JP7431414B2

JP7431414B2 - 熱中症発症検知装置

Info

Publication number: JP7431414B2
Application number: JP2020097152A
Authority: JP
Inventors: 幸一藤原; 鴻志太田; 孝富久保; 俊貴山川
Original assignee: Nara Institute of Science and Technology NUC; Tokai National Higher Education and Research System NUC
Current assignee: Nara Institute of Science and Technology NUC; Tokai National Higher Education and Research System NUC
Priority date: 2020-06-03
Filing date: 2020-06-03
Publication date: 2024-02-15
Anticipated expiration: 2040-06-03
Also published as: JP2021186461A

Description

本開示は、熱中症発症検知技術であり、特に熱中症の発症を検知する熱中症発症検知装置に関する。

従来、被検者について計測した心拍パターンからてんかん性発作の兆候を予測する装置が提案されている。しかしながら、実際には、てんかん性発作を予測する心拍パターンは知られていない。そこで、心拍に関する複数種類の指標を主成分分析することによって生成した発作兆候検知モデルを使用して、てんかん性発作の兆候の有無が識別される（例えば、特許文献１参照）。

特開２０１５－１１２４２３号公報

温暖化の進展に伴って、熱中症発症者数が増加している。そこで、熱中症の発症を容易に検知することが求められる。

本開示はこうした状況に鑑みてなされており、熱中症の発症を容易に検知する技術を提供することにある。

上記課題を解決するために、本開示のある態様の熱中症発症検知装置は、被検者の心電信号におけるＲ波の間隔が示されたＲＲＩデータを取得する取得部と、取得部において取得したＲＲＩデータをもとに、心拍に関する複数種類の指標のそれぞれについての指標値が含まれた第１指標データを生成する生成部と、複数種類の指標のそれぞれについての指標値から少なくとも１つの管理値を算出する熱中症発症検知モデルを使用して、生成部において生成した第１指標データから算出される管理値をもとに、被検者における熱中症の発症を検知する検知部とを備える。熱中症発症検知モデルは、熱中症を発症していない提供者の心電信号におけるＲ波の間隔が示されたＲＲＩデータをもとに生成された第２指標データであって、かつ心拍に関する複数種類の指標それぞれについての指標値が含まれた第２指標データに対して主成分分析がなされることによって生成されている。

本開示の別の態様もまた、熱中症発症検知装置である。この装置は、被検者の心電信号におけるＲ波の間隔が示されたＲＲＩデータを取得する取得部と、取得部において取得したＲＲＩデータをもとに、心拍に関する複数種類の指標のそれぞれについての指標値が含まれた第１指標データを生成する生成部と、生成部において生成した第１指標データを自己符号化器に入力して得られた第１出力データと、第１指標データとをもとに、被検者における熱中症の発症を検知する検知部とを備える。自己符号化器は、熱中症を発症していない提供者の心電信号におけるＲ波の間隔が示されたＲＲＩデータをもとに生成された第２指標データであって、かつ心拍に関する複数種類の指標それぞれについての指標値が含まれた第２指標データを入力して得られた第２出力データと、第２指標データとが近くなるように学習されている。

なお、以上の構成要素の任意の組合せ、本開示の表現を方法、装置、システム、記録媒体、コンピュータプログラムなどの間で変換したものもまた、本開示の態様として有効である。

本開示によれば、熱中症の発症を容易に検知できる。

図１（ａ）－（ｂ）は、本実施例１に係る熱中症発症検知システムの構成を示す図である。図１（ａ）の第１情報処理装置の構成を示す図である。図３（ａ）－（ｉ）は、図２の生成部において生成されるＨＲＶ指標データの一例を示す図である。図２の構築部における処理概要を示す図である。図１（ｂ）の第２情報処理装置の構成を示す図である。図６（ａ）－（ｃ）は、図５の第２情報処理装置における処理概要を示す図である。図５の第２情報処理装置による処理手順を示すフローチャートである。実施例２に係る第１情報処理装置の構成を示す図である。図８の学習部における自己符号化器の構成を示す図である。実施例２に係る第２情報処理装置による処理手順を示すフローチャートである。

（実施例１）
本開示を具体的に説明する前に、概要を述べる。本実施例は、被検者の心電信号におけるＲ波の間隔が示されたＲＲＩ（Ｒ－ＲＩｎｔｅｒｖａｌ）データから熱中症の発症を検知する熱中症発症検知システムに関する。温暖化の進展に伴い、毎年のように初夏から秋にかけて熱中症関連の話題がニュースを騒がせている。今後、高齢化と地球温暖化が進展するにつれて、さらに熱中症発症者数が増加することが予想され、熱中症対策が求められる。熱中症は立ちくらみや気分が悪くなるなどのＩ度（軽度）の症状・徴候を認めた時点で、休息や水分補給など速やかに適切な対処ができれば、本来は救急搬送や死亡までは至ることはない。したがって、熱中症発症前に発症を予知してアラートするシステムがあれば、熱中症による被害を大幅に軽減できるはずである。

熱中症リスク評価基準として、暑さ指数（ＷｅｔＢｕｌｂＧｌｏｂｅＴｅｍｐｅｒａｔｕｒｅ；ＷＢＧＴ）が一般的であり、環境省のウェブＷｅｂサイトでも毎日各地域のＷＢＧＴが公開されている。ＷＢＧＴは温度・日射・気温から計算される値で、これが２８度を超えると熱中症患者が著しく増加する。しかしながら、ＷＢＧＴはあくまで環境を評価するものに過ぎず、熱中症発症リスクはそれぞれの人の体調や暑熱環境耐性、置かれている状況や活動などによって大きく異なるため、ＷＢＧＴに代わる新たなリスク評価が求められる。そこで、各人が身に付けたセンサで身体状態を測定し、センサ情報を解析して近い将来に熱中症になる可能性をリアルタイムに判定できれば、熱中症発症前にアラームを発報することで発症を回避できるようになる。

熱中症では、Ｉ度で頻脈、大量発汗、めまい、立ちくらみ、気分が悪くなるなどの症状が起きるが（日本救急医学会「熱中症診療ガイドライン」、２０１５）、これは自律神経系と関わりのある症状であり、個人の自律神経活動を定量化できれば、ＷＢＧＴの代替になりうる可能性がある。自律神経活動を反映する生理指標として、心拍変動（ＨｅａｒｔｒａｔｅＶａｒｉａｂｉｌｉｔｙ；ＨＲＶ）が知られている。これは心拍の間隔が１拍毎にミリ秒のオーダでわずかに変動するという現象である。自律神経系は循環、呼吸、消化、発汗・体温調節や代謝などを制御しているため、多くの疾患が自律神経活動と関係しており、ＨＲＶ解析は様々な疾患の診断に活用できる。熱中症は深部体温が異常上昇することで発症するが、実際に深部体温とＨＲＶ変化に関係があることも報告されている。直腸温など深部体温を継続的にモニタすることは困難であるが、ＨＲＶをモニタすることで熱中症発症前に兆候を捉えることができると期待される。

本実施例は、ＨＲＶデータと熱中症を結びつける数理モデル、特に熱中症発症を予測できるアルゴリズムを示す。熱中症発症予測アルゴリズムの開発には、健常期と熱中症前兆期双方のＨＲＶデータが求められる。しかしながら、熱中症好発環境下でデータ収集を試みても、やはり熱中症前兆期のＨＲＶデータを大量に採取するのは困難である。そこで、本実施例では、健常状態のＨＲＶデータのみから何らかの異常を検出し、それが熱中症発症前兆期を表しているのかを判定する異常検知ＡＩを示す。具体的には、収集した健常期ＨＲＶデータより、機械学習の一種である異常検知手法を用いて学習させ、明らかに健常期ＨＲＶデータとは異なるＨＲＶデータが測定されたときに、アラームを発報する。異常検知手法として、例えば、多変量統計的プロセス管理（ＭｕｌｔｉｖａｒｉａｔｅＳｔａｔｉｓｔｉｃａｌＰｒｏｃｅｓｓＣｏｎｔｒｏｌ；ＭＳＰＣ）が使用される。

図１（ａ）－（ｂ）は、熱中症発症検知システム１０００の構成を示す。熱中症発症検知システム１０００は、（１）熱中症の発症の検知に必要なモデル（以下、「熱中症発症検知モデル」という）を構築するモデル構築動作と、（２）構築した熱中症発症検知モデルを用いて熱中症の発症を検知する発症検知動作とを実行する。図１（ａ）は、モデル構築動作を実行するための熱中症発症検知システム１０００の構成を示す。熱中症発症検知システム１０００は、複数の電極１００、心拍センサ２００、第１情報処理装置３００ａを含む。提供者１０は、モデルを構築するために必要な心電信号を提供する人であり、かつ循環器系に疾患のない人である。また、モデルの構築には、提供者１０が熱中症を発症していないときの心電信号が使用される。提供者１０は、複数存在する。

提供者１０の体表には３つの電極１００が取り付けられる。３つの電極１００は、例えばプラス電極と、マイナス電極と、接地電極とから構成される。３つの電極１００は心拍センサ２００に接続される。心拍センサ２００は、３つの電極１００を介して提供者１０について計測した心電信号からＲ波を抽出する。例えば、Ｒ波はｍｓｅｃオーダで抽出される。また、心拍センサ２００は、Ｂｌｕｅｔｏｏｔｈ（登録商標）ＬＥ等の無線通信機能を有し、抽出したＲ波を示す信号を無線送信する。

第１情報処理装置３００ａは、例えばコンピュータである。第１情報処理装置３００ａは、Ｂｌｕｅｔｏｏｔｈ（登録商標）ＬＥ等の無線通信機能を有し、心拍センサ２００から無線送信されるＲ波を示す信号を受信する。第１情報処理装置３００ａは、Ｒ波を示す信号をもとに、熱中症発症検知モデルを生成する。熱中症発症検知モデルの生成については後述する。

図１（ｂ）は、熱中症の発症を検知するための熱中症発症検知システム１０００の構成を示す。熱中症発症検知システム１０００は、複数の電極１００、心拍センサ２００、第２情報処理装置３００ｂを含む。被検者２０は、熱中症の発症の検知対象なる人である。被検者２０の体表には３つの電極１００が取り付けられる。心拍センサ２００は、３つの電極１００を介して被検者２０について計測した心電信号からＲ波を抽出する。心拍センサ２００は、抽出したＲ波を示す信号を無線送信する。

第２情報処理装置３００ｂは、例えばスマートフォンである。第２情報処理装置３００ｂは、Ｂｌｕｅｔｏｏｔｈ（登録商標）ＬＥ等の無線通信機能を有し、心拍センサ２００から無線送信されるＲ波を示す信号を受信する。第２情報処理装置３００ｂは、第１情報処理装置３００ａにおいて生成された熱中症発症検知モデルを予め記憶しており、熱中症発症検知モデルを使用しながら、Ｒ波を示す信号をもとに熱中症の発症を検知する。第１情報処理装置３００ａと第２情報処理装置３００ｂは情報処理装置３００として一体的に構成されてもよい。以下では、（１）モデル構築動作、（２）発症検知動作の順に説明する。

（１）モデル構築動作
図２は、第１情報処理装置３００ａの構成を示す。第１情報処理装置３００ａは、通信部３１０、取得部３２０、生成部３３０、構築部３４０、記憶部３５０を含む。通信部３１０は、心拍センサ２００から無線送信されたＲ波を示す信号を受信する。通信部３１０は、受信した信号からＲ波を示すデータ（以下、「Ｒ波データ」という）を生成して取得部３２０に出力する。Ｒ波データは、例えば、Ｒ波を示す信号の振幅がしきい値電圧以上である場合に「１」となり、しきい値電圧以上でない場合に「０」となるデジタルデータである。つまり、Ｒ波データは、心電信号におけるＲ波に対応する期間が「１」に設定され、それ以外の期間が「０」に設定された矩形パルス列である。

取得部３２０は、通信部３１０からＲ波データを受けつける。取得部３２０は、Ｒ波データをもとに、Ｒ波の間隔を示すＲＲＩ変数の時系列データであるＲＲＩデータを取得する。ＲＲＩデータでは、被検者２０の心電信号におけるＲ波の間隔が示される。その際、取得部３２０は、Ｒ波データから、時間的に隣り合う２つの矩形パルスの立下り時刻の時間間隔をＲＲＩ変数として算出し、算出した当該ＲＲＩ変数を時系列に並べることにより、ＲＲＩデータを生成する。具体的に説明すると、取得部３２０は、まず、Ｒ波データについて、Ｒ波が検出された第１時刻と、直前にＲ波が検出された第２時刻との間の時間間隔を、上記第１時刻におけるＲＲＩ値として算出していく。これにより、ＲＲＩ値の経時変化を示すデータが生成される。その後、取得部３２０は、ＲＲＩ値の経時変化を示すデータについてスプライン補間を行い等間隔にサンプリングすることで、時間的に等間隔に並んだＲＲＩ値の経時変化を示すデータをＲＲＩデータとして生成する。つまり、取得部３２０が、心電信号から得られる時間間隔が異なる経時データについて、スプライン補間（補間処理）を行い等間隔にサンプリングすることにより、時間的に等間隔に並んだＲＲＩデータを生成する。取得部３２０は、ＲＲＩデータを生成部３３０に出力する。

生成部３３０は、取得部３２０において取得したＲＲＩデータ（ＲＲＩ変数）をもとに、心拍に関する複数種類の指標のそれぞれについての指標値が含まれた指標データ（以下、「ＨＲＶ（ＨｅａｒｔＲａｔｅＶａｒｉａｂｉｌｉｔｙ）指標データ」という）を生成する。ＨＲＶ指標データは、ＲＲＩ平均値、ＲＲＩ標準偏差、ＲＭＳＳＤ、トータルパワー、ＮＮ５０、ｐＮＮ５０、ＬＦ、ＨＦ、ＬＦ／ＨＦ比率、ＣＶの１０種類のＨＲＶ指標を含む。これらのＨＲＶ指標データは、時間領域のＨＲＶ指標データと、周波数領域のＨＲＶ指標データとに分類される。ＲＲＩ平均値、ＲＲＩ標準偏差、ＲＭＳＳＤ、トータルパワー、ＮＮ５０、ｐＮＮ５０、ＣＶは、時間領域のＨＲＶ指標データである。一方、ＬＦ、ＨＦ、ＬＦ／ＨＦ比率は、周波数領域のＨＲＶ指標データである。時間領域のＨＲＶ指標データは、ＲＲＩデータから直接算出され、周波数領域のＨＲＶ指標データは、ＲＲＩデータから得られるパワースペクトルから算出される。

時間領域のＨＲＶ指標データのうち、ＲＲＩ平均値は、時間窓内（例えば、時刻ｔ－１８０ｓｅｃ～時刻ｔ）におけるＲＲＩ値の平均値である。ＲＲＩ標準偏差は、時間窓内に含まれるＲＲＩデータの標準偏差である。ＲＭＳＳＤは、時間窓内に含まれるＲＲＩデータについて、時間的に隣り合う２つのＲＲＩデータの差分値の二乗平均の平方根である。トータルパワーは、時間窓内に含まれるＲＲＩデータの２乗和である。ＮＮ５０は、時間窓内に含まれるＲＲＩデータについて、時間的に隣り合う２つのＲＲＩデータのペアのうち、その差分が５０ｍｓｅｃを超えるペアの数である。ｐＮＮ５０は、ＮＮ５０を、時間窓内におけるＲＲＩデータの総数で除して得られる値である。ＣＶは、ＲＲＩ標準偏差をＲＲＩ平均値で除算して得られる値である。

周波数領域のＨＲＶ指標データに関して、生成部３３０は、時間窓（時刻ｔ（第１時刻）と時刻ｔ－１８０ｓｅｃ（第３時刻）との間）に含まれるＲＲＩデータに対応するパワースペクトルを算出する。生成部３３０は、パワースペクトルにおける０．１５Ｈｚ～０．４Ｈｚ（第１周波数帯域）の積分値をＨＦとして生成する。生成部３３０は、パワースペクトルにおける０．０４～０．１５Ｈｚ（第２周波数帯域）の積分値ＬＦとして生成する。ＬＦ／ＨＦ比率は、ＬＦをＨＦで除算して得られる値であり、ストレス状態になるほど大きくなる。

ここでは、これらのＨＲＶ指標データを生成する処理を説明する。生成部３３０は、時間窓の長さをＷに設定する。また、ＲＲＩデータのデータ総数は、Ｌ（Ｌは正の整数）であるとする。生成部３３０は、ＲＲＩデータの取得開始時刻から時間窓Ｗ以上の時間が経過した時刻ｔ［ｌ］（≧Ｗ）の中から、時刻が最小となる時刻ｔ［ｌ０］を選択する。ここで、時刻ｔ［ｌ］は、ｌ番目のＲＲＩデータに対応する時刻を示す。また、ｌ番目のＲＲＩデータに対応する時刻と、ｌ＋１番目のＲＲＩデータに対応する時刻との間隔は、時間Δｔである。生成部３３０は、時刻ｔ［ｌ］－Ｗ＋Δｔ～時刻ｔ［ｌ］（ｌ≧ｌ０）の間に対応するＲＲＩデータを切り出す。生成部３３０は、切り出したＲＲＩデータから前述の複数種類の指標値が含まれたＨＲＶ指標データを生成する。生成部３３０は、生成したＨＲＶ指標データに含まれる複数種類の指標値のそれぞれに対して、時間窓毎に、トータルパワーで正規化する。これに続いて、生成部３３０は、切り出す対象となるＲＲＩデータを変更するために、データ番号ｌを１だけインクリメントし、同様の処理を繰り返す。

図３（ａ）－（ｉ）は、生成部３３０において生成されるＨＲＶ指標データの一例を示す。図３（ａ）がトータルパワーを示し、図３（ｂ）がＲＲＩ平均値を示し、図３（ｃ）がＲＲＩ標準偏差を示し、図３（ｄ）がｐＮＮ５０を示し、図３（ｅ）がＲＭＳＳＤを示し、図３（ｆ）がＮＮ５０を示し、図３（ｇ）がＬＦを示し、図３（ｈ）がＨＦを示し、図３（ｉ）がＬＦ／ＨＦ比率を示す。これらの図において、「Ａ１」は熱中症症状を申告したタイミングを示し、「Ｂ１」は、「Ａ１」で申告した熱中症症状に対して休憩を申告したタイミングを示す。また、「Ａ２」は熱中症症状を申告したタイミングを示し、「Ｂ２」は、「Ａ２」で申告した熱中症症状に対して休憩を申告したタイミングを示す。図示のごとく、熱中症症状・休憩を申告した前後でＨＲＶ指標に変化がある。図２に戻る。このようなＨＲＶ指標データは、複数の提供者１０のそれぞれに対して生成される。生成部３３０は、複数の提供者１０のそれぞれに対するＨＲＶ指標データを構築部３４０に出力する。

構築部３４０は、生成部３３０において生成したＨＲＶ指標データに対して主成分分析を実行することによって、熱中症発症検知モデルを生成する。その前処理として、構築部３４０は、複数の提供者１０のＨＲＶ指標データを使用して、ＨＲＶ指標毎に平均値を算出する。また、構築部３４０は、ＨＲＶ指標データに含まれる複数種類のＨＲＶ指標のそれぞれに対して平均値を減算することによって、新たなＨＲＶ指標データ（以下、これもまた「ＨＲＶ指標データ」という）を生成する。

次に、構築部３４０は、主成分分析処理により、複数のＨＲＶ指標から主成分と呼ばれる新たな合成変数を生成する。ＨＲＶ指標データを表すデータ行列をＸ∈Ｒ^Ｎ×Ｐと示す。ここで、ＰはＨＲＶ指標の種類の数を表し、Ｎは各ＨＲＶ指標に含まれるデータ数を示す。ＨＲＶ指標が１０種類の場合、Ｐ＝１０となる。各ＨＲＶ指標は、平均０に中心化されている。さらに、各ＨＲＶ指標がトータルパワーで除算されることによって、各ＨＲＶ指標に対する正規化がなされてもよい。

データ行列Ｘの特異値分解は次のように示される。

ＵとＶとは直交行列であり、対角行列Ｓの対角要素には、特異値ｓｒが降順に並ぶ。採用する主成分の数をＲとすると、第ｒ主成分は、負荷量行列Ｖ_Ｒの第ｒ列ｖｒで与えられる。第ｒ列ｖｒは、Ｐ次元のベクトルで表される。

また、第ｒ主成分得点ｔｒは次のように示される。

ｕｒは、行列Ｕ_Ｒの第ｒ列を示す。Ｒ個の主成分それぞれに対応する主成分得点をまとめると、次のように示される。

ＨＲＶ指標の個数Ｐよりも主成分の個数Ｒのほうが小さい場合、ＨＲＶ指標データを表現するための空間がＰ次元からＲ次元へ圧縮される。この場合、Ｐ次元空間の基底が、主成分となり、主成分得点がＲ次元空間における座標となる。Ｒ次元空間におけるデータ行列をＸ’∈Ｒ^Ｎ×Ｒとすると、Ｘ’とＰ次元空間におけるデータ行列Ｘとの間には次の関係が成立する。

Ｐ次元からＲ次元に圧縮したことにより失われる情報は、予測誤差と呼ばれる。この予測誤差を示すデータ行列Ｅは次のように示される。

構築部３４０は、時刻ｔ、時刻ｔ－Δｔ、時刻ｔ－２ΔｔにおけるＨＲＶ指標データから構成される３０個のＨＲＶ指標（３０次元のデータ）を使用して、主成分分析処理を行う。例えば、構築部３４０は、主成分数を「４」に設定し、時間Δｔを１ｓｅｃに設定する。この場合、ＨＲＶ指標データを表現するための空間が、３０次元から４次元に圧縮されることになる。

これに続いて、構築部３４０は、主成分分析処理により得られる主成分得点および予測誤差からＴ^２統計量およびＱ統計量（管理値）を算出する。Ｔ^２統計量は、主成分分析により得られる主成分得点から次のように算出される。

σ（ｔｒ）は、第ｒ主成分得点ｔｒの標準偏差であり、Ｔ^２統計量は、Ｒ次元空間の原点からのマハラノビス距離に対応する。

Ｑ統計量は、主成分分析により得られる主成分得点から次のように算出される。

式（７）は、式（５）で表される予測誤差の２乗ノルムに相当する。

図４は、構築部３４０における処理概要を示す。ここでは、一例として、第１主成分から第３主成分により構成される３次元の空間を想定する。３次元空間の原点は、データの平均値を示す。このような３次元空間において、正常なデータが存在すべき平面が部分空間５００と示される。Ｔ^２統計量は、部分空間５００でのサンプルと原点のマハラノビス距離を示し、Ｑ統計量は、部分空間５００とサンプルの２乗距離を示す。図２に戻る。

構築部３４０は、Ｔ^２統計量およびＱ統計量に対する管理限界を決定する。これにより、Ｔ^２統計量およびＱ統計量それぞれに対して管理限界以下である管理領域が設定される。例えば、Ｔ^２統計量に対する管理限界は、正常時のＴ^２統計量の９１．５％に設定され、Ｑ統計量に対する管理限界は、正常時のＱ統計量の９１．５％に設定される。ここで、９１．５％に限定されない。最終的に、構築部３４０は、生成した熱中症発症検知モデルと、Ｔ^２統計量およびＱ統計量それぞれに対する管理領域とを記憶部３５０に記憶する。熱中症発症検知モデルは、式（６）および式（７）の関係式で表現され、負荷量行列Ｖ_Ｒを含む。

（２）発症検知動作
図５は、第２情報処理装置３００ｂの構成を示す。第２情報処理装置３００ｂは、通信部３１０、取得部３２０、生成部３３０、記憶部３５０、検知部３６０、通知部３７０を含む。通信部３１０は、これまでと同様に、心拍センサ２００から無線送信されたＲ波を示す信号を受信し、受信した信号をもとにＲ波データを生成する。通信部３１０は、Ｒ波データを取得部３２０に出力する。取得部３２０も、これまでと同様に、通信部３１０からＲ波データを受けつけ、Ｒ波データをもとにＲＲＩデータを取得する。取得部３２０は、ＲＲＩデータを生成部３３０に出力する。

生成部３３０は、取得部３２０において取得したＲＲＩデータ（ＲＲＩ変数）をもとに、ＨＲＶ指標データを生成する。発作検知動作において生成されるＨＲＶ指標データを「第１ＨＲＶ指標データ」と呼ぶ場合、モデル構築動作において生成されるＨＲＶ指標データは「第２ＨＲＶ指標データ」と呼ばれる。ＨＲＶ指標データは、これまでと同様に、ＲＲＩ平均値、ＲＲＩ標準偏差、ＲＭＳＳＤ、トータルパワー、ＮＮ５０、ｐＮＮ５０、ＬＦ、ＨＦ、ＬＦ／ＨＦ比率、ＣＶの１０種類のＨＲＶ指標を含む。しかしながら、モデル構築動作では、規格化の後に、切り出す対象となるＲＲＩデータを変更して、ＨＲＶ指標データの生成処理が繰り返されていたが、発症検知動作では、このようなＨＲＶ指標データの生成処理の繰り返しがなされない。具体的には、生成部３３０は、ＲＲＩデータを取得する毎に、当該ＲＲＩデータに対応する時刻と、当該時刻から前述の時間窓分だけ過去の時刻との間におけるＲＲＩデータを用いて、各ＨＲＶ指標を生成する。例えば、生成部３３０は、１８０ｓｅｃの時間窓を設定した場合、時刻ｔにおけるＲＲＩデータを取得すると、時刻ｔ－１８０ｓｅｃ＋Δｔから時刻ｔまでの間のＲＲＩデータから時刻ｔにおける各ＨＲＶ指標を生成する。生成部３３０は、被検者２０に対するＨＲＶ指標データを検知部３６０に出力する。

記憶部３５０は、モデル構築動作において生成された熱中症発症検知モデルと、Ｔ^２統計量およびＱ統計量のそれぞれに対する管理領域とを記憶する。検知部３６０は、記憶部３５０に記憶した熱中症発症検知モデルを使用して、生成部３３０において生成したＨＲＶ指標データから算出される管理値をもとに、被検者２０における熱中症の発症を検知する。具体的に説明すると、検知部３６０は、熱中症発症検知モデルを使用して、時刻ｔ、時刻ｔ－Δｔ、時刻ｔ－２Δｔにおける３０個のＨＲＶ指標を含むＨＲＶ指標データに対して主成分分析を実行することにより主成分得点および予測誤差を算出してから、主成分得点および予測誤差をもとにＴ^２統計量およびＱ統計量を管理値として算出する。前述のごとく、熱中症発症検知モデルは、式（６）および式（７）の関係式で表現される。

検知部３６０は、Ｔ^２統計量およびＱ統計量の少なくとも１つが管理領域を判定期間以上外れ続けた場合、被検者２０における熱中症の発症を検知する。判定期間は、例えば、３０秒に設定されるが、これに限定されない。検知部３６０におけるこのような処理はＭＳＰＣである。

通知部３７０は、例えばスピーカから構成され、検知部３６０において熱中症の発症が検知された場合に、検知部３６０から駆動信号が入力されて鳴動する。通知部３７０は、スピーカに限定されず、例えば、光を点滅させることにより提供者１０に熱中症の発症を知らせてもよい。図６（ａ）－（ｃ）は、第２情報処理装置３００ｂにおける処理概要を示す。図６（ａ）は、ＲＲＩデータの時間変化を示し、図６（ｂ）は、Ｔ^２統計量の時間変化を示し、図６（ｃ）は、Ｑ統計量の時間変化を示す。これらの図において、「Ｃ」は熱中症症状を申告したタイミングを示す。熱中症症状を申告したタイミング「Ｃ」の２０分前までに、鳴動期間６００において通知部３７０からの鳴動がなされている。

この構成は、ハードウエア的には、任意のコンピュータのＣＰＵ（ＣｅｎｔｒａｌＰｒｏｃｅｓｓｉｎｇＵｎｉｔ）、メモリ、その他のＬＳＩ（ＬａｒｇｅＳｃａｌｅＩｎｔｅｇｒａｔｉｏｎ）で実現でき、ソフトウエア的にはメモリにロードされたプログラムなどによって実現されるが、ここではそれらの連携によって実現される機能ブロックを描いている。したがって、これらの機能ブロックがハードウエアのみ、ハードウエアとソフトウエアの組合せによっていろいろな形で実現できることは、当業者には理解されるところである。

以上の構成による第２情報処理装置３００ｂ動作を説明する。図７は、第２情報処理装置３００ｂによる処理手順を示すフローチャートである。取得部３２０は、ＲＲＩデータを取得する（Ｓ１０）。生成部３３０は、ＨＲＶ指標データを生成する（Ｓ１２）。検知部３６０は、Ｔ^２統計量、Ｑ統計量を算出する（Ｓ１４）。Ｔ^２統計量、Ｑ統計量の少なくとも１つが判定期間以上にわたって管理領域外であれば（Ｓ１６のＹ）、通知部３７０は熱中症の発症を通知する（Ｓ１８）。Ｔ^２統計量、Ｑ統計量の少なくとも１つが判定期間以上にわたって管理領域外でなければ（Ｓ１６のＮ）、ステップ１８はスキップされる。

本実施例によれば、提供者のＨＲＶ指標データに対して主成分分析がなされることによって生成された熱中症発症検知モデルを使用して、被検者のＨＲＶ指標データから算出される管理値をもとに、被検者における熱中症の発症を検知するので、熱中症の発症を容易に検知できる。また、提供者の通常時における心電信号を使用するので、熱中症発症検知モデルを容易に生成できる。また、熱中症発症検知モデルが容易に生成されるので、熱中症の発症を容易に検知できる。また、Ｔ^２統計量およびＱ統計量のそれぞれを独立して監視するので、熱中症の発症が現れたことに伴う、指標データ間の相関関係の変化を検知することができる。また、指標データ間の相関関係の変化が検知されるので、熱中症の発症の検知精度を向上できる。また、複数種類のＨＲＶ指標にＣＶが含まれるので、熱中症の発症の検知精度を向上できる。

（実施例２）
次に、実施例２を説明する。実施例２は、実施例１と同様に、被検者の心電信号におけるＲ波の間隔が示されたＲＲＩデータから熱中症の発症を検知する熱中症発症検知システムに関する。実施例１では、異常検知手法としてＭＳＰＣを使用するが、実施例２は、異常検知手法として自己符号化器（オートエンコーダ）を使用する。実施例２に係る熱中症発症検知システム１０００、第２情報処理装置３００ｂは、図１（ａ）－（ｂ）、図５と同様のタイプである。ここでは、実施例１との差異を中心に説明する。

実施例２では、実施例１のモデル構築動作の代わりに学習動作が実行される。ここでは、（１）学習動作、（２）発症検知動作の順に説明する。
（１）学習動作
図８は、第１情報処理装置３００ａの構成を示す。第１情報処理装置３００ａは、通信部３１０、取得部３２０、生成部３３０、記憶部３５０、学習部３８０を含む。通信部３１０、取得部３２０、生成部３３０は、実施例１と同一である。学習部３８０は、自己符号化器の学習を実行する。その前処理として、学習部３８０は、複数の提供者１０のＨＲＶ指標データを使用して、ＨＲＶ指標毎に平均値を算出する。また、学習部３８０は、ＨＲＶ指標データに含まれる複数種類のＨＲＶ指標のそれぞれに対して平均値を減算することによって、新たなＨＲＶ指標データ（以下、これもまた「ＨＲＶ指標データ」という）を生成する。学習部３８０は、このような前処理を省略してもよい。

次に、学習部３８０は、ＨＲＶ指標データを使用して自己符号化器を学習する。図９は、学習部３８０における自己符号化器の構成を示す。図９に示された自己符号化器は一例であり、４層以上の自己符号化器であってもよい。自己符号化器は、複数のノード７００を含むニューラルネットワークであり、入力を訓練データとして使用して学習することによって、各ノード７００の係数を導出する。ここでは、自己符号化器の入力がｘ_１、ｘ_２、・・・、ｘ_Ｎと示され、自己符号化器の出力がＸ_１、Ｘ_２、・・・、Ｘ_Ｎと示される。ｘ_１、ｘ_２、・・・、ｘ_Ｎは、ＨＲＶ指標データに含まれる複数種類のＨＲＶ指標のそれぞれを示す。学習部３８０は、ＨＲＶ指標データに含まれる複数種類のＨＲＶ指標を入力と出力に設定することによって、各ノード７００の係数を導出する。つまり、自己符号化器は、ＨＲＶ指標データを入力して得られた出力データと、ＨＲＶ指標データとが近くなるように学習される。学習部３８０は、導出した各ノード７００の係数を記憶部３５０に記憶する。

（２）発症検知動作
図５の第２情報処理装置３００ｂにおける通信部３１０、取得部３２０、生成部３３０は、実施例１と同一である。検知部３６０は、図９に示された自己符号化器の各ノード７００に、記憶部３５０に記憶した係数を設定する。検知部３６０は、生成部３３０において生成したＨＲＶ指標データを自己符号化器に入力することによって、出力データを取得する。発症検知動作において生成されるＨＲＶ指標データ、出力データを「第１ＨＲＶ指標データ」、「第１出力データ」と呼ぶ場合、学習動作において生成されるＨＲＶ指標データ、出力データは「第２ＨＲＶ指標データ」、「第２出力データ」と呼ばれる。

検知部３６０は、ＨＲＶ指標データと出力データとの差異を導出する。差異は、例えば、ＨＲＶ指標データと出力データとの間で互いに対応する成分の差分の２乗を計算し、差分の２乗値を加算することによって導出される。検知部３６０は、差異としきい値とを比較し、差異が判定期間以上にわたってしきい値よりも大きい場合に、被検者２０における熱中症の発症を検知する。判定期間は、例えば、実施例１と同様に設定される。このように、検知部３６０は、出力データとＨＲＶ指標データとをもとに、被検者２０における熱中症の発症を検知する。

以上の構成による第２情報処理装置３００ｂ動作を説明する。図１０は、第２情報処理装置３００ｂによる処理手順を示すフローチャートである。取得部３２０は、ＲＲＩデータを取得する（Ｓ５０）。生成部３３０は、ＨＲＶ指標データを生成する（Ｓ５２）。検知部３６０は、自己符号化器から出力データを取得する（Ｓ５４）。ＨＲＶ指標データと出力データとの差異が判定期間以上にわたってしきい値よりも大きければ（Ｓ５６のＹ）、通知部３７０は熱中症の発症を通知する（Ｓ５８）。ＨＲＶ指標データと出力データとの差異が判定期間以上にわたってしきい値よりも大きくなければ（Ｓ５６のＮ）、ステップ５８はスキップされる。

本実施例によれば、提供者の通常時のＨＲＶ指標データと出力データとが近くなるように学習されている自己符号化器に、被検者のＨＲＶ指標データを入力して得られた出力データと、被検者のＨＲＶ指標データとをもとに、熱中症の発症を検知するので、熱中症の発症を容易に検知できる。また、被検者のＨＲＶ指標データと出力データとの差異がしきい値よりも大きい場合に、被検者における熱中症の発症を検知するので、熱中症の発症を容易に検知できる。

本開示の一態様の概要は、次の通りである。本開示のある態様の熱中症発症検知装置は、被検者の心電信号におけるＲ波の間隔が示されたＲＲＩデータを取得する取得部と、取得部において取得したＲＲＩデータをもとに、心拍に関する複数種類の指標のそれぞれについての指標値が含まれた第１指標データを生成する生成部と、複数種類の指標のそれぞれについての指標値から少なくとも１つの管理値を算出する熱中症発症検知モデルを使用して、生成部において生成した第１指標データから算出される管理値をもとに、被検者における熱中症の発症を検知する検知部とを備える。熱中症発症検知モデルは、熱中症を発症していない提供者の心電信号におけるＲ波の間隔が示されたＲＲＩデータをもとに生成された第２指標データであって、かつ心拍に関する複数種類の指標それぞれについての指標値が含まれた第２指標データに対して主成分分析がなされることによって生成されている。

この態様によると、第２指標データに対して主成分分析がなされることによって生成された熱中症発症検知モデルを使用して、第１指標データから算出される管理値をもとに、被検者における熱中症の発症を検知するので、熱中症の発症を容易に検知できる。

検知部は、熱中症発症検知モデルを使用して、第１指標データに対して主成分分析を実行することにより主成分得点および予測誤差を算出してから、主成分得点および予測誤差をもとにＴ^２統計量およびＱ統計量を管理値として算出し、検知部は、Ｔ^２統計量およびＱ統計量の少なくとも１つが管理領域を外れた場合、被検者における熱中症の発症を検知してもよい。この場合、Ｔ^２統計量およびＱ統計量のそれぞれを独立して監視するので、熱中症の発症が現れたことに伴う、指標データ間の相関関係の変化を検知することができる。

この態様によると、第２出力データと、第２指標データとが近くなるように学習されている自己符号化器に第１指標データを入力して得られた第１出力データと、第１指標データとをもとに、被検者における熱中症の発症を検知するので、熱中症の発症を容易に検知できる。

検知部は、第１出力データと、第１指標データとの差異がしきい値よりも大きい場合に、被検者における熱中症の発症を検知してもよい。この場合、第１出力データと、第１指標データとの差異がしきい値よりも大きい場合に、被検者における熱中症の発症を検知するので、熱中症の発症を容易に検知できる。

複数種類の指標には、ＲＲＩデータの標準偏差をＲＲＩデータの平均値で除算したＣＶが含まれる。この場合、複数種類の指標にＣＶが含まれるので、熱中症の発症の検知精度を向上できる。

以上、本開示を実施例をもとに説明した。この実施例は例示であり、それらの各構成要素や各処理プロセスの組合せにいろいろな変形例が可能なこと、またそうした変形例も本開示の範囲にあることは当業者に理解されるところである。

１０提供者、２０被検者、１００電極、２００心拍センサ、３００情報処理装置、３１０通信部、３２０取得部、３３０生成部、３４０構築部、３５０記憶部、３６０検知部、３７０通知部、３８０学習部、５００部分空間、６００鳴動期間、７００ノード、１０００熱中症発症検知システム。

Claims

被検者の心電信号におけるＲ波の間隔が示されたＲＲＩデータを取得する取得部と、
前記取得部において取得したＲＲＩデータをもとに、心拍に関する複数種類の指標のそれぞれについての指標値が含まれた第１指標データを生成する生成部と、
前記複数種類の指標のそれぞれについての指標値から少なくとも１つの管理値を算出する熱中症発症検知モデルを使用して、前記生成部において生成した前記第１指標データから算出される前記管理値をもとに、前記被検者における熱中症の発症を検知する検知部とを備え、
前記熱中症発症検知モデルは、熱中症を発症していない提供者の心電信号におけるＲ波の間隔が示されたＲＲＩデータをもとに生成された第２指標データであって、かつ心拍に関する前記複数種類の指標それぞれについての指標値が含まれた第２指標データに対して主成分分析がなされることによって生成されている熱中症発症検知装置。
前記検知部は、前記熱中症発症検知モデルを使用して、前記第１指標データに対して主成分分析を実行することにより主成分得点および予測誤差を算出してから、前記主成分得点および前記予測誤差をもとにＴ^２統計量およびＱ統計量を前記管理値として算出し、
前記検知部は、前記Ｔ^２統計量および前記Ｑ統計量の少なくとも１つが管理領域を外れた場合、前記被検者における熱中症の発症を検知する請求項１に記載の熱中症発症検知装置。
被検者の心電信号におけるＲ波の間隔が示されたＲＲＩデータを取得する取得部と、
前記取得部において取得したＲＲＩデータをもとに、心拍に関する複数種類の指標のそれぞれについての指標値が含まれた第１指標データを生成する生成部と、
前記生成部において生成した前記第１指標データを自己符号化器に入力して得られた第１出力データと、前記第１指標データとをもとに、前記被検者における熱中症の発症を検知する検知部とを備え、
前記自己符号化器は、熱中症を発症していない提供者の心電信号におけるＲ波の間隔が示されたＲＲＩデータをもとに生成された第２指標データであって、かつ心拍に関する前記複数種類の指標それぞれについての指標値が含まれた第２指標データを入力して得られた第２出力データと、前記第２指標データとが近くなるように学習されている熱中症発症検知装置。
前記検知部は、前記第１出力データと、前記第１指標データとの差異がしきい値よりも大きい場合に、前記被検者における熱中症の発症を検知する請求項３に記載の熱中症発症検知装置。
前記複数種類の指標には、前記ＲＲＩデータの標準偏差を前記ＲＲＩデータの平均値で除算したＣＶが含まれる請求項１から４のいずれかに記載の熱中症発症検知装置。