WO2021060174A1 - 判定装置 - Google Patents
判定装置 Download PDFInfo
- Publication number
- WO2021060174A1 WO2021060174A1 PCT/JP2020/035405 JP2020035405W WO2021060174A1 WO 2021060174 A1 WO2021060174 A1 WO 2021060174A1 JP 2020035405 W JP2020035405 W JP 2020035405W WO 2021060174 A1 WO2021060174 A1 WO 2021060174A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- excrement
- amount
- determination
- determined
- stool
- Prior art date
Links
- 230000029142 excretion Effects 0.000 claims abstract description 38
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 27
- 230000008859 change Effects 0.000 claims description 18
- 239000000284 extract Substances 0.000 claims description 14
- 238000003384 imaging method Methods 0.000 claims description 13
- 238000000034 method Methods 0.000 description 20
- 238000004458 analytical method Methods 0.000 description 17
- 230000004048 modification Effects 0.000 description 15
- 238000012986 modification Methods 0.000 description 15
- 230000013872 defecation Effects 0.000 description 12
- 230000008569 process Effects 0.000 description 12
- 238000004891 communication Methods 0.000 description 6
- 230000036541 health Effects 0.000 description 6
- 210000003608 fece Anatomy 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 210000002429 large intestine Anatomy 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 210000000664 rectum Anatomy 0.000 description 3
- 238000005096 rolling process Methods 0.000 description 3
- 230000035807 sensation Effects 0.000 description 3
- 210000001599 sigmoid colon Anatomy 0.000 description 3
- 239000003793 antidiarrheal agent Substances 0.000 description 2
- 210000000436 anus Anatomy 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 210000001731 descending colon Anatomy 0.000 description 2
- 239000000155 melt Substances 0.000 description 2
- 210000000813 small intestine Anatomy 0.000 description 2
- 206010010774 Constipation Diseases 0.000 description 1
- 240000005561 Musa balbisiana Species 0.000 description 1
- 235000018290 Musa x paradisiaca Nutrition 0.000 description 1
- 210000001815 ascending colon Anatomy 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 210000004534 cecum Anatomy 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000741 diarrhetic effect Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002550 fecal effect Effects 0.000 description 1
- 238000003703 image analysis method Methods 0.000 description 1
- 210000000936 intestine Anatomy 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 230000027939 micturition Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002572 peristaltic effect Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000005062 synaptic transmission Effects 0.000 description 1
- -1 that is Substances 0.000 description 1
- 210000003384 transverse colon Anatomy 0.000 description 1
- 210000002700 urine Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/85—Investigating moving fluids or granular solids
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B10/00—Other methods or instruments for diagnosis, e.g. instruments for taking a cell sample, for biopsy, for vaccination diagnosis; Sex determination; Ovulation-period determination; Throat striking implements
- A61B10/0038—Devices for taking faeces samples; Faecal examination devices
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
- A61B5/0082—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence adapted for particular medical purposes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/483—Physical analysis of biological material
- G01N33/4833—Physical analysis of biological material of solid biological material, e.g. tissue samples, cell cultures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- E—FIXED CONSTRUCTIONS
- E03—WATER SUPPLY; SEWERAGE
- E03D—WATER-CLOSETS OR URINALS WITH FLUSHING DEVICES; FLUSHING VALVES THEREFOR
- E03D9/00—Sanitary or other accessories for lavatories ; Devices for cleaning or disinfecting the toilet room or the toilet bowl; Devices for eliminating smells
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Abstract
本判定装置は、排泄物が撮像された対象画像の画像情報を取得する取得部(11)と、前記対象画像における前記排泄物の性状を判定し、排泄の時系列に基づいて特定される前記排泄物の部分を選択し、選択した前記部分の前記性状を、前記排泄物を代表する代表性状と確定する判定部(13)と、を備える。
Description
本開示は、判定装置に関する。本願は、2019年9月24日に、日本国に出願された特願2019-173484号に基づいての優先権を主張し、その内容をここに援用する。
生体の排泄物から健康状態を把握する試みがある。例えば、カメラを用いて、落下中の排泄物を撮影し、撮影した複数の静止画像から排泄物の性状を推定する技術が開示されている(例えば特許文献1参照)。
上記の特許文献1は、排泄物に混在している様々な性状について、それぞれの性状を推定するのみの技術が開示されている。すなわち、排泄物の各種性状を推定できるが、どの部分の排泄物の性状に基づいてユーザ自身の健康状態を判断すればよいか判らないため、ユーザにとって利用しやすい構成ではなかった。
本開示の目的は、様々な性状が混在している排泄物であっても、代表する部分を特定することができる判定装置を提供することである。
本開示の一実施形態は、排泄物が撮像された対象画像の画像情報を取得する取得部と、前記対象画像における前記排泄物に関する判定項目を判定する判定部と、を備え、前記排泄物に関する判定項目は、前記排泄物の性状であり、前記判定部は、前記排泄物に、互いに異なる性状と判定される複数の部分が含まれる場合、排泄の時系列に基づいて前記複数の部分から一つの部分を選択し、選択した前記部分の前記性状を、前記排泄物を代表する代表性状と確定する判定装置である。
(第1の実施形態)
本開示の第1の実施形態に係る判定システム1は、例えば、便器装置3と、撮像装置4と、判定装置10を備える。
本開示の第1の実施形態に係る判定システム1は、例えば、便器装置3と、撮像装置4と、判定装置10を備える。
便器装置3は、例えば、便鉢32を有する便器30を備える。便器装置3は、便鉢32の内部空間34に溜水部36が形成されている。便器装置3は、溜水部36に洗浄水Sを供給可能に構成されている。
撮像装置4は、排泄物を撮像することが可能な位置に設けられる。撮像装置4は、便器30の上側、例えば、便鉢32の後側における縁の内側などに設置される。撮像装置4は、便鉢32の内部空間34の方向にレンズが向くように設置される。すなわち、撮像装置4は、便鉢32の内部空間34を撮影する。好ましくは、撮像装置4は、便鉢32の溜水部36付近を撮像し、溜水部36に落下した便や、落下中の便を撮影する。撮像装置4は、例えば、判定装置10から受信した指示信号に基づいて、便鉢32の溜水部36付近を撮像し、撮像した画像の画像情報を判定装置10に送信する。
撮像装置4は、排泄の時系列に沿って、繰り返し経時的に便鉢32の溜水部36付近を撮像する。撮像装置4は、例えば、排泄の開始時、途中、終了時など、複数の画像を撮像する。これによって、判定装置10は、撮像された時系列に沿って画像を解析でき、最初に排泄された便、途中に排泄された便、最後に排泄された便をそれぞれ判定できる。
以下の説明では、撮像装置4は、便鉢32の溜水部36に落下した排泄物を、撮像する場合を例に説明する。但し、これに限定されることはない。以下の説明では、排泄物を便、糞便と称する場合がある。撮像装置4は、例えば便座の裏側などに設置され、落下中の排泄物を、便鉢32の側面方向から撮像してもよい。撮像装置4が撮像する画像は、動画像であってもよいし、静止画像であってもよい。
判定装置10は、例えば、画像情報取得部11と、解析部12と、判定部13と、出力部14と、画像情報記憶部15と、学習済みモデル記憶部16と、判定結果記憶部17と、を備える。画像情報取得部11は、「取得部」の一例である。解析部12は、「推定部」の一例である。
画像情報取得部11は、便鉢32の溜水部36付近が撮像された画像の画像情報を取得する。以下の説明では、便鉢32の溜水部36付近が撮像された画像を対象画像と言う場合がある。画像情報取得部11は、取得した画像情報を、解析部12に出力する。画像情報取得部11は、取得した画像情報を画像情報記憶部15に記憶させる。
解析部12は、画像情報取得部11から得られた画像情報に基づいて、画像を解析する。以下の説明では、解析される画像を対象画像と言う場合がある。解析部12による解析とは、排泄に関する画像を基に、排泄物に関する判定の項目について推定することである。以下の説明では、排泄物に関する判定の項目を判定項目と言う場合がある。判定項目は、少なくとも排泄物に関するものであればよく、例えば、便の性状、及び量である。排泄物の性状は、排泄物の形や色を含む。排泄物の量は、排泄物の大きさを含む。
図8の例に示すように、便の性状は、ブリストルスケールに基づく7分類に分けられる。ブリストルスケールは、便における性質及び状態を示し、国際的な便の分類指標である。ブリストルスケールは、例えば、医療現場でよく使われる。ブリストルスケールでは、便に含まれる水分量、すなわち糞便水分量に応じて、タイプ1からタイプ7に分類される。健常の便の糞便水分量はタイプ4である。ブリストルスケールのタイプの数字が小さくなると糞便水分量が少なく、数字が大きくなると糞便水分量が多くなる。タイプ3からタイプ5までが健常の範囲であり、タイプ1とタイプ2が便秘の便、タイプ6とタイプ7が下痢の便である。
解析部12は、例えば、判定部13の判定項目に応じた内容を学習した学習済みモデルを用いて、判定項目を推定する。学習済みモデルは、例えば、学習済みモデル記憶部16に記憶されたモデルである。学習済みモデルは、例えば、排泄物が撮像された画像、すなわち学習用画像と、その学習用画像に撮像された排泄物の判定項目に対する判定結果とを対応付けたデータセットを教師データとして学習したモデルである。このような学習によって、学習済みモデルは、入力された画像において判定項目を判定した結果を、推測値として出力することができる。
学習済みモデルは、例えば、ディープラーニングの手法を用いて作成される。以下の説明では、ディープラーニングをDLと略称する。DLは、多層のニューラルネットワークで構成されるディープニューラルネットワークによる機械学習の手法である。以下の説明では、ディープニューラルネットワークをDNNと略称する。DNNは、神経科学における予測符号化の原理から発想を得たネットワークによって実現され、神経伝達網を摸した関数によって構築される。しかしながら学習済みモデルは、DNNに限定されない。学習済みモデルは、少なくとも画像と判定結果とを対応関係を学習したモデルであればよい。
判定部13は、解析部12から得られた解析結果を用いて、対象画像に撮像された排泄物における判定項目を判定する。以下の説明では、解析部12から得られた解析結果を推定結果と言う場合がある。
一般に、1回の排泄行為の過程において、経時的に便の性状が変化することがある。例えば、排泄の最初に、コロコロ状の便、例えば、ブリストルスケールにおいてタイプ1に分類される便が出て、最後に、水様便、例えば、同タイプ7に分類される便が出る場合がある。
便における性状の変化は、便に関する健康リテラシーが余程高い人でない限り、正しく理解することはできない。例えば、上述したような、最初にタイプ1の便が排泄され、最後にタイプ7の便が排泄された場合、医学的に正しい解釈では、「最初に排泄された便」が、その排泄物を代表していると解釈される。つまり、コロコロ状の便が、その排便状態を代表しており、便秘気味であると解釈される。医学的知識を持たず、便に関する健康リテラシーが低い一般的なユーザは、「最後に排泄された便」が自身の本来の排便状態を代表する便である、と誤った解釈をすることが考えられる。このような場合、自身の誤った自己判断によって止瀉薬、すなわち下痢止めの薬を服用する可能性があり、さらに便秘が悪化するリスクがある。
「最初に排泄された便」がその排泄物を代表していると解釈される理由について補足する。大腸は、小腸と肛門との間に位置する臓器である。大腸は、小腸から肛門に向かって順に、盲腸、上行結腸、横行結腸、下行結腸、S状結腸、直腸によって構成される。正常な状態では、ユーザが便意を感じていないときは、直腸に便はなく、便は下行結腸からS状結腸にたまっている。腸の蠕動運動によって貯留していた便が一気に直腸に下りてくるとユーザが便意を感じ、排便する。便の水分は大腸の通過に伴って吸収されるので、後から出てくる便は奥の便という解釈になり、本来便がたまるべき「下行からS状結腸にある便」が、ユーザの健康状態を最もよく反映させた本質と捉えることができる。
このような解釈に基づいて、本実施形態では、この、本質と捉えることができる便を代表として、便の性状を判定する。判定部13が、便の性状を判定する具体的な方法については、後で詳しく説明する。
出力部14は、判定部13による判定結果を出力する。出力部14は、例えば、排泄行動を行ったユーザの端末に判定結果を送信するように構成してもよい。これによって、ユーザが、排泄物の性状や量の判定結果を認識することが可能である。画像情報記憶部15は、画像情報取得部11によって取得された画像情報を記憶する。学習済みモデル記憶部16は、判定項目の各々に対応した学習済みモデルを記憶する。判定結果記憶部17は、判定部13による判定結果を記憶する。通信部18は、便器装置3、及び撮像装置4、或いは図示しない外部装置と通信する。例えば、便器装置3のユーザによる着座や脱座、局部洗浄の使用開始、及び排泄後における便鉢32の洗浄する操作など便器30に設けられた機能部(不図示)によって検知された場合に、通信部18は、その検知結果を便器装置3から受信する。通信部18は、撮像装置4に撮像の指示を示す制御情報を送信する。
判定部13が便の性状を判定する具体的な方法について、図2を用いて説明する。図2における横軸は、排泄の開始、すなわち排便開始から終了までの時間軸である。図2には、判定部13によって判定された結果を時間軸に沿って示している。
図2のパターンPT1に示すように、排便開始から終了まで同じ性状を有する便が排出される場合を考える。この場合、判定部13は、排便開始から終了までの排泄物において性状が変化しないため、検出された性状を、排泄物を代表する性状と確定する。このパターンPT1の例では、排泄物の性状は、タイプ4である。
図2のパターンPT2、PT3に示すように、排便開始時に、全体量と比較して少量の便が出て、その次に、最初の便とは異なる性状を有する便が多量に排出される場合を考える。
この場合、判定部13は、最初の便が、極めて少量でない場合には、最初に排出された便の性状を、排泄物を代表する性状と確定する。
具体的に、判定部13は、予め、排泄物の全体量にする所定の比率H1、H2を定めておく。比率H1は、最初に排泄された便の量が少ないか否かを判定する閾値TH1に対応する比率である。比率H1は、任意の比率に設定されてよい。比率H1は、例えば、0~5割未満、好ましくは3割以下である。比率H2は、本質として捉えることができる便の領域を判定する閾値TH2に対応する比率である。比率H2は、任意の比率に設定されてよい。比率H2は、例えば、5割前後である。
判定部13は、まず、排泄の全体量を判定する。排泄の全体量を判定する方法については、後で詳しく説明する。判定部13は、判定した全体量に基づいて、上記で定めた所定の比率H1を占める便の量E1を算出する。判定部13は、判定した全体量に基づいて、上記で定めた所定の比率H2を占める便の量E2を算出する。
判定部13は、最初に排泄された便の量と、算出した便の量E1とを比較する。パターンPT2に示すように、判定部13は、最初に排泄された便の量が、所定の量E1と比べても多い場合、最初に排出された便の性状を、排泄物を代表する性状を判定した結果と確定する。このパターンPT2の例では、最初に排出された便の量が、量E1と比べて多いため、判定部13は、最初に排出された便の性状であるB4を排泄物の性状と確定する。
パターンPT3に示すように、判定部13は、最初に排泄された便の量が、所定の量E1と比べても少ない場合、排便開始から所定の量E2が排泄されるまでの便を抽出する。判定部13は、抽出した便の性状を判定し、判定した性状のうち、量が最も多い便の性状を、排泄物を代表する性状と確定する。パターンPT3の例では、最初に排出された便の量が、量E1と比べて少ないため、判定部13は、排便開始から量E2までに排泄された便の性状であるB1、B4、B6のそれぞれのうち、最も便の量が多い、2番目に排出された便の性状であるB4を排泄物の性状と確定する。
第1の実施形態に係る判定装置10が行う処理の流れを、図3を用いて説明する。判定装置10は、画像情報取得部11によって画像情報を取得する(ステップS10)。判定部13は、画像情報に基づいて、対象画像ごとに便の性状を判定し(ステップS11)、便の量を判定する(ステップS12)。判定部13は、対象画像に、互いに異なる性状が混在する排泄物が撮像されていた場合には、それぞれの排泄物の撮像領域ごとに、性状を判定する。
判定部13は、例えば、解析部12に便の性状等を推定させた推定結果を、判定結果として用いる。この場合、解析部12は、画像情報を学習済みモデルに入力させることによって得られる推定結果を判定部13に出力する。学習済みモデルは、例えば、排泄物が撮像された学習用画像と、学習用画像における排泄物の性状、及び量が判定された結果とを対応付けたデータセットを教師データとして記憶する。学習済みモデルは、教師データと比較して入力された画像における排泄物の性状、及び量を判定した結果を出力するように学習されたモデルである。
判定部13は、便の性状を確定する。判定部13は、対象画像に撮像された便の性状が変化しない、つまり性状が1種類であるか否かを判定する(ステップS13)。判定部13は、排泄物の性状が1種類である場合、その1種類の性状を、排泄物を代表する性状を判定した結果と確定する(ステップS14)。一方、判定部13は、排泄物の性状が1種類でない、つまり複数種類ある場合、最初に排泄された便の量が、所定の量E1と比べて多いか否かを判定する(ステップS15)。量E1は、排泄物を代表する量に対して、予め定められた所定の比率H1を占める量である。
判定部13は、最初に排泄された便の量が量E1と比べて多い場合、その最初に排泄された便の性状を、排泄物を代表する性状を判定した結果と確定する(ステップS16)。一方、判定部13は、最初に排泄された便の量が量E1と比べて少ない場合、排泄開始から量E2が排出されるまでの便を抽出する。量E2は、排泄物を代表する量に対して、予め定められた所定の比率H2を占める量である。判定部13は、抽出した便の性状を判定する。判定部13は、判定した性状のうち、最も量が多い便の性状を、排泄物を代表する性状を判定した結果と確定する(ステップS17)。
以上、説明した通り、第1の実施形態の判定装置10は、画像情報取得部11と、判定部13とを備える。画像情報取得部11は、排泄物が撮像された対象画像の画像情報を取得する。判定部13は、対象画像における排泄物に関する判定項目を判定する。排泄物に関する判定項目は、排泄物の性状である。判定部13は、排泄の時系列に基づいて特定される排泄物の部分を選択し、選択した部分の性状を、排泄物を代表する性状、すなわち、排泄物の代表性状と確定する。
これによって、第1の実施形態の判定装置10は、排泄の時系列に基づいて、ユーザの排便を代表していると考えられる部分を選択し、選択した部分の性状を、排泄物を代表する性状と特定することができる。したがって、最も排便を代表していると考えられる一つの性状を提示するような、ユーザに判りやすい指標を提示でき、利便性を高めることが可能である。
第1の実施形態では、排泄物に関する判定項目は、排泄物の性状、及び量である。判定部13は、排泄物に、互いに異なる性状と判定される複数の部分が含まれる場合、複数の部分のうち、最初に排泄された便(第1部分)の量が、所定の量E1に相当する閾値TH1、すなわち第1閾値と比べて多いと判定される場合、最初に排泄された便、すなわち第1部分の便の性状を、排泄物を代表する性状と確定する。所定の量E1は、全量の比率H1、すなわち第1比率に相当する量である。これによって、最初に排泄された便の量が、所定の量E1と比較するという簡単な手法によって、最も排便を代表していると考えられる性状を、排泄物の性状と確定することが可能である。
第1の実施形態では、判定部13は、最初に排泄された便、すなわち第1部分の便の量が所定の量E1に相当する閾値TH1、すなわち第1閾値以下と判定される場合、排泄物の全量のうち、排泄開始時から、全量の比率H2、すなわち第2比率の量が排泄されるまでに排泄された便(第2部分)のうち、最も量が多いと判定された便、すなわち第3部分の便の性状を、排泄物を代表する性状と確定する。これによって、最初に排泄された便の量が、極少ない場合には、判定部13は、最初の便と比べて排便を代表していると考えられる後の便のうち、最も排便を代表していると考えられる性状を、排泄物の性状と確定することが可能である。
上述した第1の実施形態では、判定部13が、解析部12による推定結果に基づいて、便の性状、及び量を判定する場合を例に説明した。本開示は、この例に限定されない。例えば、判定部13は、解析部12の推定結果を用いずに、画像の色や、エッジ検出など、従来の画像解析手法を用いて、便の性状、及び量を判定してもよい。この場合、解析部12を省略することが可能である。
(第1の実施形態の変形例)
次に、第1の実施形態の変形例について、説明する。本変形例では、判定装置10は、時系列情報を用いずに、排泄物を代表する性状を確定する。
次に、第1の実施形態の変形例について、説明する。本変形例では、判定装置10は、時系列情報を用いずに、排泄物を代表する性状を確定する。
人体の性質として、便に含まれる水分は、大腸の通過に伴って吸収される。このため、最初に排泄される便は、最後に排泄される便と比較して相対的に水分量が少なく、硬くなり、後から出てくる便は水分量が多く柔らかい傾向がある。極論すると、ブリストルスケールにおけるタイプ番号の小さい順に便が排泄される傾向にある。ただし、最初に排出される便におけるブリストルスケールのタイプは、排泄によって様々であり、決まっていない。
この性質を利用し、本変形例では、判定部13は、排泄物に、互いに異なる性状と判定される複数の部分が含まれる場合、ブリストルスケールのタイプ番号が最も小さい性状を、排泄物を代表する性状と確定する。これによって、最初に排泄された部分、最後に排泄された部分を見分けなくとも、判定部13は、最初に排出された部分の性状を選択することができる。
以上説明したように、第1の実施形態における変形例の判定装置10は、画像情報取得部11と判定部13とを備える。画像情報取得部11は、排泄物が撮像された対象画像の画像情報を取得する。判定部13は、対象画像における排泄物に関する判定項目を判定する。排泄物に関する判定項目は、ブリストルスケールにおけるタイプ番号であり、排泄物に含まれる水分量に応じて区分される排泄物の性状の一例である。判定部13は、排泄物に、互いに異なる性状と判定される複数の部分が含まれる場合、ブリストルスケールにおけるタイプ番号が最も小さい性状を、排泄物を代表する性状と確定する。ブリストルスケールにおけるタイプ番号が最も小さい性状は、最も水分量が少ない区分に判定された部分の性状」の一例である。これによって、判定装置10は、排泄物について判定されたブリストルスケールにおけるタイプの最も小さい番号を抽出するという簡単な手法によって、最も健康状態が反映されていると考えられる、最初に排出された部分の排泄物の性状を選択することができる。
(第2の実施形態)
次に、第2の実施形態について説明する。本実施形態では、判定装置10は、対象画像に基づいて、排泄物の量を判定する。
次に、第2の実施形態について説明する。本実施形態では、判定装置10は、対象画像に基づいて、排泄物の量を判定する。
図4に示すように、便は、便鉢32内の溜水部36に落下することによって、溶け出したり、尿や局部洗浄水の影響を受けたりして、経時的に性状や量が変遷することがある。この例では、排泄の直後における対象画像G1において、バナナ形状の、ブリストルスケールのタイプB4に分類される便が、時間の経過に伴い、対象画像G2、G3のように変化していく。対象画像G2においては、便がふやけて形状が崩れている。対象画像G3においては、便が水に溶け出している。このように、便は、その形状が経時的に変化する。この場合、もともとはタイプB4であった便を、対象画像G2、G3に基づいて性状を判定した場合、誤った判定になると考えられる。
このような誤判定に対する対策として、本実施形態では、判定部13は、便の性状を精度よく判定することができる対象画像G1のような画像のみを抽出し、精度よく判定することができない対象画像G2、G3のような画像を排除する。具体的には、判定部13は、便が崩れたり溶けだしたりして変化する前の状態が撮像された画像を対象に判定項目を判定する。
第2の実施形態に係る判定部13が行う処理を、図5を用いて説明する。図5は、時間と便の量との対応関係を示すグラフである。図5の横軸は時間、縦軸は量を示している。
判定部13は、便の量を判定した結果に基づいて、図5に示すような、時間と便の量との対応関係を導出する。図5に示す例では、時間T0~T6までの間に、量M5の排泄がなされた場合における、便の量における経時的な変化が示されている。時間T0~T1、T2~T3、T4~T5の間における傾きが比較的急峻であるのに対し、時間T1~T2、T3~T4の間における傾きは比較的緩やかである。これは、傾きが急峻な時間(時間T0~T1、T2~T3、T4~T5)に排泄物が落下し、傾きが緩やかな時間(時間T1~T2、T3~T4)に落下した排泄物が、崩れたり溶けだしたりして、見かけ上、便の量が微増して見えている状況と考えられる。
このような考え方から、傾きが急峻な時間に撮像された画像は、便の性状を精度よく判定することができると考えられる。傾きが緩やかな結果となった時間に撮像された画像は、便の性状を精度よく判定することができないと考えられる。傾きが急峻な結果となった時間に撮像された画像のうち、傾きが変化していない時間に撮像された画像は、排泄物が落下する途中の画像である。そのため、性状や量を判定するには時期尚早であると考えられる。すなわち、傾きが急峻な状態から、緩やかな状態に変化する時間に撮像された画像が、便の性状や量を判定するために最も適した画像である。判定部13は、このような画像を抽出する。
具体的に、判定部13は、画像の撮像時刻と、画像において判定された便の量との関係から、便の量の経時変化率を算出する。判定部13は、経時変化率を、所定の閾値Kと比較することによって、例えば、急峻と緩やかの2区分のうち、いずれかに分類する。判定部13は、2つの区分が切り替わる時間であって、急峻から緩やかに変化する時間に撮像された画像を抽出する。
図5の例では、点P1(T1、M1)、P2(T3、M3)、P3(T5、M5)が、傾きが急峻から緩やかに変化する点である。判定部13は、これらの点に対応する時点T1、T3、及びT5に撮像された画像を、便の性状、及び量を最も精度よく判定できる画像として抽出する。
第2の実施形態に係る判定装置10が行う処理の流れを、図6を用いて説明する。図6のステップS20、及びステップS21は、図4のステップS10、及びS11と同様の処理であるため、その説明を省略する。
判定部13は、全ての対象画像について、便の量を判定したか否かを判定し、まだ判定していない画像がある場合には、ステップS20に戻り、未判定の画像における便の量を判定する処理を繰り返す(ステップS22)。判定部13は、便の量の経時変化率、例えば傾きを算出する。判定部13は、対象画像における撮像時刻、及びその画像から判定された便の量との関係から、便の量の経時変化率を算出する(ステップ23)。判定部13は、便の量の経時変化率が所定の閾値TH3、例えば傾きKに比べて大きい時間に撮像された画像を抽出する(ステップS24)。判定部13は、抽出した画像のうち、経時変化率が閾値TH3に比べて小さい値に変化する時間に対応する画像を選択する(ステップS25)。判定部13は、選択した画像の判定結果を用いて、便を代表する性状及び量を判定する(ステップS26)。
以上説明したように、第2の実施形態の判定装置10では、対象画像は、排泄における便鉢32の内部空間34、例えば、溜水部36付近を時系列に沿って繰り返し撮像された複数の画像である。排泄物に関する判定項目は、排泄物の性状、及び量である。判定部13は、対象画像それぞれの撮像時刻と排泄物の量との関係において、排泄物の量の経時変化率が所定の傾きKに比べて大きい対象画像を抽出する。排泄物の量の経時変化率が所定の傾きKは、「第2閾値」の一例である。判定部13は、抽出した対象画像において判定される排泄物の性状、及び量に基づいて、排泄物を代表する性状、及び量を確定する。これによって、判定装置10では、排泄物が崩れたり、溶けだしたりする前の状態が撮像された画像に基づいて、便の性状や量を判定することができる。判定装置10では、排泄物を代表する性状、及び量を精度よく確定可能である。
(第2の実施形態の変形例1)
次に、第2の実施形態の変形例1について説明する。本変形例では、判定部13は、経時的な時間に沿って性状を判定した結果が、複数回に渡り一致した場合に、その判定結果を採用する。
次に、第2の実施形態の変形例1について説明する。本変形例では、判定部13は、経時的な時間に沿って性状を判定した結果が、複数回に渡り一致した場合に、その判定結果を採用する。
第2の実施形態の変形例1に係る判定装置10が行う処理の流れを、図7を用いて説明する。図7のステップS30~S32は、図6のステップS20~S22と同様の処理であるため、その説明を省略する。
判定部13は、画像ごとに、前回と同じ判定結果をとなったか否かを判定する(ステップS33)。判定部13は、同じ判定結果が連続する回数を取得する(ステップS34)。判定部13は、取得した回数が所定の閾値に比べて大きい箇所に対応する画像を抽出する(ステップS35)。判定部13は、抽出した画像の判定結果を用いて、便を代表する性状及び量を判定する(ステップS36)。
上述したように、排泄の過程に沿って便の性状及び量が変化する。便器に落下した衝撃によって便の形が崩れたり、水中に便が溶け出する影響によって、便の性状及び量が経時変化したりすることがある。排便の前後や同時に排尿されることもあり得る。上述した第2の実施形態の手法を採用しても、傾きがはっきり二つの区分、すなわち急峻か穏やかかに区分できない場合も考えられる。
本変形例では、排泄の途中では便の性状がさほど変化しないのに対して、落下後における便の性状が経時的に変化し続ける性質を有することに着目する。この性質を利用し、判定部13は、経時的に性状を判定した結果が、複数回F1に渡り一致した場合に、その便が、落下後の崩れていく便ではない、と判定する。判定部13は、落下後の崩れていく便ではないと判定した便の性状を、排泄物における元来の性状であると判定し、性状を確定すべきと判定する。
以上説明したように、第2の実施形態の変形例1の判定装置10では、対象画像それぞれの撮像時刻に沿って判定した結果が、連続して同じ結果である回数が複数回F1と比べて大きい前記対象画像を抽出する。複数回F1は、「第3閾値」の一例である。判定部13は、抽出した対象画像において判定される便の性状に基づいて、便を代表する性状を確定する。これによって、傾きが急峻か緩やかにはっきり区分できない場合であっても、判定部13は、落下後の崩れていく便ではない便が撮像された画像を抽出することができ、排泄物を代表する性状、及び量を精度よく確定可能である。
(第2の実施形態の変形例2)
本変形例では、判定部13が、経時的に最も量が多いと判定された便の量を、排泄物を代表する量として確定する。便が出きった状態における量が、最も確からしい便の量である。判定部13は、例えば、図5における時間T3など、排泄の途中と考えられる時間において、突発的に最大の量が判定されたとしても、経時的にみて排泄の途中であると考えられることから、この判定された最大の量を判定誤りとみなす。判定部13は、経時的にみて排泄の最後に相当し、経時的に最も多く判定された量を、排泄物の量と確定する。判定部13は、例えば、図5における時間T6のように、排泄の最後であると考えられる時間において、排泄物の最大の量を確定する。
本変形例では、判定部13が、経時的に最も量が多いと判定された便の量を、排泄物を代表する量として確定する。便が出きった状態における量が、最も確からしい便の量である。判定部13は、例えば、図5における時間T3など、排泄の途中と考えられる時間において、突発的に最大の量が判定されたとしても、経時的にみて排泄の途中であると考えられることから、この判定された最大の量を判定誤りとみなす。判定部13は、経時的にみて排泄の最後に相当し、経時的に最も多く判定された量を、排泄物の量と確定する。判定部13は、例えば、図5における時間T6のように、排泄の最後であると考えられる時間において、排泄物の最大の量を確定する。
以上説明したように、第2の実施形態の変形例2では、排泄物に関する判定項目は、排泄物の量である。判定部13は、対象画像それぞれに判定される排泄物の量のうち、経時的にみて排泄の最後に相当し、最も多く判定された量を、排泄物の量と確定する。これによって、排泄の途中における画像にノイズがあるなどとして、突発的に最大量が判定された場合であっても、判定部13は、これを判定誤りと認識することができ、判定の精度劣化を抑制することが可能である。
(第2の実施形態の変形例3)
次に、第2の実施形態の変形例3について説明する。本変形例では、経時的に便の量を判定した結果が、複数回に渡り一致した場合に、判定部13は、その判定結果を採用する。
次に、第2の実施形態の変形例3について説明する。本変形例では、経時的に便の量を判定した結果が、複数回に渡り一致した場合に、判定部13は、その判定結果を採用する。
本変形例では、排泄の途中では便の量が増加し、落下後の便はその量が微増し、出きった便の直後に量は増加しない、という性質に着目する。この性質を利用し、判定部13は、経時的に便の量を判定した結果が、複数回F2に渡り一致した場合に、その便が、排泄の途中ではなく、且つ、落下後の崩れていく便でなく、排泄終了直後の便に相当すると判定する。判定部13は、排泄終了直後の便と判定した便の量を、排泄物の量として確定する。複数回F2は、「第4閾値」の一例である。
以上説明したように、第2の実施形態の変形例3の判定装置10では、対象画像それぞれの撮像時刻に沿って判定した結果が、連続して同じ結果である回数が複数回F2と比べて大きい前記対象画像を抽出する。判定部13は、抽出した対象画像において判定される排泄物の量に基づいて、排泄物を代表する量、すなわち排泄物の代表量を確定する。これによって、傾きが急峻か緩やかにはっきり区分できない場合であっても、判定部13は、落下後の崩れていく便ではない便が撮像された画像を抽出することができ、排泄物を代表する性状、及び量を精度よく確定可能である。
(第3の実施形態)
次に、第3の実施形態について説明する。本実施形態では、判定部13は、複数の指標について判定した判定結果の組合せによって、便の性状を判定する。
次に、第3の実施形態について説明する。本実施形態では、判定部13は、複数の指標について判定した判定結果の組合せによって、便の性状を判定する。
ブリストルスケールは、国際的な便の分類指標であり、医療の現場において広く使われている。この指標に沿って正しく分類することができれば、精度のよい判定が可能である。しかしながら、実際には、経験や感覚によって主観的に分類される場合も多かった。特に、経験の少ない作業者に分類させる場合、タイプ1、4、7は正しく分類することができる。これに対し、その中間に区分されるタイプ、例えば、タイプ2と3、タイプ5と6の区別が難しく、判定がばらつく傾向にあった。
本実施形態では、判定装置10は、排泄物の複数の指標をそれぞれ判定し、判定結果の組合せによって、便の性状を定量的に判定する。具体的に、判定部13は、排泄物の質感、連続性、及びエッジを判定した結果の組合せによって、排泄物の性状を判定する。ここでの質感は、排泄物の表面における見た目の感覚であり、例えば、コロコロ、バナナなどという感覚に対応する度合いである。連続性は、排泄物の繋がりであって、例えば、繋がっているか、途切れているかの度合いである。エッジは、排泄物の輪郭であり、例えば、シャープであるか、ぼんやりしているかの度合いである。
以上説明したように、第3の実施形態の判定装置10では、判定部13は、排泄物の質感、連続性、及びエッジを判定した結果の組合せによって、排泄物の性状を判定する。これによって、判定装置10は、定量的、客観的に性状を判定することができ、判定のばらつきを低減させ、精度よく判定することが可能である。
本実施形態の判定装置10は、教師データの作成にも適用可能である。学習済みモデルを用いて、便の性状を判定または推定する場合、教師データの精度が、推定の精度に大きく影響する。つまり、判定にばらつきを含む教師データを学習した学習済みモデルは、教師データ同様に、タイプ2と3などの区分に判定誤りを発生させる可能性がある。このような場合、判定装置10が、学習用画像における性状の判定を、複数の指標に基づいて定量的に行えば、判定のばらつきを低減させた、質の良い教師データを生成可能である。質の良い教師データを学習した学習済みモデルは、タイプB2、B3の境界付近の性状であっても、便の性状を精度よく判定することができる可能性がある。
上述した実施形態における判定装置10が行う処理の全部または一部をコンピュータで実現してもよい。その場合、この機能を実現するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することによって実現してもよい。ここでいう「コンピュータシステム」とは、OSや周辺機器等のハードウェアを含む。「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ROM、CD-ROM等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムを送信する場合における通信線のように、短時間の間、動的にプログラムを保持するもの、その場合のサーバやクライアントであるコンピュータシステム内部にある揮発性メモリのように、一定時間プログラムを保持しているものも含んでもよい。上記プログラムは、前述した機能の一部を実現するためのものであってもよく、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであってもよく、FPGA等のプログラマブルロジックデバイスを用いて実現されるものであってもよい。
本開示に係る判定装置の具体的な構成はこの実施形態に限られるものではない。上述した各実施形態および変形例において示した各構成は一例であって、本開示の主旨から逸脱しない範囲において設計要求等に基づき種々変更可能である。
上記に示した本開示の各実施形態および変形例によれば、様々な性状が混在している排泄物であっても、代表する部分を特定することができる判定装置を提供できる。
1…判定システム、10…判定装置、11…画像情報取得部(取得部)、12…解析部(推定部)、13…判定部(判定部)、14…出力部(出力部)、15…画像情報記憶部、16…学習済みモデル記憶部、17…判定結果記憶部、18…通信部、3…便器装置、30…便器、32…便鉢、34…内部空間、36…溜水部、4…撮像装置
Claims (10)
- 排泄物が撮像された対象画像の画像情報を取得する取得部と、
前記対象画像における前記排泄物の性状を判定し、排泄の時系列に基づいて特定される前記排泄物の部分を選択し、選択した前記部分の性状を、前記排泄物を代表する代表性状と確定する判定部と、
を備える判定装置。 - 前記判定部は、前記排泄物の量を判定し、前記排泄物に互いに異なる前記性状と判定される複数の前記部分が含まれる場合、前記複数の部分のうち、最初に排泄された第1部分の量が、前記排泄物の全量の第1比率に相当する第1閾値と比べて多いと判定される場合、前記第1部分の前記性状を、前記排泄物の前記代表性状と確定する、
請求項1に記載の判定装置。 - 前記判定部は、前記第1部分の量が前記第1閾値以下と判定される場合、前記排泄物の前記全量のうち、前記排泄の開始時から、前記排泄物の前記全量の第2比率の量が排泄されるまでに排泄された第2部分のうち、最も量が多いと判定された第3部分の前記性状を、前記排泄物の前記代表性状と確定する、
請求項2に記載の判定装置。 - 排泄物が撮像された対象画像の画像情報を取得する取得部と、
前記対象画像における前記排泄物に含まれる水分量に応じて区分される前記排泄物の性状を判定し、前記排泄物に互いに異なる性状と判定される複数の部分が含まれる場合、最も水分量が少ない区分に判定された前記部分の性状を、前記排泄物を代表する代表性状と確定する判定部と、
を備える判定装置。 - 前記対象画像は、前記排泄における便鉢の内部空間を時系列に沿って繰り返し撮像された複数の画像であり、
前記判定部は、前記排泄物の量を判定し、複数の前記対象画像それぞれの撮像時刻と前記排泄物の量との関係において、前記排泄物の量の経時変化率が第2閾値と比べて大きい前記対象画像を抽出し、抽出した前記対象画像において判定される前記排泄物の前記性状、及び前記量に基づいて、前記排泄物の前記代表性状、及び前記量を確定する、
請求項1から請求項4のいずれか一項に記載の判定装置。 - 前記対象画像は、前記排泄における便鉢の内部空間を時系列に沿って繰り返し撮像された複数の画像であり、
前記判定部は、複数の前記対象画像それぞれの撮像時刻に沿って判定した結果が、連続して同じ結果である回数が第3閾値と比べて大きい前記対象画像を抽出し、抽出した前記対象画像において判定される排泄物の前記性状に基づいて、前記排泄物を代表する前記代表性状を確定する、
請求項1から請求項5のいずれか一項に記載の判定装置。 - 前記対象画像は、前記排泄における便鉢の内部空間を時系列に沿って繰り返し撮像された複数の画像であり、
前記判定部は、前記排泄物の量を判定し、複数の前記対象画像それぞれに判定される前記排泄物の前記量のうち、経時的に最も多く判定され、前記排泄における最後の前記排泄物の前記量を、前記排泄における前記排泄物の前記量と確定する、
請求項1から請求項6のいずれか一項に記載の判定装置。 - 前記判定部は、複数の前記対象画像それぞれの撮像時刻に沿って判定した結果が、連続して同じ結果である回数が第4閾値と比べて大きい前記対象画像を抽出し、抽出した前記対象画像において判定される排泄物の量に基づいて、前記排泄物を代表する代表量を確定する、
請求項1から請求項7のいずれか一項に記載の判定装置。 - 前記排泄物が撮像された学習用画像と、前記学習用画像における前記排泄物に関する判定項目を判定した結果とを対応付けたデータセットを教師データとして、入力された画像における前記排泄物に関する前記判定項目を判定した結果を出力するように学習された学習済みモデルの出力結果を用いて、前記対象画像における排泄物に関する前記判定項目を推定する推定部を、更に備え、
前記判定部は、前記推定部によって推定された結果を用いて、前記判定項目を判定する、
請求項1から請求項8のいずれか一項に記載の判定装置。 - 前記判定部は、前記排泄物の質感、連続性、及びエッジを判定した結果の組合せによって、前記排泄物の前記性状を判定する、
請求項1から請求項9のいずれか一項に記載の判定装置。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP20869794.6A EP4036334A4 (en) | 2019-09-24 | 2020-09-18 | DETERMINATION DEVICE |
CN202080066869.XA CN114467020B (zh) | 2019-09-24 | 2020-09-18 | 判断装置 |
US17/763,179 US20220375080A1 (en) | 2019-09-24 | 2020-09-18 | Determination device |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019-173484 | 2019-09-24 | ||
JP2019173484A JP7325282B2 (ja) | 2019-09-24 | 2019-09-24 | 判定装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2021060174A1 true WO2021060174A1 (ja) | 2021-04-01 |
Family
ID=75157581
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/JP2020/035405 WO2021060174A1 (ja) | 2019-09-24 | 2020-09-18 | 判定装置 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20220375080A1 (ja) |
EP (1) | EP4036334A4 (ja) |
JP (1) | JP7325282B2 (ja) |
CN (1) | CN114467020B (ja) |
WO (1) | WO2021060174A1 (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022202330A1 (ja) * | 2021-03-23 | 2022-09-29 | Toto株式会社 | 情報処理システム |
WO2023162278A1 (ja) * | 2022-02-28 | 2023-08-31 | Toto株式会社 | 排泄物判定システム、排泄物判定方法及び排泄物判定装置 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWM613735U (zh) * | 2021-03-24 | 2021-06-21 | 美商紐倫百仕科技股份有限公司 | 影像辨識自動掀蓋智能馬桶 |
JP2023044234A (ja) * | 2021-09-17 | 2023-03-30 | パナソニックIpマネジメント株式会社 | 排泄物画像検出装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017096890A (ja) * | 2015-11-27 | 2017-06-01 | Toto株式会社 | 生体情報測定システム |
JP2017137707A (ja) | 2016-02-04 | 2017-08-10 | 株式会社Lixil | 便器装置 |
JP2018054443A (ja) * | 2016-09-28 | 2018-04-05 | 学校法人聖路加国際大学 | 情報処理装置、情報処理システム及びプログラム |
JP2018510334A (ja) * | 2015-02-25 | 2018-04-12 | アウトセンス ダイアグノスティクス リミテッド | 人体排泄物の解析 |
WO2018159369A1 (ja) * | 2017-03-01 | 2018-09-07 | 株式会社Lixil | 便器装置、及び便座装置 |
US20180303466A1 (en) * | 2017-04-07 | 2018-10-25 | Toi Labs, Inc. | Biomonitoring devices, methods, and systems for use in a bathroom setting |
JP2019173484A (ja) | 2018-03-29 | 2019-10-10 | 株式会社Lixil | 水栓装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101595434B1 (ko) * | 2014-10-13 | 2016-02-19 | 한국생산기술연구원 | 배설물형상측정장치 및 방법 |
-
2019
- 2019-09-24 JP JP2019173484A patent/JP7325282B2/ja active Active
-
2020
- 2020-09-18 CN CN202080066869.XA patent/CN114467020B/zh active Active
- 2020-09-18 US US17/763,179 patent/US20220375080A1/en active Pending
- 2020-09-18 EP EP20869794.6A patent/EP4036334A4/en active Pending
- 2020-09-18 WO PCT/JP2020/035405 patent/WO2021060174A1/ja unknown
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018510334A (ja) * | 2015-02-25 | 2018-04-12 | アウトセンス ダイアグノスティクス リミテッド | 人体排泄物の解析 |
JP2017096890A (ja) * | 2015-11-27 | 2017-06-01 | Toto株式会社 | 生体情報測定システム |
JP2017137707A (ja) | 2016-02-04 | 2017-08-10 | 株式会社Lixil | 便器装置 |
WO2017135169A1 (ja) * | 2016-02-04 | 2017-08-10 | 株式会社Lixil | 便器装置 |
JP2018054443A (ja) * | 2016-09-28 | 2018-04-05 | 学校法人聖路加国際大学 | 情報処理装置、情報処理システム及びプログラム |
WO2018159369A1 (ja) * | 2017-03-01 | 2018-09-07 | 株式会社Lixil | 便器装置、及び便座装置 |
US20180303466A1 (en) * | 2017-04-07 | 2018-10-25 | Toi Labs, Inc. | Biomonitoring devices, methods, and systems for use in a bathroom setting |
JP2019173484A (ja) | 2018-03-29 | 2019-10-10 | 株式会社Lixil | 水栓装置 |
Non-Patent Citations (1)
Title |
---|
See also references of EP4036334A4 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022202330A1 (ja) * | 2021-03-23 | 2022-09-29 | Toto株式会社 | 情報処理システム |
WO2023162278A1 (ja) * | 2022-02-28 | 2023-08-31 | Toto株式会社 | 排泄物判定システム、排泄物判定方法及び排泄物判定装置 |
US20230274815A1 (en) * | 2022-02-28 | 2023-08-31 | Toto Ltd. | Excrement judgement system, excrement judgement method, and excrement judgement device |
US11967415B2 (en) | 2022-02-28 | 2024-04-23 | Toto Ltd. | Excrement judgement system, excrement judgement method, and excrement judgement device |
Also Published As
Publication number | Publication date |
---|---|
EP4036334A1 (en) | 2022-08-03 |
EP4036334A4 (en) | 2023-12-06 |
JP7325282B2 (ja) | 2023-08-14 |
CN114467020A (zh) | 2022-05-10 |
US20220375080A1 (en) | 2022-11-24 |
CN114467020B (zh) | 2024-03-15 |
JP2021050983A (ja) | 2021-04-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021060174A1 (ja) | 判定装置 | |
Park et al. | A mountable toilet system for personalized health monitoring via the analysis of excreta | |
WO2020235473A1 (ja) | 判定装置、判定方法、及びプログラム | |
Williams et al. | Further validation and development of the movement imagery questionnaire | |
Seifert et al. | Role of route previewing strategies on climbing fluency and exploratory movements | |
FitzGerald et al. | Active inference, evidence accumulation, and the urn task | |
US20190370963A1 (en) | System and method for determining a colonoscopy image | |
KR102261473B1 (ko) | 세미 슈퍼바이즈드 학습을 이용한 진단 시스템 제공방법 및 이를 이용하는 진단 시스템 | |
JP2018029706A (ja) | 端末装置、評価システム、およびプログラム | |
Chan et al. | Lingering representations of stimuli influence recall organization | |
JP2020187089A (ja) | 判定装置、判定方法、及びプログラム | |
Calder-Travis et al. | Bayesian confidence in optimal decisions | |
Peng et al. | Exploring biological motion perception in two-stream convolutional neural networks | |
Qadri et al. | Pigeons and humans use action and pose information to categorize complex human behaviors | |
JPWO2020217462A1 (ja) | 生活習慣評価システムおよびそのプログラム | |
CN112074233A (zh) | 使用可穿戴设备的女性排尿检测系统以及使用该可穿戴设备的诊断方法 | |
JP7262301B2 (ja) | 判定装置、判定方法、及びプログラム | |
CN113450911A (zh) | 便秘分析方法、装置及计算机设备 | |
JP6961022B2 (ja) | 読み書き能力のテスト方法及び装置 | |
CN114430474A (zh) | 排泄物状态显示系统 | |
KR20220059841A (ko) | 영상 기반의 동물 감정 분석 서버, 방법 및 컴퓨터 프로그램 | |
JP2020187691A (ja) | 判定装置、判定方法、及びプログラム | |
JP2020187692A (ja) | 判定装置、判定方法、及びプログラム | |
US20230277162A1 (en) | System, Method and Apparatus for Forming Machine Learning Sessions | |
Suman et al. | Video-based gait analysis for spinal deformity |
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: 20869794 Country of ref document: EP Kind code of ref document: A1 |
|
NENP | Non-entry into the national phase |
Ref country code: DE |
|
ENP | Entry into the national phase |
Ref document number: 2020869794 Country of ref document: EP Effective date: 20220425 |