JP7742726B2 - 設備制御装置、設備制御システム、設備制御方法及びプログラム - Google Patents

Description

本開示は、設備制御装置、設備制御システム、設備制御方法及びプログラムに関する。

対象エリアに存在する人に関する情報に基づいて、その対象エリアに設置された設備機器を制御する技術が知られている。例えば、特許文献１は、ドップラーセンサを用いて呼吸、心拍、体動等の生体状態を取得し、取得された生体状態に基づいて空調手段を制御する空気調和機を開示している。

特開２０１１－１５８８７号公報

上記のような人に関する情報に基づいて設備機器を制御する技術において、人の状態に応じて的確に設備機器を制御することにより、対象エリアに存在する人の集中力を向上させて、物事により集中して取り組むことが可能な環境を提供することが求められている。

本開示は、上記のような問題点を解決するためになされたものであり、対象エリアに存在する人の集中力を向上させることが可能な設備制御装置等を提供することを目的とする。

上記目的を達成するために、本開示に係る設備制御装置の第１の態様は、
対象エリアに設置された設備機器を制御する設備制御装置であって、
前記対象エリア内の複数の個別エリアのそれぞれに存在する人の生体情報を取得する取得手段と、
学習対象の生体情報と、対応する集中度と、の間の関係を学習することにより生成された学習済みモデルに基づいて、前記取得手段により取得された前記生体情報から、前記複数の個別エリアのそれぞれに存在する前記人の集中度を推定する推定手段と、
前記推定手段により推定された前記集中度に基づいて、前記複数の個別エリアのそれぞれに設置された設備機器を制御する設備制御手段と、
前記複数の個別エリアのそれぞれに存在する人の集中度の、前記推定手段による推定結果と、前記複数の個別エリアのそれぞれに設置された設備機器の制御状態とを、個別エリア毎に関連付けて出力する出力手段と、を備える。
上記目的を達成するために、本開示に係る設備制御装置の第２の態様は、
対象エリアに設置された設備機器を制御する設備制御装置であって、
前記対象エリアに存在する人の生体情報を取得する取得手段と、
学習対象の生体情報と、対応する集中度と、の間の関係を学習することにより生成された学習済みモデルに基づいて、前記取得手段により取得された前記生体情報から、前記対象エリアに存在する前記人の集中度を推定する推定手段と、
前記推定手段により推定された前記集中度に基づいて、前記設備機器を制御する設備制御手段と、を備え、
前記設備制御手段は、前記推定手段により推定された前記集中度が、第１の状態から、前記第１の状態よりも前記集中度が低い第２の状態に変化した場合と、前記推定手段により推定された前記集中度が前記第２の状態にある時間が閾時間よりも長く継続した場合と、前記推定手段により推定された前記集中度が前記第１の状態にある時間が閾時間よりも長く継続した場合と、のそれぞれにおいて、前記対象エリアに存在する前記人を刺激する刺激運転を前記設備機器に実行させる。

本開示では、設備制御装置が、学習対象の生体情報と、対応する集中度と、の間の関係を学習することにより生成された学習済みモデルに基づいて、対象エリアに存在する人の生体情報からその人の集中度を推定し、推定された集中度に基づいて、対象エリアに設置された設備機器を制御する。従って、本開示によれば、対象エリアに存在する人の集中力を向上させることができる。

実施の形態１に係る設備制御システムの全体構成を示す図 実施の形態１に係る学習装置のハードウェア構成を示すブロック図 実施の形態１に係る学習装置の機能的な構成を示すブロック図 実施の形態１に係る学習用データの例を示す図 実施の形態１における集中度と生体情報との関連性を示す図 実施の形態１における教師あり学習の例であるニューラルネットワークを模式的に示す図 実施の形態１に係る学習装置により実行される学習済みモデルの生成処理の流れを示すフローチャート 実施の形態１に係る設備制御装置のハードウェア構成を示すブロック図 実施の形態１に係る設備制御装置の機能的な構成を示すブロック図 実施の形態１における集中状態の遷移の例を示す図 実施の形態１に係る設備制御装置により実行される設備制御処理の流れを示すフローチャート 図１１に示した設備制御処理のうちの制御内容決定処理の流れを示すフローチャート 実施の形態２に係る設備制御装置の機能的な構成を示すブロック図 実施の形態２に係る学習済みモデルの構成を示す図 実施の形態３に係る設備制御システムの全体構成を示す図 実施の形態３に係る設備制御装置により推定された集中度の出力例を示す図 実施の形態３の変形例に係る設備制御システムの全体構成を示す図

以下、実施の形態について、図面を参照しながら詳細に説明する。なお、図中同一又は相当部分には同一符号を付す。

（実施の形態１）
図１に、実施の形態１に設備制御システム１の全体構成を示す。設備制御システム１は、対象エリア５に存在する人の集中度を推定し、推定結果に基づいて設備機器４０を制御するシステムである。設備制御システム１は、学習装置１０と、センサ装置２０と、設備制御装置３０と、設備機器４０と、を備える。

対象エリア５は、例えば、シェアオフィス、ワーキングスペース、自習室、書斎、勉強部屋等のような、人が仕事、作業、勉強等を行う空間である。対象エリア５には、センサ装置２０と設備機器４０とが設置されている。設備機器４０は、対象エリア５に設置された機器である。設備機器４０は、例えば、空調機の室内機、換気装置、照明機器等のような、対象エリア５に存在する人の集中力に影響を及ぼす機器である。

＜学習フェーズ＞
学習装置１０は、人の生体情報と集中度との関係を学習する装置である。学習装置１０は、パーソナルコンピュータ、サーバ、タブレット等の情報処理装置により実現される。学習装置１０は、図２に示すように、制御部１１と、記憶部１２と、操作受付部１３と、表示部１４と、通信部１５と、を備える。

制御部１１は、ＣＰＵ（Central Processing Unit）、ＲＯＭ（Read Only Memory）及びＲＡＭ（Random Access Memory）を備える。ＣＰＵは、中央処理装置、中央演算装置、プロセッサ、マイクロプロセッサ、マイクロコンピュータ等とも呼び、学習装置１０の制御に係る処理及び演算を実行する中央演算処理部として機能する。制御部１１において、ＣＰＵは、ＲＯＭに格納されているプログラム及びデータを読み出し、ＲＡＭをワークエリアとして用いて、学習装置１０を統括制御する。

記憶部１２は、フラッシュメモリ、ＥＰＲＯＭ（Erasable Programmable ROM）、ＥＥＰＲＯＭ（Electrically Erasable Programmable ROM）等の不揮発性の半導体メモリを備えており、いわゆる二次記憶装置又は補助記憶装置としての役割を担う。記憶部１２は、制御部１１が各種処理を行うために使用するプログラム及びデータを記憶する。また、制御部１１が各種処理を行うことにより生成又は取得するデータを記憶する。

操作受付部１３は、キーボード、マウス、スイッチ、タッチパッド、タッチパネル等の入力デバイスを備えており、ユーザから操作を受け付ける。ユーザは、操作受付部１３を操作することによって、様々な指示を学習装置１０に入力することができる。操作受付部１３は、ユーザから入力された操作指示を受け付けると、受け付けた操作指示を制御部１１に送信する。

表示部１４は、ＬＣＤ（Liquid Crystal Display）パネル、有機ＥＬ（Electro-Luminescence）等の表示デバイスを備える。表示部１４は、図示しない表示駆動回路によって駆動され、制御部１１による制御のもとで様々な画像を表示する。

通信部１５は、学習装置１０が外部の装置と通信するための通信インタフェースを備える。例えば、通信部１５は、外部の装置との間で、ＬＡＮ（Local Area Network）、ＵＳＢ（Universal Serial Bus）、インターネット等の周知の通信規格に則って通信する。

次に、図３を参照して、学習装置１０の機能的な構成について説明する。図３に示すように、学習装置１０は、機能的に、収集部１１０と、モデル生成部１２０と、を備える。これらの各機能は、ソフトウェア、ファームウェア、又は、ソフトウェアとファームウェアとの組み合わせによって実現される。ソフトウェア及びファームウェアは、プログラムとして記述され、ＲＯＭ又は記憶部１２に格納される。そして、ＣＰＵが、ＲＯＭ又は記憶部１２に記憶されたプログラムを実行することによって、これらの各機能を実現する。

また、学習装置１０は、学習データベース１８０と、モデル記憶部１９０と、を備える。これらは、記憶部１２の適宜の記憶領域に構築される。

学習データベース１８０は、学習用データ６０を記憶する。学習用データ６０は、学習対象の生体情報と、対応する集中度と、の間の関係を学習するためのデータである。ここで、生体情報は、対象となる人の生体状態を示す情報である。生体情報は、具体的には、人の呼吸に関する呼吸情報と、人の心拍に関する心拍情報と、人の体動に関する体動情報と、を含む。また、集中度は、対象となる人の集中力の程度、言い換えると、対象となる人が仕事、作業、勉強等にどの程度注意を向けて取り組んでいるかを示す情報である。

図４に示すように、学習用データ６０は、学習対象となる複数の人の生体情報と、対応する集中度と、が紐付けられたデータである。図４では、理解を容易にするために、学習データベース１８０に記憶されている複数セットの生体情報を、１セットの生体情報ごとに、１，２，３，…の通し番号で表している。学習用データ６０は、複数セットの生体情報のそれぞれに対して、「高」、「中」、「低」のいずれかの集中度を紐付けて格納している。

図５に示すように、あるタイミングにおけるある人の集中度とそのタイミングにおけるその人の生体情報との間には、相関関係が存在する。具体的に説明すると、ある人の集中度が低い場合、その人の体動は大きくなり、心拍数変動は大きくなり、呼吸数は多くなる傾向がある。また、ある人の集中度が高い場合、その人の体動は小さくなり、心拍数変動は小さくなり、呼吸数は少なくなる傾向がある。そこで、このような相関関係に着目し、学習装置１０は、機械学習の手法を用いることで、生体情報から集中度を推定するための学習済みモデル７０を生成する。学習用データ６０は、学習装置１０が生体情報と集中度との間の関係を学習するための、正解となる教師データを定める。

図３に戻って、収集部１１０は、学習用データ６０を生成するための生体情報及び集中度のデータを収集する。第１に、収集部１１０は、通信部１５を介してセンサ装置２０と通信し、生体情報のデータをセンサ装置２０から収集する。センサ装置２０は、図１に示したように、対象エリア５に設置されており、対象エリア５に存在する人の生体情報を計測する。

センサ装置２０は、ドップラーセンサ２１を備える。ドップラーセンサ２１は、ミリ波、マイクロ波等の電磁波を対象物に向けて送信し、送信された電磁波の対象物における反射波を受信する。そして、ドップラーセンサ２１は、反射波の周波数及び振幅を計測する。ドップラーセンサ２１は、送信した電磁波と受信した反射波とで周波数及び振幅を比較することにより、ドップラーセンサ２１から対象物までの距離、対象物の速度、及び、対象物の角度を計測することができる。更に、ドップラーセンサ２１は、反射波の位相変化に基づいて、対象物の微小変動を計測することができる。なお、対象物は、対象エリア５内に存在する人である。

センサ装置２０は、図示を省略するが、ＣＰＵ、ＲＯＭ及びＲＡＭを含む制御部と、読み書き可能な不揮発性メモリと、通信インタフェースと、を備える。制御部は、ドップラーセンサ２１により計測された距離、速度、角度及びそれらの変動量の計測データに基づいて、対象エリア５に存在する人の生体情報を算出する。ここで、生体情報は、人の呼吸に関する呼吸情報と、人の心拍に関する心拍情報と、人の体動に関する体動情報と、を含む。

呼吸情報は、人の呼吸により生じる動きの情報である。呼吸情報は、具体的には、単位時間当たりの呼吸数、及びその変動量を含む。センサ装置２０の制御部は、反射波の周波数を解析し、人の胸腹部の体表面の動きにより生じる特徴的な周波数成分を抽出することにより、呼吸情報を算出する。

心拍情報は、人の心拍により生じる動きの情報である。心拍情報は、具体的には、単位時間当たりの心拍数、及びその変動量を含む。センサ装置２０の制御部は、人の周波数を解析し、人の心臓の動きにより生じる特徴的な周波数成分を抽出することにより、心拍情報を算出する。

体動情報は、対象物の体の動きのうちの、人が姿勢を変える、立ち上がる、座る、移動する等のような、呼吸及び心拍に比べて大きな体の動きの情報である。体動情報は、具体的には、体動の大きさ、及びその変動量を含む。センサ装置２０の制御部は、反射波の振幅を解析し、振幅が閾値以上となる成分を抽出することにより、体動情報を算出する。

なお、このような呼吸情報、心拍情報及び体動情報をドップラーセンサ２１の計測データから算出する方法は、特許文献１をはじめとする先行文献に記載された周知の方法を用いることができる。

以下では、理解を容易にするため、収集部１１０は、呼吸情報として単位時間当たりの呼吸数のデータを収集し、心拍情報として単位時間当たりの心拍数のデータを収集し、体動情報として体動の大きさのデータを収集する場合を例にとって説明する。

センサ装置２０は、このような生体情報を、対象エリア５に存在する複数の人から取得する。また、センサ装置２０は、同じ人の生体情報であっても、異なるタイミングにおける生体情報であれば、異なる生体情報として取得する。収集部１１０は、このようにしてセンサ装置２０により取得された学習対象となる複数セットの生体情報を、センサ装置２０から収集する。

第２に、収集部１１０は、集中度のデータを収集する。収集部１１０は、学習対象の生体情報が収集された複数の人からの申告により、これら複数の人の集中度のデータを収集する。具体的に説明すると、生体情報が収集された複数の人は、学習装置１０の操作受付部１３、又は学習装置１０の通信部１５と通信可能な適宜の端末を操作して、生体情報が収集された際の集中度を入力する。例えば、各人は、生体情報が収集された際の集中度を、「高」、「中」、「低」という複数段階のうちから選択して入力する。収集部１１０は、このように複数の人から入力された集中度を、学習対象として収集された生体情報に対応する集中度として収集する。

なお、収集部１１０は、生体情報のデータとそれに対応する集中度のデータとを、同じタイミングで収集することに限らない。言い換えると、収集部１１０は、互いに関連付けることができれば、生体情報のデータとそれに対応する集中度のデータと、を異なるタイミングで収集しても良い。

このようにして、収集部１１０は、学習対象となる複数の人の生体情報及び集中度のデータを収集する。データを収集すると、収集部１１０は、収集したデータに含まれる生体情報を、その生体情報の取得元である人の集中度と紐付ける処理を、複数セットの生体情報のそれぞれについて実行する。これにより、収集部１１０は、例えば図４に示したように、複数セットの生体情報のそれぞれと、対応する集中度とが１対１で紐付けられた学習用データ６０を生成する。

収集部１１０は、学習用データ６０を生成すると、生成した学習用データ６０を学習データベース１８０に保存する。収集部１１０は、制御部１１が通信部１５と協働することにより実現される。収集部１１０は、取得手段の一例である。

図３に戻って、モデル生成部１２０は、学習データベース１８０に記憶された学習用データ６０に基づいて、学習対象となる複数セットの生体情報と、対応する集中度と、の間の関係を学習する。これにより、モデル生成部１２０は、学習済みモデル７０を生成する。学習済みモデル７０は、推定対象となる人の生体情報の入力に対して、その人の集中度の推定結果を出力するモデルである。

モデル生成部１２０は、予め定められた学習アルゴリズムに従った機械学習を実行することにより、学習対象となる複数セットの生体情報と、対応する集中度と、の間の関係を学習する。モデル生成部１２０は、学習アルゴリズムとして、教師あり学習、教師なし学習、強化学習等の公知のアルゴリズムを用いることができる。教師あり学習は、入力データとそれに対応する正解の出力データとの組み合わせを教師データとして与えて、入力データと出力データとの間の関係を学習する手法である。教師なし学習は、教師データが与えられずに、入力データが有する特徴を学習する手法である。

以下では、一例として、教師あり学習のアルゴリズムの１つであるニューラルネットワークを適用した場合について説明する。ニューラルネットワークは、人間の脳内にある神経回路網を人工ニューロンという数式的なモデルで表現する手法である。

図６に示すように、ニューラルネットワークは、入力層と出力層と少なくとも１つの中間層とを含み、入力層に入力された入力データに対して出力層から出力データを出力するモデルである。中間層は、隠れ層とも呼ばれる。なお、図６では中間層は１層であるが、２層以上であっても良い。各層は、複数のノードによって構成される。ノードは、ニューロンとも呼ばれる。

入力層のノードＸ１～Ｘ３には、入力データとして、それぞれ生体情報に含まれる呼吸数と心拍数と体動の大きさとが入力される。出力層のノードＺ１～Ｚ３には、出力データとして、それぞれ集中度が「高」、「中」、「低」の３段階に分けられて対応付けられている。なお、入力層のノードＸ１～Ｘ３の数及び出力層のノードＺ１～Ｚ３の数は、それぞれ、入力データの数及び出力データの数に相当する。そのため、入力データ及び出力データの数が多くなると、それに伴って入力層及び出力層のノードの数も多くなる。

入力層のノードＸ１～Ｘ３に入力データが入力されると、入力された値に重みＷ１１～Ｗ１６が乗じられて中間層のノードＹ１～Ｙ２に入力され、その値に更に重みＷ２１～Ｗ２６が乗じられて出力層のノードＺ１～Ｚ３から出力される。出力層の出力結果は、重みＷ１１～Ｗ１６，Ｗ２１～Ｗ２６の値によって変わる。

出力層の各ノードＺ１～Ｚ３は、０以上１以下の値であるスコアを出力する。スコアは、入力層に入力された入力データが、各ノードＺ１～Ｚ３に対応付けられた集中度に該当する確からしさを示す値である。スコアが１に近いほど、入力層に入力された入力データが、そのノードに対応付けられた集中度に該当する確率が高いことを意味する。

モデル生成部１２０は、学習データベース１８０に記憶されている学習用データ６０を教師データとして用いて、ニューラルネットワークにおける各層の結合の重みＷ１１～Ｗ１６，Ｗ２１～Ｗ２６を調整する。具体的に説明すると、モデル生成部１２０は、学習用データ６０の各生体情報に含まれる呼吸数と心拍数と体動の大きさとのセットを、入力データとして入力層に入力する。そして、モデル生成部１２０は、出力層の各ノードＺ１～Ｚ３から出力されるスコアのうちの、正解のノードから出力されるスコアが１に近づき、且つ、その他のノードから出力されるスコアが０に近づくように、誤差逆伝播法等を用いて各層の結合の重みＷ１１～Ｗ１６，Ｗ２１～Ｗ２６を調整する。ここで、正解のノードは、学習用データ６０において、入力層に入力された生体情報に紐付けられている集中度に対応するノードである。

モデル生成部１２０は、このような処理を、学習用データ６０に含まれる複数セットの生体情報と集中度との組み合わせのそれぞれに対して実行することにより、ニューラルネットワークにおける各層の結合の重みＷ１１～Ｗ１６，Ｗ２１～Ｗ２６を最適化する。これにより、モデル生成部１２０は、生体情報の入力を受けて、その生体情報が、「高」、「中」、「低」の３段階の集中度のそれぞれに該当する確からしさを示すスコアを出力するニューラルネットワークを構築する。

モデル生成部１２０は、ニューラルネットワークを構築すると、構築されたニューラルネットワークを学習済みモデル７０としてモデル記憶部３９０に保存する。モデル生成部１２０は、制御部１１が記憶部１２と協働することにより実現される。モデル生成部１２０は、モデル生成手段として機能する。

次に、図７を参照して、学習装置１０により実行される学習済みモデル７０の生成処理について説明する。図７に示す学習済みモデル７０の生成処理を実行することにより、学習済みモデル７０の生成方法が実現される。学習装置１０の制御部１１は、操作受付部１３を介してユーザの指示を受け付けると、図７に示す学習済みモデル７０の生成処理を開始する。

学習済みモデル７０の生成処理を開始すると、制御部１１は、収集部１１０として機能し、生体情報及び集中度のデータを収集する（ステップＳ１１）。具体的に説明すると、制御部１１は、生体情報のデータとして、学習対象となる複数の人の呼吸情報、心拍情報及び体動情報のデータを、センサ装置２０から収集する。また、制御部１１は、学習対象となる複数の人からの申告により、集中度のデータを収集する。

データを収集すると、制御部１１は、収集した生体情報と対応する集中度とを紐付けて、学習用データ６０を生成する（ステップＳ１２）。制御部１１は、例えば図４に示したような学習用データ６０を生成し、学習データベース１８０に保存する。

学習用データ６０を生成すると、制御部１１は、モデル生成部１２０として機能し、生成した学習用データ６０を用いて生体情報と集中度との間の関係を学習することにより、学習済みモデル７０を生成する（ステップＳ１３）。具体的に説明すると、制御部１１は、学習用データ６０に含まれる複数セットの生体情報と集中度との組み合わせを教師データとして用いて機械学習を実行し、生体情報の入力に対して集中度の推定結果を出力する学習済みモデル７０を生成する。

学習済みモデル７０を生成すると、制御部１１は、生成した学習済みモデル７０をモデル記憶部１９０に保存する（ステップＳ１４）。以上により、図７に示した学習済みモデルの生成処理は終了する。

＜活用フェーズ＞
次に、学習装置１０により生成された学習済みモデル７０を活用する処理について説明する。

図１に示した設備制御装置３０は、対象エリア５に設置された設備機器４０を制御する装置である。設備制御装置３０は、パーソナルコンピュータ、サーバ、タブレット等の情報処理装置により実現される。設備制御装置３０は、学習装置１０による学習結果に基づいて、対象エリア５に存在している人の集中度を推定し、設備機器４０を制御する。設備制御装置３０は、図８に示すように、制御部３１と、記憶部３２と、操作受付部３３と、表示部３４と、通信部３５と、を備える。

制御部３１は、ＣＰＵ、ＲＯＭ及びＲＡＭを備える。ＣＰＵは、中央処理装置、中央演算装置、プロセッサ、マイクロプロセッサ、マイクロコンピュータ等とも呼び、設備制御装置３０の制御に係る処理及び演算を実行する中央演算処理部として機能する。制御部３１において、ＣＰＵは、ＲＯＭに格納されているプログラム及びデータを読み出し、ＲＡＭをワークエリアとして用いて、設備制御装置３０を統括制御する。

記憶部３２は、フラッシュメモリ、ＥＰＲＯＭ、ＥＥＰＲＯＭ等の不揮発性の半導体メモリを備えており、いわゆる二次記憶装置又は補助記憶装置としての役割を担う。記憶部３２は、制御部３１が各種処理を行うために使用するプログラム及びデータを記憶する。また、制御部３１が各種処理を行うことにより生成又は取得するデータを記憶する。

操作受付部３３は、キーボード、マウス、スイッチ、タッチパッド、タッチパネル等の入力デバイスを備えており、ユーザから操作を受け付ける。ユーザは、操作受付部３３を操作することによって、様々な指示を設備制御装置３０に入力することができる。操作受付部３３は、ユーザから入力された操作指示を受け付けると、受け付けた操作指示を制御部３１に送信する。

表示部３４は、ＬＣＤパネル、有機ＥＬ等の表示デバイスを備える。表示部３４は、図示しない表示駆動回路によって駆動され、制御部３１による制御のもとで様々な画像を表示する。

通信部３５は、設備制御装置３０が外部の装置と通信するための通信インタフェースを備える。例えば、通信部３５は、外部の装置との間で、ＬＡＮ、ＵＳＢ、インターネット等の周知の通信規格に則って通信する。

次に、図９を参照して、設備制御装置３０の機能的な構成について説明する。図９に示すように、設備制御装置３０は、機能的に、取得部３１０と、推定部３２０と、出力部３３０と、設備制御部３４０と、を備える。これらの各機能は、ソフトウェア、ファームウェア、又は、ソフトウェアとファームウェアとの組み合わせによって実現される。ソフトウェア及びファームウェアは、プログラムとして記述され、ＲＯＭ又は記憶部３２に格納される。そして、ＣＰＵが、ＲＯＭ又は記憶部１２に記憶されたプログラムを実行することによって、これらの各機能を実現する。

また、設備制御装置３０は、学習済みモデル７０を記憶するモデル記憶部３９０を備える。モデル記憶部３９０は、記憶部３２の適宜の記憶領域に構築される。学習済みモデル７０は、学習装置１０において生成された後、通信部３５による通信を介して、又は外部記録媒体を経由して、モデル記憶部３９０に記憶される。

なお、設備制御装置３０の各部のうち、設備制御部３４０以外の機能を合わせて推定装置５０と呼ぶことができる。

取得部３１０は、対象エリア５に存在する人の生体情報を取得する。生体情報は、上述したように、人の生体状態を示す情報であって、具体的には、人の呼吸に関する呼吸情報と、人の心拍に関する心拍情報と、人の体動に関する体動情報と、を含む。学習フェーズと同様に、センサ装置２０は、ドップラーセンサ２１を用いて、対象エリア５に存在する人の生体情報を計測する。取得部３１０は、通信部３５によりセンサ装置２０と通信し、センサ装置２０から生体情報を取得する。取得部３１０は、制御部３１が通信部３５と協働することにより実現される。取得部３１０は、取得手段の一例である。

より詳細には、取得部３１０は、対象エリア５に人が存在している場合に、その人の生体情報を取得する。ここで、対象エリア５に人が存在しているか否かは、適宜の手法によって判定される。例えば、取得部３１０は、対象エリア５に設置された情報端末と通信部３５により通信し、情報端末が操作された場合に、対象エリア５に人が存在していると判定する。或いは、対象エリア５に人感センサが設置されており、取得部３１０は、人感センサにより人が検知された場合に、対象エリア５に人が存在していると判定しても良い。

推定部３２０は、学習済みモデル７０に基づいて、取得部３１０により取得された生体情報から、対象エリア５に存在する人の集中度を推定する。具体的に説明すると、推定部３２０は、取得部３１０により取得された生体情報を学習済みモデル７０に入力する。上述したように、学習済みモデル７０は、入力された生体情報に対して、推定対象となる人の集中度が、「高」、「中」、「低」の３段階のそれぞれに該当する確からしさを示すスコアを出力する。

これらの３段階のうち、学習済みモデル７０により出力されたスコアが最も高い段階は、推定対象の人の集中度に該当する可能性が最も高い。そのため、推定部３２０は、学習済みモデル７０により出力された「高」、「中」、「低」の各段階のスコアを比較し、スコアが最も高い段階が、推定対象の人の集中度に該当すると推定する。

例えば、生体情報の入力に対して、学習済みモデル７０から出力された各段階のスコアのうちの「高」のスコアが最も高い場合、推定部３２０は、その生体情報の取得元である人の集中度が高いと推定する。これに対して、生体情報の入力に対して、学習済みモデル７０から出力された各段階のスコアのうちの「低」のスコアが最も高い場合、推定部３２０は、その生体情報の取得元である人の集中度が低いと推定する。推定部３２０は、制御部３１が記憶部３２と協働することにより実現される。推定部３２０は、推定手段の一例である。

出力部３３０は、推定部３２０により推定された推定結果を出力する。出力部３３０は、推定部３２０により推定された集中度を示す画像を生成し、表示部３４に表示させる。ユーザは、表示部３４を確認することで、対象エリア５に存在する人の集中度を知ることができる。

或いは、出力部３３０は、推定部３２０により推定された集中度を示す出力情報を、通信部３５を介して外部の装置に出力し、外部の装置の表示部に表示しても良い。出力部３３０は、制御部３１が表示部３４又は通信部３５と協働することにより実現される。出力部３３０は、出力手段の一例である。

設備制御部３４０は、推定部３２０により推定された集中度に基づいて、設備機器４０を制御する。まず、設備制御部３４０は、推定部３２０により推定された集中度に基づいて、設備機器４０の制御内容を決定する。

制御内容を決定するために、設備制御部３４０は、推定対象となる人の集中度の状態として、図１０に示すように、第１の状態である高集中状態と、第１の状態よりも集中度が低い第２の状態である低集中状態と、を定義する。ある人の集中度が低集中状態にある場合において、推定部３２０により推定されたその人の集中度が「高」である状態が予め定められた時間以上継続した場合、その人の集中度は低集中状態から高集中状態に変化する。これに対して、ある人の集中度が高集中状態にある場合において、推定部３２０により推定されたその人の集中度が「低」である状態が予め定められた時間以上継続した場合、その人の集中度は高集中状態から低集中状態に変化する。

設備制御部３４０は、推定部３２０により推定された集中度の継続時間を計測する。そして、設備制御部３４０は、集中度の継続時間に基づいて、推定対象となる人の現在の集中度が低集中状態と高集中状態とのどちらの状態にあるのかを判定し、判定結果に応じて制御内容を決定する。

具体的に説明すると、設備制御部３４０は、推定部３２０により推定された集中度が高集中状態から低集中状態に変化した場合、対象エリア５に存在する人を刺激する刺激運転を設備機器４０に実行させる。また、推定部３２０により推定された集中度が低集中状態にある時間が予め定められた閾時間よりも長く継続した場合も同様に、設備制御部３４０は、刺激運転を設備機器４０に実行させる。ここで、刺激運転は、対象エリア５に存在する人を刺激して覚醒を促す、また気持ちをリフレッシュさせる運転を意味する。

第１の例として、設備機器４０が空調機の室内機である場合、刺激運転は、室内機から吹き出される空調空気の吹き出し方向を変化させる運転、又は、空調空気の温度を低下させる運転である。空調空気の吹き出し方向を変化させる運転として、例えば、気流をスイングさせる動作が挙げられる。これにより、風当たり感が変化するため、対象エリア５に存在する人を刺激することができる。また、空調空気の温度を低下させることによっても、人を刺激することができるため、集中力を高めることができる。

第２の例として、設備機器４０が換気装置である場合、刺激運転は、換気装置による換気の強度を上げる運転である。換気の強度を上げることにより、対象エリア５の二酸化炭素濃度を下げることができるため、対象エリア５に存在する人の気持ちをリフレッシュさせ、集中力を高めることができる。

第３の例として、設備機器４０が照明機器である場合、刺激運転は、照明機器による照明の色を変化させる運転である。照明の色を変化させることで、人の気分を変化させることができるため、集中力を高める効果が見込まれる。照明の色を変化させる運転として、例えば、照明の色を暖色系に変化させる運転が挙げられる。暖色系の色は人の自律神経を刺激する傾向があるため、照明の色を暖色系に変化させることで、集中力をより効果的に高めることができる。

設備制御部３４０は、このような刺激運転を一定時間継続した後、元の状態に戻すという運転を設備機器４０に実行させるように、制御内容を決定する。このように、対象エリア５に存在する人の気持ちを切り替えやすい環境に一時的に変化させた後、元の制御状態に戻すことで、その後の集中を促すことができる。

また、設備制御部３４０は、推定部３２０により推定された集中度が高集中状態にある時間が予め定められた閾時間よりも長く継続した場合も同様に、刺激運転を設備機器４０に実行させる。集中力が高い状態であっても、刺激運転により一時的にリフレッシュを促すことで、高集中状態を持続させ易くすることができる。なお、集中度が高集中状態から低集中状態に変化した場合と、集中度が高集中状態にある時間が閾時間よりも長く継続した場合とで、刺激運転の内容を異なるようにしても良い。

このような制御の切り替え条件、低集中状態での制御内容、及び、高集中状態での制御内容は、自由に設定することができる。例えば、これらをユーザが選択して設定できるようにし、設備制御部３４０は、ユーザが設定した切り替え条件又は制御内容に従って、制御内容を決定しても良い。

制御内容を決定すると、設備制御部３４０は、決定した制御内容で設備機器４０を動作させる。具体的に説明すると、設備制御部３４０は、通信部３５を介して設備機器４０と通信し、設備機器４０に対して、決定した制御内容を実行する指令を送信する。これにより、設備制御部３４０は、推定部３２０により推定された集中度に応じた運転を設備機器４０に実行させる。設備制御部３４０は、制御部３１が通信部３５と協働することにより実現される。設備制御部３４０は、設備制御手段の一例である。

次に、図１１を参照して、設備制御装置３０により実行される設備制御処理について説明する。設備制御装置３０の制御部３１は、学習装置１０により生成された学習済みモデル７０がモデル記憶部３９０に記憶されている状態において、図１１に示す設備制御処理を実行する。

設備制御処理を開始すると、制御部３１は、対象エリア５に人が存在しているか否かを判定する（ステップＳ３１）。具体的に説明すると、制御部３１は、対象エリア５に設置された情報端末が操作されたか否か、又は、対象エリア５に設置された人感センサにより人が検知されたか否かによって、対象エリア５に人が存在しているか否かを判定する。

対象エリア５に人が存在していない場合（ステップＳ３１；ＮＯ）、制御部３１は、ステップＳ３１に留まり、対象エリア５に人が入ってくるまで待機する。

一方で、対象エリア５に人が存在している場合（ステップＳ３１；ＹＥＳ）、制御部３１は、取得部３１０として機能し、対象エリア５に存在する人の生体情報を取得する（ステップＳ３２）。具体的に説明すると、制御部３１は、生体情報として、対象エリア５に存在する人の呼吸情報、心拍情報及び体動情報を、センサ装置２０から取得する。

生体情報を取得すると、制御部３１は、推定部３２０として機能し、学習済みモデル７０に基づいて、取得した生体情報から集中度を推定する（ステップＳ３３）。具体的に説明すると、制御部３１は、学習済みモデル７０に対して、ステップＳ３１で取得した生体情報を入力する。そして、制御部３１は、生体情報の入力に対して学習済みモデル７０により出力される複数段階の集中度のスコアを比較し、スコアが最も高い集中度を、推定対象の人の集中度であると推定する。

集中度を推定すると、制御部３１は、出力部３３０として機能し、推定結果を出力する（ステップＳ３４）。制御部３１は、推定された集中度を示す画像を表示部３４に表示させることで、ユーザに通知する。

推定結果を出力すると、制御部３１は、推定された集中度に基づいて、設備機器４０の制御内容を決定する（ステップＳ３５）。ステップＳ３５における制御内容決定処理の詳細は、図１２を参照して説明する。

制御内容決定処理を開始すると、制御部３１は、ステップＳ３３で推定された集中度の状態を判定する（ステップＳ３５１）。具体的に説明すると、制御部３１は、推定された集中度の継続時間を計測し、現在の集中度が、図１０に示した高集中状態と低集中状態とのどちらであるかを判定する。

集中度の状態を判定すると、制御部３１は、推定された集中度が高集中状態から低集中状態に変化したか否か、低集中状態が閾時間よりも長く継続したか否か、及び、高集中状態が閾時間よりも長く継続したか否かを判定する（ステップＳ３５２～Ｓ３５４）。推定された集中度が高集中状態から低集中状態に変化しておらず、低集中状態が閾時間よりも長く継続しておらず、且つ、高集中状態が閾時間よりも長く継続していない場合（ステップＳ３５２～Ｓ３５４；いずれもＮＯ）、制御部３１は、制御内容を通常運転に決定する（ステップＳ３５５）。

これに対して、推定された集中度が高集中状態から低集中状態に変化した場合（ステップＳ３５２；ＹＥＳ）、低集中状態が閾時間よりも長く継続した場合（ステップＳ３５３；ＹＥＳ）、又は、高集中状態が閾時間よりも長く継続した場合（ステップＳ３５４；ＹＥＳ）、制御部３１は、制御内容を刺激運転に決定する（ステップＳ３５６）。以上により、図１２に示した制御内容決定処理は終了する。

図１１に戻って、制御内容を決定すると、制御部３１は、設備制御部３４０として機能し、決定した制御内容で設備機器４０を制御する（ステップＳ３６）。これにより、制御部３１は、推定部３２０により推定された集中度に応じた運転を設備機器４０に実行させる。

その後、制御部３１は、処理をステップＳ３１に戻し、引き続き対象エリア５に人が存在しているか否かを判定する。そして、制御部３１は、人が存在している場合、ステップＳ３２～Ｓ３６の処理を再度実行する。このように、制御部３１は、対象エリア５に人が存在している間、その人の生体情報から集中度を推定し、推定された集中度に基づいて設備機器４０を制御する処理を繰り返す。以上により、図１１に示した設備制御処理は終了する。

以上説明したように、実施の形態１に係る設備制御システム１において、学習装置１０は、生体情報と対応する集中度との間の関係を学習することにより、学習済みモデル７０を生成する。そして、設備制御装置３０は、学習済みモデル７０に基づいて、対象エリア５に存在する人の生体情報からその人の集中度を推定し、推定された集中度に基づいて設備機器４０を制御する。これにより、対象エリア５に存在する人の状態に応じて設備機器４０を制御することができるため、対象エリア５に存在する人の集中力を向上させることができる。その結果として、設備制御システム１のユーザは、対象エリア５において、高い集中力を持続させて仕事、作業、勉強等に取り組むことができる。

また、実施の形態１に係る設備制御システム１において、対象エリア５に存在する人の生体情報は、ドップラーセンサ２１を用いて取得される。ドップラーセンサ２１を用いることにより非接触で生体情報を取得でき、人がセンサを身に着ける必要が無いため、人の集中力を阻害せずに刺激に必要なデータを取得することができる。

（実施の形態２）
次に、本開示の実施の形態２について説明する。実施の形態１と同様の構成及び機能については、適宜説明を省略する。

図１３に示すように、実施の形態２に係る設備制御装置３０ａは、機能的に、取得部３１０と、推定部３２０と、出力部３３０と、設備制御部３４０と、識別部３５０と、を備える。識別部３５０以外の機能は、実施の形態１と同様である。

識別部３５０は、対象エリア５に存在する人を識別する。ユーザは、設備制御システム１の利用を開始する際に、設備制御装置３０ａの操作受付部３３、又は設備制御装置３０ａの通信部３５と通信可能な情報端末を操作して、自身の名前、アカウント名、ＩＤ等のユーザ情報を入力する。識別部３５０は、このようにしてユーザから入力されたユーザ情報を受け付けることにより、対象エリア５に存在する人を識別する。識別部３５０は、制御部３１が操作受付部３３又は通信部３５と協働することにより実現される。識別部３５０は、識別手段の一例である。

実施の形態２において、学習済みモデル７０は、図１４に示すように、複数の人別モデル７１を含んでいる。複数の人別モデル７１のそれぞれは、互いに異なる人の生体情報と、対応する集中度と、の間の関係を学習することにより生成されたモデルであって、生体情報の入力に対して集中度の推定結果を出力する互いに独立したモデルである。

実施の形態２に係る学習装置１０において、モデル生成部１２０は、収集部１１０により収集された生体情報と集中度との間の関係を、生体情報と集中度とが収集された人毎に分けて学習する。これにより、モデル生成部１２０は、複数の人別モデル７１を生成し、生成した複数の人別モデル７１を合わせて学習済み７０モデルとしてモデル記憶部１９０に保存する。

推定部３２０は、複数の人別モデル７１のうちの、識別部３５０により識別された人に対応する人別モデル７１に基づいて、取得部３１０により取得された生体情報から集中度を推定する。具体的に説明すると、推定部３２０は、取得部３１０により取得された生体情報を、複数の人別モデル７１のうちの、識別部３５０により識別された人に対応する人別モデル７１に入力する。そして、推定部３２０は、人別モデル７１により出力された各段階のスコアを比較し、スコアが最も高い段階が、識別部３５０により識別された、対象エリア５に存在する人の集中度に該当すると推定する。

このように、人によって使用するモデルを切り替えて集中度を推定するため、集中度の推定精度が向上する。そのため、人に合わせて集中度が向上することにより的確に設備機器４０を制御することができる。

なお、複数の人別モデル７１のそれぞれは、対応する人が設備制御システム１を利用している間に取得された生体情報のデータと、その間の集中度、制御の満足度等の申告データと、に基づいて更新されるようにしても良い。

また、識別部３５０は、取得部３１０により取得された生体情報に基づいて、対象エリア５に存在する人を識別しても良い。例えば、対象エリア５が家庭の書斎、勉強部屋等のような少人数の特定の人のみが使用するようなエリアである場合、対象エリア５で取得される生体情報のデータを蓄積し、生体情報から類似したパターンを抽出して記憶部３２に保存する。識別部３５０は、設備制御システム１の動作が開始されると、記憶部３２に予め保存された生体情報の複数のパターンの中で、取得部３１０により取得された生体情報のパターンに最も類似するパターンを判別する。そして、識別部３５０は、判別したパターンに対応するユーザを、対象エリア５に存在する人として識別する。このように生体情報から人を識別することにより、動作開始時における入力作業が不要になる。

（実施の形態３）
次に、本開示の実施の形態３について説明する。実施の形態１，２と同様の構成及び機能については、適宜説明を省略する。

図１５に示すように、実施の形態３に係る設備制御システム１ａは、学習装置１０と、複数のセンサ装置２０と、設備制御装置３０と、複数の設備機器４０と、を備える。実施の形態３において、対象エリア５は、複数の個別エリア５ａ～５ｃに分割される。複数の個別エリア５ａ～５ｃのそれぞれに、センサ装置２０と設備機器４０とが設置されている。複数の個別エリア５ａ～５ｃのそれぞれは、例えば、シェアオフィス、自習室等における各ユーザの座席に対応するエリアである。

複数のセンサ装置２０のそれぞれは、実施の形態１で説明したセンサ装置２０と同様である。また、複数の設備機器４０のそれぞれは、実施の形態１で説明した設備機器４０と同様である。言い換えると、実施の形態３では、センサ装置２０及び設備機器４０は、複数の個別エリア５ａ～５ｃのそれぞれに設置されている。

取得部３１０は、対象エリア５内の複数の個別エリア５ａ～５ｃのそれぞれに存在する人の生体情報を、各個別エリア５ａ～５ｃに設置されたセンサ装置２０から取得する。推定部３２０は、学習済みモデル７０に基づいて、取得部３１０により取得された生体情報から、複数の個別エリア５ａ～５ｃのそれぞれに存在する人の集中度を推定する。言い換えると、推定部３２０は、１つの個別エリアに設置されたセンサ装置２０から取得された生体情報から、その個別エリアに存在する人の集中度を推定する処理を、複数の個別エリア５ａ～５ｃのそれぞれに対して実行する。設備制御部３４０は、推定部３２０により推定された集中度に基づいて、複数の個別エリア５ａ～５ｃのそれぞれに設置された設備機器４０を制御する。言い換えると、設備制御部３４０は、１つの個別エリアに存在する人の集中度に基づいて、その個別エリアに設置された設備機器４０を制御する処理を、複数の個別エリア５ａ～５ｃのそれぞれに対して実行する。各個別エリアにおける取得部３１０、推定部３２０、設備制御部３４０の処理は、実施の形態１と同様である。

出力部３３０は、複数の個別エリア５ａ～５ｃのそれぞれに存在する人の集中度の、推定部３２０による推定結果と、複数の個別エリア５ａ～５ｃのそれぞれに設置された設備機器４０の制御状態と、を出力する。具体的には図１６に示すように、出力部３３０は、集中度の推定結果及び設備機器４０の制御状態を示す画像を表示部３４に表示する。より詳細には、出力部３３０は、推定部３２０により推定された、複数の個別エリア５ａ～５ｃのそれぞれに存在する人の集中度を、「高」、「中」、「低」の３段階で表示する。また、出力部３３０は、複数の個別エリア５ａ～５ｃのそれぞれに設置された設備機器４０の現在の制御状態が、実施の形態２で説明した「通常運転」と「刺激運転」とのどちらであるかを表示する。

このように複数のエリアの集中度と制御状態とが表示されることで、シェアオフィス、自習室等において、座席管理及び座席選択を効率良く実施することができる。例えば、別のユーザが座席選択する際に、各エリアの現在の集中度及び制御状態を参考にすることができる。また、新たにユーザに座席を割り振る際に、高集中度の座席よりも、刺激運転状態の席の近隣を優先して割り当てる、といったことが可能になる。その結果として、ユーザの利便性が向上する。

なお、出力部３３０は、図１６に示した表示画像を、通信部３５を介して外部の装置に出力しても良い。外部の装置は、例えば、スマートフォン、タブレット端末、パーソナルコンピュータ等の情報端末である。

以上のように、実施の形態３に係る設備制御システム１ａでは、複数の個別エリア５ａ～５ｃにおける集中度と設備機器４０とを、１つの設備制御装置３０で一括して管理する。そのため、設備制御システム１ａを効率的に構築することができる。

なお、実施の形態３において、センサ装置２０は、複数の個別エリア５ａ～５ｃのそれぞれに設置されることに限らない。例えば図１７に示す設備制御システム１ｂように、１台のセンサ装置２０を用いて、複数の個別エリア５ａ～５ｃのそれぞれに存在する人の生体情報を取得しても良い。特に、ドップラーセンサ２１は、複数の対象物に対して非接触で計測データを取得することができる。そのため、各エリアにセンサ装置２０が設置されていなくても、１台のセンサ装置２０の計測範囲に複数の個別エリア５ａ～５ｃを含めるようにすることができる。このように１台のセンサ装置２０で複数の個別エリア５ａ～５ｃを管理することにより、設備制御システム１ｂの構成を効率化することができる。

（変形例）
以上、実施の形態を説明したが、各実施の形態を組み合わせたり、各実施の形態を適宜、変形、省略したりすることが可能である。

例えば、上記実施の形態では、学習装置１０及び設備制御装置３０は、生体情報として、呼吸数、心拍数及び体動の大きさの情報を用いた。しかしながら、学習装置１０及び設備制御装置３０は、生体情報として、これら以外の情報を用いても良い。例えば、生体情報として、呼吸数、心拍数及び体動の大きさに代えて又は加えて、これらの時間変動量を用いても良い。通常における心拍数、呼吸数、体動及びこれらの時間変動量は個人により異なるが、時間変動量のデータを用いることにより、このような個人差の影響を低減することができるため、集中度の推定精度をより高めることができる。

或いは、モデル生成部１２０は、学習アルゴリズムとして、ＲＮＮ（Recurrent Neural Network）、ＬＳＴＭ（Long-Short Term Model）等のような、時系列の変化を含めて学習することができるアルゴリズムを採用して、学習済みモデル７０を生成しても良い。これらの学習アルゴリズムは、時間変動を含めて学習することができるため、入力データに時間変動量のデータを入力するのと同様に、個人差の影響を低減する効果が得られる。

また、心拍情報として、心拍数の低周波数成分（ＬＦ：Low Frequency）又は高周波数成分（ＨＦ：High Frequency）を用いても良い。一般的に、心拍数の低周波成分は、０．００４～０．１５Ｈｚの周波数帯の成分であり、交感神経と副交感神経の両方の活動を反映する。心拍数の高周波成分は、０．１５～０．４Ｈｚの周波数帯の成分であり、副交感神経の活動を反映する。このように、心拍変動は自律神経系と関連があり、人の覚醒度合と相関する。そのため、心拍情報として、心拍数の低周波数成分と高周波数成分とを用いることで、集中度の推定精度をより高めることができる。

上記実施の形態では、センサ装置２０は、ドップラーセンサ２１により計測された計測データに基づいて、生体情報を取得した。しかしながら、生体情報の少なくとも一部は、ドップラーセンサ２１以外により取得されても良い。例えば、腕時計型の心拍センサ又は体動センサにより、心拍情報又は体動情報を取得しても良い。ドップラーセンサ２１を使用する場合、非接触で生体情報を取得することができる一方で、空間での電磁波の反射を利用するため、ドップラーセンサ２１の周囲に存在する人の影響により、誤検知が発生する場合もある。腕時計型のセンサを使用すると、対象者がセンサを身に着けている必要はある一方で、対象者からの生体情報を確実に取得することができる。

上記実施の形態では、学習装置１０の収集部１１０により収集される生体情報と、設備制御装置３０の取得部３１０により取得される生体情報とは、同じ対象エリア５に設置された同じセンサ装置２０から取得された。しかしながら、収集部１１０は、センサ装置２０とは別の装置から、対象エリア５とは異なるエリアに存在する複数の人の生体情報を、学習対象となる複数セットの生体情報のデータとして収集しても良い。設備制御装置３０が設置された対象エリア５に限らず、様々な対象エリアに存在する様々な人から、学習対象となる生体情報及び集中度のデータを収集することにより、生体情報から集中度を高い精度で推定できる学習済みモデル７０を生成することが可能になる。

１つの学習装置１０での学習により生成された学習済みモデル７０を、異なる複数の設備制御装置３０で用いても良い。また、設備制御装置３０が学習装置１０から一度学習済みモデル７０を取得した後で、学習装置１０が再度学習を行って学習済みモデル７０を更新し、更新後の学習済みモデル７０を設備制御装置３０に使用させても良い。

上記実施の形態では、収集部１１０は、学習対象の生体情報が収集された複数の人からの申告により、集中度のデータを収集した。しかしながら、収集部１１０は、他の方法により集中度のデータを収集しても良い。例えば、センサ装置２０が、視線計測装置又は可視カメラを備えており、学習対象となる人の生体情報を収集しながら、視線計測装置によりその人の視線移動量を計測する、又は可視カメラによりその人の体動を計測しても良い。この場合、収集部１１０は、センサ装置２０から視線移動量又は体動のデータを、集中度のデータとして収集する。収集されたデータにおいて、視線移動量又は体動が大きい場合には集中度が低く、視線移動量又は体動が小さい場合には集中度が高いと判定される。

上記実施の形態では、モデル生成部１２０は、学習アルゴリズムとして、教師あり学習のアルゴリズムであるニューラルネットワークモデルに従って生体情報と集中度との間の関係を学習し、学習済みモデル７０を生成した。しかしながら、モデル生成部１２０は、ニューラルネットワーク以外の教師あり学習のアルゴリズムを用いても良い。例えば、モデル生成部１２０は、遺伝的プログラミング、サポートベクターマシン等の手法に従って生体情報と集中度との間の関係を学習して、学習済みモデル７０を生成しても良い。

或いは、モデル生成部１２０は、教師なし学習又は強化学習のアルゴリズムを用いても良い。例えば、モデル生成部１２０は、教師なし学習のアルゴリズムとして、クラスタリングの手法を用いることができる。この場合、モデル生成部１２０は、生体情報に含まれる呼吸情報、心拍情報及び体動情報の特徴に応じて、生体情報を複数のグループに分類し、各グループに対して「高」、「中」、「低」等の集中度の高さを対応付ける。これにより、モデル生成部１２０は、生体情報と集中度との間の関係を学習する。また、モデル生成部１２０は、特徴量そのものの抽出を学習する手法である深層学習（Ｄｅｅｐ Ｌｅａｒｎｉｎｇ）を用いることもできる。

上記実施の形態では、学習装置１０とセンサ装置２０と設備制御装置３０と設備機器４０とは、互いに独立した装置として存在していた。しかしながら、いずれかの装置の中に、少なくとも１つの他の装置の機能が含まれていても良い。例えば、設備機器４０の中にセンサ装置２０及び設備制御装置３０の機能が含まれており、設備機器４０が、センサ装置２０により取得されたデータに基づいて集中度を推定し、推定された集中度に基づいて設備機器４０を制御してもよい。或いは、センサ装置２０の中に設備制御装置３０又は学習装置１０の機能が含まれても良いし、設備制御装置３０の中に学習装置１０の機能が含まれていても良い。

また、学習装置１０及び設備制御装置３０の機能は、クラウドサーバにて実現されても良い。ここで、クラウドサーバは、クラウドコンピューティングのリソースを提供するサーバである。この場合、センサ装置２０は、ドップラーセンサ２１により取得した生体情報を、通信ネットワークを介してクラウドサーバに送信する。クラウドサーバは、センサ装置２０から受信した生体情報に基づいて機械学習を実行し、学習済みモデル７０を生成する。また、クラウドサーバは、センサ装置２０から受信した生体情報から集中度を推定して設備機器４０の制御内容を決定し、設備機器４０に送信する。

上記実施の形態では、学習装置１０の制御部１１において、ＣＰＵがＲＯＭ又は記憶部１２に記憶されたプログラムを実行することによって、図３に示した各部として機能した。また、設備制御装置３０の制御部３１において、ＣＰＵがＲＯＭ又は記憶部３２に記憶されたプログラムを実行することによって、図９に示した各部として機能した。しかしながら、制御部１１，３１は、専用のハードウェアであってもよい。専用のハードウェアとは、例えば単一回路、複合回路、プログラム化されたプロセッサ、ＡＳＩＣ（Application Specific Integrated Circuit）、ＦＰＧＡ（Field-Programmable Gate Array）、又は、これらの組み合わせ等である。制御部１１，３１が専用のハードウェアである場合、各部の機能それぞれを個別のハードウェアで実現してもよいし、各部の機能をまとめて単一のハードウェアで実現してもよい。

また、各部の機能のうち、一部を専用のハードウェアによって実現し、他の一部をソフトウェア又はファームウェアによって実現してもよい。このように、制御部１１，３１は、ハードウェア、ソフトウェア、ファームウェア、又は、これらの組み合わせによって、上述の各機能を実現することができる。

学習装置１０及び設備制御装置３０のそれぞれの動作を規定するプログラムを、パーソナルコンピュータ、情報端末装置等の既存のコンピュータに適用することで、当該コンピュータを、学習装置１０及び設備制御装置３０のそれぞれとして機能させることも可能である。

また、このようなプログラムの配布方法は任意であり、例えば、ＣＤ－ＲＯＭ（Compact Disk ROM）、ＤＶＤ（Digital Versatile Disk）、ＭＯ（Magneto Optical Disk）、メモリカード等のコンピュータ読み取り可能な記録媒体に格納して配布してもよいし、インターネット等の通信ネットワークを介して配布してもよい。

本開示は、本開示の広義の精神と範囲を逸脱することなく、様々な実施の形態及び変形が可能とされるものである。また、上述した実施の形態は、この開示を説明するためのものであり、本開示の範囲を限定するものではない。すなわち、本開示の範囲は、実施の形態ではなく、特許請求の範囲によって示される。そして特許請求の範囲内及びそれと同等の開示の意義の範囲内で施される様々な変形が、この開示の範囲内とみなされる。

１，１ａ，１ｂ 設備制御システム、５ 対象エリア、５ａ～５ｃ 個別エリア、１０ 学習装置、１１，３１ 制御部、１２，３２ 記憶部、１３，３３ 操作受付部、１４，３４ 表示部、１５，３５ 通信部、２０ センサ装置、２１ ドップラーセンサ、３０，３０ａ 設備制御装置、４０ 設備機器、５０ 推定装置、６０ 学習用データ、７０ 学習済みモデル、７２ 人別モデル、１１０ 収集部、１２０ モデル生成部、１８０ 学習データベース、１９０ モデル記憶部、３１０ 取得部、３２０ 推定部、３３０ 出力部、３４０ 設備制御部、３５０ 識別部、３９０ モデル記憶部

Claims (12)

1. 対象エリアに設置された設備機器を制御する設備制御装置であって、
   前記対象エリア内の複数の個別エリアのそれぞれに存在する人の生体情報を取得する取得手段と、
   学習対象の生体情報と、対応する集中度と、の間の関係を学習することにより生成された学習済みモデルに基づいて、前記取得手段により取得された前記生体情報から、前記複数の個別エリアのそれぞれに存在する前記人の集中度を推定する推定手段と、
   前記推定手段により推定された前記集中度に基づいて、前記複数の個別エリアのそれぞれに設置された設備機器を制御する設備制御手段と、
   前記複数の個別エリアのそれぞれに存在する人の集中度の、前記推定手段による推定結果と、前記複数の個別エリアのそれぞれに設置された設備機器の制御状態とを、個別エリア毎に関連付けて出力する出力手段と、を備える、
   設備制御装置。
2. 対象エリアに設置された設備機器を制御する設備制御装置であって、
   前記対象エリアに存在する人の生体情報を取得する取得手段と、
   学習対象の生体情報と、対応する集中度と、の間の関係を学習することにより生成された学習済みモデルに基づいて、前記取得手段により取得された前記生体情報から、前記対象エリアに存在する前記人の集中度を推定する推定手段と、
   前記推定手段により推定された前記集中度に基づいて、前記設備機器を制御する設備制御手段と、を備え、
   前記設備制御手段は、前記推定手段により推定された前記集中度が、第１の状態から、前記第１の状態よりも前記集中度が低い第２の状態に変化した場合と、前記推定手段により推定された前記集中度が前記第２の状態にある時間が閾時間よりも長く継続した場合と、前記推定手段により推定された前記集中度が前記第１の状態にある時間が閾時間よりも長く継続した場合と、のそれぞれにおいて、前記対象エリアに存在する前記人を刺激する刺激運転を前記設備機器に実行させる、
   設備制御装置。
3. 前記設備機器は、前記対象エリアを空調する空調機の室内機であり、
   前記刺激運転は、前記室内機から吹き出される空調空気の吹き出し方向を変化させる運転、又は前記空調空気の温度を低下させる運転である、
   請求項２に記載の設備制御装置。
4. 前記設備機器は、換気装置であり、
   前記刺激運転は、前記換気装置による換気の強度を上げる運転である、
   請求項２に記載の設備制御装置。
5. 前記設備機器は、照明機器であり、
   前記刺激運転は、前記照明機器による照明の色を変化させる運転である、
   請求項２に記載の設備制御装置。
6. 前記取得手段は、ドップラーセンサにより計測された計測データに基づいて、前記生体情報を取得する、
   請求項１から５のいずれか１項に記載の設備制御装置。
7. 前記生体情報は、前記人の呼吸に関する呼吸情報と、前記人の心拍に関する心拍情報と、前記人の体動に関する体動情報と、を含む、
   請求項１から６のいずれか１項に記載の設備制御装置。
8. 前記学習済みモデルは、互いに異なる人の生体情報と、対応する集中度と、の間の関係を学習することにより生成された複数の人別モデルを含み、
   前記対象エリアに存在する前記人を識別する識別手段、を更に備え、
   前記推定手段は、前記複数の人別モデルのうちの、前記識別手段により識別された前記人に対応する人別モデルに基づいて、前記取得手段により取得された前記生体情報から前記人の集中度を推定する、
   請求項１から７のいずれか１項に記載の設備制御装置。
9. 前記識別手段は、前記取得手段により取得された前記生体情報に基づいて、前記対象エリアに存在する前記人を識別する、
   請求項８に記載の設備制御装置。
10. 請求項１から９のいずれか１項に記載の設備制御装置と、学習装置と、を備える設備制御システムであって、
    前記学習装置は、
    前記関係を学習することにより、前記学習済みモデルを生成するモデル生成手段、を備え、
    前記設備制御装置において、
    前記推定手段は、前記モデル生成手段により生成された前記学習済みモデルに基づいて、前記取得手段により取得された前記生体情報から、前記対象エリアに存在する前記人の集中度を推定する、
    設備制御システム。
11. 対象エリア内の複数の個別エリアのそれぞれに存在する人の生体情報を取得し、
    学習対象の生体情報と、対応する集中度と、の間の関係を学習することにより生成された学習済みモデルに基づいて、取得された前記生体情報から、前記複数の個別エリアのそれぞれに存在する前記人の集中度を推定し、
    推定された前記集中度に基づいて、前記複数の個別エリアのそれぞれに設置された設備機器を制御し、
    前記複数の個別エリアのそれぞれに存在する人の集中度の推定結果と、前記複数の個別エリアのそれぞれに設置された設備機器の制御状態とを、個別エリア毎に関連付けて出力する、
    設備制御方法。
12. コンピュータを、
    対象エリア内の複数の個別エリアのそれぞれに存在する人の生体情報を取得する取得手段、
    学習対象の生体情報と、対応する集中度と、の間の関係を学習することにより生成された学習済みモデルに基づいて、前記取得手段により取得された前記生体情報から、前記複数の個別エリアのそれぞれに存在する前記人の集中度を推定する推定手段、
    前記推定手段により推定された前記集中度に基づいて、前記複数の個別エリアのそれぞれに設置された設備機器を制御する設備制御手段、
    前記複数の個別エリアのそれぞれに存在する人の集中度の、前記推定手段による推定結果と、前記複数の個別エリアのそれぞれに設置された設備機器の制御状態とを、個別エリア毎に関連付けて出力する出力手段、として機能さる、
    プログラム。