JP6390783B2 - 食事時間推定方法及び食事時間推定装置 - Google Patents

Description

本発明は、食事時間推定方法、食事時間推定プログラム及び食事時間推定装置に関する。

メタボリック症候群や糖尿病を始めとする生活習慣病の予防や、ダイエット、医療サービスなどのヘルスケアが注目されている。かかるヘルスケアを行う場合には、日頃の運動や食事などの生活習慣を記録することにより、自己の生活習慣の問題点に気付き、改善していくプロセスが求められる。

例えば、「食事」に関する予防策として、下記の通り、「いつ」、「何を」、「どれだけ」などの食事のコントロール方法が挙げられている。具体的には、規則正しく三食を摂る（いつ）、朝食をとる（いつ）、バランス良く栄養をとる（何を）、カロリーを摂取し過ぎない（どれだけ）、塩分は控える（何を）といった項目が挙げられている。

ここで、例えば、「いつ」食べたのかという記録があれば、不規則な食習慣を検知し、予防のアドバイスを提供するなどのサービスを実施することもできる。

例えば、食事判定を行う技術の一例として、食行動検知システム、発話・飲食状態検出システムや食行動検出装置などが提案されている。例えば、食行動検知システムでは、食物摂取の際の、腕を上げて降ろす動作を加速度センサを用いて検出することにより、食事判定を行う。また、発話・飲食状態検出システムでは、物を食べる際に咀嚼する事を利用し、体内音の咀嚼特有の周波数パターンを検出する。また、食行動検出装置の場合、食卓上などに赤外線センサを設置した状況の下、食卓付近で人体を検出した後に人体が頻繁に動いているかどうかを閾値処理する。

ところが、これらの技術のいずれにおいても、食事行動を推定するために、食事の仕方が制限されたり、あるいは食事行動を推定する場所に制約があったりするので、汎用性に欠ける面がある。例えば、食行動検知システムで想定される加速度の傾向は、あくまでも食物摂取時になされる腕の動作の一面にしか対応しておらず、それ以外の腕の動作がなされる場合には加速度の傾向が異なるので、検出漏れが発生する。また、発話・飲食状態検出システムの場合、食事時にマイクを首に装着させることになるので、身体に負担がかかり、かつ見栄えも悪くなってしまう。また、食行動検出装置の場合、赤外線センサが設置された場所などのように、固定された環境での食事しか認識することはできない。

また、食事判定に脈波を用いる技術の一例として、生活管理端末装置も提案されている。この生活管理端末装置では、食事時に起る咀嚼特徴が現れることに加え、脈拍数が上昇し、かつ皮膚導電率に急激な上昇がない場合に食事中であると判断する。

特開２０１１−４９６８号公報 特開２００３−１７３３７５号公報 特開２０１１−１１５５０８号公報 特開２００４−８１４７１号公報 特開２００８−６１７９０号公報 特表平１０−５０４７３９号公報 特開２００６−１２９８８７号公報

しかしながら、上記の技術では、次に説明するように、食事時間に誤判定が起こる場合がある。

すなわち、上記の生活管理端末装置では、食事判定に皮膚導電率が用いられる。かかる皮膚導電率は、発汗時等にその計測精度が低下するので、食事判定にも誤判定が発生する可能性が高まる。また、上記の生活管理端末において皮膚導電率を用いずに脈拍数だけを用いたとしても、食事以外の原因、例えば精神の緊張、環境温度の変化や運動行為などにより脈拍数が上昇するので、この場合にも誤判定が起こる。

１つの側面では、本発明は、食事時間の推定精度が低下するのを抑制できる食事時間推定方法、食事時間推定プログラム及び食事時間推定装置を提供することを目的とする。

一態様の食事時間推定方法は、コンピュータが、心拍数の時系列データを取得する処理と、前記心拍数の時系列データから食事終了時に現れる心拍変化の特徴との類似度が指標化された特徴量を算出する処理と、前記特徴量から食事時間を推定する処理とを実行する。

食事時間の推定精度が低下するのを抑制できる。

図１は、実施例１に係るヘルスケア支援システムの構成を示す図である。 図２は、心拍数データの一例を示す図である。 図３は、心拍数データの一例を示す図である。 図４は、特徴量（１）の一例を説明する図である。 図５は、特徴量（２）の一例を説明する図である。 図６は、特徴量（３）の一例を説明する図である。 図７は、特徴量（４）の一例を説明する図である。 図８は、特徴量（５）の一例を説明する図である。 図９は、特徴量（６）の一例を説明する図である。 図１０は、特徴量（７）の一例を説明する図である。 図１１は、特徴量（７）の一例を説明する図である。 図１２は、実施例１に係る食事時間推定処理の手順を示すフローチャートである。 図１３は、実施例１及び実施例２に係る食事時間推定プログラムを実行するコンピュータのハードウェア構成例を示す図である。

以下に添付図面を参照して本願に係る食事時間推定方法、食事時間推定プログラム及び食事時間推定装置について説明する。なお、この実施例は開示の技術を限定するものではない。そして、各実施例は、処理内容を矛盾させない範囲で適宜組み合わせることが可能である。

［システム構成］
図１は、実施例１に係るヘルスケア支援システムの構成を示す図である。図１に示すヘルスケア支援システム１は、各種のヘルスケア支援サービスを提供するものである。例えば、ヘルスケア支援サービスの一例として、センサ端末１０により採取されたセンシングデータを用いてセンサ端末１０のユーザの生活行動、例えば食事時間を記録するサービス、さらには、その記録を活用する派生のサービスなどが挙げられる。

かかるヘルスケア支援サービスの一環として、ヘルスケア支援システム１は、心拍数の時系列データから食事開始時刻、食事終了時刻または食事所要時間などの食事時間を推定する場合に、食事終了時に現れる心拍変化の特徴との類似度が指標化された特徴量を用いる。これによって、例えば、食事以外の原因、例えば精神の緊張、環境温度の変化や運動行為などによって心拍数が上昇する場面で食事時間が推定されるのを抑制し、もって食事時間の推定精度が低下するのを抑制する。

図１に示すように、ヘルスケア支援システム１には、センサ端末１０と、情報処理装置１００とが収容される。なお、図１には、センサ端末が１つである場合を図示したが、ヘルスケア支援システム１には、複数のセンサ端末が収容されることとしてもかまわない。

これらセンサ端末１０及び情報処理装置１００の間は、相互に通信可能に接続される。ここでは、一例として、センサ端末１０及び情報処理装置１００がＢＬＥ（Bluetooth（登録商標） Low Energy）などの近距離無線通信により接続される場合を想定するが、有線または無線を問わず、任意のネットワークを介して互いを接続することができる。例えば、ＬＡＮ（Local Area Network）やＶＰＮ（Virtual Private Network）などの構内通信網を始め、インターネット（Internet）などの任意の種類の通信網を介して、センサ端末１０及び情報処理装置１００を接続することができる。

センサ端末１０は、センサを実装する端末装置である。

一実施形態として、センサ端末１０には、ヘルスケア専用の端末装置、スマートグラスやスマートウォッチ等のウェアラブルガジェットなどを採用できる。

センサ端末１０には、少なくとも心拍センサが実装される。この心拍センサを用いて、センサ端末１０は、例えば、センサ端末１０を利用するユーザの単位時間当たりの心拍数を検出する。このように心拍センサを用いてセンシングされる心拍数の時系列データは、特徴量の算出や食事時間の推定に用いられる。以下では、心拍センサを用いてセンシングされる心拍数の時系列データのことを「心拍数データ」と記載する場合がある。かかる心拍センサ以外にも、センサ端末１０には、加速度センサを実装することもできる。この加速度センサには、一例として、３軸の加速度センサを採用することができる。このように加速度センサを用いてセンシングされる３軸の加速度の時系列データ、すなわちセンサ端末１０の上下左右前後の加速度変化は、センサ端末１０を使用するユーザが歩行、昇降や走行などの運動状態を検出するのに用いられる。これによって、加速度の時系列データは、心拍数の時系列データから動作状態や運動状態が継続する運動期間を除去するのに寄与する。以下では、加速度センサを用いてセンシングされる加速度の時系列データのことを「加速度データ」と記載する場合がある。なお、ここでは、一例として、心拍センサ及び加速度センサを例示したが、ジャイロセンサやＧＰＳ（Global Positioning System）受信機などの他のセンサが実装されることを妨げない。例えば、加速度センサの代わりにジャイロセンサを用いることができる。このように運動期間を除去するためのセンサは加速度センサに限定されず、慣性センサによりセンシングされた慣性データを用いて、心拍数データから運動期間を除去することもできる。

センサ端末１０に心拍センサが実装される場合、ユーザの生体部位、例えば胸、腕、手首などに装着する装着型の心拍センサを採用することができる。例えば光電脈波センサによる脈拍を採用することも出来る。この場合、ヘルスケア専用に心拍センサを実装することもできれば、ウェアラブルガジェットが心拍センサを搭載する場合、その心拍センサを流用することもできる。さらに、必ずしも心拍数を検出する心拍センサがセンサ端末１０に実装されずともよく、心電信号を検出する心電センサがセンサ端末１０に実装されることとしてもかまわない。また、心拍センサには、必ずしも装着型のものを採用せずともかまわない。例えば、ユーザの生体の一部が所定のサンプリング周波数で撮像される画像に関する輝度の時系列変化から心拍数を検出したり、ＲＦ（Radio Frequency）モーションセンサを用いて拍動に伴うドップラ周波数を検出したりすることにより、心拍数の検出をユーザの生体部位に非接触の状態で実現することとしてもかまわない。

心拍数は、血液を送り出す心臓の拍動回数を表す指標であり、その算出方法は、心臓の電気的活動を計測する方法であっても、血液の流れを計測して脈動を計測する方法であってもかまわない。

このようにセンサ端末１０によりセンシングされた心拍数データ及び加速度データは、ユーザの識別情報、例えばセンサ端末１０のマシン名やシリアル番号などと対応付けられた状態で情報処理装置１００へ伝送される。このとき、心拍数データ及び加速度データは、心拍数や加速度がセンシングされる度にリアルタイムで伝送されることとしてもよいし、所定期間、例えば１２時間、１日間、１週間や１ヶ月などにわたって蓄積してから伝送することとしてもかまわない。なお、ここでは、センサ端末１０から情報処理装置１００へ心拍数データや加速度データが伝送される場合を例示したが、センサ端末１０に心拍数データから食事時間の推定に用いる特徴量を算出させることとしてもかまわない。このように特徴量をセンサ端末１０に算出させる場合、２つの装置で伝送されるデータ量を低減すると共に、伝送時に個人情報である心拍数データが第三者に公開される事態を抑制できる。

情報処理装置１００は、上記のヘルスケア支援サービスを提供するコンピュータである。かかる情報処理装置１００には、携帯端末装置、据置き型やノート型のパーソナルコンピュータを含む計算機全般を採用できる。なお、上記の携帯端末装置には、スマートフォン、携帯電話機やＰＨＳ（Personal Handyphone System）などの移動体通信端末のみならず、タブレット端末やスレート端末などがその範疇に含まれる。

一実施形態として、情報処理装置１００は、パッケージソフトウェアやオンラインソフトウェアとして上記のヘルスケア支援サービスを実現する食事時間推定プログラムを所望のコンピュータにインストールさせることによって実装できる。例えば、情報処理装置１００は、センサ端末１０から受け付けた心拍数データを用いて、センサ端末１０のユーザの食事時間を推定する。その上で、情報処理装置１００は、食事時間を記録することができる他、それまでに記録された食事時間から所定期間、例えば１週間などにわたる食事時間帯の一覧表を生成した上で出力したり、それまでに記録された食事時間から食習慣またはダイエットに関する分析を行った上で各種のアドバイスを出力したりすることもできる。例えば、情報処理装置１００が有する表示デバイス、音声出力デバイス、印字デバイスなどの出力デバイスを通じて、上記の各種の情報を出力させることができる。また、情報の出力先は、必ずしも情報処理装置１００に限定されず、ユーザが使用する他の端末装置とすることもできるし、その関係者、例えばユーザの親族、医療または介護の担当者などが使用する端末装置とすることもできる。これによって、上記のヘルスケア支援サービスが実現される。

［センサ端末１０の構成］
次に、本実施例に係るセンサ端末１０の機能的構成について説明する。図１に示すように、センサ端末１０は、心拍数データ取得部１１と、加速度データ取得部１２と、通信Ｉ／Ｆ（InterFace）部１３とを有する。なお、センサ端末１０は、図１に示した機能部以外にも既知のコンピュータが有する機能部を有することとしてもよい。例えば、ヘルスケア専用の端末装置、ウェアラブルガジェットまたは携帯端末装置がセンサ端末１０として実行される場合、これらの各装置が標準装備するハードウェア及びソフトウェアを実装できる。

心拍数データ取得部１１は、上記の心拍数データを取得する処理部である。

一実施形態として、心拍数データ取得部１１は、図示しない心拍センサを制御して、所定のサンプリング周期で心拍センサに心拍数をセンシングさせる。これによって、心拍数データ取得部１１は、サンプリング点ごとに心拍センサによりセンシングされる心拍数の時系列データを心拍数データとして取得する。かかる心拍数データには、一例として、時間及び心拍数などの項目が対応付けられたデータを採用できる。ここで言う「時間」は、センサ端末１０上でローカルに管理されるシステム時間、例えば任意の開始時点からの経過時間であってもよいし、年月日時分秒等のカレンダ上の暦で表現される時間であってもかまわない。また、「心拍数」は、単位時間あたりの心拍数として表現される。例えば、単位時間を１分間とする場合、心拍数はｂｐｍ（beats per minute）等で表現される。また、単位時間を１秒間とする場合、心拍数はＨｚで表現される。さらに「心拍数」と相関のある指標であれば、心拍数そのものでなくてもかまわない。例えば、心電波形における心電波形のピークRR間隔はミリ秒で表現され、心拍数の代わりに用いることができる。

本発明は、食事に伴う循環器の応答を捉えて食事時刻の推定にもちいるものであり、心拍数以外にも心電波形や脈波波形から得られる情報や血流量に関わる情報から心拍数と相関のある指標が得られる場合には、その指標を用いることができる。

このようにして取得される心拍数データは、心拍数がセンシングされる度に通信Ｉ／Ｆ部１３を介して情報処理装置１００へ伝送されることとしてもよいし、所定の期間、例えば１２時間や１日間などにわたって図示しないメモリへ蓄積してから通信Ｉ／Ｆ部１３を介して情報処理装置１００へ伝送されることとしてもかまわない。

加速度データ取得部１２は、上記の加速度データを取得する処理部である。

一実施形態として、加速度データ取得部１２は、図示しない加速度センサを制御して、所定のサンプリング周期で加速度センサに３軸、すなわち上下左右前後の加速度をセンシングさせる。これによって、加速度データ取得部１２は、サンプリング点ごとに加速度センサによりセンシングされる上下左右前後の加速度の時系列データを加速度データとして取得する。かかる加速度データには、一例として、時間及び加速度などの項目が対応付けられたデータを採用できる。ここで言う「時間」は、上記の心拍数データと同様、センサ端末１０上でローカルに管理されるシステム時間、例えば任意の開始時点からの経過時間であってもよいし、年月日時分秒等のカレンダ上の暦で表現される時間であってもかまわない。また、「加速度」には、上下方向、左右方向および前後方向の３軸の加速度を含めることができる。例えば、３軸の加速度のうち一部の方向の加速度に絞って後段の機能部に使用させる場合、後段の機能部で使用されない方向の加速度は加速度データから除去することもできる。なお、加速度センサには、心拍センサと同一のサンプリング周期を採用させることもできるし、異なるサンプリング周期を採用させることもできる。

このようにして取得される加速度データは、加速度がセンシングされる度に通信Ｉ／Ｆ部１３を介して情報処理装置１００へ伝送されることとしてもよいし、所定の期間、例えば１２時間や１日間などにわたって図示しないメモリへ蓄積してから通信Ｉ／Ｆ部１３を介して情報処理装置１００へ伝送されることとしてもかまわない。

通信Ｉ／Ｆ部１３は、他の装置、例えば情報処理装置１００などとの間で通信制御を行うインタフェースである。

一実施形態として、通信Ｉ／Ｆ部１３には、ＬＡＮカードなどのネットワークインタフェースカードを採用できる。例えば、通信Ｉ／Ｆ部１３は、上記の心拍数データや上記の加速度データなどを情報処理装置１００へ送信する。また、通信Ｉ／Ｆ部１３は、情報処理装置１００から上記の心拍数データや上記の加速度データを情報処理装置１００へアップロードする指示や情報処理装置１００へアップロードする間隔に関する指示などの他、食事時間の推定結果やそれを用いた診断結果などを受信することができる。

なお、上記の心拍数データ取得部１１及び加速度データ取得部１２などの機能部は、次のようにして実装できる。例えば、中央処理装置、いわゆるＣＰＵ（Central Processing Unit）などに、上記の心拍数データ取得部１１及び加速度データ取得部１２と同様の機能を発揮するプロセスをメモリ上に展開して実行させることにより実現できる。これらの機能部は、必ずしも中央処理装置で実行されずともよく、ＭＰＵ（Micro Processing Unit）に実行させることとしてもよい。また、上記の各機能部は、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）などのハードワイヤードロジックによっても実現できる。

また、上記の各機能部が用いる主記憶装置には、一例として、各種の半導体メモリ素子、例えばＲＡＭ（Random Access Memory)やフラッシュメモリを採用できる。また、上記の各機能部が参照する記憶装置は、必ずしも主記憶装置でなくともよく、補助記憶装置であってもかまわない。この場合、ＨＤＤ（Hard Disk Drive）、光ディスクやＳＳＤ（Solid State Drive）などを採用できる。

［情報処理装置１００の構成］
次に、本実施例に係る情報処理装置１００の機能的構成について説明する。図１に示すように、情報処理装置１００は、通信Ｉ／Ｆ部１１０と、運動期間判定部１２０と、ノイズ心拍数除去部１３０と、特徴量算出部１４０と、食事時間推定部１５０と、サービス提供部１６０とを有する。なお、情報処理装置１００は、図１に示した機能部以外にも既知のコンピュータが有する機能部、例えば各種の入出力デバイスなどを有することとしてもよい。

通信Ｉ／Ｆ部１１０は、他の装置、例えばセンサ端末１０などとの間で通信制御を行うインタフェースである。

一実施形態として、通信Ｉ／Ｆ部１１０には、ＬＡＮカードなどのネットワークインタフェースカードを採用できる。例えば、通信Ｉ／Ｆ部１１０は、上記の心拍数データや上記の加速度データなどをセンサ端末１０から受信する。また、通信Ｉ／Ｆ部１１０は、上記の心拍数データや上記の加速度データをセンサ端末１０にアップロードさせる指示や情報処理装置１００へアップロードする間隔に関する指示などの他、食事時間の推定結果やそれを用いた診断結果などをセンサ端末１０へ送信することができる。

運動期間判定部１２０は、運動期間を判定する処理部である。ここで言う「運動期間」とは、歩行、走行や階段の昇降などの運動が行われたと想定される期間を指し、例えば、運動期間の判定にセンサ端末１０から送信される加速度データが用いられる。

一実施形態として、運動期間判定部１２０は、上記の運動期間の判定に、上記の加速度データに含まれる加速度のうち少なくとも上下方向、すなわち重力方向の加速度を用いる。このように重力方向の加速度を用いるのは、歩行、走行や階段の昇降などの運動が行われる場合、加速度が特定のパターンで変化すると共に当該パターンが周期的に現れるからである。すなわち、歩行、走行や階段の昇降などの運動時には、脚部の蹴り出し時および着地時に地面等から反力を受けるので、重力方向の加速度に上昇及び下降の変化が短期間で現れる。さらに、重力方向の加速度に関する上昇及び下降の変化は、地面から荷重が除かれて足が地面に接地する度に周期的に現れる。

このことから、運動期間判定部１２０は、一例として、重力方向の加速度から上記の上昇および下降のパターンを検出する。その上で、運動期間判定部１２０は、パターンが現れる間隔が所定期間内であるか否かを判定する。このとき、パターンが現れる間隔が所定期間以内である場合、当該パターンが所定期間内に繰り返して現れる区間を運動期間と判定する。ここで、上記の運動期間の判定には、一例として、センサ端末１０が装着された状態でユーザが運動活動を行い、運動活動に伴う加速度変化を実験的に採取することにより、上記のパターンを形成する上昇および下降の程度から上昇及び下降を弁別する閾値を設定することができる。さらに、パターンが現れる間隔についても実験的に現れる値から上記の所定期間を定めることもできる。なお、上記の運動期間は、運動期間の開始時刻とその継続時間により表現することもできるし、運動開始時刻及び運動終了時刻として表現することもできる。なお、心拍数変化に影響する腕や脚、上半身、下半身、姿勢変化などの動作が現れる動作期間も上記の運動期間とすることができる。

ノイズ心拍数除去部１３０は、上記の心拍数データから食事以外のノイズが原因で心拍数が変化すると推定される区間を除去する処理部である。

一実施形態として、ノイズ心拍数除去部１３０は、運動に伴う心拍数の変化が食事時間の推定に悪影響を与えるのを抑制するために、心拍数データ取得部１１により取得される心拍数データのうち運動期間判定部１２０により判定された運動期間に対応する区間を除去する。

このとき、ノイズ心拍数除去部１３０は、運動期間に対応する区間だけでなく、一例として、運動終了時刻から運動により上昇する心拍数が回復するまでの一定期間を運動終了時刻に加えることにより、運動後の心拍数の回復変化が含まれた除去期間を求め、当該除去期間に対応する区間を心拍数データから除去することもできる。かかる運動終了時刻に加える一定期間には、一例として、運動後の回復変化を測定する実験を実施することによりユーザ個別の時間を設定することもできるし、全ユーザ共通の時間をデフォルト値として設定することもできる。なお、運動期間または除去期間に対応する区間のデータが心拍数データから除去された場合、線形補間、多項式補間、スプライン補間などを実行することで、除去により欠落する部分のデータを内挿補間することができる。

特徴量算出部１４０は、上記の心拍数データから食事終了時に現れる心拍変化の特徴との類似度が指標化された特徴量を算出する処理部である。

一実施形態として、特徴量算出部１４０は、上記の心拍数データ上で食事終了時刻と仮定する食事終了時刻の候補をシフトさせながら、候補ごとに上記の心拍数データのうち当該候補周辺の部分データを用いて上記の特徴量を算出する。

ここで、図２及び図３を用いて、食事終了時に現れる心拍変化の特徴について説明する。図２及び図３は、心拍数データの一例を示す図である。これら図２及び図３には、いずれも食事開始から食事終了までの食事期間を含む心拍数データが示されており、図中の食事開始及び食事終了のタイミングは、ユーザの入力によりレファレンスとして示された時刻である。このうち、図２には、食事開始の１時間前から食事終了の１時間後までの心拍数データが示される一方で、図３には、食事開始から前後の５時間の心拍数データが示されている。言い換えれば、図２には、図３に比べて微視的な心拍数データが示される一方で、図３には、図２に比べて巨視的な心拍数データが示されている。なお、図２及び図３に示す縦軸は、単位時間当たりの心拍数を指し、横軸は、時間を指す。

図２及び図３に示す心拍数データによれば、図２に示す特徴（イ）及び特徴（ロ）と、図３に示す特徴（ハ）とが食事終了時に現れることがわかる。すなわち、図２の特徴量（イ）に示すように、食事終了時刻の前は食事中であることが原因となって食事前に比べて心拍数が高い状態が継続する傾向がある。さらに、図２の特徴（ロ）に示すように、食事が終了するのを境に心拍数が減少し始める傾向がある。加えて、図３の特徴（ハ）に示すように、食後しばらくすると、おそらく体内での消化吸収などの活動が原因となって、心拍数が増加し、例えば、３−５時間の長期間にわたって食事開始前よりも高い心拍数を維持する傾向がある。

これらのことから、上記の食事終了時刻の候補周辺の部分データが特徴（イ）、特徴（ロ）及び特徴（ハ）と類似する度合いを特徴量として指標化することにより、当該候補が食事終了時刻として尤もらしいかどうかを評価することが可能となる。

例えば、特徴量算出部１４０は、以下に説明する特徴量（１）〜特徴量（７）の７つの特徴量を算出することができる。

［特徴量（１）］
まず、特徴量（１）について説明する。かかる特徴量（１）は、食事終了後の心拍数の減少幅が数値化された指標である。図４は、特徴量（１）の一例を説明する図である。図４には、説明の便宜上、実際の食事期間を含む心拍数データ上でユーザが食事終了として入力した時点に上記の食事終了時刻の候補が設定された場合が例示されている。図４に示す縦軸は、単位時間当たりの心拍数を指し、横軸は、時間を指す。なお、図中に示す「ｔ１」は、食事開始時刻を指し、図中に示す「ｔ２」は、食事終了時刻を指すこととする。

図４に示すように、特徴量算出部１４０は、一例として、候補とする食事終了時刻ｔ２で計測される心拍数と、その食事終了時刻ｔ２から所定時間α１後の心拍数との差を特徴量（１）として算出することができる。かかる所定時間α１の一例として、候補が真の食事終了時刻に設定された場合に上記の特徴（ロ）の傾向が現れる程度の時間、例えば３分間や５分間程度の時間を採用できる。このようにして算出される特徴量（１）の場合、運動等の活動が行われていない安静時、実際の食事終了時、及び、運動終了時に算出され得る特徴量（１）の関係は、安静時＜食事終了時＜運動終了時となる。このため、一例として、実験や事前計測等により、安静時における特徴量（１）の上限値および運動終了時における特徴量（１）の下限値を境界値として設定し、安静時の上限値＜特徴量（１）＜運動終了時の下限値であるか否かにより、候補が食事終了時刻として尤もらしいか否かを評価することができる。

なお、ここでは、一例として、候補とする食事終了時刻ｔ２で計測される心拍数と、その食事終了時刻ｔ２から所定時間α１後の心拍数との差を特徴量（１）として求める場合を例示したが、特徴量（１）の算出方法はこれに限定されない。他の一例として、特徴量算出部１４０は、食事終了時刻ｔ２から所定時間、例えば１５分程度の間で計測される心拍数のうち最小値をとる心拍数を特徴量（１）として算出することもできる。

［特徴量（２）］
続いて、特徴量（２）について説明する。かかる特徴量（２）は、食事終了直前の心拍数の傾き、すなわち食事中から食事終了直前へ向かって心拍数データの波形が形成する傾きが数値化された指標である。図５は、特徴量（２）の一例を説明する図である。図５にも、説明の便宜上、実際の食事期間を含む心拍数データ上でユーザが食事終了として入力した時点に上記の食事終了時刻の候補が設定された場合が例示されている。図５に示す縦軸は、単位時間当たりの心拍数を指し、横軸は、時間を指す。なお、図中に示す「ｔ１」は、食事開始時刻を指し、図中に示す「ｔ２」は、食事終了時刻を指すこととする。

図５に示すように、特徴量算出部１４０は、一例として、候補とする食事終了時刻ｔ２から所定時間α２前まで遡った区間の心拍数データに含まれる心拍数の時系列に対し、一次関数による関数近似等を行うことにより求まる近似直線Ｌ１の傾きを特徴量（２）として算出することができる。かかる所定時間α２の一例として、一定量の食物が摂取される場合に摂食動作および蠕動運動が継続すると想定できる程度の時間、例えば３分間程度を採用できる。このようにして算出される特徴量（２）の値がゼロに近づくほど食事中の心拍数がおよそ一定値で推移しているとみなすことができるので、上記の食事終了時刻の候補周辺の部分データが特徴（イ）と類似していると評価することができる。

［特徴量（３）］
次に、特徴量（３）について説明する。かかる特徴量（３）は、食事終了直後の心拍数の傾き、すなわち食事終了後に時間経過に伴って心拍数データの波形が形成する傾きが数値化された指標である。図６は、特徴量（３）の一例を説明する図である。図６にも、説明の便宜上、実際の食事期間を含む心拍数データ上でユーザが食事終了として入力した時点に上記の食事終了時刻の候補が設定された場合が例示されている。図６に示す縦軸は、単位時間当たりの心拍数を指し、横軸は、時間を指す。なお、図中に示す「ｔ１」は、食事開始時刻を指し、図中に示す「ｔ２」は、食事終了時刻を指すこととする。

図６に示すように、特徴量算出部１４０は、一例として、候補とする食事終了時刻ｔ２から所定時間α３後までの区間の心拍数データに含まれる心拍数の時系列に対し、一次関数による関数近似等を行うことにより求まる近似直線Ｌ２の傾きを特徴量（３）として算出することができる。かかる所定時間α３の一例として、特徴量（１）のα１と同様、候補が真の食事終了時刻に設定された場合に上記の特徴（ロ）の傾向が現れる程度の時間、例えば３分間や５分間程度の時間を採用できる。このようにして算出される特徴量（３）の場合、運動等の活動が行われていない安静時、実際の食事終了時、及び、運動終了時に算出され得る特徴量（３）の関係は、運動終了時＜食事終了時＜安静時となる。このため、一例として、運動終了時における特徴量（３）の上限値および安静時における特徴量（３）の下限値を境界値として設定し、運動終了時の上限値＜特徴量（３）＜安静時の下限値であるか否かにより、候補が食事終了時刻として尤もらしいか否かを評価することができる。

なお、ここでは、特徴量（３）の算出方法の一例として、候補とする食事終了時刻ｔ２から所定時間α３後までの区間で関数近似を行う場合を例示したが、特徴量（３）の算出方法はこれに限定されない。

他の一例として、特徴量算出部１４０は、候補とする食事終了時刻ｔ２以後の心拍数データを用いて関数近似を行う場合に、関数近似を行う区間の終点を食事終了時刻ｔ２の第１時間後から第１時間よりも後である第２時間後までの間でシフトさせる度に関数近似を行う。その上で、特徴量算出部１４０は、第１時間から第２時間までのシフトの結果、関数近似で得られた複数の近似直線のうち最小である近似直線の傾きを特徴量（３）として導出することもできる。また、特徴量算出部１４０は、第１時間から第２時間までのシフトの結果、関数近似で得られた複数の近似直線のうち心拍数データの部分データとの平均誤差が最小である近似直線の傾きを特徴量（３）として導出することもできる。なお、上記の第１時間の一例として、１分間を採用することができ、また、上記の第２時間の一例として、１０分間を採用することができる。このように、第１時間の一例として１分間を採用することができるのは、食事終了後の傾向をつかむのに十分なデータが得られるできる時間であることが一因にある。また、第２時間の一例として１０分間を採用することができるのは、食事終了後の特徴が十分含まれ、且つ、他の行動（例えば、昼寝）などが影響しにくい時間であることが一因にある。

［特徴量（４）］
次に、特徴量（４）について説明する。かかる特徴量（４）は、食事終了直前および食事終了直後間の角度、すなわち心拍数データの波形が食事終了直前および食事終了直後で形成する角度が数値化された指標である。図７は、特徴量（４）の一例を説明する図である。図７にも、説明の便宜上、実際の食事期間を含む心拍数データ上でユーザが食事終了として入力した時点に上記の食事終了時刻の候補が設定された場合が例示されている。図７に示す縦軸は、単位時間当たりの心拍数を指し、横軸は、時間を指す。なお、図中に示す「ｔ１」は、食事開始時刻を指し、図中に示す「ｔ２」は、食事終了時刻を指すこととする。

図７に示すように、特徴量算出部１４０は、一例として、上記の近似直線Ｌ１の傾き及び上記の近似直線Ｌ２の傾きから各近似直線が交わる角度を特徴量（４）として算出することができる。このようにして算出される特徴量（４）の場合、運動等の活動が行われていない安静時、実際の食事終了時、及び、運動終了時に算出され得る特徴量（１）の関係は、次の通りとなる。すなわち、運動終了時に算出され得る特徴量（４）は、およそ９０度に近づき、食事終了時に算出され得る特徴量（４）は、９０度よりも大きく、一例として、１００度や１１０度などの値に分布する傾向にあり、安静時に算出され得る特徴量（４）は、１８０度に近づく傾向にある。したがって、運動終了時＜食事終了時＜安静時となる。このため、一例として、運動終了時における特徴量（４）の上限値および安静時における特徴量（４）の下限値を境界値として設定し、運動終了時の上限値＜特徴量（４）＜安静時の下限値であるか否かにより、候補が食事終了時刻として尤もらしいか否かを評価することができる。

［特徴量（５）］
次に、特徴量（５）について説明する。かかる特徴量（５）は、食事中（食事終了直前）の心拍数と食事開始前の心拍数との差が数値化された指標である。図８は、特徴量（５）の一例を説明する図である。図８にも、説明の便宜上、実際の食事期間を含む心拍数データ上でユーザが食事終了として入力した時点に上記の食事終了時刻の候補が設定された場合が例示されている。図８に示す縦軸は、単位時間当たりの心拍数を指し、横軸は、時間を指す。なお、図中に示す「ｔ１」は、食事開始時刻を指し、図中に示す「ｔ２」は、食事終了時刻を指すこととする。

図８に示すように、特徴量算出部１４０は、一例として、候補とする食事終了時刻ｔ２から所定時間α５前まで遡った第１区間、すなわち図中の濃い塗りつぶしの区間の中央値と、食事開始前と想定できる時間帯、例えば候補とする食事終了時刻ｔ２の１時間前から３０分前までの第２区間、すなわち図中の薄い塗りつぶしの区間の中央値との差を特徴量（５）として算出することができる。ここでは、一例として、各中央値の差を求める場合を例示したが、相加平均、加重平均や移動平均などの任意の統計値を求め、両者の差を求めることとしてもかまわない。また、所定時間α５の一例として、上記の特徴量（２）のα２と同様、一定量の食物が摂取される場合に摂食動作および蠕動運動が継続すると想定できる程度の時間、例えば３分間程度を採用できる。このようにして算出される特徴量（５）の場合、運動等の活動が行われていない安静時、実際の食事終了時、及び、運動終了時に算出され得る特徴量（５）の関係は、安静時＜食事終了時＜運動終了時となる。このため、一例として、安静時における特徴量（５）の上限値および運動終了時における特徴量（５）の下限値を境界値として設定し、安静時の上限値＜特徴量（５）＜運動終了時の下限値であるか否かにより、候補が食事終了時刻として尤もらしいか否かを評価することができる。なお、食事開始時刻が既知の場合には、その時刻から所定時間分（例えば３０分前）分前を第２区間としても良い。

なお、ここでは、特徴量（５）の算出方法の一例として、第１区間の中央値と第２区間の中央値との差を特徴量（５）として算出する場合を例示したが、特徴量（５）の算出方法はこれに限定されない。他の一例として、特徴量算出部１４０は、第１区間の中央値の代わりに、候補とする食事終了時刻ｔ２で計測される心拍数と第２区間の中央値との差を求めることにより、特徴量（５）として算出することとしてもかまわない。

［特徴量（６）］
次に、特徴量（６）について説明する。かかる特徴量（６）は、食事開始前の心拍数の集合に対する食事中（食事終了直前）の心拍数の生起確率が数値化された指標である。例えば、特徴量算出部１４０は、図８を用いて説明した第２区間の心拍数データに含まれる心拍数の確率分布を作成する。このように確率分布を作成する場合、特徴量算出部１４０は、第２区間に含まれる心拍数のうち候補とする食事終了時刻ｔ２に近い時刻の心拍数に当該食事終了時刻ｔ２から遠い時刻の心拍数よりも大きい重みを付与して確率分布を作成することもできる。その上で、特徴量算出部１４０は、先に第２区間、すなわち食事開始前の心拍数の集合から作成した確率分布から、第１区間、すなわち食事中の区間に対応する心拍数データに含まれる心拍数ごとに当該心拍数の生起確率を算出する。その結果、特徴量算出部１４０は、第１区間に含まれる心拍数ごとに算出された生起確率のうち最大値を特徴量（６）として導出する。なお、ここでは、生起確率の最大値を用いる場合を例示したが、ノイズや心拍変動の発生にロバストな特徴量を求めるために、最大値の代わりに生起確率の上位の所定数、例えば１位から１０位までの生起確率や上位１／５の生起確率を特徴量（６）として導出することもできる。

図９は、特徴量（６）の一例を説明する図である。図９には、図８で示した第２区間の心拍数データに含まれる心拍数の集合から求められた確率分布が示されている。図９に示す縦軸は、確率または確率密度を指し、横軸は、心拍数を指す。図９に示すように、候補が真の食事終了時刻に設定された場合、上記の特徴（イ）から、第１区間の心拍数の分布、すなわち濃い塗りつぶしが第２区間の心拍数の分布、すなわち薄い塗りつぶしよりも右側、すなわち高い心拍数で現れる。そして、第１区間の生起確率は、最大値であっても第２区間に含まれる心拍数の確率密度の最大値に比べて小さくなる。このような特徴量（６）によれば、その値が小さいほど食事中の心拍数が食事開始前に比べて高い状態、すなわち安静時に比べて高い状態が継続しているとみなすことができるので、上記の食事終了時刻の候補周辺の部分データが特徴（イ）と類似していると評価することができる。

なお、ここでは、特徴量（６）の算出方法の一例として、第２区間の心拍数データに含まれる心拍数の集合から確率分布を作成する場合を例示したが、特徴量（６）の算出方法はこれに限定されない。他の一例として、特徴量算出部１４０は、食事開始時刻が既知である場合、第２区間の代わりに、候補とする食事終了時刻ｔ２の１時間前から食事開始時刻ｔ１までの区間の心拍数データに含まれる心拍数の集合から確率分布を作成することにより、特徴量（６）を算出することとしてもかまわない。

［特徴量（７）］
次に、特徴量（７）について説明する。かかる特徴量（７）は、食事終了後の心拍数分布と食事開始前の心拍数分布との類似度が数値化された指標である。図１０及び図１１は、特徴量（７）の一例を説明する図である。図１０には、候補とする食事終了時刻ｔ２の４時間前から４時間後へわたる心拍数データが例示されると共に、説明の便宜上、実際の食事期間を含む心拍数データ上でユーザが食事終了として入力した時点に上記の食事終了時刻の候補が設定された場合が例示されている。図１０に示す縦軸は、単位時間当たりの心拍数を指し、横軸は、時間を指す。なお、図中に示す「ｔ１」は、食事開始時刻を指し、図中に示す「ｔ２」は、食事終了時刻を指すこととする。

図１０に示すように、特徴量算出部１４０は、一例として、候補とする食事終了時刻ｔ２から所定時間α６後までの第３区間、すなわち図中の濃い塗りつぶしの区間の心拍数データに含まれる心拍数の確率分布を作成する。かかる所定時間α６の一例として、候補が真の食事終了時刻に設定された場合に上記の特徴（ハ）の傾向が現れる程度の時間、例えば１時間程度の時間を採用できる。これと共に、特徴量算出部１４０は、図８を用いて説明した第２区間、すなわち図中の薄い塗りつぶしの区間の心拍数データに含まれる心拍数の確率分布を作成する。この結果、図１１に示すように、第３区間の確率分布及び第２区間の確率分布が作成される。その上で、特徴量算出部１４０は、図１１に示すように、第３区間から作成された確率分布で確率密度が最大となる心拍数と、第２区間から作成された確率分布で確率密度が最大となる心拍数との差を特徴量（７）として算出したり、または、２つの確率分布の類似度、例えば内積や相関係数などを特徴量（７）として算出したりする。例えば、内積や相関係数などの類似度を特徴量（７）として算出する場合、運動等の活動が行われていない安静時、実際の食事終了時、及び、運動終了時に算出され得る特徴量（７）の関係は、安静時及び運動終了時のいずれより算出される場合よりも食事終了時に算出される特徴量（７）の方が小さくなる。すなわち、食事終了時＜安静時、かつ、食事終了時＜運動終了時となる。この場合、安静時及び運動終了時の下限値よりも特徴量（７）が小さいか否かにより、候補が食事終了時刻として尤もらしいか否かを評価することができる。また、最大値となる心拍数の差を特徴量（７）として算出する場合、運動等の活動が行われていない安静時、実際の食事終了時、及び、運動終了時に算出され得る特徴量（７）の関係は、安静時及び運動終了時のいずれより算出される場合よりも食事終了時に算出される特徴量（７）の方が大きくなる。すなわち、食事終了時＞安静時、かつ、食事終了時＞運動終了時となる。この場合、安静時及び運動終了時の上限値よりも特徴量（７）が大きいか否かにより、候補が食事終了時刻として尤もらしいか否かを評価することができる。なお、上記の類似度および上記の最大値となる心拍数の差は、いずれか一方を特徴量（７）として算出することもできるし、両方を特徴量（７）として算出することもできる。

なお、ここでは、特徴量（７）の算出方法の一例として、第２区間の心拍数データに含まれる心拍数の集合から確率分布を作成する場合を例示したが、特徴量（７）の算出方法はこれに限定されない。他の一例として、特徴量算出部１４０は、食事開始時刻が既知である場合、第２区間の代わりに、候補とする食事終了時刻ｔ２の１時間前から食事開始時刻ｔ１までの区間の心拍数データに含まれる心拍数の集合から確率分布を作成することにより、特徴量（７）を算出することとしてもかまわない。

このように、特徴量算出部１４０は、上記の特徴量（１）〜特徴量（７）の７つの特徴量のうち少なくともいずれか１つの特徴量、あるいは任意の個数の特徴量の組合せを上記の候補ごとに算出することができる。

図１の説明に戻り、食事時間推定部１５０は、特徴量算出部１４０により算出された特徴量から食事時間を推定する処理部である。以下では、あくまで一例として、食事時間の推定に、特徴量（１）、特徴量（４）、特徴量（５）及び特徴量（６）が用いられる場合を例示するが、他の特徴量を用いることとしてもかまわず、必ずしも特徴量（１）、特徴量（４）、特徴量（５）及び特徴量（６）を閾値判定に用いずともかまわない。また、食事時間の一例として、食事終了時刻を推定する場合を例示するが、食事開始時刻、食事所要時間もしくはこれらの組合せを推定することとしてもかまわない。

図１に示す食事時間推定部１５０は、判定部１５１と、グルーピング部１５２と、決定部１５３とを有する。

このうち、判定部１５１は、特徴量算出部１４０により算出された特徴量と所定の閾値とを比較する判定を実行する処理部である。

一実施形態として、判定部１５１は、特徴量算出部１４０により特徴量（１）、特徴量（４）、特徴量（５）及び特徴量（６）が算出される度に次のような処理を実行する。すなわち、判定部１５１は、特徴量（１）が所定の閾値以上であるか否かを判定する。続いて、特徴量（１）が閾値以上である場合、判定部１５１は、特徴量（５）が所定の閾値以下であるか否かをさらに判定する。そして、特徴量（５）が閾値以下である場合、判定部１５１は、特徴量（６）が所定の閾値未満であるか否かをさらに判定する。この結果、特徴量（１）が閾値以上であり、特徴量（５）が閾値以下であり、かつ特徴量（６）が閾値未満である場合には、これら特徴量（１）、特徴量（５）及び特徴量（６）を持つ食事終了時刻の候補が食事終了時刻として尤もらしいと推定できる。この場合、判定部１５１は、図示しない内部メモリ等に当該候補を食事終了時刻として記録する。

ここで、上記の例では、特徴量（１）、特徴量（５）、特徴量（６）の順に閾値判定を行う分類木を判定モデルとして用いる場合を例示したが、食事時間の推定に用いる判定モデルはこれに限定されない。例えば、正解付きの教師データを機械学習させることにより、任意の判定モデルを生成できる。すなわち、７つの特徴量のうちいずれの特徴量を閾値判定に用いるかを決定すると共に閾値判定を行う特徴量の順番を決定することで分類木を定めたり、さらには、分類木で特徴量と比較する閾値の大きさを設定したりすることにより、判定モデルを生成できる。例えば、上記の特徴量（１）、特徴量（５）及び特徴量（６）以外の特徴量、すなわち特徴量（２）、特徴量（３）、特徴量（４）または特徴量（７）に関する閾値判定を行う分類木を生成することができる。

このような機械学習を行うことにより、次のような効果を得ることができる。例えば、特徴量（１）の場合、運動等の活動が行われていない安静時、実際の食事終了時、及び、運動時に算出され得る特徴量（１）の関係が安静時＜食事終了時＜運動時となる人物が多数派と考えられるが、必ずしも特徴量（１）が安静時＜食事終了時＜運動時という傾向を持たない人物も存在する。一例として、特徴量（１）が安静時＜運動時＜食事終了時という傾向を持つ人物も存在する。この場合にも、当該人物のポジティブデータとネガティブデータ用いて機械学習を行うことにより、当該人物の傾向に合わせて分類木を生成できる。

グルーピング部１５２は、食事終了時刻をグルーピングする処理部である。

一実施形態として、グルーピング部１５２は、内部メモリに記憶された食事終了時刻のうち互いの時間差が所定期間内である食事終了時刻をグルーピングする。例えば、グルーピング部１５２は、互いの時間差が所定期間内である食事終了時刻の各々に同一のグループの識別情報を付与し、互いの時間差が所定期間内でない食事終了時刻に異なるグループの識別情報を付与する。その上で、グルーピング部１５２は、各食事終了時刻に当該終了時刻に付与されたグループの識別情報を対応付けて内部メモリに記録させることにより、上記のグルーピングを実現できる。

決定部１５３は、同一のグループにグルーピングされた食事終了時刻を用いて、１つの食事終了時刻を決定する処理部である。

一実施形態として、決定部１５３は、グルーピング部１５２により同一のグループにグルーピングされた食事終了時刻のうち特徴量算出部１４０により算出された特徴量（４）が最小である食事終了時刻を選択する。これによって、特徴量（１）、特徴量（５）及び特徴量（６）により尤もらしいと評価された食事終了時刻の中でも、さらに特徴量（４）により尤もらしいと評価された食事終了時刻を抽出できる。なお、ここでは、同一のグループにグルーピングされた食事終了時刻の中から１つの食事終了時刻を選択する場合を例示したが、各食事終了時刻の間で所定の統計値、例えば平均値や中央値を求め、その統計値を食事終了時刻として決定することとしてもかまわない。

サービス提供部１６０は、上記のヘルスケア支援サービスを提供する処理部である。

一実施形態として、サービス提供部１６０は、食事時間推定部１５０により推定された食事時間、例えば食事開始時刻、食事終了時刻、もしくは、食事所要時間のうち少なくともいずれか１つを記録したり、それまでに記録された食事時間から所定期間、例えば１週間などにわたる食事時間帯の一覧表を生成した上で出力したり、それまでに記録された食事時刻から食習慣またはダイエットに関する分析を行った上で各種のアドバイスを出力したりする。なお、サービス提供部１６０で実装される機能は、外部のサーバ装置等などにより実現されることとしてもよい。

なお、上記の運動期間判定部１２０、ノイズ心拍数除去部１３０、特徴量算出部１４０、食事時間推定部１５０及びサービス提供部１６０などの機能部は、次のようにして実装できる。例えば、中央処理装置、いわゆるＣＰＵなどに、上記の各機能部と同様の機能を発揮するプロセスをメモリ上に展開して実行させることにより実現できる。これらの機能部は、必ずしも中央処理装置で実行されずともよく、ＭＰＵに実行させることとしてもよい。また、上記の各機能部は、ＡＳＩＣやＦＰＧＡなどのハードワイヤードロジックによっても実現できる。

また、上記の各機能部が用いる主記憶装置には、一例として、各種の半導体メモリ素子、例えばＲＡＭやフラッシュメモリを採用できる。また、上記の各機能部が参照する記憶装置は、必ずしも主記憶装置でなくともよく、補助記憶装置であってもかまわない。この場合、ＨＤＤ、光ディスクやＳＳＤなどを採用できる。

［処理の流れ］
図１２は、実施例１に係る食事時間推定処理の手順を示すフローチャートである。この処理は、一例として、所定の時間長、例えば１２時間や１日間などにわたる心拍数データ及び加速度データが取得された場合に起動される。

図１２に示すように、センサ端末１０から心拍数データ及び加速度データが取得されると（ステップＳ１０１）、運動期間判定部１２０は、次のような処理を実行する。すなわち、運動期間判定部１２０は、ステップＳ１０１で取得された加速度データのうち重力方向の加速度を用いて、運動に対応する上昇および下降のパターン同士の間隔が所定期間内に繰り返して現れる区間を運動期間として判定する（ステップＳ１０２）。

続いて、ノイズ心拍数除去部１３０は、ステップＳ１０１で取得された心拍数データから、ステップＳ１０２で判定された運動期間に一定期間を加えた除去期間に対応する区間を除去する（ステップＳ１０３）。

そして、特徴量算出部１４０は、ステップＳ１０１で取得された心拍数データ上で食事終了時刻と仮定する候補の時刻ｉを初期化する（ステップＳ１０４）。例えば、特徴量（１）、特徴量（４）、特徴量（５）及び特徴量（６）を算出する場合、候補の時刻ｉから１時間前までのデータが食事時間の推定に用いられるので、ステップＳ１０１で取得された心拍数データの開始時刻から１時間後の時刻が候補の時刻ｉとして初期設定される。

その後、特徴量算出部１４０は、ステップＳ１０１で取得された心拍数データを用いて、特徴量（１）、特徴量（４）、特徴量（５）及び特徴量（６）を算出する（ステップＳ１０５）。

続いて、判定部１５１は、ステップＳ１０５で算出された特徴量（１）が所定の閾値以上であるか否かを判定する（ステップＳ１０６）。このとき、特徴量（１）が閾値以上である場合（ステップＳ１０６Ｙｅｓ）、判定部１５１は、特徴量（５）が所定の閾値以下であるか否かをさらに判定する（ステップＳ１０７）。そして、特徴量（５）が閾値以下である場合（ステップＳ１０７Ｙｅｓ）、判定部１５１は、特徴量（６）が所定の閾値未満であるか否かをさらに判定する（ステップＳ１０８）。

ここで、特徴量（６）が閾値未満である場合（ステップＳ１０８Ｙｅｓ）には、これら特徴量（１）、特徴量（５）及び特徴量（６）を持つ食事終了時刻の候補が食事終了時刻として尤もらしいと推定できる。この場合、判定部１５１は、図示しない内部メモリ等に当該候補を食事終了時刻として記録する（ステップＳ１０９）。

一方、特徴量（１）が閾値以上でない場合、特徴量（５）が閾値以下でない場合、あるいは特徴量（６）が閾値未満でない場合（ステップＳ１０６Ｎｏ、ステップＳ１０７ＮｏまたはステップＳ１０８Ｎｏ）、特徴量（１）、特徴量（５）または特徴量（６）の少なくともいずれか１つの特徴量から食事終了時刻の候補が食事終了時刻として尤もらしくないと推定できる。この場合、当該候補は、食事終了時刻として記録されない。

そして、候補の時刻ｉがインクリメントできる最後の時刻、例えば特徴量（１）、特徴量（４）、特徴量（５）及び特徴量（６）を求める場合はステップＳ１０１で取得された心拍数データの終了時刻よりも所定時間α１（＝α３）前の時刻になるまで（ステップＳ１１０Ｎｏ）食事終了時刻の候補とする時刻ｉをインクリメントし、上記のステップＳ１０６〜ステップＳ１０９までの処理を繰り返し実行する。このように候補の時刻ｉをインクリメントする量は、ミリ秒、秒、分などの任意の単位であってもかまわない。

そして、候補の時刻ｉがインクリメントできる最後の時刻、例えば特徴量（１）、特徴量（４）、特徴量（５）及び特徴量（６）を求める場合はステップＳ１０１で取得された心拍数データの終了時刻のα１（＝α３）前の時刻になると（ステップＳ１１０Ｙｅｓ）、グルーピング部１５２は、ステップＳ１０９で記録された食事終了時刻のうち互いの時間差が所定期間内である食事終了時刻をグルーピングする（ステップＳ１１１）。

その後、決定部１５３は、ステップＳ１１１で同一のグループにグルーピングされた食事終了時刻のうちステップＳ１０５で算出された特徴量（４）が最小である食事終了時刻を選択し（ステップＳ１１２）、処理を終了する。

［効果の一側面］
上述してきたように、本実施例に係るヘルスケア支援システム１は、心拍数の時系列データから食事開始時刻、食事終了時刻または食事所要時間などの食事時間を推定する場合に、食事終了時に現れる心拍変化の特徴との類似度が指標化された特徴量を用いる。これによって、例えば、食事以外の原因、例えば精神の緊張、環境温度の変化や運動行為などによって心拍数が上昇する場面で食事時刻が推定されるのを抑制する。したがって、本実施例に係るヘルスケア支援システム１によれば、食事時間の推定精度が低下するのを抑制できる。

さて、これまで開示の装置に関する実施例について説明したが、本発明は上述した実施例以外にも、種々の異なる形態にて実施されてよいものである。そこで、以下では、本発明に含まれる他の実施例を説明する。

［食事開始時刻１］
上記の実施例１では、食事終了時刻を推定する場合を例示したが、既知のアルゴリズムを用いて、食事開始時刻を推定することもできる。例えば、情報処理装置１００は、上記の心拍数データを参照し、所定期間、例えば３分間後に心拍数の上昇値が閾値以上となる時刻を食事開始時刻として推定したり、所定期間後までの心拍数の時系列から関数近似により求めた近似直線の傾きの符号が「正」であり、かつ絶対値が所定の閾値以上となる時刻を食事開始時刻として推定することもできる。

［食事開始時刻２］
さらに、情報処理装置１００は、食事時間推定部１５０により推定される食事終了時間を用いて、先のようにして推定される食事開始時刻のうち尤もらしい食事開始時刻を抽出することもできる。例えば、情報処理装置１００は、先のようにして推定された食事開始時刻のうち食事時間推定部１５０により推定された食事終了時刻よりも前の時刻であり、かつ当該食事終了時刻から所定の期間、例えば１時間以内である食事開始時刻を、食事時間推定部１５０が推定する食事終了時刻と対になる食事開始時刻として推定する。これによって、食事時間推定部１５０により推定された食事終了時刻との比較から尤もらしい食事開始時刻を抽出できる。

［食事所要時間］
上記の実施例１では、食事終了時刻を推定する場合を例示したが、既知のアルゴリズムを用いて、食事所要時間を推定することもできる。例えば、情報処理装置１００は、食事時間推定部１５０により推定される食事終了時間と、先のようにして推定される食事開始時刻との間で両者の差を計算することにより、食事所要時間を算出することもできる。この場合、情報処理装置１００は、先のようにして推定された食事開始時刻のうち食事時間推定部１５０により推定された食事終了時刻よりも前の時刻である食事開始時間に絞って食事所要時間の算出対象としたり、時間長が所定の閾値、例えば１時間や１時間半以内である食事所要時間を抽出したりすることができる。

［他の実装例１］
上記の実施例１では、センサ端末１０及び情報処理装置１００を含むクライアントサーバシステムとして構築される場合を例示したが、これに限定されない。例えば、心拍数データの取得から食事時間の推定までの一連の処理をセンサ端末１０、情報処理装置１００、あるいはその他のコンピュータにスタンドアローンで実行させることとしてもかまわない。

［他の実装例２］
また、図示した各装置の各構成要素は、必ずしも物理的に図示の如く構成されておらずともよい。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。例えば、上記の実施例１では、図１２に示した食事時間推定処理を情報処理装置１００が実行する場合を例示したが、処理の実行主体はこれに限定されない。例えば、センサ端末１０からの心拍数データや加速度データを中継する中継装置として情報処理装置１００を機能させ、上記のヘルスケア支援サービスを提供するＷｅｂサーバやアウトソーシングによって上記のヘルスケア支援サービスを提供するクラウドに、上記の食事時間推定処理を実行させることとしてもかまわない。

［食事時間推定プログラム］
また、上記の実施例で説明した各種の処理は、予め用意されたプログラムをパーソナルコンピュータやワークステーションなどのコンピュータで実行することによって実現することができる。そこで、以下では、図１３を用いて、上記の実施例と同様の機能を有する食事時間推定プログラムを実行するコンピュータの一例について説明する。

図１３は、実施例１及び実施例２に係る食事時間推定プログラムを実行するコンピュータのハードウェア構成例を示す図である。図１３に示すように、コンピュータ１０００は、操作部１１００ａと、スピーカ１１００ｂと、カメラ１１００ｃと、ディスプレイ１２００と、通信部１３００とを有する。さらに、このコンピュータ１０００は、ＣＰＵ１５００と、ＲＯＭ１６００と、ＨＤＤ１７００と、ＲＡＭ１８００とを有する。これら１１００〜１８００の各部はバス１４００を介して接続される。

ＨＤＤ１７００には、図１３に示すように、上記の実施例１で示した運動期間判定部１２０、ノイズ心拍数除去部１３０、特徴量算出部１４０及び食事時間推定部１５０と同様の機能を発揮する食事時間推定プログラム１７００ａが記憶される。この食事時間推定プログラム１７００ａは、図１に示した運動期間判定部１２０、ノイズ心拍数除去部１３０、特徴量算出部１４０及び食事時間推定部１５０の各構成要素と同様、統合又は分離してもかまわない。すなわち、ＨＤＤ１７００には、必ずしも上記の実施例１で示した全てのデータが格納されずともよく、処理に用いるデータがＨＤＤ１７００に格納されればよい。

このような環境の下、ＣＰＵ１５００は、ＨＤＤ１７００から食事時間推定プログラム１７００ａを読み出した上でＲＡＭ１８００へ展開する。この結果、食事時間推定プログラム１７００ａは、図１３に示すように、食事時間推定プロセス１８００ａとして機能する。この食事時間推定プロセス１８００ａは、ＲＡＭ１８００が有する記憶領域のうち食事時間推定プロセス１８００ａに割り当てられた領域にＨＤＤ１７００から読み出した各種データを展開し、この展開した各種データを用いて各種の処理を実行する。例えば、食事時間推定プロセス１８００ａが実行する処理の一例として、図１２に示す処理などが含まれる。なお、ＣＰＵ１５００では、必ずしも上記の実施例１で示した全ての処理部が動作せずともよく、実行対象とする処理に対応する処理部が仮想的に実現されればよい。

なお、上記の食事時間推定プログラム１７００ａは、必ずしも最初からＨＤＤ１７００やＲＯＭ１６００に記憶されておらずともかまわない。例えば、コンピュータ１０００に挿入されるフレキシブルディスク、いわゆるＦＤ、ＣＤ−ＲＯＭ、ＤＶＤディスク、光磁気ディスク、ＩＣカードなどの「可搬用の物理媒体」に各プログラムを記憶させる。そして、コンピュータ１０００がこれらの可搬用の物理媒体から各プログラムを取得して実行するようにしてもよい。また、公衆回線、インターネット、ＬＡＮ、ＷＡＮなどを介してコンピュータ１０００に接続される他のコンピュータまたはサーバ装置などに各プログラムを記憶させておき、コンピュータ１０００がこれらから各プログラムを取得して実行するようにしてもよい。

１ ヘルスケア支援システム
１０ センサ端末
１１ 心拍数データ取得部
１２ 加速度データ取得部
１３ 通信Ｉ／Ｆ部
１００ 情報処理装置
１１０ 通信Ｉ／Ｆ部
１２０ 運動期間判定部
１３０ ノイズ心拍数除去部
１４０ 特徴量算出部
１５０ 食事時間推定部
１５１ 判定部
１５２ グルーピング部
１５３ 決定部
１６０ サービス提供部

Claims (7)

1. コンピュータが、
   心拍数の時系列データを取得する処理と、
   前記心拍数の時系列データから食事終了時に現れる心拍変化の特徴との類似度が指標化された特徴量を算出する処理と、
   前記特徴量から食事時間を推定する処理と
   を実行することを特徴とする食事時間推定方法。
2. 前記算出する処理は、食事終了後の心拍数の減少幅が数値化された特徴量、食事終了直前の心拍数の傾きが数値化された特徴量、食事終了直後の心拍数の傾きが数値化された特徴量、食事終了直前および食事終了直後で心拍数データの波形が形成する角度が数値化された特徴量、食事中または食事終了直前の心拍数と食事開始前の心拍数との差が数値化された特徴量、食事開始前の心拍数の集合に対する食事中または食事終了直前の心拍数の生起確率が数値化された特徴量、及び、食事終了後の心拍数分布と食事開始前の心拍数分布との類似度が数値化された特徴量のうち少なくともいずれか１つを算出することを特徴とする請求項１に記載の食事時間推定方法。
3. 前記推定する処理は、前記食事時間として、食事開始時刻、食事終了時刻及び食事所要時間のうち少なくともいずれか１つを推定することを特徴とする請求項１に記載の食事時間推定方法。
4. 前記推定する処理は、前記食事終了時刻を推定する場合に前記特徴量から前記食事終了時刻を推定し、前記食事開始時刻を推定する場合に前記心拍数の時系列データから抽出される食事開始時刻の候補のうち前記食事終了時刻に対応する候補を前記食事開始時刻として推定し、前記食事所要時間を推定する場合に互いが対応する一組の食事開始時刻及び食事終了時刻から定まる食事所要時間の候補のうち期間が所定の範囲内である候補を前記食事所要時間として推定することを特徴とする請求項３に記載の食事時間推定方法。
5. 前記コンピュータが、
   所定期間内に複数の食事終了時刻が推定された場合、前記複数の食事終了時刻のうち前記食事終了時に現れる特徴との類似度が高い特徴量を持つ食事終了時刻を前記食事時間として推定することを特徴とする請求項３に記載の食事時間推定方法。
6. 前記コンピュータが、
   慣性の時系列データを取得し、
   前記慣性の時系列データから運動に対応する振幅変化を判定し、
   前記心拍数の時系列データから前記運動に対応する振幅変化の区間を除去または除去後に内挿補完する処理をさらに実行することを特徴とする請求項１に記載の食事時間推定方法。
7. 心拍数の時系列データを取得する取得部と、
   前記心拍数の時系列データから食事終了時に現れる心拍変化の特徴との類似度が指標化された特徴量を算出する算出部と、
   前記特徴量から食事時間を推定する推定部と
   を実行することを特徴とする食事時間推定装置。

Images