JP7755251B2 - コンピュータプログラム、認知機能推定方法、学習モデルの生成方法及び情報処理装置 - Google Patents

Description

本発明は、対象者の認知機能を推定するためのコンピュータプログラム、認知機能推定方法、学習モデルの生成方法及び情報処理装置に関する。

近年、社会の高齢化が進み、高齢の単身者も増加している。年齢が高まるほど認知機能が低下する虞があるが、認知機能がどの程度であるかを一般人が判断することは難しく、特に高齢の単身者の場合には認知機能が低下しても気付かれにくい。従来、例えば医者又は専門家等が対象者に対して問診等を行うことで認知機能の評価が行われてきたが、対象者の協力を得る必要があり、また問診等を行った時点での認知機能しか評価できなかった。

特許文献１においては、ユーザの体動の測定結果に基づいてユーザの睡眠時間帯を日毎に特定し、ユーザにより使用される電気機器が電源オン状態であるか否かを判別し、特定された睡眠時間帯に電気機器が電源オン状態であると判別される日の発生頻度を消し忘れ頻度として算出し、算出した消し忘れ頻度に基づいてユーザが軽度認知症等を発症している可能性を判定する認知症情報出力システムが提案されている。

国際公開第２０１７／１９１６９７号

特許文献１に記載の認知症情報出力システムは、体動を測定するための機器を対象者の居室等に設置する必要があり、コスト及び設置作業等の問題で導入の敷居が高かった。また介護施設の居室のように対象者の移動範囲が一部屋等の狭い空間に限られている場合には体動の測定は可能であるが、例えば一戸建て住宅のように複数の部屋が含まれる場合には、測定装置が設置された部屋以外では対象者の体動を測定できず、全ての部屋に測定装置を設置するには更なるコストの増加が懸念される。

本発明は、斯かる事情に鑑みてなされたものであって、その目的とするところは、認知症の判断を行うシステムの導入容易化が期待できるコンピュータプログラム、認知機能推定方法、学習モデルの生成方法及び情報処理装置を提供することにある。

一実施形態に係るコンピュータプログラムは、施設内の電気機器毎に推定された使用状況情報を取得し、使用状況情報を入力した場合に、前記施設を使用する対象者の認知機能に関する認知機能情報を出力するよう機械学習がなされた学習モデルに、取得した使用状況情報を入力し、当該学習モデルが出力する認知機能情報を取得し、取得した前記認知機能情報を出力する処理をコンピュータに実行させる。

一実施形態による場合は、認知症の判断を行うシステムの導入容易化が期待できる。

実施の形態１に係る情報処理システムの概略を説明するための模式図である。 電気機器の使用状況及び認知機能の状態の調査結果の一例を示すグラフである。 電気機器の使用状況及び認知機能の状態の調査結果の一例を示すグラフである。 電気機器の使用状況及び認知機能の状態の調査結果の一例を示すグラフである。 本実施の形態に係るサーバ装置の構成を示すブロック図である。 実施の形態１に係る学習モデルの構成を説明するための模式図である。 対象者情報ＤＢの一例を示す模式図である。 電力情報ＤＢの一例を示す模式図である。 本実施の形態に係る端末装置の構成を示すブロック図である。 本実施の形態に係るサーバ装置が行う学習モデル生成処理の手順を示すフローチャートである。 本実施の形態に係るサーバ装置が行う認知機能の推定処理の手順を示すフローチャートである。 端末装置が表示する通知画面の一例を示す模式図である。 実施の形態２に係る学習モデルの構成を説明するための模式図である。 実施の形態３に係る学習モデルの構成を説明するための模式図である。

本発明の実施形態に係る情報処理システムの具体例を、以下に図面を参照しつつ説明する。なお、本発明はこれらの例示に限定されるものではなく、特許請求の範囲によって示され、特許請求の範囲と均等の意味及び範囲内でのすべての変更が含まれることが意図される。

＜システム概要＞
図１は、実施の形態１に係る情報処理システムの概略を説明するための模式図である。本実施の形態に係る情報処理システムは、例えば住宅又は介護施設の居室等の施設１０１に設置されたセンサ１が測定した電流、電圧又は電力等の値を含む電力情報を利用して、この施設１０１に住む人の認知機能を推定するシステムである。センサ１は、施設１０１の分電盤等に設置され、例えば１秒間に１回から数回程度の頻度で、施設１０１内で消費される電力等の測定を行う。センサ１は、例えば無線ＬＡＮ（Local Area Network）又は携帯電話通信網等を利用した無線通信の機能を備えている。センサ１は、施設１０１について測定した消費電力等の測定結果を電力情報としてサーバ装置３へ送信する。

サーバ装置３は、施設１０１のセンサ１から送信される電力情報を受信し、受信した電力情報をデータベース等に記憶して蓄積する。サーバ装置３は、センサ１から取得した電力情報に基づいて、施設１０１内に備えられた複数の電気機器、例えばテレビ（テレビジョン装置）、エアコン（エアコンディショナ）、電子レンジ、洗濯機及び照明器具等の種々の電気機器について、個別の消費電力及び使用時間等を推定する処理を行う。センサ１が測定する消費電力等は、施設１０１の全体での消費電力等であり、複数の電気機器での消費電力等の合計値である。サーバ装置３は、センサ１から取得した施設１０１全体での消費電力等の情報に基づいて、例えば消費電流の時間的な変化のパターン解析又は周波数成分の解析等を行うことにより、施設１０１内に備えられた各電気機器の個別の消費電力等を算出する。またサーバ装置３は、各電気機器が動作を開始した時点、動作が停止した時点、及び、動作していた時間等を算出する。なお、サーバ装置３が行う電気機器の個別の消費電力及び動作時間等の推定処理は、ＮＩＬＭ（Non-Instrusive Load Monitoring：機器分離推定技術、非侵襲型負荷モニタリング）と呼ばれる技術を用いたものである。ＮＩＬＭは既存の技術であるため、本実施の形態においては詳細な説明を省略する。

本実施の形態に係るサーバ装置３は、施設１０１のセンサ１から取得した電力情報からＮＩＬＭの技術を利用して推定した電気機器の個別の消費電力及び使用時間等の情報を利用し、この施設１０１に住む対象者の認知機能を推定する処理を行う。本願発明者は、施設１０１内における電気機器の消費電力又は使用時間等に基づいて、この施設１０１に住む人の行動を一定程度推定することが可能であり、人の行動に基づいて認知症等のリスクの度合いを推定することが可能であることを見出した。本願発明者は、施設１０１に設けられた電気機器の消費電力又は使用時間等と、この施設１０１に住む人の認知機能の程度との情報を収集し、収集したこれらの情報を用いて機械学習による学習モデル（いわゆるＡＩ（Artificial Intelligence））を生成した。本実施の形態に係るサーバ装置３は、生成された学習モデルを用いて、電気機器の消費電力又は使用時間等の情報に基づき、施設１０１に住む人の認知機能を推定する。

サーバ装置３は、機械学習済の学習モデルを用いて施設１０１に住む人の認知機能を推定し、推定結果をユーザ１０２の端末装置５へ送信する。ユーザ１０２は、例えば施設１０１に住む人、即ち認知機能の推定対象となる本人であってもよく、また例えば認知機能の推定対象となる人の配偶者、子供、親、孫、主治医又は介護人等の人、即ち認知機能の推定対象とは別の人であってもよい。端末装置５は、例えばスマートフォン、タブレット型端末装置又はパーソナルコンピュータ等の汎用的な情報処理装置が用いられ得る。サーバ装置３から認知機能の推定結果を受信した端末装置５は、推定結果の受信をユーザ１０２に通知し、対象者の認知機能の推定結果を表示する。

なお本実施の形態に係る情報処理システムは、学習モデルを生成する処理と、生成した学習モデルを用いて認知機能を推定する処理とを１つのサーバ装置３が行う構成であるが、これに限るものではない。例えば、学習モデルの生成処理を行うサーバ装置と、学習モデルを用いた推定処理を行うサーバ装置とが別に設けられていてもよい。また学習モデルを用いた推定処理を、端末装置５が行ってもよい。学習モデルを生成する処理を、端末装置５が行ってもよい。

学習モデルを生成する処理又は生成した学習モデルを用いて認知機能を推定する処理は、例えばパーソナルコンピュータ、スマートフォン、タブレット型端末装置、ゲーム機、ウェアラブルデバイス及びこれら以外の様々な情報処理装置で行われてよい。また学習モデルを生成する処理又は生成した学習モデルを用いて認知機能を推定する処理を行う情報処理装置は、他の装置との通信を行わない構成、いわゆるスタンドアロンの構成であってよい。スタンドアロンの情報処理装置でこれらの処理を行う場合、情報処理装置による施設１０１の電力情報の取得は、例えば記録媒体を介して行われてもよく、また例えば紙媒体等に印刷された情報をユーザが情報処理装置へ入力する作業が行われてもよい。

＜電気機器の使用状況と認知機能の状態との関係について＞
本願の発明者は、電気機器の使用状況と認知機能の状態とについての調査を行い、両者に関係があることを見出した。図２～図４は、電気機器の使用状況及び認知機能の状態の調査結果の一例を示すグラフである。

図示のグラフは、２０１９年からの数年間について、宮崎県延岡市に在住の健常者約８０名を対象に、電気機器の使用時間と対象者の認知機能の状態との関係を調査した結果である。調査の対象者が住む施設１０１に設置したセンサ１により取得した情報、例えば施設１０１の全体での消費電力量もしくは消費電流量等の電気量の情報、又は、これらの電気量の時間的な変化もしくは周波数成分等の情報を収集して蓄積した。蓄積したこれらの情報に対して、欠損値の補完及びフォーマット変換等の処理を施し、ＮＩＬＭの技術を用いた解析を行うことで、施設１０１内の電気機器毎の使用時間を推定している。

対象者の認知機能の状態は、ＭＭＳＥ－Ｊ（Mini-Mental State Examination-Japanese：ミニメンタルステート検査－日本版）及びＧＤＳ１５（Geriatric depression scale 15：老年期うつ病評価尺度）に基づき、国立循環器病研究センターにおいて判定がなされたものである。また参考用として、電話による認知機能スクリーニングであるＴＩＣＳ－Ｊ（Telephone Interview for Cognitive Status in Japanese）による認知機能検査を行い、その検査結果を得た。ＭＭＳＥ－Ｊ、ＧＤＳ１５及びＴＩＣＳ－Ｊに基づく認知機能の判定方法の詳細についての説明は省略する。本調査では、ＭＭＳＥ－Ｊによる３０点満点の判定において、２３点以下を認知障害の状態とし、２４点から２７点を軽度認知障害の状態とし、２８点以上を正常状態とした。またＧＤＳ１５を用いたうつ状態の判定においては、５点以上をうつ状態とした。

図２には、電気機器としてＩＨ（Induction Heating）調理器の使用時間と、対象者の認知症に関する判定結果との対応関係がグラフとして示されている。電気機器の使用時間は、春夏秋冬の季節毎の１日の平均使用時間を対象者毎に算出したものである。グラフには、認知症の判定結果毎に算出した電気機器の使用時間の平均値と、この平均値に対する信頼区間を示す高低線とが描かれている。図２のグラフに基づき、認知機能の低下に伴ってＩＨ調理器の使用時間が短くなる傾向があることが確認できる。

図３には、電気機器として電子レンジの使用時間と、対象者のうつの状態に関する判定結果との対応関係がグラフとして示されている。また図４には、電気機器としてテレビの使用時間と、対象者のうつの状態に関する判定結果との対応関係がグラフとして示されている。図３及び図４のグラフに基づき、うつ症状のある人は電子レンジ及びテレビの使用時間が短くなる傾向があることが確認できる。例えば電子レンジの使用については、うつ症状がある人は食欲及び活動量等が低下し、電子レンジの使用時間が短くなると推定される。

なお本実施の形態においては、ＩＨ調理器、電子レンジ及びテレビの３つの電気機器について、電気器の使用時間と対象者の認知機能の状態との関係の調査結果を示したが、これら以外の電気機器、例えばエアコン、照明器具、オーディオ機器、冷蔵庫及び炊飯器等においても、使用時間と認知機能の状態とに関連が伺えた。これらの結果から、施設１０１内の電気機器毎に推定された使用時間を取得し、取得した各電気機器の使用時間に基づいて、対象者の認知機能を推定することができる。また本実施の形態においては、施設１０１内における総合的な電力使用量又は個別機器の電力使用量ではなく、施設１０１内の個別又は複数の電気機器において推定された使用時間に基づいて対象者の認知機能を推定することができる。

また更に、認知機能と電気機器に対する使用時間の特徴とのそれぞれは、対象者の年齢、性別及び教育歴等の属性によって異なる。そこで、対象者の年齢、性別及び教育歴等の属性情報を取得して、認知機能の推定に対する入力情報として利用することで、推定精度を向上することが期待できる。例えば電気機器の使用時間に対して認知機能の状態を判定する判定基準を設ける場合に、対象者の属性情報に応じた判定基準を設けることができる。

＜装置構成＞
図５は、本実施の形態に係るサーバ装置３の構成を示すブロック図である。本実施の形態に係るサーバ装置３は、処理部３１、記憶部（ストレージ）３２及び通信部（トランシーバ）３３等を備えて構成されている。なお本実施の形態においては、１つのサーバ装置にて処理が行われるものとして説明を行うが、複数のサーバ装置が分散して処理を行ってもよい。

処理部３１は、ＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro-Processing Unit）又はＧＰＵ（Graphics Processing Unit）等の演算処理装置、ＲＯＭ（Read Only Memory）及びＲＡＭ（Random Access Memory）等を用いて構成されている。処理部３１は、記憶部３２に記憶されたサーバプログラム３２ａを読み出して実行することにより、施設１０１に設けられたセンサ１からの電力情報を収集する処理、収集した電力情報に基づいて施設１０１に備えられた電気機器の個別の消費電力及び使用時間等を推定する処理、推定した電気機器の使用時間に基づいて施設１０１に住む人の認知機能を推定する処理、並びに、認知機能の推定に用いられる学習モデルを生成する処理等の種々の処理を行う。

記憶部３２は、例えばハードディスク等の大容量の記憶装置を用いて構成されている。記憶部３２は、処理部３１が実行する各種のプログラム、及び、処理部３１の処理に必要な各種のデータを記憶する。本実施の形態において記憶部３２は、処理部３１が実行するサーバプログラム３２ａを記憶すると共に、学習モデルを生成する処理に用いられる訓練データを記憶する訓練データ記憶部３２ｂと、未学習の又は学習済の学習モデルに関する情報を記憶する学習モデル記憶部３２ｃと、認知機能を推定する対象者に関する情報を記憶する対象者情報ＤＢ（データベース）３２ｄと、施設１０１のセンサ１から収集した電力情報を記憶する電力情報ＤＢ３２ｅとが設けられている。

本実施の形態においてサーバプログラム（プログラム製品）３２ａは、メモリカード又は光ディスク等の記録媒体９９に記録された態様で提供され、サーバ装置３は記録媒体９９からサーバプログラム３２ａを読み出して記憶部３２に記憶する。ただし、サーバプログラム３２ａは、例えばサーバ装置３の製造段階において記憶部３２に書き込まれてもよい。また例えばサーバプログラム３２ａは、遠隔の他のサーバ装置等が配信するものをサーバ装置３が通信にて取得してもよい。例えばサーバプログラム３２ａは、記録媒体９９に記録されたものを書込装置が読み出してサーバ装置３の記憶部３２に書き込んでもよい。サーバプログラム３２ａは、ネットワークを介した配信の態様で提供されてもよく、記録媒体９９に記録された態様で提供されてもよい。

訓練データ記憶部３２ｂは、学習モデルの生成（学習）処理に用いる複数の訓練データを記憶する。訓練データは、例えば学習モデルに対する入力情報と出力情報とを対応付けたデータである。本実施の形態においては、電気機器の個別の使用時間及び認知機能推定の対象者の属性等の情報と、対象者の認知機能を示すラベルとを対応付けたデータを訓練データとして用いる。訓練データは、例えば本実施の形態に係る情報処理システムの設計者等により予め作成されて、サーバ装置３の記憶部３２の訓練データ記憶部３２ｂに記憶される。

学習モデル記憶部３２ｃは、対象者の認知機能を推定する学習モデルに関する情報を記憶する。学習モデル記憶部３２ｃに記憶される情報は、例えば学習モデルの構造に関する情報、及び、機械学習により決定されたパラメータ等の情報である。学習モデル記憶部３２ｃには、機械学習が完了した学習モデルの情報の他に、機械学習が行われる前の初期状態の学習モデル、又は、機械学習の途中経過として一時的に保存された学習モデル等が記憶され得る。

図６は、実施の形態１に係る学習モデルの構成を説明するための模式図である。本実施の形態に係る学習モデル７は、施設１０１のセンサ１が測定した電力情報に基づいてサーバ装置３が推定した個別の電気機器の使用時間と、認知機能を推定する対象者の属性情報とを入力として受け付け、対象者の認知機能の状態を出力するように機械学習がなされた学習モデル７である。学習モデル７は、例えばニューラルネットワーク、ディープニューラルネットワーク、ＳＶＭ（Support Vector Machine）、決定木、ランダムフォレスト又はロジスティック回帰等の種々の構成のモデルが採用され得る。また機械学習には、深層学習又はアンサンブル学習等が含まれ得る。

学習モデル７に入力する電気機器の使用時間には、例えば施設１０１のセンサ１から数か月間（１ヶ月間又は３ヶ月間等）にわたって収集した電力情報に基づいて、各電気機器について算出した使用時間の１日の平均値及び標準偏差値等の統計値が用いられ得る。例えば学習モデル７には、テレビの平均使用時間、エアコンの平均使用時間、電子レンジの平均使用時間…、のように、各電気機器の平均使用時間の数値が入力される。

なお本実施の形態においては、学習モデル７に対する入力データとして、使用時間の平均値及び標準偏差値等の統計値を用いているが、これに限るものではない。例えば学習モデル７に対して、電気機器の使用時間の時系列データが入力される構成であってもよい。この場合に学習モデル７は、例えばＲＮＮ（Recurrent Neural Network）、ＬＳＴＭ（Long Short Term Memory）、Seq2Seq（sequence to sequence）又はTransformer等の構成が採用されてもよい。

学習モデル７に入力する対象者の属性情報には、例えば対象者の年齢、性別及び教育歴等の情報が含まれ得る。教育歴は、例えば最終学歴（中学卒業、高校卒業、大学卒業等）とすることができる。

学習モデル７が出力する認知機能の状態には、例えば認知機能が低下していない正常状態と、認知機能が少し低下した軽度認知障害の状態と、更に認知機能が低下した認知障害の状態とが含まれ得る。学習モデル７は、対象者がこれら３つの状態のいずれに該当するかを分類する学習モデルであり、正常状態、軽度認知障害及び認知障害に対応する３つの値を出力する。学習モデル７の出力値は、対応する状態であることの確率（尤度、確信度等）を示す数値であり、３つの出力値の中で最大値に対応する状態を、対象者の認知機能の状態と推定することができる。

なお本実施の形態において学習モデル７は、正常状態と、軽度認知障害の状態と、認知障害の状態との３つの値を出力する構成としたが、これに限るものではない。学習モデル７は、２つの値を出力する構成であってよく、例えば正常状態と、軽度認知障害及び認知障害を含めた認知機能低下状態との２つの値を出力してもよい。また学習モデル７は、１つの値を出力する構成であってよく、例えば認知機能低下状態であるか否かを出力してもよい。また学習モデル７は、４つ以上の値を出力する構成であってよい。更に学習モデル７は、例えば認知機能低下状態の予測確率値、又は、認知機能の予測点数等の値を出力する構成であってよい。

また本実施の形態においてサーバ装置３は、例えば単身者用の学習モデル７及び夫婦世帯用の学習モデル７等のように、世帯構成別に複数の学習モデル７を学習モデル記憶部３２ｃに記憶している。これら複数の学習モデル７は、その構成、入力情報及び出力情報等は同じであるが、機械学習の際に用いられる訓練データが異なり、内部のパラメータが異なっている。サーバ装置３は、対象者の世帯構成に応じていずれか１つの学習モデル７を選択し、選択した学習モデル７に電気機器の使用時間及び対象者の属性情報の入力することで、学習モデル７が出力する認知機能の状態を取得する。

なお本実施の形態に係る学習モデル７は、入力情報として電気機器の使用時間と対象者の属性情報とを受け付ける構成としたが、これに限るものではなく、例えば学習モデル７は、電気機器の使用時間を入力として受け付け（対象者の属性情報は入力として受け付けず）、入力された使用時間に基づいて対象者の認知機能の状態を出力する構成であってもよい。また学習モデル７は、電気機器の使用時間及び対象者の属性情報以外の各種の情報の入力を更に受け付けて対象者の認知機能の状態を出力する構成であってもよい。また学習モデル７は、電気機器の使用時間に代えて、例えば電気機器の消費電力量又は消費電流量等が入力される構成であってもよく、消費電力量又は消費電流量等から推定される電気機器の使用回数などが入力される構成であってもよい。電気機器の使用状況情報には、電気機器の消費電力量又は消費電流量等の電気的な数値の測定値、又は、これらの測定値に基づいて推測される電気機器の使用時間又は使用回数等の推定値等の様々な情報が含まれ得る。これらの情報は、適宜に組み合わされて学習モデル７へ入力されてよい。

図７は、対象者情報ＤＢ３２ｄの一例を示す模式図である。本実施の形態に係るサーバ装置３の対象者情報ＤＢ３２ｄは、例えば「センサＩＤ」、「対象者ＩＤ」、「年齢」、「性別」、「教育歴」及び「世帯構成」等の情報を対応付けて記憶する。「センサＩＤ」は、施設１０１の分電盤等に設けられる各センサ１に対して一意に付された識別情報である。「対象者ＩＤ」は、認知機能の状態を推定する対象者に対して一意に付された識別情報であり、対象者の氏名等であってもよい。「年齢」は、対象者の年齢を示す数値の情報である。「性別」は、対象者の性別であり、「男」又は「女」が設定される。「教育歴」は、対象者の最終学歴であり、「高校」、「大学」又は「大学院」等の情報が設定される。「世帯構成」は、センサ１が設けられた施設１０１に住む人の人数を示す情報であり、例えば「単身（一人暮らし）」又は「夫婦（２人暮らし）」等の情報が設定される。対象者情報ＤＢ３２ｄに記憶される各情報は、例えば本実施の形態に係る情報処理システムが提供するサービスに対する利用の申し込みを受け付ける際に、対象者又は対象者の代理人等により入力される。

図８は、電力情報ＤＢ３２ｅの一例を示す模式図である。本実施の形態に係るサーバ装置３の電力情報ＤＢ３２ｅは、例えば「センサＩＤ」及び「年月日」と、複数の電気機器、例えば「テレビ」、「エアコン」、「電子レンジ」等についてそれぞれの「消費電力」及び「使用時間」とを対応付けて記憶する。「センサＩＤ」は、施設１０１の分電盤等に設けられる各センサ１に対して一意に付された識別情報であり、上述の対象者情報ＤＢ３２ｄに記憶されるセンサＩＤと同じものである。「年月日」は、センサ１が計測を行った年月日であり、例えば「2021/6/4」等の情報が設定される。各電気機器の「消費電力」は、センサ１からの電力情報に基づいてサーバ装置３が推定した、各電気機器の消費電力の１日分の合計値である。各電気機器の「使用時間」は、センサ１からの電力情報に基づいてサーバ装置３が推定した、各電気機器の使用時間の１日分の合計値である。

サーバ装置３の通信部３３は、携帯電話通信網、無線ＬＡＮ（Local Area Network）及びインターネット等を含むネットワークＮを介して、種々の装置との間で通信を行う。本実施の形態において通信部３３は、ネットワークＮを介して、センサ１及び端末装置５との間で通信を行う。通信部３３は、処理部３１から与えられたデータを他の装置へ送信すると共に、他の装置から受信したデータを処理部３１へ与える。

なお記憶部３２は、サーバ装置３に接続された外部記憶装置であってよい。またサーバ装置３は、複数のコンピュータを含んで構成されるマルチコンピュータであってよく、ソフトウェアによって仮想的に構築された仮想マシンであってもよい。またサーバ装置３は、上記の構成に限定されず、例えば可搬型の記憶媒体に記憶された情報を読み取る読取部、操作入力を受け付ける入力部、又は、画像を表示する表示部等を含んでもよい。

また本実施の形態に係るサーバ装置３には、記憶部３２に記憶されたサーバプログラム３２ａを処理部３１が読み出して実行することにより、学習モデル生成部３１ａ、使用時間推定部３１ｂ及び認知機能推定部３１ｃ等が、ソフトウェア的な機能部として処理部３１に実現される。なお本図においては、処理部３１の機能部として、学習モデル７の生成処理及び対象者の認知機能の推定処理に関する機能部を図示し、これ以外の処理に関する機能部は図示を省略している。

学習モデル生成部３１ａは、認知機能の推定を行う学習モデル７を生成する処理を行う。本実施の形態に係る学習モデル７は、図６に示すようにサーバ装置３が推定した電気機器の個別の使用時間と、推定の対象者の属性情報とを入力として受け付けて、この対象者の認知機能の状態を示す情報を出力する学習モデルである。学習モデル生成部３１ａは、予め作成された訓練データを訓練データ記憶部３２ｂから取得し、取得した訓練データを用いて所望の構成の学習モデル７を機械学習する処理を行うことによって、対象者の認知機能を推定する学習モデル７を生成する処理を行う。学習モデルの教師あり学習の処理は、既存の技術であるため詳細な説明は省略するが、学習モデル生成部３１ｄは、例えば勾配降下法、確率的勾配降下法又は誤差逆伝播法等の手法により学習モデル７の学習を行うことができる。

使用時間推定部３１ｂは、施設１０１のセンサ１から取得した電力情報に基づいて、施設１０１が備える各電気機器の使用時間を推定する処理を行う。センサ１が繰り返し送信する電力情報には、施設１０１が備える複数の電気機器について消費電力又は消費電流等が合算された測定結果が含まれている。使用時間推定部３１ｂは、センサ１からの電力情報を繰り返し受信して、受信した電力情報を電力情報ＤＢ３２ｅに記憶して蓄積する。使用時間推定部３１ｂは、電力情報ＤＢ３２ｅに蓄積された電力情報を読み出し、施設１０１に関して合算された消費電力又は消費電力等の時間的な増減パターン又は周波数領域での分布等に基づき、施設１０１が備える各電気機器について個別の消費電力又は消費電流等を推定する。また使用時間推定部３１ｂは、各電気機器の個別の消費電力又は消費電流等の時間的な変化に基づいて、各電気機器が動作していた（使用されていた）時間を推定する。使用時間推定部３１ｂが行う推定処理は、ＮＩＬＭの技術を用いて行われる。ＮＩＬＭは既存の技術であるため、本実施の形態においては詳細な説明を省略する。

認知機能推定部３１ｃは、学習モデル記憶部３２ｃに記憶された学習済の学習モデル７を用いて、対象者の認知機能を推定する処理を行う。認知機能推定部３１ｃは、使用時間推定部３１ｂが推定した施設１０１の各電気機器の使用時間を取得すると共に、この施設１０１に住む対象者の属性情報を対象者情報ＤＢ３２ｄから取得する。認知機能推定部３１ｃは、取得した各電気機器の使用時間と、施設１０１に住む対象者の属性情報とを学習モデル７へ入力し、学習モデル７が出力する認知機能の状態に関する情報を取得する。認知機能推定部３１ｃは、学習モデル７から取得した情報に基づいて、対象者が例えば正常状態、軽度認知障害の状態又は認知障害の状態のいずれであるかを推定する。学習モデル７がこれら３つの状態に対する尤度等を出力する構成である場合、認知機能推定部３１ｃは、最も高い尤度が与えられた状態を対象者の認知機能の状態であると推定することができる。認知機能推定部３１ｃは、認知機能の推定結果を、対象者又は対象者の家族等の端末装置５へ送信し、推定結果を通知する。

図９は、本実施の形態に係る端末装置５の構成を示すブロック図である。本実施の形態に係る端末装置５は、処理部５１、記憶部（ストレージ）５２、通信部（トランシーバ）５３、表示部（ディスプレイ）５４及び操作部５５等を備えて構成されている。端末装置５は、本実施の形態に係る情報処理システムが行う認知機能の推定の対象者又は対象者の家族等が使用する装置であり、例えばスマートフォン、タブレット型端末装置又はパーソナルコンピュータ等の情報処理装置を用いて構成され得る。

処理部５１は、ＣＰＵ又はＭＰＵ等の演算処理装置、ＲＯＭ及びＲＡＭ等を用いて構成されている。処理部５１は、記憶部５２に記憶されたプログラム５２ａを読み出して実行することにより、サーバ装置３から送信される情報を受信する処理、及び、受信した情報を表示してユーザ１０２に通知する処理等の種々の処理を行う。

記憶部５２は、例えばフラッシュメモリ等の不揮発性のメモリ素子を用いて構成されている。記憶部５２は、処理部５１が実行する各種のプログラム、及び、処理部５１の処理に必要な各種のデータを記憶する。本実施の形態において記憶部５２は、処理部５１が実行するプログラム５２ａを記憶している。本実施の形態においてプログラム（プログラム製品）５２ａは遠隔のサーバ装置等により配信され、これを端末装置５が通信にて取得し、記憶部５２に記憶する。ただしプログラム５２ａは、例えば端末装置５の製造段階において記憶部５２に書き込まれてもよい。例えばプログラム５２ａは、メモリカード又は光ディスク等の記録媒体９８に記録されたプログラム５２ａを端末装置５が読み出して記憶部５２に記憶してもよい。例えばプログラム５２ａは、記録媒体９８に記録されたものを書込装置が読み出して端末装置５の記憶部５２に書き込んでもよい。プログラム５２ａは、ネットワークを介した配信の態様で提供されてもよく、記録媒体９８に記録された態様で提供されてもよい。

通信部５３は、携帯電話通信網、無線ＬＡＮ及びインターネット等を含むネットワークＮを介して、種々の装置との間で通信を行う。本実施の形態において通信部５３は、ネットワークＮを介して、サーバ装置３等との間で通信を行う。通信部５３は、処理部５１から与えられたデータを他の装置へ送信すると共に、他の装置から受信したデータを処理部５１へ与える。

表示部５４は、液晶ディスプレイ等を用いて構成されており、処理部５１の処理に基づいて種々の画像及び文字等を表示する。操作部５５は、ユーザ１０２の操作を受け付け、受け付けた操作を処理部５１へ通知する。例えば操作部５５は、機械式のボタン又は表示部５４の表面に設けられたタッチパネル等の入力デバイスによりユーザ１０２の操作を受け付ける。また例えば操作部５５は、マウス及びキーボード等の入力デバイスであってよく、これらの入力デバイスは端末装置５に対して取り外すことが可能な構成であってもよい。

また本実施の形態に係る端末装置５は、記憶部５２に記憶されたプログラム５２ａを処理部５１が読み出して実行することにより、表示処理部５１ａ等がソフトウェア的な機能部として処理部５１に実現される。なおプログラム５２ａは、本実施の形態に係る情報処理システムに専用のプログラムであってもよく、インターネットブラウザ又はウェブブラウザ等の汎用のプログラムであってもよい。

表示処理部５１ａは、サーバ装置３から送信される対象者の認知機能の推定結果に関する情報を受信し、受信した情報を表示部５４に表示する処理を行う。また本実施の形態に係る情報処理システムでは、サーバ装置３は施設１０１に備えられた各電気機器の使用時間及び消費電力等の情報を端末装置５へ送信する処理をも行っている。表示処理部５１ａは、サーバ装置３から送信される電気機器の使用時間及び消費電力等の情報を受信し、受信した情報を表示部５４に表示する。本実施の形態に係る端末装置５の表示処理部５１ａは、サーバ装置３が推定した各電気機器の使用時間又は消費電力等の情報と、サーバ装置３が推定した対象者の認知機能の情報とを表示部５４に表示する。

＜学習モデルの生成処理＞
本実施の形態に係る情報処理システムでは、対象者の認知機能を推定する学習モデル７を生成する処理が、予めサーバ装置３にて行われる。本実施の形態に係るサーバ装置３が学習モデル７を生成するために行う処理は、いわゆる教師あり学習の機械学習の処理である。サーバ装置３は、学習モデル７の入力情報及び出力情報が対応付けられた複数の訓練データを用いて学習モデル７の教師あり学習の処理を行う。

本実施の形態に係る情報処理システムでは、複数の施設１０１に設けられた複数のセンサ１から得られる電力情報を収集して蓄積すると共に、施設１０１に住む人の認知機能の状態に関する情報を収集して蓄積する。センサ１から取得できる電力情報は、施設１０１に備えられた全ての電気機器での消費電力又は消費電流等の測定値である。本実施の形態に係る情報処理システムでは、センサ１から得られる電力情報から、ＮＩＬＭの技術を利用して施設１０１に備えられた各電気機器の個別の消費電力又は消費電流等が推定され、この推測結果かから例えば１日あたりの各電気機器の使用時間が推定される。

本実施の形態に係る情報処理システムでは、数ヶ月から数年に亘って収集された電力情報についてＮＩＬＭの技術により１日当たりの各電気機器の使用時間が推定され、例えば春（３月～５月）、夏（６月～８月）、秋（９月～１１月）及び冬（１２月～２月）の季節毎に各電気機器の使用時間の平均値及び標準偏差値等の統計値が算出される。本実施の形態においては、例えば１年分の季節毎の各電気機器の使用時間の平均値及び標準偏差値を、学習モデル７の訓練データの入力情報とする。

なお本実施の形態においては、学習モデル７の訓練データの入力情報として季節毎の電気機器の使用時間の平均値及び標準偏差値等の統計値を用いているが、これに限るものではない。入力情報として、例えば１ヶ月毎又は１日毎の電気機器の使用時間の統計値が用いられてもよく、また例えば電気機器の使用時間又は消費電力等の時系列データが用いられてもよく、これら以外の情報が用いられてもよい。

また本実施の形態に係る情報処理システムでは、学習モデル７の機械学習に用いられる訓練データには、上記の季節ごとの各電気機器の使用時間の平均値及び標準偏差値の他に、この施設１０１に住む人の属性情報が入力情報として含まれる。属性情報は、例えば年齢、性別及び教育歴とすることができる。

また本実施の形態においては、施設１０１に住む人の認知機能の状態を例えば年に１回から数回程度の頻度で医師等が診断した診断結果が収集される。本実施の形態において診断結果は、対象者が正常状態、軽度認知障害の状態及び認知障害の状態のいずれに該当するかが示された情報である。この診断結果が、学習モデル７の訓練データの出力情報、即ち入力情報に対する正解ラベルの情報となる。

このように、本実施の形態に係る情報処理システムにて学習モデル７の機械学習に用いられる訓練データは、施設１０１に備えられた各電気機器の１年分の季節毎の使用時間の平均値及び標準偏差値と、この施設１０１に住む人の属性情報とに対応付けて、この施設１０１に住む人の認知機能の状態を示すラベルを付したデータである。訓練データは、できるだけ多くの異なる施設１０１及び人に関するものが収集されることが好ましい。なおこれらの訓練データに必要な情報の収集、及び、収集した情報に基づく訓練データの作成は、例えばサーバ装置３が行ってもよく、サーバ装置３以外の装置が行ってもよく、システム設計者等が人手で行ってもよい。作成された訓練データは、サーバ装置３の訓練データ記憶部３２ｂに予め記憶される。なお、センサ１から得られる電力情報から各電気機器の使用時間の推定、及び、季節毎の各電気機器の使用時間の平均値及び標準偏差値の算出等の演算処理は、例えば学習モデル７の機械学習が行われる前の段階で予め行われてもよく、また例えば演算処理が行われていない電力情報が記憶され、機械学習処理を行う際に前処理として行われてもよい。

例えば、施設１０１に備えられる電気機器がテレビ、エアコン及び電子レンジの３種類であるとする。この場合の訓練データは、テレビに関する春の使用時間の平均値及び標準偏差値と、テレビに関する夏の使用時間の平均値及び標準偏差値と、テレビに関する秋の使用時間の平均値及び標準偏差値と、テレビに関する冬の使用時間の平均値及び標準偏差値と、エアコンに関する春の使用時間の平均値及び標準偏差値と、…、エアコンに関する冬の使用時間の平均値及び標準偏差値と、電子レンジの春の使用時間の平均値及び標準偏差値と、…、電子レンジの冬の使用時間の平均値及び標準偏差値と、施設１０１に住む人の年齢、性別及び教育歴の属性情報とに対して、この人が正常状態、軽度認知障害の状態及び認知障害の状態のいずれに該当するかを示す正解ラベルを対応付けたデータとなる。なお、上記の訓練データに対して、ＲＦＥ（Recursive Feature Elimination、再帰的特徴消去）の手法等を用いて情報量（特徴量、次元）の削減を行ってもよい。

また本実施の形態に係る情報処理システムでは、認知機能の状態を推定する対象者として、施設１０１に１人で住んでいる単身者及び２人で住んでいる夫婦世帯の人を扱い、それ以上の人数が一世帯に含まれる世帯は認知機能の状態の推定について対象外とする。このため本実施の形態に係る情報処理システムでは、単身者の対象者の認知機能の状態を推定する学習モデル７と、夫婦世帯の対象者の認知機能の状態を推定する学習モデル７との２つの学習モデル７を生成する。単身者の対象者の認知機能の状態を推定する学習モデル７は、単身者の施設１０１にて収集された情報に基づいて作成された訓練データを用いて機械学習が行われる。夫婦世帯の対象者の認知機能の状態を推定する学習モデル７は、夫婦世帯の施設１０１にて収集された情報に基づいて作成された訓練データを用いて機械学習が行われる。なお本実施の形態においては、単身者又は夫婦世帯のみを対象とするが、これに限るものではなく、これら以外の世帯（例えば夫婦及び子供の２世代、夫婦及び親の２世代、夫婦、子供及び親の３世代等の世帯）を対象としてもよく、この場合には対象となる世帯にて収集された情報に基づいて訓練データが作成され、学習モデル７の機械学習が行われる。

サーバ装置３は、予め作成された上記の訓練データを用いて機械学習を行うことにより、学習モデル７を生成する。図１０は、本実施の形態に係るサーバ装置３が行う学習モデル生成処理の手順を示すフローチャートである。本実施の形態に係るサーバ装置３の処理部３１の学習モデル生成部３１ａは、記憶部３２の訓練データ記憶部３２ｂに記憶された訓練データを読み出す（ステップＳ１）。学習モデル生成部３１ａは、読み出したデータに対して、必要に応じてデータの成形等の前処理を行う（ステップＳ２）。ステップＳ２では、例えば１日毎の電気機器の使用時間の情報を季節毎に集計する演算等が行われ得る。

学習モデル生成部３１ａは、複数の訓練データの中から一のデータを取得する（ステップＳ３）。学習モデル生成部３１ａは、取得したデータを用いた演算処理を実施し、学習モデルのパラメータの更新を行う（ステップＳ４）。なお学習モデル生成部３１ａは、ステップＳ３及びＳ４の処理について、複数のデータを用いて並列的に処理を行ってもよい。学習モデル生成部３１ａは、全ての訓練データについてステップＳ４の処理を終了したか否かを判定する（ステップＳ５）。全ての訓練データについて処理を終了していない場合（Ｓ５：ＮＯ）、学習モデル生成部３１ａは、ステップＳ３へ処理を戻し、別のデータを取得して処理を繰り返し行う。

全ての訓練データについて処理を終了した場合（Ｓ５：ＹＥＳ）、学習モデル生成部３１ａは、全ての訓練データを用いた学習モデルのパラメータ更新の処理を、所定回数行って終了したか否かを判定する（ステップＳ６）。なおステップＳ６にて判定に用いられる所定回数は、本システムの設計者等により予め定められる。所定回数の繰り返し処理を終了していない場合（Ｓ６：ＮＯ）、学習モデル生成部３１ａは、ステップＳ３へ処理を戻し、同じ訓練データを用いた学習モデル７のパラメータの更新処理を繰り返し行う。所定回数の繰り返し処理を終了した場合（Ｓ６：ＹＥＳ）、学習モデル生成部３１ａは、最終的に決定した学習モデル７のパラメータ等の情報を記憶部３２の学習モデル記憶部３２ｃに記憶して（ステップＳ７）、処理を終了する。

＜認知機能の推定処理＞
サーバ装置３は、上述の生成処理により生成した学習モデル７を用いて、施設１０１に住む対象者の認知機能の状態を推定する処理を行う。サーバ装置３は、施設１０１に設けられたセンサ１から周期的に送信される電力情報を受信し、受信した電力情報を電力情報ＤＢ３２ｅに記憶して蓄積する。サーバ装置３は、例えば所定周期が経過する毎（毎月又は毎季節等）に、また例えば端末装置５からの要求が与えられた場合に、対象者の認知機能の状態を推定する処理を行う。

認知機能の推定処理においてサーバ装置３は、まず前処理として、電力情報ＤＢ３２ｅに記憶された所定期間（例えば過去１年分）の電力情報を読み出して、季節毎の使用時間の平均値及び標準偏差値を算出する。またサーバ装置３は、対象者情報ＤＢ３２ｄに記憶された対象者の属性情報（年齢、性別、教育歴、世帯構成等）を読み出し、対象者の世帯構成が単身者又は夫婦世帯のいずれであるかを調べる。サーバ装置３は、世帯構成に応じた学習モデル７を記憶部３２の学習モデル記憶部３２ｃから読み出す。サーバ装置３は、対象者が住む施設１０１に備えられた各電気機器の季節毎の使用時間の平均値及び標準偏差値と、対象者の年齢、性別及び教育歴等の属性情報とを学習モデル７へ入力する。

学習モデル７は、各電気機器の季節毎の使用時間の平均値及び標準偏差値と、対象者の年齢、性別及び教育歴等の属性情報との入力を受け付けて、対象者の認知機能の状態の推定結果を出力する。本実施の形態において学習モデル７は、認知機能の状態の推定結果として、正常状態、軽度認知障害の状態及び認知障害の状態の各状態についての尤度（確率、確信度）の数値を出力する。サーバ装置３は、学習モデル７が出力する３つの尤度の数値を取得し、最も大きい数値に対応する認知機能の状態を、対象者の認知機能の状態の推定結果とする。

なお本実施の形態においては、学習モデル７が季節毎の電気機器の使用時間の平均値及び標準偏差値等の統計値を入力として受け付ける構成であるが、これに限るものではない。学習モデル７は、例えば１ヶ月毎又は１日毎の電気機器の使用時間の統計値を入力として受け付ける構成であってもよく、また例えば電気機器の使用時間又は消費電力等の時系列データを入力として受け付ける構成であってもよく、これら以外の情報を入力として受け付ける構成であってもよい。

図１１は、本実施の形態に係るサーバ装置３が行う認知機能の推定処理の手順を示すフローチャートである。本実施の形態に係るサーバ装置３の認知機能推定部３１ｃは、例えば所定期間が経過したタイミング又は端末装置から推定処理の実施要求を受信したタイミング等のように、対象者の認知機能の推定処理を実施するタイミングに至ったか否かを判定する（ステップＳ１１）。推定処理を実施するタイミングに至っていない場合（Ｓ１１：ＮＯ）、認知機能推定部３１ｃは、推定処理を実施するタイミングに至るまで待機する。

推定処理を実施するタイミングに至った場合（Ｓ１１：ＹＥＳ）、認知機能推定部３１ｃは、記憶部３２の電力情報ＤＢ３２ｅに記憶された電力情報を読み出す（ステップＳ１２）。また認知機能推定部３１ｃは、記憶部３２の対象者情報ＤＢ３２ｄに記憶された、認知機能推定の対象者に関する属性情報を読み出す（ステップＳ１３）。認知機能推定部３１ｃは、ステップＳ１２及びＳ１３にて読み出した情報に対して、必要に応じて適宜の前処理を行う（ステップ１４）ことで、学習モデル７へ入力する情報を生成する。

認知機能推定部３１ｃは、ステップＳ１４にて適宜の前処理が施された入力情報を、記憶部３２の学習モデル記憶部３２ｃに記憶された学習済の学習モデル７へ入力する（ステップＳ１５）。なおこのときに認知機能推定部３１ｃは、ステップＳ１３にて読み出した属性情報に基づいて対象者が単身者又は夫婦世帯のいずれであるかを調べ、対象者の属性に応じた学習モデル７を選択して情報を入力する。認知機能推定部３１ｃは、情報の入力に対して学習モデル７が出力する出力値を取得する。認知機能推定部３１ｃは、学習モデル７から取得した複数の出力値の中から最大値がいずれであるかを調べることによって、対象者の認知機能の状態が正常状態、軽度認知障害の状態又は認知障害の状態のいずれであるかを推定する（ステップＳ１７）。認知機能推定部３１ｃは、ステップＳ１７の推定結果を含む情報を端末装置５へ送信し（ステップＳ１８）、端末装置５に推定結果を表示させて、処理を終了する。

サーバ装置３は、対象者の認知機能の状態の推定結果を、対象者に対して予め定められたユーザ１０２（対象者本人又は対象者の家族等）の端末装置５へ送信する。なお本実施の形態に係る情報処理システムでは、施設１０１に備えられた電気機器の使用時間に関する情報と、施設１０１に住む対象者の認知機能の推定結果に関する情報とがユーザ１０２に対して提供される。このため本実施の形態においてサーバ装置３は、施設１０１のセンサ１から取得した電力情報に基づいて推定した各電気機器の使用時間と、施設１０１に住む対象者の認知機能の推定結果とを端末装置５へ送信する。ただし情報処理システムは、ユーザ１０２に対して対象者の認知機能の推定結果に関する情報を提供し、電気機器の使用時間に関する情報を提供しない構成であってもよい。

端末装置５は、サーバ装置３から送信された情報を受信して、受信した情報を表示部５４に表示することで、電気機器の使用時間及び対象者の認知機能の推定結果等をユーザ１０２に通知する。図１２は、端末装置５が表示する通知画面の一例を示す模式図である。端末装置５が表示する通知画面には、例えば画面の最上部に「ユーザＡＡＡＡ様」等の文字列が表示されることで、ユーザのＩＤ又はユーザの名前等が表示される。本例の通知画面には、このユーザ名の下方に、電化製品の使用時間に関する情報を表示する使用時間表示領域１１１、及び、対象者の認知機能の推定結果を表示する認知機能表示領域１１２が設けられている。

端末装置５は、通知画面の使用時間表示領域１１１に、例えば「２０２１年３月～５月 １日の電化製品別の使用時間」等のタイトル文字列と、施設１０１に備えられた各電気機器の使用時間のグラフとを表示する。図示の通知画面において、端末装置５は、テレビ、エアコン、電子レンジ、照明器具及び洗濯機等の電気機器の名前に対応付けて、使用時間を示す横方向に延びた棒グラフでそれぞれ使用時間を示している。端末装置５は、サーバ装置３から受信した情報に基づいて、タイトル文字列に表示する年月日等を決定し、各電気機器に対応する棒グラフの画像等を生成して、図示の通知画面を表示部５４に表示する。

端末装置５は、通知画面の認知機能表示領域１１２に、例えば「電化製品の使用状況から推定した認知機能の状態」等のタイトル文字列と、「軽度認知障害の可能性があります」等の認知機能の推定結果を示す文字列とを表示する。端末装置５は、予め定められた文字列をタイトル文字列として表示する。また端末装置５は、サーバ装置３から受信した情報に基づいて、認知機能の推定結果として表示する文字列を決定する。例えば端末装置は、認知機能の推定結果が正常状態である場合、「認知機能は正常です」等の文字列を表示することができる。また例えば端末装置５は、認知機能の推定結果が認知障害の状態である場合、「認知障害の可能性があります」等の文字列を表示することができる。

＜まとめ＞
以上の構成の本実施の形態に係る情報処理システムでは、施設１０１内の電気機器毎に推定された使用時間等の使用状況情報をサーバ装置３が取得する。使用状況情報を入力した場合に施設１０１を使用する対象者の認知機能に関する認知機能情報を出力するよう機械学習がなされた学習モデル７に対して、サーバ装置３は、取得した使用状況情報を入力し、学習モデル７が出力する認知機能情報を取得する。サーバ装置３は、学習モデル７から取得した認知機能情報を端末装置５へ送信することにより、端末装置５に対象者の認知機能情報を表示させる。これによりサーバ装置３は、施設１０１内の電気機器の使用状況に基づいて対象者の認知機能を推定することができる。各電気機器の使用時間等は、施設１０１の分電盤等にセンサ１を設置することで取得できる消費電力又は消費電流等の電力情報を基に、ＮＩＬＭの技術で推定することができる。センサ１は、施設１０１の分電盤等に設置するのみでよいため、本実施の形態に係る情報処理システムによる認知機能の推定サービスの導入が容易である。更には、既に電気機器毎の使用状況を通知するサービスを利用している施設１０１では、既にセンサ１が設置済みである可能性が高く、このセンサ１を認知機能の推定に流用することができるため、認知機能の推定サービスの導入は更に容易である。

なお本実施の形態に係る情報処理システムは、施設１０１の分電盤等にセンサ１を設置して電力情報の収集を行う構成としたが、これに限るものではない。例えば同様の情報を取得することができるスマートメータ等の装置が施設１０１に設置されている場合、これらの装置からサーバ装置３が電力情報を取得してもよい。また本実施の形態に係る情報処理システムでは、電気機器毎の使用時間の平均値及び標準偏差値を使用状況情報として用いて学習モデル７へ入力しているが、これに限るものではなく、例えば電気機器毎の消費電力量又は消費電流量等の平均値又は標準偏差値等を使用状況情報として学習モデル７へ入力する構成であってもよく、電気機器毎の使用回数の平均値及び標準偏差値等を使用状況情報として入力する構成であってもよい。

また本実施の形態に係る学習モデル７は、施設１０１の電気機器の使用状況情報と共に、施設１０１を使用する対象者の年齢、性別及び教育歴の属性情報の入力を受け付けて、対象者の認知機能情報を出力する。対象者の年齢、性別及び教育歴等の情報は、認知機能に与える影響が大きいため、これらの情報を用いることで、学習モデル７はより精度よく対象者の認知機能を推定することができる。なお本実施の形態に係る学習モデル７は、年齢、性別及び教育歴の３つの情報を対象者の属性情報の入力として受け付けているが、これに限るものではなく、例えば学習モデル７は年齢、性別又は教育歴のいずれか１つ又は２つの情報を属性情報の入力として受け付けてもよく、また例えば学習モデル７は、年齢、性別及び教育歴以外の情報を属性情報の入力として受け付けてもよい。

また本実施の形態に係る学習モデル７は、対象者の認知機能に関して正常状態、軽度認知障害の状態又は認知障害の状態のいずれであるかを分類した情報を認知機能情報として出力する。これによりサーバ装置３は、学習モデル７が出力する分類結果を取得して、対象者の認知機能の状態がいずれであるかを容易に判断することができる。なお本実施の形態に係る学習モデル７は、正常状態、軽度認知障害の状態又は認知障害の状態の３つの状態を分類するものとしたが、これに限るものではない。学習モデル７は、例えば正常状態又は軽度認知障害の状態の２つの状態を分類するものであってもよく、また例えば正常状態又は認知障害の状態の２つの状態を分類するものであってよく、また例えば上記の３つの状態に別の状態を更に含む４つ以上の状態を分類するものであってよい。サーバ装置３は、例えば正常状態又は認知障害の２つの状態を分類する学習モデル７を利用して認知症であるか否かを推定し、認知障害の状態であると推定された対象者について軽度認知障害又はそれより重い認知障害の２つの状態を分類する学習モデル７を利用して認知障害の程度を推定してもよい。

また本実施の形態に係る情報処理システムでは、サーバ装置３による電気機器の使用時間の推定結果及び認知機能の状態の推定結果を端末装置５へ送信し、これを受信した端末装置５が電気機器の使用時間と対象者の認知機能の状態とを表示部５４に表示する。これにより端末装置５を使用するユーザ１０２は、施設１０１の各電気機器の使用時間と、施設１０１を使用する対象者の認知機能の状態とを容易に確認することができる。端末装置５が電気機器の使用時間と対象者の認知機能の状態とを共に表示することによって、ユーザ１０２は認知機能の状態の推定結果と電気機器の使用時間との対応関係を推測することができる。

また本実施の形態に係る情報処理システムでは、対象者が単身者又は夫婦世帯のいずれであるかの属性情報に応じて学習モデル７が個別に生成され、サーバ装置３は対象者が単身者又は夫婦世帯のいずれであるかに応じて複数の学習モデル７から１つを選択し、選択した学習モデル７を用いて対象者の認知機能の状態を推定する処理を行う。住宅等の施設１０１では、この施設に対象者が１人で住んでいるか、２人又はで住んでいるか、３人以上で住んでいるかで電気機器の使用時間が大きく異なることが予測されるため、単身者又は夫婦世帯に応じて個別に学習モデル７を生成しておくことで、学習モデル７を用いた推定の精度を向上することが期待できる。ただし、学習モデル７に対して単身者又は夫婦世帯のいずれであるかを対象者の属性情報として入力する構成としてもよい。また単身者及び夫婦世帯以外の世帯構成、例えば３人家族、４人家族等についても個別に学習モデル７を生成して認知機能の状態を推定することができる。

なお本実施の形態に係る情報処理システムは、予め機械学習がなされた学習モデル７を利用して対象者の認知機能の状態を推定する構成としたが、これに限るものではない。情報処理システムは、学習モデル７を利用するのではなく、予め定められたルール（例えば１日のテレビの使用時間がＸ時間以上、エアコンの使用時間がＹ時間以上、電子レンジの使用時間がＺ時間以下…等）に合致するか否かに応じて、対象者の認知機能の状態を推定する構成であってもよい。

＜実施の形態２＞
実施の形態２に係る情報処理システムは、対象者のうつの状態を推定する処理を行う。図１３は、実施の形態２に係る学習モデル２０７の構成を説明するための模式図である。実施の形態２に係る情報処理システムでは、電気機器の使用時間と、対象者の属性情報とを入力として受け付け、対象者のうつの状態を出力する学習モデル２０７がサーバ装置３により生成され、サーバ装置３による対象者のうつ状態の推定処理に用いられる。実施の形態２に係る学習モデル２０７へ入力される情報は、実施の形態１に係る学習モデル７へ入力される情報と同じものであってよい。実施の形態２に係る学習モデル２０７が出力する情報は、例えば対象者がうつ状態であるか否かを分類する情報であり、うつ状態であることの尤度及び正常状態である（うつ状態でない）ことの尤度とすることができる。

実施の形態２に係る情報処理システムでは、施設１０１に住む人のうつの状態を例えば年に１回から数回程度の頻度で医師等が診断した診断結果が収集される。本実施の形態において診断結果は、対象者がうつ状態であるか否かを示す情報である。この診断結果が、学習モデル２０７の出力情報に相当するものとして、入力情報に対応する正解ラベルとして付されることにより、学習モデル２０７を機械学習により生成するための訓練データが作成される。サーバ装置３は、予め作成された訓練データを用いた機械学習を行うことによって学習モデル２０７を生成し、生成した学習モデル２０７を学習モデル記憶部３２ｃに記憶する。

サーバ装置３は、施設１０１のセンサ１から取得した電力情報に基づいて各電気機器の使用時間を推定し、この推定結果と施設１０１に住む対象者の属性情報とを学習モデル２０７へ入力する。サーバ装置３は、学習モデル２０７が出力する情報を取得して対象者がうつ状態であるか否かを推定し、推定結果を端末装置５へ送信する。端末装置５は、サーバ装置３からの情報を受信して、対象者のうつの状態の推定結果を表示部５４に表示する。このときに、サーバ装置３はうつ状態の推定結果と共に、電気機器の使用時間に関する情報を端末装置５へ送信し、端末装置５がうつ状態の推定結果と共に電気機器の使用時間に関する情報を表示してよい。

以上の構成の実施の形態２に係る情報処理システムでは、施設１０１内の電気機器毎に推定された使用時間等の使用状況情報と、施設１０１を使用する対象者の属性情報との入力を学習モデル２０７が受け付けて、対象者のうつの状態の推定結果を学習モデル２０７が出力する。これによりサーバ装置３は、学習モデル２０７を利用して、施設１０１内の電気機器の使用状況に基づいて対象者のうつの状態を推定することができる。

なおサーバ装置３は、認知機能の状態を推定する実施の形態１に係る学習モデル７と、うつの状態を推定する実施の形態２に係る学習モデル２０７とを共に用いて、対象者の認知機能の状態及びうつの状態を推定する処理を行ってよい。また、使用状況情報及び属性情報の入力に対して、対象者の認知機能の状態及びうつの状態の両方を認知機能情報として出力する学習モデルを生成してもよい。学習モデルが出力する認知機能情報は、正常状態、軽度認知障害及び認知障害の３つの状態の分類結果、又は、うつの状態であるか否かの分類結果に限らず、例えば認知機能の程度を示す数値情報など、これら以外の種々の情報であってよい。

また、実施の形態２に係る情報処理システムのその他の構成は、実施の形態１に係る情報処理システムと同様であるため、同様の箇所には同じ符号を付し、詳細な説明を省略する。

＜実施の形態３＞
実施の形態３に係る情報処理システムは、電気機器の使用時間及び対象者の属性情報の時系列的な変化に基づいて、この対象者の将来の認知機能の状態を推定する。図１４は、実施の形態３に係る学習モデル３０７の構成を説明するための模式図である。実施の形態３に係る学習モデル３０７は、ｎ個（ｎ＝１，２，３…）の時系列的な情報の入力を順に受け付けて、対象者の将来の認知機能の状態を推定する。学習モデル３０７には、例えば時点Ｔ１の情報、時点Ｔ２の情報、…、時点Ｔｎの情報が、時系列順に入力される。

学習モデル３０７へ入力される各時点の情報には、施設１０１の各電気機器の使用時間、及び、施設１０１に住む対象者の属性情報等が含まれる。ただし、学習モデル３０７へ入力される各時点の情報には、対象者の属性情報が含まれていなくてもよい。

学習モデル３０７が出力する将来の認知機能の状態は、例えば時点Ｔ１～Ｔｎの情報が入力される場合に、時点Ｔｎ＋１の対象者の認知機能の状態である（又は、時点Ｔ２～Ｔｎ＋１の対象者の認知機能の状態である）。なお学習モデル３０７は、将来の認知機能の状態に加えて、将来の電気機器の使用時間及び対象者の属性情報を出力してもよい。

例えば、学習モデル３０７に対して２０２０年春の情報、２０２０年夏の情報、２０２０年秋の情報、２０２０年冬の情報が順に入力される場合、学習モデル３０７は２０２１年春の対象者の認知機能の状態を推定して出力する。又は、学習モデル３０７は、２０２０年春の情報、２０２０年夏の情報、２０２０年秋の情報、２０２０年冬の情報が順に入力される場合、２０２０年夏の推定結果、２０２０年秋の推定結果、２０２０年冬の推定結果、２０２１年春の推定結果を出力してもよい。なお、学習モデル３０７へ入力される時系列情報は、季節周期の情報でなくてよく、例えば１年周期、１ヶ月周期、１週間周期又は１日周期等の様々な時系列情報であってよい。学習モデル３０７は、入力された時系列情報に対して、次の周期における情報を推定して出力するように機械学習がなされた学習モデルである。

実施の形態３に係る学習モデル３０７は、例えばＲＮＮ（Recurrent Neural Network）、ＬＳＴＭ（Long Short Term Memory）、Seq2Seq（sequence to sequence）又はTransformer等の時系列情報を扱う学習モデルの構成が採用され得る。学習モデル３０７は、予め収集された時系列の情報を用いて、ある時点の情報を入力とし、次の時点の情報を正解ラベルとして訓練データを作成し、作成した訓練データを用いた教師ありの機械学習を行うことで生成される。

実施の形態３に係るサーバ装置３は、施設１０１に設けられたセンサ１から取得した電力情報に基づいて電気機器の使用時間を推定し、推定した電気機器の使用時間の情報を記憶しておくと共に、季節毎又は１ヶ月毎等の所定期間での使用時間を集計して記憶しておく。サーバ装置３は、例えば季節毎又は１ヶ月毎等の所定周期で、最新の電気機器の使用時間及び対象者の属性情報を含む入力情報と、過去所定回数分の入力情報とを取得して、実施の形態３に係る学習モデル３０７へ時系列順に入力する。サーバ装置３は、学習モデル３０７が最終的に出力する認知機能の状態の推定結果を、対象者の将来の認知機能の状態の推定結果として取得する。

サーバ装置３は、学習モデル３０７を用いて推定した将来の認知機能の状態に関する情報を、過去の認知機能の状態に関する情報と共に端末装置５へ送信する。これらの情報を受信した端末装置５は、例えば対象者の認知機能の状態の時系列的な変化を、グラフ等にて示した画像を表示部５４に表示することができる。また例えばサーバ装置３は、将来の認知機能の状態が現時点の状態より悪化することが推定される場合、その旨を通知する情報を端末装置５へ送信し、ユーザに対する通知を行う。

以上の構成の実施の形態３に係る情報処理システムでは、サーバ装置３が施設１０１の各電気機器の使用時間及び対象者の属性情報を含む時系列の入力情報を学習モデル３０７へ入力し、学習モデル３０７が出力する対象者の将来の認知機能の状態の推定結果を取得する。これにより実施の形態３に係る情報処理システムは、対象者の将来の認知機能の状態を推定することが期待できる。

なお実施の形態３においては、学習モデル３０７が将来の認知機能の状態を推定する構成としたが、これに限るものではなく、将来のうつの状態を推定する構成としてもよい。また学習モデル３０７は、将来の認知機能の状態ではなく、現在の認知機能の状態を出力する構成であってもよい。即ち、時点Ｔ１～時点Ｔｎまでの入力情報に対して、学習モデル３０７が、時点Ｔｎの認知機能の状態を出力してもよい。

また実施の形態３に係る情報処理システムでは、電気機器の使用時間及び対象者の属性情報を一組の入力情報として学習モデル３０７へ入力する構成としたが、これに限るものではない。学習モデル３０７へ入力する時系列の情報は、例えば電気機器の使用時間のみであってよく、また例えば使用時間及び属性情報以外の情報が含まれていてもよい。

また、実施の形態３に係る情報処理システムのその他の構成は、実施の形態１，２に係る情報処理システムと同様であるため、同様の箇所には同じ符号を付し、詳細な説明を省略する。

今回開示された実施形態はすべての点で例示であって、制限的なものではないと考えられるべきである。本発明の範囲は、上記した意味ではなく、特許請求の範囲によって示され、特許請求の範囲と均等の意味及び範囲内でのすべての変更が含まれることが意図される。

１ センサ
３ サーバ装置
５ 端末装置
７ 学習モデル
３１ 処理部
３１ａ 学習モデル生成部
３１ｂ 使用時間推定部
３１ｃ 認知機能推定部
３２ 記憶部
３２ａ サーバプログラム
３２ｂ 訓練データ記憶部
３２ｃ 学習モデル記憶部
３２ｄ 対象者情報ＤＢ
３２ｅ 電力情報ＤＢ
３３ 通信部
５１ 処理部
５１ａ 表示処理部
５２ 記憶部
５２ａ プログラム
５３ 通信部
５４ 表示部
５５ 操作部
９８，９９ 記録媒体
１０１ 施設
１０２ ユーザ
１１１ 使用時間表示領域
１１２ 認知機能表示領域
２０７ 学習モデル
３０７ 学習モデル
Ｎ ネットワーク

Claims (14)

1. 施設内の電気機器毎に推定された使用状況情報を取得し、
   施設内の電気機器毎に推定された使用状況情報を入力した場合に、前記施設を使用する対象者の認知機能に関する認知機能情報を出力するよう機械学習がなされ、且つ、前記対象者の世帯構成に応じて別に機械学習がなされた複数の学習モデルの中から、前記取得した使用状況情報に係る対象者の世帯構成に応じて一の学習モデルを選択し、
   選択した前記学習モデルに、前記取得した使用状況情報を入力し、当該学習モデルが出力する認知機能情報を取得し、
   取得した前記認知機能情報を出力する
   処理をコンピュータに実行させるコンピュータプログラム。
2. 前記使用状況情報は、各電気機器の消費電力又は消費電流から推定される各電気機器の使用時間である、
   請求項１に記載のコンピュータプログラム。
3. 前記学習モデルは、前記使用状況情報と、対象者の年齢、性別又は教育歴とを入力情報として受け付け、当該入力情報に応じた対象者の認知機能情報を出力する、
   請求項１又は請求項２に記載のコンピュータプログラム。
4. 前記学習モデルが出力する認知機能情報は、対象者が認知機能に関して正常状態、軽度認知障害又は認知障害のいずれであるかを分類した情報である、
   請求項１から請求項３までのいずれか１つに記載のコンピュータプログラム。
5. 前記学習モデルが出力する認知機能情報は、対象者がうつ状態であるか否かを分類した情報である、
   請求項１から請求項３までのいずれか１つに記載のコンピュータプログラム。
6. 前記学習モデルは、時系列的な前記使用状況情報の入力を受け付けて、時系列的な前記認知機能情報を出力する、
   請求項１から請求項５までのいずれか１つに記載のコンピュータプログラム。
7. 前記使用状況情報と前記認知機能情報とを端末装置の表示部に表示する処理を行う
   請求項１から請求項６までのいずれか１つに記載のコンピュータプログラム。
8. 期間に関する情報と、前記期間について推定された電気機器毎の使用時間に関する情報と、前記期間について推定された対象者の認知機能に関する情報とを対応付けた表示用の情報を出力する、
   請求項１から請求項７までのいずれか１つに記載のコンピュータプログラム。
9. 前記複数の学習モデルには、単身者世帯に応じた学習モデルと、夫婦世帯に応じた学習モデルとを含む、
   請求項１から請求項８までのいずれか１つに記載のコンピュータプログラム。
10. 施設内の電気機器毎に推定された使用状況情報と、前記施設を使用する対象者の認知機能に関する認知機能情報とが対応付けられ、且つ、前記対象者の世帯構成に応じて作成された複数種類の訓練データを取得し、
    取得した前記複数種類の訓練データを用いて世帯構成に応じて別に機械学習を行うことにより、施設内の電気機器毎に推定された使用状況情報を入力した場合に対象者の認知機能情報を出力する、世帯構成に応じた複数の学習モデルを生成する、
    処理をコンピュータに実行させるコンピュータプログラム。
11. 施設内の電気機器毎に推定された使用状況情報を取得し、
    施設内の電気機器毎に推定された使用状況情報を入力した場合に、前記施設を使用する対象者の認知機能に関する認知機能情報を出力するよう機械学習がなされ、且つ、前記対象者の世帯構成に応じて別に機械学習がなされた複数の学習モデルの中から、前記取得した使用状況情報に係る対象者の世帯構成に応じて一の学習モデルを選択し、
    選択した前記学習モデルに、前記取得した使用状況情報を入力し、当該学習モデルが出力する認知機能情報を取得し、
    取得した前記認知機能情報を基に、対象者の認知機能を推定する
    認知機能推定方法。
12. 施設内の電気機器毎に推定された使用状況情報と、前記施設を使用する対象者の認知機能に関する認知機能情報とが対応付けられ、且つ、前記対象者の世帯構成に応じて作成された複数種類の訓練データを取得し、
    取得した前記複数種類の訓練データを用いれ世帯構成に応じて別に機械学習を行うことにより、施設内の電気機器毎に推定された使用状況情報を入力した場合に対象者の認知機能情報を出力する、世帯構成に応じた複数の学習モデルを生成する、
    学習モデルの生成方法。
13. 施設内の電気機器毎に推定された使用状況情報を取得する使用状況情報取得部と、
    施設内の電気機器毎に推定された使用状況情報を入力した場合に、前記施設を使用する対象者の認知機能に関する認知機能情報を出力するよう機械学習がなされ、且つ、前記対象者の世帯構成に応じて別に機械学習がなされた複数の学習モデルの中から、前記取得した使用状況情報に係る対象者の世帯構成に応じて一の学習モデルを選択し、選択した前記学習モデルに、前記使用状況情報取得部が取得した使用状況情報を入力し、当該学習モデルが出力する認知機能情報を取得する認知機能情報取得部と、
    取得した前記認知機能情報を基に、対象者の認知機能を推定する推定部と
    を備える情報処理装置。
14. 施設内の電気機器毎に推定された使用状況情報と、前記施設を使用する対象者の認知機能に関する認知機能情報とが対応付けられ、且つ、前記対象者の世帯構成に応じて作成された複数種類の訓練データを取得する取得部と、
    取得した前記複数種類の訓練データを用いて世帯構成に応じて別に機械学習を行うことにより、施設内の電気機器毎に推定された使用状況情報を入力した場合に対象者の認知機能情報を出力する、世帯構成に応じた複数の学習モデルを生成する生成部と
    を備える情報処理装置。