本公开涉及掌握测定对象者的生物体状态的技术。
背景技术：
近年来，正在进行以非接触方式感知(感测)测定对象者的生物体信息的技术开发。例如，专利文献1中公开了一种空气调节机，其以为室内的人进行舒适的空气调节为目的，取得室内的拍摄图像和室内的温度分布图像，基于拍摄图像计算脸部位置，根据温度分布图像取得从脸部位置离开预定距离的位置的温度信息，按照取得的温度信息来进行空气调节控制。
另外，在专利文献2中，考虑乘客的脸部朝向，以稳定地算出乘客的脸部温度为目的，公开了下述技术。即，专利文献2中公开了如下技术：从由ir(infrared，红外)摄像头(camera)获得的温度分布映射(map)中提取乘客的脸部区域，并以使脸部区域的中间区域与隔着中间区域而位于脸部区域左右的周边区域的面积等同的方式调整各区域的贡献度，基于调整出的贡献度来算出乘客的脸部温度。
现有技术文献
专利文献1：日本特开2009-119896号公报
专利文献2：日本特开2015-55393号公报
技术实现要素：
发明所要解决的问题
然而，在现有技术中，存在难以准确地掌握测定对象者的生物体状态的情况。身体的血流状态因人体而各异，例如半身麻痹的人体，已知其麻痹侧的体部温度极端地低。因此，仅如专利文献2中所公开的那样以使中间区域与周边区域的面积等同的方式调整各区域的贡献度由此测定脸部的体温，难以准确地掌握人体的体温变化。
专利文献1中所公开的发明对从脸部位置离开预定距离的位置的温度进行检测，因而难以准确地掌握人体本身的体温。
本公开的目的在于提供能够准确地掌握测定对象者的生物体状态的技术。
用于解决问题的技术方案
本公开的一个技术方案涉及的信息处理方法，利用计算机执行：从测定部取得测定数据，所述测定数据由所述测定部以非接触方式进行测定，用于算出测定对象者的生物体信息；基于取得的所述测定数据的内容，将所述测定数据分类到所述测定对象者的至少与姿势相应的组(group)，根据所述分类后的测定数据算出所述生物体信息，将所述算出的生物体信息与和所述测定数据所属的组对应的基准值进行比较；使信息提示部进行基于所述比较的通知。
发明效果
根据本公开的实施方式，能够准确地掌握测定对象者的生物体状态。
附图说明
图1是表示应用了实施方式1涉及的信息处理装置的生物体信息感知装置的概要的图。
图2是表示生物体信息感知装置的连接结构的一例的图。
图3是表示应用了实施方式1涉及的信息处理装置的生物体信息感知装置的功能结构的图。
图4是对学习阶段中的数据处理方法进行说明的图。
图5是对检测阶段中的数据处理方法进行说明的图。
图6是接着图5对检测阶段中的数据处理方法进行说明的图。
图7是表示检测阶段中的信息处理装置的处理的一例的流程图。
图8是表示应用了实施方式2涉及的信息处理装置的生物体信息感知装置的概要的图。
图9是表示应用了实施方式2涉及的信息处理装置的生物体信息感知装置的功能构成的一例的图。
图10是对学习阶段中的数据处理方法进行说明的图。
图11是对检测阶段中的数据处理方法进行说明的图。
图12是接着图11对检测阶段中的数据处理方法进行说明的图。
图13是表示应用了本公开的变形例2涉及的信息处理装置的生物体信息感知装置的概要的图。
图14是表示应用了本公开的变形例3涉及的信息处理装置的生物体信息感知装置的功能结构的图。
图15是表示应用了本公开的变形例3涉及的信息处理装置的生物体信息感知装置的连接结构的一例的图。
图16是表示应用了本公开的变形例4涉及的信息处理装置的生物体信息感知装置的功能结构的图。
图17是表示应用了本公开的变形例5涉及的信息处理装置的生物体信息感知装置的功能结构的图。
图18是表示应用了本公开的变形例5涉及的信息处理装置的生物体信息感知装置的连接结构的第一例的图。
图19是表示应用了本公开的变形例5涉及的信息处理装置的生物体信息感知装置的连接结构的第二例的图。
图20是表示应用了本公开的变形例6涉及的信息处理装置的生物体信息感知装置的连接结构的图。
图21是表示应用了本公开的变形例7涉及的信息处理装置的生物体信息感知装置的连接结构的图。
图22是表示应用了本公开的变形例8涉及的信息处理装置的生物体信息感知装置的连接结构的图。
图23是表示应用了本公开的变形例9涉及的信息处理装置的生物体信息感知装置的概要的图。
标号说明
101a：感知部102a：信息处理部
103a：信息表示部106：人体
301：传感器部302：发送部
303：接收部304：时刻数据赋予部
305：数据分类部306：数据管理部
307：变化检测部308：发送部
309：接收部310：显示部
311：db部901a：感知部
901：传感器部902a：信息处理部
905：数据分类部906：数据管理部
907：变化检测部911：db部
具体实施方式
(成为本公开的基础的见解)
在老年人护理中，在进行老年人的日常的身体状况管理方面，必须对生活状况和/或体温的变化进行记录管理。于是，如下的身体状况管理系统正在被研究：周期性地测定人体的体温等生物体信息，将测定值与基准值进行比较，如果有异常等变化则进行通知。
以往，作为测定人体的体温的工具(手段)，已知有体温计和/或辐射热传感器。这些工具通过测定腋下、内耳和/或脸正面等人体的特定部位来掌握体温。
然而，在将这些接触式的工具应用于身体状况管理系统的情况下，需要使腋下部位接触体温计来测定体温，或使用内耳体温计等使人体接触的专用设备来测定体温。因此，需要让测定对象者静止，且在测定者的陪同照料下对测定对象者的体温进行测定。其结果，存在对测定者以及测定对象者均造成负担这样的问题。
于是，考虑将使用以非接触方式计测体温的热图像传感器来进行体温计测的专利文献2的方法应用于进行身体状况管理的系统。在此，在专利文献2中，通过调整各区域的贡献度，最终算出一个体温，因此应用了专利文献2的方法的身体状况管理系统也只要预先准备一个用于检测有无变化的基准体温即可。
然而，对于半身麻痹的人体，麻痹侧的体温与没有麻痹的一侧的体温大为不同。因此，若使用一个基准体温来检测体温有无变化，则在根据测定对象者在测定时采取的姿势测定了麻痹侧的体温的情况下，存在尽管本来正在发烧，但由于测定出的体温比基准体温低，因此例如误判定为正常体温的可能性。另外，在根据测定对象者在测定时采取的姿势测定了没有麻痹的一侧的体温的情况下，存在尽管本来是正常体温，但由于测定出的体温比基准体温高，因此例如误判定为正在发烧的可能性。
本公开是为了解决这样的问题所做出的，提供既不会对测定对象者也不会对测定者产生负担，就能够准确地掌握测定对象者的生物体状态的技术。
本公开的一个技术方案涉及的信息处理方法，利用计算机执行：从测定部取得测定数据，所述测定数据由所述测定部以非接触方式进行测定，用于算出测定对象者的生物体信息；基于取得的所述测定数据的内容，将所述测定数据分类到所述测定对象者的至少与姿势相应的组，根据所述分类后的测定数据算出所述生物体信息，将所述算出的生物体信息与和所述测定数据所属的组对应的基准值进行比较；使信息提示部进行基于所述比较的通知。
根据本技术方案，将由测定部测定的测定数据分类到基于测定对象者的姿势的组，对和所分类的组对应的基准值与分类后的测定数据进行比较，进行基于比较的通知。因此，不论在测定时所取的测定对象者的姿势怎样，都能够在准确地掌握测定对象者的生物体状态之后进行通知。换言之，能够减少发生对于错误通知的处理。因此，能够使关于通知的处理负荷降低。另外，根据本技术方案，以非接触方式测定生物体信息，因此既不会对测定对象者也不会对测定者产生负担，就能够掌握生物体状态。
在上述技术方案中，也可以为，在所述测定数据的分类中，使用机器学习模型来将所述测定数据分类到所述组，所述机器学习模型是对基于所述测定数据的内容将所述测定数据向所述组的分类进行机器学习而得到的模型，所述基准值是在所述机器学习中根据被分类到所述组的所述测定数据而算出的所述组的所述生物体信息的代表值。
由此，利用机器学习模型进行测定数据的分类，因而与基于规则(rule-base)的分类相比，能够进行更适当的分类。另外，根据实际分类后的测定数据来决定基准值，因而能够将更准确的基准值用于上述比较处理。
在上述技术方案中，也可以为，所述信息处理方法还包括：使所述机器学习模型对基于所述测定数据的内容将所述测定数据向所述组的分类进行机器学习，在所述机器学习中，根据被分类到所述组的测定数据来算出所述组的所述生物体信息的代表值作为所述组的所述基准值。
根据本技术方案，利用机器学习来根据被按组分类的测定数据算出每组的生物体信息的代表值，该代表值作为基准值而被算出，因此能够算出与测定对象者相适的每组的基准值。
在上述技术方案中，也可以为，所述测定部是热图像传感器，所述生物体信息是体温，所述测定数据是由所述热图像传感器获得的热图像数据，在所述测定数据的分类中，基于由所述热图像传感器获得的所述热图像数据所包含的表示所述测定对象者的区域的特征，将所述热图像数据分类到所述组，在所述比较中，根据所述分类后的热图像数据算出所述测定对象者的体温，将所述算出的体温与和所述分类后的热图像数据所属的组对应的基准值进行比较。
根据本技术方案，测定部由热图像传感器构成，因此能够准确地掌握测定对象者的生物体状态。
在上述技术方案中，也可以为，所述测定部是电波传感器，所述生物体信息是所述测定对象者的包含体动值、呼吸频率和心率中的至少一个的活动量，所述测定数据是由所述电波传感器获得的表示所述活动量的活动量数据，在所述测定数据的分类中，基于由所述电波传感器获得的所述活动量数据的波形信息，将所述活动量数据分类到所述组，在所述比较中，根据所述分类后的活动量数据算出所述测定对象者的所述活动量，将所述算出的活动量与和所述分类后的活动量数据所属的组对应的基准值进行比较。
根据本技术方案，测定部由电波传感器构成，因此能够高精度地检测测定对象者的体动值、呼吸频率和心率中的至少一个。
在上述技术方案中，也可以为，在与所述组的任一个都不相符的所述测定数据的个数超过基准个数的情况下，生成促使所述机器学习模型的再学习的信息。
根据本技术方案，在执行将测定数据与基准值进行比较的处理期间，当与通过机器学习分类出的任一个姿势都不相符的测定数据的个数超过基准个数的情况下，生成促使机器学习模型的再学习的信息。因此，例如识别到该信息的管理人员能够使机器学习重新(再次)执行。由此，即使在执行将测定数据与基准值进行比较的处理期间，测定对象者采取在机器学习时没有见过的姿势，也能够准确地掌握测定对象者的生物体状态。
在上述技术方案中，也可以为，所述信息处理方法还包括：取得表示对于所述测定数据的测定时刻的时刻数据，在所述比较中，基于所述时刻数据，判定所述测定数据是否为在预定的时间段测定所得，在判定为所述测定数据是在所述预定的时间段测定所得的情况下，执行所述比较。
根据本技术方案，在测定数据属于预定的时间段的情况下，执行比较处理，因此例如能够使用在测定对象者的状态稳定的时间段测定出的测定数据来进行比较处理，能够更准确地掌握生物体信息。
在上述技术方案中，也可以为，所述姿势是所述测定对象者的身体的朝向。
由此，能够将测定数据分类到与测定对象者的身体朝向相应的组。在此，由于血流等身体特征根据身体朝向不同而不同，因而测定数据即体温等生物体信息的基准值也根据身体朝向不同而不同。因此，能够使用适当的基准值来判定测定对象者是否无异常。
在上述技术方案中，也可以为，基于所述比较的通知是所述生物体信息与所述基准值的比较结果或者所述测定对象者的异常。
由此，能够使能接收信息提示部的通知的人注意到测定对象者的异常。
上述技术方案能够作为使构成的处理单元成为步骤的方法来实现。而且，本公开能够作为使计算机执行该方法所包括的步骤的程序来实现。再者，本公开能够作为存储有该程序的cd-rom等计算机能够读取的存储介质来实现。
(实施方式1)
图1是表示应用了实施方式1涉及的信息处理装置的生物体信息感知装置的概要的图。在图1中，感知装置101包括热图像传感器，配置在放置有寝具107的卧室等起居室(起居的房间)内。感知装置101例如与空气调节机105并排设置。感知装置101例如配置在空气调节机105的侧面附近，像这样，优选配置在不明显的位置。感知装置101例如以使寝具107的整个区域包括在计测范围内的方式设置于起居室。
感知装置101取得表示包括人体106(测定对象者的一例)在内的起居室内的热分布的热图像数据。感知装置101将取得的热图像数据经由网关(以下记作gw)104发送给信息处理装置102。信息处理装置102将热图像数据按基于人体106的姿势的组分类并进行管理。此外，gw104也被称为路由器。
在此，起居室例如既可以是在老年人护理机构中作为护理对象者的人体106住宿的一个房间，也可以是人体106所住的住宅的一个房间。
信息处理装置102在通过对被按组分类的热图像数据与此次测定出的热图像数据进行比较，检测出人体106的体温的变化时，经由gw104将表示发现人体106的体温异常的报警(alerting)信息发送给信息表示装置103。信息表示装置103在接收到报警信息时，发出告警。由此，人体106的管理人员识别(认识)到人体106的体温有异常。
作为人体106的管理人员，例如可以是护理人体106的护理人员和/或护理机构的管理人员。
图2是表示生物体信息感知装置的连接结构的一例的图。如图2所示，生物体信息感知装置包括感知装置101、信息处理装置102、信息表示装置103以及gw104。感知装置101、信息处理装置102以及信息表示装置103分别经由预定网络与gw104相连接。作为预定网络，例如采用有线局域网(lan)、无线局域网和/或二者混合的局域网。
图3是表示应用了实施方式1涉及的信息处理装置的生物体信息感知装置的功能结构的图。生物体信息感知装置包括相当于感知装置101的感知部101a、相当于信息处理装置102的信息处理部102a和相当于信息表示装置103的信息表示部103a。
感知部101a(测定部的一例)包括传感器部301以及发送部302，以非接触方式测定生物体信息。传感器部301例如由热图像传感器构成，通过以预定的采样周期对人体106的起居室进行拍摄，取得热图像数据(测定数据的一例)。发送部302例如由无线局域网或者有线局域网的通信电路构成，将由传感器部301取得的热图像数据以预定的采样周期发送给信息处理部102a。
信息处理部102a包括接收部303、时刻数据赋予部304、数据分类部305、数据管理部306、变化检测部307、发送部308以及db部311。
接收部303(取得部的一例)例如由无线局域网或者有线局域网的通信电路构成，以预定的采样周期接收从感知部101a发送来的热图像数据。
时刻数据赋予部304对由接收部303接收到的热图像数据赋予测定时刻。在此，例如赋予接收部303取得热图像数据时的取得时刻作为测定时刻。另外，测定时刻例如由表示年/月/日/时/分/秒的数据构成。
数据分类部305在学习基于姿势的组的学习阶段，通过依次取得由时刻数据赋予部304赋予了时刻数据的热图像数据，取得多个热图像数据。而且，数据分类部305基于取得的多个热图像数据的每一个所包含的表示人体106的区域的特征，将热图像数据进行分类，由此对组进行学习。作为图像的特征，采用表示人体106的区域的轮廓和/或构成该区域的温度分布。
在此，数据分类部305例如利用机器学习来对组进行学习即可。在此，作为机器学习，例如采用使用了神经网络(neuralnetwork)的有监督机器学习或者无监督机器学习即可。在有监督机器学习的情况下，数据分类部305例如学习神经网络的权重系数以使得针对各热图像数据输出组标识符即可，所述组标识符用于辨识基于事先所赋予的姿势的组。
在此，作为事先所赋予的姿势，例如可以采用人体106的朝向。作为人体106的朝向，例如可以采用如下的最少4个模式(pattern)：表示从正面观察人体106的朝向的“前”；表示以正面为基准从左侧观察人体106的朝向的“左”；表示以正面为基准从右侧观察人体106的朝向的“右”；以及表示从背后观察人体106的朝向的“后”。再者，作为人体106的朝向，例如也可以加上前后左右的4个模式的每个模式中的深度(进深、层次)的模式。作为深度的模式，例如可以采用将与热图像传感器的距离阶段式地进行划分而得到的模式。在该情况下，作为深度的模式，例如可以采用“近”、“普通”、“远”这样的模式。若假设作为人体106的朝向，有前后左右的4个模式，作为人体106的深度，有“近”、“普通”、“远”的3个模式，则热图像数据根据姿势以及深度，将会被分类成4×3＝12的12组。在此，考虑深度是因为，考虑到从热图像传感器到人体106的距离越远，热图像传感器的计测精度越低。此外，作为人体106的朝向，也可以加上上述4个模式以外的朝向(例如右斜前方、左斜前方、右斜后方、左斜后方)，还可以省去上述4个模式中的某一个或者多个。
另外，在采用无监督机器学习的情况下，数据分类部305采用层次数比通常的神经网络多的深度神经网络(deepneuralnetwork)即可。在采用深度神经网络的情况下，即使不事先设定姿势以及深度，数据分类部305通过根据热图像数据所包含的表示人体106的区域的特征，将热图像数据分类，也能够对组进行学习。
此外，数据分类部305也可以使用机器学习以外的手法来对组进行学习。在采用机器学习以外的手法的情况下，数据分类部305首先从热图像数据中提取人体106的区域。在该情况下，例如，数据分类部305从热图像数据算出hog(histogramsoforientedgradients，方向梯度直方图)特征量，按照hog特征量将热图像数据分成人体106的区域和背景区域，由此提取人体106的区域即可。接着，数据分类部305使用提取到的人体106的区域的轮廓、和脸部中的鼻子以及嘴巴的相对位置关系来决定人体106的朝向即可。在此，脸部能够根据人体106的形状来提取，鼻子以及嘴巴的位置能够根据脸部的热分布来求取。另外，在此，所决定的人体106的朝向采用如上述的前后左右的4个模式的朝向那样事先确定的朝向。
接着，数据分类部305通过对热图像数据赋予与决定的朝向相应的组标识符，将热图像数据分类。在该情况下，数据分类部305也可以根据脸部的大小，按上述的深度的模式将热图像数据进一步进行分类。在该情况下，数据分类部305通过对热图像数据赋予人体106的朝向和深度的各组的组标识符来将热图像数据分类即可。
另一方面，数据分类部305在检测生物体信息的变化的检测阶段，依次取得由时刻数据赋予部304赋予了时刻数据的热图像数据。而且，数据分类部305基于取得的热图像数据各自所包含的表示人体106的区域的特征，将取得的热图像数据分类到在学习阶段学习出的某个组。例如在学习阶段采用神经网络的情况下，数据分类部305在检测阶段，通过将成为检测对象的热图像数据输入到神经网络，决定该热图像数据所属的组即可。
另外，在学习阶段采用上述的机器学习以外的手法的情况下，数据分类部305使用该手法，决定检测对象的热图像数据所属的组即可。
数据管理部306在学习阶段，根据由数据分类部305进行了分类的热图像数据，算出每组的体温的代表值作为每组的基准值。在此，关于基准值，假定是人体106的正常体温，采用根据分类后的热图像数据所获得的每组的体温的平均值。
而且，数据管理部306通过将算出的每组的基准值保存于db部311来管理基准值。此外，数据管理部306也可以在检测阶段基于热图像数据的分类结果，更新基准值。
变化检测部307(比较部的一例)在检测阶段，根据由数据分类部305分类到某个组的热图像数据，算出人体106的体温(生物体信息的一例)，将算出的体温与和该热图像数据所属的组对应的基准值进行比较，由此，检测人体106的体温有无变化。而且，变化检测部307在检测出体温的变化的情况下，生成表示体温异常的报警信息。在此，假定基准值是人体106的正常体温，因此，变化检测部307例如在根据成为对象的热图像数据算出的体温与基准值所示的正常体温的温度差为正负1℃以上时，判定为体温有变化即可。在此，在温度差为正负1℃以上时，判定为体温有变化，但本公开不限定于此，也可以在温度差为1℃以外的预定温度(例如0.5℃、1.5℃等)以上时，判定为体温有变化。
在此，变化检测部307根据热图像数据来检测后述的比较部位参数311c指定的部位(例如脸部)，算出检测到的部位的例如平均温度作为人体106的体温即可。
发送部308例如由无线局域网或者有线局域网的通信电路构成，在由变化检测部307生成了报警信息的情况下，将该报警信息发送给信息表示部103a。
数据库(以下记作db)部311例如由非易失性的存储装置构成，记录数据管理部306所管理的各种数据。db部311存储分类参数311a、分类数据311b以及比较部位参数311c。
对于分类参数311a例如如果是在学习阶段神经网络所采用了的参数，则该分类参数311a是学习的结果所得到的神经网络的权重系数。
分类数据311b是在学习阶段以及检测阶段由数据分类部305分类到每个组的热图像数据。
比较部位参数311c是表示变化检测部307在进行变化检测时使用的成为比较对象的人体106的部位的参数。例如，如果脸部被设为比较对象，则采用表示脸部的信息作为比较部位参数。
此外，在采用有监督机器学习的情况下，db部311也可以存储表示事先所确定的成为分类对象的姿势以及深度的信息。
信息表示部103a例如由人体106的管理人员能够使用的计算机来构成，包括接收部309以及显示部310，输出报警信息。在此，信息表示部103a既可以由固定式的计算机构成，也可以由平板终端、智能手机等可携带(便携式)的计算机构成。
接收部309由无线局域网或者有线局域网的通信电路构成，接收从信息处理部102a发送来的报警信息。显示部310例如由液晶显示器和/或有机el显示器构成，显示报警信息。在该情况下，显示部310例如显示表示人体106的体温异常的消息等即可。此外，信息表示部103a也可以从图略的扬声器输出表示人体106的体温异常的声音(语音)。
接着，使用图4～图6来说明信息处理部102a中的数据处理方法。图4是对学习阶段中的数据处理方法进行说明的图。图5是对检测阶段中的数据处理方法进行说明的图。图6是接着图5对检测阶段中的数据处理方法进行说明的图。
参照图4。当生物体信息感知装置被设置于现场时，信息处理部102a在一定期间内，学习热图像数据，由此生成分类参数311a。首先，时刻数据赋予部304针对感知部101a取得的热图像数据(401)的每一个，赋予时刻数据(402)。接着，数据分类部305针对被赋予了时刻数据的热图像数据(403)的每一个，进行将预定的温度范围(例如25℃～45℃)以外的区域掩模(mask)的掩模处理。接着，数据分类部305通过进行使用神经网络的机器学习，将热图像数据按人体106的各组进行分类，生成分类参数311a(404)。在此，作为预定的温度范围，采用了25℃～45℃，但例如通过采用30℃～45℃等温度范围，能够使人体106与人体106以外的物体(例如家具等)的差异更加明确。此外，预定的温度范围假定是人体106能够取的温度范围。
接下来，参照图5。学习阶段结束后，检测阶段开始。首先，与学习阶段同样地，时刻数据赋予部304针对由感知部101a取得的热图像数据(501)，赋予时刻数据(402)。接着，与学习阶段同样地，数据分类部305针对被赋予了时刻数据的热图像数据(503)进行掩模处理，将预定的温度范围以外的区域掩模。接着，数据分类部305通过将预定的温度范围以外的区域被掩模后的热图像数据输入到在学习阶段生成的神经网络，将该热图像数据分类到在学习阶段分类出的某个组(504)。在此，作为组，有第1～第n组，因此，热图像数据被分类到第1～第n(n是大于等于1的整数)组的某个组。由此，检测对象的热图像数据被基于表示人体106的区域的特征进行了分类。分类后的热图像数据作为分类数据311b保存于db部311。此外，通过学习阶段生成的神经网络是机器学习模型的一例。
接下来，参照图6。变化检测部307从分类数据311b中读出成为检测对象的热图像数据，根据读出的热图像数据来检测比较部位参数311c指定的部位(601)。例如，作为比较部位参数311c，如果指定了脸部，则变化检测部307根据成为检测对象的热图像数据检测脸部。
接着，变化检测部307算出根据热图像数据检测出的部位的体温，将算出的体温与和该热图像数据所属的组对应的基准值进行比较，由此，检测人体106的体温有无变化(602)。在此，变化检测部307在算出的体温与基准值所示的正常体温的温度差为正负1℃以上时，判定为体温有变化。
在图6的例子中，分类数据311b根据姿势以及深度而被划分到第1～第n组。因此，基准值也与第1～第n组对应地存在n个。
在本实施方式中，基准值采用了在学习阶段算出的值，但本公开不限定于此，也可以采用按组事先确定的值。或者，基准值也可以采用根据在从当前起向以前(过去)的一定期间被分类的热图像数据，按组算出的值。
图7是表示检测阶段中的信息处理装置102的处理的一例的流程图。此外，图7的流程例如以感知部101a取得热图像数据的预定的采样周期定期执行。
首先，数据分类部305取得由时刻数据赋予部304赋予了时刻数据的热图像数据(s701)。接着，数据分类部305针对取得的热图像数据进行掩模处理，将25℃～45℃以外的部分掩模(s702)。
接着，数据分类部305将进行了掩模处理的热图像数据通过输入到在学习阶段生成了分类参数311a的神经网络来分类(s703)。由此，热图像数据根据姿势以及深度被分类到第1～第n组中的某个组。另外，也可能发生无法将热图像数据分类到第1～第n中的任何组的情况。这例如是在检测阶段人体106采取在学习阶段未取到的姿势以及深度的情况。在该情况下，该热图像数据被分类到其他组(第1～第n组之外的组)。
接着，数据分类部305判定被分类到其他组的热图像数据的个数是否超过了基准个数(s704)。
在被分类到其他组的热图像数据的个数超过了基准个数的情况下(s704：是)，生成促使学习阶段的再执行的标志(flag)(s705)。在此，生成的标志例如被发送给信息表示部103a。信息表示部103a将表示生成了标志这一情况的图像显示于显示部310。由此，管理人员被促使再次使学习阶段执行。管理人员例如使用图略的输入装置将再学习指令输入到信息处理部102a。于是，数据分类部305使用到当前为止作为分类数据311b而被储存的所有热图像数据，执行上述的学习阶段，再次生成分类参数311a。由此，新学习出包含被分类到其他组的热图像数据所示的人体106的姿势以及深度的组。其结果，基于在检测阶段新被采取的人体106的姿势以及深度的组被追加作为分类对象的组。此外，在重新执行了学习阶段的情况下，根据被分类到每组的热图像数据，算出每组的基准值，因此，被分类到新追加的组的热图像数据会与所对应的基准值比较，从而检测温度的变化。
接着，变化检测部307根据成为检测对象的热图像数据来检测比较部位参数311c所示的部位，使用检测出的部位的像素值，算出人体106的体温(s706)。
接着，变化检测部307对和成为检测对象的热图像数据的组对应的基准值与在s706中算出的人体106的体温进行比较，如果人体106的体温与基准值的温度差为正负1℃以上(s708：是)，则生成报警信息(s709)。s709结束后，处理前进到s710。生成的报警信息被发送给信息表示部103a，向管理人员发出告警。另一方面，如果人体106的体温与基准值的温度差不足正负1℃(s708：否)，处理前进到s710。
在s710中，数据管理部306使用成为检测对象的热图像数据被分类而得到的分类数据311b，更新该热图像数据所属的组的基准值，并将处理返回到s701。例如，假设成为检测对象的热图像数据被分类到第1组，那么数据管理部306更新第1组的基准值即可。
如上所述，根据实施方式1的信息处理装置102，将热图像数据根据基于姿势以及深度的组进行分类，对其组所对应的基准值与根据热图像数据算出的体温进行比较，由此，检测人体106的体温的异常。因此，信息处理装置102不论测定时取的人体106的姿势以及深度怎样，都能够高精度地检测人体106的体温有无异常。另外，信息处理装置102能够以非接触方式测定人体106的体温，因此既不会对人体106也不会对人体106的管理人员产生负担，就能够检测体温的异常。另外，本技术方案根据通过拍摄人体106而获得的热图像数据来算出基准值，因此能够算出适于人体106的基准值。
(实施方式2)
图8是表示应用了实施方式2涉及的信息处理装置的生物体信息感知装置的概要的图。实施方式2涉及的生物体信息感知装置是采用包括电波传感器的感知装置901_a的装置。在本实施方式中，对于与实施方式1相同的构成要素，省去说明。
感知装置901_a包括电波传感器，与图1同样地，配置在卧室等起居室内。在此，感知装置901_a例如以使寝具107的整个区域包括在计测范围内的方式设置于起居室。感知装置901_a取得人体106的活动量数据。感知装置901_a将取得的活动量数据经由gw104发送给信息处理装置902。信息处理装置902将活动量数据按基于人体106的姿势的组分类并进行管理。
信息处理装置902在通过对被按组分类的活动量数据与此次测定出的活动量数据进行比较，检测出人体106的活动量(生物体信息的一例)的变化时，经由gw104将表示人体106的活动量异常的报警信息通知给信息表示装置103。信息表示装置103在接收到报警信息时发出告警。由此，人体106的管理人员识别到人体106的活动量异常。
图9是表示应用了实施方式2涉及的信息处理装置的生物体信息感知装置的功能构成的一例的图。生物体信息感知装置包括相当于感知装置901_a的感知部901a(测定部的一例)、相当于信息处理装置902的信息处理部902a以及相当于信息表示装置103的信息表示部103a。感知部901a相对于图3，传感器部901不同。
传感器部901例如由2ch(通道)的多普勒方式的电波传感器构成，以预定的采样周期对人体106照射电波并接收来自人体106的反射波，由此取得人体106的活动量数据。作为电波，例如可以采用24ghz频带的微波。
此外，传感器部901也可以采用多普勒方式以外的电波传感器。例如也可以采用fmcw(frequencymodulatedcontinuouswave，调频连续波)等方式的电波传感器。
数据分类部905在学习阶段取得由时刻数据赋予部304赋予了时刻数据的多个活动量数据，将取得的多个活动量数据基于波形信息进行分类，由此，学习基于人体106的姿势的组。
如果传感器部901由2ch的多普勒方式的电波传感器构成，则根据活动量数据的振幅，到人体106的距离发生变化，根据活动量数据的频率的变化，体动的快慢发生变化。因此，在该情况下，作为波形信息，采用振幅以及频率。
另外，如果传感器部901由fmcw方式的电波传感器构成，则根据活动量数据的振幅以及相位，到人体106的距离发生变化，根据活动量数据的相位的变化，体动的快慢发生变化。因此，在该情况下，作为波形信息，采用振幅以及相位。
另外，根据如仰面朝上、趴着和/或朝向侧面这样的人体106的姿势，体动的快慢发生变化，根据如正在就寝和/或正在起床这样的人体106的状态，体动的快慢发生变化。因此，通过基于波形信息对活动量数据进行分类，能够将活动量数据按人体106的姿势、状态和距离的组进行分类，能够学习人体106所取的每个姿势、状态和距离的组。
此外，在本实施方式中，数据分类部905使用在实施方式1中说明的机器学习来对组进行学习即可。
数据分类部905在检测生物体信息的变化的检测阶段，将由时刻数据赋予部304赋予了时刻数据的活动量数据基于波形信息分类到在学习阶段学习出的某个组。详细而言，数据分类部905通过对在学习阶段生成出的神经网络输入活动量数据来将活动量数据进行分类即可。
数据管理部906在学习阶段，根据由数据分类部905按组进行了分类的活动量数据，算出每组的活动量的代表值作为每组的基准值。在此，作为基准值，可以采用体动值、心率以及呼吸频率的各自的基准值。在活动量数据中，事先已知体动值、心率以及呼吸频率的频带，因而能够从各自的频带的值检测体动值、心率以及呼吸频率。因此，数据管理部906算出体动值、心率以及呼吸频率的各自的每组的平均值作为每组的体动值、心率以及呼吸频率的基准值即可。此外，数据管理部306也可以在检测阶段基于活动量数据的分类结果，更新基准值。
变化检测部907在检测阶段，根据由数据分类部905分类到某个组的活动量数据，算出人体106的包含体动值、呼吸频率以及心率的活动量，将算出的活动量与所对应的组的基准值进行比较，由此，检测人体106的活动量有无变化。而且，变化检测部907在检测出活动量的变化的情况下，生成表示活动量异常的报警信息。在此，假定基准值是人体106的平时的活动量，因此，变化检测部907在成为对象的活动量数据所示的活动量与基准值的差量为正负预定值以上时，判定为活动量有变化即可。
db部911存储分类参数911a、分类数据911b以及比较值算出参数911c。分类参数911a例如是在学习阶段通过学习活动量数据所获得的神经网络的权重系数。比较值算出参数911c是确定变化检测部907在进行变化检测时根据活动量数据检测的比较值的内容的参数。在本实施方式中，采用体动值、呼吸频率、心率作为比较值，因此，作为比较值算出参数911c，例如采用表示体动值、呼吸频率以及心率的各自的信息。或者，作为比较值算出参数911c，例如也可以采用体动值、呼吸频率以及心率的各自的活动量数据中的频带。
此外，在采用有监督机器学习的情况下，db部911也可以存储事先所确定的与成为分类对象的组有关的信息(表示姿势的信息(仰面朝上以及趴着等)、状态(正在就寝以及正在起床等)、距离)。
接着，使用图10～图12来说明信息处理部902a中的数据处理方法。图10是对学习阶段中的数据处理方法进行说明的图。图11是对检测阶段中的数据处理方法进行说明的图。图12是接着图11对检测阶段中的数据处理方法进行说明的图。
参照图10。当生物体信息感知装置被设置于现场时，信息处理部902a通过学习活动量数据从而生成分类参数911a。首先，时刻数据赋予部304针对感知部901a取得的活动量数据(1001)的每一个，赋予时刻数据(1002)。
接着，数据分类部905通过进行使用神经网络的机器学习，将被赋予了时刻数据的活动量数据(1003)按组进行分类，生成分类参数911a(1004)。
接下来，参照图11。学习阶段结束后，检测阶段开始。与学习阶段同样地，时刻数据赋予部304针对由感知部901a取得的活动量数据(1101)，赋予时刻数据(1002)。接着，与学习阶段同样地，数据分类部905通过将被赋予了时刻数据的活动量数据(1103)输入到在学习阶段生成的神经网络，将该活动量数据分类到在学习阶段分类出的某个组(1104)。由此，检测对象的活动量数据被基于波形信息进行了分类。分类后的活动量数据作为分类数据911b保存于db部911。
接下来，参照图12。变化检测部907从分类数据911b中读出成为检测对象的活动量数据，根据读出的活动量数据来检测比较值算出参数911c指定的比较值(1201)。在此，作为比较值，采用体动值、呼吸频率以及心率。因此，从读出的活动量数据提取体动值、呼吸频率以及心率。
接着，变化检测部907通过对从活动量数据检测出的体动值、呼吸频率以及心率、与和该活动量数据所被分类的组对应的基准值进行比较，检测人体106的活动量有无变化(1202)。在此，变化检测部307在检测出的体动值、呼吸频率以及心率与分别所对应的基准值的差量为正负预定值以上时，判定为活动量有变化。
在图12的例子中，分类数据911b被划分为第1～第n(n是大于等于1的整数)的n个组。因此，基准值也与第1组～第n组对应地存在n个。此外，在图12的例子中，作为基准值，图示了体动值、心率和呼吸频率中的某一个的基准值，但实际上含有体动值、心率以及呼吸频率的各自的基准值。
在本实施方式中，基准值采用了在学习阶段算出的值，但本公开不限定于此，也可以采用按组事先确定的值。或者，基准值也可以采用根据在从当前起向以前的一定期间被分类的活动量数据算出的值。
此外，在实施方式2中，除了将热图像数据变为活动量数据以外，流程图与图7相同，因此省去说明。
如上所述，在实施方式2中，根据活动量数据的波形信息，将活动量数据分类到包括姿势、状态以及距离的各组，对分类后的活动量数据的活动量与所对应的组的基准值进行比较，检测活动量的异常。因此，在实施方式2中，不论测定时取的人体106的姿势怎样，都能够高精度地检测人体106的活动量有无异常。另外，本技术方案以非接触方式测定生物体信息，因此既不会对人体106也不会对测定者产生负担，就能够检测活动量的异常。
此外，本公开涉及的信息处理装置可以采用如下的变形例。
(变形例1)
变化检测部307也可以基于对测定数据赋予的时刻数据，判定测定数据是否是在预定的时间段测定所得的测定数据，当是在预定的时间段测定所得的测定数据的情况下，执行检测变化的处理。在此，作为预定的时间段，采用人体106的活动量稳定的时间段，例如可以采用刚刚起床之后的一定时间、即将起床之前的一定时间、即将就寝之前的一定时间或者刚刚就寝之后的一定时间。
在该情况下，数据分类部305也可以仅对预定的时间段的测定出的测定数据进行分类。由此，基准值成为根据预定的时间段的测定数据算出的值，能够高精度地检测生物体信息的变化。
或者，数据分类部305也可以除了姿势、状态和/或距离之外，还将时间段也考虑在内，对测定数据进行分类。在该情况下，能够将根据时间段而不同的人体106的活动量考虑在内从而高精度地检测生物体信息的变化。
(变形例2)
图13是表示应用了本公开的变形例2涉及的信息处理装置的生物体信息感知装置的概要的图。在实施方式1中，如图1所示，感知装置101与空气调节机105分别(分体)地构成，而在变形例2中，如图13所示，感知装置101_b内置于空气调节机105b。在图13的例子中，感知装置101_b在空气调节机105b的前表面，以传感器面与人体106对置的方式配置。
在变形例2中，信息处理装置102例如既可以由云服务器构成，也可以由设置于本地(local)的服务器构成。
(变形例3)
图14是表示应用了本公开的变形例3涉及的信息处理装置的生物体信息感知装置的功能结构的图。在实施方式1中，信息处理部102a与感知部101a分别地构成，而在变形例3中，如图14所示，感知部101b以将图3所示的感知部101a和信息处理部102a合并的方式构成。在变形例3中，由感知部101b构成信息处理装置。
在变形例3中，由于合并了感知部101a和信息处理部102a，因此省去了图3中所存在的发送部302以及接收部303。此外，在变形例3中，感知部101b既可以由内置于空气调节机105的传感器单元(unit)构成，也可以由与空气调节机105分别设置的专用的传感器单元构成。
图15是表示应用了本公开的变形例3涉及的信息处理装置的生物体信息感知装置的连接结构的一例的图。感知装置101_b相当于图14所示的感知部101b。感知装置101_b经由gw104与信息表示装置103相连接。
(变形例4)
图16是表示应用了本公开的变形例4涉及的信息处理装置的生物体信息感知装置的功能结构的图。在实施方式1中，时刻数据赋予部304设置于信息处理部102a，而在变形例4中，时刻数据赋予部304设置于感知部101c。时刻数据赋予部304设置在传感器部301与发送部302之间。另一方面，信息处理部102c不具备时刻数据赋予部304。在变形例4中，由感知部101c进行赋予时刻数据的处理，因此，能够减轻信息处理部102c的处理负荷。在变形例4中，感知部101c由内置于空气调节机105的高性能传感器、或者与空气调节机105分别地构成的高性能传感器构成。
(变形例5)
图17是表示应用了本公开的变形例5涉及的信息处理装置的生物体信息感知装置的功能结构的图。在图17的例子中，信息处理部分成了信息处理部102d和信息处理部102e，信息处理部102d具备时刻数据赋予部304。
信息处理部102d例如由内置于空气调节机105的高性能传感器或者家用计算机构成。信息处理部102e例如由云服务器构成。信息处理部102d具备用于与感知部101d通信的接收部303d以及用于与信息处理部102e通信的发送部302d。信息处理部102e具备用于与信息处理部102d通信的接收部303。图18是表示应用了本公开的变形例5涉及的信息处理装置的生物体信息感知装置的连接结构的第一例的图。相当于信息处理部102d的信息处理装置102_d经由gw104与相当于信息处理部102e的信息处理装置102_e以及信息表示装置103相连接。另外，信息处理装置102_d与相当于感知部101d的感知装置101_d相连接。
图19是表示应用了本公开的变形例5涉及的信息处理装置的生物体信息感知装置的连接结构的第二例的图。在第二例中，感知装置101_d、信息处理装置102_d、信息处理装置102_e以及信息表示装置103分别经由gw104相连接。
(变形例6)
图20是表示应用了本公开的变形例6涉及的信息处理装置的生物体信息感知装置的连接结构的图。在变形例6中，gw104经由公共通信网801与信息处理装置102以及信息表示装置103相连接。此外，感知装置101与gw104相连接。
(变形例7)
图21是表示应用了本公开的变形例7涉及的信息处理装置的生物体信息感知装置的连接结构的图。变形例7是利用公共通信网801构成了变形例5涉及的生物体信息感知装置的例子。gw104经由公共通信网801与信息处理装置102_e和信息表示装置103相连接。感知装置101经由信息处理装置102_d与gw104相连接。
(变形例8)
图22是表示应用了本公开的变形例8涉及的信息处理装置的生物体信息感知装置的连接结构的图。变形例8是利用公共通信网801构成了变形例5涉及的生物体信息感知装置的例子。
gw104经由公共通信网801与信息处理装置102_e和信息表示装置103相连接。感知装置101和信息处理装置102_d分别经由局域网与gw104相连接。
(变形例9)
图23是表示应用了本公开的变形例9涉及的信息处理装置的生物体信息感知装置的概要的图。变形例9是将实施方式2涉及的生物体信息感知装置中的感知装置901_a配置于寝具107的下部的例子。当在寝具107的下部配置了感知装置901_a的情况下，也与实施方式2同样地，能够计测活动量数据。
(变形例10)
在实施方式2中，作为活动量，采用了体动值、心率以及呼吸频率，但也可以采用它们中的至少一个作为活动量。
(变形例11)
在实施方式1中，设为变化检测部307生成表示人体106的体温异常的报警信息进行了说明，但本公开不限定于此。例如，变化检测部307也可以将根据热图像数据算出的人体106的体温与基准值的差量生成作为比较结果，并将表示该差量的信息经由发送部308发送给信息表示部103a。
(变形例12)
在实施方式2中，设为变化检测部907生成表示人体106的活动量异常的报警信息进行了说明，但本公开不限定于此。变化检测部907也可以将根据活动量数据算出的人体106的活动量与基准值的差量生成作为比较结果，并将表示该差量的信息经由发送部308发送给信息表示部103a。活动量数据中包含有体动值、呼吸频率以及心率，因此，变化检测部907使关于体动值、呼吸频率以及心率的各自的对于基准值的差量包含于比较结果即可。
此外，变形例1～8能够应用于实施方式1、2。
产业上的可利用性
本公开的各实施方式涉及的信息处理装置以及方法能够非侵害地针对人体取得生物体信息，再者即使被测定者的姿势发生变化也能够适当地掌握生物体状态，由此，对于老年人护理中的日常的生物体信息记录以及变化的检测、与体动状态联动的空气调节机的控制是有用的。