JP2020101932A - Information processing apparatus, method for controlling information processing apparatus, and program - Google Patents
Information processing apparatus, method for controlling information processing apparatus, and program Download PDFInfo
- Publication number
- JP2020101932A JP2020101932A JP2018238828A JP2018238828A JP2020101932A JP 2020101932 A JP2020101932 A JP 2020101932A JP 2018238828 A JP2018238828 A JP 2018238828A JP 2018238828 A JP2018238828 A JP 2018238828A JP 2020101932 A JP2020101932 A JP 2020101932A
- Authority
- JP
- Japan
- Prior art keywords
- information
- user
- learning model
- information processing
- unit
- 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
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/60—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to nutrition control, e.g. diets
Abstract
Description
本発明は、情報処理装置、情報処理装置の制御方法、及びプログラムに関する。 The present invention relates to an information processing device, a method of controlling the information processing device, and a program.
従来、健康と食事が密接に関係していることが知られている。そのため、様々な情報に基づいてユーザに最適な食事メニューを提案する技術が存在する。例えば、特許文献１には、摂食履歴に基づいて計算された栄養素の目標摂取量から適切な食事メニューを検索し、ユーザに提案（レコメンド）するシステムが開示されている。また、特許文献２には、ユーザの嗜好情報と属性情報から、ユーザの嗜好に適合したレシピ情報を提案する方法が開示されている。 It is conventionally known that health and diet are closely related. Therefore, there is a technique that proposes an optimal meal menu to the user based on various information. For example, Patent Document 1 discloses a system that searches for an appropriate meal menu based on the target intake of nutrients calculated based on the eating history and proposes (recommends) it to the user. Further, Patent Document 2 discloses a method of proposing recipe information suitable for a user's taste from the user's taste information and attribute information.
しかしながら、これらは過去のデータを使用した一方的なレコメンドである。そのため、季節、気分などによるユーザの嗜好の細かな変化に対応できなかった。また、外食・中食・内食と言われるように、食事の形態は多様であるにも係わらず、いずれのシステムもどれか１つの形態を指向している。よって、ユーザは食事の形態に応じて、その都度これらのシステムを使い分ける必要があった。 However, these are unilateral recommendations using historical data. Therefore, it has not been possible to cope with minute changes in the user's taste due to the season and mood. In addition, although there are various types of meals, such as eating out, eating out, and eating in, each system is directed to one of the forms. Therefore, the user needs to use these systems properly each time according to the form of meal.
本発明は、ユーザが望む摂取方法に応じて、有益なレコメンド情報を提供することを目的とする。 An object of the present invention is to provide useful recommendation information according to a user's desired intake method.
なお、前記目的に限らず、後述する発明を実施するための形態に示す各構成により導かれる作用効果であって、従来の技術によっては得られない作用効果を奏することも本明細書の開示の他の目的の１つとして位置付けることができる。 It should be noted that the present invention is not limited to the above-mentioned object, and it is also possible to achieve operational effects that are obtained by the respective configurations shown in the modes for carrying out the invention to be described later, and that are not obtained by conventional techniques. It can be positioned as one of the other purposes.
本発明に係る情報処理装置は、以下の構成を備える。すなわち、情報処理装置は、栄養の摂取方法に関する情報の入力を受け付ける受付手段と、前記ユーザの栄養状態に関する情報を取得する栄養状態取得手段と、前記摂取方法に関する情報と、前記栄養状態に関する情報とに基づいて、前記ユーザが栄養を摂取するためのレコメンド情報を取得するレコメンド取得手段と、前記レコメンド情報を表示部に表示させる表示制御手段と、を有することを特徴とする。 An information processing device according to the present invention has the following configuration. That is, the information processing device includes a reception unit that receives input of information about a nutrition intake method, a nutritional status acquisition unit that acquires information about the nutritional status of the user, information about the intake method, and information about the nutritional status. Based on the above, there is provided a recommendation acquisition unit for acquiring recommendation information for the user to take nutrition, and a display control unit for displaying the recommendation information on a display unit.
ユーザが望む摂取方法に応じて、有益なレコメンド情報を提供することが可能になる。 It becomes possible to provide useful recommendation information according to the intake method desired by the user.
以下に、図面を参照しながら、本発明を実施するための形態（実施形態）について説明する。但し、本発明の範囲は以下で説明する各実施形態に限定されるものではない。 Hereinafter, modes (embodiments) for carrying out the present invention will be described with reference to the drawings. However, the scope of the present invention is not limited to the embodiments described below.
＜第１の実施形態＞
まず、図１を用いて、本実施形態における情報処理システムを説明する。図１は、第１の実施形態に係る情報処理装置を含む情報処理システムの全体構成を示す図である。
<First Embodiment>
First, the information processing system according to the present embodiment will be described with reference to FIG. FIG. 1 is a diagram showing an overall configuration of an information processing system including an information processing device according to the first embodiment.
情報処理システムは、情報処理装置１０とデータベース２２とを含んでいる。情報処理装置１０とデータベース２２とは、通信手段を介して互いに通信可能に接続されている。本実施形態においては、通信手段はＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）２１で構成される。なお、ＬＡＮは有線ＬＡＮでも無線ＬＡＮでもよいし、ＷＡＮ（Ｗｉｄｅ Ａｒｅａ Ｎｅｔｗｏｒｋ）であってもよい。
The information processing system includes an
データベース２２は、レコメンドで使用される、料理や食材等の栄養価情報、及び当該料理や食材を提供する店情報を管理する。また、データベース２２は、ユーザの栄養状態に関する情報を管理してもよい。情報処理装置１０は、データベース２２で管理された各種情報を、ＬＡＮ２１を介して取得する。
The
情報処理装置１０は、その機能的な構成として、通信ＩＦ３１、ＲＯＭ３２、ＲＡＭ３３、記憶部３４、操作部３５、表示部３６、制御部３７を具備する。なお、本実施形態では、情報処理装置１０はスマートフォン等の携帯端末である。しかしながら、情報処理装置１０はパーソナルコンピュータ等の装置であってもよい。
The
通信ＩＦ（Ｉｎｔｅｒｆａｃｅ）３１は、例えば、ＬＡＮカードで実現される。通信ＩＦ３１は、ＬＡＮ２１を介した外部装置（例えば、データベース２２）と情報処理装置１０との間の通信を司る。ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）３２は、不揮発性のメモリ等で実現され、各種プログラム等を記憶する。ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）３３は、揮発性のメモリ等で実現され、各種情報を一時的に記憶する。記憶部３４は、例えば、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）等で実現され、各種情報を記憶する。操作部３５は、例えば、キーボードやマウス等で実現され、ユーザからの指示を装置内に入力する。表示部３６は、例えば、ディスプレイ等で実現され、各種情報をユーザに向けて表示する。操作部３５や表示部３６は、制御部３７からの制御によりＧＵＩ（Ｇｒａｐｈｉｃａｌ Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅ）としての機能を提供する。
The communication IF (Interface) 31 is realized by, for example, a LAN card. The
制御部３７は、例えば、少なくとも１つのＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）等で実現され、情報処理装置１０における処理を統括制御する。制御部３７は、その機能的な構成として、受付部４１、取得部４２、検索部４３、及び表示制御部４４を具備する。
The
受付部４１は、ユーザの所望する、栄養の摂取方法に関する情報の入力を受け付ける。すなわち、栄養の摂取方法に関する情報の入力を受け付ける受付手段に相当する。例えば、複数の選択肢をユーザに提示して、ユーザに摂取方法を選ばせてもよいし、ユーザにテキストで摂取方法を入力させてもよい。栄養の摂取方法としては、例えば、外食、内食、中食、嗜好品、サプリメント、飲料等が挙げられる。選択肢を提示する場合は、上記に含まれない栄養の摂取方法にも対応するため、その他という項目を合わせて提示するとよい。そして受付部４１は、入力を受け付けた、栄養の摂取方法に関する情報を、検索部４３へ出力する。
The
取得部４２は、ユーザの栄養状態に関する情報を取得する。すなわち、ユーザの栄養状態に関する情報を取得する栄養状態取得手段の一例に相当する。ここでいう栄養状態に関する情報とは、栄養素の摂取量を推定できる情報である。つまり、ユーザの栄養摂取に関する情報、及びユーザに関する試料の分析結果のうちの少なくとも１つである。そして、取得部４２は、栄養状態に関する情報を検索部４３へ出力する。なお、栄養状態に関する情報は、情報処理装置１０のＲＡＭ３３又は記憶部３４、データベース２２、またはネットワークを介したクラウド上に存在してもよい。また、栄養素とは、一般的にはタンパク質、炭水化物、脂質、繊維、ビタミン、ミネラル等、栄養のために摂取する物質を要素として指す言葉である。本実施形態では、栄養素には、例えばタンパク質、炭水化物、脂質、また、それらから計算されるカロリー等の情報も含むものとする。本実施形態に係る情報処理装置１０は、これらの栄養素のうち、少なくとも１つ以上の情報を利用してレコメンド情報をユーザに提供する。
The
検索部４３は、受付部４１が受け付けた摂取方法と、取得部４２が取得した栄養状態に関する情報とに基づいて、データベース２２からレコメンド情報を検索する。すなわち、摂取方法に関する情報と、栄養状態に関する情報とに基づいて、ユーザが栄養を摂取するためのレコメンド情報を取得するレコメンド取得手段の一例に相当する。レコメンド情報は、ユーザに不足している栄養素が多く含まれ、且つユーザには過剰な栄養素が少なく含まれている料理名、食材名、及び製品名、当該料理及び食材を摂取可能な店名とそのメニュー、料理ジャンル、栄養素名のうちの少なくとも１つを含む。そして、検索部４３は、検索により取得したレコメンド情報を、表示制御部４４へ出力する。
The
表示制御部４４は、検索部４３から出力されたレコメンド情報を、表示部３６を介してユーザに提供する。すなわち、レコメンド情報を表示部に表示させる表示制御手段の一例に相当する。
The
なお、制御部３７が具備する各部の少なくとも一部は、独立した装置として実現してもよい。また、夫々が機能を実現するソフトウェアとして実現してもよい。この場合、機能を実現するソフトウェアは、クラウドをはじめとするネットワークを介したサーバ上で動作してもよい。本実施形態では各部はローカル環境におけるソフトウェアにより夫々実現されているものとする。
At least a part of each unit included in the
また、図１に示す情報処理システムの構成はあくまで一例である。例えば、情報処理装置１０の記憶部３４がデータベース２２の機能を具備し、記憶部３４が各種情報を保持してもよい。
The configuration of the information processing system shown in FIG. 1 is just an example. For example, the
次に図２、図３を用いて、本実施形態における処理手順を説明する。 Next, a processing procedure in this embodiment will be described with reference to FIGS. 2 and 3.
図２は、本実施形態における、レコメンド情報の表示に関する処理手順のフローチャートである。 FIG. 2 is a flowchart of a processing procedure regarding display of recommendation information according to the present embodiment.
（Ｓ２０１）（栄養の摂取方法を受付）
ステップＳ２０１では、受付部４１は、栄養の摂取方法に関する情報の入力を受け付ける。具体的には、ユーザが情報処理装置１０のアプリケーションを起動すると、表示制御部４４が図３（ａ）に示すような画面を表示部３６に表示させる。これにより、ユーザに栄養の摂取方法を選択させる。図３（ａ）に示すように、本実施形態では、摂取方法として、外食での摂取、内食での摂取、中食での摂取、嗜好品を摂取、サプリメントを摂取、及び飲料を摂取のうち、何れかをユーザが選択する。なお、図３（ａ）に示すように、「その他」が選択可能であってもよい。以下、「外食」が選択された場合を例にとって説明する。
(S201) (Accept nutrition intake method)
In step S201, the
（Ｓ２０２）（栄養状態に関する情報を取得）
ステップＳ２０２では、取得部４２は、栄養状態に関する情報を取得する。栄養状態に関する情報は、例えば、病院でおこなった栄養状態の検査結果、スマートフォン上のアプリなどを用いて記録されている摂食情報、尿中の栄養成分量、栄養摂取に関する質問に対するユーザの回答、その他計測器での測定結果等である。これらをあらかじめ情報処理装置１０のＲＡＭ３３、記憶部３４、又はデータベース２２等に格納しておく。取得部４２は、この格納された情報を取得する。
(S202) (acquire information about nutritional status)
In step S202, the
（Ｓ２０３）（推奨栄養摂取量を算出）
ステップＳ２０３では、検索部４３は、ステップＳ２０２で取得された、栄養状態に関する情報を用いて、推奨栄養摂取量を算出する。推奨栄養摂取量は、厚生労働省が公表している食事摂取基準等の値と、栄養状態に関する情報から推定された栄養素の摂取量との差分として求められる。その際、検索部４３は、数値を規格化するなどして、取扱いやすく加工してもよい。
(S203) (calculate recommended nutrition intake)
In step S203, the
（Ｓ２０４）（レコメンド情報を検索）
ステップＳ２０４では、検索部４３は、データベース２２からレコメンド情報を検索する。具体的には、検索部４３は、ステップＳ２０１で受け付けた摂取方法と、ステップＳ２０３で取得された推奨栄養摂取量とを用いて、データベース２２からレコメンド情報を検索する。検索により取得されるレコメンド情報は、ユーザに不足している栄養素が多く含まれ、且つユーザには過剰な栄養素が少なく含まれているレシピ、食材、料理等に関するレコメンド情報である。例えば、図３（ａ）の画面で「外食」が選択された場合には、ユーザに不足している栄養素が多く含まれ、且つユーザには過剰な栄養素が少なく含まれているレシピ、食材、料理を提供する飲食店が検索される。なお、レコメンドに使用する情報はデータベース２２に記録されていてもよいし、インターネット上の情報を参照して取得してもよい。インターネット上の情報としては、例えば、飲食業各社が公表しているメニューの栄養価のデータベース、行政機関が公表している食材、料理毎の栄養価のデータベース等が挙げられる。
(S204) (Search recommendation information)
In step S204, the
（Ｓ２０５）（レコメンド情報を表示）
ステップＳ２０５では、表示制御部４４は、ステップＳ２０４で取得されたレコメンド情報を表示部３６に表示させる。その際、レコメンド情報はグラフ形式や表形式に整理して表示してもよい。また、更に、ステップＳ２０３で算出された推奨栄養摂取量を表示部３６に表示させてもよい。図３（ｂ）は、表示部３６に表示される画面の一例である。例えば、受付部４１でユーザが「外食」と入力した場合、レコメンド情報として表示されるのは、飲食店の名称、料理名、料理ジャンル、食材名などである。まず食材名が表示され、ユーザがそれを選択すると、その食材を使用した料理名が表示されるなど、階層構造となっていてもよい。下位の階層としては、店名、料理名、食材名、レシピ等が挙げられる。どの項目を優先的に表示するかユーザが選べるようにしてもよい。また、表示制御部４４がレコメンド情報として複数の店名を表示する場合には、表示制御部４４は、情報処理装置１０の現在位置から近い順に、複数の店名を表示部３６に表示させてもよい。
(S205) (Display recommendation information)
In step S205, the
以上のように、本実施形態における情報処理装置１０は、ユーザから摂取方法に関する情報の入力を受け付けて、当該摂取方法を加味したレコメンド情報を提供することができる。よって、ユーザが望む摂取方法に応じて、有益なレコメンド情報を提供することが可能になる。
As described above, the
＜第２の実施形態＞
次に、第２の実施形態を説明する。第１の実施形態では、ユーザの栄養状態に関する情報を、情報処理装置１０のＲＡＭ３３、記憶部３４、又はデータベース２２等から取得していた。第２の実施形態では、情報処理装置１０と通信可能な算出装置が学習モデルを用いて推定した、栄養状態に関する情報を、情報処理装置１０が取得する方法について説明する。
<Second Embodiment>
Next, a second embodiment will be described. In the first embodiment, the information on the nutritional status of the user is acquired from the
図４及び図５は、本実施形態に係る情報処理装置及び算出装置を含む情報処理システムの全体構成を示す図である。図４は、特に、情報処理装置のハードウェア構成及び機能構成を示す図である。図５は、特に、算出装置のハードウェア構成及び機能構成を示す図である。 4 and 5 are diagrams showing the overall configuration of the information processing system including the information processing device and the calculation device according to the present embodiment. FIG. 4 is a diagram particularly showing a hardware configuration and a functional configuration of the information processing apparatus. FIG. 5 is a diagram particularly showing a hardware configuration and a functional configuration of the calculation device.
情報処理システムは、情報処理装置１０と算出装置２３とデータベース２２とを含んでいる。情報処理装置１０と算出装置２３とデータベース２２とは、通信手段を介して互いに通信可能に接続されている。本実施形態においては、通信手段はＬＡＮ２１で構成される。なお、ＬＡＮは有線ＬＡＮでも無線ＬＡＮでもよいし、ＷＡＮであってもよい。また、算出装置２３は、分析装置２４と通信手段を介して互いに通信可能に接続されている。本実施形態においては、算出装置２３と分析装置２４とは、ＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）を介して通信可能に接続されている。
The information processing system includes an
データベース２２は、第１の実施形態で説明した情報に加えて、分析装置２４による分析によって取得されたスペクトル情報を管理する。また、データベース２２は、後述する学習モデル生成部５２により生成された学習モデル（学習済みモデル）を管理する。情報処理装置１０は、データベース２２で管理されたスペクトル情報や学習モデルを、ＬＡＮ２１を介して取得する。
The
本実施形態における学習モデルとは、回帰学習モデルであり、深層学習などの機械学習によって生成されたものを用いることができる。機械学習アルゴリズムに教師データを用いて学習を行い、適切な予測が行えるように構築したものをここでは学習モデルと呼ぶ。学習モデルに用いる機械学習アルゴリズムには様々な種類がある。例えば、ニューラルネットワークを用いた深層学習を使うことができる。ニューラルネットワークは入力層、出力層、複数の隠れ層から構成され、各層は活性化関数と呼ばれる計算式で結合されている。ラベル（入力に対応する出力）付き教師データを用いる場合、入力と出力の関係が成り立つように活性化関数の係数を決定していく。複数の教師データを用いて係数を決定して行くことで、高い精度で入力に対する出力を予測できる学習モデルを生成する事ができる。 The learning model in the present embodiment is a regression learning model, and a model generated by machine learning such as deep learning can be used. A machine learning algorithm that is constructed by learning using teacher data and can perform appropriate prediction is called a learning model here. There are various types of machine learning algorithms used for learning models. For example, deep learning using a neural network can be used. The neural network is composed of an input layer, an output layer and a plurality of hidden layers, and each layer is connected by a calculation formula called an activation function. When using the teacher data with a label (output corresponding to input), the coefficient of the activation function is determined so that the relationship between input and output is established. By determining the coefficient using a plurality of teacher data, it is possible to generate a learning model that can predict the output with respect to the input with high accuracy.
分析装置２４は、試料や被検物質等を分析するための装置である。分析装置２４は、分析手段の一例に相当する。なお、前述したように、本実施形態では、算出装置２３と分析装置２４とが通信可能に接続されている。しかし、算出装置２３の内部に分析装置２４を備える形態であってもよいし、分析装置２４の内部に算出装置２３を備える形態であってもよい。更に、不揮発メモリなどの記録媒体を介して分析結果を分析装置２４から算出装置２３へ受け渡す形態でもよい。
The
なお、本実施形態における試料とは、複数種類の化合物を含み構成される混合物である。本実施形態では、試料には被検物質とその他の物質（夾雑物）とが含まれているものとする。試料は混合物であれば、特に限定されない。また、混合物の成分が特定されている必要はなく、未知の成分が含有されていてもよい。例えば、血液、尿、唾液等の生体由来の混合物でも良いし、飲食物でもよい。生体由来のサンプルの分析はサンプル提供者の栄養や健康状態を知るための手がかりを含むため、その分析は医学的にも栄養学的にも価値がある。例えば尿中ビタミンＢ３は糖質、脂質、タンパク質の代謝、エネルギー産生に関与しているため、その尿中代謝物であるＮ１−メチル−２−ピリドン−５−カルボキサミドの測定は健康維持のための栄養指導に役立つ。 The sample in the present embodiment is a mixture containing a plurality of types of compounds. In this embodiment, it is assumed that the sample contains the test substance and other substances (contaminants). The sample is not particularly limited as long as it is a mixture. Further, the components of the mixture need not be specified, and unknown components may be contained. For example, it may be a mixture derived from a living body such as blood, urine, or saliva, or food or drink. The analysis of biological samples includes clues to the nutritional and health status of the sample provider, and therefore the analysis is of medical and nutritional value. For example, since urinary vitamin B3 is involved in the metabolism of carbohydrates, lipids, proteins, and energy production, measurement of its urinary metabolite N1-methyl-2-pyridone-5-carboxamide is important for maintaining health. Useful for nutritional guidance.
また、本実施形態における被検物質とは、試料中に含まれる１つ以上の既知の成分である。例えば、タンパク質、ＤＮＡ、ウイルス、菌類、水溶性ビタミン類、脂溶性ビタミン類、有機酸類、脂肪酸類、アミノ酸類、糖類、農薬、環境ホルモンで構成される群から選択される少なくとも一種である。なお、被検物質は、栄養素の摂取量の推定に用いることができる物質であればよく、栄養素そのものであってもよいし、例えば代謝物であってもよい。 The test substance in the present embodiment is one or more known components contained in the sample. For example, it is at least one selected from the group consisting of proteins, DNA, viruses, fungi, water-soluble vitamins, fat-soluble vitamins, organic acids, fatty acids, amino acids, sugars, agricultural chemicals, and environmental hormones. The test substance may be any substance as long as it can be used to estimate the intake amount of the nutrient, and may be the nutrient itself or a metabolite, for example.
例えば、栄養素の量を知りたいのであれば被検物質としては、チアミン（ビタミンＢ１）、リボフラビン（ビタミンＢ２）、ビタミンＢ３代謝物であるＮ１−メチルニコチンアミド、Ｎ１−メチル−２−ピリドン−５−カルボキサミド、ビタミンＢ６代謝物である４−ピリドキシン酸などある。ほかに、Ｎ１−メチル−４−ピリドン−３−カルボキサミド、パントテン酸（ビタミンＢ５）、ピリドキシン（ビタミンＢ６）、ビオチン（ビタミンＢ７）、プテロイルモノグルタミン酸（ビタミンＢ９）、シアノコバラミン（ビタミンＢ１２）、アスコルビン酸（ビタミンＣ）等の水溶性ビタミンがある。ほかに、Ｌ−トリプトファン、リシン、メチオニン、フェニルアラニン、トレオニン、バリン、ロイシン、イソロイシン、Ｌ−ヒスチジン等のアミノ酸がある。ほかに、ナトリウム、カリウム、カルシウム、マグネシウム、リン等のミネラル、が挙げられる。 For example, if it is desired to know the amount of nutrients, the test substances include thiamine (vitamin B1), riboflavin (vitamin B2), vitamin B3 metabolites N1-methylnicotinamide, N1-methyl-2-pyridone-5. -Carboxamide, 4-pyridoxic acid which is a vitamin B6 metabolite. In addition, N1-methyl-4-pyridone-3-carboxamide, pantothenic acid (vitamin B5), pyridoxine (vitamin B6), biotin (vitamin B7), pteroyl monoglutamic acid (vitamin B9), cyanocobalamin (vitamin B12), ascorbin There are water-soluble vitamins such as acid (vitamin C). In addition, there are amino acids such as L-tryptophan, lysine, methionine, phenylalanine, threonine, valine, leucine, isoleucine and L-histidine. Other examples include minerals such as sodium, potassium, calcium, magnesium and phosphorus.
また、本実施形態における分析装置２４は、スペクトル情報を取得できるものであれば限定されず、化学的な分析手法や、物理的な分析手法を用いた装置を利用できる。本実施形態において、化学的な分析手法を用いた装置は、例えば、液体クロマトグラフィーやガスクロマトグラフィー等のクロマトグラフィー、及びキャピラリー電気泳動法で構成される群から選択される少なくとも一種の手法を用いる。本実施形態において、物理的な分析手法を用いた装置は、例えば、光電子分光法、赤外吸収分光法、核磁気共鳴分光法、蛍光分光法、蛍光Ｘ線分光法、可視・紫外線吸収分光法、ラマン分光法、原子吸光法、フレーム発光分光法、発光分光法、Ｘ線吸収分光法、Ｘ線回折法、常磁性共鳴吸収等を利用した電子スピン共鳴分光法、質量分析法、熱分析法で構成される群から選択される少なくとも一種の手法を用いる。
Further, the
例えば、液体クロマトグラフィーを用いた装置では移動相容器、送液ポンプ、試料注入部、カラム、検出器、Ａ／Ｄ変換機を備える。検出器は紫外線や可視光線、赤外線などを用いた電磁波検出器をはじめ、電気化学検出器、イオン検出器等が用いられる。この場合、得られるスペクトル情報は時間に対する検出器からの出力強度となる。 For example, an apparatus using liquid chromatography includes a mobile phase container, a liquid feed pump, a sample injection unit, a column, a detector, and an A/D converter. As the detector, an electromagnetic wave detector using ultraviolet rays, visible rays, infrared rays, etc., an electrochemical detector, an ion detector and the like are used. In this case, the spectral information obtained is the output intensity from the detector over time.
情報処理装置１０及び算出装置２３は、通信ＩＦ３１、ＲＯＭ３２、ＲＡＭ３３、記憶部３４、操作部３５、表示部３６、制御部３７を具備する。これらは、第１の実施形態と同様であるので、説明を省略する。また、情報処理装置１０の制御部３７が具備する機能構成も、第１の実施形態と同様である。
The
算出装置２３の制御部３７は、その機能的な構成として、スペクトル情報取得部５１、学習モデル生成部５２、学習モデル取得部５３、推定部５４、情報取得部５５を具備する。
The
スペクトル情報取得部５１は、被検物質と夾雑物とを少なくとも含む試料の分析結果、具体的には試料のスペクトル情報を分析装置２４から取得する。なお、あらかじめ分析結果が格納されたデータベース２２から、試料のスペクトル情報を取得してもよい。また、同様に被検物質のスペクトル情報を取得する。この被検物質のスペクトル情報は、被検物質が単一で存在した場合のスペクトル情報である。そして、スペクトル情報取得部５１は、取得した試料のスペクトル情報を、推定部５４へ出力する。また、取得した被検物質のスペクトル情報を学習モデル生成部５２へ出力する。
The spectrum
なお、本実施形態におけるスペクトル情報とは、クロマトグラム、光電子スペクトル、赤外線吸収スペクトル（ＩＲスペクトル）、核磁気共鳴スペクトル（ＮＭＲスペクトル）、蛍光スペクトル、蛍光Ｘ線スペクトル、紫外／可視吸収スペクトル（ＵＶ／Ｖｉｓスペクトル）、ラマンスペクトル、原子吸光スペクトル、フレーム発光スペクトル、発光分光スペクトル、Ｘ線吸収スペクトル、Ｘ線回折スペクトル、常磁性共鳴吸収スペクトル、電子スピン共鳴スペクトル、質量スペクトル、熱分析スペクトルで構成される群から選択される少なくとも一種である。 The spectral information in the present embodiment includes chromatogram, photoelectron spectrum, infrared absorption spectrum (IR spectrum), nuclear magnetic resonance spectrum (NMR spectrum), fluorescence spectrum, fluorescent X-ray spectrum, ultraviolet/visible absorption spectrum (UV/ (Vis spectrum), Raman spectrum, atomic absorption spectrum, flame emission spectrum, emission spectrum, X-ray absorption spectrum, X-ray diffraction spectrum, paramagnetic resonance absorption spectrum, electron spin resonance spectrum, mass spectrum, and thermal analysis spectrum. At least one selected from the group.
学習モデル生成部５２は、スペクトル情報取得部５１が取得した被検物質のスペクトル情報を用いて教師データを生成する。そして、学習モデル生成部５２は、教師データを用いて深層学習を実行し、学習モデルを生成する。そして、学習モデル生成部５２は、生成した学習モデルを学習モデル取得部５３へ出力する。なお、学習モデル生成部５２は、生成した学習モデルをデータベース２２へ出力してもよい。
The learning
学習モデル取得部５３は、学習モデル生成部５２が生成した学習モデルを取得する。なお、学習モデルがデータベース２２に格納されている場合には、学習モデル取得部５３は、データベース２２から学習モデルを取得する。そして、学習モデル取得部５３は、取得した学習モデルを推定部５４へ出力する。
The learning model acquisition unit 53 acquires the learning model generated by the learning
推定部５４は、学習モデル取得部５３が取得した学習モデルに、スペクトル情報取得部５１が取得した試料のスペクトル情報を入力することにより、試料に含まれる被検物質の定量的な情報を学習モデルに推定させる。そして、推定部５４は、推定された定量的な情報を、情報取得部５５へ出力する。
The
なお、本実施形態における定量的な情報とは、被検物質が試料に含まれる量、被検物質が試料に含まれる濃度、試料中の被検物質の有無で構成される群から選択される少なくとも一つである。また、被検物質の基準量に対して試料に含まれる濃度あるいは量の比率、被検物質の試料に含まれる量あるいは濃度の比率で構成される群から選択される少なくとも一つである。 The quantitative information in the present embodiment is selected from the group consisting of the amount of the test substance contained in the sample, the concentration of the test substance contained in the sample, and the presence or absence of the test substance in the sample. At least one. Further, it is at least one selected from the group consisting of the concentration or the ratio of the amount contained in the sample with respect to the reference amount of the test substance, and the amount or the ratio of the concentration contained in the sample of the test substance.
情報取得部５５は、学習モデルが推定した定量的な情報を取得する。すなわち、情報取得部５５は、被検物質と夾雑物とを含む試料のスペクトル情報を学習モデルに入力することにより推定された、前記被検物質の定量的な情報を取得する情報取得手段の一例に相当する。そして、情報取得部５５は、取得した定量的な情報をデータベース２２又は情報処理装置１０へ出力する。
The information acquisition unit 55 acquires quantitative information estimated by the learning model. That is, the information acquisition unit 55 is an example of an information acquisition unit that acquires quantitative information about the test substance estimated by inputting spectral information of a sample containing the test substance and impurities into a learning model. Equivalent to. Then, the information acquisition unit 55 outputs the acquired quantitative information to the
なお、算出装置２３の制御部３７が具備する各部の少なくとも一部は、独立した装置として実現してもよい。また、夫々が機能を実現するソフトウェアとして実現してもよい。この場合、機能を実現するソフトウェアは、クラウドをはじめとするネットワークを介したサーバ上で動作してもよい。本実施形態では各部はローカル環境におけるソフトウェアにより夫々実現されているものとする。また、算出装置２３の各機能を情報処理装置１０が備えてもよい。
Note that at least a part of each unit included in the
また、図４及び図５に示す情報処理システムの構成はあくまで一例である。例えば、情報処理装置１０又は算出装置２３の記憶部３４がデータベース２２の機能を具備し、記憶部３４が各種情報を保持してもよい。
The configuration of the information processing system shown in FIGS. 4 and 5 is just an example. For example, the
次に、図６を用いて、算出装置２３における処理手順を説明する。
Next, a processing procedure in the
図６は、被検物質の定量的な情報を取得する処理手順を示すフローチャートである。 FIG. 6 is a flowchart showing a processing procedure for acquiring quantitative information of a test substance.
（Ｓ６０１）（被検物質単体を分析）
ステップＳ６０１では、分析装置２４は、被検物質単体を分析し、被検物質のスペクトル情報を取得する。分析条件は、感度や分析時間などの観点から適宜選択すればよい。その際、分析装置２４は、被検物質の濃度を何通りか変化させて分析する。どの程度の数が必要であるかは、物質の性質などによっても異なるが、一般的に３点以上変化させることが望ましい。被検物質が複数種類ある場合は、被検物質ごとにそれぞれ分析することが望ましいが、被検物質同士の信号が十分分離できている場合は、同時に分析してもよい。そして、分析装置２４は、取得したスペクトル情報を算出装置２３に出力する。算出装置２３は分析装置２４からスペクトル情報を受信し、ＲＡＭ３３又は記憶部３４に保持する。スペクトル情報取得部５１は、こうして保持されたスペクトル情報を取得する。なお、前述したように、分析結果であるスペクトル情報は、データベース２２が保持してもよい。この場合、スペクトル情報取得部５１は、データベース２２からスペクトル情報を取得する。また、分析装置２４が被検物質を分析するタイミングは、ステップＳ６０２における教師データの生成よりも前に実行されれば、どのようなタイミングであってもよい。
(S601) (analyze the test substance alone)
In step S601, the
（Ｓ６０２）（教師データを生成）
ステップＳ６０２では、学習モデル生成部５２は、スペクトル情報取得部５１が取得した、被検物質のスペクトル情報を用いて、複数の教師データを生成する。教師データの生成方法について、具体的に説明する。教師データは、被検物質のスペクトル情報に乱数で生成した任意の波形を加算することで生成される。例えば、液体クロマトグラフィーでは、スペクトル情報（クロマトグラム）が示す波形はガウス分布であることが多い。そのため、学習モデル生成部５２は、ピークの高さ、中央値、標準偏差を乱数で決定した複数のガウス曲線（ガウス関数）を足し合わせて、複数のランダムノイズを生成する。そして、学習モデル生成部５２は、この複数のランダムノイズそれぞれと被検物質のスペクトル情報が示す波形とを足し合わせた複数の波形を生成する。こうして生成された複数の波形は、被検物質と夾雑物とを含む仮想的な試料のスペクトル情報（学習用スペクトル情報）として用いられる。つまり、生成された複数のスペクトル情報を、教師データを構成する入力データとして決定する。更に、学習モデル生成部５２は、生成されたスペクトル情報の基となった、被検物質のスペクトル情報から特定されるピークの高さ（定量的な情報）を、教師データを構成する正解データとして決定する。このようにして、学習モデル生成部５２は、入力データと正解データの組である複数の教師データを生成する。そして、ステップＳ６０１において、学習モデル生成部５２は、被検物質の濃度に応じたスペクトル情報を取得しているので、この濃度ごとに複数の教師データを生成する。なお、クロマトグラムの波形は、リテンションタイムが大きくなるにつれて、ピークの幅が大きくなる傾向にあることを踏まえて、学習モデル生成部５２は、生成する波形の幅を広くしてもよい。
(S602) (generate teacher data)
In step S602, the learning
なお、このようにして教師データを生成したが、複数の試料を分析装置２４で分析することで、学習用の試料のスペクトル情報を取得し、被検物質の定量的な情報と併せて教師データとしてもよい。また、前述した方法とは異なる方法で、仮想的な試料のスペクトル情報を生成してもよい。
Although the teaching data is generated in this way, the spectral data of the learning sample is acquired by analyzing the plurality of samples with the
（Ｓ６０３）（学習モデルを生成）
ステップＳ６０３では、学習モデル生成部５２は、ステップＳ６０２で濃度ごとに生成した複数の教師データを用いて、所定のアルゴリズムに従った機械学習を実施することにより、学習モデルを生成する。本実施形態では、所定のアルゴリズムとして、ニューラルネットワークを用いる。学習モデル生成部５２は、複数の教師データを用いてニューラルネットワークに学習をさせることにより、試料のスペクトル情報の入力に基づいて、試料に含まれる被検物質の定量的な情報を推定する学習モデルを生成する。なお、ニューラルネットワークの学習方法は、周知技術であるため、本実施形態では詳細な説明を省略する。また、所定のアルゴリズムとして、例えば、ＳＶＭ（サポートベクターマシン）、ＤＮＮ（ディープニューラルネットワーク）、ＣＮＮ（コンボリューショナルニューラルネットワーク）等を用いてもよい。被検物質が複数種類ある場合は、それぞれの物質に対して学習モデルを構築する。そして、学習モデル生成部５２は、ＲＡＭ３３、記憶部３４、又はデータベース２２に、生成した学習モデルを格納する。
(S603) (generate learning model)
In step S603, the learning
以上のようにして、試料のスペクトル情報に基づいて、試料に含まれる被検物質の定量的な情報を推定する学習モデルを生成する。 As described above, the learning model for estimating the quantitative information of the test substance contained in the sample is generated based on the spectral information of the sample.
（Ｓ６０４）（試料を分析）
ステップＳ６０４では、分析装置２４は、目的の試料を分析し、試料のスペクトル情報を取得する。分析条件は、前述したステップＳ６０１と同一の条件とする。そして、分析装置２４は、取得したスペクトル情報を算出装置２３に出力する。算出装置２３は分析装置２４からスペクトル情報を受信し、ＲＡＭ３３又は記憶部３４に保持する。スペクトル情報取得部５１は、こうして保持されたスペクトル情報を取得する。なお、前述したように、分析結果であるスペクトル情報は、データベース２２が保持してもよい。この場合、スペクトル情報取得部５１は、データベース２２からスペクトル情報を取得する。また、分析装置２４が試料を分析するタイミングは、ステップＳ６０５における定量的な情報の推定よりも前に実行されれば、どのようなタイミングであってもよい。
(S604) (analyze sample)
In step S604, the
このように、被検物質のピークと夾雑物のピークが完全に分離できていなくても機械学習で得られる学習モデルを利用することで、分析に関する複雑で高度な知識が無くても精度よく被検物質の定量的な情報を得ることができる。その結果、熟練者でなくとも簡易に高精度で被検物質の定量分析を行うことができる。 In this way, by using the learning model obtained by machine learning even if the peak of the test substance and the peak of the contaminant are not completely separated, it is possible to accurately detect the target without complicated and advanced knowledge of analysis. It is possible to obtain quantitative information on the test substance. As a result, even an unskilled person can easily perform quantitative analysis of the test substance with high accuracy.
（Ｓ６０５）（定量的な情報を推定）
ステップＳ６０５では、学習モデル取得部５３は、ＲＡＭ３３、記憶部３４、又はデータベース２２に格納された学習モデルを取得する。そして、推定部５４は、取得された学習モデルに、ステップＳ６０４で取得された試料のスペクトル情報を入力することにより、試料に含まれる被検物質の定量的な情報を推定させる。そして、情報取得部５５は、推定された定量的な情報を推定部５４から取得し、データベース２２又は情報処理装置１０へ出力する。
(S605) (estimate quantitative information)
In step S605, the learning model acquisition unit 53 acquires the learning model stored in the
このようにして得られた、被検物質の定量的な情報（ユーザの栄養状態に関する情報）を情報処理装置１０の取得部４２が取得し、前述した第１の実施形態と同様の処理を行う。これにより、ユーザが望む摂取方法に応じて、有益なレコメンド情報を提供することが可能になる。
The
本実施形態の具体的な実施例は以下の通りである。例えば、被検物質は、水溶性ビタミン類であるとする。まず、学習モデル取得部５３は、データベース２２から水溶性ビタミン類の学習モデルを取得する。次に、分析装置２４として液体クロマトグラフィーを用いて、尿サンプルを分析する。そして、推定部５４が、学習モデル取得部５３が取得した学習モデルに尿サンプルの分析結果を入力し、水溶性ビタミン類の定量的な情報を推定する。尿サンプルの分析は、栄養摂取の時間に関係なくおこなっておくとよい。ユーザは栄養を摂取したくなったタイミングで、情報処理装置１０を起動し、ユーザが栄養の摂取方法を選択すると、受付部４１はその入力を受け付け、検索部４３に通知する。次に、取得部４２は、推定部５４において推定された、水溶性ビタミン類の定量的な情報を取得し、検索部４３に通知する。尿から得たデータは、約１週間分の栄養状態を反映すると言われているため、ここでは直前の１回の測定結果を取得するように設定してある。検索部４３はその情報を基に算出された推奨栄養摂取量と、入力を受け付けた摂取方法とを用いてレコメンド情報を検索し、表示制御部４４が検索結果をユーザに提示する。
Specific examples of this embodiment are as follows. For example, assume that the test substance is a water-soluble vitamin. First, the learning model acquisition unit 53 acquires a learning model of water-soluble vitamins from the
＜第３の実施形態＞
次に、第３の実施形態を説明する。第１の実施形態及び第２の実施形態では、検索部が検索したレコメンド情報をユーザに提示していた。第３の実施形態では、栄養状態に関する情報が不足している場合であっても、学習モデルにレコメンド情報を推定させ、推定されたレコメンド情報をユーザに提示することの可能な方法について説明する。
<Third Embodiment>
Next, a third embodiment will be described. In the first embodiment and the second embodiment, the recommendation information searched by the search unit is presented to the user. In the third embodiment, a method that allows a learning model to estimate the recommended information and present the estimated recommended information to the user even when the information regarding the nutritional status is insufficient will be described.
図７は、本実施形態に係る情報処理装置１０を含む情報処理システムの全体構成を示す図である。第３の実施形態における情報処理システムの全体構成は、データベース２２と制御部３７の機能構成以外は、第２の実施形態と同様である。なお、第３の実施形態においても、算出装置２３と分析装置２４が情報処理システムに含まれているが、第１の実施形態のように、これらの装置が存在しない情報処理システムであってもよい。
FIG. 7 is a diagram showing an overall configuration of an information processing system including the
データベース２２は、レコメンド情報を表示した際に用いた、ユーザの栄養状態に関する情報と、栄養の摂取方法に関する情報と、当該レコメンド情報と、表示された日時とを関連付けて管理する。
The
情報処理装置１０は、通信ＩＦ３１、ＲＯＭ３２、ＲＡＭ３３、記憶部３４、操作部３５、表示部３６、制御部３７を具備する。これらは、第１の実施形態と同様であるので、説明を省略する。
The
情報処理装置１０の制御部３７は、その機能的な構成として、受付部４１、取得部４２、検索部４３、表示制御部４４、学習モデル生成部４５、及び推定部４６を具備する。受付部４１、取得部４２、検索部４３、表示制御部４４については、第１の実施形態と異なる点について説明する。以下、説明のため、過去にレコメンド情報を提示したある時点を第１の時点と称し、現在の時点を第２の時点と称する。
The
受付部４１は、第１の時点でユーザに提示されたレコメンド情報に関する行動結果の入力を受け付ける。本実施形態における行動結果とは、第１の時点で提示されたレコメンド情報が示す内容通りに栄養を摂取したか否かを示す情報である。表示制御部４４が第１の時点でレコメンド情報を表示部３６に表示させた後、ユーザが次の栄養摂取を行うべく、第２の時点でユーザからレコメンド情報の表示が指示された場合に、この入力を受け付ける。そして、ユーザが、レコメンド情報が示す内容通りに栄養を摂取していた場合には、受付部４１は、第１の時点でレコメンド情報を提示した後のユーザの栄養状態に関する情報をデータベース２２から取得する。更に受付部４１は、第１の時点で入力を受け付けた、栄養の摂取方法に関する情報と、第１の時点で表示されたレコメンド情報とをデータベース２２から取得する。そして、受付部４１は、これらの情報を学習モデル生成部４５へ出力する。
The
また、受付部４１は、第２の時点で、次の栄養摂取を行うための栄養の摂取方法に関する情報の入力を受け付ける。そして、受付部４１は、学習モデルにレコメンド情報を推定させる場合に、入力を受け付けた摂取方法に関する情報を、推定部４６へ出力する。検索部４３にレコメンド情報を検索させる場合には、入力を受け付けた摂取方法に関する情報を検索部４３へ出力する。
Moreover, the
学習モデル生成部４５は、第１の時点でレコメンド情報を提示した後のユーザの栄養状態に関する情報と、第１の時点で入力を受け付けた、栄養の摂取方法に関する情報と、第１の時点で表示されたレコメンド情報とを用いて、教師データを生成する。そして、学習モデル生成部４５は、教師データを用いて深層学習を実行し、学習モデルを生成する。すなわち、学習モデル生成部４５は、栄養の摂取方法と栄養状態とに基づいて、レコメンド情報を推定する学習モデルを生成する。なお、本実施形態における学習モデルは、ユーザごとに生成される。そして、学習モデル生成部４５は、生成された学習モデルを推定部４６へ出力する。学習モデル生成部４５は、摂取方法と、摂取方法に基づいて検索されたレコメンド情報と、レコメンド情報に応じてユーザが栄養を摂取した結果の栄養状態に関する情報とを用いた学習により、摂取方法と、ユーザの栄養状態とに基づいて、レコメンド情報を推定する学習モデルを生成する学習モデル生成手段の一例に相当する。
The learning model generation unit 45 includes information about the nutritional state of the user after presenting the recommendation information at the first time point, information about an intake method of the nutrition that is input at the first time point, and at the first time point. Teacher data is generated using the displayed recommendation information. Then, the learning model generation unit 45 executes deep learning using the teacher data and generates a learning model. That is, the learning model generation unit 45 generates a learning model that estimates the recommendation information based on the nutrition intake method and the nutritional state. The learning model in this embodiment is generated for each user. Then, the learning model generation unit 45 outputs the generated learning model to the
推定部４６は、学習モデル生成部４５で生成された学習モデルに、目標とする栄養状態に関する情報と、第２の時点で入力を受け付けた、栄養の摂取方法に関する情報とを入力する。これにより、推定部４６は、学習モデルにレコメンド情報を推定させる。そして、推定部４６は、推定されたレコメンド情報を表示制御部４４へ出力する。
The
表示制御部４４は、検索部４３から出力されたレコメンド情報、又は学習モデルにより推定されたレコメンド情報を、表示部３６に表示させる。
The
なお、情報処理装置１０の制御部３７が具備する各部の少なくとも一部は、独立した装置として実現してもよい。また、夫々が機能を実現するソフトウェアとして実現してもよい。この場合、機能を実現するソフトウェアは、クラウドをはじめとするネットワークを介したサーバ上で動作してもよい。本実施形態では各部はローカル環境におけるソフトウェアにより夫々実現されているものとする。
At least a part of each unit included in the
また、図７に示す情報処理システムの構成はあくまで一例である。例えば、情報処理装置１０の記憶部３４がデータベース２２の機能を具備し、記憶部３４が各種情報を保持してもよい。
The configuration of the information processing system shown in FIG. 7 is just an example. For example, the
次に図８〜図１０を用いて、本実施形態における処理手順を説明する。 Next, a processing procedure in this embodiment will be described with reference to FIGS.
図８は、本実施形態における、学習モデルの生成に関する処理手順のフローチャートである。 FIG. 8 is a flowchart of a processing procedure regarding generation of a learning model in the present embodiment.
（Ｓ８０１）（レコメンド後の行動結果を受付）
ステップＳ８０１では、受付部４１は、第２の時点で情報処理装置１０を起動した場合に、第１の時点で提示されたレコメンド情報が示す内容通りに栄養を摂取したか否か（行動結果）の入力を受け付ける。例えば、図９に示すような画面を、表示制御部４４が表示部３６に表示させ、ユーザからの入力を受け付ければよい。
(S801) (Accept the action result after recommendation)
In step S801, when the
（Ｓ８０２）（摂取した？）
ステップＳ８０２では、受付部４１は、ステップＳ８０１で入力を受け付けた行動結果が、第１の時点で提示されたレコメンド情報が示す内容通りに栄養を摂取したことを示すか否かを判定する。レコメンド情報が示す内容通りに栄養を摂取したと判定された場合には、ステップＳ８０３へ処理を進める。そうでなければ、本一連の処理を終了する。つまり、学習モデル生成部４５は、学習モデルに学習させない。このようにすることで、不要な学習を抑制できる。
(S802) (Did you take it?)
In step S802, the
（Ｓ８０３）（学習モデルに学習させる）
ステップＳ８０３では、学習モデル生成部４５は、第１の時点でレコメンド情報を提示した後のユーザの栄養状態に関する情報と、第１の時点で入力を受け付けた、栄養の摂取方法に関する情報と、第１の時点で表示されたレコメンド情報とを取得する。これらの情報は、前述した通り、受付部４１から取得する。なお、受付部４１に限らず、学習モデル生成部４５がデータベース２２からこれらの情報を直接取得してもよい。そして、学習モデル生成部４５は、これらの情報を用いて教師データを生成する。教師データは、入力データと正解データから構成される。学習モデル生成部４５は、入力データとして、第１の時点でレコメンド情報を提示した後のユーザの栄養状態に関する情報と、第１の時点で入力を受け付けた、栄養の摂取方法に関する情報とを設定する。また、学習モデル生成部４５は、正解データとして、第１の時点で表示されたレコメンド情報を設定する。なお、教師データとして更に、ユーザの年齢、性別、身長、体重、居住地、職業、アレルギー、年収等の情報（特定値）を用いることもできる。また、栄養状態に関する情報を入力データとして用いる場合は、学習モデル生成部４５は、栄養状態にラベル付けを行えばよい。その際、目的とする栄養状態に合わせて、適宜栄養状態に点数付けをすればよい。例えば、カルシウムの摂取状態であれば、適正な摂取基準のときの点数を５点として、１０段階程度で点数付けをすることができる。複数の栄養素を指標とする場合は、各々の点数を平均するなどして、適宜点数化すればよい。
(S803) (Learning the learning model)
In step S803, the learning model generation unit 45, the information about the nutritional state of the user after presenting the recommendation information at the first time point, the information about the nutrition intake method that is input at the first time point, The recommendation information displayed at time 1 is acquired. These pieces of information are acquired from the
次に、学習モデル生成部４５は、生成した教師データを用いて、所定のアルゴリズムに従った機械学習を実施することにより、学習モデルを生成する。本実施形態では、所定のアルゴリズムとして、ニューラルネットワークを用いる。学習モデル生成部４５は、教師データを用いてニューラルネットワークに学習をさせることにより、栄養の摂取方法に関する情報と栄養状態に関する情報との入力に基づいて、レコメンド情報を推定する学習モデルを生成する。なお、ニューラルネットワークの学習方法は、周知技術であるため、本実施形態では詳細な説明を省略する。また、所定のアルゴリズムとして、例えば、ＳＶＭ（サポートベクターマシン）、ＤＮＮ（ディープニューラルネットワーク）、ＣＮＮ（コンボリューショナルニューラルネットワーク）等を用いてもよい。そして、学習モデル生成部５２は、ＲＡＭ３３、記憶部３４、又はデータベース２２に、生成した学習モデルを格納する。
Next, the learning model generation unit 45 generates a learning model by performing machine learning according to a predetermined algorithm using the generated teacher data. In this embodiment, a neural network is used as the predetermined algorithm. The learning model generation unit 45 causes the neural network to perform learning by using the teacher data, and generates a learning model for estimating the recommendation information based on the input of the information about the nutrition intake method and the information about the nutritional state. Since the learning method of the neural network is a well-known technique, detailed description thereof will be omitted in this embodiment. Further, as the predetermined algorithm, for example, SVM (support vector machine), DNN (deep neural network), CNN (convolutional neural network) or the like may be used. Then, the learning
以上のようにして、栄養の摂取方法に関する情報と栄養状態に関する情報との入力に基づいて、レコメンド情報を推定する学習モデルを生成する。 As described above, the learning model for estimating the recommendation information is generated based on the input of the information about the nutrition intake method and the information about the nutritional state.
次に、学習モデルを用いたレコメンド情報の表示方法について、説明する。図１０は、レコメンド情報の表示に関する処理手順を示すフローチャートである。なお、図１０のステップＳ２０１〜ステップＳ２０５は、図２のステップＳ２０１〜ステップＳ２０５と同様であるので、説明を省略する。 Next, a method of displaying recommendation information using a learning model will be described. FIG. 10 is a flowchart showing a processing procedure for displaying the recommendation information. Note that steps S201 to S205 in FIG. 10 are the same as steps S201 to S205 in FIG.
（Ｓ１００１）（学習モデル使用？）
ステップＳ１００１では、受付部４１は、レコメンド情報の取得に学習モデルを使用するか否かを判定する。ユーザはあらかじめ学習モデルを使用するか使用しないかを設定しておくことができる。よって、受付部４１はこの設定を参照し、学習モデルの使用要否を判定すればよい。学習モデルを使用すると判定された場合には、ステップＳ１００２へ処理を進める。学習モデルを使用しないと判定された場合には、ステップＳ２０２へ処理を進める。すなわち、検索部４３がレコメンド情報を検索する。
(S1001) (Use learning model?)
In step S1001, the
（Ｓ１００２）（目標栄養状態に関する情報を取得）
ステップＳ１００２では、推定部４６は、目標栄養状態に関する情報を取得する。目標栄養状態とは、ユーザが目指すべき栄養状態を示す。例えば、厚生労働省が公表している食事摂取基準等の値を目標栄養状態としてもよいし、ユーザがあらかじめ設定した栄養状態を目標栄養状態としてもよい。
(S1002) (acquire information about target nutritional status)
In step S1002, the
（Ｓ１００３）（学習モデルにレコメンド情報を推定させる）
ステップＳ１００３では、推定部４６は、ステップＳ２０１で受け付けた、栄養の摂取方法に関する情報と、ステップＳ１００２で取得した、目標栄養状態に関する情報とを、学習モデルに入力する。これにより、推定部４６は、学習モデルにレコメンド情報を推定させる。そして、ステップＳ２０５では、表示制御部４４が、推定されたレコメンド情報を表示部３６に表示させる。
(S1003) (Learning model is made to estimate recommendation information)
In step S1003, the
以上のように、ユーザの第２の時点における栄養状態に関する情報が不足している場合であっても、第２の時点でレコメンド情報をユーザに提示することが可能となる。また、情報処理装置１０が本実施形態における処理手順を繰り返し実行することで、より精度の高いレコメンドをユーザに提示することが可能となる。これにより、ユーザの栄養状態の改善に役立てることができる。
As described above, even when the information regarding the nutritional status of the user at the second time point is insufficient, it is possible to present the recommendation information to the user at the second time point. Further, the
＜第３の実施形態の変形例＞
第３の実施形態において説明した学習モデルは、教師データの数が少ない場合には、学習モデルが推定するレコメンド情報の精度が悪い。そこで、学習モデル生成部４５は、他のユーザに関する学習モデルを転用してもよい。その際、学習モデル生成部４５は、ユーザの年齢、性別、身長、体重、居住地、職業、アレルギー、年収等の情報に基づいて、行動様式が近いと考えられる他のユーザの学習モデルを転用する。以後、転用した学習モデルに、ユーザに関する教師データを入力して学習させることにより、よりユーザの行動様式に合ったレコメンド情報を提示することが可能となる。
<Modification of Third Embodiment>
The learning model described in the third embodiment has poor accuracy of recommendation information estimated by the learning model when the number of teacher data is small. Therefore, the learning model generation unit 45 may use a learning model for another user. At that time, the learning model generation unit 45 diverts a learning model of another user who is considered to have a similar behavior pattern based on the information such as age, sex, height, weight, place of residence, occupation, allergy, and annual income of the user. To do. After that, by inputting and learning the teacher data regarding the user to the learning model that has been diverted, it is possible to present the recommendation information more suited to the behavior pattern of the user.
＜その他の実施形態＞
以上、実施形態を詳述したが、本発明は、システム、装置、方法、プログラムもしくは記憶媒体等としての実施態様をとることが可能である。具体的には、情報処理装置の機能を分散させることで複数の機器から構成されるシステムに本発明を適用してもよいし、一つの機器からなる装置に適用してもよい。また、本発明の機能および処理をコンピュータで実現するために、該コンピュータにインストールされるプログラムコード自体も本発明を実現するものである。また、本発明の範囲には、上述の実施例に示す機能および処理を実現するためのコンピュータプログラム自体も含まれる。また、コンピュータが、読み出したプログラムを実行することによって、前述した実施形態の機能が実現される他、そのプログラムの指示に基づき、コンピュータ上で稼動しているＯＳなどとの協働で実施形態の機能が実現されてもよい。この場合には、ＯＳなどが、実際の処理の一部または全部を行い、その処理によって前述した実施形態の機能が実現される。更に、記録媒体から読み出されたプログラムが、コンピュータに挿入された機能拡張ボードやコンピュータに接続された機能拡張ユニットに備わるメモリに書き込まれて前述の実施形態の機能の一部或いは全てが実現されてもよい。なお本発明の範囲は上述した実施形態に限定されるものではない。上述した複数の実施形態のうち少なくとも二つを組み合わせることも可能である。
<Other embodiments>
Although the embodiments have been described in detail above, the present invention can be implemented as a system, a device, a method, a program, a storage medium, or the like. Specifically, the present invention may be applied to a system including a plurality of devices by distributing the functions of the information processing device, or may be applied to a device including one device. Further, the program code itself installed in a computer to implement the functions and processing of the present invention in the computer also implements the present invention. Further, the scope of the present invention also includes a computer program itself for realizing the functions and processes shown in the above-described embodiments. In addition, the computer executes the read program to realize the functions of the above-described embodiments, and also, in accordance with the instructions of the program, in cooperation with the OS or the like running on the computer. The function may be implemented. In this case, the OS or the like performs a part or all of the actual processing, and the processing realizes the functions of the above-described embodiments. Further, the program read from the recording medium is written in a memory provided in a function expansion board inserted in the computer or a function expansion unit connected to the computer to realize some or all of the functions of the above-described embodiment. May be. The scope of the present invention is not limited to the above embodiment. It is also possible to combine at least two of the plurality of embodiments described above.
１０ 情報処理装置
２１ ＬＡＮ
２２ データベース
２３ 算出装置
２４ 分析装置
３１ 通信ＩＦ
３２ ＲＯＭ
３３ ＲＡＭ
３４ 記憶部
３５ 操作部
３６ 表示部
３７ 制御部
４１ 受付部
４２ 取得部
４３ 検索部
４４ 表示制御部
４５ 学習モデル生成部
４６ 推定部
10
22
32 ROM
33 RAM
34
Claims (15)
前記ユーザの栄養状態に関する情報を取得する栄養状態取得手段と、
前記摂取方法に関する情報と、前記栄養状態に関する情報とに基づいて、前記ユーザが栄養を摂取するためのレコメンド情報を取得するレコメンド取得手段と、
前記レコメンド情報を表示部に表示させる表示制御手段と、
を有することを特徴とする情報処理装置。 A reception means for receiving input of information on a nutrition intake method from a user,
A nutritional condition acquisition means for acquiring information on the nutritional condition of the user;
Recommendation acquisition means for acquiring recommendation information for the user to take nutrition based on the information on the intake method and the information on the nutritional state,
Display control means for displaying the recommendation information on a display unit,
An information processing device comprising:
前記受付手段は、前記画面を介して、前記摂取方法に関する情報の入力を受け付けることを特徴とする、請求項１又は２に記載の情報処理装置。 The display control means causes the display unit to display a screen on which at least one of the plurality of intake methods can be selected,
The information processing apparatus according to claim 1, wherein the reception unit receives input of information regarding the intake method via the screen.
を更に有することを特徴とする、請求項１乃至４の何れか１項に記載の情報処理装置。 The ingestion method, the recommendation information retrieved based on the ingestion method, and learning by using information about the nutritional state of the result of the user ingesting nutrition according to the recommendation information, the ingestion method, The information processing device according to any one of claims 1 to 4, further comprising: a learning model generation unit that generates a learning model that estimates the recommendation information based on the nutritional state of the user. ..
被検物質と夾雑物とを含む、前記ユーザに関する試料のスペクトル情報を学習モデルに入力することにより推定された、前記被検物質の定量的な情報を取得する情報取得手段
を有する算出装置と通信可能であり、
前記栄養状態取得手段は、前記定量的な情報を用いて、前記栄養状態に関する情報を取得することを特徴とする、請求項１乃至９の何れか１項に記載の情報処理装置。 The information processing device,
Communication with a calculation device having an information acquisition means for acquiring quantitative information of the test substance estimated by inputting spectral information of a sample related to the user, which includes the test substance and impurities, to a learning model Is possible,
10. The information processing apparatus according to claim 1, wherein the nutritional status acquisition unit acquires the information on the nutritional status using the quantitative information.
を更に有し、
前記栄養状態取得手段は、前記定量的な情報を用いて、前記栄養状態に関する情報を取得することを特徴とする、請求項１乃至９の何れか１項に記載の情報処理装置。 Further comprising an information acquisition means for acquiring quantitative information of the test substance, which is estimated by inputting spectral information of a sample relating to the user into a learning model, including a test substance and contaminants,
10. The information processing apparatus according to claim 1, wherein the nutritional status acquisition unit acquires the information on the nutritional status using the quantitative information.
前記ユーザの栄養状態に関する情報を取得する栄養状態取得工程と、
前記摂取方法に関する情報と、前記栄養状態に関する情報とに基づいて、前記ユーザが栄養を摂取するためのレコメンド情報を検索するレコメンド取得工程と、
前記レコメンド情報を表示部に表示させる表示制御工程と、
を有することを特徴とする情報処理装置の制御方法。 A receiving step for receiving input of information on a nutrition intake method from a user,
A nutritional condition acquisition step of acquiring information about the nutritional condition of the user,
A recommendation acquisition step of searching for recommendation information for the user to take nutrition based on the information on the intake method and the information on the nutritional state;
A display control step of displaying the recommendation information on a display unit,
A method for controlling an information processing device, comprising:
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2018238828A JP2020101932A (en) | 2018-12-20 | 2018-12-20 | Information processing apparatus, method for controlling information processing apparatus, and program |
| PCT/JP2019/048531 WO2020129780A1 (en) | 2018-12-20 | 2019-12-11 | Information processing device, information processing device control method, and program |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2018238828A JP2020101932A (en) | 2018-12-20 | 2018-12-20 | Information processing apparatus, method for controlling information processing apparatus, and program |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2020101932A true JP2020101932A (en) | 2020-07-02 |
Family
ID=71100441
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2018238828A Pending JP2020101932A (en) | 2018-12-20 | 2018-12-20 | Information processing apparatus, method for controlling information processing apparatus, and program |
Country Status (2)
| Country | Link |
|---|---|
| JP (1) | JP2020101932A (en) |
| WO (1) | WO2020129780A1 (en) |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS6040334A (en) * | 1983-08-16 | 1985-03-02 | Konishiroku Photo Ind Co Ltd | Record paper containing unit |
| JP6268465B2 (en) * | 2013-09-11 | 2018-01-31 | 熊本ネクストソサエティ株式会社 | Production and distribution system, production and distribution method, and program for production and distribution system based on nutritional viewpoint |
| JP6455118B2 (en) * | 2014-12-12 | 2019-01-23 | 凸版印刷株式会社 | Health management device and health management method |
-
2018
- 2018-12-20 JP JP2018238828A patent/JP2020101932A/en active Pending
-
2019
- 2019-12-11 WO PCT/JP2019/048531 patent/WO2020129780A1/en active Application Filing
Also Published As
| Publication number | Publication date |
|---|---|
| WO2020129780A1 (en) | 2020-06-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mariotti et al. | Converting nitrogen into protein—beyond 6.25 and Jones' factors | |
| Rasmussen et al. | Assessment of the effect of high or low protein diet on the human urine metabolome as measured by NMR | |
| Zhang et al. | Rapid authentication of olive oil by Raman spectroscopy using principal component analysis | |
| Fadzlillah et al. | FTIR spectroscopy combined with chemometric for analysis of sesame oil adulterated with corn oil | |
| Barberini et al. | Urinary metabolomics (GC-MS) reveals that low and high birth weight infants share elevated inositol concentrations at birth | |
| US20210248417A1 (en) | Information processing device, information processing device control method, program, calculation device, and calculation method | |
| Starowicz | Analysis of volatiles in food products | |
| Oussama et al. | Analysis of argan oil adulteration using infrared spectroscopy | |
| Kasemsumran et al. | Partial least squares processing of near‐infrared spectra for discrimination and quantification of adulterated olive oils | |
| Chen et al. | Gas chromatography-ion mobility spectrometric classification of vegetable oils based on digital image processing | |
| Clerico et al. | Harmonization protocols for TSH immunoassays: a multicenter study in Italy | |
| García-Nicolás et al. | Headspace gas chromatography coupled to mass spectrometry and ion mobility spectrometry: Classification of virgin olive oils as a study case | |
| Ju et al. | Identification of rice varieties and adulteration using gas chromatography-ion mobility spectrometry | |
| US11841373B2 (en) | Information processing apparatus, method for controlling information processing apparatus, and program | |
| Malavi et al. | Hyperspectral imaging and chemometrics for authentication of extra virgin olive oil: A comparative approach with FTIR, UV-VIS, Raman, and GC-MS | |
| Geng et al. | Discrimination of different edible vegetable oils based on GC-IMS and SIMCA | |
| A Zulyniak et al. | Harnessing metabolomics for nutrition research | |
| Golob et al. | Sensory analysis: methods and assessors. | |
| WO2020129780A1 (en) | Information processing device, information processing device control method, and program | |
| Stewart et al. | Modern methods of food analysis | |
| Houten | Metabolomics: unraveling the chemical individuality of common human diseases | |
| Soh et al. | A comparison between the human sense of smell and neural activity in the olfactory bulb of rats | |
| Akhgar et al. | Fatty acid determination in human milk using attenuated total reflection infrared spectroscopy and solvent-free lipid separation | |
| Kun et al. | On the mechanics of the organic label effect: how does organic labeling change consumer evaluation of food products? | |
| Vershinin | Chemometrics in the works of Russian analysts |