JP2021101846A - 情報処理装置及びプログラム - Google Patents

Abstract

【課題】ある継続的な比較的長い期間で一括してストレスの評価値を算出する場合と比較して注目する期間に蓄積されているストレの評価値を高い精度で出力することができる情報処理装置及びプログラムを提供する。【解決手段】情報処理装置６は、注目する期間の前までに蓄積されている第１のストレスの特徴を示す情報と、注目する期間に受けた第２のストレスの特徴量とに基づいて、注目する期間に蓄積されているストレスの評価値を出力するプロセッサ６０ａを備える。【選択図】図２

Description

本発明は、情報処理装置及びプログラムに関する。

近年、被測定者に着用させたウェアラブルセンサから生体データを取得し、生体データに基づいて被測定者が感じるストレスを評価するストレス評価方法が提案されている（例えば、非特許文献１参照。）

非特許文献１に記載されたストレス評価方法は、被測定者に対してストレスに関するアンケートを１ヵ月に１回行い、生体データとして、加速度（ＡＣＣ）、皮膚電気活動（ＥＤＡ）、皮膚温度（ＳＴ）を毎日１ヵ月間３３人分収集し、収集したこれらの生体データから特徴量を作成し、重回帰分析により最大１０個の特徴量を選択してストレス推定モデルを作成し、このストレス推定モデルを用いてストレスの評価値を算出するものである。

https://www.jstage.jst.go.jp/article/pjsai/JSAI2018/0/JSAI2018_2F3OS4b05/_pdf

本発明の課題は、ある継続的な比較的長い期間で一括してストレスの評価値を算出する場合と比較して注目する期間に蓄積されているストレスの評価値を高い精度で出力することができる情報処理装置及びプログラムを提供することにある。

［１］注目する期間の前までに蓄積されている第１のストレスの特徴を示す情報と、前記注目する期間に受けた第２のストレスの特徴量とに基づいて、前記注目する期間に蓄積されているストレスの評価値を出力するプロセッサを備えた情報処理装置。
［２］前記第１のストレスの特徴を示す情報は、前記注目する期間の前の所定期間に蓄積されているストレスの特徴量である、前記［１］に記載の情報処理装置。
［３］前記第１のストレスの特徴を示す情報は、前記注目する期間の前までの複数の所定の期間にそれぞれ蓄積されているストレスの特徴量を合計したものである、前記［１］に記載の情報処理装置。
［４］前記第１のストレスの特徴を示す情報は、前記注目する期間の前までのある所定の期間に蓄積されているストレスの特徴量から推定された特徴量である、前記［１］に記載の情報処理装置。
［５］前記第１のストレスの特徴を示す情報は、自律神経全体のパワーに関するものを含む、前記［１］に記載の情報処理装置。
［６］前記第１のストレスの特徴を示す情報は、さらに脈波振幅に関するものを含む、前記［５］に記載の情報処理装置。
［７］前記第２のストレスの特徴量は、前記注目する期間に受けたストレスのうち回復したストレスの特徴量を減算したものである、前記［１］から［６］のいずれか１つに記載の情報処理装置。
［８］前記回復したストレスの特徴量は、副交感神経のパワーに関するものを含む、前記［７］に記載の情報処理装置。
［９］前記プロセッサは、複数のユーザの生体情報が測定され蓄積された蓄積データに基づいて学習したモデルを用いて前記評価値を出力する、前記［１］から［８］のいずれか１つに記載の情報処理装置。
［１０］プロセッサに、
注目する期間の前までに蓄積されている第１のストレスの特徴を示す情報と、前記注目する期間に受けた第２のストレスの特徴量とに基づいて、前記注目する期間に蓄積されているストレスの評価値を出力させるためのプログラム。

請求項１、９及び１０に係る発明によれば、ある継続的な比較的長い期間で一括してストレスの評価値を算出する場合と比較して注目する期間に蓄積されているストレスの評価値を高い精度で出力することができる。
請求項２、４に係る発明によれば、少ない計算量でストレスの評価値を出力することができる。
請求項３に係る発明によれば、注目する期間の前の所定の期間のみを考慮するよりもストレスの評価値を高い精度で出力することができる。
請求項５に係る発明によれば、自律神経全体のパワーを用いない場合よりも第１のストレスの特徴を示す情報を高い精度で求めることができる。
請求項６に係る発明によれば、脈波振幅を用いない場合よりも第１のストレスの特徴を示す情報を高精度で求めることができる。
請求項７、８に係る発明によれば、回復したストレスを考慮しない場合よりもストレスの評価値を高い精度で出力することができる。

図１は、本発明の実施の形態に係る情報処理システムの構成例を示す図である。 図２は、情報処理装置の制御系の一例を示すブロック図である。 図３は、ユーザテーブルの一例を示す図である。の一例を示す図である。 図４は、生体情報テーブルの一例を示す図である。 図５は、脈波を説明するための図である。 図６は、ストレスとＴＰ値との関係を示し、図６（ａ）は、比較的高いストレスを受けた場合の１日におけるＴＰ値の変化を示す図、図６（ｂ）は、比較的低いストレスを受けた場合の１日におけるＴＰ値の変化を示す図である。 図７は、ストレスとＰＰ値との関係を示し、図７（ａ）は、比較的高いストレスを受けた場合の１日におけるＰＰ値の変化を示す図、図７（ｂ）は、比較的低いストレスを受けた場合の１日におけるＰＰ値の変化を示す図である。 図８は、ストレス推定モデルを作成する際の情報処理装置の動作の一例を示すフローチャートである。 図９は、ストレスの評価値を算出する際の情報処理装置の動作の一例を示すフローチャートである。 図１０は、モデルが用いる特徴量と相関係数を示す図である。 図１１（ａ）〜（ｄ）は、前日までのストレスの推定結果の求め方を模式的に示す図である。

以下、本発明の実施の形態について図面を参照して説明する。なお、各図中、実質的に同一の機能を有する構成要素については、同一の符号を付してその重複した説明を省略する。

［実施の形態の要約］
本実施の形態に係る情報処理装置は、注目する期間の前までに蓄積されている第１のストレスの特徴を示す情報と、注目する期間に受けた第２のストレスの特徴量とに基づいて、注目する期間に蓄積されているストレスの評価値を出力するプロセッサを備える。

「ストレス」とは、人の内的状態又は心理状態を示す情報をいう。注目する期間は、本実施の形態では、一例として一日とし、注目する期間を特に当日ともいう。例えば、注目する期間としての一日を、ストレスの評価値を出力する日でもよく、ストレスの評価値を出力する日よりも過去の日でもよい。注目する日に蓄積されているストレスには、注目する日の前日までの比較的長い期間蓄積され、注目する日に残っている第１のストレスと、注目する日に受けた第２のストレスとが含まれる。注目する日の前日までにストレスの特徴量やそれを算出するためのデータが蓄積される期間は、一週間や一か月、半年等、その人の平常時の状態を推定できる比較的長い期間を適宜設定してもよい。

［実施の形態］
図１は、本発明の実施の形態に係る情報処理システムの構成例を示す図である。この情報処理システム１は、ユーザに装着されてユーザの生体情報を測定する測定デバイス２と、測定デバイス２の充電台３と、管理者（例えば、他のユーザを管理する立場にある者である。）を含むユーザが操作するユーザ端末４と、測定デバイス２及びユーザ端末４がネットワーク５を介して接続されるサーバ等の情報処理装置６とを備える。測定デバイス２及びユーザ端末４は、図１及び後述する図２は、それぞれ複数台を図示するが、それぞれ１台でもよい。ユーザは、被測定者の一例である。測定デバイス２は、測定装置の一例である。

本情報処理システム１は、例えば、オフィス（レンタルオフィス、シェアオフィスを含む。）、工場等の職場や、学校、教室等の学びの場等の活動エリアに適用される。図１は、本情報処理システム１をオフィスに適用した場合を示す。測定デバイス２は、例えば、活動エリアにおけるユーザの活動時の生体情報を測定する。生体情報とは、身体が発する情報をいう。

充電台３は、測定デバイス２が接続されると測定デバイス２の後述する電源部２６を充電する。

ユーザ端末４は、例えば、パーソナルコンピュータ、多機能携帯電話機（スマートフォン）等の携帯型の情報処理装置を用いることができる。ユーザ端末４には、ＩＰアドレスが付与されている。

ネットワーク５は、例えば、無線ＬＡＮ（Local Area Network）、インターネット等の通信網である。

図２は、情報処理システム１の制御系の一例を示すブロック図である。

（測定デバイスの構成）
測定デバイス２は、測定デバイス２の各部を制御する制御部２０と、各種の情報を記憶する記憶部２１と、第１の生体情報を測定する第１の生体情報測定部２２と、第２の生体情報を測定する第２の生体情報測定部２３と、測定の開始又は終了を指示する測定ボタン２４と、無線通信部２５と、測定デバイス２の各部に電源を供給する電源部２６とを備える。

制御部２０は、ＣＰＵ（Central Processing Unit）等のプロセッサ、インターフェース等から構成されている。制御部２０の機能については後述する。

記憶部２１は、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）等から構成され、プロセッサのプログラム２１０、ユーザ情報２１１等が記憶される。また、記憶部２１は、一日分の生体情報が記憶される生体情報記憶領域２１２が設けられている。ユーザ情報２１１は、ユーザを識別するユーザＩＤ、測定デバイス２を識別する測定デバイスＩＤ等を含む。

第１の生体情報測定部２２は、例えば、加速度センサを用いる。加速度センサとしては、３軸加速度センサを用いてもよい。以下、加速度センサが出力する加速度の検出信号の時系列データを、加速度データともいう。加速度データは、第１の生体情報の一例である。

なお、第１の生体情報測定部２２は、加速度センサによる検出信号に基づいて被測定者の行動パターンを取得してもよい。この場合、行動パターンごとに加速度センサの基準となる検出信号を記憶部２１に記憶しておき、第１の生体情報測定部２２が加速度センサによる検出信号に対応する行動パターンを、記憶部２１の記憶内容を参照して取得する。行動パターンには、例えば、座位、歩行、走行等がある。

第２の生体情報測定部２３は、例えば、脈波センサを用いる。脈波センサとしては、光学式脈波センサを用いてもよい。なお、脈波センサの代わりに心電センサを用いてもよい。以下、脈波センサが測定する脈波信号の時系列データを、脈波データともいう。脈波データは、第２の生体情報の一例である。脈波データから、例えば、脈拍間隔、脈波振幅等が情報処理装置６側で取得される。心電センサを用いた場合は、心電データから、例えば、心拍間隔、心電振幅等が情報処理装置６側で取得される。

測定ボタン２４は、電源オン後に最初に操作すると、測定の開始を示す開始信号を制御部２０に出力し、その後は操作するごとに測定の終了を示す終了信号及び開始信号を交互に制御部２０に出力する。

制御部２０は、測定ボタン２４から開始信号が出力されると、第１の生体情報測定部２２及び第２の生体情報測定部２３を制御して第１の生体情報及び第２の生体情報の測定を開始する。制御部２０は、測定ボタン２４から終了信号が出力されると、第１の生体情報測定部２２及び第２の生体情報測定部２３を制御して第１の生体情報及び第２の生体情報の測定を終了する。

また、制御部２０は、開始信号と終了信号との間に測定された第１の生体情報及び第２の生体情報を、記憶部２１の生体情報記憶領域２１２に記憶する。また、制御部２０は、予め定められた時刻（例えば、21時）になると、生体情報記憶領域２１２に記憶されている第１の生体情報及び第２の生体情報を、記憶部２１に記憶されているユーザ情報２１１とともに無線通信部２５によりネットワーク５を介して情報処理装置６に送信する。

なお、制御部２０は、例えば、就業日又は受講日の一日の第１の時刻（例えば、出勤時、出席時、業務開始時、受講開始時等）から一日の第２の時刻（例えば、退勤時、退席時、業務終了時、受講終了時等）まで測定された第１の生体情報及び第２の生体情報を、第２の時刻（例えば、18時）又は第２の時刻を経過した後の予め定められた時刻（例えば、21時）に情報処理装置１に送信してもよい。

無線通信部２５は、例えば、Ｂｌｕｅｔｏｏｔｈ（登録商標）、Ｗｉ−Ｆｉ（登録商標）等の無線通信を用いてネットワーク５を介して情報処理装置６と情報を送受信する。

電源部２６は、例えば、リチウムイオン二次電池等の二次電池を用いる。なお、一次電池や太陽電池等を用いてもよい。

（情報処理装置の構成）
情報処理装置６は、情報処理装置６の各部を制御する制御部６０と、各種の情報を記憶する記憶部６１と、無線通信部６２とを備える。

制御部６０は、ＣＰＵ（Central Processing Unit）等のプロセッサ６０ａ、インターフェース等から構成されている。プロセッサ６０ａは、記憶部６１に記憶されたプログラム６１０を実行することにより、受付手段６００、生体データ算出手段６０１、モデル作成手段６０２、評価値算出手段６０３等として機能する。各手段６００〜６０３の詳細については後述する。

記憶部６１は、ＲＯＭ（Read Only Memory）、ＲＡＭ、（Random Access Memory）、ハードディスク等から構成され、プログラム６１０、ユーザテーブル６１１（図３参照）、生体情報テーブル６１２（図４参照）、ストレス主観評価データ６１３、ストレス推定モデル６１４等の各種の情報を記憶する。生体情報テーブル６１２は、蓄積データの一例である。生体情報テーブル６１２には、複数のユーザの生体情報が日々測定され蓄積される。

ストレス主観評価データ６１３は、ストレスに関するアンケートに対してユーザが主観的な評価として回答したアンケート結果（以下「ストレス主観評価」ともいう。）であり、ユーザＩＤごとに記憶部６１に記憶される。ストレスに関するアンケートは、例えば、複数の質問に対して５段階で感じたストレスの程度を選択するものである。

図３は、ユーザテーブル６１１の一例を示す図である。ユーザテーブル６１１は、ユーザＩＤ、パスワード、測定デバイスＩＤ、ＩＰアドレス等の複数の項目を有する。ユーザＩＤは、ユーザを識別するＩＤである。測定デバイスＩＤは、測定デバイス２を識別するＩＤである。ＩＰアドレスは、ユーザ端末４に付与されたＩＰアドレスである。

図４は、生体情報テーブル６１２の一例を示す図である。生体情報テーブル６１２は、ユーザＩＤごとに記憶部６１に記憶されている。同図は、ユーザＩＤが「u001」の場合を示している。生体情報テーブル６１２は、生体情報ＩＤ、測定日、第１の生体情報、第２の生体情報、ＴＰ、ＰＰ、ＰＩ、ＬＦ、ＨＦ、ＡＣＣ等の複数の項目を有する。ユーザＩＤは、ユーザを識別するＩＤである。生体情報ＩＤは、生体情報を識別するＩＤである。測定日は、測定デバイス１０から送信された第１の生体情報及び第２の生体情報を受信した日である。第１の生体情報の項目には、加速度データが記録される。第２の生体情報の項目には、脈波データが記録される。

図４において、ＴＰは、Total Powerの略であり、脈波間隔の時系列データの周波数解析したときの周波数毎の値（以下、パワースペクトル）を足し合わせた全体の計算値であり、自律神経全体の活動のパワーを示す。ＰＰは、Pulse Pressureの略語であり、脈圧が反映した脈波振幅を示す。ＰＩは、Pulse intervalの訳語であり、脈波間隔を示す。ＬＦは、低周波（Low Frequency）の略語であり、比較的低い周波数のパワースペクトルの値を足し合わせた計算値であり、交感神経と副交感神経の活動のパワーを示す。ＨＦは、高周波（Hi Frequency）の略語であり、比較的高い周波数パワースペクトルの値を足し合わせた計算値であり、副交感神経の活動のパワーを示す。ＡＣＣは、Accelerationの略語であり、加速度を示す。ＶＬＦは（Very Low Frequency）の略語であり、交感神経機能の非常にゆっくりとしたメカニズムの全体的活動を示す。

ＴＰには、後述するＶＬＦ値とＬＦ値とＨＦ値とを合計した値（以下、「ＴＰ値」ともいう。）が記録される。ＰＰには、脈波振幅（以下、「ＰＰ値」ともいう。）（図５参照）が記録される。ＰＩには、脈波間隔（以下、「ＰＩ値」ともいう。）（図５参照）が記録される。ＬＦには、低周波成分の領域（以下、「ＬＦ成分領域」ともいう。）のパワースペクトルを合計した値（以下、「ＬＦ値」ともいう。）が記録される。ＨＦには、高周波成分の領域（以下「ＨＦ成分領域」ともいう。）のパワースペクトルを合計した値（以下、「ＨＦ値」ともいう。）が記録される。ＡＣＣには、加速度のピーク値（以下、「ＡＣＣ値」ともいう。）が記録される。

ＴＰ値、ＰＰ値、ＰＩ値、ＬＦ値、ＨＦ値及びＡＣＣ値は、加速度データ及び脈波データに基づいて生体データ算出手段６０１により算出される。ＴＰ値、ＰＰ値、ＰＩ値、ＬＦ値、ＨＦ値及びＡＣＣ値は、生体データの一例である。なお、生体データ算出手段６０１は、ＬＦ／ＨＦ値等の他の生体データを算出してもよい。

図５は、脈波を説明するための図である。ＰＩは、脈拍間隔、ＰＰは、脈圧が反映した脈波振幅を示す。ストレスを受けると、ＰＩは短くなり、ＰＰは大きくなる。ＰＩ、ＰＰ等からストレスの程度をある程度推定することができる。

脈拍間隔の時系列データをスペクトル解析するとパワースペクトルが得られる。ＬＦ成分領域は、交感神経と副交感神経の活動を反映したものである。ＨＦ成分領域は、副交感神経の活動を反映したものである。ＬＦ／ＨＦ値は、交感神経の活動を示すものであり、ストレスの指標となるものである。ＶＬＦ値＋ＬＦ値＋ＨＦ値は、自律神経全体のトータルパワーを示す。

図６は、ストレスとＴＰ値との関係を示し、図６（ａ）は、比較的高いストレスを受けた場合の１日におけるＴＰ値の変化を示す図、図６（ｂ）は、比較的低いストレスを受けた場合の１日におけるＴＰ値の変化を示す図である。比較的高いストレスを受けた場合、図６（ａ）に示すように、元気度を表すＴＰ値が低くなる。比較的低いストレスを受けた場合、図６（ｂ）に示すように、ＴＰ値が高くなる。

図７は、ストレスとＰＰ値との関係を示し、図７（ａ）は、比較的高いストレスを受けた場合の１日におけるＰＰ値の変化を示す図、図７（ｂ）は、比較的低いストレスを受けた場合の１日におけるＰＰ値の変化を示す図である。比較的高いストレスを受けた場合、図７（ａ）に示すように、スパイク状のＰＰ値が発生する。比較的低いストレスを受けた場合、図７（ｂ）に示すように、スパイク状のＰＰ値はあまり発生しない。

次に、制御部６０の各手段６００〜６０３について説明する。

受付手段６００は、測定デバイス２から第１の生体情報（例えば、加速度データ）、第２の生体情報（例えば、脈拍データ）及びユーザ情報２１１を受信すると、生体情報ＩＤを生成し、ユーザ情報２１１に含まれるユーザＩＤに対応する生体情報テーブル６１２の生体情報ＩＤの項目に生体情報ＩＤを記録し、測定日の項目に第１の生体情報及び第２の生体情報を受信した日を記録し、第１の生体情報の項目に加速度データを記録し、第２の生体情報の項目に脈拍データを記録する。

生体データ算出手段６０１は、生体情報テーブル６１２に記録された加速度データ及び脈波データに基づいてＴＰ値、ＰＰ値、ＰＩ値、ＬＦ値、ＨＦ値及びＡＣＣ値等の生体データを算出し、算出結果を生体情報テーブル６１２の対応する項目に記録する。

モデル作成手段６０２は、ストレスに関するアンケートをネットワーク５を介して複数の被験者のユーザ端末４に送信し、各ユーザ端末４から送信されたアンケートに対して回答したアンケート結果を受信し、アンケート結果をストレス主観評価データ６１３として記憶部６１に記憶する。モデル作成手段６０２は、ストレス主観評価データ６１３に含まれるストレス主観評価を目的変数とし、特徴量を説明変数として重回帰分析を行ってストレス推定モデル６１４を作成する。モデル作成手段６０２は、作成したストレス推定モデル６１４を記憶部６１に記憶する。

モデル作成手段６０２は、ストレス推定モデル６１４を作成する際に、例えば、次の特徴量を特定する。ストレス推定モデル６１４は、約４００個の特徴量からストレス主観評価と相関のある特徴量を抽出し、重回帰分析を行ってストレスの推定に有効な９個の特徴量を特定する。この特定した９個の特徴量を次に説明する。なお、ストレスの推定に用いる特徴量は、以下の９個の特徴量に限られない。

（ｉ）前日のＴＰ値の日内差
ＴＰ値の日内差とは、一日におけるＴＰ値の最大値と最小値との差をいう。ＴＰ値は、自律神経系の元気度を表し受けたストレスが高いと、自律神経系が疲弊し、ＴＰ値が高くならない。前日の自律神経系の疲弊は、回復しきれずに翌日に残る。前日は、当日の一日前のことである。当日は、注目する日の一例である。
（ii）前日のＰＰ値が閾値を越える割合
ＰＰ値が閾値を超える割合とは、一日におけるＰＰ値が閾値を超えた回数の割合をいう。ストレスを受けると、ＰＰ値がスパイク状に上昇する。
（iii）前日のＴＰ値の日内平均交差率
ＴＰ値の日内平均交差率とは、ＴＰ値が1日のＴＰ値の平均値と交差する割合をいう。受けたストレスが高いと、当該指標が高い値を示す。
（iv）当日のＴＰ値の日内平均交差率
ＴＰ値の日内平均交差率は、前日のＴＰ値の日内平均交差率と同じ意味である。
（ｖ）当日のＴＰ値の日内変動係数
当日のＴＰ値の日内変動係数とは、ＴＰ値の標準偏差／平均で表される指標である。ＴＰ値の日内変動係数は、ストレスが低いと大きくなる。
（vi）当日のＴＰ値の日内差
ＴＰ値の日内差は、前日のＴＰ値の日内差と同じ意味である。
（vii）当日のＬＦ／ＨＦ値の最小値
ＬＦ／ＨＦ値は、ＬＦ値をＨＦ値で除算した値であり、ストレスを受けると、交感神経系が活性し、ＬＦ／ＨＦ値は高くなる。
（viii）ＡＣＣ値の日内差
ＡＣＣ値の日内差とは、一日における加速度のピーク値の最大値と最小値の差をいう。ストレスが高いと突発的な動作が発生し、ＡＣＣ値の日内差が大きくなる。
（ix）ＨＦ値の日内平均交差率
ＨＦ値の日内平均交差率とは、ＨＦ値が1日のＨＦ値の平均値と交差する割合をいう。ＨＦ値は副交感神経系の活性を表し、ストレスが高い日は、副交感神経系の活性・非活性が頻繁に切り替わる。

評価値算出手段６０３は、モデル作成手段６０２が作成したストレス推定モデル６１４にモデル作成手段６０２が特定した特徴量の算出値を代入し、特定のユーザのストレスの評価値を算出する。すなわち、評価値算出手段６０３は、当日に蓄積されているストレスの評価値Ｅ_stressを、次の式（１）で表されるストレス推定モデル６１４を用いて算出する。
Ｅ_stress＝（前日のストレスの特徴量）＋（当日のストレスの特徴量）−（当日回復したストレスの特徴量）＋定数（ｗ_０）
＝（ｗ_１ｘ_１＋ｗ_２ｘ_２＋ｗ_３ｘ_３）＋（ｗ_４ｘ_４＋ｗ_５ｘ_５＋ｗ_６ｘ_６＋ｗ_７ｘ_７＋ｗ_８ｘ_８）−（ｗ_９ｘ_９）＋（ｗ_０）・・・（１）

前日のストレスの特徴量は、例えば、前日のＴＰ値の日内差、前日のＴＰ値の日内平均交差率、及び前日のＰＰ値が閾値を超える割合であり、それぞれの特徴量をｘ_１〜Ｘ_３、係数をｗ_１〜ｗ_３とする。

当日のストレスの特徴量は、例えば、ＴＰ値の日内平均交差率、ＴＰ値の日内変動係数、ＴＰ値の日内差、ＬＦ／ＨＦ値の最小値、ＡＣＣ値の日内差であり、それぞれの特徴量をｘ_４〜ｘ_８、係数をｗ_４〜ｗ_８とする。

当日のストレスを回復した特徴量は、例えば、ＨＦ値の日内平均交差率であり、特徴量をｘ_９、係数をｗ_９とする。

（情報処理装置の動作）
次に、情報処理装置６の動作の一例について図８及び図９を参照して説明する。図８は、ストレス推定モデルを作成する際の情報処理装置６の動作の一例を示すフローチャートである。図９は、ストレスの評価値を出力する際の情報処理装置６の動作の一例を示すフローチャートである。

（１）ストレス推定モデルの作成
受付手段６００は、複数（例えば、１８人）の被験者としてのユーザにそれぞれ装着された測定デバイス２から加速度データ、脈波データ及びユーザ情報２１１を受け付ける（Ｓ１）。

次に、受付手段６００は、受け付けた脈波データから加速度データに基づいて体動が大きい区間の脈波データを除去する（Ｓ２）。例えば、加速度が閾値を超えた区間の脈波データ、又は加速度データに基づいてユーザの行動パターンを推定し、歩行中や走行中の区間の脈波データを除外してもよい。

次に、受付手段６００は、生体情報ＩＤを生成し、ユーザ情報２１１に含まれるユーザＩＤに対応する生体情報テーブル６１２に生体情報ＩＤ、測定日、加速度データ、脈波データを記録する。すなわち、生体情報テーブル６１２の生体情報ＩＤの項目に生体情報ＩＤを記録し、測定日に生体情報を受信した日を記録し、第１の生体情報の項目に加速度データを記録し、第２の生体情報の項目に脈波データを記録する。

生体情報テーブル６１２には、例えば、ある期間（例えば、１週間又は２週間以上）に渡って就業日に測定された複数の被験者の生体情報等が記録される。なお、生体情報は、ある期間に渡って休日も含めて毎日測定してもよい。

生体データ算出手段６０１は、脈波データから脈波振幅（ＰＰ値）と脈拍間隔（ＰＩ値）を算出し（Ｓ３）、加速度データから加速度のピーク値（ＡＣＣ値）を取得する（Ｓ４）。また、生体データ算出手段６０１は、ＰＰ値、ＰＩ値、ＡＣＣ値以外にもＴＰ値、ＬＦ値、ＨＦ値等を算出する。生体データ算出手段６０１は、ＴＰ値、ＰＰ値、ＰＩ値、ＬＦ値、ＨＦ値、ＡＣＣ値等を生体情報テーブル６１２の対応する項目に記録する。

モデル作成手段６０２は、生体情報テーブル６１２を参照し、ＴＰ値、ＰＰ値、ＰＩ値、ＬＦ値、ＨＦ値及びＡＣＣ値から前日の特徴量ｘ_１〜ｘ_３、及び当日の特徴量ｘ_４〜ｘ_９を算出する（Ｓ５）。

モデル作成手段６０２は、ストレスに関するアンケートに対して被験者のアンケート結果を取得し、それをストレス主観評価データ６１３として記憶部６１に記憶する（Ｓ６）。

モデル作成手段６０２は、ストレス主観評価データ６１３に含まれるストレス主観評価を目的変数とし、特徴量ｘ_１〜ｘ_９及び定数ｗ_０を説明変数として重回帰分析を行ってストレス推定モデル６１４を作成し、記憶部６１に記憶する（Ｓ７）。

（２）ストレスの評価値の出力
受付手段６００は、特定のユーザに装着された測定デバイス２から加速度データ、脈波データ及びユーザ情報２１１を受け付ける（Ｓ１１）。

次に、受付手段６００は、前述したように、受け付けた脈波データから加速度データに基づいて体動が大きい区間の脈波データを除去する（Ｓ１２）。

次に、受付手段６００は、前述したように、生体情報ＩＤを生成し、ユーザ情報２１１に含まれる特定のユーザのユーザＩＤに対応する生体情報テーブル６１２に生体情報ＩＤ、測定日、加速度データ、脈波データを記録する。

特定のユーザの生体情報テーブル６１２には、例えば、ある期間（例えば、１週間又は２週間以上）に渡って就業日に測定された特定のユーザの被験者の生体情報等が記録される。なお、生体情報は、ある期間に渡って休日も含めて毎日測定してもよい。

生体データ算出手段６０１は、脈波データから脈波振幅（ＰＰ値）と脈拍間隔（ＰＩ値）を算出し（Ｓ１３）、加速度データから加速度のピーク値を取得する（Ｓ１４）。また、生体データ算出手段６０１は、前述したように、ＰＰ値、ＰＩ値、ＡＣＣ値以外にもＴＰ値、ＬＦ値、ＨＦ値等を算出する。生体データ算出手段６０１は、ＴＰ値、ＰＰ値、ＰＩ値、ＬＦ値、ＨＦ値、ＡＣＣ値等を生体情報テーブル６１２の対応する項目に記録する。

受付手段６００は、管理者又は特定のユーザのユーザ端末４から当日に対応する特定の日を受け付ける。評価値算出手段６０３は、特定のユーザのユーザＩＤに対応する生体情報テーブル６１２を参照し、前日のＴＰ値から前日の特徴量ｘ_１〜ｘ_３を算出し、当日のＴＰ値、ＬＦ／ＨＦ値、ＡＣＣ値、ＨＦ値から当日の特徴量ｘ_４〜ｘ_９を算出する（Ｓ１５）。

評価値算出手段６０３は、ストレス推定モデル６１４に特徴量ｘ_１〜ｘ_９及び定数の値ｗ_０を代入し、特定のユーザが当日に蓄積されているストレスの評価値を算出する（Ｓ１６）。なお、ストレスの評価値を管理者又は特定のユーザのユーザ端末４に送信してもよい。

図１０は、モデルが用いる特徴量と相関係数を示す図である。モデル１は、当日のストレスに関する特徴量のみを用いて評価値を算出するモデルである。モデル２は、前日及び当日のストレスに関する特徴量を用いて評価値を算出するモデルである。モデル３は、当日のストレスに関する特徴量と当日のストレスの回復に関する特徴量を用いて評価値を算出するモデルである。モデル４は、全ての特徴量、すなわち前日及び当日のストレスに関する特徴量と当日のストレスの回復に関する特徴量を用いて評価値を算出するモデルである。モデル５は、モデル４に対して前日のＰＰが閾値を超える割合の特徴量を用いないモデルである。

図１０のモデル１とモデル２から、前日のストレスを考慮することにより、相関関数が０．６６から０．８０に向上したことが分かる。これと同様に、モデル３とモデル４から、前日のストレスを考慮することにより、相関関数が０．６８から０．８２に向上したことが分かる。また、図１０のモデル４とモデル５から、前日のストレスのうち前日のＰＰ値が閾値を超える割合も考慮することにより、相関関数が０．７８から０．８２に向上したことが分かる。また、図１０のモデル２とモデル４から、当日のストレスの回復を考慮することにより、相関関数が０．８０から０．８２に向上したことが分かる。

（変形例１）
上記実施の形態は、式（１）を用いてストレスの評価値Ｅ_stressを算出したが、以下の式を用いてもよい。
Ｅ_stress＝（前日のストレスの推定結果）＋（当日のストレスの特徴量）−（当日回復したストレスの特徴量）＋定数（ｗ_０）
・・・（２）

前日のストレスの推定結果は、例えば、前日よりも前の日のストレスの評価値の算出に用いた前日のストレスの特徴量（ｗ_１ｘ_１＋ｗ_２ｘ_２＋ｗ_３ｘ_３）に係数を掛けたものである。式（２）を用いた場合、個々の特徴量ｗ_１ｘ_１、ｗ_２ｘ_２、ｗ_３ｘ_３の演算処理を省くことができる。

（変形例２）
上記実施の形態は、式（１）を用いてストレスの評価値Ｅ_stressを算出したが、以下の式を用いてもよい。
Ｅ_stress＝（当日までのストレスの特徴量＝Ｎ日前の特徴量＋Ｎ−１日前の特徴量＋・・・前日の特徴量）＋（当日のストレスの特徴量）−（当日回復したストレスの特徴量）＋定数（ｗ_０）
・・・（３）

式（３）を用いた場合、式（１）を用いた場合よりも正確な評価値を求めることができる。

（変形例３）
上記実施の形態は、式（１）を用いてストレスの評価値Ｅ_stressを算出したが、以下の式を用いてもよい。
Ｅ_stress＝（当日までのストレスの推定結果＝Ｎ日前の特徴量＋Ｎ−１日前の特徴量＋・・・前日の特徴量）＋（当日のストレスの特徴量）−（当日回復したストレスの特徴量）＋定数（ｗ_０）
・・・（４）

前日までのストレスの推定結果は、例えば、当日の何日前であるかに応じた係数を対応する特徴量（Ｎ日前の特徴量＋Ｎ−１日前の特徴量＋・・・前日の特徴量）に掛けたものである。式（４）を用いた場合、個々のＮ日前の特徴量、Ｎ−１日前の特徴量、・・・前日の特徴量の演算処理を省くことができる。

（変形例４）
図１１は、前日までのストレスの推定結果の求め方を模式的に示す図である。前日までのストレスの推定結果は、図１１に示すように求めてもよい。

例えば、図１１（ａ）に示すように、当日（例えば、測定日が３日）の前々日（例えば、測定日が１日）の特徴量ｄと、前日（例えば、測定日が２日）の特徴量ｄとから前日のストレスの推定結果Ｓを求めてもよい。

また、図１１（ｂ）に示すように、計算に用いる最初の前日のストレスの推定結果については、前々日（例えば、測定日が１日）の特徴量ｄと、前日（例えば、測定日が２日）の特徴量ｄとから前日のストレスの推定結果Ｓを求め、その後の前日のストレスの推定結果については、前々日（例えば、測定日が２日）のストレスの推定結果Ｓと、前日（例えば、測定日が３日）の特徴量ｄとから前日のストレスの推定結果Ｓを求めてもよい。

また、図１１（ｃ）に示すように、当日（例えば、測定日が４日）の３日前の日（例えば、測定日が１日）の特徴量ｄと、前々日（例えば、測定日が２日）の特徴量ｄと、前日（例えば、測定日が３日）の特徴量ｄから前日のストレスの推定結果Ｓを求めてもよい。

また、図１１（ｄ）に示すように、計算に用いる最初の前日のストレスの推定結果については、当日（例えば、測定日が４日）の３日前の日（例えば、測定日が１日）の特徴量ｄと、前々日（例えば、測定日が２日）の特徴量ｄと、前日（例えば、測定日が３日）の特徴量ｄとから前日のストレスの推定結果Ｓを求め、その後の前日のストレスの推定結果については、前々日（例えば、測定日が３日）のストレスの推定結果Ｓと、前日（例えば、測定日が４日）の特徴量ｄとから前日のストレスの推定結果Ｓを求めてもよい。

以上、本発明の実施の形態を説明したが、本発明の実施の形態は上記実施の形態に限定されるものではなく、本発明の要旨を変更しない範囲内で種々の変形、実施が可能である。例えば、情報処理装置６の負担を軽減するため、情報処理装置６側で算出した生体データ又は特徴量の全部又は一部を測定デバイス２側で算出してもよい。

プロッサの各手段は、それぞれ一部又は全部を再構成可能回路（ＦＰＧＡ：Field Programmable Gate Array）、特定用途向け集積回路（ＡＳＩＣ：Application Specific Integrated Circuit）等のハードウエア回路によって構成してもよい。

また、本発明の要旨を変更しない範囲内で、上記実施の形態の構成要素の一部を省くことや変更することが可能である。また、本発明の要旨を変更しない範囲内で、上記実施の形態のフローにおいて、ステップの追加、削除、変更、入替え等が可能である。また、上記実施の形態で用いたプログラムをＣＤ−ＲＯＭ等のコンピュータで読み取り可能な記録媒体に記録して提供することができ、クラウドサーバ等の外部サーバに格納しておき、ネットワークを介して利用することもできる。

１…情報処理システム、２…測定デバイス、３…充電台、４…ユーザ端末、５…ネットワーク、６…情報処理装置、２０…制御部、２１…記憶部、２２…第１の生体情報測定部、２３…第２の生体情報測定部、２４…測定ボタン、２５…無線通信部、２６…電源部、６０…制御部、６０ａ…プロセッサ、６１…記憶部、６２…無線通信部、２１０…プログラム、２１１…ユーザ情報、２１２…生体情報記憶領域、６００…受付手段、６０１…生体データ算出手段、６０２…モデル作成手段、６０３…評価値算出手段、６１０…プログラム、６１１…ユーザテーブル、６１２…生体情報テーブル、６１３…ストレス主観評価データ、６１４…ストレス推定モデル

Claims (10)

1. 注目する期間の前までに蓄積されている第１のストレスの特徴を示す情報と、前記注目する期間に受けた第２のストレスの特徴量とに基づいて、前記注目する期間に蓄積されているストレスの評価値を出力するプロセッサを備えた情報処理装置。
2. 前記第１のストレスの特徴を示す情報は、前記注目する期間の前の所定期間に蓄積されているストレスの特徴量である、
   請求項１に記載の情報処理装置。
3. 前記第１のストレスの特徴を示す情報は、前記注目する期間の前までの複数の所定の期間にそれぞれ蓄積されているストレスの特徴量を合計したものである、
   請求項１に記載の情報処理装置。
4. 前記第１のストレスの特徴を示す情報は、前記注目する期間の前までのある所定の期間に蓄積されているストレスの特徴量から推定された特徴量である、
   請求項１に記載の情報処理装置。
5. 前記第１のストレスの特徴を示す情報は、自律神経全体のパワーに関するものを含む、
   請求項１に記載の情報処理装置。
6. 前記第１のストレスの特徴を示す情報は、さらに脈波振幅に関するものを含む、
   請求項５に記載の情報処理装置。
7. 前記第２のストレスの特徴量は、前記注目する期間に受けたストレスのうち回復したストレスの特徴量を減算したものである、
   請求項１から６のいずれか１項に記載の情報処理装置。
8. 前記回復したストレスの特徴量は、副交感神経のパワーに関するものを含む、
   請求項７に記載の情報処理装置。
9. 前記プロセッサは、複数のユーザの生体情報が測定され蓄積された蓄積データに基づいて学習したモデルを用いて前記評価値を出力する、
   請求項１から８のいずれか１項に記載の情報処理装置。
10. プロセッサに、
    注目する期間の前までに蓄積されている第１のストレスの特徴を示す情報と、前記注目する期間に受けた第２のストレスの特徴量とに基づいて、前記注目する期間に蓄積されているストレスの評価値を出力させるためのプログラム。
    
    

Images