WO2020189529A1 - 環境制御システム - Google Patents

環境制御システム Download PDF

Info

Publication number
WO2020189529A1
WO2020189529A1 PCT/JP2020/010945 JP2020010945W WO2020189529A1 WO 2020189529 A1 WO2020189529 A1 WO 2020189529A1 JP 2020010945 W JP2020010945 W JP 2020010945W WO 2020189529 A1 WO2020189529 A1 WO 2020189529A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
subject
sided
recuperator
control system
Prior art date
Application number
PCT/JP2020/010945
Other languages
English (en)
French (fr)
Inventor
小紀子 福井
みやえ 山川
桃絵 内海
明里 樋口
晴佳 田中
衛 奥本
川添　政宣
Original Assignee
ダイキン工業株式会社
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by ダイキン工業株式会社 filed Critical ダイキン工業株式会社
Priority to US17/310,670 priority Critical patent/US12105482B2/en
Priority to EP20774021.8A priority patent/EP3940708A4/en
Priority to CN202080018616.5A priority patent/CN113544789B/zh
Publication of WO2020189529A1 publication Critical patent/WO2020189529A1/ja

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
    • F24F11/63—Electronic processing
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • 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
    • A61B5/02—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
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A61B5/02405—Determining heart rate variability
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • 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
    • A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/20—Measuring for diagnostic purposes; Identification of persons for measuring urological functions restricted to the evaluation of the urinary system
    • A61B5/202—Assessing bladder functions, e.g. incontinence assessment
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/44—Detecting, measuring or recording for evaluating the integumentary system, e.g. skin, hair or nails
    • A61B5/441—Skin evaluation, e.g. for skin disorder diagnosis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4806—Sleep evaluation
    • A61B5/4812—Detecting sleep stages or cycles
    • 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
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/20—Cameras or camera modules comprising electronic image sensors; Control thereof for generating image signals from infrared radiation only
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
    • A61B2560/02—Operational features
    • A61B2560/0242—Operational features adapted to measure environmental factors, e.g. temperature, pollution
    • A61B2560/0247—Operational features adapted to measure environmental factors, e.g. temperature, pollution for compensation or correction of the measured physiological value
    • A61B2560/0252—Operational features adapted to measure environmental factors, e.g. temperature, pollution for compensation or correction of the measured physiological value using ambient temperature
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
    • A61B2560/02—Operational features
    • A61B2560/0242—Operational features adapted to measure environmental factors, e.g. temperature, pollution
    • A61B2560/0247—Operational features adapted to measure environmental factors, e.g. temperature, pollution for compensation or correction of the measured physiological value
    • A61B2560/0257—Operational features adapted to measure environmental factors, e.g. temperature, pollution for compensation or correction of the measured physiological value using atmospheric pressure
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
    • A61B2562/02—Details of sensors specially adapted for in-vivo measurements
    • A61B2562/029—Humidity sensors
    • 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
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/20—Measuring for diagnostic purposes; Identification of persons for measuring urological functions restricted to the evaluation of the urinary system
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/42—Detecting, measuring or recording for evaluating the gastrointestinal, the endocrine or the exocrine systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/44—Detecting, measuring or recording for evaluating the integumentary system, e.g. skin, hair or nails
    • A61B5/441—Skin evaluation, e.g. for skin disorder diagnosis
    • A61B5/445—Evaluating skin irritation or skin trauma, e.g. rash, eczema, wound, bed sore
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4806—Sleep evaluation
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/10—Temperature
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/20—Humidity
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/40—Pressure, e.g. wind pressure
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2130/00—Control inputs relating to environmental factors not covered by group F24F2110/00
    • F24F2130/20—Sunlight
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2130/00—Control inputs relating to environmental factors not covered by group F24F2110/00
    • F24F2130/30—Artificial light
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2130/00—Control inputs relating to environmental factors not covered by group F24F2110/00
    • F24F2130/40—Noise
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N5/00—Details of television systems
    • H04N5/30—Transforming light or analogous information into electric information
    • H04N5/33—Transforming infrared radiation

Definitions

  • This disclosure relates to an environmental control system.
  • the risk of occurrence can be predicted before the problem event occurs in the recuperator and the environment corresponding to the predicted risk can be provided to the recuperator in advance, the occurrence of the problem event can be suppressed and the recuperator can be treated. It is thought that it can also contribute to the improvement of QOL (Quality Of Life).
  • the present disclosure provides an environmental control system that controls the environment of the target person.
  • the first aspect of the present disclosure is an environmental control system that controls the environment of the subject. Actuators that control the environment and An operating condition determination unit that determines the operating conditions of the actuator, A control unit that controls the actuator based on the operation conditions determined by the operation condition determination unit, It has an estimation unit having a first trained model and a second trained model,
  • the first trained model is Environmental information showing the target person's environment and Data that correlate with at least one of the subject's sleep, excretion, movement, skin, and stress states.
  • the second trained model is Data that correlate with at least one of the subject's sleep, excretion, movement, skin, and stress states.
  • the second is a combination of the output data when the environment information of the target person is input to the first trained model, or the output data when the environment information of the target person is input to the first trained model and the data related to the state of the target person.
  • the operating condition determination unit determines the operating condition of the actuator by evaluating data that correlates with the magnitude of the one or more risks estimated by the estimation unit.
  • an environmental control system that controls the environment of the target person.
  • the second aspect of the present disclosure is the environmental control system according to the first aspect.
  • the second trained model is a model learned by using the biological information of the subject as data correlating with at least one of the sleep, excretion, movement, skin, and stress states of the subject.
  • the biological information includes at least one of the amount of movement of the subject, the number of times the subject is scratched, the fluctuation of the subject's heartbeat, the depth of sleep of the subject, and the estimated amount of urine or the number of excretion of the subject. Is included.
  • the fourth aspect of the present disclosure is the environmental control system according to any one of the first to third aspects.
  • the first trained model is a model in which environmental information of the subject and data correlating with at least one of the sleep, excretion, movement, skin, and stress states of the subject are trained as a training data set. is there.
  • the fifth aspect of the present disclosure is the environmental control system according to the fourth aspect.
  • the first trained model further includes at least one of the subject's sleep, excretion, movement, skin, and stress states according to the combination of the subject's environmental information and the attribute information indicating the subject's attributes. It is a model that trains data that correlates with one.
  • the sixth aspect of the present disclosure is the environmental control system according to any one of the first to fifth aspects.
  • the second trained model provides data that correlates with the subject's sleep, excretion, movement, skin, and stress status and data that correlates with the magnitude of one or more possible future risks to the subject. It is a model trained as a training data set.
  • the estimation unit uses a nursing record as data regarding the condition of the subject.
  • the operating condition determination unit evaluates by weighting and adding data that correlates with the magnitude of one or more risks estimated by the estimation unit.
  • the ninth aspect of the present disclosure is the environmental control system according to the first aspect.
  • the environmental information includes at least one of temperature, humidity, atmospheric pressure, illuminance, and noise.
  • the tenth aspect of the present disclosure is the environmental control system according to the first aspect.
  • the actuator includes an air conditioner that controls the environment of the subject.
  • the eleventh aspect of the present disclosure is an environmental control system that controls the environment of the subject. Actuators that control the environment and An operating condition determination unit that determines the operating conditions of the actuator, A control unit that controls the actuator based on the operation conditions determined by the operation condition determination unit, It has an estimation part having a third trained model, and The third trained model is Data that correlates with at least one of the subject's sleep, excretion, movement, skin, and stress conditions, and environmental information indicating the subject's environment.
  • the operating condition determination unit determines the operating condition of the actuator by evaluating data that correlates with the magnitude of one or more risks estimated by the estimation unit.
  • an environmental control system that controls the environment of the target person.
  • FIG. 1 is a diagram showing an example of a system configuration of the environmental control system according to the first embodiment.
  • FIG. 2 is a diagram for explaining an outline of processing of the environmental control system (learning phase) according to the first embodiment.
  • FIG. 3 is a diagram for explaining an outline of processing of the environmental control system (estimation phase) according to the first embodiment.
  • FIG. 4 is a diagram showing an example of the hardware configuration of the data analysis device.
  • FIG. 5 is a diagram showing an example of the medical treatment person attribute information.
  • FIG. 6 is a diagram showing an example of environmental information.
  • FIG. 7 is a diagram showing an example of five-sided correlation data.
  • FIG. 8 is a diagram showing an example of five-sided data.
  • FIG. 9 is a diagram showing an example of risk occurrence information and risk correlation data.
  • FIG. 1 is a diagram showing an example of a system configuration of the environmental control system according to the first embodiment.
  • FIG. 2 is a diagram for explaining an outline of processing of the environmental control system (
  • FIG. 10A is a first diagram showing an example of the functional configuration of the first learning unit.
  • FIG. 10B is a second diagram showing an example of the functional configuration of the first learning unit.
  • FIG. 11A is a first diagram showing an example of the functional configuration of the second learning unit.
  • FIG. 11B is a second diagram showing an example of the functional configuration of the second learning unit.
  • FIG. 12A is a first diagram showing an example of the functional configuration of the first estimation unit.
  • FIG. 12B is a second diagram showing an example of the functional configuration of the first estimation unit.
  • FIG. 13 is a diagram showing an example of the functional configuration of the second estimation unit.
  • FIG. 14 is a diagram showing an example of the functional configuration of the operating condition determination unit.
  • FIG. 14 is a diagram showing an example of the functional configuration of the operating condition determination unit.
  • FIG. 15 is a flowchart showing the flow of data analysis processing by the data analysis device.
  • FIG. 16 is a first diagram showing another example of the functional configuration of the first learning unit.
  • FIG. 17 is a second diagram showing another example of the functional configuration of the first learning unit.
  • FIG. 18 is a diagram for explaining an outline of processing of the environmental control system (learning phase) according to the fourth embodiment.
  • FIG. 19 is a diagram for explaining an outline of processing of the environmental control system (estimation phase) according to the fourth embodiment.
  • FIG. 1 is a diagram showing an example of the system configuration of the environmental control system according to the first embodiment, and is a hospital or a long-term care facility (in the case of home medical treatment, the home of a medical treatment person who is an example of a target person). Will be installed in.
  • the environment control system 100 includes an actuator control system 110, a five-side measurement system 120, a state recording system 140, and a data analysis system 150.
  • each system is connected via the network 160. The configuration of each system will be described below.
  • the actuator control system 110 acquires environmental information indicating the environment of the recuperator by sensing the environment of the room where the recuperator 170 is located by using a sensing device, and the recuperator 170 obtains environmental information indicating the environment of the recuperator. This is a system that uses actuators to control the environment of the living room.
  • the actuator control system 110 includes an air conditioner 111, a lighting device 112, and a sound generator 113 as actuators. Further, the actuator control system 110 has a thermometer 114a, a hygrometer 114b, a barometer 114c, an illuminance meter 114d, and a sound level meter 114e as sensing devices. Further, the actuator control system 110 includes an actuator control device 115.
  • the air conditioner 111 is a device that removes dirt from the air in the living room where the recuperator 170 is located and controls the temperature and humidity.
  • the lighting device 112 is a device that controls the illuminance in the living room where the recuperator 170 is located.
  • the sound generator 113 is a device that generates sound, such as an audio device, a television, a radio, etc., and is a device that controls the volume of the living room in which the recuperator 170 is located.
  • the air conditioner 111, the lighting device 112, and the sound generator 113 control the temperature, humidity, illuminance, and volume, respectively, based on the instructions from the actuator control device 115.
  • thermometer 114a and the hygrometer 114b sense the temperature and humidity in the living room where the recuperator 170 is located at a predetermined cycle, and transmit the temperature data and the humidity data to the actuator control device 115.
  • the barometer 114c senses the atmospheric pressure in the living room where the recuperator 170 is located at a predetermined cycle, and transmits the atmospheric pressure data to the actuator control device 115.
  • the illuminance meter 114d senses the illuminance in the living room where the recuperator 170 is located at a predetermined cycle, and transmits the illuminance data to the actuator control device 115.
  • the sound level meter 114e senses the sound in the living room where the recuperator 170 is located at a predetermined cycle, and transmits the sound data to the actuator control device 115.
  • the actuator control device 115 has a collecting unit 116 and a control unit 117.
  • the collection unit 116 collects each data sensed by the sensing device and transmits it as environmental information to the data server 151 via the network 160.
  • the control unit 117 receives the actuator control pattern from the data analysis system 150 via the network 160. Further, the control unit 117 gives instructions to the air conditioner 111, the lighting device 112, and the sound generator 113 to control the temperature, humidity, illuminance, and volume based on the received actuator control pattern. As a result, the air conditioner 111, the lighting device 112, and the sound generator 113 can control the temperature, humidity, illuminance, and volume based on the received actuator control pattern.
  • the 5-side measurement system 120 senses data that correlates with the 5 sides (sleep, excretion, movement, skin, stress) of the medical treatment person 170 out of the biological information of the medical treatment person 170. It is a system that senses using.
  • the five-side measurement system 120 includes an infrared camera 121, a body motion sensor 122, an acceleration sensor 123, a electrocardiogram sensor 124, an ultrasonic sensor 125, a sleep sensor 126, and a five-side measurement device 127. And have.
  • the infrared camera 121 visualizes the infrared rays emitted from the recuperator 170.
  • the image data taken by the infrared camera 121 for example, the number of times the recuperator 170 scratches the skin of a specific part (number of movements) can be calculated. That is, the image data taken by the infrared camera 121 is data that correlates with "skin" among the five aspects of the recuperator 170.
  • the image data taken by the infrared camera 121 for example, the amount of movement when the recuperator 170 gets out of bed and moves can be calculated. That is, the image data taken by the infrared camera 121 is also data that correlates with "movement" among the five aspects of the recuperator 170.
  • the body movement sensor 122 is a sensor that detects the body movement of the recuperator 170 on the bed, and for example, a Doppler sensor or the like is used. By analyzing the body movement data detected by the body movement sensor 122, for example, the number of times the recuperator 170 turns over can be calculated. That is, the body movement data detected by the body movement sensor 122 is data that correlates with "sleep" among the five aspects of the recuperator 170. Further, based on the body movement data (vibration of the body surface) detected by the body movement sensor 122, for example, the fluctuation of the heartbeat of the recuperator 170 is calculated, and the degree of stress of the recuperator 170 (the sympathetic nerve and the parasympathetic nerve). The dominant state) can be specified. That is, the body movement data detected by the body movement sensor 122 is also data that correlates with "stress" among the five aspects of the recuperator 170.
  • the acceleration sensor 123 is a sensor that detects the movement of the recuperator 170. By analyzing the acceleration data measured by the acceleration sensor 123, for example, the movement amount of the recuperator 170 can be calculated. That is, the acceleration data measured by the acceleration sensor 123 is data that correlates with "movement" among the five aspects of the recuperator 170. Further, when the acceleration sensor 123 is attached to the arm of the recuperator 170, for example, the number of times the recuperator 170 scratches the skin of a specific portion (number of movements) can be detected. That is, the acceleration data measured by the acceleration sensor 123 is also data that correlates with "skin" among the five aspects of the recuperator 170.
  • the electrocardiographic potential sensor 124 is a sensor that measures the electrocardiographic potential of the recuperator 170.
  • the electrocardiographic data measured by the electrocardiographic sensor 124 for example, the fluctuation of the heartbeat of the recuperator 170 is calculated, and the degree of stress of the recuperator 170 (the dominant state of the sympathetic nerve and the parasympathetic nerve) is specified. be able to. That is, the electrocardiographic data measured by the electrocardiographic sensor 124 is data that correlates with "stress" among the five aspects of the recuperator 170.
  • the ultrasonic sensor 125 is a sensor that measures the amount of urine accumulated in the bladder of the recuperator 170. By analyzing the ultrasonic data measured by the ultrasonic sensor 125, for example, the estimated urine volume of the recuperator 170 can be calculated. That is, the ultrasonic data measured by the ultrasonic sensor 125 is data that correlates with "excretion" among the five aspects of the recuperator 170.
  • the sleep sensor 126 is a sensor that measures the sleep and awakening states of the recuperator 170.
  • the sleep depth of the recuperator 170 can be calculated by analyzing the sleep data measured by the sleep sensor 126 in combination with, for example, the number of times the recuperator 170 turns over. That is, the sleep data measured by the sleep sensor 126 is data that correlates with "sleep" among the five aspects of the recuperator 170.
  • the above-mentioned sensing device included in the 5-sided measurement system 120 is an example, and the 5-sided measurement system 120 may have a sensing device other than the above.
  • a sensing device other than the above For example, an electroencephalogram sensor, an RGB camera, a sound detection sensor, or the like may be arranged, and the data detected by these sensing devices may be used as data that correlates with "sleep", “movement”, “skin”, and the like.
  • the five-side measuring device 127 acquires image data taken by the infrared camera 121, body motion data detected by the body motion sensor 122, and acceleration data measured by the acceleration sensor 123. Further, the five-side measuring device 127 acquires the electrocardiographic data measured by the electrocardiographic sensor 124, the ultrasonic data measured by the ultrasonic sensor 125, and the sleep data measured by the sleep sensor 126. Further, the five-side measurement device 127 calculates data correlating with the five sides based on the acquired data, and transmits the data as five-side correlation data to the data server 151 via the network 160.
  • ⁇ As data that correlates with "skin”, the number of scratches on the skin is calculated based on the image data. -As data that correlates with "sleep”, the sleep depth is calculated based on the number of times of turning over calculated based on body movement data and the state of sleep and awakening calculated based on sleep data. ⁇ As data that correlates with "movement”, the amount of movement is calculated based on the acceleration data. ⁇ As data that correlates with "stress”, the fluctuation of the heartbeat is calculated based on the electrocardiographic data. -Calculate the estimated urine volume based on ultrasonic data as data that correlates with "excretion”. I made it.
  • the data that correlates with the five aspects is not limited to these, and the data used when calculating the data that correlates with the five aspects is not limited to these.
  • the number of excretion may be calculated based on the body movement data as data correlating with "excretion".
  • the state recording system 140 includes data on five aspects (sleep, excretion, movement, skin, stress) recorded in daily nursing records recorded by a nurse 130 who medically cares for a caregiver 170. , It is a system to input risk occurrence information.
  • the state recording system 140 has a state recording device 143.
  • the nurse 130 inputs the five-sided data 141 and the risk occurrence information 142 included in the daily nursing record into the state recording device 143.
  • the five-sided data 141 includes each item of "sleep”, “excretion”, “movement”, “skin”, and “stress”, and the nurse 130 observes the recuperator 170. By doing so, for example, the degree of each item is recorded in 5 stages.
  • the risk occurrence information 142 lists the items of problem events (risks) that may occur in the recuperator 170, and the nurse 130 observes the recuperator 170 to see if the problem event has occurred. Record whether or not.
  • “insomnia”, “bedridden”, “bedsore”, “constipation”, “pain”, etc. are listed as problematic events (risks) that may occur in the recuperator 170. There is.
  • the problematic event (risk) that may occur in the recuperator 170 is not limited to this.
  • the state recording device 143 transmits the five-sided data 141 and the risk occurrence information 142 input by the nurse 130 to the data server 151 via the network 160.
  • the data analysis system 150 is based on the knowledge obtained by analyzing the data accumulated for a plurality of medical treatment persons including the medical treatment person 170, and the data analysis system 150 causes a problem event in a new medical treatment person (target person). It is a system that identifies the optimum environment for suppressing the occurrence and contributing to the improvement of QOL.
  • the data analysis system 150 includes a data server 151 and a data analysis device 152.
  • the data server 151 is a server that stores data (learning data set) about a plurality of medical treatment persons including the medical treatment person 170.
  • the data server 151 stores the recuperator attribute information for a plurality of recuperators including the recuperator 170.
  • the data server 151 is provided with environmental information transmitted from the actuator control system 110, five-sided correlation data transmitted from the five-sided measurement system 120, five-sided data transmitted from the state recording system 140, and risk occurrence information. 142 and are accumulated.
  • a data analysis program is installed in the data analysis device 152.
  • the data analysis device 152 functions as a first learning unit 153a, a second learning unit 153b, a first estimation unit 154a, a second estimation unit 154b, and an operating condition determination unit 155 when the program is executed. To do.
  • the first learning unit 153a learns the five-sided correlation data according to the environmental information.
  • the second learning unit 153b learns data that correlates with the magnitude of one or more risks calculated based on the risk occurrence information according to the five-sided correlation data (and the five-sided data).
  • the first estimation unit 154a sequentially inputs a plurality of changed environmental information when the current environment of the new recuperator is changed based on a plurality of different actuator control patterns, and inputs the five-sided correlation data, respectively.
  • the actuator control pattern refers to various patterns that define operating conditions for operating the air conditioner 111, the lighting device 112, and the sound generator 113.
  • the second estimation unit 154b inputs the five-sided correlation data (and a combination of the five-sided data) estimated by the first estimation unit 154a and correlates with the magnitude of one or more risks of the new caregiver. Estimate each data to be used.
  • the operating condition determination unit 155 evaluates each of the data correlated with the magnitude of one or more risks estimated by the second estimation unit 154b. As a result, the operating condition determination unit 155 determines the optimum actuator control pattern. Further, the operating condition determination unit 155 transmits the determined actuator control pattern to the actuator control device 115 via the network 160.
  • FIG. 2 is a diagram for explaining an outline of processing of the environmental control system (learning phase) according to the first embodiment.
  • the first learning unit 153a learns the five-sided correlation data according to the environmental information.
  • -The environmental information of the predetermined section (for example, one day) transmitted from the actuator control system 110 and the five-sided correlation data at the start of the predetermined section transmitted from the five-side measurement system 120 are input.
  • -The 5 side correlation data of the predetermined section transmitted from the 5 side measurement system 120 is used as the correct answer data.
  • Machine learning is performed on the five-sided calculation model 201, and a learned five-sided calculation model is generated as a learning result.
  • the machine learning is performed using the learning data set of the environmental information about a plurality of medical treatment persons including the medical treatment person 170 and the five-sided correlation data accumulated in the data server 151. ..
  • the second learning unit 153b is data that correlates with the magnitude of the risk calculated based on the risk occurrence information according to the five-sided correlation data (and the five-sided data).
  • Learn risk correlation data
  • -The risk correlation data calculated based on the risk occurrence information transmitted from the status recording system 140 is used as the correct answer data.
  • Machine learning is performed on the risk prediction model 202, and a learned risk prediction model is generated as a learning result.
  • the second learning unit 153b is a learning data set of five-sided correlation data (and five-sided data) for a plurality of medical treatment persons including the medical treatment person 170 and risk correlation data stored in the data server 151.
  • the above machine learning is performed using.
  • FIG. 3 is a diagram for explaining an outline of processing of the environmental control system (estimation phase) according to the first embodiment.
  • the first estimation unit 154a determines a plurality of changed environmental information when the current environment of the new caregiver is changed based on a plurality of different actuator control patterns. Is input, and the five-sided correlation data is estimated respectively.
  • the data analysis system 150 holds a plurality of actuator control patterns in advance. Then, in the data analysis system 150, the trained five-sided calculation model 301, which is an example of the first trained model, is executed by inputting the environmental information when the actuator is controlled by each actuator control pattern one by one. Let me.
  • the data analysis system 150 executes the trained 5-sided calculation model 301 by inputting the current 5-sided correlation data of the new recuperator transmitted from the 5-sided measurement system 120.
  • the first estimation unit 154a One of the actuator control patterns among multiple actuator control patterns and -The current 5-sided correlation data transmitted from the 5-sided measurement system 120 and By inputting the combination of, the five-sided correlation data of the predetermined section ahead of the present is estimated.
  • the trained risk prediction model 302 which is an example of the second trained model, is executed by inputting the output data (five-side correlation data) output from the trained five-sided calculation model 301. Let me.
  • the trained risk prediction model 302 is executed by inputting a combination of the output data and the data related to the state of the recuperator (five side data transmitted from the state recording system 140).
  • the risk evaluation unit 303 evaluates the risk correlation data output from the trained risk prediction model 302.
  • the risk evaluation unit 303 evaluates the risk correlation data output from the trained risk prediction model 302 each time the actuator control pattern of 1 is input to the trained five-sided calculation model 301.
  • the actuator control pattern with the best evaluation result is specified.
  • the identified actuator control pattern is transmitted to the actuator control system 110 as the optimum actuator control pattern for controlling the current environment of the new caregiver.
  • FIG. 4 is a diagram showing an example of the hardware configuration of the data analysis device.
  • the data analysis device 152 includes a CPU (Central Processing Unit) 401, a ROM (Read Only Memory) 402, and a RAM (Random Access Memory) 403.
  • the CPU 401, ROM 402, and RAM 403 form a so-called computer.
  • the data analysis device 152 includes an auxiliary storage device 404, a display device 405, an operation device 406, an I / F (Interface) device 407, and a drive device 408.
  • the hardware of the data analysis device 152 is connected to each other via the bus 409.
  • the CPU 401 is an arithmetic device that executes various programs (for example, a data analysis program) installed in the auxiliary storage device 404.
  • ROM 402 is a non-volatile memory.
  • the ROM 402 functions as a main storage device, and stores various programs, data, and the like necessary for the CPU 401 to execute various programs installed in the auxiliary storage device 404.
  • the ROM 402 stores boot programs such as BIOS (Basic Input / Output System) and EFI (Extensible Firmware Interface).
  • RAM 403 is a volatile memory such as DRAM (Dynamic Random Access Memory) or SRAM (Static Random Access Memory).
  • the RAM 403 functions as a main storage device and provides a work area that is expanded when various programs installed in the auxiliary storage device 404 are executed by the CPU 401.
  • the auxiliary storage device 404 stores various programs and information used when various programs are executed.
  • the display device 405 is a display device that displays the internal state of the data analysis device 152.
  • the operation device 406 is, for example, an operation device for the administrator of the data analysis device 152 to perform various operations on the data analysis device 152.
  • the I / F device 407 is a connection device for connecting to the network 160 and receiving data.
  • the drive device 408 is a device for setting the recording medium 410.
  • the recording medium 410 referred to here includes a medium such as a CD-ROM, a flexible disk, a magneto-optical disk, or the like that optically, electrically, or magnetically records information. Further, the recording medium 410 may include a semiconductor memory or the like for electrically recording information such as a ROM or a flash memory.
  • the various programs installed in the auxiliary storage device 404 are installed, for example, by setting the distributed recording medium 410 in the drive device 408 and reading the various programs recorded in the recording medium 410 by the drive device 408. Will be done.
  • various programs installed in the auxiliary storage device 404 may be installed by being downloaded from the network 160.
  • the hardware configuration of the data analysis device 152 has been described, but it is assumed that the actuator control device 115, the five side measurement devices 127, and the state recording device 143 also have the same hardware configuration.
  • FIG. 5 is a diagram showing an example of the medical treatment person attribute information.
  • the recuperator attribute information is generated for each recuperator and stored in the data server 151.
  • FIG. 6 is a diagram showing an example of environmental information.
  • the environmental information is acquired for each recuperator and is stored in the data server 151 in association with the recuperator attribute information.
  • the horizontal axis represents the date and the vertical axis represents the environmental information.
  • FIG. 7 is a diagram showing an example of five-sided correlation data.
  • the five-side correlation data is acquired for each recuperator and is stored in the data server 151 in association with the recuperator attribute information.
  • the horizontal axis represents the date and the vertical axis represents the five-sided correlation data.
  • FIG. 8 is a diagram showing an example of five-sided data.
  • the five aspect data is acquired for each recuperator and is stored in the data server 151 in association with the recuperator attribute information.
  • the horizontal axis represents the date.
  • the five-sided data indicating each date indicates the five-sided data recorded in the nurse 130 on that date.
  • the 5 side data of the 2nd day are shown.
  • FIG. 9 is a diagram showing an example of risk occurrence information and risk correlation data.
  • the risk occurrence information and the risk correlation data are acquired and calculated for each recuperator, and the risk occurrence information is stored in the data server 151 in association with the recuperator attribute information.
  • the horizontal axis represents the date. Further, the risk occurrence information indicating each date indicates the risk occurrence information recorded in the nurse 130 on that date.
  • the risk correlation data for the item is 100%.
  • the risk correlation data for the item is 100%.
  • the risk correlation data is about 7% or about 5%, respectively, as shown in Graph 900_a1.
  • the risk correlation data for the item is 100%.
  • the risk correlation data for the item is 100%.
  • the risk correlation data is about 5% or about 10%, respectively, as shown in Graph 900_b1.
  • the risk correlation data for the item is 100%.
  • the risk correlation data for the item is 100%.
  • the risk correlation data is about 10% or about 5%, respectively, as shown in Graph 900_c1.
  • FIG. 10A is a first diagram showing an example of the functional configuration of the first learning unit. As shown in FIG. 10A, the first learning unit 153a has a five-sided calculation model 201 and a comparison and modification unit 1001.
  • the first learning unit 153a inputs the environmental information of the second day into the five-sided calculation model 201. Specifically, the first learning unit 153a inputs the temperature, humidity, atmospheric pressure, illuminance, and noise for one day in the living room into the five-side calculation model 201.
  • the temperature, humidity, atmospheric pressure, illuminance, and noise for one day in the living room to be input to the five-side calculation model 201 may be the transition of the data for one day, and the data for one day is calculated. Data (for example, average value, maximum value or minimum value, variation, etc.) may be used.
  • the first learning unit 153a inputs the five-sided correlation data at the start of the second day into the five-sided calculation model 201. Specifically, the first learning unit 153a inputs data correlating with the states of sleep, excretion, movement, skin, and stress at the start of the second day into the five-sided calculation model 201.
  • the first learning unit 153a executes the five-sided calculation model 201, and the five-sided calculation model 201 outputs the five-sided correlation data.
  • the five-sided calculation model 201 outputs data that correlates with the states of sleep, excretion, movement, skin, and stress.
  • the five-sided correlation data output from the five-sided calculation model 201 is input to the comparison and change unit 1001.
  • the comparison and change unit 1001 ⁇ Five-sided correlation data output from the five-sided calculation model 201 and -Five-sided correlation data (correct answer data) read from the data server 151 and To compare. Further, the comparison / change unit 1001 changes the model parameters of the five-side calculation model 201 according to the comparison result.
  • the first learning unit 153a ⁇ Environmental information of a predetermined section showing the environment of the recuperator, five-sided correlation data at the start of the predetermined section, and ⁇ Five-sided correlation data of the prescribed section of the recuperator and Machine learning is performed on the five-sided calculation model 201 that specifies the correspondence between the two. As a result, the first learning unit 153a generates a trained five-sided calculation model for estimating the five-sided correlation data as a learning result.
  • FIG. 10 shows a case where the first learning unit 153a inputs the temperature, humidity, atmospheric pressure, illuminance, and noise in the living room into the five-side calculation model 201 as environmental information.
  • the first learning unit 153a may be configured to input only a part of this information into the five-side calculation model 201.
  • Second Case In the first case, the case where the five-sided calculation model 201 outputs data correlating with the states of sleep, excretion, movement, skin, and stress is shown. However, the five-sided calculation model 201 may be configured to output only a part of these data.
  • FIG. 10B is a second diagram showing an example of the functional configuration of the first learning unit.
  • the first learning unit 153a inputs the environmental information on the second day and the two-sided correlation data at the start of the second day into the two-sided calculation model 201'.
  • the first learning unit 153a executes the two-sided calculation model 201', and the two-sided calculation model 201' outputs the two-sided correlation data.
  • the two-sided calculation model 201' outputs data that correlates with the state of sleep and excretion.
  • the two-sided correlation data output from the two-sided calculation model 201' is input to the comparison and change unit 1001.
  • the comparison and change unit 1001 -Two-sided correlation data output from the two-sided calculation model 201'and -Two-sided correlation data (correct answer data) read from the data server 151 and To compare. Further, the comparison / change unit 1001 changes the model parameters of the two-sided calculation model 201'according to the comparison result.
  • the first learning unit 153a ⁇ Environmental information of a predetermined section showing the environment of the recuperator, two-sided correlation data at the start of the predetermined section, and ⁇ Two-sided correlation data of the prescribed section of the recuperator and Machine learning is performed on the two-sided calculation model 201'that specifies the correspondence between the two. As a result, the first learning unit 153a generates a trained two-sided calculation model for estimating the two-sided correlation data as a learning result.
  • machine learning may be performed so as to output the one-sided correlation data or the three-sided four-sided correlation data.
  • FIG. 11A is a first diagram showing an example of a functional configuration of a second learning unit. As shown in FIG. 11A, the second learning unit 153b has a risk prediction model 202 and a comparison / modification unit 1101.
  • the second learning unit 153b inputs the five-sided correlation data into the risk prediction model 202. Specifically, the second learning unit 153b inputs data that correlates with the states of sleep, excretion, movement, skin, and stress into the risk prediction model 202.
  • the second learning unit 153b executes the risk prediction model 202, and the risk prediction model 202 outputs the risk correlation data.
  • the risk prediction model 202 outputs risk correlation data including items such as insomnia, bedridden, bedsores, constipation, pain, and the like.
  • the risk correlation data output from the risk prediction model 202 is input to the comparison / change unit 1101.
  • the second learning unit 153b ⁇ Five-sided correlation data of the prescribed section of the recuperator and -Machine learning is performed on the risk prediction model 202 that identifies the correspondence with the risk correlation data in a predetermined section of one or more risks that may occur in the future for the recuperator.
  • the second learning unit 153b generates a trained risk prediction model for estimating the risk correlation data.
  • the second learning unit 153b inputs data correlating with sleep, excretion, movement, skin, and stress states into the risk prediction model 202 as five-sided correlation data. The case to do is shown. However, the second learning unit 153b may input only a part of these data into the risk prediction model 202, and the rest may input a part of the five-sided data read from the data server 151.
  • FIG. 11B is a second diagram showing an example of the functional configuration of the second learning unit.
  • the second learning unit 153b inputs the two-sided correlation data on the second day and the three-sided data on the second day into the risk prediction model 202'.
  • the second learning unit 153b executes the risk prediction model 202', and the risk prediction model 202'outputs the risk correlation data.
  • the risk prediction model 202'outputs risk correlation data including items such as insomnia, bedridden, bedsores, constipation, pain, and the like.
  • the risk correlation data output from the risk prediction model 202' is input to the comparison / change unit 1101.
  • the comparison / change unit 1101 changes the model parameters of the risk prediction model 202'according to the comparison result.
  • the second learning unit 153b ⁇ Two-sided correlation data and three-sided data of a predetermined section of the recuperator, -Machine learning is performed on the risk prediction model 202'that identifies the correspondence with the risk correlation data in a predetermined section of one or more risks that may occur in the future for the recuperator.
  • the second learning unit 153b generates a trained risk prediction model for estimating the risk correlation data.
  • machine learning may be performed by inputting the one-sided correlation data and the four-sided data.
  • machine learning may be performed by inputting the three-sided correlation data and the two-sided data, or by inputting the four-sided correlation data and the one-sided data.
  • FIG. 12A is a first diagram showing an example of a functional configuration of a first estimation unit. As shown in FIG. 12A, the first estimation unit 154a has a trained five-sided calculation model 301.
  • the first estimation unit 154a sequentially applies the acquired environmental information after the change to the trained five-sided calculation model together with the current five-sided correlation data of the new recuperator (9th day in the example of FIG. 12A).
  • the trained five-sided calculation model 301 is executed.
  • the trained five-sided calculation model 301 estimates the five-sided correlation data 1210 corresponding to each environmental information.
  • the trained five-sided calculation model 301 is generated by performing machine learning using only a part of the temperature, humidity, atmospheric pressure, illuminance, and noise in the living room, the first The estimation unit 154a of the above inputs only a part thereof into the trained five-sided calculation model 301.
  • FIG. 12B is a second diagram showing an example of the functional configuration of the first estimation unit.
  • the first estimation unit 154a has a trained two-sided calculation model 301'.
  • the difference from FIG. 12A is that the first estimation unit 154a reads out the current two-sided correlation data of the new recuperator (in the example of FIG. 12A, the 9th day).
  • the first estimation unit 154a sequentially inputs the acquired environmental information after the change together with the current two-sided correlation data of the new recuperator into the learned two-sided calculation model 301', so that the learned two-sided aspect is input.
  • the calculation model 301' is executed.
  • the trained two-sided calculation model 301' estimates the two-sided correlation data 1211 corresponding to each environmental information.
  • FIG. 13 is a diagram showing an example of the functional configuration of the second estimation unit.
  • the example of 13a in FIG. 13 shows the case where the second estimation unit 154b has the trained risk prediction model 302.
  • the second estimation unit 154b acquires the five-sided correlation data sequentially output from the trained five-sided calculation model 301 of the first estimation unit 154a and inputs it to the trained risk prediction model 302 to input the trained risk. Execute the prediction model 302. As a result, the trained risk prediction model 302 estimates the risk correlation data 1310 corresponding to each of the five aspect correlation data.
  • the second estimation unit 154b acquires the data correlated with the sleep, excretion, movement, skin, and stress states output from the trained five-sided calculation model 301, and the trained risk prediction model 302.
  • the risk correlation data 1310 is estimated by inputting to.
  • the example of 13b in FIG. 13 shows a case where the second estimation unit 154b has a trained risk prediction model 302'which is an example of the second trained model.
  • the second estimation unit 154b acquires the data that correlates with the sleep and excretion states output from the trained two-sided calculation model 301'and inputs it to the trained risk prediction model 302'.
  • the second estimation unit 154b estimates the risk correlation data 1310.
  • FIG. 14 is a diagram showing an example of the functional configuration of the operating condition determination unit.
  • the operating condition determination unit 155 includes a risk evaluation unit 303 and a determination unit 1401.
  • the operating condition determination unit 155 acquires the risk correlation data 1310 sequentially output from the learned risk prediction model 302 of the second estimation unit 154b, and inputs the risk correlation data 1310 to the risk evaluation unit 303.
  • the risk evaluation unit 303 calculates each evaluation value for the input risk correlation data 1310.
  • the example of FIG. 14 shows how the evaluation value was calculated for the first input risk correlation data among the risk correlation data 1310.
  • Evaluation value n 1 x L 1 + n 2 x L 2 + n 3 x L 3 + ...
  • the risk evaluation unit 303 calculates an evaluation value for each risk correlation data included in the risk correlation data 1310, and sequentially outputs the evaluation value to the determination unit 1401.
  • the decision unit 1401 compares each evaluation value output from the risk evaluation unit 303 and extracts the maximum evaluation value. Further, the determination unit 1401 identifies the actuator control pattern 1410 corresponding to the extracted maximum evaluation value. That is, the determination unit 1401 identifies the actuator control pattern 1410 having the best evaluation result.
  • the determination unit 1401 transmits the specified actuator control pattern 1410 to the actuator control system 110.
  • FIG. 15 is a flowchart showing the flow of data analysis processing by the data analysis device.
  • the data server 151 is provided with the caregiver attribute information, environmental information, five-sided correlation data, five-sided data, and risk occurrence information (learning data) of a plurality of medical caregivers. It is assumed that the set) has been accumulated.
  • step S1501 the first learning unit 153a acquires environmental information from the data server 151.
  • step S1502 the first learning unit 153a and the second learning unit 153b acquire the five-side correlation data from the data server 151.
  • step S1503 the first learning unit 153a performs machine learning on the five-sided calculation model 201 that specifies the correspondence between the environmental information and the five-sided correlation data, and generates a learned five-sided calculation model.
  • step S1504 the second learning unit 153b acquires the five side data from the data server 151.
  • step S1505 the second learning unit 153b acquires risk occurrence information from the data server 151 and calculates risk correlation data.
  • step S1506 the second learning unit 153b performs machine learning on the risk prediction model 202 that specifies the correspondence between the five-sided correlation data (and the five-sided data) and the risk correlation data, and obtains the learned risk prediction model. Generate.
  • step S1507 the first estimation unit 154a inputs "1" to the counter N that counts the actuator control pattern.
  • step S1508 the first estimation unit 154a reads out the Nth actuator control pattern among the plurality of actuator control patterns previously held in the pattern storage unit 1201. In addition, the first estimation unit 154a specifies the changed environmental information when the environment of the living room where the new recuperator is present is changed by the read Nth actuator control pattern.
  • step S1509 the first estimation unit 154a inputs the environmental information specified in step S1508 into the trained five-sided calculation model, and estimates the five-sided correlation data.
  • step S1510 the second estimation unit 154b inputs the estimated five-sided correlation data and the current five-sided data into the trained risk prediction model, and estimates the risk correlation data.
  • step S1511 the first estimation unit 154a determines whether or not the risk correlation data has been estimated for all of the plurality of actuator control patterns previously held in the pattern storage unit 1201. If it is determined in step S1511 that there is an actuator control pattern for which the risk correlation data has not been estimated (NO in step S1511), the process proceeds to step S1512.
  • step S1512 the first estimation unit 154a increments the counter N and returns to step S1508.
  • step S1511 determines whether the risk correlation data has been estimated for all of the plurality of actuator control patterns (YES in step S1511). If it is determined in step S1511 that the risk correlation data has been estimated for all of the plurality of actuator control patterns (YES in step S1511), the process proceeds to step S1513.
  • step S1513 the operating condition determination unit 155 calculates an evaluation value for each of the estimated risk correlation data, and identifies the actuator control pattern corresponding to the maximum evaluation value. Further, the operating condition determination unit 155 transmits the specified actuator control pattern to the actuator control system 110.
  • -Learning by associating environmental information indicating the environment of the recuperator with the five-sided correlation data of the recuperator.
  • -Learn by associating the five-sided correlation data of the recuperator with the risk correlation data of one or more risks that may occur in the recuperator in the future.
  • the risk correlation data is estimated.
  • the risk correlation data is estimated by inputting the combination of the estimated five-sided correlation data and the current five-sided data of the new recuperator into the trained risk prediction model.
  • the operating conditions of the actuator that controls the environment of the new caregiver are determined.
  • the first embodiment it is possible to predict the risk of occurrence of a problem event in the recuperator and optimize the environment of the recuperator. That is, according to the first embodiment, it is possible to provide a control system that optimally controls the environment of the recuperator. As a result, the occurrence of problematic events can be suppressed, and the QOL of the recuperator can be improved.
  • the first learning unit 153a uses one day's worth of environmental information and one day's worth of five-sided correlation data when performing machine learning on the five-sided calculation model 201 has been described.
  • environmental information for a plurality of days and five-sided correlation data for a plurality of days may be used.
  • FIG. 16 is a first diagram showing another example of the functional configuration of the first learning unit. The difference from FIG. 10 is the environment information and the five-side correlation data read from the data server 151 by the first learning unit 153a.
  • the first learning unit 153a inputs the environmental information of the second to fifth days into the five-sided calculation model 201 together with the five-sided correlation data at the start of the second day. As a result, the first learning unit 153a executes the five-sided calculation model 201, and the five-sided calculation model 201 outputs the five-sided correlation data from the second day to the fifth day.
  • the five-sided correlation data output from the five-sided calculation model 201 from the second day to the fifth day is input to the comparison / change unit 1001.
  • the comparison and change unit 1001 -The 5 side correlation data output from the 5 side calculation model 201 and the 5 side correlation data from the 2nd day to the 5th day -The five-sided correlation data (correct answer data) from the second day to the fifth day read from the data server 151, To compare. Further, the comparison / change unit 1001 changes the model parameters of the five-side calculation model 201 based on the comparison result.
  • the first learning unit 153a ⁇ Environmental information for multiple days showing the environment of the recuperator, five-sided correlation data at the start of multiple days, and ⁇ Five-sided correlation data for multiple days of the recuperator and Machine learning may be performed on the five-sided calculation model 201 that specifies the correspondence between the two.
  • the second learning unit 153b performs machine learning on the risk prediction model 202 by inputting the five-sided correlation data for a plurality of days. Further, the first estimation unit 154a estimates the five-sided correlation data for a plurality of days, and the second estimation unit 154b estimates the risk correlation data by inputting the five-sided correlation data for a plurality of days. Become.
  • the accuracy of the estimated risk correlation data can be improved by using the data for multiple days.
  • the first learning unit 153a inputs environmental information when performing machine learning on the five-sided calculation model 201 has been described.
  • the caregiver attribute information may be further input.
  • FIG. 17 is a second diagram showing another example of the functional configuration of the first learning unit. The difference from FIG. 10 is that the first learning unit 153a reads out the recuperator attribute information 501 from the data server 151.
  • the five-sided correlation data at the start of the second day of "" is input to the five-sided calculation model 201.
  • the first learning unit 153a executes the five-sided calculation model 201, and the five-sided calculation model 201 outputs the five-sided correlation data.
  • the five-sided correlation data output from the five-sided calculation model 201 is input to the comparison and change unit 1001.
  • the comparison and change unit 1001 ⁇ Five-sided correlation data output from the five-sided calculation model 201 and -Five-sided correlation data (correct answer data) read from the data server 151 and To compare. Further, the comparison / change unit 1001 changes the model parameters of the five-side calculation model 201 based on the comparison result.
  • the medical treatment person attribute information is input to the first learning unit 153a here, the medical treatment person attribute information may be input to the second learning unit 153b.
  • the second learning unit 153b ⁇ Combination of the five-sided correlation data of the predetermined section of the recuperator and the recuperator attribute information, ⁇ Risk correlation data of one or more risks that may occur to the recuperator in the future, Machine learning will be performed on the risk prediction model 202 that identifies the correspondence between the two.
  • the medical treatment person attribute information is input to the first learning unit 153a
  • the medical treatment person attribute information is also input to the first estimation unit 154a
  • the medical treatment person attribute information is input to the second learning unit 153b.
  • the medical treatment person attribute information is also input to the second estimation unit 154b.
  • recuperator attribute information it is possible to estimate the risk correlation data according to the value of each item included in the recuperator attribute information such as gender, age, medical history, and so on. , The accuracy of risk correlation data can be improved.
  • the data analysis system 150 has been described as having the five-sided calculation model 201 and the risk prediction model 202.
  • the fourth embodiment the case where the data analysis system 150 has only the risk prediction model will be described.
  • FIG. 18 is a diagram for explaining an outline of processing of the environmental control system (learning phase) according to the fourth embodiment.
  • the risk prediction model 1800 is -Input the environmental information of the predetermined section transmitted from the actuator control system 110 and the m-side correlation data (and the (5-m) side-side data transmitted from the state recording system 140) transmitted from the 5-side measurement system 120. age, -The risk correlation data calculated based on the risk occurrence information transmitted from the status recording system 140 is used as the correct answer data. Perform machine learning to generate a trained risk prediction model.
  • FIG. 19 is a diagram for explaining an outline of processing of the environmental control system (estimation phase) according to the fourth embodiment.
  • the trained risk prediction model 1900 which is an example of the third trained model, is ⁇ Multiple environmental information after the change when the current environment of the new recuperator is changed based on multiple different actuator control patterns, and The current m-side correlation data of the new recuperator transmitted from the 5-side measurement system 120 (and the current (5-m) side data of the new recuperator transmitted from the state recording system 140) and To estimate the risk correlation data respectively.
  • the risk evaluation unit 303 evaluates the risk correlation data output from the trained risk prediction model 1900.
  • the risk evaluation unit 303 evaluates the risk correlation data output from the trained risk prediction model 1900 each time one actuator control pattern is input to the trained risk prediction model 1900.
  • the actuator control pattern with the best evaluation result is specified.
  • the identified actuator control pattern is transmitted to the actuator control system 110 as the optimum actuator control pattern for controlling the current environment of the new caregiver.
  • the data analysis system generates 1 trained model (trained risk prediction model), and estimates the risk correlation data using the 1 trained model.
  • the fourth embodiment it is possible to provide an environmental control system that optimally controls the environment of the recuperator. As a result, the occurrence of problematic events can be suppressed, and the QOL of the recuperator can be improved.
  • the data analysis device 152 uses the first learning unit 153a, the second learning unit 153b, the first estimation unit 154a, the second estimation unit 154b, and the operating conditions. It has been described as having a determination unit 155. However, each part of the data analysis device 152 may be configured as a separate device in the data analysis system 150. Alternatively, a part of each unit (for example, the operating condition determination unit 155) included in the data analysis device 152 may be realized in, for example, the actuator control system 110.
  • the five-sided calculation model 201 and the two-sided calculation model 201'are executed when executed, the five-sided correlation data and the two-sided correlation data at the start of a predetermined section are input. explained. However, it is not necessary to input the 5-sided correlation data and the 2-sided correlation data at the start of the predetermined section (that is, the environmental information of the predetermined section and the 5-sided correlation data of the predetermined section may be associated and learned). In this case, the trained five-sided calculation model 301 and the trained two-sided calculation model 301'are generated as more general models that do not depend on the state of each individual recuperator.
  • the second estimation unit 154b is, for example, -Two-sided correlation data 1211 output from the trained two-sided calculation model 301'and ⁇ Of the current 5 side data 1312, the degree of movement, skin, and stress, was explained as inputting.
  • the combination of data input to the trained risk prediction model 302' is not limited to this.
  • a part of the current five-sided data 1312 may be replaced with a part of the corresponding part of the current five-sided correlation data.
  • the second estimation unit 154b when executing the trained risk prediction model 302', the second estimation unit 154b, for example, -Two-sided correlation data 1211 output from the trained two-sided calculation model 301'and ⁇ Of the current 5 side data 1312, the degree of movement and skin, ⁇ Of the current five-sided correlation data, the data that correlates with stress and May be entered.
  • the "data on the condition of the recuperator" described in the first to third embodiments includes one or both of the current five-sided data and the current five-sided correlation data.
  • the details of the model (5-sided calculation model, 2-sided calculation model, risk prediction model) used for machine learning are not particularly mentioned, but they are used for machine learning.
  • Any kind of model shall be applied to the model.
  • any kind of model such as an NN (Neural Network) model, a random forest model, and an SVM (Support Vector Machine) model is applied.
  • the details of the changing method when changing the model parameter based on the comparison result by the comparison and changing section are not particularly mentioned, but the method of changing the model parameter by the comparison and changing section.
  • the method of changing the model parameter by the comparison and changing section followss the type of model.
  • Environmental control system 110 Actuator control system 115: Actuator control device 116: Collection unit 117: Control unit 120: 5 side measurement system 140: Status recording system 141: 5 side data 142: Risk occurrence information 150: Data analysis system 151 : Data server 152: Data analysis device 153a: First learning unit 153b: Second learning unit 154a: First estimation unit 154b: Second estimation unit 155: Operating condition determination unit 201: 5 Side calculation model 202: Risk prediction model 301: Learned 5 aspect calculation model 302: Learned risk prediction model 303: Risk evaluation unit 501 to 503: Recuperator attribute information 900_a1 etc .: Risk correlation data 1401: Decision unit 1800: Risk prediction model 1900: Learned Risk prediction model

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Physiology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Signal Processing (AREA)
  • Cardiology (AREA)
  • Databases & Information Systems (AREA)
  • Psychiatry (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Combustion & Propulsion (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Mechanical Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Psychology (AREA)
  • Pulmonology (AREA)
  • Software Systems (AREA)

Abstract

対象者の環境を制御する環境制御システムを提供する。対象者の環境を制御するアクチュエータと、前記アクチュエータの運転を制御する制御部と、を有する環境制御システムであって、対象者の環境を示す環境情報と前記対象者の睡眠、排泄、移動、皮膚、ストレスの状態のいずれかと相関するデータとを関連付けて学習した第１学習済みモデルと、前記対象者の睡眠、排泄、移動、皮膚、ストレスの状態のいずれかと相関するデータと前記対象者に将来起こり得る１つ以上のリスクの大きさに相関するデータとを関連付けて学習した第２学習済みモデルとを有する推定部と、前記第１及び第２学習済みモデルに基づいて、対象者に将来起こり得る前記１つ以上のリスクの大きさに相関するデータが推定された場合に、該推定されたデータを評価することで、前記アクチュエータの運転条件を決定する運転条件決定部とを有する。

Description

環境制御システム
　本開示は、環境制御システムに関する。
　従来より、医療介護の現場では、療養者の生体情報をリアルタイムにセンシングして記録したり、療養者の日々の状態を看護記録として残すなど、療養者に関する様々なデータの取得が行われている。かかるデータを用いれば、療養者に発生した問題事象を的確に捉え、問題事象に応じた医療介護を行うことができる。
特開２０１９－１７４９９号公報
　一方で、療養者に問題事象が発生する前に、発生のリスクを予測し、予測したリスクに応じた環境を予め療養者に提供することができれば、問題事象の発生を抑制できるとともに、療養者のＱＯＬ（Quality Of Life）向上にも貢献できると考えられる。
　本開示は、対象者の環境を制御する環境制御システムを提供する。
　本開示の第１の態様は、対象者の環境を制御する環境制御システムであって、
　環境を制御するアクチュエータと、
　前記アクチュエータの運転条件を決定する運転条件決定部と、
　前記運転条件決定部により決定された運転条件に基づいて前記アクチュエータを制御する制御部と、
　第１学習済みモデルと第２学習済みモデルとを有する推定部と、を有し、
　前記第１学習済みモデルは、
　　対象者の環境を示す環境情報と、
　　前記対象者の睡眠、排泄、移動、皮膚、ストレスの状態の少なくともいずれか１つと相関するデータと、
　を関連付けて学習したモデルであり、
　前記第２学習済みモデルは、
　　前記対象者の睡眠、排泄、移動、皮膚、ストレスの状態の少なくともいずれか１つと相関するデータと、
　　前記対象者に将来起こり得る１つ以上のリスクの大きさに相関するデータと、
　を関連付けて学習したモデルであり、
　前記推定部は、
　対象者の環境情報を前記第１学習済みモデルに入力したときの出力データ、又は、前記第１学習済みモデルに入力したときの出力データと対象者の状態に関するデータとの組み合わせを、前記第２学習済みモデルに入力することで前記１つ以上のリスクの大きさに相関するデータを推定し、
　前記運転条件決定部は、前記推定部によって推定された前記１つ以上のリスクの大きさに相関するデータを評価することによって、前記アクチュエータの運転条件を決定する。
　本開示の第１の態様によれば、対象者の環境を制御する環境制御システムを提供することができる。
　また、本開示の第２の態様は、第１の態様に記載の環境制御システムであって、
　前記第２学習済みモデルは、前記対象者の睡眠、排泄、移動、皮膚、ストレスの状態の少なくともいずれか１つと相関するデータとして前記対象者の生体情報を用いて学習したモデルである。
　また、本開示の第３の態様は、第２の態様に記載の環境制御システムであって、
　前記生体情報には、前記対象者の移動量、前記対象者の掻破回数、前記対象者の心拍のゆらぎ、前記対象者の睡眠深度、前記対象者の推定尿量または排泄回数、の少なくともいずれかが含まれる。
　また、本開示の第４の態様は、第１乃至第３の態様のいずれかの態様に記載の環境制御システムであって、
　前記第１学習済みモデルは、前記対象者の環境情報と前記対象者の睡眠、排泄、移動、皮膚、ストレスの状態の少なくともいずれか１つと相関するデータとを学習用データセットとして学習したモデルである。
　また、本開示の第５の態様は、第４の態様に記載の環境制御システムであって、
　前記第１学習済みモデルは、更に、前記対象者の環境情報と前記対象者の属性を示す属性情報との組み合わせに従って、前記対象者の睡眠、排泄、移動、皮膚、ストレスの状態の少なくともいずれか１つと相関するデータを学習したモデルである。
　また、本開示の第６の態様は、第１乃至第５の態様のいずれかの態様に記載の環境制御システムであって、
　前記第２学習済みモデルは、前記対象者の睡眠、排泄、移動、皮膚、ストレスの状態と相関するデータと、前記対象者に将来起こり得る１つ以上のリスクの大きさに相関するデータとを学習用データセットとして学習したモデルである。
　また、本開示の第７の態様は、第１乃至第６の態様のいずれかの態様に記載の環境制御システムであって、
　前記推定部は、対象者の状態に関するデータとして看護記録を用いる。
　また、本開示の第８の態様は、第１の態様に記載の環境制御システムであって、
　前記運転条件決定部は、前記推定部により推定された、前記１つ以上のリスクの大きさに相関するデータを重み付け加算することで評価する。
　また、本開示の第９の態様は、第１の態様に記載の環境制御システムであって、
　前記環境情報には、温度、湿度、気圧、照度、騒音の少なくともいずれか１つが含まれる。
　また、本開示の第１０の態様は、第１の態様に記載の環境制御システムであって、
　前記アクチュエータには、前記対象者の環境を制御する空調機器が含まれる。
　また、本開示の第１１の態様は、対象者の環境を制御する環境制御システムであって、
　環境を制御するアクチュエータと、
　前記アクチュエータの運転条件を決定する運転条件決定部と、
　前記運転条件決定部により決定された運転条件に基づいて前記アクチュエータを制御する制御部と、
　第３学習済みモデルを有する推定部と、を有し、
　前記第３学習済みモデルは、
　　対象者の睡眠、排泄、移動、皮膚、ストレスの状態の少なくともいずれか１つと相関するデータ、及び、前記対象者の環境を示す環境情報と、
　　前記対象者に将来起こり得る１つ以上のリスクの大きさに相関するデータと、
　を関連付けて学習したモデルであり、
　前記推定部は、
　対象者の睡眠、排泄、移動、皮膚、ストレスの状態の少なくともいずれか１つと相関するデータ、及び、対象者の環境情報を、前記第３学習済みモデルに入力することで、前記１つ以上のリスクの大きさに相関するデータを推定し、
　前記運転条件決定部は、前記推定部によって推定された１つ以上のリスクの大きさに相関するデータを評価することによって、前記アクチュエータの運転条件を決定する。
　本開示の第１１の態様によれば、対象者の環境を制御する環境制御システムを提供することができる。
図１は、第１の実施形態に係る環境制御システムのシステム構成の一例を示す図である。 図２は、第１の実施形態に係る環境制御システム（学習フェーズ）の処理の概要を説明するための図である。 図３は、第１の実施形態に係る環境制御システム（推定フェーズ）の処理の概要を説明するための図である。 図４は、データ解析装置のハードウェア構成の一例を示す図である。 図５は、療養者属性情報の一例を示す図である。 図６は、環境情報の一例を示す図である。 図７は、５側面相関データの一例を示す図である。 図８は、５側面データの一例を示す図である。 図９は、リスク発生情報及びリスク相関データの一例を示す図である。 図１０Ａは、第１の学習部の機能構成の一例を示す第１の図である。 図１０Ｂは、第１の学習部の機能構成の一例を示す第２の図である。 図１１Ａは、第２の学習部の機能構成の一例を示す第１の図である。 図１１Ｂは、第２の学習部の機能構成の一例を示す第２の図である。 図１２Ａは、第１の推定部の機能構成の一例を示す第１の図である。 図１２Ｂは、第１の推定部の機能構成の一例を示す第２の図である。 図１３は、第２の推定部の機能構成の一例を示す図である。 図１４は、運転条件決定部の機能構成の一例を示す図である。 図１５は、データ解析装置によるデータ解析処理の流れを示すフローチャートである。 図１６は、第１の学習部の機能構成の他の一例を示す第１の図である。 図１７は、第１の学習部の機能構成の他の一例を示す第２の図である。 図１８は、第４の実施形態に係る環境制御システム（学習フェーズ）の処理の概要を説明するための図である。 図１９は、第４の実施形態に係る環境制御システム（推定フェーズ）の処理の概要を説明するための図である。
　以下、各実施形態について添付の図面を参照しながら説明する。なお、本明細書及び図面において、実質的に同一の機能構成を有する構成要素については、同一の符号を付することにより重複した説明を省く。
　［第１の実施形態］
　＜環境制御システムのシステム構成＞
　はじめに、第１の実施形態に係る環境制御システムのシステム構成について説明する。図１は、第１の実施形態に係る環境制御システムのシステム構成の一例を示す図であり、病院や介護施設（在宅療養の場合にあっては、対象者の一例である療養者の自宅）に設置される。図１に示すように、環境制御システム１００は、アクチュエータ制御システム１１０と、５側面計測システム１２０と、状態記録システム１４０と、データ解析システム１５０とを有する。環境制御システム１００において、各システムは、ネットワーク１６０を介して接続される。以下、各システムの構成について説明する。
　（１）アクチュエータ制御システムの構成
　アクチュエータ制御システム１１０は、療養者１７０がいる居室の環境をセンシング機器を用いてセンシングすることで、療養者の環境を示す環境情報を取得するとともに、療養者１７０がいる居室の環境を、アクチュエータを用いて制御するシステムである。
　具体的には、アクチュエータ制御システム１１０は、アクチュエータとして、空調機器１１１と、照明機器１１２と、音発生装置１１３とを有する。また、アクチュエータ制御システム１１０は、センシング機器として、温度計１１４ａと、湿度計１１４ｂと、気圧計１１４ｃと、照度計１１４ｄと、騒音計１１４ｅとを有する。更に、アクチュエータ制御システム１１０は、アクチュエータ制御装置１１５を有する。
　空調機器１１１は、療養者１７０がいる居室内の空気の汚れを除去し、温度、湿度を制御する機器である。照明機器１１２は、療養者１７０がいる居室内の照度を制御する機器である。音発生装置１１３は、オーディオ装置やテレビ、ラジオ等のように音を発生する装置であり、療養者１７０がいる居室内の音量を制御する装置である。
　空調機器１１１、照明機器１１２、音発生装置１１３は、アクチュエータ制御装置１１５からの指示に基づいて、それぞれ、温度、湿度、照度、音量を制御する。
　温度計１１４ａ、湿度計１１４ｂは、療養者１７０がいる居室内の温度、湿度を所定周期でセンシングし、温度データ、湿度データをアクチュエータ制御装置１１５に送信する。気圧計１１４ｃは、療養者１７０がいる居室内の気圧を所定周期でセンシングし、気圧データをアクチュエータ制御装置１１５に送信する。
　照度計１１４ｄは、療養者１７０がいる居室内の照度を所定周期でセンシングし、照度データをアクチュエータ制御装置１１５に送信する。騒音計１１４ｅは、療養者１７０がいる居室内の音を所定周期でセンシングし、音データをアクチュエータ制御装置１１５に送信する。
　アクチュエータ制御装置１１５は、収集部１１６と制御部１１７とを有する。収集部１１６は、センシング機器によりセンシングされた各データを収集し、環境情報として、ネットワーク１６０を介してデータサーバ１５１に送信する。
　制御部１１７は、ネットワーク１６０を介してデータ解析システム１５０より、アクチュエータ制御パターンを受信する。また、制御部１１７は、受信したアクチュエータ制御パターンに基づいて、空調機器１１１、照明機器１１２、音発生装置１１３に対して、温度、湿度、照度、音量を制御するための指示を行う。これにより、空調機器１１１、照明機器１１２、音発生装置１１３は、受信したアクチュエータ制御パターンに基づいて、温度、湿度、照度、音量を制御することができる。
　（２）５側面計測システムの構成
　５側面計測システム１２０は、療養者１７０の生体情報のうち、療養者１７０の５側面（睡眠、排泄、移動、皮膚、ストレス）に相関するデータを、センシング機器を用いてセンシングするシステムである。
　具体的には、５側面計測システム１２０は、赤外線カメラ１２１と、体動センサ１２２と、加速度センサ１２３と、心電位センサ１２４と、超音波センサ１２５と、睡眠センサ１２６と、５側面計測装置１２７とを有する。
　赤外線カメラ１２１は、療養者１７０から放射される赤外線を可視化する。赤外線カメラ１２１で撮影された画像データを解析することで、例えば、療養者１７０が特定の部位の皮膚を掻いた掻破回数（動作回数）を算出することができる。つまり、赤外線カメラ１２１により撮影された画像データは、療養者１７０の５側面のうち、"皮膚"に相関するデータである。また、赤外線カメラ１２１で撮影された画像データを解析することで、例えば、療養者１７０が離床して移動した際の移動量を算出することができる。つまり、赤外線カメラ１２１により撮影された画像データは、療養者１７０の５側面のうち、"移動"に相関するデータでもある。
　体動センサ１２２は、療養者１７０のベッド上での体動を検知するセンサであり、例えばドップラセンサ等が用いられる。体動センサ１２２により検知された体動データを解析することで、例えば、療養者１７０の寝返り回数を算出することができる。つまり、体動センサ１２２により検知された体動データは、療養者１７０の５側面のうち、"睡眠"に相関するデータである。また、体動センサ１２２により検知された体動データ（体表面の振動）に基づいて、例えば、療養者１７０の心拍のゆらぎを算出し、療養者１７０のストレスの度合い（交換神経と副交感神経の優位状態）を特定することができる。つまり、体動センサ１２２により検知された体動データは、療養者１７０の５側面のうち、"ストレス"に相関するデータでもある。
　加速度センサ１２３は、療養者１７０の動きを検知するセンサである。加速度センサ１２３により計測された加速度データを解析することで、例えば、療養者１７０の移動量を算出することができる。つまり、加速度センサ１２３により計測された加速度データは、療養者１７０の５側面のうち、"移動"に相関するデータである。また、加速度センサ１２３が療養者１７０の腕に装着された場合にあっては、例えば、療養者１７０が特定の部位の皮膚を掻いた掻破回数（動作回数）を検出することができる。つまり、加速度センサ１２３により計測された加速度データは、療養者１７０の５側面のうち、"皮膚"に相関するデータでもある。
　心電位センサ１２４は、療養者１７０の心電位を計測するセンサである。心電位センサ１２４により計測された心電位データを解析することで、例えば、療養者１７０の心拍のゆらぎを算出し、療養者１７０のストレスの度合い（交換神経と副交感神経の優位状態）を特定することができる。つまり、心電位センサ１２４により計測される心電位データは、療養者１７０の５側面のうち、"ストレス"に相関するデータである。
　超音波センサ１２５は、療養者１７０の膀胱にたまった尿量を計測するセンサである。超音波センサ１２５により計測された超音波データを解析することで、例えば、療養者１７０の推定尿量を算出することができる。つまり、超音波センサ１２５により計測された超音波データは、療養者１７０の５側面のうち、"排泄"に相関するデータである。
　睡眠センサ１２６は、療養者１７０の睡眠と覚醒の状態を計測するセンサである。睡眠センサ１２６により計測された睡眠データを、例えば、療養者１７０の寝返り回数等と組み合わせて解析することで、療養者１７０の睡眠深度を算出することができる。つまり、睡眠センサ１２６により計測された睡眠データは、療養者１７０の５側面のうち、"睡眠"に相関するデータである。
　なお、５側面計測システム１２０が有する上記センシング機器は一例であり、５側面計測システム１２０は、上記以外のセンシング機器を有していてもよい。例えば、脳波センサや、ＲＧＢカメラ、音検出センサ等を配し、これらのセンシング機器で検出したデータを、"睡眠"、"移動"、"皮膚"等に相関するデータとして用いてもよい。
　５側面計測装置１２７は、赤外線カメラ１２１で撮影された画像データ、体動センサ１２２より検知された体動データ、加速度センサ１２３により計測された加速度データを取得する。また、５側面計測装置１２７は、心電位センサ１２４により計測された心電位データ、超音波センサ１２５により計測された超音波データ、睡眠センサ１２６により計測された睡眠データを取得する。更に、５側面計測装置１２７は、取得したデータに基づいて、５側面に相関するデータを算出し、ネットワーク１６０を介して、５側面相関データとして、データサーバ１５１に送信する。
　なお、上記説明では、
・"皮膚"に相関するデータとして、画像データに基づいて皮膚を掻いた掻破回数を算出し、
・"睡眠"に相関するデータとして、体動データに基づいて算出した寝返り回数と、睡眠データに基づいて算出した睡眠及び覚醒の状態と、に基づいて睡眠深度を算出し、
・"移動"に相関するデータとして、加速度データに基づいて移動量を算出し、
・"ストレス"に相関するデータとして、心電位データに基づいて心拍のゆらぎを算出し、
・"排泄"に相関するデータとして、超音波データに基づいて推定尿量を算出する、
ものとした。
　しかしながら、５側面に相関するデータは、これらに限定されず、また、５側面に相関するデータを算出する際に用いるデータも、これらに限定しない。例えば、"排泄"に相関するデータとして、体動データに基づいて排泄回数を算出してもよい。
　（３）状態記録システムの構成
　状態記録システム１４０は、療養者１７０を医療介護する看護師１３０が記録した、日々の看護記録に含まれる５側面（睡眠、排泄、移動、皮膚、ストレス）データと、リスク発生情報とを入力するシステムである。
　具体的には、状態記録システム１４０は、状態記録装置１４３を有する。看護師１３０は、日々の看護記録に含まれる５側面データ１４１、リスク発生情報１４２を、状態記録装置１４３に入力する。
　図１に示すように、５側面データ１４１には、"睡眠"、"排泄"、"移動"、"皮膚"、"ストレス"の各項目が含まれ、看護師１３０は、療養者１７０を観察することで、例えば、各項目の程度を５段階で記録する。
　また、リスク発生情報１４２には、療養者１７０に発生する可能性のある問題事象（リスク）の項目が列挙され、看護師１３０は、療養者１７０を観察することで、問題事象が発生したか否かを記録する。図１の例では、療養者１７０に発生する可能性のある問題事象（リスク）として、"不眠症"、"ねたきり"、"床ずれ"、"便秘"、"痛み"等が列挙されている。なお、療養者１７０に発生する可能性のある問題事象（リスク）はこれに限定されるものではない。
　状態記録装置１４３は、看護師１３０により入力された５側面データ１４１、リスク発生情報１４２を、ネットワーク１６０を介して、データサーバ１５１に送信する。
　（４）データ解析システムの構成
　データ解析システム１５０は、療養者１７０を含む複数の療養者について蓄積したデータを解析することで得た知見に基づき、新たな療養者（対象者）における問題事象の発生を抑制し、ＱＯＬ向上に貢献するための最適な環境を特定するシステムである。
　具体的には、データ解析システム１５０は、データサーバ１５１と、データ解析装置１５２とを有する。
　データサーバ１５１は、療養者１７０を含む複数の療養者についてのデータ（学習用データセット）を蓄積するサーバである。データサーバ１５１には、療養者１７０を含む複数の療養者についての療養者属性情報が蓄積される。
　また、データサーバ１５１には、アクチュエータ制御システム１１０より送信された環境情報と、５側面計測システム１２０より送信された５側面相関データと、状態記録システム１４０より送信された５側面データ及びリスク発生情報１４２とが蓄積される。
　データ解析装置１５２には、データ解析プログラムがインストールされている。データ解析装置１５２は、当該プログラムが実行されることで、第１の学習部１５３ａ、第２の学習部１５３ｂ、第１の推定部１５４ａ、第２の推定部１５４ｂ、運転条件決定部１５５として機能する。
　第１の学習部１５３ａは、環境情報に従って、５側面相関データを学習する。また、第２の学習部１５３ｂは、５側面相関データ（及び５側面データ）に従って、リスク発生情報に基づいて算出される１つ以上のリスクの大きさに相関するデータを学習する。
　第１の推定部１５４ａは、新たな療養者の現在の環境を、複数の異なるアクチュエータ制御パターンに基づいて変化させた場合の変化後の複数の環境情報を順次入力し、５側面相関データをそれぞれ推定する。なお、アクチュエータ制御パターンとは、空調機器１１１、照明機器１１２、音発生装置１１３を動作させるための運転条件を定めた様々なパターンを指す。
　第２の推定部１５４ｂは、第１の推定部１５４ａにより推定された５側面相関データ（と５側面データとの組み合わせ）を入力し、新たな療養者の１つ以上のリスクの大きさに相関するデータを、それぞれ推定する。
　運転条件決定部１５５は、第２の推定部１５４ｂによりそれぞれ推定された、１つ以上のリスクの大きさに相関するデータをそれぞれ評価する。これにより、運転条件決定部１５５は、最適なアクチュエータ制御パターンを決定する。また、運転条件決定部１５５は、決定したアクチュエータ制御パターンを、ネットワーク１６０を介して、アクチュエータ制御装置１１５に送信する。
　＜環境制御システムの処理の概要＞
　次に、環境制御システム１００の処理の概要について説明する。
　（１）学習フェーズにおける環境制御システムの処理の概要
　はじめに、学習フェーズにおける環境制御システム１００の処理の概要について説明する。図２は、第１の実施形態に係る環境制御システム（学習フェーズ）の処理の概要を説明するための図である。
　上述したように、データ解析システム１５０において、第１の学習部１５３ａは、環境情報に従って、５側面相関データを学習する。具体的には、
・アクチュエータ制御システム１１０より送信された所定区間（例えば、１日分）の環境情報と５側面計測システム１２０より送信された、当該所定区間開始時の５側面相関データとを入力とし、
・５側面計測システム１２０より送信された、当該所定区間の５側面相関データを正解データとして、
５側面算出モデル２０１について機械学習を行い、学習結果として、学習済み５側面算出モデルを生成する。
　なお、第１の学習部１５３ａでは、データサーバ１５１に蓄積された、療養者１７０を含む複数の療養者についての環境情報と５側面相関データとの学習用データセットを用いて上記機械学習を行う。
　また、上述したように、データ解析システム１５０において、第２の学習部１５３ｂは、５側面相関データ（及び５側面データ）に従って、リスク発生情報に基づいて算出されるリスクの大きさに相関するデータ（リスク相関データ）を学習する。具体的には、
・５側面計測システム１２０より送信された、所定区間の５側面相関データ（及び状態記録システム１４０より送信された５側面データ）を入力とし、
・状態記録システム１４０より送信されたリスク発生情報に基づいて算出されたリスク相関データを正解データとして、
リスク予測モデル２０２について機械学習を行い、学習結果として、学習済みリスク予測モデルを生成する。
　なお、第２の学習部１５３ｂは、データサーバ１５１に蓄積された、療養者１７０を含む複数の療養者についての５側面相関データ（及び５側面データ）と、リスク相関データとの学習用データセットを用いて上記機械学習を行う。
　（２）推定フェーズにおける環境制御システムの処理の概要
　次に、推定フェーズにおける環境制御システム１００の処理の概要について説明する。図３は、第１の実施形態に係る環境制御システム（推定フェーズ）の処理の概要を説明するための図である。
　上述したように、データ解析システム１５０において、第１の推定部１５４ａは、新たな療養者の現在の環境を、複数の異なるアクチュエータ制御パターンに基づいて変化させた場合の変化後の複数の環境情報を入力し、５側面相関データをそれぞれ推定する。
　具体的には、図３に示すように、データ解析システム１５０では、予め複数のアクチュエータ制御パターンを保持しておく。そして、データ解析システム１５０では、それぞれのアクチュエータ制御パターンによりアクチュエータを制御した場合の環境情報を、１つずつ入力することで、第１学習済みモデルの一例である学習済み５側面算出モデル３０１を実行させる。
　このとき、データ解析システム１５０では、５側面計測システム１２０より送信された、新たな療養者の現在の５側面相関データをあわせて入力することで、学習済み５側面算出モデル３０１を実行させる。
　つまり、第１の推定部１５４ａは、
・複数のアクチュエータ制御パターンのうちのいずれかのアクチュエータ制御パターンと、
・５側面計測システム１２０より送信された、現在の５側面相関データと、
の組み合わせを入力することで、現在より先の所定区間の５側面相関データを推定する。
　また、データ解析システム１５０では、学習済み５側面算出モデル３０１より出力された出力データ（５側面相関データ）を入力することで、第２学習済みモデルの一例である学習済みリスク予測モデル３０２を実行させる。あるいは、データ解析システム１５０では、該出力データと療養者の状態に関するデータ（状態記録システム１４０より送信された５側面データ）との組み合わせを入力することで、学習済みリスク予測モデル３０２を実行させる。
　また、データ解析システム１５０では、学習済みリスク予測モデル３０２より出力されたリスク相関データについて、リスク評価部３０３が評価する。リスク評価部３０３では、１のアクチュエータ制御パターンが学習済み５側面算出モデル３０１に入力されるごとに、学習済みリスク予測モデル３０２より出力されるリスク相関データについて評価する。
　リスク評価部３０３により、全てのリスク相関データについて評価が完了することで、評価結果が最もよいアクチュエータ制御パターンが特定される。これにより、特定されたアクチュエータ制御パターンが、新たな療養者の現在の環境を制御する際の最適なアクチュエータ制御パターンとして、アクチュエータ制御システム１１０に送信される。
　＜データ解析装置のハードウェア構成＞
　次に、データ解析装置１５２のハードウェア構成について説明する。図４は、データ解析装置のハードウェア構成の一例を示す図である。図４に示すように、データ解析装置１５２は、ＣＰＵ（Central Processing Unit）４０１、ＲＯＭ（Read Only Memory）４０２、ＲＡＭ（Random Access Memory）４０３を有する。ＣＰＵ４０１、ＲＯＭ４０２、ＲＡＭ４０３は、いわゆるコンピュータを形成する。また、データ解析装置１５２は、補助記憶装置４０４、表示装置４０５、操作装置４０６、Ｉ／Ｆ（Interface）装置４０７、ドライブ装置４０８を有する。データ解析装置１５２の各ハードウェアは、バス４０９を介して相互に接続される。
　ＣＰＵ４０１は、補助記憶装置４０４にインストールされている各種プログラム（例えば、データ解析プログラム等）を実行する演算デバイスである。ＲＯＭ４０２は、不揮発性メモリである。ＲＯＭ４０２は、主記憶デバイスとして機能し、補助記憶装置４０４にインストールされている各種プログラムをＣＰＵ４０１が実行するために必要な各種プログラムやデータ等を格納する。具体的には、ＲＯＭ４０２はＢＩＯＳ（Basic Input/Output System）やＥＦＩ（Extensible Firmware Interface）等のブートプログラム等を格納する。
　ＲＡＭ４０３は、ＤＲＡＭ（Dynamic Random Access Memory）やＳＲＡＭ（Static Random Access Memory）等の揮発性メモリである。ＲＡＭ４０３は、主記憶デバイスとして機能し、補助記憶装置４０４にインストールされている各種プログラムがＣＰＵ４０１によって実行される際に展開される作業領域を提供する。
　補助記憶装置４０４は、各種プログラムや、各種プログラムが実行される際に用いられる情報を格納する。
　表示装置４０５は、データ解析装置１５２の内部状態を表示する、表示デバイスである。操作装置４０６は、例えば、データ解析装置１５２の管理者がデータ解析装置１５２に対して各種操作を行うための操作デバイスである。Ｉ／Ｆ装置４０７は、ネットワーク１６０と接続し、データを受信するための接続デバイスである。
　ドライブ装置４０８は記録媒体４１０をセットするためのデバイスである。ここでいう記録媒体４１０には、ＣＤ－ＲＯＭ、フレキシブルディスク、光磁気ディスク等のように情報を光学的、電気的あるいは磁気的に記録する媒体が含まれる。また、記録媒体４１０には、ＲＯＭ、フラッシュメモリ等のように情報を電気的に記録する半導体メモリ等が含まれていてもよい。
　なお、補助記憶装置４０４にインストールされる各種プログラムは、例えば、配布された記録媒体４１０がドライブ装置４０８にセットされ、該記録媒体４１０に記録された各種プログラムがドライブ装置４０８により読み出されることでインストールされる。あるいは、補助記憶装置４０４にインストールされる各種プログラムは、ネットワーク１６０よりダウンロードされることで、インストールされてもよい。
　また、図４では、データ解析装置１５２のハードウェア構成について説明したが、アクチュエータ制御装置１１５、５側面計測装置１２７、状態記録装置１４３についても同様のハードウェア構成を有しているものとする。
　＜データサーバに蓄積されるデータ＞
　次に、データサーバ１５１に蓄積される学習用データセット（療養者属性情報、環境情報、５側面相関データ、５側面データ、リスク発生情報）の具体例について説明する。
　（１）療養者属性情報の具体例
　はじめに、療養者属性情報の具体例について説明する。図５は、療養者属性情報の一例を示す図である。療養者属性情報は、療養者ごとに生成され、データサーバ１５１に蓄積される。図５の例は、療養者氏名＝"ＡＡＡ"、"ＢＢＢ"、"ＣＣＣ"の各療養者の療養者属性情報５０１～５０３を示している。
　図５に示すように、療養者属性情報５０１～５０３には、情報の項目として、"性別"、"生年月日（年齢）"、"既往歴"、"療養経過"、"疾患名"、"疾患のステージ"、"入院日"、"ＡＤＬスコア"、"区分（終末期または回復期）"等が含まれる。
　（２）環境情報の具体例
　次に、環境情報の具体例について説明する。図６は、環境情報の一例を示す図である。環境情報は、療養者ごとに取得され、療養者属性情報と対応付けてデータサーバ１５１に蓄積される。
　図６に示す環境情報において、横軸は日付を、縦軸は環境情報をそれぞれ表している。このうち、図６の６ａは、療養者氏名＝"ＡＡＡ"の療養者がいる居室内の温度、湿度、気圧、照度、騒音についての、所定期間分のデータを示している。同様に、図６の６ｂは、療養者氏名＝"ＢＢＢ"の療養者がいる居室内の温度、湿度、気圧、照度、騒音についての、所定期間分のデータを示している。同様に、図６の６ｃは、療養者氏名＝"ＣＣＣ"の療養者がいる居室内の温度、湿度、気圧、照度、騒音についての、所定期間分のデータを示している。
　（３）５側面相関データの具体例
　次に、５側面相関データの具体例について説明する。図７は、５側面相関データの一例を示す図である。５側面相関データは、療養者ごとに取得され、療養者属性情報と対応付けてデータサーバ１５１に蓄積される。
　図７に示す５側面相関データにおいて、横軸は日付を、縦軸は５側面相関データをそれぞれ表している。このうち、図７の７ａは、療養者氏名＝"ＡＡＡ"の療養者の、移動量、掻破回数（動作回数）、心拍ゆらぎ、推定尿量、睡眠深度についての、所定期間分のデータを示している。
　同様に、図７の７ｂは、療養者氏名＝"ＢＢＢ"の療養者の、移動量、掻破回数（動作回数）、心拍ゆらぎ、推定尿量、睡眠深度についての、所定期間分のデータを示している。同様に、図７の７ｃは、療養者氏名＝"ＣＣＣ"の療養者の、移動量、掻破回数（動作回数）、心拍ゆらぎ、推定尿量、睡眠深度についての、所定期間分のデータを示している。
　（４）５側面データの具体例
　次に、５側面データの具体例について説明する。図８は、５側面データの一例を示す図である。５側面データは、療養者ごとに取得され、療養者属性情報と対応付けてデータサーバ１５１に蓄積される。
　図８に示す５側面データにおいて、横軸は日付を表している。また、各日付を指す５側面データは、当該日付において看護師１３０に記録された５側面データを示している。例えば、５側面データ１４１＿ａ１は、所定期間の初日における、療養者氏名＝"ＡＡＡ"の療養者の５側面データを表している。また、５側面データ１４１＿ａ２は、所定期間の２日目における、療養者氏名＝"ＡＡＡ"の療養者の５側面データを表している。
　以下、同様に、５側面データ１４１＿ｂ１、１４１＿ｂ２は、療養者氏名＝"ＢＢＢ"の初日及び２日目の５側面データを表し、５側面データ１４１＿ｃ１、１４１＿ｃ２は、療養者氏名＝"ＣＣＣ"の初日及び２日目の５側面データを表している。
　なお、図８に示すように、５側面データには、"睡眠"、"排泄"、"移動"、"皮膚"、"ストレス"の各項目の程度が５段階で記録されている。
　（５）リスク発生情報の具体例
　次に、リスク発生情報の具体例、及び、リスク発生情報に基づいて算出されるリスク相関データの具体例について説明する。図９は、リスク発生情報及びリスク相関データの一例を示す図である。
　リスク発生情報及びリスク相関データは、療養者ごとに取得及び算出され、リスク発生情報は、療養者属性情報と対応付けてデータサーバ１５１に蓄積される。
　図９に示すリスク発生情報及びリスク相関データにおいて、横軸は日付を表している。また、各日付を指すリスク発生情報は、当該日付において看護師１３０に記録されたリスク発生情報を示している。
　例えば、リスク発生情報１４２＿ａ１５は、所定期間の１５日目における、療養者氏名＝"ＡＡＡ"の療養者のリスク発生情報を表している。また、リスク発生情報１４２＿ａ２２は、所定期間の２２日目における、療養者氏名＝"ＡＡＡ"の療養者のリスク発生情報を表している。
　一方、グラフ９００＿ａ１、グラフ９００＿ａ１５、グラフ９００＿ａ２２は、それぞれ、所定期間における初日、１５日目、２２日目における、療養者氏名＝"ＡＡＡ"のリスク相関データを表している。
　例えば、リスク発生情報１４２＿ａ２２によれば、療養者氏名＝"ＡＡＡ"の場合、所定期間の２２日目において、"ねたきり"、"床ずれ"、"便秘"が発生している。このため、グラフ９００＿ａ２２において、当該項目についてのリスク相関データは１００％となる。同様に、リスク発生情報１４２＿ａ１５によれば、療養者氏名＝"ＡＡＡ"の場合、所定期間の１５日目において、"ねたきり"が発生している。このため、グラフ９００＿ａ１５において、当該項目についてのリスク相関データは１００％になる。
　一方で、リスク発生情報１４２＿ａ１５によれば、療養者氏名＝"ＡＡＡ"の場合、所定期間の１５日目においては、"床ずれ"、"便秘"は発生していない。しかしながら、上述したように、これらの項目は、所定期間の２２日目には発生する。したがって、所定期間の１５日目においては、グラフ９００＿ａ１５に示すように、リスク相関データは約７０％となる（＝１５÷２２×１００）。
　同様に、所定期間の初日においては、いかなるリスクも発生していないが、"ねたきり"、"床ずれ"、"便秘"については、それぞれ、所定期間の１５日目または２２日目に発生する。したがって、所定期間内の所日においては、グラフ９００＿ａ１に示すように、リスク相関データはそれぞれ、約７％または約５％となる。
　同様に、例えば、リスク発生情報１４２＿ｂ９は、所定期間の９日目における、療養者氏名＝"ＢＢＢ"の療養者のリスク発生情報を表している。また、リスク発生情報１４２＿ｂ１７は、所定期間の１７日目における、療養者氏名＝"ＢＢＢ"の療養者のリスク発生情報を表している。
　また、グラフ９００＿ｂ１、グラフ９００＿ｂ９、グラフ９００＿ｂ１７は、それぞれ、所定期間における初日、９日目、１７日目における、療養者氏名＝"ＢＢＢ"のリスク相関データを表している。
　例えば、リスク発生情報１４２＿ｂ１７によれば、療養者氏名＝"ＢＢＢ"の場合、所定期間の１７日目において、"不眠症"、"痛み"が発生している。このため、グラフ９００＿ｂ１７において、当該項目についてのリスク相関データは１００％になる。同様に、リスク発生情報１４２＿ｂ９によれば、療養者氏名＝"ＢＢＢ"の場合、所定期間の９日目において、"痛み"が発生している。このため、グラフ９００＿ｂ９において、当該項目についてのリスク相関データは１００％になる。
　一方で、リスク発生情報１４２＿ｂ９によれば、療養者氏名＝"ＢＢＢ"の場合、所定期間の９日目においては、"不眠症"は発生していない。しかしながら、上述したように、この項目は、所定期間の１７日目には発生する。したがって、所定期間の９日目においては、グラフ９００＿ｂ９に示すようにリスク相関データは約５０％となる（＝９÷１７×１００）。
　同様に、所定期間の初日においては、いかなるリスクも発生していないが、"不眠症"、"痛み"については、それぞれ、所定期間の１７日目または９日目に発生する。したがって、所定期間の初日においては、グラフ９００＿ｂ１に示すように、リスク相関データはそれぞれ、約５％または約１０％となる。
　同様に、例えば、リスク発生情報１４２＿ｃ１０は、所定期間の１０日目における、療養者氏名＝"ＣＣＣ"の療養者のリスク発生情報を表している。また、リスク発生情報１４２＿ｃ１８は、所定期間の１８日目における、療養者氏名＝"ＣＣＣ"の療養者のリスク発生情報を表している。
　また、グラフ９００＿ｃ１、グラフ９００＿ｃ１０、グラフ９００＿ｃ１８は、それぞれ、所定期間における初日、１０日目、１８日目における、療養者氏名＝"ＣＣＣ"のリスク相関データを表している。
　例えば、リスク発生情報１４２＿ｃ１８によれば、療養者氏名＝"ＣＣＣ"の場合、所定期間の１８日目において、"不眠症"、"便秘"が発生している。このため、グラフ９００＿ｃ１８において、当該項目についてのリスク相関データは１００％となる。同様に、リスク発生情報１４２＿ｃ１０によれば、療養者氏名＝"ＣＣＣ"の場合、所定期間の１０日目において、"不眠症"が発生している。このため、グラフ９００＿ｃ１０において、当該項目についてのリスク相関データは１００％になる。
　一方で、リスク発生情報１４２＿ｃ１０によれば、療養者氏名＝"ＣＣＣ"の場合、所定期間の１０日目においては、"便秘"は発生していない。しかしながら、上述したように、この項目は、所定期間の１８日目には発生する。したがって、所定期間の１０日目においては、リスク相関データは約５０％となる（＝１０÷１８×１００）。
　同様に、所定期間の初日においては、いかなるリスクも発生していないが、"不眠症"、"便秘"については、それぞれ、所定期間の１０日目または１８日目に発生する。したがって、所定期間の初日においては、グラフ９００＿ｃ１に示すように、リスク相関データはそれぞれ、約１０％または約５％となる。
　＜第１の学習部の機能構成＞
　次に、データ解析装置１５２の第１の学習部１５３ａの機能構成について説明する。ここでは、異なるデータセットを用いて学習するケースについて説明する。
　（１）第１のケース
　図１０Ａは、第１の学習部の機能構成の一例を示す第１の図である。図１０Ａに示すように、第１の学習部１５３ａは、５側面算出モデル２０１と、比較及び変更部１００１とを有する。
　第１の学習部１５３ａは、データサーバ１５１より環境情報（図１０Ａの例では、療養者氏名＝"ＡＡＡ"の２日目の環境情報）を読み出す。また、第１の学習部１５３ａは、５側面相関データ（図１０Ａの例では、療養者氏名＝"ＡＡＡ"の２日目開始時点での５側面相関データ及び２日目の５側面相関データを読み出す。
　また、第１の学習部１５３ａは、このうち、２日目の環境情報を５側面算出モデル２０１に入力する。具体的には、第１の学習部１５３ａは、居室内の１日分の温度、湿度、気圧、照度、騒音を５側面算出モデル２０１に入力する。なお、５側面算出モデル２０１に入力する居室内の１日分の温度、湿度、気圧、照度、騒音は、１日分のデータの変遷であってもよいし、１日分のデータを演算処理したデータ（例えば、平均値、最大値または最小値、ばらつき等）であってもよい。
　また、第１の学習部１５３ａは、２日目開始時点での５側面相関データを５側面算出モデル２０１に入力する。具体的には、第１の学習部１５３ａは、２日目開始時点での睡眠、排泄、移動、皮膚、ストレスの状態に相関するデータを５側面算出モデル２０１に入力する。
　これにより、第１の学習部１５３ａは、５側面算出モデル２０１を実行させ、５側面算出モデル２０１は、５側面相関データを出力する。具体的には、５側面算出モデル２０１は、睡眠、排泄、移動、皮膚、ストレスの状態に相関するデータを出力する。
　５側面算出モデル２０１より出力された５側面相関データは、比較及び変更部１００１に入力される。比較及び変更部１００１は、
・５側面算出モデル２０１より出力された５側面相関データと、
・データサーバ１５１より読み出した５側面相関データ（正解データ）と、
を比較する。また、比較及び変更部１００１は、比較結果に応じて、５側面算出モデル２０１のモデルパラメータを変更する。
　このように、第１の学習部１５３ａは、
・療養者の環境を示す所定区間の環境情報及び所定区間開始時点での５側面相関データと、
・療養者の所定区間の５側面相関データと、
の対応関係を特定する５側面算出モデル２０１について機械学習を行う。これにより、第１の学習部１５３ａは、学習結果として、５側面相関データを推定するための学習済み５側面算出モデルを生成する。
　なお、図１０の例は、第１の学習部１５３ａが、環境情報として、居室内の温度、湿度、気圧、照度、騒音を５側面算出モデル２０１に入力する場合について示した。しかしながら、第１の学習部１５３ａは、これらの情報の一部のみを、５側面算出モデル２０１に入力するように構成してもよい。
　（２）第２のケース
　上記第１のケースでは、５側面算出モデル２０１が、睡眠、排泄、移動、皮膚、ストレスの状態に相関するデータを出力する場合について示した。しかしながら、５側面算出モデル２０１は、これらのデータの一部のみを出力するように構成してもよい。
　図１０Ｂは、第１の学習部の機能構成の一例を示す第２の図である。図１０Ａとの相違点は、第１の学習部１５３ａが、５側面相関データのうちの２側面相関データを読み出している点である。具体的には、療養者氏名＝"ＡＡＡ"の２日目開始時点での睡眠、排泄の状態に相関するデータ、及び、療養者氏名＝"ＡＡＡ"の２日目の睡眠、排泄の状態に相関するデータを読み出している点である。
　図１０Ｂの場合、第１の学習部１５３ａは、２日目の環境情報と、２日目開始時点での２側面相関データとを、２側面算出モデル２０１'に入力する。これにより、第１の学習部１５３ａは、２側面算出モデル２０１'を実行させ、２側面算出モデル２０１'は、２側面相関データを出力する。具体的には２側面算出モデル２０１'は、睡眠、排泄の状態に相関するデータを出力する。
　２側面算出モデル２０１'より出力された２側面相関データは、比較及び変更部１００１に入力される。比較及び変更部１００１は、
・２側面算出モデル２０１'より出力された２側面相関データと、
・データサーバ１５１より読み出された２側面相関データ（正解データ）と、
を比較する。また、比較及び変更部１００１は、比較結果に応じて、２側面算出モデル２０１'のモデルパラメータを変更する。
　このように、第１の学習部１５３ａは、
・療養者の環境を示す所定区間の環境情報及び所定区間開始時点での２側面相関データと、
・療養者の所定区間の２側面相関データと、
の対応関係を特定する２側面算出モデル２０１'について機械学習を行う。これにより、第１の学習部１５３ａは、学習結果として、２側面相関データを推定するための学習済み２側面算出モデルを生成する。
　なお、図１０Ｂの例では、２側面相関データを出力する場合について説明したが、１側面相関データあるいは３側面、４側面相関データを出力するように機械学習を行ってもよい。
　＜第２の学習部の機能構成＞
　次に、データ解析装置１５２の第２の学習部１５３ｂの機能構成について説明する。ここでも、異なるデータセットを用いて学習するケースについて説明する。
　（１）第１のケース
　図１１Ａは、第２の学習部の機能構成の一例を示す第１の図である。図１１Ａに示すように、第２の学習部１５３ｂは、リスク予測モデル２０２と、比較及び変更部１１０１とを有する。
　第２の学習部１５３ｂは、データサーバ１５１より５側面相関データ（図１１の例では、療養者氏名＝"ＡＡＡ"の２日目の５側面相関データ）を読み出す。また、第２の学習部１５３ｂは、データサーバ１５１よりリスク発生情報を読み出し、リスク相関データ（図１１の例では、療養者氏名＝"ＡＡＡ"の２日目のリスク相関データ）を算出する。
　第２の学習部１５３ｂは、５側面相関データをリスク予測モデル２０２に入力する。具体的には、第２の学習部１５３ｂは、睡眠、排泄、移動、皮膚、ストレスの状態に相関するデータをリスク予測モデル２０２に入力する。
　これにより、第２の学習部１５３ｂは、リスク予測モデル２０２を実行させ、リスク予測モデル２０２は、リスク相関データを出力する。具体的には、リスク予測モデル２０２は、不眠症、ねたきり、床ずれ、便秘、痛み、・・・等の項目を含むリスク相関データを出力する。
　リスク予測モデル２０２より出力されたリスク相関データは、比較及び変更部１１０１に入力される。比較及び変更部１１０１は、
・リスク予測モデル２０２より出力されたリスク相関データと、
・データサーバ１５１より読み出したリスク発生情報に基づいて算出したリスク相関データ（正解データ）と、
を比較する。また、比較及び変更部１１０１は、比較結果に応じて、リスク予測モデル２０２のモデルパラメータを変更する。
　このように、第２の学習部１５３ｂは、
・療養者の所定区間の５側面相関データと、
・療養者に将来起こり得る１つ以上のリスクの所定区間におけるリスク相関データと
の対応関係を特定するリスク予測モデル２０２について機械学習を行う。これにより、第２の学習部１５３ｂは、リスク相関データを推定するための学習済みリスク予測モデルを生成する。
　（２）第２のケース
　上記第１のケースでは、第２の学習部１５３ｂが、５側面相関データとして、睡眠、排泄、移動、皮膚、ストレスの状態に相関するデータをリスク予測モデル２０２に入力する場合について示した。しかしながら、第２の学習部１５３ｂは、これらのデータの一部のみを、リスク予測モデル２０２に入力し、残りは、データサーバ１５１より読み出した５側面データの一部を入力してもよい。
　図１１Ｂは、第２の学習部の機能構成の一例を示す第２の図である。図１１Ｂとの相違点は、第２の学習部１５３ｂが、５側面相関データのうちの２側面相関データ（図１１Ｂの例では、療養者氏名＝"ＡＡＡ"の２日目の睡眠、排泄の状態に相関するデータ）を読み出している点である。また、第２の学習部１５３ｂが、５側面データのうちの３側面データ（図１１Ｂの例では、療養者氏名＝"ＡＡＡ"の２日目の移動、皮膚、ストレスの程度）を読み出している点である。
　図１１Ｂの場合、第２の学習部１５３ｂは、２日目の２側面相関データと、２日目の３側面データとを、リスク予測モデル２０２'に入力する。これにより、第２の学習部１５３ｂは、リスク予測モデル２０２'を実行させ、リスク予測モデル２０２'は、リスク相関データを出力する。具体的には、リスク予測モデル２０２'は、不眠症、ねたきり、床ずれ、便秘、痛み、・・・等の項目を含むリスク相関データを出力する。
　リスク予測モデル２０２'より出力されたリスク相関データは、比較及び変更部１１０１に入力される。比較及び変更部１１０１は、
・リスク予測モデル２０２'より出力されたリスク相関データと、
・データサーバ１５１より読み出したリスク発生情報に基づいて算出したリスク相関データ（正解データ）と、
を比較する。また、比較及び変更部１１０１は、比較結果に応じて、リスク予測モデル２０２'のモデルパラメータを変更する。
　このように、第２の学習部１５３ｂは、
・療養者の所定区間の２側面相関データ及び３側面データと、
・療養者に将来起こり得る１つ以上のリスクの所定区間におけるリスク相関データと
の対応関係を特定するリスク予測モデル２０２'について機械学習を行う。これにより、第２の学習部１５３ｂは、リスク相関データを推定するための学習済みリスク予測モデルを生成する。
　なお、図１１Ｂの例では、２側面相関データと３側面データとを入力する場合について説明したが、１側面相関データと４側面データとを入力して機械学習を行ってもよい。あるいは、３側面相関データと２側面データとを入力して、あるいは、４側面相関データと１側面データとを入力して機械学習を行ってもよい。
　＜第１の推定部の機能構成＞
　次に、データ解析装置１５２の第１の推定部１５４ａの機能構成について説明する。ここでは、異なるデータセットを用いて推定するケースについて説明する。
　（１）第１のケース
　図１２Ａは、第１の推定部の機能構成の一例を示す第１の図である。図１２Ａに示すように、第１の推定部１５４ａは、学習済み５側面算出モデル３０１を有する。
　第１の推定部１５４ａは、パターン格納部１２０１に予め保持された複数のアクチュエータ制御パターンを順次読み出す。そして、第１の推定部１５４ａは、読み出したそれぞれのアクチュエータ制御パターンで、新たな療養者（療養者氏名＝"ＸＸＸ"）、対象者）がいる居室の環境を変化させた場合の変化後の環境情報をそれぞれ特定する。また、第１の推定部１５４ａは、新たな療養者の現在の５側面相関データを読み出す。
　そして、第１の推定部１５４ａは、取得した変化後の環境情報を、新たな療養者の現在（図１２Ａの例では９日目）の５側面相関データとともに、順次、学習済み５側面算出モデル３０１に入力することで、学習済み５側面算出モデル３０１を実行させる。これにより、学習済み５側面算出モデル３０１は、それぞれの環境情報に対応する５側面相関データ１２１０を推定する。
　なお、学習済み５側面算出モデル３０１が、居室内の温度、湿度、気圧、照度、騒音のうちの一部のみを用いて機械学習を行うことにより生成されていた場合にあっては、第１の推定部１５４ａは当該一部のみを、学習済み５側面算出モデル３０１に入力する。
　（２）第２のケース
　上記第１のケースでは、第１の推定部１５４ａが、学習済み５側面算出モデル３０１を有する場合について示した。これに対して、第２のケースでは、第１の推定部１５４ａが、第１学習済みモデルの一例である学習済み２側面算出モデル３０１'を有する場合について説明する。
　図１２Ｂは、第１の推定部の機能構成の一例を示す第２の図である。図１２Ｂに示すように、第１の推定部１５４ａは、学習済み２側面算出モデル３０１'を有する。図１２Ａとの相違点は、第１の推定部１５４ａが、新たな療養者の現在（図１２Ａの例では、９日目）の２側面相関データを読み出している点である。
　第１の推定部１５４ａは、取得した変化後の環境情報を、新たな療養者の現在の２側面相関データとともに、順次、学習済み２側面算出モデル３０１'に入力することで、学習済み２側面算出モデル３０１'を実行させる。これにより、学習済み２側面算出モデル３０１'は、それぞれの環境情報に対応する２側面相関データ１２１１を推定する。
　＜第２の推定部の機能構成＞
　次に、データ解析装置１５２の第２の推定部１５４ｂの機能構成について説明する。図１３は、第２の推定部の機能構成の一例を示す図である。このうち、図１３の１３ａの例は、第２の推定部１５４ｂが、学習済みリスク予測モデル３０２を有する場合を示している。
　第２の推定部１５４ｂは、第１の推定部１５４ａの学習済み５側面算出モデル３０１より順次出力された５側面相関データを取得し、学習済みリスク予測モデル３０２に入力することで、学習済みリスク予測モデル３０２を実行させる。これにより、学習済みリスク予測モデル３０２は、それぞれの５側面相関データに対応するリスク相関データ１３１０を推定する。
　具体的には、第２の推定部１５４ｂは、学習済み５側面算出モデル３０１より出力された、睡眠、排泄、移動、皮膚、ストレスの状態に相関するデータを取得し、学習済みリスク予測モデル３０２に入力することで、リスク相関データ１３１０を推定する。
　一方、図１３の１３ｂの例は、第２の推定部１５４ｂが、第２学習済みモデルの一例である学習済みリスク予測モデル３０２'を有する場合を示している。第２の推定部１５４ｂは、学習済み２側面算出モデル３０１'より出力された、睡眠、排泄の状態に相関するデータを取得し、学習済みリスク予測モデル３０２'に入力する。また、第２の推定部１５４ｂは、新たな療養者（図１３の例では、療養者氏名＝"ＸＸＸ"）の現在の５側面データ１３１２をデータサーバ１５１から読み出し、移動、皮膚、ストレスの程度を学習済みリスク予測モデル３０２に入力する。これにより、第２の推定部１５４ｂは、リスク相関データ１３１０を推定する。
　＜運転条件決定部の機能構成＞
　次に、データ解析装置１５２の運転条件決定部１５５の機能構成について説明する。図１４は、運転条件決定部の機能構成の一例を示す図である。図１４に示すように、運転条件決定部１５５は、リスク評価部３０３と、決定部１４０１とを有する。
　運転条件決定部１５５は、第２の推定部１５４ｂの学習済みリスク予測モデル３０２より順次出力されたリスク相関データ１３１０を取得し、リスク評価部３０３に入力する。
　リスク評価部３０３は、入力されたリスク相関データ１３１０について、それぞれの評価値を算出する。図１４の例は、リスク相関データ１３１０のうち、１番目に入力されたリスク相関データについて評価値を算出した様子を示している。
　具体的には、リスク評価部３０３は、１番目に入力されたリスク相関データの各項目の値（不眠症＝Ｌ１％、ねたきり＝Ｌ２％、床ずれ＝Ｌ３％、・・・）を下式に基づいて重み付け加算することで、評価値を算出する。
評価値＝ｎ１×Ｌ１＋ｎ２×Ｌ２＋ｎ３×Ｌ３＋・・・
　なお、リスク評価部３０３は、リスク相関データ１３１０に含まれる各リスク相関データについてそれぞれ評価値を算出し、順次、決定部１４０１に出力する。
　決定部１４０１は、リスク評価部３０３より出力された各評価値を比較し、最大の評価値を抽出する。また、決定部１４０１は、抽出した最大の評価値に対応するアクチュエータ制御パターン１４１０を特定する。つまり、決定部１４０１は、評価結果が最もよいアクチュエータ制御パターン１４１０を特定する。
　また、決定部１４０１は、特定したアクチュエータ制御パターン１４１０をアクチュエータ制御システム１１０に送信する。
　＜データ解析装置によるデータ解析処理の流れ＞
　次に、データ解析装置１５２によるデータ解析処理全体の流れについて説明する。図１５は、データ解析装置によるデータ解析処理の流れを示すフローチャートである。なお、データ解析装置１５２がデータ解析処理を実行するにあたり、データサーバ１５１には、複数の療養者の療養者属性情報、環境情報、５側面相関データ、５側面データ、リスク発生情報（学習用データセット）が蓄積されているものとする。
　ステップＳ１５０１において、第１の学習部１５３ａは、データサーバ１５１より環境情報を取得する。
　ステップＳ１５０２において、第１の学習部１５３ａ及び第２の学習部１５３ｂは、データサーバ１５１より５側面相関データを取得する。
　ステップＳ１５０３において、第１の学習部１５３ａは、環境情報と５側面相関データとの対応関係を特定する５側面算出モデル２０１について機械学習を行い、学習済み５側面算出モデルを生成する。
　ステップＳ１５０４において、第２の学習部１５３ｂは、データサーバ１５１より５側面データを取得する。
　ステップＳ１５０５において、第２の学習部１５３ｂは、データサーバ１５１よりリスク発生情報を取得し、リスク相関データを算出する。
　ステップＳ１５０６において、第２の学習部１５３ｂは、５側面相関データ（及び５側面データ）と、リスク相関データとの対応関係を特定するリスク予測モデル２０２について機械学習を行い、学習済みリスク予測モデルを生成する。
　ステップＳ１５０７において、第１の推定部１５４ａは、アクチュエータ制御パターンをカウントするカウンタＮに"１"を入力する。
　ステップＳ１５０８において、第１の推定部１５４ａは、パターン格納部１２０１に予め保持された複数のアクチュエータ制御パターンのうち、Ｎ番目のアクチュエータ制御パターンを読み出す。また、第１の推定部１５４ａは、読み出したＮ番目のアクチュエータ制御パターンで新たな療養者がいる居室の環境を変化させた場合の、変化後の環境情報を特定する。
　ステップＳ１５０９において、第１の推定部１５４ａは、ステップＳ１５０８において特定した環境情報を、学習済み５側面算出モデルに入力し、５側面相関データを推定する。
　ステップＳ１５１０において、第２の推定部１５４ｂは、推定された５側面相関データ及び現在の５側面データを、学習済みリスク予測モデルに入力し、リスク相関データを推定する。
　ステップＳ１５１１において、第１の推定部１５４ａは、パターン格納部１２０１に予め保持された複数のアクチュエータ制御パターン全てについて、リスク相関データを推定したか否かを判定する。ステップＳ１５１１において、リスク相関データを推定していないアクチュエータ制御パターンがあると判定した場合には（ステップＳ１５１１においてＮＯの場合には）、ステップＳ１５１２に進む。
　ステップＳ１５１２において、第１の推定部１５４ａは、カウンタＮをインクリメントし、ステップＳ１５０８に戻る。
　一方、ステップＳ１５１１において、複数のアクチュエータ制御パターン全てについて、リスク相関データを推定したと判定した場合には（ステップＳ１５１１においてＹＥＳの場合には）、ステップＳ１５１３に進む。
　ステップＳ１５１３において、運転条件決定部１５５は、推定されたリスク相関データそれぞれについて評価値を算出し、最大の評価値に対応するアクチュエータ制御パターンを特定する。また、運転条件決定部１５５は、特定したアクチュエータ制御パターンをアクチュエータ制御システム１１０に送信する。
　＜まとめ＞
　以上の説明から明らかなように、第１の実施形態では、
・療養者の環境を示す環境情報と、療養者の５側面相関データとを関連付けて学習する。
・療養者の５側面相関データと、療養者に将来起こり得る１つ以上のリスクのリスク相関データとを関連付けて学習する。
・新たな療養者の現在の環境を変化させた場合の変化後の環境情報を、学習済み５側面算出モデルに入力することで推定された５側面相関データを、学習済みリスク予測モデルに入力することで、リスク相関データを推定する。あるいは、当該推定された５側面相関データと新たな療養者の現在の５側面データとの組み合わせを、学習済みリスク予測モデルに入力することで、リスク相関データを推定する。
・推定されたリスク相関データを評価することで、新たな療養者の環境を制御するアクチュエータの運転条件を決定する。
　このように、第１の実施形態によれば、療養者に問題事象が発生する前に、発生のリスクを予測し、療養者の環境を最適化することが可能となる。つまり、第１の実施形態によれば、療養者の環境を最適に制御する制御システムを提供することができる。この結果、問題事象の発生を抑制することができるとともに、療養者のＱＯＬを向上させることができる。
　［第２の実施形態］
　上記第１の実施形態では、第１の学習部１５３ａが、５側面算出モデル２０１について機械学習を行うにあたり、１日分の環境情報及び１日分の５側面相関データを用いる場合について説明した。しかしながら、５側面算出モデル２０１について機械学習を行うにあたっては、複数日分の環境情報及び複数日分の５側面相関データを用いてもよい。
　図１６は、第１の学習部の機能構成の他の一例を示す第１の図である。図１０との相違点は、第１の学習部１５３ａがデータサーバ１５１より読み出す環境情報及び５側面相関データである。
　具体的には、図１６の場合、第１の学習部１５３ａは、データサーバ１５１より、療養者氏名＝"ＡＡＡ"の２日目から５日目の環境情報と、２日目から５日目の５側面相関データを読み出す。
　また、第１の学習部１５３ａは、２日目から５日目の環境情報を、２日目開始時点での５側面相関データとともに５側面算出モデル２０１に入力する。これにより、第１の学習部１５３ａは、５側面算出モデル２０１を実行させ、５側面算出モデル２０１は、２日目から５日目の５側面相関データを出力する。
　５側面算出モデル２０１より出力された、２日目から５日目の５側面相関データは、比較及び変更部１００１に入力される。比較及び変更部１００１は、
・５側面算出モデル２０１より出力された、２日目から５日目の５側面相関データと、
・データサーバ１５１より読み出した、２日目から５日目の５側面相関データ（正解データ）と、
を比較する。また、比較及び変更部１００１は、比較結果に基づいて、５側面算出モデル２０１のモデルパラメータを変更する。
　このように、第１の学習部１５３ａは、
・療養者の環境を示す複数日分の環境情報及び複数日数開始時点での５側面相関データと、
・療養者の複数日分の５側面相関データと、
の対応関係を特定する５側面算出モデル２０１について機械学習を行ってもよい。
　なお、この場合、第２の学習部１５３ｂは、複数日分の５側面相関データを入力として、リスク予測モデル２０２について機械学習を行うことになる。また、第１の推定部１５４ａは、複数日分の５側面相関データを推定し、第２の推定部１５４ｂは、複数日分の５側面相関データを入力として、リスク相関データを推定することになる。
　このように、複数日分のデータを用いることで、推定されるリスク相関データの精度を向上させることができる。
　［第３の実施形態］
　上記第１及び第２の実施形態では、第１の学習部１５３ａが、５側面算出モデル２０１について機械学習を行うにあたり、環境情報を入力する場合について説明した。しかしながら、５側面算出モデル２０１について機械学習を行うにあたっては、更に、療養者属性情報を入力してもよい。
　図１７は、第１の学習部の機能構成の他の一例を示す第２の図である。図１０との相違点は、第１の学習部１５３ａがデータサーバ１５１より、療養者属性情報５０１を読み出している点である。
　具体的には、図１７の場合、第１の学習部１５３ａは、データサーバ１５１より、療養者氏名＝"ＡＡＡ"の２日目の環境情報を読み出す。また、第１の学習部１５３ａは、療養者氏名＝"ＡＡＡ"の療養者属性情報５０１を読み出す。更に、第１の学習部１５３ａは、療養者氏名＝"ＡＡＡ"の２日目開始時点での５側面相関データ及び２日目の５側面相関データを読み出す。
　また、第１の学習部１５３ａは、このうち、２日目の療養者氏名＝"ＡＡＡ"の環境情報と、療養者氏名＝"ＡＡＡ"の療養者属性情報５０１と、療養者氏名＝"ＡＡＡ"の２日目開始時点での５側面相関データとを、５側面算出モデル２０１に入力する。これにより、第１の学習部１５３ａは、５側面算出モデル２０１を実行させ、５側面算出モデル２０１は、５側面相関データを出力する。
　５側面算出モデル２０１より出力された５側面相関データは、比較及び変更部１００１に入力される。比較及び変更部１００１は、
・５側面算出モデル２０１より出力された５側面相関データと、
・データサーバ１５１より読み出した５側面相関データ（正解データ）と、
を比較する。また、比較及び変更部１００１は、比較結果に基づいて、５側面算出モデル２０１のモデルパラメータを変更する。
　このように、第１の学習部１５３ａは、
・療養者の環境を示す所定区間の環境情報、所定区間開始時点での５側面相関データ、及び、療養者属性情報の組み合わせと、
・療養者の所定区間の５側面相関データと、
の対応関係を特定する５側面算出モデル２０１について機械学習を行う。
　なお、ここでは、第１の学習部１５３ａに療養者属性情報を入力するものとしたが、第２の学習部１５３ｂに療養者属性情報を入力してもよい。この場合、第２の学習部１５３ｂは、
・療養者の所定区間の５側面相関データと、療養者属性情報との組み合わせと、
・療養者に将来起こり得る１つ以上のリスクのリスク相関データと、
の対応関係を特定するリスク予測モデル２０２について機械学習を行うことになる。
　また、第１の学習部１５３ａに療養者属性情報を入力した場合には、第１の推定部１５４ａにも療養者属性情報を入力し、第２の学習部１５３ｂに療養者属性情報を入力した場合には、第２の推定部１５４ｂにも療養者属性情報を入力することになる。
　このように、療養者属性情報を用いることで、性別、年齢、既往歴、・・・等、療養者属性情報に含まれる各項目の値に応じて、リスク相関データを推定することが可能となり、リスク相関データの精度を向上させることができる。
　［第４の実施形態］
　上記第１乃至第３の実施形態では、データ解析システム１５０が、５側面算出モデル２０１とリスク予測モデル２０２とを有するものとして説明した。これに対して、第４の実施形態では、データ解析システム１５０が、リスク予測モデルのみを有する場合について説明する。
　（１）学習フェーズにおける環境制御システムの処理の概要
　図１８は、第４の実施形態に係る環境制御システム（学習フェーズ）の処理の概要を説明するための図である。図１８に示すように、第４の実施形態に係るデータ解析システム１５０の場合、リスク予測モデル１８００は、
・アクチュエータ制御システム１１０より送信された所定区間の環境情報と、５側面計測システム１２０より送信されたｍ側面相関データ（及び状態記録システム１４０より送信された（５－ｍ）側面データ）とを入力とし、
・状態記録システム１４０より送信されたリスク発生情報に基づいて算出されたリスク相関データを正解データとして、
機械学習を行い、学習済みリスク予測モデルを生成する。
　（２）推定フェーズにおける環境制御システムの処理の概要
　図１９は、第４の実施形態に係る環境制御システム（推定フェーズ）の処理の概要を説明するための図である。図１９に示すように、第４の実施形態に係るデータ解析システム１５０の場合、第３学習済みモデルの一例である学習済みリスク予測モデル１９００は、
・新たな療養者の現在の環境を、複数の異なるアクチュエータ制御パターンに基づいて変化させた場合の変化後の複数の環境情報と、
・５側面計測システム１２０より送信された、新たな療養者の現在のｍ側面相関データ（及び状態記録システム１４０より送信された、新たな療養者の現在の（５－ｍ）側面データ）と、
を入力し、リスク相関データをそれぞれ推定する。
　また、データ解析システム１５０では、学習済みリスク予測モデル１９００より出力されたリスク相関データについて、リスク評価部３０３が評価する。リスク評価部３０３では、１のアクチュエータ制御パターンが学習済みリスク予測モデル１９００に入力されるごとに、学習済みリスク予測モデル１９００より出力されるリスク相関データについて評価する。
　リスク評価部３０３により、全てのリスク相関データについて評価が完了すると、評価結果が最もよいアクチュエータ制御パターンが特定される。これにより、特定されたアクチュエータ制御パターンが、新たな療養者の現在の環境を制御する際の最適なアクチュエータ制御パターンとして、アクチュエータ制御システム１１０に送信される。
　このように、第４の実施形態では、データ解析システムが、１の学習済みモデル（学習済みリスク予測モデル）を生成し、当該１の学習済みモデルを用いてリスク相関データを推定する。
　この場合でも、第１の実施形態と同様に、療養者に問題事象が発生する前に、発生のリスクを予測し、療養者の環境を最適にすることが可能となる。つまり、第４の実施形態によれば、療養者の環境を最適に制御する環境制御システムを提供することができる。この結果、問題事象の発生を抑制することができるとともに、療養者のＱＯＬを向上させることができる。
　［その他の実施形態］
　上記第１の実施形態では、データ解析システム１５０において、データ解析装置１５２が、第１の学習部１５３ａ、第２の学習部１５３ｂ、第１の推定部１５４ａ、第２の推定部１５４ｂ、運転条件決定部１５５を有するものとして説明した。しかしながら、データ解析装置１５２が有する各部は、データ解析システム１５０内において、別体の装置において構成されていてもよい。あるいは、データ解析装置１５２が有する各部のうちの一部（例えば、運転条件決定部１５５）は、例えば、アクチュエータ制御システム１１０において実現されていてもよい。
　また、上記第１乃至第３の実施形態では、５側面算出モデル２０１、２側面算出モデル２０１'を実行させる際に、所定区間開始時の５側面相関データ、２側面相関データを入力するものとして説明した。しかしながら、所定区間開始時の５側面相関データ、２側面相関データは入力しなくてもよい（つまり、所定区間の環境情報と所定区間の５側面相関データとを関連付けて学習してもよい）。この場合、学習済み５側面算出モデル３０１、学習済み２側面算出モデル３０１'は、個々の療養者の状態に依存しない、より一般的なモデルとして生成されることになる。
　また、上記第１乃至第３の実施形態では、学習済みリスク予測モデル３０２'を実行させる際に、第２の推定部１５４ｂが、例えば、
・学習済み２側面算出モデル３０１'より出力された２側面相関データ１２１１と、
・現在の５側面データ１３１２のうちの、移動、皮膚、ストレスの程度と、
を入力するものとして説明した。しかしながら、学習済みリスク予測モデル３０２'に入力するデータの組み合わせは、これに限定されない。例えば、現在の５側面データ１３１２のうちの一部を、現在の５側面相関データのうちの対応する一部のデータに置き換えてもよい。
　具体的には、学習済みリスク予測モデル３０２'を実行させる際に、第２の推定部１５４ｂが、例えば、
・学習済み２側面算出モデル３０１'より出力された２側面相関データ１２１１と、
・現在の５側面データ１３１２のうちの、移動、皮膚の程度と、
・現在の５側面相関データのうちの、ストレスに相関するデータと、
を入力してもよい。
　つまり、上記第１乃至第３の実施形態において説明した"療養者の状態に関するデータ"には、現在の５側面データと、現在の５側面相関データとのいずれか一方または両方が含まれる。
　また、上記第１の実施形態では、機械学習を行う際に用いるモデル（５側面算出モデル、２側面算出モデル、リスク予測モデル）の詳細について特に言及しなかったが、機械学習を行う際に用いるモデルには任意の種類のモデルが適用されるものとする。具体的には、ＮＮ（Neural Network）モデルや、ランダムフォレストモデル、ＳＶＭ（Support Vector Machine）モデル等、任意の種類のモデルが適用される。
　また、上記第１の実施形態では、比較及び変更部による比較結果に基づいて、モデルパラメータを変更する場合の変更方法の詳細について特に言及しなかったが、比較及び変更部によるモデルパラメータの変更方法はモデルの種類に従うものとする。
　以上、実施形態を説明したが、特許請求の範囲の趣旨及び範囲から逸脱することなく、形態や詳細の多様な変更が可能なことが理解されるであろう。
　本出願は、２０１９年３月１５日に出願された日本国特許出願第２０１９－０４９１９４号及び２０２０年１月１０日に出願された日本国特許出願第２０２０－００３２１６号に基づきそれらの優先権を主張するものであり、同日本国特許出願の全内容を参照することにより本願に援用する。
１００　　　　　　　　　：環境制御システム
１１０　　　　　　　　　：アクチュエータ制御システム
１１５　　　　　　　　　：アクチュエータ制御装置
１１６　　　　　　　　　：収集部
１１７　　　　　　　　　：制御部
１２０　　　　　　　　　：５側面計測システム
１４０　　　　　　　　　：状態記録システム
１４１　　　　　　　　　：５側面データ
１４２　　　　　　　　　：リスク発生情報
１５０　　　　　　　　　：データ解析システム
１５１　　　　　　　　　：データサーバ
１５２　　　　　　　　　：データ解析装置
１５３ａ　　　　　　　　：第１の学習部
１５３ｂ　　　　　　　　：第２の学習部
１５４ａ　　　　　　　　：第１の推定部
１５４ｂ　　　　　　　　：第２の推定部
１５５　　　　　　　　　：運転条件決定部
２０１　　　　　　　　　：５側面算出モデル
２０２　　　　　　　　　：リスク予測モデル
３０１　　　　　　　　　：学習済み５側面算出モデル
３０２　　　　　　　　　：学習済みリスク予測モデル
３０３　　　　　　　　　：リスク評価部
５０１～５０３　　　　　：療養者属性情報
９００＿ａ１等　　　　　：リスク相関データ
１４０１　　　　　　　　：決定部
１８００　　　　　　　　：リスク予測モデル
１９００　　　　　　　　：学習済みリスク予測モデル

Claims (11)

  1. 　対象者の環境を制御する環境制御システムであって、
    　環境を制御するアクチュエータと、
    　前記アクチュエータの運転条件を決定する運転条件決定部と、
    　前記運転条件決定部により決定された運転条件に基づいて前記アクチュエータを制御する制御部と、
    　第１学習済みモデルと第２学習済みモデルとを有する推定部と、を有し、
    　前記第１学習済みモデルは、
    　　対象者の環境を示す環境情報と、
    　　前記対象者の睡眠、排泄、移動、皮膚、ストレスの状態の少なくともいずれか１つと相関するデータと、
    　を関連付けて学習したモデルであり、
    　前記第２学習済みモデルは、
    　　前記対象者の睡眠、排泄、移動、皮膚、ストレスの状態の少なくともいずれか１つと相関するデータと、
    　　前記対象者に将来起こり得る１つ以上のリスクの大きさに相関するデータと、
    　を関連付けて学習したモデルであり、
    　前記推定部は、
    　対象者の環境情報を前記第１学習済みモデルに入力したときの出力データ、又は、前記第１学習済みモデルに入力したときの出力データと対象者の状態に関するデータとの組み合わせを、前記第２学習済みモデルに入力することで前記１つ以上のリスクの大きさに相関するデータを推定し、
    　前記運転条件決定部は、前記推定部によって推定された前記１つ以上のリスクの大きさに相関するデータを評価することによって、前記アクチュエータの運転条件を決定する、環境制御システム。
  2. 　前記第２学習済みモデルは、前記対象者の睡眠、排泄、移動、皮膚、ストレスの状態の少なくともいずれか１つと相関するデータとして前記対象者の生体情報を用いて学習したモデルである、請求項１に記載の環境制御システム。
  3. 　前記生体情報には、前記対象者の移動量、前記対象者の掻破回数、前記対象者の心拍のゆらぎ、前記対象者の睡眠深度、前記対象者の推定尿量または排泄回数、の少なくともいずれかが含まれる、請求項２に記載の環境制御システム。
  4. 　前記第１学習済みモデルは、前記対象者の環境情報と前記対象者の睡眠、排泄、移動、皮膚、ストレスの状態の少なくともいずれか１つと相関するデータとを学習用データセットとして学習したモデルである、請求項１乃至３のいずれか１項に記載の環境制御システム。
  5. 　前記第１学習済みモデルは、更に、前記対象者の環境情報と前記対象者の属性を示す属性情報との組み合わせに従って、前記対象者の睡眠、排泄、移動、皮膚、ストレスの状態の少なくともいずれか１つと相関するデータを学習したモデルである、請求項４に記載の環境制御システム。
  6. 　前記第２学習済みモデルは、前記対象者の睡眠、排泄、移動、皮膚、ストレスの状態と相関するデータと、前記対象者に将来起こり得る１つ以上のリスクの大きさに相関するデータとを学習用データセットとして学習したモデルである、請求項１乃至５のいずれか１項に記載の環境制御システム。
  7. 　前記推定部は、対象者の状態に関するデータとして看護記録を用いる、請求項１乃至６のいずれか１項に記載の環境制御システム。
  8. 　前記運転条件決定部は、前記推定部により推定された、前記１つ以上のリスクの大きさに相関するデータを重み付け加算することで評価する、請求項１に記載の環境制御システム。
  9. 　前記環境情報には、温度、湿度、気圧、照度、騒音の少なくともいずれか１つが含まれる、請求項１に記載の環境制御システム。
  10. 　前記アクチュエータには、前記対象者の環境を制御する空調機器が含まれる、請求項１に記載の環境制御システム。
  11. 　対象者の環境を制御する環境制御システムであって、
    　環境を制御するアクチュエータと、
    　前記アクチュエータの運転条件を決定する運転条件決定部と、
    　前記運転条件決定部により決定された運転条件に基づいて前記アクチュエータを制御する制御部と、
    　第３学習済みモデルを有する推定部と、を有し、
    　前記第３学習済みモデルは、
    　　対象者の睡眠、排泄、移動、皮膚、ストレスの状態の少なくともいずれか１つと相関するデータ、及び、前記対象者の環境を示す環境情報と、
    　　前記対象者に将来起こり得る１つ以上のリスクの大きさに相関するデータと、
    　を関連付けて学習したモデルであり、
    　前記推定部は、
    　対象者の睡眠、排泄、移動、皮膚、ストレスの状態の少なくともいずれか１つと相関するデータ、及び、対象者の環境情報を、前記第３学習済みモデルに入力することで、前記１つ以上のリスクの大きさに相関するデータを推定し、
    　前記運転条件決定部は、前記推定部によって推定された１つ以上のリスクの大きさに相関するデータを評価することによって、前記アクチュエータの運転条件を決定する、環境制御システム。
PCT/JP2020/010945 2019-03-15 2020-03-12 環境制御システム WO2020189529A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
US17/310,670 US12105482B2 (en) 2019-03-15 2020-03-12 Environment control system
EP20774021.8A EP3940708A4 (en) 2019-03-15 2020-03-12 ENVIRONMENT MONITORING SYSTEM
CN202080018616.5A CN113544789B (zh) 2019-03-15 2020-03-12 环境控制系统

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
JP2019-049194 2019-03-15
JP2019049194 2019-03-15
JP2020-003216 2020-01-10
JP2020003216A JP6737416B1 (ja) 2019-03-15 2020-01-10 環境制御システム

Publications (1)

Publication Number Publication Date
WO2020189529A1 true WO2020189529A1 (ja) 2020-09-24

Family

ID=71949263

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/010945 WO2020189529A1 (ja) 2019-03-15 2020-03-12 環境制御システム

Country Status (5)

Country Link
US (1) US12105482B2 (ja)
EP (1) EP3940708A4 (ja)
JP (1) JP6737416B1 (ja)
CN (1) CN113544789B (ja)
WO (1) WO2020189529A1 (ja)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022208873A1 (ja) * 2021-04-02 2022-10-06 日本電気株式会社 ストレス推定装置、ストレス推定方法及び記憶媒体
JPWO2023105790A1 (ja) * 2021-12-10 2023-06-15
JP7368767B2 (ja) * 2022-03-04 2023-10-25 ダイキン工業株式会社 増悪リスク予測システム
US20240082532A1 (en) * 2022-09-08 2024-03-14 Sleep Number Corporation Bed with features for determination of insomnia risk

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005226882A (ja) * 2004-02-10 2005-08-25 Daikin Ind Ltd 空調制御システム、ベビーベッド、および介護用ベッド
JP2006087850A (ja) * 2004-09-21 2006-04-06 Charm & Mark Kk 睡眠状態検知装置・検知システム、および睡眠状態検知起動の空調機器・照明機器・音響機器等制御装置・制御システム
US20130246088A1 (en) * 2012-03-14 2013-09-19 Hill-Rom Services, Inc. Algorithm for predicting and mitigating adverse events
JP2019017499A (ja) 2017-07-12 2019-02-07 パラマウントベッド株式会社 療養支援システム
JP2019049194A (ja) 2018-11-26 2019-03-28 有限会社江部電気 融雪屋根構造体及び融雪屋根構造
JP2020003216A (ja) 2018-06-25 2020-01-09 公益財団法人鉄道総合技術研究所 貨物輸送シミュレーション装置及びプログラム

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005021255A (ja) * 2003-06-30 2005-01-27 Sony Corp 制御装置及び制御方法
WO2009049276A1 (en) * 2007-10-12 2009-04-16 Patientslikeme, Inc. Personalized management and monitoring of medical conditions
US9189599B2 (en) * 2011-05-13 2015-11-17 Fujitsu Limited Calculating and monitoring a composite stress index
US20160078183A1 (en) * 2014-08-13 2016-03-17 Community Care Of North Carolina, Inc. Electronically predicting corrective options based on a sensed physiological characteristic
EP3098739A1 (en) * 2015-05-26 2016-11-30 Hill-Rom Services, Inc. Healthcare communication system
JP6617392B2 (ja) * 2015-09-08 2019-12-11 パナソニックＩｐマネジメント株式会社 照明制御システム
WO2018032089A1 (en) 2016-08-19 2018-02-22 Qusaybatie Mahamad Eid System, method, and computer readable medium for dynamic pressure damage risk assessment and response
CA3003973C (en) * 2017-05-05 2022-12-13 Abl Ip Holding Llc Systems and methods to provide circadian impact
CN107496117B (zh) * 2017-08-31 2023-05-02 任鹏宇 反馈式二次压力自调节褥疮监测预防智能设备
US11547350B2 (en) * 2018-12-26 2023-01-10 Industrial Technology Research Institute Personalized parameter learning method, sleep-aid device and non-transitory computer readable medium
US20200205741A1 (en) * 2018-12-28 2020-07-02 X Development Llc Predicting anxiety from neuroelectric data

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005226882A (ja) * 2004-02-10 2005-08-25 Daikin Ind Ltd 空調制御システム、ベビーベッド、および介護用ベッド
JP2006087850A (ja) * 2004-09-21 2006-04-06 Charm & Mark Kk 睡眠状態検知装置・検知システム、および睡眠状態検知起動の空調機器・照明機器・音響機器等制御装置・制御システム
US20130246088A1 (en) * 2012-03-14 2013-09-19 Hill-Rom Services, Inc. Algorithm for predicting and mitigating adverse events
JP2019017499A (ja) 2017-07-12 2019-02-07 パラマウントベッド株式会社 療養支援システム
JP2020003216A (ja) 2018-06-25 2020-01-09 公益財団法人鉄道総合技術研究所 貨物輸送シミュレーション装置及びプログラム
JP2019049194A (ja) 2018-11-26 2019-03-28 有限会社江部電気 融雪屋根構造体及び融雪屋根構造

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP3940708A4

Also Published As

Publication number Publication date
CN113544789B (zh) 2022-08-09
CN113544789A (zh) 2021-10-22
US12105482B2 (en) 2024-10-01
US20220043404A1 (en) 2022-02-10
EP3940708A1 (en) 2022-01-19
JP2020155099A (ja) 2020-09-24
JP6737416B1 (ja) 2020-08-12
EP3940708A4 (en) 2022-12-07

Similar Documents

Publication Publication Date Title
WO2020189529A1 (ja) 環境制御システム
Saleem et al. IoT Healthcare: Design of Smart and Cost‐Effective Sleep Quality Monitoring System
JP6466422B2 (ja) 医療支援システム及び方法
JP6297578B2 (ja) ヘルスケアシステム及びこれを用いたヘルスケア方法
Paalasmaa et al. Unobtrusive online monitoring of sleep at home
JP6145042B2 (ja) 患者の病気重篤性、致死性および滞在長さの連続的な予測の方法
JP6178331B2 (ja) 総リスクスコアを算出するヘルス・モニタリング・システム
JP5135197B2 (ja) 生体指標管理装置
KR20170023770A (ko) 진단모델 생성 시스템 및 방법
CA2671501A1 (en) Automatic priorization of instances of medical care
JP2015504555A5 (ja)
Doyle et al. An integrated home-based self-management system to support the wellbeing of older adults
US20210241909A1 (en) Method and a system for evaluating treatment strategies on a virtual model of a patient
US20230079951A1 (en) System for configuring patient monitoring
JP2018534697A (ja) 個人化された予測モデルに基づいて健康モニタリングを容易化するシステム及び方法
CN108289633A (zh) 睡眠研究系统和方法
Martinez-Tabares et al. Multiobjective design of wearable sensor systems for electrocardiogram monitoring
JP7017740B2 (ja) 認知機能出力システム及びプログラム
JP3994773B2 (ja) 在宅者健康状態遠隔診断装置
RU2726988C2 (ru) Устройство, система, способ и компьютерная программа для различения активных периодов и периодов покоя субъекта
WO2023074283A1 (ja) 健康状態判定方法、及び、健康状態判定システム
WO2021215495A1 (ja) 予測支援システム、予測支援方法、予測支援プログラム、記録媒体、学習用データセットおよび学習済みモデルの生成方法
WO2023074284A1 (ja) 健康状態判定方法、及び、健康状態判定システム
Haaren Objective quantification of in-hospital patient mobilisation after cardiac surgery
Sprint Analysis of changes in sensor data for mobility assessment

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20774021

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

WWE Wipo information: entry into national phase

Ref document number: 2020774021

Country of ref document: EP