JP7140264B2 - 異常判定装置、その動作方法、及びプログラム - Google Patents

Description

本発明は、異常判定装置、方法、及びコンピュータ可読媒体に関し、更に詳しくは、患者など監視対象者における異常の有無などを判定する異常判定装置、方法、及びコンピュータ可読媒体に関する。

例えは病院などに入院している入院患者には、ベッドから転落する、挿管を抜去する、奇声を発する、或いは暴力を振るうなどの問題行動を起こすリスクがある患者が含まれる。問題行動を起こす患者は、「不穏状態」又は「せん妄」と呼ばれる状態になっていることが多い。看護師や介護士などの医療者の中には、問題行動を起こすリスクがある入院患者への対処に２～３割程度の時間を割いている者もおり、医療者が本来のケア業務に注力する時間が圧迫されている。

ここで、特許文献１は、患者を監視し、患者のせん妄を検出する監視システムを開示する。特許文献１に記載の監視システムにおいて、分析ユニットは、経時的に得られる患者の画像データから患者の運動事象を検出する。評価ユニットは、検出された運動事象をせん妄典型運動事象及び非せん妄典型運動事象に分類する。せん妄決定ユニットは、せん妄典型運動事象の持続時間、強度、タイプ、場所及び／又は発生から、患者のせん妄の可能性を示すせん妄スコアを決定する。

特開２０１４－５２８３１４号公報

急性期病院に入院中の患者などの患者は、転倒や転落に伴う怪我発生や、点滴針を抜去するなどの問題を防ぐという観点から、或いは疾病の悪化を防ぐという観点から、身体を抑制されることがある。身体抑制は、例えばミトン抑制、体幹抑制、上肢抑制、下肢抑制、又は四肢抑制などを含む。患者が抑制されている場合、抑制された部分の動きが制限されることから、活動（動き）の時間変化とせん妄との相関が、身体抑制がない場合から変化する可能性が高い。しかしながら、特許文献１では、患者の身体抑制は考慮されていない。このため、特許文献１では、患者が抑制される場合に、せん妄の可能性を正しく判断できない可能性がある。

本開示は、上記事情に鑑み、監視対象者の異常状態の検出の精度を向上できる異常判定装置、方法、及びコンピュータ可読媒体を提供することを目的とする。

上記目的を達成するために、本開示は、監視対象者の複数の部分について動作量を検出する動作量検出手段と、前記複数の部分の動作量、及び、前記監視対象者の抑制状態を示す抑制情報に基づいて、前記監視対象者の異常のレベルを判定する異常レベル判定手段とを備える異常判定装置を提供する。

本開示は、また、監視対象者の複数の部分について動作量を検出し、前記複数の部分の動作量、及び、前記監視対象者の抑制状態を示す抑制情報に基づいて、前記監視対象者の異常のレベルを判定する異常判定方法を提供する。

本開示は、監視対象者の複数の部分について動作量を検出し、前記複数の部分の動作量、及び、前記監視対象者の抑制状態を示す抑制情報に基づいて、前記監視対象者の異常のレベルを判定するための処理をコンピュータに実施させるためのプログラムを記憶するコンピュータ可読媒体を提供する。

本開示に係る異常判定装置、方法、及びコンピュータ可読媒体は、監視対象者の異常状態の検出の精度を向上することができる。

本開示の異常判定装置を概略的に示すブロック図。 本開示の第１実施形態に係る異常判定装置を示すブロック図。 患者を示す模式図。 動作量検出部が検出したある部分の動作量を示すグラフ。 音量検出部が検出した音量を示すグラフ。 異常レベルの計算を示す模式図。 抑制情報と動作量係数との対応関係を示すテーブル。 異常レベル判定部が計算した不穏レベルを示すグラフ。 異常判定装置における動作手順を示すフローチャート。 ベッドに横たわる患者を示す模式図。 生体情報処理システムを示すブロック図。 不穏スコアの具体例を示すグラフ。 識別モデルの学習に用いられるシステムを示すブロック図。 生体情報処理システムにおける動作手順を示すフローチャート。 不穏スコアの具体例を示すグラフ。 本開示において各種装置として用いられ得る情報処理装置の構成例を示すブロック図。

本開示の実施の形態の説明に先立って、本開示の概要を説明する。図１は、本開示の異常判定装置を概略的に示す。異常判定装置１０は、動作量検出手段１１、及び異常レベル判定手段１２を有する。

動作量検出手段１１は、入院中の患者などの監視対象者の複数の部分について動作量を検出する。ここで、動作量とは、監視対象者の動きに関連する量を示す。動作量は、例えば動きの大きさ、速度、加速度、及びそれらの周期性や時間変化の少なくとも１つを含み得る。動作量検出手段１１は、例えば監視対象者を撮影した画像データを用いて、複数の部分について動作量を検出する。抑制情報３０は、監視対象者の抑制状態を示す情報である。異常レベル判定手段１２は、動作量検出手段１１で検出された複数の部分の動作量、及び、抑制情報３０に基づいて、監視対象者の異常のレベルを判定する。

本開示では、動作量検出手段１１で検出された監視対象者の複数の部分の動作量と、監視対象者の抑制情報３０とに基づいて、異常のレベルが判定される。動作量検出手段１１で検出された各部分の動作量は、身体抑制の有無、及び身体抑制がある場合において身体のどの部分が抑制されているかに応じて変化し得る。本開示では、抑制情報３０を用いて動作量から異常のレベルが判定されるため、抑制状態に応じて、監視対象者の異常状態を正しく検出でき、異常状態の検出の精度を向上できる。

以下、図面を参照しつつ、本開示の実施の形態を詳細に説明する。図２は、本開示の第１実施形態に係る異常判定装置を示す。異常判定装置１００は、動作量検出部１０１、音量検出部１０２、異常レベル判定部１０３、及び出力部１０４を有する。異常判定装置１００は、例えばメモリとプロセッサとを含むコンピュータ装置として構成される。異常判定装置１００は、カメラ１２０、センサ群１３０、マイク１４０、及び入力部１５０と接続される。異常判定装置１００は、図１の異常判定装置１０に対応する。異常判定装置１００は、例えば、病院などに入院する患者などの監視対象者が異常な状態であるか否かを判断するために使用される。

ここで、本発明者らの観察によれば、少なくとも脳神経外科関連の患者の場合、実際に問題行動を起こす前に、行動が過剰で落ち着きがない不穏に陥っている状態（不穏状態）になっている場合が多いことが分かった。「不穏状態」とは、単に行動が過剰で落ち着きがない状態だけでなく、患者が穏やかではない状態、及び精神を正常にコントロールできない状態を含み得る。不穏状態は、身体的苦痛、及びせん妄の少なくとも１つに起因して発生することから、本明細書において、「不穏状態」の用語はせん妄を含むものとする。

不穏状態における具体的な患者の行動としては、手足をむやみに動かし続ける、身体が震えている、不自然に何らかの動作に集中している、論理が不明瞭な発言をする、及び看護者や介護者の言うことを聞かないなどの行動が考えられる。不穏状態は、更に、患者にとっては有害ではない、例えば患者の尿意に伴う行動も含み得る。本実施形態において、異常判定装置１００は、患者の不穏状態のレベルを、患者の動作量に基づいて判定する。

カメラ１２０は、患者などの監視対象者の画像データ（映像データ）を異常判定装置１００に出力する。カメラ１２０は、例えば患者が横たわるベッドの上部に配置される。カメラ１２０は、ベッドに横たわる患者を撮影し、撮影した画像データを異常判定装置１００に出力する。マイク１４０は、患者が発する音声、及び患者の行動に伴って発生する音の少なくとも一方を異常判定装置１００に出力する。カメラ１２０とマイク１４０とは同じ装置に構成されていてもよいし、別の装置として構成されていてもよい。画像データなどは、別途、半導体記憶装置や磁気記憶装置などの任意のストレージデバイスに記録されてもよい。

センサ群１３０は、患者の動きを検出可能な１以上のセンサを含む。センサ群１３０は、例えば、患者に装着させる加速度センサ、ベッド又はベッドシーツに配置される加速度センサ、及びベッド付近に配置される電波型センサの少なくとも１つを含む。センサ群１３０は、患者の内面状態を計測するセンサを含んでいてもよい。ここで、患者の内面状態とは、例えば、他者が外部から直接に判断することができない患者の状態を指し、例えば精神状態などを含む。内面状態を計測するセンサは、例えば心拍センサ及び体温センサなどの生体情報を計測するセンサを含み得る。センサ群１３０は、血圧を測定するためのセンサ、及び患者の呼吸数を計測するためのセンサを含んでいてもよい。

入力部１５０は、患者に関する情報を異常判定装置１００に入力する。入力部１５０は、例えば、キーボードやマウスなどの入力装置を含む。入力部１５０が入力する情報は、抑制情報を含む。抑制情報は、患者の抑制状態を示す情報である。抑制情報は、例えば患者においてどの種別の身体抑制が実施されているかを示す情報を含む。また、抑制情報は、患者にある種別の身体抑制がなされる場合に、その種別の身体抑制が実施される時間に関する情報を含む。また、患者への身体抑制が外れた場合に、外された時間に関する情報を含む。なお、「抑制」は「拘束」とも呼ばれる。入力部１５０から入力される抑制情報は、図１の抑制情報３０に対応する。入力部１５０が入力する情報は、例えば一時間ごとの深夜巡視結果、及び投薬情報などの電子カルテに記載される他の情報を含んでいてもよい。

ここで、医療者は、患者に異常がある場合には、ベッド脇などに配置されたボタンを押す場合がある。入力部１５０が入力する情報は、医療者がボタンを押したことを示す情報を含んでいてもよい。ボタンは、物理的なボタンであってよいし、タブレット型の装置のタッチパネル上に表示された電子的なボタンであってもよい。医療者は、入力部１５０を用いて、声掛けやベッド調整などの患者に処置した内容に関する情報を異常判定装置１００に入力してもよい。また、入力部１５０が入力する情報は、患者が押したナースコールのボタンの押下情報を含んでいてもよい。

動作量検出部１０１は、カメラ１２０及びセンサ群１３０から画像データ及びセンサデータを取得する。動作量検出部１０１は、取得したデータに基づいて、患者の動きに関連する動作量を検出する。動作量検出部１０１は、例えば、動きの大きさ、速度、加速度、及びそれらの周期性や時間変化の少なくとも１つを動作量として検出する。動作量検出部１０１は、患者の複数の部分について、動作量を検出する。動作量検出部１０１は、図１の動作量検出手段１１に対応する。

図３は、動作量が検出される患者を示す。この例では、患者は、ベッドに横たわっているものとする。動作量検出部１０１は、例えば患者の上部、中部、及び下部のそれぞれにおいて動作量を検出する。上部は、例えば患者の頭部に対応し、中部は患者の頭部を除く上半身に対応し、下部は患者の下半身に対応する。動作量検出部１０１は、例えば、カメラ１２０から入力される画像データを用いて、上部、中部（上肢）、及び下部（下肢）などの患者の部分ごとに、動作量を検出する。動作量検出部１０１は、センサ群１３０から得られるセンサデータから、患者の手や足、頭部などの任意の部分の動作量を検出してもよい。

動作量検出部１０１は、部分ごとに、動作量の最大値が所定の値、例えば１となるように動作量を規格化してもよい。また、動作量検出部１０１は、抑制情報に基づいて、身体抑制の種別が変化する前後の期間のそれぞれにおいて、動作量の最大値が１となるように動作量を規格化してもよい。具体的には、動作量検出部１０１は、例えば身体抑制の種別が「身体抑制なし」の期間と、身体抑制の種別が「上部抑制」の期間とのそれぞれにおいて、動作量の最大値が１となるように動作量を規格化してもよい。

音量検出部（音量検出手段）１０２は、マイク１４０から取得される音声データに基づいて、患者が発する音又は患者の近辺の音に関連する音量を取得する。音量検出部１０２は、例えば、音量の大きさ、周波数特性、それらの周期性や時間変化の少なくとも１つを検出する。音量検出部１０２は、音量の最大値が所定の値、例えば１となるように音量を規格化してもよい。

図４は、動作量検出部１０１が検出したある部分の動作量を示す。図５は、音量検出部１０２が検出した音量を示す。図４において、横軸は時間を表し、縦軸は規格化された動作量を表す。図５において、横軸は時間を表し、縦軸は規格化された音量を表す。動作量検出部１０１は、例えば１分などの所定時間ごとに、所定時間内に患者がどれくらい動いたかを検出する。また、音量検出部１０２は、例えば１分などの所定時間ごとに、所定時間内の音量を検出する。動作量検出部１０１が検出する動作量、及び音量検出部１０２が検出する音量は、図４及び図５に示されるように、時々刻々と変化し得る。

異常レベル判定部１０３は、動作量検出部１０１で検出された複数の部分の動作量、音量検出部１０２で検出された音量、及び入力部１５０を用いて入力された抑制情報に基づいて、患者の異常のレベル（異常レベル）を判定する。異常レベルは、例えば異常、正常、及び不明を含む。「異常」は、異常行動の度合いを示す複数のレベルに区分されていてもよい。具体的には、「異常」は、“きわめて異常”、“異常”、及び“やや異常”などのレベルに区分されていてもよい。あるいは、「異常」は、“異常レベル１”から“異常レベル５”などに区分されていてもよい。異常レベルは、異常の程度を表していればよく、異常レベルの表現手法は特に限定されない。異常レベルは、例えばスコアなどの数値で表現されていてもよい。異常レベルは、患者の動きに基づいて判断できる患者の不穏状態のレベル（不穏レベル）に関連する。この場合、レベルが強いほど、問題行動を起こす確率が高かったり、重度の問題を起こす可能性が高かったりする。異常レベル判定部１０３は、図１の異常レベル判定手段１２に対応する。

異常レベル判定部１０３は、例えば動作量及び音量から異常レベルを計算するための識別モデルを用いて異常レベルを判定（計算）する。図６は、異常レベルの計算を模式的に示す。異常レベル判定部１０３は、識別モデル２１０に、複数の部分の動作量２０１と、音量２０２とを入力する。識別モデル２１０には、例えば線形モデルが用いられる。識別モデルは線形モデルには限定されず、より複雑なモデルが用いられてもよい。

例えば、異常レベル判定部１０３は、異常レベル（不穏レベル）Ｌを、下記式を用いて計算する。
Ｌ＝αｕＭｕ＋αｍＭｍ＋αｌＭｌ＋βＶ （１）
上記式において、Ｍｕは上部の動作量を示し、Ｍｍは中部の動作量を示し、Ｍｌは下部の動作量を示し、Ｖは音量を示す。また、αｕは上部の動作量係数を示し、αｍは中部の動作量係数を示し、αｌは下部の動作量係数を示し、βは音量係数を示す。上記式において、αｕ、αｍ、αｌ、及びβは識別モデル２１０に相当する。

例えば、患者の動作量が少なく、かつ音量が小さい場合、上記識別モデル２１０は「正常」を示す値を出力する。一方、動作量が大きく、かつ音量が大きい場合、識別モデル２１０は、「異常」を示す値を出力する。識別モデル２１０は、突発的な動きが多い場合、或いは繰り返し動作が多い場合に、「異常」を示す値を出力してもよい。また、識別モデル２１０は、突発的な発言が多い場合も、「異常」である旨を示す値を出力してもよい。上記の場合であっても、患者の動作が、あらかじめ登録された所定の動作に該当する場合は、異常レベル判定部１０３は、不穏レベルの値を「正常」である旨を示す値にしてもよい。所定の動作としては、例えば、ナースコールを押して看護師が来るまで待ち、その後トイレに行くなどの動作が考えられる。これらの動作は、上記式１に示されるような識別モデルで表すことができる。

ここで、患者の各部分の動作量は、患者の抑制状態に応じて変化し得る。例えば患者に「上肢抑制」がなされている場合、身体抑制がない場合に比べて、特に中部の動作量が減少すると考えられる。本実施形態において、異常レベル判定部１０３は、不穏レベルの計算に使用する識別モデル２１０を、抑制情報２０３に応じて選択する。具体的には、異常レベル判定部１０３は、特に上記の動作量係数αｕ、αｍ、及びαｌの値を抑制情報２０３に応じて変化させ、抑制状態に応じて不穏レベルの計算を変化させる。

図７は、抑制情報と動作量係数αｕ、αｍ、及びαｌとの対応関係を示す。図７に示されるαｕ＿０～αｕ＿１２、αｍ＿０～αｍ＿１２、及びαｌ＿０～αｌ＿１２は、任意の実数を示す。異常レベル判定部１０３は、抑制情報２０３を参照して患者に対してどの種別の身体抑制がなされているのかを調べ、図７に示されるテーブルを参照して、身体抑制の種別に応じて、動作量係数αｕ、αｍ、及びαｌの値を決定する。異常レベル判定部１０３は、例えば患者に身体抑制がなされていない場合は、動作量係数αｕ、αｍ、及びαｌの値を、それぞれαｕ＿０、αｍ＿０、及びαｌ＿０とする。異常レベル判定部１０３は、患者に「体幹抑制」及び「ミトン抑制」がなされている場合は、動作量係数αｕ、αｍ、及びαｌの値を、それぞれαｕ＿６、αｍ＿６、及びαｌ＿６とする。このように動作量係数αｕ、αｍ、及びαｌの値を、抑制情報２０３に基づいて決定することで、身体抑制の種別に応じた識別モデルを用いて不穏レベルを計算することができる。

上記識別モデルは、例えば動作量検出部１０１が検出した動作量、及び音量検出部１０２が検出した音量を説明変数とし、医療者が入力した異常か否かを示す情報（ラベル）を目的変数として機械学習を行うことで生成できる。例えば、抑制状態ごとに、検出された動作量及び音量と、入力部１５０などを用いて医療者が入力したラベルとを含む学習用データを用意し、学習データを用いて機械学習を行うことで、各抑制状態に対応した識別モデルを生成できる。

図８は、異常レベル判定部１０３が計算した不穏レベルを示す。図８において、横軸は時間を表し、縦軸は不穏レベルを表す。ここでは、不穏レベルは、レベル２が最大であり、レベル０が最小であるとする。レベル２は、不穏状態の度合いが最も大きい、又は不穏状態である可能性が最も高いことを示す。レベル０は、患者の状態は不穏状態ではない（正常である）、又は不穏状態である可能性が最も低いことを示す。異常レベル判定部１０３は、例えば各時刻における動作量及び音量を識別モデル２１０（図６を参照）に適用し、各時刻において不穏レベルを計算する。

出力部（出力手段）１０４は、異常レベル判定部１０３が判定した異常レベルを出力する。出力部１０４は、例えば、異常レベル判定部１０３が計算した不穏レベルを、時系列的に出力する。出力部１０４は、異常レベル判定部１０３が計算した不穏レベルを、センサ群１３０に含まれる内面状態を測定するセンサのセンサデータにラベルとして付与し、図示しない記憶装置などに蓄積してもよい。あるいは、出力部１０４は、不穏レベルがしきい値以上の場合に、医療者などに患者が不穏状態である旨を通知してもよい。その場合、出力部１０４は、例えば、医療者などが所持するスマートフォンやタブレットなどの携帯型情報端末装置の表示画面に、患者が不穏状態である旨を表示してもよい。あるいは、出力部１０４は、医療者などが装着しているイヤホンなどを用いて、患者が不穏状態である旨を音声で通知してもよい。さらに、出力部１０４は、ナースステーションなどに設置されているモニターに患者が不穏状態である旨を表示してもよいし、ナースステーションなどに設置されているスピーカを用いて、患者が不穏状態である旨を通知してもよい。

出力部１０４が通知を行う場合の判断基準となるしきい値は、固定値ではなく、動的に変更されてもよい。しきい値は、例えば、入力部１５０を用いて医療者などが入力した、患者が異常な状態であるか否かを示す情報に基づいて決定できる。医療者は、患者が不穏状態である旨の通知を受けて患者を見に行き、実際に患者が不穏状態であったか否かを示す情報を異常判定装置１００に入力する。出力部１０４は、実際には患者が不穏状態でなかった場合には、しきい値を現在のしきい値より大きくしてもよい。逆に、患者が不穏状態である旨の通知がない場合に、実際には患者が不穏状態であった場合は、しきい値を、現在のしきい値より小さくしてもよい。しきい値の変更は、医療者が複数回情報を入力した後に行ってもよい。

続いて動作手順を説明する。図９は、異常判定装置１００における動作手順（異常判定方法）を示す。動作量検出部１０１は、カメラ１２０及びセンサ群１３０から画像データ及びセンサデータを取得する（ステップＡ１）。また、音量検出部１０２は、マイク１４０から音声データを取得する。動作量検出部１０１は、カメラ１２０及びセンサ群１３０から取得されたデータに基づいて、患者の複数の部分の動作量を検出する（ステップＡ２）。また、音量検出部１０２は、取得した音声データに基づいて、患者の近辺における音量を検出する。異常レベルの判定に音量が用いられない場合は、音声データの取得及び音量の検出は省略できる。

異常レベル判定部１０３は、動作量検出部１０１で検出された複数の部分の動作量、及び音量検出部１０２で検出された音量を取得する。また、異常レベル判定部１０３は、入力部１５０を用いて入力された抑制情報を取得する（ステップＡ３）。異常レベル判定部１０３は、患者の複数の部分の動作量、音量、及び抑制情報に基づいて、異常レベルを判定する（ステップＡ４）。異常レベル判定部１０３は、ステップＡ４では、例えば抑制情報に基づいて識別モデルを選択し、選択した識別モデルに患者の複数の部分の動作量、及び音量を適用することで、異常レベルを計算する。出力部１０４は、異常レベルの計算結果を出力する（ステップＡ５）。

異常レベル判定部１０３は、異常レベルの判定に先立って、患者が覚醒状態であるか、又は非覚醒状態であるかを判断してもよい。覚醒状態であるか否かは、患者のベッド上での動作、或いは目の動きなどで判断できる。異常レベル判定部１０３は、患者が非覚醒状態である場合は、患者が正常であると判断し、異常レベルの値を「正常」を示す値にしてもよい。異常レベル判定部１０３は、その後、所定時間だけ待機した後、患者が覚醒状態であるか、又は非覚醒状態であるかを判断してもよい。異常レベル判定部１０３は、患者が覚醒状態であると判断した場合にステップＡ４を実行し、異常レベルを判定してもよい。

なお、病院においては、ベッドに寝ている患者にシーツなどが掛けられ、画像データのみからでは、身体の部位や動作を判定することが容易ではないことが考えられる。また、シーツが掛けられていない場合でも、消灯時には、近赤外線カメラで撮影された白黒映像の画像データがカメラ１２０から出力される場合がある。その場合、動作量検出部１０１において、身体の部位の判定、すなわち頭部や手、足の位置の特定が困難になることが考えられる。

図１０は、ベッドに横たわる患者を示す。この例では、患者にシーツが掛けられており、ベッドの真上から撮影した画像データにおいて、患者の胴体の大部分、及び手足は隠れている。このような場合、動作量検出部１０１は、画像データの領域を複数の領域に分割し、各領域における画素値の変化量に基づいて、各領域に対応した患者の部分の動作量を検出してもよい。例えば、動作量検出部１０１は、ベッドの領域を上部、中部、及び下部に分け、各部において画素値の変化量を計算する。具体的には、図１０に示されるように、例えばベッドの領域を上方（頭部側）から２：４：４の割合で区切り、各部を上部、中部、及び下部に割り当てる。動作量検出部１０１は、各部における画素値の変化量を計算し、画素の変化量を、各部における動作量として検出してもよい。割合は、該当患者にシーツが掛けられていない状態で得られた上部、中部、下部の比を用いて決定されてもよい。

本実施形態では、異常レベル判定部１０３は、患者の動作量、音量、及び抑制情報に基づいて、患者の異常レベルを判定する。異常レベル判定部１０３は、例えば抑制情報に応じて異常レベルの判定に用いられる識別モデルを選択し、選択した識別モデルに動作量及び音量を適用して異常レベルを判定する。このようにすることで、抑制状態が変化し、動作量と異常状態との相関関係が変化した場合でも、変化後の抑制状態において、患者の異常レベルを正確に判定できる。従って、本実施形態では、患者の異常状態の検出の精度を向上することができる。

次いで、本開示の第２実施形態を説明する。本実施形態では、生体情報処理システムが提供される。図１１は、生体情報処理システムを示す。生体情報処理システム３００は、生体情報処理装置（不穏識別装置）３１０、センサ群３２０、識別モデル記憶部３３０、及び通知部３４０を含む。不穏識別装置３１０は、例えばメモリとプロセッサとを含むコンピュータ装置として構成される。識別モデル記憶部３３０は、例えばＨＤＤ（Hard Disk Drive）やＳＳＤ（Solid State Drive）などの記憶装置として構成される。

センサ群３２０は、例えば患者などの監視対象者の生体情報（センサデータ）を取得する１以上のセンサを含む。センサデータは、例えば、心拍、呼吸、血圧、体温、意識レベル、皮膚温度、皮膚コンダクタンス反応、心電波形、及び脳波波形を含む群から選択されたデータを含む。

識別モデル記憶部３３０は、識別モデルを記憶する。識別モデルは、センサ群３２０から得られたセンサデータに基づいて、不穏状態のレベルを示す情報を生成するための識別モデル（識別パラメータ）である。不穏状態のレベルは、例えば、不穏状態、正常、及びそれらのどちらでもない不明を含む。不穏状態は、複数のレベル値として表されていてもよい。例えば、不穏状態は、３段階のレベル（強い不穏状態、中程度の不穏状態、弱い不穏状態）で表されていてもよい。この場合、レベルが強いほど、問題行動を起こす確率が高かったり、重度の問題を起こす可能性が高かったりする。不明は、不穏状態なのか正常なのか容易には判断できない状態である。識別モデルは、例えば過去のセンサデータと、過去の不穏状態又は非不穏状態との関係を学習することで生成される。

不穏識別装置３１０は、特徴量抽出部３１１、及び内面状態識別部３１２を有する。特徴量抽出部３１１は、センサ群３２０からセンサデータを取得し、取得したセンサデータから特徴量を抽出する。特徴量抽出部は、例えば心拍値の特徴量として、一定期間内の平均値、分散（標準偏差）、平均値と現在値との差分、微分値、二階微分値、一定時間内の特定の周波数成分、及び異なる周波数成分の比の少なくとも１つを抽出（算出）する。特徴量抽出部３１１は、体温値の特徴量として、一定期間内の平均値、分散（標準偏差）、平均値と現在値との差分、微分値、及び二階微分値の少なくとも１つを算出する。特徴量抽出部３１１は、抽出した特徴量を、時系列で出力する。内面状態識別部３１２は、特徴量抽出部３１１で抽出された特徴量と、識別モデル記憶部３３０に記憶される識別モデルとに基づいて、患者の内面状態（不穏状態）を識別する。内面状態識別部３１２は、例えば不穏状態のレベルを示すスコア（不穏スコア）を、不穏状態の識別結果として出力する。

通知部３４０は、内面状態識別部３１２が識別した不穏状態の識別結果を、医療者などに通知する。通知部３４０は、例えば内面状態識別部３１２が出力する不穏スコアが所定の値以上の場合に、医療者などに患者が不穏状態である旨を通知してもよい。通知部３４０は、例えばランプ、画像表示装置、及びスピーカの少なくとも１つを含み、光、画像情報、及び音の少なくとも１つを用いて、医療者などに患者が不穏状態である旨を通知してもよい。具体的に、通知部３４０は、医療者などが所持するスマートフォンやタブレットなどの携帯型情報端末装置の表示画面に、患者が不穏状態である旨を表示してもよい。あるいは、通知部３４０は、医療者などが装着しているイヤホンなどに、音声で患者が不穏状態である旨を通知してもよい。さらに、通知部３４０は、ナースステーションなどに設置されているモニターに患者が不穏状態である旨を表示してもよいし、ナースステーションなどに設置されているスピーカを用いて、患者が不穏状態である旨を通知してもよい。通知部３４０が、患者が問題行動を起こす前の不穏状態であるときに、不穏状態を医療者に通知することで、医療者などは、患者が問題行動を起こす前に患者のケアを実施することができる。

図１２は、不穏スコアの具体例を示す。図１２に示されるグラフにおいて、縦軸は不穏スコアを表し、横軸は時間を表す。図１２に示されるグラフは、ある時間のセンサデータに対し、内面状態識別部３１２において識別モデルが適用された結果として得られる不穏スコアの時間変化を表す。この例では、不穏スコアは、０から３の値を取る。不穏スコア「０」は不穏状態ではない（正常）、又は不穏状態である可能性が最も低いことを表しているものとする。また、不穏スコア「３」は不穏状態の度合いが最も強い、又は不穏状態である可能性が最も高いことを表しているものとする。このような識別モデルは、例えば正常状態の場合に付与されるラベルを「０」とし、不穏状態の場合に付与されるラベルを「３」とする学習用データを用いて学習を行うことで生成される。

内面状態識別部３１２は、時々刻々と変化し得るセンサデータから抽出された特徴量を識別モデルに適用し、不穏スコアを時系列に出力する。通知部３４０は、例えば不穏スコアが所定の値、例えば２以上の場合、患者が不穏状態にある旨を医療者などに通知する。通知の判断基準となるしきい値は、使用される識別モデルや他の条件などに応じて適宜設定され得る。通知を受けた医療者は、患者の様子を確認しに行くことができる。医療者は、例えばベッド脇に配置されたタブレットなどの端末装置を用いて、実際に患者が不穏状態であるのか、実際には患者は不穏状態ではないのかを示す情報を入力してもよい。また、医療者は、例えばベッド脇に配置されたタブレットなどの端末装置を用いて、声掛けやベッド調整などの患者に処置した内容に関する情報を入力してもよい。

図１３は、識別モデルの学習に用いられるシステムを示す。このシステム４００は、異常判定装置１００、特徴量抽出部３１１、識別モデル記憶部３３０、学習用データ記憶部４１０、及び学習装置４５０を有する。異常判定装置１００は、図２に示される異常判定装置１００と同様でよい。なお、図１３においては、動作量検出部１０１、及び音量検出部１０２などは図示を省略している。特徴量抽出部３１１及び識別モデル記憶部３３０は、それぞれ図１１に示される不穏識別装置３１０の特徴量抽出部３１１、及び識別モデル記憶部３３０と同様でよい。学習用データ記憶部４１０は、例えばＨＤＤやＳＳＤなどの記憶装置として構成される。

異常判定装置１００の出力部１０４は、異常レベル判定部１０３が判定した異常レベルを時系列で出力する。学習用データ記憶部４１０は、特徴量抽出部３１１が抽出した特徴量と、異常判定装置１００から出力された異常レベルとを、学習用データとして記憶する。学習用データにおいて、異常判定装置１００から出力された異常レベルは、特徴量抽出部が抽出した特徴量に、ラベルとして付与される。学習用データ記憶部４１０には、各時刻において特徴量抽出部３１１が抽出した特徴と、各時刻における異常レベルの判定結果とが、学習用データとして蓄積される。

学習装置４５０は、学習用データ記憶部４１０に記憶される学習用データを用いて、例えば教師あり学習で、センサ群３２０（図１１を参照）から得られセンサデータに基づいて、不穏状態のレベルを示す情報を生成するための識別モデルを生成する。学習装置４５０は、生成した識別モデルを識別モデル記憶部３３０に記憶する。識別モデル記憶部３３０に記憶される識別モデルは、図１１に示される不穏識別装置３１０において、内面状態の識別に使用される。

続いて、生体情報処理システム３００における動作手順（生体情報処理方法）を説明する。図１４は、動作手順を示す。不穏識別装置３１０の特徴量抽出部３１１は、センサ群３２０から生体情報（センサデータ）を取得する（ステップＢ１）。特徴量抽出部３１１は、取得したセンサデータから特徴量を抽出する（ステップＢ２）。内面状態識別部３１２は、ステップＢ２で抽出された特徴量を、識別モデル記憶部３３０に記憶される識別モデルに適用し、不穏スコアを計算する（ステップＢ３）。

通知部３４０は、ステップＢ３で計算された不穏スコアに基づいて、患者が不穏状態であるか否かを判断する（ステップＢ４）。通知部３４０は、ステップＢ４では、例えば不穏スコアがしきい値以上であるか否かを判断し、しきい値以上の場合、患者が不穏状態であると判断する。ステップＢ４において不穏状態ではないと判断された場合、処理はステップＢ１に戻り、生体情報の取得が継続される。通知部３４０は、ステップＢ４において患者が不穏状態であると判断した場合、医療者などに、患者が不穏状態である旨を通知する（ステップＢ５）。

本実施形態において、異常判定装置１００が出力する不穏レベルは、学習用データのラベルとして用いられる。システム４００において、学習用データ記憶部４１０には、特徴量抽出部３１１が抽出した特徴と、異常判定装置１００が出力する不穏レベルとが、学習用データとして蓄積される。このように蓄積された学習用データを用いて識別モデルの生成を行うことで、センサ群３２０を用いて取得された生体情報から患者の不穏状態を識別する識別モデルにおける識別結果の精度を向上できると考えられる。通知部３４０が、患者が問題行動を起こす前の不穏状態であるときに、識別モデルを用いて患者が不穏状態であると判断される場合に、患者が不穏状態である旨を医療者に通知することで、医療者などは、患者が問題行動を起こす前に患者のケアを実施することができる。

ここで、患者の不穏状態として、静かな不穏状態と、激しい不穏状態とがあることはよく知られている。静かな不穏状態は内面的な異常であり、激しい不穏状態は動作としての異常である。不穏状態に伴う異常動作レベル（動作要素）と、内面的な不穏状態のレベル（内面要素）とは相関する。すなわち、内面的な異常が大きいと、異常動作を起こしやすい。

図１５は、動作要素及び内面要素の具体例を示す。図１５において、横軸は時間を表し、縦軸は異常動作レベル及び内面的な不穏状態のレベルの大きさを示す。図１５において、グラフ（ａ）は動作要素、つまり不穏状態に伴う異常動作レベルを示す。グラフ（ｂ）は、内面要素、つまり内面的な不穏状態のレベルを示す。本実施形態において、不穏識別装置３１０の内面状態識別部３１２が識別する不穏レベルは、内面的な不穏状態のレベルに対応する。不穏識別装置３１０を用いて内面要素を検出することで、医療者などは、異常動作が発生する前に不穏状態を検知することができ、移動動作が発生する前に処置などを行うことが可能となる。

なお、上記各実施形態において、異常判定装置１００の機能、生体情報処理システム３００における各部の機能、及び学習装置４５０の機能は、ハードウェアを用いて実現されていてもよいし、ソフトウェアを用いて実現されていてもよい。また、異常判定装置１００の機能、生体情報処理システム３００における各部の機能、及び学習装置４５０の機能は、ハードウェアとソフトウェアとを組み合わせることで実現されていてもよい。

図１６は、異常判定装置１００、不穏識別装置３１０、及び学習装置４５０に用いられ得る情報処理装置（コンピュータ装置）の構成例を示す。情報処理装置５００は、制御部（ＣＰＵ：Central Processing Unit）５１０、記憶部５２０、ＲＯＭ（Read Only Memory）５３０、ＲＡＭ（Random Access Memory）５４０、通信インタフェース（ＩＦ：Interface）５５０、及びユーザインタフェース５６０を有する。

通信インタフェース５５０は、有線通信手段又は無線通信手段などを介して、情報処理装置５００と通信ネットワークとを接続するためのインタフェースである。ユーザインタフェース５６０は、例えばディスプレイなどの表示部を含む。また、ユーザインタフェース５６０は、キーボード、マウス、及びタッチパネルなどの入力部を含む。

記憶部５２０は、各種のデータを保持できる補助記憶装置である。記憶部５２０は、必ずしも情報処理装置５００の一部である必要はなく、外部記憶装置であってもよいし、ネットワークを介して情報処理装置５００に接続されたクラウドストレージであってもよい。ＲＯＭ５３０は、不揮発性の記憶装置である。ＲＯＭ５３０には、例えば比較的容量が少ないフラッシュメモリなどの半導体記憶装置が用いられる。ＣＰＵ５１０が実行するプログラムは、記憶部５２０又はＲＯＭ５３０に格納され得る。

上記プログラムは、様々なタイプの非一時的なコンピュータ可読媒体を用いて格納され、情報処理装置５００に供給することができる。非一時的なコンピュータ可読媒体は、様々なタイプの実体のある記憶媒体を含む。非一時的なコンピュータ可読媒体の例は、例えばフレキシブルディスク、磁気テープ、又はハードディスクなどの磁気記録媒体、例えば光磁気ディスクなどの光磁気記録媒体、ＣＤ（compact disc）、又はＤＶＤ（digital versatile disk）などの光ディスク媒体、及び、マスクＲＯＭ、ＰＲＯＭ（programmable ROM）、ＥＰＲＯＭ（erasable PROM）、フラッシュＲＯＭ、又はＲＡＭなどの半導体メモリを含む。また、プログラムは、様々なタイプの一時的なコンピュータ可読媒体を用いてコンピュータに供給されてもよい。一時的なコンピュータ可読媒体の例は、電気信号、光信号、及び電磁波を含む。一時的なコンピュータ可読媒体は、電線及び光ファイバなどの有線通信路、又は無線通信路を介して、プログラムをコンピュータに供給できる。

ＲＡＭ５４０は、揮発性の記憶装置である。ＲＡＭ５４０には、ＤＲＡＭ（Dynamic Random Access Memory）又はＳＲＡＭ（Static Random Access Memory）などの各種半導体メモリデバイスが用いられる。ＲＡＭ５４０は、データなどを一時的に格納する内部バッファとして用いられ得る。ＣＰＵ５１０は、記憶部５２０又はＲＯＭ５３０に格納されたプログラムをＲＡＭ５４０に展開し、実行する。ＣＰＵ５１０がプログラムを実行することで、図２に示される異常判定装置１００の動作量検出部１０１、音量検出部１０２、異常レベル判定部１０３、及び出力部１０４の少なくとも一部の機能が実現される。また、図１１に示される不穏識別装置３１０の特徴量抽出部３１１及び内面状態識別部３１２の少なくとも一部の機能が実現される。あるいは、図１３に示される学習装置４５０の機能が実現される。ＣＰＵ５１０は、データなどを一時的に格納できる内部バッファを有してもよい。

以上、本開示の実施形態を詳細に説明したが、本開示は、上記した実施形態に限定されるものではなく、本開示の趣旨を逸脱しない範囲で上記実施形態に対して変更や修正を加えたものも、本開示に含まれる。

例えば、上記の実施形態の一部又は全部は、以下の付記のようにも記載され得るが、以下には限られない。

［付記１］
監視対象者の複数の部分について動作量を検出する動作量検出手段と、
前記複数の部分の動作量、及び、前記監視対象者の抑制状態を示す抑制情報に基づいて、前記監視対象者の異常のレベルを判定する異常レベル判定手段とを備える異常判定装置。

［付記２］
前記抑制情報は、前記監視対象者になされる抑制の種別を示す情報を含む付記１に記載の異常判定装置。

［付記３］
前記抑制情報は、前記監視対象者に、前記種別を示す情報で示される種別の抑制がなされる時間帯に関する情報を更に含む付記２に記載の異常判定装置。

［付記４］
前記監視対象者が発する音、及び前記監視対象者の行動に起因して生じる音の少なくとも一方の音量を検出する音量検出手段を更に備え、
前記異常レベル判定手段は、前記複数の部分の動作量、前記音量、及び、前記監視対象者の抑制状態を示す抑制情報に基づいて、前記異常のレベルを判定する付記１から３何れか１つに記載の異常判定装置。

［付記５］
前記動作量検出手段は、前記監視対象者を撮影した画像データに基づいて、前記複数の部分について前記動作量を検出する付記１から４何れか１つに記載の異常判定装置。

［付記６］
前記動作量検出手段は、前記画像データの領域を複数の領域に分割し、各領域における画素値の変化量に基づいて、各領域に対応した前記監視対象者の部分の動作量を検出する付記５に記載の異常判定装置。

［付記７］
前記動作量検出手段は、１以上のセンサを含むセンサ群から取得されたセンサデータに基づいて、前記動作量を検出する付記１から６何れか１つに記載の異常判定装置。

［付記８］
前記異常レベル判定手段は、前記監視対象者が覚醒状態であるか非覚醒状態であるかを判断し、非覚醒状態である場合は、前記監視対象者が正常であると判定する付記１から７何れか１つに記載の異常判定装置。

［付記９］
前記異常レベル判定手段は、前記抑制情報に基づいて、前記複数の部分の動作量から前記異常のレベルを計算するための識別モデルを選択し、該選択した識別モデルに前記複数の部分の動作量を適用して前記異常のレベルを判定する付記１から８何れか１つに記載の異常判定装置。

［付記１０］
前記異常レベル判定手段は、前記監視対象者になされる抑制の種別と前記異常のレベルの判定に用いられる識別モデルとを対応付けて記憶するテーブルを参照して前記識別モデルを選択する付記９に記載の異常判定装置。

［付記１１］
前記識別モデルは、前記動作量と、前記監視対象者の異常の度合いを示すラベルとを含む学習用データを用いて学習される付記９又は１０に記載の異常判定装置。

［付記１２］
前記監視対象者の生体情報と、前記異常のレベルとを対応付けて出力する出力手段を更に有する付記１から１１何れか１つに記載の異常判定装置。

［付記１３］
監視対象者の複数の部分について動作量を検出し、
前記複数の部分の動作量、及び、前記監視対象者の抑制状態を示す抑制情報に基づいて、前記監視対象者の異常のレベルを判定する異常判定方法。

［付記１４］
監視対象者の複数の部分について動作量を検出し、
前記複数の部分の動作量、及び、前記監視対象者の抑制状態を示す抑制情報に基づいて、前記監視対象者の異常のレベルを判定するための処理をコンピュータに実施させるためのプログラムを記憶するコンピュータ可読媒体。

１０：異常判定装置
１１：動作量検出手段
１２：異常レベル判定手段
３０：抑制情報
１００：異常判定装置
１０１：動作量検出部
１０２：音量検出部
１０３：異常レベル判定部
１０４：出力部
１２０：カメラ
１３０：センサ群
１４０：マイク
１５０：入力部
２０１：動作量
２０２：音量
２０３：抑制情報
２１０：識別モデル
３００：生体情報処理システム
３１０：不穏識別装置
３１１：特徴量抽出部
３１２：内面状態識別部
３２０：センサ群
３３０：識別モデル記憶部
３４０：通知部
４００：システム
４１０：学習用データ記憶部
４５０：学習装置

Claims (14)

1. 監視対象者の複数の部分について動作量を検出する動作量検出手段と、
   前記複数の部分の動作量、及び、前記監視対象者の抑制状態を示す抑制情報に基づいて、前記監視対象者の異常のレベルを判定する異常レベル判定手段とを備える異常判定装置。
2. 前記抑制情報は、前記監視対象者になされる抑制の種別を示す情報を含む請求項１に記載の異常判定装置。
3. 前記抑制情報は、前記監視対象者に、前記種別を示す情報で示される種別の抑制がなされる時間帯に関する情報を更に含む請求項２に記載の異常判定装置。
4. 前記監視対象者が発する音、及び前記監視対象者の行動に起因して生じる音の少なくとも一方の音量を検出する音量検出手段を更に備え、
   前記異常レベル判定手段は、前記複数の部分の動作量、前記音量、及び、前記監視対象者の抑制状態を示す抑制情報に基づいて、前記異常のレベルを判定する請求項１から３何れか１項に記載の異常判定装置。
5. 前記動作量検出手段は、前記監視対象者を撮影した画像データに基づいて、前記複数の部分について前記動作量を検出する請求項１から４何れか１項に記載の異常判定装置。
6. 前記動作量検出手段は、前記画像データの領域を複数の領域に分割し、各領域における画素値の変化量に基づいて、各領域に対応した前記監視対象者の部分の動作量を検出する請求項５に記載の異常判定装置。
7. 前記動作量検出手段は、１以上のセンサを含むセンサ群から取得されたセンサデータに基づいて、前記動作量を検出する請求項１から６何れか１項に記載の異常判定装置。
8. 前記異常レベル判定手段は、前記監視対象者が覚醒状態であるか非覚醒状態であるかを判断し、非覚醒状態である場合は、前記監視対象者が正常であると判定する請求項１から７何れか１項に記載の異常判定装置。
9. 前記異常レベル判定手段は、前記抑制情報に基づいて、前記複数の部分の動作量から前記異常のレベルを計算するための識別モデルを選択し、該選択した識別モデルに前記複数の部分の動作量を適用して前記異常のレベルを判定する請求項１から８何れか１項に記載の異常判定装置。
10. 前記異常レベル判定手段は、前記監視対象者になされる抑制の種別と前記異常のレベルの判定に用いられる識別モデルとを対応付けて記憶するテーブルを参照して前記識別モデルを選択する請求項９に記載の異常判定装置。
11. 前記識別モデルは、前記動作量と、前記監視対象者の異常の度合いを示すラベルとを含む学習用データを用いて学習される請求項９又は１０に記載の異常判定装置。
12. 前記監視対象者の生体情報と、前記異常のレベルとを対応付けて出力する出力手段を更に有する請求項１から１１何れか１項に記載の異常判定装置。
13. 異常判定装置の動作方法であって、
    前記異常判定装置が、監視対象者の複数の部分について動作量を検出し、
    前記異常判定装置が、前記複数の部分の動作量、及び、前記監視対象者の抑制状態を示す抑制情報に基づいて、前記監視対象者の異常のレベルを判定することを含む異常判定装置の動作方法。
14. 監視対象者の複数の部分について動作量を検出し、
    前記複数の部分の動作量、及び、前記監視対象者の抑制状態を示す抑制情報に基づいて、前記監視対象者の異常のレベルを判定するための処理をコンピュータに実施させるためのプログラム。

Images