WO2021205865A1

WO2021205865A1 - 疾患状態判定装置、疾患状態判定方法、疾患状態判定装置用プログラム、および、疾患状態判定システム

Info

Publication number: WO2021205865A1
Application number: PCT/JP2021/011933
Authority: WO
Inventors: 秀彦小峰; 智之北崎; 幹之赤松; 石井　圭; 英夫鶴嶋; 元基小竹
Original assignee: 国立研究開発法人産業技術総合研究所; 国立大学法人筑波大学
Priority date: 2020-04-08
Filing date: 2021-03-23
Publication date: 2021-10-14
Also published as: US20230174073A1; JPWO2021205865A1

Abstract

癲癇の状態を判定可能な疾患状態判定装置、疾患状態判定方法、疾患状態判定装置用プログラム、および、疾患状態判定システムを提供する。　対象者Ｔが車両Ｖを運転しているときに測定された当該対象者Ｔの視線の位置を示す視線データを取得し（Ｓ１１）、対象者Ｔの車両Ｖに対する運転特性を示す運転特性データを取得し（Ｓ１０）、視線データと運転特性データとの関係性に応じて、対象者Ｔの癲癇状態を判定する（Ｓ１８）。

Description

疾患状態判定装置、疾患状態判定方法、疾患状態判定装置用プログラム、および、疾患状態判定システム

　本発明は、対象者の癲癇状態を判定する疾患状態判定装置、疾患状態判定方法、疾患状態判定装置用プログラム、および、疾患状態判定システムの技術分野に関する。

　車両を運転する運転者の状態を検出する様々な判定システムが開発されている。例えば、特許文献１には、車両運転者の運転能力と健康情報を測定し、運転能力チェック結果と健康情報チェック結果を、サーバに送信する装置が、車両移動経路に沿った複数の地点に設けられ、サーバは、運転能力チェック結果、健康情報チェック結果及び評価基準に基づいて車両運転者の運転危険度を評価し、運転能力チェック及び健康情報チェックの結果を経時的に比較して車両運転者の運転危険度の高まりを診断する安全走行支援システムが開示されている。

特開２０１５－１４１５３６号公報

　しかしながら、特許文献１のような従来技術においては、健康状態を測定するためには、呼気ガス成分計測器等の特殊な機器が必要であり、運動能力と組み合わせて、特定の疾患に直接関係なく、単に運転危険度の判定しているだけであった。そのため、癲癇の状態を簡易に判定することが難しかった。

　そこで、本発明の課題の一例は、癲癇の状態を判定が可能な疾患状態判定装置等を提供することを目的とする。

　上記課題を解決するために、請求項１に記載の発明は、対象者が車両を運転しているときに測定された当該対象者の視線の位置を示す視線データを取得する視線データ取得手段と、前記対象者の前記車両に対する運転特性を示す運転特性データを取得する運転特性データ取得手段と、前記視線データと前記運転特性データとの関係性に応じて、前記対象者の癲癇状態を判定する疾患状態判定手段と、を備えることを特徴とする。

　請求項８に記載の発明は、視線データ取得手段が、対象者が車両を運転しているときに測定された当該対象者の視線の位置を示す視線データを取得する視線データ取得ステップと、運転特性データ取得手段が、前記対象者の前記車両に対する運転特性を示す運転特性データを取得する運転特性データ取得ステップと、疾患状態判定手段が、前記視線データと前記運転特性データとの関係性に応じて、前記対象者の癲癇状態を判定する疾患状態判定ステップと、を含むことを特徴とする。

　請求項９に記載の発明は、コンピュータを、対象者が車両を運転しているときに測定された当該対象者の視線の位置を示す視線データを取得する視線データ取得手段、前記対象者の前記車両に対する運転特性を示す運転特性データを取得する運転特性データ取得手段、および、前記視線データと前記運転特性データとの関係性に応じて、前記対象者の癲癇状態を判定する疾患状態判定手段として機能させることを特徴とする。

　請求項１０に記載の発明は、車両を運転している対象者に関するデータを収集する端末装置と、前記対象者に関するデータに基づき前記対象者の癲癇状態を判定する疾患状態判定装置と、を備えた疾患状態判定システムにおいて、前記疾患状態判定装置が、前記対象者が前記車両を運転しているときに測定された当該対象者の視線の位置を示す視線データを、前記端末装置から取得する視線データ取得手段と、前記対象者の前記車両に対する運転特性を示す運転特性データを、前記端末装置から取得する運転特性データ取得手段と、前記視線データと前記運転特性データとの関係性に応じて、前記対象者の癲癇状態を判定する疾患状態判定手段と、を有することを特徴とする。

　請求項１１に記載の発明は、車両において対象者が座る座面の座圧分布のデータを取得する座圧分布取得手段と、前記座圧分布の大きさを算出する圧力分布算出手段と、前記座圧分布の大きさの変化に応じて、前記対象者の癲癇状態を判定する疾患状態判定手段と、を備えることを特徴とする。

　請求項１２に記載の発明は、座圧分布取得手段が、車両において対象者が座る座面の座圧分布のデータを取得する座圧分布取得ステップと、圧力分布算出手段が、前記座圧分布の大きさを算出する圧力分布算出ステップと、疾患状態判定手段が、前記座圧分布の大きさの変化に応じて、前記対象者の癲癇状態を判定する疾患状態判定ステップと、を含むことを特徴とする。

　請求項１３に記載の発明は、コンピュータを、車両において対象者が座る座面の座圧分布のデータを取得する座圧分布取得手段、前記座圧分布の大きさを算出する圧力分布算出手段、および、前記座圧分布の大きさの変化に応じて、前記対象者の癲癇状態を判定する疾患状態判定手段として機能させることを特徴とする。

　請求項１４に記載の発明は、車両を運転している対象者に関するデータを収集する端末装置と、前記対象者に関するデータに基づき前記対象者の癲癇状態を判定する疾患状態判定装置と、を備えた疾患状態判定システムにおいて、前記車両において前記対象者が座る座面の座圧分布のデータを、前記端末装置から取得する座圧分布取得手段と、前記座圧分布の大きさを算出する圧力分布算出手段と、前記座圧分布の大きさの変化に応じて、前記対象者の癲癇状態を判定する疾患状態判定手段と、を有することを特徴とする。

　請求項１５に記載の発明は、対象者が車両を運転しているときに測定された当該対象者の視線の位置を示す視線データを取得する視線データ取得手段と、前記視線データが示す視線の位置が前記車両の進行方向における前記対象者の視野の中心部から外れた時間に応じて、前記対象者の癲癇状態を判定する疾患状態判定手段と、を備えることを特徴とする。

　請求項１６に記載の発明は、視線データ取得手段が、対象者が車両を運転しているときに測定された当該対象者の視線の位置を示す視線データを取得する視線データ取得ステップと、疾患状態判定手段が、前記視線データが示す視線の位置が前記車両の進行方向における前記対象者の視野の中心部から外れた時間に応じて、前記対象者の癲癇状態を判定する疾患状態判定ステップと、を含むことを特徴とする。

　請求項１７に記載の発明は、コンピュータを、対象者が車両を運転しているときに測定された当該対象者の視線の位置を示す視線データを取得する視線データ取得手段、および、前記視線データが示す視線の位置が前記車両の進行方向における前記対象者の視野の中心部から外れた時間に応じて、前記対象者の癲癇状態を判定する疾患状態判定手段として機能させることを特徴とする。

　請求項１８に記載の発明は、車両を運転している対象者に関するデータを収集する端末装置と、前記対象者に関するデータに基づき前記対象者の癲癇状態を判定する疾患状態判定装置と、を備えた疾患状態判定システムにおいて、前記疾患状態判定装置が、前記対象者が車両を運転しているときに測定された当該対象者の視線の位置を示す視線データを、前記端末装置から取得する視線データ取得手段と、前記視線データが示す視線の位置が前記車両の進行方向における前記対象者の視野の中心部から外れた時間に応じて、前記対象者の癲癇状態を判定する疾患状態判定手段と、を有することを特徴とする。

　本発明によれば、対象者が車両を運転しているときに測定された対象者の視線の位置を示す視線データと、対象者の車両に対する運転特性を示す運転特性データとの関係性に応じて、対象者の癲癇等の疾患状態を判定することにより、特殊な機器で無くても、視線データおよび運転特性データのような測定しやすいデータから、癲癇の状態を判定することができる。

一実施形態に係る疾患状態判定システムの概要構成例を示す模式図である。車両を操縦する対象者の様子の一例を示す模式図である。図１の情報処理サーバ装置の概要構成の一例を示すブロック図である。図３の対象者情報データベースに記憶されているデータの一例を示す図である。図３の操作量データベースに記憶されているデータの一例を示す図である。図３の挙動量データベースに記憶されているデータの一例を示す図である。図３の対象者センシングデータベースに記憶されているデータの一例を示す図である。図３の疾患判定データベースに記憶されているデータの一例を示す図である。運転中の視線データおよび操舵角データの一例を示すグラフである。運転中の視線データおよび操舵角データの一例を示すグラフである。運転中の視線データおよび操舵角データの一例を示すグラフである。運転中の視線データおよび操舵トルクデータの一例を示すグラフである。運転中の視線データおよび操舵トルクデータの一例を示すグラフである。運転中の視線データおよび操舵トルクデータの一例を示すグラフである。運転中の視線データおよび横加速度データの一例を示すグラフである。運転中の視線データおよび横加速度データの一例を示すグラフである。運転中の視線データおよび横加速度データの一例を示すグラフである。視線移動と操舵角との乖離度および乖離後の経過時間の一例を示す図である。視線移動と操舵トルクとの乖離度および乖離後の経過時間の一例を示す図である。視線移動と横加速度との乖離度および乖離後の経過時間の一例を示す図である。操作関連データの一例を示すグラフである。操作関連データの一例を示すグラフである。挙動関連データの一例を示すグラフである。視点が連続して中心部外に位置した時間の一例を示すグラフである。視点が連続して中心部外に位置した時間の一例を示すグラフである。視点が連続して中心部外に位置した時間の一例を示すグラフである。視点が連続して中心部外に位置した時間の一例を示すグラフである。視点が連続して中心部外に位置した時間の一例を示すグラフである。視点が連続して中心部外に位置した時間の一例を示すグラフである。視点が連続して中心部外に位置した時間の一例を示すグラフである。視点が連続して中心部外に位置した時間の一例を示すグラフである。視点が連続して中心部外に位置した時間の一例を示すグラフである。視点が連続して中心部外に位置した時間の一例を示すグラフである。視点が連続して中心部外に位置した平均時間の一例を示すグラフである。視点が連続して中心部外に位置した平均時間の一例を示すグラフである。視点が連続して中心部外に位置した割合の一例を示すグラフである。視点が連続して中心部外に位置した割合の一例を示すグラフである。座圧分布のデータの一例を示す模式図である。座圧中心データおよび座圧分布の大きさの時系列の一例を示すグラフである。座圧中心データおよび座圧分布の大きさの時系列の一例を示すグラフである。図１の携帯端末装置の概要構成の一例を示すブロック図である。図１の車載端末装置の概要構成の一例を示すブロック図である。データ収集の動作例を示すフローチャートである。車両が走行した道路の一例を示す模式図である。疾患状態を判定する動作例を示すフローチャートである。車両が走行した道路の一例を示す模式図である。

　以下、図面を参照して本発明の実施形態について説明する。なお、以下に説明する実施の形態は、疾患状態判定システムに対して本発明を適用した場合の実施形態である。

［１．疾患状態判定システムの構成及び機能概要］
　まず、本実施形態に係る疾患状態判定システムＳの構成について、図１および図２を用いて説明する。図１は、本実施形態に係る疾患状態判定システムＳの概要構成の一例を示す図である。図２は、車両Ｖを操縦する対象者Ｔの様子の一例を示す模式図である。

　図１に示すように、疾患状態判定システムＳは、車両Ｖを運転する対象者Ｔ毎の各種データから対象者Ｔの癲癇等の疾患状態を判定する情報処理サーバ装置１０（疾患状態判定装置の一例）と、対象者Ｔが携帯し、対象者Ｔの生理データを情報処理サーバ装置１０に送信する携帯端末装置２０と、対象者Ｔが運転する車両Ｖの操作および挙動のデータを複数のセンサから収集する車載端末装置３０と、対象者Ｔが家庭Ｈにいるときの生理データ等を収集する家庭端末装置４０と、対象者Ｔが利用する医療機関の医療機関サーバ装置５０と、を備える。

　ここで、車両Ｖとして、乗用車、タクシー、ハイヤー、トラック、トレーラー（トラクタ単独も含む）、バス等の自動車、自動二輪車（側車付き自動二輪車、トライク、逆トライク）、自転車、電動カート、鉄道車両のような電車等が挙げられる。

　対象者Ｔとして、上記車両を運転する人間が挙げられる。

　情報処理サーバ装置１０、携帯端末装置２０、車載端末装置３０、家庭端末装置４０および、医療機関サーバ装置５０は、ネットワークＮを介して、例えば、通信プロトコルにＴＣＰ／ＩＰ等を用いて相互にデータの送受信が可能になっている。ネットワークＮは、例えば、インターネットにより構築されている。

　ネットワークＮには、交通渋滞や工事中等の道路状態の道路情報を提供する道路情報提供サーバ装置（図示せず）と、情報処理サーバ装置１０に気象データを提供する気象サーバ装置（図示せず）と、が接続している。

　なお、ネットワークＮは、専用通信回線、移動体通信網、および、ゲートウェイ等により構築されていてもよい。また、ネットワークＮは、アクセスポイントＡｐを有してもよい。携帯端末装置２０および車載端末装置３０等は、アクセスポイントＡｐを介して、ネットワークＮに接続できるようにしてもよい。

　情報処理サーバ装置１０は、コンピュータの機能を有する。情報処理サーバ装置１０は、各対象者Ｔが車両Ｖを運転しているときに測定された対象者Ｔの車両Ｖに対する運転特性を示す運転特性データを取得する。運転特性データの一例として、各対象者Ｔが車両Ｖを操作する操作量データ、および、各車両Ｖの挙動の挙動量データが挙げられる。情報処理サーバ装置１０は、例えば、車載端末装置３０から操作量データおよび挙動量データを取得する。

　また、情報処理サーバ装置１０は、各車両Ｖを操作する対象者Ｔに対するセンシングで得られるデータを、携帯端末装置２０または車載端末装置３０から取得する。例えば、このセンシングデータは、対象者Ｔが車両Ｖを運転しているときに測定された対象者Ｔの視線の位置を示す視線データ、各車両Ｖを操作する対象者Ｔが座る座面の座圧分布のデータ、車両Ｖを操作している対象者Ｔの腕の回旋の回旋データ等である。

　情報処理サーバ装置１０は、気象サーバ装置から気象データを取得する。情報処理サーバ装置１０は、道路情報提供サーバ装置から道路情報を取得する。

　携帯端末装置２０は、コンピュータの機能を有する。携帯端末装置２０は、例えば、スマートフォンまたはタブレット端末である。携帯端末装置２０は、対象者Ｔをセンシングする各センサからのデータを収集する。図２に示すように、車両Ｖ内において、対象者Ｔは、携帯端末装置２０をポケットに入れていたり、鞄に入れていたり等、車両Ｖ内のどこかに、携帯端末装置２０が存在している。

　車載端末装置３０は、コンピュータの機能を有する。車載端末装置３０は、例えば、車両Ｖのナビゲーション装置である。図２に示すように、車載端末装置３０は、対象者Ｔが運転する車両Ｖに設置されている。車両Ｖは、例えば、対象者Ｔ自身、家族、知人、または、会社が所有する、または、レンタルされた車両である。

　図２に示すように、車両Ｖのステアリングホイールｓｗ、アクセルペダル（図示せず）、および、ブレーキペダル（図示せず）によって、対象者Ｔは、車両Ｖを操作する。

　図２に示すように、対象者Ｔの両腕の回旋の回旋データを測定する場合、対象者Ｔは、両腕にリストバンド型の各ウェアラブル端末装置ｗ１を装着している。対象者Ｔの視線の位置を示す視線データを測定する場合、対象者Ｔは、眼鏡型のウェアラブル端末装置ｗ２を装着している。

　図２に示すように、車両Ｖを操作する対象者Ｔが座る座面の座圧分布を、シートセンサｓｓが測定する。シートセンサｓｓは、体圧分布を測定するために、圧力センサ素子が２次元に分布したシート状のセンサである。シートセンサｓｓは、シートの表面に接触したところの位置、圧力を測定する。なお、シートセンサｓｓは、座席の背もたれに設置されてもよい。

　携帯端末装置２０と車載端末装置３０とは、無線通信により通信が可能である。ウェアラブル端末装置ｗ１、ｗ２は、携帯端末装置２０および車載端末装置３０と、無線通信により通信が可能である。シートセンサｓｓは、外部との通信を可能にするインターフェースを有する。シートセンサｓｓは、携帯端末装置２０および車載端末装置３０と、無線通信により通信が可能である。シートセンサｓｓは、車載端末装置３０と有線で通信が可能であってもよい。

　家庭端末装置４０は、コンピュータの機能を有する。家庭端末装置４０は、対象者Ｔ等の家庭Ｈや職場等に設置されている。家庭端末装置４０は、例えば、パーソナルコンピュータである。携帯端末装置２０と家庭端末装置４０とは、無線通信により通信が可能である。

　医療機関サーバ装置５０は、コンピュータの機能を有する。医療機関サーバ装置５０は、例えば、病院等の医療機関、地域医療の中核のセンター等に設定されている。医療機関サーバ装置５０は、対象者Ｔに対する診察結果、検査オーダー、検査の結果、健康診断等の情報を記録した電子カルテ情報を有する。

　ここで、操作量は、対象者Ｔが、車両Ｖを運転する際に、何かしら操作する量である。車両の操作量として、車両Ｖのステアリングホイールの操舵角、車両Ｖのアクセルのアクセルストローク、ブレーキペダルの操作量等が挙げられる。操作量は、操舵角データの時間微分より算出される、車両Ｖのステアリングホイールの操舵角速度、操舵の角加速度に対応する操舵トルクでもよい。操作量は、対象者Ｔの操作性能が測定できるデータならばよい。

　また、挙動量は、車両Ｖの動きに関する量である。車両の挙動量として、車両Ｖのふらつき、前方の車両との車間距離、車両の速度、車両の加速度、車線内位置等が挙げられる。加速度には、車両Ｖの進行方向の加速度、進行方向に対して横方向の横加速度等が含まれる。挙動量は、対象者Ｔの運転による車両Ｖの挙動状態が測定できるデータならばよい。

　操作量および挙動量は、対象者Ｔの車両Ｖに対する運転特性を示す量である。

　また、車両Ｖを操作する対象者Ｔに対するセンシングで得られるデータの一例として、対象者Ｔが車両Ｖを運転しているときに測定された対象者Ｔの視線の位置を示す視線データ、車両Ｖを操作する対象者Ｔが座る座面の座圧分布のデータ、車両Ｖを操作している対象者Ｔの腕の回旋の回旋データ等が挙げられる。

　次に、疾患状態の一例として、所定の疾患に対して、その疾患の状態が運転ができる軽度なのか、運転ができないほどの重度なのか等の疾患の程度が挙げられる。疾患状態の一例として、癲癇、脳卒中、てんかん発作のような疾患の種別が挙げられる。また、疾患の程度として、癲癇の場合、部分発作か、全体発作かでもよい。脳卒中の場合、片側麻痺か両側麻痺か、右側麻痺か左側麻痺かでもよい。

　疾患の種別として、脳卒中、癲癇発作、心筋梗塞、高血圧、不整脈等の循環器疾患、睡眠時無呼吸症候群、認知症、糖尿病による意識レベル低下等が挙げられる。

　また、疾患の種別に、症状の種別を含めてもよい。症状として、麻痺の程度、動悸、息切れ、便秘、発熱、悪寒、下痢、しびれ、痛み等が挙げられる。疾患の種別に、疾患の程度を含めてもよい。例えば、疾患が脳卒中である場合、脳卒中であるが麻痺が無い、麻痺が軽度、麻痺があるというレベルが挙げられる。また、疾患の程度は、疾患ＩＤとは別のレベルＩＤでもよい。例えば、てんかん発作の場合、部分発作、全般発作の違いが挙げられる。

　また、疾患状態の一例として、所定の疾患に対して、病気の予兆、疾患の発症リスク、症状の発症リスクが挙げられる。疾患状態の一例として、病気の予兆の程度、発症リスクの値でもよい。

　症状の前兆の判定に関して、単独指標、または、複数指標の組み合せで判定してもよい。例えば、動悸は心拍数のみで判定し、息切れは一義的には呼吸数（胸郭の動きなどで計測）で判定し、さらに血圧を加えて”息切れによる影響”まで判定してもよい。

　また、疾患の種別に、臓器または器官の種別、生体機能の種別を含めてもよい。疾患状態の一例として、各臓器または器官の状態のレベル、各生体機能（例えば、消化機能、循環機能、神経系の機能、代謝機能、認知機能等）の状態のレベルでもよい。これらのレベルは、対象者Ｔの年齢、体重等を考慮して、血液検査等の特定の数値の値に対応したレベルでもよい。

　疾患状態の一例として、所定の疾患の発生確率（発症リスク）でもよい。確率の値の代わりに、所定の疾患が、”病気Ａが発症しにくい”、”病気Ａがやや発症しやすい”、” 病気Ａが発症しやすい”、”病気Ａが顕在化した”等でもよい。

　疾患状態の一例として、複数の疾患でもよく、例えば、”病気Ａおよび病気Ｂが発症しやすい”等でもよい。疾患の種別は、複数の疾患の組み合わせでもよい。

　疾患状態の一例として、”病気Ａの発症リスクが第１閾値を超えた”、”病気Ｂの発症リスクが第１閾値を超えた”、・・・、”病気Ａの発症リスクが第ｎ閾値を超えた”、”病気Ｂの発症リスクが第ｎ閾値を超えた”でもよい。

　疾患状態の一例として、体調のレベルでもよい。例えば、体調に関して、”健康”、”体調不良”、また、体調に関して、”良好、やや良好、やや異常、異常”等のレベル分けでもよい。体調のレベルを示す場合、病名等は特定していなくてもよい。リスクおよびレベルは、定量的に評価の一例である。これらの場合、疾患の種別の特定は難しいが、予備状態ということでもよい。

　生理状態のレベルとして、各病気に対して、閾値を超えた数や、閾値を超えた病気の組み合せに基づいてもよい。

　また、生理状態のレベルとして、所定の生理データ（または、各対象者Ｔが車両Ｖを運転中の対象者Ｔの運転特性データ）の値が、”第１閾値を超えた”、・・・”第ｎ閾値を超えた”でもよい。生理状態のレベルは、複数のデータの組み合せに基づいてもよい。

　また、個別の生理状態毎に捉えるだけでなく、ベクトル空間（特徴ベクトルの特徴空間）において各生理状態を同時並行的に扱ってもよい。各生理状態の指標をｎ次元ベクトル空間で捉え、ベクトル空間における位置関係で、生理状態のレベルのように扱ってもよい。

［２．情報処理サーバ装置および各端末装置の構成および機能］
（２．１　情報処理サーバ装置１０の構成および機能）
　次に、情報処理サーバ装置１０の構成および機能について、図３から図２１を用いて説明する。

　図３は、情報処理サーバ装置１０の概要構成の一例を示すブロック図である。図４は、対象者情報データベースに記憶されているデータの一例を示す図である。図５は、操作量データベースに記憶されているデータの一例を示す図である。図６は、挙動量データベースに記憶されているデータの一例を示す図である。図７は、対象者センシングデータベースに記憶されているデータの一例を示す図である。図８は、疾患判定データベースに記憶されているデータの一例を示す図である。

　図９Ａから図１１Ｃは、運転中の視線データおよび運転特性データの一例を示すグラフである。図１２Ａから図１２Ｃは、視線移動と運転特性との乖離度および乖離後の経過時間の一例を示す図である。図１３Ａから図１３Ｃは、運転特性データタの一例を示すグラフである。図１４Ａから図１６Ｂは、視点が連続して中心部外に位置した時間の一例を示すグラフである。図１７Ａおよび図１７Ｂは、視点が連続して中心部外に位置した平均時間の一例を示すグラフである。図１８Ａおよび図１８Ｂは、視点が連続して中心部外に位置した割合の一例を示すグラフである。図１９は、座圧分布のデータの一例を示す模式図である。図２０および図２１は、座圧中心データおよび座圧分布の大きさの時系列の一例を示す模式図である。

　図３に示すように、情報処理サーバ装置１０は、通信部１１と、記憶部１２と、出力部１３と、入力部１４と、入出力インターフェース部１５と、制御部１６と、を備えている。そして、制御部１６と入出力インターフェース部１５とは、システムバス１７を介して電気的に接続されている。また、情報処理サーバ装置１０は、時計機能を有する。

　通信部１１は、ネットワークＮに電気的または電磁気的に接続して、携帯端末装置２０等との通信状態を制御するようになっている。

　記憶部１２は、例えば、ハードディスクドライブ、ソリッドステートドライブ等により構成されている。記憶部１２は、各車両Ｖに関するデータや各対象者Ｔをセンシングしたデータ等を記憶する。また、記憶部１２は、オペレーティングシステムおよびサーバプログラム等の各種プログラムや各種ファイル等を記憶する。なお、各種プログラム等は、例えば、他のサーバ装置等からネットワークＮを介して取得されるようにしてもよいし、記録媒体に記録されてドライブ装置を介して読み込まれるようにしてもよい。

　また、記憶部１２には、対象者情報データベース１２ａ（以下「対象者情報ＤＢ１２ａ」とする。）、操作量データベース１２ｂ（以下「操作量ＤＢ１２ｂ」とする。）、挙動量データベース１２ｃ（以下「挙動量ＤＢ１２ｃ」とする。）、運転環境情報データベース１２ｄ（以下「運転環境情報ＤＢ１２ｄ」とする。）、対象者センシングデータベース１２ｅ（以下「対象者センシングＤＢ１２ｅ」とする。）、疾患判定データベース１２ｆ（以下「疾患判定ＤＢ１２ｆ」とする。）等が構築されている。

　対象者情報ＤＢ１２ａは、各対象者Ｔに関する情報等を記憶する。例えば、図４に示すように、対象者情報ＤＢ１２ａは、各対象者Ｔを特定するための対象者ＩＤに関連付けて、対象者Ｔの氏名、性別、生年月日、対象者Ｔが利用する車両ＩＤ等を記憶する。

　操作量ＤＢ１２ｂは、各車両Ｖの対象者Ｔが車両Ｖを操作した様々な操作量データを記憶している。例えば、図５に示すように、操作量ＤＢ１２ｂは、対象者ＩＤと各操作量を特定するための操作量ＩＤとに関連付けて、対象者Ｔが車両Ｖを運転している時の各種の操作量を測定した測定時刻、車両Ｖの位置情報、操作量データ等を記憶する。操作量ＩＤは、車両Ｖのステアリングホイールｓｗの操舵角、車両Ｖのアクセルのアクセルストローク、ブレーキストロークの操作量等の各操作量に対応して、ＩＤが割り当てられる。対象者ＩＤの代わりに、各車両Ｖを特定する車両ＩＤでもよい。車両Ｖの位置情報は、緯度経度情報、または、リンク情報である。

　ここで、アクセルストロークは、アクセルペダルの移動量である。アクセルペダルの操作量として、急アクセルの回数および頻度（所定値以上の加速度の回数および頻度）でもよい。

　ブレーキストロークは、ブレーキペダルの移動量である。ブレーキペダルの操作量として、急ブレーキの回数および頻度（所定値以上の減速度の回数および頻度）、ブレーキが必要になった場合から、ブレーキが踏み込まれるまでの時間、アクセルペダルからブレーキペダルが踏み込まれるまでの時間等でもよい。

　挙動量ＤＢ１２ｃは、対象者Ｔが運転する各車両Ｖの挙動を示す挙動量データを記憶している。例えば、図６に示すように、挙動量ＤＢ１２ｃは、対象者ＩＤと各挙動量を特定するための挙動量ＩＤに関連付けて、対象者Ｔが運転している車両Ｖの挙動量データを測定した測定時刻、車両Ｖの位置情報、挙動量データ等を記憶する。車両Ｖのふらつき、前方の車両との車間距離、車両Ｖの横加速度、車両の速度、車両の進行方向の加速度等の各挙動量に対応して、ＩＤが割り当てられる。対象者ＩＤの代わりに、各車両Ｖを特定する車両ＩＤでもよい。

　運転環境情報ＤＢ１２ｄには、地図情報と、高速道路か一般道路か、道路の曲線の度合い等の道路の属性または種類と、交通渋滞や工事中等の道路状態の道路情報とのような運転環境情報が記憶されている。

　地図情報には、リンク情報を含めてもよい。ここで、リンクとは、道路の交差点、道路の構造変化点等のノード同士を結んだ道路の線分である。

　また、道路の曲線の度合いの一例として、道路のカーブの曲率、道路のある区間における平均的な曲率、所定値以上の曲率の道路の割合や数等が挙げられる。また、道路の曲線の度合いの一例として、単にカーブが多い道路かカーブが少ない道路でもよい。道路の曲線の度合いの一例として、道路の曲がり具合のパターンでもよい。また、道路の曲線の度合いの一例として、東京の首都高速道路のように道路の曲線の度合い高い道路と、直線の区間が比較的多い道路とのような道路の区別でもよい。道路の曲線の度合いの一例として、一般道、高速道路、東京の首都高速道路、山岳道路のような道路の種類の区分でもよい。また、カーブが比較的少ない標準的な高速道路と、東京の首都高速道路のようにカーブが比較的多い高速道路のような区別でもよい。また、東京の首都高速道路のように分岐が頻繁な高速道路と、そうでない高速道路という道路の区別でもよい。また、曲率が所定の範囲内の道路部分を集めたものを、道路の区分としてもよい。

　運転環境情報ＤＢ１２ｄには、道路の区分を示す道路区分ＩＤに関連付けて、道路の曲線の度合い、道路の種類等が記憶されている。

　運転環境情報の一例として、上記の他に、一時停止の場所、一方通行の道路、２車線の道路、中央分離帯がある道路等の道路情報が挙げられる。また、運転環境情報の一例として、道路幅の狭いか広いか、いつも利用する道路か初めて利用する道路か、歩行者が多いか少ないか、（渋滞とまでは言えなくとも）車両交通量の多いか少ないか等が挙げられる。また、運転環境情報の一例として、時間帯によって太陽光がまぶしい道路という情報、ドライバーが緊張しやすい道路、心拍数が上がりやすい道路、運転時間の長さ、場所毎の事故の発生確率等が挙げられる。渋滞情報は、渋滞していたか否か、ラッシュアワーなどの時間帯、道路工事や事故などのインフラ情報でもよい。なお、情報処理サーバ装置１０は、通最新の道路情報を、道路情報提供サーバ装置から取得する。また、情報処理サーバ装置１０は、過去の渋滞情報を記憶しておいてもよい。

　次に、対象者センシングＤＢ１２ｅには、各車両Ｖを運転している各対象者Ｔを、様々なセンサによりセンシングしたデータを記憶している。例えば、図７に示すように、対象者センシングＤＢ１２ｅは、対象者ＩＤと各センサを特定するためのセンサＩＤとに関連付けて、各センサにより対象者Ｔを測定した測定時刻、車両Ｖの位置情報、センシングデータ等を記憶する。

　車両Ｖを操作する対象者Ｔに対するセンシングで得られるデータの一例として、対象者Ｔが車両Ｖを運転しているときに測定された対象者Ｔの視線の位置を示す視線データ、車両Ｖを操作する対象者Ｔが座る座面の座圧分布のデータ、車両Ｖを操作している対象者Ｔの腕の回旋の回旋データ等が挙げられる。

　ここで、対象者センシングデータは、センサ等により測定できる対象者Ｔの生物学的、化学的、物理的なデータならばよい。

　例えば、対象者センシングデータの一例として、対象者Ｔの体温、体温分布が挙げられる。対象者センシングデータの一例として、血圧値、心拍数、脈波、脈波伝搬速度、心電図、不整脈の状態、血流量、血糖値等の血液の成分のような、血液および循環器関係のデータが挙げられる。血液の成分として、赤血球数、白血球数、血小板数、ｐＨ値、電解質の種類、電解質の量、ホルモンの種類、ホルモンの量、尿酸値、各種マーカー等が挙げられる。

　また、対象者センシングデータの一例として、発汗量、発汗の分布、皮膚の抵抗値、体臭の成分、唾液量のような消化液の量、唾液の成分のような消化液の成分が挙げられる。対象者センシングデータの一例として、脳波、脳の血流量分布等の脳に関するデータが挙げられる。対象者センシングデータの一例として、呼吸数、呼吸量、呼気の成分等の呼吸に関するデータが挙げられる。

　対象者センシングデータの一例として、瞬き数、涙の量、眼球運動（眼球の位置、瞳孔の直径等）等の目に関するデータが挙げられる。対象者センシングデータの一例として、体の各部位の筋電のデータが挙げられる。対象者センシングデータの一例として、顔色、顔の表情等のデータが挙げられる。

　対象者センシングデータの一例として、就寝時間、起床時間、睡眠時間、睡眠パターン、鼾の有無、鼾の強弱、鼾の回数、鼾の時間、呼吸の状態、寝返り数、睡眠時の姿勢、眠り深さ等睡眠の質等の睡眠に関するデータが挙げられる。睡眠の質は、例えば、脳波、眼球運動、呼吸、睡眠時の姿勢等から判定してもよい。

　対象者センシングデータの一例として、体重、身長等が挙げられる。また、対象者センシングデータの一例として、痛み、しびれ等の症状を数値化したデータでもよい。

　また、測定時刻の一例として、対象者センシングデータの一値を得るために、測定を開始した時刻、測定を終えた時刻、または、これらの中間の時刻が挙げられる。測定時刻は、ある値の測定と対応付けられる時刻ならばよい。例えば、１分間毎に、心拍数を算出する場合、この１分間のいずれの時刻でもよい。また、心電図のＲ波間の時間の長さから心拍数を算出する場合、Ｒ波のピークの時刻、Ｑ波またはＳ波の時刻、Ｐ波のピーク時刻等が挙げられる。Ｒ波間の時間の代わりに、Ｐ波間、Ｑ波間、Ｓ波間、Ｔ波間等でもよい。また、心電図に限らず、脈波のグラフでも同様に、共通の特徴点が現れる時刻や中間の値でもよい。また、コロトコフ音で血圧を測定する場合、測定時刻は、最高血圧と最低血圧を算出する際の測定期間内のいずれの時刻でもよい。

　上記これらの対象者センシングデータは、対象者Ｔの生理データとも言える。なお、座圧分布のデータは、生理データに含めてもよいし、含めなくてもよい。

　次に、疾患判定ＤＢ１２ｆには、所定の疾患の判定に必要なデータを記憶している。例えば、図８に示すように、疾患判定ＤＢ１２ｆは、疾患の種別を示す疾患ＩＤと、その疾患のレベルとに関連付けて、所定の疾患の判定に必要なデータを記憶している。

　所定の疾患の判定に必要なデータは、例えば、同じ疾患ＩＤおよび疾患のレベルである複数の対象者のデータから統計的に計算された、操作値、挙動値、対象者センシングデータと運転特性データとの関係性の値、視線の位置が車両Ｖの進行方向における対象者Ｔの視野の中心部から外れた時間、および、座圧分布の大きさの値等である。

　所定の疾患の判定に必要なデータは、例えば、操作値等や、これらの値に対する閾値も含む。所定の疾患の判定に必要なデータは、例えば、周波数分析した際の周波数の範囲、所定の周波数を含む。所定の疾患の判定に必要なデータは、例えば、これらの値の統計値でもよい。

　操作量データ、挙動量データ、対象者センシングデータ等に基づき、スペクトル分析、時系列分析等の処理が行われ、複数のデータに対して、統計量が算出される。統計量として、平均値（算術平均、幾何平均、調和平均、中央値、最頻値、最大値、最小値等）、分散、標準偏差、スキューネス、フラットネス等の代表値が挙げられる。なお、対象者個人に対して、複数の測定を行って、統計量が算出されてもよい。道路の区分により分別された操作量データ、挙動量データ、または、対象者センシングデータ対して、関係性の値、操作値、挙動値、視線の位置が車両Ｖの進行方向における対象者Ｔの視野の中心部から外れた時間、および、座圧分布の大きさの値が道路の区分毎に算出されてよい。

　ここで、操作値は、操作量データから算出される、所定の周波数範囲の成分における操作関連データであって、操作関連データから算出される値である。挙動値は挙動データから算出される値である。

　操作関連データは、操作量データから算出される操作量データに関連するデータである。例えば、操作関連データの一例として、操作量データを離散フーリエ変換したデータ、パワースペクトル密度、操作量データを時間微分した時間微分データ、操作量データを時間積分した時間積分データ等が挙げられる。所定の周波数範囲の成分における操作関連データの一例として、スペクトル、または、パワースペクトルから、所定の周波数範囲の周波数成分を抽出したデータ等が挙げられる。所定の周波数範囲は、１つの周波数でもよいし、データのサンプリングにより定まる範囲内の全周波数でもよい。所定の周波数範囲の成分における操作関連データは、生の操作量データに、ローパスフィルタ、ハイパスフィルタ、バンドバスフィルタ等のフィルタを掛けたデータでもよい。例えば、生の操作量データに対して、ノイズをカットしたデータ、所定の周波数成分を強調したデータ等が挙げられる。所定の周波数範囲の成分における操作関連データは、操作量データをフーリエ変換したデータでも、パワースペクトル自体でもよい。なお、挙動関連データは、挙動量データから算出される挙動量データに関連するデータである。また、対象者センシング関連データは、対象者センシングデータから算出される対象者センシングデータに関連するデータである。上記の操作関連データに関することは、挙動関連データおよび対象者センシング関連データに対しても同様である。

　対象者センシングデータと運転特性データとの関係性の値は、例えば、視線データと操作量データとの乖離度、視線データと挙動量との乖離度、関係性の値は、対象者センシングデータと運転特性データとの相関係数でもよい。

　視線の位置が車両Ｖの進行方向における対象者Ｔの視野の中心部から外れた時間は、視点が連続（例えば、５０ｍｓ、１００ｍｓ以上）して中心部外に位置した持続時間、その平均時間等である。

　座圧分布の大きさ値は、座圧が所定の値以上の座圧面積、割合等である。

　疾患判定ＤＢ１２ｆのデータは、対象者Ｔがドライビングシミュレータで運転した場合のデータや、実際の道路を走行した場合のデータでもよい。なお、例えば、標準的な高速道路のドライビングシミュレータのコースは、コース全長が15.2ｋｍ、曲率半径の平均が1640ｍ、高低差が０.０ｍのコースである。東京の首都高速道のドライビングシミュレータのコースは、コース全長が13.2ｋｍ、曲率半径の平均が257ｍ、高低差が17.5ｍのコースである。

　ここで、疾患種別が癲癇で、健常者と、癲癇を有する患者と、に対して、操作量データ、挙動量データ、および、対象者センシングを、測定した場合である図９から図２２を用いて、疾患判定ＤＢ１２ｆのデータを説明する。

　なお、道路の区分が東京の首都高速道路等である所定コースをドライブシミュレータで走行した場合の測定例を、図９Ａから図２１に示す。

　図９Ａ～図９Ｃは、道路の区分が東京の首都高速道路である所定コースを、ドライブシミュレータで走行した場合における視線データおよび操舵角データの一例を示すグラフである。図９Ａは、健常の対象者のデータを示している。図９Ｂは、癲癇の疾患を有する対象者で、非発作時のデータを示している。図９Ｃは、癲癇の疾患を有する対象者で、発作時が生じた際のデータを示している。

　視線データは、図中、実線で示されている。操舵角データは、図中、破線で示されている。横軸が時間である。視線データの場合、縦軸（視線のＸ座標：X-AXIS OF GAZE POINT）が、車両Ｖの進行方向に対して横方向の視線の位置の値であり、図中縦軸の上方向が視線の右方向で、図中縦軸の下方向が視線の左方向を示している。操舵角データの場合、縦軸（操舵角：STEERING WHEEL ANGLE）が、操舵角の角度で、図中縦軸の上方向が時計回りでプラス、図中縦軸の下方向が反時計回りでマイナスを示している。

　図９Ａおよび図９Ｂに示すように、測定結果より、健常者、癲癇の疾患を有する対象者の両者とも、時間に対する視線の位置および操舵角が、同じような動きをすることが分かった。比較的ゆっくりとした（視線データの高周波成分を取り除いた）横方向の視線の動きが、操舵角の動きとほぼ一致している。横方向の視線を示す視線データと操舵角データとの相関性が高いことが分かった。なお、スパイク状の視線の動きは、リアビューミラーの確認等による一時的な視線の移動である。

　しかし、図９Ｃに示すように、時間ｔ０で発作が始まると、発作発生区間（SEIZURE PERIOD）において、操舵角の変化が弱くなり、視線が、視野の中心部から、急激に大きく外れることが観察された。なお、発作は、脳波を測定することで同定した。

　視線データと操舵角データとの関係性等の癲癇の判定に必要なデータが、基準の値として、視線データと操舵角データとの関係性を示す指標の指標ＩＤと、視線データに対応するセンサＩＤと、操舵角の操作量ＩＤと、道路の区分を示す道路区分ＩＤと、癲癇を示す疾患ＩＤとに関連付けて疾患判定ＤＢ１２ｆに記憶される。なお、視線データと操舵角データとの関係性の閾値は、非発作時や発作時の平均的な値から設定され、疾患判定ＤＢ１２ｆに記憶されてもよい。

　図１０Ａ～図１０Ｃは、道路の区分が東京の首都高速道路である所定コースを、ドライブシミュレータで走行した場合における視線データおよび操舵トルクデータの一例を示すグラフである。図１０Ａは、健常の対象者のデータを示している。図１０Ｂは、癲癇の疾患を有する対象者で、非発作時のデータを示している。図１０Ｃは、癲癇の疾患を有する対象者で、発作時が生じた際のデータを示している。

　視線データは、図９と同様に、図中、実線で示されている。操舵トルクデータは、図中、破線で示されている。横軸が時間である。操舵トルクデータの場合、縦軸（操舵トルク：STEERING WHEEL TORQUE）が、操舵トルクの値で、図中縦軸の上方向が時計回りでプラス、図中縦軸の下方向が反時計回りでマイナスを示している。

　図１０Ａおよび図１０Ｂに示すように、測定結果より、健常者、癲癇の疾患を有する対象者の両者とも、時間に対する視線の位置および操舵トルクが、同じような動きをすることが分かった。比較的ゆっくりとした（視線データの高周波成分を取り除いた）横方向の視線の動きが、操舵トルクの動きとほぼ一致している。横方向の視線を示す視線データと操舵トルクデータとの相関性が高いことが分かった。

　しかし、図１０Ｃに示すように、時間ｔ０で発作が始まると、発作発生区間において、操舵トルクの変化が弱くなり、視線が、視野の中心部から、急激に大きく外れることが観察された。

　視線データと操舵トルクデータとの関係性等の癲癇の判定に必要なデータが、基準の値として、視線データと操舵トルクデータとの関係性を示す指標の指標ＩＤと、視線データに対応するセンサＩＤと、操舵トルクの操作量ＩＤと、道路の区分を示す道路区分ＩＤと、癲癇を示す疾患ＩＤとに関連付けて疾患判定ＤＢ１２ｆに記憶される。なお、視線データと操舵トルクデータとの関係性の閾値は、非発作時や発作時の平均的な値から設定され、疾患判定ＤＢ１２ｆに記憶されてもよい。

　図１１Ａ～図１１Ｃは、道路の区分が東京の首都高速道路である所定コースを、ドライブシミュレータで走行した場合における視線データおよび車両横加速度データの一例を示すグラフである。図１１Ａは、健常の対象者のデータを示している。図１１Ｂは、癲癇の疾患を有する対象者で、非発作時のデータを示している。図１１Ｃは、癲癇の疾患を有する対象者で、発作時が生じた際のデータを示している。

　視線データは、図９と同様に、図中、実線で示されている。車両横加速度データは、図中、破線で示されている。横軸が時間である。車両横加速度データの場合、縦軸（車両横加速度：VEHICLE LATERAL ACCELERATION）が、車両Ｖの横方向の加速度で、図中縦軸の上方向が車両Ｖの進行方向に対して右方向で、図中縦軸の下方向が車両Ｖの進行方向に対して左方向を示している。

　図１１Ａおよび図１１Ｂに示すように、測定結果より、健常者、癲癇の疾患を有する対象者の両者とも、時間に対する視線の位置および車両横加速度が、同じような動きをすることが分かった。比較的ゆっくりとした（視線データの高周波成分を取り除いた）横方向の視線の動きが、車両横加速度の動きとほぼ一致している。横方向の視線を示す視線データと車両横加速度データとの相関性が高いことが分かった。

　しかし、図１１Ｃに示すように、時間ｔ０で発作が始まると、発作発生区間において、車両横加速度がほぼゼロになり、視線が、視野の中心部から、急激に大きく外れることが観察された。

　視線データと車両横加速度データとの関係性等の癲癇の判定に必要なデータが、基準の値として、視線データと車両横加速度のデータとの関係性を示す指標の指標ＩＤと、視線データに対応するセンサＩＤと、車両横加速度の挙動量ＩＤと、道路の区分を示す道路区分ＩＤと、癲癇を示す疾患ＩＤとに関連付けて疾患判定ＤＢ１２ｆに記憶される。なお、視線データと車両横加速度データとの関係性の閾値は、非発作時や発作時の平均的な値から設定され、疾患判定ＤＢ１２ｆに記憶されてもよい。

　次に、図１２Ａに示すように、視線と操舵角との関係性を指標化した乖離度（関係性の値の一例）に対して、乖離度が所定の値を超えてからの経過時間のグラフに関して、健常者の場合と、癲癇の疾患を有する対象者の発作開始前の場合と、発作発生時の場合とで比較した。

　ここで、縦軸は、経過時間（ELAPSED TIME）である。横軸は、乖離度（DEGREE OF DISSOCIATION）である。視線と操舵角との乖離度は、例えば、視線の位置および操舵角とも最大値が100になるよう変換した後、0.5秒ごとに算出した両値の差分値である。経過時間は、例えば、乖離度がＤ０ｔｈを超えてから経過した時間である。図中、白丸が、発作開始前（非発作時）の乖離度、黒丸が、発作発生時の乖離度、バツ印が、健常者の場合の乖離度を示している。

　図１２Ａに示すように、非発作時も経過時間の値が短い時間であれば、乖離度が高いこともある。しかし、乖離度と乖離してからの経過時間との両者をみると、発作時の特徴を捉えることができ、非発作時と発作時とが明確に峻別できることが分かった。図１２Ａに示すように、例えば、乖離度の閾値Ｄｔｈ以上で経過時間の閾値Ｔｔｈ以上で、発作時と非発作時とが峻別できる。

　視線データと操舵角データとの乖離度と、この乖離度の経過時間等の癲癇の判定に必要なデータが、基準の値として、視線データと操舵角データとの乖離度とその経過時間とを示す指標の指標ＩＤと、視線データに対応するセンサＩＤと、操舵角の操作量ＩＤと、道路の区分を示す道路区分ＩＤと、癲癇を示す疾患ＩＤとに関連付けて疾患判定ＤＢ１２ｆに記憶される。なお、視線データと操舵角データとの乖離度の閾値と、この乖離度の経過時間の閾値とは、非発作時や発作時の平均的な値から設定され、疾患判定ＤＢ１２ｆに記憶されてもよい。

　次に、図１２Ｂに示すように、視線と操舵トルクとの関係性を指標化した乖離度に対して、乖離度が所定の値を超えてからの経過時間のグラフに関して、健常者の場合と、癲癇の疾患を有する対象者の発作開始前の場合と、発作発生時の場合とで比較した。

　ここで、視線と操舵トルクとの乖離度は、例えば、視線の位置および操舵トルクとも最大値が100になるよう変換した後、0.5秒ごとに算出した両値の差分値である。経過時間は、例えば、乖離度がＤ０ｔｈを超えてから経過した時間である。

　図１２Ｂに示すように、操舵角の場合と同様に、非発作時も経過時間の値が短い時間であれば、乖離度が高いこともある。しかし、乖離度と乖離してからの経過時間との両者をみると、発作時の特徴を捉えることができ、非発作時と発作時とが明確に峻別できることが分かった。図１２Ｂに示すように、例えば、乖離度の閾値Ｄｔｈ以上で経過時間の閾値Ｔｔｈ以上で、発作時と非発作時とが峻別できる。

　視線データと操舵トルクデータとの乖離度と、この乖離度の経過時間等の癲癇の判定に必要なデータが、基準の値として、視線データと操舵トルクデータとの乖離度とその経過時間とを示す指標の指標ＩＤと、視線データに対応するセンサＩＤと、操舵トルクの操作量ＩＤと、道路の区分を示す道路区分ＩＤと、癲癇を示す疾患ＩＤとに関連付けて疾患判定ＤＢ１２ｆに記憶される。なお、視線データと操舵トルクデータとの乖離度の閾値と、この乖離度の経過時間の閾値とは、非発作時や発作時の平均的な値から設定され、疾患判定ＤＢ１２ｆに記憶されてもよい。

　次に、図１２Ｃに示すように、視線と車両横加速度との関係性を指標化した乖離度に対して、乖離度が所定の値を超えてからの経過時間のグラフに関して、健常者の場合と、癲癇の疾患を有する対象者の発作開始前の場合と、発作発生時の場合とで比較した。

　ここで、視線と車両横加速度との乖離度は、例えば、視線の位置および操舵トルクとも最大値が100になるよう変換した後、0.5秒ごとに算出した両値の差分値である。経過時間は、例えば、乖離度がＤ０ｔｈを超えてから経過した時間である。

　図１２Ｃに示すように、操舵角および操舵トルクの場合と同様に、非発作時も経過時間の値が短い時間であれば、乖離度が高いこともある。しかし、乖離度と乖離してからの経過時間との両者をみると、発作時の特徴を捉えることができ、非発作時と発作時とが明確に峻別できることが分かった。図１２Ｃに示すように、例えば、乖離度の閾値Ｄｔｈ以上で経過時間の閾値Ｔｔｈ以上で、発作時と非発作時とが峻別できる。

　視線データと車両横加速度データとの乖離度と、この乖離度の経過時間等の癲癇の判定に必要なデータが、基準の値として、視線データと車両横加速度データとの乖離度とその経過時間とを示す指標の指標ＩＤと、視線データに対応するセンサＩＤと、車両横加速度の挙動量ＩＤと、道路の区分を示す道路区分ＩＤと、癲癇を示す疾患ＩＤとに関連付けて疾患判定ＤＢ１２ｆに記憶される。なお、視線データと車両横加速度データとの乖離度の閾値と、この乖離度の経過時間の閾値とは、非発作時や発作時の平均的な値から設定され、疾患判定ＤＢ１２ｆに記憶されてもよい。

　以上のように、対象者Ｔの運転特性と視線との乖離度に関して、所定の乖離度以上で所定の経過時間以上で、発作時と非発作時とが峻別できるといえる。

　図１３Ａから図１３Ｃは、運転特性データを周波数分析した運転特性関連データの一例を示すグラフである。横軸が周波数、縦軸がパワースペクトル密度（ＰＳＤ）で対数スケールである。ここで、図中、記号（ａ）が車両の発進から対象者の発作開始前のデータ、記号（ｂ）が発作が発生した区間のデータ、記号（ｃ）が同一対象者の非発作時のデータ、記号（ｄ）が健常者のデータを示している。

　図１３Ａは、操舵角データをフーリエ変換した操作関連データの一例を示すグラフである。図１３Ａに示すように、癲癇の疾患を有する対象者、健常の対象者ともに、非発作の時のパワースペクトル密度はほぼ一致した（記号（ａ）、（ｃ）、（ｄ））。しかし、記号（ｂ）に示すように、発作時は、周波数の全域でパワースペクトル密度が低下した。

　図１３Ｂは、操舵トルクデータをフーリエ変換した操作関連データの一例を示すグラフである。図１３Ｂに示すように、癲癇の疾患を有する対象者、健常の対象者ともに、非発作の時のパワースペクトル密度はほぼ一致した（記号（ａ）、（ｃ）、（ｄ））。しかし、記号（ｂ）に示すように、発作時は、周波数の全域でパワースペクトル密度が低下した。

　図１３Ｃは、車両横加速度データをフーリエ変換した挙動関連データの一例を示すグラフである。図１３Ｃに示すように、癲癇の疾患を有する対象者、健常の対象者ともに、非発作の時のパワースペクトル密度はほぼ一致した（記号（ａ）、（ｃ）、（ｄ））。しかし、記号（ｂ）に示すように、発作時は、周波数の全域でパワースペクトル密度が低下した。

　従って、例えば、図１３Ａに示すように、周波数ｆ０に対するパワースペクトル密度ｐ０（操作値の一例）、周波数ｆ１に対するパワースペクトル密度ｐ１等が、判定の閾値として設定されてもよい。また、図１３Ｂに示すように、周波数ｆ２に対するパワースペクトル密度ｐ２（操作値の一例）等が判定の閾値として設定されてもよい。図１３Ｃに示すように、周波数ｆ３に対するパワースペクトル密度ｐ３（挙動値の一例）等が判定の閾値として設定されてもよい。

　また、特定の周波数の代わりに、予め周波数範囲が設定されてもよい。また、パワースペクトル密度同士の差分でもよい。非発作時や、健常者の場合を基準にして、特定の周波数範囲におけるパワースペクトル密度の差分の積分値の平方根でもよい。疾患状態を峻別できればよいので、平方根を計算せず、パワースペクトル密度の積分値または合計でもよい。

　これらの操作値または挙動値、周波数値または周波数範囲等の癲癇の判定に必要なデータが、基準の操作値または挙動値として、操作量ＩＤまたは挙動量ＩＤと、道路の区分を示す道路区分ＩＤと、癲癇を示す疾患ＩＤとに関連付けて疾患判定ＤＢ１２ｆに記憶される。なお、特定の周波数に対して特定のパワースペクトル密度の閾値は、非発作時や発作時の平均的な値から設定され、疾患判定ＤＢ１２ｆに記憶されてもよい。

　次に、図１４Ａから図１８Ｂは、視点が連続して視野の中心部外に位置した時間の一例を示すグラフである。ここで、視野は、例えば、車両Ｖの進行方向における対象者Ｔの視野である。対象者Ｔが車両Ｖの座席に座った際、視野の中心部は、車両Ｖの前方を中心とした中心部の範囲を示している。

　図１４Ａから図１４Ｄは、中心部の範囲を狭く設定した場合である。図１５Ａから図１５Ｄは、中心部の範囲を広く設定した場合である。なお、図１４Ａから図１５Ｄにおいて、縦軸（持続時間：DURATION）が、視点が連続（例えば、５０ｍｓ、１００ｍｓ以上）して中心部外である持続時間である。横軸（視点が中心外に位置した回数：NUMBER OF TIMES OF GAZING OUTSIDE FORWARD VIEW）が、視点が連続して中心部外となった場合を順に並べたカウントである。すなわち、横軸は、設定した中心範囲から視点が外れた延べ回数である。この横軸の目盛りは、”few”および”many”によって示されている。図１４Ａおよび図１５Ａが、車両の発進から対象者の発作開始前のデータ、図１４Ｂおよび図１５Ｂが、発作が発生した区間のデータ、図１４Ｃおよび図１５Ｃが、同一対象者の非発作時のデータ、図１４Ｄおよび図１５Ｄが、健常者のデータを示している。

　ここで、対象者の視野の中心部の形状は、円形、楕円形、正方形、長方形等が挙げられる。対象者の視野の中心部の大きさは、円形の直径、楕円形の長径および短径、正方形の一辺の長さや対角線の長さ、長方形の長さおよび幅、長方形の対角線の長さ等である。

　図１４Ａから図１４Ｄ、および、図１５Ａから図１５Ｄに示すように、発作が起きた後に、視点が長い時間にわたり連続して、中心部外に位置することが生じることが分かる。ここで、中心部の範囲が小さく設定されると、”視点が連続して中心部外に位置した“と検出する確率（癲癇発作の検出感度）が高くなるが、小さく設定され過ぎると、癲癇発作と誤検出する可能性がある。一方、中心部の範囲が広く設定されると、誤検出の可能性は低くなるが、検出感度が下がると考えられる。したがって、中心部の設定は限定されない方がよく、小さく設定される場合と大きく設定される場合とを変える、あるいは、その組み合わせによって、癲癇が検出されるようにしてもよい。

　図１６Ａおよび図１６Ｂは、車両の発進から対象者の発作開始（BEFORE SEIZURE）、発作が発生した区間（SEIZURE PERIOD）、同一対象者の非発作時（DRIVING WITHOUT SEIZURE）、健常者（HEALTHY SUBJECT）との場合において、各持続時間をプロットした図である。図１６Ａは、視野の中心部の範囲を狭く設定した場合である。図１６Ｂは、視野の中心部の範囲を広く設定した場合である。

　図１６Ａに示すように、視野の中心部の範囲を狭くした場合、非発作時に視点が連続して中心部外に位置する持続時間では、Ｔｔｈ１を超えることはないが、発作時はＴｔｈ２を超える。図１６Ｂに示すように、視野の中心部の範囲を広くした場合、非発作時に視点が連続して中心部外に位置する時間はＴｔｈ１を超えることはないが、発作時はＴｔｈ２を超える。このように、図１６Ａおよび図１６Ｂに示すように、持続時間の閾値Ｔｔｈ１、Ｔｔｈ２で、癲癇の発症と峻別できる。

　これらの持続時間等の癲癇の判定に必要なデータが、基準の対象者センシング値として、ウェアラブル端末装置ｗ２に対応するセンサＩＤと、道路区分ＩＤと、癲癇を示す疾患ＩＤとに関連付けて疾患判定ＤＢ１２ｆに記憶される。なお、持続時間の閾値Ｔｔｈ１、Ｔｔｈ２等は、非発作時や発作時の平均的な値から設定され、疾患判定ＤＢ１２ｆに記憶されてもよい。

　図１７Ａおよび図１７Ｂは、視点が連続（例えば、５０ｍｓ、１００ｍｓ以上）して中心部外に位置した平均時間（AVERAGE DURATION）を、車両の発進から対象者の発作開始、発作が発生した区間、同一対象者の非発作時、健常者との場合において、示した図である。図１７Ａは、中心部の範囲を狭く設定した場合である。図１７Ｂは、中心部の範囲を広く設定した場合である。

　図１７Ａおよび図１７Ｂに示すように、視点が連続して中心外に位置した時間の平均は、発作時が長いことが分かった。例えば、図１７Ａおよび図１７Ｂに示すように、平均時間の閾値Ｔｔｈで、癲癇の発症と峻別できる。

　これらの平均時間等の癲癇の判定に必要なデータが、基準の対象者センシング値として、ウェアラブル端末装置ｗ２に対応するセンサＩＤと、道路区分ＩＤと、癲癇を示す疾患ＩＤとに関連付けて疾患判定ＤＢ１２ｆに記憶される。なお、平均時間の閾値Ｔｔｈ等は、非発作時や発作時の平均的な値から設定され、疾患判定ＤＢ１２ｆに記憶されてもよい。

　図１８Ａおよび図１８Ｂは、視点が連続（例えば、５０ｍｓ、１００ｍｓ以上）して中心部外に位置した割合（RATE OF DURATION）を、車両の発進から対象者の発作開始、発作が発生した区間、同一対象者の非発作時、健常者との場合において、示した図である。図１８Ａは、中心部の範囲を狭く設定した場合である。図１８Ｂは、中心部の範囲を広く設定した場合である。

　ここで、割合は、例えば、対象者Ｔの目を撮影するカメラの動画のビデオフレームおいて、中心部外のフレーム数／区間の総フレーム数から計算される。または、割合は、視点が中心部外に位置する時間／区間の総時間から計算されてもよい。

　図１８Ａおよび図１８Ｂに示すように、非発作時、視点が連続して中心部外に位置する時間の割合がＲ１を超えることはないが、発作時区間では視点が連続して中心部外に位置する時間の割合が、約Ｒ２になる。例えば、図１８Ａおよび図１８Ｂに示すように、閾値Ｒ１、Ｒ２で、癲癇の発症と峻別できる。

　これらの割合等の癲癇の判定に必要なデータが、基準の対象者センシング値として、ウェアラブル端末装置ｗ２に対応するセンサＩＤと、道路区分ＩＤと、癲癇を示す疾患ＩＤとに関連付けて疾患判定ＤＢ１２ｆに記憶される。なお、割合の閾値Ｒ１、Ｒ２等は、非発作時や発作時の平均的な値から設定され、疾患判定ＤＢ１２ｆに記憶されてもよい。

　次に、図１９は、シートセンサｓｓ２により測定した座圧分布のデータの一例である。

　図１９に示すような座圧分布のデータから計算される偏り度（対象者センシング値の一例）が、複数回の測定に対して平均される。複数回の測定は、同じ人に対する複数回の測定でもよいし、同じ属性の複数人に対する測定でもよい。平均の偏り度等の所定の疾患の判定に必要なデータが、基準の対象者センシング値として、シートセンサｓｓに対応するセンサＩＤと、道路区分ＩＤと、疾患ＩＤとに関連付けて疾患判定ＤＢ１２ｆに記憶される。

　ここで、偏り度は、座圧分布の中心位置から算出される。中心位置は、例えば、座圧分布から算出される座圧分布の座圧中心位置ＣＯＰ（Center of Position）である。座圧中心位置は、例えば、座圧分布の重心（Ｇｘ，Ｇｙ）である。座圧分布の重心は、座圧のヒートマップの各点の位置に、その位置のヒートマップの値を重みとして加重平均した位置である。この場合、偏り度は、シートセンサｓｓの原点（０，０）を起点として、ｘ軸における重心の位置の値Ｇｘである。なお、座圧中心位置は、座圧分布の座圧のヒートマップの各点の全体から算出される値ならばよい。

　中心位置は、例えば、座圧分布の分布形状から算出される形状中心位置でもよい。形状中心位置は、例えば、ＣＯＢ（Center of Body）である。この場合、偏り度は、車両Ｖの座席の左右位置中心の一例であるシートセンサｓｓの原点（０，０）を起点として、ｘ軸におけるＣＯＢの位置の値である。なお、ＣＯＢは、分布形状のくびれ部から決定される。また、図中の前側、後側、左側、右側は、対象者Ｔが座席に座った際の対象者Ｔの向きを表している。

　また、偏り度は、形状中心位置と座圧中心位置との差でもよい。例えば、偏り度は、Ｇｘ－ＣＯＢ、または、ＣＯＢ－Ｇｘである。

　図２０および図２１は、座圧中心データおよび座圧分布の大きさの時系列の一例を示す模式図である。図中、グラフ（ａ）は、ＣＯＰのｘ座標位置（COP COORDINATE）、グラフ（ｂ）は、ＣＯＰのｙ座標位置（COP COORDINATE）、グラフ（ｃ）は、座圧分布の大きさの一例のである座圧面積（AREA OF SEAT PRESSURE）である。ここで、座圧面積は、例えば、座面全体の中で圧が加わった部分の割合で示される。図１９において、座圧面積は、座圧が所定の値以上の割合で計算される。図２０は、健常の対象者のデータの一例を示している。図２１は、癲癇の疾患を有する対象者で、発作時ｔ０に癲癇が生じた際のデータの一例を示している。

　図２０に示すように、健常者では、ＣＯＰが変化しても、座圧面積の変化はあまりみられなかった。しかし、図２１に示すように、癲癇発作時ｔ０にＣＯＰが大きく変化し、かつ、座圧面積が狭小化、すなわち、座圧面積の閾値Ｓｔｈ以下にった。

　座圧分布のデータに対しても、座圧面積が、複数回の測定に対して平均される。平均の座圧面積の閾値等の癲癇の疾患の判定に必要なデータが、基準の対象者センシング値として、シートセンサｓｓに対応するセンサＩＤと、各道路区分ＩＤと、各疾患ＩＤとに関連付けて疾患判定ＤＢ１２ｆに記憶される。なお、座圧面積の閾値Ｓｔｈ等は、非発作時や発作時の平均的な値から設定され、疾患判定ＤＢ１２ｆに記憶されてもよい。

　対象者情報ＤＢ１２ａ、操作量ＤＢ１２ｂ、挙動量ＤＢ１２ｃ、運転環境情報ＤＢ１２ｄ、対象者センシングＤＢ１２ｅ、および疾患判定ＤＢ１２ｆは、情報処理サーバ装置１０内でも、情報処理サーバ装置１０とネットワークで繋がった別のサーバでもよいし、ネットワークＮに、分散して存在してもよい。これらの別々のデータベースであってもよいし、同じデータベース内にあってもよい。

　出力部１３は、映像を出力の場合、例えば、液晶表示素子またはＥＬ（Electro Luminescence）素子等を有する。出力部１３は、音を出力する場合、スピーカを有する。

　入力部１４は、例えば、キーボードおよびマウス等を有する。

　入出力インターフェース部１５は、通信部１１および記憶部１２等と制御部１６との間のインターフェース処理を行うようになっている。

　制御部１６は、ＣＰＵ（Central Processing Unit）１６ａ、ＲＯＭ（Read Only Memory）１６ｂ、ＲＡＭ（Random Access Memory）１６ｃ等を有する。そして、制御部１６は、ＣＰＵ１６ａが、ＲＯＭ１６ｂや記憶部１２に記憶された各種プログラムのコードを読み出し実行することにより、各対象者Ｔの疾患状態を判定する。

（２．２　携帯端末装置２０の構成および機能）
　次に、携帯端末装置２０の構成および機能について、図２２を用いて説明する。

　図２２は、携帯端末装置２０の概要構成の一例を示すブロック図である。

　図２２に示すように、携帯端末装置２０は、出力部２１と、記憶部２２と、通信部２３と、入力部２４と、センサ部２５と、入出力インターフェース部２６と、制御部２７と、を有する。そして、制御部２７と入出力インターフェース部２６とは、システムバス２８を介して電気的に接続されている。また、各携帯端末装置２０には、携帯端末ＩＤが割り振られている。携帯端末装置２０は、時計機能を有する。携帯端末装置２０は、携帯端末装置２０を振動させるバイブレーション機能を有してもよい。

　出力部２１は、例えば、表示機能として液晶表示素子またはＥＬ素子等を有する。出力部３２は、音を出力するスピーカを有する。

　記憶部２２は、例えば、ハードディスクドライブ、ソリッドステートドライブ等により構成されている。記憶部２２は、オペレーティングシステムおよび携帯端末装置２０用のアプリ等の各種プログラム等を記憶する。なお、各種プログラムは、例えば、他のサーバ装置等からネットワークＮを介して取得されるようにしてもよいし、記録媒体に記録されてドライブ装置を介して読み込まれるようにしてもよい。また、記憶部２２が、情報処理サーバ装置１０の記憶部１２のようなデータベースの情報を有してもよい。

　通信部２３は、ネットワークＮに電気的または電磁気的に接続して、情報処理サーバ装置１０等との通信状態を制御するようになっている。また、通信部２３は、情報処理サーバ装置１０と電気的または電磁気的に接続して、情報処理サーバ装置１０との通信状態を制御するようになっている。

　通信部２３は、電波や赤外線による端末装置との通信を行う無線通信の機能を有する。携帯端末装置２０は、通信部２３を介して、車載端末装置３０と、家庭端末装置４０との通信を行う。また、図２に示すように、対象者Ｔが携帯している携帯端末装置２０は、対象者Ｔが座っている座席に設置されたシートセンサｓｓと、対象者Ｔが身につけているウェアラブル端末装置ｗ１、ｗ２と、通信部２３を介して通信を行う。なお、携帯端末装置２０は、車載端末装置３０、家庭端末装置４０、シートセンサｓｓ、および、ウェアラブル端末装置ｗ１、ｗ２と、有線による通信を行ってもよい。

　通信部２３は、ＩＣタグのリーダーとして、ＩＣタグとの通信を行ってもよい。

　入力部２４は、例えば、タッチパネルのようなタッチスイッチ方式の表示パネルを有する。入力部２４は、利用者の指が接触または近接した出力部２１の位置情報を取得する。入力部２４は、音声を入力するマイクを有する。

　センサ部２５は、ＧＰＳ（Global Positioning System）センサ、方位センサ加速度センサ、ジャイロセンサ、気圧センサ、温度センサ、湿度センサ等の各種センサを有する。センサ部２５は、デジタルカメラのＣＣＤ（Charge Coupled Device）イメージセンサやＣＭＯＳ（Complementary Metal Oxide Semiconductor）イメージセンサ等の撮影素子を有する。携帯端末装置２０は、ＧＰＳセンサにより、携帯端末装置２０の現在の位置情報を取得する。なお、各センサには、固有のセンサＩＤが割り振られている。

　入出力インターフェース部２６は、出力部２１、記憶部２２等と、制御部２７との間のインターフェース処理を行うようになっている。

　制御部２７は、ＣＰＵ２７ａ、ＲＯＭ２７ｂ、ＲＡＭ２７ｃ等により構成されている。そして、制御部２７は、ＣＰＵ２７ａが、ＲＯＭ２７ｂや記憶部２２に記憶された各種プログラムを読み出し実行する。

　ここで、ウェアラブル端末装置ｗ１は、リストバンド型のウェアラブルコンピュータである。ウェアラブル端末装置ｗ１は、出力部と、記憶部と、通信部と、入力部と、センサ部と、入出力インターフェース部と、制御部と、タイマー部と、を有する（図示せず）。

　ウェアラブル端末装置ｗ１のセンサ部が、対象者Ｔの各種生理データを測定する。

　センサ部は、加速度センサ、ジャイロセンサ、温度センサ、圧力センサ、超音波センサ、光センサ、電気センサ、磁気センサ、イメージセンサ等を有する。なお、各センサには、固有のセンサＩＤが割り振られている。

　加速度センサは、ウェアラブル端末装置ｗ１の加速度を測定する。加速度センサの測定データから、対象者Ｔの腕の動きが測定される。ジャイロセンサは、ウェアラブル端末装置ｗ１の角加速度を測定する。ジャイロセンサの測定データから、対象者Ｔの腕の回旋が測定される。ウェアラブル端末装置ｗ１が、加速度センサやジャイロセンサにより、睡眠中の姿勢、寝返りの回数、歩数等を測定してもよい。

　温度センサは、接触した部位またはサーモグラフィーによって撮像された部位の温度を測定する。圧力センサは、例えば、脈波を測定する。光センサは、電磁波を皮膚等に照射した応答、すなわち、反射波および透過波の少なくとも一方を検出する。光センサにより、血流の速度、血液の成分等が測定される。

　超音波センサは、超音波を照射した応答、すなわち、反射波および透過波の少なくとも一方を検出する。

　電気センサは、電圧、電流、インピーダンス等を測定する。電気センサは、筋肉の働き、血流、神経の興奮等により発生した電場を測定する。電気センサは、また、電極と組み合せて、汗の成分等を検出し、化学センサ、ｐＨセンサ等として機能する。

　磁気センサは、筋肉の働き、血流、神経の興奮等により発生した磁場を測定する。

　イメージセンサは、皮膚の色、表面温度、表面の動き、血流の流れ、汗の様子等を検出する。

　また、センサ部は、ＧＰＳセンサ、方位センサ気圧センサ等を有する。ウェアラブル端末装置ｗ１が、これらのセンサにより、移動距離、運動量等を測定してもよい。

　また、入力部のマイクが、対象者Ｔの睡眠中の鼾や呼吸音を捉えてもよい。

　ウェアラブル端末装置ｗ１のセンサ部またはステアリングホイールなどの対象者との接触部分に埋め込まれたセンサにより測定された対象者センシングデータは、通信部を介して、携帯端末装置２０に送信される。なお、ウェアラブル端末装置ｗ１が、車載端末装置３０に測定した対象者センシングデータを送信してもよい。

　また、ウェアラブル端末装置ｗ２は、眼鏡型のウェアラブルコンピュータである。ウェアラブル端末装置ｗ２は、ウェアラブル端末装置ｗ１と同様に、出力部と、記憶部と、通信部と、入力部と、センサ部と、入出力インターフェース部と、制御部と、タイマー部と、を有する（図示せず）。

　ウェアラブル端末装置ｗ２のセンサ部は、さらに、視点の移動を測定するためのセンサを有する。例えば、このセンサ部は、角膜反射法の場合、眼球に照射する遠赤外線等の光線を照射するＬＥＤと、対象者Ｔの目を撮影するアイトラッキング用のカメラを有する。ウェアラブル端末装置ｗ２の制御部が、画像から角膜上の反射点や瞳孔の位置から対象者Ｔの視線の位置を算出して、出力部から視線データを出力する。

　ウェアラブル端末装置ｗ２は、主に、視線の位置、瞬き、瞳孔の大きさ等を計測する。

　なお、ウェアラブル端末装置ｗ２は、センサ部のＬＥＤから遠赤外線等の光線を照射せず、対象者Ｔの目を撮影するカメラの画像から、画像処理して、白い強膜の部分と、角膜とを区別して、視線の位置を特定してもよい。

　ウェアラブル端末装置ｗ２のセンサ部は、アイトラッカーで、アイトラッキングの機能のみでもよい。ウェアラブル端末装置ｗ２は、コンタクトレンズ型でもよい。また、ウェアラブル端末装置ｗ２のセンサ部は、筋電を測定するセンサを有しもよい。このセンサ部が、眼の周りの筋電を測定して、眼球の向きを計算し、視線データを求めてもよい。また、ウェアラブル端末装置ｗ２は、こめかみ部分から脈拍、血圧、体温等を測定してもよい。

　なお、ウェアラブル端末装置ｗ１、ｗ２のタイプとして、図２の眼鏡型およびリストバンド型の他に、指輪型、靴型、懐中型、首飾り型、衣服型等でもよい。

（２．３　車載端末装置３０の構成および機能）
　次に、車載端末装置３０の構成および機能について図２３を用いて説明する。

　図２３は、車載端末装置３０の概要構成の一例を示すブロック図である。

　図２３に示すように、車載端末装置３０は、出力部３１と、記憶部３２と、通信部３３と、入力部３４と、センサ部３５と、入出力インターフェース部３６と、制御部３７と、を有する。そして、制御部３７と入出力インターフェース部３６とは、システムバス３８を介して電気的に接続されている。また、各車載端末装置３０には、車両ＩＤが割り振られている。車載端末装置３０は、時計機能を有する。

　図２に示すように、車載端末装置３０は、車両Ｖに搭載されている、例えば、ナビゲーション装置である。

　出力部３１は、例えば、表示機能として液晶表示素子またはＥＬ素子等、音楽等の音を出力するスピーカ等を有する。

　記憶部３２は、例えば、ハードディスクドライブ、ソリッドステートドライブ等により構成されている。記憶部３２は、オペレーティングシステムおよび車載端末装置３０用のアプリ等の各種プログラム等を記憶する。なお、各種プログラムは、例えば、他のサーバ装置等からネットワークＮを介して取得されるようにしてもよいし、記録媒体に記録されてドライブ装置を介して読み込まれるようにしてもよい。また、記憶部３２が、情報処理サーバ装置１０の記憶部１２のようなデータベースの情報を有してもよい。

　記憶部３２は、車両Ｖをナビゲートするための地図情報を有する。

　なお、記憶部３２には、車載端末装置３０が搭載された車両Ｖを運転する対象者Ｔ（複数でもよい）に関して、記憶部１２のように、対象者情報ＤＢ、操作量ＤＢ、挙動量ＤＢ、運転環境情報ＤＢ、および対象者センシングＤＢが構築されていてもよい。

　通信部３３は、ネットワークＮに電気的または電磁気的に接続して、情報処理サーバ装置１０等との通信状態を制御するようになっている。また、通信部３３は、情報処理サーバ装置１０と電気的または電磁気的に接続して、情報処理サーバ装置１０との通信状態を制御するようになっている。通信部３３は、無線通信により、携帯端末装置２０との通信を制御するようになっている。通信部３３は、シートセンサｓｓと、ウェアラブル端末装置ｗ１、ｗ２と、通信を行ってもよい。

　通信部３３は、車両Ｖの駆動機構と通信を行う。例えば、車載端末装置３０の通信部３３を介して、制御信号を車両Ｖの駆動機構に送信し、車両Ｖを止めたり、所定の場所に止めたり、病院等の所定の場所にナビゲートしたりする。

　入力部３４は、例えば、タッチパネルのようなタッチスイッチ方式の表示パネルを有する。入力部３４は、利用者の指が接触または近接した出力部３１の位置情報を取得する。入力部３４は、音声を入力するマイクを有する。

　センサ部３５は、ステアリングホイールｓｗの操舵角を測定する角度センサ、アクセルの操作を測定するアクセルストロークセンサ、ブレーキペダルの操作を測定するブレーストロークセンサ等の操作量を測定する各種センサを有する。

　センサ部３５は、ＧＰＳセンサ、方位センサ、加速度センサ、ジャイロセンサ、ミリ波レーダー用のセンサ等の車両Ｖの挙動量を測定する各種センサを有する。ＧＰＳセンサは、車両Ｖの現在の位置情報を取得する。

　センサ部３５は、気圧センサ、温度センサ、晴雨センサ等の各種センサを有する。

　センサ部３５は、デジタルカメラのＣＣＤイメージセンサやＣＭＯＳイメージセンサ等の撮影素子を有する。例えば、図２に示すように、センサ部３５は、カメラ３５ａおよびカメラ３５ｂを有する。

　カメラ３５ａは、車両Ｖの外の様子を撮像する。車載端末装置３０は、カメラ３５ａの画像により、車両Ｖの挙動量が測定される。例えば、車両Ｖの前方、側方、または、後方を撮影するカメラの画像データに基づき、車線の画像や風景から、車両Ｖの挙動量データの一例であるふらつきデータが測定されてもよい。センサ部３５のカメラにより、車間距離を測定したり、停止位置を測定したり、車線逸脱を測定したりしてもよい。センサ部３５のカメラにより、路面の状態（雨の有無、雪の有無、舗装の有無等）を測定したり、人間の有無を測定したりしてもよい。

　カメラ３５ｂは、対象者Ｔを撮像する。車載端末装置３０は、カメラ３５ｂの画像により、顔認識で対象者Ｔを認証したり、対象者Ｔの顔色を測定したり、対象者Ｔが居眠りしていないか判定したりする。また、車両Ｖの内部を撮影するカメラの画像データに基づき、対象者Ｔの動きから操作量が測定されてもよい。

　また、カメラ３５ｂは、アイトラッキング用のカメラでもよい。この場合、眼に遠赤外線等の光線を当てて、カメラ３５ｂが、反射光を捉えてもよい。

　入出力インターフェース部３６は、出力部３１、記憶部３２等と、制御部３７との間のインターフェース処理を行うようになっている。

　制御部３７は、ＣＰＵ３７ａ、ＲＯＭ３７ｂ、ＲＡＭ３７ｃ等により構成されている。そして、制御部３７は、ＣＰＵ３７ａが、ＲＯＭ３７ｂや記憶部３２に記憶された各種プログラムを読み出し実行する。

［３．　疾患状態判定システムＳの動作例］
　疾患状態判定システムＳの動作例について、図を用いて説明する。

（３．１　データの収集）
　先ず、操作量データおよび挙動量データ、対象者Ｔのセンシングデータ等のデータ収集の動作例について、図を用いて説明する。図２４は、データ収集の動作例を示すフローチャートである。図２５は、車両Ｖが走行した道路の一例を示す模式図である。

　図２に示すように、対象者Ｔが車両Ｖに乗車して、車載端末装置３０の電源がＯＮになる。車載端末装置３０が車両Ｖの運転者を特定する。例えば、車載端末装置３０のカメラ３５ｂにより対象者Ｔを撮像して、顔認識を行ってよい。車載端末装置３０が、対象者Ｔの携帯端末装置２０またはウェアラブル端末装置ｗ１、ｗ２と通信を行い、対象者Ｔを特定してもよい。車載端末装置３０が、車両Ｖのステアリングホイールｓｗになる指紋認識のセンサにより、対象者Ｔを特定してもよい。車載端末装置３０が、これらの対象者Ｔの特定方法を組み合せて運転者を特定してもよい。対象者Ｔが携帯する携帯端末装置２０の携帯端末ＩＤにより対象者Ｔを特定してもよい。

　なお、対象者Ｔ、実際の車両でもよいし、ドライブシミュレータで運転を行ってもよい。

　対象者Ｔが車両Ｖを運転すると、車載端末装置３０が、操作量データおよび挙動量データの測定を開始する。携帯端末装置２０は、センシングデータの測定をする。

　次に、図２４に示すように、疾患状態判定システムＳは、車両Ｖの各センサからのデータを収集する（ステップＳ１）。具体的には、車載端末装置３０の制御部３７が、センサ部３５の各センサが測定したデータを、時計機能の測定時刻と共に、各センサから取得する。例えば、制御部３７が、車両Ｖの操作量として、センサ部３５の各センサから、ステアリングホイールｓｗの操舵角の操舵角データ、アクセルストロークデータ、ブレーキストロークデータ等の操作量データを取得する。また、制御部３７が、車両Ｖの挙動量として、センサ部３５の各センサから、ふらつきデータ、車両Ｖの現在の位置情報、車両Ｖの進行方向、速度、加速度、車間距離等を取得する。

　また、制御部３７が、センサ部３５のカメラ３５ａにより、ふらつきデータとして、
車両Ｖの外の画像を取得してもよい。制御部３７がカメラ３５ｂにより、対象者Ｔの画像を取得する。なお、センサ部３５の各センサが測定した測定時刻は、車載端末装置３０の時計機能により測定されてもよい。

　次に、疾患状態判定システムＳは、ウェアラブル端末装置ｗ１、ｗ２のセンサおよびシートセンサｓｓから、対象者Ｔのセンシングデータを収集する（ステップＳ２）。具体的には、車両Ｖを運転している対象者Ｔの携帯端末装置２０の制御部２７が、ウェアラブル端末装置ｗ１、ｗ２のセンサ部の各センサおよびシートセンサｓｓが測定したセンシングデータを、ウェアラブル端末装置ｗ１、ｗ２から取得する。制御部２７が、車両Ｖを操作している対象者Ｔの視線データを、ウェアラブル端末装置ｗ２から取得する。制御部２７が、車両Ｖを操作している対象者Ｔの腕の回旋の回旋データを、両腕のウェアラブル端末装置ｗ１から取得する。制御部２７が、車両Ｖを操作する対象者Ｔが座る座面の座圧分布のデータを、シートセンサｓｓから取得する。

　測定時刻は、携帯端末装置２０の時計機能によって測定されたり、ウェアラブル端末装置ｗ１、２の時計機能によって測定されてもよい。

　次に、車載端末装置３０が、携帯端末装置２０を介してセンシングデータを取得する。なお、携帯端末装置２０が、操作量データおよび挙動量データを、車載端末装置３０を介して取得してもよい。

　測定されたデータは、各端末装置に記憶されてもよい。記憶部３２に測定したデータを記憶する場合、車載端末装置３０が、対象者ＩＤ、操作量ＩＤ，挙動量ＩＤ、センサＩＤに関連付けて、測定したデータを記憶部３２に記憶してもよい。または、携帯端末装置２０が、対象者ＩＤ、操作量ＩＤ，挙動量ＩＤ、センサＩＤに関連付けて、測定したデータを記憶部２２に記憶してもよい。

　次に、疾患状態判定システムＳは、収集したデータを、情報処理サーバ装置１０に送信する（ステップＳ３）。具体的には、車載端末装置３０は、取得したデータを、情報処理サーバ装置１０に送信する。さらに、具体的には、制御部３７が、車両Ｖの操作量データと、測定時刻と、測定位置と、対象者ＩＤと、操作量ＩＤと，を情報処理サーバ装置１０に送信する。制御部３７が、車両Ｖの挙動量データと、測定時刻と、測定位置と、対象者ＩＤと、挙動量ＩＤと、を情報処理サーバ装置１０に送信する。
制御部３７が、対象者Ｔの視線データと、測定時刻と、測定位置と、対象者ＩＤ、視線の移動を測定するためのセンサのセンサＩＤと、を情報処理サーバ装置１０に送信する。制御部３７が、対象者Ｔの座圧分布のデータと、測定時刻と、測定位置と、対象者ＩＤ、座圧分布のデータのセンサＩＤと、を情報処理サーバ装置１０に送信する。

　制御部３７が、対象者ＩＤの代わりに、車両ＩＤを送信してもよい。携帯端末装置２０が、センシングデータを情報処理サーバ装置１０に送信してもよい。携帯端末装置２０が、操作量データおよび挙動量データを送信してもよい。

　測定されたデータは、情報処理サーバ装置１０に逐次送信されてもよいし、まとめて送信されてもよい。逐次送信する場合、車載端末装置３０が、パケットで所定のデータを送信してよいし、トンネル内等で通信状態が悪く通信が途絶えたとき、データをまとめて送信してもよい。

　また、まとめて送信する場合、所定の運転区間における測定されたデータ、所定の運転期間における測定されたデータ等の所定のデータを車載端末装置３０が送信してもよい。または、車載端末装置３０が、運転が終了後にまとめて測定したデータを情報処理サーバ装置１０に送信してもよい。

　次に、疾患状態判定システムＳは、収集したデータを車載端末装置３０から受信する（ステップＳ４）。具体的には、情報処理サーバ装置１０は、車両Ｖの操作量データと、車両Ｖの挙動量データと、を車載端末装置３０から受信する。情報処理サーバ装置１０は、視線データおよび座圧分布のデータのようなセンシングデータを車載端末装置３０から受信する。

　このように、情報処理サーバ装置１０は、対象者の車両に対する運転特性を示す運転特性データを取得する運転特性データ取得手段の一例として機能する。情報処理サーバ装置１０は、対象者が車両を運転しているときに測定された当該対象者の視線の位置を示す視線データを取得する視線データ取得手段の一例として機能する。情報処理サーバ装置１０は、車両において対象者が座る座面の座圧分布のデータを取得する座圧分布取得手段の一例として機能する。

　次に、情報処理サーバ装置１０は、受信したデータを記憶部１２に記憶する（ステップＳ５）。具体的には、情報処理サーバ装置１０の制御部１６が、受信した操作量データ、測定時刻、位置情報等を、対象者ＩＤと操作量ＩＤとに関連付けて、操作量ＤＢ１２ｂに記憶する。制御部１６が、受信した挙動量データ、測定時刻、位置情報等を、対象者ＩＤと挙動量ＩＤとに関連付けて、挙動量ＤＢ１２ｃに記憶する。制御部１６が、受信したセンシングデータ、測定時刻、位置情報等を、対象者ＩＤとセンサＩＤとに関連付けて、対象者センシングＤＢ１２ｅに記憶する。

　図２５に示すように、車両Ｖが走行した道路が、受信した車両Ｖの位置情報から特定される。なお、車載端末装置３０のナビゲーション機能により、走行する道路を予め設定してもよい。

　また、情報処理サーバ装置１０が、道路情報提供サーバ装置から運転環境情報を取得して、運転環境情報ＤＢ１２ｄのデータが更新される。

　（３．２　疾患状態を判定する動作例）
　次に、ある特定の対象者Ｔに対して、疾患状態を判定する動作例について図を用いて説明する。

　図２６は、癲癇等の疾患状態を判定する動作例を示すフローチャートである。図２７は、車両Ｖが走行した道路の一例を示す模式図である。

　図２６に示すように、情報処理サーバ装置１０は、対象者Ｔが車両Ｖを操作する操作量データおよび車両の挙動の挙動量データ等の車両運転特性データを取得する（ステップＳ１０）。

　操作量データの場合、情報処理サーバ装置１０の制御部１６が、操作量ＤＢ１２ｂ参照して、対象者Ｔの対象者ＩＤと各操作量ＩＤとに基づき、操舵角データ、アクセルストロークデータ等の各操作量データ、測定時刻、車両Ｖの位置情報を取得する。例えば、制御部１６は、図２５に示すような道路を走行したときの各操作量データを取得する。

　挙動量データの場合、制御部１６が、挙動量ＤＢ１２ｃ参照して、対象者Ｔの対象者ＩＤと各挙動量ＩＤとに基づき、ふらつきデータ、車速データ、横加速度データ等の各挙動量データ、測定時刻、車両Ｖの位置情報を取得する。例えば、制御部１６は、図２５に示すような道路を走行したときの各挙動量データを取得する。

　情報処理サーバ装置１０は、対象者の車両に対する運転特性を示す運転特性データを取得する運転特性データ取得手段の一例として機能する。

　次に、情報処理サーバ装置１０は、対象者センシングデータを取得する（ステップＳ１１）。具体的には、制御部１６が、対象者センシングＤＢ１２ｅして、対象者Ｔの対象者ＩＤと各センサＩＤとに基づき、視線データ、座圧分布のデータ等の各対象者センシングデータ、測定時刻、車両Ｖの位置情報を取得する。例えば、制御部１６は、図２５に示すような道路を走行したときの各対象者センシングデータを取得する。

　このように、情報処理サーバ装置１０は、対象者が車両を運転しているときに測定された当該対象者の視線の位置を示す視線データを取得する視線データ取得手段の一例として機能する。情報処理サーバ装置１０は、車両において対象者が座る座面の座圧分布のデータを取得する座圧分布取得手段の一例として機能する。

　次に、情報処理サーバ装置１０は、道路環境情報を取得する（ステップＳ１２）。具体的には、制御部１６が、運転環境情報ＤＢ１２ｄを参照して、図２５に示すような走行した道路の道路環境情報を取得する。

　次に、情報処理サーバ装置１０は、道路に応じてデータを分別する（ステップＳ１３）。具体的には、制御部１６が、各操作量データおよび各挙動量データ等の車両運転特性データに対して、これらのデータが測定された時の車両Ｖの位置情報と、取得した道路環境情報とに基づき、各操作量データおよび各挙動量データ等の車両運転特性データを区分けする。さらに具体的には、制御部１６が、標準的な高速道路を走行している位置の各操作量データおよび各挙動量データと、東京の首都高速道路のようにカーブが比較的多い高速道路を走行している位置の各操作量データおよび各挙動量データとに分ける。これらのように、制御部１６が、車両Ｖが走行している道路の種別により、データを分別する。

　また、制御部１６が、各位置情報から道路の曲率を計算して、曲率に応じてカーブを分類して、各操作量データおよび各挙動量データがどの区間に属するか分別してもよい。制御部１６が、所定の曲率以下の道路を直線と見なし、その他はカーブ区間として、直線区間およびカー区間に応じて、各操作量データおよび各挙動量データを分別してもよい。図２７に示すように、左カーブと右カーブとにカーブが分別されてもよい。図２７に示すように、所定の曲率以上のカーブ毎に、カーブが分別されてもよい。

　このように、情報処理サーバ装置１０が、操作量データを、車両が走行する道路の曲線の度合いに応じて分別する。

　次に、制御部１６が、運転環境情報ＤＢ１２ｄを参照して、分別された各データの道路区分ＩＤを位置情報から特定する。なお、制御部１６が、曲率または位置情報から、類似した道路の曲がり具合のパターンを有する道路の道路区分ＩＤを特定してもよい。

　視線データや座圧分布のデータ等の各対象者センシングデータに関しても、各操作量データおよび各挙動量データと同様に道路に応じて分別され、道路区分ＩＤが特定される。

　次に、情報処理サーバ装置１０は、視線データと車両運転特性データとの乖離度を算出する（ステップＳ１４）。具体的には、制御部１６が、取得した時系列の視線データおよび車両運転特性データを、最低値０、最大値が１００になるように規格化する。例えば、制御部１６が、横方向の視線の動きの視線データと、操舵角データと、操舵トルクデータと、車両横加速度とを、最低値０、最大値が１００になるように規格化する。

　制御部１６が、規格化された視線データおよび車両運転特性データの差分値（例えば、差分の絶対値）を計算する。制御部１６が、所定の時間長における差分値の合計または平均値等を計算して、乖離度とする。例えば、制御部１６が、規格化された横方向の視線の動きの視線データと操舵角データとの差分値から、視線と操舵角と乖離度を計算する。制御部１６が、規格化された横方向の視線の動きの視線データと操舵トルクとの差分値から、視線と操舵トルクと乖離度を計算する。制御部１６が、規格化された横方向の視線の動きの視線データと車両横加速度データとの差分値から、視線と車両横加速度と乖離度を計算する。

　なお、制御部１６が、規格化された視線データおよび車両運転特性データの差分値の時系列の移動平均や、指数平滑を計算してもよい。

　次に、制御部１６が、各乖離度の時系列から、各乖離度が閾値Ｄ０ｔｈを超えてからの各経過時間を計算する。例えば、ある解離度が設定されて（例えば規格化した最大値を１００とした場合の２０あるいは３０等）、設定された解離度を超えた場合に、制御部１６が、設定された解離度を超えた時点からの経過時間を計測する。

　次に、情報処理サーバ装置１０は、取得した視線データから、視線の位置が連続して（例えば、１００ｍｓ以上）、設定された視野の中心部から外れた位置している持続時間や平均時間を計算する。情報処理サーバ装置１０は、取得した視線データから、視線の位置が連続して、設定された中心部外に位置した割合を計算する。

　情報処理サーバ装置１０は、横方向の視線の動きの視線データのみで、設定された中心部に位置している持続時間、平均時間、中心部外に位置した割合等を計算してもよい。

　例えば、持続時間に関して、運転席に着座して前方正面を見たときの視野の中心部の範囲が設定され、かつ設定された中心部から視点が連続して外れる時間（例えば１００ms以上）が設定された時、情報処理サーバ装置１０が、設定された連続時間を超えて視点が設定された中心部外に連続して位置した経過時間を持続時間として算出する。

　平均時間に関して、設定された連続時間を超えて視点が中心部外に位置した後、再び中心部の範囲内に戻り、その後再度中心部外に位置するという状態を繰り返すことがある。この場合に、情報処理サーバ装置１０が、各区間（発作区間等）において、複数の”中心部外に視点が連続して位置した持続時間”を平均した時間を”平均時間”として算出する。

　割合に関して、情報処理サーバ装置１０が、各区間（発作発生区間など）の総時間（フレーム数）に対して、視点が連続して中心部外に位置した時間（フレーム数）の割合を計算する。

　次に、情報処理サーバ装置１０は、操作関連データを算出する。具体的には、制御部１６が、操作量データから、所定の周波数範囲の成分における操作関連データを算出する。例えば、制御部１６が、操作量データを離散フーリエ変換して、各周波数のパワースペクトル密度を算出する。

　次に、制御部１６が、疾患判定ＤＢ１２ｆを参照して、道路区分ＩＤ、疾患ＩＤ、操作量ＩＤに基づき、所定の周波数範囲を特定する。制御部１６が、パワースペクトル密度から所定の周波数範囲の成分の部分に相当するパワースペクトルの成分を、操作関連データとしを抽出する。

　操作量データが操舵角データの場合、操作関連データは、操舵角データの時間微分より算出される操舵角速度や操舵角加速度（操舵トルク）でもよい。

　なお、制御部１６が、挙動量データから、所定の周波数値や所定の周波数範囲の成分における挙動関連データを算出してもよい。例えば、制御部１６が、挙動量データを離散フーリエ変換して、各周波数のパワースペクトル密度を挙動関連データとして算出してもよい。

　次に、情報処理サーバ装置１０は、操作値および挙動値を算出する（ステップＳ１５）。具体的には、制御部１６が、道路区分ＩＤ、疾患ＩＤ、操作量ＩＤに基づき、疾患判定ＤＢ１２ｆを参照して、時系列の操作関連データや、周波数の関数である操作関連データのスペクトルを数値化した周波数分析値を算出するまた、制御部１６が、道路区分ＩＤ、疾患ＩＤ、操作量ＩＤに基づき、疾患判定ＤＢ１２ｆを参照して、時系列の挙動量データや、周波数の関数である挙動量データのスペクトルを数値化した周波数分析値を算出する。

　例えば、疾患ＩＤが癲癇を示し、道路区分ＩＤが東京の首都高速道路を示し、操作量ＩＤが操舵角を示す場合、図１３Ａに示すような周波数値ｆ０、ｆ１のいずれか、または、これらの組み合わせの周波数におけるパワースペクトル密度を算出する。疾患ＩＤが癲癇を示し、道路区分ＩＤが東京の首都高速道路を示し、操作量ＩＤが操作トルクの場合、例えば、図１３Ｂ示すような周波数値ｆ２におけるパワースペクトル密度を算出する。所定の周波数値でなく、所定の周波数範囲の場合、制御部１６が、所定の周波数範囲におけるパワースペクトル密度を合計した合計値を、周波数分析値として算出する。

　なお、操作値は、操舵角速度の絶対値の積分より算出する総操舵量でもよい。操作値は、操舵角データを離散フーリエ変換し、所定の周波数帯のパワースペクトル密度の和である修正操舵量でもよい。操作値は、操舵角速度の標準偏差、ステアリングの滑らかさ、操舵角速度の最大値、操舵角データのエントロピーを計算したステアリングエントロピーでもよい。

　また、制御部１６が、挙動値として、道路区分ＩＤの示す道路を走行した際のふらつき度（例えば、ＳＤＬＰ）を、ふらつきデータから算出する。なお、車両Ｖのふらつき度は、道路からの逸脱回数または頻度（車線逸脱警告の発信頻度）でもよい。車間距離としての挙動量データは、車間距離（または車間時間）の値や変動度、前方を走行する車両に対する接近（例えば、車間時間が３秒以内、１秒以内等）の回数および頻度（前方衝突警報の発信頻度）でもよい。停車した場合の一時停止の場所からの距離を、挙動量データとしてもよい。これらの挙動量データから、挙動値であるふらつき度が算出されてもよい。

　制御部１６が、挙動値として、道路区分ＩＤの示す道路を走行した際の平均の車速を、車速データから算出する。制御部１６が、挙動値として、道路区分ＩＤの示す道路を走行した際の平均の横加速度値を、横加速度データから算出する。

　なお、制御部１６が、挙動関連データから挙動値を算出してもよい。例えば、制御部１６が、所定の周波数範囲におけるパワースペクトル密度を合計した合計値を、挙動値として算出する。

　次に、情報処理サーバ装置１０は、視点が連続して視野の中心部外に位置した時間を算出する（ステップＳ１６）。具体的には、制御部１６が、視線データにおいて、所定の中心部の範囲から外れた否かを判定する。なお、図１６Ａおよび図１６Ｂ等に示すように、複数の所定の中心部の範囲で、判定してもよい。

　中心部の範囲から外れている場合、制御部１６が、所定の中心部の範囲から連続して外れている持続時間を計算する。持続時間が、例えば、１００ｍｓより小さいならば、カウントせず切り捨てる。

　制御部１６が、視線データの所定期間において、持続時間の平均値、すなわち、平均時間を計算する。また、視線データの所定期間において、視点が連続して中心部外に位置した持続時間の割合を計算する。

　次に、情報処理サーバ装置１０は、座圧分布に応じて中心位置を算出する。中心位置が形状中心位置の場合、制御部１６が、図１９に示すような座圧分布の分布マップにおいて、ｘの最小値から順に、ｙの最大値、すなわち、対象者Ｔの前側のラインから走査する。走査して分布形状の外縁に到達したら、制御部１６が、ｘの値と共に、ｙの値を、前側のラインから分布形状の外縁までの距離として記憶する。制御部１６が、ｘの値をインクリメントして、前側のラインから走査する。制御部１６が、これらをｘの最大値まで走査を反復する。走査終了後、制御部１６が、前側のラインから分布形状の外縁までの距離が極大となるｘの位置を、分布形状の形状中心位置として算出する。図２５に示すように、極大値が２以上の場合、平均した位置が、形状中心位置となる。なお、形状中心位置の算出方法は、上記の方法に限らず、座圧の分布の左右を分ける、分布形状のくびれ部が算出できればよい。

　分布形状の外縁は、座圧分布の分布マップにおいて、座圧の値が所定値以上のところである。なお、制御部１６が、所定値を変化させて、分布形状のくびれ部のｘ方向の位置を複数算出して、平均した位置を、形状中心位置としてもよい。

　中心位置が座圧中心位置の場合、制御部１６が、座圧分布の分布マップの各ピクセルの値と位置とから、分布形状重心（Ｇｘ，Ｇｙ）を、座圧中心位置として算出する。

　次に、情報処理サーバ装置１０は、対象者センシング値として、偏り度を算出する。具体的には、制御部１６が、形状中心位置と座圧中心位置との差を算出する。

　次に、情報処理サーバ装置１０は、座圧分布の大きさを算出する（ステップＳ１７）。具体的には、制御部１６が、図１９に示すように、座圧が所定の値以上のピクセル、または、単位区画をカウントする。制御部１６が、カウント数を、座面全体のピクセル数、単位区画の数で割って、座圧面積として、座面全体の中で圧が加わった部分の割合を計算する。

　このように、情報処理サーバ装置１０は、座圧分布の大きさを算出する圧力分布算出手段の一例として機能する。

　次に、情報処理サーバ装置１０は、癲癇等の疾患状態を判定する（ステップＳ１８）。具体的には、制御部１６が、道路区分ＩＤ、疾患ＩＤ、操作量ＩＤに基づき、疾患判定ＤＢ１２ｆを参照して、基準の操作値と、対象者Ｔの算出した操作値とを比較して、対象者Ｔが、疾患ＩＤの疾患である否か、疾患ＩＤの疾患の程度等の疾患状態を判定する。

　例えば、疾患ＩＤが癲癇を示し、道路区分ＩＤが東京の首都高速道路を示し、センサＩＤが視線で、操作量ＩＤが操舵角を示す場合、制御部１６が、ステップＳ１４で計算した乖離度と乖離度がＤ０ｔｈを超えてから経過時間とを、図１２Ａに示すような乖離度の閾値Ｄｔｈと経過時間の閾値Ｔｔｈと比較して、癲癇状態か否かを判定する。乖離度の閾値Ｄｔｈと経過時間の閾値Ｔｔｈとを超えた場合、制御部１６が、癲癇状態であると判定する。

　疾患ＩＤが癲癇を示し、道路区分ＩＤが東京の首都高速道路を示し、センサＩＤが視線で、操作量ＩＤが操舵トルクを示す場合、制御部１６が、ステップＳ１４で計算した乖離度と乖離度がＤ０ｔｈを超えてから経過時間とを、図１２Ｂに示すような乖離度の閾値Ｄｔｈと経過時間の閾値Ｔｔｈと比較して、癲癇状態か否かを判定する。

　疾患ＩＤが癲癇を示し、道路区分ＩＤが東京の首都高速道路を示し、センサＩＤが視線で、挙動量ＩＤが車両横加速度を示す場合、制御部１６が、ステップＳ１４で計算した乖離度と乖離度がＤ０ｔｈを超えてから経過時間とを、図１２Ｃに示すような乖離度の閾値Ｄｔｈと経過時間の閾値Ｔｔｈと比較して、癲癇状態か否かを判定する。

　このように、情報処理サーバ装置１０は、視線データと運転特性データとの関係性に応じて、対象者の癲癇状態を判定可能な疾患状態判定手段の一例として機能する。情報処理サーバ装置１０は、関係性の値が所定値以下になった場合、癲癇であると判定する疾患状態判定手段の一例として機能する。情報処理サーバ装置１０は、乖離度が所定値以上である時間が所定時間以上の場合、癲癇であると判定する疾患状態判定手段の一例として機能する。

　次に、データをフーリエ変換した操作関連データの場合について説明する。

　例えば、疾患ＩＤが癲癇を示し、道路区分ＩＤが東京の首都高速道路を示し、操作量ＩＤが操舵角を示す場合、ステップＳ１５で計算した、図１３Ａに示すような周波数値ｆ０、ｆ１における対象者Ｔの操作値と、周波数ｆ０に対してパワースペクトル密度ｐ０および周波数ｆ１に対してパワースペクトル密度ｐ１とを比較して、制御部１６が、癲癇状態か否かを判定する。計算した各操作値が、パワースペクトル密度ｐ０、ｐ１より低い場合、制御部１６が、癲癇状態であると判定する。

　疾患ＩＤが癲癇を示し、道路区分ＩＤが東京の首都高速道路を示し、操作量ＩＤが操舵トルクを示す場合、ステップＳ１５で計算した、図１３Ｂに示すような周波数値ｆ２における対象者Ｔの操作値と、周波数ｆ２に対してパワースペクトル密度ｐ２とを比較して、制御部１６が、癲癇状態か否かを判定する。

　疾患ＩＤが癲癇を示し、道路区分ＩＤが東京の首都高速道路を示し、挙動量ＩＤが車両横加速度を示す場合、ステップＳ１５で計算した、図１３Ｃに示すような周波数値ｆ３における対象者Ｔの操作値と、周波数ｆ３に対してパワースペクトル密度ｐ３とを比較して、制御部１６が、癲癇状態か否かを判定する。

　なお、情報処理サーバ装置１０は、１つの操作値または挙動値に基づき疾患状態を判定してもよいし、複数の操作値に基づき疾患状態を判定してもよい。

　例えば、複数の操作値または挙動値に基づき判定する場合、各操作値等の判定において、所定の疾患状態と判定された判定数が所定の閾値を超えた場合、所定の疾患状態であると情報処理サーバ装置１０は判定してもよい。所定の疾患状態であるとき判定結果を１として、所定の疾患状態でないとき判定結果を０として、情報処理サーバ装置１０は、各操作値の判定結果の和（判定数）を計算する。また、情報処理サーバ装置１０は、各操作値に重みを設けて、判定結果の和を計算してもよい。

　操作値と挙動値とを組み合わせて判定する場合、各操作値および各挙動値の判定において、所定の疾患状態と判定された判定数が所定の閾値を超えた場合、所定の疾患状態であると情報処理サーバ装置１０は判定してもよい。また、情報処理サーバ装置１０は、各操作値および各挙動値に重みを設けて、判定結果の和を計算してもよい。

　このように、情報処理サーバ装置１０は、視線データと運転特性データとの関係性に応じて、対象者の癲癇状態を判定可能な疾患状態判定手段の一例として機能する。

　次に、対象者センシングデータの場合について説明する。

　制御部１６が、道路区分ＩＤ、疾患ＩＤ、センサＩＤに基づき、疾患判定ＤＢ１２ｆを参照して、基準の対象者センシング値と、対象者Ｔの算出した対象者センシング値とを比較して、対象者Ｔが、疾患ＩＤの疾患である否か、疾患ＩＤの疾患の程度等の疾患状態を制御部１６が判定する。

　例えば、視線データの判定の場合について具体的に説明する。

　疾患ＩＤが癲癇を示し、道路区分ＩＤが東京の首都高速道路を示し、センサＩＤが視線データを示す場合、ステップＳ１６で計算した、所定の中心部の範囲から連続して外れている持続時間と、図１６Ａおよび図１６Ｂに示すような閾値Ｔｔｈ１、閾値Ｔｔｈ２とを比較して、制御部１６が、癲癇状態か否かを判定する。計算した持続時間が、閾値Ｔｔｈ１を超えた場合、または、閾値Ｔｔｈ２を超えた場合、これらの組み合わせの場合、制御部１６が、癲癇状態であると判定する。

　疾患ＩＤが癲癇を示し、道路区分ＩＤが東京の首都高速道路を示し、センサＩＤが視線データを示す場合、ステップＳ１６で計算した、所定の中心部の範囲から連続して外れている持続時間の平均値と、図１７Ａおよび図１７Ｂに示すような閾値Ｔｔｈとを比較して、制御部１６が、癲癇状態か否かを判定する。計算した持続時間の平均値が、閾値Ｔｔｈを超えた場合、制御部１６が、癲癇状態であると判定する。

　疾患ＩＤが癲癇を示し、道路区分ＩＤが東京の首都高速道路を示し、センサＩＤが視線データを示す場合、ステップＳ１６で計算した、視点が連続して中心部外に位置した持続時間の割合と、図１８Ａおよび図１８Ｂに示すような閾値Ｒ１、閾値Ｒ２とを比較して、制御部１６が、癲癇状態か否かを判定する。計算した持続時間が、閾値Ｒ１を超えた場合、または、閾値ＴＲ２を超えた場合、これらの組み合わせの場合、制御部１６が、癲癇状態であると判定する。

　このように、情報処理サーバ装置１０は、視線データが示す視線の位置が車両の進行方向における対象者の視野の中心部から外れた時間に応じて、対象者の癲癇状態を判定可能な疾患状態判定手段の一例として機能する。

　次に、座圧分布のデータの判定の場合について具体的に説明する。

　疾患ＩＤが癲癇を示し、道路区分ＩＤが東京の首都高速道路を示し、センサＩＤが視線データを示す場合、ステップＳ１７で計算した座圧面積と、図２１に示すような閾値Ｓｔｈとを比較して、制御部１６が、癲癇状態か否かを判定する。計算した座圧面積が、閾値Ｓｔｈ以下になった場合、制御部１６が、癲癇状態であると判定する。

　また、座圧分布のデータから算出された偏り度に基づき、左側麻痺か右側麻痺かを、制御部１６が判定してもよい。

　このように、情報処理サーバ装置１０は、座圧分布の大きさの変化に応じて、対象者の癲癇状態を判定可能な疾患状態判定手段の一例として機能する。

　なお、情報処理サーバ装置１０は、疾患の程度として、癲癇の場合、部分発作か、全体発作かでもよい。

　情報処理サーバ装置１０は、操作値と挙動値と対象者センシング値を組み合わせて、疾患状態を判定してもよい。操作量データ、操作関連データ、操作値、挙動量データ、挙動関連データ、挙動値、対象者センシングデータ、対象者センシング関連データ、対象者センシング値等の中から、所定の疾患に対して最適な特徴量の組み合わせで、情報処理サーバ装置１０は、疾患状態を判定してもよい。

　なお、情報処理サーバ装置１０は、車載端末装置３０等からデータを逐次取得して、疾患状態を判定してもよい。携帯端末装置２０または車載端末装置３０が、疾患状態判定装置の一例として、情報処理サーバ装置１０の代わりに、測定したデータから疾患状態を判定してもよい。この場合、携帯端末装置２０の制御部２７、または、車載端末装置３０の制御部３７が、測定したデータから疾患状態を判定する。

　また、情報処理サーバ装置１０は、家庭端末装置４０からの生理データと、医療機関サーバ装置５０の電子カルテ情報とにも基づき、疾患状態を判定してもよい。特に、庭端末装置４０からの生理データと、医療機関サーバ装置５０の電子カルテ情報とを基準にして、情報処理サーバ装置１０は、疾患状態を判定してもよい。

　以上、本実施形態によれば、対象者Ｔが車両Ｖを運転しているときに測定された対象者Ｔの視線の位置を示す視線データと、対象者Ｔの車両Ｖに対する運転特性を示す運転特性データとの関係性に応じて、対象者Ｔの癲癇等の疾患状態を判定することにより、特殊な機器で無くても、視線データおよび運転特性データのような測定しやすいデータから、対象者Ｔの癲癇の状態を判定することができる。

　また、関係性の値が所定値以下になった場合、癲癇であると判定する場合、関係性の値により、対象者Ｔの癲癇の状態を容易に判定ができる。

　また、関係性が、視線データと運転特性データとの乖離度である場合、乖離度により、対象者Ｔの癲癇の状態を容易に判定ができる。

　また、乖離度が所定値以上である時間が所定時間以上の場合、癲癇であると判定する場合、乖離度および所定値以上である時間との組み合わせにより、対象者Ｔの癲癇の状態の判定の精度が向上する。

　また、運転特性データが、対象者Ｔが車両Ｖを操作する操作量データ、および、車両Ｖの挙動の挙動量データの少なくとも一方である場合、操作量データ等により、対象者Ｔの癲癇の状態を容易に判定ができる。

　また、視線データが示す視線の位置が車両Ｖの進行方向における対象者Ｔの視野の中心部から外れた時間に応じて、対象者Ｔの癲癇状態を判定する場合、この時間や、この時間から計算される持続時間、時間平均時間、中心部外に位置した割合等により、対象者Ｔの癲癇の状態を容易に判定ができる。

　また、本実施形態によれば、車両Ｖにおいて対象者Ｔが座る座面の座圧分布の大きさの変化に応じて、対象者Ｔの癲癇状態を判定することにより、特殊な機器で無くても、座圧分布のような測定しやすいデータから、対象者Ｔの癲癇の状態を判定することができる。

　また、本実施形態によれば、対象者Ｔが車両Ｖを運転しているときに測定された視線データが示す視線の位置が車両Ｖの進行方向における対象者Ｔの視野の中心部から外れた時間に応じて、対象者Ｔの癲癇状態を判定することにより、特殊な機器で無くても、視線データのような測定しやすいデータから、対象者Ｔの癲癇の状態を判定することができる。

　（変形例）
　次に、疾患状態の判定の変形例について説明する。

　情報処理サーバ装置１０が、測定されたデータに対して、識別器を適用して、疾患状態を判定してもよい。識別器は、線形識別器または非線形識別器でもよい。識別器のパラメータを機械学習する機械学習の識別器でもよい。機械学習は、ニューラルネットワーク、遺伝的アルゴリズム、ベイジアンネットワーク、決定木学習、ロジスティクス回帰等が挙げられる。

　例えば、情報処理サーバ装置１０が、視線データ等の対象者センシングデータ、対象者センシング関連データ、対象者センシング値、操作量データ、操作関連データ、操作値、視線データと操作量データとの乖離度等で、予め機械学習しておいて、機械学習のモデルのパラメータを、疾患判定ＤＢ１２ｆに記憶しておく。なお、機械学習に利用するデータは、道路区分により分別されたデータでもよい。

　情報処理サーバ装置１０が、ステップＳ１４において算出された視線データと車両運転特性データとの乖離度に対して、ステップＳ１８において、疾患判定ＤＢ１２ｆを参照して識別器を適用して、疾患状態を判定してもよい。

　情報処理サーバ装置１０が、ステップＳ１５において算出された操作値および挙動値に対して、ステップＳ１８において、疾患判定ＤＢ１２ｆを参照して識別器を適用して、疾患状態を判定してもよい。

　情報処理サーバ装置１０が、ステップＳ１６において算出された視点が連続して中心部外に位置した時間に対して、ステップＳ１８において、疾患判定ＤＢ１２ｆを参照して識別器を適用して、疾患状態を判定してもよい。

　情報処理サーバ装置１０が、ステップＳ１７において算出され座圧分布の大きさに対して、ステップＳ１８において、疾患判定ＤＢ１２ｆを参照して識別器を適用して、疾患状態を判定してもよい。

　情報処理サーバ装置１０が、算出された操作関連データ、挙動量関連データに対して、ステップＳ１８において、疾患判定ＤＢ１２ｆを参照して識別器を適用して、疾患状態を判定してもよい。

　情報処理サーバ装置１０が、ステップＳ１３において道路に応じて分別したデータにデータに対して、ステップＳ１８において、疾患判定ＤＢ１２ｆを参照して識別器を適用して、疾患状態を判定してもよい。

　操作量データ、挙動量データ、対象者センシングデータ等の複数のデータに対して、情報処理サーバ装置１０が、疾患判定ＤＢ１２ｆを参照して識別器を適用して、疾患状態を判定してもよい。

　操作量データ、挙動量データ、対象者センシングデータ等に対する機械学習により、対象者の疾患状態を判定する場合、対象者センシングデータ、対象者センシング値、操作量データの波形、操作値、挙動量データの波形、挙動値のパターンのパターン等により、疾患状態を判定することができる。

　携帯端末装置２０または車載端末装置３０が、上記識別器を備えてもよい。

　さらに、本発明は、上記各実施形態に限定されるものではない。上記各実施形態は、例示であり、本発明の特許請求の範囲に記載された技術的思想と実質的に同一な構成を有し、同様な作用効果を奏するものは、いかなるものであっても本発明の技術的範囲に包含される。

　１０：情報処理サーバ装置（疾患状態判定装置）
　１２：記憶部（記憶手段）
　１２ｆ：疾患判定データベース（記憶手段）
　２０：携帯端末装置（疾患状態判定装置、端末装置）
　３０：車載端末装置（疾患状態判定装置、端末装置）
　Ｓ：疾患状態判定システム
　Ｔ：対象者
　Ｖ：車両

Claims

　対象者が車両を運転しているときに測定された当該対象者の視線の位置を示す視線データを取得する視線データ取得手段と、
　前記対象者の前記車両に対する運転特性を示す運転特性データを取得する運転特性データ取得手段と、
　前記視線データと前記運転特性データとの関係性に応じて、前記対象者の癲癇状態を判定可能な疾患状態判定手段と、
　を備えることを特徴とする疾患状態判定装置。
　請求項１に記載の疾患状態判定装置において、
　前記疾患状態判定手段が、前記関係性の値が所定値以下になった場合、癲癇であると判定することを特徴とする疾患状態判定装置。
　請求項１または請求項２に記載の疾患状態判定装置において、
　前記関係性が、前記視線データと前記運転特性データとの乖離度であることを特徴とする疾患状態判定装置。
　請求項３に記載の疾患状態判定装置において、
　前記疾患状態判定手段が、前記乖離度が所定値以上である時間が所定時間以上の場合、癲癇であると判定することを特徴とする疾患状態判定装置。
　請求項１から請求項４のいずれか１項に記載の疾患状態判定装置において、
　前記運転特性データが、前記対象者が車両を操作する操作量データ、および、前記車両の挙動の挙動量データの少なくとも一方であることを特徴とする疾患状態判定装置。
　請求項１から請求項５のいずれか１項に記載の疾患状態判定装置において、
　前記疾患状態判定手段が、前記視線データが示す視線の位置が前記車両の進行方向における前記対象者の視野の中心部から外れた時間に応じて、前記対象者の癲癇状態を判定することを特徴とする疾患状態判定装置。
　請求項１から請求項６のいずれか１項に記載の疾患状態判定装置において、
　前記車両において前記対象者が座る座面の座圧分布のデータを取得する座圧分布取得手段と、
　前記座圧分布の大きさを算出する圧力分布算出手段と、
　を更に備え、
　前記疾患状態判定手段が、前記座圧分布の大きさの変化に応じて、前記対象者の癲癇状態を判定することを特徴とする疾患状態判定装置。
　視線データ取得手段が、対象者が車両を運転しているときに測定された当該対象者の視線の位置を示す視線データを取得する視線データ取得ステップと、
　運転特性データ取得手段が、前記対象者の前記車両に対する運転特性を示す運転特性データを取得する運転特性データ取得ステップと、
　疾患状態判定手段が、前記視線データと前記運転特性データとの関係性に応じて、前記対象者の癲癇状態を判定可能な疾患状態判定ステップと、
　を含むことを特徴とする疾患状態判定方法。
　コンピュータを、
　対象者が車両を運転しているときに測定された当該対象者の視線の位置を示す視線データを取得する視線データ取得手段、
　前記対象者の前記車両に対する運転特性を示す運転特性データを取得する運転特性データ取得手段、および、
　前記視線データと前記運転特性データとの関係性に応じて、前記対象者の癲癇状態を判定可能な疾患状態判定手段として機能させることを特徴とする疾患状態判定装置用のプログラム。
　車両を運転している対象者に関するデータを収集する端末装置と、前記対象者に関するデータに基づき前記対象者の癲癇状態を判定する疾患状態判定装置と、を備えた疾患状態判定システムにおいて、
　前記疾患状態判定装置が、
　前記対象者が前記車両を運転しているときに測定された当該対象者の視線の位置を示す視線データを、前記端末装置から取得する視線データ取得手段と、
　前記対象者の前記車両に対する運転特性を示す運転特性データを、前記端末装置から取得する運転特性データ取得手段と、
　前記視線データと前記運転特性データとの関係性に応じて、前記対象者の癲癇状態を判定可能な疾患状態判定手段と、
　を有することを特徴とする疾患状態判定システム。
　車両において対象者が座る座面の座圧分布のデータを取得する座圧分布取得手段と、
　前記座圧分布の大きさを算出する圧力分布算出手段と、
　前記座圧分布の大きさの変化に応じて、前記対象者の癲癇状態を判定可能な疾患状態判定手段と、
　を備えることを特徴とする疾患状態判定装置。
　座圧分布取得手段が、車両において対象者が座る座面の座圧分布のデータを取得する座圧分布取得ステップと、
　圧力分布算出手段が、前記座圧分布の大きさを算出する圧力分布算出ステップと、
　疾患状態判定手段が、前記座圧分布の大きさの変化に応じて、前記対象者の癲癇状態を判定可能な疾患状態判定ステップと、
　を含むことを特徴とする疾患状態判定方法。
　コンピュータを、
　車両において対象者が座る座面の座圧分布のデータを取得する座圧分布取得手段、
　前記座圧分布の大きさを算出する圧力分布算出手段、および、
　前記座圧分布の大きさの変化に応じて、前記対象者の癲癇状態を判定可能な疾患状態判定手段として機能させることを特徴とする疾患状態判定装置用のプログラム。
　車両を運転している対象者に関するデータを収集する端末装置と、前記対象者に関するデータに基づき前記対象者の癲癇状態を判定する疾患状態判定装置と、を備えた疾患状態判定システムにおいて、
　前記車両において前記対象者が座る座面の座圧分布のデータを、前記端末装置から取得する座圧分布取得手段と、
　前記座圧分布の大きさを算出する圧力分布算出手段と、
　前記座圧分布の大きさの変化に応じて、前記対象者の癲癇状態を判定可能な疾患状態判定手段と、
　を有することを特徴とする疾患状態判定システム。
　対象者が車両を運転しているときに測定された当該対象者の視線の位置を示す視線データを取得する視線データ取得手段と、
　前記視線データが示す視線の位置が前記車両の進行方向における前記対象者の視野の中心部から外れた時間に応じて、前記対象者の癲癇状態を判定可能な疾患状態判定手段と、
　を備えることを特徴とする疾患状態判定装置。
　視線データ取得手段が、対象者が車両を運転しているときに測定された当該対象者の視線の位置を示す視線データを取得する視線データ取得ステップと、
　疾患状態判定手段が、前記視線データが示す視線の位置が前記車両の進行方向における前記対象者の視野の中心部から外れた時間に応じて、前記対象者の癲癇状態を判定可能な疾患状態判定ステップと、
　を含むことを特徴とする疾患状態判定方法。
　コンピュータを、
　対象者が車両を運転しているときに測定された当該対象者の視線の位置を示す視線データを取得する視線データ取得手段、および、
　前記視線データが示す視線の位置が前記車両の進行方向における前記対象者の視野の中心部から外れた時間に応じて、前記対象者の癲癇状態を判定可能な疾患状態判定手段として機能させることを特徴とする疾患状態判定装置用のプログラム。
　車両を運転している対象者に関するデータを収集する端末装置と、前記対象者に関するデータに基づき前記対象者の癲癇状態を判定する疾患状態判定装置と、を備えた疾患状態判定システムにおいて、
　前記疾患状態判定装置が、
　前記対象者が車両を運転しているときに測定された当該対象者の視線の位置を示す視線データを、前記端末装置から取得する視線データ取得手段と、
　前記視線データが示す視線の位置が前記車両の進行方向における前記対象者の視野の中心部から外れた時間に応じて、前記対象者の癲癇状態を判定可能な疾患状態判定手段と、
　を有することを特徴とする疾患状態判定システム。