JP2020129188A

JP2020129188A - Method for learning, learning program, and learning device

Info

Publication number: JP2020129188A
Application number: JP2019020718A
Authority: JP
Inventors: 剛史紺野; Tsuyoshi Konno
Original assignee: Fujitsu Ltd
Current assignee: Fujitsu Ltd
Priority date: 2019-02-07
Filing date: 2019-02-07
Publication date: 2020-08-27

Abstract

To learn a learning model which predicts a sleep state.SOLUTION: The learning device acquires plural pieces of sleep data on the sleep of each user, and extracts plural pieces of sleep data in a stress-free state from the acquired plural pieces of sleep data, which were measured when the users were in a stress-free state. The learning device specifies the sleep state of a user of each sleep data in a stress-free state and calculates the index of the attribute or the state on the basis of the rate of the specified sleep state. The learning device generates plural pieces of learning data related to the calculated index for each piece of the sleep data in a stress-free state. The learning device learns a learning model by using plural pieces of learning data.SELECTED DRAWING: Figure 5

Description

本発明は、学習方法、学習プログラムおよび学習装置に関する。 The present invention relates to a learning method, a learning program, and a learning device.

手軽に所持したり、腕に装着したりするウェアラブル機器の性能が向上し、様々なユーザが、自分の睡眠データを記録し、簡単に入手することができる。このような睡眠データは、規則正しく安眠できるように、睡眠の改善などに利用されている。近年では、睡眠データから抽出した特徴量を用いて、睡眠状態や睡眠段階を推定する技術が知られている。 The performance of wearable devices that can be easily carried or worn on the arm is improved, and various users can record their own sleep data and easily obtain it. Such sleep data is used to improve sleep so that the person can sleep regularly. In recent years, a technique for estimating a sleep state or a sleep stage using a feature amount extracted from sleep data is known.

特開２０１７−１６９８８４号公報JP, 2017-169884, A 特開２０１６−１０６８２４号公報JP, 2016-106824, A 特開２００６−６１２７０号公報JP, 2006-61270, A

ところで、機械学習が普及し、睡眠データを教師データとして用いて、睡眠状態等を予測する学習モデルを学習することも考えられる。この場合、自分の睡眠データだけでは学習に適する十分な量のデータを収集するのに長時間かかることから、クラウドサーバで蓄積される他人の睡眠データから自分と類似するデータを取得して用いることが考えられる。 By the way, machine learning has become widespread, and it is possible to learn a learning model that predicts a sleep state and the like by using sleep data as teacher data. In this case, it takes a long time to collect a sufficient amount of data suitable for learning using only your own sleep data, so you should use data similar to yours from other people's sleep data stored in the cloud server. Is possible.

しかし、クラウドサーバに蓄積される睡眠データには、年齢やストレス状態など、利用者に関する詳細な情報は含まれないことから、自分と類似する睡眠データを選択して取得することが難しい。また、睡眠データは、ストレス状態に影響を受けやすいことから、ストレスが少ない睡眠データを学習データとして用いたいが、ストレスが少ない睡眠データを選択して取得することが難しい。このように、現状では、睡眠状態等を予測する学習モデルの学習に用いる教師データを収集することが難しく、学習モデルを学習することが難しい。 However, the sleep data accumulated in the cloud server does not include detailed information about the user such as age and stress condition, and thus it is difficult to select and acquire sleep data similar to oneself. Since sleep data is easily affected by stress conditions, it is desirable to use sleep data with less stress as learning data, but it is difficult to select and acquire sleep data with less stress. As described above, at present, it is difficult to collect the teacher data used for learning the learning model for predicting the sleep state and the like, and it is difficult to learn the learning model.

一つの側面では、睡眠状態を予測する学習モデルを学習することができる学習方法、学習プログラムおよび学習装置を提供することを目的とする。 In one aspect, an object is to provide a learning method, a learning program, and a learning device that can learn a learning model that predicts a sleep state.

第１の案では、学習方法は、コンピュータが、複数のユーザそれぞれの睡眠に関する複数の睡眠データを取得し、前記複数の睡眠データから、非ストレス状態のときに測定された、複数の非ストレス状態の睡眠データを抽出する処理を実行する。学習方法は、コンピュータが、前記複数の非ストレス状態の睡眠データそれぞれに対応するユーザの睡眠状態を特定し、特定した睡眠状態の比率に基づき、属性または状態を示す指標を算出する。学習方法は、コンピュータが、前記非ストレス状態の睡眠データそれぞれに、算出された前記指標を対応付けた複数の学習データを生成する処理を実行する。学習方法は、コンピュータが、前記複数の学習データを用いて学習モデルを学習する処理を実行する。 In the first proposal, a learning method is such that a computer acquires a plurality of sleep data regarding sleep of each of a plurality of users, and a plurality of non-stress states measured in a non-stress state from the plurality of sleep data. The process of extracting sleep data is executed. In the learning method, the computer identifies the sleep state of the user corresponding to each of the plurality of sleep data in the non-stress state, and calculates an index indicating an attribute or a state based on the identified sleep state ratio. In the learning method, the computer executes a process of generating a plurality of learning data in which the calculated index is associated with each of the non-stressed sleep data. In the learning method, the computer executes a process of learning a learning model using the plurality of learning data.

一実施形態によれば、睡眠状態を予測する学習モデルを学習することができる。 According to one embodiment, a learning model that predicts a sleep state can be learned.

図１は、実施例１にかかるシステムの全体構成例を示す図である。FIG. 1 is a diagram illustrating an example of the overall configuration of the system according to the first embodiment. 図２は、年齢別の睡眠データの例を示す図である。FIG. 2 is a diagram illustrating an example of sleep data according to age. 図３は、睡眠データによる年齢誤認識を説明する図である。FIG. 3 is a diagram for explaining erroneous recognition of age based on sleep data. 図４は、ストレスによる年齢誤認識の一連の流れを説明する図である。FIG. 4 is a diagram illustrating a flow of age misrecognition due to stress. 図５は、実施例１にかかる学習サーバの機能構成を示す機能ブロック図である。FIG. 5 is a functional block diagram of the functional configuration of the learning server according to the first embodiment. 図６は、収集データＤＢに記憶される情報の例を示す図である。FIG. 6 is a diagram showing an example of information stored in the collection data DB. 図７は、ストレス判定を説明する図である。FIG. 7 is a diagram illustrating stress determination. 図８は、年齢推定を説明する図である。FIG. 8 is a diagram illustrating age estimation. 図９は、蓄熱因子を説明する図である。FIG. 9: is a figure explaining a heat storage factor. 図１０は、蓄熱因子の算出を説明する図である。FIG. 10 is a diagram for explaining calculation of the heat storage factor. 図１１は、学習処理を説明する図である。FIG. 11 is a diagram illustrating the learning process. 図１２は、予測処理を説明する図である。FIG. 12 is a diagram for explaining the prediction process. 図１３は、実施例１にかかる空調制御処理の流れを示すフローチャートである。FIG. 13 is a flowchart showing the flow of the air conditioning control process according to the first embodiment. 図１４は、学習サーバのハードウェア構成例を説明する図である。FIG. 14 is a diagram illustrating a hardware configuration example of the learning server.

以下に、本願の開示する学習方法、学習プログラムおよび学習装置の実施例を図面に基づいて詳細に説明する。なお、この実施例によりこの発明が限定されるものではない。また、各実施例は、矛盾のない範囲内で適宜組み合わせることができる。 Hereinafter, embodiments of a learning method, a learning program, and a learning device disclosed in the present application will be described in detail with reference to the drawings. The present invention is not limited to the embodiments. In addition, the respective embodiments can be appropriately combined within a range without contradiction.

［全体構成］
図１は、実施例１にかかるシステムの全体構成例を示す図である。図１に示すように、このシステムは、学習サーバ１０と、各空間１から３のそれぞれのユーザが手首などに装着するウェアラブル端末１ｂから３ｂとがネットワークＮを介して相互に通信可能に接続される。なお、ネットワークＮは、有線や無線を問わず、インターネットや専用線などの各種通信網を採用することができる。 [overall structure]
FIG. 1 is a diagram illustrating an example of the overall configuration of the system according to the first embodiment. As shown in FIG. 1, in this system, a learning server 10 and wearable terminals 1b to 3b worn by users in respective spaces 1 to 3 on their wrists or the like are connected via a network N so that they can communicate with each other. It The network N may be wired or wireless, and various communication networks such as the Internet and a dedicated line can be adopted.

同様の構成を有する空間１、空間２、空間３のそれぞれには、暖房や冷房などの空調制御を行う空調機１ａ、２ａ、３ａのそれぞれが設置される。また、各空間１から３で睡眠中の各ユーザは、心拍数、睡眠データ、気温、体温などを測定できるウェアラブル端末１ｂから３ｂを装着し、各ウェアラブル端末は、測定した睡眠データなどを定期的に学習サーバ１０に送信する。 Air conditioners 1a, 2a, and 3a that perform air conditioning control such as heating and cooling are installed in each of the spaces 1, 2 and 3 having the same configuration. In addition, each user sleeping in each of the spaces 1 to 3 wears wearable terminals 1b to 3b capable of measuring heart rate, sleep data, temperature, body temperature, etc., and each wearable terminal periodically uses the measured sleep data and the like. To the learning server 10.

学習サーバ１０は、各空間で睡眠する各ユーザのウェアラブル端末から睡眠データを受信し、各睡眠データを学習データ（訓練データ）として、教師有学習を実行して学習モデル（快眠モデル）を生成するクラウド上のコンピュータ装置の一例である。例えば、学習サーバ１０は、５分間隔ごとの睡眠データを収集し、睡眠中のユーザが覚醒したか否かを教師ラベル（正解情報）として学習することで、５分後に覚醒するか否かを予測する快眠モデルを生成する。 The learning server 10 receives sleep data from the wearable terminal of each user who sleeps in each space, performs supervised learning using each sleep data as learning data (training data), and generates a learning model (good sleep model). It is an example of a computer device on a cloud. For example, the learning server 10 collects sleep data every 5 minutes and learns whether or not the sleeping user awakens as a teacher label (correct answer information) to determine whether or not to awaken after 5 minutes. Generate a predictive sleep model.

ここで、睡眠データについて説明する。睡眠データは、一般的に利用される睡眠情報を含んだデータであり、例えば睡眠の深度を示す睡眠段階、レム睡眠（ＲＥＭ）、ノンレム睡眠、脳が活動し睡眠でできていない状態を示す睡眠途中の覚醒（途中覚醒）などの各種情報が含まれる。図２は、年齢別の睡眠データの例を示す図である。図２に示すように、一晩の睡眠データにおいて、２０歳未満の子供、２０歳以上６０歳未満の成人、６０歳以上の高齢者の各睡眠データを比較すると、子供では睡眠中の途中覚醒の回数が少なく、成人では途中覚醒の間隔が長く、高齢者ではノンレム睡眠が浅くなるとともに途中覚醒の間隔が短い。 Here, the sleep data will be described. The sleep data is data including commonly used sleep information, and includes, for example, sleep stages indicating the depth of sleep, REM sleep (REM), non-REM sleep, and sleep indicating a state in which the brain is active and sleep is not possible. Various information such as awakening on the way (halfway awakening) is included. FIG. 2 is a diagram illustrating an example of sleep data according to age. As shown in FIG. 2, in the sleep data of one night, comparing the sleep data of a child under 20 years old, an adult between 20 years old and under 60 years old, and an elderly person over 60 years old, awakening during sleep in the child In adults, the interval between awakenings is long, and in elderly people, NREM sleep is shallow and the interval between awakenings is short.

このように、睡眠データは、年齢層（年代）により傾向が異なる。このため、学習サーバ１０は、収集した全睡眠データを学習データとして機械学習を行うと、生成される快眠モデルの精度劣化に繋がることから、各ユーザの年齢層に対応する睡眠データを選択して学習することが要求される。 In this way, the tendency of sleep data varies depending on the age group (age). Therefore, the learning server 10 selects the sleep data corresponding to the age group of each user, because the machine learning using the collected all sleep data as learning data leads to the deterioration of the accuracy of the generated good sleep model. Required to learn.

一方、学習サーバ１０のようにクラウド上に設置されるサーバは、睡眠データ以外のユーザの年齢、性別、居住地域、居住環境などの個人情報を収集することが難しい。したがって、睡眠データのみを用いて年齢推定を行うことが要求されるが、睡眠データは、ストレスによる影響を受けやすいので、睡眠データからの年齢推定だけでは誤認識が発生する可能性が高い。 On the other hand, it is difficult for a server such as the learning server 10 installed on the cloud to collect personal information other than sleep data, such as the user's age, sex, living area, and living environment. Therefore, it is required to perform age estimation using only sleep data, but since sleep data is easily affected by stress, misrecognition is likely to occur only by age estimation from sleep data.

図３は、睡眠データによる年齢誤認識を説明する図である。図３に示す各睡眠データは、同一人物かつ成人の睡眠データである。また、図３の（ａ）は、ストレスがある状態で測定された2018年7月16日の睡眠データであり、図３の（ｂ）は、ストレスがなくなった状態で測定された翌日（2018年7月17日）の睡眠データである。図３の（ａ）と（ｂ）とを比較すると、ストレスがある状態では、ストレスがない状態（非ストレス状態）に比べて、途中覚醒の間隔が長くなり、深い眠りの時間も少なくなる。つまり、同一ユーザの睡眠データにも関わらず、ストレスがある図２の（ａ）は、成人の睡眠データよりも高齢者の睡眠データに類似する。このため、学習サーバ１０は、図２の（ａ）の睡眠データからはユーザの年齢層を高齢者と推定する一方で、図２の（ｂ）の睡眠データからはユーザの年齢層を成人と推定する可能性が高く、年齢の誤認識が発生する。 FIG. 3 is a diagram for explaining erroneous recognition of age based on sleep data. Each sleep data shown in FIG. 3 is sleep data of the same person and adult. In addition, (a) of FIG. 3 is sleep data of July 16, 2018 measured in a stressed state, and (b) of FIG. 3 is the next day (2018 in a stressless state). July 17th) sleep data. Comparing (a) and (b) of FIG. 3, in the stressed state, the interval of awakening in the middle becomes longer and the duration of deep sleep becomes shorter than in the stressless state (non-stressed state). That is, (a) of FIG. 2 in which stress is present despite the sleep data of the same user is more similar to the sleep data of the elderly than the sleep data of the adult. Therefore, the learning server 10 estimates that the user's age group is the elderly from the sleep data of FIG. 2A, while the user age group is the adult from the sleep data of FIG. 2B. It is highly probable to be misidentified for age.

図４は、ストレスによる年齢誤認識の一連の流れを説明する図である。図４に示すように、ストレスが通常よりも多い成人は、睡眠障害が起こって途中覚醒の間隔が長くなる。ストレスが多い成人ユーザの睡眠データは、途中覚醒の発生間隔に基づき、成人ではなく高齢者と誤認識される。したがって、ある成人ユーザに対して快眠モデルを学習する場合に、成人と正確に認識したユーザの睡眠データに加え、誤認識したユーザの各睡眠データを含んだ学習データで学習することになるので、快眠モデルの精度が劣化する。そこで、実施例１の学習サーバ１０は、ストレスを考慮したユーザの年齢層を推定することで、学習対象の年齢層に該当する睡眠データのみを正確に抽出して、睡眠状態を精度よく予測できる快眠モデルを学習する。 FIG. 4 is a diagram illustrating a flow of age misrecognition due to stress. As shown in FIG. 4, in adults with more stress than usual, sleep disorders occur and the interval of awakening becomes longer. The sleep data of an adult user who has a lot of stress is erroneously recognized as an elderly person, not an adult, based on the occurrence interval of halfway awakening. Therefore, when learning a good sleep model for an adult user, in addition to the sleep data of the user who is correctly recognized as an adult, the learning data including each sleep data of the user who is erroneously recognized is learned. The accuracy of the sound sleep model deteriorates. Therefore, the learning server 10 according to the first embodiment can accurately predict only the sleep data corresponding to the age group of the learning target by estimating the age group of the user in consideration of stress and accurately predict the sleep state. Learn a good sleep model.

［機能構成］
次に、学習サーバ１０の機能構成について説明する。なお、ウェアラブル端末１ｂから３ｂは、睡眠データを収集して送信することができる一般的なウェアラブル端末と同様の構成を有するので、詳細な説明は省略する。 [Function configuration]
Next, the functional configuration of the learning server 10 will be described. Since the wearable terminals 1b to 3b have the same configuration as a general wearable terminal that can collect and transmit sleep data, detailed description thereof will be omitted.

図５は、実施例１にかかる学習サーバ１０の機能構成を示す機能ブロック図である。図５に示すように、学習サーバ１０は、通信部１１、記憶部１２、制御部２０を有する。 FIG. 5 is a functional block diagram of the functional configuration of the learning server 10 according to the first embodiment. As shown in FIG. 5, the learning server 10 includes a communication unit 11, a storage unit 12, and a control unit 20.

通信部１１は、他の装置との間の通信を制御する処理部であり、例えば通信インタフェースなどである。例えば、通信部１１は、各ウェアラブル端末１ｂ〜３ｂから、睡眠データを受信する。また、通信部１１は、各空調機１ａから３ａに空調制御の内容を送信したり、各空間１〜３内に設置される通信機を介して、各空調機１ａから３ａに空調制御の内容を送信したりする。 The communication unit 11 is a processing unit that controls communication with another device, and is, for example, a communication interface. For example, the communication unit 11 receives sleep data from the wearable terminals 1b to 3b. In addition, the communication unit 11 transmits the contents of the air conditioning control to the air conditioners 1a to 3a, and the contents of the air conditioning control to the air conditioners 1a to 3a via the communication devices installed in the spaces 1 to 3. Or send.

記憶部１２は、データや制御部２０が実行するプログラムなどを記憶する記憶装置の一例であり、例えばメモリやハードディスクなどである。例えば、記憶部１２は、収集データＤＢ１３、処理済みデータＤＢ１４、学習結果ＤＢ１５を記憶する。 The storage unit 12 is an example of a storage device that stores data, a program executed by the control unit 20, and the like, and is, for example, a memory or a hard disk. For example, the storage unit 12 stores a collected data DB 13, a processed data DB 14, and a learning result DB 15.

収集データＤＢ１３は、各ウェアラブル端末１ｂ〜３ｂから受信された睡眠データを記憶するデータベースである。すなわち、収集データＤＢ１３は、各ウェアラブル端末の測定結果を記憶する。図６は、収集データＤＢ１３に記憶される情報の例を示す図である。図６に示すように、収集データＤＢ１３は、「時刻、覚醒、レム睡眠、ノンレム睡眠、現在の室温、５分前の室温、エアコン制御、外気温」などを含む睡眠データを記憶する。 The collection data DB 13 is a database that stores sleep data received from the wearable terminals 1b to 3b. That is, the collection data DB 13 stores the measurement result of each wearable terminal. FIG. 6 is a diagram showing an example of information stored in the collection data DB 13. As illustrated in FIG. 6, the collected data DB 13 stores sleep data including “time, awakening, REM sleep, non-REM sleep, current room temperature, room temperature 5 minutes ago, air conditioner control, outside temperature” and the like.

ここで記憶される「時刻」は、睡眠データの測定時刻である。「覚醒」は、測定時刻における途中覚醒の発生有無であり、覚醒時には「〇（まる）」が設定され、非覚醒時には「×（ばつ）」が設定される。「レム睡眠」は、測定時刻におけるレム睡眠の発生有無であり、発生時には「〇（まる）」が設定され、非発生時には「×（ばつ）」が設定される。「ノンレム睡眠」は、測定時刻におけるノンレム睡眠の発生有無であり、発生時には「〇（まる）」が設定され、非発生時には「×（ばつ）」が設定される。 The “time” stored here is the measurement time of sleep data. “Awakening” is the presence or absence of midway awakening at the measurement time, and is set to “◯” when awakening and set to “x (bad)” when not awakening. “REM sleep” is the occurrence or non-occurrence of REM sleep at the measurement time, and is set to “◯” when it occurs and “× (bad)” when it does not occur. “Non-REM sleep” is the occurrence or non-occurrence of non-REM sleep at the measurement time, and is set to “◯” when it occurs and “×” when it does not occur.

「現在の室温」は、測定時刻の空間（室内）の温度であり、「５分前の室温」は、測定時刻の５分前の空間の温度である。「エアコン制御」は、測定時刻における空調機の起動有無であり、起動時には「〇」が設定され、停止時には「×」が設定される。「外気温」は、測定時刻の室外の温度である。図６の例は、２：００時に測定された睡眠データであり、この睡眠データは、途中覚醒とノンレム睡眠が発生しており、室温が３０度、５分前の室温が２９℃、エアコン制御はなし、外気温が３２度であることを示している。なお、収集元すなわち測定元の空間を識別する識別子や空調機が設定する設定温度をさらに対応付けて管理することもできる。 The “current room temperature” is the temperature of the space (room) at the measurement time, and the “room temperature 5 minutes before” is the temperature of the space 5 minutes before the measurement time. The “air conditioner control” indicates whether or not the air conditioner is activated at the measurement time, and is set to “◯” when activated and set to “x” when stopped. The “outside temperature” is the temperature outside the room at the time of measurement. The example of FIG. 6 is sleep data measured at 2:00. This sleep data indicates that awakening and non-REM sleep are occurring midway, the room temperature is 30 degrees, the room temperature before 5 minutes is 29° C., and the air conditioner is controlled. No, it indicates that the outside temperature is 32 degrees. It should be noted that the identifier for identifying the collection source, that is, the space of the measurement source, and the set temperature set by the air conditioner can be further associated and managed.

処理済みデータＤＢ１４は、後述するデータ処理部３０によって処理された処理済みの睡眠データを記憶するデータベースである。例えば、処理済みデータＤＢ１４は、図６に示す睡眠データに対して、年齢層や蓄熱因子（パラメータ）などが付加された処理済みの睡眠データを記憶する。なお、詳細は後述する。 The processed data DB 14 is a database that stores processed sleep data processed by the data processing unit 30 described later. For example, the processed data DB 14 stores processed sleep data in which age groups, heat storage factors (parameters), and the like are added to the sleep data illustrated in FIG. 6. The details will be described later.

学習結果ＤＢ１５は、快眠モデルの学習結果を記憶するデータベースである。例えば、学習結果ＤＢ１５は、制御部１１０による学習データの判別結果（分類結果）、機械学習などによって学習された快眠モデルの各種パラメータなどを記憶する。 The learning result DB 15 is a database that stores learning results of the good sleep model. For example, the learning result DB 15 stores the discrimination result (classification result) of the learning data by the control unit 110, various parameters of the good sleep model learned by machine learning, and the like.

制御部２０は、学習サーバ１０全体を司る処理部であり、例えばプロセッサなどである。この制御部２０は、データ処理部３０、学習処理部４０、予測部５０を有する。 The control unit 20 is a processing unit that controls the entire learning server 10, and is, for example, a processor. The control unit 20 includes a data processing unit 30, a learning processing unit 40, and a prediction unit 50.

データ処理部３０は、収集部３１、ストレス判定部３２、年齢推定部３３、パラメータ算出部３４を有し、睡眠データから処理済みの睡眠データを生成して、処理済みデータＤＢ１４に格納する処理部である。 The data processing unit 30 includes a collection unit 31, a stress determination unit 32, an age estimation unit 33, and a parameter calculation unit 34, generates processing sleep data from sleep data, and stores the processed sleep data in the processed data DB 14. Is.

収集部３１は、各ユーザの各ウェアラブル端末から睡眠データを収集する処理部である。例えば、収集部３１は、各ウェアラブル端末から睡眠データを受信し、睡眠データが図６の形式と異なる場合、図６の形式に変換して、収集データＤＢ１３に格納する。収集するタイミングは、定期的に収集するなど任意に設定することができ、収集部３１主導で取得してもよく、ウェアラブル端末主導で送信することもできる。また、各ウェアラブル端末は、ユーザが睡眠中に送信することもでき、ユーザの起床後に送信することもできる。 The collection unit 31 is a processing unit that collects sleep data from each wearable terminal of each user. For example, the collection unit 31 receives the sleep data from each wearable terminal, and when the sleep data is different from the format of FIG. 6, converts the sleep data into the format of FIG. 6 and stores the converted data in the collection data DB 13. The timing of collection can be set arbitrarily such as periodical collection, and may be acquired under the initiative of the collection unit 31 or transmitted under the initiative of the wearable terminal. Moreover, each wearable terminal can be transmitted while the user is sleeping, or can be transmitted after the user wakes up.

ストレス判定部３２は、睡眠データを用いて、ストレスの有無を判定する処理部である。具体的には、ストレス判定部３２は、収集データＤＢ１３に記憶される各睡眠データに対して、入眠時間の長さ、途中覚醒の回数、起床までにかかる時間の少なくとも１つを用いた閾値判定により、ストレスがある状態で測定された睡眠データか否かを判定する。そして、ストレス判定部３２は、ストレスがある状態で測定された睡眠データを破棄し、ストレスがない状態で測定された睡眠データを年齢推定部３３に出力する。 The stress determination unit 32 is a processing unit that determines the presence or absence of stress using sleep data. Specifically, the stress determination unit 32 uses, for each sleep data stored in the collected data DB 13, a threshold determination that uses at least one of the length of sleep time, the number of half-time awakenings, and the time required to wake up. Determines whether or not the sleep data is measured under stress. Then, the stress determination unit 32 discards the sleep data measured in the stressed state, and outputs the sleep data measured in the stressless state to the age estimation unit 33.

ここで、ストレス判定について具体的に説明する。図７は、ストレス判定を説明する図である。図７に示すように、ストレス判定部３２は、入眠時間が閾値以上であればストレス有りと判定する（図７の（ａ）参照）。同様に、ストレス判定部３２は、一晩の睡眠において途中覚醒の発生回数が閾値以上であればストレス有りと判定し（図７の（ｂ）参照）、起床までにかかる時間が閾値以上であればストレス有りと判定する（図７の（ｃ）参照）。 Here, the stress determination will be specifically described. FIG. 7 is a diagram illustrating stress determination. As shown in FIG. 7, the stress determination unit 32 determines that there is stress if the sleep onset time is equal to or longer than a threshold value (see (a) of FIG. 7). Similarly, the stress determination unit 32 determines that there is stress if the number of halfway awakenings in the night sleep is equal to or more than the threshold value (see (b) in FIG. 7), and the time required to wake up is equal to or more than the threshold value. For example, it is determined that there is stress (see (c) in FIG. 7).

ストレス判定に用いる各情報の閾値は、図２で説明した子供、成人、高齢者のいずれにも該当しないことを判定できる閾値を設定することが好ましい。例えば、途中覚醒の回数だけでは、高齢者との区別が難しい場合、途中覚醒の回数に加えて、睡眠の深さやレム睡眠の回数などを組み合わせることもできる。より詳細には、途中覚醒の回数が閾値以上、かつ、一晩で閾値以上の深さの睡眠が一回以上発生していれば、ストレス有りと判定する。同様に、途中覚醒の回数が閾値以上、かつ、レム睡眠の回数が閾値（子供や成人の正常回数）未満であれば、ストレス有りと判定する。 It is preferable to set the threshold of each information used for the stress determination so that it can be determined that the information does not correspond to any of the child, the adult and the elderly described in FIG. For example, when it is difficult to distinguish the elderly person from the number of halfway awakenings alone, it is possible to combine the number of halfway awakenings with the depth of sleep, the number of REM sleeps, and the like. More specifically, if the number of halfway awakenings is equal to or greater than a threshold value and one or more sleeps with a depth equal to or greater than the threshold value occur at least once in one night, it is determined that there is stress. Similarly, if the number of halfway awakenings is greater than or equal to the threshold and the number of REM sleeps is less than the threshold (normal number of children or adults), it is determined that there is stress.

年齢推定部３３は、ストレス判定部３２によってストレスなし状態の睡眠データに対して、年齢層を推定する処理部である。具体的には、年齢推定部３３は、ストレス判定部３２により入力された睡眠データに対して、総睡眠時間からのパラメータに基づく判定と、睡眠波形からのパラメータに基づく判定との少なくとも一つを用いて、睡眠データの年齢層を推定する。そして、年齢推定部３３は、睡眠データと推定結果とを対応付けて、パラメータ算出部３４に出力する。 The age estimation unit 33 is a processing unit that estimates the age group of the sleep data in the stress-free state by the stress determination unit 32. Specifically, the age estimation unit 33 performs at least one of a determination based on a parameter from the total sleep time and a determination based on a parameter from a sleep waveform on the sleep data input by the stress determination unit 32. Used to estimate the age group of sleep data. Then, the age estimation unit 33 associates the sleep data with the estimation result and outputs the result to the parameter calculation unit 34.

図８は、年齢推定を説明する図である。ここでは、一般技術ではストレスの多い成人が高齢者と推定する誤認識が多いことを考慮して、成人と高齢者とを判定する例で説明する。図８の（ａ）に示すように、総睡眠時間からのパラメータに基づく判定では、ノンレム睡眠の回数、レム睡眠の割合、覚醒（途中覚醒）の回数により判定することができる。例えば、年齢推定部３３は、睡眠データにおけるノンレム睡眠の回数が閾値以上で多い場合には、当該睡眠データに該当するユーザを成人と判定する。同様に、年齢推定部３３は、睡眠データにおけるレム睡眠の割合が18.9％から22％の間の場合には、成人と判定する。また、年齢推定部３３は、睡眠データにおける覚醒の回数が閾値未満で少ない場合には、成人と判定する。なお、上記３項目は、いずれか一つだけを判定に用いることもでき、任意に組み合わせることもできる。 FIG. 8 is a diagram illustrating age estimation. Here, in the general technology, an example will be described in which an adult and an elderly person are determined in consideration of the fact that an adult who has a large amount of stress is often mistakenly recognized as an elderly person. As shown in FIG. 8A, in the determination based on the parameter from the total sleep time, the determination can be made based on the number of non-REM sleeps, the ratio of REM sleeps, and the number of awakenings (halfway awakenings). For example, when the number of times of non-REM sleep in the sleep data is greater than or equal to the threshold, the age estimation unit 33 determines that the user corresponding to the sleep data is an adult. Similarly, when the proportion of REM sleep in the sleep data is between 18.9% and 22%, the age estimating unit 33 determines that the adult is an adult. Further, the age estimating unit 33 determines that the adult is an adult when the number of times of awakening in the sleep data is less than the threshold value and is small. It should be noted that any one of the above three items can be used for the determination, and can be arbitrarily combined.

また、図８の（ｂ）に示すように、睡眠波形からのパラメータに基づく判定では、途中覚醒の間隔や睡眠周期の時間などにより判定することができる。例えば、途中覚醒の間隔が閾値以上で長い場合には、成人と判定し、途中覚醒の間隔が閾値未満で短い場合には、高齢者と判定する。同様に、睡眠データから睡眠周期が検出できる場合は、成人と判定し、睡眠周期が検出できない場合は、高齢者と判定する。なお、レム睡眠にはおよそ90分ごとに出現する周期があり、ノンレム睡眠とそれに続くレム睡眠までを１つの睡眠単位として、睡眠周期（sleep cycle）と言う。一晩の睡眠ではこの周期が４〜５回繰り返されることが一般的であることから、睡眠周期が４回未満の場合に高齢者と判定することもできる。なお、上記２項目は、いずれか一つだけを判定に用いることもでき、両方を組み合わせて用いることもできる。 Further, as shown in (b) of FIG. 8, in the determination based on the parameter from the sleep waveform, the determination can be made based on the interval of awakening in the middle or the time of the sleep cycle. For example, when the halfway awakening interval is longer than a threshold value and is long, it is determined as an adult, and when the halfway awakening interval is less than the threshold value and is short, it is determined as an elderly person. Similarly, if the sleep cycle can be detected from the sleep data, it is determined to be an adult, and if the sleep cycle cannot be detected, it is determined to be an elderly person. It should be noted that REM sleep has a cycle that appears approximately every 90 minutes, and non-REM sleep and subsequent REM sleep are one sleep unit and are referred to as a sleep cycle. Since this cycle is generally repeated 4 to 5 times for overnight sleep, it is possible to determine that the elderly person is a sleep cycle with less than 4 cycles. In addition, any one of the above two items may be used for the determination, or both may be used in combination.

パラメータ算出部３４は、年齢層が推定された睡眠データに対して、当該睡眠データが測定された空間の蓄熱因子を算出する処理部である。具体的には、パラメータ算出部３４は、空調機の電源がＯＮの状態の温度変化からＯＮ時の蓄熱因子を算出し、空調機の電源がＯＦＦの状態の温度変化からＯＦＦ時の蓄熱因子を算出する。 The parameter calculation unit 34 is a processing unit that calculates, for sleep data in which the age group is estimated, a heat storage factor in the space in which the sleep data is measured. Specifically, the parameter calculation unit 34 calculates a heat storage factor when the air conditioner is turned on from a temperature change when the power is on, and calculates a heat storage factor when the air conditioner is turned off from a temperature change when the power is off. calculate.

例えば、パラメータ算出部３４は、年齢が推定された睡眠データを収集し、空間ごとに分類する。そして、パラメータ算出部３４は、空間ごとに、空調機の起動有無、設定温度、室温、外気温などの各項目の時間変化を特定し、特定した情報に基づいて蓄熱因子を算出する。図９は、蓄熱因子を説明する図である。図９の例では、一例として冬季の上記各項目の時間変化を示している。図９に示すように、電源がＯＮのときの蓄熱因子は、電源がＯＮのときの空調機のエアコン性能と対象空間における室温の上がる速度とから算出することができる。また、電源がＯＦＦのときの蓄熱因子は、電源がＯＦＦのときに外気温の影響による、対象空間における室温の下がる速度から算出することができる。 For example, the parameter calculation unit 34 collects sleep data whose age is estimated and classifies the sleep data for each space. Then, the parameter calculation unit 34 specifies the time change of each item such as the presence or absence of activation of the air conditioner, the set temperature, the room temperature, and the outside air temperature for each space, and calculates the heat storage factor based on the specified information. FIG. 9: is a figure explaining a heat storage factor. In the example of FIG. 9, the time change of each item in winter is shown as an example. As shown in FIG. 9, the heat storage factor when the power is on can be calculated from the air conditioner performance of the air conditioner when the power is on and the room temperature rising speed in the target space. Further, the heat storage factor when the power is off can be calculated from the speed at which the room temperature in the target space drops due to the influence of the outside temperature when the power is off.

ここで、蓄熱因子の算出について具体的に説明する。図１０は、蓄熱因子の算出を説明する図である。図１０に示すように、室外の温度（外気温）をθ_１、室内（空間）の温度をθ_２、空調機の設定温度をθ_３とし、θ_１＞θ_２、θ_２＞θ_３とする。ただし、外気温θ_１は熱の移動によっても変化しない。室内（空間）の温度θ_２は、場所に依らず一定とする。空調機の運転によって単位時間辺りに放出される熱量ｑ_２はθ_２に依存せずに一定とする。なお、ｑ_１は、室外から室内（空間）への熱量であり、また、対象空間（部屋）から屋外への熱流出は考えないものとする。 Here, the calculation of the heat storage factor will be specifically described. FIG. 10 is a diagram for explaining calculation of the heat storage factor. As shown in FIG. 10, the outdoor temperature (outside air temperature) is θ ₁ , the indoor (space) temperature is θ ₂ , the set temperature of the air conditioner is θ _3, and θ ₁ >θ ₂ and θ ₂ >θ ₃ To do. However, the outside air temperature θ ₁ does not change due to heat transfer. The temperature θ _{2 in the} room (space) is constant regardless of the place. The amount of heat q ₂ released per unit time by the operation of the air conditioner is constant regardless of θ ₂ . Note that q ₁ is the amount of heat from the outside to the room (space), and the heat outflow from the target space (room) to the outside is not considered.

このような状態において、空調機の単位時間当たりのエアコン能力（βＷ）は、式（１）にように定義でき、蓄熱因子は、式（２）のように定義できる。そこで、パラメータ算出部３４は、ウェアラブル端末で収集できる図９の（ａ）の情報と式（２）を用いて、電源ＯＮ時の蓄熱因子を算出し、ウェアラブル端末で収集できる図９の（ｂ）の情報と式（２）を用いて、電源ＯＦＦ時の蓄熱因子を算出する。 In such a state, the air conditioner capacity (βW) per unit time of the air conditioner can be defined as in Expression (1), and the heat storage factor can be defined as in Expression (2). Therefore, the parameter calculation unit 34 calculates the heat storage factor when the power is turned on by using the information (a) of FIG. 9 and the equation (2) that can be collected by the wearable terminal and can be collected by the wearable terminal (b of FIG. 9). ) And the equation (2), the heat storage factor when the power is turned off is calculated.

このようにして、パラメータ算出部３４は、年齢推定部３３から入力された睡眠データが測定された空間に対応付けられる各蓄熱因子を算出する。その後、パラメータ算出部３４は、ストレスがない睡眠データに、年齢推定部３３により推定された年齢層と各蓄熱因子とを対応付けた処理済みの睡眠データを生成して、処理済みデータＤＢ１４に格納する。また、パラメータ算出部３４は、空間、または、ウェアラブル端末ごとに、推定した年齢層と各蓄熱因子とを対応付けて記憶部１２に格納することもできる。 In this way, the parameter calculation unit 34 calculates each heat storage factor associated with the space in which the sleep data input from the age estimation unit 33 is measured. Thereafter, the parameter calculation unit 34 generates processed sleep data in which the age group estimated by the age estimation unit 33 and each heat storage factor are associated with the stress-free sleep data and stored in the processed data DB 14. To do. The parameter calculation unit 34 can also store the estimated age group and each heat storage factor in the storage unit 12 in association with each other for each space or wearable terminal.

なお、蓄熱因子を算出するための各種情報は、睡眠データから抽出することもでき、ウェアラブル端末から睡眠データとは別に収集することもでき、空間に設置される別の通信機から収集することもできる。また、各蓄熱因子は、空間毎に予め算出しておくこともできる。 Various information for calculating the heat storage factor can be extracted from sleep data, can be collected separately from sleep data from a wearable terminal, or can be collected from another communication device installed in a space. it can. Further, each heat storage factor can be calculated in advance for each space.

図５に戻り、学習処理部４０は、選択部４１と学習部４２を有し、快眠モデルの学習を実行する処理部である。なお、快眠モデルは、学習モデルの一例であり、公知の様々な機械学習技術を採用することができる。 Returning to FIG. 5, the learning processing unit 40 is a processing unit that includes a selection unit 41 and a learning unit 42 and that performs learning of a good sleep model. The pleasant sleep model is an example of a learning model, and various known machine learning techniques can be adopted.

選択部４１は、処理済みの睡眠データから学習データを選択する処理部である。例えば、選択部４１は、ある対象ユーザ（もしくはある対象空間）に対して快眠モデルを学習する場合に、対象ユーザの年齢層と対象ユーザの空間の蓄熱因子とを、パラメータ算出部３４の処理結果などを用いて特定する。 The selection unit 41 is a processing unit that selects learning data from processed sleep data. For example, when learning a good sleep model for a certain target user (or a certain target space), the selection unit 41 calculates the age group of the target user and the heat storage factor of the space of the target user as the processing result of the parameter calculation unit 34. Etc.

ここで、選択部４１によって、年齢層「成人」、ＯＮ時の蓄熱因子（0.75）、ＯＦＦ時の蓄熱因子（0.25）が特定されたとする。この場合、選択部４１は、年齢層「成人」、ＯＮ時の蓄熱因子（0.75）、ＯＦＦ時の蓄熱因子（0.25）をすべて含む処理済みの睡眠データを、処理済みデータＤＢ１４から選択する。その後、選択部４１は、選択した処理済みの睡眠データを、学習部４２に出力する。すなわち、年齢層が「成人」で、ＯＮ時の蓄熱因子が（0.75）、かつ、ＯＦＦ時の蓄熱因子（0.25）である睡眠データが学習データとして選択される。 Here, it is assumed that the selecting unit 41 specifies the age group “adult”, the heat storage factor (0.75) when ON, and the heat storage factor (0.25) when OFF. In this case, the selection unit 41 selects, from the processed data DB 14, the processed sleep data including all the age group “adult”, the heat storage factor (0.75) when ON, and the heat storage factor (0.25) when OFF. After that, the selection unit 41 outputs the selected processed sleep data to the learning unit 42. That is, sleep data in which the age group is “adult”, the heat storage factor when ON is (0.75), and the heat storage factor when OFF (0.25) is selected as learning data.

学習部４２は、選択部４１により選択された処理済みの睡眠データを、学習データとして快眠モデルを学習する処理部である。また、学習部４２は、学習が完了すると、学習済みの快眠モデルを構築するための各種パラメータを、学習結果として学習結果ＤＢ１５に格納する。 The learning unit 42 is a processing unit that learns a pleasant sleep model by using the processed sleep data selected by the selection unit 41 as learning data. Further, when the learning is completed, the learning unit 42 stores various parameters for constructing the learned sleep model in the learning result DB 15 as a learning result.

図１１は、学習処理を説明する図である。図１１に示すように、学習部４２は、処理済みデータＤＢ１４から選択された、年齢層「成人」、ＯＮ時の蓄熱因子（0.75）、ＯＦＦ時の蓄熱因子（0.25）をすべて含む処理済みの睡眠データを取得する。そして、学習部４２は、処理済みの睡眠データのうち、「覚醒」を目的変数、「時刻、推定した年齢、レム睡眠、ノンレム睡眠、現在室温、５分前の室温、エアコン制御、蓄熱因子（ＯＦＦ時）、蓄熱因子（ＯＮ時）」を説明変数として、機械学習を実行して、快眠モデルを生成する。 FIG. 11 is a diagram illustrating the learning process. As shown in FIG. 11, the learning unit 42 performs processing including all the age group “adult”, the heat storage factor (0.75) when ON, and the heat storage factor (0.25) when OFF selected from the processed data DB 14. Get sleep data. Then, the learning unit 42 selects “wakening” from the processed sleep data as a target variable, “time, estimated age, REM sleep, non-REM sleep, current room temperature, room temperature 5 minutes before, air conditioner control, heat storage factor ( Machine learning is executed by using "heat OFF factor (when OFF), heat storage factor (when ON)" as explanatory variables to generate a good sleep model.

すなわち、学習部４２は、年齢層「成人」、ＯＮ時の蓄熱因子（0.75）、ＯＦＦ時の蓄熱因子（0.25）の状況下で、５分後に途中覚醒が発生するか否かを予測する快眠モデルを生成する。 That is, the learning unit 42 predicts whether or not awakening will occur halfway after 5 minutes under the conditions of the age group “adult”, the heat storage factor (0.75) when ON, and the heat storage factor (0.25) when OFF. Generate a model.

予測部５０は、快眠モデルを用いて、対象ユーザの途中覚醒の発生を予測する処理部である。具体的には、予測部５０は、学習結果ＤＢ１５に記憶される各種パラメータを読み出して、学習済みの快眠モデルを構築する。そして、予測部５０は、対象ユーザのウェアラブル端末が測定したリアルタイムな睡眠データを受信すると、当該睡眠データに基づく入力データを生成して、学習済みの快眠モデルに入力する。その後、予測部５０は、学習済みの快眠モデルが出力する出力結果、すなわち予測結果に応じて空調制御を実行する。 The prediction unit 50 is a processing unit that predicts the occurrence of halfway awakening of the target user by using the sound sleep model. Specifically, the prediction unit 50 reads various parameters stored in the learning result DB 15 and constructs a learned good sleep model. Then, when the prediction unit 50 receives the real-time sleep data measured by the wearable terminal of the target user, the prediction unit 50 generates input data based on the sleep data and inputs the input data to the learned good sleep model. After that, the prediction unit 50 executes the air conditioning control according to the output result output from the learned sleep model, that is, the prediction result.

図１２は、予測処理を説明する図である。図１２に示すように、予測部５０は、対象ユーザのウェアラブル端末から取得した睡眠データに対して、当該ユーザもしくは空間に対応する「推定した年齢」、「蓄熱因子（ＯＦＦ）、「蓄熱因子（ＯＮ）」を、パラメータ算出部３４の処理結果などを用いて特定する。そして、予測部５０は、取得した睡眠データに、特定した上記項目を付加した入力データを生成する。このとき、予測部５０は、睡眠データに「覚醒」が付加されている場合は削除する。 FIG. 12 is a diagram for explaining the prediction process. As illustrated in FIG. 12, the prediction unit 50, with respect to the sleep data acquired from the wearable terminal of the target user, “estimated age”, “heat storage factor (OFF),” “heat storage factor (corresponding to the user or space. ON)" is specified using the processing result of the parameter calculation unit 34 and the like. Then, the prediction unit 50 generates input data in which the specified items are added to the acquired sleep data. At this time, the prediction unit 50 deletes the "wakefulness" added to the sleep data.

その後、予測部５０は、入力データを学習済みの快眠モデルに入力して、出力結果として「覚醒する」を取得すると、対象ユーザの睡眠が「５分後に覚醒する」と推定する。そして、予測部５０は、現在の室温、エアコン制御から最適なエアコン制御を行う。例えば、予測部５０は、「現在の室温が30度以上かつ空調機がオフ」の場合、「暑いので設定温度を下げる」制御を実行し、「現在の室温が28度以下かつ空調機がオン」の場合、「寒いので設定温度を上げる」制御を実行する。 After that, when the prediction unit 50 inputs the input data to the learned good sleep model and acquires “wake up” as the output result, the prediction unit 50 estimates that the target user's sleep will “wake up after 5 minutes”. Then, the prediction unit 50 performs optimum air conditioner control based on the current room temperature and air conditioner control. For example, when the current room temperature is 30 degrees or more and the air conditioner is off, the prediction unit 50 executes the control "reduce the set temperature because it is hot", and "the current room temperature is 28 degrees or less and the air conditioner is on". In the case of "," "raise the set temperature because it is cold" is controlled.

空調制御の手法としては、予測部５０が空調機を直接制御することもでき、空調機のリモコンなどに送信してリモコンを介して制御することもでき、無線通信を含むネットワーク状況など対象空間の環境に応じて、適宜設定変更することができる。なお、予測部５０は、学習済みの快眠モデルの出力結果が「覚醒しない」場合、空調制御を行わない。予測部５０による予測と空調制御は、学習完了後、対象ユーザのリアルタイムな睡眠データを受信するたびに実行される。 As a method of air conditioning control, the prediction unit 50 can directly control the air conditioner, can transmit to the remote controller of the air conditioner, and can control it via the remote controller. The settings can be changed as appropriate according to the environment. The predicting unit 50 does not perform the air conditioning control when the output result of the learned good sleep model is “not awakened”. The prediction and the air conditioning control by the prediction unit 50 are executed each time real-time sleep data of the target user is received after the learning is completed.

［処理の流れ］
図１３は、実施例１にかかる空調制御処理の流れを示すフローチャートである。ここでは、学習処理、予測処理、空調制御処理の一連の流れを説明するが、各処理は、別々のフローで実行することができる。 [Process flow]
FIG. 13 is a flowchart showing the flow of the air conditioning control process according to the first embodiment. Here, a series of flows of the learning process, the prediction process, and the air conditioning control process will be described, but each process can be executed by a different flow.

図１３に示すように、データ処理部３０は、管理者等により処理開始が指示されると（Ｓ１０１：Ｙｅｓ）、各空間内の各ユーザの各ウェアラブル端末から、睡眠データを収集する（Ｓ１０２）。なお、データ処理部３０は、学習処理の開始指示に関係なく、定期的に受信して保持しておくこともできる。 As illustrated in FIG. 13, when the administrator or the like instructs the data processing unit 30 to start processing (S101: Yes), the data processing unit 30 collects sleep data from each wearable terminal of each user in each space (S102). .. Note that the data processing unit 30 can also periodically receive and retain the learning processing regardless of the instruction to start the learning processing.

続いて、データ処理部３０は、収集した睡眠データの１つを選択し（Ｓ１０３）、図７に示した情報などを用いて、ストレスがあるか否かを判定する（Ｓ１０４）。ここで、データ処理部３０は、ストレスがあると判定された場合（Ｓ１０４：Ｙｅｓ）、当該睡眠データを破棄して、Ｓ１０３以降を繰り返す。 Subsequently, the data processing unit 30 selects one of the collected sleep data (S103) and determines whether or not there is stress using the information shown in FIG. 7 and the like (S104). Here, when it is determined that there is stress (S104: Yes), the data processing unit 30 discards the sleep data and repeats S103 and the subsequent steps.

一方、データ処理部３０は、ストレスがないと判定された場合（Ｓ１０４：Ｎｏ）、図８に示した情報などを用いて、当該睡眠データのユーザの年齢層を推定する（Ｓ１０５）。続いて、データ処理部３０は、当該睡眠データが測定された空間の蓄熱因子を算出する（Ｓ１０６）。 On the other hand, when it is determined that there is no stress (S104: No), the data processing unit 30 estimates the user's age group of the sleep data by using the information shown in FIG. 8 and the like (S105). Subsequently, the data processing unit 30 calculates the heat storage factor of the space where the sleep data is measured (S106).

その後、データ処理部３０は、測定された睡眠データに、年齢層と蓄熱因子とを付加した処理済みの睡眠データを生成して、処理済みデータＤＢ１４に蓄積する（Ｓ１０７）。そして、データ処理部３０は、全睡眠データに対してＳ１０４からＳ１０７についての処理が完了したか否かを判定し（Ｓ１０８）、完了していない場合（Ｓ１０８：Ｎｏ）、Ｓ１０３以降を実行する。 After that, the data processing unit 30 generates processed sleep data in which the age group and the heat storage factor are added to the measured sleep data, and stores the processed sleep data in the processed data DB 14 (S107). Then, the data processing unit 30 determines whether or not the processing from S104 to S107 is completed for all the sleep data (S108), and when not completed (S108: No), S103 and the subsequent steps are executed.

一方、全睡眠データに対してＳ１０４からＳ１０７についての処理が完了した場合（Ｓ１０８：Ｙｅｓ）、学習処理部４０は、快眠モデルの学習対象であるユーザ（対象ユーザ）の年齢層を推定する（Ｓ１０９）。例えば、学習処理部４０は、図８に示した情報などを用いて、ウェアラブル端末が測定したリアルタイムの睡眠データから推定する。 On the other hand, when the processing from S104 to S107 is completed for all the sleep data (S108: Yes), the learning processing unit 40 estimates the age group of the user (target user) who is the learning target of the good sleep model (S109). ). For example, the learning processing unit 40 uses the information shown in FIG. 8 and the like to estimate from the real-time sleep data measured by the wearable terminal.

続いて、学習処理部４０は、対象ユーザに対応する蓄熱因子を算出する（Ｓ１１０）。例えば、学習処理部４０は、当該対象ユーザのウェアラブル端末から取得した各睡眠データと、図１０等により説明した手法とを用いて、ユーザが存在する空間の蓄熱因子を算出する。 Subsequently, the learning processing unit 40 calculates the heat storage factor corresponding to the target user (S110). For example, the learning processing unit 40 uses each sleep data acquired from the wearable terminal of the target user and the method described with reference to FIG. 10 and the like to calculate the heat storage factor of the space where the user exists.

そして、学習処理部４０は、処理済みの睡眠データのうち、対象ユーザの年齢層および蓄熱因子に対応する処理済みの睡眠データを学習データとして抽出する（Ｓ１１１）。続いて、学習処理部４０は、抽出した学習データを用いて機械学習を実行し、対象ユーザ用の睡眠モデルを生成する（Ｓ１１２）。 Then, the learning processing unit 40 extracts the processed sleep data corresponding to the age group and the heat storage factor of the target user from the processed sleep data as learning data (S111). Subsequently, the learning processing unit 40 executes machine learning using the extracted learning data to generate a sleep model for the target user (S112).

学習完了後、予測部５０は、対象ユーザのウェアラブル端末から予測対象データである睡眠データを受信すると（Ｓ１１３：Ｙｅｓ）、その睡眠データに、Ｓ１０９やＳ１１０で特定された年齢層や蓄熱因子を付加した入力データを生成して、学習済みの快眠モデルに入力する（Ｓ１１４）。 After the learning is completed, when the prediction unit 50 receives the sleep data that is the prediction target data from the wearable terminal of the target user (S113: Yes), the age group and the heat storage factor specified in S109 or S110 are added to the sleep data. The input data is generated and input to the learned good sleep model (S114).

そして、予測部５０は、学習済みの快眠モデルの出力結果、すなわち予測結果を取得し（Ｓ１１５）、予測結果に応じた空調制御を実行する（Ｓ１１６）。 Then, the prediction unit 50 acquires the output result of the learned sleep model, that is, the prediction result (S115), and executes the air conditioning control according to the prediction result (S116).

［効果］
上述したように、学習サーバ１０は、クラウドに蓄積されている情報から対象とするユーザと整合性の高い類似ユーザを推定し、推定された類似ユーザの情報を用いて覚醒の要因を推定することができるので、高精度な予測および空調制御を実現することができる。また、学習サーバ１０は、ユーザごとに、類似ユーザの睡眠データを学習データとして学習することで、ユーザごとの快眠モデルを生成することができる。したがって、学習サーバ１０は、各ユーザに対して適切な覚醒予測を実現することができる。 [effect]
As described above, the learning server 10 estimates a similar user who is highly consistent with the target user from the information accumulated in the cloud, and estimates the awakening factor using the information of the estimated similar user. Therefore, highly accurate prediction and air conditioning control can be realized. Further, the learning server 10 can generate a good sleep model for each user by learning sleep data of similar users as learning data for each user. Therefore, the learning server 10 can realize appropriate awakening prediction for each user.

さて、これまで本発明の実施例について説明したが、本発明は上述した実施例以外にも、種々の異なる形態にて実施されてよいものである。 Although the embodiments of the present invention have been described so far, the present invention may be implemented in various different forms other than the above-described embodiments.

［ストレスの有無］
例えば、非ストレス状態とは、ストレスが全くないか否かを示す情報に限らない。例えば、ストレスがある状態とは、ストレスが通常よりも多い場合を示し、ストレスが無い状態（非ストレス状態）とは、ストレスが通常と同じか通常よりも少ない状態を含む。なお、通常とは、一般に公表されている各種指標を採用することができる。 [Stress]
For example, the non-stress state is not limited to information indicating whether or not there is any stress. For example, the state with stress indicates a case where the stress is higher than usual, and the state without stress (non-stress state) includes a state where the stress is the same as or lower than normal. Note that various indicators that are publicly announced can be adopted as “normal”.

［空間］
上記実施例の空間は、会社などの部屋に限定されるものではなく、例えば、電車や車などの車内、マシンルーム、飛行機の機内など様々な空間を対象とすることができる。また、実施例で説明した学習手法は、暖房と冷房のいずれにも適用することができる。 [space]
The space in the above-described embodiment is not limited to a room such as a company, but may be various spaces such as an inside of a train or a car, a machine room, an inside of an airplane. The learning method described in the embodiment can be applied to both heating and cooling.

［指標］
上記例では、睡眠状態の比率の一例として、途中覚醒の有無をラベルとして用いる例を説明したが、これに限定されるものではない。例えば、睡眠状態の比率により特定される年齢もしくは年代を、ラベル（年齢ラベル）として用いることもできる。なお、年齢ラベルは、属性の一例であり、年代ラベルなどを用いることもできる。また、途中覚醒の有無（覚醒度合）は、状態の一例であり、途中覚醒の回数などを用いることもできる。 [index]
In the above example, an example of using the presence or absence of awakening as a label has been described as an example of the sleep state ratio, but the present invention is not limited to this. For example, the age or age specified by the sleep state ratio can be used as a label (age label). The age label is an example of an attribute, and a era label or the like can be used. The presence/absence of awakening (degree of awakening) is an example of a state, and the number of halfway awakening can be used.

［対象］
上記実施例では、睡眠データを用いた空調制御を例にして説明したが、学習サーバ１０は、様々な分野に応用することができる。例えば、上記学習方法は、歩測データを用いた心拍数の増加、心拍数のデータを用いた体調不良の検出などに適用することができる。 [Target]
In the above embodiment, the air conditioning control using sleep data has been described as an example, but the learning server 10 can be applied to various fields. For example, the above learning method can be applied to the increase of the heart rate using the gait data, the detection of poor physical condition using the heart rate data, and the like.

［数値］
上記実施例で説明した睡眠データの項目、数値などは、図示したものに限定されず、一般的なウェアラブル端末で収集可能な情報を用いることができる。また、各蓄熱因子と年齢層を用いずに、非ストレス状態の睡眠データのみを用いて学習することもでき、非ストレス状態の睡眠データと、各蓄熱因子または年齢層のいずれかを組み合わせて学習データとすることもできる。また、学習データや予測対象データから蓄熱因子を除外することもできる。また、各蓄熱因子やユーザの年齢層が予め取得可能なデータである場合には、算出することなく、取得できるデータを用いることもできる。 [Number]
The items and numerical values of the sleep data described in the above embodiments are not limited to those illustrated, and information that can be collected by a general wearable terminal can be used. It is also possible to learn using only non-stressed sleep data without using each heat storage factor and each age group, and learn by combining non-stressed sleep data with each heat storage factor or each age group. It can also be data. Further, the heat storage factor can be excluded from the learning data and the prediction target data. In addition, if each heat storage factor and the age group of the user are data that can be acquired in advance, data that can be acquired can be used without calculation.

［エッジ制御］
例えば、学習サーバが、学習した快眠モデルを、空間内のコンピュータ、通信機器、空調機のリモコンなどのエッジ端末に配信して、エッジ端末が、快眠モデルを用いて予想処理および空調制御を行うことができる。 [Edge control]
For example, the learning server distributes the learned good sleep model to edge terminals such as computers in the space, communication devices, and remote controllers of air conditioners, and the edge terminals perform prediction processing and air conditioning control using the good sleep model. You can

［システム］
上記文書中や図面中で示した処理手順、制御手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。 [system]
The information including the processing procedures, control procedures, specific names, various data and parameters shown in the above documents and drawings can be arbitrarily changed unless otherwise specified.

また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散や統合の具体的形態は図示のものに限られない。つまり、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。例えば、データ処理部３０、学習処理部４０、予測部５０を別々の装置で実現することもできる。 Further, each component of each device shown in the drawings is functionally conceptual and does not necessarily have to be physically configured as shown. That is, the specific form of distribution and integration of each device is not limited to that illustrated. That is, all or part of them can be functionally or physically distributed/integrated in arbitrary units according to various loads and usage conditions. For example, the data processing unit 30, the learning processing unit 40, and the prediction unit 50 can be realized by separate devices.

さらに、各装置にて行なわれる各処理機能は、その全部または任意の一部が、ＣＰＵおよび当該ＣＰＵにて解析実行されるプログラムにて実現され、あるいは、ワイヤードロジックによるハードウェアとして実現され得る。 Further, each processing function performed by each device may be realized in whole or in part by a CPU and a program analyzed and executed by the CPU, or may be realized as hardware by a wired logic.

［ハードウェア］
図１４は、学習サーバ１０のハードウェア構成例を説明する図である。図１４に示すように、学習サーバ１０は、通信装置１０ａ、ＨＤＤ（Hard Disk Drive）１０ｂ、メモリ１０ｃ、プロセッサ１０ｄを有する。また、図１４に示した各部は、バス等で相互に接続される。 [hardware]
FIG. 14 is a diagram illustrating a hardware configuration example of the learning server 10. As illustrated in FIG. 14, the learning server 10 includes a communication device 10a, an HDD (Hard Disk Drive) 10b, a memory 10c, and a processor 10d. Further, the respective units shown in FIG. 14 are mutually connected by a bus or the like.

通信装置１０ａは、ネットワークインタフェースカードなどであり、他のサーバとの通信を行う。ＨＤＤ１０ｂは、図５に示した機能を動作させるプログラムやＤＢを記憶する。 The communication device 10a is a network interface card or the like, and communicates with other servers. The HDD 10b stores a program for operating the functions shown in FIG. 5 and a DB.

プロセッサ１０ｄは、図５に示した各処理部と同様の処理を実行するプログラムをＨＤＤ１０ｂ等から読み出してメモリ１０ｃに展開することで、図５等で説明した各機能を実行するプロセスを動作させる。すなわち、このプロセスは、学習サーバ１０が有する各処理部と同様の機能を実行する。具体的には、プロセッサ１０ｄは、データ処理部３０、学習処理部４０、予測部５０等と同様の機能を有するプログラムをＨＤＤ１０ｂ等から読み出す。そして、プロセッサ１０ｄは、データ処理部３０、学習処理部４０、予測部５０等と同様の処理を実行するプロセスを実行する。 The processor 10d reads a program that executes the same processing as the processing units illustrated in FIG. 5 from the HDD 10b or the like and loads the program in the memory 10c, thereby operating the processes that execute the functions illustrated in FIG. 5 or the like. That is, this process executes the same function as each processing unit included in the learning server 10. Specifically, the processor 10d reads a program having the same functions as the data processing unit 30, the learning processing unit 40, the prediction unit 50, and the like from the HDD 10b and the like. Then, the processor 10d executes a process that executes the same processing as the data processing unit 30, the learning processing unit 40, the prediction unit 50, and the like.

このように学習サーバ１０は、プログラムを読み出して実行することで学習方法を実行する情報処理装置として動作する。また、学習サーバ１０は、媒体読取装置によって記録媒体から上記プログラムを読み出し、読み出された上記プログラムを実行することで上記した実施例と同様の機能を実現することもできる。なお、この他の実施例でいうプログラムは、学習サーバ１０によって実行されることに限定されるものではない。例えば、他のコンピュータまたはサーバがプログラムを実行する場合や、これらが協働してプログラムを実行するような場合にも、本発明を同様に適用することができる。 In this way, the learning server 10 operates as an information processing device that executes the learning method by reading and executing the program. The learning server 10 can also realize the same function as that of the above-described embodiment by reading the program from the recording medium by the medium reading device and executing the read program. The programs referred to in the other embodiments are not limited to being executed by the learning server 10. For example, the present invention can be similarly applied to the case where another computer or server executes the program, or when these computers cooperate to execute the program.

１０学習サーバ
１１通信部
１２記憶部
１３収集データＤＢ
１４処理済みデータＤＢ
１５学習結果ＤＢ
２０制御部
３０データ処理部
３１収集部
３２ストレス判定部
３３年齢推定部
３４パラメータ算出部
４０学習処理部
４１選択部
４２学習部
５０予測部 10 Learning Server 11 Communication Unit 12 Storage Unit 13 Collected Data DB
14 Processed data DB
15 Learning result DB
20 control unit 30 data processing unit 31 collection unit 32 stress determination unit 33 age estimation unit 34 parameter calculation unit 40 learning processing unit 41 selection unit 42 learning unit 50 prediction unit

Claims

コンピュータが、
複数のユーザそれぞれの睡眠に関する複数の睡眠データを取得し、
前記複数の睡眠データから、非ストレス状態のときに測定された、複数の非ストレス状態の睡眠データを抽出し、
前記複数の非ストレス状態の睡眠データそれぞれに対応するユーザの睡眠状態を特定し、
特定した睡眠状態の比率に基づき、属性または状態を示す指標を算出し、
前記非ストレス状態の睡眠データそれぞれに、算出された前記指標を対応付けた複数の学習データを生成し、
前記複数の学習データを用いて学習モデルを学習する
処理を実行することを特徴とする学習方法。 Computer
Acquire multiple sleep data about sleep of each of multiple users,
From the plurality of sleep data, a plurality of non-stressed sleep data measured when in a non-stressed state is extracted,
The sleep state of the user corresponding to each of the sleep data of the plurality of non-stress states is specified,
Based on the ratio of the specified sleep state, calculate the index showing the attribute or state,
Each of the sleep data in the non-stress state, to generate a plurality of learning data associated with the calculated index,
A learning method comprising: performing a process of learning a learning model using the plurality of learning data.

前記複数の睡眠データそれぞれに含まれる入眠時間、途中覚醒および起床時間の少なくとも一つを用いて、前記複数の睡眠データそれぞれに対応する各ユーザの年齢層を推定する処理を、前記コンピュータが実行し、
前記特定する処理は、前記複数の非ストレス状態の睡眠データから、学習対象のユーザの年齢層が対応付けられる複数の学習対象の睡眠データを抽出し、抽出された前記複数の学習対象の睡眠データそれぞれに対して、前記ユーザの睡眠状態を特定し、
前記生成する処理は、前記複数の学習対象の睡眠データそれぞれを用いて、前記複数の学習データを生成することを特徴とする請求項１に記載の学習方法。 The computer executes a process of estimating the age group of each user corresponding to each of the plurality of sleep data by using at least one of the sleep onset time, the awakening time and the wakeup time included in each of the plurality of sleep data. ,
The identifying process extracts sleep data of a plurality of learning targets associated with age groups of a user of a learning target from the sleep data of the plurality of non-stress states, and the extracted sleep data of the plurality of learning targets. For each, specify the sleep state of the user,
The learning method according to claim 1, wherein, in the process of generating, the plurality of pieces of learning target sleep data are used to generate the plurality of learning data.

前記抽出する処理は、前記入眠時間の長さ、前記途中覚醒の回数、前記起床時間の長さの少なくとも一つを用いて、前記非ストレス状態のときに測定された睡眠データか否かを判定することを特徴とする請求項２に記載の学習方法。 The process of extracting, by using at least one of the length of the sleep time, the number of halfway awakening, the length of the wake-up time, it is determined whether or not the sleep data measured in the non-stress state. The learning method according to claim 2, wherein

前記複数の非ストレス状態の睡眠データそれぞれについて、当該睡眠データが測定された空間の蓄熱因子を算出する処理を、前記コンピュータが実行し、
前記生成する処理は、前記複数の学習対象の睡眠データそれぞれに、前記指標および前記蓄熱因子を対応付けて、前記複数の学習データを生成することを特徴とする請求項２に記載の学習方法。 For each of the plurality of non-stressed sleep data, the computer executes a process of calculating a heat storage factor of the space in which the sleep data is measured,
The learning method according to claim 2, wherein, in the process of generating, the plurality of pieces of learning data are generated by associating the sleep data of the plurality of learning targets with the index and the heat storage factor.

前記特定する処理は、前記複数の学習対象の睡眠データそれぞれに対して、各睡眠データに含まれる前記途中覚醒に関する情報から、前記各睡眠データに対応するユーザが途中覚醒の状態か否かを判定し、
前記算出する処理は、前記指標として、前記ユーザが途中覚醒の状態か否かを示す覚醒情報を算出し、
前記生成する処理は、前記複数の学習対象の睡眠データそれぞれから、当該睡眠データおよび前記ユーザの年齢層を説明変数、前記覚醒情報を目的変数とする前記複数の学習データを生成し、
前記学習する処理は、前記複数の学習データを用いて、前記途中覚醒が発生するか否かを予測する前記学習モデルを学習することを特徴とする請求項２に記載の学習方法。 The identifying process determines, for each of the plurality of learning target sleep data, from the information about the awakening included in each sleep data, whether the user corresponding to each sleep data is in the awake state. Then
The process of calculating, as the index, calculates awakening information indicating whether or not the user is awake halfway,
The processing to generate, from each of the plurality of learning target sleep data, the plurality of learning data with the sleep data and the age group of the user as an explanatory variable, the awakening information as an objective variable,
The learning method according to claim 2, wherein the learning process uses the plurality of learning data to learn the learning model that predicts whether or not the halfway awakening occurs.

前記学習対象のユーザから予測対象の睡眠データである予測データを取得し、
前記予測データを学習済みの学習モデルに入力し、
前記学習済みの学習モデルの出力結果に応じて、前記学習対象のユーザに対する空調制御を実行する処理を、前記コンピュータが実行することを特徴とする請求項５に記載の学習方法。 Obtaining prediction data which is sleep data of a prediction target from the user of the learning target,
Input the prediction data into a learned learning model,
The learning method according to claim 5, wherein the computer executes a process of performing an air conditioning control for the learning target user according to an output result of the learned learning model.

コンピュータに、
複数のユーザそれぞれの睡眠に関する複数の睡眠データを取得し、
前記複数の睡眠データから、非ストレス状態のときに測定された、複数の非ストレス状態の睡眠データを抽出し、
前記複数の非ストレス状態の睡眠データそれぞれに対応するユーザの睡眠状態を特定し、
特定した睡眠状態の比率に基づき、属性または状態を示す指標を算出し、
前記非ストレス状態の睡眠データそれぞれに、算出された前記指標を対応付けた複数の学習データを生成し、
前記複数の学習データを用いて学習モデルを学習する
処理を実行することを特徴とする学習プログラム。 On the computer,
Acquire multiple sleep data about sleep of each of multiple users,
From the plurality of sleep data, a plurality of non-stressed sleep data measured when in a non-stressed state is extracted,
The sleep state of the user corresponding to each of the sleep data of the plurality of non-stress states is specified,
Based on the ratio of the specified sleep state, calculate the index showing the attribute or state,
Each of the sleep data in the non-stress state, to generate a plurality of learning data associated with the calculated index,
A learning program, characterized by executing a process of learning a learning model using the plurality of learning data.

複数のユーザそれぞれの睡眠に関する複数の睡眠データを取得する取得部と、
前記複数の睡眠データから、非ストレス状態のときに測定された、複数の非ストレス状態の睡眠データを抽出する抽出部と、
前記複数の非ストレス状態の睡眠データそれぞれに対応するユーザの睡眠状態を特定する特定部と、
特定した睡眠状態の比率に基づき、属性または状態を示す指標を算出する算出部と、
前記非ストレス状態の睡眠データそれぞれに、算出された前記指標を対応付けた複数の学習データを生成する生成部と、
前記複数の学習データを用いて学習モデルを学習する学習部と
を有することを特徴とする学習装置。 An acquisition unit that acquires a plurality of sleep data regarding sleep of each of a plurality of users,
From the plurality of sleep data, measured in a non-stress state, an extraction unit that extracts a plurality of non-stress sleep data,
A specifying unit that specifies the sleep state of the user corresponding to each of the sleep data of the plurality of non-stress states,
A calculation unit that calculates an index indicating an attribute or a state based on the identified sleep state ratio,
Each of the sleep data in the non-stressed state, a generation unit that generates a plurality of learning data associated with the calculated index,
And a learning unit for learning a learning model using the plurality of learning data.