JP2023125820A - 異常判定モデルの生成方法、異常判定装置、異常判定方法、及び学習済みモデル - Google Patents

Abstract

【課題】荷重検出に基づく被験者の異常判定を好適に行うことのできる異常判定モデルを生成する方法を提供する。【解決手段】異常判定モデルの生成方法は、ベッドに配置された荷重センサにより被験者の荷重を検出することと、検出された荷重に基づく複数種類の特徴量の各々を異常状態に対応付けた教師データを作成することと、前記教師データを用いた教師あり機械学習により前記複数種類の特徴量に基づいて前記被験者の状態を前記異常状態に分類するモデルを作成し、該モデルに基づいて前記複数種類の特徴量の少なくとも１つを説明変数と決定することと、前記説明変数を用いた機械学習により、前記説明変数に基づいて前記被験者が前記異常状態にあると判定する異常判定モデルを生成することを含む。前記複数種類の特徴量が、前記被験者の荷重に短時間フーリエ変換を行うことにより算出される周波数特徴量を含む。【選択図】図８

Description

本発明は、異常判定モデルの生成方法、異常判定装置、異常判定方法、及び学習済みモデルに関する。

医療や介護の現場において、ベッド上の被験者の状態を、被験者の身体に計測機器を取り付けることなく判定するシステムが提案されている。具体的には例えば、荷重検出器を介してベッド上の被験者の荷重を検出し、検出した荷重に基づいて在床／離床の判定、呼吸状態の判定等を行うシステムが知られている。

特許文献１は、荷重検出器の検出値に基づいてベッド上の被験者の数、被験者の呼吸数等を判定する生体情報モニタリングシステムを開示している。特許文献２は、荷重検出器の検出値に基づいて被験者の体軸の方向等を求める生体情報モニタリングシステムを開示している。

特許第６３２１７１９号明細書 特許第６５９４３９９号明細書

特許文献１、２に記載されたシステムでは、ベッド上の被験者の状態判定を行うに際し、被験者の体動が荷重変動に及ぼす影響を考慮する必要があった。また、被験者の体動による荷重変動の影響を除去することが望まれる場合でも、当該影響を十分に除去することは必ずしも容易ではなかった。

上記に鑑み、本発明は、荷重検出に基づく被験者の異常判定を好適に行うことのできる異常判定モデルを生成する異常判定モデルの生成方法を提供することを目的とする。

また本発明は、荷重検出に基づく被験者の異常判定を好適に行うことのできる異常判定装置、異常判定方法、及び学習済みモデルを提供することを目的とする。

本発明の第１の態様に従えば、
ベッド上の被験者が異常状態にあると判定する異常判定モデルの生成方法であって、
前記ベッドに配置された荷重センサにより前記被験者の荷重を検出することと、
検出された前記被験者の荷重に基づく複数種類の特徴量の各々を前記異常状態に対応付けた教師データを作成することと、
前記教師データを用いた教師あり機械学習により、前記複数種類の特徴量に基づいて前記被験者の状態を前記異常状態に分類するモデルを作成し、該モデルに基づいて前記複数種類の特徴量の少なくとも１つを説明変数と決定することと、
前記説明変数を用いた機械学習により、前記説明変数に基づいて前記被験者が前記異常状態にあると判定する異常判定モデルを生成することを含み、
前記複数種類の特徴量が、前記被験者の荷重に短時間フーリエ変換を行うことにより算出される周波数特徴量を含む異常判定モデルの生成方法が提供される。

本発明の第２の態様に従えば、
ベッド上の被験者が異常状態にあると判定する異常判定装置であって、
前記ベッドに配置された荷重センサが検知した前記被験者の荷重に短時間フーリエ変換を行うことにより周波数特徴量を算出する前処理部と、
異常判定モデルを記憶する異常判定部とを備え、
前記異常判定モデルが、前記周波数特徴量を入力として前記被験者が前記異常状態にあると判定する学習済みモデルである異常判定装置が提供される。

本発明の第３の態様に従えば、
ベッド上の被験者が異常状態にあると判定する異常判定方法であって、
前記ベッドに配置された荷重センサが検知した前記被験者の荷重に短時間フーリエ変換を行うことにより周波数特徴量を算出することと、
前記周波数特徴量を入力として前記被験者が前記異常状態にあると判定する学習済みモデルである異常判定モデルにより前記被験者が前記異常状態にあると判定することを含む異常判定方法が提供される。

本発明の第４の態様に従えば、
ベッド上の被験者が異常状態にあると判定するための学習済みモデルであって、
前記ベッドに配置された荷重センサが検知した前記被験者の荷重に短時間フーリエ変換を行うことにより算出された周波数特徴量に基づいて機械学習されており、
前記周波数特徴量に基づいて前記被験者が前記異常状態にあると判定するようにコンピュータを機能させる学習済モデルが提供される。

本発明の第５の態様に従えば、
ベッド上の被験者が異常状態にあることを判定する異常判定モデルの生成方法であって、
前記ベッドに配置された荷重センサにより前記被験者の荷重を検出することと、
前記被験者の荷重に短時間フーリエ変換を行うことにより周波数特徴量を算出することと、
前記周波数特徴量を用いた教師なし機械学習により、前記周波数特徴量に基づいて前記被験者が前記異常状態にあることを判定する異常判定モデルを生成することを含み、
前記異常状態が咳状態及び無呼吸状態を含み、
前記周波数特徴量が、０．１～１．０[Ｈｚ]の帯域に含まれる第１周波数帯における周波数スペクトルの平均振幅値と、３．６～５．５[Ｈｚ]の帯域に含まれる第２周波数帯における周波数スペクトルの平均振幅値とを含む異常判定モデルの生成方法が提供される。

本発明の異常判定モデルの生成方法によれば、荷重検出に基づく被験者の異常判定を好適に行うことができる異常判定モデルを生成することができる。また、本発明の異常判定装置、異常判定方法、及び学習済みモデルによれば、荷重検出に基づく被験者の異常判定を好適に行うことができる。

図１は、異常判定システムの構成を示すブロック図である。 図２は、ベッドに対する荷重センサの配置を示す説明図である。 図３は、異常判定システムを用いた異常判定方法のフローチャートである。 図４（ａ）は、荷重信号の時間的変動の一例を示すグラフである。図４（ｂ）は図４（ａ）の荷重信号に基づいて得られる周波数スペクトルの一例を示すグラフである。 図５（ａ）～図５（ｄ）はそれぞれ、荷重信号に基づいて得られた周波数スペクトルの０．２[Ｈｚ]～０．５[Ｈｚ]の帯域におけるスペクトル振幅の平均値の傾向を、横軸、縦軸をスペクトル振幅の対数として示すグラフである。横軸はスペクトル振幅の大きさを示し、縦軸は分布量をしめす。図５（ａ）は被験者が無呼吸状態にある期間の傾向、図５（ｂ）は被験者が咳状態にある期間の傾向、図５（ｃ）は被験者が正常状態にある期間の傾向、図５（ｄ）は被験者が寝返りを行っている期間の傾向をそれぞれ示す。 図６（ａ）～図６（ｄ）はそれぞれ、荷重信号に基づいて得られた周波数スペクトルの４．６[Ｈｚ]～５．０[Ｈｚ]の帯域におけるスペクトル振幅の平均値の傾向を、横軸、縦軸をスペクトル振幅の対数として示すグラフである。横軸はスペクトル振幅の大きさを示し、縦軸は分布量をしめす。図６（ａ）は被験者が無呼吸状態にある期間の傾向、図６（ｂ）は被験者が咳状態にある期間の傾向、図６（ｃ）は被験者が正常状態にある期間の傾向、図６（ｄ）は被験者が寝返りを行っている期間の傾向をそれぞれ示す。 図７は、スペクトル振幅対の分布を示す概略的な散布図である。 図８は、異常判定モデル生成方法のフローチャートである。 図９は、４つの荷重センサが検知した４つの荷重信号の時間的変動の一例を示すグラフである。 図１０は、ランダムカットフォレストアルゴリズムを用いた教師なし機械学習により得られた異常判定モデルについて、被験者に咳又は無呼吸が生じた場合にスコアが上昇する様子を示すグラフである。 図１１（ａ）～図１１（ｃ）はそれぞれ、荷重信号に基づいて得られた周波数スペクトルの３．６[Ｈｚ]～４．０[Ｈｚ]の帯域におけるスペクトル振幅の平均値の傾向を、横軸、縦軸をスペクトル振幅の対数として示すグラフである。横軸はスペクトル振幅の大きさを示し、縦軸は分布量をしめす。図１１（ａ）は被験者が無呼吸状態にある期間の傾向、図１１（ｂ）は被験者が咳状態にある期間の傾向、図１１（ｃ）は被験者が正常状態にある期間の傾向をそれぞれ示す。 図１２ は、スペクトル振幅対の分布を示す概略的な散布図である。

＜実施形態＞
[異常判定システム、異常判定方法]
本発明の実施形態に係る異常判定システム１００及び異常判定方法について、咳状態（咳を行っている状態）及び無呼吸状態（無呼吸となっている状態）を異常状態とみなして判定を行う場合を例として、図１～図１０を参照して説明する。

図１に示す通り、異常判定システム１００は、荷重計測部１０と、異常判定装置２０と、端末装置３０とを主に備える。荷重計測部１０、異常判定装置２０、及び端末装置３０は、インターネット等のネットワークＮＷを介して互いに接続されている。

荷重計測部１０は、４つの荷重センサＬＳ１、ＬＳ２、ＬＳ３、ＬＳ４を主に備える。４つの荷重センサＬＳ１～ＬＳ４の各々は、例えばビーム形のロードセルを用いて荷重を計測する。このような荷重センサは例えば、特許第４８２９０２０号や特許第４００２９０５号に記載されている。

図２に示す通り、４つの荷重センサＬＳ１～ＬＳ４は、被験者Ｓが使用するベッドＢＤの四隅の脚ＢＬ_１、ＢＬ_２、ＢＬ_３、ＢＬ_４の下端部に取り付けられたキャスターＣ_１、Ｃ_２、Ｃ_３、Ｃ_４の下にそれぞれ配置される。

異常判定装置２０は、前処理部２１と、異常判定モデル２２を記憶する異常判定部２２０と、記憶部２３とを主に備える。異常判定装置２０は、単一の物理サーバ内に構成されていてもよく、クラウド（クラウドサーバ）上に構成されていてもよい。

前処理部２１は、荷重計測部１０からネットワークＮＷを介して受け取った荷重値に基づいて、異常判定モデル２２に入力するデータ（説明変数）を算出する。異常判定モデル２２は、所定の説明変数に基づいてベッドＢＤ上の被験者Ｓが異常状態にあると判定する学習済モデルである。前処理部２１及び異常判定モデル２２の機能について、詳細は後述する。なお、本発明において「被験者が異常状態にあると判定するモデル」とは、被験者が異常状態にあると判定するための情報（スコア）を出力するモデルを含む。

記憶部２３は、異常判定装置２０において用いられる各種プログラム、各種データ等を記憶する。記憶部２３はまた、異常判定モデル２２の運用によって得られたデータを記憶してもよい。記憶されたデータは異常判定モデル２２のリモデリング（再学習）に用い得る。

端末装置３０は、表示部３１と入力部３２とを主に備える。

表示部３１は、異常判定装置２０の判定結果を異常判定システム１００の使用者（医師、看護師、介護士、家庭における介護者等）に対して表示する。表示部３１は例えば、画像表示部（液晶ディスプレイ等）及び／又は音声表示部（スピーカ等）を有する。

入力部３２は、異常判定システム１００に対する各種入力を行うためのインターフェイスである。入力部３２は例えば、押しボタンであってよく、表示部３１の液晶ディスプレイと一体に構成されたタッチパネルであってよい。

異常判定システム１００を用いた異常判定方法は、図３のフローチャートに示す通り、荷重計測工程Ｓ１１、前処理工程Ｓ１２、異常判定工程Ｓ１３、及び表示工程Ｓ１４を含む。

荷重計測工程Ｓ１１では、荷重計測部１０の荷重センサＬＳ１～ＬＳ４を用いて、ベッドＢＤ上の被験者Ｓの荷重（即ち、被験者ＳがベッドＢＤに加える荷重）を計測する。被験者Ｓの荷重は、ベッドＢＤの四隅の脚ＢＬ_１～ＢＬ_４の下に配置された荷重センサＬＳ１～ＬＳ４に分散して付与され、これらによって分散して計測される。

荷重センサＬＳ１～ＬＳ４の各々は、被験者Ｓの荷重をアナログ信号として検出する。以下では、荷重センサＬＳ１、ＬＳ２、ＬＳ３、ＬＳ４の各々が検出したアナログ信号（即ち、生データ信号）をアナログ信号ｓ_１、ｓ_２、ｓ_３、ｓ_４と記載する。

アナログ信号ｓ_１～ｓ_４は、荷重計測部１０の通信インターフェイス（不図示）、及びネットワークＮＷを介して異常判定装置２０に送られる。

前処理工程Ｓ１２では、異常判定装置２０の前処理部２１を用いて、異常判定モデル２２に入力する説明変数を算出する。

前処理部２１はまず、荷重計測部１０から送られたアナログ信号ｓ_１～ｓ_４を、ネットワークＮＷ及び異常判定装置２０の通信インターフェイス（不図示）を介して受け取る。そして、サンプリング周期を例えば５ミリ秒としてアナログ信号ｓ_１～ｓ_４をデジタル変換し、デジタル信号を取得する。以下では、アナログ信号ｓ_１、ｓ_２、ｓ_３、ｓ_４をそれぞれデジタル変換して得られるデジタル信号を荷重信号ｓｓ_１、ｓｓ_２、ｓｓ_３、ｓｓ_４と記載する。

本実施形態では、前処理部２１は、異常判定モデル２２に入力する説明変数として、荷重信号ｓｓ_１～荷重信号ｓｓ_４の各々に基づく、低周波数帯スペクトル振幅及び高周波数帯スペクトル振幅を算出する。以下、荷重信号ｓｓ_ｎ（ｎ＝１、２、３、４）に基づく低周波数帯スペクトル振幅をＬＳＡｎ（ｎ＝１、２、３、４）、高周波数帯スペクトル振幅をＨＳＡｎ（ｎ＝１、２、３、４）と記載する。

低周波数帯スペクトル振幅ＬＳＡ１、高周波数帯スペクトル振幅ＨＳＡ１は具体的には例えば、次のようにして逐次算出される。

まず、荷重信号ｓｓ_１（一例を図４（ａ）に示す）に対して短時間フーリエ変換を逐次行い、周波数スペクトル（一例を図４（ｂ）に示す）を逐次生成する。短時間フーリエ変換の窓関数の長さは一般に、対象とする周波数幅と切り出す時間長に応じて調整が必要である。本実施形態では、短時間フーリエ変換を１０[ｓ]ごとに実行する。

次に、生成された周波数スペクトルについて、０．２～０．５[Ｈｚ]の周波数帯域の振幅の平均値、及び４．６～５．０[Ｈｚ]の周波数帯域の振幅の平均値を算出する。これにより得られた０．２～０．５[Ｈｚ]の周波数帯域のスペクトル振幅の平均値が低周波数帯スペクトル振幅ＬＳＡ１であり、４．６～５．０[Ｈｚ]の周波数帯域のスペクトル振幅の平均値が高周波数帯スペクトル振幅ＨＳＡ１である。

荷重信号ｓｓ_１に代えて荷重信号ｓｓ_２～ｓｓ_４を用いて同様の計算を行うことで、低周波数帯スペクトル振幅ＬＳＡ２～ＬＳＡ４、高周波数帯スペクトル振幅ＨＳＡ２～ＬＳＡ４が逐次算出される。

異常判定工程Ｓ１３では、前処理工程Ｓ１２で算出された低周波数帯スペクトル振幅ＬＳＡ１～ＬＳＡ４及び高周波数帯スペクトル振幅ＨＳＡ１～ＨＳＡ４を異常判定モデル２２に逐次入力し、被験者Ｓが異常状態（即ち、咳状態又は無呼吸状態のいずれか一方）に至っているか否かの判定を逐次実行する。

異常判定モデル２２は、低周波数帯スペクトル振幅ＬＳＡ１～ＬＳＡ４及び高周波数帯スペクトル振幅ＨＳＡ１～ＨＳＡ４に基づいて被験者Ｓが咳状態又は無呼吸状態に至ったことを判定するためのスコアを出力する学習済みモデルである。

本発明の発明者の知見によれば、低周波数帯スペクトル振幅ＬＳＡｎは、被験者Ｓが無呼吸状態にある場合に比較的小さい値を示す傾向にある。例えば図５（ａ）～図５（ｄ）において、被験者Ｓが無呼吸状態にある場合のＬＳＡｎは２０～４０の領域に多く分布している。この分布域は、被験者Ｓが咳状態にある場合（図５（ｂ））、被験者Ｓが正常状態にある場合（図５（ｃ））、及び被験者Ｓに寝返りが生じている場合（図５（ｄ））のＬＳＡｎの分布域よりも低振幅側（小値側）にある。なお、ここでは「正常状態」とは、被験者Ｓに無呼吸、咳、及び寝返りが生じていない状態を意味する。

同様に、本発明の発明者の知見によれば、高周波数帯スペクトル振幅ＨＳＡｎは、被験者Ｓが咳状態にある場合に比較的大きい値を示す傾向にある。例えば図６（ａ）～図６（ｄ）において、被験者Ｓが咳状態にある場合のＨＳＡｎは６０～１００の領域に多く分布している。この分布域は、被験者Ｓが無呼吸状態にある場合（図６（ａ））、被験者Ｓが正常状態にある場合（図６（ｃ））、及び被験者Ｓに寝返りが生じている場合（図６（ｄ））のＨＳＡｎの分布域よりも高振幅側（大値側）にある。

したがって、横軸を低周波数帯スペクトル振幅ＬＳＡｎの大きさ、縦軸を高周波数帯スペクトル振幅ＨＳＡｎの大きさとして、スペクトル振幅対ＰＳＡｎ（即ち、同時刻に検知した荷重信号に基づく低周波数帯スペクトル振幅ＬＳＡｎと高周波数帯スペクトル振幅ＨＳＡｎの対）の散布図を作成すると、被験者Ｓが無呼吸状態にある場合のスペクトル振幅対ＰＳＡｎが分布する領域Ａａは、被験者Ｓが正常状態にある場合のスペクトル振幅対ＰＳＡｎが分布する領域Ａｎ及び被験者Ｓに寝返りが生じている場合のスペクトル振幅対ＰＳＡｎが分布する領域Ａｔに対して、低周波数帯スペクトル振幅ＬＳＡｎの小値側にずれた領域に位置する（図７）。

また、被験者Ｓが咳状態にある場合のスペクトル振幅対ＰＳＡｎが分布する領域Ａｃは、被験者Ｓが正常状態にある場合のスペクトル振幅対ＰＳＡｎが分布する領域Ａｎ及び被験者Ｓに寝返りが生じている場合のスペクトル振幅対ＰＳＡｎが分布する領域Ａｔに対して、高周波数帯スペクトル振幅ＨＳＡｎの大値側にずれた領域に位置する（図７）。

この傾向に基づき、低周波数帯スペクトル振幅ＬＳＡ１～ＬＳＡ４及び高周波数帯スペクトル振幅ＨＳＡ１～ＨＳＡ４を学習データとした機械学習により、被験者Ｓが異常状態にあることを判定する学習済モデルである異常判定モデル２２を生成することができる。具体的には当該学習済みモデルは、被験者Ｓが咳状態又は無呼吸状態にある場合に高いスコアを出力する。したがって例えば、異常判定部２２０は、当該スコアと所定値との比較により被験者Ｓが異常状態（即ち、咳状態及び無呼吸状態のいずれか一方）にあると判定し得る（異常判定モデル２２の生成方法について、詳細は後述する）。

表示工程Ｓ１４では、異常判定モデル２２（異常判定部２２０）の判定結果を端末装置３０の表示部３１に表示する。表示は任意の態様でなされ得る。例えば、被験者Ｓが異常状態に至っていると異常判定モデル２２が判定した場合に、表示部３１がその旨を、画像及び／又は音声により表示する。なお、表示工程Ｓ１４を省略して、判定結果を記憶部２３に記憶するのみでもよい。

本実施形態の異常判定システム１００及び異常判定方法は、体動による荷重変化の影響も考慮して生成された異常判定モデル２２（生成方法の詳細は後述）を用いて被験者Ｓの異常判定を行っている。したがって、被験者Ｓの異常判定を好適に行うことが出来る。

より具体的には、本実施形態の異常判定システム１００及び異常判定方法は、被験者が咳を行った場合又は被験者が無呼吸となった場合に被験者の体動の有無にかかわらず周波数スペクトルに現れる傾向に基づいて異常判定モデルを作成し、当該異常判定モデルに基づいて被験者が咳状態又は無呼吸状態に至ったことを判定する。したがって、被験者Ｓに体動が生じており、荷重信号ｓｓ_１～ｓｓ_４が被験者の呼吸に関係しない要因により変動している期間においても、被験者Ｓが咳状態又は無呼吸状態に至っているか否かを荷重計測に基づいて判定することが出来る。なお、ここでは「体動」とは、胴部の移動を伴う大きな体動（例えば寝返り）、及び頭部及び／又は四肢の移動を伴う小さな体動を含む。

上記実施形態では、異常状態が咳状態及び無呼吸状態の両方を含み、異常判定システム１００は被験者Ｓが咳状態及び無呼吸状態のいずれかに至っている場合に被験者Ｓが異常状態であると判定するがこれには限られない。異常判定システム１００は、被験者Ｓが無呼吸状態に至っている場合には異常と判定せず被験者Ｓが咳状態に至っている場合に異常と判定する構成であってもよく、被験者Ｓが咳状態に至っている場合には異常と判定せず被験者Ｓが無呼吸状態に至っている場合に異常と判定する構成であってもよい。

その他、異常判定システム１００において異常とみなす状態は、時間軸上で分類できる被験者の状態に対して、荷重センサＬＳ１～ＬＳ４の検出値であるアナログ信号ｓ_１、ｓ_２、ｓ_３、ｓ_４（又は荷重信号ｓｓ_１、ｓｓ_２、ｓｓ_３、ｓｓ_４）を対応づけ、後述のラベル付けをすることで、あらたに追加し得る。

[異常判定モデル生成方法]
次に、本発明の実施形態に係る異常判定モデル生成方法を説明する。

異常判定システム１００の異常判定装置２０が備える異常判定モデル２２は、異常判定システム１００が異常とみなす状態の内容に応じて、異なるものが生成される。以下では、異常とみなす状態の内容に応じた異常判定モデルの生成方法を説明する。

本実施形態の異常判定モデルの生成方法は、図８のフローチャートに示す通り、教師データ作成工程Ｓ２１と、説明変数決定工程Ｓ２２と、モデル生成工程Ｓ２３とを含む。

教師データ作成工程Ｓ２１では、説明変数決定工程Ｓ２２で使用する教師データを、一例として次の手順により作成する。

まず、ベッドＢＤ上に被験者Ｓが存在する状態で、荷重センサＬＳ１～ＬＳ４による被験者Ｓの荷重の計測、及びベッドＢＤ上の被験者Ｓの撮影を所定期間に渡り並行して行い、荷重信号ｓｓ_１～ｓｓ_４及び被験者Ｓの画像（動画）を記憶する。記憶された荷重信号ｓｓ_１～ｓｓ_４の一例は図９に示す通りである。この時、被験者Ｓの音声を録音してもよい。

次に、記憶された被験者Ｓの画像に基づいて、記憶された荷重信号ｓｓ_１～ｓｓ_４にラベル付け（タグ付け）を行う。ラベル付けは、荷重信号ｓｓ_１～ｓｓ_４に対して、被験者Ｓの状態（動作）の種類、及び当該状態の開始時刻及び終了時刻を紐づけることによりなされる。

ラベル付けされる状態の種類は、一例として、「無呼吸」、「咳」、「正常」、「寝返り」である。図９に示す例では、時刻ｔ_１～時刻ｔ_２の期間について「無呼吸」、時刻ｔ_３～時刻ｔ_４の期間及び時刻ｔ_７～時刻ｔ_８の期間について「寝返り」、時刻ｔ_５～時刻ｔ_６の期間及び時刻ｔ_９～時刻ｔ_１０の期間について「咳」、その他の期間について「正常」とラベル付けされた。

また、ラベル付けされる状態の種類は「無呼吸」、「咳」、「正常」、「寝返り」に変えて又はこれらに加えて、「入床」（被験者のベッド下からベッド上への移動）、「離床」（被験者のベッド上からベッド下への移動）、「端座位」（ベッド端に被験者が座っている状態）、「座位」（ベッド上に被験者が座っている状態）、「寝返り以外の体動」、「リクライニングベッドの角度変化」（上昇又は下降）、ベッド上での危険動作（ベッド柵からの飛び出し等）、「食事」、「仰臥」、「右横臥」、「左横臥」、「伏臥」等の少なくとも１つを含んでもよい。

次に、記憶された荷重信号ｓｓ_１～ｓｓ_４に基づいて複数の特徴量を作成する。本実施形態で用いる特徴量は、下記の特徴量を含み得る。

（１）荷重信号ｓｓ_１～ｓｓ_４
荷重信号ｓｓ_１～ｓｓ_４をそのまま特徴量として使用する。

（２）各周波数帯のスペクトル振幅ＳＡｎ_Ｘ－Ｙ
荷重信号ｓｓ_ｎに対して短時間フーリエ変換を逐次行い、周波数スペクトル（一例を図４（ｂ）に示す）を逐次生成する。短時間フーリエ変換の窓関数の長さは一例として１０[ｓ]程度とし得る。短時間フーリエ変換は一例として、５[ｓ]～１５[ｓ]ごとに実行され得る。時間的に連続する２回の短時間フーリエ変換の窓関数は互いに部分的に重複してもよい。短時間フーリエ変換の窓関数の長さは、時間分解能および周波数分解能との相関が知られている。すなわち、窓関数の時間長を長くすれば時間分解能は低く周波数分解能は高くなり、短くすれば時間分解能は高く周波数分解能は低くなる。こうした特性を改善するための手法として、窓関数を導入することによるサイドローブの抑制が知られている。また、一般調和解析法（Ｇｅｎｅｒａｌｉｚｅｄ Ｈａｒｍｏｎｉｃ Ａｎａｌｙｓｉｓ： ＧＨＡ）や複数窓長を使った短時間フーリエ変換（Ｍｕｌｔｉ－Ｗｉｎｄｏｗｓ ＳＴＦＴ）が知られている。これらの手法を使い、周波数スペクトルを分析して説明変数を決定してもよい。

生成された周波数スペクトルの各々について、周波数を１０個の帯域に分割し、各帯域におけるスペクトル振幅の平均値を算出する。本実施形態では、一例として、０．２～０．５[Ｈｚ]、０．６～１．０[Ｈｚ]、１．１～１．５[Ｈｚ]、１．６～２．０[Ｈｚ]、２．１～２．５[Ｈｚ]、２．６～３．０[Ｈｚ]、３．１～３．５[Ｈｚ]、３．６～４．０[Ｈｚ]、４．１～４．５[Ｈｚ]、及び４．６～５．０[Ｈｚ]の各帯域におけるスペクトル振幅の平均値を算出する。

以下では、荷重信号ｓｓ_ｎ（ｎ＝１、２、３、４）に基づいて生成された周波数スペクトルの、Ｘ～Ｙ[Ｈｚ]の周波数帯域のスペクトル振幅の平均値をスペクトル振幅ＳＡｎ_Ｘ―Ｙ（ｎ＝１、２、３、４）と記載する。スペクトル振幅ＳＡｎ_{０．２－０．５}は０．２～０．５[Ｈｚ]の周波数帯域のスペクトル振幅の平均値であり、上記の低周波数帯スペクトル振幅ＬＳＡｎに等しい。スペクトル振幅ＳＡｎ_{４．６－５．０}は４．６～５．０[Ｈｚ]の周波数帯域のスペクトル振幅の平均値であり、上記の高周波数帯スペクトル振幅ＨＳＡｎに等しい。

（３）重心位置
荷重信号ｓｓ_１～ｓｓ_４に基づいて算出される、ベッドＢＤ上での被験者Ｓの重心位置。重心位置の算出には任意の公知の方法を用い得る。重心位置の算出方法の一例は、特許第６３２１７１９号明細書（特許文献１）に記載されている。

（４）呼吸波形
被験者Ｓの重心Ｇは被験者Ｓの呼吸に応じて被験者Ｓの体軸（背骨）に沿った方向に振動する（以下、当該振動を「呼吸振動」と呼ぶ）。呼吸波形は呼吸振動の様子を示すものであり、横軸を時間、縦軸を呼吸振動の振幅として表される。呼吸波形の描画方法の一例は、特許第６６６１１７３号明細書に記載されている。

（５）呼吸数
被験者Ｓの呼吸数は、例えば呼吸波形に基づいて算出される。呼吸波形の一周期が一回の呼吸（呼気及び吸気）に相当するため、呼吸波形のピーク間距離をＴとすると、１分間の呼吸数ＢはＢ＝６０／Ｔと推定される。

（６）呼吸振幅値
被験者Ｓの呼吸数は、例えば呼吸波形に基づいて算出される。呼吸波形の振幅を呼吸振幅値と推定することができる。

（７）心拍波形
一例として、荷重信号ｓｓ_１～ ｓｓ_４の各々から心拍の周波数帯域（約０．５Ｈｚ～約３．３Ｈｚ）に含まれる成分を分離して得られる波形を心拍波形とすることができる。

（８）ＡＣＩ（アクティビティインデックス、 Ａｃｔｉｖｉｔｙ Ｉｎｄｅｘ）
ＡＣＩは被験者の活動度を示す指数である。ＡＣＩは例えば、荷重信号ｓｓ_１、ｓｓ_２、ｓｓ_３、ｓｓ_４の時間的変動の標準偏差をそれぞれ、σ_１、σ_２、σ_３、σ_４として、標準偏差σ_１～σ_４の単純平均値の所定期間（例えば２０秒間）の時間積分値として算出される。標準偏差σ_１～σ_４に変えて、標準偏差σ_１～σ_４を呼吸波形の振幅で除した値を用いてもよい。ＡＣＩの更なる詳細は、特許第６６６１１７３号明細書に記載されている。

（９）総荷重
荷重信号ｓｓ_１～ｓｓ_４により示される荷重値の合計として算出し得る。

（１０）その他
その他、異常とみなす状態に応じて、当該状態に関連があると推定される所定の特徴量を作成し、用いることができる。

以上により、荷重信号ｓｓ_１～ｓｓ_４に基づいて得られた複数の特徴量の組合せ（以下、「特徴量セットＦＳ」と呼ぶ）を入力とし、当該荷重信号ｓｓ_１～ｓｓ_４にラベル付けされた被験者Ｓの状態を出力とするデータセットが教師データとして作成される。各特徴量は荷重信号ｓｓ_１～ｓｓ_４に基づいて作成されているため、各特徴量は荷重信号ｓｓ_１～ｓｓ_４にラベル付けされた被験者Ｓの状態に対応付けられている。

説明変数決定工程Ｓ２２では、教師データ作成工程Ｓ２１で作成した教師データに含まれる特徴量セットＦＳの中から少なくとも１つの特徴量を選択し、これを後述するモデル生成工程Ｓ２３で使用する説明変数と決定する。

特徴量の選択（説明変数の決定）は、一例として、決定木アルゴリズムに基づく勾配ブースティング手法（具体的には例えば、ＸＧＢｏｏｓｔ、ＬｉｇｈｔＧＢＭ、ＣａｔＢｏｏｓｔ等）を用いて行うことができる。なお、勾配ブースティング手法に代えてロジスティック回帰を用いてもよい。

具体的には、教師データ作成工程Ｓ２１で作成した教師データを用いて、特徴量セットＦＳを入力とし被験者Ｓの所定状態を出力とするトレーニングデータを作成する。所定状態は、生成するモデルにより異常状態として判定させようとする状態を含み、ラベル付けされた複数の状態の中から少なくとも１つを選択する。そして、当該トレーニングデータを用いて、特徴量セットＦＳを入力として被験者Ｓの状態を当該所定状態に分類する学習済モデルを勾配ブースティング手法により生成する。その後、生成された学習済みモデルにおける各特徴量の寄与度を決定木アルゴリズムの重要度に基づいて計算し、寄与度の高い１つ又は複数の特徴量をモデル生成工程Ｓ２３で使用する説明変数と決定する。

モデル生成工程Ｓ２３では、説明変数決定工程Ｓ２２で選択した１つ又は複数の特徴量を説明変数とするトレーニングデータを作成し、当該トレーニングデータを用いた教師なし学習により異常判定モデル２２を生成する。

トレーニングデータは、別途計測した荷重信号ｓｓ_１～ｓｓ_４から新たに作成する。ある状態に対応する特徴量が少ない等の不均衡が生じている場合は、ＳＭＯＴＥ等の公知の手法によりオーバーサンプリングを行ってもよい。教師無し機械学習アルゴリズムとしては、ランダムカットフォレストの他、ランダムフォレスト、クラスタリング、主成分分析、アソシエーション分析、敵対的生成ネットワーク（Ｇｅｎｅｒａｔｉｖｅ Ａｄｖｅｒｓａｒｉａｌ Ｎｅｔｗｏｒｋ）、混合正規分布モデル（ＧＭＭ）、局所外れ値因子法（ＬＯＦ）、アイソレーションフォレスト、カーネル密度推定等を用いることができる。

[実施例]
咳状態及び無呼吸状態を異常状態とみなす異常判定モデルを上記の異常判定モデル生成方法により生成した。

教師データ生成工程Ｓ２１では、上記の（１）荷重信号ｓｓ_１～ｓｓ_４、（２）各周波数帯のスペクトル振幅ＳＡｎ_Ｘ－Ｙ、（３）重心位置、（４）呼吸波形、（５）呼吸数、（７）心拍波形、（８）ＡＣＩ、及び（９）総荷重を含む１７０種類の特徴量からなる特徴量セットＦＳを入力とし、「咳状態」、「無呼吸状態」、「正常状態」、「寝返り」を出力とする教師データを作成した。

説明変数決定工程Ｓ２２では、特徴量セットＦＳを入力として、被験者Ｓの状態を「咳状態」、「無呼吸状態」、「正常状態」、「寝返り」に分類する学習済みモデルを勾配ブースティング手法により生成した。そして、生成された学習済みモデルにおける各特徴量の寄与度を計算したところ、スペクトル振幅ＳＡｎ_{０．２－０．５}（ｎ＝１、２、３、４）及びスペクトル振幅ＳＡｎ_{４．６－５．０}（ｎ＝１、２、３、４）の寄与度が高いことが確認された。したがって、スペクトル振幅ＳＡｎ_{０．２－０．５}（ｎ＝１、２、３、４）及びスペクトル振幅ＳＡｎ_{４．６－５．０}（ｎ＝１、２、３、４）を説明変数と決定した。

モデル生成工程Ｓ２３では、説明変数としてスペクトル振幅ＳＡｎ_{０．２－０．５}（ｎ＝１、２、３、４）及びスペクトル振幅ＳＡｎ_{４．６－５．０}（ｎ＝１、２、３、４）を含むデータセットをトレーニングデータとして用い、ランダムカットフォレストアルゴリズムにより異常判定モデルを生成した。

生成された学習済みモデルにスペクトル振幅ＳＡｎ_{０．２－０．５}（ｎ＝１、２、３、４）及びスペクトル振幅ＳＡｎ_{４．６－５．０}（ｎ＝１、２、３、４）を入力した場合に出力されたスコアの一例は図１０に示す通りである。当該学習済みモデルから出力されるスコアは被験者Ｓが咳状態にある期間Ｐｃ及び被験者Ｓが無呼吸状態にある期間Ｐａにおいて上昇している。したがって例えば、当該スコアと所定の閾値との比較により、被験者Ｓが異常状態（即ち、咳状態又は無呼吸状態）にあることを判定できる。

本実施形態の異常判定モデルの生成方法では、荷重検出に基づく多数の特徴量の中から決定木モデルにおいて異常とみなす状態への分類における寄与度が大きい特徴量を選択し、これを説明変数として異常判定モデルを生成する。よって、本実施形態の異常判定モデルの生成方法では、荷重検出に基づく被験者の異常判定を好適に行うことのできる異常判定モデルを生成することができる。

より具体的には、本実施形態の異常判定モデルの生成方法では、体動による荷重変化の影響を内包する多数の特徴量の中から決定木モデルにおいて異常とみなす状態への分類における寄与度が大きい特徴量を選択し、これを説明変数として異常判定モデルを生成する。よって、被験者に体動が生じている期間中も異常判定を行うことのできる異常判定モデルを生成することができる。

また、本実施形態の異常判定モデルの生成方法では、教師データの特徴量セットＦＳにスペクトル振幅ＳＡｎ_Ｘ－Ｙを含めている。スペクトル振幅ＳＡｎ_Ｘ－Ｙにおいては、被験者Ｓの各状態に応じた特徴が体動の有無にかかわらず維持されやすいため、説明変数決定工程Ｓ２２において、より適切な特徴量を説明変数と決定することができる。

なお、咳状態及び無呼吸状態の両方を異常状態とみなすのではなく、咳状態のみを異常状態とみなす異常判定モデル２２を生成する場合には、モデル生成工程Ｓ２３において例えば教師あり機械学習アルゴリズムを利用する。教師データは例えば、教師データ作成工程Ｓ２１で作成した教師データから、説明変数をスペクトル振幅ＳＡｎ_{０．２－０．５}（ｎ＝１、２、３、４）及びスペクトル振幅ＳＡｎ_{４．６－５．０}（ｎ＝１、２、３、４）とし、目的変数を咳状態とする教師データを作成して用い得る。教師あり機械学習アルゴリズムとしては、ナイーブベイズクラス分類器、決定木、サポートベクタマシン（ＳＶＭ）、ニューラルネットワーク、Ｋ近傍、アソシエーション分析、勾配ブースティング、ロジスティクス回帰等を用いることができる。

また、咳状態及び無呼吸状態の両方を異常状態とみなすのではなく、無呼吸状態のみを異常状態とみなす異常判定モデル２２を生成する場合には、モデル生成工程Ｓ２３において例えば教師あり機械学習アルゴリズムを利用する。教師データは例えば、教師データ作成工程Ｓ２１で作成した教師データから、説明変数をスペクトル振幅ＳＡｎ_{０．２－０．５}（ｎ＝１、２、３、４）及びスペクトル振幅ＳＡｎ_{４．６－５．０}（ｎ＝１、２、３、４）とし、目的変数を無呼吸状態とする教師データを作成して用い得る。教師あり機械学習アルゴリズムとしては、ナイーブベイズクラス分類器、決定木、サポートベクタマシン（ＳＶＭ）、ニューラルネットワーク、Ｋ近傍、アソシエーション分析、勾配ブースティング、ロジスティクス回帰等を用いることができる。

＜変形例＞
上記実施形態において、次の変形態様を用いることもできる。

上記実施形態の異常判定システム１００においては、０．２～０．５[Ｈｚ]の周波数帯域のスペクトル振幅の平均値を低周波数帯スペクトル振幅ＬＳＡｎとし、４．６～５．０[Ｈｚ]の周波数帯域のスペクトル振幅の平均値を高周波数帯スペクトル振幅ＨＳＡｎとするがこれには限られない。低周波数帯スペクトル振幅ＬＳＡｎは、０．１～１．０Ｈｚの帯域に含まれる任意の帯域のスペクトル振幅の平均値であってよい。同様に、高周波数帯スペクトル振幅ＨＳＡｎは、３．６～５．５Ｈｚの帯域、４．０～５．５Ｈｚの帯域等に含まれる任意の帯域のスペクトル振幅の平均値であってよい。

変形例の１つとして、３．６～４．０[Ｈｚ]の周波数帯域のスペクトル振幅ＳＡｎ_{３．６－４．０}を高周波数帯スペクトル振幅ＨＳＡｎとして用いる場合について説明する。

図１１（ａ）～図１１（ｃ）において、被験者Ｓが無呼吸状態にある場合のＨＳＡｎは４０～６０の領域に多く分布しており、被験者Ｓが咳状態にある場合のＨＳＡｎは５０～８０の領域に多く分布しており、被験者Ｓが正常状態にある場合のＨＳＡｎは３０～７０の領域に多く分布している。

したがって、横軸を低周波数帯スペクトル振幅ＬＳＡｎ（スペクトル振幅ＳＡｎ_{０．２－０．５}に等しい）の大きさ、縦軸を高周波数帯スペクトル振幅ＨＳＡｎ（スペクトル振幅ＳＡｎ_{３．６－４．０}に等しい）の大きさとして、スペクトル振幅対ＰＳＡｎ（即ち、同時刻に検知した荷重信号に基づく低周波数帯スペクトル振幅ＬＳＡｎと高周波数帯スペクトル振幅ＨＳＡｎの対）の散布図（図１２）を作成すると、被験者Ｓが無呼吸状態にある場合のスペクトル振幅対ＰＳＡｎが分布する領域Ａａ’は、被験者Ｓが正常状態にある場合のスペクトル振幅対ＰＳＡｎが分布する領域Ａｎ’に対して、低周波数帯スペクトル振幅ＬＳＡｎの小値側にずれた領域に位置する。また、被験者Ｓが咳状態にある場合のスペクトル振幅対ＰＳＡｎが分布する領域Ａｃ’は、被験者Ｓが正常状態にある場合のスペクトル振幅対ＰＳＡｎが分布する領域Ａｎ’に対して、低周波数帯スペクトル振幅ＬＳＡｎの大値側にずれた領域に位置する。

この傾向に基づき、低周波数帯スペクトル振幅ＬＳＡｎとしてスペクトル振幅ＳＡｎ_{０．２－０．５}を用い、高周波数帯スペクトル振幅ＨＳＡｎとしてスペクトル振幅ＳＡｎ_{３．６－４．０}を用いた機械学習により、被験者Ｓが異常状態にあることを判定する異常判定モデル２２を生成することができる。

あるいは、３．６～４．０[Ｈｚ]の周波数帯域のスペクトル振幅ＳＡｎ_{３．６－４．０}を中周波数帯スペクトル振幅ＭＳＡｎとして用いてもよい。この場合、低周波数帯スペクトル振幅ＬＳＡｎ（ｎ＝１、２、３、４）、中周波数帯スペクトル振幅ＭＳＡｎ（ｎ＝１、２、３、４）、及び高周波数帯スペクトル振幅ＨＳＡｎ（ｎ＝１、２、３、４）を説明変数として異常判定モデル２２を生成してもよい。これにより異常判定モデル２２の判定精度をより高めることが出来る。なお、中周波数帯スペクトル振幅ＭＳＡｎは低周波数帯スペクトル振幅ＬＳＡｎよりも高い任意の周波数帯域におけるスペクトル振幅の平均値とし得る。高周波数帯スペクトル振幅ＨＳＡｎは中周波数帯スペクトル振幅ＭＳＡｎよりも高い任意の周波数帯域におけるスペクトル振幅の平均値とし得る。

上記実施形態の異常判定システム１００は、低周波数帯スペクトル振幅ＬＳＡ１～ＬＳＡ４の少なくとも１つと、高周波数帯スペクトル振幅ＨＳＡ１～ＨＳＡ４の少なくとも１つとを説明変数として用いる構成でもよい。

上記実施形態の異常判定モデルの生成方法において、スペクトル振幅ＳＡｎ_Ｘ―Ｙを算出する際の、対象とする周波数帯の範囲は適宜変更し得る。対象とする周波数帯は例えば０．２Ｈｚ～４Ｈｚの範囲であってもよく、０．２Ｈｚ～６Ｈｚの範囲であってもよい。また、周波数帯の区切り方は１０分割に限られず任意である。

上記実施形態の異常判定モデルの生成方法において、荷重信号ｓｓ_ｎに対して短時間フーリエ変換を行うことにより、スペクトル振幅ＳＡｎ_Ｘ－Ｙとは異なる特徴量を算出してもよい。具体的には例えば荷重信号ｓｓ_ｎに対して短時間フーリエ変換を行った結果の多変量自己回帰（Ｍｕｌｔｉ Ｖｅｃｔｏｒ Ａｕｔｏ－Ｒｅｇｒｅｓｓｉｖｅ）モデルの平均値を特徴量としてもよい。

上記実施形態の異常判定モデルの生成方法において、説明変数が既知である場合は説明変数決定工程Ｓ２２を省略し得る。

上記実施形態の異常判定システム１００において、荷重計測部１０は荷重センサＬＳ１～ＬＳ４に代えて、シーツの下にマトリックス状に配置された複数の感圧センサ（圧力センサ）により被験者Ｓの荷重を計測してもよい。

上記実施形態の異常判定システム１００は、必ずしも荷重センサＬＳ１～ＬＳ４の全てを備える必要はなく、このいずれか一つを備えるのみでもよい。また、荷重検出器は、必ずしもベッドの四隅に配置される必要はなく、ベッド上の被験者の荷重及びその変動を検出しうるように、任意の位置に配置し得る。また、荷重センサＬＳ１～ＬＳ４は、ビーム形ロードセルを用いた荷重センサに限られず、例えばフォースセンサを使用することもできる。

上記実施形態の異常判定システム１００は、端末装置３０を備えなくてもよい。また、異常判定装置２０はネットワークを介して荷重計測部１０に接続される態様に限られず、荷重計測部１０及びベッドＢＤの近傍（例えば同一室内）に配置されて荷重計測部１０に配線により接続されていてもよい。

上記実施形態の異常判定モデル２２は、非一時的且つコンピュータ読取可能な記録媒体に記録されたものであってもよい。当該記録媒体をコンピュータで読み取ることにより、当該コンピュータに異常判定工程Ｓ１３を実行させることができる。即ち、異常判定モデル２２等の学習済みモデルはプログラムとして記録媒体に記録され得る。

本発明の特徴を維持する限り、本発明は上記実施の形態に限定されるものではなく、本発明の技術的思想の範囲内で考えられるその他の形態についても、本発明の範囲内に含まれる。

１０ 荷重計測部； ２０ 異常判定装置； ２１ 前処理部； ２２ 異常判定モデル； ２２０ 異常判定部； ３０ 端末装置； ＢＤ ベッド； ＬＳ１～ＬＳ４ 荷重センサ；Ｓ 被験者

Claims (29)

1. ベッド上の被験者が異常状態にあると判定する異常判定モデルの生成方法であって、
   前記ベッドに配置された荷重センサにより前記被験者の荷重を検出することと、
   検出された前記被験者の荷重に基づく複数種類の特徴量の各々を前記異常状態に対応付けた教師データを作成することと、
   前記教師データを用いた教師あり機械学習により、前記複数種類の特徴量に基づいて前記被験者の状態を前記異常状態に分類するモデルを作成し、該モデルに基づいて前記複数種類の特徴量の少なくとも１つを説明変数と決定することと、
   前記説明変数を用いた機械学習により、前記説明変数に基づいて前記被験者が前記異常状態にあると判定する異常判定モデルを生成することを含み、
   前記複数種類の特徴量が、前記被験者の荷重に短時間フーリエ変換を行うことにより算出される周波数特徴量を含む異常判定モデルの生成方法。
2. 前記説明変数を用いた機械学習は教師無し機械学習である請求項１に記載の異常判定モデルの生成方法。
3. 前記周波数特徴量は、周波数スペクトルの所定の周波数帯における平均振幅値である請求項１又は２に記載の異常判定モデルの生成方法。
4. 前記所定の周波数帯における平均振幅値は、第１周波数帯における平均振幅値と、第１周波数帯よりも高周波数側の第２周波数帯における平均振幅値とを含む請求項３に記載の異常判定モデルの生成方法。
5. 第１周波数帯が０．１～１．０[Ｈｚ]の帯域に含まれ、第２周波数帯が３．６～５．５[Ｈｚ]の帯域に含まれる請求項４に記載の異常判定モデルの生成方法。
6. 前記所定の周波数帯における平均振幅値が、第１周波数帯よりも高周波側且つ第２周波数帯よりも低周波側の第３周波数帯における平均振幅値を更に含む請求項４又は５に記載の異常判定モデルの生成方法。
7. 前記説明変数が前記周波数特徴量を含む請求項１～６のいずれか一項に記載の異常判定モデルの生成方法。
8. 前記異常状態が咳状態及び／又は無呼吸状態を含む請求項１～７のいずれか一項に記載の異常判定モデルの生成方法。
9. ベッド上の被験者が異常状態にあると判定する異常判定装置であって、
   前記ベッドに配置された荷重センサが検知した前記被験者の荷重に短時間フーリエ変換を行うことにより周波数特徴量を算出する前処理部と、
   異常判定モデルを記憶する異常判定部とを備え、
   前記異常判定モデルが、前記周波数特徴量を入力として前記被験者が前記異常状態にあると判定する学習済みモデルである異常判定装置。
10. 前記周波数特徴量は、周波数スペクトルの所定の周波数帯における平均振幅値である請求項９に記載の異常判定装置。
11. 前記所定の周波数帯における平均振幅値は、第１周波数帯における平均振幅値と、第１周波数帯よりも高周波数側の第２周波数帯における平均振幅値とを含む請求項１０に記載の異常判定装置。
12. 第１周波数帯が０．１～１．０[Ｈｚ]の帯域に含まれ、第２周波数帯が３．６～５．５[Ｈｚ]の帯域に含まれる請求項１１に記載の異常判定装置。
13. 前記所定の周波数帯における平均振幅値が、第１周波数帯よりも高周波側且つ第２周波数帯よりも低周波側の第３周波数帯における平均振幅値を更に含む請求項１１又は１２に記載の異常判定装置。
14. 前記異常状態が咳状態及び／又は無呼吸状態を含む請求項９～１３のいずれか一項に記載の異常判定装置。
15. ベッドに配置された荷重センサと、
    請求項９～１４のいずれか一項に記載の異常判定装置と、
    前記異常判定装置の判定結果に基づいて所定の表示を行う表示部とを備える異常判定システム。
16. ベッド上の被験者が異常状態にあると判定する異常判定方法であって、
    前記ベッドに配置された荷重センサが検知した前記被験者の荷重に短時間フーリエ変換を行うことにより周波数特徴量を算出することと、
    前記周波数特徴量を入力として前記被験者が前記異常状態にあると判定する学習済みモデルである異常判定モデルにより前記被験者が前記異常状態にあると判定することを含む異常判定方法。
17. 前記周波数特徴量は、周波数スペクトルの所定の周波数帯における平均振幅値である請求項１６に記載の異常判定方法。
18. 前記所定の周波数帯における平均振幅値は、第１周波数帯における平均振幅値と、第１周波数帯よりも高周波数側の第２周波数帯における平均振幅値とを含む請求項１７に記載の異常判定方法。
19. 第１周波数帯が０．１～１．０[Ｈｚ]の帯域に含まれ、第２周波数帯が３．６～５．５[Ｈｚ]の帯域に含まれる請求項１８に記載の異常判定方法。
20. 前記所定の周波数帯における平均振幅値が、第１周波数帯よりも高周波側且つ第２周波数帯よりも低周波側の第３周波数帯における平均振幅値を更に含む請求項１８又は１９に記載の異常判定方法。
21. 前記異常状態が咳状態及び／又は無呼吸状態を含む請求項１６～２０のいずれか一項に記載の異常判定方法。
22. ベッド上の被験者が異常状態にあると判定するための学習済みモデルであって、
    前記ベッドに配置された荷重センサが検知した前記被験者の荷重に短時間フーリエ変換を行うことにより算出された周波数特徴量に基づいて機械学習されており、
    前記周波数特徴量に基づいて前記被験者が前記異常状態にあると判定するようにコンピュータを機能させる学習済みモデル。
23. 前記周波数特徴量は、周波数スペクトルの所定の周波数帯における平均振幅値である請求項２２に記載の学習済みモデル。
24. 前記所定の周波数帯における平均振幅値は、第１周波数帯における平均振幅値と、第１周波数帯よりも高周波数側の第２周波数帯における平均振幅値とを含む請求項２３に記載の学習済みモデル。
25. 第１周波数帯が０．１～１．０[Ｈｚ]の帯域に含まれ、第２周波数帯が３．６～５．５[Ｈｚ]の帯域に含まれる請求項２４に記載の学習済みモデル。
26. 前記所定の周波数帯における平均振幅値が、第１周波数帯よりも高周波側且つ第２周波数帯よりも低周波側の第３周波数帯における平均振幅値を更に含む請求項２４又は２５に記載の学習済みモデル。
27. 前記異常状態が咳状態及び／又は無呼吸状態を含む請求項２２～２６のいずれか一項に記載の学習済みモデル。
28. 請求項２２～２７のいずれか一項に記載の学習済みモデルを記録した非一時的且つコンピュータ読取可能な記録媒体。
29. ベッド上の被験者が異常状態にあることを判定する異常判定モデルの生成方法であって、
    前記ベッドに配置された荷重センサにより前記被験者の荷重を検出することと、
    前記被験者の荷重に短時間フーリエ変換を行うことにより周波数特徴量を算出することと、
    前記周波数特徴量を用いた教師なし機械学習により、前記周波数特徴量に基づいて前記被験者が前記異常状態にあることを判定する異常判定モデルを生成することを含み、
    前記異常状態が咳状態及び無呼吸状態を含み、
    前記周波数特徴量が、０．１～１．０[Ｈｚ]の帯域に含まれる第１周波数帯における周波数スペクトルの平均振幅値と、３．６～５．５[Ｈｚ]の帯域に含まれる第２周波数帯における周波数スペクトルの平均振幅値とを含む異常判定モデルの生成方法。
    

Images