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 - Google Patents
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 Download PDFInfo
- Publication number
- JP7507984B1 JP7507984B1 JP2023553731A JP2023553731A JP7507984B1 JP 7507984 B1 JP7507984 B1 JP 7507984B1 JP 2023553731 A JP2023553731 A JP 2023553731A JP 2023553731 A JP2023553731 A JP 2023553731A JP 7507984 B1 JP7507984 B1 JP 7507984B1
- Authority
- JP
- Japan
- Prior art keywords
- beat
- physical condition
- model
- information
- user
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 291
- 230000008859 change Effects 0.000 claims abstract description 78
- 238000000605 extraction Methods 0.000 claims abstract description 57
- 238000004364 calculation method Methods 0.000 claims abstract description 47
- 238000010606 normalization Methods 0.000 claims abstract description 21
- 239000000284 extract Substances 0.000 claims abstract description 15
- 230000007613 environmental effect Effects 0.000 claims description 52
- 230000010349 pulsation Effects 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 18
- 238000010276 construction Methods 0.000 abstract description 30
- 230000000694 effects Effects 0.000 description 138
- 238000000034 method Methods 0.000 description 124
- 230000000747 cardiac effect Effects 0.000 description 121
- 238000012545 processing Methods 0.000 description 93
- 230000008569 process Effects 0.000 description 78
- 230000006399 behavior Effects 0.000 description 68
- 238000007689 inspection Methods 0.000 description 54
- 238000010586 diagram Methods 0.000 description 44
- 239000000872 buffer Substances 0.000 description 42
- 230000002123 temporal effect Effects 0.000 description 19
- 230000006866 deterioration Effects 0.000 description 16
- 238000010801 machine learning Methods 0.000 description 12
- 238000005259 measurement Methods 0.000 description 9
- 238000012821 model calculation Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000000284 resting effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 206010003658 Atrial Fibrillation Diseases 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000000090 biomarker Substances 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000013186 photoplethysmography Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 206010041349 Somnolence Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000036626 alertness Effects 0.000 description 1
- 206010003119 arrhythmia Diseases 0.000 description 1
- 230000006793 arrhythmia Effects 0.000 description 1
- 230000004397 blinking Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
Images
Landscapes
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
Description
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。
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。
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。
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。
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(Global Positioning System)情報のようなGNSS(Global Navigation Satellite System/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(Controller Area Network)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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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、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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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(Xn)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dn、拍動間隔の時間的な変動を表現する時間変動モデルtn、及び状況変化による影響を表現する状況影響モデルsnを示す。
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。
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。
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。
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。
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。
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。
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。
Claims (14)
- 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。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2023007089 | 2023-02-27 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP7507984B1 true JP7507984B1 (ja) | 2024-06-28 |
Family
ID=91617372
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2023553731A Active JP7507984B1 (ja) | 2023-02-27 | 2023-02-27 | 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 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7507984B1 (ja) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060276716A1 (en) | 2005-06-07 | 2006-12-07 | Jennifer Healey | Atrial fibrillation detection method and apparatus |
CN101664308A (zh) | 2009-09-21 | 2010-03-10 | 上海交通大学 | 无线便携式心率变异监护装置 |
JP2013205965A (ja) | 2012-03-27 | 2013-10-07 | Fujitsu Ltd | 生体情報処理装置及び生体情報処理方法 |
JP2019097666A (ja) | 2017-11-29 | 2019-06-24 | 国立大学法人 東京大学 | 心拍測定装置、心拍測定方法及び心拍測定プログラム |
WO2022254574A1 (ja) | 2021-06-01 | 2022-12-08 | 日本電気株式会社 | 疲労推定装置、疲労推定方法及び記憶媒体 |
-
2023
- 2023-02-27 JP JP2023553731A patent/JP7507984B1/ja active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060276716A1 (en) | 2005-06-07 | 2006-12-07 | Jennifer Healey | Atrial fibrillation detection method and apparatus |
CN101664308A (zh) | 2009-09-21 | 2010-03-10 | 上海交通大学 | 无线便携式心率变异监护装置 |
JP2013205965A (ja) | 2012-03-27 | 2013-10-07 | Fujitsu Ltd | 生体情報処理装置及び生体情報処理方法 |
JP2019097666A (ja) | 2017-11-29 | 2019-06-24 | 国立大学法人 東京大学 | 心拍測定装置、心拍測定方法及び心拍測定プログラム |
WO2022254574A1 (ja) | 2021-06-01 | 2022-12-08 | 日本電気株式会社 | 疲労推定装置、疲労推定方法及び記憶媒体 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230181077A1 (en) | Machine differentiation of abnormalities in bioelectromagnetic fields | |
US10980429B2 (en) | Method and system for cuffless blood pressure estimation using photoplethysmogram features and pulse transit time | |
US20190038148A1 (en) | Health with a mobile device | |
EP1658578B1 (en) | A system and method for detecting signal artifacts | |
CN108472006B (zh) | 胎儿监测系统和方法 | |
US9109971B2 (en) | Respiratory condition analysis apparatus, respiratory condition display apparatus, processing method therein, and program | |
US8690789B2 (en) | Categorizing automatically generated physiological data based on industry guidelines | |
US20180249967A1 (en) | Devices, systems, and associated methods for evaluating a potential stroke condition in a subject | |
CN107252313A (zh) | 一种安全驾驶的监测方法及系统、汽车、可读存储介质 | |
CN109564586B (zh) | 系统监测器及系统监测方法 | |
JP6951516B2 (ja) | 人の歩調を検出する方法及びシステム | |
US8949072B2 (en) | Novelty detection with missing parameters | |
CN115429251A (zh) | 可穿戴设备及其监测方法和监测装置 | |
US20210361217A1 (en) | Ecg-based age and sex estimation | |
JP2008253727A (ja) | モニタ装置、モニタシステム及びモニタ方法 | |
JP7507984B1 (ja) | 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 | |
CN111956193A (zh) | 应用于智能耳机的健康状态检测方法、装置、介质及设备 | |
WO2020073012A1 (en) | Continuous monitoring of a user's health with a mobile device | |
KR20130130538A (ko) | 심전도 기반 운전부하 측정 및 경고 시스템 | |
CN115349832A (zh) | 一种生命体征监测预警系统和方法 | |
CN111345815B (zh) | 一种心电信号中qrs波的检测方法、装置、设备和存储介质 | |
JP2023528861A (ja) | 高血圧監視のためのシステムおよび方法 | |
Goda et al. | A phonography-based method improved by hidden Markov model for fetal breathing movement detection | |
CN115496105B (zh) | 睡眠预测模型训练方法、睡眠状况预测方法及相关装置 | |
US20240023856A1 (en) | State of consciousness analysis apparatus, storage medium, and observation system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230904 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230904 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20230904 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20231121 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240104 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240319 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240423 |
|
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: 20240521 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240618 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7507984 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |