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 PDF

Info

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
Application number
JP2021513500A
Other languages
English (en)
Other versions
JPWO2020208933A1 (ja
Inventor
卓磨 向後
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.)
NEC Corp
Original Assignee
NEC 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 NEC Corp filed Critical NEC Corp
Publication of JPWO2020208933A1 publication Critical patent/JPWO2020208933A1/ja
Application granted granted Critical
Publication of JP7207525B2 publication Critical patent/JP7207525B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/72Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235Details of waveform analysis
    • A61B5/7264Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/16Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61MDEVICES 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
    • A61M21/00Other 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
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04Adaptive 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
    • G05B13/048Adaptive 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
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20ICT 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
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30ICT 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
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2560/00Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
    • A61B2560/02Operational features
    • A61B2560/0242Operational 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

本発明は、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に関する。
ユーザの生体情報を取得し、取得した生体情報からユーザの覚醒度を算出する技術が提案されている(例えば、特許文献1、2)。ここで、覚醒度とは、対象者の目が覚めている度合いを示す指標であり、覚醒度の値が低いほど対象者が眠い状態であることを示す。
覚醒度が低い状態においては、ユーザが作業を行う際に作業能率が低下していることが多く、作業遂行には適切な状態ではない。例えば、オフィスでの業務においては業務効率が低下し、自動車運転においては注意散漫な運転が増加するなど、作業毎に望ましくない状態となっている傾向がある。
そのため、覚醒度を向上させ、または、覚醒度が適切な範囲となるようにユーザの環境を制御するシステムが提案されている(特許文献3、4、5)。
特許文献3には、現在の環境状態が継続した場合におけるユーザの覚醒度の予測値が予め定めた閾値を下回ったときに、空調、照明などの環境制御機器の設定を予め定めた設定に変更する、車両の運転手向けとした、覚醒度を制御するシステムが開示されている。
特許文献4には、眠気-覚醒の評価軸と快-不快の評価軸から成る2軸座標において、ユーザの現在状態がどこに位置するか、特にユーザの現在状態が所望の範囲からどれだけ離れているかに応じて、空調、照明などの五感を刺激する機器の組み合わせと強さを予め定めた設定に基づいて決定し、決定された機器の組み合わせと強さに基づいてこれら機器を制御する、車両の運転手向けとした、覚醒度を制御するシステムが開示されている。
特許文献5には、対象者の覚醒度が予め設定した閾値を下回ったときに、予め定めた空調機器の動作モード(温度、風量の設定)を周期的に切替えることでユーザに温度変化による温冷刺激を与える、車両の運転手向けとした、覚醒度を制御するシステムが開示されている。
また、ユーザの情報またはユーザの周囲環境の情報を取得して処理を行う技術がある。
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、特許文献7に記載の空調管理システムは、検出装置が検出した環境値に基づいて、所定時間後の予測環境値を算出し、環境値と予測環境値とに基づいて空調装置のパラメータを算出し、算出されたパラメータを空調装置宛てに送信する。
また、特許文献8に記載の覚醒度維持方法では、作業者の鼓膜温度のような深度体温から覚醒度を検出し、作業者の覚醒度の低下が見受けられた際に、作業に適した照度からより高い照度へと変更して光刺激による覚醒効果を作業者に与える。
また、特許文献9に記載の眠気推定装置は、画像処理ニューラルネットワークと眠気推定ニューラルネットワークとの二層構造のニューラルネットワークを備える。画像処理ニューラルネットワークは、ユーザの年齢および性別を推定し、また、目を閉じているなど眠気状態を表すユーザの特定の動作および状態を抽出する。眠気推定ニューラルネットワークは、眠気状態を表すユーザの特定の動作および状態の抽出結果と室内環境情報センサの検知結果とに基づき、ユーザの年齢および性別を加味して、ユーザの眠気状態を求める。
この特許文献9には、空気調和装置の制御部が、推定された眠気レベルが閾値以下となるように空調制御内容を算出し、算出した空調制御内容で示される空調制御を実行させることが記載されている。さらに、特許文献9には、ユーザの動作及び状態に所望の変化が見られない場合は、眠気状態の推定動作が実際の眠気状態と乖離している可能性があるために、推定モデルを更新することが記載されている。
日本特許第6043933号公報 日本特開2018-134274号公報 日本特開2017-148604号公報 日本特開2018-025870号公報 日本特開2013-012029号公報 日本特開2018-088966号公報 日本特開2006-349288号公報 日本特開平09-140799号公報 日本特許第6387173号公報
装置またはシステムが、覚醒度制御など生理状態制御の対象者の周囲環境に働きかけて生理状態制御を行う際、周囲環境が対象者に及ぼす影響の度合いには個人差および心身状態による違いがある。生理状態制御を高精度に行うために、周囲環境が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生理状態制御に反映させられることが好ましい。
本発明は、上述の課題を解決することのできる生理状態制御装置、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を提供することを目的としている。
本発明の第1の態様によれば、生理状態制御装置は、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、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。
本発明の第2の態様によれば、生理状態制御装置は、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、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。
本発明の第3の態様によれば、制御対象機器の作動方法は、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。
本発明の第4の態様によれば、生理状態特性表示方法は、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。
本発明の第5の態様によれば、プログラムは、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である
本発明の第6の態様によれば、プログラムは、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である
この発明によれば、周囲環境における物理量が生理状態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のうち少なくとも何れか一方を生理状態制御に反映させることができる。
実施形態に係る覚醒度制御システムの装置構成の例を示す概略ブロック図である。 実施形態に係る覚醒度制御装置の機能構成の例を示す概略ブロック図である。 実施形態に係る設定値算出部が機器設定値を算出して環境制御機器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。 実施形態に係る覚醒度制御装置が覚醒度予測モデルを生成する処理手順の例を示す図である。 実施形態に係る表示部による入力係数行列の表示例を示す図である。 実施形態に係る表示部によるサブモデル混合比率ベクトルの表示例を示す図である。 実施形態に係る覚醒度制御装置の構成の例を示す図である。 実施形態に係る覚醒度特性表示装置の構成の例を示す図である。 実施形態に係る覚醒度制御方法における処理手順の例を示す図である。 実施形態に係る覚醒度特性表示方法における処理手順の例を示す図である。
以下、本発明の実施形態を説明するが、以下の実施形態は請求の範囲にかかる発明を限定するものではない。また、実施形態の中で説明されている特徴の組み合わせの全てが発明の解決手段に必須であるとは限らない。
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。
ただし、実施形態に係る生理状態制御装置が制御の対象とする生理状態は覚醒度に限定されない。ここでいう生理状態は、身体的状態、精神的状態、あるいは身体および精神の両方に関する状態である。実施形態に係る生理状態制御装置は、生理状態制御の対象者の周囲環境の物理量を制御することで、生理状態を制御する。逆に言うと、実施形態に係る生理状態制御装置は、生理状態のうち、その度合いを数値で表現可能であり、かつ、生理状態制御の対象者の周囲環境の物理量を制御することでその度合いを制御可能なものを、制御の対象とする。
ここで、対象者の周囲環境の物理量とは、その対象者に影響を及ぼす物理量(物理的な量)であり、ここでは特に、対象者の生理状態に影響を及ぼす物理量である。対象者の周囲環境の物理量を、単に物理量とも称する。
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。
例えば、実施形態に係る生理状態制御装置が疲労度制御装置として構成され、生理状態制御の対象者の疲労度をより小さくするように制御を行うようにしてもよい。また、実施形態に係る生理状態制御装置がストレス制御装置として構成され、生理状態制御の対象者のストレスをより小さくするように制御を行うようにしてもよい。また、実施形態に係る生理状態制御装置が快適度制御装置として構成され、生理状態制御の対象者の快適度をより大きくするように制御を行うようにしてもよい。また、実施形態に係る生理状態制御装置がリラックス度制御装置として構成され、生理状態制御の対象者のリラックス度をより大きくするように制御を行うようにしてもよい。
また、実施形態に係る生理状態制御装置が覚醒度を制御の対象とする場合、覚醒度に代えて眠気を生理指標として用いて、生理状態制御の対象者の眠気をより小さくするように制御を行うようにしてもよい。また、実施形態に係る生理状態制御装置が熟睡度制御装置として構成され、生理状態制御の対象者の熟睡度をより大きくするように制御を行うようにしてもよい。
以下では、覚醒度予測モデルを用いた覚醒度制御について、覚醒度予測モデルの4つの形態を示して説明する。また、以下では、覚醒度予測モデルを用いた覚醒度制御、および、覚醒度予測モデルの4つの形態に共通の説明について説明した後、覚醒度予測モデルの4つの形態について、それぞれを第1実施形態~第4実施形態として説明する。
なお、上記のように、実施形態に係る生理状態制御装置が制御の対象とする生理状態は覚醒度に限定されない。以下の「覚醒度」を「生理指標」に読み替え、「覚醒度制御」を「生理状態制御」に読み替えるようにしてもよい。
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。
<覚醒度予測モデルを用いた覚醒度制御、および、覚醒度予測モデルの各形態に共通の説明>
[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。
覚醒度制御装置100は、環境制御機器200各々、および、環境測定機器300各々、および、覚醒度推定機器400各々と、通信回線900を介して繋がり、これらの機器と通信可能になっている。通信回線900は、どのような形態で構成されていてもよく、専用線、インターネット、VPN(Virtual Private Network)、LAN(Local Area Network)、などの通信回線の占有形態、および、有線回線、無線回線などの通信回線の物理形態など、その形態は問わない。
覚醒度制御システム1は、覚醒度制御の対象者の覚醒度を判定し、判定結果に応じて覚醒度制御の対象者の周囲環境の物理量を制御して、覚醒度の維持または向上を図る。上述したように、覚醒度とは覚醒度制御の対象者の目が覚めている度合いを示す指標であり、覚醒度の値が低いほど、覚醒度制御の対象者が眠い状態であることを示す。
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。
上述したように、ここでいう対象者の周囲環境の物理量は、対象者の生理状態に影響を及ぼす物理量である。制御対象の生理状態が覚醒度である場合、対象者の周囲環境の物理量は、対象者の覚醒度に影響を及ぼす物理量である。
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。
これら温度、明るさ、湿度、音、および、振動のうち何れかの制御、またはこれらの組み合わせの制御は、制御対象の生理状態が疲労度、ストレス、快適度、リラックス度、または、熟睡度である場合にも有効と期待される。例えば、実施形態に係る生理状態制御装置または生理状態制御システムが、音楽を流す(対象者に音楽を聞かせる)ようにし、物理量として音楽を流す音の大きさを用いるようにしてもよい。
以下では、空気温度を単に温度と称する。但し、覚醒度制御システム1が空気温度に加えて、あるいは、空気温度に代えて、それ以外の温度を制御するようにしてもよい。例えば、対象者の座席の座面にヒータが設けられて、覚醒度制御システム1がそのヒータの温度を制御するなど、覚醒度制御システム1が、対象者に直接接するものの温度を制御するようにしてもよい。
覚醒度制御システム1が物理量を制御する単位は、特定の単位に限定されない。例えば、個人の座席にスポット式の空調機器(局所的な空調機器)および照明スタンドが設置され、覚醒度制御システム1が、座席単位で物理量を制御するようにしてもよい。あるいは、覚醒度制御システム1が、部屋単位で物理量を制御するようにしてもよいし、建物全体の物理量を制御するようにしてもよい。また、覚醒度制御システム1が建物全体の物理量を制御する場合に、対象者は、当該建物にいる全ての人でなくともよく、当該建物にいる一部の人であってもよい。
対象者の人数は、1人であってもよいし、複数であってもよい。覚醒度制御システム1が対象者の登録を受け付けるなど特定の者のみが対象者となっていてもよい。あるいは、覚醒度制御システム1の制御対象空間に位置する不特定の者が対象者となっていてもよい。対象者が複数いる場合、覚醒度制御システム1が、対象者毎に物理量を制御するようにしてもよいし、複数の対象者に共通で物理量を制御するようにしてもよい。
対象者の覚醒度を向上させるために、例えば室温を高くし、または、照明を明るくするなど、人によっては快適性が低下するように物理量を制御することが考えられる。覚醒度制御システム1が、覚醒度制御の対象者の覚醒度を判定し、判定結果に応じて物理量を制御することで、対象者の覚醒度の確保と快適性とのバランスをとることができる。例えば、覚醒度制御システム1が、対象者の覚醒度が低下した場合のみ覚醒度を向上させるように物理量を制御するようにしてもよい。
以下では、覚醒度制御システム1が、対象者の覚醒度を向上させる(眠気を覚ます)場合を例に説明するが、覚醒度制御システム1が、対象者の覚醒度を低下させる(眠りに導く)ようにしてもよい。さらには、覚醒度制御システム1が、対象者の熟睡度を向上させる(熟睡させる)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、対象者の覚醒度に応じて環境制御機器200を制御する。覚醒度制御装置100は、環境制御機器200を制御することで対象者の周囲環境の物理量を制御し、それによって対象者の覚醒度を制御する。
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、物理量を調整する機器である。上記のように、物理量には、例えば、空気温度および照度などがある。温度は空調機器により調整し、照度は照明機器により調整することができる。このように、環境制御機器200の例として空調機器および照明機器を挙げることができるが、環境制御機器200はこれらに限定されない。
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。
覚醒度制御装置100など、環境制御機器200以外の装置が、環境制御機器200から機器設定値などの運転状態に関する情報を取得可能であり、環境制御機器200に対して機器設定値の更新を行うことが可能である。ここで、機器設定値は、制御目標値として環境制御機器200に設定された物理量である。機器設定値を、物理量の設定値、または、単に設定値とも称する。
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。
環境測定機器300は、温度、照度などの物理量を測定し、測定された物理量を数値データ化する機器である。環境測定機器300の例として、温度センサおよび照度センサを挙げることができるが、環境測定機器300はこれらに限定されない。
覚醒度推定機器400は、対象者の覚醒度を生体情報などから推定し、推定された覚醒度を数値データ化する機器である。覚醒度推定機器400が、生体情報として体温、顔の動画および脈波のうち何れか一方、あるいはこれらの組み合わせを用いるようにしてもよいが、生体情報はこれらに限定されない。覚醒度推定機器400は、生体情報を測定または算出し、得られた生体情報を、覚醒度合いを示す数値(覚醒度)に変換する。
ここでの覚醒度推定機器400は、制御対象の生理状態が覚醒度である場合の例である。
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。
[共通の機能構成]
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。
通信部110は、制御部180の制御に従って、他の装置と通信を行う。特に、通信部110は、環境制御機器200、環境測定機器300、覚醒度推定機器400の各々から各種情報を受信する。また、通信部110は、環境制御機器200に機器設定値を送信する。
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。
物理量予測モデル171は、物理量の設定値(機器設定値)に基づいて、その物理量の予測値を算出する数理モデルである。
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が経過したときは、物理量予測モデル171に与えられる物理量の測定時から所定時間経過後である。物理量予測モデル171に与えられる物理量の測定時に代えて、覚醒度制御装置100(通信部110)がその物理量の測定値を受信した時刻を用いることができる。
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。
サブモデル172および覚醒度予測モデル173の何れも、対象者が位置する空間(対象者の周囲環境)における物理量を入力として覚醒度の予測値を出力する。具体的には、サブモデル172および覚醒度予測モデル173の何れも、物理量予測モデル171が算出した物理量の予測値、および、物理量の変化量に基づいて、覚醒度の予測値を算出する数理モデルである。
サブモデル172および覚醒度予測モデル173が、覚醒度の予測値に加えて、あるいは、覚醒度の予測値に代えて、覚醒度の変化量の予測値を算出するようにしてもよい。後述する第1実施形態および第3実施形態では、覚醒度制御装置100が、覚醒度の変化量の予測値を最大化する最適化問題を用いて覚醒度制御を行う場合の例について説明する。第2実施形態および第4実施形態では、覚醒度制御装置100が、覚醒度の予測値を最大化する最適化問題を用いて覚醒度制御を行う場合の例について説明する。
サブモデル172は、覚醒度予測モデル173を生成するための基底に相当する線形モデルである。サブモデル群(複数のサブモデル)の凸結合により、覚醒度予測モデル173が生成される。
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。
制御部180は、覚醒度制御装置100の各部を制御して各種処理を実行する。制御部180は、覚醒度制御装置100が備えるCPU(Central Processing Unit、中央処理装置)が、記憶部170からプログラムを読み出し、読み出されたプログラムを実行することで実現される。
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。
第1取得部182は、通信部110を介して環境測定機器300と通信を行い、環境測定機器300が測定した物理量の測定値を取得する。例えば、第1取得部182は、定周期毎に環境測定機器300と通信を行い、通信で取得した物理量の測定値を取得時(受信時)のタイムスタンプと共に保存する。このタイムスタンプは、環境測定機器300による物理量の測定時を示しているとみなすことができる。
第2取得部183は、覚醒度推定機器400と通信を行い、対象者の覚醒度の推定値を取得する。例えば、第2取得部183は、定周期毎に覚醒度推定機器400と通信を行い、通信で取得した覚醒度の推定値を取得時(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は、ユーザの覚醒度を向上させるような、環境制御機器200の機器設定値を算出する。例えば、設定値算出部184は、定周期で機器設定値を算出する。設定値算出部184は、監視制御部181から機器設定値を取得し、第1取得部182から物理量の測定値を取得し、第2取得部183から覚醒度推定値を取得して、これらに基づいて機器設定値を算出する。設定値算出部184は、算出された機器設定値を監視制御部181に出力する。監視制御部181は、設定値算出部184から取得した機器設定値を、通信部110を介して環境制御機器200へ送信することで、機器設定値を環境制御機器200に設定する。
設定値算出部184は、物理量予測モデル171および覚醒度予測モデル173を用いて、物理量に関する制約条件の下で最適化問題を解く(または、近似的に解く)ことによって、対象者の覚醒度を制御するための設定値を算出する。設定値算出部184は、最適化問題を解く(または、近似的に解く)ことによって、覚醒度がより高くなるように機器設定値を算出する。このように、設定値算出部184が最適化問題を解く処理は、覚醒度などの目的関数値がより高く(あるいはより低く、あるいは目標値により近く)なるようにする処理の例に該当する。設定値算出部184は、最適化問題を解く(または、近似的に解く)ことによって、覚醒度が最高である場合における機器設定値を算出してもよい。
設定値算出部184が解く最適化問題では、物理量予測モデル171を第1制約条件として用い、覚醒度予測モデル173を第2制約条件として用い、環境制御機器200の機器設定値が所定の範囲であるという条件を第3制約条件として用いる。設定値算出部184は、これらの制約条件を含む最適化問題を解く。ここでの機器設定値の所定の範囲は、環境制御機器200の仕様で定められた、設定可能な範囲である。
また、設定値算出部184が解く最適化問題の目的関数は、例えば、1人以上の対象者、および、時間ステップの1区間以上における、覚醒度の変化量の予測値の総和値または平均値を算出する関数である。設定値算出部184は、この目的関数の値をより大きくするように最適化問題を解いて、機器設定値を算出する。設定値算出部184は、この目的関数が最大である場合における機器設定値を算出してもよい。
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。
設定値算出部184と監視制御部181との組み合わせは、機器制御部(機器制御手段)の例に該当する。具体的には、設定値算出部184が、覚醒度予測モデル173を用いて機器設定値を算出する。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に設定することで、環境制御機器200を制御する。
物理量予測モデル演算部185は、記憶部170から物理量予測モデル171を読み出して実行する。従って、物理量予測モデル演算部185が、物理量予測モデル171を用いて物理量の予測を実行する。
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。
混合比率算出部187は、複数のサブモデル172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。ここでいう特性データは、対象者の覚醒度に影響を及ぼす物理量と、対象者の覚醒度の推定値との履歴データであってもよい。この履歴データをベクトルにしたものをヒストリベクトルと称する。
覚醒度予測モデル生成部188は、混合比率とサブモデル172とに基づいて、対象者に関する覚醒度予測モデル173を生成する。具体的には、覚醒度予測モデル生成部188は、複数のサブモデル172について、混合比率を重み係数とする加重平均をとることで覚醒度予測モデル173を生成する。
室温、室温の変化量、照度、照度の変化量といった、人の覚醒度に影響を及ぼす物理量と人の覚醒度との関係が複数あり、これら複数の関係の各々を線形モデルにて予め記憶しておき、記憶部170がこれらの線形モデルをサブモデル172として記憶しておく。サブモデル172は、例えば1000人など複数の被験者について物理量と覚醒度との相関関係を解析し、得られた相関関係を複数の分類に類別し、分類毎に物理量と覚醒度との相関関係を線形近似することで得られる。サブモデル172を生成する際の被験者は、覚醒度制御システム1による覚醒度制御の対象者とは別の人であってもよい。
混合比率算出部187は、環境測定機器300が測定する物理量と、覚醒度推定機器400が推定する対象者の覚醒度推定値とに基づいて、物理量と対象者の覚醒度との関係を表す覚醒度予測モデル173を得られるように、混合比率を算出する。覚醒度予測モデル生成部188が、この混合比率に基づいて覚醒度予測モデル173を生成することで、対象者の特性(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)を反映した覚醒度予測モデル173を得られる。
混合比率算出部187が対象者毎に混合比率を算出し、覚醒度予測モデル生成部188が対象者毎に覚醒度予測モデル173を生成するようにしてもよい。この場合、設定値算出部184は、例えば、対象者毎に算出される覚醒度を対象者について平均した平均値を最大化する最適化問題を解くことで、対象者全体の覚醒度の総和を最大化するように、環境制御機器200の機器設定値を算出する。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用いて環境制御機器200を制御する。これにより、対象者全体の覚醒度の総和の最大化を図ることができる。
一方、後述する第1実施形態~第4実施形態では、混合比率算出部187が全対象者について平均した混合比率を算出し、覚醒度予測モデル生成部188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を生成する場合の例を説明する。この場合の覚醒度予測モデル173は、覚醒度予測モデル173の線形性により、全ての対象者の覚醒度予測モデル173を平均化した覚醒度予測モデル173となる。このように、複数の対象者の覚醒度予測モデルを平均化した覚醒度予測モデルを、平均化覚醒度予測モデルと称する。
このように、覚醒度予測モデル生成部188が、1つの平均化覚醒度予測モデル(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)を算出する場合、設定値算出部184は、この平均化覚醒度予測モデルによる覚醒度を最大化する最適化問題を解く。これにより、設定値算出部184は、対象者毎の覚醒度予測モデル173を用いる場合と同様、対象者全体の覚醒度の総和を最大化するように、環境制御機器200の機器設定値を算出する。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用いて環境制御機器200を制御する。これにより、対象者毎の覚醒度予測モデル173を用いる場合と同様、対象者全体の覚醒度の総和の最大化を図ることができる。
表示部120は、サブモデル172毎に覚醒度の増減に関する物理量の影響度合いを表示する。併せて、表示部120は、混合比率算出部187が対象者毎に算出する混合比率を表示する。
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。
このように、サブモデル172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装置を、覚醒度特性表示装置と称する。図2の覚醒度制御装置100は、覚醒度特性表示装置の例に該当する。
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。
[共通の覚醒度最適化モデル]
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。
この覚醒度最適化モデルでは、以下の定数、係数、変数および関数を用いる。
(決定変数)
set :時間ステップtにおける空調温度設定値
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。
(従属変数)
Δ :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
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
i,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
:時間ステップtにおける温度予測値
Δ :時間ステップtにおける、温度の時間変化量の予測値
なお、時間ステップtの前の1区間、すなわち、時間ステップt-1からtまでの変化量を、時間ステップtにおける変化量と称する。時間変化量とは、時間経過による変化量(経時変化量)である。
:時間ステップtにおける照度予測値
Δ :時間ステップtにおける、照度の時間変化量の予測値
(定数・係数)
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
min :空調温度設定値の下限値
max :空調温度設定値の上限値
min :照明出力度設定値の下限値
max :照明出力設定値の上限値
Δτ :時間ステップ幅
(関数)
:覚醒度変化量予測関数(覚醒度予測モデル)
:温度予測関数(物理量予測モデルの1つ)
: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
この覚醒度最適化モデルの目的関数は、式(1)のように示される。
Figure 0007207525000001
Δ(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)は、式(2)のように示される。
Figure 0007207525000002
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)は、式(3)のように示される。
Figure 0007207525000003
環境制御機器200のうち空調機器の機器設定値が所定の範囲内であるという制約条件は、式(4)のように示される。
Figure 0007207525000004
環境制御機器200のうち照明機器の機器設定値が所定の範囲内であるという制約条件は、式(5)のように示される。
Figure 0007207525000005
温度に関する物理量予測モデル171の制約条件は、式(6)のように示される。
Figure 0007207525000006
照度に関する物理量予測モデル171の制約条件は、式(7)のように示される。
Figure 0007207525000007
これら物理量予測モデル171の制約条件は、環境制御機器200に機器設定値を設定してから物理量が実際に機器設定値になるまでの遅れなど、環境制御機器200の動作に関する物理的な制約条件を示す。
したがって、物理量予測モデル171の説明変数(例えば、式(6)におけるTt-1およびT set)は、対象者の覚醒度に影響する周辺環境の物理量を表すパラメータ、及び、前記物理量に影響を及ぼす制御機器の設定値を表すパラメータを含んでいる。また、物理量予測モデル171の被説明変数(例えば、式(6)におけるT)は、該物理量の予測値を表すパラメータを含んでいる。式(6)、及び、式(7)には、物理量予測モデル171によって示されている所定の処理を、説明変数の値に適用することによって、被説明変数の値が算出されるということが陽関数によって例示されている。尚、温度に関する物理量予測モデル171の制約条件および照度に関する物理量予測モデル171の制約条件は、必ずしも、式(6)、及び、式(7)のように陽関数によって示されていなくてもよい。
覚醒度予測モデル173の制約条件の例は、式(8)のように示される。
Figure 0007207525000008
式(8)に示されるように、覚醒度予測モデル173の説明変数は、物理量を表すパラメータ及びその時間変化量を表すパラメータを含んでいる。また、式(8)の例では、覚醒度予測モデル173の被説明変数は、該覚醒度の時間変化量の予測値を表すパラメータを含んでいる。式(8)には、覚醒度予測モデル173によって示されている所定の処理を、説明変数の値に適用することによって、被説明変数の値が算出されるということが陽関数によって例示されている。尚、覚醒度予測モデル173の制約条件は、必ずしも、式(8)のように陽関数によって示されていなくてもよい。
式(8)に示される覚醒度は、式(2)および式(3)を用いて算出されるその平均値AΔが式(1)の目的関数に用いられる点で、最適化問題の計算時間への影響が大きい。特に、式(8)をそのまま最適化問題に組み込んだ場合、つまり、式(8)を対象者の人数の分だけ評価する場合、対象者の人数が増えると最適化問題の計算時間が増加し、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ない。
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。
覚醒度予測モデル173の制約条件は、物理量およびその変化に対する、対象者の覚醒度の変化の仕方を示す。
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。
Figure 0007207525000009
Δ(時間ステップtにおける、照度の時間変化量の予測値)は、式(10)のように示される。
Figure 0007207525000010
設定値算出部184は、例えば、式(4)~(10)で示される制約条件の下で、式(1)~(3)で示される、全ユーザおよび全時間ステップについての覚醒度時間変化量予測値の平均値を表す目的関数を最大化する決定変数値を求める数理計画問題を解く。これによって、設定値算出部184は、機器設定値(決定変数値)を算出する。設定値算出部184が実行する処理は、例えば、上述したような覚醒度最適化モデルを用いて、制約条件の下で目的関数の値が最大となるように設定値を算出する処理であるということもできる。設定値算出部184が実行する処理は、必ずしも、目的関数の値が最大となる場合の設定値を算出する処理に限定されず、例えば、目的関数の値が大きくなる場合の設定値を算出する処理であってもよい。
上述したように、式(6)、(7)が物理量予測モデル171に関する制約条件である。式(8)~(10)が覚醒度予測モデル173に関する制約条件である。式(4)、(5)が、環境制御機器200の機器設定値が所定の範囲であるという制約条件である。
覚醒度予測モデル173は、物理量の時間平均値と時間変化量に対して、所定時間が経過したときのユーザの覚醒度、または覚醒度の変化量の予測値を算出することができる数理モデルである。物理量が温度および照度であり、これら物理量に対応する環境制御機器200がそれぞれ空調機器および照明機器である場合の覚醒度予測モデルは、例えば、上述した式(8)~(10)で示される。
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。
定数および係数の数値について説明を行う。
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。
空調温度設定値の下限値Tmin、上限値Tmaxの値を、入力インターフェースを設けてユーザに設定させてもよい。
同様に、照明出力設定値の下限値Lmin、上限値Lmaxの値を、入力インターフェースを設けてユーザに設定させてもよい。
設定値算出部184の計算の実行は、図3に示す手順で行う。計算の実行は周期をΔτとして定周期で実行することが好適である。
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。
図3の処理で、設定値算出部184は、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か否かを判定する(ステップS100)。実行タイミングが到来していないと判定した場合(ステップS100:No)、処理がステップS100へ戻る。これにより、設定値算出部184は、機器設定値を算出する処理の実行タイミングの到来を待ち受ける。
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)。
また、設定値算出部184は、第1取得部182から環境測定値(環境測定機器300が測定した物理量の測定値)を取得する(ステップS120)。そして、設定値算出部184は、上述したように最適化問題を解くことで、機器設定値(環境制御機器200における機器設定値を更新するための値)を算出する(ステップS130)。ステップS130では、設定値算出部184は、覚醒度推定値を用いずに機器設定値を算出する。
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。
[共通の覚醒度予測モデルの算出法]
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。
覚醒度の個人差の例として、体重または体脂肪率による個人差や、性別による個人差が知られている。例えば、体重または体脂肪率が大きい対象者は環境温度の低下に対して、体重および体脂肪率が大きくない対象者よりも覚醒度の変化が小さい傾向があることが知られている。また、女性の対象者は環境温度の変化による覚醒度の変化が男性の対象者より大きい傾向があることが知られている。環境の明るさについても、対象者によって、光感受性に関して、より具体的には光によるメラトニン分泌抑制の程度に関して、個人差があることが知られている。
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。
このような個人差や心身状態の違いに対応するために、例えば、対象者自身の覚醒度のデータを解析して対象者毎の覚醒度予測モデルを生成すれば、対象者の特性を覚醒度制御に反映し得る。ただし、対象者のデータのみで覚醒度予測モデルを構築するためには、予め対象者の覚醒度のデータを周囲環境がいろいろな状態の場合について網羅的に取得する必要が生じる、言い換えれば長期的なデータ取得の必要が生じることから、実施が容易でない。
そこで、記憶部170が、用途が特定の対象者に限定されない複数のサブモデル172を予め記憶しておく。そして、覚醒度予測モデル生成部188が、これら複数のサブモデル172を対象者のデータに基づいて合成することで、対象者の覚醒度予測モデル173を生成する。これにより、覚醒度制御装置100では、対象者の覚醒度のデータが比較的少ない場合においても対象者の覚醒度予測モデル173を生成することができ、対象者の特性を覚醒度制御に反映させることができる。
また、複雑な非線形関数を用いて対象者の覚醒度をモデル化することで、対象者の特性をより正確にモデルに反映し得る。ただし、この場合、覚醒度最適化モデルの計算、つまりは最適化計算において計算量が大きくなってしまう問題がある。この計算量に関する問題は具体的には次の2つに詳細化できる。
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。
これに対し、覚醒度制御装置100では、記憶部170が線形のサブモデル172を記憶しておく。覚醒度予測モデル生成部188は、混合比率算出部187が算出する混合比率に基づいてサブモデル172を合成して線形の覚醒度予測モデル173を生成する。これにより、覚醒度制御装置100では、最適化計算における計算量が比較的少なくて済み、計算時間が比較的短くて済む。
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。
このように、覚醒度制御装置100によれば、対象者の覚醒度の変化の仕方について個人差および心身状態の違いを反映した覚醒度予測モデル173を用いて覚醒効果を高めつつ、かつ、予測制御における最適化計算を比較的少ない計算量で効率良く行える。かつ、覚醒度制御装置100によれば、対象者の人数に対する計算量の点でスケーラビリティを確保できる。
さらに、覚醒度制御装置100では、対象者やその心身状態毎に異なる、物理量に対する覚醒度の増減の影響度合いを中間パラメータとして算出し、物理量に対する覚醒度変化の影響度合いを出力して対象者や管理者に提供することができる。これにより、対象者自身は適切な環境を知ることができ、管理者はどのような特性を持った対象者が在室しているのかを理解することができ、手動で空調や照明の設定を行う際に参考とすることができる。
覚醒度予測モデルの説明では、覚醒度最適化モデルの説明で上述した変数、定数、係数および関数に加えて、以下の変数、定数、係数および関数を用いる。
(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
:対象者iの覚醒度予測値の、時間ステップでの平均値
*,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
i,t :時間ステップtにおける対象者iの覚醒度予測値
:時間ステップtにおける物理量予測値のベクトル表記
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(T、T Δ、LおよびL 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。
Figure 0007207525000011
なお、式(11)における上付のTは、転置を表している。式(11)に示すように、Uは、対象者の覚醒度に影響を与える入力要素、つまり、制御対象である対象者の周辺環境の物理量を表すベクトル(列ベクトル)である。Uは、物理量の予測値(T、T Δ、LおよびL Δ)を含むので、時間ステップtにおける物理量予測値ベクトル、または、単に物理量予測ベクトルと称する。
式(11)において、物理量予測値ベクトルUは、各物理量予測値(T、T Δ、LおよびL 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Uを意味するものとする。
物理量予測値ベクトルU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。
(定数・係数)
(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。
上述したように、混合比率は、複数のサブモデル172を混合する割合である。ここでは、サブモデル172は、後述する入力係数(のベクトル表記または行列表記)にて示される。覚醒度予測モデル生成部188は、複数のサブモデル172に相当する入力係数の各々に混合比率を乗算し、乗算により得られた結果を足し合わせることで、覚醒度予測モデル173を算出する。
(s)は、対象者毎かつサブモデル172毎の混合比率を示す。
上述したように、混合比率算出部187は、環境測定機器300が測定する物理量と、覚醒度推定機器400が推定する対象者の覚醒度推定値とに基づいて、物理量と対象者の覚醒度との関係を表す覚醒度予測モデル173を得られるように、混合比率を算出する。
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w (s)を0以上1以下の範囲で算出するようにしてもよい。
Figure 0007207525000012
あるいは、混合比率算出部187が、式(13)のように、対象者毎かつサブモデル172毎の混合比率w (s)を0または1と算出するようにしてもよい。
Figure 0007207525000013
:対象者iのサブモデル混合比率ベクトル
は、対象者毎かつサブモデル172毎の混合比率w (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。
Figure 0007207525000014
後述するように、「M」はサブモデル172の個数を示す正の整数の定数である。
混合比率算出部187が、式(15)を満たすように、wの要素(対象者毎かつサブモデル172毎の混合比率w (s))の各々の値を算出するようにしてもよい。
Figure 0007207525000015
||w||は、wのL1ノルム(ベクトルの要素の絶対値の和)を示す。したがって、式(15)は、対象者iのサブモデル混合比率ベクトルwの各要素w (s)の総和が1であることを表す。これにより、wを乗算することは、重み付け平均を算出することとなる。
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wを乗算する(θw)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θ)を得られる。
wiは、式(16)のようにも表される。
Figure 0007207525000016
式(16)は、対象者iのサブモデル混合比率ベクトルwが、サブモデル混合比率出力関数gと対象者iのヒストリベクトルφとにより算出されることを表す。後述するように、対象者iのヒストリベクトルφは、時間ステップtから時間ステップ(t-t)までの過去の覚醒度と物理量との対応関係を示す履歴情報に相当する。
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。
サブモデル混合比率出力関数gは、多クラス分類器とすればよい。具体的には、マルチクラスのサポートベクトルマシン(Support Vector Machine;SVM)やニューラルネットワークなどでサブモデル混合比率出力関数gを実現可能である。特に、多クラス分類器にニューラルネットワークを用いる場合、RNN(Recurrent Neural Network)やLSTM(Long Short Term Memory)など時系列を考慮できるネットワーク構造のものを用いるとよい。多クラス分類器の出力は、上記の式(12)のように、多クラス分類器への入力がクラスに属する確率とすることが好適である。あるいは、多クラス分類器の出力は、上記の式(13)のように、多クラス分類器への入力がクラスに属するか否かの二値としても良い。
(s) :サブモデルsの混合比率対象者平均値(1つのサブモデルsに関して全ての対象者のw (s)(対象者毎かつサブモデル毎の混合比率)の平均をとった値)
(s)は、式(17)のように示される。
Figure 0007207525000017
w :混合比率対象者平均ベクトル(サブモデル毎の混合比率対象者平均値w(s)を、全てのサブモデルについて纏めてベクトル表記したもの)
wは、式(18)のように示される。
Figure 0007207525000018
wは、全ての対象者についてwの平均をとったものに等しい。wのL1ノルムが1であることで、wのL1ノルムも1である。したがって、wを乗算することも重み付け平均をとることとなる。
上記のように、入力係数行列θにwを乗算する(θw)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。
サブモデル172の線形性により、wを用いて対象者毎の覚醒度予測モデルを生成して対象者毎に覚醒度を算出して、全ての対象者について覚醒度の平均値を算出した場合と、wを用いて全ての対象者の平均的な覚醒度予測モデルを生成して覚醒度を算出した場合とで同じ値が得られる。設定値算出部184が上述した最適化問題を解く過程で覚醒度を算出する際、w(混合比率対象者平均ベクトル)を用いて全ての対象者の覚醒度の平均値を算出することで、対象者が多い場合でも計算時間の増加を抑制することができ、この点で、対象者の人数に対するスケーラビリティを得られる。
θ (s) :サブモデルsのj番目の入力係数
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U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U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) :サブモデルsの入力係数ベクトル
θ(s)は、物理量予測値ベクトルU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。
Figure 0007207525000019
式(19)の右辺のベクトルの要素θ (s)、・・・、θ (s)は、物理量予測値ベクトルUの5個の要素のそれぞれに乗算される入力係数を示す。θ(s)は、サブモデル172の例に該当する。
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。
Figure 0007207525000020
Mは、サブモデル172の個数を示す正の整数の定数である。入力係数行列θは、全てのサブモデル172を1つの行列に纏めた例に該当し、全ての対象者に共通の行列として用いられる。例えば、事前の学習によって入力係数行列θの全要素の数値が決定される。
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。
Figure 0007207525000021
式(21)は、サブモデルsの混合比率対象者平均値w(s)を重み係数としたときの入力係数ベクトルθ(s)の加重平均によって,全ての対象者の入力係数ベクトルの平均に相当する入力係数対象者平均ベクトルθavgを算出することに相当する。上記のように、入力係数対象者平均ベクトルθavgは、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の例に該当する。したがって、入力係数対象者平均ベクトルθavgは、平均化覚醒度予測モデルの例に該当する。
θ :対象者iの入力係数ベクトル
対象者iの入力係数ベクトルθは、物理量予測値ベクトルU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。
θは、式(22)のように示される。
Figure 0007207525000022
式(22)は、サブモデルsについて混合比率w (s)を重み係数としたときの入力係数ベクトルθ(s)の加重平均によって、対象者iの入力係数ベクトルθを算出することに相当する。上記のように、対象者iの入力係数ベクトルθは、対象者iの覚醒度予測モデル173の例に該当する。
φ :対象者iのヒストリベクトル
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φは、式(23)のように示される。
Figure 0007207525000023
対象者iのヒストリベクトルφは、時間ステップtから時間ステップ(t-t)までの過去の覚醒度と物理量との対応関係を表す履歴情報に相当する。
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。
M :サブモデル数
W :時間ステップ数
:ヒストリ起点時間ステップ
: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tおよびヒストリ時間ウィンドウサイズtは、ヒストリベクトルφにデータが含まれる時間ステップを示す。時間ステップtから時間ステップ(t-t)までのデータが、ヒストリベクトルφに含まれる。
γ :対象者iの自己回帰係数
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γを用いて式(24)のように示される。
Figure 0007207525000024
式(24)では、時間ステップt+1における覚醒度Ai,t+1を算出する際に、前の時間ステップ(時間ステップt)における覚醒度Ai,tを用いる。
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。
Figure 0007207525000025
サブモデル自己回帰係数ベクトルγを用いると、対象者iの自己回帰係数γは、式(26)のように示される。
Figure 0007207525000026
Λ :対象者iの修正初期覚醒度
対象者iの修正初期覚醒度Λは、式(27)のように示される。
Figure 0007207525000027
Λ :修正初期覚醒度対象者平均
修正初期覚醒度対象者平均Λは、式(28)のように示される。
Figure 0007207525000028
λi,t :対象者i、時間ステップtの修正入力係数ベクトル
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。
Figure 0007207525000029
λ :時間ステップtの修正入力係数対象者平均ベクトル
時間ステップtの修正入力係数対象者平均ベクトルλは式(30)のように示される。
Figure 0007207525000030
(関数)
g :サブモデル混合比率出力関数(ベクトル関数)
:ベクトルXの転置ベクトル,または,行列Xの転置行列
||x|| :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>
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。
Figure 0007207525000031
式(31)の「θavg 」は、式(11)および式(18)~式(21)により、式(32)のように変形できる。
Figure 0007207525000032
θの各要素の値を、物理量(Uの要素)と覚醒度の変化量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)で覚醒度の変化量を算出することができる。したがって、θavgは覚醒度予測モデルの例に該当する。θの各列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、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。
Figure 0007207525000033
この場合は、対象者全員について覚醒度予測モデル(式(33))を用いて覚醒度の変化量Ai,t Δを算出する必要があり、対象者の人数が増えると計算量が増加する。一方、式(31)のようにθavgを用いることで、式(31)による覚醒度予測モデルを用いればよく、他の覚醒度予測モデルの演算を行う必要は無い。
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θ)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を用いて覚醒度の変化量を算出すればよく、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の変化量を算出すればよく、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>
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。
Figure 0007207525000034
式(34)では、最大化の対象が、覚醒度の変化量AΔではなく覚醒度Aとなっている点が、式(1)の場合と異なる。
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。
Figure 0007207525000035
式(35)の右辺は式(31)の右辺と同様であり、「θavg 」は、第1実施形態の場合と同様、上記の式(32)のように変形できる。
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(U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。
Figure 0007207525000036
この場合は、対象者全員について覚醒度予測モデル(式(36))を用いて覚醒度Ai,tを算出する必要があり、対象者の人数が増えると計算量が増加する。一方、式(35)のようにθavgを用いることで、式(35)による覚醒度予測モデルを用いればよく、他の覚醒度予測モデルの演算を行う必要は無い。
第2実施形態における最適化計算を、第1実施形態における最適化計算と比較すると、目的関数が覚醒度の変化量AΔであるか覚醒度Aであるかの点で相違があるものの、実行する演算は同様である。したがって、第2実施形態でも第1実施形態の場合と同様の効果を得られる。
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θ)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>
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。
Figure 0007207525000037
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、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。式(1)は、式(38)のように変形できる。
Figure 0007207525000038
式(38)は、式(39)のように変形できる。
Figure 0007207525000039
ここで、式(40)のように、時間ステップインデックス集合Tを、時間ステップ数Wを用いて具体化している。
Figure 0007207525000040
式(39)は、式(41)のように変形できる。
Figure 0007207525000041
式(41)の「A*,0」は定数とみなすことができる。これにより、式(41)の代わりに式(42)を目的関数として用いることができる。
Figure 0007207525000042
式(42)の「A*,w」は、式(43)のように変形できる。
Figure 0007207525000043
式(43)の右辺の計算量は、対象者の人数に依存しない。第1実施形態および第2実施形態と同様に、個人差および心身状態の違いによって覚醒度の特性が異なる複数人の対象者を覚醒度制御の対象としても、最適化計算の前に1度だけ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λを算出すれば、最適化計算において各対象者の覚醒度予測モデルを用いて覚醒度の変化量を求める必要はない。
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λ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>
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。
Figure 0007207525000044
式(44)の右辺は、第3実施形態の場合の式(43)の右辺と同様、対象者の人数に依存しない線形モデルである。したがって、第4実施形態でも第3実施形態の場合と同様の処理となり、第3実施形態の場合と同様の効果を得られる。
図4は、覚醒度制御装置100が覚醒度予測モデル173を生成する処理手順の例を示す図である。図4は、第1実施形態~第4実施形態に共通する。
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φを取得する(ステップS210)。
次に、混合比率算出部187は、取得したヒストリベクトルφをサブモデル混合比率出力関数gに入力して、各対象者が各サブモデルにどの程度当てはまるかを表すサブモデル混合比率ベクトルwを算出する(ステップS220)。ここでは、サブモデル172は物理量を説明変数とする線形モデルであり、対象者の覚醒度予測モデルは各サブモデルの凸結合として合成される。
そして、覚醒度予測モデル生成部188は、覚醒度予測モデルを算出する(ステップS230)。具体的には、得られたサブモデル混合比率ベクトルwを重み係数とした加重平均を入力係数ベクトルθ(s)に対して計算して得られる凸結合が、対象者の覚醒度予測モデル173と対応する入力係数ベクトルθとなる。
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>
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。
表示部120は、例えば、入力係数行列θとサブモデル混合比率ベクトルwとを表示する。入力係数行列θは予め学習により算出される。サブモデル混合比率ベクトルwは、混合比率算出部187が算出する。
図5は、表示部120による入力係数行列θの表示例を示す図である。
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。
なお、表示部120が表示するレベルの個数(段階数)は、図5に例示する3段階に限定されず複数の段階であればよく、2段階であってもよいし4段階以上であってもよい。例えば、表示部120が、覚醒度の変化の度合いを示す実数値を、「High」、「Low」の2段階のレベルに置き換えて表示するようにしてもよい。あるいは、表示部120が、覚醒度の変化の度合いを示す実数値を、レベル1、レベル2、・・・、レベルN(Nは、N≧2の整数)のN段階のレベルに置き換えて表示するようにしてもよい。
図6は、表示部120によるサブモデル混合比率ベクトルwの表示例を示す図である。
サブモデル混合比率ベクトルw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w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w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w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。
図5の例の場合と同様、表示部120が表示するレベルの個数(段階数)は、3段階に限定されず複数の段階であればよく、2段階であってもよいし4段階以上であってもよい。例えば、表示部120が、サブモデル混合比率ベクトルwを示す実数値を、「High」、「Low」の2段階のレベルに置き換えて表示するようにしてもよい。あるいは、表示部120が、サブモデル混合比率ベクトルwを示す実数値を、レベル1、レベル2、・・・、レベルN(Nは、N≧2の整数)のN段階のレベルに置き換えて表示するようにしてもよい。
表示部120が、入力係数行列θおよびサブモデル混合比率ベクトルwを表示することで、これを参照する人は、各対象者の覚醒度の特性について知ることができる。例えば、図6のサブモデル混合比率ベクトルwで対象者Aについては、サブモデル1の混合比率が高い。したがって、対象者Aの覚醒度の特性は、サブモデル1に近い覚醒度の特性となると考えられ、温度の影響が大きいと把握できる。また、対象者Bについては、サブモデル2の混合比率が高いため、サブモデル2に近い覚醒度の特性となると考えられ、照度の影響が大きいと把握できる。対象者Cについては、サブモデル1の混合比率とサブモデル2の混合比率が同程度であるため、温度および照度の何れも影響は中程度であると把握できる。表示部120が、入力係数行列θおよびサブモデル混合比率ベクトルwだけでなく、サブモデル自己回帰係数ベクトルγなど他のデータも表示するようにしてもよい。
以上のように、混合比率算出部187は、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。サブモデルは、対象者が位置する空間(対象者の周囲環境)における物理量を入力として覚醒度の予測値を出力する。覚醒度予測モデル生成部188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173を生成する。監視制御部181および設定値算出部184は、覚醒度予測モデル173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100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100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。
また、覚醒度制御装置100では、予め用意されているサブモデルを用いて対象者に関する覚醒度予測モデル(個々の対象者の覚醒度予測モデル、または、対象者について平均した覚醒度予測モデル)を生成する。これにより、覚醒度制御装置100では、対象者のデータが比較的少ない状態でも、その対象者の覚醒度予測モデルを生成して覚醒度制御を行うことができる。
また、特性データは、物理量と覚醒度の推定値との履歴データである。
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。
また、覚醒度予測モデル生成部188は、複数のサブモデル172について、混合比率を重み係数とする加重平均をとることで覚醒度予測モデル173を生成する。
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。
また、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を平均化した平均化覚醒度予測モデルを生成する。監視制御部181および設定値算出部184は、平均化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。
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。
また、混合比率算出部187は、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120は、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。
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。
また、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。
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。
なお、サブモデル172が、区間線形に構成されていてもよい。例えば、サブモデル172が、20℃など所定の温度以上の線形の部分(部分モデル)と、所定の温度未満の線形の部分との組み合わせで構成されていてもよい。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。
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。
図7は、実施形態に係る覚醒度制御装置の構成の例を示す図である。図7に示す覚醒度制御装置10は、混合比率算出部11と、覚醒度予測モデル生成部12と、機器制御部13とを備える。
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。
また、覚醒度制御装置10では、予め用意されているサブモデルを用いて対象者に関する覚醒度予測モデル(個々の対象者の覚醒度予測モデル、または、対象者について平均した覚醒度予測モデル)を生成する。これにより、覚醒度制御装置10では、対象者のデータが比較的少ない状態でも、その対象者の覚醒度予測モデルを生成して覚醒度制御を行うことができる。
図8は、実施形態に係る覚醒度特性表示装置の構成の例を示す図である。図8に示す覚醒度特性表示装置20は、混合比率算出部21(混合比率算出手段)と、表示部22(表示手段)とを備える。
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は、実施形態に係る覚醒度制御方法における処理手順の例を示す図である。
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)。
この覚醒度制御方法によれば、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、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。
図10は、実施形態に係る覚醒度特性表示方法における処理手順の例を示す図である。
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。
覚醒度制御装置100、覚醒度制御装置10、覚醒度特性表示装置20の構成は、コンピュータを用いた構成に限定されない。例えば、覚醒度制御装置100が、ASIC(Application Specific Integrated Circuit)を用いて構成されるなど、専用のハードウェアを用いて構成されていてもよい。
本発明は、任意の処理を、CPU(Central Processing Unit)にコンピュータプログラムを実行させることにより実現することも可能である。
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。
以上、実施形態を参照して本発明を説明したが、本発明は上記実施形態に限定されるものではない。本発明の構成や詳細には、本発明の範囲内で当業者が理解し得る様々な変更をすることができる。
この出願は、2019年4月10日に出願された日本出願特願2019-075056号を基礎とする優先権を主張し、その開示の全てをここに取り込む。
本発明は、例えば、対象者の生理状態の制御に利用可能である。本発明によれば、周囲環境における物理量が生理状態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のうち少なくとも何れか一方を生理状態制御に反映させることができる。
1 覚醒度制御システム
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)

  1. 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。
  2. 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。
  3. 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。
  4. 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。
  5. 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。
  6. 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。
  7. 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
  8. 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。
  9. 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。
  10. 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。
JP2021513500A 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 Active JP7207525B2 (ja)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (3)

* Cited by examiner, † Cited by third party
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