WO2020196323A1

WO2020196323A1 - プログラム、情報処理方法及び情報処理装置

Info

Publication number: WO2020196323A1
Application number: PCT/JP2020/012464
Authority: WO
Inventors: 謙松田
Original assignee: 謙松田
Priority date: 2019-03-22
Filing date: 2020-03-19
Publication date: 2020-10-01
Also published as: EP3943011A1; CN113939231A; EP3943011A4; JPWO2020196323A1; JP2022188188A; JP7158783B2; JP7321599B2; US20220079518A1

Abstract

一つの側面に係るプログラムは、呼吸筋または呼吸補助筋の動作に関する動作情報を検出する検出センサ（３）から前記動作情報、及び呼吸筋または呼吸補助筋に対する活動電位情報を取得する筋電図センサ（４）から前記活動電位情報を取得し、取得した前記動作情報及び活動電位情報に基づき呼吸器系疾患の異常を検出し、前記異常を検出した場合に、異常情報を出力する処理をコンピュータ（１）に実行させることを特徴とする。

Description

プログラム、情報処理方法及び情報処理装置

　本発明は、プログラム、情報処理方法及び情報処理装置に関する。

　従来、慢性閉塞性肺疾患（Chronic Obstructive Pulmonary Disease：ＣＯＰＤ）の増悪の診断において、様々な検出技術がある。例えば、特許文献１には、ＣＯＰＤ患者由来の生体試料（例えば、血液、血清等）中のＩＬ－２７タンパク質又はそれをコードする遺伝子の発現量を測定することによって、ＣＯＰＤ患者の増悪指標を検出する方法が開示されている。

特開２０１４－１０１１７号公報

　しかしながら、特許文献１に係る発明は、測定に供する生体試料を、増悪検査を行うＣＯＰＤ患者から採取するため、ＣＯＰＤ患者の体に負担をかける恐れがある。

　一つの側面では、患者の体への負担をかけずに呼吸器系疾患の異常を検出することが可能なプログラム等を提供することにある。

　一つの側面に係るプログラムは、呼吸筋または呼吸補助筋の動作に関する動作情報を検出する検出センサから前記動作情報、及び呼吸筋または呼吸補助筋に対する活動電位情報を取得する筋電図センサから前記活動電位情報を取得し、取得した前記動作情報及び活動電位情報に基づき呼吸器系疾患の異常を検出し、前記異常を検出した場合に、異常情報を出力する処理をコンピュータに実行させることを特徴とする。

　一つの側面では、患者の体への負担をかけずに呼吸器系疾患の異常を検出することが可能となる。

ＣＯＰＤにおける増悪に関する情報を検出するシステムの概要を示す説明図である。サーバの構成例を示すブロック図である。患者ＤＢのレコードレイアウトの一例を示す説明図である。マスタＤＢのレコードレイアウトの一例を示す説明図である。端末の構成例を示すブロック図である。検出センサの構成例を示すブロック図である。筋電図センサの構成例を示すブロック図である。検出センサにより検出した動作情報を説明する説明図である。検出センサにより検出した動作情報を説明する説明図である。筋電図センサにより検出した健常者の呼吸筋の活動電位情報を説明する説明図である。筋電図センサ４により検出した通常時のＣＯＰＤ患者の呼吸筋の活動電位情報を説明する説明図である。筋電図センサ４により検出した増悪時のＣＯＰＤ患者の呼吸筋の活動電位情報を説明する説明図である。ＣＯＰＤにおける増悪に関する情報の検出処理の動作を説明する説明図である。ＣＯＰＤにおける増悪に関する情報を検出する際の処理手順を示すフローチャートである。増悪レベルを検出する処理のサブルーチンの処理手順を示すフローチャートである。実施形態２のサーバの構成例を示すブロック図である。増悪検出モデルの生成処理に関する説明図である。増悪検出モデルの生成処理の処理手順の一例を示すフローチャートである。増悪検出モデルを用いて増悪に関する情報の検出処理に関する説明図である。増悪検出モデルを用いて増悪に関する情報を検出する際の処理手順を示すフローチャートである。第２センサを加えて増悪に関する情報の検出処理の動作を説明する説明図である。マイクを加えて増悪に関する情報を検出する際の処理手順を示すフローチャートである。実施形態３のサーバの構成例を示すブロック図である。第２増悪検出モデルを用いて増悪に関する情報を検出する際の処理手順を示すフローチャートである。第２増悪検出モデルの学習処理の処理手順の一例を示すフローチャートである。実施形態４のサーバの構成例を示すブロック図である。実施形態３のマスタＤＢのレコードレイアウトの一例を示す説明図である。アドバイスＤＢのレコードレイアウトの一例を示す説明図である。活動内容に応じたアドバイス情報を送信する際の処理手順を示すフローチャートである。ウォーキングモデルを用いて増悪に関する情報を検出する際の処理手順を示すフローチャートである。増悪の確率値に応じた電気信号の所定閾値を変更する際の処理手順を示すフローチャートである。実施形態５のサーバの構成例を示すブロック図である。服薬指示情報ＤＢのレコードレイアウトの一例を示す説明図である。治療結果ＤＢのレコードレイアウトの一例を示す説明図である。増悪に関する情報に応じた薬の服薬指示情報を送信する際の処理手順を示すフローチャートである。増悪に関する情報に応じた第２のアドバイス情報を送信する際の処理手順を示すフローチャートである。

　以下、本発明をその実施形態を示す図面に基づいて詳述する。

　（実施形態１）
　実施形態１は、呼吸筋または呼吸補助筋の動作に関する動作情報、及び呼吸筋または呼吸補助筋に対する活動電位情報に基づき、呼吸器系疾患の異常を検出する形態に関する。

　本実施形態では、検出センサを用いて呼吸筋または呼吸補助筋の動作に関する動作情報、及び筋電図センサを用いて呼吸筋または呼吸補助筋に対する活動電位情報を取得する。動作情報は、呼吸筋もしくは呼吸補助筋の動作、呼吸筋もしくは呼吸補助筋の動作に伴う胸郭の動作、または肺もしくは横隔膜の収縮膨張に伴う動作に関する情報を含む。取得された動作情報及び活動電位情報に基づき、呼吸器系疾患の異常が検出される。また、呼吸器系疾患の異常が検出された場合、患者または医師宛に検出された異常を出力することができる。なお、以下では、呼吸器系疾患の一つであるＣＯＰＤにおける増悪に関する情報を検出する例をあげて説明するが、他の種類の呼吸器系疾患の異常（例えば、喘息、肺炎、間質性肺炎、肺癌等）を検出しても良い。

　ＣＯＰＤは、空気中の有毒物質・ガス（特に喫煙）により、気道に慢性的な炎症が起こり、結果、気道狭窄・肺胞壁の破壊・喀痰の増加のために気流制限（息が十分に吐けず、このため十分な換気が行えない）が起きる病気である。またＣＯＰＤでは、感染等を契機として急速に病態が悪化することがあり、これらは増悪と呼ばれる。通常、増悪を起こすと呼吸状態の著しい低下が認められ、回復後も増悪前の呼吸状態には戻らない。増悪を繰り返すたびに全身状態ならびに予後が不良となる。

　図１は、ＣＯＰＤにおける増悪に関する情報を検出するシステムの概要を示す説明図である。本実施形態のシステムは、情報処理装置１、情報処理端末２、検出センサ３及び筋電図センサ４を含み、各装置はインターネット等のネットワークＮを介して情報の送受信を行う。

　情報処理装置１は、呼吸筋もしくは呼吸補助筋の動作に関する動作情報、及び呼吸筋もしくは呼吸補助筋に対する活動電位情報等の種々の情報に対する処理、記憶及び送受信を行う情報処理装置である。情報処理装置１は、例えばサーバ装置、パーソナルコンピュータ等である。本実施形態において、情報処理装置１はサーバ装置であるものとし、以下では簡潔のためサーバ１と読み替える。

　情報処理端末２は、検出された呼吸器系疾患の異常情報の受信及び表示等を行う端末装置である。情報処理端末２は、例えばスマートフォン、携帯電話、腕時計型携帯端末等のウェアラブルデバイス、タブレット、パーソナルコンピュータ端末等の情報処理機器である。以下では簡潔のため、情報処理端末２を端末２と読み替える。

　検出センサ３は、呼吸筋または呼吸補助筋の動作情報を検出するセンサである。呼吸筋は、呼吸をするときに胸郭の拡大、収縮を行うために用いられる筋肉であり、横隔膜、内肋間筋、外肋間筋等を含む。呼吸補助筋は、胸鎖乳突筋、前斜角筋、中斜角筋、後斜角筋、前鋸筋、上後鋸筋、下後鋸筋、広背筋、脊柱起立筋、僧帽筋、腰方形筋、大胸筋、小胸筋、腹直筋、内腹斜筋、外腹斜筋及び腹横筋等を含む筋肉群であり、呼吸の際に補助的に用いる。例えば、ベルト状またはテープ状の検出センサ３を患者の胸部に装着し、患者の呼吸筋及び呼吸補助筋、もしくは呼吸筋、呼吸補助筋の動作に基づく胸郭の動きを検出する。

　検出センサ３は、例えば圧電素子センサ、伸縮センサ、ベルト状またはテープ状のテープセンサ、エコーセンサ、生体インピーダンスを計測する生体電位センサ等が用いられる。なお、検出センサ３は、上述したセンサに限らず、例えば人体に触れずに呼吸筋及び呼吸補助筋、もしくは呼吸筋、呼吸補助筋の動作に基づく胸郭の動きまたは呼吸自体を検出できる静電容量型の非接触センサであっても良い。圧電素子センサは、圧電体に加えられた力を電圧に変換するセンサであり、例えば圧電素子を利用して呼吸の波形を検出する呼吸モニター用のセンサであっても良い。例えば上述した呼吸モニター用のセンサ（圧電素子センサ）は、測定部位である胸郭に置かれ、測定部の呼吸運動により胸郭に加わる圧力の変化を電圧に変換し、患者の呼吸筋及び呼吸補助筋の動きを検出して波形データとして出力する。なお、上述した測定部位は、胸郭に限らず、例えば腹部または頚部や背部等であっても良い。エコーセンサは、例えば超音波を利用して液体の流量測定、液体識別、物体との距離の測定等を行うセンサである。エコーセンサを用いて、肋骨、横隔膜、肺等の動きを検出する。例えば呼吸における肋骨の移動距離もしくは横隔膜の移動距離、弛緩・収縮情報もしくは肺の移動距離、膨張・収縮情報等を検出する。生体電位センサは、呼吸に伴う肺容積の変化により変わる生体インピーダンスから、間接的に胸郭及び肺の動きを検出する。

　伸縮センサは、ゴムのように伸縮する変位センサであり、対象者の動きをリアルタイムにモニタリングする。伸縮センサは、例えば特殊な構造を持つカーボンナノチューブとエラストマー素材が層になり、薄いシート状のものである。伸縮センサは、導電性とともにゴムのような伸縮性があり、伸縮量に応じて静電容量が変化する。小さな歪みから大きな歪みまで計測をすることが可能であるため、例えば、胸部に巻いたベルト状の伸縮センサを装着、もしくはシール状の伸縮センサを貼付することにより、関節の変化、筋肉の動き、または呼吸時の胸郭の動きや胸郭の動きのベクトル変化等、これまでは計測が難しかった細かな動作でも正確に計測する。なお、上述した測定部位は、胸部に限らず、例えば腹部または背部等であっても良い。

　筋電図センサ４は、筋肉の活動電位を波形で記録するセンサである。周波数も含め、記録された波形の特徴によって、神経または筋肉の障害の有無、種類、性質、部位等の診断に関する情報を取得することができる。筋電図センサ４を用いてＣＯＰＤに関わる呼吸筋及び呼吸補助筋に対する評価を行うことにより、ＣＯＰＤにおける増悪に関する情報を検出することができる。

　なお、本実施形態では、検出センサ３と筋電図センサ４とを分離した形で図示しているが、両者を一体に構成しても良い。また、本実施形態では端末２と、検出センサ３及び筋電図センサ４とを分離した例を示したが、これに限るものではない。例えば、端末２と、検出センサ３及び筋電図センサ４とを全て一体化した装置構成としても良い。

　続いて、ＣＯＰＤにおける増悪に関する情報の検出処理について説明する。端末２は、検出センサ３を用いて呼吸筋または呼吸補助筋の動作に関する動作情報、及び筋電図センサ４を用いて呼吸筋または呼吸補助筋に対する活動電位情報を取得する。

　検出センサ３によって取得された動作情報は、例えば呼吸筋または呼吸補助筋が伸び縮みすることによる胸郭の動きや胸郭の動きのベクトル変化、胸郭の可動域、胸郭の可動速度及び呼吸筋への刺激時間等である。なお、本実施形態では、検出センサ３の一つの種類の圧電素子センサ（例えば、圧電素子が組み込まれたベルト）を用いて動作情報を取得する例をあげて説明するが、伸縮センサまたはテープセンサ、生体電位センサ等の他種類の検出センサ３にも同様に適用される。圧電素子センサが患者の胸部に装着された場合、患者の呼吸筋または呼吸補助筋の動きに応じて圧電素子センサが電圧を発生し、圧電素子から電圧（動作電気信号）が出力される。なお、伸縮センサを用いる場合、伸縮の速度または加速度の変化を計測するようにしても良い。

　筋電図センサ４によって取得された活動電位情報は、呼吸時に呼吸筋または呼吸補助筋の収縮に伴って発生する活動電流信号であり、活動電位の持続時間、及び活動電位波形を周波数変換した周波数波形等も含む。

　端末２は、取得した動作情報及び活動電位情報をそれぞれの所定閾値と比較し、ＣＯＰＤにおける増悪に関する情報を検出する条件を満たした場合、端末２は、該増悪に関する情報を検出する。ＣＯＰＤにおける増悪に関する情報は、例えばＣＯＰＤ増悪の有無を示す情報、または増悪の確率値（例えば「０」から「１」までの範囲の値）に応じて分類する増悪レベル情報等であっても良い。ＣＯＰＤ患者の呼吸状態、増悪時のＣＯＰＤ患者の呼吸に特徴的に認められる動的過膨張（高度の気流閉塞に伴うエアトラッピングのため、呼吸の度ごとに肺内の残気量が増加していく病態）の程度、頻度、持続時間等の情報によって、増悪の確率値を判定することができる。例えば、増悪の確率値に応じて四つの増悪レベル（増悪レベル１～増悪レベル４）に分類しても良い。具体的には、例えば増悪の確率値が０．０５未満である場合、増悪を生せず増悪レベル１（正常）と判定する。増悪の確率値が０．０５以上、且つ０．５未満である場合、増悪の発症リスクが低い増悪レベル２と判定する。増悪の確率値が０．５以上、かつ０．８未満である場合、増悪の発症リスクが高い増悪レベル３と判定する。増悪の確率値が０．８以上である場合、増悪が生じた増悪レベル４と判定する。

　なお、本実施形態では、端末２を用いて増悪に関する情報を検出する処理を説明したが、これに限るものではない。例えば、サーバ１が動作情報及び活動電位情報に基づき、増悪に関する情報を検出しても良い。この場合に、サーバ１は、検出した増悪に関する情報を端末２に送信する。

　図２は、サーバ１の構成例を示すブロック図である。サーバ１は、制御部１１、記憶部１２、通信部１３、入力部１４、表示部１５、読取部１６及び大容量記憶部１７を含む。
各構成はバスＢで接続されている。

　制御部１１はＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro-Processing Unit）、ＧＰＵ（Graphics Processing Unit）等の演算処理装置を含み、記憶部１２に記憶された制御プログラム１Ｐを読み出して実行することにより、サーバ１に係る種々の情報処理、制御処理等を行う。なお、図２では制御部１１を単一のプロセッサであるものとして説明するが、マルチプロセッサであっても良い。

　記憶部１２はＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）等のメモリ素子を含み、制御部１１が処理を実行するために必要な制御プログラム１Ｐを記憶している。また、記憶部１２は、制御部１１が演算処理を実行するために必要なデータ等を一時的に記憶する。通信部１３は通信に関する処理を行うための通信モジュールであり、ネットワークＮを介して、端末２等との間で情報の送受信を行う。

　入力部１４は、マウス、キーボード、タッチパネル、ボタン等の入力デバイスであり、受け付けた操作情報を制御部１１へ出力する。表示部１５は、液晶ディスプレイ又は有機ＥＬ（electroluminescence）ディスプレイ等であり、制御部１１の指示に従い各種情報を表示する。

　読取部１６は、ＣＤ（Compact Disc）－ＲＯＭ又はＤＶＤ（Digital Versatile Disc）－ＲＯＭを含む可搬型記憶媒体１ａを読み取る。制御部１１が読取部１６を介して、制御プログラム１Ｐを可搬型記憶媒体１ａより読み取り、大容量記憶部１７に記憶しても良い。また、ネットワークＮ等を介して他のコンピュータから制御部１１が制御プログラム１Ｐをダウンロードし、大容量記憶部１７に記憶しても良い。更にまた、半導体メモリ１ｂから、制御部１１が制御プログラム１Ｐを読み込んでも良い。

　大容量記憶部１７は、例えばハードディスク等を含む大容量の記憶装置である。大容量記憶部１７は、患者ＤＢ１７１及びマスタＤＢ１７２を含む。患者ＤＢ１７１は、患者に関する情報を記憶している。マスタＤＢ１７２は、ＣＯＰＤにおける増悪に関する情報を検出するための各種の閾値を記憶している。

　なお、本実施形態において記憶部１２及び大容量記憶部１７は一体の記憶装置として構成されていても良い。また、大容量記憶部１７は複数の記憶装置により構成されていても良い。更にまた、大容量記憶部１７はサーバ１に接続された外部記憶装置であっても良い。

　なお、本実施形態では、サーバ１は一台の情報処理装置であるものとして説明するが、複数台により分散して処理させても良く、または仮想マシンにより構成されていても良い。

　図３は、患者ＤＢ１７１のレコードレイアウトの一例を示す説明図である。患者ＤＢ１７１は、患者ＩＤ列、性別列、名前列、異常有無列、異常詳細列、検出日時列、使用されたセンサ列及びデータ列を含む。患者ＩＤ列は、各患者を識別するために、一意に特定される患者のＩＤを記憶している。性別列は、患者の性別を記憶している。名前列は、患者の名前を記憶している。異常有無列は、患者に対する異常が検出されたか否かを示す情報を記憶している。異常詳細列は、検出した異常の詳細情報を記憶している。検出日時列は、異常を検出した日時情報を記憶している。使用されたセンサ列は、異常を検出した際に使用されたセンサ情報を記憶している。データ列は、使用されたセンサにより検出したセンサデータを記憶している。センサデータは、例えば時系列データ等である。

　図４は、マスタＤＢ１７２のレコードレイアウトの一例を示す説明図である。マスタＤＢ１７２は、マスタＩＤ列、マスタ名列、センサ列及び閾値列を含む。マスタＩＤ列は、各マスタデータを識別するために、一意に特定されるマスタデータのＩＤを記憶している。マスタ名列は、マスタデータの名称を記憶している。センサ列は、閾値を適用するセンサの名称を記憶している。閾値列は、増悪に関する情報を検出するための比較用の基準値を記憶している。

　図５は、端末２の構成例を示すブロック図である。端末２は、制御部２１、記憶部２２、通信部２３、入力部２４、表示部２５及びＢｌｕｅｔｏｏｔｈ（登録商標）通信部２６を含む。各構成はバスＢで接続されている。

　制御部２１はＣＰＵ、ＭＰＵ等の演算処理装置を含み、記憶部２２に記憶された制御プログラム２Ｐを読み出して実行することにより、端末２に係る種々の情報処理、制御処理等を行う。なお、図５では制御部２１を単一のプロセッサであるものとして説明するが、マルチプロセッサであっても良い。記憶部２２はＲＡＭ、ＲＯＭ等のメモリ素子を含み、制御部２１が処理を実行するために必要な制御プログラム２Ｐを記憶している。また、記憶部２２は、制御部２１が演算処理を実行するために必要なデータ等を一時的に記憶する。

　通信部２３は通信に関する処理を行うための通信モジュールであり、ネットワークＮを介して、サーバ１等と情報の送受信を行う。入力部２４は、キーボード、マウスまたは表示部２５と一体化したタッチパネルでも良い。表示部２５は、液晶ディスプレイ又は有機ＥＬディスプレイ等であり、制御部２１の指示に従い各種情報を表示する。

　Ｂｌｕｅｔｏｏｔｈ通信部２６は、Ｂｌｕｅｔｏｏｔｈを用いて通信に関する処理を行うための通信モジュールであり、検出センサ３及び筋電図センサ４等との間で情報の送受信を行う。なお、図５では、近距離無線通信手段としてＢｌｕｅｔｏｏｔｈを図示しているが、これに限られず、Ｚｉｇｂｅｅ、Ｗｉ－Ｆｉ等の通信規格を用いても良い。また、有線を用いた通信を採用しても良い。なお、図５では、Ｂｌｕｅｔｏｏｔｈ通信部２６の例を説明したが、これに限るものではない。例えば、５Ｇまたは４Ｇ等の公衆回線網を用いた通信を行っても良い。

　図６は、検出センサ３の構成例を示すブロック図である。なお、検出センサ３は、上述した圧電素子センサ（例えば、圧電素子が組み込まれたベルトまたはテープ）を用いる例をあげて説明する。検出センサ３は、制御部３１、記憶部３２、圧電素子３３、Ｂｌｕｅｔｏｏｔｈ通信部３４及びスピーカ３５を含む。各構成はバスＢで接続されている。

　制御部３１は、ＣＰＵ、ＭＰＵ等の演算処理装置を含み、記憶部３２に記憶された制御プログラム３Ｐを読み出して実行することにより、圧電素子３３によって読み取られた圧電体に加えられた力を電圧に変換する制御処理等を行う。記憶部３２は、ＲＡＭ、ＲＯＭ等のメモリ素子を含み、制御部３１が処理を実行するために必要な制御プログラム３Ｐを記憶している。また、記憶部３２は、制御部３１が演算処理を実行するために必要なデータ等を一時的に記憶する。

　圧電素子３３は、圧電効果を利用した受動素子であり、圧電体に加えられた力を電圧に変換する。Ｂｌｕｅｔｏｏｔｈ通信部３４は、Ｂｌｕｅｔｏｏｔｈを用いて通信に関する処理を行うための通信モジュールであり、端末２等との間で電圧情報（例えば、時系列データ等）の送受信を行う。なお、図６では、近距離無線通信手段としてＢｌｕｅｔｏｏｔｈを図示しているが、これに限られず、Ｚｉｇｂｅｅ、Ｗｉ－Ｆｉ等の通信規格を用いても良い。また、有線を用いた通信を採用しても良い。スピーカ３５は、電気信号を音に変換する装置である。なお、スピーカ３５は、Ｂｌｕｅｔｏｏｔｈのような短距離無線通信方式により検出センサ３に接続されたヘッドセットであっても良い。

　図７は、筋電図センサ４の構成例を示すブロック図である。筋電図センサ４は、制御部４１、記憶部４２、筋電計測部４３、Ｂｌｕｅｔｏｏｔｈ通信部４４及びスピーカ４５を含む。各構成はバスＢで接続されている。

　制御部４１は、ＣＰＵ、ＭＰＵ等の演算処理装置を含み、記憶部４２に記憶された制御プログラム４Ｐを読み出して実行することにより、筋電計測部４３によって読み取られた活動電位情報（筋電位）に対する制御処理等を行う。記憶部４２は、ＲＡＭ、ＲＯＭ等のメモリ素子を含み、制御部４１が処理を実行するために必要な制御プログラム４Ｐを記憶している。また、記憶部４２は、制御部４１が演算処理を実行するために必要なデータ等を一時的に記憶する。

　筋電計測部４３は、呼吸筋または呼吸補助筋に対する活動電位情報を計測する。Ｂｌｕｅｔｏｏｔｈ通信部４４は、Ｂｌｕｅｔｏｏｔｈを用いて通信に関する処理を行うための通信モジュールであり、端末２等との間で活動電位情報（例えば、時系列データ等）の送受信を行う。なお、図７では、近距離無線通信手段としてＢｌｕｅｔｏｏｔｈを図示しているが、これに限られず、Ｚｉｇｂｅｅ、Ｗｉ－Ｆｉ等の通信規格を用いても良い。また、有線を用いた通信を採用しても良い。スピーカ４５は、電気信号を音に変換する装置である。なお、スピーカ４５は、Ｂｌｕｅｔｏｏｔｈのような短距離無線通信方式により筋電図センサ４に接続されたヘッドセットであっても良い。

　図８Ａ及び図８Ｂは、検出センサ３により検出した動作情報を説明する説明図である。図８Ａは、健常者及びＣＯＰＤ患者に対する通常呼吸時の呼吸生理を説明する説明図である。人は呼吸運動により体内に酸素を取り入れ、体外に二酸化炭素を排出する。肺は胸膜に包まれ、胸郭内に存在する。肺はそれ自体では伸縮する力がなく、胸郭を形成する肋骨の可動性と横隔膜等の伸縮運動により受動的に膨張・収縮を行う。

　横隔膜は体の最大の吸気筋として、肋骨の５番、６番あたりに位置し、ドーム状に横たわる形をし、息を吸うときに使用する筋肉である。人が息を吸うとき、すなわち吸気時には横隔膜を含む吸気筋と吸気補助筋が互いに協調しながら収縮し、これにより胸郭を拡げて胸腔内を陰圧にすることで肺を膨張させ、外気を肺内に取り込む。吸気筋・吸気補助筋は、横隔膜、外肋間筋、胸鎖乳突筋、前斜角筋、中斜角筋、後斜角筋等を含む。

　息を吐くとき、すなわち呼気時には、これらの筋肉が収縮を止めて弛緩する。肺は膨らんだゴム風船のように自分で収縮する性質を元々持っているので、胸郭を拡げる筋肉が弛緩することで、肺は自らの縮む力で収縮して呼気を排出する。このため健常者の安静時の呼吸では、呼気筋と呼気補助筋の活動をあまり必要としない。

　健常者が呼吸（換気）をするときは、吸気筋と吸気補助筋を収縮させて胸郭を広げることで外気を吸い込み、次にこれらの筋肉を弛緩させることで呼気を排出する。しかしＣＯＰＤ患者は、呼気時間の延長を伴う呼気での換気機能障害のため、吸い込んだ空気を十分に排出しづらくなる。このため健常人ではあまり使用されない呼気筋と呼気補助筋の収縮を用いることで、呼気の排出を補助することとなる。呼気筋・呼気補助筋は、内肋間筋、腹直筋、内腹斜筋、外腹斜筋、腹横筋等を含む。

　図８Ｂは、健常者及びＣＯＰＤ患者に対する呼吸筋または呼吸補助筋の動作情報を示すイメージ図である。図８Ｂでは、呼吸筋または呼吸補助筋の動作電気信号（動作情報）の波形データを示している。横軸は時間を示し、単位は秒（ｓｅｃ）である。縦軸は電圧を示し、単位はボルト（Ｖ）である。

　図８Ｂ上段は健常者に取り付けられた検出センサ３から出力される電圧の時間的変化を示すグラフである。健常者の場合、電圧は時間的変化の少ない極大、極小を周期的に繰り返していることが理解できる。図８Ｂ下段はＣＯＰＤ患者に取り付けられた検出センサ３から出力される電圧の時間的変化を示すグラフである。ＣＯＰＤ患者の場合、健常者と同じく通常時は、時間的変化の少ない極大、極小を周期的に繰り返す。しかしながら、増悪に向かう場合、呼気時の換気障害の悪化に伴う進行性の残気量の増加（動的過膨張）を反映して、極大及び極小の時間的変化が継続的に増加することとなる。

　本実施形態では一例として、検出センサ３から出力される電圧の極大の単位時間あたりの変化が所定閾値（例えば、傾き０．２）を超えた場合、第１条件を満たすと判断する。具体的には制御部２１は以下の処理を行う。制御部２１は、検出センサ３から時系列で電圧を取得する。制御部２１は、電圧の極大を時系列で求める。制御部２１は、所定単位時間（例えば６０秒間）の電圧の極大を抽出し、抽出した極大で形成される近似直線の傾きを算出する。制御部２１は傾きが予め定めた閾値（例えば、傾き０．２）を超えると判断した場合、第１条件を満たすと判断する。

　なお、極小または極大と極小の両方を用いて判断しても良いことはもちろんである。更には、極大極小の差分を用いて判断しても良い。また、制御部２１は、更に例えば単位時間あたりの極大の平均値が図８Ｂの点線で示す閾値を超え、かつ、求めた傾きが閾値を超える場合に、第１条件を満たすと判断しても良い。また例えば制御部２１は、所定単位時間（例えば６０秒間）の電圧の極大及び極小を抽出し、抽出した極大で形成される近似直線の極大の傾きを算出し、抽出した極小で形成される近似直線の極小の傾きを算出する。制御部２１は、極大の傾きが予め定めた極大の傾き閾値を超え、極小の傾きが予め定めた極小の傾き閾値を超え、極小の傾きが極大の傾きを超え、かつ、持続時間が所定時間（例えば１０秒）を超えたと判定した場合に、第１条件を満たすと判断しても良い。

　図９は、筋電図センサ４により検出した健常者の呼吸筋の活動電位情報を説明する説明図である。横軸は時間を示し、単位はミリ秒（ｍｓｅｃ）である。縦軸は電位（活動電位）を示し、単位はマイクロボルト（μＶ）である。図９のグラフ上段は健常者の吸気筋の電位の時間的変化を示す。吸気筋に関しては一定の間隔を置いて約１００μＶの振幅を有する電位波形が確認される。図９のグラフ下段は健常者の呼気筋の電位の時間的変化を示す。図９から明らかなように、健常者の呼気筋はあまり活動せず、このため対応する電位波形も微小となり、ほとんど確認できない。

　図１０Ａ及び図１０Ｂは、筋電図センサ４により検出したＣＯＰＤ患者の呼吸筋の活動電位情報を説明する説明図である。なお、横軸と縦軸については図９と同様であるため、説明を省略する。

　図１０Ａは、通常時のＣＯＰＤ患者の呼吸筋の活動電位情報を説明する説明図である。ＣＯＰＤ患者では、通常時の吸気筋の活動が、図９での健常者（通常時）の吸気筋の活動より強くなるため、ＣＯＰＤ患者の吸気筋の活動電位の振幅が、健常者の吸気筋の活動電位の振幅より大きくなる。また、ＣＯＰＤ患者では、通常時の呼気においても呼気筋が収縮するため、図９と比較して呼気筋の活動電位の振幅が大きくなる。

　図１０Ｂは、増悪時のＣＯＰＤ患者の呼吸筋の活動電位情報を説明する説明図である。ＣＯＰＤ患者は増悪が生じた場合、吸気筋を更に収縮させて胸郭を広げることで外気を肺内に取り込もうとする。これにより吸気筋は、通常時より強く収縮することとなり、増悪時の吸気筋の活動電位の振幅は、通常時の吸気筋の活動電位の振幅より大きくなる。また、増悪時には吸気筋の活動電位の持続時間が、通常時の吸気筋の活動電位の持続時間より短くなる。さらに、これらの信号をフーリエ変換により解析すると、増悪が生じた場合の周波数分布は通常時に比較して異なるものとなる。

　ＣＯＰＤ患者は増悪が生じた場合、呼気時間の延長を伴う呼気での換気機能障害の増強が認められる。このため、呼気筋には換気をサポートするため通常より更に強く収縮することが求められる。これにより、増悪時の呼気筋の活動電位の振幅が、通常時の呼気筋の活動電位の振幅より大きくなる。また、呼気の排出に時間を要するため増悪時の呼気筋の活動電位の持続時間も、通常時の呼気筋の活動電位の持続時間より長くなる。さらに、これらの信号をフーリエ変換により解析すると、増悪が生じた場合の周波数分布は通常時に比較して異なるものとなる。

　図１０での点線は、予め定められた呼気筋の通常時と増悪時の活動電位の閾値を示す。ＣＯＰＤ患者の呼気筋の活動電位のピーク値と、呼気筋の通常時と増悪時の活動電位の閾値とを比較することにより、増悪を検出することができる。

　例えば、ＣＯＰＤ患者に対し、通常時、増悪時それぞれの活動電位の閾値が設けられ、設けられた閾値に応じて、増悪レベルが定義されても良い。具体的には、端末２の制御部２１は、筋電図センサ４により検出した呼気筋の活動電位のピーク値と、通常時、増悪時それぞれの活動電位の閾値とを比較する。

　制御部２１は、呼気筋の活動電位のピーク値が、通常時の呼気筋の活動電位の閾値Ａ未満と判定した場合、増悪の発症リスクが低い増悪レベル２と判定する。制御部２１は、呼気筋の活動電位が、通常時の呼気筋の活動電位の閾値Ａ以上であり、且つ、増悪時の呼気筋の活動電位の閾値Ｂ（例えば、閾値Ａの３０％増の値）未満であると判定した場合、増悪の発症リスクが高い増悪レベル３と判定する。

　制御部２１は、呼気筋の活動電位のピーク値が、増悪時の呼気筋の活動電位の閾値Ｂ以上であると判定した場合、増悪が生じた増悪レベル４と判定する。例えば増悪レベル４が判定された場合、制御部２１は、増悪に関する情報を表示部２５により表示しても良い。

　なお、すべての活動電位のピーク値が所定閾値以上であることに限るものではない。例えば、端末２は単位時間あたりの活動電位のピーク値が所定閾値以上である回数と、所定回数とを比較し、増悪レベルを判定しても良い。

　また、呼気筋の活動電位の持続時間により増悪レベルを判定しても良い。例えばＣＯＰＤ患者に対し、通常時、増悪時それぞれの活動電位の持続時間の閾値が設けられ、設けられた持続時間の閾値に応じて、増悪が生じたか否かを判定しても良い。

　具体的には、制御部２１は、呼気筋の活動電位の持続時間が、通常時の活動電位の持続時間の閾値未満であると判定した場合、増悪の発症リスクが低い増悪レベル２と判定する。制御部２１は、呼気筋の活動電位の持続時間が、通常時の活動電位の持続時間の閾値以上であり、且つ、増悪時の活動電位の持続時間の閾値未満であると判定した場合、増悪の発症リスクが高い増悪レベル３と判定する。制御部２１は、呼気筋の活動電位の持続時間が、増悪時の呼気筋の活動電位の持続時間の閾値以上であると判定した場合、増悪が生じた増悪レベル４と判定する。

　更にまた、呼気筋の活動電位の閾値、及び持続時間の閾値の双方に基づき、増悪レベルを判定しても良い。例えば、制御部２１は、呼気筋の活動電位のピーク値が増悪時の活動電位の閾値以上であり、且つ、呼気筋の活動電位の持続時間が増悪時の呼気筋の活動電位の持続時間の閾値以上であると判定した場合、増悪が生じた増悪レベル４と判定しても良い。

　また、呼気筋の活動電位の周波数分布により増悪レベルを判定しても良い。例えばＣＯＰＤ患者に対し、通常時、増悪時それぞれの平均周波数または中央周波数の閾値が設けられ、設けられた平均周波数または中央周波数の閾値に応じて、増悪が生じたか否かを判定しても良い。

　なお、上述した増悪レベルの判断処理に限るものではない。例えば、吸気筋と呼気筋との両方の活動電位情報、または吸気筋の活動電位情報のみを用いて増悪レベルを判定しても良い。

　図１１は、ＣＯＰＤにおける増悪に関する情報の検出処理の動作を説明する説明図である。端末２の制御部２１は、Ｂｌｕｅｔｏｏｔｈ通信部２６を介して、検出センサ３から呼吸筋または呼吸補助筋の動作に関する動作情報、及び筋電図センサ４から呼吸筋または呼吸補助筋に対する活動電位情報を取得する。動作情報及び活動電位情報は、所定の単位時間（例えば、分刻み、秒刻み等）ごとに計測された時系列データである。また、動作情報及び活動電位情報は、時系列の波形画像であっても良い。更にまた、動作情報及び活動電位情報は、周波数特性グラフであっても良い。具体的には、動作情報及び活動電位情報の時系列データから周波数解析を行い、胸郭の動き及び呼吸筋・呼吸補助筋の活動電位に対応する変動波を抽出する。周波数解析に関しては、例えば、離散化された信号に対して行う離散フーリエ変換（ＤＦＴ：Discrete Fourier Transformation）を利用しても良い。制御部２１は、例えば時系列データ基盤を用いて、取得した動作情報及び活動電位情報を記憶して一元管理しても良い。

　制御部２１は、通信部２３を介して、サーバ１の大容量記憶部１７のマスタＤＢ１７２から、ＣＯＰＤにおける増悪に関する情報を検出するための各種の閾値を取得する。なお、ＣＯＰＤにおける増悪に関する情報を検出するための各種の閾値は予めサーバ１から取得されても良く、または端末２の記憶部２２に予め記憶されても良い。例えば、呼吸筋の動作電気信号の所定閾値、通常時、増悪時それぞれの呼気筋に係る筋電図の電気信号の所定閾値、通常時、増悪時それぞれの呼気筋の電気信号の持続時間の所定閾値等が取得される。

　制御部２１は、検出センサ３により検出した動作情報に基づき、第１条件を満たしたか否かを判定する。制御部２１は、第１条件を満たしたと判定した場合、制御部２１は、更に筋電図センサ４により取得した呼気筋に係る活動電位情報及び所定閾値に基づき、増悪に関する情報を検出する。制御部２１は、検出した増悪に関する情報を表示部２５により表示する。

　なお、増悪に関する情報が検出された場合、制御部２１は、Ｂｌｕｅｔｏｏｔｈ通信部２６を介して、増悪を検出した旨をそれぞれに検出センサ３、筋電図センサ４に送信しても良い。例えば検出センサ３の制御部３１は、端末２から送信された増悪を検出した旨を受信し、スピーカ３５によりアラームまたは音声情報等をＣＯＰＤ患者に通知しても良い。筋電図センサ４の制御部４１は、端末２から送信された増悪を検出した旨を受信し、スピーカ４５によりアラームまたは音声情報等をＣＯＰＤ患者に通知しても良い。

　なお、上述した処理で呼気筋に係る活動電位情報の例を説明したが、これに限るものではない。例えば、吸気筋に係る活動電位情報、または吸気筋及び呼気筋両方に係る活動電位情報に基づき、増悪に関する情報を検出しても良い。

　制御部２１は、検出した増悪に関する情報を通信部２３によりサーバ１に送信する。サーバ１の制御部１１は、端末２から送信された増悪に関する情報を通信部１３により受信し、受信した増悪に関する情報を大容量記憶部１７の患者ＤＢ１７１に記憶する。なお、上述した増悪に関する情報の検出処理に限るものではない。例えば、端末２は検出センサ３及び筋電図センサ４により取得した胸郭の可動域、胸郭の可動速度及び呼吸筋の刺激時間、呼吸筋の活動電位の周波数変化等に基づき、増悪に関する情報を検出しても良い。

　筋疲労の際には筋電図信号の振幅が増え、周波数成分が高周波領域から低周波領域へと移動する徐波化が生じる。徐波化は増悪時の兆候とする。以下では、呼吸筋の活動電位の周波数変化の例を説明する。端末２は、呼吸筋の筋電図信号のパワースペクトルの測定及びフーリエ変換を行う。パワースペクトルは、筋電図波形を横軸に周波数成分の分布、縦軸に各周波数成分の振幅の二乗（信号のパワー）として変換したものである。

　端末２は、スペクトルのパワー分布の特徴を表す指標として、平均周波数（MPF : Mean Power Frequency）または中央周波数（MF : Median Power Frequency）の変化値を算出する。平均周波数は、各周波数の平均値である。中央周波数は、パワースペクトルの面積を２つの等しいエリアに分ける周波数である。端末２は、算出した平均周波数または中央周波数の変化値に基づいて、徐波化の傾向を有するか否かを判定する。例えば、高周波帯（例えば、86.4Hz）から徐々に低周波帯（例えば、67.4Hz）に移行している場合、端末２は平均周波数または中央周波数の変化値を算出する。端末２は、算出した変化値が所定閾値以上であると判定した場合、増悪に関する情報を出力する。なお、閾値を複数設けた各閾値に応じて、増悪のレベルを出力するようにしても良い。例えば変化値が第１閾値以上第２閾値未満の場合、増悪レベル３とし、第２閾値以上の場合、増悪レベル４としても良い。また周波数解析を行う筋電図信号は、呼気筋及び吸気筋を含む全てのデータを利用しても良いし、呼気筋または吸気筋のいずれかのデータを活用しても良い。

　図１２は、ＣＯＰＤにおける増悪に関する情報を検出する際の処理手順を示すフローチャートである。検出センサ３の制御部３１は、Ｂｌｕｅｔｏｏｔｈ通信部３４を介して、呼吸筋または呼吸補助筋の動作に関する動作情報を端末２に送信する（ステップＳ３０１）。端末２の制御部２１は、Ｂｌｕｅｔｏｏｔｈ通信部２６を介して、検出センサ３から送信された動作情報を受信する（ステップＳ２０１）。筋電図センサ４の制御部４１は、Ｂｌｕｅｔｏｏｔｈ通信部４４を介して、呼吸筋または呼吸補助筋に対する活動電位情報を端末２に送信する（ステップＳ４０１）。端末２の制御部２１は、Ｂｌｕｅｔｏｏｔｈ通信部２６を介して、筋電図センサ４から送信された活動電位情報を受信する（ステップＳ２０２）。

　制御部２１は、通信部２３を介して、ＣＯＰＤにおける増悪に関する情報を検出するための各種の閾値を取得するリクエストをサーバ１に送信する（ステップＳ２０３）。サーバ１の制御部１１は、通信部１３を介して、端末２から送信された閾値の取得リクエストを受信する（ステップＳ１０１）。制御部１１は、受信した閾値の取得リクエストに応じて、大容量記憶部１７のマスタＤＢ１７２から、ＣＯＰＤにおける増悪に関する情報を検出するための各種の閾値を取得する（ステップＳ１０２）。制御部１１は、通信部１３を介して、取得した各種の閾値を端末２に送信する（ステップＳ１０３）。

　端末２の制御部２１は、通信部２３を介して、サーバ１から送信された各種の閾値を受信する（ステップＳ２０４）。制御部２１は、受信した閾値及び動作情報に基づき、第１条件を満たしたか否かを判定する（ステップＳ２０５）。具体的には、例えば制御部２１は、検出センサ３から時系列で電圧を取得し、取得した電圧の極大を時系列で求める。制御部２１は、所定単位時間内(例えば６０秒間)の電圧の極大を抽出し、抽出した極大で形成される近似直線の傾きを算出する。制御部２１は傾きが予め定めた閾値を超えると判断した場合、第１条件を満たすと判断する。

　または、例えば制御部２１は、所定単位時間の電圧の極大及び極小両方を抽出し、抽出した極大で形成される近似直線の極大の傾きを算出し、抽出した極小で形成される近似直線の極小の傾きを算出する。制御部２１は、極大の傾きが予め定めた極大の傾き閾値を超え、極小の傾きが予め定めた極小の傾き閾値を超え、かつ、持続時間が所定時間（例えば１０秒）を超えたと判定した場合に、第１条件を満たすと判断する。なお、極小の傾き閾値は極大の傾き閾値よりも大きい値とすれば良い。

　制御部２１は、第１条件を満たしていないと判定した場合（ステップＳ２０５でＮＯ）、処理を終了する。制御部２１は、第１条件を満たしたと判定した場合（ステップＳ２０５でＹＥＳ）、増悪レベルを検出する処理のサブルーチンを実行する（ステップＳ２０６）。なお、増悪レベルの検出処理のサブルーチンに関しては後述する。制御部２１は、検出した増悪に関する情報（増悪レベル）を表示部２５により表示する（ステップＳ２０８）。制御部２１は、検出した増悪に関する情報を通信部２３によりサーバ１に送信する（ステップＳ２０９）。

　サーバ１の制御部１１は、端末２から送信された増悪に関する情報を通信部１３により受信する（ステップＳ１０４）。制御部１１は、受信した増悪に関する情報を大容量記憶部１７の患者ＤＢ１７１に記憶する（ステップＳ１０５）。具体的には、制御部１１は、患者ＩＤ、性別、名前、異常（増悪）有無情報、異常の詳細情報、検出した日時情報、異常を検出した際の使用されたセンサ情報、及び使用されたセンサで検出したセンサデータを一つのレコードとして患者ＤＢ１７１に記憶する。

　なお、本実施形態では、第１条件を満たした場合、更に活動電位情報を用いて、増悪のレベルを決定した例を説明したが、これに限るものではない。例えば、第１条件を満たしていない場合でも、活動電位情報を用いて、増悪のレベルを決定しても良い。

　なお、上述した処理は、動作情報による増悪判定処理（ステップＳ２０５）、活動電位情報による増悪判定処理（ステップＳ２０６）の順に行った例を説明したが、これに限るものではない。例えば、先に活動電位情報による増悪判定処理（ステップＳ２０６）を行い、次に動作情報による増悪判定処理（ステップＳ２０５）を行っても良い。具体的には、端末２の制御部２１は、増悪レベルを検出する処理のサブルーチンを実行することにより、増悪レベルを検出する。例えば制御部２１は、増悪の発症リスクが高い増悪レベル３以上であると判定した場合、動作情報に基づいて第１条件を満たしたか否かを判定する。制御部２１は、第１条件を満たしたと判定した場合、増悪に関する情報を出力する。

　または、動作情報による増悪判定処理（ステップＳ２０５）、及び活動電位情報による増悪判定処理（ステップＳ２０６）を並行して行い、両方を用いて導き出される増悪の判定条件を満たした場合、増悪に関する情報を検出しても良い。具体的には、端末２の制御部２１は動作情報に基づき、第１条件を満たしたか否かを判定する。制御部２１は、増悪レベルを検出する処理のサブルーチンを実行することにより、増悪レベルを検出する。例えば制御部２１は、第１条件を満たし、かつ、増悪の発症リスクが高い増悪レベル３以上であると判断した場合、増悪に関する情報を出力する。

　図１３は、増悪レベルを検出する処理のサブルーチンの処理手順を示すフローチャートである。端末２の制御部２１は、筋電図センサ４から取得された電位信号を取得する（ステップＳ０１）。制御部２１は、所定電位以上でかつ所定の継続時間を超える吸気筋の周期的な電位の変化を検出する。制御部２１は周期的な吸気筋の電位の変化を認識した後に、吸気筋の電位の変化間の呼気筋の電位の変化を監視する。制御部２１は、吸気筋の電位の変化間の呼気筋の電位を検出する。

　なお、検出センサ３と筋電図センサ４とを併用することにより吸気筋の電位か呼気筋の電位かを識別しても良い。例えば、検出センサ３が伸縮センサやテープセンサである場合、吸気時にはテープが伸びていくため、テープが伸び始めてから最大伸び（ＭＡＸ：弾性限界伸び）までのタイミングで、制御部２１は、筋電図センサ４から取得された電位信号を吸気筋の電位と判定する。呼気時には、逆にテープが縮み始めるため、テープが最大伸び（ＭＡＸ）から最小伸び（ＭＩＮ）までのタイミングで、制御部２１は、筋電図センサ４から取得された電位信号を呼気筋の電位と判定する。

　または、筋電図センサ４から取得された活動電位の波形データの特徴量と、吸気筋の電位を示すラベル及び呼気筋の電位を示すラベルとを含む訓練データを用いて学習した学習モデルを用いて、吸気筋の電位か呼気筋の電位かを識別しても良い。更にまた、筋電図センサ４から取得された活動電位の振幅の平均値が小さい方を呼気筋の電位と判定しても良い。

　制御部２１は、呼気筋のピーク電位が閾値Ａ（通常時の呼気筋の活動電位）未満であるか否かを判断する（ステップＳ０２）。制御部２１は、呼気筋のピーク電位が閾値Ａ未満であると判定した場合（ステップＳ０２でＹＥＳ）、増悪の発症リスクが低い増悪レベル２を判定する（ステップＳ０３）。制御部２１は、呼気筋のピーク電位が閾値Ａ以上であると判定した場合（ステップＳ０２でＮＯ）、呼気筋のピーク電位が閾値Ｂ（例えば、閾値Ａの３０％増の値）未満であるか否かを判定する（ステップＳ０４）。

　制御部２１は、呼気筋のピーク電位が閾値Ｂ未満であると判定した場合（ステップＳ０４でＹＥＳ）、増悪の発症リスクが高い増悪レベル３を判定する（ステップＳ０５）。制御部２１は、呼気筋のピーク電位が閾値Ｂ以上であると判定した場合（ステップＳ０４でＮＯ）、増悪が生じた増悪レベル４を判定する（ステップＳ０６）。制御部２１は、判定した増悪レベルの判定結果を返却し（ステップＳ０７）、サブルーチンを終了してリターンする。

　なお、上述した処理で呼気筋に係る活動電位情報の例を説明したが、これに限るものでもない。例えば、吸気筋に係る活動電位情報、または吸気筋及び呼気筋両方に係る活動電位情報に基づき、増悪レベルを検出しても良い。

　また、本実施形態では、活動電位のピーク電位を用いたが、これに限るものではない。例えば、活動電位の持続時間、活動電位の周波数分布等を用いても良い。以下に、持続時間を用いる例を説明する。制御部２１は、呼気筋の電位信号の変化に基づき、図１０Ｂの点線で示す開始タイミングと終了タイミングとを検出する。具体的には、制御部２１は、電位信号の所定閾値を超える時間的変化が連続して生じ始めたタイミングを開始タイミングとして検出する。また制御部２１は、開始タイミングを検出した後に、電位信号の所定閾値を超えない時間的変化が連続して生じ始めたタイミングを終了タイミングとして検出する。制御部２１は、開始タイミングから終了タイミングまでの時間が、予め定めた閾値を超える場合に、増悪に関する情報を出力する。なお、複数の閾値を設け、第１の閾値以上第２の閾値未満の場合に増悪レベルを３、第２の閾値以上の場合に増悪レベル４としても良い。

　本実施形態によると、検出センサ３により取得した動作情報、及び筋電図センサ４により取得した活動電位情報に基づき、呼吸器系疾患の異常を検出することができる。これにより、増悪検査を行うＣＯＰＤ患者から生体試料（例えば、血液、血清等）を採取せず、患者の体への負担を軽くすることが可能となる。

　（実施形態２）
　実施形態２は、ディープラーニングにより構築された増悪検出モデルを用いて、ＣＯＰＤにおける増悪に関する情報を検出する形態に関する。なお、実施形態１と重複する内容については説明を省略する。

　図１４は、実施形態２のサーバ１の構成例を示すブロック図である。なお、図２と重複する内容については同一の符号を付して説明を省略する。大容量記憶部１７は、増悪検出モデル１７３を含む。増悪検出モデル１７３は、ＣＯＰＤにおける増悪に関する情報を検出する検出器であり、機械学習により生成された学習済みモデルである。当該学習済みモデルは、人工知能ソフトウェアの一部であるプログラムモジュールとして利用される。以下では、ディープラーニングにより構築された増悪検出モデル１７３を用いて、増悪に関する情報を検出する処理を説明する。

　図１５は、増悪検出モデル１７３の生成処理に関する説明図である。図１５では、機械学習を行って増悪検出モデル１７３を生成する処理を概念的に図示している。図１５に基づき、増悪検出モデル１７３の生成処理について説明する。

　本実施形態でのサーバ１は、増悪検出モデル１７３として、検出センサ３から取得した動作情報に関する電気信号の画像、及び筋電図センサ４から取得した活動電位情報の画像内における増悪箇所の波形画像の特徴量を学習するディープラーニングを行うことで、波形画像を入力とし、ＣＯＰＤにおける増悪に関する情報の有無を示す情報を出力とするニューラルネットワークを構築（生成）する。なお、上述した波形画像に限らず、周波数を解析した後の画像に対するディープラーニングを行っても良い。ニューラルネットワークは、例えばＣＮＮ（Convolutional Neural Network）であり、波形画像の入力を受け付ける入力層と、異常の有無を示す情報（識別結果）を出力する出力層と、波形画像の画像特徴量を抽出する中間層とを有する。

　入力層は、波形画像に含まれる各画素の画素値の入力を受け付ける複数のニューロンを有し、入力された画素値を中間層に受け渡す。中間層は、波形画像の画像特徴量を抽出する複数のニューロンを有し、抽出した画像特徴量を出力層に受け渡す。例えば増悪検出モデル１７３がＣＮＮである場合、中間層は、入力層から入力された各画素の画素値を畳み込むコンボリューション層と、コンボリューション層で畳み込んだ画素値をマッピングするプーリング層とが交互に連結された構成を有し、波形画像の画素情報を圧縮しながら最終的に画像の特徴量を抽出する。出力層は、ＣＯＰＤにおける増悪箇所を識別した識別結果を出力する一又は複数のニューロンを有し、中間層から出力された画像特徴量に基づいて増悪に関する情報の有無を識別する。

　なお、本実施の形態では増悪検出モデル１７３がＣＮＮであるものとして説明するが、増悪検出モデル１７３はＣＮＮに限定されず、ＣＮＮ以外のニューラルネットワーク、ＳＶＭ（Support Vector Machine）、ベイジアンネットワーク、回帰木等、他の学習アルゴリズムで構築された学習済みモデルであっても良い。

　図１５に示すように、例えば、入力１は検出センサ３により検出した所定時間（例えば、６０秒間）の呼吸筋の動作情報の波形画像であり、入力２は筋電図センサ４により検出した所定時間（例えば、６０秒間）の呼吸筋に係る活動電位情報の波形画像である。動作情報の波形画像（入力１）及び活動電位情報の波形画像（入力２）は、同じタイミングの信号を示す波形画像である。サーバ１の制御部１１が、メモリに記憶された学習済みの増悪検出モデル１７３からの指令に従って、入力した動作情報及び活動電位情報の波形画像から、増悪に関する情報を検出して出力する。

　出力された増悪に関する情報は、例えば増悪の有無の情報、増悪の確率値、増悪の確率値に応じて分類される増悪レベル等であっても良い。上述した呼吸筋に係る活動電位情報の波形画像（入力２）は、吸気筋の電位の変化と呼気筋の電位の変化とを合成して形成した電位の変化を示す波形画像である。なお、入力２は呼気筋電位の変化のみ、もしくは吸気筋電位の変化のみを示す波形画像であっても良い。または、入力１と入力２とを合成した画像を増悪検出モデル１７３に入力しても良い。または、入力１は呼吸筋の動作情報の時系列データであり、入力２は呼吸筋に係る活動電位情報の時系列データであっても良い。更にまた、入力１及び入力２は、波形画像と時系列データとの組み合わせであっても良い。

　サーバ１は、動作情報に関する電気信号の画像及び活動電位情報の画像と、各画像における増悪に関する情報とが対応付けられた教師データを用いて学習を行う。教師データは、動作情報に関する電気信号の画像及び活動電位情報の画像と、増悪に関する情報とがラベル付けされたデータである。サーバ１は、教師データである波形画像を入力層に入力し、中間層での演算処理を経て、出力層からＣＯＰＤにおける増悪の有無を示す識別結果を取得する。なお、出力層から出力される識別結果は増悪の有無を離散的に示す値（例えば「０」又は「１」の値）であっても良く、連続的な確率値（例えば「０」から「１」までの範囲の値）であっても良い。例えばサーバ１は、出力層から出力される識別結果として、ＣＯＰＤにおける増悪の有無のほかに、増悪の確率値等を識別した識別結果を取得する。その他、出力層から複数のレベル、例えばレベル１からレベル４それぞれの確率値を出力するようにしても良い。

　サーバ１は、出力層から出力された識別結果を、教師データにおいて波形画像に対しラベル付けされた情報、すなわち正解値と比較し、出力層からの出力値が正解値に近づくように、中間層での演算処理に用いるパラメータを最適化する。当該パラメータは、例えばニューロン間の重み（結合係数）、各ニューロンで用いられる活性化関数の係数等である。パラメータの最適化の方法は特に限定されないが、例えばサーバ１は誤差逆伝播法を用いて各種パラメータの最適化を行う。

　サーバ１は、教師データに含まれる各波形画像について上記の処理を行い、増悪検出モデル１７３を生成する。サーバ１は、検出センサ３から動作情報に関する電気信号の画像、及び筋電図センサ４から活動電位情報の画像を取得した場合、メモリに記憶された学習済みの増悪検出モデル１７３からの指令に従って、ＣＯＰＤにおける増悪に関する情報を検出する。なお、サーバ１が、学習済みの増悪検出モデル１７３を生成した後に、端末２は当該学習済みの増悪検出モデル１７３をダウンロードしてインストールした場合、端末２が学習済みの増悪検出モデル１７３を用いて増悪に関する情報を検出しても良い。この場合、端末２は、検出センサ３から動作情報に関する電気信号の画像、及び筋電図センサ４から活動電位情報の画像を取得し、増悪検出モデル１７３を用いて増悪に関する情報を検出する。なお、端末２は、増悪検出モデル１７３に対し、教師データを用いて学習または再学習処理を行っても良い。

　なお、本実施形態では、波形画像を増悪検出モデル１７３の入力値に用いるが、これに限るものではない。例えば、増悪検出モデル１７３としてＲＮＮ（Recurrent Neural Network）に係るニューラルネットワークを用いても良い。この場合に検出センサ３から取得した動作情報、及び筋電図センサ４から取得した活動電位情報の時系列データを入力値として、ＣＯＰＤにおける増悪に関する情報を検出しても良い。

　また学習モデルは、動作情報と増悪に関する情報とを含む教師データに基づき学習された第１学習モデル、及び、活動電位情報と増悪に関する情報とを含む教師データに基づき学習された第２学習モデルの２つを用意しても良い。この場合、第１学習モデルは、図８に示す電圧波形、電圧波形画像、当該電圧波形を周波数変換した周波数波形、または当該周波数波形画像を入力データとし、増悪の確率を出力データとする。サーバ１は、これらの教師データを元に第１学習モデルの学習を行う。

　第２学習モデルは、図１０Ａ及び１０Ｂに示す吸気筋及び呼気筋に係る活動電位波形、活動電位波形画像、当該活動電位波形を周波数変換した周波数波形、または当該周波数波形画像を入力データとし、増悪の確率を出力データとする。サーバ１は、これらの教師データを元に第２の学習モデルの学習を行う。なお、呼気筋もしくは吸気筋に係る波形画像のみに基づいて第２の学習モデルの学習を行っても良い。

　推定時において第１学習モデルの出力確率が、所定閾値(例えば８０％)以上の場合、またはステップＳ２０５でＹＥＳの場合、第２学習モデルによる推定処理を行う。制御部２１は、第２学習モデルに吸気筋及び呼気筋に係る活動電位波形、活動電位波形画像、当該活動電位波形を周波数変換した周波数波形、または当該周波数波形画像を入力する。制御部２１は、第２学習モデルからの増悪の確率を出力する。

　なお、上述した第１学習モデル及び第２学習モデルによる推定処理の順序に限るものではない。例えば、第２学習モデルによる推定処理を行い、第２学習モデルから出力された増悪の確率が所定閾値以上である場合、第１学習モデルによる推定処理を行っても良い。または、第１学習モデルによる推定処理及び第２学習モデルによる推定処理を並行して行い、第１学習モデル及び第２学習モデルを用いて出力された増悪の確率に基づいて増悪を判定しても良い。また、第１条件については実施の形態１の方法により判断を行い、活動電位波形に対しては第２学習モデルを利用するようにしても良い。さらに第１条件については第１学習モデルを利用し、活動電位波形については実施の形態１の方法により判断しても良い。

　図１６は、増悪検出モデル１７３の生成処理の処理手順の一例を示すフローチャートである。図１６に基づき、増悪検出モデル１７３の生成処理の処理内容について説明する。

　制御部１１は、検出センサ３により取得した動作情報の画像、及び筋電図センサ４により取得した活動電位情報の画像と、ＣＯＰＤにおける増悪に関する情報とが対応付けられた教師データを取得する（ステップＳ１２１）。教師データは、例えば動作情報及び活動電位情報の画像と、増悪に関する情報（例えば、増悪の確率値等）とをラベル付けしたデータである。

　制御部１１は、複数の教師データを用いて、動作情報及び活動電位情報の波形画像を入力した場合に、ＣＯＰＤにおける増悪に関する情報の有無を示す情報（例えば、レベル１～レベル４）を出力する増悪検出モデル１７３（学習済みモデル）を生成する（ステップＳ１２２）。具体的には、制御部１１は、教師データである波形画像をニューラルネットワークの入力層に入力し、増悪に関する情報を識別した識別結果を出力層から取得する。制御部１１は、取得した識別結果を教師データの正解値（波形画像に対してラベル付けられた情報）と比較し、出力層から出力される識別結果が正解値に近づくよう、中間層での演算処理に用いるパラメータ（重み等）を最適化する。制御部１１は、生成した増悪検出モデル１７３を大容量記憶部１７に格納し、一連の処理を終了する。

　図１７は、増悪検出モデル１７３を用いた増悪に関する情報の検出処理に関する説明図である。図１７では、波形画像からＣＯＰＤにおける増悪に関する情報を検出する様子を概念的に図示している。図１７に基づき、ＣＯＰＤにおける増悪に関する情報の検出処理について説明する。

　学習済みの増悪検出モデル１７３がインストールされた端末２の制御部２１は、Ｂｌｕｅｔｏｏｔｈ通信部２６を介して、検出センサ３から動作情報に関する電気信号の画像、及び筋電図センサ４から活動電位情報の画像を取得する。なお、動作情報及び活動電位情報は、上述した波形画像に限らず、時系列データであっても良い。動作情報及び活動電位情報が時系列データである場合、制御部２１は、取得した時系列データに基づいて波形画像を生成しても良い。制御部２１は、取得した動作情報に関する電気信号の画像、及び活動電位情報の画像を増悪検出モデル１７３に入力する。

　制御部２１は、増悪検出モデル１７３の中間層にて波形画像の特徴量を抽出する演算処理を行い、抽出した特徴量を増悪検出モデル１７３の出力層に入力して、ＣＯＰＤにおける増悪の有無に関する情報を出力として取得する。図示のように、制御部２１は、増悪の確率値、及び増悪の確率値に応じて分類する増悪レベル情報（例えば、増悪レベル１～増悪レベル４）を出力する。制御部２１は、増悪検出モデル１７３を用いて、波形画像から増悪に関する情報を検出した場合、ＣＯＰＤにおける増悪に関する情報を検出した旨の検出結果を表示部２５により表示する。

　図１８は、増悪検出モデル１７３を用いて増悪に関する情報を検出する際の処理手順を示すフローチャートである。検出センサ３の制御部３１は、Ｂｌｕｅｔｏｏｔｈ通信部３４を介して、動作情報に関する電気信号の画像を端末２に送信する（ステップＳ３３１）。学習済みの増悪検出モデル１７３がインストールされた端末２の制御部２１は、Ｂｌｕｅｔｏｏｔｈ通信部２６を介して、検出センサ３から送信された動作情報に関する電気信号の画像を受信する（ステップＳ２３１）。

　なお、制御部２１は、検出センサ３から動作情報に関する電気信号の生データをＢｌｕｅｔｏｏｔｈ通信部２６により受信しても良い。この場合、例えば制御部２１は、受信した電気信号の生データを深層学習済みの画像生成モデルに入力し、該画像生成モデルを用いて、電気信号の画像を出力しても良い。

　筋電図センサ４の制御部４１は、Ｂｌｕｅｔｏｏｔｈ通信部４４を介して、活動電位情報の画像を端末２に送信する（ステップＳ４３１）。端末２の制御部２１は、Ｂｌｕｅｔｏｏｔｈ通信部２６を介して、筋電図センサ４から送信された活動電位情報の画像を受信する（ステップＳ２３２）。制御部２１は、増悪検出モデル１７３を用いてＣＯＰＤにおける増悪に関する情報を検出し（ステップＳ２３３）、検出した増悪に関する情報を表示部２５により表示する（ステップＳ２３４）。

　本実施形態によると、増悪検出モデル１７３を用いて呼吸器系疾患の異常を検出することにより、速く且つ高精度に診断することが可能となる。

　（実施形態３）
　実施形態３は、呼吸筋または呼吸補助筋の動作に関する動作情報、及び呼吸筋または呼吸補助筋に対する活動電位情報に、さらに患者の生体情報を加えて、呼吸器系疾患の異常を検出する形態に関する。なお、実施形態３では、呼吸器系疾患の一つであるＣＯＰＤにおける増悪に関する情報を検出する例をあげて説明する。

　本実施形態では、患者の生体情報を検出する第２センサ５を含む。第２センサ５は、例えば、経皮的動脈血酸素飽和度を検出するオキシメータ、生体から発せられる生体音を収音するマイク、心臓の拍動に伴う心筋の活動電位または活動電流を記録し、これによりＲＲＩ(R-R Interval)及びＣＶ－ＲＲ(Coefficient of Variation R-R interval)の解析も可能な心電計、血圧を検出する血圧計、体温を検出する体温計、経皮的動脈血二酸化炭素分圧（PtcCO2）の測定装置、心臓の拍動数を計測する脈拍計、心拍の周波数を解析する心拍変動測定器、生体インピーダンスを計測する生体電位センサ、または発汗センサ等を含む。

　生体電位センサは、呼吸に伴う生体電気インピーダンスの変化を検出する。生体電気インピーダンスの変化は、胸郭上に配置した電極から高周波電流を通電して得られる胸郭インピーダンス（Ｚ）を測定することにより、換気に伴う肺容積変化に応じた胸郭インピーダンスの変化量である呼吸性インピーダンス（ΔＺ）を利用することで換気状態を把握するものである。即ち、呼吸に伴う胸郭インピーダンス（Ｚ）の変化量（ΔＺ）は、肺内気量（Ｖ_Ｌ）の変化量（ΔＶ_Ｌ）に応じて変化する。ΔＺ　＝　α（非負の比例係数）・ΔＶ_Ｌと仮定できる。胸郭インピーダンスの変化量ΔＺは、吸気によって増加し（ΔＺ＞０）、呼気によって減少する（ΔＺ　＜０）。従って、生体電位インピーダンスを測定することにより、肺の換気量が推定できる。

　また、第２センサ５は、人体に触れずにベッド又は寝具下等に設置された非接触型のバイタルセンサであっても良い。非接触型のバイタルセンサは、小型マイクロ波レーダにより呼吸運動と心臓の鼓動に伴う体表面の微小な動き（心拍・呼吸）を計測し、赤外サーモカメラにより体表面から放出される赤外線（体温）を計測する。生体情報は、生体組織の状態及び組織が機能している場合の情報を反映した信号であり、例えば、脈拍、体動、呼吸等の生体現象によって体内から発せられる信号である。

　図１９は、第２センサ５を加えて増悪に関する情報の検出処理の動作を説明する説明図である。なお、図１９では、第２センサ５の一つの種類のマイクを用いてＣＯＰＤにおける増悪に関する情報を検出する例をあげて説明する。なお、マイクに限らず、例えば複数の第２センサ５を用いて、増悪に関する情報が検出されても良い。マイクは、生体から発せられる生体音を収音する音センサである。例えばマイクを用いて、呼吸音、咳音、痰の貯留音または肺雑音等を含む生体音情報を取得し、周波数解析も行うことができ、これらの情報を学習モデルに入力する。

　経皮的動脈血二酸化炭素分圧（ＰｔｃＣＯ２）測定装置を用いる場合、ＰｔｃＣＯ２に対応する値を学習モデルに入力する。増悪時にはＰｔｃＣＯ２が増加する傾向にある。またＰｔｃＣＯ２が高度に高くなった場合、呼吸の抑制が認められ、動作情報及び活動電位情報にも変動が生じる。学習モデルの学習の際には、履歴（過去の患者の計測履歴）に基づき得られた動作情報、活動電位情報及びＰｔｃＣＯ２に対応する値と、増悪レベルとを含む教師データを用いて学習処理を行う。

　心電図を利用する場合、心電図計から出力される電位を学習モデルに入力する。増悪時には心電図に右心負荷所見が認められ易くなる。また、増悪時には心房細動と呼ばれる不整脈が生じ易く、これに対応した電位の変化が生じる。その他、増悪時には体調不良のため交感神経が副交感神経に比べ優位になり、これに伴いＲＲＩ（心電図上のＲ波とＲ波の間隔）の短縮ならびにＲＲＩの変動係数であるＣＶ－ＲＲの低下が認められる。学習モデルの学習の際には、履歴に基づき得られた動作情報、活動電位情報及び心電図計の出力電位と、増悪レベルとを含む教師データを用いて学習処理を行う。

　血圧計を用いる場合、血圧を学習モデルに入力する。増悪時には、上記のように交感神経が優位となり、この際には血圧が上昇する。学習モデルの学習の際には、履歴に基づき得られた動作情報、活動電位情報及び血圧と、増悪レベルとを含む教師データを用いて学習処理を行う。

　体温計を用いる場合、体温計から得られる体温を学習モデルに入力する。増悪は、細菌またはウイルスによる呼吸器感染症が契機となることがあり、このような時には炎症所見として体温の上昇が認められる。学習モデルの学習の際には、履歴に基づき得られた動作情報、活動電位情報及び体温と、増悪レベルとを含む教師データを用いて学習処理を行う。

　脈拍計を用いる場合、単位時間あたりの脈拍数または脈拍数の時間的変化を学習モデルに入力する。増悪時には、上記のように交感神経が優位となり、これにより脈拍数の上昇が認められる。学習モデルの学習の際には、履歴に基づき得られた動作情報、活動電位情報及び脈拍数と、増悪レベルとを含む教師データを用いて学習処理を行う。

　心拍変動測定器を用いる場合、単位時間あたりのＬＦ（低周波）／ＨＦ（高周波）比またはＬＦ／ＨＦ比の時間的変化を学習モデルに入力する。増悪時には、上記のように交感神経が優位となり、これによりＬＦ／ＨＦ比の上昇が認められる。学習モデルの学習の際には、履歴に基づき得られた動作情報、活動電位情報及びＬＦ／ＨＦ比と、増悪レベルとを含む教師データを用いて学習処理を行う。

　生体電位センサを用いる場合、単位時間あたりの胸郭インピーダンスの変化量ΔＺまたは胸郭インピーダンスの変化量ΔＺの時間的変化を学習モデルに入力する。増悪時には、換気障害に伴う肺容積変化の減少が認められ、これにより胸郭インピーダンスの変化量ΔＺの低下が認められる。学習モデルの学習の際には、履歴に基づき得られた動作情報、活動電位情報及び胸郭インピーダンスの変化量ΔＺと、増悪レベルとを含む教師データを用いて学習処理を行う。

　発汗センサを用いる場合、単位時間あたりの発汗量または発汗量の時間的変化を学習モデルに入力する。増悪時には、上記のように交感神経が優位となり、これにより発汗量の上昇が認められる。学習モデルの学習の際には、履歴に基づき得られた動作情報、活動電位情報及び発汗量と、増悪レベルとを含む教師データを用いて学習処理を行う。なお、以上述べた第２センサを複数組み合わせて学習モデルに入力しても良い。

　端末２の制御部２１は、Ｂｌｕｅｔｏｏｔｈ通信部２６を介して、検出センサ３から呼吸筋または呼吸補助筋の動作に関する動作情報、及び筋電図センサ４から呼吸筋または呼吸補助筋に対する活動電位情報を取得する。制御部２１は、Ｂｌｕｅｔｏｏｔｈ通信部２６を介して、マイクから生体音情報を取得する。例えば、呼吸音、咳音、痰の貯留音、肺雑音に関して周波数、強度、持続時間または音質等の生体音情報が取得されても良い。制御部２１は、取得した動作情報、活動電位情報及び生体音情報に基づき、ＣＯＰＤにおける増悪に関する情報を検出する。

　例えば、実施形態１で記述した動作情報及び活動電位情報により増悪に関する情報を検出する処理を基にして、更に生体音情報を加えて増悪に関する情報を検出しても良い。具体的には、端末２の制御部２１は、動作情報及び活動電位情報に基づき、増悪に関する情報を検出した場合、マイクにより取得した生体音情報（例えば、呼吸音等）により引き続き増悪を判定する。ＣＯＰＤ患者は増悪が生じた場合、呼吸音の減弱、呼気の延長、咳または痰の回数の増加、肺雑音の増加等の生体反応が生じるため、制御部２１は、生体音情報に基づいて増悪に関する情報を検出する。制御部２１は、検出した増悪に関する情報を表示部２５により表示する。制御部２１は、通信部２３を介して、検出した増悪に関する情報をサーバ１に送信する。サーバ１の制御部１１は、端末２から送信された増悪に関する情報を通信部１３により受信し、受信した増悪に関する情報を大容量記憶部１７の患者ＤＢ１７１に記憶する。

　なお、本実施形態では、第２センサ５と検出センサ３と筋電図センサ４とを分離した形で図示しているが、両者を一体に構成しても良い。また、第２センサ５の配置場所は体の特定の部位に限定されるものではなく、非接触型であっても構わない。また、本実施形態では端末２と、第２センサ５を分離した形で図示しているが、これに限るものではない。例えば、端末２と、検出センサ３及び筋電図センサ４、第２センサ５とを全て一体化した装置構成としても良いし、端末２と第２センサ５を一体化した装置構成（例えば、腕時計型携帯端末等のウェアラブルデバイス等）であっても構わない。また時計型の第２センサ５をユーザに装着させておき、第２センサ５により異常を検出した場合に、検出センサ３及び筋電図センサ４をユーザの体に取り付けさせる形態であっても良い。

　図２０は、マイクを加えて増悪に関する情報を検出する際の処理手順を示すフローチャートである。なお、図１２と重複する内容については同一の符号を付して説明を省略する。端末２の制御部２１は、Ｂｌｕｅｔｏｏｔｈ通信部２６を介して、マイクから生体音情報（例えば、呼吸音等）を取得する（ステップＳ２４１）。制御部２１は、動作情報及び活動電位情報に基づき、ＣＯＰＤにおける増悪に関する情報を検出した場合（ステップ２０３～２０６）、呼吸音が減弱しているか否かを判定する（ステップＳ２４２）。呼吸音の減弱の判定処理に関しては、例えば呼吸音の周波数を用いて判定しても良い。

　制御部２１は、取得した呼吸音が減弱していないと判定した場合（ステップＳ２４２でＮＯ）、処理を終了する。制御部２１は、取得した呼吸音が減弱していると判定した場合（ステップＳ２４２でＹＥＳ）、ステップＳ２０７を実行する。なお、図２０では、生体音情報の一つの呼吸音の例を説明したが、これに限るものではない。ほかの咳音、痰の貯留音、肺雑音、または上述した各種の音情報の組み合わせにより、ＣＯＰＤにおける増悪に関する情報が検出されても良い。

　なお、上述した処理は、動作情報による増悪判定処理（ステップＳ２０５）、活動電位情報による増悪判定処理（ステップＳ２０６）後に、呼吸音が減弱しているか否かの判定（ステップＳ２４２）を行った例を説明したが、これに限るものではない。例えば、先に呼吸音が減弱しているか否かの判定（ステップＳ２４２）を行い、その後に活動電位情報による増悪判定処理（ステップＳ２０６）、次に動作情報による増悪判定処理（ステップＳ２０５）を行い、増悪に関する情報を検出しても良い。

　または、呼吸音が減弱しているか否かの判定（ステップＳ２４２）、動作情報による増悪判定処理（ステップＳ２０５）、及び活動電位情報による増悪判定処理（ステップＳ２０６）を並行して行い、三者を用いて導き出される増悪の判定条件を満たした場合、増悪に関する情報を検出しても良い。

　続いて、動作情報、活動電位情報及び第２センサ５により取得した生体情報に基づき、ディープラーニングにより構築された学習済みモデルを用いて、増悪に関する情報を検出する処理を説明する。

　図２１は、実施形態３のサーバ１の構成例を示すブロック図である。なお、図１４と重複する内容については同一の符号を付して説明を省略する。大容量記憶部１７は、第２増悪検出モデル１７４を含む。第２増悪検出モデル１７４は、ディープラーニングにより構築された増悪検出モデルである。第２増悪検出モデル１７４は、動作情報に関する電気信号の画像、活動電位情報の画像、及び第２センサ５により取得した生体信号画像内における増悪箇所の波形画像の特徴量を学習するディープラーニングを行うことで、波形画像を入力とし、ＣＯＰＤにおける増悪に関する情報の有無を示す情報を出力とするニューラルネットワークを構築（生成）する。なお、第２増悪検出モデル１７４の生成処理に関しては、実施形態１の増悪検出モデル１７３の生成処理と同様であるため、説明を省略する。

　図２２は、第２増悪検出モデル１７４を用いて増悪に関する情報を検出する際の処理手順を示すフローチャートである。なお、図１８と重複する内容については同一の符号を付して説明を省略する。第２センサ５は、Ｂｌｕｅｔｏｏｔｈ通信を利用して生体情報の画像を端末２に送信する（ステップＳ５４１）。端末２の制御部２１は、Ｂｌｕｅｔｏｏｔｈ通信部２６を介して、第２センサ５から送信された生体情報の画像を受信する（ステップＳ２４３）。

　生体情報は、例えば経皮的動脈血酸素飽和度を検出するオキシメータにより取得した酸素解離曲線データであっても良い。ＣＯＰＤ患者は増悪がある場合、経皮的酸素濃度が低下するため、酸素解離曲線データの画像に基づいて増悪に関する情報を検出することができる。なお、経皮的動脈血酸素飽和度に限るものではない。生体情報の画像は、例えば呼吸数または心拍数に対する時系列データの時間的変化を示すフラグ、マイクの波形データ等であっても良い。

　制御部２１は、端末２にインストールされた第２増悪検出モデル１７４を用いてＣＯＰＤにおける増悪に関する情報を検出する（ステップＳ２４４）。なお、第２増悪検出モデル１７４を用いた増悪に関する情報の検出処理に関しては、実施形態１の増悪検出モデル１７３を用いた増悪に関する情報の検出処理と同様であるため、説明を省略する。

　図２３は、第２増悪検出モデル１７４の学習処理の処理手順の一例を示すフローチャートである。図２３に基づき、第２増悪検出モデル１７４の学習処理の処理内容について説明する。

　制御部１１は、検出センサ３により取得した動作情報の画像、筋電図センサ４により取得した活動電位情報の画像、及び第２センサ５により取得した生体情報の画像と、ＣＯＰＤにおける増悪に関する情報とが対応付けられた教師データを取得する（ステップＳ１５１）。教師データは、例えば動作情報、活動電位情報及び生体情報の画像と、増悪に関する情報（例えば、増悪の確率値等）とをラベル付けしたデータである。

　制御部１１は、教師データを用いて、動作情報、活動電位情報及び生体情報の画像を入力した場合に増悪の有無に関する情報を出力する第２増悪検出モデル１７４を学習する（ステップＳ１５２）。具体的には、制御部１１は、教師データである波形画像をニューラルネットワークの入力層に入力し、増悪に関する情報を識別した識別結果を出力層から取得する。制御部１１は、取得した識別結果を教師データの正解値（波形画像に対してラベル付けられた情報）と比較し、出力層から出力される識別結果が正解値に近づくよう、中間層での演算処理に用いるパラメータ（重み等）を最適化する。制御部１１は、学習した第２増悪検出モデル１７４を大容量記憶部１７に格納し、一連の処理を終了する。

　本実施形態によると、検出センサ３により取得した動作情報、筋電図センサ４により取得した活動電位情報、及び第２センサ５により取得した生体情報に基づき、呼吸器系疾患の異常を検出することができる。

　本実施形態によると、生体情報を補助手段とし、動作情報及び活動電位情報と共に増悪に関する情報を検出する。これにより、例えば実施形態１の検出処理によって、増悪に関する情報が誤って検出されても、生体情報に基づいて増悪に関する情報の補正を行うことが可能となる。

　（実施形態４）
　実施形態４は、実施形態３を基にして、更に活動（労作）情報を検出する第３センサを用いて、呼吸器系疾患の異常を検出する形態に関する。なお、実施形態４では、呼吸器系疾患の一つであるＣＯＰＤにおける増悪に関する情報を検出する例をあげて説明する。本実施形態では、第３センサ６を含む。第３センサ６は、患者の運動量、移動距離、活動量または姿勢を含む活動情報を検出し、例えば加速度センサ、ＧＰＳ（Global Positioning System/Global Positioning Satellite）センサ、またはジャイロセンサ（角速度センサ）等である。なお、複数の第３センサ６を用いて、活動(労作)情報が検出されても良い。

　図２４は、実施形態４のサーバ１の構成例を示すブロック図である。なお、図２１と重複する内容については同一の符号を付して説明を省略する。大容量記憶部１７は、アドバイスＤＢ１７５及びウォーキングモデル１７６を含む。アドバイスＤＢ１７５は、活動内容、増悪に関する情報等に応じたアドバイス情報を記憶している。

　活動内容は、例えばウォーキング、自転車、階段昇降、ジョギング、呼吸リハビリ運動等を含み、第３センサ６により取得する。例えば、端末２の制御部２１は、加速度センサを用いて身体活動をモニタリングし、姿勢、速度、移動距離等の加速度データ（活動情報）を取得し、取得した加速度データに応じて活動内容を特定する。なお、活動内容の特定に関しては、上述した特定処理に限るものではない。例えば、活動内容を選択可能な画面がユーザに表示されている場合、ユーザのタッチ操作により活動内容を特定しても良い。

　ウォーキングモデル１７６は、活動内容がウォーキングである場合、ディープラーニングにより構築された専用の増悪検出モデルである。例えば、動作情報に関する電気信号の画像、活動電位情報の画像、及び第２センサ５により取得した生体信号画像がウォーキングモデル１７６に入力される。ウォーキングモデル１７６は、ウォーキングに応じて、入力した画像内における増悪箇所の波形画像の特徴量を学習するディープラーニングを行うことで、波形画像を入力とし、ＣＯＰＤにおける増悪に関する情報の有無を示す情報を出力とするニューラルネットワークを構築（生成）する。なお、ウォーキングモデル１７６の生成処理に関しては、実施形態１の増悪検出モデル１７３の生成処理と同様であるため、説明を省略する。

　また、第２センサ５による生体信号画像を用いずに、動作情報及び活動電位情報に基づき、ウォーキングモデル１７６が生成されても良い。

　なお、本実施形態では、ウォーキングモデル１７６の例をあげて説明するが、これに限らず、活動内容ごとにそれぞれのモデル（例えば、自転車モデル、階段昇降モデル、ジョギングモデル、呼吸リハビリモデル等）を利用しても良い。例えば、呼吸リハビリとなる活動が特定された場合、動作情報に関する電気信号の画像、活動電位情報の画像、及び第２センサ５により取得した生体信号画像を入力とし、ＣＯＰＤにおける増悪に関する情報を出力する学習済みの呼吸リハビリモデルを用いて増悪に関する情報を検出しても良い。呼吸リハビリモデルは、検出センサ３により検出した呼吸リハビリ時の動作情報の画像、筋電図センサ４により検出した呼吸リハビリ時の活動電位情報の画像、及び第２センサ５により取得した生体信号画像の特徴量を学習することで、呼吸リハビリ時の身体反応状況に応じて、増悪に関する情報を検出する。

　図２５は、実施形態３のマスタＤＢ１７２のレコードレイアウトの一例を示す説明図である。なお、図４と重複する内容については同一の符号を付して説明を省略する。マスタＤＢ１７２は、活動内容列を含む。活動内容列は、身体活動に応じて行動の種類を記憶している。例えば、活動内容が階段昇降、ウォーキング等である。

　図２６は、アドバイスＤＢ１７５のレコードレイアウトの一例を示す説明図である。アドバイスＤＢ１７５は、アドバイスＩＤ列、活動内容列、増悪情報列及びアドバイス列を含む。アドバイスＩＤ列は、各アドバイスを識別するために、一意に特定されるアドバイスのＩＤを記憶している。活動内容列は、身体活動に応じて行動の種類を記憶している。増悪情報列は、増悪に関する情報を記憶している。アドバイス列は、活動内容及び増悪に関する情報に応じて、患者に対するアドバイス情報を記憶している。

　続いて、活動内容に応じたアドバイス情報の送信処理について説明する。図２７は、活動内容に応じたアドバイス情報を送信する際の処理手順を示すフローチャートである。端末２の制御部２１は、Ｂｌｕｅｔｏｏｔｈ通信部２６を介して、検出センサ３から呼吸筋または呼吸補助筋の動作に関する動作情報を取得し（ステップＳ２６１）、筋電図センサ４から呼吸筋または呼吸補助筋に対する活動電位情報を取得する（ステップＳ２６２）。制御部２１は、Ｂｌｕｅｔｏｏｔｈ通信部２６を介して、第２センサ５により生体情報を取得し（ステップＳ２６３）、第３センサ６により患者の運動量、移動距離、活動量または姿勢を含む活動情報を取得する（ステップＳ２６４）。

　制御部２１は、取得した活動情報に基づいて活動内容を特定する（ステップＳ２６５）。制御部２１は、取得した動作情報、活動電位情報及び生体情報に基づき、増悪に関する情報を検出する（ステップＳ２６６）。なお、増悪に関する情報の検出処理に関しては、実施形態３での検出処理と同様であるため、説明を省略する。制御部２１は、通信部２３を介して、検出した増悪に関する情報、及び特定した活動内容に基づき、アドバイスの取得リクエストをサーバ１に送信する（ステップＳ２６７）。サーバ１の制御部１１は、通信部１３を介して、端末２から送信されたアドバイスの取得リクエストを受信する（ステップＳ１６１）。

　制御部１１は、受信したアドバイスの取得リクエストに応じて、大容量記憶部１７のアドバイスＤＢ１７５からアドバイス情報を取得する（ステップＳ１６２）。制御部１１は、通信部１３を介して、取得したアドバイス情報を端末２に送信する（ステップＳ１６３）。端末２の制御部２１は、サーバ１から送信されたアドバイス情報を通信部２３により受信し（ステップＳ２６８）、受信したアドバイス情報を表示部２５により表示する（ステップＳ２６９）。例えば、増悪レベル２（リスクが低い）であるジョギング中の患者に対し、アドバイス情報「呼吸に走るリズムを合わせましょう！」を表示しても良い。また、増悪レベル３（リスクが高い）である階段を上っている患者に対し、アドバイス情報「一旦止まって、呼吸を整えましょう！」を表示しても良い。更にまた、増悪レベル４（増悪）であるウォーキング中の患者に対し、アドバイス情報「短時間作用型吸入β2刺激薬を使用してください！」を表示しても良い。

　続いて、機械学習によって構築した活動ごとのモデルを用いてＣＯＰＤにおける増悪に関する情報を検出する処理について説明する。なお、本実施形態では、ウォーキングする際に利用可能なウォーキングモデル１７６に基づいて説明するが、ほかの活動内容でも同様に適用できる。活動内容に応じて、運動量、活動量、姿勢等が異なるため、ＣＯＰＤにおける増悪に関する情報を検出する検出結果にも影響を与える。ある特定の活動（例えば、ウォーキング）に対し、該特定の活動状態から取得した各種の波形画像の特徴量を学習するディープラーニングを行うことで、波形画像を入力とし、ＣＯＰＤにおける増悪に関する情報の有無を示す情報を出力とするニューラルネットワークを構築することができる。よって、該学習済みの専用モデルを用いて、該特定の活動におけるＣＯＰＤの増悪に関する情報を検出する精度が高くなる。

　図２８は、ウォーキングモデル１７６を用いて増悪に関する情報を検出する際の処理手順を示すフローチャートである。なお、図２７と重複する内容については同一の符号を付して説明を省略する。端末２の制御部２１は、ステップＳ２６５で特定した活動内容に応じて、学習済みの活動学習モデルを特定する（ステップＳ２７０）。例えば、制御部２１は、ステップＳ２６４で取得した活動情報からウォーキングとなる活動内容を特定した場合、予めインストールされたウォーキングモデル１７６を特定し、ＣＯＰＤにおける増悪に関する情報を検出する。すなわち、活動内容ごとの学習済みの活動学習モデルを利用することにより、ＣＯＰＤにおける精度が高い増悪に関する情報を検出することができる。

　続いて、筋電図センサ４により取得した活動電位情報を判定するための電気信号の所定閾値の変更処理を説明する。

　活動内容に応じて運動量等が変化するため、これに合わせてＣＯＰＤにおける増悪の有無に関する情報の判定基準を変更させる。以下では、活動内容に応じて、筋電図センサ４により取得した活動電位情報を判定するための電気信号の所定閾値変更の例をあげて説明する。端末２の制御部２１は、Ｂｌｕｅｔｏｏｔｈ通信部２６を介して、第３センサ６により検出した活動情報を取得する。制御部２１は、取得した活動情報に応じて、活動内容を特定する。制御部２１は、特定した活動内容に基づき、サーバ１の大容量記憶部１７のマスタＤＢ１７２から、筋電図センサ４により取得した活動電位情報を判定するための電気信号の所定閾値を取得する。そして制御部２１は、取得した新たな閾値に基づき、増悪に関する情報を検出する際に判定処理を行う。例えば、端末２の制御部２１は活動内容をウォーキングと特定した場合、制御部２１はサーバ１の大容量記憶部１７のマスタＤＢ１７２から、ウォーキングに対応する活動電位情報を判定するための電気信号の所定閾値を取得する。ウォーキングの場合、運動量がアップするため、増悪に関する情報を検出するための電気信号の閾値は、安静時の閾値より高くなる。

　なお、上述した電気信号の閾値の変更処理の例を説明したが、これに限るものではない。検出センサ３により取得した動作情報を判定するための第１条件、第２センサ５により取得した生体情報を判定するための生体情報の所定閾値を変更することができる。例えば、端末２は検出センサ３を用いて増悪の検出処理を行った場合、活動内容に応じて、呼気筋の動作電気信号閾値を変更する。例えば、端末２は活動内容をウォーキングと特定した場合、運動量がアップするため、電圧の極大の傾き閾値または極小の傾き閾値を高く変更する。

　また、端末２は第２センサ５を用いて増悪の検出処理を行った場合、活動内容に応じて、第２センサ５の各種の閾値を変更しても良い。例えば第２センサ５がマイクである場合、端末２の制御部２１は音声データを取得する。制御部２１は音声データを周波数変換し、特定周波数帯のパワーが所定閾値を超えるか否か判断する。制御部２１は所定閾値を超える場合、増悪の可能性があると判断し、検出センサ３及び筋電図センサ４を用いた判断を行う。ここで制御部２１は活動内容に応じて上述した所定閾値を変化させる。

　なお、上述した活動内容に応じた所定閾値を変更する処理に限るものではない。例えば、増悪検出モデル１７３を用いて、出力した増悪の確率値に応じて、筋電図センサ４により取得した活動電位情報を判定するための電気信号の所定閾値を変更しても良い。

　図２９は、増悪の確率値に応じた電気信号の所定閾値を変更する際の処理手順を示すフローチャートである。学習済みの増悪検出モデル１７３がインストールされた端末２の制御部２１は、Ｂｌｕｅｔｏｏｔｈ通信部２６を介して、検出センサ３から呼吸筋または呼吸補助筋の動作に関する動作情報を取得する（ステップＳ２７１）。制御部２１は、Ｂｌｕｅｔｏｏｔｈ通信部２６を介して、筋電図センサ４から呼吸筋または呼吸補助筋に対する活動電位情報を取得する（ステップＳ２７２）。

　制御部２１は、増悪検出モデル１７３を用いてＣＯＰＤにおける増悪に関する情報を検出する（ステップＳ２７３）。制御部２１は、検出した増悪に関する情報から増悪の確率値を取得する（ステップＳ２７４）。例えば、取得された増悪の確率値が０．３である場合、増悪の発症リスクがあるため、筋電図センサ４により取得した活動電位情報を判定するための電気信号の所定閾値の変更が必要となる。

　制御部２１は、通信部２３を介して、取得した増悪の確率値をサーバ１に送信する（ステップＳ２７５）。サーバ１の制御部１１、通信部１３を介して、端末２から送信された増悪の確率値を受信する（ステップＳ１７１）。制御部１１は、受信した増悪の確率値に応じて、筋電図センサ４により取得した活動電位情報を判定するための電気信号の所定閾値を算出する（ステップＳ１７２）。算出アルゴリズムに関しては、例えば増悪の発症リスクがある場合、既存の電気信号の所定閾値に０～１間の係数を乗じて算出しても良い。すなわち、増悪の発症リスクがある場合、増悪検出の判定基準が厳しくなる。制御部１１は、算出した電気信号の所定閾値を大容量記憶部１７のマスタＤＢ１７２に更新する（ステップＳ１７３）。

　続いて、検出センサ３、筋電図センサ４及び第３センサ６を用いたＣＯＰＤにおける増悪に関する情報の検出処理について説明する。例えば、第３センサ６はジャイロセンサである。端末２は、検出センサ３を用いて呼吸筋または呼吸補助筋の動作に関する動作情報、筋電図センサ４を用いて呼吸筋または呼吸補助筋に対する活動電位情報、及びジャイロセンサを用いて足のふらつき値を取得する。端末２は、取得した足のふらつき値が所定閾値以上であるか否かを判定する。端末２は、取得した足のふらつき値が所定閾値以上であると判定した場合、実施形態１と同様の処理により、取得した動作情報及び活動電位情報に基づいて増悪に関する情報を検出する。なお、足のふらつきの検出処理に関しては、ジャイロセンサにより取得したジャイロセンサデータを入力とし、ふらつきを検出する学習済みのふらつき検出モデルを利用しても良い。

　なお、本実施形態では、筋電図センサ４により取得した活動電位情報を判定するための電気信号の所定閾値の変更処理を説明したが、これに限るものではない。他の判定用の閾値に対しても、上述した処理内容により変更しても良い。

　本実施形態によると、活動内容に応じた呼吸器系疾患の異常を検出することに関し、安静時では発見しにくい増悪に関する症状に対しても、増悪の検出率を高めることが可能となる。

　本実施形態によると、活動内容に応じたそれぞれの学習済みの活動学習モデルを利用することにより、身体活動量の実態を考慮して安静時以外の活動（例えば、ジョギング等の高強度の活動）の場合でも、ＣＯＰＤにおける増悪に関する情報を検出することが可能となる。

　本実施形態によると、活動内容または増悪の確率値に応じて、増悪の有無に関する情報を判定するための電気信号の所定閾値を適切に変更することが可能となる。

　（実施形態５）
　実施形態５は、ＣＯＰＤにおける増悪に関する情報を検出した場合、検出した増悪に関する情報に応じて、薬の服薬指示情報または服薬指示情報以外の第２のアドバイス情報を送信する形態に関する。なお、実施形態１～４と重複する内容については説明を省略する。

　図３０は、実施形態５のサーバ１の構成例を示すブロック図である。なお、図２４と重複する内容については同一の符号を付して説明を省略する。大容量記憶部１７は、服薬指示情報ＤＢ１７７及び治療結果ＤＢ１７８を含む。服薬指示情報ＤＢ１７７は、ＣＯＰＤ患者に対して、あらかじめ増悪時に使用するために処方されている薬に対する服薬指示の情報を記憶している。治療結果ＤＢ１７８は、増悪に関する情報を検出した患者に対して、あらかじめ増悪時に使用するために処方されている薬の摂取に関する情報、及び薬を摂取した後の計測データを記憶している。

　図３１は、服薬指示情報ＤＢ１７７のレコードレイアウトの一例を示す説明図である。服薬指示情報ＤＢ１７７は、服薬指示ＩＤ列、患者ＩＤ列、増悪情報列、服薬指示列及びアドバイス列を含む。服薬指示ＩＤ列は、各服薬指示を識別するために、一意に特定される服薬指示のＩＤを記憶している。患者ＩＤ列は、患者を特定する患者ＩＤを記憶している。増悪情報列は、増悪に関する情報を記憶している。服薬指示列は、増悪に関する情報に応じた薬の服薬指示の情報を記憶している。アドバイス列は、増悪に関する情報に応じて服薬指示の情報以外の第２のアドバイス情報を記憶している。

　図３２は、治療結果ＤＢ１７８のレコードレイアウトの一例を示す説明図である。治療結果ＤＢ１７８は、管理ＩＤ列、患者ＩＤ列、服薬指示ＩＤ列、薬摂取状況列及び計測データ列を含む。管理ＩＤ列は、各治療結果のデータを識別するために、一意に特定される治療結果のデータのＩＤを記憶している。患者ＩＤ列は、患者を特定する患者ＩＤを記憶している。服薬指示ＩＤ列は、服薬指示を特定する服薬指示ＩＤを記憶している。薬摂取状況列は、増悪に関する情報を検出した患者に対して服薬指示された薬の摂取の状況（ステータス）を記憶している。例えば、薬摂取状況列に「摂取済み」、「摂取中」または「未摂取」等が記入されても良い。

　計測データ列は、動作情報列、活動電位情報列及び生体情報列を含む。動作情報列は、増悪に関する情報を検出した患者が服薬指示された薬を摂取した後に、該患者に対し、検出センサ３により取得した動作情報を記憶している。活動電位情報列は、増悪に関する情報を検出した患者が服薬指示された薬を摂取した後に、該患者に対し、筋電図センサ４により取得した活動電位情報を記憶している。生体情報列は、増悪に関する情報を検出した患者が服薬指示された薬を摂取した後に、該患者に対し、第２センサ５により取得した生体情報を記憶している。

　図３３は、増悪に関する情報に応じた、あらかじめ増悪時に使用するために処方されている薬に対する服薬指示情報を送信する際の処理手順を示すフローチャートである。端末２の制御部２１は、Ｂｌｕｅｔｏｏｔｈ通信部２６を介して、検出センサ３から動作情報を取得し（ステップＳ２８１）、筋電図センサ４から活動電位情報を取得する（ステップＳ２８２）。制御部２１は、ＣＯＰＤにおける増悪に関する情報を検出するか否かを判定する（ステップＳ２８３）。なお、増悪に関する情報の検出処理に関しては、実施形態１での増悪に関する情報の検出処理と同様であるため、説明を省略する。制御部２１は、ＣＯＰＤにおける増悪に関する情報を検出していないと判定した場合（ステップＳ２８３でＮＯ）、処理を終了する。

　制御部２１は、ＣＯＰＤにおける増悪に関する情報を検出したと判定した場合（ステップＳ２８３でＹＥＳ）、増悪に関する情報に応じた薬の服薬指示情報を取得する（ステップＳ２８４）。例えば、制御部２１は、医師が増悪に関する情報を確認し、　あらかじめ処方していた薬に対して行う直接の服薬指示情報を通信部２３若しくは入力部２４により受け付けても良く、または記憶部２２から増悪に関する情報に応じて、あらかじめ処方されている薬に対する服薬指示の情報を取得しても良い。薬の服薬指示情報は、薬の種類（例えば、短時間作用型吸入β２刺激薬等）、名称（例えば、メプチン）、服用方法及び副作用等を含む。制御部２１は、取得した服薬指示情報を表示部２５により表示する（ステップＳ２８５）。制御部２１は、通信部２３を介して、取得した服薬指示情報をサーバ１に送信する（ステップＳ２８６）。

　サーバ１の制御部１１は、端末２から送信された増悪に関する情報に応じた薬の服薬指示情報を通信部１３により受信し（ステップＳ１８１）、受信した服薬指示情報を大容量記憶部１７の服薬指示情報ＤＢ１７７に記憶する（ステップＳ１８２）。具体的には、制御部１１は、服薬指示ＩＤを割り振って、患者ＩＤ、増悪に関する情報及び服薬指示情報を一つのレコードとして服薬指示情報ＤＢ１７７に記憶する。

　図３４は、増悪に関する情報に応じた第２のアドバイス情報を送信する際の処理手順を示すフローチャートである。なお、図３３と重複する内容については同一の符号を付して説明を省略する。端末２の制御部２１は、ステップＳ２８３でＣＯＰＤにおける増悪に関する情報を検出したと判定した場合、増悪に関する情報に応じる第２のアドバイス情報を取得する（ステップＳ２９１）。第２のアドバイス情報は、上述した服薬指示情報以外の意見・提案等であり、ＣＯＰＤの治療に対する有益な情報等であっても良い。第２のアドバイス情報としては、例えば「ウォーキングをしてください。」、「基礎的なトレーニングをしてください。」等の運動療法に関する情報、または「食べ過ぎに注意してください。」、「栄養管理をしてください。」等の栄養療法に関する情報が含まれる。なお、第２のアドバイス情報の取得処理に関しては、上述した服薬指示情報の取得処理と同様であるため、説明を省略する。制御部２１は、取得した第２のアドバイス情報を表示部２５により表示する（ステップＳ２９２）。制御部２１は、通信部２３を介して、取得した第２のアドバイス情報をサーバ１に送信する（ステップＳ２９３）。

　サーバ１の制御部１１は、端末２から送信された増悪に関する情報に応じた第２のアドバイス情報を通信部１３により受信し（ステップＳ１９１）、受信した第２のアドバイス情報を大容量記憶部１７の服薬指示情報ＤＢ１７７に記憶する（ステップＳ１９２）。具体的には、制御部１１は、服薬指示ＩＤを割り振って、患者ＩＤ、増悪に関する情報及び第２のアドバイス情報を一つのレコードとして服薬指示情報ＤＢ１７７に記憶する。

　なお、上述した服薬指示情報または第２のアドバイス情報がそれぞれに端末２に送信されたが、これに限るものではない。例えば、サーバ１の制御部１１は、検出した増悪に関する情報に応じて、服薬指示情報を第２のアドバイス情報と共に端末２に送信しても良い。

　また、患者が服薬指示された薬を摂取した後に、薬の摂取に関する情報、及び薬を摂取した後の計測データを記憶することができる。具体的には、制御部１１は、通信部１３または入力部１４を介して、増悪に関する情報を検出した患者に対して服薬指示された薬の摂取に関する情報を取得する。制御部１１は、通信部１３を介して、検出センサ３から薬の摂取後の動作情報、筋電図センサ４から薬の摂取後の活動電位情報、及び第２センサ５から薬の摂取後の生体情報を含む計測データを取得する。

　制御部１１は、取得した薬の摂取に関する情報、及び薬を摂取した後の計測データを大容量記憶部１７の治療結果ＤＢ１７８に記憶する。具体的には、制御部１１は、管理ＩＤを割り振って、患者ＩＤ、服薬指示ＩＤ、薬の摂取状況、動作情報、活動電位情報及び生体情報を一つのレコードとして治療結果ＤＢ１７８に記憶する。

　続いて、薬を摂取した後の計測データを用いて、第２増悪検出モデル１７４の再学習処理の処理内容について説明する。ＣＯＰＤ患者が薬を摂取して所定の時間を経過した後に、制御部１１は、検出センサから出力される動作情報、及び筋電図センサから出力される活動電位情報を含む計測データと、増悪が生じていないことを示す情報（例えば、レベル１）とが対応付けられた第２教師データを取得する。制御部１１は、第２教師データを用いて、動作情報及び活動電位情報を入力した場合に増悪の有無に関する情報を出力する増悪検出モデル１７３（学習済みモデル）を再学習する。制御部１１は、再学習した増悪検出モデル１７３を大容量記憶部１７に格納し、一連の処理を終了する。

　また、患者の薬摂取後の評価、及びその後の対応も行うことが可能となる。例えば、気管支拡張作用のある短時間作用型吸入β2刺激薬の服薬指示を行った患者が、薬を吸入しても、動的過膨張等の増悪状態の改善が認められない場合、病院受診の指示を患者宛に送信する等の対応が可能となる。

　本実施形態によると、ＣＯＰＤにおける増悪に関する情報を検出した場合、検出した増悪に関する情報に応じて、薬の服薬指示情報を患者宛に送信することが可能となる。

　本実施形態によると、ＣＯＰＤにおける増悪に関する情報を検出した場合、検出した増悪に関する情報に応じて、服薬指示情報以外の第２のアドバイス情報を患者宛に送信することが可能となる。

　本実施形態によると、薬を摂取した後の計測データを用いて、第２増悪検出モデルを再学習することにより、増悪に関する情報の検出精度を向上することが可能となる。

　今回開示された実施形態はすべての点で例示であって、制限的なものではないと考えられるべきである。本発明の範囲は、上記した意味ではなく、請求の範囲によって示され、請求の範囲と均等の意味及び範囲内でのすべての変更が含まれることが意図される。

　１　　　　情報処理装置（サーバ）
　１１　　　制御部
　１２　　　記憶部
　１３　　　通信部
　１４　　　入力部
　１５　　　表示部
　１６　　　読取部
　１７　　　大容量記憶部
　１７１　　患者ＤＢ
　１７２　　マスタＤＢ
　１７３　　増悪検出モデル
　１７４　　第２増悪検出モデル
　１７５　　アドバイスＤＢ
　１７６　　ウォーキングモデル
　１７７　　服薬指示情報ＤＢ
　１７８　　治療結果ＤＢ
　１ａ　　　可搬型記憶媒体
　１ｂ　　　半導体メモリ
　１Ｐ　　　制御プログラム
　２　　　　情報処理端末（端末）
　２１　　　制御部
　２２　　　記憶部
　２３　　　通信部
　２４　　　入力部
　２５　　　表示部
　２６　　　Ｂｌｕｅｔｏｏｔｈ通信部
　２Ｐ　　　制御プログラム
　３　　　　検出センサ
　３１　　　制御部
　３２　　　記憶部
　３３　　　圧電素子
　３４　　　Ｂｌｕｅｔｏｏｔｈ通信部
　３Ｐ　　　制御プログラム
　４　　　　筋電図センサ
　４１　　　制御部
　４２　　　記憶部
　４３　　　筋電計測部
　４４　　　Ｂｌｕｅｔｏｏｔｈ通信部
　４Ｐ　　　制御プログラム
　５　　　　第２センサ
　６　　　　第３センサ

Claims

　呼吸筋または呼吸補助筋の動作に関する動作情報を検出する検出センサから前記動作情報、及び呼吸筋または呼吸補助筋に対する活動電位情報を取得する筋電図センサから前記活動電位情報を取得し、
　取得した前記動作情報及び活動電位情報に基づき呼吸器系疾患の異常を検出し、
　前記異常を検出した場合に、異常情報を出力する
　処理をコンピュータに実行させることを特徴とするプログラム。
　前記検出センサは、呼吸筋または呼吸補助筋の動作情報を検出する圧電素子センサ、伸縮センサ、エコーセンサまたは生体電位センサを含む
　請求項１に記載のプログラム。
　前記検出センサにより検出した動作情報に基づき、第１条件を満たすか否かを判定し、
　前記筋電図センサから取得した活動電位情報の内、呼気筋に対応する電気信号が所定閾値以上か否かを判定し、
　前記第１条件を満たし、かつ、呼気筋に対応する電気信号が所定閾値以上である場合に、慢性閉塞性肺疾患における増悪に関する情報を出力する
　処理を実行させる請求項１又は２に記載のプログラム。
　前記検出センサにより検出した動作情報に基づき、第１条件を満たすか否かを判定し、
　前記筋電図センサから取得した活動電位情報の内、呼気筋に対応する電気信号の持続時間が所定閾値以上か否かを判定し、
　前記第１条件を満たし、かつ、呼気筋に対応する電気信号の持続時間が所定閾値以上である場合に、慢性閉塞性肺疾患における増悪に関する情報を出力する
　処理を実行させる請求項１又は２に記載のプログラム。
　前記検出センサにより検出した動作情報に基づき、第１条件を満たすか否かを判定し、
　前記筋電図センサから取得した活動電位情報の内、呼気筋に対応する電気信号の周波数分布の平均周波数または中央周波数の変化値が所定閾値以上か否かを判定し、
　前記第１条件を満たし、かつ、呼気筋に対応する電気信号の周波数分布の平均周波数または中央周波数の変化値が所定閾値以上である場合に、慢性閉塞性肺疾患における増悪に関する情報を出力する
　処理を実行させる請求項１又は２に記載のプログラム。
　前記所定閾値は第１閾値、及び、該第１閾値より大きい第２閾値を含み、
　呼気筋に対応する電気信号が第１閾値以上第２閾値未満の場合、第１レベルの増悪に関する情報を出力し、
　　呼気筋に対応する電気信号が第２閾値以上の場合、第２レベルの増悪に関する情報を出力する
　処理を実行させる請求項３から５のいずれか一つに記載のプログラム。
　前記検出センサにより出力される電気信号の極大値及び極小値が所定時間継続して所定量以上増加している場合に第１条件を満たすと判断する
　処理を実行させる請求項３から６のいずれか一つに記載のプログラム。
　患者の生体情報を検出する第２センサにより生体情報を取得し、
　取得した前記生体情報、前記検出センサにより取得した動作情報、及び前記筋電図センサにより取得した活動電位情報から、呼吸器系疾患の異常の有無を判断する
　処理を実行させる請求項１から７までのいずれかひとつに記載のプログラム。
　マイクを用いて呼吸音、咳音、痰の貯留音または肺雑音を含む生体音情報を取得し、
取得した前記生体音情報、前記動作情報及び活動電位情報から、呼吸器系疾患の異常を検出する
　処理を実行させる請求項１から８までのいずれかひとつに記載のプログラム。
　第２センサは、経皮的動脈血酸素飽和度を検出するオキシメータ、生体から発せられる生体音を収音するマイク、経皮的動脈血二酸化炭素分圧（PtcCO2）測定装置、心臓の拍動に伴う心筋の活動電位または活動電流を記録し、これによりＲＲＩ及びＣＶ－ＲＲの解析も可能な心電計、血圧を検出する血圧計、体温を検出する体温計、心臓の拍動数を計測する脈拍計、心拍の周波数を解析する心拍変動測定器、生体インピーダンスを計測する生体電位センサ、または発汗センサを含む
　請求項８又は９に記載のプログラム。
　患者の運動量、移動距離、活動量または姿勢を含む活動情報を検出する第３センサにより前記活動情報を取得する
　処理を実行させる請求項１から１０までのいずれかひとつに記載のプログラム。
　前記第３センサにより取得した前記活動情報から所定の活動を検出した場合、検出した前記活動に応じて、前記検出センサにより取得した動作情報を判定するための第１条件、前記筋電図センサにより取得した活動電位情報を判定するための電気信号の所定閾値、または第２センサにより取得した生体情報を判定するための生体情報の所定閾値を変更する
　処理を実行させる請求項１１に記載のプログラム。
　前記活動情報に応じて活動内容を特定し、
　特定した活動内容、前記検出センサから得られる動作情報、筋電図センサから得られる活動電位情報、及び患者の生体情報を検出する第２センサから得られる生体情報に応じて、アドバイス情報を取得し、
　取得した前記アドバイス情報を送信する
　処理を実行させる請求項１１又は１２に記載のプログラム。
　前記動作情報及び活動電位情報に基づき、慢性閉塞性肺疾患における増悪に関する情報を検出した場合、前記増悪に関する情報に応じて薬の服薬指導情報を取得し、
　取得した前記服薬指導情報を送信する
　処理を実行させる請求項１から１３までのいずれかひとつに記載のプログラム。
　前記慢性閉塞性肺疾患における増悪に関する情報を検出した場合、前記増悪に関する情報に応じて、前記服薬指導情報以外の第２のアドバイス情報を取得し、
　取得した第２のアドバイス情報を送信する
　処理を実行させる請求項１４に記載のプログラム。
　前記検出センサから得られる動作情報、及び前記筋電図センサから得られる活動電位情報を取得し、
　前記動作情報、活動電位情報及び慢性閉塞性肺疾患における増悪に関する情報を含む複数の教師データに基づき学習された学習モデルに、取得した動作情報及び活動電位情報を入力し、
　慢性閉塞性肺疾患における増悪の有無に関する情報を出力する
　処理を実行させる請求項１又は２に記載のプログラム。
　前記動作情報、前記活動電位情報、及び患者の生体情報を検出する第２センサから得られる生体情報を取得し、
　前記動作情報、活動電位情報、生体情報及び慢性閉塞性肺疾患における増悪に関する情報を含む複数の教師データに基づき学習された第２学習モデルに、取得した動作情報、活動電位情報及び生体情報を入力し、
　慢性閉塞性肺疾患における増悪の有無に関する情報を出力する
　処理を実行させる請求項１又は２に記載のプログラム。
　患者の運動量、移動距離、活動量または姿勢を含む活動情報を検出する第３センサにより取得した前記活動情報に応じて活動内容を特定し、
　活動内容ごとに用意された複数の学習モデルから特定した活動情報に対応する学習モデルを選択し、
　選択した学習モデルに前記動作情報及び活動電位情報を入力し、
　慢性閉塞性肺疾患における増悪の有無に関する情報を出力する
　処理を実行させる請求項１６又は１７に記載のプログラム。
　薬を摂取して所定の時間を経過した後に、検出センサから出力される動作情報、及び筋電図センサから出力される活動電位情報を取得し、
　取得した動作情報、活動電位情報及び増悪が生じていないことを示す情報を用いて学習済みモデルを再学習する
　処理を実行させる請求項１６から１８までのいずれかひとつに記載のプログラム。
　呼吸筋または呼吸補助筋の動作に関する動作情報を検出する検出センサから前記動作情報、及び呼吸筋または呼吸補助筋に対する活動電位情報を取得する筋電図センサから前記活動電位情報を取得し、
　取得した前記動作情報及び活動電位情報に基づき呼吸器系疾患の異常を検出し、
　前記異常を検出した場合に、異常情報を出力する
　情報処理方法。
　呼吸筋または呼吸補助筋の動作に関する動作情報を検出する検出センサから前記動作情報、及び呼吸筋または呼吸補助筋に対する活動電位情報を取得する筋電図センサから前記活動電位情報を取得する取得部と、
　取得した前記動作情報及び活動電位情報に基づき呼吸器系疾患の異常を検出する検出部と、
　前記異常を検出した場合に、異常情報を出力する出力部と
　を備えることを特徴とする情報処理装置。