JP2024021900A - 介入検出装置、介入検出方法、介入検出プログラム及び情報処理システム - Google Patents
介入検出装置、介入検出方法、介入検出プログラム及び情報処理システム Download PDFInfo
- Publication number
- JP2024021900A JP2024021900A JP2022125079A JP2022125079A JP2024021900A JP 2024021900 A JP2024021900 A JP 2024021900A JP 2022125079 A JP2022125079 A JP 2022125079A JP 2022125079 A JP2022125079 A JP 2022125079A JP 2024021900 A JP2024021900 A JP 2024021900A
- Authority
- JP
- Japan
- Prior art keywords
- image
- intervention
- images
- space
- detection device
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 52
- 230000010365 information processing Effects 0.000 title claims abstract description 20
- 238000004458 analytical method Methods 0.000 claims abstract description 26
- 238000000034 method Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000010801 machine learning Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 2
- 230000036760 body temperature Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 230000036757 core body temperature Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000029058 respiratory gaseous exchange Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 210000002683 foot Anatomy 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000001931 thermography Methods 0.000 description 2
- 206010051606 Necrotising colitis Diseases 0.000 description 1
- 230000003187 abdominal effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 208000004995 necrotizing enterocolitis Diseases 0.000 description 1
- 201000006195 perinatal necrotizing enterocolitis Diseases 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 230000028016 temperature homeostasis Effects 0.000 description 1
- 210000003371 toe Anatomy 0.000 description 1
Landscapes
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
【課題】生体情報をより高い精度で解析する介入検出装置、介入検出方法、介入検出プログラム及び情報処理システムを提供する。【解決手段】介入検出装置100と、カメラ140と、解析装置150とがネットワークNを介して接続されている情報処理システム1において、介入検出装置100は、対象者が収容される空間を撮影した画像であって、熱画像、可視画像、距離画像及び赤外線画像のうち少なくとも1つから選択される画像を取得する取得部110と、予め学習された介入判定モデルに前記画像を入力し、前記画像中の前空間への介入の有無を判定する介入判定部114と、を含む。【効果】画像を介入判定モデルに入力して介入の有無を判定し、介入有りである可能性の高い画像を除外して解析することにより、生体情報をより高い精度で解析できる。【選択図】図3
Description
本開示は、介入検出装置、介入検出方法、介入検出プログラム及び情報処理システムに関する。
熱画像を用いた対象物の検出に関する技術がある。
例えば、対象空間を撮像した熱画像を用いて、従来よりも人の検知精度を向上できる人検知装置に係る技術がある(特許文献1参照)。
ここで、例えば保育器を使用する医療現場において、保育器に収容された児の生体情報をモニタリング及び解析し、医療の現場に活用したいというニーズがある。このようなニーズを満たす手段として、例えば保育器に収容された児の熱画像等の画像を撮影し、その撮影画像を用いて児の生体情報を解析することが想定される。
しかし、実際の医療現場では、保育器に収容されている児を単独で撮影することができないケースも考えられる。例えば、児を看護等するために、医師や看護師等の医療従事者や児の家族等(以下、医療従事者等という)の身体の一部が児と一緒に映り込んでしまうケースや、手術ロボット等の医療機器(呼吸チューブ等の呼吸器具や栄養チューブ等を除く)の一部が児と一緒に映り込んでしまうケースなどがある。
それらのケースにおいて、医療従事者等の身体の一部又は手術ロボット等の医療機器の一部が児と重なるようにして画像に映り込んでしまう(このような事象を本明細書では「介入(が有る)」と表現する)と、児の生体情報を高い精度で解析するのが困難となることが予想される。この課題は、保育器を使用する医療現場に限らず、例えば手術室や病室で成人等の生体情報を解析する場面でも生じるものと考えられる。
本開示の課題は、生体情報をより高い精度で解析することを可能とする介入検出装置、介入検出方法、介入検出プログラム及び情報処理システムを提供することである。
本開示の第1態様に係る介入検出装置は、対象者が収容される空間を撮影した画像であって、熱画像、可視画像、距離画像及び赤外線画像のうち少なくとも1つから選択される画像を取得する取得部と、予め学習された介入判定モデルに前記画像を入力し、前記画像中の前記空間への介入の有無を判定する介入判定部と、を含む。これにより、生体情報をより高い精度で解析することを可能とする。
また、第2態様に係る介入検出装置は、第1態様に係る介入検出装置であって、前記取得部は、時系列に前記画像を複数取得し、時系列に取得された複数の前記画像の各々に基づいて、差分画像を算出する差分算出部を更に含み、前記介入判定部は、前記画像と、前記差分画像とを前記介入判定モデルに入力し、前記介入の有無を判定する。これにより、生体情報をさらに高い精度で解析することを可能とする。
また、第3態様に係る介入検出装置は、第1又は第2態様に係る介入検出装置であって、前記介入判定モデルは、学習用の前記画像及び時系列に取得された前記画像の差分画像を入力して、所定の機械学習の手法を用いて、前記介入の有無を示す判定結果を出力するように学習されている。これにより、生体情報をより高い精度で、かつ比較的容易に解析することを可能とする。
また、本開示の第4態様に係る介入判定方法は、プロセッサが、対象者が収容される空間を撮影した画像であって、熱画像、可視画像、距離画像及び赤外線画像のうち少なくとも1つから選択される画像を取得する処理と、予め学習された介入判定モデルに前記画像を入力し、前記画像中の前記空間への介入の有無を判定する処理と、をコンピュータに実行させる。
また、本開示の第5態様に係る介入判定プログラムは、プロセッサが、対象者が収容される空間を撮影した画像であって、熱画像、可視画像、距離画像及び赤外線画像のうち少なくとも1つから選択される画像を取得する処理と、予め学習された介入判定モデルに前記画像を入力し、前記画像中の前記空間への介入の有無を判定する処理と、をコンピュータに実行させる。
また、本開示の第6態様に係る情報処理システムは、対象者が収容される空間を撮影した画像であって、熱画像、可視画像、距離画像及び赤外線画像のうち少なくとも1つから選択される画像を取得する取得部、及び予め学習された介入判定モデルに前記画像を入力し、前記画像中の前記空間への介入の有無を判定する介入判定部、を含む介入検出装置、を備える。
また、本開示の第7態様に係る情報処理システムは、第6態様に係る情報処理システムであって、前記取得部は、時系列に前記画像を複数取得し、前記介入検出装置は、時系列に取得された複数の前記画像の各々に基づいて、差分画像を算出する差分算出部を更に含み、前記介入判定部は、前記画像と、前記差分画像とを前記介入判定モデルに入力し、前記介入の有無を判定し、前記介入検出装置から前記画像及び前記介入の有無の判定結果を解析装置に出力し、前記解析装置において、前記画像及び前記介入の有無の判定結果に基づいて、前記介入の有無の判定結果をラベルとし、少なくとも前記介入の無い前記画像を用いて、前記対象者の生体情報を解析する。これにより、介入の有無の判定結果を用いて、精度の高い生体情報の解析が行える。
また、本開示の第8態様に係る情報処理システムは、第7態様に係る情報処理システムであって、複数の前記画像のうち、介入が有ると判定された前記画像を除外して前記対象者の生体情報を解析する。これにより、介入の有無の判定結果を用いて介入の有る画像を除外し、精度の高い生体情報の解析が行える。
本開示の介入検出装置、介入検出方法、介入検出プログラム及び情報処理システムによれば、生体情報をより高い精度で解析することを可能とする、という効果を得られる。
以下、開示の技術の実施形態の一例を、図面を参照しつつ説明する。なお、各図面において同一又は等価な構成要素及び部分には同一の参照符号を付与している。また、図面の寸法比率は、説明の都合上誇張されており、実際の比率とは異なる場合がある。
本開示の実施形態の概要を説明する。なお、本実施形態では、対象者が収容される空間を保育器の児収容室(臥床台上の空間)とし、対象者を児として熱画像を撮影する場合を例に説明するが、本実施形態の手法は、これに限定されるものではない。本実施形態の手法は、空間内に対象者とは異なる者又は他の物体が映り込む場合を想定し、多様な空間を撮影するケースに対して適用できる。また、対象者が収容される空間が撮影されていればよく、対象者の映り込みが確認できないような画像が撮影される場合も想定される。また、対象者として児以外を想定する場合は、例えば、空間を手術室とし、対象者を患者とする場合や、空間を作業現場とし、対象者を作業者とする場合等にも適用できる。また、撮影する画像は、熱画像に限らず、可視画像、距離画像又は赤外線画像であってもよい。距離画像は、TOFカメラ等の距離画像カメラで撮影され、画素ごとに距離画像カメラと撮影対象との間の距離情報を含む。なお、これらの画像から1の画像を選択取得する方法として、例えば、1つのカメラを用いて1の画像(例えば熱画像)を撮影し当該画像を取得する方法であってもよいし、異なる種類の複数の画像から選択取得してもよい。異なる種類の複数の画像から選択取得する場合、例えば、1つ又は複数のカメラを用いて複数の画像(例えば熱画像と可視画像の2画像)を同時に撮影し、撮影された複数の画像のうち1の画像(例えば熱画像)を選択取得してもよい。また、1つ又は複数のカメラを用いて複数の画像(例えば熱画像と可視画像の2画像)を同時に撮影し、撮影された複数の画像のすべてを取得しておき、介入判定モデルに入力されるのはその中から選択される1の画像(例えば熱画像)のみとするようにしてもよい。また、以下の説明では、解析対象とする児の生体情報が深部体温である場合を例示して説明するが、これに限定されず、対象は皮膚温(末梢温)等であってもよい。
図1は、画像中の介入の有無の一例を示す図である。図1の(a1)及び(b1)の画像は保育器の児を撮影した熱画像であり、(a1)は介入無しの熱画像、(b1)は介入有りの熱画像である。(a1)及び(b1)において、児は図面に対して右側に頭が位置し、図の左側に足が位置するように仰向けの状態で映っている。また、(a1)では児の足先を除く全身が映っているのに対し、(b1)では図の上側から医療従事者等の手が伸びて児と重なるように映り込んでおり、その手によって児の半身が隠れている。(a2)及び(b2)は、(a1)及び(b1)の熱画像それぞれについてサーモグラフの温度が所定温度以上となる部分を可視化した模式的な画像である。介入が有ると、(b2)の符号bvの範囲に示すように、映り込んだ手で児の半身が隠れてしまい、この熱画像からは医療従事者等の手で隠れた領域にある児の温度を識別することができないだけではなく、当該隠れた領域に児の温度ではない物体(すなわち医療従事者等の手)の温度を写した画像になってしまう。児の正確な体温を測定するためには、児の各部位が重要な領域となり得るが、撮影した熱画像からこれらの部位の温度を識別することができないと、例えば生体情報等の情報の解析精度が損なわれる。つまり、(b1)及び(b2)に示すように介入が有ると、映り込んだ物体によって児の体温の識別が阻害される結果、児の生体情報を高い精度で解析するのが困難となる。
ところで、児の深部体温等の生体情報を解析するための解析モデルを学習しようとする際、介入が有る画像を用いた場合、学習及び評価の双方に影響が生じ、解析モデルの精度が低下してしまう懸念がある。そこで本実施形態では、学習された介入判定モデルを用いて、画像中の空間への介入の有無を判定する手法を実現する。これにより、児の生体情報をより高い精度で、かつ比較的容易に解析することを可能とする。なお、空間への介入とは、対象者とは異なる物体(医療従事者等の身体の一部、手術ロボット等の医療機器(呼吸チューブ等の呼吸器具や栄養チューブ等を除く)の一部、等)が、空間内に入り込んでくることを意味する。
図2は、介入検出装置100のハードウェア構成を示すブロック図である。
図2に示すように、介入検出装置100は、プロセッサであるCPU(Central Processing Unit)11、ROM(Read Only Memory)12、RAM(Random Access Memory)13、ストレージ14、入力部15、表示部16及び通信インタフェース(I/F)17を有する。各構成は、バス19を介して相互に通信可能に接続されている。
CPU11は、中央演算処理ユニットであり、各種プログラムを実行したり、各部を制御したりする。すなわち、CPU11は、ROM12又はストレージ14からプログラムを読み出し、RAM13を作業領域としてプログラムを実行する。CPU11は、ROM12又はストレージ14に記憶されているプログラムに従って、上記各構成の制御及び各種の演算処理を行う。本実施形態では、ROM12又はストレージ14には、予測プログラムが格納されている。
ROM12は、各種プログラム及び各種データを格納する。RAM13は、作業領域として一時的にプログラム又はデータを記憶する。ストレージ14は、HDD(Hard Disk Drive)又はSSD(Solid State Drive)等の記憶装置により構成され、オペレーティングシステムを含む各種プログラム、及び各種データを格納する。
入力部15は、マウス等のポインティングデバイス、及びキーボードを含み、各種の入力を行うために使用される。
表示部16は、例えば、液晶ディスプレイであり、各種の情報を表示する。表示部16は、例えばタッチパネル方式(ホバー入力等の非接触型の操作方式のものを含む)を採用して、入力部15として機能してもよい。
通信インタフェース17は、端末等の他の機器と通信するためのインタフェースである。当該通信には、例えば、イーサネット(登録商標)若しくはFDDI等の有線通信の規格、又は、4G、5G、若しくはWi-Fi(登録商標)等の無線通信の規格が用いられる。
図3は、本実施形態の介入検出装置100を含む情報処理システム1の構成を示すブロック図である。情報処理システム1では、介入検出装置100と、カメラ140と、解析装置150とがネットワークNを介して接続されている。各装置は例えば無線接続されているが、有線接続であってもよい。
介入検出装置100は、予め学習された介入判定モデルに熱画像を入力して介入判定を行い、介入の有無を判定する。カメラ140は、保育器における児収容室の熱画像を撮影する。解析装置150は、熱画像について判定された介入の有無をフラグとして用いて、生体情報を出力できるように予め学習された解析モデルに熱画像を入力し、児収容室に収容されている児の生体情報を解析する。なお、解析装置150は、カメラ140から熱画像を取得してもよいし、介入検出装置100から熱画像を取得してもよい。また、解析装置150のハードウェア構成は介入検出装置100と同様とすればよい。
介入検出装置100の各機能構成について説明する。各機能構成は、CPU11がROM12又はストレージ14に記憶された学習プログラムを読み出し、RAM13に展開して実行することにより実現される。図3に示すように、介入検出装置100は機能的には取得部110と、差分算出部112と、介入判定部114と、画像記憶部120と、モデル記憶部122とを含んで構成される。
取得部110は、カメラ140から時系列に複数の熱画像を取得し、画像記憶部120に格納する。なお、以下の説明では時系列に取得した熱画像を用いる態様を説明するが、時系列に取得する場合に限らず1枚の熱画像を取得して処理を行ってもよい。
画像記憶部120には、時系列に取得された熱画像が格納される。以下に説明する処理では画像記憶部120の熱画像を参照して処理を行うことを想定するため、説明において画像記憶部120の記載は省略する。
差分算出部112は、時系列に取得された複数の熱画像の各々に基づいて、差分画像を算出する。差分画像の態様について説明する。例えば、差分算出部112は、熱画像がA1~Anであるとすれば、着目する熱画像と時系列の次(以降)の熱画像とを組として、差分画像を算出する。例えば、着目する熱画像がA1であれば、時系列の次の熱画像であるA2と組み合わせたA1-A2の組について、差分画像となるB1を算出することになる。例えば、A1~A5の熱画像を対象にする場合、A1-A2、A2-A3、A3-A4、A4-A5の組が得られ、B1~B4の差分画像が算出される。また、時系列の次以降、つまり1つ先に限らず、2つ先(例えばA1-A3の組)、3つ先(例えばA1-A4の組)等との組について差分画像を算出してもよい。どのような組で差分画像を算出するかは、介入判定モデルの学習時に用いた差分画像の組の仕様に応じて適宜設定すればよい。
モデル記憶部122には、予め学習された介入判定モデルが格納されている。図4は介入判定モデルの入出力のイメージ図である。介入判定モデルは、例えば、ニューラルネットワークのネットワーク構成としては、2系統入力のResNet-18を用いる。2系統入力で、熱画像及び差分画像をそれぞれ入力する。入力の枚数は、例えば熱画像は5枚、差分画像は4枚とする。前処理として、学習用の熱画像、学習用の差分画像をそれぞれ標準化して入力する。介入判定モデルの学習においては、学習用の熱画像には、介入の有無を示す正解ラベルを人手により付与してもよい。学習の仕様は、任意の活性化関数(Linear Unit)で統合、データ拡張(Augmentation)はFlipとし、損失関数(Loss Function)には、NLL(Negative Log Likelihood)+Center loss +Floodingを用いる。なお、介入判定モデルにニューラルネットワークを用いることは一例であり、画像及び差分画像から介入の有無を判定するための二値の出力が可能な機械学習手法であれば適用可能である。また、ネットワークを1系統とし、差分画像を用いずに、熱画像のみを用いて介入判定モデルを学習するようにしてもよい(この場合、差分算出部112は不要である)。このように、介入判定モデルは、学習用の画像及び時系列に取得された当該画像の差分画像を入力して、所定の機械学習の手法を用いて、介入の有無を示す判定結果を出力するように学習されている。
介入判定部114は、熱画像と、差分画像とを介入判定モデルに入力し、介入の有無を判定する。熱画像の各々について判定した介入の有無の判定結果は、解析装置150に出力される。介入の有無の判定結果により、介入の有無を検出することができる。
解析装置150は、介入の有無の判定結果をラベルとし、熱画像を用いて児の生体情報を解析する。例えば、解析装置150は、ラベルにより介入が有ると判定された熱画像を除外し、除外後の熱画像を用いて、児の生体情報を解析する。また、解析装置150は、ラベルを考慮せずに熱画像を用いて児の生体情報を解析する。このように介入が有る画像を除外する場合と除外しない場合とでそれぞれ解析を行うことで、生体情報の解析結果を介入の有無の観点から比較できる。また、例えば、時系列を所定時間の区間で区切り、区間単位で画像を除外してもよい。介入有りのラベルが区間内に所定数以上含まれている場合に、当該区間の介入有りのラベルの画像を除外する。これにより、介入検出が誤検出である場合も考慮して、介入有りである可能性の高い画像だけを除外することができる。
生体情報の解析としては、一例として、深部体温の推定が挙げられる。図5は、深部体温推定について、介入無しの場合と介入有りの場合とを比較した一例である。図5では、縦軸が温度(深部体温)、横軸が時系列の時間である。介入有りでは、介入が有った画像を除外して解析モデルに入力して解析を行った。図5に破線で示す「Estimate」は単純な熱画像の画像処理で算出した体温の結果であり、薄い色の実線で示す「AI」は推定した体温の解析結果であり、黒色の実線で示す「Temperature」が測定した体温である。図5から明らかなように、介入有りの場合のほうが介入無しの場合に比べて、推定した体温の分散が小さくなり、AIの精度が向上していることが理解できる。
解析装置150では、推定した体温を、頭部、体幹、腕、及び足といったセグメンテーションに区分して出力するようにしてもよい。
解析装置150の解析によれば、例えば、参考文献1に記載されているような腹部温度のムラから壊死性腸炎の検出を行う医療情報の解析も可能である、また、解析によれば、参考文献2に記載されているような抹消(足)の温度測定も可能である。
[参考文献1]Knobel RB, Guenther BD, Rice HE. Thermoregulation and thermography in neonatal physiology and disease. Biol Res Nurs. 2011;13:274-282.
[参考文献2]Knobel-Dail RB, Holditch-Davis D, Sloane R, Guenther BD, Katz LM. Body temperature in premature infants during the first week of life: exploration using infrared thermal imaging. J Therm Biol. 2017;69:118-123.
[参考文献1]Knobel RB, Guenther BD, Rice HE. Thermoregulation and thermography in neonatal physiology and disease. Biol Res Nurs. 2011;13:274-282.
[参考文献2]Knobel-Dail RB, Holditch-Davis D, Sloane R, Guenther BD, Katz LM. Body temperature in premature infants during the first week of life: exploration using infrared thermal imaging. J Therm Biol. 2017;69:118-123.
(処理の流れ)
次に、介入検出装置100の作用について説明する。図6は、介入検出装置100による介入検出処理の流れを示すフローチャートである。CPU11がROM12又はストレージ14から介入検出プログラムを読み出して、RAM13に展開して実行することにより、介入検出処理が行われる。CPU11が介入検出装置100の各部として機能することにより、以下の処理を実行させる。
次に、介入検出装置100の作用について説明する。図6は、介入検出装置100による介入検出処理の流れを示すフローチャートである。CPU11がROM12又はストレージ14から介入検出プログラムを読み出して、RAM13に展開して実行することにより、介入検出処理が行われる。CPU11が介入検出装置100の各部として機能することにより、以下の処理を実行させる。
ステップS100において、CPU11は、カメラ140から時系列に複数の熱画像を取得し、画像記憶部120に格納する。
ステップS102において、CPU11は、時系列に取得された複数の熱画像の各々に基づいて、差分画像を算出する。
ステップS104において、CPU11は、熱画像と、差分画像とを介入判定モデルに入力し、介入の有無を判定する。これにより複数の熱画像の各々について介入の有無を判定する。
ステップS106において、CPU11は、複数の熱画像の各々の介入の判定結果を解析装置150に出力する。
情報処理システム1としては、解析装置150が介入の判定結果を受け付け、介入の有無の判定結果をラベルとし、熱画像を用いて、児の生体情報を解析する。
以上説明したように、本実施形態に係る介入検出装置100は、介入を検出し、生体情報をより高い精度で解析することを可能とする。
なお、本開示の技術は、上述した実施形態に限定されるものではなく、この発明の要旨を逸脱しない範囲内で様々な変形や応用が可能である。
また、本願明細書中において、プログラムが予めインストールされている実施形態として説明したが、当該プログラムを、コンピュータ読み取り可能な記録媒体に格納して提供することも可能である。
また、上記実施形態では保育器を例に説明したが、これに限定されず、例えば、対象者が収容される空間を「インファントウォーマにおける臥床台上の空間」とし、インファントウォーマの臥床台に載置される児の熱画像を撮影する場合にも、本発明を適用可能である。
1 情報処理システム
100 介入検出装置
110 取得部
112 差分算出部
114 介入判定部
120 画像記憶部
122 モデル記憶部
140 カメラ
150 解析装置
100 介入検出装置
110 取得部
112 差分算出部
114 介入判定部
120 画像記憶部
122 モデル記憶部
140 カメラ
150 解析装置
Claims (8)
- 対象者が収容される空間を撮影した画像であって、熱画像、可視画像、距離画像及び赤外線画像のうち少なくとも1つから選択される画像を取得する取得部と、
予め学習された介入判定モデルに前記画像を入力し、前記画像中の前記空間への介入の有無を判定する介入判定部と、
を含む介入検出装置。 - 前記取得部は、時系列に前記画像を複数取得し、
時系列に取得された複数の前記画像の各々に基づいて、差分画像を算出する差分算出部を更に含み、
前記介入判定部は、前記画像と、前記差分画像とを前記介入判定モデルに入力し、前記介入の有無を判定する、
請求項1に記載の介入検出装置。 - 前記介入判定モデルは、学習用の前記画像及び時系列に取得された前記画像の差分画像を入力して、所定の機械学習の手法を用いて、前記介入の有無を示す判定結果を出力するように学習されている請求項1に記載の介入検出装置。
- プロセッサが、
対象者が収容される空間を撮影した画像であって、熱画像、可視画像、距離画像及び赤外線画像のうち少なくとも1つから選択される画像を取得する処理と、
予め学習された介入判定モデルに前記画像を入力し、前記画像中の前記空間への介入の有無を判定する処理と、
をコンピュータに実行させる介入検出方法。 - プロセッサが、
対象者が収容される空間を撮影した画像であって、熱画像、可視画像、距離画像及び赤外線画像のうち少なくとも1つから選択される画像を取得する処理と、
予め学習された介入判定モデルに前記画像を入力し、前記画像中の前記空間への介入の有無を判定する処理と、
をコンピュータに実行させる介入検出プログラム。 - 対象者が収容される空間を撮影した画像であって、熱画像、可視画像、距離画像及び赤外線画像のうち少なくとも1つから選択される画像を取得する取得部、及び
予め学習された介入判定モデルに前記画像を入力し、前記画像中の前記空間への介入の有無を判定する介入判定部、を含む介入検出装置、
を備える情報処理システム。 - 前記取得部は、時系列に前記画像を複数取得し、
前記介入検出装置は、時系列に取得された複数の前記画像の各々に基づいて、差分画像を算出する差分算出部を更に含み、
前記介入判定部は、前記画像と、前記差分画像とを前記介入判定モデルに入力し、前記介入の有無を判定し、
前記介入検出装置から前記画像及び前記介入の有無の判定結果を解析装置に出力し、
前記解析装置において、前記画像及び前記介入の有無の判定結果に基づいて、前記介入の有無の判定結果をラベルとし、少なくとも前記介入の無い前記画像を用いて、前記対象者の生体情報を解析する請求項6に記載の情報処理システム。 - 複数の前記画像のうち、介入が有ると判定された前記画像を除外して前記対象者の生体情報を解析する請求項7に記載の情報処理システム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022125079A JP2024021900A (ja) | 2022-08-04 | 2022-08-04 | 介入検出装置、介入検出方法、介入検出プログラム及び情報処理システム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022125079A JP2024021900A (ja) | 2022-08-04 | 2022-08-04 | 介入検出装置、介入検出方法、介入検出プログラム及び情報処理システム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2024021900A true JP2024021900A (ja) | 2024-02-16 |
Family
ID=89855412
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022125079A Pending JP2024021900A (ja) | 2022-08-04 | 2022-08-04 | 介入検出装置、介入検出方法、介入検出プログラム及び情報処理システム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2024021900A (ja) |
-
2022
- 2022-08-04 JP JP2022125079A patent/JP2024021900A/ja active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11776146B2 (en) | Edge handling methods for associated depth sensing camera devices, systems, and methods | |
CN103222848A (zh) | 图像处理设备和图像处理方法 | |
JP2009279076A (ja) | 監視システム | |
JP6822328B2 (ja) | 見守り支援システム及びその制御方法 | |
CN111854964A (zh) | 一种测量体温的方法、装置、测温工具及存储介质 | |
Upreti et al. | IoT-based control system to measure, analyze, and track basic vital indicators in patient healthcare monitoring system | |
Inoue et al. | Bed-exit prediction applying neural network combining bed position detection and patient posture estimation | |
Cassidy et al. | Artificial intelligence for automated detection of diabetic foot ulcers: A real-world proof-of-concept clinical evaluation | |
Coleman et al. | Evaluation of Sibel’s Advanced Neonatal Epidermal (ANNE) wireless continuous physiological monitor in Nairobi, Kenya | |
WO2008033010A1 (en) | Device and method for positioning recording means for recording images relative to an object | |
JP2024021900A (ja) | 介入検出装置、介入検出方法、介入検出プログラム及び情報処理システム | |
Agarwal et al. | Method to improve gait speed assessment for low frame rate AI enabled visual sensor | |
Shcherbakova et al. | Optical thermography infrastructure to assess thermal distribution in critically ill children | |
CN116807452A (zh) | 一种脊柱侧弯3d检测方法、***、设备及介质 | |
JP6911998B2 (ja) | 生体情報推定装置、生体情報推定方法、及び生体情報推定プログラム | |
KR20210074008A (ko) | 이미지 분석을 이용한 사시 진단 시스템 및 방법 | |
US11669962B2 (en) | Temperature monitoring with a thermal camera | |
US10258237B2 (en) | Photobiomedical measurement apparatus | |
US20230414114A1 (en) | Disease detection system | |
JP7440665B2 (ja) | 網膜画像処理 | |
US11883186B2 (en) | Methods and systems for continuous measurement of anomalies for dysmorphology analysis | |
US20240257945A1 (en) | Autonomous image acquisition start-stop managing system | |
US20230023432A1 (en) | Method and apparatus for determining dementia risk factors using deep learning | |
US20230036636A1 (en) | Thermal Imaging Device Performing Image Analysis To Facilitate Early Detection Of Distal Extremity Altered Perfusion States | |
KR20120031757A (ko) | 질병 자가 진단 시스템 |