JP2020085856A - 推定装置、推定方法及び推定プログラム - Google Patents

Abstract

【課題】対象者の負担を軽減しながら、精度良く対象者の状態を推定することができる推定装置を提供する。【解決手段】推定装置１０は、対象者Ｕａの対象肌細胞画像データを取得する（図８／ＳＴＥＰ２０２〜ＳＴＥＰ２０４及びＳＴＥＰ２１０〜ＳＴＥＰ２１２）対象肌細胞画像データ取得部１１２、１１３と、推定モデルを用いて、対象肌細胞画像データ取得部１１２、１１３が取得した対象肌細胞画像データを含むデータを前記入力データとして対象者Ｕａの対象項目の値を推定する（図８／ＳＴＥＰ２１４〜ＳＴＥＰ２１６）推定部１１４とを備える。【選択図】図８

Description

本発明は、推定装置、推定方法及び推定プログラムに関する。

従来、ユーザに負担をかけずにユーザの健康等の状態を判定する装置が知られている。

例えば、特許文献１には、生活分析アンケート入力手段より入力された回答群に応じて健康リスクの増減の予測を行う装置が提案されている。

特開２０１４−１３５０２７号公報

特許文献１によれば、アンケートへの回答という比較的負担の小さい作業でユーザの健康リスクが予測されている。しかし、アンケートにはユーザの主観が混じることが多いため、特許文献１の技術では、正確性を担保するのが難しかった。

そこで、本発明は、対象者の負担を軽減しながら、精度良く対象者の状態を推定することができる推定装置、推定方法及び推定プログラムを提供することを目的とする。

本発明の推定装置は、
複数の人のそれぞれから取得された肌の細胞の画像データを含む入力データと、前記複数の人のそれぞれの身体情報、体質、体調、生活習慣、感情、気質及び外観印象のうち少なくとも１つを示す対象項目の値である出力データとの組である、教師データとによる教師あり学習により構築された推定モデルを示すデータを記憶する推定モデル記憶部と、
対象者の肌の細胞の画像データを含む入力データデータを取得する対象肌細胞画像データ取得部と、
前記推定モデルを用いて、前記対象肌細胞画像データ取得部が取得した前記対象肌細胞画像データを含むデータを前記入力データとして前記対象者の前記対象項目の値を推定する推定部とを備えることを特徴とする。

本発明者らの検討によれば、人の肌の細胞の画像データを含むデータは、当該人のそれぞれの身体情報、体質、体調、生活習慣、感情、気質及び外観印象のうち少なくとも１つを示す対象項目の値と関連していることが判明した。

推定モデルは、この知見に基づいて構築されたモデルであって、詳しくは、複数の人のそれぞれから取得された肌の細胞の画像データを含むデータを含む入力データと、前記複数の人のそれぞれの身体情報、体質、体調、生活習慣、感情、気質及び外観印象のうち少なくとも１つを示す対象項目の値である出力データとの組である、教師データとによる教師あり学習により構築されたモデルである。

そして、当該構成の推定装置によれば、対象肌細胞画像データ取得部により、対象者の肌の細胞の画像データを含むデータが取得される。

そして、推定部により、前記推定モデルを用いて、前記対象肌細胞画像データ取得部が取得した前記対象肌細胞画像データを含むデータを前記入力データとして前記対象者の前記対象項目の値が推定される。

前述したように、推定モデルは、人の肌の細胞の画像データを含むデータは、当該人のそれぞれの身体情報、体質、体調、生活習慣、感情、気質及び外観印象のうち少なくとも１つを示す項目の値と関連していることに着目し、教師あり学習で得られたモデルである。

このため、この推定モデルを用いた推定部の推定は、比較的精度が高いと期待される。

以上の通り、本発明の推定装置によれば、対象者の肌の細胞画像データという比較的容易に取得できるデータを用いて対象者の身体情報等の対象項目の値を推定するから、対象者の負担を軽減しながら、精度良く対象者の状態を推定することができる。

本発明の推定装置において、
対象者の肌の画像データを含むデータを取得する対象肌データ取得部を備え、
前記推定モデルは、複数の人のそれぞれから取得された肌の細胞の画像データを含むデータに加え、複数の人のそれぞれから取得された肌の画像データを含むデータを含む入力データと、前記複数の人のそれぞれの身体情報、体質、体調、生活習慣、感情、気質及び外観印象のうち少なくとも１つを示す対象項目の値である出力データとの組である、教師データとによる教師あり学習により構築されたモデルであり、
前記推定部は、前記推定モデルを用いて、前記対象肌細胞画像データ取得部が取得した前記対象肌細胞画像データと、前記対象肌データ取得部が取得した前記対象肌データとを含むデータを前記入力データとして前記対象者の前記対象項目の値を推定するように構成されていることが好ましい。

本発明者らの検討によれば、人の肌の細胞の画像データのみならず、人の肌の画像データも、当該人のそれぞれの身体情報、体質、体調、生活習慣、感情、気質及び外観印象のうち少なくとも１つを示す項目の値と関連していることが判明した。

対象者の肌の細胞の画像データに加え、対象者の肌の画像データを入力データに含めて対象項目の値を推定することにより、推定精度をさらに向上することができる。

以上の通り、本発明の推定装置によれば、対象者の肌の画像データというより容易に取得できるデータを用いて対象者の体質等の対象項目の値を推定するから、対象者の負担を軽減しながら、より精度良く対象者の状態を推定することができる。

本発明の推定装置において、
前記推定モデルは、
複数の人のそれぞれから取得された第１部位の肌の細胞の画像データを含むデータと複数の人のそれぞれから取得された第２部位の肌の細胞の画像データを含むデータを含む入力データと、前記複数の人のそれぞれの身体情報、体質、体調、生活習慣、感情、気質及び外観印象のうち少なくとも１つを示す対象項目の値である出力データとの組である、教師データとによる教師あり学習により構築されたモデルであり、
前記対象肌細胞画像データ取得部は、前記対象者の第１部位の肌の細胞の画像データを含むデータである第１部位肌細胞画像データを取得し、前記対象者の第２部位の肌の細胞の画像データを含むデータである第２部位肌細胞画像データを取得するように構成され、
前記推定部は、前記推定モデルを用いて、前記肌細胞画像データ取得部が取得した第１部位肌細胞画像データ及び第２部位肌細胞画像データを含むデータを前記入力データとして前記対象者の前記対象項目の値を推定する容易に構成されていることが好ましい。

当該構成の推定装置によれば、肌細胞画像データとして前記対象者の第１部位の肌の細胞の画像データ由来のデータ及び第２部位の肌の細胞の画像データ由来のデータが用いられて対象者の体質等が推定されるので、さらに推定精度の向上を図りうる。

本発明の推定装置において、
前記推定モデルは、
複数の人のそれぞれの一の部位から取得された肌の細胞の第１種の画像データを含むデータと当該複数の人のそれぞれの当該一の部位から取得された肌の細胞の前記第１種とは異なる第２種の画像データを含むデータとを含む入力データと、前記複数の人のそれぞれの身体情報、体質、体調、生活習慣、感情、気質及び外観印象のうち少なくとも１つを示す対象項目の値である出力データとの組である、教師データとによる教師あり学習により構築されたモデルであり、
前記対象肌細胞画像データ取得部は、前記対象者の前記一の部位の肌の細胞の第１種の画像データを含むデータである第１種肌細胞画像データを取得し、前記対象者の当該一の部位の肌の細胞の第２種の画像データを含むデータである第２種肌細胞画像データを取得し、
前記推定部は、前記推定モデルを用いて、前記肌細胞画像データ取得部が取得した第１種肌細胞画像データ及び第２種肌細胞画像データを含むデータを前記入力データとして前記対象者の前記対象項目の値を推定する容易に構成されていることが好ましい。

当該構成の推定装置によれば、肌細胞画像データとして同一の部位における肌の細胞の複数種類の画像データ由来のデータが用いられて対象者の体質等が推定されるので、さらに推定精度の向上を図りうる。

全体構成の一例を示す図。 サーバの構成の一例を示す図。 被験者属性データの一例を示す図。 項目データの一例を示す図。 第１部位第１種肌細胞画像データの一例を示す図。 第１部位第２種肌細胞画像データの一例を示す図。 第１部位第３種肌細胞画像データの一例を示す図。 第３部位肌画像データの一例を示す図。 モデルデータの一例を示す図。 ユーザ端末の一例を示す図。 モデル生成処理の一例のフローチャート。 推定処理の一例のフローチャート。 顔画像の一例を示す図。 出力画面の一例を示す図。 データ解析処理の一例のフローチャート。 対象項目の値とのｐ値が所定の閾値以上の画像の構成要素の周波数を示すリストの一例。 データ調整・学習・評価処理の一例のフローチャート。 対象項目の値と画像データの構成要素の周波数のそれぞれとの相関係数、寄与率を示すリストの一例。 推定式の係数及び定数を示すリストの一例。 推定式による推定処理の一例のフローチャート。

図１〜図１６を参照しながら、本発明の実施形態について説明する。

図１に示されるように、ネットワーク１を介してサーバ１０と、一又は複数のユーザ端末３０（図１では、ユーザ端末３０ａ、３０ｂ、３０ｃを例示）とが互いに通信可能に接続されている。サーバ１０が、本発明の「推定装置」に相当する。ユーザ端末３０のユーザＵ（図１では、ユーザＵａ、Ｕｂ、Ｕｃを例示）は、角質採取テープ４０（図１では、角質採取テープ４０ａ、４０ｂ、４０ｃを例示）を使用して、自己の肌細胞を採取し、採取後の角質採取テープ４０を所定の住所に送付する。

（サーバ１０の構成）
サーバは、図２に示されるように、サーバ制御部１１と、サーバ記憶部１２と、サーバ通信部１３と、サーバ撮像部１４とを備える。サーバ記憶部１２が、本発明の「推定モデル記憶部」の一例に相当する。

サーバ制御部１１は、例えば、ＣＰＵ、キャッシュメモリ及びＩ／Ｏデバイスにより構成されうる。サーバ制御部１１は、サーバ記憶部１２に記憶された推定プログラムＳＰを読み込んで実行することにより、モデル生成部１１１、データ認識部１１２、画像調整部１１３、推定部１１４、出力情報生成部１１５及び送信制御部１１６として機能する。本実施形態では、データ認識部１１２及び画像調整部１１３が本発明の「対象肌細胞画像データ取得部」の一例に相当する。また、本実施形態では、データ認識部１１２及び画像調整部１１３が本発明の「対象肌画像データ取得部」の一例に相当する。

サーバ記憶部１２は、例えば、メモリ及びＨＤＤなどにより構成されている。

サーバ記憶部１２は、教師データＴＤｉ（ｉは、教師データのそれぞれを識別するための番号であり、１＜＝ｉ＜＝Ｎ）と、検証データＣＤｊ（ｊは検証データのそれぞれを識別するための番号であり、１＜＝ｊ＜＝Ｍ）と、モデルデータＭＤと、推定プログラムＳＰとを記憶している。

教師データＴＤｉ及び検証データＣＤｊは、本処理の実施前にＮ＋Ｍ人の被験者を集めて、後述するような方法で収集されうる。

各教師データＴＤｉは、一人の被験者由来のデータである。以下では、教師データＴＤｉ及びそれに含まれるデータの由来元の被験者を被験者ｉと表す。教師データＴＤｉは、モデル生成部１１１による処理を実行する前に、被験者ｉの協力を得て被験者ｉから取得されたデータである。

教師データＴＤｉは、被験者属性データＺｉと、項目データＫｉと、第１部位第１種肌細胞画像データＳ１１ｉと、第１部位第２種肌細胞画像データＳ１２ｉと、第１部位第３種肌細胞画像データＳ１３ｉと、第２部位第１種肌細胞画像データＳ２１ｉと、第２部位第２種肌細胞画像データＳ２２ｉと、第２部位第３種肌細胞画像データＳ２３ｉと、第３部位肌画像データＨ３ｉと、第４部位肌画像データＨ４ｉと、舌画像データＢｉと、肌スコアデータＨＳｉとを含む。各画像データは、カラーの画像データであり、例えば、各画素についてそれぞれ、色（赤，緑，青など）を示す値及び透明度を示す値のセットで示されるデータである。また次元圧縮などにより画像変換した情報を使う場合もある
被験者属性データＺｉは、図３Ａに示されるように、被験者ｉの属性を示すデータであり、例えば、被験者ｉの性別、年齢、住所、学歴、勤務先及び職業などを示すデータである。被験者属性データＺｉは、例えば、被験者ｉからのアンケートの回答などから取得されうる。

項目データＫｉは、図３Ｂに示されるように、被験者ｉの生活習慣、印象、身体情報、体調、体質、感情及び気質の少なくとも１つに属する項目に関するデータであり、項目データＫｉの値のタイプと、被験者ｉの実際の値ＫＶｉとを含むデータである。項目データＫｉの値のタイプは、例えば、ＹＥＳかＮＯなどの２つの選択肢、または、「とても健康」、「どちらかといえば健康」、「どちらかといえば不健康」、「とても不健康」などの定性評価の３つ以上の選択肢、飲酒量などの定量評価される数値などがある。

被験者ｉの生活習慣とは、被験者ｉが生活するうえで繰り返し行う行動のことを意味する。生活習慣は、必ずしも被験者ｉが定期的に行う行動のみならず、被験者ｉが不定期に行う行動も含む。また、生活習慣は、被験者ｉが行う行動のみならず、朝食を食べない等、被験者ｉが行わない行動も含む。被験者ｉのアンケートに対する回答から、被験者ｉの生活習慣に関する項目の値が取得されうる。生活習慣に関する項目の値は、例えば、対象の行動にかかる実施頻度、継続時間、対象の行動により摂取される飲食物の量などで表現されうる。

生活習慣に関する項目は、例えば、１日当たりの食事以外の水分の摂取量若しくは水分の摂取頻度、１日当たりのコーヒー等の特定飲料の摂取量若しくは特定飲料を飲む頻度、１日当たりの飲酒量若しくは飲酒頻度、飲みすぎたと感じる頻度、緑黄色野菜、果物、ファーストフード等の特定食物の摂取量若しくは特定食物を食べる頻度、昼食、夕食などの食事タイミングにおけるコンビニエンスストア等の特定店舗の利用頻度、食べすぎる、早食い、寝る直前に食べる、深夜に食事をとる、お菓子を食事代わりにする若しくは間食などの食習慣、間食の量、スマートフォン等の電子機器の使用頻度、湯船につかる頻度、入浴時間帯、運動習慣、喫煙習慣、口呼吸と鼻呼吸との割合、睡眠時間及び歩数などである。

被験者ｉの印象とは、被験者ｉ本人または被験者ｉではない者が、被験者ｉの顔全体又は体全体など、被験者ｉの肌を含むユーザＵａの比較的広範囲にわたる部分を観察したときに、観察者（被験者ｉ本人または被験者ｉではない者）の心に対して与えられる直接的な感じである。

また、印象に関する項目は、例えば、男前、男らしい、紳士的、健康的、若々しい、清潔感がある、何十才代である、知的である、生活感がある、信頼できる、活き活きしている、元気がありそう、安心感がある、優しい、頼りがいがある、仕事ができる、責任感がある、真面目に見える、落ち着いている、強く見える、人生が充実している、安心感を与えられる、成熟している、大人っぽい、イケメン、美しい、かわいい、女性らしい、おしとやか、さわやか、包容力がある、キュート、もてる、人気がありそう、カリスマ性がある、オーラがある、人を引き付ける、魅力的などである。

印象に関する項目のそれぞれについて、被験者ｉの印象の程度が観察者により一定の基準に従って評価され、評価結果が記憶されることにより、被験者ｉの印象に関する項目の値が取得されうる。

被験者ｉの身体情報は、データ取得時における被験者ｉの筋肉量等の身体情報である。

身体情報に関する項目は、身長、体重、体脂肪率、ＢＭＩ、筋肉量、右足、左足若しくは体幹部等の特定部位における筋肉量、推定骨量及び基礎代謝量などである。被験者ｉの身体情報に関する項目の値は、被験者ｉの身体測定計又は体組成計などにより測定されうる。

被験者ｉの体調は、データ取得時における被験者ｉの身体の調子である。体調に関する項目は、虫歯、歯周病、肩の凝り、手足の冷え、手足のほてり、目の疲れ、平熱、寝つき、寝起き、夢を見るか、就寝時間、寝つき（布団に入ってから眠るまで要する時間）、夜間、睡眠途中の覚醒の有無、希望する起床時間より早く目覚め、それ以上眠れないかどうか、総睡眠時間、全体的な睡眠の質、日中の気分、日中の活動について（身体的及び精神的）、日中の眠気について、疲れた感じ、だるい感じ、一晩寝ても疲れがとれない、不眠かどうか、身体疲労度、精神疲労度及び総合疲労度などがある。また、血液の値や健康診断の結果、および疾患状態でもよい。被験者ｉの体調に関する項目の値は、被験者ｉを診察した医師、歯科医師等の専門家により入力されてもよいし、被験者ｉによるアンケートに対する回答に基づいて値が決定されてもよい。

被験者ｉの体質とは、被験者ｉが先天的に有している又は後天的に獲得した身体的傾向である。

体質に関する項目には、平和質、気虚質、陽虚質、陰虚質、痰湿質、湿熱質、血お質、気鬱質、特稟質等の東洋医学により分類された体質、ニキビできやすさ、化学刺激抵抗力、総合的な敏感度、マイクロダスト抵抗力、日焼けをした時の肌の状態、むくみやすさ、風邪の引きやすさ、風邪をひいた時の治りにくさ、虚証スコア、実証スコア、気スコア、血スコア、水スコア、気不足スコア、気停滞スコア、水不足スコア、水停滞スコアなどがある。

被験者ｉの体質に関する項目の値は、被験者ｉを診察した医師、歯科医師等の専門家により入力されてもよいし、被験者ｉによるアンケートに対する回答に基づいて値が決定されてもよい。

被験者ｉの感情とは、データ取得時における被験者ｉが抱いていた感情（気持ち）である。

感情に関する項目は、例えば、気力に満ちた、はつらつとした、疲れた、無気力な、攻撃的な、腹立たしい、動揺した、落ち込んだ、ふさぎ込んだ、緊張した、不安な、友好的な、嬉しい、悲しい、うきうきする、楽しい、わくわくする、安らかな、心地よい、うっとりした、充実した、不満のある、幸せな、自信に満ちた、劣等感、ときめく、驚き、おおらかな、大胆な、寂しいなどである。

被験者ｉの感情に関する項目の値は、被験者ｉによるアンケートに対する回答に基づいて値が決定されてもよい。

被験者ｉの気質とは、被験者ｉの精神的傾向である。

気質に関する項目は、例えば、自己実現の要求の程度、負けず嫌いの程度、能動的態度の程度、実践的態度の程度、創造及び開発に関する志向の程度、自他共存の志向の程度、こだわりのなさ、執着心のなさ、他者尊重、楽観性、統御力、社交性、行動力、資質的レジリエンス要因、問題解決力、自己理解、他者心理の理解、獲得的レジリエンス要因などがある。

被験者ｉの気質に関する項目の値は、第三者による一定の基準に従った評価などにより取得されうる。

第１部位第１種肌細胞画像データＳ１１ｉは、被験者ｉの第１部位（例えば顔の右頬）における所定形式（第１形式）の肌細胞画像データである。この肌細胞画像データは、例えば、図４Ａに示されるように、角質採取テープ４０などで取得された肌細胞を、角層細胞の染色液により染色したのち、所定の倍率で撮像することにより得られた角層細胞染色画像データである。

第１部位第２種肌細胞画像データＳ１２ｉは、被験者ｉの第１部位における第２形式の肌細胞画像データである。第２形式は、第１形式とは異なる形式である。この肌細胞画像データは、例えば、図４Ｂに示されるように、角質採取テープ４０などで取得された肌細胞を、角層細胞の染色液により染色したのち、第１部位第１種肌細胞画像データＳ１１ｉよりも大きな倍率で撮像することにより得られた角層細胞染色画像データである。

第１部位第３種肌細胞画像データＳ１３ｉは、被験者ｉの第１部位における第３形式の肌細胞画像データである。第３形式は、第１形式及び第２形式のそれぞれとは異なる形式である。

この肌細胞画像データは、例えば、図４Ｃに示されるように、角質採取テープ４０などで取得された肌細胞を、メラニンの染色液によりしたのち、撮像することにより得られたメラニン染色細胞画像データである。

第２部位第１種肌細胞画像データＳ２１ｉ〜第２部位第３種肌細胞画像データＳ２３ｉは、被験者ｉの第２部位（例えば腕）における、第１形式〜第３形式の肌細胞画像データである。第２部位は、第１部位とは異なる部位である。

第３部位肌画像データＨ３ｉは、被験者ｉの第３部位（例えば、顔の右頬）における、肌の撮像画像である。

第４部位肌画像データＨ４ｉは、被験者ｉの第４部位（例えば、顔の左頬）における、肌の撮像画像データである。第４部位は、第３部位とは異なる部位である。

舌画像データＢｉは、被験者ｉの舌の撮像画像データである。

肌スコアデータＨＳｉは、肌細胞画像データＳ１１ｉ〜Ｓ２３ｉ及び肌画像データＨ３ｉ〜Ｈ４ｉに基づいて評価された被験者ｉの肌状態をスコア化したデータである。

肌スコアデータＨＳｉは、例えば、角層におけるメラニンの多寡を示すスコア、ニキビのできやすさを示すスコアの組み合わせにより表されうる。

検証データＣＤｊは、教師データＴＤｉの被験者ｉとは異なる被験者ｊから取得されたデータであるが、教師データＴＤｉと同様のデータであるので、その詳細の説明は省略する。

モデルデータＭＤは、モデル生成部１１１により生成されたモデルを特定するためのデータである。モデルを特定するためのデータは、例えば、図５に示されるように、推定の対象項目と、モデルに用いられるアルゴリズムを特定するデータと、モデルの評価値と、入力データと、モデルの動作を特定するパラメータなどにより表現されうる。これらのうち、少なくとも、モデルの評価値と、モデルの動作を特定するパラメータとが、モデル生成部１１１の処理により特定されうる。

モデルに用いられるアルゴリズムを特定するデータは、畳込みニューラルネットワーク及びサポートベクターマシーン等のいわゆるモデルの概略的なアルゴリズムを特定するデータに加え、例えばニューラルネットワークであれば、当該モデルを構成する層の数、１つの層当たりの関数の個数、当該関数の種類など詳細なアルゴリズムを特定するデータ、評価のためのアルゴリズムを示すデータ（例えば損失関数を示すデータ）も含む。

推定プログラムＳＰは、後述するモデル生成処理及び予測処理に関するプログラムである。

サーバ通信部１３は、有線通信又は無線通信によりネットワークを介してユーザ端末３０と通信するように構成されている。

サーバ１０は、図１に示されるようにカメラ付き顕微鏡２０に接続されている。カメラ付き顕微鏡２０は、角質採取テープ４０に採取された肌細胞に対して、角層染色液又はメラニン染色液等の染色液により染色された細胞を、任意の倍率で撮像可能に構成されている。

（ユーザ端末の構成）
次に、図６を参照して、ユーザ端末３０ａを例にとって、ユーザ端末３０の構成を説明する。

ユーザ端末３０ａは、例えば、スマートフォンであり、端末制御部３１ａと、端末記憶部３２ａと、端末通信部３３ａと、端末撮像部３４ａと、端末入力受付部３５ａと、端末出力部３６ａとを備える。

端末制御部３１ａは、例えば、ＣＰＵ、キャッシュメモリ及びＩ／Ｏデバイスにより構成され、所定の演算処理を実行するように構成されている。

端末記憶部３２ａは、メモリ、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｉｓｋ）、及びＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）などにより構成され、データを記憶するように構成されている。

端末通信部３３ａは、有線通信又は無線通信によりネットワークを介してサーバ１０と通信するように構成されている。

端末撮像部３４ａは、例えばカメラにより構成されている。

端末入力受付部３５ａは、タッチパッドのような位置入力装置により構成されている。これらに代えてまたは加えて、端末入力受付部３５ａは、マウス、キーボード又はマイクなどにより構成されていてもよい。

端末出力部３６ａは、液晶ディスプレイにより構成されている。これらに代えてまたは加えて、端末出力部３６ａは、スピーカーなどにより構成されていてもよい。

（モデル生成処理）
次に、図７を参照して、モデル生成処理を説明する。

まず、モデル生成部１１１は、モデルデータＭＤを初期化する（図７／ＳＴＥＰ１０２）。

具体的には、モデル生成部１１１は、モデルのアルゴリズムなどを読み込む。必要に応じて、モデルのパラメータをランダムに設定する。

モデル生成部１１１は、各モデルについてループして図７／ＳＴＥＰ１０６〜図７／ＳＴＥＰ１１０の処理を実行する（図７／ＳＴＥＰ１０４）。以下、図７／ＳＴＥＰ１０６〜図７／ＳＴＥＰ１１０における処理対象のモデルを、「対象のモデル」と適宜いう。また、対象のモデルが推定する項目を、「対象項目」と適宜いう。

モデル生成部１１１は、所定の対応表を参照して、教師データＴＤｉのデータを解析する（図７／ＳＴＥＰ１０６）。図７／ＳＴＥＰ１０６の処理の具体例については、図１１〜図１２を用いて後述する。

モデル生成部１１１は、データの調整を行い、入力データを生成する（図７／ＳＴＥＰ１０８）。

例えば、モデル生成部１１１は、選択された肌細胞画像データＳ１１ｉ〜Ｓ２３ｉに含まれるＲＧＢ値について、高速フーリエ変換することにより、入力データとしての各ＲＧＢ値についての各周波数の振幅のセットを取得してもよい。モデル生成部１１１は、さらに、データの解析結果に基づいて一定の基準によりデータの取捨選択を行って入力データを生成してもよい。

また、具体的には、モデル生成部１１１は、選択された画像データに対して畳込み処理を実行することにより、入力データを生成してもよい。

図７／ＳＴＥＰ１０８の処理の具体例については、図１３を用いて後述する。

モデル生成部１１１は、調整されたデータ及び教師データＴＤｉに含まれる対象項目に関するデータを用いて学習処理を行う（図７／ＳＴＥＰ１１０）。

学習処理は、図１３を用いて後述する予測式を求める処理でもよいが、以下のような処理でもよい。

例えば、モデル生成部１１１は、調整されたデータとしての肌細胞画像データのフーリエ変換後の各ＲＧＢ値の周波数を対象のモデルに入力し、対象のモデルから出力された値を認識する。

そして、モデル生成部１１１は、教師データＴＤｉに含まれる対象項目の値（例えば、対象項目「深夜に食べすぎると感じる」の値１）を認識する。

モデル生成部１１１は、対象のモデルから出力された値と、教師データＴＤｉに含まれる対象項目の値とから、例えば、損失関数を用いて、損失を評価する。損失関数は、例えば、対象のモデルから出力された値（対象項目の推定値）と、教師データＴＤｉに含まれる対象項目の値との２乗誤差を出力する関数である。

モデル生成部１１１は、１＜＝ｉ＜＝Ｎとなるｉについて、これらの処理を行い、その後、損失が最小となるように、モデルのパラメータを修正する。

モデル生成部１１１は、このような処理を所定の回数（例えば２万回）だけ繰り返し実行する。

モデル生成部１１１は、このような処理に限られず、例えば、モデルが数値を予測する予測式である場合には、変数増加法によって予測式に用いられる各係数（モデルのパラメータ）を求めてもよいし、モデルがいくつかの選択肢を予測する予測式である場合には、非連続変数損失関数最小化法によって予測式に用いられる各係数（モデルのパラメータ）を求めてもよい。

モデル生成部１１１は、サポートベクターマシーン等によるモデルについて、教師あり学習を行うことにより、モデルのパラメータを求めてもよい。

モデル生成部１１１は、このような処理によって求められたモデルのパラメータをモデルデータＭＤのモデルのパラメータとして記憶する。

モデル生成部１１１は、１＜＝ｊ＜＝Ｍとなるｊについて、検証データＣＤｊを用いて、各モデルの評価を行う（図７／ＳＴＥＰ１１２）。各モデルの評価は、例えば、図１３を用いて後述するような相関係数等を用いた評価であってもよいが、モデルの性能を定量的に決定できるような評価であれば、以下のような処理であってもよい。例えば、モデル生成部１１１は、検証データＣＤｊから、図７／ＳＴＥＰ１０６〜図７／ＳＴＥＰ１０８と同様にして、データを選択、調整して、調整後のデータをモデルに入力し、対象項目の推定値を得る。モデル生成部１１１は、検証データＣＤｊに含まれる対象項目の値と、対象項目の推定値とが一致している割合を、当該モデルの評価値とし、モデルデータＭＤの評価値を更新する。

以上のようにして、モデル生成処理が終了する。

（推定処理）
次に、図８〜図１０を参照して、推定処理を説明する。以下では、ユーザ端末３０ａから肌画像データを受信するとともに、ユーザＵａから角質採取テープ４０ａを受領した場合の処理を説明する。角質採取テープ４０ａは、ユーザの第１部位において採取した肌細胞と、ユーザの第２部位において採取した肌細胞とを保持している。

また、以下においては、ユーザＵａの第１部位第１種肌細胞画像データなどを、例えば、Ｓ１１ａのように、教師データＴＤｉに含まれる各データと同様の符号に、ａをつけて適宜表現する。

データ認識部１１２は、サーバ通信部１３を介して、ユーザ端末３０ａから、データを受信する（図８／ＳＴＥＰ２０２）。このデータは、例えば、ユーザ端末３０ａの端末撮像部３４ａで撮像されたユーザＵａの顔写真であってもよいし、あらかじめ記憶されたユーザ端末３０ａのユーザＵａの属性データであってもよいし、ユーザ端末３０ａに入力されたアンケートに対する回答であってもよい。

また、データ認識部１１２は、所定の形式で処理された角質採取テープ４０ａのユーザＵａの肌細胞の画像を、サーバ撮像部１４を介して撮像することにより、第１部位第１種肌細胞画像データＳ１１ａ〜第２部位第３種肌細胞画像データＳ２３ａを認識する（図８／ＳＴＥＰ２０４）。

サーバ制御部１１は、図８／ＳＴＥＰ２０８〜図８／ＳＴＥＰ２１６の処理を推定対象の項目ごとに繰り返し実行する（図８／ＳＴＥＰ２０６）。以下、図８／ＳＴＥＰ２０８〜図８／ＳＴＥＰ２１６における推定対象の項目を「対象項目」と適宜いう。

推定部１１４は、対象項目を推定するモデルのうち、一または複数のモデル（推定モデル）を選択する（図８／ＳＴＥＰ２０８）。たとえば、対象項目が「深夜に食べすぎると感じる」であり、対象項目を推定するモデルが、図５に示されるように３つあった場合、推定部１１４は、これらのモデルのうち評価値が最も高いまたは所定値以上のモデルを推定モデルとして選択する。推定部１１４は、推定モデルを特定するためのモデルデータＭＤに基づいて、当該推定モデルを認識する。

データ調整部１１３は、推定モデルに応じて、図８／ＳＴＥＰ２０２〜ＳＴＥＰ２０４で認識したデータのうち必要なデータを選択する（図８／ＳＴＥＰ２１０）。

データ調整部１１３は、選択したデータに対し、データの調整を行う（図８／ＳＴＥＰ２１２）。

例えば、データ調整部１１３は、図９に示されるようなユーザＵａの顔写真Ｆａから、右目ＥＲａの位置を認識し、その右目ＥＲａから所定の距離Ｄ下の右頬ＨＲａ（第３部位）の位置を認識する。また、データ調整部１１３は、左目ＥＬａの位置を認識し、その左目ＥＬａから所定の距離Ｄ下の左頬ＨＬａ（第４部位）の位置を認識する。データ調整部１１３は、所定の部位の画像の位置を認識し、当該画像の位置における画像データを抽出することで、第３部位肌画像データＨ３ａ及び第４部位肌画像データＨ４ａを認識する。

データ調整部１１３は、選択したデータに対し、データの調整を行う（図８／ＳＴＥＰ２１２）。

さらに、データ調整部１１３は、図７／ＳＴＥＰ１０８と同様にして、フーリエ変換等を行って、推定モデルに入力するデータの形式を整える。

推定部１１４は、図８／ＳＴＥＰ２０８で選択された推定モデルに調整後のデータを入力する（図８／ＳＴＥＰ２１４）。第１部位第１種肌細胞画像データＳ１１ａ〜第２部位第３種肌細胞画像データＳ２３ａを調整したデータが、本発明の「対象肌細胞画像データ」の一例に相当する。また、第３部位肌画像データＨ３ａ〜第４部位肌細胞画像データＨ４ａを調整したデータが、本発明の「対象肌データ」の一例に相当する。

推定部１１４は、推定モデルからの出力値を対象項目の推定値として認識する（図８／ＳＴＥＰ２１６）。推定部１１４は、複数の推定モデルを用いる場合には、それぞれの推定モデルから出力された値に対して、評価値に応じた所定の係数を乗じ、得られた値を対象項目の推定値として認識してもよい。

図８／ＳＴＥＰ２０８〜ＳＴＥＰ２１６の処理の具体例については、図１５を用いて後述する。

図８／ＳＴＥＰ２０６〜図８／ＳＴＥＰ２０６＋のループ処理の後、出力情報生成部１１５は、各項目の推定値に応じて出力情報を生成する（図８／ＳＴＥＰ２１８）。たとえば、出力情報生成部１１５は、値と当該値を示す情報との対応を示すテーブルなどを参照して、項目の推定値が所定の値となる項目の値を示す情報を含むような出力情報を生成する。

送信制御部１１６は、生成された出力情報をサーバ通信部１３を介してユーザ端末３０ａに送信する（図８／ＳＴＥＰ２２０）。

当該出力情報を受信したユーザ端末３０ａは、例えば、図１０に示されるように、当該出力情報を含む画面Ｍをユーザ端末３０ａの端末出力部３６ａに出力する。

当該出力情報を含む画面Ｍには、例えば、項目「健康印象」についての値を示す情報「とても健康的」との表示Ｍ１と、項目「深夜に食べすぎると感じる」についての値を示す情報「深夜に食べすぎ」との表示Ｍ２とが含まれている。

（作用効果）
前述したように、本発明者らの検討によれば、人の肌の細胞の画像データを含むデータは、当該人のそれぞれの身体情報、体質、体調、生活習慣、感情、気質及び外観印象のうち少なくとも１つを示す対象項目の値と関連していることが判明した。

推定モデルは、この知見に基づいて構築されたモデルであって、詳しくは、複数の人のそれぞれから取得された肌の細胞の画像データを含むデータを含む入力データと、前記複数の人のそれぞれの身体情報、体質、体調、生活習慣、感情、気質及び外観印象のうち少なくとも１つを示す対象項目の値である出力データとの組である、教師データＴＤｉとによる教師あり学習により構築されたモデルである（図７参照）。

そして、当該構成のサーバ１０によれば、対象肌細胞画像データ取得部（本実施形態では、データ認識部１１２及び画像調整部１１３が対象肌細胞画像データ取得部の一例に相当する。）により、対象者の肌の細胞の画像データを含むデータである対象肌細胞画像データが取得される（図８／ＳＴＥＰ２０２〜ＳＴＥＰ２０４及びＳＴＥＰ２１０〜ＳＴＥＰ２１２）。対象者の肌の細胞の画像データを含むデータには、当該画像データのみならず、当該画像データに基づいた情報、例えば、当該画像データを次元圧縮などにより画像変換した情報（フーリエ変換、畳み込み演算で得られた画像など）も含まれうる。

そして、推定部１１４により、前記推定モデルを用いて、前記対象肌細胞画像データ取得部が取得した前記対象肌細胞画像データを含むデータを前記入力データとして前記対象者の前記対象項目の値が推定される（図８／ＳＴＥＰ２１４〜ＳＴＥＰ２１６）。

前述したように、推定モデルは、人の肌の細胞の画像データを含むデータは、当該人のそれぞれの身体情報、体質、体調、生活習慣、感情、気質及び外観印象のうち少なくとも１つを示す項目の値と関連していることに着目し、教師あり学習で得られたモデルである。

このため、この推定モデルを用いた推定部１１４の推定は、比較的精度が高いと期待される。

以上の通り、本発明のサーバ１０によれば、対象者（ユーザＵａ）の肌の細胞画像データという比較的容易に取得できるデータを用いて対象者（ユーザＵａ）の身体情報等の対象項目の値を推定するから、対象者（ユーザＵａ）の負担を軽減しながら、精度良く対象者の状態を推定することができる。

（実施例）
次に、図１１〜図１６を参照して、図７／ＳＴＥＰ１０６〜ＳＴＥＰ１１４及び図８／ＳＴＥＰ２０８〜ＳＴＥＰ２１６の処理の具体例を説明する。

本処理におけるモデルは、肌細胞画像データ、肌画像データ及び舌画像データの色ごとにフーリエ変換して得られた各周波数における振幅を入力データとし、対象者（ユーザＵａ）の精神疲労度の推定値を出力するモデルである。以下においては、処理対象の項目（この例では、精神疲労度）を、対象項目ＴＫと適宜いう。また、以下の例においては、対象項目ＴＫの値は、ある一定範囲内の定量的な数値で表されうることを前提として説明する。

（データ解析処理）
図１１〜図１２を参照して、図７／ＳＴＥＰ１０６のデータ解析処理の具体例を説明する。

モデル生成部１１１は、画像データの種類のそれぞれに対して図１１／ＳＴＥＰ３０４〜ＳＴＥＰ３１０の処理を実行する（図１１／ＳＴＥＰ３０２）。

たとえば、モデル生成部１１１は、１回目のループで、教師データＴＤｉ（１≦ｉ≦Ｎ）のそれぞれに含まれる第１部位第１種肌細胞画像データＳ１１ｉ（１≦ｉ≦Ｎ）に対して、図１１／ＳＴＥＰ３０４〜ＳＴＥＰ３１０の処理を実行し、２回目のループで、教師データＴＤｉ（１≦ｉ≦Ｎ）のそれぞれに含まれる第１部位第２種肌細胞画像データＳ１２ｉ（１≦ｉ≦Ｎ）に対して、図１１／ＳＴＥＰ３０４〜ＳＴＥＰ３１０の処理を実行する。

図１１／ＳＴＥＰ３０４〜ＳＴＥＰ３１０の処理では、１度の繰り返し処理でＮ個の画像データのセットを扱うので、以下では、処理の対象となったＮ個の画像データのセットを対象の画像データセットと呼ぶ。また、図１１／ＳＴＥＰ３０４〜ＳＴＥＰ３１０の処理の中において、Ｎ個の画像データのうちの個々の画像データに対して処理を行う場合（さらに、ループのネスト処理を実行する場合）に、その処理対象となった画像データを、「対象の画像データ」と呼ぶ。

モデル生成部１１１は、対象の画素の構成要素ごとにループして図１１／ＳＴＥＰ３０６〜ＳＴＥＰ３１０の処理を実行する（図１１／ＳＴＥＰ３０４）。たとえば、対象の画像データの各画素が赤、緑、青と透明度を示すパラメータで示されている場合、モデル生成部１１１は、１回目のループにおいて、赤に対して図１１／ＳＴＥＰ３０６〜ＳＴＥＰ３１０の処理を実行し、２回目のループにおいて、緑に対して図１１／ＳＴＥＰ３０６〜ＳＴＥＰ３１０の処理を実行し、…４回目のループにおいて、透明度に対して図１１／ＳＴＥＰ３０６〜ＳＴＥＰ３１０の処理を実行する。以下において、図１１／ＳＴＥＰ３０６〜ＳＴＥＰ３１０の処理において扱う構成要素を、対象の構成要素と呼ぶ。

モデル生成部１１１は、対象の構成要素の値について、対象の画像データセットのうちの各画像データにおいて高速フーリエ変換を行って、対象の構成要素の各周波数ｆ（１≦ｆ≦Ｆ）の振幅を算出する（図１１／ＳＴＥＰ３０６）。たとえば、モデル生成部１１１は、対象の構成要素「赤」の値について、対象の画像データ「第１部位第１種肌細胞画像データＳ１１ｘ」について高速フーリエ変換を実行して、対象の構成要素「赤」の周波数１〜Ｆのそれぞれの振幅を算出する。モデル生成部１１１は、この処理を、対象の画像データセット全体に対して実行する。ある対象の画像データの対象の構成要素のある周波数における振幅については、対象の画像データを示すｉと、対象の構成要素「Ｒ」「Ｇ」「Ｂ」「ＷＢ」のいずれかを示すｐと、周波数ｆとをつけて、振幅Ａ_ｉｐｆと表す。

モデル生成部１１１は、対象の構成要素の周波数ｆごとに、各画像データの振幅Ａ_ｉｐｆと、当該画像データに対応する対象項目の値との単相関解析を行う（図１１／ＳＴＥＰ３０８）。

例えば、モデル生成部１１１は、対象の構成要素「赤」の周波数ｆ１に対し、「第１部位第１種肌細胞画像データＳ１１ｉ（１≦ｉ≦Ｎ）」の振幅Ａ_{Ｓ１１ｉＲｆ１}（１≦ｉ≦Ｎ）と、対象項目ＴＫｉ（１≦ｉ≦Ｎ）との単相関解析を実行し、ｐ値を求める（図１１／ＳＴＥＰ３０８）。

モデル生成部１１１は、ｐ値が所定の閾値（例えば０．１）以下の対象の構成要素「赤」の周波数のリストを作成する（図１１／ＳＴＥＰ３１０）。たとえば、モデル生成部１１１は、図１２に示されるリストを作成する。図１２に示されるリストは、画像データのそれぞれについて、ｐ値が所定の閾値以下となる色の周波数を示すリストである。色周波数の欄に記載されているのは、色（赤をＲ、緑をＧ、青をＢ、透明度をＢＷ）と周波数を組み合わせた符号である。その右側に記載されているＰ値は、当該色及び周波数に対応したＰ値である。たとえば、第１部位第１種細胞画像データについては、色がＢＷ（透明度）で周波数が２１７に対し、対象項目（この例では精神疲労度）に関するＰ値が０．０８となっている。

ｐ値とは、帰無仮説の元で検定統計量がその値となる確率を言う。

補足すると、「ｐ値が所定の閾値以下となる色の周波数」は、対象項目の値と色の周波数の振幅とが無関係であると仮定した場合に対象項目の値に応じた色の周波数の振幅のばらつきが起こる確率が所定の閾値以下となる色の周波数を言う。換言すれば、ｐ値が所定の閾値以下となる色の周波数は、その周波数の振幅と対象項目の値とは無関係ではない蓋然性が高い。

（データ調整、学習、評価処理）
次に、図１３〜図１５を参照して、図７／ＳＴＥＰ１０８〜ＳＴＥＰ１１２のデータ調整、学習、評価処理の具体例を説明する。図１３／ＳＴＥＰ４０６が、図７／ＳＴＥＰ１０８の一例にあたり、図１３／ＳＴＥＰ４０８が、図７／ＳＴＥＰ１１０の一例にあたり、図１３／ＳＴＥＰ４１０が、図７／ＳＴＥＰ１１２の一例にあたる。

モデル生成部１１１は、図１１／ＳＴＥＰ３０２と同様にして、画像データの種類のそれぞれに対して図１３／ＳＴＥＰ４０４〜ＳＴＥＰ４１０の処理を実行する（図１３／ＳＴＥＰ４０２）。

モデル生成部１１１は、図１１／ＳＴＥＰ３０４と同様にして、対象の画素の構成要素ごとにループして図１３／ＳＴＥＰ４０６〜ＳＴＥＰ４１０の処理を実行する（図１３／ＳＴＥＰ４０４）。

モデル生成部１１１は、図１１／ＳＴＥＰ３０６と同様にして、対象の構成要素の値について、対象の画像データセットのうちの各画像データにおいて高速フーリエ変換を行って、対象の構成要素の各周波数ｆ（１≦ｆ≦Ｆ）の振幅を算出する（図１３／ＳＴＥＰ４０６）。

モデル生成部１１１は、対象の構成要素の周波数のうち、対象項目の値との単相関解析によるｐ値が所定の閾値以下の周波数について、教師データＴＤｉに基づいて、推定式を作成し、係数をモデルデータＭＤとしてサーバ記憶部１２に記憶する（図１３／ＳＴＥＰ４０８）。

例えば、モデル生成部１１１は、対象の構成要素ｐの周波数ｆ（１≦ｆ≦Ｆ）のうち、教師データＴＤｉに基づいて、対象項目ＴＫ（例えば、精神疲労度）の値ＴＫＶとの単相関解析によるｐ値が所定の閾値以下の周波数ｆ_１、ｆ_２、・・・ｆ_ｎについて、下記のような推定式（１）の、係数α_{ｇｘｐｆ１}〜α_{ｇｘｐｆｎ}及び定数βを算出する。このような係数α_{ｇｘｐｆ１}〜α_{ｇｘｐｆｎ}及び定数βは、例えば、ＡＩＣ規準（赤池情報量規準）による変数増加法又は変数減少法により求められうる。

ここで、
ＴＫＶ_ｘ…推定対象の人ｘの対象項目ＴＫの値（推定式の従属変数）。

Ａ_{ｇｘｐｆ１}〜Ａ_{ｇｘｐｆｎ}…推定対象の人ｘの対象画像データｇ_ｘの対象の構成要素ｐの周波数ｆの振幅（推定式の説明変数）。

α_{ｇｘｐｆ１}〜α_{ｇｘｐｆｎ}…推定対象の人ｘの対象画像データｇ_ｘの対象の構成要素ｐの周波数ｆの振幅に乗じる係数。

β…定数。

モデル生成部１１１は、係数α_{ｇｘｐｆ１}〜α_{ｇｘｐｆｎ}及び定数βを対象項目の値を推定するためのモデルデータＭＤとしてサーバ記憶部１２に記憶する。

そして、モデル生成部１１１は、検証データＣＤｊを用いて、係数α_{ｇｘｐｆ１}〜α_{ｇｘｐｆｎ}及び定数βを用いた推定式から算出された推定値と、実際の値との相関係数及び寄与率を算出する（図１３／ＳＴＥＰ４１０）。寄与率は、相関係数の２乗した値である。モデル生成部１１１は、相関係数及び寄与率をモデルデータＭＤに追加してサーバ記憶部１２に記憶する。

例えば、モデル生成部１１１は、図１４に示されるように、各画像データの各構成要素（「ＢＷ」「Ｒ」「Ｇ」「Ｂ」ごとに、相関係数及び寄与率のリストを算出し、モデルデータＭＤに追加してサーバ記憶部１２に記憶する。モデル生成部１１１は、１又は複数の画像データの構成要素の組み合わせについての推定式を求め、その相関係数及び寄与率を算出してもよい。たとえば、図１４ではそれぞれの画像データについて、「ＢＷ」「Ｒ」「Ｇ」「Ｂ」の単独および、「４色すべて」を構成要素の振幅を説明変数とした推定式の相関係数及び寄与率のリストが作成されているが、これに代えてまたは加えて、第１の画像データの構成要素「Ｒ」の周波数の振幅及び第２の画像データの構成要素「Ｂ」の周波数の振幅を説明変数とした推定式が求められ、その相関係数及び寄与率が算出されてもよい。

また、図１５は、一の画像データ（例えば、第１部位第１種肌細胞画像データＳ１１ｘ）についての一の構成要素（例えば「Ｒ」）の周波数ｆについての一の項目（例えば、精神疲労度）の値を推定する推定式の係数と定数の一例を示すリストである。

図１５は、推定式における定数が０．６０８であり、構成要素「Ｒ」の周波数３４０の振幅に対する係数が−７８．２３０であり、構成要素「Ｒ」の周波数３１５の振幅に対する係数が５６．６５７であることを示す。

（推定式が作成できた例）
以下は、各画像データごとに、上述のようにして作成した推定式の相関係数が０．７以上となった色の数を数えたものである。

また、以下は、各画像データごとに、上述のようにして作成した推定式のＡＵＣが０．７以上となった色の数を数えたものである。

（推定式による推定処理）
次に、図１６を参照して、図８／ＳＴＥＰ２０８〜ＳＴＥＰ２１６の処理の具体例を説明する。

図１６／ＳＴＥＰ５０４が、図８／ＳＴＥＰ２０８の一例にあたり、図１６／ＳＴＥＰ５０６が、図８／ＳＴＥＰ２１０の一例にあたり、図１６／ＳＴＥＰ５０８が、図８／ＳＴＥＰ２１２の一例にあたり、図１６／ＳＴＥＰ５１０が、図８／ＳＴＥＰ２１４〜図８／ＳＴＥＰ２１６の一例にあたる。

以下では、推定対象の人をｙとして説明する。

推定部１１４は、推定対象の項目（対象項目）ＴＫを認識する（図１６／ＳＴＥＰ５０２）。

推定部１１４は、対象項目ＴＫの値を推定する推定式のうち、相関係数が所定の閾値以上の推定式を認識する（図１６／ＳＴＥＰ５０４）。推定部１１４は、複数の推定式がある場合には、相関係数が最高の推定式を認識してもよい。

推定部１１４は、図１６／ＳＴＥＰ５０４で認識した推定式に対応する推定対象の人ｙの画像データを認識する（図１６／ＳＴＥＰ５０６）。たとえば、推定部１１４は、図１６／ＳＴＥＰ５０４で認識した推定式が、第１部位第１種肌細胞画像データＳ１１を用いるものであれば、推定対象の人ｙの第１部位第１種肌細胞画像データＳ１１ｙを認識する。

推定部１１４は、図１６／ＳＴＥＰ５０６で認識した画像データの対象の構成要素について高速フーリエ変換を実行することで、対象の構成要素の各周波数の振幅を算出する（図１６／ＳＴＥＰ５０８）。

例えば、推定部１１４は、図１６／ＳＴＥＰ５０４で認識した推定式が、第１部位第１種肌細胞画像データＳ１１の構成要素「赤」の周波数を用いるものであれば、第１部位第１種肌細胞画像データＳ１１の各画素の構成要素「赤」の値についての高速フーリエ変換を実行することで、構成要素「赤」の各周波数の振幅を算出する。

推定部１１４は、図１６／ＳＴＥＰ５０８で算出した各周波数の振幅と、図１６／ＳＴＥＰ５０４で認識した推定式（例えば、上記の式（１））とを用いて、対象項目ＴＫの推定値ＴＫＥＶｙを算出する（図１６／ＳＴＥＰ５１０）。

例えば、図１６／ＳＴＥＰ５０４で認識した推定式が、図１５に示されるように、定数０．６０８と、第１部位第１種肌細胞画像データＳ１１の構成要素「赤」の周波数３４０の振幅に対する係数−７８．２３０と、第１部位第１種肌細胞画像データＳ１１の構成要素「赤」の周波数３１５の振幅に対する係数−５６．６５７と、をで表される式であるとする。

このような場合、推定部１１４は、以下の式（２）によって、対象項目ＴＫの推定値ＴＫＥＶｙを算出する。

ここで、
は、対象の人ｙの第１部位第１種肌細胞画像データＳ１１ｙの、構成要素「Ｒ」の周波数３４０における振幅、
また、
は、対象の人ｙの第１部位第１種肌細胞画像データＳ１１ｙの、構成要素「Ｒ」の周波数３１５における振幅である。

以上の処理により、対象項目ＴＫの推定値ＴＫＥＶｙが算出されうる。

（変形態様）
本発明において、サーバ１０において、推定処理が実行されたが、これに代えてまたは加えて、モデルデータＭＤをダウンロードしたユーザ端末３０ａなどの推定モデルを構築した装置とは別の装置で推定処理が実行されてもよい。

この場合、ユーザＵａは、角質採取テープ４０ａに所定の処理を施してユーザ端末３０ａの端末撮像部３４ａで当該肌細胞を撮像することにより、第１部位第１種肌細胞画像データＳ１１ａ〜第２部位第３種肌細胞画像データＳ２３ａをユーザ端末３０ａに認識させてもよい。

また、ユーザ端末３０ａは、サーバ１０からユーザＵａの第１部位第１種肌細胞画像データＳ１１ａ〜第２部位第３種肌細胞画像データＳ２３ａをダウンロードしてもよい。

また、図７／ＳＴＥＰ１０８及び図８／ＳＴＥＰ２１２は省略されてもよい。

また、モデルは、上述した単相関回帰（累積ロジスティック回帰）から求められた推定式に限られず、線形回帰、ロジスティック回帰から求められた推定式であってもよい。

また、モデルは、サポートベクターマシーン、ガウス過程回帰、決定木、回帰木、ランダムフォレスト、勾配ブースティング木、パーセプトロン、畳み込みニューラルネットワーク（ＣＮＮ）、再起型ニューラルネットワーク、残差ネットワーク、単純ベイズ、ＡＲ，ＭＡ，（Ｓ）ＡＲＩＭＡモデル、状態空間モデル、ｋ近傍法（ＫＮＮ）、階層型クラスタリング、非階層型クラスタリング、トピックモデル、自己組織化マップ、アソシエーション分析、協調フィルタリングなどのモデルであってもよい。

また、画像処理については、上述したフーリエ変換に限られず、たたみ込み演算、平滑化、ノイズの除去、主成分分析・独立成分分析、ＡｕｔｏＥｎｃｏｄｅｒ、ｔ−ＳＮＥ、ＵＭＡＰなどのうち、少なくとも１つの画像処理による次元圧縮を行ってもよい。また、画像処理を省略してもよい。

また、各画像データを次元圧縮するモデルについて、圧縮された画像データを所定の方式で復元し、元の画像データと、復元後の画像データとを比較し、近似度が高くなるように（例えば、元の画像データの各画素の値と、復元後の画像データの各画素の値との２乗誤差が小さくなるように）、学習させることで、次元圧縮用のモデルを生成してもよい。

推定部１１４は、１の項目について、Ｂｏｏｓｔｉｎｇ、Ｓｔａｃｋｉｎｇ、バギングなどの手法により、複数のモデルを用いて１つの推定値を得てもよい。

１０‥サーバ、３０‥ユーザ端末、４０‥角質採取テープ、１１‥サーバ制御部、１１１‥モデル生成部、１１２‥データ認識部、１１３‥画像調整部、１１４‥推定部、１１５‥出力情報生成部、１１６‥送信制御部、１２‥サーバ記憶部、１３‥サーバ通信部、１４‥サーバ撮像部。

Claims (6)

1. 複数の人のそれぞれから取得された肌の細胞の画像データを含む入力データと、前記複数の人のそれぞれの身体情報、体質、体調、生活習慣、感情、気質及び外観印象のうち少なくとも１つを示す対象項目の値である出力データとの組である、教師データとによる教師あり学習により構築された推定モデルを示すデータを記憶する推定モデル記憶部と、
   対象者の肌の細胞の画像データである対象肌細胞画像データを取得する対象肌細胞画像データ取得部と、
   前記推定モデルを用いて、前記対象肌細胞画像データ取得部が取得した前記対象肌細胞画像データを含むデータを前記入力データとして前記対象者の前記対象項目の値を推定する推定部とを備えることを特徴とする推定装置。
2. 請求項１記載の推定装置において、
   対象者の肌の画像データである対象肌データを取得する対象肌データ取得部を備え、
   前記推定モデルは、複数の人のそれぞれから取得された肌の細胞の画像データに加え、複数の人のそれぞれから取得された肌の画像データを含む入力データと、前記複数の人のそれぞれの身体情報、体質、体調、生活習慣、感情、気質及び外観印象のうち少なくとも１つを示す対象項目の値である出力データとの組である、教師データとによる教師あり学習により構築されたモデルであり、
   前記推定部は、前記推定モデルを用いて、前記対象肌細胞画像データ取得部が取得した前記対象肌細胞画像データと、前記対象肌データ取得部が取得した前記対象肌データとを含むデータを前記入力データとして前記対象者の前記対象項目の値を推定するように構成されていることを特徴とする推定装置。
3. 請求項１又は２記載の推定装置において、
   前記推定モデルは、
   複数の人のそれぞれから取得された第１部位の肌の細胞の画像データと当該複数の人のそれぞれから取得された第２部位の肌の細胞の画像データとを含む入力データと、前記複数の人のそれぞれの身体情報、体質、体調、生活習慣、感情、気質及び外観印象のうち少なくとも１つを示す対象項目の値である出力データとの組である、教師データとによる教師あり学習により構築されたモデルであり、
   前記対象肌細胞画像データ取得部は、前記対象者の第１部位の肌の細胞の画像データである第１部位肌細胞画像データを取得し、前記対象者の第２部位の肌の細胞の画像データである第２部位肌細胞画像データを取得するように構成され、
   前記推定部は、前記推定モデルを用いて、前記肌細胞画像データ取得部が取得した第１部位肌細胞画像データ及び第２部位肌細胞画像データを含むデータを前記入力データとして前記対象者の前記対象項目の値を推定する容易に構成されていることを特徴とする推定装置。
4. 請求項１〜３のうちいずれか１項の推定装置において、
   前記推定モデルは、
   複数の人のそれぞれの一の部位から取得された肌の細胞の第１種の画像データと当該複数の人のそれぞれの当該一の部位から取得された肌の細胞の前記第１種とは異なる第２種の画像データとを含む入力データと、前記複数の人のそれぞれの身体情報、体質、体調、生活習慣、感情、気質及び外観印象のうち少なくとも１つを示す対象項目の値である出力データとの組である、教師データとによる教師あり学習により構築されたモデルであり、
   前記対象肌細胞画像データ取得部は、前記対象者の前記一の部位の肌の細胞の第１種の画像データである第１種肌細胞画像データを取得し、前記対象者の当該一の部位の肌の細胞の第２種の画像データである第２種肌細胞画像データを取得し、
   前記推定部は、前記推定モデルを用いて、前記肌細胞画像データ取得部が取得した第１種肌細胞画像データ及び第２種肌細胞画像データを含むデータを前記入力データとして前記対象者の前記対象項目の値を推定する容易に構成されていることを特徴とする推定装置。
5. 複数の人のそれぞれから取得された肌の細胞の画像データを含む入力データと、前記複数の人のそれぞれの身体情報、体質、体調、生活習慣、感情、気質及び外観印象のうち少なくとも１つを示す対象項目の値である出力データとの組である、教師データとによる教師あり学習により構築された推定モデルを示すデータを記憶する推定モデル記憶部を備えるコンピュータが実行する方法であって、
   対象者の肌の細胞の画像データである対象肌細胞画像データを取得するステップと、
   前記推定モデルを用いて、前記対象肌細胞画像データを含むデータを前記入力データとして前記対象者の前記対象項目の値を推定するステップとを含むことを特徴とする推定方法。
6. 複数の人のそれぞれから取得された肌の細胞の画像データを含む入力データと、前記複数の人のそれぞれの身体情報、体質、体調、生活習慣、感情、気質及び外観印象のうち少なくとも１つを示す対象項目の値である出力データとの組である、教師データとによる教師あり学習により構築された推定モデルを示すデータを記憶する推定モデル記憶部を備えるコンピュータに、
   対象者の肌の細胞の画像データを取得するステップと、
   前記推定モデルを用いて、前記対象肌細胞画像データを含むデータを前記入力データとして前記対象者の前記対象項目の値を推定するステップとを実行させることを特徴とする推定プログラム。