JP2009066017A - Stress evaluation device, stress evaluation system and stress evaluation program - Google Patents
Stress evaluation device, stress evaluation system and stress evaluation program Download PDFInfo
- Publication number
- JP2009066017A JP2009066017A JP2007234725A JP2007234725A JP2009066017A JP 2009066017 A JP2009066017 A JP 2009066017A JP 2007234725 A JP2007234725 A JP 2007234725A JP 2007234725 A JP2007234725 A JP 2007234725A JP 2009066017 A JP2009066017 A JP 2009066017A
- Authority
- JP
- Japan
- Prior art keywords
- vector
- stress evaluation
- calculating
- pulse wave
- stress
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Abstract
Description
本発明は、ユーザの心拍に伴う波動である脈波についてカオス解析を行うことにより、ユーザの心身の状態を診断するストレス評価装置、ストレス評価システムおよびストレス評価プログラムに関する。 The present invention relates to a stress evaluation apparatus, a stress evaluation system, and a stress evaluation program for diagnosing the state of mind and body of a user by performing chaos analysis on a pulse wave that is a wave accompanying a user's heartbeat.
従来より、製品やシステム等に対するユーザの使い心地、例えば、使い易さや分かり易さ等を定量化して評価することが行われている。製品等に対するユーザの使い心地を定量化する方法としては、例えば、アンケート等による自己申告を解析する方法が知られている。しかしながら、アンケート等による自己申告では、質問内容や、ユーザの恣意的な感情や、製品使用後にアンケート等に回答することによる記憶の整理等が影響して正確な情報を獲得することが困難であるという問題があった。また、例えば、製品等の連続使用による慣れについて評価する場合、アンケート等による自己申告では、定量化するための正確な情報を獲得すること自体が困難であるという問題があった。 Conventionally, it has been performed to quantify and evaluate user comfort for products, systems, and the like, for example, ease of use and ease of understanding. As a method for quantifying the user's comfort for a product or the like, for example, a method of analyzing self-reporting by a questionnaire or the like is known. However, in self-reporting by questionnaires, it is difficult to obtain accurate information due to the influence of question contents, user's arbitrary emotions, and the organization of memory by answering questionnaires after using the product. There was a problem. In addition, for example, when evaluating the familiarity of products and the like, it has been difficult to obtain accurate information for quantification by self-reporting using a questionnaire or the like.
また、ユーザの使い心地を定量化する方法としては、製品等の使用時におけるユーザの生体情報、例えば、製品等の使用時におけるユーザの心理状態やストレス等を解析する方法が知られている。なお、ユーザの生体情報は、アンケート等による自己申告に比べ、リアルタイムにモニタリングでき、ユーザの感情や記憶等にも左右されないため、正確な情報を獲得し易いという特徴がある。
ユーザの生体情報を獲得する方法としては、例えば、Ｆｕｎｃｔｉｏｎａｌ ＭＲＩ（Magnetic Resonance Imaging）による脳神経活動の画像解析、ユーザの顔の温度を測定する方法、心拍数に伴う指尖の血液の容積変動である指尖容積脈波、いわゆる脈波を測定する方法等がある。特に、脈波を測定する方法は、例示した他の方法に比べて、大がかりな装置を使用しなくても実現でき、コストを低減できるため、生体の健康状態や心理状態を解析する方法として広く用いられている。
As a method for quantifying the user's comfort, there is known a method of analyzing a user's biological information when using a product or the like, for example, a user's psychological state or stress when using a product or the like. Note that the user's biological information can be monitored in real time as compared to self-reporting by a questionnaire or the like, and is not influenced by the user's emotions or memories, so that accurate information can be easily obtained.
Examples of the method for acquiring the user's biological information include image analysis of cranial nerve activity by Functional MRI (Magnetic Resonance Imaging), a method of measuring the temperature of the user's face, and volume fluctuation of the fingertip blood accompanying the heart rate. There is a method for measuring a fingertip volume pulse wave, a so-called pulse wave, and the like. In particular, the method of measuring a pulse wave can be realized without using a large-scale device compared with other exemplified methods, and can reduce costs. Therefore, it is widely used as a method for analyzing the health state and psychological state of a living body. It is used.
前記脈波を測定することにより、ユーザの心理状態やストレス等を解析する技術として、例えば、以下の従来技術（Ｊ01），（Ｊ02）が公知である。
（Ｊ01）特許文献１（特開２００４−２２３２５８号公報）記載の技術
特許文献１には、発光部の光源から人体の特定部位（指尖、耳たぶ等）に特定波長の光を照射した後、照射部位を透過した光の光量信号であるＰＰＧ（PhotoPlethysmoGraphy）信号のピーク間隔（Peak to Peak Interval）の変位に基づいて、被験者のストレス程度、すなわち、安定度を評価する安定度評価装置についての技術が記載されている。
（Ｊ02）非特許文献１記載の技術
非特許文献１には、脈波についてカオス解析を行うことにより、動脈硬化を正確に把握したり、ストレスや疲労など心身の状態を鋭敏にとらえたりする脈波カオス健康度評価システムについて記載されている。
For example, the following conventional techniques (J01) and (J02) are known as techniques for analyzing a user's psychological state, stress, and the like by measuring the pulse wave.
(J01) Patent Document 1 (Japanese Patent Application Laid-Open No. 2004-223258) Patent Document 1 describes that after irradiating a specific part (fingertip, earlobe, etc.) of a human body with a specific wavelength from a light source of a light emitting unit, A technique for a stability evaluation apparatus that evaluates the degree of stress of a subject, that is, the stability, based on the displacement of the peak interval (Peak to Peak Interval) of a PPG (PhotoPlethysmoGraphy) signal, which is a light amount signal of light transmitted through the irradiated region Is described.
(J02) Technology described in Non-Patent Document 1 Non-Patent Document 1 describes a pulse that accurately grasps arteriosclerosis or senses the state of mind and body such as stress and fatigue by performing chaos analysis on the pulse wave. A wave chaos health evaluation system is described.
（カオス解析について）
ここで、カオスとは、あるシステム（系）が所定の規則に従って変化することで、複雑で不規則かつ不安定に振る舞う事象をいう。また、カオス解析とは、自然界の事象からカオス性を抽出し、その変動を生み出す規則を解析するものである。前記カオス解析は、複雑な現象をシンプルな規則で表現できる場合も多いため、状態の把握や予測等に利用され、物理学、工学、経済学、社会学、生命科学等のさまざまな分野で応用されている。
ここで、初期状態が与えられればその後の状態が予測できるという決定論的な規則を有するシステム、例えば、力学系のシステムについては、その構造を、全ての状態変数を軸とする座標空間、いわゆる、状態空間（相空間）の関数として表現でき、その運動を、前記関数による前記状態空間上の軌道（トラジェクトリ）が描く幾何学的構造、いわゆる、アトラクタとして表現できる。よって、前記アトラクタを解析する等により、前記システムのカオス解析を行うことができる。
(About chaos analysis)
Here, chaos refers to an event that behaves in a complex, irregular and unstable manner when a certain system (system) changes according to a predetermined rule. Chaos analysis is the extraction of chaos from natural events and the analysis of the rules that produce the fluctuations. The chaos analysis can often express complex phenomena with simple rules, so it is used for grasping and predicting states and applied in various fields such as physics, engineering, economics, sociology, and life sciences. Has been.
Here, for a system having a deterministic rule that a subsequent state can be predicted if an initial state is given, for example, a system of a dynamic system, its structure is a coordinate space with all state variables as axes, so-called The motion can be expressed as a so-called attractor, which is a geometric structure drawn by a trajectory (trajectory) on the state space by the function. Therefore, the chaos analysis of the system can be performed by analyzing the attractor.
（アトラクタの構成について）
しかしながら、実際にカオス解析をする段階では、解析対象となるシステムの構造が不明な場合や、前記状態変数の個数が不明な場合もあるため、全ての状態変数により表現された前記アトラクタを構成することは困難である。よって、この場合、１個の状態変数から複数個の状態変数を復元するターケンスの埋め込み定理に基づいて、アトラクタが構成される。具体的には、まず、解析対象のシステムにおける時間経過による位置等の状態変化の情報、いわゆる、時系列データを測定する。次に、時間をｔ，τとし、時間ｔでサンプリングされた前記時系列データをｘ（ｔ）とした場合、前記時系列データｘ（ｔ）から時間τずつ遅れたタイミングで開始されるｎ組の時系列データを作製する。すなわち、ｎ組の時系列データｘ（ｔ），ｘ（ｔ−τ），ｘ（ｔ−２τ），…，ｘ（ｔ−（ｎ−１）τ）を作製する。そして、前記ｎ組の時系列データｘ（ｔ），ｘ（ｔ−τ），ｘ（ｔ−２τ），…，ｘ（ｔ−（ｎ−１）τ）を状態変数とするｎ次元状態空間に、各時系列データの値をプロットすることにより前記アトラクタが構成される。
(About the structure of the attractor)
However, in the stage where the chaos analysis is actually performed, the structure of the system to be analyzed may be unknown or the number of the state variables may be unknown. Therefore, the attractor expressed by all the state variables is configured. It is difficult. Therefore, in this case, the attractor is configured based on the Turkens embedding theorem that restores a plurality of state variables from one state variable. Specifically, first, information on a state change such as a position over time in a system to be analyzed, so-called time series data, is measured. Next, assuming that time is t, τ and the time series data sampled at time t is x (t), n sets started at a timing delayed by time τ from the time series data x (t). Create time-series data. That is, n sets of time series data x (t), x (t−τ), x (t−2τ),..., X (t− (n−1) τ) are created. An n-dimensional state space having the n sets of time series data x (t), x (t−τ), x (t−2τ),..., X (t− (n−1) τ) as state variables. In addition, the attractor is configured by plotting the values of each time series data.
すなわち、ｘ（ｔ），ｘ（ｔ−τ），ｘ（ｔ−２τ），…，ｘ（ｔ−（ｎ−１）τ）を各軸とするｎ次元状態空間について、ｔ＝０，１，２，…の場合のｘ（ｔ），ｘ（ｔ−τ），ｘ（ｔ−２τ），…，ｘ（ｔ−（ｎ−１）τ）の各値の集合を、それぞれ点Ｘ（０），Ｘ（１），Ｘ（２），…として描画する処理を繰り返す。まず、ｔ＝０の場合の点Ｘ（０）＝（ｘ（０），ｘ（０−τ），ｘ（０−２τ），…，ｘ（０−（ｎ−１）τ））を描画する。次に、ｔ＝１の場合の点Ｘ（１）＝（ｘ（１），ｘ（１−τ），ｘ（１−２τ），…，ｘ（１−（ｎ−１）τ））を描画し、描画された２点Ｘ（０），Ｘ（１）を結ぶ線を描画する。そして、ｔ＝２以降の場合についても同様の処理を繰り返す。このとき、前記各点Ｘ（０），Ｘ（１），Ｘ（２），…がデータベクトル、前記各点Ｘ（０），Ｘ（１），Ｘ（２），…を結んでいった線が軌道（トラジェクトリ）、前記軌道の幾何学的構造が構成されたアトラクタ、τが埋め込み遅れ時間、ｎが埋め込み次数としてそれぞれ定義されている。
なお、前記ターケンスの埋め込み定理については、例えば、特許文献２（特開２００２−７３５８７号公報）、非特許文献２等に記載されており、公知である。
That is, for an n-dimensional state space with x (t), x (t−τ), x (t−2τ),..., X (t− (n−1) τ) as axes, t = 0, 1 , 2,..., X (t), x (t−τ), x (t−2τ),. 0), X (1), X (2),... First, the point X (0) = (x (0), x (0−τ), x (0−2τ),..., X (0− (n−1) τ)) when t = 0 is drawn. To do. Next, the point X (1) = (x (1), x (1-τ), x (1-2τ),..., X (1- (n−1) τ)) when t = 1 is obtained. Drawing is performed, and a line connecting the drawn two points X (0) and X (1) is drawn. The same processing is repeated for the case after t = 2. At this time, the points X (0), X (1), X (2),... Connect the data vectors and the points X (0), X (1), X (2),. A line is defined as a trajectory, an attractor in which the geometric structure of the trajectory is formed, τ is an embedding delay time, and n is an embedding order.
The Turkens embedding theorem is well known and described in, for example, Patent Document 2 (Japanese Patent Laid-Open No. 2002-73587) and Non-Patent Document 2.
（アトラクタの解析方法について）
さらに、前記ターケンスの埋め込み定理により構成されたアトラクタを解析する技術として、例えば、以下の従来技術（Ｊ03）が公知である。
（Ｊ03）特許文献３（特許第３７８５７０３号明細書）記載の技術
特許文献３には、対象となるシステムによって予め設定された次元（埋め込み次数ｎ）と遅れ（埋め込み遅れ時間τ）とに基づいて、前記システムで測定された時系列データをｎ次元状態空間に埋め込む処理、すなわち、アトラクタを構成する処理を実行する埋め込み処理部（２２）が記載されている。また、特許文献３では、埋め込まれた時系列データのデータベクトル（Ｘｉ）がランダムに選択されるデータベクトル選択部（２３）と、選択された前記データベクトル（Ｘｉ）近傍の空間内で前記データベクトル（Ｘｉ）とは異なる軌道上、すなわち、前記近傍空間内では異なる線分上に存在する近傍ベクトル（Ｘｊ）を検出する近傍ベクトル検出部（２４）とが記載されている。
(About the analysis method of attractors)
Further, as a technique for analyzing an attractor configured by the Turkens embedding theorem, for example, the following prior art (J03) is known.
(J03) Technology described in Patent Document 3 (Japanese Patent No. 3785703) Patent Document 3 includes a dimension (embedding order n) and a delay (embedding delay time τ) preset by a target system. There is described an embedding processing section (22) for executing processing for embedding time-series data measured by the system in an n-dimensional state space, that is, processing for constituting an attractor. In Patent Document 3, a data vector selection unit (23) that randomly selects a data vector (Xi) of embedded time-series data, and the data in a space near the selected data vector (Xi). A neighborhood vector detection unit (24) for detecting a neighborhood vector (Xj) existing on a different track from the vector (Xi), that is, on a different line segment in the neighborhood space is described.
また、特許文献３には、前記各データベクトル（Ｘｉ，Ｘｊ）を通過する各軌道の接線方向（Ｔｉ，Ｔｊ）を演算する接線方向演算部（２５）と、前記接線方向（Ｔｉ，Ｔｊ）の平行度を演算する（評価する）平行度評価部（２６）とが記載されている。なお、特許文献３では、前記平行度は、前記接線方向（Ｔｉ，Ｔｊ）が平行に近いほど０に近い値となる。また、特許文献３では、あるデータベクトルの平行度の評価がされた後、別のデータベクトルに対して平行度の評価を行う処理をＮ回繰り返している。そして、前記標本数分（Ｎ個分）の平行度の平均値を算出し、前記平均値に基づいて決定論的な規則を有するシステムであるか否かを判定する技術が記載されている。 Patent Document 3 discloses a tangential direction calculation unit (25) for calculating a tangential direction (Ti, Tj) of each trajectory passing through each data vector (Xi, Xj), and the tangential direction (Ti, Tj). And a parallelism evaluation unit (26) that calculates (evaluates) the parallelism of. In Patent Document 3, the parallelism becomes a value closer to 0 as the tangential direction (Ti, Tj) is closer to parallel. In Patent Document 3, after the parallelism of a certain data vector is evaluated, the process of evaluating the parallelism for another data vector is repeated N times. A technique is described in which an average value of parallelism for the number of samples (N) is calculated, and whether or not the system has a deterministic rule based on the average value is described.
（従来の脈波のカオス解析について）
なお、前記従来技術（Ｊ02）には、脈波におけるカオス解析について具体的に開示されていないが、前記従来技術（Ｊ03）と同様の技術、いわゆる、軌道平行測度法（ＴＰＭ：Trajectory Parallel Measure）が利用されていると考えられる。前記軌道平行測度法を利用した脈波のカオス解析については、例えば、以下の従来技術（Ｊ04）が公知である。
（Ｊ04）非特許文献３，４記載の技術
非特許文献３，４には、前記脈波の変曲点をより明確にするために、測定された前記脈波の２次微分波、いわゆる、加速度脈波を計測する技術が記載されている。また、非特許文献３，４には、前記加速度脈波を時系列データとしてアトラクタを構成し、前記アトラクタにおける前記データベクトルの平行度の平均値等を算出すると共に、従来公知のリカレンスプロット法（非特許文献３等参照）により、前記加速度脈波の定常性の評価値を算出し、前記平均値と、前記評価値とに基づいて、ユーザの健康状態（血流年齢、疾患等）を診断する技術が記載されている。
(Conventional pulse wave chaos analysis)
The prior art (J02) does not specifically disclose chaos analysis in the pulse wave, but the same technique as the prior art (J03), so-called trajectory parallel measure (TPM). Is considered to be used. For example, the following prior art (J04) is known for chaos analysis of a pulse wave using the trajectory parallel measure method.
(J04) Techniques described in Non-Patent Documents 3 and 4 In Non-Patent Documents 3 and 4, in order to clarify the inflection point of the pulse wave, a second-order differential wave of the measured pulse wave, so-called A technique for measuring an acceleration pulse wave is described. In Non-Patent Documents 3 and 4, an attractor is constructed using the acceleration pulse wave as time series data, and an average value of the parallelism of the data vector in the attractor is calculated, and a conventionally known recurrence plot method is used. (See Non-Patent Document 3, etc.) Based on the average value and the evaluation value, the user's health condition (blood flow age, disease, etc.) is calculated. Techniques for diagnosis are described.
（従来技術の問題点）
前記従来技術（Ｊ04）では、前記加速度脈波を時系列データとする前記アトラクタにおけるデータベクトルの平行度の平均値と、リカレンスプロット法における評価値とを算出し、血流年齢や疾患等の健康状態を診断している。しかしながら、前記従来技術（Ｊ04）では、同じ脈波で前記平均値を算出しても、選択されるデータベクトルの位置（座標位置）や数（標本数Ｎ）によって得られる値が大きく異なる場合があった。
例えば、ストレス状態でない健常者について、前記脈波を測定して複数の平行度を算出した場合、前記複数の平行度の平均値は限りなく０に近い値が算出されることが期待されている。しかし、算出された複数の平行度の中に極端に大きな値が存在する場合、前記平均値は一部の大きな値に影響され易いため、選択されるデータベクトルの位置（座標位置）や数（標本数Ｎ）によっては、０から大きく離れた値が算出される場合がある。この結果、同じ脈波であっても算出される平均値に大きなバラツキが発生する可能性があった。
したがって、前記従来技術（Ｊ04）では、前記軌道平行測度法により算出された前記平均値に基づいて、ユーザにおける疾患等の健康状態やストレス等の心理状態を精度良く診断することができないという問題があった。
(Problems of conventional technology)
In the prior art (J04), the average value of the parallelism of the data vector in the attractor using the acceleration pulse wave as time series data and the evaluation value in the recurrence plot method are calculated, and blood flow age, disease, etc. Diagnosis of health condition. However, in the prior art (J04), even if the average value is calculated with the same pulse wave, the values obtained depending on the position (coordinate position) and the number (sample number N) of the selected data vector may differ greatly. there were.
For example, for a healthy person who is not in a stressed state, when measuring the pulse wave and calculating a plurality of parallelisms, it is expected that the average value of the plurality of parallelisms will be calculated as close to 0 as possible. . However, if there is an extremely large value among the calculated parallelisms, the average value is easily affected by some large values, and therefore the position (coordinate position) and number ( Depending on the number of samples N), a value far from 0 may be calculated. As a result, even if the pulse waves are the same, there is a possibility that a large variation occurs in the calculated average value.
Therefore, in the prior art (J04), there is a problem in that it is impossible to accurately diagnose a user's health condition such as a disease and a psychological condition such as stress based on the average value calculated by the trajectory parallel measure method. there were.
また、平常時のアトラクタは隣り合う軌跡の間隔が小さく、ストレス時のアトラクタは隣り合う軌跡の間隔が大きいという特徴を有する。しかし、前記従来技術（Ｊ04）によるリカレンスプロット法における数値化の方法では、この特徴に対する数値化を示していないという問題があった。
したがって、前記従来技術（Ｊ04）では、前記軌道平行測度法により算出された前記平均値と前記リカレンスプロット法により算出された前記評価値に基づいて、ユーザにおける疾患等の健康状態やストレス等の心理状態を精度良く診断することができないという問題があった。
In addition, the normal attractor has a feature that the interval between adjacent tracks is small, and the attractor at the time of stress has a feature that the interval between adjacent tracks is large. However, the method of quantification in the recurrence plot method according to the prior art (J04) has a problem that the quantification for this feature is not shown.
Therefore, in the prior art (J04), based on the average value calculated by the trajectory parallel measure method and the evaluation value calculated by the recurrence plot method, a health condition such as a disease in the user, stress, etc. There was a problem that the psychological state could not be accurately diagnosed.
本発明は、前述の事情に鑑み、次の記載内容（Ｏ01）を技術的課題とする。
（Ｏ01）ユーザの心身の状態を精度良く診断すること。
In view of the above circumstances, the present invention has the following description (O01) as a technical problem.
(O01) To accurately diagnose the state of mind and body of the user.
前記技術的課題を解決するために、請求項１記載の発明のストレス評価装置は、
ユーザの心拍に伴う波動である脈波を測定する脈波測定手段と、
前記脈波に基づいて、予め設定された遅れ時間および次数に基づいて構成される状態空間の関数を演算することにより、前記状態空間上に描かれた前記関数の軌道の幾何学的構造であるアトラクタを構成するアトラクタ構成手段と、
前記軌道上の点であるデータベクトルについて、複数の前記データベクトルのうちの１つの選択ベクトルを選択するデータベクトル選択手段と、
前記状態空間の部分空間である前記選択ベクトルの近傍空間内において、前記選択ベクトルの近傍の点であり且つ前記選択ベクトルとは異なる軌道上の点である近傍ベクトルを検出する近傍ベクトル検出手段と、
前記選択ベクトルを通過する軌道の接線のベクトルと、前記近傍ベクトルを通過する軌道の接線のベクトルとを演算する接線ベクトル演算手段と、
前記各接線のベクトルどうしの平行度を演算する平行度演算手段と、
前記選択ベクトルと、前記近傍ベクトルとの差分ベクトルの長さである距離を演算する距離演算手段と、
複数の前記選択ベクトルにおいて演算された複数の前記平行度と、複数の前記距離とに基づいて、ストレスを評価するためのストレス評価値を演算するストレス評価値演算手段と、
前記ストレス評価値と、予め記憶された基準となるストレス評価値である基準ストレス評価値とを比較することにより、ユーザの心身の状態を診断する診断手段と、
を備えたことを特徴とする。
In order to solve the technical problem, the stress evaluation apparatus according to claim 1 comprises:
A pulse wave measuring means for measuring a pulse wave which is a wave accompanying a user's heartbeat;
A geometric structure of the trajectory of the function drawn on the state space by calculating a state space function based on a preset delay time and order based on the pulse wave Attractor constituting means constituting the attractor;
Data vector selection means for selecting one of a plurality of the data vectors for a data vector that is a point on the trajectory;
In a neighborhood space of the selection vector, which is a subspace of the state space, neighborhood vector detection means for detecting a neighborhood vector that is a point near the selection vector and a point on a trajectory different from the selection vector;
A tangent vector computing means for computing a tangential vector of a trajectory passing through the selected vector and a tangential vector of a trajectory passing through the neighborhood vector;
Parallelism calculating means for calculating parallelism between the vectors of the tangent lines,
Distance calculating means for calculating a distance that is a length of a difference vector between the selected vector and the neighborhood vector;
A stress evaluation value calculation means for calculating a stress evaluation value for evaluating stress based on the plurality of parallelisms calculated in the plurality of selection vectors and the plurality of distances;
A diagnostic means for diagnosing the state of mind and body of the user by comparing the stress evaluation value with a reference stress evaluation value that is a stress evaluation value that is a prestored reference;
It is provided with.
請求項２に記載の発明は、請求項１に記載の前記ストレス評価装置において、
前記脈波の２次微分波である加速度脈波を演算する加速度脈波演算手段と、
前記加速度脈波に基づいて、前記状態空間の関数を演算することにより、前記アトラクタを構成する前記アトラクタ構成手段と、
を備えたことを特徴とする。
The invention according to claim 2 is the stress evaluation apparatus according to claim 1,
Acceleration pulse wave calculating means for calculating an acceleration pulse wave which is a second-order differential wave of the pulse wave;
Based on the acceleration pulse wave, the attractor constituting means constituting the attractor by calculating a function of the state space;
It is provided with.
請求項３に記載の発明は、請求項１または請求項２に記載の前記ストレス評価装置において、
前記複数の選択ベクトルに対応する前記複数の平行度から、予め設定された閾値よりも平行に近い平行度の累積度数を計数し、計数された前記平行度の累積度数が、前記複数の平行度の総数に占める割合である平行度累積度数率を演算する平行度累積度数率演算手段と、
前記アトラクタのサイズとして構成された全ての前記データベクトル間の差分ベクトルの長さのうちの最長の長さである最長距離に対する、前記複数の選択ベクトルに対応する前記複数の距離の平均値の割合である距離率を演算する距離率演算手段と、
前記平行度累積度数率と前記距離率とに基づいて、前記ストレス評価値を演算する前記ストレス評価値演算手段と、
を備えたことを特徴とする。
The invention according to claim 3 is the stress evaluation apparatus according to claim 1 or 2,
From the plurality of parallelisms corresponding to the plurality of selection vectors, a cumulative degree of parallelism closer to parallel than a preset threshold value is counted, and the counted cumulative degree of parallelism is the plurality of parallelisms A parallelism cumulative frequency rate calculating means for calculating a parallelism cumulative frequency rate that is a proportion of the total number of
The ratio of the average value of the plurality of distances corresponding to the plurality of selection vectors to the longest distance that is the longest length of the difference vectors between all the data vectors configured as the size of the attractor A distance rate calculating means for calculating a distance rate of
The stress evaluation value calculating means for calculating the stress evaluation value based on the parallel degree and the distance rate;
It is provided with.
前記技術的課題を解決するために、請求項４記載の発明のストレス評価システムは、
ユーザの心拍に伴う波動である脈波を測定する脈波測定手段と、
前記脈波に基づいて、予め設定された遅れ時間および次数に基づいて構成される状態空間の関数を演算することにより、前記状態空間上に描かれた前記関数の軌道の幾何学的構造であるアトラクタを構成するアトラクタ構成手段と、
前記軌道上の点であるデータベクトルについて、複数の前記データベクトルのうちの１つの選択ベクトルを選択するデータベクトル選択手段と、
前記状態空間の部分空間である前記選択ベクトルの近傍空間内において、前記選択ベクトルの近傍の点であり且つ前記選択ベクトルとは異なる軌道上の点である近傍ベクトルを検出する近傍ベクトル検出手段と、
前記選択ベクトルを通過する軌道の接線のベクトルと、前記近傍ベクトルを通過する軌道の接線のベクトルとを演算する接線ベクトル演算手段と、
前記各接線のベクトルどうしの平行度を演算する平行度演算手段と、
前記選択ベクトルと、前記近傍ベクトルとの差分ベクトルの長さである距離を演算する距離演算手段と、
複数の前記選択ベクトルにおいて演算された複数の前記平行度と、複数の前記距離とに基づいて、ストレスを評価するためのストレス評価値を演算するストレス評価値演算手段と、
前記ストレス評価値と、予め記憶された基準となるストレス評価値である基準ストレス評価値とを比較することにより、ユーザの心身の状態を診断する診断手段と、
を備えたことを特徴とする。
In order to solve the technical problem, the stress evaluation system according to claim 4 is characterized in that:
A pulse wave measuring means for measuring a pulse wave which is a wave accompanying a user's heartbeat;
A geometric structure of the trajectory of the function drawn on the state space by calculating a state space function based on a preset delay time and order based on the pulse wave Attractor constituting means constituting the attractor;
Data vector selection means for selecting one of a plurality of the data vectors for a data vector that is a point on the trajectory;
In a neighborhood space of the selection vector, which is a subspace of the state space, neighborhood vector detection means for detecting a neighborhood vector that is a point near the selection vector and a point on a trajectory different from the selection vector;
A tangent vector computing means for computing a tangential vector of a trajectory passing through the selected vector and a tangential vector of a trajectory passing through the neighborhood vector;
Parallelism calculating means for calculating parallelism between the vectors of the tangent lines,
Distance calculating means for calculating a distance that is a length of a difference vector between the selected vector and the neighborhood vector;
A stress evaluation value calculation means for calculating a stress evaluation value for evaluating stress based on the plurality of parallelisms calculated in the plurality of selection vectors and the plurality of distances;
A diagnostic means for diagnosing the state of mind and body of the user by comparing the stress evaluation value with a reference stress evaluation value that is a stress evaluation value that is a prestored reference;
It is provided with.
前記技術的課題を解決するために、請求項５記載の発明のストレス評価プログラムは、
コンピュータを、
ユーザの心拍に伴う波動である脈波を測定する脈波測定手段、
前記脈波に基づいて、予め設定された遅れ時間および次数に基づいて構成される状態空間の関数を演算することにより、前記状態空間上に描かれた前記関数の軌道の幾何学的構造であるアトラクタを構成するアトラクタ構成手段、
前記軌道上の点であるデータベクトルについて、複数の前記データベクトルのうちの１つの選択ベクトルを選択するデータベクトル選択手段、
前記状態空間の部分空間である前記選択ベクトル近傍の近傍空間内において、前記選択ベクトルの近傍の点であり且つ前記選択ベクトルとは異なる軌道上の点である近傍ベクトルを検出する近傍ベクトル検出手段、
前記選択ベクトルを通過する軌道の接線のベクトルと、前記近傍ベクトルを通過する軌道の接線のベクトルとを演算する接線ベクトル演算手段、
前記各接線のベクトルどうしの平行度を演算する平行度演算手段、
前記選択ベクトルと、前記近傍ベクトルとの差分ベクトルの長さである距離を演算する距離演算手段、
複数の前記選択ベクトルにおいて演算された複数の前記平行度と、複数の前記距離とに基づいて、ストレスを評価するためのストレス評価値を演算するストレス評価値演算手段、
前記ストレス評価値と、予め記憶された基準となるストレス評価値である基準ストレス評価値とを比較することにより、ユーザの心身の状態を診断する診断手段、
として機能させる。
In order to solve the technical problem, the stress evaluation program of the invention according to claim 5 comprises:
Computer
A pulse wave measuring means for measuring a pulse wave which is a wave accompanying a user's heartbeat;
A geometric structure of the trajectory of the function drawn on the state space by calculating a state space function based on a preset delay time and order based on the pulse wave Attractor constituting means constituting the attractor,
A data vector selecting means for selecting one of a plurality of the data vectors for a data vector that is a point on the trajectory;
Neighborhood vector detection means for detecting a neighborhood vector that is a point in the vicinity of the selection vector and a point on a trajectory different from the selection vector in a neighborhood space near the selection vector that is a subspace of the state space;
A tangent vector computing means for computing a tangential vector of a trajectory passing through the selected vector and a tangential vector of a trajectory passing through the neighborhood vector;
Parallelism calculating means for calculating parallelism between the vectors of the tangent lines,
Distance calculating means for calculating a distance which is a length of a difference vector between the selected vector and the neighborhood vector;
Stress evaluation value calculating means for calculating a stress evaluation value for evaluating stress based on the plurality of parallelisms calculated in the plurality of selection vectors and the plurality of distances;
A diagnostic means for diagnosing the state of mind and body of the user by comparing the stress evaluation value with a reference stress evaluation value that is a stress evaluation value that is a prestored reference;
To function as.
請求項１に記載の発明によれば、前記複数の平行度と前記複数の距離とに基づいて演算された前記ストレス評価値と、前記基準ストレス評価値とが比較されることにより、ユーザの心身の状態が診断されるため、複数の平行度の中に極端に大きな値が存在する場合でも、その一部の大きな値に影響されることなく診断できる。この結果、一部の大きな値に影響され易い平均値に基づいて診断される従来の場合に比べ、ユーザの心身の状態を精度良く診断することができる。
請求項２の記載の発明によれば、前記脈波に比べて、ユーザの心身の状態に応じて変化し易い前記加速度脈波に基づいて前記アトラクタを構成することができるため、ユーザの心身の状態を精度良く診断することができる。
請求項３の記載の発明によれば、前記平行度累積度数率と前記距離率とに基づいて演算された前記ストレス評価値によって、ユーザの心身の状態を診断することができ、本発明の構成を有していない場合に比べ、ユーザの心身の状態を精度良く診断することができる。
According to the first aspect of the present invention, the stress evaluation value calculated based on the plurality of parallelisms and the plurality of distances is compared with the reference stress evaluation value, so that the user's mind and body can be obtained. Therefore, even when an extremely large value exists in a plurality of parallelisms, the diagnosis can be performed without being influenced by some of the large values. As a result, the state of mind and body of the user can be diagnosed with higher accuracy than in the conventional case in which diagnosis is performed based on an average value that is easily influenced by some large values.
According to the second aspect of the present invention, the attractor can be configured based on the acceleration pulse wave that is more likely to change according to the state of mind and body of the user than the pulse wave. The state can be diagnosed with high accuracy.
According to the third aspect of the present invention, the state of mind and body of the user can be diagnosed by the stress evaluation value calculated based on the cumulative degree of parallelism rate and the distance rate. Compared to the case where the user does not have the function, the user's mental and physical state can be diagnosed with high accuracy.
請求項４の記載の発明によれば、前記複数の平行度と前記複数の距離とに基づいて演算された前記ストレス評価値と、前記基準ストレス評価値とが比較されることにより、ユーザの心身の状態が診断されるため、複数の平行度の中に極端に大きな値が存在する場合でも、その一部の大きな値に影響されることなく診断できる。この結果、一部の大きな値に影響され易い平均値に基づいて診断される従来の場合に比べ、ユーザの心身の状態を精度良く診断することができる。
請求項５の記載の発明によれば、前記複数の平行度と前記複数の距離とに基づいて演算された前記ストレス評価値と、前記基準ストレス評価値とが比較されることにより、ユーザの心身の状態が診断されるため、複数の平行度の中に極端に大きな値が存在する場合でも、その一部の大きな値に影響されることなく診断できる。この結果、一部の大きな値に影響され易い平均値に基づいて診断される従来の場合に比べ、ユーザの心身の状態を精度良く診断することができる。
According to the invention of claim 4, the stress evaluation value calculated based on the plurality of parallelisms and the plurality of distances is compared with the reference stress evaluation value, so that the mind and body of the user can be obtained. Therefore, even when an extremely large value exists in a plurality of parallelisms, the diagnosis can be performed without being influenced by some of the large values. As a result, the state of mind and body of the user can be diagnosed with higher accuracy than in the conventional case in which diagnosis is performed based on an average value that is easily influenced by some large values.
According to the fifth aspect of the present invention, the stress evaluation value calculated based on the plurality of parallelisms and the plurality of distances is compared with the reference stress evaluation value, so that the mind and body of the user can be obtained. Therefore, even when an extremely large value exists in a plurality of parallelisms, the diagnosis can be performed without being influenced by some of the large values. As a result, the state of mind and body of the user can be diagnosed with higher accuracy than in the conventional case in which diagnosis is performed based on an average value that is easily influenced by some large values.
次に図面を参照しながら、本発明の実施の形態の具体例（実施例）を説明するが、本発明は以下の実施例に限定されるものではない。 Next, specific examples (examples) of the embodiments of the present invention will be described with reference to the drawings, but the present invention is not limited to the following examples.
図１は本発明の実施例１のストレス評価装置の全体説明図である。
図１において、実施例１のストレス評価装置Ｕは、ユーザの脈波、例えば、指尖の血管の容積変化である指尖容積脈波を測定するための脈波センサＳＮ１と、前記脈波センサＳＮ１に接続されたユーザが操作可能な端末としてのクライアントパソコン（パーソナルコンピュータ）ＰＣとを有する。
前記クライアントパソコンＰＣは、コンピュータ装置により構成されており、コンピュータ本体Ｈ１と、ディスプレイＨ２と、キーボードＨ３やマウスＨ４等の入力装置、図示しないＨＤドライブ（ハードディスクドライブ）、ＣＤドライブ（コンパクトディスクドライブ）等により構成されている。
なお、実施例１の前記脈波センサＳＮ１は、指尖容積脈波を測定する従来公知の光電子式の脈波計（例えば、特許文献１参照）によって構成されているが、これに限定されず、例えば、血管内の圧力変化である圧脈波を測定する従来公知の圧電式の脈波計（例えば、特開２００４−３２１２５４号公報等参照）により構成することも可能である。
FIG. 1 is an overall explanatory view of a stress evaluation apparatus according to a first embodiment of the present invention.
In FIG. 1, the stress evaluation apparatus U according to the first embodiment includes a pulse wave sensor SN1 for measuring a user's pulse wave, for example, a finger tip volume pulse wave that is a volume change of a blood vessel of the finger tip, and the pulse wave sensor. It has a client personal computer (personal computer) PC as a terminal operable by a user connected to SN1.
The client personal computer PC is composed of a computer device, and includes a computer main body H1, a display H2, input devices such as a keyboard H3 and a mouse H4, an HD drive (hard disk drive), a CD drive (compact disk drive), etc. not shown. It is comprised by.
The pulse wave sensor SN1 of the first embodiment is configured by a conventionally known optoelectronic pulse wave meter (for example, see Patent Document 1) that measures fingertip volume pulse waves, but is not limited thereto. For example, it may be configured by a conventionally known piezoelectric pulse wave meter (for example, see Japanese Patent Application Laid-Open No. 2004-321254) that measures a pressure pulse wave that is a pressure change in a blood vessel.
（実施例１のクライアントパソコンＰＣの制御部の説明）
図２は本発明の実施例１のクライアントパソコンの制御部が備えている各機能をブロック図（機能ブロック図）で示した図である。
図２において、クライアントパソコンＰＣのコンピュータ本体Ｈ１は、外部との信号の入出力および入出力信号レベルの調節等を行うＩ／Ｏ（入出力インターフェース）、必要な処理を行うためのプログラムおよびデータ等が記憶されたＲＯＭ（リードオンリーメモリ）、必要なデータを一時的に記憶するためのＲＡＭ（ランダムアクセスメモリ）、ハードディスクやＲＯＭ等に記憶されたプログラムに応じた処理を行うＣＰＵ（中央演算処理装置）、ならびにクロック発振器等を有している。
前記構成のクライアントパソコンＰＣは、前記ハードディスクやＲＯＭ等に記憶されたプログラムを実行することにより種々の機能を実現することができる。
(Description of Control Unit of Client PC of Example 1)
FIG. 2 is a block diagram (function block diagram) illustrating each function provided in the control unit of the client personal computer according to the first embodiment of the present invention.
In FIG. 2, the computer main body H1 of the client personal computer PC has an I / O (input / output interface) for performing input / output of signals to / from the outside and adjustment of the input / output signal level, a program and data for performing necessary processing, and the like. ROM (Read Only Memory) in which is stored, RAM (Random Access Memory) for temporarily storing necessary data, CPU (Central Processing Unit) that performs processing according to programs stored in a hard disk, ROM, etc. ), A clock oscillator, and the like.
The client personal computer PC having the above configuration can realize various functions by executing a program stored in the hard disk, ROM, or the like.
前記クライアントパソコンＰＣの前記ハードディスクドライブには、クライアントパソコンの基本動作を制御する基本ソフト（オペレーティングシステム）ＯＳや、アプリケーションプログラムとしてのストレス評価プログラムＡＰ１、その他の図示しないソフトウェア（文書作成ソフトウェアや製図ソフトウェア等）が記憶されている。 The hard disk drive of the client personal computer PC has a basic software (operating system) OS for controlling basic operations of the client personal computer, a stress evaluation program AP1 as an application program, and other software (not shown, such as document creation software and drafting software). ) Is stored.
（ストレス評価プログラムＡＰ１）
ストレス評価プログラムＡＰ１は、下記の機能手段（プログラムモジュール）を有する。
図３は実施例１のストレス診断プログラムが表示する解析条件パラメタ入力画像の説明図である。
Ｃ１：カオス解析条件入力画像表示手段
カオス解析条件入力画像表示手段Ｃ１は、脈波についてカオス解析を行うための条件であるカオス解析条件をユーザが入力するためのカオス解析条件入力画像１を前記ディスプレイＨ２に表示する。
図３において、実施例１の前記カオス解析条件入力画像１は、脈波を測定する時間である脈波測定時間ｔを入力するための脈波測定時間入力欄２と、埋め込み遅れ時間τを入力するための埋め込み遅れ時間入力欄３と、埋め込み次数ｎを入力するための埋め込み次数入力欄４と、標本数Ｎを入力するための標本数入力欄６とを有する。また、前記カオス解析条件入力画像１は、入力したカオス解析条件ｔ，τ，ｎ，Ｎに基づいて、脈波についてのカオス解析を行うことにより、疾患等の健康状態やストレス等の心理状態を診断するストレス診断処理を開始するための診断開始画像７（「診断開始」アイコン参照）を有する。
実施例１では、前記ストレス評価プログラムＡＰ１の起動時に前記カオス解析条件入力画像１を表示する。
(Stress evaluation program AP1)
The stress evaluation program AP1 has the following functional means (program modules).
FIG. 3 is an explanatory diagram of an analysis condition parameter input image displayed by the stress diagnosis program of the first embodiment.
C1: Chaos analysis condition input image display means The chaos analysis condition input image display means C1 displays the chaos analysis condition input image 1 for the user to input a chaos analysis condition which is a condition for performing chaos analysis on the pulse wave. Display on H2.
In FIG. 3, the chaos analysis condition input image 1 of the first embodiment inputs a pulse wave measurement time input field 2 for inputting a pulse wave measurement time t that is a time for measuring a pulse wave, and an embedding delay time τ. For inputting the embedding delay time input field 3, an embedding order input field 4 for inputting the embedding order n, and a sample number input field 6 for inputting the sample number N. In addition, the chaos analysis condition input image 1 performs a chaos analysis on the pulse wave based on the input chaos analysis conditions t, τ, n, and N, thereby indicating a health condition such as a disease and a psychological condition such as a stress. It has a diagnosis start image 7 (see the “diagnosis start” icon) for starting the stress diagnosis process to be diagnosed.
In Example 1, the chaos analysis condition input image 1 is displayed when the stress evaluation program AP1 is started.
Ｃ２：カオス解析条件記憶手段
カオス解析条件記憶手段Ｃ２は、カオス解析条件ｔ，τ，ｎ，Ｎを記憶する。実施例１のカオス解析条件記憶手段Ｃ２は、前記カオス解析条件入力画像１の前記脈波測定時間入力欄２に入力された前記脈波測定時間ｔと、前記埋め込み遅れ時間入力欄３に入力された前記埋め込み遅れ時間τと、前記埋め込み次数入力欄４に入力された前記埋め込み次数ｎと、前記標本数入力欄６に入力された前記標本数Ｎとを記憶する。
C2: Chaos Analysis Condition Storage Unit The chaos analysis condition storage unit C2 stores chaos analysis conditions t, τ, n, and N. The chaos analysis condition storage means C2 of Example 1 is input to the pulse wave measurement time t input to the pulse wave measurement time input field 2 of the chaos analysis condition input image 1 and to the embedded delay time input field 3. The embedding delay time τ, the embedding order n input in the embedding order input field 4, and the sample number N input in the sample number input field 6 are stored.
図４は本発明の実施例１のストレス評価装置で計測される脈波の拡大説明図であり、図４Ａは脈波の説明図、図４Ｂは速度脈波の説明図、図４Ｃは加速度脈波の説明図である。
Ｃ３：脈波測定制御手段
脈波測定制御手段Ｃ３は、前記脈波測定時間ｔを計時するタイマＴＭを有し、前記脈波センサＳＮ１から出力される脈波Ｗ０（図４Ａ参照）の測定を制御する。実施例１の前記脈波測定制御手段Ｃ３は、前記脈波センサＳＮ１から出力される信号を所定の時間間隔でサンプリングすることにより前記脈波Ｗ０を測定する。また、前記脈波測定制御手段Ｃ３は、前記カオス解析条件入力画像１の各入力欄２〜６に適切なカオス解析条件が入力されて診断開始画像７が選択された場合、前記脈波Ｗ０の測定を開始し、前記タイマＴＭが前記脈波測定時間ｔを計時した場合、前記脈波Ｗ０の測定を終了するよう制御する。
4 is an enlarged explanatory view of a pulse wave measured by the stress evaluation apparatus according to the first embodiment of the present invention, FIG. 4A is an explanatory view of a pulse wave, FIG. 4B is an explanatory view of a velocity pulse wave, and FIG. It is explanatory drawing of a wave.
C3: Pulse wave measurement control means The pulse wave measurement control means C3 has a timer TM for measuring the pulse wave measurement time t, and measures the pulse wave W0 (see FIG. 4A) output from the pulse wave sensor SN1. Control. The pulse wave measurement control unit C3 according to the first embodiment measures the pulse wave W0 by sampling a signal output from the pulse wave sensor SN1 at a predetermined time interval. Further, the pulse wave measurement control means C3, when an appropriate chaos analysis condition is input to the input fields 2 to 6 of the chaos analysis condition input image 1 and the diagnosis start image 7 is selected, the pulse wave W0 When measurement is started and the timer TM measures the pulse wave measurement time t, control is performed to end the measurement of the pulse wave W0.
Ｃ４：加速度脈波演算手段
加速度脈波演算手段Ｃ４は、測定された前記脈波Ｗ０の２次微分波である加速度脈波Ｗ２（図４Ｃ参照）を演算する。実施例１の前記加速度脈波演算手段Ｃ４は、まず、測定された前記脈波Ｗ０から、脈波Ｗ０の微分波である速度脈波Ｗ１（図４Ｂ参照）を演算し、演算された前記速度脈波Ｗ１から、速度脈波Ｗ１の微分波である前記加速度脈波Ｗ２を演算する。
C4: Acceleration Pulse Wave Calculation Unit The acceleration pulse wave calculation unit C4 calculates an acceleration pulse wave W2 (see FIG. 4C) that is a second-order differential wave of the measured pulse wave W0. The acceleration pulse wave calculating means C4 according to the first embodiment first calculates a velocity pulse wave W1 (see FIG. 4B) that is a differential wave of the pulse wave W0 from the measured pulse wave W0, and calculates the calculated velocity. The acceleration pulse wave W2, which is a differential wave of the velocity pulse wave W1, is calculated from the pulse wave W1.
図５は図４Ｃの加速度脈波により構成されたアトラクタの説明図であり、図５Ａはアトラクタの全体説明図、図５Ｂは図５Ａのアトラクタから選択されたデータベクトルとその近傍ベクトルの拡大説明図である。
Ｃ５：アトラクタ構成手段
アトラクタ構成手段Ｃ５は、前記カオス解析条件記憶手段Ｃ２に記憶された前記埋め込み遅れ時間τおよび前記埋め込み次数ｎに基づいて、前記加速度脈波Ｗ２を時系列データとするアトラクタＡ（図５Ａ参照）を構成する。
Ｃ６：ストレス評価値演算手段
ストレス評価値演算手段Ｃ６は、データベクトル選択手段Ｃ６Ａと、近傍ベクトル検出手段Ｃ６Ｂと、接線ベクトル演算手段Ｃ６Ｃと、ベクトル選択数計数手段Ｃ６Ｄと、平行度累積度数率演算手段Ｃ６Ｅと、近傍空間距離平均率演算手段Ｃ６Ｆとを有し、前記アトラクタＡに基づいて、ストレスの評価値であるストレス評価値（Ｅｆ）を演算する。
FIG. 5 is an explanatory diagram of an attractor configured by the acceleration pulse wave of FIG. 4C, FIG. 5A is an overall explanatory diagram of the attractor, and FIG. 5B is an enlarged explanatory diagram of a data vector selected from the attractor of FIG. It is.
C5: Attractor configuration means The attractor configuration means C5 is an attractor A (which uses the acceleration pulse wave W2 as time series data based on the embedding delay time τ and the embedding order n stored in the chaos analysis condition storage means C2. (See FIG. 5A).
C6: Stress evaluation value calculation means The stress evaluation value calculation means C6 includes data vector selection means C6A, neighborhood vector detection means C6B, tangent vector calculation means C6C, vector selection number counting means C6D, and parallelism cumulative frequency rate calculation. Means C6E and neighborhood space distance average rate calculating means C6F are provided, and based on the attractor A, a stress evaluation value (E f ) that is an evaluation value of stress is calculated.
Ｃ６Ａ：データベクトル選択手段
データベクトル選択手段Ｃ６Ａは、前記アトラクタＡから任意のデータベクトル（選択ベクトル）Ｘｉ（図５Ａ、図５Ｂ参照）を選択する。
Ｃ６Ｂ：近傍ベクトル検出手段
近傍ベクトル検出手段Ｃ６Ｂは、選択されたデータベクトルＸｉの近傍空間Ｋ（図５Ｂの１点破線参照）内において、前記データベクトルＸｉの軌道Ｒｉとは異なる軌道（Ｒｊ，Ｒｋ）上で、前記データベクトルＸｉの近傍にある近傍ベクトルＸｊ，Ｘｋ（図５Ｂ参照）を検出する。すなわち、加速度脈波Ｗ２を時系列データとするｎ次元状態空間における点Ｘｉの近傍の点Ｘｊ，Ｘｋを検出する。
Ｃ６Ｃ：接線ベクトル演算手段
接線ベクトル演算手段Ｃ６Ｃは、前記各データベクトルＸｉ，Ｘｊ，Ｘｋを通過する各軌道Ｒｉ，Ｒｊ，Ｒｋの接線ベクトルＴｉ，Ｔｊ，Ｔｋ（図５Ｂ参照）を演算する。なお、実施例１の前記接線ベクトル演算手段Ｃ６Ｃでは、前記接線ベクトルＴｉ，Ｔｊ，Ｔｋが、長さ１の単位ベクトルとして演算される。
C6A: Data Vector Selection Unit The data vector selection unit C6A selects an arbitrary data vector (selection vector) X i (see FIGS. 5A and 5B) from the attractor A.
C6B: Neighborhood Vector Detection Unit The neighborhood vector detection unit C6B has a trajectory different from the trajectory R i of the data vector X i in the neighborhood space K (see the dashed line in FIG. 5B) of the selected data vector X i. On R j , R k ), neighboring vectors X j , X k (see FIG. 5B) in the vicinity of the data vector X i are detected. That is, the points X j and X k near the point X i in the n-dimensional state space using the acceleration pulse wave W2 as time series data are detected.
C6C: Tangent Vector Calculation Unit The tangent vector calculation unit C6C is a tangent vector T i , T j , T k (for each trajectory R i , R j , R k passing through the data vectors X i , X j , X k. (See FIG. 5B). In the tangent vector calculation means C6C of the first embodiment, the tangent vectors T i , T j , and T k are calculated as unit vectors having a length of 1.
Ｃ６Ｄ：ベクトル選択数計数手段
ベクトル選択数計数手段Ｃ６Ｄは、前記データベクトルＸｉを演算した回数であるベクトル選択数ｉ（ｉ＝１，２，…，Ｎ）を計数する。
Ｃ６Ｅ：平行度累積度数率演算手段
平行度累積度数率演算手段Ｃ６Ｅは、平行度演算手段Ｃ６E1を有し、前記アトラクタＡにおける前記標本数Ｎ個の全てのデータベクトルＸｉ（ｉ＝１，２，…，Ｎ）について、平行度ｔｐｍｉ（ｉ＝１，２，…，Ｎ）をそれぞれ演算し、予め設定された平行度の閾値（ｆ）より小さい値の前記平行度ｔｐｍｉの累積度数が前記標本数Ｎに対して占める割合である平行度累積度数率ｈｆを演算する平行度累積度数率演算処理を実行する。なお、実施例１の前記平行度ｔｐｍｉは、前記データベクトルＸｉの接線ベクトルＴｉと、前記各近傍ベクトル（Ｘｊ，Ｘｋ）の各接線ベクトル（Ｔｊ，Ｔｋ）との各平行度の平均であり、以下の数１の式（１）により示される。
C6D: vector selecting number counting unit vector selecting number counting means C6D, the data vector X i vector selection number is the number obtained by calculating a i (i = 1,2, ..., N) counts the.
C6E: Parallelism cumulative frequency rate calculation means The parallelism cumulative frequency rate calculation means C6E has parallelism calculation means C6E1, and all the data vectors X i (i = 1, 2) of the N samples in the attractor A. ,..., N), the parallelism tpm i (i = 1, 2,..., N) is calculated, and the cumulative frequency of the parallelism tpm i having a value smaller than a preset parallelism threshold (f). The parallelism cumulative frequency rate calculation process is performed to calculate the parallelism cumulative frequency rate h f , which is the ratio of N to the number of samples N. Incidentally, the parallelism tpm i of Example 1, each of the tangent vectors T i of the data vector X i, each neighborhood vector (X j, X k) each tangent vector (T j, T k) and It is an average of parallelism, and is represented by the following formula (1).
なお、Ｃｉ，ｊは選択されたデータベクトルＸｉの近傍ベクトル（Ｘｊ，Ｘｋ）の番号（ｊ，ｋ）であり、ｍは前記近傍ベクトル（Ｘｊ，Ｘｋ）の個数である。よって、例えば、図５Ｂで示す近傍空間Ｋの場合には、Ｃｉ，ｊ＝ｊ，ｋで示され、ｍ＝２で示される。
また、実施例１の前記平行度累積度数率ｈｆは、以下の式（２）により示される。
ｈｆ＝｛ｃｏｕｎｔ（ｔｐｍｉ＜ｆ｜ｉ：１〜Ｎ）｝／Ｎ …（２）
C i, j is the number (j, k) of the neighborhood vector (X j , X k ) of the selected data vector X i , and m is the number of the neighborhood vectors (X j , X k ). . Thus, for example, in the case of the neighborhood space K shown in FIG. 5B, C i, j = j, k, and m = 2.
Moreover, the said parallelism accumulation frequency rate hf of Example 1 is shown by the following formula | equation (2).
h f = {count (tpm i <f | i: 1 to N)} / N (2)
なお、ｆは予め設定された平行度の閾値であり、ｃｏｕｎｔ（ｔｐｍｉ＜ｆ｜ｉ：１〜Ｎ）は、ｔｐｍｉ＜ｆを満たすｔｐｍｉ（ｉ＝１，２，…，Ｎ）の個数（累積度数）である（ｃｏｕｎｔ（ｔｐｍｉ＜ｆ｜ｉ：１〜Ｎ）＝１〜Ｎ）。なお、実施例１の前記閾値ｆは０．０１に予め設定されている（ｆ＝０．０１）。
すなわち、実施例１の前記平行度累積度数率演算手段Ｃ６Ｅは、前記式（１），（２）に基づいて、前記平行度累積度数率ｈｆを演算する前記平行度累積度数率演算処理を実行する。
Ｃ６E1：平行度演算手段
平行度演算手段Ｃ６E1は、前記式（１）に基づいて、選択された前記データベクトルＸｉの前記平行度ｔｐｍｉを演算する（ｉ＝１，２，…，Ｎ）。なお、実施例１の前記平行度ｔｐｍｉは、前記接線ベクトルＴｉ，Ｔｊが、同方向で平行に近い程０に近い値（ｔｐｍｉ≒０）となり、直交に近い程０．５に近い値となり（ｔｐｍｉ≒０．５）、逆方向で平行に近い程１に近い値（ｔｐｍｉ≒１）となるように予め設定されている（式（１）参照）。
Incidentally, f is the threshold value of the preset parallelism, count (tpm i <f | i: 1~N) is, tpm i (i = 1,2, ..., N) satisfying tpm i <f of It is the number (cumulative frequency) (count (tpm i <f | i: 1 to N) = 1 to N). Note that the threshold value f of Example 1 is preset to 0.01 (f = 0.01).
That is, the parallelism cumulative frequency ratio calculating means C6E of Example 1, the formula (1), the parallelism cumulative frequency ratio calculating process which calculates the parallelism cumulative frequency ratio h f based on (2) Execute.
C6E1: Parallelism calculating means The parallelism calculating means C6E1 calculates the parallelism tpm i of the selected data vector X i based on the equation (1) (i = 1, 2,..., N). . The parallelism tpm i of the first embodiment is closer to 0 (tpm i ≈0) as the tangent vectors T i and T j become parallel in the same direction, and becomes closer to 0.5. become close values (tpm i ≒ 0.5), is preset to a value close to 1 as nearly parallel in the reverse direction (tpm i ≒ 1) (see equation (1)).
Ｃ６Ｆ：近傍空間距離率演算手段（距離率演算手段）
近傍空間距離率演算手段Ｃ６Ｆは、近傍空間距離演算手段Ｃ６F1を有し、前記アトラクタＡにおける前記標本数Ｎ個の全てのデータベクトルＸｉ（ｉ＝１，２，…，Ｎ）について、前記データベクトルＸｉとその近傍ベクトル（Ｘｊ，Ｘｋ）との差分ベクトル（Ｘｊ−Ｘｉ，Ｘｋ−Ｘｉ）の長さである距離（｜Ｘｊ−Ｘｉ｜，｜Ｘｋ−Ｘｉ｜）の平均距離ｄｉ（ｉ＝１，２，…，Ｎ）をそれぞれ演算し、図５Ａに示す前記アトラクタＡのサイズとしての全データベクトル（Ｘｉ）間の最長距離Ｄｍａｘに対する、全平均距離ｄｉ（ｉ＝１，２，…，Ｎ）の平均値の割合である近傍空間距離率ｄｒを演算する近傍空間距離率演算処理を実行する。なお、実施例１の前記平均距離ｄｉは、以下の数２の式（３）により示される。
C6F: Neighborhood space distance ratio calculation means (distance ratio calculation means)
The neighborhood space distance rate calculation means C6F has a neighborhood space distance calculation means C6F1, and the data for all the data vectors X i (i = 1, 2,..., N) of the N samples in the attractor A. Distances (| X j -X i |, | X k − which are the lengths of the difference vectors (X j −X i , X k −X i ) between the vector X i and its neighboring vectors (X j , X k ) X i |) average distances d i (i = 1, 2,..., N) are respectively calculated, and the maximum distance D max between all data vectors (X i ) as the size of the attractor A shown in FIG. 5A is calculated. , the total average distance d i (i = 1,2, ... , N) executes the space near distance ratio calculation process for calculating a space near distance ratio d r is the ratio of the mean value of. Note that the average distance d i of the first embodiment is expressed by the following equation (3).
また、実施例１の前記近傍空間距離率ｄｒは、以下の数３の式（４）により示される。 Further, the neighborhood space distance ratio dr of Example 1 is expressed by the following equation (4).
なお、実施例１の前記最長距離Ｄｍａｘは、全データベクトル（Ｘｉ）間の各距離をＤｉ，ｊとし、前記各距離Ｄｉ，ｊの最大値をｍａｘ（Ｄｉ，ｊ）とした場合、Ｄｍａｘ＝ｍａｘ（Ｄｉ，ｊ）で示される。
すなわち、実施例１の前記近傍空間平均距離率演算手段Ｃ６Ｆは、式（３），（４）に基づいて、前記近傍空間距離率ｄｒを演算する前記近傍空間距離率演算処理を実行する。
Ｃ６F1：近傍空間距離演算手段（距離演算手段）
近傍空間距離演算手段Ｃ６F1は、前記式（３）に基づいて、選択された前記データベクトルＸｉと、その近傍ベクトル（Ｘｊ，Ｘｋ）との平均距離ｄｉ（ｉ＝１，２，…，Ｎ）を演算する（ｉ＝１，２，…，Ｎ）。
In the first embodiment, the longest distance D max is set such that each distance between all data vectors (X i ) is D i, j, and the maximum value of each distance D i, j is max (D i, j ). In this case, D max = max (D i, j ).
That is, the space near the average distance ratio calculating means C6F of Example 1, equation (3), (4) on the basis, performing the space near distance ratio calculation process of calculating the space near distance ratio d r.
C6F1: Neighborhood space distance calculation means (distance calculation means)
The neighborhood space distance calculation means C6F1 calculates an average distance d i (i = 1, 2,) between the selected data vector X i and its neighborhood vector (X j , X k ) based on the equation (3). .., N) are calculated (i = 1, 2,..., N).
なお、実施例１の前記ストレス評価値制御手段Ｃ６では、前記ストレス評価値をＥｆとした場合、前記ストレス評価値Ｅｆは、前記平行度累積度数率ｈｆと、前記近傍空間距離率ｄｒとを用いた以下の式（５）によって示される。
Ｅｆ＝ｄｒ／ｈｆ …（５）
したがって、実施例１の前記ストレス評価値制御手段Ｃ６は、前記式（１）〜（５）に基づいて、前記ストレス評価値Ｅｆを演算する。
Ｃ７：ストレス評価値記憶手段
ストレス評価値記憶手段Ｃ７は、前記ストレス評価値制御手段Ｃ６で演算された前記ストレス評価値Ｅｆを記憶する。
In the stress evaluation value control means C6 of Example 1, when the stress evaluation value is E f , the stress evaluation value E f is the parallel degree cumulative frequency rate h f and the neighborhood space distance rate d. It is shown by the following formula (5) using r .
E f = d r / h f (5)
Therefore, the stress evaluation value control unit C6 of Example 1, based on the equation (1) to (5), calculates the stress evaluation value E f.
C7: Stress evaluation value storage unit stress evaluation value storage unit C7 stores the computed the stress evaluation value E f in the stress evaluation value control unit C6.
Ｃ８：ストレス診断手段（診断手段）
ストレス診断手段Ｃ８は、診断用サンプル記憶手段Ｃ８Ａと、診断結果表示手段Ｃ８Ｂとを有し、前記ストレス評価値記憶手段Ｃ７に記憶された前記ストレス評価値Ｅｆと、予め記憶された評価用のストレス評価値である診断用サンプルとを比較し、最も近い値の診断用サンプルを検出することにより、ユーザの健康状態・心理状態を診断する。
Ｃ８Ａ：診断用サンプル記憶手段
診断用サンプル記憶手段Ｃ８Ａは、予め測定され、疾患（動脈硬化、脱水症状など）等の健康状態やストレスの有無等の心理状態の組み合わせで分類された複数の前記診断用サンプルを記憶する。
Ｃ９Ｂ：診断結果表示手段
診断結果表示手段Ｃ９Ｂは、前記ストレス評価値記憶手段Ｃ７に記憶された前記ストレス評価値Ｅｆと、前記診断用サンプル記憶手段Ｃ８Ａに記憶された複数の前記診断用サンプルのうち前記ストレス評価値Ｅｆに最も近い値の診断用サンプルと、その分類（健康状態や心理状態の組み合わせ）とを表示することにより、前記ストレス診断処理の診断結果を表示する。
C8: Stress diagnostic means (diagnostic means)
The stress diagnostic means C8 includes a diagnostic sample storage means C8A and a diagnostic result display means C8B, and the stress evaluation value E f stored in the stress evaluation value storage means C7 and the evaluation stored in advance. By comparing with a diagnostic sample that is a stress evaluation value and detecting a diagnostic sample having the closest value, the user's health condition / psychological condition is diagnosed.
C8A: Diagnosis sample storage means The diagnosis sample storage means C8A is a plurality of diagnoses that are measured in advance and classified according to a combination of health conditions such as diseases (arteriosclerosis, dehydration symptoms, etc.) and psychological conditions such as the presence or absence of stress. Memorize samples.
C9B: Diagnosis result display means The diagnosis result display means C9B includes the stress evaluation value E f stored in the stress evaluation value storage means C7 and a plurality of the diagnostic samples stored in the diagnosis sample storage means C8A. a diagnostic sample of value closest to among the stress evaluation value E f, by displaying its classification (combination of health and psychological state), and displays the diagnosis result of the stress diagnosis processing.
（実施例１のフローチャートの説明）
次に、実施例１のクライアントパソコンＰＣのストレス評価プログラムＡＰ１の処理の流れをフローチャートを使用して説明する。
（実施例１のストレス診断処理のフローチャートの説明）
図６は本発明の実施例１のストレス診断プログラムのストレス診断処理のフローチャートである。
図６のフローチャートの各ＳＴ（ステップ）の処理は、前記クライアントパソコンＰＣのＲＯＭ等に記憶されたプログラムに従って行われる。また、この処理は前記クライアントパソコンＰＣの他の各種処理と並行してマルチタスクで実行される。
(Description of Flowchart of Example 1)
Next, a processing flow of the stress evaluation program AP1 of the client personal computer PC according to the first embodiment will be described with reference to a flowchart.
(Description of Flowchart of Stress Diagnosis Processing of Example 1)
FIG. 6 is a flowchart of the stress diagnosis process of the stress diagnosis program according to the first embodiment of the present invention.
The processing of each ST (step) in the flowchart of FIG. 6 is performed according to a program stored in the ROM or the like of the client personal computer PC. This process is executed in a multitasking manner in parallel with other various processes of the client personal computer PC.
図６に示すフローチャートは前記ストレス評価プログラムＡＰ１の起動により開始される。
図６のＳＴ１において、次の（１）〜（３）の処理を実行し、ＳＴ２に移る。
（１）カオス解析条件ｔ，τ，ｎ，Ｎをそれぞれ０にセットする（ｔ＝τ＝ｎ＝Ｎ＝０）。
（２）ストレス評価値Ｅｆ、平行度累積度数率ｈｆ、近傍空間距離率ｄｒをそれぞれ０にセットする（Ｅｆ＝ｈｆ＝ｄｒ＝０）。
（３）ベクトル選択数ｉを１にセットする（ｉ＝１）。
ＳＴ２において、カオス解析条件入力画像１（図３参照）を表示する。そして、ＳＴ３に移る。
ＳＴ３において、前記カオス解析条件入力画像１の各入力欄２〜６に適切なカオス解析条件ｔ，τ，ｎ，Ｎが入力されて診断開始画像７が選択されたか否かを判別することにより、疾患等の健康状態やストレス等の心理状態を診断するストレス診断処理を開始するか否かを判別する。イエス（Ｙ）の場合はＳＴ４に移り、ノー（Ｎ）の場合はＳＴ３を繰り返す。
The flowchart shown in FIG. 6 is started by starting the stress evaluation program AP1.
In ST1 of FIG. 6, the following processes (1) to (3) are executed, and the process proceeds to ST2.
(1) The chaos analysis conditions t, τ, n, and N are set to 0 (t = τ = n = N = 0).
(2) The stress evaluation value E f , the parallelism cumulative frequency rate h f , and the neighborhood space distance rate dr are each set to 0 (E f = h f = d r = 0).
(3) The vector selection number i is set to 1 (i = 1).
In ST2, the chaos analysis condition input image 1 (see FIG. 3) is displayed. Then, the process proceeds to ST3.
In ST3, by determining whether the appropriate chaos analysis conditions t, τ, n, N are input to the input fields 2 to 6 of the chaos analysis condition input image 1 and the diagnosis start image 7 is selected, It is determined whether or not to start a stress diagnosis process for diagnosing a health condition such as a disease or a psychological condition such as stress. If yes (Y), the process proceeds to ST4, and, if no (N), ST3 is repeated.
ＳＴ４において、次の（１），（２）の処理を実行し、ＳＴ５に移る。
（１）各入力欄２〜６に入力された値でカオス解析条件ｔ，τ，ｎ，Ｎをそれぞれセットする。
（２）タイマＴＭの計時を開始する。
ＳＴ５において、脈波センサＳＮ１により脈波Ｗ０を測定する。そして、ＳＴ６に移る。
ＳＴ６において、タイマＴＭが脈波測定時間ｔを計時したか否かを判別する。イエス（Ｙ）の場合はＳＴ７に移り、ノー（Ｎ）の場合はＳＴ５に戻る。
ＳＴ７において、測定された前記脈波Ｗ０から、脈波Ｗ０の微分波である速度脈波Ｗ１（図４Ｂ参照）を演算し、演算された前記速度脈波Ｗ１から、速度脈波Ｗ１の微分波である前記加速度脈波Ｗ２を演算する。そして、ＳＴ８に移る。
In ST4, the following processes (1) and (2) are executed, and the process proceeds to ST5.
(1) The chaos analysis conditions t, τ, n, and N are set with the values input in the input fields 2 to 6, respectively.
(2) Start the timer TM.
In ST5, the pulse wave W0 is measured by the pulse wave sensor SN1. Then, the process proceeds to ST6.
In ST6, it is determined whether or not the timer TM has measured the pulse wave measurement time t. If yes (Y), the process proceeds to ST7, and, if no (N), the process returns to ST5.
In ST7, a velocity pulse wave W1 (see FIG. 4B) that is a differential wave of the pulse wave W0 is calculated from the measured pulse wave W0, and a differential wave of the velocity pulse wave W1 is calculated from the calculated velocity pulse wave W1. The acceleration pulse wave W2 is calculated. Then, the process proceeds to ST8.
ＳＴ８において、前記カオス解析条件記憶手段Ｃ２に記憶された前記埋め込み遅れ時間τおよび前記埋め込み次数ｎに基づいて、前記加速度脈波Ｗ２を時系列データとするアトラクタＡ（図５Ａ参照）を構成する。そして、ＳＴ９に移る。
ＳＴ９において、前記アトラクタＡから任意のデータベクトルＸｉ（図５Ｂ参照）を選択する。そして、ＳＴ１０に移る。
ＳＴ１０において、選択されたデータベクトルＸｉの近傍空間Ｋ（図５Ｂの１点破線参照）内において、前記データベクトルＸｉの軌道Ｒｉとは異なる軌道Ｒｊ，Ｒｋ上で、前記データベクトルＸｉの近傍にある近傍ベクトルＸｊ，Ｘｋ（図５Ｂ参照）を検出する。そして、ＳＴ１１に移る。
ＳＴ１１において、前記各データベクトルＸｉ，Ｘｊ，Ｘｋを通過する各軌道Ｒｉ，Ｒｊ，Ｒｋの接線ベクトルＴｉ，Ｔｊ，Ｔｋ（図５Ｂ参照）を演算する。そして、ＳＴ１２に移る。
In ST8, an attractor A (see FIG. 5A) using the acceleration pulse wave W2 as time series data is configured based on the embedding delay time τ and the embedding order n stored in the chaos analysis condition storage means C2. Then, the process proceeds to ST9.
In ST9, an arbitrary data vector X i (see FIG. 5B) is selected from the attractor A. Then, the process proceeds to ST10.
In ST10, in the vicinity space K of the selected data vector X i (see point dotted line in FIG. 5B), the data vector X i of the raceway R i different trajectories R j and, on R k, the data vector Neighbor vectors X j and X k (see FIG. 5B) in the vicinity of X i are detected. Then, the process proceeds to ST11.
In ST11, tangent vectors T i , T j , T k (see FIG. 5B) of the trajectories R i , R j , R k passing through the data vectors X i , X j , X k are calculated. Then, the process proceeds to ST12.
ＳＴ１２において、式（１）に基づいて、選択されたデータベクトルＸｉ（ｉ＝１，２，…，Ｎ）の平行度ｔｐｍｉ（０から０．５までの値）を演算して一時記憶する。そして、ＳＴ１３に移る。
ＳＴ１３において、式（３）に基づいて、選択されたデータベクトルＸｉ（ｉ＝１，２，…，Ｎ）とその近傍ベクトル（Ｘｊ，Ｘｋ）との平均距離ｄｉを演算して一時記憶する。そして、ＳＴ１４に移る。
ＳＴ１４において、ベクトル選択数ｉが標本数Ｎまで計数されたか否かを判別する。ノー（Ｎ）の場合はＳＴ１５に移り、イエス（Ｙ）の場合はＳＴ１６に移る。
ＳＴ１５において、ベクトル選択数ｉに＋１を加算する（ｉ＝ｉ＋１）。そして、ＳＴ９に戻る。
In ST12, the parallelism tpm i (value from 0 to 0.5) of the selected data vector Xi (i = 1, 2,..., N) is calculated and temporarily stored based on the equation (1). . Then, the process proceeds to ST13.
In ST13, an average distance d i between the selected data vector X i (i = 1, 2,..., N) and its neighborhood vector (X j , X k ) is calculated based on the equation (3). Memorize temporarily. Then, the process proceeds to ST14.
In ST14, it is determined whether or not the vector selection number i has been counted up to the sample number N. If no (N), the process moves to ST15, and if yes (Y), the process moves to ST16.
In ST15, +1 is added to the vector selection number i (i = i + 1). Then, the process returns to ST9.
ＳＴ１６において、式（２）に基づいて、平行度累積度数率ｈｆを演算して一時記憶する。そして、ＳＴ１７に移る。
ＳＴ１７において、式（４）に基づいて、近傍空間距離率ｄｒを演算して一時記憶する。そして、ＳＴ１８に移る。
ＳＴ１８において、式（５）に基づいて、ストレス評価値Ｅｆを演算して記憶する。そして、ＳＴ１９に移る。
ＳＴ１９において、記憶されたストレス評価値Ｅｆと、予め記憶された複数の診断用サンプルとを比較して、最も近い値の診断用サンプルを検出する。そして、ＳＴ２０に移る。
ＳＴ２０において、記憶されたストレス評価値Ｅｆと、検出された診断用サンプルと、その分類（健康状態や心理状態の組み合わせ）とを表示することにより、診断結果を表示する。そして、ＳＴ１に戻る。
In ST16, the parallelism cumulative frequency rate hf is calculated and temporarily stored based on the equation (2). Then, the process proceeds to ST17.
In ST17, the neighborhood space distance ratio dr is calculated and temporarily stored based on the equation (4). Then, the process proceeds to ST18.
In ST18, the stress evaluation value E f is calculated and stored based on the equation (5). Then, the process proceeds to ST19.
In ST19, the stored stress evaluation value E f, is compared with the plurality of diagnostic sample stored in advance, to detect the diagnostic sample of the closest value. Then, the process proceeds to ST20.
In ST20, the stored stress evaluation value E f, and diagnostic samples detected, by displaying its classification (a combination of health and psychological state), and displays the diagnostic result. Then, the process returns to ST1.
（実施例１の作用）
前記構成を備えた実施例１のストレス評価装置Ｕでは、前記脈波センサＳＮ１により出力された前記脈波Ｗ０（図４Ａ参照）の２次微分波である加速度脈波Ｗ２（図４Ｃ参照）が演算され、前記加速度脈波Ｗ２を時系列データとするアトラクタＡ（図５Ａ参照）が構成される（図６のＳＴ１〜ＳＴ８参照）。また、前記アトラクタＡからデータベクトルＸｉ（ｉ＝１，２，…，Ｎ）（図５Ｂ参照）が選択され、選択されたデータベクトルＸｉの近傍の近傍ベクトルＸｊ，Ｘｋ（図５Ｂ参照）が検出される（図６のＳＴ９、ＳＴ１０参照）。また、前記各データベクトルＸｉ，Ｘｊ，Ｘｋから前記接線ベクトルＴｉ，Ｔｊ，Ｔｋ（図５Ｂ参照）が演算され、演算された前記接線ベクトルＴｉ，Ｔｊ，Ｔｋに基づく前記データベクトルＸｉの平行度ｔｐｍｉが演算される（図６のＳＴ１１、式（１）参照）。そして、あるデータベクトルＸｉの平行度ｔｐｍｉが演算された後、別のデータベクトルＸｉ＋１に対しても同様に平行度ｔｐｍｉ＋１が演算される処理がＮ回繰り返される。すなわち、標本数Ｎ個の全てのデータベクトルＸｉに対して前記平行度ｔｐｍｉ（ｉ＝１，２，…，Ｎ）が演算される（図６のＳＴ９〜ＳＴ１２，ＳＴ１４，ＳＴ１５参照）。
(Operation of Example 1)
In the stress evaluation apparatus U according to the first embodiment having the above-described configuration, the acceleration pulse wave W2 (see FIG. 4C), which is a second-order differential wave of the pulse wave W0 (see FIG. 4A) output from the pulse wave sensor SN1. The attractor A (see FIG. 5A) is calculated and uses the acceleration pulse wave W2 as time series data (see ST1 to ST8 in FIG. 6). Further, a data vector X i (i = 1, 2,..., N) (see FIG. 5B) is selected from the attractor A, and neighboring vectors X j and X k (FIG. 5B) in the vicinity of the selected data vector X i are selected. (See ST9 and ST10 in FIG. 6). Further, the tangent vectors T i , T j , T k (see FIG. 5B) are calculated from the data vectors X i , X j , X k , and the calculated tangent vectors T i , T j , T k are calculated. parallelism tpm i of the data vector X i is calculated based (ST11 in FIG. 6, see formula (1)). Then, after the parallelism tpm i of a certain data vector X i is calculated, the process of calculating the parallelism tpm i + 1 for another data vector X i + 1 is repeated N times. That is, the parallelism tpm i (i = 1, 2,..., N) is calculated for all data vectors X i of N samples (see ST9 to ST12, ST14, ST15 in FIG. 6).
また、実施例１のストレス評価装置Ｕでは、前記平行度ｔｐｍｉ（ｉ＝１，２，…，Ｎ）に基づいて、前記平行度累積度数率ｈｆが演算される（図６のＳＴ１６、式（２）参照）。さらに、前記データベクトルＸｉの近傍空間Ｋ（図５Ｂ参照）において、前記データベクトルＸｉ（ｉ＝１，２，…，Ｎ）とその近傍ベクトル（Ｘｊ，Ｘｋ）との平均距離ｄｉを演算し（図６のＳＴ１３、式（３）参照）、全てのデータベクトルＸｉの平均距離ｄｉに基づいて、前記アトラクタＡのサイズとして前記最長距離Ｄｍａｘで正規化された前記近傍空間距離率ｄｒが演算される（図６のＳＴ１７、式（４）参照）。そして、前記平行度累積度数率ｈｆと、前記近傍空間距離率ｄｒとに基づいて、前記ストレス評価値Ｅｆが演算される（図６のＳＴ１８、式（５）参照）。
したがって、実施例１のストレス評価装置Ｕでは、前記ストレス評価値Ｅｆと、予め記憶された複数の評価用サンプルとが比較され、最も近い値の評価用サンプルが検出されることにより、ユーザの健康状態や心理状態を診断することができる（図６のＳＴ１９、ＳＴ２０参照）。
Further, the stress evaluation apparatus U of Example 1, the parallelism tpm i (i = 1,2, ... , N) based on the parallelism of the cumulative frequency ratio h f is calculated (ST16 in FIG. 6, (Refer Formula (2)). Further, in the vicinity space K of the data vector X i (see FIG. 5B), the data vector X i (i = 1,2, ... , N) and its neighborhood vector (X j, X k) average distance d between the i is calculated (see ST13 in FIG. 6, Equation (3)), and the neighborhood normalized by the longest distance Dmax as the size of the attractor A based on the average distance d i of all the data vectors X i The spatial distance rate dr is calculated (see ST17 in FIG. 6, equation (4)). Then, the parallel degree cumulative frequency ratio h f, on the basis of the the space near distance ratio d r, the stress evaluation value E f is computed (see ST18, the formula (5) in FIG. 6).
Therefore, in the stress evaluation apparatus U of the first embodiment, the stress evaluation value E f is compared with a plurality of evaluation samples stored in advance, and the evaluation sample having the closest value is detected. A health condition and a psychological condition can be diagnosed (see ST19 and ST20 in FIG. 6).
（実験例）
ここで、実施例１の前記ストレス評価装置Ｕが、前記ストレス評価値Ｅｆに基づいてユーザの健康状態や心理状態を診断することにより、ストレス診断処理の精度が向上するか否かを調べるために、次の実験例１を準備した。
(Experimental example)
Here, in order for the stress evaluation apparatus U of Example 1 to check whether or not the accuracy of the stress diagnosis process is improved by diagnosing the health state and psychological state of the user based on the stress evaluation value E f. The following Experimental Example 1 was prepared.
図７は実験例１で演算された１０名の被験者の平常状態の加速度脈波の一覧であり、横軸に時間（Ｔｉｍｅ）をとり縦軸に値（Ｖａｌｕｅ）をとったグラフの一覧である。
図８は実験例１で演算された１０名の被験者のストレス状態の加速度脈波の一覧であり、横軸に時間（Ｔｉｍｅ）をとり縦軸に値（Ｖａｌｕｅ）をとったグラフの一覧である。
図９は図７の加速度脈波から構成された１０名の被験者の平常状態のアトラクタの一覧である。
図１０は図８の加速度脈波から構成された１０名の被験者のストレス状態のアトラクタの一覧である。
（実験例１）
実験例１では、まず、実施例１の前記ストレス評価装置Ｕにより、ストレス状態ではない平常状態の１０名の被験者（Ｎｏｒｍａｌ＿１〜Ｎｏｒｍａｌ＿１０）と、ストレス状態の１０名の被験者（Ｓｔｒｅｓｓ＿１〜Ｓｔｒｅｓｓ＿１０）とについて、各脈波Ｗ０を測定し、各加速度脈波Ｗ２（図７、図８参照）を演算して各アトラクタＡ（図９、図１０参照）を構成した。そして、実験例１では、図９、図１０に示す前記各アトラクタＡに基づいて、各平行度ｔｐｍｉの累積度数を演算し、各平行度累積度数率ｈｆ、各近傍空間距離率ｄｒおよび各ストレス評価値Ｅｆをそれぞれ演算した。
FIG. 7 is a list of acceleration pulse waves in the normal state of the 10 subjects calculated in Experimental Example 1, and is a list of graphs with time (Time) on the horizontal axis and value (Value) on the vertical axis. .
FIG. 8 is a list of acceleration pulse waves in the stress state of 10 subjects calculated in Experimental Example 1, and is a list of graphs with time (Time) on the horizontal axis and value (Value) on the vertical axis. .
FIG. 9 is a list of attractors in the normal state of 10 subjects composed of the acceleration pulse wave of FIG.
FIG. 10 is a list of attractors in the stress state of 10 subjects composed of the acceleration pulse wave of FIG.
(Experimental example 1)
In Experimental Example 1, first, about 10 subjects (Normal_1 to Normal_10) in a normal state that is not a stress state and 10 subjects (Stress_1 to Stress_10) in a stress state by the stress evaluation device U of Example 1. Each pulse wave W0 was measured, and each acceleration pulse wave W2 (see FIGS. 7 and 8) was calculated to constitute each attractor A (see FIGS. 9 and 10). Then, in Example 1, FIG. 9, based on the respective attractor A shown in FIG. 10, calculates the cumulative frequency of each parallelism tpm i, the parallel degree cumulative frequency ratio h f, the space near distance ratio d r Each stress evaluation value E f was calculated.
（実験結果）
図１１は図９および図１０の実験例１のアトラクタから演算された平行度の累積度数の遷移についての説明図であり、縦軸に平行度の値（０．００〜１．００）をとり横軸に累積度数の標本数に対して占める割合（％）をとったグラフの説明図であり、図１１Ａは図９のアトラクタから演算された平常状態の平行度の累積度数についてのグラフであり、図１１Ｂは図１０のアトラクタから演算されたストレス状態の平行度の累積度数についてのグラフである。
図１１Ａ、図１１Ｂに示すように、実験例１では、平常状態の被験者（Ｎｏｒｍａｌ＿１〜Ｎｏｒｍａｌ＿１０）の各アトラクタＡは、ストレス状態の被験者（Ｓｔｒｅｓｓ＿１〜Ｓｔｒｅｓｓ＿１０）の各アトラクタＡに比べ、軌跡が乱れていないため、前記平行度ｔｐｍｉが０に近い値の累積度数が大きくなっていることがわかる。
(Experimental result)
FIG. 11 is an explanatory diagram of the transition of the cumulative frequency of parallelism calculated from the attractor of Experimental Example 1 of FIGS. 9 and 10, and the vertical axis indicates the parallelism value (0.00 to 1.00). It is explanatory drawing of the graph which took the ratio (%) which occupies with respect to the sample number of accumulation frequency on a horizontal axis, FIG. 11A is a graph about the accumulation frequency of the parallel degree of the normal state calculated from the attractor of FIG. FIG. 11B is a graph for the cumulative frequency of parallelism in the stress state calculated from the attractor of FIG.
As shown in FIGS. 11A and 11B, in Experimental Example 1, each attractor A of the normal subjects (Normal_1 to Normal_10) has a disordered trajectory as compared to each attractor A of the stressed subjects (Stress_1 to Stress_10). Therefore, it can be seen that the cumulative frequency with the parallelism tpm i close to 0 is large.
なお、実験例１では、実施例１の前記ストレス評価装置Ｕで実験を行っているため、前記平行度累積度数率ｈｆをカウントするための平行度の閾値ｆが０．０１で予め設定されている（図６のＳＴ１６、式（２）参照）。したがって、実験例１では、平常状態の被験者（Ｎｏｒｍａｌ＿１〜Ｎｏｒｍａｌ＿１０）の各平行度累積度数率ｈｆは、ストレス状態の被験者（Ｓｔｒｅｓｓ＿１〜Ｓｔｒｅｓｓ＿１０）の各平行度累積度数率ｈｆに比べ、大きくなることがわかる。
すなわち、実施例１の前記ストレス評価装置Ｕは、前記閾値ｆが０に近い適切な値（０．０１）が設定されることにより、前記平行度ｔｍｐｉの大きな値に影響を受けない前記平行度累積度数率ｈｆが演算でき、前記平行度累積度数率ｈｆに基づくストレス評価値Ｅｆが演算できることがわかる。これに対し、前記平行度（例えば、ｔｍｐｉ（ｉ＝１，２，…，Ｎ））の平均値（例えば、｛ｔｍｐ１＋ｔｍｐ２＋…＋ｔｍｐＮ｝／Ｎ）に基づいて診断する従来公知のストレス評価装置では、前記平均値が閾値ｆより大きな平行度（ｔｍｐｉ）に影響されるため、前記平均値自体がストレスを診断するための評価値として精度が悪く、ストレス診断の精度が悪くなることもわかる。
In Experimental Example 1, since the experiments with the stress evaluation apparatus U of Example 1, the threshold f parallelism for counting the parallelism cumulative frequency ratio h f is previously set at 0.01 (Refer to ST16 in FIG. 6, equation (2)). Thus, in Example 1, each parallelism cumulative frequency ratio h f of the normal status of the subject (Normal_1~Normal_10), compared to the parallelism of the cumulative frequency ratio h f of stress conditions subject (Stress_1~Stress_10), increases I understand that.
That is, in the stress evaluation apparatus U according to the first embodiment, the parallel value that is not influenced by a large value of the parallelism tmp i is set by setting an appropriate value (0.01) in which the threshold value f is close to 0. can operations degrees cumulative frequency ratio h f, stress evaluation value E f which is based on the parallelism of the cumulative frequency ratio h f it can be seen that be calculated. On the other hand, a conventionally known diagnosis is made based on an average value (for example, {tmp 1 + tmp 2 +... + Tmp N } / N) of the parallelism (for example, tmp i (i = 1, 2,..., N)). In this stress evaluation apparatus, since the average value is affected by the parallelism (tmp i ) greater than the threshold value f, the average value itself is not accurate as an evaluation value for diagnosing stress, and the accuracy of stress diagnosis is poor. I understand that
図１２は図９および図１０のアトラクタから演算された平行度累積度数率および近傍空間距離率の一覧表であり、図１２Ａは図９のアトラクタから演算された１０名の被験者の平常状態の平行度累積度数率の一覧表であり、図１２Ｂは図１０のアトラクタから演算された１０名の被験者のストレス状態の平行度累積度数率の一覧表である。
図１３は横軸に平行度累積度数率（％）をとり縦軸に近傍空間距離率（％）をとって、図１２の一覧表における各被験者の各平行度累積度数率および各近傍空間距離率の値をプロットしたグラフである。
FIG. 12 is a list of parallelism cumulative frequency ratios and neighborhood space distance ratios calculated from the attractors of FIGS. 9 and 10, and FIG. 12A is a normal state parallel of ten subjects calculated from the attractors of FIG. FIG. 12B is a list of parallel degree cumulative frequency ratios in the stress state of ten subjects calculated from the attractor of FIG. 10.
FIG. 13 shows the parallelism cumulative frequency rate (%) on the horizontal axis and the neighborhood spatial distance rate (%) on the vertical axis, and each parallelism cumulative frequency rate and each neighboring spatial distance in the list of FIG. It is the graph which plotted the value of the rate.
図１２Ａ、図１２Ｂに示すように、実験例１では、平常状態の被験者（Ｎｏｒｍａｌ＿１〜Ｎｏｒｍａｌ＿１０）の各平行度累積度数率ｈｆは、ストレス状態の被験者（Ｓｔｒｅｓｓ＿１〜Ｓｔｒｅｓｓ＿１０）の各平行度累積度数率ｈｆに比べ、実際に大きくなっていることがわかる。また、平常状態の被験者（Ｎｏｒｍａｌ＿１〜Ｎｏｒｍａｌ＿１０）の各近傍空間距離率ｄｒは、ストレス状態の被験者（Ｓｔｒｅｓｓ＿１〜Ｓｔｒｅｓｓ＿１０）の各近傍空間距離率ｄｒに比べ、各アトラクタＡの軌跡が乱れていないため、実際に小さくなることがわかる。
さらに、図１３に示すように、実験例１では、前記平行度累積度数率ｈｆと前記近傍空間距離率ｄｒとの関係を示すグラフにおいて、平常状態の１０名の被験者と、ストレス状態の１０名の被験者との領域が明確に分割できることがわかる。この結果、前記平行度累積度数率ｈｆと前記近傍空間距離率ｄｒとに基づいて、前記ストレス評価値Ｅｆ（Ｅｆ＝ｄｒ／ｈｆ、式（５）参照）を演算することにより、ストレスであるか否かを評価するための明確な値が得られることがわかる。
As shown in FIGS. 12A and 12B, in Experimental Example 1, each parallelism cumulative frequency rate h f of subjects in a normal state (Normal_1 to Normal_10) is equal to each parallelism cumulative frequency of stress subjects (Stress_1 to Stress_10). It can be seen that it is actually larger than the rate h f . Each space near distance ratio d r of the normal state of the subject (Normal_1~Normal_10) are compared with each neighbor spatial distance ratio d r of the stress state subject (Stress_1~Stress_10), is not disturbed trajectory of each attractor A Therefore, it turns out that it actually becomes small.
Furthermore, as shown in FIG. 13, in Example 1, in a graph showing the relationship between the parallel degree cumulative frequency ratio h f and the neighboring spatial distance ratio d r, and 10 subjects of the normal state, the stress conditions It can be seen that the area with 10 subjects can be clearly divided. As a result, the said parallelism cumulative frequency ratio h f on the basis of the space near distance ratio d r, the stress evaluation value E f by calculating the (E f = d r / h f, Equation (5) see) Thus, it can be seen that a clear value for evaluating whether or not it is stress can be obtained.
図１４は図１２の平行度累積度数率および近傍空間距離率から演算されたストレス評価値の一覧表であり、図１４Ａは図１２Ａの平行度累積度数率および近傍空間距離率から演算された１０名の被験者の平常状態のストレス評価値の一覧表であり、図１４Ｂは図１２Ｂの平行度累積度数率および近傍空間距離率から演算された１０名の被験者のストレス状態のストレス評価値の一覧表である。
図１４Ａ、図１４Ｂに示すように、実験例１では、平常状態の被験者（Ｎｏｒｍａｌ＿１〜Ｎｏｒｍａｌ＿１０）の各ストレス評価値Ｅｆは、ストレス状態の被験者（Ｓｔｒｅｓｓ＿１〜Ｓｔｒｅｓｓ＿１０）の各ストレス評価値Ｅｆに比べ、明らかに小さくなっていることがわかる。
この結果、実施例１のストレス評価装置Ｕは、前記ストレス評価値Ｅｆに基づいてユーザの健康状態や心理状態を診断することにより、従来公知のストレス評価装置に比べ、ユーザの脈波から健康状態や心理状態を精度良く診断することができる。
FIG. 14 is a list of stress evaluation values calculated from the parallelism cumulative frequency rate and the neighborhood space distance rate of FIG. 12, and FIG. 14A is a table of 10 calculated from the parallelism accumulation frequency rate and the neighborhood space distance rate of FIG. FIG. 14B is a list of stress evaluation values in the stress state of 10 subjects calculated from the parallelism cumulative frequency rate and the neighborhood space distance rate in FIG. 12B. It is.
Figure 14A, as shown in FIG. 14B, in Experimental Example 1, each stress evaluation value E f of the normal status of the subject (Normal_1~Normal_10), each stress evaluation value E f of stress conditions subject (Stress_1~Stress_10) It can be seen that it is clearly smaller.
As a result, the stress evaluation device U according to the first embodiment diagnoses the user's health state and psychological state based on the stress evaluation value E f , thereby making it possible to improve the health from the user's pulse wave as compared with the conventionally known stress evaluation device. The state and psychological state can be diagnosed with high accuracy.
図１５は本発明の実施例２のストレス評価システムの全体説明図である。
次に本発明の実施例２のストレス評価システムＳの説明を行うが、この実施例２の説明において、前記実施例１の構成要素に対応する構成要素には同一の符号を付して、その詳細な説明を省略する。この実施例２は、下記の点で前記実施例１と相違しているが、他の点では前記実施例１と同様に構成されている。
図１５において、本発明の実施例２のストレス評価システムＳは、ストレス評価試験の対象物としての自動車Ｖを有する。前記自動車Ｖの車内には、運転席の運転手の脈波を測定するための運転席用脈波センサＳＮａと、助手席の搭乗者の脈波を測定するための助手席用脈波センサＳＮｂと、後部座席左側の搭乗者の脈波を測定するための左側後部座席用脈波センサＳＮｃと、後部座席中央の搭乗者の脈波を測定するための中央後部座席用脈波センサＳＮｄと、後部座席右側の搭乗者の脈波を測定するための右側後部座席用脈波センサＳＮｅとがそれぞれ配置されている。
FIG. 15 is a diagram illustrating the entire stress evaluation system according to the second embodiment of the present invention.
Next, the stress evaluation system S according to the second embodiment of the present invention will be described. In the description of the second embodiment, components corresponding to the components of the first embodiment are denoted by the same reference numerals, Detailed description is omitted. The second embodiment is different from the first embodiment in the following points, but is configured in the same manner as the first embodiment in other points.
In FIG. 15, the stress evaluation system S according to the second embodiment of the present invention includes an automobile V as an object of a stress evaluation test. Inside the vehicle V, there are a driver-side pulse wave sensor SNa for measuring the pulse wave of the driver in the driver's seat and a passenger-side pulse wave sensor SNb for measuring the pulse wave of the passenger in the passenger seat. A pulse wave sensor SNc for the left rear seat for measuring the pulse wave of the passenger on the left side of the rear seat, and a pulse wave sensor SNd for the center rear seat for measuring the pulse wave of the passenger in the center of the rear seat; A right-side rear seat pulse wave sensor SNe for measuring the pulse wave of the passenger on the right side of the rear seat is disposed.
なお、実施例２の前記各脈波センサＳＮａ〜ＳＮｅは、それぞれ実施例１の脈波センサＳＮ１と同様に構成されており、前記各脈波センサＳＮａ〜ＳＮｅは、それぞれ前記自動車Ｖ内に配置された実施例１と同様のクライアントパソコンＰＣに接続されている。
前記各脈波センサＳＮａ〜ＳＮｅと、前記クライアントパソコンＰＣとにより実施例２のストレス評価装置Ｕが構成されている。
In addition, each said pulse wave sensor SNa-SNe of Example 2 is comprised similarly to the pulse wave sensor SN1 of Example 1, respectively, and each said pulse wave sensor SNa-SNe is arrange | positioned in the said motor vehicle V, respectively. It is connected to the same client personal computer PC as in the first embodiment.
Each of the pulse wave sensors SNa to SNe and the client personal computer PC constitute a stress evaluation apparatus U of Example 2.
（実施例２のクライアントパソコンＰＣの制御部およびフローチャートの説明）
実施例２の前記クライアントパソコンＰＣでは、接続された前記各脈波センサＳＮａ〜ＳＮｅから出力される運転手および各搭乗者の各脈波について、実施例１と同様のストレス診断処理（図６のＳＴ１〜ＳＴ２０参照）が、他の処理と並行して、それぞれマルチタスクで実行されるだけであるため、ブロック図およびフローチャートによる詳細な説明を省略する。
(Description of Control Unit and Flowchart of Client PC of Example 2)
In the client personal computer PC of the second embodiment, the stress diagnosis process similar to that of the first embodiment (see FIG. 6) is performed for each pulse wave of the driver and each passenger output from the connected pulse wave sensors SNa to SNe. ST1 to ST20) are only executed by multitasking in parallel with other processes, and detailed explanations using a block diagram and a flowchart are omitted.
（実施例２の作用）
前記構成を備えた実施例２のストレス評価システムＳでは、前記自動車Ｖ内の運転席、助手席、各後部座席に配置された前記各脈波センサＳＮａ〜ＳＮｅにより、運転手および各搭乗者の各脈波が前記クライアントパソコンＰＣに出力され、運転手および各搭乗者のストレスの有無等がそれぞれ診断される（図６のＳＴ１〜ＳＴ２０参照）。したがって、実施例２のストレス評価システムＳでは、前記ストレス評価装置Ｕにより、前記自動車Ｖの操縦安定性や乗り心地等を評価する前記ストレス評価試験を行うことができる。
例えば、運転手や各搭乗者のストレスの有無等を評価することにより、サスペンション（suspension、懸架装置）やタイヤの設定による車内の振動を評価したり、スピーカーの設置位置による車内の音響等を評価したりすることができる。また、長時間運転時の運転手や各搭乗者のストレスの有無等の心理状態の変遷を評価したりすることもできる。
その他、実施例２のストレス評価システムＳは、実施例１と同様の作用効果を奏する。
(Operation of Example 2)
In the stress evaluation system S of Example 2 having the above-described configuration, the pulse wave sensors SNa to SNe arranged in the driver's seat, the passenger seat, and the rear seats in the vehicle V are used for the driver and each passenger. Each pulse wave is output to the client personal computer PC, and the presence or absence of stress on the driver and each passenger is diagnosed (see ST1 to ST20 in FIG. 6). Therefore, in the stress evaluation system S of the second embodiment, the stress evaluation device U can perform the stress evaluation test for evaluating the handling stability, the riding comfort, and the like of the automobile V.
For example, by evaluating the presence or absence of stress on the driver and each passenger, the vibrations in the vehicle due to the suspension (suspension) and tire settings are evaluated, and the acoustics in the vehicle depending on the installation position of the speakers are evaluated. You can do it. It is also possible to evaluate changes in psychological state such as the presence or absence of stress on the driver and each passenger during long driving.
In addition, the stress evaluation system S of the second embodiment has the same functions and effects as those of the first embodiment.
（変更例）
以上、本発明の実施例を詳述したが、本発明は、前記実施例に限定されるものではなく、特許請求の範囲に記載された本発明の要旨の範囲内で、種々の変更を行うことが可能である。本発明の変更例（Ｈ01）〜（Ｈ03）を下記に例示する。
（Ｈ01）本発明の実施例２では、自動車Ｖを対象物とするストレス評価試験について前記ストレス評価装置Ｕを適用したが、これに限定されず、その他の対象物についてのストレス評価試験にも適用可能である。例えば、クライアントパソコンＰＣのオペレーティングシステムＯＳやアプリケーションプログラムについてのストレス評価試験にも適用可能である。また、テレビ等のメディアについてのストレス評価試験、例えば、テレビ画面の点滅画像表示が子供に及ぼす悪影響についての試験等にも適用可能である。
(Example of change)
As mentioned above, although the Example of this invention was explained in full detail, this invention is not limited to the said Example, A various change is performed within the range of the summary of this invention described in the claim. It is possible. Modification examples (H01) to (H03) of the present invention are exemplified below.
(H01) In the second embodiment of the present invention, the stress evaluation apparatus U is applied to the stress evaluation test using the automobile V as an object. However, the present invention is not limited to this, and is also applied to the stress evaluation test for other objects. Is possible. For example, the present invention can be applied to a stress evaluation test for an operating system OS and application programs of a client personal computer PC. The present invention can also be applied to a stress evaluation test for media such as a television set, for example, a test for adverse effects of blinking image display on a television screen on a child.
（Ｈ02）本発明の実施例では、前記閾値ｆが０．０１で予め設定されているが、これに限定されず、０．０１以外の適切な値を設定することが可能である。また、例えば、前記カオス解析条件入力画像１（図３参照）に、前記閾値ｆを設定する欄を新たに設けることにより、前記ストレス診断処理（図６のＳＴ１〜ＳＴ２０参照）開始時にユーザが任意の閾値を設定できるようにすることも可能である。
（Ｈ03）本発明の実施例では、前記カオス解析条件入力画像１（図３参照）により、前記カオス解析条件ｔ，τ，ｎ，Ｎが設定されるが、これに限定されず、前記各入力欄２〜６を増減して、設定できるパラメタを変更することも可能である。また、前記カオス解析条件入力画像１を省略し、予め設定された前記カオス解析条件ｔ，τ，ｎ，Ｎに基づいて、ストレス診断処理（図６のＳＴ１〜ＳＴ２０参照）を実行することも可能である。
(H02) In the embodiment of the present invention, the threshold value f is set to 0.01 in advance. However, the present invention is not limited to this, and an appropriate value other than 0.01 can be set. In addition, for example, by newly providing a column for setting the threshold f in the chaos analysis condition input image 1 (see FIG. 3), the user can arbitrarily set the stress diagnosis process (see ST1 to ST20 in FIG. 6). It is also possible to set a threshold value.
(H03) In the embodiment of the present invention, the chaos analysis conditions t, τ, n, N are set by the chaos analysis condition input image 1 (see FIG. 3). It is also possible to change the parameters that can be set by increasing or decreasing the fields 2 to 6. It is also possible to omit the chaos analysis condition input image 1 and execute stress diagnosis processing (see ST1 to ST20 in FIG. 6) based on the chaos analysis conditions t, τ, n, and N set in advance. It is.
τ…遅れ時間、
Ａ…アトラクタ、
ＡＰ１…ストレス評価プログラム、
Ｃ３…脈波測定手段、
Ｃ４…加速度脈波演算手段、
Ｃ５…アトラクタ構成手段、
Ｃ６…ストレス評価値演算手段、
Ｃ６Ａ…データベクトル選択手段、
Ｃ６Ｂ…近傍ベクトル検出手段、
Ｃ６Ｃ…接線ベクトル演算手段、
Ｃ６Ｅ…平行度累積度数率演算手段、
Ｃ６E1…平行度演算手段、
Ｃ６Ｆ…距離率演算手段、
Ｃ６F1…距離演算手段、
Ｃ８…診断手段、
Ｄｍａｘ…最長距離、
ｄｉ…距離、
ｄｒ…距離率、
Ｅｆ…ストレス評価値、
ｆ…閾値、
ｈｆ…平行度累積度数率、
Ｋ…近傍空間、
Ｎ…複数の平行度の総数、
ｎ…次数、
Ｒｉ，Ｒｊ，Ｒｋ…軌道、
Ｓ…ストレス評価システム、
Ｔｉ，Ｔｊ，Ｔｋ…接線のベクトル、
ｔｐｍｉ…平行度、
Ｕ…ストレス評価装置、
Ｗ０…脈波、
Ｗ２…加速度脈波、
Ｘｉ，Ｘｉ＋１，Ｘｊ，Ｘ１〜ＸＮ…データベクトル、
Ｘｉ，Ｘｉ＋１，Ｘ１〜ＸＮ…選択ベクトル、
Ｘｊ，Ｘｋ…近傍ベクトル。
τ ... delay time,
A ... Attractor,
AP1 ... Stress assessment program,
C3: Pulse wave measuring means,
C4: Acceleration pulse wave calculation means,
C5 ... attractor constituting means,
C6: Stress evaluation value calculation means,
C6A: Data vector selection means,
C6B ... neighborhood vector detection means,
C6C: Tangent vector calculation means,
C6E: Parallelism cumulative frequency rate calculating means,
C6E1 ... Parallelism calculation means,
C6F: Distance rate calculation means,
C6F1 Distance calculation means,
C8 ... diagnostic means,
D max longest distance,
d i ... distance,
d r ... Distance rate,
E f ... stress evaluation value,
f ... threshold,
h f ... cumulative degree of parallelism,
K: Neighboring space,
N: the total number of parallelisms,
n ... Order,
R i , R j , R k ... orbit,
S ... Stress assessment system,
T i , T j , T k ... tangential vector,
tpm i ... parallelism,
U ... Stress evaluation device,
W0 ... pulse wave,
W2 ... Acceleration pulse wave,
X i , X i + 1 , X j , X 1 to X N ... data vector,
X i , X i + 1 , X 1 to X N ... selection vector,
X j , X k ... neighborhood vectors.
Claims (5)
前記脈波に基づいて、予め設定された遅れ時間および次数に基づいて構成される状態空間の関数を演算することにより、前記状態空間上に描かれた前記関数の軌道の幾何学的構造であるアトラクタを構成するアトラクタ構成手段と、
前記軌道上の点であるデータベクトルについて、複数の前記データベクトルのうちの１つの選択ベクトルを選択するデータベクトル選択手段と、
前記状態空間の部分空間である前記選択ベクトルの近傍空間内において、前記選択ベクトルの近傍の点であり且つ前記選択ベクトルとは異なる軌道上の点である近傍ベクトルを検出する近傍ベクトル検出手段と、
前記選択ベクトルを通過する軌道の接線のベクトルと、前記近傍ベクトルを通過する軌道の接線のベクトルとを演算する接線ベクトル演算手段と、
前記各接線のベクトルどうしの平行度を演算する平行度演算手段と、
前記選択ベクトルと、前記近傍ベクトルとの差分ベクトルの長さである距離を演算する距離演算手段と、
複数の前記選択ベクトルにおいて演算された複数の前記平行度と、複数の前記距離とに基づいて、ストレスを評価するためのストレス評価値を演算するストレス評価値演算手段と、
前記ストレス評価値と、予め記憶された基準となるストレス評価値である基準ストレス評価値とを比較することにより、ユーザの心身の状態を診断する診断手段と、
を備えたことを特徴とするストレス評価装置。 A pulse wave measuring means for measuring a pulse wave which is a wave accompanying a user's heartbeat;
A geometric structure of the trajectory of the function drawn on the state space by calculating a state space function based on a preset delay time and order based on the pulse wave Attractor constituting means constituting the attractor;
Data vector selection means for selecting one of a plurality of the data vectors for a data vector that is a point on the trajectory;
In a neighborhood space of the selection vector, which is a subspace of the state space, neighborhood vector detection means for detecting a neighborhood vector that is a point in the vicinity of the selection vector and a point on a trajectory different from the selection vector;
A tangent vector computing means for computing a tangent vector of a trajectory passing through the selected vector and a tangential vector of a trajectory passing through the neighborhood vector;
Parallelism calculating means for calculating parallelism between the vectors of the tangent lines,
Distance calculating means for calculating a distance that is a length of a difference vector between the selected vector and the neighborhood vector;
Stress evaluation value calculating means for calculating a stress evaluation value for evaluating stress based on the plurality of parallelisms calculated in the plurality of selection vectors and the plurality of distances;
A diagnostic means for diagnosing the state of mind and body of the user by comparing the stress evaluation value with a reference stress evaluation value that is a stress evaluation value that is a prestored reference;
A stress evaluation apparatus comprising:
前記加速度脈波に基づいて、前記状態空間の関数を演算することにより、前記アトラクタを構成する前記アトラクタ構成手段と、
を備えたことを特徴とする請求項１に記載の前記ストレス評価装置。 Acceleration pulse wave calculating means for calculating an acceleration pulse wave which is a second-order differential wave of the pulse wave;
Based on the acceleration pulse wave, the attractor constituting means constituting the attractor by calculating a function of the state space;
The stress evaluation apparatus according to claim 1, further comprising:
前記アトラクタのサイズとして構成された全ての前記データベクトル間の差分ベクトルの長さのうちの最長の長さである最長距離に対する、前記複数の選択ベクトルに対応する前記複数の距離の平均値の割合である距離率を演算する距離率演算手段と、
前記平行度累積度数率と前記距離率とに基づいて、前記ストレス評価値を演算する前記ストレス評価値演算手段と、
を備えたことを特徴とする請求項１または請求項２に記載の前記ストレス評価装置。 From the plurality of parallelisms corresponding to the plurality of selection vectors, a cumulative degree of parallelism closer to parallel than a preset threshold value is counted, and the counted cumulative degree of parallelism is the plurality of parallelisms A parallelism cumulative frequency rate calculating means for calculating a parallelism cumulative frequency rate that is a proportion of the total number of
The ratio of the average value of the plurality of distances corresponding to the plurality of selection vectors to the longest distance that is the longest length of the difference vectors between all the data vectors configured as the size of the attractor A distance rate calculating means for calculating a distance rate of
The stress evaluation value calculating means for calculating the stress evaluation value based on the parallel degree and the distance rate;
The stress evaluation apparatus according to claim 1, further comprising:
前記脈波に基づいて、予め設定された遅れ時間および次数に基づいて構成される状態空間の関数を演算することにより、前記状態空間上に描かれた前記関数の軌道の幾何学的構造であるアトラクタを構成するアトラクタ構成手段と、
前記軌道上の点であるデータベクトルについて、複数の前記データベクトルのうちの１つの選択ベクトルを選択するデータベクトル選択手段と、
前記状態空間の部分空間である前記選択ベクトルの近傍空間内において、前記選択ベクトルの近傍の点であり且つ前記選択ベクトルとは異なる軌道上の点である近傍ベクトルを検出する近傍ベクトル検出手段と、
前記選択ベクトルを通過する軌道の接線のベクトルと、前記近傍ベクトルを通過する軌道の接線のベクトルとを演算する接線ベクトル演算手段と、
前記選択ベクトルと、前記近傍ベクトルとの差分ベクトルの長さである距離を演算する距離演算手段と、
複数の前記選択ベクトルにおいて演算された複数の前記平行度と、複数の前記距離とに基づいて、ストレスを評価するためのストレス評価値を演算するストレス評価値演算手段と、
前記ストレス評価値と、予め記憶された基準となるストレス評価値である基準ストレス評価値とを比較することにより、ユーザの心身の状態を診断する診断手段と、
を備えたことを特徴とするストレス評価システム。 A pulse wave measuring means for measuring a pulse wave which is a wave accompanying a user's heartbeat;
A geometric structure of the trajectory of the function drawn on the state space by calculating a state space function based on a preset delay time and order based on the pulse wave Attractor constituting means constituting the attractor;
Data vector selection means for selecting one of a plurality of the data vectors for a data vector that is a point on the trajectory;
In a neighborhood space of the selection vector, which is a subspace of the state space, neighborhood vector detection means for detecting a neighborhood vector that is a point near the selection vector and a point on a trajectory different from the selection vector;
A tangent vector computing means for computing a tangential vector of a trajectory passing through the selected vector and a tangential vector of a trajectory passing through the neighborhood vector;
Distance calculating means for calculating a distance that is a length of a difference vector between the selected vector and the neighborhood vector;
A stress evaluation value calculation means for calculating a stress evaluation value for evaluating stress based on the plurality of parallelisms calculated in the plurality of selection vectors and the plurality of distances;
A diagnostic means for diagnosing the state of mind and body of the user by comparing the stress evaluation value with a reference stress evaluation value that is a stress evaluation value that is a prestored reference;
A stress evaluation system characterized by comprising
ユーザの心拍に伴う波動である脈波を測定する脈波測定手段、
前記脈波に基づいて、予め設定された遅れ時間および次数に基づいて構成される状態空間の関数を演算することにより、前記状態空間上に描かれた前記関数の軌道の幾何学的構造であるアトラクタを構成するアトラクタ構成手段、
前記軌道上の点であるデータベクトルについて、複数の前記データベクトルのうちの１つの選択ベクトルを選択するデータベクトル選択手段、
前記状態空間の部分空間である前記選択ベクトル近傍の近傍空間内において、前記選択ベクトルの近傍の点であり且つ前記選択ベクトルとは異なる軌道上の点である近傍ベクトルを検出する近傍ベクトル検出手段、
前記選択ベクトルを通過する軌道の接線のベクトルと、前記近傍ベクトルを通過する軌道の接線のベクトルとを演算する接線ベクトル演算手段、
前記各接線のベクトルどうしの平行度を演算する平行度演算手段、
前記選択ベクトルと、前記近傍ベクトルとの差分ベクトルの長さである距離を演算する距離演算手段、
複数の前記選択ベクトルにおいて演算された複数の前記平行度と、複数の前記距離とに基づいて、ストレスを評価するためのストレス評価値を演算するストレス評価値演算手段、
前記ストレス評価値と、予め記憶された基準となるストレス評価値である基準ストレス評価値とを比較することにより、ユーザの心身の状態を診断する診断手段、
として機能させるためのストレス評価プログラム。 Computer
A pulse wave measuring means for measuring a pulse wave which is a wave accompanying a user's heartbeat;
A geometric structure of the trajectory of the function drawn on the state space by calculating a state space function based on a preset delay time and order based on the pulse wave Attractor constituting means constituting the attractor,
A data vector selecting means for selecting one of a plurality of the data vectors for a data vector that is a point on the trajectory;
Neighborhood vector detection means for detecting a neighborhood vector that is a point in the vicinity of the selection vector and a point on a trajectory different from the selection vector in a neighborhood space near the selection vector that is a subspace of the state space;
A tangent vector computing means for computing a tangential vector of a trajectory passing through the selected vector and a tangential vector of a trajectory passing through the neighborhood vector;
Parallelism calculating means for calculating parallelism between the vectors of the tangent lines,
Distance calculating means for calculating a distance which is a length of a difference vector between the selected vector and the neighborhood vector;
Stress evaluation value calculating means for calculating a stress evaluation value for evaluating stress based on the plurality of parallelisms calculated in the plurality of selection vectors and the plurality of distances;
A diagnostic means for diagnosing the state of mind and body of the user by comparing the stress evaluation value with a reference stress evaluation value that is a stress evaluation value that is a prestored reference;
Stress evaluation program to function as
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2007234725A JP5046286B2 (en) | 2007-09-10 | 2007-09-10 | Stress evaluation apparatus, stress evaluation system, and stress evaluation program |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2007234725A JP5046286B2 (en) | 2007-09-10 | 2007-09-10 | Stress evaluation apparatus, stress evaluation system, and stress evaluation program |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2009066017A true JP2009066017A (en) | 2009-04-02 |
| JP5046286B2 JP5046286B2 (en) | 2012-10-10 |
Family
ID=40602924
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2007234725A Expired - Fee Related JP5046286B2 (en) | 2007-09-10 | 2007-09-10 | Stress evaluation apparatus, stress evaluation system, and stress evaluation program |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP5046286B2 (en) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011246037A (en) * | 2010-05-28 | 2011-12-08 | Denso Corp | Vehicle air conditioning apparatus |
| JP2012050711A (en) * | 2010-09-01 | 2012-03-15 | Tokyo Metropolitan Univ | Stress evaluation device, and stress evaluation method |
| JP2012228492A (en) * | 2011-04-25 | 2012-11-22 | Nihon Holistic:Kk | Biological state diagnostic method |
| JP2014188168A (en) * | 2013-03-27 | 2014-10-06 | Dainippon Printing Co Ltd | Lexical determination problem analyzer, lexical determination problem analysis system, lexical determination problem analysis method, and program |
| JP2015100525A (en) * | 2013-11-25 | 2015-06-04 | 株式会社カオテック研究所 | Diagnostic data generation apparatus and diagnostic apparatus |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0628335A (en) * | 1993-06-28 | 1994-02-04 | Computer Konbiniensu:Kk | Chaos computer |
| JPH0696055A (en) * | 1992-09-14 | 1994-04-08 | Aihara Denka Kk | Time-series data nonlinear anlytsis system |
| JPH06217951A (en) * | 1993-01-29 | 1994-08-09 | Sanyo Electric Co Ltd | Health care device |
| JPH0755226A (en) * | 1993-08-10 | 1995-03-03 | Hitachi Ltd | Comfortableness sensing device, and dwelling room environment controller using the device |
| JPH1123360A (en) * | 1997-07-04 | 1999-01-29 | Meidensha Corp | Apparatus for detecting abnormal sound in rotating machine system |
| JP2004073520A (en) * | 2002-08-20 | 2004-03-11 | Saneyuki Amada | Morbidity diagnosing apparatus, and program |
| JP2004310500A (en) * | 2003-04-08 | 2004-11-04 | Nippon Steel Corp | Method and device for future prediction of time-series continuous data, computer program, and recording medium |
| JP2004329956A (en) * | 2004-07-16 | 2004-11-25 | Matsushita Electric Ind Co Ltd | Driver monitoring device and safety device using the same |
| WO2005000119A1 (en) * | 2003-06-27 | 2005-01-06 | Soiken Inc. | Fatigue degree estimating method, fatigue degree estimating device, and database |
| JP3785703B2 (en) * | 1996-10-31 | 2006-06-14 | 株式会社明電舎 | Time series data identification method and identification apparatus |
-
2007
- 2007-09-10 JP JP2007234725A patent/JP5046286B2/en not_active Expired - Fee Related
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0696055A (en) * | 1992-09-14 | 1994-04-08 | Aihara Denka Kk | Time-series data nonlinear anlytsis system |
| JPH06217951A (en) * | 1993-01-29 | 1994-08-09 | Sanyo Electric Co Ltd | Health care device |
| JPH0628335A (en) * | 1993-06-28 | 1994-02-04 | Computer Konbiniensu:Kk | Chaos computer |
| JPH0755226A (en) * | 1993-08-10 | 1995-03-03 | Hitachi Ltd | Comfortableness sensing device, and dwelling room environment controller using the device |
| JP3785703B2 (en) * | 1996-10-31 | 2006-06-14 | 株式会社明電舎 | Time series data identification method and identification apparatus |
| JPH1123360A (en) * | 1997-07-04 | 1999-01-29 | Meidensha Corp | Apparatus for detecting abnormal sound in rotating machine system |
| JP2004073520A (en) * | 2002-08-20 | 2004-03-11 | Saneyuki Amada | Morbidity diagnosing apparatus, and program |
| JP2004310500A (en) * | 2003-04-08 | 2004-11-04 | Nippon Steel Corp | Method and device for future prediction of time-series continuous data, computer program, and recording medium |
| WO2005000119A1 (en) * | 2003-06-27 | 2005-01-06 | Soiken Inc. | Fatigue degree estimating method, fatigue degree estimating device, and database |
| JP2004329956A (en) * | 2004-07-16 | 2004-11-25 | Matsushita Electric Ind Co Ltd | Driver monitoring device and safety device using the same |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011246037A (en) * | 2010-05-28 | 2011-12-08 | Denso Corp | Vehicle air conditioning apparatus |
| JP2012050711A (en) * | 2010-09-01 | 2012-03-15 | Tokyo Metropolitan Univ | Stress evaluation device, and stress evaluation method |
| JP2012228492A (en) * | 2011-04-25 | 2012-11-22 | Nihon Holistic:Kk | Biological state diagnostic method |
| JP2014188168A (en) * | 2013-03-27 | 2014-10-06 | Dainippon Printing Co Ltd | Lexical determination problem analyzer, lexical determination problem analysis system, lexical determination problem analysis method, and program |
| JP2015100525A (en) * | 2013-11-25 | 2015-06-04 | 株式会社カオテック研究所 | Diagnostic data generation apparatus and diagnostic apparatus |
Also Published As
| Publication number | Publication date |
|---|---|
| JP5046286B2 (en) | 2012-10-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Navaneeth et al. | PSO optimized 1-D CNN-SVM architecture for real-time detection and classification applications | |
| JP5879833B2 (en) | Information processing apparatus, information processing method, and program | |
| WO2001058350A1 (en) | Provision of decision support for acute myocardial infarction | |
| JP5046286B2 (en) | Stress evaluation apparatus, stress evaluation system, and stress evaluation program | |
| Li et al. | Detection of coupling in short physiological series by a joint distribution entropy method | |
| Ma et al. | Quantitative assessment of essential tremor based on machine learning methods using wearable device | |
| Li et al. | Optimized multivariate multiscale slope entropy for nonlinear dynamic analysis of mechanical signals | |
| Devisetty et al. | Prediction of Bradycardia using Decision Tree Algorithm and Comparing the Accuracy with Support Vector Machine | |
| Juang et al. | Explainable fuzzy neural network with easy-to-obtain physiological features for screening obstructive sleep apnea-hypopnea syndrome | |
| JP6905892B2 (en) | Computer system | |
| Ghahjaverestan et al. | Switching Kalman filter based methods for apnea bradycardia detection from ECG signals | |
| Ali et al. | LSTM-based electroencephalogram classification on autism spectrum disorder | |
| JP5911840B2 (en) | Diagnostic data generation device and diagnostic device | |
| Güler et al. | Detecting variability of internal carotid arterial Doppler signals by Lyapunov exponents | |
| Singh et al. | Expert system based detection and classification of coronary artery disease using ranking methods and nonlinear attributes | |
| Iscra et al. | Interpretable machine learning models to support differential diagnosis between Ischemic Heart Disease and Dilated Cardiomyopathy | |
| Ferroudji et al. | An automated microemboli detection and classification system using backscatter RF signals and differential evolution | |
| Mengash et al. | Automated autism spectral disorder classification using optimal machine learning model | |
| Du et al. | IABC: a toolbox for intelligent analysis of brain connectivity | |
| Eskandar et al. | Using Deep Learning for Assessment of Workers' Stress and Overload | |
| Emuoyibofarhe et al. | Predictive system for heart disease using a machine learning trained model | |
| Sheha et al. | Feature Engineering: Toward Identification of Symptom Clusters of Mental Disorders | |
| Ozturk et al. | Classification of transcranial Doppler signals using their chaotic invariant measures | |
| KR102514363B1 (en) | Computerized attention test system and attention test method using the same | |
| Singh et al. | A Novel Machine Learning Approach for Detection of Coronary Artery Disease Using Reduced Non-linear and Chaos Features. |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20100304 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20120327 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20120710 |
|
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20120711 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20150727 Year of fee payment: 3 |
|
| R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| S531 | Written request for registration of change of domicile |
Free format text: JAPANESE INTERMEDIATE CODE: R313531 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| LAPS | Cancellation because of no payment of annual fees |