JP2019000283A - モデル選択方法、モデル選択装置およびプログラム - Google Patents

Abstract

【課題】運転前の心拍の拍動の間隔の計測のみで、個々に合った推定モデルを効率的に選択することが可能なモデル選択方法およびモデル選択装置を提供すること。【解決手段】所定数のユーザの平常時および活動時での身体特徴(RRI)と疲労度(CFF)とをそれぞれ取得し、前記取得された前記所定数のユーザの身体特徴が記憶された身体特徴テーブル(13b)と、前記取得された前記所定数のユーザの当該身体特徴の変化(ΔHRV)に伴う疲労度の変化(ΔCFF)に関する情報(β1,,,β10)が記憶された疲労度推定テーブル(13d)と、をそれぞれ作成し、前記作成された前記身体特徴テーブル(13b)の中から、推定対象ユーザの前記平常時での身体特徴(HRV)と近い身体特徴を有するユーザを選択し、前記選択された前記ユーザに基づき、前記作成された前記疲労度推定テーブル(13d)を利用して、前記推定対象ユーザの活動時での疲労度(ΔCFF)を推定する。【選択図】図６

Description

本発明は、個々に合った推定モデルを効率的に選択するためのモデル選択方法、モデル選択装置およびプログラムに関する。

心拍や脈拍、脳波やＮＩＲＳ（Near-Infrared Spectroscopy）などの身体特徴から、運転中のドライバの状態を推定する技術は、事故防止の観点からニーズが高い。

運転中のドライバの状態を推定し、危険な状態になったときに、警告するようなシステムを実現しようとすると、運転前に推定モデルを選択しなければならない。

そこで、個人に合わせた推定モデルを、新規のユーザに対しても事前に選択して解析を開始する必要がある。

非特許文献［１］では、主観的な疲労度を心拍より推定している。同質一集団から得られた単一の推定モデルを各被験者に対して適用している。この場合、個人差を考慮できていないために、推定値が全体の影響を反映した平均的なものになりがちとなってしまう。そのため、個人ごとに推定モデルを準備する必要がある。

一方で、非特許文献［２］では、運転者の疲労状態を前記ＮＩＲＳから推定している。個人差によるばらつきを考慮して、同一個人かつ同一走行の範囲で推定をしている。

しかしながら、個人差の影響を考慮するために、個人ごとの推定モデルを学習する場合、推定モデルを作成していない新規のユーザに対して対応することができないといった問題がある。

横山 清子、高橋 一誠、 "心拍変動時系列による自動車運転時の主観的疲労感推定の基礎的検討(高度交通システム(ITS))"、 電子情報通信学会論文誌. A、 基礎・境界、 vol. 96、 no. 11、 pp. 756-762、 Nov. 2013. 嵯峨 直樹、 村中 徳明、 and 花田 良子、 "NIRSを用いた自動車運転時における疲労の定量的評価(人体・動作の認識と理解、福祉と共生、国際会議報告)、" 電子情報通信学会技術研究報告. PRMU、 パターン認識・メディア理解、 vol. 113、 no. 402、 pp. 137-140、 2014.

本発明は、このような問題に鑑みてなされたもので、運転前の心拍の拍動の間隔の計測のみで、個々に合った推定モデルを効率的に選択することが可能なモデル選択方法、モデル選択装置およびプログラムを提供することを目的とする。

本発明に係るモデル選択方法は、所定数のユーザの平常時および活動時での身体特徴と疲労度とをそれぞれ取得し、前記取得された前記所定数のユーザの身体特徴が記憶された身体特徴テーブルと、前記取得された前記所定数のユーザの当該身体特徴の変化に伴う疲労度の変化に関する情報が記憶された疲労度推定テーブルと、をそれぞれ作成し、前記作成された前記身体特徴テーブルの中から、推定対象ユーザの前記平常時での身体特徴と近い身体特徴を有するユーザを選択し、前記選択された前記ユーザに基づき、前記作成された前記疲労度推定テーブルを利用して、前記推定対象ユーザの活動時での疲労度を推定する。

本発明に係るモデル選択装置は、所定数のユーザの平常時および活動時での身体特徴と疲労度とをそれぞれ取得する取得手段と、前記取得手段により取得された前記所定数のユーザの身体特徴が記憶された身体特徴テーブルと、前記取得手段により取得された前記所定数のユーザの当該身体特徴の変化に伴う疲労度の変化に関する情報が記憶された疲労度推定テーブルと、をそれぞれ作成する作成手段と、前記作成手段により作成された身体特徴テーブルの中から、推定対象ユーザの前記平常時での身体特徴と近い身体特徴を有するユーザを選択する選択手段と、前記選択手段によって選択された前記ユーザに基づき、前記作成手段によって作成された前記疲労度推定テーブルを利用して、前記推定対象ユーザの活動時での疲労度を推定する疲労度推定手段と、を備える。

本発明によれば、運転前の平常時における心拍の拍動の間隔の計測のみで、個々に合った推定モデルを効率的に選択することができる。

本発明の実施形態に係るモデル選択装置１０の電子回路の構成を示すブロック図。 同図（ａ）は前記モデル選択装置１０内に設けられる心拍変動特徴量保持テーブル１３ｂ、同図（ｂ）は変化量保持テーブル１３ｃおよび同図（ｃ）は係数ベクトル保持テーブル１３ｄに記憶される各値を示した図。 前記モデル選択装置１０により、運転前の平常時の心拍間隔値ＲＲＩに基づいて心拍変動特徴量保持テーブル１３ｂを作成するための作成手順を示す図。 前記モデル選択装置１０により、運転前と運転中とにおいて計測された前記心拍間隔値ＲＲＩ及びフリッカー値ＣＦＦに基づいて変化量保持テーブル１３ｃを作成するための作成手順を示す図。 前記モデル選択装置１０による係数ベクトル保持テーブル１３ｄの作成手順を示す図。 前記モデル選択装置１０による新規ユーザＡの運転前の平常時における心拍間隔値ＲＲＩに基づいて、当該新規ユーザＡに合った推定モデルの選択処理を示すフローチャートの図。

以下、本実施形態のモデル選択装置１０、モデル選択方法およびプログラムについて図面を参照して説明する。

本発明の実施形態における前記モデル選択装置１０では、身体特徴と疲労を表す指標（以下、疲労度と呼ぶ）との関係を表す推定モデルを作成することを目的とする「事前処理」と、新規ユーザ（以下、新規ユーザＡと呼ぶ）の運転前の平常時における身体特徴から疲労度を推定することを目的とする「推定処理」と、の２処理が実行される。

前記「身体特徴」の指標として、心拍などの身体特徴を取得できるウェアラブル生体センサＳ（例えば、ｈｉｔｏｅ（登録商標）、以下、単に生体センサＳと呼ぶ）を用いて得られる心拍の拍動の間隔値ＲＲＩ（以下、心拍間隔値ＲＲＩと呼ぶ）を用いる。

前記「疲労度」の指標として、フリッカー検査器（図４参照）を用いて得られるフリッカー値（以下、フリッカー値ＣＦＦと呼ぶ）を用いる。

前記事前処理において、前記心拍間隔値ＲＲＩおよびフリッカー値ＣＦＦは、運転前の平常時および運転中のそれぞれにて計測され、そのうち運転前の平常時においては前記心拍間隔値ＲＲＩおよびフリッカー値ＣＦＦが同時に計測される。

なお、前記フリッカー値ＣＦＦとは、光が点滅する周波数を変化させたときに、点滅と点灯を識別できる境界の周波数の値であり、疲労するにつれ、この値が小さくなる。

図１は、本発明の実施形態に係るモデル選択装置１０の電子回路の構成を示すブロック図である。

図示するように、モデル選択装置１０は、コンピュータとして機能する制御部（ＣＰＵ）１１を備える。

このＣＰＵ１１には、ＲＯＭ１２、ＲＡＭ１３、読取部１４および通信部１５が接続される。読取部１４には外部接続されるＲＯＭカードなどの外部記憶媒体１６が接続される。

前記ＣＰＵ１１は、ＲＯＭ１２内に記憶された事前処理プログラム１２ａおよび推定処理プログラム１２ｂを、ＲＡＭ１３内に確保された作業メモリ１３ａを利用して実行することで、回路各部の動作を制御し、前記事前処理及び推定処理を行う。

ＲＯＭ１２には、前記事前処理プログラム１２ａおよび前記推定処理プログラム１２ｂが記憶される。

ＲＡＭ１３には、前記作業メモリ１３ａに加えて、心拍変動特徴量保持テーブル１３ｂ（身体特徴テーブル）、変化量保持テーブル１３ｃおよび係数ベクトル保持テーブル１３ｄ（疲労度推定テーブル）が確保される。

図２（ａ）〜（ｃ）は、前記モデル選択装置１０内に設けられる心拍変動特徴量保持テーブル１３ｂ、変化量保持テーブル１３ｃおよび係数ベクトル保持テーブル１３ｄに記憶される各値を示した図である。

図２（ａ）に示す心拍変動特徴量保持テーブル１３ｂは、運転前の平常時におけるＮ人のユーザ（Ｎ：自然数）毎の心拍間隔値ＲＲＩを、後述する平均値ＭＥＡＮ等の複数統計処理によって算出した値（以下、特徴量ＨＲＶと呼ぶ）に変換し、その後、この特徴量ＨＲＶをベクトルとして数値を記憶する。ここで、ユーザ毎にユーザＩＤ（＝１〜Ｎ）が割り当てられる。以下、単にユーザＩＤをＩＤと呼ぶこともある。

例えば、ＭＥＡＮ［１］、ＳＤ［１］、…、Ｌ［１］は、平常時におけるユーザ（ＩＤ＝１）の心拍間隔値ＲＲＩが、平均値ＭＥＡＮ、標準偏差ＳＤ、変動係数ＣＶ、ＲＭＳＳＤ（隣接する心拍間隔値ＲＲＩの差の二乗平均値の平方根で得られる値）、ＮＮ５０（迷走神経緊張強度の指標）、ｐＮＮ５０（全体のうちのＮＮ５０の割合）、ＣＶＩ（副交感神経機能指標）、ＣＳＩ（交感神経機能指標）、Ｔ（ローレンツプロットの短軸）およびＬ（ローレンツプロットの長軸）などの統計処理により得られた前記特徴量ＨＲＶを、その後、ベクトル変換した数値である。

このように統計処理毎の特徴量ＨＲＶをベクトル変換したこれら数値は、後述するユーザ（ＩＤ＝１〜Ｎ）の運転中に計測される心拍間隔値ＲＲＩに対する基準値（以下、基準ベクトルＨＲＶ_ｂａｓｅと呼ぶ）となる。

また、後述する運転中において計測された心拍間隔値ＲＲＩについても、前記複数の統計処理により前記特徴量ＨＲＶにそれぞれ変換され、その後、ベクトルに変換される。

図２（ｂ）に示す変化量保持テーブル１３ｃは、運転前後におけるフリッカー値ＣＦＦの変化率（ΔＣＦＦ）と、前記複数の統計処理がなされ、その後ベクトルに変換された運転前後における心拍間隔値ＲＲＩの変化率（ΔＨＲＶ_１、ΔＨＲＶ_２、…、ΔＨＲＶ_１０）と、を記憶する。

ΔＣＦＦｉは、運転中であってｉ回目（ここでは、ｉ＝１、２とする）に計測されたユーザ毎のフリッカー値ＣＦＦの、運転前の平常時におけるフリッカー値ＣＦＦ（以下、フリッカー基準値ＣＦＦ_ｂａｓｅと呼ぶ）に対する変化率である。

ΔＨＲＶ_１、ΔＨＲＶ_２、…、ΔＨＲＶ_１０は、心拍間隔値ＲＲＩがそれぞれ平均値ＭＥＡＮ、標準偏差ＳＤ、…、Ｌを用いて統計処理された運転前後の前記特徴量ＨＲＶのベクトルの変化率を示す。

ここでは、ｉ＝２回計測されているため、ユーザＩＤ毎に前記変化率が２度記憶される。

例えば、ＩＤ＝１におけるΔＣＦＦ１は、ｉ＝１回目に計測されたフリッカー値ＣＦＦの、フリッカー基準値ＣＦＦ_ｂａｓｅに対する変化率となる。

また、ΔＨＲＶ_１_１、ΔＨＲＶ_２_１、…、ΔＨＲＶ_１０_１は、ｉ＝１回目に計測されたユーザＩＤ＝１における心拍間隔値ＲＲＩの、前記基準ベクトルＨＲＶ_ｂａｓｅに対する変化率である。

図２（ｃ）に示す係数ベクトル保持テーブル１３ｄは、後述する運転中の新規ユーザＡの疲労度を推定するために利用する推定モデルの図である。

図２（ｃ）に示すＩＤは、前記心拍変動特徴量保持テーブル１３ｂに記憶されたＮ人のユーザから、例えばｍ人（１≦ｍ≦Ｎ、ｍ：自然数、ここでは、例えばｍ＝３人とする）を選択した際の、当該３人のユーザＩＤ（ＩＤ＝１、２、３、ＩＤ＝１、３、４、ＩＤ＝…、ＩＤ＝１、２、Ｎ）を記憶する。

β_ＭＥＡＮ、β_ＳＤ、…、β_Ｌは、前記選択した３人のユーザの前記変化率（ΔＣＦＦｉ、ΔＨＲＶ）の分布からＰＬＳ回帰分析を用いて得られたΔＣＦＦｉと特徴量ΔＨＲＶとの関係を示す係数ベクトルβである。

すなわち、前記係数ベクトルβは、運転によって変化した心拍間隔値ＲＲＩの各特徴量ＨＲＶの変化率（ΔＨＲＶ）に対する、疲労度の変化率（ΔＣＦＦｉ）を示す指標である。

例えば、前記Ｎ人のユーザからｍ人を選択した際における、当該ｍ人のユーザＩＤの組み合わせが記憶された縦軸の１行目に着目すると、ユーザＩＤ＝１〜ＩＤ＝３を選択した場合における、統計処理毎（ＭＥＡＮ、ＳＤ、…、Ｌ）の係数ベクトルβ（β_ＭＥＡＮ［１］、β_ＳＤ［１］、…、β_Ｌ［１］）が記憶される。

以下、前記係数ベクトルβを用いた計算式（後述する式（５））では、便宜上β_ＭＥＡＮ［１］を係数ベクトルβ_１、β_ＳＤ［１］を係数ベクトルβ_２、β_ＣＶ［１］を係数ベクトルβ_３、β_ＲＭＳＳＤ［１］を係数ベクトルβ_４、β_ＮＮ５０［１］を係数ベクトルβ_５、β_ｐＮＮ５０［１］を係数ベクトルβ_６、β_ＣＶＩ［１］を係数ベクトルβ_７、β_ＣＳＩ［１］を係数ベクトルβ_８、β_Ｔ［１］を係数ベクトルβ_９、β_Ｌ［１］を係数ベクトルβ_１０、と表記する。なお、着目した１行目に限らず、他の行においても同様に前記係数ベクトルβ_１〜β_１０を用いる。

また、後述する新規ユーザＡの運転中での推定される疲労度は、前記係数ベクトルβと運転前後での心拍間隔値ＲＲＩの特徴量の変化率（ΔＨＲＶ）とを用いることで、疲労度の変化率（ΔＣＦＦ）から得ることができる。

なお、前記各テーブル１３ｂ〜１３ｄを生成するために必要なＮ人のユーザの前記フリッカー値ＣＦＦや心拍間隔値ＲＲＩは、例えば前記外部記憶媒体１６を介して読取部１４にて読み込まれてもよいし、また例えば、各ユーザ（ＩＤ＝１〜Ｎ）が着用しているスマートフォン等に内蔵された生体センサにより取得し、クラウド上に配置したモデル選択装置１０で収集してもよい。

このように構成されたモデル選択装置１０は、前記ＣＰＵ１１が前記事前処理プログラム１２ａと前記推定処理プログラム１２ｂとに記述された命令に従い回路各部の動作を制御し、ソフトウェアとハードウエアとが協働して動作することにより、以下に述べる機能を実現する。

図３は、前記モデル選択装置１０により、運転前である平常時での心拍間隔値ＲＲＩに基づいて心拍変動特徴量保持テーブル１３ｂを作成するための作成手順を示す図である。この心拍変動特徴量保持テーブル１３ｂは、前記ＣＰＵ１１によって事前処理プログラム１２ａを起動し、読取部１４または通信部１５を介して受信した心拍間隔値ＲＲＩを処理することで作成される。

図３に示すユーザ（ＩＤ＝１〜Ｎ）のそれぞれが、着用した生体センサＳ_１〜Ｓ_Ｎの電源をオンとすることで、当該生体センサＳ_１〜Ｓ_Ｎによって計測された平常時での前記心拍間隔値ＲＲＩが出力される（ステップＰ１）。

その後、例えば前記読取部１４または通信部１５から読み込まれた前記心拍間隔値ＲＲＩは、前記ＣＰＵ１１により前記ＭＥＡＮ等の複数の統計処理が行われ、当該処理によって算出された統計処理毎の前記特徴量ＨＲＶが、下記式（１）に示すようにベクトル値に変換される（ステップＰ２）。

その後、前記式（１）に示すようにベクトルに変換された各統計処理に対応する各特徴量ＨＲＶが、ユーザＩＤと対応して心拍変動特徴量保持テーブル１３ｂに記憶される。

図４は、前記モデル選択装置１０により、運転前と、運転中と、において計測された前記心拍間隔値ＲＲＩ及びフリッカー値ＣＦＦに基づいて変化量保持テーブル１３ｃを作成するための作成手順を示す図である。

この変化量保持テーブル１３ｃは、ＣＰＵ１１により事前処理プログラム１２ａを起動し、前記平常時および運転中の心拍間隔値ＲＲＩおよびフリッカー値ＣＦＦを処理することで作成される。

図４において、 図３に示す処理ステップと同一ステップ（ステップＰ１、Ｐ２）についてはその処理内容の説明を省略する。以下の処理では、ユーザ（ＩＤ＝１）に着目した場合におけるステップＰ３〜Ｐ８の処理内容について説明する。

図４に示すように、ユーザ（ＩＤ＝１）が着用する前記生体センサＳ_１によって運転中に前記心拍間隔値ＲＲＩがｉ回計測されると（ステップＰ３）、次いで前記ＣＰＵ１１により起動された事前処理プログラム１２ａにより、前記計測毎にＭＥＡＮ等などの統計処理を用いて特徴量ＨＲＶが算出される（ステップＰ４）。

次に、前記ステップＰ２にて算出され、心拍変動特徴量保持テーブル１３ｂに記憶された統計処理毎の前記基準ベクトルＨＲＶ_ｂａｓｅ（ＭＥＡＮ［１］、ＳＤ［１］、…、Ｌ［１］）に対する、前記ステップＰ４にて算出された統計処理毎の特徴量ＨＲＶとの変化率（ΔＨＲＶ_１、ΔＨＲＶ_２、…、ΔＨＲＶ_１０）が、下記式（２）により算出される（ステップＰ５）。

ここで、前記ＨＲＶ_ｂａｓｅには、平常時に計測し統計処理毎に算出された１０個の前記特徴量ＨＲＶがそれぞれ代入される。また、ＨＲＶ_ｉには運転中においてｉ回目（例えば、ｉ＝１、２）に計測され、統計処理毎に算出された１０個の特徴量ＨＲＶが代入される。

この前記式（２）を用いた演算をＮ人のユーザに対して行う。これにより、ユーザＩＤと対応して特徴量ＨＲＶの変化率（ΔＨＲＶ_１、ΔＨＲＶ_２、…、ΔＨＲＶ_１０）が、変化量保持テーブル１３ｃ（図２（ｂ）参照）に記憶される。

一方、前述の通り、生体センサＳ_１による前記心拍間隔値ＲＲＩの計測（ステップＰ１）と同時に、フリッカー検査器によって運転前の平常時におけるフリッカー値ＣＦＦが計測されている（ステップＰ６）。

そこで、前記運転中においてもフリッカー検査器を用いてフリッカー値ＣＦＦをｉ回計測すると（ステップＰ７）、ＣＰＵ１１によってｉ回目の計測時でのフリッカー値ＣＦＦｉの変化率（ΔＣＦＦｉ）が前記フリッカー基準値ＣＦＦ_ｂａｓｅを基準として、下記式（３）により算出される（ステップＰ８）。

ここで、式（３）中のＣＦＦ_ｉには運転中のｉ回目に計測されたフリッカー値ＣＦＦが代入される。

その後、前記式（３）を用いて算出されたフリッカー値ＣＦＦの変化率（ΔＣＦＦ_ｉ）が、ユーザＩＤと対応して変化量保持テーブル１３ｃ（図２（ｂ）参照）に記憶される。

図５は、前記モデル選択装置１０による係数ベクトル保持テーブル１３ｄの作成手順を示す図である。係数ベクトル保持テーブル１３ｄは、図４の手順にて作成した変化量保持テーブル１３ｃに基づき作成される。

図５に示すように、変化量保持テーブル１３ｃからｍ人分のフリッカー値ＣＦＦの変化率（ΔＣＦＦ_ｉ）及び前記統計処理毎の特徴量ＨＲＶの変化率（ΔＨＲＶ_１、ΔＨＲＶ_２、…、ΔＨＲＶ_１０）が抽出される（ステップＰ９）。

ここで、前述したようにＮ人のユーザに対して運転中に行った心拍間隔値ＲＲＩとフリッカー値ＣＦＦとの計測はｉ（＝２）回である。

このため、図４に示すように変化量保持テーブル１３ｃには、Ｎ人×ｉ（＝２）回だけの心拍間隔値ＲＲＩとフリッカー値ＣＦＦとの変化率（ΔＣＦＦｉ、ΔＨＲＶ_１、ΔＨＲＶ_２、…、ΔＨＲＶ_１０）が記憶されている。従って、ステップＰ９における抽出処理では、同一のＩＤが重複しないようにする。

次いで、ステップＰ９にて抽出された前記ｍ人の変化率（ΔＣＦＦｉ、ΔＨＲＶ_１、ΔＨＲＶ_２、…、ΔＨＲＶ_１０）の値の分布から偏最小２乗回帰分析（ＰＬＳ：Partial Least Squares regression）によって得られた回帰式に基づき、フリッカー値ＣＦＦの変化率（ΔＣＦＦｉ）と統計処理毎に対応する特徴量ＨＲＶの変化率（ΔＨＲＶ_１、ΔＨＲＶ_２、…、ΔＨＲＶ_１０）との関係を表す係数ベクトルβ_１〜β₁₀が算出される（ステップＰ１０）。

前述の通り、前記算出された係数ベクトルβ_１〜β₁₀は、運転によって変化した心拍間隔値ＲＲＩの特徴量ＨＲＶの変化率（ΔＨＲＶ）に対する疲労度の変化率（ΔＣＦＦ）を示す指標である。

このステップＰ１０の動作を_ＮＣ_ｍの数だけ繰り返し、順次算出された係数ベクトルβ_１〜β_１０が記憶されることで、個々の新規ユーザに合った推定モデルとなる前記係数ベクトル保持テーブル１３ｄが作成される（図２（ｃ）参照）。

以上、ＣＰＵ１１が事前処理プログラム１２ａを用いて図３〜図５に示すフローを実行することで、事前処理での前記心拍変動特徴量保持テーブル１３ｂ〜前記係数ベクトル保持テーブル１３ｄが作成される。

以下の説明では、作成された前記心拍変動特徴量保持テーブル１３ｂ及び前記係数ベクトル保持テーブル１３ｄを用いて、例えば新規ユーザＡを含む個々の身体特徴に合った推定モデルを選択する処理を説明する。

図６は、前記モデル選択装置１０による新規ユーザＡの運転前の平常時における心拍間隔値ＲＲＩに基づいて、当該新規ユーザＡに合った推定モデルの選択処理を示すフローチャートである。

まず、運転前の平常時に、新規ユーザＡが着用する生体センサＳ_Ａの電源がオンとされ、当該生体センサＳ_Ａから計測された心拍間隔値ＲＲＩが出力される（ステップＳ１）。

その後、前記平常時の心拍間隔値ＲＲＩから、前記ＣＰＵ１１により起動された推定処理プログラム１２ｂによる前記ＭＥＡＮ等の統計処理に基づいた前記特徴量ＨＲＶ（ＨＲＶ_１、ＨＲＶ_２、…、ＨＲＶ_１０）が算出され、次いで前記式（１）によって推定時での基準ベクトル（例えば、ＭＥＡＮ［Ａ］、ＳＤ［Ａ］、…、Ｌ［Ａ］）に変換される（ステップＳ２）。

以下、前記ステップＳ２にて変換された前記推定時での基準ベクトルを、それぞれＭＥＡＮ［Ａ］_ｂａｓｅ、ＳＤ［Ａ］_ｂａｓｅ、…、Ｌ［Ａ］_ｂａｓｅとする。

次いで、ステップＳ２にて変換された新規ユーザＡの基準ベクトル（ＭＥＡＮ［Ａ］_ｂａｓｅ、ＳＤ［Ａ］_ｂａｓｅ、…、Ｌ［Ａ］_ｂａｓｅ）と、前記ステップＰ２にて計測され、前記心拍変動特徴量保持テーブル１３ｂに記憶されたユーザ（ＩＤ＝１〜Ｎ）の前記ＨＲＶ_ｂａｓｅとの特徴量ＨＲＶの差（以下、特徴量ＨＲＶ_Ｄと呼ぶ）が算出される。

ここで、心拍変動特徴量保持テーブル１３ｂに記憶されたユーザを、例えばユーザＢ（ＩＤ：１≦Ｂ≦Ｎ）とすると、当該ユーザＢと新規ユーザＡとの差を示す特徴量ＨＲＶ_Ｄ_ＡＢは下記式（４）で表される。

前記式（４）の結果によって得られた値の中で最も小さい値と、それに近い値を有する、例えばｋ（ｋ：自然数、１≦ｋ≦Ｎ）個のユーザＩＤが当該心拍変動特徴量保持テーブル１３ｂの中から選択される（ステップＳ３）。

すなわち、当該ステップＳ３における選択処理によって、新規ユーザＡの平常時の推定時の基準ベクトルと近似するデータが、予め蓄積した心拍変動特徴量保持テーブル１３ｂの中から選択されることとなる。

次いで、係数ベクトル保持テーブル１３ｄ（図２（ｃ）参照）の中から、前記ステップＳ３にて選択されたｋ個のユーザＩＤを含む行の係数ベクトルβ（例えば、１行目であれば、β_ＭＥＡＮ［１］、β_ＭＥＡＮ［２］、…、β_ＭＥＡＮ［１０］）が選択される（ステップＳ４）。すなわち、ステップＳ４において、新規ユーザＡに合った推定モデルが選択されることになる。

その後、前記新規ユーザＡが着用している生体センサＳ_Ａから出力された運転中の心拍間隔値ＲＲＩが計測され（ステップＳ５）、当該心拍間隔値ＲＲＩから得られた前記統計処理毎の特徴量ＨＲＶ（ＨＲＶ_１、ＨＲＶ_２、…、ＨＲＶ_１０）がベクトルに変換される（ステップＳ６）。

次いで、前記ステップＳ２にて算出された推定時の基準ベクトル（ＭＥＡＮ［Ａ］_ｂａｓｅ、ＳＤ［Ａ］_ｂａｓｅ、…、Ｌ［Ａ］_ｂａｓｅ）に対する、前記ステップＳ６にて算出された特徴量ＨＲＶ（ＨＲＶ_１、ＨＲＶ_２、…、ＨＲＶ_１０）との変化率（例えば、ΔＨＲＶ_１_Ａ、ΔＨＲＶ_２_Ａ、…、ΔＨＲＶ_１０_Ａとする）が算出される（ステップＳ７）。

このステップＳ７にて、算出された特徴量ＨＲＶの変化率（ΔＨＲＶ_１_Ａ、ΔＨＲＶ_２_Ａ、…、ΔＨＲＶ_１０_Ａ）に、前記ステップＳ４にて選択され、係数ベクトル保持テーブル１３ｄから抽出された係数ベクトルβ（例えば、係数ベクトルβ_１〜係数ベクトルβ_１０）を下記式（５）に従って乗算することで、前記新規ユーザＡの運転中における心拍間隔値ＲＲＩの変化率に相当する疲労度ΔＣＦＦの推定値が取得される（ステップＳ８）。

ここで、β_０は定数である。
このように、運転中における新規ユーザＡの前記心拍間隔値ＲＲＩが測定される度に前記処理ステップ（Ｓ５〜Ｓ８）が繰り返される。

したがって、前記構成のモデル選択装置１０によれば、事前処理として、心拍変動特徴量保持テーブル１３ｂと、変化量保持テーブル１３ｃと、係数ベクトル保持テーブル１３ｄと、を作成する。具体的には、平常時に計測した前記心拍間隔値ＲＲＩから算出される特徴量ＨＲＶの基準値（基準ベクトル）を記憶する心拍変動特徴量保持テーブル１３ｂを作成する。この心拍変動特徴量保持テーブル１３ｂに記憶された前記特徴量ＨＲＶの基準値（基準ベクトル）および平常時でのフリッカー値ＣＦＦに対する、運転中の心拍間隔値ＲＲＩから得られた特徴量ＨＲＶおよびフリッカー値ＣＦＦとの差に基づくフリッカー値ＣＦＦ及び特徴量ＨＲＶの変化率（ΔＣＦＦ、ΔＨＲＶ）を記憶する変化量保持テーブル１３ｃを作成する。当該変化量保持テーブル１３ｃから選択されたｍ人のユーザのフリッカー値ＣＦＦ及び特徴量ＨＲＶの変化率（ΔＣＦＦｉ、ΔＨＲＶ_１、ΔＨＲＶ_２、…、ΔＨＲＶ_１０）の分布からＰＬＳ回帰分析を用いて得られた前記ΔＣＦＦｉとΔ特徴量ＨＲＶとの関係を示す係数ベクトルβ（係数ベクトルβ_１〜係数ベクトルβ_１０）が記憶された係数ベクトル保持テーブル１３ｄを作成する。

そして、推定処理では、新規ユーザＡの運転中の疲労度を推定するため、運転前の平常時に計測された前記新規ユーザＡの心拍間隔値ＲＲＩの基準ベクトル（ＭＥＡＮ［Ａ］、ＳＤ［Ａ］、…、Ｌ［Ａ］）と近似する基準ベクトルを有するｋ個のユーザＩＤを前記心拍変動特徴量保持テーブル１３ｂから選択し、当該選択されたｋ個のユーザＩＤが含まれる係数ベクトル保持テーブル１３ｄの行を選択する。そして、前記運転前の平常時に計測された前記新規ユーザＡの基準ベクトルの、運転中の特徴量ＨＲＶに対する変化率（ΔＨＲＶ）と、前記係数ベクトル保持テーブル１３ｄから選択された係数ベクトルβ（係数ベクトルβ_１〜係数ベクトルβ₁₀）と、を乗算することで、当該新規ユーザＡの運転中の疲労度（ΔＣＦＦ）を推定する。

このように、新規ユーザＡにおける運転前の平常時での基準ベクトル（ＭＥＡＮ［Ａ］、ＳＤ［Ａ］、…、Ｌ［Ａ］）に近似する特徴量ＨＲＶを学習用のデータ、すなわち心拍変動特徴量保持テーブル１３ｂから選択することで、個々の身体特徴に応じて推定モデルを得ることができる。

また、運転後に得られる十分な量のデータではなく、運転前の平常時における当該心拍間隔値ＲＲＩの計測のみで、前記ステップＳ４にて説明したように個人ごとに合った推定モデルを選択することが可能となる。

すなわち、推定モデルの選択を簡易化することができる。

本発明は、前記実施形態に限定されるものではなく、実施段階ではその要旨を逸脱しない範囲で種々に変形することが可能である。さらに、前記実施形態には種々の段階の発明が含まれており、開示される複数の構成要件における適宜な組み合わせにより種々の発明が抽出され得る。例えば、実施形態に示される全構成要件から幾つかの構成要件が削除されたり、幾つかの構成要件が異なる形態にして組み合わされても、発明が解決しようとする課題の欄で述べた課題が解決でき、発明の効果の欄で述べられている効果が得られる場合には、この構成要件が削除されたり組み合わされた構成が発明として抽出され得るものである。

また、上記実施形態に記載した手法は、計算機（コンピュータ）に実行させることができるプログラム（ソフトウェア手段）として、例えば磁気ディスク（フロッピー（登録商標）ディスク、ハードディスク等）、光ディスク（ＣＤ−ＲＯＭ、ＤＶＤ、ＭＯ等）、半導体メモリ（ＲＯＭ、ＲＡＭ、フラッシュメモリ等）等の記録媒体に格納し、また通信媒体により伝送して頒布することもできる。なお、媒体側に格納されるプログラムには、計算機に実行させるソフトウェア手段（実行プログラムのみならずテーブルやデータ構造も含む）を計算機内に構成させる設定プログラムをも含む。本装置を実現する計算機は、記録媒体に記録されたプログラムを読み込み、また場合により設定プログラムによりソフトウェア手段を構築し、このソフトウェア手段によって動作が制御されることにより上述した処理を実行する。なお、本明細書でいう記録媒体は、頒布用に限らず、計算機内部あるいはネットワークを介して接続される機器に設けられた磁気ディスクや半導体メモリ等の記憶媒体を含むものである。

１０…モデル選択装置、１１…制御部（ＣＰＵ）、１２…ＲＯＭ、
１２ａ…事前処理プログラム、１２ｂ…推定処理プログラム、
１３…ＲＡＭ、１３ａ…作業メモリ、１３ｂ…心拍変動特徴量保持テーブル、
１３ｃ…変化量保持テーブル、１３ｄ…係数ベクトル保持テーブル、１４…読取部、
１５…通信部、１６…外部記憶媒体、Ｓ…生体センサ、Ａ…新規ユーザ。

Claims (7)

1. 所定数のユーザの平常時および活動時での身体特徴と疲労度とをそれぞれ取得し、
   前記取得された前記所定数のユーザの身体特徴が記憶された身体特徴テーブルと、前記取得された前記所定数のユーザの当該身体特徴の変化に伴う疲労度の変化に関する情報が記憶された疲労度推定テーブルと、をそれぞれ作成し、
   前記作成された前記身体特徴テーブルの中から、推定対象ユーザの前記平常時での身体特徴と近い身体特徴を有するユーザを選択し、
   前記選択された前記ユーザに基づき、前記作成された前記疲労度推定テーブルを利用して、前記推定対象ユーザの活動時での疲労度を推定する、
   モデル選択方法。
2. 前記ユーザの選択は、
   前記推定対象ユーザの平常時での身体特徴と、作成された前記身体特徴テーブルに記憶された前記所定数のユーザの身体特徴と、の差を算出し、
   前記算出された身体特徴の差の値が小さいユーザを前記身体特徴テーブルの中から複数選択する、請求項１に記載のモデル選択方法。
3. 前記疲労度の推定は、
   前記疲労度推定テーブルから、前記選択された複数ユーザに関する前記情報を取得し、
   前記取得された前記情報に、前記推定対象ユーザの活動前後での身体特徴の差を乗算することで当該推定対象ユーザの疲労度を推定する、請求項２に記載のモデル選択方法。
4. 所定数のユーザの平常時および活動時での身体特徴と疲労度とをそれぞれ取得する取得手段と、
   前記取得手段により取得された前記所定数のユーザの身体特徴が記憶された身体特徴テーブルと、前記取得手段により取得された前記所定数のユーザの当該身体特徴の変化に伴う疲労度の変化に関する情報が記憶された疲労度推定テーブルと、をそれぞれ作成する作成手段と、
   前記作成手段により作成された身体特徴テーブルの中から、推定対象ユーザの前記平常時での身体特徴と近い身体特徴を有するユーザを選択する選択手段と、
   前記選択手段によって選択された前記ユーザに基づき、前記作成手段によって作成された前記疲労度推定テーブルを利用して、前記推定対象ユーザの活動時での疲労度を推定する疲労度推定手段と、
   を備えるモデル選択装置。
5. 前記選択手段は、
   前記推定対象ユーザの平常時での身体特徴と、前記身体特徴テーブルに記憶された複数所定数のユーザの身体特徴と、の差を算出する身体特徴差算出手段を備え、
   前記身体特徴差算出手段によって算出された身体特徴の差の値が小さいユーザを前記身体特徴テーブルの中から複数選択する、請求項４に記載のモデル選択装置。
6. 前記疲労度推定手段は、
   前記疲労度推定テーブルから、前記複数選択されたユーザに関する前記情報を取得する情報取得手段を備え、
   前記情報取得手段によって取得された前記情報に、前記推定対象ユーザの活動前後の身体特徴の差を乗算することで当該推定対象ユーザの疲労度を推定する請求項５に記載のモデル選択装置。
7. コンピュータを、
   所定数のユーザの平常時および活動時での身体特徴と疲労度とをそれぞれ取得する取得手段、
   前記取得手段により取得された前記所定数のユーザの身体特徴が記憶された身体特徴テーブルと、前記取得手段により取得された前記所定数のユーザの当該身体特徴の変化に伴う疲労度の変化に関する情報が記憶された疲労度推定テーブルと、をそれぞれ作成する作成手段、
   前記作成手段により作成された身体特徴テーブルの中から、推定対象ユーザの前記平常時での身体特徴と近い身体特徴を有するユーザを選択する選択手段、
   前記選択手段によって選択された前記ユーザに基づき、前記作成手段によって作成された前記疲労度推定テーブルを利用して、前記推定対象ユーザの活動時での疲労度を推定する疲労度推定手段、
   として機能させるためのコンピュータ読取可能なプログラム。