JP7507984B1

JP7507984B1 - 体調検出装置、体調検出システム、体調検出方法、及び体調検出プログラム

Info

Publication number: JP7507984B1
Application number: JP2023553731A
Authority: JP
Inventors: 健瑠白神; 隼也大澤
Original assignee: Mitsubishi Electric Corp
Current assignee: Mitsubishi Electric Corp
Priority date: 2023-02-27
Filing date: 2023-02-27
Publication date: 2024-06-28
Anticipated expiration: 2043-02-27

Abstract

体調検出装置（１）は、検査対象のユーザである被験者の体調の変化を判定する装置であって、１人以上のユーザの各々の拍動間隔の基準をユーザ毎に基準拍動モデル（Ｇ）として構築する基準拍動モデル構築部（２２）と、基準拍動モデル（Ｇ）から被験者の基準拍動モデルを選択し、選択された基準拍動モデル（Ｇ）から被験者の拍動間隔を示す基準値（Ｈ）を生成する基準拍動算出部（２４）と、センサ（１０３）によって検出された被験者に関する情報である時系列の拍動情報（Ａ１）を受け取り、時系列の拍動情報（Ａ１）からリアルタイムの拍動間隔（Ｃ）の特徴量を抽出し、基準値（Ｈ）を用いて特徴量を正規化することで特徴量を是正して、リアルタイムの是正特徴量（Ｅ）を生成する正規化特徴抽出部（１３）と、リアルタイムの是正特徴量（Ｅ）に基づいて被験者の体調の変化を判定する体調判定部（１４）とを有する。

Description

本開示は、体調検出装置、体調検出システム、体調検出方法、及び体調検出プログラムに関する。

心拍又は脈拍などとして計測できる心臓の拍動の間隔（すなわち、拍動間隔）に関する情報を利用して、不整脈を始めとした体調の変化を検出する装置が提案されている。拍動間隔のみを入力とする装置は、心電図計で得られる心電図情報を用いる装置に比べて、処理するデータ量が少ない及び計測負荷が小さい、といったメリットがある。また、拍動間隔のみを入力とする装置は、被験者であるユーザに非接触なセンサでセンシングされた拍動間隔又はユーザが身に着けたウェアラブルデバイスで計測された拍動間隔を用いて、体調の変化を検出することができる、といったメリットがある。

例えば、特許文献１は、ユーザの安静時に計測された拍動情報から心拍数の代表値を算出することで安静時心拍数を同定し、安静時心拍数とリアルタイムで観測された心拍数とを用いて算出される特徴量を用いて、ユーザの状態を算出する技術を開示している。

また、特許文献２は、システム運用時とは別に計測された心電図とウェアラブルＰＰＧ（ＰｈｏｔｏＰｌｅｔｈｙｓｍｏＧｒａｐｈｙ）センサから得られる拍動間隔を含む心臓活動情報とを用いて、心房細動を検出する技術を開示している。

特開２０２０－９２８０４号公報特表２０２０－５０６７７０号公報

特許文献１に開示された技術は、拍動間隔に生じる個人差を是正するための情報として、安静時心拍数の中央値を使用している。しかし、同一のユーザを想定した場合であっても、心拍数には分散が生じるため、単一のスカラ情報である安静時心拍数の中央値を基準値として扱う場合には、ユーザ毎の基準となる拍動間隔を正しく捉えることができない可能性がある。このため、特許文献１に開示された技術は、体調の変化（例えば、体調の急変すなわち体調の急な悪化）を検出する方式としては正確性が不十分である。

特許文献２に開示された技術は、事前に計測された個人毎に収集された心電図と拍動間隔を含む心臓活動情報とを利用して、リアルタイムで得られた心臓活動情報を是正することで、心臓活動の個人差に対応した心房細動の検出を実現している。しかし、特許文献２に開示された技術は、心電図計で計測された心電図の使用が前提となっており、ウェアラブルセンサなどで得られる拍動間隔から体調の変化（例えば、体調の急変すなわち体調の急な悪化）を検出することができない。

そこで、本開示は、拍動間隔を用いてユーザの体調の変化を的確に検出することを可能にする体調検出装置、体調検出システム、体調検出方法、及び体調検出プログラムを提供することを目的とする。

本開示の体調検出装置は、ユーザ識別情報によって特定される検査対象のユーザである被験者の体調の変化を判定する体調検出装置であって、１人以上のユーザの各々の脈波から、波形に適切なピークが認められ、かつ該波形から得られる拍動間隔が人間の取りうる範囲である脈波を選択し、該選択した脈波に基づいて拍動間隔の基準、前記拍動間隔から得られる特徴量の基準、並びに前記拍動間隔及び前記特徴量の各々の基準、のいずれかをユーザ毎に基準拍動モデルとして構築する基準拍動モデル構築部と、前記基準拍動モデルから前記被験者の基準拍動モデルを選択し、選択された前記基準拍動モデルから前記被験者の拍動間隔の基準値、前記拍動間隔から得られる特徴量の基準値、並びに前記拍動間隔及び前記特徴量の各々の基準値、のいずれかを生成する基準拍動算出部と、センサによって検出された前記被験者に関する情報である時系列の拍動情報を受け取り、前記時系列の拍動情報からリアルタイムの拍動間隔の特徴量を抽出し、前記基準値を用いて前記特徴量を正規化することで前記特徴量を是正して、リアルタイムの是正特徴量を生成する正規化特徴抽出部と、リアルタイムの前記是正特徴量に基づいて前記被験者の前記体調の変化を判定する体調判定部と、前記体調判定部による体調判定結果に基づいて、前記基準拍動モデルの更新をするか否かを決定する更新判定部と、前記更新をすると判定された場合に、リアルタイムで基準拍動モデルを更新する基準拍動モデル更新部と、を有することを特徴とする。

本開示の体調検出方法は、ユーザ識別情報によって特定される検査対象のユーザである被験者の体調の変化を判定する体調検出装置によって実施される体調検出方法であって、１人以上のユーザの各々の脈波から、波形に適切なピークが認められ、かつ該波形から得られる拍動間隔が人間の取りうる範囲である脈波を選択し、該選択した脈波に基づいて拍動間隔の基準、前記拍動間隔から得られる特徴量の基準、並びに前記拍動間隔及び前記特徴量の各々の基準、のいずれかをユーザ毎に基準拍動モデルとして構築するステップと、前記基準拍動モデルから前記被験者の基準拍動モデルを選択し、選択された前記基準拍動モデルから前記被験者の拍動間隔の基準値、前記拍動間隔から得られる特徴量の基準値、並びに前記拍動間隔及び前記特徴量の各々の基準値、のいずれかを生成するステップと、センサによって検出された前記被験者に関する情報である時系列の拍動情報を受け取り、前記時系列の拍動情報からリアルタイムの拍動間隔の特徴量を抽出し、前記基準値を用いて前記特徴量を正規化することで前記特徴量を是正して、リアルタイムの是正特徴量を生成するステップと、リアルタイムの前記是正特徴量に基づいて前記被験者の前記体調の変化を判定するステップと、前記被験者の前記体調の変化を判定するステップでの体調判定結果に基づいて、前記基準拍動モデルの更新をするか否かを決定するステップと、前記更新をすると判定された場合に、リアルタイムで基準拍動モデルを更新するステップと、を有することを特徴とする。

本開示によれば、拍動間隔を用いてユーザの体調の変化を的確に検出することができる。

実施の形態１に係る体調検出システムのハードウェア（ＨＷ）構成を示す図である。実施の形態１に係る体調検出装置の機能構成を示すブロック図である。実施の形態１に係る体調検出装置に入力されるセンサ情報の例を示す図である。図２の基準拍動モデル管理部の基準拍動モデル構築部の機能構成を示すブロック図である。心電図から算出される情報であるＲＲ間隔の例を示す図である。図２の基準拍動モデル管理部の基準拍動モデル構築部によって実行される処理フローの概略を示す図である。図２の基準拍動モデル管理部の基準拍動モデル構築部によって実行される処理フローの詳細を示す図である。図２の体調検出部の処理継続判定部の機能構成を示すブロック図である。図２の体調検出部の正規化特徴抽出部の機能構成を示すブロック図である。図２の体調検出部によって実行される処理フローの概略を示す図である。図２の体調検出部によって実行される処理フローの詳細を示す図である。実施の形態２に係る体調検出装置の機能構成を示すブロック図である。図１２の基準拍動モデル管理部の基準拍動モデル構築部によって実行される処理フローの詳細を示す図である。図１２の体調検出部の処理継続判定部及び状況判定部の機能構成を示すブロック図である。図１２の体調検出部によって実行される処理フローの概略を示す図である。図１２の体調検出部によって実行される処理フローの詳細を示す図である。実施の形態３に係る体調検出装置の機能構成を示すブロック図である。図１７の体調検出部によって実行される処理フローの概略を示す図である。図１７の体調検出部によって実行される処理フローの詳細を示す図である。実施の形態４に係る体調検出装置の機能構成を示すブロック図である。図２０の体調検出部によって実行される処理フローの概略を示す図である。図２０の体調検出部によって実行される処理フローの詳細を示す図である。

以下に、実施の形態に係る体調検出装置、体調検出システム、体調検出方法、及び体調検出プログラムを、図面を参照しながら説明する。以下の実施の形態１から４は、例にすぎず、実施の形態を適宜組み合わせること及び各実施の形態を適宜変更することが可能である。

《１》実施の形態１
実施の形態１においては、拍動間隔の個人差が特徴量に与える影響を是正して得られた是正特徴量を用いて被験者であるユーザの体調の変化（例えば、体調の急変すなわち体調の急な悪化）を検出するための体調検出装置、体調検出システム、体調検出方法、及び体調検出プログラムを説明する。

《１－１》体調検出システム
図１は、実施の形態１に係る体調検出システムのＨＷ構成を示す図である。実施の形態１に係る体調検出システムは、体調検出装置１と、センサ１０３とを有している。実施の形態１に係る体調検出システムは、入力装置１０４と、ストレージ１０５と、表示装置１０６とを有してもよい。図１のＨＷ構成は例に過ぎず、実施の形態１に係る体調検出システムのＨＷ構成は、図１の例に限定されない。

体調検出装置１は、実施の形態１に係る体調検出方法を実施することができる装置である。体調検出装置１は、例えば、コンピュータにより構成される。コンピュータは、センサ１０３と通信可能なコンピュータ（例えば、パーソナルコンピュータ、タブレット端末、スマートフォン、ネットワーク上のサーバコンピュータ、など）である。体調検出装置１は、記憶装置としてのメモリ１０２と、プログラムを実行するＣＰＵ（ＣｅｎｔｒａｌＰｒｏｃｅｓｓｉｎｇＵｎｉｔ）などのプロセッサ１０１とを有している。プログラムは、実施の形態１に係る体調検出プログラムを含む。プログラムは、ネットワークを通じて提供されてもよく、或いは、光ディスク又は磁気ディスクなどの記録媒体に記録されて提供されてもよい。また、体調検出装置１は、ＧＰＵ（ＧｒａｐｈｉｃｓＰｒｏｃｅｓｓｉｎｇＵｎｉｔ）を有してもよい。また、体調検出装置１は、単一回路、複合回路、ＦＰＧＡ（ＦｉｅｌｄＰｒｏｇｒａｍｍａｂｌｅＧａｔｅＡｒｒａｙ）などの処理回路で構成されてもよい。

センサ１０３は、拍動を取得する装置である。センサ１０３は、心拍又は脈拍を計測して拍動情報を出力する「拍動センサ」を含む。例えば、センサ１０３は、被験者であるユーザに装着可能なウェアラブル脈拍センサ、ウェアラブル心電図計、ユーザに非接触で心拍又は脈拍を計測可能な心拍センサ又は脈拍センサ、などのいずれかを含む。また、センサ１０３は、ユーザが取る行動を計測しユーザの行動を示す情報であるユーザ行動情報を出力する「行動センサ」を含んでもよい。例えば、センサ１０３は、行動センサとして、ＲＧＢカメラ、ＲＧＢ－Ｄ（ＲＧＢ－Ｄｅｐｔｈ）カメラ、赤外線カメラ、モーションセンサ、ジェスチャセンサ、などを含んでもよい。センサ１０３は、単体の装置であってもよいし、複数の装置の組み合わせであってもよい。また、センサ１０３は、ユーザ毎に別々の装置であってもよい。また、センサ１０３は、ユーザの置かれた状況を計測して環境情報を出力する環境センサを含んでもよい。

入力装置１０４は、キーボード、マウス、又はタッチパネル、などのような、ユーザからの入力を受け付けるための装置である。入力装置１０４は、音声による入力を受け付ける装置、又はジャスチャーによる入力を受け付ける装置、などであってもよい。

表示装置１０６は、情報提示装置の一例であり、例えば、体調検出装置１による体調判定結果Ｆをユーザに提示するディスプレイである。表示装置１０６は、ＨＭＤ（ＨｅａｄＭｏｕｎｔｅｄＤｉｓｐｌａｙ）のシースルー型ディスプレイ、スマートフォンなどの小型端末のディスプレイ、又はカーナビのディスプレイ、などであってもよい。シースルー型ディスプレイは、プリズムなどを用いて実際の視界にデジタルコンテンツを重ねて表示する装置である。また、体調判定結果Ｆをユーザに提示する装置は、必ずしも表示装置に限定されず、音声出力、振動出力、ランプの点灯又は点滅、などのような他の種類の情報提示装置であってもよい。

ストレージ１０５は、ＨＤＤ（ＨａｒｄＤｉｓｋＤｒｉｖｅ）又はＳＳＤ（ＳｏｌｉｄＳｔａｔｅＤｒｉｖｅ）などの記憶装置である。ストレージ１０５には、プログラム、センサ１０３によって計測されたセンサデータ（例えば、拍動情報、ユーザ行動情報など）、及び体調検出装置１による処理結果、などが格納される。ストレージ１０５は、体調検出装置１の一部であってもよい。或いは、ストレージ１０５は、例えば、クラウドサーバなどの記憶領域で構成されてもよい。

《１－２》体調検出装置１
図２は、実施の形態１に係る体調検出装置１の機能構成を示すブロック図である。体調検出装置１は、被験者であるユーザ毎の基準情報（例えば、複数のユーザの基本情報）であるユーザ情報を取得し、ユーザ情報に基づいて基準拍動モデルＧを算出するための基準拍動モデル管理部２０と、センサ１０３から得られるユーザの拍動情報である拍動間隔とユーザを取り巻く環境を表す環境情報Ｂ０とユーザ識別情報であるユーザＩＤ（ｉｄｅｎｔｉｆｉｅｒ）とを入力として、ユーザの体調の変化（例えば、体調の急変すなわち体調の急な悪化）を検出する体調検出部１０とを有している。実施の形態１においては、環境情報Ｂ０の入力は、必ずしも必要ではない。基準拍動モデル管理部２０は、ユーザ情報データベース（ユーザ情報ＤＢ）２１と、基準拍動モデル構築部２２と、基準拍動モデルデータベース（基準拍動モデルＤＢ）２３と、基準拍動算出部２４とを有している。体調検出部１０は、処理継続判定部１１と、拍動間隔取得部１２と、正規化特徴抽出部１３と、体調判定部１４とを有している。ユーザ情報ＤＢ２１と基準拍動モデルＤＢ２３とは、例えば、ストレージ１０５（図１）に格納される。

体調検出装置１は、ユーザＩＤによって特定される検査対象のユーザである被験者の体調の変化を判定する装置であって、１人以上のユーザの各々の拍動間隔の基準をユーザ毎に基準拍動モデルＧとして構築する基準拍動モデル構築部２２と、基準拍動モデルＧから被験者の基準拍動モデルを選択し、選択された基準拍動モデルＧから被験者の拍動間隔を示す基準値Ｈを生成する基準拍動算出部２４と、センサ１０３によって検出された被験者に関する情報である時系列の拍動情報としての心臓活動情報Ａ１を受け取り、時系列の心臓活動情報Ａ１からリアルタイムの拍動間隔Ｃの特徴量を抽出し、基準値Ｈを用いて特徴量を正規化することで特徴量を是正して、リアルタイムの是正特徴量Ｅを生成する正規化特徴抽出部１３と、リアルタイムの是正特徴量Ｅに基づいて被験者の体調の変化を判定する体調判定部１４と、を有することを特徴とする。

基準拍動モデル構築部２２は、各ユーザの拍動間隔と各ユーザの置かれた状況との基準をユーザ毎に基準拍動モデルＧとして構築し、基準拍動算出部２４は、基準拍動モデルＧから被験者の基準拍動モデルを選択し、選択された基準拍動モデルＧから被験者の拍動間隔と被験者が置かれた状況を生成してもよい。

また、基準拍動モデル構築部２２は、各ユーザの拍動間隔と各ユーザの行動を示すユーザ行動情報との基準をユーザ毎に基準拍動モデルＧとして構築し、基準拍動算出部２４は、基準拍動モデルＧから被験者の基準拍動モデルを選択し、選択された基準拍動モデルＧから被験者の拍動間隔と被験者の行動とを示す基準値Ｈを生成してもよい。

基準拍動モデル構築部２２は、各ユーザの拍動間隔と各ユーザの置かれた状況と各ユーザの行動を示すユーザ行動情報との基準をユーザ毎に基準拍動モデルＧとして構築し、基準拍動算出部２４は、基準拍動モデルＧから被験者の基準拍動モデルを選択し、選択された前記基準拍動モデルＧから被験者の拍動間隔と被験者が置かれた状況と被験者の行動とを示す基準値Ｈを生成してもよい。

〈ユーザＩＤ〉
ユーザＩＤは、体調検出装置１を利用する被験者であるユーザを特定するための識別情報である。ユーザＩＤは、ユーザを特定する一意の値であれば、どのような形式のものであってもよい。ユーザＩＤは、例えば、ユーザ毎の基準拍動モデルＧを構築する際、及び基準拍動モデルＧから基準値Ｈを算出する際に利用される。

〈センサ情報Ａ０〉
センサ情報Ａ０は、センサ１０３から得られる情報である。センサ情報Ａ０は、脈波又は心電図のような拍動間隔を取得可能な拍動情報である心臓活動情報Ａ１を含む。また、センサ情報Ａ０は、ユーザの行動を参照可能な情報である（すなわち、ユーザの行動を示す情報である）ユーザ行動情報Ａ２を含んでもよい。ユーザ行動情報Ａ２の例としては、ユーザが撮像された動画像データ、ユーザの体動を捉えるためのジェスチャ情報、ユーザの骨格情報、ユーザが撮影されたモーションキャプチャ情報、などがある。

図３は、実施の形態１に係る体調検出装置１に入力されるセンサ情報Ａ０の例を示す図である。センサ情報Ａ０は、時系列情報として与えられる。体調検出装置１に一度に入力されるデータ長は固定であり、このデータ長は、任意に設定可能である。例えば、データ長が６０秒と設定された場合には、６０秒間のセンサ情報Ａ０が１回の入力として与えられる。また、センサ情報Ａ０が体調検出装置１に入力される頻度は、任意に設定可能である。例えば、データ長を６０秒間、入力頻度を５秒毎（つまり、５秒に１回）と設定とした場合には、図３に１回目、２回目、…、Ｎ回目として記載されているように、６０秒間のセンサ情報が５秒毎に順次、体調検出装置１に入力される。

なお、データ長［秒］及び入力頻度［回／秒］は、センサ情報Ａ０に含まれるデータの種類に応じて自動的に又はユーザの手動設定により、変更されてもよい。例えば、拍動間隔を算出するための拍動情報である心臓活動情報Ａ１は、データ長を６０秒、入力頻度を「１回／５秒」で入力されるように設定され、ユーザ行動情報Ａ２（例えば、動画像情報）については、動画像のフレーム単位で入力されるように設定されてもよい。

〈環境情報Ｂ０〉
環境情報Ｂ０は、被験者であるユーザを取り巻く環境又は状況を示す情報である。つまり、環境情報Ｂ０は、ユーザが置かれた場所の状況を示す情報である。自動車内で体調検出装置１を使用する場合には、環境情報Ｂ０は、例えば、車内画像、自動車の位置を表すＧＰＳ（ＧｌｏｂａｌＰｏｓｉｔｉｏｎｉｎｇＳｙｓｔｅｍ）情報のようなＧＮＳＳ（ＧｌｏｂａｌＮａｖｉｇａｔｉｏｎＳａｔｅｌｌｉｔｅＳｙｓｔｅｍ／全球測位衛星システム）情報、又は自動車の運転状況を表すＣＡＮ（ＣｏｎｔｒｏｌｌｅｒＡｒｅａＮｅｔｗｏｒｋ）データ、などである。また、屋内の一室で体調検出装置１を使用する場合には、環境情報Ｂ０は、例えば、部屋の温度、部屋の湿度、又は部屋の温度と湿度の両方、などである。

〈体調判定結果Ｆ〉
体調検出装置１による体調判定結果Ｆは、体調検出装置１によって判定されたユーザの体調の変化（例えば、体調の急変すなわち体調の急な悪化）を示す結果である。体調判定結果Ｆは、例えば、“０”及び“１”のように体調の急変の有無を２値で表す値である。体調判定結果Ｆは、体調の急変が起きている確率を表す値として、０から１までの間の小数を含む値（例えば、連続的な値）であってもよい。例えば、体調判定結果Ｆは、センサ情報Ａ０から算出される拍動間隔Ｃの１入力に対して１つの値が算出される。拍動間隔Ｃを算出するためのセンサ情報Ａ０のデータ長が６０秒、入力頻度が５秒毎と設定された場合には、体調検出装置１は、６０秒間の拍動間隔データを受け取り、体調判定結果Ｆを５秒毎に出力する。

《１－３》基準拍動モデル管理部２０
基準拍動モデル管理部２０は、非体調急変時におけるユーザの拍動間隔に関する情報を生成、管理、取得するシステムである。非体調急変時とは、体調の急変が発生していないときである。非体調急変時は、非発作時又は平常時又は安静時ともいう。体調検出部１０は、基準拍動モデル管理部２０で算出される基準値Ｈを元に、拍動間隔から個人差を取り除いた特徴量を算出する。拍動間隔に関する情報は、例えば、拍動間隔の値そのもの（例えば、心拍数、脈拍数、心拍間隔、脈拍間隔、ＲＲＩ、などの情報）、拍動間隔から得られる各種の指標（例えば、拍動間隔の平均値、標準偏差、などの特徴量）、などのような拍動間隔を示す情報である拍動間隔情報（すなわち、拍動間隔を示す値）である。ＲＲＩは、ＱＲＳ波のＲピークから次のＱＲＳ波のＲピークまでの間隔、すなわち、ＲＲ間隔（ＲＲ＿ｉｎｔｅｒｖａｌ）である。ＱＲＳ波は、心室の興奮時に現れる波形である。

基準拍動モデル管理部２０は、事前に計測されたユーザ毎の拍動間隔などの情報が保存されたユーザ情報ＤＢ２１を元に、ユーザ毎に基準拍動モデルＧを構築し、基準拍動モデルＧに関する情報を基準拍動モデルＤＢ２３に保存する。基準拍動算出部２４は、基準拍動モデルＤＢ２３から体調検出部１０を利用しているユーザに関する基準値Ｈを算出し、体調検出部１０に基準値Ｈを渡す。

〈ユーザ情報ＤＢ２１〉
ユーザ情報ＤＢ２１は、体調検出装置１を利用するユーザ（例えば、体調検出装置１を利用する予定のある複数のユーザ）の非体調急変時における心臓活動情報Ａ１（例えば、脈波、心電図などの心臓活動を示す拍動情報）が格納されたデータベースである。ユーザ情報ＤＢ２１に格納される心臓活動を示す拍動情報は、心臓活動情報Ａ１の代わりに又は心臓活動情報Ａ１に加えて、心臓活動情報Ａ１から得られる拍動間隔情報であってもよい。ユーザ情報ＤＢ２１は、心臓活動を示す拍動情報（例えば、心臓活動情報Ａ１又は心臓活動情報Ａ１から得られる拍動間隔情報）を、ユーザＩＤと関連付けられた時系列情報として格納する。

また、ユーザ情報ＤＢ２１は、拍動情報（例えば、心臓活動情報及び拍動間隔情報）だけではなく、それらの情報と同時に計測、記録された環境情報Ｂ０、又は拍動情報と同時に計測、記録されたユーザ行動情報Ａ２を抽出可能なデータとして保存してもよい。ユーザ行動情報Ａ２を抽出可能なデータの例としては、動画像データ、モーションセンサデータ、ジェスチャデータ、及び心臓活動情報Ａ１以外の生体情報、などが挙げられる。通常は、ユーザ情報ＤＢ２１に保存される情報は、ユーザが体調検出装置１による体調検出を行う前に計測されている情報である。また、ユーザ情報ＤＢ２１に保存される情報は、体調検出装置１による体調検出を行う状況と同様の状況で計測されることが望ましい。自動車運転中に体調検出装置１による体調検出を利用することを想定した場合には、体調検出装置１による体調検出を利用する前に、自動車走行中のユーザ情報を収集しておくことが望ましい。また、ユーザ情報ＤＢ２１に保存される情報は、ユーザのキャリブレーションという形で体調検出装置１の一部としてユーザ情報ＤＢ２１に保管するデータを収集するような構成であってもよい。また、ユーザ情報ＤＢ２１に保存される情報は、体調検出装置１による体調検出を利用する状況と同一の状況で計測されることが望ましい。ただし、ユーザ情報ＤＢ２１に保存される情報は、必ずしも体調検出装置１による体調検出を利用する状況と同一の状況で収集される必要はなく、別の状況で計測された拍動情報であってもよい。

なお、ユーザ情報ＤＢ２１に含まれる全ての情報は、ユーザＩＤと関連付けられ、ユーザＩＤにより情報の検索及び抽出が可能な形式で保存される。

また、本出願においては、拍動間隔に関連する拍動情報を「心臓活動情報」、心臓活動情報の計測環境を表す情報を「環境情報」、心臓活動情報を計測している際のユーザの行動に関連する情報を「ユーザ行動情報」と呼ぶ。

〈基準拍動モデル構築部２２〉
図４は、図２の基準拍動モデル管理部２０の基準拍動モデル構築部２２の機能構成を示すブロック図である。基準拍動モデル構築部２２は、ユーザ情報ＤＢ２１に含まれる各種の情報を用いて、ユーザ毎の基準拍動モデルＧを構築（すなわち、生成）する。基準拍動モデル構築部２２は、ユーザ情報ＤＢ２１に保存されたデータを基準拍動モデルＧとして使用するか否かを判定するためのデータ検査部２２０と、ユーザ情報ＤＢ２１に含まれる拍動情報（例えば、心臓活動情報Ａ１ｕ又は心臓活動情報Ａ１ｕから算出される拍動間隔情報）からユーザ毎の基準拍動情報をモデル化した基準拍動モデルＧを算出するためのモデル算出部２２６とを有している。

データ検査部２２０は、心臓活動を示す拍動情報（例えば、心臓活動情報Ａ１ｕ又は心臓活動情報Ａ１ｕから算出される拍動間隔情報）の品質又は特性を検査するための心臓活動情報検査部２２１と、心臓活動情報Ａ１ｕの計測時においてユーザが置かれた環境状況（例えば、環境情報Ｂ０ｕ）を判定する状況判定部２２２と、心臓活動情報Ａ１の計測時のユーザの行動（例えば、ユーザ行動情報Ａ２ｕ）を判定するユーザ行動判定部２２３と、上述した３つの検査及び判定の結果に基づいて心臓活動情報Ａ１ｕを基準拍動モデルＧの構築に使用するか否かを判定するデータ使用判定部２２４とを有している。

ユーザ情報ＤＢ２１に保存されているユーザ情報を全て使用して基準拍動モデルＧを算出する場合、データの品質に問題が生じていると、適切に基準拍動モデルＧを構築できない可能性がある。例えば、ユーザの体動により拍動間隔が乱れているようなデータは、基準値Ｈとしては、適さないため除外することが望ましい。データ検査部２２０は、心臓活動情報Ａ１ｕ自体の品質、体動などによるユーザの行動、及びユーザの周りの環境を示す環境情報Ｂ０を考慮したデータの検査を行い、必要に応じて基準拍動モデルＧの構築に使用するデータを選定することで、より適切にユーザの基準拍動モデルＧを構築する（すなわち、モデリングする）ことを可能にする。

心臓活動情報検査部２２１は、まず心臓活動情報Ａ１ｕ自体のデータ品質を検査する。心臓活動情報検査部２２１は、心臓活動情報Ａ１ｕとしての脈波を例とすると、脈波の波形から拍動間隔を取得することができるかどうか（例えば、波形に適切なピークが現れているかどうか）、脈波の波形から得られる拍動間隔が人間の取りうる範囲に収まっているかどうか、といった検査を行う。

心臓活動情報Ａ１ｕの品質に問題がない（すなわち、心臓活動情報Ａ１ｕが予め決められた条件を満たしている）と判定された場合、心臓活動情報検査部２２１は、入力された心臓活動情報Ａ１ｕの特性について検査する。基準拍動モデルＧは、ユーザの基準拍動を表現するモデルであるため、体調の急変を始めとする特異的な状態における心臓活動情報Ａ１ｕを基準拍動モデルＧの構築に使用しないようにするために、心臓活動情報Ａ１ｕの特性についての検査工程が存在する。具体的には、心臓活動情報Ａ１ｕから得られる各種の生体指標を元に、その生体指標が特異的な状態を示す特異値ではないかどうかを判定する。また、この検査工程において、心臓活動情報Ａ１ｕの生信号を用いてもよいし、心臓活動情報Ａ１ｕから得られる拍動間隔情報を用いて指標を算出してもよい。例えば、拍動間隔から得られるＳＤＮＮ（ＲＲ間隔の標準偏差）、ＣＶＮＮ（すなわち、ＳＤＮＮ／ｍｅａｎＮＮであり、ｍｅａｎＮＮはＲＲ間隔の平均である。）、ＲＭＳＳＤ（隣り合ったＲＲ間隔の差の二乗平均の平方根）、ＬＦ又はＨＦといった生体指標を算出して、それらの情報を元に入力データが特異的なものでないかどうかを判定する。ストレス指標であるＨＦは、高周波（ＨｉＦｒｅｑｕｅｎｃｙ）の略語であり、３秒から４秒程度の周期を持つ呼吸を信号源とする変動波、又は、その周波数領域のパワースペクトルの合計量を指す。ストレス指標であるＬＦは、低周波（ＬｏｗＦｒｅｑｕｅｎｃｙ）の略語であり、メイヤー波と呼ばれる約１０秒周期の血圧変化を信号源とする変動波、又は、その周波数領域のパワースペクトルの合計量を指す。

検出する対象となる体調急変における生体指標の変化が予め分かっている場合には、その情報を活用して検査工程における判定を行ってもよい。この検査工程は、人手で設定した閾値を用いて実施してもよいし、機械学習などの手法を用いて自動で判定してもよい。心臓活動情報検査部２２１は、これらの処理によりユーザ情報ＤＢ２１に含まれる心臓活動情報Ａ１ｕの品質と特性を検査することで、入力された心臓活動情報Ａ１ｕを基準拍動モデルＧの構築に使用するか否かを判定する。

状況判定部２２２は、ユーザ情報ＤＢ２１に保存されている心臓活動情報Ａ１ｕを計測した時点における外部状況を判定し、外部状況に応じて心臓活動情報Ａ１ｕを基準拍動モデルＧの構築に使用するか否かを判定する。外部状況の判定には、ユーザ情報ＤＢ２１に保存された環境情報Ｂ０ｕを利用する。環境情報Ｂ０ｕは、心臓活動情報Ａ１ｕと時系列で紐付けることが可能なものである。

自動車の車内で体調検出装置１を利用することを想定した場合、判定対象の外部状況の例としては、車両の走行状況がある。この走行状況の例としては、「被験者であるユーザが運転をしているかどうか」、「ユーザがバック駐車の運転操作中であるかどうか」、「車両が走行している道路が一般道か高速道のいずれであるか」、「車両が走行している道路の渋滞状況」、などである。判定対象の外部状況の例としては、車内環境がある。この車内環境の例としては、「車内の温度」、「車内の湿度」などが挙げられる。状況判定部２２２は、基準拍動モデルＧの構築に使用するデータとして適切な状況で取得されたデータであるか否かを判定する。この処理により、例えば、被験者としての運転者の動作が大きくなることが想定される「バック駐車の運転操作中」に計測された心臓活動情報Ａ１ｕを使用しない、ことが可能である。なお、この処理において状況を判定する方法は、上記の例の方法に限定されない。状況判定部２２２による判定は、環境情報Ｂ０ｕを元に事前に設定されたルールにしたがって行われてもよいし、機械学習モデルを用いて行われてもよい。

ユーザ行動判定部２２３は、心臓活動情報Ａ１ｕを計測している際のユーザの動作又は行動を判定する。心臓活動情報Ａ１ｕを計測する際に、ユーザの体動が大きい場合には、情報にノイズが乗る、もしくは適切に情報が計測されない状況が発生しやすい。このような状態で得られた心臓活動情報Ａ１ｕを基準拍動モデルＧの構築に使用すると、ユーザの基準拍動情報を適切に表現することができない。このため、ユーザ行動判定部２２３は、ノイズの発生原因となる体動などのユーザ行動を事前に検出し、体動が大きい場合（例えば、体動が予め決められた閾値を超える大きさである場合）には、そのときに取得されたで心臓活動情報Ａ１ｕを使用しないといった処理を行う。ユーザ行動判定部２２３は、ユーザ行動情報Ａ２に基づいてユーザ行動を判定する。具体的には、ユーザ行動判定部２２３は、カメラ映像又はモーションキャプチャから被験者であるユーザの動きを検出し、その大きさを算出する。また、ユーザ行動判定部２２３は、ユーザの動作の大きさだけでなく、ユーザが予め決められた特定の動作（すなわち、ノイズの発生原因となり得る動作）をしているか否かを判定する構成であってもよい。なお、ユーザの動作又は行動を検出する手段は、上記の例に限定されない。また、ユーザ行動判定部２２３が行う検出及び判定は、機械学習モデルを活用した検出及び判定であってもよい。

また、状況判定部２２２及びユーザ行動判定部２２３とは、１つの処理ブロックとしてまとめられた構成であってもよい。その場合、この処理ブロックは、環境情報Ｂ０とユーザ行動情報Ａ２の両方を利用して、外部状況及びユーザ行動を判定することができる。

データ使用判定部２２４は、心臓活動情報検査部２２１、状況判定部２２２、及びユーザ行動判定部２２３で得られた検査結果及び体調判定結果Ｆを元に、ユーザ情報ＤＢ２１に保存された心臓活動情報Ａ１ｕの各入力を、基準拍動モデルＧの構築に用いるかどうかの最終判定を行う。心臓活動情報検査部２２１は、予め設定されたルールに基づいて、データ使用をするか否かを判定する。

まず、データ使用判定部２２４は、心臓活動情報検査部２２１の検査結果を参照し、心臓活動情報Ａ１ｕの品質に問題がないこと（すなわち、品質が予め決められた条件を満たしていること）、心臓活動情報Ａ１ｕが特異値ではないこと、を確認する。次に、データ使用判定部２２４は、状況判定部２２２の判定結果を参照し、判定された状況が予め設定された「データを使用しない状況」ではないこと、を確認する。最後に、データ使用判定部２２４は、ユーザ行動判定部２２３の判定結果を参照し、体動が予め設定された閾値以内に収まっていること、体動が予め設定された「データを使用しない行動」ではないこと、を確認する。データ使用判定部２２４は、これらを全ての検査結果及び判定結果が予め設定された条件を満たすデータを、基準拍動モデルＧの構築のために使用されるデータとして拍動間隔バッファ２２５に保存する。

拍動間隔バッファ２２５に保存される具体的な情報は、例えば、心臓活動情報Ａ１ｕから得られる拍動間隔の時系列情報である。拍動間隔の例としては、心拍数、脈拍数、ＲＲＩ、脈拍間隔などが挙げられる。また、この工程は、ユーザ情報ＤＢ２１の全データでまとめて行うのではなく、体調検出部１０へのデータ入力仕様に合わせて、データを分割しながら実施される。体調検出部１０への入力仕様がデータ長６０秒間、入力頻度５秒毎である場合は、ユーザ情報ＤＢ２１に保存されたデータを、図３に示されるような形で抽出し、時間的にスライドさせながら各６０秒間の心臓活動情報Ａ１ｕ、環境情報Ｂ０、ユーザ行動情報Ａ２についてのデータを使用するか否かの判定が実施される。

データ検査部２２０は、各情報を検査するために、心臓活動情報検査部２２１と、状況判定部２２２と、ユーザ行動判定部２２３とを有しているが、これらの一部を除いた構成であってもよい。例えば、データ検査部２２０は、心臓活動情報検査部２２１と状況判定部２２２とのみを備えてもよいし、心臓活動情報検査部２２１のみを備えてもよい。データ検査部２２０の構成は、ユーザ情報として得られる情報に応じて、変更可能である。

モデル算出部２２６は、拍動間隔バッファ２２５に保存された検査済みの拍動間隔時系列情報を用いてユーザ毎の基準拍動モデルＧを算出し、これを基準拍動モデルＤＢ２３に保存する。第一に、拍動間隔情報としてＲＲ間隔を利用し、ユーザ毎のＲＲ間隔を表現する基準拍動モデルを算出する例を示す。拍動間隔バッファ２２５には、例えば、ＲＲ間隔が時系列で並べられた情報が格納されている。

図５は、心電図から算出される情報であるＲＲ間隔の例を示す図である。ここでは、ガウス分布（正規分布）を利用して基準拍動モデルＧを構築する例を示す。式（１）に拍動間隔の分布を正規分布と仮定した場合の、基準拍動モデルＧを示す。式（１）において、Ｘは確率変数、μ_Ｂは拍動間隔バッファ２２５に格納されたＲＲ間隔の平均値、σ_Ｂは拍動間隔バッファ２２５に格納されたＲＲ間隔の標準偏差、Ｎ（μ_Ｂ，σ_Ｂ ^２）は１次元正規分布を示す。

このように、ユーザ毎の基準拍動を確率的にモデリングすることで、各ユーザに応じた基準値Ｈをサンプリングすることが可能になる。また、ここでは、ガウス分布を仮定した場合の基準拍動モデルＧのモデリング方法を示したが、モデリング方法は、上記の方法に限定されない。例えば、基準拍動モデルＧのモデリング方法は、混合ガウスモデルを用いた方法又は、ニューラルネットワークなどを用いた方法であってもよい。また、基準拍動モデルＧのモデリング方法は、確率密度推定などによって得られるノンパラメトリックな確率モデルを用いた方法であってもよい。

上記説明では、基準拍動モデルＧとしてＲＲ間隔を表現するモデルを算出する例を提示した。しかし、基準拍動モデルＧは、必ずしもＲＲ間隔などの拍動間隔そのものを表す値を表現するモデルである必要はない。基準拍動モデルＧは、例えば、ＳＤＮＮ、ＣＶＮＮ、ＲＭＳＳＤ、ＬＦ又はＨＦ、ＲＲ間隔の平均値又は中央値、ｐＮＮ２０（隣り合ったＲＲ間隔の差の中で２０ｍｓｅｃ以上の値の割合）、ｐＮＮ５０（隣り合ったＲＲ間隔の差の中で５０ｍｓｅｃ以上の値の割合）、といった拍動間隔から得られる各種の指標を対象としたモデルであってもよい。その場合の基準拍動モデルＧは、拍動間隔から得られる指標の基準値Ｈを表現するモデルである。また、基準拍動モデルＧとして、ＲＲ間隔から算出される基準拍動モデルＧと各種の指標から得られる基準拍動モデルＧの両方がデータベースとして保存されてもよい。

〈基準拍動モデルＤＢ２３〉
基準拍動モデルＤＢ２３は、基準拍動モデル構築部２２で算出されたユーザ毎の基準拍動モデルを保存するための領域である。基準拍動モデルＤＢ２３には、基準拍動モデルとユーザＩＤと紐づけて、ユーザＩＤから基準拍動モデルＧを参照できる形式でデータが保存される。

〈基準拍動算出部２４〉
基準拍動算出部２４は、ユーザＩＤを入力として、そのユーザの基準拍動を算出する。以下では、基準拍動を算出する工程の例を示す。まず、基準拍動算出部２４は、ユーザＩＤを用いて基準拍動モデルＤＢ２３からユーザＩＤに紐付く基準拍動モデルＧを取り出す。次に、基準拍動算出部２４は、取り出した基準拍動モデルＧから基準値Ｈを任意の数だけサンプリングする。次に、基準拍動算出部２４は、サンプリングされた基準値Ｈから代表値を求めることで、最終的な基準値Ｈとして出力する。代表値としては、平均値、中央値、などを用いることができる。また、基準拍動モデルＧとしてガウス分布を利用している場合には、基準拍動算出部２４は、ガウス分布の平均値を、そのまま基準拍動モデルＧの最終的な基準値Ｈとして出力してもよい。

また、基準拍動算出部２４は、代表値を用いずに、基準値Ｈとして、複数の基準値Ｈの候補を出力してもよい。その場合の基準値Ｈの利用方法については、体調検出部１０における正規化特徴抽出部１３の項目で述べる。

〈基準拍動モデル管理部２０における処理〉
図６は、図２の基準拍動モデル管理部２０の基準拍動モデル構築部２２によって実行される処理フローの概略を示す図である。図６に示されるように、基準拍動モデル管理部２０は、予め収集されたユーザ情報ＤＢ２１の情報を入力として、対象となるユーザの全てのデータを参照するまで、データ検査部２２０によるデータの検査を繰り返す。この処理により、データにより基準拍動モデルＧを構成するためのデータを拍動間隔バッファ２２５に保存する。全てのデータの検査が完了した後に、基準拍動算出部２４は、基準拍動モデルＧを求めて、基準拍動モデルＤＢ２３へ基準拍動モデルＧをユーザＩＤと紐付けた形で保存する。

図７は、図２の基準拍動モデル管理部２０の基準拍動モデル構築部２２によって実行される処理フローの詳細を示す図である。基準拍動算出部２４の処理は、体調検出部１０から利用されるため図７の処理フローには含まれていない。図７に示されるように、基準拍動モデル管理部２０は、予め収集されたユーザ情報ＤＢ２１の情報である心臓活動情報Ａ１ｕ、ユーザ行動情報Ａ２、及び環境情報Ｂ０を入力として、対象となるユーザの全てのデータを参照するまで、データ検査部２２０によるデータの検査を繰り返す。基準拍動モデル管理部２０のデータ検査部２２０は、心臓活動情報Ａ１ｕの各々についてデータ品質を検査し、データ特性を検査し、心臓活動情報Ａ１ｕの各データについて、使用するか否かを判定する。データ検査部２２０は、ユーザ行動情報Ａ２の各々についてユーザ行動の各々について判定して、ユーザ行動の各データについて、使用するか否かを判定する。データ検査部２２０は、環境情報Ｂ０が示す状況の各々について判定して、環境情報Ｂ０の各データについて、使用するか否かを判定する。データ検査部２２０は、データを使用する場合には、基準拍動モデルＧを構成するためのデータを拍動間隔バッファ２２５に格納する。全てのデータの検査が完了した後に、基準拍動算出部２４は、基準拍動モデルＧを求めて、基準拍動モデルＤＢ２３へ基準拍動モデルＧをユーザＩＤと紐付けた形で保存する。

基準拍動モデル管理部２０は、後段の体調検出部１０を利用するユーザ毎における基準拍動情報を管理しており、任意のタイミングでユーザ毎の基準拍動を取得することができる。

《１－４》体調検出部１０
体調検出部１０は、リアルタイムで得られるユーザの心臓活動情報Ａ１を用いて体調の変化（例えば、体調の急変すなわち体調の急な悪化）の有無を検出する。体調検出部１０は、入力されたセンサ情報Ａ０と環境情報Ｂ０とから心臓活動情報Ａ１の品質、ユーザが置かれた状況、及びユーザの行動を検査し、体調検出の処理を継続するか否かを判定する処理継続判定部１１と、心臓活動情報Ａ１から拍動間隔を取得する拍動間隔取得部１２と、得られた拍動間隔Ｃの時系列から体調の急変を検出するために用いられる特徴量を個人差を是正した形で算出する正規化特徴抽出部１３と、是正された特徴量を用いて体調の急変の有無を判定する体調判定部１４とを有している。

〈処理継続判定部１１〉
処理継続判定部１１は、センサ情報Ａ０と環境情報Ｂ０とを用いて、計測された心臓活動情報Ａ１が体調検出部１０への入力として妥当な情報となっているか否かを判定する。例えば、センサ１０３（図１）によるセンシング時のユーザの激しい体動により心臓活動情報Ａ１が十分に高い品質で取得できていない場合、その情報を用いて体調急変の検出を実施しても、信頼できる結果を得ることができない。こういったケースを防ぐために、処理継続判定部１１は、体調急変の検出を実施する前に、計測された心臓活動情報Ａ１を使用して、その情報で体調急変の検出処理を継続するか否かを判定する。

図８は、図２の体調検出部１０の処理継続判定部１１の機能構成を示すブロック図である。実施の形態１においては、センサ情報Ａ０は、心臓活動情報Ａ１とユーザ行動情報Ａ２とを含んでいる。処理継続判定部１１は、心臓活動情報検査部１１１と、状況判定部１１２と、ユーザ行動判定部１１３と、継続判定部１１４とを有している。処理継続判定部１１は、図４に示される基準拍動モデル管理部２０における基準拍動モデル構築部２２のデータ検査部２２０と、同様の構成を有し、同様の処理を行う。処理継続判定部１１は、入力がユーザ情報ＤＢ２１ではなく、リアルタイムで取得されるセンサ情報Ａ０と環境情報Ｂ０とである点が、基準拍動モデル構築部２２のデータ検査部２２０と異なる。処理継続判定部１１における継続判定部１１４は、データ検査部２２０におけるデータ使用判定部２２４と、同様の機能を持つ。処理継続判定部１１は、図４に示される基準拍動モデル管理部２０における基準拍動モデル構築部２２のデータ検査部２２０と同様の構成を有し、同様の処理を行う。処理継続判定部１１は、入力がユーザ情報ＤＢ２１ではなく、リアルタイムで取得されるセンサ情報Ａ０と環境情報Ｂ０とである点が、基準拍動モデル構築部２２のデータ検査部２２０と異なる。処理継続判定部１１における継続判定部１１４は、データ検査部２２０におけるデータ使用判定部２２４と、同様の機能を持つ。

処理継続判定部１１は、必ずしも心臓活動情報検査部１１１、状況判定部１２２、及びユーザ行動判定部１２３の全てを備える必要はなく、これらのうちのいずれか１つ若しくは２つの組み合わせで構成してもよい。処理継続判定部１１は、体調検出部１０へ入力される情報に応じて、実行する処理を変更することができる。例えば、体調検出部１０において環境情報Ｂ０をリアルタイムで取得することが難しい場合は、処理継続判定部１１は、心臓活動情報検査部１１１とユーザ行動判定部１１３のみを有する構成であってもよい。

〈拍動間隔取得部１２〉
拍動間隔取得部１２は、心臓活動情報Ａ１を入力として、心電図波形の時系列信号から拍動間隔Ｃを抽出する。図５に示される心電図波形を入力とした場合、拍動間隔取得部１２は、心電図波形の時系列信号からＲＲ間隔を取得する。ただし、拍動間隔Ｃを取得する方法は、心電図波形から拍動間隔Ｃを取得する方法に限定されない。拍動間隔Ｃを取得する方法は、例えば、ピーク検出アルゴリズムにより波形のピークを検出した後に、その間隔を算出する方法であってもよいし、また、ニューラルネットワークなどの機械学習アルゴリズムを用いて波形から拍動間隔Ｃを直接算出する方法であってもよい。また、入力は、心臓の拍動間隔Ｃを取得することができる情報であればよく、心臓の拍動間隔Ｃを取得することができる情報であれば他の情報（例えば、脈波波形など）であってもよい。

〈正規化特徴抽出部１３〉
正規化特徴抽出部１３は、拍動間隔取得部１２から得られる拍動間隔Ｃの時系列情報を入力として、体調の変化（例えば、体調の急変すなわち体調の急な悪化）を検出するために用いられる特徴量を算出する。また、正規化特徴抽出部１３は、単純に特徴量を抽出するだけではなく、基準拍動算出部２４から取得されるユーザ毎の基準値Ｈを用いて特徴量を変換することで、個人差を是正した特徴量を抽出する。本出願で扱う特徴量は、拍動間隔Ｃの時系列情報に対して処理を施して得られる指標（例えば、値）である。特徴量の例として、ＳＤＮＮ、ＣＶＮＮ、ｐＮＮ２０、ｐＮＮ５０、ＲＭＳＳＤ、エントロピー、マルチスケールエントロピー、ＬＦ又はＨＦ、拍動間隔Ｃの平均値又は中央値、などが挙げられる。正規化特徴抽出部１３で扱う特徴量は、上記のものに限定されず、拍動間隔Ｃに対して予め決められた何らかの処理を施して得られた指標（例えば、値）である。

図９は、図２の体調検出部１０の正規化特徴抽出部１３の機能構成を示すブロック図である。正規化特徴抽出部１３は、拍動間隔Ｃから各種の特徴量を算出する特徴抽出部１３１と、算出された特徴量を基準拍動算出部２４から得られるユーザ毎の基準拍動情報を用いて正規化する正規化部１３２とを有している。特徴抽出部１３１は、入力される拍動間隔Ｃの時系列情報に対して、前述した特徴抽出処理を行い、各種の特徴量を算出する。算出される特徴量は、１つの特徴量でもよいし、又は、必要に応じて２つ以上の特徴量であってもよい。

次に、正規化部１３２は、特徴抽出部１３１から得られる特徴量をユーザ毎の基準拍動情報を用いて正規化することで、拍動間隔Ｃから算出された各種の特徴量の個人差を是正する。正規化部１３２は、まずユーザＩＤを基準拍動算出部２４へ入力することで、そのユーザＩＤで特定される基準拍動情報を取得する。ここで取得する基準拍動情報は、特徴抽出部１３１で抽出する特徴量（指標）の基準値Ｈである。つまり、基準拍動モデル管理部２０は、正規化特徴抽出部１３で使用する特徴量の基準値Ｈを事前に算出するための基準拍動モデルＧを予め構築しておく必要がある。基準値Ｈの別の取得方法としては、基準拍動算出部２４により、基準拍動（例えば、ＲＲ間隔など）を任意の個数だけ取得し、そこで得られた複数の基準拍動からなる基準拍動群に特徴抽出処理を実施して得られる特徴量を基準値Ｈとする方法がある。ただし、対象の特徴量が拍動間隔Ｃの時系列を考慮した値である場合には、基準拍動モデルＧも時系列モデルで構成されている必要がある。ここまでの工程で得られた各種の特徴量の基準値Ｈは、体調検出部１０を使用しているユーザの非体調急変時（すなわち、非発作時）における生体特性を示す指標と見なすことが可能である。体調検出部１０は、この基準値Ｈを用いて特徴抽出部１３１で算出された特徴量を是正する。

是正方法の例としては、特徴抽出部１３１で得られた特徴量と基準値Ｈの差分を取る方法、又は特徴抽出部１３１で得られた特徴量を基準値Ｈで除算した値を用いる方法などがある。いずれの方法を用いた場合であっても、特徴量の是正には、ユーザ毎の特徴量の基準値Ｈからの変動を表す指標が用いられる。特徴抽出部１３１で得られた特徴量からユーザ毎の基準値Ｈの成分を除外することで、ユーザ毎の個人差を是正した特徴を得ることができる。

また、上記説明では、各特徴量を正規化する際には、１つの基準値Ｈを取得してその値を用いて正規化処理を行う例を提示したが、正規化部１３２の処理は、上記の処理に限定されない。また、１つの特徴量に対して１つの基準値Ｈを利用して正規化処理を行うのではなく、１つの特徴量に対して複数の基準値候補を元に正規化処理を行ってもよい。この場合の処理は、以下のとおりである。また、以降では、基準値Ｈと特徴量との差分を取る正規化処理を説明する。

まず、正規化特徴抽出部１３は、基準拍動算出部２４からＮ個の基準値候補を取得する。次に、正規化特徴抽出部１３は、特徴抽出部１３１により得られた特徴量と各基準値候補との差分を取る。この段階でＮ個の差分値が得られる。最後に、正規化特徴抽出部１３は、Ｎ個の差分値の平均値又は中央値を取り、得られた値を正規化された特徴量とする。拍動間隔Ｃに関する情報は、同一被験者かつ非体調急変時を想定した場合であっても、ゆらぎが生じることが知られているため、その基準である情報を１つの値で表現することは難しい。本処理により、基準拍動モデルＧから得られる複数の基準点候補を元に特徴量の正規化処理を行うことで基準値Ｈに生じるゆらぎの影響を除外した特徴を得ることができる。

〈体調判定部１４〉
体調判定部１４は、正規化特徴抽出部１３で算出された特徴量を用いてユーザＩＤで特定されたユーザの体調（例えば、体調の急変の有無）を判定する。体調判定結果Ｆは、“０”及び“１”のように２値で表される値、体調急変が起きている確率を表す値として０から１までの間の小数として表現する構成であってもよい。また、体調判定結果Ｆは、体調の急変の種類を区別して判定する構成であってもよい。その場合は、対応する体調の急変の種類の数だけ体調判定結果Ｆが出力される。また、判定の方式としては、閾値を用いた判定方式、及び機械学習を用いた判定方式などがある。

閾値を用いた判定方式を説明する。体調判定部１４は、正規化された特徴量の値が、予め設定された閾値を超えた場合、又は、予め設定された閾値を下回った場合に、体調急変有りと判定する。複数の特徴量を扱う場合は、それぞれについて閾値が設定される方法又は、複数の特徴量の値を参照して任意のルールを元に体調の急変を判定する方法が挙げられる。閾値の設定は、人手で行ってもよいし、事前に収集された心臓活動情報Ａ１ｕから得られる正規化された特徴量を元に自動で算出する形式を取ってもよい。また、正規化された特徴量は、個人差が是正された指標であるため、閾値設定の際に必ずしも体調検出装置１による体調検出を利用するユーザの心臓活動情報Ａ１ｕを利用する必要はない。体調判定部１４は、別のユーザ群から計測された心臓活動情報Ａ１ｕから得られた正規化された特徴量を元に閾値を設定してもよい。体調判定部１４は、事前に算出された複数ユーザの正規化された特徴量を元に、体調検出部１０共通の閾値を設定した後に、体調検出部１０を利用するユーザの情報を用いて閾値を調整してもよい。

機械学習を用いた判定を説明する。体調判定部１４は、事前に学習された機械学習モデルへ特徴量を入力して体調の急変の有無を判定する。機械学習モデルを構成する際には、上述した閾値設定の方法と同様に体調検出部１０を利用するユーザ以外のユーザ群から得られた正規化された特徴量を元に機械学習モデルを学習してもよい。また、事前に算出された体調検出部１０を利用するユーザ以外のユーザ群の正規化された特徴量を元に体調検出部１０に共通の機械学習モデルを学習した後に、体調検出部１０を利用するユーザの情報を用いて機械学習モデルをファインチューニングする方法を取ってもよい。ここで利用する機械学習のアルゴリズムは、どのようなアルゴリズムであってもよい。使用可能なアルゴリズムとしては、ニューラルネットワークによる学習モデル、混合ガウスモデル（ＧＭＭ）、ＳＶＭ（ＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅ）などのクラス分類モデル、ＸＧＢｏｏｓｔなどの決定木をベースにした学習モデルが例として挙げられる。

〈体調検出部１０における処理〉
図１０は、図２の体調検出部１０によって実行される処理フローの概略を示す図である。図１１は、図２の体調検出部１０によって実行される処理フローの詳細を示す図である。体調検出部１０の入力は、心臓活動情報Ａ１とユーザ行動情報Ａ２とを含むセンサ情報Ａ０と、ユーザが置かれている状況を判定するために使用される環境情報Ｂ０と、体調検出部１０を利用するユーザを特定するためのユーザＩＤとである。体調検出部１０の出力は、体調の体調判定結果Ｆ（例えば、体調急変の体調判定結果Ｆ）である。また、実施の形態１においては、環境情報Ｂ０の入力は必ずしも必要ではなく、その場合には、図１１における環境情報Ｂ０及び環境情報Ｂ０を入力とする状況判定の処理は、除くことができる。

まず、体調検出部１０は、心臓活動情報Ａ１と環境情報Ｂ０とを元に、体調急変の検出処理を継続するか否かを判定する。体調検出部１０は、検出処理を継続しないと判定した場合には、以降の処理は行わず次回の入力を待つ。体調検出部１０は、検出処理を継続すると判定した場合には、拍動間隔取得部１２により心臓活動情報Ａ１から拍動間隔Ｃを取得する。得られた拍動間隔Ｃから正規化特徴抽出部１３により正規化特徴を抽出し、体調判定部１４により体調判定結果Ｆを出力する。体調急変があると判定された場合は、体調検出装置に応じたアラート処理を実施する。
アラート処理の例としては、表示装置１０６（図１）に警告を表示する、スピーカ（図示せず）から警告音を出す、自動車運転中の車両の場合には車両を自動で安全な場所へ移動して停止させる、といった処理がある。上述した処理を体調検出装置１の処理が終了するまで繰り返す。

《１－５》効果
以上のように、実施の形態１によれば、拍動情報の個人差が特徴量に与える影響を是正して是正特徴量Ｅを生成し、是正特徴量Ｅに基づいて体調の変化（例えば、体調の急変すなわち体調の急な悪化）を判定しているので、拍動間隔Ｃの個人差に対して頑健な体調検出を実現することが可能である。

《２》実施の形態２
実施の形態２においては、拍動間隔の個人差が特徴量に与える影響とユーザが置かれた状況の変化が特徴量に与える影響とを是正して得られた是正特徴量Ｅを用いてユーザの体調の変化（特に、体調の急変すなわち体調の急な悪化）を検出するために用いられる体調検出装置、体調検出システム、体調検出方法、及び体調検出プログラムを説明する。

《２－１》体調検出システム
実施の形態２に係る体調検出システムのＨＷ構成は、実施の形態１のもの（図１）と同様である。実施の形態２に係る体調検出システムは、体調検出装置１ａと、センサ１０３とを有している。実施の形態２に係る体調検出システムは、入力装置１０４と、ストレージ１０５と、表示装置１０６とを有してもよい。体調検出装置１ａは、実施の形態２に係る体調検出方法を実施することができる装置である。或いは、体調検出装置１ａは、実施の形態２に係る体調検出プログラムを実行することができるコンピュータである。

《２－２》体調検出装置１ａ
図１２は、実施の形態２に係る体調検出装置１ａの機能構成を示すブロック図である。実施の形態２に係る体調検出装置１ａは、実施の形態１に係る体調検出装置１と同様に、被験者であるユーザ毎の基準情報を取得するための基準拍動モデル管理部２０ａと、センサ１０３から得られる拍動情報と被験者であるユーザを取り巻く環境を表す環境情報Ｂ０とを入力として、ユーザの体調の変化（例えば、体調の急変すなわち体調の急な悪化）を検出する体調検出部１０ａとを有している。

基準拍動モデル管理部２０ａは、ユーザ情報ＤＢ２１と、基準拍動モデル構築部２２と、基準拍動モデルＤＢ２３と、基準拍動算出部２４とを有している。体調検出部１０ａは、処理継続判定部１１ａと、拍動間隔取得部１２と、正規化特徴抽出部１３と、体調判定部１４と、状況判定部１５とを有している。

実施の形態２に係る体調検出装置１ａは、基準拍動モデルＧから、ユーザが置かれた状況に応じた基準値Ｈを算出するように構成されている点、及び状況判定部１５が処理継続判定部１１ａから独立しており、状況判定結果Ｊを基準値Ｈの算出に利用している点において、実施の形態１に係る体調検出装置１と異なる。実施の形態２に係る体調検出装置１ａを用いれば、拍動間隔Ｃの個人差が特徴量に与える影響の是正だけではなく、ユーザが置かれた状況の変化が特徴量に与える影響についての是正も行うことで、適切に是正された是正特徴量Ｅを取得することができる。

《２－３》基準拍動モデル管理部２０ａ
基準拍動モデル管理部２０ａは、基準拍動モデルＧの構築方法と基準拍動の算出方法の点において、実施の形態１における基準拍動モデル管理部２０と異なる。他の点に関し、基準拍動モデル管理部２０ａの構成は、実施の形態１における基準拍動モデル管理部２０のものと同様である。また、実施の形態２におけるユーザ情報も、実施の形態１におけるものと同じである。

〈基準拍動モデル構築部２２〉
実施の形態２における基準拍動モデル構築部２２は、ユーザ毎の基準である拍動間隔情報をモデリングして基準拍動モデルＧを構築するだけではなく、ユーザが置かれた状況による拍動間隔情報への影響についても是正してモデリングを実行する。ここでは、実施の形態１における基準拍動モデル構築部２２との違いを中心に説明する。

図１３は、図１２の基準拍動モデル管理部２０ａの基準拍動モデル構築部２２によって実行される処理フローの詳細を示す図である。図１３に示される実施の形態２における処理は、ユーザ情報ＤＢ２１に含まれているユーザ毎の情報を入力とし、データ検査部２２０により情報の検査を実行する工程までの処理に関しては、実施の形態１における処理と同様である。実施の形態２においては、基準拍動モデルＧの構築に使用するデータを格納する拍動間隔バッファ２２５へ格納する工程から、実施の形態１の処理と異なる処理が行われる。実施の形態２においては、予め設定された状況の個数だけバッファを用意し、拍動間隔を状況に応じて拍動間隔バッファ２２５を切り替えて格納する。体調検出装置が想定する状況が状況＃１～状況＃４の４つ設定されている場合は、４つのバッファそれぞれに各状況時に計測された拍動間隔が格納される。

モデル算出部２２６は、状況毎に拍動間隔が格納された拍動間隔バッファ２２５を用いて基準拍動モデルＧを構築する。実施の形態２における基準拍動モデルＧの例として、基準値Ｈを表現する基準拍動モデルＧと状況とによる拍動間隔への影響を表現する状況差分モデルの和によって構成されるモデルを示す。ここで記した基準拍動モデルＧは、実施の形態１における基準拍動モデルＧと同義であり、ユーザ毎の基準である拍動情報を表現したモデルである。状況差分モデルは、ユーザが置かれた状況による拍動情報への影響、つまり、特定の状況によって生じる拍動間隔情報の変動を表現するモデルである。ここでは、説明のため、基準モデル及び状況差分モデルの各々をガウス分布で表現する場合の例を示す。また、ここでは、状況＃１～＃４の４つの状況が設定されている例を説明する。

まず、状況＃１～＃４の中で全体の基準である状況を設定する。設定する方法の例として、体調検出装置１ａを使用する際にユーザが置かれる時間が最も長い状況を基準とする方法が考えられる。以降、この工程で設定された状況を基準状況と呼ぶ。ここでは、状況＃１を基準状況と設定した場合を説明する。

次に、モデル算出部２２６は、基準状況時の拍動間隔を拍動間隔バッファ２２５から抽出し、基準モデルを算出する。算出方法は、実施の形態１におけるモデル算出部２２６による算出方法と同様である。

次に、モデル算出部２２６は、状況＃２～＃４で計測された拍動間隔を用いて、状況差分モデルを構築する。状況差分モデルは、基準状況からそれ以外の各状況へ変化した場合の拍動間隔の変動を表現するため、各状況の拍動間隔情報と基準モデルにおける平均値の差分をモデリングしたものである。基準モデルＸ_Ｂを式（２）で表したとき、状況＃Ｎ（Ｎは正の整数）における各拍動間隔の基準との差分は、式（３）で表すことができる。ここで、ｘ_Ｎ ^（ｉ）は、状況＃Ｎにおけるｉ番目の拍動間隔、μ_１は、基準モデルの平均値である。

このとき、状況＃Ｎにおける状況差分モデルを式（４）で表現する。ここで、Ｓ_Ｎは状況＃Ｎにおける状況差分モデル、μ_{ｄｉｆｆＮ}は差分の平均値、σ_{ｄｉｆｆＮ}は差分の標準偏差である。

状況＃Ｎにおける基準拍動モデルＸ_Ｎは、式（５）のように基準モデルＸ_Ｂと状況差分モデルＳ_Ｎの和で表現される。

モデル算出部２２６は、算出した基準拍動モデルＸ_ＮをユーザＩＤと紐付けた形で基準拍動モデルＤＢ２３に保存する。また、ここでは、ガウス分布を仮定した場合の基準拍動モデルの構築方法（すなわち、モデリング方法）を示したが、モデリング方法は、上記の方法に限定されない。例えば、基準モデル及び状況差分モデルとして混合ガウスモデル又はニューラルネットワークなどを用いてもよい。また、確率密度推定などによって得られるノンパラメトリックな確率モデルを用いてもよい。

上記説明では、基準拍動モデルＧとしてＲＲ間隔を表現するモデルを算出する例を提示した。しかし、基準拍動モデルＧは、必ずしもＲＲ間隔などの拍動間隔そのものを表す値を表現するモデルである必要はない。基準拍動モデルＧは、例えば、ＳＤＮＮ、ＣＶＮＮ、ＲＭＳＳＤ、ＬＦ又はＨＦ、ＲＲ間隔の平均値又は中央値、ｐＮＮ２０、ｐＮＮ５０といった拍動間隔から得られる各種の指標を対象としたモデルであってもよい。その場合の基準拍動モデルＧは、拍動間隔から得られる指標の基準値Ｈを表現するモデルである。

また、ＲＲ間隔から算出される基準拍動モデルＧと各種の指標から得られる基準拍動モデルＧの両方を保有する構成であってもよい。

〈基準拍動算出部２４〉
基準拍動算出部２４は、ユーザＩＤとユーザが置かれた状況を入力として、ユーザ毎の状況に応じた基準拍動を算出する。基準拍動の算出に関する工程は、実施の形態１のものと同様である。実施の形態２における基準拍動算出部２４は、入力としてユーザが置かれた状況が加わっている点が、実施の形態１におけるものと異なる。

正規化特徴抽出部１３は、実施の形態２における基準拍動算出によって得られる基準拍動を用いて、特徴量の正規化を行うことで、拍動間隔Ｃの個人差が特徴量に与える影響とユーザが置かれた状況が特徴量に与える影響を取り除いた是正特徴量Ｅを抽出することができる。

《２－４》
体調検出部１０ａは、リアルタイムで得られるユーザの心臓活動情報Ａ１を用いて体調の変化（例えば、急変の有無）を検出する。また、体調検出部１０ａは、リアルタイムで得られる環境情報Ｂ０を元に判定した“ユーザが置かれた状況”を元に、ユーザ毎に状況に応じた基準値Ｈを利用して体調急変検出を実現するための特徴量を正規化する。体調検出部１０ａは、入力されたセンサ情報Ａ０から心臓活動情報Ａ１の品質、ユーザの行動を検査し、処理を継続するか否かを判定する処理継続判定部１１ａと、環境情報Ｂ０からユーザが置かれた状況を判定する状況判定部１５と、心臓活動情報Ａ１から拍動間隔Ｃを取得する拍動間隔取得部１２と、得られた拍動間隔Ｃの時系列から体調の急変を検出するために用いられる特徴量について個人差と状況変化による拍動間隔Ｃの変動を是正した形で算出する正規化特徴抽出部１３、得られた是正特徴量Ｅを用いて体調の急変の有無を判定する体調判定部１４とを有している。以降では、実施の形態１の場合と異なる点を中心に、体調検出部１０ａついて説明する。

〈状況判定部１５〉
図１４は、図１２の体調検出部１０ａの処理継続判定部１１ａ及び状況判定部１５の機能構成を示すブロック図である。実施の形態１における処理継続判定部１１内の状況判定部１５を外に出して独立させたものである。各ブロックの処理の内容自体は、実施の形態１のものと同様である。状況判定部１５は、環境情報Ｂ０及びセンサ情報Ａ０を入力としてユーザが置かれた状況を判定し、その結果を処理継続判定部１１ａへ入力する。また、実施の形態２における体調検出部１０ａは、状況判定部１５で得られる結果を処理継続判定のために使用するだけでなく、基準拍動の算出にも用いる点において、実施の形態１に係る体調検出部１０と異なる。

〈体調検出部１０ａにおける処理〉
図１５は、図１２の体調検出部１０ａによって実行される処理フローの概略を示す図である。図１６は、図１２の体調検出部１０ａによって実行される処理フローの詳細を示す図である。体調検出装置１ａの入力は、心臓活動情報Ａ１とユーザ行動情報Ａ２とを含むセンサ情報Ａ０、ユーザが置かれている状況を示す環境情報Ｂ０、及び体調検出装置１ａを利用するユーザを特定するためのユーザＩＤである。体調検出装置１ａの出力は、体調の変化の体調判定結果Ｆである。

まず、体調検出部１０ａは、センサ情報Ａ０から心臓活動情報Ａ１及びユーザ行動情報Ａ２を取得する。次に、処理継続判定部１１ａは、心臓活動情報Ａ１と環境情報Ｂ０を元に処理を継続するか否かを判定する。ここで処理を継続しないと判定された場合には、体調検出部１０ａは、以降の処理は行わず、次回の入力を待つ。処理を継続する場合には、体調検出部１０ａの拍動間隔取得部１２は、心臓活動情報Ａ１から拍動間隔Ｃを取得する。次に、基準拍動算出部２４は、正規化特徴の抽出に向けて基準拍動を算出する。基準拍動算出部２４は、ユーザＩＤと状況判定部１５から得られたユーザが置かれている状況とから、ユーザの状況に応じた基準拍動情報を取得する。次に、体調検出部１０ａの正規化特徴抽出部１３は、得られた拍動間隔Ｃと基準拍動情報を用いて正規化特徴を抽出する。最後に、体調検出部１０ａの体調判定部１４により体調判定結果Ｆを出力し、体調急変があると判定された場合は、体調検出装置１ａに応じたアラート処理を実施する。アラート処理の例としては、警告を表示する、警告音を出す、自動車運転中の場合は、自動で安全な場所へ停止するといった処理が考えられる。上述した処理を体調検出装置の処理が終了するまで繰り返す。

《２－５》効果
以上のように、実施の形態２によれば、拍動情報の個人差が特徴量に与える影響とユーザが置かれる状況の変化が特徴量に与える影響とを是正して是正特徴量Ｅを生成し、是正特徴量Ｅに基づいて体調の変化（例えば、体調の急変すなわち体調の急な悪化）を判定しているので、拍動間隔Ｃの個人差及びユーザが置かれる状況の変化に対して頑健な体調検出を実現することが可能である。

《３》実施の形態３
実施の形態３においては、拍動間隔Ｃの個人差が特徴量に与える影響と被験者であるユーザの拍動間隔の時間的な変動が特徴量に与える影響とを是正して得られた是正特徴量Ｅを用いてユーザの体調の変化（例えば、体調の急変すなわち体調の急な悪化）を検出するために用いられる体調検出装置、体調検出システム、体調検出方法、及び体調検出プログラムを説明する。

《３－１》体調検出システム
実施の形態３に係る体調検出システムのＨＷ構成は、実施の形態１のもの（図１に示される）と同様である。実施の形態３に係る体調検出システムは、体調検出装置１ｂと、センサ１０３とを有している。実施の形態３に係る体調検出システムは、入力装置１０４と、ストレージ１０５と、表示装置１０６とを有してもよい。体調検出装置１ｂは、実施の形態３に係る体調検出方法を実施することができる装置である。或いは、体調検出装置１ｂは、実施の形態３に係る体調検出プログラムを実行することができるコンピュータである。

《３－２》体調検出装置１ｂ
図１７は、実施の形態３に係る体調検出装置１ｂの機能構成を示すブロック図である。実施の形態３に係る体調検出装置１ｂは、実施の形態１に係る体調検出装置１と同様に、被験者であるユーザ毎の基準情報を取得するための基準拍動モデル管理部２０ｂと、センサ１０３から得られる拍動情報と被験者であるユーザを取り巻く環境を表す環境情報Ｂ０を入力として体調の急変を検出する体調検出部１０ｂを有している。基準拍動モデル管理部２０ｂは、基準拍動モデルＤＢ２３、ユーザ情報ＤＢ２１、更新用バッファ２５、基準拍動モデル構築部２２、基準拍動算出部２４、基準拍動モデル更新部２６、更新判定部２７を備える。体調検出部１０ｂは、処理継続判定部１１ｂ、拍動間隔取得部１２ｂ、正規化特徴抽出部１３、体調判定部１４を備える。実施の形態３に係る体調検出装置１ｂは、基準拍動モデルＧが拍動間隔の時間的な変動を考慮した基準値Ｈを算出する構成となっている点、体調検出部１０ｂの利用時に基準拍動モデルＧをリアルタイムで更新する枠組みが加わった点において、実施の形態１に係る体調検出装置１と異なる。実施の形態３により、拍動間隔Ｃの個人差が特徴量に与える影響だけではなく、拍動間隔Ｃの時間的な変動が特徴量に与える影響についても是正した是正特徴量Ｅを抽出することができる。

以下より，各ブロックの詳細を説明する。なお、体調検出部１０ｂにおける処理継続判定部１１ｂ、拍動間隔取得部１２ｂ、正規化特徴抽出部１３、体調判定部１４については、実施の形態１と同様の構成及び処理である。

《３－３》基準拍動モデル管理部２０ｂ
実施の形態３における基準拍動モデル管理部２０ｂは、実施の形態１における基準拍動モデル管理部２０ｂに、基準拍動モデルＧをリアルタイムで更新する枠組みとして、更新用バッファ２５、更新判定部２７、基準拍動モデル更新部２６を加えた構成である。以降で各処理についての詳細を述べる。

〈基準拍動モデル構築部２２〉
実施の形態３における基準拍動モデル構築部２２の構成は、図４に示される実施の形態１における基準拍動モデル構築部２２と同様である。実施の形態３における基準拍動モデル構築部２２は、基準拍動モデルＧとして時系列モデルを使用する点において、実施の形態１における基準拍動モデル構築部２２と異なる。後段のモデル更新部によってリアルタイムで基準拍動モデルＧを更新するため、更新可能かつ時間的な変動を表現可能なモデルで基準拍動モデルＧを構築する。実施の形態３における基準拍動モデルＧの例として、線形ガウス状態空間モデルが挙げられる。この場合も、実施の形態１と同様の手順で、ユーザ情報ＤＢ２１に含まれる情報を用いてモデルを算出する。なお、逐次的に更新可能かつ時間的な変動を表現可能なモデルであれば、モデルの種類は限定されない。また、実施の形態３においては、基準拍動モデル構築部２２を除外した構成であってもよい。基準拍動モデル構築部２２により事前にモデルを構築しておくのではなく、体調検出部１０ｂ使用時に得られる情報のみから基準拍動モデルＧを構築し、更新する構成であってもよい。

〈更新用バッファ２５〉
更新用バッファ２５は、基準拍動モデルＧの更新に利用するための心臓活動情報Ａ１及び計測された時刻を一時的に保管するための領域である。更新用バッファ２５は、最低でも、１入力分の領域を確保したものである。更新用バッファ２５に格納するデータの量は、基準拍動モデルＧを更新する頻度及び更新に使用するデータ量に依存する。入力毎に更新する設定とした場合には、１入力分の情報を毎時刻で更新用バッファ２５に保存するが、５分に１度、５分間のデータを使用して基準拍動モデルＧを更新する仕様とした場合には、５分間分のデータを常に更新用バッファ２５に保存する。

以降で述べる更新判定部２７で基準拍動モデルＧを更新することが決定した場合に、更新用バッファ２５に格納された情報を使用して基準拍動モデルＧを更新する。

〈更新判定部２７〉
体調検出部１０ｂにおいて計測された心臓活動情報Ａ１を用いて基準拍動モデルＧを更新するか否かを判定する。計測される心臓活動情報Ａ１は、ユーザの体動又はユーザが置かれた状況によってデータ品質が落ちている可能性がある。このような情報を含めて全ての心臓活動情報Ａ１を用いて基準拍動モデルＧを更新してしまうと、信頼性の高い基準値Ｈをモデリングできない可能性がある。更新判定部２７によって、その時刻で基準拍動モデルＧを更新するか否かを判定することで、適切な情報で基準拍動モデルＧを更新することを可能とする。また、更新判定部２７は、情報の検査だけでなく検出結果から得られる体調判定結果Ｆの情報も利用して更新するか否かを判定する。基準拍動モデルＧは、ユーザ毎の基準、つまり、非体調急変時における拍動間隔情報を表現するモデルであるため、体調検出システムによって体調急変があると判定された心臓活動情報Ａ１については、基準拍動モデルＧの更新には利用しない。以降では、更新判定部２７の詳細を述べる。

更新判定部２７は、体調検出部１０ｂにおける処理継続判定部１１ｂの結果と、体調判定結果Ｆを用いて更新をするか否かを判定する。具体的には、処理継続判定部１１ｂに含まれる心臓活動情報検査部１１１、ユーザ行動判定部２２３、状況判定部１５の結果と、体調検出部１０ｂの体調判定結果Ｆを元に基準拍動モデルＧの更新をするか否かを判定する。更新判定における例としては、「処理継続判定部１１ｂで処理継続と判定」かつ「体調検出部１０ｂの出力が体調急変ではない」場合に基準拍動モデルＧを更新すると判定する。この場合には、体調検出部１０ｂで検出処理を実施した心臓活動情報Ａ１のうち非体調急変と判定されたものを使用して基準拍動モデルＧを更新する結果である。

他の例としては、処理継続判定部１１ｂの結果をそのまま使用するのではなく、処理継続判定部１１ｂに含まれる心臓活動情報検査部１１１、ユーザ行動判定部２２３、状況判定部１５から得られる各々の結果を使用してモデル更新用の別のルールを設定する方法がある。基準拍動モデルＧを更新するためのルールを検出処理の継続に関するルールよりも厳しく設定したい場合、もしくは逆に緩く設定したい場合にはこの方法を取る。

更新判定部２７により、体調検出部１０ｂによりリアルタイムで得られる心臓活動情報Ａ１、ユーザ行動、ユーザが置かれた状況及び体調検出装置によって判定された体調急変の有無を考慮して基準拍動モデルＧの更新をするか否かを判定する。

なお、本処理においては、センサ情報Ａ０、環境情報Ｂ０を入力することを前提としているが環境情報Ｂ０を除いた構成としても機能する。その場合は、処理継続判定部１１ｂから状況判定部１５を除外した構成である。

また、更新判定の頻度は、任意に設定するものとしてよい。体調検出部１０ｂで得られる全て時刻の情報を更新に使用する場合は、データの入力毎に更新判定を行うが、例えば、５分に更新を行う仕様とした場合には、５分に一度更新判定を行う。

更新判定のルールを任意に設定する例として、ユーザが置かれた状況が変更されたタイミングでは、必ず基準拍動モデルＧを更新するといった方法も考えられる。また、体調検出部１０ｂとは、別にユーザの状態推定を行う体調検出装置を同時に実行している場合には、別システムの検出結果を基準拍動モデルＧの更新判定に利用してもよい。更新に使用する情報の例として、眠気検知の検知結果、覚醒度検知の検知結果、感情推定の推定結果などが考えられる。

〈基準拍動モデル更新部２６〉
更新判定部２７によって基準拍動モデルＧを更新すると判定された場合に、該当するユーザの基準拍動モデルＧを更新する。更新に使用するデータは、更新用バッファ２５から取得する。実施の形態３における基準拍動モデルＧは、線形ガウス状態空間モデルなどの時系列モデルで構成されるため、更新用バッファ２５から得られる拍動間隔を用いて、上記時系列モデルを更新する。基準拍動モデルＧの更新方法は上記の方法に限定されない。線形ガウス状態空間モデルを仮定した場合には、カルマンフィルタ、粒子フィルタ、などのような時系列モデルの推定法を用いることで実現可能である。

また、更新判定部２７で体調検出部１０ｂの体調判定結果Ｆを更新判定に使用している関係上、基準拍動モデルＧの更新は、一番早くとも体調検出部１０ｂにおける１入力前の情報を使用して実行される。

〈基準拍動算出部２４〉
実施の形態３における基準拍動算出部２４は、ユーザＩＤを入力としてそのユーザにおける”現時点での”基準値Ｈを算出する。実施の形態３における基準拍動モデルＧは、時系列モデルで構成されているため、基準拍動モデルＧによって予測された現時点における拍動間隔情報をサンプリングすることで正規化特徴抽出部１３へ入力する基準拍動とする。実施の形態１，２と同様に１つの値を出力する仕様としてもよいし、複数の候補を出力する仕様であってもよい。
実施の形態３における基準拍動算出部２４によって得られる基準拍動を用いて、正規化特徴抽出部１３による特徴量の正規化を行うことで、拍動間隔の個人差が特徴量に与える影響と拍動間隔の時間的な変動が特徴量に与える影響とを取り除いた是正特徴量Ｅを抽出することができる。

《３－４》体調検出部１０ｂ
実施の形態３における体調検出部１０ｂは、処理継続判定部１１ｂの判定結果を基準拍動モデルＧの更新判定に使用する点、正規化特徴抽出部１３で使用する基準値Ｈが時間的な変動を考慮した基準値Ｈである点、及び体調判定結果Ｆを基準拍動モデルＧの更新判定に使用する点において、実施の形態１における体調検出部１０と異なる。これらの点以外に関し、実施の形態３における体調検出部１０ｂは、実施の形態１における体調検出部１０と同じである。

〈体調検出部１０ｂ及び基準拍動モデルＧの更新処理〉
図１８は、図１７の体調検出部１０ｂによって実行される処理フローの概略を示す図である。図１９は、図１７の体調検出部１０ｂによって実行される処理フローの詳細を示す図である。体調検出装置１ｂの入力は、心臓活動情報Ａ１とユーザ行動情報Ａ２とを含むセンサ情報Ａ０と、ユーザが置かれている状況を判定するための環境情報Ｂ０と、体調検出部１０ｂを利用するユーザを特定するためのユーザＩＤとである。体調検出装置１ｂの出力は、体調判定結果Ｆである。また、実施の形態３に係る体調検出装置１ｂは、環境情報Ｂ０の入力を必ずしも必要としておらず、環境情報Ｂ０の入力と環境情報Ｂ０を入力とする状況判定部１５とを除いた構成としてもよい。

まず、体調検出部１０ｂは、センサ情報Ａ０から心臓活動情報Ａ１及びユーザ行動情報Ａ２を取得する。次に、処理継続判定部１１ｂに含まれる心臓活動情報検査部１１１は、心臓活動情報Ａ１を検査し、情報に問題がない（すなわち、予め決められた条件を満たしている）と判定された場合には、拍動間隔取得部１２ｂによって算出された拍動間隔Ｃの時系列情報を拍動間隔バッファ２２５に保存する。また、心臓活動情報検査部１１１は、拍動間隔Ｃに紐付く時刻情報も同時に更新用バッファ２５に保存する。更新用バッファ２５への保存と並行して、処理継続判定部１１ｂは、体調判定処理を継続するか否かを判定し、継続しないと判定された場合には、以降の処理は、行わず次回の入力を待つ。継続する場合には、処理は、特徴抽出処理へ移る。また、処理継続判定部１１ｂの結果は、後段の更新判定部２７で使用される。

特徴抽出処理においては、まず正規化特徴の抽出に向けて基準拍動を算出する。ここでは、基準拍動算出部２４は、ユーザＩＤと計測時刻とを入力として、ユーザのその時点に応じた基準拍動情報を取得する。次に、正規化特徴抽出部１３は、得られた拍動間隔Ｃと基準拍動情報を用いて正規化された特徴量である是正特徴量Ｅを抽出する。得られた正規化された特徴量を元に体調判定部１４により体調急変の有無を判定する。体調急変があると判定された場合は、体調検出装置に応じたアラート処理を実施する。アラート処理の例としては、表示装置１０６（図１）に警告を表示する、スピーカ（図示せず）から警告音を出す、自動車運転中の車両の場合には車両を自動で安全な場所へ移動して停止させる、といった処理がある。

また、体調判定結果Ｆが出た時点で基準拍動モデルＧの更新処理に移り、検出処理と並行して基準拍動モデルＧの更新処理を実施する。体調判定結果Ｆを更新判定部２７へ入力し、処理継続判定部１１ｂの結果と合わせてその時刻における基準拍動モデルＧの更新をするか否かを判定する。基準拍動モデルＧを更新しない場合は、基準拍動モデルＧの更新処理を終了する。基準拍動モデルＧを更新する場合は、基準拍動モデル更新部２６により、更新用バッファ２５に格納された拍動間隔Ｃ及び計測時刻を用いて、体調検出部１０ｂを利用しているユーザの基準拍動モデルＧを更新し、基準拍動モデルＤＢ２３へ情報を保存する。上述した処理を体調検出装置が終了するまで繰り返す。

《３－５》効果
以上のように、実施の形態３によれば、拍動間隔Ｃの個人差が特徴量に与える影響と拍動間隔Ｃの時間的な変動が特徴量に与える影響とを是正して是正特徴量Ｅを生成し、是正特徴量Ｅに基づいて体調の変化例えば、体調の急変すなわち体調の急な悪化）を判定しているので、拍動間隔Ｃの個人差及び時間的な変動に対して頑健な体調検出を実現することが可能である。

《４》実施の形態４
実施の形態４においては、拍動間隔の個人差が特徴量に与える影響と被験者であるユーザが置かれた状況の変化が特徴量に与える影響と拍動間隔の時間的な変動が特徴量に与える影響とを是正して得られた是正特徴量Ｅを用いて、ユーザの体調の変化（例えば、体調の急変すなわち体調の急な悪化）を検出するための体調検出装置１ｃ、体調検出システム、体調検出方法、及び体調検出プログラムを説明する。

《４－１》体調検出システム
実施の形態４に係る体調検出システムのＨＷ構成は、実施の形態１のもの（図１）と同様である。実施の形態４に係る体調検出システムは、体調検出装置１ｃと、センサ１０３とを有している。実施の形態４に係る体調検出システムは、入力装置１０４と、ストレージ１０５と、表示装置１０６とを有してもよい。体調検出装置１ｃは、実施の形態４に係る体調検出方法を実施することができる装置である。或いは、体調検出装置１ｃは、実施の形態４に係る体調検出プログラムを実行することができるコンピュータである。

《４－２》体調検出装置１ｃ
図２０は、実施の形態４に係る体調検出装置１ｃの機能構成を示すブロック図である。実施の形態４に係る体調検出装置１ｃは、実施の形態１のものと同様に、被験者であるユーザ毎の基準情報を取得し、ユーザ毎の基準拍動モデルＧを算出するための基準拍動モデル管理部２０ｃと、センサ１０３（図１）から得られるセンサ情報Ａ０としての拍動情報と、被験者であるユーザを取り巻く環境を表す環境情報Ｂ０とを入力として、体調の変化（例えば、体調の急変すなわち体調の急な悪化）を検出する体調検出部１０ｃを有している。基準拍動モデル管理部２０ｃは、基準拍動モデルＤＢ２３と、ユーザ情報ＤＢ２１と、更新用バッファ２５と、基準拍動モデル構築部２２と、基準拍動算出部２４と、基準拍動モデル更新部２６と、更新判定部２７とを有している。体調検出部１０ｃは、処理継続判定部１１ｃと、状況判定部１５と、拍動間隔取得部１２ｃと、正規化特徴抽出部１３と、体調判定部１４とを有している。

実施の形態４に係る体調検出装置１ｃは、拍動間隔Ｃの個人差が特徴量に与える影響を是正し（実施の形態１において説明された）、被験者であるユーザが置かれた状況の変化が特徴量に与える影響を是正し（実施の形態２において説明された）、拍動間隔Ｃの時間的な変動が特徴量に与える影響を是正して（実施の形態３において説明された）、得られた是正特徴量Ｅを用いて、体調の変化を検出する。言い換えれば、実施の形態４に係る体調検出装置１ｃは、実施の形態２におけるユーザの置かれた状況による影響を是正し、加えて、実施の形態３における拍動間隔Ｃの時間的な変動が特徴量に与える影響を是正することで得られた是正特徴量Ｅを用いて体調の変化を判定する。

なお、体調検出部１０ｃにおける処理継続判定部１１ｃ、拍動間隔取得部１２ｃ、正規化特徴抽出部１３、及び体調判定部１４は、実施の形態１における体調検出部１０のものと同様の構成を有する。実施の形態４に係る体調検出装置１ｃは、状況判定部１５によって得られる状況判定結果Ｊを基準拍動の算出に利用する点と基準拍動モデルＧを時間的な変動に加えて状況変化にも対応させている点において、実施の形態３に係る体調検出装置１ｂと異なる。

《４－３》基準拍動モデル管理部２０ｃ
実施の形態４における基準拍動モデル管理部２０ｃは、実施の形態３における基準拍動モデル管理部２０ｂに、ユーザが置かれた状況の変化が特徴量に与える影響を考慮した基準拍動モデルＧを構築及び更新する枠組みを加えたものである。

〈基準拍動モデル構築部２２〉
実施の形態４における基準拍動モデル構築部２２の構成は、実施の形態３におけるものと同様である。実施の形態４における基準拍動モデル構築部２２は、基準拍動モデルＧとしてユーザが置かれた状況の変化が特徴量に与える影響を考慮した時系列モデルを使用する点において、実施の形態３における基準拍動モデル構築部２２と異なる。また、それに伴い、更新用バッファ２５には、心臓活動情報Ａ１と計測時刻に加えて、状況判定部１５で判定された状況に関する情報が保存される。ここでは、体調検出装置が想定する状況として状況＃１～＃４の４つの状況が存在し、また、基準拍動モデルＧを扱う際の「ユーザが置かれた状況」は、既知である例を説明する。式（６）に状況＃ｎにおける基準拍動モデル（Ｘ_ｎ）の例を示す。式（７）、（８）、及び（９）は、それぞれ観測された拍動間隔のノイズを表現する観測ノイズモデルｄ_ｎ、拍動間隔の時間的な変動を表現する時間変動モデルｔ_ｎ、及び状況変化による影響を表現する状況影響モデルｓ_ｎを示す。

時間変動モデルｔ_ｎに含まれるｋは、時間変動を表すトレンド成分の次数を表し、トレンドを推定するために何時刻前までの状態を参照するかを意味する値である。ｃ_ｉ ^（ｋ）は、時間変動を表すトレンド成分の次数に応じて変化する係数である。状況影響モデルｓ_ｎに含まれるβ_ｎ ^（ｉ）は、状況＃ｉが拍動間隔へ与える影響を表す係数、ｘ_ｎ ^（ｉ）は、状況判定部１５によって算出されたユーザが置かれている状況を示す。例えば、入力データにおける状況が「状況＃１」である場合には、ｘ_ｎ ^（ｉ）は、以下のとおりである。

また、入力データにおける状況が「状況＃２」である場合には、ｉ＝２であり、ｘ_ｎ ^（ｉ）は、以下のとおりである。

同様に、ｉ＝３の場合にはｘ_ｎ ^（３）のみが１となり、ｉ＝４の場合にはｘ_ｎ ^（４）のみが１となる。

ｅ_ｎは、時間変動モデルｔ_ｎに生じるノイズ成分であり、式（１０）で表される。ｆ_ｎは、状況影響モデルｓ_ｎにおけるノイズ成分であり、式（１１）で表される。

上述した例は、各ノイズ成分がガウス分布であると仮定したものである。実施の形態４における基準拍動モデルＧの構築についても、実施の形態１と同様の手順で、ユーザ情報ＤＢ２１に含まれる情報を用いて基準拍動モデルＧの各種のパラメータを推定することで基準拍動モデルＧを算出する。なお、逐次的に更新可能かつ時間的な変動及び状況による影響を表現可能な基準拍動モデルＧであれば、基準拍動モデルＧの種類又は構成方法は上記の例に限定されない。また、実施の形態４においては、実施の形態３と同様に基準拍動モデル構築部２２を除外した構成であってもよい。基準拍動モデル構築部２２により事前に基準拍動モデルＧを構築しておくのではなく、体調検出部１０ｃ使用時に得られる情報のみから基準拍動モデルＧを構築及び更新する構成であってもよい。

〈更新用バッファ２５〉
実施の形態４における更新用バッファ２５は、心臓活動情報Ａ１と計測時刻に加えて、状況判定部１５により算出された状況に関する情報を保存する点において、実施の形態３における更新用バッファと異なる。

〈更新判定部２７〉
実施の形態４における更新判定部２７は、実施の形態３のものと同様の構成を有し、同様の処理を実行する。

〈基準拍動モデル更新部２６〉
実施の形態４における基準拍動モデル更新部２６は、実施の形態３のものと同様に、更新用バッファ２５に格納された情報を用いて時系列モデルで表現された基準拍動モデルＧを更新する。ただし、実施の形態４における基準拍動モデル更新部２６は、実施の形態３のものと異なり、心臓活動情報Ａ１と計測時刻とに加えて状況判定結果Ｊを使用して基準拍動モデルＧを更新する。

〈基準拍動算出部２４〉
実施の形態４における基準拍動算出部２４は、ユーザＩＤを入力として、そのユーザＩＤで特定されるユーザにおける“現時点での”基準値Ｈを算出する。実施の形態４における基準拍動モデルＧは、実施の形態３のものと同様に、時系列モデルで構成されている。このため、実施の形態４における基準拍動算出部２４は、基準拍動モデルＧによって予測された現時点における拍動間隔Ｃを、正規化特徴抽出部１３へ入力する基準値Ｈとしての基準拍動とすることができる。実施の形態４における基準拍動算出部２４は、実施の形態１～３のものと同様に１つの値を出力する仕様のものであってもよく、或いは、複数の候補の値を出力する仕様のものであってもよい。

正規化特徴抽出部１３は、実施の形態４における基準拍動算出部２４によって得られる基準拍動を用いて、特徴量の正規化を行うので、拍動間隔Ｃの個人差が特徴量に与える影響と拍動間隔Ｃの時間的な変動が特徴量に与える影響とユーザが置かれた状況が特徴量に与える影響とを取り除いた是正特徴量Ｅを抽出することができる。

《４－４》体調検出部１０ｃ
実施の形態４における体調検出部１０ｃの構成は、実施の形態２における体調検出部１０ｂのものと同様である。実施の形態４における体調検出部１０ｃは、処理継続判定部１１ｃの処理継続判定結果Ｋを基準拍動モデルＧの更新判定に使用する点、正規化特徴抽出部１３で使用する基準値Ｈが時間的な変動を考慮した基準値Ｈである点、及び体調判定結果Ｆを基準拍動モデルＧの更新判定に使用する点において、実施の形態２における体調検出部１０ｂと異なる。

〈体調検出部１０ｃ及び基準拍動モデルＧの更新処理〉
図２１は、図２０の体調検出部１０ｃによって実行される処理フローの概略を示す図である。図２２は、図２０の体調検出部１０ｃによって実行される処理フローの詳細を示す図である。体調検出部１０ｃへの入力は、心臓活動情報Ａ１とユーザ行動情報Ａ２とを含むセンサ情報Ａ０と、ユーザが置かれている状況を示す環境情報Ｂ０と、体調検出部１０ｃを利用するユーザを特定するためのユーザＩＤとである。体調検出部１０ｃの出力は、ユーザの体調の急変の判定結果としての体調判定結果Ｆである。

まず、体調検出部１０ｃは、センサ情報Ａ０から心臓活動情報Ａ１及びユーザ行動情報Ａ２を取得する。次に、処理継続判定部１１ｃに含まれる心臓活動情報検査部１１１は、心臓活動情報Ａ１を検査し、心臓活動情報Ａ１に問題がない（すなわち、予め決められた条件を満たしている）と判定した場合には、拍動間隔取得部１２ｃによって算出された拍動間隔Ｃの時系列情報を拍動間隔バッファ２２５に保存する。この際には、心臓活動情報検査部１１１は、拍動間隔Ｃに紐付く時刻情報も同時に更新用バッファ２５に保存する。

また、処理継続判定部１１ｃは、状況判定部１５により得られる「ユーザが置かれている状況の判定結果」についても更新用バッファ２５に保存する。更新用バッファ２５への保存と並行して、処理継続判定部１１ｃは、体調検出処理を継続するか否かを判定し、継続しないと判定した場合には、以降の処理は行わず、次回の入力を待つ。処理継続判定部１１ｃにより体調検出処理を継続すると判定された場合には、特徴抽出処理へ移る。また、処理継続判定部１１ｃの判定結果は、後段の更新判定部２７で使用される。

正規化特徴抽出部１３は、特徴抽出処理において、正規化特徴の抽出に向けて基準拍動を算出する。ここでは、基準拍動算出部２４は、ユーザＩＤ、計測時刻、及び状況判定結果に基づいて、ユーザのその時点に応じた基準拍動を取得する。次に、正規化特徴抽出部１３は、得られた拍動間隔Ｃと基準拍動とを用いて正規化された特徴量を抽出する。体調判定部１４は、得られた正規化された特徴量である是正特徴量Ｅを元に体調急変の有無を判定する。体調判定部１４は、体調急変があると判定した場合は、体調検出装置１ｃに応じたアラート処理を実行する。アラート処理の例としては、表示装置１０６に警告を表示する、スピーカ（図示せず）から警告音を出す、自動車運転中の車両の場合には車両を自動で安全な場所へ移動して停止させる、といった処理がある。

基準拍動モデル管理部２０ｃは、体調判定結果Ｆが出た時点で基準拍動モデルＧの更新処理に移り、検出処理と並行して基準拍動モデルＧの更新処理を実施する。体調判定結果Ｆが更新判定部２７へ入力すると、更新判定部２７は、処理継続判定部１１ｃの処理継続判定結果Ｋと合わせて、その時刻における基準拍動モデルＧの更新をするか否かを判定する。基準拍動モデル管理部２０ｃは、基準拍動モデルＧを更新しない場合は、基準拍動モデルＧの更新処理を終了する。基準拍動モデル管理部２０ｃは、基準拍動モデルＧを更新する場合は、基準拍動モデル更新部２６により、更新用バッファ２５に格納された拍動間隔Ｃ、状況判定結果、計測時刻を用いて、体調検出部１０ｃを利用しているユーザの基準拍動モデルＧを更新し、基準拍動モデルＤＢ２３へ更新された基準拍動モデルＧを保存する。上述した処理は、体調検出装置１ｂによる処理が終了するまで繰り返される。

《４－５》効果
以上のように、実施の形態４によれば、拍動情報の個人差が特徴量に与える影響とユーザが置かれる状況の変化が特徴量に与える影響と拍動間隔Ｃの時間的な変動が特徴量に与える影響とを是正して是正特徴量Ｅを生成し、是正特徴量Ｅに基づいて体調の変化（例えば、体調の急変すなわち体調の急な悪化）を判定しているので、拍動間隔Ｃの個人差と拍動間隔Ｃの時間的な変動と状況の変化による拍動間隔Ｃの変動とに対して頑健な体調検出を実現することができる。

１、１ａ、１ｂ、１ｃ体調検出装置、１０、１０ａ、１０ｂ、１０ｃ体調検出部、１１、１１ａ、１１ｂ、１１ｃ処理継続判定部、１２、１２ｂ、１２ｃ拍動間隔取得部、１３正規化特徴抽出部、１４体調判定部、１５状況判定部、２０、２０ａ、２０ｂ、２０ｃ基準拍動モデル管理部、２１ユーザ情報ＤＢ、２２基準拍動モデル構築部、２３基準拍動モデルＤＢ、２４基準拍動算出部、２５更新用バッファ、２６基準拍動モデル更新部、２７更新判定部、１０１プロセッサ、１０２メモリ、１０３センサ、１１１心臓活動情報検査部、１１２状況判定部、１１３ユーザ行動判定部、１１４継続判定部、１３１特徴抽出部、１３２正規化部、２２０データ検査部、２２１心臓活動情報検査部、２２２状況判定部、２２３ユーザ行動判定部、２２４データ使用判定部、２２５拍動間隔バッファ、２２６モデル算出部、Ａ０センサ情報、Ａ１心臓活動情報（拍動情報）、Ａ２ユーザ行動情報、Ｂ０環境情報、Ａ１ｕ心臓活動情報（拍動情報）、Ａ２ｕユーザ行動情報、Ｂ０ｕ環境情報、Ｃ拍動間隔、Ｅ是正特徴量、Ｆ体調判定結果、Ｇ基準拍動モデル、Ｈ基準値、Ｊ状況判定結果。

Claims

ユーザ識別情報によって特定される検査対象のユーザである被験者の体調の変化を判定する体調検出装置であって、
１人以上のユーザの各々の脈波から、波形に適切なピークが認められ、かつ該波形から得られる拍動間隔が人間の取りうる範囲である脈波を選択し、該選択した脈波に基づいて拍動間隔の基準、前記拍動間隔から得られる特徴量の基準、並びに前記拍動間隔及び前記特徴量の各々の基準、のいずれかをユーザ毎に基準拍動モデルとして構築する基準拍動モデル構築部と、
前記基準拍動モデルから前記被験者の基準拍動モデルを選択し、選択された前記基準拍動モデルから前記被験者の拍動間隔の基準値、前記拍動間隔から得られる特徴量の基準値、並びに前記拍動間隔及び前記特徴量の各々の基準値、のいずれかを生成する基準拍動算出部と、
センサによって検出された前記被験者に関する情報である時系列の拍動情報を受け取り、前記時系列の拍動情報からリアルタイムの拍動間隔の特徴量を抽出し、前記基準値を用いて前記特徴量を正規化することで前記特徴量を是正して、リアルタイムの是正特徴量を生成する正規化特徴抽出部と、
リアルタイムの前記是正特徴量に基づいて前記被験者の前記体調の変化を判定する体調判定部と、
前記体調判定部による体調判定結果に基づいて、前記基準拍動モデルの更新をするか否かを決定する更新判定部と、
前記更新をすると判定された場合に、リアルタイムで基準拍動モデルを更新する基準拍動モデル更新部と、
を有することを特徴とする体調検出装置。
ユーザ識別情報によって特定される検査対象のユーザである被験者の体調の変化を判定する体調検出装置であって、
１人以上のユーザの各々の脈波から、波形に適切なピークが認められ、かつ該波形から得られる拍動間隔が人間の取りうる範囲である脈波を選択し、該選択した脈波に基づいて拍動間隔の基準、前記拍動間隔から得られる特徴量の基準、並びに前記拍動間隔及び前記特徴量の各々の基準、のいずれかをユーザ毎に基準拍動モデルとして構築する際に、前記各ユーザの拍動間隔と前記各ユーザの置かれた状況との基準をユーザ毎に前記基準拍動モデルとして構築する基準拍動モデル構築部と、
前記基準拍動モデルから前記被験者の基準拍動モデルを選択し、選択された前記基準拍動モデルから前記被験者の拍動間隔の基準値、前記拍動間隔から得られる特徴量の基準値、並びに前記拍動間隔及び前記特徴量の各々の基準値、のいずれかを生成する際に、選択された前記基準拍動モデルから前記被験者の拍動間隔と前記被験者が置かれた状況とを示す前記基準値を生成する基準拍動算出部と、
センサによって検出された前記被験者に関する情報である時系列の拍動情報を受け取り、前記時系列の拍動情報からリアルタイムの拍動間隔の特徴量を抽出し、前記基準値を用いて前記特徴量を正規化することで前記特徴量を是正して、リアルタイムの是正特徴量を生成する正規化特徴抽出部と、
リアルタイムの前記是正特徴量に基づいて前記被験者の前記体調の変化を判定する体調判定部と、
を有することを特徴とする体調検出装置。
ユーザ識別情報によって特定される検査対象のユーザである被験者の体調の変化を判定する体調検出装置であって、
１人以上のユーザの各々の脈波から、波形に適切なピークが認められ、かつ該波形から得られる拍動間隔が人間の取りうる範囲である脈波を選択し、該選択した脈波に基づいて拍動間隔の基準、前記拍動間隔から得られる特徴量の基準、並びに前記拍動間隔及び前記特徴量の各々の基準、のいずれかをユーザ毎に基準拍動モデルとして構築する際に、前記各ユーザの拍動間隔と前記各ユーザの行動を示すユーザ行動情報との基準をユーザ毎に前記基準拍動モデルとして構築する基準拍動モデル構築部と、
前記基準拍動モデルから前記被験者の基準拍動モデルを選択し、選択された前記基準拍動モデルから前記被験者の拍動間隔の基準値、前記拍動間隔から得られる特徴量の基準値、並びに前記拍動間隔及び前記特徴量の各々の基準値、のいずれかを生成する際に、選択された前記基準拍動モデルから前記被験者の拍動間隔と前記被験者の行動を示す前記基準値を生成する基準拍動算出部と、
センサによって検出された前記被験者に関する情報である時系列の拍動情報を受け取り、前記時系列の拍動情報からリアルタイムの拍動間隔の特徴量を抽出し、前記基準値を用いて前記特徴量を正規化することで前記特徴量を是正して、リアルタイムの是正特徴量を生成する正規化特徴抽出部と、
リアルタイムの前記是正特徴量に基づいて前記被験者の前記体調の変化を判定する体調判定部と、
を有することを特徴とする体調検出装置。
ユーザ識別情報によって特定される検査対象のユーザである被験者の体調の変化を判定する体調検出装置であって、
１人以上のユーザの各々の脈波から、波形に適切なピークが認められ、かつ該波形から得られる拍動間隔が人間の取りうる範囲である脈波を選択し、該選択した脈波に基づいて拍動間隔の基準、前記拍動間隔から得られる特徴量の基準、並びに前記拍動間隔及び前記特徴量の各々の基準、のいずれかをユーザ毎に基準拍動モデルとして構築する際に、前記各ユーザの拍動間隔と前記各ユーザの置かれた状況と前記各ユーザの行動を示すユーザ行動情報との基準をユーザ毎に前記基準拍動モデルとして構築する基準拍動モデル構築部と、
前記基準拍動モデルから前記被験者の基準拍動モデルを選択し、選択された前記基準拍動モデルから前記被験者の拍動間隔の基準値、前記拍動間隔から得られる特徴量の基準値、並びに前記拍動間隔及び前記特徴量の各々の基準値、のいずれかを生成する際に、選択された前記基準拍動モデルから前記被験者の拍動間隔と前記被験者が置かれた状況と前記各ユーザの周辺の環境情報とを示す前記基準値を生成する基準拍動算出部と、
センサによって検出された前記被験者に関する情報である時系列の拍動情報を受け取り、前記時系列の拍動情報からリアルタイムの拍動間隔の特徴量を抽出し、前記基準値を用いて前記特徴量を正規化することで前記特徴量を是正して、リアルタイムの是正特徴量を生成する正規化特徴抽出部と、
リアルタイムの前記是正特徴量に基づいて前記被験者の前記体調の変化を判定する体調判定部と、
を有することを特徴とする体調検出装置。
前記体調判定部による体調判定結果に基づいて、前記基準拍動モデルの更新をするか否かを決定する更新判定部と、
前記更新をすると判定された場合に、リアルタイムで基準拍動モデルを更新する基準拍動モデル更新部と、
をさらに有することを特徴とする請求項２に記載の体調検出装置。
前記センサは、前記被験者の拍動を検出し、前記拍動情報を出力する拍動センサを含む
ことを特徴とする請求項１から５のいずれか１項に記載の体調検出装置。
前記センサは、前記被験者の行動を計測してユーザ行動情報を出力する行動センサを含む
ことを特徴とする請求項３又は４に記載の体調検出装置。
前記センサは、前記被験者の置かれた状況を計測して環境情報を出力する環境センサを含む
ことを特徴とする請求項２又は４に記載の体調検出装置。
請求項１から５のいずれか１項に記載の体調検出装置と、
前記センサと、
を有することを特徴とする体調検出システム。
請求項６に記載の体調検出装置と、
前記センサと、
を有することを特徴とする体調検出システム。
請求項７に記載の体調検出装置と、
前記センサと、
を有することを特徴とする体調検出システム。
請求項８に記載の体調検出装置と、
前記センサと、
を有することを特徴とする体調検出システム。
ユーザ識別情報によって特定される検査対象のユーザである被験者の体調の変化を判定する体調検出装置によって実施される体調検出方法であって、
１人以上のユーザの各々の脈波から、波形に適切なピークが認められ、かつ該波形から得られる拍動間隔が人間の取りうる範囲である脈波を選択し、該選択した脈波に基づいて拍動間隔の基準、前記拍動間隔から得られる特徴量の基準、並びに前記拍動間隔及び前記特徴量の各々の基準、のいずれかをユーザ毎に基準拍動モデルとして構築するステップと、
前記基準拍動モデルから前記被験者の基準拍動モデルを選択し、選択された前記基準拍動モデルから前記被験者の拍動間隔の基準値、前記拍動間隔から得られる特徴量の基準値、並びに前記拍動間隔及び前記特徴量の各々の基準値、のいずれかを生成するステップと、
センサによって検出された前記被験者に関する情報である時系列の拍動情報を受け取り、前記時系列の拍動情報からリアルタイムの拍動間隔の特徴量を抽出し、前記基準値を用いて前記特徴量を正規化することで前記特徴量を是正して、リアルタイムの是正特徴量を生成するステップと、
リアルタイムの前記是正特徴量に基づいて前記被験者の前記体調の変化を判定するステップと、
前記被験者の前記体調の変化を判定するステップでの体調判定結果に基づいて、前記基準拍動モデルの更新をするか否かを決定するステップと、
前記更新をすると判定された場合に、リアルタイムで基準拍動モデルを更新するステップと、
を有することを特徴とする体調検出方法。
ユーザ識別情報によって特定される検査対象のユーザである被験者の体調の変化を判定するコンピュータに、
１人以上のユーザの各々の脈波から、波形に適切なピークが認められ、かつ該波形から得られる拍動間隔が人間の取りうる範囲である脈波を選択し、該選択した脈波に基づいて拍動間隔の基準、前記拍動間隔から得られる特徴量の基準、並びに前記拍動間隔及び前記特徴量の各々の基準、のいずれかをユーザ毎に基準拍動モデルとして構築するステップと、
前記基準拍動モデルから前記被験者の基準拍動モデルを選択し、選択された前記基準拍動モデルから前記被験者の拍動間隔の基準値、前記拍動間隔から得られる特徴量の基準値、並びに前記拍動間隔及び前記特徴量の各々の基準値、のいずれかを生成するステップと、
センサによって検出された前記被験者に関する情報である時系列の拍動情報を受け取り、前記時系列の拍動情報からリアルタイムの拍動間隔の特徴量を抽出し、前記基準値を用いて前記特徴量を正規化することで前記特徴量を是正して、リアルタイムの是正特徴量を生成するステップと、
リアルタイムの前記是正特徴量に基づいて前記被験者の前記体調の変化を判定するステップと、
前記被験者の前記体調の変化を判定するステップでの体調判定結果に基づいて、前記基準拍動モデルの更新をするか否かを決定するステップと、
前記更新をすると判定された場合に、リアルタイムで基準拍動モデルを更新するステップと、
を実行させることを特徴とする体調検出プログラム。