JP6830298B1 - 情報処理システム、情報処理装置、情報処理方法、及びプログラム - Google Patents
情報処理システム、情報処理装置、情報処理方法、及びプログラム Download PDFInfo
- Publication number
- JP6830298B1 JP6830298B1 JP2020080788A JP2020080788A JP6830298B1 JP 6830298 B1 JP6830298 B1 JP 6830298B1 JP 2020080788 A JP2020080788 A JP 2020080788A JP 2020080788 A JP2020080788 A JP 2020080788A JP 6830298 B1 JP6830298 B1 JP 6830298B1
- Authority
- JP
- Japan
- Prior art keywords
- unit
- residence
- absence
- usage
- 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
- 230000010365 information processing Effects 0.000 title claims abstract description 39
- 238000003672 processing method Methods 0.000 title claims description 5
- 238000001514 detection method Methods 0.000 claims abstract description 24
- 230000000694 effects Effects 0.000 claims description 122
- 238000000034 method Methods 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 23
- 238000010606 normalization Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 abstract description 15
- 238000012545 processing Methods 0.000 description 74
- 238000004891 communication Methods 0.000 description 41
- 230000008859 change Effects 0.000 description 27
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 20
- 230000007613 environmental effect Effects 0.000 description 17
- 238000011156 evaluation Methods 0.000 description 16
- 208000036119 Frailty Diseases 0.000 description 14
- 238000013500 data storage Methods 0.000 description 14
- 238000005259 measurement Methods 0.000 description 14
- 206010003549 asthenia Diseases 0.000 description 13
- 238000009434 installation Methods 0.000 description 11
- 229910002092 carbon dioxide Inorganic materials 0.000 description 10
- 239000001569 carbon dioxide Substances 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 230000036541 health Effects 0.000 description 7
- 230000005856 abnormality Effects 0.000 description 5
- 230000002354 daily effect Effects 0.000 description 5
- 230000033001 locomotion Effects 0.000 description 5
- 230000004622 sleep time Effects 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- RFHAOTPXVQNOHP-UHFFFAOYSA-N fluconazole Chemical compound C1=NC=NN1CC(C=1C(=CC(F)=CC=1)F)(O)CN1C=NC=N1 RFHAOTPXVQNOHP-UHFFFAOYSA-N 0.000 description 3
- 230000003340 mental effect Effects 0.000 description 3
- 230000033764 rhythmic process Effects 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 206010012289 Dementia Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000003920 cognitive function Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007659 motor function Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Landscapes
- Emergency Alarm Devices (AREA)
- Alarm Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
Description
以下、図面を参照して、第1実施形態について詳しく説明する。
図1は、第1実施形態に係る情報処理システムSYSの一例を示す概略図である。
情報処理システムSYSは、ゲートウェイGW、サーバ装置20、及び、端末装置30を備える。また、ゲートウェイGW、サーバ装置20、及び、端末装置30は、ネットワークNWを介して接続される。ネットワークNWは、例えば、LAN(Local Area Network)、又はインターネット等の情報通信ネットワークである。情報通信ネットワークは、有線、又は無線のネットワークでもよいし、種々のネットワークを組み合わせたネットワークであってもよい。
ゲートウェイGWは、住居HMに設置され、当該住居のスマートメータ10と有線、又は無線のネットワークを介して接続される。
スマートメータ10は、例えば、通信機能を持つ電力量計である。スマートメータ10は、住居HMに設置され、住居HMの電力使用状況(電力使用量)を計測する。
サーバ装置20は、ネットワークNW又は記憶部から現在時刻(現在時刻情報の一例)を取得する。サーバ装置20は、スマートメータ10から、住居HMの電力履歴を取得する。サーバ装置20は、取得した情報と学習結果とに基づいて、住居HMの在・不在を示す情報(「在宅予測結果」とも称する;予測情報の一例)を予測する。
活動履歴とは、住居HMで生活する人が活動タームであるか、非活動タームであるかのいずれであるかを示す。非活動タームとは、人が活動していない期間、例えば、睡眠時間である。活動タームとは、人が活動している期間であり、非活動ターム以外の期間である。サーバ装置20は、ネットワークNW又は記憶部22から現在時刻(現在時刻情報の一例)を取得する。サーバ装置20は、スマートメータ10から、住居HMの電力履歴を取得する。サーバ装置20は、取得した情報と学習結果とに基づいて、住居HMにおける活動タームであるか非活動タームであるかを示す情報(「活動・非活動を示す情報(活動予測結果)」とも称する;予測情報の一例)を予測する。
端末装置30は、サーバ装置20から受信した予測結果を画面上に表示する。
図2は、本実施形態に係るスマートメータ10の一例を示すブロック図である。
スマートメータ10は、通信部11と、記憶部12と、電力測定部13と、制御部14とを含んで構成される。
記憶部12は、例えば、ハードディスクドライブ、メモリなどの記憶装置である。記憶部12は、ファームウェアやアプリケーションプログラムなど、制御部14が実行するための各種プログラム、及び、制御部14が実行した処理の結果などを記憶する。
制御部14は、中央演算装置(CPU)などのプロセッサである。制御部14は、例えば、電力測定部13から取得した電力使用状況(電力使用量)などの各種情報を、通信部11を介して、サーバ装置20に送信する。
図3は、本実施形態に係るサーバ装置20の一例を示すブロック図である。
サーバ装置20は、通信部21と、記憶部22と、処理部23とを含んで構成される。
記憶部22は、例えば、ハードディスクドライブ、メモリなどの記憶装置である。記憶部12は、ファームウェアやアプリケーションプログラムなど、処理部23が実行するための各種プログラム、及び、処理部23が実行した処理の結果などを記憶する。
具体的には、処理部23は、記憶部22に予め記憶された、住居HMの電力履歴と当該住居HMの在宅履歴とを読み出し、読み出した情報に基づいて学習データセットを生成し、生成した学習データセットに基づいて学習する。例えば、処理部23は、所定の期間の電力履歴から、当該期間の電力履歴の統計値を算出する。また、例えば、処理部23は、当該期間の在宅履歴の統計値に基づいて、当該期間の代表値を在又は不在のいずれかに設定する。処理部23は、電力使用量の統計値及び在・不在の代表値を、学習データセットとして学習する。処理部23は、学習結果を記憶部22に記憶させる。
記憶部22について、詳細を説明する。記憶部22は、教師データ記憶部221と、学習結果記憶部222と、スマートメータ情報記憶部223と、利用者情報記憶部224と、時刻情報記憶部225と、在宅予測情報記憶部226と、活動予測情報記憶部227と、フレイル予測情報記憶部228とを含んで構成される。
学習結果記憶部222は、学習部232による学習結果(例えば、学習済みモデル)を記憶する。
スマートメータ情報記憶部223は、スマートメータの設置場所についての情報(「設置情報」とも称する。図5参照)及び、スマートメータが取得した電力履歴(図6参照)を、スマートメータ情報として記憶する。
時刻情報記憶部225は、時刻取得部233が取得する現在時刻を記憶する。以下、現在時刻を用いる際、各処理部は、時刻情報記憶部225から現在時刻を取得する。
在宅予測情報記憶部226は、在宅予測部234による予測結果を記憶する。
この図に示す一例では、教師データは、電力履歴及び在宅履歴の測定期間と、電力履歴と、在宅履歴と、を対応付けた情報である。
この図に示す一例では、「測定期間」が“2018/07/01 10:00−10:01”(1分間)の測定期間では、「電力履歴」が“0.6”であり、「在宅履歴」が“不在”であることを示す。
この図に示す一例では、設置情報は、スマートメータを識別するスマートメータIDと、スマートメータが設置された住所(電力測定対象の住所)を示す設置場所とを対応付けた情報である。
この図に示す一例では、「スマートメータID」が“M0001”のスマートメータは、「設置場所」が“東京都文京区・・・”であることを示す。
この図に示す一例では、「スマートメータID」が“M0001”のスマートメータは、「測定期間」が“2018/12/01 10:00:00−10:00:01”で示される測定期間では、「電力履歴」が“0.05”であったことを示す。
この図に示す一例では、利用者情報は、スマートメータを識別するスマートメータIDと、予測結果の送信先のアドレスを対応付けた情報である。
この図に示す一例では、「スマートメータID」が“M0001”のスマートメータは、「アドレス」が“abc@defg.jp”が予測結果の送信先であることを示す。
この図に示す一例では、予測結果は、住居ごとの、予測時刻と、予測時刻における在宅確率とを対応付けた情報である。
この図に示す一例では、「予測時刻」が“2018/12/01 10:00−10:05”(5分間)の「在宅確率」が“100%”であることを示す。なお、予測時刻は5分間隔でなく、異なる時間間隔であってもよい。
図3に戻って、処理部23について、詳細を説明する。
処理部23は、情報取得部231と、学習部232と、時刻取得部233と、在宅予測部234と、活動予測部235と、フレイル予測部236と、2237と、出力処理部238とを含んで構成される。
また、情報取得部231は、教師データ記憶部221から教師データ(図4)を読み出し、読み出した情報から、学習データセットを作成する。ここで、情報取得部231は、所定の期間(例えば15分間)ごとの電力履歴の統計値を算出する。電力履歴の統計値は、例えば、当該期間の電力履歴の最大値、最小値、平均値、標準偏差、変化量などである。また、電力履歴の統計値は、当該期間の前の期間における統計値と、当該期間における統計値との差の絶対値などの値も含む。また、情報取得部231は、当該期間の在宅履歴の統計値に基づいて、当該期間の代表値を在又は不在のいずれかに設定する。具体的には、在宅を示す情報を“1”、不在を示す情報を“0”に変換し、当該期間の在宅履歴の平均値を算出する。学習部232は、例えば、算出結果が0.5より大きければ代表値を“1”(在宅)、0.5以下ならば代表値を“0”(不在)とする。なお、代表値の決め方はこれには限られない。情報取得部231は、電力履歴の統計値と、在宅履歴の代表値とを学習データセットとして作成する。情報取得部231は、作成した学習データセットを、教師データ記憶部221に記憶させる。
例えば、在宅予測部234は、利用者情報記憶部224から、利用者情報を取得する。在宅予測部234は、利用者情報から住居HMに対応するスマートメータのIDを取得する。在宅予測部234は、スマートメータ情報記憶部223から、取得したスマートメータIDの電力履歴を取得する。在宅予測部234は、学習結果記憶部222から、学習結果を取得する。在宅予測部234は、学習結果と電力履歴とに基づいて、現在時刻以後の期間(例えば30分間)における、住居HMの在宅確率を予測する。在宅予測部234は予測した情報を一定の期間(例えば5分間)に区切り、当該期間内での在宅確率の代表値を求める。代表値は、例えば、当該期間内での在宅確率の平均値である。また、代表値は、当該期間内での在宅確率の中央値などであってもよい。
在宅予測部234は、予測した結果を予測結果(図8)として在宅予測情報記憶部226に記憶させる。
また、活動予測部235は、在宅予測結果と、活動履歴とに基づいて、外出回数及び外出時間を判定する。具体的には、活動予測部235は、活動タームにおいて、1日単位で、予測結果が在宅から不在に変化した回数を外出回数として判定する。活動予測部235は、1日単位で、予測結果が不在である時間の総時間を外出時間として判定する。活動予測部235は、外出回数と、外出時間とを活動予測情報記憶部227に記憶させる。
図9は、本実施形態に係る端末装置30の一例を示すブロック図である。
端末装置30は、通信部31と、入力部32と、記憶部33と、処理部34と、出力部35とを含んで構成される。
入力部32は、例えば、キーボードやタッチパネルなどの入力装置である。入力部32は、ユーザ操作に基づく入力情報を受け付ける。入力部32は、受け付けた入力情報を処理部34に出力する。
記憶部33は、例えば、ハードディスクドライブ、メモリなどの記憶装置である。記憶部33は、ファームウェアやアプリケーションプログラムなど、処理部34が実行するための各種プログラム、及び、処理部34が実行した処理の結果などを記憶する。
出力部35は、例えば表示部であり、処理部34から入力された出力情報を表示する。
図10は、本実施形態に係るサーバ装置20の動作の一例を示すフローチャートである。この図は、学習段階におけるサーバ装置20の動作を示す。
(ステップS102)情報取得部231は、教師データに基づいて、学習データセットを作成し、教師データ記憶部221に記憶させる。情報取得部231は処理が終了すると、処理をステップS104に進める。
(ステップS104)学習部232は、教師データ記憶部221から学習データセットを読み出し、読み出した情報に基づいて学習を行う。学習部232は、学習が終了すると、学習結果を学習結果記憶部222に記憶させる。その後、本図の動作を終了する。
(ステップS202)在宅予測部234は、利用者情報からスマートメータのIDを取得する。在宅予測部234は、スマートメータ情報記憶部223から、スマートメータIDに対応するスマートメータから電力履歴を取得する。在宅予測部234は、処理が終了すると、処理をステップS204に進める。
(ステップS302)活動予測部235は、取得した電力履歴の単位時間(例えば15分)ごとの電力使用量に基づいて、起床時刻及び就寝時刻を算出し、当該起床時刻及び就寝時刻から睡眠時間を算出する。活動予測部235は、処理が終了すると、処理をステップS304に進める。
(ステップS306)活動予測部235は、在宅予測情報記憶部226から在宅予測結果を取得する。活動予測部235は、在宅予測結果に基づいて、1日ごとの外出回数及び外出時間を算出する。サーバ装置20は、処理が終了すると、処理をステップS308に進める。
出力処理部238は、生成した画像を、通信部21を介して端末装置30に送信する。
サーバ装置20は、処理が終了すると、本図の処理を終了する。
以下、図面を参照しながら第2実施形態について説明する。
第2実施形態では、環境センサを用いて活動量を補正する場合の一例について説明する。
なお、環境センサSNは一例であって、他のセンサを用いて環境情報を収集しても良い。また、センサの配置数や設置場所は一例であり、本実施形態に限定されない。
サーバ装置20aは、通信部21、記憶部22a、及び、処理部23aを含んで構成される。記憶部22aは、第1実施形態の記憶部22(図3)と比較して、センサ情報記憶部229aが追加される点が異なる。センサ情報記憶部229aついて説明する。
例えば、センサ情報記憶部229aは、ドアや扉の開閉に応じた検出値や、二酸化炭素濃度の検出値を記憶する。
ここで、ライフライン使用量は、電力使用量である。
また、判定部は、予測値と利用データとに基づいて居住者の活動量を演算し、活動量に応じて健康状態を判定する。
また、居住者の活動を検出するセンサを備え、判定部は、活動量を、センサによる検出値によって補正する。センサは、CO2センサである。
以下、図面を参照しながら第3実施形態について説明する。
住居における電力使用量は、住居の在・不在の別のみならず、住居の面積、居住者の世帯構成、居住者の生活リズム、および季節など、様々な条件によって変化する。これに対し、第3実施形態に係る情報処理システムSYSbは、このような条件の違いによる影響を低減して、精度よく住居の在・不在の別を推定する。
情報処理システムSYSbの概略図は、第1実施形態の情報処理システムSYS(図1)において、サーバ装置20をサーバ装置20bに代えたものである。スマートメータ10および端末装置30は、第1実施形態と同様の構成を備えるので、説明を省略する。以降、第1実施形態と同様の構成には、同一の符号を付与してここでの説明及び図示を省略する。
<処理部23bの構成>
処理部23bは、第1実施形態の情報取得部231、学習部232、在宅予測部234(図3)に代えて、それぞれ情報取得部231b、学習部232b、在宅予測部234bを含んで構成される。
情報取得部231bは、教師データ記憶部221bが記憶する教師データに基づいて学習データセットを生成する。情報取得部231bが生成する学習データセットは、第1実施形態に係る学習データセットと異なる。情報取得部231bは、具体的には、以下の手順で学習データセットを生成する。
(ステップS500)情報取得部231bは、教師データ記憶部221bが記憶する利用データに基づいて、スマートメータ10ごとに、所定周期ごとの電力履歴の統計値を算出する。すなわち、情報取得部231bは、住居別に、所定周期の電力使用量の時系列を得る。電力使用量の時系列の周期は、好ましくは1分以上30分以下であり、より好ましくは15分以上30分以下である。
(ステップS506)情報取得部231bは、ステップS500で算出した電力使用量のうち、特定したスマートメータIDに係るものを特定する。
(ステップS508)情報取得部231bは、ステップS506で特定した電力使用量の時系列を抽出する。
xi zscore=(xi−σ)/μ
xi zscoreは、集合におけるi番目の電力使用量のz−scoreである。電力使用量のz−scoreは、正規化された電力使用量である。xiは、集合におけるi番目の電力使用量である。σは、集合における電力使用量の平均値である。μは、集合における電力使用量の標準偏差である。
なお、他の実施形態においては、z−scoreに代えて、最小値が0となり最大値が1となるように、以下の式に基づいて電力使用量を正規化(min−max正規化)してもよい。
xi minmax=(xi−min)/max−min
xi minmaxは、集合におけるi番目の電力使用量のmin−max正規化値である。minは、集合における電力使用量の最小値である。maxは、集合における電力使用量の最大値である。
在宅予測部234bは、学習結果、利用者情報、スマートメータ情報に基づいて、住居HMの在・不在を予測する。
例えば、在宅予測部234bは、利用者情報記憶部224から、利用者情報を取得する。在宅予測部234bは、利用者情報から住居HMの住所を取得する。在宅予測部234bは、スマートメータ情報記憶部223から、設置情報を取得する。在宅予測部234bは、設置情報から、スマートメータIDを取得する。在宅予測部234bは、スマートメータ情報記憶部223から、取得したスマートメータIDの電力履歴を取得する。在宅予測部234bは、取得した電力履歴に基づいて、現在時刻を起点とする正規化利用データを生成する。在宅予測部234bは、学習結果記憶部222から、学習結果である学習済みモデルを取得する。在宅予測部234bは、学習済みモデルと正規化利用データとに基づいて、現在時刻における、住居HMの在・不在の別を予測する。
在宅予測部234bは、予測した結果を予測結果として在宅予測情報記憶部226に記憶させる。
以上、図面を参照してこの発明の一実施形態について詳しく説明してきたが、具体的な構成は上述のものに限られることはなく、この発明の要旨を逸脱しない範囲内において様々な設計変更等をすることが可能である。
居住者がフレイル状態である場合、当該居住者の活動量が減少するため、ライフライン使用量が減少する、または変化量が小さくなることが考えられる。このように、居住者の健康状態とライフライン使用量とは相関関係を有することが分かる。
商品の購買指数は、居住者のライフスタイルと関連する可能性がある。居住者のライフスタイルの違いはライフライン使用量として現れる。したがって、商品の購買指数とライフライン使用量とは相関関係を有する。
Claims (9)
- 住居のライフライン使用状況を示す利用データを取得する取得部と、
前記住居における過去のライフライン使用状況を示す利用データと、前記住居の在・不在を示す在不在データとを学習データセットとして学習された学習モデルに、前記取得部が取得した前記利用データを入力することで、前記住居の在・不在の予測値を演算する予測部と、
前記住居の在・不在の予測値及び前記利用データに基づいて、前記住居の居住者のフレイル状態を検知する検知部と、
を備える情報処理システム。 - 前記ライフライン使用状況は、電力使用状況である、
請求項1に記載の情報処理システム。 - 前記検知部は、前記予測値と前記利用データとに基づいて前記居住者の活動量を演算し、前記活動量に応じて前記フレイル状態であるか、プレフレイル状態であるか、ノンフレイル状態であるかを検知する、
請求項1または2に記載の情報処理システム。 - 前記居住者の活動を検出するセンサを備え、
前記検知部は、前記活動量を、前記センサによる検出値によって補正する、
請求項3に記載の情報処理システム。 - 前記センサは、CO2センサである、
請求項4に記載の情報処理システム。 - 前記ライフライン使用状況は、ライフライン使用量であり、
前記ライフライン使用量のZスコアを求めることで前記ライフライン使用量を正規化する正規化部を供える
請求項1から5のいずれか一項に記載の情報処理システム。 - 住居のライフライン使用状況を示す利用データを取得する取得部と、
前記住居における過去のライフライン使用状況を示す利用データと、前記住居の在・不在を示す在不在データとを学習データセットとして学習された学習モデルに、前記取得部が取得した前記利用データを入力することで、前記住居の在・不在の予測値を演算する予測部と、
前記住居の在・不在の予測値及び前記利用データに基づいて、前記住居の居住者のフレイル状態を検知する検知部と、
を備える情報処理装置。 - コンピュータが、
住居のライフライン使用状況を示す利用データを取得する取得過程と、
前記住居における過去のライフライン使用状況を示す利用データと、前記住居の在・不在を示す在不在データとを学習データセットとして学習された学習モデルに、前記取得過程により取得してされた前記利用データを入力することで、前記住居の在・不在の予測値を演算する予測過程と、
前記住居の在・不在の予測値及び前記利用データに基づいて、前記住居の居住者のフレイル状態を検知する検知過程と、
を有する情報処理方法。 - コンピュータに、
住居のライフライン使用状況を示す利用データを取得する取得ステップと、
前記住居における過去のライフライン使用状況を示す利用データと、前記住居の在・不在を示す在不在データとを学習データセットとして学習された学習モデルに、前記取得ステップにより取得された前記利用データを入力することで、前記住居の在・不在の予測値を演算する予測ステップと、
前記住居の在・不在の予測値及び前記利用データに基づいて、前記住居の居住者のフレイル状態を検知する検知ステップと、
を実行するためのプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020080788A JP6830298B1 (ja) | 2020-04-30 | 2020-04-30 | 情報処理システム、情報処理装置、情報処理方法、及びプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020080788A JP6830298B1 (ja) | 2020-04-30 | 2020-04-30 | 情報処理システム、情報処理装置、情報処理方法、及びプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP6830298B1 true JP6830298B1 (ja) | 2021-02-17 |
JP2021174477A JP2021174477A (ja) | 2021-11-01 |
Family
ID=74562474
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020080788A Active JP6830298B1 (ja) | 2020-04-30 | 2020-04-30 | 情報処理システム、情報処理装置、情報処理方法、及びプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6830298B1 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023276083A1 (ja) * | 2021-06-30 | 2023-01-05 | 慎平 大杉 | 情報処理システム、学習済みモデル、情報処理方法、及びプログラム |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005216113A (ja) * | 2004-01-30 | 2005-08-11 | Fuji Electric Systems Co Ltd | 単身者異常検知方法 |
JP2011081672A (ja) * | 2009-10-08 | 2011-04-21 | Chugoku Electric Power Co Inc:The | 在宅確認システムおよび在宅確認方法 |
JP2014225215A (ja) * | 2013-04-16 | 2014-12-04 | 一般財団法人電力中央研究所 | 居住者安否確認システム |
JP2017021496A (ja) * | 2015-07-08 | 2017-01-26 | 株式会社日立ビルシステム | 高齢者向け集合住宅熱中症警報システム |
WO2017104044A1 (ja) * | 2015-12-17 | 2017-06-22 | 株式会社日立製作所 | 遠隔健康管理装置、遠隔健康管理方法、および遠隔健康管理システム |
JP2017535339A (ja) * | 2014-11-12 | 2017-11-30 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | 被検者のフレイルを定量化及びモニタリングするための方法及び装置 |
JP2019046474A (ja) * | 2017-08-30 | 2019-03-22 | 株式会社シーディーアイ | 情報処理装置及びプログラム |
WO2020138085A1 (ja) * | 2018-12-25 | 2020-07-02 | 京セラ株式会社 | 疾患予測システム |
-
2020
- 2020-04-30 JP JP2020080788A patent/JP6830298B1/ja active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005216113A (ja) * | 2004-01-30 | 2005-08-11 | Fuji Electric Systems Co Ltd | 単身者異常検知方法 |
JP2011081672A (ja) * | 2009-10-08 | 2011-04-21 | Chugoku Electric Power Co Inc:The | 在宅確認システムおよび在宅確認方法 |
JP2014225215A (ja) * | 2013-04-16 | 2014-12-04 | 一般財団法人電力中央研究所 | 居住者安否確認システム |
JP2017535339A (ja) * | 2014-11-12 | 2017-11-30 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | 被検者のフレイルを定量化及びモニタリングするための方法及び装置 |
JP2017021496A (ja) * | 2015-07-08 | 2017-01-26 | 株式会社日立ビルシステム | 高齢者向け集合住宅熱中症警報システム |
WO2017104044A1 (ja) * | 2015-12-17 | 2017-06-22 | 株式会社日立製作所 | 遠隔健康管理装置、遠隔健康管理方法、および遠隔健康管理システム |
JP2019046474A (ja) * | 2017-08-30 | 2019-03-22 | 株式会社シーディーアイ | 情報処理装置及びプログラム |
WO2020138085A1 (ja) * | 2018-12-25 | 2020-07-02 | 京セラ株式会社 | 疾患予測システム |
Non-Patent Citations (1)
Title |
---|
森武俊,向後麻亜子: "宅内見守りセンサによる高齢者フレイル検知の試み", 看護理工学会誌(2017), JPN6020049478, 27 November 2016 (2016-11-27), JP, pages 2 - 14, ISSN: 0004413551 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023276083A1 (ja) * | 2021-06-30 | 2023-01-05 | 慎平 大杉 | 情報処理システム、学習済みモデル、情報処理方法、及びプログラム |
Also Published As
Publication number | Publication date |
---|---|
JP2021174477A (ja) | 2021-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ghayvat et al. | Smart home based ambient assisted living: Recognition of anomaly in the activity of daily living for an elderly living alone | |
US10311694B2 (en) | System and method for adaptive indirect monitoring of subject for well-being in unattended setting | |
Glascock et al. | The impact of behavioral monitoring technology on the provision of health care in the home. | |
Kwon et al. | Single activity sensor-based ensemble analysis for health monitoring of solitary elderly people | |
WO2017191697A1 (ja) | 認知症情報出力システム及び制御プログラム | |
Koutli et al. | Abnormal behavior detection for elderly people living alone leveraging IoT sensors | |
JP6578246B2 (ja) | 生活見守りシステム | |
CN107835659A (zh) | 确定代谢参数 | |
Lee et al. | A remote behavioral monitoring system for elders living alone | |
US20220230746A1 (en) | Sensor-based monitoring of at-risk person at a dwelling | |
CN108472022B (zh) | 痴呆症信息输出系统以及记录介质 | |
JP6830298B1 (ja) | 情報処理システム、情報処理装置、情報処理方法、及びプログラム | |
Alam et al. | Smart-energy group anomaly based behavioral abnormality detection | |
WO2021192398A1 (ja) | 行動認識サーバ、および、行動認識方法 | |
JP2020071621A (ja) | 監視方法、プログラム及び情報処理装置 | |
Vavilov et al. | Healthcare application of Smart Home user's behavior prediction | |
Cardinale | Occupant activity detection in smart buildings: A review | |
WO2017104044A1 (ja) | 遠隔健康管理装置、遠隔健康管理方法、および遠隔健康管理システム | |
JP2018026006A (ja) | 見守り装置、見守り方法、および見守りプログラム | |
JP2004046560A (ja) | 独居居住者ライフラインデータ処理システム | |
Pnevmatikakis | Recognising daily functioning activities in smart homes | |
JP6947064B2 (ja) | 見守り装置、見守り方法、および見守りプログラム | |
US20200098471A1 (en) | Actions based on customer premises data | |
EP3832618A1 (en) | Monitoring system | |
JP2005301960A (ja) | 独居者用管理システムの運用手段 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A80 | Written request to apply exceptions to lack of novelty of invention |
Free format text: JAPANESE INTERMEDIATE CODE: A80 Effective date: 20200520 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20201005 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20201005 |
|
A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20201012 |
|
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: 20201222 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210121 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6830298 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
S531 | Written request for registration of change of domicile |
Free format text: JAPANESE INTERMEDIATE CODE: R313531 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |