TW201913691A - 身體狀況預測方法、身體狀況預測裝置及身體狀況預測程式 - Google Patents
身體狀況預測方法、身體狀況預測裝置及身體狀況預測程式 Download PDFInfo
- Publication number
- TW201913691A TW201913691A TW107125517A TW107125517A TW201913691A TW 201913691 A TW201913691 A TW 201913691A TW 107125517 A TW107125517 A TW 107125517A TW 107125517 A TW107125517 A TW 107125517A TW 201913691 A TW201913691 A TW 201913691A
- Authority
- TW
- Taiwan
- Prior art keywords
- physical condition
- person
- target person
- sleep
- sleep state
- Prior art date
Links
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
[課題]提供一種能夠預測對象人物之身體狀況的變化之身體狀況預測方法、身體狀況預測裝置及身體狀況預測程式。 [解決手段]身體狀況預測方法取得對象人物的身體動作資料(步驟S6)，依據所取得的身體動作資料，來持續判定對象人物的睡眠狀態(步驟S7)，並依據所判定的睡眠狀態，來預測對象人物之身體狀況的變化(步驟S9)。
Description
發明領域 本揭示是有關於一種預測對象人物之身體狀況的身體狀況預測方法、身體狀況預測裝置及身體狀況預測程式。
發明背景 以往，已知有一種藉由身體狀況管理系統，來監視受測者之每天的睡眠狀態而進行適當之身體狀況管理的方法，該身體狀況管理系統具有：睡眠感測器，被安裝於受測者身上；及資訊終端，以睡眠感測器所取得之測量資料進行解析或取得記錄(例如參照專利文獻1)。
專利文獻1的睡眠感測器從睡眠感測器所取得的測量資料，分析受測者的睡眠狀態而驅動顯示部或喇叭。又，在專利文獻1中，配合使用睡眠感測器所判定之受測者的睡眠狀態，控制電動窗簾、音響設備、照明設備、電視、空調設備及寢具(電動床或氣墊床等)。 先前技術文獻
專利文獻 專利文獻1：日本專利特開2013-150660號公報
發明概要 發明欲解決之課題 然而，在上述的習知技術中，並未考慮要預測對象人物之身體狀況的變化，需要更進一步之改善。
本揭示是為了解決上述之問題而做成的發明，其目的在於提供一種能夠預測對象人物之身體狀況的變化之身體狀況預測方法、身體狀況預測裝置及身體狀況預測程式。 用以解決課題之手段
本揭示之一態樣的身體狀況預測方法，是取得對象人物的生理資料，依據所取得的前述生理資料，來持續判定前述對象人物的睡眠狀態，並依據所判定的前述睡眠狀態，來預測前述對象人物之身體狀況的變化。 發明效果
依據本揭示，能夠依據持續判定的睡眠狀態，來預測對象人物之身體狀況的變化。又，由於預測對象人物之身體狀況的變化，因此例如在對象人物為高齡者或失智症患者時，能夠重新評估對象人物的照護計畫，能夠更有效率地照顧對象人物。
用以實施發明之形態 (作為本揭示之基礎的知識見解) 在以往的技術中，因應於受測者的睡眠狀態來進行裝入於睡眠感測器的顯示部或喇叭的驅動控制，或遙控設置於睡眠感測器之外部的家電設備。
例如，藉由以往的家電控制系統，能夠配合受測者的起床，來打開電動窗簾，從音響設備播放喚醒用音樂，點亮照明設備，用電視打開新聞頻道，以空調設備將寝室內設定至適當的溫度，且，將寝具調整成受測者容易起床的狀態(電動床的傾斜調整或氣墊床的壓力調整等)。像這樣，在以往的技術中，使睡眠感測器與各種家電產品相互配合，來提供受測者舒適的睡醒感受。
然而，在以往的技術中，雖然揭示有因應於藉由睡眠感測器所解析之受測者的睡眠狀態來控制設備的方法，但並未考慮要預測受測者之身體狀況的變化一事。
為了解決以上的課題，本揭示之一態樣的身體狀況預測方法取得對象人物的生理資料，依據所取得的前述生理資料，來持續判定前述對象人物的睡眠狀態，並依據所判定的前述睡眠狀態，來預測前述對象人物之身體狀況的變化。
依據此構成，取得對象人物的生理資料。依據所取得的生理資料，持續判定對象人物的睡眠狀態。依據所判定的睡眠狀態，預測對象人物之身體狀況的變化。
因此，能夠依據持續判定的睡眠狀態，來預測對象人物之身體狀況的變化。又，由於預測對象人物之身體狀況的變化，因此例如在對象人物為高齡者或失智症患者時，能夠重新評估對象人物的照護計畫，能夠更有效率地照顧對象人物。
又，在上述的身體狀況預測方法中，前述生理資料包含顯示前述對象人物之身體的動作之身體動作資料，前述判定亦可依據前述身體動作資料來持續判定前述睡眠狀態。
依據此構成，生理資料包含顯示對象人物之身體的動作之身體動作資料。在判定中，依據身體動作資料持續判定睡眠狀態。因此，由於是依據顯示對象人物之身體的動作之身體動作資料，持續判定睡眠狀態，所以能夠正確地判定對象人物的睡眠狀態。
又，在上述的身體狀況預測方法中，前述預測亦可在前述身體動作資料在預定的期間內降得比預定的値更低時，預測前述對象人物之身體狀況的惡化。
依據此構成，在預測中，在身體動作資料在預定的期間內降得比預定的値更低時，預測對象人物之身體狀況將會惡化。因此，能夠藉由身體動作資料來確實地預測對象人物之身體狀況的惡化。
又，在上述的身體狀況預測方法中，另外，更取得顯示前述對象人物的身體狀況是否良好的身體狀態資料，前述預測亦可從所判定之前述睡眠狀態的歷程，與所取得之前述身體狀態資料的歷程間之相關關係，來預測前述身體狀況的變化。
依據此構成，取得顯示對象人物之身體狀況是否良好的身體狀態資料。在預測中，從所判定之睡眠狀態的歷程，與所取得之身體狀態資料的歷程間之相關關係，預測身體狀況的變化。
因此，睡眠狀態的歷程與身體狀態資料的歷程若有相關關係的話，便能夠使用該相關關係來輕易地預測對象人物之身體狀況的變化。
又，在上述的身體狀況預測方法中，另外，更檢測前述對象人物的體溫，接著，判斷前述對象人物的前述體溫是否比預定的溫度更高，而且，亦可在判斷前述體溫比預定的溫度更高時，預測前述對象人物之身體狀況的惡化。
依據此構成，檢測對象人物的體溫。判斷對象人物的體溫是否比預定的溫度更高。在判斷體溫比預定的溫度更高時，預測對象人物之身體狀況將會惡化。
因此，由於在判斷對象人物的體溫比預定的溫度更高時，預測對象人物之身體狀況將會惡化，因此，能夠使用對象人物的體溫來輕易地預測對象人物之身體狀況的變化。
又，在上述的身體狀況預測方法中，前述預測亦可依據前述對象人物在夜間清醒的頻率，來預測前述對象人物之身體狀況的惡化。
依據此構成，在預測中，依據對象人物在夜間清醒的頻率，預測對象人物的身體狀況的惡化。在對象人物在夜間清醒的頻率高時，有對象人物之睡眠節律已崩解的可能性。因此，能夠依據對象人物在夜間清醒的頻率，來確實地預測對象人物之身體狀況的惡化。
又，在上述的身體狀況預測方法中，前述預測亦可在前述對象人物在夜間清醒的頻率為預定次數以上時，預測前述對象人物之身體狀況的惡化。
依據此構成，在預測中，在對象人物在夜間清醒的頻率為預定次數以上時，預測對象人物之身體狀況將會惡化，因此，能夠確實地預測對象人物之身體狀況的惡化。
又，在上述的身體狀況預測方法中，前述對象人物之身體狀況的惡化包含失智症周邊症狀的發作，前述預測亦可依據前述對象人物在夜間清醒的頻率，與對象人物之午睡或傍晚睡的頻率之其中至少一者，來預測前述對象人物之失智症周邊症狀的發作。
依據此構成，對象人物之身體狀況的惡化包含失智症周邊症狀的發作。在預測中，依據對象人物在夜間清醒的頻率，與對象人物之午睡或傍晚睡的頻率之其中至少一者，來預測對象人物之失智症周邊症狀將會發作。
因此，能夠依據對象人物在夜間清醒的頻率，與對象人物之午睡或傍晚睡的頻率之其中至少一者，來確實地預測對象人物之失智症周邊症狀的發作。
又，在上述的身體狀況預測方法中，前述預測也可以依據前述對象人物在夜間保持清醒的時間，預測前述對象人物之身體狀況的惡化。
依據此構成，在預測中，依據對象人物在夜間保持清醒的時間，預測對象人物之身體狀況的惡化。在對象人物在夜間保持清醒的時間長時，有對象人物之睡眠節律已崩解的可能性。因此，能夠依據對象人物在夜間保持清醒的時間，來確實地預測對象人物之身體狀況的惡化。
又，在上述的身體狀況預測方法中，前述預測也可以在前述對象人物在夜間保持清醒的時間為預定時間以上時，預測前述對象人物之身體狀況的惡化。
依據此構成，在預測中，在對象人物在夜間保持清醒的時間為預定時間以上時，預測對象人物之身體狀況的惡化，因此，能夠確實地預測對象人物之身體狀況的惡化。
又，在上述的身體狀況預測方法中，亦可更進一步將預測了前述對象人物之身體狀況的變化之預測結果發送給終端裝置。
依據此構成，由於預測了對象人物之身體狀況的變化之預測結果發送給終端裝置，因此，能夠藉由終端裝置報知管理者預測結果。
本揭示之其他態樣的身體狀況預測裝置具備通訊部、及處理器，前述通訊部取得對象人物的生理資料，前述處理器依據所取得的前述生理資料，來持續判定前述對象人物的睡眠狀態，並依據所判定的前述睡眠狀態，來預測前述對象人物之身體狀況的變化。
依據此構成，取得對象人物的生理資料。依據所取得的生理資料，持續判定對象人物的睡眠狀態。依據所判定的睡眠狀態，預測對象人物之身體狀況的變化。
因此，能夠依據持續判定的睡眠狀態，來預測對象人物之身體狀況的變化。又，由於預測對象人物之身體狀況的變化，因此例如在對象人物為高齡者或失智症患者時，能夠重新評估對象人物的照護計畫，能夠更有效率地照顧對象人物。
本揭示之其他態樣的身體狀況預測程式使處理器執行以下處理：依據對象人物的生理資料，來持續判定前述對象人物的睡眠狀態，並依據所判定的前述睡眠狀態，來預測前述對象人物之身體狀況的變化。
依據此構成，依據所取得的生理資料，持續判定對象人物的睡眠狀態。依據所判定的睡眠狀態，預測對象人物之身體狀況的變化。
因此，能夠依據持續判定的睡眠狀態，來預測對象人物之身體狀況的變化。又，由於預測對象人物之身體狀況的變化，因此例如在對象人物為高齡者或失智症患者時，能夠重新評估對象人物的照護計畫，能夠更有效率地照顧對象人物。
以下參照以下所附圖面，說明本揭示的實施形態。再者，以下的實施形態是具體化了本揭示的一例，並非限定本揭示的技術性範圍。 (實施之形態)
圖1是顯示本揭示之實施形態的身體狀況預測系統之構成的一例的方塊圖。圖1所示的身體狀況預測系統具備：伺服器1、動作感測器2、溫度感測器3、及終端裝置4。
伺服器1是透過網路5，與動作感測器2、溫度感測器3及終端裝置4連接為能夠通訊地。再者，網路5例如是網際網路。
動作感測器2例如是都卜勒感測器，設置於對象人物之居室的天花板或牆壁。對象人物例如是高齡者取向住宅的入住者，如高齡者或看護對象者。動作感測器2發射電波，藉由比較碰到對象人物而反射之電波的頻率，與所發射之電波的頻率，來檢測對象人物的動作。動作感測器2持續檢測對象人物的身體動作，並將顯示所檢測到之對象人物的身體動作之身體動作資料持續對伺服器1發送。動作感測器2例如以1秒間隔來持續地檢測對象人物的身體動作是較理想的。再者，動作感測器2也可以是例如以1分鐘為間隔來持續地檢測對象人物的身體動作，檢測間隔並未有特別限制。又，身體動作資料是生理資料的一例。動作感測器2除了對象人物的身體動作外，也能夠檢測對象人物的脈搏及呼吸等。
再者，動作感測器2例如亦可是加速度感測器。此時，動作感測器2是安裝於對象人物的身體上，來檢測對象人物的身體動作。
又，動作感測器2亦可組入配置於居室內之照明機器等的家電設備。
溫度感測器3例如是紅外線相機，設置於對象人物之居室的天花板或牆壁上。溫度感測器3持續拍攝居室內的紅外線圖像，並將所拍攝的紅外線圖像持續對伺服器1發送。
再者，溫度感測器3亦可組入配置於居室內之空調設備等的家電設備。
終端裝置4例如是個人電腦或平板型電腦，受管理對象人物之身體狀況的管理者操作。終端裝置4接收身體狀態資料之管理者輸入顯示對象人物的身體狀況是否良好的身體狀態資料。終端裝置4例如是每天接收顯示對象人物之身體狀況是否良好的身體狀態資料之輸入。再者，終端裝置4亦可在各預定的時間或各預定的時間帶，接收顯示對象人物之身體狀況是否良好的身體狀態資料之輸入。終端裝置4將已輸入的身體狀態資料，發送給伺服器1。
又，終端裝置4除了接收對象人物之身體狀況是否良好之資訊的輸入外，亦可接收其他資訊的輸入。例如，終端裝置4亦可接收看護記錄相關之資訊的輸入，該看護記錄是關於已對對象人物投予之藥物的種類及投予時刻等。
再者，動作感測器2及溫度感測器3可將感測資料直接發送至伺服器1，亦可透過終端裝置4發送至伺服器1。
圖2是顯示圖1之伺服器的構成之一例的方塊圖。圖2所示的伺服器1具備：通訊部11、控制部12、及記憶部13。
通訊部11具備：身體動作資料取得部111、身體狀態資料取得部112、紅外線圖像取得部113、及預測結果發送部114。
身體動作資料取得部111取得顯示對象人物之身體的動作之身體動作資料。身體動作資料取得部111接收由動作感測器2所發送的身體動作資料。
身體動作資料取得部111亦可取得從身體動作感測器所發送的身體動作資料。身體動作資料取得部111也可以是例如每分鐘取得一次身體動作値。
身體狀態資料取得部112取得顯示對象人物之身體狀況是否良好的身體狀態資料。身體狀態資料取得部112接收由終端裝置4所發送的身體狀態資料。
身體狀態資料取得部112亦可取得看護記錄等看護者等的記錄資訊。身體狀況資訊資料例如是體溫或血壓等生命徵象、看護者之主觀所做的觀察記錄、跌倒等的有無、及BPSD(遊走、妄想等)等。
紅外線圖像取得部113取得紅外線圖像。紅外線圖像取得部113接收由溫度感測器3所發送的紅外線圖像。
控制部12例如是CPU(中央運算處理裝置)，控制伺服器1整體。控制部12具備：睡眠判定部121、身體狀態解析部122、體溫判定部123、及身體狀況預測部124。
記憶部13例如是半導體記憶體或硬碟，具備：睡眠狀態蓄積部131、身體狀態資料蓄積部132、及身體狀況預測資訊蓄積部133。
睡眠判定部121依據由身體動作資料取得部111所取得的身體動作資料，來持續判定對象人物的睡眠狀態。
睡眠判定部121亦可依據由身體動作資料取得部111所取得之7分鐘的身體動作，來判定睡眠/清醒。睡眠/清醒是依據醫療設備(例如活動記錄器)也利用的Cole(柯爾)演算法來判定。又，在取得的身體動作資料中附帶有絕對時間資訊。
睡眠狀態蓄積部131蓄積藉由睡眠判定部121所判定之對象人物的睡眠狀態之歷程。睡眠狀態蓄積部131將對象人物是正在睡眠或保持清醒的狀態以預定時間單位來蓄積。預定時間單位例如是1分或1秒。
睡眠狀態蓄積部131亦可將睡眠判定部121所判定的睡眠/清醒與時間資訊一起蓄積。
圖3是顯示圖2所示之睡眠判定部的構成的圖。圖3所示的睡眠判定部121具備：睡眠清醒判定部1211、入眠檢測部1212、起床檢測部1213、及中途清醒檢測部1214。身體動作資料包含每分鐘的活動量(動作的大小)ZCM，並從身體動作資料取得部111輸入至睡眠清醒判定部1211。
睡眠清醒判定部1211使用下述的(1)公式來算出判定値S。再者，在下述的(1)公式中，ZCM-4min
顯示4分鐘前的活動量、ZCM-3min
顯示3分鐘前的活動量、ZCM-2min
顯示2分鐘前的活動量、ZCM-1min
顯示1分鐘前的活動量、ZCMnow
顯示在判定時間點的活動量、ZCM＋1min
顯示1分鐘後的活動量、及ZCM＋2min
顯示2分鐘後的活動量。 S＝0.0033(1.06ZCM-4min
＋0.54ZCM-3min
＋0.58ZCM-2min
＋0.76ZCM-1min
＋2.3ZCMnow
＋0.74ZCM＋1min
＋0.67ZCM＋2min
)‧‧‧(1)
睡眠清醒判定部1211在判定値S為1以上時，判定對象人物保持清醒，在判定値S比1小時，判定對象人物正在睡眠。
入眠檢測部1212檢測判定為連續地睡眠預定時間以上之最初的時刻，作為對象人物入眠的入眠時刻。入眠檢測部1212將檢測到的入眠時刻，輸出給睡眠狀態蓄積部131及身體狀況預測部124。
起床檢測部1213檢測判定為連續地清醒預定時間以上之最初的時刻，作為對象人物起床的起床時刻。起床檢測部1213將檢測到的起床時刻，輸出給睡眠狀態蓄積部131及身體狀況預測部124。
中途清醒檢測部1214將在從入眠時刻到起床時刻為止的期間中，檢測判定為連續地保持清醒的時間，作為對象人物在睡眠中清醒了的中途清醒時間。中途清醒檢測部1214將檢測到的中途清醒時刻，輸出給睡眠狀態蓄積部131及身體狀況預測部124。
再者，睡眠判定部121除了入眠時刻、起床時刻及中途清醒時間外，亦可將睡眠清醒判定部1211所判定的睡眠及清醒之任一判定結果，作為睡眠狀態輸出至睡眠狀態蓄積部131。睡眠狀態蓄積部131除了入眠時刻、起床時刻及中途清醒時間外，亦可蓄積對象人物為睡眠及清醒之其中何者的時間變化作為睡眠狀態。
再者，雖然在本實施形態中，睡眠清醒判定部1211使用上述的(1)公式來算出判定値S，但本揭示並未特別限定於此，亦可使用下述之(2)公式等的其他公式來算出判定値S。 S＝0.00001(404ZCM-4min
＋598ZCM-3min
＋326CM-2min
＋441ZCM-1min
＋1408ZCMnow
＋508ZCM＋1min
＋350ZCM＋2min
)‧‧‧(2)
上述的(2)公式又稱為Cole演算法，是用於睡眠判定之一般的公式(Roger J. Cole、Daniel F. Kripke、William Gruen、Daniel J. Mullaney、J. Christian Gillin、「Automatic Sleep/Wake Identification From Wrist Activity」、15(5)、461-469、1992)。再者，在下述的(2)公式中，ZCM-4min
顯示4分鐘前的活動量、ZCM-3min
顯示3分鐘前的活動量、ZCM-2min
顯示2分鐘前的活動量、ZCM-1min
顯示1分鐘前的活動量、ZCMnow
顯示在判定時間點的活動量、ZCM＋1min
顯示1分鐘後的活動量、及ZCM＋2min
顯示2分鐘後的活動量。
身體狀態資料蓄積部132蓄積身體狀態資料取得部112所取得的身體狀態資料。與睡眠狀態蓄積部131同樣地，身體狀態資料蓄積部132亦可將身體狀態資料與身體狀況相關之記錄的時間資訊一起蓄積。
身體狀態解析部122依據顯示預定之期間的對象人物之身體狀況是否良好的身體狀態資料，與預定之期間中對象人物之睡眠狀態間的相關關係，來解析對象人物之身體狀況惡化前的睡眠狀態之傾向。
例如，身體狀態解析部122在將預定期間的身體狀態資料從身體狀態資料蓄積部132讀取時，將預定期間的睡眠狀態一起從睡眠狀態蓄積部131讀取。預定期間例如是1個月。身體狀態解析部122解析預定期間內的身體狀態資料與睡眠狀態，若在身體狀況惡化前，睡眠不足的日子持續了2天的情況下，製作睡眠不足的日子持續2天之後，身體狀況將會惡化的身體狀況預測資訊。再者，例如在19點到7點之間睡眠時間未達預定時間時，判斷為睡眠不足。身體狀態解析部122將所製作的身體狀況預測資訊蓄積於身體狀況預測資訊蓄積部133。
又，例如，身體狀態解析部122解析1個月間的身體狀態資料與睡眠狀態，若在身體狀況惡化的前一天，從入眠時刻起到起床時刻為止之間，睡眠中清醒之中途清醒的頻率達到預定次數以上的情況下，製作睡眠中清醒之中途清醒的頻率達到了預定次數以上的隔天，身體狀況將會惡化的身體狀況預測資訊。
另外，例如，身體狀態解析部122解析1個月間的身體狀態資料與睡眠狀態，若在身體狀況惡化的前一天，從入眠時刻起到起床時刻為止之間，睡眠中清醒之中途清醒的總計時間達到預定時間以上的情況下，製作睡眠中清醒之中途清醒的總計時間達到預定時間以上的隔天，身體狀況將會惡化的身體狀況預測資訊。
身體狀態解析部122亦可藉由將顯示預定之期間的對象人物之身體狀況是否良好的身體狀態資料，與預定之期間的對象人物之睡眠狀態作為教師資料(teaching data)，輸入至預測對象人物之身體狀況的惡化之預測模型，來學習預測模型，並將預測模型作為身體狀況預測資訊而蓄積於身體狀況預測資訊蓄積部133。
身體狀態解析部122是交叉分析來自睡眠狀態蓄積部131的睡眠狀態，與來自身體狀態資料蓄積部132之身體狀況資料的部分。身體狀態解析部122亦可擷取蓄積於身體狀態資料蓄積部132之身體狀況相關的突發事件資訊。所謂的突發事件資訊是指例如跌倒及該時刻、發燒及該時刻、BPSD發作及該時刻。又，身體狀態解析部122亦可在突發事件已發生時，擷取突發事件發生時刻之稍早前的睡眠狀態。像這樣，身體狀態解析部122亦可配合高齡者的狀態，依每件想擷取的突發事件資訊地，來將突發事件之稍早前的睡眠狀態或體溫變化狀態蓄積於身體狀況預測資訊蓄積部133。
身體狀況預測資訊蓄積部133蓄積用於預測對象人物之身體狀況的變化之身體狀況預測資訊。再者，身體狀態資料與睡眠狀態間的相關關係依每一對象人物而不同。因此，身體狀況預測資訊是對象人物固有的資訊，蓄積於身體狀況預測資訊蓄積部133並設定與對象人物有關聯。
體溫判定部123依據藉由紅外線圖像取得部113所取得的紅外線圖像，來判斷對象人物的體溫是否比預定的溫度更高。
圖4是顯示圖2所示之體溫判定部的構成的圖。圖4所示的體溫判定部123具備：臉位置檢測部1231、表面溫度測量部1232、平均體溫算出部1233、及異常體溫判定部1234。記憶部13具備表面溫度蓄積部134。
臉位置檢測部1231從藉由紅外線圖像取得部113所取得的紅外線圖像，檢測對象人物之臉的位置。臉位置檢測部1231例如藉由型樣匹配，來從紅外線圖像檢測對象人物之臉的位置。
表面溫度測量部1232測量藉由臉位置檢測部1231所檢測到之臉的位置之表面溫度。
表面溫度蓄積部134蓄積藉由表面溫度測量部1232所測量到之臉的位置之表面溫度。
平均體溫算出部1233將蓄積於表面溫度蓄積部134之臉的位置之表面溫度的平均値，算出作為平均體溫。
異常體溫判定部1234判定藉由表面溫度測量部1232所測量到之臉的位置之表面溫度，是否比藉由平均體溫算出部1233所算出的平均體溫更高。在判定所測量到之臉的位置之表面溫度，比平均體溫更高時，異常體溫判定部1234判定對象人物的體溫為異常。又，在判定所測量到之臉的位置之表面溫度在平均體溫以下時，異常體溫判定部1234判定對象人物的體溫為正常。
身體狀況預測部124依據藉由睡眠判定部121所判定的睡眠狀態，來預測對象人物之身體狀況的變化。身體狀況預測部124從藉由睡眠判定部121所判定之睡眠狀態的歷程，與藉由身體狀態資料取得部112所取得之身體狀態資料的歷程間之相關關係，來預測身體狀況的變化。
身體狀況預測部124是蓄積於身體狀況預測資訊蓄積部133，參照預定期間內之睡眠狀態與預定期間內之身體狀態資料間的相關關係所製作之身體狀況預測資訊。在睡眠判定部121所判定的睡眠狀態，相符於身體狀況預測資訊所規定的條件時，身體狀況預測部124預測身體狀況將惡化。例如，在夜間之睡眠時間的總計為未達預定時間的日子持續了2天時，身體狀況預測部124便預測在隔天對象人物的身體狀況將會惡化。
又，身體狀況預測部124亦可依據對象人物在夜間清醒的頻率，來預測對象人物之身體狀況的惡化。亦即，身體狀況預測部124亦可在對象人物在夜間清醒的頻率為預定次數以上時，預測對象人物之身體狀況的惡化。例如，身體狀況預測部124亦可在夜間之睡眠中清醒的中途清醒之頻率達到預定次數以上時，預測在隔天對象人物的身體狀況將惡化。
又，身體狀況預測部124亦可依據對象人物在夜間保持清醒的時間，來預測對象人物之身體狀況的惡化。亦即，身體狀況預測部124亦可在對象人物在夜間保持清醒的時間為預定時間以上時，預測對象人物之身體狀況的惡化。例如，身體狀況預測部124亦可在夜間之睡眠中清醒的中途清醒之總計時間達到預定時間以上時，預測在隔天對象人物的身體狀況將惡化。
又，身體狀況預測部124亦可在藉由體溫判定部123判斷對象人物的體溫為比預定的溫度更高時，預測對象人物之身體狀況的惡化。
又，身體狀況預測部124亦可即時地對輸入自睡眠判定部121的睡眠狀態，與蓄積於身體狀況預測資訊蓄積部133之突發事件發生時的睡眠狀態，進行概似度分析(型樣匹配)。身體狀況預測部124進行概似度分析的結果，算出輸入的睡眠模式、與突發事件發生時的睡眠模式間的概似度，依據該概似度的閾值判定，可從睡眠資料來預測身體狀況不良。
藉此，本系統以身體狀態資料取得部112將作為典型例之身體狀況不良相關連的睡眠或體溫變化模式作為教師資料來學習，藉此，可警示看護者所無法完全預測之高齡者的突發事件。
又，在本實施形態中，雖然顯示了身體狀態資料取得部112取得預測身體狀況不良之本人的過去之身體狀態資料的例子，但並非限定於此。身體狀態資料取得部112例如亦可取得病歷或需要看護狀態相同之他人的身體狀態資料，身體狀況預測部124也可依據他人的身體狀態資料，來預測本人的身體狀況。
又，在本實施形態中，雖然顯示了身體狀況預測部124進行概似度分析的例子，但並非限定於此。例如，為了檢測生命徵象的異常，使用了隱藏馬可夫模型等的準確率分析也能夠得到同樣的效果。藉由使用準確率分析，即便沒有如看護記錄等看護者的觀察記錄，也可以求出生命徵象的異常値，將該異常値發生的狀況設定成突發事件，而從睡眠狀態算出(預測)同樣之突發事件的發生預測。
又，在本實施形態中，雖然身體狀況是從睡眠/體溫所預測，但並非限定於此。本系統的睡眠資訊本來就是從高齡者的身體動作，亦即活動狀態所算出的。因此，也可從高齡者的活動狀態與突發事件間的型樣分析，來預測身體狀況。例如，可預測因身體狀況不良或脫水所造成之活動量降低。
又，在生命徵象方面，除了體溫外，即便是血壓等也能夠得到與上述同樣的效果。特別是關於血壓，最近手錶型的血壓計已經商用化。使用此手錶型的血壓計的話，便能夠取得連續的血壓資料，並可作血壓變化與突發事件間的型樣解析。
又，在身體狀況預測部124的概似度分析中，可執行深度學習或機械學習中的相關性分析。特別是，對於在高齡者，蓄積於身體狀態資料蓄積部132之身體狀況相關的突發事件資訊多為複合性資訊。該等複合性突發事件資訊與睡眠等之生活節律是如何地相關，有必要含括複數個相關性來分析。又，除了與本人之資料間的相關性外，在也考慮到與他人之資料間的相關性時，相關性的分析將變得複雑。像這種情況，可藉由深度學習或機械學習來進行相關性分析。
預測結果發送部114將預測了對象人物之身體狀況的變化之身體狀況預測結果發送給終端裝置4。預測結果發送部114在預測到對象人物之身體狀況的惡化時，將身體狀況預測結果發送給終端裝置4。
終端裝置4接收來自伺服器1所發送的身體狀況預測結果，並將所接收的身體狀況預測結果報知管理者。終端裝置4例如顯示所接收的身體狀況預測結果。又，終端裝置4例如亦可以聲音來輸出所接收的身體狀況預測結果。再者，報知身體狀況預測結果的終端裝置4可與接收身體狀態資料之輸入的終端裝置相同，亦可不同。
圖5是顯示1天中從睡眠判定部所輸出之睡眠狀態的一例的圖。在圖5中，顯示從上午7點到隔天早上6點59分為止之1天中，對象人物之睡眠狀態。在本實施形態中，動作感測器2是配置於對象人物的居室，依據動作感測器2所檢測到的身體動作資料來判定睡眠。因此，睡眠判定部121除了對象人物正在睡眠或保持清醒外，也能夠判定對象人物是否在居室內。相反地，在對象人物不在居室內時，睡眠判定部121便無法判定對象人物正在睡眠或保持清醒。
在圖5中，橫軸表示時間，縱軸表示對象人物正在睡眠、對象人物在室內(保持清醒)、或對象人物不在居室內。對象人物的睡眠、在室(清醒)及不在是以棒狀圖來表示。對象人物不在居室內時，棒狀圖的等級是0(圖5的最下部)；對象人物在室內，且保持清醒時，棒狀圖的等級是1(圖5的中間位置)；對象人物在室內，且正在睡眠時，棒狀圖的等級是2(圖5的最上部)。棒狀圖例如是以1分鐘為單位來顯示。
圖6是顯示預定之期間當中的從睡眠判定部所輸出之睡眠狀態的一例的圖。在圖6中，顯示從某年之9月7日起到10月2日為止的對象人物之睡眠狀態。如圖6所示，在9月11日、12日、14日、17日、18日、20日、22日、23日、25日、26日、27日、29日、30日、及10月2日的夜間，對象人物未有充分的睡眠。
圖7是顯示預定之期間內的身體狀況狀態資料之一例的圖。在圖7中，顯示從某年之9月7日起到10月2日為止的對象人物之身體狀態。在圖7中，○表示對象人物的身體狀況良好，×表示對象人物的身體狀況不佳。圖6所示的睡眠狀態與圖7所示的身體狀態是顯示相同之對象人物的資料。圖6所示的睡眠狀態與圖7所示的身體狀態之間，有在身體狀況惡化前，睡眠不足的日子持續了2天的相關關係。例如，對象人物在9月11日及12日2天連續地睡眠不足，而隔天之9月13日的身體狀況惡化。
像這樣，身體狀態解析部122解析預定之期間內的身體狀態資料與睡眠狀態，在身體狀況惡化前，睡眠不足的日子持續了2天的情況下，製作睡眠不足的日子持續2天之後，隔天身體狀況將會惡化的身體狀況預測資訊。
圖8是用於說明本實施形態中之伺服器的動作的流程圖。
首先，在步驟S1中，身體狀態資料取得部112取得顯示對象人物之身體狀況是否良好的身體狀態資料。身體狀態資料取得部112接收終端裝置4所發送的身體狀態資料。身體狀態資料例如顯示前一天之對象人物的身體狀況是否良好。在此，若判斷為尚未取得身體狀態資料時(步驟S1中為否)，處理轉移至步驟S6。
另一方面，若判斷為已取得身體狀態資料時(步驟S1中為是)，在步驟S2中，身體狀態資料取得部112將所取得的身體狀態資料蓄積於身體狀態資料蓄積部132。再者，身體狀態資料取得部112可取得顯示1天份之身體狀態的身體狀態資料，亦可取得顯示複數天份之身體狀態的身體狀態資料。
接著，在步驟S3中，身體狀態解析部122判斷：從開始取得對象人物之身體狀態資料起，是否已經過預定期間。例如，身體狀態解析部122判斷：從開始取得對象人物之身體狀態資料起，是否已經過1個月。再者，預定期間並未限定於1個月。
在此，若判定為從開始取得對象人物之身體狀態資料起尚未經過預定期間時(步驟S3中為否)，處理轉移至步驟S6。
另一方面，若判定為從開始取得對象人物之身體狀態資料起已經過預定期間時(步驟S3中為是)，在步驟S4中，身體狀態解析部122解析預定之期間內的對象人物之身體狀態，與預定之期間內的對象人物之睡眠狀態間的相關關係。身體狀態解析部122依據解析結果，來製作用於預測對象人物之身體狀況的變化之身體狀況預測資訊。
接著，在步驟S5中，身體狀態解析部122將所製作的身體狀況預測資訊蓄積於身體狀況預測資訊蓄積部133。
再者，在身體狀態與睡眠狀態有相關關係時，可單獨以睡眠狀態來預測身體狀況的變化。因此，在身體狀況預測資訊蓄積部133已蓄積有身體狀況預測資訊時，身體狀態資料取得部112亦可停止身體狀態資料的取得。又，身體狀態資料取得部112亦可在身體狀況預測資訊蓄積部133並未蓄積身體狀況預測資訊時，停止身體狀態資料的取得，而無需考慮身體狀態與睡眠狀態的相關關係。
另外，身體狀態資料取得部112亦可在身體狀況預測資訊蓄積部133並未蓄積身體狀況預測資訊時，重新開始身體狀態資料的取得，且身體狀態解析部122延長預定期間，而無需考慮身體狀態與睡眠狀態的相關關係。藉由延長預定期間，可增加發現身體狀態與睡眠狀態之相關關係的可能性。
接著，在步驟S6中，身體動作資料取得部111取得顯示對象人物之身體的動作之身體動作資料。
接著，在步驟S7中，睡眠判定部121依據藉由身體動作資料取得部111所取得的身體動作資料，來判定顯示對象人物正在睡眠或保持清醒的睡眠狀態。
接著，在步驟S8中，睡眠判定部121將所判定之對象人物的睡眠狀態蓄積於睡眠狀態蓄積部131。
接著，在步驟S9中，身體狀況預測部124依據藉由睡眠判定部121所判定的睡眠狀態、與積蓄於身體狀況預測資訊蓄積部133的身體狀況預測資訊，來預測對象人物之身體狀況的變化。
接著，在步驟S10中，身體狀況預測部124判斷是否有預測到對象人物之身體狀況將會惡化。在此，若判斷為未預測對象人物之身體狀況將會惡化時(步驟S10中為否)，處理回到步驟S1。
另一方面，在判斷為預測到對象人物之身體狀況將會惡化時(步驟S10中為是)，在步驟S11中，預測結果發送部114將預測了對象人物之身體狀況的惡化之身體狀況預測結果發送給終端裝置4。接著，處理回到步驟S1。
像這樣，在本實施形態的身體狀況預測系統中，能夠依據持續判定的睡眠狀態，來預測對象人物之身體狀況的變化。又，由於預測對象人物之身體狀況的變化，因此例如在對象人物為高齢者或失智症患者時，能夠重新評估對象人物的照護計畫，能夠更有效率地照顧對象人物。
再者，在本實施形態中，雖然身體狀況預測部124是在判定睡眠狀態的時間點預測對象人物之身體狀況的變化，但本揭示並未特別限定於此，身體狀況預測部124亦可在預定的時間點預測對象人物之身體狀況的變化。預定的時間點例如是每天上午7點等預定的時刻，亦可是每1小時等預定的時間。此時，在步驟S8的處理之後，身體狀況預測部124判斷是否為預定的時間點。並且，在判斷為預定的時間點時，處理轉移至步驟S9，在判斷為並非預定的時間點時，處理亦可回到步驟S1。
再者，在本實施型態中，身體狀況預測部124亦可在身體動作資料在預定的期間內降得比預定的値更低時，預測對象人物之身體狀況的惡化。
圖9是顯示身體動作資料之標準偏差及平均値的歷程之一例的圖。在圖9中，是將1天之身體動作資料的標準偏差及平均値每5天地來顯示。如圖9的箭頭Y1所示，在預定的期間內，身體動作資料的標準偏差急遽降低時，有對象人物的日常動作行動(ADL)降低，對象人物之身體狀況惡化的可能性。因此，身體狀況預測部124亦可在身體動作資料在預定的期間內降得比預定的値更低時，預測對象人物之身體狀況的惡化。
圖10是用於說明失智症周邊症狀(BPSD)之發作與睡眠狀態間的相關性的圖。在圖10中，是逐日顯示對象人物之午睡的次數、夜間的清醒次數、夜間的清醒時刻及夜間的行動。
睡眠狀態是透過睡眠判定部121匯集於睡眠狀態蓄積部131。又，身體狀況資料取得部112從看護記錄資料等，擷取符合遊走或妄想等之BPSD的症狀之資料，並蓄積於身體狀態資料蓄積部132。看護記錄資料例如是由對象人物的看護者來輸入。
依據圖10，可發現在5月21日遊走、在5月22日及5月27日妄想之BPSD發作的紀錄。身體狀態解析部122依據BPSD發作、及蓄積於睡眠狀態蓄積部131的資料，來分析BPSD發作的主要原因。在本例中，導出如下相關性：確認有BPSD的日子夜間的中途清醒次數多，又，在夜間之中途清醒次數多的日子，午睡或傍晚睡的次數多。因此，就成立看護者無法管理的午睡或傍晚睡，與夜間之BPSD發作有所關連的預測。
因此，身體狀態解析部122解析對象人物在夜間清醒的頻率、對象人物之午睡或傍晚睡的頻率，及對象人物之失智症周邊症狀的發作間之相關性，並依據對象人物在夜間清醒的頻率、及對象人物之午睡或傍晚睡的頻率，來製作預測對象人物之失智症周邊症狀發作的身體狀況預測資訊。身體狀況預測部124依據對象人物在夜間清醒的頻率，與對象人物之午睡或傍晚睡的頻率，來預測對象人物之失智症周邊症狀的發作。
再者，身體狀況預測部124亦可依據對象人物在夜間清醒的頻率，來預測對象人物之失智症周邊症狀的發作。又，身體狀況預測部124亦可依據對象人物之午睡或傍晚睡的頻率，來預測對象人物之失智症周邊症狀的發作。身體狀況預測部124亦可依據對象人物在夜間清醒的頻率，與對象人物之午睡或傍晚睡的頻率之其中至少一者，來預測對象人物之失智症周邊症狀的發作。
像這樣，藉由身體狀態解析部122來蓄積及分析BPSD症狀與睡眠狀態的話，身體狀況預測部124可配合午睡或傍晚睡的狀態，來預測夜間之BPSD的可能性。能夠預測BPSD的發作的話，藉由預先準備對於BPSD發作的處置將有助於看護者的業務負擔減輕，甚至也可以去除成為BPSD發作之主要原因的現象。
在本事例中，雖然說明了僅從睡眠狀態來預測BPSD之發作的事例，但本揭示並非限定於此。也可以從作為睡眠狀態解析之根據的身體動作資料，來判定高齡者的活動量，並解析活動量與BPSD間的相關性。又，組合周知的之各種生命徵象感測器也是有效的。身體狀況預測部124能夠依據藉由紅外線感測器或溫度感測器所取得之體溫變化與BPSD間的相關性，來預測BPSD的發作。又，身體狀況預測部124能夠藉由從身體動作資料掌握心跳數或呼吸數，以依據心跳數或呼吸數與BPSD間的相關性來預測BPSD的發作。
特別是，在心跳方面，從心跳變動來推測自律神經之平衡的技術已是周知。一般來說已知過度的壓力狀態引發BPSD，從心跳來確認壓力程度的話，可更加提高BPSD的預測精度。
又，例如，藉由組合室內的溫度、室內的濕度、照度、噪音及二氧化碳濃度等的居住環境資料，也可發現會成為身體狀況變化或BPSD發作之主要原因的居住環境。一般來說，周知室內的溫度及室內的濕度會影響主導睡眠的深部體溫變化。因此，也可以從室內的溫度及室內的濕度來推導出妨礙睡眠的要因。身體狀況預測部124能夠依據室內的溫度及室內的濕度與身體狀況變化或BPSD間的相關性，來預測身體狀況變化或BPSD的發作。同樣地，也可以從噪音或二氧化碳濃度來推導出妨礙睡眠的要因。身體狀況預測部124能夠依據噪音或二氧化碳濃度與身體狀況變化或BPSD間的相關性，來預測身體狀況變化或BPSD的發作。
以上，雖然依據實施形態說明本揭示之裝置，但本揭示並非限定於此實施形態。只要不脫離本揭示的主旨，將本領域之技術人員可設想得到的各種變形施行於本實施形態者、或組合不同之實施形態中的構成要素而建構之形態，均可包含在本揭示之一個或複數個態樣的範圍內。
再者，在上述各實施形態中，各構成要素可由專用的硬體來構成，亦可藉由執行適合於各構成要素的軟體程式來實現。各構成要素亦可藉由CPU或處理器等之程式執行部，將已記錄於硬碟或半導體記憶體等之記錄媒體的軟體程式讀取並執行來實現。
本揭示之實施形態的裝置之機能的一部分或全部，其典型的實現方式是製成積體電路的LSI(Large Scale Integration(大型積體電路))。這些機能可個別地製成單一晶片，亦可在單一晶片之一部分或全部包含其機能。又，積體電路化並不限於LSI，亦可利用專用電路或通用處理器來實現。亦可利用：在LSI製造後，可程式設計的FPGA(Field Programmable Gate Array(現場可程式閘陣列))、或可再構成LSI內部之電路電池的連接或設定之可重組態處理器(reconfigurable processor)。
又，本揭示之實施形態的裝置之機能的一部分或全部，也可以是藉由CPU等的處理器執行程式來實現。
又，上述所使用的數字，全部都是為了具體地說明本揭示而例示的數字，本揭示並不受例示的數字所限制。
又，顯示於上述流程圖之各步驟的執行順序，是用於具體地說明本揭示的例示，在可獲得同樣之結果的範圍內亦可為上述以外的順序。又，上述步驟之一部分亦可與其他的步驟同時(並列)執行。
另外，只要不脫離本揭示的主旨，對於本揭示的各實施形態實施了本領域之技術人員可設想得到的範圍內之變更的各種變形例也都包含於本揭示中。 《補充說明》
本揭示之一態樣的方法是：(A)持續地或斷續地取得顯示對象人物之身體的動作之身體動作資料；(B)依據前述身體動作資料，來生成顯示前述對象人物之睡眠狀態的睡眠狀態資料；(C)將前述睡眠狀態資料蓄積於睡眠狀態資料庫；(D)參照身體狀況預測資訊資料庫，從前述睡眠狀態資料來預測前述對象人物之身體狀態的今後之變化；及(E)在已取得顯示前述對象人物之身體狀態的身體狀態資料時，執行以下的(e1)~(e3)。(e1)從前述睡眠狀態資料庫，讀取過去之一定期間內的過去之睡眠狀態資料；(e2)將前述身體狀態資料對照前述過去的睡眠狀態資料，而從特定的睡眠狀態資料來生成用於預測前述身體狀態之特定的變化之身體狀況預測資訊；及(e3)將前述身體狀況預測資訊登錄於前述身體狀況預測資訊資料庫。
例如，前述身體動作資料亦可是藉由身體動作感測器所檢測、顯示每單位時間之前述對象人物的身體之動作的次數之資料。前述睡眠狀態資料亦可是，顯示前述對象人物在各期間內正在睡眠或保持清醒的資料。在前述(B)中，(b1)在從連續之複數個單位時間的前述身體動作資料所算出之評價値，比預定的値更小時，判定前述對象人物正在睡眠，(b2)在前述評價値為前述預定的値以上時，亦可判定前述對象人物保持清醒。
例如，前述身體狀態資料亦可是從觀察前述對象人物之觀察者的終端所輸入之資料。
例如，在前述(e2)中，判定在前述身體狀態資料與前述過去的睡眠狀態資料之間是否存有相關關係，在有前述相關關係時，亦可將前述身體狀態資料與前述過去的睡眠狀態資料相互連結的資訊，生成作為前述身體狀況預測資訊。
例如，在前述(D)中，亦可將所取得的前述睡眠狀態資料，與前述身體狀況預測資訊資料庫內之前述過去的睡眠狀態資料進行型樣匹配。
例如，另外亦可持續地或斷續地取得顯示前述對象人物之體溫的體溫資料。在前述(D)中，亦可從前述睡眠狀態資料與前述體溫資料來預測前述今後的變化。
例如，在前述(D)中，亦可依據前述對象人物在夜間清醒的頻率，來預測前述身體狀態之今後的變化。
例如，在前述(D)中，亦可依據前述對象人物在夜間保持清醒的時間，來預測前述身體狀態之今後的變化。
例如，前述身體狀態資料亦可包含前述對象人物之失智症周邊症狀相關的資訊。
例如，另外，亦可將在前述(D)中預測的結果發送至終端。
本揭示之一態樣的電腦具備處理器及記憶體，該記憶體記錄有用於使前述處理器執行上述之任一種方法的程式。
本揭示之一態樣的非暫時性之記憶媒體，記錄有用於使前述處理器實施上面之任一種方法的程式。 産業上之可利用性
本揭示的身體狀況預測方法、身體狀況預測裝置及身體狀況預測程式，能夠預測對象人物之身體狀況的變化，作為預測對象人物之身體狀況的身體狀況預測方法、身體狀況預測裝置及身體狀況預測程式是有用的。
1‧‧‧伺服器
2‧‧‧動作感測器
3‧‧‧溫度感測器
4‧‧‧終端裝置
5‧‧‧網路
11‧‧‧通訊部
12‧‧‧控制部
13‧‧‧記憶部
111‧‧‧身體動作資料取得部
112‧‧‧身體狀態資料取得部
113‧‧‧紅外線圖像取得部
114‧‧‧預測結果發送部
121‧‧‧睡眠判定部
122‧‧‧身體狀態解析部
123‧‧‧體溫判定部
124‧‧‧身體狀況預測部
131‧‧‧睡眠狀態蓄積部
132‧‧‧身體狀態資料蓄積部
133‧‧‧身體狀況預測資訊蓄積部
134‧‧‧表面溫度蓄積部
1211‧‧‧睡眠清醒判定部
1212‧‧‧入眠檢測部
1213‧‧‧起床檢測部
1214‧‧‧中途清醒檢測部
1231‧‧‧臉位置檢測部
1232‧‧‧表面溫度測量部
1233‧‧‧平均體溫算出部
1234‧‧‧異常體溫判定部
S‧‧‧判定值
Y1‧‧‧箭頭
ZCM‧‧‧活動量
S1~S11‧‧‧步驟
圖1是顯示本揭示之實施形態的身體狀況預測系統之構成的一例的方塊圖。
圖2是顯示圖1所示之伺服器的構成之一例的方塊圖。
圖3是顯示圖2所示之睡眠判定部的構成的圖。
圖4是顯示圖2所示之體溫判定部的構成的圖。
圖5是顯示1天中之從睡眠判定部所輸出的睡眠狀態之一例的圖。
圖6是顯示預定之期間內的從睡眠判定部所輸出之睡眠狀態的一例的圖。
圖7是顯示預定之期間內的身體狀態資料之一例的圖。
圖8是用於說明本實施形態中之伺服器的動作的流程圖。
圖9是顯示身體動作資料之標準偏差及平均値的歷程之一例的圖。
圖10是用於說明失智症周邊症狀(BPSD)之發作與睡眠狀態間的相關性的圖。
Claims (13)
- 一種身體狀況預測方法， 取得對象人物的生理資料， 依據所取得的前述生理資料，來持續判定前述對象人物的睡眠狀態， 並依據所判定的前述睡眠狀態，來預測前述對象人物之身體狀況的變化。
- 如請求項1之身體狀況預測方法，其中前述生理資料包含顯示前述對象人物之身體動作的身體動作資料，且前述判定是依據前述身體動作資料來持續判定前述睡眠狀態。
- 如請求項2之身體狀況預測方法，其中前述預測是當前述身體動作資料在預定的期間內降得比預定的値更低時，預測前述對象人物之身體狀況的惡化。
- 如請求項1至3中任一項之身體狀況預測方法，其更取得顯示前述對象人物的身體狀況是否良好的身體狀態資料，且前述預測從所判定之前述睡眠狀態的歷程，與所取得之前述身體狀態資料的歷程間之相關關係，來預測前述身體狀況的變化。
- 如請求項1至3中任一項之身體狀況預測方法，其更會檢測前述對象人物的體溫，還會判斷前述對象人物的前述體溫是否比預定的溫度更高，且還會在判斷出前述體溫比預定的溫度更高時，預測前述對象人物之身體狀況的惡化。
- 如請求項1至3中任一項之身體狀況預測方法，其中前述預測依據前述對象人物在夜間清醒的頻率，來預測前述對象人物之身體狀況的惡化。
- 如請求項6之身體狀況預測方法，其中前述預測在前述對象人物在夜間清醒的頻率為預定次數以上時，預測前述對象人物之身體狀況的惡化。
- 如請求項6之身體狀況預測方法，其中前述對象人物之身體狀況的惡化包含失智症周邊症狀的發作，且前述預測依據前述對象人物在夜間清醒的頻率，與前述對象人物之午睡或傍晚睡的頻率之其中至少一者，來預測前述對象人物之失智症周邊症狀的發作。
- 如請求項1至3中任一項之身體狀況預測方法，其中前述預測依據前述對象人物在夜間保持清醒的時間，來預測前述對象人物之身體狀況的惡化。
- 如請求項9之身體狀況預測方法，其中前述預測在前述對象人物在夜間保持清醒的時間為預定時間以上時，預測前述對象人物之身體狀況的惡化。
- 如請求項1至3中任一項之身體狀況預測方法，其更會將預測了前述對象人物之身體狀況的變化之預測結果發送給終端裝置。
- 一種身體狀況預測裝置，具備：通訊部、及處理器， 前述通訊部取得對象人物的生理資料， 前述處理器依據所取得的前述生理資料，來持續判定前述對象人物的睡眠狀態， 並依據所判定的前述睡眠狀態，來預測前述對象人物之身體狀況的變化。
- 一種身體狀況預測程式，是用以於處理器執行處理的程式， 該處理是依據對象人物的生理資料，來持續判定前述對象人物的睡眠狀態， 並依據所判定的前述睡眠狀態，來預測前述對象人物之身體狀況的變化。
Applications Claiming Priority (6)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201762550835P | 2017-08-28 | 2017-08-28 | |
| US62/550,835 | 2017-08-28 | ||
| JP2017217590 | 2017-11-10 | ||
| JP2017-217590 | 2017-11-10 | ||
| JP2018-084150 | 2018-04-25 | ||
| JP2018084150A JP2019076689A (ja) | 2017-08-28 | 2018-04-25 | 体調予測方法、体調予測装置及び体調予測プログラム |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| TW201913691A true TW201913691A (zh) | 2019-04-01 |
Family
ID=66628527
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW107125517A TW201913691A (zh) | 2017-08-28 | 2018-07-24 | 身體狀況預測方法、身體狀況預測裝置及身體狀況預測程式 |
Country Status (2)
| Country | Link |
|---|---|
| JP (1) | JP2019076689A (zh) |
| TW (1) | TW201913691A (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7467869B2 (ja) * | 2019-10-04 | 2024-04-16 | コニカミノルタ株式会社 | 制御プログラム、情報処理装置、および情報処理システム |
| JP7489248B2 (ja) * | 2020-02-06 | 2024-05-23 | 新東ホールディングス株式会社 | 情報処理システム、情報処理方法、及び、情報処理プログラム |
| JP7266548B2 (ja) * | 2020-03-26 | 2023-04-28 | Kddi株式会社 | 訓練性ストレス情報を用いて体調を推定する装置、プログラム及び方法 |
| WO2023149519A1 (ja) * | 2022-02-03 | 2023-08-10 | パラマウントベッド株式会社 | システム |
| JP2024022990A (ja) * | 2022-08-08 | 2024-02-21 | 株式会社ベネッセスタイルケア | 情報処理方法、プログラム、および情報処理装置 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH053873A (ja) * | 1991-06-25 | 1993-01-14 | Matsushita Electric Works Ltd | 生体リズム曲線評価装置 |
| US6527715B2 (en) * | 1998-10-30 | 2003-03-04 | The United States Of America As Represented By The Secretary Of The Army | System and method for predicting human cognitive performance using data from an actigraph |
| JP4848616B2 (ja) * | 2004-01-15 | 2011-12-28 | セイコーエプソン株式会社 | 生体情報解析装置 |
| US20070118054A1 (en) * | 2005-11-01 | 2007-05-24 | Earlysense Ltd. | Methods and systems for monitoring patients for clinical episodes |
| JP6411111B2 (ja) * | 2014-07-24 | 2018-10-24 | タイオー株式会社 | 認知症リスク判定システム |
-
2018
- 2018-04-25 JP JP2018084150A patent/JP2019076689A/ja active Pending
- 2018-07-24 TW TW107125517A patent/TW201913691A/zh unknown
Also Published As
| Publication number | Publication date |
|---|---|
| JP2019076689A (ja) | 2019-05-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| TW201913691A (zh) | 身體狀況預測方法、身體狀況預測裝置及身體狀況預測程式 | |
| US11147451B2 (en) | Integrated sensor network methods and systems | |
| CN109419493B (zh) | 身体状况预测方法、身体状况预测装置和身体状况预测程序 | |
| RU2623304C2 (ru) | Система мониторинга для мониторинга пациента и обнаружения делирия у пациента | |
| JP6010558B2 (ja) | 患者の悪化の検出 | |
| RU2709776C2 (ru) | Система мониторинга частоты сердечных сокращений | |
| US20050054940A1 (en) | Apparatus and method for monitoring heart rate variability | |
| US20110230790A1 (en) | Method and system for sleep monitoring, regulation and planning | |
| JP6149515B2 (ja) | 検知方法，検知装置および検知プログラム | |
| CN106714682B (zh) | 用于评估加重和/或入院的风险的装置、系统、方法和计算机程序 | |
| CN113397520B (zh) | 室内对象的信息检测方法及装置、存储介质和处理器 | |
| CN102687152A (zh) | Copd恶化预测系统和方法 | |
| JP2019097828A (ja) | 異常報知装置、プログラム及び異常報知方法 | |
| JP2005124858A (ja) | 活動状態判断装置、見守り支援システム、及び活動状態判断方法 | |
| US20170127977A1 (en) | Non-invasive monitoring of pulmonary conditions | |
| JP2013078567A (ja) | 遠隔健康監視データを提供するための方法および関連するシステム | |
| JPWO2013171799A1 (ja) | 生体リズム推定装置 | |
| US20120179066A1 (en) | Sleeping quality monitor system and a method for monitoring a physiological signal | |
| EP3160328B1 (en) | Device, system and computer program for detecting a health condition of a subject | |
| Ahanathapillai et al. | Assistive technology to monitor activity, health and wellbeing in old age: The wrist wearable unit in the USEFIL project | |
| JP2020071621A (ja) | 監視方法、プログラム及び情報処理装置 | |
| Priyadarsini et al. | IoT based mobile app for continuous health monitoring of the person | |
| JP7419904B2 (ja) | 生体モニタ装置、生体モニタ方法及びプログラム | |
| van Rossum et al. | Early Warning Scores to Support Continuous Wireless Vital Sign Monitoring for Complication Prediction in Patients on Surgical Wards: Retrospective Observational Study | |
| JP7468363B2 (ja) | 情報表示方法、プログラムおよび情報表示装置 |