JP7065447B2

JP7065447B2 - 情報処理方法、情報処理装置、及びプログラム

Info

Publication number: JP7065447B2
Application number: JP2017224454A
Authority: JP
Inventors: 一弘渡邉; 朋彦北村; 靖雄孝橋; 勝山岡; 聡明田中; 健司増田
Original assignee: Panasonic Intellectual Property Management Co Ltd
Current assignee: Panasonic Intellectual Property Management Co Ltd
Priority date: 2017-03-27
Filing date: 2017-11-22
Publication date: 2022-05-12
Anticipated expiration: 2037-11-22
Also published as: JP2018161462A

Description

本開示は、測定対象者の生体状態を把握する技術に関するものである。

近年、非接触で測定対象者の生体情報を感知する技術開発が行われている。例えば、特許文献１には、在室者に快適な空調を行うことを目的として、室内の撮像画像と室内の温度分布画像とを取得し、撮像画像を基に顔位置を算定し、顔位置から所定の距離離れた位置の温度情報を温度分布画像から取得し、取得した温度情報にしたがって空調制御を行う空気調和機が開示されている。

また、特許文献２には、乗員の顔の向きを考慮して、乗員の顔の温度を安定して算出することを目的として、下記の技術が開示されている。すなわち、特許文献２には、ＩＲ（ＩｎｆｒａＲｅｄ）カメラで得られた温度分布マップから、乗員の顔領域を抽出し、顔領域の中央領域と中央領域を挟んで顔領域の左右に位置する周辺領域との面積が同等になるように各領域の寄与度を調整し、調整した寄与度に基づいて乗員の顔温度を算出する技術が開示されている。

特開２００９－１１９８９６号公報特開２０１５－５５３９３号公報

しかし、従来技術では、測定対象者の生体状態を正確に把握することが困難な場合があった。人体毎に身体の血流状態は異なっており、例えば、半身麻痺の人体は、麻痺側の体部温度が極端に低いといったことが知られている。そのため、特許文献２で開示されるように中央領域と周辺領域との面積が同等になるように各領域の寄与度を調整して顔部の体温を測定するだけでは、人体の体温の変化を正確に把握することが困難である。

特許文献１で開示される発明は、顔位置から所定距離離れた位置の温度を検出しているため、人体自身の体温を正確に把握することが困難である。

本開示の目的は、測定対象者の生体状態を正確に把握することができる技術を提供することである。

本開示の一態様に係る情報処理方法は、コンピュータを用いて、測定対象者の生体情報を算出するための測定データを、非接触で測定する測定部から取得し、
取得された前記測定データの内容に基づいて、前記測定データを前記測定対象者の少なくとも姿勢に応じたグループに分類し、前記分類された測定データから前記生体情報を算出し、前記算出した生体情報を前記測定データが属しているグループに対応する基準値と比較し、
前記比較に基づく通知を情報提示部にさせる、ものである。

本開示の実施形態によれば、測定対象者の生体状態を正確に把握することができる。

実施の形態１にかかる情報処理装置が適用された生体情報感知装置の概要を示す図である。生体情報感知装置の接続構成の一例を示す図である。実施の形態１にかかる情報処理装置が適用された生体情報感知装置の機能の構成を示す図である。学習フェーズにおけるデータ処理方法を説明する図である。検出フェーズにおけるデータ処理方法を説明する図である。図５に続く、検出フェーズにおけるデータ処理方法を説明する図である。検出フェーズにおける情報処理装置の処理の一例を示すフローチャートである。実施の形態２にかかる情報処理装置が適用された生体情報感知装置の概要を示す図である。実施の形態２にかかる情報処理装置が適用された生体情報感知装置の機能構成の一例を示す図である。学習フェーズにおけるデータ処理方法を説明する図である。検出フェーズにおけるデータ処理方法を説明する図である。図１１に続く、検出フェーズにおけるデータ処理方法を説明する図である。本開示の変形例２にかかる情報処理装置が適用された生体情報感知装置の概要を示す図である。本開示の変形例３にかかる情報処理装置が適用された生体情報感知装置の機能の構成を示す図である。本開示の変形例３にかかる情報処理装置が適用された生体情報感知装置の接続構成の一例を示す図である。本開示の変形例４にかかる情報処理装置が適用された生体情報感知装置の機能の構成を示す図である。本開示の変形例５にかかる情報処理装置が適用された生体情報感知装置の機能の構成を示す図である。本開示の変形例５にかかる情報処理装置が適用された生体情報感知装置の接続構成の第一例を示す図である。本開示の変形例５にかかる情報処理装置が適用された生体情報感知装置の接続構成の第二例を示す図である。本開示の変形例６にかかる情報処理装置が適用された生体情報感知装置の接続構成を示す図である。本開示の変形例７にかかる情報処理装置が適用された生体情報感知装置の接続構成を示す図である。本開示の変形例８にかかる情報処理装置が適用された生体情報感知装置の接続構成を示す図である。本開示の変形例９にかかる情報処理装置が適用された生体情報感知装置の概要を示す図である。

（本開示の基礎となる知見）
高齢者介護においては、高齢者の日々の体調管理を行う上で、生活状況や体温の変化を記録管理することが必須とされている。そこで、人体の体温等の生体情報を周期的に測定し、測定値を基準値と比較し、異常等の変化があれば通知する体調管理システムが検討されている。

従来、人体の体温を測定する手段として、体温計や放射熱センサーが知られている。これらの手段は、腋下や内耳や顔正面等の人体の特定部位を測定することで体温を把握する。

しかし、これらの接触式の手段を体調管理システムに適用した場合、腋下部に体温計を接触させて体温を測定したり、内耳体温計等の人体に接触させる専用の機器を用いて体温を測定したりする必要がある。そのため、測定対象者に静止してもらったり、測定者が付き添った上で測定対象者の体温を測定したりする必要がある。その結果、測定者及び測定対象者ともに負担がかかるといった問題がある。

そこで、非接触で体温を計測する熱画像センサを用いて体温計測を行う特許文献２の手法を体調管理を行うシステムに適用することが考えられる。ここで、特許文献２では、各領域の寄与度を調整することで最終的に一つの体温が算出されているので、特許文献２の手法が適用された体調管理システムは、変化の有無を検出するための基準体温も一つ準備しておけば済む。

しかし、半身麻痺の人体は、麻痺側の体温と麻痺していない側の体温とが大きく相違している。そのため、一つの基準体温を用いて体温の変化の有無を検出すると、測定対象者が測定時にとっている姿勢によって麻痺側の体温が測定された場合、本来は発熱しているにも拘わらず、測定した体温が基準体温をよりも低いために例えば平熱と誤判定される可能性がある。また、測定対象者が検出時にとっている姿勢によって麻痺していない側の体温が測定された場合、本来は平熱であるにも拘わらず、測定した体温が基準体温よりも高いため例えば発熱していると誤判定される可能性がある。

本開示は、このような問題を解決するためになされたものであり、測定対象者及び測定者ともに負担をかけずに、測定対象者の生体状態を正確に把握することができる技術を提供することである。

本開示の一態様に係る情報処理装置は、コンピュータを用いて、測定対象者の生体情報を算出するための測定データを、非接触で測定する測定部から取得し、
取得された前記測定データの内容に基づいて、前記測定データを前記測定対象者の少なくとも姿勢に応じたグループに分類し、前記分類された測定データから前記生体情報を算出し、前記算出した生体情報を前記測定データが属しているグループに対応する基準値と比較し、
前記比較に基づく通知を情報提示部にさせる、ものである。

本態様によれば、測定部で測定された測定データが測定対象者の姿勢に基づいたグループに分類され、分類されたグループに対応する基準値と分類された測定データとを比較され、比較に基づく通知が行われる。そのため、測定時にとる測定対象者の姿勢に拘わらず測定対象者の生体状態を正確に把握した上で、通知を行うことができる。言い換えると、誤った通知についての処理の発生を低減することができる。したがって、通知についての処理負荷を低下させることができる。また、本態様によれば、生体情報が非接触で測定されているので、測定対象者及び測定者ともに負担をかけずに、生体状態を把握できる。

上記態様において、前記測定データの分類においては、前記測定データの内容に基づく前記測定データの前記グループへの分類を機械学習した機械学習モデルを用いて前記測定データを前記グループに分類し、
前記基準値は、前記機械学習において、前記グループに分類された前記測定データから算出された前記グループの前記生体情報の代表値であってもよい。
これにより、機械学習モデルにより測定データの分類が行われるため、ルールベースの分類に比べて、より適切な分類ができる。また、実際に分類された測定データから基準値が決定されるため、より正確な基準値を上記比較の処理に用いることができる。

上記態様において、前記情報処理方法は、さらに、
前記測定データの内容に基づく前記測定データの前記グループへの分類を前記機械学習モデルに機械学習させ、
前記機械学習において、前記グループに分類された測定データから前記グループの前記生体情報の代表値を、前記グループの前記基準値として算出してもよい。

本態様によれば、グループ毎に分類された測定データからグループ毎の生体情報の代表値が機械学習によって算出され、その代表値が基準値として算出されているので、測定対象者に適したグループ毎の基準値を算出できる。

上記態様において、前記測定部は、熱画像センサであり、
前記生体情報は、体温であり、
前記測定データは、前記熱画像センサで得られた熱画像データであり、
前記測定データの分類においては、前記熱画像センサにより得られた前記熱画像データに含まれる前記測定対象者を表す領域の特徴に基づいて前記熱画像データを前記グループに分類し、
前記比較においては、前記分類された熱画像データから前記測定対象者の体温を算出し、前記算出した体温と、前記分類された熱画像データが属するグループに対応する基準値とを比較してもよい。

本態様によれば、測定部は熱画像センサで構成されているので、測定対象者の生体状態を正確に把握できる。

上記態様において、前記測定部は、電波センサであり、
前記生体情報は、前記測定対象者の体動値、呼吸数、及び心拍数の少なくとも１つを含む活動量であり、
前記測定データは、前記電波センサにより得られた前記活動量を示す活動量データであり、
前記測定データの分類においては、前記電波センサにより得られた前記活動量データの波形情報に基づいて前記活動量データを前記グループに分類し、
前記比較においては、前記分類された活動量データから前記測定対象者の前記活動量を算出し、前記算出した活動量と、前記分類された活動量データが属するグループに対応する基準値とを比較してもよい。

本態様によれば、測定部は電波センサで構成されているので、測定対象者の体動値、呼吸数、及び心拍数の少なくとも１つを精度良く検出できる。

上記態様において、前記グループのいずれにも該当しない前記測定データの個数が基準個数を超えた場合、前記機械学習モデルの再学習を促す情報を生成してもよい。

本態様によれば、測定データを基準値と比較するに処理の実行中に、機械学習で分類されたいずれの姿勢にも該当しない測定データの個数が基準個数を超えた場合、機械学習モデルの再学習を促す情報が生成される。そのため、例えば、この情報を認識した管理者は、機械学習を再実行させることができる。これにより、測定データを基準値と比較する処理の実行中に、機械学習時には見られなかった姿勢を測定対象者がとるようになったとしても、測定対象者の生体状態を正確に把握できる。

上記態様において、前記情報処理方法は、さらに、前記測定データに対する測定時刻を示す時刻データを取得し、
前記比較においては、前記時刻データに基づいて前記測定データが所定の時間帯に測定されたか否かを判定し、前記測定データが前記所定の時間帯に測定されたと判定された場合、前記比較を実行してもよい。

本態様によれば、測定データが所定の時間帯に属している場合、比較する処理が実行されるので、例えば、測定対象者の状態が安定している時間帯に測定された測定データを用いて比較する処理を行うことができ、生体情報をより正確に把握することができる。

上記態様において、前記姿勢は、前記測定対象者の体の向きであってもよい。
これにより、測定対象者の体の向きに応じたグループに測定データを分類することができる。ここで、血流などの身体の特徴は体の向きによって異なるため、測定データ、すなわち、体温などの生体情報の基準値も体の向きによって異なる。したがって、適切な基準値を用いて測定対象者に異常がないかを判定することができる。

上記態様において、前記比較に基づく通知は、前記生体情報と前記基準値との比較結果、又は前記測定対象者の異常であってもよい。
これにより、情報提示部の通知を受けることができる人に測定対象者の異常を気づかせることができる。

上記態様は、構成する処理手段をステップとする方法として実現できる。そして、本開示は、その方法に含まれるステップをコンピュータに実行させるプログラムとして実現できる。さらに、本開示は、そのプログラムを記憶したＣＤ－ＲＯＭ等のコンピュータ読み取り可能な記憶媒体として実現できる。

（実施の形態１）
図１は、実施の形態１にかかる情報処理装置が適用された生体情報感知装置の概要を示す図である。図１において、感知装置１０１は熱画像センサーを含み、寝具１０７が配置された寝室等の居室内に配置されている。感知装置１０１は、例えば、空気調和機１０５と並んで設置されている。感知装置１０１は、例えば、空気調和機１０５の側面近傍に配置するというようにして、目立たない位置に配置することが好ましい。感知装置１０１は、例えば、寝具１０７の全域が計測範囲に含まれるように居室に設置されている。

感知装置１０１は、人体１０６（測定対象者の一例）を含む居室内の熱分布を示す熱画像データを取得する。感知装置１０１は、取得した熱画像データをゲートウェイ（以下ＧＷとする）１０４を介し、情報処理装置１０２に送信する。情報処理装置１０２は、熱画像データを人体１０６の姿勢に基づくグループ毎に分類して管理する。なお、ＧＷ１０４はルーターとも称される。

ここで、居室は、例えば、高齢者介護施設において介護対象者である人体１０６が滞在する一室であってもよいし、人体１０６が住む住宅の一室であってもよい。

情報処理装置１０２は、グループ毎に分類された熱画像データと今回測定した熱画像データとを比較することで、人体１０６の体温の変化を検出すると、ＧＷ１０４を介して、人体１０６の体温に異常が見られたこと示すアラーティング情報を情報表示装置１０３に送信する。情報表示装置１０３は、アラーティング情報を受信すると、アラートを発報する。これにより、人体１０６の管理者は、人体１０６の体温に異常があったことを認識する。

人体１０６の管理人としては、例えば、人体１０６を介護する介護人や、介護施設の管理人が採用できる。

図２は、生体情報感知装置の接続構成の一例を示す図である。図２に示すように、生体情報感知装置は、感知装置１０１と、情報処理装置１０２と、情報表示装置１０３と、ＧＷ１０４とを含む。感知装置１０１と情報処理装置１０２と情報表示装置１０３とは、それぞれ、所定のネットワークを介してＧＷ１０４と接続されている。所定のネットワークとしては、例えば、有線ＬＡＮや無線ＬＡＮや両者が混在するＬＡＮが採用される。

図３は実施の形態１にかかる情報処理装置が適用された生体情報感知装置の機能の構成を示す図である。生体情報感知装置は、感知装置１０１に相当する感知部１０１Ａ、情報処理装置１０２に相当する情報処理部１０２Ａ、情報表示装置１０３に相当する情報表示部１０３Ａとを含む。

感知部１０１Ａ（測定部の一例）は、センサ部３０１と、送信部３０２とを含み、生体情報を非接触で測定する。センサ部３０１は、例えば、熱画像センサで構成され、所定のサンプリング周期で人体１０６の居室を撮像することで、熱画像データ（測定データの一例）を取得する。送信部３０２は、例えば、無線ＬＡＮ又は有線ＬＡＮの通信回路で構成され、センサ部３０１で取得された熱画像データを所定のサンプリング周期で情報処理部１０２Ａに送信する。

情報処理部１０２Ａは、受信部３０３、時刻データ付与部３０４、データ分類部３０５、データ管理部３０６、変化検出部３０７、送信部３０８、及びＤＢ部３１１を含む。

受信部３０３（取得部の一例）は、例えば、無線ＬＡＮ又は有線ＬＡＮの通信回路で構成され、感知部１０１Ａから送信された熱画像データを所定のサンプリング周期で受信する。

時刻データ付与部３０４は、受信部３０３で受信された熱画像データに対して、測定時刻を付与する。ここで、測定時刻としては、例えば、受信部３０３が熱画像データを取得したときの取得時刻が付与される。また、測定時刻は、例えば、年／月／日／時／分／秒を表すデータで構成される。

データ分類部３０５は、姿勢に基づくグループを学習する学習フェーズにおいて、時刻データ付与部３０４により時刻データが付与された熱画像データを順次に取得することで複数の熱画像データを取得する。そして、データ分類部３０５は、取得した複数の熱画像データのそれぞれに含まれる人体１０６を表す領域の特徴に基づいて熱画像データを分類することでグループを学習する。画素の特徴としては、人体１０６を表す領域の輪郭やその領域を構成する温度分布が採用される。

ここで、データ分類部３０５は、例えば、機械学習によりグループを学習すればよい。ここで、機械学習としては、例えば、ニューラルネットワークを用いた教師あり機械学習又は教師なし機械学習が採用されればよい。教師あり機械学習の場合、データ分類部３０５は、例えば、各熱画像データに対して事前に与えられた姿勢に基づくグループを識別するグループ識別子が出力されるようにニューラルネットワークの重み係数を学習すればよい。

ここで、事前に与えられた姿勢としては、例えば、人体１０６の向きが採用できる。人体１０６の向きとしては、例えば、人体１０６を正面から見た向きを示す「前」と、人体１０６を正面を基準に左側から見た向きを示す「左」と、人体１０６を正面を基準に右側から見た向きを示す「右」と、人体１０６を背中から見た向きを示す「後」との最低４パターンが採用できる。更に、人体１０６の向きとしては、例えば、前後左右の４パターンのそれぞれにおける奥行のパターンが加えられてもよい。奥行きのパターンとしては、例えば、熱画像センサとの距離を段階的に分けたパターンが採用できる。この場合、奥行きのパターンとしては、例えば、「近い」、「普通」、「遠い」といったパターンが採用できる。人体１０６の向きとして前後左右の４パターンがあり、人体１０６の奥行きとして「近い」、「普通」、「遠い」の３パターンがあるとすると、熱画像データは姿勢及び奥行きに応じて、４×３＝１２の１２のグループに分類されることになる。ここで、奥行きを考慮するのは、熱画像センサから人体１０６までの距離が離れるほど熱画像センサの計測精度が低下することを考慮したからである。なお、人体１０６の向きとしては、上記の４パターン以外の向き（例えば、右斜め前方、左斜め前方、右斜め後方、左斜め後方）が加えられても良いし、上記４パターンのうちいずれか１つ又は複数が省かれても良い。

また、教師なし機械学習を採用する場合、データ分類部３０５は、通常のニューラルネットワークよりも階層数が多いディープニューラルネットワークを採用すればよい。ディープニューラルネットワークを採用した場合、事前に姿勢及び奥行きを設定しなくても、データ分類部３０５は、熱画像データに含まれる人体１０６を示す領域の特徴にしたがって、熱画像データを分類することで、グループを学習できる。

なお、データ分類部３０５は、機械学習以外の手法を用いてグループを学習してもよい。機械学習以外の手法を採用する場合、データ分類部３０５は、まず、熱画像データから人体１０６の領域を抽出する。この場合、例えば、データ分類部３０５は、熱画像データからＨＯＧ（ＨｉｓｔｏｇｒａｍｓｏｆＯｒｉｅｎｔｅｄＧｒａｄｉｅｎｔｓ）特徴量を算出し、ＨＯＧ特徴量にしたがって熱画像データを人体１０６の領域と背景の領域とに分けることにより、人体１０６の領域を抽出すればよい。次に、データ分類部３０５は、抽出した人体１０６の領域の輪郭と、顔部における鼻及び口の相対的な位置関係とを用いて人体１０６の向きを決定すればよい。ここで、顔部は人体１０６の形状から抽出でき、鼻及び口の位置は顔部の熱分布から求めることができる。また、ここで、決定される人体１０６の向きは上記の前後左右の４パターンの向きというように事前に定めらた向きが採用される。

次に、データ分類部３０５は、決定した向きに応じたグループ識別子を熱画像データに付与することで、熱画像データを分類する。この場合、データ分類部３０５は、顔部の大きさから上記の奥行のパターン毎に熱画像データを更に分類してもよい。この場合、データ分類部３０５は、人体１０６の向きをと奥行きとの組毎のグループ識別子を熱画像データに付与することで熱画像データを分類すればよい。

一方、データ分類部３０５は、生体情報の変化を検出する検出フェーズにおいて、時刻データ付与部３０４により時刻データが付与された熱画像データを順次に取得する。そして、データ分類部３０５は、取得した熱画像データのそれぞれに含まれる人体１０６を表す領域の特徴に基づいて、取得した熱画像データを学習フェーズで学習されたいずれかのグループに分類する。例えば、学習フェーズでニューラルネットワークが採用された場合、データ分類部３０５は、検出フェーズにおいて、検出対象となる熱画像データをニューラルネットワークに入力することで、当該熱画像データが属するグループを決定すればよい。

また、学習フェーズで上記の機械学習以外の手法が採用された場合、その手法を用いて、データ分類部３０５は、検出対象の熱画像データが属するグループを決定すればよい。

データ管理部３０６は、学習フェーズにおいて、データ分類部３０５で分類された熱画像データからグループ毎の体温の代表値を、グループ毎の基準値として算出する。ここで、基準値は、人体１０６の平熱を想定しており、分類された熱画像データから得られるグループ毎の体温の平均値が採用される。

そして、データ管理部３０６は、算出したグループ毎の基準値をＤＢ部３１１に格納することで、基準値を管理する。なお、データ管理部３０６は、検出フェーズにおいても、熱画像データの分類結果に基づいて、基準値を更新してもよい。

変化検出部３０７（比較部の一例）は、検出フェーズにおいて、データ分類部３０５によりいずれかのグループに分類された熱画像データから人体１０６の体温（生体情報の一例）を算出し、算出した体温と、当該熱画像データが属するグループに対応する基準値とを比較することで、人体１０６の体温の変化の有無を検出する。そして、変化検出部３０７は、体温の変化を検出した場合、体温の異常を示すアラーティング情報を生成する。ここで、基準値は、人体１０６の平熱を想定しているので、変化検出部３０７は、例えば、対象となる熱画像データから算出した体温と基準値が示す平熱との温度差がプラスマイナス１℃以上であれば、体温の変化があったと判定すればよい。ここでは、温度差がプラスマイナス１℃以上であれば、体温の変化があると判定しているが、本開示はこれに限定されず、温度差が１℃以外の所定温度（例えば、０．５℃、１．５℃等）以上であれば、体温の変化があると判定してもよい。

ここで、変化検出部３０７は、後述する比較部位パラメータ３１１Ｃが指定する部位（例えば、顔部）を熱画像データから検出し、検出した部位の例えば平均温度を人体１０６の体温を算出すればよい。

送信部３０８は、例えば、無線ＬＡＮ又は有線ＬＡＮの通信回路で構成され、変化検出部３０７によりアラーティング情報が生成された場合、そのアラーティング情報を情報表示部１０３Ａに送信する。

データベース（以下ＤＢとする）部３１１は、例えば不揮発性の記憶装置で構成され、データ管理部３０６が管理する各種データを記録する。ＤＢ部３１１は、分類パラメータ３１１Ａと、分類データ３１１Ｂと、比較部位パラメータ３１１Ｃとを記憶する。

分類パラメータ３１１Ａは、例えば、学習フェーズとしてニューラルネットワークが採用されたのであれば、学習の結果得られたニューラルネットワークの重み係数である。

分類データ３１１Ｂは、学習フェーズ及び検出フェーズにおいて、データ分類部３０５によりグループ毎に分類された熱画像データである。

比較部位パラメータ３１１Ｃは、変化検出部３０７が変化検出時に使用する比較対象となる人体１０６の部位を示すパラメータである。例えば、比較部位パラメータとしては、顔が比較対象とされるのであれば、顔を示す情報が採用される。

なお、教師あり機械学習が採用される場合、ＤＢ部３１１は、事前に定められた分類対象となる姿勢及び奥行きを示す情報を記憶しても良い。

情報表示部１０３Ａは、例えば、人体１０６の管理者が使用可能なコンピュータで構成され、受信部３０９と、表示部３１０とを含み、アラーティング情報を出力する。ここで、情報表示部１０３Ａは、据え置き型のコンピュータで構成されてもよいし、タブレット端末やスマートフォン等の携帯可能なコンピュータで構成されてもよい。

受信部３０９は、無線ＬＡＮ又は有線ＬＡＮの通信回路で構成され、情報処理部１０２Ａから送信されたアラーティング情報を受信する。表示部３１０は、例えば、液晶ディスプレイや有機ＥＬディスプレイで構成され、アラーティング情報を表示する。この場合、表示部３１０は、例えば、人体１０６の体温が異常であることを示すメッセージ等を表示すればよい。なお、情報表示部１０３Ａは、人体１０６の体温が異常であることを示す音声を図略のスピーカから出力してもよい。

次に、図４～図６を用いて情報処理部１０２Ａにおけるデータ処理方法を説明する。図４は、学習フェーズにおけるデータ処理方法を説明する図である。図５は、検出フェーズにおけるデータ処理方法を説明する図である。図６は、図５に続く、検出フェーズにおけるデータ処理方法を説明する図である。

図４を参照する。生体情報感知装置が現場に設置されると、情報処理部１０２Ａは、一定期間、熱画像データを学習することで分類パラメータ３１１Ａを生成する。まず、時刻データ付与部３０４は、感知部１０１Ａが取得した熱画像データ（４０１）のそれぞれに対し、時刻データを付与する（４０２）。次に、データ分類部３０５は、時刻データが付与された熱画像データ（４０３）のそれぞれに対し、所定の温度範囲（例えば、２５℃～４５℃）以外の領域をマスクするマスク処理を行う。次に、データ分類部３０５は、ニューラルネットワークを用いた機械学習を行うことで、熱画像データを人体１０６のグループ毎に分類し、分類パラメータ３１１Ａを生成する（４０４）。ここでは、所定の温度範囲として、２５℃～４５℃が採用されたが、例えば３０℃～４５℃等の温度範囲が採用されることで、人体１０６と人体１０６以外の物体（例えば家具等）との差異をより明確化することができる。なお、所定の温度範囲は、人体１０６がとり得る温度範囲を想定したものである。

続いて、図５を参照する。学習フェーズが終了すると検出フェーズが開始される。まず、時刻データ付与部３０４は、学習フェーズと同様、感知部１０１Ａで取得された熱画像データ（５０１）に対し、時刻データを付与する（４０２）。次に、データ分類部３０５は、学習フェーズと同様、時刻データが付与された熱画像データ（５０３）に対してマスク処理を行い所定の温度範囲以外の領域をマスクする。次に、データ分類部３０５は、所定の温度範囲以外の領域がマスクされた熱画像データを学習フェーズで生成したニューラルネットワークに入力することで、当該熱画像データを学習フェーズで分類されたいずれかのグループに分類する（５０４）。ここでは、グループとして、第１～第Ｎのグループがあるので、熱画像データは第１～第Ｎ（Ｎは１以上の整数）のグループのいずれかに分類される。これにより、検出対象の熱画像データは、人体１０６を表す領域の特徴に基づいて分類される。分類された熱画像データは、分類データ３１１ＢとしてＤＢ部３１１に格納される。なお、学習フェーズにより生成されたニューラルネットワークは機械学習モデルの一例である。

続いて、図６を参照する。変化検出部３０７は、分類データ３１１Ｂから検出対象となる熱画像データを読み出し、読み出した熱画像データから比較部位パラメータ３１１Ｃが指定する部位を検出する（６０１）。例えば、比較部位パラメータ３１１Ｃとして顔部が指定されているのであれば、変化検出部３０７は、検出対象となる熱画像データから顔部を検出する。

次に、変化検出部３０７は、熱画像データから検出した部位の体温を算出し、算出した体温と、当該熱画像データが属するグループに対応する基準値とを比較することで、人体１０６の体温の変化の有無を検出する（６０２）。ここでは、変化検出部３０７は、算出した体温と基準値が示す平熱との温度差がプラスマイナス１℃以上であれば、体温の変化があったと判定する。

図６の例では、分類データ３１１Ｂは姿勢及び奥行きに応じて第１～第Ｎのグループに分けられている。したがって、基準値も第１～第Ｎのグループに対応してＮ個存在する。

本実施の形態では、基準値は、学習フェーズで算出されたものを採用したが、本開示はこれに限定されず、グループ毎に事前に定められた値が採用されもよい。或いは、基準値は、現在から過去一定期間に分類された熱画像データからグループ毎に算出された値が採用されてもよい。

図７は、検出フェーズにおける情報処理装置１０２の処理の一例を示すフローチャートである。なお、図７のフローチャートは、例えば、感知部１０１Ａが熱画像データを取得する所定のサンプリング周期で定期的に実行される。

まず、データ分類部３０５は、時刻データ付与部３０４により時刻データが付与された熱画像データを取得する（Ｓ７０１）。次に、データ分類部３０５は、取得した熱画像データに対してマスク処理を行い、２５℃～４５℃以外の部分をマスクする（Ｓ７０２）。

次に、データ分類部３０５は、マスク処理が行われた熱画像データを、学習フェーズで分類パラメータ３１１Ａが生成されたニューラルネットワークに入力することで分類する（Ｓ７０３）。これにより、熱画像データは、姿勢及び奥行きに応じて第１～第Ｎのグループのうち、いずれかのグループに分類されることになる。また、熱画像データは第１～第Ｎのいずれのグループにも分類できないことも生じ得る。例えば、学習フェーズではとらなかった姿勢及び奥行きを検出フェーズにおいて、人体１０６がとるようになった場合である。この場合、この熱画像データはその他のグループに分類される。

次に、データ分類部３０５は、その他のグループに分類された熱画像データの個数が基準個数を超えたか否かを判定する（Ｓ７０４）。

その他のグループに分類された熱画像データの個数が基準個数を超えた場合（Ｓ７０４でＹＥＳ）、学習フェーズの再実行を促すフラグを生成する（Ｓ７０５）。ここで、生成されたフラグは、例えば、情報表示部１０３Ａに送信される。情報表示部１０３Ａは、フラグが生成されたことを示す画像を表示部３１０に表示する。これにより、管理者は、再度、学習フェーズを実行するように促されることになる。管理者は、例えば、図略の入力装置を用いて再学習コマンドを情報処理部１０２Ａに入力する。すると、データ分類部３０５は、現在までに分類データ３１１Ｂとして蓄積された全ての熱画像データを用いて、上記の学習フェーズを実行し、分類パラメータ３１１Ａを再度生成する。これにより、その他のグループに分類された熱画像データが示す人体１０６の姿勢及び奥行きを含むグループが新たに学習されることになる。その結果、検出フェーズにおいて新たにとるようになった人体１０６の姿勢及び奥行きに基づくグループが分類対象のグループとして追加されることになる。なお、学習フェーズが再実行された場合、グループ毎に分類された熱画像データからグループ毎の基準値が算出されるので、新たに追加されたグループに分類された熱画像データは、対応する基準値と比較されて温度の変化が検出されることになる。

次に、変化検出部３０７は、検出対象となる熱画像データから比較部位パラメータ３１１Ｃが示す部位を検出し、検出した部位の画素値を用いて人体１０６の体温を算出する（Ｓ７０６）。

次に、変化検出部３０７は、検出対象となる熱画像データのグループに対応する基準値と、Ｓ７０６で算出した人体１０６の体温とを比較し、人体１０６の体温と基準値との温度差がプラスマイナス１℃以上であれば（Ｓ７０８でＹＥＳ）、アラーティング情報を生成する（Ｓ７０９）。Ｓ７０９が終了すると処理はＳ７１０に進む。生成されたアラーティング情報は、情報表示部１０３Ａに送信され、管理者にアラートが発報される。一方、人体１０６の体温と基準値との温度差がプラスマイナス１℃未満であれば（Ｓ７０８でＮＯ）、処理はＳ７１０に進む。

Ｓ７１０では、データ管理部３０６は、検出対象となる熱画像データが分類された分類データ３１１Ｂを用いて、当該熱画像データが属するグループの基準値を更新し、処理をＳ７０１に戻す。例えば、検出対象となる熱画像データが第１のグループに分類されたとするならば、データ管理部３０６は、第１のグループの基準値を更新すればよい。

以上のように、実施の形態１の情報処理装置１０２によれば、熱画像データを姿勢及び奥行きに基づくグループに応じて分類し、そのグループに対応する基準値と、熱画像データから算出される体温とを比較することで、人体１０６の体温の異常を検出する。そのため、情報処理装置１０２は、測定時にとる人体１０６の姿勢及び奥行きに拘わらず人体１０６の体温の異常の有無を精度良く検出できる。また、情報処理装置１０２は、人体１０６の体温を非接触で測定できるので、人体１０６及び人体１０６の管理者ともに負担をかけずに体温の異常を検出できる。また、本態様は、人体１０６を撮影することで得られた熱画像データから基準値が算出されているので、人体１０６に適した基準値を算出できる。

（実施の形態２）
図８は、実施の形態２にかかる情報処理装置が適用された生体情報感知装置の概要を示す図である。実施の形態２にかかる生体情報感知装置は、電波センサを含む感知装置９０１＿Ａを採用したものである。本実施の形態において、実施の形態１と同一の構成要素については説明を省く。

感知装置９０１＿Ａは、電波センサを含み、図１と同様、寝室等の居室内に配置されている。ここで、感知装置９０１＿Ａは、例えば、寝具１０７の全域が計測範囲に含まれるように居室に設置されている。感知装置９０１＿Ａは、人体１０６の活動量データを取得する。感知装置９０１＿Ａは、取得した活動量データをＧＷ１０４を介し、情報処理装置９０２に送信する。情報処理装置９０２は、活動量データを人体１０６の姿勢に基づくグループ毎に分類して管理する。

情報処理装置９０２は、グループ毎に分類された活動量データと今回測定した活動量データとを比較することで、人体１０６の活動量（生体情報の一例）の変化を検出すると、ＧＷ１０４を介して、人体１０６の活動量が異常であることを示すアラーティング情報を情報表示装置１０３に通知する。情報表示装置１０３は、アラーティング情報を受信するとアラートを発報する。これにより、人体１０６の管理者は、人体１０６の活動量の異常を認識する。

図９は、実施の形態２にかかる情報処理装置が適用された生体情報感知装置の機能構成の一例を示す図である。生体情報感知装置は、感知装置９０１＿Ａに相当する感知部９０１Ａ（測定部の一例）、情報処理装置９０２に相当する情報処理部９０２Ａ、及び情報表示装置１０３に相当する情報表示部１０３Ａを含む。感知部９０１Ａは、図３に対してセンサ部９０１が相違する。

センサ部９０１は、例えば、２ｃｈのドップラー方式の電波センサで構成されており、人体１０６に対して所定のサンプリング周期で電波を照射して人体１０６からの反射波を受信することで、人体１０６の活動量データを取得する。電波としては、例えば、２４ＧＨｚ帯のマイクロ波が採用できる。

なお、センサ部９０１はドップラー方式以外の電波センサが採用されてもよい。例えば、ＦｒｅｑｕｅｎｃｙＭｏｄｕｌａｔｅｄＣｏｎｔｉｎｕｏｕｓＷａｖｅ（ＦＭＣＷ）方式などの電波センサが採用されてもよい。

データ分類部９０５は、学習フェーズにおいて、時刻データ付与部３０４により時刻データが付与された複数の活動量データを取得し、取得した複数の活動量データを波形情報に基づいて分類することで、人体１０６の姿勢に基づくグループを学習する。

センサ部９０１が２ｃｈのドップラー方式の電波センサで構成されるのであれば、活動量データの振幅に応じて人体１０６までの距離が変化し、活動量データの周波数の変化に応じて体動の速さが変化する。したがって、この場合、波形情報として、振幅及び周波数が採用される。

また、センサ部９０１がＦＭＣＷ方式の電波センサで構成されているのであれば、活動量データの振幅及び位相に応じて人体１０６までの距離が変化し、活動量データの位相の変化に応じて体動の速さが変化する。したがって、この場合、波形情報として、振幅及び位相が採用される。

また、仰向けやうつぶせや横向きといった人体１０６の姿勢に応じて体動の速さが変化し、就寝中や起床中といった人体１０６の状態に応じて体動の速さが変化する。したがって、波形情報に基づいて活動量データを分類することで、活動量データを人体１０６の姿勢と状態と距離とのグループ毎に分類でき、人体１０６がとった姿勢と状態と距離毎のグループを学習できる。

なお、本実施の形態では、データ分類部９０５は、実施の形態１で説明した機械学習を用いてグループを学習すればよい。

データ分類部９０５は、生体情報の変化を検出する検出フェーズにおいて、時刻データ付与部３０４により時刻データが付与された活動量データを波形情報に基づいて、学習フェーズで学習されたいずれかのグループに分類する。詳細には、データ分類部９０５は、学習フェーズで生成されたニューラルネットワークに活動量データを入力することで活動量データを分類すればよい。

データ管理部９０６は、学習フェーズにおいて、データ分類部９０５でグループ毎に分類された活動量データからグループ毎の活動量の代表値を、グループ毎の基準値として算出する。ここで、基準値としては、体動値、心拍数、及び呼吸数のそれぞれの基準値が採用できる。活動量データにおいて、体動値、心拍数、及び呼吸数の周波数帯域は事前に知られているので、それぞれの周波数帯域の値から体動値、心拍数、及び呼吸数を検出できる。したがって、データ管理部９０６は、体動値、心拍数、及び呼吸数のそれぞれのグループ毎の平均値を、グループ毎の体動値、心拍数、及び呼吸数の基準値として算出すればよい。なお、データ管理部３０６は、検出フェーズにおいても、活動量データの分類結果に基づいて、基準値を更新してもよい。

変化検出部９０７は、検出フェーズにおいて、データ分類部９０５によりいずれかのグループに分類された活動量データから人体１０６の体動値、呼吸数、及び心拍数を含む活動量を算出し、算出した活動量を対応するグループの基準値とを比較することで、人体１０６の活動量の変化の有無を検出する。そして、変化検出部９０７は、活動量の変化を検出した場合、活動量が異常であることを示すアラーティング情報を生成する。ここで、基準値は、人体１０６の平常時の活動量を想定しているので、変化検出部９０７は、対象となる活動量データが示す活動量と基準値との差分がプラスマイナス所定値以上であれば、活動量に変化があると判定すればよい。

ＤＢ部９１１は、分類パラメータ９１１Ａと、分類データ９１１Ｂと、比較値算出パラメータ９１１Ｃとを記憶する。分類パラメータ９１１Ａは、例えば、学習フェーズにおいて、活動量データを学習することで得られたニューラルネットワークの重み係数である。比較値算出パラメータ９１１Ｃは、変化検出部９０７が変化検出時に活動量データから検出する比較値の内容を定めるパラメータである。本実施の形態では、体動値、脈拍数、心拍数が比較値として採用されるため、比較値算出パラメータ９１１Ｃとしては、例えば、体動値、脈拍数、及び心拍数のそれぞれを示す情報が採用される。或いは、比較値算出パラメータ９１１Ｃとしては、例えば、体動値、脈拍数、及び心拍数のそれぞれの活動量データにおける周波数帯域が採用されてもよい。

なお、教師あり機械学習が採用される場合、ＤＢ部９１１は、事前に定められた分類対象となるグループに関する情報（姿勢を示す情報（仰向け及び俯せ等）、状態（就寝中及び起床中等）、距離）を記憶しても良い。

次に、図１０～図１２を用いて情報処理部９０２Ａにおけるデータ処理方法を説明する。図１０は、学習フェーズにおけるデータ処理方法を説明する図である。図１１は、検出フェーズにおけるデータ処理方法を説明する図である。図１２は、図１１に続く、検出フェーズにおけるデータ処理方法を説明する図である。

図１０を参照する。生体情報感知装置が現場に設置されると、情報処理部９０２Ａは、活動量データを学習することで分類パラメータ９１１Ａを生成する。まず、時刻データ付与部３０４は、感知部９０１Ａが取得した活動量データ（１００１）のそれぞれに対し、時刻データを付与する（１００２）。

次に、データ分類部９０５は、ニューラルネットワークを用いた機械学習を行うことで、時刻データが付与された活動量データ（１００３）をグループ毎に分類し、分類パラメータ９１１Ａを生成する（１００４）。

続いて、図１１を参照する。学習フェーズが終了すると検出フェーズが開始される。時刻データ付与部３０４は、学習フェーズと同様、感知部９０１Ａで取得された活動量データ（１１０１）に対し、時刻データを付与する（１００２）。次に、データ分類部９０５は、学習フェーズと同様、時刻データが付与された活動量データ（１１０３）を学習フェーズで生成したニューラルネットワークに入力することで、当該活動量データを学習フェーズで分類されたいずれかのグループに分類する（１１０４）。これにより、検出対象の活動量データは、波形情報に基づいて分類される。分類された活動量データは、分類データ９１１ＢとしてＤＢ部９１１に格納される。

続いて、図１２を参照する。変化検出部９０７は、分類データ９１１Ｂから検出対象となる活動量データを読み出し、読み出した活動量データから比較値算出パラメータ９１１Ｃが指定する比較値を検出する（１２０１）。ここでは、比較値としては、体動値、脈拍数、及び心拍数が採用される。したがって、読み出した活動量データから体動値、脈拍数、及び心拍数が抽出される。

次に、変化検出部９０７は、活動量データから検出した体動値、脈拍数、及び心拍数と、当該活動量データが分類されたグループに対応する基準値とを比較することで、人体１０６の活動量の変化の有無を検出する（１２０２）。ここでは、変化検出部３０７は、検出した体動値、脈拍数、及び心拍数とそれぞれに対応する基準値との差分がプラスマイナス所定値以上であれば、活動量に変化があったと判定する。

図１２の例では、分類データ９１１Ｂは第１～第Ｎ（Ｎは１以上の整数）のＮ個のグループに分けられている。したがって、基準値も第１のグループ～第Ｎのグループに対応してＮ個存在する。なお、図１２の例では、基準値として体動値、心拍数、及び脈拍数のいずれか一つの基準値が図示されているが、実際には体動値、心拍数、及び脈拍数のそれぞれの基準値が含まれている。

本実施の形態では、基準値は、学習フェーズで算出されたものを採用したが、本開示はこれに限定されず、グループ毎に事前に定められた値が採用されもよい。或いは、基準値は、現在から過去一定期間に分類された活動量データから算出された値が採用されてもよい。

なお、実施の形態２において、フローチャートは、熱画像データを活動量データとする以外、図７と同じであるため、説明を省く。

以上のように、実施の形態２では、活動量データの波形情報によって、姿勢、状態、及び距離を含むグループ毎に活動量データが分類され、分類された活動量データの活動量が対応するグループの基準値と比較されて、活動量の異常が検出される。そのため、実施の形態２では、測定時にとる人体１０６の姿勢に拘わらず、人体１０６の活動量の異常の有無を精度良く検出することができる。また、本態様は、生体情報を非接触で測定するので、人体１０６及び測定者ともに負担をかけずに、活動量の異常を検出できる。

なお、本開示にかかる情報処理装置は下記の変形例を採用できる。

（変形例１）
変化検出部３０７は、測定データに付与された時刻データに基づいて測定データが所定の時間帯に測定された測定データであるか否かを判定し、所定の時間帯に測定された測定データである場合、変化を検出する処理を実行してもよい。ここで、所定の時間帯としては、人体１０６の活動量が安定した時間帯が採用され、例えば、起床直後の一定時間、起床直前の一定時間、就寝直前の一定時間、又は就寝直後の一定時間が採用できる。

この場合、データ分類部３０５は、所定の時間帯の測定された測定データのみを分類してもよい。これにより、基準値は所定の時間帯の測定データから算出されたものとなり、生体情報の変化を精度良く検出できる。

或いは、データ分類部３０５は、姿勢や状態や距離に加えて時間帯も考慮に入れて測定データを分類してもよい。この場合、時間帯に応じて異なる人体１０６の活動量を考慮に入れて生体情報の変化を精度良く検出できる。

（変形例２）
図１３は、本開示の変形例２にかかる情報処理装置が適用された生体情報感知装置の概要を示す図である。実施の形態１では、図１に示すように、感知装置１０１は、空気調和機１０５とは別体で構成されているが、変形例２では、図１３に示すように、感知装置１０１＿Ｂは、空気調和機１０５Ｂに内蔵されていている。図１３の例では、感知装置１０１＿Ｂは、空気調和機１０５Ｂの前面において、センサ面が人体１０６と対向するように配置されている。

変形例２においては、情報処理装置１０２は、例えば、クラウドサーバで構成されてもよいし、ローカルに設置されたサーバで構成されてもよい。

（変形例３）
図１４は、本開示の変形例３にかかる情報処理装置が適用された生体情報感知装置の機能の構成を示す図である。実施の形態１では、情報処理部１０２Ａは、感知部１０１Ａと別体で構成されていたが、変形例３では、感知部１０１Ｂは、図１４に示すように、図３に示す感知部１０１Ａと情報処理部１０２Ａとが統合して構成されている。変形例３では、感知部１０１Ｂによって情報処理装置が構成される。

変形例３では、感知部１０１Ａと情報処理部１０２Ａとが統合されているので、図３に存在した、送信部３０２及び受信部３０３が省かれている。なお、変形例３において、感知部１０１Ｂは、空気調和機１０５に内蔵されたセンサユニットで構成されてもよいし、空気調和機１０５とは別体に設けられた専用のセンサユニットで構成されてもよい。

図１５は、本開示の変形例３にかかる情報処理装置が適用された生体情報感知装置の接続構成の一例を示す図である。感知装置１０１＿Ｂは、図１４に示す感知部１０１Ｂに相当する。感知装置１０１＿Ｂは、ＧＷ１０４を介して情報表示装置１０３と接続されている。

（変形例４）
図１６は、本開示の変形例４にかかる情報処理装置が適用された生体情報感知構成の機能の構成を示す図である。実施の形態１では、時刻データ付与部３０４は、情報処理部１０２Ａに設けられていたが、変形例４では、時刻データ付与部３０４は感知部１０１Ｃに設けられている。時刻データ付与部３０４は、センサ部３０１と送信部３０２との間に設けられている。一方、情報処理部１０２Ｃは時刻データ付与部３０４を備えていない。変形例４では、時刻データを付与する処理が感知部１０１Ｃで行われるので、情報処理部１０２Ｃの処理負担を軽減できる。変形例４では、感知部１０１Ｃは空気調和機１０５に内蔵された高機能センサ、或いは空気調和機１０５とは別体で構成された高機能センサで構成されている。

（変形例５）
図１７は、本開示の変形例５にかかる情報処理装置が適用された生体情報感知装置の機能の構成を示す図である。図１７の例では、情報処理部１０２Ｅが、時刻データ付与部３０４を備える情報処理部１０２Ｄと、情報処理部１０２Ｅとに分けられている。

情報処理部１０２Ｄは、例えば、空気調和機１０５に内蔵された高機能センサ或いは家庭用のコンピュータで構成される。情報処理部１０２Ｅは、例えば、クラウドサーバで構成される。情報処理部１０２Ｄは、感知部１０１Ｄと通信するための受信部３０３Ｄと、情報処理部１０２Ｅと通信するための送信部３０２Ｄとを備えている。情報処理部１０２Ｅは、情報処理部１０２Ｄと通信するための受信部３０３を備えている。図１８は、本開示の変形例５にかかる情報処理装置が適用された生体情報感知装置の接続構成の第一例を示す図である。情報処理部１０２Ｄに相当する情報処理装置１０２＿Ｄは、ＧＷ１０４を介して情報処理部１０２Ｅに相当する情報処理装置１０２＿Ｅ及び情報表示装置１０３と接続されている。また、情報処理装置１０２＿Ｄは感知部１０１Ｄに相当する感知装置１０１＿Ｄと接続されている。

図１９は、本開示の変形例５にかかる情報処理装置が適用された生体情報感知装置の接続構成の第二例を示す図である。第二例では、感知装置１０１＿Ｄ、情報処理装置１０２＿Ｄ、情報処理装置１０２＿Ｅ、及び情報表示装置１０３は、それぞれ、ＧＷ１０４を介して接続されている。

（変形例６）
図２０は、本開示の変形例６にかかる情報処理装置が適用された生体情報感知装置の接続構成を示す図である。変形例６では、ＧＷ１０４は、公衆通信網８０１を介して情報処理装置１０２及び情報表示装置１０３と接続されている。なお、感知装置１０１は、ＧＷ１０４と接続されている。

（変形例７）
図２１は、本開示の変形例７にかかる情報処理装置が適用された生体情報感知装置の接続構成を示す図である。変形例７は、公衆通信網８０１を利用して変形例５にかかる生体情報感知装置を構成したものである。ＧＷ１０４は公衆通信網８０１を介して情報処理装置１０２＿Ｅと情報表示装置１０３と接続されている。感知装置１０１は、情報処理装置１０２＿Ｄを介してＧＷ１０４と接続されている。

（変形例８）
図２２は、本開示の変形例８にかかる情報処理装置が適用された生体情報感知装置の接続構成を示す図である。変形例８は、公衆通信網８０１を利用して変形例５にかかる生体情報感知装置を構成したものである。

ＧＷ１０４は、公衆通信網８０１を介して情報処理装置１０２＿Ｅと情報表示装置１０３と接続されている。感知装置１０１と情報処理装置１０２＿ＤはそれぞれＬＡＮを介してＧＷ１０４と接続されている。

（変形例９）
図２３は、本開示の変形例９にかかる情報処理装置が適用された生体情報感知装置の概要を示す図である。変形例９は、実施の形態２にかかる生体情報感知装置において、感知装置９０１＿Ａを寝具１０７の下部に配置したものである。寝具１０７の下部に感知装置９０１＿Ａを配置した場合においても、実施の形態２と同様、活動量データを計測できる。

（変形例１０）
実施の形態２では、活動量として体動値、心拍数、及び脈拍数が採用されたが、これらのうちの少なくとも１つが活動量として採用されてもよい。

（変形例１１）
実施の形態１では、変化検出部３０７は、人体１０６の体温の異常を示すアラーティング情報を生成するとして説明したが、本開示はこれに限定されない。例えば、変化検出部３０７は、熱画像データから算出した人体１０６の体温と基準値との差分を比較結果として生成し、当該差分を示す情報を送信部３０８を介して情報表示部１０３Ａに送信してもよい。

（変形例１２）
実施の形態２では、変化検出部９０７は、人体１０６の活動量の活動量の異常を示すアラーティング情報を生成するとして説明したが、本開示はこれに限定されない。変化検出部９０７は、活動量データから算出された人体１０６の活動量と基準値との差分を比較結果として生成し、当該差分を示す情報を送信部３０８を介して情報表示部１０３Ａに送信してもよい。活動量データには、体動値、呼吸数、及び心拍数が含まれるので、変化検出部９０７は、体動値、呼吸数、及び心拍数のそれぞれについての基準値に対する差分を比較結果に含ませればよい。

なお、変形例１～８は実施の形態１，２ともに適用可能である。

本開示の各実施形態にかかる情報処理装置及び方法は、人体に対し非侵襲で生体情報を取得することができ、さらに被測定者の姿勢が変化しても適切に生体状態を把握することができることにより、高齢者介護における日々の生体情報記録及び変化の検知や、体動状態に連動した空気調和機の制御に有用である。

１０１Ａ感知部
１０２Ａ情報処理部
１０３Ａ情報表示部
１０６人体
３０１センサ部
３０２送信部
３０３受信部
３０４時刻データ付与部
３０５データ分類部
３０６データ管理部
３０７変化検出部
３０８送信部
３０９受信部
３１０表示部
３１１ＤＢ部
９０１Ａ感知部
９０１センサ部
９０２Ａ情報処理部
９０５データ分類部
９０６データ管理部
９０７変化検出部
９１１ＤＢ部

Claims

コンピュータを用いて、測定対象者の生体情報を算出するための測定データを、非接触で測定する測定部から取得し、
取得された前記測定データの内容に基づいて、前記測定データを前記測定対象者の少なくとも姿勢に応じたグループに分類し、前記分類された測定データから前記生体情報を算出し、前記算出した生体情報を前記測定データが属しているグループに対応する基準値と比較し、
前記比較に基づく通知を情報提示部にさせる、
情報処理方法。
前記測定データの分類においては、前記測定データの内容に基づく前記測定データの前記グループへの分類を機械学習した機械学習モデルを用いて前記測定データを前記グループに分類し、
前記基準値は、前記機械学習において、前記グループに分類された前記測定データから算出された前記グループの前記生体情報の代表値である、
請求項１記載の情報処理方法。
前記情報処理方法は、さらに、
前記測定データの内容に基づく前記測定データの前記グループへの分類を前記機械学習モデルに機械学習させ、
前記機械学習において、前記グループに分類された測定データから前記グループの前記生体情報の代表値を、前記グループの前記基準値として算出する、
請求項２記載の情報処理方法。
前記測定部は、熱画像センサであり、
前記生体情報は、体温であり、
前記測定データは、前記熱画像センサで得られた熱画像データであり、
前記測定データの前記グループへの分類とは、前記熱画像センサにより得られた前記熱画像データに含まれる前記測定対象者を表す領域の特徴に基づいて前記熱画像データを人体の姿勢に基づくグループ毎に分類することであり、
前記比較においては、前記分類された熱画像データから前記測定対象者の体温を算出し、前記算出した体温と、前記分類された熱画像データが属するグループに対応する基準値とを比較する、
請求項１～３のいずれかに記載の情報処理方法。
前記測定部は、電波センサであり、
前記生体情報は、前記測定対象者の体動値、呼吸数、及び心拍数の少なくとも１つを含む活動量であり、
前記測定データは、前記電波センサにより得られた前記活動量を示す活動量データであり、
前記測定データの前記グループへの分類とは、前記電波センサにより得られた前記活動量データの波形情報に基づいて前記活動量データを人体の姿勢に基づくグループ毎に分類することであり、
前記比較においては、前記分類された活動量データから前記測定対象者の前記活動量を算出し、前記算出した活動量と、前記分類された活動量データが属するグループに対応する基準値とを比較する、
請求項１～３のいずれかに記載の情報処理方法。
前記グループのいずれにも該当しない前記測定データの個数が基準個数を超えた場合、前記機械学習モデルの再学習を促す情報を生成する、
請求項３記載の情報処理方法。
前記情報処理方法は、さらに、前記測定データに対する測定時刻を示す時刻データを取得し、
前記比較においては、前記時刻データに基づいて前記測定データが所定の時間帯に測定されたか否かを判定し、前記測定データが前記所定の時間帯に測定されたと判定された場合、前記比較を実行する、
請求項１～６のいずれかに記載の情報処理方法。
前記姿勢は、前記測定対象者の体の向きである、
請求項１～７のいずれかに記載の情報処理方法。
前記比較に基づく通知は、前記生体情報と前記基準値との比較結果、又は前記測定対象者の異常である、
請求項１～８のいずれかに記載の情報処理方法。
測定対象者の生体情報を算出するための測定データを、非接触で測定する測定部から取得する取得部と、
受信された前記測定データの内容に基づいて、前記測定データを前記測定対象者の少なくとも姿勢に応じたグループに分類するデータ分類部と、
前記分類された測定データから前記生体情報を算出し、前記算出した生体情報を前記測定データが属しているグループに対応する基準値と比較する比較部と、
前記比較に基づく通知を情報提示部にさせるための情報を前記情報提示部に送信する送信部と、
を備える情報処理装置。
請求項１～９のいずれか１項に記載の情報処理方法をコンピュータに実行させるプログラム。