JP7246648B2 - 作業療法支援装置、作業療法支援装置のための人工知能学習装置、作業療法支援方法、作業療法支援装置のための人工知能学習方法、作業療法支援プログラム、及び人工知能学習プログラム - Google Patents

作業療法支援装置、作業療法支援装置のための人工知能学習装置、作業療法支援方法、作業療法支援装置のための人工知能学習方法、作業療法支援プログラム、及び人工知能学習プログラム Download PDF

Info

Publication number
JP7246648B2
JP7246648B2 JP2021098380A JP2021098380A JP7246648B2 JP 7246648 B2 JP7246648 B2 JP 7246648B2 JP 2021098380 A JP2021098380 A JP 2021098380A JP 2021098380 A JP2021098380 A JP 2021098380A JP 7246648 B2 JP7246648 B2 JP 7246648B2
Authority
JP
Japan
Prior art keywords
data
sleep
artificial intelligence
occupational therapy
support device
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
JP2021098380A
Other languages
English (en)
Other versions
JP2022190181A (ja
Inventor
浩和 増田
賞一 堀口
瑛至 熊川
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.)
Rehabilitation30
Original Assignee
Rehabilitation30
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 Rehabilitation30 filed Critical Rehabilitation30
Priority to JP2021098380A priority Critical patent/JP7246648B2/ja
Priority to US17/886,131 priority patent/US20230030655A1/en
Publication of JP2022190181A publication Critical patent/JP2022190181A/ja
Application granted granted Critical
Publication of JP7246648B2 publication Critical patent/JP7246648B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training
    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Hospice & Palliative Care (AREA)
  • Psychology (AREA)
  • Social Psychology (AREA)
  • Child & Adolescent Psychology (AREA)
  • Developmental Disabilities (AREA)
  • Psychiatry (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Pathology (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Rehabilitation Tools (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Description

特許法第３０条第２項適用 （１） 掲載年月日：令和３年１月８日； 掲載アドレス：ｈｔｔｐｓ：／／ｗｗｗ．ｏｓａｋａ．ｃｃｉ．ｏｒ．ｊｐ／ｅｖｅｎｔ／ｓｅｍｉｎａｒ／２０２０１２／Ｄ２２２１０２１２０１１．ｈｔｍｌ （２） 掲載年月日：令和３年２月１日； 掲載アドレス：ｈｔｔｐｓ：／／ｗｗｗ．ｓａｎｓｏｋａｎ．ｊｐ／ｅｖｅｎｔｓ／ｅｖｅ＿ｄｅｔａｉｌ．ｓａｎ？Ｈ＿Ａ＿ＮＯ＝３２９３８ （３）発表を行った日：令和３年２月１２日； 発表した場所：オンライン開催 （４）発表を行った日：令和３年２月２７日； 発表した場所：大阪市立大学健康科学イノベーションセンターおよびオンライン開催 （５）発表を行った日：令和３年３月１９日； 発表した場所：オンライン開催 （６）掲載年月日：令和３年２月９日； 掲載アドレス：ｈｔｔｐｓ：／／ｒｅｈａｂｉｌｉｔａｔｉｏｎ３．ｊｐ／の複数ページ （７）掲載年月日：令和３年２月１０日； 掲載アドレス：ｈｔｔｐｓ：／／ｒｅｈａｂｉｌｉｔａｔｉｏｎ３．ｊｐ／の複数ページ （８）掲載年月日：令和３年３月１７日； 掲載アドレス：ｈｔｔｐｓ：／／ｒｅｈａｂｉｌｉｔａｔｉｏｎ３．ｊｐ／のページ
本発明は、作業療法を支援する作業療法支援装置、当該作業療法支援装置のための人工知能を学習させる学習装置、作業療法を支援する作業療法支援方法、作業療法支援装置のための人工知能を学習させる学習方法、コンピュータに作業療法支援方法を実行させる作業療法支援プログラム、及びコンピュータに人工知能学習方法を実行させる人工知能学習プログラムに関する。
１９６５年（昭和４０ 年）に作業療法が法制化されてから約５５年を経ている。この間、社会構造の変化や国民の健康・障害に対する意識の変化に対応しながら、作業療法と作業療法士は保健・医療・福祉等の各領域で国民の健康状態に寄与しうる専門職として発展・成長を遂げてきている、といわれている。
「作業療法」は、身体又は精神に障害のある者、またはそれが予測される者に対し、その主体的な生活の獲得を図るため、諸機能の回復、維持及び開発を促す作業活動を用いて、治療、指導及び援助を行うことを意味する（日本作業療法士協会による「作業療法」の実践に基づく定義）。また、「作業」とは、日常生活の諸動作や仕事、遊びなど人間に関わるすべての諸活動をさし、治療や援助もしくは指導の手段となるものを意味する（日本作業療法士協会による「作業」の定義）。資格を有する作業療法士が作業療法を行うには、先ず、処方の対象者やその家族との面談において、作業療法評価（アセスメント）について説明し、同意を得た上で、作業療法評価を行う。作業療法評価のためには、カルテ等からの情報収集、面接や行動観察、検査・測定などが行われる。その上で、作業療法計画が立案され、計画に基づいて作業療法が実施される。また、実施を継続する中で、作業療法評価が定期的に行われ、作業療法の効果が計測される。（以上、非特許文献１参照）
作業療法評価の有効な手段として、機能的自立度評価法（ＦＩＭ；Functional Independence Measure）が知られている。ＦＩＭは、日常生活動作（ＡＤＬ）が自力でどの程度可能かを評価する方法として、米国にて開発されたものである。ＦＩＭによる日常生活活動の評価を行うことにより、特に介護負担度の評価が可能であるため、ＦＩＭは我国においても、リハビリテーションの分野などにおいて幅広く活用されている周知の手法である。ＦＩＭは、運動項目と認知項目の計１８項目から成り、各項目を１点～７点の７段階で評価する。認知項目は、理解、表出、社会的交流、問題解決、記憶の５項目である。運動項目は、食事、整容、清拭、更衣、トイレ動作、排尿管理、排便管理、移乗（起居動作）、移動など、合計１３項目である。
ＦＩＭは、誰でも計測できる評価法であると言われているが、一方で、評価者の個人的判断が入るため、評価結果が一定にならないことがある、という問題点があった。資格のある作業療法士が評価した場合には、評価のぶれは小さいとしても、動作に関する専門家ではない者が評価した場合に、特に問題となる。なお、特許文献１には、ユーザの睡眠中のバイタルデータと、睡眠に対するユーザ自身の主観データとに基づいて、睡眠状態を判定する睡眠状態判定装置が開示されている。
特開2019-068907号公報
一般社団法人日本作業療法士協会「作業療法ガイドライン（2012 年度版）」（http://www.jaot.or.jp/wp-content/uploads/2013/08/OTguideline-2012.pdf）
本発明は上記の問題点に鑑みてなされたもので、本発明のある態様は、評価者に依存しない、作業療法の実施に役立つデータを得ることを可能にする作業療法支援装置を提供することを目的とする。本発明の別の態様は、当該作業療法支援装置のための人工知能を学習させる学習装置を提供することを目的とする。本発明のさらに別の態様は、評価者に依存しない、作業療法の実施に役立つデータを得ることを可能にする作業療法支援方法を提供することを目的とする。本発明のさらに別の態様は、前記作業療法支援装置のための人工知能を学習させる学習方法を提供することを目的とする。本発明のさらに別の態様は、コンピュータに前記作業療法支援方法を実行させる作業療法支援プログラムを提供することを目的とする。また、本発明のさらに別の態様は、コンピュータに前記人工知能学習方法を実行させる人工知能学習プログラム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、本発明のうち第１の態様によるものは、作業療法支援装置であって、入力データ受付部と、推定部と、推定データ出力部と、を備えている。入力データ受付部は、作業療法の対象者の睡眠に関するデータである睡眠データを含み、前記対象者の身体に関するデータである基本データを含まない入力データの入力を受け付ける。推定部は、前記入力データ受付部が入力を受け付けた前記入力データを、学習済みの人工知能に入力することにより、前記対象者の日常生活動作に関するデータである日常生活動作データを含むデータの、推定データを前記人工知能に演算させる。推定データ出力部は、前記人工知能が演算した前記推定データを出力する。そして、前記睡眠データは、睡眠センサによって計測されたデータに基づく、数値で表されたデータを含んでおり、前記日常生活動作データは、段階的に評価されるデータを含んでいる。
この構成によれば、作業療法の対象者の、例えば寝返り回数などの睡眠データに基づいて、作業療法評価に役立つ、例えば食事、トイレなどの日常生活動作に関するデータの推定データが得られる。入力データである睡眠データは、評価者に依存しない客観的なデータである。従って、評価者に依存しない、作業療法評価に役立つデータが得られる。また、入力データ及び推定データが、数値で表されたデータ又は段階的に評価されるデータを含んでいるので、人工知能による推定データの演算が行われ易い。なお、学習済みの人工知能は、本構成の作業療法支援装置の一部であってもよく、例えば外部のクラウドサーバに置かれるものなど、外部の装置であってもよい。
本発明のうち第２の態様によるものは、作業療法支援装置であって、入力データ受付部と、第１の推定部と、第２の推定部と、推定データ出力部と、を備えている。入力データ受付部は、作業療法評価の対象者の睡眠に関するデータである睡眠データを含み、前記対象者の身体に関するデータである基本データを含まない入力データの入力を受け付ける。第１の推定部は、前記入力データ受付部が入力を受け付けた前記入力データを、学習済みの第１の人工知能に入力することにより、前記対象者の日常生活動作に関するデータである日常生活動作データを含むデータの、推定データを前記第１の人工知能に演算させる。第２の推定部は、前記第１の人工知能が演算した前記推定データを、学習済みの第２の人工知能に入力することにより、前記対象者への作業療法の処方データの推定データを前記第２の人工知能に演算させる。推定データ出力部は、前記第２の人工知能が演算した前記処方データの推定データを出力する。前記処方データは、運動、マッサージ、ストレッチ、及び、寝具の条件のうちの少なくとも１つの項目についての、処方すべき内容を表現するデータを含む。そして、前記睡眠データは、睡眠センサによって計測されたデータに基づく、数値で表されたデータを含んでおり、前記日常生活動作データは、段階的に評価されるデータを含んでいる。
この構成によれば、作業療法の対象者の、例えば寝返り回数などの睡眠データに基づいて、作業療法評価に役立つ、例えば食事、トイレなどの日常生活動作に関するデータの推定データが演算される。入力データである睡眠データは、評価者に依存しない客観的なデータである。従って、演算された推定データは、評価者に依存しない客観的なデータとなる。さらに、演算された推定データに基づいて、作業療法の処方データの推定データが得られるので、作業療法計画の立案に役立てることができる。基礎となるデータが、評価者に依存しない客観的なデータであるので、得られる処方データも評価者に依存しない客観的なデータとなる。すなわち本構成は、評価者に依存しない客観的で、作業療法計画の立案に役立つデータが得られる。また、入力データ及び推定データが、数値で表されたデータ又は段階的に評価されるデータを含んでいるので、第１の人工知能による推定データの演算が行われ易い。なお、学習済みの人工知能は、本構成の作業療法支援装置の一部であってもよく、例えば外部のクラウドサーバに置かれるものなど、外部の装置であってもよい。
本発明のうち第３の態様によるものは、第２の態様による作業療法支援装置であって、前記処方データは、前記日常生活動作データに含まれる少なくとも１つの日常生活動作の項目についての、動作指導を表現するデータを、さらに含んでいる。
この構成によれば、例えば食事に関して「水分の摂取量を抑える」といった、日常生活動作に関する項目のうちの少なくとも１つの項目についての動作指導をも含めて、作業療法計画の立案に役立てることができる。基礎となるデータが、評価者に依存しない客観的なデータであるので、得られる動作指導を表現するデータも評価者に依存しない客観的なデータとなる。
本発明のうち第４の態様によるものは、第１から第３のいずれかの態様による作業療法支援装置であって、前記睡眠データは、心拍に関する情報、呼吸に関する情報、及び体動に関する情報のうちの少なくとも１つを含む、睡眠に関する項目のデータであり、
前記日常生活動作データは、機能的自立度評価法に定められる評価項目のうちの少なくとも１つについて、複数段階で評価されるデータを含む、日常生活動作に関する項目のデータである。
この構成によれば、入力データ及び推定データに、推定データの演算に好適なデータが含まれるので、推定データの演算が相応の精度で行われる。なお、本構成において、「機能的自立度評価法に定められる評価項目のうちの少なくとも１つ」は、「複数段階で評価されるデータ」であれば足り、７段階に限定されない。
本発明のうち第５の態様によるものは、第４の態様による作業療法支援装置であって、前記睡眠データは、所定時間毎の、睡眠時間、臥位中非睡眠時間、離床時間、臥位時間、睡眠時間／臥位時間、離床回数、中途覚醒回数、心拍数の所定以上の変動の有無、睡眠時の平均心拍数－非睡眠時の平均心拍数、所定睡眠時間帯内の平均心拍数、前記所定睡眠時間帯内の最大心拍数－前記所定睡眠時間帯内の平均心拍数、睡眠時の平均呼吸数－非睡眠時の平均呼吸数、前記所定睡眠時間帯内の平均呼吸数、前記所定睡眠時間帯内の最大呼吸数－前記所定睡眠時間帯内の平均呼吸数、のうちの少なくとも１つを含んでいる。
この構成によれば、入力データに、推定データの演算に一層好適なデータが含まれるので、推定データの演算がより良好な精度で行われる。なお、本構成において、「睡眠時間」から「前記所定睡眠時間帯内の最大呼吸数－前記所定睡眠時間帯内の平均呼吸数」まで列挙される様々なデータは、それらの冒頭に「所定時間毎の」と記載される通り、いずれも所定時間毎のデータである。例えば、「前記所定睡眠時間帯内の最大呼吸数－前記所定睡眠時間帯内の平均呼吸数」は、「所定睡眠時間帯」内における「所定時間」毎の「最大呼吸数－平均呼吸数」を意味する。
本発明のうち第６の態様によるものは、第１から第５のいずれかの態様による作業療法支援装置であって、前記日常生活動作データは、食事、トイレ、排便、移乗トイレ、移動歩行、理解、問題解決、及び記憶のうち少なくとも１つを含む、日常生活動作に関する項目のデータである。
この構成によれば、作業療法評価を行うのに有益な最小限の項目を含む、日常生活動作データの推定データが演算される。
本発明のうち第７の態様によるものは、第１から第６のいずれかの態様による作業療法支援装置であって、前記日常生活動作データを含むデータは、前記対象者の身体機能に関するデータである身体機能データを、さらに含んでいる。
この構成によれば、日常生活動作データの推定データだけでなく、例えば握力などの身体機能に関するデータの推定データが演算されるので、より精度の高い、作業療法評価又は作業療法計画の立案に役立つデータが得られる。入力データである睡眠データは、評価者に依存しない客観的なデータであるから、身体機能データの推定データも、評価者に依存しない客観的なデータとなる。
本発明のうち第８の態様によるものは、第１から第７のいずれかの態様による作業療法支援装置であって、前記日常生活動作データは、転倒の可能性である転倒リスクを含んでいる。
この構成によれば、転倒リスクを含めて日常生活動作データの推定データが演算されるので、より精度の高い、作業療法評価又は作業療法計画の立案に役立つデータが得られる。
本発明のうち第９の態様によるものは、第１から第８のいずれかの態様による作業療法支援装置であって、前記睡眠データは、睡眠に関する質問への前記対象者の回答を、さらに含んでいる。
この構成によれば、睡眠データが、例えば「よく眠れた」などの、対象者の主観評価データを含むので、より精度の高い、作業療法評価又は作業療法計画の立案に役立つデータが得られる。また、対象者の主観評価データは、評価者に依存しないので、評価者に依存しない客観的な、作業療法評価又は作業療法計画の立案に役立つデータを得ることを妨げない。
本発明のうち第１０の態様によるものは、第１から第９のいずれかの態様による作業療法支援装置であって、前記入力データは、前記対象者の睡眠時の環境に関するデータである環境データを、さらに含んでいる。
この構成によれば、入力データが、例えば睡眠時の照度など、対象者の環境データを含むので、より精度の高い、作業療法評価又は作業療法計画の立案に役立つデータが得られる。また、対象者の環境データは、評価者に依存しないので、評価者に依存しない客観的な、作業療法評価又は作業療法計画の立案に役立つデータを得ることを妨げない。
本発明のうち第１１の態様によるものは、第１から第１０のいずれかの態様による作業療法支援装置であって、前記入力データは、現在から過去にわたる複数時点における、前記対象者の前記睡眠データを含むデータを、対応する前記複数時点の時間データと互いに関連付けて含んでいる。
この構成によれば、作業療法評価の対象者の睡眠データなど（但し基本データを含まない）の履歴をも考慮した、より精度の高い、作業療法評価又は作業療法計画の立案に役立つデータが得られる。
本発明のうち第１２の態様によるものは、第１から第１１のいずれかの態様による作業療法支援装置であって、前記入力データは、過去の時点における前記対象者の前記日常生活動作データを含んでいる。
この構成によれば、作業療法評価の対象者の過去の時点における日常生活動作データをも考慮した、より精度の高い、作業療法評価又は作業療法計画の立案に役立つデータが得られる。
本発明のうち第１３の態様によるものは、第１２の態様による作業療法支援装置であって、前記過去の時点における前記対象者の前記日常生活動作データは、前記作業療法支援装置それ自身によって過去に推定された推定データである。
この構成によれば、入力データに含められる過去の時点における日常生活動作データが、容易に得られる。
本発明のうち第１４の態様によるものは、第１の態様による作業療法支援装置が用いる前記人工知能を学習させる、作業療法支援装置のための人工知能学習装置であって、入力データ受付部と、教師データ受付部と、学習部と、を備えている。入力データ受付部は、作業療法評価の対象者の睡眠に関するデータである睡眠データを含み、前記対象者の身体に関するデータである基本データを含まない入力データの入力を受け付ける。教師データ受付部は、前記入力データに対応する、前記対象者の日常生活動作に関するデータである日常生活動作データを含むデータである、教師データの入力を受け付ける。学習部は、前記入力データ受付部が入力を受け付けた前記入力データと、前記教師データ受付部が入力を受け付けた前記教師データとを、人工知能に入力することにより、前記入力データから前記教師データを推定するように、前記人工知能を学習させる。そして、前記睡眠データは、睡眠センサによって計測されたデータに基づく、数値で表されたデータを含んでおり、前記日常生活動作データは、段階的に評価されるデータを含んでいる。
この構成によれば、第１の態様による作業療法支援装置に使用可能な人工知能が、学習により構築される。なお、人工知能は、本構成の人工知能学習装置の一部であってもよく、例えば外部のクラウドサーバに置かれるものなど、外部の装置であってもよい。
本発明のうち第１５の態様によるものは、第１４の態様による作業療法支援装置のための人工知能学習装置であって、前記睡眠データは、心拍に関する情報、呼吸に関する情報、及び体動に関する情報のうちの少なくとも１つを含む、睡眠に関する項目のデータである。また、前記日常生活動作データは、機能的自立度評価法に定められる評価項目のうちの少なくとも１つについて、複数段階で評価されるデータを含む、日常生活動作に関する項目のデータである。
この構成によれば、第４の態様による作業療法支援装置において、対象者の日常生活動作データを含むデータの、推定データを演算させるのに使用可能な人工知能が、学習により構築される。なお、本構成において、「機能的自立度評価法に定められる評価項目のうちの少なくとも１つ」は、「複数段階で評価されるデータ」であれば足り、７段階に限定されない。
本発明のうち第１６の態様によるものは、第１５の態様による作業療法支援装置のための人工知能学習装置であって、前記睡眠データは、所定時間毎の、睡眠時間、臥位中非睡眠時間、離床時間、臥位時間、睡眠時間／臥位時間、離床回数、中途覚醒回数、心拍数の所定以上の変動の有無、睡眠時の平均心拍数－非睡眠時の平均心拍数、所定睡眠時間帯内の平均心拍数、前記所定睡眠時間帯内の最大心拍数－前記所定睡眠時間帯内の平均心拍数、睡眠時の平均呼吸数－非睡眠時の平均呼吸数、前記所定睡眠時間帯内の平均呼吸数、前記所定睡眠時間帯内の最大呼吸数－前記所定睡眠時間帯内の平均呼吸数、のうちの少なくとも１つを含んでいる。
この構成によれば、第５の態様による作業療法支援装置において、対象者の日常生活動作データを含むデータの、推定データを演算させるのに使用可能な人工知能が、学習により構築される。なお、本構成において、「睡眠時間」から「前記所定睡眠時間帯内の最大呼吸数－前記所定睡眠時間帯内の平均呼吸数」まで列挙される様々なデータは、それらの冒頭に「所定時間毎の」と記載される通り、いずれも所定時間毎のデータである。例えば、「前記所定睡眠時間帯内の最大呼吸数－前記所定睡眠時間帯内の平均呼吸数」は、「所定睡眠時間帯」内における「所定時間」毎の「最大呼吸数－平均呼吸数」を意味する。
本発明のうち第１７の態様によるものは、第１４から第１６のいずれかの態様による作業療法支援装置のための人工知能学習装置であって、前記日常生活動作データは、食事、トイレ、排便、移乗トイレ、移動歩行、理解、問題解決、及び記憶のうち少なくとも１つを含む、日常生活動作に関する項目のデータである。
この構成によれば、第６の態様による作業療法支援装置において、対象者の日常生活動作データを含むデータの、推定データを演算させるのに使用可能な人工知能が、学習により構築される。
本発明のうち第１８の態様によるものは、第１４から第１７のいずれかの態様による作業療法支援装置のための人工知能学習装置であって、前記日常生活動作データを含むデータは、前記対象者の身体機能に関するデータである身体機能データを、さらに含んでいる。
この構成によれば、第７の態様による作業療法支援装置において、対象者の日常生活動作データを含むデータの、推定データを演算させるのに使用可能な人工知能が、学習により構築される。
本発明のうち第１９の態様によるものは、第１４から第１８のいずれかの態様による作業療法支援装置のための人工知能学習装置であって、前記日常生活動作データは、転倒の可能性である転倒リスクを含んでいる。
この構成によれば、第８の態様による作業療法支援装置において、対象者の日常生活動作データを含むデータの、推定データを演算させるのに使用可能な人工知能が、学習により構築される。
本発明のうち第２０の態様によるものは、第１４から第１９のいずれかの態様による作業療法支援装置のための人工知能学習装置であって、前記睡眠データは、睡眠に関する質問への前記対象者の回答を、さらに含んでいる。
この構成によれば、第９の態様による作業療法支援装置において、対象者の日常生活動作データを含むデータの、推定データを演算させるのに使用可能な人工知能が、学習により構築される。
本発明のうち第２１の態様によるものは、第１４から第２０のいずれかの態様による作業療法支援装置のための人工知能学習装置であって、前記入力データは、前記対象者の睡眠時の環境に関するデータである環境データを、さらに含んでいる。
この構成によれば、第１０の態様による作業療法支援装置において、対象者の日常生活動作データを含むデータの、推定データを演算させるのに使用可能な人工知能が、学習により構築される。
本発明のうち第２２の態様によるものは、第１４から第２１のいずれかの態様による作業療法支援装置のための人工知能学習装置であって、前記入力データは、現在から過去にわたる複数時点における、前記対象者の前記睡眠データを含むデータを、対応する前記複数時点の時間データと互いに関連付けて含んでいる。
この構成によれば、第１１の態様による作業療法支援装置において、対象者の日常生活動作データを含むデータの、推定データを演算させるのに使用可能な人工知能が、学習により構築される。
本発明のうち第２３の態様によるものは、第１４から第２２のいずれかの態様による作業療法支援装置のための人工知能学習装置であって、前記入力データは、過去の時点における前記対象者の前記日常生活動作データを含んでいる。
この構成によれば、第１２の態様による作業療法支援装置において、対象者の日常生活動作データを含むデータの、推定データを演算させるのに使用可能な人工知能が、学習により構築される。
本発明のうち第２４の態様によるものは、第２３の態様による作業療法支援装置のための人工知能学習装置であって、前記過去の時点における前記対象者の前記日常生活動作データは、前記作業療法支援装置それ自身によって過去に推定された推定データである。
この構成によれば、第１３の態様による作業療法支援装置において、対象者の日常生活動作データを含むデータの、推定データを演算させるのに使用可能な人工知能が、学習により構築される。
本発明のうち第２５の態様によるものは、第２の態様による作業療法支援装置が用いる前記第２の人工知能を学習させる、作業療法支援装置のための人工知能学習装置であって、入力データ受付部と、教師データ受付部と、学習部と、を備えている。入力データ受付部は、作業療法評価の対象者の日常生活動作に関するデータである日常生活動作データを含む、入力データの入力を受け付ける。教師データ受付部は、前記入力データに対応する、前記対象者への作業療法の処方データである教師データの入力を受け付ける。学習部は、前記入力データ受付部が入力を受け付けた前記入力データと、前記教師データ受付部が入力を受け付けた前記教師データとを、前記第２の人工知能である人工知能に入力することにより、前記入力データから前記教師データを推定するように、前記人工知能を学習させる。前記処方データは、運動、マッサージ、ストレッチ、及び、寝具の条件のうちの少なくとも１つの項目についての、処方すべき内容を表現するデータを含んでいる。そして、前記日常生活動作データは、段階的に評価されるデータを含んでいる。
この構成によれば、第２の態様による作業療法支援装置において、第２の人工知能として使用可能な人工知能が、学習により構築される。なお、人工知能は、本構成の人工知能学習装置の一部であってもよく、例えば外部のクラウドサーバに置かれるものなど、外部の装置であってもよい。
本発明のうち第２６の態様によるものは、第２５の態様による作業療法支援装置のための人工知能学習装置であって、前記日常生活動作データは、機能的自立度評価法に定められる評価項目のうちの少なくとも１つについて、複数段階で評価されるデータを含む、日常生活動作に関する項目のデータである。
この構成によれば、第４の態様による作業療法支援装置において、第２の人工知能として使用可能な人工知能が、学習により構築される。なお、本構成において、「機能的自立度評価法に定められる評価項目のうちの少なくとも１つ」は、「複数段階で評価されるデータ」であれば足り、７段階に限定されない。
本発明のうち第２７の態様によるものは、第２５又は第２６の態様による作業療法支援装置のための人工知能学習装置であって、前記日常生活動作データは、食事、トイレ、排便、移乗トイレ、移動歩行、理解、問題解決、及び記憶のうち少なくとも１つを含む、日常生活動作に関する項目のデータである。
この構成によれば、第６の態様による作業療法支援装置において、第２の人工知能として使用可能な人工知能が、学習により構築される。
本発明のうち第２８の態様によるものは、第２５から第２７のいずれかの態様による作業療法支援装置のための人工知能学習装置であって、前記処方データは、前記日常生活動作データに含まれる少なくとも１つの日常生活動作の項目についての、動作指導を表現するデータを、さらに含んでいる。
この構成によれば、第３の態様による作業療法支援装置において、第２の人工知能として使用可能な人工知能が、学習により構築される。
本発明のうち第２９の態様によるものは、第２５から第２８のいずれかの態様による作業療法支援装置のための人工知能学習装置であって、前記入力データは、前記対象者の身体機能に関するデータである身体機能データを、さらに含んでいる。
この構成によれば、第７の態様による作業療法支援装置において、第２の人工知能として使用可能な人工知能が、学習により構築される。
本発明のうち第３０の態様によるものは、第２５から第２９のいずれかの態様による作業療法支援装置のための人工知能学習装置であって、前記日常生活動作データは、転倒の可能性である転倒リスクを含んでいる。
この構成によれば、第８の態様による作業療法支援装置において、第２の人工知能として使用可能な人工知能が、学習により構築される。
本発明のうち第３１の態様によるものは、作業療法支援方法であって、（ａ）作業療法支援装置が、作業療法評価の対象者の睡眠に関するデータである睡眠データを含み、前記対象者の身体に関するデータである基本データを含まない入力データの入力を受け付けることと、（ｂ）前記作業療法支援装置が、入力を受け付けた前記入力データを、学習済みの人工知能に入力することにより、前記対象者の日常生活動作に関するデータである日常生活動作データを含むデータの、推定データを前記人工知能に演算させることと、（ｃ）前記作業療法支援装置が、前記人工知能が演算した前記推定データを出力することと、を備えている。そして、前記睡眠データは、睡眠センサによって計測されたデータに基づく、数値で表されたデータを含んでおり、前記日常生活動作データは、段階的に評価されるデータを含んでいる。
この構成による方法は、第１の態様による作業療法支援装置により実現される作業療法支援方法に相当する。
本発明のうち第３２の態様によるものは、作業療法支援方法であって、（ａ）作業療法支援装置が、作業療法評価の対象者の睡眠に関するデータである睡眠データを含み、前記対象者の身体に関するデータである基本データを含まない入力データの入力を受け付けることと、（ｂ）前記作業療法支援装置が、入力を受け付けた前記入力データを、学習済みの第１の人工知能に入力することにより、前記対象者の日常生活動作に関するデータである日常生活動作データを含むデータの、推定データを前記第１の人工知能に演算させることと、（ｃ）前記作業療法支援装置が、前記第１の人工知能が演算した前記推定データを、学習済みの第２の人工知能に入力することにより、前記対象者への作業療法の処方データの推定データを前記第２の人工知能に演算させることと、（ｄ）前記作業療法支援装置が、前記第２の人工知能が演算した前記処方データの推定データを出力することと、を備えている。そして、前記処方データは、運動、マッサージ、ストレッチ、及び、寝具の条件のうちの少なくとも１つの項目についての、処方すべき内容を表現するデータを含んでおり、前記睡眠データは、睡眠センサによって計測されたデータに基づく、数値で表されたデータを含んでおり、前記日常生活動作データは、段階的に評価されるデータを含んでいる。
この構成による方法は、第２の態様による作業療法支援装置により実現される作業療法支援方法に相当する。
本発明のうち第３３の態様によるものは、第３２の態様による作業療法支援方法であって、前記処方データは、前記日常生活動作データに含まれる少なくとも１つの日常生活動作の項目についての、動作指導を表現するデータを、さらに含んでいる。
この構成による方法は、第３の態様による作業療法支援装置により実現される作業療法支援方法に相当する。
本発明のうち第３４の態様によるものは、第３１から第３３のいずれかの態様による作業療法支援方法であって、前記睡眠データは、心拍に関する情報、呼吸に関する情報、及び体動に関する情報のうちの少なくとも１つを含む、睡眠に関する項目のデータである。また、前記日常生活動作データは、機能的自立度評価法に定められる評価項目のうちの少なくとも１つについて、複数段階で評価されるデータを含む、日常生活動作に関する項目のデータである。
この構成による方法は、第４の態様による作業療法支援装置により実現される作業療法支援方法に相当する。なお、本構成において、「機能的自立度評価法に定められる評価項目のうちの少なくとも１つ」は、「複数段階で評価されるデータ」であれば足り、７段階に限定されない。
本発明のうち第３５の態様によるものは、第３４の態様による作業療法支援方法であって、前記睡眠データは、所定時間毎の、睡眠時間、臥位中非睡眠時間、離床時間、臥位時間、睡眠時間／臥位時間、離床回数、中途覚醒回数、心拍数の所定以上の変動の有無、睡眠時の平均心拍数－非睡眠時の平均心拍数、所定睡眠時間帯内の平均心拍数、前記所定睡眠時間帯内の最大心拍数－前記所定睡眠時間帯内の平均心拍数、睡眠時の平均呼吸数－非睡眠時の平均呼吸数、前記所定睡眠時間帯内の平均呼吸数、前記所定睡眠時間帯内の最大呼吸数－前記所定睡眠時間帯内の平均呼吸数、のうちの少なくとも１つを含んでいる。
この構成による方法は、第５の態様による作業療法支援装置により実現される作業療法支援方法に相当する。なお、本構成において、「睡眠時間」から「前記所定睡眠時間帯内の最大呼吸数－前記所定睡眠時間帯内の平均呼吸数」まで列挙される様々なデータは、それらの冒頭に「所定睡眠時間毎の」と記載される通り、いずれも所定時間毎のデータである。例えば、「前記所定睡眠時間帯内の最大呼吸数－前記所定睡眠時間帯内の平均呼吸数」は、「所定時間帯」内における「所定時間」毎の「最大呼吸数－平均呼吸数」を意味する。
本発明のうち第３６の態様によるものは、第３１から第３５のいずれかの態様による作業療法支援方法であって、前記入力データは、現在から過去にわたる複数時点における、前記対象者の前記睡眠データを含むデータを、対応する前記複数時点の時間データと互いに関連付けて含んでいる。
この構成による方法は、第１１の態様による作業療法支援装置により実現される作業療法支援方法に相当する。
本発明のうち第３７の態様によるものは、第１の態様による作業療法支援装置が用いる前記人工知能を学習させる、作業療法支援装置のための人工知能学習方法であって、（ａ）人工知能学習装置が、作業療法評価の対象者の睡眠に関するデータである睡眠データを含み、前記対象者の身体に関するデータである基本データを含まない入力データの入力を受け付けることと、（ｂ）前記人工知能学習装置が、前記入力データに対応する、前記対象者の日常生活動作に関するデータである日常生活動作データを含むデータである、教師データの入力を受け付けることと、（ｃ）前記人工知能学習装置が、入力を受け付けた前記入力データと、入力を受け付けた前記教師データとを、前記人工知能に入力することにより、前記入力データから前記教師データを推定するように、前記人工知能を学習させることと、を備えている。そして、前記睡眠データは、睡眠センサによって計測されたデータに基づく、数値で表されたデータを含んでおり、前記日常生活動作データは、段階的に評価されるデータを含んでいる。
この構成による方法は、第１４の態様による作業療法支援装置のための人工知能学習装置により実現される人工知能学習方法に相当する。
本発明のうち第３８の態様によるものは、第３７の態様による作業療法支援装置のための人工知能学習方法であって、前記睡眠データは、心拍に関する情報、呼吸に関する情報、及び体動に関する情報のうちの少なくとも１つを含む、睡眠に関する項目のデータである。また、前記日常生活動作データは、機能的自立度評価法に定められる評価項目のうちの少なくとも１つについて、複数段階で評価されるデータを含む、日常生活動作に関する項目のデータである。
この構成による方法は、第１５の態様による作業療法支援装置のための人工知能学習装置により実現される人工知能学習方法に相当する。なお、本構成において、「機能的自立度評価法に定められる評価項目のうちの少なくとも１つ」は、「複数段階で評価されるデータ」であれば足り、７段階に限定されない。
本発明のうち第３９の態様によるものは、第３８の態様による作業療法支援装置のための人工知能学習方法であって、前記睡眠データは、所定時間毎の、睡眠時間、臥位中非睡眠時間、離床時間、臥位時間、睡眠時間／臥位時間、離床回数、中途覚醒回数、心拍数の所定以上の変動の有無、睡眠時の平均心拍数－非睡眠時の平均心拍数、所定睡眠時間帯内の平均心拍数、前記所定睡眠時間帯内の最大心拍数－前記所定睡眠時間帯内の平均心拍数、睡眠時の平均呼吸数－非睡眠時の平均呼吸数、前記所定睡眠時間帯内の平均呼吸数、前記所定睡眠時間帯内の最大呼吸数－前記所定睡眠時間帯内の平均呼吸数、のうちの少なくとも１つを含んでいる。
この構成による方法は、第１６の態様による作業療法支援装置のための人工知能学習装置により実現される人工知能学習方法に相当する。なお、本構成において、「睡眠時間」から「前記所定睡眠時間帯内の最大呼吸数－前記所定睡眠時間帯内の平均呼吸数」まで列挙される様々なデータは、それらの冒頭に「所定時間毎の」と記載される通り、いずれも所定時間毎のデータである。例えば、「前記所定睡眠時間帯内の最大呼吸数－前記所定睡眠時間帯内の平均呼吸数」は、「所定睡眠時間帯」内における「所定時間」毎の「最大呼吸数－平均呼吸数」を意味する。
本発明のうち第４０の態様によるものは、第３７から第３９のいずれかの態様による作業療法支援装置のための人工知能学習方法であって、前記入力データは、現在から過去にわたる複数時点における、前記対象者の前記睡眠データを含むデータを、対応する前記複数時点の時間データと互いに関連付けて含んでいる。
この構成による方法は、第２２の態様による作業療法支援装置のための人工知能学習装置により実現される人工知能学習方法に相当する。
本発明のうち第４１の態様によるものは、第２の態様による作業療法支援装置が用いる前記第２の人工知能を学習させる、作業療法支援装置のための人工知能学習方法であって、（ａ）人工知能学習装置が、作業療法評価の対象者の日常生活動作に関するデータである日常生活動作データを含む、入力データの入力を受け付けることと、（ｂ）前記人工知能学習装置が、前記入力データに対応する、前記対象者への作業療法の処方データである教師データの入力を受け付けることと、（ｃ）前記人工知能学習装置が、入力を受け付けた前記入力データと、入力を受け付けた前記教師データとを、前記第２の人工知能である人工知能に入力することにより、前記入力データから前記教師データを推定するように、前記人工知能を学習させることと、を備えている。そして、前記処方データは、運動、マッサージ、ストレッチ、及び、寝具の条件のうちの少なくとも１つの項目についての、処方すべき内容を表現するデータを含んでいる。また、前記日常生活動作データは、段階的に評価されるデータを含んでいる。
この構成による方法は、第２５の態様による作業療法支援装置のための人工知能学習装置により実現される人工知能学習方法に相当する。
本発明のうち第４２の態様によるものは、第４１の態様による作業療法支援装置のための人工知能学習方法であって、前記日常生活動作データは、機能的自立度評価法に定められる評価項目のうちの少なくとも１つについて、複数段階で評価されるデータを含む、日常生活動作に関する項目のデータである。
この構成による方法は、第２６の態様による作業療法支援装置のための人工知能学習装置により実現される人工知能学習方法に相当する。なお、本構成において、「機能的自立度評価法に定められる評価項目のうちの少なくとも１つ」は、「複数段階で評価されるデータ」であれば足り、７段階に限定されない。
本発明のうち第４３の態様によるものは、第４１又は第４２の態様による作業療法支援装置のための人工知能学習方法であって、前記処方データは、前記日常生活動作データに含まれる少なくとも１つの日常生活動作の項目についての、動作指導を表現するデータをさらに含んでいる。
この構成による方法は、第２８の態様による作業療法支援装置のための人工知能学習装置により実現される人工知能学習方法に相当する。
本発明のうち第４４の態様によるものは、作業療法支援プログラムであって、コンピュータに読み取られることにより、前記コンピュータに第３１から第３６のいずれかの態様による作業療法支援方法を、前記作業療法支援装置として実行させる。
この構成によるプログラムによれば、第３１から第３６のいずれかの態様による作業療法支援方法が、コンピュータにより実現される。
本発明のうち第４５の態様によるものは、人工知能学習プログラムであって、コンピュータに読み取られることにより、前記コンピュータに第３７から第４３のいずれかの態様による人工知能学習方法を、前記人工知能学習装置として実行させる。
この構成によるプログラムによれば、第３７から第４３のいずれかの態様による人工知能学習方法が、コンピュータにより実現される。
以上のように本発明のある態様によれば、評価者に依存しない、作業療法の実施に役立つデータを得ることを可能にする作業療法支援装置、作業療法支援方法、又は作業療法支援プログラムが実現する。また、本発明の別の態様によれば、当該作業療法支援装置のための人工知能を学習させる人工知能学習装置、人工知能学習方法、又は人工知能学習プログラムが実現する。
本発明の一実施の形態による作業療法支援装置を含む作業療法支援システムの構成を例示する図である。 図１の作業療法支援装置の構成を例示するブロック図である。 図２に例示する作業療法支援装置の入力データ及び出力データを例示する表形式の図である。 図２に例示する作業療法支援装置の人工知能の概念構成を例示する模式図である。 発明の別の実施の形態による作業療法支援装置の構成を例示するブロック図である。 図５に例示する作業療法支援装置の出力データを例示する表形式の図である。 本発明のさらに別の実施の形態による作業療法支援装置の構成を例示するブロック図である。 図７に例示する作業療法支援装置の実証試験に用いた入力データ及び出力データを示すブロック図である。 図７に例示する作業療法支援装置の実証試験に用いた評価方法を示す説明図である。 図７に例示する作業療法支援装置の実証試験結果を示すグラフである。 図７に例示する作業療法支援装置の実証試験結果を示すグラフである。 図２又は図７に例示する作業療法支援装置が実現する作業療法支援方法の処理の流れを例示するフローチャートである。 図５に例示する作業療法支援装置が実現する作業療法支援方法の処理の流れを例示するフローチャートである。 図２、図５、又は図７に例示する作業療法支援装置が実現する人工知能学習方法の処理の流れを例示するフローチャートである。
図１は、本発明の一実施の形態による作業療法支援装置を含む作業療法支援システムの構成を例示する図である。この作業療法支援システム１００には、作業療法支援装置１０１のほかに、睡眠センサ１、ユーザ通信端末３、ネットワーク５、及びサーバ７，９が含まれている。睡眠センサ１、ユーザ通信端末３、ネットワーク５、及びサーバ７，９は、作業療法支援装置１０１に直接又は間接に接続され、作業療法支援装置１０１と協働する装置である。
作業療法支援装置１０１は、作業療法評価の対象者１１の睡眠データと基本データとに基づいて、作業療法評価を行うための日常生活動作データ及び身体機能データの推定データを出力することにより、作業療法を支援する装置である。作業療法支援装置１０１は、図示の例では、コンピュータ１０に組み込まれている。すなわち、コンピュータ１０に特定のアプリケーションをインストールし、起動することにより、コンピュータ１０の中央演算処理装置（ＣＰＵ）等の処理装置（プロセッサ）は、作業療法支援装置１０１として機能する。
睡眠センサ１は、作業療法評価の対象者（以下、「対象者」と略記する）１１の睡眠データを、自動的に取得するセンサであり、ユーザ通信端末３又は作業療法支援装置１０１に、取得したデータを無線等で送信する通信機能を有する。睡眠データは、睡眠時間、寝返り回数、寝ているときの呼吸、脈拍等の対象者１１の睡眠に関するデータである。図示の例では、睡眠センサ１は、対象者１１が横臥する寝具の下に敷いて使用されるマット状のセンサである。かかる形態の睡眠センサ１も、すでに市販されており周知である。睡眠センサ１には、室温、湿度、照度といった睡眠時の環境データを、同時に採取することができる形態のものも知られる。睡眠データ及び環境データの各項目については、後述する。
ユーザ通信端末３は、図示の例ではユーザが所有するスマートフォンである。ユーザは、対象者１１自身、あるいは対象者１１を世話する身内の者などである。ユーザ通信端末３に、あらかじめ特定のアプリケーションをインストールすることにより、ユーザ通信端末３は睡眠センサ１との通信が可能となる。通信は、例えば、識別符号（ＩＤ）、パスワードの入力を要件とすることにより、情報漏洩を防止することができる。ユーザ通信端末３が睡眠センサ１から受信した計測データは、ネットワーク５を通じて、作業療法支援装置１０１へ送信される。ユーザ通信端末３と作業療法支援装置１０１との間の通信においても、例えば、識別符号（ＩＤ）、パスワードの入力を要件とすることにより、情報漏洩を防止することができる。ユーザは、ユーザ通信端末３に、対象者１１の睡眠に関する主観評価データ、例えば「よく眠れた」、「どちらとも言えない」、「眠れなかった」のいずれかの、眠気に関する選択結果を、入力することもできる。ユーザは、ユーザ通信端末３を用いて、対象者１１の寝具状態を写真撮影し、環境データの一つとして、作業療法支援装置１０１に送信することもできる。これらの主観評価データ及び環境データは、例えば、ユーザ通信端末３にインストールされたアプリケーションを起動したときに、質問あるいは指示が表示され、それに応答する形式で、入力あるいは撮影することができる。
ネットワーク５は、図示の例ではインターネットである。サーバ７は、病院等の施設が保有し、対象者１１のカルテ等の基本データを保持するサーバであり、ネットワーク５に接続されている。サーバ７は、外部業者によって保有され、病院等の施設が利用するサーバであっても良い。作業療法支援装置１０１は、サーバ７にアクセスすることにより、対象者１１の年齢、病歴などの基本データを取得することができる。作業療法支援装置１０１とサーバ７との間の通信においても、例えば、識別符号（ＩＤ）、パスワードの入力を要件とすることにより、情報漏洩を防止することができる。基本データの各項目についても、後述する。
サーバ９は、ネットワーク５に接続されており、ネットワーク５を通じて利用可能な人工知能を構築している。作業療法支援装置１０１は、人工知能を用いて、作業療法評価の対象者１１の睡眠データと基本データとに基づいて、日常生活動作データ及び身体機能データを推定する。日常生活動作データは、食事、トイレ、排便、移乗トイレ、移動歩行、理解、問題解決、及び記憶などの、日常生活動作に関する項目のデータである。身体機能データは、握力などの、身体機能に関する項目のデータである。日常生活データ及び身体機能データの各項目についても後述する。人工知能は作業療法支援装置１０１の一部として、コンピュータ１０に構築されていてもよく、作業療法支援装置１０１とは別に、作業療法支援装置１０１がアクセス可能なようにコンピュータ１０に構築されていても良く、サーバ９が提供する人工知能のように、コンピュータ１０の外部の人工知能であってもよい。なお、作業療法支援装置１０１とサーバ９との間の通信においても、例えば、識別符号（ＩＤ）、パスワードの入力を要件とすることにより、情報漏洩を防止することができる。
図２は、作業療法支援装置１０１の構成を例示するブロック図である。作業療法支援装置１０１は、インターフェイス１３、入力データ受付部１５、教師データ受付部１７、推定部１９、学習部２１、人工知能２３、及び推定データ出力部２５を有している。インターフェイス１３は、外部装置毎の所定のプロトコルに従って、作業療法支援装置１０１自身と外部装置との通信を可能にする装置部分である。睡眠センサ１、ユーザ通信端末３、サーバ７，９、キーボード等の入力装置２７、プリンタあるいはディスプレイ等の出力装置２９、ＵＳＢメモリーあるいはＣＤＲＯＭ等の記憶媒体３１と、作業療法支援装置１０１との間の通信は、インターフェイス１３を通じて行われる。
入力データ受付部１５は、対象者１１の睡眠データと、対象者１１の基本データとを含む入力データの入力を受け付ける。推定部１９は、入力データ受付部１５が入力を受け付けた入力データを、人工知能２３に入力することにより、対象者１１の日常生活動作データ及び身体機能データについての推定データを人工知能２３に演算させる。人工知能２３は、既に学習がなされているのであれば、日常生活動作データ及び身体機能データについて、確度の高い推定データを出力する。推定データ出力部２５は、人工知能２３が演算した推定データを出力する。推定データ出力部２５が出力する推定データは、インターフェイス１３を通じて、例えば、ユーザ通信端末３あるいは出力装置２９に送信される。これにより、作業療法士あるいはユーザは、作業療法評価の項目の推定データを入手できる。推定データを直接に、あるいはユーザを通じて受け取った作業療法士は、受け取った推定データに基づいて、作業療法計画を立案し、立案した計画に基づいて作業療法を実施することができる。
作業療法支援装置１０１が組み込まれるコンピュータ１０（図１参照）は、例えば、作業療法士の施設、病院等に備えられるものであってもよく、あるいは作業療法士が、対象者１１の自宅へ持ち運ぶことが可能なモバイル型のコンピュータであってもよい。対象者１１が施設、病院等に入院していて、コンピュータ１０がそれらの施設、病院等の備品である場合などには、作業療法支援装置１０１と睡眠センサ１との間の通信は、ユーザ通信端末３を介することなく、直接に行うことも可能である。
人工知能２３は、機械学習を経ることにより、確度の高い推定データを出力できるようになる。作業療法支援装置１０１は、教師データ受付部１７及び学習部２１を有しており、それにより、外部の人工知能学習装置を用いることなく、作業療法支援装置１０１自身により、人工知能２３を学習させることが可能となっている。すなわち、作業療法支援装置１０１は、人工知能２３を機械学習させる人工知能学習装置をも内蔵している。作業療法支援装置１０１が機械学習を行うときには、入力データ受付部１５が睡眠データと基本データとを含む入力データの入力を受け付けるとともに、教師データ受付部１７がこれらの入力データに対応する正しい日常生活動作データと身体機能データの組である教師データの入力を受け付ける。学習部２１は、入力データ受付部１５が入力を受け付けた入力データと、教師データ受付部１７が受け付けた教師データとを、人工知能２３に入力することにより、入力データから教師データを推定するように、人工知能２３を学習させる。互いに対応づけられた入力データと教師データとの組を、作業療法支援装置１０１に多数入力することにより、人工知能２３の学習が進行し、推定の精度が向上する。
過去において、様々な対象者１１に対して採取された睡眠データと基本データ、及びこれらのデータに対応して実測により得られた日常生活動作データと身体機能データを、互いに対応づけて、例えば記憶媒体３１に記録することにより、入力データ受付部１５及び教師データ受付部１７により、学習に要する多数のデータを記憶媒体３１から順次読み出し、読み出したデータ毎に、学習部２１により人工知能２３の学習を繰り替えすことができる。このように作業療法支援装置１０１は、人工知能２３を用いた推定データの演算及び出力を行う推定モードと、人工知能２３を機械学習させる学習モードとの２つの動作モードを切り替え可能に実行することができる。動作モードの切り替えは、例えば入力装置２７により指示することができる。
図２の例では、人工知能２３は、作業療法支援装置１０１の一部として、コンピュータ１０に組み込まれている。これに対して、図２に点線で例示するように、外部のサーバ９などに構築された人工知能を用いても良い。この場合には、推定部１９、学習部２１、及び推定データ出力部２５は、ネットワーク５等を通じて、外部の人工知能を操作する。推定データ出力部２５は、外部の人工知能に推定データを出力させ、例えば、インターフェイス１３を通じて推定データ出力部２５により推定データを受信し、さらに受信した推定データを、推定データ出力部２５によりインターフェイス１３を通じて、出力装置２９あるいはユーザ通信端末３などに出力する。外部の人工知能を用いる場合には、作業療法支援装置１０１の一部をなす人工知能２３は無用となる。
図３は、作業療法支援装置１０１の入力データ及び出力データを例示する表形式の図である。図３（ａ）は睡眠データ、及び睡眠時の環境データ、図３（ｂ）は基本データ、図３（ｃ）は日常生活動作データ、図３（ｄ）は身体機能データを、それぞれ例示している。以下において、作業療法支援装置１０１によって取り扱うための、各データの表現の仕方について一例を挙げる。あくまで一例であり、他の表現の仕方もあり得ることは自明である。
睡眠データ（図３（ａ）参照）のうち、睡眠時間及びトイレ時間については６．５のように時間（ｈ）単位で表される。睡眠リズムは、睡眠時間と覚醒時間の時系列的変化によって表され、例えば、臥床した時点から、一例として９時間後までの１５分間隔で睡眠状態か覚醒状態かを示す（覚醒、覚醒、睡眠、睡眠、睡眠、睡眠、覚醒、覚醒、睡眠、・・・）といった、データ列で表される。これにより、寝付きの善し悪しの指標となる、臥床してから寝付くまでの時間も、把握することができる。「睡眠」、「覚醒」は、あらかじめ付与された符号、例えば数値「１」、「０」によって表される。寝返り回数、体動回数、トイレ回数は、１，２，３などの自然数により表される。体動回数とは、臥床中に行う動作の内、寝返りを除いたものの回数であり、例えば、足を動かす、掛ふとんから手を出すなどの動作の回数を意味する。トイレ回数とは、睡眠時間の間にトイレのために床を離れた回数を意味する。呼吸、脈拍は、１分内の回数により表される。環境データである室温、湿度、照度は、それぞれ温度、湿度、照度の単位を基準とした数値で表される。以上の睡眠データ及び環境データは、睡眠センサ１によって取得される。あるいは、睡眠センサ１が取得した生データに基づいて、ユーザ通信端末３のアプリケーション、あるいはコンピュータ１０のアプリケーションによって、以上の睡眠データが生成されてもよい。すなわち、睡眠センサ１が感知する、圧力の変化、心拍数、呼吸数などから、臥床、睡眠、覚醒、寝返り、体動などのデータが、睡眠センサ１自身、あるいはアプリケーションによって、生成される。体動について、体のどの部分を動かしたか、までは特定できない場合であっても、寝返りではない体動であることは、検知可能である。
睡眠データに含まれる主観評価データのうち、眠気については、「よく眠れた」、「どちらとも言えない」、「眠れなかった」のいずれかの選択肢を内容とし、各選択肢は、あらかじめ付与された符号、例えば数値「１」、「２」、「３」によって表される。あるいは、選択肢毎に、選択又は非選択に対応する符号、例えば「１」、「０」などの数値によって表してもよい。倦怠感については、例えば、「気分爽快」、「普通」、「だるい」を内容とする。これらの主観評価データは、例えば、アプリケーションが起動されたユーザ通信端末３又はコンピュータ１０の画面に表示される選択肢を、ユーザ、作業療法士等がタッチすることにより入力される。例えば画面上に、眠気についての設問として、「よく眠れましたか？」という表示が現れ、その選択肢として、「よく眠れた」、「どちらとも言えない」、「眠れなかった」が同時に表示される。ユーザ等が「よく眠れた」という選択肢にタッチすると、「よく眠れた」という選択肢に対応する符号が、アプリケーションに入力される。作業療法支援装置１０１には、眠気についての回答として、この符号が入力される。
環境データのうち寝具は、寝具の写真データである。写真データは、アプリケーションが起動されたユーザ通信端末３又はコンピュータ１０に付属のカメラにより撮影される。作業療法支援装置１０１には、撮影により取得された画像データが入力される。画像データは、画素値の集合により表現される。
基本データ（図３（ｂ）参照）は、例えば病院のサーバ７から取得される。あるいは、アプリケーションを起動したユーザ通信端末３又はコンピュータ１０に、例えば手操作により入力されてもよい。基本データのうち、年齢、身長、体重については、それらの単位を基準とした数値により表される。性別については、男、女に対応する符号、例えば「０」、「１」などの数値により表される。病歴については、さまざまな病名にあらかじめ付与された符号、例えば「０」、「１」、「２」・・・等の数値によって表される。あるいは、病名毎に、「無し」、「有り」に対応する符号、例えば「０」、「１」等の数値によって表現してもよい。介護度は、必要とする介護のレベルを表すもので、例えば８段階の数値で表される。
日常生活動作データ（図３（ｃ）参照）には、作業療法評価の有効な手段として知られる機能的自立度評価法（ＦＩＭ）に基づく１８項目が含まれる。各項目の日常動作について、対象者１１が自力でどの程度可能かが、１点～７点の７段階で評価される。認知項目と運動項目からなり、認知項目は、理解、表出、社会的交流、問題解決、記憶の５項目である。運動項目は、その他の１３項目であり、食事、整容、清拭、更衣、トイレ動作、排尿管理、排便管理、移乗（起居動作）、移動である。各項目は、点数に対応する数値により表現される。日常生活動作データには、さらに「転倒リスク」が含まれる。転倒リスクは、転倒の可能性を評価したもので、例えば、「可能性高い」、「可能性低い」にそれぞれ対応する「０」，「１」の２段階の数値、あるいは、さらに細分化された多くの段階に対応する「０」，「１」，「２」，「３」などの数値で表される。
身体機能データ（図３（ｄ）参照）のうち、筋力の指標としての握力は、握力を表す数値（例えばｋｇｗ単位の数値）で表される。同じく筋力の指標として知られるＣＳ３０は、３０秒間に椅子から何回立ち上がることができるか、を表すもので、回数の数値で表される。身体機能データのうち、柔軟性の指標としての長座体前屈は、長座の姿勢で腕を前方に伸ばしたままで体を前屈させたときに、手の位置がどれだけ前方に移動するか、を表すもので、例えばセンチメートル単位で表される。推定データ出力部２５は、７段階の不連続な数値で表現される日常生活動作データについては、人工知能２３が算出した推定値を、例えば四捨五入するなどにより、７段階の数値のうちの最も近い数値に変換して出力する。かかる変換後のデータも、人工知能２３が算出した日常生活動作データの推定データが元になっている以上、日常生活動作データの推定データであることに変わりはない。
作業療法士としての永年の経験を有する本願発明者は、評価者に依存しない客観的な作業療法評価を得る、という課題解決のために、評価者に依存しない客観的なデータである睡眠データと基本データに基づいて、日常生活動作データ及び身体機能データを推定することを着想した。睡眠データ及び基本データの組と、日常生活動作データ及び身体機能データの組との間には、複雑ではあるが相関関係があることが予想された。従って、人の知力により行うには、過剰な負担であって現実的ではないとしても、睡眠データと基本データに基づいて、日常生活動作データ及び身体機能データを推定することは、原理的に可能であろうと考えた。そして、このような人知を超えた作業療法評価の推定データを取得することを、人工知能を用いることにより、現実的なものとすることができることに、思い至った。基礎となる睡眠データ及び基本データは、評価者に依存しない客観的なデータであるので、得られる日常生活動作データ及び身体機能データの推定データも、評価者に依存しない客観的なデータとなる。
作業療法士の経験に基づくと、作業療法計画の立案の前提となる作業療法評価を行う上で、日常生活動作データとして、食事、トイレ、排便、移乗トイレ、移動歩行、理解、問題解決、及び記憶の項目のデータがあれば足りる。身体機能データとして握力の項目のデータがあり、さらに多くの項目のデータがあれば、より精度の高い作業療法評価が得られる。同じく作業療法士の経験に基づくと、上記した作業療法評価の最少の項目を得るためには、睡眠データとして、寝返り回数、体動回数、トイレ回数、及びトイレ時間の項目のデータがあれば足り、基本データとして、年齢、身長、体重、及び病歴の項目のデータがあれば足りる。逆に、日常生活動作データ、睡眠データ、基本データの項目が、上記した項目よりも少ない場合であっても、得られる推定データは、作業療法評価に役立てることができる。項目が多くても、少なくても、得られる推定データは、評価者に依存しない客観的なデータを基礎とする以上、評価者に依存しない客観的なデータとなる。
図４は、作業療法支援装置１０１が用いる人工知能２３の概念構成を例示する模式図である。サーバ９により提供される人工知能も、一例として同様の構成である。図示の人工知能２３は、ニューラルネットワークであり、データの入力を受けるノードが並ぶ入力層３３、演算結果のデータを出力するノードが並ぶ出力層３７、及び入力層３３と出力層３７をつなぐノードが並ぶ中間層３５を有している。図示の例では、中間層３５は単一であるが、複数層にわたってもよい。前段のノードの値は、各ノードに付与されたパラメータ、すなわち各ノードの重み及びバイアス値を反映しつつ、次段のノードに伝えられる。入力層３３には、入力データ受付部１５により入力が受け付けられた入力データ、すなわち睡眠データと基本データの項目の組が入力される。入力されたデータは、各ノードのパラメータを反映しつつ中間層３５を経て出力層３７に伝えられる。出力層３７に伝えられたデータが、日常生活動作データ及び身体機能データの項目の組の推定データとなる。推定部１９（図２参照）は、人工知能２３の入力層３３に、対象者１１の睡眠データと基本データの項目の組を入力し、出力層３７に、対象者１１の日常生活動作データ及び身体機能データの推定データを生成させる。推定データ出力部２５は、生成された推定データを、四捨五入等の変換をした上で、あるいは変換無しで出力する。
出力層３７のノードに現れる推定データが、日常生活動作データ及び身体機能データを高い確度で推定したものとなるためには、実測された日常生活動作データ及び身体機能データを用いて、人工知能２３を学習させる必要がある。学習は、入力データ受付部１５により入力が受け付けられた、ある対象者１１の睡眠データと基本データの項目の組を、入力層３３に入力するとともに、教師データ受付部１７により受け付けられた同一対象者１１についての教師データ、すなわち実測された日常生活動作データ及び身体機能データの項目の組を、出力層３７に教師データとして入力することにより行われる。学習部２１（図２参照）は、かかるデータを人工知能２３に入力する。
人工知能２３は、入力された睡眠データと基本データに基づいて、日常生活動作データ及び身体機能データの推定データを演算し、出力層３７に生成するとともに、生成した推定データと、教師データとして入力された日常生活動作データ及び身体機能データとの誤差を算出する。そして、人工知能２３は、誤差のない推定データが生成されるように、各ノードのパラメータを、例えば周知の誤差逆伝播のアルゴリズムにより、出力層３７から入力層３３に向かって変更する。このような機能は、人工知能２３自身に備わっている。入力データと教師データの組を、多数組準備し、学習を繰り返すことにより、人工知能２３は確度の高い推定データを算出するようになる。人工知能２３を学習させるときに、中間層３５の数及び各層のノードの数を、最適値に調整することも可能である。そのような技術も周知である。
対象者１１の日常生活動作データ及び身体機能データの推定データを得るのに、対象者１１の睡眠データと基本データについて、最新のデータを人工知能２３に入力するだけでなく、それよりも以前のデータを含めた複数時点のデータを、それぞれの時間データとともに、人工知能２３に入力することも可能である。それにより、対象者１１の睡眠データと基本データとに関して、過去の履歴をも考慮した同一対象者１１の日常生活動作データ及び身体機能データの推定データが得られる。それにより、より精度の高い推定データが得られる。時間データは、例えば、各時点の日時で表されても良く、最新の時点からの日時差で表されても良い。入力データ受付部１５は、複数時点のデータをそれぞれの時間データとともに受け付け、推定部１９は、複数時点のデータとそれぞれの時間データとを、人工知能２３の入力層３３に入力する。入力されるデータの時点の数が多いほど、それに比例して、データの入力を受ける入力層３３のノードの個数は増大する。
複数時点のデータに基づいて推定データを得るには、人工知能２３を、複数時点のデータ及びそれぞれの時間データと、それらに対応する教師データとによって、学習させる必要がある。例えば、最新時点を含めた過去の３時点における、睡眠データと基本データとにより、日常生活動作データ及び身体機能データの推定データを得るために、様々な対象者１１の３時点における睡眠データ及び基本データとそれぞれの時間データとを、入力層３３に入力し、各対象者１１の最新の日常生活動作データ及び身体機能データの実測データを、出力層３７に入力することにより、人工知能２３を学習させることができる。時間データが同時に入力されるため、睡眠データと基本データを採取した複数の時点は、異なる対象者１１の間で、異なっていても良い。例えば、ある対象者１１については、最新の時点、１週間前、５週間前のデータを入力し、別の対象者については、最新の時点、３週間前、１５週間前のデータを入力しても良い。人工知能２３は、多数のデータによる学習を経ることにより、最新の時点からの時間的距離の影響も反映した推定データを算出するように、ノードのパラメータを調節する。
図５は、発明の別の実施の形態による作業療法支援装置の構成を例示するブロック図である。この作業療法支援装置１０２は、別の入力データ受付部１６、別の教師データ受付部１８、別の推定部３９、別の人工知能４３、及び別の学習部４１を、さらに有している点において、作業療法支援装置１０１（図２参照）とは異なっている。作業療法支援装置１０２においては、人工知能２３が演算した推定データ、すなわち対象者１１の日常生活動作データ及び身体機能データについての推定データは、推定部３９によって読み出される。推定部３９は、読み出した人工知能２３の推定データを、人工知能４３に入力することにより、対象者１１に処方すべき内容を表現する処方データについての推定データを人工知能４３に演算させる。推定部３９は、読み出した人工知能２３の推定データに対して、推定データ出力部２５と同様に、四捨五入等の変換をした上で、あるいは変換無しで、推定データを人工知能４３に入力する。
人工知能４３は、既に学習がなされているのであれば、処方データについて、確度の高い推定データを出力する。推定データ出力部２５は、人工知能４３が演算した推定データを、変換した上で、あるいは変換無しで出力する。推定データ出力部４５が出力する推定データは、インターフェイス１３を通じて、例えば、ユーザ通信端末３あるいは出力装置２９に送信される。これにより、作業療法士あるいはユーザは、処方すべき作業療法の内容に関する推定データを入手できる。処方データの推定データを直接に、あるいはユーザを通じて受け取った作業療法士は、受け取った推定データを、作業療法計画の立案及び作業療法の実施に役立てることができる。
既述の通り、対象者１１の睡眠データ及び基本データは、評価者に依存しない客観的なデータであるので、これを基礎として人工知能２３が演算する推定データ、すなわち対象者１１の日常生活動作データ及び身体機能データについての推定データも、評価者に依存しない客観的なデータとなる。同じく、対象者１１の日常生活動作データ及び身体機能データについての推定データが、評価者に依存しない客観的なデータであるので、これを基礎として人工知能４３が演算する推定データ、すなわち対象者１１について処方データについての推定データも、評価者に依存しない客観的なデータとなる。すなわち、作業療法支援装置１０２によれば、作業療法評価に役立つ推定データが、外部に出力されるか否かに拘わらず、評価者に依存しない客観的なデータとして得られ、それに基づいて、作業療法の処方に役立つ推定データが、同じく評価者に依存しない客観的なデータとして得られる。なお、推定データ出力部２５は、人工知能４３が演算した、対象者１１の処方データについての推定データだけでなく、作業療法支援装置１０１と同様に、人工知能２３が演算した推定データ、すなわち対象者１１の日常生活動作データ及び身体機能データについての推定データをも、インターフェイス１３を通じて外部へ出力してもよい。
人工知能４３は、人工知能２３と同様に、機械学習を経ることにより、確度の高い推定データを出力できるようになる。作業療法支援装置１０２は、入力データ受付部１６、教師データ受付部１８、及び学習部４１を有しており、それにより、外部の人工知能学習装置を用いることなく、作業療法支援装置１０２自身により、人工知能４３を学習させることが可能となっている。すなわち、作業療法支援装置１０２は、人工知能４３を機械学習させる人工知能学習装置をも内蔵している。作業療法支援装置１０２が人工知能４３に対して機械学習をさせるときには、入力データ受付部１６が、日常生活動作データと身体機能データとを含む入力データの入力を受け付けるとともに、教師データ受付部１８が、これらの入力データに対応する正しい処方データである教師データの入力を受け付ける。学習部４１は、入力データ受付部１６が入力を受け付けた入力データと、教師データ受付部１８が受け付けた教師データとを、人工知能４３に入力することにより、入力データから教師データを推定するように、人工知能４３を学習させる。互いに対応づけられた入力データと教師データとの組を、作業療法支援装置１０２に多数入力することにより、人工知能４３の学習が進行し、推定の精度が向上する。
過去において、様々な対象者１１に対して採取された日常生活動作データと身体機能データ、及びこれらのデータに対応して為された実績有る作業療法の処方、あるいは為されるべき正しい処方を表す処方データを、互いに対応づけて、例えば記憶媒体３１に記録することにより、入力データ受付部１６及び教師データ受付部１８により、学習に要する多数のデータを記憶媒体３１から順次読み出し、読み出したデータ毎に、学習部４１により人工知能４３の学習を繰り返すことができる。このように作業療法支援装置１０２においても、人工知能４３を用いた推定データの演算及び出力を行う推定モードと、人工知能４３を機械学習させる学習モードとの２つの動作モードを切り替え可能に実行することができる。動作モードの切り替えは、例えば入力装置２７により指示することができる。図５の例では、人工知能４３は、作業療法支援装置１０２の一部として、コンピュータ１０に組み込まれている。これに対して、図５に点線で例示するように、外部のサーバ４５などに構築された人工知能を用いても良い。この場合には、推定部３９、学習部４１、及び推定データ出力部２５は、ネットワーク５等を通じて、外部の人工知能を操作する。外部の人工知能を用いる場合には、作業療法支援装置１０２の一部をなす人工知能４３は無用となる。
図６は、作業療法支援装置１０２の出力データである処方データを例示する表形式の図である。図示の例では、処方データは、運動、マッサージ、ストレッチ、寝具の条件についての処方内容、及びＦＩＭの各項目についての動作指導の内容を、含んでいる。運動については、例えば、骨盤底筋体操のほか様々な種類の運動の項目が含まれており、処方データは、各項目の運動が必要であるか否かを表現する。例えば、運動の項目が５種類であれば、（要、要、否、否、否）といった、要否のデータの組によって、運動に関する処方データが構成される。「要」と「否」は、例えば、「１」と「０」などの数値によって表される。マッサージに関する処方データは、マッサージが必要であるか否かを表現する。ストレッチに関する処方データも、同様に、ストレッチが必要であるか否かを表現する。寝具に関する処方データは、図示の例では、枕の高さとマットレスの硬さである。それぞれ、例えば、所定の単位を基準とした数値で表現される。運動、マッサージ、ストレッチに関して、単に「要」、「否」だけでなく、運動等の部位、時間、回数、及び運動等の間に入れるべき休憩の要否、休憩の時間などを、追加してもよい。
ＦＩＭの各項目についての動作指導については、項目毎に、いくつかの指導内容があらかじめ準備される。例えば、各項目について、３通りの指導内容１，２，３が準備されているものとすれば、（２，１，３，・・・，２）といった、１８個の指導内容の組によって、ＦＩＭの全１８項目についての動作指導を内容とする処方データが構成される。各指導内容は、例えば、「１」、「２」、「３」などの数値によって表される。あるいは、ＦＩＭの項目毎に、例えば３種の動作指導の各々について、「要」又は「否」が選択されても良い。例えば、（要，否，否）といった動作指導の選択により、ＦＩＭの１項目についての動作指導を内容とする処方データが構成され、それらが１８個並ぶことにより、ＦＩＭの全１８項目についての動作指導を内容とする処方データが構成される。「要」と「否」は、例えば、「１」と「０」などの数値によって表される。推定データ出力部２５は、処方データのうち「０」「１」「２」・・・といった不連続な数値で表現される項目については、人工知能４３が算出した推定値を、例えば四捨五入するなどにより、不連続な数値のうちの最も近い数値に変換して出力する。互いに両立せず１つのみが選択されるべき複数項目について、（要，要，否）という推定データが得られる場合には、最も「要」の符号、例えば「１」に近い項目を選択することも可能である。図６に例示する「食事」の項目について、指導内容の一例を示すと、指導内容１として「水分の摂取量を抑える」、指導内容２として「飲み物を緑茶から水に変更する」、といった内容が想定される。これらの例は、睡眠データがトイレ回数が多いことを示している場合に、「要」となる可能性が高くなることが予測される。
作業療法支援装置１０２が出力する処方データの推定データは、図６に例示する項目のすべてではなく、一部のみ、例えば１項目のみを含むものであってもよい。一部の項目のみであっても、得られる処方データの推定データによって、作業療法の処方に役立てることができる。作業療法支援装置１０２が出力する処方データの推定データが、一部の項目のみを含むもので足りるのであれば、人工知能４３の学習においても、一部の項目のみを教師データとして用いれば足りる。
図３及び図６を引用した説明において、睡眠データ、基本データ、日常生活動作データ、身体機能データ及び処方データの各々に含まれる各項目について、数値などの、あらかじめ対応づけられた符号により表現する形態を例示した。符号による表現は、人工知能２３、４３が取り扱うのに便宜である。ディスプレイなどの出力装置２９に、各データを出力するときには、符号のままではなく、文章のように、ユーザ、作業療法士等が見て分かるメッセージの形式で出力されるのが望ましい。ユーザ通信端末３のアプリケーション、あるいは作業療法支援装置１０１、１０２の推定データ出力部２５によって、符号をメッセージの形式に変換することは、詳細に説明するまでもなく容易に行い得る。かかるメッセージの形式に変換されても、推定データであることに変わりはない。
図７は、本発明のさらに別の実施の形態による作業療法支援装置の構成を例示するブロック図である。この作業療法支援装置１０３は、推定部１９及び学習部２１が、人工知能２３が出力する推定データ、すなわち過去の推定データを、人工知能２３の新たな入力データに加える点で、図２に例示した作業療法支援装置１０１とは異なっている。それにより、人工知能２３の推定の精度を、高めることができる。
図８は、作業療法支援装置１０３の実証試験に用いた入力データ及び出力データを示すブロック図である。実証試験は、作業療法支援装置１０３に、入力データと教師データとの多数の組を供給することにより、人工知能２３を機械学習させ、その推定の精度を評価したものである。図示例のように、実証試験においては、人工知能２３の出力データである前日の推定ＦＩＭ値が、新たな入力データに加えられる。
実証試験に使用した睡眠センサ１は、市販のセンサであり、１６Ｈｚのサンプリング周期で、内蔵する圧力センサのデータを取得する。睡眠センサ１は、取得した複数のサンプリングデータに基づいて、ソフトウェア処理により、呼吸数（回／分）、心拍数（回／分）、活動量（体動検出回数）（カウント／分）、呼吸イベントが発生した回数（回／分）、痙攣の検出回数（回／分）、１分間ごとの離床・臥床・睡眠状態判定のデータを、計測データとして、１分毎に演算し出力する。「活動量」とは、体動（呼吸・心拍より大きな身体の動き）の頻度・強度を意味し、実証試験では「頻度」のみを用いている。「呼吸イベント」とは、無呼吸又は低呼吸を意味する。「離床・臥床・睡眠状態判定」における「睡眠状態」とは、臥床状態にあるだけでなく、さらに睡眠状態にあることを意味する。１分間ごとの離床・臥床・睡眠状態判定のデータは、値が「０」又は「１」であるフラグにより、それぞれ表示される。
睡眠センサ１により出力される、これらの計測データの、３時間毎の最大値、最小値、平均値、分散値が計算され、入力データとして、入力データ受付部１５（図７参照）に入力される。また、計測データのうち、１分間ごとの離床・臥床・睡眠状態判定のデータから、３時間毎の睡眠時間、臥位中非睡眠時間、離床時間、臥位時間、睡眠時間／臥位時間、離床回数、中途覚醒回数が計算され、入力データとして、入力データ受付部１５（図７参照）に入力される。さらに、計測データのうち心拍数（回／分）から、心拍数に関して、10bpm/1分以上の変動の有無、睡眠時の平均－非睡眠時の平均、睡眠推奨時間内の平均、睡眠推奨時間内の最大－睡眠推奨時間内の平均が３時間毎に計算され、入力データとして、入力データ受付部１５（図７参照）に入力される。また、計測データのうち呼吸数（回／分）から、呼吸数に関して、睡眠時の平均－非睡眠時の平均、睡眠推奨時間内の平均、睡眠推奨時間内の最大－睡眠推奨時間内の平均が３時間毎に計算され、入力データとして、入力データ受付部１５（図７参照）に入力される。
「離床回数」とは、臥位から離床に移った回数を意味する。「中途覚醒回数」とは、臥位状態にあって、睡眠から醒めた回数を意味する。「10bpm／1分以上の変動の有無」とは、１分間の心拍数に１０拍以上の変動があるか否か、を意味する。例えば、１分間に６０拍であり、次の１分間に７０拍であれば、１０ｂｐｍの変動があったこととなり、「10bpm／1分以上の変動の有無」は「有り」と判定される。「有り・無し」は、一例として、値が「１」、「０」であるフラグにより表現した。また、「有り・無し」の判定は、３時間毎に、当該３時間の間に「10bpm／1分以上の変動」が有ったか否かを判定することにより行った。
心拍数及び呼吸数に関して、「睡眠時の平均」、「非睡眠時の平均」は、臥位状態にあるときの３時間毎の平均である。また、「睡眠推奨時間」とは、あらかじめ定めた睡眠時間帯であり、実証試験では、病院における消灯時間として一般的な、午後９：００～翌日午前６：００の時間帯を、「睡眠推奨時間」とした。従って、「睡眠推奨時間内の平均」、「睡眠推奨時間内の最大」とは、「睡眠推奨時間」における３時間毎の（すなわち、午後９：００～翌日午前０：００、午前０：００～午前３：００、午前３：００～午前６：００の各々の時間内の）平均、最大を意味する。
なお、実証試験では、１日分のデータを１回分の入力データとし、１日の範囲は午前６：００から翌日の午前６：００までの時間とした。
実証試験において、機械学習に用いたサンプル数は、３２５人日である。実証試験に用いた人工知能２３には、決定木ベースであるＬＧＢＭ（Light GBM；マイクロソフト社製）を用いた。ＬＧＢＭは、図４に例示したニューラルネットワークとは異なり、推定値にどの変数が重要な役割を果たしているかを、容易に分析することができる、という利点があるため、将来の改善につなげることを視野に置いた実証試験では特に有用と思われた。
図９は、作業療法支援装置１０３の実証試験に用いた評価方法を示す説明図である。実証試験では、サンプル数が限られていたことから、図９（ａ）に示すように、ＦＩＭの各項目についての７段階の評価値を、グループ１～３の３段階の評価値に置き換えた。図９（ｂ）に示すように、ＦＩＭの各項目の評価値について、教師データである真の値と、出力データである推定値との関係は、３行３列の行列により表すことができる。行列の各成分Ｃｉｊは、該当する関係にあるサンプル数の比率を表している。
図９（ｃ）に示すように、推定の精度（Accuracy）が７０％以上であること、大きく外れる割合が５％未満であることを、実用レベルであるための基準と判断した。推定の精度は、図９（ｂ）の行列の対角成分の、全体に対する割合に相当する。大きく外れる場合とは、グループ１であるサンプルが、クループ３と推定された場合、及びグループ３であるサンプルが、クループ１と推定された場合、のいずれかに相当する。従って、大きく外れる割合は、成分Ｃ１３と成分Ｃ３１との和の、全体に対する割合により表される。
図１０及び図１１は、作業療法支援装置１０３の実証試験結果を示すグラフである。実証試験において、精度の評価には交差検証（Leave one subject）を使用した。図１０のグラフが示すように、推定の精度は、ＦＩＭの１８項目の全てについて、目標の７０％を超え、８０％をも超えるものであった。また、図１１のグラフが示すように、ＦＩＭの１８項目のうち、「階段」を除けば、目標の５％を遙かに超え、３％未満となっている。「階段」については、データの偏りを解消することにより、精度を向上させることが可能である。このように、機械学習のためのサンプルの数が限られていたにも拘わらず、実用レベルの推定の精度が得られることが実証された。
（その他の実施の形態）
以上において、作業療法支援装置１０１、１０２、１０３として、入力データが基本データ（図３（ｂ）参照）を含む例を示した。これに対し、本発明は、入力データが基本データを含まない形態により実施することも可能である。かかる形態においても、相応に確度の高い推定データが得られる。
睡眠データとして、心拍に関する情報、呼吸に関する情報、及び体動に関する情報のいずれか１つを選択すること、あるいは、それらの少なくとも１つを選択することも可能である。このように、作業療法評価の対象者の睡眠データのうち、最小限の項目に基づいて、日常生活動作データの推定データを演算することも可能であり、それによっても、相応の精度の推定データが得られる。
作業療法支援装置１０３に例示した、人工知能２３が出力する推定データ、すなわち過去の推定データに代えて、推定データではない過去のＦＩＭ値を、人工知能２３の新たな入力データに加えてもよい。それによっても、推定データの精度が高められる。
人工知能２３が出力する推定データ、あるいは、推定データではない過去のＦＩＭ値を、人工知能２３の新たな入力データに加える形態は、作業療法支援装置１０２にも適用可能である。
以上において、日常生活動作データとして、機能的自立度評価法（ＦＩＭ）に定められる評価項目の評価データを採用する例を示した。これに対し、日常生活動作データとして、ＦＩＭに限らず、日常生活動作に関する他の評価項目の評価データを採用することも可能である。
作業療法支援装置１０１（図２），１０２（図５），１０３（図７）はいずれも、作業療法支援方法及び人工知能学習方法を実現する。図１２～図１４は、それらの作業療法支援方法及び人工知能学習方法の処理手順を例示している。
図１２は、作業療法支援装置１０１（図２），１０３（図７）が実現する作業療法支援方法の処理の流れを例示するフローチャートである。処理が開始されると、入力データ受付部１５は、入力データの入力を受け付ける（Ｓ１）。次に、推定部１９は、入力データを、学習済みの人工知能２３に入力することにより、推定データを人工知能２３に演算させる（Ｓ３）。作業療法支援装置１０３の場合には、推定部１９は、人工知能２３による過去の推定データを、人工知能２３に入力する入力データに追加する。次に、推定データ出力部２５は、人工知能２３が演算した推定データを出力する（Ｓ５）。次に、作業療法支援装置１０１，１０３は、ユーザの指示等に基づき処理を反復すべきときには（Ｓ７においてＹｅｓ）、処理をＳ１へ戻す。それにより、入力データ受付部１５は、新たな入力データの入力を受け付ける。作業療法支援装置１０１，１０３は、処理を反復すべきでないときには（Ｓ７においてＮｏ）、処理を終了する。
図１３は、作業療法支援装置１０２（図５）が実現する作業療法支援方法の処理の流れを例示するフローチャートである。処理が開始されると、入力データ受付部１５は、入力データの入力を受け付ける（Ｓ１１）。次に、推定部１９は、入力データを、学習済みの第１の人工知能２３に入力することにより、推定データを第１の人工知能２３に演算させる（Ｓ１３）。作業療法支援装置１０３と同様に、推定部１９は、人工知能２３による過去の推定データを、人工知能２３に入力する入力データに追加してもよい。次に、推定部３９は、第１の人工知能２３が演算した推定データを、学習済みの第２の人工知能４３に入力することにより、推定データを第２の人工知能４３に演算させる（Ｓ１４）。次に、推定データ出力部２５は、第２の人工知能４３が演算した推定データを出力する（Ｓ１５）。次に、作業療法支援装置１０２は、ユーザの指示等に基づき処理を反復すべきときには（Ｓ１７においてＹｅｓ）、処理をＳ１１へ戻す。それにより、入力データ受付部１５は、新たな入力データの入力を受け付ける。作業療法支援装置１０２は、処理を反復すべきでないときには（Ｓ１７においてＮｏ）、処理を終了する。
図１４は、作業療法支援装置１０１（図２），１０２（図５），１０３（図７）が実現する人工知能学習方法の処理の流れを例示するフローチャートである。処理が開始されると、入力データ受付部１５，１６は、入力データの入力を受け付ける（Ｓ２１）。また、教師データ受付部１７，１８は、教師データの入力を受け付ける（Ｓ２３）。処理Ｓ２１と処理Ｓ２３とは、いずれが先であっても良く、同時であってもよい。次に、学習部２１，４１は、入力データと教師データとを、人工知能２３，４３に入力することにより、入力データから教師データを推定するように、人工知能を学習させる（Ｓ２５）。作業療法支援装置１０３の場合には、学習部２１は、人工知能２３による過去の推定データを、人工知能２３に入力する入力データに追加する。作業療法支援装置１０２においても同様に、学習部２１は、人工知能２３による過去の推定データを、人工知能２３に入力する入力データに追加してもよい。
次に、作業療法支援装置１０１，１０２，１０３は、ユーザの指示等に基づき処理を反復すべきときには（Ｓ２７においてＹｅｓ）、処理をＳ２１へ戻す。それにより、入力データ受付部１５，１６は、新たな入力データの入力を受け付け、教師データ受付部１７，１８は、新たな教師データの入力を受け付ける。作業療法支援装置１０１，１０２，１０３は、処理を反復すべきでないときには（Ｓ２７においてＮｏ）、処理を終了する。
既に述べたように、作業療法支援装置１０１（図２参照）は、図１に示した例では、コンピュータ１０に組み込まれている。コンピュータ１０に特定のアプリケーション、すなわちプログラムをインストールし、起動することにより、コンピュータ１０は、作業療法支援装置１０１として機能する。このプログラムは、ネットワーク５を通じて供給されても良く、ＣＤＲＯＭ等の記憶媒体３１（図２参照）によって、供給されても良い。作業療法支援装置１０２（図５参照），１０３（図７参照）についても同様である。
以上において、作業療法支援装置１０１、１０２、１０３が出力する推定データを利用する者として、作業療法士を例として説明した。しかし、推定データを利用し、作業療法を実施する者は、作業療法士に限らず、例えば対象者１１を含むユーザであってもよく、他の医療あるいは介護従事者、例えば医師、理学療法士、介護福祉士などであってもよい。特に、作業療法支援装置１０２が出力する処方データの推定データは、一般ユーザにも利用し易いという利点がある。
１ 睡眠センサ、 ３ ユーザ通信端末、 ５ ネットワーク、 ７，９ サーバ、 １０ コンピュータ、 １１ 対象者、 １３ インターフェイス、 １５、１６ 入力データ受付部、 １７、１８ 教師データ受付部、 １９ 推定部、 ２１ 学習部、 ２３ 人工知能、 ２５ 推定データ出力部、 ２７ 入力装置、 ２９ 出力装置、 ３１ メモリー、 ３３ 入力層、 ３５ 中間層、 ３７ 出力層、 ３９ 推定部、 ４１ 学習部、 ４３ 人工知能、 １００ 作業療法支援システム、 １０１、１０２ 作業療法支援装置。

Claims (45)

  1. 作業療法評価の対象者の睡眠に関するデータである睡眠データを含み、前記対象者の身体に関するデータである基本データを含まない入力データの入力を受け付ける入力データ受付部と、
    前記入力データ受付部が入力を受け付けた前記入力データを、学習済みの人工知能に入力することにより、前記対象者の日常生活動作に関するデータである日常生活動作データを含むデータの、推定データを前記人工知能に演算させる推定部と、
    前記人工知能が演算した前記推定データを出力する推定データ出力部と、を備え、
    前記睡眠データは、睡眠センサによって計測されたデータに基づく、数値で表されたデータを含み、
    前記日常生活動作データは、段階的に評価されるデータを含む、作業療法支援装置。
  2. 作業療法評価の対象者の睡眠に関するデータである睡眠データを含み、前記対象者の身体に関するデータである基本データを含まない入力データの入力を受け付ける入力データ受付部と、
    前記入力データ受付部が入力を受け付けた前記入力データを、学習済みの第１の人工知能に入力することにより、前記対象者の日常生活動作に関するデータである日常生活動作データを含むデータの、推定データを前記第１の人工知能に演算させる第１の推定部と、
    前記第１の人工知能が演算した前記推定データを、学習済みの第２の人工知能に入力することにより、前記対象者への作業療法の処方データの推定データを前記第２の人工知能に演算させる第２の推定部と、
    前記第２の人工知能が演算した前記処方データの推定データを出力する推定データ出力部と、を備え、
    前記処方データは、運動、マッサージ、ストレッチ、及び、寝具の条件のうちの少なくとも１つの項目についての、処方すべき内容を表現するデータを含み、
    前記睡眠データは、睡眠センサによって計測されたデータに基づく、数値で表されたデータを含み、
    前記日常生活動作データは、段階的に評価されるデータを含む、作業療法支援装置。
  3. 前記処方データは、前記日常生活動作データに含まれる少なくとも１つの日常生活動作の項目についての、動作指導を表現するデータを、さらに含む、請求項２に記載の作業療法支援装置。
  4. 前記睡眠データは、心拍に関する情報、呼吸に関する情報、及び体動に関する情報のうちの少なくとも１つを含む、睡眠に関する項目のデータであり、
    前記日常生活動作データは、機能的自立度評価法に定められる評価項目のうちの少なくとも１つについて、複数段階で評価されるデータを含む、日常生活動作に関する項目のデータである、請求項１から３のいずれかに記載の作業療法支援装置。
  5. 前記睡眠データは、所定時間毎の、睡眠時間、臥位中非睡眠時間、離床時間、臥位時間、睡眠時間／臥位時間、離床回数、中途覚醒回数、心拍数の所定以上の変動の有無、睡眠時の平均心拍数－非睡眠時の平均心拍数、所定睡眠時間帯内の平均心拍数、前記所定睡眠時間帯内の最大心拍数－前記所定睡眠時間帯内の平均心拍数、睡眠時の平均呼吸数－非睡眠時の平均呼吸数、前記所定睡眠時間帯内の平均呼吸数、前記所定睡眠時間帯内の最大呼吸数－前記所定睡眠時間帯内の平均呼吸数、のうちの少なくとも１つを含む、請求項４に記載の作業療法支援装置。
  6. 前記日常生活動作データは、食事、トイレ、排便、移乗トイレ、移動歩行、理解、問題解決、及び記憶のうち少なくとも１つを含む、日常生活動作に関する項目のデータである、請求項１から５のいずれかに記載の作業療法支援装置。
  7. 前記日常生活動作データを含むデータは、前記対象者の身体機能に関するデータである身体機能データを、さらに含む、請求項１から６のいずれかに記載の作業療法支援装置。
  8. 前記日常生活動作データは、転倒の可能性である転倒リスクを含む、請求項１から７のいずれかに記載の作業療法支援装置。
  9. 前記睡眠データは、睡眠に関する質問への前記対象者の回答を、さらに含む、請求項１から８のいずれかに記載の作業療法支援装置。
  10. 前記入力データは、前記対象者の睡眠時の環境に関するデータである環境データを、さらに含む、請求項１から９のいずれかに記載の作業療法支援装置。
  11. 前記入力データは、現在から過去にわたる複数時点における、前記対象者の前記睡眠データを含むデータを、対応する前記複数時点の時間データと互いに関連付けて含む、請求項１から１０のいずれかに記載の作業療法支援装置。
  12. 前記入力データは、過去の時点における前記対象者の前記日常生活動作データを含む、請求項１から１１のいずれかに記載の作業療法支援装置。
  13. 前記過去の時点における前記対象者の前記日常生活動作データは、前記作業療法支援装置それ自身によって過去に推定された推定データである、請求項１２に記載の作業療法支援装置。
  14. 請求項１に記載の作業療法支援装置が用いる前記人工知能を学習させる、作業療法支援装置のための人工知能学習装置であって、
    作業療法評価の対象者の睡眠に関するデータである睡眠データを含み、前記対象者の身体に関するデータである基本データを含まない入力データの入力を受け付ける入力データ受付部と、
    前記入力データに対応する、前記対象者の日常生活動作に関するデータである日常生活動作データを含むデータである、教師データの入力を受け付ける教師データ受付部と、
    前記入力データ受付部が入力を受け付けた前記入力データと、前記教師データ受付部が入力を受け付けた前記教師データとを、人工知能に入力することにより、前記入力データから前記教師データを推定するように、前記人工知能を学習させる学習部と、を備え、
    前記睡眠データは、睡眠センサによって計測されたデータに基づく、数値で表されたデータを含み、
    前記日常生活動作データは、段階的に評価されるデータを含む、作業療法支援装置のための人工知能学習装置。
  15. 前記睡眠データは、心拍に関する情報、呼吸に関する情報、及び体動に関する情報のうちの少なくとも１つを含む、睡眠に関する項目のデータであり、
    前記日常生活動作データは、機能的自立度評価法に定められる評価項目のうちの少なくとも１つについて、複数段階で評価されるデータを含む、日常生活動作に関する項目のデータである、請求項１４に記載の作業療法支援装置のための人工知能学習装置。
  16. 前記睡眠データは、所定時間毎の、睡眠時間、臥位中非睡眠時間、離床時間、臥位時間、睡眠時間／臥位時間、離床回数、中途覚醒回数、心拍数の所定以上の変動の有無、睡眠時の平均心拍数－非睡眠時の平均心拍数、所定睡眠時間帯内の平均心拍数、前記所定睡眠時間帯内の最大心拍数－前記所定睡眠時間帯内の平均心拍数、睡眠時の平均呼吸数－非睡眠時の平均呼吸数、前記所定睡眠時間帯内の平均呼吸数、前記所定睡眠時間帯内の最大呼吸数－前記所定睡眠時間帯内の平均呼吸数、のうちの少なくとも１つを含む、請求項１５に記載の人工知能学習装置。
  17. 前記日常生活動作データは、食事、トイレ、排便、移乗トイレ、移動歩行、理解、問題解決、及び記憶のうち少なくとも１つを含む、日常生活動作に関する項目のデータである、請求項１４から１６のいずれかに記載の作業療法支援装置のための人工知能学習装置。
  18. 前記日常生活動作データを含むデータは、前記対象者の身体機能に関するデータである身体機能データを、さらに含む、請求項１４から１７のいずれかに記載の作業療法支援装置のための人工知能学習装置。
  19. 前記日常生活動作データは、転倒の可能性である転倒リスクを含む、請求項１４から１８のいずれかに記載の作業療法支援装置のための人工知能学習装置。
  20. 前記睡眠データは、睡眠に関する質問への前記対象者の回答を、さらに含む、請求項１４から１９のいずれかに記載の作業療法支援装置のための人工知能学習装置。
  21. 前記入力データは、前記対象者の睡眠時の環境に関するデータである環境データを、さらに含む、請求項１４から２０のいずれかに記載の作業療法支援装置のための人工知能学習装置。
  22. 前記入力データは、現在から過去にわたる複数時点における、前記対象者の前記睡眠データを含むデータを、対応する前記複数時点の時間データと互いに関連付けて含む、請求項１４から２１のいずれかに記載の作業療法支援装置のための人工知能学習装置。
  23. 前記入力データは、過去の時点における前記対象者の前記日常生活動作データを含む、請求項１４から２２のいずれかに記載の人工知能学習装置。
  24. 前記過去の時点における前記対象者の前記日常生活動作データは、前記作業療法支援装置それ自身によって過去に推定された推定データである、請求項２３に記載の人工知能学習装置。
  25. 請求項２に記載の作業療法支援装置が用いる前記第２の人工知能を学習させる、作業療法支援装置のための人工知能学習装置であって、
    作業療法評価の対象者の日常生活動作に関するデータである日常生活動作データを含む、入力データの入力を受け付ける入力データ受付部と、
    前記入力データに対応する、前記対象者への作業療法の処方データである教師データの入力を受け付ける教師データ受付部と、
    前記入力データ受付部が入力を受け付けた前記入力データと、前記教師データ受付部が入力を受け付けた前記教師データとを、前記第２の人工知能である人工知能に入力することにより、前記入力データから前記教師データを推定するように、前記人工知能を学習させる学習部と、を備え、
    前記処方データは、運動、マッサージ、ストレッチ、及び、寝具の条件のうちの少なくとも１つの項目についての、処方すべき内容を表現するデータを含み、
    前記日常生活動作データは、段階的に評価されるデータを含む、作業療法支援装置のための人工知能学習装置。
  26. 前記日常生活動作データは、機能的自立度評価法に定められる評価項目のうちの少なくとも１つについて、複数段階で評価されるデータを含む、日常生活動作に関する項目のデータである、請求項２５に記載の作業療法支援装置のための人工知能学習装置。
  27. 前記日常生活動作データは、食事、トイレ、排便、移乗トイレ、移動歩行、理解、問題解決、及び記憶のうち少なくとも１つを含む、日常生活動作に関する項目のデータである、請求項２５又は２６に記載の作業療法支援装置のための人工知能学習装置。
  28. 前記処方データは、前記日常生活動作データに含まれる少なくとも１つの日常生活動作の項目についての、動作指導を表現するデータをさらに含む、請求項２５から２７のいずれかに記載の作業療法支援装置のための人工知能学習装置。
  29. 前記入力データは、前記対象者の身体機能に関するデータである身体機能データを、さらに含む、請求項２５から２８のいずれかに記載の作業療法支援装置のための人工知能学習装置。
  30. 前記日常生活動作データは、転倒の可能性である転倒リスクを含む、請求項２５から２９のいずれかに記載の作業療法支援装置のための人工知能学習装置。
  31. 作業療法支援装置が、作業療法評価の対象者の睡眠に関するデータである睡眠データを含み、前記対象者の身体に関するデータである基本データを含まない入力データの入力を受け付けることと、
    前記作業療法支援装置が、入力を受け付けた前記入力データを、学習済みの人工知能に入力することにより、前記対象者の日常生活動作に関するデータである日常生活動作データを含むデータの、推定データを前記人工知能に演算させることと、
    前記作業療法支援装置が、前記人工知能が演算した前記推定データを出力することと、を備え、
    前記睡眠データは、睡眠センサによって計測されたデータに基づく、数値で表されたデータを含み、
    前記日常生活動作データは、段階的に評価されるデータを含む、作業療法支援方法。
  32. 作業療法支援装置が、作業療法評価の対象者の睡眠に関するデータである睡眠データを含み、前記対象者の身体に関するデータである基本データを含まない入力データの入力を受け付けることと、
    前記作業療法支援装置が、入力を受け付けた前記入力データを、学習済みの第１の人工知能に入力することにより、前記対象者の日常生活動作に関するデータである日常生活動作データを含むデータの、推定データを前記第１の人工知能に演算させることと、
    前記作業療法支援装置が、前記第１の人工知能が演算した前記推定データを、学習済みの第２の人工知能に入力することにより、前記対象者への作業療法の処方データの推定データを前記第２の人工知能に演算させることと、
    前記作業療法支援装置が、前記第２の人工知能が演算した前記処方データの推定データを出力することと、を備え、
    前記処方データは、運動、マッサージ、ストレッチ、及び、寝具の条件のうちの少なくとも１つの項目についての、処方すべき内容を表現するデータを含み、
    前記睡眠データは、睡眠センサによって計測されたデータに基づく、数値で表されたデータを含み、
    前記日常生活動作データは、段階的に評価されるデータを含む、作業療法支援方法。
  33. 前記処方データは、前記日常生活動作データに含まれる少なくとも１つの日常生活動作の項目についての、動作指導を表現するデータを、さらに含む、請求項３２に記載の作業療法支援方法。
  34. 前記睡眠データは、心拍に関する情報、呼吸に関する情報、及び体動に関する情報のうちの少なくとも１つを含む、睡眠に関する項目のデータであり、
    前記日常生活動作データは、機能的自立度評価法に定められる評価項目のうちの少なくとも１つについて、複数段階で評価されるデータを含む、日常生活動作に関する項目のデータである、請求項３１から３３のいずれかに記載の作業療法支援方法。
  35. 前記睡眠データは、所定時間毎の、睡眠時間、臥位中非睡眠時間、離床時間、臥位時間、睡眠時間／臥位時間、離床回数、中途覚醒回数、心拍数の所定以上の変動の有無、睡眠時の平均心拍数－非睡眠時の平均心拍数、所定睡眠時間帯内の平均心拍数、前記所定睡眠時間帯内の最大心拍数－前記所定睡眠時間帯内の平均心拍数、睡眠時の平均呼吸数－非睡眠時の平均呼吸数、前記所定睡眠時間帯内の平均呼吸数、前記所定睡眠時間帯内の最大呼吸数－前記所定睡眠時間帯内の平均呼吸数、のうちの少なくとも１つを含む、請求項３４に記載の作業療法支援方法。
  36. 前記入力データは、現在から過去にわたる複数時点における、前記対象者の前記睡眠データを含むデータを、対応する前記複数時点の時間データと互いに関連付けて含む、請求項３１から３５のいずれかに記載の作業療法支援方法。
  37. 請求項１に記載の作業療法支援装置が用いる前記人工知能を学習させる、作業療法支援装置のための人工知能学習方法であって、
    人工知能学習装置が、作業療法評価の対象者の睡眠に関するデータである睡眠データを含み、前記対象者の身体に関するデータである基本データを含まない入力データの入力を受け付けることと、
    前記人工知能学習装置が、前記入力データに対応する、前記対象者の日常生活動作に関するデータである日常生活動作データを含むデータである、教師データの入力を受け付けることと、
    前記人工知能学習装置が、入力を受け付けた前記入力データと、入力を受け付けた前記教師データとを、前記人工知能に入力することにより、前記入力データから前記教師データを推定するように、前記人工知能を学習させることと、を備え、
    前記睡眠データは、睡眠センサによって計測されたデータに基づく、数値で表されたデータを含み、
    前記日常生活動作データは、段階的に評価されるデータを含む、作業療法支援装置のための人工知能学習方法。
  38. 前記睡眠データは、心拍に関する情報、呼吸に関する情報、及び体動に関する情報のうちの少なくとも１つを含む、睡眠に関する項目のデータであり、
    前記日常生活動作データは、機能的自立度評価法に定められる評価項目のうちの少なくとも１つについて、複数段階で評価されるデータを含む、日常生活動作に関する項目のデータである、請求項３７に記載の作業療法支援装置のための人工知能学習方法。
  39. 前記睡眠データは、所定時間毎の、睡眠時間、臥位中非睡眠時間、離床時間、臥位時間、睡眠時間／臥位時間、離床回数、中途覚醒回数、心拍数の所定以上の変動の有無、睡眠時の平均心拍数－非睡眠時の平均心拍数、所定睡眠時間帯内の平均心拍数、前記所定睡眠時間帯内の最大心拍数－前記所定睡眠時間帯内の平均心拍数、睡眠時の平均呼吸数－非睡眠時の平均呼吸数、前記所定睡眠時間帯内の平均呼吸数、前記所定睡眠時間帯内の最大呼吸数－前記所定睡眠時間帯内の平均呼吸数、のうちの少なくとも１つを含む、請求項３８に記載の作業療法支援装置のための人工知能学習方法。
  40. 前記入力データは、現在から過去にわたる複数時点における、前記対象者の前記睡眠データを含むデータを、対応する前記複数時点の時間データと互いに関連付けて含む、請求項３７から３９のいずれかに記載の作業療法支援装置のための人工知能学習方法。
  41. 請求項２に記載の作業療法支援装置が用いる前記第２の人工知能を学習させる、作業療法支援装置のための人工知能学習方法であって、
    人工知能学習装置が、作業療法評価の対象者の日常生活動作に関するデータである日常生活動作データを含む、入力データの入力を受け付けることと、
    前記人工知能学習装置が、前記入力データに対応する、前記対象者への作業療法の処方データである教師データの入力を受け付けることと、
    前記人工知能学習装置が、入力を受け付けた前記入力データと、入力を受け付けた前記教師データとを、前記第２の人工知能である人工知能に入力することにより、前記入力データから前記教師データを推定するように、前記人工知能を学習させることと、を備え、
    前記処方データは、運動、マッサージ、ストレッチ、及び、寝具の条件のうちの少なくとも１つの項目についての、処方すべき内容を表現するデータを含み、
    前記日常生活動作データは、段階的に評価されるデータを含む、作業療法支援装置のための人工知能学習方法。
  42. 前記日常生活動作データは、機能的自立度評価法に定められる評価項目のうちの少なくとも１つについて、複数段階で評価されるデータを含む、日常生活動作に関する項目のデータである、請求項４１に記載の作業療法支援装置のための人工知能学習方法。
  43. 前記処方データは、前記日常生活動作データに含まれる少なくとも１つの日常生活動作の項目についての、動作指導を表現するデータをさらに含む、請求項４１又は４２に記載の作業療法支援装置のための人工知能学習方法。
  44. コンピュータに読み取られることにより、前記コンピュータに請求項３１から３６のいずれかに記載の作業療法支援方法を、前記作業療法支援装置として実行させる、作業療法支援プログラム。
  45. コンピュータに読み取られることにより、前記コンピュータに請求項３７から４３のいずれかに記載の人工知能学習方法を、前記人工知能学習装置として実行させる、人工知能学習プログラム。
JP2021098380A 2021-06-13 2021-06-13 作業療法支援装置、作業療法支援装置のための人工知能学習装置、作業療法支援方法、作業療法支援装置のための人工知能学習方法、作業療法支援プログラム、及び人工知能学習プログラム Active JP7246648B2 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2021098380A JP7246648B2 (ja) 2021-06-13 2021-06-13 作業療法支援装置、作業療法支援装置のための人工知能学習装置、作業療法支援方法、作業療法支援装置のための人工知能学習方法、作業療法支援プログラム、及び人工知能学習プログラム
US17/886,131 US20230030655A1 (en) 2021-06-13 2022-08-11 Occupational therapy support device, artificial intelligence training device for occupational therapy support device, occupational therapy support method, artificial intelligence training method for occupational therapy support device, occupational therapy support program, and artificial intelligence training program

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2021098380A JP7246648B2 (ja) 2021-06-13 2021-06-13 作業療法支援装置、作業療法支援装置のための人工知能学習装置、作業療法支援方法、作業療法支援装置のための人工知能学習方法、作業療法支援プログラム、及び人工知能学習プログラム

Publications (2)

Publication Number Publication Date
JP2022190181A JP2022190181A (ja) 2022-12-23
JP7246648B2 true JP7246648B2 (ja) 2023-03-28

Family

ID=84533319

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2021098380A Active JP7246648B2 (ja) 2021-06-13 2021-06-13 作業療法支援装置、作業療法支援装置のための人工知能学習装置、作業療法支援方法、作業療法支援装置のための人工知能学習方法、作業療法支援プログラム、及び人工知能学習プログラム

Country Status (2)

Country Link
US (1) US20230030655A1 (ja)
JP (1) JP7246648B2 (ja)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009288933A (ja) 2008-05-28 2009-12-10 Sony Corp 学習装置、学習方法、及びプログラム
JP2010020446A (ja) 2008-07-09 2010-01-28 Sony Corp 学習装置、学習方法、およびプログラム
JP2015159935A (ja) 2014-02-27 2015-09-07 株式会社東芝 リハビリテーション支援装置
WO2018151173A2 (ja) 2017-02-14 2018-08-23 バイオフィリア研究所有限会社 最適運動情報自動判定を実現する創動運動訓練装置
JP2019057282A (ja) 2017-09-20 2019-04-11 メディア株式会社 患者プロファイル情報システム、患者プロファイル情報システムの制御方法、プログラム、及び記録媒体
WO2020234957A1 (ja) 2019-05-20 2020-11-26 日本電信電話株式会社 リハビリ支援システム、およびリハビリ支援方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8979730B2 (en) * 2009-06-04 2015-03-17 Koninklijke Philips N.V. Method and system for providing behavioural therapy for insomnia
WO2014197443A1 (en) * 2013-06-03 2014-12-11 Kacyvenski Isaiah Motion sensor and analysis
US9866507B2 (en) * 2015-04-27 2018-01-09 Agt International Gmbh Method of monitoring well-being of semi-independent persons and system thereof
US10736544B2 (en) * 2015-09-09 2020-08-11 The Regents Of The University Of California Systems and methods for facilitating rehabilitation therapy
US11687800B2 (en) * 2017-08-30 2023-06-27 P Tech, Llc Artificial intelligence and/or virtual reality for activity optimization/personalization
US11147459B2 (en) * 2018-01-05 2021-10-19 CareBand Inc. Wearable electronic device and system for tracking location and identifying changes in salient indicators of patient health
WO2020004102A1 (ja) * 2018-06-25 2020-01-02 日本電信電話株式会社 機能回復訓練支援システムおよび方法
US11731723B2 (en) * 2018-07-09 2023-08-22 Shimano Inc. Rider recognition device for human-powered vehicle and control system of human-powered vehicle

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009288933A (ja) 2008-05-28 2009-12-10 Sony Corp 学習装置、学習方法、及びプログラム
JP2010020446A (ja) 2008-07-09 2010-01-28 Sony Corp 学習装置、学習方法、およびプログラム
JP2015159935A (ja) 2014-02-27 2015-09-07 株式会社東芝 リハビリテーション支援装置
WO2018151173A2 (ja) 2017-02-14 2018-08-23 バイオフィリア研究所有限会社 最適運動情報自動判定を実現する創動運動訓練装置
JP2019057282A (ja) 2017-09-20 2019-04-11 メディア株式会社 患者プロファイル情報システム、患者プロファイル情報システムの制御方法、プログラム、及び記録媒体
WO2020234957A1 (ja) 2019-05-20 2020-11-26 日本電信電話株式会社 リハビリ支援システム、およびリハビリ支援方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
デイサービス事業者向けリハビリ支援クラウドシステムを開発，[online]，パナソニック株式会社，2019年09月25日，p.1-3，https://news.panasonic.com/jp/press/data/2019/09/jn190925-1/jn190925-1.pdf，[令和3年4月19日検索], インターネット

Also Published As

Publication number Publication date
JP2022190181A (ja) 2022-12-23
US20230030655A1 (en) 2023-02-02

Similar Documents

Publication Publication Date Title
Smith et al. Early onset of stabilizing strategies for gait and obstacles: Older adults with Down syndrome
Jette et al. Physical therapists’ management of patients in the acute care setting: an observational study
WO2021166605A1 (ja) 作業療法支援装置、作業療法支援装置のための人工知能学習装置、及び作業療法支援装置の使用方法
Rigby et al. Changes in cardiorespiratory responses and kinematics with hippotherapy in youth with and without cerebral palsy
Zukowski et al. Relationships between gait variability and ambulatory activity post stroke
Chakravarthy et al. Reliability and validity testing of the MotionWatch 8 in older adults
JP6864460B2 (ja) 疾病予測装置
Gendle et al. Wheelchair-mounted accelerometers for measurement of physical activity
JP7246648B2 (ja) 作業療法支援装置、作業療法支援装置のための人工知能学習装置、作業療法支援方法、作業療法支援装置のための人工知能学習方法、作業療法支援プログラム、及び人工知能学習プログラム
Cesar et al. Cardiorespiratory fitness, balance and walking improvements in an adolescent with cerebral palsy (GMFCS II) and autism after motor-assisted elliptical training
Fatone et al. Identifying instruments to assess care quality for individuals with custom ankle foot orthoses: a scoping review
Dunn et al. Using consumer-grade wearables and novel measures of sleep and activity to analyze changes in behavioral health during an 8-month simulated Mars mission
Munck et al. Evaluation of Self-Trackers for Use in Telerehabilitation.
Chen et al. Establishing the waist as the better location for attaching a single accelerometer to estimate center of pressure trajectories
Lee et al. Accuracy of an infrared LED device to measure heart rate and energy expenditure during rest and exercise
Tsang Using wearable sensors for physical activity measurement and promotion in manual wheelchair users
Wentz The Impact of an Early and Intense Prone Positioning Program in Infants With and Without Down Syndrome.
JP7307432B1 (ja) 情報処理装置、排泄予測方法及びプログラム
WO2023157855A1 (ja) 運動機能指標値変化量の推定方法、推定装置、及び推定プログラム、並びに、運動機能指標値変化量推定モデルの生成方法、生成装置、及び生成プログラム
JP2019024665A (ja) 健康管理システム
Islam Wearable technologies to support lower limb rehabilitation and clinical practice: user requirements, design, and evaluation
Takahashi et al. A system for collecting motion data on patients’ activities of daily living
Kim et al. Initial Evidence on the Impact of Performance-Based Treadmill Training on Pulmonary Function and Physical Performance in a Child with Bronchopulmonary Dysplasia: Single-Subject Experimental Study
Davis et al. The international classification of function and health
Haaren Objective quantification of in-hospital patient mobilisation after cardiac surgery

Legal Events

Date Code Title Description
A80 Written request to apply exceptions to lack of novelty of invention

Free format text: JAPANESE INTERMEDIATE CODE: A80

Effective date: 20210628

RD01 Notification of change of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7426

Effective date: 20220407

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A821

Effective date: 20220407

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20221030

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20221030

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20221117

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: 20230217

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230307

R150 Certificate of patent or registration of utility model

Ref document number: 7246648

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

S531 Written request for registration of change of domicile

Free format text: JAPANESE INTERMEDIATE CODE: R313531

R350 Written notification of registration of transfer

Free format text: JAPANESE INTERMEDIATE CODE: R350