学习装置、学习方法以及测定装置与流程

1.本发明涉及学习装置、学习方法以及测定装置。


背景技术：

2.近年来，开发了取得被试验者的生命数据的各种装置。例如，在专利文献1中，公开了使用设置于移动体的座椅和方向盘的电极来测量被试验者的心电波形的技术。根据该技术，能够降低伴随心电波形取得的被试验者的负担。
3.专利文献1：日本特开2009-142575号公报
4.但是，在专利文献1所记载的技术中，由于移动体的振动、被试验者的身体运动等而容易产生噪声，存在心电波形的取得精度降低的可能性。


技术实现要素：

5.因此，本发明是鉴于上述问题而完成的，本发明的目的在于提供一种能够更有效地取得噪声的影响小的生命数据的技术。
6.为了解决上述课题，根据本发明的一个观点，提供一种学习装置，上述学习装置具备学习部，该学习部将通过第一方式从被试验者取得的第一传感器数据作为学习数据，使用基于第二传感器数据的训练数据，进行表示上述被试验者的生命体征的生命数据的输出所涉及的学习，上述第二传感器数据是通过噪声的影响比上述第一方式小的第二方式，在与上述第一传感器数据的取得期间相同的期间从上述被试验者取得的数据。
7.另外，为了解决上述课题，根据本发明的其他观点，提供一种学习方法，上述学习方法包括：将通过第一方式从被试验者取得的第一传感器数据作为学习数据，使用基于第二传感器数据的训练数据，进行表示上述被试验者的生命体征的生命数据的输出所涉及的学习，上述第二传感器数据是通过噪声的影响比上述第一方式小的第二方式，在与上述第一传感器数据的取得期间相同的期间从上述被试验者取得的数据。
8.另外，为了解决上述课题，根据本发明的其他观点，提供一种测定装置，上述测定装置具备测定部，上述测定部将通过第一方式从被试验者取得的第一传感器数据作为输入，将表示上述被试验者的生命体征的生命数据输出，上述测定部使用学习完毕模型，来输出上述生命数据，上述学习完毕模型通过将上述第一传感器数据作为学习数据，使用基于第二传感器数据的训练数据，进行了上述生命数据的输出所涉及的学习而得到，上述第二传感器数据是通过噪声的影响比上述第一方式小的第二方式，在与上述第一传感器数据的取得期间相同的期间从上述被试验者取得的数据。
9.如以上说明的那样，根据本发明，提供能够更有效地取得噪声的影响小的生命数据的技术。
附图说明
10.图1是表示本发明的一个实施方式所涉及的学习装置10的功能结构例的图。
11.图2是表示本实施方式所涉及的测定装置20的功能结构例的图。
12.图3是表示一个周期中的一般的心电波形的例子的图。
13.图4是表示本发明的一个实施方式所涉及的学习数据以及训练数据的一个例子的图。
14.图5是表示本实施方式所涉及的测定部220的输入输出的一个例子的图。
15.图6是表示本实施方式所涉及的测定部220的输入输出的一个例子的图。
16.图7是表示本实施方式所涉及的学习阶段的流程的流程图。
17.图8是表示本实施方式所涉及的测定阶段的流程的流程图。
具体实施方式
18.以下，参照附图对本发明的优选实施方式详细地进行说明。此外，在本说明书及附图中，对实质上具有相同的功能结构的构成要素标注相同的附图标记，由此省略重复说明。
19.＜构成例＞
20.(学习装置10)
21.本实施方式所涉及的学习装置10可以是进行将通过不同的两个方式在相同的期间取得的同一种传感器数据作为输入的有监督学习的装置。这里，有监督学习是指将输入数据(学习数据)和针对该输入数据的正解数据(训练数据)的组提供给计算机，使计算机学习两者的对应的方法。图1是表示本实施方式所涉及的学习装置10的功能结构例的图。如图1所示，本实施方式所涉及的学习装置10可以具备学习部110及存储部120。此外，以下，将学习装置10进行表示被试验者的生命体征的生命数据的输出所涉及的学习的情况作为一个例子进行说明。
22.本实施方式所涉及的学习部110的特征之一在于，将通过第一方式从被试验者取得的第一传感器数据作为学习数据，将通过噪声的影响比第一方式小的第二方式，在与第一传感器数据的取得期间相同的期间从该被试验者取得的第二传感器数据作为训练数据，进行生命数据的输出所涉及的学习。根据上述结构，通过学习包含较多噪声的第一传感器数据和噪声的影响较小的第二传感器数据的对应关系，从而能够生成学习完毕模型，该学习完毕模型输出从第一传感器数据除去了噪声的生命数据。
23.本实施方式所涉及的学习部110可以使用能够实现有监督学习的任意的机器学习方法来进行上述那样的学习。学习部110例如使用神经网络、svm(support vector machine：支持向量机)等算法进行学习。
24.学习部110的功能例如由gpu(graphics processing unit：图形处理器)等处理器实现。关于本实施方式所涉及的学习部110所具有功能的详细内容，另外详细地进行说明。
25.本实施方式所涉及的存储部120存储学习装置10的动作所涉及的各种信息。存储部120例如存储用于学习部110的学习的第一传感器数据及第二传感器数据、各种参数等。
26.以上，对本实施方式所涉及的学习装置10的功能结构例进行了叙述。此外，使用图1说明的上述结构只是一个例子，本实施方式所涉及的学习装置10的结构并不限定于该例。本实施方式所涉及的学习装置10例如也可以还具备接受操作者进行的操作的操作部、用于输出各种数据的输出部等。本实施方式所涉及的学习装置10的结构能够根据规格、运用而灵活地变形。
27.接着，对本实施方式所涉及的测定装置20的功能结构例进行叙述。本实施方式所涉及的测定装置20可以是使用学习装置10构建的学习完毕模型，实施生命数据的测定的装置。图2是表示本实施方式所涉及的测定装置20的功能结构例的图。如图2所示，本实施方式所涉及的测定装置20可以具备取得部210以及测定部220。
28.本实施方式所涉及的取得部210是用于从被试验者取得第一传感器数据的结构。因此，本实施方式所涉及的取得部210具备与取得的第一传感器数据的特性相应的各种传感器。
29.本实施方式所涉及的测定部220将取得部210取得的第一传感器数据作为输入，输出表示被试验者的生命体征的生命数据。此时，本实施方式所涉及的测定部220使用通过基于学习部110的学习而构建的学习完毕模型来进行生命数据的输出。即，本实施方式所涉及的测定部220的特征之一在于，使用学习完毕模型，来输出生命数据，学习完毕模型通过将第一传感器数据作为学习数据，使用基于第二传感器数据的训练数据，进行了生命数据的输出所涉及的学习而得到，第二传感器数据是通过噪声的影响比第一方式小的第二方式，在与第一传感器数据相同的期间从被试验者取得的数据。
30.根据上述结构，仅使用假设混入了噪声的第一传感器数据，就能够获得除去了该噪声的影响的高精度的生命数据。此外，本实施方式所涉及的测定部220的功能由各种处理器实现。
31.以上，对本实施方式所涉及的测定装置20的功能结构例进行了叙述。此外，使用图2说明的上述结构只是一个例子，本实施方式所涉及的测定装置20的功能结构并不限定于该例。本实施方式所涉及的测定装置20也可以还具备操作部或输出部、进行生命数据的分析的分析部、基于分析结果进行各种通知的通知部等。本实施方式所涉及的测定装置20的结构能够根据作为测定对象的生命数据的特性、生命数据的活用用途等灵活地变形。
32.＜详细内容＞
33.接下来，举出具体例对本实施方式所涉及的传感器数据进行说明。近年来，开发了取得各种类别的传感器数据的装置。另外，即使在取得同一种传感器数据的情况下，有时也存在多个方式。这里，假设取得由于被试验者的心脏的活动而产生的电压的变化作为心电波形的情况。
34.作为取得心电波形的方式，可列举在被试验者的皮肤直接佩戴多个电极，通过该多个电极记录电压的变化的例如12导联心电图等方式。根据该方式，能够获得噪声的影响小的高精度的心电波形。另一方面，该方式大多限制被试验者的行为，另外，由于在皮肤直接佩戴电极，因此有时使被试验者感到麻烦。
35.另外，作为取得心电波形的其他方式，可列举在预计与被试验者接触的多个部位设置电极，记录在被试验者与多个该电极接触时获得的电压的变化的方式。这样的方式例如在想要取得进行装置的操作的被试验者的心电波形的情况等下使用。作为一个例子，公知有在预计驾驶车辆等移动体的驾驶员在驾驶中接触的方向盘或驾驶座的座位等配置电极，取得该驾驶员的心电图的技术。根据该技术，由于不需要将电极直接贴附于驾驶员的皮肤，因此能够不使驾驶员意识到地取得心电波形。另一方面，在该情况下，由于伴随驾驶行为的驾驶员的身体运动、车辆的振动等而容易产生噪声，存在取得的心电波形的精度降低的可能性。
36.这样，用于取得传感器数据的多个方式分别具有优点，而也存在所取得的传感器数据的精度产生差异的情况。因此，需要一种有效地利用某种方式所具有的优点，并且同时提高传感器数据的取得精度的技术。
37.为了解决上述问题，本实施方式所涉及的学习部110将通过第一方式获得的第一传感器数据作为学习数据，并使用基于通过噪声的影响比第一方式小的第二方式，在与第一传感器数据相同的期间取得的第二传感器数据的训练数据而进行学习。由此，能够构建仅从第一传感器数据输出噪声的影响小的高精度的生命数据的学习完毕模型。
38.以下，将本实施方式所涉及的生命数据是心脏的活动所涉及的数据的情况作为一个例子进行说明。在该情况下，学习部110可以将通过第一方式取得的第一心电波形作为学习数据，并使用基于通过第二方式在与第一心电波形相同的期间取得的第二心电波形的训练数据，而学习被试验者的被检查的心脏的活动所涉及的数据的输出。
39.在该情况下，上述的第一方式可以是使用预计与被试验者接触的至少两个电极取得心电波形的方式，上述的第二方式可以是使用直接佩戴于被试验者的皮肤的至少两个电极取得心电波形的方式。
40.例如，在被试验者是驾驶车辆等移动体的驾驶员的情况下，在上述的第一方式中使用的两个电极可以设置于被试验者就座的座位和被试验者操作的被操作装置(例如，方向盘)。
41.根据上述那样的结构，能够保持不会使驾驶员感到麻烦等第一方式所具有的优点，并且取得排除了因驾驶员的身体运动、车辆的振动等而产生的噪声的高精度的数据。
42.此外，本实施方式所涉及的学习部110可以将第二心电波形其本身作为训练数据，进行从第一心电波形除去了噪声而得的第三心电波形的输出所涉及的学习。在该情况下，通过根据目的而分析第三心电波形，能够获得各种生理指标。
43.另一方面，在预先确定了想要从心电波形获得的生理指标的情况下，也能够使学习部110学习与该整理指标相应的规定特征点。这里，对一般的心电波形中的特征点(特征波形)进行说明。
44.图3是表示一个周期中的一般的心电波形的例子的图。此外，在图3中，横轴表示时间的经过，纵轴表示电压的变化。如图3所示，在一般的心电波形中，可以观察表示特征的形状的多个特征波形。作为特征波形的一个例子，可列举p波、q波、r波、s波、qrs波(由q波、r波以及s波形成)t波、以及u波等。
45.其中，例如，r波作为心率变动(波动)的指标是重要的特征波形。某一周期中的r波与下一周期中的r波的间隔(rri：r-r interval)用于计算心率的周期。另外，还公知rri由于压力或疲劳而产生波动，在检测被试验者的身体负担、心理负担时也是有效的生理指标。另外，例如，一个周期中的q波与t波的间隔亦即qti(q-t interval)表示从心室的兴奋开始到兴奋消退为止的时间，是对心率失常的检测等重要的生理指标。
46.由此，本实施方式所涉及的学习部110也可以将从第二心电波形获得的表示第二心电波形中的特征点的存在概率的存在概率数据作为训练数据，而进行表示第一心电波形中的上述规定特征点的存在概率的存在概率数据的输出所涉及的学习。
47.本实施方式所涉及的学习部110例如也可以将表示第二心电波形中的r波的存在概率的存在概率数据作为训练数据，而进行表示第一心电波形中的r波的存在概率的存在
概率数据的输出所涉及的学习。
48.根据上述那样的学习，例如，能够构建高精度地检测r波等任意特征点的学习完毕模型。另外，通过使用该学习完毕模型，从而能够实时地测定被试验者的rri等生理指标。
49.这样，本实施方式所涉及的学习部110可以使用与搭载有学习完毕模型的测定装置20的利用用途相应的训练数据来进行学习。
50.图4是表示本实施方式所涉及的学习数据及训练数据的一个例子的图。图4的上部表示作为学习数据使用的第一传感器数据(第一心电波形)。另外，图4的中部表示作为训练数据a使用的在与第一传感器数据相同的期间取得的第二传感器数据(第二心电波形)。另外，图4的下部表示作为训练数据b使用的基于上述第二传感器数据生成的r波的存在概率数据。此外，在图4中，各数据中的r波(r波峰值)的位置由虚线表示。
51.如图4所示，通过第一方式取得的第一传感器数据包含较多噪声，在该状态下，有时不能顺畅地检测到r波。此时，通过使用噪声的影响小的第二传感器数据作为训练数据a，从而能够使学习部110学习第一传感器数据与第二传感器数据的对应关系。
52.本实施方式所涉及的测定部220通过使用通过上述那样的学习而构建的学习完毕模型，从而如图5所示，能够将第一传感器数据作为输入，将排除了噪声的第三传感器数据(第三心电波形)输出。由此，通过对输出的第三传感器数据进行任意的加工或分析，从而能够高精度地获得被试验者所涉及的各种生理指标。
53.另一方面，在使用如图4所示的存在概率数据作为训练数据b的情况下，能够使学习部110直接学习第一传感器数据与任意特征点的对应关系。
54.在该情况下，如图6所示，本实施方式所涉及的测定部220能够将第一传感器数据作为输入，输出例如r波等规定特征点所涉及的存在概率数据。由此，例如，能够实时地测定rri等生理指标，进行与测定值相应的各种动作等。此外，在图4及图5中，例示了存在概率数据采取0(不存在)或者1(存在)这两个值的情况，但本实施方式所涉及的存在概率数据也可以采取3个值以上。
55.＜学习阶段以及测定阶段的流程＞
56.接下来，对使用本实施方式所涉及的学习装置10进行学习的学习阶段、以及使用测定装置20进行测定的测定阶段的流程进行说明。图7是表示本实施方式所涉及的学习阶段的流程的流程图。
57.如图7所示，在本实施方式所涉及的学习阶段中，首先，进行第一传感器数据以及第二传感器数据的取得(s102)。此时，第一传感器数据以及第二传感器数据可以与时间戳等信息一起取得，以便能够在时间轴上同步。另外，第一传感器数据以及第二传感器数据也可以由与学习装置10不同的装置取得。所取得的第一传感器数据以及第二传感器数据存储于学习装置10的存储部120。
58.接下来，根据需要而进行第一传感器数据以及第二传感器数据的加工(s104)。例如，在作为训练数据，而使用规定特征点所涉及的存在概率数据的情况下，在步骤s104中，可以进行将在步骤s102中取得的第二传感器数据转换为存在概率数据的处理。另外，也可以进行用于降低第一传感器数据、第二传感器数据中包含的噪声的各种滤波处理等。此外，上述那样的加工也可以通过与学习装置10不同的装置来执行。
59.接下来，学习部110将第一传感器数据作为学习数据，并使用基于第二传感器数据
的训练数据进行学习(s106)。此时，学习部110可以使用第二传感器数据其本身(或者实施了滤波处理的第二传感器数据)作为训练数据，也可以使用在步骤s104中生成的存在概率数据作为训练数据。
60.以上，对本实施方式所涉及的学习阶段的流程进行了说明。接着，对本实施方式所涉及的测定阶段的流程进行说明。图8是表示本实施方式所涉及的测定阶段的流程的流程图。
61.如图8所示，在本实施方式所涉及的测定阶段中，首先，取得部210通过第一方式取得第一传感器数据(s202)。取得部210例如可以通过配置于车辆的方向盘和座位的多个电极来取得驾驶员的心电波形作为第一传感器数据。
62.接下来，测定部220将在步骤s202中取得的第一传感器数据输入到学习完毕模型，进行生命数据的输出(s204)。在学习阶段中将第二传感器数据作为训练数据进行了学习的情况下，上述生命数据可以是从第一传感器数据除去了噪声而得的第三传感器数据。另一方面，在学习阶段中将存在概率数据作为训练数据进行了学习的情况下，上述生命数据可以是表示任意特征点的存在概率的存在概率数据。
63.接下来，根据需要，执行基于在步骤s204中输出的生命数据的各种动作(s206)。上述动作例如可以是基于从生命数据检测到的rri的通知等。上述动作也可以通过与测定装置20不同的装置来执行。
64.＜补充＞
65.以上，参照附图对本发明的优选实施方式详细地进行了说明，但本发明并不限定于该例。如果是本领域技术人员，则能够在权利要求书中记载的技术思想的范畴内想到各种变更例或修正例，这些当然也应理解为属于本发明的技术范围。
66.例如，在上述实施方式中，以学习部110进行表示被试验者的生命体征的生命数据的输出所涉及的学习的情况为主要例子进行了叙述。另一方面，基于学习部110的学习的对象并不限定于生命数据的输出。学习部110例如也能够进行表示任意装置的运转状况的数据等的输出所涉及的学习。
67.另外，在上述实施方式中，作为取得心电波形的第一方式，举出了在预计被试验者接触的部位配置电极的方式为例，作为第二方式，举出了将电极直接佩戴于被试验者的皮肤的方式为例。另一方面，本技术中的第一方式及第二方式也可以是受噪声的影响的程度存在差异的任意的不同方式。例如，在取得心率的情况下，第一方式也可以是使用多普勒传感器的非接触方式，第二方式也可以是在被试验者的皮肤佩戴电极的接触方式。
68.另外，在本发明书中说明的各装置进行的一系列的处理也可以使用软件、硬件、以及软件和硬件的组合中的任一个来实现。构成软件的程序例如预先存储于设置在各装置的内部或外部的记录介质(非临时介质：non-transitory media)。而且，各程序例如在由计算机执行时被读入ram，并由cpu等处理器执行。上述记录介质例如是磁盘、光盘、磁光盘、闪存等。另外，上述的计算机程序也可以不使用记录介质，而例如经由网络进行分发。
69.附图标记说明
70.10
…
学习装置；110
…
学习部；120
…
存储部；20
…
测定装置；210
…
取得部；220
…
测定部。