JP7243439B2 - 食事リスク判定方法、食事リスク判定プログラムおよび情報処理装置 - Google Patents

Description

本発明は、食事リスク判定方法、食事リスク判定プログラムおよび情報処理装置に関する。

介護現場では、嚥下障害などにより窒息リスクが高まることがあるので、食事の付添に多くの時間を取られている。嚥下障害を予防する手法としては、首を左右に倒すや口を膨らますなどの嚥下体操を食事前に行うことで、唾液の分泌を促して喉のつまりを防ぐ手法が利用されている。また、食事前の会話時間などで顔を動かくした時間も嚥下体操と同様の効果があることから、会話時間を長くとるなどの手法も利用されている。近年では、食事に揮発性化合物を混入させて、呼気中における揮発性化合物の存在を測定して、被介護者の嚥下機能を測定する手法も知られている。

特開２０１２－５４４６５９号公報

しかしながら、上記技術は、食事に揮発性化合物を混入させたり、揮発性化合物の存在を測定したり、特別な装置が要求されるので、簡単に利用することができず、汎用的に利用して被介護者の嚥下障害を検出することが難しい。

なお、食事をつまらせないために、とろみ剤を食事に入れることも考えられるが、触感が失われることから、食事に満足感が得られず、被介護者にとって負担が大きいので、積極的に利用することが難しい。

一つの側面では、被介護者の嚥下障害を検出することができる食事リスク判定方法、食事リスク判定プログラムおよび情報処理装置を提供することを目的とする。

第１の案では、食事リスク判定方法は、コンピュータが、食事を飲み込む際の一連の動作を構成する複数の口腔機能の中で、予め設定された基準を満たしていない被介護者の口腔機能である不足機能を特定する処理を実行する。リスク判定方法は、コンピュータが、前記被介護者を撮像した画像データに基づいて、前記不足機能に対応する動作を食事前に実行しているか否かを判定する処理を実行する。リスク判定方法は、コンピュータが、判定結果に基づいて、嚥下障害のリスクに関するアラートを報知する処理を実行する。

一つの側面では、被介護者の嚥下障害を検出することができる。

図１は、実施例１にかかる情報処理装置の全体例を説明する図である。 図２は、実施例１にかかる情報処理装置の機能構成を示す機能ブロック図である。 図３は、口腔機能の一例を説明する図である。 図４は、各機能の基準モデルの生成を説明する図である。 図５は、不足している口腔機能の特定を説明する図である。 図６は、学習データの生成を説明する図である。 図７は、学習モデルの生成を説明する図である。 図８は、嚥下障害の予測を説明する図である。 図９は、嚥下障害の予測を説明する図である。 図１０は、処理の流れを示すフローチャートである。 図１１は、ハードウェア構成例を説明する図である。

以下に、本願の開示する食事リスク判定方法、食事リスク判定プログラムおよび情報処理装置の実施例を図面に基づいて詳細に説明する。なお、この実施例によりこの発明が限定されるものではない。また、各実施例は、矛盾のない範囲内で適宜組み合わせることができる。

［情報処理装置の説明］
図１は、実施例１にかかる情報処理装置１０の全体例を説明する図である。図１に示す情報処理装置１０は、被介護者の画像データや介護日誌などを利用して、食事前に被介護者の嚥下障害のリスクを予測し、介護者に通知することで、介護者の負担軽減と被介護者の窒息リスクの低減を実現するコンピュータ装置である。具体的には、図１に示すように、情報処理装置１０は、事前フェーズと、学習フェーズと、予測フェーズとを実行する。

例えば、事前フェーズでは、情報処理装置１０は、複数の被介護者のデータを用いて、食事を飲み込む際の一連の動作を構成する複数の口腔機能の状態を判定するための指標である基準モデルを生成する。

続いて、学習フェーズでは、情報処理装置１０は、複数の口腔機能それぞれに対応する各基準モデルと対象者（被介護者）の各口腔機能の状態とを比較し、基準を満たさない対象者の口腔機能（以降では、不足機能と記載する場合がある）を特定する。そして、情報処理装置１０は、特定された各不足機能について、対象者の嚥下障害を予測するための学習モデルを生成する。

その後、予測フェーズでは、情報処理装置１０は、学習済みの各学習モデルを用いて、判定当日の対象者の不足機能の状態を予測する。そして、情報処理装置１０は、嚥下障害の発生リスクがあることが予測されると、介護者にアラートを報知する。

このように、情報処理装置１０は、被介護者ごとに、不足機能を特定し、不足機能に対応する学習モデルを学習して、不足機能に対してのみ嚥下障害の発生リスクを予測することができる。この結果、情報処理装置１０は、被介護者の負担を軽減しつつ、被介護者の嚥下障害を検出することができる。なお、ここでは、情報処理装置１０が各フェーズを実行する例を説明したが、これに限定されるものではなく、各フェーズを別々の情報処理装置が実行することもできる。

［機能構成］
図２は、実施例１にかかる情報処理装置１０の機能構成を示す機能ブロック図である。図２に示すように、情報処理装置１０は、通信部１１、記憶部１２、制御部２０を有する。

通信部１１は、他の装置との間の通信を制御する処理部であり、例えば通信インタフェースなどである。例えば、通信部１１は、介護者のタブレット、スマートフォンなどのコンピュータ装置にアラートを送信したり、介護者や管理者などから処理開始の指示を受信したりする。

記憶部１２は、各種データや制御部２０が実行するプログラムなどを記憶する記憶装置の一例であり、例えばメモリやハードディスクなどである。この記憶部１２は、履歴情報ＤＢ１３、測定値ＤＢ１４、学習データＤＢ１５、学習結果ＤＢ１６を記憶する。

履歴情報ＤＢ１３は、被介護者ごとに、被介護者の画像データを記憶するデータベースである。例えば、履歴情報ＤＢ１３は、各被介護者に対応付けて、食事を飲み込む際の一連の動作を構成する複数の口腔機能それぞれを実行したときの画像データを記憶する。

測定値ＤＢ１４は、被介護者ごとに、上記複数の口腔機能の測定結果を記憶するデータベースである。具体的には、測定値ＤＢ１４は、可動域訓練を行う各口腔周囲筋の測定結果、嚥下訓練を行う各嚥下機能の測定結果、筋力負荷訓練を行う各咀嚼機能の測定結果などを記憶する。

図３は、口腔機能の一例を説明する図である。図３に示すように、口腔機能は、複数の訓練項目を含み、各訓練項目は、複数の機能に細分化される。また、各機能は、当該機能が正常か否かを判定するための判定方法と判定条件とが定義されている。

可動域訓練は、舌や航空周囲の可動域の状態を測定するものであり、口腔周囲筋Ａ、口腔周囲筋Ｂ、口腔周囲筋Ｃ、口腔周囲筋Ｄの各機能を有する。口腔周囲筋Ａは、舌を顎先（または鼻先）に届かせるように突出させた状態を、１０秒間のうち維持できた割合により判定される。口腔周囲筋Ｂは、“ア”の発音と同様に、口を大きく開けた状態を、１０秒間のうち維持できた割合により判定される。口腔周囲筋Ｃは、“イ”の発音と同様に、口を大きく開けた状態を、１０秒間のうち維持できた割合により判定される。口腔周囲筋Ｃの測定は、“ウ”の発音と同様に、口を大きく開けた状態を、１０秒間のうち維持できた割合により判定される。

嚥下訓練は、嚥下反射を誘発させて、嚥下動作の状態を測定するものであり、嚥下機能Ａと嚥下機能Ｂとを含む。嚥下機能Ａは、１０秒間、前口蓋弓または咽頭後壁に触れて嚥下反射を誘発させ、何秒で嚥下反射が発生したかにより測定される。嚥下機能Ｂは、１０秒間、K－pointを圧刺激して嚥下反射を誘発させ、何秒で嚥下反射が発生したかにより測定される。なお、K－pointの位置は、一般的に定義されており、臼後三角最後部やや後方の内側である。

筋力負荷訓練は、舌や航空周囲の筋力の状態を測定するものであり、咀嚼機能Ａ、咀嚼機能Ｂ、咀嚼機能Ｃの各機能を有する。咀嚼機能Ａは、１０回、スプーンを舌の上から押し、そのうち舌で押し返すことができた回数により判定される。咀嚼機能Ｂは、１０回、ストローを唇に挟んだまま引っ張り、そのうちその力に抵抗できた回数により判定される。咀嚼機能Ｃは、１０回、頬を膨らませて指でその頬を圧迫し、そのうちその力に抵抗できた回数により判定される。

学習データＤＢ１５は、被介護者ごとに、学習データを記憶するデータベースである。例えば、学習データＤＢ１５は、各被介護者の不足機能の測定値と嚥下障害の発生有無とを対応付けて記憶する。ここで、不足機能の測定値が説明変数として利用され、嚥下障害の発生有無が目的変数として利用される。

学習結果ＤＢ１６は、学習結果を記憶するデータベースである。例えば、学習結果ＤＢ１６は、学習済みの学習モデルの各種パラメータなどを記憶する。ここで記憶される各種パラメータを用いることで、学習済みの学習モデルを構築することができる。

制御部２０は、情報処理装置１０全体を司る処理部であり、例えばプロセッサなどである。この制御部２０は、撮像部３０、事前処理部４０、学習処理部５０、予測処理部６０を有する。

撮像部３０は、カメラなどの撮像機器を用いて、各被介護者の画像を撮像する処理部である。例えば、撮像部３０は、図３に示す各機能の判定方法に規定される動きを各被介護者に実行してもらい、その時の画像を撮像して、履歴情報ＤＢ１３に格納する。なお、撮像部３０は、毎日、画像を撮像して履歴情報ＤＢ１３に格納する。

事前処理部４０は、学習および予測に前もって、事前準備を行う処理部である。具体的には、事前処理部４０は、履歴情報ＤＢ１３に記憶される各被介護者の各機能の画像データを用いて、各機能が正常か否かを判定するための時系列の基準モデルを生成する。

図４は、各機能の基準モデルの生成を説明する図である。図４に示すように、事前処理部４０は、各機能の画像データを解析して各機能の状態を判定する。例えば、事前処理部４０は、被介護者である「Ａ氏」の口腔周囲筋Ａの状態を判定する場合、「舌を顎先（または鼻先）に届かせるように突出させた状態」の画像を１０回撮像する。そして、事前処理部４０は、各画像データに対して、画像解析により口や舌の座標を特定し、口や舌の可動域を特定する。その後、事前処理部４０は、１０回中、舌の可動域が閾値以上であり「舌を顎先（または鼻先）に届かせるように突出させた状態」と判定できた回数（例えば７回）を計数する。その後、事前処理部４０は、測定値ＤＢ１４におけるＡ氏の口腔周囲筋Ａに、「７／１０＝０．７」を設定する。

別例を説明すると、事前処理部４０は、被介護者である「Ｂ氏」の嚥下機能Ａの状態を判定する場合、「１０秒間、前口蓋弓または咽頭後壁に触れて嚥下反射を誘発させる状態」の画像を撮像する。そして、事前処理部４０は、当該画像データに対して、画像解析により口や喉の座標を特定し、口や喉の可動域を特定する。その後、事前処理部４０は、測定状態が開始されてから、口や喉の可動域が閾値以上であり「嚥下反射が発生した状態」と判定できた時間（例えば３秒）を計数する。その後、事前処理部４０は、測定値ＤＢ１４におけるＢ氏の嚥下機能Ａに、「３／１０＝０．３」を設定する。

さらに別例を説明すると、事前処理部４０は、被介護者である「Ａ氏」の咀嚼機能Ｂの状態を判定する場合、「ストローを唇に挟んだまま引っ張った状態」の画像を１０回撮像する。そして、事前処理部４０は、各画像データに対して、画像解析によりストローや唇の座標を特定し、ストローや唇の可動域を特定する。その後、事前処理部４０は、１０回中、ストローと唇との距離が閾値以上であり「ストローが唇から離れた状態」と判定できた回数（例えば８回）を計数する。その後、事前処理部４０は、測定値ＤＢ１４におけるＡ氏の咀嚼機能Ｂに、「（１０－８）／１０＝０．２」を設定する。

図４に戻り、このようにして、事前処理部４０は、Ａ氏やＢ氏などの各被介護者に対して、図３に示した各機能の画像データの解析を実行して、各機能の判定を実行し、その結果を測定値ＤＢ１４に格納する。その後、事前処理部４０は、機能ごとにモデリングを実行して、各機能の基準モデルを生成する。

例えば、事前処理部４０は、口腔周囲筋Ａの基準モデルを生成する場合、横軸を年齢、縦軸を口腔周囲筋Ａの判定結果（算出された割合）とするグラフに、各被介護者の測定値をプロットする。そして、事前処理部４０は、各プロット値からの誤差が最も小さくなる近似直線を生成し、その近似直線を口腔周囲筋Ａの基準モデルと決定する。このようにして、事前処理部４０は、各機能の基準モデルを生成して、記憶部１２に格納したり、学習処理部５０に出力したりする。なお、誤差に関しては、最小二乗法などの公知の手法を採用することができ、近似直線に関しては、近似曲線など公知の他の手法を採用することができる。

図２に戻り、学習処理部５０は、不足判定部５１と、学習データ生成部５２と、学習部５３とを有し、被介護者ごとに、嚥下障害の発生を予測する学習モデルを生成する処理部である。

不足判定部５１は、被介護者ごとに、不足機能を判定する処理部である。具体的には、不足判定部５１は、各被介護者について、各機能の基準モデルと測定値（実測値）とを比較し、基準を満たさない対象者の口腔機能である不足機能を判定する。

図５は、不足している口腔機能の特定を説明する図である。図５に示すように、不足判定部５１は、測定値ＤＢ１４を参照し、予め指定された特定日に測定された口腔周囲筋Ａや嚥下機能Ａなどの各機能の測定値を取得する。続いて、不足判定部５１は、測定値が基準モデルよりも上に位置する場合に、当該機能が基準を満たすと判定し、測定値が基準モデルよりも下に位置する場合に、当該機能が基準を満たさないと判定する。

図５の例では、不足判定部５１は、Ａ氏に関して、口腔周囲筋Ａと口腔周囲筋Ｃと嚥下機能Ａとが基準を満たし、口腔周囲筋Ｂと口腔周囲筋Ｄと咀嚼機能Ａとが基準を満たさないと判定したことを示している。そして、不足判定部５１は、基準を満たさないと判定された不足機能として、口腔周囲筋Ｂと口腔周囲筋Ｄと咀嚼機能Ａとを学習データ生成部５２に出力する。このようにして、不足判定部５１は、各被介護者の不足機能を特定して、学習データ生成部５２に出力する。

学習データ生成部５２は、各被介護者に対して、各不足機能に対応する学習モデルを学習するための学習データを生成する処理部である。具体的には、学習データ生成部５２は、各被介護者の各不足機能について、測定値ＤＢ１４に記憶される当該介護者の不足機能の測定値を説明変数とし、介護日誌等で取得可能な嚥下障害の発生有無を目的変数とする学習データを生成して、学習データＤＢ１５に格納する。

図６は、学習データの生成を説明する図である。図６に示すように、学習データ生成部５２は、Ａ氏に関して不足機能と特定された口腔周囲筋Ｂと口腔周囲筋Ｄと咀嚼機能Ａとのそれぞれに対応した学習データを生成する。

具体的には、学習データ生成部５２は、Ａ氏の口腔周囲筋Ｂについて、「説明変数、目的変数」として、「５月１日の測定値（０．４）、嚥下障害の発生記録（あり）」、「５月２日の測定値（０．７）、嚥下障害の発生記録（なし）」、「５月３日の測定値（０．５）、嚥下障害の発生記録（あり）」などとする教師有の学習データを生成する。

同様に、学習データ生成部５２は、Ａ氏の口腔周囲筋Ｄについて、「説明変数、目的変数」として、「５月１日の測定値（０．５）、嚥下障害の発生記録（あり）」、「５月２日の測定値（０．５）、嚥下障害の発生記録（なし）」、「５月３日の測定値（０．５）、嚥下障害の発生記録（あり）」などとする教師有の学習データを生成する。

同様に、学習データ生成部５２は、Ａ氏の咀嚼機能Ａについて、「説明変数、目的変数」として、「５月１日の測定値（０．５）、嚥下障害の発生記録（あり）」、「５月２日の測定値（０．５）、嚥下障害の発生記録（なし）」、「５月３日の測定値（０．２）、嚥下障害の発生記録（あり）」などとする教師有の学習データを生成する。

このようにすることで、学習データ生成部５２は、被介護者ごとに、食事を飲み込む際の一連の動作を構成する全口腔機能ではなく、不足する機能についてのみを学習データを生成することができる。

学習部５３は、被介護者の不足機能ごとに、嚥下障害の発生を予測する学習モデルを学習する処理部である。具体的には、学習部５３は、各被介護者の各不足機能について、対応する学習データを学習データＤＢ１５から取得し、取得した学習データを用いて、機械学習などを実行する。そして、学習部５３は、学習が終了すると、「被介護者、不足機能、学習結果」を学習結果ＤＢ１６に格納する。なお、学習を終了するタイミングは、所定数以上の学習データを用いた学習が完了した時点や復元誤差が閾値未満となった時点など、任意に設定することができる。

ここで、学習モデルの一例として、ロジスティック回帰モデル（以下、単にロジスティック回帰と記載する場合がある）を用いた例を説明する。学習部５３は、式（１）に示す線形回帰の式を、式（２）に示すシグモイド関数に入力し、式（２）で得られる値をロジスティック回帰として取得する。ここで、式（１）におけるＸに説明変数が入力され、ｙが目的変数、ｗは重みであり、ｂは予め指定された定数である。

図７は、学習モデルの生成を説明する図である。図７に示すように、学習部５３は、Ａ氏の口腔周囲筋Ｂの学習モデルを生成する場合、５月１日の説明変数「０．４」を式（１）のＸに入力し、目的変数「あり＝１．０」をｙに入力して、重みｗを算出する。同様に、学習部５３は、５月２日の説明変数「０．７」を式（１）のＸに入力し、目的変数「なし＝０．０」をｙに入力して重みｗを算出し、さらに、５月３日の説明変数「０．５」を式（１）のＸに入力し、目的変数「あり＝１．０」をｙに入力して重みｗを算出する。

このようにして、学習部５３は、学習データと一致するように重みｗを最適化するモデル学習を実行し、学習された重みｗを用いた式（１）を式（２）に代入してロジスティック回帰を生成する。学習部５３は、Ａ氏について、不足機能と特定された口腔周囲筋Ｂと口腔周囲筋Ｄと咀嚼機能Ａのそれぞれについて、ロジスティック回帰を生成する。ロジスティック回帰では、出力値が１に近いほど、嚥下障害の出現確率のリスクが高く、出力値が０に近いほど、嚥下障害の出現確率のリスクが低く、出力値が閾値以上の場合に、嚥下障害の出現確率が高いと判定される。

図２に戻り、予測処理部６０は、予測部６１と報知部６２を有し、各被介護者に対して、嚥下障害の発生を予測し、予測結果に応じた報知処理を実行する処理部である。

予測部６１は、各被介護者について、食事前に、各被介護者の不足機能に対応する各学習モデルを用いて、嚥下障害の出現確率のリスクを予測する処理部である。具体的には、予測部６１は、予測対象者の不足機能に対応する学習結果を学習結果ＤＢ１６から読み出して、各不足機能に対応する学習済みの学習モデルを構築する。続いて、予測部６１は、予測対象者の予測日の食事前の画像データから、各不足機能の測定値を算出する。そして、予測部６１は、各不足機能の測定値を、各不足機能に対応する学習済みの学習モデルに入力し、各出力結果を取得する。その後、予測部６１は、各出力結果に基づき、嚥下障害の発生確率が高いと予測された場合に、報知部６２にその旨を出力する。

図８と図９は、嚥下障害の予測を説明する図である。図８に示すように、嚥下障害の発生予測は、ロジスティック回帰において不足機能の測定値に対応する目的変数の値により判定される。図８の（１）に示す説明変数の場合、目的変数「０」よりも目的変数「１」の方がロジスティック回帰との距離が短いことから、嚥下障害ありと予測される。一方、図８の（２）に示す説明変数の場合、目的変数「１」よりも目的変数「０」の方がロジスティック回帰との距離が短いことから、嚥下障害なしと予測される。

予測部６１は、予測対象者の各不足機能のうち、１つでの嚥下障害ありと予測された場合は、当該予測対象者に嚥下障害の発生の危険性があると予測する。具体的には、図９の（１）に示すように、予測部６１は、予測対象者であるＡ氏の不足機能である口腔周囲筋Ｂ、口腔周囲筋Ｄ、咀嚼機能Ａのそれぞれについて、予測当日の測定値とロジスティック回帰とに基づき、嚥下障害を予測する。そして、予測部６１は、口腔周囲筋Ａについて「嚥下障害あり」が検出されると、Ａ氏に関して嚥下障害の危険性が高いと予測する。

一方、図９の（２）に示すように、予測部６１は、予測対象者であるＢ氏の不足機能である口腔周囲筋Ａ、嚥下機能Ａ、咀嚼機能Ｂのそれぞれについて、予測当日の測定値とロジスティック回帰とに基づき、嚥下障害を予測する。そして、予測部６１は、いずれの不足機能についても「嚥下障害なし」が検出されると、Ｂ氏に関して嚥下障害の危険性が低いと予測する。

報知部６２は、嚥下障害の発生が予測された場合に、介護者に対してアラームを報知する処理部である。例えば、報知部６２は、Ａ氏に関して嚥下障害の発生が予測された場合、介護者のスマートフォンなどに、「Ａ氏、嚥下障害の危険あり、注意」などの注意を促すメッセージを送信する。

別例を挙げると、報知部６２は、介護者の有する端末装置やＡＲ眼鏡（augmented reality glass）に対して、嚥下障害の発生確率の高い被介護者を監視するよう指示する画像、音、振動を出力する。また、報知部６２は、嚥下障害の発生確率の高い被介護者のリスクが低くなるまで、被介護者が嚥下体操をするように、コミュニケーションロボットにコーチングさせる。例えば、コミュニケーションロボットは、介護者に代わって、被介護者の食事の手伝いや嚥下障害の監視などを行う。

［処理の流れ］
次に、上述した情報処理装置１０が実行する一連の処理の流れを説明する。図１０は、処理の流れを示すフローチャートである。ここでは、事前フェーズ、学習フェーズ、予測フェーズの一連の流れを説明するが、各フェーズを別々のタイミングで実行することもできる。

図１０に示すように、事前処理部４０は、管理者等により処理の開始が指示されると（Ｓ１０１：Ｙｅｓ）、撮像部３０により撮像された履歴情報を履歴情報ＤＢ１３から収集し（Ｓ１０２）、各口腔機能について、時系列モデル（基準）を生成する（Ｓ１０３）。

続いて、学習処理部５０は、管理者等により学習開始が指示されると（Ｓ１０４：Ｙｅｓ）、対象者の測定結果を収集し（Ｓ１０５）、各基準と測定結果とを比較して、不足機能を特定する（Ｓ１０６）。そして、学習処理部５０は、各不足機能に対応する学習データを生成して、各学習データを用いたモデル学習により、各不足機能のロジスティック回帰モデル（学習モデル）を生成する（Ｓ１０７）。

その後、予測処理部６０は、管理者等により予測開始が指示されると（Ｓ１０８：Ｙｅｓ）、対象者の当日の測定値を測定値ＤＢ１４から取得し（Ｓ１０９）、測定された測定値から不足機能の測定値を抽出する（Ｓ１１０）。

続いて、予測処理部６０は、各不足機能の測定値を各不足機能のロジスティック回帰モデルに入力して得られる結果に基づき、嚥下障害を予測する（Ｓ１１１）。そして、予測処理部６０は、各不足機能のいずれかにおいて「嚥下障害あり」が予測された場合（Ｓ１１２：Ｙｅｓ）、介護者にアラームを報知する（Ｓ１１３）。なお、予測処理部６０は、各不足機能のいずれにも「嚥下障害あり」が予測されない場合（Ｓ１１２：Ｎｏ）、Ｓ１１３を実行することなく、Ｓ１１４を実行する。

その後、予測処理部６０は、予測処理を継続する場合（Ｓ１１４：Ｎｏ）、Ｓ１０８以降を繰り返し、予測処理を終了する場合（Ｓ１１４：Ｙｅｓ）、処理を終了する。

［効果］
上述したように、情報処理装置１０は、介護日誌等から嚥下障害（食事中のむせる）の記録と、食事前の顔を動かした情報（画像データなど）とを用いて、モデリングを実行する。そして、情報処理装置１０は、食事前の画像データを入力として嚥下障害のリスクを推定することができる。したがって、情報処理装置１０は、被介護者の嚥下障害を検出することができる。また、情報処理装置１０は、事前に嚥下詳細の発生リスクを検出できるので、被介護者に対して介護者の最適な割り当てが実現でき、介護者の余計な負担を軽減することができる。

さて、これまで本発明の実施例について説明したが、本発明は上述した実施例以外にも、種々の異なる形態にて実施されてよいものである。

［データや数値等］
上記実施例で用いたデータ例、数値例、表示例等は、あくまで一例であり、任意に変更することができる。また、食事を飲み込む際の一連の動作を構成する複数の口腔機能も一例であり、他の情報を用いることもできる。

［学習モデル］
上記実施例では、学習モデルとして、ロジスティック回帰モデルを用いた例を説明したが、これに限定されるものではなく、ニューラルネットワークやサポートベクターマシンなど他の機械学習を採用することもできる。学習済みのモデルを用いた予測は、判定対象の当日のうち食事前であればいつ実行してもよい。

［学習データ］
上記実施例では、口腔機能の判定や学習データとして、嚥下体操の実行時間や実行回数などを用いる例を説明したが、これに限定されるものではなく、食事前の会話時間などを用いることもできる。

［基準モデル］
また、基準モデルは、各被介護者の情報や嚥下障害がない被介護者の情報などを用いた統計処理により、予め設定されていてもよい。また、基準モデルを生成する際に、各被介護者の測定結果を用いる例を説明したが、これに限定されるものではなく、全被介護者のうち嚥下障害が発生したことがない被介護者の測定値のみを用いて、基準モデルを生成することもできる。

［嚥下体操による判定］
上記実施例では、不足機能の学習モデルを用いて嚥下障害の出願確率のリスクを判定する例を説明したが、これに限定されるものではなく、学習モデルを生成することなく、画像データから判定することもできる。

例えば、情報処理装置１０は、不足機能があると判定された対象者に対して、食事前に画像を撮像する。続いて、情報処理装置１０は、食事前の画像データを解析して、座標等を用いて口等の動きや動いた距離などを特定する。そして、情報処理装置１０は、嚥下対象や各口腔機能を特定する動きを予め保存しておき、食事前の画像データを解析して、各口腔機能の動きが実施されたかを判定する。その後、情報処理装置１０は、未実施の口腔機能が検出された場合、介護者にアラームを報知する。

［システム］
上記文書中や図面中で示した処理手順、制御手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。

また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散や統合の具体的形態は図示のものに限られない。つまり、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。

さらに、各装置にて行なわれる各処理機能は、その全部または任意の一部が、ＣＰＵおよび当該ＣＰＵにて解析実行されるプログラムにて実現され、あるいは、ワイヤードロジックによるハードウェアとして実現され得る。

［ハードウェア］
図１１は、ハードウェア構成例を説明する図である。図１１に示すように、情報処理装置１０は、通信装置１０ａ、ＨＤＤ（Hard Disk Drive）１０ｂ、メモリ１０ｃ、プロセッサ１０ｄを有する。また、図１１に示した各部は、バス等で相互に接続される。

通信装置１０ａは、ネットワークインタフェースカードなどであり、他の装置との通信を行う。ＨＤＤ１０ｂは、図２に示した機能を動作させるプログラムやＤＢを記憶する。

プロセッサ１０ｄは、図２に示した各処理部と同様の処理を実行するプログラムをＨＤＤ１０ｂ等から読み出してメモリ１０ｃに展開することで、図２等で説明した各機能を実行するプロセスを動作させる。例えば、このプロセスは、情報処理装置１０が有する各処理部と同様の機能を実行する。具体的には、プロセッサ１０ｄは、撮像部３０、事前処理部４０、学習処理部５０、予測処理部６０等と同様の機能を有するプログラムをＨＤＤ１０ｂ等から読み出す。そして、プロセッサ１０ｄは、撮像部３０、事前処理部４０、学習処理部５０、予測処理部６０等と同様の処理を実行するプロセスを実行する。

このように、情報処理装置１０は、プログラムを読み出して実行することで学習方法を実行する情報処理装置として動作する。また、情報処理装置１０は、媒体読取装置によって記録媒体から上記プログラムを読み出し、読み出された上記プログラムを実行することで上記した実施例と同様の機能を実現することもできる。なお、この他の実施例でいうプログラムは、情報処理装置１０によって実行されることに限定されるものではない。例えば、他のコンピュータまたはサーバがプログラムを実行する場合や、これらが協働してプログラムを実行するような場合にも、本発明を同様に適用することができる。

１０ 情報処理装置
１１ 通信部
１２ 記憶部
１３ 履歴情報ＤＢ
１４ 測定値ＤＢ
１５ 学習データＤＢ
１６ 学習結果ＤＢ
２０ 制御部
３０ 撮像部
４０ 事前処理部
５０ 学習処理部
５１ 不足判定部
５２ 学習データ生成部
５３ 学習部
６０ 予測処理部
６１ 予測部
６２ 報知部

Claims (10)

1. コンピュータが、
   食事を飲み込む際の一連の動作を構成する複数の口腔機能の中で、予め設定された基準を満たしていない被介護者の口腔機能である不足機能を特定し、
   前記被介護者を撮像した画像データに基づいて、前記不足機能に対応する動作を食事前に実行しているか否かを判定し、
   判定結果に基づいて、嚥下障害のリスクに関するアラートを報知する
   処理を実行することを特徴とする食事リスク判定方法。
2. 蓄積された複数の被介護者の前記複数の口腔機能に関する測定値を用いて、前記複数の口腔機能それぞれに対応する複数の基準モデルを生成する処理、を前記コンピュータが実行し、
   前記特定する処理は、前記複数の基準モデルと、前記被介護者の前記複数の口腔機能それぞれに関する測定値とを比較し、前記不足機能を特定する、ことを特徴とする請求項１に記載の食事リスク判定方法。
3. 前記被介護者に対応する前記複数の口腔機能うち前記不足機能に関する測定値を説明変数、前記嚥下障害の発生有無を目的変数とする学習モデルを学習する処理を前記コンピュータが実行し、
   前記判定する処理は、判定日に測定された前記不足機能に関する測定値を前記学習モデルに入力して得られる出力結果に基づいて、前記嚥下障害の出現確率のリスクを判定することを特徴とする請求項１または２に記載の食事リスク判定方法。
4. 前記判定する処理は、前記判定日の食事前に撮像された前記被介護者の画像データから、前記不足機能に対応する動きを特定し、前記動きに基づき前記測定値を生成することを特徴とする請求項３に記載の食事リスク判定方法。
5. 前記特定する処理は、判定対象である被介護者ごとに、前記不足機能を特定し、
   前記学習する処理は、前記被介護者ごとの不足機能ごとに、前記学習モデルを生成し、
   前記判定する処理は、前記被介護者ごとに、前記不足機能に対応する前記学習モデルを用いて、前記嚥下障害の出現確率のリスクを判定することを特徴とする請求項４に記載の食事リスク判定方法。
6. 前記報知する処理は、介護者が有する端末装置に対して、前記嚥下障害の出現確率が閾値以上である被介護者を監視するよう指示する、画像、音、振動の少なくとも一つを出力することを特徴とする請求項１から５のいずれか一つに記載の食事リスク判定方法。
7. 前記報知する処理は、前記嚥下障害の出現確率が閾値以上である被介護者の前記嚥下障害のリスクが低下するまで、前記被介護者が嚥下体操をするように、コミュニケーションロボットにコーチングさせることを特徴とする請求項１から５のいずれか一つに記載の食事リスク判定方法。
8. 前記不足機能に対応する嚥下体操の実行状況に基づき、嚥下障害の出現確率のリスクに関するアラートを報知することを特徴とする請求項１から７のいずれか一つに記載の食事リスク判定方法。
9. コンピュータに、
   食事を飲み込む際の一連の動作を構成する複数の口腔機能の中で、予め設定された基準を満たしていない被介護者の口腔機能である不足機能を特定し、
   前記被介護者を撮像した画像データに基づいて、前記不足機能に対応する動作を食事前に実行しているか否かを判定し、
   判定結果に基づいて、嚥下障害のリスクに関するアラートを報知する
   処理を実行させることを特徴とする食事リスク判定プログラム。
10. 食事を飲み込む際の一連の動作を構成する複数の口腔機能の中で、予め設定された基準を満たしていない被介護者の口腔機能である不足機能を特定する特定部と、
    前記被介護者を撮像した画像データに基づいて、前記不足機能に対応する動作を食事前に実行しているか否かを判定する判定部と、
    判定結果に基づいて、嚥下障害のリスクに関するアラートを報知する報知部と
    を有することを特徴とする情報処理装置。

Images