測システム１２０より送信された、当該所定区間開始時の５側面相関データとを入力とし、
・５側面計測システム１２０より送信された、当該所定区間の５側面相関データを正解データとして、
５側面算出モデル２０１について機械学習を行い、学習結果として、学習済み５側面算出モデルを生成する。
なお、第１の学習部１５３ａでは、データサーバ１５１に蓄積された、療養者１７０を含む複数の療養者についての環境情報と５側面相関データとの学習用データセットを用いて上記機械学習を行う。
また、上述したように、データ解析システム１５０において、第２の学習部１５３ｂは、５側面相関データ（及び５側面データ）に従って、リスク発生情報に基づいて算出されるリスクの大きさに相関するデータ（リスク相関データ）を学習する。具体的には、
・５側面計測システム１２０より送信された、所定区間の５側面相関データ（及び状態記録システム１４０より送信された５側面データ）を入力とし、
・状態記録システム１４０より送信されたリスク発生情報に基づいて算出されたリスク相関データを正解データとして、
リスク予測モデル２０２について機械学習を行い、学習結果として、学習済みリスク予測モデルを生成する。
なお、第２の学習部１５３ｂは、データサーバ１５１に蓄積された、療養者１７０を含む複数の療養者についての５側面相関データ（及び５側面データ）と、リスク相関データとの学習用データセットを用いて上記機械学習を行う。
（２）推定フェーズにおける環境制御システムの処理の概要
次に、推定フェーズにおける環境制御システム１００の処理の概要について説明する。図３は、第１の実施形態に係る環境制御システム（推定フェーズ）の処理の概要を説明するための図である。
上述したように、データ解析システム１５０において、第１の推定部１５４ａは、新たな療養者の現在の環境を、複数の異なるアクチュエータ制御パターンに基づいて変化させた場合の変化後の複数の環境情報を入力し、５側面相関データをそれぞれ推定する。
具体的には、図３に示すように、データ解析システム１５０では、予め複数のアクチュエータ制御パターンを保持しておく。そして、データ解析システム１５０では、それぞれのアクチュエータ制御パターンによりアクチュエータを制御した場合の環境情報を、１つずつ入力することで、第１学習済みモデルの一例である学習済み５側面算出モデル３０１を実行させる。
このとき、データ解析システム１５０では、５側面計測システム１２０より送信された、新たな療養者の現在の５側面相関データをあわせて入力することで、学習済み５側面算出モデル３０１を実行させる。
つまり、第１の推定部１５４ａは、
・複数のアクチュエータ制御パターンのうちのいずれかのアクチュエータ制御パターンと、
・５側面計測システム１２０より送信された、現在の５側面相関データと、
の組み合わせを入力することで、現在より先の所定区間の５側面相関データを推定する。
また、データ解析システム１５０では、学習済み５側面算出モデル３０１より出力された出力データ（５側面相関データ）を入力することで、第２学習済みモデルの一例である学習済みリスク予測モデル３０２を実行させる。あるいは、データ解析システム１５０では、該出力データと療養者の状態に関するデータ（状態記録システム１４０より送信された５側面データ）との組み合わせを入力することで、学習済みリスク予測モデル３０２を実行させる。
また、データ解析システム１５０では、学習済みリスク予測モデル３０２より出力されたリスク相関データについて、リスク評価部３０３が評価する。リスク評価部３０３では、１のアクチュエータ制御パターンが学習済み５側面算出モデル３０１に入力されるごとに、学習済みリスク予測モデル３０２より出力されるリスク相関データについて評価する。
リスク評価部３０３により、全てのリスク相関データについて評価が完了することで、評価結果が最もよいアクチュエータ制御パターンが特定される。これにより、特定されたアクチュエータ制御パターンが、新たな療養者の現在の環境を制御する際の最適なアクチュエータ制御パターンとして、アクチュエータ制御システム１１０に送信される。
＜データ解析装置のハードウェア構成＞
次に、データ解析装置１５２のハードウェア構成について説明する。図４は、データ解析装置のハードウェア構成の一例を示す図である。図４に示すように、データ解析装置１５２は、ＣＰＵ（Central Processing Unit）４０１、ＲＯＭ（Read Only Memory）４０２、ＲＡＭ（Random Access Memory）４０３を有する。ＣＰＵ４０１、ＲＯＭ４０２、ＲＡＭ４０３は、いわゆるコンピュータを形成する。また、データ解析装置１５２は、補助記憶装置４０４、表示装置４０５、操作装置４０６、Ｉ／Ｆ（Interface）装置４０７、ドライブ装置４０８を有する。データ解析装置１５２の各ハードウェアは、バス４０９を介して相互に接続される。
ＣＰＵ４０１は、補助記憶装置４０４にインストールされている各種プログラム（例えば、データ解析プログラム等）を実行する演算デバイスである。ＲＯＭ４０２は、不揮発性メモリである。ＲＯＭ４０２は、主記憶デバイスとして機能し、補助記憶装置４０４にインストールされている各種プログラムをＣＰＵ４０１が実行するために必要な各種プログラムやデータ等を格納する。具体的には、ＲＯＭ４０２はＢＩＯＳ（Basic Input/Output System）やＥＦＩ（Extensible Firmware Interface）等のブートプログラム等を格納する。
ＲＡＭ４０３は、ＤＲＡＭ（Dynamic Random Access Memory）やＳＲＡＭ（Static Random Access Memory）等の揮発性メモリである。ＲＡＭ４０３は、主記憶デバイスとして機能し、補助記憶装置４０４にインストールされている各種プログラムがＣＰＵ４０１によって実行される際に展開される作業領域を提供する。
補助記憶装置４０４は、各種プログラムや、各種プログラムが実行される際に用いられる情報を格納する。
表示装置４０５は、データ解析装置１５２の内部状態を表示する、表示デバイスである。操作装置４０６は、例えば、データ解析装置１５２の管理者がデータ解析装置１５２に対して各種操作を行うための操作デバイスである。Ｉ／Ｆ装置４０７は、ネットワーク１６０と接続し、データを受信するための接続デバイスである。
ドライブ装置４０８は記録媒体４１０をセットするためのデバイスである。ここでいう記録媒体４１０には、ＣＤ−ＲＯＭ、フレキシブルディスク、光磁気ディスク等のように情報を光学的、電気的あるいは磁気的に記録する媒体が含まれる。また、記録媒体４１０には、ＲＯＭ、フラッシュメモリ等のように情報を電気的に記録する半導体メモリ等が含まれていてもよい。
なお、補助記憶装置４０４にインストールされる各種プログラムは、例えば、配布された記録媒体４１０がドライブ装置４０８にセットされ、該記録媒体４１０に記録された各種プログラムがドライブ装置４０８により読み出されることでインストールされる。あるいは、補助記憶装置４０４にインストールされる各種プログラムは、ネットワーク１６０よりダウンロードされることで、インストールされてもよい。
また、図４では、データ解析装置１５２のハードウェア構成について説明したが、アクチュエータ制御装置１１５、５側面計測装置１２７、状態記録装置１４３についても同様のハードウェア構成を有しているものとする。
＜データサーバに蓄積されるデータ＞
次に、データサーバ１５１に蓄積される学習用データセット（療養者属性情報、環境情報、５側面相関データ、５側面データ、リスク発生情報）の具体例について説明する。
（１）療養者属性情報の具体例
はじめに、療養者属性情報の具体例について説明する。図５は、療養者属性情報の一例を示す図である。療養者属性情報は、療養者ごとに生成され、データサーバ１５１に蓄積される。図５の例は、療養者氏名＝"ＡＡＡ"、"ＢＢＢ"、"ＣＣＣ"の各療養者の療養者属性情報５０１〜５０３を示している。
図５に示すように、療養者属性情報５０１〜５０３には、情報の項目として、"性別"、"生年月日（年齢）"、"既往歴"、"療養経過"、"疾患名"、"疾患のステージ"、"入院日"、"ＡＤＬスコア"、"区分（終末期または回復期）"等が含まれる。
（２）環境情報の具体例
次に、環境情報の具体例について説明する。図６は、環境情報の一例を示す図である。環境情報は、療養者ごとに取得され、療養者属性情報と対応付けてデータサーバ１５１に蓄積される。
図６に示す環境情報において、横軸は日付を、縦軸は環境情報をそれぞれ表している。このうち、図６（ａ）は、療養者氏名＝"ＡＡＡ"の療養者がいる居室内の温度、湿度、気圧、照度、騒音についての、所定期間分のデータを示している。同様に、図６（ｂ）は、療養者氏名＝"ＢＢＢ"の療養者がいる居室内の温度、湿度、気圧、照度、騒音についての、所定期間分のデータを示している。同様に、図６（ｃ）は、療養者氏名＝"ＣＣＣ"の療養者がいる居室内の温度、湿度、気圧、照度、騒音についての、所定期間分のデータを示している。
（３）５側面相関データの具体例
次に、５側面相関データの具体例について説明する。図７は、５側面相関データの一例を示す図である。５側面相関データは、療養者ごとに取得され、療養者属性情報と対応付けてデータサーバ１５１に蓄積される。
図７に示す５側面相関データにおいて、横軸は日付を、縦軸は５側面相関データをそれぞれ表している。このうち、図７（ａ）は、療養者氏名＝"ＡＡＡ"の療養者の、移動量、掻破回数（動作回数）、心拍ゆらぎ、推定尿量、睡眠深度についての、所定期間分のデータを示している。
同様に、図７（ｂ）は、療養者氏名＝"ＢＢＢ"の療養者の、移動量、掻破回数（動作回数）、心拍ゆらぎ、推定尿量、睡眠深度についての、所定期間分のデータを示している。同様に、図７（ｃ）は、療養者氏名＝"ＣＣＣ"の療養者の、移動量、掻破回数（動作回数）、心拍ゆらぎ、推定尿量、睡眠深度についての、所定期間分のデータを示している。
（４）５側面データの具体例
次に、５側面データの具体例について説明する。図８は、５側面データの一例を示す図である。５側面データは、療養者ごとに取得され、療養者属性情報と対応付けてデータサーバ１５１に蓄積される。
図８に示す５側面データにおいて、横軸は日付を表している。また、各日付を指す５側面データは、当該日付において看護師１３０に記録された５側面データを示している。例えば、５側面データ１４１＿ａ１は、所定期間の初日における、療養者氏名＝"ＡＡＡ"の療養者の５側面データを表している。また、５側面データ１４１＿ａ２は、所定期間の２日目における、療養者氏名＝"ＡＡＡ"の療養者の５側面データを表している。
以下、同様に、５側面データ１４１＿ｂ１、１４１＿ｂ２は、療養者氏名＝"ＢＢＢ"の初日及び２日目の５側面データを表し、５側面データ１４１＿ｃ１、１４１＿ｃ２は、療養者氏名＝"ＣＣＣ"の初日及び２日目の５側面データを表している。
なお、図８に示すように、５側面データには、"睡眠"、"排泄"、"移動"、"皮膚"、"ストレス"の各項目の程度が５段階で記録されている。
（５）リスク発生情報の具体例
次に、リスク発生情報の具体例、及び、リスク発生情報に基づいて算出されるリスク相関データの具体例について説明する。図９は、リスク発生情報及びリスク相関データの一例を示す図である。
リスク発生情報及びリスク相関データは、療養者ごとに取得及び算出され、リスク発生情報は、療養者属性情報と対応付けてデータサーバ１５１に蓄積される。
図９に示すリスク発生情報及びリスク相関データにおいて、横軸は日付を表している。また、各日付を指すリスク発生情報は、当該日付において看護師１３０に記録されたリスク発生情報を示している。
例えば、リスク発生情報１４２＿ａ１５は、所定期間の１５日目における、療養者氏名＝"ＡＡＡ"の療養者のリスク発生情報を表している。また、リスク発生情報１４２＿ａ２２は、所定期間の２２日目における、療養者氏名＝"ＡＡＡ"の療養者のリスク発生情報を表している。
一方、グラフ９００＿ａ１、グラフ９００＿ａ１５、グラフ９００＿ａ２２は、それぞれ、所定期間における初日、１５日目、２２日目における、療養者氏名＝"ＡＡＡ"のリスク相関データを表している。
例えば、リスク発生情報１４２＿ａ２２によれば、療養者氏名＝"ＡＡＡ"の場合、所定期間の２２日目において、"ねたきり"、"床ずれ"、"便秘"が発生している。このため、グラフ９００＿ａ２２において、当該項目についてのリスク相関データは１００％となる。同様に、リスク発生情報１４２＿ａ１５によれば、療養者氏名＝"ＡＡＡ"の場合、所定期間の１５日目において、"ねたきり"が発生している。このため、グラフ９００＿ａ１５において、当該項目についてのリスク相関データは１００％になる。
一方で、リスク発生情報１４２＿ａ１５によれば、療養者氏名＝"ＡＡＡ"の場合、所定期間の１５日目においては、"床ずれ"、"便秘"は発生していない。しかしながら、上述したように、これらの項目は、所定期間の２２日目には発生する。したがって、所定期間の１５日目においては、グラフ９００＿ａ１５に示すように、リスク相関データは約７０％となる（＝１５÷２２×１００）。
同様に、所定期間の初日においては、いかなるリスクも発生していないが、"ねたきり"、"床ずれ"、"便秘"については、それぞれ、所定期間の１５日目または２２日目に発生する。したがって、所定期間内の所日においては、グラフ９００＿ａ１に示すように、リスク相関データはそれぞれ、約７％または約５％となる。
同様に、例えば、リスク発生情報１４２＿ｂ９は、所定期間の９日目における、療養者氏名＝"ＢＢＢ"の療養者のリスク発生情報を表している。また、リスク発生情報１４２＿ｂ１７は、所定期間の１７日目における、療養者氏名＝"ＢＢＢ"の療養者のリスク発生情報を表している。
また、グラフ９００＿ｂ１、グラフ９００＿ｂ９、グラフ９００＿ｂ１７は、それぞれ、所定期間における初日、９日目、１７日目における、療養者氏名＝"ＢＢＢ"のリスク相関データを表している。
例えば、リスク発生情報１４２＿ｂ１７によれば、療養者氏名＝"ＢＢＢ"の場合、所定期間の１７日目において、"不眠症"、"痛み"が発生している。このため、グラフ９００＿ｂ１７において、当該項目についてのリスク相関データは１００％になる。同様に、リスク発生情報１４２＿ｂ９によれば、療養者氏名＝"ＢＢＢ"の場合、所定期間の９日目において、"痛み"が発生している。このため、グラフ９００＿ｂ９において、当該項目についてのリスク相関データは１００％になる。
一方で、リスク発生情報１４２＿ｂ９によれば、療養者氏名＝"ＢＢＢ"の場合、所定期間の９日目においては、"不眠症"は発生していない。しかしながら、上述したように、この項目は、所定期間の１７日目には発生する。したがって、所定期間の９日目においては、グラフ９００＿ｂ９に示すようにリスク相関データは約５０％となる（＝９÷１７×１００）。
同様に、所定期間の初日においては、いかなるリスクも発生していないが、"不眠症"、"痛み"については、それぞれ、所定期間の１７日目または９日目に発生する。したがって、所定期間の初日においては、グラフ９００＿ｂ１に示すように、リスク相関データはそれぞれ、約５％または約１０％となる。
同様に、例えば、リスク発生情報１４２＿ｃ１０は、所定期間の１０日目における、療養者氏名＝"ＣＣＣ"の療養者のリスク発生情報を表している。また、リスク発生情報１４２＿ｃ１８は、所定期間の１８日目における、療養者氏名＝"ＣＣＣ"の療養者のリスク発生情報を表している。
また、グラフ９００＿ｃ１、グラフ９００＿ｃ１０、グラフ９００＿ｃ１８は、それぞれ、所定期間における初日、１０日目、１８日目における、療養者氏名＝"ＣＣＣ"のリスク相関データを表している。
例えば、リスク発生情報１４２＿ｃ１８によれば、療養者氏名＝"ＣＣＣ"の場合、所定期間の１８日目において、"不眠症"、"便秘"が発生している。このため、グラフ９００＿ｃ１８において、当該項目についてのリスク相関データは１００％となる。同様に、リスク発生情報１４２＿ｃ１０によれば、療養者氏名＝"ＣＣＣ"の場合、所定期間の１０日目において、"不眠症"が発生している。このため、グラフ９００＿ｃ１０において、当該項目についてのリスク相関データは１００％になる。
一方で、リスク発生情報１４２＿ｃ１０によれば、療養者氏名＝"ＣＣＣ"の場合、所定期間の１０日目においては、"便秘"は発生していない。しかしながら、上述したように、この項目は、所定期間の１８日目には発生する。したがって、所定期間の１０日目においては、リスク相関データは約５０％となる（＝１０÷１８×１００）。
同様に、所定期間の初日においては、いかなるリスクも発生していないが、"不眠症"、"便秘"については、それぞれ、所定期間の１０日目または１８日目に発生する。したがって、所定期間の初日においては、グラフ９００＿ｃ１に示すように、リスク相関データはそれぞれ、約１０％または約５％となる。
＜第１の学習部の機能構成＞
次に、データ解析装置１５２の第１の学習部１５３ａの機能構成について説明する。ここでは、異なるデータセットを用いて学習するケースについて説明する。
（１）第１のケース
図１０Ａは、第１の学習部の機能構成の一例を示す第１の図である。図１０Ａに示すように、第１の学習部１５３ａは、５側面算出モデル２０１と、比較及び変更部１００１とを有する。
第１の学習部１５３ａは、データサーバ１５１より環境情報（図１０Ａの例では、療養者氏名＝"ＡＡＡ"の２日目の環境情報）を読み出す。また、第１の学習部１５３ａは、５側面相関データ（図１０Ａの例では、療養者氏名＝"ＡＡＡ"の２日目開始時点での５側面相関データ及び２日目の５側面相関データを読み出す。
また、第１の学習部１５３ａは、このうち、２日目の環境情報を５側面算出モデル２０１に入力する。具体的には、第１の学習部１５３ａは、居室内の１日分の温度、湿度、気圧、照度、騒音を５側面算出モデル２０１に入力する。なお、５側面算出モデル２０１に入力する居室内の１日分の温度、湿度、気圧、照度、騒音は、１日分のデータの変遷であってもよいし、１日分のデータを演算処理したデータ（例えば、平均値、最大値または最小値、ばらつき等）であってもよい。
また、第１の学習部１５３ａは、２日目開始時点での５側面相関データを５側面算出モデル２０１に入力する。具体的には、第１の学習部１５３ａは、２日目開始時点での睡眠、排泄、移動、皮膚、ストレスの状態に相関するデータを５側面算出モデル２０１に入力する。
これにより、第１の学習部１５３ａは、５側面算出モデル２０１を実行させ、５側面算出モデル２０１は、５側面相関データを出力する。具体的には、５側面算出モデル２０１は、睡眠、排泄、移動、皮膚、ストレスの状態に相関するデータを出力する。
５側面算出モデル２０１より出力された５側面相関データは、比較及び変更部１００１に入力される。比較及び変更部１００１は、
・５側面算出モデル２０１より出力された５側面相関データと、
・データサーバ１５１より読み出した５側面相関データ（正解データ）と、
を比較する。また、比較及び変更部１００１は、比較結果に応じて、５側面算出モデル２０１のモデルパラメータを変更する。
このように、第１の学習部１５３ａは、
・療養者の環境を示す所定区間の環境情報及び所定区間開始時点での５側面相関データと、
・療養者の所定区間の５側面相関データと、
の対応関係を特定する５側面算出モデル２０１について機械学習を行う。これにより、第１の学習部１５３ａは、学習結果として、５側面相関データを推定するための学習済み５側面算出モデルを生成する。
なお、図１０の例は、第１の学習部１５３ａが、環境情報として、居室内の温度、湿度、気圧、照度、騒音を５側面算出モデル２０１に入力する場合について示した。しかしながら、第１の学習部１５３ａは、これらの情報の一部のみを、５側面算出モデル２０１に入力するように構成してもよい。
（２）第２のケース
上記第１のケースでは、５側面算出モデル２０１が、睡眠、排泄、移動、皮膚、ストレスの状態に相関するデータを出力する場合について示した。しかしながら、５側面算出モデル２０１は、これらのデータの一部のみを出力するように構成してもよい。
図１０Ｂは、第１の学習部の機能構成の一例を示す第２の図である。図１０Ａとの相違点は、第１の学習部１５３ａが、５側面相関データのうちの２側面相関データを読み出している点である。具体的には、療養者氏名＝"ＡＡＡ"の２日目開始時点での睡眠、排泄の状態に相関するデータ、及び、療養者氏名＝"ＡＡＡ"の２日目の睡眠、排泄の状態に相関するデータを読み出している点である。
図１０Ｂの場合、第１の学習部１５３ａは、２日目の環境情報と、２日目開始時点での２側面相関データとを、２側面算出モデル２０１'に入力する。これにより、第１の学習部１５３ａは、２側面算出モデル２０１'を実行させ、２側面算出モデル２０１'は、２側面相関データを出力する。具体的には２側面算出モデル２０１'は、睡眠、排泄の状態に相関するデータを出力する。
２側面算出モデル２０１'より出力された２側面相関データは、比較及び変更部１００１に入力される。比較及び変更部１００１は、
・２側面算出モデル２０１'より出力された２側面相関データと、
・データサーバ１５１より読み出された２側面相関データ（正解データ）と、
を比較する。また、比較及び変更部１００１は、比較結果に応じて、２側面算出モデル２０１'のモデルパラメータを変更する。
このように、第１の学習部１５３ａは、
・療養者の環境を示す所定区間の環境情報及び所定区間開始時点での２側面相関データと、
・療養者の所定区間の２側面相関データと、
の対応関係を特定する２側面算出モデル２０１'について機械学習を行う。これにより、第１の学習部１５３ａは、学習結果として、２側面相関データを推定するための学習済み２側面算出モデルを生成する。
なお、図１０Ｂの例では、２側面相関データを出力する場合について説明したが、１側面相関データあるいは３側面、４側面相関データを出力するように機械学習を行ってもよい。
＜第２の学習部の機能構成＞
次に、データ解析装置１５２の第２の学習部１５３ｂの機能構成について説明する。ここでも、異なるデータセットを用いて学習するケースについて説明する。
（１）第１のケース
図１１Ａは、第２の学習部の機能構成の一例を示す第１の図である。図１１Ａに示すように、第２の学習部１５３ｂは、リスク予測モデル２０２と、比較及び変更部１１０１とを有する。
第２の学習部１５３ｂは、データサーバ１５１より５側面相関データ（図１１の例では、療養者氏名＝"ＡＡＡ"の２日目の５側面相関データ）を読み出す。また、第２の学習部１５３ｂは、データサーバ１５１よりリスク発生情報を読み出し、リスク相関データ（図１１の例では、療養者氏名＝"ＡＡＡ"の２日目のリスク相関データ）を算出する。
第２の学習部１５３ｂは、５側面相関データをリスク予測モデル２０２に入力する。具体的には、第２の学習部１５３ｂは、睡眠、排泄、移動、皮膚、ストレスの状態に相関するデータをリスク予測モデル２０２に入力する。
これにより、第２の学習部１５３ｂは、リスク予測モデル２０２を実行させ、リスク予測モデル２０２は、リスク相関データを出力する。具体的には、リスク予測モデル２０２は、不眠症、ねたきり、床ずれ、便秘、痛み、・・・等の項目を含むリスク相関データを出力する。
リスク予測モデル２０２より出力されたリスク相関データは、比較及び変更部１１０１に入力される。比較及び変更部１１０１は、
・リスク予測モデル２０２より出力されたリスク相関データと、
・データサーバ１５１より読み出したリスク発生情報に基づいて算出したリスク相関データ（正解データ）と、
を比較する。また、比較及び変更部１１０１は、比較結果に応じて、リスク予測モデル２０２のモデルパラメータを変更する。
このように、第２の学習部１５３ｂは、
・療養者の所定区間の５側面相関データと、
・療養者に将来起こり得る１つ以上のリスクの所定区間におけるリスク相関データと
の対応関係を特定するリスク予測モデル２０２について機械学習を行う。これにより、第２の学習部１５３ｂは、リスク相関データを推定するための学習済みリスク予測モデルを生成する。
（２）第２のケース
上記第１のケースでは、第２の学習部１５３ｂが、５側面相関データとして、睡眠、排泄、移動、皮膚、ストレスの状態に相関するデータをリスク予測モデル２０２に入力する場合について示した。しかしながら、第２の学習部１５３ｂは、これらのデータの一部のみを、リスク予測モデル２０２に入力し、残りは、データサーバ１５１より読み出した５側面データの一部を入力してもよい。
図１１Ｂは、第２の学習部の機能構成の一例を示す第２の図である。図１１Ｂとの相違点は、第２の学習部１５３ｂが、５側面相関データのうちの２側面相関データ（図１１Ｂの例では、療養者氏名＝"ＡＡＡ"の２日目の睡眠、排泄の状態に相関するデータ）を読み出している点である。また、第２の学習部１５３ｂが、５側面データのうちの３側面データ（図１１Ｂの例では、療養者氏名＝"ＡＡＡ"の２日目の移動、皮膚、ストレスの程度）を読み出している点である。
図１１Ｂの場合、第２の学習部１５３ｂは、２日目の２側面相関データと、２日目の３側面データとを、リスク予測モデル２０２'に入力する。これにより、第２の学習部１５３ｂは、リスク予測モデル２０２'を実行させ、リスク予測モデル２０２'は、リスク相関データを出力する。具体的には、リスク予測モデル２０２'は、不眠症、ねたきり、床ずれ、便秘、痛み、・・・等の項目を含むリスク相関データを出力する。
リスク予測モデル２０２'より出力されたリスク相関データは、比較及び変更部１１０１に入力される。比較及び変更部１１０１は、
・リスク予測モデル２０２'より出力されたリスク相関データと、
・データサーバ１５１より読み出したリスク発生情報に基づいて算出したリスク相関データ（正解データ）と、
を比較する。また、比較及び変更部１１０１は、比較結果に応じて、リスク予測モデル２０２'のモデルパラメータを変更する。
このように、第２の学習部１５３ｂは、
・療養者の所定区間の２側面相関データ及び３側面データと、
・療養者に将来起こり得る１つ以上のリスクの所定区間におけるリスク相関データと
の対応関係を特定するリスク予測モデル２０２'について機械学習を行う。これにより、第２の学習部１５３ｂは、リスク相関データを推定するための学習済みリスク予測モデルを生成する。
なお、図１１Ｂの例では、２側面相関データと３側面データとを入力する場合について説明したが、１側面相関データと４側面データとを入力して機械学習を行ってもよい。あるいは、３側面相関データと２側面データとを入力して、あるいは、４側面相関データと１側面データとを入力して機械学習を行ってもよい。
＜第１の推定部の機能構成＞
次に、データ解析装置１５２の第１の推定部１５４ａの機能構成について説明する。ここでは、異なるデータセットを用いて推定するケースについて説明する。
（１）第１のケース
図１２Ａは、第１の推定部の機能構成の一例を示す第１の図である。図１２Ａに示すように、第１の推定部１５４ａは、学習済み５側面算出モデル３０１を有する。
第１の推定部１５４ａは、パターン格納部１２０１に予め保持された複数のアクチュエータ制御パターンを順次読み出す。そして、第１の推定部１５４ａは、読み出したそれぞれのアクチュエータ制御パターンで、新たな療養者（療養者氏名＝"ＸＸＸ"）、対象者）がいる居室の環境を変化させた場合の変化後の環境情報をそれぞれ特定する。また、第１の推定部１５４ａは、新たな療養者の現在の５側面相関データを読み出す。
そして、第１の推定部１５４ａは、取得した変化後の環境情報を、新たな療養者の現在（図１２Ａの例では９日目）の５側面相関データとともに、順次、学習済み５側面算出モデル３０１に入力することで、学習済み５側面算出モデル３０１を実行させる。これにより、学習済み５側面算出モデル３０１は、それぞれの環境情報に対応する５側面相関データ１２１０を推定する。
なお、学習済み５側面算出モデル３０１が、居室内の温度、湿度、気圧、照度、騒音のうちの一部のみを用いて機械学習を行うことにより生成されていた場合にあっては、第１の推定部１５４ａは当該一部のみを、学習済み５側面算出モデル３０１に入力する。
（２）第２のケース
上記第１のケースでは、第１の推定部１５４ａが、学習済み５側面算出モデル３０１を有する場合について示した。これに対して、第２のケースでは、第１の推定部１５４ａが、第１学習済みモデルの一例である学習済み２側面算出モデル３０１'を有する場合について説明する。
図１２Ｂは、第１の推定部の機能構成の一例を示す第２の図である。図１２Ｂに示すように、第１の推定部１５４ａは、学習済み２側面算出モデル３０１'を有する。図１２Ａとの相違点は、第１の推定部１５４ａが、新たな療養者の現在（図１２Ａの例では、９日目）の２側面相関データを読み出している点である。
第１の推定部１５４ａは、取得した変化後の環境情報を、新たな療養者の現在の２側面相関データとともに、順次、学習済み２側面算出モデル３０１'に入力することで、学習済み２側面算出モデル３０１'を実行させる。これにより、学習済み２側面算出モデル３０１'は、それぞれの環境情報に対応する２側面相関データ１２１１を推定する。
＜第２の推定部の機能構成＞
次に、データ解析装置１５２の第２の推定部１５４ｂの機能構成について説明する。図１３は、第２の推定部の機能構成の一例を示す図である。このうち、図１３（ａ）の例は、第２の推定部１５４ｂが、学習済みリスク予測モデル３０２を有する場合を示している。
第２の推定部１５４ｂは、第１の推定部１５４ａの学習済み５側面算出モデル３０１より順次出力された５側面相関データを取得し、学習済みリスク予測モデル３０２に入力することで、学習済みリスク予測モデル３０２を実行させる。これにより、学習済みリスク予測モデル３０２は、それぞれの５側面相関データに対応するリスク相関データ１３１０を推定する。
具体的には、第２の推定部１５４ｂは、学習済み５側面算出モデル３０１より出力された、睡眠、排泄、移動、皮膚、ストレスの状態に相関するデータを取得し、学習済みリスク予測モデル３０２に入力することで、リスク相関データ１３１０を推定する。
一方、図１３（ｂ）の例は、第２の推定部１５４ｂが、第２学習済みモデルの一例である学習済みリスク予測モデル３０２'を有する場合を示している。第２の推定部１５４ｂは、学習済み２側面算出モデル３０１'より出力された、睡眠、排泄の状態に相関するデータを取得し、学習済みリスク予測モデル３０２'に入力する。また、第２の推定部１５４ｂは、新たな療養者（図１３の例では、療養者氏名＝"ＸＸＸ"）の現在の５側面データ１３１２をデータサーバ１５１から読み出し、移動、皮膚、ストレスの程度を学習済みリスク予測モデル３０２に入力する。これにより、第２の推定部１５４ｂは、リスク相関データ１３１０を推定する。
＜運転条件決定部の機能構成＞
次に、データ解析装置１５２の運転条件決定部１５５の機能構成について説明する。図１４は、運転条件決定部の機能構成の一例を示す図である。図１４に示すように、運転条件決定部１５５は、リスク評価部３０３と、決定部１４０１とを有する。
運転条件決定部１５５は、第２の推定部１５４ｂの学習済みリスク予測モデル３０２より順次出力されたリスク相関データ１３１０を取得し、リスク評価部３０３に入力する。
リスク評価部３０３は、入力されたリスク相関データ１３１０について、それぞれの評価値を算出する。図１４の例は、リスク相関データ１３１０のうち、１番目に入力されたリスク相関データについて評価値を算出した様子を示している。
具体的には、リスク評価部３０３は、１番目に入力されたリスク相関データの各項目の値（不眠症＝Ｌ１％、ねたきり＝Ｌ２％、床ずれ＝Ｌ３％、・・・）を下式に基づいて重み付け加算することで、評価値を算出する。
評価値＝ｎ１×Ｌ１＋ｎ２×Ｌ２＋ｎ３×Ｌ３＋・・・
なお、リスク評価部３０３は、リスク相関データ１３１０に含まれる各リスク相関データについてそれぞれ評価値を算出し、順次、決定部１４０１に出力する。
決定部１４０１は、リスク評価部３０３より出力された各評価値を比較し、最大の評価値を抽出する。また、決定部１４０１は、抽出した最大の評価値に対応するアクチュエータ制御パターン１４１０を特定する。つまり、決定部１４０１は、評価結果が最もよいアクチュエータ制御パターン１４１０を特定する。
また、決定部１４０１は、特定したアクチュエータ制御パターン１４１０をアクチュエータ制御システム１１０に送信する。
＜データ解析装置によるデータ解析処理の流れ＞
次に、データ解析装置１５２によるデータ解析処理全体の流れについて説明する。図１５は、データ解析装置によるデータ解析処理の流れを示すフローチャートである。なお、データ解析装置１５２がデータ解析処理を実行するにあたり、データサーバ１５１には、複数の療養者の療養者属性情報、環境情報、５側面相関データ、５側面データ、リスク発生情報（学習用データセット）が蓄積されているものとする。
ステップＳ１５０１において、第１の学習部１５３ａは、データサーバ１５１より環境情報を取得する。
ステップＳ１５０２において、第１の学習部１５３ａ及び第２の学習部１５３ｂは、データサーバ１５１より５側面相関データを取得する。
ステップＳ１５０３において、第１の学習部１５３ａは、環境情報と５側面相関データとの対応関係を特定する５側面算出モデル２０１について機械学習を行い、学習済み５側面算出モデルを生成する。
ステップＳ１５０４において、第２の学習部１５３ｂは、データサーバ１５１より５側面データを取得する。
ステップＳ１５０５において、第２の学習部１５３ｂは、データサーバ１５１よりリスク発生情報を取得し、リスク相関データを算出する。
ステップＳ１５０６において、第２の学習部１５３ｂは、５側面相関データ（及び５側面データ）と、リスク相関データとの対応関係を特定するリスク予測モデル２０２について機械学習を行い、学習済みリスク予測モデルを生成する。
ステップＳ１５０７において、第１の推定部１５４ａは、アクチュエータ制御パターンをカウントするカウンタＮに"１"を入力する。
ステップＳ１５０８において、第１の推定部１５４ａは、パターン格納部１２０１に予め保持された複数のアクチュエータ制御パターンのうち、Ｎ番目のアクチュエータ制御パターンを読み出す。また、第１の推定部１５４ａは、読み出したＮ番目のアクチュエータ制御パターンで新たな療養者がいる居室の環境を変化させた場合の、変化後の環境情報を特定する。
ステップＳ１５０９において、第１の推定部１５４ａは、ステップＳ１５０８において特定した環境情報を、学習済み５側面算出モデルに入力し、５側面相関データを推定する。
ステップＳ１５１０において、第２の推定部１５４ｂは、推定された５側面相関データ及び現在の５側面データを、学習済みリスク予測モデルに入力し、リスク相関データを推定する。
ステップＳ１５１１において、第１の推定部１５４ａは、パターン格納部１２０１に予め保持された複数のアクチュエータ制御パターン全てについて、リスク相関データを推定したか否かを判定する。ステップＳ１５１１において、リスク相関データを推定していないアクチュエータ制御パターンがあると判定した場合には（ステップＳ１５１１においてＮｏの場合には）、ステップＳ１５１２に進む。
ステップＳ１５１２において、第１の推定部１５４ａは、カウンタＮをインクリメントし、ステップＳ１５０８に戻る。
一方、ステップＳ１５１１において、複数のアクチュエータ制御パターン全てについて、リスク相関データを推定したと判定した場合には（ステップＳ１５１１においてＹｅｓの場合には）、ステップＳ１５１３に進む。
ステップＳ１５１３において、運転条件決定部１５５は、推定されたリスク相関データそれぞれについて評価値を算出し、最大の評価値に対応するアクチュエータ制御パターンを特定する。また、運転条件決定部１５５は、特定したアクチュエータ制御パターンをアクチュエータ制御システム１１０に送信する。
＜まとめ＞
以上の説明から明らかなように、第１の実施形態では、
・療養者の環境を示す環境情報と、療養者の５側面相関データとを関連付けて学習する。
・療養者の５側面相関データと、療養者に将来起こり得る１つ以上のリスクのリスク相関データとを関連付けて学習する。
・新たな療養者の現在の環境を変化させた場合の変化後の環境情報を、学習済み５側面算出モデルに入力することで推定された５側面相関データを、学習済みリスク予測モデルに入力することで、リスク相関データを推定する。あるいは、当該推定された５側面相関データと新たな療養者の現在の５側面データとの組み合わせを、学習済みリスク予測モデルに入力することで、リスク相関データを推定する。
・推定されたリスク相関データを評価することで、新たな療養者の環境を制御するアクチュエータの運転条件を決定する。
このように、第１の実施形態によれば、療養者に問題事象が発生する前に、発生のリスクを予測し、療養者の環境を最適化することが可能となる。つまり、第１の実施形態によれば、療養者の環境を最適に制御する制御システムを提供することができる。この結果、問題事象の発生を抑制することができるとともに、療養者のＱＯＬを向上させることができる。
［第２の実施形態］
上記第１の実施形態では、第１の学習部１５３ａが、５側面算出モデル２０１について機械学習を行うにあたり、１日分の環境情報及び１日分の５側面相関データを用いる場合について説明した。しかしながら、５側面算出モデル２０１について機械学習を行うにあたっては、複数日分の環境情報及び複数日分の５側面相関データを用いてもよい。
図１６は、第１の学習部の機能構成の他の一例を示す第１の図である。図１０との相違点は、第１の学習部１５３ａがデータサーバ１５１より読み出す環境情報及び５側面相関データである。
具体的には、図１６の場合、第１の学習部１５３ａは、データサーバ１５１より、療養者氏名＝"ＡＡＡ"の２日目から５日目の環境情報と、２日目から５日目の５側面相関データを読み出す。
また、第１の学習部１５３ａは、２日目から５日目の環境情報を、２日目開始時点での５側面相関データとともに５側面算出モデル２０１に入力する。これにより、第１の学習部１５３ａは、５側面算出モデル２０１を実行させ、５側面算出モデル２０１は、２日目から５日目の５側面相関データを出力する。
５側面算出モデル２０１より出力された、２日目から５日目の５側面相関データは、比較及び変更部１００１に入力される。比較及び変更部１００１は、
・５側面算出モデル２０１より出力された、２日目から５日目の５側面相関データと、
・データサーバ１５１より読み出した、２日目から５日目の５側面相関データ（正解データ）と、
を比較する。また、比較及び変更部１００１は、比較結果に基づいて、５側面算出モデル２０１のモデルパラメータを変更する。
このように、第１の学習部１５３ａは、
・療養者の環境を示す複数日分の環境情報及び複数日数開始時点での５側面相関データと、
・療養者の複数日分の５側面相関データと、
の対応関係を特定する５側面算出モデル２０１について機械学習を行ってもよい。
なお、この場合、第２の学習部１５３ｂは、複数日分の５側面相関データを入力として、リスク予測モデル２０２について機械学習を行うことになる。また、第１の推定部１５４ａは、複数日分の５側面相関データを推定し、第２の推定部１５４ｂは、複数日分の５側面相関データを入力として、リスク相関データを推定することになる。
このように、複数日分のデータを用いることで、推定されるリスク相関データの精度を向上させることができる。
［第３の実施形態］
上記第１及び第２の実施形態では、第１の学習部１５３ａが、５側面算出モデル２０１について機械学習を行うにあたり、環境情報を入力する場合について説明した。しかしながら、５側面算出モデル２０１について機械学習を行うにあたっては、更に、療養者属性情報を入力してもよい。
図１７は、第１の学習部の機能構成の他の一例を示す第２の図である。図１０との相違点は、第１の学習部１５３ａがデータサーバ１５１より、療養者属性情報５０１を読み出している点である。
具体的には、図１７の場合、第１の学習部１５３ａは、データサーバ１５１より、療養者氏名＝"ＡＡＡ"の２日目の環境情報を読み出す。また、第１の学習部１５３ａは、療養者氏名＝"ＡＡＡ"の療養者属性情報５０１を読み出す。更に、第１の学習部１５３ａは、療養者氏名＝"ＡＡＡ"の２日目開始時点での５側面相関データ及び２日目の５側面相関データを読み出す。
また、第１の学習部１５３ａは、このうち、２日目の療養者氏名＝"ＡＡＡ"の環境情報と、療養者氏名＝"ＡＡＡ"の療養者属性情報５０１と、療養者氏名＝"ＡＡＡ"の２日目開始時点での５側面相関データとを、５側面算出モデル２０１に入力する。これにより、第１の学習部１５３ａは、５側面算出モデル２０１を実行させ、５側面算出モデル２０１は、５側面相関データを出力する。
５側面算出モデル２０１より出力された５側面相関データは、比較及び変更部１００１に入力される。比較及び変更部１００１は、
・５側面算出モデル２０１より出力された５側面相関データと、
・データサーバ１５１より読み出した５側面相関データ（正解データ）と、
を比較する。また、比較及び変更部１００１は、比較結果に基づいて、５側面算出モデル２０１のモデルパラメータを変更する。
このように、第１の学習部１５３ａは、
・療養者の環境を示す所定区間の環境情報、所定区間開始時点での５側面相関データ、及び、療養者属性情報の組み合わせと、
・療養者の所定区間の５側面相関データと、
の対応関係を特定する５側面算出モデル２０１について機械学習を行う。
なお、ここでは、第１の学習部１５３ａに療養者属性情報を入力するものとしたが、第２の学習部１５３ｂに療養者属性情報を入力してもよい。この場合、第２の学習部１５３ｂは、
・療養者の所定区間の５側面相関データと、療養者属性情報との組み合わせと、
・療養者に将来起こり得る１つ以上のリスクのリスク相関データと、
の対応関係を特定するリスク予測モデル２０２について機械学習を行うことになる。
また、第１の学習部１５３ａに療養者属性情報を入力した場合には、第１の推定部１５４ａにも療養者属性情報を入力し、第２の学習部１５３ｂに療養者属性情報を入力した場合には、第２の推定部１５４ｂにも療養者属性情報を入力することになる。
このように、療養者属性情報を用いることで、性別、年齢、既往歴、・・・等、療養者属性情報に含まれる各項目の値に応じて、リスク相関データを推定することが可能となり、リスク相関データの精度を向上させることができる。
［第４の実施形態］
上記第１乃至第３の実施形態では、データ解析システム１５０が、５側面算出モデル２０１とリスク予測モデル２０２とを有するものとして説明した。これに対して、第４の実施形態では、データ解析システム１５０が、リスク予測モデルのみを有する場合について説明する。
（１）学習フェーズにおける環境制御システムの処理の概要
図１８は、第４の実施形態に係る環境制御システム（学習フェーズ）の処理の概要を説明するための図である。図１８に示すように、第４の実施形態に係るデータ解析システム１５０の場合、リスク予測モデル１８００は、
・アクチュエータ制御システム１１０より送信された所定区間の環境情報と、５側面計測システム１２０より送信されたｍ側面相関データ（及び状態記録システム１４０より送信された（５−ｍ）側面データ）とを入力とし、
・状態記録システム１４０より送信されたリスク発生情報に基づいて算出されたリスク相関データを正解データとして、
機械学習を行い、学習済みリスク予測モデルを生成する。
（２）推定フェーズにおける環境制御システムの処理の概要
図１９は、第４の実施形態に係る環境制御システム（推定フェーズ）の処理の概要を説明するための図である。図１９に示すように、第４の実施形態に係るデータ解析システム１５０の場合、第３学習済みモデルの一例である学習済みリスク予測モデル１９００は、
・新たな療養者の現在の環境を、複数の異なるアクチュエータ制御パターンに基づいて変化させた場合の変化後の複数の環境情報と、
・５側面計測システム１２０より送信された、新たな療養者の現在のｍ側面相関データ（及び状態記録システム１４０より送信された、新たな療養者の現在の（５−ｍ）側面データ）と、
を入力し、リスク相関データをそれぞれ推定する。
また、データ解析システム１５０では、学習済みリスク予測モデル１９００より出力されたリスク相関データについて、リスク評価部３０３が評価する。リスク評価部３０３では、１のアクチュエータ制御パターンが学習済みリスク予測モデル１９００に入力されるごとに、学習済みリスク予測モデル１９００より出力されるリスク相関データについて評価する。
リスク評価部３０３により、全てのリスク相関データについて評価が完了すると、評価結果が最もよいアクチュエータ制御パターンが特定される。これにより、特定されたアクチュエータ制御パターンが、新たな療養者の現在の環境を制御する際の最適なアクチュエータ制御パターンとして、アクチュエータ制御システム１１０に送信される。
このように、第４の実施形態では、データ解析システムが、１の学習済みモデル（学習済みリスク予測モデル）を生成し、当該１の学習済みモデルを用いてリスク相関データを推定する。
この場合でも、第１の実施形態と同様に、療養者に問題事象が発生する前に、発生のリスクを予測し、療養者の環境を最適にすることが可能となる。つまり、第４の実施形態によれば、療養者の環境を最適に制御する環境制御システムを提供することができる。この結果、問題事象の発生を抑制することができるとともに、療養者のＱＯＬを向上させることができる。
［その他の実施形態］
上記第１の実施形態では、データ解析システム１５０において、データ解析装置１５２が、第１の学習部１５３ａ、第２の学習部１５３ｂ、第１の推定部１５４ａ、第２の推定部１５４ｂ、運転条件決定部１５５を有するものとして説明した。しかしながら、データ解析装置１５２が有する各部は、データ解析システム１５０内において、別体の装置において構成されていてもよい。あるいは、データ解析装置１５２が有する各部のうちの一部（例えば、運転条件決定部１５５）は、例えば、アクチュエータ制御システム１１０において実現されていてもよい。
また、上記第１乃至第３の実施形態では、５側面算出モデル２０１、２側面算出モデル２０１'を実行させる際に、所定区間開始時の５側面相関データ、２側面相関データを入力するものとして説明した。しかしながら、所定区間開始時の５側面相関データ、２側面相関データは入力しなくてもよい（つまり、所定区間の環境情報と所定区間の５側面相関データとを関連付けて学習してもよい）。この場合、学習済み５側面算出モデル３０１、学習済み２側面算出モデル３０１'は、個々の療養者の状態に依存しない、より一般的なモデルとして生成されることになる。
また、上記第１乃至第３の実施形態では、学習済みリスク予測モデル３０２'を実行させる際に、第２の推定部１５４ｂが、例えば、
・学習済み２側面算出モデル３０１'より出力された２側面相関データ１２１１と、
・現在の５側面データ１３１２のうちの、移動、皮膚、ストレスの程度と、
を入力するものとして説明した。しかしながら、学習済みリスク予測モデル３０２'に入力するデータの組み合わせは、これに限定されない。例えば、現在の５側面データ１３１２のうちの一部を、現在の５側面相関データのうちの対応する一部のデータに置き換えてもよい。
具体的には、学習済みリスク予測モデル３０２'を実行させる際に、第２の推定部１５４ｂが、例えば、
・学習済み２側面算出モデル３０１'より出力された２側面相関データ１２１１と、
・現在の５側面データ１３１２のうちの、移動、皮膚の程度と、
・現在の５側面相関データのうちの、ストレスに相関するデータと、
を入力してもよい。
つまり、上記第１乃至第３の実施形態において説明した"療養者の状態に関するデータ"には、現在の５側面データと、現在の５側面相関データとのいずれか一方または両方が含まれる。
また、上記第１の実施形態では、機械学習を行う際に用いるモデル（５側面算出モデル、２側面算出モデル、リスク予測モデル）の詳細について特に言及しなかったが、機械学習を行う際に用いるモデルには任意の種類のモデルが適用されるものとする。具体的には、ＮＮ（Neural Network）モデルや、ランダムフォレストモデル、ＳＶＭ（Support Vector Machine）モデル等、任意の種類のモデルが適用される。
また、上記第１の実施形態では、比較及び変更部による比較結果に基づいて、モデルパラメータを変更する場合の変更方法の詳細について特に言及しなかったが、比較及び変更部によるモデルパラメータの変更方法はモデルの種類に従うものとする。
以上、実施形態を説明したが、特許請求の範囲の趣旨及び範囲から逸脱することなく、形態や詳細の多様な変更が可能なことが理解されるであろう。
１００ ：環境制御システム
１１０ ：アクチュエータ制御システム
１１５ ：アクチュエータ制御装置
１１６ ：収集部
１１７ ：制御部
１２０ ：５側面計測システム
１４０ ：状態記録システム
１４１ ：５側面データ
１４２ ：リスク発生情報
１５０ ：データ解析システム
１５１ ：データサーバ
１５２ ：データ解析装置
１５３ａ ：第１の学習部
１５３ｂ ：第２の学習部
１５４ａ ：第１の推定部
１５４ｂ ：第２の推定部
１５５ ：運転条件決定部
２０１ ：５側面算出モデル
２０２ ：リスク予測モデル
３０１ ：学習済み５側面算出モデル
３０２ ：学習済みリスク予測モデル
３０３ ：リスク評価部
５０１〜５０３ ：療養者属性情報
９００＿ａ１等 ：リスク相関データ
１４０１ ：決定部
１８００ ：リスク予測モデル
１９００ ：学習済みリスク予測モデル

Claims (11)

  1. 対象者の環境を制御する環境制御システムであって、
    環境を制御するアクチュエータと、
    前記アクチュエータの運転条件を決定する運転条件決定部と、
    前記運転条件決定部により決定された運転条件に基づいて前記アクチュエータを制御する制御部と、
    第１学習済みモデルと第２学習済みモデルとを有する推定部と、を有し、
    前記第１学習済みモデルは、
    対象者の環境を示す環境情報と、
    前記対象者の睡眠、排泄、移動、皮膚、ストレスの状態の少なくともいずれか１つと相関するデータと、
    を関連付けて学習したモデルであり、
    前記第２学習済みモデルは、
    前記対象者の睡眠、排泄、移動、皮膚、ストレスの状態の少なくともいずれか１つと相関するデータと、
    前記対象者に将来起こり得る１つ以上のリスクの大きさに相関するデータと、
    を関連付けて学習したモデルであり、
    前記推定部は、
    対象者の環境情報を前記第１学習済みモデルに入力したときの出力データ、又は、前記第１学習済みモデルに入力したときの出力データと対象者の状態に関するデータとの組み合わせを、前記第２学習済みモデルに入力することで前記１つ以上のリスクの大きさに相関するデータを推定し、
    前記運転条件決定部は、前記推定部によって推定された前記１つ以上のリスクの大きさに相関するデータを評価することによって、前記アクチュエータの運転条件を決定する、環境制御システム。
  2. 前記第２学習済みモデルは、前記対象者の睡眠、排泄、移動、皮膚、ストレスの状態の少なくともいずれか１つと相関するデータとして前記対象者の生体情報を用いて学習したモデルである、請求項１に記載の環境制御システム。
  3. 前記生体情報には、前記対象者の移動量、前記対象者の掻破回数、前記対象者の心拍のゆらぎ、前記対象者の睡眠深度、前記対象者の推定尿量または排泄回数、の少なくともいずれかが含まれる、請求項２に記載の環境制御システム。
  4. 前記第１学習済みモデルは、前記対象者の環境情報と前記対象者の睡眠、排泄、移動、皮膚、ストレスの状態の少なくともいずれか１つと相関するデータとを学習用データセットとして学習したモデルである、請求項１乃至３のいずれか１項に記載の環境制御システム。
  5. 前記第１学習済みモデルは、更に、前記対象者の環境情報と前記対象者の属性を示す属性情報との組み合わせに従って、前記対象者の睡眠、排泄、移動、皮膚、ストレスの状態の少なくともいずれか１つと相関するデータを学習したモデルである、請求項４に記載の環境制御システム。
  6. 前記第２学習済みモデルは、前記対象者の睡眠、排泄、移動、皮膚、ストレスの状態と相関するデータと、前記対象者に将来起こり得る１つ以上のリスクの大きさに相関するデータとを学習用データセットとして学習したモデルである、請求項１乃至５のいずれか１項に記載の環境制御システム。
  7. 前記推定部は、対象者の状態に関するデータとして看護記録を用いる、請求項１乃至６のいずれか１項に記載の環境制御システム。
  8. 前記運転条件決定部は、前記推定部により推定された、前記１つ以上のリスクの大きさに相関するデータを重み付け加算することで評価する、請求項１に記載の環境制御システム。
  9. 前記環境情報には、温度、湿度、気圧、照度、騒音の少なくともいずれか１つが含まれる、請求項１に記載の環境制御システム。
  10. 前記アクチュエータには、前記対象者の環境を制御する空調機器が含まれる、請求項１に記載の環境制御システム。
  11. 対象者の環境を制御する環境制御システムであって、
    環境を制御するアクチュエータと、
    前記アクチュエータの運転条件を決定する運転条件決定部と、
    前記運転条件決定部により決定された運転条件に基づいて前記アクチュエータを制御する制御部と、
    第３学習済みモデルを有する推定部と、を有し、
    前記第３学習済みモデルは、
    対象者の睡眠、排泄、移動、皮膚、ストレスの状態の少なくともいずれか１つと相関するデータ、及び、前記対象者の環境を示す環境情報と、
    前記対象者に将来起こり得る１つ以上のリスクの大きさに相関するデータと、
    を関連付けて学習したモデルであり、
    前記推定部は、
    対象者の睡眠、排泄、移動、皮膚、ストレスの状態の少なくともいずれか１つと相関するデータ、及び、対象者の環境情報を、前記第３学習済みモデルに入力することで、前記１つ以上のリスクの大きさに相関するデータを推定し、
    前記運転条件決定部は、前記推定部によって推定された１つ以上のリスクの大きさに相関するデータを評価することによって、前記アクチュエータの運転条件を決定する、環境制御システム。
JP2020003216A 2019-03-15 2020-01-10 環境制御システム Active JP6737416B1 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN202080018616.5A CN113544789B (zh) 2019-03-15 2020-03-12 环境控制系统
EP20774021.8A EP3940708A4 (en) 2019-03-15 2020-03-12 ENVIRONMENT MONITORING SYSTEM
US17/310,670 US20220043404A1 (en) 2019-03-15 2020-03-12 Environment control system
PCT/JP2020/010945 WO2020189529A1 (ja) 2019-03-15 2020-03-12 環境制御システム

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019049194 2019-03-15
JP2019049194 2019-03-15

Publications (2)

Publication Number Publication Date
JP6737416B1 true JP6737416B1 (ja) 2020-08-12
JP2020155099A JP2020155099A (ja) 2020-09-24

Family

ID=71949263

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020003216A Active JP6737416B1 (ja) 2019-03-15 2020-01-10 環境制御システム

Country Status (5)

Country Link
US (1) US20220043404A1 (ja)
EP (1) EP3940708A4 (ja)
JP (1) JP6737416B1 (ja)
CN (1) CN113544789B (ja)
WO (1) WO2020189529A1 (ja)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022208873A1 (ja) * 2021-04-02 2022-10-06 日本電気株式会社 ストレス推定装置、ストレス推定方法及び記憶媒体
WO2023105790A1 (ja) * 2021-12-10 2023-06-15 日本電気株式会社 ストレス推定方法
JP7368767B2 (ja) * 2022-03-04 2023-10-25 ダイキン工業株式会社 増悪リスク予測システム
WO2024054495A1 (en) * 2022-09-08 2024-03-14 Sleep Number Corporation Bed with features for determination of insomnia risk

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005021255A (ja) * 2003-06-30 2005-01-27 Sony Corp 制御装置及び制御方法
JP2005226882A (ja) * 2004-02-10 2005-08-25 Daikin Ind Ltd 空調制御システム、ベビーベッド、および介護用ベッド
JP2006087850A (ja) * 2004-09-21 2006-04-06 Charm & Mark Kk 睡眠状態検知装置・検知システム、および睡眠状態検知起動の空調機器・照明機器・音響機器等制御装置・制御システム
EP2210226A4 (en) * 2007-10-12 2013-11-06 Patientslikeme Inc SELF-IMPROVED METHOD OF USING ONLINE COMMUNITIES TO PREDICT CLINICAL RESULTS
US9189599B2 (en) * 2011-05-13 2015-11-17 Fujitsu Limited Calculating and monitoring a composite stress index
US9213956B2 (en) * 2012-03-14 2015-12-15 Hill-Rom Services, Inc. Algorithm for predicting and mitigating adverse events
EP3500224A4 (en) * 2016-08-19 2020-03-25 Curiato Inc. SYSTEM, METHOD AND COMPUTER READABLE MEDIUM FOR DYNAMIC PRESSURE DAMAGE RISK ASSESSMENT AND REACTION
JP7265313B2 (ja) * 2017-07-12 2023-04-26 パラマウントベッド株式会社 療養支援システム
CN107496117B (zh) * 2017-08-31 2023-05-02 任鹏宇 反馈式二次压力自调节褥疮监测预防智能设备
JP2020003216A (ja) 2018-06-25 2020-01-09 公益財団法人鉄道総合技術研究所 貨物輸送シミュレーション装置及びプログラム
JP6602445B2 (ja) 2018-11-26 2019-11-06 有限会社江部電気 融雪屋根構造体及び融雪屋根構造
US20200205741A1 (en) * 2018-12-28 2020-07-02 X Development Llc Predicting anxiety from neuroelectric data

Also Published As

Publication number Publication date
JP2020155099A (ja) 2020-09-24
EP3940708A4 (en) 2022-12-07
US20220043404A1 (en) 2022-02-10
WO2020189529A1 (ja) 2020-09-24
CN113544789B (zh) 2022-08-09
CN113544789A (zh) 2021-10-22
EP3940708A1 (en) 2022-01-19

Similar Documents

Publication Publication Date Title
JP6737416B1 (ja) 環境制御システム
JP6178331B2 (ja) 総リスクスコアを算出するヘルス・モニタリング・システム
JP6466422B2 (ja) 医療支援システム及び方法
JP7509960B2 (ja) 軽度認知障害判定システム
US20170103174A1 (en) Diagnosis model generation system and method
JP5135197B2 (ja) 生体指標管理装置
JP2010512883A (ja) 医療事例の自動優先度決定
JP2015504555A5 (ja)
Doyle et al. An integrated home-based self-management system to support the wellbeing of older adults
JP6385470B2 (ja) 対象の健康状態を検出するデバイス、システム及びコンピュータプログラム
US20210241909A1 (en) Method and a system for evaluating treatment strategies on a virtual model of a patient
JP2018534697A (ja) 個人化された予測モデルに基づいて健康モニタリングを容易化するシステム及び方法
US20230079951A1 (en) System for configuring patient monitoring
JP2016218563A (ja) 情報処理装置、プログラム、情報処理方法および情報処理システム
JP2019076689A (ja) 体調予測方法、体調予測装置及び体調予測プログラム
JP2022009084A (ja) 認知機能予測システム及びプログラム
Moazeni et al. Developing a personalized remote patient monitoring algorithm: a proof-of-concept in heart failure
Panagiotou et al. A multi: modal decision making system for an ambient assisted living environment
JP2020191085A (ja) 熱ストレスの影響推定装置、熱ストレスの影響推定方法、及び、コンピュータプログラム
CN112740332A (zh) 用于对循环系统的状态的评价进行辅助的评价辅助系统和评价辅助方法
JP3994773B2 (ja) 在宅者健康状態遠隔診断装置
JPWO2020085103A1 (ja) 支援装置、支援方法、プログラム
WO2021215495A1 (ja) 予測支援システム、予測支援方法、予測支援プログラム、記録媒体、学習用データセットおよび学習済みモデルの生成方法
WO2023074283A1 (ja) 健康状態判定方法、及び、健康状態判定システム
WO2023074284A1 (ja) 健康状態判定方法、及び、健康状態判定システム

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20200110

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A821

Effective date: 20200110

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20200124

A711 Notification of change in applicant

Free format text: JAPANESE INTERMEDIATE CODE: A711

Effective date: 20200305

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A821

Effective date: 20200305

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: 20200616

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20200629

R151 Written notification of patent or utility model registration

Ref document number: 6737416

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R151