JP7127301B2 - ABNORMAL SENSOR DETECTION METHOD, ABNORMAL SENSOR DETECTION SYSTEM AND INFORMATION PROCESSING DEVICE - Google Patents

ABNORMAL SENSOR DETECTION METHOD, ABNORMAL SENSOR DETECTION SYSTEM AND INFORMATION PROCESSING DEVICE Download PDF

Info

Publication number
JP7127301B2
JP7127301B2 JP2018037939A JP2018037939A JP7127301B2 JP 7127301 B2 JP7127301 B2 JP 7127301B2 JP 2018037939 A JP2018037939 A JP 2018037939A JP 2018037939 A JP2018037939 A JP 2018037939A JP 7127301 B2 JP7127301 B2 JP 7127301B2
Authority
JP
Japan
Prior art keywords
sensor
sensors
abnormal
relationship
detection target
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.)
Active
Application number
JP2018037939A
Other languages
Japanese (ja)
Other versions
JP2019153080A (en
Inventor
祐介 駒場
明大 猪又
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fujitsu Ltd
Original Assignee
Fujitsu Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fujitsu Ltd filed Critical Fujitsu Ltd
Priority to JP2018037939A priority Critical patent/JP7127301B2/en
Publication of JP2019153080A publication Critical patent/JP2019153080A/en
Application granted granted Critical
Publication of JP7127301B2 publication Critical patent/JP7127301B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Testing And Monitoring For Control Systems (AREA)
  • Alarm Systems (AREA)

Description

本発明は、異常センサの検出技術に関する。 The present invention relates to an abnormality sensor detection technology.

近年、Ｉｎｔｅｒｎｅｔ ｏｆ Ｔｈｉｎｇｓ（ＩｏＴ）への注目が高まっている。病院における患者の安否確認のために、ＩｏＴセンサを病院の様々な場所に設置し、患者の離床などのデータを収集するなどの事例もある。今後、ネットワークを利用するセンサが大量に導入されると、センサの故障や寿命に応じたメンテナンスが必要となるため、導入したセンサの数に応じてメンテナンスコストが急増することが予想される。 In recent years, the Internet of Things (IoT) has received increasing attention. In order to confirm the safety of patients in hospitals, there are cases where IoT sensors are installed at various locations in hospitals and data such as when patients get out of bed are collected. In the future, if a large number of sensors that use networks are introduced, maintenance costs will be required depending on the number of sensors installed, and maintenance costs are expected to rise sharply according to the number of sensors installed.

制御対象に備えられたセンサの出力信号を時系列に記憶させ、それらに内在している相関関係を抽出し、正常時の相関関係との隔たり度を定量化する技術がある。当該技術は、センサペア毎に定量化された相関関係の隔たりから、各センサ出力の異常の有無を判定し、異常値を出力しているセンサを特定する（例えば、特許文献１を参照）。 There is a technique for storing output signals of sensors provided in a controlled object in chronological order, extracting the correlations inherent in them, and quantifying the degree of deviation from the normal correlations. The technology determines whether there is an abnormality in the output of each sensor from the gap in the correlation quantified for each sensor pair, and identifies the sensor outputting an abnormal value (see, for example, Patent Document 1).

センサ健全性判定方法において、機器の動作信号を用いて事故事象を推定し、事故事象に基づいて相関鑑定を比較するセンサグループを設定し、設定したセンサグループを用いてセンサの相関関係を比較することでセンサの健全性を判定する技術が知られている（例えば、特許文献２を参照）。 In the sensor soundness determination method, an accident event is estimated using the operation signal of the equipment, a sensor group is set for comparing correlation appraisal based on the accident event, and the sensor correlation is compared using the set sensor group. A technique for determining the soundness of a sensor is known (see Patent Literature 2, for example).

特開平７－１１０７０８号公報JP-A-7-110708 国際公開２０１５／０４０６８３号WO2015/040683

大量のセンサを使用する現場では、コスト面から安価なセンサのほうが導入が容易である。たとえば、センサによっては、管理系（たとえば、センサデータを収集する情報処理装置）にセンサデータを通信する機能とは別に、センサに生じた異常を検出し、管理系へ通知するための通信機能を別途有するものもある。しかし、安価なセンサは、センサの異常の検出機能や管理系に異常を通知する通信機能を持っているとは限らない。そのため、このような安価なセンサが大量に設置された場合であっても、異常センサを発見することが求められる。さらに、管理系で異常を検知する以外に、人手で、各センサの異常を検知することも考えられるが、この手法は作業負荷が高い。 In a field where a large number of sensors are used, it is easier to introduce inexpensive sensors from the cost point of view. For example, depending on the sensor, in addition to the function of communicating sensor data to a management system (for example, an information processing device that collects sensor data), there is a communication function that detects an abnormality that has occurred in the sensor and notifies it to the management system. Some have separate items. However, inexpensive sensors do not necessarily have a sensor abnormality detection function or a communication function for notifying an abnormality to a management system. Therefore, even if a large number of such inexpensive sensors are installed, it is required to find an abnormal sensor. Furthermore, in addition to detecting anomalies in the management system, it is conceivable to manually detect anomalies in each sensor, but this method imposes a heavy workload.

そこで、本発明は１つの側面において、異常発生を通知することができないセンサであっても、情報処理装置が、異常が発生したセンサを検知することを目的とする。 Accordingly, in one aspect of the present invention, it is an object of an information processing apparatus to detect a sensor in which an abnormality has occurred, even if the sensor cannot notify the occurrence of an abnormality.

コンピュータが、複数のセンサが得たセンサデータを、ネットワークを介して取得する。その後、コンピュータは、前記複数のセンサのうちの各センサが前記検出対象を検出した順序に基づき、前記検出対象を検出した２つのセンサのうちの前記順序が先であるセンサが前記検出対象を検出したときに該２つのセンサのうちの前記順序が後であるセンサも前記検出対象を検出する確率を、前記順序が先であるセンサと前記順序が後であるセンサとのそれぞれの識別情報に対応付けて、センサ間の関係性として示す関係性情報を、複数の時間範囲ごとに生成する。コンピュータは、前記複数の時間範囲ごとの前記関係性情報の変化に基づいて、前記複数のセンサのうち、異常が発生したセンサを検出し、前記検出において異常が発生したセンサが前記関係性情報の変化に基づいて複数検出された場合であって、且つ、該変化の後の前記関係性情報において、該異常の発生が検出された複数の異常センサのうちの１つを前記後であるセンサとしている全ての前記センサ間の関係性で示されている前記前であるセンサが、いずれも前記複数の異常センサに含まれている場合、前記複数の異常センサのうちの前記１つについては該異常が発生していないと判定する。 A computer acquires sensor data obtained by a plurality of sensors via a network. After that, the computer detects the detection target based on the order in which each sensor among the plurality of sensors detects the detection target, and the sensor that detects the detection target first in the order of the two sensors detects the detection target. the probability that the sensor whose order is later among the two sensors also detects the detection target when the sensor is detected corresponds to the identification information of each of the sensor whose order is first and the sensor whose order is later Then, relationship information indicating relationships between sensors is generated for each of a plurality of time ranges. The computer detects a sensor in which an abnormality has occurred among the plurality of sensors based on changes in the relationship information for each of the plurality of time ranges , When a plurality of abnormal sensors are detected based on a change, and in the relationship information after the change, one of the plurality of abnormal sensors in which the occurrence of the abnormality is detected as the subsequent sensor If the previous sensor indicated by the relationship between all the sensors that are present are all included in the plurality of abnormal sensors, the one of the plurality of abnormal sensors is the abnormal sensor is determined to have not occurred .

本発明によれば、異常発生を通知することができないセンサであっても、情報処理装置が、異常が発生したセンサを検知することができる。 According to the present invention, an information processing apparatus can detect a sensor in which an abnormality has occurred, even if the sensor cannot notify the occurrence of an abnormality.

病院に設置したセンサと患者の動作の一例を説明する図である。It is a figure explaining an example of the sensor installed in the hospital, and an operation|movement of a patient. 病院に設置したセンサから異常センサを検出する方法の例を説明する図である。It is a figure explaining the example of the method of detecting an abnormal sensor from the sensor installed in the hospital. 異常センサを検出する処理を行う情報処理装置を説明するブロック図の例である。It is an example of the block diagram explaining the information processing apparatus which performs the process which detects an abnormal sensor. 関係性情報生成部の処理に用いられる関係性情報テーブルの例を説明する図である。It is a figure explaining the example of the relationship information table used for the process of a relationship information production|generation part. 関係性監視部の処理の例を説明する図である。FIG. 10 is a diagram illustrating an example of processing by a relationship monitoring unit; 異常センサ検出部が異常センサを検出する例を説明する図である。It is a figure explaining the example which an abnormal sensor detection part detects an abnormal sensor. 関係性情報生成部のデータ処理の例を説明する図である。It is a figure explaining the example of the data processing of a relationship information production|generation part. 関係性情報生成部のデータ処理の例を説明する図である。It is a figure explaining the example of the data processing of a relationship information production|generation part. 本実施形態に係る情報処理装置のハードウェア構成の例を説明する図である。It is a figure explaining the example of the hardware constitutions of the information processing apparatus which concerns on this embodiment. 異常センサを検出する情報処理装置の処理の例を説明するフローチャートである。4 is a flowchart illustrating an example of processing of an information processing device that detects an abnormal sensor; 信頼度の変化量に対して設定する閾値の例を説明する図である。It is a figure explaining the example of the threshold value set with respect to the variation|change_quantity of reliability. セグメントに分けてセンサを管理する方法の例を説明する図である。It is a figure explaining the example of the method of dividing into a segment and managing a sensor. セグメントに分けてセンサを管理する方法の例を説明するフローチャートである。FIG. 4 is a flow chart illustrating an example of a method for managing sensors by segmentation; FIG. セグメントに分けてセンサを管理する方法の例を説明するフローチャートである。FIG. 4 is a flow chart illustrating an example of a method for managing sensors by segmentation; FIG. 異常連鎖を判定する処理の例を説明する図である。It is a figure explaining the example of the process which determines an abnormal chain. 異常連鎖を判定する処理の例を説明するフローチャートである。FIG. 11 is a flowchart illustrating an example of processing for determining a chain of anomalies; FIG. 異常連鎖を判定する処理の例を説明するフローチャートである。FIG. 11 is a flowchart illustrating an example of processing for determining a chain of anomalies; FIG. 動線変化における関係性崩れの例を説明する図である。It is a figure explaining the example of relationship collapse in flow line change. 動線変化における発火率分布の例を説明する図である。It is a figure explaining the example of the firing rate distribution in a flow line change. 動線変化に対応した実施形態におけるセンサの設置の例を説明する図である。It is a figure explaining the example of installation of the sensor in embodiment corresponding to a flow line change.

以下、本実施形態について、図面を参照しながら詳細に説明する。
図１は、病院に設置したセンサと患者の動作の一例を説明する図である。図１の例では、患者が廊下を通り、ドアを開け、病室のベッドに入るまでの一連の動作データを取得するために、ドアセンサ１０１、人感センサ１０２、音センサ１０３、ベッドセンサ１０４が設置されている。ドアセンサ１０１は、例えば、ドア上方に設置され、ドアの開閉を検知する。人感センサ１０２は、検知方向が廊下側に向けられて設置され、廊下における人の通過を検知する。音センサ１０３は、ドアの周辺に設置され、ドアの開閉に係る音を検知する。ベッドセンサ１０４は、ベッドのマット内やベッドフレームの上に設置され、患者がベッドに入った際の加重に基づいて患者がベッドに入ったことを検知する。そのため、ドアセンサ１０１、人感センサ１０２、音センサ１０３、ベッドセンサ１０４の夫々のセンサは、自機が検知対象を検知したタイミングでセンサ値を出力する。 Hereinafter, this embodiment will be described in detail with reference to the drawings.
FIG. 1 is a diagram illustrating an example of motions of a sensor and a patient installed in a hospital. In the example of FIG. 1, a door sensor 101, a human sensor 102, a sound sensor 103, and a bed sensor 104 are installed in order to acquire a series of motion data from when the patient passes through the corridor, opens the door, and enters the hospital bed. It is The door sensor 101 is installed above the door, for example, and detects opening and closing of the door. The human sensor 102 is installed with its detection direction directed toward the corridor, and detects the passage of a person in the corridor. The sound sensor 103 is installed around the door and detects the sound associated with the opening and closing of the door. The bed sensor 104 is installed in the mat of the bed or on the bed frame, and detects that the patient has entered the bed based on the load when the patient enters the bed. Therefore, each of the door sensor 101, the human sensor 102, the sound sensor 103, and the bed sensor 104 outputs a sensor value at the timing when the self-machine detects the detection target.

ここで、患者が廊下を通り、自分の病室のドアを開け、ベッドに入るまでの一連の動作と、各センサの関連性を説明する。まず、患者が廊下を通ると、人感センサ１０２は、患者が廊下を通過したことを検知する。次に、患者がドアを開けると、ドアセンサ１０１は、ドアが開いたことを検知する。併せて、音センサ１０３は、ドアの開いた際の音を検知する。患者がベッドに入ると、ベッドセンサ１０４は、患者の加重に基づいて患者がベッドに入ったことを検知する。 Here, a series of actions from a patient passing through a corridor, opening the door of his or her hospital room, to entering the bed, and the relationship between each sensor will be explained. First, when the patient passes through the corridor, the human sensor 102 detects that the patient has passed through the corridor. Next, when the patient opens the door, the door sensor 101 detects that the door has been opened. In addition, the sound sensor 103 detects the sound when the door is opened. When the patient is in bed, the bed sensor 104 detects that the patient is in bed based on the weight of the patient.

このように、患者が廊下を通り、自分の病室のドアを開け、ベッドに入るまでの一連の動作（以下、「一連の動作」と称す）に対して、人感センサ１０２、ドアセンサ１０１、音センサ１０３、ベッドセンサ１０４が順に動作を検知する。そのため、人感センサ１０２、ドアセンサ１０１、音センサ１０３、ベッドセンサ１０４の夫々の検知は、患者の動作に対する関連したものである。 In this way, the patient passes through the corridor, opens the door of his/her hospital room, and enters the bed (hereinafter referred to as a "series of actions"). The sensor 103 and the bed sensor 104 sequentially detect motion. Therefore, each detection of the human sensor 102, the door sensor 101, the sound sensor 103, and the bed sensor 104 is related to the patient's motion.

図２は、病院に設置したセンサから異常センサを検出する方法の例を説明する図である。正常状態２１０は、図１の患者が廊下を通り、自分の病室のドアを開け、ベッドに入るまでの一連の動作における、故障や電池切れなどの異常が発生していない人感センサ１０２、ドアセンサ１０１、音センサ１０３、ベッドセンサ１０４の関係性を例示したものである。 FIG. 2 is a diagram illustrating an example of a method for detecting an abnormal sensor from sensors installed in a hospital. A normal state 210 is the human sensor 102 and the door sensor 102 in which an abnormality such as a failure or a dead battery has not occurred in a series of operations from the patient in FIG. 101, the sound sensor 103, and the bed sensor 104 are illustrated.

正常状態２１０におけるグラフ２１１は、縦軸がセンサ値を示し、横軸が時間（ｔ）を表している。患者が廊下を通り、自分の病室のドアを開け、ベッドに入る一連の動作に対し、グラフ２１１は、人感センサ１０２、ドアセンサ１０１、音センサ１０３、ベッドセンサ１０４が検知対象を検知していることを示すセンサ値を順に出力する。 A graph 211 in the normal state 210 shows sensor values on the vertical axis and time (t) on the horizontal axis. A graph 211 shows that the human detection sensor 102, the door sensor 101, the sound sensor 103, and the bed sensor 104 detect the detection targets for a series of actions of the patient passing through the corridor, opening the door of his hospital room, and getting into the bed. The sensor values indicating that are output in order.

正常状態２１０における関係図２１２は、患者の一連の動作における音センサ１０３と人感センサ１０２、ドアセンサ１０１、ベッドセンサ１０４との関係性を表す図である。関係図２１２において、ドアセンサ１０１から音センサ１０３への矢印は、ドアを開けたことを検知した後に音の発生を検知したという関係性を示している。人感センサ１０２から音センサ１０３への矢印は、人の通過を検知した後に音の発生を検知したという関係性を示している。音センサ１０３からベッドセンサ１０４への矢印は、ドアの開閉音を検知した後にベッドへの加重などから患者がベッドに入ったことを検知したという関係性を示している。このように、関係図２１２の例では、音センサ１０３を中心に、各センサの検知順番（時系列）及び関係性を示している。 A relationship diagram 212 in the normal state 210 is a diagram showing the relationship between the sound sensor 103, the human sensor 102, the door sensor 101, and the bed sensor 104 in a series of motions of the patient. In the relationship diagram 212, an arrow from the door sensor 101 to the sound sensor 103 indicates the relationship that the generation of the sound is detected after detecting that the door is opened. An arrow from the human sensor 102 to the sound sensor 103 indicates the relationship in which the generation of sound is detected after the passage of a person is detected. An arrow from the sound sensor 103 to the bed sensor 104 indicates a relationship in which it is detected that the patient has entered the bed due to the weight applied to the bed after the door opening/closing sound is detected. In this way, the example of the relationship diagram 212 shows the detection order (time series) and the relationship of each sensor, with the sound sensor 103 at the center.

故障状態２２０は、正常状態２１０から時間が経過した後に、音センサ１０３が故障した状態の例である。つまり、故障状態２２０は、患者の一連の動作における故障した音センサ１０３と人感センサ１０２、ドアセンサ１０１、ベッドセンサ１０４との関係性を表す図である。 A failure state 220 is an example of a state in which the sound sensor 103 fails after a lapse of time from the normal state 210 . That is, the failure state 220 is a diagram showing the relationship between the failed sound sensor 103 and the motion sensor 102, door sensor 101, and bed sensor 104 in a series of patient actions.

故障状態２２０におけるグラフ２２１は、縦軸がセンサ値を示し、横軸が時間（ｔ）を表している。故障状態２２０では音センサ１０３が故障しているため、グラフ２２１は、音センサ１０３がドアの音を検知していることを示すセンサ値が出力しない。そのため、患者の一連の動作に対し、グラフ２２１は、人感センサ１０２、ドアセンサ１０１、ベッドセンサ１０４の３つのセンサが検知対象を検知していることを示すセンサ値を順に出力する。 A graph 221 in the fault state 220 shows the sensor value on the vertical axis and the time (t) on the horizontal axis. Since the sound sensor 103 is out of order in the failure state 220, the graph 221 does not output a sensor value indicating that the sound sensor 103 is detecting the sound of the door. Therefore, the graph 221 sequentially outputs sensor values indicating that the three sensors, ie, the human sensor 102, the door sensor 101, and the bed sensor 104, detect the detection target in response to a series of movements of the patient.

本実施例において、センサ値は、センサが検出した値であるセンサデータと、予め設定された閾値との比較結果により、検出対象を検出した場合は「１」、検出しない場合は「０」とした結果をいう。なお、閾値は、各センサの種類に応じて異なる値が設定される。 In this embodiment, the sensor value is "1" when the detection target is detected and "0" when the detection target is not detected, based on the result of comparison between the sensor data, which is the value detected by the sensor, and a preset threshold value. result. Note that the threshold is set to a different value depending on the type of each sensor.

たとえば、センサが音センサであれば、音の大きさに応じた値（デシベル）がセンサデータである。そして、音センサの場合、センサ値はセンサデータが所定の閾値よりも大きい場合、検出対象を検出したことを示す値（たとえば１）となり、センサデータが閾値以下である場合、検出対象を検出しなかったことを示す値（たとえば０）となる。また、センサがドアセンサの場合、センサデータは、ドアの開き具合を示す値であってもよいし、ドアが開いたか否か（１または０）であってもよい。後者の場合には、ドアセンサに関するセンサデータとセンサ値とは、同じものとなる。 For example, if the sensor is a sound sensor, the sensor data is a value (decibels) corresponding to the loudness of the sound. In the case of the sound sensor, when the sensor data is greater than a predetermined threshold, the sensor value becomes a value (for example, 1) indicating that the detection target is detected, and when the sensor data is equal to or less than the threshold, the detection target is detected. It becomes a value (eg, 0) indicating that there was not. Moreover, when the sensor is a door sensor, the sensor data may be a value indicating the degree of opening of the door, or whether or not the door is opened (1 or 0). In the latter case, the sensor data and sensor values for the door sensor will be the same.

故障状態２２０における関係図２２２は、音センサ１０３が故障した場合の一連の動作における音センサ１０３と人感センサ１０２、ドアセンサ１０１、ベッドセンサ１０４との関係性を表す図である。故障状態２２０では、人感センサ１０２が患者が廊下を通ったことを検知し、ドアセンサ１０１がドアが開いたことを検知し、ベッドセンサ１０４が患者がベッドに入ったことを検知する。 A relationship diagram 222 in the failure state 220 is a diagram showing the relationship between the sound sensor 103 and the human sensor 102, the door sensor 101, and the bed sensor 104 in a series of operations when the sound sensor 103 fails. In the fault state 220, the human sensor 102 detects that the patient has passed through the corridor, the door sensor 101 detects that the door has been opened, and the bed sensor 104 detects that the patient has entered the bed.

一方、故障状態２２０では、音センサ１０３が故障しているため、ドアが開いた音を検知しない。そのため、故障状態２２０では、音センサ１０３と、他のセンサとの関係性はなくなった状態となっている。以降、正常状態２１０の関係性から故障状態２２０のように関係性がなくなった状態を、「関係性が崩れた」状態と称す。関係図２２２は、音センサ１０３と他のセンサとの関係性が崩れた状態を表すため、音センサ１０３と他のセンサとの関係性を表す矢印を点線で示している。 On the other hand, in the failure state 220, since the sound sensor 103 is out of order, the door opening sound is not detected. Therefore, in the failure state 220, the relationship between the sound sensor 103 and other sensors is lost. Hereinafter, a state in which the relationship in the normal state 210 is no longer related to the fault state 220 will be referred to as a "lost relationship" state. Since the relationship diagram 222 represents a state in which the relationship between the sound sensor 103 and other sensors is broken, arrows representing the relationships between the sound sensor 103 and other sensors are indicated by dotted lines.

本実施形態に係る異常センサ検出装置は、通信対象の全てのセンサに関して、他のセンサとの関係性を求め、正常状態２１０の関係性から故障状態２２０のように関係性の崩れた状態に移ったセンサを検出することで、異常センサ検出装置が、異常センサを検出することができる。 The abnormal sensor detection device according to the present embodiment obtains the relationship with other sensors for all sensors to be communicated, and changes the relationship from the relationship in the normal state 210 to the state in which the relationship is broken like the failure state 220. The abnormal sensor detection device can detect the abnormal sensor by detecting the abnormal sensor.

図３は、異常センサを検出する処理を行う情報処理装置を説明するブロック図の例である。情報処理装置３００は、データ取得部３１０、関係性情報生成部３２０、関係性監視部３３０、異常センサ検出部３４０、通知部３５０、記憶部３６０を備える。 FIG. 3 is an example of a block diagram illustrating an information processing device that performs processing for detecting an abnormal sensor. The information processing device 300 includes a data acquisition unit 310 , a relationship information generation unit 320 , a relationship monitoring unit 330 , an abnormal sensor detection unit 340 , a notification unit 350 and a storage unit 360 .

データ取得部３１０は、ネットワークを介して、現場に設置された複数のセンサから、センサが反応した時刻情報、センサ値、センサの識別情報を取得する。記憶部３６０は、取得した情報を記憶する。 The data acquisition unit 310 acquires sensor response time information, sensor values, and sensor identification information from a plurality of sensors installed on site via a network. The storage unit 360 stores the acquired information.

関係性情報生成部３２０は、データ取得部３１０が取得したデータを用いて、各センサについて他のセンサとの相関ルールを生成する。相関ルールとは、各センサにおける検出対象の検出順序の傾向に関するが、これは、各センサが検出可能な対象の性質（たとえば、音や振動）や配置位置関係から、センサによる検出対象の検出順序の傾向に規則性が見いだせることに着目したものである。例えば、相関ルールとは、センサＡが反応した場合にセンサＢが反応するといったセンサの組み合わせの規則を指す。関係性情報生成部３２０は、相関ルール毎の信頼度（関係性）を算出し、相関ルールに対する信頼度の値を関係性情報として、記憶部３６０に保存する。関係性監視部３３０は、センサ毎に、そのセンサが含まれる全ての相関ルールに対する信頼度を定期的に監視する。 The relationship information generation unit 320 uses the data acquired by the data acquisition unit 310 to create association rules for each sensor with other sensors. The correlation rule relates to the tendency of the detection order of the detection target in each sensor, but this is the detection order of the detection target by the sensor from the nature of the target that can be detected by each sensor (for example, sound and vibration) and the positional relationship. It focuses on the fact that regularity can be found in the tendency of For example, an association rule refers to a rule of combination of sensors such that when sensor A reacts, sensor B reacts. The relationship information generation unit 320 calculates the reliability (relationship) for each association rule, and stores the reliability value for the association rule in the storage unit 360 as relationship information. For each sensor, the relationship monitor 330 periodically monitors the reliability of all association rules in which that sensor is included.

異常センサ検出部３４０は、あるセンサとそのセンサが含まれる全ての相関ルールの信頼度の変化量が所定の閾値よりも大きい場合に、そのセンサを異常センサとして検出する。通知部３５０は、異常センサに係る情報を管理者などに通知する。異常センサに係る情報は、例えば、情報処理装置３００に予め登録されている登録者に通知される。登録者は、例えば、システムの管理者や病院の例では、ナースステーションなどでもよい。又、通知される異常センサに係る情報は、異常センサを識別する識別情報や、該センサが設置されている場所情報などである。 The abnormal sensor detection unit 340 detects a sensor as an abnormal sensor when the amount of change in the reliability of a certain sensor and all association rules including the sensor is larger than a predetermined threshold. The notification unit 350 notifies an administrator or the like of information related to the abnormal sensor. Information related to the abnormal sensor is notified to registrants pre-registered in the information processing apparatus 300, for example. The registrant may be, for example, a system administrator or, in the example of a hospital, a nurse station. Information related to the abnormal sensor to be notified includes identification information for identifying the abnormal sensor, location information where the sensor is installed, and the like.

このように、本実施形態に係る情報処理装置３００は、センサによる検出結果を情報処理装置３００に通信する通信機能を使って情報処理装置３００へ送信された情報により、センサに発生した異常を検出することができる。つまり、センサが、センサの情報処理装置３００（管理系の一例）に異常を通知する専用の通信機能を備えない場合であっても、情報処理装置３００は、センサが異常であることを検知できる。そのため、情報処理装置３００は、人手で異常センサを発見するよりも、効率よく異常センサの有無を検出することができる。 As described above, the information processing apparatus 300 according to the present embodiment detects an abnormality occurring in the sensor based on the information transmitted to the information processing apparatus 300 using the communication function for communicating the detection result of the sensor to the information processing apparatus 300. can do. That is, even if the sensor does not have a dedicated communication function for notifying the sensor information processing device 300 (an example of a management system) of an abnormality, the information processing device 300 can detect that the sensor is abnormal. . Therefore, the information processing apparatus 300 can detect the presence or absence of an abnormal sensor more efficiently than manually discovering an abnormal sensor.

以降、図４～図６を用いて、関係性情報生成部３２０、関係性監視部３３０、異常センサ検出部３４０の処理をより具体的に説明する。 Hereinafter, the processing of the relationship information generating unit 320, the relationship monitoring unit 330, and the abnormal sensor detecting unit 340 will be explained more specifically with reference to FIGS. 4 to 6. FIG.

図４は、関係性情報生成部の処理に用いられる関係性情報テーブルの例を説明する図である。関係性情報生成部３２０は、データ取得部３１０が取得したデータを用いて、各センサについて他のセンサとの相関ルールを生成する。その後、関係性情報生成部３２０は、相関ルールに対する信頼度を算出し、相関ルールと算出した信頼度の値とを対応付けた関係性情報を記憶部３６０に保存する。 FIG. 4 is a diagram illustrating an example of a relationship information table used for processing by the relationship information generation unit. The relationship information generation unit 320 uses the data acquired by the data acquisition unit 310 to create association rules for each sensor with other sensors. After that, the relationship information generation unit 320 calculates the reliability of the association rule, and stores the relationship information in which the association rule and the calculated reliability value are associated with each other in the storage unit 360 .

関係性情報テーブル４１０は、相関ルールと関係性情報生成部３２０が算出した信頼度の値とを対応付けたテーブルである。信頼度は、項目間の確率的な関係であり、例えば、「センサＡが反応したらセンサＢも反応する確率」である。このセンサＡが反応したらセンサＢも反応する相関ルールを、例えば、｛Ａ⇒Ｂ｝と表す。相関ルールの支持度（ｓｕｐｐ）は、以下の式１を用いることで算出できる。支持度は、相関ルールにおけるデータの重要度である。 The relationship information table 410 is a table in which association rules and reliability values calculated by the relationship information generation unit 320 are associated with each other. The reliability is a probabilistic relationship between items, for example, "the probability that sensor B will react when sensor A reacts". A correlation rule that if sensor A responds, sensor B also responds is expressed as, for example, {A⇒B}. The degree of support (supp) of an association rule can be calculated using Equation 1 below. Support is the importance of data in association rules.

Figure 0007127301000001
Figure 0007127301000001

式１において、σは標準偏差を表し、Ｍは、記憶部３６０に記憶したセンサデータにおける全トランザクションを表す。トランザクションは、関連した一連のデータの処理単位である。式１は、センサＸからセンサＹへの支持度（ｓｕｐｐ）を算出する式である。センサＸからセンサＹへの支持度（ｓｕｐｐ）は、σ（Ｘ∪Ｙ）／Ｍで算出できる。即ち、支持度（ｓｕｐｐ）であるσ（Ｘ∪Ｙ）／Ｍは、全トランザクション（Ｍ）の中でセンサＸとセンサＹとを含む（σ（Ｘ∪Ｙ））トランザクションの確率である。 In Equation 1, σ represents standard deviation and M represents all transactions in the sensor data stored in storage unit 360 . A transaction is a unit of processing for a set of related data. Formula 1 is a formula for calculating the support (supp) from the sensor X to the sensor Y. The degree of support (supp) from sensor X to sensor Y can be calculated by σ(X∪Y)/M. That is, σ(X∪Y)/M, which is the support (supp), is the probability of (σ(X∪Y)) transactions including sensor X and sensor Y among all transactions (M).

次に、相関ルールの信頼度（ｃｏｎｆ）は、以下の式２を用いることで算出できる。 Next, the confidence (conf) of the association rule can be calculated using Equation 2 below.

Figure 0007127301000002
Figure 0007127301000002

式２において、σは標準偏差を表す。式２は、センサＸからセンサＹへの信頼度（ｃｏｎｆ）を算出する式である。センサＸからセンサＹへの信頼度（ｃｏｎｆ）は、σ（Ｘ∪Ｙ）／σ（Ｘ）で算出できる。即ち、センサＸからセンサＹへの信頼度（ｃｏｎｆ）は、全トランザクションの中でセンサＸとセンサＹとを含む（σ（Ｘ∪Ｙ））トランザクションの確率を、全トランザクションの中でセンサＸを含む（σ（Ｘ））トランザクションの確率で割ることで算出できる。 In Equation 2, σ represents standard deviation. Equation 2 is an equation for calculating the reliability (conf) from sensor X to sensor Y. The reliability (conf) from sensor X to sensor Y can be calculated by σ(X∪Y)/σ(X). That is, the reliability (conf) from sensor X to sensor Y is the probability of a transaction that includes sensor X and sensor Y (σ(X∪Y)) among all transactions, and the probability that sensor X is included in all transactions. It can be calculated by dividing by the probability of including (σ(X)) transactions.

関係性情報テーブル４１０は、条件部、結論部、支持度、信頼度の項目を備える。条件部と結論部は、情報処理装置３００の管理対象の全センサうち、相関ルールに対応するセンサの組み合わせを表し、センサの識別情報を保持する。条件部と結論部は、｛条件部⇒結論部｝のようなセンサ間の相関関係を持つ。そのため、例えば、関係性情報テーブル４１０の１行目は、「ドアセンサ１０１（条件部）が検知後に音センサ１０３（結論部）が検知するケースの支持度が０．６であり、信頼度が１である」ことを示している。 The relationship information table 410 includes items of condition part, conclusion part, support, and reliability. The condition part and the conclusion part represent a combination of sensors corresponding to the association rule among all the sensors managed by the information processing apparatus 300, and hold sensor identification information. The condition part and the conclusion part have a correlation between sensors such as {condition part⇒conclusion part}. Therefore, for example, the first row of the relationship information table 410 states that "the support level of the case detected by the sound sensor 103 (conclusion part) after the detection by the door sensor 101 (condition part) is 0.6, and the reliability is 1 is.

図５は、関係性監視部の処理の例を説明する図である。関係性情報テーブル４１０ａは、図４の関係性情報テーブル４１０と同じ値が入ったテーブルである。関係図４２０ａは、時刻Ｔ０における関係性情報テーブル４１０ａの音センサ１０３との信頼度が所定の値以上のセンサとの関係性を表している。なお、以下では、信頼度が所定の値以上となっている場合を、「関係性がある」と称する。また、信頼度の算出方法によっては、信頼度が閾値以下である場合に「関係性がある」としてもよい。
関係図４２０ａのドアセンサ１０１から音センサ１０３への矢印は、関係性情報テーブル４１０ａの1行目の「ドアセンサ１０１（条件部）が検知後に音センサ１０３（結論部）が検知するケースの信頼度が１」であり、関係性があることを示している。関係図４２０ａの人感センサ１０２から音センサ１０３への矢印は、関係性情報テーブル４１０ａの３行目の「人感センサ１０２（条件部）が検知後に音センサ１０３（結論部）が検知するケースの信頼度が０．８」であり、関係性があることを示している。関係図４２０ａのベッドセンサ１０４から音センサ１０３への矢印は、関係性情報テーブル４１０ａの４行目の「ベッドセンサ１０４（条件部）が検知後に音センサ１０３（結論部）が検知するケースの信頼度が０．８」であり、関係性があることを示している。 FIG. 5 is a diagram illustrating an example of processing by the relationship monitoring unit. The relationship information table 410a is a table containing the same values as the relationship information table 410 in FIG. The relational diagram 420a represents the relation with the sound sensor 103 of the relational information table 410a at time T0 whose reliability is equal to or higher than a predetermined value. In addition, below, the case where reliability is more than a predetermined value is called "there is relationship." Also, depending on the reliability calculation method, it may be determined that there is a "relationship" when the reliability is equal to or less than a threshold.
The arrow from the door sensor 101 to the sound sensor 103 in the relationship diagram 420a indicates that the reliability of the case detected by the sound sensor 103 (conclusion part) after the detection by the door sensor 101 (condition part) in the first row of the relationship information table 410a is 1”, indicating that there is a relationship. The arrow from the human sensor 102 to the sound sensor 103 in the relationship diagram 420a indicates the case where the sound sensor 103 (conclusion part) detects after the human sensor 102 (condition part) detects it in the third row of the relationship information table 410a. is 0.8”, indicating that there is a relationship. The arrow from the bed sensor 104 to the sound sensor 103 in the relationship diagram 420a indicates the reliability of the case detected by the sound sensor 103 (conclusion part) after the detection by the bed sensor 104 (condition part) in the fourth row of the relationship information table 410a. degree is 0.8", indicating that there is a relationship.

関係性情報テーブル４１０ｂは、時刻Ｔ０から所定時間Δｔが経過後の時刻Ｔ１における関係性情報テーブル４１０ａと同様のセンサの組み合わせ（条件部と結論部のセンサの組み合わせ）に対応した信頼度を保持したテーブルである。関係性情報テーブル４１０ｂでは、音センサ１０３が故障している状態であるため、ドアセンサ１０１から音センサ１０３への信頼度（１行目）、人感センサ１０２から音センサ１０３への信頼度（３行目）、ベッドセンサ１０４から音センサ１０３への信頼度（４行目）が０となっている。関係図４２０ｂでは、関係図４１０ａにおける各矢印が、関係性が崩れたことを表す点線となっている。 The relationship information table 410b shows the reliability corresponding to the same combination of sensors (combination of sensors in the condition part and the conclusion part) as in the relationship information table 410a at time T1 after a predetermined time Δt has elapsed from time T0 . It is a table that holds In the relationship information table 410b, since the sound sensor 103 is in a failed state, the reliability from the door sensor 101 to the sound sensor 103 (first row), the reliability from the human sensor 102 to the sound sensor 103 (3 line), and the reliability from the bed sensor 104 to the sound sensor 103 (fourth line) is zero. In the relationship diagram 420b, each arrow in the relationship diagram 410a is a dotted line representing that the relationship has collapsed.

ここで、関係性監視部３３０は、時刻Ｔ０～時刻Ｔ１間に、定期的に各センサの他センサとの信頼度を監視する。 Here, the relationship monitoring unit 330 periodically monitors the reliability of each sensor with other sensors between time T 0 and time T 1 .

異常センサ検出部３４０は、関係性情報テーブル４１０ｂと関係性情報テーブル４１０ａとの信頼度の差分（Δｃｏｎｆ）の時間当たりの変化量（Δｃｏｎｆ／Δｔ）が所定の閾値よりも大きい場合に、音センサ１０３を異常センサと検出する。 The abnormal sensor detection unit 340 detects that the difference in reliability (Δconf) between the relationship information table 410b and the relationship information table 410a changes per unit time (Δconf/Δt) when it is larger than a predetermined threshold. 103 is detected as an abnormal sensor.

図６は、異常センサ検出部が異常センサを検出する例を説明する図である。関係図５１０は、音センサ１０３と、ドアセンサ１０１、人感センサ１０２、ベッドセンサ１０４との関係性が崩れた状態を表している。そのため、関係図５１０における音センサ１０３と、ドアセンサ１０１、人感センサ１０２、ベッドセンサ１０４との間の矢印は点線で表される。異常センサ検出部３４０は、関係性のあった全てのセンサに関する信頼度の時間当たりの変化量が所定の閾値よりも大きい場合に音センサ１０３を異常センサとして検出する。 FIG. 6 is a diagram illustrating an example in which an abnormal sensor detection unit detects an abnormal sensor. A relationship diagram 510 represents a state in which the relationships between the sound sensor 103, the door sensor 101, the motion sensor 102, and the bed sensor 104 are broken. Therefore, the arrows between the sound sensor 103, the door sensor 101, the human sensor 102, and the bed sensor 104 in the relationship diagram 510 are indicated by dotted lines. The abnormal sensor detection unit 340 detects the sound sensor 103 as an abnormal sensor when the amount of change per hour in the reliability of all related sensors is greater than a predetermined threshold.

関係図５２０は、音センサ１０３と、ドアセンサ１０１の関係性が崩れた状態を表している。そのため、関係図５１０における音センサ１０３と、ドアセンサ１０１との間の矢印は点線で表される。一方、音センサ１０３と人感センサ１０２、ベッドセンサ１０４とは関係性がある状態である。異常センサ検出部３４０は、関係性のあるセンサに関する信頼度の時間当たりの変化量が所定の閾値よりも小さいセンサがある場合、センサを異常センサとして判定しない。 A relationship diagram 520 represents a state in which the relationship between the sound sensor 103 and the door sensor 101 is broken. Therefore, the arrow between the sound sensor 103 and the door sensor 101 in the relationship diagram 510 is represented by a dotted line. On the other hand, the sound sensor 103, the human sensor 102, and the bed sensor 104 are related. The abnormal sensor detection unit 340 does not determine the sensor as an abnormal sensor when there is a sensor whose reliability per unit time change amount for related sensors is smaller than a predetermined threshold value.

関係図５３０は、音センサ１０３と、ドアセンサ１０１、人感センサ１０２の関係性が崩れた状態を表している。そのため、関係図５１０における音センサ１０３と、ドアセンサ１０１、人感センサ１０２との間の矢印は点線で表される。一方、音センサ１０３とベッドセンサ１０４とは関係性がある状態である。異常センサ検出部３４０は、関係性のあるセンサに関する信頼度の時間当たりの変化量が所定の閾値よりも小さいセンサがある場合、センサを異常センサとして判定しない。 A relationship diagram 530 represents a state in which the relationships among the sound sensor 103, the door sensor 101, and the human sensor 102 are broken. Therefore, the arrows between the sound sensor 103, the door sensor 101, and the human sensor 102 in the relationship diagram 510 are indicated by dotted lines. On the other hand, the sound sensor 103 and the bed sensor 104 are in a state of being related. The abnormal sensor detection unit 340 does not determine the sensor as an abnormal sensor when there is a sensor whose reliability per unit time change amount for related sensors is smaller than a predetermined threshold value.

図７Ａ及び図７Ｂは、関係性情報生成部のデータ処理の例を説明する図である。図７Ａのテーブル６００は、情報処理装置３００のデータ取得部３１０がドアセンサ１０１、人感センサ１０２、音センサ１０３、ベッドセンサ１０４から取得した２０１７年７月２８日の１０時～１０時０分４１秒までの間のデータの例である。テーブル６００では、ドアセンサ１０１、人感センサ１０２、音センサ１０３、ベッドセンサ１０４の各々が検知対象を検知した時間に、検知対象を検知したことを示す値「１」を入力している。 7A and 7B are diagrams for explaining an example of data processing by the relationship information generation unit. A table 600 in FIG. 7A shows data from 10:00 to 10:00:41 on July 28, 2017 acquired by the data acquisition unit 310 of the information processing device 300 from the door sensor 101, the motion sensor 102, the sound sensor 103, and the bed sensor 104. This is an example of data between seconds. In the table 600, a value "1" indicating that the detection target is detected at the time when the detection target is detected by each of the door sensor 101, the human sensor 102, the sound sensor 103, and the bed sensor 104 is input.

関係性情報生成部３２０は、音センサ１０３が検知対象を検知した時間から、例えば、３秒以内に検知を示す値を持つセンサを音センサ１０３と関係性のある他センサ（相関ルール）を特定する。このように、あるセンサと関係性のあるセンサを特定する際に用いる、関連した一連のデータの処理単位をトランザクションと称す。テーブル６００において関係性情報生成部３２０は、以下の（１）～（７）のトランザクションにおいて音センサ１０３と関係性のある他センサを特定している。 The relationship information generation unit 320 identifies sensors having a value indicating detection within, for example, three seconds from the time when the sound sensor 103 detected the detection target, and other sensors (correlation rules) that are related to the sound sensor 103. do. In this way, a processing unit of a series of related data used when specifying a sensor related to a certain sensor is called a transaction. In the table 600, the relationship information generator 320 identifies other sensors that are related to the sound sensor 103 in the following transactions (1) to (7).

（１）｛１０２⇒１０３｝、｛１０１⇒１０３｝、｛１０４⇒１０３｝
（２）｛１０１⇒１０３｝、｛１０２⇒１０３｝、｛１０４⇒１０３｝
（３）｛１０２⇒１０３｝、｛１０１⇒１０３｝、｛１０４⇒１０３｝
（４）｛１０３⇒１０４｝
（５）｛１０１⇒１０３｝、｛１０２⇒１０３｝
（６）｛１０４⇒１０３｝、｛１０１⇒１０３｝
（７）｛１０３⇒１０２｝ (1) {102⇒103}, {101⇒103}, {104⇒103}
(2) {101⇒103}, {102⇒103}, {104⇒103}
(3) {102⇒103}, {101⇒103}, {104⇒103}
(4) {103⇒104}
(5) {101⇒103}, {102⇒103}
(6) {104⇒103}, {101⇒103}
(7) {103⇒102}

次に、関係性情報生成部３２０は、音センサ１０３と関係性のある他センサとの組み合わせ毎に信頼度を算出する。｛１０１⇒１０３｝の信頼度は、ドアセンサ１０１と音センサ１０３を共に含むトランザクションの数／ドアセンサ１０１を含むトランザクションの数により算出できる。テーブル６００では、５／５であり、信頼度は１となる。｛１０２⇒１０３｝の信頼度は、人感センサ１０２と音センサ１０３を共に含むトランザクションの数／人感センサ１０２を含むトランザクションの数により算出できる。テーブル６００では、４／５であり、信頼度は０．８となる。｛１０４⇒１０３｝の信頼度は、ベッドセンサ１０４と音センサ１０３を共に含むトランザクションの数／ベッドセンサ１０４を含むトランザクションの数により算出できる。テーブル６００では、４／５であり、信頼度は０．８となる。 Next, the relationship information generation unit 320 calculates reliability for each combination of the sound sensor 103 and other related sensors. The reliability of {101⇒103} can be calculated by the number of transactions including both the door sensor 101 and the sound sensor 103/the number of transactions including the door sensor 101 . In table 600, it is 5/5 and the reliability is 1. The reliability of {102⇒103} can be calculated by the number of transactions including both the human sensor 102 and the sound sensor 103/the number of transactions including the human sensor 102 . In table 600, it is 4/5 and the reliability is 0.8. The reliability of {104⇒103} can be calculated by the number of transactions including both the bed sensor 104 and the sound sensor 103/the number of transactions including the bed sensor 104 . In table 600, it is 4/5 and the reliability is 0.8.

図７Ｂのテーブル６１０は、図７Ａのテーブル６００の翌日の２０１７年７月２９日の１０時～１０時０分４１秒までの間のデータの例である。テーブル６１０では、２０１７年７月２９日の１０時～１０時０分４１秒までの間に、音センサ１０３は、何も検知していない。そのため、関係性情報生成部３２０は、テーブル６１０から｛１０１⇒１０３｝、｛１０２⇒１０３｝、｛１０４⇒１０３｝の何れの関係性も特定できない。すると、関係性情報生成部３２０は、｛１０１⇒１０３｝、｛１０２⇒１０３｝、｛１０４⇒１０３｝の信頼度を０と算出する。 Table 610 in FIG. 7B is an example of data from 10:00 to 10:00:41 on July 29, 2017, the next day of table 600 in FIG. 7A. In the table 610, the sound sensor 103 did not detect anything between 10:00 and 10:00:41 on July 29, 2017. Therefore, the relationship information generation unit 320 cannot specify any of the relationships {101⇒103}, {102⇒103}, and {104⇒103} from the table 610 . Then, the relationship information generation unit 320 calculates the reliability of {101⇒103}, {102⇒103}, and {104⇒103} as zero.

異常センサ検出部３４０は、｛１０１⇒１０３｝、｛１０２⇒１０３｝、｛１０４⇒１０３｝の時間当たりの信頼度の変化量が所定の閾値よりも大きいか否かを判定する。｛１０１⇒１０３｝の時間当たりの信頼度の変化量は、関係性監視部３３０の信頼度への監視タイミングが１日毎である場合、（Δｃｏｎｆ／Δｔ＝１／１ｄａｙ）で求められる。｛１０２⇒１０３｝の時間当たりの信頼度の変化量は、関係性監視部３３０の信頼度への監視タイミングが１日毎である場合、（Δｃｏｎｆ／Δｔ＝０．８／１ｄａｙ）で求められる。｛１０４⇒１０３｝の時間当たりの信頼度の変化量は、関係性監視部３３０の信頼度への監視タイミングが１日毎である場合、（Δｃｏｎｆ／Δｔ＝０．８／１ｄａｙ）で求められる。異常センサ検出部３４０は、音センサ１０３と関係性のある全ての他センサとの組み合わせによける信頼度の変化量が所定の閾値よりも大きいため、音センサ１０３を異常センサとして検出する。 The abnormal sensor detection unit 340 determines whether or not the amount of change in reliability per time of {101⇒103}, {102⇒103}, and {104⇒103} is greater than a predetermined threshold. The amount of change in reliability per hour {101⇒103} is obtained by (Δconf/Δt=1/1 day) when the timing of monitoring the reliability of the relationship monitoring unit 330 is every day. The amount of change in reliability per time {102⇒103} is obtained by (Δconf/Δt=0.8/1day) when the timing of monitoring the reliability of the relationship monitoring unit 330 is every day. The amount of change in reliability per time {104⇒103} is obtained by (Δconf/Δt=0.8/1day) when the timing of monitoring the reliability of the relationship monitoring unit 330 is every day. The abnormal sensor detection unit 340 detects the sound sensor 103 as an abnormal sensor because the amount of change in the reliability of the combination of the sound sensor 103 and all other related sensors is greater than a predetermined threshold.

このように、本実施形態に係る情報処理装置３００は、センサによる検出結果を情報処理装置３００に通信する通信機能を使って情報処理装置３００へ送信された情報により、センサに発生した異常を検出することができる。つまり、センサが、センサの情報処理装置３００（管理系の一例）に異常を通知する専用の通信機能を備えない場合であっても、情報処理装置３００は、センサが異常であることを検知できる。そのため、情報処理装置３００は、人手で異常センサを発見するよりも、効率よく異常センサの有無を検出することができる。 As described above, the information processing apparatus 300 according to the present embodiment detects an abnormality occurring in the sensor based on the information transmitted to the information processing apparatus 300 using the communication function for communicating the detection result of the sensor to the information processing apparatus 300. can do. That is, even if the sensor does not have a dedicated communication function for notifying the sensor information processing device 300 (an example of a management system) of an abnormality, the information processing device 300 can detect that the sensor is abnormal. . Therefore, the information processing apparatus 300 can detect the presence or absence of an abnormal sensor more efficiently than manually discovering an abnormal sensor.

図８は、本実施形態に係る情報処理装置のハードウェア構成の例を説明する図である。情報処理装置３００は、プロセッサ１１、メモリ１２、バス１５、外部記憶装置１６、ネットワーク接続装置１９を備える。さらにオプションとして、情報処理装置３００は、入力装置１３、出力装置１４、媒体駆動装置１７を備えても良い。情報処理装置３００は、例えば、コンピュータなどで実現されることがある。 FIG. 8 is a diagram illustrating an example of the hardware configuration of the information processing apparatus according to this embodiment. The information processing device 300 includes a processor 11 , a memory 12 , a bus 15 , an external storage device 16 and a network connection device 19 . Furthermore, as an option, the information processing device 300 may include an input device 13 , an output device 14 and a media drive device 17 . The information processing device 300 may be realized by, for example, a computer.

プロセッサ１１は、Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ（ＣＰＵ）を含む任意の処理回路とすることができる。なお、プロセッサ１１は、例えば、外部記憶装置１６に記憶されたプログラムを実行することで、関係性情報生成部３２０、関係性監視部３３０、異常センサ検出部３４０の各機能を実現する。メモリ１２は、記憶部３６０として動作し、関係性情報テーブル４１０、データ取得部３１０が取得したデータを記憶する。さらに、メモリ１２は、プロセッサ１１の動作により得られたデータや、プロセッサ１１の処理に用いられるデータも、適宜、記憶する。ネットワーク接続装置１９は、他の装置との通信に使用され、データ取得部３１０、通知部３５０として動作し、他の装置や移動通信端末との通信に使用される。 Processor 11 may be any processing circuit including a Central Processing Unit (CPU). Note that the processor 11 implements each function of the relationship information generation unit 320 , the relationship monitoring unit 330 , and the abnormal sensor detection unit 340 by executing programs stored in the external storage device 16 , for example. The memory 12 operates as the storage unit 360 and stores the relationship information table 410 and the data acquired by the data acquisition unit 310 . Furthermore, the memory 12 appropriately stores data obtained by the operation of the processor 11 and data used for processing by the processor 11 . The network connection device 19 is used for communication with other devices, operates as a data acquisition unit 310 and a notification unit 350, and is used for communication with other devices and mobile communication terminals.

入力装置１３は、例えば、ボタン、キーボード、マウス等として実現され、出力装置１４は、ディスプレイなどとして実現される。バス１５は、プロセッサ１１、メモリ１２、入力装置１３、出力装置１４、外部記憶装置１６、媒体駆動装置１７、ネットワーク接続装置１９の間を相互にデータの受け渡しが行えるように接続する。外部記憶装置１６は、プログラムやデータなどを格納し、格納している情報を、適宜、プロセッサ１１などに提供する。媒体駆動装置１７は、メモリ１２や外部記憶装置１６のデータを可搬記憶媒体１８に出力することができ、また、可搬記憶媒体１８からプログラムやデータ等を読み出すことができる。ここで、可搬記憶媒体１８は、フロッピイディスク、Ｍａｇｎｅｔ－Ｏｐｔｉｃａｌ（ＭＯ）ディスク、Ｃｏｍｐａｃｔ Ｄｉｓｋ Ｒｅｃｏｒｄａｂｌｅ（ＣＤ－Ｒ）やＤｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｋ Ｒｅｃｏｒｄａｂｌｅ（ＤＶＤ－Ｒ）を含む、持ち運びが可能な任意の記憶媒体とすることができる。 The input device 13 is implemented as, for example, a button, keyboard, mouse, etc., and the output device 14 is implemented as a display or the like. The bus 15 connects the processor 11, the memory 12, the input device 13, the output device 14, the external storage device 16, the media drive device 17, and the network connection device 19 so that data can be exchanged between them. The external storage device 16 stores programs, data, and the like, and appropriately provides the stored information to the processor 11 and the like. The media drive device 17 can output data in the memory 12 and the external storage device 16 to the portable storage medium 18 and can read programs, data, and the like from the portable storage medium 18 . Here, the portable storage medium 18 is any portable storage medium including a floppy disk, a Magnet-Optical (MO) disk, a Compact Disk Recordable (CD-R), and a Digital Versatile Disk Recordable (DVD-R). It can be used as a medium.

図９は、異常センサを検出する情報処理装置の処理の例を説明するフローチャートである。データ取得部３１０は、管理対象のセンサよりセンサデータを定期的に取得する（ステップＳ１０１）。さらに、センサデータに基づき、センサ値が生成される。 FIG. 9 is a flowchart illustrating an example of processing of an information processing device that detects an abnormal sensor. The data acquisition unit 310 periodically acquires sensor data from a sensor to be managed (step S101). Further, sensor values are generated based on the sensor data.

記憶部３６０は、取得したセンサデータを記憶する。関係性情報生成部３２０は、取得したセンサデータを用いて、関係性ルールを特定する（ステップＳ１０２）。 The storage unit 360 stores the acquired sensor data. The relationship information generator 320 identifies relationship rules using the acquired sensor data (step S102).

関係性情報生成部３２０は、管理対象のセンサのうち１つのセンサＳｉを選択する（ステップＳ１０３）。ｉは、インデックスであり、管理対象のセンサに割り当てた番号である。関係性情報生成部３２０は、センサＳｉを含む相関ルール毎の信頼度を算出する（ステップＳ１０４）。関係性監視部３３０は、時間当たりの信頼度の変化量と、所定の閾値とを比較する（ステップＳ１０５）。異常センサ検出部３４０は、ステップＳ１０５の比較に基づいて、関係性が崩れた状態であるか否かを判定する（ステップＳ１０６）。関係性崩れがある場合（ステップＳ１０６でＹＥＳ）、異常センサ検出部３４０は、センサＳｉを異常センサとして検出する（ステップＳ１１０）。通知部３５０は、異常センサに係る情報を情報処理装置３００に予め登録されている登録者に通知する（ステップＳ１１１）。登録者は、例えば、システムの管理者や病院の例では、ナースステーションなどでもよい。又、通知される異常センサに係る情報は、異常センサを識別する識別情報や、該センサが設置されている場所情報などである。 The relationship information generator 320 selects one sensor Si from the sensors to be managed (step S103). i is an index, which is a number assigned to the sensor to be managed. The relationship information generator 320 calculates the reliability for each association rule including the sensor Si (step S104). The relationship monitoring unit 330 compares the amount of change in reliability per hour with a predetermined threshold (step S105). Based on the comparison in step S105, the abnormal sensor detection unit 340 determines whether the relationship is broken (step S106). If the relationship is broken (YES in step S106), the abnormal sensor detection unit 340 detects sensor Si as an abnormal sensor (step S110). The notification unit 350 notifies the registrant pre-registered in the information processing apparatus 300 of the information related to the abnormal sensor (step S111). The registrant may be, for example, a system administrator or, in the example of a hospital, a nurse station. Information related to the abnormal sensor to be notified includes identification information for identifying the abnormal sensor, location information where the sensor is installed, and the like.

ステップＳ１１１の処理後、又は関係性崩れがない場合（ステップＳ１０６でＮＯ）、関係性情報生成部３２０は、ステップＳ１０３の処理で全てのセンサを選択したか否かを判定する（ステップＳ１０７）。 After the process of step S111 or when there is no relationship collapse (NO in step S106), the relationship information generation unit 320 determines whether or not all sensors have been selected in the process of step S103 (step S107).

全てのセンサを選択していない場合（ステップＳ１０７でＮＯ）、関係性情報生成部３２０は、インデックスｉに１を加算し、処理をステップＳ１０３に戻す。ステップＳ１０３の処理では、関係性情報生成部３２０は、未だ選択していないセンサＳｉ＋１を選択する。全てのセンサを選択済みの場合（ステップＳ１０７でＹＥＳ）、情報処理装置３００は、異常センサの検出処理を終了する。 If all the sensors have not been selected (NO in step S107), the relationship information generator 320 adds 1 to the index i and returns the process to step S103. In the process of step S103, the relationship information generation unit 320 selects the sensor Si+1 that has not yet been selected. If all sensors have been selected (YES in step S107), the information processing apparatus 300 ends the abnormal sensor detection process.

このように、本実施形態に係る情報処理装置３００は、センサによる検出結果を情報処理装置３００に通信する通信機能を使って情報処理装置３００へ送信された情報により、センサに発生した異常を検出することができる。つまり、センサが、センサの情報処理装置３００（管理系の一例）に異常を通知する専用の通信機能を備えない場合であっても、情報処理装置３００は、センサが異常であることを検知できる。そのため、情報処理装置３００は、人手で異常センサを発見するよりも、効率よく異常センサの有無を検出することができる。 As described above, the information processing apparatus 300 according to the present embodiment detects an abnormality occurring in the sensor based on the information transmitted to the information processing apparatus 300 using the communication function for communicating the detection result of the sensor to the information processing apparatus 300. can do. That is, even if the sensor does not have a dedicated communication function for notifying the sensor information processing device 300 (an example of a management system) of an abnormality, the information processing device 300 can detect that the sensor is abnormal. . Therefore, the information processing apparatus 300 can detect the presence or absence of an abnormal sensor more efficiently than manually discovering an abnormal sensor.

ステップＳ１０２では、関係性情報生成部３２０は、取得したセンサデータ全てを用いて相関ルールを特定している。ここで、病院の営業時間や曜日などにより営業していない時間帯や休日などのセンサデータを処理対象としないことで、関係性情報生成部３２０のデータ処理量を削減してもよい。 In step S102, the relationship information generation unit 320 identifies association rules using all of the acquired sensor data. Here, the data processing amount of the relationship information generation unit 320 may be reduced by not processing sensor data such as hours when the hospital is not open due to business hours or days of the week, holidays, and the like.

情報処理装置３００の管理対象のセンサが人が装着するものである場合、関係性情報生成部３２０は、相関ルールを人単位で特定してもよい。このように、人単位で相関ルールを特定することで、関係性情報生成部３２０のデータ処理量を削減してもよい。 When the sensor managed by the information processing device 300 is worn by a person, the relationship information generation unit 320 may specify the association rule on a person-by-person basis. By specifying the association rule for each person in this way, the data processing amount of the relationship information generation unit 320 may be reduced.

関係性情報生成部３２０が相関ルールを特定する際に、天気、気温、湿度などの天候に係る変数毎にセンサの組み合わせを分類することで、関係性情報生成部３２０のデータ処理量を削減してもよい。 When the relationship information generation unit 320 specifies the association rule, the data processing amount of the relationship information generation unit 320 is reduced by classifying the sensor combinations for each weather-related variable such as weather, temperature, and humidity. may

＜その他＞
図１０は、信頼度の変化量に対して設定する閾値の例を説明する図である。本実施形態に係る関係性監視部３３０は、信頼度の変化量との比較に用いる閾値を、関係性情報の変化量の一部を用いて変更してもよい。関係図７１０は、時刻ｔ－２における音センサ１０３と、ドアセンサ１０１、人感センサ１０２、ベッドセンサ１０４との関係性の例を示す図である。関係図７１０では、ドアセンサ１０１から音センサ１０３への信頼度は１であり、人感センサ１０２から音センサ１０３への信頼度は０．８であり、ベッドセンサ１０４から音センサ１０３への信頼度は０．８である。ここで、時刻ｔ－２の時点における、関係性監視部３３０が信頼度の変化量との比較に用いる閾値Ｔｈｔ－２は、０．５となっている。 <Others>
FIG. 10 is a diagram illustrating an example of threshold values set for the amount of change in reliability. The relationship monitoring unit 330 according to this embodiment may change the threshold used for comparison with the amount of change in reliability using part of the amount of change in relationship information. A relationship diagram 710 is a diagram showing an example of the relationship between the sound sensor 103, the door sensor 101, the human sensor 102, and the bed sensor 104 at time t-2. In the relationship diagram 710, the reliability from the door sensor 101 to the sound sensor 103 is 1, the reliability from the human sensor 102 to the sound sensor 103 is 0.8, and the reliability from the bed sensor 104 to the sound sensor 103 is 0.8. is 0.8. Here, the threshold Th t-2 used by the relationship monitoring unit 330 for comparison with the amount of change in reliability at time t-2 is 0.5.

続いて、関係図７２０は、時刻ｔ－１における音センサ１０３と、ドアセンサ１０１、人感センサ１０２、ベッドセンサ１０４との関係性の例を示す図である。関係図７２０では、ドアセンサ１０１から音センサ１０３への信頼度は０．８であり、人感センサ１０２から音センサ１０３への信頼度は０．７であり、ベッドセンサ１０４から音センサ１０３への信頼度は０．６である。ここで、時刻ｔ－１の時点における、関係性監視部３３０が信頼度の変化量との比較に用いる閾値Ｔｈｔ－１は、０．５となっている。 Next, a relationship diagram 720 is a diagram showing an example of the relationship between the sound sensor 103, the door sensor 101, the human sensor 102, and the bed sensor 104 at time t-1. In the relationship diagram 720, the reliability from the door sensor 101 to the sound sensor 103 is 0.8, the reliability from the human sensor 102 to the sound sensor 103 is 0.7, and the reliability from the bed sensor 104 to the sound sensor 103 is 0.7. Reliability is 0.6. Here, the threshold Th t-1 used by the relationship monitoring unit 330 for comparison with the amount of change in reliability at time t-1 is 0.5.

関係性監視部３３０は、時刻ｔ－２と時刻ｔ－１の関係性情報の変化量の一部、閾値を変更する。具体的には、まず、関係性監視部３３０は、時刻ｔ－２と時刻ｔ－１の信頼度変化量の平均値（ＴｈＡＤＤ）を式３に基づいて算出する。その後、関係性監視部３３０は、式４のように、直前までの閾値Ｔｈｔ－１に、算出した信頼度変化量の平均値の一部（例えば、１０％）を減算することで、閾値を随時更新する。 The relationship monitoring unit 330 changes a part of the amount of change in the relationship information between the time t-2 and the time t-1, that is, the threshold. Specifically, first, the relationship monitoring unit 330 calculates the average value (Th ADD ) of the amount of change in reliability between the time t−2 and the time t−1 based on Equation (3). After that, the relationship monitoring unit 330 subtracts a portion (for example, 10%) of the calculated average value of the reliability change amount from the previous threshold Th t−1 as shown in Equation 4, thereby obtaining the threshold is updated from time to time.

Figure 0007127301000003
Figure 0007127301000003

Figure 0007127301000004
Figure 0007127301000004

このように、閾値を随時更新し、以降変更した閾値を利用することで、関係性監視部３３０と異常センサ検知部３４０の異常センサの検知精度を向上させることができる。 In this manner, by updating the threshold as needed and using the changed threshold thereafter, it is possible to improve the detection accuracy of the abnormal sensors of the relationship monitoring unit 330 and the abnormal sensor detection unit 340 .

また、情報処理装置３００は、所定距離内にあるセンサを群として取り扱ってもよい。図１１は、セグメントごとにセンサを管理する方法の例を説明する図である。なお、セグメントは、所定距離内にあるセンサを群として取り扱うための概念である。以下では、隣接する２つのエリアを一つのセグメントとして取り扱うことで、互いに近くに存在するセンサを群として取り扱うことで、簡易的に群を形成する例を示すが、これに限られない。 Further, the information processing device 300 may handle sensors within a predetermined distance as a group. FIG. 11 is a diagram illustrating an example of a method of managing sensors for each segment. A segment is a concept for handling sensors within a predetermined distance as a group. In the following, an example of forming a group simply by treating two adjacent areas as one segment and sensors existing close to each other as a group will be shown, but the present invention is not limited to this.

図１１では、共有エリアＡ、病室ａ、共有エリアＢ、病室ｂ、共有エリアＣ、処置室ｃが例示されている。情報処理装置３００は、共有エリアＡ、病室ａ、共有エリアＢ、病室ｂ、共有エリアＣ、処置室ｃなどの各エリアを１または複数含むセグメントに分けて管理する。情報処理装置３００は、１または複数のエリアを含むセグメントを、記憶する。図１１では、たとえば、隣接しているエリア同士をセグメントとして管理する場合を、隣接情報テーブル１０１０に示す。隣接情報テーブル１０１０では、例えば、共有エリアＡと病室ａが隣接関係にある場合に、｛Ａ，ａ｝などと表している。又、情報処理装置３００は、センサが設置されているエリアの情報であるセンサ場所テーブル１０２０を記憶する。 In FIG. 11, common area A, hospital room a, common area B, hospital room b, common area C, and treatment room c are illustrated. The information processing apparatus 300 divides and manages each area such as a common area A, a hospital room a, a common area B, a hospital room b, a common area C, and a treatment room c into segments including one or more. The information processing device 300 stores segments including one or more areas. In FIG. 11, for example, an adjacency information table 1010 shows a case where adjacent areas are managed as segments. In the adjacency information table 1010, for example, when the common area A and the hospital room a are in an adjacency relationship, they are expressed as {A, a}. The information processing device 300 also stores a sensor location table 1020 that is information on areas where sensors are installed.

セグメントごとにセンサを管理する方法では、関係性情報生成部３２０は、セグメントに所属しているセンサ群から、相関ルールを特定する。具体的には、隣接関係｛Ａ，ａ｝のセグメントには、センサ１００１、センサ１００２、センサ１００３、センサ１００４が所属している。すると、関係性情報生成部３２０は、隣接関係｛Ａ，ａ｝のセグメントに対してセンサ１００１、センサ１００２、センサ１００３、センサ１００４を含む相関ルールを特定する。隣接関係｛Ａ，Ｂ｝のセグメントには、センサ１００１、センサ１００２、センサ１００５が所属している。すると、関係性情報生成部３２０は、隣接関係｛Ａ，Ｂ｝のセグメントに対してセンサ１００１、センサ１００２、センサ１００５から相関ルールを特定する。 In the method of managing sensors for each segment, the relationship information generation unit 320 identifies association rules from a group of sensors belonging to a segment. Specifically, the sensor 1001, the sensor 1002, the sensor 1003, and the sensor 1004 belong to the segment of the adjacency relationship {A, a}. Then, the relationship information generation unit 320 identifies an association rule including the sensor 1001, the sensor 1002, the sensor 1003, and the sensor 1004 for the segment of the adjacency relationship {A, a}. A sensor 1001, a sensor 1002, and a sensor 1005 belong to the segment of the adjacency relationship {A, B}. Then, the relationship information generation unit 320 identifies association rules from the sensors 1001, 1002, and 1005 for the segments of the adjacency relationship {A, B}.

このように、セグメントに分けてセンサを管理する場合、関係性情報生成部３２０は、セグメントに所属しているセンサ群から相関ルールを特定する。そのため、関係性情報生成部３２０が全ての相関ルールから関係性のあるセンサの組み合わせを特定する場合に比べて、データ処理の量が低減され、処理スピードが向上する。 In this way, when managing sensors by dividing them into segments, the relationship information generation unit 320 identifies an association rule from a group of sensors belonging to a segment. Therefore, the amount of data processing is reduced and the processing speed is improved compared to the case where the relationship information generation unit 320 identifies the combination of related sensors from all the association rules.

図１２Ａ及び図１２Ｂは、セグメントに分けてセンサを管理する方法の例を説明するフローチャートである。データ取得部３１０は、管理対象のセンサよりセンサデータを定期的に取得する（ステップＳ２０１）。記憶部３６０は、取得したセンサデータを記憶する。関係性情報生成部３２０は、センサ毎の所属するセグメント情報を隣接情報テーブル１０１０及びセンサ場所テーブル１０２０より取得する（ステップＳ２０２）。 12A and 12B are flowcharts illustrating an example method for managing sensors in segments. The data acquisition unit 310 periodically acquires sensor data from the sensor to be managed (step S201). The storage unit 360 stores the acquired sensor data. The relationship information generator 320 acquires segment information to which each sensor belongs from the adjacent information table 1010 and the sensor location table 1020 (step S202).

関係性情報生成部３２０は、隣接情報テーブル１０１０のうちの１つのセグメントＡｋを選択する（ステップＳ２０３）。ｋは、インデックスであり、セグメント毎に割り当てる番号である。関係性情報生成部３２０は、セグメントＡｋに所属するセンサについて相関ルールを特定する（ステップＳ２０４）。 The relationship information generating unit 320 selects one segment Ak from the adjacent information table 1010 (step S203). k is an index, which is a number assigned to each segment. The relationship information generator 320 identifies association rules for the sensors belonging to the segment Ak (step S204).

関係性情報生成部３２０は、セグメントＡｋに所属するセンサのうち１つのセンサＢｊを選択する（ステップＳ２０５）。ｊは、インデックスであり、管理対象のセンサに割り当てた番号である。関係性情報生成部３２０は、センサＢｊを含む相関ルール毎の信頼度を算出する（ステップＳ２０６）。関係性監視部３３０は、時間当たりの信頼度の変化量と、所定の閾値とを比較する（ステップＳ２０７）。異常センサ検出部３４０は、ステップＳ２０７の比較に基づいて、関係性が崩れた状態であるか否かを判定する（ステップＳ２０８）。関係性崩れがある場合（ステップＳ２０８でＹＥＳ）、異常センサ検出部３４０は、センサＢｊを異常センサとして検出する（ステップＳ２０９）。通知部３５０は、異常センサに係る情報を情報処理装置３００に予め登録されている登録者に通知する（ステップＳ２１４）。ステップＳ２１４の処理後、又は関係性崩れがない場合（ステップＳ２０８でＮＯ）、関係性情報生成部３２０は、ステップＳ２０５の処理で、処理対象のセグメントに含まれる全てのセンサを選択したか否かを判定する（ステップＳ２１０）。 The relationship information generation unit 320 selects one sensor B j from among the sensors belonging to the segment A k (step S205). j is an index, which is a number assigned to the sensor to be managed. The relationship information generator 320 calculates the reliability for each association rule including the sensor Bj (step S206). The relationship monitoring unit 330 compares the amount of change in reliability per hour with a predetermined threshold (step S207). Based on the comparison in step S207, the abnormal sensor detection unit 340 determines whether the relationship is broken (step S208). If the relationship is broken (YES in step S208), the abnormal sensor detection unit 340 detects sensor Bj as an abnormal sensor (step S209). The notification unit 350 notifies the registrant pre-registered in the information processing apparatus 300 of the information related to the abnormal sensor (step S214). After the process of step S214 or when there is no relationship collapse (NO in step S208), the relationship information generation unit 320 determines whether all sensors included in the segment to be processed have been selected in the process of step S205. is determined (step S210).

全てのセンサを選択していない場合（ステップＳ２１０でＮＯ）、関係性情報生成部３２０は、インデックスｊに１を加算し、処理をステップＳ２０５に戻す。ステップＳ２０５の処理では、関係性情報生成部３２０は、未だ選択していないセンサＢｊ＋１を選択する。 If all the sensors have not been selected (NO in step S210), the relationship information generator 320 adds 1 to the index j and returns the process to step S205. In the process of step S205, the relationship information generation unit 320 selects the sensor B j+1 that has not yet been selected.

全てのセンサを選択済みの場合（ステップＳ２１０でＹＥＳ）、関係性情報生成部３２０は、ステップＳ２０３の処理で全てのセグメントを選択したか否かを判定する（ステップＳ２１１）。全てのセグメントを選択していない場合（ステップＳ２１１でＮＯ）、関係性情報生成部３２０は、インデックスｋに１を加算し、処理をステップＳ２０３に戻す。ステップＳ２０３の処理では、関係性情報生成部３２０は、未だ選択していないセグメントＡｋ＋１を選択する。全てのセグメントを選択済みの場合（ステップＳ２１１でＹＥＳ）、情報処理装置３００は、異常センサの検出処理を終了する。 If all sensors have been selected (YES in step S210), the relationship information generator 320 determines whether or not all segments have been selected in the process of step S203 (step S211). If all segments have not been selected (NO in step S211), the relationship information generator 320 adds 1 to the index k and returns the process to step S203. In the process of step S203, the relationship information generation unit 320 selects the segment A k+1 that has not yet been selected. If all segments have been selected (YES in step S211), the information processing apparatus 300 ends the abnormal sensor detection process.

ここで、ステップＳ２１４で通知される異常センサに係る情報は、異常センサを識別する識別情報や、該センサが設置されている場所情報などである。通知を受けた管理者などは、通知された端末装置などを用いて、端末装置では、図１１のセグメントとセンサの位置関係に基づいて地図を表示し、異常センサの位置を地図上で表示する。 Here, the information related to the abnormal sensor notified in step S214 includes identification information for identifying the abnormal sensor, location information where the sensor is installed, and the like. The administrator or the like who has received the notification uses the notified terminal device or the like to display a map based on the positional relationship between the segments and the sensors in FIG. 11, and displays the position of the abnormal sensor on the map. .

このように、セグメントに分けてセンサを管理する場合、関係性情報生成部３２０は、セグメントに所属しているセンサ群から相関ルールを特定する。そのため、関係性情報生成部３２０が全ての相関ルールから関係性のあるセンサの組み合わせを特定する場合に比べて、データ処理の量が低減され、処理スピードが向上する。 In this way, when managing sensors by dividing them into segments, the relationship information generation unit 320 identifies an association rule from a group of sensors belonging to a segment. Therefore, the amount of data processing is reduced and the processing speed is improved compared to the case where the relationship information generation unit 320 identifies the combination of related sensors from all the association rules.

図１３は、異常連鎖を判定する処理の例を説明する図である。図１３では、センサＳａ、センサＳｂ、センサＳｃ、センサＳｄ、センサＳ（ｆ１）があり、センサＳ（ｆ１）とセンサＳａ、センサＳｂ、センサＳｃ、センサＳｄとは関係性があるものとする。 FIG. 13 is a diagram illustrating an example of processing for determining an abnormal chain. In FIG . 13, there are sensor S a , sensor S b , sensor S c , sensor S d and sensor S ( f1 ) . shall be related.

ここで、センサＳａ、センサＳｂ、センサＳｃ、センサＳｄが故障した場合、センサＳ（ｆ１）とセンサＳａ、センサＳｂ、センサＳｃ、センサＳｄとは関係性Ｒ１、Ｒ２、Ｒ３、Ｒ４の関係性は崩れる。すると、センサＳ（ｆ１）が故障していなくても、情報処理装置３００は、センサＳ（ｆ１）を異常センサとして検出してしまう。このように他の異常センサが要因となり、正常なセンサが異常と判定されてしまうことを、異常連鎖と称す。 Here, when sensor S a , sensor S b , sensor S c and sensor S d fail, the relationship R 1 between sensor S (f1) and sensor S a , sensor S b , sensor S c and sensor S d , R 2 , R 3 , and R 4 are broken. Then, the information processing apparatus 300 detects the sensor S (f1) as an abnormal sensor even if the sensor S (f1 ) is not out of order. This process of determining that a normal sensor is abnormal due to another abnormal sensor is called an abnormal chain.

情報処理装置３００は、異常と判定されたセンサＳ（ｆ１）が図４の関係性情報テーブル４１０の結論部に保持されている組み合わせの全てにおいて関係性が崩れている場合、センサＳ（ｆ１）を異常ではないと判定する。この処理により、情報処理装置３００は、異常連鎖により正常なセンサが異常と判定されてしまうことを防ぐことができる。即ち、条件部に保持されているセンサ側が全て異常である場合、結論部に保持されているセンサＳ（ｆ１）が誤って異常と検知されてしまうため、情報処理装置３００は、センサＳ（ｆ１）を異常ではないと判定する。情報処理装置３００は、異常連鎖により正常なセンサが異常と判定されてしまうことを防ぐ処理を、全ての異常と判定されたセンサに対して行う。 The information processing apparatus 300 determines that the sensor S ( f1) determined to be abnormal has no relationship in all combinations held in the conclusion part of the relationship information table 410 of FIG. is judged not to be abnormal. With this processing, the information processing apparatus 300 can prevent a normal sensor from being determined to be abnormal due to a chain of abnormalities. That is, when all the sensors held in the condition part are abnormal, the sensor S ( f1) held in the conclusion part is erroneously detected as abnormal. ) is judged not to be abnormal. The information processing apparatus 300 performs processing for all sensors determined to be abnormal to prevent a normal sensor from being determined to be abnormal due to a chain of abnormalities.

図１４Ａ及び図１４Ｂは、異常連鎖を判定する処理の例を説明するフローチャートである。図１４Ａ及び図１４Ｂは、図９のステップＳ１１０で異常センサがあると判定された場合に実行される処理のフローチャートである。 14A and 14B are flowcharts illustrating an example of processing for determining an abnormal chain. FIGS. 14A and 14B are flowcharts of processing executed when it is determined in step S110 of FIG. 9 that there is an abnormal sensor.

異常センサ検出部３４０は、異常センサを複数検知しているか否かを判定する（ステップＳ３０１）。異常センサを複数検知していない場合（ステップＳ３０１でＮＯ）、情報処理装置３００は、異常連鎖を判定する処理を終了する。 The abnormal sensor detection unit 340 determines whether or not multiple abnormal sensors are detected (step S301). If a plurality of abnormal sensors are not detected (NO in step S301), the information processing apparatus 300 ends the process of determining a chain of abnormalities.

異常センサを複数検知した場合（ステップＳ３０１でＹＥＳ）、関係性情報生成部３２０は、検知された複数の異常センサのうち１つの異常センサＳ（ｆｎ）を選択する（ステップＳ３０２）。ｎは、インデックスであり、異常センサ毎に割り当てる番号である。関係性情報生成部３２０は、図４の関係性情報テーブル４１０の結論部に異常センサＳ（ｆｎ）を持ち、異常センサＳ（ｆｎ）と関係性のあるセンサ（相関ルール）を特定する（ステップＳ３０３）。異常センサ検出部３４０は、特定した相関ルールの条件部に記憶されているセンサが異常センサであるかを確認する（ステップＳ３０４）。異常センサ検出部３４０は、特定した全相関ルールで関係性崩れが発生しているか否かを判定する（ステップＳ３０５）。特定した全相関ルールで関係性崩れが発生している場合（ステップＳ３０５でＹＥＳ）、異常センサ検出部３４０は、センサＳ（ｆｎ）を異常連鎖センサ（異常ではないセンサ）と判定する（ステップＳ３０６）。特定した全相関ルールで関係性崩れが発生していない場合（ステップＳ３０５でＮＯ）、又は、ステップＳ３０６の処理が終了すると、異常センサ検出部３４０は、異常センサと判定した全てに対して処理が完了したか否かを判定する（ステップＳ３０７）。異常センサと判定した全てのセンサに対して処理が完了していない場合（ステップＳ３０７でＮＯ）、異常センサ検出部３４０は、インデックスｎに１を加算し、処理をステップＳ３０２に戻す。ステップＳ３０２の処理では、関係性情報生成部３２０は、未だ選択していない異常センサＳ（ｆｎ＋１）を選択する。全ての異常センサに対して処理が完了している場合（ステップＳ３０７でＹＥＳ）、情報処理装置３００は、異常連鎖を判定する処理を終了する。 When a plurality of abnormal sensors are detected (YES in step S301), the relationship information generation unit 320 selects one abnormal sensor S (fn) from the plurality of detected abnormal sensors (step S302). n is an index, which is a number assigned to each abnormal sensor. The relationship information generation unit 320 has the abnormal sensor S ( fn) in the conclusion part of the relationship information table 410 of FIG. S303). The abnormal sensor detection unit 340 confirms whether the sensor stored in the condition part of the identified association rule is an abnormal sensor (step S304). The abnormal sensor detection unit 340 determines whether or not relationship collapse has occurred in all of the identified correlation rules (step S305). If relationship collapse occurs in all of the identified association rules (YES in step S305), the abnormal sensor detection unit 340 determines sensor S (fn) as an abnormal chain sensor (not abnormal sensor) (step S306). ). When the relationship collapse has not occurred in all the identified correlation rules (NO in step S305), or when the process of step S306 ends, the abnormal sensor detection unit 340 performs the process on all the sensors determined to be abnormal. It is determined whether or not it is completed (step S307). If the process has not been completed for all sensors determined to be abnormal sensors (NO in step S307), the abnormal sensor detection unit 340 adds 1 to the index n and returns the process to step S302. In the process of step S302, the relationship information generation unit 320 selects the abnormal sensor S (fn+1) that has not yet been selected. If the processing has been completed for all the abnormal sensors (YES in step S307), the information processing apparatus 300 ends the processing for determining a chain of abnormalities.

この異常連鎖を判定する処理により、情報処理装置３００は、異常連鎖により正常なセンサが異常と判定されてしまうことを防ぐことができる。 By the process of determining the chain of anomalies, the information processing apparatus 300 can prevent a normal sensor from being determined to be abnormal due to the chain of anomalies.

＜動線変化に対応した実施形態＞
図１５は、動線変化における関係性崩れの例を説明する図である。動線変化とは、人や物が移動する場合の経路・軌跡を指す。関係図１５００ａは、病院における共有エリア、病室ａ、病室ｂの夫々に設置された複数のセンサの関係性を示す図である。関係図１５００ａの共有エリアでは、病室ａや病室ｂなどよりも信頼度の値が大きいため、信頼度の値を示すセンサ間のエッジ（線）を太く表している。 <Embodiment corresponding to flow line change>
15A and 15B are diagrams for explaining an example of relationship collapse due to changes in flow lines. A change in flow line refers to a path or trajectory along which a person or an object moves. A relationship diagram 1500a is a diagram showing relationships among a plurality of sensors installed in a common area, a patient room a, and a patient room b in a hospital. In the shared area of the relationship diagram 1500a, the reliability value is greater than that of the hospital room a, the hospital room b, etc., so the edge (line) between the sensors indicating the reliability value is shown thick.

関係図１５００ａにおいて患者の病室は、病室ａとする。すると、患者が病室ａにいる間、センサ１５０１は、患者の所在などを検知する。すると、情報処理装置３００は、病室ａ内に存在する複数のセンサとセンサ１５０１の間の信頼度を算出する。 In the relationship diagram 1500a, the hospital room of the patient is assumed to be hospital room a. Then, while the patient is in the hospital room a, the sensor 1501 detects the patient's whereabouts. Then, the information processing apparatus 300 calculates the reliability between the sensors 1501 and the plurality of sensors present in the hospital room a.

ここで、患者の病室が病室ａから病室ｂに移動となったことを仮定する。関係図１５００ｂは、患者の病室が病室ｂになった場合の病院における共有エリア、病室ａ、病室ｂの夫々に設置された複数のセンサの関係性を示す図である。病室ａに設置されているセンサ１５０１は、患者が病室ａを利用していないため、検知対象がなくなり、センサ値を出力しなくなる。すると、病室ａ内に存在する複数のセンサとセンサ１５０１の間の信頼度が０となり、関係性崩れが発生する。これに伴い、情報処理装置３００の異常センサ検知部３４０は、センサ１５０１を異常センサとして検知してしまう。 Here, it is assumed that the patient's hospital room is moved from hospital room a to hospital room b. A relational diagram 1500b is a diagram showing the relationship between a plurality of sensors installed in each of the common area, sickroom a, and sickroom b in the hospital when the sickroom of the patient becomes sickroom b. Since the patient does not use the patient's room a, the sensor 1501 installed in the patient's room a has no object to be detected and does not output the sensor value. Then, the reliability between the sensors 1501 and the plurality of sensors existing in the hospital room a becomes 0, and the relationship collapses. Accordingly, the abnormal sensor detection unit 340 of the information processing device 300 detects the sensor 1501 as an abnormal sensor.

図１６は、動線変化における発火頻度分布の例を説明する図である。発火頻度分布１６００ａは、患者が病室ａから移る前の共有エリアに設置されたセンサの発火率（センサ出力率）の１日の変化を表す例である。発火頻度分布１６００ａの縦軸は共有エリアに設置されたセンサの時間あたりの発火率を表し、横軸は時間（０時～２４時）を表している。発火頻度分布１６００ａの例では、夜間帯には共有エリアに設置されたセンサの発火率が低く、日中帯には共有エリアに設置されたセンサの発火率が上がっている。発火頻度分布１６００ｂは、患者が病室ａから病室ｂに移った後（動線変化後）の共有エリアに設置されたセンサの発火率の１日の変化を表す例である。共有エリアは、患者の病室ａから病室ｂへの病室の移動の影響を受けない。そのため、動線変化後であっても、発火頻度分布１６００ｂは、発火頻度分布１６００ａから分布の変化はみられない。 FIG. 16 is a diagram for explaining an example of the firing frequency distribution in a flow line change. The firing frequency distribution 1600a is an example showing the daily change in the firing rate (sensor output rate) of the sensors installed in the common area before the patient moves from the hospital room a. The vertical axis of the firing frequency distribution 1600a represents the firing rate per hour of the sensors installed in the common area, and the horizontal axis represents time (0:00 to 24:00). In the example of the firing frequency distribution 1600a, the firing rate of the sensors installed in the common area is low during the night, and the firing rate of the sensors installed in the common area increases during the daytime. The firing frequency distribution 1600b is an example that represents the daily change in the firing rate of the sensors installed in the common area after the patient moves from the patient's room a to the patient's room b (after the flow line changes). The common area is unaffected by a patient's room move from room a to room b. Therefore, even after the flow line change, the firing frequency distribution 1600b does not change from the firing frequency distribution 1600a.

発火頻度分布１６１０ａは、患者が病室ａから移る前の病室ａに設置されたセンサの発火率の１日の変化を表す例である。発火頻度分布１６１０ａの縦軸は病室ａに設置されたセンサの時間あたりの発火率を表し、横軸は時間（０時～２４時）を表している。発火頻度分布１６１０ａの例では、患者が病室にいるため、活動しない夜間帯には病室ａに設置されたセンサの発火率が低く、患者が活動する日中帯には病室ａに設置されたセンサの発火率が上がっている。発火頻度分布１６１０ｂは、患者が病室ａから病室ｂに移った後（動線変化後）の病室ａに設置されたセンサの発火率の１日の変化を表す例である。病室ａは、患者がいなくなってしまった状態である。そのため、発火頻度分布１６１０ｂの例では、発火頻度分布１６１０ａと比べて病室ａに設置された日中帯の発火率が下がっている。 Firing frequency distribution 1610a is an example that represents a one-day change in the firing rate of sensors installed in hospital room a before the patient moves from hospital room a. The vertical axis of the firing frequency distribution 1610a represents the firing rate per hour of the sensor installed in the hospital room a, and the horizontal axis represents time (0:00 to 24:00). In the example of the firing frequency distribution 1610a, since the patient is in the hospital room, the firing rate of the sensor installed in the hospital room a is low during the night when the patient is not active, and the sensor installed in the hospital room a is active during the daytime. has an increased rate of fire. The firing frequency distribution 1610b is an example that represents the daily change in the firing rate of the sensors installed in the patient's room a after the patient moves from the patient's room a to the patient's room b (after the flow line changes). The hospital room a is in a state where the patient has disappeared. Therefore, in the example of the firing frequency distribution 1610b, the firing rate during the daytime set in the hospital room a is lower than in the firing frequency distribution 1610a.

発火頻度分布１６２０ａは、患者が病室ａから移る前の病室ｂに設置されたセンサの発火率の１日の変化を表す例である。発火頻度分布１６２０ａの縦軸は病室ｂに設置されたセンサの時間あたりの発火率を表し、横軸は時間（０時～２４時）を表している。発火頻度分布１６２０ａの例では、患者が病室にいないため、夜間帯、日中帯共に発火率は低い状態である。発火頻度分布１６２０ｂは、患者が病室ａから病室ｂに移った後（動線変化後）の病室ｂに設置されたセンサの発火率の１日の変化を表す例である。病室ｂには、患者が新しく入った状態である。そのため、発火頻度分布１６２０ｂの例では、発火頻度分布１６１０ａに比べて患者が活動をする日中帯の発火率が上がっている。 Firing frequency distribution 1620a is an example that represents a one-day change in the firing rate of sensors installed in hospital room b before the patient moves from hospital room a. The vertical axis of the firing frequency distribution 1620a represents the firing rate per hour of the sensor installed in the hospital room b, and the horizontal axis represents time (0:00 to 24:00). In the example of the firing frequency distribution 1620a, since the patient is not in the hospital room, the firing rate is low both at night and during the day. The firing frequency distribution 1620b is an example that represents the daily change in the firing rate of the sensor installed in the patient's room b after the patient moves from the patient's room a to the patient's room b (after the flow line changes). A new patient has entered the hospital room b. Therefore, in the example of the firing frequency distribution 1620b, the firing rate during the daytime when the patient is active is higher than in the firing frequency distribution 1610a.

図１７は、動線変化における異常センサの誤検知を防ぐためのセンサの設置例を説明する図である。図１７の病院には、共有エリアＡ～Ｃと病室ａ、ｂと処置室ｃが存在する。共有エリアＡには、センサ（ａ）、病室ａに入るドア付近にセンサ（ｂ）、共有エリアＢとの境界付近にセンサ（ｃ）が設置されている。病室ａには、病室ａから出るドア付近にセンサ（ｄ）、センサ（ｅ）が設置されている。共有エリアＢには、共有エリアＡとの境界付近にセンサ（ｆ）、病室ｂに入るドア付近にセンサ（ｇ）、共有エリアＣとの境界付近にセンサ（ｈ）が設置されている。病室ｂには、病室ｂから出るドア付近にセンサ（ｉ）、センサ（ｊ）が設置されている。共有エリアＣには、共有エリアＢとの境界付近にセンサ（ｋ）、処置室ｃに入るドア付近にセンサ（ｌ）、センサ（ｍ）が設置されている。処置室ｃには、処置室を出るドア付近にセンサ（ｎ）、センサ（ｏ）が設置されている。 FIG. 17 is a diagram illustrating an installation example of sensors for preventing erroneous detection of an abnormal sensor when a flow line changes. The hospital in FIG. 17 has common areas A to C, hospital rooms a and b, and a treatment room c. A sensor (a) is installed in the common area A, a sensor (b) is installed near the door leading to the hospital room a, and a sensor (c) is installed near the boundary with the common area B. In patient room a, sensors (d) and (e) are installed near the door leading out of patient room a. In the common area B, a sensor (f) is installed near the boundary with the common area A, a sensor (g) is installed near the door leading to the hospital room b, and a sensor (h) is installed near the boundary with the common area C. In sickroom b, sensor (i) and sensor (j) are installed near the door leading out of sickroom b. In the common area C, a sensor (k) is installed near the boundary with the common area B, and a sensor (l) and a sensor (m) are installed near the door leading into the treatment room c. In the treatment room c, a sensor (n) and a sensor (o) are installed near the door leading out of the treatment room.

図１７の例では、患者が共有エリアＡから病室ａに入る動線変化前の動作を仮定する。すると、動線変化前の動作ではセンサは、（ａ）、（ｂ）、（ｄ）、（ｅ）の順で発火する。その後、患者が病室ａから病室を病室ｂに移った場合、センサ（ａ）、（ｂ）、（ｄ）、（ｅ）の順の発火はなくなってしまう。すると、情報処理装置３００の異常センサ検知部３４０は、病室ａのセンサの関係性が崩れたと判定し、例えば、センサ（ｄ）を異常センサとして検知してしまう。 In the example of FIG. 17, it is assumed that the patient enters the patient's room a from the common area A before the flow line changes. Then, the sensor fires in the order of (a), (b), (d), and (e) in the operation before the flow line change. After that, when the patient moves from the hospital room a to the hospital room b, the sensors (a), (b), (d), and (e) stop firing in that order. Then, the abnormal sensor detection unit 340 of the information processing apparatus 300 determines that the relationship between the sensors in the hospital room a has been broken, and detects, for example, the sensor (d) as an abnormal sensor.

動線変化における異常センサの誤検知を防ぐため、情報処理装置３００の異常センサ検知部３４０は、異常センサを検知した場合に、部屋を跨っている箇所に設置されたセンサを抽出する。部屋を跨っている箇所に設置されたセンサは、例えば、隣接情報テーブルやセンサ場所テーブルなどから判定してもよい。異常センサ検知部３４０は、病室ａに設置されているセンサ（ｄ）の異常を検知した場合に、病室ａと共有エリアＡに跨る箇所に設置されているセンサ（ｂ）と（ｄ）を抽出する。 In order to prevent erroneous detection of an abnormal sensor due to a change in flow line, the abnormal sensor detection unit 340 of the information processing device 300 extracts sensors installed across rooms when an abnormal sensor is detected. A sensor installed at a location across rooms may be determined from, for example, an adjacent information table or a sensor location table. When the abnormality sensor detection unit 340 detects an abnormality in the sensor (d) installed in the hospital room a, it extracts the sensors (b) and (d) installed across the hospital room a and the common area A. do.

仮に患者が病室ａから病室ｂに移っておらず、本当にセンサ（ｄ）が異常である場合、センサ（ｂ）は日中帯に発火率が上がる発火頻度分布を持ち、センサ（ｄ）は日中帯でも発火率が低い発火頻度分布となる。一方、患者が病室ａから病室ｂに移り、センサ（ｄ）が異常でない場合、センサ（ｂ）（ｄ）共に日中帯でも発火率が低い発火頻度分布となる。そのため、本実施形態に係る異常センサ検知部３４０は、異常センサを一度検知した場合であっても、部屋の跨り部分に設置された異常センサと別のセンサの発火頻度の時間分布のタイミングが一致している場合に、該センサを異常センサではないと判定する。これにより、動線変化における異常センサの誤検知を防ぐことができる。 If the patient has not moved from room a to room b and sensor (d) is indeed abnormal, sensor (b) has a firing frequency distribution in which the firing rate rises during the daytime. The firing frequency distribution is such that the firing rate is low even in the middle band. On the other hand, when the patient moves from hospital room a to hospital room b and sensor (d) is not abnormal, both sensors (b) and (d) have a firing frequency distribution in which the firing rate is low even during the daytime. Therefore, even if the abnormal sensor detection unit 340 according to the present embodiment detects an abnormal sensor once, the timing of the time distribution of the firing frequency of the abnormal sensor installed in the straddling part of the room and the other sensor are the same. If they match, the sensor is determined not to be an abnormal sensor. As a result, it is possible to prevent erroneous detection of an abnormal sensor due to a change in flow line.

本実施形態に係る異常センサを検出する情報処理装置３００は、通信対象の全てのセンサに関して、他のセンサとの関係性を求め、正常状態２１０の関係性から故障状態２２０のように関係性の崩れた状態に移ったセンサを検出することで、異常センサを効率よく検出することができる。又、情報処理装置３００は、異常連鎖や動線変化に基づいて、一度異常センサと検出したセンサが本当に異常であるかを再判定を行うことで、異常センサの誤検出を防ぐこともできる。 The information processing apparatus 300 for detecting an abnormal sensor according to the present embodiment obtains the relationship with other sensors for all sensors to be communicated, and determines the relationship from the relationship in the normal state 210 to the relationship in the fault state 220. An abnormal sensor can be efficiently detected by detecting a sensor that has moved to a collapsed state. In addition, the information processing apparatus 300 can prevent erroneous detection of an abnormal sensor by re-determining whether a sensor that has been detected as an abnormal sensor is really abnormal based on a chain of abnormalities or a change in flow line.

以上記載した各実施例を含む実施形態に関し、さらに以下の付記を開示する。
（付記１）
コンピュータが、
複数のセンサが得たセンサデータを、ネットワークを介して取得し、
取得した前記センサデータを記憶し、
前記複数のセンサのうちの各センサが検出対象を検出した順序に基づき、センサ間の関係性を示す関係性情報を、複数の時間範囲ごとに生成し、
前記複数の時間範囲ごとに生成された前記関係性情報の変化を、前記複数のセンサのうちのセンサごとに監視し、
前記関係性情報の変化に基づいて、前記複数のセンサのうち、異常が発生したセンサを検出する
ことを特徴とする異常センサ検出方法。
（付記２）
前記複数のセンサのうち、所定の距離内にあるセンサに関して前記関係性情報を生成する
ことを特徴とする付記１に記載の異常センサ検出方法。
（付記３）
前記関係性情報の変化に基づいて複数の異常センサを検出し、第１の異常センサの検出が第２の異常センサを要因とした検出である場合、前記第１の異常センサを異常センサではないと判定する
ことを特徴とする付記１に記載の異常センサ検出方法。
（付記４）
前記関係性情報の変化の検出に用いる閾値を、前記関係性情報の変化量の一部を用いて変更する
ことを特徴とする付記１に記載の異常センサ検出方法。
（付記５）
センサデータを得る複数のセンサと、
前記センサデータをネットワークを介して前記複数のセンサより取得し、取得した前記センサデータを記憶し、前記複数のセンサのうちの各センサが検出対象を検出した順序に基づき、センサ間の関係性を示す関係性情報を、複数の時間範囲ごとに生成し、前記複数の時間範囲ごとに生成された前記関係性情報の変化を、前記複数のセンサのうちのセンサごとに監視し、前記関係性情報の変化に基づいて、前記複数のセンサのうち、異常が発生したセンサを検出する情報処理装置と、を含む
ことを特徴とする異常センサ検出システム。
（付記６）
複数のセンサが得たセンサデータを、ネットワークを介して取得するデータ取得部と、
取得した前記センサデータを記憶する記憶部と、
前記複数のセンサのうちの各センサが検出対象を検出した順序に基づき、センサ間の関係性を示す関係性情報を、複数の時間範囲ごとに生成する関係性情報生成部と、
前記複数の時間範囲ごとに生成された前記関係性情報の変化を、前記複数のセンサのうちのセンサごとに監視する関係性監視部と、
前記関係性情報の変化に基づいて、前記複数のセンサのうち、異常が発生したセンサを検出する異常センサ検出部と、を備える
ことを特徴とする情報処理装置。
（付記７）
コンピュータに、
複数のセンサがそれぞれ検出したセンサデータを取得し、
前記センサデータに基づき算出された、第一の時間範囲における、前記複数のセンサのうちの少なくとも２つのセンサそれぞれが検出対象を検出した順序に関する第一の情報と、前記第一の時間範囲とは異なる第二の時間範囲における、前記少なくとも２つのセンサそれぞれが前記検出対象を検出した順序に関する第二の情報との比較に基づき、前記少なくとも２つのセンサのうちの１のセンサについて、異常の発生を検出する
処理を実行させることを特徴とする異常センサ検出プログラム。
（付記８）
前記第一の情報は、前記第一の時間範囲において、前記少なくとも２つのセンサそれぞれが前記検出対象を検出した順序の組合せについての発生頻度に関する情報であって、
前記第二の情報は、前記第二の時間範囲において、前記少なくとも２つのセンサそれぞれが前記検出対象を検出した順序の組合せについての発生頻度に関する情報であることを特徴とする付記７に記載の異常センサ検出プログラム。
（付記９）
前記第一の時間範囲は、前記少なくとも２つのセンサに異常が発生する前の時間帯に含まれ、
前記第二の時間範囲は、前記少なくとも２つのセンサに異常が発生した後の時間帯に含まれることを特徴とする付記７または８に記載の異常センサ検出プログラム。 The following supplementary remarks are further disclosed regarding the embodiments including the respective examples described above.
(Appendix 1)
the computer
Acquire sensor data obtained by multiple sensors via the network,
storing the acquired sensor data;
Based on the order in which each of the plurality of sensors detects the detection target, relationship information indicating the relationship between the sensors is generated for each of a plurality of time ranges,
monitoring changes in the relationship information generated for each of the plurality of time ranges for each of the plurality of sensors;
An abnormal sensor detection method, comprising detecting a sensor in which an abnormality has occurred among the plurality of sensors based on a change in the relationship information.
(Appendix 2)
The abnormal sensor detection method according to appendix 1, wherein the relationship information is generated for a sensor within a predetermined distance among the plurality of sensors.
(Appendix 3)
A plurality of abnormal sensors are detected based on the change in the relationship information, and when the detection of the first abnormal sensor is caused by the second abnormal sensor, the first abnormal sensor is not an abnormal sensor. The abnormal sensor detection method according to appendix 1, characterized by:
(Appendix 4)
The abnormal sensor detection method according to appendix 1, wherein a threshold used for detecting a change in the relationship information is changed using part of the amount of change in the relationship information.
(Appendix 5)
a plurality of sensors for obtaining sensor data;
The sensor data is acquired from the plurality of sensors via a network, the acquired sensor data is stored, and the relationship between the sensors is determined based on the order in which each sensor among the plurality of sensors detects a detection target. generating relationship information indicating each of a plurality of time ranges; monitoring changes in the relationship information generated for each of the plurality of time ranges for each of the plurality of sensors; and an information processing device that detects a sensor in which an abnormality has occurred among the plurality of sensors based on a change in the abnormal sensor detection system.
(Appendix 6)
a data acquisition unit that acquires sensor data obtained by a plurality of sensors via a network;
a storage unit that stores the acquired sensor data;
a relationship information generating unit that generates relationship information indicating relationships between sensors for each of a plurality of time ranges based on the order in which each sensor among the plurality of sensors detects a detection target;
a relationship monitoring unit that monitors, for each of the plurality of sensors, changes in the relationship information generated for each of the plurality of time ranges;
An information processing apparatus, comprising: an abnormal sensor detection unit that detects, among the plurality of sensors, a sensor in which an abnormality has occurred based on a change in the relationship information.
(Appendix 7)
to the computer,
Acquire sensor data detected by multiple sensors,
First information regarding the order in which at least two sensors among the plurality of sensors each detected a detection target in a first time range, which is calculated based on the sensor data, and the first time range Based on a comparison with second information about the order in which the at least two sensors each detect the detection target in a different second time range, an abnormality occurs in one of the at least two sensors. An abnormal sensor detection program characterized by executing a process of detecting.
(Appendix 8)
The first information is information about the frequency of occurrence of combinations of the order in which the at least two sensors each detect the detection target in the first time range,
The abnormality according to Supplementary Note 7, wherein the second information is information about the frequency of occurrence of combinations of orders in which the detection targets are detected by the at least two sensors in the second time range. Sensor detection program.
(Appendix 9)
The first time range is included in the time period before the abnormality occurs in the at least two sensors,
9. The abnormal sensor detection program according to appendix 7 or 8, wherein the second time range is included in a time period after the occurrence of an abnormality in the at least two sensors.

１０１ ドアセンサ
１０２ 人感センサ
１０３ 音センサ
１０４ ベッドセンサ
３００ 情報処理装置
３１０ データ取得部
３２０ 関係性情報生成部
３３０ 関係性監視部
３４０ 異常センサ検出部
３５０ 通知部
３６０ 記憶部 101 Door sensor 102 Human sensor 103 Sound sensor 104 Bed sensor 300 Information processing device 310 Data acquisition unit 320 Relationship information generation unit 330 Relationship monitoring unit 340 Abnormal sensor detection unit 350 Notification unit 360 Storage unit

Claims (5)

コンピュータが、
検出対象に関して複数のセンサが得たセンサデータを、ネットワークを介して取得し、
前記複数のセンサのうちの各センサが前記検出対象を検出した順序に基づき、前記検出対象を検出した２つのセンサのうちの前記順序が先であるセンサが前記検出対象を検出したときに該２つのセンサのうちの前記順序が後であるセンサも前記検出対象を検出する確率を、前記順序が先であるセンサと前記順序が後であるセンサとのそれぞれの識別情報に対応付けて、センサ間の関係性として示す関係性情報を、複数の時間範囲ごとに生成し、
前記複数の時間範囲ごとの前記関係性情報の変化に基づいて、前記複数のセンサのうち、異常が発生したセンサを検出し、
前記検出において異常が発生したセンサが前記関係性情報の変化に基づいて複数検出された場合であって、且つ、該変化の後の前記関係性情報において、該異常の発生が検出された複数の異常センサのうちの１つを前記後であるセンサとしている全ての前記センサ間の関係性で示されている前記前であるセンサが、いずれも前記複数の異常センサに含まれている場合、前記複数の異常センサのうちの前記１つについては該異常が発生していないと判定する
ことを特徴とする異常センサ検出方法。 the computer
Acquire sensor data obtained by multiple sensors regarding a detection target via a network,
Based on the order in which each sensor among the plurality of sensors detected the detection target, when the first sensor among the two sensors that detected the detection target detects the detection target, the two sensors detect the detection target. The probability that the sensor whose order is later among the two sensors also detects the detection target is associated with the identification information of each of the sensor whose order is earlier and the sensor whose order is later, and between the sensors Generate relationship information shown as the relationship of each of multiple time ranges,
detecting a sensor in which an abnormality has occurred among the plurality of sensors based on changes in the relationship information for each of the plurality of time ranges ;
A case where a plurality of sensors in which an abnormality has occurred in the detection is detected based on a change in the relationship information, and the plurality of sensors in which the occurrence of the abnormality is detected in the relationship information after the change When all of the preceding sensors shown in the relationship between all the sensors in which one of the abnormal sensors is the subsequent sensor are included in the plurality of abnormal sensors, the A method of detecting an abnormal sensor , comprising: determining that the one of a plurality of abnormal sensors does not have an abnormality. 前記複数のセンサのうち、所定の距離内にあるセンサに関して前記関係性情報を生成する
ことを特徴とする請求項１に記載の異常センサ検出方法。 The abnormal sensor detection method according to claim 1, wherein the relationship information is generated for a sensor within a predetermined distance among the plurality of sensors. 検出対象に関してセンサデータを得る複数のセンサと、
前記センサデータをネットワークを介して前記複数のセンサより取得し、前記複数のセンサのうちの各センサが前記検出対象を検出した順序に基づき、前記検出対象を検出した２つのセンサのうちの前記順序が先であるセンサが前記検出対象を検出したときに該２つのセンサのうちの前記順序が後であるセンサも前記検出対象を検出する確率を、前記順序が先であるセンサと前記順序が後であるセンサとのそれぞれの識別情報に対応付けて、センサ間の関係性として示す関係性情報を、複数の時間範囲ごとに生成し、前記複数の時間範囲ごとの前記関係性情報の変化に基づいて、前記複数のセンサのうち、異常が発生したセンサを検出し、前記検出において異常が発生したセンサが前記関係性情報の変化に基づいて複数検出された場合であって、且つ、該変化の後の前記関係性情報において、該異常の発生が検出された複数の異常センサのうちの１つを前記後であるセンサとしている全ての前記センサ間の関係性で示されている前記前であるセンサが、いずれも前記複数の異常センサに含まれている場合、前記複数の異常センサのうちの前記１つについては該異常が発生していないと判定する情報処理装置と、を含む
ことを特徴とする異常センサ検出システム。 a plurality of sensors for obtaining sensor data about a detected object;
The sensor data is acquired from the plurality of sensors via a network, and the order of two sensors that detect the detection target based on the order in which each sensor among the plurality of sensors detects the detection target When the sensor whose order is earlier detects the detection target, the sensor whose order is later among the two sensors also detects the detection target is associated with the respective identification information of the sensor, relationship information indicating a relationship between sensors is generated for each of a plurality of time ranges, and based on changes in the relationship information for each of the plurality of time ranges a sensor in which an abnormality has occurred is detected from among the plurality of sensors, and a plurality of sensors in which an abnormality has occurred in the detection is detected based on a change in the relationship information, and In the later relationship information, one of a plurality of abnormal sensors in which the occurrence of the abnormality is detected is the later sensor, and the previous is indicated by the relationship between all the sensors. and an information processing device that determines that the abnormality does not occur in the one of the plurality of abnormal sensors when all of the sensors are included in the plurality of abnormal sensors. Abnormal sensor detection system. 検出対象に関して複数のセンサが得たセンサデータを、ネットワークを介して取得するデータ取得部と、
前記複数のセンサのうちの各センサが前記検出対象を検出した順序に基づき、前記検出対象を検出した２つのセンサのうちの前記順序が先であるセンサが前記検出対象を検出したときに該２つのセンサのうちの前記順序が後であるセンサも前記検出対象を検出する確率を、前記順序が先であるセンサと前記順序が後であるセンサとのそれぞれの識別情報に対応付けて、センサ間の関係性として示す関係性情報を、複数の時間範囲ごとに生成する関係性情報生成部と、
前記複数の時間範囲ごとの前記関係性情報の変化に基づいて、前記複数のセンサのうち、異常が発生したセンサを検出する異常センサ検出部であって、前記検出において異常が発生したセンサが前記関係性情報の変化に基づいて複数検出された場合であって、且つ、該変化の後の前記関係性情報において、該異常の発生が検出された複数の異常センサのうちの１つを前記後であるセンサとしている全ての前記センサ間の関係性で示されている前記前であるセンサが、いずれも前記複数の異常センサに含まれている場合、前記複数の異常センサのうちの前記１つについては該異常が発生していないと判定する前記異常センサ検出部と、を備える
ことを特徴とする情報処理装置。 a data acquisition unit that acquires, via a network, sensor data obtained by a plurality of sensors regarding a detection target;
Based on the order in which each sensor among the plurality of sensors detected the detection target, when the first sensor among the two sensors that detected the detection target detects the detection target, the two sensors detect the detection target. The probability that the sensor whose order is later among the two sensors also detects the detection target is associated with the identification information of each of the sensor whose order is earlier and the sensor whose order is later, and between the sensors a relationship information generating unit that generates relationship information indicated as the relationship of each of a plurality of time ranges;
an abnormal sensor detection unit that detects a sensor in which an abnormality has occurred among the plurality of sensors based on changes in the relationship information for each of the plurality of time ranges, wherein the sensor in which an abnormality has occurred in the detection is the sensor when a plurality of abnormal sensors are detected based on a change in the relationship information, and in the relationship information after the change, one of the plurality of abnormal sensors in which the occurrence of the abnormality is detected If all the preceding sensors indicated by the relationship between all the sensors that are the sensors are included in the plurality of abnormal sensors, the one of the plurality of abnormal sensors and the abnormality sensor detection unit that determines that the abnormality does not occur . コンピュータに、
検出対象に関して複数のセンサが得たセンサデータを取得し、
前記複数のセンサのうちの各センサが前記検出対象を検出した順序に基づき、前記検出対象を検出した２つのセンサのうちの前記順序が先であるセンサが前記検出対象を検出したときに該２つのセンサのうちの前記順序が後であるセンサも前記検出対象を検出する確率を、前記順序が先であるセンサと前記順序が後であるセンサとのそれぞれの識別情報に対応付けて、センサ間の関係性として示す関係性情報を、複数の時間範囲ごとに生成し、
前記複数の時間範囲ごとの前記関係性情報の変化に基づいて、前記複数のセンサのうち、異常が発生したセンサを検出し、
前記検出において異常が発生したセンサが前記関係性情報の変化に基づいて複数検出された場合であって、且つ、該変化の後の前記関係性情報において、該異常の発生が検出された複数の異常センサのうちの１つを前記後であるセンサとしている全ての前記センサ間の関係性で示されている前記前であるセンサが、いずれも前記複数の異常センサに含まれている場合、前記複数の異常センサのうちの前記１つについては該異常が発生していないと判定する
処理を実行させることを特徴とする異常センサ検出プログラム。 to the computer,
Acquiring sensor data obtained by multiple sensors regarding a detection target,
Based on the order in which each sensor among the plurality of sensors detected the detection target, when the first sensor among the two sensors that detected the detection target detects the detection target, the two sensors detect the detection target. The probability that the sensor whose order is later among the two sensors also detects the detection target is associated with the identification information of each of the sensor whose order is earlier and the sensor whose order is later, and between the sensors Generate relationship information shown as the relationship of each of multiple time ranges,
detecting a sensor in which an abnormality has occurred among the plurality of sensors based on changes in the relationship information for each of the plurality of time ranges ;
A case where a plurality of sensors in which an abnormality has occurred in the detection is detected based on a change in the relationship information, and the plurality of sensors in which the occurrence of the abnormality is detected in the relationship information after the change When all of the preceding sensors shown in the relationship between all the sensors in which one of the abnormal sensors is the subsequent sensor are included in the plurality of abnormal sensors, the An abnormal sensor detection program characterized by executing a process of determining that the one of a plurality of abnormal sensors does not have an abnormality.
JP2018037939A 2018-03-02 2018-03-02 ABNORMAL SENSOR DETECTION METHOD, ABNORMAL SENSOR DETECTION SYSTEM AND INFORMATION PROCESSING DEVICE Active JP7127301B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2018037939A JP7127301B2 (en) 2018-03-02 2018-03-02 ABNORMAL SENSOR DETECTION METHOD, ABNORMAL SENSOR DETECTION SYSTEM AND INFORMATION PROCESSING DEVICE

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2018037939A JP7127301B2 (en) 2018-03-02 2018-03-02 ABNORMAL SENSOR DETECTION METHOD, ABNORMAL SENSOR DETECTION SYSTEM AND INFORMATION PROCESSING DEVICE

Publications (2)

Publication Number Publication Date
JP2019153080A JP2019153080A (en) 2019-09-12
JP7127301B2 true JP7127301B2 (en) 2022-08-30

Family

ID=67946478

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2018037939A Active JP7127301B2 (en) 2018-03-02 2018-03-02 ABNORMAL SENSOR DETECTION METHOD, ABNORMAL SENSOR DETECTION SYSTEM AND INFORMATION PROCESSING DEVICE

Country Status (1)

Country Link
JP (1) JP7127301B2 (en)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102347168B1 (en) * 2021-08-04 2022-01-04 백우민 Sensor signal aggregating devcie for aggregating multi-sensor data

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002133458A (en) 2000-10-25 2002-05-10 Nippon Signal Co Ltd:The Human detection device
JP2009277086A (en) 2008-05-15 2009-11-26 Panasonic Electric Works Co Ltd Living support notification system
JP2011113411A (en) 2009-11-27 2011-06-09 Sogo Keibi Hosho Co Ltd Security device and estimation method of sensor reaction factor
JP2017207904A (en) 2016-05-18 2017-11-24 エヌ・ティ・ティ・コミュニケーションズ株式会社 Abnormality detection system, model generation device, abnormality detection device, abnormality detection method, model generation program, and abnormality detection program

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002133458A (en) 2000-10-25 2002-05-10 Nippon Signal Co Ltd:The Human detection device
JP2009277086A (en) 2008-05-15 2009-11-26 Panasonic Electric Works Co Ltd Living support notification system
JP2011113411A (en) 2009-11-27 2011-06-09 Sogo Keibi Hosho Co Ltd Security device and estimation method of sensor reaction factor
JP2017207904A (en) 2016-05-18 2017-11-24 エヌ・ティ・ティ・コミュニケーションズ株式会社 Abnormality detection system, model generation device, abnormality detection device, abnormality detection method, model generation program, and abnormality detection program

Also Published As

Publication number Publication date
JP2019153080A (en) 2019-09-12

Similar Documents

Publication Publication Date Title
CN106485871B (en) System and method for providing early prediction and prediction of false alarms by applying statistical inference models
US20170124832A1 (en) Context-aware wearable safety system
Sixsmith et al. A smart sensor to detect the falls of the elderly
US11282367B1 (en) System and methods for safety, security, and well-being of individuals
US7158022B2 (en) Automated diagnoses and prediction in a physical security surveillance system
Monekosso et al. Behavior analysis for assisted living
Kodeswaran et al. Idea: A system for efficient failure management in smart iot environments
CN104334075A (en) Biometric attribute anomoly detection system with adjusting notifications
KR20180136770A (en) remote management and monitering system for old and infirm
CN111414828B (en) Abnormal aggregation identification method and device
JP2007272488A (en) Image processor, monitor camera and image monitoring system
CN111919242B (en) System and method for processing multiple signals
US20210365674A1 (en) System and method for smart monitoring of human behavior and anomaly detection
Moshtaghi et al. Statistical models for unobtrusively detecting abnormal periods of inactivity in older adults
Nwakanma et al. Iot-based vibration sensor data collection and emergency detection classification using long short term memory (lstm)
CN111681771A (en) Epidemic situation information cooperative management system and epidemic situation information cooperative management method
JP7127301B2 (en) ABNORMAL SENSOR DETECTION METHOD, ABNORMAL SENSOR DETECTION SYSTEM AND INFORMATION PROCESSING DEVICE
JP2012208793A (en) Security system
Sándor et al. Sensor data validation and abnormal behavior detection in the internet of things
US11184092B2 (en) Systems and methods for premises monitoring
Valera et al. Improving the sensitivity of unobtrusive inactivity detection in sensor-enabled homes for the elderly
US20210225465A1 (en) Tracking individual user health using intrusion detection sensors
CN112949442B (en) Abnormal event pre-recognition method and device, electronic equipment and monitoring system
US11574461B2 (en) Time-series based analytics using video streams
JP2005327134A (en) Abnormality detecting apparatus and abnormality detecting method

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20201110

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20210730

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20210817

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20211012

RD03 Notification of appointment of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7423

Effective date: 20211012

RD04 Notification of resignation of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7424

Effective date: 20211012

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20220105

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20220308

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220419

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20220719

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20220801

R150 Certificate of patent or registration of utility model

Ref document number: 7127301

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150