JP2006106813A - 状態判定システムおよび状態判定装置 - Google Patents

Abstract

【課題】 生活の経年的な軽微かつ緩やかな変化が、生活習慣病や、高齢者の機能低下、活力低下等の異常へとつながる。しかし、従来の検出システムではこうした変化を検知するのは不可能であり、当該変化が継続した結果によってもたらされる異常の発生について検知することができない。
【解決手段】 被験者の状態の推定結果とその生起時間に関する履歴情報を蓄積し、蓄積された生起時間の遷移傾向から、被験者の漸次的な生活変化を判定する。そして、この判定結果をもとに、被験者の生活傾向が悪化に向かっているかを判定する。生活傾向が悪化に向かっている場合には、日々の状態判定の基準となる生起時間の許容領域を補正し、補正後の許容領域をもとに、被験者の生活の日々の変化を判定する。その結果、日々の生活判定において、異常と判定される確率が高められ、被験者に生活改善に向けた動機付けを提供できる。
【選択図】 図１

Description

本発明は、生活上の状態を判定するシステム、およびこのシステムで使用される状態判定装置に関するものである。

近年、一人暮らしの高齢者世帯の増加に伴い、独居高齢者をターゲットとした異常検知システム、監視システムのニーズが高まっている。これらのシステムには、日頃の被験者の生活行動を検知する機器からの応答履歴だけを単純に参照するものや、被験者の居場所を検知して行動内容の推定を行い、その推定結果から、当該被験者の生活パターンを抽出し、そのパターンと評価日の検知結果の差を評価するものなど、様々なものが存在する。

例えば、特許文献１のシステムでは、被験者の移動速度、角速度、位置などの時系列変化データの周波数成分をフーリエ変換またはウェーブレット変換してその特徴量を算出し、それらの組み合わせから特定の行動パターンを認識するようにしている。また特許文献２の判定方法では、人の行動に対する各種センサ出力の時系列データから、たとえば正規分布における標準偏差などの統計パラメータを算出して、生活行動パターンデータを取得し、取得した生活行動のパターンと今日の行動検知結果の差異から被験者の異常度を判定するようにしている。
特開平１０−１１３３４３ 特開２００２−３５２３５２

しかしながら、従来のシステムでは、異常とは判定されないような軽微な生活習慣の変化が、漸次的に継続するような場合には、その変化が継続した結果もたらされる異常の発生を検知することができない。例えば生活習慣病などは上記のような、軽微かつ、漸次的な変化の結果もたらされる異常と考えられている。

また、特許文献１、２のいずれのシステムにおいても、日々の生活行動における変化は検知できるが、日々の生活行動変化検知において「正常」と判定される程度の軽微な変化の経年的な蓄積による異常発生については、検知することができない。

特に、高齢者の場合には、生活習慣の悪化が機能低下や活力低下へとつながる場合が多いため、日々の生活における瞬時的な異常の他に、経年的な緩やかな変化が異常へとつながるような場合も、的確に生活動作の異常を指摘できるようにするのが望ましい。

そこで本発明では、従来の検出システムでは不可能である、異常とは判定されないような軽微な生活動作の変化が、漸次的に継続する場合にも対応可能な状態判定システムおよび状態判定装置を提案することを課題とする。

請求項１の発明に係る状態判定システムは、被験体の動作を検知する動作検知手段と、該動作検知手段の検知結果から前記被験体の状態を推定する状態推定手段を有し、該状態推定手段からの推定結果をもとに、前記被験体の生活の変化を判定する状態判定システムにおいて、前記推定結果をもとに所定の状態が生起したかを判別する生起判別手段と、前記状態の生起に関するパラメータの値を履歴情報として格納する履歴情報格納手段と、該履歴情報における前記パラメータの値の傾向を算出する傾向算出手段と、該傾向算出手段の算出結果をもとに、前記被験体の生活の変化を判定する変化判定手段とを有する、ことを特徴とする。

請求項２の発明は前記請求項１に係る状態判定システムにおいて、前記履歴情報格納手段は、前記生起に関するパラメータの値として、該生起の時刻を表す生起時間を格納する、ことを特徴とする。

請求項３の発明は前記請求項１または２の何れかに係る状態判定システムにおいて、前記傾向算出手段は、所定期間における前記パラメータの値の集合から時間軸に対する前記パラメータの値の遷移傾向を表す傾向直線を算出する手段を有する、ことを特徴とする。

請求項４の発明は前記請求項３に係る状態判定システムにおいて、前記傾向算出手段は、最小二乗法を用いて傾向直線を算出する手段を有する、ことを特徴とする。

請求項５の発明は前記請求項３または４の何れかに係る状態判定システムにおいて、前記変化判定手段は、前記傾向直線をもとに前記被験体の生活の変化を判定する基準となる許容領域を算出し、判定対象日における前記パラメータの値が該許容領域内に含まれるかどうかによって前記被験体の生活の変化を判定する、ことを特徴とする。

請求項６の発明は前記請求項５に係る状態判定システムにおいて、前記傾向算出手段により算出した傾向の特性を特徴量として抽出し、該特徴量をもとに前記傾向直線および／もしくは前記許容領域を修正する情報を算出する修正情報算出手段をさらに有する、ことを特徴とする。

請求項７の発明は前記請求項６に係る状態判定システムにおいて、前記修正情報算出手段は、前記傾向直線に関する特徴量を算出する手段と、該特徴量に関する情報を履歴として格納する手段と、該履歴情報をもとに前記特徴量の時間軸方向における遷移傾向を表す特性曲線を算出する手段と、該特性曲線をもとに前記被験体の生活傾向が異常かどうかを判定する異常判定手段とを有し、該異常判定手段により異常と判定されたときに前記傾向直線および／もしくは前記許容領域を修正する情報を算出する、ことを特徴とする。

請求項８の発明は前記請求項７に係る状態判定システムにおいて、前記異常判定手段は、該特性曲線における変化量および閾値の関係から異常かどうかを判定する、ことを特徴とする。

請求項９の発明は前記請求項１ないし４の何れか一項に係る状態判定システムにおいて、前記傾向直線に関する特徴量を算出する特徴量算出手段と、該特徴量に関する情報を履歴として格納する特徴量格納手段と、該履歴情報をもとに前記特徴量の時間軸方向における遷移傾向を表す特性曲線を算出する特性曲線算出手段と、該特性曲線をもとに前記被験体の生活傾向が異常かどうかを判定する異常判定手段とをさらに有する、ことを特徴とする。

請求項１０の発明は前記請求項９に係る状態判定システムにおいて、前記異常判定手段は、該特性曲線における変化量および閾値の関係から異常かどうかを判定する、ことを特徴とする。

請求項１１の発明は前記請求項１ないし１０の何れか一項に係る状態判定システムにおいて、前記履歴情報格納手段は、前記生起に関するパラメータの値を履歴情報として格納する第１の格納手段と、該第１の格納手段によって格納された履歴情報から算出タイミングを含む一定期間内の前記パラメータの値を順次抽出するとともに抽出した値の集合から当該算出タイミングにおける当該パラメータの平準化値を順次算出する平準化値算出手段と、該平準化値算出手段によって算出された平準化値を履歴情報として格納する第２の格納手段を備え、前記傾向算出手段は、前記第２の格納手段に格納された履歴情報をもとに前記パラメータの値の傾向を算出する、ことを特徴とする。

請求項１２の発明は前記請求項１１に係る状態判定システムにおいて、前記パラメータ値算出手段は、前記集合の重心となる値を求め、この値を当該パラメータの平準化値として算出する、ことを特徴とする。

請求項１３の発明は前記請求項１１または１２の何れかに係る状態判定システムにおいて、前記パラメータの値が生起時間である場合、前記第２の格納手段は、タイムスケール上における前記生起時間の発生回数を計数する手段と、前記タイムスケール上において前記生起時間の発生回数が密集している時間帯を前記パラメータ値の算出に用いる前記一定期間として検出する手段と、検出された時間帯内に含まれる各生起時間とその発生回数から前記パラメータ値を算出する手段とを有する、ことを特徴とする。

請求項１４の発明に係る状態判定装置では、被験体の動作を検知する手段の検知結果から前記被験体の状態を推定する状態推定手段を有し、該状態推定手段からの推定結果をもとに、前記被験体の生活の変化を判定する状態判定装置において、前記推定結果をもとに所定の状態が生起したかを判別する生起判別手段と、前記状態の生起に関するパラメータの値を履歴情報として格納する履歴情報格納手段と、該履歴情報における前記パラメータの値の傾向を算出する傾向算出手段と、該傾向算出手段の算出結果をもとに、前記被験体の生活の変化を判定する変化判定手段とを有する、ことを特徴とする。

請求項１５の発明は前記請求項１４に係る状態判定装置において、前記履歴情報格納手段は、前記生起に関するパラメータの値として、該生起の時刻を表す生起時間を格納する、ことを特徴とする。

請求項１６の発明は前記請求項１４または１５の何れかに係る状態判定装置において、前記傾向算出手段は、所定期間における前記パラメータの値の集合から時間軸に対する前記パラメータの値の遷移傾向を表す傾向直線を算出する手段を有する、ことを特徴とする。

請求項１７の発明は前記請求項１６に係る状態判定装置において、前記傾向算出手段は、最小二乗法を用いて傾向直線を算出する手段を有する、ことを特徴とする。

請求項１８の発明は前記請求項１６または１７の何れかに係る状態判定装置において、前記変化判定手段は、前記傾向直線をもとに前記被験体の生活の変化を判定する基準となる許容領域を算出し、判定対象日における前記パラメータの値が該許容領域内に含まれるかどうかによって前記被験体の生活の変化を判定する、ことを特徴とする。

請求項１９の発明は前記請求項１８に係る状態判定装置において、前記傾向算出手段により算出した傾向の特性を特徴量として抽出し、該特徴量をもとに前記傾向直線および／もしくは前記許容領域を修正する情報を算出する修正情報算出手段をさらに有する、ことを特徴とする。

請求項２０の発明は前記請求項１９に係る状態判定装置において、前記修正情報算出手段は、前記傾向直線に関する特徴量を算出する手段と、該特徴量に関する情報を履歴として格納する手段と、該履歴情報をもとに前記特徴量の時間軸方向における遷移傾向を表す特性曲線を算出する手段と、該特性曲線をもとに前記被験体の生活傾向が異常かどうかを判定する異常判定手段とを有し、該異常判定手段により異常と判定されたときに前記傾向直線および／もしくは前記許容領域を修正する情報を算出する、ことを特徴とする。

請求項２１の発明は前記請求項２０に係る状態判定装置において、前記異常判定手段は、該特性曲線における変化量および閾値の関係から異常かどうかを判定する、ことを特徴とする。

請求項２２の発明は前記請求項１４ないし１７の何れか一項に係る状態判定装置において、前記傾向直線に関する特徴量を算出する特徴量算出手段と、該特徴量に関する情報を履歴として格納する特徴量格納手段と、該履歴情報をもとに前記特徴量の時間軸方向における遷移傾向を表す特性曲線を算出する特性曲線算出手段と、該特性曲線をもとに前記被験体の生活傾向が異常かどうかを判定する異常判定手段とをさらに有する、ことを特徴とする。

請求項２３の発明は前記請求項２２に係る状態判定装置において、前記異常判定手段は、該特性曲線における変化量および閾値の関係から異常かどうかを判定する、ことを特徴とする。

請求項２４の発明は前記請求項１４ないし２３の何れか一項に係る状態判定装置において、前記履歴情報格納手段は、前記生起に関するパラメータの値を履歴情報として格納する第１の格納手段と、該第１の格納手段によって格納された履歴情報から算出タイミングを含む一定期間内の前記パラメータの値を順次抽出するとともに抽出した値の集合から当該算出タイミングにおける当該パラメータの平準化値を順次算出する平準化値算出手段と、該平準化値算出手段によって算出された平準化値を履歴情報として格納する第２の格納手段を備え、前記傾向算出手段は、前記第２の格納手段に格納された履歴情報をもとに前記パラメータの値の傾向を算出する、ことを特徴とする。

請求項２５の発明は前記請求項２４に係る状態判定装置において、前記パラメータ値算出手段は、前記集合の重心となる値を求め、この値を当該パラメータの平準化値として算出する、ことを特徴とする。

請求項２６の発明は前記請求項２４または２５の何れかに係る状態判定装置において、前記パラメータの値が生起時間である場合、前記第２の格納手段は、タイムスケール上における前記生起時間の発生回数を計数する手段と、前記タイムスケール上において前記生起時間の発生回数が密集している時間帯を前記パラメータ値の算出に用いる前記一定期間として検出する手段と、検出された時間帯内に含まれる各生起時間とその発生回数から前記パラメータ値を算出する手段とを有する、ことを特徴とする。

請求項１の発明によれば、ある状態（たとえば、起床、食事、入浴、就寝、等）の生起の履歴を、その時刻（たとえば、食事の時刻）、回数（たとえば食事の回数）等、その状態に関するパラメータの値の履歴として蓄積し、蓄積した値の傾向から被験体の生活状態の変化を判定するものであるから、瞬時的には小さな変化であっても長期に亘って継続すると一定の生活状態の変化へとつながるような場合にも、その変化を的確に判定することができる。

ここで、状態に関するパラメータは、最も典型的には、請求項２に記載のように、その状態が生起した時刻とすることができる。この場合、たとえば、食事の時刻が遅くなりつつあるといったような生活状態の変化傾向を、パラメータを時刻（生起の時間など）として捉え、その時刻の変化傾向として把握することができる。

具体的には、請求項３の発明のように、履歴情報から生起時間の傾向を算出する際に、傾向直線を算出することで、生起時間の傾向を簡易かつ明確に把握することができる。なお、請求項４の発明のように、傾向直線を算出する際に、最小二乗法を用いて算出することができる。

さらに、請求項５の発明のように、被験体の生活の変化を判定するために基準となる許容領域を算出し、判定対象日におけるパラメータの値が前記許容領域内に含まれるかどうかで、生活の変化についての判定を行うことができる。

なお、かかる判定においては、請求項６の発明のように、傾向算出手段によって算出された傾向の特性をもとに、生活変化の判定基準となる傾向直線および許容領域を修正した上で、判定対象日に対する判定を行うようにしても良い。このとき、たとえば、パラメータの値が含まれにくくなるよう傾向直線および許容領域を修正すれば、異常として判定される確率が高くなり、被験体に生活改善に向けた動機付けを提供することができる。

なお、かかる修正を行うための修正情報算出手段は、請求項７の発明にように、傾向直線に関する特徴量を算出する手段と、該特徴量に関する情報を履歴として格納する手段と、該履歴情報をもとに前記特徴量の時間軸方向における遷移傾向を表す特性曲線を算出する手段と、該特性曲線をもとに前記被験体の生活傾向が異常かどうかを判定する手段とを備え、この異常判定手段が異常と判定したときに、傾向直線および許容領域を修正するよう構成することができる。ここで、異常判定手段は、請求項８の発明のように、上記特性曲線の変化量および閾値の関係から異常を判定するようにすることができる。

請求項９および請求項１０の発明は、傾向直線の特徴量の履歴から特性曲線を算出し、該特性曲線をもとに被験体の生活傾向が異常かどうかを判定する局面を発明として把握したものである。ここで、異常かどうかの判定結果は、上記請求項７の発明のような利用形態、すなわち傾向直線と許容領域の修正のために用いることができる他、監視システム（外部サーバ、等）への提供等、様々な局面にて利用できる。

請求項１１の発明によれば、第１の格納手段によって格納された履歴情報から算出タイミングを含む一定期間内の前記パラメータの値を順次抽出するとともに抽出した値の集合から当該算出タイミングにおける当該パラメータの平準化値を順次算出し、算出した平準化値の履歴情報からパラメータの傾向を算出するものであるから、実測されたパラメータの値が正常レベルからかけ離れているような場合にも、傾向算出手段にて用いるパラメータの値（平準化値）を正常レベルからかけ離れない程度の範囲内に収めることができる。その結果、傾向算出手段によって算出される傾向が、正常レベルからかけ離れたパラメータ値（実測値）によって大きな影響を受けるのを回避することができ、よって、傾向特性の安定化を図ることができる。

ここで、傾向算出手段にて用いる平準化値の算出は、請求項１２の発明のように、重心の概念を使用して行うことができる。これにより、バランスのよいパラメータ値を母集合の代表とすることができる。

さらに、パラメータの値が生起時間である場合、請求項１１または１２の発明におけるパラメータ値の集合は、請求項１３の発明のようにして特定することができる。すなわち、タイムスケール上における各タイミングにおいて、過去に生起時間が発生した回数が密集しているところを上記一定期間として特定する。この場合、判定対象日における生起時間が突発的に平常と大きく異なる時間となったとしても、この生起時間は、上記一定期間から外れるか、一定期間に入ったとしても発生回数は小さなものとなるため、その影響を大きく受けることなく生起時間を決定できる。また、このように、ある程度長期的な視野で被験体の変化を参酌しつつ生起時間を算出することにより、各日間の生起時間の脈動を低減化でき、平滑化を図ることができる。

請求項１４ないし２６の発明は、請求項１ないし１３のシステムに使用される状態判定装置を発明として把握したものである。よって、これらの発明は、上記請求項１ないし１３の発明と同様の効果を奏することができる。

本発明の意義ないし効果は、以下に示す実施の形態の説明により更に明らかとなろう。
ただし、以下の実施の形態は、あくまでも、本発明の一つの実施形態であって、本発明ないし各構成要件の用語の意義は、以下の実施の形態に記載されたものに制限されるものではない。

以下、本発明の実施の形態につき図面を参照して説明する。なお、本実施の形態では、日常の生活動作パターンを算出し、このパターンと本日の動作推定結果を比較して、本日の生活動作に関して異常があるかどうかの判定を行うことを“日常変化判定”と呼ぶこととする。また、比較的長期期間において、この日常の生活動作パターンの変化の傾向を判定し、日常の生活動作が異常に向かっていないかどうかの判定を行うことを“経時変化判定”と呼ぶこととする。

本実施の形態では、日常変化判定を行う一方で、経時変化判定結果を行い、漸次的な生活動作の変化を判定する。そして、経時変化判定にて日常の動作が異常に向かっていると判定された場合に、その判定結果を日常変化判定に還元し、日常変化判定にて異常の判定結果が出易いようにする。この判定結果から、被験者に生活動作を改善する方向への動機付けを提供し、その結果、被験者の生活動作を規範化することができる。

[実施形態１]
まず、図１に実施の形態１に係るシステムブロック図を示す。図示のように、本システムは、生活動作センシング部１０とサーバ１００を有する。

生活動作センシング部１０は、家電住設機器１１に取り付けられた家電住設機器動作取得部１２、被験者の存在を検知する存在検知センサー１３、被験者の動作を検知する動作検知センサー１４、などからなる。

サーバ１００には、生活動作センシング部１０からの出力結果を用いて本日の被験者の生活動作を推定する生活動作推定部１０１、過去に推定された生活動作が格納されている生活動作データベース１０２、生活動作データベース１０２中に格納される生活動作について生起時間（後述）を確定する生起時間確定部１０３、生起時間確定部１０３で確定された生起時間を、動作毎に時系列で格納する生起時間格納部１０４、各生起時間についての時間方向の傾向を示す直線または曲線を算出する傾向線算出部１０５、前記傾向直線と生起時間の最大値・最小値により確定する許容領域を算出する許容領域算出部１０６、本日の生活動作の生起時間が上記許容領域に含まれるかどうかを判定することにより当該被験者の、日常の生活動作に異常とされるべき変化がないか判断する日常変化判定部１０７が含まれる。なお、本実施形態では傾向線算出部１０５においては各生起時間についての時間方向の傾向を示す直線を算出する。

また、サーバ１００には、上記傾向線算出部１０５によって算出された傾向直線からその傾きや切片など、当該被験者の生活動作の経時変化に関わる特性情報を算出し、格納する特性算出格納部１０８、経時変化判定のための閾値１０９、前記算出した特性と閾値１０９の比較により、被験者に将来異常が発生しうるかどうか、長期レベルにおける被験者の生活動作の変化の有無の判断を行う経時変化判定部１１０、経時変化判定により将来異常が発生しうると予測した場合に、異常発生を回避するように日常変化判定の基準たる前記許容領域の補正を行うための情報を算出する補正情報算出部１１１、その補正情報を蓄積する生活動作規範データベース１１２が含まれている。さらに、日常変化判定部１０７による判定結果および経時変化判定部１１０による判定結果などが格納される判定結果格納部１１３と、これら判定結果を出力する結果出力部１１４、閾値１０９などを設定するパラメータ変更部１１５、例えば時計などで構成される各部に時間情報を送出するタイマー１１６を含む。

次に、図２に本実施形態に係るシステムの動作フロー図を示す。

本実施形態では、推定された各生活動作における日常変化判定、経時変化判定の動作は夜間に実行される。すなわち、図２における、ステップＳ２０１〜ステップＳ２１３は夜間に実行される。一方、生活動作の推定は１分毎に行い（動作推定結果取得周期＝１分）、その結果は随時生活動作データベース１０２へ格納される。よって、ステップＳ１０１、ステップＳ１０２は１分毎に実行される。なお、ステップＳ１０１、ステップＳ１０２は日常変化判定、経時変化判定のフローが実行されている際も、１分毎に並行に独立で実行される。

まず、このステップＳ１０１、ステップＳ１０２について説明する。

図２を参照して、ステップＳ１０１では、生活動作センシング部１０からの検知結果をもとに生活動作推定部１０１が被験者の生活動作推定を行う。なお、ステップＳ１０１はタイマー１１６からの時間情報により１分毎に実行される。

ステップＳ１０２では、ステップＳ１０１での推定結果とそれに付随する情報を生活動作データベースへ格納する。

生活動作データベースには、例えば、図３に示すように、主に毎分毎の推定された生活動作が推定時間と共に格納されている。縦軸方向は時間、横軸方向は食事や移動などの推定された生活動作である。なお、横軸には付随的な情報が含まれる場合があってもよい。同図の各マトリクス中の値は、その１分間における生活動作（推定結果）の割合（％）である。例えば、図３における７時５分では、食事、トイレおよび移動が各々２０％、４０％、４０％の時間比率にて推定されている。よって、その１分間に食事、トイレおよび移動の各生活動作に要した時間は各々０．２分、０．４分、０．４分と推定される。

なお、この動作推定結果を取得する周期が１分というのは例示である。この周期は、例えば、１０秒など１分以下であってもよい。

次に、ステップＳ２０１〜ステップＳ２１３について説明する。ここでは、被験者の生活動作のうち「食事」を例にとって説明する。

図２を参照して、ステップＳ２０１では、まず図３に示す生活動作データベースから「食事」の項目の１日分（２４時間分）のデータ群が参照される。そして、このデータ群から割合が零でない集合が抽出され、各集合の時間帯から「食事」の生起時間が算出される。また、生起回数（1日あたりの生起時間の出現回数）も算出される。この集合抽出の際に、小集合が短時間、例えば１時間の範囲内に複数存在する場合は、最初の集合の開始時間（「食事」の項目の割合が、生活動作データベースにおいて零でなくなる時間）から１時間以内に存在する集合は一つとみなして生起時間を算出する。この１時間の期間は変更可能である。なお、この生起時間の最小単位は分であり、これらの作業は生起時間確定部１０３で行われる。

図４（ａ）は時間帯と「食事」の時間の占有割合の関係を例示するものである。同図を参照して、７時５分から７時９分にかけて、一つの集合が存在している。当該一つの集合内において、生起時間を算出する際に重心の概念を導入する。すなわち、当該「食事」の各分毎の占有割合を成分として時間軸方向における重心位置を算出し、その重心位置の位置する時間（分単位）を生起時間とする。同図（ａ）では、重心位置が７時７分の範囲に位置しているので、この場合の生起時間は７時７分となる。なお、当日の生起時間を算出する際に、上記重心の概念を導入して算出した結果に、さらに過去の一定期間内における各日の生起時間を参酌して再演算してもよい。この場合、当該過去の一定期間内における各日の生起時間は生起時間格納部１０４から読み出される。これについては、後で述べる。

ステップＳ２０２では、ステップＳ２０１で算出した「食事」の生起時間が生起時間格納部１０４へ格納される。また、生起回数も生起時間格納部１０４へ格納される。例えば、「食事」の生起時間が図４（ｂ）のように４ヶ所算出された場合、各生起時間と生起回数（４回）の情報が格納される。

ステップＳ２０３では、生起時間格納部１０４の情報をもとに、「食事」の生起時間の、例えば、直近１ヶ月間における傾向直線、および許容領域が算出される。なお、これらを算出する際のデータは、毎日最新のデータを追加し最古のデータは除去して更新する。本実施形態では、例えば、最新のデータとは昨日のデータであり、最古のデータとは、１ヶ月前のデータである。また、傾向直線、許容領域の算出に使用するデータは、１ヶ月間の連続した日のデータに限らず、ある期間における曜日毎のデータであってもよい。

図５を参照して、傾向直線の算出方法について述べる。

なお、図４（ｂ）に見られる様に、「食事」の生起時間は一日に３、４回程度存在する（生起回数＝３、４程度）が、ここでは、断りのない限り、「食事」のうち特に「朝食」に着目して説明を進める（図５（ａ））。

図５（ｂ）は、図５（ａ）から「朝食」にあたると考えられる各生起時間を取り出した図である。「朝食」にあたると考えられる各生起時間の取出しは、例えば、直近１ヶ月間における各日の「食事」の生起時間の度数を１日のタイムスケールに渡って各分毎に算出すると生起時間群がいくつかの集団に分かれるので、これらの集合のうち「朝食」と思われる時間帯に一番近い集団を取り出すようにして行う。

傾向直線とは、例えば最小二乗法などを用いて、「朝食」にあたると考えられる各生起時間を使用して算出した近似直線である。また、許容領域とは、日常変化判定において使用する判断基準となる領域のことである。図５（ｂ）に示したように、許容領域は、傾向直線を上方および下方に平行移動した直線Ａ，Ｂで区画される領域である。直線Ａ，Ｂは、例えば各々傾向直線から最も距離が遠い点を通る直線、すなわち、「朝食」の生起時間の集合のうち、傾向直線から最も離れた生起時間を通る直線である。前述のように、傾向直線が算出される際に使用される生起時間データは毎日更新されるので、傾向直線は本日と前日とでは同一ではない。

なお、これらは傾向線算出部１０５、許容領域算出部１０６で計算される。

ステップＳ２０４では、後で述べる許容領域を修正する補正値を読み出し、適用する。これにより、後述の許容領域が経時変化の判断結果を反映した領域に変更される。

ステップＳ２０５では、本日の「朝食」の生起時間と許容領域との比較を行い日常変化の判定を行う。これは日常変化判定部１０７でなされる。図５（ｂ）の例では、本日の結果（本実施形態では８月２４日を例としている）が許容領域に含まれるので、異常はないと判定される。許容領域に含まれる場合は、異常はないと判定されるのでステップＳ２０７へ進み、許容領域に含まれない場合は、異常ありと判定されるのでステップＳ２０６へ進む。

ステップＳ２０６では、判定結果格納部１１３に、前記日常変化判定の結果異常がみられた旨などを格納する。この結果は、本実施形態では説明しない後段の処理において、被験者への生活改善提案の際の情報として有益に活用される。

ステップＳ２０７では、判定結果格納部１１３に、前記日常変化判定の結果異常がなかった旨などを格納する。

ステップＳ２０８では、ステップＳ２０３で算出された傾向直線の特性に関する情報を抽出し、格納する。例えば、傾向直線の傾きや切片の値といった情報が抽出される。本実施形態で言う切片とは縦軸（ここでは、本日から１ヶ月前の日に位置する日付軸に対する垂線）と傾向直線との交点であり、切片は時刻形式データとなる。なお、縦軸は何れの日における垂線であってもよく、本日から１ヶ月前の日に限られるものではない。この演算は特性算出格納部１０８で行われる。

ステップＳ２０９では、経時変化、すなわち、傾向直線の特性から被験者の生活行動の傾向に問題があるかどうかの判定がなされる。本実施形態では、傾向直線の特性として傾向直線の切片値情報に着目する。図６を参照して、この傾向直線の切片値情報に着目した経時変化判定について説明する。

図６（ａ）の縦軸は基準時刻（例えば午前７時）と切片との差を表し、横軸は日付を表す。図中の曲線は特性曲線で、直近１ヶ月の切片の傾向を表している。ここで、本日における、基準時刻と切片の差の値に注目する。まず、この差の値が同図（ａ）において、正負両方に存在する閾値を超えているかどうかが問題となる。次に、本日における当該特性曲線の接線を考えたときの、その接線の傾きが正であるか負であるかが問題となる。なお、接線の傾きが正である場合とは、被験者の「朝食」の時間が遅くなってきている傾向にあると考えられ、負である場合は被験者の「朝食」の時間が早くなってきている傾向にあると考えられる。

なお、閾値Ｐ、Ｑを算出する式の一例を下に示す。式中のΔｈは、過去のある時点から期間日数ｔの間における、各日の基準時刻と切片の差である。また、ｔ、Ｄ、ａは外部より変更が可能である。

さて、同図（ａ）において、本日における当該特性曲線の接線の傾きが正である場合に、もし基準時刻と切片の差の値が閾値Ｐを超過した場合には、被験者の生活習慣を改善する必要がある。この場合というのは、被験者の朝食摂食の時間がある限度より遅い時間であるにも関わらず今後ますます遅れていく傾向にあるということで、問題ありと判断されるべき事態である。

一方、本日における当該特性曲線の接線の傾きが負である場合に、もし基準時刻と切片の差の値が閾値Ｑ未満である場合にも、被験者の生活習慣を改善する必要がある。この場合というのは、被験者の朝食摂食の時間がある限度より早い時間であるにも関わらず今後ますます早まっていく傾向にあるということで、これも問題ありと判断されるべき事態であるからである。これらの場合は図６（ｂ）に示されているように、日常変化判定において生活習慣を改善する方向へ改善するべく、後で説明するような、日常変化判定の判定基準たる許容領域の補正をおこなうこととなる。

なお、ステップＳ２０９において、問題ありと判定された場合はステップＳ２１１へ進み、問題がないと判定された場合はステップＳ２１０へ進む。

ステップＳ２１０では、判定結果格納部１１３に、前記経時変化判定の結果異常がなかった旨などを格納する。以上により、日常変化、経時変化の両判定フローが終了となる。

ステップＳ２１１では、判定結果格納部１１３に、前記経時変化判定の結果異常がみられた旨などを格納する。この結果は、本実施形態では説明しない後段の処理において、被験者への生活改善提案の際の情報として有益に活用される。また、この結果は、補正情報算出部１１１へ送られる。

ステップＳ２１２では、補正情報算出部１１１において、経時変化判定の結果を受けて、適切な許容領域の補正値が算出される。この許容領域の補正値算出について、図７を参照して説明する。なお、傾きの補正値をΔθ（反時計回りの方向に補正する場合を正とする）、直線Ａを傾向直線に対して距離を縮める補正値をΔＬａ（距離が広がる方向へ補正する場合を正とする）、直線Ｂを傾向直線に対して距離を縮める補正値をΔＬｂ（距離が広がる方向へ補正する場合を正とする）とする。

図６（ｂ）で示したような、縦軸の値が正、かつ接線傾きが正の場合には、被験者の朝食摂食の時間が遅い時間である上、今後ますます遅れていく傾向にある。よって、切片の差が閾値Pを超過した場合は、例えば、図７(ａ)に示したように、Δθ＜０かつΔＬａ＝０、ΔＬｂ＜０の範囲で補正値を決定する。なお、簡単な例として、Δθを傾向直線の傾きが零となるような値に、ΔＬｂを直線Ｂが傾向直線と一致する値にして、かつΔＬａ＝０であるような値に補正値を決定してもよい。

図６（ｂ）で示したような、縦軸の値が負、かつ接線傾きが負の場合には、被験者の朝食摂食の時間が早い時間である上、今後ますます早まっていく傾向にある。よって、切片の差が閾値Ｑ未満の場合は、例えば、図７(ｂ) に示したように、Δθ＞０かつΔＬａ＜０、ΔＬｂ＝０の範囲で補正値を決定する。なお、この場合も、簡単な例として、Δθを傾向直線の傾きが零となるような値に、ΔＬａを直線Ａが傾向直線と一致する値にして、かつΔＬｂ＝０であるような値に補正値を決定してもよい。

また、本実施形態では、各補正値を決定する場合に、当該傾向が発生してから本日に至るまでに要した日数を勘案して決定してもよい。すなわち、図６（ａ）を参照すると、点Ｉが当該傾向が発生しはじめた日（変曲点）であり、この日から本日に至るまでの期間Δｄを使用する。この期間Δｄを使用した補正値として、例えば、以下の式が挙げられる。

ステップＳ２１３では、算出された補正値等の情報を生活動作規範データベースへ格納する。以上により、日常変化、経時変化の両判定フローが終了となる。

次に、ステップＳ２０１の説明のところで述べた、先述の生起時間確定部１０３において、当日の生起時間を算出する際に上記算出結果にさらに過去の一定期間内における各日の生起時間を参酌する場合について、図８を用いて説明する。

図８（ａ）は、当日を含む直近１ヶ月間の各「食事」の生起時間について、縦軸は１ヶ月間にその時間が正規時間となった回数が何回あったかを示し、横軸は一日のタイムスケール上における生起時間を示す。なお、横軸の時間は図３で示されたような１分刻みである必要はなく、本実施形態では、５分刻みである。

まず、算出方法の概略を説明する。前段階として、１ヶ月間の各日の生起回数の平均を算出する（これを四捨五入した値を平均生起回数とする）。本実施形態では、平均生起回数が４であったとする。さて、図８（ａ）のような度数分布を示している場合に、ある探索範囲を定め、その範囲内の度数の密度を０時０分から２３時５９分に向けて計算する。計算式は「（探索範囲内の総生起回数）／（探索範囲時間）」である。０時０分から２３時５９分に向けて１ルーチンの探索が終了すると、探索範囲を所定時間だけ縮め、次のルーチンを実行する。この探索ルーチンを探索範囲内の度数の密度が閾値以上になる箇所が先述の平均生起回数となるまで繰り返す。

具体的には、最初に、探索範囲時間を２４時間にセットする。よって度数密度は、「（２４時間の総生起回数）／（２４時間)」の計算となる。なお、初回で密度が閾値を超えても、閾値以上になる箇所が１箇所であるので、探索は終了とならない。これ以降では、５分だけ探索時間を縮めて、０時０分から２３時５９分に向けて探索範囲をシフトさせて探索を行い、密度が閾値以上になるか判定し、閾値以上にならない場合は、再び５分だけ探索時間を縮めて、上記フローを繰返し、密度が閾値以上になる箇所が平均生起回数となるまで、この一連の動作を繰り返す。図８（ｂ）は、今述べたフローの途中の状態を表している。なお、この閾値は、対象としている生活動作などや被験者毎によって異なる。

図８（ｃ）を参照して、ある探索範囲の大きさで０時０分から２３時５９分に向けて探索を行った結果、探索範囲の密度が閾値を超えた箇所が４ヶ所探索できた場合を示している。この後は、図８（ｄ）に示されているように、重心の概念を導入して生起時間を算出する。すなわち、当該４箇所の範囲内において、各時間における分布数を成分として時間軸方向における重心位置を算出し、その重心位置の位置する時間（分単位）を生起時間とする。この考え方は、ステップＳ２０１のところで説明したのと同様である。

以上により、図８（ｄ）に示されているような、生起時間が４ヶ所決定される。

次に、生起時間確定部１０３における上記生起時間の確定フローについて、図９の動作フロー図を用いて説明する。

ステップＳ３０１では、探索範囲、上記密度と比較する際の対象となる閾値の初期値を設定する。なお、探索範囲の初期値は２４時間である。なお、この段階までに、直近１ヶ月間（当日を含む）の各食事の生起時間について各日のデータを生起時間格納部１０４から読み出しておく。

ステップＳ３０２では、探索範囲の左端が時間軸の左端すなわち０時０分と一致するように合わせる。

ステップＳ３０３では、探索範囲内の度数密度を計算する。

ステップＳ３０４では、探索がタイムスケール上においてすべて修了したか、すなわち探索領域の右端が２３時５９分以上となったか判定する。もし探索領域がまだ残っているならばステップＳ３０５へ進み、終了した場合はステップＳ３０６へ進む。

ステップＳ３０５では、探索範囲を時間軸正方向へ１メモリずらす。なお、本実施形態において、この１メモリは５分である。その後、ステップＳ３０３へ進み、その新たな探索範囲において密度を計算する。

ステップＳ３０６では、密度が閾値以上になった箇所が平均生起回数と等しいか確認する。等しい時は当該探索フローは終了である。また、平均生起回数に達しない場合はステップＳ３０７へ進む。なお、平均生起回数を超えた場合はステップＳ３０８へ進む。

ステップＳ３０７では、探索範囲を１メモリ減じる。なお、本実施形態において、この１メモリも５分である。この後はステップＳ３０２へ戻り、探索範囲密度が閾値以上になった箇所が平均生起回数と等しくなるまで、一連の探索を継続する。

ステップＳ３０８では、上記密度と比較する際の対象となる閾値をあげる。また、探索範囲として初期値２４時間をセットする。

なお、ステップＳ３０８は、次のような場合の対処のために用意されている。当該フローを繰り返していると、探索範囲密度が閾値以上になった箇所が平均生起回数より少ないために、ステップ３０６→ステップ３０７→ステップ３０２→…と再度探索を継続することとなったが、その次はステップ３０６の段において、探索範囲密度が閾値以上になった箇所が平均生起回数以上となってしまったという場合が起こりうる。このような事態は、例えば、初期閾値が適切でなかったため生じると考えられるので、閾値を上げてやることで平均生起回数以上に探索範囲密度が閾値以上になった箇所が発生しないようにする。

この後はステップＳ３０２へ戻り、密度が閾値以上になった箇所が平均生起回数と等しくなるまで、一連の探索を継続する。

[実施形態２]
経時変化判定において、実施形態１では傾向直線の特性量である切片値情報を用い、基準時刻と当該切片の値の差に着目したが、本実施形態では傾向直線の切片値情報の代わりに、一定期間における生起時間の平均値を使用する。具体的には、直近１ヶ月間における生起時間の平均値を使用し、基準時刻と直近１ヶ月間における生起時間の平均値との差に着目する。なお、この生起時間の平均値は最新のデータである昨日のデータを追加し、最古のデータである１ヶ月前のデータを除去して毎日更新される。

この場合、図１における各部の動作に関して、以下のような変更を行う必要がある。すなわち、特性算出格納部１０８では、先述の傾向線算出部１０５で算出された傾向直線の傾きや切片などの特性情報の算出・格納に代えて、生起時間格納部１０４の履歴情報をもとに、各動作ごとの一定期間における生起時間の平均値などの算出・格納を行う。

また、図２におけるシステムの動作フローに関しては、以下のような変更が必要である。ステップＳ２０８では、傾向直線の特性に関する情報、例えば傾向直線の傾きや切片の値といった情報を抽出・格納したが、本実施形態では一定期間における生起時間の平均値を抽出し、格納する。また、ステップＳ２０９では、傾向直線の特性すなわち傾向直線の切片値情報から被験者の生活行動の傾向に問題があるかどうか判定を行ったが、該行動の一定期間における生起時間の平均値の変化に着目し判定を行う。これに連れて、本実施形態では、図６（ａ）の縦軸は「基準時刻と切片の差」に代えて、「基準時刻と直近１ヶ月間における生起時間の平均値との差」を表す。

経時変化の判定においては、図６（ｂ）と同様、「基準時刻と直近１ヶ月間における生起時間の平均値との差」と閾値Ｐ、Ｑとを比較し、その大小関係から経時変化を判定するようにすればよい。当然ながら、この場合の閾値Ｐ、Ｑは「基準時刻と直近１ヶ月間における生起時間の平均値との差」に応じた値に変更される。

以上、本実施の形態１および２によれば次のような効果を奏する事ができる。

（１）生起時間の傾向を近似直線化する事により、図５（ｂ）に見られるように、生起時間の傾向を簡易かつ明確に把握することができる。これにより、従来の検出システムでは異常とは判定されないような軽微な生活動作の変化を簡易かつ明確に把握することができる。

（２）上記近似直線を用いて生活変化の判定基準となる許容領域を算出し、本日の生起時間が前記許容領域内に含まれるかどうかをもとに生活の変化について判定をする（図５（ｂ）参照）ようにしたことから、被験者の生活の変化の判定を容易化することができる。

（３）生活変化の傾向が悪化方向に向かっているかどうかの判定を、図６に示す特性曲線を用いて行うようにしたことから、生活傾向の変化傾向の把握を容易に行うことができる。これにより、従来の検出システムでは異常とは判定されないような軽微な生活動作の変化を簡易かつ明確に把握することができる。

（４）この特性曲線をもとに、生活変化の傾向を改善する補正情報を算出し、この補正情報をもとに修正された許容領域を用いて日々の判定を行うようにしたことから、図７に見られるように、日々の判定にて異常とされる確率を高くすることができ、被験者に生活変化の改善に向けた動機付けを提示し易くできる。この結果、被験体の生活動作を改善方向に向けて規範化することができる。

（５）生起時間を求めるのに図９のフローを使用することで、過去１か月分の生起時間の平均をとることとなり、ある程度長期的な視野で被験体の変化を参酌した生起時間を用いることができる。この結果、各日間の生起時間の脈動を低減化でき、平滑化を図ることもできる。

なお、本実施の形態における生活変化判定・生活動作規範化システム、および生活変化判定・生活動作規範化装置は、ハードウェア的には、任意のコンピュータのＣＰＵ、メモリ、その他のＬＳＩなどで実現できる。また、ソフトウェア的には、メモリにロードされた生活変化判定・生活動作規範化機能のあるプログラムなどによって実現される。図１には、ハードウェアおよびソフトウェアによって実現される生活変化判定・生活動作規範化の機能ブロックが示されている。ただし、これらの機能ブロックが、ハードウェアのみ、ソフトウェアのみ、あるいは、それらの組合せ等、いろいろな形態で実現できることは言うまでもない。

本発明の実施の形態は、特許請求の範囲に示された技術的思想の範囲内において、適宜、種々の変更が可能である。

実施の形態に係るシステムブロック図である。 実施の形態に係るシステムの動作フロー図である。 実施の形態に係る生活動作データベースの一例を示す図である。 実施の形態に係る生起時間の算出方法を説明する図である。 実施の形態に係る近似直線、許容領域を示す図である。 実施の形態に係る経時変化判定を説明する図である。 実施の形態に係る許容領域の補正値算出について説明する図である。 実施の形態に係る生起時間の算出方法を説明する図である。 実施の形態に係るシステムの動作フロー図である。

符号の説明

１０ 生活動作センシング部
１０１ 生活動作推定部
１０２ 生活動作データベース
１０３ 生起時間確定部
１０４ 生起時間格納部
１０５ 傾向線算出部
１０６ 許容領域算出部
１０７ 日常変化判定部
１０８ 特性算出格納部
１１０ 経時変化判定部
１１２ 生活動作規範データベース

Claims (26)

1. 被験体の動作を検知する動作検知手段と、該動作検知手段からの検知結果から前記被験体の状態を推定する状態推定手段を有し、該状態推定手段からの推定結果をもとに、前記被験体の生活の変化を判定する状態判定システムにおいて、
   前記推定結果をもとに所定の状態が生起したかを判別する生起判別手段と、
   前記状態の生起に関するパラメータの値を履歴情報として格納する履歴情報格納手段と、
   該履歴情報における前記パラメータの値の傾向を算出する傾向算出手段と、
   該傾向算出手段の算出結果をもとに、前記被験体の生活の変化を判定する変化判定手段とを有する、
   ことを特徴とする状態判定システム。
2. 請求項１において、
   前記履歴情報格納手段は、前記生起に関するパラメータの値として、該生起の時刻を表す生起時間を格納する、
   ことを特徴とする状態判定システム。
3. 請求項１または２の何れかにおいて、
   前記傾向算出手段は、所定期間における前記パラメータの値の集合から時間軸に対する前記パラメータの値の遷移傾向を表す傾向直線を算出する手段を有する、
   ことを特徴とする状態判定システム。
4. 請求項３において、
   前記傾向算出手段は、最小二乗法を用いて傾向直線を算出する手段を有する、
   ことを特徴とする状態判定システム。
5. 請求項３または４の何れかにおいて、
   前記変化判定手段は、前記傾向直線をもとに前記被験体の生活の変化を判定する基準となる許容領域を算出し、判定対象日における前記パラメータの値が該許容領域内に含まれるかどうかによって前記被験体の生活の変化を判定する、
   ことを特徴とする状態判定システム。
6. 請求項５において、
   前記傾向算出手段により算出した傾向の特性を特徴量として抽出し、該特徴量をもとに前記傾向直線および／もしくは前記許容領域を修正する情報を算出する修正情報算出手段をさらに有する、
   ことを特徴とする状態判定システム。
7. 請求項６において、
   前記修正情報算出手段は、
   前記傾向直線に関する特徴量を算出する手段と、該特徴量に関する情報を履歴として格納する手段と、該履歴情報をもとに前記特徴量の時間軸方向における遷移傾向を表す特性曲線を算出する手段と、該特性曲線をもとに前記被験体の生活傾向が異常かどうかを判定する異常判定手段とを有し、
   該異常判定手段により異常と判定されたときに前記傾向直線および／もしくは前記許容領域を修正する情報を算出する、
   ことを特徴とする状態判定システム。
8. 請求項７において、
   前記異常判定手段は、該特性曲線における変化量および閾値の関係から異常かどうかを判定する、
   ことを特徴とする状態判定システム。
9. 請求項１ないし４の何れか一項において、
   前記傾向直線に関する特徴量を算出する特徴量算出手段と、
   該特徴量に関する情報を履歴として格納する特徴量格納手段と、
   該履歴情報をもとに前記特徴量の時間軸方向における遷移傾向を表す特性曲線を算出する特性曲線算出手段と、
   該特性曲線をもとに前記被験体の生活傾向が異常かどうかを判定する異常判定手段とをさらに有する、
   ことを特徴とする状態判定システム。
10. 請求項９において、
    前記異常判定手段は、該特性曲線における変化量および閾値の関係から異常かどうかを判定する、
    ことを特徴とする状態判定システム。
    
11. 請求項１ないし１０の何れか一項において、
    前記履歴情報格納手段は、前記生起に関するパラメータの値を履歴情報として格納する第１の格納手段と、該第１の格納手段によって格納された履歴情報から算出タイミングを含む一定期間内の前記パラメータの値を順次抽出するとともに抽出した値の集合から当該算出タイミングにおける当該パラメータの平準化値を順次算出する平準化値算出手段と、該平準化値算出手段によって算出された平準化値を履歴情報として格納する第２の格納手段を備え、
    前記傾向算出手段は、前記第２の格納手段に格納された履歴情報をもとに前記パラメータの値の傾向を算出する、
    ことを特徴とする状態判定システム。
12. 請求項１１において、
    前記パラメータ値算出手段は、前記集合の重心となる値を求め、この値を当該パラメータの平準化値として算出する、
    ことを特徴とする状態判定システム。
13. 請求項１１または１２の何れかにおいて、
    前記パラメータの値が生起時間である場合、
    前記第２の格納手段は、
    タイムスケール上における前記生起時間の発生回数を計数する手段と、
    前記タイムスケール上において前記生起時間の発生回数が密集している時間帯を前記パラメータ値の算出に用いる前記一定期間として検出する手段と、
    検出された時間帯内に含まれる各生起時間とその発生回数から前記パラメータ値を算出する手段とを有する、
    ことを特徴とする状態判定システム。
14. 被験体の動作を検知する手段の検知結果から前記被験体の状態を推定する状態推定手段を有し、該状態推定手段からの推定結果をもとに、前記被験体の生活の変化を判定する状態判定装置において、
    前記推定結果をもとに所定の状態が生起したかを判別する生起判別手段と、
    前記状態の生起に関するパラメータの値を履歴情報として格納する履歴情報格納手段と、
    該履歴情報における前記パラメータの値の傾向を算出する傾向算出手段と、
    該傾向算出手段の算出結果をもとに、前記被験体の生活の変化を判定する変化判定手段とを有する、
    ことを特徴とする状態判定装置。
15. 請求項１４において、
    前記履歴情報格納手段は、前記生起に関するパラメータの値として、該生起の時刻を表す生起時間を格納する、
    ことを特徴とする状態判定装置。
16. 請求項１４または１５の何れかにおいて、
    前記傾向算出手段は、所定期間における前記パラメータの値の集合から時間軸に対する前記パラメータの値の遷移傾向を表す傾向直線を算出する手段を有する、
    ことを特徴とする状態判定装置。
17. 請求項１６において、
    前記傾向算出手段は、最小二乗法を用いて傾向直線を算出する手段を有する、
    ことを特徴とする状態判定装置。
18. 請求項１６または１７の何れかにおいて、
    前記変化判定手段は、前記傾向直線をもとに前記被験体の生活の変化を判定する基準となる許容領域を算出し、判定対象日における前記パラメータの値が該許容領域内に含まれるかどうかによって前記被験体の生活の変化を判定する、
    ことを特徴とする状態判定装置。
19. 請求項１８において、
    前記傾向算出手段により算出した傾向の特性を特徴量として抽出し、該特徴量をもとに前記傾向直線および／もしくは前記許容領域を修正する情報を算出する修正情報算出手段をさらに有する、
    ことを特徴とする状態判定装置。
20. 請求項１９において、
    前記修正情報算出手段は、
    前記傾向直線に関する特徴量を算出する手段と、該特徴量に関する情報を履歴として格納する手段と、該履歴情報をもとに前記特徴量の時間軸方向における遷移傾向を表す特性曲線を算出する手段と、該特性曲線をもとに前記被験体の生活傾向が異常かどうかを判定する異常判定手段とを有し、
    該異常判定手段により異常と判定されたときに前記傾向直線および／もしくは前記許容領域を修正する情報を算出する、
    ことを特徴とする状態判定装置。
21. 請求項２０において、
    前記異常判定手段は、該特性曲線における変化量および閾値の関係から異常かどうかを判定する、
    ことを特徴とする状態判定装置。
22. 請求項１４ないし１７の何れか一項において、
    前記傾向直線に関する特徴量を算出する特徴量算出手段と、
    該特徴量に関する情報を履歴として格納する特徴量格納手段と、
    該履歴情報をもとに前記特徴量の時間軸方向における遷移傾向を表す特性曲線を算出する特性曲線算出手段と、
    該特性曲線をもとに前記被験体の生活傾向が異常かどうかを判定する異常判定手段とをさらに有する、
    ことを特徴とする状態判定装置。
23. 請求項２２において、
    前記異常判定手段は、該特性曲線における変化量および閾値の関係から異常かどうかを判定する、
    ことを特徴とする状態判定装置。
24. 請求項１４ないし２３の何れか一項において、
    前記履歴情報格納手段は、前記生起に関するパラメータの値を履歴情報として格納する第１の格納手段と、該第１の格納手段によって格納された履歴情報から算出タイミングを含む一定期間内の前記パラメータの値を順次抽出するとともに抽出した値の集合から当該算出タイミングにおける当該パラメータの平準化値を順次算出する平準化値算出手段と、該平準化値算出手段によって算出された平準化値を履歴情報として格納する第２の格納手段を備え、
    前記傾向算出手段は、前記第２の格納手段に格納された履歴情報をもとに前記パラメータの値の傾向を算出する、
    ことを特徴とする状態判定装置。
25. 請求項２４において、
    前記パラメータ値算出手段は、前記集合の重心となる値を求め、この値を当該パラメータの平準化値として算出する、
    ことを特徴とする状態判定装置。
26. 請求項２４または２５の何れかにおいて、
    前記パラメータの値が生起時間である場合、
    前記第２の格納手段は、
    タイムスケール上における前記生起時間の発生回数を計数する手段と、
    前記タイムスケール上において前記生起時間の発生回数が密集している時間帯を前記パラメータ値の算出に用いる前記一定期間として検出する手段と、
    検出された時間帯内に含まれる各生起時間とその発生回数から前記パラメータ値を算出する手段とを有する、
    ことを特徴とする状態判定装置。

Images