WO2018173156A1 - Information processing device, information processing method, information processing program, information processing system, and storage medium - Google Patents

Abstract

The present invention accurately determines whether a subject has urinated or not. This information processing device includes: an acquisition unit that acquires the heart rate or pulse rate of a subject; a calculation unit that calculates a feature amount which indicates trends in changes in the heart rate or pulse rate from time series data of the heart rate or pulse rate acquired by the acquisition unit; and a determination unit that determines whether the subject has urinated or not on the basis of the feature amount calculated by the calculation unit.

Description

Translated fromJapanese

[規則37.2に基づきISAが決定した発明の名称]　情報処理装置、情報処理方法、情報処理プログラム、情報処理システム、及び記憶媒体[Name of invention determined by ISA based on Rule 37.2] Information processing device, information processing method, information processing program, information processing system, and storage medium

　開示の技術は、情報処理装置、情報処理方法、情報処理プログラム、及び情報処理システムに関する。The disclosed technology relates to an information processing apparatus, an information processing method, an information processing program, and an information processing system.

　従来、在床者の脈波から複数の特徴量を算出し、教師データに基づいて統計的学習を用いて学習された判別規則に対して、算出した特徴量を適用することにより在床者の睡眠状態を判別する技術が知られている。Conventionally, by calculating a plurality of feature amounts from the pulse wave of the occupant and applying the calculated feature amount to the discrimination rule learned using statistical learning based on the teacher data, A technique for discriminating a sleep state is known.

　また、排尿の事前検知のための対象者の排尿に関する複数の特徴量を取得し、取得した複数の特徴量から対象者の状態を示す特徴量の組み合わせを求める技術が知られている。この技術では、過去の特徴量の組合せと尿失禁発生との関係が記録された実績情報を用いて、求めた特徴量の組合せから対象者の排尿の可能性を示す値を算出する。Also, a technique is known in which a plurality of feature amounts related to urination of a subject for prior detection of urination are acquired, and a combination of feature amounts indicating the state of the subject is obtained from the acquired plurality of feature amounts. In this technique, a value indicating the possibility of urination of the subject is calculated from the obtained combination of feature amounts, using record information in which the relationship between past combinations of feature amounts and occurrence of urinary incontinence is recorded.

特開２０１３－０８１７０７号公報JP 2013-081707 A特開２０１４－２３０６７９号公報JP 2014-230679 A

　前述した排尿の可能性を示す値を算出する技術は、排尿の事前検知のために、ある時点で取得した対象者の排尿に関連する複数の特徴量から対象者の状態を示す特徴量の組み合わせを求めて、対象者の排尿の可能性を示す値を算出するものであった。このため、この技術では、対象者が排尿したか否かを精度良く判定できない場合があった。The technique for calculating the value indicating the possibility of urination described above is a combination of feature quantities indicating the state of the subject from a plurality of feature quantities related to the urination of the subject obtained at a certain point in time for the prior detection of urination. The value indicating the possibility of the subject's urination was calculated. For this reason, with this technique, it may not be possible to accurately determine whether or not the subject has urinated.

　開示の技術は、一つの側面として、対象者が排尿したか否かを精度良く判定することを目的とする。The disclosed technology aims to accurately determine whether or not the subject has urinated as one aspect.

　開示の技術は、一つの態様として、対象者の心拍数又は脈拍数を取得し、取得した前記心拍数又は前記脈拍数の時系列データから、前記心拍数又は前記脈拍数の変化の傾向を示す特徴量を算出する。そして、算出した前記特徴量に基づいて、前記対象者が排尿したか否かを判定する。As one aspect, the disclosed technology acquires a heart rate or a pulse rate of a subject, and indicates a tendency of a change in the heart rate or the pulse rate from the acquired time-series data of the heart rate or the pulse rate. The feature amount is calculated. Then, based on the calculated feature amount, it is determined whether or not the subject has urinated.

　一つの側面として、対象者が排尿したか否かを精度良く判定することができる、という効果を有する。As one aspect, there is an effect that it can be accurately determined whether or not the subject has urinated.

排尿と心拍数との関係性を説明するためのグラフである。It is a graph for demonstrating the relationship between urination and a heart rate.実施形態に係る情報処理システムの概略構成を示すブロック図である。1 is a block diagram illustrating a schematic configuration of an information processing system according to an embodiment.実施形態に係る情報処理装置の機能ブロック図である。It is a functional block diagram of the information processor concerning an embodiment.実績格納部の一例を示す図である。It is a figure which shows an example of a performance storage part.特徴量の算出処理を説明するためのグラフである。It is a graph for demonstrating the calculation process of a feature-value.特徴量の算出処理を説明するためのグラフである。It is a graph for demonstrating the calculation process of a feature-value.特徴量の算出処理を説明するためのグラフである。It is a graph for demonstrating the calculation process of a feature-value.特徴量の算出処理を説明するためのグラフである。It is a graph for demonstrating the calculation process of a feature-value.モデル生成用格納部の一例を示す図である。It is a figure which shows an example of the storage part for a model production | generation.推定モデルの一例を示す図である。It is a figure which shows an example of an estimation model.特徴量が２つの場合のマハラノビス距離の一例を示す図である。It is a figure which shows an example of the Mahalanobis distance in the case of two feature-values.実施形態に係る情報処理装置として機能するコンピュータの概略構成を示すブロック図である。It is a block diagram which shows schematic structure of the computer which functions as an information processing apparatus which concerns on embodiment.実施形態に係る生成処理の一例を示すフローチャートである。It is a flowchart which shows an example of the production | generation process which concerns on embodiment.実施形態に係る推定処理の一例を示すフローチャートである。It is a flowchart which shows an example of the estimation process which concerns on embodiment.実施形態に係る特徴量算出処理の一例を示すフローチャートである。It is a flowchart which shows an example of the feature-value calculation process which concerns on embodiment.

　以下、図面を参照して、開示の技術の実施形態の例を詳細に説明する。Hereinafter, exemplary embodiments of the disclosed technology will be described in detail with reference to the drawings.

　まず、実施形態の詳細を説明する前に、図１を参照して、人の排尿と心拍数との関係性に関する知見について説明する。なお、以下では、排尿したか否かの推定対象とする人を「対象者」という。First, before explaining the details of the embodiment, the knowledge about the relationship between human urination and heart rate will be explained with reference to FIG. In the following, a person who is an estimation target of whether or not urination has occurred is referred to as a “subject”.

　図１に、対象者が排尿した期間を含む前後の所定期間の対象者の心拍数の時系列データを示す。図１の矢印Ｙ１に示すように、対象者の排尿の開始に伴って心拍数は増加し、矢印Ｙ２に示すように、対象者の排尿の終了に伴って心拍数は減少する。また、矢印Ｙ３に示すように、心拍数の減少の終了後に、心拍数は、所定期間徐々に増加する。また、心拍数の減少の終了後の心拍数Ｓ１は、心拍数の増加の開始前の心拍数Ｓ２よりも小さくなる。FIG. 1 shows time-series data of the heart rate of the subject for a predetermined period before and after the subject urinates. As indicated by the arrow Y1 in FIG. 1, the heart rate increases with the start of the subject's urination, and as indicated by the arrow Y2, the heart rate decreases with the end of the subject's urination. Further, as indicated by the arrow Y3, the heart rate gradually increases for a predetermined period after the decrease in the heart rate. Further, the heart rate S1 after the end of the decrease in the heart rate is smaller than the heart rate S2 before the start of the increase in the heart rate.

　以下の実施形態では、上記の排尿と心拍数との関係性の知見に基づき、対象者が排尿したか否かを判定する。なお、図１では、排尿と心拍数との関係性について示したが、排尿と脈拍数との関係性についても同様の傾向が見られる。In the following embodiment, it is determined whether or not the subject has urinated based on the above knowledge of the relationship between urination and heart rate. Although FIG. 1 shows the relationship between urination and heart rate, the same tendency can be seen in the relationship between urination and pulse rate.

　次に、図２を参照して、本実施形態に係る情報処理システム１０の構成を説明する。図２に示すように、情報処理システム１０は、対象者に装着された測定装置１２、及び情報処理装置１４を含む。測定装置１２は無線通信によってネットワーク１６に接続され、情報処理装置１４は有線通信及び無線通信の少なくとも一方によってネットワーク１６に接続される。すなわち、測定装置１２及び情報処理装置１４は、ネットワーク１６を介してデータの送受信が可能とされる。情報処理装置１４の例としては、パーソナルコンピュータ、及びサーバコンピュータ等の情報処理装置が挙げられる。Next, the configuration of theinformation processing system 10 according to the present embodiment will be described with reference to FIG. As illustrated in FIG. 2, theinformation processing system 10 includes ameasurement device 12 and aninformation processing device 14 that are worn by a subject. Themeasuring device 12 is connected to thenetwork 16 by wireless communication, and theinformation processing device 14 is connected to thenetwork 16 by at least one of wired communication and wireless communication. That is, themeasurement device 12 and theinformation processing device 14 can transmit and receive data via thenetwork 16. Examples of theinformation processing apparatus 14 include information processing apparatuses such as a personal computer and a server computer.

　測定装置１２は、対象者の単位時間当たりの心拍数を所定間隔（例えば、１秒間隔）で測定し、測定により得られた心拍数を、ネットワーク１６を介して情報処理装置１４に送信する。測定装置１２の例としては、対象者の手首、腕、及び胸等に装着されるウェアラブルの心拍センサが挙げられる。Themeasuring device 12 measures the heart rate per unit time of the subject at a predetermined interval (for example, every 1 second), and transmits the heart rate obtained by the measurement to theinformation processing device 14 via thenetwork 16. Examples of themeasuring device 12 include a wearable heart rate sensor that is worn on the wrist, arm, chest, and the like of a subject.

　次に、図３を参照して、本実施形態に係る情報処理装置１４の機能的な構成を説明する。図３に示すように、情報処理装置１４は、取得部２０、算出部２２、生成部２４、判定部２６、及び推定部２８を含む。情報処理装置１４の所定の記憶領域には、時系列データ４０、実績格納部４２、モデル生成用格納部４４、推定モデル４６、及び排尿時刻データ４８が記憶される。Next, the functional configuration of theinformation processing apparatus 14 according to the present embodiment will be described with reference to FIG. As illustrated in FIG. 3, theinformation processing apparatus 14 includes anacquisition unit 20, acalculation unit 22, ageneration unit 24, adetermination unit 26, and anestimation unit 28. In a predetermined storage area of theinformation processing apparatus 14,time series data 40, aresult storage unit 42, a modelgeneration storage unit 44, an estimatedmodel 46, andurination time data 48 are stored.

　実績格納部４２には、過去の所定期間（例えば、１週間）において、対象者が実際に排尿した期間、及び排尿していない期間の対象者の心拍数が予め記憶される。図４に、実績格納部４２の一例を示す。図４に示すように、実績格納部４２には、対象者が実際に排尿した期間の心拍数の取得日時及び心拍数が、「排尿」というラベルが付与されて記憶される。また、実績格納部４２には、対象者が実際に排尿していない期間の心拍数の取得日時及び心拍数が、「非排尿」というラベルが付与されて記憶される。In the pastrecord storage unit 42, in the past predetermined period (for example, one week), the subject's heart rate during the period when the subject actually urinated and during the period when the subject does not urinate is stored in advance. FIG. 4 shows an example of theresult storage unit 42. As shown in FIG. 4, in theresult storage unit 42, the acquisition date and heart rate of the heart rate during the period when the subject actually urinated and the heart rate are stored with the label “urination”. Further, in theresult storage unit 42, the acquisition date and heart rate of the heart rate during the period when the subject is not actually urinating and the heart rate are stored with the label “non-urination”.

　取得部２０は、測定装置１２から送信された心拍数を取得し、心拍数を取得した時刻と取得した心拍数とを対応付けて、時系列データ４０に追加する。すなわち、時系列データ４０には、一例として図１に示した心拍数の時系列データが記憶される。Theacquisition unit 20 acquires the heart rate transmitted from themeasurement device 12 and associates the time when the heart rate was acquired with the acquired heart rate, and adds it to the time-series data 40. That is, thetime series data 40 stores the time series data of the heart rate shown in FIG. 1 as an example.

　算出部２２は、時系列データ４０における心拍数の変化の傾向を示す特徴量（以下、単に「特徴量」という）を算出する。本実施形態では、算出部２２は、時系列データ４０の所定期間毎（例えば、１０秒毎）の時刻を特徴量の算出対象とする。以下では、特徴量の算出対象とする時刻を「対象時刻」という。The calculatingunit 22 calculates a feature amount (hereinafter simply referred to as “feature amount”) indicating a tendency of change in heart rate in the time-series data 40. In the present embodiment, thecalculation unit 22 sets the time of every predetermined period (for example, every 10 seconds) of the time-series data 40 as a feature amount calculation target. Hereinafter, the time for which the feature amount is to be calculated is referred to as “target time”.

　算出部２２は、時系列データ４０を参照し、対象時刻から所定期間（例えば、３分）前の範囲内の各心拍数の取得時刻から対象時刻までの心拍数の時系列データを直線に近似し、近似して得られた各直線の傾きを算出する。なお、この算出の際、算出部２２は、対象時刻の直前の所定期間（例えば数秒）の心拍数を除いて心拍数の時系列データを直線に近似してもよい。そして、算出部２２は、一例として図５に示すように、近似して得られた各直線のうち、傾きが最大である直線Ｌ１の起点の時刻を、起点時刻ｔ１と特定する。なお、図５では、対象時刻を「ｔ２」で示している。また、以下では、直線Ｌ１の傾きを「傾きａ_ｕ１」という。すなわち、傾きａ_ｕ１が起点時刻ｔ１から対象時刻ｔ２までの第１期間における心拍数の変化度合いを示す。Thecalculation unit 22 refers to thetime series data 40 and approximates the time series data of the heart rate from the acquisition time of each heart rate within the range before the target time to a predetermined time (for example, 3 minutes) to the target time to a straight line. Then, the inclination of each straight line obtained by approximation is calculated. In this calculation, thecalculation unit 22 may approximate the heart rate time-series data to a straight line except for the heart rate in a predetermined period (for example, several seconds) immediately before the target time. Then, as shown in FIG. 5 as an example, thecalculation unit 22 identifies the starting time of the straight line L1 having the maximum inclination among the approximated straight lines as the starting time t1. In FIG. 5, the target time is indicated by “t2”. Hereinafter, the inclination of the straight line L1 is referred to as “inclination a_u1 ”. That is, the slope a_u1 indicates the degree of change in heart rate in the first period from the start time t1 to the target time t2.

　また、算出部２２は、時系列データ４０を参照し、対象時刻から、対象時刻から所定期間（例えば、３分）後の範囲内の各心拍数の取得時刻までの心拍数の時系列データを直線に近似し、近似して得られた各直線の傾きを算出する。なお、この算出の際、算出部２２は、対象時刻の直後の所定期間（例えば数秒）の心拍数を除いて心拍数の時系列データを直線に近似してもよい。そして、算出部２２は、一例として図５に示すように、近似して得られた各直線のうち、傾きが最小である直線Ｌ２の終点の時刻を、終点時刻ｔ３と特定する。なお、以下では、直線Ｌ２の傾きを「傾きａ_ｄ」という。すなわち、傾きａ_ｄが対象時刻ｔ２から終点時刻ｔ３までの第２期間における心拍数の変化度合いを示す。Further, thecalculation unit 22 refers to thetime series data 40, and calculates time series data of heart rates from the target time to the acquisition time of each heart rate within a range after the target time for a predetermined period (for example, 3 minutes). Approximate to a straight line, and calculate the slope of each straight line obtained by the approximation. In this calculation, thecalculation unit 22 may approximate the time series data of the heart rate to a straight line except for the heart rate in a predetermined period (for example, several seconds) immediately after the target time. Then, as shown in FIG. 5 as an example, thecalculation unit 22 identifies the end point time of the straight line L2 having the smallest slope among the approximated straight lines as the end point time t3. Hereinafter, the inclination of the straight line L2 is referred to as “inclination a_d ”. That is, the degree of change in heart rate in the second period of the slope a_d from target time t2 to the end time t3.

　また、算出部２２は、第１期間における心拍数の変化度合いと第２期間における心拍数の変化度合いとの違いを示す値として、以下に示す（１）式に従って、傾きａ_ｕ１の絶対値と傾きａ_ｄの絶対値との比Ｈ１を算出する。
　Ｈ１＝｜ａ_ｕ１｜÷｜ａ_ｄ｜・・・（１）Further, thecalculation unit 22 calculates the difference between the heart rate change degree in the first period and the heart rate change degree in the second period, and the absolute value of the slope a_u1 according to the following equation (1): It calculates a ratio H1 of the absolute value of the slope a_d.
H1 = | a_u1 | ÷ | a_d | (1)

　なお、算出部２２は、第１期間における心拍数の変化度合いと第２期間における心拍数の変化度合いとの違いを示す値として、傾きａ_ｕ１の絶対値と傾きａ_ｄの絶対値との差（例えば、｜ａ_ｕ１｜－｜ａ_ｄ｜）を算出してもよい。Note that thecalculation unit 22 calculates the difference between the absolute value of the slope a_{u1 and} the absolute value of the slope a_d as a value indicating the difference between the change rate of the heart rate in the first period and the change rate of the heart rate in the second period. (For example, | a_u1 | − | a_d |) may be calculated.

　また、算出部２２は、以下に示す（２）式及び（３）式に従って、傾きａ_ｕ１の直線Ｌ１と傾きａ_ｄの直線Ｌ２との交差角度Θ_１を算出する。Further, thecalculation unit 22 calculates the intersection angle Θ₁ between the straight line L1 having the inclination a_{u1 and} the straight line L2 having the inclination a_d according to the following expressions (2) and (3).

　また、算出部２２は、一例として図６に示すように、終点時刻ｔ３から所定期間（例えば、１５分）内の心拍数の時系列データを直線Ｌ３に近似し、近似して得られた直線Ｌ３の傾きａ_ｕ２を算出する。なお、以下では、この終点時刻ｔ３からの所定期間を「第３期間」という。すなわち、傾きａ_ｕ２が第３期間における心拍数の変化度合いを示す。第３期間の長さとしては、例えば、対象者が実際に排尿した後の心拍数の実測値が徐々に増加する期間の下限値等を適用することができる。また、第３期間は、第２期間よりも長くすることが望ましい。Further, as shown in FIG. 6 as an example, thecalculation unit 22 approximates time-series data of heart rate within a predetermined period (for example, 15 minutes) from the end point time t3 to a straight line L3, and a straight line obtained by approximation. The slope a_u2 of L3 is calculated. Hereinafter, the predetermined period from the end point time t3 is referred to as “third period”. That is, the slope a_u2 indicates the degree of change in heart rate in the third period. As the length of the third period, for example, a lower limit value of a period in which the measured value of the heart rate after the subject actually urinates gradually increases can be applied. In addition, it is desirable that the third period is longer than the second period.

　また、算出部２２は、第２期間における心拍数の変化度合いと第３期間における心拍数の変化度合いとの違いを示す値として、以下に示す（４）式に従って、傾きａ_ｄの絶対値と傾きａ_ｕ２の絶対値との比Ｈ２を算出する。
　Ｈ２＝｜ａ_ｄ｜÷｜ａ_ｕ２｜・・・（４）Further, the calculatingunit 22, as a value indicating the difference between the degree of change in heart rate in degree of change in the third period of the heart rate in the second period, according to the shown below (4), the absolute value of the slope a_d A ratio H2 to the absolute value of the slope a_u2 is calculated.
H2 = | a_d | ÷ | a_u2 | (4)

　なお、算出部２２は、第２期間における心拍数の変化度合いと第３期間における心拍数の変化度合いとの違いを示す値として、傾きａ_ｄの絶対値と傾きａ_ｕ２の絶対値との差（例えば、｜ａ_ｄ｜－｜ａ_ｕ２｜）を算出してもよい。Thecalculation unit 22, as a value indicating the difference between the degree of change in heart rate in degree of change in the third period of the heart rate in the second period, the difference between the absolute value and the absolute value of the slope a_u2 slope a_d (For example, | a_d | − | a_u2 |) may be calculated.

　また、算出部２２は、前述した交差角度Θ_１と同様に、傾きａ_ｄの直線Ｌ２と傾きａ_ｕ２の直線Ｌ３との交差角度Θ_２を算出する。Further, the calculatingunit 22, similarly to the intersection angle theta₁ described above, to calculate the crossing angle theta₂ between the straight line L3 of_{a u2} inclination as the straight line L2 of inclination_{a d.}

　また、算出部２２は、一例として図７に示すように、第１期間の前の心拍数を示す値として、第１期間の前の所定期間（例えば、１０分）の心拍数の平均値μ_ｕを算出する。なお、以下では、この第１期間の前の所定期間を「第４期間」という。また、算出部２２は、第２期間の後の心拍数を示す値として、第２期間の後の所定期間（例えば、１０分）の心拍数の平均値μ_ｄを算出する。なお、以下では、この第２期間の後の所定期間を「第５期間」という。第５期間は前述した第３期間と同じでもよい。なお、第４期間の長さ、及び第５期間の長さは、第１期間と第２期間との和より長いことが望ましい。Further, as shown in FIG. 7 as an example, thecalculation unit 22 uses the average value μ of the heart rate in a predetermined period (for example, 10 minutes) before the first period as a value indicating the heart rate before the first period._u is calculated. Hereinafter, the predetermined period before the first period is referred to as a “fourth period”. Further, the calculatingunit 22, as a value indicating the heart rate after the second time period, a predetermined period after the second period (e.g., 10 minutes) calculates an average value mu_d heart rate. Hereinafter, a predetermined period after the second period is referred to as a “fifth period”. The fifth period may be the same as the third period described above. Note that the length of the fourth period and the length of the fifth period are preferably longer than the sum of the first period and the second period.

　また、算出部２２は、第４期間の心拍数と第５期間の心拍数との違いを示す値として、以下に示す（５）式に従って、平均値μ_ｄと平均値μ_ｕとの比Ｈ３を算出する。
　Ｈ３＝μ_ｄ÷μ_ｕ・・・（５）Further, the calculatingunit 22, the ratio of a value indicating the difference between the heart rate and heart rate fifth period of the fourth period, the following are shown (5), and the average value mu_d and the average value mu_u H3 Is calculated.
H3 = μ_d ÷ μ_u (5)

　なお、第４期間の心拍数と第５期間の心拍数との違いを示す値として、平均値μ_ｄと平均値μ_ｕとの差（例えば、μ_ｄ－μ_ｕ）を算出してもよい。As a value indicating the difference between the heart rate in the fourth period and the heart rate in the fifth period, a difference between the average value μ_d and the average value μ_u (for example, μ_d −μ_u ) may be calculated. .

　また、算出部２２は、第１期間及び第２期間の心拍数の合計を示す値として、第１期間及び第２期間の各心拍数と平均値μ_ｕとの差の絶対値の積算値を算出することによって、図８に示す面積Ａ１を算出する。なお、算出部２２は、第１期間及び第２期間の心拍数の合計を示す値として、第１期間及び第２期間の各心拍数と平均値μ_ｕとの差の積算値を算出してもよい。In addition, thecalculation unit 22 uses the integrated value of the absolute value of the difference between each heart rate in the first period and the second period and the average value μ_u as a value indicating the sum of the heart rates in the first period and the second period. By calculating, the area A1 shown in FIG. 8 is calculated. Thecalculation unit 22 calculates an integrated value of the difference between each heart rate in the first period and the second period and the average value μ_u as a value indicating the sum of the heart rates in the first period and the second period. Also good.

　また、算出部２２は、第５期間の心拍数の合計を示す値として、第５期間の各心拍数と平均値μ_ｕとの差の絶対値の積算値を算出することによって、図８に示す面積Ａ２を算出する。なお、算出部２２は、第５期間の心拍数の合計を示す値として、第５期間の各心拍数と平均値μ_ｕとの差の積算値を算出してもよい。Further, thecalculation unit 22 calculates the absolute value of the difference between each heart rate in the fifth period and the average value μ_u as a value indicating the total number of heart rates in the fifth period, thereby obtaining the result shown in FIG. The area A2 shown is calculated. Note that thecalculation unit 22 may calculate an integrated value of a difference between each heart rate in the fifth period and the average value μ_u as a value indicating the total number of heart rates in the fifth period.

　また、算出部２２は、第１期間及び第２期間の心拍数の合計を示す値と第５期間の心拍数の合計を示す値との違いを示す値として、以下に示す（６）式に従って、面積Ａ２と面積Ａ１との比Ｈ４を算出する。
　Ｈ４＝Ａ２÷Ａ１・・・（６）In addition, thecalculation unit 22 uses the following equation (6) as a value indicating the difference between the value indicating the total heart rate in the first period and the second period and the value indicating the total heart rate in the fifth period. The ratio H4 between the area A2 and the area A1 is calculated.
H4 = A2 ÷ A1 (6)

　なお、算出部２２は、第１期間及び第２期間の心拍数の合計を示す値と第５期間の心拍数の合計を示す値との違いを示す値として、面積Ａ２と面積Ａ１との差（例えば、Ａ２－Ａ１）を算出してもよい。Thecalculation unit 22 calculates the difference between the area A2 and the area A1 as a value indicating the difference between the value indicating the total heart rate in the first period and the second period and the value indicating the total heart rate in the fifth period. (For example, A2-A1) may be calculated.

　以上説明したように、算出部２２は、時系列データ４０を参照し、特徴量として、傾きａ_ｕ１、傾きａ_ｄ、比Ｈ１、交差角度Θ_１、傾きａ_ｕ２、比Ｈ２、交差角度Θ_２、平均値μ_ｕ、平均値μ_ｄ、比Ｈ３、面積Ａ１、面積Ａ２、及び比Ｈ４を算出する。As described above, thecalculation unit 22 refers to the time-series data 40 and uses the gradient a_u1 , the gradient a_d , theratio H 1, the intersection angle Θ₁ , the gradient a_u 2, theratio H 2, and the intersection angle Θ₂ as feature amounts. , Average value μ_u , average value μ_d , ratio H3, area A1, area A2, and ratio H4 are calculated.

　また、算出部２２は、実績格納部４２に記憶された各データについても同様に、特徴量として、傾きａ_ｕ１、傾きａ_ｄ、比Ｈ１、交差角度Θ_１、傾きａ_ｕ２、比Ｈ２、交差角度Θ_２、平均値μ_ｕ、平均値μ_ｄ、比Ｈ３、面積Ａ１、面積Ａ２、及び比Ｈ４を算出する。そして、算出部２２は、算出対象の日時に対応付けられたラベルと、算出対象の日時について算出した各特徴量とを対応付けて、モデル生成用格納部４４に記憶する。図９に、モデル生成用格納部４４の一例を示す。図９に示すように、モデル生成用格納部４４には、実績格納部４２に記憶されたデータを用いて算出部２２により算出された排尿時及び非排尿時の各々の各特徴量が記憶される。また、本モデルは分析者が任意に作成してもよい。Similarly, thecalculation unit 22 also uses the slope a_u1 , the slope a_d , the ratio H1, the intersection angle Θ₁ , the slope a_u2 , the ratio H2, and the intersection as the feature amounts for each data stored in theresult storage unit 42. The angle Θ₂ , the average value μ_u , the average value μ_d , the ratio H3, the area A1, the area A2, and the ratio H4 are calculated. Then, thecalculation unit 22 associates the label associated with the calculation target date and time with each feature amount calculated for the calculation target date and time, and stores the same in the modelgeneration storage unit 44. FIG. 9 shows an example of the modelgeneration storage unit 44. As shown in FIG. 9, the modelgeneration storage unit 44 stores the respective feature values at the time of urination and non-urination calculated by thecalculation unit 22 using the data stored in theresult storage unit 42. The In addition, this model may be arbitrarily created by an analyst.

　生成部２４は、モデル生成用格納部４４に記憶されたデータを用いて、推定モデル４６を生成する。本実施形態では、生成部２４は、モデル生成用格納部４４に記憶されたデータを用いた機械学習によって、排尿時及び非排尿時の各々の特徴量の平均ベクトル及び共分散行列を算出する。なお、この算出により得られる平均ベクトルは、特徴量の種類の数の次元のベクトルとなり、共分散行列は、特徴量の種類の数×特徴量の種類の数の対称行列となる。Thegeneration unit 24 generates an estimatedmodel 46 using the data stored in the modelgeneration storage unit 44. In the present embodiment, thegeneration unit 24 calculates an average vector and a covariance matrix of each feature amount during urination and non-urination by machine learning using data stored in the modelgeneration storage unit 44. The average vector obtained by this calculation is a vector of dimensions of the number of types of feature quantities, and the covariance matrix is a symmetric matrix of the number of types of feature quantities × the number of types of feature quantities.

　そして、生成部２４は、算出した排尿時の平均ベクトル及び共分散行列と、非排尿時の平均ベクトル及び共分散行列とを推定モデル４６として記憶する。図１０に、推定モデル４６の一例を示す。図１０に示すように、推定モデル４６は、排尿時及び非排尿時の各々に対応付けられた平均ベクトル及び共分散行列を含む。Then, thegeneration unit 24 stores the calculated average vector and covariance matrix during urination and the average vector and covariance matrix during non-urination as theestimation model 46. FIG. 10 shows an example of theestimation model 46. As shown in FIG. 10, theestimation model 46 includes an average vector and a covariance matrix associated with each of urination and non-urination.

　判定部２６は、算出部２２により算出された各特徴量に基づいて、対象者が排尿したか否かを判定する。以下では、マハラノビス距離を使った判定方法を例示したが、これ以外にも、サポートベクタマシン、ブースティングやニューラルネットワークなどの任意のアルゴリズムを適用することができる。本実施形態では、判定部２６は、特徴量空間において、算出部２２により算出された各特徴量と、推定モデル４６の排尿時に対応する平均ベクトル及び共分散行列が示す排尿時の特徴量の分布とのマハラノビス距離Ｄ_ｄを算出する。具体的には、判定部２６は、以下に示す（７）式に従って、マハラノビス距離Ｄ_ｄを算出する。なお、（７）式におけるｖ_ｄは、推定モデル４６の排尿時に対応する平均ベクトルであり、Σ_ｄは推定モデル４６の排尿時に対応する共分散行列である。また、（７）式におけるｘは、（ｘ_１、ｘ_２、・・・、ｘ_１３）^Ｔであり、このｘ_１、ｘ_２、・・・、ｘ_１３は、算出部２２により算出された各特徴量である。Thedetermination unit 26 determines whether the subject has urinated based on each feature amount calculated by thecalculation unit 22. In the following, the determination method using the Mahalanobis distance is exemplified, but any other algorithm such as support vector machine, boosting, or neural network can be applied. In the present embodiment, thedetermination unit 26 distributes each feature amount calculated by thecalculation unit 22 in the feature amount space, the feature vector at the time of urination indicated by the average vector and the covariance matrix corresponding to theestimation model 46 at the time of urination. calculating the Mahalanobis distance D_d of the. More specifically, thedetermination unit 26 in accordance with the shown below (7), and calculates the Mahalanobis distance D_d. In Equation (7), v_d is an average vector corresponding to the estimatedmodel 46 when urinating, and Σ_d is a covariance matrix corresponding to the estimatedmodel 46 when urinating. Further, x in the equation (7) is (x₁ , x₂ ,..., X₁₃ )^T , and this x₁ , x₂ ,..., X₁₃ is calculated by thecalculation unit 22. Each feature amount.

　また、判定部２６は、特徴量空間において、算出部２２により算出された各特徴量と、推定モデル４６の非排尿時に対応する平均ベクトル及び共分散行列が示す非排尿時の特徴量の分布とのマハラノビス距離Ｄ_ｎを算出する。具体的には、判定部２６は、以下に示す（８）式に従って、マハラノビス距離Ｄ_ｎを算出する。なお、（８）式におけるｖ_ｎは、推定モデル４６の非排尿時に対応する平均ベクトルであり、Σ_ｎは推定モデル４６の非排尿時に対応する共分散行列である。In addition, in the feature amount space, thedetermination unit 26 calculates each feature amount calculated by thecalculation unit 22, the average vector corresponding to the non-urination time of theestimation model 46, and the distribution of the feature amount during non-urination indicated by the covariance matrix. calculating the Mahalanobis distance_{D n.} Specifically, thedetermination unit 26 calculates the Mahalanobis distance D_n according to the following equation (8). Note that v_n in (8), the average vector corresponding to the time ofnon-voiding estimation model 46, the sigma_n is the covariance matrix corresponding to the time ofnon-voiding estimation model 46.

　そして、判定部２６は、排尿及び非排尿のうち、算出部２２により算出された各特徴量とのマハラノビス距離が小さい方に、各特徴量を分類することによって、対象者が排尿したか否かを判定する。具体的には、判定部２６は、マハラノビス距離Ｄ_ｄがマハラノビス距離Ｄ_ｎよりも小さい場合に、対象者が排尿したと判定する。すなわち、マハラノビス距離Ｄ_ｄが小さいほど、算出部２２により算出された各特徴量と排尿時の各特徴量の分布との類似度が高いと換言できる。また、マハラノビス距離Ｄ_ｎが小さいほど、算出部２２により算出された各特徴量と非排尿時の各特徴量の分布との類似度が高いと換言できる。Then, thedetermination unit 26 classifies each feature amount to a smaller Mahalanobis distance from each feature amount calculated by thecalculation unit 22 among urination and non-urination to determine whether or not the subject has urinated. Determine. More specifically, thedetermination unit 26 determines that the Mahalanobis distance D_d is smaller than the Mahalanobis distance D_n, the subject has urinated. That is, it in other words as the Mahalanobis distance D_d is small, and the feature amount calculated by thecalculator 22 and the high degree of similarity between the distribution of the feature amounts at the time of urination. In other words, the smaller the Mahalanobis distance D_n is, the higher the degree of similarity between each feature amount calculated by thecalculation unit 22 and the distribution of each feature amount at the time of non-urination.

　図１１に、特徴量が２つの場合のマハラノビス距離Ｄ_ｄ、Ｄ_ｎの一例を示す。図１１に示すように、算出部２２により算出された特徴量がプロットされた点Ｐについて、マハラノビス距離Ｄ_ｎは、マハラノビス距離Ｄ_ｄよりも小さい。従って、図１１に示す例では、判定部２６は、対象者が排尿していないと判定する。FIG. 11 shows an example of Mahalanobis distances D_d and D_n when there are two feature quantities. As shown in FIG. 11, the point P feature calculated is plotted by thecalculation unit 22, the Mahalanobis distance D_n is smaller than the Mahalanobis distance D_d. Therefore, in the example illustrated in FIG. 11, thedetermination unit 26 determines that the subject is not urinating.

　推定部２８は、判定部２６により対象者が排尿したと判定された場合、判定に用いられた各特徴量が算出された際の対象時刻を、排尿時刻と推定する。そして、推定部２８は、推定した排尿時刻を、排尿時刻データ４８に追加する。なお、推定部２８は、判定部２６により対象者が排尿したと判定された場合、判定に用いられた各特徴量が算出された際の第１期間の起点時刻ｔ１を、排尿時刻と推定してもよいし、第１期間内の所定の時刻を排尿時刻と推定してもよい。When thedetermination unit 26 determines that the subject has urinated, theestimation unit 28 estimates the target time when each feature amount used for the determination is calculated as the urination time. Then, theestimation unit 28 adds the estimated urination time to theurination time data 48. In addition, when thedetermination unit 26 determines that the subject has urinated, theestimation unit 28 estimates the starting time t1 of the first period when each feature amount used for the determination is calculated as the urination time. Alternatively, a predetermined time within the first period may be estimated as the urination time.

　情報処理装置１４は、例えば図１２に示すコンピュータ６０で実現することができる。コンピュータ６０は、Central Processing Unit（ＣＰＵ）６１、一時記憶領域としてのメモリ６２、及び不揮発性の記憶部６３を備える。また、コンピュータ６０は、表示装置及び入力装置等の入出力装置６４を備える。また、コンピュータ６０は、記録媒体６８に対するデータの読み込みと書き込みとを制御するＲｅａｄ／Ｗｒｉｔｅ（Ｒ／Ｗ）部６５、及びネットワークに接続されるネットワークＩ／Ｆ６６を備える。ＣＰＵ６１、メモリ６２、記憶部６３、入出力装置６４、Ｒ／Ｗ部６５、及びネットワークＩ／Ｆ６６は、バス６７を介して互いに接続される。Theinformation processing apparatus 14 can be realized by acomputer 60 shown in FIG. 12, for example. Thecomputer 60 includes a Central / Processing / Unit (CPU) 61, amemory 62 as a temporary storage area, and anonvolatile storage unit 63. Thecomputer 60 includes an input /output device 64 such as a display device and an input device. Thecomputer 60 also includes a read / write (R / W)unit 65 that controls reading and writing of data with respect to therecording medium 68 and a network I /F 66 connected to the network. TheCPU 61, thememory 62, thestorage unit 63, the input /output device 64, the R /W unit 65, and the network I /F 66 are connected to each other via abus 67.

　記憶部６３は、Hard Disk Drive（ＨＤＤ）、Solid State Drive（ＳＳＤ）、フラッシュメモリ等によって実現することができる。記憶媒体としての記憶部６３には、コンピュータ６０を情報処理装置１４として機能させるための情報処理プログラム７０が記憶される。情報処理プログラム７０は、取得プロセス７１、算出プロセス７２、生成プロセス７３、判定プロセス７４、及び推定プロセス７５を有する。また、記憶部６３は、時系列データ４０、実績格納部４２、モデル生成用格納部４４、推定モデル４６、及び排尿時刻データ４８が記憶される情報記憶領域７６を有する。Thestorage unit 63 can be realized by a hard disk drive (HDD), a solid state drive (SSD), a flash memory, or the like. Aninformation processing program 70 for causing thecomputer 60 to function as theinformation processing apparatus 14 is stored in thestorage unit 63 as a storage medium. Theinformation processing program 70 includes anacquisition process 71, acalculation process 72, ageneration process 73, adetermination process 74, and anestimation process 75. In addition, thestorage unit 63 includes aninformation storage area 76 in which thetime series data 40, theresult storage unit 42, the modelgeneration storage unit 44, the estimatedmodel 46, and theurination time data 48 are stored.

　ＣＰＵ６１は、情報処理プログラム７０を記憶部６３から読み出してメモリ６２に展開し、情報処理プログラム７０が有するプロセスを実行する。ＣＰＵ６１は、取得プロセス７１を実行することで、図３に示す取得部２０として動作する。ＣＰＵ６１は、算出プロセス７２を実行することで、図３に示す算出部２２として動作する。ＣＰＵ６１は、生成プロセス７３を実行することで、図３に示す生成部２４として動作する。ＣＰＵ６１は、判定プロセス７４を実行することで、図３に示す判定部２６として動作する。ＣＰＵ６１は、推定プロセス７５を実行することで、図３に示す推定部２８として動作する。これにより、情報処理プログラム７０を実行したコンピュータ６０が、情報処理装置１４として機能することになる。なお、情報処理プログラム７０が有するプロセスを実行するＣＰＵ６１は、ハードウェアである。TheCPU 61 reads theinformation processing program 70 from thestorage unit 63, expands it in thememory 62, and executes a process included in theinformation processing program 70. TheCPU 61 operates as theacquisition unit 20 illustrated in FIG. 3 by executing theacquisition process 71. TheCPU 61 operates as thecalculation unit 22 illustrated in FIG. 3 by executing thecalculation process 72. TheCPU 61 operates as thegeneration unit 24 illustrated in FIG. 3 by executing thegeneration process 73. TheCPU 61 operates as thedetermination unit 26 illustrated in FIG. 3 by executing thedetermination process 74. TheCPU 61 operates as theestimation unit 28 illustrated in FIG. 3 by executing theestimation process 75. As a result, thecomputer 60 that has executed theinformation processing program 70 functions as theinformation processing apparatus 14. TheCPU 61 that executes a process included in theinformation processing program 70 is hardware.

　また、情報処理プログラム７０により実現される機能は、例えば半導体集積回路、より詳しくはApplication Specific Integrated Circuit（ＡＳＩＣ）等で実現することも可能である。Further, the functions realized by theinformation processing program 70 can be realized by, for example, a semiconductor integrated circuit, more specifically, Application Specific Integrated Circuit (ASIC).

　次に、本実施形態に係る情報処理装置１４の作用を説明する。情報処理装置１４が情報処理プログラム７０を実行することで、図１３に示す生成処理、及び図１４に示す推定処理を実行する。図１３に示す生成処理は、例えば、入出力装置６４の入力装置を介して、ユーザにより実行指示が入力された場合にＣＰＵ６１により実行される。また、図１４に示す推定処理は、例えば、図１３に示す生成処理により推定モデル４６が生成された後で、かつ情報処理装置１４の電源スイッチがオン状態とされた場合に実行される。Next, the operation of theinformation processing apparatus 14 according to this embodiment will be described. When theinformation processing apparatus 14 executes theinformation processing program 70, the generation process illustrated in FIG. 13 and the estimation process illustrated in FIG. 14 are performed. The generation process illustrated in FIG. 13 is executed by theCPU 61 when an execution instruction is input by the user via the input device of the input /output device 64, for example. Further, the estimation process illustrated in FIG. 14 is executed, for example, after theestimation model 46 is generated by the generation process illustrated in FIG. 13 and when the power switch of theinformation processing apparatus 14 is turned on.

　図１３に示す生成処理のステップＳ１０で、算出部２２は、前述したように、実績格納部４２に記憶されたデータの各日時について、特徴量として、傾きａ_ｕ１、傾きａ_ｄ、比Ｈ１、交差角度Θ_１、傾きａ_ｕ２、比Ｈ２、及び交差角度Θ_２を算出する。また、算出部２２は、前述したように、実績格納部４２に記憶されたデータの各日時について、特徴量として、平均値μ_ｕ、平均値μ_ｄ、比Ｈ３、面積Ａ１、面積Ａ２、及び比Ｈ４を算出する。In step S10 of the generation process illustrated in FIG. 13, as described above, thecalculation unit 22 uses the slope a_u1 , the slope a_d , the ratio H1, as the feature amount for each date and time of the data stored in theresult storage unit 42. The intersection angle Θ₁ , the slope a_u2 , the ratio H2 and the intersection angle Θ₂ are calculated. Further, as described above, thecalculation unit 22 uses the average value μ_u , the average value μ_d , the ratio H 3, thearea A 1, thearea A 2, and the feature amount for each date and time of the data stored in theresult storage unit 42. The ratio H4 is calculated.

　次のステップＳ１２で、算出部２２は、算出対象の日時に対応付けられたラベルと、算出対象の日時についてステップＳ１０で算出された各特徴量とを対応付けて、モデル生成用格納部４４に記憶する。次のステップＳ１４で、生成部２４は、ステップＳ１２でモデル生成用格納部４４に記憶されたデータを用いた機械学習によって、排尿時及び非排尿時の各々の特徴量の平均ベクトル及び共分散行列を算出する。In the next step S12, thecalculation unit 22 associates the label associated with the calculation target date and time with each feature amount calculated in step S10 for the calculation target date and time, and stores it in the modelgeneration storage unit 44. Remember. In the next step S14, thegeneration unit 24 uses the machine learning using the data stored in the modelgeneration storage unit 44 in step S12 to calculate the mean vector and covariance matrix of each feature value during urination and non-urination. Is calculated.

　次のステップＳ１６で、生成部２４は、ステップＳ１４で算出された排尿時の平均ベクトル及び共分散行列と、非排尿時の平均ベクトル及び共分散行列とを推定モデル４６として記憶する。本ステップＳ１６の処理が終了すると、本生成処理が終了する。In the next step S16, thegeneration unit 24 stores the average vector and covariance matrix during urination calculated in step S14 and the average vector and covariance matrix during non-urination as theestimation model 46. When the process of step S16 ends, the generation process ends.

　図１４に示す推定処理のステップＳ３０で、取得部２０は、測定装置１２から送信された心拍数を、ネットワークＩ／Ｆ６６を介して取得する。次のステップＳ３２で、取得部２０は、ステップＳ３０で心拍数を取得した時刻、及び取得した心拍数を対応付けて、時系列データ４０に追加する。次のステップＳ３４で、判定部２６は、対象者が排尿したか否かを判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。この判定が否定判定となった場合は、処理はステップＳ３０に戻り、肯定判定となった場合は、処理はステップＳ３６に移行する。なお、この実行タイミングとしては、例えば、夜間に１日１回等の定期的なタイミングが挙げられる。In step S30 of the estimation process shown in FIG. 14, theacquisition unit 20 acquires the heart rate transmitted from themeasurement device 12 via the network I /F 66. In the next step S32, theacquisition unit 20 adds the time when the heart rate was acquired in step S30 and the acquired heart rate to thetime series data 40 in association with each other. In the next step S34, thedetermination unit 26 determines whether or not the execution timing of the process for determining whether or not the subject has urinated has arrived. If this determination is negative, the process returns to step S30. If the determination is affirmative, the process proceeds to step S36. In addition, as this execution timing, periodic timing, such as once a day at night, is mentioned, for example.

　以下のステップＳ３６からステップＳ４６の処理は、ステップＳ３０からステップＳ３４の繰り返し処理により記憶部６３に記憶された時系列データ４０におけるステップＳ３６からステップＳ４４の処理が未実行のデータが処理対象とされる。また、以下のステップＳ３６からステップＳ４４の処理は、繰り返し実行されることによって処理対象のデータの所定期間毎の対象時刻の各々について実行される。The following processing from step S36 to step S46 is subject to processing in which the processing from step S36 to step S44 in thetime series data 40 stored in thestorage unit 63 by the repeated processing from step S30 to step S34 is not executed. . Further, the following processing from step S36 to step S44 is repeatedly executed and executed for each target time for each predetermined period of the processing target data.

　ステップＳ３６で、図１５に示す特徴量算出処理が実行される。図１５に示す特徴量算出処理のステップＳ６０で、算出部２２は、前述したように、時系列データ４０を参照し、対象時刻から所定期間前の範囲内の各心拍数の取得時刻から対象時刻までの心拍数の時系列データを直線に近似する。また、算出部２２は、近似して得られた各直線の傾きを算出する。そして、算出部２２は、近似して得られた各直線のうち、傾きが最大である直線Ｌ１の起点の時刻を、起点時刻ｔ１と特定する。また、算出部２２は、この直線Ｌ１の傾きを傾きａ_ｕ１とする。In step S36, the feature amount calculation process shown in FIG. 15 is executed. In step S60 of the feature amount calculation process illustrated in FIG. 15, thecalculation unit 22 refers to the time-series data 40 as described above, and obtains the target time from the acquisition time of each heart rate within a predetermined period before the target time. The heart rate time series data up to is approximated to a straight line. Thecalculation unit 22 calculates the slope of each straight line obtained by approximation. And thecalculation part 22 specifies the time of the starting point of the straight line L1 with the largest inclination among each straight line obtained by approximation as the starting time t1. Further, thecalculation unit 22 sets the inclination of the straight line L1 as the inclination a_u1 .

　次のステップＳ６２で、算出部２２は、前述したように、時系列データ４０を参照し、対象時刻から、対象時刻から所定期間後の範囲内の各心拍数の取得時刻までの心拍数の時系列データを直線に近似し、近似して得られた各直線の傾きを算出する。そして、算出部２２は、近似して得られた各直線のうち、傾きが最小となる直線Ｌ２の終点の時刻を、終点時刻ｔ３と特定する。また、算出部２２は、この直線Ｌ２の傾きを傾きａ_ｄとする。In the next step S62, as described above, thecalculation unit 22 refers to thetime series data 40, and at the time of the heart rate from the target time to the acquisition time of each heart rate within a range after the predetermined time from the target time. The series data is approximated to a straight line, and the slope of each straight line obtained by the approximation is calculated. And thecalculation part 22 specifies the time of the end point of the straight line L2 where inclination becomes the minimum among each straight line obtained by approximation as end point time t3. Further, the calculatingunit 22, and_{a d} tilt the slope of the straight line L2.

　次のステップＳ６４で、算出部２２は、上記（１）式に従って、ステップＳ６０で算出された傾きａ_ｕ１の絶対値と、ステップＳ６２で算出された傾きａ_ｄとの比Ｈ１を算出する。次のステップＳ６６で、算出部２２は、上記（２）式及び（３）式に従って、ステップＳ６０で算出された傾きａ_ｕ１の直線Ｌ１と、ステップＳ６２で算出された傾きａ_ｄの直線Ｌ２との交差角度Θ_１を算出する。In the next step S64, thecalculation unit 22 calculates a ratio H1 between the absolute value of the inclination a_u1 calculated in step S60 and the inclination a_d calculated in step S62 according to the above equation (1). In the next step S66, thecalculation unit 22 calculates the straight line L1 having the inclination a_u1 calculated in step S60 and the straight line L2 having the inclination a_d calculated in step S62 in accordance with the expressions (2) and (3). The crossing angle Θ_{1 of} is calculated.

　次のステップＳ６８で、算出部２２は、前述したように、終点時刻ｔ３から所定期間内の心拍数の時系列データを直線Ｌ３に近似し、近似して得られた直線Ｌ３の傾きａ_ｕ２を算出する。次のステップＳ７０で、算出部２２は、上記（４）式に従って、ステップＳ６２で算出された傾きａ_ｄの絶対値と、ステップＳ６８で算出された傾きａ_ｕ２の絶対値との比Ｈ２を算出する。In the next step S68, as described above, thecalculation unit 22 approximates the time series data of the heart rate within a predetermined period from the end point time t3 to the straight line L3, and obtains the slope a_u2 of the straight line L3 obtained by the approximation. calculate. In the next step S70, thecalculation unit 22 calculates according to equation (4), the absolute value of the slope_{a d} calculated in step S62, the ratio H2 of the absolute value of the slope_{a u2} calculated in step S68 To do.

　次のステップＳ７２で、算出部２２は、前述したように、ステップＳ６２で算出された傾きａ_ｄの直線Ｌ２と、ステップＳ６８で算出された傾きａ_ｕ２の直線Ｌ３との交差角度Θ_２を算出する。次のステップＳ７４で、算出部２２は、前述したように、第４期間の心拍数の平均値μ_ｕを算出する。次のステップＳ７６で、算出部２２は、前述したように、第５期間の心拍数の平均値μ_ｄを算出する。In the next step S72, as described above, thecalculation unit 22 calculates the intersection angle Θ₂ between the straight line L2 having the inclination a_d calculated in step S62 and the straight line L3 having the inclination a_u2 calculated in step S68. To do. In the next step S74, thecalculation unit 22 calculates the average value μ_u of the heart rate in the fourth period as described above. In the next step S76,calculation unit 22, as described above, calculates the average value mu_d heart rate of the fifth period.

　次のステップＳ７８で、算出部２２は、上記（５）式に従って、ステップＳ７６で算出された平均値μ_ｄと、ステップＳ７４で算出された平均値μ_ｕとの比Ｈ３を算出する。次のステップＳ８０で、算出部２２は、前述したように、第１期間及び第２期間の各心拍数と、ステップＳ７４で算出された平均値μ_ｕとの差の絶対値の積算値を算出することによって、面積Ａ１を算出する。In the next step S78,calculation unit 22, according to the above (5), calculates an average value mu_d calculated in step S76, the ratio H3 of the average value mu_u calculated in step S74. In the next step S80, as described above, thecalculation unit 22 calculates the integrated value of the absolute value of the difference between each heart rate in the first period and the second period and the average value μ_u calculated in step S74. By doing so, the area A1 is calculated.

　次のステップＳ８２で、算出部２２は、第５期間の各心拍数と、ステップＳ７４で算出された平均値μ_ｕとの差の絶対値の積算値を算出することによって、面積Ａ２を算出する。次のステップＳ８４で、算出部２２は、上記（６）式に従って、ステップＳ８２で算出された面積Ａ２と、ステップＳ８０で算出された面積Ａ１との比Ｈ４を算出する。本ステップＳ８４の処理が終了すると本特徴量算出処理が終了し、処理は図１４に示す推定処理のステップＳ３８に戻る。In the next step S82, thecalculation unit 22 calculates the area A2 by calculating the integrated value of the absolute value of the difference between each heart rate in the fifth period and the average value μ_u calculated in step S74. . In the next step S84, thecalculation unit 22 calculates the ratio H4 between the area A2 calculated in step S82 and the area A1 calculated in step S80 according to the above equation (6). When the process of step S84 ends, the feature quantity calculation process ends, and the process returns to step S38 of the estimation process shown in FIG.

　図１４に示す推定処理のステップＳ３８で、判定部２６は、上記（７）式に従って、ステップＳ３６で算出された各特徴量と、推定モデル４６の排尿時に対応する平均ベクトル及び共分散行列が示す排尿時の特徴量の分布とのマハラノビス距離Ｄ_ｄを算出する。次のステップＳ４０で、判定部２６は、上記（８）式に従って、ステップＳ３６で算出された各特徴量と、推定モデル４６の非排尿時に対応する平均ベクトル及び共分散行列が示す非排尿時の特徴量の分布とのマハラノビス距離Ｄ_ｎを算出する。In step S38 of the estimation process illustrated in FIG. 14, thedetermination unit 26 indicates each feature amount calculated in step S36 and the average vector and covariance matrix corresponding to the time of urination of theestimation model 46 according to the above equation (7). calculating the Mahalanobis distance D_d of the feature amount distribution when urinating. In the next step S40, thedetermination unit 26 determines each feature amount calculated in step S36 according to the above equation (8), the non-urination time indicated by the average vector and the covariance matrix corresponding to the non-urination time of theestimation model 46. A Mahalanobis distance D_n with the distribution of the feature quantity is calculated.

　次のステップＳ４２で、判定部２６は、ステップＳ３８で算出されたマハラノビス距離Ｄ_ｄが、ステップＳ４０で算出されたマハラノビス距離Ｄ_ｎよりも小さいか否かを判定することによって対象者が排尿したか否かを判定する。この判定が否定判定となった場合は、処理はステップＳ４６に移行し、肯定判定となった場合は、処理はステップＳ４４に移行する。In the next step S42, thedetermination unit 26, or the Mahalanobis distance D_d calculated in step S38 is, subjects urinated by determining small or not than the Mahalanobis distance D_n calculated in step S40 Determine whether or not. If this determination is negative, the process proceeds to step S46. If the determination is affirmative, the process proceeds to step S44.

　ステップＳ４４で、推定部２８は、ステップＳ４２の判定に用いられた各特徴量がステップＳ３６で算出された際の対象時刻を、排尿時刻と推定する。そして、推定部２８は、推定した排尿時刻を、排尿時刻データ４８に追加する。次のステップＳ４６で、判定部２６は、ステップＳ３６からステップＳ４４の処理が、時系列データ４０の処理対象とされたデータの全ての対象時刻について完了したか否かを判定する。この判定が否定判定となった場合は、処理はステップＳ３６に戻り、肯定判定となった場合は、処理はステップＳ３０に戻る。In step S44, theestimation unit 28 estimates the target time when each feature amount used in the determination in step S42 is calculated in step S36 as the urination time. Then, theestimation unit 28 adds the estimated urination time to theurination time data 48. In the next step S46, thedetermination unit 26 determines whether or not the processing from step S36 to step S44 has been completed for all target times of the data to be processed in thetime series data 40. If this determination is negative, the process returns to step S36. If the determination is affirmative, the process returns to step S30.

　以上説明したように、本実施形態によれば、対象者の心拍数の時系列データ４０における心拍数の変化の傾向を示す特徴量を算出し、算出した特徴量に基づいて、対象者が排尿したか否かを判定する。従って、対象者が排尿したか否かを精度良く判定することができる。また、本実施形態によれば、特別な装置を用いずに、対象者が排尿したか否かを判定することができる。As described above, according to the present embodiment, a feature amount indicating a tendency of heart rate change in the time-series data 40 of the subject's heart rate is calculated, and the subject performs urination based on the calculated feature amount. Determine whether or not. Therefore, it can be accurately determined whether or not the subject has urinated. Further, according to the present embodiment, it is possible to determine whether or not the subject has urinated without using a special device.

　また、本実施形態によれば、判定部２６により対象者が排尿したと判定された場合、判定に用いられた特徴量が算出された処理対象時点を対象者による排尿時点と推定している。従って、情報処理装置１４のユーザが排尿時点を把握することができる。Further, according to the present embodiment, when thedetermination unit 26 determines that the subject has urinated, the processing target time point at which the feature amount used for the determination is calculated is estimated as the urination time by the subject. Therefore, the user of theinformation processing apparatus 14 can grasp the urination time.

　なお、上記実施形態において、対象者の心拍数に代えて、対象者の脈拍数を用いる形態としてもよい。In the above embodiment, the pulse rate of the subject may be used instead of the heart rate of the subject.

　また、上記実施形態において用いた各特徴量は全て用いなくてもよい。各特徴量のうち、２つ以上を用いる場合、上記実施形態と同様に、対象者が排尿したか否かを判定することができる。また、各特徴量の何れか１つを用いる場合、実績格納部４２から排尿時及び非排尿時の各々の特徴量の平均値を算出する。そして、この場合、時系列データ４０を用いて算出した特徴量が、算出した排尿時及び非排尿時の各々の特徴量の平均値の何れに近いかによって、対象者が排尿したか否かを判定する形態が例示される。Also, it is not necessary to use all the feature values used in the above embodiment. When using two or more of the feature amounts, it is possible to determine whether or not the subject has urinated as in the above embodiment. Further, when any one of the feature amounts is used, the average value of the feature amounts at the time of urination and non-urination is calculated from theresult storage unit 42. In this case, whether or not the subject has urinated depends on whether the calculated feature value using the time-series data 40 is close to the average value of the calculated feature values at the time of urination or non-urination. The form to determine is illustrated.

　また、上記実施形態では、機械学習によって得られた推定モデル４６を用いて対象者が排尿したか否かを判定する場合について説明したが、これに限定されない。例えば、第１期間の心拍数の変化度合いを示す傾きａ_ｕ１が０より大きい第１閾値以上である場合に、対象者が排尿したと判定する形態としてもよい。また、例えば、第２期間の心拍数の変化度合いを示す傾きａ_ｄが０より小さい第２閾値未満である場合に、対象者が排尿したと判定する形態としてもよい。また、例えば、第３期間の心拍数の変化度合いを示す傾きａ_ｕ２が０より大きく第１閾値より小さい第３閾値以上である場合に、対象者が排尿したと判定する形態としてもよい。また、例えば、第５期間の心拍数の平均値μ_ｄが第４期間の心拍数の平均値μ_ｕよりも小さい場合に、対象者が排尿したと判定する形態としてもよい。また、例えば、これらの傾きａ_ｕ１、傾きａ_ｄ、傾きａ_ｕ２、平均値μ_ｄ、及び平均値μ_ｄを用いた条件のうちの複数の条件の各々を満たす場合に、対象者が排尿したと判定する形態としてもよい。これらの条件は、前述した知見を特徴的に表す条件であるため、比較的少ない演算量で、対象者が排尿したことを精度良く推定することができる。Moreover, although the said embodiment demonstrated the case where it was determined whether the subject urinated using theestimation model 46 obtained by machine learning, it is not limited to this. For example, when the slope_au1 indicating the degree of change in heart rate in the first period is equal to or greater than a first threshold value greater than 0, it may be determined that the subject has urinated. Further, for example, when the inclination a_d indicating the degree of change in heart rate in the second period is less than 0 less than the second threshold value, the subject may be determined form and urinated. Further, for example, when the slope_au2 indicating the degree of change in the heart rate in the third period is equal to or greater than a third threshold value that is greater than 0 and less than the first threshold value, it may be determined that the subject has urinated. Further, for example, when the average value μ_d of the heart rate in the fifth period is smaller than the average value μ_u of the heart rate in the fourth period, it may be determined that the subject has urinated. In addition, for example, the subject urinates when each of a plurality of conditions among the conditions using the inclination a_u1 , the inclination a_d , the inclination a_u2 , the average value μ_d , and the average value μ_d is satisfied. May be determined. Since these conditions are conditions that characteristically represent the above-described knowledge, it is possible to accurately estimate that the subject has urinated with a relatively small amount of calculation.

　また、上記実施形態において、情報処理装置１４により実現される機能を測定装置１２が実現してもよい。In the above embodiment, the function realized by theinformation processing apparatus 14 may be realized by themeasurement apparatus 12.

　また、上記実施形態では、情報処理プログラム７０が記憶部６３に予め記憶（インストール）されている態様を説明したが、これに限定されない。情報処理プログラム７０は、ＣＤ－ＲＯＭ、ＤＶＤ－ＲＯＭ、ＵＳＢメモリ、メモリカード等の記録媒体に記録された形態で提供することも可能である。In the above embodiment, the mode in which theinformation processing program 70 is stored (installed) in thestorage unit 63 in advance has been described, but the present invention is not limited to this. Theinformation processing program 70 can also be provided in a form recorded on a recording medium such as a CD-ROM, DVD-ROM, USB memory, memory card or the like.

１０　情報処理システム
１２　測定装置
１４　情報処理装置
２０　取得部
２２　算出部
２４　生成部
２６　判定部
２８　推定部
４０　時系列データ
４２　実績格納部
４４　モデル生成用格納部
４６　推定モデル
４８　排尿時刻データ
６０　コンピュータ
６１　ＣＰＵ
６２　メモリ
６３　記憶部
６８　記録媒体
７０　情報処理プログラムDESCRIPTION OFSYMBOLS 10Information processing system 12Measuring apparatus 14Information processing apparatus 20Acquisition part 22Calculation part 24Generation part 26Determination part 28Estimation part 40Time series data 42Result storage part 44 Modelgeneration storage part 46 Estimatedmodel 48Urination time data 60Computer 61 CPU
62Memory 63Storage 68Recording medium 70 Information processing program

Claims (17)

Translated fromJapanese

　対象者の心拍数又は脈拍数を取得する取得部と、
　前記取得部により取得された前記心拍数又は前記脈拍数の時系列データから、前記心拍数又は前記脈拍数の変化の傾向を示す特徴量を算出する算出部と、
　前記算出部により算出された前記特徴量に基づいて、前記対象者が排尿したか否かを判定する判定部と、
　を含む情報処理装置。An acquisition unit for acquiring the heart rate or pulse rate of the subject;
A calculation unit that calculates a feature amount indicating a tendency of change in the heart rate or the pulse rate from time-series data of the heart rate or the pulse rate acquired by the acquisition unit;
A determination unit that determines whether or not the subject has urinated based on the feature amount calculated by the calculation unit;
An information processing apparatus including:　前記算出部は、前記時系列データに対し、所定間隔毎の時点を処理対象時点として前記処理対象時点の前後の少なくとも一方の所定期間について前記特徴量を算出し、
　前記判定部により前記対象者が排尿したと判定された場合、該判定に用いられた前記特徴量が算出された処理対象時点に対応する時点を前記対象者による排尿時点と推定する推定部、
　を更に含む請求項１に記載の情報処理装置。The calculation unit calculates the feature amount for at least one predetermined period before and after the processing target time point with respect to the time series data, with a time point of each predetermined interval as a processing target time point,
When the determination unit determines that the subject has urinated, an estimation unit that estimates a time corresponding to the processing target time at which the feature amount used for the determination is calculated as a urination time by the subject,
The information processing apparatus according to claim 1, further comprising:　前記算出部は、前記特徴量として、前記処理対象時点の前の第１期間の前記心拍数又は前記脈拍数の変化度合い、前記処理対象時点の後の第２期間の前記心拍数又は前記脈拍数の変化度合い、前記第２期間の後の第３期間の前記心拍数又は前記脈拍数の変化度合い、及び前記第１期間の前の第４期間の前記心拍数又は前記脈拍数の値と前記第２期間の後の第５期間の前記心拍数又は前記脈拍数の値の少なくとも１つを算出し、
　前記判定部は、前記算出部により算出された特徴量が、前記第１期間の前記心拍数又は前記脈拍数の変化度合いである場合は該変化度合いが第１閾値以上である場合、前記第２期間の前記心拍数又は前記脈拍数の変化度合いである場合は該変化度合いが第２閾値未満である場合、前記第３期間の前記心拍数又は前記脈拍数の変化度合いである場合は該変化度合いが前記第１閾値よりも小さい第３閾値以上である場合、及び前記第４期間の前記心拍数又は前記脈拍数の値と前記第５期間の前記心拍数又は前記脈拍数の値である場合は前記第５期間の前記心拍数又は前記脈拍数の値が前記第４期間の前記心拍数又は前記脈拍数の値よりも小さい場合に、前記対象者が排尿したと判定する、
　請求項２に記載の情報処理装置。The calculation unit includes, as the feature amount, a change degree of the heart rate or the pulse rate in the first period before the processing target time point, the heart rate or the pulse rate in the second period after the processing target time point. The degree of change of the heart rate or the pulse rate in the third period after the second period, and the value of the heart rate or the pulse rate in the fourth period before the first period Calculating at least one of the heart rate or the pulse rate value of the fifth period after two periods;
When the feature amount calculated by the calculation unit is the change rate of the heart rate or the pulse rate in the first period, the change amount is greater than or equal to a first threshold value. If the rate of change of the heart rate or the pulse rate in the period is less than the second threshold, the rate of change in the case of the rate of change of the heart rate or the pulse rate in the third period Is equal to or greater than a third threshold value smaller than the first threshold value, and is the value of the heart rate or the pulse rate of the fourth period and the value of the heart rate or the pulse rate of the fifth period When the value of the heart rate or the pulse rate in the fifth period is smaller than the value of the heart rate or the pulse rate in the fourth period, it is determined that the subject has urinated.
The information processing apparatus according to claim 2.　前記特徴量は、前記処理対象時点の前の第１期間の前記心拍数又は前記脈拍数の変化度合い、前記処理対象時点の後の第２期間の前記心拍数又は前記脈拍数の変化度合い、前記第１期間の前記心拍数又は前記脈拍数の変化度合いと前記第２期間の前記心拍数又は前記脈拍数の変化度合いとの違いを示す値、前記第１期間の前記時系列データを近似して得られた直線と前記第２期間の前記時系列データを近似して得られた直線との交差角度、前記第２期間の後の第３期間の前記心拍数又は前記脈拍数の変化度合い、前記第２期間の前記心拍数又は前記脈拍数の変化度合いと前記第３期間の前記心拍数又は前記脈拍数の変化度合いとの違いを示す値、前記第２期間の前記時系列データを近似して得られた直線と前記第３期間の前記時系列データを近似して得られた直線との交差角度、前記第１期間の前の第４期間の前記心拍数又は前記脈拍数の値、前記第２期間の後の第５期間の前記心拍数又は前記脈拍数の値、前記第４期間の前記心拍数又は前記脈拍数の値と前記第５期間の前記心拍数又は前記脈拍数の値との違いを示す値、前記第１期間及び前記第２期間の前記時系列データにおける前記心拍数又は前記脈拍数と基準値との差の積算値、前記第５期間の前記時系列データにおける前記心拍数又は前記脈拍数と前記基準値との差の積算値、及び前記第１期間及び前記第２期間の前記時系列データにおける前記心拍数又は前記脈拍数と前記基準値との差の積算値と前記第５期間の前記時系列データにおける前記心拍数又は前記脈拍数と前記基準値との差の積算値との違いを示す値の少なくとも１つである、
　請求項２に記載の情報処理装置。The feature amount includes a change degree of the heart rate or the pulse rate in a first period before the processing target time point, a change degree of the heart rate or the pulse rate in a second period after the processing target time point, Approximating a value indicating a difference between the change rate of the heart rate or the pulse rate in the first period and the change rate of the heart rate or the pulse rate in the second period, and the time series data of the first period Crossing angle between the obtained straight line and the straight line obtained by approximating the time series data of the second period, the heart rate of the third period after the second period or the degree of change of the pulse rate, Approximating a value indicating a difference between the change rate of the heart rate or the pulse rate in the second period and the change rate of the heart rate or the pulse rate in the third period, and the time series data of the second period The obtained straight line and the time series data of the third period Crossing angle with straight line obtained similarly, value of heart rate or pulse rate in fourth period before the first period, heart rate or pulse rate in the fifth period after the second period A number value, a value indicating a difference between the heart rate or the pulse rate value in the fourth period and the heart rate or the pulse rate value in the fifth period, the first period and the second period An integrated value of a difference between the heart rate or the pulse rate and the reference value in the time series data, an integrated value of a difference between the heart rate or the pulse rate and the reference value in the time series data of the fifth period, And the integrated value of the difference between the heart rate or the pulse rate in the time series data in the first period and the second period and the reference value, and the heart rate or the pulse in the time series data in the fifth period The value indicating the difference between the number and the integrated value of the difference between the reference values is small. Also is one,
The information processing apparatus according to claim 2.　前記判定部は、排尿期間及び非排尿期間の各々について取得された前記心拍数又は前記脈拍数を用いて算出された前記特徴量を用いて予め生成された推定モデルを用いて、前記算出部により算出された前記特徴量に基づいて、前記対象者が排尿したか否かを判定する、
　請求項４に記載の情報処理装置。The determination unit uses the estimation model generated in advance using the feature amount calculated using the heart rate or the pulse rate acquired for each of the urination period and the non-urination period, by the calculation unit. Determining whether the subject has urinated based on the calculated feature quantity;
The information processing apparatus according to claim 4.　対象者の心拍数又は脈拍数を取得し、
　取得した前記心拍数又は前記脈拍数の時系列データから、前記心拍数又は前記脈拍数の変化の傾向を示す特徴量を算出し、
　算出した前記特徴量に基づいて、前記対象者が排尿したか否かを判定する、
　処理をコンピュータが実行する情報処理方法。Get the heart rate or pulse rate of the subject,
From the acquired time-series data of the heart rate or the pulse rate, a feature amount indicating a tendency of change in the heart rate or the pulse rate is calculated,
Based on the calculated feature amount, it is determined whether the subject has urinated,
An information processing method in which processing is executed by a computer.　前記時系列データに対し、所定間隔毎の時点を処理対象時点として前記処理対象時点の前後の少なくとも一方の所定期間について前記特徴量を算出し、
　前記対象者が排尿したと判定した場合、該判定に用いられた前記特徴量が算出された処理対象時点に対応する時点を前記対象者による排尿時点と推定する、
　請求項６に記載の情報処理方法。With respect to the time-series data, the feature amount is calculated for at least one predetermined period before and after the processing target time point with a time point for each predetermined interval as a processing target time point,
When it is determined that the subject has urinated, the time corresponding to the processing target time at which the feature amount used for the determination is calculated is estimated as the urination time by the subject.
The information processing method according to claim 6.　前記特徴量として、前記処理対象時点の前の第１期間の前記心拍数又は前記脈拍数の変化度合い、前記処理対象時点の後の第２期間の前記心拍数又は前記脈拍数の変化度合い、前記第２期間の後の第３期間の前記心拍数又は前記脈拍数の変化度合い、及び前記第１期間の前の第４期間の前記心拍数又は前記脈拍数の値と前記第２期間の後の第５期間の前記心拍数又は前記脈拍数の値の少なくとも１つを算出し、
　算出した前記特徴量が、前記第１期間の前記心拍数又は前記脈拍数の変化度合いである場合は該変化度合いが第１閾値以上である場合、前記第２期間の前記心拍数又は前記脈拍数の変化度合いである場合は該変化度合いが第２閾値未満である場合、前記第３期間の前記心拍数又は前記脈拍数の変化度合いである場合は該変化度合いが前記第１閾値よりも小さい第３閾値以上である場合、及び前記第４期間の前記心拍数又は前記脈拍数の値と前記第５期間の前記心拍数又は前記脈拍数の値である場合は前記第５期間の前記心拍数又は前記脈拍数の値が前記第４期間の前記心拍数又は前記脈拍数の値よりも小さい場合に、前記対象者が排尿したと判定する、
　請求項７に記載の情報処理方法。As the feature quantity, the change rate of the heart rate or the pulse rate in the first period before the processing target time point, the change rate of the heart rate or the pulse rate in the second period after the processing target time point, The degree of change of the heart rate or the pulse rate in the third period after the second period, and the value of the heart rate or the pulse rate in the fourth period before the first period and the value after the second period Calculating at least one of the value of the heart rate or the pulse rate of the fifth period,
When the calculated feature amount is the degree of change of the heart rate or the pulse rate during the first period, the heart rate or the pulse rate during the second period when the degree of change is not less than a first threshold. If the degree of change is less than the second threshold, the degree of change is smaller than the first threshold if the degree of change is the heart rate or the pulse rate of the third period. If it is 3 thresholds or more, and if it is the value of the heart rate or the pulse rate of the fourth period and the value of the heart rate or the pulse rate of the fifth period, the heart rate of the fifth period or When the value of the pulse rate is smaller than the heart rate or the pulse rate value of the fourth period, it is determined that the subject has urinated.
The information processing method according to claim 7.　前記特徴量は、前記処理対象時点の前の第１期間の前記心拍数又は前記脈拍数の変化度合い、前記処理対象時点の後の第２期間の前記心拍数又は前記脈拍数の変化度合い、前記第１期間の前記心拍数又は前記脈拍数の変化度合いと前記第２期間の前記心拍数又は前記脈拍数の変化度合いとの違いを示す値、前記第１期間の前記時系列データを近似して得られた直線と前記第２期間の前記時系列データを近似して得られた直線との交差角度、前記第２期間の後の第３期間の前記心拍数又は前記脈拍数の変化度合い、前記第２期間の前記心拍数又は前記脈拍数の変化度合いと前記第３期間の前記心拍数又は前記脈拍数の変化度合いとの違いを示す値、前記第２期間の前記時系列データを近似して得られた直線と前記第３期間の前記時系列データを近似して得られた直線との交差角度、前記第１期間の前の第４期間の前記心拍数又は前記脈拍数の値、前記第２期間の後の第５期間の前記心拍数又は前記脈拍数の値、前記第４期間の前記心拍数又は前記脈拍数の値と前記第５期間の前記心拍数又は前記脈拍数の値との違いを示す値、前記第１期間及び前記第２期間の前記時系列データにおける前記心拍数又は前記脈拍数と基準値との差の積算値、前記第５期間の前記時系列データにおける前記心拍数又は前記脈拍数と前記基準値との差の積算値、及び前記第１期間及び前記第２期間の前記時系列データにおける前記心拍数又は前記脈拍数と前記基準値との差の積算値と前記第５期間の前記時系列データにおける前記心拍数又は前記脈拍数と前記基準値との差の積算値との違いを示す値の少なくとも１つである、
　請求項７に記載の情報処理方法。The feature amount includes a change degree of the heart rate or the pulse rate in a first period before the processing target time point, a change degree of the heart rate or the pulse rate in a second period after the processing target time point, Approximating a value indicating a difference between the change rate of the heart rate or the pulse rate in the first period and the change rate of the heart rate or the pulse rate in the second period, and the time series data of the first period Crossing angle between the obtained straight line and the straight line obtained by approximating the time series data of the second period, the heart rate of the third period after the second period or the degree of change of the pulse rate, Approximating a value indicating a difference between the change rate of the heart rate or the pulse rate in the second period and the change rate of the heart rate or the pulse rate in the third period, and the time series data of the second period The obtained straight line and the time series data of the third period Crossing angle with straight line obtained similarly, value of heart rate or pulse rate in fourth period before the first period, heart rate or pulse rate in the fifth period after the second period A number value, a value indicating a difference between the heart rate or the pulse rate value in the fourth period and the heart rate or the pulse rate value in the fifth period, the first period and the second period An integrated value of a difference between the heart rate or the pulse rate and the reference value in the time series data, an integrated value of a difference between the heart rate or the pulse rate and the reference value in the time series data of the fifth period, And the integrated value of the difference between the heart rate or the pulse rate in the time series data in the first period and the second period and the reference value, and the heart rate or the pulse in the time series data in the fifth period The value indicating the difference between the number and the integrated value of the difference between the reference values is small. Also is one,
The information processing method according to claim 7.　排尿期間及び非排尿期間の各々について取得された前記心拍数又は前記脈拍数を用いて算出された前記特徴量を用いて予め生成された推定モデルを用いて、算出した前記特徴量に基づいて、前記対象者が排尿したか否かを判定する、
　請求項９に記載の情報処理方法。Based on the calculated feature quantity using the estimation model generated in advance using the feature quantity calculated using the heart rate or the pulse rate acquired for each of the urination period and the non-urination period, Determining whether the subject has urinated;
The information processing method according to claim 9.　対象者の心拍数又は脈拍数を取得し、
　取得した前記心拍数又は前記脈拍数の時系列データから、前記心拍数又は前記脈拍数の変化の傾向を示す特徴量を算出し、
　算出した前記特徴量に基づいて、前記対象者が排尿したか否かを判定する、
　処理をコンピュータに実行させる情報処理プログラム。Get the heart rate or pulse rate of the subject,
From the acquired time-series data of the heart rate or the pulse rate, a feature amount indicating a tendency of change in the heart rate or the pulse rate is calculated,
Based on the calculated feature amount, it is determined whether the subject has urinated,
An information processing program that causes a computer to execute processing.　前記時系列データに対し、所定間隔毎の時点を処理対象時点として前記処理対象時点の前後の少なくとも一方の所定期間について前記特徴量を算出し、
　前記対象者が排尿したと判定した場合、該判定に用いられた前記特徴量が算出された処理対象時点に対応する時点を前記対象者による排尿時点と推定する、
　請求項１１に記載の情報処理プログラム。With respect to the time-series data, the feature amount is calculated for at least one predetermined period before and after the processing target time point with a time point for each predetermined interval as a processing target time point,
When it is determined that the subject has urinated, the time corresponding to the processing target time at which the feature amount used for the determination is calculated is estimated as the urination time by the subject.
The information processing program according to claim 11.　前記特徴量として、前記処理対象時点の前の第１期間の前記心拍数又は前記脈拍数の変化度合い、前記処理対象時点の後の第２期間の前記心拍数又は前記脈拍数の変化度合い、前記第２期間の後の第３期間の前記心拍数又は前記脈拍数の変化度合い、及び前記第１期間の前の第４期間の前記心拍数又は前記脈拍数の値と前記第２期間の後の第５期間の前記心拍数又は前記脈拍数の値の少なくとも１つを算出し、
　算出した前記特徴量が、前記第１期間の前記心拍数又は前記脈拍数の変化度合いである場合は該変化度合いが第１閾値以上である場合、前記第２期間の前記心拍数又は前記脈拍数の変化度合いである場合は該変化度合いが第２閾値未満である場合、前記第３期間の前記心拍数又は前記脈拍数の変化度合いである場合は該変化度合いが前記第１閾値よりも小さい第３閾値以上である場合、及び前記第４期間の前記心拍数又は前記脈拍数の値と前記第５期間の前記心拍数又は前記脈拍数の値である場合は前記第５期間の前記心拍数又は前記脈拍数の値が前記第４期間の前記心拍数又は前記脈拍数の値よりも小さい場合に、前記対象者が排尿したと判定する、
　請求項１２に記載の情報処理プログラム。As the feature quantity, the change rate of the heart rate or the pulse rate in the first period before the processing target time point, the change rate of the heart rate or the pulse rate in the second period after the processing target time point, The degree of change of the heart rate or the pulse rate in the third period after the second period, and the value of the heart rate or the pulse rate in the fourth period before the first period and the value after the second period Calculating at least one of the value of the heart rate or the pulse rate of the fifth period,
When the calculated feature amount is the degree of change of the heart rate or the pulse rate during the first period, the heart rate or the pulse rate during the second period when the degree of change is not less than a first threshold. If the degree of change is less than the second threshold, the degree of change is smaller than the first threshold if the degree of change is the heart rate or the pulse rate of the third period. If it is 3 thresholds or more, and if it is the value of the heart rate or the pulse rate of the fourth period and the value of the heart rate or the pulse rate of the fifth period, the heart rate of the fifth period or When the value of the pulse rate is smaller than the heart rate or the pulse rate value of the fourth period, it is determined that the subject has urinated.
The information processing program according to claim 12.　前記特徴量は、前記処理対象時点の前の第１期間の前記心拍数又は前記脈拍数の変化度合い、前記処理対象時点の後の第２期間の前記心拍数又は前記脈拍数の変化度合い、前記第１期間の前記心拍数又は前記脈拍数の変化度合いと前記第２期間の前記心拍数又は前記脈拍数の変化度合いとの違いを示す値、前記第１期間の前記時系列データを近似して得られた直線と前記第２期間の前記時系列データを近似して得られた直線との交差角度、前記第２期間の後の第３期間の前記心拍数又は前記脈拍数の変化度合い、前記第２期間の前記心拍数又は前記脈拍数の変化度合いと前記第３期間の前記心拍数又は前記脈拍数の変化度合いとの違いを示す値、前記第２期間の前記時系列データを近似して得られた直線と前記第３期間の前記時系列データを近似して得られた直線との交差角度、前記第１期間の前の第４期間の前記心拍数又は前記脈拍数の値、前記第２期間の後の第５期間の前記心拍数又は前記脈拍数の値、前記第４期間の前記心拍数又は前記脈拍数の値と前記第５期間の前記心拍数又は前記脈拍数の値との違いを示す値、前記第１期間及び前記第２期間の前記時系列データにおける前記心拍数又は前記脈拍数と基準値との差の積算値、前記第５期間の前記時系列データにおける前記心拍数又は前記脈拍数と前記基準値との差の積算値、及び前記第１期間及び前記第２期間の前記時系列データにおける前記心拍数又は前記脈拍数と前記基準値との差の積算値と前記第５期間の前記時系列データにおける前記心拍数又は前記脈拍数と前記基準値との差の積算値との違いを示す値の少なくとも１つである、
　請求項１２に記載の情報処理プログラム。The feature amount includes a change degree of the heart rate or the pulse rate in a first period before the processing target time point, a change degree of the heart rate or the pulse rate in a second period after the processing target time point, Approximating a value indicating a difference between the change rate of the heart rate or the pulse rate in the first period and the change rate of the heart rate or the pulse rate in the second period, and the time series data of the first period Crossing angle between the obtained straight line and the straight line obtained by approximating the time series data of the second period, the heart rate of the third period after the second period or the degree of change of the pulse rate, Approximating a value indicating a difference between the change rate of the heart rate or the pulse rate in the second period and the change rate of the heart rate or the pulse rate in the third period, and the time series data of the second period The obtained straight line and the time series data of the third period Crossing angle with straight line obtained similarly, value of heart rate or pulse rate in fourth period before the first period, heart rate or pulse rate in the fifth period after the second period A number value, a value indicating a difference between the heart rate or the pulse rate value in the fourth period and the heart rate or the pulse rate value in the fifth period, the first period and the second period An integrated value of a difference between the heart rate or the pulse rate and the reference value in the time series data, an integrated value of a difference between the heart rate or the pulse rate and the reference value in the time series data of the fifth period, And the integrated value of the difference between the heart rate or the pulse rate in the time series data in the first period and the second period and the reference value, and the heart rate or the pulse in the time series data in the fifth period The value indicating the difference between the number and the integrated value of the difference between the reference values is small. Also is one,
The information processing program according to claim 12.　排尿期間及び非排尿期間の各々について取得された前記心拍数又は前記脈拍数を用いて算出された前記特徴量を用いて予め生成された推定モデルを用いて、算出した前記特徴量に基づいて、前記対象者が排尿したか否かを判定する、
　請求項１４に記載の情報処理プログラム。Based on the calculated feature quantity using the estimation model generated in advance using the feature quantity calculated using the heart rate or the pulse rate acquired for each of the urination period and the non-urination period, Determining whether the subject has urinated;
The information processing program according to claim 14.　対象者の心拍数又は脈拍数を測定する測定装置、及び
　前記測定装置により測定された対象者の心拍数又は脈拍数を取得する取得部と、前記取得部により取得された前記心拍数又は前記脈拍数の時系列データから、前記心拍数又は前記脈拍数の変化の傾向を示す特徴量を算出する算出部と、前記算出部により算出された前記特徴量に基づいて、前記対象者が排尿したか否かを判定する判定部と、を含む情報処理装置、
　を備えた情報処理システム。A measuring device for measuring the heart rate or pulse rate of the subject, an acquisition unit for acquiring the heart rate or pulse rate of the subject measured by the measuring device, and the heart rate or the pulse acquired by the acquiring unit A calculation unit that calculates a feature amount indicating a tendency of the heart rate or the change in the pulse rate from time-series data, and whether the subject urinated based on the feature amount calculated by the calculation unit An information processing device including a determination unit that determines whether or not,
Information processing system with　対象者の心拍数又は脈拍数を取得し、
　取得した前記心拍数又は前記脈拍数の時系列データから、前記心拍数又は前記脈拍数の変化の傾向を示す特徴量を算出し、
　算出した前記特徴量に基づいて、前記対象者が排尿したか否かを判定する、
　処理をコンピュータに実行させる情報処理プログラムを記憶した記憶媒体。Get the heart rate or pulse rate of the subject,
From the acquired time-series data of the heart rate or the pulse rate, a feature amount indicating a tendency of change in the heart rate or the pulse rate is calculated,
Based on the calculated feature amount, it is determined whether the subject has urinated,
A storage medium storing an information processing program for causing a computer to execute processing.

Images