JP2021101846A - 情報処理装置及びプログラム - Google Patents
情報処理装置及びプログラム Download PDFInfo
- Publication number
- JP2021101846A JP2021101846A JP2019233897A JP2019233897A JP2021101846A JP 2021101846 A JP2021101846 A JP 2021101846A JP 2019233897 A JP2019233897 A JP 2019233897A JP 2019233897 A JP2019233897 A JP 2019233897A JP 2021101846 A JP2021101846 A JP 2021101846A
- Authority
- JP
- Japan
- Prior art keywords
- stress
- value
- day
- period
- information
- 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
- 230000010365 information processing Effects 0.000 title claims abstract description 51
- 238000011156 evaluation Methods 0.000 claims abstract description 56
- 210000000467 autonomic pathway Anatomy 0.000 claims description 5
- 230000001734 parasympathetic effect Effects 0.000 claims 1
- 230000001133 acceleration Effects 0.000 description 52
- 238000005259 measurement Methods 0.000 description 44
- 238000004364 calculation method Methods 0.000 description 21
- 238000010586 diagram Methods 0.000 description 14
- 230000002354 daily effect Effects 0.000 description 12
- 230000000694 effects Effects 0.000 description 12
- 230000008859 change Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 238000001228 spectrum Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 210000005037 parasympathetic nerve Anatomy 0.000 description 5
- 238000005314 correlation function Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000000611 regression analysis Methods 0.000 description 4
- 230000002889 sympathetic effect Effects 0.000 description 4
- 210000003403 autonomic nervous system Anatomy 0.000 description 3
- 230000003203 everyday effect Effects 0.000 description 3
- 230000035485 pulse pressure Effects 0.000 description 3
- 238000011084 recovery Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 210000001002 parasympathetic nervous system Anatomy 0.000 description 2
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000002060 circadian Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000008035 nerve activity Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000002820 sympathetic nervous system Anatomy 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02416—Detecting, measuring or recording pulse rate or heart rate using photoplethysmograph signals, e.g. generated by infrared radiation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1123—Discriminating type of movement, e.g. walking or running
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4029—Detecting, measuring or recording for evaluating the nervous system for evaluating the peripheral nervous systems
- A61B5/4035—Evaluating the autonomic nervous system
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
- A61B2562/02—Details of sensors specially adapted for in-vivo measurements
- A61B2562/0219—Inertial sensors, e.g. accelerometers, gyroscopes, tilt switches
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Physiology (AREA)
- Neurology (AREA)
- Psychiatry (AREA)
- Artificial Intelligence (AREA)
- Cardiology (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Social Psychology (AREA)
- Neurosurgery (AREA)
- Developmental Disabilities (AREA)
- Educational Technology (AREA)
- Hospice & Palliative Care (AREA)
- Psychology (AREA)
- Fuzzy Systems (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Child & Adolescent Psychology (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
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。
[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。
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。
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。
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。
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。
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。
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。
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Estress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。
Estress=(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(w0)
=(w1x1+w2x2+w3x3)+(w4x4+w5x5+w6x6+w7x7+w8x8)−(w9x9)+(w0)・・・(1)
Estress=(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(w0)
=(w1x1+w2x2+w3x3)+(w4x4+w5x5+w6x6+w7x7+w8x8)−(w9x9)+(w0)・・・(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x1〜X3、係数をw1〜w3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x4〜x8、係数をw4〜w8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x9、係数をw9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。
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)。
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x1〜x3、及び当日の特徴量x4〜x9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x1〜x9及び定数w0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)。
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x1〜x3を算出し、当日のTP値、LF/HF値、ACC値、HF値から当日の特徴量x4〜x9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x1〜x9及び定数の値w0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Estressを算出したが、以下の式を用いてもよい。
Estress=(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(w0)
・・・(2)
上記実施の形態は、式(1)を用いてストレスの評価値Estressを算出したが、以下の式を用いてもよい。
Estress=(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(w0)
・・・(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(w1x1+w2x2+w3x3)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w1x1、w2x2、w3x3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Estressを算出したが、以下の式を用いてもよい。
Estress=(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(w0)
・・・(3)
上記実施の形態は、式(1)を用いてストレスの評価値Estressを算出したが、以下の式を用いてもよい。
Estress=(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(w0)
・・・(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Estressを算出したが、以下の式を用いてもよい。
Estress=(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(w0)
・・・(4)
上記実施の形態は、式(1)を用いてストレスの評価値Estressを算出したが、以下の式を用いてもよい。
Estress=(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(w0)
・・・(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。
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)
- 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。
- 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019233897A JP2021101846A (ja) | 2019-12-25 | 2019-12-25 | 情報処理装置及びプログラム |
US16/889,141 US20210196170A1 (en) | 2019-12-25 | 2020-06-01 | Information processing device and non-transitory computer readable medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019233897A JP2021101846A (ja) | 2019-12-25 | 2019-12-25 | 情報処理装置及びプログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2021101846A true JP2021101846A (ja) | 2021-07-15 |
Family
ID=76547041
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019233897A Pending JP2021101846A (ja) | 2019-12-25 | 2019-12-25 | 情報処理装置及びプログラム |
Country Status (2)
Country | Link |
---|---|
US (1) | US20210196170A1 (ja) |
JP (1) | JP2021101846A (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022265099A1 (ja) | 2021-06-18 | 2022-12-22 | 三菱ケミカル株式会社 | 自己組織化炭素繊維束及びその製造方法と、プリプレグ及びその製造方法 |
WO2022265100A1 (ja) | 2021-06-18 | 2022-12-22 | 三菱ケミカル株式会社 | 繊維集合体の製造方法及びプリプレグシートの製造方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108601566B (zh) * | 2016-11-17 | 2020-06-26 | 华为技术有限公司 | 一种精神压力评测方法和装置 |
US10980433B2 (en) * | 2017-07-21 | 2021-04-20 | Livmor, Inc. | Health monitoring and guidance |
CN110945541A (zh) * | 2017-07-28 | 2020-03-31 | 索尼公司 | 信息处理装置、信息处理方法和程序 |
US10966647B2 (en) * | 2018-01-23 | 2021-04-06 | Garmin Switzerland Gmbh | Drowsiness detection |
US20210068736A1 (en) * | 2018-02-02 | 2021-03-11 | Sony Corporation | Method and device for sensing physiological stress |
EP3594962A1 (en) * | 2018-07-11 | 2020-01-15 | Koninklijke Philips N.V. | Device, system and method for determining a stress level of a user |
-
2019
- 2019-12-25 JP JP2019233897A patent/JP2021101846A/ja active Pending
-
2020
- 2020-06-01 US US16/889,141 patent/US20210196170A1/en not_active Abandoned
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022265099A1 (ja) | 2021-06-18 | 2022-12-22 | 三菱ケミカル株式会社 | 自己組織化炭素繊維束及びその製造方法と、プリプレグ及びその製造方法 |
WO2022265100A1 (ja) | 2021-06-18 | 2022-12-22 | 三菱ケミカル株式会社 | 繊維集合体の製造方法及びプリプレグシートの製造方法 |
Also Published As
Publication number | Publication date |
---|---|
US20210196170A1 (en) | 2021-07-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104093353B (zh) | 信息处理装置以及代表波形生成方法 | |
US9089285B2 (en) | Energy expenditure computation based on accelerometer and heart rate monitor | |
JP6122884B2 (ja) | 作業覚醒度推定装置、方法およびプログラム | |
JP2021101846A (ja) | 情報処理装置及びプログラム | |
CN105210067A (zh) | 计算用户的与体育锻炼有关的生理状态 | |
US20170258410A1 (en) | Method and apparatus for prediction of epileptic seizures | |
JP2018011892A (ja) | ストレス耐性評価装置、ストレス耐性評価方法およびストレス耐性評価プログラム | |
EP3461403A1 (en) | A method and apparatus for assessing the mobility of a subject | |
US20150073720A1 (en) | Device and Method for Automatically Normalizing the Physiological Signals of a Living Being | |
CN110680351A (zh) | 心理压力测量方法及装置、存储介质及电子设备 | |
US20220406453A1 (en) | Fitness Fatigue Score Determination and Management Techniques | |
Altini et al. | Estimating running performance combining non-invasive physiological measurements and training patterns in free-living | |
Flutur et al. | Smart chair system for posture correction | |
JP2015520427A (ja) | 概日時間の差の生成 | |
KR101870630B1 (ko) | 생체/운동 신호 기반의 에너지 소모량 측정 방법 및 장치 | |
CN117045253A (zh) | 一种ai心理咨询方法和系统 | |
WO2020193393A1 (en) | Assessing muscle fatigue | |
JP2022049584A (ja) | 情報処理装置及びプログラム | |
US20150120377A1 (en) | Measuring efficacy of ergonomic interventions | |
JP2019195427A (ja) | ストレス状態評価装置、ストレス状態評価システム及びプログラム | |
Dharia et al. | PRO-Fit: Exercise with friends | |
JP6712909B2 (ja) | 認知能力変化予測装置およびプログラム | |
JP6791361B2 (ja) | 情報処理装置と方法とプログラム | |
JP2020016943A (ja) | 創造性評価装置、方法及びプログラム | |
Coenen et al. | The wearable living lab: how wearables could support living labs |