JP5046286B2 - ストレス評価装置、ストレス評価システムおよびストレス評価プログラム - Google Patents

Description

本発明は、ユーザの心拍に伴う波動である脈波についてカオス解析を行うことにより、ユーザの心身の状態を診断するストレス評価装置、ストレス評価システムおよびストレス評価プログラムに関する。

従来より、製品やシステム等に対するユーザの使い心地、例えば、使い易さや分かり易さ等を定量化して評価することが行われている。製品等に対するユーザの使い心地を定量化する方法としては、例えば、アンケート等による自己申告を解析する方法が知られている。しかしながら、アンケート等による自己申告では、質問内容や、ユーザの恣意的な感情や、製品使用後にアンケート等に回答することによる記憶の整理等が影響して正確な情報を獲得することが困難であるという問題があった。また、例えば、製品等の連続使用による慣れについて評価する場合、アンケート等による自己申告では、定量化するための正確な情報を獲得すること自体が困難であるという問題があった。

また、ユーザの使い心地を定量化する方法としては、製品等の使用時におけるユーザの生体情報、例えば、製品等の使用時におけるユーザの心理状態やストレス等を解析する方法が知られている。なお、ユーザの生体情報は、アンケート等による自己申告に比べ、リアルタイムにモニタリングでき、ユーザの感情や記憶等にも左右されないため、正確な情報を獲得し易いという特徴がある。
ユーザの生体情報を獲得する方法としては、例えば、Ｆｕｎｃｔｉｏｎａｌ ＭＲＩ（Magnetic Resonance Imaging）による脳神経活動の画像解析、ユーザの顔の温度を測定する方法、心拍数に伴う指尖の血液の容積変動である指尖容積脈波、いわゆる脈波を測定する方法等がある。特に、脈波を測定する方法は、例示した他の方法に比べて、大がかりな装置を使用しなくても実現でき、コストを低減できるため、生体の健康状態や心理状態を解析する方法として広く用いられている。

前記脈波を測定することにより、ユーザの心理状態やストレス等を解析する技術として、例えば、以下の従来技術（Ｊ01），（Ｊ02）が公知である。
（Ｊ01）特許文献１（特開２００４−２２３２５８号公報）記載の技術
特許文献１には、発光部の光源から人体の特定部位（指尖、耳たぶ等）に特定波長の光を照射した後、照射部位を透過した光の光量信号であるＰＰＧ（PhotoPlethysmoGraphy）信号のピーク間隔（Peak to Peak Interval）の変位に基づいて、被験者のストレス程度、すなわち、安定度を評価する安定度評価装置についての技術が記載されている。
（Ｊ02）非特許文献１記載の技術
非特許文献１には、脈波についてカオス解析を行うことにより、動脈硬化を正確に把握したり、ストレスや疲労など心身の状態を鋭敏にとらえたりする脈波カオス健康度評価システムについて記載されている。

（カオス解析について）
ここで、カオスとは、あるシステム（系）が所定の規則に従って変化することで、複雑で不規則かつ不安定に振る舞う事象をいう。また、カオス解析とは、自然界の事象からカオス性を抽出し、その変動を生み出す規則を解析するものである。前記カオス解析は、複雑な現象をシンプルな規則で表現できる場合も多いため、状態の把握や予測等に利用され、物理学、工学、経済学、社会学、生命科学等のさまざまな分野で応用されている。
ここで、初期状態が与えられればその後の状態が予測できるという決定論的な規則を有するシステム、例えば、力学系のシステムについては、その構造を、全ての状態変数を軸とする座標空間、いわゆる、状態空間（相空間）の関数として表現でき、その運動を、前記関数による前記状態空間上の軌道（トラジェクトリ）が描く幾何学的構造、いわゆる、アトラクタとして表現できる。よって、前記アトラクタを解析する等により、前記システムのカオス解析を行うことができる。

（アトラクタの構成について）
しかしながら、実際にカオス解析をする段階では、解析対象となるシステムの構造が不明な場合や、前記状態変数の個数が不明な場合もあるため、全ての状態変数により表現された前記アトラクタを構成することは困難である。よって、この場合、１個の状態変数から複数個の状態変数を復元するターケンスの埋め込み定理に基づいて、アトラクタが構成される。具体的には、まず、解析対象のシステムにおける時間経過による位置等の状態変化の情報、いわゆる、時系列データを測定する。次に、時間をｔ，τとし、時間ｔでサンプリングされた前記時系列データをｘ（ｔ）とした場合、前記時系列データｘ（ｔ）から時間τずつ遅れたタイミングで開始されるｎ組の時系列データを作製する。すなわち、ｎ組の時系列データｘ（ｔ），ｘ（ｔ−τ），ｘ（ｔ−２τ），…，ｘ（ｔ−（ｎ−１）τ）を作製する。そして、前記ｎ組の時系列データｘ（ｔ），ｘ（ｔ−τ），ｘ（ｔ−２τ），…，ｘ（ｔ−（ｎ−１）τ）を状態変数とするｎ次元状態空間に、各時系列データの値をプロットすることにより前記アトラクタが構成される。

すなわち、ｘ（ｔ），ｘ（ｔ−τ），ｘ（ｔ−２τ），…，ｘ（ｔ−（ｎ−１）τ）を各軸とするｎ次元状態空間について、ｔ＝０，１，２，…の場合のｘ（ｔ），ｘ（ｔ−τ），ｘ（ｔ−２τ），…，ｘ（ｔ−（ｎ−１）τ）の各値の集合を、それぞれ点Ｘ（０），Ｘ（１），Ｘ（２），…として描画する処理を繰り返す。まず、ｔ＝０の場合の点Ｘ（０）＝（ｘ（０），ｘ（０−τ），ｘ（０−２τ），…，ｘ（０−（ｎ−１）τ））を描画する。次に、ｔ＝１の場合の点Ｘ（１）＝（ｘ（１），ｘ（１−τ），ｘ（１−２τ），…，ｘ（１−（ｎ−１）τ））を描画し、描画された２点Ｘ（０），Ｘ（１）を結ぶ線を描画する。そして、ｔ＝２以降の場合についても同様の処理を繰り返す。このとき、前記各点Ｘ（０），Ｘ（１），Ｘ（２），…がデータベクトル、前記各点Ｘ（０），Ｘ（１），Ｘ（２），…を結んでいった線が軌道（トラジェクトリ）、前記軌道の幾何学的構造が構成されたアトラクタ、τが埋め込み遅れ時間、ｎが埋め込み次数としてそれぞれ定義されている。
なお、前記ターケンスの埋め込み定理については、例えば、特許文献２（特開２００２−７３５８７号公報）、非特許文献２等に記載されており、公知である。

（アトラクタの解析方法について）
さらに、前記ターケンスの埋め込み定理により構成されたアトラクタを解析する技術として、例えば、以下の従来技術（Ｊ03）が公知である。
（Ｊ03）特許文献３（特許第３７８５７０３号明細書）記載の技術
特許文献３には、対象となるシステムによって予め設定された次元（埋め込み次数ｎ）と遅れ（埋め込み遅れ時間τ）とに基づいて、前記システムで測定された時系列データをｎ次元状態空間に埋め込む処理、すなわち、アトラクタを構成する処理を実行する埋め込み処理部（２２）が記載されている。また、特許文献３では、埋め込まれた時系列データのデータベクトル（Ｘｉ）がランダムに選択されるデータベクトル選択部（２３）と、選択された前記データベクトル（Ｘｉ）近傍の空間内で前記データベクトル（Ｘｉ）とは異なる軌道上、すなわち、前記近傍空間内では異なる線分上に存在する近傍ベクトル（Ｘｊ）を検出する近傍ベクトル検出部（２４）とが記載されている。

また、特許文献３には、前記各データベクトル（Ｘｉ，Ｘｊ）を通過する各軌道の接線方向（Ｔｉ，Ｔｊ）を演算する接線方向演算部（２５）と、前記接線方向（Ｔｉ，Ｔｊ）の平行度を演算する（評価する）平行度評価部（２６）とが記載されている。なお、特許文献３では、前記平行度は、前記接線方向（Ｔｉ，Ｔｊ）が平行に近いほど０に近い値となる。また、特許文献３では、あるデータベクトルの平行度の評価がされた後、別のデータベクトルに対して平行度の評価を行う処理をＮ回繰り返している。そして、前記標本数分（Ｎ個分）の平行度の平均値を算出し、前記平均値に基づいて決定論的な規則を有するシステムであるか否かを判定する技術が記載されている。

（従来の脈波のカオス解析について）
なお、前記従来技術（Ｊ02）には、脈波におけるカオス解析について具体的に開示されていないが、前記従来技術（Ｊ03）と同様の技術、いわゆる、軌道平行測度法（ＴＰＭ：Trajectory Parallel Measure）が利用されていると考えられる。前記軌道平行測度法を利用した脈波のカオス解析については、例えば、以下の従来技術（Ｊ04）が公知である。
（Ｊ04）非特許文献３，４記載の技術
非特許文献３，４には、前記脈波の変曲点をより明確にするために、測定された前記脈波の２次微分波、いわゆる、加速度脈波を計測する技術が記載されている。また、非特許文献３，４には、前記加速度脈波を時系列データとしてアトラクタを構成し、前記アトラクタにおける前記データベクトルの平行度の平均値等を算出すると共に、従来公知のリカレンスプロット法（非特許文献３等参照）により、前記加速度脈波の定常性の評価値を算出し、前記平均値と、前記評価値とに基づいて、ユーザの健康状態（血流年齢、疾患等）を診断する技術が記載されている。

特開２００４−２２３２５８号公報（「０００１」〜「０００８」） 特開２００２−７３５８７号公報（「００２１」，「００２２」） 特許第３７８５７０３号明細書（「００１１」〜「００１５」、図１〜図７） "指先からストレス計測 大屋町の医師らが製品化"、「online」、２００３年３月８日、神戸新聞、「２００７年５月３０日検索」、インターネット＜ＵＲＬ：http://www.kobe-np.co.jp/kobenews/sougou/030308ke99580.html＞ "株式会社ＣＣＩ カオス複雑系事業部 アトラクタ構成"、「online」、２００５年、株式会社ＣＣＩ、「２００７年６月１４日検索」、インターネット＜ＵＲＬ：http://chaos.cci-web.co.jp/chaos/attractors.html＞ 馬庭芳朗、天田実志、他３名、「医療におけるカオスと複雑系」、日本知能情報ファジィ学会誌「知能と情報」、２００３年１２月、第１５巻、第６号、ｐ．６３５−６４２ 天田実志、馬庭芳朗、他３名、"Ｓａｌｕｓ ＡＰＧ −健康とカオスの新しいアイテム−"、「online」、２００３年１月、「２００７年５月３０日検索」、インターネット＜ＵＲＬ：http://www7.ocn.ne.jp/~maniwa/apg.pdf＞

（従来技術の問題点）
前記従来技術（Ｊ04）では、前記加速度脈波を時系列データとする前記アトラクタにおけるデータベクトルの平行度の平均値と、リカレンスプロット法における評価値とを算出し、血流年齢や疾患等の健康状態を診断している。しかしながら、前記従来技術（Ｊ04）では、同じ脈波で前記平均値を算出しても、選択されるデータベクトルの位置（座標位置）や数（標本数Ｎ）によって得られる値が大きく異なる場合があった。
例えば、ストレス状態でない健常者について、前記脈波を測定して複数の平行度を算出した場合、前記複数の平行度の平均値は限りなく０に近い値が算出されることが期待されている。しかし、算出された複数の平行度の中に極端に大きな値が存在する場合、前記平均値は一部の大きな値に影響され易いため、選択されるデータベクトルの位置（座標位置）や数（標本数Ｎ）によっては、０から大きく離れた値が算出される場合がある。この結果、同じ脈波であっても算出される平均値に大きなバラツキが発生する可能性があった。
したがって、前記従来技術（Ｊ04）では、前記軌道平行測度法により算出された前記平均値に基づいて、ユーザにおける疾患等の健康状態やストレス等の心理状態を精度良く診断することができないという問題があった。

また、平常時のアトラクタは隣り合う軌跡の間隔が小さく、ストレス時のアトラクタは隣り合う軌跡の間隔が大きいという特徴を有する。しかし、前記従来技術（Ｊ04）によるリカレンスプロット法における数値化の方法では、この特徴に対する数値化を示していないという問題があった。
したがって、前記従来技術（Ｊ04）では、前記軌道平行測度法により算出された前記平均値と前記リカレンスプロット法により算出された前記評価値に基づいて、ユーザにおける疾患等の健康状態やストレス等の心理状態を精度良く診断することができないという問題があった。

本発明は、前述の事情に鑑み、次の記載内容（Ｏ01）を技術的課題とする。
（Ｏ01）ユーザの心身の状態を精度良く診断すること。

前記技術的課題を解決するために、請求項１記載の発明のストレス評価装置は、
ユーザの心拍に伴う波動である脈波を測定する脈波測定手段と、
前記脈波に基づいて、予め設定された遅れ時間および次数に基づいて構成される状態空間の関数を演算することにより、前記状態空間上に描かれた前記関数の軌道の幾何学的構造であるアトラクタを構成するアトラクタ構成手段と、
前記軌道上の点であるデータベクトルについて、複数の前記データベクトルのうちの１つの選択ベクトルを選択するデータベクトル選択手段と、
前記状態空間の部分空間である前記選択ベクトルの近傍空間内において、前記選択ベクトルの近傍の点であり且つ前記選択ベクトルとは異なる軌道上の点である近傍ベクトルを検出する近傍ベクトル検出手段と、
前記選択ベクトルを通過する軌道の接線のベクトルと、前記近傍ベクトルを通過する軌道の接線のベクトルとを演算する接線ベクトル演算手段と、
前記各接線のベクトルどうしの平行度を演算する平行度演算手段と、
前記選択ベクトルと、前記近傍ベクトルとの差分ベクトルの長さである距離を演算する距離演算手段と、
複数の前記選択ベクトルにおいて演算された複数の前記平行度と、複数の前記距離とに基づいて、ストレスを評価するためのストレス評価値を演算するストレス評価値演算手段と、
前記ストレス評価値と、予め記憶された基準となるストレス評価値である基準ストレス評価値とを比較することにより、ユーザの心身の状態を診断する診断手段と、
を備えたことを特徴とする。

請求項２に記載の発明は、請求項１に記載の前記ストレス評価装置において、
前記脈波の２次微分波である加速度脈波を演算する加速度脈波演算手段と、
前記加速度脈波に基づいて、前記状態空間の関数を演算することにより、前記アトラクタを構成する前記アトラクタ構成手段と、
を備えたことを特徴とする。

請求項３に記載の発明は、請求項１または請求項２に記載の前記ストレス評価装置において、
前記複数の選択ベクトルに対応する前記複数の平行度から、予め設定された閾値よりも平行に近い平行度の累積度数を計数し、計数された前記平行度の累積度数が、前記複数の平行度の総数に占める割合である平行度累積度数率を演算する平行度累積度数率演算手段と、
前記アトラクタのサイズとして構成された全ての前記データベクトル間の差分ベクトルの長さのうちの最長の長さである最長距離に対する、前記複数の選択ベクトルに対応する前記複数の距離の平均値の割合である距離率を演算する距離率演算手段と、
前記平行度累積度数率と前記距離率とに基づいて、前記ストレス評価値を演算する前記ストレス評価値演算手段と、
を備えたことを特徴とする。

前記技術的課題を解決するために、請求項４記載の発明のストレス評価システムは、
ユーザの心拍に伴う波動である脈波を測定する脈波測定手段と、
前記脈波に基づいて、予め設定された遅れ時間および次数に基づいて構成される状態空間の関数を演算することにより、前記状態空間上に描かれた前記関数の軌道の幾何学的構造であるアトラクタを構成するアトラクタ構成手段と、
前記軌道上の点であるデータベクトルについて、複数の前記データベクトルのうちの１つの選択ベクトルを選択するデータベクトル選択手段と、
前記状態空間の部分空間である前記選択ベクトルの近傍空間内において、前記選択ベクトルの近傍の点であり且つ前記選択ベクトルとは異なる軌道上の点である近傍ベクトルを検出する近傍ベクトル検出手段と、
前記選択ベクトルを通過する軌道の接線のベクトルと、前記近傍ベクトルを通過する軌道の接線のベクトルとを演算する接線ベクトル演算手段と、
前記各接線のベクトルどうしの平行度を演算する平行度演算手段と、
前記選択ベクトルと、前記近傍ベクトルとの差分ベクトルの長さである距離を演算する距離演算手段と、
複数の前記選択ベクトルにおいて演算された複数の前記平行度と、複数の前記距離とに基づいて、ストレスを評価するためのストレス評価値を演算するストレス評価値演算手段と、
前記ストレス評価値と、予め記憶された基準となるストレス評価値である基準ストレス評価値とを比較することにより、ユーザの心身の状態を診断する診断手段と、
を備えたことを特徴とする。

前記技術的課題を解決するために、請求項５記載の発明のストレス評価プログラムは、
コンピュータを、
ユーザの心拍に伴う波動である脈波を測定する脈波測定手段、
前記脈波に基づいて、予め設定された遅れ時間および次数に基づいて構成される状態空間の関数を演算することにより、前記状態空間上に描かれた前記関数の軌道の幾何学的構造であるアトラクタを構成するアトラクタ構成手段、
前記軌道上の点であるデータベクトルについて、複数の前記データベクトルのうちの１つの選択ベクトルを選択するデータベクトル選択手段、
前記状態空間の部分空間である前記選択ベクトル近傍の近傍空間内において、前記選択ベクトルの近傍の点であり且つ前記選択ベクトルとは異なる軌道上の点である近傍ベクトルを検出する近傍ベクトル検出手段、
前記選択ベクトルを通過する軌道の接線のベクトルと、前記近傍ベクトルを通過する軌道の接線のベクトルとを演算する接線ベクトル演算手段、
前記各接線のベクトルどうしの平行度を演算する平行度演算手段、
前記選択ベクトルと、前記近傍ベクトルとの差分ベクトルの長さである距離を演算する距離演算手段、
複数の前記選択ベクトルにおいて演算された複数の前記平行度と、複数の前記距離とに基づいて、ストレスを評価するためのストレス評価値を演算するストレス評価値演算手段、
前記ストレス評価値と、予め記憶された基準となるストレス評価値である基準ストレス評価値とを比較することにより、ユーザの心身の状態を診断する診断手段、
として機能させる。

請求項１に記載の発明によれば、前記複数の平行度と前記複数の距離とに基づいて演算された前記ストレス評価値と、前記基準ストレス評価値とが比較されることにより、ユーザの心身の状態が診断されるため、複数の平行度の中に極端に大きな値が存在する場合でも、その一部の大きな値に影響されることなく診断できる。この結果、一部の大きな値に影響され易い平均値に基づいて診断される従来の場合に比べ、ユーザの心身の状態を精度良く診断することができる。
請求項２の記載の発明によれば、前記脈波に比べて、ユーザの心身の状態に応じて変化し易い前記加速度脈波に基づいて前記アトラクタを構成することができるため、ユーザの心身の状態を精度良く診断することができる。
請求項３の記載の発明によれば、前記平行度累積度数率と前記距離率とに基づいて演算された前記ストレス評価値によって、ユーザの心身の状態を診断することができ、本発明の構成を有していない場合に比べ、ユーザの心身の状態を精度良く診断することができる。

請求項４の記載の発明によれば、前記複数の平行度と前記複数の距離とに基づいて演算された前記ストレス評価値と、前記基準ストレス評価値とが比較されることにより、ユーザの心身の状態が診断されるため、複数の平行度の中に極端に大きな値が存在する場合でも、その一部の大きな値に影響されることなく診断できる。この結果、一部の大きな値に影響され易い平均値に基づいて診断される従来の場合に比べ、ユーザの心身の状態を精度良く診断することができる。
請求項５の記載の発明によれば、前記複数の平行度と前記複数の距離とに基づいて演算された前記ストレス評価値と、前記基準ストレス評価値とが比較されることにより、ユーザの心身の状態が診断されるため、複数の平行度の中に極端に大きな値が存在する場合でも、その一部の大きな値に影響されることなく診断できる。この結果、一部の大きな値に影響され易い平均値に基づいて診断される従来の場合に比べ、ユーザの心身の状態を精度良く診断することができる。

次に図面を参照しながら、本発明の実施の形態の具体例（実施例）を説明するが、本発明は以下の実施例に限定されるものではない。

図１は本発明の実施例１のストレス評価装置の全体説明図である。
図１において、実施例１のストレス評価装置Ｕは、ユーザの脈波、例えば、指尖の血管の容積変化である指尖容積脈波を測定するための脈波センサＳＮ１と、前記脈波センサＳＮ１に接続されたユーザが操作可能な端末としてのクライアントパソコン（パーソナルコンピュータ）ＰＣとを有する。
前記クライアントパソコンＰＣは、コンピュータ装置により構成されており、コンピュータ本体Ｈ１と、ディスプレイＨ２と、キーボードＨ３やマウスＨ４等の入力装置、図示しないＨＤドライブ（ハードディスクドライブ）、ＣＤドライブ（コンパクトディスクドライブ）等により構成されている。
なお、実施例１の前記脈波センサＳＮ１は、指尖容積脈波を測定する従来公知の光電子式の脈波計（例えば、特許文献１参照）によって構成されているが、これに限定されず、例えば、血管内の圧力変化である圧脈波を測定する従来公知の圧電式の脈波計（例えば、特開２００４−３２１２５４号公報等参照）により構成することも可能である。

（実施例１のクライアントパソコンＰＣの制御部の説明）
図２は本発明の実施例１のクライアントパソコンの制御部が備えている各機能をブロック図（機能ブロック図）で示した図である。
図２において、クライアントパソコンＰＣのコンピュータ本体Ｈ１は、外部との信号の入出力および入出力信号レベルの調節等を行うＩ／Ｏ（入出力インターフェース）、必要な処理を行うためのプログラムおよびデータ等が記憶されたＲＯＭ（リードオンリーメモリ）、必要なデータを一時的に記憶するためのＲＡＭ（ランダムアクセスメモリ）、ハードディスクやＲＯＭ等に記憶されたプログラムに応じた処理を行うＣＰＵ（中央演算処理装置）、ならびにクロック発振器等を有している。
前記構成のクライアントパソコンＰＣは、前記ハードディスクやＲＯＭ等に記憶されたプログラムを実行することにより種々の機能を実現することができる。

前記クライアントパソコンＰＣの前記ハードディスクドライブには、クライアントパソコンの基本動作を制御する基本ソフト（オペレーティングシステム）ＯＳや、アプリケーションプログラムとしてのストレス評価プログラムＡＰ１、その他の図示しないソフトウェア（文書作成ソフトウェアや製図ソフトウェア等）が記憶されている。

（ストレス評価プログラムＡＰ１）
ストレス評価プログラムＡＰ１は、下記の機能手段（プログラムモジュール）を有する。
図３は実施例１のストレス診断プログラムが表示する解析条件パラメタ入力画像の説明図である。
Ｃ１：カオス解析条件入力画像表示手段
カオス解析条件入力画像表示手段Ｃ１は、脈波についてカオス解析を行うための条件であるカオス解析条件をユーザが入力するためのカオス解析条件入力画像１を前記ディスプレイＨ２に表示する。
図３において、実施例１の前記カオス解析条件入力画像１は、脈波を測定する時間である脈波測定時間ｔを入力するための脈波測定時間入力欄２と、埋め込み遅れ時間τを入力するための埋め込み遅れ時間入力欄３と、埋め込み次数ｎを入力するための埋め込み次数入力欄４と、標本数Ｎを入力するための標本数入力欄６とを有する。また、前記カオス解析条件入力画像１は、入力したカオス解析条件ｔ，τ，ｎ，Ｎに基づいて、脈波についてのカオス解析を行うことにより、疾患等の健康状態やストレス等の心理状態を診断するストレス診断処理を開始するための診断開始画像７（「診断開始」アイコン参照）を有する。
実施例１では、前記ストレス評価プログラムＡＰ１の起動時に前記カオス解析条件入力画像１を表示する。

Ｃ２：カオス解析条件記憶手段
カオス解析条件記憶手段Ｃ２は、カオス解析条件ｔ，τ，ｎ，Ｎを記憶する。実施例１のカオス解析条件記憶手段Ｃ２は、前記カオス解析条件入力画像１の前記脈波測定時間入力欄２に入力された前記脈波測定時間ｔと、前記埋め込み遅れ時間入力欄３に入力された前記埋め込み遅れ時間τと、前記埋め込み次数入力欄４に入力された前記埋め込み次数ｎと、前記標本数入力欄６に入力された前記標本数Ｎとを記憶する。

図４は本発明の実施例１のストレス評価装置で計測される脈波の拡大説明図であり、図４Ａは脈波の説明図、図４Ｂは速度脈波の説明図、図４Ｃは加速度脈波の説明図である。
Ｃ３：脈波測定制御手段
脈波測定制御手段Ｃ３は、前記脈波測定時間ｔを計時するタイマＴＭを有し、前記脈波センサＳＮ１から出力される脈波Ｗ０（図４Ａ参照）の測定を制御する。実施例１の前記脈波測定制御手段Ｃ３は、前記脈波センサＳＮ１から出力される信号を所定の時間間隔でサンプリングすることにより前記脈波Ｗ０を測定する。また、前記脈波測定制御手段Ｃ３は、前記カオス解析条件入力画像１の各入力欄２〜６に適切なカオス解析条件が入力されて診断開始画像７が選択された場合、前記脈波Ｗ０の測定を開始し、前記タイマＴＭが前記脈波測定時間ｔを計時した場合、前記脈波Ｗ０の測定を終了するよう制御する。

Ｃ４：加速度脈波演算手段
加速度脈波演算手段Ｃ４は、測定された前記脈波Ｗ０の２次微分波である加速度脈波Ｗ２（図４Ｃ参照）を演算する。実施例１の前記加速度脈波演算手段Ｃ４は、まず、測定された前記脈波Ｗ０から、脈波Ｗ０の微分波である速度脈波Ｗ１（図４Ｂ参照）を演算し、演算された前記速度脈波Ｗ１から、速度脈波Ｗ１の微分波である前記加速度脈波Ｗ２を演算する。

図５は図４Ｃの加速度脈波により構成されたアトラクタの説明図であり、図５Ａはアトラクタの全体説明図、図５Ｂは図５Ａのアトラクタから選択されたデータベクトルとその近傍ベクトルの拡大説明図である。
Ｃ５：アトラクタ構成手段
アトラクタ構成手段Ｃ５は、前記カオス解析条件記憶手段Ｃ２に記憶された前記埋め込み遅れ時間τおよび前記埋め込み次数ｎに基づいて、前記加速度脈波Ｗ２を時系列データとするアトラクタＡ（図５Ａ参照）を構成する。
Ｃ６：ストレス評価値演算手段
ストレス評価値演算手段Ｃ６は、データベクトル選択手段Ｃ６Ａと、近傍ベクトル検出手段Ｃ６Ｂと、接線ベクトル演算手段Ｃ６Ｃと、ベクトル選択数計数手段Ｃ６Ｄと、平行度累積度数率演算手段Ｃ６Ｅと、近傍空間距離平均率演算手段Ｃ６Ｆとを有し、前記アトラクタＡに基づいて、ストレスの評価値であるストレス評価値（Ｅ_ｆ）を演算する。

Ｃ６Ａ：データベクトル選択手段
データベクトル選択手段Ｃ６Ａは、前記アトラクタＡから任意のデータベクトル（選択ベクトル）Ｘ_ｉ（図５Ａ、図５Ｂ参照）を選択する。
Ｃ６Ｂ：近傍ベクトル検出手段
近傍ベクトル検出手段Ｃ６Ｂは、選択されたデータベクトルＸ_ｉの近傍空間Ｋ（図５Ｂの１点破線参照）内において、前記データベクトルＸ_ｉの軌道Ｒ_ｉとは異なる軌道（Ｒ_ｊ，Ｒ_ｋ）上で、前記データベクトルＸ_ｉの近傍にある近傍ベクトルＸ_ｊ，Ｘ_ｋ（図５Ｂ参照）を検出する。すなわち、加速度脈波Ｗ２を時系列データとするｎ次元状態空間における点Ｘ_ｉの近傍の点Ｘ_ｊ，Ｘ_ｋを検出する。
Ｃ６Ｃ：接線ベクトル演算手段
接線ベクトル演算手段Ｃ６Ｃは、前記各データベクトルＸ_ｉ，Ｘ_ｊ，Ｘ_ｋを通過する各軌道Ｒ_ｉ，Ｒ_ｊ，Ｒ_ｋの接線ベクトルＴ_ｉ，Ｔ_ｊ，Ｔ_ｋ（図５Ｂ参照）を演算する。なお、実施例１の前記接線ベクトル演算手段Ｃ６Ｃでは、前記接線ベクトルＴ_ｉ，Ｔ_ｊ，Ｔ_ｋが、長さ１の単位ベクトルとして演算される。

Ｃ６Ｄ：ベクトル選択数計数手段
ベクトル選択数計数手段Ｃ６Ｄは、前記データベクトルＸ_ｉを演算した回数であるベクトル選択数ｉ（ｉ＝１，２，…，Ｎ）を計数する。
Ｃ６Ｅ：平行度累積度数率演算手段
平行度累積度数率演算手段Ｃ６Ｅは、平行度演算手段Ｃ６E1を有し、前記アトラクタＡにおける前記標本数Ｎ個の全てのデータベクトルＸ_ｉ（ｉ＝１，２，…，Ｎ）について、平行度ｔｐｍ_ｉ（ｉ＝１，２，…，Ｎ）をそれぞれ演算し、予め設定された平行度の閾値（ｆ）より小さい値の前記平行度ｔｐｍ_ｉの累積度数が前記標本数Ｎに対して占める割合である平行度累積度数率ｈ_ｆを演算する平行度累積度数率演算処理を実行する。なお、実施例１の前記平行度ｔｐｍ_ｉは、前記データベクトルＸ_ｉの接線ベクトルＴ_ｉと、前記各近傍ベクトル（Ｘ_ｊ，Ｘ_ｋ）の各接線ベクトル（Ｔ_ｊ，Ｔ_ｋ）との各平行度の平均であり、以下の数１の式（１）により示される。

…（１）

なお、Ｃ_ｉ，ｊは選択されたデータベクトルＸ_ｉの近傍ベクトル（Ｘ_ｊ，Ｘ_ｋ）の番号（ｊ，ｋ）であり、ｍは前記近傍ベクトル（Ｘ_ｊ，Ｘ_ｋ）の個数である。よって、例えば、図５Ｂで示す近傍空間Ｋの場合には、Ｃ_ｉ，ｊ＝ｊ，ｋで示され、ｍ＝２で示される。
また、実施例１の前記平行度累積度数率ｈ_ｆは、以下の式（２）により示される。
ｈ_ｆ＝｛ｃｏｕｎｔ（ｔｐｍ_ｉ＜ｆ｜ｉ：１〜Ｎ）｝／Ｎ …（２）

なお、ｆは予め設定された平行度の閾値であり、ｃｏｕｎｔ（ｔｐｍ_ｉ＜ｆ｜ｉ：１〜Ｎ）は、ｔｐｍ_ｉ＜ｆを満たすｔｐｍ_ｉ（ｉ＝１，２，…，Ｎ）の個数（累積度数）である（ｃｏｕｎｔ（ｔｐｍ_ｉ＜ｆ｜ｉ：１〜Ｎ）＝１〜Ｎ）。なお、実施例１の前記閾値ｆは０．０１に予め設定されている（ｆ＝０．０１）。
すなわち、実施例１の前記平行度累積度数率演算手段Ｃ６Ｅは、前記式（１），（２）に基づいて、前記平行度累積度数率ｈ_ｆを演算する前記平行度累積度数率演算処理を実行する。
Ｃ６E1：平行度演算手段
平行度演算手段Ｃ６E1は、前記式（１）に基づいて、選択された前記データベクトルＸ_ｉの前記平行度ｔｐｍ_ｉを演算する（ｉ＝１，２，…，Ｎ）。なお、実施例１の前記平行度ｔｐｍ_ｉは、前記接線ベクトルＴ_ｉ，Ｔ_ｊが、同方向で平行に近い程０に近い値（ｔｐｍ_ｉ≒０）となり、直交に近い程０．５に近い値となり（ｔｐｍ_ｉ≒０．５）、逆方向で平行に近い程１に近い値（ｔｐｍ_ｉ≒１）となるように予め設定されている（式（１）参照）。

Ｃ６Ｆ：近傍空間距離率演算手段（距離率演算手段）
近傍空間距離率演算手段Ｃ６Ｆは、近傍空間距離演算手段Ｃ６F1を有し、前記アトラクタＡにおける前記標本数Ｎ個の全てのデータベクトルＸ_ｉ（ｉ＝１，２，…，Ｎ）について、前記データベクトルＸ_ｉとその近傍ベクトル（Ｘ_ｊ，Ｘ_ｋ）との差分ベクトル（Ｘ_ｊ−Ｘ_ｉ，Ｘ_ｋ−Ｘ_ｉ）の長さである距離（｜Ｘ_ｊ−Ｘ_ｉ｜，｜Ｘ_ｋ−Ｘ_ｉ｜）の平均距離ｄ_ｉ（ｉ＝１，２，…，Ｎ）をそれぞれ演算し、図５Ａに示す前記アトラクタＡのサイズとしての全データベクトル（Ｘ_ｉ）間の最長距離Ｄ_ｍａｘに対する、全平均距離ｄ_ｉ（ｉ＝１，２，…，Ｎ）の平均値の割合である近傍空間距離率ｄ^ｒを演算する近傍空間距離率演算処理を実行する。なお、実施例１の前記平均距離ｄ_ｉは、以下の数２の式（３）により示される。

…（３）

また、実施例１の前記近傍空間距離率ｄ^ｒは、以下の数３の式（４）により示される。

…（４）

なお、実施例１の前記最長距離Ｄ_ｍａｘは、全データベクトル（Ｘ_ｉ）間の各距離をＤ_ｉ，ｊとし、前記各距離Ｄ_ｉ，ｊの最大値をｍａｘ（Ｄ_ｉ，ｊ）とした場合、Ｄ_ｍａｘ＝ｍａｘ（Ｄ_ｉ，ｊ）で示される。
すなわち、実施例１の前記近傍空間平均距離率演算手段Ｃ６Ｆは、式（３），（４）に基づいて、前記近傍空間距離率ｄ^ｒを演算する前記近傍空間距離率演算処理を実行する。
Ｃ６F1：近傍空間距離演算手段（距離演算手段）
近傍空間距離演算手段Ｃ６F1は、前記式（３）に基づいて、選択された前記データベクトルＸ_ｉと、その近傍ベクトル（Ｘ_ｊ，Ｘ_ｋ）との平均距離ｄ_ｉ（ｉ＝１，２，…，Ｎ）を演算する（ｉ＝１，２，…，Ｎ）。

なお、実施例１の前記ストレス評価値制御手段Ｃ６では、前記ストレス評価値をＥ_ｆとした場合、前記ストレス評価値Ｅ_ｆは、前記平行度累積度数率ｈ_ｆと、前記近傍空間距離率ｄ^ｒとを用いた以下の式（５）によって示される。
Ｅ_ｆ＝ｄ^ｒ／ｈ_ｆ …（５）
したがって、実施例１の前記ストレス評価値制御手段Ｃ６は、前記式（１）〜（５）に基づいて、前記ストレス評価値Ｅ_ｆを演算する。
Ｃ７：ストレス評価値記憶手段
ストレス評価値記憶手段Ｃ７は、前記ストレス評価値制御手段Ｃ６で演算された前記ストレス評価値Ｅ_ｆを記憶する。

Ｃ８：ストレス診断手段（診断手段）
ストレス診断手段Ｃ８は、診断用サンプル記憶手段Ｃ８Ａと、診断結果表示手段Ｃ８Ｂとを有し、前記ストレス評価値記憶手段Ｃ７に記憶された前記ストレス評価値Ｅ_ｆと、予め記憶された評価用のストレス評価値である診断用サンプルとを比較し、最も近い値の診断用サンプルを検出することにより、ユーザの健康状態・心理状態を診断する。
Ｃ８Ａ：診断用サンプル記憶手段
診断用サンプル記憶手段Ｃ８Ａは、予め測定され、疾患（動脈硬化、脱水症状など）等の健康状態やストレスの有無等の心理状態の組み合わせで分類された複数の前記診断用サンプルを記憶する。
Ｃ９Ｂ：診断結果表示手段
診断結果表示手段Ｃ９Ｂは、前記ストレス評価値記憶手段Ｃ７に記憶された前記ストレス評価値Ｅ_ｆと、前記診断用サンプル記憶手段Ｃ８Ａに記憶された複数の前記診断用サンプルのうち前記ストレス評価値Ｅ_ｆに最も近い値の診断用サンプルと、その分類（健康状態や心理状態の組み合わせ）とを表示することにより、前記ストレス診断処理の診断結果を表示する。

（実施例１のフローチャートの説明）
次に、実施例１のクライアントパソコンＰＣのストレス評価プログラムＡＰ１の処理の流れをフローチャートを使用して説明する。
（実施例１のストレス診断処理のフローチャートの説明）
図６は本発明の実施例１のストレス診断プログラムのストレス診断処理のフローチャートである。
図６のフローチャートの各ＳＴ（ステップ）の処理は、前記クライアントパソコンＰＣのＲＯＭ等に記憶されたプログラムに従って行われる。また、この処理は前記クライアントパソコンＰＣの他の各種処理と並行してマルチタスクで実行される。

図６に示すフローチャートは前記ストレス評価プログラムＡＰ１の起動により開始される。
図６のＳＴ１において、次の（１）〜（３）の処理を実行し、ＳＴ２に移る。
（１）カオス解析条件ｔ，τ，ｎ，Ｎをそれぞれ０にセットする（ｔ＝τ＝ｎ＝Ｎ＝０）。
（２）ストレス評価値Ｅ_ｆ、平行度累積度数率ｈ_ｆ、近傍空間距離率ｄ^ｒをそれぞれ０にセットする（Ｅ_ｆ＝ｈ_ｆ＝ｄ^ｒ＝０）。
（３）ベクトル選択数ｉを１にセットする（ｉ＝１）。
ＳＴ２において、カオス解析条件入力画像１（図３参照）を表示する。そして、ＳＴ３に移る。
ＳＴ３において、前記カオス解析条件入力画像１の各入力欄２〜６に適切なカオス解析条件ｔ，τ，ｎ，Ｎが入力されて診断開始画像７が選択されたか否かを判別することにより、疾患等の健康状態やストレス等の心理状態を診断するストレス診断処理を開始するか否かを判別する。イエス（Ｙ）の場合はＳＴ４に移り、ノー（Ｎ）の場合はＳＴ３を繰り返す。

ＳＴ４において、次の（１），（２）の処理を実行し、ＳＴ５に移る。
（１）各入力欄２〜６に入力された値でカオス解析条件ｔ，τ，ｎ，Ｎをそれぞれセットする。
（２）タイマＴＭの計時を開始する。
ＳＴ５において、脈波センサＳＮ１により脈波Ｗ０を測定する。そして、ＳＴ６に移る。
ＳＴ６において、タイマＴＭが脈波測定時間ｔを計時したか否かを判別する。イエス（Ｙ）の場合はＳＴ７に移り、ノー（Ｎ）の場合はＳＴ５に戻る。
ＳＴ７において、測定された前記脈波Ｗ０から、脈波Ｗ０の微分波である速度脈波Ｗ１（図４Ｂ参照）を演算し、演算された前記速度脈波Ｗ１から、速度脈波Ｗ１の微分波である前記加速度脈波Ｗ２を演算する。そして、ＳＴ８に移る。

ＳＴ８において、前記カオス解析条件記憶手段Ｃ２に記憶された前記埋め込み遅れ時間τおよび前記埋め込み次数ｎに基づいて、前記加速度脈波Ｗ２を時系列データとするアトラクタＡ（図５Ａ参照）を構成する。そして、ＳＴ９に移る。
ＳＴ９において、前記アトラクタＡから任意のデータベクトルＸ_ｉ（図５Ｂ参照）を選択する。そして、ＳＴ１０に移る。
ＳＴ１０において、選択されたデータベクトルＸ_ｉの近傍空間Ｋ（図５Ｂの１点破線参照）内において、前記データベクトルＸ_ｉの軌道Ｒ_ｉとは異なる軌道Ｒ_ｊ，Ｒ_ｋ上で、前記データベクトルＸ_ｉの近傍にある近傍ベクトルＸ_ｊ，Ｘ_ｋ（図５Ｂ参照）を検出する。そして、ＳＴ１１に移る。
ＳＴ１１において、前記各データベクトルＸ_ｉ，Ｘ_ｊ，Ｘ_ｋを通過する各軌道Ｒ_ｉ，Ｒ_ｊ，Ｒ_ｋの接線ベクトルＴ_ｉ，Ｔ_ｊ，Ｔ_ｋ（図５Ｂ参照）を演算する。そして、ＳＴ１２に移る。

ＳＴ１２において、式（１）に基づいて、選択されたデータベクトルＸｉ（ｉ＝１，２，…，Ｎ）の平行度ｔｐｍ_ｉ（０から０．５までの値）を演算して一時記憶する。そして、ＳＴ１３に移る。
ＳＴ１３において、式（３）に基づいて、選択されたデータベクトルＸ_ｉ（ｉ＝１，２，…，Ｎ）とその近傍ベクトル（Ｘ_ｊ，Ｘ_ｋ）との平均距離ｄ_ｉを演算して一時記憶する。そして、ＳＴ１４に移る。
ＳＴ１４において、ベクトル選択数ｉが標本数Ｎまで計数されたか否かを判別する。ノー（Ｎ）の場合はＳＴ１５に移り、イエス（Ｙ）の場合はＳＴ１６に移る。
ＳＴ１５において、ベクトル選択数ｉに＋１を加算する（ｉ＝ｉ＋１）。そして、ＳＴ９に戻る。

ＳＴ１６において、式（２）に基づいて、平行度累積度数率ｈ_ｆを演算して一時記憶する。そして、ＳＴ１７に移る。
ＳＴ１７において、式（４）に基づいて、近傍空間距離率ｄ^ｒを演算して一時記憶する。そして、ＳＴ１８に移る。
ＳＴ１８において、式（５）に基づいて、ストレス評価値Ｅ_ｆを演算して記憶する。そして、ＳＴ１９に移る。
ＳＴ１９において、記憶されたストレス評価値Ｅ_ｆと、予め記憶された複数の診断用サンプルとを比較して、最も近い値の診断用サンプルを検出する。そして、ＳＴ２０に移る。
ＳＴ２０において、記憶されたストレス評価値Ｅ_ｆと、検出された診断用サンプルと、その分類（健康状態や心理状態の組み合わせ）とを表示することにより、診断結果を表示する。そして、ＳＴ１に戻る。

（実施例１の作用）
前記構成を備えた実施例１のストレス評価装置Ｕでは、前記脈波センサＳＮ１により出力された前記脈波Ｗ０（図４Ａ参照）の２次微分波である加速度脈波Ｗ２（図４Ｃ参照）が演算され、前記加速度脈波Ｗ２を時系列データとするアトラクタＡ（図５Ａ参照）が構成される（図６のＳＴ１〜ＳＴ８参照）。また、前記アトラクタＡからデータベクトルＸ_ｉ（ｉ＝１，２，…，Ｎ）（図５Ｂ参照）が選択され、選択されたデータベクトルＸ_ｉの近傍の近傍ベクトルＸ_ｊ，Ｘ_ｋ（図５Ｂ参照）が検出される（図６のＳＴ９、ＳＴ１０参照）。また、前記各データベクトルＸ_ｉ，Ｘ_ｊ，Ｘ_ｋから前記接線ベクトルＴ_ｉ，Ｔ_ｊ，Ｔ_ｋ（図５Ｂ参照）が演算され、演算された前記接線ベクトルＴ_ｉ，Ｔ_ｊ，Ｔ_ｋに基づく前記データベクトルＸ_ｉの平行度ｔｐｍ_ｉが演算される（図６のＳＴ１１、式（１）参照）。そして、あるデータベクトルＸ_ｉの平行度ｔｐｍ_ｉが演算された後、別のデータベクトルＸ_ｉ＋１に対しても同様に平行度ｔｐｍ_ｉ＋１が演算される処理がＮ回繰り返される。すなわち、標本数Ｎ個の全てのデータベクトルＸ_ｉに対して前記平行度ｔｐｍ_ｉ（ｉ＝１，２，…，Ｎ）が演算される（図６のＳＴ９〜ＳＴ１２，ＳＴ１４，ＳＴ１５参照）。

また、実施例１のストレス評価装置Ｕでは、前記平行度ｔｐｍ_ｉ（ｉ＝１，２，…，Ｎ）に基づいて、前記平行度累積度数率ｈ_ｆが演算される（図６のＳＴ１６、式（２）参照）。さらに、前記データベクトルＸ_ｉの近傍空間Ｋ（図５Ｂ参照）において、前記データベクトルＸ_ｉ（ｉ＝１，２，…，Ｎ）とその近傍ベクトル（Ｘ_ｊ，Ｘ_ｋ）との平均距離ｄ_ｉを演算し（図６のＳＴ１３、式（３）参照）、全てのデータベクトルＸ_ｉの平均距離ｄ_ｉに基づいて、前記アトラクタＡのサイズとして前記最長距離Ｄ_ｍａｘで正規化された前記近傍空間距離率ｄ^ｒが演算される（図６のＳＴ１７、式（４）参照）。そして、前記平行度累積度数率ｈ_ｆと、前記近傍空間距離率ｄ^ｒとに基づいて、前記ストレス評価値Ｅ_ｆが演算される（図６のＳＴ１８、式（５）参照）。
したがって、実施例１のストレス評価装置Ｕでは、前記ストレス評価値Ｅ_ｆと、予め記憶された複数の評価用サンプルとが比較され、最も近い値の評価用サンプルが検出されることにより、ユーザの健康状態や心理状態を診断することができる（図６のＳＴ１９、ＳＴ２０参照）。

（実験例）
ここで、実施例１の前記ストレス評価装置Ｕが、前記ストレス評価値Ｅ_ｆに基づいてユーザの健康状態や心理状態を診断することにより、ストレス診断処理の精度が向上するか否かを調べるために、次の実験例１を準備した。

図７は実験例１で演算された１０名の被験者の平常状態の加速度脈波の一覧であり、横軸に時間（Ｔｉｍｅ）をとり縦軸に値（Ｖａｌｕｅ）をとったグラフの一覧である。
図８は実験例１で演算された１０名の被験者のストレス状態の加速度脈波の一覧であり、横軸に時間（Ｔｉｍｅ）をとり縦軸に値（Ｖａｌｕｅ）をとったグラフの一覧である。
図９は図７の加速度脈波から構成された１０名の被験者の平常状態のアトラクタの一覧である。
図１０は図８の加速度脈波から構成された１０名の被験者のストレス状態のアトラクタの一覧である。
（実験例１）
実験例１では、まず、実施例１の前記ストレス評価装置Ｕにより、ストレス状態ではない平常状態の１０名の被験者（Ｎｏｒｍａｌ＿１〜Ｎｏｒｍａｌ＿１０）と、ストレス状態の１０名の被験者（Ｓｔｒｅｓｓ＿１〜Ｓｔｒｅｓｓ＿１０）とについて、各脈波Ｗ０を測定し、各加速度脈波Ｗ２（図７、図８参照）を演算して各アトラクタＡ（図９、図１０参照）を構成した。そして、実験例１では、図９、図１０に示す前記各アトラクタＡに基づいて、各平行度ｔｐｍ_ｉの累積度数を演算し、各平行度累積度数率ｈ_ｆ、各近傍空間距離率ｄ^ｒおよび各ストレス評価値Ｅ_ｆをそれぞれ演算した。

（実験結果）
図１１は図９および図１０の実験例１のアトラクタから演算された平行度の累積度数の遷移についての説明図であり、縦軸に平行度の値（０．００〜１．００）をとり横軸に累積度数の標本数に対して占める割合（％）をとったグラフの説明図であり、図１１Ａは図９のアトラクタから演算された平常状態の平行度の累積度数についてのグラフであり、図１１Ｂは図１０のアトラクタから演算されたストレス状態の平行度の累積度数についてのグラフである。
図１１Ａ、図１１Ｂに示すように、実験例１では、平常状態の被験者（Ｎｏｒｍａｌ＿１〜Ｎｏｒｍａｌ＿１０）の各アトラクタＡは、ストレス状態の被験者（Ｓｔｒｅｓｓ＿１〜Ｓｔｒｅｓｓ＿１０）の各アトラクタＡに比べ、軌跡が乱れていないため、前記平行度ｔｐｍ_ｉが０に近い値の累積度数が大きくなっていることがわかる。

なお、実験例１では、実施例１の前記ストレス評価装置Ｕで実験を行っているため、前記平行度累積度数率ｈ_ｆをカウントするための平行度の閾値ｆが０．０１で予め設定されている（図６のＳＴ１６、式（２）参照）。したがって、実験例１では、平常状態の被験者（Ｎｏｒｍａｌ＿１〜Ｎｏｒｍａｌ＿１０）の各平行度累積度数率ｈ_ｆは、ストレス状態の被験者（Ｓｔｒｅｓｓ＿１〜Ｓｔｒｅｓｓ＿１０）の各平行度累積度数率ｈ_ｆに比べ、大きくなることがわかる。
すなわち、実施例１の前記ストレス評価装置Ｕは、前記閾値ｆが０に近い適切な値（０．０１）が設定されることにより、前記平行度ｔｍｐ_ｉの大きな値に影響を受けない前記平行度累積度数率ｈ_ｆが演算でき、前記平行度累積度数率ｈ_ｆに基づくストレス評価値Ｅ_ｆが演算できることがわかる。これに対し、前記平行度（例えば、ｔｍｐ_ｉ（ｉ＝１，２，…，Ｎ））の平均値（例えば、｛ｔｍｐ_１＋ｔｍｐ_２＋…＋ｔｍｐ_Ｎ｝／Ｎ）に基づいて診断する従来公知のストレス評価装置では、前記平均値が閾値ｆより大きな平行度（ｔｍｐ_ｉ）に影響されるため、前記平均値自体がストレスを診断するための評価値として精度が悪く、ストレス診断の精度が悪くなることもわかる。

図１２は図９および図１０のアトラクタから演算された平行度累積度数率および近傍空間距離率の一覧表であり、図１２Ａは図９のアトラクタから演算された１０名の被験者の平常状態の平行度累積度数率の一覧表であり、図１２Ｂは図１０のアトラクタから演算された１０名の被験者のストレス状態の平行度累積度数率の一覧表である。
図１３は横軸に平行度累積度数率（％）をとり縦軸に近傍空間距離率（％）をとって、図１２の一覧表における各被験者の各平行度累積度数率および各近傍空間距離率の値をプロットしたグラフである。

図１２Ａ、図１２Ｂに示すように、実験例１では、平常状態の被験者（Ｎｏｒｍａｌ＿１〜Ｎｏｒｍａｌ＿１０）の各平行度累積度数率ｈ_ｆは、ストレス状態の被験者（Ｓｔｒｅｓｓ＿１〜Ｓｔｒｅｓｓ＿１０）の各平行度累積度数率ｈ_ｆに比べ、実際に大きくなっていることがわかる。また、平常状態の被験者（Ｎｏｒｍａｌ＿１〜Ｎｏｒｍａｌ＿１０）の各近傍空間距離率ｄ^ｒは、ストレス状態の被験者（Ｓｔｒｅｓｓ＿１〜Ｓｔｒｅｓｓ＿１０）の各近傍空間距離率ｄ^ｒに比べ、各アトラクタＡの軌跡が乱れていないため、実際に小さくなることがわかる。
さらに、図１３に示すように、実験例１では、前記平行度累積度数率ｈ_ｆと前記近傍空間距離率ｄ^ｒとの関係を示すグラフにおいて、平常状態の１０名の被験者と、ストレス状態の１０名の被験者との領域が明確に分割できることがわかる。この結果、前記平行度累積度数率ｈ_ｆと前記近傍空間距離率ｄ^ｒとに基づいて、前記ストレス評価値Ｅ_ｆ（Ｅ_ｆ＝ｄ^ｒ／ｈ_ｆ、式（５）参照）を演算することにより、ストレスであるか否かを評価するための明確な値が得られることがわかる。

図１４は図１２の平行度累積度数率および近傍空間距離率から演算されたストレス評価値の一覧表であり、図１４Ａは図１２Ａの平行度累積度数率および近傍空間距離率から演算された１０名の被験者の平常状態のストレス評価値の一覧表であり、図１４Ｂは図１２Ｂの平行度累積度数率および近傍空間距離率から演算された１０名の被験者のストレス状態のストレス評価値の一覧表である。
図１４Ａ、図１４Ｂに示すように、実験例１では、平常状態の被験者（Ｎｏｒｍａｌ＿１〜Ｎｏｒｍａｌ＿１０）の各ストレス評価値Ｅ_ｆは、ストレス状態の被験者（Ｓｔｒｅｓｓ＿１〜Ｓｔｒｅｓｓ＿１０）の各ストレス評価値Ｅ_ｆに比べ、明らかに小さくなっていることがわかる。
この結果、実施例１のストレス評価装置Ｕは、前記ストレス評価値Ｅ_ｆに基づいてユーザの健康状態や心理状態を診断することにより、従来公知のストレス評価装置に比べ、ユーザの脈波から健康状態や心理状態を精度良く診断することができる。

図１５は本発明の実施例２のストレス評価システムの全体説明図である。
次に本発明の実施例２のストレス評価システムＳの説明を行うが、この実施例２の説明において、前記実施例１の構成要素に対応する構成要素には同一の符号を付して、その詳細な説明を省略する。この実施例２は、下記の点で前記実施例１と相違しているが、他の点では前記実施例１と同様に構成されている。
図１５において、本発明の実施例２のストレス評価システムＳは、ストレス評価試験の対象物としての自動車Ｖを有する。前記自動車Ｖの車内には、運転席の運転手の脈波を測定するための運転席用脈波センサＳＮａと、助手席の搭乗者の脈波を測定するための助手席用脈波センサＳＮｂと、後部座席左側の搭乗者の脈波を測定するための左側後部座席用脈波センサＳＮｃと、後部座席中央の搭乗者の脈波を測定するための中央後部座席用脈波センサＳＮｄと、後部座席右側の搭乗者の脈波を測定するための右側後部座席用脈波センサＳＮｅとがそれぞれ配置されている。

なお、実施例２の前記各脈波センサＳＮａ〜ＳＮｅは、それぞれ実施例１の脈波センサＳＮ１と同様に構成されており、前記各脈波センサＳＮａ〜ＳＮｅは、それぞれ前記自動車Ｖ内に配置された実施例１と同様のクライアントパソコンＰＣに接続されている。
前記各脈波センサＳＮａ〜ＳＮｅと、前記クライアントパソコンＰＣとにより実施例２のストレス評価装置Ｕが構成されている。

（実施例２のクライアントパソコンＰＣの制御部およびフローチャートの説明）
実施例２の前記クライアントパソコンＰＣでは、接続された前記各脈波センサＳＮａ〜ＳＮｅから出力される運転手および各搭乗者の各脈波について、実施例１と同様のストレス診断処理（図６のＳＴ１〜ＳＴ２０参照）が、他の処理と並行して、それぞれマルチタスクで実行されるだけであるため、ブロック図およびフローチャートによる詳細な説明を省略する。

（実施例２の作用）
前記構成を備えた実施例２のストレス評価システムＳでは、前記自動車Ｖ内の運転席、助手席、各後部座席に配置された前記各脈波センサＳＮａ〜ＳＮｅにより、運転手および各搭乗者の各脈波が前記クライアントパソコンＰＣに出力され、運転手および各搭乗者のストレスの有無等がそれぞれ診断される（図６のＳＴ１〜ＳＴ２０参照）。したがって、実施例２のストレス評価システムＳでは、前記ストレス評価装置Ｕにより、前記自動車Ｖの操縦安定性や乗り心地等を評価する前記ストレス評価試験を行うことができる。
例えば、運転手や各搭乗者のストレスの有無等を評価することにより、サスペンション（suspension、懸架装置）やタイヤの設定による車内の振動を評価したり、スピーカーの設置位置による車内の音響等を評価したりすることができる。また、長時間運転時の運転手や各搭乗者のストレスの有無等の心理状態の変遷を評価したりすることもできる。
その他、実施例２のストレス評価システムＳは、実施例１と同様の作用効果を奏する。

（変更例）
以上、本発明の実施例を詳述したが、本発明は、前記実施例に限定されるものではなく、特許請求の範囲に記載された本発明の要旨の範囲内で、種々の変更を行うことが可能である。本発明の変更例（Ｈ01）〜（Ｈ03）を下記に例示する。
（Ｈ01）本発明の実施例２では、自動車Ｖを対象物とするストレス評価試験について前記ストレス評価装置Ｕを適用したが、これに限定されず、その他の対象物についてのストレス評価試験にも適用可能である。例えば、クライアントパソコンＰＣのオペレーティングシステムＯＳやアプリケーションプログラムについてのストレス評価試験にも適用可能である。また、テレビ等のメディアについてのストレス評価試験、例えば、テレビ画面の点滅画像表示が子供に及ぼす悪影響についての試験等にも適用可能である。

（Ｈ02）本発明の実施例では、前記閾値ｆが０．０１で予め設定されているが、これに限定されず、０．０１以外の適切な値を設定することが可能である。また、例えば、前記カオス解析条件入力画像１（図３参照）に、前記閾値ｆを設定する欄を新たに設けることにより、前記ストレス診断処理（図６のＳＴ１〜ＳＴ２０参照）開始時にユーザが任意の閾値を設定できるようにすることも可能である。
（Ｈ03）本発明の実施例では、前記カオス解析条件入力画像１（図３参照）により、前記カオス解析条件ｔ，τ，ｎ，Ｎが設定されるが、これに限定されず、前記各入力欄２〜６を増減して、設定できるパラメタを変更することも可能である。また、前記カオス解析条件入力画像１を省略し、予め設定された前記カオス解析条件ｔ，τ，ｎ，Ｎに基づいて、ストレス診断処理（図６のＳＴ１〜ＳＴ２０参照）を実行することも可能である。

図１は本発明の実施例１のストレス評価装置の全体説明図である。 図２は本発明の実施例１のクライアントパソコンの制御部が備えている各機能をブロック図（機能ブロック図）で示した図である。 図３は実施例１のストレス診断プログラムが表示する解析条件パラメタ入力画像の説明図である。 図４は本発明の実施例１のストレス評価装置で計測される脈波の拡大説明図であり、図４Ａは脈波の説明図、図４Ｂは速度脈波の説明図、図４Ｃは加速度脈波の説明図である。 図５は図４Ｃの加速度脈波により構成されたアトラクタの説明図であり、図５Ａはアトラクタの全体説明図、図５Ｂは図５Ａのアトラクタから選択されたデータベクトルとその近傍ベクトルの拡大説明図である。 図６は本発明の実施例１のストレス診断プログラムのストレス診断処理のフローチャートである。 図７は実験例１で演算された１０名の被験者の平常状態の加速度脈波の一覧であり、横軸に時間（Ｔｉｍｅ）をとり縦軸に値（Ｖａｌｕｅ）をとったグラフの一覧である。 図８は実験例１で演算された１０名の被験者のストレス状態の加速度脈波の一覧であり、横軸に時間（Ｔｉｍｅ）をとり縦軸に値（Ｖａｌｕｅ）をとったグラフの一覧である。 図９は図７の加速度脈波から構成された１０名の被験者の平常状態のアトラクタの一覧である。 図１０は図８の加速度脈波から構成された１０名の被験者のストレス状態のアトラクタの一覧である。 図１１は図９および図１０の実験例１のアトラクタから演算された平行度の累積度数の遷移についての説明図であり、縦軸に平行度の値（０．００〜１．００）をとり横軸に累積度数の標本数に対して占める割合（％）をとったグラフの説明図であり、図１１Ａは図９のアトラクタから演算された平常状態の平行度の累積度数についてのグラフであり、図１１Ｂは図１０のアトラクタから演算されたストレス状態の平行度の累積度数についてのグラフである。 図１２は図９および図１０のアトラクタから演算された平行度累積度数率および近傍空間距離率の一覧表であり、図１２Ａは図９のアトラクタから演算された１０名の被験者の平常状態の平行度累積度数率の一覧表であり、図１２Ｂは図１０のアトラクタから演算された１０名の被験者のストレス状態の平行度累積度数率の一覧表である。 図１３は横軸に平行度累積度数率（％）をとり縦軸に近傍空間距離率（％）をとって、図１２の一覧表における各被験者の各平行度累積度数率および各近傍空間距離率の値をプロットしたグラフである。 図１４は図１２の平行度累積度数率および近傍空間距離率から演算されたストレス評価値の一覧表であり、図１４Ａは図１２Ａの平行度累積度数率および近傍空間距離率から演算された１０名の被験者の平常状態のストレス評価値の一覧表であり、図１４Ｂは図１２Ｂの平行度累積度数率および近傍空間距離率から演算された１０名の被験者のストレス状態のストレス評価値の一覧表である。 図１５は本発明の実施例２のストレス評価システムの全体説明図である。

符号の説明

τ…遅れ時間、
Ａ…アトラクタ、
ＡＰ１…ストレス評価プログラム、
Ｃ３…脈波測定手段、
Ｃ４…加速度脈波演算手段、
Ｃ５…アトラクタ構成手段、
Ｃ６…ストレス評価値演算手段、
Ｃ６Ａ…データベクトル選択手段、
Ｃ６Ｂ…近傍ベクトル検出手段、
Ｃ６Ｃ…接線ベクトル演算手段、
Ｃ６Ｅ…平行度累積度数率演算手段、
Ｃ６E1…平行度演算手段、
Ｃ６Ｆ…距離率演算手段、
Ｃ６F1…距離演算手段、
Ｃ８…診断手段、
Ｄ_ｍａｘ…最長距離、
ｄ_ｉ…距離、
ｄ^ｒ…距離率、
Ｅ_ｆ…ストレス評価値、
ｆ…閾値、
ｈ_ｆ…平行度累積度数率、
Ｋ…近傍空間、
Ｎ…複数の平行度の総数、
ｎ…次数、
Ｒ_ｉ，Ｒ_ｊ，Ｒ_ｋ…軌道、
Ｓ…ストレス評価システム、
Ｔ_ｉ，Ｔ_ｊ，Ｔ_ｋ…接線のベクトル、
ｔｐｍ_ｉ…平行度、
Ｕ…ストレス評価装置、
Ｗ０…脈波、
Ｗ２…加速度脈波、
Ｘ_ｉ，Ｘ_ｉ＋１，Ｘ_ｊ，Ｘ_１〜Ｘ_Ｎ…データベクトル、
Ｘ_ｉ，Ｘ_ｉ＋１，Ｘ_１〜Ｘ_Ｎ…選択ベクトル、
Ｘ_ｊ，Ｘ_ｋ…近傍ベクトル。

Claims (5)

1. ユーザの心拍に伴う波動である脈波を測定する脈波測定手段と、
   前記脈波に基づいて、予め設定された遅れ時間および次数に基づいて構成される状態空間の関数を演算することにより、前記状態空間上に描かれた前記関数の軌道の幾何学的構造であるアトラクタを構成するアトラクタ構成手段と、
   前記軌道上の点であるデータベクトルについて、複数の前記データベクトルのうちの１つの選択ベクトルを選択するデータベクトル選択手段と、
   前記状態空間の部分空間である前記選択ベクトルの近傍空間内において、前記選択ベクトルの近傍の点であり且つ前記選択ベクトルとは異なる軌道上の点である近傍ベクトルを検出する近傍ベクトル検出手段と、
   前記選択ベクトルを通過する軌道の接線のベクトルと、前記近傍ベクトルを通過する軌道の接線のベクトルとを演算する接線ベクトル演算手段と、
   前記各接線のベクトルどうしの平行度を演算する平行度演算手段と、
   前記選択ベクトルと、前記近傍ベクトルとの差分ベクトルの長さである距離を演算する距離演算手段と、
   複数の前記選択ベクトルにおいて演算された複数の前記平行度と、複数の前記距離とに基づいて、ストレスを評価するためのストレス評価値を演算するストレス評価値演算手段と、
   前記ストレス評価値と、予め記憶された基準となるストレス評価値である基準ストレス評価値とを比較することにより、ユーザの心身の状態を診断する診断手段と、
   を備えたことを特徴とするストレス評価装置。
2. 前記脈波の２次微分波である加速度脈波を演算する加速度脈波演算手段と、
   前記加速度脈波に基づいて、前記状態空間の関数を演算することにより、前記アトラクタを構成する前記アトラクタ構成手段と、
   を備えたことを特徴とする請求項１に記載の前記ストレス評価装置。
3. 前記複数の選択ベクトルに対応する前記複数の平行度から、予め設定された閾値よりも平行に近い平行度の累積度数を計数し、計数された前記平行度の累積度数が、前記複数の平行度の総数に占める割合である平行度累積度数率を演算する平行度累積度数率演算手段と、
   前記アトラクタのサイズとして構成された全ての前記データベクトル間の差分ベクトルの長さのうちの最長の長さである最長距離に対する、前記複数の選択ベクトルに対応する前記複数の距離の平均値の割合である距離率を演算する距離率演算手段と、
   前記平行度累積度数率と前記距離率とに基づいて、前記ストレス評価値を演算する前記ストレス評価値演算手段と、
   を備えたことを特徴とする請求項１または請求項２に記載の前記ストレス評価装置。
4. ユーザの心拍に伴う波動である脈波を測定する脈波測定手段と、
   前記脈波に基づいて、予め設定された遅れ時間および次数に基づいて構成される状態空間の関数を演算することにより、前記状態空間上に描かれた前記関数の軌道の幾何学的構造であるアトラクタを構成するアトラクタ構成手段と、
   前記軌道上の点であるデータベクトルについて、複数の前記データベクトルのうちの１つの選択ベクトルを選択するデータベクトル選択手段と、
   前記状態空間の部分空間である前記選択ベクトルの近傍空間内において、前記選択ベクトルの近傍の点であり且つ前記選択ベクトルとは異なる軌道上の点である近傍ベクトルを検出する近傍ベクトル検出手段と、
   前記選択ベクトルを通過する軌道の接線のベクトルと、前記近傍ベクトルを通過する軌道の接線のベクトルとを演算する接線ベクトル演算手段と、
   前記選択ベクトルと、前記近傍ベクトルとの差分ベクトルの長さである距離を演算する距離演算手段と、
   複数の前記選択ベクトルにおいて演算された複数の前記平行度と、複数の前記距離とに基づいて、ストレスを評価するためのストレス評価値を演算するストレス評価値演算手段と、
   前記ストレス評価値と、予め記憶された基準となるストレス評価値である基準ストレス評価値とを比較することにより、ユーザの心身の状態を診断する診断手段と、
   を備えたことを特徴とするストレス評価システム。
5. コンピュータを、
   ユーザの心拍に伴う波動である脈波を測定する脈波測定手段、
   前記脈波に基づいて、予め設定された遅れ時間および次数に基づいて構成される状態空間の関数を演算することにより、前記状態空間上に描かれた前記関数の軌道の幾何学的構造であるアトラクタを構成するアトラクタ構成手段、
   前記軌道上の点であるデータベクトルについて、複数の前記データベクトルのうちの１つの選択ベクトルを選択するデータベクトル選択手段、
   前記状態空間の部分空間である前記選択ベクトル近傍の近傍空間内において、前記選択ベクトルの近傍の点であり且つ前記選択ベクトルとは異なる軌道上の点である近傍ベクトルを検出する近傍ベクトル検出手段、
   前記選択ベクトルを通過する軌道の接線のベクトルと、前記近傍ベクトルを通過する軌道の接線のベクトルとを演算する接線ベクトル演算手段、
   前記各接線のベクトルどうしの平行度を演算する平行度演算手段、
   前記選択ベクトルと、前記近傍ベクトルとの差分ベクトルの長さである距離を演算する距離演算手段、
   複数の前記選択ベクトルにおいて演算された複数の前記平行度と、複数の前記距離とに基づいて、ストレスを評価するためのストレス評価値を演算するストレス評価値演算手段、
   前記ストレス評価値と、予め記憶された基準となるストレス評価値である基準ストレス評価値とを比較することにより、ユーザの心身の状態を診断する診断手段、
   として機能させるためのストレス評価プログラム。