JP7843326B2 - システム - Google Patents

Description

本開示の技術は、システムに関する。

特許文献１には、少なくとも一つのプロセッサにより遂行される、ペルソナチャットボット制御方法であって、ユーザ発話を受信するステップと、前記ユーザ発話を、チャットボットのキャラクターに関する説明と関連した指示文を含むプロンプトに追加するステップと前記プロンプトをエンコードするステップと、前記エンコードしたプロンプトを言語モデルに入力して、前記ユーザ発話に応答するチャットボット発話を生成するステップ、を含む、方法が開示されている。

特開２０２２－１８０２８２号公報

従来の技術では、認知症患者の意思決定の状態を正確に把握し、文書化して保存することが困難であるという課題があった。

実施形態に係るシステムは、認知症患者の意思決定の状態を正確に把握し、文書化して保存することを目的とする。

実施形態に係るシステムは、解析部と、判定部と、保存部と、フィードバック部とを備える。解析部は、患者の表情または口調を解析する。判定部は、解析部によって解析された結果を基に意思決定の状態を判定する。保存部は、判定部によって判定された意思を文書化し保存する。フィードバック部は、保存部によって保存された文書を基にフィードバックを受け取る。

実施形態に係るシステムは、認知症患者の意思決定の状態を正確に把握し、文書化して保存することができる。

第１実施形態に係るデータ処理システムの構成の一例を示す概念図である。 第１実施形態に係るデータ処理装置およびスマートデバイスの要部機能の一例を示す概念図である。 第２実施形態に係るデータ処理システムの構成の一例を示す概念図である。 第２実施形態に係るデータ処理装置およびスマート眼鏡の要部機能の一例を示す概念図である。 第３実施形態に係るデータ処理システムの構成の一例を示す概念図である。 第３実施形態に係るデータ処理装置およびヘッドセット型端末の要部機能の一例を示す概念図である。 第４実施形態に係るデータ処理システムの構成の一例を示す概念図である。 第４実施形態に係るデータ処理装置およびロボットの要部機能の一例を示す概念図である。 複数の感情がマッピングされる感情マップを示す。 複数の感情がマッピングされる感情マップを示す。

以下、添付図面に従って本開示の技術に係るシステムの実施形態の一例について説明する。

先ず、以下の説明で使用される文言について説明する。

以下の実施形態において、符号付きのプロセッサ（以下、単に「プロセッサ」と称する）は、１つの演算装置であってもよいし、複数の演算装置の組み合わせであってもよい。また、プロセッサは、１種類の演算装置であってもよいし、複数種類の演算装置の組み合わせであってもよい。演算装置の一例としては、ＣＰＵ（Central Processing Unit）、ＧＰＵ（Graphics Processing Unit）、ＧＰＧＰＵ（General-Purpose computing on Graphics Processing Units）、ＡＰＵ（Accelerated Processing Unit）、またはＴＰＵ（Tensor Processing Unit）などが挙げられる。

以下の実施形態において、符号付きのＲＡＭ（Random Access Memory）は、一時的に情報が格納されるメモリであり、プロセッサによってワークメモリとして用いられる。

以下の実施形態において、符号付きのストレージは、各種プログラムおよび各種パラメータなどを記憶する１つまたは複数の不揮発性の記憶装置である。不揮発性の記憶装置の一例としては、フラッシュメモリ（ＳＳＤ（Solid State Drive））、磁気ディスク（例えば、ハードディスク）、または磁気テープなどが挙げられる。

以下の実施形態において、符号付きの通信Ｉ／Ｆ（Interface）は、通信プロセッサおよびアンテナなどを含むインタフェースである。通信Ｉ／Ｆは、複数のコンピュータ間での通信を司る。通信Ｉ／Ｆに対して適用される通信規格の一例としては、５Ｇ（5th Generation Mobile Communication System）、Ｗｉ－Ｆｉ（登録商標）、またはＢｌｕｅｔｏｏｔｈ（登録商標）などを含む無線通信規格が挙げられる。

以下の実施形態において、「Ａおよび／またはＢ」は、「ＡおよびＢのうちの少なくとも１つ」と同義である。つまり、「Ａおよび／またはＢ」は、Ａだけであってもよいし、Ｂだけであってもよいし、ＡおよびＢの組み合わせであってもよい、という意味である。また、本明細書において、３つ以上の事柄を「および／または」で結び付けて表現する場合も、「Ａおよび／またはＢ」と同様の考え方が適用される。

［第１実施形態］
図１には、第１実施形態に係るデータ処理システム１０の構成の一例が示されている。

図１に示すように、データ処理システム１０は、データ処理装置１２およびスマートデバイス１４を備えている。データ処理装置１２の一例としては、サーバが挙げられる。

データ処理装置１２は、コンピュータ２２、データベース２４、および通信Ｉ／Ｆ２６を備えている。コンピュータ２２は、プロセッサ２８、ＲＡＭ３０、およびストレージ３２を備えている。プロセッサ２８、ＲＡＭ３０、およびストレージ３２は、バス３４に接続されている。また、データベース２４および通信Ｉ／Ｆ２６も、バス３４に接続されている。通信Ｉ／Ｆ２６は、ネットワーク５４に接続されている。ネットワーク５４の一例としては、ＷＡＮ（Wide Area Network）および／またはＬＡＮ（Local Area Network）などが挙げられる。

スマートデバイス１４は、コンピュータ３６、受付装置３８、出力装置４０、カメラ４２、および通信Ｉ／Ｆ４４を備えている。コンピュータ３６は、プロセッサ４６、ＲＡＭ４８、およびストレージ５０を備えている。プロセッサ４６、ＲＡＭ４８、およびストレージ５０は、バス５２に接続されている。また、受付装置３８、出力装置４０、およびカメラ４２も、バス５２に接続されている。

受付装置３８は、タッチパネル３８Ａおよびマイクロフォン３８Ｂなどを備えており、ユーザ入力を受け付ける。タッチパネル３８Ａは、指示体（例えば、ペンまたは指など）の接触を検出することにより、指示体の接触によるユーザ入力を受け付ける。マイクロフォン３８Ｂは、ユーザの音声を検出することにより、音声によるユーザ入力を受け付ける。制御部４６Ａは、タッチパネル３８Ａおよびマイクロフォン３８Ｂによって受け付けたユーザ入力を示すデータをデータ処理装置１２に送信する。データ処理装置１２では、特定処理部２９０（図２参照）が、ユーザ入力を示すデータを取得する。

出力装置４０は、ディスプレイ４０Ａおよびスピーカ４０Ｂなどを備えており、データをユーザが知覚可能な表現形（例えば、音声および／またはテキスト）で出力することでデータをユーザに対して提示する。ディスプレイ４０Ａは、プロセッサ４６からの指示に従ってテキストおよび画像などの可視情報を表示する。スピーカ４０Ｂは、プロセッサ４６からの指示に従って音声を出力する。カメラ４２は、レンズ、絞り、およびシャッタなどの光学系と、ＣＭＯＳ（Complementary Metal-Oxide-Semiconductor）イメージセンサまたはＣＣＤ（Charge Coupled Device）イメージセンサなどの撮像素子とが搭載された小型デジタルカメラである。

通信Ｉ／Ｆ４４は、ネットワーク５４に接続されている。通信Ｉ／Ｆ４４および２６は、ネットワーク５４を介してプロセッサ４６とプロセッサ２８との間の各種情報の授受を司る。

図２には、データ処理装置１２およびスマートデバイス１４の要部機能の一例が示されている。

図２に示すように、データ処理装置１２では、プロセッサ２８によって特定処理が行われる。ストレージ３２には、特定処理プログラム５６が格納されている。特定処理プログラム５６は、本開示の技術に係る「プログラム」の一例である。プロセッサ２８は、ストレージ３２から特定処理プログラム５６を読み出し、読み出した特定処理プログラム５６をＲＡＭ３０上で実行する。特定処理は、プロセッサ２８がＲＡＭ３０上で実行する特定処理プログラム５６に従って特定処理部２９０として動作することによって実現される。

ストレージ３２には、データ生成モデル５８および感情特定モデル５９が格納されている。データ生成モデル５８および感情特定モデル５９は、特定処理部２９０によって用いられる。特定処理部２９０は、感情特定モデル５９を用いてユーザの感情を推定し、ユーザの感情を用いた特定処理を行うことができる。感情特定モデル５９を用いた感情推定機能（感情特定機能）では、ユーザの感情の推定や予測などを含め、ユーザの感情に関する種々の推定や予測などが行われるが、かかる例に限定されない。また、感情の推定や予測には、例えば、感情の分析（解析）なども含まれる。

スマートデバイス１４では、プロセッサ４６によって特定処理が行われる。ストレージ５０には、特定処理プログラム６０が格納されている。特定処理プログラム６０は、データ処理システム１０によって特定処理プログラム５６と併用される。プロセッサ４６は、ストレージ５０から特定処理プログラム６０を読み出し、読み出した特定処理プログラム６０をＲＡＭ４８上で実行する。特定処理は、プロセッサ４６がＲＡＭ４８上で実行する特定処理プログラム６０に従って、制御部４６Ａとして動作することによって実現される。なお、スマートデバイス１４には、データ生成モデル５８および感情特定モデル５９と同様のデータ生成モデルおよび感情特定モデルを有し、これらモデルを用いて特定処理部２９０と同様の処理を行うこともできる。

なお、データ処理装置１２以外の他の装置がデータ生成モデル５８を有してもよい。例えば、サーバ装置（例えば、生成サーバ）がデータ生成モデル５８を有してもよい。この場合、データ処理装置１２は、データ生成モデル５８を有するサーバ装置と通信を行うことで、データ生成モデル５８が用いられた処理結果（予測結果など）を得る。また、データ処理装置１２は、サーバ装置であってもよいし、ユーザが保有する端末装置（例えば、携帯電話、ロボット、家電など）であってもよい。次に、第１実施形態に係るデータ処理システム１０による処理の一例について説明する。

（形態例１）
本発明の実施形態に係る認知症患者の意思決定サポートシステムは、認知症患者の表情や口調をＡＩが解析し、意思決定の状態を判定し、判定された意思を文書化し保存するシステムである。このシステムは、認知症患者とその家族に対して意思尊重とサポートを提供することを目的としている。認知症は、意思決定が難しくなるが、その時こそ家族も意思を聞きたい場面が多くなる。また、事前に準備をしていたとしても自己の状況によって意思が変わることもある。認知症はいつでも不穏な状態ではなく、正常判断ができる場合があるので、その状況を判断することが重要である。例えば、認知症患者の表情や口調をＡＩがリアルタイムで解析する。例えば、患者が笑顔で話している場合や、落ち着いた口調で話している場合など、ＡＩがその表情や口調を解析し、意思決定の状態を判定する。次に、判定された意思を文書化し、デジタル形式で保存する。これにより、患者の意思を後から確認することができる。さらに、システムは精度向上のためにフィードバックを行う。例えば、家族や医療スタッフがシステムの判定結果に対してフィードバックを提供し、そのフィードバックを基にＡＩが学習を行う。これにより、システムの精度が向上し、より正確な意思判定が可能となる。このシステムは、認知症患者とその家族に対して意思尊重とサポートを提供する。例えば、患者が自分の意思を明確に伝えることが難しい場合でも、システムがその意思を判定し、家族に伝えることができる。また、患者の意思が変わった場合でも、その変化をシステムが捉え、最新の意思を家族に提供することができる。このように、本発明は認知症患者の意思決定をサポートし、家族とのコミュニケーションを円滑にするためのシステムである。これにより、認知症患者の意思決定サポートシステムは、認知症患者の意思を正確に判定し、家族に伝えることができる。

実施形態に係る認知症患者の意思決定サポートシステムは、解析部と、判定部と、保存部と、フィードバック部とを備える。解析部は、表情または口調を解析する。解析部は、例えば、表情解析方法を用いて表情を解析する。例えば、顔認識技術を用いて、患者の笑顔や怒り、悲しみなどの表情を分類することができる。また、解析部は、口調解析方法を用いて口調を解析する。例えば、音声認識技術を用いて、患者の声のトーン、速度、強弱などを解析することができる。判定部は、解析部によって解析された結果を基に意思決定の状態を判定する。判定部は、例えば、解析結果に基づいて、患者の意思が肯定的であるか否定的であるかを判定することができる。保存部は、判定部によって判定された意思を文書化し保存する。保存部は、例えば、判定された意思をテキスト形式や音声形式でデジタル保存することができる。フィードバック部は、保存部によって保存された文書を基にフィードバックを受け取る。フィードバック部は、例えば、家族や医療スタッフからのフィードバックを受け取り、そのフィードバックを基にＡＩが学習を行うことができる。これにより、実施形態に係る認知症患者の意思決定サポートシステムは、認知症患者の意思を正確に判定し、家族に伝えることができる。フィードバック部における上述した処理の一部または全部は、例えば、ＡＩを用いて行われてもよく、ＡＩを用いずに行われてもよい。例えば、フィードバック部は、家族や医療スタッフからのフィードバックをＡＩに入力し、ＡＩがそのフィードバックを基に学習を行うことができる。

解析部は、表情または口調を解析する。解析部は、例えば、表情解析方法を用いて表情を解析する。具体的には、顔認識技術を用いて、患者の顔の特徴点を検出し、笑顔や怒り、悲しみなどの感情を分類する。顔の特徴点は、目、口、眉毛などの位置や形状を基に計算され、これらの特徴点の変化を解析することで、患者の感情状態を推定する。また、解析部は、口調解析方法を用いて口調を解析する。音声認識技術を用いて、患者の声のトーン、速度、強弱などを解析し、感情や意図を推定する。例えば、声のトーンが高く、速度が速い場合は興奮状態を示し、トーンが低く、速度が遅い場合は落ち着いた状態を示すことができる。これらの解析結果は、リアルタイムで処理され、患者の現在の感情状態や意図を迅速に把握することができる。さらに、解析部は、過去のデータや患者の個別の特徴を考慮して、より精度の高い解析を行うことができる。例えば、患者の過去の表情や口調のデータを学習し、個別の傾向やパターンを把握することで、解析の精度を向上させることができる。これにより、解析部は、患者の感情や意図を正確に解析し、次のステップである判定部に必要な情報を提供することができる。

判定部は、解析部によって解析された結果を基に意思決定の状態を判定する。具体的には、解析結果に基づいて、患者の意思が肯定的であるか否定的であるかを判定する。例えば、解析部から提供された表情や口調のデータを基に、患者が特定の質問に対して肯定的な反応を示しているか、否定的な反応を示しているかを判断する。判定部は、機械学習アルゴリズムを用いて、過去のデータやパターンを学習し、より精度の高い判定を行うことができる。例えば、患者が過去にどのような表情や口調で肯定的な意思を示したか、否定的な意思を示したかを学習し、現在の解析結果と照らし合わせて判定を行う。また、判定部は、複数の解析結果を統合して総合的な判定を行うことができる。例えば、表情解析の結果と口調解析の結果を組み合わせて、より確実な意思決定の判定を行う。これにより、判定部は、患者の意思を正確に判定し、次のステップである保存部に必要な情報を提供することができる。

保存部は、判定部によって判定された意思を文書化し保存する。具体的には、判定された意思をテキスト形式や音声形式でデジタル保存する。例えば、患者が特定の質問に対して肯定的な意思を示した場合、その意思をテキスト形式で記録し、デジタルデータとして保存する。また、音声形式での保存も可能であり、患者の声を録音し、そのまま保存することができる。保存部は、これらのデータを安全に管理し、必要に応じて迅速にアクセスできるようにする。例えば、クラウドストレージを利用してデータを保存し、家族や医療スタッフがアクセスできるようにする。また、保存されたデータは、後で参照するために検索機能を備えており、特定の日時や内容に基づいて迅速に検索することができる。これにより、保存部は、患者の意思を正確に記録し、必要なときに迅速にアクセスできるようにすることができる。

フィードバック部は、保存部によって保存された文書を基にフィードバックを受け取る。具体的には、家族や医療スタッフからのフィードバックを受け取り、そのフィードバックを基にＡＩが学習を行う。例えば、保存されたデータを家族や医療スタッフが確認し、患者の意思が正確に判定されているかどうかを評価する。その評価結果をフィードバック部が受け取り、ＡＩに入力する。ＡＩは、そのフィードバックを基に学習を行い、次回の解析や判定の精度を向上させることができる。例えば、フィードバックに基づいて、特定の表情や口調の解析方法を改善し、より正確な判定を行うことができる。また、フィードバック部は、家族や医療スタッフからの意見や要望を収集し、システム全体の改善に役立てることができる。これにより、フィードバック部は、システムの精度と信頼性を継続的に向上させ、患者の意思決定サポートをより効果的に行うことができる。

解析部は、表情解析方法を用いて表情を解析することができる。表情解析方法には、例えば、顔認識技術や表情認識アルゴリズムが含まれる。解析部は、例えば、顔認識技術を用いて、患者の笑顔や怒り、悲しみなどの表情を分類することができる。また、解析部は、表情認識アルゴリズムを用いて、患者の表情の変化をリアルタイムで解析することもできる。例えば、顔認識技術は、カメラで撮影された顔画像を基に、顔の特徴点を抽出し、表情を分類する。表情認識アルゴリズムは、顔の特徴点の動きを解析し、表情の変化を検出する。これにより、表情解析方法を用いることで、表情の解析精度が向上する。解析部における上述した処理の一部または全部は、例えば、ＡＩを用いて行われてもよく、ＡＩを用いずに行われてもよい。例えば、解析部は、顔認識技術をＡＩに入力し、ＡＩが顔の特徴点を抽出し、表情を分類することができる。

解析部は、口調解析方法を用いて口調を解析することができる。口調解析方法には、例えば、音声認識技術や音声解析アルゴリズムが含まれる。解析部は、例えば、音声認識技術を用いて、患者の声のトーン、速度、強弱などを解析することができる。また、解析部は、音声解析アルゴリズムを用いて、患者の口調の変化をリアルタイムで解析することもできる。例えば、音声認識技術は、マイクで録音された音声データを基に、音声の特徴を抽出し、口調を解析する。音声解析アルゴリズムは、音声の特徴の変化を解析し、口調の変化を検出する。これにより、口調解析方法を用いることで、口調の解析精度が向上する。解析部における上述した処理の一部または全部は、例えば、ＡＩを用いて行われてもよく、ＡＩを用いずに行われてもよい。例えば、解析部は、音声認識技術をＡＩに入力し、ＡＩが音声の特徴を抽出し、口調を解析することができる。

フィードバック部は、家族または医療スタッフからのフィードバックを受け取り、そのフィードバックを基にＡＩが学習を行うことができる。フィードバック部は、例えば、家族や医療スタッフからのコメントや評価を受け取り、そのフィードバックを基にＡＩが学習を行うことができる。例えば、家族が患者の意思判定結果に対してコメントを提供し、そのコメントを基にＡＩが学習を行う。また、医療スタッフが患者の意思判定結果に対して評価を提供し、その評価を基にＡＩが学習を行うこともできる。これにより、フィードバックを基にＡＩが学習することで、システムの精度が向上する。フィードバック部における上述した処理の一部または全部は、例えば、ＡＩを用いて行われてもよく、ＡＩを用いずに行われてもよい。例えば、フィードバック部は、家族や医療スタッフからのフィードバックをＡＩに入力し、ＡＩがそのフィードバックを基に学習を行うことができる。

保存部は、判定された意思をデジタル形式で保存することができる。デジタル形式には、例えば、PDF形式、テキスト形式、音声形式などが含まれる。保存部は、例えば、判定された意思をテキスト形式で保存することができる。また、保存部は、判定された意思を音声形式で保存することもできる。例えば、保存部は、判定された意思をテキストファイルとして保存し、後から確認できるようにする。また、保存部は、判定された意思を音声ファイルとして保存し、後から再生できるようにする。これにより、デジタル形式で保存することで、意思の確認が容易になる。保存部における上述した処理の一部または全部は、例えば、ＡＩを用いて行われてもよく、ＡＩを用いずに行われてもよい。例えば、保存部は、判定された意思をＡＩに入力し、ＡＩがテキスト形式や音声形式で保存することができる。

判定部は、解析結果に基づいて意思決定の状態を判定することができる。解析結果には、例えば、数値データ、グラフ、テキストなどが含まれる。判定部は、例えば、解析結果に基づいて、患者の意思が肯定的であるか否定的であるかを判定することができる。また、判定部は、解析結果を基に、患者の意思が正常であるか不安定であるかを判定することもできる。例えば、判定部は、解析結果として得られた数値データを基に、患者の意思が肯定的であるか否定的であるかを判定する。判定部は、解析結果として得られたグラフを基に、患者の意思が正常であるか不安定であるかを判定する。これにより、解析結果に基づいて意思決定の状態を正確に判定できる。判定部における上述した処理の一部または全部は、例えば、ＡＩを用いて行われてもよく、ＡＩを用いずに行われてもよい。例えば、判定部は、解析結果をＡＩに入力し、ＡＩが意思決定の状態を判定することができる。

解析部は、患者の感情を推定し、推定した感情に基づいて表情や口調の解析精度を調整することができる。解析部は、例えば、患者がリラックスしている場合、ＡＩが表情や口調の微細な変化をより詳細に解析する。また、解析部は、患者が緊張している場合、ＡＩが表情や口調の大きな変化を優先的に解析することもできる。さらに、解析部は、患者が興奮している場合、ＡＩが表情や口調の急激な変化を重点的に解析することもできる。これにより、感情に基づいて解析精度を調整することで、解析の精度が向上する。感情の推定は、例えば、感情エンジンまたは生成ＡＩなどを用いて感情推定機能を用いて実現される。生成ＡＩは、テキスト生成ＡＩ（例えば、ＬＬＭ）やマルチモーダル生成ＡＩなどであるが、かかる例に限定されない。解析部における上述した処理の一部または全部は、例えば、ＡＩを用いて行われてもよく、ＡＩを用いずに行われてもよい。例えば、解析部は、患者の感情データをＡＩに入力し、ＡＩが感情を推定し、表情や口調の解析精度を調整することができる。

解析部は、患者の過去の表情や口調のデータを参照し、解析アルゴリズムを最適化することができる。解析部は、例えば、患者の過去の笑顔のデータを基に、現在の笑顔の解析精度を向上させる。また、解析部は、患者の過去の怒りの表情データを基に、現在の怒りの表情の解析精度を向上させることもできる。さらに、解析部は、患者の過去の落ち着いた口調のデータを基に、現在の口調の解析精度を向上させることもできる。これにより、過去のデータを参照することで、解析アルゴリズムの精度が向上する。解析部における上述した処理の一部または全部は、例えば、ＡＩを用いて行われてもよく、ＡＩを用いずに行われてもよい。例えば、解析部は、患者の過去の表情や口調のデータをＡＩに入力し、ＡＩがそのデータを基に解析アルゴリズムを最適化することができる。

解析部は、表情や口調の解析時に、患者の現在の健康状態や環境要因を考慮して解析を行うことができる。解析部は、例えば、患者が疲れている場合、ＡＩが表情や口調の変化をより慎重に解析する。また、解析部は、患者が病院内にいる場合、環境音を考慮して口調の解析を行うこともできる。さらに、解析部は、患者が屋外にいる場合、光の影響を考慮して表情の解析を行うこともできる。これにより、健康状態や環境要因を考慮することで、解析の精度が向上する。解析部における上述した処理の一部または全部は、例えば、ＡＩを用いて行われてもよく、ＡＩを用いずに行われてもよい。例えば、解析部は、患者の健康状態や環境要因のデータをＡＩに入力し、ＡＩがそのデータを基に解析を行うことができる。

解析部は、患者の感情を推定し、推定した感情に基づいて解析結果の優先順位を決定することができる。解析部は、例えば、患者が悲しんでいる場合、ＡＩが悲しみの表情や口調の解析結果を優先的に表示する。また、解析部は、患者が喜んでいる場合、ＡＩが喜びの表情や口調の解析結果を優先的に表示することもできる。さらに、解析部は、患者が怒っている場合、ＡＩが怒りの表情や口調の解析結果を優先的に表示することもできる。これにより、感情に基づいて優先順位を決定することで、重要な解析結果を優先的に表示できる。感情の推定は、例えば、感情エンジンまたは生成ＡＩなどを用いて感情推定機能を用いて実現される。生成ＡＩは、テキスト生成ＡＩ（例えば、ＬＬＭ）やマルチモーダル生成ＡＩなどであるが、かかる例に限定されない。解析部における上述した処理の一部または全部は、例えば、ＡＩを用いて行われてもよく、ＡＩを用いずに行われてもよい。例えば、解析部は、患者の感情データをＡＩに入力し、ＡＩが感情を推定し、解析結果の優先順位を決定することができる。

解析部は、表情や口調の解析時に、患者の地理的位置情報を基に解析を行うことができる。解析部は、例えば、患者が自宅にいる場合、リラックスした環境を前提に解析を行う。また、解析部は、患者が病院にいる場合、緊張した環境を前提に解析を行うこともできる。さらに、解析部は、患者が公園にいる場合、自然環境を前提に解析を行うこともできる。これにより、地理的位置情報を考慮することで、解析の精度が向上する。解析部における上述した処理の一部または全部は、例えば、ＡＩを用いて行われてもよく、ＡＩを用いずに行われてもよい。例えば、解析部は、患者の地理的位置情報をＡＩに入力し、ＡＩがその情報を基に解析を行うことができる。

解析部は、表情や口調の解析時に、患者のソーシャルメディア活動を分析し、関連するデータを取得することができる。解析部は、例えば、患者が最近投稿した写真やコメントを基に、現在の感情状態を推定する。また、解析部は、患者が頻繁に使用する表現や言葉を基に、口調の解析を行うこともできる。さらに、解析部は、患者のソーシャルメディア上の友人関係を基に、感情の変化を解析することもできる。これにより、ソーシャルメディア活動を分析することで、解析の精度が向上する。解析部における上述した処理の一部または全部は、例えば、ＡＩを用いて行われてもよく、ＡＩを用いずに行われてもよい。例えば、解析部は、患者のソーシャルメディア活動のデータをＡＩに入力し、ＡＩがそのデータを基に解析を行うことができる。

判定部は、患者の感情を推定し、推定した感情に基づいて意思決定の状態を判定することができる。判定部は、例えば、患者がリラックスしている場合、意思決定が正常であると判定する。また、判定部は、患者が緊張している場合、意思決定が困難であると判定することもできる。さらに、判定部は、患者が興奮している場合、意思決定が不安定であると判定することもできる。これにより、感情に基づいて意思決定の状態を正確に判定できる。感情の推定は、例えば、感情エンジンまたは生成ＡＩなどを用いて感情推定機能を用いて実現される。生成ＡＩは、テキスト生成ＡＩ（例えば、ＬＬＭ）やマルチモーダル生成ＡＩなどであるが、かかる例に限定されない。判定部における上述した処理の一部または全部は、例えば、ＡＩを用いて行われてもよく、ＡＩを用いずに行われてもよい。例えば、判定部は、患者の感情データをＡＩに入力し、ＡＩが感情を推定し、意思決定の状態を判定することができる。

判定部は、判定時に、患者の過去の意思決定履歴を参照して判定アルゴリズムを最適化することができる。判定部は、例えば、患者が過去に正常な意思決定を行った状況を基に、現在の意思決定を判定する。また、判定部は、患者が過去に困難な意思決定を行った状況を基に、現在の意思決定を判定することもできる。さらに、判定部は、患者が過去に不安定な意思決定を行った状況を基に、現在の意思決定を判定することもできる。これにより、過去の意思決定履歴を参照することで、判定アルゴリズムの精度が向上する。判定部における上述した処理の一部または全部は、例えば、ＡＩを用いて行われてもよく、ＡＩを用いずに行われてもよい。例えば、判定部は、患者の過去の意思決定履歴をＡＩに入力し、ＡＩがその履歴を基に判定アルゴリズムを最適化することができる。

判定部は、判定時に、患者の現在の生活状況や関心分野を考慮して意思決定の状態を判定することができる。判定部は、例えば、患者が現在の生活状況でリラックスしている場合、意思決定が正常であると判定する。また、判定部は、患者が現在の生活状況で緊張している場合、意思決定が困難であると判定することもできる。さらに、判定部は、患者が現在の生活状況で興奮している場合、意思決定が不安定であると判定することもできる。これにより、生活状況や関心分野を考慮することで、意思決定の状態を正確に判定できる。判定部における上述した処理の一部または全部は、例えば、ＡＩを用いて行われてもよく、ＡＩを用いずに行われてもよい。例えば、判定部は、患者の生活状況や関心分野のデータをＡＩに入力し、ＡＩがそのデータを基に意思決定の状態を判定することができる。

判定部は、患者の感情を推定し、推定した感情に基づいて判定結果の表示方法を調整することができる。判定部は、例えば、患者がリラックスしている場合、詳細な判定結果を表示する。また、判定部は、患者が緊張している場合、簡潔な判定結果を表示することもできる。さらに、判定部は、患者が興奮している場合、視覚的に落ち着いた表示方法を提供することもできる。これにより、感情に基づいて表示方法を調整することで、判定結果の理解が容易になる。感情の推定は、例えば、感情エンジンまたは生成ＡＩなどを用いて感情推定機能を用いて実現される。生成ＡＩは、テキスト生成ＡＩ（例えば、ＬＬＭ）やマルチモーダル生成ＡＩなどであるが、かかる例に限定されない。判定部における上述した処理の一部または全部は、例えば、ＡＩを用いて行われてもよく、ＡＩを用いずに行われてもよい。例えば、判定部は、患者の感情データをＡＩに入力し、ＡＩが感情を推定し、判定結果の表示方法を調整することができる。

判定部は、判定時に、患者の地理的位置情報を基に意思決定の状態を判定することができる。判定部は、例えば、患者が自宅にいる場合、リラックスした環境を前提に判定を行う。また、判定部は、患者が病院にいる場合、緊張した環境を前提に判定を行うこともできる。さらに、判定部は、患者が公園にいる場合、自然環境を前提に判定を行うこともできる。これにより、地理的位置情報を考慮することで、意思決定の状態を正確に判定できる。判定部における上述した処理の一部または全部は、例えば、ＡＩを用いて行われてもよく、ＡＩを用いずに行われてもよい。例えば、判定部は、患者の地理的位置情報をＡＩに入力し、ＡＩがその情報を基に意思決定の状態を判定することができる。

判定部は、判定時に、患者のソーシャルメディア活動を分析し、関連するデータを参照して意思決定の状態を判定することができる。判定部は、例えば、患者が最近投稿した写真やコメントを基に、現在の意思決定の状態を判定する。また、判定部は、患者が頻繁に使用する表現や言葉を基に、意思決定の状態を判定することもできる。さらに、判定部は、患者のソーシャルメディア上の友人関係を基に、意思決定の状態を判定することもできる。これにより、ソーシャルメディア活動を分析することで、意思決定の状態を正確に判定できる。判定部における上述した処理の一部または全部は、例えば、ＡＩを用いて行われてもよく、ＡＩを用いずに行われてもよい。例えば、判定部は、患者のソーシャルメディア活動のデータをＡＩに入力し、ＡＩがそのデータを基に意思決定の状態を判定することができる。

保存部は、患者の感情を推定し、推定した感情に基づいて保存する文書の形式を調整することができる。保存部は、例えば、患者がリラックスしている場合、詳細な文書形式で保存する。また、保存部は、患者が緊張している場合、簡潔な文書形式で保存することもできる。さらに、保存部は、患者が興奮している場合、視覚的に落ち着いた文書形式で保存することもできる。これにより、感情に基づいて文書の形式を調整することで、保存された文書の理解が容易になる。感情の推定は、例えば、感情エンジンまたは生成ＡＩなどを用いて感情推定機能を用いて実現される。生成ＡＩは、テキスト生成ＡＩ（例えば、ＬＬＭ）やマルチモーダル生成ＡＩなどであるが、かかる例に限定されない。保存部における上述した処理の一部または全部は、例えば、ＡＩを用いて行われてもよく、ＡＩを用いずに行われてもよい。例えば、保存部は、患者の感情データをＡＩに入力し、ＡＩが感情を推定し、文書の形式を調整することができる。

保存部は、保存時に、患者の過去の意思決定履歴を参照して保存アルゴリズムを最適化することができる。保存部は、例えば、患者が過去に正常な意思決定を行った状況を基に、現在の文書を保存する。また、保存部は、患者が過去に困難な意思決定を行った状況を基に、現在の文書を保存することもできる。さらに、保存部は、患者が過去に不安定な意思決定を行った状況を基に、現在の文書を保存することもできる。これにより、過去の意思決定履歴を参照することで、保存アルゴリズムの精度が向上する。保存部における上述した処理の一部または全部は、例えば、ＡＩを用いて行われてもよく、ＡＩを用いずに行われてもよい。例えば、保存部は、患者の過去の意思決定履歴をＡＩに入力し、ＡＩがその履歴を基に保存アルゴリズムを最適化することができる。

保存部は、保存時に、患者の現在の生活状況や関心分野を考慮して文書を保存することができる。保存部は、例えば、患者が現在の生活状況でリラックスしている場合、詳細な文書を保存する。また、保存部は、患者が現在の生活状況で緊張している場合、簡潔な文書を保存することもできる。さらに、保存部は、患者が現在の生活状況で興奮している場合、視覚的に落ち着いた文書を保存することもできる。これにより、生活状況や関心分野を考慮することで、保存された文書の精度が向上する。保存部における上述した処理の一部または全部は、例えば、ＡＩを用いて行われてもよく、ＡＩを用いずに行われてもよい。例えば、保存部は、患者の生活状況や関心分野のデータをＡＩに入力し、ＡＩがそのデータを基に文書を保存することができる。

保存部は、患者の感情を推定し、推定した感情に基づいて保存する文書の優先順位を決定することができる。保存部は、例えば、患者がリラックスしている場合、詳細な文書を優先的に保存する。また、保存部は、患者が緊張している場合、簡潔な文書を優先的に保存することもできる。さらに、保存部は、患者が興奮している場合、視覚的に落ち着いた文書を優先的に保存することもできる。これにより、感情に基づいて優先順位を決定することで、重要な文書を優先的に保存できる。感情の推定は、例えば、感情エンジンまたは生成ＡＩなどを用いて感情推定機能を用いて実現される。生成ＡＩは、テキスト生成ＡＩ（例えば、ＬＬＭ）やマルチモーダル生成ＡＩなどであるが、かかる例に限定されない。保存部における上述した処理の一部または全部は、例えば、ＡＩを用いて行われてもよく、ＡＩを用いずに行われてもよい。例えば、保存部は、患者の感情データをＡＩに入力し、ＡＩが感情を推定し、文書の優先順位を決定することができる。

保存部は、保存時に、患者の地理的位置情報を基に文書を保存することができる。保存部は、例えば、患者が自宅にいる場合、リラックスした環境を前提に文書を保存する。また、保存部は、患者が病院にいる場合、緊張した環境を前提に文書を保存することもできる。さらに、保存部は、患者が公園にいる場合、自然環境を前提に文書を保存することもできる。これにより、地理的位置情報を考慮することで、保存された文書の精度が向上する。保存部における上述した処理の一部または全部は、例えば、ＡＩを用いて行われてもよく、ＡＩを用いずに行われてもよい。例えば、保存部は、患者の地理的位置情報をＡＩに入力し、ＡＩがその情報を基に文書を保存することができる。

保存部は、保存時に、患者のソーシャルメディア活動を分析し、関連するデータを参照して文書を保存することができる。保存部は、例えば、患者が最近投稿した写真やコメントを基に、現在の文書を保存する。また、保存部は、患者が頻繁に使用する表現や言葉を基に、文書を保存することもできる。さらに、保存部は、患者のソーシャルメディア上の友人関係を基に、文書を保存することもできる。これにより、ソーシャルメディア活動を分析することで、保存された文書の精度が向上する。保存部における上述した処理の一部または全部は、例えば、ＡＩを用いて行われてもよく、ＡＩを用いずに行われてもよい。例えば、保存部は、患者のソーシャルメディア活動のデータをＡＩに入力し、ＡＩがそのデータを基に文書を保存することができる。

フィードバック部は、患者の感情を推定し、推定した感情に基づいてフィードバックの内容を調整することができる。フィードバック部は、例えば、患者がリラックスしている場合、詳細なフィードバックを提供する。また、フィードバック部は、患者が緊張している場合、簡潔なフィードバックを提供することもできる。さらに、フィードバック部は、患者が興奮している場合、視覚的に落ち着いたフィードバックを提供することもできる。これにより、感情に基づいてフィードバックの内容を調整することで、適切なフィードバックを提供できる。感情の推定は、例えば、感情エンジンまたは生成ＡＩなどを用いて感情推定機能を用いて実現される。生成ＡＩは、テキスト生成ＡＩ（例えば、ＬＬＭ）やマルチモーダル生成ＡＩなどであるが、かかる例に限定されない。フィードバック部における上述した処理の一部または全部は、例えば、ＡＩを用いて行われてもよく、ＡＩを用いずに行われてもよい。例えば、フィードバック部は、患者の感情データをＡＩに入力し、ＡＩが感情を推定し、フィードバックの内容を調整することができる。

フィードバック部は、フィードバック時に、家族や医療スタッフの過去のフィードバック履歴を参照してフィードバックアルゴリズムを最適化することができる。フィードバック部は、例えば、家族が過去に提供したフィードバックを基に、現在のフィードバック内容を調整する。また、フィードバック部は、医療スタッフが過去に提供したフィードバックを基に、現在のフィードバック内容を調整することもできる。さらに、フィードバック部は、家族や医療スタッフのフィードバック履歴を分析し、最適なフィードバック方法を提案することもできる。これにより、過去のフィードバック履歴を参照することで、フィードバックアルゴリズムの精度が向上する。フィードバック部における上述した処理の一部または全部は、例えば、ＡＩを用いて行われてもよく、ＡＩを用いずに行われてもよい。例えば、フィードバック部は、家族や医療スタッフのフィードバック履歴をＡＩに入力し、ＡＩがその履歴を基にフィードバックアルゴリズムを最適化することができる。

フィードバック部は、フィードバック時に、患者の現在の生活状況や関心分野を考慮してフィードバックを行うことができる。フィードバック部は、例えば、患者が現在の生活状況でリラックスしている場合、詳細なフィードバックを提供する。また、フィードバック部は、患者が現在の生活状況で緊張している場合、簡潔なフィードバックを提供することもできる。さらに、フィードバック部は、患者が現在の生活状況で興奮している場合、視覚的に落ち着いたフィードバックを提供することもできる。これにより、生活状況や関心分野を考慮することで、適切なフィードバックを提供できる。フィードバック部における上述した処理の一部または全部は、例えば、ＡＩを用いて行われてもよく、ＡＩを用いずに行われてもよい。例えば、フィードバック部は、患者の生活状況や関心分野のデータをＡＩに入力し、ＡＩがそのデータを基にフィードバックを行うことができる。

フィードバック部は、患者の感情を推定し、推定した感情に基づいてフィードバックの優先順位を決定することができる。フィードバック部は、例えば、患者がリラックスしている場合、詳細なフィードバックを優先的に提供する。また、フィードバック部は、患者が緊張している場合、簡潔なフィードバックを優先的に提供することもできる。さらに、フィードバック部は、患者が興奮している場合、視覚的に落ち着いたフィードバックを優先的に提供することもできる。これにより、感情に基づいて優先順位を決定することで、重要なフィードバックを優先的に提供できる。感情の推定は、例えば、感情エンジンまたは生成ＡＩなどを用いて感情推定機能を用いて実現される。生成ＡＩは、テキスト生成ＡＩ（例えば、ＬＬＭ）やマルチモーダル生成ＡＩなどであるが、かかる例に限定されない。フィードバック部における上述した処理の一部または全部は、例えば、ＡＩを用いて行われてもよく、ＡＩを用いずに行われてもよい。例えば、フィードバック部は、患者の感情データをＡＩに入力し、ＡＩが感情を推定し、フィードバックの優先順位を決定することができる。

フィードバック部は、フィードバック時に、患者の地理的位置情報を基にフィードバックを行うことができる。フィードバック部は、例えば、患者が自宅にいる場合、リラックスした環境を前提にフィードバックを提供する。また、フィードバック部は、患者が病院にいる場合、緊張した環境を前提にフィードバックを提供することもできる。さらに、フィードバック部は、患者が公園にいる場合、自然環境を前提にフィードバックを提供することもできる。これにより、地理的位置情報を考慮することで、適切なフィードバックを提供できる。フィードバック部における上述した処理の一部または全部は、例えば、ＡＩを用いて行われてもよく、ＡＩを用いずに行われてもよい。例えば、フィードバック部は、患者の地理的位置情報をＡＩに入力し、ＡＩがその情報を基にフィードバックを行うことができる。

フィードバック部は、フィードバック時に、患者のソーシャルメディア活動を分析し、関連するデータを参照してフィードバックを行うことができる。フィードバック部は、例えば、患者が最近投稿した写真やコメントを基に、現在のフィードバック内容を調整する。また、フィードバック部は、患者が頻繁に使用する表現や言葉を基に、フィードバック内容を調整することもできる。さらに、フィードバック部は、患者のソーシャルメディア上の友人関係を基に、フィードバック内容を調整することもできる。これにより、ソーシャルメディア活動を分析することで、適切なフィードバックを提供できる。フィードバック部における上述した処理の一部または全部は、例えば、ＡＩを用いて行われてもよく、ＡＩを用いずに行われてもよい。例えば、フィードバック部は、患者のソーシャルメディア活動のデータをＡＩに入力し、ＡＩがそのデータを基にフィードバックを行うことができる。

実施形態に係るシステムは、上述した例に限定されず、例えば、以下のように、種々の変更が可能である。

解析部は、患者の生体データを取得し、解析結果に反映することができる。例えば、心拍数や血圧、体温などの生体データをリアルタイムで取得し、患者の感情や意思決定の状態をより正確に判定する。また、解析部は、患者の睡眠パターンを解析し、睡眠不足や過剰なストレスが意思決定に与える影響を考慮することもできる。さらに、解析部は、患者の運動量を解析し、運動不足や過剰な運動が意思決定に与える影響を考慮することもできる。これにより、生体データを活用することで、解析の精度が向上する。

判定部は、患者の社会的な関係性を考慮して意思決定の状態を判定することができる。例えば、患者が家族や友人との関係が良好である場合、意思決定が正常であると判定する。また、患者が孤立している場合、意思決定が困難であると判定することもできる。さらに、患者が新しい社会的な関係を築いている場合、意思決定が不安定であると判定することもできる。これにより、社会的な関係性を考慮することで、意思決定の状態をより正確に判定できる。

保存部は、保存された文書に対してアクセス制御を行うことができる。例えば、家族や医療スタッフがアクセスできる範囲を制限し、プライバシーを保護する。また、保存部は、アクセス履歴を記録し、誰がいつ文書にアクセスしたかを追跡することもできる。さらに、保存部は、アクセス権限を動的に変更し、必要に応じてアクセス権限を追加または削除することもできる。これにより、保存された文書のセキュリティが向上する。

フィードバック部は、フィードバックの内容を視覚的に表示することができる。例えば、フィードバック内容をグラフやチャートで表示し、視覚的に理解しやすくする。また、フィードバック部は、フィードバック内容をアニメーションで表示し、動的に情報を伝えることもできる。さらに、フィードバック部は、フィードバック内容をインフォグラフィックで表示し、複雑な情報を簡潔に伝えることもできる。これにより、フィードバックの内容がより理解しやすくなる。

解析部は、患者の趣味や興味を考慮して解析を行うことができる。例えば、患者が音楽を好む場合、音楽を聴いている時の表情や口調を解析し、リラックスしているかどうかを判定する。また、患者が読書を好む場合、読書中の表情や口調を解析し、集中しているかどうかを判定することもできる。さらに、患者がスポーツを好む場合、スポーツ観戦中の表情や口調を解析し、興奮しているかどうかを判定することもできる。これにより、趣味や興味を考慮することで、解析の精度が向上する。

以下に、形態例１の処理の流れについて簡単に説明する。

ステップ１：解析部は、表情または口調を解析する。解析部は、例えば、表情解析方法を用いて表情を解析する。顔認識技術を用いて、患者の笑顔や怒り、悲しみなどの表情を分類することができる。また、解析部は、口調解析方法を用いて口調を解析する。音声認識技術を用いて、患者の声のトーン、速度、強弱などを解析することができる。
ステップ２：判定部は、解析部によって解析された結果を基に意思決定の状態を判定する。判定部は、例えば、解析結果に基づいて、患者の意思が肯定的であるか否定的であるかを判定することができる。
ステップ３：保存部は、判定部によって判定された意思を文書化し保存する。保存部は、例えば、判定された意思をテキスト形式や音声形式でデジタル保存することができる。
ステップ４：フィードバック部は、保存部によって保存された文書を基にフィードバックを受け取る。フィードバック部は、例えば、家族や医療スタッフからのフィードバックを受け取り、そのフィードバックを基にＡＩが学習を行うことができる。これにより、システムは認知症患者の意思を正確に判定し、家族に伝えることができる。

（形態例２）
本発明の実施形態に係る認知症患者の意思決定サポートシステムは、認知症患者の表情や口調をＡＩが解析し、意思決定の状態を判定し、判定された意思を文書化し保存するシステムである。このシステムは、認知症患者とその家族に対して意思尊重とサポートを提供することを目的としている。認知症は、意思決定が難しくなるが、その時こそ家族も意思を聞きたい場面が多くなる。また、事前に準備をしていたとしても自己の状況によって意思が変わることもある。認知症はいつでも不穏な状態ではなく、正常判断ができる場合があるので、その状況を判断することが重要である。例えば、認知症患者の表情や口調をＡＩがリアルタイムで解析する。例えば、患者が笑顔で話している場合や、落ち着いた口調で話している場合など、ＡＩがその表情や口調を解析し、意思決定の状態を判定する。次に、判定された意思を文書化し、デジタル形式で保存する。これにより、患者の意思を後から確認することができる。さらに、システムは精度向上のためにフィードバックを行う。例えば、家族や医療スタッフがシステムの判定結果に対してフィードバックを提供し、そのフィードバックを基にＡＩが学習を行う。これにより、システムの精度が向上し、より正確な意思判定が可能となる。このシステムは、認知症患者とその家族に対して意思尊重とサポートを提供する。例えば、患者が自分の意思を明確に伝えることが難しい場合でも、システムがその意思を判定し、家族に伝えることができる。また、患者の意思が変わった場合でも、その変化をシステムが捉え、最新の意思を家族に提供することができる。このように、本発明は認知症患者の意思決定をサポートし、家族とのコミュニケーションを円滑にするためのシステムである。これにより、認知症患者の意思決定サポートシステムは、認知症患者の意思を正確に判定し、家族に伝えることができる。

実施形態に係る認知症患者の意思決定サポートシステムは、解析部と、判定部と、保存部と、フィードバック部とを備える。解析部は、表情または口調を解析する。解析部は、例えば、表情解析方法を用いて表情を解析する。例えば、顔認識技術を用いて、患者の笑顔や怒り、悲しみなどの表情を分類することができる。また、解析部は、口調解析方法を用いて口調を解析する。例えば、音声認識技術を用いて、患者の声のトーン、速度、強弱などを解析することができる。判定部は、解析部によって解析された結果を基に意思決定の状態を判定する。判定部は、例えば、解析結果に基づいて、患者の意思が肯定的であるか否定的であるかを判定することができる。保存部は、判定部によって判定された意思を文書化し保存する。保存部は、例えば、判定された意思をテキスト形式や音声形式でデジタル保存することができる。フィードバック部は、保存部によって保存された文書を基にフィードバックを受け取る。フィードバック部は、例えば、家族や医療スタッフからのフィードバックを受け取り、そのフィードバックを基にＡＩが学習を行うことができる。これにより、実施形態に係る認知症患者の意思決定サポートシステムは、認知症患者の意思を正確に判定し、家族に伝えることができる。フィードバック部における上述した処理の一部または全部は、例えば、ＡＩを用いて行われてもよく、ＡＩを用いずに行われてもよい。例えば、フィードバック部は、家族や医療スタッフからのフィードバックをＡＩに入力し、ＡＩがそのフィードバックを基に学習を行うことができる。

解析部は、表情または口調を解析する。解析部は、例えば、表情解析方法を用いて表情を解析する。具体的には、顔認識技術を用いて、患者の顔の特徴点を検出し、笑顔や怒り、悲しみなどの感情を分類する。顔の特徴点は、目、口、眉毛などの位置や形状を基に計算され、これらの特徴点の変化を解析することで、患者の感情状態を推定する。また、解析部は、口調解析方法を用いて口調を解析する。音声認識技術を用いて、患者の声のトーン、速度、強弱などを解析し、感情や意図を推定する。例えば、声のトーンが高く、速度が速い場合は興奮状態を示し、トーンが低く、速度が遅い場合は落ち着いた状態を示すことができる。これらの解析結果は、リアルタイムで処理され、患者の現在の感情状態や意図を迅速に把握することができる。さらに、解析部は、過去のデータや患者の個別の特徴を考慮して、より精度の高い解析を行うことができる。例えば、患者の過去の表情や口調のデータを学習し、個別の傾向やパターンを把握することで、解析の精度を向上させることができる。これにより、解析部は、患者の感情や意図を正確に解析し、次のステップである判定部に必要な情報を提供することができる。

判定部は、解析部によって解析された結果を基に意思決定の状態を判定する。具体的には、解析結果に基づいて、患者の意思が肯定的であるか否定的であるかを判定する。例えば、解析部から提供された表情や口調のデータを基に、患者が特定の質問に対して肯定的な反応を示しているか、否定的な反応を示しているかを判断する。判定部は、機械学習アルゴリズムを用いて、過去のデータやパターンを学習し、より精度の高い判定を行うことができる。例えば、患者が過去にどのような表情や口調で肯定的な意思を示したか、否定的な意思を示したかを学習し、現在の解析結果と照らし合わせて判定を行う。また、判定部は、複数の解析結果を統合して総合的な判定を行うことができる。例えば、表情解析の結果と口調解析の結果を組み合わせて、より確実な意思決定の判定を行う。これにより、判定部は、患者の意思を正確に判定し、次のステップである保存部に必要な情報を提供することができる。

保存部は、判定部によって判定された意思を文書化し保存する。具体的には、判定された意思をテキスト形式や音声形式でデジタル保存する。例えば、患者が特定の質問に対して肯定的な意思を示した場合、その意思をテキスト形式で記録し、デジタルデータとして保存する。また、音声形式での保存も可能であり、患者の声を録音し、そのまま保存することができる。保存部は、これらのデータを安全に管理し、必要に応じて迅速にアクセスできるようにする。例えば、クラウドストレージを利用してデータを保存し、家族や医療スタッフがアクセスできるようにする。また、保存されたデータは、後で参照するために検索機能を備えており、特定の日時や内容に基づいて迅速に検索することができる。これにより、保存部は、患者の意思を正確に記録し、必要なときに迅速にアクセスできるようにすることができる。

フィードバック部は、保存部によって保存された文書を基にフィードバックを受け取る。具体的には、家族や医療スタッフからのフィードバックを受け取り、そのフィードバックを基にＡＩが学習を行う。例えば、保存されたデータを家族や医療スタッフが確認し、患者の意思が正確に判定されているかどうかを評価する。その評価結果をフィードバック部が受け取り、ＡＩに入力する。ＡＩは、そのフィードバックを基に学習を行い、次回の解析や判定の精度を向上させることができる。例えば、フィードバックに基づいて、特定の表情や口調の解析方法を改善し、より正確な判定を行うことができる。また、フィードバック部は、家族や医療スタッフからの意見や要望を収集し、システム全体の改善に役立てることができる。これにより、フィードバック部は、システムの精度と信頼性を継続的に向上させ、患者の意思決定サポートをより効果的に行うことができる。

解析部は、表情解析方法を用いて表情を解析することができる。表情解析方法には、例えば、顔認識技術や表情認識アルゴリズムが含まれる。解析部は、例えば、顔認識技術を用いて、患者の笑顔や怒り、悲しみなどの表情を分類することができる。また、解析部は、表情認識アルゴリズムを用いて、患者の表情の変化をリアルタイムで解析することもできる。例えば、顔認識技術は、カメラで撮影された顔画像を基に、顔の特徴点を抽出し、表情を分類する。表情認識アルゴリズムは、顔の特徴点の動きを解析し、表情の変化を検出する。これにより、表情解析方法を用いることで、表情の解析精度が向上する。解析部における上述した処理の一部または全部は、例えば、ＡＩを用いて行われてもよく、ＡＩを用いずに行われてもよい。例えば、解析部は、顔認識技術をＡＩに入力し、ＡＩが顔の特徴点を抽出し、表情を分類することができる。

解析部は、口調解析方法を用いて口調を解析することができる。口調解析方法には、例えば、音声認識技術や音声解析アルゴリズムが含まれる。解析部は、例えば、音声認識技術を用いて、患者の声のトーン、速度、強弱などを解析することができる。また、解析部は、音声解析アルゴリズムを用いて、患者の口調の変化をリアルタイムで解析することもできる。例えば、音声認識技術は、マイクで録音された音声データを基に、音声の特徴を抽出し、口調を解析する。音声解析アルゴリズムは、音声の特徴の変化を解析し、口調の変化を検出する。これにより、口調解析方法を用いることで、口調の解析精度が向上する。解析部における上述した処理の一部または全部は、例えば、ＡＩを用いて行われてもよく、ＡＩを用いずに行われてもよい。例えば、解析部は、音声認識技術をＡＩに入力し、ＡＩが音声の特徴を抽出し、口調を解析することができる。

フィードバック部は、家族または医療スタッフからのフィードバックを受け取り、そのフィードバックを基にＡＩが学習を行うことができる。フィードバック部は、例えば、家族や医療スタッフからのコメントや評価を受け取り、そのフィードバックを基にＡＩが学習を行うことができる。例えば、家族が患者の意思判定結果に対してコメントを提供し、そのコメントを基にＡＩが学習を行う。また、医療スタッフが患者の意思判定結果に対して評価を提供し、その評価を基にＡＩが学習を行うこともできる。これにより、フィードバックを基にＡＩが学習することで、システムの精度が向上する。フィードバック部における上述した処理の一部または全部は、例えば、ＡＩを用いて行われてもよく、ＡＩを用いずに行われてもよい。例えば、フィードバック部は、家族や医療スタッフからのフィードバックをＡＩに入力し、ＡＩがそのフィードバックを基に学習を行うことができる。

保存部は、判定された意思をデジタル形式で保存することができる。デジタル形式には、例えば、PDF形式、テキスト形式、音声形式などが含まれる。保存部は、例えば、判定された意思をテキスト形式で保存することができる。また、保存部は、判定された意思を音声形式で保存することもできる。例えば、保存部は、判定された意思をテキストファイルとして保存し、後から確認できるようにする。また、保存部は、判定された意思を音声ファイルとして保存し、後から再生できるようにする。これにより、デジタル形式で保存することで、意思の確認が容易になる。保存部における上述した処理の一部または全部は、例えば、ＡＩを用いて行われてもよく、ＡＩを用いずに行われてもよい。例えば、保存部は、判定された意思をＡＩに入力し、ＡＩがテキスト形式や音声形式で保存することができる。

判定部は、解析結果に基づいて意思決定の状態を判定することができる。解析結果には、例えば、数値データ、グラフ、テキストなどが含まれる。判定部は、例えば、解析結果に基づいて、患者の意思が肯定的であるか否定的であるかを判定することができる。また、判定部は、解析結果を基に、患者の意思が正常であるか不安定であるかを判定することもできる。例えば、判定部は、解析結果として得られた数値データを基に、患者の意思が肯定的であるか否定的であるかを判定する。判定部は、解析結果として得られたグラフを基に、患者の意思が正常であるか不安定であるかを判定する。これにより、解析結果に基づいて意思決定の状態を正確に判定できる。判定部における上述した処理の一部または全部は、例えば、ＡＩを用いて行われてもよく、ＡＩを用いずに行われてもよい。例えば、判定部は、解析結果をＡＩに入力し、ＡＩが意思決定の状態を判定することができる。

解析部は、患者の感情を推定し、推定した感情に基づいて表情や口調の解析精度を調整することができる。解析部は、例えば、患者がリラックスしている場合、ＡＩが表情や口調の微細な変化をより詳細に解析する。また、解析部は、患者が緊張している場合、ＡＩが表情や口調の大きな変化を優先的に解析することもできる。さらに、解析部は、患者が興奮している場合、ＡＩが表情や口調の急激な変化を重点的に解析することもできる。これにより、感情に基づいて解析精度を調整することで、解析の精度が向上する。感情の推定は、例えば、感情エンジンまたは生成ＡＩなどを用いて感情推定機能を用いて実現される。生成ＡＩは、テキスト生成ＡＩ（例えば、ＬＬＭ）やマルチモーダル生成ＡＩなどであるが、かかる例に限定されない。解析部における上述した処理の一部または全部は、例えば、ＡＩを用いて行われてもよく、ＡＩを用いずに行われてもよい。例えば、解析部は、患者の感情データをＡＩに入力し、ＡＩが感情を推定し、表情や口調の解析精度を調整することができる。

解析部は、患者の過去の表情や口調のデータを参照し、解析アルゴリズムを最適化することができる。解析部は、例えば、患者の過去の笑顔のデータを基に、現在の笑顔の解析精度を向上させる。また、解析部は、患者の過去の怒りの表情データを基に、現在の怒りの表情の解析精度を向上させることもできる。さらに、解析部は、患者の過去の落ち着いた口調のデータを基に、現在の口調の解析精度を向上させることもできる。これにより、過去のデータを参照することで、解析アルゴリズムの精度が向上する。解析部における上述した処理の一部または全部は、例えば、ＡＩを用いて行われてもよく、ＡＩを用いずに行われてもよい。例えば、解析部は、患者の過去の表情や口調のデータをＡＩに入力し、ＡＩがそのデータを基に解析アルゴリズムを最適化することができる。

解析部は、表情や口調の解析時に、患者の現在の健康状態や環境要因を考慮して解析を行うことができる。解析部は、例えば、患者が疲れている場合、ＡＩが表情や口調の変化をより慎重に解析する。また、解析部は、患者が病院内にいる場合、環境音を考慮して口調の解析を行うこともできる。さらに、解析部は、患者が屋外にいる場合、光の影響を考慮して表情の解析を行うこともできる。これにより、健康状態や環境要因を考慮することで、解析の精度が向上する。解析部における上述した処理の一部または全部は、例えば、ＡＩを用いて行われてもよく、ＡＩを用いずに行われてもよい。例えば、解析部は、患者の健康状態や環境要因のデータをＡＩに入力し、ＡＩがそのデータを基に解析を行うことができる。

解析部は、患者の感情を推定し、推定した感情に基づいて解析結果の優先順位を決定することができる。解析部は、例えば、患者が悲しんでいる場合、ＡＩが悲しみの表情や口調の解析結果を優先的に表示する。また、解析部は、患者が喜んでいる場合、ＡＩが喜びの表情や口調の解析結果を優先的に表示することもできる。さらに、解析部は、患者が怒っている場合、ＡＩが怒りの表情や口調の解析結果を優先的に表示することもできる。これにより、感情に基づいて優先順位を決定することで、重要な解析結果を優先的に表示できる。感情の推定は、例えば、感情エンジンまたは生成ＡＩなどを用いて感情推定機能を用いて実現される。生成ＡＩは、テキスト生成ＡＩ（例えば、ＬＬＭ）やマルチモーダル生成ＡＩなどであるが、かかる例に限定されない。解析部における上述した処理の一部または全部は、例えば、ＡＩを用いて行われてもよく、ＡＩを用いずに行われてもよい。例えば、解析部は、患者の感情データをＡＩに入力し、ＡＩが感情を推定し、解析結果の優先順位を決定することができる。

解析部は、表情や口調の解析時に、患者の地理的位置情報を基に解析を行うことができる。解析部は、例えば、患者が自宅にいる場合、リラックスした環境を前提に解析を行う。また、解析部は、患者が病院にいる場合、緊張した環境を前提に解析を行うこともできる。さらに、解析部は、患者が公園にいる場合、自然環境を前提に解析を行うこともできる。これにより、地理的位置情報を考慮することで、解析の精度が向上する。解析部における上述した処理の一部または全部は、例えば、ＡＩを用いて行われてもよく、ＡＩを用いずに行われてもよい。例えば、解析部は、患者の地理的位置情報をＡＩに入力し、ＡＩがその情報を基に解析を行うことができる。

解析部は、表情や口調の解析時に、患者のソーシャルメディア活動を分析し、関連するデータを取得することができる。解析部は、例えば、患者が最近投稿した写真やコメントを基に、現在の感情状態を推定する。また、解析部は、患者が頻繁に使用する表現や言葉を基に、口調の解析を行うこともできる。さらに、解析部は、患者のソーシャルメディア上の友人関係を基に、感情の変化を解析することもできる。これにより、ソーシャルメディア活動を分析することで、解析の精度が向上する。解析部における上述した処理の一部または全部は、例えば、ＡＩを用いて行われてもよく、ＡＩを用いずに行われてもよい。例えば、解析部は、患者のソーシャルメディア活動のデータをＡＩに入力し、ＡＩがそのデータを基に解析を行うことができる。

判定部は、患者の感情を推定し、推定した感情に基づいて意思決定の状態を判定することができる。判定部は、例えば、患者がリラックスしている場合、意思決定が正常であると判定する。また、判定部は、患者が緊張している場合、意思決定が困難であると判定することもできる。さらに、判定部は、患者が興奮している場合、意思決定が不安定であると判定することもできる。これにより、感情に基づいて意思決定の状態を正確に判定できる。感情の推定は、例えば、感情エンジンまたは生成ＡＩなどを用いて感情推定機能を用いて実現される。生成ＡＩは、テキスト生成ＡＩ（例えば、ＬＬＭ）やマルチモーダル生成ＡＩなどであるが、かかる例に限定されない。判定部における上述した処理の一部または全部は、例えば、ＡＩを用いて行われてもよく、ＡＩを用いずに行われてもよい。例えば、判定部は、患者の感情データをＡＩに入力し、ＡＩが感情を推定し、意思決定の状態を判定することができる。

判定部は、判定時に、患者の過去の意思決定履歴を参照して判定アルゴリズムを最適化することができる。判定部は、例えば、患者が過去に正常な意思決定を行った状況を基に、現在の意思決定を判定する。また、判定部は、患者が過去に困難な意思決定を行った状況を基に、現在の意思決定を判定することもできる。さらに、判定部は、患者が過去に不安定な意思決定を行った状況を基に、現在の意思決定を判定することもできる。これにより、過去の意思決定履歴を参照することで、判定アルゴリズムの精度が向上する。判定部における上述した処理の一部または全部は、例えば、ＡＩを用いて行われてもよく、ＡＩを用いずに行われてもよい。例えば、判定部は、患者の過去の意思決定履歴をＡＩに入力し、ＡＩがその履歴を基に判定アルゴリズムを最適化することができる。

判定部は、判定時に、患者の現在の生活状況や関心分野を考慮して意思決定の状態を判定することができる。判定部は、例えば、患者が現在の生活状況でリラックスしている場合、意思決定が正常であると判定する。また、判定部は、患者が現在の生活状況で緊張している場合、意思決定が困難であると判定することもできる。さらに、判定部は、患者が現在の生活状況で興奮している場合、意思決定が不安定であると判定することもできる。これにより、生活状況や関心分野を考慮することで、意思決定の状態を正確に判定できる。判定部における上述した処理の一部または全部は、例えば、ＡＩを用いて行われてもよく、ＡＩを用いずに行われてもよい。例えば、判定部は、患者の生活状況や関心分野のデータをＡＩに入力し、ＡＩがそのデータを基に意思決定の状態を判定することができる。

判定部は、患者の感情を推定し、推定した感情に基づいて判定結果の表示方法を調整することができる。判定部は、例えば、患者がリラックスしている場合、詳細な判定結果を表示する。また、判定部は、患者が緊張している場合、簡潔な判定結果を表示することもできる。さらに、判定部は、患者が興奮している場合、視覚的に落ち着いた表示方法を提供することもできる。これにより、感情に基づいて表示方法を調整することで、判定結果の理解が容易になる。感情の推定は、例えば、感情エンジンまたは生成ＡＩなどを用いて感情推定機能を用いて実現される。生成ＡＩは、テキスト生成ＡＩ（例えば、ＬＬＭ）やマルチモーダル生成ＡＩなどであるが、かかる例に限定されない。判定部における上述した処理の一部または全部は、例えば、ＡＩを用いて行われてもよく、ＡＩを用いずに行われてもよい。例えば、判定部は、患者の感情データをＡＩに入力し、ＡＩが感情を推定し、判定結果の表示方法を調整することができる。

判定部は、判定時に、患者の地理的位置情報を基に意思決定の状態を判定することができる。判定部は、例えば、患者が自宅にいる場合、リラックスした環境を前提に判定を行う。また、判定部は、患者が病院にいる場合、緊張した環境を前提に判定を行うこともできる。さらに、判定部は、患者が公園にいる場合、自然環境を前提に判定を行うこともできる。これにより、地理的位置情報を考慮することで、意思決定の状態を正確に判定できる。判定部における上述した処理の一部または全部は、例えば、ＡＩを用いて行われてもよく、ＡＩを用いずに行われてもよい。例えば、判定部は、患者の地理的位置情報をＡＩに入力し、ＡＩがその情報を基に意思決定の状態を判定することができる。

判定部は、判定時に、患者のソーシャルメディア活動を分析し、関連するデータを参照して意思決定の状態を判定することができる。判定部は、例えば、患者が最近投稿した写真やコメントを基に、現在の意思決定の状態を判定する。また、判定部は、患者が頻繁に使用する表現や言葉を基に、意思決定の状態を判定することもできる。さらに、判定部は、患者のソーシャルメディア上の友人関係を基に、意思決定の状態を判定することもできる。これにより、ソーシャルメディア活動を分析することで、意思決定の状態を正確に判定できる。判定部における上述した処理の一部または全部は、例えば、ＡＩを用いて行われてもよく、ＡＩを用いずに行われてもよい。例えば、判定部は、患者のソーシャルメディア活動のデータをＡＩに入力し、ＡＩがそのデータを基に意思決定の状態を判定することができる。

保存部は、患者の感情を推定し、推定した感情に基づいて保存する文書の形式を調整することができる。保存部は、例えば、患者がリラックスしている場合、詳細な文書形式で保存する。また、保存部は、患者が緊張している場合、簡潔な文書形式で保存することもできる。さらに、保存部は、患者が興奮している場合、視覚的に落ち着いた文書形式で保存することもできる。これにより、感情に基づいて文書の形式を調整することで、保存された文書の理解が容易になる。感情の推定は、例えば、感情エンジンまたは生成ＡＩなどを用いて感情推定機能を用いて実現される。生成ＡＩは、テキスト生成ＡＩ（例えば、ＬＬＭ）やマルチモーダル生成ＡＩなどであるが、かかる例に限定されない。保存部における上述した処理の一部または全部は、例えば、ＡＩを用いて行われてもよく、ＡＩを用いずに行われてもよい。例えば、保存部は、患者の感情データをＡＩに入力し、ＡＩが感情を推定し、文書の形式を調整することができる。

保存部は、保存時に、患者の過去の意思決定履歴を参照して保存アルゴリズムを最適化することができる。保存部は、例えば、患者が過去に正常な意思決定を行った状況を基に、現在の文書を保存する。また、保存部は、患者が過去に困難な意思決定を行った状況を基に、現在の文書を保存することもできる。さらに、保存部は、患者が過去に不安定な意思決定を行った状況を基に、現在の文書を保存することもできる。これにより、過去の意思決定履歴を参照することで、保存アルゴリズムの精度が向上する。保存部における上述した処理の一部または全部は、例えば、ＡＩを用いて行われてもよく、ＡＩを用いずに行われてもよい。例えば、保存部は、患者の過去の意思決定履歴をＡＩに入力し、ＡＩがその履歴を基に保存アルゴリズムを最適化することができる。

保存部は、保存時に、患者の現在の生活状況や関心分野を考慮して文書を保存することができる。保存部は、例えば、患者が現在の生活状況でリラックスしている場合、詳細な文書を保存する。また、保存部は、患者が現在の生活状況で緊張している場合、簡潔な文書を保存することもできる。さらに、保存部は、患者が現在の生活状況で興奮している場合、視覚的に落ち着いた文書を保存することもできる。これにより、生活状況や関心分野を考慮することで、保存された文書の精度が向上する。保存部における上述した処理の一部または全部は、例えば、ＡＩを用いて行われてもよく、ＡＩを用いずに行われてもよい。例えば、保存部は、患者の生活状況や関心分野のデータをＡＩに入力し、ＡＩがそのデータを基に文書を保存することができる。

保存部は、患者の感情を推定し、推定した感情に基づいて保存する文書の優先順位を決定することができる。保存部は、例えば、患者がリラックスしている場合、詳細な文書を優先的に保存する。また、保存部は、患者が緊張している場合、簡潔な文書を優先的に保存することもできる。さらに、保存部は、患者が興奮している場合、視覚的に落ち着いた文書を優先的に保存することもできる。これにより、感情に基づいて優先順位を決定することで、重要な文書を優先的に保存できる。感情の推定は、例えば、感情エンジンまたは生成ＡＩなどを用いて感情推定機能を用いて実現される。生成ＡＩは、テキスト生成ＡＩ（例えば、ＬＬＭ）やマルチモーダル生成ＡＩなどであるが、かかる例に限定されない。保存部における上述した処理の一部または全部は、例えば、ＡＩを用いて行われてもよく、ＡＩを用いずに行われてもよい。例えば、保存部は、患者の感情データをＡＩに入力し、ＡＩが感情を推定し、文書の優先順位を決定することができる。

保存部は、保存時に、患者の地理的位置情報を基に文書を保存することができる。保存部は、例えば、患者が自宅にいる場合、リラックスした環境を前提に文書を保存する。また、保存部は、患者が病院にいる場合、緊張した環境を前提に文書を保存することもできる。さらに、保存部は、患者が公園にいる場合、自然環境を前提に文書を保存することもできる。これにより、地理的位置情報を考慮することで、保存された文書の精度が向上する。保存部における上述した処理の一部または全部は、例えば、ＡＩを用いて行われてもよく、ＡＩを用いずに行われてもよい。例えば、保存部は、患者の地理的位置情報をＡＩに入力し、ＡＩがその情報を基に文書を保存することができる。

保存部は、保存時に、患者のソーシャルメディア活動を分析し、関連するデータを参照して文書を保存することができる。保存部は、例えば、患者が最近投稿した写真やコメントを基に、現在の文書を保存する。また、保存部は、患者が頻繁に使用する表現や言葉を基に、文書を保存することもできる。さらに、保存部は、患者のソーシャルメディア上の友人関係を基に、文書を保存することもできる。これにより、ソーシャルメディア活動を分析することで、保存された文書の精度が向上する。保存部における上述した処理の一部または全部は、例えば、ＡＩを用いて行われてもよく、ＡＩを用いずに行われてもよい。例えば、保存部は、患者のソーシャルメディア活動のデータをＡＩに入力し、ＡＩがそのデータを基に文書を保存することができる。

フィードバック部は、患者の感情を推定し、推定した感情に基づいてフィードバックの内容を調整することができる。フィードバック部は、例えば、患者がリラックスしている場合、詳細なフィードバックを提供する。また、フィードバック部は、患者が緊張している場合、簡潔なフィードバックを提供することもできる。さらに、フィードバック部は、患者が興奮している場合、視覚的に落ち着いたフィードバックを提供することもできる。これにより、感情に基づいてフィードバックの内容を調整することで、適切なフィードバックを提供できる。感情の推定は、例えば、感情エンジンまたは生成ＡＩなどを用いて感情推定機能を用いて実現される。生成ＡＩは、テキスト生成ＡＩ（例えば、ＬＬＭ）やマルチモーダル生成ＡＩなどであるが、かかる例に限定されない。フィードバック部における上述した処理の一部または全部は、例えば、ＡＩを用いて行われてもよく、ＡＩを用いずに行われてもよい。例えば、フィードバック部は、患者の感情データをＡＩに入力し、ＡＩが感情を推定し、フィードバックの内容を調整することができる。

フィードバック部は、フィードバック時に、家族や医療スタッフの過去のフィードバック履歴を参照してフィードバックアルゴリズムを最適化することができる。フィードバック部は、例えば、家族が過去に提供したフィードバックを基に、現在のフィードバック内容を調整する。また、フィードバック部は、医療スタッフが過去に提供したフィードバックを基に、現在のフィードバック内容を調整することもできる。さらに、フィードバック部は、家族や医療スタッフのフィードバック履歴を分析し、最適なフィードバック方法を提案することもできる。これにより、過去のフィードバック履歴を参照することで、フィードバックアルゴリズムの精度が向上する。フィードバック部における上述した処理の一部または全部は、例えば、ＡＩを用いて行われてもよく、ＡＩを用いずに行われてもよい。例えば、フィードバック部は、家族や医療スタッフのフィードバック履歴をＡＩに入力し、ＡＩがその履歴を基にフィードバックアルゴリズムを最適化することができる。

フィードバック部は、フィードバック時に、患者の現在の生活状況や関心分野を考慮してフィードバックを行うことができる。フィードバック部は、例えば、患者が現在の生活状況でリラックスしている場合、詳細なフィードバックを提供する。また、フィードバック部は、患者が現在の生活状況で緊張している場合、簡潔なフィードバックを提供することもできる。さらに、フィードバック部は、患者が現在の生活状況で興奮している場合、視覚的に落ち着いたフィードバックを提供することもできる。これにより、生活状況や関心分野を考慮することで、適切なフィードバックを提供できる。フィードバック部における上述した処理の一部または全部は、例えば、ＡＩを用いて行われてもよく、ＡＩを用いずに行われてもよい。例えば、フィードバック部は、患者の生活状況や関心分野のデータをＡＩに入力し、ＡＩがそのデータを基にフィードバックを行うことができる。

フィードバック部は、患者の感情を推定し、推定した感情に基づいてフィードバックの優先順位を決定することができる。フィードバック部は、例えば、患者がリラックスしている場合、詳細なフィードバックを優先的に提供する。また、フィードバック部は、患者が緊張している場合、簡潔なフィードバックを優先的に提供することもできる。さらに、フィードバック部は、患者が興奮している場合、視覚的に落ち着いたフィードバックを優先的に提供することもできる。これにより、感情に基づいて優先順位を決定することで、重要なフィードバックを優先的に提供できる。感情の推定は、例えば、感情エンジンまたは生成ＡＩなどを用いて感情推定機能を用いて実現される。生成ＡＩは、テキスト生成ＡＩ（例えば、ＬＬＭ）やマルチモーダル生成ＡＩなどであるが、かかる例に限定されない。フィードバック部における上述した処理の一部または全部は、例えば、ＡＩを用いて行われてもよく、ＡＩを用いずに行われてもよい。例えば、フィードバック部は、患者の感情データをＡＩに入力し、ＡＩが感情を推定し、フィードバックの優先順位を決定することができる。

フィードバック部は、フィードバック時に、患者の地理的位置情報を基にフィードバックを行うことができる。フィードバック部は、例えば、患者が自宅にいる場合、リラックスした環境を前提にフィードバックを提供する。また、フィードバック部は、患者が病院にいる場合、緊張した環境を前提にフィードバックを提供することもできる。さらに、フィードバック部は、患者が公園にいる場合、自然環境を前提にフィードバックを提供することもできる。これにより、地理的位置情報を考慮することで、適切なフィードバックを提供できる。フィードバック部における上述した処理の一部または全部は、例えば、ＡＩを用いて行われてもよく、ＡＩを用いずに行われてもよい。例えば、フィードバック部は、患者の地理的位置情報をＡＩに入力し、ＡＩがその情報を基にフィードバックを行うことができる。

フィードバック部は、フィードバック時に、患者のソーシャルメディア活動を分析し、関連するデータを参照してフィードバックを行うことができる。フィードバック部は、例えば、患者が最近投稿した写真やコメントを基に、現在のフィードバック内容を調整する。また、フィードバック部は、患者が頻繁に使用する表現や言葉を基に、フィードバック内容を調整することもできる。さらに、フィードバック部は、患者のソーシャルメディア上の友人関係を基に、フィードバック内容を調整することもできる。これにより、ソーシャルメディア活動を分析することで、適切なフィードバックを提供できる。フィードバック部における上述した処理の一部または全部は、例えば、ＡＩを用いて行われてもよく、ＡＩを用いずに行われてもよい。例えば、フィードバック部は、患者のソーシャルメディア活動のデータをＡＩに入力し、ＡＩがそのデータを基にフィードバックを行うことができる。

実施形態に係るシステムは、上述した例に限定されず、例えば、以下のように、種々の変更が可能である。

解析部は、患者の生体データを取得し、解析結果に反映することができる。例えば、心拍数や血圧、体温などの生体データをリアルタイムで取得し、患者の感情や意思決定の状態をより正確に判定する。また、解析部は、患者の睡眠パターンを解析し、睡眠不足や過剰なストレスが意思決定に与える影響を考慮することもできる。さらに、解析部は、患者の運動量を解析し、運動不足や過剰な運動が意思決定に与える影響を考慮することもできる。これにより、生体データを活用することで、解析の精度が向上する。

判定部は、患者の社会的な関係性を考慮して意思決定の状態を判定することができる。例えば、患者が家族や友人との関係が良好である場合、意思決定が正常であると判定する。また、患者が孤立している場合、意思決定が困難であると判定することもできる。さらに、患者が新しい社会的な関係を築いている場合、意思決定が不安定であると判定することもできる。これにより、社会的な関係性を考慮することで、意思決定の状態をより正確に判定できる。

保存部は、保存された文書に対してアクセス制御を行うことができる。例えば、家族や医療スタッフがアクセスできる範囲を制限し、プライバシーを保護する。また、保存部は、アクセス履歴を記録し、誰がいつ文書にアクセスしたかを追跡することもできる。さらに、保存部は、アクセス権限を動的に変更し、必要に応じてアクセス権限を追加または削除することもできる。これにより、保存された文書のセキュリティが向上する。

フィードバック部は、フィードバックの内容を視覚的に表示することができる。例えば、フィードバック内容をグラフやチャートで表示し、視覚的に理解しやすくする。また、フィードバック部は、フィードバック内容をアニメーションで表示し、動的に情報を伝えることもできる。さらに、フィードバック部は、フィードバック内容をインフォグラフィックで表示し、複雑な情報を簡潔に伝えることもできる。これにより、フィードバックの内容がより理解しやすくなる。

解析部は、患者の趣味や興味を考慮して解析を行うことができる。例えば、患者が音楽を好む場合、音楽を聴いている時の表情や口調を解析し、リラックスしているかどうかを判定する。また、患者が読書を好む場合、読書中の表情や口調を解析し、集中しているかどうかを判定することもできる。さらに、患者がスポーツを好む場合、スポーツ観戦中の表情や口調を解析し、興奮しているかどうかを判定することもできる。これにより、趣味や興味を考慮することで、解析の精度が向上する。

判定部は、患者の感情を推定し、推定した感情に基づいて意思決定のサポートを提供することができる。例えば、患者が不安を感じている場合、リラックスするためのアドバイスを提供する。また、患者が喜んでいる場合、その感情を維持するためのアクティビティを提案することもできる。さらに、患者が怒りを感じている場合、冷静になるための方法を提供することもできる。これにより、感情に基づいて適切なサポートを提供することで、意思決定の質が向上する。

解析部は、患者の感情を推定し、推定した感情に基づいて解析結果をフィルタリングすることができる。例えば、患者が悲しんでいる場合、悲しみの感情に関連する解析結果を優先的に表示する。また、患者が興奮している場合、興奮の感情に関連する解析結果を優先的に表示することもできる。さらに、患者がリラックスしている場合、リラックスの感情に関連する解析結果を優先的に表示することもできる。これにより、感情に基づいて解析結果をフィルタリングすることで、重要な情報を優先的に提供できる。

保存部は、患者の感情を推定し、推定した感情に基づいて保存する文書の内容を調整することができる。例えば、患者がリラックスしている場合、詳細な文書を保存する。また、患者が緊張している場合、簡潔な文書を保存することもできる。さらに、患者が興奮している場合、視覚的に落ち着いた文書を保存することもできる。これにより、感情に基づいて文書の内容を調整することで、保存された文書の理解が容易になる。

フィードバック部は、患者の感情を推定し、推定した感情に基づいてフィードバックのタイミングを調整することができる。例えば、患者がリラックスしている場合、フィードバックを即座に提供する。また、患者が緊張している場合、フィードバックを遅延させることもできる。さらに、患者が興奮している場合、フィードバックを段階的に提供することもできる。これにより、感情に基づいてフィードバックのタイミングを調整することで、適切なタイミングでフィードバックを提供できる。

判定部は、患者の感情を推定し、推定した感情に基づいて意思決定の結果を表示する方法を調整することができる。例えば、患者がリラックスしている場合、詳細な結果を表示する。また、患者が緊張している場合、簡潔な結果を表示することもできる。さらに、患者が興奮している場合、視覚的に落ち着いた結果を表示することもできる。これにより、感情に基づいて結果の表示方法を調整することで、結果の理解が容易になる。

以下に、形態例２の処理の流れについて簡単に説明する。

ステップ１：解析部は、表情または口調を解析する。解析部は、例えば、表情解析方法を用いて表情を解析する。顔認識技術を用いて、患者の笑顔や怒り、悲しみなどの表情を分類することができる。また、解析部は、口調解析方法を用いて口調を解析する。音声認識技術を用いて、患者の声のトーン、速度、強弱などを解析することができる。
ステップ２：判定部は、解析部によって解析された結果を基に意思決定の状態を判定する。判定部は、例えば、解析結果に基づいて、患者の意思が肯定的であるか否定的であるかを判定することができる。
ステップ３：保存部は、判定部によって判定された意思を文書化し保存する。保存部は、例えば、判定された意思をテキスト形式や音声形式でデジタル保存することができる。
ステップ４：フィードバック部は、保存部によって保存された文書を基にフィードバックを受け取る。フィードバック部は、例えば、家族や医療スタッフからのフィードバックを受け取り、そのフィードバックを基にＡＩが学習を行うことができる。これにより、システムは認知症患者の意思を正確に判定し、家族に伝えることができる。

特定処理部２９０は、特定処理の結果をスマートデバイス１４に送信する。スマートデバイス１４では、制御部４６Ａが、出力装置４０に対して特定処理の結果を出力させる。マイクロフォン３８Ｂは、特定処理の結果に対するユーザ入力を示す音声を取得する。制御部４６Ａは、マイクロフォン３８Ｂによって取得されたユーザ入力を示す音声データをデータ処理装置１２に送信する。データ処理装置１２では、特定処理部２９０が音声データを取得する。

データ生成モデル５８は、いわゆる生成ＡＩ（Artificial Intelligence）である。データ生成モデル５８の一例としては、ＣｈａｔＧＰＴ（登録商標）（インターネット検索＜URL: https://openai.com/blog/chatgpt＞）などの生成ＡＩが挙げられる。データ生成モデル５８は、ニューラルネットワークに対して深層学習を行わせることによって得られる。データ生成モデル５８には、指示を含むプロンプトが入力され、かつ、音声を示す音声データ、テキストを示すテキストデータ、および画像を示す画像データ（例えば、静止画のデータまたは動画のデータ）などの推論用データが入力される。データ生成モデル５８は、入力された推論用データをプロンプトにより示される指示に従って推論し、推論結果を音声データ、テキストデータ、および画像データなどのうちの１以上のデータ形式で出力する。データ生成モデル５８は、例えば、テキスト生成ＡＩ、画像生成ＡＩ、マルチモーダル生成ＡＩなどを含む。ここで、推論とは、例えば、分析、分類、予測、および／または要約などを指す。特定処理部２９０は、データ生成モデル５８を用いながら、上述した特定処理を行う。データ生成モデル５８は、指示を含まないプロンプトから推論結果を出力するように、ファインチューニングされたモデルであってもよく、この場合、データ生成モデル５８は、指示を含まないプロンプトから推論結果を出力することができる。データ処理装置１２などにおいて、データ生成モデル５８は複数種類含まれており、データ生成モデル５８は、生成ＡＩ以外のＡＩを含む。生成ＡＩ以外のＡＩは、例えば、線形回帰、ロジスティック回帰、決定木、ランダムフォレスト、サポートベクターマシン（ＳＶＭ）、ｋ－ｍｅａｎｓクラスタリング、畳み込みニューラルネットワーク（ＣＮＮ）、リカレントニューラルネットワーク（ＲＮＮ）、生成的敵対的ネットワーク（ＧＡＮ）、またはナイーブベイズなどであり、種々の処理を行うことができるが、かかる例に限定されない。また、ＡＩは、ＡＩエージェントであってもよい。また、上述した各部の処理がＡＩで行われる場合、その処理は、ＡＩで一部または全部が行われるが、かかる例に限定されない。また、生成ＡＩを含むＡＩで実施される処理は、ルールベースでの処理に置き換えてもよく、ルールベースの処理は、生成ＡＩを含むＡＩで実施される処理に置き換えてもよい。

また、上述したデータ処理システム１０による処理は、データ処理装置１２の特定処理部２９０またはスマートデバイス１４の制御部４６Ａによって実行されるが、データ処理装置１２の特定処理部２９０とスマートデバイス１４の制御部４６Ａとによって実行されてもよい。また、データ処理装置１２の特定処理部２９０は、処理に必要な情報をスマートデバイス１４または外部の装置などから取得したり収集したりし、スマートデバイス１４は、処理に必要な情報をデータ処理装置１２または外部の装置などから取得したり収集したりする。

上述した解析部、判定部、保存部、およびフィードバック部を含む複数の要素の各々は、例えば、スマートデバイス１４およびデータ処理装置１２のうちの少なくとも一方で実現される。例えば、解析部は、スマートデバイス１４のカメラ４２やマイクロフォン３８Ｂを用いて患者の表情や口調を解析する。判定部は、例えば、データ処理装置１２の特定処理部２９０によって解析結果を基に意思決定の状態を判定する。保存部は、例えば、データ処理装置１２のストレージ３２に判定された意思を文書化し保存する。フィードバック部は、例えば、スマートデバイス１４の制御部４６Ａを用いて家族や医療スタッフからのフィードバックを受け取り、ＡＩがそのフィードバックを基に学習を行う。各部と装置や制御部との対応関係は、上述した例に限定されず、種々の変更が可能である。

［第２実施形態］
図３には、第２実施形態に係るデータ処理システム２１０の構成の一例が示されている。

図３に示すように、データ処理システム２１０は、データ処理装置１２およびスマート眼鏡２１４を備えている。データ処理装置１２の一例としては、サーバが挙げられる。

データ処理装置１２は、コンピュータ２２、データベース２４、および通信Ｉ／Ｆ２６を備えている。コンピュータ２２は、プロセッサ２８、ＲＡＭ３０、およびストレージ３２を備えている。プロセッサ２８、ＲＡＭ３０、およびストレージ３２は、バス３４に接続されている。また、データベース２４および通信Ｉ／Ｆ２６も、バス３４に接続されている。通信Ｉ／Ｆ２６は、ネットワーク５４に接続されている。ネットワーク５４の一例としては、ＷＡＮおよび／またはＬＡＮなどが挙げられる。

スマート眼鏡２１４は、コンピュータ３６、マイクロフォン２３８、スピーカ２４０、カメラ４２、および通信Ｉ／Ｆ４４を備えている。コンピュータ３６は、プロセッサ４６、ＲＡＭ４８、およびストレージ５０を備えている。プロセッサ４６、ＲＡＭ４８、およびストレージ５０は、バス５２に接続されている。また、マイクロフォン２３８、スピーカ２４０、およびカメラ４２も、バス５２に接続されている。

マイクロフォン２３８は、ユーザが発する音声を受け付けることで、ユーザから指示などを受け付ける。マイクロフォン２３８は、ユーザが発する音声を捕捉し、捕捉した音声を音声データに変換してプロセッサ４６に出力する。スピーカ２４０は、プロセッサ４６からの指示に従って音声を出力する。

カメラ４２は、レンズ、絞り、およびシャッタなどの光学系と、ＣＭＯＳ（Complementary Metal-Oxide-Semiconductor）イメージセンサまたはＣＣＤ（Charge Coupled Device）イメージセンサなどの撮像素子とが搭載された小型デジタルカメラであり、ユーザの周囲（例えば、一般的な健常者の視界の広さに相当する画角で規定された撮像範囲）を撮像する。

通信Ｉ／Ｆ４４は、ネットワーク５４に接続されている。通信Ｉ／Ｆ４４および２６は、ネットワーク５４を介してプロセッサ４６とプロセッサ２８との間の各種情報の授受を司る。通信Ｉ／Ｆ４４および２６を用いたプロセッサ４６とプロセッサ２８との間の各種情報の授受はセキュアな状態で行われる。

図４には、データ処理装置１２およびスマート眼鏡２１４の要部機能の一例が示されている。図４に示すように、データ処理装置１２では、プロセッサ２８によって特定処理が行われる。ストレージ３２には、特定処理プログラム５６が格納されている。

プロセッサ２８は、ストレージ３２から特定処理プログラム５６を読み出し、読み出した特定処理プログラム５６をＲＡＭ３０上で実行する。特定処理は、プロセッサ２８がＲＡＭ３０上で実行する特定処理プログラム５６に従って、特定処理部２９０として動作することによって実現される。

ストレージ３２には、データ生成モデル５８および感情特定モデル５９が格納されている。データ生成モデル５８および感情特定モデル５９は、特定処理部２９０によって用いられる。特定処理部２９０は、感情特定モデル５９を用いてユーザの感情を推定し、ユーザの感情を用いた特定処理を行うことができる。感情特定モデル５９を用いた感情推定機能（感情特定機能）では、ユーザの感情の推定や予測などを含め、ユーザの感情に関する種々の推定や予測などが行われるが、かかる例に限定されない。また、感情の推定や予測には、例えば、感情の分析（解析）なども含まれる。

スマート眼鏡２１４では、プロセッサ４６によって特定処理が行われる。ストレージ５０には、特定処理プログラム６０が格納されている。プロセッサ４６は、ストレージ５０から特定処理プログラム６０を読み出し、読み出した特定処理プログラム６０をＲＡＭ４８上で実行する。特定処理は、プロセッサ４６がＲＡＭ４８上で実行する特定処理プログラム６０に従って、制御部４６Ａとして動作することによって実現される。なお、スマート眼鏡２１４には、データ生成モデル５８および感情特定モデル５９と同様のデータ生成モデルおよび感情特定モデルを有し、これらモデルを用いて特定処理部２９０と同様の処理を行うこともできる。

なお、データ処理装置１２以外の他の装置がデータ生成モデル５８を有してもよい。例えば、サーバ装置がデータ生成モデル５８を有してもよい。この場合、データ処理装置１２は、データ生成モデル５８を有するサーバ装置と通信を行うことで、データ生成モデル５８が用いられた処理結果（予測結果など）を得る。また、データ処理装置１２は、サーバ装置であってもよいし、ユーザが保有する端末装置（例えば、携帯電話、ロボット、家電など）であってもよい。

特定処理部２９０は、特定処理の結果をスマート眼鏡２１４に送信する。スマート眼鏡２１４では、制御部４６Ａが、スピーカ２４０に対して特定処理の結果を出力させる。マイクロフォン２３８は、特定処理の結果に対するユーザ入力を示す音声を取得する。制御部４６Ａは、マイクロフォン２３８によって取得されたユーザ入力を示す音声データをデータ処理装置１２に送信する。データ処理装置１２では、特定処理部２９０が音声データを取得する。

データ生成モデル５８は、いわゆる生成ＡＩである。データ生成モデル５８の一例としては、ＣｈａｔＧＰＴなどの生成ＡＩが挙げられる。データ生成モデル５８は、ニューラルネットワークに対して深層学習を行わせることによって得られる。データ生成モデル５８には、指示を含むプロンプトが入力され、かつ、音声を示す音声データ、テキストを示すテキストデータ、および画像を示す画像データ（例えば、静止画のデータまたは動画のデータ）などの推論用データが入力される。データ生成モデル５８は、入力された推論用データをプロンプトにより示される指示に従って推論し、推論結果を音声データ、テキストデータ、および画像データなどのうちの１以上のデータ形式で出力する。データ生成モデル５８は、例えば、テキスト生成ＡＩ、画像生成ＡＩ、マルチモーダル生成ＡＩなどを含む。ここで、推論とは、例えば、分析、分類、予測、および／または要約などを指す。特定処理部２９０は、データ生成モデル５８を用いながら、上述した特定処理を行う。データ生成モデル５８は、指示を含まないプロンプトから推論結果を出力するように、ファインチューニングされたモデルであってもよく、この場合、データ生成モデル５８は、指示を含まないプロンプトから推論結果を出力することができる。データ処理装置１２などにおいて、データ生成モデル５８は複数種類含まれており、データ生成モデル５８は、生成ＡＩ以外のＡＩを含む。生成ＡＩ以外のＡＩは、例えば、線形回帰、ロジスティック回帰、決定木、ランダムフォレスト、サポートベクターマシン（ＳＶＭ）、ｋ－ｍｅａｎｓクラスタリング、畳み込みニューラルネットワーク（ＣＮＮ）、リカレントニューラルネットワーク（ＲＮＮ）、生成的敵対的ネットワーク（ＧＡＮ）、またはナイーブベイズなどであり、種々の処理を行うことができるが、かかる例に限定されない。また、ＡＩは、ＡＩエージェントであってもよい。また、上述した各部の処理がＡＩで行われる場合、その処理は、ＡＩで一部または全部が行われるが、かかる例に限定されない。また、生成ＡＩを含むＡＩで実施される処理は、ルールベースでの処理に置き換えてもよく、ルールベースの処理は、生成ＡＩを含むＡＩで実施される処理に置き換えてもよい。

第２実施形態に係るデータ処理システム２１０は、第１実施形態に係るデータ処理システム１０と同様の処理を行う。データ処理システム２１０による処理は、データ処理装置１２の特定処理部２９０またはスマート眼鏡２１４の制御部４６Ａによって実行されるが、データ処理装置１２の特定処理部２９０とスマート眼鏡２１４の制御部４６Ａとによって実行されてもよい。また、データ処理装置１２の特定処理部２９０は、処理に必要な情報をスマート眼鏡２１４または外部の装置などから取得したり収集したりし、スマート眼鏡２１４は、処理に必要な情報をデータ処理装置１２または外部の装置などから取得したり収集したりする。

上述した解析部、判定部、保存部、およびフィードバック部を含む複数の要素の各々は、例えば、スマート眼鏡２１４およびデータ処理装置１２のうちの少なくとも一方で実現される。例えば、解析部は、スマート眼鏡２１４のカメラ４２やマイクロフォン２３８を用いて患者の表情や口調を解析する。判定部は、例えば、データ処理装置１２の特定処理部２９０によって解析結果を基に意思決定の状態を判定する。保存部は、例えば、データ処理装置１２のストレージ３２に判定された意思を文書化し保存する。フィードバック部は、例えば、スマート眼鏡２１４の制御部４６Ａを用いて家族や医療スタッフからのフィードバックを受け取り、ＡＩがそのフィードバックを基に学習を行う。各部と装置や制御部との対応関係は、上述した例に限定されず、種々の変更が可能である。

［第３実施形態］
図５には、第３実施形態に係るデータ処理システム３１０の構成の一例が示されている。

図５に示すように、データ処理システム３１０は、データ処理装置１２およびヘッドセット型端末３１４を備えている。データ処理装置１２の一例としては、サーバが挙げられる。

データ処理装置１２は、コンピュータ２２、データベース２４、および通信Ｉ／Ｆ２６を備えている。コンピュータ２２は、プロセッサ２８、ＲＡＭ３０、およびストレージ３２を備えている。プロセッサ２８、ＲＡＭ３０、およびストレージ３２は、バス３４に接続されている。また、データベース２４および通信Ｉ／Ｆ２６も、バス３４に接続されている。通信Ｉ／Ｆ２６は、ネットワーク５４に接続されている。ネットワーク５４の一例としては、ＷＡＮおよび／またはＬＡＮなどが挙げられる。

ヘッドセット型端末３１４は、コンピュータ３６、マイクロフォン２３８、スピーカ２４０、カメラ４２、通信Ｉ／Ｆ４４、およびディスプレイ３４３を備えている。コンピュータ３６は、プロセッサ４６、ＲＡＭ４８、およびストレージ５０を備えている。プロセッサ４６、ＲＡＭ４８、およびストレージ５０は、バス５２に接続されている。また、マイクロフォン２３８、スピーカ２４０、カメラ４２、およびディスプレイ３４３も、バス５２に接続されている。

マイクロフォン２３８は、ユーザが発する音声を受け付けることで、ユーザから指示などを受け付ける。マイクロフォン２３８は、ユーザが発する音声を捕捉し、捕捉した音声を音声データに変換してプロセッサ４６に出力する。スピーカ２４０は、プロセッサ４６からの指示に従って音声を出力する。

カメラ４２は、レンズ、絞り、およびシャッタなどの光学系と、ＣＭＯＳ（Complementary Metal-Oxide-Semiconductor）イメージセンサまたはＣＣＤ（Charge Coupled Device）イメージセンサなどの撮像素子とが搭載された小型デジタルカメラであり、ユーザの周囲（例えば、一般的な健常者の視界の広さに相当する画角で規定された撮像範囲）を撮像する。

通信Ｉ／Ｆ４４は、ネットワーク５４に接続されている。通信Ｉ／Ｆ４４および２６は、ネットワーク５４を介してプロセッサ４６とプロセッサ２８との間の各種情報の授受を司る。通信Ｉ／Ｆ４４および２６を用いたプロセッサ４６とプロセッサ２８との間の各種情報の授受はセキュアな状態で行われる。

図６には、データ処理装置１２およびヘッドセット型端末３１４の要部機能の一例が示されている。図６に示すように、データ処理装置１２では、プロセッサ２８によって特定処理が行われる。ストレージ３２には、特定処理プログラム５６が格納されている。

プロセッサ２８は、ストレージ３２から特定処理プログラム５６を読み出し、読み出した特定処理プログラム５６をＲＡＭ３０上で実行する。特定処理は、プロセッサ２８がＲＡＭ３０上で実行する特定処理プログラム５６に従って、特定処理部２９０として動作することによって実現される。

ストレージ３２には、データ生成モデル５８および感情特定モデル５９が格納されている。データ生成モデル５８および感情特定モデル５９は、特定処理部２９０によって用いられる。特定処理部２９０は、感情特定モデル５９を用いてユーザの感情を推定し、ユーザの感情を用いた特定処理を行うことができる。感情特定モデル５９を用いた感情推定機能（感情特定機能）では、ユーザの感情の推定や予測などを含め、ユーザの感情に関する種々の推定や予測などが行われるが、かかる例に限定されない。また、感情の推定や予測には、例えば、感情の分析（解析）なども含まれる。

ヘッドセット型端末３１４では、プロセッサ４６によって特定処理が行われる。ストレージ５０には、特定プログラム６０が格納されている。プロセッサ４６は、ストレージ５０から特定プログラム６０を読み出し、読み出した特定プログラム６０をＲＡＭ４８上で実行する。特定処理は、プロセッサ４６がＲＡＭ４８上で実行する特定プログラム６０に従って、制御部４６Ａとして動作することによって実現される。なお、ヘッドセット型端末３１４には、データ生成モデル５８および感情特定モデル５９と同様のデータ生成モデルおよび感情特定モデルを有し、これらモデルを用いて特定処理部２９０と同様の処理を行うこともできる。

なお、データ処理装置１２以外の他の装置がデータ生成モデル５８を有してもよい。例えば、サーバ装置がデータ生成モデル５８を有してもよい。この場合、データ処理装置１２は、データ生成モデル５８を有するサーバ装置と通信を行うことで、データ生成モデル５８が用いられた処理結果（予測結果など）を得る。また、データ処理装置１２は、サーバ装置であってもよいし、ユーザが保有する端末装置（例えば、携帯電話、ロボット、家電など）であってもよい。

特定処理部２９０は、特定処理の結果をヘッドセット型端末３１４に送信する。ヘッドセット型端末３１４では、制御部４６Ａが、スピーカ２４０およびディスプレイ３４３に対して特定処理の結果を出力させる。マイクロフォン２３８は、特定処理の結果に対するユーザ入力を示す音声を取得する。制御部４６Ａは、マイクロフォン２３８によって取得されたユーザ入力を示す音声データをデータ処理装置１２に送信する。データ処理装置１２では、特定処理部２９０が音声データを取得する。

データ生成モデル５８は、いわゆる生成ＡＩである。データ生成モデル５８の一例としては、ＣｈａｔＧＰＴなどの生成ＡＩが挙げられる。データ生成モデル５８は、ニューラルネットワークに対して深層学習を行わせることによって得られる。データ生成モデル５８には、指示を含むプロンプトが入力され、かつ、音声を示す音声データ、テキストを示すテキストデータ、および画像を示す画像データ（例えば、静止画のデータまたは動画のデータ）などの推論用データが入力される。データ生成モデル５８は、入力された推論用データをプロンプトにより示される指示に従って推論し、推論結果を音声データ、テキストデータ、および画像データなどのうちの１以上のデータ形式で出力する。データ生成モデル５８は、例えば、テキスト生成ＡＩ、画像生成ＡＩ、マルチモーダル生成ＡＩなどを含む。ここで、推論とは、例えば、分析、分類、予測、および／または要約などを指す。特定処理部２９０は、データ生成モデル５８を用いながら、上述した特定処理を行う。データ生成モデル５８は、指示を含まないプロンプトから推論結果を出力するように、ファインチューニングされたモデルであってもよく、この場合、データ生成モデル５８は、指示を含まないプロンプトから推論結果を出力することができる。データ処理装置１２などにおいて、データ生成モデル５８は複数種類含まれており、データ生成モデル５８は、生成ＡＩ以外のＡＩを含む。生成ＡＩ以外のＡＩは、例えば、線形回帰、ロジスティック回帰、決定木、ランダムフォレスト、サポートベクターマシン（ＳＶＭ）、ｋ－ｍｅａｎｓクラスタリング、畳み込みニューラルネットワーク（ＣＮＮ）、リカレントニューラルネットワーク（ＲＮＮ）、生成的敵対的ネットワーク（ＧＡＮ）、またはナイーブベイズなどであり、種々の処理を行うことができるが、かかる例に限定されない。また、ＡＩは、ＡＩエージェントであってもよい。また、上述した各部の処理がＡＩで行われる場合、その処理は、ＡＩで一部または全部が行われるが、かかる例に限定されない。また、生成ＡＩを含むＡＩで実施される処理は、ルールベースでの処理に置き換えてもよく、ルールベースの処理は、生成ＡＩを含むＡＩで実施される処理に置き換えてもよい。

第３実施形態に係るデータ処理システム３１０は、第１実施形態に係るデータ処理システム１０と同様の処理を行う。データ処理システム３１０による処理は、データ処理装置１２の特定処理部２９０またはヘッドセット型端末３１４の制御部４６Ａによって実行されるが、データ処理装置１２の特定処理部２９０とヘッドセット型端末３１４の制御部４６Ａとによって実行されてもよい。また、データ処理装置１２の特定処理部２９０は、処理に必要な情報をヘッドセット型端末３１４または外部の装置などから取得したり収集したりし、ヘッドセット型端末３１４は、処理に必要な情報をデータ処理装置１２または外部の装置などから取得したり収集したりする。

上述した解析部、判定部、保存部、およびフィードバック部を含む複数の要素の各々は、例えば、ヘッドセット型端末３１４およびデータ処理装置１２のうちの少なくとも一方で実現される。例えば、解析部は、ヘッドセット型端末３１４のカメラ４２やマイクロフォン２３８を用いて患者の表情や口調を解析する。判定部は、例えば、データ処理装置１２の特定処理部２９０によって解析結果を基に意思決定の状態を判定する。保存部は、例えば、データ処理装置１２のストレージ３２に判定された意思を文書化し保存する。フィードバック部は、例えば、ヘッドセット型端末３１４の制御部４６Ａを用いて家族や医療スタッフからのフィードバックを受け取り、ＡＩがそのフィードバックを基に学習を行う。各部と装置や制御部との対応関係は、上述した例に限定されず、種々の変更が可能である。

［第４実施形態］
図７には、第４実施形態に係るデータ処理システム４１０の構成の一例が示されている。

図７に示すように、データ処理システム４１０は、データ処理装置１２およびロボット４１４を備えている。データ処理装置１２の一例としては、サーバが挙げられる。

データ処理装置１２は、コンピュータ２２、データベース２４、および通信Ｉ／Ｆ２６を備えている。コンピュータ２２は、プロセッサ２８、ＲＡＭ３０、およびストレージ３２を備えている。プロセッサ２８、ＲＡＭ３０、およびストレージ３２は、バス３４に接続されている。また、データベース２４および通信Ｉ／Ｆ２６も、バス３４に接続されている。通信Ｉ／Ｆ２６は、ネットワーク５４に接続されている。ネットワーク５４の一例としては、ＷＡＮおよび／またはＬＡＮなどが挙げられる。

ロボット４１４は、コンピュータ３６、マイクロフォン２３８、スピーカ２４０、カメラ４２、通信Ｉ／Ｆ４４、および制御対象４４３を備えている。コンピュータ３６は、プロセッサ４６、ＲＡＭ４８、およびストレージ５０を備えている。プロセッサ４６、ＲＡＭ４８、およびストレージ５０は、バス５２に接続されている。また、マイクロフォン２３８、スピーカ２４０、カメラ４２、および制御対象４４３も、バス５２に接続されている。

マイクロフォン２３８は、ユーザが発する音声を受け付けることで、ユーザから指示などを受け付ける。マイクロフォン２３８は、ユーザが発する音声を捕捉し、捕捉した音声を音声データに変換してプロセッサ４６に出力する。スピーカ２４０は、プロセッサ４６からの指示に従って音声を出力する。

カメラ４２は、レンズ、絞り、およびシャッタなどの光学系と、ＣＭＯＳイメージセンサまたはＣＣＤイメージセンサなどの撮像素子とが搭載された小型デジタルカメラであり、ユーザの周囲（例えば、一般的な健常者の視界の広さに相当する画角で規定された撮像範囲）を撮像する。

通信Ｉ／Ｆ４４は、ネットワーク５４に接続されている。通信Ｉ／Ｆ４４および２６は、ネットワーク５４を介してプロセッサ４６とプロセッサ２８との間の各種情報の授受を司る。通信Ｉ／Ｆ４４および２６を用いたプロセッサ４６とプロセッサ２８との間の各種情報の授受はセキュアな状態で行われる。

制御対象４４３は、表示装置、目部のＬＥＤ、並びに、腕、手および足などを駆動するモータなどを含む。ロボット４１４の姿勢や仕草は、腕、手および足などのモータを制御することにより制御される。ロボット４１４の感情の一部は、これらのモータを制御することにより表現できる。また、ロボット４１４の目部のＬＥＤの発光状態を制御することによっても、ロボット４１４の表情を表現できる。

図８には、データ処理装置１２およびロボット４１４の要部機能の一例が示されている。図８に示すように、データ処理装置１２では、プロセッサ２８によって特定処理が行われる。ストレージ３２には、特定処理プログラム５６が格納されている。

プロセッサ２８は、ストレージ３２から特定処理プログラム５６を読み出し、読み出した特定処理プログラム５６をＲＡＭ３０上で実行する。特定処理は、プロセッサ２８がＲＡＭ３０上で実行する特定処理プログラム５６に従って、特定処理部２９０として動作することによって実現される。

ストレージ３２には、データ生成モデル５８および感情特定モデル５９が格納されている。データ生成モデル５８および感情特定モデル５９は、特定処理部２９０によって用いられる。特定処理部２９０は、感情特定モデル５９を用いてユーザの感情を推定し、ユーザの感情を用いた特定処理を行うことができる。感情特定モデル５９を用いた感情推定機能（感情特定機能）では、ユーザの感情の推定や予測などを含め、ユーザの感情に関する種々の推定や予測などが行われるが、かかる例に限定されない。また、感情の推定や予測には、例えば、感情の分析（解析）なども含まれる。

ロボット４１４では、プロセッサ４６によって特定処理が行われる。ストレージ５０には、特定プログラム６０が格納されている。プロセッサ４６は、ストレージ５０から特定プログラム６０を読み出し、読み出した特定プログラム６０をＲＡＭ４８上で実行する。特定処理は、プロセッサ４６がＲＡＭ４８上で実行する特定プログラム６０に従って、制御部４６Ａとして動作することによって実現される。なお、ロボット４１４には、データ生成モデル５８および感情特定モデル５９と同様のデータ生成モデルおよび感情特定モデルを有し、これらモデルを用いて特定処理部２９０と同様の処理を行うこともできる。

なお、データ処理装置１２以外の他の装置がデータ生成モデル５８を有してもよい。例えば、サーバ装置がデータ生成モデル５８を有してもよい。この場合、データ処理装置１２は、データ生成モデル５８を有するサーバ装置と通信を行うことで、データ生成モデル５８が用いられた処理結果（予測結果など）を得る。また、データ処理装置１２は、サーバ装置であってもよいし、ユーザが保有する端末装置（例えば、携帯電話、ロボット、家電など）であってもよい。

特定処理部２９０は、特定処理の結果をロボット４１４に送信する。ロボット４１４では、制御部４６Ａが、スピーカ２４０および制御対象４４３に対して特定処理の結果を出力させる。マイクロフォン２３８は、特定処理の結果に対するユーザ入力を示す音声を取得する。制御部４６Ａは、マイクロフォン２３８によって取得されたユーザ入力を示す音声データをデータ処理装置１２に送信する。データ処理装置１２では、特定処理部２９０が音声データを取得する。

データ生成モデル５８は、いわゆる生成ＡＩである。データ生成モデル５８の一例としては、ＣｈａｔＧＰＴなどの生成ＡＩが挙げられる。データ生成モデル５８は、ニューラルネットワークに対して深層学習を行わせることによって得られる。データ生成モデル５８には、指示を含むプロンプトが入力され、かつ、音声を示す音声データ、テキストを示すテキストデータ、および画像を示す画像データ（例えば、静止画のデータまたは動画のデータ）などの推論用データが入力される。データ生成モデル５８は、入力された推論用データをプロンプトにより示される指示に従って推論し、推論結果を音声データ、テキストデータ、および画像データなどのうちの１以上のデータ形式で出力する。データ生成モデル５８は、例えば、テキスト生成ＡＩ、画像生成ＡＩ、マルチモーダル生成ＡＩなどを含む。ここで、推論とは、例えば、分析、分類、予測、および／または要約などを指す。特定処理部２９０は、データ生成モデル５８を用いながら、上述した特定処理を行う。データ生成モデル５８は、指示を含まないプロンプトから推論結果を出力するように、ファインチューニングされたモデルであってもよく、この場合、データ生成モデル５８は、指示を含まないプロンプトから推論結果を出力することができる。データ処理装置１２などにおいて、データ生成モデル５８は複数種類含まれており、データ生成モデル５８は、生成ＡＩ以外のＡＩを含む。生成ＡＩ以外のＡＩは、例えば、線形回帰、ロジスティック回帰、決定木、ランダムフォレスト、サポートベクターマシン（ＳＶＭ）、ｋ－ｍｅａｎｓクラスタリング、畳み込みニューラルネットワーク（ＣＮＮ）、リカレントニューラルネットワーク（ＲＮＮ）、生成的敵対的ネットワーク（ＧＡＮ）、またはナイーブベイズなどであり、種々の処理を行うことができるが、かかる例に限定されない。また、ＡＩは、ＡＩエージェントであってもよい。また、上述した各部の処理がＡＩで行われる場合、その処理は、ＡＩで一部または全部が行われるが、かかる例に限定されない。また、生成ＡＩを含むＡＩで実施される処理は、ルールベースでの処理に置き換えてもよく、ルールベースの処理は、生成ＡＩを含むＡＩで実施される処理に置き換えてもよい。

第４実施形態に係るデータ処理システム４１０は、第１実施形態に係るデータ処理システム１０と同様の処理を行う。データ処理システム４１０による処理は、データ処理装置１２の特定処理部２９０またはロボット４１４の制御部４６Ａによって実行されるが、データ処理装置１２の特定処理部２９０とロボット４１４の制御部４６Ａとによって実行されてもよい。また、データ処理装置１２の特定処理部２９０は、処理に必要な情報をロボット４１４または外部の装置などから取得したり収集したりし、ロボット４１４は、処理に必要な情報をデータ処理装置１２または外部の装置などから取得したり収集したりする。

上述した解析部、判定部、保存部、およびフィードバック部を含む複数の要素の各々は、例えば、ロボット４１４およびデータ処理装置１２のうちの少なくとも一方で実現される。例えば、解析部は、ロボット４１４のカメラ４２やマイクロフォン２３８を用いて患者の表情や口調を解析する。判定部は、例えば、データ処理装置１２の特定処理部２９０によって解析結果を基に意思決定の状態を判定する。保存部は、例えば、データ処理装置１２のストレージ３２に判定された意思を文書化し保存する。フィードバック部は、例えば、ロボット４１４の制御部４６Ａを用いて家族や医療スタッフからのフィードバックを受け取り、ＡＩがそのフィードバックを基に学習を行う。各部と装置や制御部との対応関係は、上述した例に限定されず、種々の変更が可能である。

なお、感情エンジンとしての感情特定モデル５９は、特定のマッピングに従い、ユーザの感情を決定してよい。具体的には、感情特定モデル５９は、特定のマッピングである感情マップ（図９参照）に従い、ユーザの感情を決定してよい。また、感情特定モデル５９は、同様に、ロボットの感情を決定し、特定処理部２９０は、ロボットの感情を用いた特定処理を行うようにしてもよい。

図９は、複数の感情がマッピングされる感情マップ４００を示す図である。感情マップ４００において、感情は、中心から放射状に同心円に配置されている。同心円の中心に近いほど、原始的状態の感情が配置されている。同心円のより外側には、心境から生まれる状態や行動を表す感情が配置されている。感情とは、情動や心的状態も含む概念である。同心円の左側には、概して脳内で起きる反応から生成される感情が配置されている。同心円の右側には概して、状況判断で誘導される感情が配置されている。同心円の上方向および下方向には、概して脳内で起きる反応から生成され、かつ、状況判断で誘導される感情が配置されている。また、同心円の上側には、「快」の感情が配置され、下側には、「不快」の感情が配置されている。このように、感情マップ４００では、感情が生まれる構造に基づいて複数の感情がマッピングされており、同時に生じやすい感情が、近くにマッピングされている。

これらの感情は、感情マップ４００の３時の方向に分布しており、普段は安心と不安のあたりを行き来する。感情マップ４００の右半分では、内部的な感覚よりも状況認識の方が優位に立つため、落ち着いた印象になる。

感情マップ４００の内側は心の中、感情マップ４００の外側は行動を表すため、感情マップ４００の外側に行くほど、感情が目に見える（行動に表れる）ようになる。

ここで、人の感情は、姿勢や血糖値のような様々なバランスを基礎としており、それらのバランスが理想から遠ざかると不快、理想に近づくと快という状態を示す。ロボットや自動車やバイクなどにおいても、姿勢やバッテリー残量のような様々なバランスを基礎として、それらのバランスが理想から遠ざかると不快、理想に近づくと快という状態を示すように感情を作ることができる。感情マップは、例えば、光吉博士の感情地図（音声感情認識および情動の脳生理信号分析システムに関する研究、徳島大学、博士論文：https://ci.nii.ac.jp/naid/500000375379）に基づいて生成されてよい。感情地図の左半分には、感覚が優位にたつ「反応」と呼ばれる領域に属する感情が並ぶ。また、感情地図の右半分には、状況認識が優位にたつ「状況」と呼ばれる領域に属する感情が並ぶ。

感情マップでは学習を促す感情が２つ定義される。１つは、状況側にあるネガティブな「懺悔」や「反省」の真ん中周辺の感情である。つまり、「もう２度とこんな想いはしたくない」「もう叱られたくない」というネガティブな感情がロボットに生じたときである。もう１つは、反応側にあるポジティブな「欲」のあたりの感情である。つまり、「もっと欲しい」「もっと知りたい」というポジティブな気持ちのときである。

感情特定モデル５９は、ユーザ入力を、予め学習されたニューラルネットワークに入力し、感情マップ４００に示す各感情を示す感情値を取得し、ユーザの感情を決定する。このニューラルネットワークは、ユーザ入力と、感情マップ４００に示す各感情を示す感情値との組み合わせである複数の学習データに基づいて予め学習されたものである。また、このニューラルネットワークは、図１０に示す感情マップ９００のように、近くに配置されている感情同士は、近い値を持つように学習される。図１０では、「安心」、「安穏」、「心強い」という複数の感情が、近い感情値となる例を示している。

上記実施形態では、１台のコンピュータ２２によって特定処理が行われる形態例を挙げたが、本開示の技術はこれに限定されず、コンピュータ２２を含めた複数のコンピュータによる特定処理に対する分散処理が行われるようにしてもよい。

上記実施形態では、ストレージ３２に特定処理プログラム５６が格納されている形態例を挙げて説明したが、本開示の技術はこれに限定されない。例えば、特定処理プログラム５６がＵＳＢ（Universal Serial Bus）メモリなどの可搬型のコンピュータ読み取り可能な非一時的格納媒体に格納されていてもよい。非一時的格納媒体に格納されている特定処理プログラム５６は、データ処理装置１２のコンピュータ２２にインストールされる。プロセッサ２８は、特定処理プログラム５６に従って特定処理を実行する。

また、ネットワーク５４を介してデータ処理装置１２に接続されるサーバなどの格納装置に特定処理プログラム５６を格納させておき、データ処理装置１２の要求に応じて特定処理プログラム５６がダウンロードされ、コンピュータ２２にインストールされるようにしてもよい。

なお、ネットワーク５４を介してデータ処理装置１２に接続されるサーバなどの格納装置に特定処理プログラム５６の全てを格納させておいたり、ストレージ３２に特定処理プログラム５６の全てを記憶させたりしておく必要はなく、特定処理プログラム５６の一部を格納させておいてもよい。

特定処理を実行するハードウェア資源としては、次に示す各種のプロセッサを用いることができる。プロセッサとしては、例えば、ソフトウェア、すなわち、プログラムを実行することで、特定処理を実行するハードウェア資源として機能する汎用的なプロセッサであるＣＰＵが挙げられる。また、プロセッサとしては、例えば、ＦＰＧＡ（Field-Programmable Gate Array）、ＰＬＤ（Programmable Logic Device）、またはＡＳＩＣ（Application Specific Integrated Circuit）などの特定の処理を実行させるために専用に設計された回路構成を有するプロセッサである専用電気回路が挙げられる。何れのプロセッサにもメモリが内蔵または接続されており、何れのプロセッサもメモリを使用することで特定処理を実行する。

特定処理を実行するハードウェア資源は、これらの各種のプロセッサのうちの１つで構成されてもよいし、同種または異種の２つ以上のプロセッサの組み合わせ（例えば、複数のＦＰＧＡの組み合わせ、またはＣＰＵとＦＰＧＡとの組み合わせ）で構成されてもよい。また、特定処理を実行するハードウェア資源は１つのプロセッサであってもよい。

１つのプロセッサで構成する例としては、第１に、１つ以上のＣＰＵとソフトウェアの組み合わせで１つのプロセッサを構成し、このプロセッサが、特定処理を実行するハードウェア資源として機能する形態がある。第２に、ＳｏＣ（System-on-a-chip）などに代表されるように、特定処理を実行する複数のハードウェア資源を含むシステム全体の機能を１つのＩＣチップで実現するプロセッサを使用する形態がある。このように、特定処理は、ハードウェア資源として、上記各種のプロセッサの１つ以上を用いて実現される。

更に、これらの各種のプロセッサのハードウェア的な構造としては、より具体的には、半導体素子などの回路素子を組み合わせた電気回路を用いることができる。また、上記の特定処理はあくまでも一例である。従って、主旨を逸脱しない範囲内において不要なステップを削除したり、新たなステップを追加したり、処理順序を入れ替えたりしてもよいことは言うまでもない。

また、上述した例では、第１実施形態から第４実施形態に分けて説明したが、これらの実施形態の一部または全部は組み合わされてもよい。また、スマートデバイス１４、スマート眼鏡２１４、ヘッドセット型端末３１４、およびロボット４１４は一例であって、それぞれを組み合わせてもよく、それ以外の装置であってもよい。また、上述した例では、形態例１と形態例２に分けて説明したが、これらは組み合わせてもよい。

以上に示した記載内容および図示内容は、本開示の技術に係る部分についての詳細な説明であり、本開示の技術の一例に過ぎない。例えば、上記の構成、機能、作用、および効果に関する説明は、本開示の技術に係る部分の構成、機能、作用、および効果の一例に関する説明である。よって、本開示の技術の主旨を逸脱しない範囲内において、以上に示した記載内容および図示内容に対して、不要な部分を削除したり、新たな要素を追加したり、置き換えたりしてもよいことは言うまでもない。また、錯綜を回避し、本開示の技術に係る部分の理解を容易にするために、以上に示した記載内容および図示内容では、本開示の技術の実施を可能にする上で特に説明を要しない技術常識等に関する説明は省略されている。

本明細書に記載された全ての文献、特許出願および技術規格は、個々の文献、特許出願および技術規格が参照により取り込まれることが具体的かつ個々に記された場合と同程度に、本明細書中に参照により取り込まれる。

（付記１）
患者の表情または口調を解析する解析部と、
前記解析部によって解析された結果を基に意思決定の状態を判定する判定部と、
前記判定部によって判定された意思を文書化し保存する保存部と、
前記保存部によって保存された文書を基にフィードバックを受け取るフィードバック部と、を備える
ことを特徴とするシステム。
（付記２）
前記解析部は、
表情解析方法を用いて表情を解析する
ことを特徴とする付記１に記載のシステム。
（付記３）
前記解析部は、
口調解析方法を用いて口調を解析する
ことを特徴とする付記１に記載のシステム。
（付記４）
前記判定部は、
前記意思決定の状態をＡＩが判定し、
前記フィードバック部は、
家族または医療スタッフからのフィードバックを受け取り、そのフィードバックを基に前記ＡＩが学習を行う
ことを特徴とする付記１に記載のシステム。
（付記５）
前記保存部は、
判定された意思をデジタル形式で保存する
ことを特徴とする付記１に記載のシステム。
（付記６）
前記判定部は、
解析結果に基づいて意思決定の状態を判定する
ことを特徴とする付記１に記載のシステム。
（付記７）
前記解析部は、
患者の感情を推定し、推定した感情に基づいて表情や口調の解析精度を調整する
ことを特徴とする付記１に記載のシステム。
（付記８）
前記解析部は、
患者の過去の表情や口調のデータを参照し、解析アルゴリズムを最適化する
ことを特徴とする付記１に記載のシステム。
（付記９）
前記解析部は、
表情または口調の解析時に、患者の現在の健康状態または環境要因を考慮して解析を行う
ことを特徴とする付記１に記載のシステム。
（付記１０）
前記解析部は、
患者の感情を推定し、推定した感情に基づいて解析結果の優先順位を決定する
ことを特徴とする付記１に記載のシステム。
（付記１１）
前記解析部は、
表情または口調の解析時に、患者の地理的位置情報を基に解析を行う
ことを特徴とする付記１に記載のシステム。
（付記１２）
前記解析部は、
表情や口調の解析時に、患者のソーシャルメディア活動を分析し、関連するデータを取得する
ことを特徴とする付記１に記載のシステム。
（付記１３）
前記判定部は、
患者の感情を推定し、推定した感情に基づいて意思決定の状態を判定する
ことを特徴とする付記１に記載のシステム。
（付記１４）
前記判定部は、
判定時に、患者の過去の意思決定履歴を参照して判定アルゴリズムを最適化する
ことを特徴とする付記１に記載のシステム。
（付記１５）
前記判定部は、
判定時に、患者の現在の生活状況または関心分野を考慮して意思決定の状態を判定する
ことを特徴とする付記１に記載のシステム。
（付記１６）
前記判定部は、
患者の感情を推定し、推定した感情に基づいて判定結果の表示方法を調整する
ことを特徴とする付記１に記載のシステム。
（付記１７）
前記判定部は、
判定時に、患者の地理的位置情報を基に意思決定の状態を判定する
ことを特徴とする付記１に記載のシステム。
（付記１８）
前記判定部は、
判定時に、患者のソーシャルメディア活動を分析し、関連するデータを参照して意思決定の状態を判定する
ことを特徴とする付記１に記載のシステム。
（付記１９）
前記保存部は、
患者の感情を推定し、推定した感情に基づいて保存する文書の形式を調整する
ことを特徴とする付記１に記載のシステム。
（付記２０）
前記保存部は、
保存時に、患者の過去の意思決定履歴を参照して保存アルゴリズムを最適化する
ことを特徴とする付記１に記載のシステム。
（付記２１）
前記保存部は、
保存時に、患者の現在の生活状況または関心分野を考慮して文書を保存する
ことを特徴とする付記１に記載のシステム。
（付記２２）
前記保存部は、
患者の感情を推定し、推定した感情に基づいて保存する文書の優先順位を決定する
ことを特徴とする付記１に記載のシステム。
（付記２３）
前記保存部は、
保存時に、患者の地理的位置情報を基に文書を保存する
ことを特徴とする付記１に記載のシステム。
（付記２４）
前記保存部は、
保存時に、患者のソーシャルメディア活動を分析し、関連するデータを参照して文書を保存する
ことを特徴とする付記１に記載のシステム。
（付記２５）
前記フィードバック部は、
患者の感情を推定し、推定した感情に基づいてフィードバックの内容を調整する
ことを特徴とする付記１に記載のシステム。
（付記２６）
前記フィードバック部は、
フィードバック時に、家族や医療スタッフの過去のフィードバック履歴を参照してフィードバックアルゴリズムを最適化する
ことを特徴とする付記１に記載のシステム。
（付記２７）
前記フィードバック部は、
フィードバック時に、患者の現在の生活状況または関心分野を考慮してフィードバックを行う
ことを特徴とする付記１に記載のシステム。
（付記２８）
前記フィードバック部は、
患者の感情を推定し、推定した感情に基づいてフィードバックの優先順位を決定する
ことを特徴とする付記１に記載のシステム。
（付記２９）
前記フィードバック部は、
フィードバック時に、患者の地理的位置情報を基にフィードバックを行う
ことを特徴とする付記１に記載のシステム。
（付記３０）
前記フィードバック部は、
フィードバック時に、患者のソーシャルメディア活動を分析し、関連するデータを参照してフィードバックを行う
ことを特徴とする付記１に記載のシステム。

１０、２１０、３１０、４１０ データ処理システム
１２ データ処理装置
１４ スマートデバイス
２１４ スマート眼鏡
３１４ ヘッドセット型端末
４１４ ロボット

Claims (7)

1. 患者の表情または口調に関する生体データを取得し、取得された前記生体データに基づいて前記患者の感情を推定し、推定した感情に応じて表情や口調の解析アルゴリズムにおける解析精度を調整する解析部と、
   前記解析部によって解析された結果を基に患者の意思が肯定的であるか否定的であるかを判定する判定部と、
   前記判定部によって判定された意思を、テキスト形式または音声形式で文書化し、クラウドストレージにデジタルデータとして保存する保存部と、
   前記保存部によって保存された文書を基に家族または医療スタッフからのフィードバックを受け取り、前記フィードバックを基に前記解析部の解析アルゴリズムおよび前記判定部の判定アルゴリズムがＡＩ学習を行うフィードバック部と、を備える
   ことを特徴とするシステム。
2. 前記保存部は、
   判定された意思をＰＤＦ形式、テキスト形式、または音声形式のいずれかのデジタル形式で保存し、
   保存された文書には、患者の表情、口調、および推定された感情に関する解析結果、ならびに意思決定の判定根拠に関するメタデータが付加される
   ことを特徴とする請求項１に記載のシステム。
3. 前記解析部は、
   前記患者の表情または口調の解析時に、前記患者の地理的位置情報を基に、自宅、病院、または公園といった環境に応じた解析パラメータを自動的に選択して解析を行う
   ことを特徴とする請求項１に記載のシステム。
4. 前記解析部は、
   前記患者の感情を推定し、推定した感情に基づいて表情や口調の解析精度を調整するに際し、前記感情がリラックス状態である場合には微細な変化をより詳細に解析し、前記感情が緊張状態である場合には大きな変化を優先的に解析する
   ことを特徴とする請求項１に記載のシステム。
5. 前記解析部は、
   前記患者の過去の表情や口調のデータを参照し、解析アルゴリズムを最適化するに際し、前記患者の過去の笑顔のデータに基づいて現在の笑顔の解析精度を向上させ、または過去の怒りの表情データに基づいて現在の怒りの表情の解析精度を向上させる
   ことを特徴とする請求項１に記載のシステム。
6. 前記解析部は、
   表情または口調の解析時に、患者の現在の健康状態または環境要因を考慮して、患者が疲れている場合には表情や口調の変化をより慎重に解析し、または環境音の有無に応じて口調の解析方法を調整し、光の影響に応じて表情の解析方法を調整する解析を行う
   ことを特徴とする請求項１に記載のシステム。
7. 前記解析部は、前記患者の感情を推定し、推定した感情に基づいて解析結果の優先順位を決定するに際し、前記患者が悲しんでいる場合には悲しみの解析結果を優先的に表示し、または喜んでいる場合には喜びの解析結果を優先的に表示する
   ことを特徴とする請求項１に記載のシステム。