CN105792758B - 推定装置、记录介质以及推定系统 - Google Patents

Abstract

具有：提取部，从表示受试者的生理的信息中提取表示受试者的生理状态的第1信息以及表示受试者的情绪以及器官的活动的至少一方的第2信息；运算部，对提取出的第1信息与第2信息所示的时间变化的相似度进行求取，并基于求出的相似度，计算相对于受试者的保持内稳态的规定状态的偏差量；以及推定部，基于计算出的偏差量推定受试者的病况。

Description

推定装置、记录介质以及推定系统

技术领域

本发明涉及对受试者的病况进行推定的推定装置、程序、推定方法以及推定系统。

背景技术

以往，提出有如下技术：对受试者的声音信号、或者表示心脏等器官的活动的电信号进行计测，根据计测到的信号求取受试者的情绪、器官的活动，并基于求出的情绪、器官的活动的时间变化来推定受试者的病况(例如，参照引用文献1、2)。

在先技术文献

专利文献

专利文献1：国际公布第2006/132159号

专利文献2：日本特开2012-61057号公报

发明内容

发明所要解决的课题

然而，在现有技术中，在基于根据计测到的信号求出的受试者的情绪、器官的活动的时间变化，来推定受试者的病况时，对于用户要求有医学上专业的知识。

一方面，本申请的推定装置、程序、推定方法以及推定系统的目的在于，即使不具有专业的知识也可容易地对受试者的病况进行推定。

用于解决课题的手段

基于一个观点的推定装置具有：提取部，从表示受试者的生理的信息中，提取表示受试者的生理状态的第1信息与表示受试者的情绪以及器官的活动的至少一方的第2信息；运算部，对提取出的第1信息与第2信息所示的时间变化的相似度进行求取，并基于求出的相似度对相对于受试者的保持内稳态的规定状态的偏差量进行计算；以及推定部，基于计算出的偏差量，对受试者的病况进行推定。

基于其他的观点的程序使计算机执行下述处理：从表示受试者的生理的信息中，提取表示受试者的生理状态的第1信息与表示受试者的情绪以及器官的活动的至少一方的第2信息；对提取出的第1信息与第2信息所示的时间变化的相似度进行求取，并基于求出的相似度对相对于受试者的保持内稳态的规定状态的偏差量进行计算；基于计算出的偏差量对受试者的病况进行推定。

在基于其他的观点的推定方法中，由提取部从表示受试者的生理的信息中，提取表示受试者的生理状态的第1信息与表示受试者的情绪以及器官的活动的至少一方的第2信息；由运算部对提取出的第1信息与第2信息所示的时间变化的相似度进行求取，并基于求出的相似度对相对于受试者的保持内稳态的规定状态的偏差量进行计算；由推定部基于计算出的偏差量对受试者的病况进行推定。

基于其他的观点的推定系统具有：计测装置，对受试者的生理进行计测；推定装置，利用由计测装置计测出的表示受试者的生理的信息，对受试者的病况进行推定；以及输出装置，对由推定装置推定出的病况的结果进行输出，推定装置具备：提取部，从表示受试者的生理的信息中，提取表示受试者的生理状态的第1信息与表示受试者的情绪以及器官的活动的至少一方的第2信息；运算部，对提取出的第1信息与第2信息所示的时间变化的相似度进行求取，并基于求出的相似度对相对于受试者的保持内稳态的规定状态的偏差量进行计算；以及推定部，基于计算出的偏差量对受试者的病况进行推定。

本申请的推定装置、程序、推定方法以及推定系统，即使不具有专业知识也能够容易地对受试者的病况进行推定。

附图说明

图1为示出推定装置的一实施方式的图。

图2为示出推定装置的其他的实施方式的图。

图3为对示出受试者的发言的基本频率与受试者的情绪之间的关系的判断树的一例进行表示的图。

图4为示出医师的兴奋度，平常、悲伤、愤怒以及喜悦的强度的时间变化的一例的图。

图5为示出抑郁症患者的兴奋度，平常、悲伤、愤怒以及喜悦的强度的时间变化的一例的图。

图6为示出普通人的兴奋度，平常、悲伤、愤怒以及喜悦的强度的时间变化的一例的图。

图7为示出不同于图6所示的普通人的其他普通人的兴奋度，平常、悲伤、愤怒以及喜悦的强度的时间变化的一例的图。

图8为示出由图2所示的运算部进行的、图4所示的医师的兴奋度与各情绪的互相关处理的结果的一例的图。

图9为示出由图2所示的运算部进行的、图5所示的抑郁症患者的兴奋度与各情绪的互相关处理的结果的一例的图。

图10为示出由图2所示的运算部进行的、图6所示的普通人的兴奋度与各情绪的互相关处理的结果的一例的图。

图11为示出由图2所示的运算部进行的、图7所示的普通人的兴奋度与各情绪的互相关处理的结果的例子的图。

图12为示出受试者的情绪的内稳态的一例的图。

图13为示出由图2所示的运算部求出的、图8所示的医师的内稳态的偏差量的时间变化的例子的图。

图14为示出由图2所示的运算部求出的、图9所示的抑郁症患者的内稳态的偏差量的时间变化的例子的图。

图15为示出由图2所示的运算部求出的、图10所示的普通人的内稳态的偏差量的时间变化的例子的图。

图16为示出由图2所示的运算部求出的、图11所示的普通人的内稳态的偏差量的时间变化的例子的图。

图17为示出由图2所示的推定装置进行的推定处理的一例的图。

图18为示出受试者的心率以及心搏变动与受试者的情绪的判断树的一例的图。

图19为示出受试者的情绪的内稳态的其他例的图。

图20为示出推定装置的其他实施方式的图。

图21为示意性地示出受试者PA的内稳态的连锁的例子的图。

图22为示出图20所示的实验部在受试者的内稳态的模拟中利用的循环系统的计算模型的一例的图。

图23为示出受试者的各循环系统的位移的数据的一例的图。

图24为示出由图20所示的推定装置进行的推定处理的一例的图。

图25为示出推定装置的其他实施方式的图。

图26为示出图25所示的实验部在模拟受试者的内稳态中利用的循环系统的计算模型的一例的图。

图27为示出受试者的各循环系统的转速的数据的一例的图。

图28为示出病况表的一例的图。

图29为示出由图25所示的推定装置进行的推定处理的一例的图。

图30为示出推定装置的其他实施方式的图。

图31为示出发言表的一例的图。

图32为示出由图30所示的推定装置进行的推定处理的一例的图。

具体实施方式

以下，使用附图对实施方式进行说明。

图1表示推定装置的一实施方式。

图1所示的推定装置AM是具有CPU(Central Processing Unit：中央处理器)等运算处理装置以及硬盘装置等存储装置的计算机装置等。推定装置AM具有提取部EU、运算部CU以及推定部AU。提取部EU、运算部CU以及推定部AU的功能既可以由CPU所执行的程序实现，也可以由硬件实现。

提取部EU从存储在推定装置AM的存储装置中的包含有受试者所发出的声音数据或者体温、心搏等的数据的、表示受试者的生理的信息中，提取声音的音高(pitch)频率、基本频率，或者体温、心率等的表示受试者的生理状态的第1信息。此外，提取部EU从表示受试者的生理的信息中，提取对受试者的包含愤怒、悲伤等的情绪以及受试者的心脏、肠道等器官的活动的至少一方进行表示的第2信息。

运算部CU对提取到的第1信息与第2信息所示的时间变化下的相似度进行求取，并基于求出的相似度对受试者的相对于保持内稳态的规定状态的偏差量(以下也称为内稳态的偏差量)进行计算。

推定部AU基于计算出的内稳态的偏差量来推定受试者的病况。然后，推定装置AM向外部的有机EL(Organic Electro-Luminescence：有机电致发光)、液晶等的显示器输出表示由推定部AU推定的病况的信息。

以上，在图1所示的实施方式中，利用表示受试者的生理状态的第1信息以及表示受试者的情绪以及器官的活动的至少一方的第2信息，计算受试者的内稳态的偏差量。由此，推定装置AM通过参照内稳态的偏差量这1个指标，即使不具有医学的专业知识也能够容易地推定受试者的病况。

图2表示推定装置的其他实施方式。

图2所示的推定装置100是具有CPU等运算处理装置以及硬盘装置等存储装置的计算机装置等。推定装置100经由包含于推定装置100的接口部，通过有线或无线与计测装置1以及输出装置2连接。由此，例如，推定装置100、计测装置1、以及输出装置2作为推定系统SYS而动作。

计测装置1例如至少包含麦克风，对表示受试者PA的生理的信息进行计测。例如，计测装置1经由麦克风来计测受试者PA发言的声音信号，并将计测到的声音信号作为表示受试者PA的生理的信息输出至推定装置100。

输出装置2例如包含有机EL、液晶等的显示器。输出装置2接收推定装置100对受试者PA的病况的推定结果，并将接收到的推定结果显示在有机EL等的显示器。另外，输出装置2也可以设置在推定装置100的内部。

图2所示的推定装置100具有提取部10、运算部20以及推定部30。提取部10、运算部20以及推定部30的功能既可以由CPU所执行的程序实现，也可以由硬件实现。

提取部10从通过计测装置1计测到的、表示受试者PA的生理的信息中，提取表示受试者PA的生理状态的第1信息与表示受试者PA的情绪以及受试者PA的心脏、肠道等器官的活动的至少一方的第2信息。提取部10向运算部20输出提取到的第1信息以及第2信息。关于提取部10的动作通过图3至图7来说明。

运算部20对提取到的第1信息与第2信息的时间变化的相似度进行计算。例如，运算部20执行提取到的第1信息与第2信息的时间变化的互相关处理，并计算互相关系数作为相似度。运算部20利用计算出的多个相似度，来求取受试者PA的内稳态的偏差量。关于运算部20的动作以及内稳态通过图8至图12来说明。

推定部30基于求出的受试者PA的内稳态的偏差量来推定受试者PA的病况。推定部30向输出装置2输出表示推定出的受试者PA的病况的信息。关于推定部30的动作通过图12至图16来说明。

图3示出表示受试者PA的发言的基本频率与受试者PA的情绪的关系的判断树的一例。图3所示的判断树例如按多个受试者PA(例如100名以上)各自的每次发言，基于被主观地评价为“平常”、“悲伤”、“愤怒”以及“喜悦”等中的某一个的各受试者PA的情绪、以及提取出的基本频率的高度等而生成。即，图3所示的判断树表示平常、悲伤、愤怒以及喜悦的各情绪与发言时的基本频率的高度、强度以及平均强度的关系。例如，平常的情绪指基本频率的高度小于150Hz，且基本频率的强度为100以上。悲伤的情绪指基本频率的高度小于150Hz，且基本频率的强度小于100。愤怒的情绪指基本频率的高度为150Hz以上，且基本频率的平均强度为80以上。喜悦的情绪指基本频率的高度为150Hz以上，且基本频率的强度小于80。

另外，图3所示的判断树事先存储于推定装置100的存储装置中。此外，在图3所示的判断树中，设置了平常、悲伤、愤怒、喜悦作为受试者PA的情绪，但还可以包含不安、痛苦等的情绪。此外，推定装置100也可以具有表示音高频率等的声音参数与情绪的关系的判断树。

例如，提取部10对从计测装置1接收的受试者PA所发言的声音信号，执行FFT(FastFourier Transform：快速傅里叶变换)等的频率解析，从而求取基本频率的高度等。提取部10基于从受试者PA的各发言中求出的基本频率的高度等以及图3所示的判断树，例如在0至10的值的范围内，求取在各发言的瞬间在受试者PA出现的平常、悲伤、愤怒以及喜悦的情绪各自的比例。另外，平常、悲伤、愤怒以及喜悦的情绪的比例的合计值是固定值，例如设为10。此外，平常、悲伤、愤怒、喜悦的比例也可以是0至10的值的范围以外的范围的值。

此外，提取部10从受试者PA的声音信号中求取语调、音高频率等。例如，提取部10从声音信号的发言单位中的强度变化模式中检测相同频率成分的区域，获取检测到的相同频率成分的区域所出现的时间间隔作为语调。此外，提取部10例如根据声音信号的频率解析获取频谱。提取部10一边在频率轴上对获取到的频谱进行错移一边执行自相关处理，从而求取自相关系数的波形。提取部10基于求出的自相关系数的波形中的、波峰与波峰或波谷与波谷的间隔来求取音高频率。然后，提取部10根据求出的语调以及音高频率与规定的间隔以及规定的频率的比较，在0至10的值的范围内求取受试者PA的兴奋的程度(以下也称作兴奋度)。语调示出的相同频率成分的出现间隔比规定的间隔越短，或者音高频率比规定的频率越高，则兴奋度越高。换言之，由于受试者PA的生理性的兴奋，与交感神经、副交感神经等的受试者PA的脑神经的活动密切相关，因此能够通过兴奋度研究受试者PA的脑神经的活动与受试者PA的情绪的关系。另外，兴奋度也可以是0至10的值的范围以外的范围的值。

提取部10例如将求出的兴奋度，与平常、悲伤、愤怒以及喜悦各自的比例相乘，从而求取平常、悲伤、愤怒以及喜悦各自的强度。兴奋度是第1信息的一例，平常、悲伤、愤怒以及喜悦的强度是第2信息的一例。

图4至图7表示每个受试者PA的兴奋度，平常、悲伤、愤怒以及喜悦的强度的时间变化的一例。图4至图7的横轴作为时间轴表示受试者PA的发言单位的顺序，图4至图7的纵轴表示兴奋度，以及平常、悲伤、愤怒，喜悦的各强度。实线表示兴奋度的时间变化，点划线表示平常与愤怒的强度的相加值(以下也称作“平常加愤怒”)的时间变化。此外，点线表示悲伤的强度的时间变化，虚线表示喜悦的强度的时间变化。

另外，图4至图7所示的兴奋度、平常加愤怒、悲伤以及喜悦的强度的时间变化表示：例如由运算部20以10发言单位的窗口宽度进行移动平均而得到的值。

此外，将平常与愤怒的强度合并是因为：发明人在推定受试者PA是否患有精神疾病时，推定为悲伤与喜悦的情绪中出现特征性的变化，而将平常以及愤怒作为其他的情绪来处理。另外，对于平常以及愤怒的情绪也可以与悲伤和喜悦同样地单独进行研究。

图4示出了受试者PA是未患有精神疾病的健康的精神科的医师，对抑郁症患者进行诊察时的兴奋度，平常、悲伤、愤怒以及喜悦的强度的时间变化。如图4所示，作为受试者PA的医师的兴奋度在发言的期间示出1至3.5的范围的变动。此外，医师的情绪在发言期间，平常加愤怒的强度大于悲伤、喜悦，由于对抑郁症患者进行诊察所以喜悦的强度示出与悲伤相比整体较低的值。

图5示出了受试者PA是抑郁症患者，接受图4所示的医师的诊察时的兴奋度，平常、悲伤、愤怒以及喜悦的强度的时间变化。如图5所示，受试者PA的抑郁症患者的兴奋度在发言期间示出2至5的范围的变动，并示出比图4所示的医师的兴奋度大的值。此外，抑郁症患者的情绪在发言期间，平常加愤怒的强度大于悲伤、喜悦，悲伤的强度示出比喜悦的强度大的值。并且，抑郁症患者的悲伤以及喜悦的强度示出比图4所示的医师的情况大的值。

图6示出了受试者PA是未患有精神疾病的健康的普通人A的情况下的兴奋度，平常、悲伤、愤怒以及喜悦的强度的时间变化。如图6所示，作为受试者PA的普通人A的兴奋度示出1.5至4.5的范围的变动。此外，普通人A的情绪与图4所示的医师的情况及图5所示的抑郁症患者的情况同样地，在发言期间示出平常加愤怒的强度大于悲伤、喜悦。另一方面，普通人A的喜悦的强度示出比悲伤的强度大的值。并且，如图6所示，普通人A的喜悦的强度与图4所示的医师的情况及图5所示的抑郁症患者的情况相比，分布于更大的值的范围内，普通人A的悲伤的强度与图4所示的医师的情况及图5所示的抑郁症患者的情况相比，分布于更低的值的范围内。

图7示出了受试者PA是不同于图6所示的普通人A的、未患有精神疾病的健康的普通人B的情况下的兴奋度，平常、悲伤、愤怒以及喜悦的强度的时间变化。如图7所示，作为受试者PA的普通人B的兴奋度示出3至7的范围的变动。此外，普通人B的情绪与图6所示的普通人A的情况同样地，在发言期间平常加愤怒的强度示出比悲伤及喜悦大的值。此外，普通人B的喜悦的强度与图6所示的普通人A的情况同样地，示出比悲伤的强度大的值。

运算部20例如针对图4至图7所示的各受试者PA，执行兴奋度的时间变化与平常加愤怒、悲伤以及喜悦的强度的时间变化各自的互相关处理。运算部20分别求取各受试者PA的兴奋度与平常加愤怒、悲伤以及喜悦的强度的互相关系数。另外，由运算部20进行的互相关处理的窗口宽度例如设为150个发言，但也可根据每个受试者PA，或者所要求的处理速度、推定的精度等来设定。

图8至图11示出由图2所示的运算部20进行的、受试者PA的兴奋度与各情绪的互相关处理的结果的一例。图8至图11的横轴作为时间轴按受试者PA的发言单位的顺序来表示，图8至图11的纵轴表示互相关系数。此外，点划线表示兴奋度与平常加愤怒的强度的互相关系数的时间变化，点线表示兴奋度与悲伤的强度的互相关系数的时间变化，虚线表示兴奋度与喜悦的强度的互相关系数的时间变化。

图8示出图4所示的医师的兴奋度与平常加愤怒、悲伤、喜悦各自的强度的互相关系数的时间变化。在图8所示的医师的情况下，在40发言单位以后，平常加愤怒的互相关系数示出比喜悦、悲伤的情况大的值，悲伤的互相关系数示出最小的值。另外，从发言开始至40发言单位，由于互相关处理的窗口宽度(例如150发言单位)下的医师的兴奋度以及各情绪的数据数较少，因此由运算部20计算出的兴奋度与各情绪的互相关系数的值不稳定，计算结果的可靠性较低。因此，在以下的说明中，对于图8所示的医师的情况利用40发言单位以后的互相关系数。

图9示出图5所示的抑郁症患者的兴奋度与平常加愤怒、悲伤以及喜悦各自的强度的互相关系数的时间变化。在图9所示的抑郁症患者的情况下，在100发言单位以后，悲伤的互相关系数示出了最大的值，喜悦的互相关系数示出了最小的值。另外，与图8的情况同样地，在图9中，从发言开始至100发言单位之间的、由运算部20计算出的兴奋度与各情绪的互相关系数的值不稳定，结果的可靠性较低。因此，在以下的说明中，对于图9所示的抑郁症患者的情况利用100发言单位以后的互相关系数。

图10示出图6所示的普通人A的兴奋度与平常加愤怒、悲伤以及喜悦各自的强度的互相关系数的时间变化。在图10所示的普通人A的情况下，在70发言单位以后，喜悦的互相关系数示出了最大的值，悲伤的互相关系数示出了最小的值。另外，与图8、图9的情况同样地，在图10中，在从发言开始至70发言单位之间，由运算部20计算出的兴奋度与各情绪的互相关系数的值不稳定，结果的可靠性较低。因此，在以下的说明中，对于图10所示的普通人A的情况利用70发言单位以后的互相关系数。

图11示出图7所示的普通人B的兴奋度与平常加愤怒、悲伤以及喜悦各自的强度的互相关系数的时间变化。在图11所出的普通人B的情况下，在70发言单位以后，喜悦的互相关系数示出了最大的值，悲伤的互相关系数示出了最小的值。另外，与图8至图10的情况同样地，在图11中，从发言开始至70发言单位之间，由运算部20计算出的兴奋度与各情绪的互相关系数的计算结果的可靠性较低，因此对于普通人B的情况利用70发言单位以后的互相关系数。

如图8至图11所示，受试者PA为医师、普通人A以及普通人B的健康的人时，平常加愤怒或者喜悦的情绪示出了与兴奋度的相关最强，悲伤的情绪示出了与兴奋度的相关最弱。即，可以认为，健康的受试者PA处于伴随着兴奋提高而能够坦率地表达感情的心理状态。并且，这种心理状态多处于愤怒等比较原始的感情状态。另一方，受试者PA为抑郁症患者的情况下，悲伤的情绪示出了与兴奋度的相关最强，喜悦的情绪示出了与兴奋度的相关最弱。即，可以认为，作为抑郁症患者的受试者PA即使处于兴奋状态，也与之相反地处于从内心冻结的心理状态。

运算部20利用例如图8至图11所示的各受试者PA的兴奋度与平常加愤怒、悲伤以及喜悦的强度的互相关系数，来求取受试者PA的平常加愤怒、悲伤以及喜悦的情绪之间的均衡状态。即，由于人类等生物体具有无论内部、外部的环境因子的变化而欲在生物体整体将生理状态以及心理状态保持为规定状态的性质，因此运算部20求取情绪间的均衡状态。另外，作为在生物体整体欲保持为规定状态的性质称作“内稳态”或者“体内平衡(homeostasis)”。

图12示出受试者PA的情绪的内稳态的一例。图12(a)示出：例如分别表示平常加愤怒、悲伤以及喜悦的情绪的坐标轴以120度的角度相互交叉的坐标系。图12(a)例如将如图8至图11所示由运算部20求出的平常加愤怒、悲伤以及喜悦的互相关系数作为受试者PA的各情绪的强度以各坐标方向的矢量来表示。运算部20根据图12(a)所示的各情绪的矢量求取情绪间的均衡。另外，平常加愤怒、悲伤以及喜悦的各情绪的强度的范围等于互相关系数的范围，为-1至1的范围。

图12(b)示出受试者PA的平常加愤怒、悲伤以及喜悦的强度在图12(a)所示的矢量的情况下，由运算部20求出的受试者PA的各情绪均衡的均衡位置P1。如图12(b)所示，求出的受试者PA的情绪的均衡位置P1偏离坐标系的中心。因此，运算部20将坐标系的中心与受试者PA的情绪的均衡位置P1的距离作为内稳态的偏差量来求取。如图12(c)所示，运算部20例如将内稳态的偏差量作为平常加愤怒、悲伤以及喜悦的各坐标轴上的值α、β、γ来求取。像这样，运算部20将求出的各情绪的互相关系数作为矢量的成分来利用，求取受试者PA的内稳态的偏差量，由此，与利用例如微分、积分等计算内稳态的偏差量的情况相比，能够使运算处理高速化。

图13至图16示出由图2所示的运算部20求出的、各受试者PA的内稳态的偏差量α、β、γ的时间变化的一例。图13至图16的纵轴表示各情绪的偏差量，图13至图16的横轴作为时间轴表示受试者PA的发言单位的顺序。此外，点划线表示平常加愤怒的坐标轴方向的偏差量α的时间变化，点线表示悲伤的坐标轴方向的偏差量β的时间变化，虚线表示喜悦的坐标轴方向的偏差量γ的时间变化。

图13示出图8所示的医师的、情绪的内稳态的偏差量的时间变化。另外，在图13中示出兴奋度与各情绪的互相关系数处于稳定的、40个发言以后的偏差量α、β、γ的时间变化。如图13所示，在医师的情况下，平常加愤怒的偏差量α为正值，并示出了比悲伤以及喜悦的偏差量β、γ大的值。此外，医师的情况下的悲伤的偏差量β示出比喜悦的偏差量γ小的负值。

图14示出图9所示的抑郁症患者的、情绪的内稳态的偏差量的时间变化。另外，图14示出兴奋度与各情绪的互相关系数处于稳定的、100个发言以后的偏差量α、β、γ的时间变化。如图14所示，在抑郁症患者的情况下，悲伤的偏差量β为正值，并示出了比平常加愤怒以及喜悦的偏差量α、γ大的值。此外，抑郁症患者的喜悦的偏差量γ示出了比平常加愤怒的偏差量α小的负值。

图15示出图10所示的普通人A的、情绪的内稳态的偏差量的时间变化。另外，图15分别示出兴奋度与各情绪的互相关系数处于稳定的、70发言以后的偏差量α、β、γ的时间变化。在图15所示的普通人A的情况下，喜悦的偏差量γ为正值，并示出了比平常加愤怒以及悲伤的偏差量α、β大的值。此外，普通人A的悲伤的偏差量β示出了比平常加愤怒的偏差量α小的负值。

图16示出图11所示的普通人B的、情绪的内稳态的偏差量的时间变化。另外，图16分别示出兴奋度与各情绪的互相关系数处于稳定的、70个发言以后的偏差量α、β、γ的时间变化。在图16所示的普通人B的情况下，与图15所示的普通人A的情况同样地，喜悦的偏差量γ为正值，并示出了比平常加愤怒以及悲伤的偏差量α、β大的值。此外，普通人B的悲伤的偏差量β示出了比平常加愤怒的偏差量α小的负值。

推定部30例如基于图12至图16所示的内稳态的偏差量，来求取图12(b)所示的坐标中心与均衡位置P1的距离。推定部30基于偏差量α、β、γ以及求出的均衡位置P1的距离，来推定受试者PA的病况。例如，如图13所示的医师的情况，平常加愤怒的偏差量α为正值，且悲伤的偏差量β为负值并示出了比偏差量α、γ小的值，在均衡位置P1的距离为规定值以下时，推定部30推定为受试者PA健康(或者平常)。然而，在尽管平常加愤怒的偏差量α为正值，且悲伤的偏差量β为负值并示出了比偏差量α、γ小的值，但均衡位置P1的距离大于规定值时，推定部30推定为受试者PA处于躁狂状态。

此外，例如，如图16所示的普通人B那样，在喜悦的偏差量γ为正值，且悲伤的偏差量β为负值并示出了比偏差量α、γ小的值，均衡位置P1的距离为规定值以下时，推定部30推定为受试者PA健康(或者平常)。然而，在尽管喜悦的偏差量γ为正值，且悲伤的偏差量β为负值并示出了比偏差量α、γ小的值，但均衡位置P1的距离大于规定值时，推定部30推定为受试者PA处于躁狂状态。另一方面，例如，如图14所示的抑郁症患者那样，在悲伤的偏差量β为正值，且大于平常加愤怒以及喜悦的偏差量α、γ时，推定部30推定为受试者PA处于抑郁状态。

另外，关于偏差量α、β、γ的大小关系以及与均衡位置P1的距离对应的规定值与病况的关系，例如可基于疾病及相关保健问题的国际统计分类第10版(ICD-10)等来确定。确定后的偏差量α、β、γ的大小关系以及与均衡位置P1的距离对应的规定值与病况的关系，被事先存储在推定装置100的存储装置中。在这里，ICD为International StatisticalClassification of Diseases and Related Health Problems(疾病及相关保健问题的国际统计分类)的缩写。此外，规定值也可考虑受试者PA的个人差异而进行调整。

此外，推定部30也可以不仅考虑偏差量α、β、γ以及均衡位置P1的距离，还考虑均衡位置P1相对于坐标中心偏倚的朝向等，从而详细地判定受试者PA的病况。此外，推定部30也可以基于偏差量α、β、γ推定受试者PA的病况。或者，推定部30也可以例如基于受试者PA的内稳态的偏差量α、β、γ所示的偏倚的固定化或者变化的速度，从而推定受试者PA的病况。

此外，推定部30也可以利用在2周期间等长时间中由运算部20计算出的偏差量α、β、γ，来推定受试者PA的病况。通过利用长时间的偏差量的数据，推定部30能够高准确度地推定受试者PA的病况。

图17示出由图2所示的推定装置100进行的推定处理的一例。步骤S10至步骤S40通过搭载于推定装置100的CPU执行推定程序来执行。即，图17示出程序以及推定方法的其他的实施方式。此时，图2所示的提取部10、运算部20以及推定部30通过程序的执行而实现。另外，图17所示的处理还可以通过搭载于推定装置100的硬件来实现。此时，图2所示的提取部10、运算部20以及推定部30通过在推定装置100内配置的电路而实现。

在步骤S10中，提取部10如图2至图7中说明的那样，基于由计测装置1计测出的、表示受试者PA的生理的信息，提取表示受试者PA的生理状态的第1信息与表示情绪以及器官的活动的至少一方的第2信息。

在步骤S20中，运算部20如图4至图11中说明的那样，对提取出的第1信息与第2信息的时间变化执行互相关处理，并计算表示相似度的互相关系数。

在步骤S30中，运算部20如图12至图16中说明的那样，基于求出的互相关系数来求取受试者PA的内稳态的偏差量。

在步骤S40中，推定部30如图12至图16中说明的那样，基于由运算部20求出的受试者PA的内稳态的偏差量，推定受试者PA的病况。

然后，由推定装置100进行的推定处理结束。图17所示的流程既可以在每次接受来自医生或者受试者PA的指示时反复执行，也可以以规定的频度来执行。并且，推定装置100向输出装置2输出推定结果。输出装置2显示推定出的病况的结果和内稳态的偏差量。此外，输出装置2也可以通过颜色或者动画的人物、动物等的表情，表示内稳态的偏差量的大小、即推定出的病况的症状的程度或表示受试者PA的健康的程度，并显示在显示器上。此外，输出装置2也可以根据内稳态的偏差量的大小，显示针对推定出的病况的处理方法等的建议。

以上，在图2至图17所示的实施方式中，利用表示受试者PA的生理状态的第1信息与表示受试者PA的情绪以及器官的活动的至少一方的第2信息，来计算受试者PA的内稳态的偏差量。由此，推定装置100通过参照内稳态的偏差量这一指标，即使不具有医学的专业知识也能够容易地推定受试者PA的病况。

另外，运算部20也可以利用例如表示心率以及心跳变动与情绪的关系的判断树，来代替图3所示的表示发言的基本频率与情绪的关系的判断树，从而求取受试者PA的平常、悲伤、愤怒以及喜悦的情绪的强度。

图18示出受试者PA的心率以及心搏变动与受试者PA的情绪的判断树的一例。另外，RRV(R-R Variance：R-R方差)表示心电图中的R波与R波的间隔的方差。如图18所示，例如，平常的情绪定义为心率小于80bps且RRV为100以上的情况。此外，悲伤的情绪定义为心率小于80bps且RRV小于100的情况。愤怒的情绪定义为心率为80bps以上且心搏变动的低频率成分LF的功率为80以上的情况。喜悦的情绪定义为心率为80bps以上且低频率成分LF的功率小于80的情况。

此外，运算部20如图12(c)所示那样求出了受试者PA的内稳态的偏差量α、β、γ，但例如也可以如图19所示那样求取偏差量α、β、γ。

图19示出受试者PA的情绪的内稳态的其他例。图19所示的系数h是表示在从坐标系的中心朝向均衡位置P1的矢量V1中、喜悦的坐标轴方向的偏差量γ与悲伤的坐标轴方向的偏差量β哪一个量较大的指标。即，系数h在喜悦的偏差量γ大于悲伤的偏差量β的情况下表示正值，在悲伤的偏差量β大于喜悦的偏差量γ的情况下表示负值。此外，在喜悦的偏差量γ与悲伤的偏差量β同等的情况下，系数h变为0。

运算部20例如为了求取系数h而求取矢量V1与喜悦的坐标轴所成的角度θ。另外，角度θ在喜悦的偏差量γ大于悲伤的偏差量β的情况下，示出接近0度(即矢量V1朝向喜悦的坐标轴方向)的较小值。另一方面，在悲伤的偏差量β大于喜悦的偏差量γ的情况下，角度θ表示矢量V1的朝向接近悲伤的坐标轴方向的较大值。如图19所示，运算部20根据均衡位置P1处于喜悦-悲伤(逆时针)之间的区域(以下称作区域A)的情况，与处于喜悦-悲伤(顺时针)之间的区域(以下称作区域B)的情况，利用求出的角度θ以及矢量V1的长度L来求取系数h。并且，运算部20将求出的系数h设为矢量V1的喜悦的偏差量γ，负的系数h设为悲伤的偏差量β。即，β+γ＝0。

此外，在图19(a)所示的区域A的情况下，在系数h是接近0(即角度θ为π/3)的值时，矢量V1的朝向成为平常加愤怒的坐标轴的负方向。即，喜悦的偏差量γ与悲伤的偏差量β相互同等且示出了比平常加愤怒的偏差量α大的偏差量。换言之，平常加愤怒的偏差量α与喜悦的偏差量γ及悲伤的偏差量β相比示出了较小的偏差量。因此，运算部20在矢量V1处于区域A的情况下，求取|h|-L作为平常加愤怒的偏差量α。另一方面，在图19(b)所示的区域B的情况下，在系数h是接近0(即角度θ为2π/3)的值时，矢量V1的朝向成为平常加愤怒的坐标轴的正方向。即，喜悦的偏差量γ与悲伤的偏差量β相互同等且示出了比平常加愤怒的偏差量α小的偏差量。换言之，平常加愤怒的偏差量α与喜悦的偏差量γ以及悲伤的偏差量β相比示出了较大的偏差量。因此，运算部20在矢量V1处于区域B的情况下，求取L-|h|作为平常加愤怒的偏差量α。由此，运算部20在均衡位置P1处于正的平常加愤怒的轴附近的情况下，能够计算正的偏差量α，在均衡位置P1处于负的平常加愤怒的轴附近的情况下，能够计算负的偏差量α。

例如，推定部30利用图19所示的偏差量α、β、γ，在悲伤的偏差量β为大于0的正值且平常加愤怒以及喜悦的偏差量α、γ为接近0的较小值的情况下，推定为受试者PA处于抑郁状态。此外，推定部30在喜悦的偏差量γ为大于0的正值且平常加愤怒以及悲伤的偏差量α、β的值为接近0的值的情况下，推定为受试者PA处于躁狂状态。此外，推定部30在平常加愤怒成分的偏差量α为小于0(接近-1)的值且悲伤与喜悦的偏差量β、γ为相同值而相互同等的情况下，推定为受试者PA处于躁郁状态。

图20示出推定装置以及推定处理的其他的实施方式。对与在图2中说明的要素具有相同或等同的功能的要素赋予相同或等同的标记，并省略其详细的说明。

图20所示的推定装置100a是具有CPU等运算处理装置与硬盘装置等存储装置的计算机装置等。推定装置100a经由包含于推定装置100a的接口部，通过有线或无线与计测装置1a以及输出装置2连接。由此，推定装置100a、计测装置1a以及输出装置2作为推定系统SYS而动作。

计测装置1a包含例如麦克风、心率计、心电图仪、血压计、体温计、皮肤电阻检测仪、或者摄像机、MRI(Magnetic Resonance Imaging：磁共振成像)装置等的多个设备，从而计测表示受试者PA的生理的信息。计测装置1a向推定装置100a输出计测到的表示受试者PA的生理的信息。另外，计测装置1a也可以具有加速度传感器或者电子陀螺仪等。

由计测装置1a计测的表示受试者PA的生理的信息具有声音信号，且还具有例如心率(脉搏数)、心搏变动、血压、体温、出汗量(皮肤电阻、皮肤电位)、眼球的运动、瞳孔径、眨眼数。并且，被计测的生理信息例如具有呼气、荷尔蒙、生物分子等的体内分泌物、脑波、fMRI(functional MRI：功能性磁共振成像)信息等。

此外，推定装置100a具有提取部10a、运算部20a、推定部30a、实验部40以及存储部50。提取部10a、运算部20a、推定部30a以及实验部40的功能既可以通过CPU执行的程序实现，也可以通过硬件实现。

提取部10a与图2所示的提取部10相同或等同地，从由计测装置1a计测到的表示受试者PA的生理的信息中，提取表示受试者PA的生理状态的第1信息。此外，提取部10a与图2所示的提取部10相同或等同地，从由计测装置1a计测到的表示受试者PA的生理的信息中，提取表示受试者PA的情绪以及受试者PA的心脏、肠道等器官的活动的至少一方的第2信息。

提取部10a例如提取由包含于计测装置1a的心搏计等计测到的心率(脉搏数)来作为表示受试者PA的情绪、器官的活动的第2信息。另外，具有下述性质：由于兴奋、紧张而体内的肾上腺素分泌量增加，从而导致心脏的跳动增加，心率(脉搏数)增加。

此外，提取部10a例如对利用计测装置1a中包含的心电图仪而计测到的受试者PA的心电波形执行FFT等的频率解析，从而获取受试者PA的心搏变动。并且，提取部10a对获取的心搏变动的低频率成分LF(例如0.04至0.14Hz)与高频率成分HF(例如0.14至0.5Hz)的量进行比较，提取受试者PA的兴奋、紧张的等级作为表示受试者PA的生理状态的第1信息。另外，具有下述性质：心搏变动的低频率成分LF主要伴随着交感神经的活动而增加，高频率成分HF伴随着副交感神经的活动而增加。

此外，提取部10a例如提取利用计测装置1a中包含的血压计而计测到的血压的值来作为表示受试者PA的情绪、内脏器官的活动的第2信息。另外，血压具有下述性质：若伴随着兴奋、紧张而血管收缩，则血流阻力增加，血压增加。

此外，提取部10a例如提取利用计测装置1a中包含的体温计等而计测到的体温的值来作为表示受试者PA的情绪、器官的活动的第2信息。另外，体温具有下述性质：由于兴奋、紧张而产生心搏增加、血糖值上升、肌肉的紧张等，从而在体内产生热量，体温上升。

此外，提取部10a例如提取利用计测装置1a中包含的皮肤电阻检测仪等而计测到的出汗量(皮肤电阻、皮肤电位)的值，来作为表示受试者PA的情绪、内脏器官的活动的第2信息。另外，出汗量(皮肤电阻、皮肤电位)具有下述性质：由于兴奋、紧张而促进出汗，皮肤电阻下降。

此外，提取部10a例如提取利用计测装置1a的眼电位计、摄像机等而计测到的眼球的运动、瞳孔径以及眨眼的次数，来作为表示受试者PA的情绪、内脏器官的活动的第2信息。提取部10a例如也可以对用摄像机等拍摄到的图像执行面部识别的处理，并提取识别出的表情以及表情的时间变化来作为表示受试者PA的情绪、内脏器官的活动的第2信息。另外，眼球的运动具有下述性质：由于兴奋、紧张而眼球的运动变剧烈，瞳孔径由于兴奋、紧张而瞳孔放大，眨眼数由于兴奋、紧张而眨眼的次数增加。

此外，提取部10a例如提取利用计测装置1a中包含的呼吸计(呼吸流量计)、肺活量计或者麦克风等而从呼吸量、呼吸声音中计测到的呼气的次数、速度、排气量等，来作为表示受试者PA的情绪、内脏器官的活动的第2信息。另外，呼气具有下述性质：由于兴奋、紧张而呼气的次数、速度、排气量上升。

此外，提取部10a例如分别提取利用计测装置1a中包含的分析装置而计测到的荷尔蒙、生物分子等的体内分泌物，来作为表示受试者PA的情绪、内脏器官的活动的第2信息。另外，荷尔蒙、生物分子等的体内分泌物通过计测装置1a的分析装置对从受试者PA采集到的唾液、血液、淋巴液、汗、消化液或尿等进行化学分析来计测。或者，体内分泌物也可以通过计测装置1a从受试者PA的末梢血管、消化系统、肌电位、皮肤温度、血流量或免疫系统等中计测。另外，体内分泌物具有下述性质：由于兴奋、紧张而导致体内的荷尔蒙、生物分子的分泌量或质变化。

此外，提取部10a例如提取利用计测装置1a中包含的光学式、磁式或者电位式等的脑活动计而计测到的脑波相对于时间的变化量等，来作为表示受试者PA的兴奋、紧张的第1信息。另外，脑波具有下述性质：由于兴奋、紧张而导致波形变化。

此外，提取部10a例如提取利用计测装置1a中包含的MRI装置而计测到的fMRI信息中所含有的、脑内的各活动部位的血流量、氧合血红蛋白(oxygenated hemoglobin)的分布，来作为表示受试者PA的情绪、内脏器官的活动的第2信息。另外，计测到的fMRI信息具有下述性质：由于兴奋、紧张而导致脑内的活动部位变化。例如，与情绪有关的兴奋、紧张表现为在边缘系统(扁桃体)、丘脑下部、小脑、脑干或海马等中血流量发生变化。该种血流量的变化使氧合血红蛋白的脑内分布发生变化。

另外，提取部10a也可以在计测装置1a具有加速度传感器或者电子陀螺仪等的情况下，提取受试者PA的运动来作为表示受试者PA的情绪、内脏器官的活动的第2信息。

运算部20a对由提取部10a提取出的第1信息与第2信息的时间变化的相似度进行计算。例如，运算部20a执行提取出的第1信息与第2信息的时间变化的互相关处理，并计算互相关系数作为相似度。运算部20a利用计算出的受试者PA的情绪以及器官的活动的多个相似度，求取受试者PA的内稳态的偏差量。利用图21说明运算部20a的动作以及内稳态。

实验部40根据由运算部20a计算出的内稳态的偏差量，来计算作用于受试者PA的情绪以及器官的活动的能量。实验部40将计算出的能量输入至表示受试者PA的生物体的计算模型，从而模拟受试者PA的内稳态。利用图22以及图23说明计算模型以及实验部40的动作。

存储部50是硬盘装置以及存储器等。存储部50存储供CPU执行的程序。此外，存储部50存储表示由实验部40进行的模拟的结果的数据60。利用图23来说明数据60。

另外，执行推定处理的程序例如能够记录于CD(Compact Disc：光盘)或者DVD(Digital Versatile Disc：数字通用光盘)等可移动盘而分发。此外，推定装置100a也可以经由在推定装置100a中包含的网络接口从网络下载用于执行推定处理的程序，并存储在存储部50中。

推定部30a根据由实验部40模拟的内稳态的变化的模式(pattern)，来推定受试者PA的病况。利用图22以及图23说明推定部30a的动作。

图21示意性地示出受试者PA的内稳态的连锁的例子。在图21中，例如用圆形的图形的旋转来表示受试者PA的生物体整体的内稳态的均衡，并设为循环系统200。循环系统200例如还具有形成受试者PA的物质、器官等的多个循环系统K(K1-K10)。在图21中，用相互连锁而保持内稳态的均衡的比循环系统200小的圆形的旋转，来表示循环系统K1-K10。例如，循环系统K1表示基于受试者PA经由声带发出的声音信号的、受试者PA的情绪的内稳态。循环系统K2例如表示基于心率、心搏变动等的、受试者PA的心脏的内稳态。循环系统K3例如表示胃、小肠、大肠等的受试者PA的消化系统的内稳态。循环系统K4例如表示保护受试者PA免于疾病等的免疫系统的内稳态。循环系统K5例如表示进行信息的传递的荷尔蒙的内稳态，其中传递的信息为调节受试者PA的生物体所包含的器官的活动的信息。

此外，循环系统K6例如表示受试者PA的遗传因子所生成的多种蛋白质等的生物分子的内稳态。循环系统K7例如表示受试者PA的遗传因子的内稳态。循环系统K8例如表示形成受试者PA的、细胞的活动的内稳态。循环系统K9例如表示与情绪密切相关的脑中的、包含扁桃体等的受试者PA的大脑边缘系统的活动的内稳态。循环系统K10例如表示在突触间传递信息的神经传递物质的内稳态。

另外，循环系统200具有10个循环系统K1-K10，但不限于此，也可以具有10以外的多个循环系统。此外，各循环系统K也可以进一步具有多个循环系统。例如，声带的循环系统K1也可以具有表示受试者PA的愤怒、平常、悲伤、喜悦等的情绪的多个循环系统。此外，心脏的循环系统K2也可以具有例如表示受试者PA的心率、心搏变动等的多个循环系统。

例如，运算部20a利用计算出的受试者PA的情绪以及器官的活动的多个相似度，例如像在图12中说明的那样，求取受试者PA的各循环系统K的内稳态的偏差量。运算部20a例如与图2所示的运算部20同样地，基于受试者PA的声音信号，计算受试者PA的情绪的内稳态的偏差量。此外，运算部20a例如对根据心电图仪所计测到的心搏变动的低频率成分LF与高频率成分HF的比而求取的兴奋度或者紧张度、与心率以及血压等的时间变化，执行互相关处理。并且，运算部20a例如根据兴奋度或者紧张度与心率以及血压等各自的时间变化的互相关系数，计算受试者PA的心脏的内稳态的偏差量。

另外，运算部20a对全部循环系统K1-K10的内稳态的偏差量进行了计算，但也可以计算一部分循环系统K的内稳态的偏差量。

图22示出图20所示的实验部40在受试者PA的内稳态的模拟中利用的循环系统200的计算模型的一例。图22所示的循环系统200的计算模型例如以轴SH(SH1-SH10)表示在图21所示的循环系统200中包含的循环系统K1-K10，并构建于计算机装置等的虚拟空间上。轴SH1-SH10各自的长度、间距宽度以及螺纹牙的朝向等，基于受试者PA的生物体的特性而确定。并且，轴SH1-SH10通过接合部B1以轴间的轴的中心一致的方式而被连结，从而形成循环系统200。此外，分别在循环系统K1-K10的轴SH1-SH10配置螺母NT1-NT10。实验部40例如通过使轴SH旋转来模拟循环系统200的内稳态，并根据螺母NT1-NT10的位置的变化来检测循环系统K1-K10各自的内稳态的状态。

另外，声带的循环系统K1的轴SH1的长度、间距宽度以及螺纹牙的朝向等例如基于受试者PA发言的声音信号所示的频率分布、语调或音高频率等的频率特性而确定。此外，心脏的循环系统K2的轴SH2的长度、间距宽度以及螺纹牙的朝向等例如基于受试者PA的心脏的跳动的时间间隔、心搏变动的频率分布等的特性而确定。消化系统的循环系统K3的轴SH3的长度、间距宽度以及螺纹牙的朝向等例如基于受试者PA的小肠、大肠等的长度，或者与蠕动运动相伴的收缩波的移动速度等的特性而确定。免疫系统的循环系统K4的长度、间距宽度以及螺纹牙的朝向等例如基于受试者PA的血液中的包含有中性白细胞、嗜酸性白细胞、嗜碱白细胞、淋巴细胞、单核白细胞等的白细胞数的特性而确定。荷尔蒙的循环系统K5的长度、间距宽度以及螺纹牙的朝向等例如基于由受试者PA的各器官合成或分泌的荷尔蒙的量、荷尔蒙通过血液等的体液在体内循环的速度等的特性而确定。

此外，生物分子的循环系统K6的长度、间距宽度以及螺纹牙的朝向等例如基于受试者PA摄取的食物等中所含的核酸、蛋白质、多糖、作为这些物质的构成要素的氨基酸、各种的糖、以及脂质、维生素等的摄取量而确定。遗传因子的循环系统K7的长度、间距宽度以及螺纹牙的朝向等例如基于受试者PA具有的遗传因子的分裂的频度、遗传因子的长度等的特性而确定。此外，细胞的循环系统K8的长度、间距宽度以及螺纹牙的朝向等例如基于受试者PA的细胞所含的糖质、脂质、蛋白质(氨基酸)、核酸等的量、细胞的寿命等的特性而确定。脑的循环系统K9的长度、间距宽度以及螺纹牙的朝向等基于受试者PA的脑中的、例如包含扁桃体等的脑活动的时间变动、频率分布等的特性而确定。神经传递物质的循环系统K10的长度、间距宽度以及螺纹牙的朝向等例如基于在受试者PA的突触间传递信息的氨基酸、缩氨酸类、单胺类等的分泌量、特性反应速度等而确定。

表示被设定的轴SH1-SH10各自的长度、间距宽度以及螺纹牙的朝向等的信息，事先按每个受试者PA存储于存储部50中。此外，例如，实验部40也可以经由在推定装置100a中包含的键盘、触摸面板等的输入装置，接收表示受试者PA的轴SH1-SH10各自的长度、间距宽度以及螺纹牙的朝向等的信息。

实验部40根据由运算部20a计算出的循环系统K1-K10各自的内稳态的偏差量，计算作用于受试者PA的情绪以及器官的活动的能量。例如，如图12(b)所示那样，与图2所示的运算部20同样地，在由运算部20a计算出的受试者PA的情绪的均衡位置P1与坐标系的中心不同的情况下，表示受试者PA的情绪、即循环系统K1的内稳态从规定状态位移、偏离。内稳态的偏离例如以压力这一形态表现于受试者PA，不仅影响受试者PA的循环系统K1，也影响心脏或者消化系统等的其他的循环系统K2-K10。因此，实验部40例如根据由运算部20a分别在循环系统K1-K10中计算出的内稳态的偏差量，作为压力等的作用于受试者PA的情绪以及器官的活动的能量计算。例如，实验部40利用式(1)，在声带的循环系统K1中，根据由运算部20a计算出的情绪的内稳态的偏差量α、β、γ，计算能量E(K1)。

E(K1)＝sqrt(α×α+β×β+γ×γ)…(1)

另外，如式(1)所示，实验部40根据情绪的内稳态的偏差量α、β、γ计算在声带的循环系统K1中生成的能量E(K1)，但也可以利用将情绪的内稳态的偏差量α、β、γ设为变量的函数F(α、β、γ)，来计算能量E(K1)。

实验部40根据由运算部20a计算出的各循环系统K的内稳态的偏差量，也分别对循环系统K2-K10计算压力、运动等消耗的热量、或者摄取的食物等作为能量E(K2)-E(K10)。实验部40利用式(2)计算分别在循环系统K1-K10中计算出的能量的合计。

TE＝E(K1)+E(K2)+E(K3)+E(K4)+E(K5)+E(K6)+E(K7)+E(K8)+E(K9)+E(K10)…(2)

在这里，E(K2)、E(K3)、E(K4)、E(K5)、E(K6)、E(K7)、E(K8)、E(K9)、E(K10)表示在循环系统K2-K10中生成的能量。TE表示合计能量。另外，实验部40对分别在循环系统K1-K10生成的能量E(K1)-E(K10)进行合计来求取能量TE，但也可以对能量E(K1)-E(K10)进行加权相加来求取能量TE。或者，实验部40也可以使能量E(K1)-E(K10)相乘来求取能量TE。

实验部40向循环系统200输入计算出的能量TE，并以与能量TE的大小相应的旋转速度使轴SH旋转。此外，实验部40例如在能量TE为正值的情况下，使轴SH顺时针旋转，在能量TE为负值的情况下，使轴SH逆时针旋转。另外，输入的能量TE被实验部40控制成，各螺母NT1-NT10根据轴SH的旋转而位移的位移量L1-L10处于各轴SH1-SH10的长度的范围内。

此外，能量TE成为正或负值例如是因为：根据轴SH1-SH10各自的螺纹牙的朝向，使轴SH顺时针或逆时针旋转的能量在循环系统K1-K10中生成。即，例如在根据螺纹牙的朝向而轴SH顺时针旋转的循环系统K中，生成正的能量，在轴SH逆时针旋转的循环系统K中，生成负的能量。另外，实验部40例如也可以在能量TE为负值的情况下，使轴SH1-SH10整体顺时针旋转，在能量TE为正值的情况下，使轴SH1-SH10整体逆时针旋转。

实验部40通过能量TE使轴SH1-SH10旋转，从而使螺母NT1-NT10的位置发生位移。实验部40检测各个螺母NT1-NT10距轴SH1-SH10各自的中心C1-C10的位移量L1-L10，来作为循环系统K1-K10各自的内稳态的变化(或者内稳态的偏差量)。实验部40例如将检测到的位移量L1-L10作为数据60存储于存储部50。此外，实验部40根据位移量L1-L10，检测各个螺母NT1-NT10分别沿轴SH1-SH10的轴方向移动的速度。实验部40将在循环系统K1-K10中检测到的速度作为新生成的能量E(K1)-E(K10)输入至循环系统200。

另外，在运算部20a计算循环系统K1-K10中的一部分循环系统K的内稳态的偏差量的情况下，实验部40也可以根据由运算部20a计算出的一部分循环系统K的内稳态的偏差量来求取能量TE，并基于求出的能量TE模拟循环系统200的内稳态。并且，实验部40也可以根据模拟来检测循环系统K1-K10的全部位移量L1-L10。由于实验部40根据模拟来检测全部循环系统K的位移量L，因此与推定装置100a利用由运算部20a计算出的循环系统K的内稳态的偏差量的情况相比，能够高准确度地推定受试者PA的病况。

此外，实验部40将距轴SH1-SH10各自的中心C1-C10的距离设为各循环系统K1-K10的位移量L1-L10，但不限于此。例如，位移量L1-L10既可以是螺母NT1-NT10间的距离，也可以是距接合部B1的距离。

图23示出受试者PA的各循环系统K1-K10的位移量L1-L10的数据60的一例。数据60分别具有日期以及循环系统K1-K10的存储区域。

在日期的存储区域中存储有：实验部40例如执行循环系统200的内稳态的变化的模拟、并检测到循环系统K1-K10各自的位移量L1-L10时的日期时间(例如2013年10月29日9时10分0秒等)。实验部40进行位移量L1-L10的检测的时间间隔为1分钟、1小时、1天、1星期、1个月等，在图23所示的数据60的情况下例如设为1小时的时间间隔。

在循环系统K1-K10的各存储区域中存储有：例如由实验部40检测到的螺母NT1-NT10各自的位移量L1-L10。另外，位移量L1-L10的单位为厘米或毫米等。

推定部30a从存储部50中读取数据60的日期以及循环系统K1-K10的位移量L1-L10。推定部30a根据读取到的位移量L1-L10各自的时间变化的模式来推定受试者PA的病况。例如，事先在存储部50中存储受试者PA为健康的情况下循环系统K1-K10分别示出的、位移量L1-L10各自的典型的时间变化的模式的数据。然后，推定部30a对由实验部40检测到的位移量L1-L10的时间变化、与受试者PA为健康的情况下的位移量L1-L10的典型的时间变化进行比较，并根据比较的结果推定受试者PA的病况。例如，推定部30a求取由实验部40检测到的位移量L1-L10的时间变化与受试者PA为健康的情况下的位移量L1-L10的典型的时间变化之间的模式的差分，并比较求出的差分与表示各病况的规定的阈值。即，例如在心脏的循环系统K2的情况下，推定部30a求取由实验部40检测到的位移量L2的时间变化、与受试者PA为健康的情况下的位移量L2的典型的时间变化的差分。推定部30a对事先设定的表示心肌梗塞或者心绞痛等的心脏病的规定的阈值与求出的差分进行比较，从而推定受试者PA是否患有心肌梗塞或者心绞痛等的心脏病。

图24示出由图20所示的推定装置100a进行的推定处理的一例。步骤S100至步骤S160通过搭载于推定装置100a的CPU执行推定程序来实现。即，图24示出推定程序以及推定方法的其他的实施方式。此时，图20所示的提取部10a、运算部20a、推定部30a以及实验部40通过推定程序的执行来实现。另外，图24所示的处理也可以通过搭载于推定装置100a的硬件来实现。此时，图20所示的提取部10a、运算部20a、推定部30a以及实验部40通过在推定装置100a内配置的电路来实现。

在步骤S100中，如在图20中说明的那样，提取部10a基于由计测装置1a计测到的表示受试者PA的生理的信息，提取表示受试者PA的生理状态的第1信息与表示情绪以及器官的活动的状态的第2信息。

在步骤S110中，如在图21中说明的那样，运算部20a对提取出的第1信息与第2信息的时间变化执行互相关处理，并计算表示相似度的互相关系数。

在步骤S120中，如在图12以及图21中说明的那样，运算部20a基于求出的互相关系数，对受试者PA的循环系统K1-K10各自的内稳态的偏差量进行求取。

在步骤S130中，如在图22中说明的那样，实验部40根据由运算部20a计算出的循环系统K1-K10各自的内稳态的偏差量，计算能量E(K1)-E(K10)。实验部40利用式(2)对计算出的能量E(K1)-E(K10)进行合计从而求取能量TE。

在步骤S140中，如在图22中说明的那样，实验部40向循环系统200输入在步骤S130中合计的能量TE，从而模拟受试者PA的循环系统200的内稳态。

在步骤S150中，如在图22中说明的那样，实验部40根据在步骤S140中执行的内稳态的模拟，对各循环系统K1-K10的位移量L1-L10进行检测。实验部40将检测到的各循环系统K1-K10的位移量L1-L10作为数据60存储于存储部50。

在步骤S160中，如在图23中说明的那样，推定部30a根据循环系统K1-K10的位移量L1-L10各自的时间变化的模式，推定受试者PA的病况。例如，推定部30a对由实验部40检测到的位移量L1-L10的时间变化的模式、与受试者PA为健康的情况下的位移量L1-L10的典型的时间变化模式进行比较，根据比较的结果推定受试者PA的病况。

然后，由推定装置100a进行的推定处理结束。图24所示的流程既可以在每次接受来自医生或者受试者PA的指示时反复执行，也可以以规定的频度执行。并且，推定装置100a将推定结果输出至输出装置2。输出装置2显示推定出的病况的结果以及内稳态的偏差量。此外，输出装置2也可以用颜色或者动画的人物、动物等的表情来表示内稳态的偏差量的大小，即推定出的病况的症状的程度或表示受试者PA的健康的程度，并显示在显示器上。此外，输出装置2也可以根据内稳态的偏差量的大小，显示针对推定出的病况的处理方法等的建议。

以上，在图20至图24所示的实施方式中，利用表示受试者PA的生理状态的第1信息与表示受试者PA的情绪以及器官的活动的第2信息，计算受试者PA的内稳态的偏差量。由此，推定装置100a通过参照内稳态的偏差量这一指标，即使不具有医学的专业知识也能够容易地推定受试者PA的病况。此外，推定装置100a执行将各循环系统K的内稳态的偏差量设为输入能量的、受试者PA的内稳态的模拟。推定装置100a对根据执行了的模拟而检测到的内稳态的时间变化、与受试者PA为健康的情况下所示的内稳态的时间变化进行比较，由此，与以往相比能够高精度地推定受试者PA的病况。

图25示出推定装置的其他的实施方式。对与在图20中说明的要素具有相同或等同的功能的要素赋予相同或等同的标记，并省略其详细的说明。例如，推定装置100b、计测装置1a以及输出装置2作为推定系统SYS而动作。

图25所示的推定装置100b是具有CPU等运算处理装置以及硬盘装置等存储装置的计算机装置等。推定装置100b经由包含于推定装置100b的接口部，通过有线或无线与计测装置1a以及输出装置2连接。由此，推定装置100b、计测装置1a以及输出装置2作为推定系统SYS而动作。

此外，推定装置100b具有提取部10a、运算部20a、推定部30b、实验部40a以及存储部50a。提取部10a、运算部20a、推定部30b以及实验部40a的功能既可以通过CPU执行的程序来实现，也可以通过硬件实现。

存储部50a是硬盘装置以及存储器等。存储部50a存储供CPU执行的程序。此外，存储部50a存储表示由实验部40a进行的模拟的结果的数据60a、以及用于供推定部30b利用数据60a判定受试者PA的病况的病况表70。利用图27以及图28说明数据60a以及病况表70。

另外，执行推定处理的程序例如能够记录于CD或者DVD等可移动盘而分发。此外，推定装置100b也可以经由在推定装置100b中包含的网络接口从网络下载用于执行推定处理的程序，并存储在存储部50中。

实验部40a根据由运算部20a计算出的内稳态的偏差量，计算作用于受试者PA的情绪以及器官的活动的能量。实验部40a将计算出的能量输入至表示受试者PA的生物体的计算模型，从而模拟受试者PA的内稳态。利用图26说明计算模型以及实验部40a的动作。

推定部30b根据由实验部40a模拟的内稳态的变化模式，推定受试者PA的病况。利用图27以及图28说明推定部30b的动作。

图26示出图25所示的实验部40a在模拟受试者PA的内稳态中利用的循环系统200a的计算模型的一例。图26所示的循环系统200a的计算模型例如具有包含在循环系统200a中的4个循环系统Ka(Ka1-Ka4)。循环系统200a以及循环系统200a中包含的循环系统Ka1-Ka4以齿轮MG以及齿轮Ga1-Ga2、Gb1-Gb2、Gc1、Gd1-Gd2来表示，并构建于计算机装置等的虚拟空间上。齿轮MG基于能量E(Ka1)-E(Ka4)而旋转，其中，能量E(Ka1)-E(Ka4)根据由运算部20a求出的各循环系统Ka1-Ka4的内稳态的偏差量而被算出。通过齿轮MG旋转，各循环系统Ka1-Ka4的齿轮Ga1-Ga2、Gb1-Gb2、Gc1、Gd1-Gd2旋转。如图26所示，循环系统Ka1、Ka2、Ka4各自具有2个齿轮Ga1-Ga2、Gb1-Gb2、Gd1-Gd2，循环系统Ka3具有1个齿轮Gc1。另外，齿轮MG的直径以及齿数、以及各循环系统Ka1-Ka4所包含的齿轮的数量、直径以及齿数等基于受试者PA的生物体的特性而确定。实验部40a例如通过使齿轮MG旋转来模拟循环系统200a的内稳态，并根据齿轮Ga2、Gb2、Gc1、Gd2的转速检测循环系统Ka1-Ka4各自的内稳态的状态。

另外，在循环系统Ka为声带的情况下，循环系统Ka所含的齿轮的数量、直径以及齿数等例如基于受试者PA发言的声音信号中的频率分布、语调或音高频率等的频率特性而确定。此外，在循环系统Ka为心脏的情况下，循环系统Ka所含的齿轮的数量、直径以及齿数等例如基于心脏的跳动的时间间隔、心搏变动的频率分布等的特性而确定。在循环系统Ka为消化系统的情况下，循环系统Ka所含的齿轮的数量、直径以及齿数等例如基于小肠、大肠等的长度，或者与蠕动运动相伴的收缩波的移动速度等的特性而确定。在循环系统Ka为免疫系统的情况下，循环系统Ka所含的齿轮的数量、直径以及齿数等例如基于受试者PA的血液中的包含中性白细胞、嗜酸性白细胞、嗜碱白细胞、淋巴细胞、单核白细胞等的白细胞数的特性而确定。

此外，在循环系统Ka为荷尔蒙的情况下，循环系统Ka所含的齿轮的数量、直径以及齿数等例如基于由受试者PA的各器官合成或分泌的荷尔蒙的量、荷尔蒙通过血液等的体液在体内循环的速度等的特性而确定。在循环系统Ka为生物分子的情况下，循环系统Ka所含的齿轮的数量、直径以及齿数等例如基于在受试者PA摄取的食物等中含有的核酸、蛋白质、多糖、作为这些物质的构成要素的氨基酸、各种的糖、以及脂质、维生素等的摄取量而确定。在循环系统Ka为遗传因子的情况下，循环系统Ka所含的齿轮的数量、直径以及齿数等例如基于受试者PA的遗传因子的分裂的频度、遗传因子的长度等的特性而确定。此外，在循环系统Ka为细胞的情况下，循环系统Ka所含的齿轮的数量、直径以及齿数等例如基于在细胞中含有的糖质、脂质、蛋白质(氨基酸)、核酸等的量，或细胞的寿命等的特性而确定。在循环系统Ka为脑的情况下，循环系统Ka所含的齿轮的数量、直径以及齿数等基于受试者PA的脑中的、例如包含扁桃体等的脑活动的时间变动、频率分布等的特性而确定。在循环系统Ka为神经传递物质的情况下，循环系统Ka所含的齿轮的数量、直径以及齿数等例如基于在突触间传递信息的氨基酸、缩氨酸类、单胺类等的分泌量、特性反应速度等而确定。

在推定装置100b的存储部50中，事先按每个受试者PA存储有表示被设定了的齿轮MG的直径以及齿数，以及齿轮Ga1-Ga2、Gb1-Gb2、Gc1、Gd1-Gd2各自的齿轮的数量、直径以及齿数等的信息。此外，实验部40也可以例如经由在推定装置100b中包含的键盘等的输入装置，接受表示齿轮MG的直径以及齿数，以及齿轮Ga1-Ga2、Gb1-Gb2、Gc1、Gd1-Gd2各自的齿轮的数量、直径以及齿数等的信息。

另外，设循环系统200a具有循环系统Ka1-Ka4这4个，但不限于此，也可以包含4个以外的多个循环系统。此外，各循环系统Ka也可以进一步具有多个循环系统。例如，在循环系统Ka为声带的情况下，也可以具有表示受试者PA的愤怒、平常、悲伤、喜悦等情绪的多个循环系统的多个齿轮。此外，在循环系统Ka为心脏的情况下，例如也可以具有表示下述多个循环系统的多个齿轮，其中，上述多个循环系统表示受试者PA的心率、心搏变动等。

实验部40a与图20所示的实验部40同样地，利用式(1)以及式(2)，根据由运算部20a计算出的循环系统Ka1-Ka4各自的内稳态的偏差量，来计算能量TE。实验部40a向循环系统200a输入计算出的能量TE，并以对应于能量TE的大小的旋转速度使齿轮MG旋转。例如，实验部40a在能量TE为正值的情况下，使齿轮MG顺时针旋转，在能量TE为负值的情况下，使齿轮MG逆时针旋转。另外，实验部40a例如也可以在能量TE为正值的情况下，使齿轮MG逆时针旋转，在能量TE为负值的情况下，使齿轮MG顺时针旋转。

实验部40a通过使齿轮MG旋转从而模拟循环系统200a的内稳态，并将例如循环系统Ka1-Ka4各自的内稳态的状态作为齿轮的转速进行检测。实验部40a将检测出的转速R1-R4存储于存储部50a。此外，实验部40a将在各循环系统Ka1-Ka4中检测到的转速R1-R4作为新生成的能量E(Ka1)-E(Ka4)输入至循环系统200a。

另外，在运算部20a计算循环系统Ka1-Ka4中的、一部分循环系统Ka的内稳态的偏差量的情况下，实验部40a也可以根据由运算部20a计算出的一部分循环系统Ka的内稳态的偏差量，求取能量TE，并基于求出的能量TE模拟循环系统200a的内稳态。并且，实验部40a也可以根据模拟，对循环系统Ka1-Ka4的全部转速R1-R4进行检测。由于实验部40a根据模拟来检测全部循环系统Ka的转速R，因此与推定装置100b利用由运算部20a计算出的循环系统Ka的内稳态的偏差量的情况相比，能够高准确度地推定受试者PA的病况。

图27示出受试者PA的各循环系统Ka1-Ka4的转速R1-R4的数据60a的一例。数据60a分别具有日期以及循环系统Ka1-Ka4的存储区域。

在日期的存储区域中存储有：实验部40a例如执行循环系统200的内稳态的变化的模拟、并检测到循环系统Ka1-Ka4各自的转速R1-R4时的日期时间(例如2013年10月29日9时10分0秒等)。实验部40a进行转速R1-R4的检测的时间间隔为1分钟、1小时、1天、1星期、1个月等，在图27所示的数据60a的情况下，例如设为1分钟的时间间隔。

在循环系统Ka1-Ka4的各存储区域中分别存储有：例如由实验部40a检测到的齿轮Ga2、Gb2、Gc1、Gd2的转速R1-R4(例如每分钟旋转20次等)。

图28示出病况表70的一例。病况表70分别具有病况以及循环系统Ka1-Ka4的存储区域。

在病况的存储区域中存储有：强抑郁、抑郁、平常(即受试者PA健康)、躁郁以及人格障碍等的病况。另外，在图28所示的病况表70中示出了精神疾病作为病况，但也可以具有心肌梗塞等心脏疾病或者脑梗塞等脑的疾病。

在循环系统Ka1-Ka4的存储区域中存储有：用于由推定部30b推定在病况的存储区域中存储的各病况的条件。另外，存储有“—”的存储区域表示不包含在推定对应的病况的条件中。例如，当循环系统Ka1-Ka4分别表示愤怒、平常、悲伤以及喜悦的情绪，且在愤怒、平常、悲伤以及喜悦的全部情绪中的转速R1-R4为0(无旋转)时，推定部30b推定受试者PA为强抑郁。即，强抑郁表示愤怒、平常、悲伤以及喜悦的全部情绪未出现在受试者PA中这一内稳态偏倚的状态。此外，当循环系统Ka1-Ka4分别表示愤怒、平常、悲伤以及喜悦的情绪，悲伤的转速R3小于阈值α时，与愤怒、平常以及喜悦的情绪的转速无关，推定部30b推定受试者PA为抑郁。即，抑郁表示悲伤的情绪在受试者PA中出现的频度小这一内稳态偏倚的状态。另外，阈值α被事先设定并存储于存储部50a。此外，阈值α也可以按每个受试者PA而设为不同的值。

此外，当循环系统Ka1-Ka4分别表示愤怒、平常、悲伤以及喜悦的情绪，且在悲伤的转速R3为阈值α与阈值β(β＞α)之间的转速时，推定部30b推定受试者PA为平常(即受试者PA健康)。即，平常这一病况表示：悲伤的情绪及其他的情绪在受试者PA中适当地出现，内稳态未偏倚的状态。另外，阈值β被事先设定并存储于存储部50a。此外，阈值β也可以按每个受试者PA而设为不同的值。

此外，当循环系统Ka1-Ka4分别表示愤怒、平常、悲伤以及喜悦的情绪，且悲伤的转速R3大于阈值β时，推定部30b推定受试者PA为躁郁。即，躁郁表示：悲伤的情绪在受试者PA中频繁地出现，内稳态偏倚的状态。此外，被推定部30b推定为人格障碍，是与平常以及悲伤的情绪的转速无关而愤怒的转速R1与喜悦的转速R4互等的情况。即，人格障碍表示：愤怒与喜悦这相反的情绪在受试者PA中同时出现的状态。

另外，将循环系统Ka1-Ka4分别设为愤怒、平常、悲伤以及喜悦的情绪，但当病况为恐慌症时，可设为愤怒、平常、悲伤以及喜悦等的情绪的循环系统以及心搏等的循环系统。

推定部30b从存储部50a中读取数据60a以及病况表70。推定部30b例如在1天或者2星期等的规定期间内，利用读取到的数据60a来计算满足在病况表70中存储的各病况所示的循环系统Ka1-Ka4各自的条件的转速的出现频度。即，例如在循环系统Ka1-Ka4设为愤怒、平常、悲伤以及喜悦的情绪时，推定部30b在规定期间内，按每循环系统Ka计算转速R1-R4为0(无旋转)的出现频度。此外，推定部30b在规定期间内分别计算悲伤的循环系统Ka3的转速R3小于阈值α的情况、处于阈值α与阈值β之间的情况以及大于阈值β的情况的出现频度。并且，推定部30b在规定期间内计算愤怒的循环系统Ka1的转速R1与喜悦的循环系统Ka4的转速R4为互等的出现频度。规定期间内的各循环系统Ka的转速的出现频度是内稳态的变化的模式的一例。

推定部30b例如对示出了计算出的各出现频度中的阈值Th以上的出现频度的条件进行提取。推定部30b利用提取出的条件与病况表70，将满足提取出的条件的组合的病况推定为受试者PA的病况。另外，规定期间基于ICD-10等的精神医疗的标准而确定。此外，阈值Th被事先设定并存储于存储部50a。此外，阈值Th也可以按每个受试者PA以及病况而设为不同的值。

另外，推定部30b计算了各循环系统Ka1-Ka4的转速R1-R4的出现频度，但也可以计算规定期间内的各循环系统Ka1-Ka4的转速R1-R4的平均值以及偏差。并且，推定部30b也可以对计算出的各循环系统Ka1-Ka4的转速R1-R4的平均值以及偏差的时间变化、与受试者PA为健康的情况下的平均值以及偏差的典型的时间变化进行比较，并根据比较的结果推定受试者PA的病况。

图29示出由图25所示的推定装置100b进行的推定处理的一例。另外，对图29所示的步骤的处理中的、表示与图24所示的步骤相同或等同的处理的步骤，赋予相同的步骤编号，并省略详细的说明。步骤S100至步骤S140、步骤S150a以及步骤S160a通过搭载于推定装置100b的CPU执行推定程序来实现。即，图29示出推定程序以及推定方法的其他的实施方式。此时，图25所示的提取部10a、运算部20a、推定部30b以及实验部40a通过推定程序的执行实现。另外，图29所示的处理也可以通过搭载于推定装置100b的硬件实现。此时，图25所示的提取部10a、运算部20a、推定部30b以及实验部40a通过在推定装置100b内配置的电路来实现。

推定装置100b在执行图29所示的步骤S100至步骤S140的处理后，执行步骤S150a的处理。

在步骤S150a中，实验部40a如在图26中说明的那样，根据在步骤S140中执行的内稳态的模拟，检测各循环系统Ka1-Ka4的转速R1-R4。实验部40a将检测到的各循环系统Ka1-Ka4的转速R1-R4作为数据60a存储于存储部50a。

在步骤S160a中，推定部30b如在图27以及图28中说明的那样，基于循环系统Ka1-Ka4的转速R1-R4的数据60a以及病况表70，推定受试者PA的病况。

然后，由推定装置100b进行的推定处理结束。图29所示的流程既可以在每次接受来自医生或者受试者PA的指示时反复执行，也可以以规定的频度执行。并且，推定装置100b向输出装置2输出推定结果。输出装置2显示推定出的病况的结果及内稳态的偏差量。此外，输出装置2也可以用颜色或者动画的人物、动物等的表情来表示内稳态的偏差量的大小，即推定出的病况的症状的程度或表示受试者PA的健康的程度，并显示在显示器上。此外，输出装置2也可以根据内稳态的偏差量的大小，显示针对推定出的病况的处理方法等的建议。

以上，在图25至图29所示的实施方式中，利用表示受试者PA的生理状态的第1信息与表示受试者PA的情绪以及器官的活动的第2信息，计算受试者PA的内稳态的偏差量。由此，推定装置100b通过参照内稳态的偏差量这一指标，即使不具有医学的专业知识也能够容易地推定受试者PA的病况。此外，推定装置100b执行将各循环系统Ka的内稳态的偏差量作为输入能量的、受试者PA的内稳态的模拟。推定装置100b对根据执行的模拟而检测到的表示内稳态的变化的各循环系统Ka的转速的出现频度、与受试者PA为健康的情况所示的各循环系统Ka的转速的出现频度进行比较。并且，推定装置100b通过利用比较的结果与病况表70，与以往相比能够高精度地推定受试者PA的病况。

图30示出推定装置的其他的实施方式。对与在图25中说明的要素具有相同或等同的功能的要素，赋予相同或等同的标记，并省略其详细的说明。推定装置100c是具有CPU等运算处理装置、以及硬盘装置等存储装置的计算机装置等。推定装置100c经由包含于推定装置100c的接口部，并通过有线或无线与计测装置1a以及输出装置2a连接。由此，推定装置100c、计测装置1a以及输出装置2a作为推定系统SYS而动作。

输出装置2a例如具有有机EL、液晶等的显示器，以及输出声音的扬声器。输出装置2a接收由推定装置100c进行的受试者PA的病况的推定结果，并将接收到的推定结果显示在有机EL等的显示器上。此外，输出装置2a通过声音输出与由推定装置100c推定出的病况对应的建议等。另外，输出装置2a也可以设置在推定装置100c的内部。

此外，推定装置100c具有提取部10a、运算部20a、推定部30c、实验部40a以及存储部50b。提取部10a、运算部20a、推定部30c以及实验部40a的功能既可以通过CPU执行的程序实现，也可以通过硬件实现。

存储部50b是硬盘装置以及存储器等。存储部50b存储供CPU执行的程序、表示由实验部40a进行的模拟的结果的数据60a、以及用于供推定部30c利用数据60a推定受试者PA的病况的病况表70。此外，存储部50b存储发言表80，发言表80具有基于由推定部30c推定出的病况、针对受试者PA的建议等的声音数据。利用图31说明发言表80。

另外，执行推定处理的程序例如能够记录于CD或者DVD等可移动盘而分发。此外，推定装置100c也可以经由在推定装置100c中包含的网络接口从网络下载用于执行推定处理的程序，并存储于存储部50b。

推定部30c根据由实验部40a进行了模拟的内稳态的变化的模式，推定受试者PA的病况。此外，推定部30c基于推定出的受试者PA的病况与发言表80，选择针对受试者PA的建议等的声音数据。利用图31说明推定部30c的动作。

图31示出发言表80的一例。发言表80分别具有病况以及发言的存储区域。

在病况的存储区域中存储有：强抑郁、抑郁、人格障碍(男性)以及人格障碍(女性)等的病况。另外，在人格障碍的情况下，由于男性与女性的处理不同，因此发言表80分别具有男性与女性的人格障碍的存储区域。此外，在发言表80中示出精神疾病作为病症，但也可以具有心肌梗塞等心脏疾病或者脑梗塞等脑的其他疾病的存储区域。

在发言的存储区域中，与在病况的存储区域中存储的病况各自对应地存储有基于ICD-10等的精神医疗的标准的、针对受试者PA的建议等的声音数据。例如，受试者PA被推定部30c推定为强抑郁时，推定为受试者PA的抑郁的症状发展得较严重。因此，为了使推定装置100c作为受试者PA的教师或者训练员发挥功能，在发言的存储区域中存储有“尽早去医院”等的指导受试者PA的声音数据。此外，受试者PA被推定部30c推定为抑郁时，推定为受试者PA处于抑郁状态。因此，为了使推定装置100c作为受试者PA的教师或者训练员发挥功能，在发言的存储区域中存储有例如“不能总待在家里，偶尔去外面散步吧”等的陪伴受试者PA并锻炼受试者PA的精神的声音数据。即，在受试者PA为强抑郁或者抑郁等的情况下，通过在发言的存储区域中存储推定装置100c作为受试者PA的教师或者训练员的声音数据，从而能够实现受试者PA的抑郁状态的改善以及受试者PA的人格的强化。

此外，受试者PA为男性且被推定为人格障碍时，受试者PA存在处于单方面攻击性的状态的倾向。因此，为了使推定装置100c作为受试者PA的咨询师发挥功能，在发言的存储区域中存储例如“不要只考虑自己，也顾及一下对方的心情”等的教导受试者PA并进行指导以使其具有谅解对方的能力的声音数据。另一方面，受试者PA为女性且被推定为人格障碍时，受试者PA很有可能有割腕等的自残行为。因此，为了使推定装置100c作为受试者PA的咨询师发挥功能，在发言的存储区域中存储例如“一直以来都很努力了，所以不要做这样的事”等的陪伴并鼓励受试者PA且进行指导以使其具有谅解能力的声音数据。即，在受试者PA为人格障碍等的情况下，通过在发言的存储区域中存储推定装置100c作为受试者PA的咨询师的声音数据，能够培养受试者PA的谅解能力以及改善受试者PA的人格。

另外，在发言的存储区域中也可以存储表示存储有声音数据的存储部50b的区域的地址，来代替声音数据。

此外，在发言表80的发言的存储区域中存储的声音数据也可以是，针对1个病况、基于ICD-10等的精神医疗的标准的发言内容不同的多个声音数据。例如，提取部10a从受试者PA的声音信号中提取每个音素的划分。即，输入了“今天天气不错啊(日文发音：kyouwaiitenkidesune”的声音的情况下，提取部10a像“kyo/u/wa/i/i/te/n/ki/de/su/ne”这样提取每个音素的划分。并且，提取部10a从受试者PA的声音信号中提取每个单词的划分。例如，输入了“今天天气不错啊”的声音的情况下，提取部10a像“kyou/wa/ii/tenki/desune”这样提取每个单词的划分。

然后，推定部30c基于表示由提取部10a提取出的受试者PA的声音中的音素以及单词的划分的信息，来执行在受试者PA的声音中包含的每个单词的识别以及句法解析。即，推定部30c从受试者PA的声音中识别表示“谁”、“什么”、“何时”、“在何处”、“为何”、“如何”这5W1H的信息，将受试者PA的声音的内容作为自然语言而掌握。并且，推定部30c基于掌握的声音的内容，根据受试者PA的声音判断受试者PA正处于何种状况或者处境。并且，推定部30c根据判断出的状况或者处境，从针对推定出的病况的建议等的多个声音数据中选择1个。由此，与以往相比，推定装置100c能够对受试者PA进行极其精细的处理。

此外，推定部30c通过掌握受试者PA的声音的内容，能够对交流障碍的受试者PA进行处理。例如，推定部30c根据受试者PA说出规定的单词时的、由提取部10a提取出的受试者PA的情绪，推定受试者PA是否有交流障碍。例如，提取部10a在受试者PA说出表示愤怒等的情绪的规定的单词时，在受试者PA中完全未提取出或者仅提取出很少的愤怒等的情绪的情况下，推定部30c推定为受试者PA不能理解周围气氛、存在交流障碍。推定部30c在推定为交流障碍的情况下，为了使推定装置100c作为教师等发挥功能，从发言的存储区域中读取“请注意周围气氛”等的进行指导以使受试者PA具备交流能力的声音数据。由此，推定装置100c能够对受试者PA的交流障碍进行处理，以使受试者PA能够理解周围气氛地进行交流。

图32示出由图30所示的推定装置100c进行的推定处理的一例。另外，对图32所示的步骤的处理中的、表示与图29所示的步骤相同或等同的处理的步骤，赋予相同的步骤编号，并省略详细的说明。步骤S100至步骤S140、步骤S150a、步骤S160a以及步骤S170通过搭载于推定装置100c的CPU执行推定程序来实现。即，图32示出推定程序以及推定方法的其他的实施方式。此时，图30所示的提取部10a、运算部20a、推定部30c以及实验部40a通过推定程序的执行来实现。另外，图32所示的处理也可以通过搭载于推定装置100c的硬件实现。此时，图30所示的提取部10a、运算部20a、推定部30c以及实验部40a通过在推定装置100c内配置的电路来实现。

推定装置100c在执行图32所示的步骤S100至步骤S140、步骤S150a以及步骤S160a的处理后，执行步骤S170的处理。

在步骤S170中，推定部30c如图31中说明的那样，基于在步骤S160a推定出的病况与发言表80，读取针对受试者PA的建议等的声音数据。推定部30c将读取的声音数据输出至输出装置2a。

然后，由推定装置100c进行的推定处理结束。输出装置2a显示推定出的病况的结果以及内稳态的偏差量。此外，输出装置2a通过从扬声器输出从推定装置100c接收到的声音数据，发出与针对受试者PA推定出的病况对应的建议等的声音。另外，输出装置2a也可以通过颜色或者动画的人物、动物等的表情，表示内稳态的偏差量的大小，即推定出的病况的症状的程度或表示受试者PA的健康的程度，并显示在显示器上。此外，输出装置2a也可以在显示器上显示动画的人物、动物等，且宛如显示出的人物、动物正在说话那样输出接收到的声音数据。

另外，图32所示的流程既可以在每次接受来自医生或者受试者PA的指示时反复执行，也可以以规定的频度执行。

以上，在图30至图32所示的实施方式中，利用表示受试者PA的生理状态的第1信息与表示受试者PA的情绪以及器官的活动的第2信息，计算受试者PA的内稳态的偏差量。由此，推定装置100c通过参照内稳态的偏差量这一指标，即使不具有医学的专业知识也能够容易地推定受试者PA的病况。此外，推定装置100c执行将各循环系统Ka的内稳态的偏差量设为输入能量的、受试者PA的内稳态的模拟。推定装置100c对根据执行的模拟而检测到的表示内稳态的变化的、各循环系统Ka的转速的出现频度，与受试者PA为健康的情况下所示的各循环系统Ka的转速的出现频度进行比较。并且，推定装置100c通过利用比较出的结果与病况表70，与以往相比能够高精度地推定受试者PA的病况。

此外，推定装置100c也可以在建议等的发言后，再次计测受试者PA的生理并推定受试者PA的状态。并且，推定装置100c也可以基于推定的结果来评价建议等的发言的效果，并基于评价对在发言表80的发言的存储区域中存储的建议等的内容进行修正等。由此，推定装置100c与以往相比能够对受试者PA进行极其精细的处理。

另外，示出了推定装置100(100a、100b、100c)适用于精神分析、行动预测、行动分析等的心理咨询，精神医疗，一般医疗中的面谈、处方的情况，但不限于此。例如，推定装置100也可以应用于机器人、人工智能、汽车，或者客服中心、娱乐、网络、智能电话及平板型终端等的便携终端装置应用及服务，以及检索系统。此外，推定装置100也可以应用于诊断装置、自动问诊装置、灾害治疗类选等。此外，推定装置100也可以应用于金融信用管理系统及行动预测、企業、学校、行政机关、警察及军事、信息收集活动等中的信息分析，与测谎相关的心理分析、以及组织团体管理。此外，推定装置100也可以适用于管理组织的构成人员、研究者、从业人员、管理者等的心理健康及行动预测的系统，控制住宅及办公室、飞行器及宇宙飞船等环境的系统，或者用于了解家人、朋友的心理状态及行动预测的手段。此外，推定装置100也可以适用于音乐及电影发行、一般的信息检索、信息分析管理及信息处理、或者顾客感性喜好市场分析等及将其在网络或单机下进行管理的系统等。

通过以上详细的说明，能够明确实施方式的特征点以及优点。其意为权利要求书在不脱离其精神以及权利范围的范围内涉及上述的实施方式的特征点以及优点。此外，只要是在该技术领域中具有通常知识的技术人员则能够容易地想到所有改良以及变更。因此，无意将具有发明性的实施方式的范围限于上述的范围，也可以依据在实施方式中公开的范围内所包含的适当的改良物以及等同物。

附图标记说明

1、1a…计测装置；2、2a…输出装置；EU、10、10a…提取部；CU、20、20a…运算部；AU、30、30a、30b、30c…推定部；40、40a…实验部；50、50a、50b…存储部；60、60a…数据；70…病况表；80…发言表；AM、100、100a、100b、100c…推定装置；200、200a、K1-K10、Ka1-Ka4…循环系统；B1…接合部；PA…受试者；SH1-SH10…轴；NT1-NT10…螺母；MG、Ga1-Ga2、Gb1-Gb2、Gc1、Gd1-Gd2…齿轮；SYS…推定系统。

Claims (7)

1.一种推定装置，其特征在于，具备：

提取部，从表示受试者的生理的信息中，提取表示所述受试者的生理状态的第1信息以及表示所述受试者的情绪以及器官的活动的至少一方的第2信息；

运算部，对提取出的所述第1信息与所述第2信息所示的时间变化的相似度进行求取，并基于求出的所述相似度，计算相对于所述受试者的保持内稳态的规定状态的偏差量；以及

推定部，基于计算出的所述偏差量推定所述受试者的病况。

2.如权利要求1所述的推定装置，其特征在于，

所述推定装置还具备实验部，所述实验部根据由所述运算部计算出的所述偏差量，对作用于所述受试者的情绪以及器官的活动的能量进行计算，并将计算出的所述能量作为输入来模拟所述受试者的内稳态，

所述推定部根据模拟出的所述内稳态的变化的模式来推定所述受试者的病况。

3.如权利要求1或2所述的推定装置，其特征在于，

所述推定装置具备输入部，所述输入部接收来自所述受试者的声音信号作为表示所述受试者的生理的信息。

4.如权利要求1或2所述的推定装置，其特征在于，

所述推定装置具备输入部，所述输入部接收所述受试者的所述器官的活动作为表示所述受试者的生理的信息。

5.如权利要求1或2所述的推定装置，其特征在于，

所述推定装置具备存储部，所述存储部按每个病况存储针对所述受试者的建议的声音数据，

所述推定部基于推定出的所述受试者的病况，对表示针对所述受试者的建议的声音数据进行选择，并将选择出的所述声音数据输出至外部的输出装置。

6.一种记录介质，其特征在于，记录了使计算机执行下述处理的程序：

从表示受试者的生理的信息中，提取表示所述受试者的生理状态的第1信息以及表示所述受试者的情绪以及器官的活动的至少一方的第2信息，

对提取出的所述第1信息与所述第2信息所示的时间变化的相似度进行求取，并基于求出的所述相似度，计算相对于所述受试者的保持内稳态的规定状态的偏差量，

基于计算出的所述偏差量推定所述受试者的病况。

7.一种推定系统，其特征在于，具备：

计测装置，对受试者的生理进行计测；

推定装置，利用表示由所述计测装置计测出的所述受试者的生理的信息，推定所述受试者的病况；以及

输出装置，对由所述推定装置推定出的病况的结果进行输出，

所述推定装置具备：

提取部，从表示所述受试者的生理的信息中，提取表示所述受试者的生理状态的第1信息以及表示所述受试者的情绪以及器官的活动的至少一方的第2信息；

运算部，对提取出的所述第1信息与所述第2信息所示的时间变化的相似度进行求取，并基于求出的所述相似度，计算相对于所述受试者的保持内稳态的规定状态的偏差量；以及

推定部，基于计算出的所述偏差量推定所述受试者的病况。