JP7238910B2

JP7238910B2 - 生体情報処理装置、方法、及びプログラム

Info

Publication number: JP7238910B2
Application number: JP2020570326A
Authority: JP
Inventors: 友嗣大野; 雅洋久保; 利憲細井
Original assignee: NEC Corp
Current assignee: NEC Corp
Priority date: 2019-02-08
Filing date: 2019-02-08
Publication date: 2023-03-14
Anticipated expiration: 2039-02-08
Also published as: US20220022819A1; WO2020161901A1; JPWO2020161901A1

Description

本開示は、生体情報処理装置、方法、及びコンピュータ読取可能記録媒体に関し、更に詳しくは、患者などから取得された生体情報に対して処理を行う生体情報処理装置、方法、及びコンピュータ読取可能記録媒体に関する。

例えは病院などに入院している入院患者には、ベッドから転落する、挿管を抜去する、奇声を発する、或いは暴力を振るうなどの問題行動を起こすリスクがある患者が含まれる。問題行動を起こす患者は、「不穏状態」又は「せん妄」と呼ばれる状態になっていることが多い。看護師や介護士などの医療者の中には、問題行動を起こすリスクがある入院患者への対処に２～３割程度の時間を割いている者もおり、医療者が本来のケア業務に注力する時間が圧迫されている。

ここで、特許文献１は、ベッド上の被験者の生体情報をモニターする生体情報モニタリングシステムを開示する。特許文献１に記載の生体情報モニタリングシステムは、身体状態判定部を含む。身体状態判定部は、体重、体動、呼吸、及び心拍などの各種生体情報を用いて被験者の身体状態を判定する。身体状態判定部は、例えば、ラベル付き教師データを用いて学習された、被験者が睡眠状態であるか否かを表す関数（モデル）に、被験者の各種生体情報を適用することで、被験者が睡眠状態であるか否かを判定する。あるいは、身体状態判定部は、被験者の体動情報及び／又は呼吸数に基づいて、被験者がせん妄状態であるかを判定する。

特許第６３３９７１１号公報

特許文献１では、例えば、睡眠又は覚醒を表わす関数が、多くの生体情報のデータ（ラベル付き教師データ）を用いて作成される。しかしながら、特許文献１には、学習された関数の変更については記載されていない。例えば、ある病院において、入院患者の診療科目の構成比が変化した場合などにおいて、生体情報のデータと、睡眠又は覚醒との間の関係が変化し得る。また、季節変化に応じて、生体情報のデータと、睡眠又は覚醒との間の関係が変化することがある。そのような場合に、一度作成された関数を使用し続けると、身体状態の判定結果の精度が低下するという問題が生じる。

本開示は、上記事情に鑑み、身体状態の判定結果の精度低下を抑制可能な生体情報処理装置、方法、及びコンピュータ読取可能記録媒体を提供することを目的とする。

上記目的を達成するために、本開示は、１以上センサを含むセンサ群から監視対象者のセンサデータを取得し、該取得したセンサデータと、過去に取得されたセンサデータを用いて生成された、前記監視対象者の内面状態を識別するための識別モデルとに基づいて、前記監視対象者の内面状態を識別する内面状態識別手段と、既存の識別モデルとは異なる別の識別モデルを生成する条件が成立するか否かを判定する判定手段と、前記判定手段で前記条件が成立すると判定された場合、前記センサ群から取得された監視対象者のセンサデータを用いて、前記内面状態識別手段が使用していた識別モデルとは別の識別モデルを生成するモデル生成手段とを備える生体情報処理装置を提供する。

本開示は、また、１以上センサを含むセンサ群から監視対象者のセンサデータを取得し、該取得したセンサデータと、過去に取得されたセンサデータを用いて生成された、前記監視対象者の内面状態を識別するための識別モデルとに基づいて、前記監視対象者の内面状態を識別し、既存の識別モデルとは異なる別の識別モデルを生成する条件が成立するか否かを判定し、前記条件が成立すると判定された場合、前記センサ群から取得された監視対象者のセンサデータを用いて、前記内面状態の識別に使用された識別モデルとは別の識別モデルを生成する生体情報処理方法を提供する。

本開示は、１以上センサを含むセンサ群から監視対象者のセンサデータを取得し、該取得したセンサデータと、過去に取得されたセンサデータを用いて生成された、前記監視対象者の内面状態を識別するための識別モデルとに基づいて、前記監視対象者の内面状態を識別し、既存の識別モデルとは異なる別の識別モデルを生成する条件が成立するか否かを判定し、前記条件が成立すると判定された場合、前記センサ群から取得された監視対象者のセンサデータを用いて、前記内面状態の識別に使用された識別モデルとは別の識別モデルを生成するための処理をコンピュータに実行させるためのプログラムを格納するコンピュータ読取可能記録媒体を提供する。

本開示に係る生体情報処理装置、方法、及びコンピュータ読取可能記録媒体は、身体状態の判定結果の精度の低下を抑制することができる。

本開示の生体情報処理装置を概略的に示すブロック図。本開示の第１実施形態に係る生体情報処理装置を含むシステムを示すブロック図。不穏スコアの具体例を示すグラフ。第１実施形態における動作手順を示すフローチャート。第２実施形態における動作手順を示すフローチャート。生体情報処理装置に用いられ得る情報処理装置の構成例を示すブロック図。

本開示の実施の形態の説明に先立って、本開示の概要を説明する。図１は、本開示の生体情報処理装置を概略的に示す。生体情報処理装置１０は、判定手段１１、モデル生成手段１２、及び内面状態識別手段１３を有する。

センサ群２０は、１以上のセンサを含む。内面状態識別手段１３は、センサ群２０から患者などの監視対象者のセンサデータを取得する。内面状態識別手段１３は、取得したセンサデータと、識別モデル４０とに基づいて、監視対象者の内面状態を識別する。ここで、監視対象者の内面状態とは、例えば、他者が外部から直接に判断することができない監視対象者の状態を指し、例えば精神状態などを含む。また、識別モデル４０は、過去に取得されたセンサデータを用いて生成された、監視対象者の内面状態を識別するためのモデルである。なお、過去に取得されたセンサデータは、監視対象者の内面状態を識別する以前に取得されたデータを意味する。過去に取得されたデータは、監視対象者本人のデータ、例えば過去に監視対象者本人が施設などにいたときに取得されたデータを含む。あるいは、過去に取得されたデータは、監視対象者本人のデータを含まず、監視対象者とは異なる者から取得されたデータであってもよい。

判定手段１１は、既存の識別モデルとは異なる別の識別モデルを生成する条件が成立するか否かを判定する。モデル生成手段１２は、判定手段１１で別の識別モデルを生成する条件が成立すると判定された場合、センサ群２０から取得された監視対象者のセンサデータを用いて、内面状態識別手段１３が使用していた識別モデル４０とは別の識別モデル５０を生成する。

本開示では、モデル生成手段１２は、別の識別モデルを生成する条件が成立する場合、センサ群２０から取得された監視対象者のセンサデータを用いて、識別モデル５０を生成する。内面状態識別手段１３は、生成された識別モデル５０を用いて、内面状態の識別を行うことができる。この識別モデル５０は、監視対象者から取得されたセンサデータを用いて生成されたものであるため、識別モデル５０が用いられる場合の識別結果の精度は、識別モデル４０が用いられる場合の識別結果の精度に比べて高い可能性がある。本開示では、上記条件が成立する場合に識別モデル５０が生成されるため、上記条件が成立する条件下において、内面状態の識別結果の精度の低下を抑制できる。

以下、図面を参照しつつ、本開示の実施の形態を詳細に説明する。図２は、本開示の第１実施形態に係る生体情報処理装置を含む生体情報処理装置システムを示す。生体情報処理システム１００は、生体情報処理装置（不穏識別装置）１１０、センサ群１２０、記憶装置１４０、及び通知部１５０を含む。不穏識別装置１１０は、例えばメモリとプロセッサとを含むコンピュータ装置として構成される。記憶装置１４０は、例えばＨＤＤ（Hard Disk Drive）やＳＳＤ（Solid State Drive）などの記憶装置として構成される。不穏識別装置１１０は、図１の生体情報処理装置１０に対応する。

ここで、本発明者らの観察によれば、少なくとも脳神経外科関連の患者の場合、実際に問題行動を起こす前に、行動が過剰で落ち着きがない不穏に陥っている状態（不穏状態）になっている場合が多いことが分かった。「不穏状態」とは、単に行動が過剰で落ち着きがない状態だけでなく、患者が穏やかではない状態、及び精神を正常にコントロールできない状態を含み得る。不穏状態は、身体的苦痛、及びせん妄の少なくとも１つに起因して発生することから、本明細書において、「不穏状態」の用語はせん妄を含むものとする。

不穏状態における具体的な患者の行動としては、手足をむやみに動かし続ける、身体が震えている、不自然に何らかの動作に集中している、論理が不明瞭な発言をする、及び看護者や介護者の言うことを聞かないなどの行動が考えられる。不穏状態は、更に、患者にとっては有害ではない、例えば患者の尿意に伴う行動も含み得る。本実施形態において、不穏識別装置１１０は、患者などの監視対象者の精神状態などを含む内面状態、例えば監視対象者の不穏状態を識別する。

記憶装置１４０は、過去データ１４１、属性情報１４２、及び識別モデル１４３を記憶する。識別モデル１４３は、センサ群１２０から得られセンサデータから、不穏状態のレベルを示す情報を生成するための識別モデル（識別パラメータ）である。不穏状態のレベルは、例えば、不穏状態、正常、及びそれらのどちらでもない不明を含む。不穏状態は、複数のレベル値として表されていてもよい。例えば、不穏状態は、３段階のレベル（強い不穏状態、中程度の不穏状態、弱い不穏状態）で表されていてもよい。この場合、レベルが強いほど、問題行動を起こす確率が高かったり、重度の問題を起こす可能性が高かったりする。不明は、不穏状態なのか正常なのか容易には判断できない状態である。識別モデル１４３は、例えば過去のセンサデータと、過去の不穏状態又は非不穏状態との関係を学習することで生成される。識別モデル１４３は、図１の識別モデル４０又は５０に対応する。

過去データ１４１は、識別モデル１４３の機械学習に用いられる学習用データを含む。過去データ１４１において、識別モデル１４３の生成に用いられる過去のセンサデータには、各センサデータが得られる場合に患者が正常であったか不穏状態であったかを示すラベルが付されている。過去データ１４１は、センサ群１２０から取得された、監視対象者の過去のセンサデータを含む。過去データ１４１は、監視対象者以外の患者から取得されたセンサデータを含んでいてもよい。

属性情報１４２は、識別モデル１４３の生成に用いられるセンサデータの取得元の患者が属する群の属性情報を含む。属性情報は、例えば、患者が入院する施設に関する情報、施設の周囲に関する情報、及び時間に関する情報を含む。施設に関する情報は、例えば患者が、脳神経外科、心臓外科、呼吸器外科、腫瘍内科、精神科、又は緩和ケア科などのうちのどの科目の患者であるかを示す情報を含む。施設に関する情報は、例えば急性期病院、リハビリ病院、介護施設、又は老人ホームなどの施設の種類に関する情報を含み得る。施設の周囲に関する情報は、場所、地域、周囲の病院などの設置状況、気温、湿度、地域住民の平均年齢、又は地域の飲食に関する情報などを含む。時間に関する情報は、例えば季節、月、又は、昼若しくは夜などの１日における時間帯などの情報を含む。

センサ群１２０は、例えば患者などの監視対象者の生体情報（センサデータ）を取得する１以上のセンサを含む。センサデータは、心拍、呼吸、血圧、体温、意識レベル、皮膚温度、皮膚コンダクタンス反応、心電波形、及び脳波波形を含む群から選択された情報を含む。属性情報１３０は、監視対象者が属する群の属性情報を含む。センサ群１２０及び属性情報１３０は、図１のセンサ群２０及び属性情報３０に対応する。

不穏識別装置１１０は、内面状態識別部１１１、判定部１１２、及びモデル生成部１１３を有する。内面状態識別部１１１は、センサ群１２０から、監視対象の患者のセンサデータを取得する。内面状態識別部１１１は、取得したセンサデータと、記憶装置１４０に記憶される識別モデル１４３とに基づいて、患者の内面状態（不穏状態）を識別する。内面状態識別部１１１は、取得したセンサデータから特徴量を抽出し、抽出した特徴量を識別モデル１４３に適用することで、不穏状態を識別してもよい。内面状態識別部１１１は、例えば不穏状態のレベルを示すスコア（不穏スコア）を、不穏状態の識別結果として出力する。内面状態識別部１１１は、図１の内面状態識別手段１３に対応する。

通知部１５０は、内面状態識別部１１１が識別した不穏状態の識別結果を、医療者などに出力する。通知部１５０は、例えば内面状態識別部１１１が出力する不穏スコアが所定の値以上の場合に、医療者などに患者が不穏状態である旨を通知してもよい。通知部１５０は、例えばランプ、画像表示装置、及びスピーカの少なくとも１つを含み、光、画像情報、及び音の少なくとも１つを用いて、医療者などに患者が不穏状態である旨を通知してもよい。具体的に、通知部１５０は、医療者などが所持するスマートフォンやタブレットなどの携帯型情報端末装置の表示画面に、患者が不穏状態である旨を表示してもよい。あるいは、通知部１５０は、医療者などが装着しているイヤホンなどに、音声で患者が不穏状態である旨を通知してもよい。さらに、通知部１５０は、ナースステーションなどに設置されているモニターに患者が不穏状態である旨を表示してもよいし、ナースステーションなどに設置されているスピーカを用いて、患者が不穏状態である旨を通知してもよい。通知部１５０が、患者が問題行動を起こす前の不穏状態であるときに、不穏状態を医療者に通知することで、医療者などは、患者が問題行動を起こす前に患者のケアを実施することができる。

図３は、不穏スコアの具体例を示す。図３に示されるグラフにおいて、縦軸は不穏スコアを表し、横軸は時間を表す。図３に示されるグラフは、ある時間のセンサデータに対し、内面状態識別部１１１において識別モデルが適用された結果として得られる不穏スコアの時間変化を表す。この例では、不穏スコアは、０から１の値を取る。不穏スコア「０」は不穏状態ではない（正常）、又は不穏状態である可能性が最も低いことを表しているものとする。また、不穏スコア「１」は不穏状態の度合いが最も強い、又は不穏状態である可能性が最も高いことを表しているものとする。このような識別モデルは、例えば正常状態の場合に付与されるラベルを「０」とし、不穏状態の場合に付与されるラベルを「１」とする学習用データを用いて学習を行うことで生成される。

内面状態識別部１１１は、時々刻々と変化し得るセンサデータを識別モデル１４３に適用し、不穏スコアを時系列に出力する。通知部１５０は、例えば不穏スコアが所定の値、例えば０．７以上の場合、患者が不穏状態にある旨を医療者などに通知する。通知の判断基準となるしきい値は、使用される識別モデルや他の条件などに応じて適宜設定され得る。通知を受けた医療者は、患者の様子を確認しに行くことができる。医療者は、例えばベッド脇に配置されたタブレットなどの端末装置を用いて、実際に患者が不穏状態であるのか、実際には患者は不穏状態ではないのかを示す情報を入力してもよい。また、医療者は、例えばベッド脇に配置されたタブレットなどの端末装置を用いて、声掛けやベッド調整などの患者に処置した内容に関する情報を入力してもよい。

図２に戻り、判定部１１２は、既存の識別モデルとは異なる別の識別モデルを生成する条件が成立するか否かを判定する。別の識別モデルを生成する条件は、例えば、識別モデル１４３を生成しなおすための条件とも読み替えることができる。例えば、判定部１１２は、内面状態識別部１１１が識別した不穏状態の識別結果の精度に基づいて、別の識別モデルを生成する条件が成立するか否かを判定する。判定部１１２は、例えば、識別結果の精度が所定のしきい値より低い場合に、別の識別モデルを生成する条件が成立すると判定する。不穏状態の識別結果の精度は、内面状態識別部１１１の識別結果と、医療者などが入力した患者の不穏状態の判定結果とを比較することで算出できる。

上記に代えて、判定部１１２は、内面状態識別部１１１が識別した不穏状態の時系列データ（不穏スコア）に基づいて、別の識別モデルを生成する条件が成立するか否かを判定してもよい。判定部１１２は、例えば、不穏スコアがある範囲内に分布する場合に、別の識別モデルを生成する条件が成立すると判定する。ここで、ある不穏スコアがある範囲内に分布するとは、例えば不穏スコアの総数（全サンプル）に対する、ある範囲内の値を取る不穏スコアの数の割合が所定の割合以上である状態を意味する。例えば、不穏スコアの値が特定の範囲に偏っている場合、不穏スコアの生成に用いられた識別モデルは適切に不穏状態を識別できていない可能性がある。具体的に、不穏スコアの多くが、不穏状態を示す値と正常状態を示す値との中間付近の範囲にある場合、識別モデルは不穏状態と正常状態とを正しく識別できていない可能性がある。判定部１１２は、中間付近の範囲の値を取る不穏スコアの割合が一定以上の場合に、別の識別モデルを生成する条件が成立すると判定してもよい。

また、判定部１１２は、監視対象者の属性情報１３０と記憶装置１４０に記憶される属性情報１４２とに基づいて、別の識別モデルを生成する条件が成立するか否かを判定してもよい。判定部１１２は、例えば、属性情報１３０と属性情報１４２とを比較し、現在の施設の状況が識別モデルの生成時と相違する場合（属性情報が変化した場合）に、別の識別モデルを生成する条件が成立すると判断してもよい。判定部１１２は、例えば患者が入院している病院の周囲に新たな病院ができた場合、或いは患者が入院している病院の周囲の病院がなくなった場合に、別の識別モデルを生成する条件が成立すると判定してもよい。あるいは、患者が入院している病院などに、新たな診療科が追加された場合に、別の識別モデルを生成する条件が成立すると判定してもよい。

監視対象者の群（その属性情報）と識別モデル生成の際の群（その属性情報）とが異なるか否か、別の言い方をすれば群が変化したか否かは、例えば下記の手法を用いて判断できる。まず、学習フェーズにおいて、図示しない学習装置を用いて、属性情報１３０と属性情報１４２とを説明変数とし、群が変化したか否かを示す値（変化あり：１、変化なし：０）を目的変数として機械学習を行う。機械学習に用いられる教師データは、識別モデル１４３とセンサ群１２０から取得されるセンサデータとを用いて識別される識別結果の精度に基づいて生成できる。識別結果の精度は、例えば医療者が入力した値と、識別結果とを比較することで計算できる。精度があらかじめ設定されたしきい値、例えば７０％より低い場合は群が変化した（値「１」）とし、しきい値以上の場合は群が変化していない（値「０」）とする。識別フェーズでは、機械学習で得られたモデルに、属性情報１３０と属性情報１４２とを適用し、群が変化したか否かを示す値を得ることができる。このようにする場合、学習フェーズでは精度を計算して群が変化したか否かを判定することになるが、識別フェーズでは、精度を計算せずに、属性情報１３０と属性情報１４２とから群が変化したか否かを判定することができる。

さらに、判定部１１２は、現在日時から季節を特定し、季節が変わった場合に別の識別モデルを生成する条件が成立すると判定してもよい。あるいは、判定部１１２は、ひと月に１回、別の識別モデルを生成する条件が成立すると判定してもよい。判定部１１２は、生体情報処理システム１００の運用が開始されるタイミングにおいて、別の識別モデルを生成する条件が成立すると判定してもよい。判定部１１２は、図１の判定手段１１に対応する。

モデル生成部１１３は、判定部１１２において別の識別モデルを生成する条件が成立すると判定された場合、センサ群１２０から取得された、監視対象者の過去のセンサデータを用いて、既存の識別モデル１４３とは別に、新たな識別モデルを生成する。生成された新たな識別モデルは、内面状態識別部１１１において不穏状態の識別に用いられる。モデル生成部１１３は、別の識別モデルを生成する条件が成立すると判断されなかった場合は、新たな識別モデルを生成しない。別の識別モデルを生成する条件が成立すると判断されなかった場合、既存の識別モデル１４３の生成に用いられた過去データ１４１に、センサ群１２０から取得したデータが追加されてもよい。モデル生成部１１３は、図１のモデル生成手段１２に対応する。

次いで、動作手順（生体情報処理方法）を説明する。図４は、動作手順を示す。内面状態識別部１１１は、センサ群１２０からセンサデータを取得する（ステップＡ１）。判定部１１２は、別の識別モデルを生成する条件が成立するか否かを判定する（ステップＡ２）。モデル生成部１１３は、ステップＡ２で別の識別モデルを生成する条件が成立すると判定された場合、監視対象者のセンサデータを用いて、以前のモデルとは独立して、新たな識別モデルを生成する（ステップＡ３）。モデル生成部１１３は、ステップＡ２で別の識別モデルを生成する条件が成立しないと判定された場合は、新たな識別モデルの生成は行わない。

本実施形態では、別の識別モデルを生成する条件が成立する場合、以前のモデルとは独立して新たな識別モデルが生成される。例えば、不穏状態の識別結果の精度が所定のしきい値より低い場合、現在使用している識別モデル１４３は、監視対象者の不穏状態の識別には適していないと考えられる。そのような場合に、別の識別モデルを生成する条件が成立すると判定して、以前のモデルとは独立して新たな識別モデルを生成し、その識別モデルを用いて不穏状態の識別を行う。そのようにすることで、不穏状態の識別結果の精度の低下を抑制できる。また、不穏状態の識別結果である不穏スコアが、例えば中央付近のある範囲内に偏って存在する場合も、現在使用している識別モデルでは、監視対象者の不穏状態を正しく識別できない可能性がある。そのような場合に、別の識別モデルを生成する条件が成立すると判定して、以前のモデルとは独立して新たな識別モデルを生成し、その識別モデルを用いて不穏状態の識別を行うことで、不穏状態の識別結果の精度の低下を抑制できる。

監視対象者が入院する施設の状況が変化した場合、監視対象者が属する群の属性情報が変化し、現在使用している識別モデル１４３は、監視対象者の不穏状態の識別には適していない可能性がある。また、センサデータは、外部環境の温度や湿度などに影響を受けるため、季節や時期に応じて、識別モデル１４３が監視対象者の不穏状態の識別には適したものではなくなる可能性がある。そのような場合に、別の識別モデルを生成する条件が成立すると判定して、以前のモデルとは独立して新たな識別モデルを生成し、その識別モデルを用いて不穏状態の識別を行うことで、不穏状態の識別結果の精度の低下を抑制できる。特に季節や時期の変化に応じて別の識別モデルを生成する場合、定期的に、季節や時期に合わせた識別モデルを使用した不穏状態の識別が可能である。

例えば、ある病院において患者から取得されたセンサデータを学習用データとして用い、識別モデル１４３が生成された場合を考える。その識別モデル１４３を、別の病院に入院する患者から取得されたセンサデータに適用した場合、双方のセンサデータの取得元の患者の群が属する属性情報が近ければ、識別モデル１４３を用いた不穏状態の識別結果の精度は高いと考えられる。しかし、例えば地域、時期、又は診療科などが異なる場合、識別モデル１４３を用いた不穏状態の識別結果の精度は高いとは限られない。本実施形態において、判定部１１２は、例えば、地域、時期、又は診療科などが識別モデルの生成時と識別モデルの適用時とで異なる場合に、別の識別モデルを生成する条件が成立したと判定する。新たな識別モデルを別途生成し、監視対象者に適用した識別モデルを用いて不穏状態の識別を行うことで、生体情報処理システム１００において、不穏状態の識別結果の精度が低下することを抑制できる。

続いて、本開示の第２実施形態を説明する。本実施形態に係る生体情報処理システムの構成は、図２に示される第１実施形態に係る生体情報処理システム１００の構成と同様でよい。本実施形態において、判定部１１２は、過去データ１４１に含まれる、監視対象者の過去のセンサデータの量がしきい値以上であるか否かを判断する。判定部１１２は、監視対象者の過去のセンサデータの量がしきい値以上の場合は、十分な量の監視対象者のセンサデータが存在すると判断する。判定部１１２は、十分な量の監視対象者のセンサデータが存在すると判断した場合、別の識別モデルを生成する条件が成立するか否かを判断する。判定部１１２は、十分な量の監視対象者のセンサデータが存在しないと判断した場合は、取得されたセンサデータを過去データ１４１に追加する。また、判定部１１２は、モデル生成部１１３に識別モデルを再生成させる。他の点は、第１実施形態と同様でよい。センサデータの量のしきい値は、例えば、データを増やして判定する前後での識別精度の変化がほぼないかどうかで決定できる。

図５は、第２実施形態における動作手順を示す。本実施形態において、内面状態識別部１１１は、センサ群１２０からセンサデータを取得する（ステップＢ１）。ステップＢ１は、図４のステップＡ１と同様でよい。判定部１１２は、過去データ１４１に含まれる、監視対象者の過去のセンサデータが、識別モデルの生成に十分な量のデータであるか否かを判断する（ステップＢ２）。判定部１１２は、ステップＢ２で十分なデータが存在しないと判断した場合は、ステップＢ１で取得されたセンサデータを過去データ１４１に追加し、モデル生成部１１３に識別モデルを再生成させる（ステップＢ５）。モデル生成部１１３は、センサデータが追加された過去データ１４１を用いて、内面状態識別部１１１で用いられる識別モデル１４３を再生成（修正）する。

判定部１１２は、ステップＢ２で十分なデータが存在すると判断した場合、別の識別モデルを生成する条件が成立するか否かを判定する（ステップＢ３）。ステップＢ３は、図４のステップＡ２と同様でよい。モデル生成部１１３は、ステップＢ３で別の識別モデルを生成する条件が成立すると判定された場合、監視対象者の過去のセンサデータを用いて、以前のモデルとは独立して、新たな識別モデルを生成する（ステップＢ４）。ステップＢ４は、図４のステップＡ３と同様でよい。モデル生成部１１３は、ステップＢ３で別の識別モデルを生成する条件が成立しないと判定した場合は、新たな識別モデルは生成しない。

本実施形態では、判定部１１２は、識別モデルの生成に十分な量のセンサデータが存在するか否かを判断する。判定部１１２は、識別モデルの生成に十分な量のセンサデータが存在する場合、別の識別モデルを生成する条件が成立するか否かを判断する。十分なセンサデータが存在しない場合に識別モデルが生成された場合、その識別モデルを用いた不穏状態の識別結果の精度は高くないと考えられる。モデル生成部１１３は、判定部１１２において十分なセンサデータが存在しないと判断された場合は、以前の識別モデルとは独立した新たな識別モデルの生成を行わない。このようにすることで、識別結果の精度が低い識別モデルが生成され、その識別モデルを用いた不穏状態の識別が行われることを抑制できる。

なお、上記各実施形態において、記憶装置１４０は、ステップＡ３（図４を参照）又はステップＢ４（図５を参照）で生成された識別モデルを含む複数の識別モデル１４３を記憶することができる。その場合、記憶装置１４０は、識別モデルごとに、識別モデルの生成に使用されるセンサデータの取得元の群が属する属性情報１４２を記憶してもよい。判定部１１２は、記憶装置１４０に、内面状態識別部１１１で使用可能な複数の識別モデル１４３が記憶される場合、取得されたセンサデータに複数の識別モデルのそれぞれが適用された場合の識別結果の精度を計算してもよい。判定部１１２は、識別結果の精度に基づいて、内面状態識別部１１１で使用される識別モデルを選択してもよい。例えば、判定部１１２は、複数の識別モデルのうち、識別結果の精度が最も高い識別モデルを、不穏状態の識別に用いる識別モデルとして選択してもよい。

上記各実施形態において、生体情報処理システム１００における各部の機能は、ハードウェアを用いて実現されていてもよいし、ソフトウェアを用いて実現されていてもよい。また、生体情報処理システム１００における各部の機能は、ハードウェアとソフトウェアとを組み合わせることで実現されていてもよい。

図６は、不穏識別装置１１０に用いられ得る情報処理装置（コンピュータ装置）の構成例を示す。情報処理装置５００は、制御部（ＣＰＵ：Central Processing Unit）５１０、記憶部５２０、ＲＯＭ（Read Only Memory）５３０、ＲＡＭ（Random Access Memory）５４０、通信インタフェース（ＩＦ：Interface）５５０、及びユーザインタフェース５６０を有する。

通信インタフェース５５０は、有線通信手段又は無線通信手段などを介して、情報処理装置５００と通信ネットワークとを接続するためのインタフェースである。ユーザインタフェース５６０は、例えばディスプレイなどの表示部を含む。また、ユーザインタフェース５６０は、キーボード、マウス、及びタッチパネルなどの入力部を含む。

記憶部５２０は、各種のデータを保持できる補助記憶装置である。記憶部５２０は、必ずしも情報処理装置５００の一部である必要はなく、外部記憶装置であってもよいし、ネットワークを介して情報処理装置５００に接続されたクラウドストレージであってもよい。記憶部５２０は、図２の記憶装置１４０に対応する。ＲＯＭ５３０は、不揮発性の記憶装置である。ＲＯＭ５３０には、例えば比較的容量が少ないフラッシュメモリなどの半導体記憶装置が用いられる。ＣＰＵ５１０が実行するプログラムは、記憶部５２０又はＲＯＭ５３０に格納され得る。

上記プログラムは、様々なタイプの非一時的なコンピュータ可読媒体を用いて格納され、情報処理装置５００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憶媒体を含む。非一時的なコンピュータ可読媒体の例は、例えばフレキシブルディスク、磁気テープ、又はハードディスクなどの磁気記録媒体、例えば光磁気ディスクなどの光磁気記録媒体、ＣＤ（compact disc）、又はＤＶＤ（digital versatile disk）などの光ディスク媒体、及び、マスクＲＯＭ、ＰＲＯＭ（programmable ROM）、ＥＰＲＯＭ（erasable PROM）、フラッシュＲＯＭ、又はＲＡＭなどの半導体メモリを含む。また、プログラムは、様々なタイプの一時的なコンピュータ可読媒体を用いてコンピュータに供給されてもよい。一時的なコンピュータ可読媒体の例は、電気信号、光信号、及び電磁波を含む。一時的なコンピュータ可読媒体は、電線及び光ファイバなどの有線通信路、又は無線通信路を介して、プログラムをコンピュータに供給できる。

ＲＡＭ５４０は、揮発性の記憶装置である。ＲＡＭ５４０には、ＤＲＡＭ（Dynamic Random Access Memory）又はＳＲＡＭ（Static Random Access Memory）などの各種半導体メモリデバイスが用いられる。ＲＡＭ５４０は、データなどを一時的に格納する内部バッファとして用いられ得る。ＣＰＵ５１０は、記憶部５２０又はＲＯＭ５３０に格納されたプログラムをＲＡＭ５４０に展開し、実行する。ＣＰＵ５１０がプログラムを実行することで、図２に示される不穏識別装置１１０内の内面状態識別部１１１、判定部１１２、及びモデル生成部１１３の各部の機能が実現される。ＣＰＵ５１０は、データなどを一時的に格納できる内部バッファを有してもよい。

以上、本開示の実施形態を詳細に説明したが、本開示は、上記した実施形態に限定されるものではなく、本開示の趣旨を逸脱しない範囲で上記実施形態に対して変更や修正を加えたものも、本開示に含まれる。

例えば、上記の実施形態の一部又は全部は、以下の付記のようにも記載され得るが、以下には限られない。

［付記１］
１以上センサを含むセンサ群から監視対象者のセンサデータを取得し、該取得したセンサデータと、過去に取得されたセンサデータを用いて生成された、前記監視対象者の内面状態を識別するための識別モデルとに基づいて、前記監視対象者の内面状態を識別する内面状態識別手段と、
既存の識別モデルとは異なる別の識別モデルを生成する条件が成立するか否かを判定する判定手段と、
前記判定手段で前記条件が成立すると判定された場合、前記センサ群から取得された監視対象者のセンサデータを用いて、前記内面状態識別手段が使用していた識別モデルとは別の識別モデルを生成するモデル生成手段とを備える生体情報処理装置。

［付記２］
前記内面状態は前記監視対象者が不穏状態であるか否かを含み、前記内面状態識別手段は、前記不穏状態のレベルを前記内面状態の識別結果として出力する付記１に記載の生体情報処理装置。

［付記３］
前記判定手段は、前記内面状態識別手段が識別した内面状態の識別結果の精度に基づいて、前記条件が成立するか否かを判定する付記１又は２に記載の生体情報処理装置。

［付記４］
前記判定手段は、前記識別結果の精度がしきい値より低い場合、前記条件が成立すると判定する付記３に記載の生体情報処理装置。

［付記５］
前記判定手段は、前記内面状態識別手段が識別した不穏状態のレベルに基づいて、前記条件が成立するか否かを判定する付記２に記載の生体情報処理装置。

［付記６］
前記判定手段は、前記不穏状態のレベルが所定の範囲内に分布している場合、前記条件が成立すると判定する付記５に記載の生体情報処理装置。

［付記７］
前記判定手段は、前記監視対象者が属する群の属性情報、及び前記過去に取得されたセンサデータの取得元が属する群の属性情報に基づいて、前記条件が成立するか否かを判定する付記１又は２に記載の生体情報処理装置。

［付記８］
前記属性情報は、患者が入院する施設に関する情報、患者が入院する施設の周囲に関する情報、及び時間に関する情報を含む付記７に記載の生体情報処理装置。

［付記９］
前記判定手段は、前記監視対象者が属する群の属性情報と前記過去に取得されたセンサデータの取得元が属する群の属性情報とが相違する場合、前記条件が成立すると判定する付記７又は８に記載の生体情報処理装置。

［付記１０］
前記判定手段は、前記監視対象者が属する群の属性情報及び前記過去に取得されたセンサデータの取得元が属する群の属性情報を説明変数とし、前記属性情報が相違するか否かを示す情報を目的変数として機械学習を行うことで生成されたモデルを用いて、前記属性情報が相違するか否かを判断する付記９に記載の生体情報処理装置。

［付記１１］
前記判定手段は、前記内面状態識別手段が使用可能な識別モデルが複数存在する場合、前記内面状態識別手段が前記複数の識別モデルのそれぞれを使用して識別した内面状態の識別結果の精度に基づいて、前記内面状態識別手段が使用する識別モデルを選択する付記１から１０何れか１つに記載の生体情報処理装置。

［付記１２］
前記判定手段は、前記センサ群から取得された監視対象者のセンサデータの量がしきい値以上あるか否かを判断し、センサデータの量がしきい値以上であると判断した場合、前記条件が成立するか否かを判断する付記１から１１何れか１つに記載の生体情報処理装置。

［付記１３］
１以上センサを含むセンサ群から監視対象者のセンサデータを取得し、該取得したセンサデータと、過去に取得されたセンサデータを用いて生成された、前記監視対象者の内面状態を識別するための識別モデルとに基づいて、前記監視対象者の内面状態を識別し、
既存の識別モデルとは異なる別の識別モデルを生成する条件が成立するか否かを判定し、
前記条件が成立すると判定された場合、前記センサ群から取得された監視対象者のセンサデータを用いて、前記内面状態の識別に使用された識別モデルとは別の識別モデルを生成する生体情報処理方法。

［付記１４］
１以上センサを含むセンサ群から監視対象者のセンサデータを取得し、該取得したセンサデータと、過去に取得されたセンサデータを用いて生成された、前記監視対象者の内面状態を識別するための識別モデルとに基づいて、前記監視対象者の内面状態を識別し、
既存の識別モデルとは異なる別の識別モデルを生成する条件が成立するか否かを判定し、
前記条件が成立すると判定された場合、前記センサ群から取得された監視対象者のセンサデータを用いて、前記内面状態の識別に使用された識別モデルとは別の識別モデルを生成するための処理をコンピュータに実行させるためのプログラムを格納するコンピュータ読取可能記録媒体。

１０：生体情報処理装置
１１：判定手段
１２：モデル生成手段
１３：内面状態識別手段
２０：センサ群
３０：属性情報
４０、５０：識別モデル
１００：生体情報処理システム
１１０：不穏識別装置
１１１：内面状態識別部
１１２：判定部
１１３：モデル生成部
１２０：センサ群
１３０：属性情報
１４０：記憶装置
１４１：過去データ
１４２：属性情報
１４３：識別モデル
１５０：通知部

Claims

１以上センサを含むセンサ群から監視対象者のセンサデータを取得し、該取得したセンサデータと、過去に取得されたセンサデータを用いて生成された、前記監視対象者の内面状態を識別するための識別モデルとに基づいて、前記監視対象者の内面状態を識別する内面状態識別手段と、
既存の識別モデルとは異なる別の識別モデルを生成する条件が成立するか否かを判定する判定手段と、
前記判定手段で前記条件が成立すると判定された場合、前記センサ群から取得された監視対象者のセンサデータを用いて、前記内面状態識別手段が使用していた識別モデルとは別の識別モデルを生成するモデル生成手段とを備え、
前記内面状態は前記監視対象者が不穏状態であるか否かを含み、前記内面状態識別手段は、前記不穏状態のレベルを前記内面状態の識別結果として出力し、
前記判定手段は、前記内面状態識別手段が識別した不穏状態のレベルに基づいて、前記条件が成立するか否かを判定する、生体情報処理装置。
前記判定手段は、前記不穏状態のレベルが所定の範囲内に分布している場合、前記条件が成立すると判定する請求項１に記載の生体情報処理装置。
１以上センサを含むセンサ群から監視対象者のセンサデータを取得し、該取得したセンサデータと、過去に取得されたセンサデータを用いて生成された、前記監視対象者の内面状態を識別するための識別モデルとに基づいて、前記監視対象者の内面状態を識別する内面状態識別手段と、
既存の識別モデルとは異なる別の識別モデルを生成する条件が成立するか否かを判定する判定手段と、
前記判定手段で前記条件が成立すると判定された場合、前記センサ群から取得された監視対象者のセンサデータを用いて、前記内面状態識別手段が使用していた識別モデルとは別の識別モデルを生成するモデル生成手段とを備え、
前記判定手段は、前記監視対象者が属する群の属性情報、及び前記過去に取得されたセンサデータの取得元が属する群の属性情報に基づいて、前記条件が成立するか否かを判定し、
前記判定手段は、前記監視対象者が属する群の属性情報と前記過去に取得されたセンサデータの取得元が属する群の属性情報とが相違する場合、前記条件が成立すると判定する、生体情報処理装置。
前記属性情報は、患者が入院する施設に関する情報、患者が入院する施設の周囲に関する情報、及び時間に関する情報を含む請求項３に記載の生体情報処理装置。
前記判定手段は、前記監視対象者が属する群の属性情報及び前記過去に取得されたセンサデータの取得元が属する群の属性情報を説明変数とし、前記属性情報が相違するか否かを示す情報を目的変数として機械学習を行うことで生成されたモデルを用いて、前記属性情報が相違するか否かを判断する請求項３又は４に記載の生体情報処理装置。
前記判定手段は、前記内面状態識別手段が使用可能な識別モデルが複数存在する場合、前記内面状態識別手段が前記複数の識別モデルのそれぞれを使用して識別した内面状態の識別結果の精度に基づいて、前記内面状態識別手段が使用する識別モデルを選択する請求項１から５何れか１項に記載の生体情報処理装置。
前記判定手段は、前記センサ群から取得された監視対象者のセンサデータの量がしきい値以上あるか否かを判断し、センサデータの量がしきい値以上であると判断した場合、前記条件が成立するか否かを判断する請求項１から６何れか１項に記載の生体情報処理装置。
コンピュータを用いて実施される生体情報処理方法であって、
前記コンピュータが、１以上センサを含むセンサ群から監視対象者のセンサデータを取得し、該取得したセンサデータと、過去に取得されたセンサデータを用いて生成された、前記監視対象者が不穏状態であるか否かを含む、前記監視対象者の内面状態を識別するための識別モデルとに基づいて、前記不穏状態のレベルを、前記監視対象者の内面状態として識別し、
前記コンピュータが、前記識別した不穏状態のレベルに基づいて、既存の識別モデルとは異なる別の識別モデルを生成する条件が成立するか否かを判定し、
前記コンピュータが、前記条件が成立すると判定された場合、前記センサ群から取得された監視対象者のセンサデータを用いて、前記内面状態の識別に使用された識別モデルとは別の識別モデルを生成する生体情報処理方法。
コンピュータを用いて実施される生体情報処理方法であって、
前記コンピュータが、１以上センサを含むセンサ群から監視対象者のセンサデータを取得し、該取得したセンサデータと、過去に取得されたセンサデータを用いて生成された、前記監視対象者の内面状態を識別するための識別モデルとに基づいて、前記監視対象者の内面状態を識別し、
前記コンピュータが、前記監視対象者が属する群の属性情報、及び前記過去に取得されたセンサデータの取得元が属する群の属性情報に基づいて、既存の識別モデルとは異なる別の識別モデルを生成する条件が成立するか否かを判定し、該判定において、前記監視対象者が属する群の属性情報と前記過去に取得されたセンサデータの取得元が属する群の属性情報とが相違する場合、前記条件が成立すると判定し、
前記コンピュータが、前記条件が成立すると判定された場合、前記センサ群から取得された監視対象者のセンサデータを用いて、前記内面状態の識別に使用された識別モデルとは別の識別モデルを生成する生体情報処理方法。
１以上センサを含むセンサ群から監視対象者のセンサデータを取得し、該取得したセンサデータと、過去に取得されたセンサデータを用いて生成された、前記監視対象者が不穏状態であるか否かを含む、前記監視対象者の内面状態を識別するための識別モデルとに基づいて、前記不穏状態のレベルを、前記監視対象者の内面状態として識別し、
前記識別した不穏状態のレベルに基づいて、既存の識別モデルとは異なる別の識別モデルを生成する条件が成立するか否かを判定し、
前記条件が成立すると判定された場合、前記センサ群から取得された監視対象者のセンサデータを用いて、前記内面状態の識別に使用された識別モデルとは別の識別モデルを生成するための処理をコンピュータに実行させるためのプログラム。
１以上センサを含むセンサ群から監視対象者のセンサデータを取得し、該取得したセンサデータと、過去に取得されたセンサデータを用いて生成された、前記監視対象者の内面状態を識別するための識別モデルとに基づいて、前記監視対象者の内面状態を識別し、
前記監視対象者が属する群の属性情報、及び前記過去に取得されたセンサデータの取得元が属する群の属性情報に基づいて、既存の識別モデルとは異なる別の識別モデルを生成する条件が成立するか否かを判定し、該判定において、前記監視対象者が属する群の属性情報と前記過去に取得されたセンサデータの取得元が属する群の属性情報とが相違する場合、前記条件が成立すると判定し、
前記条件が成立すると判定された場合、前記センサ群から取得された監視対象者のセンサデータを用いて、前記内面状態の識別に使用された識別モデルとは別の識別モデルを生成するための処理をコンピュータに実行させるためのプログラム。