JP2017217224A - 深部体温推定装置、その方法及びプログラム - Google Patents

Abstract

【課題】休憩なども含めて負荷が変動する運動に対しても深部体温の推定精度を向上できる。【解決手段】深部体温推定装置１は、測定した初期深部体温と初期皮膚温とを入力して、ウォーミングアップ段階で、個人差パラメータと遅延パラメータとの全てのパラメータの組合せについて熱収支計算式に適用して並列計算させるウォーミングアップ並列演算部１０２と、ウォーミングアップ終了時に測定した深部体温と並列計算の各結果とを比較して最適のパラメータ組を選出するパラメータ組選出部１０３と、最適のパラメータ組を適用して熱収支計算式を実行し、深部体温を算出するモニタ演算部１０４とを備えた。【選択図】図５

Description

本発明は、負荷変動する運動下での深部体温を推定する技術に関する。

近年、高齢者の屋内における熱中症や、クラブ活動などのスポーツ中の熱中症の発生が問題となっている。暑熱環境や高負荷の運動により人の身体深部の体温（深部体温）は上昇するが、通常、人体は体温の過度な上昇を防ぐために発汗や皮膚への血液供給などの体温調節機能より熱を体外へ放出する。しかしながら、初夏など暑さに慣れていない場合や高齢者は体温調節機能が不十分であることもしばしばあり、こういった場合に熱中症の発症リスクが高まる。そのため、深部体温を把握し、空調の調整や給水を行うことが熱中症の予防に効果的である。一般に深部体温を計測するためには直腸や鼓膜などの部位の温度を計測する必要があるが、日常生活や運動中における継続的な計測は困難である。そのため、深部体温の参考値として腋窩温度や口腔温度を計測することが一般的であるが，これらの部位の検温のためには安静条件が必須である。

一方、直腸や鼓膜温以外の深部体温の計測（推定）を行う製品として、経口カプセル式の深部体温センサ、ヘッドマウント式の額温度センサ、額貼り付け式の深部体温センサなどが存在する。しかしながら、経口式のセンサでは受信機や使い捨てカプセルに伴うコストが問題であり、ヘッドマウント式のセンサでは風や日射の影響下において深部体温の推定精度が低下することが懸念される。また、額貼り付け式のセンサは医療用であり、運動中の使用を想定していない。以上のように、運動中に利用可能かつ低コストな深部体温センサは存在しない。

ところで、運動中の深部体温を推定するものとして、例えばGaggeの２ノードモデルが知られている（非特許文献１）。すなわち、運動中に装着可能なウェアラブルセンサ、および環境に設置したセンサから得られた計測値をGaggeの２ノードモデルに適用することで運動中の深部体温を推定する。Gaggeの２ノードモデルは人体の熱の産生、体内の熱移動、体外への熱放出を物理的にシミュレーションすることが可能である。さらに、２ノードモデルの精度向上のため６種類の個人差パラメータを適用する手法が提案されている（非特許文献２）。この手法では、発汗、皮膚血流増加の２つの体温調節機能をパラメータ化し、７点の皮膚温、および直腸温度の１２０分間の計測に基づき個人差パラメータを最適化することによるモデルの推定精度の向上が報告されている。しかしながら、パラメータの調整のため１２０分間の安静状態が必要であり、ユーザの負担が大きい。また、運動中に合計８点の温度を計測することは困難であり、適用範囲が安静状態に限られる。

また、非特許文献１以外にも、人体の体温変化を評価するため、体内の熱産生、体内の熱移動、および体外との熱交換を物理的に定式化したモデルがこれまでにいくつか提案されている（非特許文献３，４）。非特許文献３は、２５ノードモデルで、左右腕、左右脚、胴体、頭の６部位に人体を分割し、さらに各部位を深部、筋肉、脂肪、皮膚の４層に分割している。以上の２４部位に血流を加えた２５部位で熱計算を行う。非特許文献４は、６５ノードモデルで、さらに詳細な分割により詳細な部位ごとの体温変化をシミュレートすることが可能である。分割数の多いモデルでは、より高精度な生体反応が再現可能である一方で、入力すべき情報が多いという課題がある。

かかる課題に対し、発明者等はこれまでにウェアラブルセンサを用いた、運動中に適用可能な個人差パラメータの調整方式を提案した（非特許文献５，６）。この提案方式では3,200通りの個人差パラメータにおける体表温度のシミュレーションに対し、ウェアラブルセンサから得られた実測の体表温度に最もマッチするパラメータを発見することでパラメータの調整を行う。この方式により、４０分程度の体表温度のモニタリングによりモデルの推定精度を高められることを確認している。

Gagge, A.: An effectivetemperature scale based on a simple model of human physiological regulatoryresponse, ASHRAETRANSACTIONS, Vol.77, No. 2192, pp. 247−262 (1971). Takada, S., Kobayashi, H. andMatsushita, T.: Thermal model of human body fitted with individualcharacteristics of body temperature regulation, Building and Environment, Vol. 44, No. 3, pp. 463−470(2009). Stolwijk, J. A.: A mathematicalmodel of physiological temperature regulation in man, Technical Report CR-1855,National Aeronautics and Space Administration (NASA) (1971). Tanabe, S., Kobayashi, K., Nakano,J., Ozeki, Y. and Konishi, M.: Evaluation of thermal comfort using combinedmulti-node thermoregulation (65MN) and radiation models and computational fluiddynamics (CFD), Energy and Buildings, Vol. 34, No. 6, pp. 637-646 (2002). 濱谷尚志，内山彰，東野輝夫、「装着型センサを用いた生体温熱モデルにおける日射量のモデル化とパラメータ調整法の提案，マルチメディア、分散、協調とモバイル」(DICOMO2015) シンポジウム論文集，情報処理学会，pp.381−391 (2015). 濱谷尚志，内山彰，東野輝夫、「ウェアラブルセンサと生体温熱モデルを用いた暑熱環境下での深部体温推定の一手法」，情報処理学会論文誌，Vol. 56, No. 10, pp. 2033−2043(2015).

しかしながら、非特許文献５，６に示す、体表温度に基づくパラメータ調整方式では、負荷変動する運動に対してパラメータ調整が困難であることが明らかになった。

そこで、発明者らは、実際のスポーツ環境その他を想定し、ウォーミングアップに関連しての深部体温の断片的な計測に基づいて、負荷変動する運動に対して適用可能なパラメータ組を選出する手法を考案した。さらに、運動開始直後や休憩開始直後といった過渡期における発汗や血流の反応を再現する、熱移動の遅延を考慮した遅延パラメータも含めてモデルに適用した。

従って、本発明は、休憩なども含めて負荷が変動する運動に対しても深部体温の推定精度を向上できる深部体温推定装置、その方法及びプログラムを提供するものである。

本発明に係る深部体温推定装置は、生体温熱モデルを用いて、センサでの測定に基づいて取得された深部での熱産生から、体内の熱移動及び体外との熱交換を熱収支計算式で繰り返し計算することによって、運動中における深部体温を推定する深部体温推定装置において、複数種類でかつ各々について複数の値が準備された個人差パラメータと、前記熱移動及び前記熱交換に対して各々複数の遅延値が準備された遅延パラメータとを設定し、かつ測定した初期深部体温と初期皮膚温とを入力して、ウォーミングアップ段階で全てのパラメータの組合せを前記熱収支計算式に適用して並列計算させるウォーミングアップ並列演算手段と、ウォーミングアップ終了時に測定した深部体温と前記並列計算の各結果とを比較して最適のパラメータ組を選出する選出手段と、前記最適のパラメータ組を適用して前記熱収支計算式を実行し、前記深部体温を算出するモニタ演算手段とを備えたものである。

また、本発明に係る深部体温推定方法は、生体温熱モデルを用いて、センサでの測定に基づいて取得された深部での熱産生から、体内の熱移動及び体外との熱交換を熱収支計算式で繰り返し計算することによって、運動中における深部体温を推定する深部体温推定方法において、複数種類でかつ各々について複数の値が準備された個人差パラメータと、前記熱移動及び前記熱交換に対して各々複数の遅延値が準備された遅延パラメータとを設定し、かつ測定した初期深部体温と初期皮膚温とを入力して、ウォーミングアップ段階で全てのパラメータの組合せを前記熱収支計算式に適用して並列計算させるウォーミングアップ並列演算工程と、ウォーミングアップ終了時に測定した深部体温と前記並列計算の各結果とを比較して最適のパラメータ組を選出する選出工程と、前記最適のパラメータ組を適用して前記熱収支計算式を実行し、前記深部体温を算出するモニタ演算工程とを備えたものである。

本発明に係るプログラムは、生体温熱モデルを用い、コンピュータによって、センサでの測定に基づいて取得された深部での熱産生から体内の熱移動及び体外との熱交換を熱収支計算式で繰り返し計算することによって、運動中における深部体温を推定するプログラムにおいて、複数種類でかつ各々について複数の値が準備された個人差パラメータと、前記熱移動及び前記熱交換に対して各々複数の遅延値が準備された遅延パラメータとを設定し、かつ測定した初期深部体温と初期皮膚温とを入力して、ウォーミングアップ段階で全てのパラメータの組合せを前記熱収支計算式に適用して並列計算させるウォーミングアップ並列演算手段、ウォーミングアップ終了時に測定した深部体温と前記並列計算の各結果とを比較して最適のパラメータ組を選出する選出手段、および前記最適のパラメータ組を適用して前記熱収支計算式を実行し、前記深部体温を算出するモニタ演算手段、として前記コンピュータを機能させるものである。

これらの発明によれば、ウォーミングアップ期間を利用して、深部体温の推定値と真値との比較評価を行って、遅延パラメータを含む多数の個人差パラメータの組合せから最適のパラメータ組を選出するようにしたので、その後の運動中の深部体温の推定において、運動時点での各状況が反映され、推定精度が向上する。また、遅延パラメータを採用し、かつ運動時点での各状況が同様に反映されるので、負荷変動のある運動や休憩を含む場合でもより推定精度が向上する。

また、心拍数情報から熱産生情報を算出する計算手段を備え、前記センサは、人体に装着され、心拍数を測定して、前記計算手段に出力するものであることを特徴とする。この構成によれば、ユーザは心拍数を測定するセンサを装着するだけでよいため、運動への支障が小さい。

また、前記センサは、測定結果を無線で前記計算手段に送信するものであることを特徴とする。この構成によれば、センサは深部体温推定装置とは切り離して使用されるので、ユーザの運動に影響しない。

また、前記モニタ演算処理手段で算出された深部体温が、所定レベルを超えた場合、警告を発する警告部を備えたことを特徴とする。この構成によれば、実測に最も近いパラメータ組を選択して実際の反応を再現するので、精度の高い予測警告が可能となる。

本発明によれば、休憩なども含めて負荷が変動する運動に対しても深部体温の推定精度を向上できる。

本発明に係る深部体温推定装置に適用される生体温熱モデルの一実施形態であるGaggeの２ノードモデルを示す図である。 日射熱の考慮を説明する図である。 深部体温の実測値とシミュレーションとを説明する図である。 最適遅延パラメータの分布を示す図で、（ａ）は遅延パラメータβ１、（ｂ）は遅延パラメータβ２である。 本発明に係る深部体温推定装置の一実施形態を示す機能構成図である。 本発明に係る深部体温推定の概要を説明する図である。 深部体温推定処理のフローチャートである。 実験スケジュールを説明する図で、（ａ）はランニングのスケジュール図、（ｂ）はウォーキングのスケジュール図である。 ウォーキングでの平均推定誤差を示す図表である。 ランニングでの平均推定誤差を示す図表である。 ウォーキングでの平均推定誤差の推移を示す図表である。 ランニングでの平均推定誤差の推移を示す図表である。 エアロバイク（登録商標）運動での平均推定誤差を示す図表である。 テニス実験スケジュールを説明する図で、（ａ）は１日目のスケジュール図、（ｂ）は２日目のスケジュール図である。 テニス１日目の平均推定誤差を示す図表である。 テニス２日目の平均推定誤差を示す図表である。 １日目の深部体温推定例を示す図表である。 ２日目の深部体温推定例を示す図表である。

（１．提案手法の概要）
まず、生体温熱モデルによる体温シミュレーションについて説明する。

図１に、生体温熱モデルの一実施形態として適用されるGaggeの２ノードモデルの概要を示す。２ノードモデルでは人体を球とみなし、内側の深部層coreと外側の皮膚層skinの２層で人体を表す。２ノードモデルでは、深部層core、皮膚層skin、および外気の間の熱移動を逐次的に計算し、深部体温（深部層coreの温度）と皮膚温（皮膚層skinの温度）をシミュレーションする。シミュレーションは、運動開始前（ウォーミングアップ前）に計測した深部体温、および皮膚温を初期値として設定し、その後、人体に装着可能なウェアラブルセンサ２０（図５参照）で計測した心拍数と、環境センサ１２（図５参照）で計測した気温、湿度などとをモデルに入力し、単位時間あたりの熱計算を繰り返すことで深部体温及び皮膚温の内、少なくとも深部温度の時間変化を推定するようにしたものである。この計算の際には、体重、皮膚の総面積、運動種、衣服の熱抵抗を与えることが好ましい。

２ノードモデルは、最も単純な生体温熱モデルであるが、６種類の個人差パラメータを最適化することで高精度な深部体温の推定が可能である（非特許文献２）。すなわち、２ノードモデルでは、基準となる深部体温及び皮膚温からの体温の上昇度合いに応じて発汗量、皮膚血流量が増加するが、さらに個人差を考慮するため発汗量、皮膚血流増加量の増減度合いを表す係数をモデル式に組み込んでいる。そして、この個人差パラメータにより、従来の２ノードモデルを用いる場合よりも深部体温の推定精度が向上することが報告されている。

本発明に係る深部体温推定装置１（図５参照）も同様に、個人差パラメータを実測の深部体温に基づき調整することにより深部体温推定精度の向上を図る。深部体温推定装置１は、運動（各種のスポーツの他、日常及び現場での各種作業などを含めてもよい。）中のユーザ（体温監視対象者）の深部体温を推定するため、運動中に、身体に装着可能なウェアラブルセンサ２０より代謝量を、環境に設置した環境センサ１２より気温、湿度（少なくとも気温）をそれぞれ取得し、モデルに逐次入力として与える。さらに、運動の種類によって代謝量のうち体外へ仕事として放出されるエネルギーが異なるため、入力部１１（図５参照）を介して仕事として使用されるエネルギーの割合（外的仕事率）を運動種ごとに与える。また、熱の発生や放出はユーザの身体の体重、皮膚の総面積に比例して増減するため、入力部１１を介して、運動開始前にユーザの体重と皮膚総面積をモデルに与える。加えて、深部体温、皮膚温の推定の初期値とし、例えば赤外線式の鼓膜温度計である深部体温センサ３１（図５参照）より取得した深部体温、ならびにウェアラブルセンサ２０より取得した皮膚温の実測値を２ノードモデルに与える。なお、ウェアラブルセンサ２０が温度計を装備している態様では、この温度計を利用して皮膚温を測定し、測定結果を通信部２０１（図５参照）を介してモデルに送信する態様でもよいが、これに代えて体温計で温度測定し、入力部１１から入力する態様でもよい。

さらに個人差パラメータ調整のため、ウォーミングアップ終了時や休憩時に深部体温センサ３１により深部体温を計測する。計測した深部体温に対し、実測とシミュレーションの誤差を最も小さくするパラメータ組を選択する。この方式により、運動中に深部体温を常時計測する必要なく個人差やその日のコンディションを反映したパラメータを決定することが可能である。

以降、２章ではGaggeの２ノードモデル、および個人差パラメータ調整方式について説明し、３章では想定シナリオにおけるモデルへの入力方法、個人差パラメータ調整方法を具体的に説明する。４章では、図５〜図７を参照して、深部体温推定装置１の機能構成とその処理を説明する。さらに５章では２ノードモデルをスポーツ環境に適応させるために行ったモデル式の改良について述べる。そして、６章では実験を行い、そのデータに基づく評価を行う。

（２．Gaggeの２ノードモデル）
（概要）
２ノードモデルでは時刻tからt+1への体温変化を、時刻tにおける深部体温T_core ^t、皮膚温T_skin ^t、および時刻tに得られたウェアラブルセンサ２０からの入力値により、各層と外気間の熱交換を計算することにより、時刻tにおける深部体温T_core ^t、皮膚温T_skin ^tの変化量ΔT_core ^t、ΔT_skin ^tをそれぞれ得る。得られた変化量に基づき、時刻t+1の体温を次式（Ａ）により計算する。

以上の計算を時刻0から時刻t-1まで繰り返すことにより、時刻tまでの深部体温、皮膚層の推定系列T_core ^t、T_skin ^tを得る。初期値T_core ⁰、T_skin ⁰はそれぞれ運動前に計測した実測値を入力する。以降では、時刻tにおける熱収支計算方法を説明するため時刻を表すtを省略する。

（深部層における熱計算）

表１は、深部層における熱計算式を表す。深部層では代謝により熱が発生し、その熱が伝導、血流により皮膚層へ伝搬したり、呼吸や運動（仕事）により体外へ放出される過程を表中の式により再現している。深部体温の変化量ΔT_coreは熱収支Ｑ_core、深部層の質量ｍ_core、比熱ｃ_coreを用いて、表１中の式（ａ）により計算する。さらに、式（ｂ）で示す通り、深部層の熱収支Ｑ_core は、総代謝量Ｍ、外的仕事Ｗ、呼吸による熱損失ｑ_res、皮膚層への伝導熱ｑ_cond、および血流によって皮膚層へ運ばれる熱ｑ_bloの合計で計算する。通常、運動時は、代謝量が熱放出を上回るためＱ_coreは正の値となるが、休憩時などは負の値となり、式（ａ）より体温が低下する。なお、式（ｃ）から式（ｆ）で示すそれぞれの熱計算式の詳細は知られている（非特許文献１）。各計算式では表２に示す定数を用いる。

（皮膚層における熱計算）
表３に皮膚層の熱計算式を示す。皮膚層では深部層と異なり熱の発生は起こらず、深部層から受け取った熱を放出する過程を計算している。深部層から直接伝導、および血流によって伝わった熱ｑ_cond、ｑ_bloは、皮膚表面での発汗ｑ_rsw、水分蒸発ｑ_diff、空気との熱交換ｑ_conv、熱放射ｑ_radによって空気中へ放出される。以上の熱収支Ｑ_skinは、表３中の式（ｈ）によって得られる。皮膚層での熱収支Ｑ_skinに基づき、皮膚層の質量ｍ_skin、比熱ｃ_coreより皮膚温の変化量ΔＴ_skinを得る（式（ｇ））。なお、個別の計算式は知られている（非特許文献１）。

（可変パラメータを用いた個人差の考慮）
２ノードモデルでは深部体温や皮膚温の上昇に伴い、血流量や発汗量を増加させ体外への熱放出を行う（表１の式（ｆ）、表３の式（ｋ））。これらの体温調節反応は基準となる体温との偏差によって増減する。これにより、体温が上昇するにつれ発汗量や皮膚血流量が増加するという人体の反応を再現する。この体温調節反応式にさらに個人差を反映するパラメータを組み込むことで、より正確な体温変化の再現が可能である。個人差パラメータを組み込んだ発汗量、皮膚血流量の計算式を、式（Ｂ）に示す。

式（Ｂ）中、V_blo ^t，ｍ_rsw ^tは、それぞれ時刻tにおける皮膚血流量、総発汗量を表し、α1からα4はそれぞれ個人差パラメータである。α1、α2は、それぞれ皮膚血流量の初期値、体温上昇による増加率を表し、α3、α4は、運動時特有の発汗係数、運動時・安静時に共通の発汗係数をそれぞれ表す。α3は、Gaggeの２ノードモデルで提唱された式を参考に独自に組み込んだパラメータである。また、Gaggeの２ノードモデルでは、基準となる体温を一律に定めているが、ここでは基準体温についても個人差や体調による差が存在すると考え、その日の運動開始前の実測の体温T_core ⁰、T_skin ⁰をそれぞれ基準体温として式に与える。以上の個人差パラメータに対し、これまでに定めてきた各パラメータの範囲を表４に示す。すなわち、４種のパラメータに対し、合計3,200通りの組み合わせが存在する。

（３． 運動中の深部体温推定法）
（入力の取得方法）

前章で述べた２ノードモデルによる体温シミュレーションのために、（1）体重などのユーザ情報、（2）初期体温、（3）代謝量、および（4）環境条件の４種類の入力が必要である。必要な全ての入力内容を表５に示す。ここでは、これらの入力値をモデルにおける熱計算式に適用する方法について述べる。各入力の変換に用いる式を表６に示す。

身長、体重などのユーザ情報は、深部層・皮膚層の質量ｍ_core、ｍ_skinや皮膚総面積Ａ_bodyの推定に用いる。各層の質量の比は、９５：５であることが知られており（非特許文献４）、式（１）、（２）よりそれぞれ求める。皮膚総面積は、身長と体重を用いて式（３）より推定する。さらに初期深部体温T_core ⁰、および初期皮膚温T_skin ⁰は、それぞれ赤外線放射式鼓膜温度計MC-510（OMRON製）を深部体温センサ３１として、および腕時計型ウェアラブルセンサBasis Peak（Basis製）をウェアラブルセンサ２０として用い、計測を行う。

モデルにおける総代謝熱Ｍは、酸素消費量に基づき推定する。式（４）で示す通り、代謝熱を安静時代謝熱（基礎代謝）Ｍ_restと運動による代謝熱Ｍ_exの和として考える。各代謝熱[Ｗ]は、式（５）、（６）により計算する。これらの式中の、3.5・weight，(ＶＯ2−3.5)・weightの項は、それぞれ安静状態、運動による酸素消費量[ml/min]を表す。酸素消費１リットルあたり５キロカロリーのエネルギーを生じるとして、酸素消費量に1000分の5を掛け合わせ代謝によるエネルギーを算出する。さらに、２ノードモデルで用いるワット単位に変換するため、キロカロリー毎分をジュール毎秒に変換している。

運動時の酸素消費量ＶＯ2は、式（７）により推定する。式（７）では、ユーザの体重１kgあたりの最大酸素消費量ＶＯ2maxに対し、予備酸素摂取量に対する酸素消費量％ＶＯ2Ｒ（酸素摂取能力の何％を使用しているか）を掛け合わせることで、酸素消費量を求める。ＶＯ2maxは、ユーザの最大心拍数maxＨＲ、安静時心拍数restＨＲによって求める（式（８））。また、心拍数から％ＶＯ2Ｒを推定するため、予備心拍数に対する現在の心拍数％ＨＲＲ（最大心拍数に対しどの程度上昇しているか）を用いて、式（９）により変換する。％ＨＲＲは、式（１０）で示すカルボーネン法より計算する。また、最大心拍数は、ユーザの年齢を基に推定する（式（１１））。以上の方式により、ユーザの心拍数、安静時心拍数、体重、年齢を基に代謝熱Ｍを推定する。

また、外的仕事によるエネルギー損失Ｗは、式（１２）で示す通り、運動代謝に対し、係数Δeff を掛け合わせることで得る。Δeff は、歩行、走行、自転車運動などの基本的な運動種について知られている。そこで、Δeff＝0.40（歩行時）、Δeff＝0.44〜0.54（走行時）、Δeff＝0.23（自転車運動時）とそれぞれ定める。走行時には速さによってエネルギー効率が変化するため、ユーザの速度に応じて、0.44〜0.54の値を与える。環境条件は、環境に設置したセンサＷＢＧＴ-２０３Ｂ（Kyoto Electronics Manufacturing Co製）を環境センサ１２として用い、計測を行う。

（ウォーミングアップに基づくパラメータ調整）
発明者らは、これまでに運動中に計測可能な体表温度を用いた個人差パラメータの調整方式を提案した（非特許文献６）。この方式ではリアルタイムに体表温度を収集可能である一方で、４０分間の観測が最低限必要であり、さらに負荷変動する運動に対する深部体温の推定が難しく精度の向上は最大１２％に留まっていた。本発明では、深部体温センサ３１を利用した断片的な深部体温の計測値に基づき、個人差パラメータを調整する。想定環境では時刻0からtまでのセンサデータが得られ、個人差パラメータ組θiのもとでの時刻tまでの深部体温の推定系列（Ｃ）として、

を得る。時刻twは、ユーザがウォーミングアップ運動を終え、深部体温センサ３１で深部体温を計測した時刻とする。この際に、時刻twにおいて計測した深部体温の真値
T_core ^∧twを利用し、最適な個人差パラメータθoptを、以下の式（Ｄ）で求める。

以上の式（Ｄ）によって得られたθopt、およびT_core ^∧twを入力として与え、再び時刻tw+1以降のシミュレーションを行うことで、今回の改良手法による深部体温の推定結果T_core ^t(θopt)を得る。

（４．ノードモデルの改良）
この章では、Gaggeの２ノードモデルを実際の運動、例えばスポーツ環境に適用するために行った４種類のモデル改良について述べる。ここでは、例えば夏季の屋外環境において体温変化に大きな影響を与えると考えられる日射、風、飲水の影響の考慮、および実データより観察された深部体温の初期降下や休憩時におけるモデルと実測との反応の差異の考慮を行う。以上のモデル改良式を表７に示す。

（日射熱の考慮）
屋外環境では日射によって皮膚が強い熱エネルギーを受け、皮膚温が上昇する。しかしながら、従来の２ノードモデルでは日射熱の影響を考慮していない。ここでは、図２に示す通り、環境に設置した環境センサ１２に含まれる日射計の計測値やユーザの皮膚総面積、衣服を入力とし、ユーザが受ける直達日射熱ｑdnを推定し、皮膚層での熱収支計算に組み込んだ。ｑdnは以下の式（Ｅ）で求める。

ａは、皮膚の太陽光吸収率、Ａpは、人の投影面積、Ｊdnは、日射センサの観測値をそれぞれ表す。ここでは、ａ＝0.6とする。また、第二式では、人の面積Ａbody、着衣による非被覆率ｆcl、有効放射面積係数ｆeff、投影面積係数ｆpの掛け合わせにより日射に垂直な方向に対する人の投影面積を求める。立位時の係数値としてｆp＝0.85、ｆeff＝0.725とそれぞれ定義する。さらに、ｆclは、衣服条件として定める値、例えば0.4が採用可能である。以上の内容を２ノードモデルに組み込むことで日射熱を考慮する。

（風の考慮）
屋外環境では風により単位時間あたりに皮膚に触れる空気の量が増加し、その結果、発汗による熱放散の効率が上昇する。２ノードモデルでは体温の上昇に伴う発汗量の増加は再現できるものの、風による発汗効率の向上は再現できない。モデルでは蒸発しなかった汗は流れ落ち、熱放出に寄与しないものとみなされる（無効発汗）。実際に屋外ウォーキング・ジョギング運動を行い、収集したデータでシミュレーションを行ったところ、3571分の運動時間のうち、1727分間で無効発汗が起こることを確認した。しかしながら、実際には自然風や走っていることによって生じる相対風が存在するため、実際の発汗効率はさらに良いはずである。一方で、屋外環境では建物などの影響によりユーザが受けている自然風を正確に観測することは困難である。そこで、ここではユーザが動いている場合に生じる相対風をモデルに組み込むことで、発汗による熱損失量をより正確に推定する。

モデルにおける対流熱伝達係数ｈ_convは、人の速さによって増減することから、今回は下記の式（Ｆ）

によってユーザの移動による発汗効率の上昇を考慮する。式中ｖは速度[m/s]を表す。今回の運動における歩行速度、走行速度は、それぞれ1.4[m/s]、2.5[m/s]であったため、上式（Ｆ）に適用することにより、ｈ_convはそれぞれ標準値(4.3)と比べ、386％、547％に修正される。これにより、発汗によって体外へ放出することのできる熱の総量Ｅ_max（表３中の式（ｌ），ｌ：エル）が増加し、発汗熱損失量が増加する。

（水分摂取による深部体温低下）
運動中に水分を摂取した場合としない場合とにおける体温変化に差異が生じることが明らかにされており、安全のためには水分摂取が欠かせない。水分補給は水分の冷たさ自体による体温の低下効果に加え、発汗機能を正常に維持する役割がある。２ノードモデルでは、発汗機能は常時正常に機能している前提で計算を行うため、後者の機能を考慮することは不要である。一方で、体温よりも低い水分を大量に摂取した場合、大幅な体温低下効果が期待できる。そこで、モデルの計算式に水分と人体の温度差による熱移動を追加する。

体内に摂取された水分は、いずれ人体と同じ温度まで上昇する。従って水分摂取によって低下する深部体温ΔＴ_waterを式（１６）で表す通り、水、深部層のそれぞれの温度、質量、比熱に基づき計算する。この式（１６）を水分補給があった時点に適用することにより、水分による深部体温の低下を考慮する。

（熱遅延の考慮）
発明者らは、休憩を含む歩行、走行により収集したデータより、実際の深部体温とシミュレーションによる深部体温の推定に差異が生じる場合があることを発見した。その一例を、図３に示す。モデルでは、代謝量の計算をウェアラブルセンサ２０で計測した心拍数に基づいて行っているため、運動開始後すぐに心拍が上昇することにより深部体温も上昇する。また、休憩を始めると、心拍数が低下するため深部体温もそれに伴い低下する。一方で、図３より、実際の深部体温の反応はシミュレーションに対して遅れており、運動を開始してもすぐに体温が上昇しないし、休憩を始めてもしばらく体温が低下しないといった傾向が見られる。

また、図３より、運動開始直後、深部体温は初期値よりも低下していることが分かる。同様の現象は他でも報告されている。この原因は未だ定かではないが、運動開始前に筋肉に溜まっている血液の温度は核心部の血液温度より低く、運動開始直後にその血液が身体を循環するため平均血液温度が低下する可能性があると言われている。一方で、収集したサンプルの中には深部体温の初期降下が起こらないサンプルも数多く見られた。従って、深部体温の初期降下を生理的に定義し、モデルに組み込むことは困難である。そこで、ここでは、シンプルな遅延パラメータを用いることで深部体温の初期降下、および先述の深部体温のシミュレーションに対する遅延を考慮した。

この遅延方式では、例えば２種類の遅延パラメータβ1，β2により、２ノードモデルにおける熱計算を遅延させる。β1は、代謝によって発生する熱Ｍの伝搬速度を制御することで深部体温の初期降下を考慮し、さらに休憩時における体温低下を遅延させる。β1は、スライディングウィンドウのサイズとしてモデルに組み込まれ、大きくなるほど代謝による熱の伝搬速度が低下する。β2は、体温上昇に対する体温調節反応の遅れを表す。従来のモデルでは体温の上昇に対し即座に発汗、血流が反応するが、実際の反応には遅延があると考えられる。例えば、激しい運動の後しばらく汗が止まらず吹き出てくることが挙げられる。よって、発汗、血流の計算に現在の体温ではなく、β2分前の体温を用いることにより体温調節反応をβ2分間遅延させる。以上の遅延パラメータを表７の式（ｂ’）、（１７）、（ｆ’）、（ｋ’）の通り、モデルに組み込むことにより、深部体温の推定性能の向上を図る。

さらに、これらの遅延パラメータβ1，β2はユーザごとに異なり、体調による影響も受けると考えられるため、個人差パラメータと同様に毎回の運動においてパラメータ調整を行う必要がある。そこで、適切なパラメータ範囲を決定するため、まず、β1について[1,15]、β2について[0,10]と初期範囲を定め、合計165通りの組み合わせについて実測に基づきパラメータ調整を行った。なお、この際、個人差パラメータα1からα4は、標準値で固定した。この結果、３４個のサンプルに対し、最適なβ1、β2の値の分布はそれぞれ、図４に示す通り、得られた。

パラメータの探索範囲は、広い方が高い精度が望める一方で個人差パラメータと合わせると膨大なパラメータの組み合わせ数になるため、計算時間を考慮したパラメータ範囲を決定する必要がある。従って、この分布より、８０％以上の最適解を網羅する区間としてβ1については[1,12]、β2については[0,5]とした。この７２通りの組み合わせについて、３節の（ウォーミングアップに基づくパラメータ調整）で述べたように、４個の個人差パラメータと同時に２個の遅延パラメータの調整を行う。

以上の４章で述べた改良式をモデルに適用する。具体的には、Gaggeの２ノードモデルにおける式（ａ）、（ｂ）、（ｆ）、（ｈ）、（ｋ）を、表７に示す式（ａ’）、（ｂ’）、（ｆ’）、（ｈ’）、（ｋ’）でそれぞれ置換する。以降の６章での評価では、改良したモデルを改良モデルと呼び、通常の２ノードモデルを通常モデルと呼ぶ。

以上によれば、この改良手法では、運動開始前の深部体温を初期値としてモデルに与え、心拍数や気温、湿度などの時間変化をモデルに入力することで深部体温を推定する。さらに、遅延パラメータも含めて230,400通りの個人差パラメータ組についてウォーミングアップ中の深部体温のシミュレーション結果を（並列計算して）網羅的に生成し、ウォーミングアップ終了後に赤外線鼓膜温度計などにより得られた深部体温の計測値と各パラメータにおける深部体温の推定値を比較することで、実測に最も近いパラメータ組を選択することにより実際の反応を再現する。加えて、スポーツ環境に２ノードモデルを適用するため、日射、風、飲水のそれぞれによる熱の移動、および運動開始直後や休憩開始直後といった過渡期における発汗や血流の反応を再現する遅延パラメータを２ノードモデルに組み込んだ。

（５．実施例）
図５は、本発明に係る深部体温推定装置の一実施形態を示す機能構成図であり、図６は、本発明に係る深部体温推定の概要を説明する図であり、図７は、深部体温推定処理のフローチャートである。

深部体温推定装置１は、コンピュータで構成される制御部１０を備えると共に、制御部１０に接続された入力部１１、環境センサ１２、出力部１３、ワークエリアとしてのＲＡＭ１４、および制御プログラム等を記憶した記憶部１５を備える。入力部１１は、外部から各種の情報が入力可能なテンキーやマウス、あるいはタッチパネルなどで構成される。出力部１３は、必要に応じて設けられるもので、例えば画像を表示する表示器、あるいは音声発生器などである。出力部１３は警告用としてもよい。環境センサ１２は、無線あるいは有線で制御部１０に接続され、各種の測定情報を通信部１２１を介して周期的に制御部１０に送信する。記憶部１５は、制御プログラムの他、制御プログラムの実行に必要となる、採用する生体温熱モデルの情報、モデルに適用される各種の情報、温度推定のための各熱収支計算式、および各種のパラメータ類が記憶されている。

また、制御部１０には、深部体温センサ３１が必要に応じて接続される。深部体温センサ３１は、有線あるいは無線でもよく、測定結果を制御部１０に取り込む際に接続される。あるいは、測定結果は入力部１１を介してマニュアル入力されてもよい。ウェアラブルセンサ２０は、運動中のユーザの心拍数を継続的に測定し、通信部２０１を介して無線で制御部１０に送信する。なお、深部体温推定装置１がユーザに直接装着される態様では、有線式であってもよい。また、ウェアラブルセンサ２０は、心拍数を出力するものの他、代謝量に換算して制御部１０に出力する態様としてもよい。

深部体温推定装置１は、生体温熱モデルを用いて、ウェアラブルセンサ２０での心拍数の測定に基づいて算出された深部での熱産生（代謝）から、体内の熱移動及び体外との熱交換を熱収支計算式で繰り返し計算することによって、運動中における深部体温を推定するものである。制御部１０は、制御プログラムをＲＡＭ１４に読み出して実行することによって、入力受付部１０１、ウォーミングアップ並列演算部１０２、パラメータ組選出部１０３、モニタ演算部１０４、および必要に応じて設けられる警告処理部１０５として機能する。

入力受付部１０１は、入力部１１の他、温度計付きのウェアラブルセンサ２０、深部体温センサ３１、および環境センサ１２より測定情報を取り込むものである。入力受付部１０１は、ウォーミングアップ開始前にウェアラブルセンサ２０および深部体温センサ３１から皮膚温と深部体温を取り込み、初期皮膚温、初期深部体温として設定する。また、入力受付部１０１は、ウォーミングアップ終了後の運動中に、ウェアラブルセンサ２０から心拍数を継続的に取り込む。

ウォーミングアップ並列演算部１０２は、複数種類でかつ各々について複数の値が準備された個人差パラメータ（α1，α2，α3，α4）と、熱移動及び熱交換に対して各々複数の遅延値が準備された遅延パラメータ（β1，β2）とを設定し、かつ測定した初期深部体温と初期皮膚温とを入力して、ウォーミングアップ段階で全てのパラメータの組合せθ_ｉ（α1，α2，α3，α4，β1，β2）を熱収支計算式に適用して、並列計算を繰り返し実行する。

パラメータ組選出部１０３は、ウォーミングアップ終了時に測定した真値である深部体温と、全てのパラメータの組合せθ_ｉ（α1，α2，α3，α4，β1，β2）の各熱収支計算結果とを式（Ｄ）に適用して（計算して）、個人差パラメータの最適化、例えば差分が最小となるような、最適のパラメータ組θ_ｏｐｔを選出する。

モニタ演算部１０４は、シミュレーション演算を行うもので、ウォーミングアップ終了後の運動中、選出された最適のパラメータ組θ_ｏｐｔを熱収支計算式に適用して熱収支計算を繰り返し実行して、深部体温を推定算出する。なお、モニタ演算部１０４は、必要に応じて皮膚温を推定演算してもよい。

警告処理部１０５は、ウォーミングアップ終了後からの運動中に、例えば計算中の深部体温が熱中症判断の閾値まで上昇した場合に、警告（表示、警告音、ガイドなど）を出力して監視対象者に報知する。なお、閾値は、固定値でもよいが、設定されている遅延パラメータに応じた遅れを考慮して設定してもよいし、あるいは深部体温の変化勾配などを総合的に考慮して設定してもよい。

図７のフローチャートに示すように、深部体温推定処理のモードは、ステップＳ１〜Ｓ１３までが、ウォーミングアップ期間中、すなわち最適のパラメータ組θ_ｏｐｔの選出期間であり、ステップＳ１５以降が、運動の監視（モニタ）期間である。

まず、ウォーミングアップ開始直前に測定した初期深部体温及び初期皮膚温の取り込みが行われる（ステップＳ１）。次いで、ウォーミングアップ期間中、全てのパラメータの組合せθ_ｉ（α1，α2，α3，α4，β1，β2）について各熱収支計算、すなわち並列演算が実行される（ステップＳ３，Ｓ５）。なお、ウォーミングアップ期間は、運動種等に応じて予め設定されていてもよく、あるいはその都度適宜に設定することができる。

そして、ウォーミングアップ期間が終了すると（ステップＳ５でＹｅｓ）、深部体温の測定が実行され、測定された深度温度の取り込みが行われる（ステップＳ７）。次いで、比較評価、すなわち測定された真値である深部体温と、並列演算された全てのパラメータの組合せθ_ｉ（α1，α2，α3，α4，β1，β2）の熱収支計算結果から推定された各深部体温とが式（Ｄ）に適用されて、比較評価され（ステップＳ９）、その結果、最適のパラメータ組θ_ｏｐｔの選出が行われる（ステップＳ１１）。そして、選出された最適のパラメータ組θ_ｏｐｔが熱収支演算式に設定される（ステップＳ１３）。

続いて、運動中において、深部体温の推定演算（モニタ演算）が実行され（ステップＳ１５）、一方で、深部体温が閾値を超えたか否かが監視され（ステップＳ１７）、超えなければ、運動の継続中は（ステップＳ１９でＮｏ）、ステップＳ１５に戻って同様の繰り返し演算を継続する。一方、深部体温が閾値を超えたのであれば、警告が行われる（ステップＳ２１）。なお、警告後に休憩したなどによって推定深部体温が警告状態から脱して（低下して）、再び運動に復帰する場合にも同様にモニタ処理は継続する（ステップＳ１５〜ステップＳ１９でＮｏ）。

このように、ウォーミングアップ期間を利用して、深部体温の推定値と真値との比較評価を行って、多数の個人差パラメータの組合せθ_ｉ（α1，α2，α3，α4，β1，β2）から最適のパラメータ組θ_ｏｐｔを選出するようにしたので、その後の運動中の深部体温の推定において、運動時点での各状況が反映され、推定精度が向上する。また、遅延パラメータを採用し、かつ運動時点での各状況が同様に反映されるので、負荷変動のある運動や休憩を含む場合でもより推定精度が向上する。遅延パラメータは体内の熱移動及び体外との熱交換に関連して採用したが、まとめて１種類としてもよい。また、生体温熱モデルは２ノードモデルに限定されず、熱収支計算式が採用し得る範囲で、各種のモデルが採用可能である。この場合でも、遅延パラメータは１種類あるいは複数種類を採用してもよい。

なお、深部体温推定装置１を運動（各種のスポーツや作業含む）者に装着するタイプの場合、ウェアラブルセンサ２０は有線式でもよい。また、複数の運動者をモニタリングする場合にも、監視側すなわち制御部１０側が１台で、各運動者に対して識別情報を付与して対応することも可能となり、効果的な健康集中管理にも好適となる。

また、ウォーミングアップには、文字通りのウォーミングアップの他、運動の初期期間などであってもよい。

（６． 性能評価：実験）
（評価環境）
実験は、改良モデルの評価のため、歩行、走行、エアロバイク（登録商標）運動、テニスの４種の運動において行った。収集した実験データに対し深部体温の推定を行った結果について、以下述べる。全ての実験において被験者は心拍数、初期皮膚温の取得のために前述の腕時計型ウェアラブルセンサBasis Peakを手首に装着した。さらに、深部体温の真値の計測のため、歩行、走行、エアロバイク（登録商標）といった被験者同士の接触が無く安全な運動種では、耳に挿入して連続的に鼓膜温度を計測できる前述の赤外線鼓膜温度計DBTL-2を用いた。一方、接触の危険を伴うテニスにおいては、休憩時に被験者自身で鼓膜温度を計測可能な前述の赤外線鼓膜温度計MC-510を用いた。さらに、気温、湿度の計測のために前述のＷＢＧＴ-２０３Ｂ、日射量の計測のためML-01（EKO Instruments製）をそれぞれ環境に設置した。被験者は同じ衣服を着用し、衣服の熱抵抗は、Ｃlo＝0.6とみなした。２ノードモデルによる体温推定の単位時間は１分とした。

性能の指標として、本研究では以下の式で示すウォーミングアップ終了時のtwから運動終了時tまでの平均絶対誤差を用いた。平均絶対誤差は下記の式（Ｇ）で表される。

式（Ｇ）中、T_core ^∧iは、時刻iにおける実測の深部体温を表す。式（Ｇ）で示す指標は実際の深部体温と推定した深部体温の系列が平均的に何度（℃）離れているかを表す。

さらに、比較手法としてDEF、OPTの２つの方法を考えた。DEFは、通常モデル、および標準の個人差パラメータを用いて推定を行う方式であり、OPTは、改良モデルに対し、実測の深部体温に対し平均推定誤差が最も小さくなるようなパラメータを選択する方式である。すなわち、OPTは、今回の改良手法によるパラメータ調整による誤差低減の性能限界を表す。なお、ウォーミングアップ終了時点の深部体温１点のみを用いてパラメータ調整を行う提案手法をPROPとする。

また、計算時間の評価のため、３０分間のウォーミングアップに対し、個人差パラメータと遅延パラメータを合わせた230,400通りのパラメータから誤差最小のパラメータを探索する際の平均計算時間を求めた。シミュレーションにはＣＰＵクロック周波数2.66GHz、23.6GBメモリ搭載の計算機を用いた。その結果、平均５０秒でパラメータ調整が可能であることを確認した。

（歩行・走行における深部体温推定誤差）

屋外環境においてウォーキング、およびランニングを合計60時間以上行い、のべ34人分のサンプルを収集し平均誤差の評価を行った。実験環境を表８に示す。被験者は男性6名で、年齢、身長、体重の平均値と標準偏差はそれぞれ22.8± 0.8、173.5± 4.1[cm]、68.7± 8.1[kg]であった。さらに、被験者は個々の体調に応じて、図８に示すスケジュールでウォーキングとランニングのいずれかの運動を行った。実際に走行したコースは、ほぼ平地で１周８５０mの周回路である。ウォーキングではコース３周を３セット行い、ランニングではコース３周を４セット行った。いずれの運動も、各セット間に１０分間の休憩を実施し、休憩中に被験者は必要であれば毎回最大250[ml]の水分補給を行った。摂取した水の温度は室温相当（約３０℃）であった。以降の評価では、最初のセットと休憩を合わせてウォーミングアップとみなし、それ以降の運動・休憩に対して深部体温の推定精度を評価した。

図９、図１０に、それぞれウォーキング運動、ランニング運動における平均絶対誤差を示す。両結果より、改良手法によって、DEFより推定精度が向上していることが分かる。さらに、ランニング時の誤差が全体的にウォーキング時よりも大きいことが分かる。この理由は、ランニングの方が運動負荷が高く、深部体温の変動がより激しかったからであると考えられる。DEFに対し、改良手法による誤差の減少率はウォーキング時で１３％、ランニング時で３０％であり、通常モデルでは比較的負荷の小さいウォーキングに対してはある程度再現可能であるものの、高負荷のランニングにおいて平均推定誤差が0.4℃を超え、推定が困難であることが示唆されている。

さらに時系列的な誤差の変化を、図１１、図１２に示す。各図の横軸は運動の経過、縦軸は区間内の平均絶対誤差を表す。例えば、Rest2は２回目の休憩、Walk3は３セット目のウォーキングを表す。この結果から、DEFでは、ほぼ毎回誤差が最大となっていることが分かる。さらに、休憩時に特に誤差が大きくなっている。この理由として、通常モデルでは休憩直後の体温の変化を再現することが困難であったことが挙げられる。一方、PROP，OPTでは運動時よりも休憩時の誤差が小さくなる傾向が見られる。これは、遅延パラメータの導入により休憩に入った際の体温低下の遅れを適切に考慮できた結果であると考えられる。しかしながら、PROPでは運動中にOPTよりも誤差が大きくなっている。この結果は、ウォーミングアップ終了時点の１点の深部体温を計測することにより大まかなパラメータの傾向は一致させられる一方で、体温の上昇を精度よく推定するためにはさらに多くの深部体温を計測する必要があることを示唆している。

（エアロバイク（登録商標）運動における深部体温推定誤差）

さらに、屋内でエアロバイク（登録商標）を用いて表９に示す条件の下、負荷が細かく変動する場合におけるデータ収集を行った。７人の被験者が１時間のエアロバイク（登録商標）運動を６回ずつ行い、のべ４２時間のデータセットを収集した。運動負荷は2.4[W]，4.8[W]，7.2[W]の３段階の変化を５分ごとに切り替えることで負荷の増減を再現した。エアロバイク（登録商標）では休憩を行わなかったため、前半の２５分間を擬似的にウォーミングアップとみなし、以降の３５分間を評価用データセットとした。また、全ての実験において水分摂取は行わなかった。

図１３にエアロバイク（登録商標）運動における平均絶対誤差を示す。結果より、改良手法によって平均誤差0.20℃で深部体温を推定可能であり、DEFよりも誤差を低減できることが示されている。この理由として、実測の深部体温１点を計測することにより、エアロバイク（登録商標）の負荷変動に対する深部体温の追随の遅れや個人差パラメータを適切に定めることができたからであると考えられる。また、ウォーキング（図９）と同様に、ランニング（図１０）よりも平均誤差が総じて小さい。この結果から、歩行やエアロバイク（登録商標）のような比較的負荷の小さい運動においては通常モデルでも0.3℃未満の誤差で深部体温を推定可能である一方で、負荷が大きい場合には個人差パラメータの調整が効果的であることが分かった。

（テニスにおける深部体温推定誤差）

実際のスポーツにおける適用例として、２日間で被験者６人が合計20時間のテニスの練習を行った際のデータを収集した。それぞれの日の実験環境を表１０に示す。全ての被験者のテニス経験は５年以上であり、両日とも合計３時間以上のテニスの基礎練習、および試合を行った。各日程における練習メニューは図１４に示す通りである。両日とも始めに基礎練習を行ったため、この基礎練習をウォーミングアップ期間とみなし、以降の試合の期間を評価のためのデータセットとした。被験者には自由に休憩、給水を行うように指示し、１日一人あたり平均1475[ml]の水分を補給した。また運動開始前、および休憩中に赤外線鼓膜温度計を用いて深部体温を計測した。計測したタイミングは図１４内に、×印で示した。

さらに、運動に伴う外的仕事率を推定するため、靴に加速度センサSpeed Cell（adidas製）を装着した。このセンサでは５秒間ごとの平均速度を取得することができるため、被験者が静止しているか動いているかの判別が可能である。ここでは、５[km/hour]以上の速さである場合を走っているものとみなし、それ未満の場合に静止しているものとみなした。得られた５秒ごとの速度に対し、速度に応じた外的仕事率を求め、得られた外的仕事率の１分間の平均値を求めることでその時点での外的仕事率Δeff を求めた。

図１５、および図１６に両日の深部体温の平均推定誤差を示す。前記（評価環境）で述べたとおり、テニスでは深部体温を常時計測することが困難であるため、図１４に示す計測タイミングにおける深部体温の誤差を評価する。結果より、提案手法による平均推定誤差が0.28℃，0.30℃となっており、OPTと同等の精度が得られていることが分かる。DEFと比較すると誤差の減少率はそれぞれ58%，42%であり、改良手法のパラメータ調整方式、および改良モデルの有効性を確認できた。一方、DEFではウォーキング、ランニング、エアロバイク（登録商標）運動と比較して誤差が非常に大きい。この結果より、通常モデルでは複雑な負荷変動や水分補給、風などを含む複雑な運動における深部体温推定が困難であることが分かった。

さらに両日の被験者の深部体温の推定例を、図１７、図１８に示す。各図では横軸が時間経過を示し、赤外線鼓膜温度計で計測した深部体温を点（REAL）で示す。この結果より、休憩に入ると体温が低下するといった傾向はDEFにおいても再現しているものの、パラメータ調整により絶対値が実測により近づいていることが分かる。以上の結果より、改良手法によりモデルのパラメータを調整したことが高精度な深部体温推定に有効であったといえる。

本実施形態では、Gaggeの２ノードモデルを用いて運動中の深部体温を推定する手法を示した。かつ、さらに高精度な推定のため、ウォーミングアップ終了時に計測した深部体温の値に基づく個人差パラメータ調整方式、およびモデル式の改良を行った。のべ120時間超の運動データにより改良手法を評価した結果、１点のみの深部体温の観測によって、より推定誤差の小さい個人差パラメータを選択できることが分かった。さらに、休憩などを含めて負荷変動のある複雑な運動においても、改良手法によって従来のモデルより高精度に深部体温を推定可能であることを確認した。

１ 深部体温推定装置
１０ 制御部（計算手段）
１０２ ウォーミングアップ並列演算部（ウォーミングアップ並列演算手段）
１０３ パラメータ組選出部（選出手段）
１０４ モニタ演算部（モニタ演算手段）
１２ 環境センサ
２０ ウェアラブルセンサ（センサ）
３１ 深部体温センサ

Claims (6)

1. 生体温熱モデルを用いて、センサでの測定に基づいて取得された深部での熱産生から、体内の熱移動及び体外との熱交換を熱収支計算式で繰り返し計算することによって、運動中における深部体温を推定する深部体温推定装置において、
   複数種類でかつ各々について複数の値が準備された個人差パラメータと、前記熱移動及び前記熱交換に対して各々複数の遅延値が準備された遅延パラメータとを設定し、かつ測定した初期深部体温と初期皮膚温とを入力して、ウォーミングアップ段階で全てのパラメータの組合せを前記熱収支計算式に適用して並列計算させるウォーミングアップ並列演算手段と、
   ウォーミングアップ終了時に測定した深部体温と前記並列計算の各結果とを比較して最適のパラメータ組を選出する選出手段と、
   前記最適のパラメータ組を適用して前記熱収支計算式を実行し、前記深部体温を算出するモニタ演算手段とを備えた深部体温推定装置。
2. 心拍数情報から熱産生情報を算出する計算手段を備え、
   前記センサは、人体に装着され、心拍数を測定して、前記計算手段に出力するものであることを特徴とする請求項１に記載の深部体温推定装置。
3. 前記センサは、測定結果を無線で前記計算手段に送信するものであることを特徴とする請求項２に記載の深部体温推定装置。
4. 前記モニタ演算処理手段で算出された深部体温が、所定レベルを超えた場合、警告を発する警告部を備えたことを特徴とする請求項１〜３のいずれかに記載の深部体温推定装置。
5. 生体温熱モデルを用いて、センサでの測定に基づいて取得された深部での熱産生から、体内の熱移動及び体外との熱交換を熱収支計算式で繰り返し計算することによって、運動中における深部体温を推定する深部体温推定方法において、
   複数種類でかつ各々について複数の値が準備された個人差パラメータと、前記熱移動及び前記熱交換に対して各々複数の遅延値が準備された遅延パラメータとを設定し、かつ測定した初期深部体温と初期皮膚温とを入力して、ウォーミングアップ段階で全てのパラメータの組合せを前記熱収支計算式に適用して並列計算させるウォーミングアップ並列演算工程と、
   ウォーミングアップ終了時に測定した深部体温と前記並列計算の各結果とを比較して最適のパラメータ組を選出する選出工程と、
   前記最適のパラメータ組を適用して前記熱収支計算式を実行し、前記深部体温を算出するモニタ演算工程とを備えた深部体温推定方法。
6. 生体温熱モデルを用い、コンピュータによって、センサでの測定に基づいて取得された深部での熱産生から体内の熱移動及び体外との熱交換を熱収支計算式で繰り返し計算することによって、運動中における深部体温を推定するプログラムにおいて、
   複数種類でかつ各々について複数の値が準備された個人差パラメータと、前記熱移動及び前記熱交換に対して各々複数の遅延値が準備された遅延パラメータとを設定し、かつ測定した初期深部体温と初期皮膚温とを入力して、ウォーミングアップ段階で全てのパラメータの組合せを前記熱収支計算式に適用して並列計算させるウォーミングアップ並列演算手段、
   ウォーミングアップ終了時に測定した深部体温と前記並列計算の各結果とを比較して最適のパラメータ組を選出する選出手段、および
   前記最適のパラメータ組を適用して前記熱収支計算式を実行し、前記深部体温を算出するモニタ演算手段、として前記コンピュータを機能させるプログラム。