JP7207525B2 - 生理状態制御装置、制御対象機器の作動方法、生理状態特性表示方法およびプログラム - Google Patents
生理状態制御装置、制御対象機器の作動方法、生理状態特性表示方法およびプログラム Download PDFInfo
- Publication number
- JP7207525B2 JP7207525B2 JP2021513500A JP2021513500A JP7207525B2 JP 7207525 B2 JP7207525 B2 JP 7207525B2 JP 2021513500 A JP2021513500 A JP 2021513500A JP 2021513500 A JP2021513500 A JP 2021513500A JP 7207525 B2 JP7207525 B2 JP 7207525B2
- Authority
- JP
- Japan
- Prior art keywords
- subject
- arousal level
- control
- arousal
- physical quantity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims description 45
- 230000004962 physiological condition Effects 0.000 title claims description 11
- PWPJGUXAGUPAHP-UHFFFAOYSA-N lufenuron Chemical compound C1=C(Cl)C(OC(F)(F)C(C(F)(F)F)F)=CC(Cl)=C1NC(=O)NC(=O)C1=C(F)C=CC=C1F PWPJGUXAGUPAHP-UHFFFAOYSA-N 0.000 title 1
- 238000011017 operating method Methods 0.000 title 1
- 230000037007 arousal Effects 0.000 claims description 401
- 238000004364 calculation method Methods 0.000 claims description 120
- 239000000203 mixture Substances 0.000 claims description 113
- 230000035790 physiological processes and functions Effects 0.000 claims description 60
- 230000007423 decrease Effects 0.000 claims description 19
- 238000012935 Averaging Methods 0.000 claims description 8
- 206010062519 Poor quality sleep Diseases 0.000 description 105
- 239000013598 vector Substances 0.000 description 99
- 238000005457 optimization Methods 0.000 description 71
- 230000008859 change Effects 0.000 description 46
- 230000006870 function Effects 0.000 description 46
- 230000007613 environmental effect Effects 0.000 description 35
- 239000011159 matrix material Substances 0.000 description 23
- 238000012545 processing Methods 0.000 description 20
- 238000004891 communication Methods 0.000 description 18
- 238000012544 monitoring process Methods 0.000 description 17
- 230000008569 process Effects 0.000 description 16
- 206010041349 Somnolence Diseases 0.000 description 15
- 238000004378 air conditioning Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 13
- 238000005259 measurement Methods 0.000 description 11
- 230000036626 alertness Effects 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000012821 model calculation Methods 0.000 description 8
- 208000032140 Sleepiness Diseases 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000013178 mathematical model Methods 0.000 description 4
- 230000037321 sleepiness Effects 0.000 description 4
- 230000002123 temporal effect Effects 0.000 description 4
- 210000000577 adipose tissue Anatomy 0.000 description 3
- 230000037396 body weight Effects 0.000 description 3
- 230000003340 mental effect Effects 0.000 description 3
- 230000036651 mood Effects 0.000 description 3
- 230000036760 body temperature Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 230000000638 stimulation Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000002194 synthesizing effect Effects 0.000 description 2
- YJPIGAIKUZMOQA-UHFFFAOYSA-N Melatonin Natural products COC1=CC=C2N(C(C)=O)C=C(CCN)C2=C1 YJPIGAIKUZMOQA-UHFFFAOYSA-N 0.000 description 1
- 206010034972 Photosensitivity reaction Diseases 0.000 description 1
- 208000010340 Sleep Deprivation Diseases 0.000 description 1
- 238000005282 brightening Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- DRLFMBDRBRZALE-UHFFFAOYSA-N melatonin Chemical compound COC1=CC=C2NC=C(CCNC(C)=O)C2=C1 DRLFMBDRBRZALE-UHFFFAOYSA-N 0.000 description 1
- 229960003987 melatonin Drugs 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 230000036211 photosensitivity Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000028327 secretion Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
- 210000003454 tympanic membrane Anatomy 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
- A61M21/00—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
- A61B2560/02—Operational features
- A61B2560/0242—Operational features adapted to measure environmental factors, e.g. temperature, pollution
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Artificial Intelligence (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychology (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Hospice & Palliative Care (AREA)
- Educational Technology (AREA)
- Developmental Disabilities (AREA)
- Child & Adolescent Psychology (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- Social Psychology (AREA)
- Fuzzy Systems (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Acoustics & Sound (AREA)
- Anesthesiology (AREA)
- Hematology (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Circuit Arrangement For Electric Light Sources In General (AREA)
Description
例えば、特許文献6の気分推定システムは、対象者の心拍数のみに基づいて気分を指標化し、その指標値が予め設定された範囲を逸脱した場合、対象者の複数の生体情報、および、対象者の周囲環境の複数の環境情報に基づいて、対象者の気分を指標化する。
また、以下では、実施形態に係る生理状態制御装置が覚醒度制御装置として構成され、生理状態制御(生理状態の制御)の対象者の覚醒度をより大きくするように(例えば、生理状態制御の対象者の覚醒度の総和を最大化するように)制御を行う場合を例に説明する。
また、生理状態の度合いを示す指標を生理指標と称し、生理指標の値を生理指標値と称する。
あるいは、以下の「覚醒度」を、覚醒度以外の生理指標に読み替え、「覚醒度制御」を、覚醒度制御以外の生理状態制御に読み替えるようにしてもよい。さらに、生理指標値の最小化を目的とする場合は、覚醒度制御で覚醒度の最大化を目的とすることに対する読み替えも行う。例えば、「覚醒度」を疲労度と読み替え、「覚醒度制御」を「疲労度制御」と読み替え、覚醒度を大きくすることを、疲労度を小さくすることと読み替えるようにしてもよい。
[共通の装置構成]
図1は、実施形態に係る覚醒度制御システム1の装置構成の例を示す概略ブロック図である。図1に示す構成で、覚醒度制御システム1は覚醒度制御装置100と、1つ以上の環境制御機器200と、1つ以上の環境測定機器300と、1つ以上の覚醒度推定機器400とを備える。
覚醒度制御の対象者をユーザ、対象ユーザ、または、単に対象者とも称する。
物理量の例として、室温などの空気温度、および、照明機器による照度などの明るさを挙げることができるが、物理量はこれらに限定されない。例えば覚醒度制御システム1が、温度および明るさに加えて、あるいは、温度および明るさに代えて、湿気(湿度)、音または振動など、温度や明るさ以外の刺激を対象者に与えるようにし、物理量としてこれらの大きさを用いるようにしてもよい。
例えば、覚醒度制御システム1が時間帯によって、覚醒度を向上させるための制御と、覚醒度を低下させるための制御とを切り替えて実行するようにしてもよい。または、対象者の覚醒度が低下することが予測される場合に、覚醒度制御システム1は、対象者の覚醒度が低下しないよう(すなわち、対象者が、うとうとしないよう)に制御してもよい。または、対象者の覚醒度が向上することが予測される場合に、覚醒度制御システム1は、対象者の覚醒度が向上しないように(すなわち、対象者が覚醒しないように)制御してもよい。
覚醒度制御装置100は、例えばパソコン(Personal Computer;PC)またはワークステーション(Work Station)等のコンピュータを用いて構成される。
環境制御機器200は、制御対象機器の例に該当し、上記のように覚醒度制御装置100によって制御される。
環境制御機器200が空調機器である場合、機器設定値として設定温度を用いることができる。環境制御機器200が照明機器である場合、機器設定値として照明出力(例えば光度、照度、電流値、電力値など)を用いることができる。以下では、照明機器の機器設定値として照度を用いる場合を例に説明するが、照明機器の機器設定値はこれに限定されない。
制御対象の生理状態が覚醒度以外の生理状態である場合、実施形態に係る生理状態制御システムは、覚醒度推定機器に代えて、制御対象の生理状態の生理指標値を測定または算出可能な機器を備える。
次に、覚醒度制御装置100の機能構成を説明する。
図2は、覚醒度制御装置100の機能構成の例を示す概略ブロック図である。図2に示す構成で、覚醒度制御装置100は、通信部110と、表示部120と、記憶部170と、制御部180とを備える。制御部180は、監視制御部181と、第1取得部182と、第2取得部183と、設定値算出部184とを備える。設定値算出部184は、物理量予測モデル演算部185と、覚醒度予測モデル演算部186と、混合比率算出部187と、覚醒度予測モデル生成部188(覚醒度予測モデル生成手段)とを備える。
記憶部170は、各種情報を記憶する。記憶部170は、覚醒度制御装置100が備える記憶デバイスを用いて構成される。
記憶部170は、物理量予測モデル171と、サブモデル172と、覚醒度予測モデル生成部188が生成する覚醒度予測モデル173とを備える。
より具体的には、物理量予測モデル171は、環境測定機器300が測定する物理量の測定値と、環境制御機器200に設定されている物理量の設定値とに基づいて、所定時間が経過したときの物理量の予測値を算出する。
この場合の所定時間は、一定の時間に固定されていてもよいし、モデルパラメータとして可変になっていてもよい。ここでいうモデルパラメータは、物理量予測モデル171の設定パラメータである。モデルパラメータの値をモデルパラメータ値と称する。
混合比率算出部187が、複数のサブモデル172を混合(合成)する割合である混合比率を算出し、覚醒度予測モデル生成部188が、複数のサブモデル172を混合比率に応じて混合することで、覚醒度予測モデル173を生成する。
記憶部170が記憶するサブモデル172の個数は複数であればよく、サブモデル172の個数は特定の個数に限定されない。
第1実施形態~第4実施形態では、記憶部170が、対象者毎ではなく、全対象者を全対象者の平均に相当する仮想的な対象者1人に縮約した、1つの覚醒度予測モデル173を記憶する場合の例について説明する。
監視制御部181は、通信部110を介して環境制御機器200と通信を行う。環境制御機器200との通信で、監視制御部181は、環境制御機器200に設定されている機器設定値を取得する。また、監視制御部181は、環境制御機器200との通信で、環境制御機器200の機器設定値を更新する。例えば、監視制御部181は、定周期毎に環境制御機器200と通信を行い、通信で取得した機器設定値を取得時(受信時)のタイムスタンプと共に保存する。ここでいう保存は、例えば、記憶部170に記憶させることである。
監視制御部181は、設定値算出部184が算出した機器設定値を環境制御機器200に設定する。
このタイムスタンプは、覚醒度推定機器400による覚醒度の推定時を示しているとみなすことができる。
対象者の覚醒度の推定値を、覚醒度推定値とも称する。
設定値算出部184が解く最適化問題を、覚醒度最適化問題(覚醒度最適化モデル)と称する。覚醒度最適化問題は、数理モデルとして構成される。
覚醒度予測モデル演算部186は、記憶部170から覚醒度予測モデル173を読み出して実行する。従って、覚醒度予測モデル演算部186が、覚醒度予測モデル173を用いて覚醒度の予測を実行する。
表示部120の表示を参照することで、対象者の覚醒度が、温度および照度のうち何れに影響され易いかといった対象者の特性を把握することができる。例えば、空調機器および照明機器の自動制御を行わずに人手で設定する運用の場合、設定者は、表示部120の表示を参考にして、対象者が眠くなりにくい設定を行うことができる。また、覚醒度制御装置100が環境制御機器200の制御を行う場合、表示部120の表示を参照することで、覚醒度制御装置100による覚醒度制御の有効性を確認することができる。
覚醒度特性表示装置が、環境制御機器200の制御を行う機能を有していなくてもよい。例えば上記のように、空調機器および照明機器の自動制御を行わずに人手で設定する運用の場合、覚醒度特性表示装置が、環境制御機器200の制御を行わない表示専用の機器として構成されていてもよい。
また、覚醒度制御装置100にとって、覚醒度の増減に関する物理量の影響度合いを表示し、対象者毎に混合比率を表示する機能は必須ではない。例えば、覚醒度制御装置100が、表示部120を備えていない構成となっていてもよい。
次に、設定値算出部184が機器設定値の算出に用いる覚醒度最適化モデル(最適化問題)の例について説明する。設定値算出部184は、この覚醒度最適化モデルに対して数理最適化計算を実行することで、機器設定値を算出する。
(決定変数)
Tt set :時間ステップtにおける空調温度設定値
Lt set :時間ステップtにおける照明出力設定値
決定変数は、最適化演算で設定値算出部184が値を算出する変数である。ここで説明する例の場合、設定値算出部184は、空調機器である環境制御機器200に設定する温度、および、照明機器である環境制御機器200に設定する照度を、最適化問題を解くことで算出する。
AΔ :覚醒度の変化量予測値の、対象者および時間ステップでの平均値
Ai Δ :対象者iの覚醒度の変化量予測値の、時間ステップでの平均値
Ai,t Δ :時間ステップtにおける対象者iの覚醒度の変化量予測値
Tt :時間ステップtにおける温度予測値
Tt Δ :時間ステップtにおける、温度の時間変化量の予測値
Lt :時間ステップtにおける照度予測値
Lt Δ :時間ステップtにおける、照度の時間変化量の予測値
T :時間ステップのインデックスの集合
N :対象者のインデックスの集合
Tmin :空調温度設定値の下限値
Tmax :空調温度設定値の上限値
Lmin :照明出力度設定値の下限値
Lmax :照明出力設定値の上限値
Δτ :時間ステップ幅
fA :覚醒度変化量予測関数(覚醒度予測モデル)
fT :温度予測関数(物理量予測モデルの1つ)
fL :照度予測関数(物理量予測モデルの1つ)
(インデックス)
t :時間ステップのインデックス
i :対象者のインデックス
第1実施形態~第4実施形態では、対象者全員の平均的な覚醒度予測モデルを解く場合の例を示す。対象者全員の平均的な覚醒度予測モデルを最適化計算の実行前に求めておくことで、対象者の人数に対するスケーラビリティを得られる。
Tt Δ(時間ステップtにおける、温度の時間変化量の予測値)は、式(9)のように示される。
覚醒度最適化モデルの計算方法は、特定の方法に限定されず、公知のいろいろな最適化計算アルゴリズムを用いることができる。
時間ステップ幅Δτの値は、例えば、15~30分の範囲内にある適当な値とする。覚醒度予測モデルの予測精度や覚醒効果などの観点から、時間ステップ幅Δτの値は15分が好適である。
時間ステップインデックス集合Tは、予測ホライズンに相当する。時間変化による環境変化の刺激(温冷熱刺激など)を考慮するためには時間ステップ数を2以上とする必要がある。計算量と計算時間とのバランスから時間ステップ数は3または4が好適である。
図3は、設定値算出部184が機器設定値を算出して環境制御機器200に設定する処理の手順の例を示すフローチャートである。図3では、設定値算出部184が覚醒度推定値を用いずに機器設定値を算出する場合の例を示している。
一方、機器設定値を算出する処理の実行タイミングが到来したと判定した場合(ステップS100:Yes)、設定値算出部184は、監視制御部181から機器設定値を取得する(ステップS110)。
設定値算出部184は、得られた機器設定値を監視制御部181へ出力する(ステップS140)。監視制御部181は、設定値算出部184から得られた機器設定値を、通信部110を介して環境制御機器200へ送信することで、その機器設定値を環境制御機器200に設定する。
ステップS140の後、設定値算出部184は、図3の処理を終了する。
次に、覚醒度予測モデルについて説明する。覚醒度制御装置100は、周囲環境が覚醒度制御の対象者に及ぼす影響の度合いの個人差および心身状態による違いを反映する覚醒度予測モデルを用いる。これにより、覚醒度制御装置100は、周囲環境が覚醒度制御の対象者に及ぼす影響の度合いの個人差および心身状態による違いを覚醒度制御に反映させる。
対象者の覚醒度の変化の仕方は個人差やその対象者の心身状態によって異なる。覚醒効果を十分にまたは所望通りに得るために、個人差を覚醒度制御に反映させられることが好ましく、さらには、心身状態を覚醒度制御に反映させられることが好ましい。
また、同一の対象者についても、睡眠の不足、疲労、食後、集中、散漫などの心身状態によって環境変化による覚醒度の変化の仕方が異なることが知られている。
まず、覚醒度最適化モデルの最適化計算において、対象者毎に複雑な非線形関数の評価を繰り返し行う必要があることから、対象者の人数の増加に対して計算量が増加する。このように、対象者の人数に対するスケーラビリティがないという問題がある。
また、複雑な非線形関数の最適化計算では、一般的に、大域的な最適解への収束速度が遅いことから良好な解を得るために長大な計算時間を要する問題がある。
また、覚醒度予測モデル173が線形であることで、覚醒度予測モデル生成部188は、複数の対象者の覚醒度予測モデル173を平均化した、複数の対象者に共用の覚醒度予測モデル173を生成することができる。これにより、覚醒度制御装置100では、対象者の人数に対するスケーラビリティを確保できる。
(変数)
A :覚醒度予測値の、対象者および時間ステップでの平均値
Ai :対象者iの覚醒度予測値の、時間ステップでの平均値
A*,t :時間ステップtにおける覚醒度予測値の、対象者での平均値
Ai,t :時間ステップtにおける対象者iの覚醒度予測値
Ut :時間ステップtにおける物理量予測値のベクトル表記
Utは、覚醒度最適化モデルを行列で表記するために物理量の予測値(Tt、Tt Δ、LtおよびLt Δ)をベクトル表記するものであり、式(11)のように示される。
式(11)において、物理量予測値ベクトルUtは、各物理量予測値(Tt、Tt Δ、LtおよびLt Δ)と定数1とを要素とする拡大入力ベクトルと定義されている。ここでいう拡大入力ベクトルは、対象者の覚醒度に影響を与える入力要素である物理量の予測値に単位元となる定数1を要素に追加してベクトル表記したものである。
以下では、単に拡大入力ベクトルと言えば、物理量予測値ベクトルUtを意味するものとする。
物理量予測値ベクトルUtは、サブモデル172への入力の例、および、覚醒度予測モデル173への入力の例に該当する。
wi (s) :対象者i、サブモデルsの混合比率
後述するように、「s」はサブモデルのインデックスであり、複数のサブモデル172のそれぞれを識別するために用いられる識別番号である。インデックスsで識別されるサブモデル172をサブモデルsと表記する。
wi (s)は、対象者毎かつサブモデル172毎の混合比率を示す。
混合比率算出部187が、式(12)のように、対象者毎かつサブモデル172毎の混合比率wi (s)を0以上1以下の範囲で算出するようにしてもよい。
wiは、対象者毎かつサブモデル172毎の混合比率wi (s)を対象者1人分についてベクトル(列ベクトル)に纏めたものであり、式(14)のように示される。
混合比率算出部187が、式(15)を満たすように、wiの要素(対象者毎かつサブモデル172毎の混合比率wi (s))の各々の値を算出するようにしてもよい。
M個のサブモデル172全てを1つの行列に纏めたもの(後述する入力係数行列θ)にwiを乗算する(θwi)ことで、サブモデル172を重み付け平均して対象者iの覚醒度予測モデル173(後述する対象者iの入力係数ベクトルθi)を得られる。
wiは、式(16)のようにも表される。
サブモデル混合比率出力関数gは事前に学習によって決定されている。サブモデル混合比率出力関数gによって、各サブモデル(入力係数ベクトルθ(s)で表される線形モデル)の混合比率を算出する。
w(s)は、式(17)のように示される。
wは、式(18)のように示される。
上記のように、入力係数行列θにwiを乗算する(θwi)ことで、対象者iの覚醒度予測モデル173を得られる。これに対し、入力係数行列θに混合比率対象者平均ベクトルwを乗算する(θw)ことで、全ての対象者の覚醒度予測モデル173を平均した覚醒度予測モデル173(後述する入力係数対象者平均ベクトルθavg)を得られる。
入力係数は、覚醒度予測値または覚醒度予測値の変化量を求めるために、物理量予測値に乗算される係数であり、各物理量と覚醒度との相関関係を示す。
ここで、上記のように物理量予測値ベクトルUtは、サブモデル172への入力の例に該当する。この物理量予測値ベクトルUtの要素毎の入力係数を纏めたベクトルは、サブモデル172の例に該当する。これらのベクトル積によって、サブモデル172に応じた覚醒度を算出できる。
θ(s)は、物理量予測値ベクトルUtの各要素である物理量予測値に対する入力係数を纏めてベクトル表記したものであり、式(19)のように示される。
θ :入力係数行列
入力係数行列θは、各サブモデルに相当するθ(s)(サブモデルsの入力係数ベクトル)を纏めてベクトル表記したものであり、式(20)のように示される。
θavg :入力係数対象者平均ベクトル
θavgは、式(21)のように示される。
対象者iの入力係数ベクトルθiは、物理量予測値ベクトルUtに対する対象者iについての覚醒度への影響度合いを示すベクトルである。
θiは、式(22)のように示される。
対象者iのヒストリベクトルは、対象者iの過去の覚醒度とそのときの物理量とを要素に持つベクトルである。
対象者iのヒストリベクトルφiは、式(23)のように示される。
式(23)の温度の項(T)の下付のiは、例えば空調機器が複数あるなど対象者によって温度を使い分ける場合に対応するものである。全ての対象者に共通の温度を用いる場合は、このiは不要である。同様に、明るさの項(L)の下付のiは、例えば照明機器が複数あるなど対象者によって明るさを使い分ける場合に対応するものである。全ての対象者に共通の明るさを用いる場合は、このiは不要である。
W :時間ステップ数
t0 :ヒストリ起点時間ステップ
tw :ヒストリ時間ウィンドウサイズ
ヒストリ起点時間ステップt0およびヒストリ時間ウィンドウサイズtwは、ヒストリベクトルφiにデータが含まれる時間ステップを示す。時間ステップt0から時間ステップ(t0-tw)までのデータが、ヒストリベクトルφiに含まれる。
ここでいう自己回帰係数は、覚醒度の自己回帰係数である。覚醒度予測モデル173の説明変数に覚醒度が含まれる場合、対象者iの覚醒度予測モデル173は、対象者iの自己回帰係数γiを用いて式(24)のように示される。
γ(s) :サブモデルsの自己回帰係数
γ :サブモデル自己回帰係数ベクトル
サブモデル自己回帰係数ベクトルγは、式(25)のように示される。
対象者iの修正初期覚醒度Λiは、式(27)のように示される。
修正初期覚醒度対象者平均Λは、式(28)のように示される。
対象者i、時間ステップtの修正入力係数ベクトルλi,tは、式(29)のように示される。
時間ステップtの修正入力係数対象者平均ベクトルλtは式(30)のように示される。
g :サブモデル混合比率出力関数(ベクトル関数)
XT :ベクトルXの転置ベクトル,または,行列Xの転置行列
||x||1 :ベクトルxのL1ノルム(ベクトルの要素の絶対値の和)(インデックス)
s :サブモデルのインデックス(s=1,2,・・・,M)
j :入力係数のインデックス
第1実施形態では、覚醒度最適化モデルの目的関数に、AΔ(覚醒度の変化量予測値の、対象者および時間ステップでの平均値)を用いる場合、かつ、覚醒度予測モデルの説明変数に覚醒度が含まれない場合の例について説明する。
この場合、覚醒度最適化モデルの目的関数は、上記の式(1)のように示される。
設定値算出部184は、覚醒度最適化モデルの演算を行う際(すなわち、最適化問題を解く際)、最大化の対象であるAΔを、入力係数対象者平均ベクトルθavgを用いて、式(31)によって求める。
ここで、AΔの他の算出方法として、対象者iおよび時間ステップtにおける覚醒度の変化量Ai,t Δの平均を、対象者および時間ステップについてとるようにしてもよい。対象者iおよび時間ステップtにおける覚醒度の変化量Ai,t Δは、式(33)のように示される。
このように、第1実施形態では、全ての対象者の覚醒度予測モデルの平均に相当するθavgを用いて、個人差および心身状態の違いによる覚醒度の違いを制御に反映させることができ、かつ、最適化計算の計算量を実質的に対象者1人分に抑えることができる。
第2実施形態では、覚醒度最適化モデルの目的関数に、A(覚醒度の予測値の、対象者および時間ステップでの平均値)を用いる場合、かつ、覚醒度予測モデルの説明変数に覚醒度が含まれない場合の例について説明する。
この場合、設定値算出部184は、覚醒度最適化モデルの目的関数として、上記の式(1)に代えて式(34)を用いる。
設定値算出部184は、覚醒度最適化モデルの演算を行う際、最大化の対象であるAを、入力係数対象者平均ベクトルθavgを用いて、式(35)によって求める。
最大化の対象が、覚醒度の変化量AΔではなく覚醒度Aである点は、学習によって異なるθの値を設定することで変更に対応可能である。θの各要素の値を、物理量(Utの要素)と覚醒度との相関関係を反映した値とすることで、線形回帰式の式(32)で覚醒度を算出することができる。この場合も、θavgは覚醒度予測モデルの例に該当する。θの各要素はサブモデルの例に該当し、wは混合比率の例に該当する。
ここで、Aの他の算出方法として、対象者iおよび時間ステップtにおける覚醒度Ai,tの平均を、対象者および時間ステップについてとるようにしてもよい。対象者iおよび時間ステップtにおける覚醒度Ai,tは、式(36)のように示される。
具体的には、最適化計算の実行前に覚醒度予測モデル生成部188が入力係数対象者平均ベクトルθavgを1度だけ計算しておくことで、最適化計算において個々の対象者の覚醒度予測モデル(対象者iの入力係数ベクトルθi)の計算を行う必要がない。最適化計算では、設定値算出部184は、θavgを用いて覚醒度を算出すればよく、他の覚醒度予測モデルの計算を行う必要はない。設定値算出部184は、いわば、θavgに対応する仮想的な1人の対象者の覚醒度を算出すればよく、最適化計算の計算量を実質的に対象者1人分に抑えられる。
このように、第2実施形態では、全ての対象者の覚醒度予測モデルの平均に相当するθavgを用いて、個人差および心身状態の違いによる覚醒度の違いを制御に反映させることができ、かつ、最適化計算の計算量を実質的に対象者1人分に抑えることができる。
第3実施形態では、覚醒度最適化モデルの目的関数に、AΔ(覚醒度の変化量予測値の、対象者および時間ステップでの平均値)を用いる場合、かつ、覚醒度予測モデルの説明変数に覚醒度が含まれる場合の例について説明する。
覚醒度予測モデルの説明変数に覚醒度が含まれる場合、覚醒度予測モデルは式(37)のように示される。
また、式(43)は、修正初期覚醒度対象者平均Λと修正入力係数対象者平均ベクトルλtに対応する各対象者の平均に相当する仮想の対象者1人に対して最適化計算を行えばよいことを示している。したがって、最適化計算の計算量を実質的に対象者1人分に抑えられる。
第4実施形態では、覚醒度最適化モデルの目的関数に、A(覚醒度の予測値の、対象者および時間ステップでの平均値)を用いる場合、かつ、覚醒度予測モデルの説明変数に覚醒度が含まれる場合の例について説明する。
この場合、覚醒度最適化モデルの目的関数は、第2実施形態の場合と同様、上記の式(34)のように示される。式(34)の「A」は、式(44)のように変形できる。
図4の例では、物理量は温度と照度との2つになっており、また、サブモデル172の個数は2個となっている。
図4の処理で、設定値算出部184は、過去の覚醒度と物理量の履歴情報であるヒストリベクトルφiを取得する(ステップS210)。
ステップS230の後、覚醒度制御装置100は、図4の処理を終了する。
第5実施形態では、表示部120による対象者の覚醒度の特性に関する表示について説明する。第5実施形態によれば、管理者や対象者自身に、在室する対象者の覚醒度の特性に関する情報を提供できる。
入力係数行列θは、サブモデル毎の周辺環境の物理量に対する覚醒度の変化の度合いを示す。表示部120は、入力係数行列θを表形式で示している。この入力係数行列θの表では、「物理量」欄と、「サブモデル1」欄と、「サブモデル2」欄とがあり、温度および照度のそれぞれの物理量について、かつ、サブモデル毎に、覚醒度の変化の度合いを示す実数値が、「High」、「Middle」、「Low」の3段階などのレベルの表示に置き換えて示されている。
これにより、表示部120が実数値をそのまま表示する場合よりも、表示を見る人(管理者または対象者等)が覚醒度の変化の度合いを容易に理解できることが期待される。あるいは、表示部120が実数値をそのまま表示するようにしてもよい。
サブモデル混合比率ベクトルwiは、サブモデル172の各々が対象者の覚醒度の特性にどの程度適合しているかを示す。表示部120は、サブモデル混合比率ベクトルwiを表形式で示している。このサブモデル混合比率ベクトルwiの表では、「対象者」欄と、「サブモデル1」欄と、「サブモデル2」欄とがあり、対象者毎にサブモデル1、サブモデル2それぞれの混合比率が示されている。混合比率が大きいほど、そのサブモデルが適合しているといえる。
図5の例の場合と同様、表示部120が、サブモデル混合比率ベクトルwiの実数値を「High」、「Middle」、「Low」の3段階などのレベルの表示に置き換えて示すようにしてもよい。
これにより、覚醒度制御装置100は、物理量と覚醒度との相関関係を解析して覚醒度予測モデルを生成することができる。また、覚醒度制御装置100は、覚醒度制御の対象となる環境に応じていろいろな物理量を用いて覚醒度制御を行い得る。
これにより、覚醒度予測モデル生成部188は、比較的計算量が少ない線形結合で覚醒度予測モデルを生成することができ、この点で覚醒度予測モデル生成部188の負荷が軽くて済む。
これにより、設定値算出部184は、最適化計算を行う際に、平均化覚醒度予測モデルを用いて覚醒度の計算を行えばよく、対象者それぞれの覚醒度予測モデルを用いる必要がない。覚醒度制御装置100は、この点で、対象者の人数に対するスケーラビリティを確保できる。
これにより、表示を参照する人(例えば、管理者または対象者)は、対象者の覚醒度の特性を把握することができ、対象者の覚醒度の特性を覚醒度の制御に反映させることができる。
これにより、覚醒度制御装置100は、物理量と覚醒度との相関関係を解析して覚醒度予測モデルを生成することができる。また、覚醒度制御装置100は、覚醒度制御の対象となる環境に応じていろいろな物理量を用いて覚醒度制御を行い得る。
あるいは、サブモデルは線形モデルで構成され、覚醒度予測モデルが、ルールベースのモデルになっていてもよい。例えば、覚醒度予測モデルが、20℃など所定の温度以上のときと、所定の温度未満のときとで、異なる混合比率でサブモデルを合成するようにしてもよい。これによって、より複雑なモデルを構成することができ、かつ、線形区間毎に線形性による効果を得られる。
かかる構成で、混合比率算出部11は、対象者が位置する空間における物理量を入力として覚醒度の予測値を出力する複数のサブモデルそれぞれの混合比率を、対象者の特性データに基づいて算出する。覚醒度予測モデル生成部12は、混合比率とサブモデルとに基づいて対象者に関する覚醒度予測モデルを生成する。機器制御部13は、覚醒度予測モデルを用いて、物理量に影響を及ぼす制御対象機器を制御する。
覚醒度制御装置10によれば、対象者が位置する空間(対象者の周囲環境)における物理量が覚醒度制御の対象者に及ぼす影響の度合いの個人差および心身状態による違いを、覚醒度予測モデルに反映させることができる。これにより、覚醒度制御装置10によれば、対象者が位置する空間(対象者の周囲環境)における物理量が覚醒度制御の対象者に及ぼす影響の度合いの個人差および心身状態による違いを、覚醒度制御に反映させることができる。
かかる構成で、混合比率算出部21は、対象者が位置する空間における物理量を入力として覚醒度の予測値を出力する複数のサブモデルそれぞれの混合比率を、対象者の特性データに基づいて算出する。表示部22は、前記サブモデル毎に前記覚醒度の増減に関する前記物理量の影響度合いを表示し、前記対象者毎に前記混合比率を表示する。
これにより、表示を参照する人(例えば、管理者または対象者)は、対象者の覚醒度の特性を把握することができ、対象者の覚醒度の特性を覚醒度の制御に反映させることができる。
図9の処理では、対象者が位置する空間における物理量を入力として覚醒度の予測値を出力する複数のサブモデルそれぞれの混合比率を、対象者の特性データに基づいて算出し(ステップS11)、混合比率とサブモデルとに基づいて対象者に関する覚醒度予測モデルを生成し(ステップS12)、覚醒度予測モデルを用いて、物理量に影響を及ぼす制御対象機器を制御する(ステップS13)。
図10の処理では、対象者が位置する空間における物理量を入力として覚醒度の予測値を出力する複数のサブモデルそれぞれの混合比率を、対象者の特性データに基づいて算出し(ステップS21)、サブモデル毎に覚醒度の増減に関する物理量の影響度合いを表示し、対象者毎に混合比率を表示する(ステップS22)。
これにより、表示を参照する人(例えば、管理者または対象者)は、対象者の覚醒度の特性を把握することができ、対象者の覚醒度の特性を覚醒度の制御に反映させることができる。
この場合、プログラムは、様々なタイプのコンピュータ可読媒体(コンピュータ読み取り可能な記録媒体)、例えば、非一時的なコンピュータ可読媒体(non-transitory computer readable medium)を用いて格納され、コンピュータに供給することができる。非一時的なコンピュータ可読媒体は、様々なタイプの実体のある記録媒体(tangible storage medium)を含む。非一時的なコンピュータ可読媒体の例は、磁気記録媒体(例えばフレキシブルディスク、磁気テープ、ハードディスクドライブ)、光磁気記録媒体(例えば光磁気ディスク)、CD-ROM(Read Only Memory)、CD-R、CD-R/W、DVD(Digital Versatile Disc)、BD(Blu-ray(登録商標) Disc)、半導体メモリ(例えば、マスクROM、PROM(Programmable ROM)、EPROM(Erasable PROM)、フラッシュROM、RAM(Random Access Memory))を含む。
10、100 覚醒度制御装置
11、21、187 混合比率算出部
12、188 覚醒度予測モデル生成部
13 機器制御部
20 覚醒度特性表示装置
22 表示部
110 通信部
120 表示部
170 記憶部
171 物理量予測モデル
172 サブモデル
173 覚醒度予測モデル
180 制御部
181 監視制御部
182 第1取得部
183 第2取得部
184 設定値算出部
185 物理量予測モデル演算部
186 覚醒度予測モデル演算部
200 環境制御機器
300 環境測定機器
400 覚醒度推定機器
Claims (10)
- 対象者が位置する空間における物理量を入力として覚醒度の予測値を出力する複数のサブモデルそれぞれの混合比率を、前記対象者の特性データに基づいて算出する混合比率算出手段と、
前記混合比率と前記サブモデルとに基づいて前記対象者に関する覚醒度予測モデルを生成する生理状態予測モデル生成手段と、
時間帯によって、前記対象者の覚醒度を向上させるための制御と、前記対象者の覚醒度を低下させるための制御とを切り替え、前記覚醒度予測モデルを用いて、前記物理量に影響を及ぼす制御対象機器を制御することで前記対象者の覚醒度を制御する機器制御手段と、
を備える生理状態制御装置。 - 前記特性データは、前記物理量と前記覚醒度の推定値との履歴データである
請求項1に記載の生理状態制御装置。 - 前記生理状態予測モデル生成手段は、前記複数のサブモデルについて、前記混合比率を重み係数とする加重平均をとることで前記覚醒度予測モデルを生成する
請求項1または2に記載の生理状態制御装置。 - 前記生理状態予測モデル生成手段は、複数の対象者の覚醒度予測モデルを平均化した平均化覚醒度予測モデルを生成し、
前記機器制御手段は、前記平均化覚醒度予測モデルを用いて、前記制御対象機器を制御する
請求項1から3の何れか一項に記載の生理状態制御装置。 - 前記サブモデル毎に覚醒度の増減に関する前記物理量の影響度合いを表示し、前記対象者毎に、前記複数のサブモデルそれぞれの混合比率を表示する表示手段
をさらに備える、請求項1から4の何れか一項に記載の生理状態制御装置。 - 対象者が位置する空間における物理量を入力として覚醒度の予測値を出力する複数のサブモデルそれぞれの混合比率を、前記対象者の特性データに基づいて算出する混合比率算出手段と、
前記混合比率と前記サブモデルとに基づいて前記対象者に関する覚醒度予測モデルを生成する生理状態予測モデル生成手段と、
時間帯によって、前記対象者の覚醒度を向上させるための制御と、前記対象者の覚醒度を低下させるための制御とを切り替え、前記覚醒度予測モデルを用いて、前記物理量に影響を及ぼす制御対象機器を制御することで前記対象者の覚醒度を制御する機器制御手段と、
前記サブモデル毎に覚醒度の増減に関する前記物理量の影響度合いを表示し、前記対象者毎に前記混合比率を表示する表示手段と、
を備える生理状態制御装置。 - コンピュータが、
対象者が位置する空間における物理量を入力として覚醒度の予測値を出力する複数のサブモデルそれぞれの混合比率を、前記対象者の特性データに基づいて算出し、
前記混合比率と前記サブモデルとに基づいて前記対象者に関する覚醒度予測モデルを生成し、
時間帯によって、前記対象者の覚醒度を向上させるための制御と、前記対象者の覚醒度を低下させるための制御とを切り替え、前記覚醒度予測モデルを用いて、前記物理量に影響を及ぼす制御対象機器を制御する、
制御対象機器の作動方法。 - コンピュータが、
対象者が位置する空間における物理量を入力として覚醒度の予測値を出力する複数のサブモデルそれぞれの混合比率を、前記対象者の特性データに基づいて算出し、
前記混合比率と前記サブモデルとに基づいて前記対象者に関する覚醒度予測モデルを生成し、
時間帯によって、前記対象者の覚醒度を向上させるための制御と、前記対象者の覚醒度を低下させるための制御とを切り替え、前記覚醒度予測モデルを用いて、前記物理量に影響を及ぼす制御対象機器を制御し、
前記サブモデル毎に覚醒度の増減に関する前記物理量の影響度合いを表示し、
前記対象者毎に前記混合比率を表示する
生理状態特性表示方法。 - コンピュータに、
対象者が位置する空間における物理量を入力として覚醒度の予測値を出力する複数のサブモデルそれぞれの混合比率を、前記対象者の特性データに基づいて算出する工程と、
前記混合比率と前記サブモデルとに基づいて前記対象者に関する覚醒度予測モデルを生成する工程と、
時間帯によって、前記対象者の覚醒度を向上させるための制御と、前記対象者の覚醒度を低下させるための制御とを切り替え、前記覚醒度予測モデルを用いて、前記物理量に影響を及ぼす制御対象機器を制御することで前記対象者の覚醒度を制御する工程と、
を実行させるためのプログラム。 - コンピュータに、
対象者が位置する空間における物理量を入力として覚醒度の予測値を出力する複数のサブモデルそれぞれの混合比率を、前記対象者の特性データに基づいて算出する工程と、
前記混合比率と前記サブモデルとに基づいて前記対象者に関する覚醒度予測モデルを生成する工程と、
時間帯によって、前記対象者の覚醒度を向上させるための制御と、前記対象者の覚醒度を低下させるための制御とを切り替え、前記覚醒度予測モデルを用いて、前記物理量に影響を及ぼす制御対象機器を制御することで前記対象者の覚醒度を制御する工程と、
前記サブモデル毎に覚醒度の増減に関する前記物理量の影響度合いを表示し、前記対象者毎に前記混合比率を表示する工程と、
を実行させるためのプログラム。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019075056 | 2019-04-10 | ||
JP2019075056 | 2019-04-10 | ||
PCT/JP2020/005454 WO2020208933A1 (ja) | 2019-04-10 | 2020-02-13 | 生理状態制御装置、生理状態特性表示装置、生理状態制御方法、生理状態特性表示方法およびプログラムを記録したコンピュータ読み取り可能な記録媒体 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2020208933A1 JPWO2020208933A1 (ja) | 2021-12-02 |
JP7207525B2 true JP7207525B2 (ja) | 2023-01-18 |
Family
ID=72750538
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021513500A Active JP7207525B2 (ja) | 2019-04-10 | 2020-02-13 | 生理状態制御装置、制御対象機器の作動方法、生理状態特性表示方法およびプログラム |
Country Status (3)
Country | Link |
---|---|
US (1) | US20220167894A1 (ja) |
JP (1) | JP7207525B2 (ja) |
WO (1) | WO2020208933A1 (ja) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016045799A (ja) | 2014-08-25 | 2016-04-04 | 富士電機株式会社 | 予測モデル生成装置、予測モデル生成方法及びプログラム |
JP2017127616A (ja) | 2015-07-22 | 2017-07-27 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカPanasonic Intellectual Property Corporation of America | 覚醒度予測方法および覚醒度予測装置 |
US20180271455A1 (en) | 2017-03-24 | 2018-09-27 | Medtronic Minimed, Inc. | Patient-specific glucose prediction systems and methods |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2854360B2 (ja) * | 1990-01-31 | 1999-02-03 | 株式会社日立製作所 | 室内環境制御装置 |
WO2008003148A1 (en) * | 2006-07-06 | 2008-01-10 | Biorics Nv | Real-time monitoring and control of physical and arousal status of individual organisms |
US20120329020A1 (en) * | 2011-02-25 | 2012-12-27 | Pulsar Informatics, Inc. | Systems and methods for presonalized fatigue education and risk management |
JP2015222126A (ja) * | 2014-05-22 | 2015-12-10 | 日本電気株式会社 | 空調制御装置 |
US10123729B2 (en) * | 2014-06-13 | 2018-11-13 | Nanthealth, Inc. | Alarm fatigue management systems and methods |
JP6455311B2 (ja) * | 2015-05-20 | 2019-01-23 | 株式会社デンソー | 全館空調システム |
JP2018032243A (ja) * | 2016-08-25 | 2018-03-01 | 三菱電機ビルテクノサービス株式会社 | 情報処理装置及びプログラム |
US10794604B2 (en) * | 2017-01-13 | 2020-10-06 | Honeywell International Inc. | Building comfort control devices, methods, and systems |
-
2020
- 2020-02-13 WO PCT/JP2020/005454 patent/WO2020208933A1/ja active Application Filing
- 2020-02-13 JP JP2021513500A patent/JP7207525B2/ja active Active
- 2020-02-13 US US17/601,752 patent/US20220167894A1/en active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016045799A (ja) | 2014-08-25 | 2016-04-04 | 富士電機株式会社 | 予測モデル生成装置、予測モデル生成方法及びプログラム |
JP2017127616A (ja) | 2015-07-22 | 2017-07-27 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカPanasonic Intellectual Property Corporation of America | 覚醒度予測方法および覚醒度予測装置 |
US20180271455A1 (en) | 2017-03-24 | 2018-09-27 | Medtronic Minimed, Inc. | Patient-specific glucose prediction systems and methods |
Also Published As
Publication number | Publication date |
---|---|
JPWO2020208933A1 (ja) | 2021-12-02 |
US20220167894A1 (en) | 2022-06-02 |
WO2020208933A1 (ja) | 2020-10-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Martins et al. | A systematic review of personal thermal comfort models | |
JP6925536B2 (ja) | 動作を制御するシステム及び方法 | |
Kim et al. | Personal comfort models: Predicting individuals' thermal preference using occupant heating and cooling behavior and machine learning | |
Wang et al. | Predicting older people's thermal sensation in building environment through a machine learning approach: Modelling, interpretation, and application | |
JP6897767B2 (ja) | 設定値算出システム、方法およびプログラム | |
US11957489B2 (en) | Temperature control of an environment to achieve occupant comfort based on heart rate variability parameters | |
JP2017062060A (ja) | 環境状態制御システム | |
CN110726222B (zh) | 空调控制方法、装置、存储介质以及处理器 | |
US20220137567A1 (en) | Arousal level control apparatus, arousal level control method, and recording medium | |
JP2016223694A (ja) | 空調制御装置、空調制御方法、および空調制御プログラム | |
JP2018036773A (ja) | データ指向型フィードバック制御装置およびデータ指向型フィードバック制御方法 | |
JP7207525B2 (ja) | 生理状態制御装置、制御対象機器の作動方法、生理状態特性表示方法およびプログラム | |
Chauhan et al. | Personalized optimal room temperature and illuminance for maximizing occupant's mental task performance using physiological data | |
CN109373499B (zh) | 空调控制方法及装置 | |
JPWO2018179289A1 (ja) | エリア別環境管理システム及び方法とプログラム | |
CN116538654A (zh) | 一种自适应空间热环境智能控制方法 | |
US20240065601A1 (en) | Arousal level control apparatus, arousal level control method, and recording medium | |
JP2020103536A (ja) | 環境制御システム及び環境制御方法 | |
WO2016194396A1 (ja) | 空調管理サーバ、空調管理システム及びプログラム | |
WO2024004465A1 (ja) | 環境制御システム、環境調整システム、環境制御方法、及びプログラム | |
CN116931440A (zh) | 基于策略模型的智能设备控制方法及装置 | |
JP7233031B2 (ja) | 環境制御システム及び環境制御方法 | |
WO2023012924A1 (ja) | 情報処理装置、プログラム及び情報処理方法 | |
JP2023107193A (ja) | 環境制御内容決定装置、及び環境制御内容決定方法 | |
CN116931419A (zh) | 应用于智能设备控制的环境舒适模型自动构建方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210706 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210706 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220614 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220815 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220913 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20221114 |
|
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: 20221206 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20221219 |
|
R151 | Written notification of patent or utility model registration |
Ref document number: 7207525 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |