WO2021006240A1 - 学習装置、推定装置、及び、環境調整システム - Google Patents

学習装置、推定装置、及び、環境調整システム Download PDF

Info

Publication number
WO2021006240A1
WO2021006240A1 PCT/JP2020/026384 JP2020026384W WO2021006240A1 WO 2021006240 A1 WO2021006240 A1 WO 2021006240A1 JP 2020026384 W JP2020026384 W JP 2020026384W WO 2021006240 A1 WO2021006240 A1 WO 2021006240A1
Authority
WO
WIPO (PCT)
Prior art keywords
sleeping person
core body
learning
body temperature
feature amount
Prior art date
Application number
PCT/JP2020/026384
Other languages
English (en)
French (fr)
Inventor
祐希 西川
橋本　哲
翔太 堀
彰 内山
輝夫 東野
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
Priority claimed from JP2020088163A external-priority patent/JP2021010721A/ja
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 EP20836139.4A priority Critical patent/EP3998429A4/en
Priority to US17/623,842 priority patent/US20220358372A1/en
Priority to CN202080049648.1A priority patent/CN114080648A/zh
Publication of WO2021006240A1 publication Critical patent/WO2021006240A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/01—Measuring temperature of body parts ; Diagnostic temperature sensing, e.g. for malignant or inflamed tissue
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4806—Sleep evaluation
    • A61B5/4815—Sleep quality
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • 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
    • G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
    • 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
    • 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
    • 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
    • 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
    • F24F11/64—Electronic processing using pre-stored data

Definitions

  • Non-Patent Document 1 ( ⁇ Patentise> Effect of pre-sleep temperature fluctuation on falling asleep (general)) discloses that core body temperature affects sleep.
  • the sleep state of the sleeping person is estimated accurately.
  • the learning device of the first viewpoint learns the sleep quality of the sleeping person.
  • the learning device includes an acquisition unit, a learning unit, and a generation unit.
  • the acquisition unit acquires the state variable.
  • the state variable is a feature amount related to the core body temperature of the sleeping person or a feature amount related to the skin temperature of the sleeping person.
  • the feature amount relating to the core body temperature is determined at least based on the first core body temperature when the sleeping person falls asleep.
  • the feature amount relating to the skin temperature is determined at least based on the first skin temperature when the sleeping person falls asleep.
  • the learning unit learns by associating state variables with sleep quality.
  • the generation unit generates a learning model based on the learning result of the learning unit.
  • the learning model outputs the quality of sleep by inputting at least the feature amount related to the core body temperature or the feature amount related to the skin temperature of the sleeping person.
  • the learning device generates a learning model that can accurately estimate the quality of sleep as the sleeping state of the sleeping person using the core body temperature.
  • the learning device of the second viewpoint is the learning device of the first viewpoint, and the feature amount related to the core body temperature is further determined based on the second core body temperature acquired before the first core body temperature.
  • the feature amount relating to the skin temperature is further determined based on the second skin temperature obtained before the first skin temperature.
  • the learning device of the third viewpoint is the learning device of the first viewpoint or the second viewpoint, and the acquisition unit further obtains a feature amount relating to the core body temperature of the sleeping person in normal times or the skin temperature of the sleeping person in normal times. Get the features related to.
  • the learning device of the fourth viewpoint is a learning device of any of the first to third viewpoints, and the acquisition unit is the ambient temperature when the sleeping person falls asleep, the fingertip blood flow rate of the sleeping person, or the sleeping device. Acquires the RGB image of the person as a state variable.
  • the learning device of the fifth viewpoint is any of the learning devices of the first to fourth viewpoints, and the quality of sleep is the time from when the sleeping person goes to bed to when he / she falls asleep, and the deep sleep rate of the sleeping person. , Number of sleeper awakenings, sleeper awakening time, sleep quality questionnaire for sleepers, daytime performance questionnaire for sleepers, sleeper hormones It is determined based on at least one of the amount of hormones secreted from the body and the concentration of hormones in the sleeping person.
  • the learning device of the sixth viewpoint is any of the learning devices of the first to fifth viewpoints, and the feature amount relating to the core body temperature is the change amount, the maximum value, the minimum value, and the core body temperature of the sleeping person in a predetermined period. It is determined based on at least one of the mode, the mean, the difference between the maximum and the minimum, the maximum or minimum slope, the mean slope, and an index of change.
  • the learning device of the seventh viewpoint is any of the learning devices of the first to sixth viewpoints, and the feature amount relating to the skin temperature is the amount of change in the skin temperature of the sleeping person, the maximum value, the minimum value, and the like. It is determined based on at least one of the mode, the mean, the difference between the maximum and the minimum, the maximum or minimum slope, the mean slope, and an index of change.
  • the learning device of the eighth viewpoint is any of the learning devices of the first to seventh viewpoints, and the acquisition unit further determines the humidity, illuminance, and the surrounding humidity and illuminance of the sleeping person when the sleeping person falls asleep as state variables. Get chromaticity, scent, or airflow.
  • the learning device of the ninth viewpoint is any of the learning devices of the first to eighth viewpoints, and the learning unit learns using a plurality of teacher data.
  • Teacher data includes state variables and sleep quality.
  • the 10th viewpoint estimation device estimates the quality of sleep using a learning model generated based on the learning results of any of the learning devices from the 1st viewpoint to the 9th viewpoint.
  • the eleventh viewpoint estimation device is a tenth viewpoint estimation device, and further includes a core body temperature feature amount estimation unit.
  • the core body temperature feature amount estimation unit estimates the feature amount related to the core body temperature of the sleeping person from the feature amount related to the skin temperature.
  • the twelfth viewpoint estimation device is a tenth viewpoint estimation device
  • the core body temperature feature amount estimation unit is a learning model that learns the feature amount related to the deep body temperature of the sleeping person in association with the feature amount related to the skin temperature of the sleeping person. Based on the learning result of, the feature amount related to the core body temperature of the sleeping person is estimated by inputting the feature amount related to the skin temperature of the sleeping person.
  • the characteristic amount of the sleeping person with respect to the skin temperature is determined at least based on the first skin temperature when the sleeping person falls asleep.
  • the feature amount regarding the core body temperature of the sleeping person is determined at least based on the first core body temperature when the sleeping person falls asleep.
  • the environment adjustment system of the thirteenth viewpoint includes an estimation device of any of the tenth to twelfth viewpoints and an environment adjustment device.
  • the environment adjusting device includes an actuator and a control unit.
  • the actuator regulates the environment around the sleeping person.
  • the control unit controls the operation of the actuator based on the sleep quality of the sleeping person estimated by the estimation device.
  • FIG. 1 is a diagram showing an example of a learning system 1, an estimation system 2, and an environment adjustment system 3 according to the first embodiment.
  • the learning system 1 acquires various data, learns based on the acquired data, and generates a learned learning model based on the learned result.
  • the estimation system 2 acquires various data and estimates the sleep quality of the sleeping person using the learned learning model generated by the learning system 1.
  • the environment adjustment system 3 adjusts the environment around the sleeper based on the sleep quality of the sleeper estimated by the estimation system 2. The details of the learning system 1, the estimation system 2, and the environment adjustment system 3 will be described below.
  • FIG. 2 is a schematic diagram showing an example of the learning system 1 according to the first embodiment.
  • the learning system 1 mainly includes a data acquisition device 10, a teacher data generation device 20, and a learning device 30. Each device can communicate via a network such as the Internet.
  • the data acquisition device 10 includes, for example, a first acquisition device 11 that acquires data on the ambient temperature of the sleeping person, a second acquisition device 12 that acquires data on the skin temperature of the sleeping person, and data on the core body temperature of the sleeping person.
  • the third acquisition device 13 for acquiring the data and the fourth acquisition device 14 for acquiring the sleep quality data of the sleeping person are included.
  • the first acquisition device 11, the second acquisition device 12, and the third acquisition device 13 constantly acquire data from 30 minutes before the sleeping person goes to bed until the sleeping person awakens.
  • the data may be acquired at predetermined time intervals or at arbitrary timings.
  • the fourth acquisition device 14 acquires data after the sleeping person has awakened. Information on the time when the data was acquired is associated with the data acquired by the first acquisition device 11, the second acquisition device 12, the third acquisition device 13, and the fourth acquisition device 14.
  • the data acquired by the first acquisition device 11, the second acquisition device 12, the third acquisition device 13, and the fourth acquisition device 14 are transmitted to the teacher data generation device 20 via the network, respectively.
  • the first acquisition device 11, the second acquisition device 12, the third acquisition device 13, and the fourth acquisition device 14 teach only a part of the acquired data in response to the request of the teacher data generation device 20. It may be transmitted to the data generator 20.
  • the first acquisition device 11 is a device such as a temperature sensor and a thermography, or a device including them.
  • the first acquisition device 11 may be an air conditioner including a temperature sensor.
  • the first acquisition device 11 is not particularly limited, but is at least a device capable of acquiring data on the ambient temperature of the sleeping person.
  • the second acquisition device 12 is a device such as a skin temperature sensor or a device including a skin temperature sensor and the like.
  • the second acquisition device 12 may be a wearable sensor including a skin temperature sensor.
  • the second acquisition device 12 is not particularly limited, but is at least a device capable of acquiring data on the skin temperature of the sleeping person.
  • the third acquisition device 13 is a device such as a core body temperature sensor, or a device including a core body temperature sensor and the like.
  • the third acquisition device 13 may be an eardrum thermometer.
  • the third acquisition device 13 is not particularly limited, but is at least a device capable of acquiring data on the core body temperature of the sleeping person.
  • the fourth acquisition device 14 is a device for acquiring the sleep quality of the sleeping person.
  • the quality of sleep is determined based on a questionnaire on sleep quality and daytime performance performed on the sleeping person.
  • a questionnaire on sleep quality and daytime performance is, for example, the OSA sleep inventory MA version.
  • the fourth acquisition device 14 may be, for example, a mobile terminal or the like.
  • the mobile terminal as the fourth acquisition device 14 acquires sleep-related data, for example, by performing the OSA sleep questionnaire MA version via the mobile terminal after the sleeping person awakens.
  • the fourth acquisition device 14 is not limited to the mobile terminal, and may be any device capable of acquiring the result or the like of the sleeping person performing the OSA sleep questionnaire MA version.
  • the teacher data generation device 20 includes a well-known hardware configuration such as a CPU (Central Processing Unit), a memory, a storage, an input / output interface, a communication interface, an input device, a display device, and a data bus, and is a well-known operation system or the like. May be installed on a computer that also has server functionality. Further, a GPU (Graphics Processing Unit) may be provided as needed. Alternatively, it may be a virtualized virtual server provided by using one or more computers.
  • the teacher data generation device 20 in the present disclosure preferably has a large capacity memory.
  • the teacher data generation device 20 has a data acquisition unit 21, a feature amount extraction unit 22, a teacher data generation unit 23, an acquisition data storage unit 24, and a teacher data storage unit 25.
  • Data acquisition unit 21 performs a process of acquiring various data acquired by the data acquisition device 10 by receiving the various data via the network.
  • Various data acquired by the data acquisition unit 21 are stored in the acquisition data storage unit 24, respectively.
  • the various data stored in the acquired data storage unit 24 are associated with information on the time when each data was acquired by the data acquisition device 10.
  • the data acquisition unit 21 includes data on the first ambient temperature and the second ambient temperature from the first acquisition device 11, data on the first skin temperature and the second skin temperature from the second acquisition device 12, and a third.
  • Data on the first core body temperature and the second core body temperature are acquired from the acquisition device 13, and data on the quality of sleep is acquired from the fourth acquisition device 14.
  • the time when the sleeping person falls asleep may be at least the timing after the sleeping person goes to bed, for example, the timing after a predetermined time has passed since the sleeping person went to bed.
  • the time when the sleeping person falls asleep is after 30 minutes have passed since the sleeping person fell asleep, but the present invention is not limited to this.
  • the first ambient temperature is the ambient temperature of the sleeping person when the sleeping person falls asleep.
  • the second ambient temperature is the ambient temperature of the sleeping person acquired at a timing prior to the first ambient temperature.
  • the second ambient temperature data is acquired at least at the timing before the sleeping person goes to bed.
  • the second ambient temperature data may be data acquired before the sleeping person goes to bed at any time.
  • the second ambient temperature data is, but is not limited to, the data of the ambient temperature of the sleeping person 30 minutes before the sleeping person goes to bed.
  • the first skin temperature is the skin temperature when a sleeping person falls asleep.
  • the second skin temperature is the skin temperature of the sleeping person acquired at a timing prior to the first skin temperature. It is preferable that the data of the second skin temperature is acquired at the timing before the sleeping person goes to bed. For example, the data of the second skin temperature is preferably data acquired before any time when the sleeping person goes to bed. In the first embodiment, the second skin temperature data is, but is not limited to, the data of the skin temperature of the sleeping person 30 minutes before the sleeping person goes to bed.
  • the 1st core body temperature is the core body temperature when a sleeping person falls asleep.
  • the second core body temperature is the core body temperature of the sleeping person acquired at a timing prior to the first core body temperature. It is preferable that the data of the second core body temperature is acquired at the timing before the sleeping person goes to bed.
  • the data of the second core body temperature is preferably the data acquired before any time when the sleeping person goes to bed.
  • the second core body temperature data is, but is not limited to, the data of the core body temperature of the sleeping person 30 minutes before the sleeping person goes to bed.
  • Sleep quality data Sleep quality is determined based on the OSA sleep questionnaire MA version as described above. Sleep quality data is acquired at the timing after the sleeper has performed the OSA sleep questionnaire MA version after waking up.
  • the feature amount extraction unit 22 is based on the data of the first skin temperature and the second skin temperature and the data of the first core body temperature and the second core body temperature stored in the acquired data storage unit 24, respectively. A process for extracting core body temperature features is performed. The skin temperature feature amount and the core body temperature feature amount extracted by the feature amount extraction unit 22 are stored in the acquired data storage unit 24. The skin temperature feature and the core body temperature feature will be described below.
  • the skin temperature feature amount is a feature amount related to the skin temperature of a sleeping person, and is extracted from the data of the first skin temperature and the second skin temperature.
  • the skin temperature feature amount is the change value of the first skin temperature and the second skin temperature, the maximum value, the minimum value, the mode value, the average value, the difference between the maximum value and the minimum value, and the maximum or minimum gradient.
  • the slope of the average, and the index of change which is a feature quantity determined based on any of the above.
  • the index related to change is an index showing a tendency of change, for example, the slope of core body temperature that correlates with skin temperature.
  • the method for extracting the skin temperature feature amount from the data of the first skin temperature and the second skin temperature is not particularly limited, but the feature amount is useful by performing feature selection using a filter method, a wrapper method, an incorporation method, or the like. It is preferable to select. Moreover, the interaction feature amount may be used.
  • the core body temperature feature amount is a feature amount related to the core body temperature of a sleeping person, and is extracted from the data of the first core body temperature and the second core body temperature.
  • the core body temperature feature amount is the change value of the first core body temperature and the second core body temperature, the maximum value, the minimum value, the mode value, the average value, the difference between the maximum value and the minimum value, and the maximum or minimum inclination.
  • the mean gradient, and the index of change which is a feature quantity determined based on any of the following.
  • the index related to change is an index showing a tendency of change, for example, a slope of skin temperature that correlates with core body temperature.
  • the method for extracting the core body temperature features from the data of the first core body temperature and the second core body temperature is not particularly limited, but the features are selected by using the filter method, the wrapper method, the incorporation method, etc., and the useful features are selected. It is preferable to do so. Moreover, the interaction feature amount may be used.
  • the teacher data generation unit 23 extracts state variables and correct answer data from the acquisition data storage unit 24 and generates teacher data (teacher data set).
  • the teacher data is a data set for the learning device 30 to learn the quality of sleep.
  • data on the first ambient temperature, the second ambient temperature, the skin temperature feature, the core body temperature feature, and the sleep quality are used as the teacher data.
  • the teacher data generation unit 23 first extracts data of the first ambient temperature, the second ambient temperature, the skin temperature feature amount, the core body temperature feature amount, and the sleep quality from the acquired data storage unit 24. At this time, the teacher data generation unit 23 extracts the data based on the time information associated with each data. Next, the teacher data generation unit 23 generates teacher data using the first ambient temperature, the second ambient temperature, the skin temperature feature amount, and the core body temperature feature amount as state variables, and the sleep quality data as the correct answer data. .. The teacher data generated by the teacher data generation unit 23 is stored in the teacher data storage unit 35.
  • the learning device 30 includes a well-known hardware configuration such as a CPU (Central Processing Unit), memory, storage, input / output interface, communication interface, input device, display device, and data bus (not shown), and is a well-known operation system or the like. Is installed, and it is a high-performance computer with the function of a server. Further, a GPU (Graphics Processing Unit) may be provided as needed. Alternatively, it may be a virtualized virtual server provided by using one or more computers.
  • a CPU Central Processing Unit
  • memory storage
  • input / output interface communication interface
  • input device input device
  • display device display device
  • data bus not shown
  • a well-known operation system or the like Is installed, and it is a high-performance computer with the function of a server.
  • a GPU Graphics Processing Unit
  • it may be a virtualized virtual server provided by using one or more computers.
  • the learning device 30 includes a teacher data acquisition unit 31, a learning unit 32, and a learning model generation unit 33.
  • Teacher data acquisition unit 31 acquires a plurality of teacher data from the teacher data generation device 20 via the network.
  • the teacher data acquired by the teacher data acquisition unit 31 is stored in a memory or the like.
  • the learning unit 32 causes a learning model to perform learning (for example, supervised learning) based on a plurality of teacher data acquired by the teacher data acquisition unit 31.
  • the learning method performed by the learning model is not particularly limited, but it is preferable to use multiple regression analysis, random forest, or the like.
  • the learning model in the first embodiment performs learning for the purpose of outputting an estimated value of sleep quality from the input data input in the estimation system 2 (FIG. 3) described later.
  • the learning model generation unit 33 generates a learning model used in the estimation device 50 by outputting the learning model as a learned learning model when the learning in the learning unit 32 progresses and the estimation accuracy of the learning model is improved. To do.
  • the learning model output from the learning model generation unit 33 can output an estimated value of sleep quality from the input data input in the estimation system 2 with a predetermined accuracy or higher.
  • the learning model generated by the learning model generation unit 33 is distributed to the estimation device 50 described later via the network. Alternatively, the learning model generated by the learning model generation unit 33 is distributed to the estimation device 50 via the storage medium.
  • the learning device 30 included in the learning system 1 of the first embodiment is a learning device 30 that learns the sleep quality of a sleeping person.
  • the learning device 30 includes a teacher data acquisition unit 31 as an acquisition unit, a learning unit 32, and a learning model generation unit 33 as a generation unit.
  • the teacher data acquisition unit 31 acquires the first ambient temperature, the second ambient temperature, the feature amount related to the core body temperature, and the feature amount related to the skin temperature as state variables.
  • the first ambient temperature is the ambient temperature of the sleeping person when the sleeping person falls asleep.
  • the second ambient temperature is the ambient temperature of the sleeping person acquired before the first ambient temperature.
  • the feature amount relating to the core body temperature is determined at least based on the first core body temperature when the sleeping person falls asleep.
  • the feature amount relating to the skin temperature is determined at least based on the first skin temperature when the sleeping person falls asleep.
  • the learning unit 32 learns by associating a state variable and a sleep quality.
  • the learning model generation unit 33 generates a learning model based on the learning result of the learning unit 32.
  • the learning model estimates the quality of sleep by inputting features related to the first ambient temperature, the second ambient temperature, the core body temperature, and the skin temperature.
  • Non-Patent Document 1 reports that large drowsiness occurs during the time when the core body temperature decreases, and in particular, the appearance time of a sudden decrease in the core body temperature greatly affects the quality of sleep.
  • the core body temperature is transferred to the terminal part, and the blood vessels for controlling body temperature called AVA (arteriovenous anastomosis) existing in the palm, sole, and face are expanded. Performs heat release. As a result, the core body temperature can be lowered and the resting efficiency of the brain and body during sleep can be improved.
  • AVA arteriovenous anastomosis
  • the core body temperature By raising the body temperature by exercising or taking a bath during the day, the core body temperature tends to drop at bedtime, but if the core body temperature does not rise during the day or the bedroom is hot, the core body temperature does not drop and deep sleep Because I can't get rid of it, I end up with poor quality sleep. Deep sleep is characterized by high appearance in the first three hours after falling asleep and low after that.
  • the comfort during sleep is a deep and good quality sleep
  • the transition of core body temperature influences it.
  • the relationship between core body temperature, skin temperature, and sleep depth in ideal sleep is as shown in Fig. 5.
  • the sleep onset time is longer, the deep sleep rate is lower, and the total sleep time is also shorter.
  • the learning device 30 of the first embodiment acquires a feature amount related to the core body temperature of the sleeping person as a state variable, and by performing learning, it is possible to more accurately estimate the quality of sleep as the sleeping state of the sleeping person. It is possible to generate a learning model.
  • the second feature amount acquired by the learning device 30 is determined based on at least the first skin temperature and the second skin temperature.
  • the first skin temperature is the skin temperature when a sleeping person falls asleep.
  • the second skin temperature is the skin temperature of the sleeping person obtained before the first skin temperature.
  • the learning device 30 has data on the skin temperature of the sleeping person after 30 minutes have passed since the sleeping person went to bed as the first skin temperature, and the sleeping person goes to bed as the second skin temperature.
  • the data of the skin temperature of the sleeping person 30 minutes ago and the data are acquired.
  • the learning device 30 of the present embodiment acquires the first core body temperature at the same time as the first skin temperature, and acquires the second core body temperature at the same time as the second skin temperature.
  • the learning device 30 learns using a plurality of teacher data.
  • the teacher data includes sleep quality data, first ambient temperature data, second ambient temperature data, core body temperature feature as a feature related to core body temperature, and skin temperature feature as a feature related to skin temperature. including.
  • the sleep quality includes the time from when the sleeping person enters the bed to falling asleep, the deep sleep rate, the number of times of awakening, the time of awakening, and the OSA sleep questionnaire MA version (OSAsleep inventory MA version). ) Is determined based on at least one of them.
  • the core body temperature feature amount is the amount of change in the core body temperature of the sleeping person during a predetermined period, the maximum value, the minimum value, the mode value, the average value, the difference between the maximum value and the minimum value, the maximum or minimum inclination, and It is determined based on at least one of the slopes of the average.
  • the skin temperature feature amounts include the amount of change in the skin temperature of the sleeping person, the maximum value, the minimum value, the mode value, the average value, the difference between the maximum value and the minimum value, the maximum or minimum inclination, and the maximum or minimum value. It is determined based on at least one of the mean slopes.
  • the learning device 30 of the present embodiment can generate a learning model that outputs accurate sleep quality.
  • the quality of sleep is determined based on the OSA sleep questionnaire MA version, but the quality of sleep may be determined based on other methods. Further, the fourth acquisition device 14 may be a device other than the mobile terminal.
  • sleep quality includes heart rate, body movements, and percentage of deep sleep time during sleep, the time it takes for a sleeper to fall asleep, the amount of hormones secreted by the sleeper, and the sleep quality of the sleeper. It may be determined from the hormone concentration, or any questionnaire regarding sleep quality and daytime performance performed on the sleeping person.
  • the sleep quality data is not particularly limited, and the fourth acquisition device 14 is not particularly limited as long as it is possible to acquire at least the sleep quality data.
  • the data acquisition device 10 may acquire data other than the data shown above.
  • the data acquisition device 10 may acquire environmental data, target data, or sleep data.
  • the environmental data is data such as humidity, illuminance, chromaticity, scent, or air flow around the sleeping person.
  • the target data are fingertip blood flow of the sleeping person, RGB image for estimating the fingertip blood flow of the sleeping person, heart rate, heart rate variability, respiratory rate, galvanic skin reaction, clothing amount / futon type, daytime Data such as activity status and pillow temperature.
  • the sleep data is data such as the body movement of the sleeping person, the sleeping state, or the time until falling asleep. It should be noted that these data may be acquired by the first acquisition device 11, the second acquisition device 12, the third acquisition device 13, the fourth acquisition device 14, or any other device included in the data acquisition device 10. ..
  • the learning device 30 can use the data acquired by those devices as teacher data.
  • the learning device 30 can generate a learning model that estimates the core body temperature feature with more accuracy by using the above-mentioned data as a state variable.
  • the first ambient temperature and the second ambient temperature are acquired by the same device (first acquisition device 11), but the first ambient temperature and the second ambient temperature are acquired by different devices. May be done.
  • the first acquisition device 11 and the like may acquire data on the ambient temperature of the sleeping person at a predetermined timing as the third ambient temperature in addition to the first ambient temperature and the second ambient temperature.
  • the teacher data generation device 20 extracts the skin temperature feature amount and the core body temperature feature amount, but the skin temperature feature amount and the core body temperature feature amount may be extracted by the learning device 30. .. Alternatively, the skin temperature feature amount may be extracted by the second acquisition device 12, and the core body temperature feature amount may be extracted by the third acquisition device 13. The process of extracting the feature amount from each data may be performed in any device.
  • the learning system 1 extracts and learns the skin temperature feature amount and the core body temperature feature amount, but the learning system 1 may perform learning by using deep learning.
  • the learning unit 32 may automatically extract an appropriate feature amount from the skin temperature, the core body temperature, the first ambient temperature, and the second ambient temperature, and perform learning. At this time, the skin temperature and the core body temperature may be acquired only when the sleeping person falls asleep.
  • the teacher data is a teacher data set associated with a sleeping person.
  • the plurality of teacher data used by the learning unit 32 for learning may be teacher data sets related to different objects (sleepers).
  • the plurality of teacher data used for learning by the learning unit 32 of the first embodiment may be a teacher data set related to a specific sleeping person.
  • the data acquisition device 10 may have a personal information acquisition device that acquires personal information of a specific sleeping person.
  • the personal information acquisition device is, for example, a mobile terminal, and personal information of a specific sleeping person is input.
  • the personal information is, for example, information such as normal skin temperature of a specific sleeping person, normal core body temperature, age, gender, height, weight, average normal skin temperature of the same age, and the like.
  • FIG. 3 is a schematic diagram showing an example of the estimation system 2 and the environment adjustment system 3 according to the first embodiment.
  • the estimation system 2 has devices such as an input data acquisition device 40 and an estimation device 50. Each device can communicate via a predetermined network such as the Internet.
  • the input data acquisition device 40 obtains the fifth acquisition device 41 for acquiring the data of the ambient temperature of the sleeping person, the sixth acquisition device 42 for acquiring the skin temperature data of the sleeping person, and the data of the core body temperature of the sleeping person.
  • the seventh acquisition device 43 to acquire is included.
  • the fifth acquisition device 41, the sixth acquisition device 42, and the seventh acquisition device 43 each acquire predetermined data.
  • the fifth acquisition device 41, the sixth acquisition device 42, and the seventh acquisition device 43 each constantly acquire data from 30 minutes before the sleeping person goes to bed, but the data is predetermined. It may be acquired at the time interval of, or may be acquired at any timing. Information on the time when the data was acquired is associated with the data acquired by the fifth acquisition device 41, the sixth acquisition device 42, and the seventh acquisition device 43, respectively.
  • the data acquired by the 5th acquisition device 41, the 6th acquisition device 42, and the 7th acquisition device 43 is transmitted to the estimation device 50 via the network.
  • the fifth acquisition device 41, the sixth acquisition device 42, and the seventh acquisition device 43 may transmit only a part of the acquired data according to the request of the estimation device 50 to the estimation device 50. ..
  • the fifth acquisition device 41, the sixth acquisition device 42, and the seventh acquisition device 43 and the respective data acquired by the fifth acquisition device 41, the sixth acquisition device 42, and the seventh acquisition device 43.
  • the time when the sleeping person falls asleep may be at least the timing after the sleeping person goes to bed, for example, the timing after an arbitrary time has passed since the sleeping person went to bed.
  • the second ambient temperature data is, but is not limited to, the data of the ambient temperature of the sleeping person 30 minutes before the sleeping person goes to bed.
  • the fifth acquisition device 41 is a device such as a temperature sensor and a thermography, or a device including them.
  • the fifth acquisition device 41 may be an air conditioner including a temperature sensor or the like.
  • the fifth acquisition device 41 is not particularly limited, but is at least a device capable of acquiring data on the ambient temperature of the sleeping person.
  • the fifth acquisition device 41 acquires at least the third ambient temperature and the fourth ambient temperature.
  • the third ambient temperature is the data of the ambient temperature when the sleeping person falls asleep.
  • the fourth ambient temperature is data on the ambient temperature of the sleeping person acquired before the third ambient temperature.
  • the fourth ambient temperature is acquired at least before the sleeping person goes to bed.
  • data acquired before any time when the sleeping person goes to bed may be used.
  • the fourth ambient temperature data is, but is not limited to, the data of the ambient temperature of the sleeping person 30 minutes before the sleeping person goes to bed.
  • the sixth acquisition device 42 is a device such as a skin temperature sensor, or a device including them.
  • the sixth acquisition device 42 may be a wearable sensor or the like including a skin temperature sensor or the like.
  • the sixth acquisition device 42 is not particularly limited, but is a device capable of acquiring at least data on the third skin temperature and the fourth skin temperature of the sleeping person.
  • the third skin temperature is the skin temperature when a sleeping person falls asleep.
  • the fourth skin temperature is the skin temperature of the sleeping person acquired at a time before the third skin temperature.
  • the fourth skin temperature data is preferably obtained before the sleeping person goes to bed.
  • the fourth skin temperature data is preferably data acquired before any time when the sleeping person goes to bed.
  • the fourth skin temperature data is, but is not limited to, the data of the skin temperature of the sleeping person 30 minutes before the sleeping person goes to bed.
  • the seventh acquisition device 43 is a device such as a core body temperature sensor, or a device including them.
  • the seventh acquisition device 43 may be an eardrum thermometer or the like.
  • the seventh acquisition device 43 is not particularly limited, but is a device capable of acquiring at least the data of the third core body temperature and the fourth core body temperature of the sleeping person.
  • the third core body temperature is the core body temperature when a sleeping person falls asleep.
  • the fourth core body temperature is the core body temperature of the sleeping person acquired at a timing prior to the third core body temperature. It is preferable that the data of the fourth core body temperature is acquired at the timing before the sleeping person goes to bed.
  • the data of the fourth core body temperature is preferably data acquired before any time when the sleeping person goes to bed.
  • the fourth core body temperature data is, but is not limited to, the data of the core body temperature of the sleeping person 30 minutes before the sleeping person goes to bed.
  • the estimation device 50 includes a well-known hardware configuration such as a CPU (Central Processing Unit), memory, storage, input / output interface, communication interface, input device, display device, and data bus, and a well-known operation system and the like are installed. It is a high-performance computer that has the function of a server. Further, a GPU (Graphics Processing Unit) may be provided as needed. Alternatively, it may be a virtualized virtual server provided by using one or more computers.
  • a CPU Central Processing Unit
  • memory storage
  • input / output interface communication interface
  • input device display device
  • data bus a well-known operation system and the like are installed.
  • a well-known operation system and the like are installed. It is a high-performance computer that has the function of a server. Further, a GPU (Graphics Processing Unit) may be provided as needed. Alternatively, it may be a virtualized virtual server provided by using one or more computers.
  • a learned learning model generated in advance by the learning system 1 and various programs for executing this learning model are stored in a storage unit such as a memory of the estimation device 50.
  • the estimation device 50 includes an input data acquisition unit 51, a feature amount extraction unit 52, an estimation unit 53, and an output unit 54.
  • the input data acquisition unit 51 includes data on the third ambient temperature and the fourth ambient temperature acquired by the fifth acquisition device 41, and data on the third skin temperature and the fourth skin temperature acquired by the sixth acquisition device 42.
  • the data of the third core body temperature and the fourth core body temperature acquired by the seventh acquisition device 43 is acquired by receiving the data via the network.
  • the data acquired by the input data acquisition unit 51 is stored in a memory or the like.
  • the feature amount extraction unit 52 extracts the skin temperature feature amount from the data of the third skin temperature and the fourth skin temperature acquired by the input data acquisition unit 51.
  • the feature amount extraction unit 52 extracts the core body temperature feature amount from the data of the third core body temperature and the fourth core body temperature acquired by the input data acquisition unit 51. Since the skin temperature feature amount and the core body temperature feature amount are substantially the same as the skin temperature feature amount and the core body temperature feature amount extracted by the feature amount extraction unit 22 of the learning system, the description thereof will be omitted.
  • the estimation unit 53 inputs the data of the third ambient temperature and the fourth ambient temperature acquired by the input data acquisition unit 51, and the skin temperature feature amount and the core body temperature feature amount extracted by the feature amount extraction unit 22. As a result, the quality of sleep is estimated.
  • the estimation of sleep quality is, for example, to classify the sleep quality of a sleeping person into three stages (good, normal, bad, etc.).
  • Estimating is, for example, supervised learning.
  • the estimation method is not particularly limited, but it is preferable to use multiple regression analysis, random forest, or the like. For example, as a result of experiments estimated using these methods, the correct answer rate according to the input data is 0.762, 0.930, or 0.803, and the sleep quality is estimated with high accuracy. Was possible.
  • Output unit 54 The output unit 54 outputs an estimated value of sleep quality estimated by the estimation unit 53. Specifically, the output unit 54 transmits an estimated value of sleep quality to another device as an output, or displays it on a display or the like.
  • the estimation device 50 included in the estimation system 2 in the first embodiment uses a learned learning model generated based on the learning result of the learning device 30 to sleep a sleeping person. Estimate quality.
  • the estimation system 2 of the first embodiment can accurately estimate the sleep quality of the sleeping person by using the learning model generated by the learning system 1.
  • the input data acquisition unit 51 may acquire input data other than the data shown above.
  • the input data acquisition unit 51 may acquire environmental data, target data, sleep data, and the like.
  • the input data acquisition unit 51 acquires input data according to the specifications of the learning model.
  • the estimation device 50 extracts the skin temperature feature amount, but the skin temperature feature amount may be extracted by the sixth acquisition device 42. Alternatively, the skin temperature feature amount may be extracted by a device other than the sixth acquisition device 42.
  • the estimation system 2 extracts and learns the skin temperature feature amount, but the estimation system 2 may perform learning by using deep learning.
  • the estimation unit 53 may automatically extract an appropriate feature amount from the third ambient temperature, the fourth ambient temperature, the third skin temperature, and the fourth skin temperature and perform learning.
  • the environment adjustment system 3 is a system that adjusts the environment around the sleeper based on the sleep quality of the sleeper estimated by the estimation system 2.
  • the environment adjustment system 3 includes the estimation device 50 of the first embodiment and the environment adjustment device 60.
  • an example of the environment adjusting device 60 will be described.
  • the environment adjusting device 60 is a device that adjusts the environment around the sleeping person, for example, an air conditioner.
  • the environment adjusting device 60 mainly includes an acquisition unit 61, a control unit 62, and an actuator 63.
  • the acquisition unit 61 acquires an estimated value of sleep quality from the estimation device 50 via a network such as the Internet. Further, the acquisition unit 61 acquires various data from the input data acquisition device 40 via the network. The acquisition unit 61 stores the information acquired from the estimation device 50 and the input data acquisition device 40 in the storage device of the control unit 62, which will be described later.
  • Control unit 62 is realized by a computer and includes a control arithmetic unit and a storage device (not shown).
  • a processor such as a CPU or GPU can be used as the control arithmetic unit.
  • the control arithmetic unit reads a program stored in the storage device and performs predetermined arithmetic processing or the like according to the program. Further, the control arithmetic unit can write the arithmetic result to the storage device and read the information stored in the storage device according to the program.
  • the storage device of the control unit 62 of the first embodiment stores the information acquired by the acquisition unit 61. Further, the storage device stores control instructions in a predetermined period before the acquisition unit 61 acquires an estimated value of sleep quality.
  • the control instruction is an instruction signal for controlling the operation of the actuator 63, which will be described later.
  • the control calculation device of the control unit 62 performs a calculation based on the information stored in the storage device and the control instruction, and sends a control instruction for improving the quality of sleep to the actuator 63.
  • the actuator 63 operates by receiving a control instruction from the control arithmetic unit of the control unit 62.
  • the actuator 63 is, for example, a compressor, an expansion valve, a fan, a flap, or the like of an air conditioner.
  • the environment adjustment system 3 in the first embodiment includes an estimation device 50 and an environment adjustment device 60.
  • the environment adjusting device 60 includes an actuator 63 and a control unit 62.
  • the actuator 63 adjusts the environment around the sleeping person.
  • the control unit 62 controls the operation of the actuator based on the sleep quality of the sleeping person estimated by the estimation device 50.
  • the environmental adjustment system 3 uses the human characteristic that a large amount of drowsiness occurs when the core body temperature decreases as described in Non-Patent Document 1, for example, when the quality of sleep is predicted to decrease. Decrease the ambient temperature of the sleeper (eg: decrease 1 degree) so that the quality of sleep is improved (core body temperature is decreased). Alternatively, the environment adjustment system 3 adjusts the environment to strengthen the air flow around the sleeping person. Thereby, the environmental adjustment system 3 contributes to improving the sleep quality of the sleeping person.
  • the acquisition unit 61 acquires various data from the input data acquisition device 40, but the acquisition unit 61 may acquire various data from sensors appropriately attached to the environment adjustment system 3. Good.
  • the environment adjustment system 3 and the estimation system 2 may be stored in the same housing. Therefore, the acquisition unit 61 may acquire each information without going through the network.
  • teacher data generation device 20 In the learning system 1 of the second embodiment, the teacher data generation device 20 generates teacher data for the learning device 30 to learn the core body temperature features of the sleeping person.
  • the teacher data generated for learning the sleep quality of the sleeping person described in the first embodiment is the first teacher data
  • the teacher data for learning the core body temperature feature is the second teacher data. Use as teacher data.
  • the teacher data generation unit 23 of the teacher data generation device 20 first extracts data of the first ambient temperature, the second ambient temperature, the skin temperature feature amount, and the core body temperature feature amount from the acquired data storage unit 24. Next, the teacher data generation unit 23 generates the second teacher data with the first ambient temperature, the second ambient temperature, and the skin temperature feature as state variables, and the core body temperature feature as the correct answer data. The second teacher data generated by the teacher data generation unit 23 is stored in the teacher data storage unit 35.
  • the teacher data generation unit 23 of the second embodiment also generates the first teacher data as in the first embodiment.
  • the learning device 30 causes the learning model to perform learning based on a plurality of teacher data acquired by the teacher data acquisition unit 31.
  • the learning model for learning the sleep quality of the sleeping person using the first teacher data is the first learning model
  • the learning model for learning the core body temperature feature using the second teacher data is the second.
  • the first learning model is the learning model described in the first embodiment.
  • the learning device 30 uses a plurality of second teacher data acquired by the teacher data generation device 20 to learn an estimated value of the core body temperature feature amount from the input data input by the estimation system 2. I do.
  • the learning model generation unit 33 is used in the estimation device 50 by outputting the second learning model as a learned second learning model when the learning in the learning unit 32 progresses and the estimation accuracy of the learning model is improved. Generate a second learning model.
  • the second learning model output from the learning model generation unit 33 can output an estimated value of the core body temperature feature amount from the input data input in the estimation system 2 with a predetermined accuracy or higher.
  • the learning device 30 of the second embodiment also generates a learning model for learning the sleep quality of the sleeping person using the first teacher data as in the first embodiment.
  • the learning device 30 included in the learning system 1 of the second embodiment is a learning device 30 for learning the sleep quality of a sleeping person.
  • the learning device 30 includes a teacher data acquisition unit 31 as an acquisition unit, a learning unit 32, and a learning model generation unit 33 as a generation unit.
  • the teacher data acquisition unit 31 acquires the first ambient temperature, the second ambient temperature, the feature amount related to the core body temperature, and the feature amount related to the skin temperature as state variables.
  • the first ambient temperature is the ambient temperature of the sleeping person when the sleeping person falls asleep.
  • the second ambient temperature is the ambient temperature of the sleeping person acquired before the first ambient temperature.
  • the feature amount relating to the core body temperature is determined at least based on the first core body temperature when the sleeping person falls asleep.
  • the feature amount relating to the skin temperature is determined at least based on the first skin temperature when the sleeping person falls asleep.
  • the learning unit 32 learns by associating a state variable and a sleep quality.
  • the learning model generation unit 33 generates a learning model based on the learning result of the learning unit 32.
  • the learning model estimates the quality of sleep by inputting features related to the first ambient temperature, the second ambient temperature, and the skin temperature.
  • the core body temperature of the sleeping person has a great influence on the quality of sleep.
  • devices such as a rectal thermometer and an eardrum thermometer must be attached, and these devices impose a greater burden on the sleeping person than in the case of measuring the skin temperature.
  • the learning device 30 shown in the second embodiment acquires information for calculating the feature amount related to the core body temperature of the sleeping person in advance, and by learning, the learning model outputs the first feature amount which is the information related to the core body temperature. To generate. This makes it possible to reduce the burden on the sleeping person due to the acquisition of information on core body temperature.
  • the first teacher data and the second teacher data are generated by the same teacher data generation device 20, but the present invention is not limited to this.
  • the first teacher data and the second teacher data may be generated by different hardware.
  • first learning model and the second learning model are trained by the same learning device 30, but are not limited to this.
  • the first learning model and the second learning model may be trained on different hardware.
  • the input data acquisition device 40 of the second embodiment includes the fifth acquisition device 41 and the sixth acquisition device 42 of the first embodiment. In other words, the input data acquisition device 40 of the second embodiment does not include the seventh acquisition device 43.
  • the fifth acquisition device 41 and the sixth acquisition device 42 acquire substantially the same data as in the first embodiment.
  • the estimation device 50 of the second embodiment stores the first learning model and the second learning model that have been learned in advance by the learning system 1 and various programs for executing each learning model.
  • the estimation unit 53 uses the data of the third ambient temperature and the fourth ambient temperature acquired by the input data acquisition unit 51 and the skin temperature feature amount extracted by the feature amount extraction unit 22 as input data for the second learning.
  • the core body temperature features are estimated using the model.
  • the estimation unit 53 uses the core body temperature feature amount, for example, the core body temperature feature amount, the mean value of the eardrum temperature every minute 30 to 16 minutes before falling asleep, and the eardrum every minute from 15 minutes before falling asleep.
  • Estimating is, for example, supervised learning.
  • Table (1) shown below shows the percentage of correct answers in the experiment in which the core body temperature feature was estimated using the estimation unit 53. In this way, the combination of experimental conditions for estimating the core body temperature features was compared.
  • the estimation device 50 of the second embodiment estimates the quality of sleep using the core body temperature features estimated by the estimation unit 53.
  • the estimation unit 53 includes data on the third ambient temperature and the fourth ambient temperature acquired by the input data acquisition unit 51, the skin temperature feature amount extracted by the feature amount extraction unit 22, and the estimation unit 53.
  • the quality of sleep is estimated using the first learning model.
  • the output unit 54 outputs an estimated value of sleep quality estimated using the first learning model.
  • the estimation device 50 included in the estimation system 2 in the second embodiment estimates the sleep quality of the sleeping person by using the learned learning model generated based on the learning result of the learning device 30. ..
  • the estimation system 2 further includes an estimation unit 53 as a core body temperature feature amount estimation unit.
  • the estimation unit 53 estimates the feature amount related to the core body temperature of the sleeping person from the first ambient temperature, the second ambient temperature, and the feature amount related to the skin temperature.
  • the estimation device 50 can accurately estimate the sleep quality of the sleeping person, and is equipped with a device such as a rectal thermometer or an eardrum thermometer in order to acquire information on the core body temperature. It is possible to reduce the burden on the sleeping person due to this.
  • the estimation of the core body temperature feature amount and the estimation of the sleep quality are performed by the same estimation device 50, but the estimation is not limited to this.
  • the estimation of core body temperature features and the estimation of sleep quality may be performed on different hardware.

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (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)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Animal Behavior & Ethology (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Biophysics (AREA)
  • Veterinary Medicine (AREA)
  • Artificial Intelligence (AREA)
  • Primary Health Care (AREA)
  • Software Systems (AREA)
  • Epidemiology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Psychiatry (AREA)
  • General Business, Economics & Management (AREA)
  • Business, Economics & Management (AREA)
  • Educational Technology (AREA)
  • Hospice & Palliative Care (AREA)
  • Psychology (AREA)
  • Social Psychology (AREA)
  • Fuzzy Systems (AREA)
  • Physiology (AREA)
  • Signal Processing (AREA)
  • Developmental Disabilities (AREA)

Abstract

深部体温が睡眠に影響を及ぼすことを踏まえて、就寝者の睡眠の状態を精度良く推定する。学習装置（３０）は、就寝者の睡眠の質を学習する。学習装置（３０）は、取得部（３１）と、学習部（３２）と、生成部（３３）と、を備える。取得部（３１）は、就寝者の深部体温に関する特徴量、又は、就寝者の皮膚温度に関する特徴量、を状態変数として取得する。深部体温に関する特徴量は、少なくとも就寝者が入眠するときの第１深部体温に基づいて決められる。皮膚温度に関する特徴量は、少なくとも就寝者が入眠するときの第１皮膚温度に基づいて決められる。学習部（３２）は、状態変数、および、睡眠の質、を関連付けて学習する。生成部（３３）は、学習部（３２）の学習の結果に基づき学習モデルを生成する。学習モデルは、深部体温に関する特徴量、又は、就寝者の皮膚温度に関する特徴量を入力として、睡眠の質を出力する。

Description

学習装置、推定装置、及び、環境調整システム
　学習装置、推定装置、及び、環境調整システムに関する。
　非特許文献１（〈論文〉睡眠前の体温変動が入眠に及ぼす影響（一般））には、深部体温が睡眠に影響を及ぼすことが開示されている。
　深部体温が睡眠に影響を及ぼすことを踏まえて、就寝者の睡眠の状態を精度良く推定する。
　第１観点の学習装置は、就寝者の睡眠の質を学習する。学習装置は、取得部と、学習部と、生成部と、を備える。取得部は、状態変数を取得する。状態変数は、就寝者の深部体温に関する特徴量又は、就寝者の皮膚温度に関する特徴量、である。深部体温に関する特徴量は、少なくとも就寝者が入眠するときの第１深部体温に基づいて決められる。皮膚温度に関する特徴量は、少なくとも就寝者が入眠するときの第１皮膚温度に基づいて決められる。学習部は、状態変数、および、睡眠の質、を関連付けて学習する。生成部は、学習部の学習の結果に基づき学習モデルを生成する。学習モデルは、少なくとも深部体温に関する特徴量、又は、就寝者の皮膚温度に関する特徴量を入力として、睡眠の質を出力する。
　これによって、学習装置は、深部体温を用いて就寝者の睡眠の状態としての睡眠の質を精度良く推定することが可能な学習モデルを生成する。
　第２観点の学習装置は、第１観点の学習装置であって、深部体温に関する特徴量は、さらに、第１深部体温よりも前に取得された第２深部体温に基づいて決められる。皮膚温度に関する特徴量は、さらに、第１皮膚温度よりも前に取得された第２皮膚温度に基づいて決められる。
　これによって、より精度の良い学習の結果を得ることができる。
　第３観点の学習装置は、第１観点又は第２観点の学習装置であって、取得部は、さらに、就寝者の平常時の深部体温に関する特徴量、又は、就寝者の平常時の皮膚温度に関する特徴量を取得する。
　これによって、より精度の良い学習の結果を得ることができる。
　第４観点の学習装置は、第１観点から第３観点のいずれかの学習装置であって、取得部は、就寝者の入眠するときの周囲温度、就寝者の指尖血流量、又は、就寝者のＲＧＢ画像を状態変数として取得する。
　これによって、より精度の良い学習の結果を得ることができる。
　第５観点の学習装置は、第１観点から第４観点のいずれかの学習装置であって、睡眠の質は、就寝者が入床してから入眠するまでの時間、就寝者の深睡眠率、就寝者の中途覚醒の回数、就寝者の中途覚醒の時間、就寝者に対して実施される睡眠の質に関するアンケート、就寝者に対して実施される日中のパフォーマンスに関するアンケート、就寝者のホルモンの分泌量、及び、就寝者のホルモンの濃度、の少なくともいずれか一つに基づいて決められる。
　第６観点の学習装置は、第１観点から第５観点のいずれかの学習装置であって、深部体温に関する特徴量は、所定期間における就寝者の深部体温の変化量、最大値、最小値、最頻値、平均値、最大値と最小値との差、最大または最小の傾き、平均の傾き、及び、変化に関する指標、の少なくともいずれか一つに基づいて決められる。
　第７観点の学習装置は、第１観点から第６観点のいずれかの学習装置であって、皮膚温度に関する特徴量は、所定期間における就寝者の皮膚温度の変化量、最大値、最小値、最頻値、平均値、最大値と最小値との差、最大または最小の傾き、平均の傾き、及び、変化に関する指標、の少なくともいずれか一つに基づいて決められる。
　第８観点の学習装置は、第１観点から第７観点のいずれかの学習装置であって、取得部は、さらに、状態変数として就寝者が入眠するときの就寝者の周囲の湿度、照度、色度、香り、気流のいずれかを取得する。
　これによって、より精度の良い学習の結果を得ることができる。
　第９観点の学習装置は、第１観点から第８観点のいずれかの学習装置であって、学習部は、複数の教師データを用いて学習する。教師データは、状態変数および睡眠の質を含む。
　第１０観点の推定装置は、第１観点から第９観点のいずれかの学習装置の学習の結果に基づき生成された学習モデルを用いて、睡眠の質を推定する。
　これによって、推定装置において精度の良い睡眠の質を推定することが可能である。
　第１１観点の推定装置は、第１０観点の推定装置であって、深部体温特徴量推定部をさらに備える。深部体温特徴量推定部は、皮膚温度に関する特徴量から就寝者の深部体温に関する特徴量を推定する。
　これによって、推定装置は、深部体温を測定することによる就寝者の負担を軽減することが可能である。
　第１２観点の推定装置は、第１０観点の推定装置であって、深部体温特徴量推定部は、就寝者の皮膚温度に関する特徴量と関連付けて就寝者の深部体温に関する特徴量を学習した学習モデルの学習結果に基づき、就寝者の前記皮膚温度に関する特徴量を入力として、就寝者の深部体温に関する特徴量を推定する。就寝者の前記皮膚温度に関する特徴量は、少なくとも就寝者が入眠するときの第１皮膚温度に基づいて決められる。就寝者の深部体温に関する特徴量は、少なくとも就寝者が入眠するときの第１深部体温に基づいて決められる。
　第１３観点の環境調整システムは、第１０観点から第１２観点のいずれかの推定装置と、環境調整装置と、を備える。環境調整装置は、アクチュエータと、制御部と、を有す。アクチュエータは、就寝者の周囲の環境を調整する。制御部は、推定装置が推定した就寝者の睡眠の質に基づいて、アクチュエータの動作を制御する。
  これによって、環境調整システムは、就寝者の周囲の環境を調整し、就寝者の睡眠の質を向上させることが可能である。
学習システムと推定システムの一例を示す図である。 学習システムの構成を示す図である。 推定システム及び環境調整システム３の構成を示す図である。
＜第１実施形態＞
　（１）概要
　図１は、第１実施形態に係る学習システム１、推定システム２、及び環境調整システム３の一例を示す図である。学習システム１は、各種データを取得し、取得したデータに基づいて学習し、学習した結果に基づいて学習済みの学習モデルを生成する。推定システム２は、各種データを取得し、学習システム１において生成された学習済みの学習モデルを用いて就寝者の睡眠の質を推定する。環境調整システム３は、推定システム２が推定した就寝者の睡眠の質に基づいて、就寝者の周囲の環境を調整する。
以下、学習システム１、推定システム２、及び環境調整システム３の詳細について説明する。
　（２）学習システム１
　図２は、第１実施形態に係る学習システム１の一例を示す模式図である。学習システム１は、主に、データ取得装置１０、教師データ生成装置２０、及び、学習装置３０を有している。各装置は、インターネット等のネットワークを介して通信可能である。
　（２―１）データ取得装置１０
　データ取得装置１０は、例えば、就寝者の周囲の温度のデータを取得する第１取得装置１１と、就寝者の皮膚温度のデータを取得する第２取得装置１２と、就寝者の深部体温のデータを取得する第３取得装置１３と、就寝者の睡眠の質のデータを取得する第４取得装置１４と、を含む。なお、第１実施形態において、第１取得装置１１、第２取得装置１２、及び第３取得装置１３は、それぞれ就寝者が就床する３０分前から就寝者が覚醒するまで常時データの取得を行うが、データは所定の時間間隔において取得されてもよいし、任意のタイミングにおいて取得されてもよい。また、第４取得装置１４は、第１実施形態においては就寝者が覚醒した後においてデータの取得を行う。第１取得装置１１、第２取得装置１２、第３取得装置１３、及び第４取得装置１４において取得されたデータには、それぞれデータを取得した時間の情報が紐付けられている。
　第１取得装置１１、第２取得装置１２、第３取得装置１３、及び第４取得装置１４において取得されたデータは、それぞれネットワークを介して教師データ生成装置２０に送信される。なお、第１取得装置１１、第２取得装置１２、第３取得装置１３、及び第４取得装置１４は、取得したデータのうち教師データ生成装置２０の要求に応じた一部のデータのみを教師データ生成装置２０に送信してもよい。
　（２－１－１）第１取得装置１１
　第１取得装置１１は、温度センサ、サーモグラフィ等の装置、又は、それらを含む装置である。例えば、第１取得装置１１は、温度センサを含む空気調和装置であってもよい。第１取得装置１１は特に限定されるものではないが、少なくとも、就寝者の周囲の温度のデータを取得することが可能な装置である。
　（２－１－２）第２取得装置１２
　第２取得装置１２は、皮膚温度センサ等の装置、又は、皮膚温度センサ等を含む装置である。例えば、第２取得装置１２は、皮膚温度センサを含むウエアラブルセンサであってもよい。第２取得装置１２は特に限定されるものではないが、少なくとも、就寝者の皮膚温度のデータを取得することが可能な装置である。
　（２－１－３）第３取得装置１３
　第３取得装置１３は、深部体温センサ等の装置、又は、深部体温センサ等を含む装置である。例えば、第３取得装置１３は、鼓膜温度計であってもよい。第３取得装置１３は特に限定されるものではないが、少なくとも、就寝者の深部体温のデータを取得することが可能な装置である。
　（２－１－４）第４取得装置１４
　第４取得装置１４は、就寝者の睡眠の質を取得するための装置である。第１実施形態において、睡眠の質は、就寝者に対して実施される睡眠の質や日中のパフォーマンスに関するアンケートに基づいて決められる。睡眠の質や日中のパフォーマンスに関するアンケートは、例えば、OSA睡眠調査票MA版（OSA sleep inventory MA version）である。第４取得装置１４は、例えば、モバイル端末等であってもよい。第４取得装置１４としてのモバイル端末は、例えば、就寝者が覚醒後にモバイル端末を介してOSA睡眠調査票MA版を行うことによって、睡眠に関するデータを取得する。なお、第４取得装置１４は、モバイル端末に限定されるものではなく、就寝者がOSA睡眠調査票MA版を行った結果等を取得することが可能な装置であればよい。
　（２－２）教師データ生成装置２０
　教師データ生成装置２０は、ＣＰＵ（Central Processing Unit）、メモリ、ストレージ、入出力インターフェース、通信インターフェース、入力装置、表示装置、および、データバス等の周知のハードウェア構成を備え、周知のオペレーションシステム等がインストールされ、さらに、サーバの機能を有したコンピュータでであってもよい。また、必要に応じてＧＰＵ（Graphics Processing Unit）を設けるようにしてもよい。あるいは、１つまたは複数のコンピュータを用いて提供される仮想化された仮想サーバであってもよい。なお、本開示における教師データ生成装置２０は、大容量のメモリを有していることが好ましい。
　教師データ生成装置２０は、データ取得部２１と、特徴量抽出部２２と、教師データ生成部２３と、取得データ記憶部２４と、教師データ記憶部２５と、を有している。
　（２－２－１）データ取得部２１
　データ取得部２１は、データ取得装置１０において取得された各種データを、ネットワークを介して受信することによって取得する処理を行う。データ取得部２１が取得した各種データは、それぞれ取得データ記憶部２４に記憶される。なお、取得データ記憶部２４に記憶された各種データには、データ取得装置１０においてそれぞれのデータが取得された時間の情報が紐付けられている。
　第１実施形態において、データ取得部２１は、第１取得装置１１から第１周囲温度及び第２周囲温度のデータ、第２取得装置１２から第１皮膚温度及び第２皮膚温度のデータ、第３取得装置１３から第１深部体温及び第２深部体温のデータ、第４取得装置１４から睡眠の質のデータを取得する。以下にそれぞれのデータについて説明する。なお、以下の説明において、就寝者が入眠するときとは、センサ等を用いて就寝者が入眠したことを測定し、就寝者が入眠したタイミングにおいて取得することが好ましいが、これに限られない。就寝者が入眠するときとは、少なくとも就寝者が就床した後のタイミングであって、例えば、就寝者が就床してから所定の時間が経過した後のタイミングであってもよい。第１実施形態において就寝者が入眠したときとは、就寝者が入床してから３０分が経過した後であるが、これに限定されるものではない。
　（２－２－１－１）第１周囲温度及び第２周囲温度のデータ
　第１周囲温度は、就寝者が入眠するときの就寝者の周囲の温度である。第２周囲温度は、第１周囲温度よりも前のタイミングに取得された就寝者の周囲の温度である。第２周囲温度のデータは、少なくとも、就寝者が就床する前のタイミングにおいて取得される。例えば、第２周囲温度のデータは、就寝者が就床する任意の時間前に取得されたデータであってもよい。第１実施形態においては、第２周囲温度のデータは、就寝者が就床する３０分前の就寝者の周囲の温度のデータであるがこれに限定されるものではない。
　（２－２－１－２）第１皮膚温度及び第２皮膚温度のデータ
　第１皮膚温度は、就寝者が入眠するときの皮膚温度である。
　第２皮膚温度は、第１皮膚温度よりも前のタイミングに取得された就寝者の皮膚温度である。第２皮膚温度のデータは、就寝者が就床する前のタイミングにおいて取得されることが好ましい。例えば、第２皮膚温度のデータは、就寝者が就床する任意の時間前に取得されたデータであることが好ましい。第１実施形態において第２皮膚温度のデータは、就寝者が就床する３０分前の就寝者の皮膚温度のデータであるがこれに限定されるものではない。
　（２－２－１－３）第１深部体温及び第２深部体温のデータ
　第１深部体温は、就寝者が入眠するときの深部体温である。第２深部体温は、第１深部体温よりも前のタイミングに取得された就寝者の深部体温である。第２深部体温のデータは、就寝者が就床する前のタイミングにおいて取得されることが好ましい。例えば、第２深部体温のデータは、就寝者が就床する任意の時間前に取得されたデータであることが好ましい。第１実施形態において第２深部体温のデータは、就寝者が就床する３０分前の就寝者の深部体温のデータであるがこれに限定されるものではない。
　（２－２－１－４）睡眠の質のデータ
　睡眠の質は、上述したようにOSA睡眠調査票MA版に基づいて決められる。睡眠の質のデータは、就寝者が起床後にOSA睡眠調査票MA版を実施した後のタイミングにおいて取得される。
　（２－２－２）特徴量抽出部２２
　特徴量抽出部２２は、取得データ記憶部２４に記憶された、第１皮膚温度及び第２皮膚温度のデータ、及び、第１深部体温及び第２深部体温のデータから、それぞれ皮膚温度特徴量及び深部体温特徴量を抽出する処理を行う。特徴量抽出部２２において抽出された皮膚温度特徴量及び深部体温特徴量は、取得データ記憶部２４に記憶される。以下に皮膚温度特徴量及び深部体温特徴量について説明する。
　（２－２－２―１）皮膚温度特徴量
　皮膚温度特徴量は、就寝者の皮膚温度に関する特徴量であって、第１皮膚温度及び第２皮膚温度のデータから抽出される。具体的に、皮膚温度特徴量は、第１皮膚温度及び第２皮膚温度の変化値、最大値、最小値、最頻値、平均値、最大値と最小値との差、最大または最小の傾き、平均の傾き、及び、変化に関する指標、のいずれかに基づいて決められた特徴量である。変化に関する指標とは、例えば、皮膚温度と相関する深部体温の傾きといった、変化傾向を示す指標である。なお、第１皮膚温度及び第２皮膚温度のデータから皮膚温度特徴量を抽出する手法は特に限定されないが、フィルタ法、ラッパー法、組み込み法、等を用いて特徴選択を行い、有用な特徴量を選択することが好ましい。また、交互作用特徴量を用いてもよい。
　（２－２－２―２）深部体温特徴量
　深部体温特徴量は、就寝者の深部体温に関する特徴量であって、第１深部体温及び第２深部体温のデータから抽出される。具体的に、深部体温特徴量は、第１深部体温及び第２深部体温の変化値、最大値、最小値、最頻値、平均値、最大値と最小値との差、最大または最小の傾き、平均の傾き、及び、変化に関する指標、のいずれかに基づいて決められた特徴量である。変化に関する指標とは、例えば、深部体温と相関する皮膚温度の傾きといった、変化傾向を示す指標である。第１深部体温及び第２深部体温のデータから深部体温特徴量を抽出する手法は特に限定されないが、フィルタ法、ラッパー法、組み込み法、等を用いて特徴選択を行い、有用な特徴量を選択することが好ましい。また、交互作用特徴量を用いてもよい。
　（２－２－３）教師データ生成部２３
　教師データ生成部２３は、取得データ記憶部２４から状態変数及び正解データを抽出し教師データ（教師データセット）を生成する。教師データは、学習装置３０が睡眠の質を学習するためのデータセットである。第１実施形態においては、教師データとして、第１周囲温度、第２周囲温度、皮膚温度特徴量、深部体温特徴量、及び睡眠の質のデータを用いる。
　具体的に、教師データ生成部２３は、まず、取得データ記憶部２４から第１周囲温度、第２周囲温度、皮膚温度特徴量、深部体温特徴量、及び睡眠の質、のデータを抽出する。このとき、教師データ生成部２３はそれぞれのデータに紐付けられた時間の情報に基づいて、データの抽出を行う。次に、教師データ生成部２３は、第１周囲温度、第２周囲温度、皮膚温度特徴量、及び深部体温特徴量、を状態変数とし、睡眠の質のデータを正解データとして教師データを生成する。教師データ生成部２３が生成した教師データは、教師データ記憶部３５に記憶される。
　（２－３）学習装置３０
　学習装置３０は、図示しないＣＰＵ（Central Processing Unit）、メモリ、ストレージ、入出力インターフェース、通信インターフェース、入力装置、表示装置、および、データバス等の周知のハードウェア構成を備え、周知のオペレーションシステム等がインストールされ、さらに、サーバの機能を有した高性能なコンピュータである。また、必要に応じてＧＰＵ（Graphics Processing Unit）を設けるようにしてもよい。あるいは、１つまたは複数のコンピュータを用いて提供される仮想化された仮想サーバであってもよい。
　学習装置３０は、教師データ取得部３１と、学習部３２と、学習モデル生成部３３と、を備える。
　（２－３－１）教師データ取得部３１
　教師データ取得部３１は、ネットワークを介して教師データ生成装置２０から複数の教師データを取得する。なお、教師データ取得部３１において取得された教師データは、それぞれメモリ等に記憶される。
　（２－３－２）学習部３２
　学習部３２には、あらかじめ学習モデルが設けられている。学習部３２は、教師データ取得部３１が取得した複数の教師データに基づいて学習モデルに学習（例えば、教師あり学習）を行わせる。学習モデルの行う学習の手法は特に限定されないが、重回帰分析、ランダムフォレスト等を用いることが好ましい。
　第１実施形態における学習モデルは、後述する推定システム２（図３）において入力される入力データから睡眠の質の推定値を出力することを目的として、学習を行う。
　（２－３－３）学習モデル生成部３３
　学習モデル生成部３３は、学習部３２における学習が進み、学習モデルの推定精度が向上した段階で学習モデルを学習済みの学習モデルとして出力することによって、推定装置５０において利用される学習モデルを生成する。学習モデル生成部３３から出力された学習モデルは、推定システム２において入力される入力データから睡眠の質の推定値を所定の精度以上で出力することが可能である。
　学習モデル生成部３３において生成された学習モデルは、ネットワークを介して後述する推定装置５０に配信される。あるいは、学習モデル生成部３３において生成された学習モデルは、記憶媒体を介して推定装置５０に配布される。
　（３）学習システム１の特徴
　（３－１）
　第１実施形態の学習システム１に含まれる学習装置３０は、就寝者の睡眠の質を学習する学習装置３０である。学習装置３０は、取得部としての教師データ取得部３１と、学習部３２と、生成部としての学習モデル生成部３３と、を備える。教師データ取得部３１は、第１周囲温度と、第２周囲温度と、深部体温に関する特徴量と、皮膚温度に関する特徴量と、を状態変数として取得する。第１周囲温度は、就寝者が入眠するときの就寝者の周囲の温度である。第２周囲温度は、第１周囲温度よりも前に取得された就寝者の周囲の温度である。深部体温に関する特徴量は、少なくとも就寝者が入眠するときの第１深部体温に基づいて決められる。皮膚温度に関する特徴量は、少なくとも就寝者が入眠するときの第１皮膚温度に基づいて決められる。学習部３２は、状態変数、および、睡眠の質、を関連付けて学習する。学習モデル生成部３３は、学習部３２の学習の結果に基づき学習モデルを生成する。学習モデルは、第１周囲温度、第２周囲温度、深部体温、及び、皮膚温度に関する特徴量を入力として、睡眠の質を推定する。
　従来、非特許文献１のように睡眠前の体温変動が入眠に及ぼす影響について研究が行われている。例えば、非特許文献１には、深部体温が低下する時間帯に大きな眠気が生じること、特に、急激な深部体温低下の出現時刻が睡眠の品質に大きく影響することが報告されている。
　具体的には、人間は眠くなると、深部体温を末端部分に熱移動させて、手の平、足の裏、顔に存在するAVA（動静脈吻合）と呼ばれる体温調整用の血管を拡張させることで、熱放出を行う。それによって、深部体温を下げて、睡眠時の脳や身体の休息効率を上げることができる。日中に運動したり入浴したりして体温を上げることで就寝時に深部体温が下がりやすくなるが、日中に深部体温が上がらなかったり、寝室が暑かったりすると、深部体温が下がらず、深い睡眠が取れないため、質の悪い睡眠となってしまう。深い睡眠は、入眠後最初の三時間に多く表れ、それ以降は少なくなるという特徴がある。睡眠時における快適性を、眠りが深く質のよい睡眠であると言い換えると、それには深部体温の推移が影響していることが分かった。上記をまとめると、理想的な睡眠における、深部体温、皮膚温度、睡眠深度の関係は図 5 のようになることが分かった。他にも、加齢によって、入眠時間が長く、深睡眠割合が低くなり、睡眠時間の合計も短くなることが分かった。
　第１実施形態の学習装置３０は、状態変数として就寝者の深部体温に関する特徴量を取得し、学習を行うことで就寝者の睡眠の状態としての睡眠の質をより精度良く推定することが可能な学習モデルを生成することが可能である。
　（３－２）
　学習装置３０が取得する第２特徴量は、少なくとも、第１皮膚温度と、第２皮膚温度と、に基づいて決められる。第１皮膚温度は、就寝者が入眠するときの皮膚温度である。第２皮膚温度は、第１皮膚温度よりも前に取得された就寝者の皮膚温度である。
　本実施形態において、学習装置３０は、第１皮膚温度として就寝者が就床してから３０分が経過した後の就寝者の皮膚温度のデータと、第２皮膚温度として就寝者が就床する３０分前の就寝者の皮膚温度のデータと、を取得している。また、本実施形態の学習装置３０は、第１皮膚温度と同一の時刻に第１深部体温を取得し、第２皮膚温度と同一の時刻に第２深部体温を取得している。
　これによって、学習装置３０は、より精度の高い深部体温特徴量を出力する学習モデルを生成することが可能である。
　（３－３）
　学習装置３０は、複数の教師データを用いて学習する。教師データは、睡眠の質のデータ、第１周囲温度のデータ、第２周囲温度のデータ、深部体温に関する特徴量としての深部体温特徴量、及び、皮膚温度に関する特徴量としての皮膚温度特徴量、を含む。
　本実施形態において睡眠の質は、就寝者が入床してから入眠するまでの時間、深睡眠率、中途覚醒の回数、中途覚醒の時間、及び、ＯＳＡ睡眠調査票ＭＡ版（ＯＳＡｓｌｅｅｐ ｉｎｖｅｎｔｏｒｙ ＭＡ ｖｅｒｓｉｏｎ）の少なくともいずれか一つに基づいて決められる。
　また、深部体温特徴量は、所定期間における就寝者の深部体温の変化量、最大値、最小値、最頻値、平均値、最大値と最小値との差、最大または最小の傾き、及び、平均の傾き、の少なくともいずれか一つに基づいて決められる。
　さらに、皮膚温度特徴量は、所定期間における就寝者の皮膚温度の変化量、最大値、最小値、最頻値、平均値、最大値と最小値との差、最大または最小の傾き、及び、平均の傾き、の少なくともいずれか一つに基づいて決められる。
　これによって、本実施形態の学習装置３０は、精度の良い睡眠の質を出力する学習モデルを生成することが可能である。
　（４）変形例
　（４－１）変形例１
　第１実施形態において、睡眠の質は、OSA睡眠調査票MA版に基づいて決定されるが、睡眠の質はこれ以外の方法に基づいて決定されてもよい。また、第４取得装置１４は、モバイル端末以外の装置であってもよい。
　例えば、睡眠の質は、就寝者が就寝中の心拍数、体動、深睡眠時間の割合、就寝者が入床してから入眠するまでの時間、就寝者のホルモンの分泌量、就寝者のホルモンの濃度、又は、就寝者に対して実施される睡眠の質や日中のパフォーマンスに関する任意のアンケート等から決定されてもよい。睡眠の質のデータは、特に限定されるものではなく、第４取得装置１４は、少なくとも睡眠の質のデータを取得することが可能なものであれば特に限定されるものではない。
　（４－２）変形例２
　データ取得装置１０は、上記に示したデータ以外のデータを取得してもよい。例えば、データ取得装置１０は、環境データ、対象データ、又は睡眠データを取得してもよい。具体的には、環境データは、就寝者の周囲の湿度、照度、色度、香り、又は気流等のデータである。対象データは、就寝者の指尖血流量、就寝者の指尖血流量を推定するためのＲＧＢ画像、心拍数、心拍変動、呼吸数、ガルバニック皮膚反応、着衣量・布団の種類、日中の活動状況、枕の温度等のデータである。睡眠データは、就寝者の体動、睡眠状態、又は入眠までの時間等のデータである。なお、これらのデータは、データ取得装置１０に含まれる第１取得装置１１、第２取得装置１２、第３取得装置１３、及び第４取得装置１４、あるいはこれら以外の装置において取得されてもよい。学習装置３０は、それらの装置において取得したデータを教師データとして利用することが可能である。
　学習装置３０は、状態変数として上述したデータを用いることによって、より精度の良い深部体温特徴量を推定する学習モデルを生成することが可能である。
　（４－３）変形例３
　第１実施形態において、第１周囲温度、及び第２周囲温度は、同一の装置（第１取得装置１１）において取得されるが、第１周囲温度、及び第２周囲温度は、異なる装置において取得されてもよい。
　また、第１取得装置１１等は、第１周囲温度、及び第２周囲温度に加えて、第３周囲温度として所定のタイミングにおいて就寝者の周囲の温度のデータを取得してもよい。
　（４－４）変形例４
　第１実施形態においては教師データ生成装置２０が皮膚温度特徴量、及び深部体温特徴量を抽出しているが、皮膚温度特徴量、及び深部体温特徴量は、学習装置３０において抽出されてもよい。あるいは、皮膚温度特徴量は第２取得装置１２において抽出されてもよいし、深部体温特徴量は第３取得装置１３において抽出されてもよい。各データから特徴量を抽出する処理は、いずれの装置において行われてもよい。
　（４－５）変形例５
　第１実施形態において、学習システム１は皮膚温度特徴量、及び深部体温特徴量を抽出し学習を行っているが、学習システム１はディープラーニングを用いて学習を行ってもよい。言い換えると、学習部３２は皮膚温度、深部体温、第１周囲温度、及び第２周囲温度、から自動的に適切な特徴量を抽出し、学習を行ってもよい。なお、このとき、皮膚温度及び深部体温は、就寝者が入眠するときのみにおいて取得されてもよい。
　（４－６）変形例６
　第１実施形態において、教師データは就寝者に関連する教師データセットである。ここで、学習部３２が学習に用いる複数の教師データはそれぞれ異なる対象（就寝者）に関連する教師データセットであってもよい。
　一方で、第１実施形態の学習部３２が学習に用いる複数の教師データは、特定の就寝者に関連する教師データセットであってもよい。このとき、データ取得装置１０は、特定の就寝者の個人の情報を取得する個人情報取得装置を有していてもよい。個人情報取得装置は、例えば、モバイル端末であって、特定の就寝者の個人の情報が入力される。個人の情報とは、例えば、特定の就寝者の平常時皮膚温度、平常時深部体温、年齢、性別、身長、体重、同年代の平均的な平常時の皮膚温度、等の情報である。
　これによって、学習装置３０は、特定の就寝者により精度の高い深部体温特徴量を推定する学習モデルを生成することに寄与することが可能である。
　（５）推定システム２
　図３は、第１実施形態に係る推定システム２及び環境調整システム３の一例を示す模式図である。推定システム２は、入力データ取得装置４０、及び推定装置５０等の装置を有している。各装置は、インターネット等の所定のネットワークを介して通信可能である。
　（５―１）入力データ取得装置４０
　入力データ取得装置４０は、就寝者の周囲の温度のデータを取得する第５取得装置４１と、就寝者の皮膚温度のデータを取得する第６取得装置４２と、就寝者の深部体温のデータを取得する第７取得装置４３と、を含む。第５取得装置４１、第６取得装置４２、及び第７取得装置４３は、それぞれ所定のデータを取得する。
　なお、第１実施形態において、第５取得装置４１、第６取得装置４２、及び第７取得装置４３は、それぞれ就寝者が就床する３０分前から常時データの取得を行うが、データは所定の時間間隔において取得されてもよいし、任意のタイミングにおいて取得されてもよい。第５取得装置４１、第６取得装置４２、及び第７取得装置４３において取得されたデータには、それぞれデータを取得した時間の情報が紐付けられている。
　第５取得装置４１、第６取得装置４２、及び第７取得装置４３において取得されたデータは、ネットワークを介して推定装置５０に送信される。なお、第５取得装置４１、第６取得装置４２、及び第７取得装置４３は、取得したデータのうち推定装置５０の要求に応じた一部のデータのみを推定装置５０に送信してもよい。
　以下において、第５取得装置４１、第６取得装置４２、及び第７取得装置４３と、第５取得装置４１、第６取得装置４２、及び第７取得装置４３が取得するそれぞれのデータと、について説明する。なお、以下の説明において、就寝者が入眠するときは、センサ等を用いて就寝者が入眠したことを測定し、就寝者が入眠したタイミングにおいて取得することが好ましいが、これに限られない。就寝者が入眠するときとは、少なくとも就寝者が就床した後のタイミングであって、例えば、就寝者が就床してから任意の時間が経過した後のタイミングであってもよい。第１実施形態においては、第２周囲温度のデータは、就寝者が就床する３０分前の就寝者の周囲の温度のデータであるがこれに限定されるものではない。
　（５－１－１）第５取得装置４１
　第５取得装置４１は、温度センサ、サーモグラフィ等の装置、又は、それらを含む装置である。例えば、第５取得装置４１は、温度センサを含む空気調和装置等であってもよい。第５取得装置４１は特に限定されるものではないが、少なくとも、就寝者の周囲の温度のデータを取得することが可能な装置である。
　第１実施形態において、第５取得装置４１は、少なくとも第３周囲温度、及び第４周囲温度を取得する。
　第３周囲温度は、就寝者が入眠するときの周囲の温度のデータである。第４周囲温度は、第３周囲温度よりも前に取得された就寝者の周囲の温度のデータである。第４周囲温度は、少なくとも、就寝者が就床する前において取得される。例えば、第４周囲温度は、就寝者が就床する任意の時間前に取得されたデータを用いてもよい。第１実施形態においては、第４周囲温度のデータは、就寝者が就床する３０分前の就寝者の周囲の温度のデータであるがこれに限定されるものではない。
　（５－１－２）第６取得装置４２
　第６取得装置４２は、皮膚温度センサ等の装置、又は、それらを含む装置である。例えば、第６取得装置４２は、皮膚温度センサ等を含むウエアラブルセンサ等であってもよい。第６取得装置４２は特に限定されるものではないが、少なくとも、就寝者の第３皮膚温度及び第４皮膚温度のデータを取得することが可能な装置である。
　第３皮膚温度は、就寝者が入眠するときの皮膚温度である。第４皮膚温度は、第３皮膚温度よりも前の時間に取得された就寝者の皮膚温度である。第４皮膚温度のデータは、就寝者が就床する前において取得されることが好ましい。例えば、第４皮膚温度のデータは、就寝者が就床する任意の時間前に取得されたデータであることが好ましい。第１実施形態において第４皮膚温度のデータは、就寝者が就床する３０分前の就寝者の皮膚温度のデータであるがこれに限定されるものではない。
　（５－１－３）第７取得装置４３
　第７取得装置４３は、深部体温センサ等の装置、又は、それらを含む装置である。例えば、第７取得装置４３は、鼓膜温度計等であってもよい。第７取得装置４３は特に限定されるものではないが、少なくとも、就寝者の第３深部体温及び第４深部体温のデータを取得することが可能な装置である。
　第３深部体温は、就寝者が入眠するときの深部体温である。第４深部体温は、第３深部体温よりも前のタイミングに取得された就寝者の深部体温である。第４深部体温のデータは、就寝者が就床する前のタイミングにおいて取得されることが好ましい。例えば、第４深部体温のデータは、就寝者が就床する任意の時間前に取得されたデータであることが好ましい。第１実施形態において第４深部体温のデータは、就寝者が就床する３０分前の就寝者の深部体温のデータであるがこれに限定されるものではない。
　（５―２）推定装置５０
　推定装置５０は、ＣＰＵ（Central Processing Unit）、メモリ、ストレージ、入出力インターフェース、通信インターフェース、入力装置、表示装置、および、データバス等の周知のハードウェア構成を備え、周知のオペレーションシステム等がインストールされ、さらに、サーバの機能を有した高性能なコンピュータである。また、必要に応じてＧＰＵ（Graphics Processing Unit）を設けるようにしてもよい。あるいは、１つまたは複数のコンピュータを用いて提供される仮想化された仮想サーバであってもよい。
　推定装置５０のメモリ等の記憶部には、あらかじめ学習システム１が生成した学習済みの学習モデルと、この学習モデルを実行するための各種プログラムが記憶されている。
　推定装置５０は、入力データ取得部５１と、特徴量抽出部５２と、推定部５３と、出力部５４と、を備える。
　（５―２－１）入力データ取得部５１
　入力データ取得部５１は、第５取得装置４１において取得された第３周囲温度及び第４周囲温度のデータと、第６取得装置４２において取得された第３皮膚温度及び第４皮膚温度のデータと、第７取得装置４３において取得された第３深部体温及び第４深部体温とのデータを、ネットワークを介して受信することによって取得する。なお、入力データ取得部５１において取得されたデータは、それぞれメモリ等に記憶される。
　（５―２－２）特徴量抽出部５２
　特徴量抽出部５２は、入力データ取得部５１が取得した第３皮膚温度及び第４皮膚温度のデータから皮膚温度特徴量を抽出する。また、特徴量抽出部５２は、入力データ取得部５１が取得した第３深部体温及び第４深部体温のデータから深部体温特徴量を抽出する。皮膚温度特徴量及び深部体温特徴量は、学習システムの特徴量抽出部２２が抽出する皮膚温度特徴量及び深部体温特徴量と概ね同一の特徴量であるため説明を省略する。
　（５―２－３）推定部５３
　推定部５３は、入力データ取得部５１において取得された第３周囲温度及び第４周囲温度のデータと、特徴量抽出部２２において抽出された皮膚温度特徴量及び深部体温特徴量と、を入力データとして、睡眠の質の推定を行う。睡眠の質の推定は、例えば、就寝者の睡眠の質を３段階（良い・普通・悪い、等）に分類することである。推定とは、例えば、教師あり学習である。推定の手法は特に限定されないが、重回帰分析、ランダムフォレスト等を用いることが好ましい。例えば、これらの手法を用いて推定した実験の結果、入力データに応じた正答率は０．７６２、０．９３０、又は、０．８０３であって、高い精度で睡眠の質の推定を行うことが可能であった。
　（５―２－４）出力部５４
　出力部５４は、推定部５３において推定された睡眠の質の推定値を出力する。具体的に、出力部５４は、出力として他の装置に対して睡眠の質の推定値を送信する、あるいはディスプレイ等に表示する。
　（６）推定システム２の特徴
　第１実施形態における推定システム２に含まれる推定装置５０は、学習装置３０の学習の結果に基づき生成された学習済みの学習モデルを用いて、就寝者の睡眠の質を推定する。
　これによって、第１実施形態の推定システム２は、学習システム１において生成された学習モデルを用いて就寝者の睡眠の質を精度良く推定することが可能である。
　（７）変形例
　（７－１）変形例１
　入力データ取得部５１は、上記に示したデータ以外の入力データを取得してもよい。例えば、入力データ取得部５１は、環境データ、対象データ、又は睡眠データ等を取得してもよい。入力データ取得部５１は、学習モデルの仕様に応じた入力データを取得する。
　（７－２）変形例２
　第１実施形態においては推定装置５０が皮膚温度特徴量を抽出しているが、皮膚温度特徴量は、第６取得装置４２において抽出されてもよい。あるいは、皮膚温度特徴量は第６取得装置４２以外の他の装置において抽出されてもよい。
　（７－３）変形例３
　第１実施形態において、推定システム２は皮膚温度特徴量を抽出し学習を行っているが、推定システム２はディープラーニングを用いて学習を行ってもよい。言い換えると、推定部５３は、第３周囲温度、第４周囲温度、第３皮膚温度、及び第４皮膚温度から自動的に適切な特徴量を抽出し学習を行ってもよい。
　（８）環境調整システム３
　環境調整システム３は、推定システム２が推定した就寝者の睡眠の質に基づいて、就寝者の周囲の環境を調整するシステムである。環境調整システム３は、第１実施形態の推定装置５０と、環境調整装置６０と、を含む。以下、環境調整装置６０の一例について説明する。
　（８－１）環境調整装置６０
　環境調整装置６０は、就寝者の周囲の環境を調整する装置であって、例えば空気調和装置である。環境調整装置６０は、主に、取得部６１と、制御部６２と、アクチュエータ６３と、を備える。
　（８－１－１）取得部６１
　取得部６１は、インターネット等のネットワークを介して推定装置５０から睡眠の質の推定値を取得する。また、取得部６１は、ネットワークを介して入力データ取得装置４０から各種データを取得する。取得部６１は、推定装置５０及び入力データ取得装置４０から取得した情報を後述する制御部６２の記憶装置に記憶する。
　（８－１－２）制御部６２
　制御部６２は、コンピュータにより実現されるものであって、図示しない制御演算装置と記憶装置とを備える。制御演算装置には、ＣＰＵ又はＧＰＵといったプロセッサを使用できる。制御演算装置は、記憶装置に記憶されているプログラムを読み出し、このプログラムに従って所定の演算処理等を行う。さらに、制御演算装置は、プログラムに従って、演算結果を記憶装置に書き込んだり、記憶装置に記憶されている情報を読み出したりすることができる。
　具体的に、第１実施形態の制御部６２の記憶装置には、取得部６１が取得した情報が記憶されている。また、記憶装置には、取得部６１が睡眠の質の推定値を取得する前の所定期間における制御指示が記憶されている。制御指示とは、後述するアクチュエータ６３の動作を制御するための指示信号である。
　制御部６２の制御演算装置は、記憶装置に記憶された情報と、制御指示と、に基づいて演算を行い、睡眠の質を向上させるための制御指示をアクチュエータ６３に対して送る。
　（８－１－３）アクチュエータ６３
　アクチュエータ６３は、制御部６２の制御演算装置からの制御指示を受け取り動作する。アクチュエータ６３は、例えば、空気調和装置の圧縮機、膨張弁、ファン、フラップ等である。
　（９）特徴
　第１実施形態における環境調整システム３は、推定装置５０と、環境調整装置６０と、を備える。環境調整装置６０は、アクチュエータ６３と、制御部６２と、を有す。アクチュエータ６３は、就寝者の周囲の環境を調整する。制御部６２は、推定装置５０が推定した就寝者の睡眠の質に基づいて、アクチュエータの動作を制御する。
　環境調整システム３は、非特許文献１に記載されているように深部体温が低下する時に大きな眠気が生じるという人間の特性を用いて、例えば、睡眠の質が低下すると予測された場合には、睡眠の質が向上（深部体温が低下）するように就寝者の周囲の温度を低下（例：１度下げる）させる。または、環境調整システム３は、就寝者の周囲の気流を強める環境調整を行う。これによって、環境調整システム３は、就寝者の睡眠の質を向上させることに寄与する。
　（１０）変形例
　第１実施形態において、取得部６１は入力データ取得装置４０から各種データを取得するが、取得部６１は環境調整システム３に適宜取り付けられたセンサから各種データを取得してもよい。
　また、環境調整システム３及び推定システム２は、同一の筐体に格納されていてもよい。そのため、取得部６１はネットワークを介さずにそれぞれの情報を取得してもよい。
　＜第２実施形態＞
　以下、本願発明の第２実施形態に係る学習システム１、及び推定システム２の詳細について、第１実施形態の各システムと異なる点について説明する。
　（１１）第２実施形態の学習システム１
　（１１－１）データ取得装置１０
　第２実施形態の学習システム１におけるデータ取得装置１０は、第１実施形態のデータ取得装置１０と概ね同一である。
　（１１－２）教師データ生成装置２０
　第２実施形態の学習システム１において、教師データ生成装置２０は、学習装置３０が就寝者の深部体温特徴量を学習するための教師データを生成する。ここで、便宜的に、第１実施形態において説明した就寝者の睡眠の質を学習するために生成される教師データを第１教師データ、深部体温特徴量を学習するための教師データを第２教師データとする。
　教師データ生成装置２０の教師データ生成部２３は、まず、取得データ記憶部２４から第１周囲温度、第２周囲温度、皮膚温度特徴量、及び、深部体温特徴量のデータを抽出する。次に教師データ生成部２３は、第１周囲温度、第２周囲温度、皮膚温度特徴量、を状態変数とし、深部体温特徴量のデータを正解データとして第２教師データを生成する。教師データ生成部２３が生成した第２教師データは、教師データ記憶部３５に記憶される。
　なお、第２実施形態の教師データ生成部２３は、第１実施形態と同様に第１教師データも生成する。
　（１１－３）学習装置３０
　学習装置３０は、教師データ取得部３１が取得した複数の教師データに基づいて学習モデルに学習を行わせる。ここで、便宜的に、第１教師データを用いて就寝者の睡眠の質を学習する学習モデルを第１学習モデル、第２教師データを用いて深部体温特徴量を学習する学習モデルを第２学習モデルとする。なお、第１学習モデルは、第１実施形態において説明した学習モデルである。
　学習装置３０は、教師データ生成装置２０において取得された複数の第２教師データを用いて、推定システム２において入力される入力データから深部体温特徴量の推定値を出力することを目的として、学習を行う。
　学習モデル生成部３３は、学習部３２における学習が進み、学習モデルの推定精度が向上した段階で第２学習モデルを学習済みの第２学習モデルとして出力することによって、推定装置５０において利用される第２学習モデルを生成する。学習モデル生成部３３から出力された第２学習モデルは、推定システム２において入力される入力データから深部体温特徴量の推定値を所定の精度以上で出力することが可能である。
　なお、第２実施形態の学習装置３０は、第１実施形態と同様に第１教師データを用いて就寝者の睡眠の質を学習する学習モデルを第１学習モデルも生成する。
　（１２）第２実施形態の学習システム１の特徴
　第２実施形態の学習システム１に含まれる学習装置３０は、就寝者の睡眠の質を学習する学習装置３０である。学習装置３０は、取得部としての教師データ取得部３１と、学習部３２と、生成部としての学習モデル生成部３３と、を備える。教師データ取得部３１は、第１周囲温度と、第２周囲温度と、深部体温に関する特徴量と、皮膚温度に関する特徴量と、を状態変数として取得する。第１周囲温度は、就寝者が入眠するときの就寝者の周囲の温度である。第２周囲温度は、第１周囲温度よりも前に取得された就寝者の周囲の温度である。深部体温に関する特徴量は、少なくとも就寝者が入眠するときの第１深部体温に基づいて決められる。皮膚温度に関する特徴量は、少なくとも就寝者が入眠するときの第１皮膚温度に基づいて決められる。学習部３２は、状態変数、および、睡眠の質、を関連付けて学習する。学習モデル生成部３３は、学習部３２の学習の結果に基づき学習モデルを生成する。学習モデルは、第１周囲温度、第２周囲温度、及び、皮膚温度に関する特徴量を入力として、睡眠の質を推定する。
　就寝者の深部体温は、睡眠の質に大きな影響を及ぼす。しかし、深部体温の測定を行うには直腸温度計や鼓膜温度計等の装置を装着しなければならず、それらの装置は皮膚温度の測定を行う場合よりも就寝者に与える負担が大きい。
　第２実施形態に示す学習装置３０は、あらかじめ就寝者の深部体温に関する特徴量を算出するための情報を取得し、学習することで、深部体温に関する情報である第１特徴量を出力する学習モデルを生成する。これによって、深部体温に関する情報を取得することに伴う就寝者の負担を軽減することが可能である。
　（１３）変形例
　第２実施形態において、第１教師データ及び第２教師データは、同一の教師データ生成装置２０において生成されているが、これに限られない。第１教師データ及び第２教師データは、それぞれ異なるハードウェアにおいて生成されてもよい。
　また、第１学習モデル及び第２学習モデルは、同一の学習装置３０において学習しているが、これに限られない。第１学習モデル及び第２学習モデルは、それぞれ異なるハードウェアにおいて学習してもよい。
　（１４）推定システム２
　（１４－１）入力データ取得装置４０
　第２実施形態の入力データ取得装置４０は、第１実施形態における第５取得装置４１と、第６取得装置４２とを含む。言い換えると、第２実施形態の入力データ取得装置４０は、第７取得装置４３を含まない。第５取得装置４１及び第６取得装置４２は、第１実施形態と概ね同一のデータを取得する。
　（１４－２）推定装置５０
　第２実施形態の推定装置５０には、あらかじめ学習システム１が生成した学習済みの第１学習モデル及び第２学習モデルと、各学習モデルを実行するための各種プログラムが記憶されている。
　推定部５３は、入力データ取得部５１において取得された第３周囲温度及び第４周囲温度のデータと、特徴量抽出部２２において抽出された皮膚温度特徴量と、を入力データとして、第２学習モデルを用いて深部体温特徴量の推定を行う。推定部５３は、深部体温特徴量として、例えば、深部体温特徴量として、入眠前３０分～１６分前の１分毎の鼓膜温度平均値と、１５分前～入眠時の１分毎の鼓膜温度平均値を比較したとき、０．２℃以上上昇、横ばい（０．２℃下降～０．２℃上昇の間）、０．２℃以上下降のいずれになるかを推定することが可能である。推定とは、例えば、教師あり学習である。ここで、サンプル数にばらつきがある場合には、アンダーサンプリングやオーバーサンプリング等の手法を行うことが可能である。以下に示す表（１）は、推定部５３を用いて深部体温特徴量を推定した実験における正答率を示している。これによって、深部体温特徴量を推定するための実験条件の組み合わせを比較した。
Figure JPOXMLDOC01-appb-T000001
　第２実施形態の推定装置５０は、推定部５３が推定した深部体温特徴量を用いて睡眠の質の推定を行う。具体的には、推定部５３は、入力データ取得部５１において取得された第３周囲温度及び第４周囲温度のデータと、特徴量抽出部２２において抽出された皮膚温度特徴量と、推定部５３において推定された深部体温特徴量と、を入力データとして、第１学習モデルを用いて睡眠の質の推定を行う。出力部５４は、第１学習モデルを用いて推定された睡眠の質の推定値を出力する。
　（１５）特徴
　第２実施形態における推定システム２に含まれる推定装置５０は、学習装置３０の学習の結果に基づき生成された学習済みの学習モデルを用いて、就寝者の睡眠の質を推定する。
　また、推定システム２は、深部体温特徴量推定部としての推定部５３をさらに備える。推定部５３は、第１周囲温度と、第２周囲温度と、皮膚温度に関する特徴量と、から就寝者の深部体温に関する特徴量を推定する。
　これによって、推定装置５０は、就寝者の睡眠の質を精度良く推定することが可能であり、また、深部体温に関する情報を取得するために直腸温度計や鼓膜温度計等の装置を装着することに伴う就寝者の負担を軽減することができる。
　（１６）変形例
　第２実施形態において、深部体温特徴量の推定と睡眠の質の推定とは、同一の推定装置５０において行われているが、これに限られない。深部体温特徴量の推定と睡眠の質の推定とは、それぞれ異なるハードウェアにおいて行われてもよい。
　以上、本開示の実施形態を説明したが、特許請求の範囲に記載された本開示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。
３　　環境調整システム
３０　学習装置
３１　取得部
３２　学習部
５０　推定装置
５３　深部体温特徴量推定部
６２　制御部
６３　アクチュエータ
〈論文〉睡眠前の体温変動が入眠に及ぼす影響（一般）小田史郎http://id.nii.ac.jp/1136/00002386/

Claims (13)

  1. 　就寝者の睡眠の質を学習する学習装置（３０）であって、
    　前記就寝者の深部体温に関する特徴量、又は、前記就寝者の皮膚温度に関する特徴量、を状態変数として取得する取得部（３１）と、
    　前記状態変数、および、前記睡眠の質を関連付けて学習する学習部（３２）と、
    　前記学習部（３２）の学習の結果に基づき、前記深部体温に関する特徴量、又は、前記皮膚温度に関する特徴量を入力として、前記就寝者の前記睡眠の質を推定する、学習モデルを生成する生成部と、
    を備え、
    　前記深部体温に関する特徴量は、少なくとも前記就寝者が入眠するときの第１深部体温に基づいて決められ、
    　前記皮膚温度に関する特徴量は、少なくとも前記就寝者が入眠するときの第１皮膚温度に基づいて決められる、
    学習装置（３０）。
  2. 　前記深部体温に関する特徴量は、さらに、前記第１深部体温よりも前に取得された第２深部体温に基づいて決められ、
    　前記皮膚温度に関する特徴量は、さらに、前記第１皮膚温度よりも前に取得された第２皮膚温度に基づいて決められる、
    請求項１に記載の学習装置（３０）。
  3. 　前記取得部（３１）は、さらに、前記就寝者の平常時の前記深部体温に関する特徴量、又は、前記就寝者の平常時の前記皮膚温度に関する特徴量を取得する、
    請求項１または２に記載の学習装置（３０）。
  4. 　前記取得部（３１）は、前記就寝者の入眠するときの周囲温度、前記就寝者の指尖血流量、又は、前記就寝者のＲＧＢ画像を状態変数として取得する、
    請求項１から３のいずれかに記載の学習装置（３０）。
  5. 　前記睡眠の質は、前記就寝者が入床してから入眠するまでの時間、前記就寝者の深睡眠率、前記就寝者の中途覚醒の回数、前記就寝者の中途覚醒の時間、前記就寝者に対して実施される睡眠の質に関するアンケート、前記就寝者に対して実施される日中のパフォーマンスに関するアンケート、前記就寝者のホルモンの分泌量、及び、前記就寝者のホルモンの濃度、の少なくともいずれか一つに基づいて決められる、
    請求項１から４のいずれかに記載の学習装置（３０）。
  6. 　前記深部体温に関する特徴量は、所定期間における前記就寝者の前記深部体温の変化量、最大値、最小値、最頻値、平均値、最大値と最小値との差、最大または最小の傾き、平均の傾き、及び、変化に関する指標、の少なくともいずれか一つに基づいて決められる、
    請求項１から５のいずれかに記載の学習装置（３０）。
  7. 　前記皮膚温度に関する特徴量は、所定期間における前記就寝者の前記皮膚温度の変化量、最大値、最小値、最頻値、平均値、最大値と最小値との差、最大または最小の傾き、平均の傾き、及び、変化に関する指標、の少なくともいずれか一つに基づいて決められる、
    請求項１から６のいずれかに記載の学習装置（３０）。
  8. 　前記取得部（３１）は、さらに、前記状態変数として前記就寝者が入眠するときの前記就寝者の周囲の湿度、照度、色度、香り、気流のいずれかを取得する、
    請求項１から７のいずれかに記載の学習装置（３０）。
  9. 　前記学習部（３２）は、複数の教師データを用いて学習し、
    　前記教師データは、前記状態変数および前記睡眠の質を含む、
    請求項１から８のいずれかに記載の学習装置（３０）。
  10. 　請求項１から９のいずれかに記載の学習装置の学習の結果に基づき生成された学習モデルを用いて、就寝者の睡眠の質を推定する、
    推定装置（５０）。
  11. 　深部体温特徴量推定部（５３）をさらに備え、
    　前記深部体温特徴量推定部は、前記就寝者の皮膚温度に関する特徴量から前記就寝者の深部体温に関する特徴量を推定する、
    請求項１０に記載の推定装置（５０）。
  12. 　前記深部体温特徴量推定部（５３）は、
    　前記就寝者の前記皮膚温度に関する特徴量と関連付けて前記就寝者の前記深部体温に関する特徴量を学習した学習モデルの学習結果に基づき、前記就寝者の前記皮膚温度に関する特徴量を入力として、前記就寝者の前記深部体温に関する特徴量を推定し、
    　前記就寝者の前記皮膚温度に関する特徴量は、少なくとも前記就寝者が入眠するときの第１皮膚温度に基づいて決められ、
    　前記就寝者の前記深部体温に関する特徴量は、少なくとも前記就寝者が入眠するときの第１深部体温に基づいて決められる、
    請求項１０に記載の推定装置（５０）
  13. 　請求項１０から１２のいずれかに記載の推定装置（５０）と、
    　環境調整装置（６０）と、
    を備え、
    　前記環境調整装置は、就寝者の周囲の環境を調整するアクチュエータ（６３）と、前記アクチュエータ（６３）の動作を制御する制御部（６１）と、を有し、
    　前記制御部（６１）は、前記推定装置（５０）が推定した前記就寝者の睡眠の質に基づいて、前記アクチュエータ（６３）の動作を制御する、
    環境調整システム（３）。
PCT/JP2020/026384 2019-07-08 2020-07-06 学習装置、推定装置、及び、環境調整システム WO2021006240A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
EP20836139.4A EP3998429A4 (en) 2019-07-08 2020-07-06 LEARNING DEVICE, ESTIMATING DEVICE AND ENVIRONMENT ADJUSTMENT SYSTEM
US17/623,842 US20220358372A1 (en) 2019-07-08 2020-07-06 Learning apparatus, inference apparatus, and environment adjustment system
CN202080049648.1A CN114080648A (zh) 2019-07-08 2020-07-06 学习装置、推定装置以及环境调整系统

Applications Claiming Priority (6)

Application Number Priority Date Filing Date Title
JP2019126815 2019-07-08
JP2019-126815 2019-07-08
JP2019-126816 2019-07-08
JP2019126816 2019-07-08
JP2020088163A JP2021010721A (ja) 2019-07-08 2020-05-20 学習装置、推定装置、及び、環境調整システム。
JP2020-088163 2020-05-20

Publications (1)

Publication Number Publication Date
WO2021006240A1 true WO2021006240A1 (ja) 2021-01-14

Family

ID=74114219

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/026384 WO2021006240A1 (ja) 2019-07-08 2020-07-06 学習装置、推定装置、及び、環境調整システム

Country Status (4)

Country Link
US (1) US20220358372A1 (ja)
EP (1) EP3998429A4 (ja)
CN (1) CN114080648A (ja)
WO (1) WO2021006240A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024090535A1 (ja) * 2022-10-27 2024-05-02 株式会社 資生堂 情報処理装置、情報処理方法、及び、プログラム

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120210513A1 (en) * 2009-11-05 2012-08-23 Koninklijke Philips Electronics N.V. Sleep element for improving the sleep of a person
JP2017006359A (ja) * 2015-06-22 2017-01-12 三菱電機株式会社 快眠環境制御システムおよび快眠環境制御方法
JP2019068907A (ja) * 2017-10-06 2019-05-09 株式会社ニューロスペース 睡眠状態判定装置、睡眠状態判定方法、睡眠状態判定システムおよび睡眠状態判定プログラム

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090177068A1 (en) * 2002-10-09 2009-07-09 Stivoric John M Method and apparatus for providing derived glucose information utilizing physiological and/or contextual parameters
CN109506342B (zh) * 2018-11-30 2019-12-17 珠海格力电器股份有限公司 空调的控制方法、装置和空调

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120210513A1 (en) * 2009-11-05 2012-08-23 Koninklijke Philips Electronics N.V. Sleep element for improving the sleep of a person
JP2017006359A (ja) * 2015-06-22 2017-01-12 三菱電機株式会社 快眠環境制御システムおよび快眠環境制御方法
JP2019068907A (ja) * 2017-10-06 2019-05-09 株式会社ニューロスペース 睡眠状態判定装置、睡眠状態判定方法、睡眠状態判定システムおよび睡眠状態判定プログラム

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
KURAMOTO, KAORU: "Deep body temperature measurement model using neural network", PROCEEDINGS OF THE 2019 ANNUAL SPRING MEETING OF THE JAPAN INDUSTRIAL MANAGEMENT ASSOCIATION, 8 March 2019 (2019-03-08), JP, pages 160 - 161, XP009533360 *
MIYAJIMA, HIROFUMI: "Studies on inference system of deep body temperature by using machine learning methods", IEICE TECHNICAL REPORT, vol. 116, no. 138 (LOIS2016-08), 8 July 2016 (2016-07-08), JP , pages 57 - 62, XP009533216, ISSN: 0913-5685 *
See also references of EP3998429A4 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024090535A1 (ja) * 2022-10-27 2024-05-02 株式会社 資生堂 情報処理装置、情報処理方法、及び、プログラム

Also Published As

Publication number Publication date
US20220358372A1 (en) 2022-11-10
EP3998429A1 (en) 2022-05-18
EP3998429A4 (en) 2023-07-19
CN114080648A (zh) 2022-02-22

Similar Documents

Publication Publication Date Title
JP5073371B2 (ja) 睡眠評価装置
JP5748290B2 (ja) 睡眠評価装置及び睡眠評価システム
CN113639449B (zh) 用于空调器控制的方法及装置、空调器
JP2021010721A (ja) 学習装置、推定装置、及び、環境調整システム。
JP7338886B2 (ja) エリア別環境管理システム及び方法とプログラム
CN111594999A (zh) 空调及其控制方法、装置以及空调系统
JP6737416B1 (ja) 環境制御システム
JP6040874B2 (ja) 睡眠段階推定装置
JP2020129188A (ja) 学習方法、学習プログラムおよび学習装置
CN113503634A (zh) 用于空调控制的方法、装置及空调
WO2021006240A1 (ja) 学習装置、推定装置、及び、環境調整システム
CN113108441A (zh) 一种空调器智能控制方法及空调器
WO2017006204A1 (en) Determining metabolic parameters
JP2014233488A (ja) 睡眠状態判定装置
US9968293B1 (en) Detecting and estimating sleep stages
CN113465137A (zh) 空调智能控制方法、装置、电子设备和存储介质
JP6867716B2 (ja) 睡眠充足度推定装置及び睡眠充足度推定方法
CN114688699A (zh) 空调控制方法、装置、空调及存储介质
WO2020230895A1 (ja) 温熱快適性を推定するためのシステム
JP7233032B2 (ja) 環境制御システム及び環境制御方法
JP2020103491A (ja) 環境制御システム及び環境制御方法
EP3984582A1 (en) Sleep control apparatus
CN112984719A (zh) 一种暖通自动调节方法、装置、智能终端及存储介质
JP7233031B2 (ja) 環境制御システム及び環境制御方法
WO2023074283A1 (ja) 健康状態判定方法、及び、健康状態判定システム

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: 20836139

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2020836139

Country of ref document: EP

Effective date: 20220208