JP7320222B2 - Bathroom monitoring device and bathroom monitoring method - Google Patents

Bathroom monitoring device and bathroom monitoring method Download PDF

Info

Publication number
JP7320222B2
JP7320222B2 JP2018220492A JP2018220492A JP7320222B2 JP 7320222 B2 JP7320222 B2 JP 7320222B2 JP 2018220492 A JP2018220492 A JP 2018220492A JP 2018220492 A JP2018220492 A JP 2018220492A JP 7320222 B2 JP7320222 B2 JP 7320222B2
Authority
JP
Japan
Prior art keywords
bathroom
bather
classification model
unit
class
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
JP2018220492A
Other languages
Japanese (ja)
Other versions
JP2020086935A (en
Inventor
昭博 梶原
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
THE UNIVERSITY OF KITAKYUSHU
Original Assignee
THE UNIVERSITY OF KITAKYUSHU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by THE UNIVERSITY OF KITAKYUSHU filed Critical THE UNIVERSITY OF KITAKYUSHU
Priority to JP2018220492A priority Critical patent/JP7320222B2/en
Publication of JP2020086935A publication Critical patent/JP2020086935A/en
Application granted granted Critical
Publication of JP7320222B2 publication Critical patent/JP7320222B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Emergency Alarm Devices (AREA)
  • Alarm Systems (AREA)
  • Radar Systems Or Details Thereof (AREA)

Description

特許法第30条第2項適用 発行日 平成30年3月6日 刊行物 2018年電子情報通信学会総合大会、講演論文集1、第477頁「UWB電波センサを用いたSVMによる浴室内監視システムの提案」 〔刊行物等〕 開催日 平成30年3月21日 集会名 2018年電子情報通信学会総合大会 開催場所 東京電機大学(東京都足立区千住旭町5番)2号館 7F 2704教室Application of Article 30, Paragraph 2 of the Patent Act Publication date: March 6, 2018 Publication: 2018 Institute of Electronics, Information and Communication Engineers General Conference, Lecture Proceedings 1, p. Date March 21, 2018 Meeting name General Conference of the Institute of Electronics, Information and Communication Engineers 2018 Venue Tokyo Denki University (5, Senju-Asahi-cho, Adachi-ku, Tokyo) Room 7F, Room 2704

本開示は、浴室監視装置及び浴室監視方法に関する。 The present disclosure relates to a bathroom monitoring device and a bathroom monitoring method.

室内において、室温の高い部屋と室温の低い部屋との間を移動すると、急激な温度変化により血圧が急変することがある。特に冬場においては、浴室と脱衣室との間、トイレと廊下との間などにおいて、大きな寒暖差が存在するので、「ヒートショック」と呼ばれるショック症状(例えば、心筋梗塞、脳梗塞、脳卒中、不整脈など)が、とりわけ体力の低下した高齢者に生ずる懸念が高まる。 In a room, moving between a room with a high room temperature and a room with a low room temperature may cause a sudden change in blood pressure due to a sudden change in temperature. Especially in winter, there is a large temperature difference between the bathroom and the dressing room, between the toilet and the corridor, etc. etc.) are of increasing concern, especially among elderly people with reduced physical strength.

浴室、トイレなどのヒートショックが起こりやすい場所には、一人で出入りすることが多いので、ショック症状が生じた人が床に倒れ込んでしまったような場合には、その発見が遅くなってしまう。しかしながら、プライバシーの関係上、浴室、トイレなどにカメラを設置して入室者を撮像することは好ましくない。そのため、カメラではなく電波センサを用いて浴室等における人の様子を検知して、異常が生じた場合に家族等に報知するための種々の技術が提案されている。 People often go in and out of places where heat shock is likely to occur, such as bathrooms and toilets, by themselves. However, from the viewpoint of privacy, it is not preferable to install a camera in a bathroom, a toilet, or the like to capture an image of a person entering the room. For this reason, various techniques have been proposed for detecting people's behavior in a bathroom or the like using a radio wave sensor instead of a camera, and notifying family members or the like when an abnormality occurs.

例えば、特許文献1は、ドップラーセンサからの電波と、人体及び室内からの反射電波との周波数の差分に基づいて、在室者の動きを検知する検知システムを開示している。 For example, Patent Literature 1 discloses a detection system that detects the movement of a person in a room based on the frequency difference between radio waves from a Doppler sensor and reflected radio waves from a human body and a room.

特開2005-004256号公報JP 2005-004256 A

しかしながら、特に浴室では、シャワー及び水栓からの水流、浴槽の湯面、湯気などの変動の影響により、ドップラーセンサが人体以外の動きも検知してしまう。そのため、人体の動きのみを正確に検知することが困難であった。また、室内では電波が何度も反射して、マルチパスが生じ、電波信号同士が干渉してしまうことがある。そのため、実際には人体が動いているにもかかわらず、人体からの反射電波が他の電波と干渉して弱められてしまう場合や、人体が動いていないにもかかわらず、人体からの反射電波が他の電波と干渉して強められてしまう場合がある。そのため、人体の動きの検知漏れや誤検知が発生してしまうことがあった。 However, especially in bathrooms, the Doppler sensor detects movements of objects other than the human body due to the influence of fluctuations in water flow from showers and faucets, the surface of water in bathtubs, steam, and the like. Therefore, it has been difficult to accurately detect only the movement of the human body. In addition, radio waves may be reflected many times indoors, causing multipaths and causing interference between radio signals. Therefore, even though the human body is actually moving, the reflected radio waves from the human body may interfere with other radio waves and be attenuated. may interfere with other radio waves and be strengthened. As a result, detection omissions and erroneous detections of human movements may occur.

そこで、本開示は、外乱の大きい環境下においても、入浴者の状態を正確に検知することが可能な浴室監視装置及び浴室監視方法を説明する。 Therefore, the present disclosure describes a bathroom monitoring device and a bathroom monitoring method that can accurately detect the state of a bather even in an environment with large disturbances.

本開示の一つの観点に係る浴室監視装置は、広帯域の無線電波を浴室内に向けて発信可能に構成された発信部と、発信部から発信された無線電波の反射波を受信可能に構成された受信部と、受信部が受信した反射波に基づいて、浴室内の複数のエリアのそれぞれにおける信号強度を算出するように構成された信号強度算出部と、複数のエリアの信号強度から求められる平均及び分散が対応付けられた基準データを複数用いた機械学習により、基準データが複数のクラスのうちのいずれか一つに分類された分類モデルを記憶するように構成された記憶部と、受信部が解析対象の反射波を受信したときに、信号強度算出部によって算出される複数のエリアの信号強度から平均及び分散を求め、当該平均及び当該分散が対応付けられた解析データを生成するように構成された解析データ生成部と、解析データが複数のクラスのいずれに属するのかを判定するように構成されたクラス判定部とを備える。 A bathroom monitoring device according to one aspect of the present disclosure includes a transmitter configured to transmit broadband radio waves into a bathroom, and a reflected wave of the radio waves transmitted from the transmitter configured to be able to receive. a signal strength calculator configured to calculate the signal strength in each of a plurality of areas in the bathroom based on the reflected waves received by the receiver; and a signal strength calculated from the signal strengths of the plurality of areas. a storage unit configured to store a classification model in which the reference data is classified into one of a plurality of classes by machine learning using a plurality of reference data with associated mean and variance; When the unit receives the reflected wave to be analyzed, the signal strength calculation unit calculates the average and the variance from the signal strengths of the multiple areas, and generates analysis data in which the average and the variance are associated. and a class determination unit configured to determine to which of a plurality of classes the analysis data belongs.

本開示の他の観点に係る浴室監視方法は、広帯域の無線電波を浴室内に向けて発信する第1の工程と、無線電波の反射波に基づいて、浴室内の複数のエリアのそれぞれにおける信号強度を算出する第2の工程と、複数のエリアの信号強度から求められる平均及び分散が対応付けられた基準データを複数用いて機械学習を行い、基準データが複数のクラスのうちのいずれか一つに分類された分類モデルを作成する第3の工程と、解析対象の反射波に基づいて複数のエリアの信号強度から平均及び分散を求め、当該平均及び当該分散が対応付けられた解析データを生成する第4の工程と、解析データが複数のクラスのいずれに属するのかを判定する第5の工程とを含む。 A bathroom monitoring method according to another aspect of the present disclosure includes a first step of transmitting broadband radio waves into a bathroom; Machine learning is performed using a second step of calculating the intensity and a plurality of reference data associated with the average and variance obtained from the signal intensities of a plurality of areas, and the reference data is any one of a plurality of classes. A third step of creating a classification model classified into one, obtaining the average and variance from the signal intensity of a plurality of areas based on the reflected wave to be analyzed, and obtaining the analysis data in which the average and the variance are associated a fourth step of generating; and a fifth step of determining to which of the plurality of classes the analysis data belongs.

本開示に係る浴室監視装置及び浴室監視方法によれば、外乱の大きい環境下においても、入浴者の状態を正確に検知することが可能となる。 According to the bathroom monitoring device and the bathroom monitoring method according to the present disclosure, it is possible to accurately detect the state of the bather even in a highly disturbed environment.

図1は、浴室監視システム及び浴室の周辺を上方から見た概略図である。FIG. 1 is a schematic view of the bathroom monitoring system and the surroundings of the bathroom from above. 図2は、浴室監視装置を概略的に示すブロック図である。FIG. 2 is a schematic block diagram of the bathroom monitoring device. 図3は、主として制御部を概略的に示すブロック図である。FIG. 3 is a schematic block diagram mainly showing the control unit. 図4は、分類モデルの例を示す図である。FIG. 4 is a diagram showing an example of a classification model. 図5(a)は浴室を側方から見た概略図であり、図5(b)は入浴者が浴室に存在していない場合の、距離と信号強度との関係を示すグラフであり、図5(c)は入浴者が浴室に存在している場合の、距離と信号強度との関係を示すグラフである。FIG. 5(a) is a schematic view of the bathroom viewed from the side, and FIG. 5(b) is a graph showing the relationship between distance and signal strength when no bather is present in the bathroom. 5(c) is a graph of distance versus signal strength when a bather is present in the bathroom. 図6は、報知装置を概略的に示すブロック図である。FIG. 6 is a block diagram schematically showing the notification device. 図7は、浴室の監視手順を説明するためのフローチャートである。FIG. 7 is a flow chart for explaining the bathroom monitoring procedure. 図8は、湿度に対する受信信号強度の変化の一例を示すグラフである。FIG. 8 is a graph showing an example of changes in received signal strength with respect to humidity. 図9は、他の例に係る浴室監視システム及び浴室の周辺を上方から見た概略図である。FIG. 9 is a schematic view of the bathroom monitoring system and the surroundings of the bathroom according to another example, viewed from above. 図10(a)は浴室を上方から見た概略図であり、図10(b)は入浴者が浴室に存在していない場合の、距離と信号強度との関係を示すグラフであり、図10(c)は入浴者がドア付近に存在している場合の、距離と信号強度との関係を示すグラフである。FIG. 10(a) is a schematic view of the bathroom viewed from above, and FIG. 10(b) is a graph showing the relationship between distance and signal strength when no bather is present in the bathroom. (c) is a graph showing the relationship between distance and signal strength when a bather is present near the door. 図11(a)は浴室を上方から見た概略図であり、図11(b)は入浴者が浴槽に存在している場合の、距離と信号強度との関係を示すグラフである。FIG. 11(a) is a schematic diagram of the bathroom viewed from above, and FIG. 11(b) is a graph showing the relationship between distance and signal strength when a bather is present in the bathtub.

以下に、本開示に係る実施形態の一例について、図面を参照しつつより詳細に説明する。以下の説明において、同一要素又は同一機能を有する要素には同一符号を用いることとし、重複する説明は省略する。 An example of an embodiment according to the present disclosure will be described below in more detail with reference to the drawings. In the following description, the same reference numerals will be used for the same elements or elements having the same functions, and redundant description will be omitted.

[浴室監視システムの構成]
浴室監視システム1の構成について、図1を参照して説明する。浴室監視システム1は、入浴者Hのエリア及び状態を検知して、浴室から離れた場所に検知結果を知らせるように構成されている。浴室監視システム1は、浴室監視装置10と、報知装置20とを備える。
[Configuration of bathroom monitoring system]
A configuration of the bathroom monitoring system 1 will be described with reference to FIG. The bathroom monitoring system 1 is configured to detect the area and state of the bather H and notify the detection result to a place away from the bathroom. A bathroom monitoring system 1 includes a bathroom monitoring device 10 and a notification device 20 .

ここで、浴室30の構成を説明する。浴室30は、洗い場31と、ドア32と、シャワー33と、浴槽34とを含む。洗い場31は、例えば矩形状を呈している。ドア32は、洗い場31と脱衣所(図示せず)との間を出入り可能に仕切っている。図1に例示される形態では、ドア32は、洗い場31の長手方向の一端(図1の左端)に設けられている。シャワー33は、洗い場31の壁面に設けられている。図1に例示される形態では、シャワー33は、洗い場31の長手方向の他端(図1の右端)に設けられている。浴槽34は、例えば矩形状を呈しており、洗い場31と隣接して位置している。 Here, the configuration of the bathroom 30 will be described. The bathroom 30 includes a washing area 31, a door 32, a shower 33 and a bathtub . The washing area 31 has, for example, a rectangular shape. The door 32 partitions between the washing place 31 and the dressing room (not shown) so that it can be entered and exited. In the form illustrated in FIG. 1, the door 32 is provided at one longitudinal end (the left end in FIG. 1) of the wash area 31. As shown in FIG. A shower 33 is provided on the wall surface of the washing place 31 . In the form illustrated in FIG. 1, the shower 33 is provided at the other longitudinal end of the washing area 31 (the right end in FIG. 1). The bathtub 34 has, for example, a rectangular shape and is positioned adjacent to the washing area 31 .

浴室監視装置10は、浴室30内の入浴者Hのエリア及び様子を検知する機能を有する。浴室監視装置10は、浴槽34の長手方向に沿って延びる浴室30の壁面に取り付けられており、ドア32とは対面していない。浴室監視装置10は、図2に示されるように、発信機11(発信部)と、受信機12(受信部)と、通信機13と、制御部14(コントローラ)と、バス15とを含む。 The bathroom monitoring device 10 has a function of detecting the area and state of the bather H in the bathroom 30 . The bathroom monitoring device 10 is attached to the wall surface of the bathroom 30 extending along the longitudinal direction of the bathtub 34 and does not face the door 32 . The bathroom monitoring device 10 includes a transmitter 11 (transmitting unit), a receiver 12 (receiving unit), a communication device 13, a control unit 14 (controller), and a bus 15, as shown in FIG. .

発信機11は、制御部14からの指示に基づいて、浴室30内に向けて広帯域又は超広帯域(UWB:Ultra Wide Band)の無線電波を発信するように構成されている。発信機11の水平面における指向角は、例えば、40°~80°程度であってもよいし、60°~80°程度であってもよい。発信機11は、指向角の範囲におおよそ対応した検知エリアRを有している。なお、浴槽34の湯面の変動による影響を抑制する目的で、発信機11の垂直面における指向角は、例えば30°以下に設定されていてもよい。 The transmitter 11 is configured to transmit broadband or ultra wideband (UWB) radio waves into the bathroom 30 based on instructions from the control unit 14 . The directivity angle of the transmitter 11 in the horizontal plane may be, for example, approximately 40° to 80°, or may be approximately 60° to 80°. The transmitter 11 has a detection area R that roughly corresponds to the range of directivity angles. For the purpose of suppressing the influence of fluctuations in the water surface of the bathtub 34, the directivity angle of the transmitter 11 in the vertical plane may be set to, for example, 30° or less.

本明細書において「広帯域」とは、周波数帯域幅が100MHz以上で且つ500MHz以下の場合をいうものとする。そのため、発信機11が発信する広帯域の無線電波の周波数帯域幅は、例えば、100MHz以上であってもよいし、300MHz以上であってもよい。「超広帯域」とは、周波数帯域幅が500MHzを超える場合をいうものとする。そのため、発信機11が発信する超広帯域の無線電波の周波数帯域幅は、例えば、3GHz以上であってもよいが、電波法及びコストパフォーマンスに鑑みて5GHz以下であってもよい。そのため、発信機11は、周波数帯域幅が500MHz超の超広帯域無線センサであってもよい。広帯域又は超広帯域の無線電波を用いる場合、無線電波の発信出力を小さくすることができ、入浴者Hに対する無線電波の影響を小さくすることができる。 As used herein, the term "broadband" refers to a frequency bandwidth of 100 MHz or more and 500 MHz or less. Therefore, the frequency bandwidth of the wideband radio waves emitted by the transmitter 11 may be, for example, 100 MHz or more, or may be 300 MHz or more. "Ultra-wideband" shall mean a frequency bandwidth greater than 500 MHz. Therefore, the frequency bandwidth of the ultra-wideband radio waves emitted by the transmitter 11 may be, for example, 3 GHz or more, but may be 5 GHz or less in view of the Radio Law and cost performance. As such, transmitter 11 may be an ultra-wideband wireless sensor with a frequency bandwidth greater than 500 MHz. When broadband or ultra-wideband radio waves are used, the transmission output of the radio waves can be reduced, and the influence of the radio waves on the bather H can be reduced.

受信機12は、発信機11から発信された無線電波の反射波を受信可能に構成されている。発信機11において広帯域の無線電波を用いているので、受信機12は、無線電波の反射波を反射パス長に対応した時間軸上で分離して受信することができる。すなわち、受信機12は、図1に例示されるように、検知エリアRの距離方向において複数に区切られた測定エリア(レンジビンともいい、周波数帯域幅で決まる)B1~B8ごとに、信号を抽出することが可能である。各レンジビンB1~B8の幅は、例えば15cm~30cm程度であってもよい。なお、周波数帯域幅が750MHzの場合には、一つのレンジビンの幅は約20cm程度となる。本実施形態ではレンジビンの数が8個であったが、レンジビンの幅及び検知エリアRの大きさに応じてレンジビンの数を変更可能である。 The receiver 12 is configured to be able to receive reflected waves of radio waves transmitted from the transmitter 11 . Since the transmitter 11 uses broadband radio waves, the receiver 12 can separate and receive the reflected waves of the radio waves on the time axis corresponding to the reflected path length. That is, as illustrated in FIG. 1, the receiver 12 extracts signals from each of measurement areas (also called range bins, determined by frequency bandwidth) B1 to B8 divided into a plurality of areas in the distance direction of the detection area R. It is possible to The width of each range bin B1 to B8 may be, for example, about 15 cm to 30 cm. When the frequency bandwidth is 750 MHz, the width of one range bin is approximately 20 cm. Although the number of range bins is eight in this embodiment, the number of range bins can be changed according to the width of the range bins and the size of the detection area R. FIG.

図1に示される例では、レンジビンB1~B4がおおよそ浴槽34をカバーしており、レンジビンB5~B8がおおよそ洗い場31をカバーしている。そこで、本明細書では、検知エリアRのうち浴槽34をカバーしているレンジビンB1~B4の範囲を浴槽エリアRαということとし、検知エリアRのうち洗い場31をカバーしているレンジビンB5~B8の範囲を洗い場エリアRβということとする。 In the example shown in FIG. 1, the range bins B1 to B4 approximately cover the bathtub 34, and the range bins B5 to B8 approximately cover the washing area 31. In the example shown in FIG. Therefore, in this specification, the range of range bins B1 to B4 that covers the bathtub 34 in the detection area R is referred to as a bathtub area Rα, and the range bins B5 to B8 that cover the washing place 31 in the detection area R are referred to as a bathtub area Rα. The range is called a wash area Rβ.

図2に戻って、通信機13は、報知装置20の通信機23と通信可能に構成されている。通信機13の通信機23との通信方式は特に限定されず、例えば、LTE(Long Term Evolution)、LTE-A(LTE-Advanced)、SUPER3G、IMT-Advanced、4G、5G、FRA(Future Radio Access)、W-CDMA(登録商標)、GSM(登録商標)、CDMA2000、UMB(Ultra Mobile Broadband)、IEEE 802.11(Wi-Fi)、IEEE 802.16(WiMAX)、IEEE 802.20、UWB、Bluetooth(登録商標)、その他の通信方式が用いられてもよい。 Returning to FIG. 2, the communication device 13 is configured to be able to communicate with the communication device 23 of the notification device 20 . The communication method of the communication device 13 with the communication device 23 is not particularly limited. ), W-CDMA (registered trademark), GSM (registered trademark), CDMA2000, UMB (Ultra Mobile Broadband), IEEE 802.11 (Wi-Fi), IEEE 802.16 (WiMAX), IEEE 802.20, UWB, Bluetooth (registered trademark) or other communication methods may be used.

制御部14は、バス15を介して、発信機11、受信機12及び通信機13との間で信号の送受信を行い、これらの動作を制御するように構成されている。制御部14は、例えば、プロセッサ16と、メモリ17と、ストレージ18とを含む。 The control unit 14 is configured to transmit and receive signals to and from the transmitter 11, the receiver 12, and the communication device 13 via the bus 15 and control their operations. Control unit 14 includes, for example, processor 16 , memory 17 , and storage 18 .

メモリ17、ストレージ18等のハードウェアに所定のソフトウェア(プログラム)が読み込まれると、プロセッサ16は、所定の演算を行い、発信機11からの無線電波の発信、受信機12が受信した反射波の解析、通信機13による通信、メモリ17及びストレージ18におけるデータの読み出し又は書き込みを実行する。これにより、浴室監視装置10における各機能が実現される。 When predetermined software (program) is read into the hardware such as the memory 17 and the storage 18, the processor 16 performs predetermined calculations, transmits radio waves from the transmitter 11, and detects reflected waves received by the receiver 12. Analysis, communication by the communication device 13, reading or writing of data in the memory 17 and the storage 18 are executed. Thereby, each function in the bathroom monitoring device 10 is realized.

浴室監視装置10における各機能について、図3を参照して説明する。制御部14は、機能ブロックとして、記憶部14aと、送受信処理部14bと、信号強度算出部14cと、データ生成部14d(解析データ生成部)と、分類モデル生成部14eと、クラス判定部14fとを含む。 Each function of the bathroom monitoring device 10 will be described with reference to FIG. The control unit 14 includes, as functional blocks, a storage unit 14a, a transmission/reception processing unit 14b, a signal strength calculation unit 14c, a data generation unit 14d (analysis data generation unit), a classification model generation unit 14e, and a class determination unit 14f. including.

記憶部14aは、種々のデータを記憶する機能を有する。記憶部14aが記憶するデータとしては、例えば、読み出したプログラム、発信機11の動作設定データ、受信機12が受信した反射波のデータ、データ生成部14dが生成した基準データ又は解析データ、分類モデル生成部14eが生成した各種分類モデル、クラス判定部14fによる判定結果に関するデータ等が挙げられる。 The storage unit 14a has a function of storing various data. The data stored in the storage unit 14a includes, for example, read programs, operation setting data of the transmitter 11, reflected wave data received by the receiver 12, reference data or analysis data generated by the data generation unit 14d, and classification models. Various classification models generated by the generation unit 14e, data on determination results by the class determination unit 14f, and the like are included.

送受信処理部14bは、発信機11、受信機12及び通信機13の間で信号を送受信する機能を有する。具体的には、送受信処理部14bは、発信機11に指示信号を送信して、発信機11から無線電波を発信させる。送受信処理部14bは、受信機12から反射波のデータを受信し、当該データを記憶部14aに記憶させる。送受信処理部14bは、通信機13に指示信号を送信して、クラス判定部14fによる判定結果を報知装置20に送信させる。 The transmission/reception processing unit 14 b has a function of transmitting and receiving signals among the transmitter 11 , receiver 12 and communication device 13 . Specifically, the transmission/reception processing unit 14b transmits an instruction signal to the transmitter 11 to cause the transmitter 11 to transmit radio waves. The transmission/reception processing unit 14b receives reflected wave data from the receiver 12 and stores the data in the storage unit 14a. The transmission/reception processing unit 14b transmits an instruction signal to the communication device 13 to cause the notification device 20 to transmit the determination result of the class determination unit 14f.

信号強度算出部14cは、送受信処理部14bが受信した反射波のデータに基づいて、各レンジビンB1~B8のそれぞれにおける信号強度を算出する機能を有する。信号強度算出部14cは、各レンジビンB1~B8のそれぞれにおいて、時間軸で平滑化処理された信号強度を算出してもよい。平滑化処理としては、例えば、単純移動平均、重み付き移動平均などの種々の処理方法を採用してもよい。信号強度算出部14cによって算出された信号強度は、記憶部14aに記憶されてもよい。 The signal strength calculator 14c has a function of calculating the signal strength in each of the range bins B1 to B8 based on the reflected wave data received by the transmission/reception processor 14b. The signal strength calculator 14c may calculate the signal strength smoothed on the time axis for each of the range bins B1 to B8. As smoothing processing, various processing methods such as simple moving average and weighted moving average may be employed. The signal intensity calculated by the signal intensity calculator 14c may be stored in the storage 14a.

データ生成部14dは、信号強度算出部14cによって算出された信号強度を用いて少なくとも2つのパラメータを求め、これらが対応付けられたデータを生成する機能を有する。例えば、データ生成部14dは、レンジビンB1~B4における信号強度p~pを用いて、浴槽エリアRαにおける信号強度の平均m及び分散σ をそれぞれ式1,2により求めてもよい。同様に、データ生成部14dは、レンジビンB5~B8における信号強度p~pを用いて、洗い場エリアRβにおける信号強度の平均m及び分散σ をそれぞれ式3,4により求めてもよい。本明細書において、データ生成部14dによって生成されたデータのうち、解析対象のデータを「解析データ」といい、解析対象でないデータ(機械学習用のデータ)を「基準データ」ということがある。データ生成部14dによって生成されたデータは、記憶部14aに記憶されてもよい。

Figure 0007320222000001

Figure 0007320222000002

Figure 0007320222000003

Figure 0007320222000004
The data generation unit 14d has a function of obtaining at least two parameters using the signal strength calculated by the signal strength calculation unit 14c and generating data in which the parameters are associated with each other. For example, the data generation unit 14d may use the signal intensities p 1 to p 4 in the range bins B1 to B4 to obtain the average m 1 and the variance σ 1 2 of the signal intensities in the bathtub area Rα by Equations 1 and 2, respectively. . Similarly, the data generation unit 14d may use the signal intensities p 5 to p 8 in the range bins B5 to B8 to obtain the average m 2 and the variance σ 2 2 of the signal intensities in the washing area Rβ by Equations 3 and 4, respectively. good. In this specification, among the data generated by the data generation unit 14d, the data to be analyzed may be referred to as "analysis data", and the data not to be analyzed (data for machine learning) may be referred to as "reference data". The data generated by the data generation unit 14d may be stored in the storage unit 14a.
Figure 0007320222000001

Figure 0007320222000002

Figure 0007320222000003

Figure 0007320222000004

分類モデル生成部14eは、データ生成部14dにおいて生成される基準データを複数用いた機械学習により、当該基準データを複数のクラスのうちいずれか一つに分類して、分類モデルを生成する機能を有する。例えば、データ生成部14dによって生成された複数の基準データ(所定数の基準データを含むデータセット)が分類モデル生成部14eに入力された場合、分類モデル生成部14eは、教師あり学習を行ってもよいし、教師なし学習を行ってもよいし、強化学習を行ってもよい。教師あり学習のアルゴリズムとしては、例えば、サポートベクタマシン、ロジスティック回帰、ランダムフォレスト、決定木、k-近傍法、パーセプトロン、ニューラルネットワーク等が挙げられる。教師なし学習のアルゴリズムとしては、例えば、k-平均法、主成分分析、自己組織化マップ等が挙げられる。強化学習のアルゴリズムとしては、例えば、Q学習、モンテカルロ法、SARSA等が挙げられる。分類モデル生成部14eによって生成された分類モデルは、記憶部14aに記憶されてもよい。 The classification model generation unit 14e has a function of classifying the reference data into one of a plurality of classes by machine learning using a plurality of reference data generated in the data generation unit 14d and generating a classification model. have. For example, when a plurality of reference data (a data set including a predetermined number of reference data) generated by the data generation unit 14d are input to the classification model generation unit 14e, the classification model generation unit 14e performs supervised learning. , unsupervised learning, or reinforcement learning. Supervised learning algorithms include, for example, support vector machines, logistic regression, random forests, decision trees, k-nearest neighbors, perceptrons, and neural networks. Algorithms for unsupervised learning include, for example, the k-means method, principal component analysis, self-organizing map, and the like. Algorithms for reinforcement learning include, for example, Q-learning, Monte Carlo method, SARSA, and the like. The classification model generated by the classification model generation unit 14e may be stored in the storage unit 14a.

例えば、図4(a)に示されるデータセットDS1が分類モデル生成部14eに入力された場合、分類モデル生成部14eは、データセットDS1のうちの○印の基準データと□印の基準データとを区画する境界線L1を生成してもよい。図4(a)に示される例において、データセットDS1は、浴槽エリアRαにおける信号強度の平均m及び洗い場エリアRβにおける信号強度の平均mの2つのパラメータが対応付けられた基準データの集合である。データセットDS1を構成する複数の基準データは、境界線L1により、クラスC1a(○印の基準データの集合)とクラスC1b(□印の基準データの集合)との一方に分類される。クラスC1aは、例えば、入浴者Hが洗い場31に存在することを示す分類であってもよい。クラスC1bは、例えば、入浴者Hが浴槽34に存在することを示す分類であってもよい。境界線L1は、直線であってもよいし、曲線であってもよい。以下では、境界線L1によって区画されるクラスC1a,C1bによって構成される分類モデルを「分類モデルM1」と称することがある。 For example, when the data set DS1 shown in FIG. 4A is input to the classification model generation unit 14e, the classification model generation unit 14e generates standard data marked with a circle and standard data marked with a square in the data set DS1. may be generated. In the example shown in FIG. 4(a), the data set DS1 is a set of reference data in which two parameters, the average signal intensity m1 in the bathtub area Rα and the average signal intensity m2 in the washing area Rβ, are associated. is. A plurality of reference data constituting the data set DS1 are classified by a boundary line L1 into one of a class C1a (a set of reference data marked with a circle) and a class C1b (a set of reference data marked with a square). The class C1a may be, for example, a classification indicating that the bather H is present in the washing place 31 . Class C1b may be, for example, a classification indicating that bather H is present in bathtub 34 . The boundary line L1 may be a straight line or a curved line. Hereinafter, the classification model composed of the classes C1a and C1b partitioned by the boundary line L1 may be referred to as a "classification model M1".

例えば、図4(b)に示されるデータセットDS2が分類モデル生成部14eに入力された場合、分類モデル生成部14eは、データセットDS2のうちの○印の基準データと□印の基準データと△印の基準データとを区画する境界線L2を生成してもよい。図4(b)に示される例において、データセットDS2は、洗い場エリアRβにおける信号強度の平均m及び分散σ の2つのパラメータが対応付けられた基準データの集合である。データセットDS2を構成する複数の基準データは、境界線L2により、クラスC2a(○印の基準データの集合)とクラスC2b(□印の基準データの集合)とクラスC2c(△印の基準データの集合)とのいずれか一つに分類される。クラスC2aは、例えば、洗い場31に存在する入浴者Hに異常がないことを示す分類であってもよい。クラスC2bは、例えば、洗い場31に存在する入浴者Hが転倒したことを示す分類であってもよい。クラスC2cは、例えば、洗い場31に存在する入浴者Hが所定時間継続して動作していないことを示す分類であってもよい。境界線L2は、直線であってもよいし、曲線であってもよい。以下では、境界線L2によって区画されるクラスC2a~C2cによって構成される分類モデルを「分類モデルM2」と称することがある。 For example, when the data set DS2 shown in FIG. 4B is input to the classification model generation unit 14e, the classification model generation unit 14e generates the standard data marked with ○ and the standard data marked with □ in the data set DS2. A boundary line L2 may be generated that separates the reference data marked with Δ. In the example shown in FIG. 4(b), the data set DS2 is a set of reference data in which two parameters of the mean m2 and the variance σ22 of the signal intensity in the washing area Rβ are associated. A plurality of reference data constituting the data set DS2 are separated by a boundary line L2 into a class C2a (a set of reference data marked with a circle), a class C2b (a set of reference data marked with a square), and a class C2c (a set of reference data marked with a triangle). set). The class C2a may be, for example, a classification indicating that the bather H present in the washing area 31 is normal. The class C2b may be, for example, a classification indicating that the bather H in the washing area 31 has fallen. The class C2c may be, for example, a classification indicating that the bather H present in the washing area 31 has not moved continuously for a predetermined period of time. Boundary line L2 may be a straight line or a curved line. Hereinafter, the classification model composed of classes C2a to C2c partitioned by boundary line L2 may be referred to as "classification model M2".

例えば、図4(c)に示されるデータセットDS3が分類モデル生成部14eに入力された場合、分類モデル生成部14eは、データセットDS3のうちの○印の基準データと□印の基準データと△印の基準データとを区画する境界線L3を生成してもよい。図4(c)に示される例において、データセットDS2は、浴槽エリアRαにおける信号強度の平均m及び分散σ の2つのパラメータが対応付けられた基準データの集合である。データセットDS3を構成する複数の基準データは、境界線L3により、クラスC3a(○印の基準データの集合)とクラスC3b(□印の基準データの集合)とクラスC3c(△印の基準データの集合)とのいずれか一つに分類される。クラスC3aは、例えば、浴槽34に存在する入浴者Hに異常がないことを示す分類であってもよい。クラスC3bは、例えば、浴槽34に存在する入浴者Hが沈溺したことを示す分類であってもよい。クラスC3cは、例えば、浴槽34に存在する入浴者Hが所定時間継続して動作していないことを示す分類であってもよい。境界線L3は、直線であってもよいし、曲線であってもよい。以下では、境界線L3によって区画されるクラスC3a~C3cによって構成される分類モデルを「分類モデルM3」と称することがある。 For example, when the data set DS3 shown in FIG. 4(c) is input to the classification model generation unit 14e, the classification model generation unit 14e generates the reference data marked with ○ and the reference data marked with □ in the data set DS3. A boundary line L3 may be generated that separates the reference data marked with Δ. In the example shown in FIG. 4(c), the data set DS2 is a set of reference data in which two parameters of the mean m1 and the variance σ12 of the signal intensity in the bathtub area Rα are associated. The plurality of reference data that make up the data set DS3 are separated by a boundary line L3 into a class C3a (a set of reference data marked with a circle), a class C3b (a set of reference data marked with a square), and a class C3c (a set of reference data marked with a triangle). set). The class C3a may be, for example, a classification indicating that the bather H in the bathtub 34 is normal. The class C3b may be, for example, a classification indicating that the bather H in the bathtub 34 has drowned. The class C3c may be, for example, a classification indicating that the bather H in the bathtub 34 has not moved continuously for a predetermined period of time. The boundary line L3 may be a straight line or a curved line. Hereinafter, the classification model composed of classes C3a to C3c partitioned by boundary line L3 may be referred to as "classification model M3".

クラス判定部14fは、データ生成部14dによって生成された解析データを、分類モデル生成部14eによって生成された分類モデルにおける複数のクラスのいずれか一つに分類する機能を有する。すなわち、クラス判定部14fは、当該解析データを当該分類モデルに当てはめて、当該解析データが複数のクラスのうちどのクラスに属するのかを判定する。 The class determination unit 14f has a function of classifying the analysis data generated by the data generation unit 14d into one of a plurality of classes in the classification model generated by the classification model generation unit 14e. That is, the class determination unit 14f applies the analysis data to the classification model and determines to which class the analysis data belongs among a plurality of classes.

入退室判定部14gは、入浴者Hの浴室30への入退室を判定する機能を有する。まず、入退室判定部14gは、送受信処理部14bが受信した反射波のデータに基づいて、受信機12からの距離に応じた信号強度を取得する。具体的には、浴室30に入浴者Hが存在していない場合には、壁からの反射波の信号強度が卓越する(図5(a)及び図5(b)参照)。一方、浴室30に入浴者Hが存在している場合、入浴者Hは浴室監視装置10の正面壁の手前側に位置し、浴室監視装置10から入浴者Hまでの距離d1は浴室監視装置10から正面壁までの距離d2よりも短い(図5(a)参照)。このとき、発信機11からの無線電波の一部が入浴者Hで反射して壁に到達しなくなる。そのため、壁からの反射波の信号強度が小さくなり(図5(a)及び図5(c)の矢印Ar1参照)、壁よりも手前側(受信機12側)からの反射波の信号強度が大きくなる(図5(c)の矢印Ar2参照)。従って、入退室判定部14gは、経時的に信号強度を取得し、壁よりも手前側からの反射波が所定の閾値TH1よりも大きくなったときに、入浴者Hが浴室30に入室したと判断してもよい。入退室判定部14gは、経時的に壁からの反射波の信号強度を取得し、壁よりも手前側からの反射波が所定の閾値TH1以下となったときに、入浴者Hが浴室30から退室したと判断してもよい。 The entrance/exit determination unit 14g has a function of determining whether or not the bather H enters/exits the bathroom 30 . First, the room entry/exit determination unit 14g acquires the signal strength corresponding to the distance from the receiver 12 based on the reflected wave data received by the transmission/reception processing unit 14b. Specifically, when the bather H does not exist in the bathroom 30, the signal intensity of the reflected wave from the wall is outstanding (see FIGS. 5(a) and 5(b)). On the other hand, when the bather H is present in the bathroom 30, the bather H is positioned in front of the front wall of the bathroom monitoring device 10, and the distance d1 from the bathroom monitoring device 10 to the bather H is the same as that of the bathroom monitoring device 10. to the front wall (see FIG. 5(a)). At this time, part of the radio wave from the transmitter 11 is reflected by the bather H and does not reach the wall. As a result, the signal strength of the reflected wave from the wall decreases (see arrow Ar1 in FIGS. 5A and 5C), and the signal strength of the reflected wave from the near side (receiver 12 side) of the wall decreases. becomes larger (see arrow Ar2 in FIG. 5(c)). Therefore, the room entry/exit determination unit 14g acquires the signal intensity over time, and determines that the bather H has entered the bathroom 30 when the reflected wave from the front side of the wall becomes greater than a predetermined threshold value TH1. You can judge. The room entry/exit determination unit 14g acquires the signal intensity of the reflected wave from the wall over time, and when the reflected wave from the front side of the wall becomes equal to or less than a predetermined threshold TH1, the bather H exits the bathroom 30. You may decide to leave the room.

入退室判定部14gは、入浴者Hの浴室30への入退室を判定する際に、壁からの反射波の信号強度も考慮してもよい。具体的には、入退室判定部14gは、経時的に信号強度を取得し、壁よりも手前からの反射波が所定の閾値TH1よりも大きくなり且つ壁からの反射波の信号強度が所定の閾値TH2以下となったときに、入浴者Hが浴室30に入室したと判断してもよい。入退室判定部14gは、経時的に信号強度を取得し、壁よりも手前からの反射波が所定の閾値TH1以下となり且つ壁からの反射波の信号強度が所定の閾値TH2より大きくなったときに、入浴者Hが浴室30から退室したと判断してもよい。壁からの反射波の信号強度の時間変動も考慮することにより、入浴者Hの入退室をより精度よく判断することが可能となる。 When determining whether the bather H enters or leaves the bathroom 30, the room entry/exit determination unit 14g may also consider the signal intensity of the reflected wave from the wall. Specifically, the room entry/exit determination unit 14g acquires the signal strength over time, the reflected wave from the front side of the wall becomes larger than a predetermined threshold TH1, and the signal strength of the reflected wave from the wall reaches a predetermined threshold TH1. It may be determined that the bather H has entered the bathroom 30 when the threshold TH2 or less is reached. The room entry/exit determination unit 14g acquires the signal intensity over time, and when the reflected wave from the front side of the wall becomes equal to or less than a predetermined threshold TH1 and the signal intensity of the reflected wave from the wall becomes greater than a predetermined threshold TH2. Alternatively, it may be determined that the bather H has left the bathroom 30 . By also taking into consideration the time variation of the signal intensity of the reflected wave from the wall, it becomes possible to determine whether the bather H enters or leaves the room with higher accuracy.

図1に戻って、報知装置20は、例えば浴室30とは壁Wを隔てた別の室内に取り付けられている。報知装置20は、図6に示されるように、モニタ21(報知部)と、スピーカ22(報知部)と、通信機23と、制御部24(コントローラ)と、バス25とを含む。 Returning to FIG. 1, the notification device 20 is installed in a room separate from the bathroom 30 by a wall W, for example. The notification device 20 includes a monitor 21 (notification section), a speaker 22 (notification section), a communication device 23, a control section 24 (controller), and a bus 25, as shown in FIG.

モニタ21及びスピーカ22はそれぞれ、通信機23を介して受信した入退室判定部14gによる判定結果を、映像及び/又は音で当該別の室内にいる在室者(例えば、家族)に報知するように構成されている。通信機23は、浴室監視装置10の通信機13と同様の構成を有しており、通信機13と同様に機能する。 The monitor 21 and the speaker 22 are configured to notify the persons (eg, family members) in the other room of the determination result by the room entry/exit determination unit 14g received via the communication device 23 by video and/or sound. is configured to The communication device 23 has the same configuration as the communication device 13 of the bathroom monitoring device 10 and functions similarly to the communication device 13 .

制御部24は、プロセッサ24aと、メモリ24bと、ストレージ24cとを含んでおり、浴室監視装置10の制御部14と同様に機能する。バス25は、浴室監視装置10のバス15と同様の構成を有しており、バス15と同様に機能する。 The control unit 24 includes a processor 24a, a memory 24b, and a storage 24c, and functions similarly to the control unit 14 of the bathroom monitoring device 10. FIG. The bus 25 has the same configuration as the bus 15 of the bathroom monitor 10 and functions similarly to the bus 15 .

[浴室監視方法]
続いて、図7を参照して、浴室30の監視方法について説明する。なお、浴室監視装置10の記憶部14aは、複数の基準データを用いた機械学習により得られる少なくとも一つの学習済みの分類モデルが記憶している。
[Bathroom monitoring method]
Next, a method for monitoring the bathroom 30 will be described with reference to FIG. The storage unit 14a of the bathroom monitoring device 10 stores at least one learned classification model obtained by machine learning using a plurality of reference data.

まず、送受信処理部14bは、発信機11に指示して、発信機11から無線電波を浴室30内に発信させる。次に、送受信処理部14bは、受信機12を介して無線電波の反射波のデータを受信する。 First, the transmission/reception processing unit 14b instructs the transmitter 11 to transmit radio waves into the bathroom 30 from the transmitter 11 . Next, the transmission/reception processing unit 14b receives the reflected wave data of the radio wave through the receiver 12 .

次に、入退室判定部14gは、送受信処理部14bが受信した反射波のデータに基づいて、受信機12からの距離に応じた信号強度を経時的に取得する。入退室判定部14gは、所定のエリアからの反射波の信号強度の変動に基づいて、入浴者Hが浴室30に入室したか否かを判定する(図7のステップS1)。具体的には、入退室判定部14gは、経時的に信号強度を取得し、壁よりも手前からの反射波が所定の閾値TH1よりも大きくなったか否かを判定する。入浴者Hが浴室30に入室していないと入退室判定部14gが判定した場合には(図7のステップS1でNO)、ステップS1の処理を繰り返す。 Next, the room entry/exit determination unit 14g temporally acquires the signal strength corresponding to the distance from the receiver 12 based on the reflected wave data received by the transmission/reception processing unit 14b. The room entry/exit determination unit 14g determines whether or not the bather H has entered the bathroom 30 based on the variation in the signal intensity of the reflected wave from the predetermined area (step S1 in FIG. 7). Specifically, the room entry/exit determination unit 14g acquires the signal intensity over time, and determines whether or not the reflected wave from the front side of the wall is greater than a predetermined threshold TH1. When the entry/exit determining unit 14g determines that the bather H has not entered the bathroom 30 (NO in step S1 of FIG. 7), the process of step S1 is repeated.

一方、入浴者Hが浴室30に入室したと入退室判定部14gが判定した場合には(図7のステップS1でYES)、信号強度算出部14cは、信号強度算出部14cが受信した反射波のデータに基づいて、各レンジビンB1~B8の信号強度を所定のサンプリング周期でそれぞれ算出する(図7のステップS2)。サンプリング周期としては、例えば、0.01秒~0.1秒程度であってもよい。 On the other hand, when the entry/exit determination unit 14g determines that the bather H has entered the bathroom 30 (YES in step S1 in FIG. 7), the signal strength calculation unit 14c calculates the reflected wave received by the signal strength calculation unit 14c. , the signal strength of each of the range bins B1 to B8 is calculated at a predetermined sampling period (step S2 in FIG. 7). The sampling period may be, for example, about 0.01 seconds to 0.1 seconds.

次に、データ生成部14dは、信号強度算出部14cによって算出された信号強度の平均及び分散を求め、解析データを生成する(図7のステップS3)。次に、クラス判定部14fは、データ生成部14dにおいて生成された解析データを分類モデルM1に当てはめて、入浴者Hのエリアを特定する(図7のステップS4)。例えば、データ生成部14dが図4(a)に示される解析データx1を生成した場合、クラス判定部14fは、解析データx1がクラスC1aに属すると判定する。すなわち、クラス判定部14fは、入浴者Hが洗い場31に存在していると判定する。一方、データ生成部14dが図4(a)に示される解析データx2を生成した場合、クラス判定部14fは、解析データx2がクラスC1bに属すると判定する。すなわち、クラス判定部14fは、入浴者Hが浴槽34に存在していると判定する。 Next, the data generation unit 14d obtains the average and variance of the signal strengths calculated by the signal strength calculation unit 14c, and generates analysis data (step S3 in FIG. 7). Next, the class determination unit 14f applies the analysis data generated by the data generation unit 14d to the classification model M1 to identify the area of the bather H (step S4 in FIG. 7). For example, when the data generation unit 14d generates the analysis data x1 shown in FIG. 4A, the class determination unit 14f determines that the analysis data x1 belongs to class C1a. That is, the class determination unit 14f determines that the bather H is present in the washing area 31. FIG. On the other hand, when the data generation unit 14d generates the analysis data x2 shown in FIG. 4A, the class determination unit 14f determines that the analysis data x2 belongs to class C1b. That is, the class determination unit 14f determines that the bather H is present in the bathtub 34. FIG.

次に、クラス判定部14fは、データ生成部14dにおいて生成された解析データを分類モデルM2又は分類モデルM3に当てはめて、入浴者Hの状態を判定する(図7のステップS5)。例えば、解析データx1がクラスC1aに属するとクラス判定部14fが判定した場合には、クラス判定部14fは、当該解析データx1を分類モデルM2に当てはめて、当該解析データx1がクラスC2a~C2cのいずれに属するのかを判定する。 Next, the class determination unit 14f applies the analysis data generated by the data generation unit 14d to the classification model M2 or the classification model M3 to determine the condition of the bather H (step S5 in FIG. 7). For example, when the class determination unit 14f determines that the analysis data x1 belongs to class C1a, the class determination unit 14f applies the analysis data x1 to the classification model M2 so that the analysis data x1 belongs to classes C2a to C2c. Determine which one you belong to.

解析データx1がクラスC2aに属すると判定された場合には、クラス判定部14fは、入浴者Hに異常がないと判断する。解析データx1がクラスC2bに属すると判定された場合には、入浴者Hが転倒しているので、クラス判定部14fは、入浴者Hに異常があると判断する。解析データx1がクラスC2cに属すると判定された場合には(図4(b)に例示される解析データx1を参照)、入浴者Hが所定時間継続して動作していないので、クラス判定部14fは、入浴者Hに異常があると判断する。 When it is determined that the analysis data x1 belongs to class C2a, the class determination unit 14f determines that the bather H is normal. If it is determined that the analysis data x1 belongs to class C2b, the bather H has fallen, and the class determination unit 14f determines that the bather H has an abnormality. If it is determined that the analysis data x1 belongs to class C2c (see the analysis data x1 illustrated in FIG. 4(b)), the bather H has not moved continuously for a predetermined period of time. 14f determines that the bather H has an abnormality.

解析データx2がクラスC3aに属すると判定された場合には(図4(c)に例示される解析データx2を参照)、クラス判定部14fは、入浴者Hに異常がないと判断する。解析データx2がクラスC3bに属すると判定された場合には、入浴者Hが沈溺しているので、クラス判定部14fは、入浴者Hに異常があると判断する。解析データx2がクラスC3cに属すると判定された場合には、入浴者Hが所定時間継続して動作していないので、クラス判定部14fは、入浴者Hに異常があると判断する。 When the analysis data x2 is determined to belong to class C3a (see the analysis data x2 illustrated in FIG. 4(c)), the class determination unit 14f determines that the bather H has no abnormality. When it is determined that the analysis data x2 belongs to class C3b, the bather H is drowning, so the class determination unit 14f determines that the bather H has an abnormality. If it is determined that the analysis data x2 belongs to class C3c, the bather H has not moved continuously for the predetermined time, and the class determination unit 14f determines that the bather H has an abnormality.

次に、ステップS5におけるクラス判定部14fの結果、入浴者Hに異常がある場合には(図7のステップS6でYES)、送受信処理部14bは、通信機13に指示信号を送信して、クラス判定部14fによる判定結果を報知装置20に送信させる。これにより、浴室監視装置10とは別の室内にある報知装置20のモニタ21又はスピーカ22を通じて、当該別の室内の在室者に入浴者Hの危険性が報知される(図7のステップS7)。 Next, if the result of the class determination unit 14f in step S5 is that there is an abnormality in the bather H (YES in step S6 of FIG. 7), the transmission/reception processing unit 14b transmits an instruction signal to the communication device 13, The notification device 20 is caused to transmit the result of determination by the class determination unit 14f. As a result, through the monitor 21 or the speaker 22 of the notification device 20 in a room separate from the bathroom monitoring device 10, the person in the room is notified of the danger of the bather H (step S7 in FIG. 7). ).

一方、ステップS5におけるクラス判定部14fの結果、入浴者Hに異常がない場合には(図7のステップS6でNO)、入退室判定部14gは、所定の位置からの反射波の信号強度の変動に基づいて、入浴者Hが浴室30から退室したか否かを判定する(図7のステップS8)。具体的には、入退室判定部14gは、経時的に信号強度を取得し、壁よりも手前からの反射波が所定の閾値TH1以下となったか否かを判定する。入浴者Hが浴室30から退室していないと入退室判定部14gが判定した場合には(図7のステップS8でNO)、ステップS2以下の処理を繰り返す。一方、入浴者Hが浴室30に入室したと入退室判定部14gが判定した場合には(図7のステップS8でYES)、浴室30の監視処理が終了する。 On the other hand, if the result of the class determination unit 14f in step S5 is that there is no abnormality in the bather H (NO in step S6 of FIG. 7), the entry/exit determination unit 14g determines the signal strength of the reflected wave from the predetermined position. Based on the change, it is determined whether or not the bather H has left the bathroom 30 (step S8 in FIG. 7). Specifically, the room entry/exit determination unit 14g acquires the signal intensity over time, and determines whether or not the reflected wave from the front side of the wall is equal to or less than a predetermined threshold value TH1. When the entering/leaving room determination unit 14g determines that the bather H has not left the bathroom 30 (NO in step S8 of FIG. 7), the processes from step S2 onward are repeated. On the other hand, when the entry/exit determination unit 14g determines that the bather H has entered the bathroom 30 (YES in step S8 of FIG. 7), the monitoring process of the bathroom 30 ends.

[作用]
以上の実施形態では、浴室30内における各レンジビンB1~B8での信号強度の少なくとも2つのパラメータ(例えば、平均、分散など)が対応付けられた基準データを用いた機械学習により、浴室30内における入浴者Hの状態を複数のクラスに分類している。従って、このような分類モデルに基づいて解析データが属するクラスを判定することにより、入浴者Hの状態を正確に検知することが可能となる。
[Action]
In the above embodiment, machine learning using reference data in which at least two parameters (e.g., average, variance, etc.) of the signal strength in each range bin B1 to B8 in the bathroom 30 are associated with each other in the bathroom 30 The state of the bather H is classified into a plurality of classes. Therefore, it is possible to accurately detect the state of the bather H by determining the class to which the analysis data belongs based on such a classification model.

以上の実施形態では、入浴者Hが洗い場31に存在することを示すクラスC1aと、入浴者Hが浴槽34に存在することを示すクラスC1bとで構成された分類モデルM1を記憶部14aが記憶している。そのため、入浴者Hが洗い場31と浴槽34とのどちらに存在しているのかを正確に検知することが可能となる。 In the above embodiment, the storage unit 14a stores the classification model M1 composed of the class C1a indicating that the bather H is present in the washing area 31 and the class C1b indicating that the bather H is present in the bathtub 34. are doing. Therefore, it is possible to accurately detect in which of the washing area 31 and the bathtub 34 the bather H is present.

以上の実施形態では、洗い場31における入浴者Hの状況を示す複数のクラスC2a~C2cで構成された分類モデルM2と、浴槽34における入浴者Hの状況を示す複数のクラスC3a~C3cで構成された分類モデルM3とを記憶部14aが記憶している。そのため、洗い場31又は浴槽34における入浴者Hの状況を正確に検知することが可能となる。 In the above embodiment, the classification model M2 is composed of a plurality of classes C2a to C2c representing the situation of the bather H in the washing area 31, and the class C3a to C3c is composed of a plurality of classes C3a to C3c representing the situation of the bather H in the bathtub 34. The storage unit 14a stores the classification model M3. Therefore, it is possible to accurately detect the condition of the bather H in the washing area 31 or the bathtub 34 .

以上の実施形態では、クラス判定部14fは、解析データを分類モデルM1に当てはめて、入浴者Hのエリアを判定している。続いて、クラス判定部14fは、入浴者Hのエリア(洗い場31又は浴槽34)に応じて解析データを分類モデルM2又は分類モデルM3に当てはめて、入浴者Hの状況を判定している。そのため、入浴者Hの場所及び状況を同時に判定する場合と比較して、入浴者Hの状況をより正確に検知することが可能となる。 In the above embodiment, the class determination unit 14f determines the area of the bather H by applying the analysis data to the classification model M1. Subsequently, the class determination unit 14f determines the situation of the bather H by applying the analysis data to the classification model M2 or the classification model M3 according to the area of the bather H (washing place 31 or bathtub 34). Therefore, compared with the case where the location and situation of the bather H are determined at the same time, the situation of the bather H can be detected more accurately.

以上の実施形態では、入退室判定部14gは、所定のエリアからの反射波の信号強度の時間変動に基づいて、入浴者Hの浴室30への入退室を判定している。そのため、信号強度の比較により、極めて簡便に入浴者Hの入退室を判定することが可能となる。 In the above embodiment, the room entry/exit determining unit 14g determines whether the bather H enters or exits the bathroom 30 based on the time variation of the signal intensity of the reflected wave from the predetermined area. Therefore, by comparing the signal intensities, it is possible to determine whether the bather H has entered or left the room very simply.

[変形例]
以上、本開示に係る実施形態について詳細に説明したが、特許請求の範囲及びその要旨を逸脱しない範囲で種々の変形を上記の実施形態に加えてもよい。
[Modification]
Although the embodiments according to the present disclosure have been described in detail above, various modifications may be made to the above embodiments without departing from the scope and spirit of the claims.

(1)浴室監視装置10は、給湯機器用浴室リモコン、浴室用手すりなどの内部に、上記の発信機11、受信機12、通信機13、制御部14、バス15等が組み込まれたものであってもよい。 (1) The bathroom monitoring device 10 is a bathroom remote controller for a water heater, a handrail for a bathroom, etc., in which the transmitter 11, the receiver 12, the communication device 13, the control unit 14, the bath 15, etc. are incorporated. There may be.

(2)浴室監視装置10は、有線で報知装置20と接続されていてもよい。 (2) The bathroom monitoring device 10 may be connected to the notification device 20 by wire.

(3)上記の実施形態では、報知装置20は、浴室監視装置10と同じ建物内に取り付けられていたが、浴室監視装置10とは異なる建物内に取り付けられていてもよいし、移動通信可能な携帯端末(例えば、携帯電話、スマートフォンなど)であってもよい。当該異なる建物としては、例えば、入浴者Hと別居している家族の家、救急医療サービスを提供する施設(日本においては消防署)などが挙げられる。これらの場合、浴室監視装置10が、入浴者Hの場所、動作、危険な状態か否か等の検出した情報を報知装置20に送信することで、入浴者Hとは離れた場所にいる家族、救急隊などが入浴者Hの状態を知ることができる。そのため、入浴者Hが単身生活者の場合であっても、入浴者Hの状態を見守ることが可能となる。 (3) In the above embodiment, the notification device 20 is installed in the same building as the bathroom monitoring device 10, but it may be installed in a building different from the bathroom monitoring device 10, and mobile communication is possible. It may be a portable terminal (for example, a mobile phone, a smart phone, etc.). The different buildings include, for example, a house of a family living separately from the bather H, a facility providing emergency medical services (a fire station in Japan), and the like. In these cases, the bathroom monitoring device 10 transmits to the notification device 20 detected information such as the bather H's location, movement, whether or not he is in a dangerous state, etc. , emergency services, etc. can know the condition of the bather H. Therefore, even if the bather H lives alone, it is possible to monitor the condition of the bather H.

(4)上記の実施形態では、浴室30の洗い場31と浴槽34とのどちらに入浴者H存在するかを判定していたが、浴室30内を3つ以上のエリアに区画して、いずれのエリアに入浴者Hが存在するかを判定してもよい。この場合、例えば、判定結果に基づいて浴室30内の照明の明るさを制御し、省エネ化を図ってもよい。照明の明るさの制御方法の例としては、入浴者Hが存在するエリアの照明を点灯し、他のエリアの照明を消灯又は減光することが上げられる。 (4) In the above embodiment, it is determined in which of the washing area 31 and the bathtub 34 of the bathroom 30 the bather H is present. It may be determined whether the bather H exists in the area. In this case, for example, the brightness of the lighting in the bathroom 30 may be controlled based on the determination result to save energy. An example of a method of controlling the brightness of the lighting is to turn on the lighting in the area where the bather H is present and to turn off or dim the lighting in the other areas.

(5)上記の実施形態では、入浴者Hが存在するエリアを判定した後に、当該エリアに対応する分類モデルを用いて、入浴者Hの状況を判定していたが、入浴者Hの存在場所の判定と、入浴者Hの状況とを同時又は近接したタイミングにおいて判定してもよい。 (5) In the above embodiment, after determining the area where the bather H exists, the classification model corresponding to the area is used to determine the situation of the bather H. and the condition of the bather H may be determined at the same time or at close timings.

(6)浴室監視装置10が報知装置20を含んでいてもよい。すなわち、浴室監視装置10が、モニタ21(報知部)、スピーカ22(報知部)等を内蔵していてもよい。この場合、報知装置20が浴室30内に配置される。そのため、例えば、入浴者Hが浴槽34内で眠りに入ってしまい半覚醒状態にあるような軽度の異常に際して、モニタ21の点滅、スピーカ22からの警報(例えば、警報音、警告アナウンス等)によって、入浴者Hが重度な異常に移行してしまうことを抑制することが可能となる。 (6) Bathroom monitoring device 10 may include notification device 20 . That is, the bathroom monitoring device 10 may incorporate the monitor 21 (informing section), the speaker 22 (informing section), and the like. In this case, the notification device 20 is arranged in the bathroom 30 . Therefore, for example, when the bather H falls asleep in the bathtub 34 and is in a semi-awakened state, the monitor 21 blinks and the speaker 22 issues an alarm (e.g., alarm sound, warning announcement, etc.). , it is possible to prevent the bather H from becoming severely abnormal.

(7)浴室監視装置10は、入浴者Hを含むユーザからの入力操作を受け付けるように構成された入力部を含んでいてもよい。入力部としては、例えば、スイッチ、タッチパネルなどが挙げられる。浴室監視装置10は、入力部が受け付けた入力操作に基づいて分類モデル(境界線)を更新するように構成された更新部を含んでいてもよい。例えば、報知装置20が警報を発した際に、当該警報が誤警報であることを示すユーザからの入力操作が入力部に入力された場合(入浴者Hが異常状態にあるとして報知装置20が警報を発したが、実際には入浴者Hに異常が生じていない場合)、更新部は、当該入力操作を契機として分類モデルを更新してもよい。この場合、ユーザが入力部を通じて誤警報をフィードバックすることにより、分類モデルがアップデートされる。そのため、浴室30内における入浴者Hの状況をより正確に検知することが可能となる。 (7) The bathroom monitoring device 10 may include an input unit configured to receive input operations from users including the person H in the bath. Examples of the input unit include a switch and a touch panel. Bathroom monitoring device 10 may include an updating unit configured to update the classification model (boundary line) based on the input operation received by the input unit. For example, when the notification device 20 issues an alarm, the user inputs an input operation indicating that the alarm is a false alarm (when the notification device 20 detects that the bather H is in an abnormal state) If an alarm is issued but the bather H does not actually have an abnormality), the updating unit may update the classification model with the input operation as a trigger. In this case, the classification model is updated by user feedback of false alarms through the input. Therefore, the situation of the bather H in the bathroom 30 can be detected more accurately.

(8)制御部14は、クラス判定部14fにおいて判定される入浴者の状態(例えば、浴室30内における入浴者Hの位置、入浴者の動作の有無、入浴者の異常状態など)に関するデータに基づいて、他の機器(例えば、給湯器、浴室30内の照明など)を制御するための制御信号を生成する制御信号生成部を含んでいてもよい。当該制御信号生成部は、通信機13(通信部)を通じて、当該制御信号を当該他の機器に送信してもよい。当該制御信号としては、例えば、浴槽34の湯温を調節するための給湯器への制御信号や、浴室30内の照明を調光するための当該照明への制御信号が挙げられる。 (8) The control unit 14 adds data regarding the state of the bather determined by the class determination unit 14f (for example, the position of the bather H in the bathroom 30, the presence or absence of movement of the bather, the abnormal state of the bather, etc.). Based on this, a control signal generation unit may be included that generates a control signal for controlling other devices (for example, a water heater, lighting in the bathroom 30, etc.). The control signal generation unit may transmit the control signal to the other device through the communication device 13 (communication unit). Examples of the control signal include a control signal to a water heater for adjusting the hot water temperature of the bathtub 34 and a control signal to the lighting for adjusting the lighting in the bathroom 30 .

(9)クラス判定部14fは、入浴者Hが浴槽34内にいると共に異常ありと判定した場合には、浴槽34の排水栓を制御して、当該排水栓を自動で開放するようにしてもよい。この場合、浴槽34内で入浴者Hが気絶した場合でも、入浴者Hの沈溺を防止することが可能となる。 (9) When the class determination unit 14f determines that the bather H is in the bathtub 34 and that there is an abnormality, the drain plug of the bathtub 34 may be controlled to automatically open the drain plug. good. In this case, even if the bather H faints in the bathtub 34, it is possible to prevent the bather H from drowning.

(10)図1に示されるように、リフレクタ35(例えば、鏡)を少し傾けて浴室30内に設置してもよい。図1において、リフレクタ35は、洗い場31のうちドア32から離れた側の壁面に、ドア32の方向を向くように取り付けられている。これにより、発信機11から発信された無線電波は、リフレクタ35によって反射されてドア32に向かっていく。また、リフレクタ35に向かってくる反射波も、リフレクタ35反射されて受信機12に向かっていく。そのため、通常は発信機11から発信される無線電波の死角になっている脱衣所も検知対象とすることが可能となる。 (10) As shown in FIG. 1, a reflector 35 (for example, a mirror) may be installed in the bathroom 30 with a slight inclination. In FIG. 1, the reflector 35 is attached to the wall surface of the wash area 31 on the side away from the door 32 so as to face the direction of the door 32 . As a result, radio waves emitted from the transmitter 11 are reflected by the reflector 35 and travel toward the door 32 . Also, the reflected wave coming toward the reflector 35 is also reflected by the reflector 35 and goes toward the receiver 12 . Therefore, the dressing room, which is usually a blind spot for radio waves transmitted from the transmitter 11, can also be detected.

(11)浴室監視装置10において用いられる分類モデルは、複数の基準データが予め学習された学習済みモデルであってもよいし、解析データを当該学習済みモデルにリアルタイムで追加学習させた動的な分類モデルであってもよい。 (11) The classification model used in the bathroom monitoring device 10 may be a trained model in which a plurality of reference data have been trained in advance, or may be a dynamic model obtained by additionally learning analysis data to the trained model in real time. It may be a classification model.

(12)入浴者Hが浴室30内に存在していない場合(例えば、入浴者Hの退室後)においても引き続き浴室監視装置10が動作して、浴室30内を監視してもよい。具体的には、入浴者Hが浴室30内に存在していないにもかかわらず、シャワー33、水栓等から湯水が流れ続けていることを、機械学習により判定してもよい。この場合、シャワー33、水栓等の閉め忘れを報知することにより、湯水の浪費を抑制することが可能となる。 (12) Even when the bather H is not present in the bathroom 30 (for example, after the bather H leaves the room), the bathroom monitoring device 10 may continue to operate to monitor the inside of the bathroom 30 . Specifically, it may be determined by machine learning that hot water continues to flow from the shower 33, the faucet, etc. even though the bather H is not in the bathroom 30. FIG. In this case, by notifying that the shower 33, faucet, etc. have not been closed, waste of hot water can be suppressed.

(13)ところで、図8に例示されるように、浴室30の湿度の変化に伴い、受信機12が受信する反射波の信号強度が変化することがある。これは、浴槽34に湯張りしてから時間が経過するにつれて浴室30内の水蒸気が増えて、水蒸気に電波が吸収されやすくなるので、浴室30の湿度が高くなるほど(時間が経つほど)、発信機11から発信されて受信機12が受信するまでの間に電波が減衰してしまうことに起因すると考えられる。なお、図8において、破線は湿度に対する信号強度の移動平均である。そこで、受信機12が受信した反射波の信号強度を湿度に応じて補正してもよい。具体的には、制御部14が機能ブロックとして補正部をさらに含んでおり、補正部は、浴室30内の湿度に応じた反射波の減衰量に基づいて、信号強度算出部14cにおいて算出される信号強度を補正してもよい。記憶部14aが記憶する分類モデルは、補正部による補正後の信号強度から求められる平均及び分散が対応付けられた基準データを複数用いた機械学習により得られたものであってもよい。この場合、データ生成部14dにおいて求められる信号強度の平均及び分散が湿度の影響により実際よりも小さくなってしまうことが抑制される。そのため、解析データの分類がより正確に行われるので、入浴者Hの状況をより正確に検知することが可能となる。 (13) By the way, as illustrated in FIG. 8, the signal strength of the reflected wave received by the receiver 12 may change as the humidity of the bathroom 30 changes. This is because the water vapor in the bathroom 30 increases as time passes after the bathtub 34 is filled with hot water, and radio waves are more likely to be absorbed by the water vapor. This is thought to be due to the fact that the radio waves are attenuated between the time they are transmitted from the device 11 and the time they are received by the receiver 12 . In addition, in FIG. 8, the dashed line is the moving average of the signal intensity with respect to humidity. Therefore, the signal intensity of the reflected wave received by the receiver 12 may be corrected according to the humidity. Specifically, the control unit 14 further includes a correction unit as a functional block, and the correction unit is calculated by the signal strength calculation unit 14c based on the attenuation amount of the reflected wave according to the humidity in the bathroom 30. Signal strength may be corrected. The classification model stored in the storage unit 14a may be obtained by machine learning using a plurality of pieces of reference data in which averages and variances obtained from signal intensities after correction by the correction unit are associated with each other. In this case, it is possible to prevent the mean and variance of the signal strengths obtained by the data generator 14d from becoming smaller than they actually are due to the influence of humidity. Therefore, since the analysis data is classified more accurately, it is possible to detect the condition of the bather H more accurately.

ここで、当該減衰量の推定方法の一例としては、湿度と受信信号強度との関係のデータ(例えば、図8の破線参照)を予め取得して記憶部14aに記憶しておき、湿度計によって測定された浴室30内の湿度に対応する減衰量を当該データに基づいて算出してもよい。 Here, as an example of a method of estimating the attenuation amount, the data of the relationship between the humidity and the received signal strength (for example, see the dashed line in FIG. 8) is acquired in advance and stored in the storage unit 14a. An attenuation corresponding to the measured humidity in the bathroom 30 may be calculated based on the data.

あるいは、当該減衰量の推定方法の他の例としては、浴室30内の湿度は一般に時間経過に伴い変化する傾向にあるので、入浴者Hによる影響を排除した状態での信号強度の変化に基づいて反射波の減衰量を推定してもよい。すなわち、浴室30内に入浴者Hが存在していない場合の反射波から信号強度の時間変動を観測し、信号強度算出部14cではその信号強度の時間変動特性に基づいて、入浴者Hの入浴時における反射波の減衰量を推定してもよい。 Alternatively, as another example of the method of estimating the attenuation amount, since the humidity in the bathroom 30 generally tends to change with the passage of time, may be used to estimate the attenuation of the reflected wave. That is, the time variation of the signal intensity is observed from the reflected wave when the bather H does not exist in the bathroom 30, and the signal intensity calculator 14c calculates the bather H's bathing time based on the time variation characteristic of the signal intensity. Attenuation of the reflected wave at time may be estimated.

(14)図9に示されるように、浴室監視装置10は、浴槽34の短手方向に沿って延びる浴室30の壁面に、ドア32と対面するように取り付けられていてもよい。この場合、発信機11から発信される無線電波の指向性を制御して、無線電波の伝播方向と交差する方向において複数の検知エリア(例えば、図9では2つの検知エリアR1,R2)を検知可能に発信機11が構成されていてもよい。指向性の制御方法としては、例えば、メカニカルスキャン方式、モノパルス方式、デジタルビームフォーミング方式などを採用しうる。なお、図9に示される例において、入浴者Hの存在場所以外の検知(入浴者Hの動作及び入浴者Hが危険な状態かの検知)は、上記の実施形態と同様に実行可能である。 (14) As shown in FIG. 9 , the bathroom monitoring device 10 may be attached to the wall surface of the bathroom 30 extending along the width direction of the bathtub 34 so as to face the door 32 . In this case, by controlling the directivity of the radio waves emitted from the transmitter 11, a plurality of detection areas (for example, two detection areas R1 and R2 in FIG. 9) are detected in a direction intersecting the propagation direction of the radio waves. Transmitter 11 may be configured as possible. As a directivity control method, for example, a mechanical scanning method, a monopulse method, a digital beam forming method, or the like can be adopted. In the example shown in FIG. 9, detection other than the location of the bather H (detection of the movement of the bather H and whether the bather H is in a dangerous state) can be performed in the same manner as in the above embodiment. .

(15)浴槽34の短手方向に沿って延びる浴室30の壁面に、ドア32と対面するように浴室監視装置10が取り付けられている場合、無線電波の指向性を制御せずに入浴者Hを検知してもよい。具体的には、図10(a)に示されるように、浴室監視装置10から浴室30の正面壁までの距離d3と、浴室監視装置10からドア32までの距離d4とが異なっていることを利用して、受信機12からの距離に応じた信号強度の変動に基づいて、入浴者Hの入退室及び存在場所を検知してもよい。以下に、検知方法の詳細について説明する。 (15) When the bathroom monitoring device 10 is attached to the wall surface of the bathroom 30 extending along the width direction of the bathtub 34 so as to face the door 32, the directivity of the radio wave is not controlled, and the bather H may be detected. Specifically, as shown in FIG. 10(a), the distance d3 from the bathroom monitoring device 10 to the front wall of the bathroom 30 and the distance d4 from the bathroom monitoring device 10 to the door 32 are different. It may be used to detect the entry/exit of the bather H and the location of the bather H based on the variation in signal strength according to the distance from the receiver 12 . Details of the detection method will be described below.

浴室30に入浴者Hが存在していない場合には、ドア付近における反射波の信号強度が比較的小さい(図10(a)及び図10(b)参照)。一方、ドア32から入浴者Hが入室した場合、正面壁からの反射波の信号強度はほとんど変化しないが、ドア付近からの反射波の信号強度が大きくなる(図10(a)及び図10(c)の矢印Ar3参照)。従って、入退室判定部14gは、経時的に信号強度を取得し、ドア付近からの反射波が所定の閾値TH3よりも大きくなったときに、入浴者Hが浴室30に入室したと判断してもよい。入退室判定部14gは、経時的に信号強度を取得し、ドア付近からの反射波が所定の閾値TH3以下となったときに、入浴者Hが浴室30から退室したと判断してもよい。 When there is no bather H in the bathroom 30, the signal intensity of the reflected wave near the door is relatively small (see FIGS. 10(a) and 10(b)). On the other hand, when the bather H enters the room through the door 32, the signal intensity of the reflected wave from the front wall hardly changes, but the signal intensity of the reflected wave from the vicinity of the door increases (Fig. 10(a) and Fig. 10( c), see arrow Ar3). Therefore, the room entry/exit determination unit 14g acquires the signal intensity over time, and determines that the bather H has entered the bathroom 30 when the reflected wave from the vicinity of the door becomes greater than a predetermined threshold TH3. good too. The room entry/exit determination unit 14g may acquire the signal intensity over time, and determine that the bather H has left the bathroom 30 when the reflected wave from the vicinity of the door becomes equal to or less than a predetermined threshold TH3.

一方、入浴者Hが洗い場31から浴槽34に移動した場合、入浴者Hは浴室監視装置10の正面壁の手前側に位置し、浴室監視装置10から入浴者Hまでの距離d5は浴室監視装置10から正面壁までの距離d3よりも短い(図11(a)参照)。このとき、発信機11からの無線電波の一部が入浴者Hで反射して壁に到達しなくなる。そのため、壁からの反射波の信号強度が小さくなり(図11(a)及び図11(b)の矢印Ar4参照)、壁よりも手前側(受信機12側)からの反射波の信号強度が大きくなる(図11(b)の矢印Ar5参照)。従って、入退室判定部14gは、経時的に信号強度を取得し、壁よりも手前側からの反射波が所定の閾値TH4よりも大きくなったときに、入浴者Hが洗い場31から浴槽34に移動したと判断してもよい。入退室判定部14gは、経時的に信号強度を取得し、壁よりも手前側からの反射波が所定の閾値TH4以下となったときに、入浴者Hが浴槽34から洗い場31に移動したと判断してもよい。 On the other hand, when the bather H moves from the washing area 31 to the bathtub 34, the bather H is positioned in front of the front wall of the bathroom monitoring device 10, and the distance d5 from the bathroom monitoring device 10 to the bather H is the same as that of the bathroom monitoring device. It is shorter than the distance d3 from 10 to the front wall (see FIG. 11(a)). At this time, part of the radio wave from the transmitter 11 is reflected by the bather H and does not reach the wall. Therefore, the signal strength of the reflected wave from the wall decreases (see arrow Ar4 in FIGS. 11A and 11B), and the signal strength of the reflected wave from the near side (receiver 12 side) of the wall decreases. becomes larger (see arrow Ar5 in FIG. 11(b)). Therefore, the room entry/exit determination unit 14g acquires the signal intensity over time, and when the reflected wave from the front side of the wall becomes larger than a predetermined threshold value TH4, the bather H moves from the washing area 31 to the bathtub 34. You can assume that you have moved. The room entry/exit determination unit 14g acquires the signal intensity over time, and determines that the bather H has moved from the bathtub 34 to the washing area 31 when the reflected wave from the front side of the wall becomes equal to or less than a predetermined threshold value TH4. You can judge.

[例示]
例1.本開示の一つの例に係る浴室監視装置(10)は、広帯域又は超広帯域の無線電波を浴室(30)内に向けて発信可能に構成された発信部(11)と、発信部(11)から発信された無線電波の反射波を受信可能に構成された受信部(12)と、受信部(12)が受信した反射波に基づいて、浴室(30)内の複数のエリア(B1~B8)のそれぞれにおける信号強度を算出するように構成された信号強度算出部(14c)と、複数のエリア(B1~B8)の信号強度から求められる少なくとも2つのパラメータが対応付けられた基準データを複数用いた機械学習により、基準データが複数のクラスのうちのいずれか一つに分類された分類モデルを記憶するように構成された記憶部(14a)と、受信部(12)が解析対象の反射波を受信したときに、信号強度算出部(14c)によって算出される複数のエリアの信号強度から少なくとも2つのパラメータを求め、当該少なくとも2つのパラメータが対応付けられた解析データを生成するように構成された解析データ生成部(14d)と、解析データが複数のクラスのいずれに属するのかを判定するように構成されたクラス判定部(14f)とを備える。
[Example]
Example 1. A bathroom monitoring device (10) according to one example of the present disclosure includes a transmission unit (11) configured to transmit broadband or ultra-wideband radio waves into a bathroom (30), and a transmission unit (11) A receiving unit (12) configured to receive reflected waves of radio waves emitted from a bathroom (30) based on the reflected waves received by the receiving unit (12) in a plurality of areas (B1 to B8 ), and a plurality of reference data associated with at least two parameters obtained from the signal intensities of the plurality of areas (B1 to B8) A storage unit (14a) configured to store a classification model in which reference data is classified into one of a plurality of classes by machine learning using machine learning; At least two parameters are obtained from signal intensities of a plurality of areas calculated by a signal intensity calculator (14c) when a wave is received, and analysis data in which the at least two parameters are associated is generated. and a class determination unit (14f) configured to determine to which of a plurality of classes the analysis data belongs.

ところで、入浴者の浴室への入退室、入浴者の動作、入浴者の静止、入浴者の浴室内における移動などに応じて、受信部における信号強度の距離スペクトルが変化する。そのため、浴室内における各エリアでの信号強度の少なくとも2つのパラメータ(例えば、各エリアでの信号強度の平均、分散など)が対応付けられた基準データを複数用いた機械学習により、浴室内における入浴者の状態を複数のクラスに分類できる。従って、このような分類モデルに基づいて解析データが属するクラスを判定することにより、入浴者の状態を正確に検知することが可能となる。 By the way, the distance spectrum of the signal intensity in the receiving section changes according to the entrance and exit of the bather, the movement of the bather, the stillness of the bather, the movement of the bather in the bathroom, and the like. Therefore, by machine learning using a plurality of reference data in which at least two parameters of signal strength in each area in the bathroom (for example, the average and variance of signal strength in each area) are associated, bathing in the bathroom A person's condition can be classified into multiple classes. Therefore, by determining the class to which the analysis data belongs based on such a classification model, it is possible to accurately detect the condition of the bather.

例2.例1の装置(10)において、記憶部(14a)は、複数のエリア(B1~B8)の信号強度から求められる少なくとも2つのパラメータが対応付けられた基準データに対する機械学習により、浴室(30)における入浴者(H)の位置を示す複数のクラス(C1a,C1b)のうちいずれか一つに基準データが分類された第1の分類モデル(M1)を記憶するように構成されていてもよい。この場合、入浴者が洗い場と浴槽とのどちらに存在しているのかを正確に検知することが可能となる。 Example 2. In the device (10) of Example 1, the storage unit (14a) performs machine learning on the reference data in which at least two parameters obtained from the signal intensities of the plurality of areas (B1 to B8) are associated with the bathroom (30). may be configured to store a first classification model (M1) in which the reference data is classified into any one of a plurality of classes (C1a, C1b) indicating the position of the bather (H) in . In this case, it is possible to accurately detect whether the bather is in the washing area or the bathtub.

例3.例1又は例2の装置(10)において、記憶部(14a)は、複数のエリア(B1~B8)の信号強度から求められる少なくとも2つのパラメータが対応付けられた基準データに対する機械学習により、浴室(30)内における入浴者(H)の状況を示す複数のクラス(C2a~C2c,C2a~C2c)のうちいずれか一つに基準データが分類された第2の分類モデル(M2,M3)を記憶するように構成されていてもよい。この場合、浴室内における入浴者の状況を正確に検知することが可能となる。 Example 3. In the device (10) of Example 1 or Example 2, the storage unit (14a) performs machine learning on reference data in which at least two parameters obtained from signal intensities of a plurality of areas (B1 to B8) are associated with each other. A second classification model (M2, M3) in which the reference data is classified into one of a plurality of classes (C2a to C2c, C2a to C2c) indicating the situation of the bather (H) in (30) may be configured to store. In this case, it is possible to accurately detect the situation of the bather in the bathroom.

例4.例2の装置(10)において、記憶部(14a)は、複数のエリア(B1~B8)の信号強度から求められる少なくとも2つのパラメータが対応付けられた基準データに対する機械学習により、浴室(30)の洗い場(31)における入浴者(H)の状況を示す複数のクラス(C2a~C2c)のうちいずれか一つに基準データが分類された第2の分類モデル(M2)と、複数のエリア(B1~B8)の信号強度から求められる少なくとも2つのパラメータが対応付けられた基準データに対する機械学習により、浴室(30)の浴槽(34)における入浴者(H)の状況を示す複数のクラス(C3a~C3c)のうちいずれか一つに基準データが分類された第3の分類モデル(M3)とをさらに記憶するように構成されており、クラス判定部(14f)は、解析データを第1の分類モデル(M1)に入力して、解析データが第1の分類モデル(M1)のうちいずれのクラス(C1a,C1b)に属するのかを判定する第1の処理と、第1の処理において、解析データが属するクラス(C1a)に基づいて入浴者(H)が浴室(30)の洗い場(31)に存在すると判定された場合に、解析データを第2の分類モデル(M2)に入力して、解析データが第2の分類モデル(M2)のうちいずれのクラス(C2a~C2c)に属するのかを判定する第2の処理と、第1の処理において、解析データが属するクラス(C1b)に基づいて入浴者(H)が浴室(30)の浴槽(34)に存在すると判定された場合に、解析データを第3の分類モデル(M3)に入力して、解析データが第3の分類モデル(M3)のうちいずれのクラス(C3a~C3c)に属するのかを判定する第3の処理とを実行するように構成されていてもよい。この場合、まず、入浴者が洗い場と浴槽とのどちらに存在するのかを判定し、続いて、入浴者がどのような状況にあるのかを判定している。そのため、分類モデルが階層化され、それぞれの分類モデルがシンプルになる。したがって、入浴者の場所及び状況を同時に判定する場合と比較して、入浴者の状況をより正確に検知することが可能となる。 Example 4. In the device (10) of Example 2, the storage unit (14a) performs machine learning on the reference data in which at least two parameters obtained from the signal intensities of the plurality of areas (B1 to B8) are associated with the bathroom (30). A second classification model (M2) in which the reference data is classified into one of a plurality of classes (C2a to C2c) indicating the situation of the bather (H) in the washing place (31), and a plurality of areas ( A plurality of classes (C3a to C3c), and further stores a third classification model (M3) in which the reference data is classified into any one of them. A first process of inputting the data into the classification model (M1) and determining to which class (C1a, C1b) the analysis data belongs in the first classification model (M1); When it is determined that the bather (H) exists in the washing place (31) of the bathroom (30) based on the class (C1a) to which the data belongs, the analysis data is input to the second classification model (M2), A second process for determining which class (C2a to C2c) the analysis data belongs to in the second classification model (M2), and in the first process, based on the class (C1b) to which the analysis data belongs When it is determined that the bather (H) is in the bathtub (34) of the bathroom (30), the analysis data is input to the third classification model (M3), and the analysis data is input to the third classification model (M3 ), and a third process of determining which class (C3a to C3c) it belongs to. In this case, it is first determined whether the bather is in the washing area or in the bathtub, and then it is determined what kind of situation the bather is in. Therefore, the classification models are layered and each classification model is simple. Therefore, it is possible to detect the situation of the bather more accurately than when the location and situation of the bather are determined at the same time.

例5.例2の装置(10)において、記憶部(14a)は、複数のエリア(B1~B8)の信号強度から求められる少なくとも2つのパラメータが対応付けられた基準データに対する機械学習により、浴室(30)の洗い場(31)及び浴槽(34)における入浴者(H)の状況を示す複数のクラス(C2a~C2c,C3a~C3c)のうちいずれか一つに基準データが分類された第2の分類モデル(M2,M3)をさらに記憶するように構成されており、クラス判定部(14f)は、解析データを第1の分類モデル(M1)に入力して、解析データが第1の分類モデル(M1)のうちいずれのクラス(C1a,C1b)に属するのかを判定する処理と、解析データを第2の分類モデル(M2,M3)に入力して、解析データが第2の分類モデル(M2,M3)のうちいずれのクラス(C2a~C2c,C3a~C3c)に属するのかを判定する処理とを実行するように構成されていてもよい。この場合、入浴者が洗い場と浴槽とのどちらに存在するのかと、入浴者がどのような状況にあるのかとを同時または近接したタイミングで判定している。そのため、浴室内における入浴者の状況を正確に検知することが可能となる。 Example 5. In the device (10) of Example 2, the storage unit (14a) performs machine learning on the reference data in which at least two parameters obtained from the signal intensities of the plurality of areas (B1 to B8) are associated with the bathroom (30). A second classification model in which the reference data is classified into any one of a plurality of classes (C2a to C2c, C3a to C3c) indicating the situation of the bather (H) in the washing place (31) and the bathtub (34) (M2, M3) is further stored, and the class determination unit (14f) inputs the analysis data to the first classification model (M1) so that the analysis data is the first classification model (M1 ) to determine which class (C1a, C1b) it belongs to; ) to determine which class (C2a to C2c, C3a to C3c) it belongs to. In this case, whether the bather is in the washing area or the bathtub and what kind of situation the bather is in are determined at the same time or in close timing. Therefore, it is possible to accurately detect the situation of the bather in the bathroom.

例6.例1~例5のいずれかの装置(10)は、受信部(12)が解析対象の反射波を受信したときに信号強度算出部(14c)によって算出される信号強度の時間変動に基づいて、入浴者(H)の浴室(30)への入退室を判定するように構成された入退室判定部(14g)をさらに備えていてもよい。入浴者が浴室内に入室した場合には受信部が入浴者からの反射波を受信するので、不在の場合と比較して、洗い場における信号強度が大きくなる。そのため、信号強度の比較により、極めて簡便に入浴者の入退室を判定することが可能となる。 Example 6. The device (10) according to any one of Examples 1 to 5, based on the time variation of the signal strength calculated by the signal strength calculator (14c) when the receiver (12) receives the reflected wave to be analyzed, , an entrance/exit determination unit (14g) configured to determine whether the bather (H) enters or exits the bathroom (30). When a bather enters the bathroom, the reception unit receives the reflected wave from the bather, so the signal strength in the washing area increases compared to when the bather is absent. Therefore, by comparing the signal strength, it is possible to determine whether the bather has entered or left the room very simply.

例7.例1~例6のいずれかの装置(10)は、浴室(30)内の湿度に応じた反射波の減衰量に基づいて、信号強度算出部(14c)が算出する信号強度を補正する補正部をさらに備え、記憶部(14a)は、補正部による補正後における複数のエリア(B1~B8)の信号強度から求められる少なくとも2つのパラメータが対応付けられた基準データを複数用いた機械学習により、基準データが複数のクラスのうちのいずれか一つに分類された分類モデルを記憶しており、解析データ生成部(14d)は、受信部(12)が解析対象の反射波を受信したときに、補正部による補正後における複数のエリア(B1~B8)の信号強度から少なくとも2つのパラメータを求め、当該少なくとも2つのパラメータが対応付けられた解析データを生成するように構成されていてもよい。ところで、浴室内の湿度が高まるほど、浴室内を漂う水蒸気に無線電波が吸収されやすくなり、受信部が受信する反射波の信号強度が減衰する傾向にある。すなわち、減衰後の信号強度からパラメータ(例えば、平均、分散等)を求めると、これらの値が小さくなってしまう。この場合、解析データを分類モデルに適用したときに当該解析データが実際の状況とは異なるクラスに分類されてしまうことが懸念される。しかしながら、例6によれば、湿度による減衰量を補正した後の信号強度に基づいて解析データを生成している。そのため、解析データの分類がより正確に行われるので、入浴者の状況をより正確に検知することが可能となる。 Example 7. The device (10) of any one of Examples 1 to 6 corrects the signal strength calculated by the signal strength calculator (14c) based on the amount of attenuation of the reflected wave according to the humidity in the bathroom (30). and the storage unit (14a) performs machine learning using a plurality of reference data in which at least two parameters obtained from the signal intensities of the plurality of areas (B1 to B8) after correction by the correction unit are associated with each other. , and stores a classification model in which the reference data is classified into one of a plurality of classes, and the analysis data generation unit (14d) generates, when the reception unit (12) receives the reflected wave to be analyzed Further, at least two parameters are obtained from the signal intensities of the plurality of areas (B1 to B8) after correction by the correction unit, and analysis data in which the at least two parameters are associated may be generated. . By the way, as the humidity in the bathroom increases, the radio waves are more likely to be absorbed by water vapor floating in the bathroom, and the signal strength of the reflected wave received by the receiver tends to be attenuated. That is, if parameters (for example, mean, variance, etc.) are obtained from the signal strength after attenuation, these values become small. In this case, when the analysis data is applied to the classification model, there is a concern that the analysis data will be classified into a class different from the actual situation. However, according to example 6, the analysis data is generated based on the signal intensity after the attenuation due to humidity has been corrected. Therefore, since the analysis data is classified more accurately, it is possible to detect the condition of the bather more accurately.

例8.例7の装置(10)において、補正部は、浴室(30)内に入浴者(H)が存在していないときの反射波から信号強度算出部(14c)が算出する信号強度の時間変動特性に基づいて、入浴者の入浴時における反射波の減衰量を推定してもよい。 Example 8. In the device (10) of Example 7, the correcting unit changes the time variation characteristic of the signal intensity calculated by the signal intensity calculating unit (14c) from the reflected wave when the bather (H) is not present in the bathroom (30). You may estimate attenuation|damping of the reflected wave at the time of a bather's bathing based on.

例9.例7の装置(10)は、浴室(30)内の湿度を測定するように構成された湿度センサを更に備え、補正部は、湿度センサによって測定された浴室(30)内の湿度に基づいて、反射波の減衰量を推定してもよい。 Example 9. The apparatus (10) of Example 7 further comprises a humidity sensor configured to measure humidity within the bathroom (30), wherein the compensator, based on the humidity within the bathroom (30) measured by the humidity sensor, determines , the attenuation of the reflected wave may be estimated.

例10.例1~例9のいずれかの装置(10)は、クラス判定部(14f)による判定の結果、入浴者(H)が異常状態にある場合に、警報を報知するように構成された報知部を更に備えてもよい。ところで、異常状態には、例えば、入浴者が倒れ込んだり、浴槽内に沈んでしまったり、気絶等により静止状態を継続するといった重度の異常と、例えば、入浴者が浴槽内で眠りに入ってしまい半覚醒状態にあるような軽度の異常とが存在する。例9によれば、軽度の異常にある入浴者を警報によって覚醒状態とすることで、入浴者が重度な異常に移行してしまうことを抑制することが可能となる。 Example 10. The device (10) of any one of Examples 1 to 9 includes a notification unit configured to issue an alarm when the bather (H) is in an abnormal state as a result of the determination by the class determination unit (14f). may be further provided. Abnormal states include, for example, severe abnormalities such as a bather collapsing, sinking in the bathtub, or remaining stationary due to fainting, etc., and, for example, a bather falling asleep in the bathtub. Mild abnormalities such as being in a semi-awake state are present. According to Example 9, by bringing a bather with a mild abnormality into an awake state with an alarm, it is possible to prevent the bather from transitioning to a severe abnormality.

例11.例10の装置(10)は、ユーザからの入力操作を受け付けるように構成された入力部と、報知部が警報を報知したときに、入力部が受け付けた入力操作に基づいて、分類モデルを更新するように構成された更新部とを更に備えていてもよい。この場合、ユーザが入力部を通じて誤警報をフィードバックすることにより、分類モデルがアップデートされる。そのため、浴室内における入浴者の状況をより正確に検知することが可能となる。 Example 11. The device (10) of Example 10 includes an input unit configured to receive an input operation from a user, and updates a classification model based on the input operation received by the input unit when the notification unit issues an alarm. and an updating unit configured to. In this case, the classification model is updated by user feedback of false alarms through the input. Therefore, it is possible to more accurately detect the situation of the bather in the bathroom.

例12.例1~例11のいずれかの装置(10)は、入浴者の状態に関するデータに基づいて生成された制御信号を他の機器に送信するように構成された通信部をさらに備えていてもよい。この場合、入浴者の状態(例えば、浴室内における入浴者の位置、入浴者の動作の有無、入浴者の異常状態など)に応じて、他の機器(例えば、給湯器、浴室内の照明など)の制御の最適化を図ることが可能となる。 Example 12. The device (10) of any one of Examples 1-11 may further comprise a communication unit configured to transmit a control signal generated based on the data regarding the condition of the bather to the other device. . In this case, depending on the state of the bather (for example, the position of the bather in the bathroom, the presence or absence of movement of the bather, the abnormal state of the bather, etc.), other equipment (for example, the water heater, the lighting in the bathroom, etc.) ) can be optimized.

例13.本開示の他の例に係る浴室監視方法は、広帯域又は超広帯域の無線電波を浴室(30)内に向けて発信する第1の工程と、無線電波の反射波に基づいて、浴室(30)内の複数のエリアのそれぞれにおける信号強度を算出する第2の工程と、複数のエリア(B1~B8)の信号強度から求められる少なくとも2つのパラメータが対応付けられた基準データを複数用いて機械学習を行い、基準データが複数のクラスのうちのいずれか一つに分類された分類モデルを作成する第3の工程と、解析対象の反射波に基づいて複数のエリア(B1~B8)の信号強度から少なくとも2つのパラメータを求め、当該少なくとも2つのパラメータが対応付けられた解析データを生成する第4の工程と、解析データが複数のクラスのいずれに属するのかを判定する第5の工程とを含む。この場合、例1の装置と同様の作用効果が得られる。 Example 13. A bathroom monitoring method according to another example of the present disclosure comprises: a first step of transmitting broadband or ultra-wideband radio waves into a bathroom (30); Machine learning using a plurality of reference data in which at least two parameters obtained from the signal strength of the plurality of areas (B1 to B8) are associated with a second step of calculating the signal strength in each of the plurality of areas within and a third step of creating a classification model in which the reference data is classified into one of a plurality of classes, and the signal intensity of a plurality of areas (B1 to B8) based on the reflected waves to be analyzed A fourth step of obtaining at least two parameters from the at least two parameters to generate analysis data associated with the at least two parameters, and a fifth step of determining to which of a plurality of classes the analysis data belongs . In this case, effects similar to those of the device of Example 1 are obtained.

1…浴室監視システム、10…浴室監視装置、11…発信機(発信部)、12…受信機(受信部)、13…通信機(通信部)、14…制御部(コントローラ)、14a…記憶部、14b…送受信処理部、14c…信号強度算出部、14d…データ生成部(解析データ生成部)、14e…分類モデル生成部、14f…クラス判定部、14g…入退室判定部、20…報知装置、21…モニタ(報知部)、22…スピーカ(報知部)、30…浴室、31…洗い場、34…浴槽、B1~B8…レンジビン(エリア)、C1a,C1b,C2a~C2c,C3a~C3c…クラス、DS1~DS3…データセット、R…検知エリア、Rα…浴槽エリア、Rβ…洗い場エリア。 DESCRIPTION OF SYMBOLS 1...Bathroom monitoring system 10...Bathroom monitoring apparatus 11...Transmitter (transmitting part) 12...Receiver (receiving part) 13...Communicator (communication part) 14...Control part (controller) 14a...Memory Part 14b... Transmission and reception processing part 14c... Signal strength calculation part 14d... Data generation part (analysis data generation part) 14e... Classification model generation part 14f... Class determination part 14g... Room entrance/exit determination part 20... Notification Device 21 Monitor (notification unit) 22 Speaker (notification unit) 30 Bathroom 31 Washing place 34 Bathtub B1 to B8 Range bin (area) C1a, C1b, C2a to C2c, C3a to C3c ... class, DS1 to DS3 ... data set, R ... detection area, Rα ... bathtub area, Rβ ... wash area.

Claims (13)

広帯域又は超広帯域の無線電波を浴室内に向けて発信可能に構成された発信部と、
前記発信部から発信された無線電波の反射波を受信可能に構成された受信部と、
前記受信部が受信した前記反射波に基づいて、前記浴室内の複数のエリアのそれぞれにおける信号強度を算出するように構成された信号強度算出部と、
前記複数のエリアの信号強度から求められる少なくとも2つのパラメータが対応付けられた基準データを複数用いた機械学習により、前記基準データが複数のクラスのうちのいずれか一つに分類された分類モデルを記憶するように構成された記憶部と、
前記受信部が解析対象の前記反射波を受信したときに、前記信号強度算出部によって算出される前記複数のエリアの信号強度から少なくとも2つのパラメータを求め、当該少なくとも2つのパラメータが対応付けられた解析データを生成するように構成された解析データ生成部と、
前記解析データが前記複数のクラスのいずれに属するのかを判定するように構成されたクラス判定部とを備える、浴室監視装置。
a transmitter configured to transmit broadband or ultra-wideband radio waves into the bathroom;
a receiving unit configured to receive a reflected wave of a radio wave transmitted from the transmitting unit;
a signal strength calculator configured to calculate signal strength in each of a plurality of areas in the bathroom based on the reflected wave received by the receiver;
A classification model in which the reference data is classified into any one of a plurality of classes by machine learning using a plurality of reference data associated with at least two parameters obtained from the signal intensities of the plurality of areas. a storage configured to store;
When the receiving unit receives the reflected wave to be analyzed, at least two parameters are obtained from the signal strengths of the plurality of areas calculated by the signal strength calculating unit, and the at least two parameters are associated with each other. an analytical data generator configured to generate analytical data;
and a class determination unit configured to determine to which of the plurality of classes the analysis data belongs.
前記記憶部は、前記複数のエリアの信号強度から求められる少なくとも2つのパラメータが対応付けられた基準データに対する機械学習により、前記浴室における入浴者の位置を示す複数のクラスのうちいずれか一つに前記基準データが分類された第1の分類モデルを記憶するように構成されている、請求項1に記載の装置。 The storage unit selects one of a plurality of classes indicating the position of the bather in the bathroom by machine learning with respect to reference data in which at least two parameters obtained from the signal intensities of the plurality of areas are associated. 2. Apparatus according to claim 1, configured to store a first classification model into which the reference data has been classified. 前記記憶部は、前記複数のエリアの信号強度から求められる少なくとも2つのパラメータが対応付けられた基準データに対する機械学習により、前記浴室内における入浴者の状況を示す複数のクラスのうちいずれか一つに前記基準データが分類された第2の分類モデルを記憶するように構成されている、請求項1又は2に記載の装置。 The storage unit stores any one of a plurality of classes indicating the state of the bather in the bathroom by machine learning of reference data associated with at least two parameters obtained from the signal intensities of the plurality of areas. 3. Apparatus according to claim 1 or 2, arranged to store a second classification model into which the reference data has been classified into. 前記記憶部は、
前記複数のエリアの信号強度から求められる少なくとも2つのパラメータが対応付けられた基準データに対する機械学習により、前記浴室の洗い場における入浴者の状況を示す複数のクラスのうちいずれか一つに前記基準データが分類された第2の分類モデルと、
前記複数のエリアの信号強度から求められる少なくとも2つのパラメータが対応付けられた基準データに対する機械学習により、前記浴室の浴槽における入浴者の状況を示す複数のクラスのうちいずれか一つに前記基準データが分類された第3の分類モデルとをさらに記憶するように構成されており、
前記クラス判定部は、
前記解析データを前記第1の分類モデルに入力して、前記解析データが前記第1の分類モデルのうちいずれのクラスに属するのかを判定する第1の処理と、
前記第1の処理において、前記解析データが属するクラスに基づいて入浴者が前記浴室の洗い場に存在すると判定された場合に、前記解析データを前記第2の分類モデルに入力して、前記解析データが前記第2の分類モデルのうちいずれのクラスに属するのかを判定する第2の処理と、
前記第1の処理において、前記解析データが属するクラスに基づいて入浴者が前記浴室の浴槽に存在すると判定された場合に、前記解析データを前記第3の分類モデルに入力して、前記解析データが前記第3の分類モデルのうちいずれのクラスに属するのかを判定する第3の処理とを実行するように構成されている、請求項2に記載の装置。
The storage unit
Machine learning is performed on the reference data associated with at least two parameters obtained from the signal intensities of the plurality of areas, and classifies the reference data into any one of a plurality of classes indicating the state of the bather in the wash area of the bathroom. a second classification model in which
Machine learning is performed on the reference data associated with at least two parameters obtained from the signal intensities of the plurality of areas, and classifies the reference data into one of a plurality of classes indicating the state of the bather in the bathtub of the bathroom. is further configured to store a third classification model with which the is classified;
The class determination unit
a first process of inputting the analysis data into the first classification model and determining to which class of the first classification model the analysis data belongs;
In the first process, when it is determined that a bather is present in the washing area of the bathroom based on the class to which the analysis data belongs, the analysis data is input to the second classification model, and the analysis data a second process of determining which class of the second classification model belongs to;
In the first process, when it is determined that a bather is present in the bathtub of the bathroom based on the class to which the analysis data belongs, the analysis data is input to the third classification model, and the analysis data 3. Apparatus according to claim 2, configured to perform a third operation of determining to which class of said third classification model .
前記記憶部は、前記複数のエリアの信号強度から求められる少なくとも2つのパラメータが対応付けられた基準データに対する機械学習により、前記浴室の洗い場及び浴槽における入浴者の状況を示す複数のクラスのうちいずれか一つに前記基準データが分類された第2の分類モデルをさらに記憶するように構成されており、
前記クラス判定部は、
前記解析データを前記第1の分類モデルに入力して、前記解析データが前記第1の分類モデルのうちいずれのクラスに属するのかを判定する処理と、
前記解析データを前記第2の分類モデルに入力して、前記解析データが前記第2の分類モデルのうちいずれのクラスに属するのかを判定する処理とを実行するように構成されている、請求項2に記載の装置。
The storage unit performs machine learning on reference data associated with at least two parameters obtained from the signal intensities of the plurality of areas, and selects one of a plurality of classes indicating the bather's situation in the washing area and the bathtub of the bathroom. further storing a second classification model in which the reference data is classified into one;
The class determination unit
A process of inputting the analysis data into the first classification model and determining to which class of the first classification model the analysis data belongs;
and inputting the analysis data into the second classification model, and determining to which class the analysis data belongs to among the second classification models. 2. The device according to 2.
前記受信部が解析対象の前記反射波を受信したときに前記信号強度算出部によって算出される信号強度の時間変動に基づいて、入浴者の前記浴室への入退室を判定するように構成された入退室判定部をさらに備える、請求項1~5のいずれか一項に記載の装置。 The entrance/exit of the bather to/from the bathroom is determined based on the time variation of the signal intensity calculated by the signal intensity calculation unit when the reception unit receives the reflected wave to be analyzed. The apparatus according to any one of claims 1 to 5, further comprising an entrance/exit determination unit. 前記浴室内の湿度に応じた前記反射波の減衰量に基づいて、前記信号強度算出部が算出する信号強度を補正する補正部をさらに備え、
前記記憶部は、前記補正部による補正後における前記複数のエリアの信号強度から求められる少なくとも2つのパラメータが対応付けられた基準データを複数用いた機械学習により、前記基準データが複数のクラスのうちのいずれか一つに分類された分類モデルを記憶しており、
前記解析データ生成部は、前記受信部が解析対象の前記反射波を受信したときに、前記補正部による補正後における前記複数のエリアの信号強度から少なくとも2つのパラメータを求め、当該少なくとも2つのパラメータが対応付けられた解析データを生成するように構成されている、請求項1~6のいずれか一項に記載の装置。
Further comprising a correction unit that corrects the signal strength calculated by the signal strength calculation unit based on the attenuation amount of the reflected wave according to the humidity in the bathroom,
The storage unit performs machine learning using a plurality of reference data in which at least two parameters obtained from the signal intensities of the plurality of areas after correction by the correction unit are associated with each other, and the reference data is among the plurality of classes. It stores a classification model classified into one of
The analysis data generation unit obtains at least two parameters from signal intensities of the plurality of areas after correction by the correction unit when the reception unit receives the reflected wave to be analyzed, and calculates the at least two parameters 7. Apparatus according to any one of claims 1 to 6, arranged to generate analytical data associated with the .
前記補正部は、前記浴室内に入浴者が存在していないときの前記反射波から前記信号強度算出部が算出する信号強度の時間変動特性に基づいて、入浴者の入浴時における前記反射波の減衰量を推定する、請求項7に記載の装置。 The correction unit calculates the time variation characteristic of the signal intensity calculated by the signal intensity calculation unit from the reflected wave when the bather is not present in the bathroom, and determines the intensity of the reflected wave when the bather is taking a bath. 8. Apparatus according to claim 7, for estimating attenuation. 前記浴室内の湿度を測定するように構成された湿度センサを更に備え、
前記補正部は、前記湿度センサによって測定された前記浴室内の湿度に基づいて、前記反射波の減衰量を推定する、請求項7に記載の装置。
further comprising a humidity sensor configured to measure humidity within the bathroom;
8. The device according to claim 7, wherein said corrector estimates the amount of attenuation of said reflected wave based on the humidity in said bathroom measured by said humidity sensor.
前記クラス判定部による判定の結果、入浴者が異常状態にある場合に警報を報知するように構成された報知部を更に備える、請求項1~9のいずれか一項に記載の装置。 The apparatus according to any one of claims 1 to 9, further comprising a notification unit configured to issue an alarm when the bather is in an abnormal state as a result of the determination by the class determination unit. ユーザからの入力操作を受け付けるように構成された入力部と、
前記報知部が警報を報知したときに、前記入力部が受け付けた入力操作に基づいて前記分類モデルを更新するように構成された更新部とを更に備える、請求項10に記載の装置。
an input unit configured to receive an input operation from a user;
11. The apparatus according to claim 10, further comprising an updating unit configured to update said classification model based on an input operation received by said input unit when said reporting unit reports an alarm.
入浴者の状態に関するデータに基づいて生成された制御信号を他の機器に送信するように構成された通信部をさらに備える、請求項1~11のいずれか一項に記載の装置。 The device according to any one of claims 1 to 11, further comprising a communication unit configured to transmit a control signal generated based on data relating to the condition of the bather to another device. 広帯域又は超広帯域の無線電波を浴室内に向けて発信する第1の工程と、
無線電波の反射波に基づいて、前記浴室内の複数のエリアのそれぞれにおける信号強度を算出する第2の工程と、
前記複数のエリアの信号強度から求められる少なくとも2つのパラメータが対応付けられた基準データを複数用いて機械学習を行い、前記基準データが複数のクラスのうちのいずれか一つに分類された分類モデルを作成する第3の工程と、
解析対象の反射波に基づいて前記複数のエリアの信号強度から少なくとも2つのパラメータを求め、当該少なくとも2つのパラメータが対応付けられた解析データを生成する第4の工程と、
前記解析データが前記複数のクラスのいずれに属するのかを判定する第5の工程とを含む、浴室監視方法。
A first step of transmitting broadband or ultra-wideband radio waves into the bathroom;
a second step of calculating a signal strength in each of a plurality of areas in the bathroom based on reflected radio waves;
A classification model in which machine learning is performed using a plurality of reference data associated with at least two parameters obtained from the signal intensities of the plurality of areas, and the reference data is classified into one of a plurality of classes. a third step of creating
a fourth step of obtaining at least two parameters from the signal intensities of the plurality of areas based on the reflected waves to be analyzed, and generating analysis data in which the at least two parameters are associated;
and a fifth step of determining to which of the plurality of classes the analysis data belongs.
JP2018220492A 2018-11-26 2018-11-26 Bathroom monitoring device and bathroom monitoring method Active JP7320222B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2018220492A JP7320222B2 (en) 2018-11-26 2018-11-26 Bathroom monitoring device and bathroom monitoring method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2018220492A JP7320222B2 (en) 2018-11-26 2018-11-26 Bathroom monitoring device and bathroom monitoring method

Publications (2)

Publication Number Publication Date
JP2020086935A JP2020086935A (en) 2020-06-04
JP7320222B2 true JP7320222B2 (en) 2023-08-03

Family

ID=70908245

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2018220492A Active JP7320222B2 (en) 2018-11-26 2018-11-26 Bathroom monitoring device and bathroom monitoring method

Country Status (1)

Country Link
JP (1) JP7320222B2 (en)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2023082448A (en) * 2021-12-02 2023-06-14 オムロン株式会社 Detection device and detection method

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010032442A (en) 2008-07-30 2010-02-12 Hitachi Ltd Positioning system and processing device
JP2017225122A (en) 2013-06-28 2017-12-21 日本電気株式会社 Video surveillance system, video processing apparatus, video processing method, and video processing program
JP2018047140A (en) 2016-09-23 2018-03-29 東京瓦斯株式会社 Detection device, warning system, detection method, and program

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010032442A (en) 2008-07-30 2010-02-12 Hitachi Ltd Positioning system and processing device
JP2017225122A (en) 2013-06-28 2017-12-21 日本電気株式会社 Video surveillance system, video processing apparatus, video processing method, and video processing program
JP2018047140A (en) 2016-09-23 2018-03-29 東京瓦斯株式会社 Detection device, warning system, detection method, and program

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
太田 勇輝,外4名,"UWB-IRを用いた浴室内見守りセンサの実験的検討",電子情報通信学会2010年総合大会 基礎・境界講演論文集 ,2010年03月02日,p.114

Also Published As

Publication number Publication date
JP2020086935A (en) 2020-06-04

Similar Documents

Publication Publication Date Title
US11475760B2 (en) Method, digital tool, device and system for detecting movements of objects and/or living beings in a radio range, in particular of an indoor area
US9568595B2 (en) Ultra-wide band antenna arrays and related methods in personal emergency response systems
US20130100268A1 (en) Emergency detection and response system and method
JP6139765B1 (en) Detection device, alarm system, detection method, and program
US20220104704A1 (en) Sleep Monitoring Based on Wireless Signals Received by a Wireless Communication Device
GB2525476A (en) Method and device for monitoring at least one interior of a building, and assistance system for at least one interior of a building
US9613510B2 (en) Apparatus and method for rapid human detection with pet immunity
JP7320222B2 (en) Bathroom monitoring device and bathroom monitoring method
US10834363B1 (en) Multi-channel sensing system with embedded processing
Matsuguma et al. Bathroom accident detection with 79GHz-band millimeter wave sensor
JP2023509149A (en) State detection
CN113915774A (en) Water heater, water temperature control method and device, electronic equipment and storage medium
JP6624668B1 (en) Support system for watching over care recipients
US20230237889A1 (en) Detecting an object in an environment
WO2024009295A1 (en) Monitoring an environment to control an active reflected wave detector
JP7233080B2 (en) Living body detection device, living body detection system, living body detection method, and living body data acquisition device
KR102343167B1 (en) Location detection in the network
EP4392957A1 (en) State or activity detection
Jimi et al. Bathroom monitoring with fast-chirp modulation millimeter-wave UWB radar
CA2792621A1 (en) Emergency detection and response system and method
Kashima et al. Bathroom movements monitoring UWB sensor with feature extraction algorithm
JP7080464B2 (en) Motion detection device, motion detection system and motion detection method
JP5759752B2 (en) Security device and security operation switching method
US20240290189A1 (en) Occupancy Dependent Fall Detection
JP2023147279A (en) bathroom system

Legal Events

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

Free format text: JAPANESE INTERMEDIATE CODE: A80

Effective date: 20181217

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20211005

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20220928

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20221025

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230322

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: 20230704

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230713

R150 Certificate of patent or registration of utility model

Ref document number: 7320222

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150