JP7256380B2 - 情報処理装置、危険状況検出システム、および危険状況検出方法 - Google Patents

Description

本発明は、情報処理装置、危険状況検出システム、および危険状況検出方法に関する。

労働災害に関する経験則として、ハインリッヒの法則と呼ばれるものがある。ハインリッヒの法則によると、１つの重大事故の背後には、２９件の軽微な事故と、３００件のヒヤリハットがあると言われている。ヒヤリハットとは、重大な災害や事故には至らないものの、事故に直結してもおかしくない一歩手前の危険な状況である。重大な事故を防ぐためには、ヒヤリハット事例を収集し防止に努めることが重要である。

ヒヤリハット事例を大量に収集するには、調査対象者がヒヤリハットの状況になったことの自動検出が求められる。ヒヤリハットの自動検出の方法としては、生体センサで測定した調査対象者の生体信号（生体現象によって体内から発せられる信号）に基づいて、ヒヤリハットを検出する方法がある。例えば調査対象者の精神性発汗に応じた皮膚電気活動（ＥＤＡ：Electro Dermal Activity）を測定し、ＥＤＡの急激な上昇を検知する方法がある。

ヒヤリハット事例の収集に利用できる技術としては、例えば、運転者の運転時等の精神的ストレスをできるだけ正確で且つ小型の装置で実現したストレス検出装置が提案されている。また作業環境の体験を通じて研修者が本来危険を感じるべきときに確実に危険を感じることができたかどうかを生理情報の計測により把握して教育を行うための装置も提案されている。

特開２００８－２１２３９１号公報 特開２００７－２０６３８６号公報

従来は、ヒヤリハットのような事故の一歩手前の危険な状況を生体信号に基づいて検出した場合、誤検出が多いという問題がある。例えば精神性発汗によってどの程度の発汗があるのかは個人差が大きく、ヒヤリハットである（調査対象者が事故の一歩手前の危険な状況にある）と判定するための基準値を正しく設定するのは難しい。

１つの側面では、本件は、危険状況検出の判定精度を向上させることを目的とする。

１つの案では、以下に示す記憶部と処理部とを有する情報処理装置が提供される。
記憶部は、調査対象者の１または複数の生体信号それぞれの定期的な測定値を含む測定データを記憶する。処理部は、前記測定データに示される前記測定値に基づいて、前記調査対象者の精神的な変化に応じて変化する指標値の所定期間内での標準的な値を示す代表値を算出する。さらに処理部は、前記測定データに示される前記測定値に基づいて、判定対象時刻における前記指標値の変化の度合いを表す指標変化値と前記代表値との比に応じた値を、前記判定対象時刻における特徴量として算出する。そして処理部は、前記特徴量に基づいて、前記判定対象時刻に前記調査対象者が危険を感じる状況が発生したか否かを判定する。

１態様によれば、危険状況検出の判定精度を向上させることができる。

第１の実施の形態に係る危険状況検出方法の一例を示す図である。 第２の実施の形態のシステム構成例を示す図である。 スマートフォンのハードウェアの一構成例を示す図である。 スマートフォンのヒヤリハット検出機能を示すブロック図である。 ＥＤＡデータの一例を示す図である。 心電データの一例を示す図である。 特徴量管理テーブルの一例を示す図である。 識別器情報の一例を示す図である。 デフォルト教師データの一例を示す図である。 ヒヤリハット検出処理の手順の一例を示すフローチャートである。 ＥＤＡ特徴量算出処理の手順の一例を示すフローチャートである。 心電特徴量算出処理の手順の一例を示すフローチャートである。 ヒヤリハット通知画面の一例を示す図である。 累積教師データへの教師データの追加例を示す図である。 識別器生成処理の手順の一例を示すフローチャートである。 第３の実施の形態のシステム構成例を示す図である。 第３の実施の形態におけるスマートフォンのヒヤリハット検出機能を示すブロック図である。 脈波からの心拍間隔の算出例を示す図である。 脈波特徴量算出処理の手順の一例を示すフローチャートである。 第４の実施の形態のシステム構成の一例を示す図である。 サーバのハードウェアの構成の一例を示す図である。 第４の実施の形態におけるヒヤリハット検出処理の一例を示す図である。

以下、本実施の形態について図面を参照して説明する。なお各実施の形態は、矛盾のない範囲で複数の実施の形態を組み合わせて実施することができる。
〔第１の実施の形態〕
以下、第１の実施の形態について説明する。第１の実施の形態は、身体動作時などのＥＤＡの急峻な変化が起こり得る状況下、または生体信号に個人差が発生する状況にあっても、誤検出を起こさず、精度よくヒヤリハットを検出する危険状況検出方法である。

図１は、第１の実施の形態に係る危険状況検出方法の一例を示す図である。図１には、危険状況検出方法を、生体センサ２，３と情報処理装置１０とを有する危険状況検出システムによって実施した場合の例を示している。情報処理装置１０は、例えば危険状況検出方法の処理手順が記述された危険検出プログラムを実行することにより、危険状況検出方法を実施することができる。

情報処理装置１０は、危険状況検出方法を実現するために、記憶部１１と処理部１２とを有する。記憶部１１は、例えば情報処理装置１０が有するメモリ、またはストレージ装置である。処理部１２は、例えば情報処理装置１０が有するプロセッサ、または演算回路である。

情報処理装置１０は、調査対象者１が危険を感じる状況の発生の有無を検知する。調査対象者１が危険を感じる状況は、ヒヤリハットと呼ばれる。
調査対象者１は、生体信号を示す物理量を定期的に測定するための１または複数のウェアラブルの生体センサ２，３を装着している。調査対象者１から測定する生体信号は、例えばＥＤＡと心拍間隔との一方または両方である。

生体センサ２は、例えばＥＤＡを測定する皮膚電気センサである。また生体センサ３は、例えば心拍間隔の算出に用いることができる生体信号を取得するセンサである。心拍間隔を、例えば心電図の波形から算出する場合、生体センサ３として心電センサが用いられる。また心拍間隔を、脈波から測定した脈拍の間隔から推定する場合、生体センサ３として脈波センサが用いられる。

情報処理装置１０は、生体センサ２，３に接続されており、生体センサ２，３から物理量の測定値を取得し、記憶部１１に格納する。記憶部１１は、生体センサ２，３で測定された、調査対象者１の１または複数の生体信号それぞれの定期的な測定値を含む測定データ４を記憶する。例えば生体センサ２が皮膚電気センサであれば、記憶部１１は、ＥＤＡの測定値を示すＥＤＡデータ４ａを記憶する。また生体センサ３が心拍間隔算出用の生体信号を取得する心電センサまたは脈波センサであれば、記憶部１１は、心電の時系列変化を示す波形（心電図）または脈波の時系列変化を示す波形を示す心拍計算用データ４ｂを記憶する。

処理部１２は、記憶部１１に格納された測定データ４に基づいて、調査対象者１がヒヤリハットの状況になったか否かを判定する。例えば処理部１２は、まず、測定データ４に示される測定値に基づいて、調査対象者の精神的な変化に応じて変化する指標値の所定期間内での標準的な値を示す代表値を算出する。標準的な値を示す代表値は、例えば所定期間内の指標値の平均値である。また、代表値として中央値、最頻値などの別の値を用いることもできる。

生体信号が皮膚電気活動の場合、調査対象者の精神的な変化に応じて変化する指標値は、皮膚電気活動を示す測定値である。また生体信号が心拍間隔の場合、調査対象者の精神的な変化に応じて変化する指標値は、所定期間内の複数の単位期間ごとのストレス指標値（ＬＦ（Low Frequency）／ＨＦ（Hi Frequency））である。ＬＦ／ＨＦは、心拍間隔の時系列変化を示す波形の所定周波数よりも低い低周波成分の単位期間内の合計エネルギーを、所定周波数よりも高い高周波成分の単位期間内の合計エネルギーで除算して得られる値である。

次に処理部１２は、測定データ４に示される測定値に基づいて、判定対象時刻における指標値の変化の度合いを表す指標変化値と代表値との比に応じた値を、判定対象時刻における特徴量として算出する。例えば処理部１２は、判定対象時刻における指標値の代表値からの偏差（代表値からの変化の度合い）を、指標変化値とする。また処理部１２は、指標値の判定対象時刻における変化速度（単位時間当りの変化の度合い）を、指標変化値とすることもできる。指標値の変化速度は、例えば判定対象時刻の測定値から得られる指標値と、判定対象時刻の直前の測定時刻の測定値から得られる指標値との差分を、測定間隔で除算することで得られる。

特徴量を算出後、処理部１２は、算出した特徴量に基づいて、判定対象時刻に調査対象者１が危険を感じる状況が発生したか否かを判定する。例えば処理部１２は、機械学習などの手法により調査対象者１が危険を感じる状況が発生したか否かの判定基準を学習しておく。そして処理部１２と、算出した特徴量を判定基準と比較することで、調査対象者１が危険を感じる状況が発生したか否かを判定する。

このような情報処理装置１０によれば、指標値に所定の演算を行うことで調査対象者１の精神的な変化を明確化した指標変化値を、代表値で除算した値が、特徴量とされる。調査対象者１が危険を感じる状況（ヒヤリハット）が発生したか否かを、このような特徴量に基づいて判定することにより、ヒヤリハットと呼ばれる危険な状況の誤検出が抑止される。

すなわち、例えばＥＤＡの計測値は、調査対象者１の発汗状況に応じて変化する。発汗のしやすさには個人差があり、普段（ヒヤリハットの状況にないとき）から簡単に発汗する人の場合、ＥＤＡの測定値の変化の幅が大きくなる。そして発汗しやすい人は、ヒヤリハットの状況になったとき、それ以外の人よりも多く発汗し、ＥＤＡの計測値は、普段よりもさらに大きく変動する。

そこで処理部１２は、調査対象者１から測定した測定値から求めた指標値の代表値を求めることで、調査対象者１の普段の生体信号の変動のしやすさ（例えば発汗のしやすさ）の指標値への影響の度合いを代表値で表している。そして処理部１２は、指標変化値と代表値との比に応じた値（例えば指標変化値を代表値で除算した値）を特徴量とする。これにより、調査対象者１の生体信号の測定値の普段からの変動のしやすさの、特徴量への影響を抑止することができ、ヒヤリハットの誤検出を抑止することができる。

また、調査対象者１の生体信号の物理量は、ヒヤリハットの状況だけでなく、例えば調査対象者１が強い強度の活動を行っている場合にも大きく変動する。情報処理装置１０は、調査対象者１が強い強度の活動を行っている場合の物理量の測定値の変動をヒヤリハットと誤検出することを抑止することもできる。なお、調査対象者１の現在の活動の強度を代表値に反映させるために、代表値の算出に用いる測定値の測定期間は、統計的に信頼できる代表値を算出可能な、長すぎない期間とするのが望ましい。

例えば重い物を運搬する場合のように、調査対象者１が強い強度の活動を行っている間は、調査対象者１の心拍間隔が短くなる。処理部１２は、心拍間隔に基づく指標値として、例えばＬＦ／ＨＦを用いる。このとき処理部１２は、ＬＦ／ＨＦの代表値として、例えば直近の数分間の期間内の脈拍間隔から算出したＬＦ／ＨＦの平均値を算出する。これにより、調査対象者１の現在の活動の強度が、ＬＦ／ＨＦの代表値に反映される。そして処理部１２は、指標変化値と代表値との比に応じた値（例えば指標変化値を代表値で除算した値）を特徴量とする。これにより、調査対象者１の現在の活動の強度の特徴量への影響を抑止することができ、ヒヤリハットの誤検出を抑止することができる。

このように第１の実施の形態に係る危険状況検出方法により、身体動作時などのＥＤＡの急峻な変化が起こり得る状況下、または生体信号に個人差が発生する状況にあっても、誤検出を抑止し、精度よくヒヤリハットを検出することが可能となる。

なお処理部１２は、複数の特徴量を算出して、それらの特徴量を組み合わせてヒヤリハットの有無を判定することで、より判定精度を向上させることができる。図１の例では、生体信号はＥＤＡと心拍間隔との２つであり、処理部１２は、ＥＤＡデータ４ａから２種類の特徴量（第１特徴量と第２特徴量）を算出し、心拍計算用データ４ｂから１種類の特徴量（第３特徴量）を算出している。

例えば処理部１２は、第１特徴量と第２特徴量とを算出する場合、皮膚電気活動を示す測定値をそのままＥＤＡの指標値とすることができる。それに対して、処理部１２は、第３特徴量を算出する場合、ＬＦ／ＨＦを指標値とする。

処理部１２は、第１特徴量と第２特徴量を算出するために、まず、ＥＤＡの指標値の第１所定期間（例えば６０秒）内の平均値（ＥＤＡａｖｒ）を第１代表値として算出する。次に処理部１２は、判定対象時刻におけるＥＤＡの測定値の第１代表値からの偏差（ＥＤＡ－ＥＤＡａｖｒ）を第１指標変化値として算出する。そして処理部１２は、第１指標変化値を第１代表値で除算した商（（ＥＤＡ－ＥＤＡａｖｒ）／ＥＤＡａｖｒ）を第１特徴量（ΔＥＤＡ）として算出する。

また処理部１２は、判定対象時刻におけるＥＤＡの変化速度（ＥＤＡ’）を第２指標変化値として算出する。そして処理部１２は、第２指標変化値を第１代表値で除算した商（ＥＤＡ’／ＥＤＡａｖｒ）を第２特徴量（ΔＥＤＡ’）として算出する。

さらに処理部１２は、第３特徴量を算出するために、まず、心電または脈波から得られる心拍計算用データ４ｂに表れる心拍間隔を算出する。次に処理部１２は、心拍間隔の時系列変化に基づいてＬＦ／ＨＦを算出する。例えば処理部１２は、ＬＦ／ＨＦ算出対象の時刻を１０秒ずつずらし、１０秒間隔のＬＦ／ＨＦを算出する。処理部１２は、特定の時刻のＬＦ／ＨＦは、例えば該当時刻の直前の６０秒間の心拍計算用データ４ｂに基づいて算出する。

所定時間間隔（例えば１０秒）のＬＦ／ＨＦを算出後、処理部１２は、ＬＦ／ＨＦの第２所定期間（例えば１８０秒）内の平均値（ＬＦ／ＨＦａｖｒ）を第２代表値として算出する。次に処理部１２は、判定対象時刻におけるＬＦ／ＨＦの測定値の第２代表値からの偏差（ＬＦ／ＨＦ－ＬＦ／ＨＦａｖｒ）を第３指標変化値として算出する。さらに処理部１２は、第３指標変化値を第２代表値で除算した商（（ＬＦ／ＨＦ－ＬＦ／ＨＦａｖｒ）／（ＬＦ／ＨＦａｖｒ））を第３特徴量（ΔＬＦ／ＨＦ）として算出する。

そして処理部１２は、第１特徴量、第２特徴量、および第３特徴量に基づいて、判定対象時刻に調査対象者が危険を感じる状況が発生したか否かを判定する。例えば処理部１２は、予め作成しておいた識別器を用いて、ヒヤリハットの有無を判定する。識別器には、例えば第１特徴量、第２特徴量、および第３特徴量それぞれを座標軸とする空間を、ヒヤリハットありと判定する領域と、ヒヤリハットなしと判定する領域との境界が定義されている。処理部１２は、算出された第１特徴量、第２特徴量、および第３特徴量それぞれの特徴量の値に対応する点が、空間内のどちらの領域にあるのかにより、ヒヤリハットの有無を判定する。

このように、複数の特徴量を用いてヒヤリハットの有無を判定することで、より高精度の判定が可能となる。
なお処理部１２は、ヒヤリハットの判定に用いる識別器を、例えば調査対象者１から入力された情報に基づいて、判定精度が向上するように更新することもできる。例えば処理部１２は、ヒヤリハットの判定により調査対象者１が危険を感じる状況が生じたと判断した場合、判断結果を表示する。次に処理部１２は、調査対象者１からの、判断結果の正否を示す回答の入力を受け付ける。そして処理部１２は、回答に応じて、調査対象者１が危険を感じる状況が生じたか否かの判定基準を示す情報（識別器）を生成する。このように、識別器の更新を繰り返すことで、ヒヤリハットの判定精度を向上させ、誤判定を抑止することができる。

〔第２の実施の形態〕
次に第２の実施の形態について説明する。第２の実施の形態は、皮膚電気活動と心電とに基づいてヒヤリハットを高精度に検出するものである。

図２は、第２の実施の形態のシステム構成例を示す図である。調査対象者２０には、皮膚電気センサ２１と心電センサ２２とが装着される。
皮膚電気センサ２１は、皮膚電気活動を示す物理量を計測するセンサである。例えば皮膚電気センサ２１は、皮膚コンダクタンスを計測する。皮膚コンダクタンスを計測する場合、皮膚電気センサ２１は、例えば手のひらの２箇所に電極を配置し、電極間のコンダクタンス（電気抵抗の逆数）を計測する。皮膚電気センサ２１は、無線通信によって、計測したＥＤＡの値の時間変化を示すＥＤＡデータをスマートフォン１００に送信する。

ＥＤＡとして測定される皮膚コンダクタンスは、おおよそ０．１～２０μＳの範囲内の値となる。ただし、個人差や運動強度などによっても変わるため、上記範囲外になることもあり得る。

心電センサ２２は、調査対象者２０の胸部に取り付けられ、心臓から発生する電気信号（心電）を計測するセンサである。心電センサ２２で計測した電気信号の時系列変化が心電図となる。心電センサ２２は、無線通信によって、計測した電気信号の変化を示す心電データをスマートフォン１００に送信する。

スマートフォン１００では、心電データに基づいて、心電図を生成することができる。心電図には、心臓の拍動ごとにＲ波と呼ばれる特徴的な波が表れる。スマートフォン１００は、Ｒ波のピーク間の間隔を計測することで、心拍間隔を算出できる。心拍間隔は、おおよそ５０～２０００ｍｓの範囲内の値となる。心拍間隔についてもＥＤＡと同様に、個人差や運動強度などによっても変わるため上記範囲外になることもあり得る。

スマートフォン１００は、ＥＤＡデータと心電データとに基づいて、ヒヤリハットの有無を判定する。例えば調査対象者２０は、精神的に動揺するような状況に置かれたときに発汗する。調査対象者２０が発汗すると、調査対象者２０の手のひらの所定の２点間の皮膚コンダクタンスが上がる（電気抵抗が下がる）。また調査対象者２０は、精神的に動揺するような状況に置かれた場合、心拍間隔が短くなる（単位時間当りの心拍数が上がる）。心拍間隔の時間変化は、心電図の波形に表れる。そこでスマートフォン１００は、ＥＤＡデータに示されるＥＤＡの時系列変化と心電データに示される心拍間隔の時系列変化に基づいて、調査対象者２０がヒヤリハットの状況になったか否かを判断する。

なおＥＤＡや心拍間隔などの生体信号は個人差が大きい。また調査対象者２０の身体動作の状況によっても生体信号が変動する。そこでスマートフォン１００は、生体信号のトレンドを計算し、トレンドと実測値を比較して得られた値を用いてヒヤリハットの有無を検出する。これにより、身体動作時などの皮膚電気の急峻な変化が起こり得る状況下、且つ生体信号に個人差が発生する状況にあっても誤検出を抑止し、精度よくヒヤリハットを検出することが可能となる。なお、トレンドは、第１の実施の形態に示す代表値の一例である。

図３は、スマートフォンのハードウェアの一構成例を示す図である。スマートフォン１００は、プロセッサ１０１によって装置全体が制御されている。プロセッサ１０１には、バス１１０を介してメモリ１０２と複数の周辺機器が接続されている。プロセッサ１０１は、マルチプロセッサであってもよい。プロセッサ１０１は、例えばＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro Processing Unit）、またはＤＳＰ（Digital Signal Processor）である。プロセッサ１０１がプログラムを実行することで実現する機能の少なくとも一部を、ＡＳＩＣ（Application Specific Integrated Circuit）、ＰＬＤ（Programmable Logic Device）などの電子回路で実現してもよい。

メモリ１０２は、スマートフォン１００の主記憶装置として使用される。メモリ１０２には、プロセッサ１０１に実行させるＯＳ（Operating System）のプログラムやアプリケーションプログラムの少なくとも一部が一時的に格納される。また、メモリ１０２には、プロセッサ１０１による処理に利用する各種データが格納される。メモリ１０２としては、例えばＲＡＭ（Random Access Memory）などの揮発性の半導体記憶装置が使用される。

バス１１０に接続されている周辺機器としては、ストレージ装置１０３、ディスプレイ装置１０４、タッチパネル１０５、機器接続インタフェース１０６、音声入出力部１０７、および無線通信部１０８，１０９がある。

ストレージ装置１０３は、内蔵した記録媒体に対して、電気的または磁気的にデータの書き込みおよび読み出しを行う。ストレージ装置１０３は、コンピュータの補助記憶装置として使用される。ストレージ装置１０３には、ＯＳのプログラム、アプリケーションプログラム、および各種データが格納される。なお、ストレージ装置１０３としては、例えばＨＤＤ（Hard Disk Drive）やＳＳＤ（Solid State Drive）を使用することができる。

ディスプレイ装置１０４は、プロセッサ１０１からの命令に従って、画像を表示する。ディスプレイ装置１０４としては、有機ＥＬ（Electro Luminescence）を用いた表示装置や液晶表示装置などがある。

タッチパネル１０５は、ディスプレイ装置１０４の画面の前面に配置されており、画面上の押された位置を検知して、その位置を示す信号をプロセッサ１０１に送信する。
機器接続インタフェース１０６は、スマートフォン１００に周辺機器を接続するための通信インタフェースである。例えば機器接続インタフェース１０６には、メモリカード３１を接続することができる。メモリカード３１は、機器接続インタフェース１０６との通信機能を搭載した、カード型の記録媒体である。

音声入出力部１０７には、マイク１１１とスピーカ１１２とが接続されている。音声入出力部１０７は、マイク１１１から入力された音声信号をディジタル信号に変換して、プロセッサ１０１に送信する。また音声入出力部１０７は、プロセッサ１０１から音声データを受信すると、音声データに従った音声信号を生成し、スピーカ１１２から音声出力を行う。

無線通信部１０８は、移動体通信用の通信インタフェースである。無線通信部１０８にはアンテナ１１３が接続されている。無線通信部１０８は、アンテナ１１３を介して、移動体通信の基地局と通信する。

無線通信部１０９は、近距離の無線通信により、皮膚電気センサ２１および心電センサ２２と通信を行う。無線通信部１０９が用いる通信規格としては、例えばBluetooth（登録商標）またはＷｉ－Ｆｉ（登録商標）などがある。無線通信部１０９は、皮膚電気センサ２１からＥＤＡデータを受信すると、そのＥＤＡデータをプロセッサ１０１に送信する。また無線通信部１０９は、心電センサ２２から心電データを受信すると、その心電データをプロセッサ１０１に送信する。

スマートフォン１００は、以上のようなハードウェア構成によって、第２の実施の形態の処理機能を実現することができる。なお、第１の実施の形態に示した情報処理装置１０も、図３に示したスマートフォン１００と同様のハードウェアにより実現することができる。

スマートフォン１００は、例えばコンピュータ読み取り可能な記録媒体に記録されたプログラムを実行することにより、第２の実施の形態の処理機能を実現する。スマートフォン１００に実行させる処理内容を記述したプログラムは、様々な記録媒体に記録しておくことができる。例えば、スマートフォン１００に実行させるプログラムをストレージ装置１０３に格納しておくことができる。プロセッサ１０１は、ストレージ装置１０３内のプログラムの少なくとも一部をメモリ１０２にロードし、プログラムを実行する。またスマートフォン１００に実行させるプログラムを、メモリカード３１などの可搬型記録媒体に記録しておくこともできる。可搬型記録媒体に格納されたプログラムは、例えばプロセッサ１０１からの制御により、ストレージ装置１０３にインストールされた後、実行可能となる。またプロセッサ１０１が、可搬型記録媒体から直接プログラムを読み出して実行することもできる。

次にヒヤリハットを検出するためにスマートフォン１００が有する機能について説明する。
図４は、スマートフォンのヒヤリハット検出機能を示すブロック図である。スマートフォン１００は、記憶部１２０、ＥＤＡデータ取得部１３１、心電データ取得部１３２、ＥＤＡ特徴量算出部１３３、心電特徴量算出部１３４、判定部１３５、ヒヤリハット出力部１３６、回答取得部１４１、および識別器生成部１４２を有する。

記憶部１２０は、ヒヤリハット検出に利用するデータを記憶する。例えばメモリ１０２またはストレージ装置１０３の記憶領域の一部が、記憶部１２０として使用される。図４の例では、記憶部１２０は、ＥＤＡデータ１２１、心電データ１２２、特徴量管理テーブル１２３、識別器情報１２４、デフォルト教師データ１２５、および累積教師データ１２６を記憶している。

ＥＤＡデータ１２１は、皮膚電気センサ２１によって計測されたＥＤＡの値の時系列変化を示すデータである。心電データ１２２は、心電センサ２２によって計測された、心臓で発生した電気信号の時系列変化を示すデータである。特徴量管理テーブル１２３は、ＥＤＡデータ１２１と心電データ１２２との特徴を示す特徴量の時系列変化を管理するデータテーブルである。識別器情報１２４は、ヒヤリハットか否かの識別器を示す情報である。識別器は、例えばサポートベクターマシン（ＳＶＭ：Support Vector Machine）である。デフォルト教師データ１２５は、識別器を生成するための学習用のデータである。累積教師データ１２６は、調査対象者２０からの入力に応じて生成された、識別器を生成するための学習用のデータである。

ＥＤＡデータ取得部１３１は、皮膚電気センサ２１からＥＤＡの測定値を取得する。ＥＤＡデータ取得部１３１は、取得したＥＤＡの測定値を、ＥＤＡデータ１２１として記憶部１２０に格納する。

心電データ取得部１３２は、心電センサ２２から、心臓で発生した電気信号の測定値を取得する。心電データ取得部１３２は、取得した測定値を、心電データ１２２として記憶部１２０に格納する。

ＥＤＡ特徴量算出部１３３は、ＥＤＡデータ１２１に基づいて、ＥＤＡに関する特徴量を算出する。例えばＥＤＡ特徴量算出部１３３は、ＥＤＡのトレンドを示す値に対する、ＥＤＡの測定値の変化率（ＥＤＡ変化率）を算出する。ＥＤＡのトレンドは、例えば６０秒間のＥＤＡの測定値の平均値である。ＥＤＡ変化率は、ＥＤＡのトレンドを基準としたときのＥＤＡの変化の度合いを示している。例えばＥＤＡの測定値とトレンドとの差分（偏差）を、トレンドで除算した値である。ＥＤＡ特徴量算出部１３３は、算出したＥＤＡ変化率を、生体信号の第１特徴量として、特徴量管理テーブル１２３に格納する。

またＥＤＡ特徴量算出部１３３は、ＥＤＡのトレンドに対する、ＥＤＡの測定値の変化速度の比（ＥＤＡ変化速度比）を算出する。ＥＤＡの測定値の変化速度は、ＥＤＡの測定値の時系列変化を、時間で微分した値である。ＥＤＡ速度変換比は、算出した変化速度を、ＥＤＡのトレンドで除算した値である。ＥＤＡ特徴量算出部１３３は、算出したＥＤＡ変化速度比を、生体信号の第２特徴量として、特徴量管理テーブル１２３に格納する。

心電特徴量算出部１３４は、心電データ１２２に基づいて、心電に関する特徴量を算出する。例えば心電特徴量算出部１３４は、心電データ１２２に基づいて心拍間隔を算出する。さらに心電特徴量算出部１３４は、心拍間隔の時系列変化に基づいて、ＬＦをＨＦで除算した値（ＬＦ／ＨＦ）を算出する。ＬＦは、低周波数帯域（０．０４～０．１５Ｈｚ）のパワースペクトルの合計量（合計エネルギー）である。ＨＦは、高周波数帯域（０．１５～０．４Ｈｚ）のパワースペクトルの合計量である。パワースペクトルは、心拍周期の時間変化を示す波の周波数成分ごとの強度である。ＬＦ／ＨＦは、おおよそ０．５～５の範囲内の値となるが、個人のストレス状態や疾病状態により範囲外になることもあり得る。

そして心電特徴量算出部１３４は、ＬＦ／ＨＦのトレンドを示す値に対する、ＬＦ／ＨＦの変化率（ＬＦ／ＨＦ変化率）を算出する。ＬＦ／ＨＦのトレンドは、例えば１８０秒間のＬＦ／ＨＦの測定値の平均値である。ＬＦ／ＨＦ変化率は、トレンドを基準とした場合のＬＦ／ＨＦの変化の度合いを示している。ＬＦ／ＨＦ変化率は、例えばＬＦ／ＨＦの値とトレンドとの差分（偏差）を、トレンドで除算した値である。心電特徴量算出部１３４は、算出したＬＦ／ＨＦ変化率を、生体信号の第３特徴量として特徴量管理テーブル１２３に格納する。

判定部１３５は、識別器情報１２４で示される識別器を用いて、特徴量管理テーブル１２３に登録された第１～第３特徴量に基づいて、調査対象者２０がヒヤリハットの状況となったか否かを判断する。判定部１３５は、ヒヤリハットの状況であると判断した場合、ヒヤリハット検出情報をヒヤリハット出力部１３６に送信する。ヒヤリハット検出情報には、例えばヒヤリハットの検出時刻が示される。

ヒヤリハット出力部１３６は、ヒヤリハット検出情報を受信すると、スマートフォン１００のディスプレイ装置１０４に、ヒヤリハットを検出したこと、および検出時刻を表示する。

回答取得部１４１は、ヒヤリハットを検出したとき、調査対象者２０によるヒヤリハットに該当する事象の有無に関する回答を取得する。回答を取得すると、回答取得部１４１は、ヒヤリハットの検出に用いた皮膚電気センサ２１の測定値をＥＤＡデータ１２１から取得すると共に、ヒヤリハットの検出に用いた心電センサ２２の測定値を心電データ１２２から取得する。そして、回答取得部１４１は、取得した測定値と回答とを、累積教師データ１２６として記憶部１２０に格納する。

識別器生成部１４２は、デフォルト教師データ１２５と累積教師データ１２６とに基づいて、識別器を生成する。識別器生成部１４２は、生成した識別器を示す情報を、識別器情報１２４として記憶部１２０に格納する。

なお、図４に示した各要素間を接続する線は通信経路の一部を示すものであり、図示した通信経路以外の通信経路も設定可能である。また、図４に示した各要素の機能は、例えば、その要素に対応するプログラムモジュールをコンピュータに実行させることで実現することができる。

次に、図５～図９を参照して、記憶部１２０に格納されるデータについて詳細に説明する。
図５は、ＥＤＡデータの一例を示す図である。ＥＤＡデータ１２１には、例えば計測した日時に対応付けて、計測された皮膚コンダクタンスが設定されている。測定される皮膚コンダクタンスの単位は、例えばジーメンスである。

測定される皮膚コンダクタンスは、調査対象者２０の皮膚上の２点間の皮膚コンダクタンスであり、調査対象者２０の発汗によって変動する。例えば調査対象者２０がヒヤリハットの状況になり、精神性発汗により汗をかくと、皮膚表面の電気抵抗が下がり、皮膚コンダクタンスが上昇する。

例えばＥＤＡデータ１２１に示される皮膚コンダクタンスの値を、横軸に時刻、縦軸に皮膚コンダクタンスをとったグラフで表すと、皮膚コンダクタンスの時系列変化が表れる。ＥＤＡデータ１２１は、ＥＤＡ特徴量算出部１３３によるＥＤＡ変化率の算出に利用される。またＥＤＡデータ１２１は、ＥＤＡ特徴量算出部１３３によるＥＤＡ変化速度比の算出にも利用される。

図６は、心電データの一例を示す図である。心電データ１２２には、例えば計測した日時に対応付けて、調査対象者２０の体表面で計測された電位が設定される。電位の単位は、例えばボルトである。心電データ１２２に基づいて、横軸に時刻、縦軸に電位をとったグラフ作成すると、調査対象者２０の心電図となる。

測定される電位は、心臓の洞結節で発生した電気的興奮を示す電気信号である。心臓は、洞結節の電気的興奮に基づいて拍動している。そのため心電によって洞結節の電気的興奮の周期を求めることで、心拍周期が得られる。例えば心電図に表れる１周期内の最も大きな波がＲ波である。そこでＲ波の時間間隔（Ｒ－Ｒ間隔）を測定することで、心拍周期が得られる。

調査対象者２０がヒヤリハットの状況になった場合、心拍周期が短くなるため、心拍周期の変動状況を、ヒヤリハットの検出指標として利用することができる。そこで、心電データ１２２は、心電特徴量算出部１３４によるＬＦ／ＨＦ変化率の算出に利用される。

図７は、特徴量管理テーブルの一例を示す図である。特徴量管理テーブル１２３には、特徴量を算出した日付と時刻との組に対応付けて、ヒヤリハット有無、第１特徴量、第２特徴量、および第３特徴量が設定されている。

ヒヤリハット有無は、算出した特徴量に基づいてヒヤリハットを検出したか否かを示すフラグである。例えばヒヤリハットを検出した場合、ヒヤリハット有無のフラグが「１」に設定される。またヒヤリハットを検出しなかった場合、ヒヤリハット有無のフラグが「０」に設定される。第１の特徴量はＥＤＡ変化率（ΔＥＤＡ）である。第２特徴量はＥＤＡ変化速度比（ΔＥＤＡ’）である。第３の特徴量はＬＦ／ＨＦ変化率（ΔＬＦ／ＨＦ）である。

図８は、識別器情報の一例を示す図である。識別器情報１２４は、例えばＳＶＭにおける超平面Ｈを定義する情報である。超平面Ｈは、３つの特徴量を軸とする３次元空間において、ヒヤリハットが実際に存在した（Ｙｅｓ）ときの特徴量を示す点を含む領域と、ヒヤリハットが存在しない（Ｎｏ）ときの特徴量を示す点を含む領域との境界を示す平面である。ＳＶＭでは、訓練サンプルから、特徴量を示す点との距離が最大となる超平面Ｈが得られる。

ＳＶＭの訓練サンプルは、デフォルト教師データ１２５と累積教師データ１２６である。調査対象者２０に対するヒヤリハット検出の運用開始前は、デフォルト教師データ１２５に基づいて生成されたＳＶＭが、識別器情報１２４として記憶部１２０に格納される。ヒヤリハット検出の運用開始後、調査対象者２０からの回答入力に伴い累積教師データ１２６が蓄積されると、デフォルト教師データ１２５と累積教師データ１２６とに基づいて生成されたＳＶＭが、新たな識別器情報１２４として記憶部１２０に格納される。

図９は、デフォルト教師データの一例を示す図である。デフォルト教師データ１２５には、複数の教師データセット１２５ａ，１２５ｂ，・・・が含まれている。複数の教師データセット１２５ａ，１２５ｂ，・・・それぞれには、ＥＤＡデータ４１、心電データ４２、および正解データ４３が含まれる。ＥＤＡデータ４１は、ＥＤＡ変化率（ΔＥＤＡ）とＥＤＡ変化速度比（ΔＥＤＡ’）との算出に用いるＥＤＡの計測値である。心電データ４２は、ＬＦ／ＨＦ変化率（ΔＬＦ／ＨＦ）の算出に用いる心電の計測値である。正解データ４３は、ＥＤＡデータ４１と心電データ４２とに基づくヒヤリハットの判断結果に対する正解を示すデータである。

累積教師データ１２６に含まれる情報は、デフォルト教師データ１２５と同種の情報である。ただし、デフォルト教師データ１２５は予め用意されているのに対し、累積教師データ１２６は、調査対象者２０からの回答入力に応じて生成される。

スマートフォン１００は、図５～図９に示したようなデータを用いて、調査対象者２０のヒヤリハットの自動検出を行う。
図１０は、ヒヤリハット検出処理の手順の一例を示すフローチャートである。以下、図１０に示す処理をステップ番号に沿って説明する。なお図１０では、非同期で並列に実行される処理を、アクティビティ図で用いるフォークノード（スタート直後の横線）とジョインノード（ステップＳ１０３，Ｓ１０６後の横線）で表している。すなわちステップＳ１０１～Ｓ１０３の処理とステップＳ１０４～Ｓ１０６の処理とは、非同期で並列に実行される。

［ステップＳ１０１］ＥＤＡデータ取得部１３１は、皮膚電気センサ２１からＥＤＡの測定値を取得する。例えば皮膚電気センサ２１は、調査対象者２０の皮膚コンダクタンスを測定し、測定時刻と皮膚コンダクタンスの値との組をスマートフォン１００に送信する。スマートフォン１００では、ＥＤＡデータ取得部１３１が測定時刻と皮膚コンダクタンスの値との組を、ＥＤＡ測定値として取得する。

［ステップＳ１０２］ＥＤＡデータ取得部１３１は、取得したＥＤＡの測定値を、ＥＤＡデータ１２１として記憶部１２０に記録する。
［ステップＳ１０３］ＥＤＡ特徴量算出部１３３は、ＥＤＡ関連の特徴量（ＥＤＡ変化率とＥＤＡ変化速度比）を算出する。ＥＤＡ関連の特徴量算出処理の詳細は後述する（図１１参照）。

［ステップＳ１０４］心電データ取得部１３２は、心電センサ２２から心電の測定値を取得する。例えば心電センサ２２は、調査対象者２０の心臓の電気的興奮を示す電位を体表面で測定し、測定時刻と電位の値との組をスマートフォン１００に送信する。スマートフォン１００では、心電データ取得部１３２が測定時刻と電位の値との組を、心電の測定値として取得する。

［ステップＳ１０５］心電データ取得部１３２は、取得した心電の測定値を、心電データ１２２として記憶部１２０に記録する。
［ステップＳ１０６］心電特徴量算出部１３４は、心電関連の特徴量（ＬＦ／ＨＦ変化率）を算出する。心電関連の特徴量算出処理の詳細は後述する（図１２参照）。

［ステップＳ１０７］判定部１３５は、識別器を用いて、第１～第３特徴量に示された状況がヒヤリハットの状況か否かを判定する。例えば判定部１３０は、第１～第３特徴量に対応する点が、ＳＶＭとして生成された超平面Ｈを挟んでどちら側の領域にあるのかにより、ヒヤリハットの状況か否かを判定する。

［ステップＳ１０８］ヒヤリハット出力部１３６は、ヒヤリハットが検出された場合に、ヒヤリハットの検出を示す情報を出力する。例えばヒヤリハット出力部１３６は、ヒヤリハットの検出時刻と、ヒヤリハットを検出したことを示すメッセージとを、ディスプレイ装置１０４の画面に表示する。

次に、ＥＤＡ特徴量算出処理について詳細に説明する。
図１１は、ＥＤＡ特徴量算出処理の手順の一例を示すフローチャートである。以下、図１１に示す処理をステップ番号に沿って説明する。

［ステップＳ１１１］ＥＤＡ特徴量算出部１３３は、記憶部１２０からＥＤＡデータ１２１を取得する。
［ステップＳ１１２］ＥＤＡ特徴量算出部１３３は、取得したＥＤＡデータ１２１に、６０秒分以上のＥＤＡの計測値が記録されているか否かを判断する。ＥＤＡ特徴量算出部１３３は、６０秒分以上のＥＤＡの計測値が記録されていれば処理をステップＳ１１３に進める。またＥＤＡ特徴量算出部１３３は、６０秒分以上のＥＤＡの計測値が記録されていなければ、処理をステップＳ１１１に進める。

［ステップＳ１１３］ＥＤＡ特徴量算出部１３３は、ＥＤＡの６０秒トレンド（ＥＤＡａｖｒ）を算出する。６０秒トレンドは、６０秒間で受信したＥＤＡの測定結果（皮膚コンダクタンス値）の平均である。

［ステップＳ１１４］ＥＤＡ特徴量算出部１３３は、判定対象時刻ごとに、トレンドに対するＥＤＡ変化率（ΔＥＤＡ）を算出する。判定対象時刻は、例えば直近の６０秒の期間内の１０秒間隔の時刻である。具体的には、ＥＤＡ特徴量算出部１３３は、ＥＤＡの計測値からトレンド（ＥＤＡａｖｒ）を減算することで、ＥＤＡの偏差を求める。そしてＥＤＡ特徴量算出部１３３は、ＥＤＡの測定値ごとの偏差とトレンド（ＥＤＡａｖｒ）との比の値を計算し、計算結果をＥＤＡ変化率（ΔＥＤＡ）とする。

ＥＤＡ変化率（ΔＥＤＡ）を式で表すと、以下のようになる。
ΔＥＤＡ＝（ＥＤＡ－ＥＤＡａｖｒ）／ＥＤＡａｖｒ）
［ステップＳ１１５］ＥＤＡ特徴量算出部１３３は、判定対象時刻ごとに、ＥＤＡ変化速度（ＥＤＡ’）を算出する。例えばＥＤＡ特徴量算出部１３３は、計算対象のＥＤＡの測定値と、時系列上で直前に測定されたＥＤＡの測定値との差を計算する。そしてＥＤＡ特徴量算出部１３３は、計算した差を、ＥＤＡの測定間隔（例えば１秒）で除算した結果を、ＥＤＡ変化速度（ＥＤＡ’）とする。

［ステップＳ１１６］ＥＤＡ特徴量算出部１３３は、判定対象時刻ごとに、トレンドに対するＥＤＡの変化速度比（ΔＥＤＡ’）を算出する。例えばＥＤＡ特徴量算出部１３３は、ＥＤＡ変化速度（ＥＤＡ’）とトレンド（ＥＤＡａｖｒ）との比の値を計算し、計算結果をＥＤＡの変化速度比（ΔＥＤＡ’）とする。

ＥＤＡの変化速度比（ΔＥＤＡ’）を式で表すと、以下のようになる。
ΔＥＤＡ’＝ＥＤＡ’／ＥＤＡａｖｒ
［ステップＳ１１７］ＥＤＡ特徴量算出部１３３は、判定対象時刻ごとに計算したＥＤＡ変化率（ΔＥＤＡ）とＥＤＡの変化速度比（ΔＥＤＡ’）とを出力する。例えばＥＤＡ特徴量算出部１３３は、判定対象時刻（日付と時刻の組）に対応付けて、算出したＥＤＡ変化率（ΔＥＤＡ）とＥＤＡの変化速度比（ΔＥＤＡ’）とを、特徴量管理テーブル１２３に登録する。

このようにして、所定間隔（例えば１０秒）の時刻ごとのＥＤＡ特徴量（ＥＤＡ変化率（ΔＥＤＡ）とＥＤＡの変化速度比（ΔＥＤＡ’））が算出され、算出された値が特徴量管理テーブル１２３に登録される。

次に心電特徴量の算出処理について詳細に説明する。
図１２は、心電特徴量算出処理の手順の一例を示すフローチャートである。以下、図１２に示す処理をステップ番号に沿って説明する。

［ステップＳ１２１］心電特徴量算出部１３４は、記憶部１２０から心電データ１２２を取得する。例えば心電特徴量算出部１３４は、心電に関する特徴量を１０秒間隔で算出するために、心電データ１２２の取得を１０秒間隔で行う。

［ステップＳ１２２］心電特徴量算出部１３４は、取得した心電データ１２２に、６０秒分以上の心電の計測値が記録されているか否かを判断する。心電特徴量算出部１３４は、６０秒分以上の心電の計測値が記録されていれば処理をステップＳ１２３に進める。また心電特徴量算出部１３４は、６０秒分以上の心電の計測値が記録されていなければ、処理をステップＳ１２１に進める。

［ステップＳ１２３］心電特徴量算出部１３４は、直近の６０秒分の心電データ１２２に基づいて、心電図に表れるすべてのＲ－Ｒ間隔を算出する。Ｒ－Ｒ間隔は、心拍間隔を表している。

［ステップＳ１２４］心電特徴量算出部１３４は、フーリエ変換を実施するために、Ｒ－Ｒ間隔を４Ｈｚにリサンプリングする。リサンプリングにより、単位期間ごとの該当期間における心拍周期を示す時系列データが生成される。

［ステップＳ１２５］心電特徴量算出部１３４は、リサンプリングされた心拍周期の時系列データに対してフーリエ変換を行い、心拍周期の値の時間変化を示す波形に含まれる周波数ごとの強度を算出する。

［ステップＳ１２６］心電特徴量算出部１３４は、フーリエ変換で得られたデータに基づいて、ＬＦ／ＨＦを算出する。例えば心電特徴量算出部１３４は、パワースペクトルにおける０．０４～０．１５Ｈｚの周波数帯域の波の強度の積分値を計算し、ＬＦとする。また心電特徴量算出部１３４は、パワースペクトルにおける０．１５～０．４Ｈｚの周波数帯域の波の強度の積分値を計算し、ＨＦとする。そして心電特徴量算出部１３４は、ＬＦをＨＦで除算し、ＬＦ／ＨＦの値を得る。

［ステップＳ１２７］心電特徴量算出部１３４は、１８０秒分のＬＦ／ＨＦが算出できたか否かを判断する。例えば１０秒間隔で時刻をずらして、該当時刻までの直近６０秒の心電データからＬＦ／ＨＦを算出した場合、心電特徴量算出部１３４は、ＬＦ／ＨＦの値が１８０個得られたとき、１８０秒分のＬＦ／ＨＦが算出できたと判断する。心電特徴量算出部１３４は、１８０秒分のＬＦ／ＨＦが算出できた場合、処理をステップＳ１２８に進める。また心電特徴量算出部１３４は、１８０秒分のＬＦ／ＨＦが算出できていなければ、処理をステップＳ１２１に進める。

［ステップＳ１２８］心電特徴量算出部１３４は、ＬＦ／ＨＦの１８０秒間のトレンド（ＬＦ／ＨＦａｖｒ）を算出する。例えば心電特徴量算出部１３４は、１８０秒分のＬＦ／ＨＦの値の平均を、ＬＦ／ＨＦのトレンド（ＬＦ／ＨＦａｖｒ）とする。

［ステップＳ１２９］心電特徴量算出部１３４は、算出したＬＦ／ＨＦの値ごとに、ＬＦ／ＨＦのトレンド（ＬＦ／ＨＦａｖｒ）に対する、該当ＬＦ／ＨＦの変化率（ΔＬＦ／ＨＦ）を算出する。具体的には、心電特徴量算出部１３４は、ＬＦ／ＨＦの値からトレンド（ＬＦ／ＨＦａｖｒ）を減算することで、ＬＦ／ＨＦの偏差を求める。そして心電特徴量算出部１３４は、ＬＦ／ＨＦの値ごとの偏差とトレンド（ＬＦ／ＨＦａｖｒ）との比の値を計算し、計算結果をＬＦ／ＨＦ変化率（ΔＬＦ／ＨＦ）とする。

ＬＦ／ＨＦ変化率（ΔＬＦ／ＨＦ）を式で表すと、以下のようになる。
ΔＬＦ／ＨＦ＝（ＬＦ／ＨＦ－（ＬＦ／ＨＦａｖｒ））／（ＬＦ／ＨＦａｖｒ）
［ステップＳ１３０］心電特徴量算出部１３４は、ＬＦ／ＨＦの算出対象時刻ごとのＬＦ／ＨＦ変化率（ΔＬＦ／ＨＦ）を出力する。例えば心電特徴量算出部１３４は、ＬＦ／ＨＦの算出対象時刻に対応付けて、算出したＬＦ／ＨＦ変化率（ΔＬＦ／ＨＦ）を特徴量管理テーブル１２３に登録する。

このようにして、所定間隔（例えば１０秒）の時刻ごとの心電特徴量（ＬＦ／ＨＦ変化率（ΔＬＦ／ＨＦ）が算出され、算出された値が特徴量管理テーブル１２３に登録される。

ＥＤＡ特徴量と心電特徴量が算出されると、判定部１３５により、算出された特徴量に基づいてヒヤリハットの有無が判定される。そして、調査対象者２０がヒヤリハットの状況にあると判断された場合、ヒヤリハット出力部１３６により、ヒヤリハットの状況であることが調査対象者２０に通知される。例えばヒヤリハット出力部１３６は、ヒヤリハット通知画面をスマートフォン１００のディスプレイ装置１０４に表示する。

図１３は、ヒヤリハット通知画面の一例を示す図である。ヒヤリハット通知画面５０には、ヒヤリハットの検出時刻ごとのヒヤリハット通知メッセージ５１～５４が表示されている。ヒヤリハット通知メッセージ５１～５４には、ヒヤリハットの検出時刻が示されている。

またヒヤリハット通知メッセージ５１～５４それぞれに対応付けて、回答用のＹｅｓボタン５１ａ～５４ａとＮｏボタン５１ｂ～５４ｂとが表示されている。Ｙｅｓボタン５１ａ～５４ａは、ヒヤリハットの検出が正解であることを回答するためのボタンである。例えば調査対象者２０は、ヒヤリハットの検出時刻に、実際にヒヤリハットに相当する事柄が存在した場合、検出時刻に対応するＹｅｓボタンを押下する。調査対象者２０は、ヒヤリハットの検出時刻に、実際にヒヤリハットに相当する事柄が存在していない場合、検出時刻に対応するＮｏボタンを押下する。

スマートフォン１００の回答取得部１４１は、押されたボタンに基づいて、調査対象者２０からの回答を取得する。そして回答取得部１４１は、累積教師データ１２６へ新たな教師データセットを追加する。

図１４は、累積教師データへの教師データの追加例を示す図である。例えば回答取得部１４１は、回答５５を取得すると、回答５５に示される日時に基づいて、その日時のヒヤリハット検出に使用されたＥＤＡの測定値をＥＤＡデータ１２１から取得する。回答取得部１４１は、回答５５に示される日時に基づいて、その日時のヒヤリハット検出に使用された心電の測定値を心電データ１２２から取得する。

例えば回答取得部１４１は、回答５５に示される日時までの６０秒分のＥＤＡの測定値を、ＥＤＡデータ１２１から取得する。また回答取得部１４１は、回答５５に示される日時までの２４０秒分の心電の測定値を、心電データ１２２から取得する。

そして、回答取得部１４１は、教師データセット１２６ａを生成する。教師データセット１２６ａには、ＥＤＡデータ１２１から抽出したＥＤＡの測定値を含むＥＤＡデータ６１、心電データ１２２から取得した心電の測定値を含む心電データ６２、回答５５に示される情報を含む回答データ６３が含まれる。回答データ６３には、ヒヤリハットを検出した日時と、調査対象者２０からの回答の内容を示すヒヤリハット有無を示すフラグが含まれる。例えば調査対象者２０がヒヤリハット「Ｙｅｓ」と回答した場合、フラグの値は「１」となる。また調査対象者２０がヒヤリハット「Ｎｏ」と回答した場合、フラグの値は「０」となる。

なお、累積教師データ１２６には、過去に取得した回答に応じた教師データセット１２６ｂ，・・・も蓄積されている。
調査対象者２０から回答が入力され、累積教師データ１２６に教師データセットが蓄積されると、識別器生成部１４２により、累積教師データ１２６を用いた識別器の生成処理が行われる。

図１５は、識別器生成処理の手順の一例を示すフローチャートである。以下、図１５に示す処理をステップ番号に沿って説明する。
［ステップＳ１４１］回答取得部１４１は、調査対象者２０にヒヤリハットの検出を通知すると、調査対象者２０からの回答入力を待つ。

［ステップＳ１４２］回答取得部１４１は、回答の入力の有無を判断する。回答取得部１４１は、回答が入力された場合、処理をステップＳ１４３に進める。また回答取得部１４１は、回答が入力されていない場合、処理をステップＳ１４１に進める。

［ステップＳ１４３］回答取得部１４１は、回答に応じた教師データセットを累積教師データ１２６に格納する。
［ステップＳ１４４］識別器生成部１４２は、デフォルト教師データ１２５を記憶部１２０から読み出す。

［ステップＳ１４５］識別器生成部１４２は、累積教師データ１２６を記憶部１２０から読み出す。
［ステップＳ１４６］識別器生成部１４２は、デフォルト教師データ１２５と累積教師データ１２６とのそれぞれに含まれる教師データセットごとに、ステップＳ１４７～Ｓ１４８の処理を実施する。

［ステップＳ１４７］識別器生成部１４２は、ＥＤＡ特徴量算出処理を行う。ＥＤＡ特徴量算出処理の詳細は、図１１に示した処理と同様である。
［ステップＳ１４８］識別器生成部１４２は、心電特徴量算出処理を行う。心電特徴量算出処理の詳細は、図１２に示した処理と同様である。

［ステップＳ１４９］識別器生成部１４２は、デフォルト教師データ１２５と累積教師データ１２６とのそれぞれに含まれるすべての教師データセットについてステップＳ１４７～Ｓ１４８の処理が完了すると、処理をステップＳ１５０に進める。

［ステップＳ１５０］識別器生成部１４２は、教師データセットごとに算出した特徴量と、教師データセットに示される正解データとに基づいて、ヒヤリハットの有無を判定するためのＳＶＭを生成する。識別器生成部１４２は、生成したＳＶＭを示す情報を、識別器情報１２４として記憶部１２０に格納する。

このようにして、調査対象者２０からの回答に基づいてＳＶＭが更新される。
以上説明したように、第２の実施の形態では、直近の所定期間内の生体信号のトレンドの値を基準として特徴量を算出している。その結果、ヒヤリハットの検出精度が向上する。

例えば、生体信号として取得するＥＤＡは、調査対象者２０の発汗状況に応じて変化する。発汗のしやすさは個人差があり、汗をかきやすい人の場合、ＥＤＡの測定値が平常時から高い値となる。そこでスマートフォン１００においてヒヤリハットを検出する際には、ＥＤＡのトレンドの値を用いて、発汗のしやすさの個人差を抑制したＥＤＡの特徴量を算出している。このような特徴量を用いてＳＶＭを学習すると共にヒヤリハットの有無の判定を行うことで、発汗のしやすさの個人差の影響を抑止した高精度の判定を行うことが可能となる。

また、１人の調査対象者２０であっても、安静時と活動時とでは発汗状況が異なる。スマートフォン１００は、ＥＤＡのトレンドを直近の数分の測定値から算出するため、調査対象者２０の直近の活動状況がトレンドの値に反映される。例えば強い身体活動を行っているときのように生体信号の急峻な変化が起こり得る状況下では、トレンドの値が高くなる。トレンドは、特徴量の分母として用いられているため、特徴量では、皮膚電気の急峻な変化が低く見積もられる。その結果、調査対象者２０が強い身体活動を行っている間であっても、ヒヤリハットを精度よく検出することができる。

なお、身体活動の強度の差は心拍間隔に明確に表れる。例えば調査対象者２０が椅子に座って作業をしているときと、荷物を持って移動しているときとでは、心拍間隔が大きく異なる。スマートフォン１００は、直近の数分の心電の測定値から心電のトレンドを算出しているため、ＥＤＡの特徴量の場合と同様に、調査対象者２０の直近の活動状況が心電のトレンドの値に反映される。これにより、身体活動の違いを抑止し、精度よくヒヤリハットを検出することが可能となる。

さらにスマートフォン１００は、ＥＤＡの特徴量と心電の特徴量とを組み合わせてヒヤリハットを検出しているため、誤検出の少ない高精度のヒヤリハット検出が実現されている。

〔第３の実施の形態〕
次に第３の実施の形態について説明する。第３の実施の形態は、心電センサ２２の代わりに脈波センサを用いて心拍間隔を測定するものである。以下、第３の実施の形態における第２の実施の形態との相違点について説明する。

図１６は、第３の実施の形態のシステム構成例を示す図である。調査対象者２０は、皮膚電気センサ２１と脈波センサ２３とを装着している。皮膚電気センサ２１と脈波センサ２３とは、無線によってスマートフォン１００と通信可能である。なお、皮膚電気センサ２１と脈波センサ２３とを含む１つのセンサ装置を用い、調査対象者２０に１つのセンサ装置を装着させてもよい。

図１７は、第３の実施の形態におけるスマートフォンのヒヤリハット検出機能を示すブロック図である。図１７において、図４に示した第２の実施の形態と同じ要素には同じ符号を付し、説明を省略する。

スマートフォン１００は、脈波データ取得部１３７と脈波特徴量算出部１３８とを有する。また記憶部１２０は、脈波データ１２７を記憶する。脈波データ１２７は、脈波センサ２３により検出された脈波（心臓が血液を送り出すことに伴う血管の容積変化）の測定値を示すデータである。

脈波データ取得部１３７は、脈波センサ２３から、脈波の測定値を取得する。脈波データ取得部１３７は、取得した測定値を、脈波データ１２７として記憶部１２０に格納する。

脈波特徴量算出部１３８は、脈波データ１２７に基づいて、脈波に関する特徴量を算出する。例えば脈波特徴量算出部１３８は、脈波データ１２７に基づいて心拍間隔を算出する。そして脈波特徴量算出部１３８は、心電特徴量算出部１３４と同様に、心拍間隔の時系列変化に基づいて、ＬＦ／ＨＦ変化率を算出し、算出したＬＦ／ＨＦ変化率を、生体信号の第３特徴量として特徴量管理テーブル１２３に格納する。

脈波特徴量算出部１３８は、例えば脈波の測定の時系列変化の２階微分を計算することで加速度脈波を生成し、加速度脈波に基づいて心拍間隔を求める。
図１８は、脈波からの心拍間隔の算出例を示す図である。図１８に示すように、測定される脈波（容積脈波）の波形のピーク部分の時間幅が大きく、ピーク間の間隔を計算した際に誤差が大きくなる。そこで脈波特徴量算出部１３８は、脈波を時間で微分して速度脈波を生成し、さらに速度脈波を時間で微分して加速度脈波を生成する。加速度脈波では、最も大きな波がａ波であり、ａ波の時間幅は短い。すなわち脈波特徴量算出部１３８は、ａ波のピーク間の間隔を少ない誤差で計算できる。そこで脈波特徴量算出部１３８は、加速度脈波のａ波間の間隔（ａ－ａ間隔）を算出し、ａ－ａ間隔を心拍周期とする。

次に、第３の実施の形態におけるヒヤリハット検出処理の手順について説明する。第３の実施の形態では、図１０に示す第２の実施の形態のヒヤリハット検出処理のうち、ステップＳ１０４～Ｓ１０６の処理が、それぞれ脈波の測定値取得処理、脈波データの記録処理、脈波特徴量算出処理に置き換えられる。脈波の測定値取得処理は、脈波データ取得部１３７が脈波センサ２３から脈波の測定値を取得する処理である。脈波データの記録処理は、脈波データ取得部１３７が、取得した測定値を、脈波データ１２７として記憶部１２０に格納する処理である。脈波特徴量算出処理は、脈波特徴量算出部１３８が、脈波データ１２７に基づいてＬＦ／ＨＦ変化率を算出する処理である。

図１９は、脈波特徴量算出処理の手順の一例を示すフローチャートである。なお、図１９に示す処理のうち、ステップＳ２０６～Ｓ２１１の処理は、実行主体が脈波特徴量算出部１３８であるという点を除き、図１２に示すステップＳ１２５～Ｓ１３０の処理と同様である。以下、図１２と異なるステップＳ２０１～Ｓ２０５の処理について、ステップ番号に沿って説明する。

［ステップＳ２０１］脈波特徴量算出部１３８は、記憶部１２０から脈波データ１２７を取得する。例えば脈波特徴量算出部１３８は、脈波に関する特徴量を１０秒間隔で算出するために、脈波データ１２７の取得を１０秒間隔で行う。

［ステップＳ２０２］脈波特徴量算出部１３８は、取得した脈波データ１２７に、６０秒分以上の脈波の計測値が記録されているか否かを判断する。脈波特徴量算出部１３８は、６０秒分以上の脈波の計測値が記録されていれば処理をステップＳ２０３に進める。また脈波特徴量算出部１３８は、６０秒分以上の脈波の計測値が記録されていなければ、処理をステップＳ２０１に進める。

［ステップＳ２０３］脈波特徴量算出部１３８は、脈波データ１２７に基づいて、脈波の波形を時間で２度微分する（２階微分を計算する）ことで、加速度脈波を算出する。
［ステップＳ２０４］脈波特徴量算出部１３８は、直近の６０秒分の脈波データに基づいて、加速度脈波の波形に表れるすべてのａ－ａ間隔を算出する。

［ステップＳ２０５］脈波特徴量算出部１３８は、フーリエ変換を実施するために、ａ－ａ間隔を４Ｈｚにリサンプリングする。リサンプリングにより、単位期間ごとの該当期間における心拍周期を示す時系列データが生成される。

その後、脈波特徴量算出部１３８は、図１２に示した処理と同様の手順でＬＦ／ＨＦ変化率（ΔＬＦ／ＨＦ）を算出する。
このように、脈波センサ２３で計測した脈波に基づいて、ＬＦ／ＨＦ変化率（ΔＬＦ／ＨＦ）を算出することができる。脈波センサ２３は、手首や指先から脈波を測定することができ、皮膚電気センサ２１と一体の機器とすることも容易である。そのため、調査対象者２０の機器装着の手間を軽減することができる。

〔第４の実施の形態〕
次に第４の実施の形態について説明する。第４の実施の形態は、調査対象者２０が所持するスマートフォンにネットワークを介して接続されたサーバにおいて、ヒヤリハットの検出を行うものである。

図２０は、第４の実施の形態のシステム構成の一例を示す図である。図２０に示すように、スマートフォン１００はネットワーク２８を介してサーバ２００に接続されている。サーバ２００は、スマートフォン１００から調査対象者２０の生体信号を取得し、ヒヤリハットの検出処理を行う。

図２１は、サーバのハードウェアの構成の一例を示す図である。サーバ２００は、プロセッサ２０１によって装置全体が制御されている。プロセッサ２０１には、バス２０９を介してメモリ２０２と複数の周辺機器が接続されている。プロセッサ２０１は、マルチプロセッサであってもよい。プロセッサ２０１は、例えばＣＰＵ、ＭＰＵ、またはＤＳＰである。プロセッサ２０１がプログラムを実行することで実現する機能の少なくとも一部を、ＡＳＩＣ、ＰＬＤなどの電子回路で実現してもよい。

メモリ２０２は、サーバ２００の主記憶装置として使用される。メモリ２０２には、プロセッサ２０１に実行させるＯＳのプログラムやアプリケーションプログラムの少なくとも一部が一時的に格納される。また、メモリ２０２には、プロセッサ２０１による処理に利用する各種データが格納される。メモリ２０２としては、例えばＲＡＭなどの揮発性の半導体記憶装置が使用される。

バス２０９に接続されている周辺機器としては、ストレージ装置２０３、グラフィック処理装置２０４、入力インタフェース２０５、光学ドライブ装置２０６、機器接続インタフェース２０７およびネットワークインタフェース２０８がある。

ストレージ装置２０３は、内蔵した記録媒体に対して、電気的または磁気的にデータの書き込みおよび読み出しを行う。ストレージ装置２０３は、コンピュータの補助記憶装置として使用される。ストレージ装置２０３には、ＯＳのプログラム、アプリケーションプログラム、および各種データが格納される。なお、ストレージ装置２０３としては、例えばＨＤＤやＳＳＤを使用することができる。

グラフィック処理装置２０４には、モニタ７１が接続されている。グラフィック処理装置２０４は、プロセッサ２０１からの命令に従って、画像をモニタ７１の画面に表示させる。モニタ７１としては、有機ＥＬを用いた表示装置や液晶表示装置などがある。

入力インタフェース２０５には、キーボード７２とマウス７３とが接続されている。入力インタフェース２０５は、キーボード７２やマウス７３から送られてくる信号をプロセッサ２０１に送信する。なお、マウス７３は、ポインティングデバイスの一例であり、他のポインティングデバイスを使用することもできる。他のポインティングデバイスとしては、タッチパネル、タブレット、タッチパッド、トラックボールなどがある。

光学ドライブ装置２０６は、レーザ光などを利用して、光ディスク７４に記録されたデータの読み取りを行う。光ディスク７４は、光の反射によって読み取り可能なようにデータが記録された可搬型の記録媒体である。光ディスク７４には、ＤＶＤ（Digital Versatile Disc）、ＤＶＤ－ＲＡＭ、ＣＤ－ＲＯＭ（Compact Disc Read Only Memory）、ＣＤ－Ｒ（Recordable）／ＲＷ（ReWritable）などがある。

機器接続インタフェース２０７は、サーバ２００に周辺機器を接続するための通信インタフェースである。例えば機器接続インタフェース２０７には、メモリ装置７５やメモリリーダライタ７６を接続することができる。メモリ装置７５は、機器接続インタフェース２０７との通信機能を搭載した記録媒体である。メモリリーダライタ７６は、メモリカード７７へのデータの書き込み、またはメモリカード７７からのデータの読み出しを行う装置である。メモリカード７７は、カード型の記録媒体である。

ネットワークインタフェース２０８は、ネットワーク２８に接続されている。ネットワークインタフェース２０８は、ネットワーク２８を介して、他のコンピュータまたは通信機器との間でデータの送受信を行う。

サーバ２００は、以上のようなハードウェア構成によって、第４の実施の形態の処理機能を実現することができる。
サーバ２００は、例えばコンピュータ読み取り可能な記録媒体に記録されたプログラムを実行することにより、第４の実施の形態の処理機能を実現する。サーバ２００に実行させる処理内容を記述したプログラムは、様々な記録媒体に記録しておくことができる。例えば、サーバ２００に実行させるプログラムをストレージ装置２０３に格納しておくことができる。プロセッサ２０１は、ストレージ装置２０３内のプログラムの少なくとも一部をメモリ２０２にロードし、プログラムを実行する。またサーバ２００に実行させるプログラムを、光ディスク７４、メモリ装置７５、メモリカード７７などの可搬型記録媒体に記録しておくこともできる。可搬型記録媒体に格納されたプログラムは、例えばプロセッサ２０１からの制御により、ストレージ装置２０３にインストールされた後、実行可能となる。またプロセッサ２０１が、可搬型記録媒体から直接プログラムを読み出して実行することもできる。

サーバ２００は、図４に示したスマートフォン１００の機能と同様の機能を有する。ただし、サーバ２００では、ＥＤＡデータ取得部１３１と心電データ取得部１３２とは、スマートフォン１００を介して測定値を取得する。

図２２は、第４の実施の形態におけるヒヤリハット検出処理の一例を示す図である。スマートフォン１００は、皮膚電気センサ２１および心電センサ２２から取得した測定値をサーバ２００に送信する。サーバ２００は、受信した測定値に基づいて、図１０に示した処理と同様の処理でヒヤリハットを検出する。サーバ２００は、調査対象者２０がヒヤリハットの状況にあると判断した場合、ヒヤリハット通知をスマートフォン１００に送信する。スマートフォン１００は、ヒヤリハット通知を受信すると、ヒヤリハット通知画面８０を表示する。

調査対象者２０がヒヤリハット通知画面８０に応じて、スマートフォン１００に回答入力を行うと、スマートフォン１００は、回答をサーバ２００に送信する。サーバ２００は、スマートフォン１００から回答を受信すると、回答に基づいて新たな教師データセットを生成し、累積教師データ１２６として蓄積する。そしてサーバ２００は、デフォルト教師データ１２５と累積教師データ１２６とを用いて、識別器（例えばＳＶＭ）を生成する。

このようにサーバ２００でヒヤリハット検出を行うことで、スマートフォン１００の負荷を軽減することができる。その結果、スマートフォン１００の消費電力を低減することができる。サーバ２００が、多数の調査対象者２０から生体信号の測定値を取得し、ヒヤリハット検出を行うことで、ヒヤリハットの発生事例の情報がサーバ２００に集約される。その結果、ヒヤリハットの発生状況を、サーバ２００でリアルタイムに監視することができる。

〔その他の実施の形態〕
第２～第４の実施の形態におけるスマートフォン１００は、パーソナルコンピュータまたはタブレットなどのコンピュータに置き換えることができる。

以上、実施の形態を例示したが、実施の形態で示した各部の構成は同様の機能を有する他のものに置換することができる。また、他の任意の構成物や工程が付加されてもよい。さらに、前述した実施の形態のうちの任意の２以上の構成（特徴）を組み合わせたものであってもよい。

１ 調査対象者
２，３ 生体センサ
４ 測定データ
４ａ ＥＤＡデータ
４ｂ 心拍計算用データ
１０ 情報処理装置
１１ 記憶部
１２ 処理部

Claims (8)

1. 調査対象者の皮膚電気活動と心拍間隔との一方または両方の定期的な測定値を含む測定データを記憶する記憶部と、
   前記測定データに示される前記測定値に基づいて、前記調査対象者の精神的な変化に応じて変化する指標値の所定期間内での標準的な値を示す代表値を算出し、前記測定データに示される前記測定値に基づいて、判定対象時刻における前記指標値の変化の度合いを表す指標変化値と前記代表値との比に応じた値を、前記判定対象時刻における特徴量として算出し、前記特徴量に基づいて、前記判定対象時刻に前記調査対象者が危険を感じる状況が発生したか否かを判定する処理部と、
   を有する情報処理装置。
2. 前記皮膚電気活動の前記指標値は、前記皮膚電気活動を示す前記測定値であり、前記心拍間隔の前記指標値は、前記所定期間内の複数の単位期間ごとに、前記心拍間隔の時系列変化を示す波形の所定周波数よりも低い低周波成分の合計エネルギーを前記所定周波数よりも高い高周波成分の合計エネルギーで除算して得られる、前記単位期間ごとのストレス指標値である、
   請求項１記載の情報処理装置。
3. 前記処理部は、前記判定対象時刻における前記指標値の前記代表値からの偏差を、前記指標変化値とする、
   請求項１または２に記載の情報処理装置。
4. 前記処理部は、前記指標値の前記判定対象時刻における変化速度を、前記指標変化値とする、
   請求項１ないし３のいずれかに記載の情報処理装置。
5. 前記皮膚電気活動の前記指標値は、前記皮膚電気活動を示す前記測定値であり、前記心拍間隔の前記指標値は、前記所定期間内の複数の単位期間ごとに、前記心拍間隔の時系列変化を示す波形の所定周波数よりも低い低周波成分の合計エネルギーを前記所定周波数よりも高い高周波成分の合計エネルギーで除算したストレス指標値であり、
   前記処理部は、
   前記皮膚電気活動の前記指標値の第１所定期間内の平均値を第１代表値として算出し、
   前記判定対象時刻における前記皮膚電気活動を示す前記測定値の前記第１代表値からの偏差を第１指標変化値として算出し、
   前記第１指標変化値を前記第１代表値で除算した商を第１特徴量として算出し、
   前記判定対象時刻における前記皮膚電気活動の変化速度を第２指標変化値として算出し、
   前記第２指標変化値を前記第１代表値で除算した商を第２特徴量として算出し、
   前記心拍間隔の前記指標値の第２所定期間内の平均値を第２代表値として算出し、
   前記判定対象時刻における前記ストレス指標値の前記第２代表値からの偏差を第３指標変化値として算出し、
   前記第３指標変化値を前記第２代表値で除算した商を第３特徴量として算出し、
   前記第１特徴量、前記第２特徴量、および前記第３特徴量に基づいて、前記判定対象時刻に前記調査対象者が危険を感じる状況が発生したか否かを判定する、
   請求項１記載の情報処理装置。
6. 前記処理部は、前記調査対象者が危険を感じる状況が生じたと判断した場合、判断結果を表示させ、前記判断結果の正否を示す回答の入力を受け付け、前記回答に応じて、前記調査対象者が危険を感じる状況が生じたか否かの判定基準を示す情報を生成する、
   請求項１ないし５のいずれかに記載の情報処理装置。
7. 調査対象者の皮膚電気活動と心拍間隔との一方または両方を定期的に測定するセンサと、
   前記センサが測定した測定値を取得し、取得した前記測定値に基づいて、前記調査対象者の精神的な変化に応じて変化する指標値の所定期間内での標準的な値を示す代表値を算出し、前記測定値に基づいて、判定対象時刻における前記指標値の変化の度合いを表す指標変化値と前記代表値との比に応じた値を、前記判定対象時刻における特徴量として算出し、前記特徴量に基づいて、前記判定対象時刻に前記調査対象者が危険を感じる状況が発生したか否かを判定する情報処理装置と、
   を有する危険状況検出システム。
8. 調査対象者の皮膚電気活動と心拍間隔との一方または両方の定期的な測定値に基づいて、前記調査対象者の精神的な変化に応じて変化する指標値の所定期間内での標準的な値を示す代表値を算出し、
   前記測定値に基づいて、判定対象時刻における前記指標値の変化の度合いを表す指標変化値と前記代表値との比に応じた値を、前記判定対象時刻における特徴量として算出し、
   前記特徴量に基づいて、前記判定対象時刻に前記調査対象者が危険を感じる状況が発生したか否かを判定する、
   処理をコンピュータが実行する危険状況検出方法。

Images