WO2021060174A1 - 判定装置 - Google Patents

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

判定装置

　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）。

日本国特開２０１７－１３７７０７号公報

　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の実施形態に係る判定装置が適用される判定システムの構成を示すブロック図である。 第１の実施形態の判定部が行う処理を説明する図である。 第１の実施形態に係る判定装置が行う処理の流れを示すフローチャートである。 第２の実施形態の判定部が行う処理を説明する図である。 第２の実施形態の判定部が行う処理を説明する図である。 第２の実施形態に係る判定装置が行う処理の流れを示すフローチャートである。 第２の実施形態に係る判定装置が行う処理の流れを示すフローチャートである。 排泄物の性状の例を示す図である。

（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。

　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。

　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。

　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。

　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。

　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。

　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。

　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)

1. 　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。
2. 　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。
3. 　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。
4. 　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。
5. 　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。
6. 　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。
7. 　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。
8. 　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。
9. 　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。
10. 　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。

Images