JP2018000597A - 生体情報処理システム及びプログラム - Google Patents

Abstract

【課題】 ユーザーの負担を抑えつつ、ユーザーの生活習慣に関する指標を精度よく求める生体情報処理システム及びプログラム等を提供すること。【解決手段】 生体情報処理システム１００は、ユーザーの生体情報に基づいて、第１〜第Ｎ（Ｎは２以上の整数）の状態のうち、ユーザーがいずれの状態かを判定する判定部１２０と、状態判定処理の結果に基づいて、生活習慣評価指標を演算する演算部１３０を含み、第１〜第Ｎの状態は、睡眠状態である第１の状態と、身体的負荷状態である第２の状態と、を少なくとも含み、演算部１３０は、判定期間において第１〜第Ｎの状態の各状態と判定された時間である第１〜第Ｎの時間に基づいて、生活習慣評価指標を演算する。【選択図】 図１

Description

本発明は、生体情報処理システム及びプログラム等に関する。

近年、生活習慣病が重大な疾病として広く知られている。生活習慣病とは、生活習慣に起因する疾病であり、高血圧、糖尿病、脂質異常、肥満等が知られている他、これらに関連して癌、心臓病、脳卒中等の重大な疾病が発生することも知られている。

生活習慣病は、その多くが生活習慣の異常に起因することから、生活習慣を改善することで、その発生を抑止できると考えられる。例えば特許文献１には、ユーザーの健康状態の改善に有効であって且つユーザーの意思により実施可能な具体的な改善活動を、ユーザーに提示するための手法、及び日常生活における身体活動や生活習慣の改善が総合的な健康状態にどのように影響するのかを可視化する手法が開示されている。

また、特許文献２には、ウェアラブル機器を用いて脈波情報を計測し、脈波情報に基づいて精度よく睡眠時間情報、ストレス情報等を演算する手法が開示されている。睡眠時間や、身体的負荷（フィジカルストレス）を受けている時間、精神的負荷（メンタルストレス）を受けている時間等の情報は、ユーザーの生活習慣を表す情報として利用可能と考えられる。

特開２０１０−１２２９０１号公報 特開２０１４−５０４５１号公報

特許文献１の手法では、身体活動若しくは生活習慣に関する指標である「生活指標」、身体の生理的な状態に関する指標である「生体指標」、ユーザーの年齢や性別などの「属性情報」、及び疫学情報の統計データで構成される「複合情報」に基づいて、「総合健康指標」を決定し、「複合情報」においてリスク増加に寄与する因子を注目指標として抽出し、これを改善するためにユーザーが意識的に実施できる行動を提案する。

しかし特許文献１の手法では、ユーザーの健康リスクの高低の判定には、種々の「生体指標」（及び「属性情報」）が用いられている。つまり、正しい判定するためには、ユーザーが血圧計、血糖計、体組成計、活動量計、睡眠計などの様々な機器を使って生体指標を入力することが必要になり、ユーザーにとって大きな負担となる。

また、特許文献２では、睡眠時間やストレスに関する時間等を演算する手法を開示しているが、生活習慣が正常か異常かの判定において、それらの情報をどのように用いるかについて具体的な開示がない。特に、各情報は相互に関連するものであるため、生活習慣の判定において複数の情報の組み合わせが重要と考えられるところ、組み合わせ手法に関する開示は見られない。

本発明の幾つかの態様によれば、ユーザーの負担を抑えつつ、ユーザーの生活習慣に関する指標を精度よく求める生体情報処理システム及びプログラム等を提供できる。

本発明の一態様は、取得されたユーザーの生体情報に基づいて、生活習慣評価指標を求めるために設定された第１〜第Ｎ（Ｎは２以上の整数）の状態のうち、前記ユーザーがいずれの状態かを判定する状態判定処理を行う判定部と、前記状態判定処理の結果に基づいて、前記生活習慣評価指標を演算する演算部と、を含み、前記第１〜第Ｎの状態は、前記ユーザーが睡眠を行っている睡眠状態である第１の状態と、他の状態に比べて身体的負荷が大きい身体的負荷状態である第２の状態と、を少なくとも含み、前記演算部は、判定期間において前記第１〜第Ｎの状態の各状態と判定された時間である第１〜第Ｎの時間を求め、前記第１〜第Ｎの時間に基づいて、前記生活習慣評価指標を演算する生体情報処理システムに関係する。

本発明の一態様では、生体情報に基づく状態判定処理を行い、状態判定結果に基づいて生活習慣評価指標を求める。この際、少なくとも睡眠状態と身体的負荷状態とを含む複数の状態を考慮し、各状態と判定された時間から生活習慣評価指標を求める。このようにすれば、ウェアラブル機器等を用いて容易に取得可能な情報に基づいて精度よく生活習慣評価指標を求めること等が可能になる。

また、本発明の一態様では、前記演算部は、前記第１の状態に対応する第１の時間、及び前記第２の状態に対応する第２の時間が長いほど、前記生活習慣評価指標が高い評価になるように、前記生活習慣評価指標を演算してもよい。

これにより、第１，第２の時間の長さに応じた生活習慣評価指標を求めることが可能になる。

また、本発明の一態様では、前記第１〜第Ｎの状態は、他の状態に比べて精神的負荷が大きい精神的負荷状態である第３の状態を含んでもよい。

これにより、精神的負荷状態を考慮した生活習慣評価指標の演算が可能になる。

また、本発明の一態様では、前記演算部は、前記第３の状態に対応する第３の時間が長いほど、前記生活習慣評価指標が低い評価になるように、前記生活習慣評価指標を演算してもよい。

これにより、第３の時間の長さに応じた生活習慣評価指標を求めることが可能になる。

また、本発明の一態様では、前記第１〜第Ｎの状態は、前記ユーザーの体動情報の値が所定閾値以下の状態である第４の状態を含んでもよい。

これにより、体動が比較的小さい状態を考慮した生活習慣評価指標の演算が可能になる。

また、本発明の一態様では、前記演算部は、前記第４の状態に対応する第４の時間が長いほど、前記生活習慣評価指標が低い評価になるように、前記生活習慣評価指標を演算してもよい。

これにより、第４の時間の長さに応じた生活習慣評価指標を求めることが可能になる。

また、本発明の一態様では、前記判定部は、前記ユーザーの基底心拍数情報と、各タイミングでの脈波情報から求められる心拍数情報とに基づいて、前記状態判定処理を行ってもよい。

これにより、基底心拍数情報を用いることで精度の高い状態判定処理が可能になる。

また、本発明の一態様では、前記判定部は、前記基底心拍数情報と前記心拍数情報とから求められる活動強度、及び、前記ユーザーの体動の大きさを表す体動強度に基づいて、前記状態判定処理を行ってもよい。

これにより、活動強度及び体動強度を用いることで精度の高い状態判定処理が可能になる。

また、本発明の一態様では、前記判定部は、前記ユーザーの基底心拍数情報と、各タイミングでの脈波情報から求められる心拍数情報とから求められる活動強度、及び、前記ユーザーの体動の大きさを表す体動強度に基づいて、前記状態判定処理を行い、前記判定部は、前記活動強度が第１活動強度未満の場合に、前記睡眠状態である第１の状態と判定し、前記活動強度が第２活動強度以上であり、且つ、前記体動強度が第１体動強度以上の場合に、前記身体的負荷状態である第２の状態と判定してもよい。

これにより、活動強度及び体動強度を用いて第１，第２の状態を適切に判定することが可能になる。

また、本発明の一態様では、前記第１〜第Ｎの状態は、他の状態に比べて精神的負荷が大きい精神的負荷状態である第３の状態を含み、前記判定部は、前記活動強度が前記第２活動強度以上であり、且つ、前記体動強度が前記第１体動強度未満の場合に、前記精神的負荷状態である前記第３の状態と判定してもよい。

これにより、活動強度及び体動強度を用いて第３の状態を適切に判定することが可能になる。

また、本発明の一態様では、前記第１〜第Ｎの状態は、前記ユーザーの体動情報の値が所定閾値以下の状態である第４の状態を含み、前記判定部は、前記体動強度が前記第１体動強度未満の場合に、前記第４の状態と判定してもよい。

これにより、少なくとも体動強度を用いて第４の状態を適切に判定することが可能になる。

また、本発明の一態様では、前記第１〜第Ｎの状態は、他の状態に比べて精神的負荷が大きい精神的負荷状態である第３の状態と、前記ユーザーの体動情報の値が所定閾値以下の状態である第４の状態と、を含み、前記第１の状態に対応する第１の時間の長さを表す値をＳとし、前記第２の状態に対応する第２の時間の長さを表す値をＥとし、前記第３の状態に対応する第３の時間の長さを表す値をＭとし、前記第４の状態に対応する第４の時間の長さを表す値をＡ⁻とした場合に、前記演算部は、Ｓ，Ｅが大きくなるほど大きくなり、Ｍ，Ａ⁻が大きいほど小さくなるように、前記生活習慣評価指標を求めてもよい。

これにより、Ｓ，Ｍ，Ｅ，Ａ⁻の少なくとも４つの変数を用いて、生活習慣評価指標を演算することが可能になる。

また、本発明の他の態様は、取得されたユーザーの生体情報に基づいて、生活習慣評価指標を求めるために設定された第１〜第Ｎ（Ｎは２以上の整数）の状態のうち、前記ユーザーがいずれの状態かを判定する状態判定処理と、前記状態判定処理の結果に基づいて、前記生活習慣評価指標を演算する演算処理と、をコンピューターに実行させ、前記第１〜第Ｎの状態は、前記ユーザーが睡眠を行っている睡眠状態である第１の状態と、他の状態に比べて身体的負荷が大きい身体的負荷状態である第２の状態と、を少なくとも含み、前記生活習慣評価指標の前記演算処理において、判定期間において前記第１〜第Ｎの状態の各状態と判定された時間である第１〜第Ｎの時間を求め、前記第１〜第Ｎの時間に基づいて、前記生活習慣評価指標を演算するプログラムに関係する。

精神的負荷時間と深睡眠時間の相関関係の説明図。 生体情報処理システムの簡単な構成例。 生体情報処理システムの詳細な構成例。 ウェアラブル機器の外観図。 ウェアラブル機器の外観図。 ウェアラブル機器と他の機器の接続例。 生体情報処理システムを含むシステムの構成例。 脈拍数（心拍数）、加速度、ピッチの時間変化例。 生活習慣評価指標と血圧の相関関係の説明図。 生活習慣評価指標とＢＭＩの相関関係の説明図。 生活習慣評価指標と中性脂肪の相関関係の説明図。 生活習慣評価指標と脂質の相関関係の説明図。 生活習慣評価指標と尿酸の相関関係の説明図。 生活習慣評価指標と血糖の相関関係の説明図。 本実施形態の処理を説明するフローチャート。 生活習慣評価指標とストレス反応問診指数との関係図。 生活習慣評価指標と身体的負荷時間との関係図。 未病ゾーンと目標ゾーンの表示例。 正常な被験者の状態判定結果の例。 正常な被験者のストレスチェック結果の例。 生活習慣病保有者の状態判定結果の例。 生活習慣病保有者のストレスチェック結果の例。 生活習慣病保有者の状態判定結果の例。 生活習慣病保有者のストレスチェック結果の例。 生活習慣病保有者の状態判定結果の例。 生活習慣病保有者のストレスチェック結果の例。 自己管理に基づく生活習慣評価指標及びストレス反応問診指数の変化例。

以下、本実施形態について説明する。なお、以下に説明する本実施形態は、特許請求の範囲に記載された本発明の内容を不当に限定するものではない。また本実施形態で説明される構成の全てが、本発明の必須構成要件であるとは限らない。

１．本実施形態の手法
まず本実施形態の手法について説明する。生活習慣病は、上述したように癌、心臓病、脳卒中といった重大な疾病につながることから、発生前の予防が非常に重要である。生活習慣病は遺伝的な要因で発症する場合もあるが、多くの場合、生活習慣の異常が要因となるため、生活習慣の異常を何らかの手法により検出し、生活習慣の改善を可能とする手法が望まれる。

特許文献１の手法では、複数の複合指標から総合健康指標を求め、指標が悪い場合に、リスクを増大させている生活指標を抽出する。特許文献１の生活指標を生活習慣を表す情報であると考えれば、特許文献１の手法により生活習慣の改善が可能とも考えられる。しかし、特許文献１では、複合指標の演算には、血圧値や血糖値、体重、体脂肪率等の種々の生体指標が用いられる。そして、総合健康指標（複合指標）が低評価であった場合に、その要因と考えられる生活指標を抽出しているに過ぎない。

言い換えれば、特許文献１の手法は、脳卒中リスクを血圧値と血糖値から求めるように、生活習慣病のうちの所与の疾病のリスクを、当該疾病に直接的に関連する生体情報を用いて求める手法であって、生活指標から生活習慣の正常、異常を判定する手法ではない。そのため、特許文献１の手法では、血圧計や血糖計等、生活習慣病に関連する生体情報を計測可能な種々の機器を用いる必要があり、ユーザー（被験者）の負担が大きい。さらに言えば、生活習慣を表す情報としては、ユーザーの精神状態に関する情報（例えば精神的負荷、メンタルストレス）もあり、生体指標は精神的な影響で変動しやすいと考えられる。つまり、特許文献１の手法では、ユーザーの精神状態という重要な要素が考慮されていないという課題もある。

また、特許文献２の手法では、基底心拍数ＨＲ_０を導入することで、睡眠時間（狭義には深睡眠時間）、消費カロリー、身体的負荷を受けた時間、精神的負荷を受けた時間等を精度よく演算することが可能である。これらの情報は、生活習慣を表す情報として利用可能であるところ、脈波センサーと体動センサーを有する機器であれば演算可能であるため、例えば図４、図５を用いて後述するウェアラブル機器２００により容易に取得可能であるという利点がある。

しかし、生活習慣を表す情報は相互に関連する。例えば、本出願人の調査により、昼間の時間帯において長時間精神的負荷を受けていた被験者は、夜間での深睡眠時間が短い傾向にあることが確認された。

図１は、１日の中で精神的負荷を受けていた時間である精神的負荷時間Ｍ（単位：hour）と、１日の中で深睡眠状態（徐波睡眠状態）となっていた時間である深睡眠時間Ｓ（単位：hour）の相関を示す図である。横軸が精神的負荷時間を表し、縦軸が深睡眠時間を表す。相関係数は−０．２０程度と小さいものの、ＭとＳとは統計的に有意に負の相関を有することがわかる。

また、特許文献２の手法では、身体的負荷を受けていた時間である身体的負荷時間Ｅや、体動の大きさが所定閾値以下の状態の時間である低体動時間Ａ⁻といった情報を求めることができる。そして、Ｍ，Ｓ，Ｅ，Ａ⁻は、ＭとＳ以外の組み合わせについても相互に相関を有することが確認された。

つまり、これらの情報に基づいて生活習慣を評価しようとした場合、いずれか１つのみの情報を用いたり、各情報を独立に用いて相互作用を考慮しないのでは、対象ユーザーの生活習慣を精度よく評価することは困難である。しかし特許文献２では、生活習慣を評価する際の、Ｍ，Ｓ，Ｅ，Ａ⁻等の情報の具体的な組み合わせに関する開示がない。

そこで本出願人は、ユーザー負担を抑えつつ、ユーザーの生活習慣を適切に評価する手法を提案する。具体的には、本実施形態に係る生体情報処理システム１００は、図２に示したように、取得されたユーザーの生体情報に基づいて、生活習慣評価指標を求めるために設定された第１〜第Ｎ（Ｎは２以上の整数）の状態のうち、ユーザーがいずれの状態かを判定する状態判定処理を行う判定部１２０と、状態判定処理の結果に基づいて、生活習慣評価指標を演算する演算部１３０を含む。そして、第１〜第Ｎの状態は、ユーザーが睡眠を行っている睡眠状態である第１の状態と、他の状態に比べて身体的負荷が大きい身体的負荷状態である第２の状態とを少なくとも含み、演算部１３０は、判定期間において第１〜第Ｎの状態の各状態と判定された時間である第１〜第Ｎの時間を求め、第１〜第Ｎの時間に基づいて、生活習慣評価指標を演算する。なお、「他の状態」とは、第１〜第Ｎの状態のうちの、対象としている状態（ここでは第２の状態）以外の状態を表す。

ここで生体情報とは、ユーザーの生体活動の状態を表す情報であり、狭義には特許文献２と同様に脈波情報（狭義には心拍数情報）であってもよい。また、生活習慣評価指標とは、生活習慣の良し悪しを評価する指標である。本実施形態では、後述するＬＳｉのように、生活習慣評価指標が数値により表される情報である例について説明する。ＬＳｉの例であれば、数値が大きいほど生活習慣がよく、数値が小さいほど生活習慣が悪いことを表す。ただし、生活習慣評価指標が、「良い」「普通」「悪い」、或いは「正常」「異常」といった複数の段階のいずれかを特定するような情報であることは妨げられない。また、生活習慣指標とは、コンピューターに対して、対象ユーザーの生活習慣を評価させる情報であってもよい。例えば、コンピューターに対して生活習慣指標を入力し、当該コンピューターは入力されたユーザーの生活習慣評価指標を用いた演算処理を行うことで、ユーザーの生活習慣を評価（判定）する。

また、ここでの判定期間とはユーザーの生活習慣の評価単位となる期間を表す。例えば、一般的なユーザーは１日（２４時間）を生活サイクルとして、毎日ある程度定まった時間帯において睡眠、食事、仕事や家事等の活動を行う。生活習慣の判定では、少なくともユーザーの生活サイクルにおける１サイクル分の長さでの測定結果を利用するとよい。よってここでの判定期間は例えば２４時間とする。ただし、労働日（例えば月曜日〜金曜日）と、休暇日（例えば土曜日と日曜日）では、生活サイクルが異なることも多いと考えられる。この意味ではユーザーの生活サイクルは１週間で１サイクルと考えることもできる。よって本実施形態の判定期間は１週間としてもよい。なお、第１〜第Ｎの時間の各時間は、１週間の累計値としてもよいが、１週間の中では生体情報の測定が行われない日、時間帯があることが想定される。例えば、ユーザーが単純にウェアラブル機器を装着し忘れることもあるし、装着を煩わしく感じて外してしまうこともある。第１〜第Ｎの時間として１週間分の累計値を用いると、非装着の場合に値が極端に小さくなるおそれもある。よって本実施形態における「判定期間において第１〜第Ｎの状態の各状態と判定された時間である第１〜第Ｎの時間」とは、１週間の間に計測された各時間の１日当たりの平均時間を用いてもよい。

また、睡眠はレム睡眠とノンレム睡眠に分けられ、ノンレム睡眠はさらにステージ１〜ステージ４に区分されることが知られている。本実施形態における睡眠状態とは、これらの全ての状態を含むことは妨げられない。ただし、多くの活動が抑制されており、ユーザーの気力体力の回復に大きく寄与する睡眠は深睡眠（例えばノンレム睡眠のうちのステージ３及び４）と考えられる。よって本実施形態における睡眠状態とは、狭義には深睡眠状態を表すものであってもよい。以下、本明細書では、睡眠状態（第１の状態）が深睡眠状態であり、第１の時間とは深睡眠時間である例について説明する。

本実施形態の手法によれば、少なくとも睡眠時間Ｓや身体的負荷時間Ｅに基づいて、生活習慣指標を求めることが可能になる。複数の情報を組み合わせて用いるため、情報間の相互作用も考慮した精度の高い生活習慣評価指標を求めることが可能になる。また、特許文献２にも開示されているように、睡眠時間Ｓや身体的負荷時間Ｅは、脈拍計等のウェアラブル機器により取得（計測、演算）可能な情報であるため、ユーザーは種々の機器による計測を行う必要がない。なお、図７を用いて後述するように、ユーザーの総合的な健康管理を考えれば、血圧計や血糖計等の機器を用いた計測も重要になるが、少なくとも生活習慣の評価を行う場面においては、それらの計測を必須としないことが可能である。例えば、ウェアラブル機器２００により計測される脈波情報及び体動情報に基づいて、生活習慣病に関するスクリーニングを行い、生活習慣が悪いと判定された場合に、血圧計等を用いた計測を行うといった形態を用いれば、煩雑な計測の頻度を低減できる。

本実施形態の手法によれば、例えば生活習慣が異常であり、生活習慣病のリスクが高いこと（東洋医学の用語における「未病」の一例）を生活習慣評価指標により判定できる。よって、判定結果に基づいて生活習慣の改善も可能となり、生活習慣の発症を抑止することが可能になる。

以下、まず生体情報等を取得する機器の具体例であるウェアラブル機器２００や、本実施形態の生体情報処理システム１００のシステム構成例について説明する。その後、生活習慣評価指標の演算手法の例について説明し、さらにストレス反応問診指数等を併用して二次元座標を用いて処理を行う例について説明する。その後、種々の類型のユーザーのデータ例について説明し、本実施形態の手法に基づく生活習慣の改善指導結果について説明する。

２．システム構成例
図３に本実施形態に係る生体情報処理システム１００の詳細な構成例を示す。生体情報処理システム１００は、情報取得部１１０と、判定部１２０と、演算部１３０を含む。また、判定部１２０は、基底心拍数情報取得部１２１と、判定処理部１２３を含む。ただし、生体情報処理システム１００は図３の構成に限定されず、これらの一部の構成要素を省略したり、他の構成要素を追加するなどの種々の変形実施が可能である。例えば、生体情報処理システム１００は、生活習慣評価指標に関する情報を表示する表示部等を含んでもよいし、図３に示したセンサー部４０を含んでもよい。

情報取得部１１０は、ユーザーの生体情報及び体動情報を取得する。情報取得部１１０は、例えば生体センサー及び体動センサーを含む生体情報測定装置（ウェアラブル機器２００）からの生体情報及び体動情報を取得する。以下、生体センサーは脈波センサー（心拍センサー）であり、生体情報が脈波情報である例について説明する。脈拍センサーとしては例えば光電センサーが用いられる。この場合には、生体に対して照射された光の反射光又は透過光を当該光電センサーで検出する手法等が考えられる。血管内の血流量に応じて、照射された光の生体での吸収量、反射量が異なるため、光電センサーで検出したセンサー情報は血流量等に対応した信号となり、当該信号を解析することで拍動に関する情報を取得することができる。ただし、脈波センサーは光電センサーに限定されず、心電計や超音波センサー等、他のセンサーを用いてもよい。また、体動センサーは、ユーザーの体動を検出するセンサーである。体動センサーとしては、加速度センサーや角速度センサー等を用いることが考えられるが、他のセンサーを用いてもよい。

判定部１２０は、ユーザーの基底心拍数情報と、各タイミングでの脈波情報から求められる心拍数情報とに基づいて、状態判定処理を行う。基底心拍数情報とは、基底状態の心拍数（脈拍数）を表す情報のことであり、具体的には深睡眠状態における心拍数である。心拍数は、フィジカル活動及びメンタル活動により上昇し、安静状態にあったとしても値の変動が起こりうる。しかし、深睡眠状態での心拍数情報は、浅い睡眠状態や覚醒状態（体動時、非体動時を含む）に比べて変動が少ない最小値（固有値）となることがわかっており、且つその値は同一ユーザーであれば日差変動が小さい。つまり、深睡眠状態での脈波情報から基底心拍数情報を求めれば、その値はユーザー間の個人差を考慮した値となり、且つ一度（例えば一回の睡眠により）基底心拍数情報が取得されれば、その際の値を長期間使い続けることができる。

基底心拍数情報取得部１２１は、所定期間の脈波情報に基づいて、基底心拍数情報を求める。判定処理部１２３は、基底心拍数情報と各タイミングでの心拍数との比較処理、及び体動情報と所与の体動閾値との比較処理に基づいて、ユーザーが第１〜第Ｎの状態のいずれの状態であるかを判定する状態判定処理を行う。以下では、第１の状態が睡眠状態（深睡眠状態）、第２の状態が身体的負荷を受けている状態、第３の状態が精神的負荷を受けている状態、第４の状態が体動が小さい状態である例について説明する。ただし、ここでの第１〜第Ｎの状態の各状態は、生活習慣評価指標の演算用に設定された状態、すなわちユーザーの生活習慣に関連する状態であればよく、上記第１〜第４の状態のいずれかを省略してもよいし、他の状態を追加してもよい。状態判定処理の詳細については後述する。

演算部１３０は、状態判定処理の結果に基づいて、生活習慣評価指標の演算処理を行う。演算処理の詳細については後述する。

本実施形態に係る生体情報及び体動情報は、ユーザーの身体に装着されるウェアラブル機器２００により取得してもよい。図４は、ウェアラブル機器２００の外観図の例である。図４に示したように、ウェアラブル機器２００は、ケース部３０と、ケース部３０をユーザーの身体（狭義には手首）に固定するためのバンド部１０を含み、バンド部１０には嵌合穴１２と尾錠１４が設けられる。尾錠１４は、尾錠枠１５及び係止部（突起棒）１６から構成される。

図４は、嵌合穴１２と係止部１６を用いてバンド部１０が固定された状態であるウェアラブル機器２００を、バンド部１０側の方向（ケース部３０の面のうち装着状態において被検体側となる面側）から見た斜視図である。図４のウェアラブル機器２００では、バンド部１０に複数の嵌合穴１２が設けられ、尾錠１４の係止部１６を、複数の嵌合穴１２のいずれかに挿入することでユーザーへの装着が行われる。複数の嵌合穴１２は、図４に示すようにバンド部１０の長手方向に沿って設けられる。

ウェアラブル機器２００のケース部３０には、センサー部４０が設けられる。図４では、生体センサー（脈波情報を取得するための光電センサー）を想定し、ケース部３０のうち、ウェアラブル機器２００の装着時に被検体側となる面にセンサー部４０が設けられる例を示した。ただし、センサー部４０に含まれるセンサーが設けられる位置は図４には限定されない。例えばセンサー部４０に含まれるセンサーは、ケース部３０の内部（特に、ケース部３０に含まれるセンサー基板上）に設けられてもよい。

図５は、ユーザーが装着した状態でのウェアラブル機器２００を、表示部５０の設けられる側から見た図である。図５からわかるように、本実施形態に係るウェアラブル機器２００は通常の腕時計の文字盤に相当する位置、あるいは数字やアイコンを視認可能な位置に表示部５０を有する。ウェアラブル機器２００の装着状態では、ケース部３０のうちの図４に示した側の面が被検体に密着するとともに、表示部５０は、ユーザーによる視認が容易な位置となる。

なお、図４、図５ではウェアラブル機器２００のケース部３０を基準として座標系を設定し、表示部５０の表示面に交差する方向であって、表示部５０の表示面側を表面とした場合の裏面から表面へと向かう方向をＺ軸正方向としている。あるいは、センサー部４０（狭義には図４に示した光電センサー）から表示部５０に向かう方向、あるいは表示部５０の表示面の法線方向においてケース部３０から離れる方向をＺ軸正方向と定義してもよい。ウェアラブル機器２００が被検体に装着された状態では、上記Ｚ軸正方向とは、被検体からケース部３０へと向かう方向に相当する。また、Ｚ軸に直交する２軸をＸＹ軸とし、特にケース部３０に対してバンド部１０が取り付けられる方向をＹ軸に設定している。

本実施形態に係る生体情報処理システム１００は、ウェアラブル機器２００と接続される情報処理装置であってもよい。図６は、ウェアラブル機器２００と情報処理装置４００の接続例を示す図である。図６に示したように、ウェアラブル機器２００は、スマートフォン等の携帯端末装置３００と近距離無線通信等により接続され、携帯端末装置３００は、ネットワークＮＥを介してＰＣ（personal computer）やサーバーシステム等の情報処理装置４００と接続される。ここでのネットワークＮＥは、ＷＡＮ（Wide Area Network）、ＬＡＮ（Local Area Network）、近距離無線通信等、種々のネットワークを利用できる。この場合、生体情報処理システム１００である情報処理装置４００の情報取得部１１０は、ネットワークＮＥを介してウェアラブル機器２００で計測された生体情報や体動情報を受信する通信部（受信処理部）として実現される。

図６に示した例では、ウェアラブル機器２００は携帯端末装置３００との通信が可能であればよく、直接的にネットワークＮＥに接続する必要がない。よって、ウェアラブル機器２００の構成を簡略化することが可能になる。ただし、図６の携帯端末装置３００を省略し、ウェアラブル機器２００と情報処理装置４００を直接接続する変形実施も可能である。

また、本実施形態に係る生体情報処理システム１００は情報処理装置４００により実現されるものには限定されない。例えば、生体情報処理システム１００は、図６の携帯端末装置３００により実現されてもよい。スマートフォン等の携帯端末装置３００は、サーバーシステムに比べれば処理性能や記憶領域、バッテリー容量に制約があることが多いが、近年の性能向上を考慮すれば、十分な処理性能等を確保可能となることも考えられる。よって、処理性能等の要求が満たされるのであれば、携帯端末装置３００を本実施形態に係る生体情報処理システム１００とすることが可能である。

さらにいえば、端末性能の向上、或いは利用形態等を考慮した場合、ウェアラブル機器２００により本実施形態に係る生体情報処理システム１００を実現する実施形態も否定されない。この場合、情報取得部１１０は、同一装置内の生体センサー、体動センサーからの情報を取得することになる。

また、本実施形態に係る生体情報処理システム１００は、１つの装置により実現するものには限定されない。例えば、生体情報処理システム１００は、ウェアラブル機器２００、携帯端末装置３００及び情報処理装置４００のうちの２以上の装置を含んでもよい。この場合、生体情報処理システム１００で実行される処理は、いずれか１つの機器において実行されてもよいし、複数の機器で分散処理されてもよい。また、本実施形態に係る生体情報処理システム１００が、生体情報処理装置（ウェアラブル機器２００）、携帯端末装置３００、情報処理装置４００とは異なる機器を含むことも妨げられない。

また、本実施形態に係る生体情報処理システム１００の各部の処理をプログラムにより実現することも可能である。すなわち、本実施形態の手法は、取得されたユーザーの生体情報に基づいて、生活習慣評価指標を求めるために設定された第１〜第Ｎ（Ｎは２以上の整数）の状態のうち、ユーザーがいずれの状態かを判定する状態判定処理と、状態判定処理の結果に基づいて、生活習慣評価指標を演算する演算処理と、をコンピューターに実行させるプログラムに適用できる。そして、第１〜第Ｎの状態は、ユーザーが睡眠を行っている睡眠状態である第１の状態と、他の状態に比べて身体的負荷が大きい身体的負荷状態である第２の状態と、を少なくとも含み、本実施形態に係るプログラムは、上記の生活習慣評価指標の演算処理において、判定期間において第１〜第Ｎの状態の各状態と判定された時間である第１〜第Ｎの時間を求め、第１〜第Ｎの時間に基づいて、生活習慣評価指標を演算する。より具体的には、本実施形態に係るプログラムは、後述する図１５に示した各ステップをコンピューターに実行させる。

また、本実施形態の生体情報処理システム１００は、情報（例えばプログラムや各種のデータ）を記憶するメモリーと、メモリーに記憶された情報に基づいて動作するプロセッサーを含む。プロセッサーは、ユーザーの生体情報に基づいて、生活習慣評価指標を求めるために設定された第１〜第Ｎ（Ｎは２以上の整数）の状態のうち、ユーザーがいずれの状態かを判定する状態判定処理と、状態判定処理の結果に基づいて、生活習慣評価指標を演算する演算処理とを行う。

プロセッサーは、例えば各部の機能が個別のハードウェアで実現されてもよいし、或いは各部の機能が一体のハードウェアで実現されてもよい。プロセッサーは、例えばＣＰＵであってもよい。ただしプロセッサーはＣＰＵに限定されるものではなく、ＧＰＵ（Graphics Processing Unit）、或いはＤＳＰ（Digital Signal Processor）等、各種のプロセッサーを用いることが可能である。またプロセッサーはＡＳＩＣによるハードウェア回路でもよい。メモリーは、例えばＳＲＡＭ（Static Random Access Memory）、ＤＲＡＭ（Dynamic Random Access Memory）などの半導体メモリーであってもよいし、レジスターであってもよいし、ハードディスク装置等の磁気記憶装置であってもよいし、光学ディスク装置等の光学式記憶装置であってもよい。例えば、メモリーはコンピューターにより読み取り可能な命令を格納しており、当該命令がプロセッサーにより実行されることで、生体情報処理システム１００の各部の機能が実現されることになる。ここでの命令は、プログラムを構成する命令セットの命令でもよいし、プロセッサーのハードウェア回路に対して動作を指示する命令であってもよい。

本実施形態の動作は例えば以下のように実現される。プロセッサーは、生体情報（脈波情報）を取得し、メモリーに記憶する。そしてプロセッサーは、メモリーから所定期間での脈波情報を読み出し、基底心拍数情報を求め、求めた基底心拍数情報をメモリーに記憶する。さらにプロセッサーは、メモリーから基底心拍数情報、脈波情報、及び体動情報を読み出し、状態判定処理を行って結果をメモリーに記憶する。さらにプロセッサーは、状態判定処理結果をメモリーから読み出し、生活習慣評価指標を求め、求めた生活習慣評価指標の出力処理を行う。

また、本実施形態の生体情報処理システム１００の各部は、プロセッサー上で動作するプログラムのモジュールとして実現される。例えば判定部１２０は、生活習慣評価指標を求めるために設定された第１〜第Ｎ（Ｎは２以上の整数）の状態のうち、ユーザーがいずれの状態かを判定する状態判定モジュールとして実現される。演算部は、状態判定処理の結果に基づいて、生活習慣評価指標を演算する演算モジュールとして実現される。

図７は、本実施形態の生体情報処理システム１００を利用した生活習慣改善支援システムの例を示す図である。被験者は、家庭や職場において、主としてウェアラブル機器２００を用いて生体情報や体動情報を測定する。総合的な生活習慣改善支援を考慮すれば、図７に示したように、被験者は血圧計や体重計、尿塩分モニター計等、種々の機器を用いてデータを測定することが望ましい。

測定されたデータは、スマートフォン等の携帯端末装置３００を介してサーバーシステム等の情報処理装置４００に送信される。情報処理装置４００では、生活習慣評価指標等を演算し、被験者の携帯端末装置３００に対して生活習慣を改善するための情報を送信する。ここでは、生活習慣評価指標そのものや、図８を用いて後述するような時系列の実測データを送信、提示してもよいし、生活習慣が悪い場合にその要因や改善のためのアドバイス情報を送信、提示してもよい。

アドバイス情報の生成等は、情報処理装置４００が自動的に行ってもよいし、専門的な知見を有する団体（図７の例では予防医学協会であり、例えば医師を含んで構成される）の管理に基づいて行われてもよい。また、予防医学協会は、特定検診やストレスチェック（詳細については後述）の実行主体となり、専門的な立場から被験者に関するより詳細な情報を取得する。さらに予防医学協会は、情報処理装置４００からの情報に基づいて被験者が生活習慣の自己管理を実行する場合に、アドバイス等を行うことで当該自己管理を支援する。

また、被験者の具体的な病気治療や食事管理等を考慮すれば、病院や配食産業、保険組合の利用も考えるとよい。その場合、被験者による病院等の利用についても、予防医学協会が支援するとよい。

３．生活習慣評価指標
次に生活習慣評価指標の具体例について説明する。まず、状態判定処理について簡単に説明し、その後、状態判定処理の結果を用いた生活習慣評価指標の演算処理の具体例について説明する。また、図１５のフローチャートを用いて本実施形態の処理の具体例について説明する。

３．１ 状態判定処理
図８は、本実施形態の生体情報処理システム１００で取得される情報の例である。生体情報処理システム１００は、時系列の脈波情報、体動情報を取得するものであり、例えば図８に示したように、脈拍数（心拍数）、加速度、ピッチの時系列的な情報を取得する。これらの情報は、ユーザーの活動状態を表す情報として有用であるため、図８のように値の推移をグラフ等を用いて表示してもよい。なお、ピッチは歩数に対応する情報と考えられる。

本実施形態の判定部１２０は、基底心拍数情報と心拍数情報とから求められる活動強度、及び、ユーザーの体動の大きさを表す体動強度に基づいて、状態判定処理を行う。そのため、判定部１２０（基底心拍数情報取得部１２１）は、脈波情報に基づいて基底心拍数情報を求める。基底心拍数情報の算出手法は種々考えられるが、例えば特許文献２の図３に開示されているように、非体動時の心拍数頻度分布の１％下限値を基底心拍数とすればよい。

基底心拍数情報を用いることで、状態判定処理を精度よく行うことが可能になる。本実施形態では、ユーザーの状態として、第１〜第Ｎの状態を考える。第１〜第Ｎの状態は、ユーザーが睡眠を行っている睡眠状態である第１の状態と、他の状態に比べて身体的負荷が大きい身体的負荷状態である第２の状態と、を少なくとも含む。また、第１〜第Ｎの状態は、他の状態に比べて精神的負荷が大きい精神的負荷状態である第３の状態や、ユーザーの体動情報の値が所定閾値以下の状態（体動の大きさが所定以下の状態）である第４の状態を含んでもよい。

このようにすれば、睡眠、身体的負荷、精神的負荷、体動に関する状態に基づいて、生活習慣評価指標を求めることが可能になる。睡眠不足であればユーザーの健康が損なわれるし、ストレスが過剰な場合もユーザーの健康が損なわれる。つまり睡眠、身体的負荷、精神的負荷に関する情報を用いることで、ユーザーの生活習慣を適切に判定できると考えられる。また、体動が少ない第４の状態とは、安静にしてリラックスしている状態も含みうるため、第４の状態となること自体が健康を害するとは言えない。しかし、第４の状態の割合が過剰に高い場合、質のよい睡眠がとれていない（深睡眠時間が短い）、或いは運動不足といった問題が生じている可能性がある。その点で、第４の状態についても、生活習慣評価指標を求めるための状態として有用と言える。

具体的には、判定部１２０（判定処理部１２３）は、活動強度が第１活動強度未満の場合に、睡眠状態である第１の状態と判定し、活動強度が第２活動強度以上であり、且つ、体動強度が第１体動強度以上の場合に、身体的負荷状態である第２の状態と判定する。

ここでの活動強度は種々考えられるが、例えば基底心拍数情報により表される基底心拍数の値ＨＲ_０に対する各タイミングでの脈拍数（心拍数）の値ＨＲの比率であってもよい。すなわちＨＲ／ＨＲ_０＜Ｔｈ_Ｈ１の場合に、判定部１２０はユーザーが睡眠状態と判定する。また、体動強度とは例えば体動情報の値を用いればよく、体動情報が加速度情報である場合、加速度値ＡＣＣを体動強度とする。ここでの加速度値は、いずれか１つの軸の加速度を用いてもよいし、複数軸での値を合成して求めてもよい。例えば、ＨＲ／ＨＲ_０≧Ｔｈ_Ｈ２且つＡＣＣ≧Ｔｈ_Ｍ１の場合に、判定部１２０は、ユーザーが身体的負荷を受けている状態と判定する。ここで、Ｔｈ_Ｈ１及びＴｈ_Ｈ２はそれぞれ活動強度の閾値であり、Ｔｈ_Ｈ１＜Ｔｈ_Ｈ２である。一例としては、Ｔｈ_Ｈ１＝１．１、Ｔｈ_Ｈ２＝１．６といった値を用いればよい。

また、判定部１２０は、活動強度が第２活動強度以上であり、且つ、体動強度が第１体動強度未満の場合に、精神的負荷状態である第３の状態と判定する。例えば、ＨＲ／ＨＲ_０≧Ｔｈ_Ｈ２且つＡＣＣ＜Ｔｈ_Ｍ１の場合に、判定部１２０は、ユーザーが精神的負荷を受けている状態と判定する。

また、判定部１２０は、体動強度が第１体動強度未満の場合に、第４の状態と判定する。例えば、ＡＣＣ＜Ｔｈ_Ｍ１の場合に、判定部１２０は、ユーザーの体動が小さい状態と判定する。

なお、ＡＣＣ＜Ｔｈ_Ｍ１の場合とは、ＨＲ／ＨＲ_０＜Ｔｈ_Ｈ１である第１の状態（睡眠状態）と、ＨＲ／ＨＲ_０≧Ｔｈ_Ｈ２である第３の状態（精神的負荷状態）と、Ｔｈ_Ｈ１≦ＨＲ／ＨＲ_０＜Ｔｈ_Ｈ２である第５の状態に分けられる。本実施形態における第４の状態とは、少なくとも第５の状態を含む状態である。具体的には、第４の状態とは、第５の状態のみを表してもよいし、第１の状態と第５の状態の和集合であってもよいし、第３の状態と第５の状態の和集合であってもよいし、第１、第３、第５の状態全ての和集合であってもよい。

３．２ 演算処理
図１を用いて上述したように、第１〜第４の各状態が互いに相関を持つことを考慮して、演算部１３０では、状態判定処理の結果のうち、各状態に対応する情報を独立して用いるのではなく、組み合わせて用いることで生活習慣評価指標を求める。

ここで、睡眠状態となる時間が過剰に短いと健康を害することを考えれば、睡眠状態（第１の状態）と判定された時間である第１の時間が長いほど、よい生活習慣であるという仮説が立てられる。同様に、身体的負荷状態がある程度の強度による運動を行っている状態であり、当該運動はユーザーの体力、筋力等を高める好ましい活動であることを考えれば、身体的負荷状態（第２の状態）と判定された時間である第２の時間が長いほど、よい生活習慣であると考えられる。

また、精神的負荷状態が緊張状態、或いは複雑な思考を行っている状態であり、当該状態が継続することは疲労や抑うつにつながることを考えれば、精神的負荷状態（第３の状態）と判定された時間である第３の時間が短いほど、よい生活習慣であると考えられる。また、体動が少ない時間が過剰に長い場合、睡眠不足や運動不足になることを考えれば、体動が少ない状態（第４の状態）と判定された時間である第４の時間が短いほど、よい生活習慣であると考えられる。

本出願人は、以上の仮説を検証し、第１〜第４の時間から、ユーザーの生活習慣を適切に指標化できるかについて、実証実験を行った。具体的には、約１００名の被験者を対象として、所定期間にわたって脈波情報及び体動情報を測定して、測定結果を用いた状態判定処理により、第１〜第４の時間を求めた。また、各ユーザーを対象として身長、体重、腹囲、血圧、生化学検査の各検査を含む特定検診を行い、生活習慣病保有者であるか否かを判定した。ここでは、生活習慣病として、肥満、高血圧、高血糖、脂質異常、高尿酸血症を考慮している。

特定検診の結果により、各被験者は、生活習慣病保有者である第１群と、生活習慣病保有者でない第２群のいずれかに分類される。よって、状態判定処理の結果として求められた第１〜第４の時間を用いて、約１００名のユーザーを精度よく第１群と第２群に分離することができれば、第１〜第４の時間は、生活習慣病のリスクを判別するための情報、すなわち生活習慣評価指標を求めるための情報として適切であると判定できる。

具体的には、１日当たりの第１の時間をＳとし、第２の時間をＥとし、第３の時間をＭとし、第４の時間をＡ⁻とした場合に、Ｓ，Ｅ，Ｍ，Ａ⁻の４つを含む変数による線形判別関数を用いた判別分析を行う。線形判別関数を用いた判別分析については広く知られた手法であるため、詳細な説明は省略する。

ここでは、体動が大きい状態（ＡＣＣ≧Ｔｈ_Ｍ１の場合）についても考慮し、上記のＳ，Ｅ，Ｍ，Ａ⁻に、１日当たりの体動が大きい状態の時間Ａ^＋を加えた５変数の線形判別関数を用いて判別分析を行った。その結果、線形判別関数として下式（１）が求められ、判別的中率は７６％、感度が７７．５％、特異度が７５％となった。なお下式（１）では、線形判別関数が０未満の場合が第１群（生活習慣病保有者）に対応し、０以上が第２群に対応する。
線形判別関数＝0.73 + E + 0.7S - 0.65M - 0.34A^- + 0.22A⁺ （１）

判別分析の結果からわかるように、Ｓ，Ｅ，Ｍ，Ａ⁻，Ａ^＋は被験者が生活習慣病保有者か否かを充分な精度で判別するための要素（変数）として利用可能であることが確認された。そして、各変数の係数からわかるように、Ｅ、Ｓ及びＡ^＋の値が大きいほど判別結果は第２群側に近づき、Ｍ，Ａ⁻の値が大きいほど判別結果は第１群側に近づく。また、Ｓ，Ｅ，Ｍ，Ａ⁻，Ａ^＋の全ての変数は時間（単位：hour）を表す情報であるため、係数の大きさの大小を、そのまま各変数の判別結果への寄与度の大小と考えてよい。

上式（１）の例では、線形判別関数の値が大きいほど生活習慣病のリスクが小さく、値が小さいほど生活習慣病のリスクが大きい。すなわち、線形判別関数は、その値が大きいほど生活習慣がよく（評価が高く）、値が小さいほど生活習慣が悪い（評価が低い）情報となるため、本実施形態では、線形判別関数の値を、生活習慣評価指標として用いてもよい。また、生活習慣評価指標として「よい」「悪い」の２値を用いるのであれば、線形判別関数＝０を境界として用いればよい。

このように、実験から上述した本出願人の仮定は正しいことが確認された。すなわち、演算部１３０は、第１の状態に対応する第１の時間、及び第２の状態に対応する第２の時間が長いほど、生活習慣評価指標が高い評価になるように、生活習慣評価指標を演算すればよい。また、演算部１３０は、第３の状態に対応する第３の時間、及び第４の状態に対応する第４の時間が長いほど、生活習慣評価指標が低い評価になるように、生活習慣評価指標を演算すればよい。このようにすることで、各状態に対応する時間から、生活習慣評価指標を適切に求めることが可能になる。

ただし、Ｅ，Ｓが大きいほど評価が高く、Ｍ，Ａ⁻が大きいほど評価が低くなるような生活習慣評価指標は上式（１）の形式には限定されない。例えば、生活習慣評価指標の値が大きいほど評価が高い場合であれば、Ｅ及びＳを分数の分子とし、Ｍ及びＡ⁻を分数の分母とする形式を利用できる。例えば、生活習慣評価指標として下式（２）のＬＳｉを用いてもよい。なお、Ａ^＋を変数として用いることも可能であるが、寄与度（上式（１）における係数）が相対的に小さいため、ここでは省略している。
ＬＳｉ＝｛（Ｓ＋１）×（Ｅ＋１）｝／｛（Ｍ＋２）×Ａ⁻｝ （２）

ここで、Ｓ，Ｅ，Ｍはユーザーによってはその値が０になる可能性がある。単純にＬＳｉ＝（Ｓ×Ｅ）／（Ｍ×Ａ⁻）とすると、Ｓ又はＥが０の場合にＬＳｉ＝０になり、Ｍ＝０の場合にＬＳｉ＝∞になり、ＬＳｉの範囲が過剰に広くなってしまう。上式（２）はその点を考慮した式であり、Ｓ，Ｅをそのまま用いるのではなく、それぞれ１を加算している。また、分母のＭについては、分子のＳとＥにそれぞれ１が加算されていることを考慮し、２を加算している。

上式（１）の線形判別関数と、上式（２）のＬＳｉとの相関係数は約０．９と非常に高いことがわかった。つまり、線形判別関数が生活習慣評価指標として利用可能であるのだから、上式（２）のＬＳｉについても生活習慣評価指標として利用可能であると言える。上式（２）では複雑な係数が現れず、シンプルでわかりやすい形式により生活習慣評価指標を表すことが可能になる。なお、上式（１）の線形判別関数が０となる条件では、上式（２）のＬＳｉは２５前後の値となる。よって、ＬＳｉの値に基づいて、生活習慣の「よい」「悪い」を判別する場合、ＬＳｉ＝２５を境界として用いればよい。

このように、第１の状態に対応する第１の時間の長さを表す値をＳとし、第２の状態に対応する第２の時間の長さを表す値をＥとし、第３の状態に対応する第３の時間の長さを表す値をＭとし、第４の状態に対応する第４の時間の長さを表す値をＡ⁻とした場合に、演算部１３０は、Ｓ，Ｅが大きくなるほど大きくなり、Ｍ，Ａ⁻が大きいほど小さくなるように、生活習慣評価指標を求める。

また、図９〜図１４は特定検診で求められた各検査値と、上式（２）から求められたＬＳｉの相関を表す図である。図９〜図１４の横軸はＬＳｉの値を表す。図９の縦軸は血圧値（単位：ｍｍＨｇ）であり、図１０の縦軸はＢＭＩ（単位：ｋｇ／ｍ^２）であり、図１１の縦軸は中性脂肪（単位：ｍｇ／ｄｌ）であり、図１２の縦軸は脂質（悪玉コレステロールと善玉コレステロールの比であり単位：ＬＤＬｃ／ＨＤＬｃ）であり、図１３の縦軸は尿酸値（単位：ｍｇ／ｄｌ）であり、図１４の縦軸は血糖値（単位：ｍｇ／ｄｌ）である。

血圧、ＢＭＩ、中性脂肪、脂質、尿酸、血糖は、いずれも過剰に値が高い場合には生活習慣病（或いはそのリスク）が疑われるものであり、生活習慣が悪いと推定される。図９〜図１４に示したように、各検査値とＬＳｉの値は統計的に有意に負の相関を有する。すなわち、図９〜図１４はいずれも、ＬＳｉの値が小さいほど生活習慣病のリスクが高いことを示すものであり、上式（２）のＬＳｉが生活習慣評価指標として適切であることを示すデータとなる。

３．３ 処理の流れ
図１５は本実施形態の処理の流れを説明するフローチャートである。この処理が開始されると、生体情報処理システム１００（情報取得部１１０）は、生体情報及び体動情報を取得する（Ｓ１０１）。例えば、生体情報として所与のタイミングでの心拍数ＨＲを取得し、体動情報として当該所与のタイミングでの加速度値ＡＣＣを取得する。

そして生体情報処理システム１００（判定部１２０、より狭義には判定処理部１２３）は、あらかじめ取得しておいた基底心拍数ＨＲ_０と、Ｓ１０１で取得した生体情報（ＨＲ）及び体動情報（ＡＣＣ）とに基づいて、状態判定処理を行って第１〜第Ｎの時間を求める。ここでは、Ｓ，Ｅ，Ｍ，Ａ⁻，Ａ^＋の５変数を求める例を説明する。なお、具体的な判定処理の内容や、その実施順序等は図１５に示した例に限定されず、種々の変形実施が可能である。

判定処理部１２３は、体動強度が第１体動強度以上であるかを判定する（Ｓ１０２）。Ｓ１０２でＮｏの場合、すなわち体動強度が第１体動強度未満の場合には、判定処理部１２３は、活動強度が第２活動強度以上であるかを判定する（Ｓ１０３）。Ｓ１０３でＹｅｓの場合は、ユーザーが精神的負荷状態（第３の状態）であると判定できるため、変数Ｍの値をカウントアップする（Ｓ１０４）。ここでのカウントアップ量は、図１５に示した処理の実行間隔に相当する時間とする。

また、Ｓ１０３でＮｏの場合には、第４の状態と判定できるため、変数Ａ⁻の値をカウントアップする（Ｓ１０５）。つまり図１５では、第４の状態が、上記第１、第３、第５の状態のうちの、第１の状態と第５の状態の和集合である例について考えている。Ｓ１０５の処理後に、判定処理部１２３は、活動強度が第１体動強度未満であるかを判定し（Ｓ１０６）、ＹＥＳの場合には睡眠状態（第１の状態）であると判定できるため、変数Ｓの値をカウントアップする（Ｓ１０７）。

また、Ｓ１０２でＹｅｓの場合には、判定処理部１２３は、活動強度が第２活動強度以上であるかを判定する（Ｓ１０８）。Ｓ１０８でＮｏの場合には、変数Ａ^＋の値をカウントアップし（Ｓ１０９）、Ｙｅｓの場合には、身体的負荷状態（第２の状態）であると判定できるため、変数Ｅの値をカウントアップする（Ｓ１１０）。

Ｓ１０１〜Ｓ１１０の処理により、所与の１タイミングについてユーザーが第１〜第Ｎの状態のうちのいずれの状態であるかの判定処理、及び判定結果に対応する状態の累積時間のカウント処理が実行される。

その後、生体情報処理システム１００（例えば演算部１３０）は判定期間が経過したか否かを判定する（Ｓ１１１）。Ｓ１１１では、例えば２４時間が経過したか否かを判定すればよい。Ｓ１１１でＮｏの場合には、判定期間が終了していないため、次のタイミングでの状態判定処理を行うため、Ｓ１０１に戻り処理を継続する。Ｓ１１１でＹｅｓの場合には、演算部１３０は、そのときのＳ，Ｅ，Ｍ，Ａ⁻，Ａ^＋の５変数の値（狭義にはＡ^＋を除いた４変数の値）を用いて、生活習慣評価指標を演算する（Ｓ１１２）。Ｓ１１２では、演算部１３０は例えば上式（２）に基づいてＬＳｉを演算する処理を行えばよい。

なお、判定期間が２４時間であれば、Ｓ１１２の処理はＳ，Ｅ，Ｍ，Ａ⁻，Ａ^＋の各変数の値をそのまま用いることが可能である。ただし、判定期間が１週間であり、生活習慣評価指標の演算に１日当たりの平均値を用いる場合、演算部１３０（又は判定部１２０）では、１週間分の情報から平均値を求める処理を実行する必要がある。また、これ以外にも、生活習慣評価指標の演算において、図１５には不図示のステップを追加したり、或いは図１５に示したステップの一部を省略する変形実施が可能である。

４．生活習慣評価指標と他の指標による評価
以上で説明したように、生活習慣評価指標は単体でも被験者の生活習慣を評価する情報として利用可能である。しかし、生活習慣評価指標と他の情報を併用することで、より高精度且つわかりやすい形態で、生活習慣に関する情報を提示可能であることがわかった。以下、ストレス反応問診指数（Ｓｔ）を用いる例、及び身体的負荷時間（Ｅ）を用いる例についてそれぞれ説明する。

４．１ ストレス反応問診指数
近年、職場におけるメンタルヘルス対策として、ストレスチェックが行われている。例えば厚生労働省では、労働安全衛生法に基づくストレスチェック制度を導入し、所定規模以上の事業者には問診によるストレスチェックの実施を義務づけている。ストレスチェックでは所定数の項目（現状では５７項目）に対して回答することで心身ストレス反応、仕事のストレス要因、周囲のサポート状況等をチャート化する。本実施形態では例えばこのうちの心身ストレス反応を利用する。

心身ストレス反応では、活気、イライラ感、疲労感、不安感、抑鬱感、身体愁訴の６項目について、それぞれ１〜５の５段階で数値化される。ストレス度は、５が一番低く１が一番高くなる。つまり、図２０等を用いて後述するように、活気等の６項目について６角形のチャート表示をした場合、各項目での得点を結んでできる図形が、均等に大きく広がっているほど良好な状態を表し、中心に近づくほどストレス度が高いことになる。

本実施形態では、各被験者に対してストレスチェックの問診を行い、問診結果に基づいて、心身ストレス反応の６項目の得点を求める。そして、上記６項目での得点を加算した情報を、被験者のストレス反応問診指数Ｓｔとする。Ｓｔは６以上３０以下の整数となり、数値が大きいほど良好な状態に対応する。ただし、ストレス反応問診指数Ｓｔについては、種々の変形実施が可能であり、上記ストレスチェックから求められる他の情報を用いてもよいし、演算手法を変更してもよいし、上記ストレスチェックとは異なる形式の問診から求めてもよい。

図１６は、横軸を上式（２）で求められる生活習慣評価指標ＬＳｉの値とし、縦軸をストレス反応問診指数Ｓｔとして、複数（ここでは９３名）の被験者のデータをプロットした図である。また、図１６では、生活習慣病保有者、具体的には血圧高値、耐糖能障害、脂質異常、高尿酸血症の少なくとも１つに当てはまる被験者については、プロットの点を塗りつぶして表現し、上記のいずれにも当てはまらない生活習慣病の保有者でない被験者についてはプロットの点を白抜きの四角で表現している。なお、生活習慣病においては年齢が重要な要素となることが知られているため、図１６では被験者の年齢層と四角の大きさと対応付けており、四角が大きいほど年齢層が高いことを表しているが、ここでは年齢に関する議論までは踏み込まない。

本実施形態では、図１６に示したように、座標平面を４つの象限に区分する。境界の設定は種々の変形実施が可能であるが、ここではＬＳｉ＝２５及びＳｔ＝２０を境界線として利用する。そして、左下（ＬＳｉ＜２５且つＳｔ＜２０）を第１象限とし、左上（ＬＳｉ＜２５且つＳｔ≧２０）を第２象限とし、右下（ＬＳｉ≧２５且つＳｔ＜２０）を第３象限とし、右上（ＬＳｉ≧２５且つＳｔ≧２０）を第４象限とする。

この場合、第１象限はＬＳｉとＳｔの両方の評価が悪い領域、第２象限はＬＳｉの評価が悪くＳｔの評価がよい領域、第３象限はＬＳｉの評価がよくＳｔの評価が悪い領域、第４象限はＬＳｉとＳｔの両方の評価がよい領域となる。

全被験者のうち、第１象限には１８名の被験者が当てはまり、そのうちの１５名の被験者が生活習慣病保有者であった。つまり第１象限では、当該領域に分類された被験者に対する生活習慣病保有者の割合は１５／１８（８３％）となる。同様に、各象限に分類された被験者に対する生活習慣病保有者の割合は、第２象限では１５／２０（７５％）、第３象限では５／２５（２０％）、第４象限では２／３０（７％）であった。

第１象限と第３象限の比較、及び第２象限と第４象限の比較からわかるように、ＬＳｉが２５未満の場合は、２５以上の場合に比べて、生活習慣病保有者の割合が高くなる。これは上述したように、ＬＳｉ＝２５とは線形判別関数＝０の場合に対応し、ＬＳｉに基づき被験者を生活習慣病保有者か否か判別する際の境界としてＬＳｉ＝２５を利用できるという考えに合致した結果である。

また、図１６の第１象限と第２象限の比較、及び第３象限と第４象限の比較からは、ＬＳｉが同程度であれば、Ｓｔがよい（値が大きい）方が、生活習慣病保有者の比率が下がることがわかる。つまり、Ｓｔについても生活習慣病のリスクを判定する指標値として利用可能である。

図１６において特に顕著であるのは、第１象限では被験者に対する生活習慣病保有者の割合が非常に高いという点である。図１６の例であれば、８３％という数値は、上式（１）の線形判別関数の的中率よりも高い。所与の被験者を対象としてＬＳｉ及びＳｔを計測し、計測結果が第１象限にプロットされた場合、当該被験者は生活習慣病保有者である確率が非常に高く、生活習慣が悪いと判定できることになる。つまり、ＬＳｉとＳｔの両方を用いることで、ＬＳｉを単体で用いる場合に比べて、生活習慣病のリスク（生活習慣のよい悪い）に関して、より精度の高い判定が可能になる。

また、第４象限では、被験者に対する生活習慣病保有者の割合が顕著に低い。つまり、計測結果が第４象限にプロットされた場合、当該被験者は生活習慣病保有者である確率が非常に低く、生活習慣がよいと判定できる。

図１６の手法では、２次元平面において、自身の測定データがどの位置にプロットされるかに応じて、生活習慣がよいか悪いかを視覚的に認識できる。つまり生活習慣に関する情報をわかりやすい形態で被験者に提示することが可能になる。

４．２ 身体的負荷時間
図１６では、縦軸としてストレス反応問診指数Ｓｔを用いたが、他の情報を用いることも可能である。例えば、生活習慣評価指標ＬＳｉの演算に用いた情報のうちの、身体的負荷時間の長さＥをストレス反応問診指数Ｓｔの代わりに利用してもよい。上式（１）に示したように、身体的負荷時間Ｅは線形判別関数における係数の値が、他の変数に比べて大きく、生活習慣病保有者か否かの判別に対する寄与度が高い。つまり、身体的負荷時間の長さＥは、単体でも生活習慣を表す指標の１つとして利用価値が高いと推定される。

図１７は、横軸を上式（２）で求められる生活習慣評価指標ＬＳｉの値とし、縦軸を１日当たりの身体的負荷時間の長さＥの平均値（単位：hour）として、複数の被験者のデータをプロットした図である。図１７では、ＬＳｉ＝２５及びＥ＝３を境界線として、図１６と同様に４つの象限を設定した。図１７に示したように、各象限に分類された被験者に対する生活習慣病保有者の割合は、第１象限では２１／２４（８７％）、第２象限では１０／１４（７１％）、第３象限では５／３２（１６％）、第４象限では２／２３（９％）であった。

縦軸として身体的負荷時間Ｅを用いた場合でも、第１象限では生活習慣病保有者の割合が非常に高く、第４象限では非常に小さいという結果が得られた。つまり、ＬＳｉとＥの両方を用いた場合にも、ＬＳｉを単体で用いる場合に比べて、生活習慣病のリスク（生活習慣のよい悪い）に関して、より精度の高い判定が可能になる。

なお、上述してきたように、第１象限では生活習慣病保有者の割合が顕著に高く、第４象限では割合が顕著に低い。よって本実施形態では、第１象限を生活習慣病のリスクが高いゾーン（生活習慣が悪いゾーン、未病ゾーン）とし、第４象限を生活習慣病のリスクが低いゾーン（生活習慣がよいゾーン、目標ゾーン）とし、その旨をユーザーに対して提示してもよい。

図１８は、未病ゾーン及び目標ゾーンを図示する例である。図１８のような表示を行うことで、被験者は自身のデータが未病ゾーンにプロットされれば生活習慣が悪く、目標ゾーンにプロットされれば生活習慣がよいということを視覚的に容易に把握できる。特に、図２７を用いて後述するように、生活習慣の改善が成功しているか否かについて表示を行う場合、プロットされる点が左下から右上方向へ移動しているか否かを判定すればよく、改善効果についても視覚的且つ理解が容易な形態での表示が可能になる。

５． 生活習慣評価指標と実データとの関係
次に具体的な被験者のデータについて説明する。図１９は、第１の被験者の状態判定結果を表す図である。図１９では、２４時間を単位として、各状態と判定された時間の関係を円グラフを用いて表現している。図１９の例であれば、２４時間のうち、深睡眠時間Ｓが約３．５時間、体動が少ない時間が約１２時間、精神的負荷時間Ｍが約２時間、身体的負荷時間Ｅが約３時間、体動がある時間が約２時間である。なお、ウェアラブル機器２００の充電期間等、２４時間の中でも生体情報や体動情報を測定できない期間があるため、各状態と判定された時間の合計が２４時間に満たない場合がある。また、本実施形態におけるＡ⁻とは、上述したように図１９における体動が少ない時間（約１２時間）を用いてもよいし、それに深睡眠時間Ｓを加算した時間（約１５時間）を用いてもよい。円グラフの見方については、後述する図２１、図２３、図２５も同様である。

また、図２０は、図１９と同じ第１の被験者のストレスチェックの結果を表す図である。図２０の例では、活気が５点、イライラ感が４点、疲労感が５点、不安感が４点、抑うつ感が４点、身体愁訴が４点である。

図１９、図２０の結果から、第１の被験者はＬＳｉ＝２９、Ｓｔ＝２６となる。また第１の被験者は、特定検診により生活習慣病保有者でないことがわかっている。第１の被験者は、図１６では、第４象限にデータがプロットされることになり、ＬＳｉ及びＳｔからは生活習慣がよい（生活習慣病のリスクが少ない）と判定できる。そして、実際の特定検診結果でも生活習慣病は見つかっておらず、ＬＳｉ及びＳｔを用いた判定の妥当性が確認された。

図２１及び図２２は、第２の被験者の状態判定結果、及びストレスチェックの結果を表す図である。図２１からわかるように、第２の被験者は、深睡眠時間Ｓは充分とれており、精神的負荷時間Ｍも非常に少ない。つまり、ＳとＭに着目しただけでは第２の被験者の生活習慣には問題がないように見えてしまう。しかし、第２の被験者は身体的負荷時間が非常に短く、体動少の時間が非常に長い。つまり、Ｅが過小でありＡ⁻が過大となっている運動不足の状態であると推定される。実際、第２の被験者は、特定検診により高脂血症、及び肥満であるとの診断結果が得られた。

ここで、図２１、図２２の結果から、第２の被験者はＬＳｉ＝１７、Ｓｔ＝１９となった。第２の被験者は、図１６では第１象限にデータがプロットされることになり、ＬＳｉ及びＳｔからは生活習慣が悪い（生活習慣病のリスクが高い）と判定でき、特定検診の結果と合致した。すなわち、本実施形態の手法では、複数の情報（Ｓ，Ｅ，Ｍ，Ａ⁻）を複合的に用いることで、一部の情報（ここではＳ，Ｍ）について問題がないようにみえる場合であっても、適切に生活習慣を評価することが可能になる。

図２３及び図２４は、第３の被験者の状態判定結果、及びストレスチェックの結果を表す図である。図２３からわかるように、第３の被験者は、身体的負荷時間Ｅが約３．５時間程度あり、体動少の時間も短い。そのため、運動に関する部分に着目しただけでは第３の被験者の生活習慣には問題がないように見える。しかし、第３の被験者は深睡眠時間Ｓが非常に短く、精神的負荷時間Ｍが非常に長い。つまり、精神的な負荷から睡眠不足に陥っていると推定される。実際、第３の被験者は、特定検診により高脂血症であるとの診断結果が得られた。

ここで、図２３、図２４の結果から、第３の被験者はＬＳｉ＝１０、Ｓｔ＝１７となった。第３の被験者は、図１６では第１象限にデータがプロットされることになり、ＬＳｉ及びＳｔからは生活習慣が悪いと判定でき、特定検診の結果と合致した。すなわち、第３の被験者の例についても、複数の情報を複合的に用いることで、一部の情報（ここではＥ，Ａ⁻）について問題がないようにみえる場合であっても、適切に生活習慣を評価することが可能になる。

図２５及び図２６は、第４の被験者の状態判定結果、及びストレスチェックの結果を表す図である。図２５からわかるように、第４の被験者は、身体的負荷時間Ｅ、体動少の時間については問題無く、深睡眠時間Ｓについてもやや短いが基準範囲内と言える。しかし、第４の被験者は精神的負荷時間Ｍが非常に長く、特定検診により高脂血症、高尿酸血症、肥満、肝障害であるとの診断結果が得られた。なお、第４の被験者は、消費カロリーや、心拍数の時系列的な変化等に基づいて、過剰な残業による過労状態であると推定されている。

ここで、図２５、図２６の結果から、第４の被験者はＬＳｉ＝１５、Ｓｔ＝１４となった。第４の被験者は、図１６では第１象限にデータがプロットされることになり、ＬＳｉ及びＳｔからは生活習慣が悪いと判定でき、特定検診の結果と合致した。すなわち、第４の被験者の例についても、適切に生活習慣を評価できている。

以上、図２１〜図２６を用いて上述したように、「生活習慣が悪い」という状態には、運動不足、精神的負荷、過労等、種々の類型が考えられ、各類型に応じて状態判定結果が大きく異なる。そして、睡眠時間のみに着目したり、運動時間のみに着目してしまうと、類型によっては生活習慣が悪いことを適切に検出できない。その点、本実施形態の手法では、種々の類型を対象とした場合にも、適切に生活習慣の評価が可能であることが確認された。

６．生活習慣の改善効果
上述してきたように、生活習慣評価指標を用いることで、被験者の生活習慣を適切に評価することが可能になる。また、生活習慣が悪いと判定された場合には、生活習慣のどこが悪いのか、またどのようにすれば生活習慣が改善させるかを判定することも可能である。図２１の例であれば、身体的負荷時間Ｅを増やすように運動を心がけるとよいし、図２３の例であれば精神的負荷の要因を抑える（例えば職場で配置換えを希望する、時短勤務を行う等）とよいし、図２５の例であれば残業を少なくするとよい。

本出願人は、特定検診により生活習慣病保有者と診断された被験者を対象として、生活習慣を改善するための指導に基づいて生活の自己管理を行わせ、その結果により生活習慣評価指標ＬＳｉがどのように変化したかを観察した。

図２７は、図１６と同様に、横軸をＬＳｉ、縦軸をＳｔとした場合に、１６名の被験者を対象として指導前と指導後でのプロットされる点の位置の変化を表した図である。図２７において、検診結果に改善が見られた被験者については点の変化を相対的に太い矢印で示し、改善が見られなかった被験者については点の変化を相対的に細い矢印で示している。

図２７からわかるように、本実施形態の手法に基づく指導及び自己管理により、過半数の被験者（１６名中１１名）において検診結果の改善が認められた。さらに、検診結果に改善が認められる被験者は、生活習慣評価指標ＬＳｉの数値が大きくなる方向に変化する傾向があることも確認された。このことから、本実施形態の生活習慣評価指標ＬＳｉを利用した指導及び自己管理が生活習慣の改善に資すること、及び生活習慣評価指標ＬＳｉの変化が、生活習慣の変化を表す情報として適切であることがわかる。

なお、図２７では縦軸をストレス反応問診指数Ｓｔとする例を示したが、図１７に示したように縦軸を身体的負荷時間Ｅに変更する等の変形実施も可能である。

以上、本発明を適用した実施形態およびその変形例について説明したが、本発明は、各実施形態やその変形例そのままに限定されるものではなく、実施段階では、発明の要旨を逸脱しない範囲内で構成要素を変形して具体化することができる。また、上記した各実施形態や変形例に開示されている複数の構成要素を適宜組み合わせることによって、種々の発明を形成することができる。例えば、各実施形態や変形例に記載した全構成要素からいくつかの構成要素を削除してもよい。さらに、異なる実施の形態や変形例で説明した構成要素を適宜組み合わせてもよい。また、明細書又は図面において、少なくとも一度、より広義または同義な異なる用語と共に記載された用語は、明細書又は図面のいかなる箇所においても、その異なる用語に置き換えることができる。このように、発明の主旨を逸脱しない範囲内において種々の変形や応用が可能である。

ＮＥ…ネットワーク、１０…バンド部、１２…嵌合穴、１４…尾錠、１５…尾錠枠、
１６…係止部、３０…ケース部、４０…センサー部、５０…表示部、
１００…生体情報処理システム、１１０…情報取得部、１２０…判定部、
１２１…基底心拍数情報取得部、１２３…判定処理部、１３０…演算部、
２００…ウェアラブル機器、３００…携帯端末装置、４００…情報処理装置

Claims (13)

1. 取得されたユーザーの生体情報に基づいて、生活習慣評価指標を求めるために設定された第１〜第Ｎ（Ｎは２以上の整数）の状態のうち、前記ユーザーがいずれの状態かを判定する状態判定処理を行う判定部と、
   前記状態判定処理の結果に基づいて、前記生活習慣評価指標を演算する演算部と、
   を含み、
   前記第１〜第Ｎの状態は、前記ユーザーが睡眠を行っている睡眠状態である第１の状態と、他の状態に比べて身体的負荷が大きい身体的負荷状態である第２の状態と、を少なくとも含み、
   前記演算部は、
   判定期間において前記第１〜第Ｎの状態の各状態と判定された時間である第１〜第Ｎの時間を求め、前記第１〜第Ｎの時間に基づいて、前記生活習慣評価指標を演算することを特徴とする生体情報処理システム。
2. 請求項１において、
   前記演算部は、
   前記第１の状態に対応する第１の時間、及び前記第２の状態に対応する第２の時間が長いほど、前記生活習慣評価指標が高い評価になるように、前記生活習慣評価指標を演算することを特徴とする生体情報処理システム。
3. 請求項１又は２において、
   前記第１〜第Ｎの状態は、他の状態に比べて精神的負荷が大きい精神的負荷状態である第３の状態を含むことを特徴とする生体情報処理システム。
4. 請求項３において、
   前記演算部は、
   前記第３の状態に対応する第３の時間が長いほど、前記生活習慣評価指標が低い評価になるように、前記生活習慣評価指標を演算することを特徴とする生体情報処理システム。
5. 請求項１乃至４のいずれかにおいて、
   前記第１〜第Ｎの状態は、前記ユーザーの体動情報の値が所定閾値以下の状態である第４の状態を含むことを特徴とする生体情報処理システム。
6. 請求項５において、
   前記演算部は、
   前記第４の状態に対応する第４の時間が長いほど、前記生活習慣評価指標が低い評価になるように、前記生活習慣評価指標を演算することを特徴とする生体情報処理システム。
7. 請求項１乃至６のいずれかにおいて、
   前記判定部は、
   前記ユーザーの基底心拍数情報と、各タイミングでの脈波情報から求められる心拍数情報とに基づいて、前記状態判定処理を行うことを特徴とする生体情報処理システム。
8. 請求項７において、
   前記判定部は、
   前記基底心拍数情報と前記心拍数情報とから求められる活動強度、及び、前記ユーザーの体動の大きさを表す体動強度に基づいて、前記状態判定処理を行うことを特徴とする生体情報処理システム。
9. 請求項１において、
   前記判定部は、
   前記ユーザーの基底心拍数情報と、各タイミングでの脈波情報から求められる心拍数情報とから求められる活動強度、及び、前記ユーザーの体動の大きさを表す体動強度に基づいて、前記状態判定処理を行い、
   前記判定部は、
   前記活動強度が第１活動強度未満の場合に、前記睡眠状態である第１の状態と判定し、
   前記活動強度が第２活動強度以上であり、且つ、前記体動強度が第１体動強度以上の場合に、前記身体的負荷状態である第２の状態と判定することを特徴とする生体情報処理システム。
10. 請求項９において、
    前記第１〜第Ｎの状態は、他の状態に比べて精神的負荷が大きい精神的負荷状態である第３の状態を含み、
    前記判定部は、
    前記活動強度が前記第２活動強度以上であり、且つ、前記体動強度が前記第１体動強度未満の場合に、前記精神的負荷状態である前記第３の状態と判定することを特徴とする生体情報処理システム。
11. 請求項９又は１０において、
    前記第１〜第Ｎの状態は、前記ユーザーの体動情報の値が所定閾値以下の状態である第４の状態を含み、
    前記判定部は、
    前記体動強度が前記第１体動強度未満の場合に、前記第４の状態と判定することを特徴とする生体情報処理システム。
12. 請求項１において、
    前記第１〜第Ｎの状態は、他の状態に比べて精神的負荷が大きい精神的負荷状態である第３の状態と、前記ユーザーの体動情報の値が所定閾値以下の状態である第４の状態と、を含み、
    前記第１の状態に対応する第１の時間の長さを表す値をＳとし、前記第２の状態に対応する第２の時間の長さを表す値をＥとし、前記第３の状態に対応する第３の時間の長さを表す値をＭとし、前記第４の状態に対応する第４の時間の長さを表す値をＡ⁻とした場合に、
    前記演算部は、
    Ｓ，Ｅが大きくなるほど大きくなり、Ｍ，Ａ⁻が大きいほど小さくなるように、前記生活習慣評価指標を求めることを特徴とする生体情報処理システム。
13. 取得されたユーザーの生体情報に基づいて、生活習慣評価指標を求めるために設定された第１〜第Ｎ（Ｎは２以上の整数）の状態のうち、前記ユーザーがいずれの状態かを判定する状態判定処理と、
    前記状態判定処理の結果に基づいて、前記生活習慣評価指標を演算する演算処理と、
    をコンピューターに実行させ、
    前記第１〜第Ｎの状態は、前記ユーザーが睡眠を行っている睡眠状態である第１の状態と、他の状態に比べて身体的負荷が大きい身体的負荷状態である第２の状態と、を少なくとも含み、
    前記生活習慣評価指標の前記演算処理において、
    判定期間において前記第１〜第Ｎの状態の各状態と判定された時間である第１〜第Ｎの時間を求め、前記第１〜第Ｎの時間に基づいて、前記生活習慣評価指標を演算することを特徴とするプログラム。