JP6891993B2 - 温熱快適性を推定するためのシステム - Google Patents

Description

温熱快適性を推定するためのシステムに関する。

特許文献１（特開２０１９−０１７９４６号公報）に示すように、ウエアラブルセンサに設けられた心拍数、皮膚温度、皮膚電位等の情報を取得するセンサを用いて、対象者に関する情報を推定するシステムがある。

ウエアラブルセンサ等の装置を用いて取得した心拍数等の生体情報は誤差が大きく、生体情報に基づいて推定された情報は精度が低い場合がある。

第１観点のシステムは、第１取得部と、第２取得部と、推定部と、を備える。第１取得部は、対象の第１生体情報を取得する。第１取得部は、１つ又は複数のセンサからなる。第２取得部は、対象の第２生体情報を取得する。第２取得部は第１取得部とは異なる１つ又は複数のセンサからなる。推定部は、１生体情報に基づいて、対象の第１温熱快適性を推定する。推定部は、第１生体情報と第２生体情報とに基づいて、対象の温熱快適性を推定する。第２取得部が第２生体情報を取得しない時は、第２取得部が過去に取得した第２生体情報に基づいて補正された第１温熱快適性を対象の温熱快適性とする。

これによって、本開示のシステムは、より正確な対象の温熱快適性を取得することが可能である。

第２観点のシステムは、第１取得部と、第２取得部と、第１推定部と、第２推定部と、補正部と、を備える。第１取得部は、対象の第１生体情報を取得する。第１取得部は、１つ又は複数のセンサからなる。第２取得部は、対象の第２生体情報を取得する。第２取得部は第１取得部とは異なる１つ又は複数のセンサからなる。第１推定部は、第１取得部が取得した第１生体情報に基づいて、対象の第１温熱快適性を推定する。第２推定部は、第１生体情報と第２生体情報とに基づいて、対象の温熱快適性を推定する。補正部は、第２取得部が第２生体情報を取得しない時は、第２取得部が過去に取得した第２生体情報に基づいて第１温熱快適性を補正する。

第３観点のシステムは、第１取得部と、第２取得部と、第１推定部と、第２推定部と、補正部と、を備える。第１取得部は、対象の第１生体情報を取得する。第１取得部は、１つ又は複数のセンサからなる。第２取得部は、対象の第２生体情報を取得する。第２取得部は第１取得部とは異なる１つ又は複数のセンサからなる。第１推定部は、第１取得部が取得した第１生体情報に基づいて、対象の第１温熱快適性を推定する。第２推定部は、第１取得部が取得した第１生体情報と、第２取得部が取得した第２生体情報と、に基づいて、対象の第２温熱快適性を推定する。システムは、第１取得部が取得した第１生体情報と第２推定部が推定した推定結果と、を教師データセットとして第１推定部を学習させる。システムは、第１推定部による推定時には、第１取得部が取得した第１生体情報に基づいて、第１温熱快適性を出力する。

第４観点のシステムは、第１観点から第３観点のいずれかのシステムであって、第１取得部は、第１生体情報を生体に接触して取得する。第２取得部は、第２生体情報を生体に接触せずに取得する。

第５観点のシステムは、第１観点から第４観点のいずれかのシステムであって、第１取得部は、第１生体情報として、少なくとも、対象の心拍数、体表温度、皮膚電気活動（ＥＤＡ：Ｅｌｅｃｔｒｏ−Ｄｅｒｍａｌ Ａｃｔｉｖｉｔｙ）のうちのいずれか１つの情報を取得する。

第６観点のシステムは、第１観点から第５観点のいずれかのシステムであって、第２取得部は、第２生体情報として、少なくとも、対象の顔の体表温度の情報と、顔の部位の体表温度の情報と、を取得する。

第７観点のシステムは、第１観点から第６観点のいずれかのシステムであって、第２生体情報に含まれる情報の種類は、第１生体情報に含まれる情報の種類よりも多い。

第８観点のシステムは、第１観点から第７観点のいずれかのシステムであって、第２温熱快適性の精度は、第１温熱快適性の精度よりも高い。

第９観点のシステムは、第１観点から第８観点のいずれかのシステムであって、第２取得部の有するセンサの数は、第１取得部の有するセンサの数よりも多い。

第１０観点のシステムは、第１観点から第９観点のいずれかのシステムであって、第２判断部をさらに備える。第２判断部は、第２取得部において取得された第２生体情報が、有効な情報であるか否かを判断する。第２推定部は、第２判断部が第２生体情報を有効であると判断した場合に、第２温熱快適性を推定する。

第１１観点のシステムは、第１観点から第１０観点のいずれかのシステムであって、第１判断部をさらに備える。第１判断部は、第１取得部において取得された第１生体情報が、有効な情報であるか否かを判断する。第１推定部は、第１判断部が第１生体情報を有効であると判断した場合に、第１温熱快適性を推定する。

第１２観点のシステムは、第１観点から第１１観点のいずれかのシステムであって、第１推定部は、さらに第１取得部が過去に取得した第１生体情報に基づいて第１温熱快適性を推定する。あるいは、第２推定部は、さらに第２取得部が過去に取得した第２生体情報に基づいて第２温熱快適性を推定する。

第１３観点のシステムは、第１観点から第１２観点のいずれかのシステムであって、対象の周囲の温熱環境の情報を取得する第３取得部をさらに備える。

第１４観点のシステムは、第１３観点のシステムであって、第３取得部は、生体の周囲の温度、及び／又は、湿度、の情報を取得する。

第１５観点のシステムは、第１観点のシステムであって、推定部は、第１生体情報、第２生体情報、及び温熱快適性、を教師データとして学習する。推定部は、第１生体情報および第２生体情報に基づいて温熱快適性を推定する。推定部は、対象の推定された温熱快適性を記憶する。さらに、推定部は、第２取得部が第２生体情報を取得しない時はダミー情報を出力する機能を有す。推定部は、第１生体情報、ダミー情報、及び温熱快適性、を教師データとして学習する。第１生体情報、ダミー情報、及び記憶した温熱快適性に基づいて補正された第１温熱快適性を前記対象の温熱快適性とする。

第１６観点のシステムは、第１観点のシステムであって、推定部は、第１生体情報、第２生体情報、及び温熱快適性、を教師データとして学習する。推定部は、第１生体情報および第２生体情報に基づいて温熱快適性を推定する。推定部は、対象の推定された温熱快適性を記憶する。さらに、推定部は、第２取得部が第２生体情報を取得しない時はダミー情報を出力する機能を有す。推定部は、第１生体情報、ダミー情報、及び温熱快適性、を教師データとして学習する。推定部は、第１生体情報、ダミー情報、及び記憶した温熱快適性、を教師データとして学習し、第１生体情報およびダミー情報に基づいて推定された第１温熱快適性を対象の温熱快適性とする。

システムの概略図である。 スマ−トフォンアプリの一例を示す。 熱画像を用いた推定の混同行列を示す。 腕センサを用いた推定の混同行列を示す。 エネルギーの消費状態を示す混同行列である。 エネルギーの消費状態を示す混同行列である。 補正後推定値の評価を示す図である。 補正後推定値の評価を示す図である。 第２実施形態におけるシステムの概略図である。

以下、本開示の一実施形態に係る、について説明する。なお、以下の実施形態は、具体例であって、技術的範囲を限定するものではなく、趣旨を逸脱しない範囲で適宜変更可能である。

（１）第１実施形態
（１―１）概要
図１は、本開示に示すシステムの概略図である。図１に示すように、本開示に示すシステムは、常時センシング可能な腕センサ１０による比較的誤差の大きい推定値を、断続的に取得可能な熱画像による高精度な推定値により補正する。熱画像は空気調和装置２０に含まれるサーモグラフィ等によって取得される。推定アルゴリズムにはランダムフォレストを用い、得られる各センサデ−タに応じて２種類の推定モデルを使い分ける。使用する特徴量を表１に示す。

空気調和装置２０から熱画像が得られたときはｆ１〜ｆ３１全てを特徴量として与えることで高精度な推定を行い、通常時は腕センサ１０から得られるｆ１０〜ｆ３０と冷暖房の使用状態（ｆ３１）のみから推定を行う。

（１−２）顔温度特徴量抽出
空気調和装置２０から取得した熱画像からの温度抽出は、例えば、可視画像と熱画像を組み合わせることにより行う。まず、可視画像に対し、顔検出手法を用いて矩形として顔の座標を取得する。本開示では、ＯＰｅｎＣＶのＨａａｒ−ｌｉＫｅ特徴を利用した顔検出器を用いる。得られた矩形から相対的に顔の各部位（ｆａＣｅ、ｆｏｒｅｈｅａｄ、ＣｈｅｅＫ−ｒ、ＣｈｅｅＫ−ｌ、ｎｏｓｅ、ｍｏｕｔｈ）の矩形座標を算出する。算出式を表２に示す。

各部位の矩形座標の算出には、顔検出により取得した顔の中心座標（Ｘ；Ｙ）と横縦それぞれの辺の長さ（Ｗ；Ｈ）を用いる。各部位の温度（ＴｆａＣｅ；Ｔｆｏｒｅｈｅａｄ；ＴＣｈｅｅＫ−ｒ；ＴＣｈｅｅＫ−ｌ；Ｔｎｏｓｅ；Ｔｍｏｕｔｈ）は、式（１）によりそれぞれの矩形内の平均温度を算出することで得られる。

ここで、Ｐは各部位の矩形内の座標の集合を表す。Ｔ（ｘ；ｙ）は可視画像内の座標（ｘ；ｙ）に対応する熱画像内の座標から取得した温度であり、｜Ｐ｜は集合Ｐに含まれる座標点の数である。また、Ｔｍａｘ、Ｔｍｉｎ、Ｔｖａｒは、それぞれ式（２）、式（３）、式（４）により算出する。ここでｍａｘ（Ｘ）は、集合Ｘの最大値、ｍｉｎ（Ｘ）は集合Ｘの最小値を表す。

（１―３）腕センサ特徴量抽出
腕センサ１０は複数のセンサを含み、手首の体表温度（ＷＴ）、心拍数（ＨＲ）、皮膚電位（ＥＤＡ）、をそれぞれ取得する。これらのセンサは、多くの腕センサに搭載されており温熱快適度とも深く関係している。推定を行う時点での、体表温度（ＷＴ）、心拍数（ＨＲ）、皮膚電位（ＥＤＡ）、を特徴量とする。また時間的な変化も温熱快適度に関係しているため、それぞれの値の１分前、５分前、１０分前からの平均値と差を特徴量として用いる。それぞれの算出式を式（５）、式（６）に示す。

ここでＸは、体表温度（ＷＴ）、心拍数（ＨＲ）、皮膚電位（ＥＤＡ）のいずれか、ｎは１、５、１０のいずれかであり、Ｘ（ｔ）は時刻ｔでの各センサの測定値、ｔＣは現在の時刻を表す。本開示では各センサデ−タの平均値を１秒ごとに算出することで、１（Ｈｚ）のデ−タ列に再形成している。

（１−４）冷暖房の使用状態
空気調和装置２０はセンサ等を介して、空気調和装置２０の冷暖房の使用状態を取得することが可能である。あるいは、空気調和装置２０は、有線、又は、無線を介して通信を行うことにより他の空気調和装置の冷暖房の使用状態を取得することが可能である。冷暖房の使用状態は温熱快適度の推定のための重要な特徴量であり、冷房時を−１、暖房時を１として特徴量として与える。本開示では温熱快適度を推定した上で、その時点での冷暖房の使用状態と温熱快適度からエネルギー削減の余地の有無を判定する。具体的には冷房時（ＨＣ＝−１）に涼しく感じている状態（温熱快適度が負の値）、暖房時（ＨＣ＝１）に暖かく感じている状態（温熱快適度が正の値）を余分なエネルギーを使用している状態として定義する。そのような状態を検出することで，冷暖房に使用するエネルギーを削減することが可能である。

（１−５）過去の推定結果による補正
本開示では、腕センサ１０のみからセンサデ−タを取得している状態と、空気調和装置２０から熱画像を取得している状態とで推定モデルを切り替えることによって温熱快適度を推定する。本開示ではタイムウィンドウを１分とし、直前の熱画像による推定値と現時刻での腕センサ１０による推定を組み合わせることで補正した推定値を算出する。それを現時刻での温熱快適度とする。補正式を式（７）、式（８）に示す。

ここで、ＣＰｒｅｖは直前の熱画像取得時点での高精度な推定値であり、ｔＰｒｅｖは直前の熱画像取得時刻である。Ｃｗｒｉｓｔ（ｔ）は時刻ｔでの腕センサ１０による推定値である。重みａ（０<ａ<１）は本開示では０．９とした。これにより熱画像取得時からの経過時間ｔｅを用いて時間経過により熱画像による推定の信頼度の低下を考慮している。

（１−６）実験環境
本開示では冷暖房に対応した温熱快適度推定モデルを構築するため、季節ごとに実験を行い２０代男性１５名の被験者から、のべ１２８日分のデ−タを収集した。実験の間被験
者は日常通り研究活動を行いながら腕センサ１０を常時装着し、３０分ごとに１０秒間隔で７回、可視画像と熱画像を撮影し、同時に７段階の温熱快適度ラベルの申告を図２に示すスマ−トフォンアプリを用いて行った。また同時に快適か不快かを尋ねることにより、７段階温熱快適度とユ−ザの温熱的な不快感との関係を調査する。この実験によりそれぞれ１０７２４枚の可視画像と熱画像とを取得した。また、各時点での７枚組の熱画像から温度情報の平均値を算出しその時点での温度情報とした。その結果センサデ−タの欠損を取り除き、１４７６点で取得した熱画像、腕センサ１０デ−タ、温熱快適度の組をデ−タセットとして用いる。温熱快適度申告値の内訳は表３のようになった。

ここで、不快ラベルは極端な温熱環境（−３、３）のみでしか報告されなかった。

（１−７）熱画像を用いた推定
熱画像を用いた推定には表１の全特徴量を使用する。比較手法としてＫＮＮ（Ｋ近傍法）、ＳＶＭ（サポ−トベクタ−マシン）と全てを０（ｎｅｕｔｒａｌ）と推定する手法を用いる。５分割交差検証により算出した各手法の推定精度を表４に示す。

７クラス分類の推定精度、平均絶対誤差ともにランダムフォレストが最も高精度な結果となった。ランダムフォレストとＫＮＮ、ＳＶＭの混同行列を図３に示す。これによるとランダムフォレストにおいて、それぞれのクラス（−３、−２、−１、０、１、２、３）の再現率は５４．５％、２３．３％、２７．６％、９４．０％、１２．８％、５．４％、０％となり、適合率は８５．７％、４５．５％、５３．１％、６８．３％、３９．８％、７５．０％、無し、となり、−２、−１、１の推定が困難であることがわかる。一方で、ランダムフォレストによる推定はユ−ザが涼しく感じているとき（−３、−２、−１）に暖かく感じている（１、２、３）と誤って推定する確率は２．９％、ユ−ザが暖かく感じているときに涼しく感じていると推定する確率は３．４％とほとんどない。この結果は冷暖房における余分なエネルギー消費を検知し、空調出力を抑える際の誤検出がほとんどないことを示している。上記の理由から本手法が温熱快適度を損なわずにエネルギー消費を削減する手法として非常に有効であることがわかる。

（１−８）腕センサのみを用いた推定
腕センサ１０のみを用いた推定には表１のｆ１０からｆ３１を使用する。５分割交差検証により算出した各手法の推定精度を表５に示す。

７クラス分類の推定精度、平均絶対誤差ともにランダムフォレストが最も高精度な結果となった。また、各手法の混同行列を図４に示す。これらの結果は図３と同じような傾向となり、余分なエネルギー消費の検知に有効であると言えるが、特徴量の次元が少ないことからわずかに精度が低くとどまっている。そのためより高精度な推定のためには熱画像を用いて断続的に補正を行うことが必要である。

（１−９）余分なエネルギー消費の検知
本開示はユ−ザの温熱快適度を推定することで冷暖房時の余分なエネルギー消費を検知し、エネルギー消費を削減することを目的とする。余分なエネルギー消費をしている状態をエネルギー過剰消費状態とし、定義を（温熱快適度）＊ＨＣ＞０（冷房時の−３、−２、−１、暖房時の３、２、１）とした場合、（温熱快適度）＊ＨＣ⊇０（冷房時の−３、−２、−１、０、暖房時の３、２、１、０）とした場合、それぞれに対してランダムフォレストにより推定した結果の混同行列を図５Ａ、図５Ｂにそれぞれ示す。図５Ａでは冷房時に温熱快適度が０より小さい状態を−１、暖房時に温熱快適度が０より大きい状態を１、それ以外の状態をエネルギー消費削減の余地がない状態０とし、図５Ｂでは冷房時に温熱快適度が０以下の状態を−１、暖房時に温熱快適度が０以上の状態を１、それ以外の状態をエネルギー消費削減の余地がない状態０とし、３クラス分類を行った。図５Ａの結果によると、クラス−１と１を合計したエネルギー過剰消費状態の推定では、熱画像と腕センサ１０を組み合わせた場合には適合率８３．９％、再現率４７．９％で検知することができ、腕センサ１０のみの場合には適合率７３．６％、再現率３６．６％で検知できることがわかった。図５Ｂの結果によると、エネルギー過剰消費状態の推定では、熱画像と腕センサ１０を組み合わせた場合には再現率９８．２％、適合率８９．０％で検知することができ、腕センサ１０のみの場合には再現率９８．０％、適合率８８．３％で検知できることがわかった。これらのモデルはユ−ザの嗜好に合わせて選択されるべきであるが、温熱的な不快を感じること無く高精度にエネルギー過剰消費状態を推定できることがわかった。

（１−１０）補正後推定値の評価
得られたデ−タセットのうち、冬の１日分暖房下での８名のデ−タをテストデ−タとし、それ以外のデ−タを学習デ−タとして、提案手法と腕センサ１０のみを用いた手法の推定精度の比較を行う。このテストデ−タには３０分ごとの熱画像取得と同時に申告された温熱快適度の正解デ−タに加え、任意の時点での温熱快適度の申告が含まれており、熱画像の取得できない時点での推定値の精度比較を行うことができる。エネルギー過剰消費状態を（温熱快適度）ＨＣ＞０とした場合の各手法の適合率と再現率を図６Ａに示す。適合率、再現率ともに提案手法が腕センサ１０のみによる手法を上回った。またこの結果から、提案手法を用いた場合には、再現率は低く留まっているが適合率は高く、誤って判定しユ−ザの温熱快適度を損なう空調制御を避けられることがわかる。エネルギー過剰消費状態を（温熱快適度）＊Ｈ⊇０とした場合の各手法の適合率と再現率を図６Ｂに示す。これによりエネルギー過剰消費状態（（温熱快適度）＊ＨＣ⊇０）の推定は両手法ともに高精度であることがわかる。これはｎｅｕｔｒａｌ状態をエネルギー消費削減の余地があると定義した場合には、提案手法が有効に働くことを示している。また、エネルギー過剰消費状態の定義にかかわらず適合率、再現率ともに提案手法がわずかに上回っていることから熱画像と腕センサ１０を併用することの有効性を確認することができた。

（２）第２実施形態
図７に本開示におけるシステム１００の第２実施形態について説明する。なお、第１実施形態と同様の構成及び、算出方法については説明を省略する。

（２−１）第１装置１０
第１装置１０は、例えば、第１実施形態に示す腕センサである。第１装置１０は、各種ネットワークを介して、第２装置２０、第３装置３０、又は他の装置と通信可能である。第１装置１０は、第１取得部１１と、第１判断部１２と、第１推定部１３と、第１記憶部１４と、を有す。

第１取得部１１は、１つ又は複数のセンサを有し、第１生体情報を対象の生体に接触して取得する。第１取得部１１は、例えば、対象の心拍数、体表温度、皮膚電気活動（ＥＤＡ：Ｅｌｅｃｔｒｏ−Ｄｅｒｍａｌ Ａｃｔｉｖｉｔｙ）等の情報を取得するセンサを有す。なお、第１取得部１１は、これ以外の情報を取得してもよい。第１取得部１１が取得した各情報は、第１生体情報として第１記憶部１４に記憶される。本実施形態において第１取得部１１は、１分に１回の時間間隔で第１生体情報を取得するものとするが、本開示に示す第１取得部１１はこれに限られない。

第１判断部１２は、第１取得部１１が取得した第１生体情報が有効な情報であるか否かを判断する。第１装置１０は各種パラメータをあらかじめ有し、第１判断部１２は各種パラメータに基づいて第１生体情報を有効な情報であるか否か判断する。あるいは、第１装置１０は、第１取得部１１が取得した現在の第１生体情報と、第１記憶部１４に記憶された過去の第１生体情報と、を比較して第１生体情報を有効な情報であるか否か判断する。第１記憶部１４は、第１判断部１２が有効であると判断した第１生体情報のみを記憶してもよい。

第１推定部１３は、第１記憶部１４に記憶された第１生体情報に基づいて、対象の第１温熱快適性を推定する。第１温熱快適性の推定には、例えばランダムフォレストを用いる。第１推定部１３が推定した第１温熱快適性は、第１記憶部１４に記憶される。

第１記憶部１４に記憶された第１生体情報及び第１温熱快適性は、それぞれ第１取得部１１が第１生体情報を取得した時間の情報に紐付けて記憶される。なお、第１生体情報と及び第１温熱快適性は、互いに紐付けて記憶されてもよい。

（２−２）第２装置２０
第２装置２０は、例えば、第１実施形態に示す空気調和装置である。第２装置２０は、各種ネットワークを介して、第１装置１０、第３装置３０、又は他の装置と通信可能である。第２装置２０は、第２取得部２１と、第２判断部２２と、第２推定部２３と、第２記憶部２４と、を有す。

第２取得部２１は、１つ又は複数のセンサを有し、第２生体情報を対象の生体に接触せずに取得する。第２取得部２１は、例えば、顔全体の体表温度、額の体表温度、右頬の体表温度、左頬の体表温度、鼻先の体表温度、口周辺の体表温度等の情報を取得するセンサを有す。なお、第２取得部２１は、これ以外の情報を取得してもよい。第２取得部２１が取得した各情報は、第２生体情報として第２記憶部２４に記憶される。本実施形態において第２取得部２１は、断続的に第２生体情報を取得する。

第２判断部２２は、第２取得部２１が取得した第２生体情報が有効な情報であるか否かを判断する。第２装置２０は各種パラメータをあらかじめ有し、第２判断部２２は各種パラメータに基づいて第２生体情報を有効な情報であるか否か判断する。あるいは、第２装置２０は、第２取得部２１が取得した現在の第２生体情報と、第２記憶部２４に記憶された過去の第２生体情報と、を比較して第２生体情報を有効な情報であるか否か判断する。第２記憶部２４は、第２判断部２２が有効であると判断した第２生体情報のみを記憶してもよい。

第２推定部２３は、第２記憶部２４に記憶された第２生体情報に基づいて、対象の第２温熱快適性を推定する。第２温熱快適性の推定には、例えばランダムフォレストを用いる。第２推定部２３が推定した第２温熱快適性は、第２記憶部２４に記憶される。

第２記憶部２４に記憶された第２生体情報及び第２温熱快適性は、それぞれ第２取得部２１が第２生体情報を取得した時間の情報に紐付けて記憶される。なお、第２生体情報及び第２温熱快適性は、互いに紐付けて記憶されてもよい。

（２−３）第３装置３０
第３装置３０は、例えば、コンピュータである。第３装置３０は、各種ネットワークを介して、第１装置１０、第２装置２０、又は他の装置と通信可能である。第３装置３０は、任意の時間間隔、又は対象等の操作に基づいて、第１装置１０及び第２装置２０から各情報を取得し、第３温熱快適性を出力する。第３装置３０は、第３取得部３１と、補正部３２と、出力部３３と、第３記憶部３４と、を有す。

第３取得部３１は、各種ネットワークを介して、第１装置１０及び第２装置２０から、第１温熱快適性及び第２温熱快適性をそれぞれ取得する。第３取得部３１は、取得した第１温熱快適性及び第２温熱快適性を第３記憶部３４に記憶する。なお、第１温熱快適性と、第２温熱快適性と、はそれぞれ異なるタイミングで取得されてもよい。

補正部３２は、第２温熱快適性に基づいて第１温熱快適性の補正を行う。具体的には、第２温熱快適性の重みを第１温熱快適性の重みよりも大きくして、第３温熱快適性を算出する。なお、補正の方法はこれに限られない。補正部３２は、より正確な対象の温熱快適性である第２温熱快適性に基づいて、第１温熱快適性を補正する。補正部３２によって補正の処理が行われ算出された第３温熱快適性は、出力部３３から出力される。また、第３温熱快適性は、第３記憶部３４に記憶される。

出力部３３は、対象等に対し第３温熱快適性を出力する。出力部３３は、例えば、第３装置３０のディスプレイに第３温熱快適性を出力（表示）する。または、出力部３３は、第１装置１０又は第２装置２０対して第３温熱快適性を出力（送信）する。

（３）特徴
（３−１）
本開示のシステム１００は、第１取得部１１と、第２取得部２１と、第１推定部１３と、第２推定部２３と、補正部３２と、を備える。第１取得部１１は、対象の生体に接触して第１生体情報を取得する。第１取得部１１は、１つ又は複数のセンサを有す。第２取得部２１は、対象の生体に接触せずに第２生体情報を取得する。第２取得部２１は第１取得部１１とは異なる１つ又は複数のセンサを有す。第１推定部１３は、第１取得部１１が取得した第１生体情報に基づいて、対象の第１温熱快適性を推定する。第２推定部２３は、第２取得部２１が取得した第２生体情報に基づいて、対象の第２温熱快適性を推定する。第２温熱快適性の精度は、第１温熱快適性の精度よりも高い。補正部３２は、第２温熱快適性に基づいて第１温熱快適性を補正する。

これによって、本開示のシステム１００は、より正確な対象の温熱快適性を取得することが可能である。第１装置１０としての腕センサ等は、対象の生体情報を常時センシング可能である一方で、第１装置１０において推定された第１温熱快適性は精度が低い場合がある。第２装置２０としての空気調和装置等において推定された第２温熱快適性は精度が高い一方で、対象の生体情報を常時センシングすることはできない。本開示のシステム１００は、より精度が高い第２温熱快適性によって第１温熱快適性の補正を行うことで、第２温熱快適性よりも短い時間間隔で精度の高い温熱快適性を取得することが可能である。

（３−２）
本開示のシステム１００は、第１取得部１１と、第２取得部２１と、推定部と、を備える。第１取得部１１は、対象の第１生体情報を取得する。第１取得部１１は、１つ又は複数のセンサを有す。第２取得部２１は、対象の第２生体情報を取得する。第２取得部２１は第１取得部１１とは異なる１つ又は複数のセンサを有す。推定部は、第１生体情報と第２生体情報とに基づいて、対象の温熱快適性を推定する。システムは、第１生体情報と、第２生体情報と、温熱快適性と、を教師データとして学習する。システム１００は、第１生体情報と第２生体情報とを入力とし、温熱快適性を出力とする。

これによって、本開示のシステム１００は、第１温熱快適性、及び、第２温熱快適性より正確な第３温熱快適性を取得することが可能である。

（３−３）
本開示のシステム１００は、第１取得部１１と、第２取得部２１と、第１推定部１３と、第２推定部２３と、を備える。第１取得部１１は、対象の第１生体情報を取得する。第１取得部１１は、１つ又は複数のセンサを有す。第２取得部２１は、対象の第２生体情報を取得する。第２取得部２１は第１取得部１１とは異なる１つ又は複数のセンサを有す。第２推定部２３は、第１取得部１１が取得した第１生体情報と、第２取得部２１が取得した第２生体情報と、に基づいて、対象の第２温熱快適性を推定する。システム１００は、第１取得部１１が取得した第１生体情報と第２推定部２３が推定した推定結果と、を教師データセットとして第１推定部１３を学習させる。システム１００は、第１推定部１３による推定時には、第１取得部１１が取得した第１生体情報に基づいて、第１温熱快適性を出力する
（３−４）
第１取得部１１は、第１生体情報として、少なくとも、対象の心拍数、体表温度、皮膚電気活動（ＥＤＡ：Ｅｌｅｃｔｒｏ−Ｄｅｒｍａｌ Ａｃｔｉｖｉｔｙ）のうちのいずれか１つの情報を取得する。第２取得部２１は、第２生体情報として、少なくとも、対象の顔の体表温度の情報と、顔の部位の体表温度の情報と、を取得する。また、第２生体情報に含まれる情報の種類は、第１生体情報に含まれる情報の種類よりも多い。

第１取得部１１を有する第１装置１０は、例えば、腕センサである。腕センサは、心拍数、体表温度、皮膚電気活動の情報を取得可能であるセンサを含んでいることが好ましい。第２取得部２１を有する第２装置２０は、例えば、空気調和装置である。空気調和装置は、サーモグラフィ等のセンサを含み、熱画像を取得できることが好ましい。これによって、対象の顔の体表温度の情報と、顔の各部位の体表温度の情報と、を取得することが可能である。顔の各部位の体表温度の情報には、顔全体の体表温度、額の体表温度、右頬の体表温度、左頬の体表温度、鼻先の体表温度、口周辺の体表温度等の情報が含まれる。

（３−５）
第２取得部２１の有するセンサの数は、第１取得部１１の有するセンサの数よりも多いことが好ましい。これによって、より正確な第２温熱快適性を推定することができる。なお、センサの数という概念には、物理的なセンサの数だけでなく、１つのセンサでとったデータを元に複数の情報が取得できる場合はその情報の数という意味合いも含む。

（３−６）
本開示の第１装置１０は、第１判断部１２をさらに備える。第１判断部１２は、第１取得部１１において取得された第１生体情報が、有効な情報であるか否かを判断する。第１推定部１３は、第１判断部１２が第１生体情報を有効であると判断した場合に、第１温熱快適性を推定する。

さらに、第２装置２０は、第２判断部２２をさらに備える。第２判断部２２は、第２取得部２１において取得された第２生体情報が、有効な情報であるか否かを判断する。第２推定部２３は、第２判断部２２が第２生体情報を有効であると判断した場合に、第２温熱快適性を推定する。

これによって、第１装置１０による第１温熱快適性の推定結果と、第２装置２０による第２温熱快適性の推定結果に生じる誤差が小さくなり、温熱快適性の推定の精度が高くなる。

（３−７）
第１推定部１３は、さらに第１取得部１１が過去に取得した第１生体情報に基づいて第１温熱快適性を推定する。第２推定部２３は、さらに第２取得部２１が過去に取得した第２生体情報に基づいて第２温熱快適性を推定する。

これによって、第１装置１０または第２装置２０は、過去に取得した生体情報に基づいて対象の温熱快適性を推定することができる。過去に取得した生体情報は、各記憶部に記憶されている。

（４）変形例
（４−１）
本開示に示すシステム１００は、対象の周囲の温熱環境の情報を取得する第３取得部３１をさらに備えていてもよい。第３取得部３１は、対象の周囲の温熱環境の情報として、生体の周囲の温度、及び／又は、湿度、の情報を取得する。第３取得部３１は、第１装置１０、第２装置２０、第３装置３０あるいはその他の装置に設けられていてもよい。

本開示に示すシステム１００は、複数の生体情報に基づいて対象の温熱快適性を推定することによって、より高い精度の温熱快適性を取得することが可能である。この温熱快適性を元に空気調和機を制御することにより、より快適な空調を行うことができる。

（４−２）
本開示に示す第３装置３０は、第１装置１０及び第２装置２０からそれぞれ第１温熱快適性及び第２温熱快適性を取得している。しかし、第３装置３０は、第１装置１０及び第２装置２０からそれぞれ第１生体情報及び第２生体情報を取得してもよい。第３装置３０は、第１推定部１３及び第２推定部２３の機能は、第３装置３０に含まれていてもよい。第３装置３０は、第１生体情報及び第２生体情報から第３温熱快適性を取得してもよい。

（５）第３実施形態
第３実施形態は、第１実施形態と同じく熱画像と腕センサ１０の生体データを元に温熱快適性を推定するものである。

第１推定部１３、第２推定部２３、及び、補正部３２からなる推定部１３，２３，３２は、機械学習を行う学習器を備えており、学習器は学習時には２種類の学習を行うことが可能である。なお、学習器は、１つのハードウエアであってもよいし、複数のハードウエアによって構成されていてもよい。

推定部１３，２３，３２における一方の学習は、熱画像から取得される顔の体表温度（第２生体情報）と、腕センサ１０から取得される第１生体情報と、被験者が申告する温熱快適性と、を教師データとして学習を行う。

他方の学習は、熱画像が得られないときに行う学習であって、熱画像から得られる顔の体表温度を−３００℃（例、体表温度が含まれないことを示すダミー値）とし、腕センサ１０から得られる第１生体情報と、被験者が申告する温熱快適性を教師データとして学習を行う。

温熱快適性を推定する際に熱画像が得られる場合には、推定部１３，２３，３２は、熱画像から得られる体表温度と腕センサ１０から得られる第１生体情報を入力として温熱快適性を推定（出力）する。一方、熱画像が得られない場合は、推定部は、熱画像から得られるダミー値の体表温度（例えば―３００℃）と腕センサ１０から得られる第１生体情報を入力して温熱快適性を推定する。これによって、第２生体情報が取得できない場合でも、推定を行うことができる。

しかし、体表温度ダミーの温熱快適性は体表温度ありの温熱快適性に対して誤差が大きく、そのために、熱画像から得られる体表温度の有無で切り替わる際に推定値が大きく不連続となる可能性がある。そこで、体表温度ありの温熱快適性と体表温度ダミーの温熱快適性の差分を元に体表温度ダミーの温熱快適性を補正したり、体表温度ありの温熱快適性と体表温度ダミーの温熱快適性の過去のデータを用いて変化を滑らかにするようなフィルタ等による補正で、切り替わりの際の連続性を保つことが可能となる。

（６）特徴
（６−１）
第３実施形態のシステム１００の推定部１３，２３，３２は、第１生体情報、第２生体情報、及び温熱快適性、を教師データとして学習する。推定部１３，２３，３２は、第１生体情報および第２生体情報に基づいて温熱快適性を推定する。推定部１３，２３，３２は、対象の推定された温熱快適性を記憶する。さらに、推定部１３，２３，３２は、第２取得部が第２生体情報を取得しない時はダミー情報を出力する機能を有す。推定部１３，２３，３２は、第１生体情報、ダミー情報、及び温熱快適性、を教師データとして学習する。第１生体情報、ダミー情報、及び記憶した温熱快適性に基づいて補正された第１温熱快適性を前記対象の温熱快適性とする。

（６−２）
第３実施形態のシステム１００の推定部は、第１生体情報、第２生体情報、及び温熱快適性、を教師データとして学習する。推定部１３，２３，３２は、第１生体情報および第２生体情報に基づいて温熱快適性を推定する。推定部１３，２３，３２は、対象の推定された温熱快適性を記憶する。さらに、推定部１３，２３，３２は、第２取得部が第２生体情報を取得しない時はダミー情報を出力する機能を有す。推定部１３，２３，３２は、第１生体情報、ダミー情報、及び温熱快適性、を教師データとして学習する。推定部１３，２３，３２は、第１生体情報、ダミー情報、及び記憶した温熱快適性、を教師データとして学習し、第１生体情報およびダミー情報に基づいて推定された第１温熱快適性を対象の温熱快適性とする。

（７）
以上、本開示の実施形態を説明したが、特許請求の範囲に記載された本開示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。

１１ 第１取得部
１２ 第１判断部
１３ 第１推定部
２１ 第２取得部
２２ 第２判断部
２３ 第２推定部
３２ 補正部
１００ システム
１３，２３，３２ 推定部

特開２０１９−０１７９４６号公報

Claims (16)

1. 対象の第１生体情報を取得する、１つ又は複数のセンサからなる第１取得部と、
   前記対象の第２生体情報を取得する、前記第１取得部とは異なる１つ又は複数のセンサからなる第２取得部と、
   前記第１生体情報と前記第２生体情報とに基づいて、前記対象の温熱快適性を推定する推定部と、
   を備え、
   前記推定部は、
   前記第１生体情報に基づいて前記対象の第１温熱快適性を推定し、前記第１生体情報と前記第２生体情報とに基づいて前記対象の前記温熱快適性を推定し、
   前記第２取得部が前記第２生体情報を取得しない時は、少なくとも前記第２取得部が過去に取得した前記第２生体情報に基づいて前記推定部が推定した過去の前記対象の温熱快適性、により補正された前記第１温熱快適性を、前記対象の温熱快適性とする、
   システム。
2. 対象の第１生体情報を取得する、１つ又は複数のセンサからなる第１取得部と、
   前記対象の第２生体情報を取得する、前記第１取得部とは異なる１つ又は複数のセンサからなる第２取得部と、
   前記第１生体情報に基づいて、前記対象の第１温熱快適性を推定する第１推定部と、
   前記第１生体情報と前記第２生体情報とに基づいて、前記対象の温熱快適性を推定する第２推定部と、
   前記第２取得部が前記第２生体情報を取得しない時は、少なくとも前記第２取得部が過去に取得した前記第２生体情報に基づいて前記第２推定部が推定した過去の前記対象の温熱快適性、により前記第１温熱快適性を補正する補正部と、
   を備えるシステム。
3. 対象の第１生体情報を取得する、１つ又は複数のセンサからなる第１取得部と、
   前記対象の第２生体情報を取得する、前記第１取得部とは異なる少なくとも１つ以上のセンサを含む１つ又は複数のセンサからなる第２取得部と、
   前記第１取得部が取得した前記第１生体情報に基づいて、前記対象の第１温熱快適性を推定する第１推定部と、
   前記第２取得部が取得した前記第２生体情報に基づいて、前記対象の第２温熱快適性を推定する第２推定部と、
   を備え、
   前記第１取得部が取得した前記第１生体情報と前記第２推定部が推定した推定結果と、を教師データセットとして前記第１推定部を学習させ、
   前記第１推定部による推定時には、前記第１取得部が取得した前記第１生体情報に基づいて、前記第１温熱快適性を出力する、
   システム。
4. 前記第１取得部は、前記第１生体情報を前記対象に接触して取得し、
   前記第２取得部は、前記第２生体情報を前記対象に接触せずに取得する、
   請求項１から３のいずれかに記載のシステム。
5. 前記第１取得部は、前記第１生体情報として、少なくとも、前記対象の心拍数、体表温度、皮膚電気活動（ＥＤＡ：Ｅｌｅｃｔｒｏ−Ｄｅｒｍａｌ Ａｃｔｉｖｉｔｙ）のうちのいずれか１つの情報を取得する、
   請求項１から４のいずれかに記載のシステム。
6. 前記第２取得部は、前記第２生体情報として、少なくとも、前記対象の顔の体表温度の情報と、前記顔の部位の体表温度の情報と、を取得する、
   請求項１から５のいずれかに記載のシステム。
7. 前記第２生体情報に含まれる情報の種類は、前記第１生体情報に含まれる情報の種類よりも多い、
   請求項１から６のいずれかに記載のシステム。
8. 前記第２温熱快適性の精度は、前記第１温熱快適性の精度よりも高い、
   請求項３に記載のシステム。
9. 前記第２取得部の有するセンサの数は、前記第１取得部の有するセンサの数よりも多い、
   請求項１から８のいずれかに記載のシステム。
10. 前記第２取得部において取得された前記第２生体情報が、有効な情報であるか否かを判断する第２判断部、をさらに備え、
    前記第２推定部は、前記第２判断部が前記第２生体情報を有効であると判断した場合に、前記第２温熱快適性を推定する、
    請求項３に記載のシステム。
11. 前記第１取得部において取得された前記第１生体情報が、有効な情報であるか否かを判断する第１判断部、をさらに備え、
    前記第１推定部は、前記第１判断部が前記第１生体情報を有効であると判断した場合に、前記第１温熱快適性を推定する、
    請求項３に記載のシステム。
12. 前記第１推定部は、さらに前記第１取得部が過去に取得した前記第１生体情報に基づいて前記第１温熱快適性を推定する、あるいは、前記第２推定部は、さらに前記第２取得部が過去に取得した前記第２生体情報に基づいて前記第２温熱快適性を推定する、
    請求項３、１０又は１１のいずれかに記載のシステム。
13. 前記対象の周囲の温熱環境の情報を取得する第３取得部をさらに備える、
    請求項１から１２のいずれかに記載のシステム。
14. 前記第３取得部は、前記対象の周囲の温度、及び／又は、湿度、の情報を取得する、
    請求項１３に記載のシステム。
15. 前記推定部は、
    前記第１生体情報と、前記第２生体情報と、前記対象の温熱快適性と、を教師データとして学習するとともに、
    前記第２生体情報が取得されない時は、前記第１生体情報と、前記第２生体情報と区別可能なダミー情報と、前記対象の温熱快適性と、を教師データとして学習し、
    前記第１生体情報と、前記第２生体情報と、が取得される時は、前記対象の温熱快適性を推定するとともに、前記対象の温熱快適性の推定値を記憶し、
    前記第２生体情報が取得されない時には、前記第１生体情報と、前記ダミー情報と、に基づいて、前記第１温熱快適性を推定し、記憶された過去の前記対象の温熱快適性に基づいて補正された前記第１温熱快適性を、前記対象の温熱快適性とする、
    請求項１に記載のシステム。
16. 前記第１生体情報と、前記ダミー情報と、前記対象の温熱快適性と、を教師データとして学習する際に、前記対象の温熱快適性として、記憶された前記対象の温熱快適性の推定値を用い、
    前記第２生体情報が取得されない時には、学習により補正された前記第１温熱快適性を、前記対象の温熱快適性とする、
    請求項１５に記載のシステム。

Images