JP7261913B2 - Abnormality notification device, program, and abnormality notification method - Google Patents
Abnormality notification device, program, and abnormality notification method Download PDFInfo
- Publication number
- JP7261913B2 JP7261913B2 JP2022041650A JP2022041650A JP7261913B2 JP 7261913 B2 JP7261913 B2 JP 7261913B2 JP 2022041650 A JP2022041650 A JP 2022041650A JP 2022041650 A JP2022041650 A JP 2022041650A JP 7261913 B2 JP7261913 B2 JP 7261913B2
- Authority
- JP
- Japan
- Prior art keywords
- subject
- bed
- patient
- condition
- abnormal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Emergency Alarm Devices (AREA)
- Alarm Systems (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Description
本発明は、異常報知装置等に関する。 The present invention relates to an abnormality notification device and the like.
従来から患者の異常を通報する装置やシステムが知られている。例えば、特許文献1のように、非侵襲型バイタルセンサにより対象者の生活行動や生命活動を検知して複数に分類し、分類ごとの許容継続時間を順次積算し、その積算時間が閾値を超えると通報する発明が知られている。
2. Description of the Related Art Conventionally, devices and systems for notifying patients of abnormalities have been known. For example, as in
従来、対象者の異常と関連する測定値(生体情報値)が閾値を超えたか否かによって通報を行うことが一般的である。例えば、上述した特許文献1でも、対象者の状態や異常との関連の強さに関係なく、生活活動や生命活動の積算時間が所定の閾値を超えると異常と判定し、通知を行う。しかし、対象者の状態によって精度が低下する、生活活動や生命活動と異常の関連の強さは条件によって変動する。したがって、これらの精度の変動や異常との関連の強さとは関係なく単純に通知されることから、精度が低下する対象者の状態や異常との関連が弱くなる条件では信頼性がなく報知されてしまうという問題があった。
Conventionally, it is common to make a report depending on whether or not a measured value (biological information value) related to an abnormality of a subject exceeds a threshold value. For example, in
また、心拍数や呼吸数といった対象者の状態の関連の強い生体情報値の正常範囲を設定し、正常範囲を超えた場合は異常と判定する場合には、正常範囲を逸脱していない場合は異常を見逃したり、運動によって一時的に心拍数が高くなったために誤って異常と判定されたり、心肺機能の高いアスリートでは通常時でも心拍数が低いことから誤って異常と判定されたり異常時でも正常範囲を逸脱しない場合がある。このように、正常範囲の逸脱のみから異常を判定することにより、異常を示すアラートにおいて、誤報や異常の見逃しが多くなりやすいという問題が生じていた。個人差、異常とは関係のないアーチファクト混入による一過性の異常値の影響を除くためには、長期間の変化を分析して異常報知するという方法がある。しかし、長期間のデータから変化を捉える方法では、データの条件を統一して分析する必要がある。例えば、運動時と安静時が混合したデータでは、両者を切り分けてから変化を分析しなければ異常報知の精度が低下してしまう。 In addition, when setting a normal range of biological information values that are strongly related to the subject's condition, such as heart rate and respiratory rate, and determining that it is abnormal if it exceeds the normal range, if it does not deviate from the normal range Abnormalities may be overlooked, or may be erroneously determined to be abnormal due to a temporary increase in heart rate due to exercise, or may be erroneously determined to be abnormal due to low heart rate in athletes with high cardiopulmonary function even in normal conditions. It may not deviate from the normal range. In this way, by judging an abnormality only from the deviation from the normal range, there is a problem that false alarms and abnormalities are likely to be overlooked in alerts indicating an abnormality. In order to eliminate the effects of temporary abnormal values due to the inclusion of artifacts unrelated to individual differences and abnormalities, there is a method of analyzing long-term changes and announcing abnormalities. However, in the method of capturing changes from long-term data, it is necessary to unify data conditions and analyze them. For example, in the case of data in which exercise and rest are combined, the accuracy of anomaly notification decreases unless the two are separated and the change is analyzed.
とくに、病院や介護施設で利用される生体情報値に基づいて異常を報知するシステムの場合、エラー等に基づく不必要な異常報知は、医療従事者やスタッフに不要な確認業務を余儀なくさせ負担をかけてしまい、異常の見逃しは致命的な事態を引き起こすという問題があった。 In particular, in the case of systems that report abnormalities based on biological information values used in hospitals and nursing homes, unnecessary abnormalities reported due to errors, etc., burden medical professionals and staff with unnecessary confirmation work. There is a problem that missing an abnormality causes a fatal situation.
上述した課題に鑑み、本発明が目的とするところは、対象者の生体情報値に基づいて、精度良く対象者の状態を推測することが可能な異常報知装置等を提供することである。 In view of the above-described problems, an object of the present invention is to provide an anomaly notification device or the like capable of accurately estimating a subject's condition based on the subject's biological information value.
上述した課題を解決するために、
対象者の寝床における生体信号を取得する生体信号取得手段と、
前記取得された生体信号から生体情報値を算出する生体情報値算出手段と、
前記生体情報値に基づいて前記対象者の状態を推測する推測手段と、
前記推測手段により前記対象者の状態が異常と判定された場合に報知を行う報知手段と、
を備えることを特徴とする。
In order to solve the problems mentioned above,
a biosignal acquisition means for acquiring a biosignal in a subject's bed;
biometric information value calculation means for calculating a biometric information value from the acquired biosignal;
estimating means for estimating the state of the subject based on the biometric information value;
a notification means for notifying when the subject's condition is determined to be abnormal by the estimation means;
characterized by comprising
本発明のプログラムは、
コンピュータに、
対象者の寝床における生体信号を取得する生体信号取得機能と、
前記取得された生体信号から生体情報を算出する生体情報算出機能と、
前記生体情報に基づいて前記対象者の状態を推測する推測機能と、
前記推測機能により前記対象者の状態が異常と判定された場合に報知を行う報知機能と、
を実現させることを特徴とする。
The program of the present invention is
to the computer,
a biosignal acquisition function for acquiring biosignals in the subject's bed;
a biological information calculation function for calculating biological information from the acquired biological signal;
an inference function that infers the state of the subject based on the biometric information;
a notification function that notifies when the state of the subject is determined to be abnormal by the estimation function;
It is characterized by realizing
本発明の異常報知方法は、
対象者の状態が異常であることを判定した場合は異常を報知可能な異常報知装置における異常報知方法において、
前記異常報知装置が、対象者の寝床における生体信号を取得する生体信号取得ステップと、
前記異常報知装置が、前記取得された生体信号から生体情報を算出する生体情報算出ステップと、
前記生体情報に基づいて前記対象者の状態を前記異常報知装置が推測する推測ステップと、
前記推測ステップにより前記対象者の状態が異常と判定された場合に前記異常報知装置が報知を行う報知ステップと、
を含むことを特徴とする。
The anomaly notification method of the present invention includes:
An abnormality notification method in an abnormality notification device capable of notifying an abnormality when it is determined that the subject's condition is abnormal,
a biological signal acquisition step in which the abnormality notification device acquires a biological signal in the subject's bed;
a biological information calculation step in which the abnormality notification device calculates biological information from the acquired biological signal;
an estimation step in which the anomaly notification device estimates the state of the subject based on the biological information;
a notification step in which the abnormality notification device notifies when the state of the subject is determined to be abnormal in the estimation step;
characterized by comprising
対象者の寝床における生体信号から生体情報値を算出し、当該生体情報値に基づいて対象者の状態を推測する。そして、対象者の状態が異常と判定された場合に報知を行うことになる。すなわち、対象者の臥床時の生体情報を利用することにより、適切に対象者の状態を推測することが可能となり、併せて異常を報知することができるようになる。 A biological information value is calculated from the biological signal in the subject's bed, and the state of the subject is estimated based on the biological information value. Then, when the subject's condition is determined to be abnormal, the notification is performed. That is, by using the biological information of the subject when the subject is bedridden, it is possible to appropriately estimate the subject's condition, and at the same time, it is possible to notify an abnormality.
以下、図面を参照して本発明を実施するための一つの形態について説明する。具体的には、本発明の異常報知装置を適用した場合ついて説明するが、本発明が適用される範囲は当該実施形態に限定されるものではない。 Hereinafter, one form for carrying out the present invention will be described with reference to the drawings. Specifically, a case where the anomaly notification device of the present invention is applied will be described, but the scope of application of the present invention is not limited to this embodiment.
[1.第1実施形態]
[1.1 システム全体]
図1は、本発明を適用した異常報知システム1の全体概要について説明するための図である。図1に示すように、異常報知システム1は、ベッド10の床部と、マットレス20の間に載置される検出装置3と、検出装置3より出力される値を処理するため処理装置5を備えて構成されている。この検出装置3、処理装置5とで生体情報の出力装置を構成している。
[1. First Embodiment]
[1.1 Overall system]
FIG. 1 is a diagram for explaining an overall outline of an
マットレス20に、対象者(以下、一例として「患者P」とする)が在床すると、対象者である患者Pの生体信号として体振動(人体から発せられる振動)を検出装置3が検出する。そして、検出された振動に基づいて、患者Pの生体情報値が算出される。本実施形態においては、算出された生体情報値(少なくとも、呼吸数、心拍数、活動量)を、患者Pの生体情報値として出力・表示することができる。なお、例えば検出装置3に記憶部、表示部等を設けることにより一体に形成されてもよい。また、処理装置5は、汎用的な装置で良いため、コンピュータ等の情報処理装置に限られず、例えばタブレットやスマートフォン等といった装置で構成されてもよい。
When a subject (hereafter referred to as “patient P” as an example) lies on the
また、対象者としては、病気療養中の者であったり、介護が必要なものであったりしてもよい。また、介護が必要でない健康な者であっても、高齢者でも子供でも、障害者でも、人でなくても動物でも良い。 Moreover, the target person may be a person under medical treatment or a person who needs nursing care. In addition, it may be a healthy person who does not need nursing care, an elderly person, a child, a disabled person, an animal, or a person.
ここで、検出装置3は、厚さが薄くなるようにシート状に構成されている。これにより、ベッド10と、マットレス20の間に載置されたとしても、患者Pに違和感を覚えさせることなく使用できるため、寝床での生体情報値を長期間測定(例えば、1時間以上、8時間以上といった所定期間や、一晩や、一睡眠、一週間、一ヶ月、一年、十年以上といった所定期間の測定)できることとなる。すなわち、体振動から生体情報値を算出するため、対象者が体を動かしているときには呼吸数・心拍数は測定できず(体動時は呼吸数・心拍数の測定精度が低下するため、異常報知システムにとってはノイズとなる)、安静時に限定した患者の状態として生体情報値等を取得することとなる。さらに、検出装置3は測定された体振動データの信頼性を判定し、信頼性の高いデータのみを記録する機能を備えている。
Here, the
なお、検出装置3は、患者Pの生体信号(体動や呼吸運動や心弾動等)を取得できればよい。本実施形態においては、体振動に基づいて心拍数や呼吸数を算出しているが、例えば赤外線センサを用いて検出したり、取得された映像等により患者Pの生体信号を取得したり、歪みゲージ付きアクチュエータを利用したりしても良い。また、内蔵された加速度センサ等を利用することにより、例えばベッド10上に載置されたスマートフォンや、タブレット等で実現してもよい。
In addition, the
また、「寝床」というのは、対象者である患者が寝る場所であり、通常はベッド装置に載置されたマットレスの上や、エアセルの上、布団の上等をいうが、患者が寝る場所であれば、自動車用シート、ソファーといった広義なものを含むものとする。 In addition, the "bed" is a place where the target patient sleeps, and usually refers to a mattress placed on a bed device, an air cell, a futon, etc., but the place where the patient sleeps If so, broadly defined items such as automobile seats and sofas are included.
[1.2 機能構成]
つづいて、異常報知システム1の機能構成について、図2を用いて説明する。本実施形態における異常報知システム1は、検出装置3と、処理装置5とを含む構成となっており、各機能部(処理)は、生体信号取得部200以外についてはどちらで実現されても良い。すなわち、これらの装置を組み合わせることにより、異常報知装置として機能する。
[1.2 Functional configuration]
Next, the functional configuration of the
なお、異常報知システム1は、異常を通報する先はスタッフであったり、家族であったりしても良い。また、通報する方法としては、単に音や画面表示で通報(報知)しても良いし、メール等で携帯端末装置に通報しても良い。また、他の端末装置等に通報(通知)をしても良い。
It should be noted that the
異常報知システム1(異常報知装置)は、制御部100と、生体信号取得部200と、生体情報値算出部300と、睡眠状態判定部350と、入力部400と、出力部450と、記憶部500と、患者状態取得部600と、患者状態推測部700と、アラート出力部800とを含んで構成されている。図1の場合であれば、制御部100、生体信号取得部200及び記憶部500は検出装置3に備えられており、それ以外は処理装置5に備えられている。また、患者状態取得部600は、生体信号取得部200を利用しても良いし、ベッド10に別に設けられても良い。
The abnormality notification system 1 (abnormality notification device) includes a
制御部100は、異常報知システム1の動作を制御するための機能部である。例えば、CPU等の制御装置により構成されても良いし、コンピュータ等の制御装置で構成されても良い。制御部100は、記憶部500に記憶されている各種プログラムを読み出して実行することにより各種処理を実現することとなる。なお、本実施形態においては、制御部100は全体として動作しているが、検出装置3、処理装置5のそれぞれに設けることもできるものである。
The
生体信号取得部200は、患者Pの生体信号を取得するための機能部である。本実施形態では、一例として、圧力変化を検出するセンサを利用して生体信号の一種である体振動が取得される。そして取得された体振動は、呼吸数、心拍数、活動量などの生体情報値データに変換されて出力される。更に、体振動データに基づいて患者の臥床状態(例えば、患者Pが臥床しているか否か、在床、離床や端座位等)を取得したり、後述するように睡眠状態(睡眠、覚醒)を取得したりすることも可能である。
The
なお、本実施形態における生体信号取得部200は、例えば、圧力センサにより患者の体振動を取得し、体振動から呼吸や心拍を取得するが、荷重センサにより、患者の重心位置や荷重値の変化により生体信号を取得することとしても良いし、マイクロフォンを設けることにより、マイクロフォンが拾う音に基づいて生体信号を取得しても良い。何れかのセンサを用いて、患者の生体信号を取得出来れば良い。
The biological
すなわち、生体信号取得部200は、検出装置3のような装置が接続されても良いし、外部の装置から生体信号を受信する構成としても良い。
That is, the
生体情報値算出部300は、患者Pの生体情報値(呼吸数・心拍数など)を算出するための機能部である。本実施形態では、生体信号取得部200より取得された体動から呼吸成分・心拍成分を抽出し、呼吸間隔、心拍間隔に基づいて呼吸数、心拍数を求めても良い。また、生体情報値算出部300は、体動の周期性を分析(フーリエ変換等)し、ピーク周波数から呼吸数、心拍数等の生体情報値を算出してもよいし、パターン認識や人工知能(機械学習)を用いて生体情報を算出しても良い。
The biological information
睡眠状態判定部350は、患者の睡眠状態を判定するための機能部である。例えば、生体情報値算出部300により取得された生体信号に基づいて、患者の睡眠状態を判定する。睡眠状態としては「覚醒」「睡眠」と判定しても良いし、更に睡眠を「レム睡眠」「ノンレム睡眠」と判定しても良いし、眠りの深さを判定しても良い。
The sleep
入力部400は、測定者が種々の条件を入力したり、測定開始の操作入力をしたりするための機能部である。例えば、ハードウェアキーや、ソフトウェアキーといった何れかの入力手段により実現される。
The
出力部450は、睡眠状態や、心拍数、呼吸数といった生体情報値を出力したり、異常を報知したりするための機能部である。出力部450としては、ディスプレイ等の表示装置であっても良いし、警報等を報知する報知装置(音出力装置)であっても良い。また、データを記憶する外部記憶装置や、データを通信路で送信する送信装置等であっても良い。また、他の装置に対して通報する場合の通信装置であっても良い。
The
記憶部500は、異常報知システム1が動作するための各種データ及びプログラムを記憶しておく機能部である。制御部100は、記憶部500に記憶されているプログラムを読み出して実行することにより、各種機能を実現することとなる。ここで、記憶部500は、例えば半導体メモリや、磁気ディスク装置等により構成されている。ここで、記憶部500には、生体情報データ510が記憶されている。
The
生体情報データ510は、取得された生体信号(体動)から求められる呼吸数や、心拍数が記憶されている。なお、本実施形態では、呼吸数と心拍数と体動とが記憶されるが、この中で少なくとも1つが記憶されればよい。また、生体情報値算出部300により算出可能な生体情報値であれば他の情報(例えば、呼吸振幅の変動等にもとづく呼吸イベント指数、体動の周期性にもとづく周期性体動指数)をさらに記憶しても良い。
The
睡眠状態データ520は、患者の睡眠状態が記憶されている。睡眠状態判定部350により判定された睡眠状態として、「睡眠」「覚醒」や、患者状態取得部600により取得された「在床」「離床」といった状態が記憶されている。
The
患者状態取得部600は、患者の状態を取得する為の機能部である。例えば、ベッド10に設けられた荷重センサ等により、患者の状態(離床・在床等)を取得する。なお、上述したように、生体信号取得部200において実現しても良い。
The patient
患者状態推測部700は、生体情報値等のパラメータから患者の状態を推測するための機能部である。患者状態推測部700により、患者の状態が異常と推測された場合は、アラート出力部800によりアラートが出力(報知)される。
The patient
患者状態推測部700が、患者の状態を推測するタイミングとしては、リアルタイムであっても良いし、所定時間の間隔毎に推測されてもよい。例えば、5分毎に推測しても良いし、1時間毎に推測しても良い。また、朝や夜の決められた時間(例えば、朝6時、夜9時等)に1回定期的に推測する事としても良いし、決められた時間に2回、3回と推測することとしても良い。また、患者の入眠時や、在床後30分経過といったタイミングで推測されてもよい。
The timing at which the patient's
決まった時刻に毎日1回推測することは、同じ条件で推測できるため、推測精度が高まる効果が得られる。特に、起床時に毎日1回定時に推測することが誤報と失報を減らすために効果的である。対象者の異常は睡眠中の生体情報値に現れることが多いため、当該日の就床から起床まで(もしくは夜間の一定時間帯)の情報を過去の情報と比較すること、就床から起床まで(もしくは夜間の一定時間帯)の生体情報値の経時変化を評価することが異常の推定に効果的だからである。また、例えば、深夜3時に誤って異常が通報された場合、通報に対応する人の労力と、対応による対象者の睡眠妨害の両面から悪影響が大きいが、毎朝の起床時刻付近であれば、対応者(看護師や介護者)が対象者(患者や要介護者)の起床を促す際についでに状態を確認することができる。対象者にとっても、毎朝規則正しい時刻に起床することは生体リズムの規則性の確保のために重要であり、日中の覚醒度の向上と夜間の良質な睡眠につながる。 Estimated once every day at a fixed time can be estimated under the same conditions, so that the effect of increasing the estimation accuracy can be obtained. In particular, it is effective to make a guess at the fixed time once a day when waking up to reduce false alarms and false alarms. Since the subject's abnormalities often appear in the biometric information values during sleep, it is necessary to compare the information from the time you wake up to the time you wake up (or a certain time period during the night) with the past information. This is because it is effective in estimating abnormalities to evaluate changes over time in biological information values (or during a certain period of time at night). Also, for example, if an abnormality is reported by mistake at 3 o'clock in the morning, it will have a large adverse effect on both the effort of the person responding to the report and the sleep disturbance of the subject due to the response. A person (nurse or caregiver) can confirm the condition while urging the target person (patient or person requiring care) to wake up. It is also important for the subject to wake up at a regular time every morning in order to ensure the regularity of their biorhythm, which leads to an increase in wakefulness during the day and a good night's sleep.
[1.3 処理の流れ]
ここで、本実施形態における患者状態推測部700における患者の状態が異常と推測される方法について説明する。
[1.3 Flow of processing]
Here, a method for estimating that the patient's condition is abnormal in the patient
図3は、患者の状態を推測する患者状態推測処理を説明するための動作フローである。本実施形態においては、図3の患者状態推測処理が実行されることにより、患者状態推測部700が患者の状態を推測する。
FIG. 3 is an operation flow for explaining patient state estimation processing for estimating the patient's state. In this embodiment, the patient
まず、生体情報値を取得(算出)する(ステップS102)。ここで、生体情報値としては、呼吸数、心拍数、活動量が重要であるが、さらに睡眠・覚醒(在床)・離床といった患者の状態を取得することによって眠れなくなった、寝床にいる時間が増えた、寝床にいない時間が増えた、などの変化、連続在床時間や連続離床時間なども加味したより詳細な患者状態推測が可能となる。 First, a biometric information value is acquired (calculated) (step S102). Here, respiratory rate, heart rate, and amount of activity are important as biological information values. It is possible to estimate the patient's condition in more detail by taking into account changes such as increased sleep time, increased time out of bed, continuous time in bed, continuous time out of bed, and so on.
さらに、生体情報値の1つとして、患者に関する指数(生体指数)である、呼吸イベント指数、周期性体動指数を取得することによって、これらの絶対値、日々の平均値の変化、24時間の時系列分布の変化、などから更に詳細な患者状態推測が可能となる。また、生体情報値の履歴を取得し、過去の値や、平均値、標準偏差、変動係数、直近の所定時間の変化の値・割合が取得されても良い。 Furthermore, as one of the biological information values, by obtaining the respiratory event index and the periodic body movement index, which are indices related to the patient (biological index), the absolute values, daily average changes, 24-hour More detailed estimation of patient status is possible from changes in time-series distribution and the like. Also, a history of biometric information values may be acquired, and past values, average values, standard deviations, coefficients of variation, and values/ratios of changes in the most recent predetermined time period may be acquired.
生体情報値は、生体情報値として直接取得されても良いし、生体信号から所定の演算を実行することにより算出されたとしてもよい。また、1つの生体情報値から、他の生体情報値や、指数を算出してもよい。 The biometric information value may be obtained directly as a biometric information value, or may be calculated by executing a predetermined calculation from the biometric signal. Further, from one biometric information value, another biometric information value or an index may be calculated.
つづいて、異常判定条件に合致するか否かを判定する(ステップS104)。異常判定条件に合致した場合には、異常判定数に1加算する(ステップS104;Yes→ステップS106)。そして、全ての異常判定条件について判定が終わっていなければ、次の異常判定条件を読み出し、同様に異常判定条件に合致しているかを判定する(ステップS108;No→ステップS110→ステップS104)。 Subsequently, it is determined whether or not an abnormality determination condition is met (step S104). If the abnormality determination condition is met, 1 is added to the abnormality determination number (step S104; Yes→step S106). If the determination has not been completed for all the abnormality determination conditions, the next abnormality determination condition is read, and it is similarly determined whether the abnormality determination condition is met (step S108; No→step S110→step S104).
すなわち、患者状態推測部700において、患者状態を推測する場合には、複数の異常判定条件に合致するか否かを、生体情報値や、睡眠状態に基づいて判定することとなる。ここで、異常判定条件の一例について、以下説明する。
That is, when estimating the patient's condition, the patient
すなわち、異常判定条件としては、以下のような条件が考えられる。寝床において取得された生体信号から算出された生体情報値の中でも、心拍数・呼吸数・活動量などは、日中より夜間、覚醒時より睡眠時のほうがノイズの少ないデータであることを利用した条件である。尚、寝たきりの場合は、日中でもノイズが少ないため、夜間以外のデータも利用しても良い。また、体調が悪化すると、日中の在床時間が増える・不穏になり離床が増える・早朝に起床する、といったように24時間の離床と在床の状況に変化が現れるため、これらの情報については、日中か夜間か、覚醒時か睡眠時か、とは無関係に条件として利用する。 That is, the following conditions can be considered as abnormality determination conditions. Among the biometric information values calculated from the biosignals acquired in bed, the data of heart rate, respiration rate, amount of activity, etc. have less noise at night than during the day, and less noise during sleep than during wakefulness. It is a condition. In the case of a bedridden person, the noise is small even during the daytime, so data other than nighttime may also be used. In addition, if your physical condition worsens, the time spent in bed during the day increases, you become restless and get out of bed more often, and you wake up early in the morning. is used as a condition irrespective of whether it is daytime or nighttime, wakefulness or sleep.
(1)直近30分間の平均呼吸数(瞬時値ではなく比較的長時間の値を用いることで、精度が良くなる)
(2)夜間の平均呼吸数の直近と過去平均値との差異(夜間の平均呼吸数は個人内の変動が小さく、精度が良い)
(3)直近60分間の平均心拍数(呼吸数よりも測定精度が低いため、(1)よりも算出時間を長くする)
(4)夜間の平均心拍数の直近と過去平均値との差異(呼吸数よりも測定精度が低いため、(2)よりも異常判定条件を満たしにくくする、または、異常判定結果の重みを小さくする)
(5)夜間の呼吸数の線形近似直線の傾き(大局的な変動傾向のため精度が高い。夜間の前半の平均値と後半の平均値の差分など、夜から朝にかけて呼吸数が上昇傾向にあるのか下降傾向にあるのかを評価できる指標であれば良い。)
(6)夜間の心拍数の線形近似直線の傾き(大局的な変動傾向のため精度が高いが呼吸数よりは精度が低いため、異常判定条件を満たしにくくする、または、異常判定結果の重みを小さくする。夜間の前半の平均値と後半の平均値の差分など、夜から朝にかけて心拍数が上昇傾向にあるのか下降傾向にあるのかを評価できる指標であれば良い。)
(1) Average respiratory rate for the last 30 minutes (using relatively long-term values instead of instantaneous values improves accuracy)
(2) Difference between recent and past average nighttime respiratory rate
(3) Average heart rate for the last 60 minutes (calculation time is longer than (1) because measurement accuracy is lower than respiration rate)
(4) The difference between the most recent and past average heart rate during the night (because the measurement accuracy is lower than that of the respiratory rate, the abnormality determination condition is less likely to be satisfied than in (2), or the weight of the abnormality determination result is reduced. do)
(5) Slope of the linear approximation line of nighttime respiration rate (accuracy is high due to global fluctuation trend. Respiration rate tends to rise from night to morning, such as the difference between the average value in the first half of the night and the average value in the second half) Any index that can be used to evaluate whether there is a trend or is in a downward trend will do.)
(6) Slope of linear approximation straight line of nighttime heart rate (accuracy is high due to global fluctuation trend, but accuracy is lower than respiration rate, so it is difficult to satisfy the abnormality judgment condition, or the weight of the abnormality judgment result is Any index that can evaluate whether the heart rate is on an upward trend or a downward trend from night to morning, such as the difference between the average value in the first half of the night and the average value in the second half, will do.)
(7)夜間の呼吸数のばらつき(個人特有の指標であり、大局的な変動傾向のため精度が高い。標準偏差や変動係数など。)
(8)夜間の心拍数のばらつき(個人特有の指標であり、大局的な変動傾向のため精度が高いが呼吸数よりは精度が低いため、異常判定条件を満たしにくくする、または、異常判定結果の重みを小さくする。標準偏差や変動係数など。)
(9)夜間の平均活動量の直近と過去平均値との差異(個人特有の指標であり、大局的な変動傾向のため精度が高い)
(10)夜間の平均呼吸イベント指数の直近と過去平均値との差異(個人特有の指標であり、大局的な変動傾向のため精度が高い)
(11)夜間の平均周期性体動指数の直近と過去平均値との差異(個人特有の指標であり、大局的な変動傾向のため精度が高い)
(12)夜間の平均離床時間の直近と過去平均値との差異(個人特有の指標であり、大局的な変動傾向のため精度が高い)
(13)24時間(1分毎)の平均在床率(0~1)と直近24時間の判定(在床:1、離床:0)の差の積算値(1分毎の積算値:0~1440)(個人特有の指標であり、大局的な変動傾向のため精度が高い)
(14)直近8時間の平均活動量(活動性との関連が強い指標であり、大局的な変動傾向のため精度が高い)
(7) Variation in nighttime breathing rate (an indicator specific to an individual, and high accuracy due to global fluctuation trends. Standard deviation, coefficient of variation, etc.)
(8) Variation in heart rate at night (an index specific to an individual, which is highly accurate due to a global fluctuation trend, but is less accurate than respiratory rate, making it difficult to satisfy the abnormality determination conditions, or the abnormality determination result reduce the weight of (standard deviation, coefficient of variation, etc.)
(9) Difference between recent and past average activity levels at night (an index specific to individuals and highly accurate due to global trends)
(10) Difference between the latest and past average values of the nighttime average respiratory event index (an index specific to individuals and highly accurate due to global fluctuation trends)
(11) Difference between the most recent and past average values of the nighttime average periodic body movement index (an index specific to individuals and highly accurate due to global fluctuation trends)
(12) Difference between the most recent and past averages of average time out of bed at night (an index specific to individuals, highly accurate due to global trends)
(13) The integrated value of the difference between the average bed presence rate (0 to 1) for 24 hours (every minute) and the judgment for the most recent 24 hours (in bed: 1, leaving bed: 0) (integrated value for each minute: 0 ~ 1440) (Individual-specific index, high accuracy due to global fluctuation trend)
(14) Average amount of activity for the last 8 hours (an index that is strongly related to activity, and has high accuracy due to a global fluctuation trend)
これらの各異常判定条件に基づいて、それぞれ基準値を超えているか否かを判定する。例えば、異常判定条件(1)であれば、入力された生体情報のうち、呼吸数を用いて判定する。例えば、直近30分間の平均呼吸数を算出し、その平均呼吸数が基準値(例えば、8~28)に入っていない場合には、異常と判定し、異常判定数に1加算する。 Based on each of these abnormality determination conditions, it is determined whether each reference value is exceeded. For example, if the abnormality determination condition is (1), the respiration rate among the input biological information is used for determination. For example, the average respiration rate for the last 30 minutes is calculated, and if the average respiration rate does not fall within a reference value (8 to 28, for example), it is determined as abnormal and 1 is added to the abnormal determination number.
なお、各異常判定条件において、患者の状態が異常であるか否かを判定する方法は対象者の属性、現疾患や病歴、生体信号取得部の特性、誤報を少なくしたいか見逃し(失報)を少なくしたいか、などによって適宜変更されても良い。例えば、病歴に応じる場合は、心臓に持病を抱えていて、注意すべき場合は重要度を上げるといったことが考えられる。また、心臓に持病を抱えて不整脈が出ている場合には、心拍数の精度が落ちるため心拍数に関連する条件の重要度を下げるといった場合も考えられる。 In each abnormality judgment condition, the method for judging whether or not the patient's condition is abnormal depends on the attributes of the subject, the current disease and medical history, the characteristics of the biosignal acquisition unit, and whether or not false alarms are to be reduced. may be changed as appropriate depending on whether the user wants to reduce the For example, when responding to medical history, it is conceivable to raise the importance if the patient has a chronic heart disease and should be careful. In addition, if a person has a chronic heart disease and has an arrhythmia, the accuracy of the heart rate decreases, so the importance of conditions related to the heart rate may be lowered.
また、例えば、生体信号取得部200の特性としては、精度に差がある場合は、製品によって重みづけを変えることも考えられる。例えば、対象者の下に載置し体振動に基づく場合には、呼吸数の方が正確に取得できるために、呼吸数の重み付けを重くする。また、心電計の場合は、心拍数の方が正確に取得できるために、心拍数の重み付けを重くする。このように、センサの種類に応じて、重要度(重み付けや優先度)を割り当てても良い。
Further, for example, if there is a difference in accuracy as a characteristic of the biological
すなわち、これらの異常判定条件を複数組み合わせて患者の異常を判定することが重要である。例えば、異常基準値として「3」が設定されている場合、異常判定数が異常基準値である「3」以上となっていれば患者の状態は「異常」と判定される(ステップS112;Yes→ステップS114)。また、それ未満の場合、例えば異常判定数が「2」以下(異常基準値が「3」の場合)の場合は、患者の状態は正常であると判定される。 In other words, it is important to determine the patient's abnormality by combining a plurality of these abnormality determination conditions. For example, when "3" is set as the abnormality reference value, the patient's condition is determined to be "abnormal" if the number of abnormality determinations is equal to or greater than the abnormality reference value "3" (step S112; Yes → step S114). If it is less than that, for example, if the abnormality determination number is "2" or less (when the abnormality reference value is "3"), the patient's condition is determined to be normal.
なお、図3では、異常判定数と、異常基準値とを用いて、単に異常判定条件の個数で判定しているが他の方法でも患者状態を判定することは可能である。 In FIG. 3, the number of abnormality determinations and the abnormality reference value are used to simply determine the number of abnormality determination conditions, but other methods can also be used to determine the patient's condition.
例えば、例えば、各異常判定条件への合致を判定するかわりに、それぞれについて異常度判定式から異常度を算出し、算出された異常度の合計値を用いて患者状態を判定しても良い。例えば、各値を多変量解析することにより、全体の異常度を算出し、患者状態を判定してもよい。 For example, instead of determining whether each abnormality determination condition is met, the degree of abnormality may be calculated from an abnormality degree determination formula for each, and the total value of the calculated abnormality degrees may be used to determine the patient's condition. For example, by performing multivariate analysis on each value, the overall degree of abnormality may be calculated and the patient's condition may be determined.
また、各異常判定条件は、全て使う必要は無く必要に応じて組み合わせることも可能である。また、それぞれの異常判定条件と真の異常との関連の強さは一律ではなく、前述の対象者の属性、現疾患や病歴、生体信号取得部の特性、誤報を少なくしたいか見逃し(失報)を少なくしたいか、などによっても変わるため、真の異常との関連の強さに従い重み付けした異常判定数を用いても良い。 Moreover, it is not necessary to use all of the abnormality determination conditions, and it is possible to combine them as necessary. In addition, the strength of the relationship between each abnormality judgment condition and the true abnormality is not uniform. ) is desired to be reduced, the number of abnormality determinations weighted according to the strength of the relationship with the true abnormality may be used.
また、複数の異常判定条件のうち、重要な条件を優先して利用しても良い。例えば、対象者の下に載置し体振動に基づく場合においては、上述した異常判定条件の中では、(1)の条件が最も効果が高く、当該条件を優先的に利用したり、重要である重み付けを行ったりして異常判定を行ってもよい。 Also, among a plurality of abnormality determination conditions, an important condition may be preferentially used. For example, when the object is placed under the subject and based on body vibration, the condition (1) is the most effective among the abnormality determination conditions described above, and the condition is preferentially used or important. Abnormality determination may be performed by performing certain weighting.
[2.第2実施形態]
つづいて、第2実施形態について説明する。第1実施形態では、患者状態推測部700において、入力された生体情報を、異常判定条件に基づいて判定することで患者状態を推測することとして説明した。
[2. Second Embodiment]
Next, a second embodiment will be described. In the first embodiment, the patient
本実施形態は、患者状態推測部700が、人工知能(機械学習)を用いて患者の状態を推測する場合について説明する。
The present embodiment describes a case where the patient
本実施形態は、図3の患者状態推測処理の代わりに、図4の患者状態推測部705に基づいて患者状態を推測する。
This embodiment estimates the patient state based on the patient
ここで、本実施形態における患者状態推測部705の動作について説明する。患者状態推測部705は、生体情報や、患者の状態を入力値(入力データ)とし、人工知能や各種統計指標を利用することにより、患者の状態を推測する。
Here, the operation of the patient
図3に示すように、患者状態推測部705は、特徴抽出部710と、識別部720と、識別辞書730と、患者状態出力部740とが含まれている。
As shown in FIG. 3 , the patient
まず、患者状態推測部705に入力される入力データとしては、種々のパラメータが入力され、利用される。例えば、本実施形態においては、生体信号取得部により取得された体振動データから算出された「呼吸数」「心拍数」「睡眠状態」「活動量」が利用されている。これらの生体情報値から算出される「呼吸数のばらつき」「心拍数のばらつき」、同じ体振動データから算出された「呼吸イベント指数」「周期性体動指数」も利用可能である。
First, as input data to be input to the patient
ここで、「睡眠状態」は、「在床」と「離床」の状態が含まれており、在床時には「覚醒」「睡眠」の状態が特定可能である。「睡眠」はさらに「レム睡眠」「ノンレム睡眠」と分類してあっても良いし、眠りの深さを判定してあっても良い。また、「呼吸イベント指数」としては、睡眠1時間あたりの呼吸振幅の有意な変動回数を用いるが、睡眠1時間当たりの無呼吸回数(無呼吸指数)を利用したり、睡眠1時間当たりの無呼吸及び低呼吸の合計回数(無呼吸低呼吸指数)を利用したりしてもよい。また、「周期性体動指数」は、睡眠1時間あたりの周期的な体動の発生回数を用いるが、睡眠1時間あたりの周期性四肢運動の回数を利用してもよい。 Here, the "sleep state" includes the states of "in bed" and "getting out of bed", and when in bed, the states of "awake" and "sleep" can be specified. "Sleep" may be further classified into "REM sleep" and "non-REM sleep", and the depth of sleep may be determined. The number of significant fluctuations in respiratory amplitude per hour of sleep is used as the “respiratory event index”, but the number of apneas per hour of sleep (apnea index) or the number of apneas per hour of sleep is used. The total number of breaths and hypopneas (apnea-hypopnea index) may be used. In addition, as the “periodic body movement index”, the number of periodic body movements occurring per hour of sleep is used, but the number of periodic limb movements per hour of sleep may be used.
そして、特徴抽出部710により、各特徴点が抽出され、特徴ベクトルとして出力される。ここで、特徴点として抽出されるものは、例えば以下のものが考えられる。
Then, the
(1)呼吸数30[回/分]以上又は8[回/分]以下が一定時間以上継続
(2)心拍数120[回/分]以上又は40[回/分]以下が一定時間以上継続
(3)夜間睡眠の開始から終了にかけて心拍数または呼吸数のトレンドが上昇(10%以上)
(4)夜間(21:00~6:59)の呼吸数または心拍数のばらつき(標準偏差、変動係数)が一定値以上
(5)呼吸イベント指数もしくは周期性体動指数が有意に減少
(6)呼吸イベント指数もしくは周期性体動指数が有意に増加、もしくは一定値以上(夜間)
(7)活動量が有意に増加もしくは減少
(8)睡眠判定が一定時間以上継続、夜間の覚醒判定が95%以上
(1) Respiration rate of 30 [times/minute] or more or 8 [times/minute] or less continues for a certain period of time (2) Heart rate of 120 [times/minute] or more or 40 [times/minute] or less continues for a certain period of time or longer (3) Heart rate or respiratory rate trend increases (10% or more) from the start to the end of night sleep
(4) Respiration rate or heart rate variation (standard deviation, coefficient of variation) at night (21:00 to 6:59) is more than a certain value (5) Respiratory event index or periodic body movement index significantly decreased (6) ) Significant increase in respiratory event index or periodic body movement index, or above a certain value (at night)
(7) Significant increase or decrease in the amount of activity (8) Sleep determination continues for a certain period of time, night awakening determination is 95% or more
これらの特徴点を1又は複数組み合わせることにより、特徴ベクトルが出力される。なお、特徴点として説明したものは1例であり、当該値に限定されるものではない。例えば、(1)を例に取ると、呼吸数25[回/分]以上であってもよいし、10[回/分]以下であってもよい。このように、各値は、説明の都合上の値である。そして、該当する特徴点は「1」、非該当の特徴点は「0」が出力されでも良いし、確率変数が出力されても良い。 A feature vector is output by combining one or more of these feature points. Note that the feature points described above are only examples, and are not limited to these values. For example, taking (1) as an example, the respiratory rate may be 25 [breaths/minute] or more, or may be 10 [breaths/minute] or less. Thus, each value is a value for convenience of description. Then, "1" may be output for a relevant feature point and "0" for a non-applicable feature point, or a random variable may be outputted.
そして、上述した特徴点を全て含まれる場合は、特徴空間は8次元であり、8次元の特徴ベクトルとして識別部720に出力される。
Then, when all the feature points described above are included, the feature space is eight-dimensional, and is output to the identifying
識別部720は、入力された特徴ベクトルから、患者状態に対応するクラスを識別する。このとき、識別辞書730として、事前に用意した複数のプロトタイプと照合することにより、クラスを識別する。プロトタイプは、各クラスに対応する特徴ベクトルとして記憶していても良いし、クラスを代表する特徴ベクトルを記憶していてもよい。
The
クラスを代表する特徴ベクトルが記憶されている場合には、最も近いプロトタイプの属するクラスを決定する。このとき、最近傍決定則により決定してもよいし、k近傍法により識別してもよい。 If the class representative feature vectors are stored, the class to which the closest prototype belongs is determined. At this time, it may be determined by the nearest neighbor decision rule, or may be identified by the k-nearest neighbor method.
なお、識別部720が利用する識別辞書730は、予めプロトタイプを記憶してもよいし、機械学習を利用して記憶することとしても良い。
Note that the
そして、識別部720により識別されたクラスに対応して、患者状態出力部740により患者状態が出力される。出力される患者の状態としては、「正常」又は「異常」であり、異常としては「発熱」「容体変化」等が識別されてもよいし、確率変数が出力されても良い。
Then, the patient status is output by the patient
これにより、本実施形態によれば、「呼吸数」「心拍数」「活動量」「離床」「在床」を含んだ生体情報を取得し、これらの生体情報から、患者の状態を推測することが可能となる。 As a result, according to this embodiment, biological information including "respiratory rate", "heart rate", "activity", "getting out of bed", and "in bed" is acquired, and the state of the patient is estimated from these biological information. becomes possible.
[3.第3実施形態]
つづいて、第3実施形態について説明する。第3実施形態は、第1実施形態の図2の機能構成を、図5に置き換えたものである。
[3. Third Embodiment]
Next, a third embodiment will be described. 3rd Embodiment replaces the functional structure of FIG. 2 of 1st Embodiment with FIG.
第1実施形態の機能構成に加えて、患者日誌出力部650を更に備えている。また、患者状態推測部700の代わりに、ニューラルネットワークを利用して患者の状態を推測する患者状態推測部750を備えている。
A patient
患者日誌出力部650は、取得された生体情報値や、睡眠状態(0:離床、1:在床・覚醒、2:睡眠)を、1行を24時間とした1分毎の画素値の値とした画像データ(「1440ピクセル×日数分のピクセル」の画像データ)として出力する機能部である。患者日誌としては、患者の呼吸数を表す呼吸日誌、患者の心拍数を表す心拍日誌、患者の睡眠状態を表す睡眠日誌、患者の体動を表す活動量日誌、呼吸イベント回数を表す呼吸イベント日誌、周期性体動イベント回数を表す周期性体動日誌等が出力可能である。なお、これらのパラメータは組み合わせて一つの患者日誌として出力されても良い。これらの患者日誌のグラフを、画像データである日誌データとして出力可能である。
The patient
患者状態推測部750は、入力された日誌データから患者状態を推測するための機能部である。ここで、患者状態を推測する処理としては、最近はディープラーニング(ディープニューラルネットワーク)が特に画像認識において高い精度を出しており、本実施形態でも一例として当該方法を利用する。このディープラーニングにおける処理について、図5を用いて簡単に説明する。
The patient
まず、患者状態推測部750は、患者日誌出力部650から出力される日誌データ(画像データ)の信号を、複数の層と、各層に含まれるニューロンによって構成されるニューラルネットワークに入力する。各ニューロンは別の複数のニューロンから信号を受け取り、演算を施した信号を別の複数のニューロンへ出力する。ニューラルネットワークが多層構造の場合、信号が流れる順に、入力層、中間層(隠れ層)、出力層と呼ばれる。
First, the patient
ニューラルネットワークの中間層が複数の層からなっているものはディープニューラルネットワーク(例えば、畳み込み演算を持つConvolutional Neural Network(畳み込みニューラルネットワーク))と呼ばれ、これを用いた機械学習の手法をディープラーニングと呼ぶ。 A neural network whose intermediate layer consists of multiple layers is called a deep neural network (for example, a convolutional neural network with convolutional operations), and the machine learning method using this is called deep learning. call.
日誌データはニューラルネットワークの各層のニューロンに各種演算(畳み込み演算、プーリング演算、正規化演算、行列演算等)が施され、形を変えながら流れ、出力層から複数の信号が出力される。 Diary data undergoes various operations (convolution operation, pooling operation, normalization operation, matrix operation, etc.) in neurons in each layer of the neural network, flows while changing its shape, and multiple signals are output from the output layer.
ニューラルネットワークからの複数の出力値は、それぞれ、患者の状態に紐づいていて、値が最も大きい出力値に紐づく患者の状態と推測する、というような処理を行う。または、患者の状態を直接出力しなくとも、一又は複数の出力値を分類器に通して、分類器の出力から患者の状態を推測してもよい。 A plurality of output values from the neural network are each associated with the patient's condition, and processing such as estimating the patient's condition associated with the output value with the largest value is performed. Alternatively, rather than directly outputting the patient's condition, one or more output values may be passed through a classifier and the patient's condition may be inferred from the output of the classifier.
ニューラルネットワークの各種演算に用いる係数であるパラメータは、事前にニューラルネットワークへ数多くの日誌データと、当該日誌データの患者の状態とを入力し、出力値と正解値との誤差を、誤差逆伝播法により、ニューラルネットワークを逆方向に伝搬し、各層のニューロンのパラメータを何度も更新することによって決まる。このように、パラメータを更新し、決める工程を学習と呼ぶ。 Parameters, which are coefficients used for various calculations of the neural network, are input to the neural network in advance with a large number of diary data and the patient's condition of the diary data, and the error between the output value and the correct value is calculated by the error backpropagation method. is determined by propagating backward through the neural network and updating the parameters of the neurons in each layer many times. The process of updating and determining parameters in this way is called learning.
ニューラルネットワークの構造や、個々の演算については、書籍や論文で解説された公知技術であり、その何れかの技術を利用すれば良い。 The structure of the neural network and individual operations are known techniques explained in books and papers, and any one of these techniques may be used.
患者状態推測部750を利用することにより、患者の生体情報等の入力データから、患者の状態が出力される。
By using the patient
なお、上述した実施形態では、1行を24時間とした日誌データを入力してニューラルネットワークを利用しているが、週単位のリズム性を考慮して1行を7日間とし日誌データ、概ね月単位のリズム性を考慮して1行を28日間とした日誌データ、年単位のリズム性を考慮して1行を365日間とした日誌データ、などとしても良いし、リズム性をあらかじめ考慮しない生体情報値を入力してニューラルネットワークを利用しても良い。すなわち、「心拍数」「呼吸数」「活動量」「離床」「在床」といった情報をそれぞれの時間軸を同期させてニューラルネットワークに入力し、学習させることで患者状態を推測してもよい。 In the above-described embodiment, a neural network is used by inputting diary data in which one line is set to 24 hours. Considering the rhythmicity of the unit, it is possible to use diary data with 28 days per line, diary data with 365 days per line considering the rhythmicity of the year. A neural network may be used by inputting information values. In other words, information such as "heart rate", "respiratory rate", "activity level", "getting out of bed", and "in bed" may be input to the neural network with their respective time axes synchronized, and the patient's condition may be estimated by learning. .
[4.第4実施形態]
つづいて、第4実施形態について説明する。第4実施形態は、第1実施形態と異なり、患者状態推測部700が、ニューラルネットワークを利用する場合について説明する。
[4. Fourth Embodiment]
Next, a fourth embodiment will be described. Unlike the first embodiment, the fourth embodiment describes a case where the patient
まず、患者状態推測部700は、上述した種々のパラメータが入力され、利用される。例えば、本実施形態においては、生体信号取得部200により取得された体振動データから算出された「呼吸数」「心拍数」「活動量」が利用されている。同じ体振動データから算出された「呼吸イベント指数」「周期性体動指数」も利用可能である。また、患者の「睡眠」及び「覚醒」を含む「在床」と、「離床」といった睡眠状態も利用可能である。
First, the patient
これらの生体情報値や、睡眠状態、その他患者の状態(以下、「患者生体情報」という)を、複数の層と、各層に含まれるニューロンによって構成されるニューラルネットワークに入力する。各ニューロンは別の複数のニューロンから信号を受け取り、演算を施した信号を別の複数のニューロンへ出力する。ニューラルネットワークが多層構造の場合、信号が流れる順に、入力層、中間層(隠れ層)、出力層と呼ばれる。なお、ニューラルネットワークについては、他の実施形態で説明したため、その詳細は省略する。 These biological information values, sleep state, and other patient conditions (hereinafter referred to as "patient biological information") are input to a neural network composed of multiple layers and neurons included in each layer. Each neuron receives signals from other neurons and outputs operated signals to other neurons. When a neural network has a multilayer structure, it is called an input layer, an intermediate layer (hidden layer), and an output layer in order of signal flow. Since the neural network has been described in another embodiment, details thereof will be omitted.
このように、患者生体情報に基づいて、患者状態推測部700を利用することにより、患者生体情報の入力データから、患者の状態が推測される。
Thus, the patient's condition is estimated from the input data of the patient's biometric information by using the patient's
また、生体信号に基づいて算出された生体情報値や、睡眠といった時系列データの場合、リカレントニューラルネットワーク(RNN:Recurrent Neural Network)を利用しても良い。これは、上述したようなニューラルネットワークの方法を拡張することで、時系列のデータを扱えるようにするものである。リカレントニューラルネットワークとしては、エルマンネットワーク(Elman Network)、ジョーダンネットワーク(Jordan Network)、エコーステートネットワーク(Echo State Network)、LSTM(Long Short-Term Memory network)といった種々のネットワークがあるが、適切なネットワークを利用することにより、より適切に患者の状態を推測することが可能となる。 In the case of biometric information values calculated based on biosignals and time-series data such as sleep, a recurrent neural network (RNN) may be used. This makes it possible to handle time-series data by extending the neural network method described above. As recurrent neural networks, there are various networks such as Elman network, Jordan network, Echo State network, and LSTM (Long Short-Term Memory network). By using it, it becomes possible to estimate the patient's condition more appropriately.
例えば、エルマンネットワークでは、時刻tにおけるデータだけでなく、時刻t-1における隠れ層(中間層)のデータを利用することができる。このようなネットワーク構成にすることで、過去の患者生体情報が、現在の予測に影響を与えられるようになり、時間における関係性に基づいても、患者の状態を推測することが可能となる。 For example, in the Ellman network, not only data at time t but also hidden layer (intermediate layer) data at time t−1 can be used. By configuring such a network, past patient biometric information can influence current predictions, and it is possible to infer the patient's condition based on temporal relationships as well.
このように、本実施形態によれば、患者生体情報(例えば、「呼吸数」「心拍数」「睡眠状態(レム睡眠、ノンレム睡眠、浅睡眠、深睡眠など)」「活動量」「呼吸のばらつき」「心拍のばらつき」「呼吸イベント指数」「周期性体動指数」「睡眠」「覚醒」「在床」「離床」等)といった種々の情報から、ニューラルネットワークや、リカレントネットワーク等を利用することにより、患者の状態を適切に推測することができるようになる。 Thus, according to the present embodiment, patient biological information (for example, "breathing rate", "heart rate", "sleep state (REM sleep, non-REM sleep, light sleep, deep sleep, etc.)", "activity amount", "breathing Neural network, recurrent network, etc. are used from various information such as variability, heart rate variability, respiratory event index, periodic body movement index, sleep, wakefulness, being in bed, getting out of bed, etc. Thus, the patient's condition can be estimated appropriately.
[5.実施例]
上述した実施形態を利用することにより、患者の状態を推測する実施例について説明する。
[5. Example]
An example of estimating a patient's condition by using the above-described embodiments will now be described.
図6は、患者日誌の一例を説明するための図である。本図では、対象者の睡眠状態を日毎に表した睡眠日誌の例であり、縦方向に日毎に睡眠状態を示すグラフが表示されている。例えば、離床を白色、覚醒(在床)を橙色、睡眠(在床)を青色で表してもよい。図6では、離床、覚醒(在床)、睡眠(在床)と色が濃く表示されている。 FIG. 6 is a diagram for explaining an example of a patient diary. This figure shows an example of a sleep diary showing the subject's sleep state for each day, and a graph showing the sleep state for each day is displayed in the vertical direction. For example, getting out of bed may be expressed in white, wakefulness (in bed) may be expressed in orange, and sleep (in bed) may be expressed in blue. In FIG. 6, out of bed, awake (in bed), and sleep (in bed) are displayed in dark colors.
生体情報値は24時間、1週間などの周期的な変動を示すことが通常であるため、このように、患者日誌を利用することにより、対象者の長期的変動が見やすくなり、体調不良に早く気がつけるというメリットがある。これら複数の日誌データにより、患者の状態を精度良く推測することが可能となる。例えば、心拍数が異常値を示している時間帯に呼吸数など他の生体情報値に変化がない場合、毎日一定の時間帯に異常値を示している場合などは異常と判定しない、などが可能となる。 Since biological information values usually show periodic fluctuations such as 24 hours and one week, by using the patient diary in this way, it becomes easier to see the long-term fluctuations of the subject, and it is possible to quickly detect poor physical condition. There are benefits to being careful. These multiple diary data make it possible to estimate the patient's condition with high accuracy. For example, if there is no change in other biological information values such as the respiratory rate during the period when the heart rate shows an abnormal value, or if the abnormal value is shown at a certain time every day, it will not be judged as abnormal. It becomes possible.
[5.1 各患者日誌データの説明]
患者日誌としては、複数利用可能である。通常、患者日誌を利用して人手で患者の異常を視認判定するが、本実施形態のシステムを利用することにより、判定の個人差や能力によらない一定の基準で適切かつ視認判定の労力かけることなく患者の異常を自動で推測し、報知することが可能となる。
[5.1 Description of each patient diary data]
Multiple patient diaries are available. Usually, the patient's abnormality is visually judged manually using a patient diary, but by using the system of this embodiment, it is possible to make an appropriate and visual judgment with a certain standard that does not depend on individual differences in judgment or ability. It is possible to automatically estimate and notify the patient's abnormalities.
例えば、図8~図12は、ある介護施設で生活している要介護高齢者の入院前の患者日誌である。図8が睡眠日誌、図9が呼吸日誌、図10が心拍日誌、図11が呼吸イベント日誌、図12が周期性体動日誌である。 For example, FIGS. 8 to 12 are patient diaries before hospitalization of an elderly person requiring nursing care living in a nursing care facility. 8 is a sleep diary, FIG. 9 is a respiratory diary, FIG. 10 is a heartbeat diary, FIG. 11 is a respiratory event diary, and FIG. 12 is a periodic body movement diary.
全ての患者日誌は、1行が24時間であり、グラフ中央が午前0時を示している。1/2(土)の午前5時30分頃から入院しており、それ以前に体調不良であることがグラフから読み取ることができる。すなわち、12/21~12/23頃から体調の変化が読みとれる。 All patient diaries show 24 hours per line and midnight in the center of the graph. It can be seen from the graph that he had been in the hospital since around 5:30 am on Saturday, January 2nd, and that he had been in poor physical condition before that time. In other words, changes in physical condition can be read from around 12/21 to 12/23.
図8の睡眠日誌は、離床時(ほぼ白)、在床しているが覚醒時(グレー/本来は黄色)、在床して睡眠時(ほぼ黒/本来は青色)を示している。12/21~12/23頃を参照すると、在床時間は変わらないが、覚醒状態が減っていることが解る。通常、覚醒状態が減ることは良い変化である。 The sleep diary in FIG. 8 shows when out of bed (mostly white), in bed but awake (grey/essentially yellow), and in bed and asleep (almost black/essentially blue). Referring to the period from 12/21 to 12/23, it can be seen that the time spent in bed did not change, but the awakening state decreased. Less arousal is usually a good change.
図9の呼吸日誌は、呼吸数を8~30の範囲で色を使って表しているグラフである。例えば、呼吸数30以上を赤色(呼吸数が高いのを赤系の色)、呼吸数8以下を青色(呼吸数が低いのを青系の色)で表している。すなわち、8から30にかけて青色→水色→緑色→黄色→橙色→赤色と変化させている。当該グラフをグレースケールで表示しているのが図9である。 The respiratory diary of FIG. 9 is a graph that uses colors to represent the respiratory rate in the range of 8-30. For example, a respiration rate of 30 or more is represented in red (a high respiration rate is a red color), and a respiration rate of 8 or less is represented in blue (a low respiration rate is a blue color). That is, from 8 to 30, the color changes from blue→light blue→green→yellow→orange→red. FIG. 9 shows the graph in grayscale.
12/23(水)のグラフでは、18:00~04:00にかけて黄色や赤が増えており、呼吸数の異常が読み取れる。一方で、12/21(月)、22(火)には異常が読み取れない。 In the graph on 12/23 (Wednesday), yellow and red increased from 18:00 to 04:00, indicating an abnormal respiratory rate. On the other hand, no abnormalities were detected on December 21 (Mon) and 22 (Tue).
図10の心拍数日誌は、心拍数を40~120の範囲で色を使って表しているグラフである。例えば、呼吸数120以上を赤色(心拍数が高いのを赤系の色)、心拍数40以下を青色(心拍数数が低いのを青系の色)で表している。すなわち、40から120にかけて青色→水色→緑色→黄色→橙色→赤色と色の波長を変化(本事例では81段階に変化)させている。当該グラフをグレースケールで表示しているのが図10である。 The heart rate diary of FIG. 10 is a graph that uses colors to represent the heart rate in the range of 40-120. For example, a respiratory rate of 120 or higher is indicated by red (a high heart rate is indicated by a reddish color), and a heart rate of 40 or less is indicated by a blue color (a low heart rate is indicated by a blue color). That is, the color wavelength is changed from 40 to 120 in the order of blue→light blue→green→yellow→orange→red (changed in 81 steps in this example). FIG. 10 shows the graph in grayscale.
例えば、12/20迄はほぼ緑色であるが、12/21や、12/23の18:00~22:00にかけて、黄色、赤色等が僅かに現れており、心拍が少し乱れていることが解る。また、12/28の04:00以降は赤色が多く表されており、容体が悪化していることが解る。 For example, it is almost green until December 20th, but yellow, red, etc. appear slightly from 18:00 to 22:00 on December 21st and December 23rd, indicating that the heartbeat is slightly disturbed. Understand. Also, after 04:00 on December 28th, many red colors are shown, indicating that the condition has deteriorated.
図11の呼吸イベント日誌は、呼吸イベント指数を0~5の範囲で色を使って表しているグラフである。例えば、呼吸イベント指数5以上を赤色(呼吸イベント指数が高いのを赤系の色)、呼吸イベント指数0を青色(呼吸イベント指数が低いのを青系の色)で表している。すなわち、0から5にかけて青色→水色→緑色→黄色→橙色→赤色と変化させている。当該グラフをグレースケールで表示しているのが図11である。呼吸イベント指数の変化を見ていくと、あまり明確な変化は認められないが、12/22頃から僅かに減っているように見える。通常、呼吸イベント指数が減ることは良い変化である。 The respiratory event diary of FIG. 11 is a graph that uses colors to represent the respiratory event index on a scale of 0-5. For example, a respiratory event index of 5 or more is represented in red (a high respiratory event index is represented in red), and a respiratory event index of 0 is represented in blue (a low respiratory event index is represented in blue). That is, from 0 to 5, the color is changed from blue→light blue→green→yellow→orange→red. FIG. 11 shows the graph in grayscale. Looking at the change in the respiratory event index, no clear change is observed, but it seems to have decreased slightly from around 12/22. A decrease in the respiratory event index is usually a good change.
また、図12の周期性体動日誌は、周期性体動指数を0~10の範囲で色を使って表しているグラフである。例えば、周期性体動指数10以上を赤色(周期性体動指数が高いのを赤系の色)、周期性体動指数0を青色(周期性体動指数が低いのを青系の色)で表している。すなわち、0から10にかけて青色→水色→緑色→黄色→橙色→赤色と変化させている。当該グラフをグレースケールで表示しているのが図12である。 The periodic body movement diary in FIG. 12 is a graph that expresses the periodic body movement index in a range of 0 to 10 using colors. For example, a periodic body movement index of 10 or more is red (a high periodic body movement index is a red color), and a periodic body movement index of 0 is blue (a low periodic body movement index is a blue color). is represented by That is, from 0 to 10, the color is changed from blue→light blue→green→yellow→orange→red. FIG. 12 shows the graph in grayscale.
図12の周期性体動指数の変化を見ていくと、12/22頃から周期性体動が減っていることが解る。これにより、容体が変化(本来は周期性体動が減ることは良いことであるが、本事例では他の生体情報値の変化と合わせて悪化と推測できる)していることが解る。 Looking at the change in the periodic body movement index in FIG. 12, it can be seen that the periodic body movement decreased from around December 22nd. From this, it can be seen that the condition is changing (although it is originally a good thing that the periodic body movement is reduced, in this example, it can be inferred that it is worsening together with changes in other biometric information values).
この事例において、呼吸数および心拍数のみから異常を推測する方法では、早く気づけるとしても12/24の朝、確実に気づけるのは12/30の夜である。一方で、睡眠状態(図8は活動量から判定された睡眠なので、活動量でも良い)、呼吸イベント、周期性体動を加えることで、早ければ12/22、遅くとも12/24に異常に気づくことができる。このように、複数の生体情報に基づく値、指数を利用することにより、組み合わせて患者状態を推測することができる。また、推測された患者状態に基づいて報知を行うことにより、単純に1つのパラメータ(生体情報)で異常か正常かを判定したときと比較して、より適切に患者状態を推測することが可能となる。 In this example, the method of estimating an abnormality from only the respiratory rate and the heart rate can be noticed early on the morning of 12/24, and it will be noticed with certainty on the night of 12/30. On the other hand, by adding the sleep state (Fig. 8 is sleep determined from the amount of activity, so the amount of activity may be used), breathing events, and periodic body movements, an abnormality can be noticed as early as 12/22 or as late as 12/24. be able to. In this way, by using values and indices based on a plurality of biological information, it is possible to estimate the patient's condition by combining them. In addition, by notifying based on the estimated patient condition, it is possible to estimate the patient condition more appropriately than when simply determining whether it is abnormal or normal based on one parameter (biological information). becomes.
[5.2 発熱事例]
図13は、発熱事例について説明するための患者日誌の一例である。図13(a)は睡眠状態を示す睡眠日誌(本事例では活動量から判定された睡眠なので、活動量でも良い)、図13(b)は心拍数を示す心拍日誌、図13(c)は呼吸数を示す呼吸日誌である。
[5.2 Cases of heat generation]
FIG. 13 is an example of a patient diary for describing fever cases. FIG. 13(a) is a sleep diary showing a sleep state (in this example, sleep determined from the amount of activity, so the amount of activity may be used), FIG. 13(b) is a heartbeat diary showing the heart rate, and FIG. 13(c) is Respiratory diary showing respiratory rate.
心拍日誌及び呼吸日誌は、数値によって色が変化する状態となっている。例えば上限(例えば、心拍数は120以上、呼吸数は30以上)は赤色で表示され、下限(例えば、心拍数は40以下、呼吸数は8以下)は青色で表示されている。これが、例えば赤色から、橙色、黄色、緑色、水色、青色と変化することにより、利用者は数値の状態、変化を把握することが可能となる。図7においては、上記色調をグレースケールに変換して表示されている(従って、必ずしも色の濃淡と数値の大きさは対応していない)。 The heartbeat diary and respiratory diary are in a state where the color changes depending on the numerical value. For example, the upper limit (for example, heart rate of 120 or more and breathing rate of 30 or more) is displayed in red, and the lower limit (for example, heart rate of 40 or less and breathing rate of 8 or less) is displayed in blue. For example, by changing from red to orange, yellow, green, light blue, and blue, the user can grasp the state and change of the numerical values. In FIG. 7, the color tones are converted to gray scale and displayed (therefore, the shades of colors and the magnitudes of numerical values do not necessarily correspond).
これらのグラフから、例えば10/10に在床時間が増えていることが解り、呼吸数・心拍数が夜間から朝にかけて上昇している。また、10/12に心拍数は低下しているが、呼吸数は高いことが解る。 From these graphs, it can be seen that the time spent in bed increased, for example, on October 10, and the respiratory rate and heart rate increased from nighttime to morning. Also, it can be seen that the heart rate decreased on 10/12, but the respiration rate was high.
これらの状態の変化により、患者状態推測部700/750によって患者の状態が「発熱」と推測される。したがって、患者状態に異常があると判定され、アラートが出力される(報知される)こととなる。睡眠状態(睡眠日誌)を組み合わせることで、呼吸数、心拍数だけから異常を判定する場合と比較して、より確実に異常報知ができる効果が得られる。
Based on these changes in state, the patient's state is inferred to be "fever" by the
[5.3 肺炎事例]
図14は、肺炎事例について説明するための患者日誌の一例である。図14(a)は、睡眠状態を示す睡眠日誌、図14(b)は呼吸数を示す呼吸日誌、図14(c)は心拍数を示す心拍日誌である。図14における心拍日誌及び呼吸日誌は、各日別とも上段(幅広領域)に各生体情報に基づくグラフが、下段(幅狭領域)に睡眠状態に基づくグラフが表示されている。
[5.3 Cases of pneumonia]
FIG. 14 is an example of a patient diary for explaining a pneumonia case. FIG. 14(a) is a sleep diary showing sleep states, FIG. 14(b) is a breathing diary showing breathing rate, and FIG. 14(c) is a heartbeat diary showing heart rate. In the heartbeat diary and respiratory diary in FIG. 14, graphs based on each biological information are displayed in the upper part (wide area) and graphs based on the sleeping state are displayed in the lower part (narrow area) for each day.
まず、図14(a)の睡眠日誌を参照すると、11/27の起床時間は、通常は5時頃に対して、2時頃の起床となっており、いつもより早いことがわかる。また、図14(b)の呼吸日誌を参照すると、11/27の18時頃からいつもより緑色のグラフが増えてきており、呼吸数が多くなっていることが解る。また、図14(c)の心拍日誌を参照すると、11/27の0時頃から黄色が増えてきており、心拍数に変化が起きていることが解る。一方で、呼吸数および心拍数は異常値を全く示していない。 First, referring to the sleep diary in FIG. 14(a), it can be seen that the wake-up time on 11/27 was around 2:00, which is earlier than usual, compared to around 5:00. Also, referring to the respiratory diary in FIG. 14(b), the number of green graphs has increased from around 18:00 on 11/27, indicating that the respiratory rate has increased. In addition, referring to the heartbeat diary in FIG. 14(c), it can be seen that the yellow color has increased since around 0:00 on November 27th, indicating that the heart rate has changed. On the other hand, respiratory rate and heart rate do not show any outliers.
しかし、呼吸数および心拍数に、睡眠状態をあわせて参照することにより、11/28の朝には異常を報知することができる。実際には、この患者は、呼吸数、心拍数のみから異常を推測していたために、丸1日以上遅い11/29 10時頃の問診で異常が発見され、肺炎で入院した。 However, by referring to breathing rate and heart rate together with sleep state, an abnormality can be reported on the morning of 11/28. In fact, this patient was diagnosed with abnormalities only from his respiratory rate and heart rate, so abnormalities were discovered at an interview around 10:00 on November 29, more than a day later, and he was hospitalized with pneumonia.
例えば、呼吸数や心拍数を参照すると、11/27以外にも僅かな変化を示しているところがみられる。ここで、全ての箇所で異常を報知すると、誤報が多くなってしまう。本実施形態に示したように、各生体情報をパラメータとして、患者状態を推測することにより、適切な異常報知を行うことができるようになる。 For example, referring to the respiratory rate and heart rate, it can be seen that there are slight changes other than 11/27. Here, if an abnormality is notified at all locations, false alarms will increase. As shown in the present embodiment, by estimating the patient's condition using each biological information as a parameter, it is possible to perform appropriate abnormality notification.
[6.効果]
このように、上述した実施形態によれば、睡眠時間(就床時刻から起床時刻)や夜間(23:00~5:59などの一定の時間帯)に寝床で測定された呼吸数、心拍数、体動(活動量)を用いることにより、統一された条件で異常との関連が強い生体情報値を毎日取得することにより精度の高い異常報知を行うことができるようになる。
[6. effect]
Thus, according to the above-described embodiment, the breathing rate and heart rate measured in bed during sleeping hours (from bedtime to wake-up time) and nighttime (a fixed time period such as 23:00 to 5:59) By using body movement (amount of activity), it is possible to obtain a biological information value strongly related to abnormality under standardized conditions every day, thereby making it possible to perform highly accurate abnormality notification.
すなわち、異常との関連が強い呼吸数、心拍数、体動を統一された条件で毎日連続的に取得できることにより長期間のデータから正確に変化を捉えることが可能となり、個人差や測定エラーの影響を受けずに異常報知が可能となる。また、睡眠時間や夜間でも体動があるため、体動を分析項目に含めることで体動アーチファクトによる心拍数・呼吸数の変動や精度の低下を加味した異常報知が可能となる。 In other words, by being able to continuously acquire respiratory rate, heart rate, and body movement, which are strongly related to abnormalities, under standardized conditions, it is possible to accurately capture changes from long-term data, and reduce individual differences and measurement errors. It becomes possible to notify an anomaly without being affected. In addition, since there is body movement during sleeping hours and at night, by including body movement in the analysis items, it is possible to report abnormalities that take into account fluctuations in heart rate and breathing rate due to body movement artifacts and deterioration in accuracy.
[7.変形例]
以上、この発明の実施形態について図面を参照して詳述してきたが、具体的な構成はこの実施形態に限られるものではなく、この発明の要旨を逸脱しない範囲の設計等も特許請求の範囲に含まれる。
[7. Modification]
Although the embodiments of the present invention have been described in detail above with reference to the drawings, the specific configuration is not limited to these embodiments, and designs and the like within the scope of the scope of the claims can be applied without departing from the gist of the present invention. include.
また、本実施形態においては、検出装置3で出力された結果に基づき、処理装置5において生体情報を出力しているが、検出装置3で全て算出してもよい。また、端末装置(例えばスマートフォン、タブレット、コンピュータ)にアプリケーションをインストールして実現するだけでなく、例えばサーバ側で処理をして、処理結果を端末装置に返しても良い。
Further, in the present embodiment, the biometric information is output by the
例えば、検出装置3から、生体情報をサーバにアップロードすることで、サーバ側で上述した処理を実現してもよい。この検出装置3は、例えば加速度センサ、振動センサを内蔵したスマートフォンのような装置で実現してもよい。
For example, by uploading biometric information from the detecting
また、実施形態において各装置で動作するプログラムは、上述した実施形態の機能を実現するように、CPU等を制御するプログラム(コンピュータを機能させるプログラム)である。そして、これら装置で取り扱われる情報は、その処理時に一時的に一時記憶装置(例えば、RAM)に蓄積され、その後、各種ROMやHDD、SSDの記憶装置に格納され、必要に応じてCPUによって読み出し、修正・書き込みが行なわれる。 In addition, the program that operates in each device in the embodiment is a program that controls the CPU and the like (a program that causes the computer to function) so as to implement the functions of the above-described embodiments. The information handled by these devices is temporarily stored in a temporary storage device (for example, RAM) during processing, then stored in various ROM, HDD, and SSD storage devices, and read out by the CPU as necessary. , correction and writing are performed.
また、市場に流通させる場合には、可搬型の記録媒体にプログラムを格納して流通させたり、インターネット等のネットワークを介して接続されたサーバコンピュータに転送したりすることができる。この場合、サーバコンピュータの記憶装置も本発明に含まれるのは勿論である。 When distributed to the market, the program can be stored in a portable recording medium for distribution, or transferred to a server computer connected via a network such as the Internet. In this case, of course, the storage device of the server computer is also included in the present invention.
1 異常報知システム
3 検出装置
5 処理装置
100 制御部
200 生体信号取得部
300 生体情報値算出部
350 睡眠状態判定部
400 入力部
450 出力部
500 記憶部
510 生体情報データ
520 睡眠状態データ
600 患者状態取得部
650 患者日誌出力部
700、705、750 患者状態推測部
710 特徴抽出部
720 識別部
730 識別辞書
740 患者状態出力部
800 アラート出力部
10 ベッド
20 マットレス
1
Claims (5)
前記取得された生体信号から生体情報値を算出する生体情報値算出手段と、
前記生体情報値に基づいて前記対象者の状態を推測する推測手段と、
前記推測手段により前記対象者の状態が異常と推測された場合に報知を行う報知手段と、
を備え、
前記推測手段は、
前記生体情報値に基づいて、毎日定時のみで前記対象者の状態を推測し、
前記取得された生体信号から前記対象者の在床もしくは離床、呼吸イベント、または周期性体動が算出されたとき、夜間の一定の時間帯における在床時間、離床時間、呼吸イベント指数、または周期性体動指数を用いて、前記対象者の状態が異常であるか否かを判定することを特徴とする異常報知装置。 a biosignal acquisition means for continuously acquiring biosignals in a subject's bed;
biometric information value calculation means for calculating a biometric information value from the acquired biosignal;
estimating means for estimating the state of the subject based on the biometric information value;
a notification means for notifying when the subject's condition is estimated to be abnormal by the estimation means;
with
The inferring means is
estimating the state of the subject only at a fixed time every day based on the biometric information value;
Time in bed, time in bed, time in bed, respiratory event index, or cycle in a certain time zone at night when the subject's in-bed or out-of-bed, respiratory event, or periodic body movement is calculated from the acquired biological signals An anomaly notification device that determines whether or not the subject's condition is abnormal by using a sex and body movement index.
前記生体情報値が複数の異常判定条件に合致するかを判定し、
前記異常判定条件に合致した個数が閾値を超えたとき、前記対象者の状態が異常であると判定し、
前記異常判定条件に合致した個数が閾値を超えないとき、前記対象者の状態は正常と判定する
ことを特徴とする請求項1又は請求項2に記載の異常報知装置。 The inferring means is
Determining whether the biometric information value matches a plurality of abnormality determination conditions,
Determining that the subject's condition is abnormal when the number that matches the abnormality determination condition exceeds a threshold,
3. The abnormality notification device according to claim 1, wherein the condition of the subject is determined to be normal when the number of objects matching the abnormality determination condition does not exceed a threshold.
対象者の寝床における生体信号を連続的に取得する生体信号取得機能と、
前記取得された生体信号から生体情報を算出する生体情報算出機能と、
前記生体情報に基づいて前記対象者の状態を推測する推測機能と、
前記推測機能により前記対象者の状態が異常であると判定された場合に報知を行う報知機能と、
を実現させ、
前記推測機能は、
前記生体情報に基づいて、毎日定時のみで前記対象者の状態を推測し、
前記取得された生体信号から前記対象者の在床もしくは離床、呼吸イベント、または周期性体動が算出されたとき、夜間の一定の時間帯における在床時間、離床時間、呼吸イベント指数、または周期性体動指数を用いて、前記対象者の状態が異常であるか否かを判定することを特徴とするプログラム。 to the computer,
a biosignal acquisition function for continuously acquiring biosignals in the subject's bed;
a biological information calculation function for calculating biological information from the acquired biological signal;
an inference function that infers the state of the subject based on the biometric information;
a notification function that notifies when the subject's condition is determined to be abnormal by the inference function;
to realize
The guessing function is
estimating the state of the subject only at a fixed time every day based on the biological information;
Time in bed, time in bed, time in bed, respiratory event index, or cycle in a certain time zone at night when the subject's in-bed or out-of-bed, respiratory event, or periodic body movement is calculated from the acquired biological signals A program for determining whether or not the subject's condition is abnormal using a sex and body movement index.
前記異常報知装置が、前記対象者の寝床における生体信号を連続的に取得する生体信号取得ステップと、
前記異常報知装置が、前記取得された生体信号から生体情報を算出する生体情報算出ステップと、
前記生体情報に基づいて前記対象者の状態を前記異常報知装置が推測する推測ステップと、
前記推測ステップにより前記対象者の状態が異常であると判定された場合に前記異常報知装置が報知を行う報知ステップと、
を含み、
前記推測ステップは、
前記生体情報に基づいて、毎日定時のみで前記対象者の状態を推測し、
前記取得された生体信号から前記対象者の在床もしくは離床、呼吸イベント、または周期性体動が算出されたとき、夜間の一定の時間帯における在床時間、離床時間、呼吸イベント指数、または周期性体動指数を用いて、前記対象者の状態が異常であるか否かを判定することを特徴とする異常報知方法。 An abnormality notification method in an abnormality notification device that can notify when it is determined that the subject's condition is abnormal,
a biosignal acquisition step in which the anomaly notification device continuously acquires biosignals in the subject's bed;
a biological information calculation step in which the abnormality notification device calculates biological information from the acquired biological signal;
an estimation step in which the anomaly notification device estimates the state of the subject based on the biological information;
a notification step in which the abnormality notification device notifies when the state of the subject is determined to be abnormal in the estimation step;
including
The guessing step includes:
estimating the state of the subject only at a fixed time every day based on the biological information;
Time in bed, time in bed, time in bed, respiratory event index, or cycle in a certain time zone at night when the subject's in-bed or out-of-bed, respiratory event, or periodic body movement is calculated from the acquired biological signals An anomaly notification method, comprising: determining whether or not the subject's condition is abnormal using a sexual body movement index.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022041650A JP7261913B2 (en) | 2017-11-30 | 2022-03-16 | Abnormality notification device, program, and abnormality notification method |
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017231222A JP6869167B2 (en) | 2017-11-30 | 2017-11-30 | Abnormality notification device, program and abnormality notification method |
JP2021067711A JP7043655B2 (en) | 2017-11-30 | 2021-04-13 | Abnormality notification device, program and abnormality notification method |
JP2022041650A JP7261913B2 (en) | 2017-11-30 | 2022-03-16 | Abnormality notification device, program, and abnormality notification method |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021067711A Division JP7043655B2 (en) | 2017-11-30 | 2021-04-13 | Abnormality notification device, program and abnormality notification method |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2022095665A JP2022095665A (en) | 2022-06-28 |
JP7261913B2 true JP7261913B2 (en) | 2023-04-20 |
Family
ID=87888790
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022041650A Active JP7261913B2 (en) | 2017-11-30 | 2022-03-16 | Abnormality notification device, program, and abnormality notification method |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7261913B2 (en) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002336207A (en) | 2001-05-14 | 2002-11-26 | Matsushita Electric Ind Co Ltd | Abnormality monitor device for patient in bed |
WO2016121816A1 (en) | 2015-01-29 | 2016-08-04 | パラマウントベッド株式会社 | Biological information outputting device, biological information outputting method, and program |
US20170265765A1 (en) | 2016-03-16 | 2017-09-21 | Eric Baumann | Electrocardiogram Device and Methods |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09238908A (en) * | 1996-03-06 | 1997-09-16 | Seiko Epson Corp | Relaxedness-measuring apparatus |
JP6105703B1 (en) * | 2015-09-29 | 2017-03-29 | ミネベアミツミ株式会社 | Biological information monitoring system |
-
2022
- 2022-03-16 JP JP2022041650A patent/JP7261913B2/en active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002336207A (en) | 2001-05-14 | 2002-11-26 | Matsushita Electric Ind Co Ltd | Abnormality monitor device for patient in bed |
WO2016121816A1 (en) | 2015-01-29 | 2016-08-04 | パラマウントベッド株式会社 | Biological information outputting device, biological information outputting method, and program |
US20170265765A1 (en) | 2016-03-16 | 2017-09-21 | Eric Baumann | Electrocardiogram Device and Methods |
Also Published As
Publication number | Publication date |
---|---|
JP2022095665A (en) | 2022-06-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7043655B2 (en) | Abnormality notification device, program and abnormality notification method | |
US20240099607A1 (en) | System, sensor and method for monitoring health related aspects of a patient | |
JP6697985B2 (en) | Biometric information output device | |
JP6878260B2 (en) | Abnormality judgment device, program | |
JP6932630B2 (en) | Sleep state determination device and program | |
JP6932668B2 (en) | Evaluation device and program | |
JP7106729B2 (en) | Abnormality judgment device and program used for it | |
JP6139615B2 (en) | Anomaly reporting system, anomaly reporting method and program | |
JP7034687B2 (en) | Abnormality notification device and program | |
WO2013054712A1 (en) | Sleep assessment system and sleep assessment apparatus | |
US20220061753A1 (en) | System and method for sleep apnea detection, computer device and storage medium | |
Eldib et al. | Sleep analysis for elderly care using a low-resolution visual sensor network | |
JP7261913B2 (en) | Abnormality notification device, program, and abnormality notification method | |
JP7198165B2 (en) | Sleep evaluation device and determination device | |
JP7083052B2 (en) | Abnormality notification system and smartphone | |
JP7419904B2 (en) | Biological monitoring device, biological monitoring method and program | |
US20240188883A1 (en) | Hypnodensity-based sleep apnea monitoring system and method of operation thereof | |
JP2023111448A (en) | Determination device and program | |
WO2022053863A1 (en) | Intelligent weight system | |
KR20240100303A (en) | A method and system for detecting sleep analysis section |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220316 |
|
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: 20230328 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230410 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7261913 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |