JPWO2019221252A1 - 情報処理装置、情報処理方法およびプログラム - Google Patents
情報処理装置、情報処理方法およびプログラム Download PDFInfo
- Publication number
- JPWO2019221252A1 JPWO2019221252A1 JP2020519931A JP2020519931A JPWO2019221252A1 JP WO2019221252 A1 JPWO2019221252 A1 JP WO2019221252A1 JP 2020519931 A JP2020519931 A JP 2020519931A JP 2020519931 A JP2020519931 A JP 2020519931A JP WO2019221252 A1 JPWO2019221252 A1 JP WO2019221252A1
- Authority
- JP
- Japan
- Prior art keywords
- data
- animal
- person
- unit
- information processing
- 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.)
- Granted
Links
- 230000010365 information processing Effects 0.000 title claims abstract description 50
- 238000003672 processing method Methods 0.000 title claims abstract description 10
- 241001465754 Metazoa Species 0.000 claims abstract description 71
- 208000024891 symptom Diseases 0.000 claims abstract description 64
- 206010012289 Dementia Diseases 0.000 claims abstract description 62
- 230000003542 behavioural effect Effects 0.000 claims abstract description 44
- 230000006399 behavior Effects 0.000 claims abstract description 38
- 230000007613 environmental effect Effects 0.000 claims abstract description 38
- 230000006870 function Effects 0.000 claims abstract description 38
- 238000004458 analytical method Methods 0.000 claims abstract description 37
- 238000011156 evaluation Methods 0.000 claims abstract description 22
- 238000000611 regression analysis Methods 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 55
- 230000010485 coping Effects 0.000 claims description 26
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000009795 derivation Methods 0.000 claims description 11
- 230000036387 respiratory rate Effects 0.000 claims description 10
- 238000013135 deep learning Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000013500 data storage Methods 0.000 claims description 7
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 230000036760 body temperature Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000012417 linear regression Methods 0.000 claims description 3
- 208000036574 Behavioural and psychiatric symptoms of dementia Diseases 0.000 abstract description 5
- 238000013473 artificial intelligence Methods 0.000 description 18
- 238000012545 processing Methods 0.000 description 18
- 230000007774 longterm Effects 0.000 description 10
- 230000007958 sleep Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000029142 excretion Effects 0.000 description 6
- 230000000737 periodic effect Effects 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 4
- 239000000090 biomarker Substances 0.000 description 3
- 238000007418 data mining Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 235000012054 meals Nutrition 0.000 description 3
- 238000003058 natural language processing Methods 0.000 description 3
- 241000282412 Homo Species 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 208000013404 behavioral symptom Diseases 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 235000021152 breakfast Nutrition 0.000 description 2
- 230000001066 destructive effect Effects 0.000 description 2
- 235000021156 lunch Nutrition 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000008452 non REM sleep Effects 0.000 description 2
- 230000036385 rapid eye movement (rem) sleep Effects 0.000 description 2
- 230000029058 respiratory gaseous exchange Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 208000000044 Amnesia Diseases 0.000 description 1
- 206010012239 Delusion Diseases 0.000 description 1
- 206010016334 Feeling hot Diseases 0.000 description 1
- 206010024264 Lethargy Diseases 0.000 description 1
- 208000026139 Memory disease Diseases 0.000 description 1
- 206010039740 Screaming Diseases 0.000 description 1
- 230000009118 appropriate response Effects 0.000 description 1
- 230000037007 arousal Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 231100000868 delusion Toxicity 0.000 description 1
- 230000000994 depressogenic effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002651 drug therapy Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000008909 emotion recognition Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000006984 memory degeneration Effects 0.000 description 1
- 208000023060 memory loss Diseases 0.000 description 1
- 230000027939 micturition Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 238000010827 pathological analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 230000004622 sleep time Effects 0.000 description 1
- 235000011888 snacks Nutrition 0.000 description 1
- 235000021163 supper Nutrition 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 210000002700 urine Anatomy 0.000 description 1
- 230000002618 waking effect Effects 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 230000036642 wellbeing Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B10/00—Other methods or instruments for diagnosis, e.g. instruments for taking a cell sample, for biopsy, for vaccination diagnosis; Sex determination; Ovulation-period determination; Throat striking implements
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7282—Event detection, e.g. detecting unique waveforms indicative of a medical condition
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Data Mining & Analysis (AREA)
- Neurology (AREA)
- Signal Processing (AREA)
- Developmental Disabilities (AREA)
- Cardiology (AREA)
- Psychology (AREA)
- Hospice & Palliative Care (AREA)
- Child & Adolescent Psychology (AREA)
- Pulmonology (AREA)
- Neurosurgery (AREA)
- Educational Technology (AREA)
- Social Psychology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
人または動物の認知症に関する予測を容易かつ的確に行うことができる情報処理装置、情報処理方法およびプログラムを提供する。情報処理装置１０は、人または動物の周囲の環境データと、生体データ、行動データ、画像又は映像データおよび音声データの群から選択される少なくとも１種を取得するデータ取得部４０と、データ取得部４０が取得したデータに基づき、認知症における行動・心理症状（ＢＰＳＤ）の発症またはその発症時期を予測する予測部３０ｂとを含む。予測部３０ｂは、推論分析、回帰分析、ＨｏｔＳｐｏｔ分析、近接間分析および時空間分析の少なくとも１種を用いて、ＢＰＳＤに関する予測を行うことができる。予測部３０ｂのＢＰＳＤに関する予測と、ＢＰＳＤとの差を評価し、その評価結果に基づき関数または分類器の学習を行う学習部３０ｃを含む。
Description
本発明は、認知症の予測に関する情報処理装置、情報処理方法およびプログラムに関する。
認知症の診断を支援する装置が提案されている（特許文献１参照）。
本発明の目的は、人または動物の認知症の発症に関する予測を容易かつ的確に行うことができる情報処理装置、情報処理方法およびプログラムを提供することにある。
１．情報処理装置
本発明の情報処理装置は、
人または動物の周囲の環境データと、前記人または動物の生体データ、前記人または動物の行動データ、前記人または動物の画像又は映像データおよび前記人または動物の音声データの群から選択される少なくとも１種を取得するデータ取得部と、
前記データ取得部が取得したデータに基づき、前記人または動物の認知症における行動・心理症状の発症またはその発症時期を予測する予測部とを含む。
本発明の情報処理装置は、
人または動物の周囲の環境データと、前記人または動物の生体データ、前記人または動物の行動データ、前記人または動物の画像又は映像データおよび前記人または動物の音声データの群から選択される少なくとも１種を取得するデータ取得部と、
前記データ取得部が取得したデータに基づき、前記人または動物の認知症における行動・心理症状の発症またはその発症時期を予測する予測部とを含む。
本発明において、
前記予測部は、推論分析、回帰分析、ＨｏｔＳｐｏｔ分析、近接間分析および時空間分析の少なくとも１種を用いて、前記人または動物の認知症における行動・心理症状に関する予測を行うことができる。
前記予測部は、推論分析、回帰分析、ＨｏｔＳｐｏｔ分析、近接間分析および時空間分析の少なくとも１種を用いて、前記人または動物の認知症における行動・心理症状に関する予測を行うことができる。
本発明において、
前記データ取得部が取得したデータを指標化するための指標化部を含み、
前記予測部は、前記指標化部で指標化された指標値を入力して、前記人または動物の認知症における行動・心理症状に関する予測値を出力する関数または分類器を用いて予測が行われることができる。
前記データ取得部が取得したデータを指標化するための指標化部を含み、
前記予測部は、前記指標化部で指標化された指標値を入力して、前記人または動物の認知症における行動・心理症状に関する予測値を出力する関数または分類器を用いて予測が行われることができる。
本発明において、前記分類器は、ＳＶＭ（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ）、ニューラルネットワークまたは線形回帰モデルであることができる。
本発明において、前記予測部の前記人または動物の認知症における行動・心理症状に関する予測と、実際の前記人または動物の行動・心理症状との差を評価し、その評価結果に基づき前記関数または分類器の学習を行う学習部を含むことができる。
本発明において、前記学習部は、前記予測部が予測した前記人または動物の認知症における行動・心理症状に関する予測と、実際の前記人または動物の行動・心理症状との差を評価し、
前記予測部の前記人または動物の認知症における行動・心理症状に関する予測と、実際の前記人または動物の行動・心理症状との差の評価内容と、前記データ取得部が取得したデータに関する情報との関連においてディープラーニングにより前記関数または分類器の学習を行うことができる。
前記予測部の前記人または動物の認知症における行動・心理症状に関する予測と、実際の前記人または動物の行動・心理症状との差の評価内容と、前記データ取得部が取得したデータに関する情報との関連においてディープラーニングにより前記関数または分類器の学習を行うことができる。
本発明において、前記関数は、前記データ取得部が取得したデータに関する数値に係るパラメータと、係数とを含んで構成され、
前記学習部は、前記係数をディープラーニングにより調整することができる。
前記学習部は、前記係数をディープラーニングにより調整することができる。
本発明において、
前記データ取得部は、前記環境データと前記生体データとを取得し、
前記環境データは、前記人または動物の周囲の気温および湿度を含み
前記生体データは、前記人または動物の脈拍、呼吸数および体温を含むことができる。
前記データ取得部は、前記環境データと前記生体データとを取得し、
前記環境データは、前記人または動物の周囲の気温および湿度を含み
前記生体データは、前記人または動物の脈拍、呼吸数および体温を含むことができる。
本発明において、前記環境データおよび前記生体データと、前記環境データおよび前記生体データと対応する前記人または動物の認知症における行動・心理症状に関する情報とが関連づけて記憶されているデータ記憶部を含むことができる。
本発明において、前記環境データおよび前記生体データと、前記環境データおよび前記生体データと対応する前記人または動物の認知症における行動・心理症状に関する情報とが関連づけて構成された相関表が記憶されている記憶部を含むことができる。
本発明において、前記予測部が予測した前記人または動物の認知症における行動・心理症状に関する予測内容に基づき、対処方法を生成または選択する対処方法導出部を含むことができる。
本発明において、前記実際の前記人または動物の行動・心理症状は、行動・心理症状判断部により判断アルゴリズムにしたがって判断され、
前記学習部は、前記行動・心理症状判断部による判断結果と、実際に人が判断した前記人または動物の行動・心理症状の判断結果との差を評価し、その評価結果に基づき前記判断アルゴリズムの学習を行うことができる。
前記学習部は、前記行動・心理症状判断部による判断結果と、実際に人が判断した前記人または動物の行動・心理症状の判断結果との差を評価し、その評価結果に基づき前記判断アルゴリズムの学習を行うことができる。
２．情報処理方法
本発明の情報処理方法は、
データ取得部が、人または動物の周囲の環境データと、前記人または動物の生体データ、前記人または動物の行動データ、前記人または動物の画像又は映像データおよび前記人または動物の音声データの群から選択される少なくとも１種を取得する工程と、
予測部が、前記データ取得部が取得したデータに基づき、前記人または動物の認知症における行動・心理症状の発症またはその発症時期を予測する工程とを含む。
本発明の情報処理方法は、
データ取得部が、人または動物の周囲の環境データと、前記人または動物の生体データ、前記人または動物の行動データ、前記人または動物の画像又は映像データおよび前記人または動物の音声データの群から選択される少なくとも１種を取得する工程と、
予測部が、前記データ取得部が取得したデータに基づき、前記人または動物の認知症における行動・心理症状の発症またはその発症時期を予測する工程とを含む。
３．プログラム
本発明のプログラムは、
コンピュータに
データ取得部が、人または動物の周囲の環境データと、前記人または動物の生体データ、前記人または動物の行動データ、前記人または動物の画像又は映像データおよび前記人または動物の音声データの群から選択される少なくとも１種を取得するステップと、
予測部が、前記データ取得部が取得したデータに基づき、前記人または動物の認知症における行動・心理症状の発症またはその発症時期を予測するステップとを実行させるためのものである。
本発明のプログラムは、
コンピュータに
データ取得部が、人または動物の周囲の環境データと、前記人または動物の生体データ、前記人または動物の行動データ、前記人または動物の画像又は映像データおよび前記人または動物の音声データの群から選択される少なくとも１種を取得するステップと、
予測部が、前記データ取得部が取得したデータに基づき、前記人または動物の認知症における行動・心理症状の発症またはその発症時期を予測するステップとを実行させるためのものである。
ＢＰＳＤの発症または発症の時期を予測して、早期の対処により、ＢＰＳＤの発症を未然に防ぎ、ＢＰＳＤの発生自体を大幅に減らすことを可能にする。ＢＰＳＤを事前に予測することができるため、介護者の負担を減らすことができる。
以下、本発明の好適な実施の形態について図面を参照しながら説明する。
人の認知症における行動・心理症状に関する予測を例にとり、実施の形態について説明する。以下では、人の認知症における行動・心理症状を単に「ＢＰＳＤ」という。
１．情報処理装置の概要
（１）情報処理装置
情報処理装置１０は、図１に示すように、データを取得する機能Ｆ１と、そのデータを指標化する機能Ｆ２と、予測アルゴリズムに基づきＢＰＳＤ（人の認知症における行動・心理症状）の発症の可能性および内容ならびに発症の時期の予測を行う機能Ｆ３と、ＢＰＳＤに関する予測結果を出力する機能Ｆ４と、予測したＢＰＳＤの対処方法の生成・出力をする機能Ｆ５と、ＢＰＳＤが発症したかどうかを判断する機能Ｆ６と、症状の確認・実行後に検証する機能Ｆ７と、検証結果に基づき、予測アルゴリズムの学習を行う機能Ｆ７とを含む。
１．情報処理装置の概要
（１）情報処理装置
情報処理装置１０は、図１に示すように、データを取得する機能Ｆ１と、そのデータを指標化する機能Ｆ２と、予測アルゴリズムに基づきＢＰＳＤ（人の認知症における行動・心理症状）の発症の可能性および内容ならびに発症の時期の予測を行う機能Ｆ３と、ＢＰＳＤに関する予測結果を出力する機能Ｆ４と、予測したＢＰＳＤの対処方法の生成・出力をする機能Ｆ５と、ＢＰＳＤが発症したかどうかを判断する機能Ｆ６と、症状の確認・実行後に検証する機能Ｆ７と、検証結果に基づき、予測アルゴリズムの学習を行う機能Ｆ７とを含む。
（２）ＢＰＳＤ（認知症の行動・心理症状）
行動症状とは、観察によって明らかにされる症状である。行動症状の評価項目として、たとえば、徘徊、危険な操作、隠蔽、仮性作業、トラブル、収集、叫び・興奮を挙げることができる。心理症状とは、面談によって明らかにされる症状である。心理症状の評価項目として、たとえば、抑うつ、妄想などを挙げることができる。行動・心理症状は、人によって出たりで出なかったりするものである。
行動症状とは、観察によって明らかにされる症状である。行動症状の評価項目として、たとえば、徘徊、危険な操作、隠蔽、仮性作業、トラブル、収集、叫び・興奮を挙げることができる。心理症状とは、面談によって明らかにされる症状である。心理症状の評価項目として、たとえば、抑うつ、妄想などを挙げることができる。行動・心理症状は、人によって出たりで出なかったりするものである。
２．情報処理装置の構成
（１）情報処理装置の機能的構成
情報処理装置１０は、図２に示すように、通信ネットワーク（たとえばインターネット）を介して、種々の通信ネットワークに接続したデバイスと接続されている。デバイスとしては、たとえば、種々のＩｏＴセンサを適用でき、具体的には、環境センサ６０ａ、生体センサ６０ｂ、カメラ６０ｃ、マイク６０ｄ、位置検出センサ（ＢＬＥタグなど）６０ｅ、ドア開閉センサ６０ｆ、膀胱内尿量センサ６０ｇなど
を挙げることができる。
（１）情報処理装置の機能的構成
情報処理装置１０は、図２に示すように、通信ネットワーク（たとえばインターネット）を介して、種々の通信ネットワークに接続したデバイスと接続されている。デバイスとしては、たとえば、種々のＩｏＴセンサを適用でき、具体的には、環境センサ６０ａ、生体センサ６０ｂ、カメラ６０ｃ、マイク６０ｄ、位置検出センサ（ＢＬＥタグなど）６０ｅ、ドア開閉センサ６０ｆ、膀胱内尿量センサ６０ｇなど
を挙げることができる。
情報処理装置１０は、図３に示すように、データ取得部４０と、処理部３０と、データ取得部４０と、記憶部２０とを含む。
データ取得部４０は、人の周囲の環境データと、人の生体データ、人の行動データ、人の画像又は映像データおよび人の音声データの群から選択される少なくとも１種を取得する。データ取得部４０は、たとえば、環境データと生体データとを取得し、環境データは、人の周囲の気温および湿度を含み、生体データは、人の脈拍、呼吸数および体温を含むことができる。
処理部３０は、指標化部３０ａと、予測部３０ｂと、学習部３０ｃと、対処方法導出部３０ｄとを、ＢＰＳＤ判断部３０ｅとを含む。
指標化部３０ａは、データ取得部４０が取得したデータを指標化するためのものである。
予測部３０ｂは、データ取得部４０が取得したデータに基づき、ＢＰＳＤの発症またはその発症時期を予測する。予測部３０ｂは、推論分析、回帰分析、ＨｏｔＳｐｏｔ分析、近接間分析および時空間分析の少なくとも１種を用いて、ＢＰＳＤに関する予測するものとすることができる。
予測部３０ｂは、指標化部３０ａで指標化された指標値を入力して、ＢＰＳＤに関する予測値を出力する関数２０ａまたは分類器２０ｂの少なくとも一方を用いて予測を行うことができる。
分類器２０ｂは、ＳＶＭ（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ）、ニューラルネットワークまたは線形回帰モデルとすることができる。関数２０ａは、データ取得部４０が取得したデータに関する数値に係るパラメータと、係数とを含んで構成されることができる。ニューラルネットワークは、たとえば、図９に示すように、入力層、中間層および出力層からなる３層フィードフォワード型ニューラルネットワークとすることができる。
学習部３０ｃは、予測部３０ｂのＢＰＳＤに関する予測と、実際の人の行動・心理症状との差を評価し、その評価結果に基づき関数２０ａまたは分類器２０ｂの少なくとも一方の学習を行う。学習部３０ｃは、機械学習アルゴリズムに供給して、関数２０ａまたは分類器２０ｂの学習を行うことができる。具体的には、学習部３０ｃは、予測部３０ｂが予測したＢＰＳＤに関する予測と、実際の人の行動・心理症状との差を評価し、予測部３０ｂのＢＰＳＤに関する予測と、実際の人の行動・心理症状との差の評価内容と、データ取得部４０が取得したデータに関する情報との関連においてディープラーニングにより関数２０ａまたは分類器２０ｂの学習を行うことができる。学習部３０ｃは、係数をディープラーニングにより調整してもよい。
対処方法導出部３０ｄは、予測されたＢＰＳＤの発症の可能性と内容と発症時期に基づいて、対処方法を導出する。
ＢＰＳＤ判断部３０ｅは、入力されたデータに基づきＢＰＳＤかどうかの判断を行うものである。
処理部３０の各機能を実現するに当たって、入力したデータの特徴量を抽出し、各機能処理を行うことができる。
記憶部２０には、たとえば、関数２０ａ、分類器２０ｂ、相関表２０ｃ、対応表２０ｄおよびデータ記憶部２０ｅが記憶されていることができる。
相関表２０ｃは、環境データおよび生体データと、環境データおよび生体データと対応するＢＰＳＤに関する情報とを関連づけて構成されたデータベースからなることができる。対応表２０ｄは、予測したＢＰＳＤの発生の有無および発生の時期と、対処方法とを関連づけて構成されたデータベースからなることができる。データ記憶部２０ｅは、データ取得部４０が取得したデータ、処理部３０によりデータが処理されて得られたデータ、入力部５２により入力されたデータ、予め処理部３０による種々の判断のために参照されるデータなどが記憶されている。
データ取得部４０は、加工されたデータを取得してもよいし、生データ（測定データや入力データ）を取得し処理部３０で加工してもよい。データ取得部４０が取得するデータは、たとえば、次のものを挙げることができる。
（ａ）五感データ
五感データは、たとえば、図５に示すように、音源探知、音種識別、嗅覚認知、顔認証、動作検知、側距機能、立体検知などを検知する。五感データは、カメラやマイクなどで計測することができる。なお、これらのデータを入手できるデバイスであれば特に限定されない。
五感データは、たとえば、図５に示すように、音源探知、音種識別、嗅覚認知、顔認証、動作検知、側距機能、立体検知などを検知する。五感データは、カメラやマイクなどで計測することができる。なお、これらのデータを入手できるデバイスであれば特に限定されない。
（ｂ）環境データ
環境データは、たとえば、図６に示すように、温度、湿度、照度、水量、気圧を測定したり、移動距離検知を行う。環境データは、温度センサ、湿度センサ、照度センサ、気圧センサなどから計測することができる。なお、これらのデータを入手できるデバイスであれば特に限定されない。
環境データは、たとえば、図６に示すように、温度、湿度、照度、水量、気圧を測定したり、移動距離検知を行う。環境データは、温度センサ、湿度センサ、照度センサ、気圧センサなどから計測することができる。なお、これらのデータを入手できるデバイスであれば特に限定されない。
（ｃ）生体データ
生体データは、たとえば、図７に示すように、心拍、呼吸、離床、睡眠（ノンレム睡眠、レム睡眠の検知）、覚醒、排泄、運動量、体温などを検知する。生体データを検知するためのセンサは、これらの検知を行うことができるものであれば特に限定されず、一つまたは複数のセンサにより構成されることができる。睡眠を例にとると、ドップラーセンサーによりノンレム睡眠状態とレム睡眠状態を把握することができる。排泄については、トイレのドアの開閉センサとトイレ内の人感センサを組み合わせて検知したり、通信機能を有するタグ（ＢＬＥタグ）やカメラの映像を解析することで、排泄のタイミングを検知することができる。排泄については、夜間排尿時間のタイミングと排泄に要した時間とを考慮して、排泄内容を検知することができる。運動量については、消費カロリーを計算するソフトウェアを利用して算出したり、通信機能を有するタグ（ＢＬＥタグ）による移動距離から計算したり、または、介護者の記録から、運動や掃除、洗濯など身体を動かした時間を算出し、運動量と消費カロリー量を計算することができる。なお、これらのデータを入手できるデバイスであれば特に限定されない。
生体データは、たとえば、図７に示すように、心拍、呼吸、離床、睡眠（ノンレム睡眠、レム睡眠の検知）、覚醒、排泄、運動量、体温などを検知する。生体データを検知するためのセンサは、これらの検知を行うことができるものであれば特に限定されず、一つまたは複数のセンサにより構成されることができる。睡眠を例にとると、ドップラーセンサーによりノンレム睡眠状態とレム睡眠状態を把握することができる。排泄については、トイレのドアの開閉センサとトイレ内の人感センサを組み合わせて検知したり、通信機能を有するタグ（ＢＬＥタグ）やカメラの映像を解析することで、排泄のタイミングを検知することができる。排泄については、夜間排尿時間のタイミングと排泄に要した時間とを考慮して、排泄内容を検知することができる。運動量については、消費カロリーを計算するソフトウェアを利用して算出したり、通信機能を有するタグ（ＢＬＥタグ）による移動距離から計算したり、または、介護者の記録から、運動や掃除、洗濯など身体を動かした時間を算出し、運動量と消費カロリー量を計算することができる。なお、これらのデータを入手できるデバイスであれば特に限定されない。
（ｄ）介護記録
介護記録の項目は、たとえば、図８に示すように、ケアを受ける者または介護者のニーズ、ケアを受ける者または介護者の気がかりなこと、ケアを受ける者の自覚症状、介護者が観察したこと、ケアを受ける者の状態評価、ケアを受ける者または介護者の感想、介護者の対応、介護者の声掛け、介護者が行ったことなどを挙げることができる。
介護記録の項目は、たとえば、図８に示すように、ケアを受ける者または介護者のニーズ、ケアを受ける者または介護者の気がかりなこと、ケアを受ける者の自覚症状、介護者が観察したこと、ケアを受ける者の状態評価、ケアを受ける者または介護者の感想、介護者の対応、介護者の声掛け、介護者が行ったことなどを挙げることができる。
介護記録において、ＢＰＳＤの予測精度を向上させるために、次の記録があることが好ましい。
１）ＢＰＳＤが発生したこと
２）ＢＰＳＤの発生した時間（時間帯）と場所（場所の役割、場所の位置関係など）が明確に記録されていること
３）ＢＰＳＤの発生した時点での環境要因（気温、湿度、照度、気圧、騒音、異臭、人の存在、会話した内容、被験者の行動や態度）などの状況が記録されていること
４）ＢＰＳＤの発生した前後における被験者の行動や態度が記録されていること。また、併せて同環境要因が記録されていること。
１）ＢＰＳＤが発生したこと
２）ＢＰＳＤの発生した時間（時間帯）と場所（場所の役割、場所の位置関係など）が明確に記録されていること
３）ＢＰＳＤの発生した時点での環境要因（気温、湿度、照度、気圧、騒音、異臭、人の存在、会話した内容、被験者の行動や態度）などの状況が記録されていること
４）ＢＰＳＤの発生した前後における被験者の行動や態度が記録されていること。また、併せて同環境要因が記録されていること。
これらを組み合わせて、ＢＰＳＤの発生が場所の持つ役割、場所の存在する距離、生活リズムにおける時間帯、場所と時間に対しての環境要因、その前後の行動内容、その前後における人との関わりなどの観点から、ＢＰＳＤの発生の可能性が高くなる状況の類推を高い精度で行うことができる。
（ｅ）データ取得方法
取得部が取得するデータにおいて、たとえば、次のように取得してもよい。
１）環境データ（温度、湿度、気圧、照度）の周期的な取得
２）生体データ（心拍数、呼吸数、睡眠状態、離床状態）の周期的な取得
３）BLEタグにより対象利用者の位置情報を取得し、移動距離を算出
４）AIカメラと連動して、対象利用者の位置情報取得し、移動距離を算出
５）上記の取得データを利用者IDと結びつけて、情報処理装置へ周期的に送信
取得部が取得するデータにおいて、たとえば、次のように取得してもよい。
１）環境データ（温度、湿度、気圧、照度）の周期的な取得
２）生体データ（心拍数、呼吸数、睡眠状態、離床状態）の周期的な取得
３）BLEタグにより対象利用者の位置情報を取得し、移動距離を算出
４）AIカメラと連動して、対象利用者の位置情報取得し、移動距離を算出
５）上記の取得データを利用者IDと結びつけて、情報処理装置へ周期的に送信
上記の１）温度、湿度の周期的取得において、温湿度センサはデフォルトで実時間から10分周期に取得データを送信することができる。各ゲートウェイは対象となるセンサのデータを、利用者IDと結びつけて取得できるようにすることができる。1台のゲートウェイで複数のセンサデータを取得し、複数人の利用者を同時にサポートができることで、分析が可能となる。
上記の２）気圧、照度の周期的取得において、IoTゲートウェイに気圧センサ、照度センサを実装した拡張モジュールを接続し、実時間から10分周期で、気圧、照度の情報を更新することができる。1台のゲートウェイで複数利用者のデータとしてサポートすることができるもので各分析に対応することができる。
上記の３）心拍数、呼吸数、睡眠状態、離床状態の周期的取得において、ドップラーセンサーユニットをベッド周辺の壁に設置し、着床時の心拍数、呼吸数、睡眠状態と離床／着床時のイベント通知を行うことができる。心拍数、呼吸数、睡眠状態は実時間から１０分ごとに測定し、IoTゲートウェイに通知することにより分析が可能となる。離床／着床状態はイベント発生時に即時通知させてもよい。
（２）情報処理装置の物理的構成
情報処理装置１０は、電子計算機から構成され、たとえば、スーパーコンピュータなどの大型電子計算機や、ＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）を搭載した電子計算機や、複数のパーソナルコンピュータ、量子コンピュータなどから構成される。
情報処理装置１０は、電子計算機から構成され、たとえば、スーパーコンピュータなどの大型電子計算機や、ＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）を搭載した電子計算機や、複数のパーソナルコンピュータ、量子コンピュータなどから構成される。
処理部３０は、ＣＰＵなどの演算装置により実現することができる。記憶部２０は、たとえば、ＲＯＭやハードディスクや外部記憶装置（ＣＤ、ＤＶＤなど）の公知の記憶装置に記憶させることができる。記憶部２０は演算装置に独立して別体で構成されていても、演算装置内に構成されていてもよい。情報処理装置１０は、１つの電子計算機から構成されていても、複数の電子計算機から構成されていてもよい。
情報処理装置１０に対して情報処理を実行させるプログラムは、情報処理装置１０に含まれる記憶装置（たとえば、ＲＯＭ、ハードディスク）などに格納することができる。
データ取得部４０は、たとえば、通信ネットワークからデータを受信可能な受信部から構成されることができる。
入力部は、たとえば、キーボード、マウス、タッチパネルなど公知の入力装置からなることができる。表示部５４は、液晶ディスプレイ、有機ＥＬディスプレイなど公知のディスプレイを適用することができる。送信部５６は、通信ネットワークを通じて接続された端末に情報を送信するものであり、公知の送信装置を適用することができる。
３．情報処理方法
（１）情報処理方法の概要
図４を参照しながら、情報処理方法について説明する。
（１）情報処理方法の概要
図４を参照しながら、情報処理方法について説明する。
データ取得部４０が、ＩｏＴデバイスなどから、介護を受ける者における、五感データ、環境データ、生体データ、行動データ、介護記録を取得する（Ｓ１）。
指標化部３０ａが取得したデータを指標化し、評価指標パラメータを算出する（Ｓ２）。
予測部３０ｂが、評価指標パラメータを解析し、ＢＰＳＤを予測する（Ｓ３）。
対処方法導出部３０ｄが予測したＢＰＳＤの発生の有無および発生時期に基づき、対処方法を生成する（Ｓ４）。
データ取得部４０が行動データ等を取得し、ＢＰＳＤ判断部３０ｅにより、実際にＢＰＳＤの症状が発生したか評価する（Ｓ５）。
学習部３０ｃが予測したＢＰＳＤと実際の症状との差異に基づいて、ディープラーニングに基づき、関数２０ａまたは識別器（ニューラルネットワーク）の学習（更新）を行う（Ｓ６）。
図１１に各段階で得られる計測データや加工データを示す。図１１の各データは、それぞれを関連づけて記憶部２０のデータ記憶部２０ｅに記憶しておくことができる。
（２）指標化処理の例
（ａ）環境指標
環境指標については、気温＋湿度、気圧、照度ごとに算出される不快度を指標とすることができる。まず、気温＋湿度については公知の快適範囲を示すグラフを利用し、快適範囲にあるかどうかにより、不快であるかどうかを判断する。
（ａ）環境指標
環境指標については、気温＋湿度、気圧、照度ごとに算出される不快度を指標とすることができる。まず、気温＋湿度については公知の快適範囲を示すグラフを利用し、快適範囲にあるかどうかにより、不快であるかどうかを判断する。
このための処理として、まず、湿度が４０〜７０％の間にあるかどうかを判断し、範囲外の場合には不快であるとする。
また、湿度が４０〜７０％の間にある場合には以下の数式を使用して適正な気温か判断する。
この数式の範囲に気温と湿度が存在する場合には快適とし、この範囲を逸脱する場合には不快であるとする。不快であると判断した場合の不快度は簡易的に快適範囲の中心点から現在の気温湿度の直線と快適範囲の交点からの距離を不快度の指標として用いる。
次に、気圧の不快指標については、標準気圧１０１３ｈＰａを標準値として、以下の数式を当てはめる。
ここで気圧をPとしたときに不快指標はP’となる。
次に、照度の不快指標であるが、こちらは利用者の状態により、基準となる照度が異なる。基準照度をＩ０として、以下の計算式を用いる。
照度Iとして、照度の不快指標であるＩ’を算出する。また、基準照度は活動時２００ｌｕｘ、安静時５０ｌｕｘ、睡眠時２０ｌｕｘとして計算する。
（ｂ）生体指標
心拍数は1分間の心拍数をP、平均の心拍数をＰ０として生体指標P’は以下の計算式で求める。
心拍数は1分間の心拍数をP、平均の心拍数をＰ０として生体指標P’は以下の計算式で求める。
呼吸数については、1分間の呼吸数をＢ、平均の呼吸数をＢ０として、生体指標Ｂ’は以下の計算式で求める。
（３）予測処理
（ａ）予測ロジック
予測のロジックをPとした場合、以下の式に基づき行列計算を行いPの算出を行うことができる。
ここでｐ１〜ｐ５は各パラメータ、α〜ε’は認知症の行動・心理症状（ＢＰＳＤ）に発生時に関連する項目の度合いを表現する。
（ａ）予測ロジック
予測のロジックをPとした場合、以下の式に基づき行列計算を行いPの算出を行うことができる。
（ｂ）ＢＰＳＤの発生時期の予測
ＢＰＳＤの発生時期の予測は、いくつかの基準点を元に時間帯の関連性を導出することができる。その指標として、以下の時刻を基準点として候補に挙げる。
１）0時（日付変更点）
２）日出（日没）
３）起床
４）食事
ＢＰＳＤの発生時期の予測は、いくつかの基準点を元に時間帯の関連性を導出することができる。その指標として、以下の時刻を基準点として候補に挙げる。
１）0時（日付変更点）
２）日出（日没）
３）起床
４）食事
ＢＰＳＤの発生に対して、それぞれの基準点からの経過時間を算出し、その偏りから相関を導き出すことができる。ＢＰＳＤの発生したタイミングと上記基準点からの経過時間に対して回帰分析を行い関連性を導き出すことができる。この時、起床については夜間の睡眠なのか、昼寝なのかを別に、また食事は朝食、昼食、夕食、間食などの種類ごとに分類してもよい。ＢＰＳＤの発生した時刻をA点としたとき、0時、夜間睡眠の起床、朝食・昼食・夕食の近いものの経過時間と、昼寝の後であれば、昼寝からの経過時間、間食後であれば間食からの経過時間を追加で指標としてもよい。
新しい出来事が生じると、その少し前の出来事を忘れてしまう記憶障害が生じる可能性が高くなる傾向がある。何をしてよいか分からず無気力になる抑うつ状態になると、何かを探そうと同じ行動を繰り返す常同行為を行い、無目的にさまよい歩く徘徊を行う傾向がある。指示命令による過剰な関与から、鬱陶しく目障りに漢字、突然、大声をあげて怒りだす易怒声を行う傾向がある。これらの流れには、特有の時間差があり、時系列を考慮した予測を行うことができる。
ＢＰＳＤの予測に当たって、写真などの画像解析とは異なり、時系列による影響を考慮した関数２０ａまたは分類器２０ｂを用いるとよい。この関数２０ａまたは分類器２０ｂの学習は、ディープラーニング（DeepLarning）の中でも言語・音声・映像解析に近いものであるため、ＬＳＴＭ（Longshort-termmemory）を使用して学習するとよい。
（ｃ）ＢＰＳＤの環境要因からの予測
ＢＰＳＤの発生において、周囲の環境が及ぼす影響は大きいため、ＢＰＳＤ発生時の環境要因、特に気温、湿度、気圧、照度、臭い、騒音について分析を行うことができる。気温、湿度については温湿度の関連に対しての快適性指標グラフを元に、快適性の度合いを診断し、それを指標とすることができる。気圧、照度、臭い、騒音については、それぞれ単一指標としてＢＰＳＤの発生との関連性を分析し、それぞれ回帰分析を行うことにより、各指標のＢＰＳＤに対する影響と度合を算出することができる。
ＢＰＳＤの発生において、周囲の環境が及ぼす影響は大きいため、ＢＰＳＤ発生時の環境要因、特に気温、湿度、気圧、照度、臭い、騒音について分析を行うことができる。気温、湿度については温湿度の関連に対しての快適性指標グラフを元に、快適性の度合いを診断し、それを指標とすることができる。気圧、照度、臭い、騒音については、それぞれ単一指標としてＢＰＳＤの発生との関連性を分析し、それぞれ回帰分析を行うことにより、各指標のＢＰＳＤに対する影響と度合を算出することができる。
（ｄ）自然言語解析からの予測
自然言語解析により、ＢＰＳＤを解析することもできる。質問や問い合わせに含まれる品詞を自然言語処理にて特定した後、仮説を生成し、次にその仮説を支持または証拠を探すやり方である。証拠加重スコアの統計モデル手法に従って、ＢＰＳＤの発症状態をベースにして、対応方法を割り当てる。
自然言語解析により、ＢＰＳＤを解析することもできる。質問や問い合わせに含まれる品詞を自然言語処理にて特定した後、仮説を生成し、次にその仮説を支持または証拠を探すやり方である。証拠加重スコアの統計モデル手法に従って、ＢＰＳＤの発症状態をベースにして、対応方法を割り当てる。
（ｅ）行動からの予測
図１０に示すように、認知症患者の行動から、ＢＰＳＤの相関がわかる。これによって、認知症患者の行動からＢＰＳＤの発症を予測することができる。
図１０に示すように、認知症患者の行動から、ＢＰＳＤの相関がわかる。これによって、認知症患者の行動からＢＰＳＤの発症を予測することができる。
（４）対処方法
ＢＰＳＤの症状に基づき、関数２０ａまたは分類器２０ｂに基づき、対処方法を生成することができる。また、ＢＰＳＤの症状と、対応方法との対応表２０ｄに基づき、ＢＰＳＤの対処方法を選択してもよい。図１２に示すような対応表２０ｄを記憶部２０に記憶させておいてもよい。
ＢＰＳＤの症状に基づき、関数２０ａまたは分類器２０ｂに基づき、対処方法を生成することができる。また、ＢＰＳＤの症状と、対応方法との対応表２０ｄに基づき、ＢＰＳＤの対処方法を選択してもよい。図１２に示すような対応表２０ｄを記憶部２０に記憶させておいてもよい。
なお、対処方法において、食事の献立内容も作成する必要があるときには、運動量や消費カロリーに基づき、栄養カロリーを算出して、献立に役立たせてもよい。
（５）検証
（ａ）発生の評価
ＢＰＳＤ の発症についての検証は、ＢＰＳＤ問題行動の評価尺度（TBS：Troublesome Behavior Scale）により行うことができる。TBS は高齢者認知症患の破壊行動や負担を記述する。
（ａ）発生の評価
ＢＰＳＤ の発症についての検証は、ＢＰＳＤ問題行動の評価尺度（TBS：Troublesome Behavior Scale）により行うことができる。TBS は高齢者認知症患の破壊行動や負担を記述する。
ＴＢＳは高齢者認知症患者の破壊行動や負担となる行動を記述する１５項目とその頻度を定義しており、本出願人は認知症者の行動移譲を評価する尺度として信頼性と妥当性があることを確認した。さらに、認知症者に比較的よく観察される問題行動を、介護者が過去の所定期間（たとえば過去１か月間）に観察した頻度に基づき評価（たとえば５段階評価）を行い、予測結果を検証することができる。頻度は、「日に１回以上」、「週に数回」、「月に数回」、「なし」という評価分けをすることができる。
音声病態分析で、ＢＰＳＤ解析をすることができる。感情認識技術（Sensibility Technology）を用いて、発話中の「怒」「喜」「悲」「平常」の４感情の割合と「興奮」の程度を解析し、その程度を表示することができる。ＢＰＳＤ発症の検証は、脳の画像診断により行ってもよい。
図１３に示すように、ＢＰＳＤが発症したかどうか、発症した場合にはその発症した内容および発症時期の評価において、認知症患者がＢＰＳＤが発症したかどうかをデータ取得部４０が取得したデータまたは入力部５２により入力されたデータに基づき、ＢＰＳＤ判断部３０ｅが判断することができる。このＢＰＳＤ判断アルゴリズムを学習部により学習させることができる。ＢＰＳＤ判断アルゴリズムの学習のさせ方は、予測部３０ｄの予測アルゴリズムの学習と同様に行うことができる。
具体的には、データ取得部４０がデータを取得し（Ｆ１１）、そのデータを指標化部３０ａが指標化し、ＢＰＳＤ判断部３０ｅがＢＰＳＤかどうかを判断し（Ｆ１３）、ＢＰＳＤかどうかの判断結果を出力する。入力された実際のＢＰＳＤかどうかの状況と、ＢＰＳＤ判断部３０ｅが判断した結果とを検証し（Ｆ１５）、学習部３０ｃがＢＰＳＤ判断部３０ｅがＢＰＳＤかどうかを判断する際に用いる判断アルゴリズムの学習を行う（Ｆ１６）。
（ｂ）対処方法の評価
ＢＰＳＤ対処の評価を通して、ケア方法の導出が、どの程度の評価を獲得したかによってその信頼度を評価する。介護現場から収集される大量のデータにアナリティクスを実行し、洞察を収集してインスピレーションに変換することで、適切なケア方法を導出できるようにすることができる。ＢＰＳＤの対処方法の評価において、認知症患者がＢＰＳＤが発症したかどうかをデータ取得部４０が取得したデータまたは入力部５２により入力されたデータに基づき、処理部３０において対処方法の是非を検証してもよい。この検証結果に基づき、学習部３０ｄが、対処方法導出部３０ｄの導出アルゴリズムを学習させ、導出アルゴリズムの更新をすることができる。この対処方法導出部３０ｄの導出アルゴリズムの学習のさせ方は、予測部３０ｄの予測アルゴリズムの学習と同様に行うことができる。
（ｂ）対処方法の評価
ＢＰＳＤ対処の評価を通して、ケア方法の導出が、どの程度の評価を獲得したかによってその信頼度を評価する。介護現場から収集される大量のデータにアナリティクスを実行し、洞察を収集してインスピレーションに変換することで、適切なケア方法を導出できるようにすることができる。ＢＰＳＤの対処方法の評価において、認知症患者がＢＰＳＤが発症したかどうかをデータ取得部４０が取得したデータまたは入力部５２により入力されたデータに基づき、処理部３０において対処方法の是非を検証してもよい。この検証結果に基づき、学習部３０ｄが、対処方法導出部３０ｄの導出アルゴリズムを学習させ、導出アルゴリズムの更新をすることができる。この対処方法導出部３０ｄの導出アルゴリズムの学習のさせ方は、予測部３０ｄの予測アルゴリズムの学習と同様に行うことができる。
３．作用効果
ＢＰＳＤの発症または発症の時期を予測して、早期の対処により、ＢＰＳＤの発症を未然に防ぎ、ＢＰＳＤの発生自体を大幅に減らすことを可能にする。ＢＰＳＤを事前に予測することができるため、介護者の負担を減らすことができる。
ＢＰＳＤの発症または発症の時期を予測して、早期の対処により、ＢＰＳＤの発症を未然に防ぎ、ＢＰＳＤの発生自体を大幅に減らすことを可能にする。ＢＰＳＤを事前に予測することができるため、介護者の負担を減らすことができる。
上記の実施の形態は、本発明の要旨の範囲内で種々の変更が可能である。上記の実施の形態においては、人の認知症の行動・心理症状について述べたが、これに限定されず動物の認知症の行動・心理症状についても広く適用することができる。
４．応用例
（１）ＡＩ人工知能システム
本実施の形態に係る情報処理装置は、次のＡＩ(Artificial Intelligence）人工知能システムに適用することができる。すなわち、ＡＩ人工知能システムは、知識表現方式によるデータ蓄積部・解析部・感性処理部・プランニング部から形成される情報処理装置と、IoTゲータウェイから自動識別・自動対処・自動通知により収集されるデータおよびヒューマンインターファース・自然言語解析・音声認識により収集される介護記録データとを融合し、更に統計学的解析によるデータマイニング部から構成することができる。
（１）ＡＩ人工知能システム
本実施の形態に係る情報処理装置は、次のＡＩ(Artificial Intelligence）人工知能システムに適用することができる。すなわち、ＡＩ人工知能システムは、知識表現方式によるデータ蓄積部・解析部・感性処理部・プランニング部から形成される情報処理装置と、IoTゲータウェイから自動識別・自動対処・自動通知により収集されるデータおよびヒューマンインターファース・自然言語解析・音声認識により収集される介護記録データとを融合し、更に統計学的解析によるデータマイニング部から構成することができる。
ケアに使えそうな知識データをもとに、認知症高齢者の状態を継続的に把握し状態の変化から特有のＢＰＳＤ発症予測を行い予め格納されている適切な対応方法を示唆することができる。次の効果がある。
（ａ）介護者だけでなく認知症の人にも焦点を当てる
（ｂ）多次元的に柔軟に、介護者と認知症の人のニーズに合わせて行う
（ｃ）薬物療法の適応の場合には組み合わせる
（ｄ）情報共有においては、以下の（ａ）〜（ｃ）の情報を基に留意しながら、IoT情報から得られるデータと相関し分析することができる。
１）具体的なＢＰＳＤへの対処情報
２）認知症の人の身体的な安全とウェルビーイングを確保するための情報
３）難しいADL(日常生活動作)情報に対処する情報
（ａ）介護者だけでなく認知症の人にも焦点を当てる
（ｂ）多次元的に柔軟に、介護者と認知症の人のニーズに合わせて行う
（ｃ）薬物療法の適応の場合には組み合わせる
（ｄ）情報共有においては、以下の（ａ）〜（ｃ）の情報を基に留意しながら、IoT情報から得られるデータと相関し分析することができる。
１）具体的なＢＰＳＤへの対処情報
２）認知症の人の身体的な安全とウェルビーイングを確保するための情報
３）難しいADL(日常生活動作)情報に対処する情報
ＡＩの基礎研究は推論や学習を基盤に認知症の行動・心理症状（ＢＰＳＤ）の対応に応用して活用され得るものになる。
（２）ＡＩ人工知能システムの機能
ＡＩ人工知能システムは、次の機能を有することができる。
（ａ）エキスパートシステム
専門家の知見をルールとして蓄積し、推論の手法を用いて問題を解決するシステムで以下の参考文献を辞書化される。
（ｂ）音声認識
スマートフォンやタブレットに向かって話す。誰が話しているかを特定し話した内容をコンピュータが理解し文章化される。
（ｃ）自然言語処理
文章化された情報の意味内容をコンピュータに理解させF-SOAIPの生活支援記録法に情報検索できるように仕分けして記録される。
（ｄ）感性処理
認知科学や人間工学の知見を基に、感じが温かいとか冷たいと言った感覚を環境センサから受け取りコンピュータ上に実現される。
（ｅ）画像認識
カメラなどで撮った内容をコンピュータに理解させ、居室の明るさや色調を快・不快に仕分けされる。
（ｆ）機械学習
IoTセンサや介護記録で収集されたデータの中から、一貫性のある規則（パターン）を見つけ出すシステムである。数学の統計の分野と強い関連があり、たとえば、次の統計的手法を用いて解析されて整理される。
ＡＩ人工知能システムは、次の機能を有することができる。
（ａ）エキスパートシステム
専門家の知見をルールとして蓄積し、推論の手法を用いて問題を解決するシステムで以下の参考文献を辞書化される。
（ｂ）音声認識
スマートフォンやタブレットに向かって話す。誰が話しているかを特定し話した内容をコンピュータが理解し文章化される。
（ｃ）自然言語処理
文章化された情報の意味内容をコンピュータに理解させF-SOAIPの生活支援記録法に情報検索できるように仕分けして記録される。
（ｄ）感性処理
認知科学や人間工学の知見を基に、感じが温かいとか冷たいと言った感覚を環境センサから受け取りコンピュータ上に実現される。
（ｅ）画像認識
カメラなどで撮った内容をコンピュータに理解させ、居室の明るさや色調を快・不快に仕分けされる。
（ｆ）機械学習
IoTセンサや介護記録で収集されたデータの中から、一貫性のある規則（パターン）を見つけ出すシステムである。数学の統計の分野と強い関連があり、たとえば、次の統計的手法を用いて解析されて整理される。
１）FTA(Fault Tree Analysis)分析
結果から原因を探る分析方法で、発生が好ましくない事象について、発生経路、発生原因及び発生確率を解析する。ＢＰＳＤの発生を発生頻度の分析のために、原因の潜在的な危険（フォールト）を論理的にたどり（ここで言う「フォールト」とは、環境やヒューマンエラー等のイベントを指す。）、それぞれの発生確率を加算し、基本的な事象が起こりうる確率を算出する。
２）ETA(Event tree analysis)解析
危険予知解析とも言われ、ＢＰＳＤが発生するまでの過程を発生確率とその対策(ケア)の反応が成功もしくは失敗などを踏まえて解析する。
３）HAZOP(Hazard and Operability Study)分析
経験則から分析する方法で、行動・心理症状を発症している場面において、対象者の振舞や性格特性を表すパラメータに対して、その状態は適切なケアを行わなかった場合の影響の結果として生まれたかどうかを分析する方法である。
ここでいうパラメータは、IoTゲータウェイより得られた、体温・呼吸・脈拍・温度・湿度・気圧・睡眠時間などのデータと、その事象が繰返し起こっているかどうかなどガイドワードも含めて分析される。
４）情報検索
蓄積されたデータの中から認知症ケアに必要とするものを見つけ出すシステムである。
結果から原因を探る分析方法で、発生が好ましくない事象について、発生経路、発生原因及び発生確率を解析する。ＢＰＳＤの発生を発生頻度の分析のために、原因の潜在的な危険（フォールト）を論理的にたどり（ここで言う「フォールト」とは、環境やヒューマンエラー等のイベントを指す。）、それぞれの発生確率を加算し、基本的な事象が起こりうる確率を算出する。
２）ETA(Event tree analysis)解析
危険予知解析とも言われ、ＢＰＳＤが発生するまでの過程を発生確率とその対策(ケア)の反応が成功もしくは失敗などを踏まえて解析する。
３）HAZOP(Hazard and Operability Study)分析
経験則から分析する方法で、行動・心理症状を発症している場面において、対象者の振舞や性格特性を表すパラメータに対して、その状態は適切なケアを行わなかった場合の影響の結果として生まれたかどうかを分析する方法である。
ここでいうパラメータは、IoTゲータウェイより得られた、体温・呼吸・脈拍・温度・湿度・気圧・睡眠時間などのデータと、その事象が繰返し起こっているかどうかなどガイドワードも含めて分析される。
４）情報検索
蓄積されたデータの中から認知症ケアに必要とするものを見つけ出すシステムである。
（ｇ）推論
いろいろなパターンからある法則を統合して矛盾のない答えを導き出すためのシステムである。
１）ホットスポット分析（Hot Spot Analysis）
過去の行動・心理症状の発生している空間(場所)を、行動・心理症状発生の可能性が高い空間(場所)とみなす分析方法である。
２）回帰分析（Regression Methods）
過去のＢＰＳＤに加え、環境や人間関係等のＢＰＳＤに関連するその他の変数を独立変数とし、回帰分析によって将来のＢＰＳＤを予測する。
３）近接反復被害法（Near-Repeat Methods）
1件のＢＰＳＤと次のＢＰＳＤの時空間的な近接性に基づいて、将来のＢＰＳＤを予測する。
４）時空間分析（Spatiotemporal Analysis）
ＢＰＳＤの発生の時間変化に伴う移動パターンやそれに影響する諸要因から、行動・心理症状を予測する。
５）リスク面分析（Risk Terrain Analysis）
ＢＰＳＤに影響する空間的要因との近接性からリスク面を作成し、将来のＢＰＳＤの発生を予測する。
いろいろなパターンからある法則を統合して矛盾のない答えを導き出すためのシステムである。
１）ホットスポット分析（Hot Spot Analysis）
過去の行動・心理症状の発生している空間(場所)を、行動・心理症状発生の可能性が高い空間(場所)とみなす分析方法である。
２）回帰分析（Regression Methods）
過去のＢＰＳＤに加え、環境や人間関係等のＢＰＳＤに関連するその他の変数を独立変数とし、回帰分析によって将来のＢＰＳＤを予測する。
３）近接反復被害法（Near-Repeat Methods）
1件のＢＰＳＤと次のＢＰＳＤの時空間的な近接性に基づいて、将来のＢＰＳＤを予測する。
４）時空間分析（Spatiotemporal Analysis）
ＢＰＳＤの発生の時間変化に伴う移動パターンやそれに影響する諸要因から、行動・心理症状を予測する。
５）リスク面分析（Risk Terrain Analysis）
ＢＰＳＤに影響する空間的要因との近接性からリスク面を作成し、将来のＢＰＳＤの発生を予測する。
（ｈ）データマイニング
データベース技術と機械学習を結び付けて、大量の整理されていないデータから役に立つと思われる情報を見つけ出すシステムで、クラス分類やクラスタリン グなどのデータマイニング手法によってＢＰＳＤを予測し対応方法を導出する。
（ｉ）ヒューマンインターフェース
介護者がより簡単にコンピュータなどの装置を操作できるようにしたスマートフォンやタブレット機器を適用することができる。
（ｊ）プランニング
ＢＰＳＤの適切なケア対応の導出に当たって、ケアをどのような順序で行えば良いのかを決めるためのシステムを適用することができる。
（ｋ）マルチエージェント
ＢＰＳＤを解決する介護者が集まって、複雑な問題を介護現場で解決したときの情報をF-SOAIPで再度ＢＰＳＤ発生を調べケアの方法を提案するシステムである。
データベース技術と機械学習を結び付けて、大量の整理されていないデータから役に立つと思われる情報を見つけ出すシステムで、クラス分類やクラスタリン グなどのデータマイニング手法によってＢＰＳＤを予測し対応方法を導出する。
（ｉ）ヒューマンインターフェース
介護者がより簡単にコンピュータなどの装置を操作できるようにしたスマートフォンやタブレット機器を適用することができる。
（ｊ）プランニング
ＢＰＳＤの適切なケア対応の導出に当たって、ケアをどのような順序で行えば良いのかを決めるためのシステムを適用することができる。
（ｋ）マルチエージェント
ＢＰＳＤを解決する介護者が集まって、複雑な問題を介護現場で解決したときの情報をF-SOAIPで再度ＢＰＳＤ発生を調べケアの方法を提案するシステムである。
上記内容を活用して、推論や学習を基盤に認知症のＢＰＳＤの対応に応用して活用することができる。
（３）ケア方法
認知症には異なる行動・心理症状に合わせたケア方法が必要である。ケア方法によっては、認知症患者に異なる影響を及ぼすからである。情報処理装置は、標準的なケア方法や最も優れた対人援助方法に関する情報を網羅した様々な文献と過去の情報の蓄積をすることができる。これらすべてから、認知症患者を介護するにあたり介護者に採用すべき最善の選択肢を提供するケア方法がどれかを特定することができる。介護の専門家の指導により、認知症対応型IoTサービスは介護現場での能力を獲るのに必要な知識を収集してもよい。これを「認知症ケアにおける知識のコーパス」と定義する。コーパスの作成は、多くの関連性のある文献を認知症対応型ＡＩにロードすることによって開始することができる。
認知症には異なる行動・心理症状に合わせたケア方法が必要である。ケア方法によっては、認知症患者に異なる影響を及ぼすからである。情報処理装置は、標準的なケア方法や最も優れた対人援助方法に関する情報を網羅した様々な文献と過去の情報の蓄積をすることができる。これらすべてから、認知症患者を介護するにあたり介護者に採用すべき最善の選択肢を提供するケア方法がどれかを特定することができる。介護の専門家の指導により、認知症対応型IoTサービスは介護現場での能力を獲るのに必要な知識を収集してもよい。これを「認知症ケアにおける知識のコーパス」と定義する。コーパスの作成は、多くの関連性のある文献を認知症対応型ＡＩにロードすることによって開始することができる。
また、コーパスの作成には、情報を選択するため、あるいは古い情報、劣っているとみなされる情報、問題の分野に無関係な情報をすべて排除するために、専門職員の介入もさせることができる。これを「認知症対応型コンテンツのキュレーション」と定義する。
キュレーションによって前処理され、コンテンツとより効率的に連携できるようにする索引やその他のメタデータを現場から生活支援記録法(F-SOAIP)で構築していくことができる。質問と回答のペアで訓練された認知症対応型AIはボットで継続的に対話を行うことで、学習し続けることができる。さらに、新しい情報が公開されると、認知症対応型AIも更新されて、所定の分野での知識と言語的解釈の変化に常に適応していき、情報に隠された新しい洞察やパターンを特定する準備をすることができる。それは、質問や問い合わせに含まれる品詞を自然言語処理にて特定した後、仮説を生成し、次にその仮説を支持または証拠を探すやり方である。
証拠加重スコアの統計モデル手法に従って、行動・心理症状の発症状態をベースにして、対応方法を割り当てることができる。認知症対応型AIは、行動・心理症状対応の成功例を通して、ケア方法の導出が、どの程度の評価を獲得したかによってその信頼度を評価することができる。要するに認知症対応型AIは、介護現場から収集される大量のデータにアナリティクスを実行し、洞察を収集してインスピレーションに変換することで、適切なケア方法を常に導出できるようにする。
上記の実施の形態は、本発明の要旨の範囲内で種々の変更が可能である。
本発明は、認知症患者や認知症を患った動物などのケアにおけるマネージメントシステムとして適用可能である。
１０ 情報処理装置
２０ 記憶部
２０ａ 関数
２０ｂ 分類器
２０ｃ 相関表
２０ｄ 対応表
２０ｅ データ記憶部
３０ 処理部
３０ａ 指標化部
３０ｂ 予測部
３０ｃ 学習部
３０ｄ 対処法生成部
３０ｅ ＢＰＳＤ判断部
４０ データ取得部
５２ 入力部
５４ 表示部
５６ 送信部
７０ 通信ネットワーク
２０ 記憶部
２０ａ 関数
２０ｂ 分類器
２０ｃ 相関表
２０ｄ 対応表
２０ｅ データ記憶部
３０ 処理部
３０ａ 指標化部
３０ｂ 予測部
３０ｃ 学習部
３０ｄ 対処法生成部
３０ｅ ＢＰＳＤ判断部
４０ データ取得部
５２ 入力部
５４ 表示部
５６ 送信部
７０ 通信ネットワーク
Claims (14)
- 人または動物の周囲の環境データと、前記人または動物の生体データ、前記人または動物の行動データ、前記人または動物の画像又は映像データおよび前記人または動物の音声データの群から選択される少なくとも１種を取得するデータ取得部と、
前記データ取得部が取得したデータに基づき、前記人または動物の認知症における行動・心理症状の発症またはその発症時期を予測する予測部とを含む、情報処理装置。 - 請求項１において、
前記予測部は、推論分析、回帰分析、ＨｏｔＳｐｏｔ分析、近接間分析および時空間分析の少なくとも１種を用いて、前記人または動物の認知症における行動・心理症状に関する予測を行う情報処理装置。 - 請求項１または２において、
前記データ取得部が取得したデータを指標化するための指標化部を含み、
前記予測部は、前記指標化部で指標化された指標値を入力して、前記人または動物の認知症における行動・心理症状に関する予測値を出力する関数または分類器を用いて予測が行われる情報処理装置。 - 請求項１または２において、
前記分類器は、ＳＶＭ（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ）、ニューラルネットワークまたは線形回帰モデルである情報処理装置。 - 請求項１または２において、
前記予測部の前記人または動物の認知症における行動・心理症状に関する予測と、実際の前記人または動物の行動・心理症状との差を評価し、その評価結果に基づき前記関数または分類器の学習を行う学習部を含む情報処理装置。 - 請求項５において、
前記学習部は、前記予測部が予測した前記人または動物の認知症における行動・心理症状に関する予測と、実際の前記人または動物の行動・心理症状との差を評価し、
前記予測部の前記人または動物の認知症における行動・心理症状に関する予測と、実際の前記人または動物の行動・心理症状との差の評価内容と、前記データ取得部が取得したデータに関する情報との関連においてディープラーニングにより前記関数または分類器の学習を行う情報処理装置。 - 請求項５において、
前記関数は、前記データ取得部が取得したデータに関する数値に係るパラメータと、係数とを含んで構成され、
前記学習部は、前記係数をディープラーニングにより調整する情報処理装置。 - 請求項１、２、６または７において、
前記データ取得部は、前記環境データと前記生体データとを取得し、
前記環境データは、前記人または動物の周囲の気温および湿度を含み
前記生体データは、前記人または動物の脈拍、呼吸数および体温を含む情報処理装置。 - 請求項８において、
前記環境データおよび前記生体データと、前記環境データおよび前記生体データと対応する前記人または動物の認知症における行動・心理症状に関する情報とが関連づけて記憶されているデータ記憶部を含む情報処理装置。 - 請求項８において、
前記環境データおよび前記生体データと、前記環境データおよび前記生体データと対応する前記人または動物の認知症における行動・心理症状に関する情報とが関連づけて構成された相関表が記憶されている記憶部を含む情報処理装置。 - 請求項１、２、６、７、９または１０において、
前記予測部が予測した前記人または動物の認知症における行動・心理症状に関する予測内容に基づき、対処方法を生成または選択する対処方法導出部を含む情報処理装置。 - 請求項５において、
前記実際の前記人または動物の行動・心理症状は、行動・心理症状判断部により判断アルゴリズムにしたがって判断され、
前記学習部は、前記行動・心理症状判断部による判断結果と、実際に人が判断した前記人または動物の行動・心理症状の判断結果との差を評価し、その評価結果に基づき前記判断アルゴリズムの学習を行う情報処理装置。 - データ取得部が、人または動物の周囲の環境データと、前記人または動物の生体データ、前記人または動物の行動データ、前記人または動物の画像又は映像データおよび前記人または動物の音声データの群から選択される少なくとも１種を取得する工程と、
予測部が、前記データ取得部が取得したデータに基づき、前記人または動物の認知症における行動・心理症状の発症またはその発症時期を予測する工程とを含む、情報処理方法。 - コンピュータに
データ取得部が、人または動物の周囲の環境データと、前記人または動物の生体データ、前記人または動物の行動データ、前記人または動物の画像又は映像データおよび前記人または動物の音声データの群から選択される少なくとも１種を取得するステップと、
予測部が、前記データ取得部が取得したデータに基づき、前記人または動物の認知症における行動・心理症状の発症またはその発症時期を予測するステップとを実行させるためのプログラム。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2018095748 | 2018-05-17 | ||
| JP2018095748 | 2018-05-17 | ||
| PCT/JP2019/019591 WO2019221252A1 (ja) | 2018-05-17 | 2019-05-16 | 情報処理装置、情報処理方法およびプログラム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPWO2019221252A1 true JPWO2019221252A1 (ja) | 2021-06-10 |
| JP7285046B2 JP7285046B2 (ja) | 2023-06-01 |
Family
ID=68540146
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2020519931A Active JP7285046B2 (ja) | 2018-05-17 | 2019-05-16 | 情報処理装置、情報処理方法およびプログラム |
Country Status (4)
| Country | Link |
|---|---|
| JP (1) | JP7285046B2 (ja) |
| KR (1) | KR20210010548A (ja) |
| CN (1) | CN112135568A (ja) |
| WO (1) | WO2019221252A1 (ja) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022010282A1 (ko) * | 2020-07-10 | 2022-01-13 | 서울대학교산학협력단 | 음성 특성 기반 알츠하이머병 예측 방법 및 장치 |
| KR102387586B1 (ko) * | 2020-07-10 | 2022-04-15 | 연세대학교 산학협력단 | 파킨슨병 환자에서 치매 발병 위험도 예측 방법 및 이를 이용한 치매 발병 위험도 예측용 디바이스 |
| WO2022054677A1 (ja) * | 2020-09-08 | 2022-03-17 | テルモ株式会社 | プログラム、情報処理装置、情報処理方法及び情報処理システム |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004008471A (ja) * | 2002-06-06 | 2004-01-15 | Seiko Instruments Inc | 行動状況モニター装置、行動状況解析装置および行動状況解析システム |
| JP2012105795A (ja) * | 2010-11-17 | 2012-06-07 | Nippon Tect Co Ltd | 認知機能予測システム |
| JP2016012175A (ja) * | 2014-06-27 | 2016-01-21 | 吉田 一雄 | 見守りシステム |
Family Cites Families (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009093322A (ja) * | 2007-10-05 | 2009-04-30 | Panasonic Corp | 行動指示情報管理装置、携帯情報端末装置、行動指示情報管理システム、行動指示情報管理方法、行動指示方法、およびプログラム |
| US20100100004A1 (en) * | 2008-10-16 | 2010-04-22 | Koninklijke Nederlandse Akademie Van Wetenschappen | Skin Temperature Measurement in Monitoring and Control of Sleep and Alertness |
| US9911165B2 (en) * | 2009-03-10 | 2018-03-06 | Gearbox, Llc | Computational systems and methods for health services planning and matching |
| US8346688B2 (en) * | 2009-11-25 | 2013-01-01 | International Business Machines Corporation | Predicting states of subjects |
| KR20140119486A (ko) * | 2013-04-01 | 2014-10-10 | 한국전자통신연구원 | 알츠하이머병 발병률 예측 장치 |
| US9936916B2 (en) * | 2013-10-09 | 2018-04-10 | Nedim T. SAHIN | Systems, environment and methods for identification and analysis of recurring transitory physiological states and events using a portable data collection device |
| JP6246238B2 (ja) * | 2014-02-03 | 2017-12-13 | 三菱電機株式会社 | 電力制御システム、健康管理機器、運動計測機器及び電力指令装置 |
| KR20160005924A (ko) * | 2014-07-08 | 2016-01-18 | 한국전자통신연구원 | 치매환자관리시스템 및 그 제어 방법 |
| WO2016110804A1 (en) * | 2015-01-06 | 2016-07-14 | David Burton | Mobile wearable monitoring systems |
| JP2016152859A (ja) * | 2015-02-20 | 2016-08-25 | セイコーエプソン株式会社 | 生体情報処理システム、サーバーシステム及び制御方法 |
| CN105078449B (zh) * | 2015-08-24 | 2018-07-20 | 华南理工大学 | 基于健康服务机器人的老年痴呆症监护系统 |
| JP6712502B2 (ja) * | 2016-06-03 | 2020-06-24 | 一生 重松 | 認知症診断支援装置とその作動方法および作動プログラム、並びに認知症診断支援システム |
| KR20180002234A (ko) * | 2016-06-29 | 2018-01-08 | 원시스템주식회사 | 치매 조기 진단을 위한 스마트 검사장치 및 그 방법 |
-
2019
- 2019-05-16 JP JP2020519931A patent/JP7285046B2/ja active Active
- 2019-05-16 KR KR1020207036191A patent/KR20210010548A/ko not_active Application Discontinuation
- 2019-05-16 WO PCT/JP2019/019591 patent/WO2019221252A1/ja active Application Filing
- 2019-05-16 CN CN201980033077.XA patent/CN112135568A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004008471A (ja) * | 2002-06-06 | 2004-01-15 | Seiko Instruments Inc | 行動状況モニター装置、行動状況解析装置および行動状況解析システム |
| JP2012105795A (ja) * | 2010-11-17 | 2012-06-07 | Nippon Tect Co Ltd | 認知機能予測システム |
| JP2016012175A (ja) * | 2014-06-27 | 2016-01-21 | 吉田 一雄 | 見守りシステム |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20210010548A (ko) | 2021-01-27 |
| CN112135568A (zh) | 2020-12-25 |
| JP7285046B2 (ja) | 2023-06-01 |
| WO2019221252A1 (ja) | 2019-11-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Enshaeifar et al. | Health management and pattern analysis of daily living activities of people with dementia using in-home sensors and machine learning techniques | |
| KR102116664B1 (ko) | 온라인 기반의 건강 관리 방법 및 장치 | |
| US20210035067A1 (en) | Method to increase efficiency, coverage, and quality of direct primary care | |
| Enshaeifar et al. | Machine learning methods for detecting urinary tract infection and analysing daily living activities in people with dementia | |
| US10726846B2 (en) | Virtual health assistant for promotion of well-being and independent living | |
| KR20200038628A (ko) | 맞춤형 의료 정보 제공 장치 및 방법 | |
| Kwon et al. | Single activity sensor-based ensemble analysis for health monitoring of solitary elderly people | |
| JP7285046B2 (ja) | 情報処理装置、情報処理方法およびプログラム | |
| US20170083679A1 (en) | Systems and methods for using non-medical devices to predict a health risk profile | |
| Kikhia et al. | Utilizing ambient and wearable sensors to monitor sleep and stress for people with BPSD in nursing homes | |
| JP2023547875A (ja) | 個人化された認知介入システム及び方法 | |
| Lopez-Guede et al. | Lynx: automatic elderly behavior prediction in home telecare | |
| Chimamiwa et al. | Are smart homes adequate for older adults with dementia? | |
| Li et al. | A fast and low-cost repetitive movement pattern indicator for massive dementia screening | |
| Abbasi et al. | A model for identifying the behavior of Alzheimer’s disease patients in smart homes | |
| Hargreaves et al. | Informing the Design of “Lifestyle Monitoring” Technology for the Detection of Health Deterioration in Long-term Conditions: a qualitative study of people living with heart failure | |
| Belay et al. | A Data Framework to Understand the Lived Context for Dementia Caregiver Empowerment. | |
| Alimoradi et al. | Intelligence complements from the built environment: A review of smart building technologies for cognitively declined occupants | |
| Hsu et al. | Digital Phenotyping-Based Bipolar Disorder Assessment Using Multiple Correlation Data Imputation and Lasso-MLP | |
| Jage et al. | Predicting Mental Health Illness using Machine Learning | |
| WO2021152710A1 (ja) | 情報伝達装置および情報伝達方法 | |
| Mokhtari et al. | Enhanced Quality of Life and Smart Living: 15th International Conference, ICOST 2017, Paris, France, August 29-31, 2017, Proceedings | |
| WO2021171596A1 (ja) | 推論システム、学習依頼装置、および学習依頼方法 | |
| Sridevi et al. | Deep Learning Model to Predict the Behavior of an Elder in a Smart Home | |
| WO2021181634A1 (ja) | 教師データ収集依頼装置および教師データ収集方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20201203 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220506 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220506 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20221030 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230106 |
|
| A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20230305 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230501 |
|
| 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: 20230516 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230521 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7285046 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |