JP2018180818A - 健康度推定装置、健康度推定方法及びプログラム - Google Patents
健康度推定装置、健康度推定方法及びプログラム Download PDFInfo
- Publication number
- JP2018180818A JP2018180818A JP2017077710A JP2017077710A JP2018180818A JP 2018180818 A JP2018180818 A JP 2018180818A JP 2017077710 A JP2017077710 A JP 2017077710A JP 2017077710 A JP2017077710 A JP 2017077710A JP 2018180818 A JP2018180818 A JP 2018180818A
- Authority
- JP
- Japan
- Prior art keywords
- health level
- image
- meal
- health
- estimation
- 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
Images
Landscapes
- Image Analysis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
【課題】認識対象となる料理を制限することなく、食事全体としての健康度合いを精度よく診断する。【解決手段】入力された食事画像と食事画像の健康度合いを定量化した情報を有する健康度設定済画像とを健康度推定パラメータに基づいて、どちらが健康的な食事の画像であるかを推定する健康度推定部と、前記健康度推定部による推定結果と過去の推定結果とに基づいて、前記食事画像に対する診断結果を生成する診断結果生成部と、を備える健康度推定装置である。【選択図】図1
Description
本発明は、健康度推定装置、健康度推定方法及びプログラムに関する。
スマートフォンなどのポータブルデバイスによって日々の食事を画像として記録することが容易となっている。このような食事画像を用いて健康管理を行うサービスが多数存在している。このようなサービスの多くでは、ユーザは、食事の内容を手作業で入力し、ユーザに対する煩雑さが課題となっている。こうした課題に対して、食事画像を自動で認識し、適切なフィードバックを返す方法が提案されている。食事画像の認識方法として大きく2つのアプローチがある。1つは、画像から料理名を識別するアプローチである。もう1つは、画像からカロリーや栄養素などの量を推定するアプローチである。
前者のアプローチについて、例えば非特許文献1では画像から20種類の料理を識別する。識別された料理について、予め学習されたカロリー等の指標を用いて、推定値を出力する手法が提案されている。このような手法は、従来の一般物体認識と呼ばれる画像認識手法と相性が良く高い識別精度が期待される。しかし、学習されていない料理については認識することができず、適切なフィードバックを与えることができない。また、同一の料理名でもその内容物が異なる場合、その違いを捉えることが難しい。
後者のアプローチについて、例えば非特許文献2では画像特徴との関係性から食事に含まれるカロリーの総量が推定される。このような手法は、学習されていない料理についても推定が可能である。しかし、料理に含まれる栄養素は必ずしも見た目からは推測できず、画像中の料理のスケールを求めることに課題があるため推定精度が低いことが課題となっている。
一方で食事指導を専門とする管理栄養士は、食事画像の見た目の情報から栄養バランスを加味して、食事が適切であるかどうかを判断できる。
岡元 晃一, 柳井 啓司, "スマートフォンによる食事画像からの自動カロリー量推定システム", 電子情報通信学会 食メディア研究会(2016)
宮崎 達也, デシルヴァ ガムヘワゲ チャミンダ, 相澤 清晴, "辞書画像群を用いた食事画像からのカロリー推定", 映像情報メディア学会年次大会講演予稿集 (2011)
しかしながら、管理栄養士が行う食事画像の健康度判断を再現するには、上記2つのアプローチでは不十分な場合があるという問題があった。
上記事情に鑑み、本発明は、様々な料理が含まれる食事に対して、精度よく適切なフィードバックを実現するために、認識対象となる料理を制限することなく、食事全体としての健康度合いを精度よく診断することができる健康度推定装置、健康度推定方法及びプログラムを提供することを目的としている。
本発明の一態様は、入力された食事画像と食事画像の健康度合いを定量化した情報を有する健康度設定済画像とを健康度推定パラメータに基づいて、どちらが健康的な食事の画像であるかを推定する健康度推定部と、前記健康度推定部による推定結果と過去の推定結果とに基づいて、前記食事画像に対する診断結果を生成する診断結果生成部と、を備える健康度推定装置である。
本発明の一態様は、上記の健康度推定装置であって、前記診断結果生成部は、前記食事画像が所定の閾値と比べて健康であるか不健康であるかを表す絶対評価と、前記過去の推定結果と比べて前記食事画像が健康であるか不健康であるかを表す相対評価と、を含む診断結果を生成する。
本発明の一態様は、上記の健康度推定装置であって、食事内容に関する情報が取得されている画像である学習用食事画像の特徴ベクトルを生成する画像特徴抽出部と、前記特徴ベクトルに基づいて、第1の前記学習用食事画像と第2の前記学習用食事画像とのうち、どちらの画像の食事の方が健康的であるか学習を行う健康度推定学習部と、をさらに備える。
本発明の一態様は、上記の健康度推定装置であって、入力者による操作に応じて、第1の前記学習用食事画像と第2の前記学習用食事画像とのうちどちらが健康的な食事であるかを表す情報である健康度比較データを生成する健康度比較データ生成部と、をさらに備える。
本発明の一態様は、入力された食事画像と食事画像の健康度合いを定量化した情報を有する健康度設定済画像とを健康度推定パラメータに基づいて、どちらが健康的な食事の画像であるかを推定する健康度推定ステップと、前記健康度推定ステップによる推定結果と過去の推定結果とに基づいて、前記食事画像に対する診断結果を生成する診断結果生成ステップと、を有する健康度推定方法である。
本発明の一態様は、コンピュータを上記の健康度推定装置として機能させるためのプログラム。
本発明により、認識対象となる料理を制限することなく、食事全体としての健康度合いを精度よく診断することが可能となる。
図1は実施形態における健康度推定装置100の構成例を示す概略ブロック図である。健康度推定装置100は、食事画像から食事の健康度合いを推定する装置である。食事の健康度合いは、予め収集されたどのような食事が健康的かを表す情報に基づいて推定される。健康度推定装置100は、入力部101、表示部102、学習用食事画像記憶部103、健康度比較データ記憶部104、健康度推定パラメータ記憶部105、健康度設定済画像記憶部106、健康度蓄積データ記憶部107及び制御部110を備える。
入力部101は、タッチパネル、マウス及びキーボード等の入力装置を用いて構成される。入力部101は、入力装置を健康度推定装置100に接続するためのインタフェースであってもよい。この場合、入力部101は、入力装置において入力された入力信号から入力データ(例えば、健康度推定装置100に対する指示を示す指示情報)を生成し、健康度推定装置100に入力する。
表示部102は、CRT(Cathode Ray Tube)ディスプレイ、液晶ディスプレイ、有機EL(Electro Luminescence)ディスプレイ等の出力装置である。表示部102は、出力装置を健康度推定装置100に接続するためのインタフェースであってもよい。この場合、表示部102は、映像データから映像信号を生成し自身に接続されている映像出力装置に映像信号を出力する。
学習用食事画像記憶部103は、磁気ハードディスク装置や半導体記憶装置等の記憶装置を用いて構成される。学習用食事画像記憶部103は、推定対象の食事画像として想定される食事に近い食事画像(以下「学習用食事画像」という。)を記憶する。学習用食事画像記憶部103は、それぞれ異なる学習用食事画像を大量に記憶する。学習用食事画像は、食事内容に関する情報が取得されている。食事内容に関する情報は、例えば栄養素や食材等の食事内容の健康度合いを判断するために必要な情報である。
健康度比較データ記憶部104は、磁気ハードディスク装置や半導体記憶装置等の記憶装置を用いて構成される。健康度比較データ記憶部104は、異なる2つの学習用食事画像のうち、どちらがより健康的であるかを表す健康度比較データを記憶する。健康度比較データ記憶部104は、大量の健康度比較データを記憶する。
健康度推定パラメータ記憶部105は、磁気ハードディスク装置や半導体記憶装置等の記憶装置を用いて構成される。健康度推定パラメータ記憶部105は、健康度推定パラメータを記憶する。健康度推定パラメータは、健康度推定装置100が食事画像の健康度を推定するために用いられる。
健康度設定済画像記憶部106は、磁気ハードディスク装置や半導体記憶装置等の記憶装置を用いて構成される。健康度設定済画像記憶部106は、健康度設定済画像を予め記憶する。健康度設定済画像に含まれる画像は健康度によって予め順位付けされる。健康度設定済画像は、食事の健康度合いを提示するうえで比較対象とするための画像である。健康度度設定済画像は、ユーザに診断結果をフィードバックするための判断基準として、適切な程度の食事画像が記憶される。
健康度蓄積データ記憶部107は、磁気ハードディスク装置や半導体記憶装置等の記憶装置を用いて構成される。健康度蓄積データ記憶部107は、健康度蓄積データを記憶する。健康度蓄積データは、ユーザ毎の毎回の食事における健康度推定結果を表すデータである。
制御部110は、健康度推定装置100の各部の動作を制御する。制御部110は、例えばCPU(Central Processing Unit)及びRAM(Random Access Memory)を備えた装置により実行される。制御部110は、健康度推定プログラムを実行することによって、健康度比較データ生成部120、画像特徴抽出部130、健康度推定学習部140、健康度推定部150及び診断結果生成部160として機能する。
健康度比較データ生成部120は、健康度比較データを生成する。具体的には、健康度比較データ生成部120は、学習用食事画像記憶部103から取得した2つの学習用食事画像を、表示部102に表示させる。健康度比較データ生成部120は、入力者から表示部102に表示された2つの学習用食事画像のうち、どちらが健康的な食事であるかの入力を、入力部101を介して受け付ける。健康度比較データ生成部120は、受け付けたデータを健康度比較データとして、健康度比較データ記憶部104に記憶する。健康度比較データ生成部120は、学習用食事画像記憶部103に記憶される多数の画像から2つを選び出し、入力を受け付ける処理を無数に繰り返し、十分な量の健康度比較データを健康度比較データ記憶部104に記憶させる。なお、入力者は、管理栄養士などの専門的な知識を有する人である。
画像特徴抽出部130は、学習用食事画像に基づいて、食事内容と関連の強い画像特徴を抽出する。画像特徴抽出部130は、畳み込みニューラルネットワーク(Convolutional Neural Network, CNN)を用いてその中間出力を画像特徴として使用し、予め料理名を認識する。入力画像には食事内容と関係のない背景情報も含まれる。したがって、画像特徴抽出部130は、料理認識用CNN適用部132(図2参照)の出力から食事領域を算出することで、食事領域に含まれる画像特徴のみを抽出する。
図2は、実施形態の画像特徴抽出部130の詳細を表す機能ブロック図である。画像特徴抽出部130は、学習用食事画像を入力画像として受付け、特徴ベクトルを健康度推定学習部140に出力する。画像特徴抽出部130は、料理認識パラメータ記憶部131、料理認識用CNN適用部132、食事領域抽出部133、ヒストグラム生成部134及びCNN特徴辞書記憶部135を有する。
料理認識パラメータ記憶部131は、磁気ハードディスク装置や半導体記憶装置等の記憶装置を用いて構成される。料理認識パラメータ記憶部131は、料理認識CNNパラメータを記憶する。料理認識CNNパラメータは、画素毎に料理名が付与された食事画像データを用いて学習されている。CNNの構成として、Fully Convolutional Networkが用いられる。
料理認識用CNN適用部132は、料理認識CNNパラメータに基づいて、入力された学習用食事画像に対する出力結果を生成する。出力結果は、学習用食事画像の各画素に対して、料理名であるか背景領域であるかの各ラベルを付与した料理名マップと料理名マップに変換される以前の中間状態とを抽出したCNN特徴マップである。
食事領域抽出部133は、食事領域マップを生成する。食事領域マップは、生成されたCNN特徴マップに基づいて、背景領域以外のラベルが付与された画素を食事領域であるとして生成される。
ヒストグラム生成部134は、CNN特徴マップと食事領域マップとに基づいて、食事領域に含まれるCNN特徴のヒストグラムを算出する。ヒストグラムの算出には、CNN特徴辞書が用いられる。CNN特徴辞書には予め多数の食事画像を用いて算出されたCNN特徴に基づいて、それらをクラスタリングして得られるクラスタ中心の情報が記録される。
ヒストグラム生成部134は、CNN特徴辞書に記録されるクラスタ中心に基づいて、各画素のCNN特徴がどのクラスタに属するかを算出し、各画素について対応するクラスタIDを記録する。ヒストグラム生成部134は、最後に算出された各画素のクラスタIDについて画像全体でヒストグラムを算出する。ヒストグラム生成部134は、算出されたヒストグラムを特徴ベクトルとして出力する。ヒストグラム生成部134によるヒストグラム生成におけるアプローチは、BOW(Bag of Words)表現として知られているが、BOWのコーディングやプーリングにおける改良は様々に提案されており、それらを適用してもよい。
CNN特徴辞書記憶部135は、磁気ハードディスク装置や半導体記憶装置等の記憶装置を用いて構成される。CNN特徴辞書記憶部135は、CNN特徴辞書を記憶する。
図1に戻って、健康度推定装置100の説明を続ける。健康度推定学習部140は、画像特徴抽出部130によって得られた学習用食事画像の特徴ベクトルに基づいて、2枚の学習用食事画像のうちどちらの画像の食事の方が健康的であるかを推定するための学習を行う。以下、2枚の食事画像は画像1及び画像2という。健康度推定学習部140は、各学習用食事画像から選択された2枚の食事画像と2枚の食事画像のうちどちらがより健康的であるかを表す比較ラベルとに基づいて学習する。比較ラベルは、健康度比較データに基づいて算出される。比較ラベルは2枚の食事画像のうちどちらの健康度が高いかを表すラベルである。具体的には、健康度推定学習部140は、健康度推定装置100による出力値が右の通りになるように学習する。入力値となる画像1及び画像2の画像特徴x1及びx2に対してf(x1,x2)>0であれば、画像1がより健康的であることを示す。これに対して、f(x1,x2)<0であれば画像2がより健康的であることを示す。なお、f(x1,x2)は、後述する数式(2)で表される。
学習及び推定にはRank SVMと呼ばれる手法が用いられる。Rank SVMでは学習データに対して、数式(1)で表される損失関数が最小化となるように係数wを求められる。
ここで、Cは過学習をコントロールするパラメータである。Cは、実験的に設定される。Tは、ベクトルの転置を表す。数式(1)におけるwTxi及びwTxjは、それぞれw及びxの内積を表す。xi、xjのうち、健康的な画像はxiとして表され、もう一方はxjで表される。健康度推定学習部140は、多数の健康度比較データに対して、L(w)が最小となるようにwを健康度推定装置100の健康度推定パラメータとして出力する。健康度推定学習部140は、出力された健康度推定パラメータwを健康度推定パラメータ記憶部105に記憶させる。
健康度推定部150は、健康度推定パラメータと健康度設定済画像とに基づいて、入力された食事画像の健康度を推定し、出力する。健康度推定部150は、食事画像の健康度を推定する場合、入力された食事画像と健康度設定済画像とを健康度推定パラメータに基づいて、どちらが健康的な食事の画像であるかを推定する。健康度推定部150は、入力された食事画像が順位づけされた健康度設定済画像のうち、どの順位に位置づけられるかを出力する。画像は入力部101を介して入力される。
図3は、実施形態の健康度推定部150の詳細を表す機能ブロック図である。健康度推定部150は、入力された食事画像の健康度を推定し、出力する。健康度推定部150は、健康度比較部151及び順位付け決定部152を有する。
まず、健康度推定部150は、画像特徴抽出部130において入力された食事画像の特徴ベクトルxを算出する。同様に、健康度推定部150は、画像特徴抽出部130において健康度設定済画像の特徴ベクトルrを算出する。
健康度比較部151は、2つの食事画像のうちどちらがより健康的な食事の画像であるかを表す健康度比較値を算出する。健康度比較部151は、健康度推定パラメータ記憶部105に記憶されるwと特徴ベクトルx及びrと数式(2)とに基づいて、健康度比較値yを出力する。
yが0より大きい場合、入力画像の方がより健康的であることを示す。これに対して、yが0以下の場合、健康度設定済画像の方がより健康的であることを示す。健康度比較部151は、健康度設定済画像記憶部106に含まれる各画像に対して健康度比較値を出力する。
順位付け決定部152は、健康度比較部151において、入力画像がより健康度設定済画像よりも健康的であると出力された回数を数える。順位付け決定部152は、健康的であると出力された回数に基づいて、健康度を算出する。順位付け決定部152は、健康度設定済画像の枚数をN、入力画像が健康的と出力された回数をYとして、健康度をY/Nとして出力する。
図1に戻って、健康度推定装置100の説明を続ける。診断結果生成部160は、出力された健康度の値に基づいて診断結果を生成する。診断結果には、入力された食事画像が健康であるか不健康であるかを表すため、絶対評価と相対評価とが用いられる。絶対評価では、健康度は予め設定された閾値に応じて出力される。例えば、健康度が閾値以下の場合、食事を改善するよう評価する。これに対して、健康度が閾値以上であれば同様の食事を続けるように評価する。
相対評価は、各ユーザのこれまで健康度蓄積データに基づいて算出される。例えば、入力された食事画像の健康度がこれまでの健康度蓄積データに比べて健康度が低い場合、健康意識の低下について警告するように評価する。これに対して、入力された食事画像の健康度がこれまでの健康度蓄積データに比べて高い場合、同様の傾向を維持するように評価する。診断結果生成部160は、各ユーザの毎回の食事における健康度比較結果を健康度蓄積データとして記録し、健康度蓄積データ記憶部107に記憶させる。相対評価では、診断結果生成部160は、健康度蓄積データの分布に基づいて相対評価を決定する。例えば、日々の食事健康度の平均と標準偏差を記録しておき、推定された健康度と平均の差分が標準偏差を超えていた場合にメッセージを出力する、といった方法が用いられる。
図4は、実施形態の健康度比較データ生成における入力画面の一具体例である。図4の領域200は、表示部102に表示される入力画面の全体を表す。領域200は、領域201、領域202、領域203、領域204及び領域205を含む。領域201は、健康度比較データ生成部120が取得した2つの学習用食事画像のうちいずれか一方が表示される。もう一方の学習用食事画像は領域202に表示される。領域203〜領域205は、学習用食事画像A又はBのうち、どちらの食事画像が健康的であるかを受け付ける領域である。学習用食事画像Aが健康的である場合、入力者は、領域203を選択する。学習用食事画像Bが健康的である場合、入力者は、領域205を選択する。どちらも同じくらい健康的である場合、入力者は、領域204を選択する。健康度比較データ生成部120は、選択された結果を健康度比較データとして、健康度比較データ記憶部104に記憶する。なお、領域203〜領域205の選択は入力部101を介して受け付ける。
図5は、実施形態の健康度推定学習部140による健康度推定パラメータの出力を表す図である。領域301は、学習用食事画像記憶部103に記憶される学習用食事画像を表す。領域302は健康度比較データ記憶部104に記憶される健康度比較データから生成される比較ラベルを表す。健康度推定学習部140は、学習用画像から選択された2枚の画像と領域302に記載される比較ラベルとに基づいて、どちらの食事画像が健康的であるかを学習し、健康度推定パラメータを求める。健康度推定学習部140は、学習して得られた健康度推定パラメータを健康度推定パラメータ記憶部105に記憶させる。
図6は、実施形態の健康度推定部150による健康度の出力を表す図である。領域401は、健康度推定装置100に入力される入力画像Xを表す。領域402は、順位付けされる健康度設定済画像を表す。領域402によると、健康度設定済画像はAからEまでの5種類ある。健康度設定済画像は、健康度設定済画像記憶部106に記憶される。健康度推定部150は、健康度推定パラメータ記憶部105に記憶される健康度推定パラメータに基づいて、入力画像Xと健康度設定済画像との健康度の比較結果を生成する。領域403は生成された各画像との比較結果を表す。領域403によると、入力画像Xは、健康度設定済画像A、Bよりも健康度は低い。しかし、領域403によると、入力画像Xは、健康度設定済画像C、D、Eよりも健康度は高い。領域404は、出力された健康度を表す。健康度は、入力画像Xが健康度設定済み画像よりも健康度は高いと判定された回数を健康度設定済画像の枚数で割ることで算出される。領域404によると、入力画像Xが健康度設定済み画像よりも健康度は高いと判定された回数は3である。領域404によると健康度設定済画像の枚数は5である。したがって、健康度は0.6である。健康度推定部150は、健康度として0.6を出力する。
図7は、実施形態の健康度比較データ生成の処理の流れを表すフローチャートである。
健康度比較データ生成部120は、学習用食事画像記憶部103から学習用食事画像を2枚取得する(ステップS101)。健康度比較データ生成部120は、表示部102に食事比較画像を表示させる。(ステップS102)。健康度比較データ生成部120は、入力者から健康度比較情報を受け付ける(ステップS103)。健康度比較データ生成部120は、健康度比較データ記憶部104に健康度比較データを記憶させる(ステップS104)。
健康度比較データ生成部120は、学習用食事画像記憶部103から学習用食事画像を2枚取得する(ステップS101)。健康度比較データ生成部120は、表示部102に食事比較画像を表示させる。(ステップS102)。健康度比較データ生成部120は、入力者から健康度比較情報を受け付ける(ステップS103)。健康度比較データ生成部120は、健康度比較データ記憶部104に健康度比較データを記憶させる(ステップS104)。
図8は、実施形態の健康度推定の学習の流れを表すフローチャートである。図8では、入力される2枚の学習用食事画像の一方を画像1、もう一方を画像2として詳述する。料理認識用CNN適用部132は、学習用食事画像と料理認識CNNパラメータとに基づいてCNN特徴マップを生成する(ステップS201)。食事領域抽出部133は、CNN特徴マップに基づいて、食事領域マップを生成する(ステップS202)。ヒストグラム生成部134は、CNN特徴マップと食事領域マップとに基づいて、食事領域に含まれるCNN特徴のヒストグラムを算出する(ステップS203)。健康度推定学習部140は、特徴ベクトル(ヒストグラム)に基づいて、2枚の学習用食事画像のうち、どちらが健康的であるかを推定するための学習を行う。具体的には、健康度推定学習部140は、数式(1)を用いて、健康度推定パラメータwを算出する(ステップS204)。健康度推定学習部140は、算出したwを健康度推定パラメータ記憶部105に記憶させる(ステップS205)。
図9は、実施形態の健康度の算出処理の流れを表すフローチャートである。健康度は、入力された食事画像とN枚の健康度設定済み画像とが比較され、算出される。健康度推定部150は、画像特徴抽出部130において入力された食事画像の特徴ベクトルxを算出する(ステップS301)。健康度推定部150は、健康度設定済画像記憶部106から健康度設定済画像を取得する(ステップS302)。健康度推定部150は、画像特徴抽出部130において健康度設定済画像の特徴ベクトルrを算出する(ステップS303)。健康度比較部151は、健康度比較値yを算出する(ステップS304)。健康度比較部151は、yが0より大きいか否かを判定する(ステップS305)。yが0より大きい場合(ステップS305:YES)、入力された画像のほうが健康的であると判定する(ステップS306)。健康度比較部151は、入力された画像のほうが健康的であると判定した回数を計数する(ステップS307)。yが0より大きくない場合(ステップS305:NO)、ステップS308へ遷移する。健康度比較部151は、N枚の健康度設定済画像と入力画像との比較が終了したか否か判定する(ステップS308)。比較が終了している場合(ステップS308:YES)、健康度比較部151は、健康度を算出する(ステップS309)。比較が終了していない場合(ステップS308:NO)、ステップS302に遷移する。
このように健康度推定装置100では、健康度推定学習部140が、管理栄養士などの専門家から得られた知見に基づいて、2枚の学習用食事画像のうちどちらが健康的であるかを推定するための学習を行う。したがって、健康度推定装置100は、認識対象となる料理を制限することなく、食事全体としての健康度合いを精度よく診断することが可能となる。
健康度推定装置100は、健康度推定部150と診断結果生成部160とを有することで、不健康な食事をしているユーザに対して個別のアドバイスを提示できる。また、健康的な食事をとりはじめたユーザに対して良い評価を提示できる。さらに食事健康度の変化によってユーザの食生活改善の経過を把握することもできる。これによって食事管理サービスのユーザの手間を減らし、より簡易にサービスを受けられるようになる。
上述した実施形態における健康度推定装置100をコンピュータで実現するようにしてもよい。その場合、この機能を実現するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することによって実現してもよい。なお、ここでいう「コンピュータシステム」とは、OSや周辺機器等のハードウェアを含むものとする。また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ROM、CD−ROM等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムを送信する場合の通信線のように、短時間の間、動的にプログラムを保持するもの、その場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリのように、一定時間プログラムを保持しているものも含んでもよい。また上記プログラムは、前述した機能の一部を実現するためのものであってもよく、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであってもよく、FPGA(Field Programmable Gate Array)等のプログラマブルロジックデバイスを用いて実現されるものであってもよい。
以上、この発明の実施形態について図面を参照して詳述してきたが、具体的な構成はこの実施形態に限られるものではなく、この発明の要旨を逸脱しない範囲の設計等も含まれる。
本発明は、ユーザの食事の栄養状況や健康度合いを診断する食事管理サービスに適用可能である。
100…健康度推定装置, 101…入力部, 102…表示部, 103…学習用食事画像記憶部, 104…健康度比較データ記憶部, 105…健康度推定パラメータ記憶部, 106…健康度設定済画像記憶部, 107…健康度蓄積データ記憶部, 110…制御部, 120…健康度比較データ生成部, 130…画像特徴抽出部, 140…健康度推定学習部, 150…健康度推定部, 160…診断結果生成部, 131…料理認識パラメータ記憶部, 132…料理認識用CNN適用部, 133…食事領域抽出部, 134…ヒストグラム生成部, 135…CNN特徴辞書記憶部, 151…健康度比較部, 152…順位付け決定部
Claims (6)
- 入力された食事画像と食事画像の健康度合いを定量化した情報を有する健康度設定済画像とを健康度推定パラメータに基づいて、どちらが健康的な食事の画像であるかを推定する健康度推定部と、
前記健康度推定部による推定結果と過去の推定結果とに基づいて、前記食事画像に対する診断結果を生成する診断結果生成部と、
を備える健康度推定装置。 - 前記診断結果生成部は、前記食事画像が所定の閾値と比べて健康であるか不健康であるかを表す絶対評価と、前記過去の推定結果と比べて前記食事画像が健康であるか不健康であるかを表す相対評価と、を含む診断結果を生成する、
請求項1に記載の健康度推定装置。 - 食事内容に関する情報が取得されている画像である学習用食事画像の特徴ベクトルを生成する画像特徴抽出部と、
前記特徴ベクトルに基づいて、第1の前記学習用食事画像と第2の前記学習用食事画像とのうち、どちらの画像の食事の方が健康的であるか学習を行う健康度推定学習部と、
をさらに備える、
請求項1又は2に記載の健康度推定装置。 - 入力者による操作に応じて、第1の前記学習用食事画像と第2の前記学習用食事画像とのうちどちらが健康的な食事であるかを表す情報である健康度比較データを生成する健康度比較データ生成部と、
をさらに備える、
請求項3に記載の健康度推定装置。 - 入力された食事画像と食事画像の健康度合いを定量化した情報を有する健康度設定済画像とを健康度推定パラメータに基づいて、どちらが健康的な食事の画像であるかを推定する健康度推定ステップと、
前記健康度推定ステップによる推定結果と過去の推定結果とに基づいて、前記食事画像に対する診断結果を生成する診断結果生成ステップと、
を有する健康度推定方法。 - コンピュータを請求項1から4のいずれか一項に記載の健康度推定装置として機能させるためのプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017077710A JP2018180818A (ja) | 2017-04-10 | 2017-04-10 | 健康度推定装置、健康度推定方法及びプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017077710A JP2018180818A (ja) | 2017-04-10 | 2017-04-10 | 健康度推定装置、健康度推定方法及びプログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2018180818A true JP2018180818A (ja) | 2018-11-15 |
Family
ID=64275403
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017077710A Pending JP2018180818A (ja) | 2017-04-10 | 2017-04-10 | 健康度推定装置、健康度推定方法及びプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2018180818A (ja) |
-
2017
- 2017-04-10 JP JP2017077710A patent/JP2018180818A/ja active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10937164B2 (en) | Medical evaluation machine learning workflows and processes | |
US11551134B2 (en) | Information processing apparatus, information processing method, and storage medium | |
CN107004043B (zh) | 优化检测和标记感兴趣解剖结构的系统和方法 | |
JP6975253B2 (ja) | エンティティ間のコンテキスト的類似度の学習及び適用 | |
US20210202085A1 (en) | Apparatus for automatically triaging patient and automatic triage method | |
US20140136225A1 (en) | Discharge readiness index | |
US20190108175A1 (en) | Automated contextual determination of icd code relevance for ranking and efficient consumption | |
US20170300621A1 (en) | Image report annotation identification | |
JP6379199B2 (ja) | データ分析装置、データ分析装置の制御方法、およびデータ分析装置の制御プログラム | |
US20180286504A1 (en) | Challenge value icons for radiology report selection | |
Lau et al. | Deep learning–enabled assessment of left heart structure and function predicts cardiovascular outcomes | |
JP2013029877A (ja) | データ管理システム、データ管理方法およびプログラム | |
CN111295715A (zh) | 目标管理系统、目标管理服务器、目标管理程序以及目标管理终端装置 | |
JP2018180818A (ja) | 健康度推定装置、健康度推定方法及びプログラム | |
JP6751955B1 (ja) | 学習方法、評価装置、及び評価システム | |
JP2021507392A (ja) | エンティティ間のコンテキスト的類似性の学習および適用 | |
US20240021320A1 (en) | Worklist prioritization using non-patient data for urgency estimation | |
Su et al. | A novel method to calculate mean survival time for time-to-event data | |
JP2019079389A (ja) | 目標管理システム、目標管理サーバ、および、目標管理プログラム | |
US20230047826A1 (en) | Context based performance benchmarking | |
US20240105313A1 (en) | Cardiac image workflow interpretation time prediction | |
WO2024036374A1 (en) | Methods and systems for automated analysis of medical images | |
McGee | Topics in Cluster-Correlated Data: Design, Informativeness, and Misclassification | |
CN114783594A (zh) | 推荐信息确定方法、装置、设备、存储介质以及程序产品 | |
JP2019079387A (ja) | 目標管理システム、目標管理サーバ、目標管理プログラム、および、目標管理端末装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20170410 |