JPWO2020162362A1 - 覚醒度制御装置、覚醒度制御方法およびプログラム - Google Patents

覚醒度制御装置、覚醒度制御方法およびプログラム Download PDF

Info

Publication number
JPWO2020162362A1
JPWO2020162362A1 JP2020571168A JP2020571168A JPWO2020162362A1 JP WO2020162362 A1 JPWO2020162362 A1 JP WO2020162362A1 JP 2020571168 A JP2020571168 A JP 2020571168A JP 2020571168 A JP2020571168 A JP 2020571168A JP WO2020162362 A1 JPWO2020162362 A1 JP WO2020162362A1
Authority
JP
Japan
Prior art keywords
set value
physical quantity
value
prediction model
arousal
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
JP2020571168A
Other languages
English (en)
Inventor
卓磨 向後
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.)
NEC Corp
Original Assignee
NEC Corp
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 NEC Corp filed Critical NEC Corp
Publication of JPWO2020162362A1 publication Critical patent/JPWO2020162362A1/ja
Pending legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M21/00—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A61B5/18—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state for vehicle drivers or machine operators
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04Q—SELECTING
    • H04Q9/00—Arrangements in telecontrol or telemetry systems for selectively calling a substation from a main station, in which substation desired apparatus is selected for applying a control signal thereto or for obtaining measured values therefrom
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
    • A61B2560/02—Operational features
    • A61B2560/0242—Operational features adapted to measure environmental factors, e.g. temperature, pollution
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M21/00—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis
    • A61M2021/0005—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis by the use of a particular sense, or stimulus
    • A61M2021/0022—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis by the use of a particular sense, or stimulus by the tactile sense, e.g. vibrations
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M21/00—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis
    • A61M2021/0005—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis by the use of a particular sense, or stimulus
    • A61M2021/0027—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis by the use of a particular sense, or stimulus by the hearing sense
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M21/00—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis
    • A61M2021/0005—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis by the use of a particular sense, or stimulus
    • A61M2021/0044—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis by the use of a particular sense, or stimulus by the sight sense
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M21/00—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis
    • A61M2021/0005—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis by the use of a particular sense, or stimulus
    • A61M2021/0066—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis by the use of a particular sense, or stimulus with heating or cooling
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M21/00—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis
    • A61M2021/0005—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis by the use of a particular sense, or stimulus
    • A61M2021/0083—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis by the use of a particular sense, or stimulus especially for waking up
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M2205/00—General characteristics of the apparatus
    • A61M2205/33—Controlling, regulating or measuring
    • A61M2205/3306—Optical measuring means
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M2205/00—General characteristics of the apparatus
    • A61M2205/33—Controlling, regulating or measuring
    • A61M2205/3368—Temperature
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M2205/00—General characteristics of the apparatus
    • A61M2205/35—Communication
    • A61M2205/3576—Communication with non implanted data transmission devices, e.g. using external transmitter or receiver
    • A61M2205/3592—Communication with non implanted data transmission devices, e.g. using external transmitter or receiver using telemetric means, e.g. radio or optical transmission
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M2205/00—General characteristics of the apparatus
    • A61M2205/50—General characteristics of the apparatus with microprocessors or computers
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M2205/00—General characteristics of the apparatus
    • A61M2205/58—Means for facilitating use, e.g. by people with impaired vision
    • A61M2205/587—Lighting arrangements
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M2210/00—Anatomical parts of the body
    • A61M2210/06—Head
    • A61M2210/0606—Face
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M2230/00—Measuring parameters of the user
    • A61M2230/04—Heartbeat characteristics, e.g. ECG, blood pressure modulation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M2230/00—Measuring parameters of the user
    • A61M2230/50—Temperature
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M2230/00—Measuring parameters of the user
    • A61M2230/63—Motion, e.g. physical activity

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biomedical Technology (AREA)
  • Psychiatry (AREA)
  • Psychology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Pathology (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Hematology (AREA)
  • Acoustics & Sound (AREA)
  • Child & Adolescent Psychology (AREA)
  • Developmental Disabilities (AREA)
  • Educational Technology (AREA)
  • Hospice & Palliative Care (AREA)
  • Anesthesiology (AREA)
  • Social Psychology (AREA)
  • Signal Processing (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Air Conditioning Control Device (AREA)
  • Traffic Control Systems (AREA)
  • Circuit Arrangement For Electric Light Sources In General (AREA)

Abstract

覚醒度制御装置は、対象者の覚醒度に影響する周辺環境の物理量及び前記物理量に影響を及ぼす制御機器の設定値を説明変数として含み、前記物理量の予測値を被説明変数とする陽関数である物理量予測モデルと、前記物理量及びその時間変化量を説明変数として含み、前記覚醒度の時間変化量の予測値を被説明変数とする陽関数である覚醒度予測モデルと、前記設定値が所定の範囲に含まれているという設定値範囲条件とを含む制約条件、並びに、前記対象者を含む１人以上の対象者、及び、２区間以上の時間ステップ数についての前記覚醒度の変化量の予測値が所定の条件を満たす前記１人以上の対象者の予測値の総和値または平均値を表す目的関数を含む覚醒度最適化モデルを用いて、前記制約条件の下で、前記目的関数の値が最大となるように前記設定値を算出する設定値算出手段と、算出された前記設定値を、前記制御機器に設定する設定手段と、を備える。

Description

本発明は、覚醒度制御装置、覚醒度制御方法および記録媒体に関する。
ユーザの生体情報を取得し、取得した生体情報からユーザの覚醒度を算出する技術が提案されている（例えば、特許文献１、２）。ここで、覚醒度とは目が覚めている度合いを示す指標である。覚醒度の値が低いほど対象者が眠い状態であることを示す。
覚醒度が低い状態においては、ユーザが作業を行う際に作業能率が低下していることが多い。このため、覚醒度が低い状態は、作業遂行には適切な状態ではない。例えば、オフィスでの業務においては業務効率が低下し、自動車運転においては注意散漫な運転が増加する。このように、覚醒度が低い状態が様々な作業に望ましくない状態である傾向がある。
そのため、覚醒度を向上させる、または、適切な範囲となるようにユーザの環境を制御するシステムが提案されている（特許文献３、４、５）。
特許文献３には、現在の環境状態が継続した場合におけるユーザの覚醒度の予測値が予め定めた閾値を下回ったときに、空調、照明などの環境制御機器の設定を予め定めた設定に変更する、車両の運転手向けとした、覚醒度を制御するシステムが開示されている。
特許文献４には、眠気−覚醒の評価軸と快−不快の評価軸から成る２軸座標において、ユーザの現在状態がどこに位置するか、特に所望の範囲からどれだけ離れているかに応じて、空調、照明などの五感を刺激する機器の組み合わせと強さを予め定めた設定に基づいて決定して制御する、車両の運転手向けとした、覚醒度を制御するシステムが開示されている。
特許文献５には、対象者の覚醒度が予め設定した閾値を下回ったときに、空調機器を周期的に予め定めた動作モード（温度、風量設定）を切替えることでユーザに温度変化による温冷刺激を与える、車両の運転手向けとした、覚醒度を制御するシステムが開示されている。
また、ユーザの情報またはその周囲環境の情報を取得して処理を行う技術がある。
例えば、特許文献６の気分推定システムは、対象者の心拍数のみに基づいて気分を指標化し、その指標値が予め設定された範囲を逸脱した場合、対象者の複数の生体情報、および、対象者の周囲環境の複数の環境情報に基づいて、対象者の気分を指標値化する。
また、特許文献７に記載の空調管理システムは、検出装置が検出した環境値に基づいて、所定時間後の予測環境値を算出し、環境値と予測環境値とに基づいて空調装置のパラメータを算出して空調装置宛てに送信する。
また、特許文献８に記載の覚醒度維持方法では、作業者の鼓膜温度のような深度体温から覚醒度を検出し、作業者の覚醒度の低下が見受けられた際に、作業に適した照度からより高い照度へと変更して光刺激による覚醒効果を作業者に与える。
また、特許文献９に記載の眠気推定装置は、画像処理ニューラルネットワークと眠気推定ニューラルネットワークとの二層構造のニューラルネットワークを備える。画像処理ニューラルネットワークは、ユーザの年齢および性別を推定し、また、目を閉じているなど眠気状態を表すユーザの特定の動作および状態を抽出する。眠気推定ニューラルネットワークは、眠気状態を表すユーザの特定の動作および状態の抽出結果、室内環境情報センサの検知結果に基づき、また、ユーザの年齢および性別を加味して、ユーザの眠気状態を求める。
この特許文献９には、空気調和装置の制御部が、推定された眠気レベルが閾値以下となるように空調制御内容を算出し、算出した空調制御を実行させることが記載されている。
さらに、特許文献９には、ユーザの動作及び状態に所望の変化が見られない場合は、眠気状態の推定動作が実際の眠気状態と乖離している可能性があるから、推定モデルを更新することが記載されている。
日本国特許第６０４３９３３号 日本国特開２０１８−１３４２７４号公報 日本国特開２０１７−１４８６０４号公報 日本国特開２０１８−０２５８７０号公報 日本国特開２０１３−０１２０２９号公報 日本国特開２０１８−０８８９６６号公報 日本国特開２００６−３４９２８８号公報 日本国特開平０９−１４０７９９号公報 日本国特許第６３８７１７３号
装置またはシステムが、覚醒度制御対象者の周囲環境に働きかけて覚醒度制御を行う際、覚醒度制御を高精度に行うために、周囲環境への働きかけが覚醒度に及ぼす影響をより正確に把握できることが好ましい。
本発明の目的の一例は、上述の課題を解決することのできる覚醒度制御装置、覚醒度制御方法および記録媒体を提供することである。
本発明の第１の態様によれば、覚醒度制御装置は、
対象者の覚醒度に影響する周辺環境の物理量及び前記物理量に影響を及ぼす制御機器の設定値を説明変数として含み、前記物理量の予測値を被説明変数とする陽関数である物理量予測モデルと、前記物理量及びその時間変化量を説明変数として含み、前記覚醒度の時間変化量の予測値を被説明変数とする陽関数である覚醒度予測モデルと、前記設定値が所定の範囲に含まれているという設定値範囲条件とを含む制約条件、並びに、前記対象者を含む１人以上の対象者、及び、２区間以上の時間ステップ数についての前記覚醒度の変化量の予測値が所定の条件を満たす前記１人以上の対象者の予測値の総和値または平均値を表す目的関数を含む覚醒度最適化モデルを用いて、前記制約条件の下で、前記目的関数の値が最大となるように前記設定値を算出する設定値算出手段と、
算出された前記設定値を、前記制御機器に設定する設定手段と、
を備える。
本発明の第２の態様によれば、覚醒度制御方法は、
コンピュータによって、対象者の覚醒度に影響する周辺環境の物理量及び前記物理量に影響を及ぼす制御機器の設定値を説明変数として含み、前記物理量の予測値を被説明変数とする陽関数である物理量予測モデルと、前記物理量及びその時間変化量を説明変数として含み、前記覚醒度の時間変化量の予測値を被説明変数とする陽関数である覚醒度予測モデルと、前記設定値が所定の範囲に含まれているという設定値範囲条件とを含む制約条件、並びに、前記対象者を含む１人以上の対象者、及び、２区間以上の時間ステップ数についての前記覚醒度の変化量の予測値が所定の条件を満たす前記対象者の予測値の総和値または平均値を表す目的関数を含む覚醒度最適化モデルを用いて、前記制約条件の下で、前記目的関数の値が最大となるように前記設定値を算出し、
算出された前記設定値を、前記制御機器に設定することを含む。
本発明の第３の態様によれば、記録媒体は、
コンピュータに、
対象者の覚醒度に影響する周辺環境の物理量及び前記物理量に影響を及ぼす制御機器の設定値を説明変数として含み、前記物理量の予測値を被説明変数とする陽関数である物理量予測モデルと、前記物理量及びその時間変化量を説明変数として含み、前記覚醒度の時間変化量の予測値を被説明変数とする陽関数である覚醒度予測モデルと、前記設定値が所定の範囲に含まれているという設定値範囲条件とを含む制約条件、並びに、前記対象者を含む１人以上の対象者、及び、２区間以上の時間ステップ数についての前記覚醒度の変化量の予測値が所定の条件を満たす前記１人以上の対象者の予測値の総和値または平均値を表す目的関数を含む覚醒度最適化モデルを用いて、前記制約条件の下で、前記目的関数の値が最大となるように前記設定値を算出し、
算出された前記設定値を、前記制御機器に設定する、
ことを実行させるためのプログラムを記憶した記録媒体である。
この発明の実施形態によれば、覚醒度制御の際に、周囲環境への働きかけが覚醒度に及ぼす影響をより正確に把握することができる。
実施形態に係る覚醒度制御システムの装置構成の例を示す概略ブロック図である。 実施形態に係る覚醒度制御装置の機能構成の例を示す概略ブロック図である。 実施形態に係る設定値算出部が用いる覚醒度最適化モデルに、所定の制約条件を含めない場合の、機器設定値の例を示す図である。 実施形態に係る設定値算出部が用いる覚醒度最適化モデルに、所定の制約条件を含める場合の、機器設定値の例を示す図である。 実施形態に係る設定値算出部が機器設定値を算出して環境制御機器に設定する処理の手順の第１例を示すフローチャートである。 実施形態に係る設定値算出部が機器設定値を算出して環境制御機器に設定する処理の手順の第２例を示すフローチャートである。 実施形態に係る物理量予測モデル学習部が機械学習で物理量予測モデルのパラメータ値を算出する処理の手順の例を示すフローチャートである。 実施形態に係る覚醒度予測モデル学習部が機械学習で覚醒度予測モデルのパラメータ値を算出する処理の手順の例を示すフローチャートである。 実施形態に係る設定値決定部が機器設定値を決定して出力する処理手順の第１例を示す図である。 実施形態に係る環境制御機器に対する、設定値決定部による機器設定値の設定例を示す図である。 実施形態に係る設定値決定部が機器設定値を決定して出力する処理手順の第２例を示す図である。 実施形態に係る設定値決定部が機器設定値を決定して出力する処理手順の第３例を示す図である。 実施形態に係る覚醒度制御装置の構成の例を示す図である。
以下、本発明の実施形態を説明するが、以下の実施形態は請求の範囲にかかる発明を限定するものではない。また、実施形態の中で説明されている特徴の組み合わせの全てが発明の解決手段に必須であるとは限らない。
図１は、実施形態に係る覚醒度制御システム１の装置構成の例を示す概略ブロック図である。図１に示す構成で、覚醒度制御システム１は覚醒度制御装置１００と、１つ以上の環境制御機器２００と、１つ以上の環境測定機器３００と、１つ以上の覚醒度推定機器４００とを備える。
覚醒度制御装置１００は、環境制御機器２００各々、環境測定機器３００各々、および、覚醒度推定機器４００各々と、通信回線９００を介して繋がり、これらの機器と通信可能になっている。通信回線９００は、専用線、インターネット、ＶＰＮ（Virtual Private Network）、ＬＡＮ（Local Area Network）、などの通信回線の占有形態および有線回線、無線回線などの通信回線の物理形態など形態は問わずいずれで構成されていてもよい。
覚醒度制御システム１は、覚醒度制御の対象者の覚醒度を判定し、判定結果に応じて覚醒度制御の対象者の周囲環境の物理量を制御して、覚醒度の維持または向上を図る。上述したように、覚醒度とは目が覚めている度合いを示す指標である。覚醒度の値が低いほど、覚醒度制御の対象者が眠い状態であることを示す。
覚醒度制御の対象者をユーザ、または、単に対象者とも称する。
ここで、対象者の周囲環境の物理量とは、対象者に影響を及ぼす物理量（物理的な量）であり、ここでは特に、対象者の覚醒度に影響を及ぼす物理量である。対象者の周囲環境の物理量を、単に物理量とも称する。
物理量の例として、室温などの空気温度、および、照明機器による照度などの明るさを挙げることができるが、これらに限定されない。例えば覚醒度制御システム１が、温度および明るさに加えて、あるいは代えて、湿気（湿度）、音または振動など、温度や明るさ以外の刺激を対象者に与えるようにしてもよい。また、覚醒度制御システム１は、物理量として、湿気（湿度）、音または振動などの大きさを用いるようにしてもよい。
以下では、空気温度を単に温度と称する。但し、覚醒度制御システム１が空気温度に加えて、あるいは代えて、それ以外の温度を制御するようにしてもよい。例えば、覚醒度制御システム１が、対象者に直接接するものの温度を制御するようにしてもよい。具体例として、対象者の座席の座面にヒータが設けられて、覚醒度制御システム１がそのヒータの温度を制御してもよい。
覚醒度制御システム１が物理量を制御する単位は、特定のものに限定されない。例えば、個人の座席にスポット式の空調機器（局所的な空調機器）および照明スタンドが設置され、覚醒度制御システム１が、座席単位で物理量を制御するようにしてもよい。あるいは、覚醒度制御システム１が、部屋単位で物理量を制御するようにしてもよいし、建物全体の物理量を制御するようにしてもよい。また、建物全体の物理量を制御する場合に、対象者は、その建物にいる全ての人でなくともよく、その建物にいる一部の人であってもよい。
対象者の人数は、１人であってもよいし、複数であってもよい。覚醒度制御システム１が対象者の登録を受け付けるなど特定の者のみが対象者となっていてもよい。あるいは、覚醒度制御システム１の制御対象空間に位置する不特定の者が対象者となっていてもよい。対象者が複数いる場合、覚醒度制御システム１が、対象者毎に物理量を制御するようにしてもよいし、複数の対象者に共通で物理量を制御するようにしてもよい。
対象者の覚醒度を向上させるために、例えば室温を高くする、または、照明を明るくするなど、人によっては快適性が低下するように物理量を制御することが考えられる。覚醒度制御システム１が、覚醒度制御の対象者の覚醒度を判定し、判定結果に応じて物理量を制御することで、対象者の覚醒度の確保と快適性とのバランスをとることができる。例えば、覚醒度制御システム１が、対象者の覚醒度が低下した場合のみ覚醒度を向上させるように物理量を制御するようにしてもよい。
以下では、覚醒度制御システム１が、対象者の覚醒度を向上させる（眠気を覚ます）場合を例に説明するが、このような例に限定されない。例えば、覚醒度制御システム１が、対象者の覚醒度を低下させる（眠りに導く）ようにしてもよい。例えば、覚醒度制御システム１が時間帯によって、覚醒度を向上させるための制御と、覚醒度を低下させるための制御とを切り替えて実行するようにしてもよい。または、対象者の覚醒度が低下することが予測される場合に、覚醒度制御システム１は、対象者の覚醒度が低下しないよう（すなわち、対象者が、うとうとしないよう）に制御してもよい。または、対象者の覚醒度が向上することが予測される場合に、覚醒度制御システム１は、対象者の覚醒度が向上しないよう（すなわち、対象者が覚醒しないように）に制御してもよい。
覚醒度制御装置１００は、対象者の覚醒度に応じて環境制御機器２００を制御する。覚醒度制御装置１００は、環境制御機器２００を制御することで対象者の周囲環境の物理量を制御し、それによって対象者の覚醒度を制御する。
覚醒度制御装置１００は、例えばパソコン（Personal Computer；ＰＣ）またはワークステーション（Work Station）等のコンピュータを用いて構成される。
環境制御機器２００は、物理量を調整する機器である。上記のように、物理量には、例えば、空気温度および照度などがある。温度は空調機器により調整し、照度は照明機器により調整することができる。このように、環境制御機器２００の例として空調機器および照明機器を挙げることができるが、これらに限定されない。
環境制御機器２００は、制御対象機器の例に該当し、上記のように覚醒度制御装置１００によって制御される。
覚醒度制御装置１００など、環境制御機器２００以外の装置が、環境制御機器２００から機器設定値などの運転状態に関する情報を取得可能であり、環境制御機器２００に対して機器設定値の更新を行うことが可能である。ここで、機器設定値は、制御目標値として環境制御機器２００に設定された物理量である。機器設定値を、物理量の設定値、または、単に設定値とも称する。
環境制御機器２００が空調機器である場合、機器設定値として設定温度を用いることができる。環境制御機器２００が照明機器である場合、機器設定値として照明出力（例えば光度、照度、電流値、電力値など）を用いることができる。以下では、照明機器の機器設定値として照度を用いる場合を例に説明するが、これに限定されない。
環境測定機器３００は、温度、照度などの物理量を測定し数値データに変換する機器である。環境測定機器３００の例として、温度センサおよび照度センサを挙げることができるが、これらに限定されない。
覚醒度推定機器４００は、対象者の覚醒度を生体情報などから推定し、数値データに変換する機器である。覚醒度推定機器４００が、生体情報として体温、顔の動画および脈波のうち何れか一方、あるいはこれらの組み合わせを用いるようにしてもよいが、これらに限定されない。覚醒度推定機器４００は、生体情報を測定または算出し、得られた生体情報を、覚醒度合いを示す数値（覚醒度）に変換する。
覚醒度推定機器４００は、覚醒度制御システム１に必須ではない。覚醒度制御システム１が覚醒度推定機器４００を備えていない場合、物理量に基づいて対象の覚醒を推定する。
次に、覚醒度制御装置１００の機能構成を説明する。
図２は、覚醒度制御装置１００の機能構成の例を示す概略ブロック図である。図２に示す構成で、覚醒度制御装置１００は、通信部１１０と、記憶部１７０と、制御部１８０とを備える。記憶部１７０は、物理量予測モデル１７１と、覚醒度予測モデル１７２とを備える（記憶する）。制御部１８０は、監視制御部１８１と、第１取得部１８２と、第２取得部１８３と、設定値算出部１８４と、物理量予測モデル演算部１８５と、覚醒度予測モデル演算部１８６と、設定値決定部１８７と、物理量予測モデル学習部１８８と、覚醒度予測モデル学習部１８９とを備える。
通信部１１０は、制御部１８０の制御に従って、他の装置と通信を行う。特に、通信部１１０は、環境制御機器２００、環境測定機器３００、覚醒度推定機器４００の各々から各種情報を受信する。また、通信部１１０は、環境制御機器２００に機器設定値を送信する。
記憶部１７０は、各種情報を記憶する。記憶部１７０は、覚醒度制御装置１００が備える記憶デバイスを用いて構成される。
物理量予測モデル１７１は、物理量の設定値（機器設定値）に基づいて、その物理量の予測値を算出する数理モデルである。
より具体的には、物理量予測モデル１７１は、環境測定機器３００が測定する物理量の測定値と、環境制御機器２００に設定されている物理量の設定値とに基づいて、所定時間が経過したときの物理量の予測値を算出する。
上記の所定時間が経過したときとは、物理量予測モデル１７１に与えられる物理量が測定された時刻から所定時間経過後の時刻である。物理量予測モデル１７１に与えられる物理量の測定時刻に代えて、覚醒度制御装置１００（通信部１１０）がその物理量を受信した時刻を用いることができる。
上記の所定時間は、一定の時間に固定されていてもよいし、モデルパラメータとして可変になっていてもよい。ここでいうモデルパラメータは、物理量予測モデル１７１の設定パラメータである。モデルパラメータの値をモデルパラメータ値と称する。
覚醒度予測モデル１７２は、物理量予測モデル１７１が算出した物理量の予測値に基づいて、覚醒度の予測値を算出する数理モデルである。さらには、覚醒度予測モデル１７２は、物理量の予測値に加えて、物理量の変化量に基づいて、覚醒度の予測値を算出する。より具体的には、覚醒度予測モデル１７２は、物理量予測モデル１７１が算出した物理量の予測値の履歴を用いて、物理量の時間平均値と変化量とに基づいて、所定時間が経過したときの対象者の覚醒度の変化量の予測値を算出する。
覚醒度予測モデル１７２が、少なくとも覚醒度の時間的なばらつきに基づいて、覚醒度の予測値を算出するようにしてもよい。
制御部１８０は、覚醒度制御装置１００の各部を制御して各種処理を実行する。制御部１８０は、覚醒度制御装置１００が備えるＣＰＵ（Central Processing Unit、中央処理装置）が、記憶部１７０からプログラムを読み出して実行することで実現される。
監視制御部１８１は、通信部１１０を介して環境制御機器２００と通信を行う。環境制御機器２００との通信で、監視制御部１８１は、環境制御機器２００に設定されている機器設定値を取得する。また、監視制御部１８１は、環境制御機器２００との通信で、環境制御機器２００の機器設定値を更新する。例えば、監視制御部１８１は、定周期毎に環境制御機器２００と通信を行い、通信で取得した機器設定値を取得時（受信時）のタイムスタンプと共に保存する。ここでいう保存は、例えば、記憶部１７０に記憶させることである。
このように、監視制御部１８１は、制御対象機器に機器設定値を設定する。監視制御部１８１は、設定部（設定手段）の例に該当する。
監視制御部１８１は、機器設定値として、設定値算出部１８４が算出した機器設定値、または、設定値決定部１８７が決定した機器設定値を環境制御機器２００に設定する。設定値算出部１８４が機器設定値を算出可能、かつ、算出した機器設定値が所定の条件を満たす（算出した機器設定値が所定の条件以上である）、すなわち算出した機器設定値が高精度であると判定された場合、監視制御部１８１は、設定値算出部１８４が算出した機器設定値を環境制御機器２００に設定する。一方、設定値算出部１８４が機器設定値を算出できない場合、または、覚醒度制御システム１が算出した機器設定値が所定の条件を満たさない、すなわち、算出した機器設定値が低精度であると判定された場合、監視制御部１８１は、設定値決定部１８７が決定した機器設定値を環境制御機器２００に設定する。
例えば、物理量予測モデル１７１の設定パラメータ値が未設定の場合、物理量予測モデル１７１が物理量の予測値を算出できず、それによって設定値算出部１８４が機器設定値を算出できないことが考えられる。また、覚醒度予測モデル１７２の設定パラメータ値が未設定の場合、覚醒度予測モデル１７２が覚醒度の予測値を算出できず、それによって設定値算出部１８４が機器設定値を算出できないことが考えられる。
また、物理量予測モデル１７１による物理量の予測精度が所定の条件よりも低下した場合、それによって設定値算出部１８４が算出する機器設定値の精度が低下していることが考えられる。物理量予測モデル１７１の設定パラメータ値の設定から所定時間以上経過した場合も、物理量予測モデル１７１による物理量の予測精度が低下し、それによって設定値算出部１８４が算出する機器設定値の精度も低下していることが考えられる。
また、覚醒度予測モデル１７２による覚醒度の予測精度が所定の条件よりも低下した場合、それによって設定値算出部１８４が算出する機器設定値の精度が低下していることが考えられる。覚醒度予測モデル１７２の設定パラメータ値の設定から所定時間以上経過した場合も、覚醒度予測モデル１７２による覚醒度の予測精度が低下し、それによって設定値算出部１８４が算出する機器設定値の精度も低下していることが考えられる。
これらの場合のうち一部、または全ての場合に、監視制御部１８１が、設定値決定部１８７が決定した機器設定値を環境制御機器２００に設定するようにしてもよい。
第１取得部１８２は、通信部１１０を介して環境測定機器３００と通信を行い、環境測定機器３００が測定した物理量の測定値を取得する。例えば、第１取得部１８２は、定周期毎に環境測定機器３００と通信を行い、通信で取得した物理量の測定値を取得時（受信時）のタイムスタンプと共に保存する。このタイムスタンプは、環境測定機器３００による物理量の測定時を示しているとみなすことができる。
第２取得部１８３は、覚醒度推定機器４００と通信を行い、対象者の覚醒度の推定値を取得する。例えば、第２取得部１８３は、定周期毎に覚醒度推定機器４００と通信を行い、通信で取得した覚醒度の推定値を取得時（受信時）のタイムスタンプと共に保存する。
このタイムスタンプは、覚醒度推定機器４００による覚醒度の推定時刻を示しているとみなすことができる。
対象者の覚醒度の推定値を、覚醒度推定値とも称する。
設定値算出部１８４は、ユーザの覚醒度を向上させるような、環境制御機器２００の機器設定値を算出する。例えば、設定値算出部１８４は、定周期毎に機器設定値を算出する。設定値算出部１８４は、監視制御部１８１から機器設定値を取得し、第１取得部１８２から物理量の測定値を取得し、第２取得部１８３から覚醒度推定値を取得して、これらに基づいて機器設定値を算出する。設定値算出部１８４は、算出された機器設定値を監視制御部１８１に出力する。監視制御部１８１は、設定値算出部１８４から取得した機器設定値を、通信部１１０を介して環境制御機器２００へ送信することで、環境制御機器２００に機器設定値を設定する。
設定値算出部１８４は、物理量予測モデル１７１および覚醒度予測モデル１７２を用いて、物理量に関する制約条件の下で最適化問題を解く（または、近似的に解く）ことによって、対象者の覚醒度を制御するための設定値を算出する。設定値算出部１８４は、最適化問題を解く（または、近似的に解く）ことによって、覚醒度がより高くなるように機器設定値を算出する。このように、設定値算出部１８４が最適化問題を解く処理は、覚醒度など目的関数値がより高く（あるいはより低く、あるいは目標値により近く）なるようにする処理の例に該当する。設定値算出部１８４は、最適化問題を解く（または、近似的に解く）ことによって、覚醒度が最高である場合における機器設定値を算出してもよい。
設定値算出部１８４が解く最適化問題では、物理量予測モデル１７１を第１制約条件として用い、覚醒度予測モデル１７２を第２制約条件として用い、環境制御機器２００の機器設定値が所定の範囲であるという条件を第３制約条件として用いる。設定値算出部１８４は、これらの制約条件を含む最適化問題を解く。ここでの機器設定値の所定の範囲は、環境制御機器２００の仕様で定められた、設定可能な範囲である。
また、設定値算出部１８４が解く最適化問題の目的関数は、例えば、１人以上（または、２人以上）の対象者、および、時間ステップの１区間以上における、覚醒度の変化量の予測値の総和値または平均値を算出する関数である。設定値算出部１８４は、この目的関数の値をより大きくするように最適化問題を解いて、機器設定値を算出する。設定値算出部１８４は、この目的関数が最大である場合における機器設定値を算出してもよい。覚醒度の変化量の予測値の総和値は、各対象者に関する覚醒度の変化量の予測値の和であってもよい。覚醒度の変化量の予測値の平均値は、各対象者に関する覚醒度の変化量の予測値の和を対象者の人数で割ることにより得られる値であってもよい。
設定値算出部１８４が解く最適化問題を、覚醒度最適化モデルと称する。覚醒度最適化問題は、数理モデルとして構成される。
設定値算出部１８４が、１人以上の対象者、および、時間ステップの１区間以上における、覚醒度の変化量の予測値の刈込み平均値がより大きくなるように、設定値を算出するようにしてもよい。
設定値算出部１８４が刈り込み平均を用いることで、例えば対象者の中に、物理量の変化に対して覚醒度の変化が極端に小さい人、あるいは逆に極端に大きい人がいる場合にそれら極端な対象者を過大に評価しないようになるため、全体の最適化を図ることができる。または、この最適化は、一部の対象者に対して実施されてもよい。
設定値算出部１８４が、機器設定値について算出される快適性のスコアに関する制約条件を含む最適化問題を解いて、この制約条件を満たす機器設定値を算出するようにしてもよい。例えば、設定値算出部１８４が、複数種類の機器設定値の各々について算出される快適性のペナルティスコアの総和が所定の範囲内になるように、複数種類の機器設定値をそれぞれ算出するようにしてもよい。言い換えると、設定値算出部１８４は、快適性スコアがある範囲に含まれているという条件を満たしている場合における、複数種類の機器設定値をそれぞれ算出するようにしてもよい。
このように、設定値算出部１８４が快適性に関する制約条件を満たすように機器設定値を算出することで、快適性が極端に低下することを防止することができる。
物理量予測モデル演算部１８５は、記憶部１７０から物理量予測モデル１７１を読み出して実行する。従って、物理量予測モデル演算部１８５が、物理量予測モデル１７１を用いて物理量の予測を実行する。
覚醒度予測モデル演算部１８６は、記憶部１７０から覚醒度予測モデル１７２を読み出して実行する。従って、覚醒度予測モデル演算部１８６が、覚醒度予測モデル１７２を用いて覚醒度の予測を実行する。
設定値決定部１８７は、設定値算出部１８４が高い覚醒効果が得られる機器設定値を算出できないときに、設定値算出部１８４の代わりに、機器設定値を算出し、監視制御部１８１に出力する。この目的の１つは、後述するように、物理量予測モデル学習部１８８、および、覚醒度予測モデル学習部１８９が効率良く学習を行えるような学習データを生成するためである。
物理量予測モデル学習部１８８は、物理量予測モデル１７１の設定パラメータ値を機械学習等にて取得することで、物理量予測モデル１７１を設定または更新する。物理量予測モデル学習部１８８は、物理量予測モデル１７１の設定パラメータ値が未設定の場合、物理量予測モデル１７１による予測精度が所定の条件よりも低下した場合、および、物理量予測モデル１７１の設定パラメータ値の設定から所定時間以上経過した場合のうち少なくとも何れか１つの場合に、機械学習等を行う。
物理量予測モデル学習部１８８は、学習データとして、監視制御部１８１から機器設定値を取得し、第１取得部１８２から物理量の測定値を取得する。物理量予測モデル学習部１８８は、これら物理量の測定値と前記物理量の設定値（機器設定値）とに基づく機械学習等を行って、物理量予測モデル１７１の設定パラメータ値を取得する。物理量予測モデル学習部１８８は、機械学習等によって得られた物理量予測モデル１７１のパラメータ値を設定値算出部１８４および設定値決定部１８７に出力する。
覚醒度予測モデル学習部１８９は、覚醒度予測モデル１７２の設定パラメータ値を機械学習等にて取得することで、覚醒度予測モデル１７２を設定または更新する。
覚醒度予測モデル学習部１８９は、覚醒度予測モデル１７２の設定パラメータ値が未設定の場合、覚醒度予測モデル１７２による予測精度が所定の条件よりも低下した場合、および、覚醒度予測モデル１７２の設定パラメータ値の設定から所定時間以上経過した場合のうち少なくとも何れか１つの場合に、機械学習等を行う。
覚醒度制御装置１００にとって、覚醒度予測モデル学習部１８９は必須ではない。特に、覚醒度制御システム１が覚醒度推定機器４００を備えていない場合、覚醒度制御装置１００は、外部から覚醒度の情報を取得せず、したがって、覚醒度の機械学習データにおける正解データを得られない。この場合、覚醒度制御装置１００が覚醒度予測モデル学習部１８９を備えない構成とすることが考えられる。覚醒度予測モデル学習部１８９を備えない場合、覚醒度制御装置１００が、覚醒度予測モデル１７２をそのまま使い続け、覚醒度予測モデル１７２の更新が必要になったときは、覚醒度制御システム１の管理者など人手で更新するといった運用が考えられる。あるいは、覚醒度制御装置１００が、インターネットを介して最新のモデルパラメータ値を取得等の方法により、モデルパラメータ値を自動更新するようにしてもよい。
覚醒度予測モデル学習部１８９は、学習データとして、第１取得部１８２から物理量の測定値を取得し、第２取得部１８３から覚醒度推定値を取得する。覚醒度予測モデル学習部１８９は、これら物理量の測定値、および、覚醒度（推定値）に基づく機械学習等を行って、覚醒度予測モデル１７２の設定パラメータ値を取得する。
以下では、設定値算出部１８４、設定値決定部１８７、物理量予測モデル学習部１８８、覚醒度予測モデル学習部１８９それぞれについて具体的な計算手順の例を記す。
まず、設定値算出部１８４が機器設定値の算出に用いる覚醒度最適化モデル（最適化問題）の例について説明する。設定値算出部１８４は、この覚醒度最適化モデルに対して数理最適化計算を実行することで、機器設定値を算出する。
この覚醒度最適化モデルでは、以下の定数、係数、変数および関数を用いる。
（決定変数）
Ｔｔ ｓｅｔ ：時間ステップｔにおける空調温度設定値
Ｌｔ ｓｅｔ ：時間ステップｔにおける照明出力設定値
決定変数は、最適化演算で設定値算出部１８４が値を算出する変数である。ここで説明する例の場合、設定値算出部１８４は、空調機器である環境制御機器２００に設定する温度、および、照明機器である環境制御機器２００に設定する照度を、最適化問題を解くことで算出する。
（従属変数）
ＡΔ ：覚醒度の変化量予測値の、対象者および時間ステップでの平均値
Ａｉ Δ ：対象者ｉの覚醒度の変化量予測値の、時間ステップでの平均値
Ａｉ，ｔ Δ ：時間ステップｔにおける対象者ｉの覚醒度の変化量予測値
Ｔｔ ：時間ステップｔにおける温度予測値
Ｔｔ Δ ：時間ステップｔにおける、温度の時間変化量の予測値
なお、時間ステップｔの前の１区間、すなわち、時間ステップｔ−１からｔまでの変化量を、時間ステップｔにおける変化量と称する。時間変化量とは、時間経過による変化量（経時変化量）である。
Ｌｔ ：時間ステップｔにおける照度予測値
Ｌｔ Δ ：時間ステップｔにおける、照度の時間変化量の予測値
Ｔｔ ｐｎｌｔｙ ：時間ステップｔにおける空調温度設定値の快適値からの逸脱度
Ｌｔ ｐｎｌｔｙ ：時間ステップｔにおける照明出力設定値の快適値からの逸脱度
Ａｉ，ｔ σ ：時間ステップｔにおける対象者ｉの、覚醒度の時間変化量のばらつき度合
（定数・係数）
Ｔ ：時間ステップのインデックスの集合
Ｎ ：対象者のインデックスの集合
Ｔｍｉｎ ：空調温度設定値の下限値
Ｔｍａｘ ：空調温度設定値の上限値
Ｌｍｉｎ ：照明出力度設定値の下限値
Ｌｍａｘ ：照明出力設定値の上限値
Ｔｂｅｓｔ ：空調温度設定値の快適値
ｐＴ ：空調温度のペナルティ係数
Ｌｂｅｓｔ ：照明出力設定値の快適値
ｐＬ ：照明出力のペナルティ係数
Ｐｍａｘ ：ペナルティスコアの上限値
ａｉ（τ） ：相対時刻τにおける対象者ｉの覚醒度推定値
Δτ ：時間ステップ幅
（関数）
ｆＡ ：覚醒度変化量予測関数（覚醒度予測モデル）
ｆＴ ：温度予測関数（物理量予測モデルの１つ）
ｆＬ ：照度予測関数（物理量予測モデルの１つ）
（インデックス）
ｔ ：時間ステップのインデックス
ｉ ：対象者のインデックス
この覚醒度最適化モデルの目的関数は、式（１）のように示される。
Figure 2020162362
ＡΔ（覚醒度の変化量予測値の、対象者および時間ステップでの平均値）は、式（２）のように示される。
Figure 2020162362
Ａｉ Δ（対象者ｉの覚醒度の変化量予測値の、時間ステップでの平均値）は、式（３）のように示される。
Figure 2020162362
環境制御機器２００のうち空調機器の機器設定値が所定の範囲内であるという制約条件は、式（４）のように示される。
Figure 2020162362
環境制御機器２００のうち照明機器の機器設定値が所定の範囲内であるという制約条件は、式（５）のように示される。
Figure 2020162362
温度に関する物理量予測モデル１７１の制約条件は、式（６）のように示される。
Figure 2020162362
照度に関する物理量予測モデル１７１の制約条件は、式（７）のように示される。
Figure 2020162362
これら物理量予測モデル１７１の制約条件は、環境制御機器２００に機器設定値を設定してから物理量が実際に機器設定値になるまでの遅れなど、環境制御機器２００の動作に関する物理的な制約条件を示す。
したがって、物理量予測モデル１７１は、説明変数として、対象者の覚醒度に影響する周辺環境の物理量を表すパラメータ、及び、前記物理量に影響を及ぼす制御機器の設定値を表すパラメータを含んでいる。また、物理量予測モデル１７１の被説明変数は、該物理量の予測値を表すパラメータである。式（６）、及び、式（７）には、物理量予測モデル１７１によって示されている所定の処理を、説明変数の値に適用することによって、被説明変数の値が算出されるという陽関数によって例示されている。尚、式（６）、及び、式（７）は、必ずしも、陽関数によって示されていなくてもよい。
覚醒度予測モデル１７２の制約条件は、式（８）のように示される。
Figure 2020162362
したがって、覚醒度予測モデル１７２は、説明変数として、物理量を表すパラメータ及びその時間変化量を表すパラメータを含んでいる。また、覚醒度予測モデル１７２の被説明変数は、該覚醒度の時間変化量の予測値を表すパラメータである。式（８）には、覚醒度予測モデル１７２によって示されている所定の処理を、説明変数の値に適用することによって、被説明変数の値が算出されるという陽関数によって例示されている。尚、式（８）は、必ずしも、陽関数によって示されていなくてもよい。
覚醒度予測モデル１７２の制約条件は、物理量およびその変化に対する、対象者の覚醒度の変化の仕方を示す。
Ｔｔ Δ（時間ステップｔにおける、温度の時間変化量の予測値）は、式（９）のように示される。
Figure 2020162362
Ｌｔ Δ（時間ステップｔにおける、照度の時間変化量の予測値）は、式（１０）のように示される。
Figure 2020162362
設定値算出部１８４は、式（２）〜（１０）で示される制約条件の下で、式（１）〜（３）で示される、全ユーザおよび全時間ステップについての覚醒度時間変化量予測値の平均値を表す目的関数を最大化する決定変数値を求める数理計画問題を解く。これによって、設定値算出部１８４は、機器設定値（決定変数値）を算出する。設定値算出部１８４が実行する処理は、たとえば、上述したような覚醒度最適化モデルを用いて、制約条件の下で目的関数の値が最大となるように設定値を算出する処理であるということもできる。設定値算出部１８４が実行する処理は、必ずしも、目的関数の値が最大となる場合の処理に限定されず、たとえば、目的関数の値が大きくなる場合の設定値を算出する処理であってもよい。
上述したように、式（６）、（７）が物理量予測モデル１７１に関する制約条件である。式（８）〜（１０）が覚醒度予測モデル１７２に関する制約条件である。式（４）、（５）が、環境制御機器２００の機器設定値が所定の範囲であるという制約条件である。
設定値算出部１８４が用いる覚醒度最適化モデル（最適化問題）のオプションについて説明する。
ＡΔ（覚醒度の変化量予測値の、対象者および時間ステップでの平均値）として刈り込み平均値を用いるようにしてもよい。この場合、式（２）に代えて式（１１）を用いる。
Figure 2020162362
すなわち、目的関数を式（１）〜（３）の代わりに、式（１）、（３）、（１１）の組み合わせとしてもよい。ここでtrimmedmeanは刈込み平均を示す。刈込み平均は、大きさ順に並べたデータの両端から決められた割合だけデータを捨て、残ったデータについて求めた算術平均である。これにより、極端に覚醒度が変化する、または、全く変化しない対象者を目的関数の数値計算上から除外することができるため、少数の特定の対象者に過度に合わせるような機器設定値が算出されることを防ぐ効果がある。
すなわち、設定値算出部１８４が刈り込み平均を用いることで、例えば対象者の中に、物理量の変化に対して覚醒度の変化が極端に小さい人、あるいは逆に極端に大きい人がいる場合にそれら極端な対象者を過大に評価しないようになるため、全体の最適化を図ることができる。
刈込み平均における切捨て割合（両端を合わせた割合）は１０％が好適である。
対象者の快適性があまり低下しないように、快適性に関する制約条件が、制約条件の中に含まれていてもよい。例えば、式（１２）に示される快適性のペナルティスコアの制約条件が含まれていてもよい。
Figure 2020162362
Ｔｔ ｐｎｌｔｙ（時間ステップｔにおける空調温度設定値の快適値からの逸脱度）は、式（１３）のように示される。
Figure 2020162362
Ｌｔ ｐｎｌｔｙ（時間ステップｔにおける照明出力設定値の快適値からの逸脱度）は、式（１４）のように示される。
Figure 2020162362
式（１２）〜（１４）は、快適性ペナルティスコアについての総和が所定の範囲内（所定の大きさ以下）であるという制約条件を示している。言い換えると、空調と照明とが同時に不快となる機器設定値とならない制約条件である。これは、複数の環境制御機器、例えば、空調機器と照明機器について、それらの最も快適となる機器設定値からそれぞれの機器設定値が同時に離れてしまう状況を回避する効果がある。
式（１２）〜（１４）を制約条件に含める効果について、図３および図４を参照して説明する。
図３は、設定値算出部１８４が用いる覚醒度最適化モデルに、式（１２）〜（１４）の制約条件を含めない場合の、機器設定値の例を示す図である。図３のグラフの横軸は、空調設定値（空調温度設定値（温度））を示す。縦軸は、照明設定値（照明出力設定値（照度））を示す。
図３の例では、空調機器に設定可能な温度の上限値および下限値の範囲内という制約条件、および、照明機器に設定可能な照度の上限値および下限値の範囲内という制約条件を満たす範囲で、機器設定値を任意に設定できる。領域Ａ１１（斜線部分）は、その制約条件を満たす範囲を示す。
空調設定値、照明設定値のいずれについても、その上限値付近、または、その下限値付近では、対象者の快適性が比較的低いことが考えられる。従って、空調設定値、照明設定値ともに、その上限値付近、または、その下限値付近の何れかに設定されている場合、対象者にとって、温度の快適性の低下と照度の快適性の低下が合わさって、快適性の低下が大きいと考えられる。
図４は、設定値算出部１８４が用いる覚醒度最適化モデルに、式（１２）〜（１４）の制約条件を含める場合の、機器設定値の例を示す図である。図４のグラフの横軸は、空調設定値（空調温度設定値（温度））を示す。縦軸は、照明設定値（照明出力設定値（照度））を示す。
図４の例では、図３の場合の制約条件に加えてさらに、空調設定値の快適値からのずれと照明設定値の快適値からのずれとの合計の大きさが、所定の大きさ以下であるという制約条件が設けられている。領域Ａ１２（斜線部分）は、その制約条件を満たす範囲を示す。これによって、空調機器、照明機器共に設定可能な空調設定値および照明設定値の範囲内であっても、ともに快適値から大きく外れる機器設定値には設定されなくなる。これにより、対象者にとって、温度の快適性の低下と照度の快適性の低下が合わさって快適性の低下が大きくなることを回避できる。
図３と図４とを比較すると、式（１２）〜（１４）の制約条件を追加することによる効果が、機器設定値の範囲領域が、図３における領域Ａ１１（斜線部分）から図４における領域Ａ１２（斜線部分）に変更されて、模式的に示されている。
第２取得部１８３より覚醒度推定値を取得可能な場合は、式（８）に代えて式（１５）を用いるようにしてもよい。
Figure 2020162362
この場合、制約条件に式（１６）が含まれていてもよい。
Figure 2020162362
式（１６）のＡｉ，ｔ−１ Δを、式（１５）を用いて算出することができる。
また、Ａｉ，ｔ σ（時間ステップｔにおける対象者ｉの、覚醒度の時間変化量のばらつき度合）は、式（１７）のように示される。
Figure 2020162362
覚醒度予測モデル１７２として式（８）〜（１０）に代えて式（９）、（１０）、（１５）〜（１７）を用いることで、現在の覚醒度推定値を取り入れることができ、予測精度が高くなる効果がある。そのため覚醒度予測モデルは、説明変数として、覚醒度の時間平均値、時間変化量、時間ばらつきを含む。ここでstdは標準偏差を表し、時間ばらつきを標準偏差としている。また、ここでは将来の時間ばらつきは現在の値と同じであるとしている（数１７）。
式（１６）のＡｉ，ｔ σ（時間ステップｔにおける対象者ｉの、覚醒度の時間変化量のばらつき度合）のように、覚醒度予測モデル１７２への入力に覚醒度のばらつき度合いが含まれていてもよい。覚醒度のばらつき度合いが大きい場合、対象者がうとうとしていることが考えられ、対象者の覚醒度は比較的低いと考えられる。このように、覚醒度予測モデル１７２への入力に覚醒度のばらつき度合いが含まれていることで、覚醒度の現状をより正確に把握できると期待され、覚醒度の予測精度が向上すると期待される。
物理量予測モデル１７１、覚醒度予測モデル１７２および覚醒度最適化モデルについて、さらに説明する。
物理量予測モデル１７１は、物理量の測定値と対応する機器設定値に基づいて、所定時間が経過したときの物理量の予測値を算出することができる数理モデルである。物理量が温度であり、対応する環境制御機器２００が空調機器である場合の物理量予測モデル１７１は、上記のように式（６）で示される。物理量が照度であり、対応する環境制御機器２００が照明機器の場合の物理量予測モデル１７１は、上記のように式（７）で示される。
物理量予測モデル１７１は、線形回帰モデルまたは非線形回帰モデルであってもよい。この場合、モデルのパラメータ値は、入出力データをペアとした学習データを用いて同定できる。非線形回帰モデルの例としては、決定木、非線形カーネルのサポートベクトル回帰、ニューラルネットワーク、などがある。パラメータ値の同定の際、事前に実験などにより得られた学習データで同定した値を初期値として用いることができる。また、物理量予測モデル学習部１８８がパラメータを更新するようにしてもよい。パラメータ値の同定アルゴリズムはモデルの関数形に合わせて適切な方法にて実行すればよく、例えば、線形回帰モデルの場合はサポートベクトル回帰によりパラメータの同定が可能である。
但し、物理量予測モデル１７１の構成は特定の構成に限定されず、機械学習を適用可能ないろいろな構成とすることができる。
覚醒度予測モデル１７２は、物理量の時間平均値と時間変化量において、所定時間が経過したときのユーザの覚醒度の変化量の予測値を算出することができる数理モデルである。物理量が温度および照度であり、対応する環境制御機器２００がそれぞれ空調機器および照明機器である場合の覚醒度予測モデルは、上述したように式（８）〜（１０）で示される。
覚醒度予測モデル１７２は、線形回帰モデルまたは非線形回帰モデルであってもよい。この場合、モデルのパラメータ値は入出力データをペアとした学習データを用いて同定できる。非線形回帰モデルの例としては、決定木、非線形カーネルのサポートベクトル回帰、ニューラルネットワーク、などがある。パラメータ値の同定の際、事前に実験などにより得られた学習データで同定した値を初期値として用いることができる。また、覚醒度予測モデル学習部１８９がパラメータを更新するようにしてもよい。パラメータ値の同定アルゴリズムはモデルの関数形に合わせて適切な方法にて実行すればよい。例えば、線形回帰モデルの場合はサポートベクトル回帰によりパラメータの同定が可能である。
但し、覚醒度予測モデル１７２の構成は特定の構成に限定されず、機械学習を適用可能ないろいろな構成とすることができる。
覚醒度最適化モデルは、非線形離散最適化問題であるため、例えば、遺伝的アルゴリズムまたは離散ＰＳＯ（Particle Swarm Optimization）などのメタヒューリスティクスアルゴリズム（Meta Heuristic Algorithm）による数理最適化計算を実行して求解する。不等式の制約条件（上記の式（４）、（５）、（１２））については、例えば、ペナルティ関数法による無制約最適化問題へ変換を行うか、ε制約法などとの組み合わせによる拡張を行ったメタヒューリスティクスを用いることで最適解を算出することができる。
定数および係数の数値について説明を行う。
時間ステップ幅Δτの値は、例えば、１５〜３０分の範囲から適当な値とする。時間ステップ幅Δτの値は、覚醒度予測モデルの予測精度や覚醒効果などの観点から１５分が好適である。
時間ステップインデックス集合Ｔは、予測ホライズンに相当する。時間変化による環境変化の刺激（温冷熱刺激など）を考慮するためには時間ステップ数を２以上とする必要がある。計算量のとのバランスから時間ステップ数は３または４が好適である。
空調温度設定値の下限値Ｔｍｉｎ、上限値Ｔｍａｘ、快適値Ｔｂｅｓｔの値を、入力インターフェースを設けてユーザに設定させてもよい。３つの値をそれぞれユーザに入力させてもよい。快適値Ｔｂｅｓｔのみをユーザに入力させて残りの２つの値を、快適性を損ねない前後１℃、つまり、「Ｔｍｉｎ＝Ｔｂｅｓｔ−１」、「Ｔｍａｘ＝Ｔｂｅｓｔ＋１」としてもよい。反対に、下限値Ｔｍｉｎ、上限値Ｔｍａｘをユーザに入力させて残り１つの値を、平均値、つまり、「Ｔｂｅｓｔ＝（Ｔｍｉｎ＋Ｔｍａｘ）／２」としてもよい。このようにすることで、ユーザが温熱的に快適な範囲で覚醒効果を得られる空調温度設定値を算出することができる。
同様に、照明出力設定値の下限値Ｌｍｉｎ、上限値Ｌｍａｘ、快適値Ｌｂｅｓｔの値を、入力インターフェースを設けてユーザに設定させてもよい。３つの値をそれぞれユーザに入力させてもよい。快適値Ｌｂｅｓｔのみをユーザに入力させて残りの２つの値を、快適性を損ねない前後２０％、つまり、「Ｌｍｉｎ＝Ｌｂｅｓｔ−２０」、「Ｌｍａｘ＝Ｌｂｅｓｔ＋２０」としてもよい。ここでは、Ｌｍｉｎ、Ｌｍａｘ、Ｌｂｅｓｔの値について、パーセントによる表記としている。例えば、Ｌｍｉｎの値を０％とし、Ｌｍａｘの値を１００％としてもよい。
反対に、下限値Ｌｍｉｎ、上限値Ｌｍａｘをユーザに入力させて残り１つの値を、平均値、つまり、「Ｌｂｅｓｔ＝（Ｌｍｉｎ＋Ｌｍａｘ）／２」としてもよい。このようにすることで、ユーザが明るさ的に快適な範囲で覚醒効果を得られる照明出力設定値を算出することができる。
空調温度のペナルティ係数ｐＴは、前述の通り快適値Ｔｂｅｓｔから前後１℃が不快の基準となることから、「ｐＴ＝１／１［ｐｏｉｎｔ／℃］」が好適である。
照明出力のペナルティ係数ｐＴは、前述の通り快適値Ｔｂｅｓｔから前後２０％が不快の基準となることから、「ｐＬ＝１／２０［ｐｏｉｎｔ／％］」が好適である。
ペナルティスコアの上限値ｐｍａｘは、１以上２未満することが好適である。例えば、「ｐｍａｘ＝１．５」とすると良い。これは、同時に複数の環境制御機器による不快に対する許容は、高々２種類程度までである、ということが経験的に知られているためである。
ここで、対象者のインデックス集合Ｎ、相対時刻τでの覚醒度推定値ａｉ（τ）は、第２取得部から取得した情報によって定まる定数である。よって以上より、機器設定値の算出に関わる全ての定数および係数は、特段の調整が不要であることがわかる。
設定値算出部１８４の計算実行は、図５または図６に示す手順で行う。計算実行は周期をΔτとして定周期毎に実行することが好適である。
図５は、設定値算出部１８４が機器設定値を算出して環境制御機器２００に設定する処理の手順の第１例を示すフローチャートである。図５は、設定値算出部１８４が覚醒度推定値を用いずに機器設定値を算出する場合の例を示している。
図５の処理で、設定値算出部１８４は、機器設定値を算出する処理の実行タイミングが到来したか否かを判定する（ステップＳ１００）。実行タイミングが到来していないと判定した場合（ステップＳ１００：Ｎｏ）、処理がステップＳ１００へ戻る。これにより、設定値算出部１８４は、機器設定値を算出する処理の実行タイミングの到来を待ち受ける。
一方、機器設定値を算出する処理の実行タイミングが到来したと判定した場合（ステップＳ１００：Ｙｅｓ）、設定値算出部１８４は、監視制御部１８１から機器設定値を取得する（ステップＳ１１０）。
また、設定値算出部１８４は、第１取得部１８２から環境測定値（環境測定機器３００が測定した物理量の測定値）を取得する（ステップＳ１２０）。そして、設定値算出部１８４は、上述したように最適化問題を解くことで、機器設定値（機器設定値を更新するための値）を算出する（ステップＳ１３０）。ステップＳ１３０では、設定値算出部１８４は、覚醒度推定値を用いずに機器設定値を算出する。
設定値算出部１８４は、得られた機器設定値を監視制御部１８１へ出力する（ステップＳ１４０）。監視制御部１８１は、設定値算出部１８４から得られた機器設定値を、通信部１１０を介して環境制御機器２００へ送信することで、その機器設定値を環境制御機器２００に設定する。
ステップＳ１４０の後、設定値算出部１８４は、図５の処理を終了する。
図６は、設定値算出部１８４が機器設定値を算出して環境制御機器２００に設定する処理の手順の第２例を示すフローチャートである。図６は、設定値算出部１８４が覚醒度推定値を用いて機器設定値を算出する場合の例を示している。
図６のステップＳ２００〜２２０は、図５のステップＳ１００〜１２０と同様である。
ステップＳ２２０の後、設定値算出部１８４は、第２取得部１８３から覚醒度推定値を取得する（ステップＳ２３０）。
そして、設定値算出部１８４は、上述したように最適化問題を解くことで、機器設定値（機器設定値を更新するための値）を算出する（ステップＳ２４０）。ステップＳ２４０では、設定値算出部１８４は、覚醒度推定値を用いて機器設定値を算出する。
ステップＳ２５０は、図５のステップＳ１４０と同様である。
ステップＳ２５０の後、設定値算出部１８４は、図６の処理を終了する。
物理量予測モデル学習部１８８の計算実行は、図７に示す手順で行う。例えば、計算実行は定周期で実行し、周期は１日から２週間の範囲とし、１日が好適である。
図７は、物理量予測モデル学習部１８８が機械学習で物理量予測モデル１７１のパラメータ値を算出する処理の手順の例を示すフローチャートである。
図７の処理で、物理量予測モデル学習部１８８は、パラメータ値を算出する処理の実行タイミングが到来したか否かを判定する（ステップＳ３００）。実行タイミングが到来していないと判定した場合（ステップＳ３００：Ｎｏ）、処理がステップＳ３００へ戻る。これにより、物理量予測モデル学習部１８８は、パラメータ値を算出する処理の実行タイミングの到来を待ち受ける。
一方、パラメータ値を算出する処理の実行タイミングが到来したと判定した場合（ステップＳ３００：Ｙｅｓ）、物理量予測モデル学習部１８８は、物理量予測モデル１７１が未学習か判定する（ステップＳ３１０）。
具体的には、物理量予測モデル学習部１８８は、設定値算出部１８４に対して物理量予測モデル１７１のパラメータの取得を試みる。パラメータを取得ができた場合、物理量予測モデル学習部１８８は、物理量予測モデル１７１は学習済みであると判定する。一方、パラメータを取得できない場合、物理量予測モデル学習部１８８は、物理量予測モデル１７１は未学習であると判定する。
物理量予測モデル１７１が学習済みであると判定した場合（ステップＳ３１０：Ｎｏ）、物理量予測モデル学習部１８８は、学習後に所定時間が経過しているか判定する（ステップＳ３２０）。具体的には、物理量予測モデル学習部１８８は、物理量予測モデル１７１のパラメータの最終更新日時を取得し、最終更新日時と現在時刻と比較してその差が所定時間を超えているかを判定する。この場合の所定時間は、例えば１日から２週間の範囲内の時間とし、１週間が好適である。
学習後に所定時間が経過していないと判定した場合（ステップＳ３２０：Ｎｏ）、物理量予測モデル学習部１８８は、監視制御部１８１から機器設定値を取得する（ステップＳ３３０）。また、物理量予測モデル学習部１８８は、第１取得部１８２から物理量の測定値（環境測定値）を取得する（ステップＳ３４０）。
そして、物理量予測モデル学習部１８８は、取得したデータと、物理量予測モデル１７１に設定されているパラメータ値とを用いて、物理量予測モデル１７１の予測精度の評価を行い、物理量予測モデル１７１の予測精度が低下したか判定する（ステップＳ３５０）。
例えば、物理量予測モデル学習部１８８は、予測精度の評価指標を、平均絶対誤差率、または、相関係数などとして、評価指標が予め定めた値を下回ったか否かを判定する。判定の際には複数の評価指標を用いてもよい。例えば、物理量予測モデル学習部１８８が、平均絶対誤差率および相関係数を用いて、２つの評価指標ともに予め定めた値を下回ったときに予測精度が低下したと判定するようにしてもよい。
物理量予測モデル１７１の予測精度が低下していないと判定した場合（ステップＳ３５０：Ｎｏ）、物理量予測モデル学習部１８８は、図７の処理を終了する。
一方、物理量予測モデル１７１の予測精度が低下していると判定した場合（ステップＳ３５０：Ｙｅｓ）、物理量予測モデル学習部１８８は、取得した機器設定値および物理量の測定値を学習データとして機械学習等によるモデルパラメータ値の算出を実行する（ステップＳ３６０）。物理量予測モデル学習部１８８が、物理量予測モデルの関数形に合わせて適切な方法にて機械学習等を実行するようにすればよい。例えば、線形回帰モデルの場合は物理量予測モデル学習部１８８がサポートベクトル回帰を実行する。
物理量予測モデル学習部１８８は、得られたパラメータ値を設定値算出部１８４へ出力することで、物理量予測モデル１７１のパラメータ値を更新する（ステップＳ３７０）。
物理量予測モデル学習部１８８が、機械学習等により得られたパラメータにて予測精度の評価を行い、学習前よりも予測精度が改善された場合に、パラメータと学習計算を実行した日時とを設定値算出部１８４に出力するようにしてもよい。予測精度の評価指標は、平均絶対誤差率、または、相関係数などとすればよい。
ステップＳ３７０の後、物理量予測モデル学習部１８８は、図７の処理を終了する。
一方、ステップＳ３１０で、物理量予測モデル１７１が未学習であると判定した場合（ステップＳ３１０：Ｙｅｓ）、物理量予測モデル学習部１８８は、監視制御部１８１から機器設定値を取得する（ステップＳ３３１）。また、物理量予測モデル学習部１８８は、第１取得部１８２から物理量の測定値（環境測定値）を取得する（ステップＳ３４１）。
ステップＳ３４１の後、処理がステップＳ３６０へ進む。
一方、ステップＳ３２０で、学習後に所定時間が経過していると判定した場合（ステップＳ３２０：Ｙｅｓ）、処理がステップＳ３３１へ進む。
覚醒度予測モデル学習部１８９の計算実行は、図８に示す手順で行う。例えば、計算実行は定周期毎に実行し、周期は１週間から１ヶ月の範囲とする。周期は、１ヶ月が好適である。
図８は、覚醒度予測モデル学習部１８９が機械学習で覚醒度予測モデル１７２のパラメータ値を算出する処理の手順の例を示すフローチャートである。
図８の処理で、覚醒度予測モデル学習部１８９は、パラメータ値を算出する処理の実行タイミングが到来したか否かを判定する（ステップＳ４００）。実行タイミングが到来していないと判定した場合（ステップＳ４００：Ｎｏ）、処理がステップＳ４００へ戻る。これにより、覚醒度予測モデル学習部１８９は、パラメータ値を算出する処理の実行タイミングの到来を待ち受ける。
一方、パラメータ値を算出する処理の実行タイミングが到来したと判定した場合（ステップＳ４００：Ｙｅｓ）、覚醒度予測モデル学習部１８９は、覚醒度予測モデル１７２が未学習か判定する（ステップＳ４１０）。
具体的には、覚醒度予測モデル学習部１８９は、設定値算出部１８４に対して覚醒度予測モデル１７２のパラメータの取得を試みる。パラメータを取得ができた場合、覚醒度予測モデル学習部１８９は、覚醒度予測モデル１７２は学習済みであると判定する。一方、パラメータを取得できない場合、覚醒度予測モデル学習部１８９は、覚醒度予測モデル１７２は未学習であると判定する。
覚醒度予測モデル１７２が学習済みであると判定した場合（ステップＳ４１０：Ｎｏ）、覚醒度予測モデル学習部１８９は、学習後に所定時間が経過しているか判定する（ステップＳ４２０）。具体的には、覚醒度予測モデル学習部１８９は、覚醒度予測モデル１７２のパラメータの最終更新日時を取得し、最終更新日時と現在時刻と比較してその差が所定時間を超えているかを判定する。この所定時間は、例えば２週間から６ヶ月の範囲内の時間とし、２ヶ月が好適である。
学習後に所定時間が経過していないと判定した場合（ステップＳ４２０：Ｎｏ）、覚醒度予測モデル学習部１８９は、第２取得部１８３から覚醒度推定値を取得する（ステップＳ４３０）。また、覚醒度予測モデル学習部１８９は、第１取得部１８２から物理量の測定値（環境測定値）を取得する（ステップＳ４４０）。
そして、覚醒度予測モデル学習部１８９は、取得したデータと、覚醒度予測モデル１７２に設定されているパラメータ値とを用いて、覚醒度予測モデル１７２の予測精度の評価を行い、覚醒度予測モデル１７２の予測精度が低下したか判定する（ステップＳ４５０）。
例えば、覚醒度予測モデル学習部１８９は、予測精度の評価指標を、平均絶対誤差率、または、相関係数などとして、評価指標が予め定めた値を下回ったか否かを判定する。判定の際には複数の評価指標を用いてもよい。例えば、覚醒度予測モデル学習部１８９が、平均絶対誤差率および相関係数を用いて、２つの評価指標ともに予め定めた値を下回ったときに予測精度が低下したと判定するようにしてもよい。
覚醒度予測モデル１７２の予測精度が低下していないと判定した場合（ステップＳ４５０：Ｎｏ）、覚醒度予測モデル学習部１８９は、図８の処理を終了する。
一方、覚醒度予測モデル１７２の予測精度が低下していると判定した場合（ステップＳ４５０：Ｙｅｓ）、覚醒度予測モデル学習部１８９は、取得した覚醒度推定値および物理量の測定値（環境測定値）を学習データとして機械学習によるモデルパラメータ値の算出を実行する（ステップＳ４６０）。覚醒度予測モデル学習部１８９が、物理量予測モデルの関数形に合わせて適切な方法にて機械学習を実行するようにすればよい。例えば、線形回帰モデルの場合は覚醒度予測モデル学習部１８９がサポートベクトル回帰を実行する。
覚醒度予測モデル学習部１８９は、得られたパラメータ値を設定値算出部１８４へ出力することで、覚醒度予測モデル１７２のパラメータ値を更新する（ステップＳ４７０）。
覚醒度予測モデル学習部１８９が、機械学習等により得られたパラメータにて予測精度の評価を行い、学習前よりも予測精度が改善された場合に、パラメータと学習計算を実行した日時とを設定値算出部１８４に出力するようにしてもよい。予測精度の評価指標は、平均絶対誤差率、または、相関係数などとすればよい。
ステップＳ４７０の後、覚醒度予測モデル学習部１８９は、図８の処理を終了する。
一方、ステップＳ４１０で、覚醒度予測モデル１７２が未学習であると判定した場合（ステップＳ４１０：Ｙｅｓ）、覚醒度予測モデル学習部１８９は、第２取得部１８３から覚醒度推定値を取得する（ステップＳ４３１）。また、覚醒度予測モデル学習部１８９は、第１取得部１８２から物理量の測定値（環境測定値）を取得する（ステップＳ４４１）。
ステップＳ４４１の後、処理がステップＳ４６０へ進む。
一方、ステップＳ４２０で、学習後に所定時間が経過していると判定した場合（ステップＳ４２０：Ｙｅｓ）、処理がステップＳ４３１へ進む。
設定値決定部１８７は、図９〜図１２に示す手順で処理を行う。例えば、計算実行は定周期毎に実行し、周期は１日から２週間の範囲とする。周期は、１日が好適である。
図９は、設定値決定部１８７が機器設定値を決定して出力する処理手順の第１例を示す図である。設定値決定部１８７は、物理量予測モデル１７１、覚醒度予測モデル１７２の各々について、図９の処理を行う。例えば、設定値決定部１８７が、物理量予測モデル１７１および覚醒度予測モデル１７２について同期を取りながら各々に図９の処理を適用し、条件分岐では、両モデルの判定結果を総合的に勘案して分岐を行うようにしてもよい。
図９の処理で、設定値決定部１８７は、機器設定値を決定する処理の実行タイミングが到来したか否かを判定する（ステップＳ５００）。実行タイミングが到来していないと判定した場合（ステップＳ５００：Ｎｏ）、処理がステップＳ５００へ戻る。これにより、設定値決定部１８７は、機器設定値を決定する処理の実行タイミングの到来を待ち受ける。
一方、機器設定値を決定する処理の実行タイミングが到来したと判定した場合（ステップＳ５００；Ｙｅｓ）、設定値決定部１８７は、物理量予測モデル１７１および覚醒度予測モデル１７２のうち何れか処理対象となっている方が未学習か判定する（ステップＳ５１０）。
具体的には、設定値決定部１８７は、設定値算出部１８４に対して、物理量予測モデル１７１および覚醒度予測モデル１７２のうち何れか処理対象となっている方のパラメータの取得を試みる。設定値決定部１８７は、パラメータを取得ができたモデルについては学習済みであると判定する。一方、設定値決定部１８７は、パラメータを取得できなかったモデルは未学習であると判定する。
処理対象のモデルが学習済みであると判定した場合（ステップＳ５１０：Ｎｏ）、設定値決定部１８７は、監視制御部１８１から機器設定値を取得する（ステップＳ５２０）。
また、処理対象のモデルが物理量予測モデル１７１である場合、設定値決定部１８７は、第１取得部１８２から物理量の測定値（環境測定値）を取得する（ステップＳ５３０）。処理対象のモデルが覚醒度予測モデル１７２である場合は、設定値決定部１８７は、ステップ５３０で、第２取得部１８３から覚醒度推定値を取得する。
そして、設定値決定部１８７は、取得してデータおよび処理対象のモデルのパラメータ値を用いて、処理対象のモデルの予測精度の評価を行い、予測精度が低下したか判定する（ステップＳ５４０）。
例えば、設定値決定部１８７は、予測精度の評価指標を、平均絶対誤差率、または、相関係数などとして、評価指標が予め定めた値を下回ったか否かを判定する。判定の際には複数の評価指標を用いてもよい。例えば、設定値決定部１８７が、平均絶対誤差率および相関係数を用いて、２つの評価指標ともに予め定めた値を下回ったときに予測精度が低下したと判定するようにしてもよい。
処理対象のモデルの予測精度が低下していないと判定した場合（ステップＳ５４０：Ｎｏ）、設定値決定部１８７は、図９の処理を終了する。
一方、処理対象のモデルの予測精度が低下していると判定した場合（ステップＳ５４０：Ｙｅｓ）、設定値決定部１８７は、機器設定値を決定する（ステップＳ５５０）。具体的には、設定値決定部１８７は、機器設定値の上下限範囲内で、できるだけ変動が大きくなるような機器設定値を決定する。機器設定値の上下限範囲は、例えば式（４）および（５）に示されている。例えば、設定値決定部１８７が、図１０に示すように機器設定値を上限値と下限値との範囲内において周期的に変更させるようにしてもよい。
図１０は、環境制御機器２００に対する、設定値決定部１８７による機器設定値の設定例を示す図である。図１０の部分（Ａ）は、環境制御機器２００が空調機器である場合の、設定値決定部１８７による機器設定値の設定例を示す。図１０の部分（Ａ）のグラフの横軸は時間を示す。縦軸は、機器設定値（空調設定値（空調温度設定値））を示す。
図１０の部分（Ａ）の例で、設定値決定部１８７は、空調設定値をその上限値と下限値との範囲内で大きく変化させている。具体的には、設定値決定部１８７は、空調設定値をその上限値と下限値とに周期的に変化させている。
このように、設定値決定部１８７が環境制御機器２００（図１０の例では空調機器）に対する機器設定値を大きく変化させることで、機械学習等に適した、説明変数値の変化が比較的大きいデータが得られる。
図１０の部分（Ｂ）は、環境制御機器２００が照明機器である場合の、設定値決定部１８７による機器設定値の設定例を示す。図１０の部分（Ｂ）のグラフの横軸は時間を示す。縦軸は、機器設定値（照明設定値（照明出力設定値））を示す。
図１０の部分（Ｂ）の例で、設定値決定部１８７は、図１０の部分（Ａ）の場合と同様、照明設定値をその上限値と下限値との範囲内で大きく変化させている。
また、図１０の部分（Ａ）の例と図１０の部分（Ｂ）の例とを比較すると、設定値決定部１８７は、空調機器と照明機器とで異なる周期で機器設定値を変化させている。具体的には、設定値決定部１８７は、照明機器の機器設定値を、空調機器の場合の半分の周期で変化させている。
このように、複数種類の環境制御機器２００が存在する場合に、設定値決定部１８７が、それぞれの周期を異なるようにして複数種類の環境制御機器２００の機器設定値の上限値と下限値の組み合わせが網羅的となるように、機器設定値を変化させる。このとき、温度の時間変化は照度の時間変化よりも遅いため、空調機器の機器設定値の変動周期を照明機器の機器設定値の変動周期よりも長くすることが好適である。他にも、設定値決定部１８７が、予め定めた変動パターンに従うように機器設定値を決定してもよいし、単純にランダムに機器設定値を決定してもよい。
設定値決定部１８７は、機器設定値を算出した場合（図９の例ではステップＳ５５０）に、設定値算出部１８４に対して設定値算出計算の実行不許可情報を送信する。実行不可情報には有効期限が付与されており、実行不許可情報を取得した設定値算出部１８４は、有効期限までは一連の処理（ステップＳ１１０〜Ｓ１４０またはＳ２１０〜Ｓ２４０）を実行しない。例えば、ステップＳ１００またはＳ２００にて、処理が「Ｎｏ」に分岐する。
ステップＳ５５０の後、設定値決定部１８７は、決定した機器設定値を設定値算出部１８４へ出力することで、処理対象のモデルのパラメータ値を設定または更新する（ステップＳ５６０）。
ステップＳ５６０の後、設定値決定部１８７は、図９の処理を終了する。
一方、ステップＳ５１０で処理対象のモデルが未学習みであると判定した場合（ステップＳ５１０：Ｙｅｓ）、設定値決定部１８７は、監視制御部１８１から機器設定値を取得する（ステップＳ５２１）。
また、処理対象のモデルが物理量予測モデル１７１である場合、設定値決定部１８７は、第１取得部１８２から物理量の測定値を取得する（ステップＳ５３１）。処理対象のモデルが覚醒度予測モデル１７２である場合は、設定値決定部１８７は、ステップ５３１で、第２取得部１８３から覚醒度推定値を取得する。
ステップＳ５３１の後、処理がステップＳ５５０へ進む。
図１１は、設定値決定部１８７が機器設定値を決定して出力する処理手順の第２例を示す図である。図９が、処理対象のモデルが物理量予測モデル１７１である場合の例を示しているのに対して、図１１は、処理対象のモデルが覚醒度予測モデル１７２である場合の例を示している。このため、図９のステップＳ５２０、Ｓ５２１のいずれでも、設定値決定部１８７が機器設定値を取得するのに対し、図１１のステップＳ６２０、Ｓ６２１のいずれでも、設定値決定部１８７は覚醒度推定値を取得する。
それ以外の点については、図１１の処理は図９の場合と同様である。
上述したように、設定値決定部１８７は、機器設定値を算出した場合に、設定値算出部１８４に対して設定値算出計算の実行不許可情報を送信する。図１１では、設定値決定部１８７は、ステップＳ６５０で、設定値算出部１８４に対して設定値算出計算の実行不許可情報を送信する。
図１２は、設定値決定部１８７が機器設定値を決定して出力する処理手順の第３例を示す図である。図９が、処理対象のモデルが物理量予測モデル１７１である場合の例を示し、図１１が、処理対象のモデルが覚醒度予測モデル１７２である場合の例を示している。これらに対し、図１２は、物理量予測モデル１７１および覚醒度予測モデル１７２の両方を処理対象とする場合の例を示している。
このため、図９の処理では、設定値決定部１８７が機器設定値を取得し、図１１の処理では、設定値決定部１８７が覚醒度推定値を取得するのに対し、図１２の処理では、設定値決定部１８７は、機器設定値を取得および覚醒度推定値の両方を取得する。具体的には、設定値決定部１８７は、図１２のステップＳ７２０およびＳ７２１で機器設定値を取得し、ステップＳ７３０およびＳ７３１で覚醒度設定値を取得する。
図１２のステップＳ７１０で、物理量予測モデル１７１および覚醒度予測モデル１７２のうち何れか一方でも判定がＹｅｓとなった場合には、処理がＹｅｓへ分岐するようにしてもよい。ステップＳ７５０についても、何れか一方でも判定がＹｅｓとなった場合には、処理がＹｅｓへ分岐するようにしてもよい。ステップＳ７００についても、何れか一方でも判定がＹｅｓとなった場合には、処理がＹｅｓへ分岐するようにしてもよい。このように、物理量予測モデル１７１の処理と覚醒度予測モデル１７２の処理との同期を取り、両方のモデルを総合的に勘案して条件分岐するようにしてもよい。
あるいは、物理量予測モデル１７１と覚醒度予測モデル１７２とで分岐先が異なる場合、別々に図１２の処理を行うようにしてもよい。
それ以外の点については、図１２の処理は、図９の場合および図１１の場合と同様である。
上述したように、設定値決定部１８７は、機器設定値を算出した場合に、設定値算出部１８４に対して設定値算出計算の実行不許可情報を送信する。図１２では、設定値決定部１８７は、ステップＳ７６０で、設定値算出部１８４に対して設定値算出計算の実行不許可情報を送信する。
以上のように、物理量予測モデル１７１は、対象者の覚醒度に影響する物理量の設定値に基づいて、その物理量の予測値を算出する。覚醒度予測モデル１７２は、物理量予測モデル１７１が算出する物理量の予測値に基づいて、覚醒度の予測値を算出する。設定値算出部１８４は、物理量予測モデル１７１、および、覚醒度予測モデル１７２を用いて、物理量に関する制約条件の下で、対象者の覚醒度を制御するための設定値（機器設定値）を算出する。監視制御部１８１は、算出された設定値を環境制御機器２００に設定する。
このように、物理量予測モデル１７１が物理量の予測値を算出し、覚醒度予測モデル１７２が、その物理量の予測値を用いて覚醒度を予測することで、覚醒度の予測に物理量の変化の見込みを組み込むことができる。覚醒度制御装置１００によれば、この点で、覚醒度制御の際に、周囲環境への働きかけが覚醒度に及ぼす影響をより正確に把握することができる。
また、覚醒度制御装置１００によれば、上述したように機器設定値の算出に関わる全ての定数および係数について、特段の調整を不要とすることができる。
また、設定値算出部１８４は、覚醒度がより高くなるように設定値を算出する。
覚醒度制御装置１００によれば、対象者の覚醒度の向上を図ることができ、例えば、対象者が作業を行っている場合に作業効率の向上を図ることができる。
また、物理量予測モデル１７１は、物理量の測定値と制御対象機器の設定値とに基づいて、所定時間が経過したときの物理量の予測値を算出することができる数理モデルである。
物理量予測モデル１７１が数理モデルとして構成されていることで、物理量予測モデル１７１を構成する数式等に意味付けを行うことができる。この意味を解釈することで、物理量予測モデル１７１の妥当性を検証することができる。
覚醒度予測モデル１７２は、物理量の時間平均値と変化量とに基づいて、所定時間が経過したときの対象者の覚醒度の変化量の予測値を算出することができる数理モデルである。
覚醒度予測モデル１７２が数理モデルとして構成されていることで、覚醒度予測モデル１７２を構成する数式等に意味付けを行うことができる。この意味を解釈することで、覚醒度予測モデル１７２の妥当性を検証することができる。
また、設定値算出部１８４は、数理モデルである覚醒度最適化モデルにて、目的関数の値がより大きくなるように設定値を算出する。具体的には、設定値算出部１８４は、この覚醒度最適化モデルが示す最適化問題を解く。この覚醒度最適化モデルは、制約条件に、物理量予測モデルである第１制約条件、覚醒度予測モデルである第２制約条件、および、環境制御機器の設定値が所定の範囲である第３制約条件を含む。また、この覚醒度最適化モデルの目的関数は、１人以上の対象者、および、時間ステップの１区間以上における、覚醒度の変化量の予測値の総和値または平均値を算出する関数である。
設定値算出部１８４が数理モデルである覚醒度最適化モデルを用いることで、覚醒度最適化モデルを構成する数式等に意味付けを行うことができる。この意味を解釈することで、覚醒度最適化モデルの妥当性を検証することができる。覚醒度最適化モデルの妥当性の検証によって、設定値算出部１８４が行う処理の妥当性を検証することができる。
また、設定値算出部１８４は、１人以上の対象者、および、時間ステップの１区間以上における、覚醒度の変化量の予測値の刈込み平均値がより大きくなるように設定値を算出する。
設定値算出部１８４が刈り込み平均を用いることで、例えば対象者の中に、物理量の変化に対して覚醒度の変化が極端に小さい人、あるいは逆に極端に大きい人がいる場合にそれら極端な対象者を過大に評価しないようになるため、全体の最適化を図ることができる。
また、設定値算出部１８４は、設定値について算出される快適性のスコアに関する制約条件を満たす設定値を算出する。
これにより、設定値算出部１８４は、覚醒度だけでなく快適性も配慮された設定値を算出することができる。覚醒度制御装置１００は、この点で、覚醒度と快適性とのバランスをとることができる。
また、設定値算出部１８４は、複数種類の設定値の各々について算出される快適性のペナルティスコアの総和が所定の範囲内になるように、複数種類の設定値をそれぞれ算出する。
これにより、複数種類の環境制御機器２００がある場合に、設定値算出部１８４は、これら複数種類の環境制御機器２００全体で快適性の確保を図ることができる。覚醒度制御装置１００によれば、この点で、快適性の確保を図ることができ、かつ、１種類の環境制御機器２００のみの制御で快適性の確保を図る場合よりも設定値の設定の自由度が大きい。
また、覚醒度予測モデル１７２は、物理量の予測値に加えて、物理量の変化量に基づいて、覚醒度の予測値を算出する。
覚醒度は物理量の変化の大きさに敏感に反応すると考えられる。覚醒度予測モデル１７２が物理量の大きさに基づいて覚醒度の予測を行うことで、覚醒度を高精度に予測できると期待される。
また、覚醒度予測モデル１７２は、少なくとも覚醒度の時間的なばらつきに基づいて、覚醒度の予測値を算出する。
覚醒度の時間的なばらつき（ばらつき度合い）が大きい場合、対象者がうとうとしていることが考えられ、対象者の覚醒度は比較的低いと考えられる。覚醒度予測モデル１７２が覚醒度の時間的なばらつきに基づいて覚醒度の予測を行うことで、覚醒度の現状をより正確に把握できると期待され、覚醒度の予測精度が向上すると期待される。
また、物理量予測モデル学習部１８８は、物理量の測定値と物理量の設定値とに基づく機械学習等を行って、物理量予測モデル１７１の設定パラメータ値を取得する。
これにより、物理量予測モデル学習部１８８は、物理量予測モデル１７１の設定パラメータ値を自動的に取得することができ、覚醒度制御装置１００の管理者などの人手で設定パラメータ値を求める必要がない。覚醒度制御装置１００によれば、この点で、物理量予測モデル１７１の設定を行う手間を軽減することができる。
また、物理量予測モデル学習部１８８は、物理量予測モデル１７１の設定パラメータ値が未設定の場合、物理量予測モデル１７１による予測精度が所定の条件よりも低下した場合、および、物理量予測モデル１７１の設定パラメータ値の設定から所定時間以上経過した場合のうち少なくとも何れか１つの場合に、機械学習等を行う。
これにより、物理量予測モデル学習部１８８は、必要に応じて機械学習等を行うことができる。よって、例えば機械学習等を定常的に繰り返す場合と比較して物理量予測モデル学習部１８８の処理負荷が軽くて済む。
また、覚醒度予測モデル学習部１８９は、物理量の測定値、および、覚醒度に基づく機械学習を行って、覚醒度予測モデルの設定パラメータ値を取得する。
これにより、覚醒度予測モデル学習部１８９は、覚醒度予測モデル１７２の設定パラメータ値を自動的に取得することができる。よって、覚醒度制御装置１００の管理者などの人手で設定パラメータ値を求める必要がない。覚醒度制御装置１００によれば、この点で、覚醒度予測モデル１７２の設定を行う手間を軽減することができる。
また、覚醒度予測モデル学習部１８９は、覚醒度予測モデル１７２の設定パラメータ値が未設定の場合、覚醒度予測モデル１７２による予測精度が所定の条件よりも低下した場合、および、覚醒度予測モデル１７２の設定パラメータ値の設定から所定時間以上経過した場合のうち少なくとも何れか１つの場合に、機械学習を行う。
これにより、覚醒度予測モデル学習部１８９は、必要に応じて機械学習等を行うことができる。よって、例えば機械学習等を定常的に繰り返す場合と比較して覚醒度予測モデル学習部１８９の処理負荷が軽くて済む。
また、設定値決定部１８７は、設定値を、その設定値の所定の範囲内で決定する。監視制御部１８１は、物理量予測モデル１７１の設定パラメータ値が未設定の場合、物理量予測モデル１７１による予測精度が所定の条件よりも低下した場合、物理量予測モデル１７１の設定パラメータ値の設定から所定時間以上経過した場合、覚醒度予測モデル１７２の設定パラメータ値が未設定の場合、覚醒度予測モデル１７２による予測精度が所定の条件よりも低下した場合、および、覚醒度予測モデル１７２の設定パラメータ値の設定から所定時間以上経過した場合のうち少なくとも何れか１つの場合に、設定値算出部１８４が算出した設定値に代えて、設定値決定部１８７が決定した設定値を環境制御機器２００に設定する。
設定値決定部１８７が、設定値を決定することで、設定値算出部１８４による覚醒度制御における最適解以外の設定値を環境制御機器２００に設定することができ、より幅広い学習データを得られる。物理量予測モデル学習部１８８および覚醒度予測モデル学習部１８９のうち少なくとも何れか一方が、設定値決定部１８７が決定した設定値に基づいて得られた学習データを用いて機械学習等を行うことで、より高精度に機械学習を行うことができ、この点で、モデルの精度を高めることができる。
次に、図１３を参照して本発明の実施形態の構成について説明する。
図１３は、実施形態に係る覚醒度制御装置１０の構成の例を示す図である。図１３に示す覚醒度制御装置１０は、物理量予測モデル（物理量予測モデルを記憶した記憶部）１１と、覚醒度予測モデル（覚醒度予測モデルを記憶した記憶部）１２と、設定値算出部１３と、設定部１４とを備える。
かかる構成で、物理量予測モデル１１は、対象者の覚醒度に影響する物理量の設定値に基づいて、その物理量の予測値を算出する。覚醒度予測モデル１２は、前記予測値に基づいて、前記覚醒度の予測値を算出する。設定値算出部１３は、前記物理量予測モデル、および、前記覚醒度予測モデルを用いて、前記物理量に関する制約条件の下で、前記対象者の覚醒度を制御するための前記設定値を算出する。設定部１４は、算出された前記設定値を、前記物理量に影響を及ぼす制御対象機器に設定する。
このように、物理量予測モデル１１が物理量の予測値を算出し、覚醒度予測モデル１２が、その物理量の予測値を用いて覚醒度を予測することで、覚醒度の予測に物理量の変化の見込みを組み込むことができる。覚醒度制御装置１０によれば、この点で、覚醒度制御の際に、周囲環境への働きかけが覚醒度に及ぼす影響をより正確に把握することができる。
覚醒度制御装置１００の構成は、コンピュータを用いた構成に限定されない。例えば、覚醒度制御装置１００が、ＡＳＩＣ（Application Specific Integrated Circuit）を用いて構成されるなど、専用のハードウェアを用いて構成されていてもよい。
本発明の実施形態は、任意の処理を、ＣＰＵ（Central Processing Unit）にコンピュータプログラムを実行させることにより実現することも可能である。
この場合、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（non-transitory computer readable medium）を用いて格納され、コンピュータ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録媒体（tangible storage medium）を含む。非一時的なコンピュータ可読媒体の例は、磁気記録媒体（例えばフレキシブルディスク、磁気テープ、ハードディスクドライブ）、光磁気記録媒体（例えば光磁気ディスク）、ＣＤ−ＲＯＭ（Read Only Memory）、ＣＤ−Ｒ、ＣＤ−Ｒ／Ｗ、ＤＶＤ（Digital Versatile Disc）、ＢＤ(Blu-ray(登録商標) Disc)、半導体メモリ（例えば、マスクＲＯＭ、ＰＲＯＭ（Programmable ROM）、ＥＰＲＯＭ（Erasable PROM）、フラッシュＲＯＭ、ＲＡＭ（Random Access Memory））を含む。
この出願は、２０１９年２月４日に出願された日本国特願２０１９−０１８２１２を基礎とする優先権を主張し、その開示の全てをここに取り込む。
本発明は、覚醒度制御装置、覚醒度制御方法および記録媒体に適用してもよい。
１ 覚醒度制御システム
１０、１００ 覚醒度制御装置
１１、１７１ 物理量予測モデル
１２、１７２ 覚醒度予測モデル
１３、１８４ 設定値算出部（設定値算出手段）
１４ 設定部（設定手段）
１１０ 通信部（通信手段）
１７０ 記憶部（記憶手段）
１８０ 制御部（制御手段）
１８１ 監視制御部（監視制御手段）
１８２ 第１取得部（第１取得手段）
１８３ 第２取得部（第２取得手段）
１８５ 物理量予測モデル演算部（物理量予測モデル演算手段）
１８６ 覚醒度予測モデル演算部（覚醒度予測モデル演算手段）
１８７ 設定値決定部（設定値決定手段）
１８８ 物理量予測モデル学習部（物理量予測モデル学習手段）
１８９ 覚醒度予測モデル学習部（覚醒度予測モデル学習手段）
２００ 環境制御機器
３００ 環境測定機器
４００ 覚醒度推定機器
本発明は、覚醒度制御装置、覚醒度制御方法およびプログラムに関する。
本発明の目的の一例は、上述の課題を解決することのできる覚醒度制御装置、覚醒度制御方法およびプログラムを提供することである。
本発明の第３の態様によれば、プログラムは、
コンピュータに、
対象者の覚醒度に影響する周辺環境の物理量及び前記物理量に影響を及ぼす制御機器の設定値を説明変数として含み、前記物理量の予測値を被説明変数とする陽関数である物理量予測モデルと、前記物理量及びその時間変化量を説明変数として含み、前記覚醒度の時間変化量の予測値を被説明変数とする陽関数である覚醒度予測モデルと、前記設定値が所定の範囲に含まれているという設定値範囲条件とを含む制約条件、並びに、前記対象者を含む１人以上の対象者、及び、２区間以上の時間ステップ数についての前記覚醒度の変化量の予測値が所定の条件を満たす前記１人以上の対象者の予測値の総和値または平均値を表す目的関数を含む覚醒度最適化モデルを用いて、前記制約条件の下で、前記目的関数の値が最大となるように前記設定値を算出し、
算出された前記設定値を、前記制御機器に設定する、
ことを実行させるためのプログラムである。

Claims (6)

  1. 対象者の覚醒度に影響する周辺環境の物理量及び前記物理量に影響を及ぼす制御機器の設定値を説明変数として含み、前記物理量の予測値を被説明変数とする陽関数である物理量予測モデルと、前記物理量及びその時間変化量を説明変数として含み、前記覚醒度の時間変化量の予測値を被説明変数とする陽関数である覚醒度予測モデルと、前記設定値が所定の範囲に含まれているという設定値範囲条件とを含む制約条件、並びに、前記対象者を含む１人以上の対象者、及び、２区間以上の時間ステップ数についての前記覚醒度の変化量の予測値が所定の条件を満たす前記１人以上の対象者の予測値の総和値または平均値を表す目的関数を含む覚醒度最適化モデルを用いて、前記制約条件の下で、前記目的関数の値が最大となるように前記設定値を算出する設定値算出手段と、
    算出された前記設定値を、前記制御機器に設定する設定手段と、
    を備える覚醒度制御装置。
  2. 前記制約条件は、前記設定値を含む複数の設定値について算出される快適性のペナルティスコアの総和が所定の範囲に含まれているという快適性条件を含む、
    請求項１に記載の覚醒度制御装置。
  3. 前記覚醒度予測モデルは、説明変数として、前記覚醒度の時間変化量を含む、
    請求項１または請求項２に記載の覚醒度制御装置。
  4. 前記覚醒度予測モデルは、説明変数として、前記覚醒度の時間的なばらつき含む、
    請求項１から３の何れか一項に記載の覚醒度制御装置。
  5. コンピュータによって、対象者の覚醒度に影響する周辺環境の物理量及び前記物理量に影響を及ぼす制御機器の設定値を説明変数として含み、前記物理量の予測値を被説明変数とする陽関数である物理量予測モデルと、前記物理量及びその時間変化量を説明変数として含み、前記覚醒度の時間変化量の予測値を被説明変数とする陽関数である覚醒度予測モデルと、前記設定値が所定の範囲に含まれているという設定値範囲条件とを含む制約条件、並びに、前記対象者を含む１人以上の対象者、及び、２区間以上の時間ステップ数についての前記覚醒度の変化量の予測値が所定の条件を満たす前記１人以上の対象者の予測値の総和値または平均値を表す目的関数を含む覚醒度最適化モデルを用いて、前記制約条件の下で、前記目的関数の値が最大となるように前記設定値を算出し、
    算出された前記設定値を、前記制御機器に設定する
    ことを含む覚醒度制御方法。
  6. コンピュータに、
    対象者の覚醒度に影響する周辺環境の物理量及び前記物理量に影響を及ぼす制御機器の設定値を説明変数として含み、前記物理量の予測値を被説明変数とする陽関数である物理量予測モデルと、前記物理量及びその時間変化量を説明変数として含み、前記覚醒度の時間変化量の予測値を被説明変数とする陽関数である覚醒度予測モデルと、前記設定値が所定の範囲に含まれているという設定値範囲条件とを含む制約条件、並びに、前記対象者を含む１人以上の対象者、及び、２区間以上の時間ステップ数についての前記覚醒度の変化量の予測値が所定の条件を満たす前記１人以上の対象者の予測値の総和値または平均値を表す目的関数を含む覚醒度最適化モデルを用いて、前記制約条件の下で、前記目的関数の値が最大となるように前記設定値を算出し、
    算出された前記設定値を、前記制御機器に設定する、
    ことを実行させるためのプログラムを記憶した記録媒体。
JP2020571168A 2019-02-04 2020-01-31 覚醒度制御装置、覚醒度制御方法およびプログラム Pending JPWO2020162362A1 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2019018212 2019-02-04
JP2019018212 2019-02-04
PCT/JP2020/003701 WO2020162362A1 (ja) 2019-02-04 2020-01-31 覚醒度制御装置、覚醒度制御方法および記録媒体

Publications (1)

Publication Number Publication Date
JPWO2020162362A1 true JPWO2020162362A1 (ja) 2021-10-21

Family

ID=71948035

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020571168A Pending JPWO2020162362A1 (ja) 2019-02-04 2020-01-31 覚醒度制御装置、覚醒度制御方法およびプログラム

Country Status (3)

Country Link
US (4) US11826147B2 (ja)
JP (1) JPWO2020162362A1 (ja)
WO (1) WO2020162362A1 (ja)

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09140799A (ja) 1995-11-27 1997-06-03 Matsushita Electric Works Ltd 覚醒度維持方法
JP2006349288A (ja) 2005-06-17 2006-12-28 Nippon Telegr & Teleph Corp <Ntt> 空調管理システム、空調管理方法、空調管理装置並びにそのプログラムおよび記録媒体
JP2013012029A (ja) 2011-06-29 2013-01-17 Nissan Motor Co Ltd 覚醒誘導装置
JP5828111B2 (ja) * 2011-07-28 2015-12-02 パナソニックＩｐマネジメント株式会社 心理状態評価装置、心理状態評価システムおよびプログラム
JP6043933B2 (ja) 2012-03-29 2016-12-14 富士重工業株式会社 眠気レベルの推定装置、眠気レベルの推定方法および眠気レベルの推定処理プログラム
CA2988416A1 (en) 2015-06-15 2016-12-22 Medibio Limited Method and system for assessing mental state
CN106361270B (zh) 2015-07-22 2021-05-07 松下电器（美国）知识产权公司 清醒度预测方法和清醒度预测装置
JP6668999B2 (ja) 2016-08-08 2020-03-18 株式会社デンソー 運転支援装置
TW201815347A (zh) 2016-10-21 2018-05-01 財團法人工業技術研究院 睡眠環境控制系統及其方法
JP2018088966A (ja) 2016-11-30 2018-06-14 アイシン精機株式会社 気分推定システム
CN110268451A (zh) * 2017-02-10 2019-09-20 皇家飞利浦有限公司 驾驶员和乘客的健康和睡眠互动
JP6535694B2 (ja) 2017-02-22 2019-06-26 株式会社ジンズ 情報処理方法、情報処理装置及びプログラム
US11219395B2 (en) * 2017-07-19 2022-01-11 Panasonic Intellectual Property Management Co., Ltd. Sleepiness estimating device and wakefulness inducing device
JP6387173B1 (ja) 2017-10-30 2018-09-05 ダイキン工業株式会社 眠気推定装置

Also Published As

Publication number Publication date
US11826147B2 (en) 2023-11-28
US20240057916A1 (en) 2024-02-22
US20220095976A1 (en) 2022-03-31
US20240065601A1 (en) 2024-02-29
WO2020162362A1 (ja) 2020-08-13
US20240057915A1 (en) 2024-02-22

Similar Documents

Publication Publication Date Title
TWI648507B (zh) 智能節能環境調控系統及方法
US8172155B2 (en) Thermal sensation determining apparatus and method, and air-conditioning control apparatus using thermal sensation determination result
JP5964141B2 (ja) 空調制御システムおよび空調制御方法
JP6837199B2 (ja) 覚醒誘導装置及び覚醒誘導システム
JP2020008278A (ja) 集中度推定装置
WO2020162358A1 (ja) 覚醒度制御装置、覚醒度制御方法および記録媒体
JP2017062060A (ja) 環境状態制御システム
JP7338886B2 (ja) エリア別環境管理システム及び方法とプログラム
US11359969B2 (en) Temperature regulation based on thermal imaging
JP2016223694A (ja) 空調制御装置、空調制御方法、および空調制御プログラム
JP2019002676A (ja) 可動式温度調節装置、可動式温度調節装置の運転方法、暖房及び／又は冷房装置、ならびに、暖房及び／又は冷房装置の温度調節方法
JP6908107B2 (ja) 空調システム制御方法、空調システム制御装置および空調システム制御プログラム
WO2020162362A1 (ja) 覚醒度制御装置、覚醒度制御方法および記録媒体
JP6797284B2 (ja) 空気調和装置、空気調和システム、および、制御方法
JP6580264B2 (ja) 空調制御装置、空調制御方法、空調システムおよび空調付き住宅
JP6543235B2 (ja) 周期的変動風を利用する車内空調方法及びシステム
WO2020208933A1 (ja) 生理状態制御装置、生理状態特性表示装置、生理状態制御方法、生理状態特性表示方法およびプログラムを記録したコンピュータ読み取り可能な記録媒体
JP2019190768A (ja) 環境制御システム
JP7295372B2 (ja) 環境制御手段の制御装置
JP2023166275A (ja) 空調システム
WO2024004465A1 (ja) 環境制御システム、環境調整システム、環境制御方法、及びプログラム
JP2023054614A (ja) 環境制御システム
WO2021111648A1 (ja) 制御方法、空気調和機およびプログラム
JP2024057774A (ja) 空調制御システム
CN115727496A (zh) 一种室温调节方法、***、温度调节设备及存储介质

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20210609

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20210609

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20220517

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220719

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20221115

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20221215

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230307

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230426

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20230725

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20231013

A911 Transfer to examiner for re-examination before appeal (zenchi)

Free format text: JAPANESE INTERMEDIATE CODE: A911

Effective date: 20231020

A912 Re-examination (zenchi) completed and case transferred to appeal board

Free format text: JAPANESE INTERMEDIATE CODE: A912

Effective date: 20231124