异常判定模型的生成方法、异常判定装置、异常判定方法以及已学习模型与流程

本发明涉及异常判定模型的生成方法、异常判定装置、异常判定方法以及已学习模型。

背景技术：

1、一种在医疗、护理的现场以不在床上的受检者的身体上装配测量设备的方式判定受检者的状态的系统已被提出。具体而言，例如已知如下系统，其通过载荷检测器来检测床上的受检者的载荷，并基于检测到的载荷来进行在床/离床的判定、呼吸状态的判定等。

2、专利文献1公开了一种生物体信息监测系统，其基于载荷检测器的检测值来判定床上的受检者的数量、受检者的呼吸次数等。专利文献2公开了一种生物体信息监测系统，其基于载荷检测器的检测值来求出受检者的体轴方向等。

3、现有技术文献

4、专利文献

5、专利文献1：日本专利第6321719号说明书

6、专利文献2：日本专利第6594399号说明书

技术实现思路

1、发明所要解决的问题

2、在专利文献1、2所记载的系统中，在进行床上的受检者的状态判定时，需要考虑受检者的体动对载荷变动产生的影响。此外，即使在希望消除由受检者的体动带来的载荷变动的影响的情况下，也未必容易充分地消除该影响。

3、鉴于上述内容，本发明的目的在于提供一种生成异常判定模型的异常判定模型的生成方法，其中，该异常判定模型能适当地进行基于载荷检测的受检者的异常判定。

4、此外，本发明的目的在于提供一种异常判定装置、异常判定方法以及已学习模型，其能适当地进行基于载荷检测的受检者的异常判定。

5、用于解决问题的方案

6、按照本发明的第一方案，提供一种异常判定模型的生成方法，所述异常判定模型判定床上的受检者处于异常状态，其中，所述异常判定模型的生成方法包括：

7、通过配置于所述床的载荷传感器来检测所述受检者的载荷；

8、制作将基于检测到的所述受检者的载荷而得到的多种特征量分别与所述异常状态建立对应而得到的示教数据；

9、通过使用所述示教数据进行的有监督机器学习，制作基于所述多种特征量来将所述受检者的状态分类为所述异常状态的模型，并基于该模型来将所述多种特征量中的至少一种确定为解释变量；以及

10、通过使用所述解释变量进行的机器学习，生成基于所述解释变量来判定所述受检者处于所述异常状态的异常判定模型，

11、所述多种特征量包括通过对所述受检者的载荷进行短时傅里叶变换而计算出的频率特征量。

12、按照本发明的第二方案，提供一种异常判定装置，其判定床上的受检者处于异常状态，其中，所述异常判定装置具备：

13、前处理部，通过对由配置于所述床的载荷传感器感测到的所述受检者的载荷进行短时傅里叶变换来计算出频率特征量；以及

14、异常判定部，存储异常判定模型，

15、所述异常判定模型是以所述频率特征量为输入来判定所述受检者处于所述异常状态的已学习模型。

16、按照本发明的第三方案，提供一种异常判定方法，其判定床上的受检者处于异常状态，其中，所述异常判定方法包括：

17、通过对由配置于所述床的载荷传感器感测到的所述受检者的载荷进行短时傅里叶变换来计算出频率特征量；以及

18、通过异常判定模型来判定所述受检者处于所述异常状态，其中，所述异常判定模型是以所述频率特征量为输入来判定所述受检者处于所述异常状态的已学习模型。

19、按照本发明的第四方案，提供一种已学习模型，用于判定床上的受检者处于异常状态，其中，

20、所述已学习模型基于频率特征量而进行了机器学习，其中，所述频率特征量通过对由配置于所述床的载荷传感器感测到的所述受检者的载荷进行短时傅里叶变换而被计算出，

21、所述已学习模型使计算机以基于所述频率特征量来判定所述受检者处于所述异常状态的方式发挥功能。

22、按照本发明的第五方案，提供一种异常判定模型的生成方法，所述异常判定模型是判定床上的受检者处于异常状态的模型，其中，所述异常判定模型的生成方法包括：

23、通过配置于所述床的载荷传感器来检测所述受检者的载荷；

24、通过对所述受检者的载荷进行短时傅里叶变换来计算出频率特征量；以及

25、通过使用所述频率特征量进行的无监督机器学习，生成基于所述频率特征量来判定所述受检者处于所述异常状态的异常判定模型，

26、所述异常状态包括咳嗽状态和无呼吸状态，

27、所述频率特征量包括第一频段下的频谱的平均振幅值和第二频段下的频谱的平均振幅值，其中，所述第一频段包含在0.1[hz]～1.0[hz]频段内，所述第二频段包含在3.6[hz]～5.5[hz]频段内。

28、发明效果

29、根据本发明的异常判定模型的生成方法，能生成能适当地进行基于载荷检测的受检者的异常判定的异常判定模型。此外，根据本发明的异常判定装置、异常判定方法以及已学习模型，能适当地进行基于载荷检测的受检者的异常判定。

技术特征：

1.一种异常判定模型的生成方法，所述异常判定模型判定床上的受检者处于异常状态，其中，所述异常判定模型的生成方法包括：

2.根据权利要求1所述的异常判定模型的生成方法，其中，

3.根据权利要求1或2所述的异常判定模型的生成方法，其中，

4.根据权利要求3所述的异常判定模型的生成方法，其中，

5.根据权利要求4所述的异常判定模型的生成方法，其中，

6.根据权利要求4或5所述的异常判定模型的生成方法，其中，

7.根据权利要求1～6中任一项所述的异常判定模型的生成方法，其中，

8.根据权利要求1～7中任一项所述的异常判定模型的生成方法，其中，

9.一种异常判定装置，其判定床上的受检者处于异常状态，其中，所述异常判定装置具备：

10.根据权利要求9所述的异常判定装置，其中，

11.根据权利要求10所述的异常判定装置，其中，

12.根据权利要求11所述的异常判定装置，其中，

13.根据权利要求11或12所述的异常判定装置，其中，

14.根据权利要求9～13中任一项所述的异常判定装置，其中，

15.一种异常判定系统，具备：

16.一种异常判定方法，其判定床上的受检者处于异常状态，其中，所述异常判定方法包括：

17.根据权利要求16所述的异常判定方法，其中，

18.根据权利要求17所述的异常判定方法，其中，

19.根据权利要求18所述的异常判定方法，其中，

20.根据权利要求18或19所述的异常判定方法，其中，

21.根据权利要求16～20中任一项所述的异常判定方法，其中，

22.一种已学习模型，用于判定床上的受检者处于异常状态，其中，

23.根据权利要求22所述的已学习模型，其中，

24.根据权利要求23所述的已学习模型，其中，

25.根据权利要求24所述的已学习模型，其中，

26.根据权利要求24或25所述的已学习模型，其中，

27.根据权利要求22～26中任一项所述的已学习模型，其中，

28.一种非暂时性且计算机可读取的记录介质，其中，

29.一种异常判定模型的生成方法，所述异常判定模型是判定床上的受检者处于异常状态的模型，其中，所述异常判定模型的生成方法包括：

技术总结异常判定模型的生成方法包括：通过配置于床(BD)的载荷传感器(LS1、LS2、LS3、LS4)来检测受检者(S)的载荷；制作将基于检测到的载荷而得到的多种特征量分别与异常状态建立对应而得到的示教数据；通过使用所述示教数据进行的有监督机器学习，制作基于所述多种特征量来将所述受检者的状态分类为所述异常状态的模型，并基于该模型来将所述多种特征量中的至少一种确定为解释变量；以及通过使用所述解释变量进行的机器学习，生成基于所述解释变量来判定所述受检者处于所述异常状态的异常判定模型。所述多种特征量包括通过对所述受检者的载荷进行短时傅里叶变换而计算出的频率特征量。技术研发人员：布施透,财津裕介受保护的技术使用者：美蓓亚三美株式会社技术研发日：技术公布日：2024/9/2