JP7104945B2 - 疾患状態判定装置、疾患状態判定方法、疾患状態判定装置用プログラム、および、疾患状態判定システム - Google Patents

疾患状態判定装置、疾患状態判定方法、疾患状態判定装置用プログラム、および、疾患状態判定システム Download PDF

Info

Publication number
JP7104945B2
JP7104945B2 JP2021518305A JP2021518305A JP7104945B2 JP 7104945 B2 JP7104945 B2 JP 7104945B2 JP 2021518305 A JP2021518305 A JP 2021518305A JP 2021518305 A JP2021518305 A JP 2021518305A JP 7104945 B2 JP7104945 B2 JP 7104945B2
Authority
JP
Japan
Prior art keywords
disease state
state determination
data
subject
degree
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
JP2021518305A
Other languages
English (en)
Other versions
JPWO2020225969A1 (ja
Inventor
秀彦 小峰
智之 北崎
幹之 赤松
圭 石井
英夫 鶴嶋
元基 小竹
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.)
Subaru Corp
Original Assignee
Subaru Corp
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 Subaru Corp filed Critical Subaru Corp
Publication of JPWO2020225969A1 publication Critical patent/JPWO2020225969A1/ja
Application granted granted Critical
Publication of JP7104945B2 publication Critical patent/JP7104945B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6887—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient mounted on external non-worn devices, e.g. non-medical devices
    • A61B5/6893—Cars
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B10/00—Other methods or instruments for diagnosis, e.g. instruments for taking a cell sample, for biopsy, for vaccination diagnosis; Sex determination; Ovulation-period determination; Throat striking implements
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
    • A61B5/0015—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system
    • A61B5/0022—Monitoring a patient using a global network, e.g. telephone networks, internet
    • 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
    • A61B5/1036—Measuring load distribution, e.g. podologic studies
    • 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
    • A61B5/1121—Determining geometric values, e.g. centre of rotation or angular range of movement
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4058—Detecting, measuring or recording for evaluating the nervous system for evaluating the central nervous system
    • A61B5/4064—Evaluating the brain
    • 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
    • A61B5/4842—Monitoring progression or stage of a disease
    • 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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60N—SEATS SPECIALLY ADAPTED FOR VEHICLES; VEHICLE PASSENGER ACCOMMODATION NOT OTHERWISE PROVIDED FOR
    • B60N2/00—Seats specially adapted for vehicles; Arrangement or mounting of seats in vehicles
    • B60N2/002—Seats provided with an occupancy detection means mounted therein or thereon
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60N—SEATS SPECIALLY ADAPTED FOR VEHICLES; VEHICLE PASSENGER ACCOMMODATION NOT OTHERWISE PROVIDED FOR
    • B60N2/00—Seats specially adapted for vehicles; Arrangement or mounting of seats in vehicles
    • B60N2/002—Seats provided with an occupancy detection means mounted therein or thereon
    • B60N2/0021—Seats provided with an occupancy detection means mounted therein or thereon characterised by the type of sensor or measurement
    • B60N2/0022—Seats provided with an occupancy detection means mounted therein or thereon characterised by the type of sensor or measurement for sensing anthropometric parameters, e.g. heart rate or body temperature
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision 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
    • 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
    • G16H40/63—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 local operation
    • 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
    • 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
    • G16H50/70—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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2503/00—Evaluating a particular growth phase or type of persons or animals
    • A61B2503/20—Workers
    • A61B2503/22—Motor vehicles operators, e.g. drivers, pilots, captains
    • 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
    • A61B5/1112—Global tracking of patients, e.g. by using GPS
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/117—Identification of persons
    • A61B5/1171—Identification of persons based on the shapes or appearances of their bodies or parts thereof
    • A61B5/1176—Recognition of faces
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/6802—Sensor mounted on worn items
    • A61B5/681—Wristwatch-type devices

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Neurology (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Mechanical Engineering (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Transportation (AREA)
  • Psychology (AREA)
  • Neurosurgery (AREA)
  • Computer Networks & Wireless Communication (AREA)

Description

本発明は、対象者の疾患状態を判定する疾患状態判定装置、疾患状態判定方法、疾患状態判定装置用プログラム、および、疾患状態判定システムの技術分野に関する。
車両を運転する運転者の状態を検出する様々な判定システムが開発されている。例えば、特許文献１には、車両運転者の運転能力と健康情報を測定し、運転能力チェック結果と健康情報チェック結果を、サーバに送信する装置が、車両移動経路に沿った複数の地点に設けられ、サーバは、運転能力チェック結果、健康情報チェック結果及び評価基準に基づいて車両運転者の運転危険度を評価し、運転能力チェック及び健康情報チェックの結果を経時的に比較して車両運転者の運転危険度の高まりを診断する安全走行支援システムが開示されている。
特開２０１５－１４１５３６号公報
しかしながら、特許文献１のような従来技術においては、健康状態を測定するためには、呼気ガス成分計測器等の特殊な機器が必要であり、運動能力と組み合わせて、特定の疾患に直接関係なく、単に運転危険度の判定しているだけであった。そのため、ある疾患の状態を簡易に判定することが難しかった。
そこで、本発明の課題の一例は、ある疾患の状態を判定する疾患状態判定装置等を提供することを目的とする。
上記課題を解決するために、請求項１に記載の発明は、車両を操作する対象者が座る座面の座圧分布のデータを取得する座圧分布取得手段と、前記座圧分布に応じて中心位置を算出する中心位置算出手段と、前記中心位置に基づき前記座圧分布における偏り度を算出する偏り度算出手段と、前記偏り度に応じて、前記対象者の疾患状態を判定する疾患状態判定手段と、を備えることを特徴とする。
請求項２５に記載の発明は、座圧分布取得手段が、車両を操作する対象者が座る座面の座圧分布のデータを取得する座圧分布取得ステップと、中心位置算出手段が、前記座圧分布に応じて中心位置を算出する中心位置算出ステップと、偏り度算出手段が、前記中心位置に基づき前記座圧分布における偏り度を算出する偏り度算出ステップと、疾患状態判定手段が、前記偏り度に応じて、前記対象者の疾患状態を判定する疾患状態判定ステップと、を含むことを特徴とする。
請求項２６に記載の発明は、コンピュータを、車両を操作する対象者が座る座面の座圧分布のデータを取得する座圧分布取得手段、前記座圧分布に応じて中心位置を算出する中心位置算出手段、前記中心位置に基づき前記座圧分布における偏り度を算出する偏り度算出手段、および、前記偏り度に応じて、前記対象者の疾患状態を判定する疾患状態判定手段として機能させることを特徴とする。
請求項２７に記載の発明は、車両を操作する対象者が座る座面の座圧分布のデータを収集する端末装置と、前記座圧分布のデータに基づき前記対象者の疾患状態を判定する疾患状態判定装置と、を備えた疾患状態判定システムにおいて、前記疾患状態判定装置が、前記端末装置から前記座圧分布のデータを取得する座圧分布取得手段と、前記座圧分布に応じて中心位置を算出する中心位置算出手段と、前記中心位置に基づき前記座圧分布における偏り度を算出する偏り度算出手段と、前記偏り度に応じて、前記対象者の疾患状態を判定する疾患状態判定手段と、を有することを特徴とする。
本発明によれば、車両を操作する対象者が座る座面の座圧分布のデータを取得し、座圧分布に応じて中心位置を算出し、中心位置に基づき座圧分布における偏り度を算出し、偏り度に応じて、対象者の疾患状態を判定することにより、特殊な機器で無くても、車両を操作する対象者が座る座面の座圧分布のデータのような測定しやすいデータから、所定の疾患の状態を判定することができる。
一実施形態に係る疾患状態判定システムの概要構成例を示す模式図である。 車両を操縦する対象者の様子の一例を示す模式図である。 図１の情報処理サーバ装置の概要構成の一例を示すブロック図である。 図３の対象者情報データベースに記憶されているデータの一例を示す図である。 図３の操作量データベースに記憶されているデータの一例を示す図である。 図３の挙動量データベースに記憶されているデータの一例を示す図である。 図３の対象者センシングデータベースに記憶されているデータの一例を示す図である。 図３の疾患判定データベースに記憶されているデータの一例を示す図である。 操作量関連データの一例を示す模式図である。 操作量関連データの一例を示す模式図である。 操作量関連データの一例を示す模式図である。 操作量関連データの一例を示す模式図である。 挙動値の一例を示す模式図である。 挙動値の一例を示す模式図である。 挙動値の一例を示す模式図である。 挙動値の一例を示す模式図である。 対象者センシング関連データの一例を示す模式図である。 座圧分布のデータの一例を示す模式図である。 座圧分布のデータの一例を示す模式図である。 座圧分布のデータの一例を示す模式図である。 座圧分布のデータの一例を示す模式図である。 座圧分布のデータの一例を示す模式図である。 座圧分布のデータの一例を示す模式図である。 図１の携帯端末装置の概要構成の一例を示すブロック図である。 図１の車載端末装置の概要構成の一例を示すブロック図である。 データ収集の動作例を示すフローチャートである。 座圧分布のデータの一例を示す模式図である。 車両が走行した道路の一例を示す模式図である。 疾患状態を判定する動作例を示すフローチャートである。 座圧分布のデータの一例を示す模式図である。 車両が走行した道路の一例を示す模式図である。
以下、図面を参照して本発明の実施形態について説明する。なお、以下に説明する実施の形態は、疾患状態判定システムに対して本発明を適用した場合の実施形態である。
［１．疾患状態判定システムの構成及び機能概要］
まず、本実施形態に係る疾患状態判定システムＳの構成について、図１および図２を用いて説明する。図１は、本実施形態に係る疾患状態判定システムＳの概要構成の一例を示す図である。図２は、車両Ｖを操縦する対象者Ｔの様子の一例を示す模式図である。
図１に示すように、疾患状態判定システムＳは、車両Ｖを運転する対象者Ｔ毎の各種データから対象者Ｔの疾患状態を判定する情報処理サーバ装置１０（疾患状態判定装置の一例）と、対象者Ｔが携帯し、対象者Ｔの生理データを情報処理サーバ装置１０に送信する携帯端末装置２０と、対象者Ｔが運転する車両Ｖの操作および挙動のデータを複数のセンサから収集する車載端末装置３０と、対象者Ｔが家庭Ｈにいるときの生理データ等を収集する家庭端末装置４０と、対象者Ｔが利用する医療機関の医療機関サーバ装置５０と、を備える。
ここで、車両Ｖとして、乗用車、タクシー、ハイヤー、トラック、トレーラー（トラクタ単独も含む）、バス等の自動車、自動二輪車（側車付き自動二輪車、トライク、逆トライク）、自転車、電動カート、鉄道車両のような電車等が挙げられる。
対象者Ｔとして、上記車両を運転する人間が挙げられる。
情報処理サーバ装置１０、携帯端末装置２０、車載端末装置３０、家庭端末装置４０および、医療機関サーバ装置５０は、ネットワークＮを介して、例えば、通信プロトコルにＴＣＰ／ＩＰ等を用いて相互にデータの送受信が可能になっている。ネットワークＮは、例えば、インターネットにより構築されている。
ネットワークＮには、交通渋滞や工事中等の道路状態の道路情報を提供する道路情報提供サーバ装置（図示せず）と、情報処理サーバ装置１０に気象データを提供する気象サーバ装置（図示せず）と、が接続している。
なお、ネットワークＮは、専用通信回線、移動体通信網、および、ゲートウェイ等により構築されていてもよい。また、ネットワークＮは、アクセスポイントＡｐを有してもよい。携帯端末装置２０および車載端末装置３０等は、アクセスポイントＡｐを介して、ネットワークＮに接続できるようにしてもよい。
情報処理サーバ装置１０は、コンピュータの機能を有する。情報処理サーバ装置１０は、各対象者Ｔが車両Ｖを操作する操作量データ、および、各車両Ｖの挙動の挙動量データを取得する。情報処理サーバ装置１０は、例えば、車載端末装置３０から操作量データおよび挙動量データを取得する。
また、情報処理サーバ装置１０は、各車両Ｖを操作する対象者Ｔに対するセンシングで得られるデータを、携帯端末装置２０または車載端末装置３０から取得する。例えば、このデータは、各車両Ｖを操作する対象者Ｔが座る座面の座圧分布のデータ、車両Ｖを操作している対象者Ｔの腕の回旋の回旋データである。
情報処理サーバ装置１０は、気象サーバ装置から気象データを取得する。情報処理サーバ装置１０は、道路情報提供サーバ装置から道路情報を取得する。
携帯端末装置２０は、コンピュータの機能を有する。携帯端末装置２０は、例えば、スマートフォンまたはタブレット端末である。携帯端末装置２０は、対象者Ｔをセンシングする各センサからのデータを収集する。図２に示すように、車両Ｖ内において、対象者Ｔは、携帯端末装置２０をポケットに入れていたり、鞄に入れていたり等、車両Ｖ内のどこかに、携帯端末装置２０が存在している。
車載端末装置３０は、コンピュータの機能を有する。車載端末装置３０は、例えば、車両Ｖのナビゲーション装置である。図２に示すように、車載端末装置３０は、対象者Ｔが運転する車両Ｖに設置されている。車両Ｖは、例えば、対象者Ｔ自身、家族、知人、または、会社が所有する、または、レンタルされた車両である。
図２に示すように、車両Ｖのステアリングホイールｓｗ、アクセルペダル（アクセラレータまたはガスペダルとも称される）（図示せず）、および、ブレーキペダル（図示せず）によって、対象者Ｔは、車両Ｖを操作する。
図２に示すように、対象者Ｔの両腕の回旋を測定する場合、対象者Ｔは、両腕に各ウェアラブル端末装置ｗを装着している。
図２に示すように、車両Ｖを操作する対象者Ｔが座る座面の座圧分布を、シートセンサｓｓが測定する。シートセンサｓｓは、体圧分布を測定するために、圧力センサ素子が２次元に分布したシート状のセンサである。シートセンサｓｓは、シートの表面に接触したところの位置、圧力を測定する。なお、シートセンサｓｓは、座席の背もたれに設置されてもよい。
携帯端末装置２０と車載端末装置３０とは、無線通信により通信が可能である。ウェアラブル端末装置ｗは、携帯端末装置２０および車載端末装置３０と、無線通信により通信が可能である。シートセンサｓｓは、外部との通信を可能にするインターフェースを有する。シートセンサｓｓは、携帯端末装置２０および車載端末装置３０と、無線通信により通信が可能である。シートセンサｓｓは、車載端末装置３０と有線で通信が可能であってもよい。
家庭端末装置４０は、コンピュータの機能を有する。家庭端末装置４０は、対象者Ｔ等の家庭Ｈや職場等に設置されている。家庭端末装置４０は、例えば、パーソナルコンピュータである。携帯端末装置２０と家庭端末装置４０とは、無線通信により通信が可能である。
医療機関サーバ装置５０は、コンピュータの機能を有する。医療機関サーバ装置５０は、例えば、病院等の医療機関、地域医療の中核のセンター等に設定されている。医療機関サーバ装置５０は、対象者Ｔに対する診察結果、検査オーダー、検査の結果、健康診断等の情報を記録した電子カルテ情報を有する。
ここで、操作量は、対象者Ｔが、車両Ｖを運転する際に、何かしら操作する量である。車両の操作量として、車両Ｖのステアリングホイールの操舵角、車両Ｖのアクセルのアクセルストローク、ブレーキペダルの操作量等が挙げられる。操作量は、対象者Ｔの操作性能が測定できるデータならばよい。
また、挙動量は、車両Ｖの動きに関する量である。車両の挙動量として、車両Ｖのふらつき、前方の車両との車間距離、車両の速度、車両の加速度、車線内位置等が挙げられる。加速度には、車両Ｖの進行方向の加速度、進行方向に対して横方向の横加速度等が含まれる。挙動量は、対象者Ｔの運転による車両Ｖの挙動状態が測定できるデータならばよい。
操作量および挙動量は、対象者Ｔの車両Ｖに対する運転特性を示す量である。
また、車両Ｖを操作する対象者Ｔに対するセンシングで得られるデータの一例として、車両Ｖを操作する対象者Ｔが座る座面の座圧分布のデータ、車両Ｖを操作している対象者Ｔの腕の回旋の回旋データ等が挙げられる。
次に、疾患状態の一例として、所定の疾患に対して、その疾患の状態が運転ができる軽度なのか、運転ができないほどの重度なのか等の疾患の程度が挙げられる。疾患状態の一例として、脳卒中、てんかん発作のような疾患の種別が挙げられる。また、疾患の程度として、脳卒中の場合、片側麻痺か両側麻痺か、右側麻痺か左側麻痺かでもよい。
疾患の種別として、脳卒中、てんかん発作、心筋梗塞、高血圧、不整脈等の循環器疾患、睡眠時無呼吸症候群、認知症、糖尿病による意識レベル低下等が挙げられる。
また、疾患の種別に、症状の種別を含めてもよい。症状として、麻痺の程度、動悸、息切れ、便秘、発熱、悪寒、下痢、しびれ、痛み等が挙げられる。疾患の種別に、疾患の程度を含めてもよい。例えば、疾患が脳卒中である場合、脳卒中であるが麻痺が無い、麻痺が軽度、麻痺があるというレベルが挙げられる。また、疾患の程度は、疾患ＩＤとは別のレベルＩＤでもよい。
また、疾患状態の一例として、所定の疾患に対して、病気の予兆、疾患の発症リスク、症状の発症リスクが挙げられる。疾患状態の一例として、病気の予兆の程度、発症リスクの値でもよい。
症状の前兆の判定に関して、単独指標、または、複数指標の組み合せで判定してもよい。例えば、動悸は心拍数のみで判定し、息切れは一義的には呼吸数（胸郭の動きなどで計測）で判定し、さらに血圧を加えて”息切れによる影響”まで判定してもよい。
また、疾患の種別に、臓器または器官の種別、生体機能の種別を含めてもよい。疾患状態の一例として、各臓器または器官の状態のレベル、各生体機能（例えば、消化機能、循環機能、神経系の機能、代謝機能、認知機能等）の状態のレベルでもよい。これらのレベルは、対象者Ｔの年齢、体重等を考慮して、血液検査等の特定の数値の値に対応したレベルでもよい。
疾患状態の一例として、所定の疾患の発生確率（発症リスク）でもよい。確率の値の代わりに、所定の疾患が、”病気Ａが発症しにくい”、”病気Ａがやや発症しやすい”、” 病気Ａが発症しやすい”、”病気Ａが顕在化した”等でもよい。
疾患状態の一例として、複数の疾患でもよく、例えば、”病気Ａおよび病気Ｂが発症しやすい”等でもよい。疾患の種別は、複数の疾患の組み合わせでもよい。
疾患状態の一例として、”病気Ａの発症リスクが第１閾値を超えた”、”病気Ｂの発症リスクが第１閾値を超えた”、・・・、”病気Ａの発症リスクが第ｎ閾値を超えた”、”病気Ｂの発症リスクが第ｎ閾値を超えた”でもよい。
疾患状態の一例として、体調のレベルでもよい。例えば、体調に関して、”健康”、”体調不良”、また、体調に関して、”良好、やや良好、やや異常、異常”等のレベル分けでもよい。体調のレベルを示す場合、病名等は特定していなくてもよい。リスクおよびレベルは、定量的に評価の一例である。これらの場合、疾患の種別の特定は難しいが、予備状態ということでもよい。
生理状態のレベルとして、各病気に対して、閾値を超えた数や、閾値を超えた病気の組み合わせに基づいてもよい。
また、生理状態のレベルとして、所定の生理データ（または、各対象者Ｔが車両Ｖを運転中の対象者Ｔの運転特性データ）の値が、”第１閾値を超えた”、・・・”第ｎ閾値を超えた”でもよい。生理状態のレベルは、複数のデータの組み合わせに基づいてもよい。
また、個別の生理状態毎に捉えるだけでなく、ベクトル空間（特徴ベクトルの特徴空間）において各生理状態を同時並行的に扱ってもよい。各生理状態の指標をｎ次元ベクトル空間で捉え、ベクトル空間における位置関係で、生理状態のレベルのように扱ってもよい。
［２．情報処理サーバ装置および各端末装置の構成および機能］
（２．１ 情報処理サーバ装置１０の構成および機能）
次に、情報処理サーバ装置１０の構成および機能について、図３から図１８Ｆを用いて説明する。
図３は、情報処理サーバ装置１０の概要構成の一例を示すブロック図である。図４は、対象者情報データベースに記憶されているデータの一例を示す図である。図５は、操作量データベースに記憶されているデータの一例を示す図である。図６は、挙動量データベースに記憶されているデータの一例を示す図である。図７は、対象者センシングデータベースに記憶されているデータの一例を示す図である。図８は、疾患判定データベースに記憶されているデータの一例を示す図である。図９から図１２は、操作量関連データの一例を示す模式図である。図１３から図１６は、挙動値の一例を示す模式図である。
図１７は、対象者センシング関連データの一例を示す模式図である。図１８Ａから図１８Ｆは、座圧分布のデータの一例を示す模式図である。
図３に示すように、情報処理サーバ装置１０は、通信部１１と、記憶部１２と、出力部１３と、入力部１４と、入出力インターフェース部１５と、制御部１６と、を備えている。そして、制御部１６と入出力インターフェース部１５とは、システムバス１７を介して電気的に接続されている。また、情報処理サーバ装置１０は、時計機能を有する。
通信部１１は、ネットワークＮに電気的または電磁気的に接続して、携帯端末装置２０等との通信状態を制御するようになっている。
記憶部１２は、例えば、ハードディスクドライブ、ソリッドステートドライブ等により構成されている。記憶部１２は、各車両Ｖに関するデータや各対象者Ｔをセンシングしたデータ等を記憶する。また、記憶部１２は、オペレーティングシステムおよびサーバプログラム等の各種プログラムや各種ファイル等を記憶する。なお、各種プログラム等は、例えば、他のサーバ装置等からネットワークＮを介して取得されるようにしてもよいし、記録媒体に記録されてドライブ装置を介して読み込まれるようにしてもよい。
また、記憶部１２には、対象者情報データベース１２ａ（以下「対象者情報ＤＢ１２ａ」とする。）、操作量データベース１２ｂ（以下「操作量ＤＢ１２ｂ」とする。）、挙動量データベース１２ｃ（以下「挙動量ＤＢ１２ｃ」とする。）、運転環境情報データベース１２ｄ（以下「運転環境情報ＤＢ１２ｄ」とする。）、対象者センシングデータベース１２ｅ（以下「対象者センシングＤＢ１２ｅ」とする。）、疾患判定データベース１２ｆ（以下「疾患判定ＤＢ１２ｆ」とする。）等が構築されている。
対象者情報ＤＢ１２ａは、各対象者Ｔに関する情報等を記憶する。例えば、図４に示すように、対象者情報ＤＢ１２ａは、各対象者Ｔを特定するための対象者ＩＤに関連付けて、対象者Ｔの氏名、性別、生年月日、対象者Ｔが利用する車両ＩＤ等を記憶する。
操作量ＤＢ１２ｂは、各車両Ｖの対象者Ｔが車両Ｖを操作した様々な操作量データを記憶している。例えば、図５に示すように、操作量ＤＢ１２ｂは、対象者ＩＤと各操作量を特定するための操作量ＩＤとに関連付けて、対象者Ｔが車両Ｖを運転している時の各種の操作量を測定した測定時刻、車両Ｖの位置情報、操作量データ等を記憶する。操作量ＩＤは、車両Ｖのステアリングホイールｓｗの操舵角、車両Ｖのアクセルのアクセルストローク、ブレーキストロークの操作量等の各操作量に対応して、ＩＤが割り当てられる。対象者ＩＤの代わりに、各車両Ｖを特定する車両ＩＤでもよい。車両Ｖの位置情報は、緯度経度情報、または、リンク情報である。
ここで、アクセルストロークは、アクセルペダルの移動量である。アクセルペダルの操作量として、急アクセルの回数および頻度（所定値以上の加速度の回数および頻度）でもよい。
ブレーキストロークは、ブレーキペダルの移動量である。ブレーキペダルの操作量として、急ブレーキの回数および頻度（所定値以上の減速度の回数および頻度）、ブレーキが必要になった場合から、ブレーキが踏み込まれるまでの時間、アクセルペダルからブレーキペダルが踏み込まれるまでの時間等でもよい。
挙動量ＤＢ１２ｃは、対象者Ｔが運転する各車両Ｖの挙動を示す挙動量データを記憶している。例えば、図６に示すように、挙動量ＤＢ１２ｃは、対象者ＩＤと各挙動量を特定するための挙動量ＩＤに関連付けて、対象者Ｔが運転している車両Ｖの挙動量データを測定した測定時刻、車両Ｖの位置情報、挙動量データ等を記憶する。車両Ｖのふらつき、前方の車両との車間距離、車両Ｖの横加速度、車両の速度、車両の進行方向の加速度等の各挙動量に対応して、ＩＤが割り当てられる。対象者ＩＤの代わりに、各車両Ｖを特定する車両ＩＤでもよい。
運転環境情報ＤＢ１２ｄには、地図情報と、高速道路か一般道路か、道路の曲線の度合い等の道路の属性または種類と、交通渋滞や工事中等の道路状態の道路情報とのような運転環境情報が記憶されている。
地図情報には、リンク情報を含めてもよい。ここで、リンクとは、道路の交差点、道路の構造変化点等のノード同士を結んだ道路の線分である。
また、道路の曲線の度合いの一例として、道路のカーブの曲率、道路のある区間における平均的な曲率、所定値以上の曲率の道路の割合や数等が挙げられる。また、道路の曲線の度合いの一例として、単にカーブが多い道路かカーブが少ない道路でもよい。道路の曲線の度合いの一例として、道路の曲がり具合のパターンでもよい。また、道路の曲線の度合いの一例として、東京の首都高速道路のように道路の曲線の度合い高い道路と、直線の区間が比較的多い道路とのような道路の区別でもよい。道路の曲線の度合いの一例として、一般道、高速道路、東京の首都高速道路、山岳道路のような道路の種類の区分でもよい。また、カーブが比較的少ない標準的な高速道路と、東京の首都高速道路のようにカーブが比較的多い高速道路のような区別でもよい。また、東京の首都高速道路のように分岐が頻繁な高速道路と、そうでない高速道路という道路の区別でもよい。また、曲率が所定の範囲内の道路部分を集めたものを、道路の区分としてもよい。
運転環境情報ＤＢ１２ｄには、道路の区分を示す道路区分ＩＤに関連付けて、道路の曲線の度合い、道路の種類等が記憶されている。
運転環境情報の一例として、上記の他に、一時停止の場所、一方通行の道路、２車線の道路、中央分離帯がある道路等の道路情報が挙げられる。また、運転環境情報の一例として、道路幅の狭いか広いか、いつも利用する道路か初めて利用する道路か、歩行者が多いか少ないか、（渋滞とまでは言えなくとも）車両交通量の多いか少ないか等が挙げられる。また、運転環境情報の一例として、時間帯によって太陽光がまぶしい道路という情報、ドライバーが緊張しやすい道路、心拍数が上がりやすい道路、運転時間の長さ、場所毎の事故の発生確率等が挙げられる。渋滞情報は、渋滞していたか否か、ラッシュアワーなどの時間帯、道路工事や事故などのインフラ情報でもよい。なお、情報処理サーバ装置１０は、通最新の道路情報を、道路情報提供サーバ装置から取得する。また、情報処理サーバ装置１０は、過去の渋滞情報を記憶しておいてもよい。
次に、対象者センシングＤＢ１２ｅには、各車両Ｖを運転している各対象者Ｔを、様々なセンサによりセンシングしたデータを記憶している。例えば、図７に示すように、対象者センシングＤＢ１２ｅは、対象者ＩＤと各センサを特定するためのセンサＩＤとに関連付けて、各センサにより対象者Ｔを測定した測定時刻、車両Ｖの位置情報、センシングデータ等を記憶する。
車両Ｖを操作する対象者Ｔに対するセンシングで得られるデータの一例として、車両Ｖを操作する対象者Ｔが座る座面の座圧分布のデータ、車両Ｖを操作している対象者Ｔの腕の回旋の回旋データ等が挙げられる。
ここで、対象者センシングデータは、センサ等により測定できる対象者Ｔの生物学的、化学的、物理的なデータならばよい。
例えば、対象者センシングデータの一例として、対象者Ｔの体温、体温分布が挙げられる。対象者センシングデータの一例として、血圧値、心拍数、脈波、脈波伝搬速度、心電図、不整脈の状態、血流量、血糖値等の血液の成分のような、血液および循環器関係のデータが挙げられる。血液の成分として、赤血球数、白血球数、血小板数、ｐＨ値、電解質の種類、電解質の量、ホルモンの種類、ホルモンの量、尿酸値、各種マーカー等が挙げられる。
また、対象者センシングデータの一例として、発汗量、発汗の分布、皮膚の抵抗値、体臭の成分、唾液量のような消化液の量、唾液の成分のような消化液の成分が挙げられる。対象者センシングデータの一例として、脳波、脳の血流量分布等の脳に関するデータが挙げられる。対象者センシングデータの一例として、呼吸数、呼吸量、呼気の成分等の呼吸に関するデータが挙げられる。
対象者センシングデータの一例として、瞬き数、涙の量、眼球運動（眼球の位置、瞳孔の直径等）等の目に関するデータが挙げられる。対象者センシングデータの一例として、体の各部位の筋電のデータが挙げられる。対象者センシングデータの一例として、顔色、顔の表情等のデータが挙げられる。
対象者センシングデータの一例として、就寝時間、起床時間、睡眠時間、睡眠パターン、鼾の有無、鼾の強弱、鼾の回数、鼾の時間、呼吸の状態、寝返り数、睡眠時の姿勢、眠り深さ等睡眠の質等の睡眠に関するデータが挙げられる。睡眠の質は、例えば、脳波、眼球運動、呼吸、睡眠時の姿勢等から判定してもよい。
対象者センシングデータの一例として、体重、身長等が挙げられる。また、対象者センシングデータの一例として、痛み、しびれ等の症状を数値化したデータでもよい。
また、測定時刻の一例として、対象者センシングデータの一値を得るために、測定を開始した時刻、測定を終えた時刻、または、これらの中間の時刻が挙げられる。測定時刻は、ある値の測定と対応付けられる時刻ならばよい。例えば、１分間毎に、心拍数を算出する場合、この１分間のいずれの時刻でもよい。また、心電図のＲ波間の時間の長さから心拍数を算出する場合、Ｒ波のピークの時刻、Ｑ波またはＳ波の時刻、Ｐ波のピーク時刻等が挙げられる。Ｒ波間の時間の代わりに、Ｐ波間、Ｑ波間、Ｓ波間、Ｔ波間等でもよい。また、心電図に限らず、脈波のグラフでも同様に、共通の特徴点が現れる時刻や中間の値でもよい。また、コロトコフ音で血圧を測定する場合、測定時刻は、最高血圧と最低血圧を算出する際の測定期間内のいずれの時刻でもよい。
上記これらの対象者センシングデータは、対象者Ｔの生理データとも言える。なお、座圧分布のデータは、生理データに含めてもよいし、含めなくてもよい。
次に、疾患判定ＤＢ１２ｆには、所定の疾患の判定に必要なデータを記憶している。例えば、図８に示すように、疾患判定ＤＢ１２ｆは、疾患の種別を示す疾患ＩＤと、その疾患のレベルとに関連付けて、所定の疾患の判定に必要なデータを記憶している。
所定の疾患の判定に必要なデータは、例えば、同じ疾患ＩＤおよび疾患のレベルである複数の対象者のデータから、統計的に計算された操作値、挙動値、座圧分布における偏り度等である。操作量データ、挙動量データ、または、対象者センシングデータに基づき、スペクトル分析、時系列分析等の処理が行われ、複数のデータに対して、統計量が算出される。統計量として、平均値（算術平均、幾何平均、調和平均、中央値、最頻値、最大値、最小値等）、分散、標準偏差、スキューネス、フラットネス等の代表値が挙げられる。なお、対象者個人に対して、複数の測定を行って、統計量が算出されてもよい。道路の区分により分別された操作量データ、挙動量データ、または、対象者センシングデータ対して、操作値、挙動値、および偏り度が道路の区分毎に算出されてよい。
ここで、操作値は、操作量データから算出される、所定の周波数範囲の成分における操作関連データであって、操作関連データから算出される値である。挙動値は挙動データから算出される値である。
また、所定の疾患の判定に必要なデータは、例えば、操作値、挙動値、偏り度等の対象者センシングデータから計算される値、これらの値に対する閾値も含む。所定の疾患の判定に必要なデータは、例えば、周波数分析した際の周波数の範囲、所定の周波数を含む。所定の疾患の判定に必要なデータは、例えば、これらの値の統計値でもよい。
疾患判定ＤＢ１２ｆのデータは、対象者Ｔがドライビングシミュレータで運転した場合のデータや、実際の道路を走行した場合のデータでもよい。なお、例えば、標準的な高速道路のドライビングシミュレータのコースは、コース全長が15.2ｋｍ、曲率半径の平均が1640ｍ、高低差が０.０ｍのコースである。東京の首都高速道のドライビングシミュレータのコースは、コース全長が13.2ｋｍ、曲率半径の平均が257ｍ、高低差が17.5ｍのコースである。
ここで、疾患種別が脳卒中で、疾患のレベル毎、すなわち、健常者ｐ０、麻痺の程度が麻痺が無しの状態または軽度である脳卒中患者ｐ１、および、麻痺の程度が麻痺がある状態である脳卒中患者ｐ２に対して、操作量データ、挙動量データ、および、対象者センシングを、測定した場合である図９から図１８Ｆを用いて、疾患判定ＤＢ１２ｆのデータを説明する。なお、図９から図１８Ｆは、実施のデータのグラフそのものではないが、実施のデータを考慮してグラフを模式的に描いた模式図である。
図９は、道路の区分が標準的な高速道路である所定コースを、ドライブシミュレータで走行した場合の操舵角データに対するパワースペクトル密度である。横軸が周波数、縦軸がパワースペクトル密度（ＰＳＤ）である。パワースペクトル密度（ｐ０）、パワースペクトル密度（ｐ１）およびパワースペクトル密度（ｐ２）は、それぞれ、複数の人に対する平均のパワースペクトル密度である。すなわち、パワースペクトル密度（ｐ０）、パワースペクトル密度（ｐ１）およびパワースペクトル密度（ｐ２）は、それぞれ、所定のサンプル数の健常者ｐ０の平均のパワースペクトル密度、所定のサンプル数の患者ｐ１の平均のパワースペクトル密度、所定のサンプル数の患者ｐ２の平均のパワースペクトル密度である。
図９に示すように、予め周波数範囲ｆｄ１、ｆｄ２，ｆｄ３、ｆｄ４等が設定される。例えば、周波数範囲ｆｄ１、ｆｄ２，ｆｄ３、ｆｄ４は、パワースペクトル密度（ｐ０）と、パワースペクトル密度（ｐ１）と、パワースペクトル密度（ｐ２）との差異が明確に出現している周波数範囲で決定される。この場合、操作関連データは、例えば、各周波数範囲ｆｄ１、ｆｄ２，ｆｄ３、ｆｄ４のパワースペクトル密度である。操作値は、例えば、各周波数範囲ｆｄ１、ｆｄ２，ｆｄ３、ｆｄ４におけるパワースペクトル密度の積分値の平方根である。操作値は、パワースペクトル密度（ｐ０、ｐ１、ｐ２）同士の差分から計算してもよい。例えば、健常者ｐ０の場合を基準にして、各周波数範囲ｆｄ１、ｆｄ２，ｆｄ３、ｆｄ４におけるパワースペクトル密度の差分（ｐ１-ｐ０、ｐ２-ｐ０）の積分値の平方根でもよい。操作値は、各周波数範囲のパワースペクトル密度（ｐ０、ｐ１、ｐ２）の積分値の平方根でもよい。なお、疾患状態を峻別できればよいので、平方根を計算せず、パワーのままでもよい。
これらの操作値、周波数範囲、周波数値等の所定の疾患の判定に必要なデータが、基準の操作値として、操舵角の操作量ＩＤと、道路の区分を示す道路区分ＩＤと、疾患ＩＤとに関連付けて疾患判定ＤＢ１２ｆに記憶される。
なお、図９に示すように、所定の周波数ｆ１における各パワースペクトル密度の値を、基準の操作値としてもよい。
図１０に示すように、所定の周波数ｆ２、ｆ３により、低周波領域、中周波領域、高周波領域と、周波数範囲を分けてもよい。所定の周波数ｆ２、ｆ３は、他のデータで共通化してもよいし、疾患のレベル毎のパワースペクトル密度（ｐ０、ｐ１、ｐ２）に基づいて、個別に設定されてもよい。
図１１は、道路の区分が東京の首都高速道路である所定コースをドライブシミュレータで走行した場合の操舵角データに対するパワースペクトルである。図１１に示すように、標準的な高速道路の所定コースを走行した図１０のと異なるパワースペクトル密度（ｐ０）と、パワースペクトル密度（ｐ１）と、パワースペクトル密度（ｐ２）である。
図１１に示すように、予め周波数範囲ｆｄ５、ｆｄ６等が設定される。例えば、周波数範囲ｆｄ５、ｆｄ６は、パワースペクトル密度（ｐ０）と、パワースペクトル密度（ｐ１）と、パワースペクトル密度（ｐ２）との差異が明確に出現している周波数範囲で決定される。各周波数範囲ｆｄ５、ｆｄ６における操作値等の所定の疾患の判定に必要なデータが、基準の操作値として、東京の首都高速道路の区分を示す道路区分ＩＤと、操舵角の操作量ＩＤと、疾患ＩＤとに関連付けて疾患判定ＤＢ１２ｆに記憶される。
なお、脳卒中麻痺者あるいは軽度麻痺者は、健常者と比較して、特に緩やかなカーブの標準的な高速道路コースにおいて、ステアリング操作の周波数パワースペクトル密度が大きく、修正操舵が多い傾向であった。
図１２は、道路の区分が東京の首都高速道路である所定コースをドライブシミュレータで走行した場合のアクセルストロークの操作量データに対するパワースペクトルである。例えば、図１２に示すように、周波数ｆ５、ｆ６、ｆ７等が決定される。アクセルストロークの操作値、周波数ｆ５、ｆ６、ｆ７等の所定の疾患の判定に必要なデータが、基準の操作値として、アクセルストロークの操作量ＩＤと、東京の首都高速道路の区分を示す道路区分ＩＤと、疾患ＩＤとに関連付けて疾患判定ＤＢ１２ｆに記憶される。
なお、脳卒中麻痺者が、緩やかなカーブの標準高速道路、あるいはきついカーブが多い首都高速道路コースを走行した場合、健常者あるいは軽度麻痺者と比較してアクセルストロークの周波数パワースペクトルは小さく、アクセルの微調整が少ない傾向であった。
図１３は、道路の区分が標準的な高速道路である所定コースをドライブシミュレータで走行した場合のＳＤＬＰ（Standard Deviation of Lane Position）のグラフである。ここで、挙動値のＳＤＬＰは、車両Ｖのふらつきデータから算出される、車両Ｖのふらつき度の一例である。ＳＤＬＰは、車両のふらつきデータである車両Ｖの横方向位置のデータの標準偏差（車両の左右方向の標準偏差）である。標準偏差を算出する際のサンプル数は、例えば、コースを走行した際に測定したデータの数である。
図１３に示すように、複数の対象者に対するＳＤＬＰの平均値が、健常者ｐ０、脳卒中患者ｐ１、および、脳卒中患者ｐ２に対して示されている。例えば、健常者ｐ０と、脳卒中患者ｐ１、ｐ２とを峻別する基準の挙動値θ１、θ２等が設定される。挙動値θ１、θ２、疾患のレベル毎のＳＤＬＰの平均値等の所定の疾患の判定に必要なデータが、基準の挙動値として、ＳＤＬＰの挙動量ＩＤと、標準的な高速道路の区分を示す道路区分ＩＤと、疾患ＩＤとに関連付けて疾患判定ＤＢ１２ｆに記憶される。
図１４は、道路の区分が東京の首都高速道路である所定コースをドライブシミュレータで走行した場合のＳＤＬＰのグラフである。
図１４に示すように、複数の対象者に対するＳＤＬＰの平均値が、健常者ｐ０、脳卒中患者ｐ１、および、脳卒中患者ｐ２に対して示されている。例えば、健常者ｐ０と、脳卒中患者ｐ１、ｐ２とを峻別する基準の挙動値θ３等が設定される。挙動値θ３、疾患のレベル毎のＳＤＬＰの平均値等の所定の疾患の判定に必要なデータが、基準の挙動値として、ＳＤＬＰの挙動量ＩＤと、東京の首都高速道路の区分を示す道路区分ＩＤと、疾患ＩＤとに関連付けて、疾患判定ＤＢ１２ｆに記憶される。
なお、脳卒中麻痺者が、緩やかなカーブの標準的な高速道路コースを走行した場合、ＳＤＬＰは健常者と比較して大きい。きついカーブが多い首都高速道路を走行した場合、脳卒中麻痺者または脳卒中軽度麻痺者のＳＤＬＰは健常者と比較して大きい傾向であった。
図１５は、道路の区分が標準的な高速道路である所定コースをドライブシミュレータで走行した場合の車両Ｖの横加速度のグラフである。挙動値の横加速度値は、車両Ｖの横加速度データからコースを走行した際に測定した横加速度データの平均して算出される。
図１５に示すように、複数の対象者に対する横加速度の平均値が、健常者ｐ０、脳卒中患者ｐ１、および、脳卒中患者ｐ２に対して示されている。例えば、健常者ｐ０と脳卒中患者ｐ１、ｐ２とを峻別する基準の挙動値θ４等が設定される。挙動値θ４、疾患のレベル毎の横加速度の平均値等の所定の疾患の判定に必要なデータが、基準の挙動値として、横加速度の挙動量ＩＤと、標準的な高速道路の区分を示す道路区分ＩＤと、疾患ＩＤとに関連付けて疾患判定ＤＢ１２ｆに記憶される。
なお、標準的な高速道路コースを走行した場合、脳卒中麻痺者、軽度麻痺者と健常者との間で車両横加速度の差はみとめられないが、首都高速道路コースを走行した場合、脳卒中麻痺者および軽度麻痺者の車両横加速度は、健常者と比較して小さい傾向であった。
図１６は、道路の区分が東京の首都高速道路である所定コースをドライブシミュレータで走行した場合の車両Ｖの車速のグラフである。
図１６に示すように、例えば、健常者ｐ０と脳卒中患者ｐ１、ｐ２とを峻別する基準の挙動値θ５等が設定される。挙動値θ５、疾患のレベル毎の車速の平均値等の所定の疾患の判定に必要なデータが、基準の挙動値として、車速の挙動量ＩＤと、標準的な高速道路の区分を示す道路区分ＩＤと、疾患ＩＤとに関連付けて疾患判定ＤＢ１２ｆに記憶される。
なお、脳卒中麻痺者または軽度麻痺者が、首都高速道路コースを走行した場合、健常者と比較して車両速度は小さい傾向であった。
他の操作量データおよび挙動量データに対しても、同様に操作値、挙動値、閾値等が設定されて、疾患判定ＤＢ１２ｆに記憶される。
図１７は、道路の区分が東京の首都高速道路である所定コースをドライブシミュレータで走行した場合の腕（脳卒中による麻痺がない腕）の回旋の回旋データに対するパワースペクトル（対象者センシング関連データの一例）である。例えば、図１７に示すように、周波数範囲ｆｄ７、ｆｄ８、周波数値ｆ８、ｆ９が予め決定される。回旋データを数値化した対象者センシング値、周波数範囲ｆｄ７等の所定の疾患の判定に必要なデータが、基準の対象者センシング値として、腕の回旋データに対応するセンサＩＤと、東京の首都高速道路の区分を示す道路区分ＩＤと、疾患ＩＤとに関連付けて疾患判定ＤＢ１２ｆに記憶される。図１７に示すように、回旋データのセンサが取り付けられた対象者Ｔの腕と逆側の片麻痺によって、周波数範囲ｆｄ７において、パワースペクトルの差異が生じている。周波数範囲ｆｄ７において、例えば、パワースペクトル密度（ｐ０）の合計が最も小さく、パワースペクトル密度（ｐ１）の合計が、パワースペクトル密度（ｐ２）の合計より大きくなる。また、周波数範囲ｆｄ８において、例えば、パワースペクトル密度（ｐ０）の合計が最も小さく、パワースペクトル密度（ｐ２）の合計が、パワースペクトル密度（ｐ１）の合計より大きくなる。周波数値ｆ８においては、パワースペクトル密度（ｐ０）の値が最も小さく、パワースペクトル密度（ｐ１）の値が、パワースペクトル密度（ｐ２）の値より大きくなる。周波数値ｆ９においては、パワースペクトル密度（ｐ０）の値が最も小さく、パワースペクトル密度（ｐ２）の値が、パワースペクトル密度（ｐ１）の値より大きくなる。
図１８Ａは、道路の区分が標準的な高速道路である所定コースを、健常者ｐ０が運転してドライビングシミュレータで走行した場合、シートセンサｓｓにより測定した座圧分布のデータの一例である。図１８Ａに示すような座圧分布のデータから計算される偏り度（対象者センシング値の一例）が、複数回の測定に対して平均される。複数回の測定は、同じ人に対する複数回の測定でもよいし、同じ属性の複数人に対する測定でもよい。平均の偏り度等の所定の疾患の判定に必要なデータが、基準の対象者センシング値として、シートセンサｓｓに対応するセンサＩＤと、道路区分ＩＤと、疾患ＩＤとに関連付けて疾患判定ＤＢ１２ｆに記憶される。
ここで、偏り度は、座圧分布の中心位置から算出される。中心位置は、例えば、座圧分布の分布形状から算出される形状中心位置である。形状中心位置は、例えば、図１８Ａに示すように、ＣＯＢ（Cener of Body）である。ＣＯＢは、図中、縦の線である。この場合、偏り度は、車両Ｖの座席の左右位置中心の一例であるシートセンサｓｓの原点（０，０）を起点として、ｘ軸におけるＣＯＢの位置の値である。なお、図１８Ａに示すように、ＣＯＢは、分布形状のくびれ部から決定される。また、図中の前側、後側、左側、右側は、対象者Ｔが座席に座った際の対象者Ｔの向きを表している。
また、中心位置は、例えば、座圧分布から算出される座圧分布の座圧中心位置でもよい。座圧中心位置は、例えば、座圧分布の重心（Ｇｘ，Ｇｙ）である。座圧分布の重心は、座圧のヒートマップの各点の位置に、その位置のヒートマップの値を重みとして加重平均した位置である。この場合、偏り度は、シートセンサｓｓの原点（０，０）を起点として、ｘ軸における重心の位置の値Ｇｘである。なお、座圧中心位置は、座圧分布の座圧のヒートマップの各点の全体から算出される値ならばよい。
また、偏り度は、形状中心位置と座圧中心位置との差でもよい。例えば、偏り度は、Ｇｘ－ＣＯＢ、または、ＣＯＢ－Ｇｘである。
なお、緩やかなカーブの標準的な高速道路コースを健常者が運転した場合、座圧中心位置Ｇｘおよび座圧分布の形状中心ＣＯＢは、座席の左右位置中心付近（シートセンサSSの原点付近）にある傾向であった。
図１８Ｂは、道路の区分が標準的な高速道路である所定コースを、脳卒中患者ｐ１が運転してドライビングシミュレータで走行した場合、シートセンサｓｓにより測定した座圧分布のデータの一例である。
なお、緩やかなカーブの標準的な高速道路コースを軽度麻痺者が運転した場合、健常者と同様に、座圧中心位置Ｇｘおよび座圧分布の形状中心ＣＯＢは、座席の左右位置中心付近（シートセンサSSの原点付近）にある傾向であった。
図１８Ｃは、道路の区分が標準的な高速道路である所定コースを、脳卒中患者ｐ２（右側麻痺）が運転してドライビングシミュレータで走行した場合、シートセンサｓｓにより測定した座圧分布のデータの一例である。なお、図１８Ｃに示すように、緩やかなカーブの標準的な高速道路コースを右側麻痺者が運転した場合、座圧中心位置Ｇｘならびに座圧分布の形状中心ＣＯＢは、座席の左右中心（シートセンサSSの原点付近）よりも左側に偏った位置にある傾向であった。
図１８Ｄは、道路の区分が東京の首都高速道路である所定コースを、健常者ｐ０が運転してドライビングシミュレータで走行した場合、シートセンサｓｓにより測定した座圧分布のデータの一例である。なお、図１８Ｄに示すように、曲率半径が小さく、きついカーブが多い首都高速道路コースを健常者が運転した場合、座圧中心位置Ｇｘおよび座圧分布の形状中心ＣＯＢは、座席の左右位置中心付近（シートセンサSSの原点付近）にある傾向であった。
図１８Ｅは、道路の区分が東京の首都高速道路である所定コースを、脳卒中患者ｐ１が運転してドライビングシミュレータで走行した場合、シートセンサｓｓにより測定した座圧分布のデータの一例である。なお、図１８Ｅに示すように、曲率半径が小さく、きついカーブが多い首都高速道路コースを軽度麻痺者が運転した場合、座圧中心位置Ｇｘおよび座圧分布の形状中心ＣＯＢは、健常者と同様に、座席の左右位置中心付近（シートセンサSSの原点付近）にある傾向であった。
図１８Ｆは、道路の区分が東京の首都高速道路である所定コースを、脳卒中患者ｐ２（右側麻痺）が運転してドライビングシミュレータで走行した場合、シートセンサｓｓにより測定した座圧分布のデータの一例である。なお、図１８Ｆに示すように、曲率半径が小さく、きついカーブが多い首都高速道路コースを右側麻痺者が運転した場合、座圧中心位置Ｇｘならびに座圧分布の形状中心ＣＯＢは、座席の左右中心（シートセンサSSの原点付近）よりも左側に偏った位置にある傾向であった。
図１８Ｂから図１８Ｆに示すような座圧分布のデータに対しても、それぞれの偏り度が、複数回の測定に対して平均される。平均の偏り度等の所定の疾患の判定に必要なデータが、基準の対象者センシング値として、シートセンサｓｓに対応するセンサＩＤと、各道路区分ＩＤと、各疾患ＩＤとに関連付けて疾患判定ＤＢ１２ｆに記憶される。
これらのように、疾患判定ＤＢ１２ｆは、所定の疾患の前記疾患状態と予め測定した前記座圧分布のデータとの関係の情報を記憶した記憶手段の一例である。所定の周波数範囲の成分は、所定の疾患に応じて決定される。
対象者情報ＤＢ１２ａ、操作量ＤＢ１２ｂ、挙動量ＤＢ１２ｃ、運転環境情報ＤＢ１２ｄ、対象者センシングＤＢ１２ｅ、および疾患判定ＤＢ１２ｆは、情報処理サーバ装置１０内でも、情報処理サーバ装置１０とネットワークで繋がった別のサーバでもよいし、ネットワークＮに、分散して存在してもよい。これらの別々のデータベースであってもよいし、同じデータベース内にあってもよい。
出力部１３は、映像を出力の場合、例えば、液晶表示素子またはＥＬ（Electro Luminescence）素子等を有する。出力部１３は、音を出力する場合、スピーカを有する。
入力部１４は、例えば、キーボードおよびマウス等を有する。
入出力インターフェース部１５は、通信部１１および記憶部１２等と制御部１６との間のインターフェース処理を行うようになっている。
制御部１６は、ＣＰＵ（Central Processing Unit）１６ａ、ＲＯＭ（Read Only Memory）１６ｂ、ＲＡＭ（Random Access Memory）１６ｃ等を有する。そして、制御部１６は、ＣＰＵ１６ａが、ＲＯＭ１６ｂや記憶部１２に記憶された各種プログラムのコードを読み出し実行することにより、各対象者Ｔの疾患状態を判定する。
（２．２ 携帯端末装置２０の構成および機能）
次に、携帯端末装置２０の構成および機能について、図１９を用いて説明する。
図１９は、携帯端末装置２０の概要構成の一例を示すブロック図である。
図１９に示すように、携帯端末装置２０は、出力部２１と、記憶部２２と、通信部２３と、入力部２４と、センサ部２５と、入出力インターフェース部２６と、制御部２７と、を有する。そして、制御部２７と入出力インターフェース部２６とは、システムバス２８を介して電気的に接続されている。また、各携帯端末装置２０には、携帯端末ＩＤが割り振られていてる。携帯端末装置２０は、時計機能を有する。携帯端末装置２０は、携帯端末装置２０を振動させるバイブレーション機能を有してもよい。
出力部２１は、例えば、表示機能として液晶表示素子またはＥＬ素子等を有する。出力部３２は、音を出力するスピーカを有する。
記憶部２２は、例えば、ハードディスクドライブ、ソリッドステートドライブ等により構成されている。記憶部２２は、オペレーティングシステムおよび携帯端末装置２０用のアプリ等の各種プログラム等を記憶する。なお、各種プログラムは、例えば、他のサーバ装置等からネットワークＮを介して取得されるようにしてもよいし、記録媒体に記録されてドライブ装置を介して読み込まれるようにしてもよい。また、記憶部２２が、情報処理サーバ装置１０の記憶部１２のようなデータベースの情報を有してもよい。
通信部２３は、ネットワークＮに電気的または電磁気的に接続して、情報処理サーバ装置１０等との通信状態を制御するようになっている。また、通信部２３は、情報処理サーバ装置１０と電気的または電磁気的に接続して、情報処理サーバ装置１０との通信状態を制御するようになっている。
通信部２３は、電波や赤外線による端末装置との通信を行う無線通信の機能を有する。携帯端末装置２０は、通信部２３を介して、車載端末装置３０と、家庭端末装置４０との通信を行う。また、図２に示すように、対象者Ｔが携帯している携帯端末装置２０は、対象者Ｔが座っている座席に設置されたシートセンサｓｓと、対象者Ｔが身につけているウェアラブル端末装置ｗと、通信部２３を介して通信を行う。なお、携帯端末装置２０は、車載端末装置３０、家庭端末装置４０、シートセンサｓｓ、および、ウェアラブル端末装置ｗと、有線による通信を行ってもよい。
通信部２３は、ＩＣタグのリーダーとして、ＩＣタグとの通信を行ってもよい。
入力部２４は、例えば、タッチパネルのようなタッチスイッチ方式の表示パネルを有する。入力部２４は、利用者の指が接触または近接した出力部２１の位置情報を取得する。入力部２４は、音声を入力するマイクを有する。
センサ部２５は、ＧＰＳ（Global Positioning System）センサ、方位センサ加速度センサ、ジャイロセンサ、気圧センサ、温度センサ、湿度センサ等の各種センサを有する。センサ部２５は、デジタルカメラのＣＣＤ（Charge Coupled Device）イメージセンサやＣＭＯＳ（Complementary Metal Oxide Semiconductor）イメージセンサ等の撮影素子を有する。携帯端末装置２０は、ＧＰＳセンサにより、携帯端末装置２０の現在の位置情報を取得する。なお、各センサには、固有のセンサＩＤが割り振られている。
入出力インターフェース部２６は、出力部２１、記憶部２２等と、制御部２７との間のインターフェース処理を行うようになっている。
制御部２７は、ＣＰＵ２７ａ、ＲＯＭ２７ｂ、ＲＡＭ２７ｃ等により構成されている。そして、制御部２７は、ＣＰＵ２７ａが、ＲＯＭ２７ｂや記憶部２２に記憶された各種プログラムを読み出し実行する。
ここで、ウェアラブル端末装置ｗは、ウェアラブルコンピュータである。ウェアラブル端末装置ｗは、出力部と、記憶部と、通信部と、入力部と、センサ部と、入出力インターフェース部と、制御部と、タイマー部と、を有する（図示せず）。
ウェアラブル端末装置ｗのセンサ部が、対象者Ｔの各種生理データを測定する。
センサ部は、加速度センサ、ジャイロセンサ、温度センサ、圧力センサ、超音波センサ、光センサ、電気センサ、磁気センサ、イメージセンサ等を有する。なお、各センサには、固有のセンサＩＤが割り振られている。
加速度センサは、ウェアラブル端末装置ｗの加速度を測定する。加速度センサの測定データから、対象者Ｔの腕の動きが測定される。ジャイロセンサは、ウェアラブル端末装置ｗの角加速度を測定する。ジャイロセンサの測定データから、対象者Ｔの腕の回旋が測定される。ウェアラブル端末装置ｗが、加速度センサやジャイロセンサにより、睡眠中の姿勢、寝返りの回数、歩数等を測定してもよい。
温度センサは、接触した部位またはサーモグラフィーによって撮像された部位の温度を測定する。圧力センサは、例えば、脈波を測定する。光センサは、電磁波を皮膚等に照射した応答、すなわち、反射波および透過波の少なくとも一方を検出する。光センサにより、血流の速度、血液の成分等が測定される。
超音波センサは、超音波を照射した応答、すなわち、反射波および透過波の少なくとも一方を検出する。
電気センサは、電圧、電流、インピーダンス等を測定する。電気センサは、筋肉の働き、血流、神経の興奮等により発生した電場を測定する。電気センサは、また、電極と組み合せて、汗の成分等を検出し、化学センサ、ｐＨセンサ等として機能する。
磁気センサは、筋肉の働き、血流、神経の興奮等により発生した磁場を測定する。
イメージセンサは、皮膚の色、表面温度、表面の動き、血流の流れ、汗の様子等を検出する。
また、センサ部は、ＧＰＳセンサ、方位センサ気圧センサ等を有する。ウェアラブル端末装置ｗが、これらのセンサにより、移動距離、運動量等を測定してもよい。
また、入力部のマイクが、対象者Ｔの睡眠中の鼾や呼吸音を捉えてもよい。
ウェアラブル端末装置ｗのセンサ部またはステアリングホイールなどの対象者との接触部分に埋め込まれたセンサにより測定された対象者センシングデータは、通信部を介して、携帯端末装置２０に送信される。なお、ウェアラブル端末装置ｗが、車載端末装置３０に測定した対象者センシングデータを送信してもよい。
なお、ウェアラブル端末装置ｗのタイプとして、図２のリストバンド型の他に、眼鏡型、指輪型、靴型、懐中型、首飾り型、衣服型等でもよい。
（２．３ 車載端末装置３０の構成および機能）
次に、車載端末装置３０の構成および機能について図２０を用いて説明する。
図２０は、車載端末装置３０の概要構成の一例を示すブロック図である。
図２０に示すように、車載端末装置３０は、出力部３１と、記憶部３２と、通信部３３と、入力部３４と、センサ部３５と、入出力インターフェース部３６と、制御部３７と、を有する。そして、制御部３７と入出力インターフェース部３６とは、システムバス３８を介して電気的に接続されている。また、各車載端末装置３０には、車両ＩＤが割り振られていてる。車載端末装置３０は、時計機能を有する。
図２に示すように、車載端末装置３０は、車両Ｖに搭載されている、例えば、ナビゲーション装置である。
出力部３１は、例えば、表示機能として液晶表示素子またはＥＬ素子等、音楽等の音を出力するスピーカ等を有する。
記憶部３２は、例えば、ハードディスクドライブ、ソリッドステートドライブ等により構成されている。記憶部３２は、オペレーティングシステムおよび車載端末装置３０用のアプリ等の各種プログラム等を記憶する。なお、各種プログラムは、例えば、他のサーバ装置等からネットワークＮを介して取得されるようにしてもよいし、記録媒体に記録されてドライブ装置を介して読み込まれるようにしてもよい。また、記憶部３２が、情報処理サーバ装置１０の記憶部１２のようなデータベースの情報を有してもよい。
記憶部３２は、車両Ｖをナビゲートするための地図情報を有する。
なお、記憶部３２には、車載端末装置３０が搭載された車両Ｖを運転する対象者Ｔ（複数でもよい）に関して、記憶部１２のように、対象者情報ＤＢ、操作量ＤＢ、挙動量ＤＢ、運転環境情報ＤＢ、および対象者センシングＤＢが構築されていてもよい。
通信部３３は、ネットワークＮに電気的または電磁気的に接続して、情報処理サーバ装置１０等との通信状態を制御するようになっている。また、通信部３３は、情報処理サーバ装置１０と電気的または電磁気的に接続して、情報処理サーバ装置１０との通信状態を制御するようになっている。通信部３３は、無線通信により、携帯端末装置２０との通信を制御するようになっている。通信部３３は、シートセンサｓｓと、ウェアラブル端末装置ｗと、通信を行ってもよい。
通信部３３は、車両Ｖの駆動機構と通信を行う。例えば、車載端末装置３０の通信部３３を介して、制御信号を車両Ｖの駆動機構に送信し、車両Ｖを止めたり、所定の場所に止めたり、病院等の所定の場所にナビゲートしたりする。
入力部３４は、例えば、タッチパネルのようなタッチスイッチ方式の表示パネルを有する。入力部３４は、利用者の指が接触または近接した出力部３１の位置情報を取得する。入力部３４は、音声を入力するマイクを有する。
センサ部３５は、ステアリングホイールｓｗの操舵角を測定する角度センサ、アクセルの操作を測定するアクセルストロークセンサ、ブレーキペダルの操作を測定するブレーストロークセンサ等の操作量を測定する各種センサを有する。
センサ部３５は、ＧＰＳセンサ、方位センサ、加速度センサ、ジャイロセンサ、ミリ波レーダー用のセンサ等の車両Ｖの挙動量を測定する各種センサを有する。ＧＰＳセンサは、車両Ｖの現在の位置情報を取得する。
センサ部３５は、気圧センサ、温度センサ、晴雨センサ等の各種センサを有する。
センサ部３５は、デジタルカメラのＣＣＤイメージセンサやＣＭＯＳイメージセンサ等の撮影素子を有する。例えば、図２に示すように、センサ部３５は、カメラ３５ａおよびカメラ３５ｂを有する。
カメラ３５ａは、車両Ｖの外の様子を撮像する。車載端末装置３０は、カメラ３５ａの画像により、車両Ｖの挙動量が測定される。例えば、車両Ｖの前方、側方、または、後方を撮影するカメラの画像データに基づき、車線の画像や風景から、車両Ｖの挙動量データの一例であるふらつきデータが測定されてもよい。センサ部３５のカメラにより、車間距離を測定したり、停止位置を測定したり、車線逸脱を測定したりしてもよい。センサ部３５のカメラにより、路面の状態（雨の有無、雪の有無、舗装の有無等）を測定したり、人間の有無を測定したりしてもよい。
カメラ３５ｂは、対象者Ｔを撮像する。車載端末装置３０は、カメラ３５ｂの画像により、顔認識で対象者Ｔを認証したり、対象者Ｔの顔色を測定したり、対象者Ｔが居眠りしていないか判定したりする。また、車両Ｖの内部を撮影するカメラの画像データに基づき、対象者Ｔの動きから操作量が測定されてもよい。
入出力インターフェース部３６は、出力部３１、記憶部３２等と、制御部３７との間のインターフェース処理を行うようになっている。
制御部３７は、ＣＰＵ３７ａ、ＲＯＭ３７ｂ、ＲＡＭ３７ｃ等により構成されている。そして、制御部３７は、ＣＰＵ３７ａが、ＲＯＭ３７ｂや記憶部３２に記憶された各種プログラムを読み出し実行する。
［３． 疾患状態判定システムＳの動作例］
疾患状態判定システムＳの動作例について、図を用いて説明する。
（３．１ データの収集）
先ず、操作量データおよび挙動量データ、対象者Ｔのセンシングデータ等のデータ収集の動作例について、図を用いて説明する。図２１は、データ収集の動作例を示すフローチャートである。図２２は、座圧分布のデータの一例を示す模式図である。図２３は、車両Ｖが走行した道路の一例を示す模式図である。
図２に示すように、対象者Ｔが車両Ｖに乗車して、車載端末装置３０の電源がＯＮになる。車載端末装置３０が車両Ｖの運転者を特定する。例えば、車載端末装置３０のカメラ３５ｂにより対象者Ｔを撮像して、顔認識を行ってよい。車載端末装置３０が、対象者Ｔの携帯端末装置２０またはウェアラブル端末装置ｗと通信を行い、対象者Ｔを特定してもよい。車載端末装置３０が、車両Ｖのステアリングホイールｓｗになる指紋認識のセンサにより、対象者Ｔを特定してもよい。車載端末装置３０が、これらの対象者Ｔの特定方法を組み合せて運転者を特定してもよい。対象者Ｔが携帯する携帯端末装置２０の携帯端末ＩＤにより対象者Ｔを特定してもよい。
なお、対象者Ｔ、実際の車両でもよいし、ドライブシミュレータで運転を行ってもよい。
対象者Ｔが車両Ｖを運転すると、車載端末装置３０が、操作量データおよび挙動量データの測定を開始する。携帯端末装置２０は、センシングデータの測定をする。
次に、図２１に示すように、疾患状態判定システムＳは、車両Ｖの各センサからのデータを収集する（ステップＳ１）。具体的には、車載端末装置３０の制御部３７が、センサ部３５の各センサが測定したデータを、時計機能の測定時刻と共に、各センサから取得する。例えば、制御部３７が、車両Ｖの操作量として、センサ部３５の各センサから、ステアリングホイールｓｗの操舵角の操舵角データ、アクセルストロークデータ、ブレーキストロークデータ等の操作量データを取得する。また、制御部３７が、車両Ｖの挙動量として、センサ部３５の各センサから、ふらつきデータ、車両Ｖの現在の位置情報、車両Ｖの進行方向、速度、加速度、車間距離等を取得する。
また、制御部３７が、センサ部３５のカメラ３５ａにより、ふらつきデータとして、
車両Ｖの外の画像を取得してもよい。制御部３７がカメラ３５ｂにより、対象者Ｔの画像を取得する。なお、センサ部３５の各センサが測定した測定時刻は、車載端末装置３０の時計機能により測定されてもよい。
次に、疾患状態判定システムＳは、ウェアラブル端末装置ｗのセンサおよびシートセンサｓｓから、対象者Ｔのセンシングデータを収集する（ステップＳ２）。具体的には、車両Ｖを運転している対象者Ｔの携帯端末装置２０の制御部２７が、ウェアラブル端末装置ｗのセンサ部の各センサおよびシートセンサｓｓが測定したセンシングデータを、ウェアラブル端末装置ｗから取得する。制御部２７が、車両Ｖを操作している対象者Ｔの腕の回旋の回旋データを、両腕のウェアラブル端末装置ｗから取得する。図２２に示すように、制御部２７が、車両Ｖを操作する対象者Ｔが座る座面の座圧分布のデータを、シートセンサｓｓから取得する。
測定時刻は、携帯端末装置２０の時計機能によって測定されたり、ウェアラブル端末装置ｗの時計機能によって測定されてもよい。
次に、車載端末装置３０が、携帯端末装置２０を介してセンシングデータを取得する。なお、携帯端末装置２０が、操作量データおよび挙動量データを、車載端末装置３０を介して取得してもよい。
測定されたデータは、各端末装置に記憶されてもよい。記憶部３２に測定したデータを記憶する場合、車載端末装置３０が、対象者ＩＤ、操作量ＩＤ，挙動量ＩＤ、センサＩＤに関連付けて、測定したデータを記憶部３２に記憶してもよい。または、携帯端末装置２０が、対象者ＩＤ、操作量ＩＤ，挙動量ＩＤ、センサＩＤに関連付けて、測定したデータを記憶部２２に記憶してもよい。
次に、疾患状態判定システムＳは、収集したデータを、情報処理サーバ装置１０に送信する（ステップＳ３）。具体的には、車載端末装置３０は、取得したデータを、情報処理サーバ装置１０に送信する。さらに、具体的には、制御部３７が、車両Ｖの操作量データと、測定時刻と、測定位置と、対象者ＩＤと、操作量ＩＤと，を情報処理サーバ装置１０に送信する。制御部３７が、車両Ｖの挙動量データと、測定時刻と、測定位置と、対象者ＩＤと、挙動量ＩＤと、を情報処理サーバ装置１０に送信する。制御部３７が、対象者Ｔの座圧分布のデータと、測定時刻と、測定位置と、対象者ＩＤ、座圧分布のデータのセンサＩＤと、を情報処理サーバ装置１０に送信する。制御部３７が、対象者Ｔの各腕の回旋データと、測定時刻と、測定位置と、対象者ＩＤ、各回旋データのセンサＩＤと、を情報処理サーバ装置１０に送信する。制御部３７が、対象者Ｔの他のセンシングデータと、測定時刻と、測定位置と、対象者ＩＤ、センサＩＤと、を情報処理サーバ装置１０に送信する。
制御部３７が、対象者ＩＤの代わりに、車両ＩＤを送信してもよい。携帯端末装置２０が、センシングデータを情報処理サーバ装置１０に送信してもよい。携帯端末装置２０が、操作量データおよび挙動量データを送信してもよい。
測定されたデータは、情報処理サーバ装置１０に逐次送信されてもよいし、まとめて送信されてもよい。逐次送信する場合、車載端末装置３０が、パケットで所定のデータを送信してよいし、トンネル内等で通信状態が悪く通信が途絶えたとき、データをまとめて送信してもよい。
また、まとめて送信する場合、所定の運転区間における測定されたデータ、所定の運転期間における測定されたデータ等の所定のデータを車載端末装置３０が送信してもよい。または、車載端末装置３０が、運転が終了後にまとめて測定したデータを情報処理サーバ装置１０に送信してもよい。
次に、疾患状態判定システムＳは、収集したデータを車載端末装置３０から受信する（ステップＳ４）。具体的には、情報処理サーバ装置１０は、車両Ｖの操作量データと、車両Ｖの挙動量データと、を車載端末装置３０から受信する。情報処理サーバ装置１０は、座圧分布のデータおよび腕の回旋データのようなセンシングデータを車載端末装置３０から受信する。
情報処理サーバ装置１０は、車両を操作する対象者が座る座面の座圧分布のデータを取得する座圧分布取得手段の一例として機能する。
次に、情報処理サーバ装置１０は、受信したデータを記憶部１２に記憶する（ステップＳ５）。具体的には、情報処理サーバ装置１０の制御部１６が、受信した操作量データ、測定時刻、位置情報等を、対象者ＩＤと操作量ＩＤとに関連付けて、操作量ＤＢ１２ｂに記憶する。制御部１６が、受信した挙動量データ、測定時刻、位置情報等を、対象者ＩＤと挙動量ＩＤとに関連付けて、挙動量ＤＢ１２ｃに記憶する。制御部１６が、受信したセンシングデータ、測定時刻、位置情報等を、対象者ＩＤとセンサＩＤとに関連付けて、対象者センシングＤＢ１２ｅに記憶する。
図２３に示すように、車両Ｖが走行した道路が、受信した車両Ｖの位置情報から特定される。なお、車載端末装置３０のナビゲーション機能により、走行する道路を予め設定してもよい。
また、情報処理サーバ装置１０が、道路情報提供サーバ装置から運転環境情報を取得して、運転環境情報ＤＢ１２ｄのデータが更新される。
（３．２ 疾患状態を判定する動作例）
次に、ある特定の対象者Ｔに対して、疾患状態を判定する動作例について図を用いてい説明する。
図２４は、疾患状態を判定する動作例を示すフローチャートである。図２５は、座圧分布のデータの一例を示す模式図である。図２６は、車両Ｖが走行した道路の一例を示す模式図である。
図２４に示すように、情報処理サーバ装置１０は、対象者センシングデータを取得する（ステップＳ１０）。具体的には、制御部１６が、対象者センシングＤＢ１２ｅして、対象者Ｔの対象者ＩＤと各センサＩＤとに基づき、座圧分布のデータ、回旋データ等の各対象者センシングデータ、測定時刻、車両Ｖの位置情報を取得する。例えば、制御部１６は、図２２に示すような道路を走行したときの各対象者センシングデータを取得する。
このように、情報処理サーバ装置１０は、車両を操作する対象者が座る座面の座圧分布のデータを取得する座圧分布取得手段の一例として機能する。情報処理サーバ装置１０は、前記車両を操作している前記対象者の生理データを取得する生理データ取得手段の一例として機能する。
次に、情報処理サーバ装置１０は、対象者Ｔが車両Ｖを操作する操作量データを取得する。具体的には、情報処理サーバ装置１０の制御部１６が、操作量ＤＢ１２ｂ参照して、対象者Ｔの対象者ＩＤと各操作量ＩＤとに基づき、操舵角データ、アクセルストロークデータ等の各操作量データ、測定時刻、車両Ｖの位置情報を取得する。例えば、制御部１６は、図２２に示すような道路を走行したときの各操作量データを取得する。
このように、情報処理サーバ装置１０は、対象者が車両を操作する操作量データを取得する操作量データ取得手段の一例として機能する。
次に、情報処理サーバ装置１０は、車両の挙動の挙動量データを取得する具体的には、制御部１６が、挙動量ＤＢ１２ｃ参照して、対象者Ｔの対象者ＩＤと各挙動量ＩＤとに基づき、ふらつきデータ、車速データ、横加速度データ等の各挙動量データ、測定時刻、車両Ｖの位置情報を取得する。例えば、制御部１６は、図２２に示すような道路を走行したときの各挙動量データを取得する。
このように、情報処理サーバ装置１０は、前記車両の挙動の挙動量データを取得する挙動量データ取得手段の一例として機能する。
次に、情報処理サーバ装置１０は、道路環境情報を取得する（ステップＳ１１）。具体的には、制御部１６が、運転環境情報ＤＢ１２ｄを参照して、図２２に示すような走行した道路の道路の道路環境情報を取得する。
次に、情報処理サーバ装置１０は、道路に応じてデータを分別する（ステップＳ１２）。具体的には、制御部１６が、各対象者センシングデータに対して、これらのデータが測定された時の車両Ｖの位置情報と、取得した道路環境情報とに基づき、各対象者センシングデータを区分けする。さらに具体的には、制御部１６が、標準的な高速道路を走行している位置の各対象者センシングデータと、東京の首都高速道路のようにカーブが比較的多い高速道路を走行している位置の各対象者センシングデータとに分ける。これらのように、制御部１６が、車両Ｖが走行している道路の種別により、データを分別する。
また、制御部１６が、各位置情報から道路の曲率を計算して、曲率に応じてカーブを分類して、各対象者センシングデータがどの区間に属するか分別してもよい。制御部１６が、所定の曲率以下の道路を直線と見なし、その他はカーブ区間として、直線区間およびカー区間に応じて、各対象者センシングデータを分別してもよい。図２６に示すように、左カーブと右カーブとにカーブが分別されてもよい。図２６に示すように、所定の曲率以上のカーブ毎に、カーブが分別されてもよい。
このように、情報処理サーバ装置１０が、対象者センシングデータを、前記車両が走行する道路の曲線の度合いに応じて分別する。
次に、制御部１６が、運転環境情報ＤＢ１２ｄを参照して、分別された各データの道路区分ＩＤを位置情報から特定する。なお、制御部１６が、曲率または位置情報から、類似した道路の曲がり具合のパターンを有する道路の道路区分ＩＤを特定してもよい。
各操作量データおよび各挙動量データに関しても、各対象者センシングデータと同様に道路に応じて分別され、道路区分ＩＤが特定される。
次に、情報処理サーバ装置１０は、対象者センシング関連データを算出する。具体的には、制御部１６が、回旋データのような時系列の対象者センシングデータから、所定の周波数範囲の成分における対象者センシング関連データを算出する。例えば、制御部１６が、対象者センシングデータを離散フーリエ変換して、各周波数のパワースペクトル密度を算出する。
次に、制御部１６が、疾患判定ＤＢ１２ｆを参照して、道路区分ＩＤ、疾患ＩＤ、センサＩＤに基づき、所定の周波数範囲を特定する。制御部１６が、パワースペクトル密度から所定の周波数範囲の成分の部分に相当するパワースペクトルの成分を、対象者センシング関連データとしを抽出する。例えば、疾患ＩＤが脳卒中を示し、道路区分ＩＤが東京の首都高速道路を示し、センサＩＤが脳卒中による麻痺がない腕の回旋を示す場合、図１７に示すような周波数範囲ｆｄ７等、または、周波数範囲が複数ある場合（ｆｄ７、ｆｄ８）これらの組み合わせの周波数範囲におけるパワースペクトル密度を算出する。
ここで、対象者センシング関連データは、対象者センシングデータから算出される対象者センシングデータに関連するデータである。例えば、対象者センシング関連データの一例として、対象者センシングデータを離散フーリエ変換したデータ、パワースペクトル密度、対象者センシングデータを時間微分した時間微分データ、対象者センシングデータを時間積分した時間積分データ等が挙げられる。所定の周波数範囲の成分における対象者センシング関連データの一例として、スペクトル、または、パワースペクトルから、所定の周波数範囲の周波数成分を抽出したデータ等が挙げられる。所定の周波数範囲は、１つの周波数でもよいし、データのサンプリングにより定まる範囲内の全周波数でもよい。所定の周波数範囲の成分における操作関連データは、生の対象者センシングデータに、ローパスフィルタ、ハイパスフィルタ、バンドバスフィルタ等のフィルタを掛けたデータでもよい。例えば、生の対象者センシングデータに対して、ノイズをカットしたデータ、所定の周波数成分を強調したデータ等が挙げられる。所定の周波数範囲の成分における対象者センシング関連データは、対象者センシングデータをフーリエ変換したデータでも、パワースペクトル自体でもよい。なお、操作関連データは、操作量データから算出される操作量データに関連するデータである。上記の対象者センシング関連データに関することは、操作関連データおよび挙動関連データに対しても同様である。
操作量データが操舵角データの場合、操作関連データは、操舵角データの時間微分より算出される操舵角速度でもよい。
次に、情報処理サーバ装置１０は、座圧分布に応じて中心位置を算出する（ステップＳ１３）。中心位置が形状中心位置の場合、図２５に示すように、制御部１６が、座圧分布の分布マップにおいて、ｘの最小値から順に、ｙの最大値、すなわち、対象者Ｔの前側のラインから走査する。走査して分布形状の外縁に到達したら、制御部１６が、ｘの値と共に、ｙの値を、前側のラインから分布形状の外縁までの距離として記憶する。制御部１６が、ｘの値をインクリメントして、前側のラインから走査する。制御部１６が、これらをｘの最大値まで走査を反復する。走査終了後、制御部１６が、前側のラインから分布形状の外縁までの距離が極大となるｘの位置を、分布形状の形状中心位置として算出する。図２５に示すように、極大値が２以上の場合、平均した位置が、形状中心位置となる。なお、形状中心位置の算出方法は、上記の方法に限らず、座圧の分布の左右を分ける、分布形状のくびれ部が算出できればよい。
分布形状の外縁は、座圧分布の分布マップにおいて、座圧の値が所定値以上のところである。なお、制御部１６が、所定値を変化させて、分布形状のくびれ部のｘ方向の位置を複数算出して、平均した位置を、形状中心位置としてもよい。
中心位置が座圧中心位置の場合、図２２に示すように、制御部１６が、座圧分布の分布マップの各ピクセルの値と位置とから、分布形状重心（Ｇｘ，Ｇｙ）を、座圧中心位置として算出する。
このように、情報処理サーバ装置１０は、前記座圧分布に応じて中心位置を算出する中心位置算出手段の一例として機能する。
次に、情報処理サーバ装置１０は、対象者センシング値として、偏り度を算出する（ステップＳ１４）。具体的には、制御部１６が、形状中心位置と座圧中心位置との差を算出する。例えば、図２２に示すように、制御部１６が、Ｇｘ－ＣＯＢ、または、ＣＯＢ－Ｇｘを偏り度として計算する。図２２に示すように、中心位置が形状中心位置の場合、制御部１６が、原点（０，０）を起点として、ｘ軸におけるＣＯＢの位置の値を、偏り度とする。図２２に示すように、中心位置が座圧中心位置の場合、制御部１６が、原点（０，０）を起点として、ｘ軸における重心の位置の値Ｇｘを、偏り度とする。
偏り度は、道路区分ＩＤの示す道路を走行した際の道路区分ごとの平均でもよい。偏り度は、測定区間において、同じような道路の曲線の度合いにおける平均でよい。制御部１６は、平均した場合、標準偏差も計算してもよい。
このように、情報処理サーバ装置１０は、前記中心位置に基づき前記座圧分布における偏り度を算出する偏り度算出手段の一例として機能する。情報処理サーバ装置１０は、前記中心位置と前記車両の座席の左右位置中心とに基づき前記座圧分布における偏り度を算出する偏り度算出手段の一例として機能する。情報処理サーバ装置１０は、前記座圧中心位置と前記形状中心位置との距離を、前記偏り度として算出する偏り度算出手段の一例として機能する。情報処理サーバ装置１０は、前記対象者の左右における偏り度を算出する偏り度算出手段の一例として機能する。
なお、回旋データの場合、制御部１６が、例えば、図１７に示すような周波数範囲ｆｄ７、ｆｄ８におけるパワースペクトル密度を合計した合計値を対象者センシング値として算出する。制御部１６が、例えば、図１７に示すような周波数値ｆ８、ｆ９におけるパワースペクトル密度の値を対象者センシング値として算出する。
次に、情報処理サーバ装置１０は、操作値および挙動値を算出する。具体的には、制御部１６が、道路区分ＩＤ、疾患ＩＤ、操作量ＩＤに基づき、疾患判定ＤＢ１２ｆを参照して、時系列の操作関連データや、周波数の関数である操作関連データのスペクトルを数値化した周波数分析値を算出する。制御部１６が、道路区分ＩＤ、疾患ＩＤ、操作量ＩＤに基づき、疾患判定ＤＢ１２ｆを参照して、時系列の挙動量データや、周波数の関数である挙動量データのスペクトルを数値化した周波数分析値を算出する。
例えば、疾患ＩＤが脳卒中を示し、道路区分ＩＤが標準的な高速道路を示し、操作量ＩＤが操舵角を示す場合、制御部１６が、図９に示すような周波数範囲ｆｄ２におけるパワースペクトル密度を合計した合計値を、周波数分析値として算出する。疾患ＩＤが脳卒中を示し、道路区分ＩＤが東京の首都高速道路を示し、操作量ＩＤが操舵角を示す場合、制御部１６が、図１１に示すような周波数範囲ｆｄ５、ｆｄ６におけるパワースペクトル密度を合計した合計値を、周波数分析値として算出する。
疾患ＩＤが脳卒中を示し、道路区分ＩＤが東京の首都高速道路を示し、操作量ＩＤがアクセルストロークを示す場合、制御部１６が、図１２に示すような周波数範囲ｆｄ５、ｆｄ６におけるパワースペクトル密度を合計した合計値を、周波数分析値として算出する。
なお、操作値は、操舵角速度の絶対値の積分より算出する総操舵量でもよい。操作値は、操舵角データを離散フーリエ変換し、所定の周波数帯のパワースペクトル密度の和である修正操舵量でもよい。操作値は、操舵角速度の標準偏差、ステアリングの滑らかさ、操舵角速度の最大値、操舵角データのエントロピーを計算したステアリングエントロピーでもよい。
また、制御部１６が、挙動値として、道路区分ＩＤの示す道路を走行した際のふらつき度（例えば、ＳＤＬＰ）を、ふらつきデータから算出する。なお、車両Ｖのふらつき度は、道路からの逸脱回数または頻度（車線逸脱警告の発信頻度）でもよい。車間距離としての挙動量データは、車間距離（または車間時間）の値や変動度、前方を走行する車両に対する接近（例えば、車間時間が３秒以内、１秒以内等）の回数および頻度（前方衝突警報の発信頻度）でもよい。停車した場合の一時停止の場所からの距離を、挙動量データとしてもよい。これらの挙動量データから、挙動値であるふらつき度が算出されてもよい。
制御部１６が、挙動値として、道路区分ＩＤの示す道路を走行した際の平均の車速を、車速データから算出する。制御部１６が、挙動値として、道路区分ＩＤの示す道路を走行した際の平均の横加速度値を、横加速度データから算出する。
なお、制御部１６が、挙動関連データから挙動値を算出してもよい。例えば、制御部１６が、所定の周波数範囲におけるパワースペクトル密度を合計した合計値を、挙動値として算出する。
次に、情報処理サーバ装置１０は、疾患状態を判定する（ステップＳ１５）。具体的には、制御部１６が、道路区分ＩＤ、疾患ＩＤ、センサＩＤに基づき、疾患判定ＤＢ１２ｆを参照して、基準の対象者センシング値と、対象者Ｔの算出した対象者センシング値とを比較して、対象者Ｔが、疾患ＩＤの疾患である否か、疾患ＩＤの疾患の程度等の疾患状態を制御部１６が判定する。
例えば、道路区分ＩＤが標準的な高速道路を示し、センサＩＤがシートセンサｓｓを示す場合、制御部１６が、算出した偏り度と、図１８Ａ、図１８Ｂおよび図１８Ｃに示すような基準の偏り度と比較して、基準のどの偏り度に近いかを判定して、健常者ｐ０、脳卒中患者ｐ１、脳卒中患者ｐ２（例えば、右側麻痺）のいずれかであるかを判定する。制御部１６が、形状中心位置の偏り度、座圧中心位置の偏り度、および、形状中心位置と座圧中心位置との差の偏り度の複数の偏り度に基づき、判定してもよい。制御部１６が、座圧分布のデータから算出された偏り度に基づき、脳卒中の左側麻痺か右側麻痺か、麻痺との程度等を、制御部１６が判定してよい。
制御部１６が、偏り度の平均、分散等の統計値と、基準の偏り度と比較して、疾患状態を判定してもよい。
道路区分ＩＤが東京の首都高速道路を示し、センサＩＤがシートセンサｓｓを示す場合、制御部１６が、図１８Ｄ、図１８Ｅおよび図１８Ｆに示すような基準の偏り度と比較して、どの偏り度に近いかを判定して、健常者ｐ０、脳卒中患者ｐ１、脳卒中患者ｐ２のいずれかであるかを判定する。
このように、情報処理サーバ装置１０は、前記偏り度に応じて、前記対象者の疾患状態を判定する疾患状態判定手段の一例として機能する。情報処理サーバ装置１０は、前記形状中心位置から算出される前記偏り度と、前記座圧中心位置から算出される前記偏り度と、に応じて、前記対象者の疾患状態を判定する疾患状態判定手段の一例として機能する。情報処理サーバ装置１０は、前記偏り度の統計値から、前記対象者の疾患状態を判定する疾患状態判定手段の一例として機能する。情報処理サーバ装置１０は、前記偏り度に応じて、脳卒中の麻痺を判定する疾患状態判定手段の一例として機能する。情報処理サーバ装置１０は、前記偏り度に応じて、脳卒中の麻痺の程度を判定する疾患状態判定手段の一例として機能する。情報処理サーバ装置１０は、前記左右における偏り度に応じて、前記対象者の疾患状態を判定する疾患状態判定手段の一例として機能する。
疾患ＩＤが脳卒中を示し、道路区分ＩＤが東京の首都高速道路を示し、センサＩＤが、麻痺が無い側の腕の回旋を測定するジャイロセンサを示す場合、図１７に示すような周波数範囲ｆｄ７等における対象者Ｔの対象者センシング値から、パワースペクトル密度（ｐ０）の合計値を引いた値と、パワースペクトル密度の差分（ｐ１-ｐ０）の合計値と比較して、制御部１６が、脳卒中患者ｐ１であるか否かを判定する。図１７に示すような基準の対象者センシング値に基づき、制御部１６が回旋データのセンサが取り付けられた対象者Ｔの腕（例えば、左側）と逆側の片麻痺を判定する。図１７に示すような周波数範囲ｆｄ７、ｆｄ８における対象者Ｔの対象者センシング値から、パワースペクトル密度（ｐ１）の合計値およびパワースペクトル密度（ｐ２）の合計値のどちらの値に近いかを比較して、制御部１６が、脳卒中患者ｐ１であるか、脳卒中患者ｐ２であるか否か等の疾患の程度を判定してもよい。
左右の腕のジャイロセンサで測定した回旋データの対象者センシング値から、左側麻痺か右側麻痺か、片側麻痺か両側麻痺かのような疾患の程度を制御部１６が判定してもよい。他の対象者センシング値とからも基づき、制御部１６が対象者の疾患状態を判定してもよい。
情報処理サーバ装置１０は、算出した偏り度と基準の偏り度との比較し、算出した対象者センシング値と基準と対象者センシング値とを比較して、対象者Ｔの疾患状態を判定してもよい。
このように、情報処理サーバ装置１０は、前記偏り度と前記生理データの周波数分析の結果とに基づき、前記対象者の疾患状態を判定する疾患状態判定手段の一例として機能する。情報処理サーバ装置１０は、前記偏り度と前記生理データとに基づき、前記対象者の疾患状態を判定する疾患状態判定手段の一例として機能する。情報処理サーバ装置１０は、前記回旋データのセンサが取り付けられた前記対象者の腕と逆側の片麻痺を判定する疾患状態判定手段の一例として機能する。
次に、操作量データの場合について説明する。
制御部１６が、道路区分ＩＤ、疾患ＩＤ、操作量ＩＤに基づき、疾患判定ＤＢ１２ｆを参照して、基準の挙動値と、対象者Ｔの算出した操作値とを比較して、対象者Ｔが、疾患ＩＤの疾患である否か、疾患ＩＤの疾患の程度等の疾患状態を制御部１６が判定する。
例えば、疾患ＩＤが脳卒中を示し、道路区分ＩＤが標準的な高速道路を示し、操作量ＩＤが操舵角を示す場合、図９に示すような周波数範囲ｆｄ２における対象者Ｔの操作値から、パワースペクトル密度（ｐ０）の合計値を引いた値と、パワースペクトル密度の差分（ｐ１-ｐ０）の合計値、または、パワースペクトル密度の差分（ｐ２-ｐ０）の合計値と比較して、制御部１６が、健常者ｐ０、脳卒中患者ｐ１、脳卒中患者ｐ２のいずれかの疾患状態を判定する。
なお、周波数範囲ｆｄ２におけるパワースペクトル密度のグラフが、パワースペクトル密度（ｐ０）と、パワースペクトル密度（ｐ１）と、パワースペクトル密度（ｐ２）のうち、どれに近いかを、制御部１６が判定することにより、制御部１６が、疾患状態を判定してもよい。周波数範囲ｆｄ３では、健常者ｐ０と、脳卒中患者ｐ１、ｐ２との峻別が行われてもよい。また、制御部１６が周波数範囲ｆｄ１を、脳卒中患者ｐ１と、脳卒中患者ｐ２とを峻別するパリティチェックとして利用してもよい。制御部１６が、周波数ｆ１におけるパワースペクトル密度の値で、脳卒中の疾患状態を判定してもよい。
例えば、疾患ＩＤが脳卒中を示し、道路区分ＩＤが東京の首都高速道路を示し、操作量ＩＤが操舵角を示す場合、制御部１６が、対象者Ｔの操作値と、図１１に示すような基準の操作値とを比較して、脳卒中の疾患状態を判定する。
疾患ＩＤが脳卒中を示し、道路区分ＩＤが東京の首都高速道路を示し、操作量ＩＤがアクセルストロークを示す場合、制御部１６が、対象者Ｔのアクセルストロークの操作値と、図１２に示すような基準の操作値とを比較して、脳卒中の疾患状態を判定する。
次に、挙動量データの場合について説明する。
制御部１６が、道路区分ＩＤ、疾患ＩＤ、挙動量ＩＤに基づき、疾患判定ＤＢ１２ｆを参照して、基準の挙動値と、対象者Ｔの算出した挙動値とを比較して、対象者Ｔが、疾患ＩＤの疾患である否か、疾患ＩＤの疾患の程度等の疾患状態を制御部１６が判定する。
例えば、疾患ＩＤが脳卒中を示し、道路区分ＩＤが標準的な高速道路を示し、挙動量ＩＤがＳＤＬＰを示す場合、図１３に示すように、対象者ＴのＳＤＬＰと閾値θ１、θ２と比較して、健常者ｐ０、脳卒中患者（ｐ１、ｐ２）のどちらかの疾患状態を制御部１６が判定する。疾患ＩＤが脳卒中を示し、道路区分ＩＤが東京の首都高速道路を示し、挙動量ＩＤがＳＤＬＰを示す場合、図１４に示すように、対象者ＴのＳＤＬＰと閾値θ３と比較して、健常者ｐ０、脳卒中患者（ｐ１、ｐ２）のどちらの疾患状態であるかの疾患状態を制御部１６が判定する。
例えば、疾患ＩＤが脳卒中を示し、道路区分ＩＤが東京の首都高速道路を示し、挙動量ＩＤが横加速度を示す場合、図１５に示すように、対象者Ｔの横加速度値と閾値ｃ４と比較して、健常者ｐ０、脳卒中患者（ｐ１、ｐ２）のどちらの疾患状態であるかの疾患状態を制御部１６が判定する。疾患ＩＤが脳卒中を示し、道路区分ＩＤが東京の首都高速道路を示し、挙動量ＩＤが車速を示す場合、図１６に示すように、対象者Ｔの車速と閾値θ５と比較して、健常者ｐ０、脳卒中患者（ｐ１、ｐ２）のどちらの疾患状態であるかの疾患状態を制御部１６が判定する。
このように、情報処理サーバ装置１０は、前記挙動値に応じて、前記対象者の疾患状態を判定する疾患状態判定手段の一例として機能する。情報処理サーバ装置１０は、前記ふらつき度から、脳卒中の麻痺を判定する疾患状態判定手段の一例として機能する。情報処理サーバ装置１０は、前記横加速度値から、脳卒中の麻痺を判定する疾患状態判定手段の一例として機能する。
なお、情報処理サーバ装置１０は、１つの操作値に基づき疾患状態を判定してもよいし、複数の操作値に基づき疾患状態を判定してもよい。
例えば、複数の操作値に基づき判定する場合、各操作値の判定において、所定の疾患状態（例えば、脳卒中患者ｐ１）と判定された判定数が所定の閾値を超えた場合、所定の疾患状態であると情報処理サーバ装置１０は判定してもよい。所定の疾患状態であるとき判定結果を１として、所定の疾患状態でないとき判定結果を０として、情報処理サーバ装置１０は、各操作値の判定結果の和（判定数）を計算する。また、情報処理サーバ装置１０は、各操作値に重みを設けて、判定結果の和を計算してもよい。
また、複数の操作値に基づき疾患状態を判定する例として、図１１に示すように、情報処理サーバ装置１０は、周波数範囲ｆｄ５では、脳卒中患者ｐ２の判定を行い、周波数範囲ｆ６５では、脳卒中患者ｐ１の判定を行ってもよい。
情報処理サーバ装置１０は、異なる道路区分での複数の操作値に基づき、疾患状態を判定してもよい。例えば、図９に示すような標準的な高速道路でのデータでは、情報処理サーバ装置１０は、周波数範囲ｆｄ３における操作値により、健常者ｐ０と脳卒中患者（ｐ１、ｐ２）とを峻別する。次に、図１１に示すような首都高速道路でのデータでは、情報処理サーバ装置１０は、周波数範囲ｆｄ６における操作値により、脳卒中患者ｐ１と脳卒中患者ｐ２とを峻別する。
情報処理サーバ装置１０は、１つの挙動値に基づき疾患状態を判定してもよいし、複数の挙動値に基づき疾患状態を判定してもよい。情報処理サーバ装置１０は、操作値と挙動値とを組み合わせて、疾患状態を判定してもよい。
例えば、複数の挙動値で判定する場合、各挙動値の判定において、所定の疾患状態（例えば、脳卒中患者ｐ１）と判定された判定数が所定の閾値を超えた場合、所定の疾患状態であると情報処理サーバ装置１０は判定してもよい。また、情報処理サーバ装置１０は、各挙動値に重みを設けて、判定結果の和を計算してもよい。
操作値と挙動値とを組み合わせて判定する場合、各操作値および各挙動値の判定において、所定の疾患状態（例えば、脳卒中患者ｐ１）と判定された判定数が所定の閾値を超えた場合、所定の疾患状態であると情報処理サーバ装置１０は判定してもよい。また、情報処理サーバ装置１０は、各操作値および各挙動値に重みを設けて、判定結果の和を計算してもよい。
このように、情報処理サーバ装置１０は、前記複数の操作値に応じて、前記対象者の疾患状態を判定する疾患状態判定手段の一例として機能する。
情報処理サーバ装置１０は、操作値と挙動値と対象者センシング値を組み合わせて、疾患状態を判定してもよい。操作量データ、操作関連データ、操作値、挙動量データ、挙動関連データ、挙動値、対象者センシングデータ、対象者センシング関連データ、対象者センシング値等の中から、所定の疾患に対して最適な特徴量の組み合わせで、情報処理サーバ装置１０は、疾患状態を判定してもよい。
なお、情報処理サーバ装置１０は、車載端末装置３０等からデータを逐次取得して、疾患状態を判定してもよい。携帯端末装置２０または車載端末装置３０が、疾患状態判定装置の一例として、情報処理サーバ装置１０の代わりに、測定したデータから疾患状態を判定してもよい。この場合、携帯端末装置２０の制御部２７、または、車載端末装置３０の制御部３７が、測定したデータから疾患状態を判定する。
また、情報処理サーバ装置１０は、家庭端末装置４０からの生理データと、医療機関サーバ装置５０の電子カルテ情報とにも基づき、疾患状態を判定してもよい。特に、庭端末装置４０からの生理データと、医療機関サーバ装置５０の電子カルテ情報とを基準にして、情報処理サーバ装置１０は、疾患状態を判定してもよい。
以上、本実施形態によれば、車両Ｖを操作する対象者Ｔが座る座面の座圧分布のデータを取得し、座圧分布に応じて中心位置を算出し、中心位置に基づき座圧分布における偏り度を算出し、偏り度に応じて、対象者Ｔの疾患状態を判定することにより、特殊な機器で無くても、車両を操作する対象者が座る座面の座圧分布のデータのような測定しやすいデータから、所定の疾患の状態を判定することができる。
また、偏り度に集約することにより、疾患の状態の判定精度を向上させることができる。
所定の疾患の疾患状態と予め測定した座圧分布のデータとの関係の情報を記憶した記憶手段を参照して、偏り度に応じて、対象者Ｔの疾患状態を判定する場合、取得した座圧分布のデータを記憶手段に適用して所定の疾患の状態を判定することができる。
中心位置が、前記座圧分布の分布形状から算出される形状中心位置である場合、座圧分布の分布形状から決まる形状中心位置ＣＯＢを基準にして、偏り度を算出することにより、疾患状態の判定精度をより向上させることができる。
形状中心位置が、分布形状のくびれ部から算出される場合、座圧分布の分布形状のくびれ部から決まる形状中心位置を基準にして、偏り度を算出することにより、疾患状態の判定精度をより向上させることができる。
形状中心位置が、座圧分布の分布マップにおいて、対象者の前側のラインから分布形状の外縁までの距離が極大となる位置である場合、形状中心位置を容易に算出することができる。
中心位置が、座圧分布の座圧中心位置である場合、座圧中心位置を基準にして、偏り度を算出することにより、疾患状態の判定精度をより向上させることができる。また、形状中心位置および座圧中心位置の複数の中心位置を算出する場合、疾患状態の判定精度をより向上させることができる。
座圧中心位置が、座圧分布の重心である場合、座圧中心位置を座圧分布の重心とすることにより、座圧中心位置が容易に求まる。
中心位置と車両Ｖの座席の左右位置中心とに基づき座圧分布における偏り度を算出する場合、車両Ｖの座席の左右位置中心を基準にして、偏り度を算出することにより、疾患状態の判定精度をより向上させることができる。
中心位置が、座圧分布の分布形状から算出される形状中心位置、および、座圧分布の座圧中心位置であって、形状中心位置から算出される偏り度と、座圧中心位置から算出される偏り度と、に応じて、対象者の疾患状態を判定する場合、複数の偏り度によって、疾患状態の判定精度をより向上させることができる。
中心位置が、座圧分布の分布形状から算出される形状中心位置、および、座圧分布の座圧中心位置であって、座圧中心位置と形状中心位置との距離を、偏り度として算出する場合、車両Ｖの座席の左右位置中心に依存しない偏り度により、疾患状態の判定精度をより向上させることができる。
偏り度の統計値から、対象者Ｔの疾患状態を判定する場合、複数の偏り度を統計処理することにより、疾患状態の判定精度をより向上させることができる。
偏り度の統計値から、対象者Ｔの疾患状態を判定する場合、複数の偏り度を統計処理することにより、疾患状態の判定精度をより向上させることができる。
偏り度に応じて、脳卒中の麻痺を判定する場合、特殊な機器で無くても、車両を操作する対象者が座る座面の座圧分布のデータのような測定しやすいデータから、脳卒中の麻痺の状態を判定することができる。
偏り度に応じて、脳卒中の麻痺の程度を判定する場合、偏り度から、特殊な機器が無くても、脳卒中の麻痺の程度を判定することができる。
対象者Ｔの左右における偏り度を算出し、左右における偏り度に応じて、対象者Ｔの疾患状態を判定する場合、左右における偏り度から、左右の片麻痺を判定できる。
左右における偏り度に応じて、脳卒中の片麻痺を判定する場合、左右における偏り度から、特殊な機器が無くても、脳卒中の片麻痺を判定することができる。
座圧分布のデータが、車両Ｖが走行する道路の曲線の度合いに応じて分別される場合、疾患状態の判定精度を向上させることができる。
車両Ｖを操作している対象者Ｔの生理データ（対象者センシングデータ）を取得し、偏り度と生理データとに基づき、対象者Ｔの疾患状態を判定する場合、偏り度と生理データとにより判定するので、疾患状態の判定精度を向上させることができる。
生理データの周波数分析し、偏り度と生理データの周波数分析の結果とに基づき、対象者Ｔの疾患状態を判定する場合、回旋データのような生理データのの周波数分析の結果の特徴を取り込み、疾患状態の判定精度を向上させることができる。
生理データが、車両Ｖを操作している対象者Ｔの腕の回旋の回旋データである場合、特殊な機器で無くても、対象者の腕の回旋の回旋データのような測定しやすいデータから、脳卒中の麻痺の状態を判定することができる。
回旋データのセンサが取り付けられた対象者Ｔの腕と逆側の片麻痺を判定する場合、麻痺がある腕と反対側の回旋データからも脳卒中の麻痺の状態を判定することができる。
対象者Ｔが車両Ｖを操作する操作量データを取得し、偏り度と前記操作量データとに基づき、前記対象者の疾患状態を判定する場合、偏り度と操作量データとを組み合わせることにより、判定精度をより向上させることができる。
所定の周波数範囲の成分を、所定の疾患に応じて決定される場合、所定の周波数範囲を、所定の疾患に対応させることにより、疾患状態の判定精度を向上させることができる。また、所定の周波数範囲の成分とすることにより、疾患の状態の判定精度を向上させることができる。
対象者Ｔの疾患状態として、疾患の程度を判定する場合、図１８Ａから図１８Ｆに示すように、偏り度から、所定の疾患の程度を判定することができる。
車両Ｖの挙動の挙動量データを取得し、挙動データを数値化した挙動値を、挙動データから算出し、挙動値に応じて、対象者Ｔの疾患状態を判定する場合、対象者Ｔが操作する車両Ｖの挙動データのような測定しやすいデータから、所定の疾患状態を判定することができる。
挙動量データが、車両Ｖのふらつきデータである場合、車両Ｖのふらつきデータという測定しやすいデータから、所定の疾患状態を判定することができる。
ふらつきデータから、挙動値として車両Ｖのふらつき度を算出し、ふらつき度から、脳卒中の麻痺を判定する場合、車両Ｖのふらつきを数値化したふらつき度から、脳卒中の麻痺の状態を判定することができる。
ふらつき度が、車両Ｖの左右方向の標準偏差である場合、車両Ｖの左右方向の標準偏差から、脳卒中の麻痺の状態を判定することができる。
挙動量データが、車両の横加速度データまたは車両の速度データである場合、車両Ｖの横加速度データまたは速度データという測定しやすいデータから、所定の疾患状態を判定することができる。
横加速度データから、挙動値として車両Ｖの横加速度値または速度値を算出し、横加速度値または速度値から、脳卒中の麻痺を判定する場合、車両Ｖの横加速度データを数値化した車両Ｖの横加速度値または速度データを数値化した車両Ｖの速度値から、脳卒中の麻痺の状態を判定することができる。
操作量データが、車両Ｖのステアリングホイールの操舵角データである場合、操舵角データという測定しやすいデータから、所定の疾患状態を判定することができる。
操舵角データから、操作値として、操舵角データの周波数分析値を算出し、操舵角データの周波数分析値から、脳卒中の麻痺を判定する場合、車両Ｖの操舵角データを数値化した操舵角データの周波数分析値から、脳卒中の麻痺の状態を判定することができる。
操作量データが、車両のアクセルのアクセルストロークデータである場合、アクセルストロークデータという測定しやすいデータから、所定の疾患状態を判定することができる。
アクセルストロークデータから、操作値として、アクセルストロークデータの周波数分析値を算出し、アクセルストロークデータの周波数分析値から、脳卒中の麻痺を判定する場合、車両のアクセルストロークデータを数値化したアクセルストロークデータの周波数分析値から、脳卒中の麻痺の状態を判定することができる。
操作量データまたは挙動量データが、車両Ｖが走行する道路の曲線の度合いに応じて分別される場合、疾患状態の判定精度を向上させることができる。
山岳路や東京の首都高速道路のような、道路の曲線の度合いが所定値以上の道路を車両Ｖが走行しているときの操作値または挙動値に応じて、対象者Ｔの疾患状態を判定する場合、疾患状態の判定精度を向上させることができる。
カーブが比較的少ない標準的な高速道路のような、道路の曲線の度合いが所定値より低い道路を車両Ｖが走行しているときの操作量データによる操作値に応じて、対象者Ｔの疾患状態を判定する場合、疾患状態の判定精度を向上させることができる。例えば、図１１に示すような東京の首都高速道路に対して、図９に示すように、標準的な高速道路においても、健常者ｐ０と、脳卒中患者ｐ１と、脳卒中患者ｐ２との差異の異なったパターンが表れる特徴的な周波数範囲において、疾患状態が判定される。
複数の操作関連データを算出し、複数の各操作関連データから算出される複数の操作値を算出し、複数の操作値に応じて、対象者Ｔの疾患状態を判定する場合、複数の操作値により判定するので、疾患状態の判定精度を向上させることができる。
操作関連データが、操作量データの時間に関する微分データである場合、操作量データの時間に関する微分データを数値化した操作値から、所定の疾患状態を特定することができる。特に、高周波成分が強調されて、高周波成分で特徴が出やすい疾患の場合の疾患状態の判定精度を向上させることができる。
操作関連データが、操作量データの時間に関する積分データである場合、操作量データの時間に関する積分データを数値化した操作値から、所定の疾患状態を判定することができる。特に、低周波成分が強調されて、低周波成分で特徴が出やすい疾患の場合の疾患状態の判定精度を向上させることができる。
（変形例）
次に、疾患状態の判定の変形例について説明する。
情報処理サーバ装置１０が、測定されたデータに対して、識別器を適用して、疾患状態を判定してもよい。識別器は、線形識別器または非線形識別器でもよい。識別器のパラメータを機械学習する機械学習の識別器でもよい。機械学習は、ニューラルネットワーク、遺伝的アルゴリズム、ベイジアンネットワーク、決定木学習、ロジスティクス回帰等が挙げられる。
例えば、情報処理サーバ装置１０が、座圧分布のデータのような対象者センシングデータ、対象者センシング値等で、予め機械学習しておいて、機械学習のモデルのパラメータを、疾患判定ＤＢ１２ｆに記憶しておく。なお、機械学習に利用するデータは、道路区分により分別されたデータでもよい。
情報処理サーバ装置１０が、ステップＳ１４において算出された偏り度のような対象者センシング値に対して、ステップＳ１５において、疾患判定ＤＢ１２ｆを参照して識別器を適用して、疾患状態を判定してもよい。情報処理サーバ装置１０が、算出された対象者センシング関連データ、操作関連データ、挙動量関連データに対して、ステップＳ１５において、疾患判定ＤＢ１２ｆを参照して識別器を適用して、疾患状態を判定してもよい。情報処理サーバ装置１０が、ステップＳ１２において道路に応じて分別したデータにデータに対して、ステップＳ１５において、疾患判定ＤＢ１２ｆを参照して識別器を適用して、疾患状態を判定してもよい。対象者センシングデータ、操作量データ、挙動量データ等の各特徴量から、識別器により、疾患状態が判定される。
対象者センシングデータ、操作量データ、挙動量データ等の複数のデータに対して、情報処理サーバ装置１０が、疾患判定ＤＢ１２ｆを参照して識別器を適用して、疾患状態を判定してもよい。具体的には、情報処理サーバ装置１０が、図９から図１８Ｆに示すように、所定の疾患に対して疾患状態に差異があったデータに対して、疾患判定ＤＢ１２ｆを参照して識別器を適用して、疾患状態を判定してもよい。
座圧分布のデータに対する機械学習により、対象者の疾患状態を判定する場合、座圧分布のデータの波形、偏り度のパターン等により、疾患状態を判定することができる。対象者センシングデータに対する機械学習により、対象者Ｔの疾患状態を判定する場合、対象者センシングデータの波形、対象者センシング値のパターン等により、疾患状態を判定することができる。車両を操作する対象者が座る座面の座圧分布のデータに対して機械学習により構築された学習済みモデルによって、座圧分布のデータのような測定しやすいデータから、所定の疾患の状態を判定することができる。
座圧分布の分布形状から算出される形状中心位置に基づき、座圧分布のデータに対する機械学習により、対象者の疾患状態を判定する場合、形状中心位置に基づいたデータにより、疾患状態の判定精度をより向上させることができる。
車両Ｖが走行する道路の曲線の度合いに応じて分別された座圧分布のデータに対する機械学習により、対象者の疾患状態を判定する場合、データが車両が走行する道路の曲線の度合いに応じて分別されて、機械学習により構築された学習済みモデルに、測定された分別されたデータを適用して、疾患状態の判定精度をより向上させることができる。
携帯端末装置２０または車載端末装置３０が、上記識別器を備えてもよい。
さらに、本発明は、上記各実施形態に限定されるものではない。上記各実施形態は、例示であり、本発明の特許請求の範囲に記載された技術的思想と実質的に同一な構成を有し、同様な作用効果を奏するものは、いかなるものであっても本発明の技術的範囲に包含される。
１０：情報処理サーバ装置（疾患状態判定装置）
１２：記憶部（記憶手段）
１２ｆ：疾患判定データベース（記憶手段）
２０：携帯端末装置（疾患状態判定装置、端末装置）
３０：車載端末装置（疾患状態判定装置、端末装置）
Ｓ：疾患状態判定システム
Ｔ：対象者
Ｖ：車両

Claims (27)

  1. 車両を操作する対象者が座る座面の座圧分布のデータを取得する座圧分布取得手段と、
    前記座圧分布に応じて中心位置を算出する中心位置算出手段と、
    前記中心位置に基づき前記座圧分布における偏り度を算出する偏り度算出手段と、
    前記偏り度に応じて、前記対象者の疾患状態を判定する疾患状態判定手段と、
    を備えることを特徴とする疾患状態判定装置。
  2. 請求項１に記載の疾患状態判定装置において、
    前記疾患状態判定手段が、所定の疾患の前記疾患状態と予め測定した前記座圧分布のデータとの関係の情報を記憶した記憶手段を参照して、前記偏り度に応じて、前記対象者の疾患状態を判定することを特徴とする疾患状態判定装置。
  3. 請求項１または請求項２に記載の疾患状態判定装置において、
    前記中心位置が、前記座圧分布の分布形状から算出される形状中心位置であることを特徴とする疾患状態判定装置。
  4. 請求項３に記載の疾患状態判定装置において、
    前記形状中心位置が、前記分布形状のくびれ部から算出されることを特徴とする疾患状態判定装置。
  5. 請求項４に記載の疾患状態判定装置において、
    前記形状中心位置が、前記座圧分布の分布マップにおいて、前記対象者の前側のラインから前記分布形状の外縁までの距離が極大となる位置であることを特徴とする疾患状態判定装置。
  6. 請求項１から請求項５のいずれか１項に記載の疾患状態判定装置において、
    前記中心位置が、前記座圧分布の座圧中心位置であることを特徴とする疾患状態判定装置。
  7. 請求項６に記載の疾患状態判定装置において、
    前記座圧中心位置が、前記座圧分布の重心であることを特徴とする疾患状態判定装置。
  8. 請求項１から請求項７のいずれか１項に記載の疾患状態判定装置において、
    前記偏り度算出手段が、前記中心位置と前記車両の座席の左右位置中心とに基づき前記座圧分布における偏り度を算出することを特徴とする疾患状態判定装置。
  9. 請求項１から請求項８のいずれか１項に記載の疾患状態判定装置において、
    前記中心位置が、前記座圧分布の分布形状から算出される形状中心位置、および、前記座圧分布の座圧中心位置であって、
    前記疾患状態判定手段が、前記形状中心位置から算出される前記偏り度と、前記座圧中心位置から算出される前記偏り度と、に応じて、前記対象者の疾患状態を判定することを特徴とする疾患状態判定装置。
  10. 請求項１から請求項９のいずれか１項に記載の疾患状態判定装置において、
    前記中心位置が、前記座圧分布の分布形状から算出される形状中心位置、および、前記座圧分布の座圧中心位置であって、
    前記偏り度算出手段が、前記座圧中心位置と前記形状中心位置との距離を、前記偏り度として算出することを特徴とする疾患状態判定装置。
  11. 請求項１から請求項１０のいずれか１項に記載の疾患状態判定装置において、
    前記疾患状態判定手段が、前記偏り度の統計値から、前記対象者の疾患状態を判定することを特徴とする疾患状態判定装置。
  12. 請求項１から請求項１１のいずれか１項に記載の疾患状態判定装置において、
    前記疾患状態判定手段が、前記偏り度に応じて、脳卒中の麻痺を判定することを特徴とする疾患状態判定装置。
  13. 請求項１２に記載の疾患状態判定装置において、
    前記疾患状態判定手段が、前記偏り度に応じて、脳卒中の麻痺の程度を判定することを特徴とする疾患状態判定装置。
  14. 請求項１から請求項１３のいずれか１項に記載の疾患状態判定装置において、
    前記偏り度算出手段が、前記対象者の左右における偏り度を算出し、
    前記疾患状態判定手段が、前記左右における偏り度に応じて、前記対象者の疾患状態を判定することを特徴とする疾患状態判定装置。
  15. 請求項１４に記載の疾患状態判定装置において、
    前記疾患状態判定手段が、前記左右における偏り度に応じて、脳卒中の片麻痺を判定することを特徴とする疾患状態判定装置。
  16. 請求項１から請求項１５のいずれか１項に記載の疾患状態判定装置において、
    前記座圧分布のデータが、前記車両が走行する道路の曲線の度合いに応じて分別されることを特徴とする疾患状態判定装置。
  17. 請求項１から請求項１６のいずれか１項に記載の疾患状態判定装置において、
    前記車両を操作している前記対象者の生理データを取得する生理データ取得手段を更に備え、
    前記疾患状態判定手段が、前記偏り度と前記生理データとに基づき、前記対象者の疾患状態を判定することを特徴とする疾患状態判定装置。
  18. 請求項１７に記載の疾患状態判定装置において、
    前記生理データの周波数分析する周波数分析手段を更に備え、
    前記疾患状態判定手段が、前記偏り度と前記生理データの周波数分析の結果とに基づき、前記対象者の疾患状態を判定することを特徴とする疾患状態判定装置。
  19. 請求項１７または請求項１８に記載の疾患状態判定装置において、
    前記生理データが、前記車両を操作している前記対象者の腕の回旋の回旋データであることを特徴とする疾患状態判定装置。
  20. 請求項１９に記載の疾患状態判定装置において、
    前記疾患状態判定手段が、前記回旋データのセンサが取り付けられた前記対象者の腕と逆側の片麻痺を判定することを特徴とする疾患状態判定装置。
  21. 請求項１から請求項２０のいずれか１項に記載の疾患状態判定装置において、
    前記対象者が前記車両を操作する操作量データを取得する操作量データ取得手段を更に備え、
    前記疾患状態判定手段が、前記偏り度と前記操作量データとに基づき、前記対象者の疾患状態を判定することを特徴とする疾患状態判定装置。
  22. 請求項１から請求項２１のいずれか１項に記載の疾患状態判定装置において、
    前記疾患状態判定手段が、前記座圧分布のデータに対する機械学習により、前記対象者の疾患状態を判定することを特徴とする疾患状態判定装置。
  23. 請求項２２に記載の疾患状態判定装置において、
    前記疾患状態判定手段が、前記座圧分布の分布形状から算出される形状中心位置に基づき、前記座圧分布のデータに対する機械学習により、前記対象者の疾患状態を判定することを特徴とする疾患状態判定装置。
  24. 請求項２２または請求項２３に記載の疾患状態判定装置において、
    前記疾患状態判定手段が、前記車両が走行する道路の曲線の度合いに応じて分別された前記座圧分布のデータに対する機械学習により、前記対象者の疾患状態を判定することを特徴とする疾患状態判定装置。
  25. 座圧分布取得手段が、車両を操作する対象者が座る座面の座圧分布のデータを取得する座圧分布取得ステップと、
    中心位置算出手段が、前記座圧分布に応じて中心位置を算出する中心位置算出ステップと、
    偏り度算出手段が、前記中心位置に基づき前記座圧分布における偏り度を算出する偏り度算出ステップと、
    疾患状態判定手段が、前記偏り度に応じて、前記対象者の疾患状態を判定する疾患状態判定ステップと、
    を含むことを特徴とする疾患状態判定方法。
  26. コンピュータを、
    車両を操作する対象者が座る座面の座圧分布のデータを取得する座圧分布取得手段、
    前記座圧分布に応じて中心位置を算出する中心位置算出手段、
    前記中心位置に基づき前記座圧分布における偏り度を算出する偏り度算出手段、および、
    前記偏り度に応じて、前記対象者の疾患状態を判定する疾患状態判定手段として機能させることを特徴とする疾患状態判定装置用のプログラム。
  27. 車両を操作する対象者が座る座面の座圧分布のデータを収集する端末装置と、前記座圧分布のデータに基づき前記対象者の疾患状態を判定する疾患状態判定装置と、を備えた疾患状態判定システムにおいて、
    前記疾患状態判定装置が、
    前記端末装置から前記座圧分布のデータを取得する座圧分布取得手段と、
    前記座圧分布に応じて中心位置を算出する中心位置算出手段と、
    前記中心位置に基づき前記座圧分布における偏り度を算出する偏り度算出手段と、
    前記偏り度に応じて、前記対象者の疾患状態を判定する疾患状態判定手段と、
    を有することを特徴とする疾患状態判定システム。

JP2021518305A 2019-05-09 2020-02-28 疾患状態判定装置、疾患状態判定方法、疾患状態判定装置用プログラム、および、疾患状態判定システム Active JP7104945B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2019089024 2019-05-09
JP2019089024 2019-05-09
PCT/JP2020/008210 WO2020225969A1 (ja) 2019-05-09 2020-02-28 疾患状態判定装置、疾患状態判定方法、疾患状態判定装置用プログラム、および、疾患状態判定システム

Publications (2)

Publication Number Publication Date
JPWO2020225969A1 JPWO2020225969A1 (ja) 2020-11-12
JP7104945B2 true JP7104945B2 (ja) 2022-07-22

Family

ID=73051348

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2021518305A Active JP7104945B2 (ja) 2019-05-09 2020-02-28 疾患状態判定装置、疾患状態判定方法、疾患状態判定装置用プログラム、および、疾患状態判定システム

Country Status (3)

Country Link
US (1) US20220218287A1 (ja)
JP (1) JP7104945B2 (ja)
WO (1) WO2020225969A1 (ja)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015168339A (ja) 2014-03-07 2015-09-28 公益財団法人鉄道総合技術研究所 異常状態検出装置及び異常状態検出プログラム
JP2018169656A (ja) 2017-03-29 2018-11-01 いすゞ自動車株式会社 安全運転促進装置及び安全運転促進方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002008159A (ja) * 2000-06-27 2002-01-11 Isuzu Motors Ltd ドライバ状態判定装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015168339A (ja) 2014-03-07 2015-09-28 公益財団法人鉄道総合技術研究所 異常状態検出装置及び異常状態検出プログラム
JP2018169656A (ja) 2017-03-29 2018-11-01 いすゞ自動車株式会社 安全運転促進装置及び安全運転促進方法

Also Published As

Publication number Publication date
US20220218287A1 (en) 2022-07-14
JPWO2020225969A1 (ja) 2020-11-12
WO2020225969A1 (ja) 2020-11-12

Similar Documents

Publication Publication Date Title
JP6694649B2 (ja) 生理状態判定装置、生理状態判定方法、生理状態判定装置用プログラムおよび、生理状態判定システム
US11383721B2 (en) System and method for responding to driver state
US11841232B2 (en) Re-routing autonomous vehicles using dynamic routing and memory management
EP3158392B1 (en) System and method for responding to driver state
Katsis et al. Emotion recognition in car industry
Wei et al. Multi-source information fusion for drowsy driving detection based on wireless sensor networks
CN111986805A (zh) 融合驾驶员大数据的智能网联车辆健康监测系统及方法
Ponnan et al. Driver monitoring and passenger interaction system using wearable device in intelligent vehicle
Chang et al. Real-time physiological and facial monitoring for safe driving
JP7477823B2 (ja) 疾患状態判定装置、疾患状態判定方法、疾患状態判定装置用プログラム、および、疾患状態判定システム
WO2021205865A1 (ja) 疾患状態判定装置、疾患状態判定方法、疾患状態判定装置用プログラム、および、疾患状態判定システム
JP7104945B2 (ja) 疾患状態判定装置、疾患状態判定方法、疾患状態判定装置用プログラム、および、疾患状態判定システム
Grifantini Self driving and self diagnosing: with emerging technology, your car may soon serve not only as personal chauffeur and entertainment center but as a health advisor too
Hassan et al. Sigmoid wake probability model for high-resolution detection of drowsiness using electroencephalogram
Ziyad et al. Emergency rapid response to epileptic seizures-a novel IOT framework for smart cities
CN115177255A (zh) 一种疲劳驾驶监测预警方法及系统
KR20240008151A (ko) 스마트 밴드를 이용한 운전자 졸음 감시 시스템
CN117775006A (zh) 基于人因智能的车辆驾驶行为预测方法及装置
Traoré et al. Authentication Using Biometrics: Data, Models, and Metrics

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20211115

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A821

Effective date: 20211116

AA64 Notification of invalidation of claim of internal priority (with term)

Free format text: JAPANESE INTERMEDIATE CODE: A241764

Effective date: 20220207

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220209

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: 20220610

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20220630

R150 Certificate of patent or registration of utility model

Ref document number: 7104945

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