CN116097365A - 生物体信息运算系统、服务器和数据结构 - Google Patents
生物体信息运算系统、服务器和数据结构 Download PDFInfo
- Publication number
- CN116097365A CN116097365A CN202180054231.9A CN202180054231A CN116097365A CN 116097365 A CN116097365 A CN 116097365A CN 202180054231 A CN202180054231 A CN 202180054231A CN 116097365 A CN116097365 A CN 116097365A
- Authority
- CN
- China
- Prior art keywords
- data
- unit
- biological information
- evaluation
- pulse wave
- 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.)
- Pending
Links
- 238000011156 evaluation Methods 0.000 claims abstract description 598
- 238000004364 calculation method Methods 0.000 claims abstract description 115
- 238000012545 processing Methods 0.000 claims description 188
- 230000001133 acceleration Effects 0.000 claims description 47
- 230000010365 information processing Effects 0.000 claims 4
- 238000000605 extraction Methods 0.000 description 180
- 238000000034 method Methods 0.000 description 155
- 210000004369 blood Anatomy 0.000 description 120
- 239000008280 blood Substances 0.000 description 120
- 230000008569 process Effects 0.000 description 118
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 94
- 239000008103 glucose Substances 0.000 description 94
- 238000010606 normalization Methods 0.000 description 58
- 238000003672 processing method Methods 0.000 description 52
- 238000004891 communication Methods 0.000 description 48
- 238000013075 data extraction Methods 0.000 description 48
- 238000001914 filtration Methods 0.000 description 39
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 34
- 238000005259 measurement Methods 0.000 description 33
- 238000000611 regression analysis Methods 0.000 description 31
- 238000010586 diagram Methods 0.000 description 29
- 238000012986 modification Methods 0.000 description 29
- 230000004048 modification Effects 0.000 description 29
- 238000001514 detection method Methods 0.000 description 27
- 238000012805 post-processing Methods 0.000 description 26
- 239000001569 carbon dioxide Substances 0.000 description 17
- 229910002092 carbon dioxide Inorganic materials 0.000 description 17
- 239000000284 extract Substances 0.000 description 16
- 238000004458 analytical method Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 13
- 229910052760 oxygen Inorganic materials 0.000 description 8
- 239000001301 oxygen Substances 0.000 description 8
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 7
- 230000036772 blood pressure Effects 0.000 description 7
- 230000004069 differentiation Effects 0.000 description 7
- 238000007781 pre-processing Methods 0.000 description 7
- 238000005070 sampling Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- JVTAAEKCZFNVCJ-UHFFFAOYSA-N lactic acid Chemical compound CC(O)C(O)=O JVTAAEKCZFNVCJ-UHFFFAOYSA-N 0.000 description 6
- 239000013307 optical fiber Substances 0.000 description 6
- 238000012935 Averaging Methods 0.000 description 5
- 206010012601 diabetes mellitus Diseases 0.000 description 5
- 230000006872 improvement Effects 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 206010003210 Arteriosclerosis Diseases 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 4
- 208000011775 arteriosclerosis disease Diseases 0.000 description 4
- 230000002068 genetic effect Effects 0.000 description 4
- 230000003862 health status Effects 0.000 description 4
- 238000013186 photoplethysmography Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 229940079593 drug Drugs 0.000 description 3
- 239000003814 drug Substances 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 230000002218 hypoglycaemic effect Effects 0.000 description 3
- 239000004310 lactic acid Substances 0.000 description 3
- 235000014655 lactic acid Nutrition 0.000 description 3
- 238000000691 measurement method Methods 0.000 description 3
- 238000011158 quantitative evaluation Methods 0.000 description 3
- 230000036387 respiratory rate Effects 0.000 description 3
- BVKZGUZCCUSVTD-UHFFFAOYSA-M Bicarbonate Chemical compound OC([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-M 0.000 description 2
- 101100493820 Caenorhabditis elegans best-1 gene Proteins 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000003345 hyperglycaemic effect Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000004321 preservation Methods 0.000 description 2
- 230000029058 respiratory gaseous exchange Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000009966 trimming Methods 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 241000282326 Felis catus Species 0.000 description 1
- 102000001554 Hemoglobins Human genes 0.000 description 1
- 108010054147 Hemoglobins Proteins 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 208000013016 Hypoglycemia Diseases 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 244000144972 livestock Species 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010238 partial least squares regression Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/021—Measuring pressure in heart or blood vessels
- A61B5/02108—Measuring pressure in heart or blood vessels from analysis of pulse wave characteristics
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/021—Measuring pressure in heart or blood vessels
- A61B5/022—Measuring pressure in heart or blood vessels by applying pressure to close blood vessels, e.g. against the skin; Ophthalmodynamometers
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02416—Detecting, measuring or recording pulse rate or heart rate using photoplethysmograph signals, e.g. generated by infrared radiation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/0245—Detecting, measuring or recording pulse rate or heart rate by using sensing means generating electric signals, i.e. ECG signals
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Cardiology (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Data Mining & Analysis (AREA)
- Signal Processing (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Vascular Medicine (AREA)
- Theoretical Computer Science (AREA)
- Psychiatry (AREA)
- Fuzzy Systems (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Optics & Photonics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Computational Linguistics (AREA)
- Pulmonology (AREA)
- Ophthalmology & Optometry (AREA)
- Business, Economics & Management (AREA)
Abstract
[课题]提供能够实现对生物体信息进行评价时的精度提高的生物体信息运算系统。[解决手段]生物体信息运算系统对用户的生物体信息进行评价,生物体信息运算系统具有:取得单元,其基于所述用户的脉搏波取得第1评价数据和第2评价数据;数据库;以及生成单元,其参照所述数据库,生成包含与所述第1评价数据对应的第1生物体信息的第1评价结果。在所述数据库中存储有分类信息,所述分类信息是通过将输入数据和参照数据的一对作为学习数据而使用多个所述学习数据生成的,其中,所述输入数据是基于预先取得的学习用脉搏波的数据,所述参照数据是包含与所述输入数据相关联的生物体信息的数据。
Description
技术领域
本发明涉及生物体信息运算系统、服务器和数据结构。
背景技术
以往,作为对用户的血糖值等生物体信息进行评价的方法,例如提出了专利文献1这样的方法。
在专利文献1中公开了如下的生物体信息估计装置及其方法:测量用户的加速度脉搏波,基于根据测量出的加速度脉搏波的波形信息通过侵入测量法测量出的血糖值与同时测量出的加速度脉搏波之间的相关关系,不使用分光分析,而以非侵入的方法提取用户的血糖值信息。
现有技术文献
专利文献
专利文献1:日本专利第6544751号公报
发明内容
发明要解决的课题
这里,期望提高对用户的生物体信息进行评价时的精度。
因此,本发明是鉴于上述问题点而提出的,其目的在于,提供能够实现对生物体信息进行评价时的精度提高的生物体信息运算系统、服务器和数据结构。
用于解决课题的手段
第1发明的生物体信息运算系统对用户的生物体信息进行评价,所述生物体信息运算系统的特征在于,具有:取得单元,其基于所述用户的脉搏波取得第1评价数据和第2评价数据;数据库,其存储有分类信息,所述分类信息是通过将输入数据和参照数据的一对作为学习数据而使用多个所述学习数据生成的,其中,所述输入数据是基于预先取得的学习用脉搏波的数据,所述参照数据是包含与所述输入数据相关联的生物体信息的数据;以及生成单元,其参照所述数据库,生成包含与所述第1评价数据对应的第1生物体信息的第1评价结果。
第2发明的生物体信息运算系统的特征在于,在第1发明中,所述生成单元生成包含与所述第2评价数据对应的与所述第1生物体信息不同种类的第2生物体信息的第2评价结果。
第3发明的生物体信息运算系统的特征在于,在第2发明中,所述生物体信息运算系统还具有保存单元,所述保存单元保存所述第1评价结果和所述第2评价结果。
第4发明的生物体信息运算系统的特征在于,在第2发明中,所述取得单元针对与基于所述用户的脉搏波的速度脉搏波和加速度脉搏波中的任意方相当的1个脉搏波数据分别实施不同种类的处理,由此取得所述第1评价数据和所述第2评价数据。
第5发明的生物体信息运算系统的特征在于,在第2发明中,所述分类信息包含使用不同种类的所述学习数据生成的第1分类信息和第2分类信息,所述生成单元参照所述第1分类信息,生成与所述第1评价数据对应的所述第1评价结果,所述生成单元参照所述第2分类信息,生成与所述第2评价数据对应的所述第2评价结果。
第6发明的生物体信息运算系统的特征在于,在第2发明中,所述生物体信息运算系统具有综合评价单元,所述综合评价单元取得表示所述用户的特征的附加信息,并基于所述第1评价结果、所述第2评价结果以及所述附加信息来生成对所述用户的特征进行了综合评价的综合评价结果。
第7发明的生物体信息运算系统的特征在于,在第1发明中,所述分类信息包含分别使用不同的所述学习数据计算出的多个按属性分类信息,所述生成单元包括:选择单元,其参照所述第2评价数据,在多个所述按属性分类信息中选择第1分类信息;以及按属性生成单元,其参照所述第1分类信息,生成与所述第1评价数据对应的所述第1评价结果。
第8发明的生物体信息运算系统的特征在于,在第7发明中,所述取得单元取得与基于所述脉搏波的速度脉搏波相当的数据作为所述第1评价数据,所述取得单元取得与基于所述脉搏波的加速度脉搏波相当的数据作为所述第2评价数据。
第9发明的生物体信息运算系统的特征在于,在第1发明中,所述生成单元基于所述脉搏波的特征,在所述分类信息中选择第1分类信息,所述生成单元参照所述第1分类信息,生成与所述第1评价数据对应的所述第1评价结果。
第10发明的生物体信息运算系统的特征在于,在第3发明中,所述生物体信息运算系统具有计算单元,所述计算单元基于由所述保存单元保存的所述第1评价结果和所述第2评价结果,生成对所述用户的特征进行了综合评价的综合评价结果。
第11发明的生物体信息运算系统的特征在于,在第3发明中,所述保存单元取得所述用户对所述第1评价结果和所述第2评价结果的内容进行了判定的判定结果,所述保存单元将所述判定结果、所述第1评价结果以及所述第2评价结果分别关联起来进行保存。
第12发明的生物体信息运算系统的特征在于,在第11发明中,所述生物体信息运算系统具有更新单元,所述更新单元基于保存在所述保存单元中的所述判定结果、所述第1评价结果以及所述第2评价结果,对所述分类信息进行更新。
第13发明的生物体信息运算系统的特征在于,在第1发明中,所述生物体信息运算系统具有:服务器,其保存有所述数据库,且通过所述生成单元来生成所述第1评价结果;以及生物体信息运算装置,其从所述服务器接收所述第1评价结果并进行显示。
第14发明的服务器的特征在于,所述服务器保存有权利要求1所述的所述第1评价结果。
第15发明的数据结构是在具有显示部、控制部以及存储部的计算机中使用的数据结构,且其存储于所述存储部,所述数据结构的特征在于,所述数据结构包含由第2发明中的生物体信息运算系统生成的所述第1评价结果和所述第2评价结果,在所述控制部生成对所述用户的特征进行了综合评价的综合评价结果时,使用所述第1评价结果和所述第2评价结果。
发明效果
根据第1发明~第13发明,取得单元基于用户的脉搏波取得第1评价数据和第2评价数据。此外,生成单元生成包含与第1评价数据对应的第1生物体信息的第1评价结果。即,多个评价数据是根据1个用户的脉搏波取得的。因此,在取得各评价数据时,能够排除由于脉搏波的计测条件引起的偏差。由此,能够实现对生物体信息进行评价时的精度提高。
根据第1发明~第13发明,生成单元参照数据库生成第1评价结果。此外,在数据库中存储有使用多个学习数据生成的分类信息。因此,在生成评价结果时,能够基于过去有实绩的脉搏波的特征与生物体信息之间的联系来生成定量的评价结果。由此,能够抑制伴随用户等的主观的评价的偏差。
特别地,根据第13发明,服务器通过生成单元生成第1评价结果。此外,生物体信息运算装置从服务器接收第1评价结果并进行显示。因此,针对生物体信息运算装置,能够减少生成评价结果时的负荷。由此,能够提高生物体信息运算装置的便利性。此外,不需要在生物体信息运算装置中保存数据库。由此,能够大幅减少生物体信息运算装置的数据保存容量。此外,通过将数据库保存于服务器,能够向多个生物体信息运算装置输出参照1个分类信息生成的评价结果。由此,能够削减伴随数据库的更新等维护而按照每个生物体信息运算装置对数据库进行更新的庞大的时间和费用。
根据第14发明,服务器能够保存实现了对生物体信息进行评价时的精度提高的第1评价结果。
根据第15发明,数据结构包含实现了对生物体信息进行评价时的精度提高的第1评价结果和第2评价结果,能够在生成综合评价结果时使用该数据结构。
附图说明
图1是示出第1实施方式中的生物体信息运算系统的一例的示意图。
图2是示出第1实施方式中的生物体信息运算系统的动作的一例的示意图。
图3的(a)是示出分类信息的一例的示意图,图3的(b)是示出分类信息的另一例的示意图。
图4的(a)~图4的(d)是示出针对传感器数据的处理的例子的示意图。
图5的(a)是示出生物体信息运算装置的结构的一例的示意图,图5的(b)是示出生物体信息运算装置的功能的一例的示意图。
图6的(a)和图6的(b)是示出传感器的一例的示意图。
图7是示出第1实施方式中的生物体信息运算系统的动作的一例的流程图。
图8是示出第2实施方式中的生物体信息运算系统的动作的一例的示意图。
图9是示出第2实施方式中的生物体信息运算系统的动作的变形例的示意图。
图10是示出第3实施方式中的生物体信息运算系统的动作的一例的示意图。
图11是示出第4实施方式中的生物体信息运算系统的动作的一例的示意图。
图12是示出与加速度脉搏波相当的数据的分类例的示意图。
图13是示出与速度脉搏波相当的数据的分类例的示意图。
图14是示出第4实施方式中的生物体信息运算系统的动作的第1变形例的示意图。
图15是示出第4实施方式中的生物体信息运算系统的动作的第2变形例的示意图。
图16是示出第4实施方式中的生物体信息运算系统的动作的第3变形例的示意图。
图17是示出第5实施方式中的生物体信息运算系统的动作的一例的示意图。
图18是示出第6实施方式中的生物体信息运算系统的动作的一例的示意图。
图19是示出用于实现第7实施方式中的电子设备的生物体信息运算程序的顺序的图。
图20是示出第1提取部和第1数据取得部的一例的示意图。
图21是示出第2提取部和第2数据取得部的一例的示意图。
图22是示出第7实施方式中的生物体信息运算系统的动作的一例的流程图。
图23是示出用于实现第8实施方式中的电子设备的生物体信息运算程序的顺序的图。
图24是示出分类数据提取部的一例的示意图。
图25是示出评价用数据提取部的一例的示意图。
图26是示出第8实施方式中的生物体信息运算系统的动作的一例的流程图。
具体实施方式
下面,参照附图对本发明的实施方式中的生物体信息运算系统、服务器和数据结构的一例进行说明。
(第1实施方式:生物体信息运算系统100)
图1是示出第1实施方式中的生物体信息运算系统100的一例的示意图。
生物体信息运算系统100用于对用户的生物体信息进行评价。生物体信息运算系统100取得基于用户的脉搏波的多个评价数据,生成包含与评价数据对应的生物体信息的评价结果。即,多个评价数据是根据1个用户的脉搏波取得的。因此,在取得各评价数据时,能够排除由于脉搏波的计测条件引起的偏差。例如,也可以基于1个评价数据的特征来确定其他评价数据的处理条件。此外,也可以根据多个评价数据分别生成不同的评价结果。无论哪一种情况,都使用1个用户的脉搏波来实施,因此能够抑制测量条件的影响。因此,能够实现对生物体信息进行评价时的精度提高。
特别地,本实施方式中的生物体信息运算系统100根据基于用户的脉搏波的多个评价数据,生成分别包含不同种类的生物体信息的多个评价结果。即,能够基于从用户计测出的1个脉搏波,生成包含多种生物体信息的评价结果。另外,“生物体信息”例如表示能够根据脉搏波而估计出的血液的特征、身体的特征等。
作为生物体信息,例如除了使用血中二氧化碳的特征以外,例如使用血糖值、血压、氧饱和度、乳酸值、脉搏数、呼吸数、压力水平、血管年龄、糖尿病的程度等。另外,“血中二氧化碳的特征”表示用户的血液中所含的二氧化碳的程度。作为血中二氧化碳的特征,例如除了使用血中二氧化碳分压(PaCO2)的值以外,还可以使用血中二氧化碳的溶解浓度、血液中所含的重碳酸盐/碳酸氢盐(HCO3 -)的浓度,也可以根据状况使用考虑了血液的pH的值。
例如如图1所示,生物体信息运算系统100具有生物体信息运算装置1,例如也可以具有传感器5和服务器4中的至少任意一方。生物体信息运算装置1例如经由通信网3与传感器5、服务器4连接。
在生物体信息运算系统100中,例如如图2的(a)所示,生物体信息运算装置1取得由传感器5等生成的传感器数据。传感器数据表示包含在特定的期间内计测出的1个用户的脉搏波的特征的数据。然后,生物体信息运算装置1对取得的1个传感器数据实施滤波处理等预处理,取得多个评价数据(例如第1评价数据和第2评价数据)。即,生物体信息运算装置1在取得各评价数据时,针对1个传感器数据分别实施不同种类的预处理。
生物体信息运算装置1参照数据库,针对各评价数据分别计算不同种类的生物体信息(例如第1生物体信息和第2生物体信息)。然后,生物体信息运算装置1生成分别包含不同种类的生物体信息的多个评价结果(例如第1评价结果和第2评价结果)。即,多个生物体信息是基于1个用户的脉搏波被计算出的。因此,在计算各生物体信息时,能够排除由于脉搏波的计测条件引起的偏差。由此,能够实现对生物体信息进行评价时的精度提高。
这里,生物体信息运算装置1在计算与各评价数据对应的生物体信息时,参照数据库。在数据库中存储有使用多个学习数据生成的分类信息。
例如如图3的(a)所示,分类信息是通过将基于过去取得的学习用脉搏波的输入数据和包含与输入数据相关联的生物体信息的参照数据的一对作为学习数据而使用多个学习数据生成的。因此,在计算生物体信息时,能够基于过去有实绩的脉搏波的特征与生物体信息之间的联系来生成定量的各评价结果。由此,能够抑制伴随用户等的主观的评价的偏差。
另外,例如如图3的(b)所示,分类信息也可以包含使用不同种类的学习数据生成的多个分类信息(例如第1分类信息和第2分类信息)。该情况下,能够根据每个评价数据的种类而参照最佳的分类信息来生成各评价结果。
生物体信息运算装置1将生成的多个评价结果保存于服务器4等。由此,能够容易地实现各评价结果的二次利用。
生物体信息运算装置1例如将生成的各评价结果输出到显示器等。由此,用户能够掌握所生成的多个评价结果。
另外,在生物体信息运算系统100中,例如也可以从传感器5等取得多个评价数据。该情况下,从传感器数据取得多个评价数据的预处理由传感器5等来实施。
<传感器数据>
传感器数据包含表示用户的脉搏波的特征的数据,例如也可以包含表示脉搏波以外的特征的数据(噪声)。传感器数据是表示与测量时间对应的振幅的数据,通过实施与用途、传感器数据的生成条件相应的滤波处理,能够根据传感器数据来取得与加速度脉搏波、速度脉搏波等相当的数据。
传感器数据可由应变传感器、陀螺仪传感器、光电容积脉搏波(PPG)传感器、压力传感器等公知的传感器生成。除了数字信号以外,传感器数据例如也可以是模拟信号。另外,生成传感器数据时的测量时间例如是与脉搏波的1~20周期相应的测量时间,能够根据传感器数据的处理方法、数据通信方法等条件任意地设定。
<评价数据>
评价数据表示用于计算生物体信息的数据。评价数据例如表示与基于用户的脉搏波的加速度脉搏波相当的数据,表示与特定的周期(例如1个周期)对应的振幅。
评价数据是通过由生物体信息运算装置1等对传感器数据实施处理(预处理)而取得的。例如如图4的(a)~图4的(d)所示,通过对传感器数据实施多个处理,能够得到评价数据。关于各处理的详细内容,在后面说明。
<数据库>
数据库主要是在计算与评价数据对应的评价结果时使用。在数据库中,除了存储1个以上的分类信息以外,例如也可以存储用于生成分类信息的多个学习用数据。
分类信息例如是表示预先取得的过去的评价数据(输入数据)与包含生物体信息的参照数据之间的相关关系的函数。分类信息例如表示如下的校准模型,该校准模型是通过以输入数据为说明变量、以参照数据为目标变量而利用回归分析等进行解析并基于该解析结果而生成的。关于分类信息,例如除了能够定期地更新校准模型以外,还可以按照用户的性别、年龄、运动内容等属性信息来生成。
作为在生成分类信息时使用的回归分析的方法,例如能够使用PLS(PartialLeastSquares:偏最小二乘法)回归分析、利用了按照每个类别进行主成分分析而得到主成分模型的SIMCA(Soft Independent Modeling of Class Analogy:相似分类法)的回归分析等。
分类信息例如也可以包含通过使用了多个学习用数据的机器学习而生成的学习完毕模型。学习完毕模型除了表示例如CNN(Convolutional Neural Network:卷积神经网络)等神经网络模型之外,还表示SVM(Support vector machine:支持向量机)等。另外,作为机器学习,例如能够使用深度学习。
输入数据使用与评价数据相同种类的数据,例如表示对应的生物体信息明确的过去的评价数据。例如,让被检者佩戴上传感器5等,生成表示学习用脉搏波的特征的传感器数据(学习用传感器数据)。然后,通过对学习用传感器数据实施处理,能够取得输入数据。此外,除了从生物体信息运算系统100的用户取得输入数据之外,例如也可以从与该用户不同的用户取得输入数据。即,上述的被检者除了是生物体信息运算系统100的用户以外,也可以将该用户以外的用户作为对象,也可以是特定或者非特定的多位用户。
输入数据例如优选按照与在取得评价数据时使用的传感器5等的种类、传感器数据的生成条件、以及针对传感器数据的处理条件同样的内容来取得。例如通过统一上述3个内容,能够飞跃性地提高生成生物体信息时的精度。
参照数据包含使用计测装置等计测出的被检者的生物体信息。例如在让被检者佩戴传感器5等而生成学习用传感器数据时,通过计测被检者的血中二氧化碳的特征等这样的生物体信息,能够取得与输入数据相关联的参照数据。该情况下,优选计测生物体信息的时机与生成学习用传感器数据的时机为同时,但例如也可以是前后相隔1~10分左右的时机。
参照数据使用公知的计测装置来计测。例如在计测血中二氧化碳浓度的特征的情况下,作为计测装置,使用经皮血液气体监测器TCM5(Radiometer Basel公司制造)等装置。例如在计测血中乳酸量的情况下,作为计测装置,使用Lactate Pro 2(ARKRAY公司制造)等公知的装置。例如在计测氧饱和度的情况下,作为计测装置,使用PULSOX-Neo(KONICAMINOLTA公司制造)等公知的装置。
<生物体信息>
在生物体信息运算系统100中计算的生物体信息作为与参照数据相同种类的数据而被计算出。生物体信息是通过参照分类信息而作为与参照数据相同或相似的数据而被计算出的。在生物体信息运算系统100中,例如沿着任意的时间序列分别取得多个评价数据,生成与各评价数据对应的多个生物体信息。此外,在生物体信息运算系统100中,例如也可以在任意的时机取得多个评价数据,计算与各评价数据对应的多个生物体信息。
<评价结果>
评价结果包含由生物体信息运算装置1计算出的用户的生物体信息。在评价结果中,除了包含生物体信息以外,例如也可以包含与预先设定的阈值的比较结果。评价结果例如也可以包含基于沿着时间序列的多个生物体信息导出的值。在评价结果中,例如也可以包含“健康”、“需要运动”、“无氧运动中”等这样的表示用户的健康状态、与维持健康有关的建议、与运动能力的倾向对应的评价的信息。由此,能够容易地掌握多个生物体信息各自的经时变化。例如,通过输出评价结果,能够掌握用户的生物体信息。
<生物体信息运算装置1>
生物体信息运算装置1例如表示个人计算机(PC)、移动电话、智能手机、平板型终端、可穿戴终端等电子设备,例如表示能够基于用户的操作经由通信网3进行通信的电子设备。另外,生物体信息运算装置1也可以内置传感器5。下面,对使用PC作为生物体信息运算装置1的情况下的一例进行说明。
图5的(a)是示出生物体信息运算装置1的结构的一例的示意图,图5的(b)是示出生物体信息运算装置1的功能的一例的示意图。
例如如图5的(a)所示,生物体信息运算装置1具有壳体10、CPU(CentralProcessing Unit:中央处理单元)101、ROM(Read Only Memory:只读存储器)102、RAM(Random Access Memory:随机存取存储器)103、保存部104以及I/F105~107。各结构101~107通过内部总线110连接。
CPU101对生物体信息运算装置1的整体进行控制。ROM102存储CPU101的动作代码。RAM103是在CPU101的动作时使用的作业区域。保存部104存储数据库、评价数据等各种信息。作为保存部104,例如除了使用HDD(Hard Disk Drive:硬盘驱动器)以外,还使用SSD(Solid State Drive:固态硬盘)等数据保存装置。另外,例如生物体信息运算装置1也可以具有未图示的GPU(Graphics Processing Unit:图形处理单元)。
I/F105是用于经由通信网3根据需要与服务器4、传感器5等进行各种信息的收发的接口。I/F106是用于与输入部108进行信息的收发的接口。作为输入部108,例如使用键盘,生物体信息运算装置1的用户等经由输入部108输入各种信息或生物体信息运算装置1的控制命令等。I/F107是用于与显示部109进行各种信息的收发的接口。显示部109显示保存部104中保存的各种信息或评价结果等。作为显示部109,使用显示器,例如在是触摸面板式的情况下,与输入部108一体地设置。
图5的(b)是示出生物体信息运算装置1的功能的一例的示意图。生物体信息运算装置1具有取得部11、生成部12、评价部13以及输出部14,例如也可以具有学习部15。另外,图5的(b)所示的各功能通过CPU101将RAM103作为作业区域而执行存储在保存部104等中的程序来实现。
<取得部11>
取得部11取得基于用户的脉搏波的多个评价数据。取得部11例如从传感器5等取得传感器数据后,对传感器数据实施处理,由此取得评价数据。取得部11分别实施不同种类的处理,从而针对1个传感器数据取得多个评价数据。
例如如图4的(b)所示,取得部11对所取得的传感器数据实施滤波处理(过滤处理)。在滤波处理中,例如使用0.5~5.0Hz的带通滤波器。由此,取得部11提取与用户的脉搏波相当的数据(脉搏波数据)。脉搏波数据表示例如与速度脉搏波相当的数据。此外,脉搏波数据例如也可以表示与加速度脉搏波或者容积脉搏波相当的数据,能够根据传感器的种类、用途任意地设定。另外,带通滤波器的滤波范围能够根据用途任意地设定。
取得部11例如对脉搏波数据实施微分处理。例如,在对与速度脉搏波相当的脉搏波数据实施微分处理的情况下,取得部11取得与加速度脉搏波相当的数据(微分数据)。此外,在微分处理中,除了1次微分之外,也可以实施2次微分。
取得部11例如对微分数据实施分割处理。在分割处理中,例如将与多个周期的加速度脉搏波相当的微分数据分割为与每一个周期的加速度脉搏波相当的数据(分割数据)。因此,取得部11例如通过对1个微分数据实施微分处理,能够取得多个分割数据。此外,在分割处理中,能够根据用途按任意的周期(例如周期的正数倍)分割微分数据。
例如在分割处理中,存在分割后的各分割数据中的数据量分别不同的情况。在该情况下,取得部11也可以确定数据量最少的分割数据,并对其他分割数据实施数据量的削减(修整:trimming)。由此,能够统一各分割数据中的数据量,各分割数据中的数据的对比变得容易。
除了上述以外,例如也可以将分割数据的与时间轴对应的值作为对象来实施归一化处理。在归一化处理中,例如实施将与时间轴对应的值的最小值设为0、将最大值设为1的归一化。由此,各分割数据中的数据的对比变得容易。
取得部11例如也可以对实施了数据量的削减或归一化的多个分割数据中的平均进行计算,并将其作为分割数据。
取得部11对分割数据实施归一化处理。在归一化处理中,以与振幅对应的值为对象来生成归一化后的数据(归一化数据)。在归一化处理中,例如实施将振幅的最低值设为0、将振幅的最高值设为1的归一化。取得部11例如取得归一化数据作为评价数据(例如评价数据A)。在该情况下,作为评价数据A,得到与用户的加速度脉搏波相当的数据。
取得部11除了依次实施上述的各处理以外,例如如图4的(b)所示,也可以不实施微分处理。该情况下,作为评价数据(例如评价数据B),得到与用户的速度脉搏波相当的数据。
另外,取得部11例如也可以仅实施上述的各处理的一部分。在该情况下,取得部11也可以取得脉搏波数据、微分数据、分割数据、修整后的分割数据、以及将与时间轴对应的值归一化而得到的分割数据中的任意数据作为评价数据,并且能够根据用途任意地设定。
例如如图4的(c)所示,取得部11也可以取得与计算脉搏数作为生物体信息的情况相适的评价数据C。
该情况下,取得部11对传感器数据实施上述的滤波处理,提取脉搏波数据。然后,取得部11对脉搏波数据实施峰值位置计算处理。在峰值位置计算处理中,检测脉搏波数据中包含的多个峰值(振幅的最大值),确定采样的顺序(相当于从测量开始起的时间)。由此,取得部11取得脉搏波数据中包含的峰值位置数据。
然后,取得部11对峰值位置数据实施峰值间隔平均计算处理。在峰值间隔平均计算处理中,计算峰值位置数据中包含的峰值的间隔(相邻的峰值被采样的顺序的差分),例如计算峰值间隔的平均值。然后,取得部11将峰值间隔或峰值间隔的平均值除以传感器数据的采样率,取得表示与秒数相当的峰值间隔的数据作为评价数据(例如评价数据C)。
例如如图4的(d)所示,取得部11也可以取得与计算呼吸数作为生物体信息的情况相适的评价数据D。
该情况下,取得部11对传感器数据实施上述的滤波处理,提取脉搏波数据。之后,取得部11对脉搏波数据实施傅里叶变换处理。在傅里叶变换处理中,例如将表示采样时间对振幅的脉搏波数据变换为表示频率对强度的频率数据。由此,取得部11取得与脉搏波数据对应的频率数据。
之后,取得部11对频率数据实施最大频率检测处理。在最大频率检测处理中,确定频率数据中的0.15~0.35Hz之间的最大强度的频率。由此,取得部11取得确定出的频率的值作为评价数据D。
<生成部12>
生成部12参照数据库生成与评价数据对应的评价结果。生成部12例如参照数据库中存储的分类信息计算与评价数据对应的生物体信息,并将其作为评价结果来生成。生成部12生成多个分别与不同的多个评价数据中的每一个对应的评价结果。
生成部12例如也可以针对多个评价数据,参照相同的分类信息生成多个评价数据。该情况下,例如分别使用不同种类的预处理取得多个评价数据,由此,即使使用相同的分类信息,也能够分别计算不同种类的生物体信息。因此,不需要按照每个评价数据生成分类信息,能够抑制数据库的数据容量。
生成部12例如也可以针对多个评价数据,分别参照不同的分类信息计算多个生物体信息。该情况下,能够根据每个评价数据的种类参照最佳的分类信息来生成各评价结果。
生成部12例如也可以使用预先存储在保存部104等中的显示用的格式,来生成被转换为了用户能够对生物体信息进行理解的形式的评价结果。
<输出部13>
输出部13输出多个评价结果。输出部13除了向显示部109输出多个评价结果以外,例如还可以向传感器5等输出多个评价结果。
<存储部14>
存储部14根据需要来取出保存部104中保存的数据库等各种数据。存储部14根据需要来将由各结构11~13、15取得或生成的各种数据保存于保存部104。
存储部14例如也可以将与多个评价结果相关联的传感器数据保存于保存部104。例如存储部14也可以将使用传感器数据生成的多个评价数据也保存于保存部104。
<学习部15>
学习部15例如使用多个学习数据生成分类信息。学习部15例如也可以取得新的学习数据,并对现有的分类信息进行更新。
<通信网3>
通信网3是经由通信线路与生物体信息运算装置1、服务器4以及传感器5连接的公知的互联网等。当在一定的狭窄区域内运用生物体信息运算系统100的情况下,通信网3也可以由LAN(Local Area Network:局域网)等构成。此外,通信网3也可以由所谓的光纤通信网构成。此外,通信网3不限于有线通信网,也可以通过无线通信网实现,能够根据用途任意地设定。
<服务器4>
服务器4保存并蓄积经由通信网3发送来的评价结果等各种信息。服务器4基于来自生物体信息运算装置1的请求,经由通信网3将蓄积的信息发送到生物体信息运算装置1。
服务器4例如也可以与多个生物体信息运算装置1连接,从各生物体信息运算装置1取得评价结果等各种信息,一并进行保存。另外,服务器4也可以具有上述的生物体信息运算装置1具有的各功能中的至少一部分功能。此外,服务器4也可以存储有上述的生物体信息运算装置1中存储的数据库等。
<传感器5>
传感器5生成传感器数据。例如如图6的(a)所示,传感器5具有检测部6。传感器5安装于能够经由检测部6检测用户的脉搏波的位置,例如固定于腕带55。
检测部6使用能够检测用户的脉搏波的公知的检测装置。作为检测部6,例如使用光纤布拉格光栅(FBG)传感器等应变传感器、陀螺仪传感器、用于测量脉搏波信号的1个以上的电极、光电容积脉搏波(PPG)传感器、压力传感器以及光检测模块中的至少任意一个。检测部6例如也可以配置多个。
此外,传感器5也可以被嵌入衣服中。另外,佩戴传感器5的用户除了人以外,也可以将狗、猫等宠物作为对象,例如也可以将牛或猪等家畜、鱼等养殖物作为对象。
例如如图6的(b)所示,传感器5具备取得部50、通信I/F51、存储器52、命令部53,各结构分别通过内部总线54连接。
取得部50经由检测部6测量用户的脉搏波,并生成传感器数据。取得部50例如将生成的传感器数据发送到通信I/F51或存储器52。
通信I/F51经由通信网3将传感器数据等各种数据发送到生物体信息运算装置1、服务器4。另外,通信I/F51安装有用于与通信网3连接的线路控制电路、用于在与生物体信息运算装置1或服务器4之间进行数据通信的信号转换电路等。通信I/F51对来自内部总线54的各种命令实施转换处理,并将其向通信网3侧送出,在接收到来自通信网3的数据的情况下,对其实施规定的转换处理并向内部总线54发送。
存储器52保存从取得部50发送的传感器数据等各种数据。存储器52例如通过从经由通信网3连接的其他终端装置接收命令,来将保存的传感器数据等各种数据发送到通信I/F51。
命令部53包括用于取得传感器数据的操作按钮、键盘等,例如包括CPU等处理器。命令部53在受理了取得传感器数据的命令的情况下,将其通知给取得部50。接收到该通知的取得部50取得传感器数据。此外,例如如图4的(a)~图4的(d)所示,命令部53也可以实施用于根据传感器数据取得评价数据的处理。
在此,作为取得传感器数据的一例,对使用FBG传感器的情况进行说明。
FBG传感器在1根光纤内隔开规定间隔地形成衍射光栅结构。FBG传感器例如具有如下特征:传感器部分的长度为10mm、波长分辨率为±0.1pm、波长范围为1550±0.5nm、光纤的直径为145μm、芯径为10.5μm。能够将FBG传感器作为上述的检测部6,使其在与用户的皮肤接触的状态下进行测量。
作为用于光纤的光源,例如使用波长范围1525~1570nm的ASE(AmplifiedSpontaneous Emission:放大自发辐射)光源。来自光源的出射光经由环行器入射到FBG传感器。来自FBG传感器的反射光经由环行器引导至马赫-曾德尔干涉仪,通过光检测器检测来自马赫-曾德尔干涉仪的输出光。马赫-曾德尔干涉仪是用于通过分束器将光束分离为具有光路差的2个光路并再次通过分束器将它们叠加为一个而生成干涉光的仪器。为了形成光路差,例如也可以加长一方的光纤的长度。相干光根据光路差而产生干涉条纹,因此通过测量干涉条纹的图案,能够检测产生于FBG传感器的应变的变化、即脉搏波。取得部50基于检测到的脉搏波来生成传感器数据。由此,取得传感器数据。
此外,通过检测FBG传感器的应变量来检测脉搏波的波形的光纤传感器系统除了包括使光束入射到FBG传感器的光源之外,还包括宽波段的ASE光源、环行器、马赫-曾德尔干涉仪、分束器这样的光学系统、光检测器所具备的受光传感器、解析波长偏移量的解析方法。在光纤传感器系统中,能够根据所使用的FBG传感器的特性选择光源、频带光来进行使用,也能够对检波方法等解析方法采用各种方法。
<数据结构>
例如,包含由上述的生物体信息运算系统100生成的多个评价结果(例如第1评价结果和第2评价结果)的数据结构存储于服务器4或保存部104。数据结构被用于上述的生物体信息运算装置1(具有显示部109、CPU101(控制部)以及保存部104的计算机)。例如,在由CPU101控制的生成部12生成基于各评价结果的综合评价结果时,使用包含多个评价结果的数据结构。另外,关于综合评价结果,在后面说明。
(第1实施方式:生物体信息运算系统100的动作)
接着,对本实施方式中的生物体信息运算系统100的动作的一例进行说明。图7是示出本实施方式中的生物体信息运算系统100的动作的一例的流程图。
生物体信息运算系统100例如通过安装于生物体信息运算装置1内的生物体信息运算程序来执行。即,用户能够对生物体信息运算装置1或传感器5进行操作,通过安装于生物体信息运算装置1的生物体信息运算程序,从传感器数据取得多个包含用户的生物体信息的评价结果。
生物体信息运算系统100的动作具有取得步骤S110、生成步骤S120以及保存步骤S140,例如也可以具有输出步骤S130。
<取得步骤S110>
在取得步骤S110中,基于用户的脉搏波取得多个评价数据。例如传感器5的取得部50经由检测部6测量用户的脉搏波,生成传感器数据。取得部50经由通信I/F51和通信网3将传感器数据发送到生物体信息运算装置1。生物体信息运算装置1的取得部11从传感器5接收传感器数据。
取得部11例如对传感器数据实施图4的(a)和4的(b)所示的处理,取得第1评价数据和第2评价数据。取得部11例如经由存储部14将取得的各评价数据保存于保存部104。另外,取得部11从传感器5取得传感器数据的频度等条件能够根据用途任意地设定。例如取得部11以预先设定的周期取得各评价数据。
<生成步骤S120>
接着,在生成步骤S120中,参照数据库生成多个包含与各评价数据对应的生物体信息的评价结果。例如生成部12参照分类信息,计算与第1评价数据对应的血中二氧化碳分压的值作为第1生物体信息,计算与第2评价数据对应的血糖值作为第2生物体信息。生成部12生成包含第1生物体信息的第1评价结果和包含第2生物体信息的第2评价结果。
生成部12例如参照第1分类信息生成与第1评价数据对应的第1评价结果,参照第2分类信息生成与第2评价数据对应的第2评价结果。此时,第1分类信息和第2分类信息包含在分类信息中,通过分别使用不同种类的学习数据来生成。
生成部12例如经由存储部14将生成的各评价结果保存于保存部104。另外,作为各评价结果,除了示出特定的值以外,例如也可以计算误差范围(例如“○○±2mmHg”等)。
例如在计算脉搏数作为生物体信息的情况下,作为评价数据,例如使用图4的(c)所示的评价数据C,生成部12参照分类信息中包含的脉搏数用分类信息。脉搏数用分类信息例如表示将60[秒]除以峰值间隔的函数。因此,生成部12例如能够计算出与评价数据C(峰值间隔=0.85[秒])对应的脉搏数(=71[bpm])。由此,生成部12能够生成包含表示脉搏数的生物体信息的评价结果。
例如在计算呼吸数作为生物体信息的情况下,作为评价数据,例如使用图4的(d)所示的评价数据D,生成部12参照分类信息中包含的呼吸数用分类信息。呼吸数用分类信息例如表示对确定出的频率乘以60[秒]的函数。因此,生成部12例如能够计算与评价数据D(确定出的频率=0.225Hz)对应的呼吸数(=13.5[bpm])。由此,生成部12能够生成包含表示呼吸数的生物体信息的评价结果。
<输出步骤S130>
接着,例如在输出步骤S130中,也可以输出多个评价结果。例如输出部13向显示部109输出第1评价结果和第2评价结果。
<保存步骤S140>
接着,在保存步骤S140中,保存第1评价结果和第2评价结果。例如存储部14将第1评价结果和第2评价结果保存于保存部104。例如输出部13也可以将第1评价结果和第2评价结果经由通信网3输出到服务器4来进行保存。例如也可以在输出步骤S130之前实施保存步骤S140。
另外,在保存步骤S140中,例如也可以保存与多个评价结果相关联的传感器数据。该情况下,传感器数据被用于生成多个评价数据,表示用户的脉搏波的特征。
由此,生物体信息运算系统100的动作结束。另外,实施各步骤的频度、顺序能够根据用途任意地设定。
在生物体信息运算系统100中,例如除了在生物体信息运算装置1中实施上述的各步骤S110、S120以外,也可以在服务器4中实施至少一部分。该情况下,在上述的各步骤S110、S120中包含服务器4用于经由通信网3收发各种信息的处理。另外,生物体信息运算装置1与服务器4之间的通信能够使用公知的技术来实现。
例如在取得步骤S110中,服务器4也可以取得多个评价数据。该情况下,服务器4中包含的取得部取得经由通信网3从生物体信息运算装置1发送的多个评价数据。
服务器4中包含的取得部例如也可以取得从生物体信息运算装置1或传感器5发送的传感器数据,并实施上述的预处理,由此取得多个评价数据。该情况下,在生物体信息运算装置1中,能够减少实施上述的预处理的负荷。
例如在生成步骤S120中,服务器4也可以生成多个与各评价数据对应的评价结果。该情况下,服务器4中包含的生成部参照保存在服务器4中的数据库来生成多个评价结果。该情况下,在生物体信息运算装置1中,能够减少实施上述的生成多个评价结果的处理的负荷。
另外,当在服务器4中实施生成步骤S120的情况下,在输出步骤S130中,例如服务器4中包含的输出部经由通信网3向生物体信息运算装置1等发送多个评价结果。该情况下,生物体信息运算装置1的输出部13将接收到的多个评价结果输出到显示部109。
如上所述,生物体信息运算系统100中的各步骤S110~S140能够由生物体信息运算装置1或服务器4中的任意方实施。特别地,通过在服务器4中实施取得步骤S110和生成步骤S120,能够实现针对生物体信息运算装置1的负荷的减少等。另外,在后述的各实施方式中也是同样的,因此省略说明。
这里,在对用户的生物体信息进行评价时,期望一次性进行与多个生物体信息相关的评价。关于这一点,在现有技术中,在测量生物体信息中的血中二氧化碳饱和度、血红蛋白等时,是以使用2个容积脉搏波为前提的。因此,存在由于各容积脉搏波的计测条件引起的数据的偏差会对估计精度造成较大影响的情况。此外,在使用现有技术估计多个生物体信息的情况下,需要取得与生物体信息的数量、种类对应的多个容积脉搏波。因此,由于每个容积脉搏波的偏差引起的估计精度有可能会与为了对多个生物体信息进行估计而需要的容积脉搏波的数量成比例地降低。
与此相对,根据本实施方式,取得部11基于用户的脉搏波取得第1评价数据和第2评价数据。此外,生成部12分别生成包含与第1评价数据对应的第1生物体信息的第1评价结果、以及包含与第2评价数据对应的与第1生物体信息不同的种类的第2生物体信息的第2评价结果。即,第1生物体信息和第2生物体信息是基于1个用户的脉搏波被计算出的。因此,在计算各生物体信息时,能够排除由于脉搏波的计测条件引起的偏差。由此,能够实现对生物体信息进行评价时的精度提高。
此外,根据本实施方式,生成部12参照数据库生成第1评价结果和第2评价结果。此外,在数据库中存储有使用多个学习数据计算出的分类信息。因此,在生成各评价结果时,能够基于过去有实绩的脉搏波的特征与生物体信息之间的联系来生成定量的各评价结果。由此,能够抑制伴随用户等的主观的评价的偏差。
此外,根据本实施方式,取得部11针对与基于用户的脉搏波的速度脉搏波和加速度脉搏波中的任意方相当的1个脉搏波数据,分别实施不同种类的处理,由此取得第1评价数据和第2评价数据。因此,与使用光电式容积脉搏波的情况相比,能够使用抑制了噪声数据的影响的学习数据和各评价数据来实施评价。由此,能够实现高精度的评价。
此外,根据本实施方式,分类信息包含使用不同种类的学习数据生成的第1分类信息和第2分类信息。因此,能够根据每个评价数据的种类,参照最佳的分类信息来生成各评价结果。由此,能够实现对生物体信息进行评价时的进一步的精度提高。
此外,根据本实施方式,分类信息是使用以输入数据为说明变量、以参照数据为目标变量的PLS回归分析得到的校准模型。因此,与使用机器学习等计算分类信息的情况相比,能够大幅减少学习数据的数量,并且,能够容易地实施校准模型的更新。由此,能够实现生物体信息运算系统100的构建及更新的容易化。
此外,根据本实施方式,第1生物体信息表示血糖值,第2生物体信息表示血压、脉搏数、呼吸数、血中二氧化碳浓度的特征、乳酸值以及氧饱和度中的至少任意一个。因此,与现有的计测方法相比,不需要侵入式的计测方法,因此能够容易地取得各信息。由此,能够大幅减少对用户产生的负荷。
此外,根据本实施方式,存储部14或服务器4保存与第1评价结果和第2评价结果相关联的传感器数据。因此,在分类信息的更新、新生成时,能够容易地准备学习数据。由此,能够容易地实现生物体信息运算系统100的维护。
此外,根据本实施方式,服务器4通过其包含的生成部来生成第1评价结果和第2评价结果。此外,生物体信息运算装置1从服务器4接收第1评价结果和第2评价结果并进行显示。因此,针对生物体信息运算装置1,能够减少生成各评价结果时的负荷。由此,能够提高生物体信息运算装置1的便利性。此外,不需要在生物体信息运算装置1中保存数据库。由此,能够大幅减少生物体信息运算装置1的数据保存容量。此外,数据库保存于服务器4,由此能够向多个生物体信息运算装置1输出参照1个分类信息生成的评价结果。由此,能够削减伴随数据库的更新等维护而按照每个生物体信息运算装置1对数据库进行更新的庞大的时间和费用。
此外,根据本实施方式,服务器4能够保存实现了对生物体信息进行评价时的精度提高的第1评价结果和第2评价结果。
此外,根据本实施方式,数据结构包含实现了对生物体信息进行评价时的精度提高的第1评价结果和第2评价结果,能够在生成综合评价结果时使用第1评价结果和第2评价结果。
(第2实施方式:生物体信息运算系统100)
接着,对第2实施方式中的生物体信息运算系统100的一例进行说明。上述的实施方式和第2实施方式的不同之处在于,在第2实施方式中使用附加信息。另外,关于与上述的实施方式相同的内容,省略说明。
本实施方式中的生物体信息运算系统100例如具有综合评价步骤S150。在生物体信息运算系统100中,例如在上述的生成步骤S120之后实施综合评价步骤S150,在综合评价步骤S150之后实施保存步骤S140。
在综合评价步骤S150中,例如如图8所示,取得附加信息,基于多个评价结果(例如第1评价结果和第2评价结果)和附加信息来生成综合评价结果。综合评价步骤S150例如能够由生成部12中包含的综合评价部来执行。
附加信息表示用户的特征,例如表示与上述的生物体信息不同的信息。该情况下,作为附加信息,例如除了使用用户的性别、年龄等属性信息以外,还可以使用诊断结果、运动量等这样的确定用户的健康状态等的信息。关于附加信息,例如除了包含用户的病历、生活习惯、用药信息、动脉硬化的程度、遗传信息等信息以外,例如还可以包含周边环境的温度湿度、由安装于传感器5的加速度传感器测量出的加速度等这样的可能会与人体产生关联的信息。附加信息例如由用户经由输入部108等输入,由综合取得部等取得。
综合评价结果示出对用户的特征进行了综合评价的结果。综合评价结果例如示出对各评价结果中包含的生物体信息实施了基于附加信息的校正处理等的结果。例如在使用用户的年龄作为附加信息的情况下,预先设定的每个年龄段的基准值与各评价结果的比较结果作为综合评价结果被生成。
除了上述以外,作为综合评价结果,例如除了使用“血糖值高”、“血压高”、“运动能力高”、“抑制运动量更佳”等表示每个用户的特征的字符串以外,例如也可以使用与任意的基准值之间的差分、偏差值等数值。
此外,综合评价结果例如表示包含保险费的估计保险信息。关于估计保险信息,例如除了包含表示基于各评价结果估计出的保险费的值以外,例如也可以包含表示保险的种类等的字符串。要估计的保险费例如基于保险数理来计算。
综合评价部例如参照预先保存在保存部104等中的用户能够识别的数据形式来生成综合评价结果。综合评价部例如也可以参照后处理用数据库,生成与多个评价结果和附加信息相适的综合评价结果。后处理用数据库例如保存于保存部104。
在后处理用数据库中,例如与上述的数据库同样,也可以存储有用于生成与多个评价结果和附加信息对应的综合评价结果的后处理用分类信息。在后处理用数据库中,除了存储有1个以上的后处理用分类信息以外,例如也可以存储有用于生成后处理用分类信息的多个后处理用学习数据。
后处理用分类信息例如是表示预先取得的过去的多个评价结果及过去的附加信息(后处理用输入数据)和与后处理用输入数据相关联的后处理用参照数据之间的相关关系的函数。后处理用参照数据表示对用户的特征进行了综合评价的结果。后处理用分类信息是通过将后处理用输入数据和后处理用参照数据作为一对后处理用学习数据而使用多个后处理用学习数据生成的。
后处理用分类信息例如表示如下的校准模型,该校准模型是通过以后处理用输入数据为说明变量、以后处理用参照数据为目标变量而利用上述的回归分析等进行解析并基于该解析结果生成的校准模型。关于后处理用分类信息,例如除了能够定期地更新校准模型(后处理用校准模型)以外,例如也可以按照附加信息来生成。另外,与上述的分类信息同样,后处理用分类信息例如也可以包含通过使用多个后处理用学习数据的机器学习而生成的学习完毕模型(后处理用学习完毕模型)。
在保存步骤S140中,保存综合评价结果。在保存步骤S140中,通过执行与上述的实施方式相同的处理,在保存部104和服务器4中的至少任意一方中保存综合评价结果。
根据本实施方式,在上述的实施方式的效果的基础上,综合评价部基于第1评价结果、第2评价结果以及附加信息,生成对用户的特征进行了综合评价的综合评价结果。因此,能够实现针对各评价结果考虑了用户的特征的评价。由此,能够生成适合于每个用户的评价结果。
(第2实施方式:生物体信息运算系统100的变形例)
接着,对第2实施方式中的生物体信息运算系统100的变形例进行说明。上述的第2实施方式和变形例的不同之处在于,在变形例中,在生成步骤S120中取得上述的附加信息。另外,关于与上述的实施方式相同的内容,省略说明。
在本变形例中,例如如图9所示,在生成步骤S120中,取得附加信息,并基于第1评价数据和附加信息来生成第1评价结果。附加信息与上述的内容相同,例如由用户经由输入部108等输入,由生成部12等取得。
生成部12例如也可以根据附加信息的内容来决定针对第1评价数据的运算方法。该情况下,按照附加信息的每个种类而不同的函数等包含在分类信息中。另外,生成部12例如也可以基于组合了第1评价数据和附加信息的信息生成第1评价结果。
根据本变形例,生成部12取得附加信息,并基于第1评价数据和附加信息来生成第1评价结果。因此,能够生成在第1评价数据的基础上考虑了用户的特征的多方面的第1评价结果。由此,能够更高精度地生成针对用户的生物体信息的评价。
(第3实施方式:生物体信息运算系统100)
接着,对第3实施方式中的生物体信息运算系统100的一例进行说明。上述的实施方式和第3实施方式的不同之处在于,在第3实施方式中,在生成第2评价结果时,在第2评价数据的基础上,使用第1评价结果。另外,关于与上述的实施方式相同的内容,省略说明。
在本实施方式中的生物体信息运算系统100中,例如如图10所示,在生成步骤S120中,参照数据库,基于第1评价结果和第2评价数据来生成第2评价结果。例如生成部12在生成第1评价结果后生成第2评价结果。
生成部12例如也可以根据第1评价结果的内容决定针对第2评价数据的运算方法。该情况下,按照第1评价结果的内容的每个特征而不同的函数等包含在分类信息中。另外,生成部12例如也可以基于将第1评价结果和第2评价数据进行组合而得到的信息来生成第2评价结果。
根据本实施方式,在上述的实施方式的效果的基础上,生成部12基于第1评价结果和第2评价数据来生成第2评价结果。因此,能够生成基于第1评价结果的第2评价结果。由此,能够更高精度地生成针对用户的生物体信息的评价。
(第4实施方式:生物体信息运算系统100)
接着,对第4实施方式中的生物体信息运算系统100的一例进行说明。上述的实施方式和第4实施方式的不同之处在于,在第4实施方式中,从分类信息所包含的多个按属性分类信息中选择与评价数据相适的按属性分类信息。另外,关于与上述的实施方式相同的内容,省略说明。
在本实施方式中的生物体信息运算装置1中,例如如图11所示,生成步骤S120包含选择步骤S121和按属性生成步骤S122。另外,在图11中,省略了第2评价数据和第2评价结果的内容的记载。
在选择步骤S121中,参照预备评价数据,在多个按属性分类信息中选择特定的按属性分类信息(例如第1分类信息)。选择步骤S121例如能够由生成部12中包含的选择部来执行。预备评价数据表示与第1评价数据不同的特征,例如表示与第2评价数据相同的特征。另外,例如也可以使用第2评价数据作为预备评价数据。
在按属性生成步骤S122中,参照选择出的第1分类信息,计算与第1评价数据对应的第1生物体信息(例如血中二氧化碳分压的值),并生成第1评价结果。按属性生成步骤S122例如能够由生成部12中包含的按属性生成部来执行。
多个按属性分类信息是通过分别使用不同的学习数据被计算出的。例如,在使用与被检者的加速度脉搏波相当的数据作为学习数据的输入数据的情况下,例如按照图12这样的7个种类(A~G)准备输入数据,生成7种属性分类信息。
在这样的多个按属性分类信息存储于数据库的情况下,例如取得部11取得与用户的加速度脉搏波相当的评价数据和预备评价数据。然后,生成部12参照预备评价数据选择第1分类信息。然后,生成部12参照第1分类信息生成与第1评价数据对应的第1评价结果。因此,能够在各属性分类信息中选择最适合于用户的分类信息。
另外,例如,在使用与被检者的速度脉搏波相当的数据作为学习数据的输入数据的情况下,例如也可以按照图13这样的2个种类(组1、组2)准备输入数据,生成2种属性分类信息。
这里,关于图12所示的与加速度脉搏波相当的数据,容易进行基于特征的详细的分类,另一方面,在计算生物体信息时,有可能伴随峰值的误检测等而导致精度降低。此外,关于图13所示的与速度脉搏波相当的数据,跟与加速度脉搏波相当的数据相比,难以进行基于特征的详细的分类,但由于峰值的误检测等较少,因此能够高精度地计算生物体信息。
基于上述内容,多个属性分类信息例如包含图12这样的与加速度脉搏波相当的数据作为用于选择特定的分类信息的选择用数据,在生成属性分类信息时的学习数据中,也可以使用与速度脉搏波相当的数据。
该情况下,作为取得步骤S110,例如取得部11根据基于用户的脉搏波的传感器数据取得与速度脉搏波相当的数据作为第1评价数据。此外,取得部11根据传感器数据取得与加速度脉搏波相当的数据作为预备评价数据。
接着,作为选择步骤S121,例如生成部12参照预备评价数据,在包含与加速度脉搏波相当的数据的多个选择用数据中确定与预备评价数据最相似的选择用数据(第1选择用数据),选择与第1选择用数据相关联的第1分类信息。然后,作为按属性生成步骤S122,生成部12参照第1分类信息生成与第1评价数据对应的第1评价结果。由此,能够实现评价精度的进一步的提高。
在此,对在上述的选择用数据等中使用的数据的一例进行说明。
例如,如图12所示,在加速度脉搏波中存在拐点a~e。例如,在进行了如下归一化的情况下,能够利用根据各拐点的值和其差的大小关系进行分类的方法,将加速度脉搏波分类为7个模式,其中,在该归一化中,将加速度脉搏波中的最大的峰值设为a点,从a点起依次将各拐点设为b点、c点、d点、e点,将a点设为1,将作为最小值的b点或d点设为0。首先,在拐点的值为b<d的情况下,分类为模式A或B。如果b<d且c≥0.5,则分类为A,否则分类为B。接着,在拐点的值为b≒d的情况下,分类为模式C或D。在b≒d且c≒0的情况下分类为模式D,否则分类为模式C。最后,在b>d的情况下,能够分类为模式E、F、G中的任意模式。如果b>d且b<c,则分类为模式E,如果b≒c,则分类为模式F,如果b>c,则分类为模式G。
例如,生成部12判断预备评价数据例如符合图12的哪个模式,确定第1选择用数据。例如,如果所输入的预备评价数据的拐点b比拐点d小且拐点c≥0.5,则将模式A作为第1选择用数据。由此,能够参照与第1评价数据的特征相适的分类信息,高精度地计算生物体信息。
根据本实施方式,在上述的实施方式的效果的基础上,生成部12包含参照预备评价数据选择第1分类信息的选择部、以及参照第1分类信息计算与第1评价数据对应的第1评价结果的按属性生成部。因此,能够在选择了最适合于脉搏波的特征的第1分类信息的基础上,计算与第1评价数据对应的第1评价结果。由此,能够实现评价精度的进一步的提高。
此外,根据本实施方式,取得部11取得与基于脉搏波的速度脉搏波相当的数据作为第1评价数据。此外,取得部11取得与基于脉搏波的加速度脉搏波相当的数据作为预备评价数据。因此,能够使用与速度脉搏波相比容易对脉搏波的特征进行分类的加速度脉搏波来选择属性分类信息。此外,能够使用与加速度脉搏波相比容易计算生物体信息的速度脉搏波来生成第1评价结果。由此,能够实现评价精度的进一步的提高。
(第4实施方式:生物体信息运算系统100的第1变形例)
接着,对第4实施方式中的生物体信息运算系统100的第1变形例进行说明。上述的第4实施方式的一例和第1变形例的不同之处在于,在第1变形例中,使用评价结果选择分类信息。另外,关于与上述的实施方式相同的内容,省略说明。
在本变形例中,例如如图14所示,在生成步骤S120中,基于第2评价结果在分类信息中选择第1分类信息,参照第1分类信息生成与第1评价数据对应的第1评价结果。与上述的选择步骤S121同样,例如生成部12参照第2评价结果在多个按属性分类信息中选择特定的按属性分类信息。
生成部12例如基于第2评价结果中包含的生物体信息的值来选择第1分类信息。此时,在多个属性信息中预先设定有用于进行选择的值。
与上述的按属性生成步骤S122同样,生成部12参照选择出的第1分类信息计算与第1评价数据对应的第1生物体信息,生成第1评价结果。
根据本变形例,生成部12基于第2评价结果来选择第1分类信息,参照第1分类信息生成与第1评价数据对应的第1评价结果。因此,能够在根据第2评价结果选择了最佳的第1分类信息的基础上,生成与第1评价数据对应的第1评价结果。由此,能够实现评价精度的进一步的提高。
(第4实施方式:生物体信息运算系统100的第2变形例)
接着,对第4实施方式中的生物体信息运算系统100的第2变形例进行说明。上述的第4实施方式的一例和第2变形例的不同之处在于,在第2变形例中,基于脉搏波的特征来选择第1分类信息。另外,关于与上述的实施方式相同的内容,省略说明。
在本变形例中,例如如图15所示,在生成步骤S120中,基于脉搏波的特征(例如传感器数据)在分类信息中选择第1分类信息,参照第1分类信息生成与第1评价数据对应的第1评价结果。与上述的选择步骤S121同样,例如生成部12参照传感器数据在多个按属性分类信息中选择特定的按属性分类信息。
另外,作为“脉搏波的特征”,也可以使用对传感器数据实施了例如图4的(a)~图4的(d)所示的各处理中的至少一部分后得到的数据。特别地,通过使用对传感器数据实施了滤波处理后的脉搏波数据作为脉搏波的特征,能够实现选择特定的属性分类信息时的精度提高。
生成部12例如对上述的选择用数据和脉搏波的特征进行比较,来选择第1分类信息。生成部12例如也可以基于传感器数据等中包含的峰值的半值宽度、相对强度来选择第1分类信息。此时,在多个属性信息中预先设定有用于进行选择的值。
与上述的按属性生成步骤S122同样,生成部12参照选择出的第1分类信息来计算与第1评价数据对应的第1生物体信息,生成第1评价结果。
根据本变形例,生成部12基于脉搏波的特征来选择第1分类信息,并参照第1分类信息生成与第1评价数据对应的第1评价结果。因此,能够在根据脉搏波的特征选择了最佳的第1分类信息的基础上,生成与第1评价数据对应的第1评价结果。由此,能够实现评价精度的进一步的提高。
(第4实施方式:生物体信息运算系统100的第3变形例)
接着,对第4实施方式中的生物体信息运算系统100的第3变形例进行说明。上述的第4实施方式的一例和第3变形例的不同之处在于,在第3变形例中,基于附加信息来选择第1分类信息。另外,关于与上述的实施方式相同的内容,省略说明。
在本变形例中,例如如图16所示,在生成步骤S120中,基于附加信息在分类信息中选择第1分类信息,并参照第1分类信息生成与第1评价数据对应的第1评价结果。与上述的选择步骤S121同样,例如生成部12参照附加信息在多个按属性分类信息中选择特定的按属性分类信息。另外,附加信息与上述的附加信息相同。
生成部12例如也可以基于附加信息中包含的年龄、性别等属性信息等来选择第1分类信息。此时,在多个属性信息中预先设定有用于进行选择的属性信息等。
与上述的按属性生成步骤S122同样,生成部12参照选择出的第1分类信息来计算与第1评价数据对应的第1生物体信息,生成第1评价结果。
根据本变形例,生成部12基于附加信息来选择第1分类信息,并参照第1分类信息生成与第1评价数据对应的第1评价结果。因此,能够在根据附加信息的特征选择了最佳的第1分类信息的基础上,生成与第1评价数据对应的第1评价结果。由此,能够实现评价精度的进一步的提高。
(第5实施方式:生物体信息运算系统100)
接着,对第5实施方式中的生物体信息运算系统100的一例进行说明。上述的实施方式和第5实施方式的不同之处在于,在第5实施方式中,具有计算步骤S160。另外,关于与上述的实施方式相同的内容,省略说明。
本实施方式中的生物体信息运算系统100例如具有计算步骤S160。在生物体信息运算系统100中,例如在上述的保存步骤S140之后实施计算步骤S160。
在计算步骤S160中,例如如图17所示,基于保存在服务器4或保存部104中的多个评价结果(例如第1评价结果和第2评价结果)来生成对用户的特征进行了综合评价的综合评价结果。关于计算步骤S160,例如除了能够由生物体信息运算装置1的生成部12中包含的综合评价部来执行以外,例如也可以由服务器4中包含的综合评价部来执行。
综合评价结果与上述的实施方式相同,下面,作为一例,将包含保险费的估计保险信息作为综合评价结果进行说明。
综合评价部例如也可以参照预先保存在保存部104等中的用户能够识别的数据形式来生成估计保险信息。综合评价部例如也可以参照数据库来生成与多个评价结果相适的估计保险信息。
在数据库中,例如与上述的数据库同样,也可以存储有用于生成与多个评价结果对应的估计保险信息的保险用分类信息。在数据库中,除了存储有1个以上的保险用分类信息以外,例如也可以存储有用于生成保险用分类信息的多个保险用学习数据。
保险用分类信息例如是表示预先取得的过去的多个评价结果(保险用输入数据)和与保险用输入数据相关联的保险用参照数据之间的相关关系的函数。保险用参照数据包含与过去有实绩的保健用输入数据对应的保险费。保险用分类信息是通过将保险用输入数据和保险用参照数据作为一对保险用学习数据而使用多个保险用学习数据生成的。
保险用分类信息例如表示如下的校准模型,该校准模型是通过以保险用输入数据为说明变量、以保险用参照数据为目标变量而利用上述的回归分析等进行解析并基于该解析结果而生成的。关于保险用分类信息,例如能够定期地更新校准模型(保险用校准模型)。另外,与上述的分类信息同样,保险用分类信息例如也可以包含通过使用多个保险用学习数据的机器学习而生成的学习完毕模型(保险用学习完毕模型)。
根据本实施方式,在上述的实施方式的效果的基础上,综合评价部基于第1评价结果和第2评价结果来生成综合评价结果。因此,能够实现针对各评价结果考虑了用户的特征的评价。由此,能够生成适合于每个用户的评价结果。特别地,在使用估计保险信息作为综合评价结果的情况下,能够抑制伴随用户等的主观的估计保险费等的偏差。
(第6实施方式:生物体信息运算系统100)
接着,对第6实施方式中的生物体信息运算系统100的一例进行说明。上述的实施方式和第6实施方式的不同之处在于,在第6实施方式中,使用判定结果。另外,关于与上述的实施方式相同的内容,省略说明。
在本实施方式中的生物体信息运算系统100中,例如如图18所示,在保存步骤S140中,取得用户对多个评价结果(例如第1评价结果和第2评价结果)的内容进行了判定的判定结果,并将判定结果和多个评价结果分别关联起来进行保存。保存步骤S140例如能够由存储部14或服务器4来执行。
例如用户经由输入部108等输入对被输出的多个评价结果和使用公知的计测装置计测出的生物体信息进行比较后的结果,由此能够取得判定结果。
本实施方式中的生物体信息运算系统100例如也可以具有更新步骤S170。该情况下,更新步骤S170例如能够由学习部15来执行,例如也可以由服务器4来执行。
学习部15基于在保存步骤S140中保存的判定结果和多个评价结果对分类信息进行更新。学习部15例如使用公知的技术对分类信息进行更新。
根据本实施方式,在上述的实施方式的效果的基础上,存储部14或服务器4将判定结果、第1评价结果以及第2评价结果分别关联起来进行保存。因此,能够容易地实施各评价结果与判定结果的比较。
此外,根据本实施方式,学习部15基于判定结果、第1评价结果以及第2评价结果对分类信息进行更新。因此,在各评价结果的精度降低时,能够容易地进行改善。由此,能够维持对生物体信息进行评价时的精度提高。
(第7实施方式:生物体信息运算系统100)
接着,对第7实施方式中的生物体信息运算系统100的一例进行说明。上述的实施方式和第7实施方式的不同之处在于,在第7实施方式中,使用电子设备2。另外,关于与上述的实施方式相同的内容,省略说明。
在本实施方式中的生物体信息运算系统100中,除了代替上述的生物体信息运算装置1而使用电子设备2以外,例如也可以根据状况分别使用生物体信息运算装置1和电子设备2。
与生物体信息运算装置1同样,电子设备2表示上述的个人计算机等电子设备。电子设备2的结构例如也可以具有与图5的(a)相同的结构。与生物体信息运算装置1同样,CPU101将RAM103作为作业区域,执行存储在保存部104等中的程序,由此实现用于实现电子设备2的生物体信息运算程序的各功能。
图19示出用于实现电子设备2的生物体信息运算程序的顺序。电子设备2具有脉搏波信号取得部60、与脉搏波信号取得部60连接的第1提取部61和第2提取部63、与第1提取部61连接的第1数据取得部62、与第2提取部63连接的第2数据取得部64、以及与第1数据取得部62和第2数据取得部64连接的最佳血糖值计算部65。
脉搏波信号取得部60取得从传感器5、服务器4以及其他电子设备经由通信网3发送的脉搏波信号。脉搏波信号取得部60将取得的脉搏波信号输出到第1提取部61和第2提取部63。另外,脉搏波信号表示与上述的传感器数据相同的特征。
第1提取部61参照第1提取条件,提取基于从脉搏波信号取得部60输入的脉搏波信号的第1评价数据。第1提取部61将提取出的第1评价数据输出到第1数据取得部62。
第1数据取得部62参照与第1提取条件相关联的第1处理条件,对从第1提取部61输入的第1评价数据进行处理,取得第1数据。第1数据取得部62将取得的第1数据输出到最佳血糖值计算部65。
第2提取部63参照第2提取条件,提取基于从脉搏波信号取得部60输入的脉搏波信号的第2评价数据。第2提取部63将提取出的第2评价数据输出到第2数据取得部64。
第2数据取得部64参照与第2提取条件相关联的第2处理条件,对从第2提取部63输入的第2评价数据进行处理,取得第2数据。第2数据取得部64将取得的第2数据输出到最佳血糖值计算部65。
最佳血糖值计算部65基于从第1数据取得部62输入的第1数据和从第2数据取得部64输入的第2数据来计算成为最佳值的生物体信息。
此外,最佳血糖值计算部65并非必须设置于电子设备2,也可以将第1数据和第2数据作为生物体信息来进行输出。
图20示出第1提取部61和第1数据取得部62的具体结构例。第1提取部61具有滤波处理部610、与滤波处理部610连接的微分部611、与滤波处理部610连接的峰值位置计算部614、与微分部611连接的分割部612、与分割部612连接的归一化部613、与峰值位置计算部614连接的峰值间隔平均计算部615、与峰值位置计算部614连接的峰值间隔描绘部616、与峰值位置计算部614连接的傅里叶变换部617、以及与傅里叶变换部617连接的最大频率检测部618。
滤波处理部610对取得的脉搏波信号实施滤波处理。滤波处理部610在滤波时使用例如0.5~5Hz的带通滤波器,但是不限于此。此外,滤波处理部610参照第1提取条件,决定从取得的脉搏波信号中提取第1评价数据的提取方法。滤波处理部610基于所决定的提取方法,将被进行了滤波处理后的脉搏波信号输出到微分部611、峰值位置计算部614以及傅里叶变换部617中的至少任意一方。
为了取得1个第1评价数据,第1提取部61并非必须使用第1提取部61所具有的全部提取方法,而是利用由滤波处理部610决定的至少一个提取方法从脉搏波信号中提取第1评价数据。
微分部611对从滤波处理部610输入的脉搏波信号进行微分。在由滤波处理部610判断为需要进行微分处理的情况下,微分部611对被输入的脉搏波信号进行微分处理。微分部611将处理后的脉搏波信号输出到分割部612。
分割部612将从微分部611输入的多个波形信号分别分割成整数周期的分割波形数据。在本实施方式中,分割部612将整数周期设为1个周期,但是,也可以设为多个周期。分割部612将分割波形数据输出到归一化部613。
归一化部613进行归一化以统一从分割部612输入的多个分割波形信号的时间宽度,取得成为多个分割波形信号的平均的平均波形信号,进行将平均波形信号的振幅的最大值设为1、将最小值设为0的归一化。归一化部613将归一化后的平均波形信号输出到回归分析部620。
归一化部613也可以以一定的时间宽度或一定的采样数对从分割部612输入的多个分割波形信号进行修整,以统一分割波形信号的时间宽度。归一化部613的用于统一时间宽度的处理方法由滤波处理部610决定。
归一化部613在取得平均波形信号时需要多个分割波形信号,需要的分割波形信号的数量由滤波处理部610决定。
峰值位置计算部614计算从滤波处理部610输入的脉搏波信号的峰值位置和作为相邻的峰值彼此的距离的峰值间隔。峰值位置计算部614基于提取方法,将计算出的峰值间隔输出到峰值间隔平均计算部615、峰值间隔描绘部616以及傅里叶变换部617中的至少任意一方。
峰值间隔平均计算部615计算从峰值位置计算部614输入的峰值间隔的平均,将峰值间隔的平均值除以测量器的采样率,转换为秒数。峰值间隔平均计算部615将被转换为了秒数的平均值输出到脉搏处理部621。
峰值间隔描绘部616描绘将从峰值位置计算部614输入的峰值间隔设为横轴、将上述的峰值间隔的相邻的峰值间隔设为纵轴的曲线图,取得脉搏波的峰值间隔的庞加莱图。峰值间隔描绘部616将脉搏波的峰值间隔的庞加莱图输出到压力描绘处理部622。
傅里叶变换部617在从峰值位置计算部614被输入了峰值间隔的情况下,对将峰值间隔转换为了时间序列数据后的数据进行傅里叶变换。此外,傅里叶变换部617也可以将由滤波处理部610处理后的脉搏波信号作为输入来进行傅里叶变换。傅里叶变换部617基于提取方法,将傅里叶变换后的信号输出到最大频率检测部618和压力傅里叶处理部623中的至少任意一方。
最大频率检测部61从傅里叶变换部617输入的信号中检测在0.15~0.35Hz之间示出最大值的频率即最大频率。最大频率检测部618将检测出的最大频率输出到呼吸数处理部624。
第1数据取得部62具有与归一化部613连接的回归分析部620、与峰值间隔平均计算部615连接的脉搏处理部621、与峰值间隔描绘部616连接的压力描绘处理部622、与傅里叶变换部617连接的压力傅里叶处理部623、以及与最大频率检测部618连接的呼吸数处理部624。
例如,作为处理的方法,第1数据取得部62使用基于生物体信息的实测值与预先取得的脉搏波信号之间的相关关系构建出的校准模型,来根据第1评价数据取得第1数据。
回归分析部620根据从归一化部613输入的归一化后的平均波形信号,基于校准模型来取得例如血糖值、血压、血中的氧饱和度、血中二氧化碳浓度等作为第1数据。
回归分析部620还能够将预先构建出的能以通用的方式进行利用的校准模型作为通用数据来使第1数据取得部62对其进行存储,从而取得第1数据。
脉搏处理部621将从峰值间隔平均计算部615输入的峰值间隔的平均值除以采样率来转换为秒数。脉搏处理部621将60秒除以计算出的秒数来计算每一分钟的脉搏数(bpm),取得脉搏数作为第1数据。
压力描绘处理部622根据从峰值间隔描绘部616输入的庞加莱图,例如取得压力度作为第1数据。压力描绘处理部622计算庞加莱图的方差值,并根据方差值的大小来估计压力度。
压力傅里叶处理部623根据从傅里叶变换部617输入的信号的积分比,例如取得压力度作为第1数据。作为具体的方法,压力傅里叶处理部623例如根据傅里叶变换后的峰值间隔的时间序列数据,使用自回归模型(autoregressive model)计算PSD(power spectraldensity:功率谱密度),将功率谱的0.5Hz~0.15Hz的区域设为高频LF(Low Frequency),将0.15Hz~0.40Hz的区域设为低频HF(Hi Frequency),根据将低频的强度和高频的强度分别进行合计而得到的积分值的比值来决定压力度。
呼吸数处理部624对从最大频率检测部618输入的示出最大值的频率乘以60秒来换算成每一分钟的呼吸数(bpm),取得呼吸数作为第1数据。
图21示出第2提取部63和第2数据取得部64的具体结构例。第2提取部63具有滤波处理部630、与滤波处理部630连接的微分部631、与滤波处理部630连接的峰值位置计算部634、与微分部631连接的分割部632、与分割部632连接的归一化部633、与峰值位置计算部634连接的峰值间隔平均计算部635、与峰值位置计算部634连接的峰值间隔描绘部636、与峰值位置计算部634连接的傅里叶变换部637、以及与傅里叶变换部637连接的最大频率检测部638。第2提取部63由与第1提取部61相同的部分构成,但在第1提取部61中参照的是第1提取条件,在第2提取部63的情况下,不参照第1提取条件而参照第2提取条件。
滤波处理部630对取得的脉搏波信号实施滤波处理。滤波处理部630在滤波时使用例如0.5~5Hz的带通滤波器,但是不限于此。此外,滤波处理部630参照第2提取条件,决定从取得的脉搏波信号中提取第1评价数据的方法。滤波处理部630基于所决定的提取方法,将被进行了滤波处理后的脉搏波信号输出到微分部631、峰值位置计算部634以及傅里叶变换部637中的至少任意一方。
为了取得1个第2评价数据,第2提取部63并非必须使用第2提取部63所具有的全部提取方法,而是利用由滤波处理部630决定的至少一个提取方法从脉搏波信号中提取第2评价数据。
微分部631对从滤波处理部630输入的脉搏波信号进行微分。在由滤波处理部630判断为需要进行微分处理的情况下,微分部631对被输入的脉搏波信号进行微分处理。微分部631将进行微分处理后的脉搏波信号输出到分割部632。
分割部632将从微分部631输入的多个波形信号分别分割成整数周期的分割波形数据。在本实施方式中,分割部632将整数周期设为1个周期,但也可以设为多个周期。分割部632将分割波形数据输出到归一化部633。
归一化部633进行归一化以统一从分割部632输入的多个分割波形信号的时间宽度,取得成为多个分割波形信号的平均的平均波形信号,进行将平均波形信号的振幅的最大值设为1、将最小值设为0的归一化。归一化部633将归一化后的平均波形信号输出到回归分析部640。
归一化部633也可以以一定的时间宽度或一定的采样数对从分割部632输入的多个分割波形信号进行修整,以统一分割波形信号的时间宽度。归一化部633的用于统一时间宽度的处理方法由滤波处理部630决定。
归一化部633在取得平均波形信号时需要多个分割波形信号,需要的分割波形信号的数量由滤波处理部630决定。
峰值位置计算部634计算从滤波处理部630输入的脉搏波信号的峰值位置和作为相邻的峰值彼此的距离的峰值间隔。峰值位置计算部634基于提取方法,将计算出的峰值间隔输出到峰值间隔平均计算部635、峰值间隔描绘部636以及傅里叶变换部637中的至少任意一方。
峰值间隔平均计算部635计算从峰值位置计算部634输入的峰值间隔的平均,将峰值间隔的平均值除以测量器的采样率来转换为秒数。峰值间隔平均计算部635将被转换为了秒数的平均值输出到脉搏处理部641。
峰值间隔描绘部636描绘将从峰值位置计算部634输入的峰值间隔设为横轴、将上述的峰值间隔的相邻的峰值间隔设为纵轴的曲线图,取得脉搏波的峰值间隔的庞加莱图。峰值间隔描绘部636将脉搏波的峰值间隔的庞加莱图输出到压力描绘处理部642。
傅里叶变换部637在从峰值位置计算部634被输入了峰值间隔的情况下,对将峰值间隔转换为了时间序列数据后的数据进行傅里叶变换。此外,傅里叶变换部637也可以将由滤波处理部630处理后的脉搏波信号作为输入来进行傅里叶变换。傅里叶变换部637基于提取方法,将傅里叶变换后的信号输出到最大频率检测部638和压力傅里叶处理部643中的至少任意一方。
最大频率检测部63从傅里叶变换部637输入的信号中检测在0.15~0.35Hz之间示出最大值的频率即最大频率。最大频率检测部638将检测出的最大频率输出到呼吸数处理部644。
第2数据取得部64具有与归一化部633连接的回归分析部640、与峰值间隔平均计算部635连接的脉搏处理部641、根据由峰值间隔描绘部636描绘出的曲线图取得压力度的压力描绘处理部642、与傅里叶变换部637连接的压力傅里叶处理部643、以及与最大频率检测部638连接的呼吸数处理部644。
第2数据取得部64参照与第2提取条件相关联的第2处理条件,对由第2提取部63提取出的第2评价数据进行处理,取得第2数据。
例如,作为处理的方法,第2数据取得部64使用基于生物体信息的实测值与预先取得的脉搏波信号之间的相关关系构建出的校准模型,根据第2评价数据取得第2数据。
回归分析部640根据从归一化部633输入的归一化后的平均波形信号,基于校准模型来取得例如血糖值、血压、血中的氧饱和度、血中二氧化碳浓度等作为第2数据。
回归分析部640还能够将预先构建出的能以通用的方式进行利用的校准模型作为通用数据来使第2数据取得部64对其进行存储,从而取得第2数据。
脉搏处理部641将从峰值间隔平均计算部635输入的峰值间隔的平均值除以采样率来转换为秒数。脉搏处理部641将60秒除以计算出的秒数来计算每一分钟的脉搏数(bpm),取得脉搏数作为第2数据。
压力描绘处理部642根据从峰值间隔描绘部636输入的庞加莱图,例如取得压力度作为第2数据。压力描绘处理部642计算庞加莱图的方差值,并根据方差值的大小来估计压力度。
压力傅里叶处理部643根据从傅里叶变换部637输入的信号的积分比,例如取得压力度作为第2数据。
呼吸数处理部644对从最大频率检测部638输入的示出最大值的频率乘以60秒来换算成每一分钟的呼吸数(bpm),取得呼吸数作为第2数据。
由生物体信息运算系统100取得的第1数据和第2数据例如包含血压、血糖值、血中的氧饱和度、血中二氧化碳浓度、脉搏数、呼吸数、压力度、血管年龄、糖尿病的程度等中的至少一个。
接着,对本实施方式中的生物体信息运算系统100的动作的一例进行说明。图22是示出本实施方式中的生物体信息运算系统100的动作的一例的流程图。
在脉搏波信号取得步骤S10中,取得部50取得脉搏波信号,并经由内部总线54将脉搏波信号输出到通信I/F51。此外,此时,生物体信息运算系统100也可以经由内部总线54将存储器52中记录的脉搏波信号输出到通信I/F51,以代替取得部50取得的脉搏波信号。作为脉搏波信号的具体的取得方法,例如使用FBG传感器。
接着,被从取得部50输入了脉搏波信号的通信I/F51经由通信网3将脉搏波信号发送到脉搏波信号取得部60。此外,此时,也可以将服务器4中保存的脉搏波信号发送到脉搏波信号取得部60,以代替取得部50取得的脉搏波信号。
接着,经由通信网3被发送了脉搏波信号的脉搏波信号取得部60将脉搏波信号输出到第1提取部61和第2提取部63。
接着,在第1提取条件决定步骤S11中,第1提取部61将从脉搏波信号取得部60输入的脉搏波信号输入到滤波处理部610。然后,滤波处理部610参照第1提取条件决定对被输入的脉搏波信号实施的提取方法。
滤波处理部610根据取得的脉搏波信号的状态、取得的生物体信息、外部因素,来从第1提取条件中决定第1提取部61对脉搏波信号实施的提取方法。外部因素例如包含用户的年龄、性别、病历、生活习惯、用药信息、动脉硬化的程度、健康状态、遗传信息等用户的信息、以及温度、湿度等环境信息等中的至少一个。例如,作为希望取得的生物体信息,在希望取得血糖值的情况下,滤波处理部610向第1提取部61发出命令,使得在由滤波处理部610对脉搏波信号实施了处理后,将其输出到微分部611。第1提取条件是包含用于从脉搏波信号中提取第1评价数据的提取方法的一览的数据组。第1提取条件的数据组可以包含多个提取方法,也可以包含预先决定的一个提取方法。
接着,在第1提取步骤S12中,第1提取部61从输入自脉搏波信号取得部60的脉搏波信号中提取第1评价数据。第1评价数据是为了由第1数据取得部62取得生物体信息而由第1提取部61从脉搏波信号中提取出的波形数据。第1评价数据例如是通过滤波处理、微分处理、归一化处理以及平均化处理中的至少任意一个处理将脉搏波信号处理成1个周期等的波形而得到的波形数据。在本实施方式中,作为例子,对用于取得血糖值的生物体信息运算系统100进行说明。
首先,滤波处理部610在对从脉搏波信号取得部60输入的脉搏波信号实施滤波处理后例如取得血糖值作为生物体信息的情况下,基于在第1提取条件决定步骤S11中决定的提取方法来将脉搏波信号输出到微分部611。
接着,微分部611基于在第1提取条件决定步骤S11中决定的提取方法来判断是否对从滤波处理部610输入的脉搏波信号进行微分,在实施了处理后,将脉搏波信号输出到分割部612。
基于在第1提取条件决定步骤S11中决定的提取方法来判断微分部611是否对脉搏波信号进行微分的理由是,对脉搏波信号进行微分还是不对脉搏波信号进行微分得到的第1评价数据的特征会产生差异,利用希望取得的第1数据来得到与该第1数据相适的第1评价数据。此外,“对脉搏波信号进行微分”是指将脉搏波信号提取为加速度脉搏波,“不对脉搏波信号进行微分”是指将脉搏波信号提取为速度脉搏波。
接着,分割部612将从微分部611输入的多个波形信号分别分割成1个周期的分割波形数据,以进行平均化。然后,分割部612将分割波形数据输出到归一化部613。
归一化部613进行横轴的归一化以统一从分割部612输入的多个分割波形信号的时间宽度,取得成为多个分割波形信号的平均的平均波形信号,并进行将平均波形信号的最大值设为1、将最小值设为0的纵轴的归一化。此时,第1提取部61取得平均波形信号作为第1评价数据。然后,归一化部613将归一化后的平均波形信号输出到第1数据取得部62。
由归一化部613进行横轴的归一化处理以统一时间宽度的理由是,在脉搏波的末端侧会较大程度地表现出差异,因此删除该部分并将脉搏波的主体部分作为解析对象。此外,进行将平均波形信号的最大值设为1、将最小值设为0的纵轴的归一化的理由是,为了对将FBG传感器安装于测量部位时的按压压力的偏差、在测量时由于FBG传感器发生位置偏移而引起的测量数据的偏差进行平均化,抑制由于测量时的偏差而引起的噪声,提高脉搏波信号与生物体信息的实测值之间的相关关系的精度。
接着,生物体信息运算系统100转移到第1数据取得步骤S13,参照与第1提取条件相关联的第1处理条件,利用第1数据取得部62对从第1提取部61输入的第1评价数据进行处理,取得第1数据。
第1处理条件是包含由第1数据取得部62对从第1提取部61输入的第1评价数据实施的处理的方法的数据组,且该方法与第1提取条件相关联。第1数据取得部62从第1处理条件中决定处理方法。第1处理条件的数据组可以包含多个处理方法,也可以包含预先决定的一个处理方法。
例如,在第1数据取得部62将通过上述的提取方法取得的平均波形信号作为第1评价数据进行处理的情况下,第1数据取得部62决定将平均波形信号输出到回归分析部620,并且决定由回归分析部620对平均波形信号实施的处理方法。
被从第1提取部61输入了平均波形信号的回归分析部620使用表示实测值与脉搏波信号之间的相关关系的校准模型,根据平均波形信号例如取得血糖值作为第1数据并进行输出。
校准模型例如是通过以预先测量出的平均波形脉搏波为说明变量、以生物体信息的实测值为目标变量而利用回归分析等进行解析并基于该解析结果构建出的。关于校准模型,也能够将预先构建出的能以通用的方式进行利用的校准模型存储在存储部等中来测量第1数据。校准模型的构建例如有时在定期地进行校准的情况下、在用户改变时重新构建的情况下是必要的。
此外,例如在对血中二氧化碳浓度等难以观测异常值的值且难以收集异常值的数据的生物体信息进行估计时,回归分析部620也可以根据从第1提取部61输入的平均波形信号与校准模型之间的偏离度来估计生物体信息的异常值。
回归分析部620具有多个校准模型,通过在第1数据取得部62中参照第1处理条件而决定的处理方法来决定针对被输入的平均波形数据使用哪个校准模型。例如在滤波处理部610选择了血糖值作为希望取得的生物体信息的情况下,第1数据取得部62决定为:将从第1提取部61输入的平均波形信号输出到回归分析部620,回归分析部620使用如下的校准模型根据被输入的平均波形数据取得第1数据,其中,该校准模型是通过以预先测量出的脉搏波的波形数据为说明变量、以血糖值的实测值为目标变量而利用回归分析进行解析并根据该解析结果构建出的。
此外,例如在滤波处理部610基于作为外部因素的用户的年龄决定了信号的提取条件的情况下,第1数据取得部62通过参照与第1提取条件相关联的第1处理条件而决定为:将从第1提取部61输入的平均波形信号输出到回归分析部620,回归分析部620使用如下的校准模型根据被输入的平均波形数据取得第1数据,其中,该校准模型是通过以预先测量出的脉搏波的波形数据为说明变量、以接近用户的年龄的用户的血糖值的实测值为目标变量而利用回归分析进行解析并基于该解析结果构建出的。由此,能够决定与提取方法相适的处理方法。
接着,在第2提取条件决定步骤S14中,第2提取部63将从脉搏波信号取得部60输入的脉搏波信号输入到滤波处理部630。然后,滤波处理部630参照第2提取条件决定对被输入的脉搏波信号实施的提取方法。
第2提取条件是包含用于从脉搏波信号中提取第2评价数据的提取方法的一览的数据组。第2提取条件的数据组可以包含多个提取方法,也可以包含预先决定的一个提取方法。此外,第2提取条件也可以与第1提取条件相同。
滤波处理部630根据希望取得的脉搏波信号的状态、希望取得的生物体信息、外部因素来从第2提取条件中决定第2提取部63对脉搏波信号实施的提取方法。外部因素例如包含用户的年龄、性别、病历、生活习惯、健康状态、遗传信息等用户的信息、以及温度、湿度等环境信息等中的至少一个。此外,滤波处理部630也可以根据由第1数据取得部62取得的第1数据的内容来决定第2提取部63对脉搏波信号实施的提取方法。例如,在由第1数据取得部62取得的第1数据的血糖值的精度低的情况下,滤波处理部630决定未由第1提取部61进行的提取方法。此外,例如在取得了血糖值作为第1数据的情况下,为了取得血压作为第2数据,滤波处理部630也可以决定如下的提取条件:由归一化部633以一定的采样数进行修整以统一分割波形信号的时间宽度。由此,能够取得与第1数据的变化、特征相匹配的第2数据,能够得到高精度的评价结果。此外,滤波处理部630也可以根据由第1数据取得部62取得的第1数据的内容来决定第2数据取得部64对第2评价数据实施的处理方法。作为具体的方法,也可以与后述的第2数据取得部64根据由第1数据取得部62取得的第1数据的内容来决定对第2评价数据实施的处理方法的方法相同。
此外,滤波处理部630也可以根据由第1数据取得部62取得的第1评价数据的提取方法来决定第2提取部63对脉搏波信号实施的提取方法。例如,在取得第1评价数据时,在由微分部611进行了微分的情况下,滤波处理部630决定为微分部631不进行微分。由此,伴随第1数据的变化,能够取得最佳的第2数据。
接着,在第2提取步骤S15中,第2提取部63在从脉搏波信号取得部60输入的脉搏波信号中提取第2评价数据。第2评价数据是为了由第2数据取得部64进行处理而由第2提取部63从脉搏波信号中提取出的波形数据。第2评价数据例如是通过滤波处理、微分处理、归一化处理以及平均化处理中的至少任意一个处理将脉搏波信号处理成1个周期等的波形而得到的波形数据。
首先,滤波处理部630在对从脉搏波信号取得部60输入的脉搏波信号实施了滤波处理后例如取得血糖值作为生物体信息的情况下,基于在第2提取条件决定步骤S14中决定的提取方法来将脉搏波信号输出到微分部631。
接着,微分部631基于在第2提取条件决定步骤S14中决定的提取方法来判断是否对从滤波处理部630输入的脉搏波信号进行微分,在实施了处理后,将脉搏波信号输出到分割部632。
接着,分割部632将从微分部631输入的多个波形信号分别分割成1个周期的分割波形数据。然后,分割部632将分割波形数据输出到归一化部633。
归一化部633进行归一化以统一从分割部632输入的多个分割波形信号的时间宽度,取得成为多个分割波形信号的平均的平均波形信号,进行将平均波形信号的最大值设为1、将最小值设为0的归一化。此时,第2提取部63取得平均波形信号作为第2评价数据。然后,归一化部633将归一化后的平均波形信号输出到第2数据取得部64。
接着,生物体信息运算系统100转移到第2数据取得步骤S16,参照与第2提取条件相关联的第2处理条件,由第2数据取得部64对从第2提取部63输入的第2评价数据进行处理,取得第2数据。
第2处理条件是包含由第2数据取得部64对从第2提取部63输入的第2评价数据实施的处理的方法的数据组,且该方法与第2提取条件相关联。第2数据取得部64从第2处理条件中决定处理方法。第2处理条件的数据组可以包含多个处理方法,也可以包含预先决定的一个处理方法。此外,第2处理条件也可以与第1处理条件相同。
此外,第2数据取得部64也可以根据第1数据的处理方法来决定由第2数据取得部64实施的第2评价数据的处理方法。例如,在实施了使用表示从年轻层的用户测量出的实测值与脉搏波信号之间的相关关系的校准模型来根据平均波形信号取得第1数据的处理方法的情况下,第2数据取得部64也可以根据上述的处理方法,使用更加适合于用户的校准模型来根据平均波形信号取得第2数据。由此,能够取得通过不同的处理的方法取得的多个生物体信息,能够更多方面地进行高精度的评价。
此外,第2数据取得部64也可以参照第2处理条件来将与第1数据的内容对应的处理方法决定为由第2数据取得部64实施的第2评价数据的处理方法。例如,在根据第1数据判明了用户存在低血糖的倾向的情况下,第2数据取得部64可以将如下的处理方法决定为由第2数据取得部64实施的第2评价数据的处理方法:使用表示低血糖的用户的血糖值的实测值与脉搏波信号之间的相关关系的校准模型来取得血糖值。可设想能够取得的血糖值的值存在较大误差的情况,因此,根据第1数据的内容而分类为低血糖段、通常血糖段、高血糖段、超高血糖段,通过使用与该血糖段相匹配的校准模型,能够大幅提高作为第2数据取得的血糖值的精度。此外,也可以根据第1数据的内容来判断用户是否有糖尿病,并结合该结果来决定由第2数据取得部64实施的第2评价数据的处理方法。由此,通过追随第1数据的变化来决定第2评价数据的处理,能够进行更高精度的评价。
例如回归分析部620也能够依照在根据平均波形信号取得第1数据的处理中使用的校准模型的内容来对处理方法进行分类。例如,使用表示从年轻层的用户测量出的实测值与脉搏波信号之间的相关关系的校准模型来根据平均波形信号取得第1数据的处理方法和使用表示从其他年龄段的用户测量出的实测值与脉搏波信号之间的相关关系的校准模型来根据平均波形信号取得第1数据的处理方法分别是不同的处理方法。
此外,第2数据取得部64也可以参照将对第1评价数据进行分类后的结果作为第1数据的第1评价数据的分类模式,来决定由第2数据取得部64实施的第2评价数据的处理方法。由此,例如能够在使用容易分类的加速度脉搏波对信号的特征进行分类后,使用能够抑制误检测的速度脉搏波来进行高精度的评价。由此,能够追随第1数据的变化来决定更加适合于用户的第2评价数据的处理。
分类模式是用于根据信号的波形的特征将信号分类为2个以上的组的分类表,例如使用图12所示的加速度脉搏波的分类模式。
第1数据取得部62在被输入了基于由微分部611对脉搏波信号进行微分后的加速度脉搏波的第1评价数据的情况下,判断第1评价数据例如符合图12的哪个模式,决定分类模式。例如,如果被输入的第1评价数据的拐点b小于拐点d且拐点c≥0.5,则将模式A作为第1评价数据的分类模式。
适合的校准模型按照加速度脉搏波的每个分类而不同,因此,第2数据取得部64参照将对第1评价数据进行分类后的结果作为第1数据的第1评价数据的分类模式来决定由第2数据取得部64实施的第2评价数据的处理方法,由此能够实现适合于每个用户的处理方法。例如,在将第1评价数据被分类为模式A的结果作为第1数据时,第2数据取得部64决定为:回归分析部640使用如下的校准模型来根据被输入的平均波形数据取得第2数据,其中,该校准模型是通过以预先测量出的脉搏波的模式A的波形数据为说明变量、以生物体信息的实测值为目标变量而利用回归分析进行解析并基于该解析结果而构建出的。
例如也可以使用图13所示的速度脉搏波的分类模式来代替上述的加速度脉搏波的分类模式。通过如上所述那样使用该分类模式,第1数据取得部62在被输入了基于未由微分部611对脉搏波信号进行微分的速度脉搏波的第1评价数据的情况下,也能够决定分类模式。
接着,在最佳血糖值计算步骤S17中,将由第1数据取得部62取得的第1数据和由第2数据取得部64取得的第2数据输入到最佳血糖值计算部65,根据第1数据和第2数据来取得最佳的生物体信息。例如,将作为第1数据取得的血糖值设为第1血糖值,将作为第2数据取得的血糖值设为第2血糖值,根据第1血糖值和第2血糖值来计算最佳血糖值。关于成为最佳值的生物体信息的计算方法,例如也可以伴随第1数据和第2数据的各自的测量精度而对它们进行加权,基于加权,根据多个第1数据和多个第2数据计算成为最佳值的生物体信息。此外,作为其他例子,可举出以下方法等:将由其他传感器等取得的血糖值设为参照值,生成参照值与第1数据及第2数据的描绘曲线图,输出在两个描绘曲线图中在误差网格上示出良好的值的数据;分别取得多个第1数据和第2数据,输出偏差小的数据;在预先设定的容许范围内评价第1数据和第2数据是否包含在范围内,输出包含在范围内的数据。
这里,关于脉搏波的波形信号,根据提取条件、处理的方法,能够取得的生物体信息的数值有时会产生偏差。例如在将对作为提取条件进行了微分的脉搏波进行处理的情况和对作为提取条件未进行微分的脉搏波进行处理的情况进行比较时,能够取得的生物体信息的数值有可能会产生偏差。即,为了利用脉搏波的波形信号取得具有充分精度的生物体信息,需要根据经过多种提取条件等同时输出的多个生物体信息来多方面地评价脉搏波的波形信号。
另一方面,在现有技术中,未公开针对1个脉搏波的波形信号经过多种提取条件等同时输出多个生物体信息。因此,在现有技术中,根据提取条件等能够取得的生物体信息会产生偏差,因此有可能无法得到充分的精度。
与此相对,本实施方式中的生物体信息运算系统100例如具有取得速度脉搏波作为脉搏波信号的脉搏波信号取得步骤S10、参照第1提取条件提取基于脉搏波信号的第1评价数据的第1提取步骤S12、参照与第1提取条件相关联的第1处理条件取得与第1评价数据对应的第1数据的第1数据取得步骤S13、参照第2提取条件提取基于脉搏波信号的第2评价数据的第2提取步骤S15、以及参照与第2提取条件相关联的第2处理条件取得与第2评价数据对应的第2数据的第2数据取得步骤S16。此外,在第2提取步骤S15中,根据第1数据来决定要参照的第2提取条件中包含的多个提取方法中的任意方法、或第2处理条件中包含的多个处理方法中的任意方法。
即,根据本实施方式,通过参照了第1提取条件的第1提取步骤S12来提取基于脉搏波信号的第1评价数据,并且通过参照了与第1提取条件相关联的第1处理条件的第1数据取得步骤S13来取得与第1评价数据对应的第1数据。此外,生物体信息运算系统100通过参照了第2提取条件的第2提取S15来提取基于脉搏波信号的第2评价数据,并且通过参照了与第2提取条件相关联的第2处理条件的第2数据取得步骤S16来取得与第2评价数据对应的第2数据。由此,能够根据被输入的1个脉搏波信号同时取得实施了不同的提取方法和处理方法的多个生物体信息。通过该多个生物体信息,能够利用一个脉搏波信号通过生物体信息的多方面的评价来得到高精度的评价结果。
此外,根据本实施方式,在第2提取步骤S15中,根据通过第1数据取得步骤S13取得的第1数据,决定要参照的第2提取条件中包含的多个提取方法中的任意方法、或上述第2处理条件中包含的多个处理方法中的任意方法。因此,能够根据第1数据的内容来决定最适合于脉搏波信号的提取方法,能够取得与第1数据的变化、特征相匹配的第2数据。由此,能够得到与用户的特征相匹配的高精度的评价结果。
此外,根据本实施方式,在第2提取步骤S15中,基于通过第1提取步骤S12取得的第1评价数据的提取方法来决定要参照的第2提取条件中包含的多个提取方法中的任意方法。由此,在第2提取步骤S15中,能够根据第1评价数据的提取方法来决定更适合的提取方法,能够取得更适合于脉搏波信号的提取方法不同的多个生物体信息,能够通过多方面的评价得到更高精度的评价结果。
此外,根据本实施方式,在第2数据取得步骤S16中,根据通过第1数据取得步骤S13决定的第1数据的处理方法,来决定要参照的第2处理条件中包含的多个处理方法中的任意方法。由此,在第2数据取得步骤S16中,能够根据第1数据的处理方法决定最佳的第2评价数据的处理方法,能够取得更适合于脉搏波信号的处理方法不同的多个生物体信息,能够通过更多方面的评价来得到更高精度的评价结果。
此外,根据本实施方式,在第1提取步骤S12中,对脉搏波信号进行微分,提取第1评价数据,在第1数据取得步骤S13中,参照第1评价数据的分类模式,取得对第1评价数据进行分类后的结果作为第1数据的处理方法,在第2提取步骤S15中,不对脉搏波信号进行微分,提取第2评价数据,由此,能够将适合于分类的加速度脉搏波作为第1评价数据来进行分类,能够将可抑制误检测的速度脉搏波作为第2评价数据来进行处理,能够通过多方面的评价得到更高精度的评价结果。
(第8实施方式:生物体信息运算系统100)
接着,对第8实施方式中的生物体信息运算系统100的一例进行说明。上述的实施方式和第8实施方式的不同之处在于,在第8实施方式中,电子设备2实施不同的处理。另外,关于与上述的实施方式相同的内容,省略说明。
图23示出用于实现电子设备2的生物体信息运算程序的顺序。电子设备2具有脉搏波信号取得部60a、与脉搏波信号取得部60a连接的分类数据提取部61a和评价用数据提取部65a、与分类数据提取部61a连接的第1模式选择部62a、与评价用数据提取部65a连接的第2模式选择部66a、与第1模式选择部62a和第2模式选择部66a连接的第1处理选择部63a、以及与第1处理选择部63a和评价用数据提取部65a连接的血糖值取得部64a。
脉搏波信号取得部60a取得从传感器5、服务器4以及其他电子设备2经由通信网3发送的脉搏波信号。脉搏波信号取得部60a将取得的脉搏波信号输出到分类数据提取部61a和评价用数据提取部65a。此外,在不需要由评价用数据提取部65a提取脉搏波信号的情况下,脉搏波信号取得部60a也可以将脉搏波信号输出到血糖值取得部64a。
分类数据提取部61a参照提取条件,提取基于从脉搏波信号取得部60a输入的脉搏波信号的分类数据。分类数据提取部61a将提取出的分类数据输出到第1模式选择部62a。
第1模式选择部62a参照第1分类模式,选择与从分类数据提取部61a输入的分类数据对应的第1模式。第1模式选择部62a将选择出的第1模式输出到第1处理选择部63a。
评价用数据提取部65a参照评价用提取条件,提取基于从脉搏波信号取得部60a输入的脉搏波信号的评价用数据。评价用数据提取部65a将提取出的评价用数据输出到第2模式选择部66a和血糖值取得部64a。
第2模式选择部66a参照第2分类模式,选择与从评价用数据提取部65a输入的评价用数据对应的第2模式。第2模式选择部66a将选择出的第2模式输出到第1处理选择部63a。
第1处理选择部63a参照预先取得的处理模式,根据从第1模式选择部62a输入的第1模式和从第2模式选择部66a输入的第2模式来选择第1处理。第1处理选择部63a将选择出的第1处理输出到血糖值取得部64a。
血糖值取得部64a参照从第1处理选择部63a输入的第1处理,取得与从评价用数据提取部65a输入的评价用数据对应的血糖值。
图24示出分类数据提取部61a的具体的结构例。分类数据提取部61a具有与脉搏波信号取得部60a连接的滤波处理部610a、与滤波处理部610a连接的微分部611a、与微分部611a连接的分割部612a、以及与分割部612a连接的归一化部613a。
为了取得1个分类数据,分类数据提取部61a并非必须使用分类数据提取部61a所具有的全部提取方法,而是利用由提取条件决定的至少一个提取方法从脉搏波信号中提取分类数据。
滤波处理部610a对取得的脉搏波信号实施滤波处理。滤波处理部610a在滤波时例如使用0.5~5Hz的带通滤波器,但是不限于此。此外,滤波处理部610a参照提取条件,决定从取得的脉搏波信号中提取分类数据的提取方法。滤波处理部610a将被进行了滤波处理后的脉搏波信号输出到微分部611a。
微分部611a对从滤波处理部610a输入的脉搏波信号进行微分。微分部611a在由滤波处理部610a判断为需要进行微分处理的情况下,对被输入的脉搏波信号进行微分处理。微分部611a将处理后的脉搏波信号输出到分割部612a。
分割部612a将从微分部611a输入的多个波形信号分别分割成整数周期的分割波形数据。在本实施方式中,分割部612a将整数周期设为1个周期,但也可以设为多个周期。分割部612a将分割波形数据输出到归一化部613a。
归一化部613a进行归一化以统一从分割部612a输入的多个分割波形信号的时间宽度,取得成为多个分割波形信号的平均的平均波形信号,进行将平均波形信号的振幅的最大值设为1、将最小值设为0的归一化,取得分类数据。归一化部613a将取得的分类数据输出到第1模式选择部62a。
归一化部613a也可以以一定的时间宽度或一定的采样数对从分割部612a输入的多个分割波形信号进行修整,以统一分割波形信号的时间宽度。归一化部613a的用于统一时间宽度的处理方法由滤波处理部610a决定。
归一化部613a在取得平均波形信号时需要多个分割波形信号,需要的分割波形信号的数量由滤波处理部610a决定。
第1模式选择部62a参照预先取得的第1分类模式,将从归一化部613a输入的分类数据分类为第1模式。第1模式选择部62a将分类后的第1模式输出到第1处理选择部63a。
图25示出评价用数据提取部65a的具体的结构例。评价用数据提取部65a具有与脉搏波信号取得部60a连接的滤波处理部650a、与滤波处理部650a连接的微分部651a、与微分部651a连接的分割部652a、以及与分割部652a连接的归一化部653a。评价用数据提取部65a由与分类数据提取部61a相同的结构构成,但在分类数据提取部61a中参照的是提取条件,在评价用数据提取部65a的情况下,不参照提取条件而参照评价用提取条件。
滤波处理部650a对取得的脉搏波信号实施滤波处理。滤波处理部650a在滤波时例如使用0.5~5Hz的带通滤波器,但是不限于此。此外,滤波处理部650a参照评价用提取条件,决定从取得的脉搏波信号中提取评价用数据的提取方法。滤波处理部650a将被进行了滤波处理后的脉搏波信号输出到微分部651a。
微分部651a对从滤波处理部650a输入的脉搏波信号进行微分。微分部651a在由滤波处理部650a判断为需要进行微分处理的情况下,对被输入的脉搏波信号进行微分处理。微分部651a将处理后的脉搏波信号输出到分割部652a。
分割部652a将从微分部651a输入的多个波形信号分别分割成整数周期的分割波形数据。在本实施方式中,分割部652a将整数周期设为1个周期,但也可以设为多个周期。分割部652a将分割波形数据输出到归一化部653a。
归一化部653a进行归一化以统一从分割部652a输入的多个分割波形信号的时间宽度,取得成为多个分割波形信号的平均的平均波形信号,进行将平均波形信号的振幅的最大值设为1、将最小值设为0的归一化,取得评价用数据。归一化部653a将取得的评价用数据输出到第2模式选择部66a。
归一化部653a可以以一定的时间宽度或一定的采样数对从分割部652a输入的多个分割波形信号进行修整,以统一分割波形信号的时间宽度。归一化部653a的统一时间宽度的方法由滤波处理部650a决定。
归一化部653a在取得平均波形信号时需要多个分割波形信号,需要的分割波形信号的数量由滤波处理部650a决定。
第2模式选择部66a参照预先取得的第2分类模式,将从归一化部653a输入的评价用数据分类为第2模式。第2模式选择部66a将分类后的第2模式输出到第1处理选择部63a。
第1处理选择部63a参照预先取得的处理模式,根据从第1模式选择部62a输入的第1模式和从第2模式选择部66a输入的第2模式来选择第1处理。第1处理选择部63a将选择出的第1处理输出到血糖值取得部64a。
由生物体信息运算系统100取得的生物体信息包含血糖值,作为其他例子,也可以包含血压、血中的氧饱和度、血中二氧化碳浓度、血管年龄、糖尿病的程度等。生物体信息运算系统100例如也可以取得上述以外的与脉搏波信号具有相关关系的信息作为生物体信息。
接着,对本实施方式中的生物体信息运算系统100的动作的一例进行说明。图26是示出本实施方式中的生物体信息运算系统100的动作的一例的流程图。
首先,在脉搏波信号取得步骤S10a中,取得部50取得脉搏波信号,经由内部总线54向通信I/F51输出脉搏波信号。在脉搏波信号取得步骤S10a中,例如也可以代替由取得部50取得的脉搏波信号而将记录在存储器52中的脉搏波信号经由内部总线54输出到通信I/F51。例如使用FBG传感器来测量脉搏波信号。
接着,被从取得部50输入了脉搏波信号的通信I/F51经由通信网3将脉搏波信号发送到脉搏波信号取得部60a。此外,此时,也可以将服务器4中保存的脉搏波信号发送到脉搏波信号取得部60a,以代替由取得部50取得的脉搏波信号。
接着,经由通信网3被发送了脉搏波信号的脉搏波信号取得部60a将脉搏波信号输出到分类数据提取部61a和评价用数据提取部65a。
分类数据提取部61a参照提取条件,从输入自脉搏波信号取得部60a的脉搏波信号中提取分类数据。分类数据是为了由第1模式选择部62a对脉搏波信号进行分类而由分类数据提取部61a提取出的波形数据。分类数据例如是通过滤波处理、微分处理、归一化处理以及平均化处理中的至少任意一个处理将脉搏波信号处理成1个周期等的波形而得到的波形数据。
滤波处理部610a参照提取条件,根据取得的脉搏波信号的状态、附加信息来决定由分类数据提取部61a对脉搏波信号实施的提取的方法。附加信息表示用户的信息,例如除了包含用户的年龄、性别、病历、生活习惯、健康状态、用药信息、动脉硬化的程度或遗传信息等信息以外,还包含温度、湿度、或由安装于传感器5的加速度传感器测量出的加速度等环境信息中的至少一个。
例如,滤波处理部610a发出命令,使得微分部611a对从滤波处理部610a输入的脉搏波信号进行微分。
首先,分类数据提取部61a将从脉搏波信号取得部60a输入的脉搏波信号输出到滤波处理部610a。
接着,滤波处理部610a在对从脉搏波信号取得部60a输入的脉搏波信号实施了滤波处理后,将脉搏波信号输出到微分部611a。
接着,滤波处理部610a判断是否对从滤波处理部610a输入的脉搏波信号进行微分,微分部611a在实施了处理后,将脉搏波信号输出到分割部612a。
滤波处理部610a判断微分部611a是否对脉搏波信号进行微分的理由是,对脉搏波信号进行微分还是不对脉搏波信号进行微分得到的分类数据的特征会产生差异,根据取得的脉搏波信号来决定适合于该脉搏波信号的第1处理。
接着,分割部612a将从微分部611a输入的多个波形信号分别分割成1个周期的分割波形数据,以进行平均化。然后,分割部612a将分割波形数据输出到归一化部613a。
归一化部613a进行横轴的归一化,以统一从分割部612a输入的多个分割波形信号的时间宽度,取得成为多个分割波形信号的平均的平均波形信号,进行将平均波形信号的最大值设为1、将最小值设为0的纵轴的归一化,取得分类数据。然后,归一化部613a将分类数据输出到第1模式选择部62a。
由归一化部613a进行横轴的归一化处理以统一时间宽度的理由是,在脉搏波的末端侧会较大程度地表现出差异,因此删除该部分并将脉搏波的主体部分作为解析对象。此外,进行将平均波形信号的最大值设为1、将最小值设为0的纵轴的归一化的理由是,为了对将FBG传感器安装于测量部位时的按压压力的偏差、在测量时由于FBG传感器发生位置偏移而引起的测量数据的偏差进行平均化,抑制由于测量时的偏差而引起的噪声,提高脉搏波信号与生物体信息的实测值之间的相关关系的精度。
接着,在第1模式选择步骤S12a中,参照第1分类模式,由第1模式选择部62a对从分类数据提取部61a输入的分类数据进行分类,取得第1模式。例如与上述的实施方式同样,分类模式使用图12等这样的加速度脉搏波的分类模式。
第1模式选择部62a在被输入了基于由微分部611a对脉搏波信号进行微分后的加速度脉搏波的分类数据的情况下,判断分类数据符合例如图12的哪个模式,决定第1模式。
接着,在评价用数据提取步骤S13a中,评价用数据提取部65a参照评价用提取条件,从输入自脉搏波信号取得部60a的脉搏波信号中提取评价用数据。评价用数据提取部65a对脉搏波信号实施的提取方法与分类数据提取部61a对脉搏波信号实施的提取方法大致相同,但不同点在于,在分类数据提取部61a中参照的是提取条件,在评价用数据提取部65a的情况下,不参照提取条件而参照评价用提取条件。此外,也可以从脉搏波信号取得部60a向评价用数据提取部65a输入与从脉搏波信号取得部60a输入到分类数据提取部61a的脉搏波信号不同的脉搏波信号,评价用数据提取部65a从上述的脉搏波信号中提取评价用数据。评价用数据是为了由第2模式选择部66a对脉搏波信号进行分类或由血糖值取得部64a取得生物体信息而由评价用数据提取部65a提取出的波形数据。评价用数据例如是通过滤波处理、微分处理、归一化处理以及平均化处理中的至少任意一个处理将脉搏波信号处理成1个周期等的波形而得到的波形数据。
滤波处理部650a参照评价用提取条件,根据取得的脉搏波信号的状态、附加信息来决定由评价用数据提取部65a对脉搏波信号实施的提取的方法。作为提取的方法,例如在测量出上述的加速度高的数值作为附加信息的情况下,滤波处理部650a可以使用通过频带更窄的带通滤波器。
此外,滤波处理部650a还根据分类数据的提取方法来决定由评价用数据提取部65a对脉搏波信号实施的提取的方法。例如,在决定了在微分部611a中进行微分的提取方法的情况下,滤波处理部650a发出命令,使得微分部651a不对从滤波处理部650a输入的脉搏波信号进行微分。由此,能够将容易分类的加速度脉搏波作为分类数据进行分类,选择与分类数据对应的第1模式,决定与第1模式对应的第1处理,并且能够将容易抑制误检测的速度脉搏波作为评价用数据而取得与评价用数据对应的血糖值,能够进行更高精度的评价。
首先,评价用数据提取部65a将从脉搏波信号取得部60a输入的脉搏波信号输出到滤波处理部650a。
接着,滤波处理部650a在对从脉搏波信号取得部60a输入的脉搏波信号实施了滤波处理后,将脉搏波信号输出到微分部651a。
接着,滤波处理部650a判断是否对从滤波处理部650a输入的脉搏波信号进行微分,微分部651a在实施了处理后,将脉搏波信号输出到分割部652a。
接着,分割部652a将从微分部651a输入的多个波形信号分别分割成1个周期的分割波形数据,以进行平均化。然后,分割部652a将分割波形数据输出到归一化部653a。
归一化部653a进行横轴的归一化,以统一从分割部652a输入的多个分割波形信号的时间宽度,取得成为多个分割波形信号的平均的平均波形信号,进行将平均波形信号的最大值设为1、将最小值设为0的纵轴的归一化,取得评价用数据。然后,归一化部653a将评价用数据输出到第2模式选择部66a。
由归一化部653a进行横轴的归一化处理以统一时间宽度的理由是,在脉搏波的末端侧会较大程度地表现出差异,因此删除该部分并将脉搏波的主体部分作为解析对象。此外,进行将平均波形信号的最大值设为1、将最小值设为0的纵轴的归一化的理由是,为了对将FBG传感器安装于测量部位时的按压压力的偏差、在测量时由于FBG传感器发生位置偏移而引起的测量数据的偏差进行平均化,抑制由于测量时的偏差而引起的噪声,提高脉搏波信号与生物体信息的实测值之间的相关关系的精度。
接着,在第2模式选择步骤S14a中,参照第2分类模式,由第2模式选择部66a对从评价用数据提取部65a输入的评价用数据进行分类,取得第2模式。
与第1模式选择部62a同样,第2模式选择部66a判断被输入的评价用数据和附加信息例如符合哪个模式,决定第2模式。
此外,与第1模式选择部62a同样,第2模式选择部66a也可以根据输入的多个分类数据和附加信息,对各个的分类结果进行加权,并将多个模式的比例设为第2模式。
接着,在第1处理选择步骤S15a中,第1处理选择部63a参照预先取得的处理模式,选择与从第1模式选择部62a输入的第1模式和从第2模式选择部66a输入的第2模式对应的第1处理,并将第1处理输出到血糖值取得部64a。
处理模式是包含为了根据评价用数据取得血糖值而由血糖值取得部64a对评价用数据实施的一连串的处理方法的数据组。第1处理选择部63a从处理模式中将对评价用数据实施的处理方法决定为第1处理。处理模式的数据组也可以包含多个处理方法。作为处理模式,例如可举出使用表示实测值与脉搏波信号之间的相关关系的校准模型来根据评价用数据取得血糖值的处理方法。此外,处理模式例如包含根据输入的评价用数据与校准模型之间的偏离度来估计血糖值的异常值的处理方法。
第1处理选择部63a也可以将使用了最适合于从第1模式选择部62a输入的第1模式和从第2模式选择部66a输入的第2模式的校准模型的处理方法选择为第1处理,将第1处理输出到血糖值取得部64a。
作为第1处理的选择方法,例如,也可以将使用了如下的校准模型的处理模式选择为第1处理,并将该第1处理输出到血糖值取得部64a,该校准模型是通过以与从第1模式选择部62a输入的第1模式和从第2模式选择部66a输入的第2模式最相符的脉搏波的模式的波形数据为说明变量、以血糖值的实测值为目标变量而利用回归分析进行解析并基于该解析结果而构建出的。例如,在作为第1模式输入了模式B的情况下,从处理模式中将使用了如下校准模型的处理方法选择为第1处理,该校准模型是通过以模式B的波形数据为说明变量、以血糖值的实测值为目标变量而利用回归分析进行解析并基于该解析结果而构建出的。
此外,在从第1模式选择部62a输入的第1模式和从第2模式选择部66a输入的第2模式由多个模式构成的情况下,第1处理选择部63a也可以选择使用了与各个模式相符的多个校准模型的多个第1处理,并将多个第1处理输出到血糖值取得部64a。
此外,第1处理选择部63a也可以选择与输入的附加信息对应的第1处理。例如在作为附加信息输入了用户的年龄为40多岁的情况下,第1处理选择部63a也可以将使用了表示从40多岁的用户测量出的实测值与脉搏波信号之间的相关关系的校准模型的处理方法选择为第1处理,并将该第1处理输出到血糖值取得部64a。此外,例如也可以是,将动脉硬化的程度、是否有糖尿病等作为附加信息,如上述那样,第1处理选择部63a将使用了表示从与附加信息相符的用户测量出的实测值与脉搏波信号之间的相关关系的校准模型的处理方法选择为第1处理,并将该第1处理输出到血糖值取得部64a。
接着,在血糖值取得步骤S16a中,血糖值取得部64a参照从第1处理选择部63a输入的第1处理,取得与从评价用数据提取部65a输入的评价用数据对应的血糖值等生物体信息。
血糖值取得部64a在被从第1处理选择部63a输入了多个第1处理的情况下,也可以基于各个第1处理来取得与评价用数据对应的多个血糖值。此外,该情况下,例如也可以基于多个血糖值来计算最佳血糖值。作为最佳血糖值的计算方法,可以将多个血糖值的平均值作为最佳的血糖值来进行输出。此外,例如也可以伴随各自的测量精度对各个血糖值进行加权,基于加权,根据多个血糖值来计算最佳血糖值。此外,作为其他例子,可举出以下方法等:将通过取得了血糖值的多个第1处理中的在误差网格上示出良好的值的第1处理取得的血糖值作为最佳血糖值来进行输出;使用各个第1处理取得多个血糖值,将通过偏差小的第1处理取得的血糖值作为最佳血糖值来进行输出;在预先设定的容许范围内评价血糖值是否包含在范围内,将包含在范围内的血糖值作为最佳血糖值来进行输出。
这里,关于脉搏波的波形信号,根据用户的性别、年龄等属性,能够根据脉搏波的波形信号取得的血糖值的数值有时会产生偏差。例如,在对将20多岁的男性作为用户并对测量出的脉搏波进行处理的情况和将50多岁的女性作为用户并对测量出的脉搏波进行处理的情况进行比较时,根据处理的方法,能够取得的血糖值的精度会产生偏差,有可能无法得到充分的精度。
与此相对,本实施方式中的生物体信息运算系统100具有取得速度脉搏波作为脉搏波信号的脉搏波信号取得步骤S10a、提取基于脉搏波信号的分类数据的分类数据提取步骤S11a、参照评价用提取条件并通过与分类数据不同的提取方法提取基于脉搏波信号的评价用数据的评价用数据提取步骤S13a、参照包含预先取得的多个第1模式的第1分类模式选择1个以上的与分类数据对应的第1模式的第1模式选择步骤S12a、参照包含预先取得的多个第1处理的处理模式选择1个以上的与第1模式对应的第1处理的第1处理选择步骤S15a、以及参照第1处理根据评价用数据取得血糖值等生物体信息的生物体信息取得步骤(例如血糖值取得步骤S16a)。
即,根据本实施方式,生物体信息运算系统100参照通过第1处理选择步骤S15a选择出的与第1模式对应的第1处理,根据通过评价用数据提取步骤S13a提取出的评价用数据来取得血糖值等生物体信息。由此,能够根据输入的脉搏波信号来选择最适合于脉搏波信号的处理方法,取得血糖值等生物体信息,因此,能够进行与用户的属性相匹配的脉搏波信号的处理,能够得到高精度的评价结果。
此外,根据本实施方式,生物体信息运算系统100在分类数据提取步骤S11a中对脉搏波信号进行微分,由此,提取加速度脉搏波作为分类数据,选择与分类数据对应的第1模式。此外,在评价用数据提取步骤S13a中,不对脉搏波信号进行微分,由此提取速度脉搏波作为评价用数据。由此,在使用适合于分类的加速度脉搏波对脉搏波信号的特征进行分类的基础上,使用能够抑制误检测的速度脉搏波来计测血糖值,因此能够进行高精度的评价。
此外,根据本实施方式,在第1处理选择步骤S15a中,选择与通过第1模式选择单元选择出的第1模式和通过第2模式选择步骤S12a、S14a选择出的第2模式对应的第1处理。由此,能够根据从1个脉搏波信号取得的实施了不同的提取方法的多个模式来选择更适合的处理方法,精度得到进一步提高。
此外,根据本实施方式,在第1模式选择步骤S12a中,选择与通过分类数据提取步骤S11a提取出的分类数据和附加信息对应的第1模式。由此,能够选择与附加信息对应的第1模式,精度得到进一步提高。
此外,根据本实施方式,在第1处理选择步骤S15a中,选择与通过分类数据提取步骤S11a提取出的第1模式和附加信息对应的第1处理。由此,能够选择与附加信息对应的第1处理,精度得到进一步提高。
对本发明的实施方式进行了说明,但该实施方式是作为例子而提出的,并不意图限定发明的范围。这种新的实施方式能够以其他各种方式进行实施,能够在不脱离发明主旨的范围内进行各种省略、置换、变更。该实施方式、其变形包含在发明的范围、主旨内,并且包含在权利要求书所记载的发明及其均等的范围内。
标号说明
1:生物体信息运算装置
3:通信网
4:服务器
5:传感器
6:检测部
10:壳体
11:取得部
12:生成部
13:输出部
14:存储部
15:学习部
50:取得部
51:通信I/F
52:存储器
53:命令部
54:内部总线
55:腕带
100:生物体信息运算系统
101:CPU
102:ROM
103:RAM
104:保存部
105:I/F
106:I/F
107:I/F
108:输入部
109:显示部
110:内部总线
S110:取得步骤
S120:生成步骤
S130:输出步骤
S140:保存步骤
S150:综合评价步骤
S160:计算步骤
S170:更新步骤
Claims (15)
1.一种生物体信息运算系统,其对用户的生物体信息进行评价,
所述生物体信息运算系统的特征在于,具有:
取得单元,其基于所述用户的脉搏波取得第1评价数据和第2评价数据;
数据库,其存储有分类信息,所述分类信息是通过将输入数据和参照数据的一对作为学习数据而使用多个所述学习数据生成的,其中,所述输入数据是基于预先取得的学习用脉搏波的数据,所述参照数据是包含与所述输入数据相关联的生物体信息的数据;以及
生成单元,其参照所述数据库,生成包含与所述第1评价数据对应的第1生物体信息的第1评价结果。
2.根据权利要求1所述的生物体信息运算系统,其特征在于,
所述生成单元生成包含与所述第2评价数据对应的与所述第1生物体信息不同种类的第2生物体信息的第2评价结果。
3.根据权利要求2所述的生物体信息运算系统,其特征在于,
所述生物体信息运算系统还具有保存单元,所述保存单元保存所述第1评价结果和所述第2评价结果。
4.根据权利要求2所述的生物体信息运算系统,其特征在于,
所述取得单元针对与基于所述用户的脉搏波的速度脉搏波和加速度脉搏波中的任意方相当的1个脉搏波数据分别实施不同种类的处理,由此取得所述第1评价数据和所述第2评价数据。
5.根据权利要求2所述的生物体信息运算系统,其特征在于,
所述分类信息包含使用不同种类的所述学习数据生成的第1分类信息和第2分类信息,
所述生成单元参照所述第1分类信息,生成与所述第1评价数据对应的所述第1评价结果,
所述生成单元参照所述第2分类信息,生成与所述第2评价数据对应的所述第2评价结果。
6.根据权利要求2所述的生物体信息运算系统,其特征在于,
所述生物体信息运算系统具有综合评价单元,所述综合评价单元取得表示所述用户的特征的附加信息,并基于所述第1评价结果、所述第2评价结果以及所述附加信息来生成对所述用户的特征进行了综合评价的综合评价结果。
7.根据权利要求1所述的生物体信息运算系统,其特征在于,
所述分类信息包含分别使用不同的所述学习数据计算出的多个按属性分类信息,
所述生成单元包括:
选择单元,其参照所述第2评价数据,在多个所述按属性分类信息中选择第1分类信息;以及
按属性生成单元,其参照所述第1分类信息,生成与所述第1评价数据对应的所述第1评价结果。
8.根据权利要求7所述的生物体信息运算系统,其特征在于,
所述取得单元取得与基于所述脉搏波的速度脉搏波相当的数据作为所述第1评价数据,
所述取得单元取得与基于所述脉搏波的加速度脉搏波相当的数据作为所述第2评价数据。
9.根据权利要求1所述的生物体信息运算系统,其特征在于,
所述生成单元基于所述脉搏波的特征,在所述分类信息中选择第1分类信息,
所述生成单元参照所述第1分类信息,生成与所述第1评价数据对应的所述第1评价结果。
10.根据权利要求3所述的生物体信息运算系统,其特征在于,
所述生物体信息运算系统具有计算单元,所述计算单元基于由所述保存单元保存的所述第1评价结果和所述第2评价结果,生成对所述用户的特征进行了综合评价的综合评价结果。
11.根据权利要求3所述的生物体信息运算系统,其特征在于,
所述保存单元取得所述用户对所述第1评价结果和所述第2评价结果的内容进行了判定的判定结果,
所述保存单元将所述判定结果、所述第1评价结果以及所述第2评价结果分别关联起来进行保存。
12.根据权利要求11所述的生物体信息运算系统,其特征在于,
所述生物体信息运算系统具有更新单元,所述更新单元基于保存在所述保存单元中的所述判定结果、所述第1评价结果以及所述第2评价结果,对所述分类信息进行更新。
13.根据权利要求1所述的生物体信息运算系统,其特征在于,
所述生物体信息运算系统具有:
服务器,其保存有所述数据库,且通过所述生成单元来生成所述第1评价结果;以及
生物体信息运算装置,其从所述服务器接收所述第1评价结果并进行显示。
14.一种服务器,其特征在于,所述服务器保存有权利要求1所述的所述第1评价结果。
15.一种数据结构,其是在具有显示部、控制部以及存储部的计算机中使用的数据结构,且其存储于所述存储部,
所述数据结构的特征在于,
所述数据结构包含由权利要求2所述的生物体信息运算系统生成的所述第1评价结果和所述第2评价结果,
在所述控制部生成对所述用户的特征进行了综合评价的综合评价结果时,使用所述第1评价结果和所述第2评价结果。
Applications Claiming Priority (7)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020-148047 | 2020-09-03 | ||
JP2020148047A JP6851664B1 (ja) | 2020-09-03 | 2020-09-03 | 生体情報演算システム |
JP2020148048A JP6851665B1 (ja) | 2020-09-03 | 2020-09-03 | 生体情報演算システム |
JP2020-148048 | 2020-09-03 | ||
JP2021032880A JP6899609B1 (ja) | 2021-03-02 | 2021-03-02 | 生体情報演算システム、及びサーバ |
JP2021-032880 | 2021-03-02 | ||
PCT/JP2021/032231 WO2022050333A1 (ja) | 2020-09-03 | 2021-09-02 | 生体情報演算システム、サーバ、及びデータ構造 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116097365A true CN116097365A (zh) | 2023-05-09 |
Family
ID=80491079
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180054231.9A Pending CN116097365A (zh) | 2020-09-03 | 2021-09-02 | 生物体信息运算系统、服务器和数据结构 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20230309932A1 (zh) |
EP (1) | EP4210064A4 (zh) |
KR (1) | KR20230062850A (zh) |
CN (1) | CN116097365A (zh) |
TW (1) | TW202221728A (zh) |
WO (1) | WO2022050333A1 (zh) |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10426386B2 (en) | 2015-03-13 | 2019-10-01 | Shinshu University | Non-invasive blood glucose level measurement method and non-invasive blood glucose level measurement device |
EP3087915B1 (en) * | 2015-04-27 | 2022-02-09 | Tata Consultancy Services Limited | Method and system for noise cleaning of photoplethysmogram signals for estimating blood pressure |
CN109414174B (zh) * | 2016-02-01 | 2021-09-28 | 威里利生命科学有限责任公司 | 用于概率性地估计个体的脉搏率的方法和系统 |
US20200065649A1 (en) * | 2018-08-21 | 2020-02-27 | Odd Inge Sandbekkhaug | Method for robust and noise-tolerant SpO2 determination |
US20210401332A1 (en) * | 2018-11-15 | 2021-12-30 | My-Vitality Sàrl | Self-monitoring and care assistant for achieving glycemic goals |
JP7115247B2 (ja) * | 2018-11-21 | 2022-08-09 | 富士通株式会社 | 機械学習方法、機械学習プログラムおよび機械学習装置 |
-
2021
- 2021-09-02 TW TW110132627A patent/TW202221728A/zh unknown
- 2021-09-02 US US18/043,789 patent/US20230309932A1/en active Pending
- 2021-09-02 KR KR1020237011080A patent/KR20230062850A/ko unknown
- 2021-09-02 EP EP21864388.0A patent/EP4210064A4/en active Pending
- 2021-09-02 CN CN202180054231.9A patent/CN116097365A/zh active Pending
- 2021-09-02 WO PCT/JP2021/032231 patent/WO2022050333A1/ja unknown
Also Published As
Publication number | Publication date |
---|---|
EP4210064A4 (en) | 2024-02-21 |
WO2022050333A1 (ja) | 2022-03-10 |
US20230309932A1 (en) | 2023-10-05 |
TW202221728A (zh) | 2022-06-01 |
EP4210064A1 (en) | 2023-07-12 |
KR20230062850A (ko) | 2023-05-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3474287A1 (en) | Apparatus and method for correcting error of bio-information sensor, and apparatus and method for estimating bio-information | |
US11617545B2 (en) | Methods and systems for adaptable presentation of sensor data | |
JP6899609B1 (ja) | 生体情報演算システム、及びサーバ | |
CN115802931A (zh) | 检测用户温度和评估呼吸系统病症的生理症状 | |
JP6918394B1 (ja) | 生体情報演算システム | |
CN116097365A (zh) | 生物体信息运算系统、服务器和数据结构 | |
JP7142997B1 (ja) | 生体情報演算システム、サーバ、及び生体情報演算方法 | |
WO2022050336A1 (ja) | 生体情報演算システム | |
JP7083194B1 (ja) | 生体情報演算システム | |
JP6845520B1 (ja) | 生体情報演算システム | |
CN116018088A (zh) | 生物体信息运算系统 | |
JP7083195B1 (ja) | 生体情報演算システム | |
JP6851665B1 (ja) | 生体情報演算システム | |
CN116157062A (zh) | 生物体信息运算系统 | |
JP6851664B1 (ja) | 生体情報演算システム | |
JP7083185B2 (ja) | 生体情報演算システム | |
WO2017180617A1 (en) | Psychological acute stress measurement using a wireless sensor | |
JP2022133918A (ja) | 生体情報演算システム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |