JP6481335B2 - 情報処理システム、情報処理装置、情報処理方法および情報処理プログラム - Google Patents

Description

本発明は、情報処理システム、情報処理装置、情報処理方法および情報処理プログラムに関する。

上記技術分野において、特許文献１には、複数の生体情報を用いて生体の異常を検知する技術が開示されている。

特開２００５−１６０９８４号公報

しかしながら、上記文献に記載の技術では、一つ一つの生体情報が正常範囲内にあるか否かを複数回判定することで生体の異常を検知しているため、表面上の生体情報に表われない異常を検出することができなかった。

本発明の目的は、上述の課題を解決する技術を提供することにある。

上記目的を達成するため、本発明に係る情報処理システムは、
複数種類の生体情報を時系列に取得し、複数種類の時系列生体情報として蓄積する取得手段と、
前記複数種類の時系列生体情報間の統計的な関係性の度合を示す関係性モデルを生成する生成手段と、
前記複数種類の時系列生体情報の観測値を前記関係性モデルに適用して、他の前記複数種類の時系列生体情報の推定値を生成し、各観測値と各推定値との比較結果に基づいて前記関係性モデルが維持されているか否を判定する判定手段と、
を備える。

上記目的を達成するため、本発明に係る情報処理装置は、
複数種類の生体情報を時系列に取得し、時系列生体情報として蓄積する取得手段と、
複数種類の時系列生体情報間の統計的な関係性の度合を示す関係性モデルを生成する生成手段と、
前記複数種類の時系列生体情報の観測値を前記関係性モデルに適用して、他の前記複数種類の時系列生体情報の推定値を生成し、各観測値と各推定値との比較結果に基づいて前記関係性モデルが維持されているか否を判定する判定手段と、
を備える。

上記目的を達成するため、本発明に係る情報処理方法は、
複数種類の生体情報を時系列に取得し、時系列生体情報として蓄積する取得ステップと、
複数種類の時系列生体情報間の統計的な関係性の度合を示す関係性モデルを生成する生成ステップと、
前記複数種類の時系列生体情報の観測値を前記関係性モデルに適用して、他の前記複数種類の時系列生体情報の推定値を生成し、各観測値と各推定値との比較結果に基づいて前記関係性モデルが維持されているか否を判定する判定ステップと、
を含む。

上記目的を達成するため、本発明に係る情報処理プログラムは、
複数種類の生体情報を時系列に取得し、時系列生体情報として蓄積する取得ステップと、
複数種類の時系列生体情報間の統計的な関係性の度合を示す関係性モデルを生成する生成ステップと、
前記複数種類の時系列生体情報の観測値を前記関係性モデルに適用して、他の前記複数種類の時系列生体情報の推定値を生成し、各観測値と各推定値との比較結果に基づいて前記関係性モデルが維持されているか否を判定する判定ステップと、
をコンピュータに実行させる。

本発明によれば、表面上の生体情報に表われない生体異常を検出できる。

本発明の第１実施形態に係る情報処理システムの構成を示すブロックである。 本発明の第１実施形態に係る情報処理システムを一つの情報処理装置１２０内で実現した場合の構成で示すブロック図である。 本発明の第２実施形態に係る情報処理システムの動作の概略を示す図である。 本発明の第２実施形態に係る情報処理システムの動作の概略を示す図である。 本発明の第２実施形態に係る情報処理システムの適用場面を示す図である。 本発明の第２実施形態に係る情報処理システムの構成を示すブロック図である。 本発明の第２実施形態に係る異常判定用情報の構成を示す図である。 本発明の第２実施形態に係る生体情報の構成を示す図である。 本発明の第２実施形態に係る関係性モデルに対応するテーブルの一例を示す図である。 本発明の第２実施形態に係る関係性モデルの一例を示す図である。 本発明の第２実施形態に係る異常検出テーブルの一例を示す図である。 本発明の第２実施形態に係る情報処理システムの処理手順を示すフローチャートである。 本発明の第２実施形態に係る情報処理システムを一つの情報処理装置で実現した場合の情報処理装置のハードウェア構成を示すブロック図である。 本発明の第２実施形態に係る情報処理システムの処理手順を示すフローチャートである。 本発明の第３実施形態に係る情報処理システムの構成を示すブロック図である。 本発明の第３実施形態に係る関係性モデルの一例を示す図である。 本発明の第３実施形態に係る情報処理システムの処理手順を示すフローチャートである。 本発明の第４実施形態に係る関係性モデルの一例を示す図である。 本発明の第４実施形態に係る関係性モデルを生体にマッピングした場合の概要を示す図である。 本発明の第５実施形態に係る関係性モデルに対応するテーブルの一例を示す図である。 本発明の第６実施形態に係る関係性モデルの一例を示す図である。

以下に、本発明を実施するための形態について、図面を参照して、例示的に詳しく説明記載する。ただし、以下の実施の形態に記載されている、構成、数値、処理の流れ、機能要素などは一例に過ぎず、その変形や変更は自由であって、本発明の技術範囲を以下の記載に限定する趣旨のものではない。

［第１実施形態］
本発明の第１実施形態としての情報処理システム１１０について、図１Ａを用いて説明する。情報処理システム１１０は、時系列生体情報の統計的な関係性が維持されているか否かを判定するシステムである。

情報処理システム１１０は、取得装置１１１と生成装置１１２と記憶装置１１３と判定装置１１４とを備える。これらの装置１１１〜１１４は、ＬＡＮ（Local Area Network）などにより接続されている。取得装置１１１は、複数種類の生体情報を時系列に取得し、時系列生体情報として蓄積する。生成装置１１２は、複数種類の時系列生体情報間の統計的な関係性を示す関係性モデルを生成する。記憶装置１１３は、関係性モデルなどを記憶する。判定装置１１４は、生体情報の観測値を関係性モデルに適用して、関係性が維持されているか否かを判定する。

図１Ｂは、本実施形態に係る情報処理システム１１０を一つの情報処理装置１２０内で実現した場合の構成で示すブロック図である。情報処理装置１２０は、時系列生体情報の統計的な関係性に基づいて生体の異常を判定する装置である。情報処理装置１２０は、取得部１１１と生成部１１２と判定部１１３とを備える。

取得部１１１は、複数種類の生体情報を時系列に取得し、時系列生体情報として蓄積する。生成部１１２は、複数種類の時系列生体情報間の統計的な関係性（statistical relationship）を示す関係性モデル１２１を生成する。判定部１１３は、生体情報の観測値を関係性モデル１２１に適用して、関係性が維持されているか否かを判定する。

本実施形態によれば、表面的なデータからは判定できない生体の異常を精度高く検出することができる。

［第２実施形態］
次に本発明の第２実施形態に係る情報処理システム２００について、図２Ａ〜図１１を用いて説明する。図２Ａは、本実施形態に係る情報処理システムの処理の概略を説明するための図である。

情報収集装置は例えば、血圧計や体温計、心拍数計などを含む。すなわち、情報収集装置は、患者などの血圧や体温、心拍数、血中酸素濃度、心電図波形、脳波などの複数種類の生体情報（バイタルデータ）を時系列生体情報２０１（時系列データ）として収集する。

情報処理システムは、情報収集装置が収集した生体情報に基づいて、生体情報間の統計的な関係性を示す関係性モデル２０３を生成する（２０２）。情報処理システムは、生体情報の観測値を生成した関係性モデル２０３に適用して、生体情報のそれぞれについて推定を行なう。そして、情報処理システムは、推定した結果と観測値とを比較することにより（２０４）、生体に異常があるか否かを判定する（２０５）。

図２Ｂは、本実施形態に係る情報処理システムの処理の概略を説明する図である。情報処理システムは、取得した時系列生体情報２１１に基づいて、生体情報間の統計的な関係性から関係性モデル２０３を構築する。そして、関係性モデル２０３の構築により、生体情報同士の関係性が分かっているので、例えば、体温（ｘ）の観測値２１２をこの関係性モデル２０３に適用することにより、心拍数（ｙ^＊）および血圧（ｚ^＊）を推定することができる。そして、心拍数および血圧の観測値（ｙ、ｚ）２１２と推定結果（ｙ^＊、ｚ^＊）２１３とを比較して、異常２１４を検出する。例えば、図示の例では、心拍数は正常２１５であるが、体温と血圧との関係に異常２１４が発生していることがわかる。

図３は、本実施形態に係る情報処理システム２２０の適用場面を示す図である。本実施形態に係る情報処理システム２２０（例えば、クラウドシステム）は、ネットワーク２３０を介して入院中２１１の患者や在宅２１２の患者、ジョギング２１３などをしている人と接続されている。

情報処理システム２２０は、これらの対象者から生体情報をネットワーク２３０を介して取得する。なお、ここでは情報処理システム２２０についてクラウドサーバを例に説明したが、情報処理システム２２０はこれに限定されず、スタンドアローン型のコンピュータやウェアラブル端末などでもよい。

図４は、本実施形態に係る情報処理システム２２０の構成を示すブロック図である。情報処理システム２２０は、通信制御部４０１と生体情報取得部４０２とＤＢ（データベース）４０３と関係性モデル生成部４０４と推定部４０５と異常判定部４０６と異常通知部４０７とを備える。

通信制御部４０１は、情報処理システム２２０と生体情報４３２を取得する医療機器やセンサ、ウェアラブル端末、スマートフォンなどの他の機器との間の通信を制御する。

生体情報取得部４０２は、通信制御部４０１で受信した血圧や体温、心拍数、血中酸素濃度、心電図波形、脳波などの生体情報４３２を取得する。生体情報取得部４０２は、取得した生体情報をＤＢ４０３に格納する。

ＤＢ４０３は、生体情報取得部４０２から受信した生体情報４３２を格納する。ＤＢ４０３は、さらに、異常判定用情報４３１や関係性モデル４３３、異常履歴４３４などを格納する。なお、異常判定用情報４３１や生体情報４３２、関係性モデル４３３、異常履歴４３４をそれぞれ別のＤＢに格納してもよい。

関係性モデル生成部４０４は、ＤＢ４０３から複数種類の時系列の生体情報４３２を取得して、生体情報４３２のそれぞれの間の統計的な関係性を示す関係性モデル４３３を生成し、ＤＢ４０３に格納する。

推定部４０５は、ＤＢ４０３から関係性モデル４３３を読み出して、通信制御部４０１で受信した生体情報４３２の観測値を読み出した関係性モデル４３３に適用して、生体情報４３２のそれぞれについて推定を行なう。推定部４０５は、推定した結果を異常判定部４０６に送信する。

異常判定部４０６は、比較部４６１をさらに備え、推定部４０５から受信した推定結果と通信制御部４０１で受信した生体情報４３２の観測値とを比較して、異常の判定を行う。異常判定部４０６は、異常が検出された場合には、検出結果を異常通知部４０７に送る。異常通知部４０７は、異常の検出結果を通信制御部４０１に送り、通信制御部４０１がその異常の検出結果を、例えば、医師などが勤務する病院のコンピュータなどに通知する。

図５は、ＤＢ４０３に記憶されている異常判定用情報４３１の構成を示す図である。異常判定用情報４３１は、生体情報の種類に関する生体情報種類情報５１０と関係性モデルに関する関係性モデル情報５２０と対象者情報５３０と閾値情報５４０とを記憶する。

生体情報種類情報５１０は、生体情報の種類に関する情報、例えば、体温や血圧、心拍数などを格納する。関係性モデル情報５２０は、モデル周期５２１および観測周期５２１を記憶する。対象者情報５３０は、対象者ＩＤ５３１と属性５３２と入院フラグ５３３とモデル種類５３４と通知先アドレス５３５とを記憶する。

対象者ＩＤ５３１は、対象者を識別するための番号などである。属性５３２は、対象者の属性を表す情報であり、例えば、年齢や性別、遺伝子情報などがある。入院フラグ５３３は、対象者が入院中か否かを示すためのフラグであり、対象者が入院している場合には、このフラグを、例えば、ＯＮにする。

モデル種類５３４は、例えば、対象者が入院中であれば入院用の関係性モデル４３３を用いなければ正しい異常検出ができないので、どのような関係性モデル４３３を用いているかを示すものである。

通知先アドレス５３５は、異常が検出された場合に、異常検出を通知すべき相手先のアドレスである。例えば、対象者が入院中の患者であれば、通知先アドレス５３５は、主治医の通信端末などのアドレスであり、対象者が健康管理をしている人物であれば、通知先アドレス５３５は、かかりつけ医やその他のアドバイザーのアドレスなどである。

閾値情報５４０は、関係性度閾値５４１と比較結果閾値５４２とトータルスコア閾値５４３の追加とを記憶する。関係性度閾値５４１は、関係性の崩れを判定するためのものであり、関係性に崩れがあったとしても、その崩れが所定の閾値の範囲内であれば、関係性の崩れとは判断しない。また、比較結果閾値５４２も同様に、比較の結果、異常の検出か否かを判定するためのものであり、ズレが生じていたとしても、そのズレが所定の範囲内であれば、異常の検出とはしない。

図６は、本実施形態に係る生体情報４３２の構成を示す図である。日時６０１は、生体情報４３２を収集した日時を示すものである。バイタル情報６０２は、体温や心拍数、血圧などを含み、それぞれの収集した値が示される。

そして、生体情報４３２は、関係性モデル周期と観測周期とに基づくデータ使用フラグ６０３、６０４を記憶する。例えば、関係性モデル周期６０３は、モデルの周期が１０分で、観測周期が１分であるので、１分ごとに生体情報４３２を取得することを“○”で示している。また、関係性モデル周期６０４は、モデルの周期が１日で、観測周期が２時間であるので、２時間おきに生体情報４３２を取得することを“○”で示す。

図７Ａは、本実施形態に係る関係性モデル４３３に対応するテーブルの構成を示す図である。このテーブルは、時系列生体情報７１０、７１１と統計的関係性７１２とを記憶する。時系列生体情報７１０、７１１には、体温や血圧、心拍数などが記憶される。統計的関係性７１２は、時系列生体情報７１０と時系列生体情報７１１との統計的関係性を示す、関数やパラメータ（係数）、関係度が記憶される。

関数やパラメータ（係数）は、例えば、ＡＲモデルや自己回帰モデル、確率分布モデルなどを用いて算出することができるが、算出方法はこれらには限定されない。

図７Ｂは、本実施形態に係る関係性モデル４３３の構成を示す図である。図示したように、関係性の強い生体情報４３２同士は太い線で結ばれ、関係性の弱い生体情報４３２同士は細い線で結ばれている。また、関係性が全くなければ生体情報４３２同士は、線で結ばれない。すなわち、関係性モデル４３３は、線の太さにより関係性の強さを示している。例えば、図７Ａで関係度が０．５以上は太い線で結ばれている。

図８は、本実施形態に係る異常検出テーブル８００の構成を示す図である。異常検出テーブル８００は、時系列観測値８０１と時系列推定結果８０２と比較観測値８０３と比較結果８０４と閾値８０５と異常スコア８０６とを記憶する。

時系列観測値８０１には、体温測定値などが記憶される。時系列推定結果８０２には、血圧推定値や心拍数推定値などが記憶され、比較観測値８０３には、血圧観測値や心拍数観測値が記憶される。閾値８０５には、閾値の値（α、β）が記憶される。異常スコア８０６には、個別の生体情報４３２が異常か否かを示すスコアが示されており、さらに、異常スコアのトータルのスコアも記憶されている。

図９は、本実施形態に係る情報処理システム２００の処理手順を示すフローチャートである。情報処理システム２００は、ステップＳ９０１において、時系列の生体情報４３２を収集する。情報処理システム２００は、ステップＳ９０３において、収集した生体情報４３２に基づいて、生体情報４３２の間の統計的な関係性を示す関係性モデル４３３を生成する。

情報処理システム２００は、ステップＳ９０５において、生体情報４３２の観測値を取得する。情報処理システム２００は、ステップＳ９０７において、取得した生体情報４３２の観測値を生成した関係性モデルに適用することにより推定を行なう。情報処理システム２００は、ステップＳ９０９において、推定した結果と観測値とを比較する。

情報処理システム２００は、ステップＳ９１１において、比較の結果、異常が検出されたか否かを判定する。異常が検出された場合には、情報処理システム２００は、ステップＳ９１３において、その異常を所定の通知先に通知する。異常が検出されなかった場合には、処理を終了する。

図１０は、本実施形態に係る情報処理システム２２０を１つの情報処理装置で実現した場合のハードウェア構成を示すブロック図である。情報処理システム２２０（情報処理装置２２０）は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）１０１０、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）１０２０およびＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）１０４０を備えている。さらに、情報処理装置２２０は、ストレージ１０５０と通信制御部４０１とを備えている。

ＣＰＵ１０１０は、演算処理用のプロセッサであり、プログラムを実行することにより情報処理装置２２０の各機能構成部を実現する。なお、ＣＰＵ１０１０は１つに限定されず、複数であってもよく、また、画像処理用のＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）を含んでもよい。ＲＯＭ１０２０は、リードオンリメモリであり、ファームウェアなどのプログラムを記憶する。通信制御部４０１は、例えば、情報処理装置２２０とその他の機器などとの間の通信を制御する。

ＲＡＭ１０４０は、ＣＰＵ１０１０が一時記憶用のワークエリアとして使用するランダムアクセスメモリである。ＲＡＭ１０４０には、本実施形態の実現に必要なデータを記憶する領域がある。このようなデータとして、ＲＡＭ１０４０は、関係性モデル生成用時系列生体情報１０４１、観測値１０４２、推定結果１０４３、比較結果１０４４、異常判定結果１０４５および送受信データ１０４６を一時的に記憶する。

ストレージ１０５０は、本実施形態の実現に必要なプログラムやデータベースなどを記憶する記憶デバイスである。ストレージ１０５０は、異常判定用情報４３１と生体情報４３２と関係性モデル４３３と異常判定履歴４３４とを格納する。

異常判定履歴４３４は、過去に異常判定がされた場合の履歴を保存するものであり、異常判定がされた日付や異常の種類、異常の危険度、異常を検出した臓器や器官などの様々な情報を記録する。

ストレージ１０５０は、さらに、情報処理装置制御プログラム１０５１と関係性モデル生成モジュール１０５２と推定結果生成モジュール１０５３と異常判定モジュール１０５４とを格納する。これらのモジュール１０５２〜１０５４は、ＣＰＵ１０１０によりＲＡＭ１０４０のアプリケーション実行領域に読み出され、実行される。情報処理装置制御プログラム１０５１は、情報処理装置２２０の全体を制御するためのプログラムである。

なお、図１０に示したＲＡＭ１０４０やストレージ１０５０には、情報処理装置２２０が有する汎用の機能や他の実現可能な機能に関するプログラムやデータは図示されていない。

図１１は、本実施形態に係る情報処理システム２２０の処理手順を示すフローチャートである。情報処理システム２２０は、ステップ１１０１において、関係性モデル４３３の生成か否かを判断する。関係性モデル４３３の生成である場合、情報処理システム２２０は、ステップＳ１１０３において、生体情報４３２を時系列生体情報として蓄積する。

情報処理システム２２０は、ステップＳ１１０５において、蓄積された生体情報４３２に基づいて、関係性モデル４３３を生成する。情報処理システム２２０は、ステップＳ１１０７において、生成した関係性モデルをストレージ１０５０などに格納する。

関係性モデル４３３の生成でない場合、情報処理システム２２０は、ステップＳ１１２１において、異常検出の判定か否かを判断する。異常検出の判定でない場合、情報処理システム２２０は、ステップＳ１１６１において、他の処理を実行する。

異常検出の判定である場合、情報処理システム２２０は、ステップＳ１１２３において、ストレージ１０５０などに格納した関係性モデル４３３を読み出す。情報処理システム２２０は、ステップＳ１１２５において、生体情報４３２の観測値を受信する。情報処理システム２２０は、ステップＳ１１２７において、読み出した関係性モデル４３３に、取得した生体情報４３２の観測値を適用して推定を実行する。

情報処理システム２２０は、ステップＳ１１２９において、推定した結果を同じ生体情報の観測値と比較する。情報処理システム２２０は、ステップＳ１１３１において、比較した結果、観測値と推定結果との差分が所定の閾値よりも大きいか否かを判断する。差分が所定の閾値よりも大きい場合、情報処理システム２２０は、ステップＳ１１３３において、異常スコアを加算する。

情報処理システム２２０は、ステップＳ１１３５において、残りの生体情報４３２との関係性があるか否かを判定し、残りの生体情報４３２との関係性が有る場合、情報処理システム２２０は、ステップＳ１１２７へ戻り、その後のステップを繰り返す。

情報処理システム２２０は、ステップＳ１１３７において、全ての生体情報４３２について処理が済んだか否かを判断する。全ての生体情報４３２について処理が済んでいない場合、情報処理システム２２０は、ステップＳ１１２７へ戻り、その後のステップを繰り返す。

全ての生体情報４３２の処理が完了した場合、情報処理システム２２０は、ステップＳ１１３９において、加算スコアの合計が所定の閾値よりも大きいか否かを判断する。加算スコアの合計が所定の閾値よりも大きい場合、情報処理システム２２０は、ステップＳ１１４１において、所定の通知先へ異常を通知する。加算スコアの合計が所定の閾値よりも小さい場合、情報処理システム２２０は、処理を終了する。

所定の閾値よりも大きいか否かの判断は、（異常関係性／全関係性）＞閾値（例えば、３０％）などにより判断することができる。ここで、異常関係性は、関係性モデルの関係性が維持されておらず、関係性が崩れている関係性モデルである。この他に、例えば、規定の異常関係性集合と現在の異常関係性集合とのマッチ度が、８０％以上であれば、規定の異常が発生したものと判断してもよい。

なお、上記の説明では、体温や血圧などの生体情報４３２を取得する医療機器などの生体情報取得センサの数は１個として説明してきたが、生体情報取得センサの数は１個に限定されない。例えば、体温計であれば、頭部や胸部、腹部、脚部、背部など人体の様々な場所の体温を測定してもよい。

また、生体情報４３２の間の統計的な関係性に基づいて関係性モデル４３３を生成する例で説明をしたが、関係性モデル４３３の生成方法はこれには限定されない。例えば、生体情報４３２の間の相関関数を算出し、これに基づいて関係性モデル４３３を生成してもよい。また、この相関関数の係数を算出することもできる。さらに、相関関数の他に時系列データの分散を分析して、この分析結果に基づいて関係性モデル４３３を生成してもよい。

なお、本実施形態では、生体情報のそれぞれについて推定を行なう例で説明をしたが、例えば、生体情報それぞれについて、期待値や予測値などを推定してもよい。そして、この推定した期待値や予測値に基づいて、異常の判定を行なってもよい。

本実施形態によれば、関係性モデル４３３に基づいて異常判定を行うので、表面上の生体情報には表れない生体の異常を正確かつ確実に検出することができる。

［第３実施形態］
次に本発明の第３実施形態に係る情報処理システム１２２０について、図１２〜図１４を用いて説明する。図１２は、本実施形態に係る情報処理システム１２２０の構成を説明するためのブロック図である。本実施形態に係る情報処理システム１２２０は、上記第２実施形態と比べると、関係性モデル選択部１２０８を有する点で異なる。その他の構成および動作は、第２実施形態と同様であるため、同じ構成および動作については同じ符号を付してその詳しい説明を省略する。

関係性モデル選択部１２０８は、生成した関係性モデル１２３３を選択可能に格納し、使用する関係性モデル１２３３を選択する。例えば、対象者が入院中であれば、入院中の関係性モデル１２３３を選択する。また、対象者が、例えば、普段の生活をしていて健康管理などを行っている場合などは通常の関係性モデル１２３３、ジョギングなどをしていて走行中の状態にある場合には走行中の関係性モデル１２３３を選択する。

図１３は、本実施形態に係る関係性モデル１２３３の構成を示す図である。生体の状況に応じて、使用する関係性モデルがあらかじめ決められており、入院中であれば、入院中モデルを使用し、走行中であれば、走行中モデルを使用する。

図１４は、本実施形態に係る情報処理システム１２２０の処理手順を示すフローチャートである。なお、図１１と同様のステップについては、同じステップ番号を付けて説明を省略する。情報処理システム１２２０は、ステップＳ１１０１において、関係性モデル１２３３の生成である場合、ステップＳ１４０１において、関係性モデル１２３３を選択するための選択情報を取得する。情報処理システム１２２０は、ステップＳ１４０３において、選択情報に対応付けて関係性モデル１２３３をストレージなどの記憶デバイスに格納する。

情報処理システム１２２０は、関係性モデル１２３３の生成でなく、異常判定の場合、ステップＳ１４２１において、関係性モデル１２３３を選択するための選択情報を取得する。生体の状況は、例えば、病院に入院中、就寝中、運動中、歩行中、入浴中および排便中などがあるが、これらには限定されない。

本実施形態によれば、生体の状況に応じて、適切な関係性モデル１２３３を選択できるので、表面上の生体情報には表れない生体の異常を正確かつ確実に検出することができる。

［第４実施形態］
次に本発明の第４実施形態に係る情報処理システムについて、図１５Ａ〜図１５Ｂを用いて説明する。図１５Ａは、本実施形態に係る情報処理システムの生成する関係性モデル１５００を説明するための図である。本実施形態に係る関係性モデル１５００は、上記第２実施形態と比べると、網羅的に複数種類の生体情報４３２間の関係性を算出し、さらに、同じ生体情報４３２であっても生体の複数の部分から取得した生体情報４３２間の関係性を算出する点で異なる。すなわち、生体の複数の部分にセンサなどを設け、生体の複数の部分から取得した生体情報に基づいて、網羅的に関係性を導出して関係性モデル１５００を生成している点で異なる。

図１５Ｂは、関係性モデル１５００を生体モデル上にマッピングした様子を示している。本実施形態では、生体の様々な箇所にセンサなどの生体情報取得機器を取り付けて、１つの生体情報４３２について生体の複数の箇所から取得した生体情報４３２間（例えば、頭部の体温と腹部の体温との間など）の関係性を導出する。さらに、生体情報４３２のそれぞれの間（例えば、血圧と体温との間など）の関係性をも導出し、網羅的に関係性を導出して関係性モデル１５００を生成する。

本実施形態によれば、網羅的に関係性を抽出して関係性モデル１５００生成するので、表面上の生体情報からは検出できない生体の異常を正確かつ確実に検出することができる。

［第５実施形態］
次に本発明の第５実施形態に係る情報処理システム１６００について、図１６を用いて説明する。図１６は、本実施形態に係る関係性モデルに対応するテーブル１６００を説明するための図である。本実施形態に係るテーブル１６００は、上記第２実施形態と比べると、属性１６０１と対象者の周辺の環境１６０２との情報を記憶している点で異なる。属性１６０１としては、例えば、年齢や性別、遺伝子情報などがある。また、環境１６０２の情報としては、例えば、加速度センサの値やＧＰＳの値、ベッドの圧力、音声情報などがある。環境１６０２の情報としては、さらに、気温や湿度、気圧などがある。

本実施形態によれば、対象者の属性や周辺環境の情報を加味して、環境ごとに異なる関係性モデル４３３を生成したり、選択することができるので、表面上の生体情報には表れない生体の異常を正確かつ確実に検出することができる。

［第６実施形態］
次に本発明の第６実施形態に係る情報処理システムについて、図１７を用いて説明する。図１７は、本実施形態に関係性モデルの構成を示す図である。本実施形態に係る情報処理システムは、生体情報間の統計的な関係性の他に、環境情報と生体情報との間の統計的な関係性を加味して、関係性モデルを生成する。

本実施形態によれば、生体情報と環境情報との間の関係性も加味して関係性モデルを生成するので、表面上の生体情報には表れない生体の異常を正確かつ確実に検出することができる。

［他の実施形態］
以上、実施形態を参照して本願発明を説明したが、本願発明は上記実施形態に限定されるものではない。本願発明の構成や詳細には、本願発明のスコープ内で当業者が理解し得る様々な変更をすることができる。また、それぞれの実施形態に含まれる別々の特徴を如何様に組み合わせたシステムまたは装置も、本発明の範疇に含まれる。

また、本発明は、複数の機器から構成されるシステムに適用されてもよいし、単体の装置に適用されてもよい。さらに、本発明は、実施形態の機能を実現する情報処理プログラムが、システムあるいは装置に直接あるいは遠隔から供給される場合にも適用可能である。したがって、本発明の機能をコンピュータで実現するために、コンピュータにインストールされるプログラム、あるいはそのプログラムを格納した媒体、そのプログラムをダウンロードさせるＷＷＷ(World Wide Web)サーバも、本発明の範疇に含まれる。特に、少なくとも、上述した実施形態に含まれる処理ステップをコンピュータに実行させるプログラムを格納した非一時的コンピュータ可読媒体（non-transitory computer readable medium）は本発明の範疇に含まれる。

Claims (13)

1. 複数種類の生体情報を時系列に取得し、複数種類の時系列生体情報として蓄積する取得手段と、
   前記複数種類の時系列生体情報間の統計的な関係性の度合を示す関係性モデルを生成する生成手段と、
   前記複数種類の時系列生体情報の観測値を前記関係性モデルに適用して、他の前記複数種類の時系列生体情報の推定値を生成し、各観測値と各推定値との比較結果に基づいて前記関係性モデルが維持されているか否を判定する判定手段と、
   を備える情報処理システム。
2. 前記判定手段は、前記各観測値と前記各推定値との差が各前記関係性に応じた第１閾値を超えた前記関係性にスコアを付与し、付与したスコアのトータル値が第２閾値を超えた場合に、前記関係性モデルが維持されていないと判定する請求項１に記載の情報処理システム。
3. 生体の状況に応じた複数の前記関係性モデルを記憶するモデル記憶手段と、
   前記生体の状況に基づいて前記モデル記憶手段から一つの関係性モデルを選択する選択手段と、
   をさらに備え、
   前記判定手段は、前記選択手段によって選択された前記関係性モデルを用いて、判定する請求項１または２に記載の情報処理システム。
4. 前記生体の環境情報を時系列に取得する環境情報取得手段と、
   前記環境情報に基づいて、前記生体の状況を判定する生体状況判定手段と、
   をさらに備える請求項３に記載の情報処理システム。
5. 前記生体の環境情報を時系列に取得する環境情報取得手段をさらに備え、
   前記生成手段は、前記複数種類の時系列生体情報と前記環境情報との間の統計的な関係性の度合を示す関係性モデルを生成する請求項３に記載の情報処理システム。
6. 前記環境情報とは、加速度センサの値、ＧＰＳの値、ベッドの圧力、および音声情報の少なくともいずれか一つを含む請求項４または５に記載の情報処理システム。
7. 前記生体情報は、体温、血圧、心拍数、脳波、血糖値、呼吸数、血中酸素濃度、および心電図波形の少なくともいずれか一つを含む請求項１乃至６のいずれか１項に記載の情報処理システム。
8. 前記複数種類の生体情報とは、生体の異なる位置で測定された生体情報を含み、前記関係性モデルは、前記生体の異なる位置で測定された生体情報間の統計的な関係性の度合を含む請求項１乃至７のいずれか１項に記載の情報処理システム。
9. 前記モデル記憶手段は、前記関係性モデルを、前記生体の遺伝子情報に関連付けて記憶し、
   前記選択手段は、前記遺伝子情報に基づいて前記モデル記憶手段から一つの関係性モデルを選択する請求項３に記載の情報処理システム。
10. 前記生成手段は、前記統計的な関係性の度合を生体モデル上にマッピングして前記関係性モデルを生成する請求項１乃至９のいずれか１項に記載の情報処理システム。
11. 複数種類の生体情報を時系列に取得し、時系列生体情報として蓄積する取得手段と、
    複数種類の時系列生体情報間の統計的な関係性の度合を示す関係性モデルを生成する生成手段と、
    前記複数種類の時系列生体情報の観測値を前記関係性モデルに適用して、他の前記複数種類の時系列生体情報の推定値を生成し、各観測値と各推定値との比較結果に基づいて前記関係性モデルが維持されているか否を判定する判定手段と、
    を備える情報処理装置。
12. 複数種類の生体情報を時系列に取得し、時系列生体情報として蓄積する取得ステップと、
    複数種類の時系列生体情報間の統計的な関係性の度合を示す関係性モデルを生成する生成ステップと、
    前記複数種類の時系列生体情報の観測値を前記関係性モデルに適用して、他の前記複数種類の時系列生体情報の推定値を生成し、各観測値と各推定値との比較結果に基づいて前記関係性モデルが維持されているか否を判定する判定ステップと、
    を含む情報処理方法。
13. 複数種類の生体情報を時系列に取得し、時系列生体情報として蓄積する取得ステップと、
    複数種類の時系列生体情報間の統計的な関係性の度合を示す関係性モデルを生成する生成ステップと、
    前記複数種類の時系列生体情報の観測値を前記関係性モデルに適用して、他の前記複数種類の時系列生体情報の推定値を生成し、各観測値と各推定値との比較結果に基づいて前記関係性モデルが維持されているか否を判定する判定ステップと、
    をコンピュータに実行させる情報処理プログラム。

Images