CN110381833B - 信息处理设备、信息处理方法和程序 - Google Patents

Abstract

[问题]为了提供一种能够准确估计能量消耗的信息处理设备、信息处理方法和程序。[解决方案]提供了一种信息处理设备，其设置有用于获取用户身体特征的获取单元和用于基于心率和能量消耗之间的关系进行估计的设备。根据用户的身体特征，用于估计的设备基于用户的心率来估计在用户进行的活动中消耗的能量。

Description

信息处理设备、信息处理方法和程序

技术领域

本公开涉及一种信息处理设备、一种信息处理方法和一种程序。

背景技术

近年来，需要一种装置，其能够容易地掌握日常活动、运动等消耗的能量，用于健康维护、身体健康发展、节食等。作为这种装置的示例，可以举例说明测量用户的搏动率或脉搏率并且基于对应于测量时的锻炼强度的搏动率等与消耗的能量之间的关系来估计消耗的能量的装置。此外，作为另一示例，可以举例说明一种装置，该装置基于诸如用户的身高、体重、年龄和性别等属性信息以及由附接到用户的加速度计获得的锻炼强度或用户的移动距离来估计消耗的能量。作为后一种情况的示例，可以提及下面描述的专利文献1中公开的便携式健康管理装置。在以下专利文献1中公开的装置能够在估计由行走引起的用户消耗的能量的情况下高精度地执行估计。

引用列表

专利文献

专利文献1：日本专利申请公开号2002-45352

发明内容

本发明要解决的问题

然而，根据上述装置，很难高精度地估计作为短时间内进行一系列各种锻炼的日常活动中消耗的能量。

因此，在本公开中，提出了一种新颖且改进的信息处理设备、一种信息处理方法和一种程序，其可以高精度地估计消耗的能量。

问题的解决方案

根据本公开，提供了一种信息处理设备，包括：获取单元，获取用户的身体特征；以及估计器，其基于搏动率和消耗能量之间的关系，其中，估计器根据用户的身体特征，根据用户的搏动率来估计用户进行的活动消耗的能量。

此外，根据本公开，提供了一种信息处理方法，包括：获取用户的身体特征；并且根据用户的身体特征，基于搏动率和消耗能量之间的关系，根据用户的搏动率来估计用户进行的活动消耗的能量。

此外，根据本公开，提供了一种程序，促使计算机实现：用于获取用户的身体特征的功能；以及用于根据用户的身体特征，基于搏动率和消耗能量之间的关系，根据用户的搏动率来估计用户进行的活动消耗的能量的功能。

本发明的效果

如上所述，根据本公开，可以提供能够以高精度估计消耗能量的信息处理设备、信息处理方法和程序。

注意，上述效果不必受到限制，本说明书中指示的任何效果或者可以从本说明书中识别的其他效果可以与上述效果一起获得或者代替上述效果。

附图说明

图1是用于解释根据本公开第一实施例的信息处理系统1的示例性配置的说明图。

图2是示出根据第一实施例的穿戴式装置10的配置的框图。

图3是示出根据第一实施例的穿戴式装置10的外观示例的说明图。

图4是示出根据第一实施例的穿戴式装置10的外观的另一示例的说明图。

图5是示出根据第一实施例的穿戴式装置10的穿戴状态的示例的说明图。

图6是示出根据第一实施例的服务器30的配置的框图。

图7是示出根据第一实施例的用户终端50的配置的框图。

图8是示出根据第一实施例的用户终端50的外观和使用形式的示例的说明图。

图9是用于解释根据第一实施例的学习单元132的操作的说明图(第1号)。

图10是用于解释根据第一实施例的学习单元132的操作的说明图(第2号)。

图11是用于解释根据第一实施例的似然性估计器236的操作的说明图(第1号)。

图12是用于解释根据第一实施例的似然性估计器236的操作的说明图(第2号)。

图13是用于解释根据第一实施例的似然性估计器236的操作的说明图(第3号)。

图14是用于解释根据第一实施例的估计单元136的操作的说明图。

图15是用于解释根据第一实施例的信息处理方法中的学习阶段的示例的流程图。

图16是用于解释根据第一实施例的信息处理方法中的估计阶段的示例的流程图。

图17是用于解释当获取时序数据时使用的显示画面800的示例的说明图。

图18是用于解释当获取时间序列数据时使用的显示画面802的示例的说明图。

图19是用于解释当获取时间序列数据时使用的显示画面804的示例的说明图。

图20是用于解释当获取时间序列数据时使用的显示画面806的示例的说明图。

图21是用于解释当获取时间序列数据时引导用户锻炼的方法的说明图。

图22是用于解释当通过另一种方法获取时序数据时使用的显示画面808的示例的说明图。

图23是用于解释当通过又一种方法获取时序数据时使用的显示画面810的示例的说明图。

图24是用于解释当通过又一种方法获取时序数据时使用的显示画面812的示例的说明图。

图25是用于解释当通过又一种方法获取时序数据时使用的显示画面814的示例的说明图。

图26是用于解释当获取时间序列数据时引导用户锻炼的另一种方法的说明图。

图27是用于解释根据示例1的显示画面820的示例的说明图。

图28是用于解释根据示例1的显示画面822的示例的说明图。

图29是用于解释根据示例2的显示画面824的示例的说明图。

图30是用于解释根据示例2的显示画面826的示例的说明图。

图31是用于解释根据示例2的显示画面828的示例的说明图。

图32是用于解释根据示例2的显示画面830的示例的说明图。

图33是示出通过本发明人的研究获得的消耗能量的实际测量值的时间变化90和搏动率的时间变化92的说明图。

图34是示出根据本公开的一个实施例的信息处理设备900的示例性硬件配置的框图。

具体实施方式

在下文中，将参考附图详细描述本公开的优选实施例。注意，在本说明书和附图中，具有基本相同功能配置的组件用相同的附图标记表示，以便省略多余的描述。

此外，在本说明书和附图中，存在通过在相同的附图标记之后附加不同的数字来将具有基本相同或相似功能配置的多个组件彼此区分的情况。然而，在不必特别区分具有基本相同或相似功能配置的多个组件的情况下，仅应用相同的附图标记。此外，存在通过在相同的附图标记之后添加不同的字母来将不同实施例中彼此相似的组件彼此区分开来的情况。然而，在不必特别区分多个相似组件的情况下，仅应用相同的附图标记。

注意，在下面的描述中，“搏动率”包括心率和脉搏率，并且假设心率和脉搏率可以分别由心率传感器和脉搏率传感器测量。

此外，将按照以下顺序进行描述。

1.创建本公开实施例之前的历史

2.根据本公开的实施例

2.1.根据本实施例的信息处理系统1的概述

2.2.根据本实施例的穿戴式装置10的配置

2.3.根据本实施例的服务器30的配置

2.4.根据本实施例的用户终端50的配置

2.5.根据本实施例的控制单元130的配置

2.6.根据本实施例的信息处理方法

3.根据本实施例的示例

3.1.示例1

3.2.示例2

4.总结

5.关于硬件配置

6.补充

<<1.创建本公开实施例之前的历史>>

首先，在解释根据本公开的实施例之前，将描述本发明人创建本公开的实施例之前的历史，换言之，将描述本发明人进行的研究。

本发明人已经研究了一种用于估计由用户活动引起的消耗能量的方法。首先，将描述用于测量消耗能量的方法。用于测量消耗能量的方法主要包括两种测量方法，包括用于直接测量产生的热量的“直接量热法”和用于从身体中消耗的氧气量间接测量卡路里的“间接量热法”。

由于在人体内消耗的能量作为热量从人体散发，所以在“直接量热法”中，通过直接测量从人体散发的热量来测量消耗的能量。然而，“直接量热法”中使用的测量装置非常大，限制了被测者的活动。因此，可以通过“直接量热法”测量消耗能量的情况受到限制。

另一方面，“间接量热法”测量用户呼吸中的氧气浓度和二氧化碳浓度，并根据测量结果计算消耗的能量。人体内能量的生成是由分解从食物等中摄取的脂肪和糖引起的，并且在许多情况下，需要通过呼吸而在人体内摄取氧气来进行这种分解。因此，消耗的氧气量大致相当于消耗的能量。此外，由人体内的这种分解生成二氧化碳，并且从人体排出所生成的二氧化碳，作为呼吸的一部分。因此，测量呼吸中的氧气浓度和二氧化碳浓度，并且从这些测量值获得用户人体中的氧气消耗量，以便识别消耗的能量。换言之，虽然“间接量热法”不是直接测量人体内生成的卡路里的方法，而是通过上述人体内的代谢机制可以大致正确地掌握消耗的能量。由于“间接量热法”中使用的呼吸测量装置比上述“直接量热法”中使用的装置简单，“间接量热法”通常用作测量消耗能量的方法。注意，在以下描述中，假设通过上述“间接量热法”测量消耗能量的实际测量值。

然而，在“间接量热法”中，需要测量呼吸中的氧气浓度和二氧化碳浓度。因此，主体戴着面具等。因此，虽然“间接量热法”比“直接量热法”简单，但是普通用户难以容易地测量消耗的能量。因此，本发明人努力研究了基于可以容易地测量的指标识别消耗能量的方法。注意，在此处，普通用户是指不是例如研究员、医生或运动员的专人人士的人。

基于这种情况，本发明人反复研究了一种通过使用通常被认为与消耗的能量高度相关的搏动率(具体地，心率或脉搏率)来识别消耗的能量的方法。具体地，尽管进行代谢活动以补充身体各个部位消耗的能量，但是那时消耗氧气，生成二氧化碳。尽管氧气的消耗量和二氧化碳的生成量彼此并不完全成比例，但是已知这两个量具有基本接近该比例的单调性关系。心跳表示心脏的肌肉以恒定的节奏收缩和扩张，以便跳动，心跳使血液通过动脉供应到全身，从而新陈代谢所需的氧气供应到身体的每个器官。此外，新陈代谢生成的二氧化碳在血液中洗脱，经由静脉收集在心脏中，并通过肺部气体交换排放到呼吸中。众所周知，心率的数值根据增强体内血液循环的需要而波动。然而，关于与能量消耗的关系，众所周知，心率由与血液二氧化碳水平相关的机制控制。换言之，心率具有数值根据二氧化碳排放的需要而波动的特性，二氧化碳排放是增强体内血液循环的一个需要。因此，心率经由二氧化碳的生成量与消耗的能量具有强相关性，并且对于估计消耗的能量是有用的信息。注意，在以下描述中，心率是指单位时间内心脏的搏动次数，脉搏率表示由通过动脉向全身供血并改变动脉内表面上的压力而引起的单位时间内出现在体表等上的动脉搏动次数。

此外，近年来，用于测量心率的心率传感器和用于测量脉搏率的脉搏率传感器的尺寸减小，可以在用户身体上佩戴心率传感器和脉搏率传感器，并且测量用户的心率或脉搏率，而不限制用户的活动。由于这些原因，本发明人已经研究了一种通过使用搏动率(心率或脉搏率)来识别消耗能量的方法。

具体地，本发明人首先研究的方法通过心率传感器测量用户的心率，并基于测量的心率通过使用线性回归等来估计消耗的能量。根据本发明人的研究，发现在上述方法中，例如，由于在估计使用有氧型训练机的训练中消耗的能量的情况下心率根据锻炼强度而变化，所以可以获得高估计精度。然而，根据上述方法，发现在估计静止时的消耗能量的情况下，估计精度降低。考虑这是因为不仅是由于锻炼强度还由于紧张和兴奋等心理因素导致心率波动很大。

因此，本发明人研究了通过改进上述方法获得的方法，该方法是不仅通过使用心率传感器测量的心率而且通过加速度传感器检测的锻炼强度来估计消耗能量的方法。具体地，本发明人研究的一种方法是基于检测到的锻炼强度，在用于从心率估计消耗能量的线性回归方程中调整锻炼强度的贡献率的方法。在该方法中，试图通过调整贡献率来提高消耗能量的估计精度。此外，另一种研究方法是用于基于加速度传感器检测到的锻炼强度将用户的当前活动状态分类成几种活动模式(例如，休息状态、行走状态和跑步状态)并且根据分类的活动模式切换要使用的回归方程的方法。在该方法中，在通过使用预定回归方程的估计中出现限制的情况下，试图通过使用对于该状态最优的另一回归方程来提高消耗能量的估计精度。

然而，当本发明人已经研究了上述方法时，发现消耗能量的估计精度的提高存在限制。更具体地，根据用户的活动内容等，通过使用上述方法从心率估计的消耗能量往往高于实际消耗能量，并且发现难以根据这种趋势提高估计精度。此外，在通过上述方法估计一个用户一天的总消耗能量的情况下，可以获得足够的估计精度。然而，在估计短时间内个人锻炼消耗的能量的情况下，不能获得足够的估计精度。

这是因为用户的心率和在某一时间点消耗的能量之间的关系不仅基于用户在该时间点的锻炼强度或活动状态来确定，并且根据用户的身体特征受到用户在该时间点的先前活动内容的影响而波动。在上述方法中，由于根据在某一时间点的锻炼强度等选择回归方程，所以尽管考虑了该时间点的锻炼强度，但是没有考虑根据用户身体特征用户在该时间点的先前活动内容的影响。结果，在该方法中，基于心率估计的消耗能量往往高于实际消耗能量，并且估计精度的提高受到限制。在下面的描述中，将详细描述用户的心率和消耗的能量之间的关系，该关系根据用户的身体特征受到用户的先前活动内容的影响而波动。

本发明人使主体间歇地进行具有预定锻炼强度的锻炼，并通过使用间接量热法测量主体消耗的能量和心率。在图33中，示出了通过上述测量获得的消耗能量的时间变化90和心率的时间变化92。如图33所示，发现尽管由于主体进行的锻炼，消耗能量的时间变化90增大到特定值，但是当锻炼结束时，时间变化90下降到与锻炼开始之前的静止状态的值几乎相同的值。另一方面，类似于消耗能量的时间变化90，心率的时间变化92随着锻炼而增加，并且随着锻炼的终止而减少。然而，心率的时间变化92不同于消耗能量的时间变化90，尽管时间变化92在锻炼结束时下降，但是时间变化92不会下降到与锻炼开始之前的静止状态的值几乎相同的值。此外，尽管心率的时间变化92同样变成第一次锻炼时消耗能量的时间变化92，但是时间变化92随着主体重复锻炼而逐渐增加。更具体地，如图33所示，随着主体重复锻炼，对应于停止锻炼的时间段(图33中向下突出的部分92a)的心率的时间变化增加。此外，随着主体重复锻炼，对应于进行锻炼的时间段(图33中向上突出的部分92b)的心率的时间变化增加。换言之，显然存在心率波动与消耗能量波动分离的情况。换言之，根据本发明人的研究，发现尽管在进行分离之前心率和消耗能量之间的关系可以由回归方程表示，但是在进行分离的情况下，该关系不能由上述回归方程表示。注意，在以下描述中，分离现象是指心率的增强现象，因为只有心率增加。在出现这种心率增强现象的情况下，通过将心率输入回归方程而估计的消耗能量高于实际消耗能量。

此外，当本发明人对多个主体重复执行如上所述的测量时，确认增强现象是可再现的。此外，确认增强现象的出现模式对于每个主体具有不同的趋势。具体地，当对同一主体重复进行测量时，确认在锻炼超过特定阈值的情况下(具体地，在所进行的锻炼的锻炼强度超过特定阈值的情况下，在锻炼次数超过特定阈值的情况下，在所进行的锻炼的锻炼时间超过特定阈值的情况下，诸如此类)，增强现象看起来是可再现的。此外，当对不同的主体执行相同的测量时，确认增强现象的出现模式对于每个主体是不同的。例如，增强现象的出现模式包括增强现象仅出现在高锻炼强度期间的情况、增强现象出现在低锻炼强度期间(例如，在休息时)的情况、增强现象出现在高锻炼强度期间和低锻炼强度期间的情况、增强现象不出现的情况等。此外，还确认了在锻炼终止后增强现象随时间减少时的时间常数对于每个主体是不同的。此外，当仔细检查由本发明人获得的大量测量结果时，发现根据增强现象的出现模式的趋势，增强现象的出现模式可以分成几组。

顺便提及，作为运动终止并且用户转换到静止状态时心率不立即降低的现象，称为“呼气债务”的现象是已知的。具体地，在进行锻炼的情况下，人体消耗的单位时间的能量增加，新陈代谢量增加以供应增加的消耗能量。尽管新陈代谢量的增加通常通过使用氧气的新陈代谢来补偿，但是在由于心肺功能的限制而导致氧气供应不足的情况下，能量通过不使用氧气的新陈代谢来补偿。以这种方式供应能量而不使用氧气的新陈代谢被称为“呼气债务”或“氧债”。这是因为，由于不使用氧气的新陈代谢会在体内积累诸如乳酸之类的产物，因此需要稍后通过使用氧气来代谢这些产物，换言之，不使用氧气的新陈代谢相当于消耗未来的氧气供应，作为借贷。如上所述，当发生“呼气债务”时，累积诸如乳酸之类的物质。因此，需要在锻炼之后通过使用氧气来进行新陈代谢，并且在休息时氧气的消耗量和二氧化碳的生成量不返回到标准，防止了心率的降低。以这种方式，“呼气债务”是一种防止锻炼之后心率下降的现象。然而，本发明人假设增强现象不是由“呼气债务”引起的。具体地，由“呼气债务”生成的物质(例如，乳酸)的新陈代谢与氧气的消耗和二氧化碳的生成一起发生，并且通过“间接量热法”观察到热量消耗的增加。换言之，消除“呼气债务”是增加消耗的能量和心率的现象，并且不能描述虽然消耗的能量下降到静止水平但心率却增加的状态。在增强现象中，认为心率是由于诸如“呼气债务”等因素而增强的，其中，没有建立运动生理学模型。本公开的目的是避免生成由机制不清楚的现象引起的消耗能量估计中的误差。增强现象是心率增加因素的一部分，不包括二氧化碳引起的因素。因为调整心率，以调整血流，所以估计执行增强现象的增加因子，以保持身体的某种适应性。因此，认为增强现象的趋势是根据诸如心肺功能等各种身体特征来确定的。例如，在考虑热量排放的情况下，认为需要增加用于热量传输的血液量会增加心率。然而，心率的增加量和心率增加的持续时间受心肺功能和出汗功能的影响。具体地，如果心肺功能和出汗功能增强，则热量排放效率得到提高。因此，认为心率的增加量减少并且持续时间缩短。根据这些特征，在通过训练改善身体特征的情况下，估计通常抑制增强现象。此外，在身体特征由于身体条件差而暂时恶化的情况下，估计增强现象比正常时间更强烈地出现。

换言之，根据本发明人的研究，发现心率和消耗能量之间的关系可以由某一范围内的预定回归方程表示，而不能由其中出现心率增强现象的范围内的回归方程表示。换言之，根据这项研究，发现心率和消耗的能量之间的关系是波动的。此外，根据特定于用户的心率增强现象的出现模式，换言之，用户的身体特征，发现波动是由用户先前活动内容的影响引起的。因此，尽管本发明人迄今研究的方法考虑了特定时间点的锻炼强度，但是没有考虑根据用户的身体特征在该时间点之前用户的活动内容的影响。因此，很难提高估计精度。

因此，本发明人已经创建了本公开的实施例，通过将上述识别视为单个焦点，该实施例甚至可以从心率高精度地估计消耗的能量。换言之，根据下面描述的本公开的实施例，通过考虑由本发明人唯一识别的心率增强现象的出现模式，可以高精度地估计消耗的能量。例如，在本实施例中，当在执行高锻炼强度的锻炼之后检测到高于休息时心率的心率时，在本实施例中，在准确掌握增强现象对心率的影响的贡献并且去除该贡献之后，估计消耗的能量。在下文中，将依次详细描述根据本公开实施例的这种类型的信息处理设备和信息处理方法。

<<2.根据本公开的实施例>>

<2.1.根据本实施例的信息处理系统1的概述>

接下来，将描述根据本公开实施例的配置。首先，将参考图1描述根据本公开的实施例的配置。图1是用于解释根据本实施例的信息处理系统1的示例性配置的说明图。

如图1所示，根据本实施例的信息处理系统1包括经由网络70彼此通信连接的穿戴式装置10、服务器30和用户终端50。具体地，穿戴式装置10、服务器30和用户终端50经由未示出的基站等(例如，移动电话的基站、无线局域网的接入点等)附接到网络70。注意，任何方法都可以用作网络70中使用的通信方法，而不管该方法是有线还是无线方法。然而，希望使用能够保持稳定操作的通信方法。

穿戴式装置10可以是可以附接到用户身体的一部分的装置，或者是插入到用户身体中的植入装置(植入终端)。更具体地，作为穿戴式装置10，可以使用各种类型的穿戴式装置，例如，头戴式显示器(HMD)型、耳戴式装置型、脚链型、手镯型、衣领型、眼镜型、衬垫型、徽章型和布型。此外，穿戴式装置10包括传感器，例如，检测用户的心率的心率传感器(或检测用户脉搏率的脉搏率传感器)以及根据用户的锻炼检测锻炼强度的加速度传感器。注意，稍后将详细描述穿戴式装置10。

服务器30例如由计算机等配置成。服务器30例如存储在本实施例中使用的信息，并分发在本实施例中提供的信息。注意，稍后将详细描述服务器30。

用户终端50是用于向用户等输出本实施例中提供的信息的终端。例如，用户终端50可以是诸如平板型个人计算机(PC)、智能手机、移动电话、膝上型个人计算机、笔记本个人计算机和HMD等装置。

注意，在图1中，根据本实施例的信息处理系统1被示为包括单个穿戴式装置10和单个用户终端50的信息处理系统1。然而，在本实施例中，信息处理系统1的配置不限于此。例如，根据本实施例的信息处理系统1可以包括多个穿戴式装置10和多个用户终端50。此外，根据本实施例的信息处理系统1可以包括例如当信息从穿戴式装置10传输到服务器30等时使用的另一通信装置，例如，中继装置。此外，在本实施例中，穿戴式装置10可以用作独立装置。在这种情况下，服务器30和用户终端50的至少一部分功能由穿戴式装置10执行。

<2.2.根据本实施例的穿戴式装置10的配置>

接下来，将参考图2至图5描述根据本公开实施例的穿戴式装置10的配置。图2是示出根据本实施例的穿戴式装置10的配置的框图。图3和图4是示出根据本实施例的穿戴式装置10的外观示例的说明图。图5是示出根据本实施例的穿戴式装置10的穿戴状态的示例的说明图。

如图2所示，穿戴式装置10主要包括输入单元(获取单元)100、输出单元110、传感器单元(获取单元)120、控制单元130、通信单元140和存储单元150。下面将详细描述穿戴式装置10的每个功能单元。

(输入单元100)

输入单元100接收对穿戴式装置10的数据输入和命令。更具体地，输入单元100由触摸板、按钮、麦克风、驱动器等实现。例如，输入单元100接收将由如下所述的学习单元132用于学习的信息(聚类信息、心率波动模式数据、消耗能量波动模式数据等)和将由如下所述的分类单元134和估计单元136用于分类和估计的信息(聚类信息、心率波动模式数据、消耗能量波动模式数据等)。

(输出单元110)

输出单元110是用于向用户呈现信息的装置，并且例如通过图像、语音、光、振动等向用户输出各种信息。具体地，为了获取预定锻炼强度变化中的心率波动模式，输出单元110输出画面和语音，以提示用户执行预定锻炼，作为指令单元。此外，输出单元110输出关于由如下所述的控制单元130估计的消耗能量的信息以及用于基于估计的消耗能量推荐预定锻炼的信息，作为通知单元。输出单元110由显示器、扬声器、耳机、发光元件、振动模块等实现。注意，输出单元110的功能可以由用户终端50的输出单元510提供，如下所述。

(传感器单元120)

传感器单元120设置在附接到用户身体的穿戴式装置10中，并且包括检测用户的心率的心率传感器(心率计)。心率传感器测量用户的心率，并将测量结果输出到控制单元130，如下所述。注意，心率传感器可以是测量用户脉搏率的脉搏率传感器(脉博计)。此外，传感器单元120可以包括用于检测用户锻炼强度的运动传感器。运动传感器包括至少一个加速度传感器(加速度计)，检测根据用户操作引起的加速度变化，并将检测结果输出到控制单元130，如下所述。注意，在下面描述的实施例中，根据用户的操作生成的加速度变化用作指示锻炼强度的指标。加速度可以通过加速度传感器来测量，并且即使普通人也可以容易地使用加速度传感器。因此，在此处，加速度变化用作指示锻炼强度的指标。换言之，传感器单元120获取稍后描述的学习单元132用于学习的信息(心率波动模式数据等)和稍后描述的分类单元134和估计单元136用于分类和估计的信息(心率波动模式数据、锻炼强度等)。

注意，运动传感器可以包括陀螺仪传感器、地磁传感器等。此外，传感器单元120可以包括各种其他传感器，例如，全球定位系统(GPS)接收器、大气压力传感器、温度传感器和湿度传感器。此外，传感器单元120可以具有内置时钟机构(未示出)，该内置时钟机构掌握准确的时间并将获取心率等的时间与获取的心率、加速度变化等相关联。

(控制单元130)

控制单元130设置在穿戴式装置10中，并且可以通过使用从上述传感器单元120输出的心率和加速度变化来控制穿戴式装置10的每个块并执行计算等。控制单元130由硬件实现，例如，中央处理单元(CPU)、只读存储器(ROM)、随机存取存储器(RAM)等。注意，控制单元130的功能可以由服务器30的控制单元330或用户终端50的控制单元530提供，如后所述。

此外，控制单元130可以用作学习单元(学习装置)132、分类单元134和估计单元136，换言之，可以基于心率和消耗能量之间的关系来估计消耗能量，执行分类和学习，以用于估计。注意，稍后将详细描述控制单元130的这些功能单元。

(通信单元140)

通信单元140设置在穿戴式装置10中，并且可以与诸如服务器30和用户终端50等外部装置交换信息。换言之，可以说通信单元140是具有交换数据功能的通信接口。注意，通信单元140由诸如通信天线、发送和接收电路以及端口等通信装置实现。

(存储单元150)

存储单元150设置在穿戴式装置10中，并且存储用于由上述控制单元130执行各种处理的程序、信息等以及通过处理获得的信息。注意，存储单元150例如由诸如闪存等非易失性存储器实现。

注意，在本实施例中，传感器单元120中的两个传感器(即，心率传感器和运动传感器)可以设置在不同的穿戴式装置10中。由于每个穿戴式装置10的配置可以以这种方式制成紧凑的，所以穿戴式装置10可以附接到用户身体的各个部分。

如上所述，作为穿戴式装置10，可以采用各种类型的穿戴式装置，例如，眼镜型、耳戴式装置型、手镯型和HMD型。在图3中，示出了穿戴式装置10的外观的示例。图3中示出的穿戴式装置10a是附接到用户双耳的耳戴式装置型的穿戴式装置。穿戴式装置10a主要包括左主体部分12L和右主体部分12R以及连接主体部分12L和12R的颈圈14。主体部分12L和12R包括例如图3所示的输入单元100、输出单元110、传感器单元120、控制单元130、通信单元140和存储单元150的至少一部分。此外，主体部分12L和12R中的每一个都具有用作输出单元110的内置耳机(未示出)，并且用户可以通过在双耳中佩戴耳机来收听语音信息等。

此外，在图4中示出穿戴式装置10的外观的另一示例。图4所示的穿戴式装置10b是手镯型穿戴式装置。穿戴式装置10b是附接到用户手臂和手腕的穿戴式终端，并且被称为手表型穿戴式装置。在穿戴式装置10b的外周表面上，设置了具有作为图3中的输入单元100和输出单元110的功能的触摸面板显示器16。此外，在外周表面上，通过了具有作为输出单元110的语音输出功能的扬声器18和具有作为输入单元100的声音收集功能的麦克风20。

此外，如图5所示，单个或多个穿戴式装置10可以附接到用户的各个部位，例如，头部和手腕。

<2.3.根据本实施例的服务器30的配置>

接下来，将参考图6描述根据本公开实施例的服务器30的配置。图6是示出根据本实施例的服务器30的配置的框图。

如上所述，服务器30例如由计算机等配置成。如图6所示，服务器30主要包括输入单元300、输出单元310、控制单元330、通信单元340和存储单元350。下面将详细描述服务器30的每个功能单元。

(输入单元300)

输入单元300接收对服务器30的数据输入和命令。更具体地，输入单元300由触摸板、键盘等实现。

(输出单元310)

输出单元310包括例如显示器、扬声器、视频输出终端、语音输出终端等，并且通过图像、语音等输出各种信息。

(控制单元330)

控制单元330设置在服务器30中，并且可以控制服务器30的每个块。控制单元330由硬件实现，例如，CPU、ROM、RAM等。注意，控制单元330可以执行穿戴式装置10的控制单元130的一部分功能。

(通信单元340)

通信单元340设置在服务器30中，并且可以与诸如穿戴式装置10和用户终端50等外部装置交换信息。注意，通信单元340由诸如通信天线、发送和接收电路以及端口等通信装置实现。

(存储单元350)

存储单元350设置在服务器30中，并且存储用于由上述控制单元320执行各种处理的程序等以及通过处理获得的信息。更具体地，存储单元350可以存储数据，例如，从附接到多个用户的穿戴式装置10获得的心率和消耗的能量的数据、提供给每个用户的地图数据、用于估计消耗的能量的数据等。注意，存储单元350例如由诸如硬盘(HD)、非易失性存储器等磁记录介质实现。

<2.4.根据本实施例的用户终端50的配置>

接下来，将参考图7和图8描述根据本公开实施例的用户终端50的配置。图7是示出根据本实施例的用户终端50的配置的框图。此外，图8是示出根据本实施例的用户终端50的外观和使用形式的示例的说明图。

如上所述，用户终端50可以是诸如平板型PC和智能手机等装置。如图7所示，用户终端50主要包括输入单元500、输出单元510、控制单元530和通信单元540。下面将详细描述用户终端50的每个功能单元。

(输入单元500)

输入单元500接收对用户终端50的数据输入和命令。更具体地，输入单元500由触摸板、键盘等实现。

(输出单元510)

输出单元510包括例如显示器、扬声器、视频输出终端、语音输出终端等，并且通过图像、语音等输出各种信息。注意，输出单元510可以用作如上所述的穿戴式装置10的输出单元110。

(控制单元530)

控制单元530设置在用户终端50中，并且可以控制用户终端50的每个块。控制单元530由硬件实现，例如，CPU、ROM、RAM等。

(通信单元540)

通信单元540可以与诸如服务器30等外部装置交换信息。注意，通信单元540由诸如通信天线、发送和接收电路以及端口等通信装置实现。

如上所述，作为用户终端50，可以使用诸如平板型PC和智能手机等装置。图8示出了作为平板型PC的用户终端50a的外观示例。例如，如图8左侧所示，用户终端50a通过使用用于附接用户终端50a的附接装置54附接到跑步机52。如图8所示，通过附接用户终端50a，通过使用跑步机52锻炼的用户可以在视觉上将显示器识别为用户终端50a的输出单元510。

<2.5.根据本实施例的控制单元130的配置>

下面将参考图9至14描述根据本实施例的控制单元130的配置。图9和10是用于解释根据本实施例的学习单元132的操作的说明图。图11至13是用于解释根据本实施例的似然性估计器236的操作的说明图。此外，图14是用于解释根据本实施例的估计单元136的操作的说明图。如上所述，控制单元130主要包括三个功能单元，即，学习单元132、分类单元134和估计单元136。下面将描述控制单元130的每个功能单元。

(学习单元132)

对于每个聚类，学习单元132通过使用由属于该聚类的锻炼强度的变化引起的心率波动模式和与心率波动模式同时测量的消耗能量波动模式来执行机器学习。然后，学习单元132获取关系信息，指示由锻炼强度的变化引起的心率波动模式和由机器学习针对每个聚类消耗的能量波动模式之间的关系。

在此处，聚类表示具有可以通过使用相同的模型来估计的相似趋势的一组数据。具体地，在本实施例中，在假设多条时间序列数据属于同一聚类时，使用心率的多条时间序列数据，其中，由锻炼强度的变化引起的心率波动模式的趋势彼此相似，换言之，出现心率增强现象的模式的趋势彼此相似。由于属于同一聚类的心率的多条时间序列数据具有彼此相似的趋势，因此认为可以通过使用公共模型从心率的时间序列数据中估计消耗能量的时间序列数据。因此，学习单元132获取关系信息，该关系信息指示由锻炼强度的变化引起的心率波动模式和消耗能量波动模式之间的关系，消耗能量波动模式是考虑每个聚类中相应聚类的心率的增强现象的出现模式而获得的模型。当由估计单元136的估计器执行估计时，使用每条获取的关系信息，如稍后针对每个聚类所述。换言之，在本实施例中，针对每个聚类存在估计器，并且被与该聚类相关联的估计器用于估计。因此，学习单元132为每个聚类准备关系信息。

更具体地，学习单元132可以如下执行学习。如图9所示，学习单元132接收由通过将上述穿戴式装置10附接到多个用户而获得的锻炼强度的变化引起的多个心率波动模式。在此处，作为由锻炼强度变化引起的心率波动模式，使用指示锻炼强度变化的加速度时间序列数据400和对应于加速度时间序列数据400的心率时间序列数据402。此外，将聚类应用于加速度和心率时间序列数据400和402中的每一个，以作为标签420输入。注意，要输入到学习单元132的数据不限于这种加速度和心率时间序列数据400和402，并且可以是例如由锻炼强度的已知变化引起的心率波动模式。此外，要输入的心率时间序列数据402包括增强现象的出现模式。然后，学习单元132通过使用利用递归神经网络等的机器学习来提取每个聚类中的时间序列数据400和402的特征点和特征量，并生成分类数据库234。此处生成的分类数据库可用于搜索估计消耗能量时使用的聚类。此外，如图10所示，属于同一聚类的加速度和心率时间序列数据400和402以及通过测量呼吸(消耗能量的实际测量值)同时获得的消耗能量时间序列数据404输入到学习单元132。学习单元132使用递归神经网络等，如同使用时间序列数据400、402和404作为输入信号和教师信号一样，执行受监督的机器学习。然后，学习单元132通过上述机器学习获取关系信息，该关系信息指示加速度和心率时间序列数据400和402以及消耗能量时间序列数据404之间的关系。学习单元132构建估计数据库240，该估计数据库240存储每个聚类的获取的关系信息。为每个聚类构建的估计数据库240用于估计消耗的能量。

注意，学习单元132可以通过半监督学习装置执行机器学习，以便省略对加速度和心率时间序列数据400和402的一部分加标签。在这种情况下，学习单元132可以通过执行学习来增强分类能力，使得被确定为比应用了标签的加速度和心率时间序列数据400和402彼此更相似的、没有标签的加速度和心率时间序列数据400和402属于同一聚类。此外，学习单元132可以向用户询问例如关于身体特征等，并且通过使用基于问题的答案确定的聚类信息作为粗略教师信号来执行软监督学习。或者，学习单元132可以在没有教师的情况下执行学习，其中，通过使用大量数据自动提取聚类。在这种情况下，学习单元132自动生成聚类。

注意，在本实施例中，学习单元132通过使用属于同一聚类的加速度、心率和消耗能量时间序列数据400、402和404来获取关系信息，该关系信息指示心率和消耗能量之间的关系。因为属于同一聚类的这些时间序列数据400、402和404具有相似的趋势，换言之，心率增强现象的相似的出现模式，所以可以从上述机器学习中容易地找到特定的关系信息。注意，为了构建单个聚类的估计数据库240，优选使用从至少几个主体获取的时间序列数据400、402和404。然而，根据本实施例的估计数据库240的构造不限于使用通过对主体执行测量而获得的时间序列数据400、402和404的方法。例如，用于构建数据库240的时间序列数据400、402和404的一部分可以是人工再现相应聚类中趋势的伪时间序列数据。此外，在本实施例中，学习单元132的学习方法不限于使用上述机器学习的方法，可以使用其他学习方法。

(分类单元134)

在如下所述由估计单元136进行估计之前，分类单元134对输入数据属于多个聚类中的哪一个聚类进行分类。此外，输入数据输入到数据所属聚类的并用于估计消耗的能量的估计器。具体地，分类单元134将由已经输入的锻炼强度的变化引起的心率波动模式(例如，心率时间序列数据)与和每个聚类相关联的模型(例如，心率时间序列数据)进行比较，并且基于比较结果，搜索在输入波动模式和模型之间具有最小差异的模型。或者，分类单元134搜索与波动模式最相似的模型。然后，执行分类，假设心率波动模式属于搜索到的模型的聚类。换言之，分类单元134基于每个用户的心率增强现象的出现模式，搜索对应于具有相同趋势的增强现象的出现模式的聚类。由于用于每个聚类的估计器考虑属于每个聚类的数据的趋势(换言之，心率增强现象的出现模式)来执行估计，因此可以通过使用这种估计器来提高估计精度。

更具体地，分类单元134可以使用由学习单元132生成的分类数据库234。以这种方式，分类单元134可以搜索由新获取的用于估计的锻炼强度变化引起的多个心率波动模式所属的聚类。

此外，分类单元134可以例如通过估计似然性来执行分类。将参考图11至13描述通过使用似然性的分类。似然性是根据输入数据指示估计的可靠性或确定性的指标。在这种情况下，预先为每个聚类准备用于估计消耗能量的估计器。首先，指示锻炼强度变化的加速度时间序列数据400和对应于加速度时间序列数据400的心率时间序列数据402输入到每个估计器，作为由锻炼强度变化引起的心率波动模式，并且估计消耗能量时间序列数据406。注意，在此处，估计的消耗能量时间序列数据406被称为估计的消耗能量时间序列数据406，以便与通过测量呼吸(消耗能量的实际测量值)获得的消耗能量时间序列数据404区分开来。

此外，分类单元134包括多个似然性估计器236，如图11所示。提供似然性估计器236，以对应于为每个聚类准备的估计器，并计算由相应的估计器获得的估计似然性。具体地，似然性估计器236接收上述加速度时间序列数据400、心率时间序列数据402和由相应估计器获得的估计的消耗能量时间序列数据406以及通过测量呼吸同时获得的消耗能量时间序列数据404。然后，似然性估计器236通过使用输入数据来计算估计似然性408。似然性估计器236生成包括以这种方式获取的估计似然性408的似然性估计数据库238。如上所述，每个似然性估计器236计算估计似然性408。

此外，如图12所示，分类单元134比较由各个似然性估计器236计算的估计似然性408。高估计似然性408意味着通过使用加速度和心率时间序列数据400和402以高可靠性执行估计。因此，可以说具有最高估计似然性408的聚类和估计器是加速度和心率时间序列数据400和402的最优聚类和估计器。因此，加速度和心率时间序列数据400和402被分类为属于对应于具有最高估计似然性408的似然性估计器236的估计器的聚类的数据。例如，在图12的示例中，由于由聚类2的似然性估计器236b计算的估计似然性408b最高，所以加速度和心率时间序列数据400a和402a被分类为属于聚类2的数据。

此时，如图13所示，每个似然性估计器236可以搜索参数410的数值，这进一步增加了计算的估计似然性408。在这种情况下，分类单元134通过使用在优化参数410的数值之后获得的估计似然性408来搜索加速度和心率时间序列数据400a和402a所属的聚类。此外，优化参数410可以用于由估计单元136进行估计，如稍后所述。通过以这种方式使用用于估计的优化参数410，可以更好地提高消耗能量的估计精度。

在此处，参数410可以是例如用于在输入到每个估计器之前标准化心率时间序列数据400的数值。通过将心率时间序列数据400标准化为预定值并将该值输入到估计器，存在可以更高精度估计消耗的能量的情况。更具体地，作为参数410，可以举例说明中等锻炼强度的心率(例如，以大约9公里/小时的速度跑步时的心率)。众所周知，在根据这样的心率对心率时间序列数据400进行标准化并且通过使用标准化的心率时间序列数据400来估计消耗的能量的情况下，估计精度提高。因此，例如，似然性估计器236可以搜索参数410的值，利用该值，通过关于中心值轻微改变(扰动方法)中等锻炼强度的标准心率(例如，从大量主体测量的心率平均值)，估计似然性408最大化。注意，代替使用扰动方法的搜索，通过使用户以中等锻炼强度进行锻炼来测量心率，可以获取标准化参数。

此外，作为另一参数410的示例，可以举例说明当加速度时间序列数据被标准化时使用的数值等以及用于根据用户的运动习惯等校正加速度时间序列数据的数值等。具体地，在本实施例中，加速度用作指示锻炼强度的指标。然而，锻炼强度和加速度之间的关系根据加速度传感器的附接部位的位置、用户的运动习惯(例如，在低速跑步时大幅甩臂)等而变化。因此，通过用适当的参数410校正加速度时间序列数据，并且根据加速度传感器的附接部位和用户的运动习惯将数据输入到估计器，可以提高消耗能量的估计精度。注意，在本实施例中，由每个似然性估计器236搜索的参数410不限于上述示例，并且可以是其他参数，只要参数可以提高消耗能量的估计精度。

注意，在本实施例中，分类单元134的分类方法不限于上述方法，并且可以是其他方法。

(估计单元136)

如图14所示，估计单元136基于存储在由学习单元132获取的估计数据库240中的关系信息，根据新获取的用户的加速度和心率时间序列数据400和402来估计消耗能量时间序列数据406。由于估计单元136通过使用为每个聚类准备的估计数据库240来执行估计，所以可以说估计单元136包括为每个聚类准备的多个估计器。具体地，估计单元136将新获取的用户的加速度和心率时间序列数据400和402输入到对应于由上述分类单元134搜索的时间序列数据400和402所属的聚类的估计器(估计数据库240)，并执行估计。在本实施例中，估计单元136基于为具有相似心率波动模式(换言之，具有心率增强现象的相似出现模式)的每个聚类准备的关系信息来执行估计。因此，根据本实施例，由于考虑到增强现象来执行估计，所以可以提高消耗能量的估计精度。此外，由估计单元136估计的消耗能量由输出单元110输出给用户，存储在存储单元150中，并传输给服务器30和用户终端50。

<2.6.根据本实施例的信息处理方法>

上面已经详细描述了根据本实施例的信息处理系统1的配置以及包括在信息处理系统1中的穿戴式装置10、服务器30和用户终端50的配置。接下来，将描述根据本实施例的信息处理方法。根据本实施例的信息处理方法可以分为两个阶段，即，学习阶段和估计阶段，在学习阶段，执行学习，以获取用于估计消耗能量的关系信息，在估计阶段，根据用户的身体特征(用户的心率增强现象的出现模式等)估计消耗能量。

(学习阶段)

首先，将参考图15描述学习阶段。图15是用于解释根据本实施例的信息处理方法中的学习阶段的示例的流程图。如图15所示，根据本实施例的信息处理方法中的学习阶段包括两个步骤，即，步骤S101和步骤S103。下面将详细描述根据本实施例的信息处理方法的学习阶段中包括的每个步骤。

(步骤S101)

教练、穿戴式装置10或用户终端50使多个用户每隔几分钟在跑步机上重复跑步、行走和休息，并使多个用户以预定的锻炼强度重复锻炼。此时，通过教练、穿戴式装置10或用户终端50向用户发出指令，可以使用户执行预定的锻炼。预定锻炼是通过其可以掌握每个用户的心率增强现象的出现模式的锻炼。在锻炼期间，附接到每个用户的身体的一部分的穿戴式装置10测量每个用户的心率。此外，穿戴式装置10通过使用内置加速度传感器来测量由于用户锻炼而产生的加速度。此外，附接到每个用户面部的呼吸分析器测量每个用户呼吸中包括的氧气浓度和二氧化碳浓度。利用这种测量，可以获取包括由学习单元132用于学习所使用的心率增强现象的出现模式的时间序列数据。

(步骤S103)

穿戴式装置10通过使用属于聚类的加速度和心率时间序列数据400和402以及在步骤S101中同时测量的消耗能量时间序列数据404来为每个聚类执行机器学习。穿戴式装置10通过机器学习获取关系信息，该关系信息指示加速度和心率时间序列数据400和402与消耗能量时间序列数据404之间的关系。此外，穿戴式装置10构建估计数据库240，该估计数据库240存储针对每个聚类获取的关系信息。注意，由于上面已经详细描述了步骤S103中的学习，因此此处省略了描述。

注意，在步骤S101中的锻炼中，不需要使用专用锻炼装置(例如，跑步机)，并且例如，锻炼可以是恒速慢跑等。

(估计阶段)

接下来，将参考图16描述估计阶段。图16是用于解释根据本实施例的信息处理方法中的估计阶段的示例的流程图。如图16所示，根据本实施例的信息处理方法中的估计阶段主要包括从步骤S201到步骤S205的多个步骤。下面将详细描述根据本实施例的信息处理方法的估计阶段中包括的每个步骤。

(步骤S201)

附接到用户身体的一部分的穿戴式装置10测量加速度和心率。

(步骤S203)

穿戴式装置10搜索在步骤S201中获取的用户的加速度时间序列数据400和心率时间序列数据402所属的聚类。注意，由于上面已经描述了搜索方法，因此此处省略了描述。此外，穿戴式装置10参考用户的过去历史信息，并且可以使用在过去分类的聚类，作为在步骤S201中获取的用户的加速度时间序列数据400和心率时间序列数据402所属的聚类。此外，由输入单元100从用户输入的聚类可以是用户所属的聚类。以这种方式，可以省略对聚类的搜索。此外，可以在短时间内向用户呈现消耗能量的估计值。

(步骤S205)

穿戴式装置10通过由关于在步骤S203中选择的聚类的估计器使用在步骤S201中获取的加速度和心率时间序列数据400和402来估计消耗能量。

注意，在上述示例中，由加速度传感器测量的加速度用作关于锻炼强度的指标。然而，本实施例不限于此，例如，用户可以输入指示锻炼强度而不是加速度的指标。此外，上面已经描述了包括学习阶段和估计阶段的两个划分阶段。然而，这些阶段可以连续执行或交替重复执行。

如上所述，根据本实施例，可以高精度地估计消耗能量。具体地，在本实施例中，根据消耗的能量和心率之间的关系的波动趋势，换言之，心率增强现象的出现模式，将用户分类至聚类中。由于属于同一聚类的多个用户的消耗能量和心率之间的关系的波动趋势彼此相似，所以可以通过参考聚类中某个用户的关系的波动趋势来掌握属于同一聚类的其他用户的趋势。因此，通过使用特定用户的关系的波动趋势，可以估计同一聚类中其他用户的消耗能量。此外，由于根据用户的消耗能量和心率之间的关系的波动趋势，换言之，在估计中考虑心率增强现象的出现模式，所以可以提高消耗能量的估计精度。注意，通过预先测量呼吸来获取要参考的特定用户的关系的波动趋势，可以提高同一聚类中的其他用户的消耗能量的估计精度。换言之，在本实施例中，对于其他用户，可以在不测量呼吸的情况下估计消耗的能量。

具体地，根据本实施例，可以高精度地估计短时间内个体锻炼中消耗的能量和低锻炼强度的日常生活中锻炼(运动)中消耗的能量，这些能量迄今为止难以由本发明人已经检查过的装置估计。

注意，穿戴式装置10不需要在上述学习阶段构建估计数据库240，并且数据库240可以由服务器30等构建，并且在例如制造和运输穿戴式装置10时存储在存储单元150中。

注意，步骤S101或步骤S201中的测量可以通过教练等对用户进行期望锻炼的指令来执行。然而，可以使用根据本实施例的穿戴式装置10等提供的锻炼应用程序。具体地，可以通过锻炼应用程序明确指示用户以预定的锻炼强度进行锻炼来执行。在这种情况下，由于用户进行的锻炼的锻炼强度是已知的，所以可以省略由包含在穿戴式装置10中的加速度传感器进行的加速度测量。下面将参考图17至20描述这种锻炼应用程序。图17至20是用于解释当获取时间序列数据时使用的显示画面800至806的示例的说明图。

具体地，由根据本实施例的穿戴式装置10或用户终端50提供的锻炼应用程序显示画面800，该画面提示用户保持静止状态，以便测量静止时用户的心率。例如，如图17所示，画面800包括诸如“测量静止心率”等消息。“请坐一会儿”，以提示用户保持休息状态。此外，在画面800的上部，显示测量心率的时间变化等。

接下来，在静止状态下的用户的心率测量已经完成的情况下，锻炼应用程序显示画面802，用于提示用户以预定的锻炼强度进行锻炼。例如，如图18所示，画面802包括诸如“已经测量了静止心率”等消息。“请以9公里/小时的速度跑步”，以提示用户以预定的锻炼强度进行锻炼。然后，由这样的画面802提示的用户通过使用跑步机52等来执行指定的锻炼。

此外，在测量了以预定锻炼强度进行锻炼的心率之后，锻炼应用程序显示画面804，用于提示用户终止锻炼并保持静止状态，以便获得锻炼终止后心率增强现象的出现模式。如图19所示，画面804包括诸如“停止跑步机并站立不动”等消息，以提示用户终止锻炼并保持静止状态。

接下来，在获取心率增强现象的出现模式之后，锻炼应用程序显示画面806，用于通知用户测量终止。如图20所示，画面806包括诸如“结束锻炼”等消息，以便通知用户测量终止。注意，上述图17至20所示的画面800至806仅仅是示例，并且本实施例不限于这种画面。

以这种方式，锻炼应用程序可以使用户在步骤S201中进行锻炼。注意，在以上描述中，假设穿戴式装置10等具有显示器。然而，即使在穿戴式装置10没有显示器的情况下，也可以使用户在步骤S201中进行锻炼。例如，如图21所示，图21是用于解释当获取时间序列数据时引导用户进行锻炼的方法的说明图，穿戴式装置10可以根据锻炼应用程序向用户输出语音信息。

此外，步骤S101或步骤S201中的测量不限于由上述锻炼应用程序的明确指令执行的测量。例如，可以通过使用穿戴式装置10的加速度传感器而不是显式指令，检测由用户的运动引起的锻炼强度的变化点和稳定部分，来获取包括心率增强现象的出现模式的时间序列数据。在这种情况下，加速度传感器检测锻炼强度恒定的稳定部分，并获取此时测量的心率，作为时间序列数据。下面将参考图22至25描述这种方法。图22至25是用于解释在用于获取时间序列数据的其他方法中使用的显示画面808至814的示例的说明图。

具体地，在穿戴式装置10检测到用户处于静止状态达预定时间段(例如，几分钟)或更长时间的情况下，穿戴式装置10开始测量用户的心率。此时，如图22所示，穿戴式装置10显示用于通知用户开始测量的画面808，例如，指示“心率测量开始”的消息。

此外，在检测到用户的锻炼强度等于或高于预定锻炼强度的锻炼的情况下，如图23所示，穿戴式装置10显示包括诸如“检测到锻炼”等消息的画面810，以便通知测量开始。

接下来，在穿戴式装置10检测到用户终止锻炼并且处于休息状态的情况下，穿戴式装置10显示画面812，画面812包括如图24所示的诸如“检测到休息状态”等消息，并且测量锻炼终止后用户的心率的增强现象。

此外，在上述一系列测量中检测到用户的心率增强现象的出现模式的情况下，如图25所示，穿戴式装置10显示诸如“测量锻炼后心率变化”等画面814。注意，上述图22至25所示的画面808至814仅仅是示例，并且本实施例不限于这种画面。

以这种方式，通过使用加速度传感器，可以根据用户的日常活动和日常锻炼来获取包括心率增强现象的出现模式的时间序列数据，而无需指示用户以预定锻炼强度进行锻炼。注意，在以上描述中，假设穿戴式装置10等包括显示器。然而，本实施例不限于具有显示器的穿戴式装置10等。例如，如图26所示，图26是用于解释当获取时间序列数据时引导用户执行锻炼的其他方法的说明图，穿戴式装置10可以根据锻炼应用程序向用户输出语音信息。

注意，在步骤S201中的锻炼中，不需要使用专用锻炼装置(例如，跑步机)，并且例如，锻炼可以是恒速慢跑等。

<<3.根据本实施例的示例>>

上面已经详细描述了根据本公开实施例的信息处理方法。此外，将描述通过使用上述本实施例向用户提供有用信息的应用程序的具体示例。注意，下面要指示的示例仅仅是应用的示例，并且根据本实施例的信息处理不限于以下示例。

<3.1.示例1>

下面将要描述的示例涉及用于向用户提供有用信息的应用，因为通过上述本实施例提高了每次锻炼消耗能量的估计精度。将参考图27和28描述这样的示例1。图27和28是用于解释根据本实施例的示例1的显示画面820和822的示例的说明图。

在本实施例中，如上所述，提高了短时间内个体锻炼消耗能量的估计精度。因此，例如，可以掌握在斜坡上行走时消耗的能量和在平坦道路等上行走时消耗的能量之间的差异。因此，通过使用根据上述本实施例的估计，可以高精度地估计作为一系列短时间锻炼(微锻炼)的用户日常活动中消耗的能量，并且基于估计的消耗能量向用户提供有用的信息。下面将描述这样的示例。

(示例1A)

在本示例中，将每个微锻炼的估计消耗能量通知给用户。例如，在检测到持续一定时间(等于或长于几分钟)的估计消耗的能量等于或大于预定阈值用户锻炼(活动)的情况下，穿戴式装置10向用户通知由锻炼引起的估计消耗的能量。此时，穿戴式装置10可以例如通过显示图27所示的画面820向用户进行通知。此外，穿戴式装置10可以通过使用内置在穿戴式装置10中的GPS接收器等来获取用户已经进行锻炼的位置信息。此外，由于除了加速度传感器之外，穿戴式装置10还包括陀螺仪传感器、地磁传感器等，因此可以通过分析从这些传感器获取的感测信息来获取用户进行的锻炼的内容的详细信息。因此，穿戴式装置10不仅可以向用户通知估计消耗的能量，还可以通知用户已经进行锻炼的位置信息和锻炼内容的详细信息。

更具体地，在图27中，示出了当用户在AA车站的中央售票处使用楼梯时显示消耗的能量的画面820。注意，在此处，假设楼梯与自动扶梯一起提供。因此，穿戴式装置10参考过去的锻炼历史和用户的估计消耗能量，并获取用户在另一天使用自动扶梯时消耗的估计消耗能量。然后，穿戴式装置10计算用户使用楼梯时的估计消耗能量和用户使用自动扶梯时的估计消耗能量之间的差值，并将计算出的差值作为点数通知给用户。例如，在图27中的画面820的底部显示通知的点。如上所述计算的点以用户容易理解的形式指示在用户向用户身体施加较高负荷的锻炼(活动)的情况下可以消耗多少能量，而不是在选择不向身体施加负荷的锻炼的情况下消耗多少能量。将这种点数通知给用户使得用户通过执行向身体施加负荷的锻炼而感到小成就感，并且增强了用户选择向身体施加负荷的锻炼的动机。

(示例1B)

接下来，将参考图28描述将上述点作为“锻炼记账本”通知给用户的示例。在图28中，示出了画面822，该画面822将用户进行的每次锻炼的估计消耗能量的列表以及与用户的估计能量相对应的点显示为“锻炼记账本”。具体地，在画面822的上部，如图27所示，示出了当用户在AA站使用楼梯时消耗的能量以及基于消耗的能量的点。此外，在画面822的中部，示出了用户在BB镇快速行走(更具体地，以比标准行走速度更快的速度行走)所消耗的能量以及基于消耗的能量的点。在这种情况下，该点对应于例如当用户以标准行走速度行走与上面快速行走的距离相等的距离时的估计的消耗能量的差异。此外，在画面822的底部，示出了用户在预定时间段(例如，一天、一周等)内获得的点数的总和。换言之，在本示例中，如图28所示，由单独检测的微锻炼引起的估计消耗能量和由微锻炼获得的点作为记账本通知给用户。通过以这种方式通知该点，用户认为获得了更多的点。因此，可以引导用户自然地进行将负荷施加到用户身体上的锻炼(微锻炼)。

此外，通过使用根据本实施例的消耗能量的估计，可以向用户推荐向身体施加负荷的锻炼(微锻炼)。例如，在本示例中，在检测到用户已经到达通过用户过去的锻炼获取等于或大于预定阈值的估计消耗能量的位置的情况下，穿戴式装置10建议用户执行与等于或大于预定阈值的估计消耗能量相关的锻炼。

更具体地，在通过内置GPS接收器检测到用户已经到达用户在过去的锻炼获得等于或大于预定阈值的估计消耗能量的位置(例如，楼梯)的情况下，穿戴式装置10参考用户那天的估计消耗能量的总和。在作为参考估计消耗能量的总和的结果，用户那天的估计消耗能量的总和小于用户一天消耗能量的目标值的情况下，穿戴式装置10建议用户执行与等于或大于预定阈值的估计消耗能量相关的锻炼(例如，“爬楼梯”)。更具体地，在穿戴式装置10是手镯型装置的情况下，作为穿戴式装置10的输出单元310设置的振动装置的振动可以建议用户执行锻炼，即“爬楼梯”。此外，在穿戴式装置10包括显示器作为输出单元310的情况下，可以通过在显示器上显示的地图上的楼梯位置显示诸如“推荐”等显示，来推荐用户执行“爬楼梯”。

注意，穿戴式装置10可以例如基于用户一天消耗的能量的目标值或获得的点数来推荐微锻炼。此外，穿戴式装置10可以基于用户过去的微锻炼记录来确定是否进行推荐。例如，在参考过去历史用户根据推荐实际执行的微锻炼的内容具有特定趋势的情况下，穿戴式装置10根据该趋势推荐微锻炼。此外，穿戴式装置10可以通过参考累积在服务器30中的其他用户的信息来检测通过其他用户的锻炼获取等于或大于预定阈值的估计消耗能量的位置。

如上所述，基于根据本实施例的估计，可以高精度地估计日常生活中具有低锻炼强度的锻炼(运动)的消耗能量。因此，通过使用该估计，在本示例中，可以推荐日常生活中通常执行的运动(例如，“爬楼梯”等)作为微锻炼，而不是具有高锻炼强度的特殊锻炼(例如，跑步等)。

<3.2.示例2>

根据本实施例的估计，可以确定是否出现心率的增强现象。此外，通过使用根据上述本实施例的估计，用户可以估计出现心率增强现象的条件(锻炼强度等)等。因此，通过使用上述确定和估计，可以创建通知用户增强现象的出现并推荐用于使增强现象出现的锻炼的应用程序。下面描述的示例涉及这样的应用程序。将参考图29至32描述这样的示例2。图29至32是用于解释根据本实施例的示例2的显示画面824至830的示例的说明图。

(例如2A)

例如，通过本实施例的估计，穿戴式装置10可以根据新获取的用户的加速度和心率时间序列数据400和402，考虑增强状态来估计消耗的能量。另一方面，通过将本发明人迄今为止已经研究过的根据相关技术的消耗能量估计应用于新获取的用户的加速度和心率时间序列数据400和402，可以估计消耗能量，而不考虑增强现象。因此，例如，通过检测考虑增强状态的估计值和不考虑增强状态的估计值之间的差值超过某个阈值，穿戴式装置10可以通知用户增强现象出现。

因此，在本示例中，在检测到用户锻炼的终止并且在检测之后心率降低的情况下，穿戴式装置10确定是否出现心率增强现象，并将确定结果通知给用户。由于心率的增强现象是通过向用户身体施加高负荷而出现的，所以用户可以感觉到成就感，从而可以通过通知出现心率的增强现象使用户执行用于产生增强现象的锻炼。此外，通过发出这样的通知，可以增加用户进行将负荷施加到身体上的锻炼的动机。

(示例2B)

此外，如上所述，穿戴式装置10可以通过使用根据上述本实施例的估计来估计出现用户的心率增强现象的条件(锻炼强度等)等。具体地，通过参考用户过去锻炼强度的波动模式和当时心率波动模式的记录，穿戴式装置10可以估计使得心率增强现象出现(条件)的锻炼强度的程度。因此，穿戴式装置10可以基于估计心率的增强现象出现的锻炼强度向用户推荐使心率的增强现象出现的锻炼。

在本示例中，穿戴式装置10检测到用户正在行走，并与上述估计条件进行比较。在估计通过检测到的行走没有出现心率增强现象的情况下，穿戴式装置10向用户推荐使得心率增强现象出现的锻炼。例如，如图29所示，穿戴式装置10显示画面824，画面824包括诸如“请加快行走速度”和“保持当前速度两分钟”等消息，并且引导用户执行锻炼，以使心率增强现象出现。此外，在本示例中，锻炼的推荐不限于如上所述通过显示画面做出的推荐，并且可以通过语音信息、振动等向用户推荐锻炼。这种推荐增加了用户进行锻炼的机会，该锻炼具有使心率增强现象出现的锻炼强度。

(示例2C)

此外，在下一示例中，穿戴式装置10检测到用户进行锻炼，并将锻炼与上述估计条件(出现心率增强现象的锻炼强度)进行比较。在估计检测到的锻炼使心率增强现象出现的情况下，穿戴式装置10确定是否出现心率增强现象。然后，在确定没有出现心率的增强现象的情况下，穿戴式装置10向用户进行通知。更具体地，如图30所示，穿戴式装置10显示画面826，画面826包括诸如“获得训练结果”和“心率比以前更平稳地回归”等消息，以便向用户进行通知。

在由用户新进行具有过去导致心率增强现象的锻炼强度的锻炼时心率增强现象没有出现的情况下，可以推测用户的体能(呼吸功能等)提高。基于这样的推测，在本示例中，用户可以通过上述通知感受到用户体能的提高。

(示例2D)

此外，如上所述，在用户的体能提高的情况下，属于由从用户获得的锻炼强度的变化引起的心率波动模式的聚类改变，并且用于根据波动模式估计消耗能量的估计器响应于聚类的改变而切换。因此，下面将描述在聚类以这种方式改变的情况下，以通过进行通知来使用户可感觉到用户体能的提高的示例。

更具体地，穿戴式装置10提取用户的多个最近的加速度和心率时间序列数据400和402。此外，穿戴式装置10通过使用提取的时间序列数据400和402来估计图12所示的聚类似然性。然后，在具有最高似然性的指定聚类可以被认为是比过去的聚类具有更高体能的聚类的情况下，穿戴式装置10向用户进行通知。更具体地，如图31所示，穿戴式装置10显示画面828，画面828包括诸如“体能提高，并且您升级到类别B1”等消息，并且切换聚类。然后，通知根据结果估计体能提高。在本示例中，用户可以通过上述通知感受到用户体能的提高。

注意，在以上描述中，已经描述了聚焦于聚类的示例。然而，本示例不限于此，并且可以聚焦于在分类时优化的参数410。在这种情况下，在新优化的参数410的数值从过去用于估计的参数410的数值改变的情况下，可以推测用户的体能改变了。

(示例2E)

在上述示例2C中，增强现象是否出现在具有预定锻炼强度的锻炼中根据用户的体能而改变。然而，是否出现增强现象根据用户的身体条件而改变。因此，在本示例中，可以基于这样的想法向用户通知关于用户身体条件的信息。

具体地，通过参考用户过去的锻炼强度的波动模式和当时心率波动模式的记录，穿戴式装置10可以估计不会出现心率增强现象(条件)的锻炼强度的程度。因此，穿戴式装置10检测到用户进行锻炼，并将锻炼与上述估计条件(不出现心率增强现象的锻炼强度)进行比较。在估计检测到的锻炼使心率增强现象出现的情况下，穿戴式装置10确定是否出现心率增强现象。然后，在确定出现心率增强现象的情况下，即使在心率增强现象不正常出现的情况下，穿戴式装置10也估计由于用户的不良身体条件而出现增强现象，并向用户进行通知。更具体地，如图32所示，穿戴式装置10显示画面830，画面830包括诸如“你可能感觉不舒服。停止训练”和“今天，锻炼后心率恢复不好”等消息。通过发出这样的通知，用户可以掌握自己没有意识到的不良身体条件，并且可以避免不合理的训练。

<<4.总结>>

如上所述，根据本实施例，可以高精度地估计消耗的能量。具体地，在本实施例中，由于根据用户考虑消耗能量和心率之间关系的波动趋势(换言之，心率增强现象的出现模式)来执行估计，所以可以提高消耗能量的估计精度。

在该实施例中，可以通过使用大量数据使用深度神经网络(DNN)等的学习来估计消耗的能量。即使在这种情况下，由于根据用户考虑心率增强现象的出现模式进行估计，所以可以提高消耗能量的估计精度。

<<5.关于硬件配置>>

图34是示出根据本实施例的信息处理设备900的示例性硬件配置的说明图。在图34中，信息处理设备900指示上述穿戴式装置10的示例性硬件配置。

信息处理设备900包括例如CPU 950、ROM 952、RAM 954、记录介质956、输入/输出接口958和操作输入装置960。此外，信息处理设备900包括显示装置962、语音输出装置964、语音输入装置966、通信接口968和传感器980。此外，信息处理设备900例如通过作为数据传输路径的总线970在组件之间连接。

(CPU 950)

CPU 950由一个或两个或更多处理器、包括算术电路(例如，CPU)的各种处理电路等配置成，并且用作控制整个信息处理设备900的控制单元(例如，上述控制单元130)。具体地，在信息处理设备900中，CPU 950例如用作上述学习单元132、分类单元134、估计单元136等。

(ROM 952和RAM 954)

ROM 952存储控制数据等，例如，要由CPU 950使用的程序和计算参数。RAM 954暂时存储例如由CPU 950执行的程序等。

(记录介质956)

记录介质956用作上述存储单元150，并且存储例如各种数据，例如，关于根据本实施例的信息处理方法和各种应用程序的数据等。在此处，作为记录介质956，例如，可以举例说明磁记录介质(例如，硬盘)和非易失性存储器(例如，闪存)。此外，记录介质956可以从信息处理设备900拆卸。

(输入/输出接口958、操作输入装置960、显示装置962、语音输出装置964和语音输入装置966)

输入/输出接口958连接例如操作输入装置960、显示装置962等。输入/输出接口958例如是通用串行总线(USB)终端、数字可视接口(DVI)终端、高清多媒体接口(HDMI)(注册商标)终端、各种处理电路等。

操作输入装置960例如用作上述输入单元100，并且附接到信息处理设备900中的输入/输出接口958。

显示装置962例如用作上述输出单元110，设置在信息处理设备900上，并且附接到信息处理设备900中的输入/输出接口958。显示装置962例如是液晶显示器、有机电致发光(EL)显示器等。

语音输出装置964例如用作上述输出单元110，例如设置在信息处理设备900上，并且附接到信息处理设备900中的输入/输出接口958。语音输入装置966例如用作上述输入单元100，例如设置在信息处理设备900上，并且附接到信息处理设备900中的输入/输出接口958。

注意，不言而喻，输入/输出接口958可以附接到信息处理设备900外部的外部装置，例如，操作输入装置(例如，键盘、鼠标等)和外部显示装置。

此外，输入/输出接口958可以附接到驱动器(未示出)。驱动器是用于诸如磁盘、光盘或半导体存储器等可移动记录介质的读取器/写入器，并且包含在信息处理设备900中或者附接到信息处理设备900的外部。驱动器读取记录在连接的可移动记录介质中的信息，并将该信息输出到RAM954。此外，驱动器可以将记录写入连接的可移动记录介质。

(通信接口968)

通信接口968用作通信单元340，用于例如经由上述网络70(或直接)与诸如服务器30等外部装置进行有线或无线通信。在此处，通信接口968例如是通信天线、射频(RF)电路(无线通信)、IEEE 802.15.1端口和发送和接收电路(无线通信)、IEEE 802.11端口和发送和接收电路(无线通信)，或者局域网(LAN)终端和发送和接收电路(有线通信)。

(传感器980)

传感器980用作上述传感器单元120。此外，传感器980可以包括各种传感器，例如，压力传感器。

上面已经描述了信息处理设备900的示例性硬件配置。注意，信息处理设备900的硬件配置不限于图34所示的配置。具体地，每个组件可以通过使用通用元件来形成，或者可以是专用于每个组件的功能的硬件。这种配置可以根据实施时的技术水平适当改变。

例如，在经由连接的外部通信装置与外部装置通信的情况下，并且在以独立方式执行处理的配置的情况下，信息处理设备900不需要包括通信接口968。此外，通信接口968可以具有能够通过多种通信方法与一个或两个或多个外部装置通信的配置。此外，例如，信息处理设备900可以具有不包括记录介质956、操作输入装置960、显示装置962等的配置。

此外，根据本实施例的信息处理设备900可以应用于例如在附接到网络(或装置之间的通信)的前提下包括多个装置的系统，例如，云计算。即，根据上述本实施例的信息处理设备900可以被实现为例如用于由多个装置执行根据本实施例的信息处理方法的处理的信息处理系统1。

<<6.补充>>

注意，上述本公开的实施例可以包括例如用于使计算机用作根据本实施例的信息处理设备的程序和记录该程序的非暂时有形介质。此外，程序可以经由诸如互联网(包括无线通信)等通信线路分发。

此外，不需要以上述顺序处理上述每个实施例中的处理中的每个步骤。例如，可以以适当改变的顺序处理每个步骤。此外，每个步骤可以部分并行处理或单独处理，而不是以时序方式处理。此外，不需要沿着所描述的方法在每个步骤中执行处理方法，并且例如可以由其他功能单元通过其他方法来处理。

上面已经参考附图详细描述了本公开的优选实施例。然而，本公开的技术范围不限于该示例。显然，在本公开的技术领域中具有普通知识的人可以在权利要求中描述的技术思想的范围内做出各种变化和修改。应当理解，这些变化和修改自然属于本公开的技术范围。

此外，本说明书中描述的效果仅仅是说明性和示例性的，而不是限制性的。即，根据本公开的技术可以与上述效果一起或代替上述效果，从本说明书中的描述中显示出对本领域技术人员显而易见的其他效果。

注意，以下配置也属于本公开的技术范围。

(1)一种信息处理设备，包括：获取单元，其被配置为获取用户的身体特征；以及估计器，其基于搏动率和消耗能量之间的关系，其中，所述估计器根据用户的身体特征，根据用户的搏动率来估计用户进行的活动消耗的能量。

(2)根据(1)所述的信息处理设备，其中，所述估计器根据由用户进行的活动的锻炼强度的变化引起的用户心跳率的波动模式来估计消耗的能量。

(3)根据(2)所述的信息处理设备，其中，所述估计器根据由用户进行的活动的锻炼强度的变化引起的用户心跳率的增强现象的模式来估计消耗的能量。

(4)根据(1)所述的信息处理设备，进一步包括：多个估计器，其中，根据用户的身体特征选择一个估计器，并且由所选择的估计器估计消耗的能量。

(5)根据(4)所述的信息处理设备，其中，根据由用户进行的活动的锻炼强度的变化引起的用户的搏动率的波动模式和与每个估计器相关联的预定锻炼强度的变化引起的搏动率的波动模式之间的比较结果，来选择所述估计器。

(6)根据(4)所述的信息处理设备，其中，基于由用户进行的活动的锻炼强度的变化引起的用户的搏动率的波动模式，搜索用户的搏动率的波动模式所属的聚类，并且选择与搜索到的聚类相关联的估计器。

(7)根据(6)所述的信息处理设备，其中，通过使用由用户进行的活动的锻炼强度的变化引起的用户的搏动率的波动模式、与搏动率的波动模式相对应的消耗能量的波动模式、以及用户的通过将搏动率的波动模式输入到每个估计器中而估计的消耗能量的波动模式，计算每个估计器的每个估计似然性，并通过比较所计算的估计似然性，来搜索用户跳动率的波动模式所属的聚类。

(8)根据(7)所述的信息处理设备，其中，搜索增强估计似然性的参数。

(9)根据(6)至(8)中任一项所述的信息处理设备，还包括学习装置，所述学习装置被配置为通过使用由属于所述聚类的预定锻炼强度的变化引起的搏动率的波动模式和与搏动率的波动模式相对应的消耗能量的波动模式，来对每个聚类的搏动率和消耗能量之间的关系进行机器学习。

(10)根据(2)或(3)所述的信息处理设备，其中，由附接到用户的加速度计获取所述锻炼强度的变化。

(11)根据(2)或(3)所述的信息处理设备，还包括指令单元，所述指令单元被配置为提示用户执行预定锻炼，以便获取由锻炼强度的变化引起的用户的搏动率的波动模式。

(12)根据(1)至(11)中任一项所述的信息处理设备，还包括通知单元，所述通知单元被配置为向用户通知估计的消耗能量。

(13)根据(12)所述的信息处理设备，其中，所述通知单元基于所估计的消耗能量向用户进行通知，用于向用户推荐预定锻炼。

(14)根据(4)所述的信息处理设备，还包括通知单元，所述通知单元被配置为在根据用户的身体特征选择除了过去选择的估计器之外的估计器的情况下，向用户进行通知。

(15)根据(1)至(14)中任一项所述的信息处理设备，其中，由附接到用户的搏动率计或脉搏计获取所述搏动率。

(16)根据(1)至(15)中任一项所述的信息处理设备，其中，所述信息处理设备包括附接到用户身体的穿戴式终端或插入到用户身体中的植入终端中的一个。

(17)一种信息处理方法，包括：获取用户的身体特征；并且根据用户的身体特征，基于搏动率和消耗能量之间的关系，根据用户的搏动率来估计用户进行的活动消耗的能量。

(18)一种程序，用于促使计算机实现：用于获取用户的身体特征的功能；以及用于根据用户的身体特征，基于搏动率和消耗能量之间的关系，根据用户的搏动率来估计用户进行的活动消耗的能量的功能。

附图符号列表

1信息处理系统

10、10a、10b穿戴式装置

12L、12R主体部分

14颈圈

16触摸面板显示器

18扬声器

20麦克风

30服务器

50、50a用户终端

52跑步机

54附接装置

70网络

90、92时间变化

92a、92b部分

100、300、500输入单元

110、310、510输出单元

120传感器单元

130、330、530控制单元

132学习单元

134分类单元

136估计单元

140、340、540通信单元

150、350存储单元

234、238、240数据库

236似然性估计器

400、402、404、406时间序列数据

408估计似然性

410参数

420标签

800、802、804、806、808、810、812、814、820、822、824、826、828、830画面

900信息处理设备

950CPU

952ROM

954RAM

956记录介质

958输入/输出接口

960操作输入装置

962显示装置

964语音输出装置

966语音输入装置

968通信接口

970总线

980传感器。

Claims (16)

1.一种信息处理设备，包括：

多个估计器；

获取单元，被配置为获取用户的身体特征，其中，所述身体特征包括心肺功能；以及

分类单元，被配置为根据所述多个估计器的每个估计器的消耗能量的波动模式与搏动率波动模式之间的关联与由所述用户执行的活动的锻炼强度的变化引起的搏动率波动模式之间的比较，从所述多个估计器中选择估计器，其中，

根据所述用户的所述身体特征由所选择的所述估计器根据所述用户的搏动率来估计所述用户进行的所述活动所消耗的消耗能量，其中，所述搏动率包括心率和脉搏率。

2.根据权利要求1所述的信息处理设备，其中，所述估计器根据由所述用户进行的所述活动的锻炼强度的变化引起的所述用户的所述搏动率的波动模式来估计所述消耗能量。

3.根据权利要求2所述的信息处理设备，其中，所述估计器根据由所述用户进行的所述活动的锻炼强度的变化引起的所述用户的心率的增加现象的模式来估计所述消耗能量。

4.根据权利要求1所述的信息处理设备，其中，基于由所述用户进行的活动的锻炼强度的变化引起的所述用户的搏动率的波动模式，搜索所述用户的搏动率的波动模式所属的聚类，并且选择与搜索到的所述聚类相关联的所述估计器。

5.根据权利要求4所述的信息处理设备，其中，通过使用由所述用户进行的活动的锻炼强度的变化引起的所述用户的搏动率的波动模式、与所述搏动率的波动模式相对应的消耗能量的波动模式、以及所述用户的通过将所述搏动率的波动模式输入到每个所述估计器中所估计的消耗能量的波动模式，计算每个所述估计器的每个估计似然性，并通过比较所计算的估计似然性，来搜索所述用户的搏动率的波动模式所属的聚类。

6.根据权利要求5所述的信息处理设备，其中，搜索增强所述估计似然性的参数。

7.根据权利要求4所述的信息处理设备，还包括：学习装置，所述学习装置被配置为通过使用由属于所述聚类的预定锻炼强度的变化引起的搏动率的波动模式以及与所述搏动率的波动模式相对应的消耗能量的波动模式，对每个聚类的搏动率和消耗能量之间的关系进行机器学习。

8.根据权利要求2所述的信息处理设备，其中，由附接到所述用户的加速度计获取所述锻炼强度的变化。

9.根据权利要求2所述的信息处理设备，还包括：指令单元，所述指令单元被配置为提示所述用户执行预定锻炼，以便获取由锻炼强度的变化引起的所述用户的搏动率的波动模式。

10.根据权利要求1所述的信息处理设备，还包括：通知单元，所述通知单元被配置为向所述用户通知估计的所述消耗能量。

11.根据权利要求10所述的信息处理设备，其中，所述通知单元基于所估计的所述消耗能量向所述用户进行通知，用于向所述用户推荐预定锻炼。

12.根据权利要求1所述的信息处理设备，还包括：通知单元，所述通知单元被配置为在根据所述用户的身体特征选择除了过去选择的估计器之外的估计器的情况下，向所述用户进行通知。

13.根据权利要求1所述的信息处理设备，其中，由附接到所述用户的心率计或脉搏计获取所述搏动率。

14.根据权利要求1所述的信息处理设备，其中，所述信息处理设备包括：附接到所述用户的身体的穿戴式终端或插入到所述用户的身体中的植入终端中的一者。

15.一种信息处理方法，包括：

获取用户的身体特征，其中，所述身体特征包括心肺功能；并且

根据多个估计器的每个估计器的消耗能量的波动模式与搏动率波动模式之间的关联与由所述用户执行的活动的锻炼强度的变化引起的搏动率波动模式之间的比较，从所述多个估计器中选择估计器，

其中，由所选择的所述估计器根据所述用户的所述身体特征，基于搏动率和消耗能量之间的关系，根据所述用户的所述搏动率估计所述用户进行的活动的消耗能量，其中，所述搏动率包括心率和脉搏率。

16.一种非易失性计算机可读介质，存储程序，当所述程序被计算机执行时，用于使所述计算机实现：

用于获取用户的身体特征的功能，其中，所述身体特征包括心肺功能；以及

根据多个估计器的每个估计器的消耗能量的波动模式与搏动率波动模式之间的关联与由所述用户执行的活动的锻炼强度的变化引起的搏动率波动模式之间的比较，从所述多个估计器中选择估计器的功能，其中，由所选择的所述估计器根据所述用户的所述身体特征，基于搏动率和消耗能量之间的关系，根据所述用户的所述搏动率估计所述用户进行的活动的消耗能量的功能，其中，所述搏动率包括心率和脉搏率。

Images