JP6504264B2 - 情報処理装置、情報処理方法および情報処理プログラム - Google Patents

情報処理装置、情報処理方法および情報処理プログラム Download PDF

Info

Publication number
JP6504264B2
JP6504264B2 JP2017548579A JP2017548579A JP6504264B2 JP 6504264 B2 JP6504264 B2 JP 6504264B2 JP 2017548579 A JP2017548579 A JP 2017548579A JP 2017548579 A JP2017548579 A JP 2017548579A JP 6504264 B2 JP6504264 B2 JP 6504264B2
Authority
JP
Japan
Prior art keywords
heart rate
intake
time
feature amount
unit
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
JP2017548579A
Other languages
English (en)
Other versions
JPWO2017077623A1 (ja
Inventor
史歩 鷲澤
史歩 鷲澤
一穂 前田
一穂 前田
大輔 内田
大輔 内田
森　達也
達也 森
明大 猪又
明大 猪又
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fujitsu Ltd
Original Assignee
Fujitsu Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fujitsu Ltd filed Critical Fujitsu Ltd
Publication of JPWO2017077623A1 publication Critical patent/JPWO2017077623A1/ja
Application granted granted Critical
Publication of JP6504264B2 publication Critical patent/JP6504264B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—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
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • 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
    • A61B5/0245—Detecting, measuring or recording pulse rate or heart rate by using sensing means generating electric signals, i.e. ECG signals
    • 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
    • A61B5/02438—Detecting, measuring or recording pulse rate or heart rate with portable devices, e.g. worn by the patient
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4866—Evaluating metabolism
    • 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
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7282—Event detection, e.g. detecting unique waveforms indicative of a medical condition
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/60—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to nutrition control, e.g. diets
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Physics & Mathematics (AREA)
  • Veterinary Medicine (AREA)
  • Epidemiology (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Primary Health Care (AREA)
  • Data Mining & Analysis (AREA)
  • Cardiology (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Obesity (AREA)
  • Nutrition Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medicinal Chemistry (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Description

本件は、情報処理装置、情報処理方法および情報処理プログラムに関する。
飲料の摂取を検知する技術が望まれている。例えば、飲料摂取の際の腕の動作を検出することで飲料の摂取を判定する技術が開示されている（例えば、特許文献１参照）。
特開２０１４−７９５０６号公報
しかしながら、飲料摂取に伴う腕の動作は多様であるため、飲料摂取行動を正確に検出することは困難である。例えば、上記発明で想定される腕の動きは、あくまでも飲料摂取時になされる動作のごく一部に過ぎないため、その他の飲料摂取時の腕の動作の場合に検出漏れが発生する。また、日常生活における腕の動作は多種多様であるため誤検出が発生する。
１つの側面では、本件は、特定の行動に依存せず、また様々な環境下で飲料摂取を検知することができる情報処理装置、情報処理方法、および情報処理プログラムを提供することを目的とする。
１つの態様では、情報処理装置は、被分析者の心拍数を取得する心拍数取得部と、前記心拍数取得部が取得する心拍数の経時変化から、心拍数の上昇または下降を検出し、前記心拍数の上昇が検出される前の心拍数の平均値またはばらつきと、前記下降後に所定値まで戻った後の心拍数の平均値またはばらつきを抽出する特徴量抽出部と、飲料摂取に係る心拍数の経時変化に関する情報を予め格納する格納部と、前記特徴量抽出部が抽出した特徴量と前記格納部に格納された情報とに基づいて、前記心拍数取得部が取得した心拍数の経時変化が飲料摂取に起因するか否かを判定する判定部と、を備える。
特定の行動に依存せず、また様々な環境下で飲料摂取を検知することができる。
第１実施形態に係る情報処理装置のハードウェア構成を例示するブロック図である。 （ａ）は情報処理プログラムの実行によって実現される各機能のブロック図であり、（ｂ）は心拍変化算出部の各機能を表す機能ブロック図である。 飲料摂取検知処理を表すフローチャートの一例である。 飲料摂取に起因する心拍数の経時変化を例示する図である。 特徴量の算出処理を表すフローチャートの一例である。 速度特徴量の算出を例示する図である。 （ａ）は速度特徴量ｉ〜速度特徴量ｉｉｉの算出処理を表すフローチャートの一例であり、（ｂ）は差分特徴量ｉｖ〜差分特徴量ｖｉの算出処理を表すフローチャートの一例であり、（ｃ）は交差特徴量ｖｉｉの算出処理を表すフローチャートの一例である。 差分特徴量の算出を例示する図である。 交差特徴量の算出を例示する図である。 ベースライン特徴量の算出を例示する図である。 （ａ）はベースライン特徴量の算出処理を表すフローチャートの一例であり、（ｂ）は変動特徴量の算出処理を表すフローチャートの一例であり、（ｃ）は振幅特徴量の算出処理を表すフローチャートの一例であり、（ｄ）は面積特徴量の算出処理を表すフローチャートの一例である。 変動特徴量の算出を例示する図である。 心拍特徴量の算出を例示する図である。 面積特徴量の算出を例示する図である。 近似の他の例を表す図である。 データベースに格納するモデルを作成する処理を表すフローチャートの一例である。 飲料摂取か飲料非摂取を判定するフローチャートの一例である。 マハラノビス距離を例示する図である。 飲料摂取量の算出を表すフローチャートの一例である。 第２実施形態に係る情報処理装置のハードウェア構成を例示するブロック図である。 飲料摂取検知処理を表すフローチャートの一例である。 （ａ）は第３実施形態に係る情報処理装置の機能ブロック図であり、（ｂ）は心拍変化算出部の各機能を表す機能ブロック図である。 飲料摂取検知処理を表すフローチャートの一例である。 （ａ）は飲料摂取時の心拍数の経時変化信号ｓ（ｔ）を例示し、（ｂ）は飲料摂取検知処理時に取得された心拍数の経時変化信号ｘ（ｔ）を例示する。 （ａ）および（ｂ）は情報処理装置の他の装置構成を例示する図である。
以下、図面を参照しつつ、実施形態について説明する。
（第１実施形態）
図１は、第１実施形態に係る情報処理装置１００のハードウェア構成を例示するブロック図である。図１で例示するように、情報処理装置１００は、ＣＰＵ１０１、ＲＡＭ１０２、記憶装置１０３、表示装置１０４、心拍測定装置１０５などを備える。これらの各機器は、バスなどによって接続されている。
ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）１０１は、中央演算処理装置である。ＣＰＵ１０１は、１以上のコアを含む。ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）１０２は、ＣＰＵ１０１が実行するプログラム、ＣＰＵ１０１が処理するデータなどを一時的に記憶する揮発性メモリである。
記憶装置１０３は、不揮発性記憶装置である。記憶装置１０３として、例えば、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、フラッシュメモリなどのソリッド・ステート・ドライブ（ＳＳＤ）、ハードディスクドライブに駆動されるハードディスクなどを用いることができる。本実施形態に係る情報処理プログラムは、記憶装置１０３に記憶されている。表示装置１０４は、液晶ディスプレイ、エレクトロルミネッセンスパネル等であり、後述する飲料摂取検知処理の結果などを表示する。
心拍測定装置１０５は、飲料を摂取する人や動物などの被分析者の心拍（脈拍）を測定する装置である。心拍測定装置１０５は、心拍（脈拍）を測定することができれば特に限定されるものではない。例えば、心拍測定装置１０５は、心電計や脈動センサなどであってもよい。飲料とは、液体の飲み物であれば特に限定されるものではない。ただし、アルコール類の摂取時には飲料摂取終了後に、アルコールの吸収・分解などに起因して心拍数が上昇する場合があるため、非アルコール類を対象とすることが好ましい。
記憶装置１０３に記憶されている情報処理プログラムは、実行可能にＲＡＭ１０２に展開される。ＣＰＵ１０１は、ＲＡＭ１０２に展開された情報処理プログラムを実行する。それにより、情報処理装置１００による各処理が実行される。図２（ａ）は、情報処理プログラムの実行によって実現される各機能のブロック図である。情報処理プログラムの実行によって、心拍数取得部１０、心拍変化算出部２０、判定部３０、格納部４０などが実現される。以下、格納部はデータベースを意味する。
図２（ｂ）は、心拍変化算出部２０の各機能を表す機能ブロック図である。図２（ｂ）で例示するように、心拍変化算出部２０は、速度特徴量算出部２１、差分特徴量算出部２２、交差特徴量算出部２３、ベースライン特徴量算出部２４、変動特徴量算出部２５、振幅特徴量算出部２６および面積特徴量算出部２７などとして機能する。
（飲料摂取検知処理）
図３は、飲料摂取検知処理を表すフローチャートの一例である。図３で例示するように、心拍数取得部１０は、心拍測定装置１０５から心拍を取得することで、心拍数の経時変化を取得する（ステップＳ１）。図４は、飲料摂取に起因する心拍数の経時変化を例示する。図４において、横軸は経過時間を表し、縦軸は心拍数を表す。心拍数は、単位時間あたりの拍動数のことであり、具体的には１分あたりの拍動数である。以下、特に断りが無い限り、心拍数とは、１分あたりの拍動数のことを意味する。また、飲料の摂取とは、所定の時間範囲内で飲料を口から１回以上飲み込むことを意味する。当該所定の時間範囲を超えて新たに飲料を飲み込む場合には、２度目の飲料摂取が行われたことになる。図４は、一度の飲料摂取に係る心拍数の経時変化を例示している。
図４で例示するように、飲料摂取に係る心拍数の経時変化は、飲料摂取開始時に心拍数が急激に上昇し、飲料摂取終了後に心拍数が緩やかに下降する傾向を有している。また、当該経時変化は、飲料摂取開始時に心拍数が一定速度で上昇し、飲料摂取終了後に不定速度で下降する傾向を有している。また、当該経時変化は、飲料摂取開始後の心拍数の急激な上昇の後、すぐに下降する傾向を有している。また、当該経時変化において、飲料摂取前の心拍数のベースライン（平均値）よりも飲料摂取後の心拍数のベースラインの方が大きくなる傾向がある。また、当該経時変化において、飲料摂取開始後に、飲料摂取前よりも心拍数のばらつき（分散）が大きくなる傾向がある。そこで、これらの傾向を事前にデータベースとして記憶しておき、被分析者の測定された心拍数の経時変化を照らし合わせることで、被分析者が飲料を摂取したか否かを判定することができる。データベースは、テキストファイルやバイナリファイルも含む。
再度図３を参照し、心拍変化算出部２０は、心拍数取得部１０が取得した心拍の経時変化において、飲料摂取に係る特徴量を算出する（ステップＳ２）。図５は、特徴量の算出処理を表すフローチャートの一例である。まず、飲料摂取に係る心拍数の経時変化は、飲料摂取開始時に心拍数が急激に上昇し、飲料摂取終了後に心拍数が緩やかに下降する傾向を有することから、速度特徴量算出部２１は、心拍数変化の速度特徴量を算出する（ステップＳ１１）。
速度特徴量算出部２１は、飲料摂取開始時刻候補からの心拍数上昇速度（速度特徴量ｉ）、心拍数下降の速度（速度特徴量ｉｉ）、心拍数上昇速度と下降速度の比（心拍数上昇下降速度比：速度特徴量ｉｉｉ）を速度特徴量として算出する。図６は、速度特徴量ｉ〜速度特徴量ｉｉｉの算出を例示する。図７（ａ）は、速度特徴量ｉ〜速度特徴量ｉｉｉの算出処理を表すフローチャートの一例である。
図７（ａ）で例示するように、速度特徴量算出部２１は、飲料摂取開始時刻候補を算出する（ステップＳ２１）。例えば、飲料摂取開始時刻候補は、所定時間（例：５秒）以上心拍数が上昇している際の、上昇開始時刻とする。飲料摂取開始時刻候補は、心拍数の立ち上がりが検出される時点ととらえることもできる。次に、速度特徴量算出部２１は、最大心拍数時刻を算出する（ステップＳ２２）。例えば、最大心拍数は、心拍数上昇期間内の心拍数の最大値である。心拍数上昇期間は、液体が口に含まれてから飲み込むまでにかかる時間（例えば２０ｍｌの飲料を口に含んでから１口で飲み込むまでに要する時間（例えば３秒））の定数倍とみなすことができる。例えば、１リットルの水を２０ｍｌずつ口に含んで飲み込むことを５０回連続して行うのに要する時間（例えば１５０秒）が当該定数倍の時間に相当する。
次に、速度特徴量算出部２１は、心拍数上昇速度を関数近似により算出する（ステップＳ２３）。例えば、速度特徴量算出部２１は、飲料摂取開始時刻候補から最大心拍数時刻までの心拍数を算出し、これを関数近似した時の近似直線の傾きａｕに相当する値を心拍数上昇速度として算出する。
次に、速度特徴量算出部２１は、最小心拍数時刻を算出する（ステップＳ２４）。例えば、最小心拍数は、心拍数下降期間内の心拍数の最小値である。心拍数下降期間は、液体を飲み込んでから胃に到達するまでにかかる時間（飲み込んだ飲料が胃に到達するまでに要する時間（例えば１０秒））とみなすことができる。次に、速度特徴量算出部２１は、心拍数下降速度を関数近似により算出する（ステップＳ２４）。例えば、速度特徴量算出部２１は、最大心拍数時刻から最小心拍数時刻までの心拍数を算出し、これを関数近似した時の近似直線の傾きａｄに相当する値を心拍数下降速度として算出する。
次に、速度特徴量算出部２１は、心拍数上昇速度と下降速度との比｜ａｕ｜／｜ａｄ｜に相当する値を心拍数上昇下降速度比として算出する（ステップＳ２６）。なお、上昇と下降との違いを示す値であれば当該速度比の変わりに用いることができる。そこで、速度特徴量算出部２１は、上昇速度と下降速度との差（｜ａｕ｜−｜ａｄ｜）を速度特徴量ｉｉｉとして算出してもよい。なお、速度特徴量算出部２１は、速度特徴量ｉ〜速度特徴量ｉｉｉの少なくともいずれかを算出すればよい。
次に、飲料摂取に係る心拍数の経時変化は、飲料摂取開始時に心拍数が一定速度で上昇し、飲料摂取終了後に不定速度で下降する傾向を有していることから、再度図５を参照し、差分特徴量算出部２２は、心拍数変化の差分特徴量を算出する（ステップＳ１２）。具体的には、差分特徴量算出部２２は、上昇期間内の実測値と近似直線との差分（上昇期間内差分：差分特徴量ｉｖ）、下降期間内での実測値と近似直線との差分（下降期間内差分：差分特徴量ｖ）、上昇期間内差分と下降期間内差分との比（上昇下降期間内差分比：差分特徴量ｖｉ）を差分特徴量として算出する。差分は、実測値と近似直線との誤差と称することもできる。図７（ｂ）は、差分特徴量ｉｖ〜差分特徴量ｖｉの算出処理を表すフローチャートの一例である。図８は、差分特徴量ｉｖ〜差分特徴量ｖｉの算出を例示する図である。
図７（ｂ）で例示するように、差分特徴量算出部２２は、心拍数の上昇期間を特定する（ステップＳ３１）。例えば、上昇期間は、飲料摂取開始時刻候補から最大心拍数時刻までの期間である。次に、差分特徴量算出部２２は、上昇期間内差分を実測値と近似直線との差により算出する（ステップＳ３２）。例えば、上昇期間内差分は、上昇期間における実測値と近似直線の決定係数Ｒｕに相当する値である。決定係数Ｒｕは、下記式（１）で表すことができる。
Figure 0006504264
次に、差分特徴量算出部２２は、下降期間を特定する（ステップＳ３３）。例えば、下降期間は、最大心拍数時刻から最小心拍数時刻までの期間である。次に、差分特徴量算出部２２は、下降期間内の差分を実測値と近似直線との差により算出する（ステップＳ３４）。例えば、下降期間内差分は、下降期間における実測値と近似直線の決定係数Ｒｄに相当する値である。Ｒｄは、下記式（２）で表すことができる。
Figure 0006504264
次に、差分特徴量算出部２２は、上昇期間内差分と下降期間内差分の比Ｒｕ／Ｒｄに相当する値を上昇下降期間内差分比として算出する（ステップＳ３５）。なお、上昇と下降との違いを示す値であれば当該差分比の変わりに用いることができる。そこで、差分特徴量算出部２２は、上昇期間内差分と下降期間内差分との差（｜Ｒｕ｜−｜Ｒｄ｜）を差分特徴量ｖｉとして算出してもよい。なお、差分特徴量算出部２２は、差分特徴量ｉｖ〜差分特徴量ｖｉの少なくともいずれかを算出すればよい。
次に、飲料摂取に係る心拍数の経時変化は、飲料摂取開始後の心拍数の急激な上昇の後、すぐに下降する傾向を有していることから、再度図５を参照し、交差特徴量算出部２３は、心拍数変化の交差特徴量を算出する（ステップＳ１３）。具体的には、交差特徴量算出部２３は、最大心拍数時刻直後の下降を示す特徴量交差角度（交差特徴量ｖｉｉ）を交差特徴量として算出する。図９は、交差特徴量ｖｉｉの算出を例示する図である。図７（ｃ）は、交差特徴量ｖｉｉの算出処理を表すフローチャートの一例である。図７（ｃ）で例示するように、交差特徴量算出部２３は、交差角度θを、上昇期間における近似直線と下降期間における近似直線とが交差する角度として算出する（ステップＳ４１）。交差角度θは、例えば、下記式（３）および下記式（４）によって算出される。
Figure 0006504264
Figure 0006504264
次に、飲料摂取に係る心拍数の経時変化において、飲料摂取前の心拍数のベースラインよりも飲料摂取後の心拍数のベースラインの方が大きくなる傾向があることから、再度図５を参照し、ベースライン特徴量算出部２４は、心拍数変化のベースライン特徴量を算出する（ステップＳ１４）。具体的には、ベースライン特徴量算出部２４は、上昇前期間のベースライン（ベースライン特徴量ｖｉｉｉ）、下降後期間のベースライン（ベースライン特徴量ｉｘ）、上昇前期間のベースラインと下降後期間のベースラインとの比（上昇前下降後期間ベースライン比：ベースライン特徴量）をベースライン特徴量として算出する。
図１０は、ベースライン特徴量ｖｉｉｉ〜ベースライン特徴量ｉｘの算出を例示する図である。図１１（ａ）は、ベースライン特徴量ｖｉｉｉ〜ベースライン特徴量ｉｘの算出処理を表すフローチャートの一例である。図１１（ａ）で例示するように、ベースライン特徴量算出部２４は、上昇前期間を特定する（ステップＳ５１）。例えば、上昇前期間は、飲料摂取開始時刻候補の所定時間前から飲料摂取開始時刻候補までの期間である。所定時間前とは、例えば２分や３０分であり、飲料摂取開始時刻以前で区間あたりのばらつきが所定値（例えば０．１や１）を超えた直後の時刻である。
次に、ベースライン特徴量算出部２４は、上昇前期間のベースラインを、上昇前期間の心拍数の平均μｕに相当する値として算出する（ステップＳ５２）。次に、ベースライン特徴量算出部２４は、下降後期間を特定する（ステップＳ５３）。例えば、下降後期間は、最小心拍数時刻から所定時間後までの期間である。所定時間後とは、例えば２分や３０分であり、最小心拍数時刻以降で区間あたりのばらつきが所定値（例えば０．１や１）を超えた直前の時刻である。次に、ベースライン特徴量算出部２４は、下降後期間ベースラインを、下降後期間内の心拍数の平均μｄに相当する値として算出する（ステップＳ５４）。
次に、ベースライン特徴量算出部２４は、上昇前期間ベースラインと下降後期間ベースラインの比μｄ／μｕを上昇前下降後期間ベースライン比として算出する（ステップＳ５５）。なお、上昇前と下降後との違いを示す値であれば当該比の変わりに用いることができる。そこで、ベースライン特徴量算出部２４は、上昇前期間のベースラインと下降後期間のベースラインとの差（｜μｕ｜−｜μｄ｜）をベースライン特徴量ｉｘとして算出してもよい。なお、ベースライン特徴量算出部２４は、ベースライン特徴量ｖｉｉｉ〜ベースライン特徴量ｉｘの少なくともいずれかを算出すればよい。
次に、飲料摂取に係る心拍数の経時変化において、飲料摂取開始後に飲料摂取前よりも心拍数のばらつき（分散）が大きくなる傾向があることから、再度図５を参照して、変動特徴量算出部２５は、心拍数変化の変動特徴量を算出する（ステップＳ１５）。具体的には、変動特徴量算出部２５は、上昇前期間変動（変動特徴量ｘｉ）、下降後期間変動（変動特徴量ｘｉｉ）、上昇前期間変動と下降後期間変動との比（上昇下降期間変動比：変動特徴量ｘｉｉｉ）を変動特徴量として算出する。図１１（ｂ）は、変動特徴量の算出処理を表すフローチャートの一例である。図１２は、変動特徴量の算出を例示する図である。
図１１（ｂ）で例示するように、変動特徴量算出部２５は、上昇前期間変動を上昇前期間の心拍数の分散として算出する（ステップＳ６１）。例えば、上昇前期間変動は、上昇前期間内の心拍数の平均μｕからのばらつきＶｕに相当する値である。ばらつきＶｕは、下記式（５）で表すことができる。
Figure 0006504264
次に、変動特徴量算出部２５は、下降後期間変動を下降後期間内の心拍数の分散として算出する（ステップＳ６２）。例えば、下降後期間変動は、下降期間内の心拍数の平均μｄからのばらつきＶｄに相当する値である。ばらつきＶｄは、下記式（６）で表すことができる。
Figure 0006504264
次に、変動特徴量算出部２５は、上昇前期間変動と下降後期間変動との比Ｖｕ／Ｖｄを上昇下降期間変動比として算出する（ステップＳ６３）。なお、上昇前と下降後との違いを示す値であれば当該比の変わりに用いることができる。そこで、変動特徴量算出部２５は、上昇前期間変動と下降後期間変動との差（｜Ｖｕ｜−｜Ｖｄ｜）を変動特徴量ｘｉｉｉとして算出してもよい。なお、変動特徴量算出部２５は、変動特徴量ｘｉ〜変動特徴量ｘｉｉｉの少なくともいずれかを算出すればよい。
次に、飲料摂取に起因する心拍数変化において、心拍数の上昇幅も特徴量として用いることができる。そこで、再度図５を参照して、振幅特徴量算出部２６は、振幅特徴量を算出する（ステップＳ１６）。具体的には、図１３で例示するように、上昇期間の最大心拍数の上昇幅を振幅特徴量ｘｉｖとして算出する。図１１（ｃ）は、振幅特徴量ｘｉｖの算出処理を表すフローチャートの一例である。図１１（ｃ）で例示するように、振幅特徴量算出部２６は、最大心拍数時刻の心拍数を算出する（ステップＳ７１）。例えば、心拍数ゼロを基準とすると、最大心拍数の値を振幅特徴量ｘｉｖとして用いることができる。あるいは、飲料摂取開始時刻候補における心拍数を基準とすると、最大振幅数と、飲料摂取開始時刻候補における心拍数との差を振幅特徴量ｘｉｖとして用いることができる。
次に、飲料摂取に起因する心拍数の経時変化において、心拍数の面積（積分値）も特徴量として用いることができる。そこで、再度図５を参照して、面積特徴量算出部２７は、面積特徴量を算出する（ステップＳ１７）。具体的には、図１４で例示するように、心拍数の上昇期間および下降期間の心拍上昇値の合計（積分値）または、心拍上昇値の時間平均を面積特徴量ｘｖとして算出する。心拍上昇値は、上昇前期間の心拍数の平均μｕからの上昇値を用いることができる。図１１（ｄ）は、面積特徴量ｘｖの算出処理を表すフローチャートの一例である。図１１（ｄ）で例示するように、面積特徴量算出部２７は、飲料摂取開始時刻候補から最小心拍数時刻までの上昇前期間ベースラインからの上昇値の総和を算出することで、面積特徴量ｘｖとして算出する（ステップＳ８１）。
なお、速度特徴量ｉ〜速度特徴量ｉｉｉおよび差分特徴量ｉｖ〜差分特徴量ｖｉの算出に、直線近似を用いたが、二次曲線などの曲線近似を用いてもよい。ただし、上昇区間は急激な上昇になる傾向が強いため直線近似を用いることが好ましく、下降区間はなだらかな下降になる傾向が強いため曲線近似を用いることが好ましい。そこで、図１５で例示するように、上昇区間では直線近似を用い、下降区間では曲線近似を用いるようにしてもよい。
格納部４０は、事前に作成されたモデルを格納している。当該モデルは、飲料摂取時のモデルおよび飲料非摂取時のモデルを含む。飲料摂取時のモデルは、飲料摂取に起因する心拍数の経時変化における速度特徴量ｉ〜ｉｉｉ、差分特徴量ｉｖ〜ｖｉ、交差特徴量ｖｉｉ、ベースライン特徴量ｖｉｉｉ〜ｘ、変動特徴量ｘｉ〜ｘｉｉｉ、振幅特徴量ｘｉｖおよび面積特徴量ｘｖを含む。飲料非摂取時のモデルは、飲料を摂取していない時間における心拍数の経時変化における速度特徴量ｉ〜ｉｉｉ、差分特徴量ｉｖ〜ｖｉ、交差特徴量ｖｉｉ、ベースライン特徴量ｖｉｉｉ〜ｘ、変動特徴量ｘｉ〜ｘｉｉｉ、振幅特徴量ｘｉｖおよび面積特徴量ｘｖを含む。これらのモデルは、飲料摂取検知処理を利用する特定の被分析者の実際の測定値を用いて作成してもよく、不特定多数のユーザの実際の測定値を用いて作成してもよい。複数回の測定値を用いる場合には、その平均値を用いてもよい。また、あるいは飲料摂取時のモデルおよび飲料非摂取時のモデルは分析者が任意に作成してもよい。
図１６は、格納部４０に格納するモデルを作成する処理を表すフローチャートの一例である。この例は、飲料摂取検知処理を利用する被分析者の心拍数の測定値を用いて事前にモデルを作成する例である。図１６で例示するように、心拍数取得部１０は、ラベル付き心拍数データを順次読み込む（ステップＳ９１）。ラベルは、上記被分析者が飲料を摂取した時にボタンを押すなどして作成することができる。
次に、心拍変化算出部２０は、心拍数の時間変化の上昇及び下降に関する特徴量を算出する（ステップＳ９２）。この特徴量には、速度特徴量ｉ〜ｉｉｉ、差分特徴量ｉｖ〜ｖｉ、交差特徴量ｖｉｉ、ベースライン特徴量ｖｉｉｉ〜ｘ、変動特徴量ｘｉ〜ｘｉｉｉ、振幅特徴量ｘｉｖおよび面積特徴量ｘｖが含まれる。次に、心拍変化算出部２０は、算出した特徴量をラベルとともに、モデル作成用データベースとして格納部４０に格納する（ステップＳ９３）。次に、判定部３０は、全データについて処理が終了したか否かを判定する（ステップＳ９４）。ステップＳ９４で「Ｎｏ」と判定された場合、ステップＳ９１から再度実行される。ステップＳ９４で「Ｙｅｓ」と判定された場合、判定部３０は、モデル作成用データベースを用いて、飲料摂取時のモデルおよび飲料非摂取時のモデルを作成する（ステップＳ９５）。これらのモデルは、飲料摂取検知処理に用いられるモデルとして、格納部４０に格納される。
次に、再度図３を参照して、判定部３０は、心拍変化算出部２０が算出した特徴量を用いて、飲料摂取検知処理時の心拍数の変化が飲料摂取に起因するか否かを判定する(ステップＳ３)。図１７は、この場合の判定処理を表すフローチャートの一例である。図１７で例示するように、判定部３０は、飲料摂取検知処理時において測定された心拍数の経時変化から得られる特徴量と、格納部４０に格納されている飲料摂取時のモデルおよび飲料非摂取時のモデルとの一致度（乖離度）を算出する（ステップＳ１０１）。一致度は、飲料摂取検知処理時において測定された心拍数の経時変化から得られる特徴量と飲料摂取時または飲料非摂取時のモデルとの似ている度合いを表しており、類似度または相似度と同義である。以下では、一致度算出方法としてマハラノビス距離を例示したが、これ以外にも、サポートベクタマシン、ブースティングやニューラルネットワークなどの任意のアルゴリズムを適用することができる。
例えば、判定部３０は、一致度（乖離度）の算出に、マハラノビス距離を用いる。判定部３０は、マハラノビス距離を算出する場合、パラメータとして、平均ベクトルと共分散行列を用いる。飲料摂取時の平均ベクトルと共分散行列をμｄおよびΣｄとし、飲料非摂取時の平均ベクトルと共分散行列をμｎおよびΣｎとし、判定すべきデータをｘ＝（ｘ１，ｘ２，…）Ｔとする。ｘ１，ｘ２，…は、それぞれ特徴量ｉ、特徴量ｉｉ、…を表している。マハラノビス距離は、下記式（７）および下記式（８）で表すことができる。なお、共分散行列が対角行列の場合は正規化ユークリッド距離（特徴量の分散が等しくなるように正規化している）を用い、単位行列の場合はユークリッド距離を用いてもよい。
Figure 0006504264
Figure 0006504264
次に、判定部３０は、飲料摂取検知処理時に測定された心拍数変化は、距離が小さい方に属すると判定する（ステップＳ１０２）。したがって、図１８で例示するようにＤｄ＞Ｄｎであれば、判定部３０は、飲料摂取検知処理時に測定された心拍数変化は、飲料非摂取時の心拍数変化であると判定する。なお、図１８では、説明の簡略化のため、特徴量ｉ，ｉｉだけを用いた距離を例示している。また、Ｄｄ及びＤnの値を用いて液体の粘度に関する情報を推定し、判定部３０で判定した結果に付与してもよい。例えば、Ｄｄ＜ＤｎでＤｄとＤｎの比が所定値(例えば２)以下の場合は、判定部３０は、飲料摂取検知処理時に測定された心拍数変化は、粘度の低い飲料摂取時の心拍変化であると判定する。あるいは、飲料非摂取時のモデルではなく、複数の飲料摂取時のモデルからの距離を算出し、飲料の成分を推定し、判定部３０で判定した結果に付与してもよい。例えば、水分のみの飲料摂取時モデル・塩分入り飲料摂取時のモデル・糖分入り飲料摂取時のモデルとの距離を用いて塩分や糖分の含有量を推定し、例えば１０ｍｇの塩分と１０ｍｇの糖分を含む飲料摂取時の心拍変化であると判定する。
本実施形態によれば、被分析者の心拍数の経時変化から抽出された特徴量と、データベースに格納された飲料摂取に係る特徴量との一致度に基づいて、被分析者の心拍数の経時変化が飲料摂取に起因するか否かが判定される。それにより、高い精度で飲料摂取を検知することができる。また、心拍数の経時変化を取得するだけで飲料摂取を検知することができる。心拍数の経時変化を測定できればよいため、飲料の摂取前後に特定の行動をする必要がない。また、腕などに身に付けた心拍数を測定できるウェアラブル機器を用いることにより、簡単かつ低負荷で飲料摂取を検知することができる。
データベースに格納された飲料非摂取に係る特徴量との一致度よりも、データベースに格納された飲料摂取に係る特徴量との一致度よりも高い場合に、心拍数の経時変化が飲料摂取に起因すると判定されることから、飲料摂取の検知精度が向上する。なお、飲料非摂取に係る特徴量との一致度については必ずしも算出しなくてもよい。例えば、データベースに格納された飲料摂取に係る特徴量との一致度が閾値以上であれば、心拍数の経時変化が飲料摂取に起因すると判定してもよい。例えば、図１７のステップＳ１０２において、一致度と閾値との比較を行えばよい。なお、上述した特徴量のうち少なくともいずれか１つを用いればよいが、速度特徴量ｉ〜ｉｉｉ、差分特徴量ｉｖ〜ｖｉおよび交差特徴量ｖｉｉを用いることで、飲料摂取の検知精度が特に高くなる。
判定部３０の判定結果とともに、運動や睡眠などの行動を合わせることで、生活習慣のアドバイスが可能になる。例えば、所定期間にわたり、起床後に飲料を摂取していない場合、「起床後に飲料を摂取しましょう」などのアドバイスを表示させる。また、所定時刻に飲料を摂取していない場合、「薬を飲み忘れていませんか」などのコメントを表示させる。
なお、判定結果は、飲料摂取回数・飲料摂取開始時刻・飲料摂取終了時刻・液体の粘度・飲料の成分・飲料摂取量のうち少なくともいずれかを一つを含んでもよい。飲料摂取回数は所定期間、例えば一日、にわたり飲料摂取と判定された回数に相当する。飲料摂取開始時刻は例えば飲料摂取開始時刻候補に相当し、飲料摂取終了時刻は例えば最大心拍数時刻に相当する。飲料摂取量は、例えば、飲料摂取時刻（飲料摂取終了時刻と飲料摂取開始時刻の差）を、飲料を一口飲みこむために要する時間で除算した値に相当する。飲料を一口飲みこむために要する時間は予めデータベースに格納された値であり、年齢や性別ごと、あるいは個人ごとに作成してもよい。
図１９は、飲料摂取量の算出を表すフローチャートの一例である。図１９で例示するように、心拍数取得部１０は、心拍測定装置１０５から心拍を取得することで、心拍数の経時変化を取得する（ステップＳ１ａ）。次に、心拍変化算出部２０は、心拍数取得部１０が取得した心拍の経時変化において、飲料摂取に係る特徴量を算出する（ステップＳ２ａ）。次に、判定部３０は、心拍変化算出部２０が算出した特徴量を用いて、飲料摂取検知処理時の心拍数の変化が飲料摂取に起因するか否かを判定する(ステップＳ３ａ)。次に、判定部３０は、ステップＳ３ａで飲料摂取と判定された場合（ステップＳ４ａのＹｅｓ）に、飲料摂取量を算出する（ステップＳ５ａ）。ステップＳ５ａの実行後またはステップＳ３ａで飲料摂取と判定されなかった場合（ステップＳ４ａのＮｏ）、判定部３０は、測定が終了したか否かを判定する（ステップＳ６ａ）。ステップＳ６ａで「Ｎｏ」と判定された場合、ステップＳ１ａから再度実行される。ステップＳ６ａで「Ｙｅｓ」と判定された場合、フローチャートの実行が終了する。
（第２実施形態）
第２実施形態においては、飲料摂取検知処理において、被分析者の行動情報を反映させる例について説明する。図２０は、第２実施形態に係る情報処理装置１００ａのハードウェア構成を例示するブロック図である。図２０で例示するように、情報処理装置１００ａは、さらに行動情報検知装置１０６を備えている。行動情報検知装置１０６は、被分析者の行動情報を検知する装置である。
行動情報検知装置１０６は、飲料摂取と相関が低い行動を検知する。例えば、行動情報検知装置１０６は、物理的に飲料摂取ができない行動を検知する。具体的には、行動情報検知装置１０６は、被分析者の睡眠、発声、咀嚼、吐息などを検知する。また、行動情報検知装置１０６は、飲料を摂取しない可能性が高い行動を検知する。具体的には、行動情報検知装置１０６は、一般の習慣を検知する。例えば、行動情報検知装置１０６は、歩行、走行、階段昇降などの、被分析者が立脚して脚を動かしている行動を検知する。また、行動情報検知装置１０６は、食器洗い、掃除などの、被分析者が手を動かしている行動を検知する。また、行動情報検知装置１０６は、バイクなどの特定の乗り物に乗る行動を検知する。また、行動情報検知装置１０６は、排泄に関する行動を検知する。また、行動情報検知装置１０６は、入浴に関する行動を検知する。また、行動情報検知装置１０６は、個人の習慣を検知する。例えば、行動情報検知装置１０６は、特定の人との会話、会議中、尿意を催したくない場合（例えば行列に並んでいるなどの行動）を検知する。
または、行動情報検知装置１０６は、飲料摂取と相関が高い行動を検知する。例えば、行動情報検知装置１０６は、飲料摂取特有の行動（腕や胸などの、飲料摂取に応じて傾きが変化する部位の行動）を検知する。具体的には、行動情報検知装置１０６は、容器へ液体を入れる際の準備動作、ペットボトルの場合にキャップを開ける際の手の回転、容器を口に運ぶ際の前後または上下への動作、容器を口に含み飲み込む際の所定期間の静止状態、容器内の液体を飲み干す際の後ろまたは下への動作、容器を机等に戻す際の前後または上下への動作などを検知する。また、行動情報検知装置１０６は、飲料を摂取する可能性が高い行動を検知する。例えば、行動情報検知装置１０６は、一般の習慣を検知する。例えば、行動情報検知装置１０６は、起床後および就寝前は水を飲む行動、入浴前後に水を飲む行動、運動前後に水を飲む行動を検知する。また、行動情報検知装置１０６は、個人の習慣を検知する。例えば、行動情報検知装置１０６は、特定の時間（例えば１５時）に水を飲む行動、特定の場所（例えばキッチン）に行って水を飲む行動などを検知する。なお、動作データを用いた行動の特定や、時刻や場所に関連するデータを用いた時刻および場所の特定は、既存技術を用いて取得してもよいし、被分析者が各動作を行った際にボタンを押すなどして作成したラベルを用いて取得してもよい。
図２１は、本実施形態に係る飲料摂取検知処理を表すフローチャートの一例である。図２１で例示するように、心拍数取得部１０は、心拍測定装置１０５から心拍を取得することで、心拍数の経時変化を取得する（ステップＳ１１１）。なお、心拍数取得部１０は、行動情報検知装置１０６が被分析者の行動を検知した場合には、心拍数の経時変化に合わせて被分析者の行動情報を取得する。次に、心拍変化算出部２０は、心拍数取得部１０が取得した心拍の経時変化において、飲料摂取に係る特徴量を算出する（ステップＳ１１２）。
次に、判定部３０は、心拍変化算出部２０で算出した特徴量と、飲料摂取時のモデルおよび飲料非摂取時のモデルとのマハラノビス距離を計算する（ステップＳ１１３）。次に、判定部３０は、それぞれの距離の比を算出する（ステップＳ１１４）。当該比として、例えば、飲料摂取時のモデルとの距離／飲料非摂取時のモデルとの距離を用いることができる。
次に、判定部３０は、心拍数取得部１０が取得した心拍数の経時変化に被分析者の動作データが含まれていれば、当該動作データに係る行動を特定する（ステップＳ１１５）。次に、判定部３０は、心拍数取得部１０が取得した心拍数の経時変化に時刻や被分析者の場所に係るデータが含まれていれば、時刻や場所を特定する（ステップＳ１１６）。
次に、判定部３０は、格納部４０に予め格納されている閾値を参照し、行動情報検知装置１０６が検知した行動に関連付けられた閾値を取得する。判定部３０は、ステップＳ１１４で計算した距離の比が取得した閾値以下であれば、飲料を摂取していないと判定する（ステップＳ１１７）。次に、判定部３０は、測定が終了したか否かを判定する（ステップＳ１１８）。ステップＳ１１８で「Ｎｏ」と判定された場合、ステップＳ１１１から再度実行される。ステップＳ１１８で「Ｙｅｓ」と判定された場合、フローチャートの実行が終了する。
本実施形態によれば、被分析者の心拍数の経時変化が飲料摂取に起因するか否かを判定するに際して被分析者の行動情報を反映させることにより、飲料摂取の検知精度が向上する。例えば、飲料摂取の可能性が低い場合にステップＳ１１４で計算した距離比の閾値を小さくすることで、飲料摂取の誤検知を抑制することができる。また、飲料摂取の可能性が高い場合にステップＳ１１４で計算した距離比の閾値を大きくすることで、飲料非摂取の誤検知を抑制することができる。
（第３実施形態）
図２２（ａ）は、第３実施形態に係る情報処理装置１００ｂの機能ブロック図である。当該機能は、情報処理プログラムの実行によって実現される。第１実施形態と比較して、新たに体内機能定量化部５０が実現される。図２２（ｂ）は、心拍変化算出部２０の各機能を表す機能ブロック図である。心拍変化算出部２０の各機能は、第１実施形態と同様である。体内機能定量化部５０は、飲料摂取検知処理時に取得された心拍数の経時変化から得られた特徴量と、飲料摂取時のモデルとの比較により、体内機能を定量化する。例えば、体内機能定量化部５０は、得られた心拍数の上昇速度がモデルの上昇速度の２倍であれば、普段よりも２倍喉が渇いていると判定する。また、体内機能定量化部５０は、得られた心拍数の下降速度がモデル下降速度の１／２倍であれば、普段よりも２倍身体の働きが弱まっていると判定する。
図２３は、本実施形態に係る飲料摂取検知処理を表すフローチャートの一例である。図２３で例示するように、心拍数取得部１０は、心拍測定装置１０５から心拍を取得することで、心拍数の経時変化を取得する（ステップＳ１２１）。次に、心拍変化算出部２０は、心拍数取得部１０が取得した心拍の経時変化において、飲料摂取に係る特徴量を算出する（ステップＳ１２２）。次に、判定部３０は、ステップＳ１２２で算出された特徴量を用いて飲料摂取か飲料非摂取かを判定する（ステップＳ１２３）。
次に、体内機能定量化部５０は、ステップＳ１２３で「飲料摂取」と判定されたか否かを判定する（ステップＳ１２４）。ステップＳ１２４で「Ｙｅｓ」と判定された場合、体内機能定量化部５０は、格納部４０を参照し、飲料摂取時のモデルの各特徴量を取得する（ステップＳ１２５）。飲料摂取のモデルに複数の特徴量が含まれている場合には、その平均値を取得してもよい。
次に、体内機能定量化部５０は、ステップＳ１２２で算出された各特徴量と、ステップＳ１２５で取得された各特徴量との比を算出する（ステップＳ１２６）。次に、体内機能定量化部５０は、心拍数の上昇速度に応じて喉の渇きを定量化する（ステップＳ１２７）。次に、体内機能定量化部５０は、心拍数の下降速度に応じて身体の働きを定量化する（ステップＳ１２８）。体内機能定量化部５０は、測定が終了したか否かを判定する（ステップＳ１２９）。ステップＳ１２９で「Ｙｅｓ」と判定された場合、フローチャートの実行が終了する。ステップＳ１２９で「Ｎｏ」と判定された場合、ステップＳ１２１から再度実行される。なお、ステップＳ１２４で「Ｎｏ」と判定された場合にもステップＳ１２９が実行される。
本実施形態によれば、被分析者の心拍数の経時変化の特徴量とデータベースに格納された特徴量との関係を用いることで、被分析者の体内機能を定量化することができる。
（他の特徴量）
上記各例においては、心拍数の経時変化における速度特徴量や差分特徴量などを用いたが、それに限られない。例えば、心拍数の経時変化の波形パターンを特徴量として用いてもよい。具体的には、被分析者の心拍数の波形パターンと、予め格納部４０に格納されている飲料摂取時の波形パターンとの一致度（乖離度）が高い場合に、飲料摂取と判定してもよい。
格納部４０に登録されている飲料摂取時の心拍数の経時変化信号をｓ（ｔ）とし、飲料摂取検知処理時に取得された心拍数の経時変化信号をｘ（ｔ）とする。図２４（ａ）は、ｓ（ｔ）を例示する。図２４（ｂ）は、ｘ（ｔ）を例示する。この場合、両パターンの一致度は、例えば、下記式（９）を用いて算出することができる。下記式（９）では、差を算出し、値が小さいほど一致度が高いことを示す。Ｎは、信号の総数を表す。信号の数は、例えば上昇前期間の開始時刻から下降後期間の終了時刻までの秒数分とする。一致度が予め設定した閾値以上である場合、飲料摂取と判定することができる。信号の数と、信号の総数Ｎとが異なる場合には、信号を補間もしくは間引けばよい。
Figure 0006504264
（他の装置構成）
図２５（ａ）および図２５（ｂ）は、情報処理装置１００の他の装置構成を例示する図である。図２５（ａ）で例示するように、情報処理装置は、ＣＰＵ１０１、ＲＡＭ１０２、記憶装置１０３および無線装置１０７を備えるサーバと、表示装置１０４、心拍測定装置１０５および無線装置１０８とを備えるウェアラブルデバイスとが無線でデータをやりとりする構成を有していてもよい。また、図２５（ｂ）で例示するように、情報処理装置は、ＣＰＵ１０１、ＲＡＭ１０２、記憶装置１０３および無線装置１０７を備えるサーバと、表示装置１０４および無線装置１０８を備える端末と、心拍測定装置１０５および無線装置１０９を備えるウェアラブルデバイスとが無線でデータをやりとりする構成を有していてもよい。行動情報検知装置１０６が備わっている場合には、ウェアラブルデバイスに行動情報検知装置１０６が設けられていてもよい。
なお、上記実施形態において、心拍数取得部１０が、被分析者の心拍数を取得する心拍数取得部の一例として機能する。心拍変化算出部２０が、心拍数取得部が取得する心拍数の経時変化から特徴量を抽出する特徴量抽出部の一例として機能する。格納部４０が、飲料摂取に係る心拍数の経時変化から抽出された特徴量を予め格納するデータベースの一例として機能する。判定部３０が、特徴量抽出部が抽出した特徴量とデータベースに格納された特徴量との一致度に基づいて、心拍数取得部が取得した心拍数の経時変化が飲料摂取に起因するか否かを判定する判定部の一例として機能する。行動情報検知装置１０６が、被分析者の行動情報を測定する行動情報測定装置の一例として機能する。体内機能定量化部５０が、判定部により、心拍数取得部が取得した心拍数の経時変化が飲料摂取に起因すると判定された場合に、特徴量抽出部が抽出した特徴量とデータベースに格納された特徴量との関係に基づいて、被分析者の体内機能を定量化する定量化部の一例として機能する。
以上、本発明の実施形態について詳述したが、本発明は係る特定の実施形態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において、種々の変形・変更が可能である。
１０ 心拍数取得部
２０ 心拍変化算出部
２１ 速度特徴量算出部
２２ 差分特徴量算出部
２３ 交差特徴量算出部
２４ ベースライン特徴量算出部
２５ 変動特徴量算出部
２６ 振幅特徴量算出部
２７ 面積特徴量算出部
３０ 判定部
４０ 格納部
５０ 体内機能定量化部
１００ 情報処理装置
１０５ 心拍測定装置

Claims (11)

  1. 被分析者の心拍数を取得する心拍数取得部と、
    前記心拍数取得部が取得する心拍数の経時変化から、心拍数の上昇または下降を検出し、前記心拍数の上昇が検出される前の心拍数の平均値またはばらつきと、前記下降後に所定値まで戻った後の心拍数の平均値またはばらつきを抽出する特徴量抽出部と、
    飲料摂取に係る心拍数の経時変化に関する情報を予め格納する格納部と、
    前記特徴量抽出部が抽出した特徴量と前記格納部に格納された情報とに基づいて、前記心拍数取得部が取得した心拍数の経時変化が飲料摂取に起因するか否かを判定する判定部と、を備えることを特徴とする情報処理装置。
  2. 前記判定部は、前記特徴量抽出部が抽出した特徴量と、前記格納部に格納された情報から抽出した特徴量との一致度が閾値以上であれば、前記心拍数取得部が取得した心拍数の経時変化が飲料摂取に起因すると判定することを特徴とする請求項１記載の情報処理装置。
  3. 前記格納部は、飲料非摂取に係る心拍数の経時変化に関する情報を予め格納し、
    前記判定部は、前記特徴量抽出部が抽出した特徴量と前記格納部に格納された情報から抽出した飲料摂取に係る心拍数の特徴量との一致度が、前記特徴量抽出部が抽出した特徴量と前記格納部に格納された情報から抽出した飲料非摂取に係る心拍数の特徴量との一致度よりも高い場合に、前記心拍数取得部が取得した心拍数の経時変化が飲料摂取に起因すると判定することを特徴とする請求項１記載の情報処理装置。
  4. 前記一致度は、ユークリッド距離、正規化ユークリッド距離、またはマハラノビス距離に基づいて算出されることを特徴とする請求項１〜３のいずれか一項に記載の情報処理装置。
  5. 前記被分析者の行動情報を測定する行動情報測定装置を備え、
    前記判定部は、前記心拍数取得部が取得した心拍数の経時変化が飲料摂取に起因するか否かを判定するに際して、前記行動情報測定装置が測定した行動情報を反映させることを特徴とする請求項１〜４のいずれか一項に記載の情報処理装置。
  6. 前記判定部により、前記心拍数取得部が取得した心拍数の経時変化が飲料摂取に起因すると判定された場合に、前記特徴量抽出部が抽出した特徴量と前記格納部に格納された情報から抽出した特徴量との関係に基づいて、前記被分析者の体内機能を定量化する定量化部を備えることを特徴とする請求項１〜５のいずれか一項に記載の情報処理装置。
  7. 前記判定部により、前記心拍数取得部が取得した心拍数の経時変化が飲料摂取に起因すると判定された場合に、前記特徴量抽出部が抽出した特徴量と予め格納された飲料を一口飲み込むために要する時間とを用いて、飲料摂取量を推定する飲料摂取量推定部を備えることを特徴とする請求項１〜６のいずれか一項に記載の情報処理装置。
  8. 前記特徴量は、心拍数の上昇速度、心拍数の下降速度、心拍数の経時変化とのその近似直線との誤差、心拍数の経時変化の最大心拍数時刻以前の近似直線と前記最大心拍数時刻以後の近似直線との交差角度、心拍数の上昇が検出される前の平均値と前記上昇後に所定値まで戻った後の平均値、心拍数の上昇が検出される前の心拍数のばらつきと前記上昇後に所定値まで戻った後の心拍数のばらつき、心拍数のピーク値に基づく値、心拍数の上昇から上昇後に所定値まで戻る前までの積分値、および心拍数の経時変化の波形パターン、の内一つ以上を含むことを特徴とする請求項１〜６のいずれか一項に記載の情報処理装置。
  9. 前記特徴量は、心拍数の上昇速度、心拍数の下降速度、心拍数の経時変化とのその近似直線との誤差、および心拍数の経時変化の最大心拍数時刻以前の近似直線と前記最大心拍数時刻以後の近似直線との交差角度を含むことを特徴とする請求項１〜６のいずれか一項に記載の情報処理装置。
  10. 被分析者の心拍数を心拍数取得部が取得し、
    前記心拍数取得部が取得した心拍数の経時変化から、心拍数の上昇または下降を検出し、前記心拍数の上昇が検出される前の心拍数の平均値またはばらつきと、前記下降後に所定値まで戻った後の心拍数の平均値またはばらつきを特徴量抽出部が抽出し、
    飲料摂取に係る心拍数の経時変化に関する情報を格納部が予め格納し、
    前記特徴量抽出部が抽出した特徴量と前記格納部に格納された情報とに基づいて、前記心拍数取得部が取得した心拍数の経時変化が飲料摂取に起因するか否かを判定部が判定する、ことを特徴とする情報処理方法。
  11. コンピュータに、
    被分析者の心拍数を取得する処理と、
    取得された前記心拍数の経時変化から、心拍数の上昇または下降を検出し、前記心拍数の上昇が検出される前の心拍数の平均値またはばらつきと、前記下降後に所定値まで戻った後の心拍数の平均値またはばらつきを抽出する処理と、
    飲料摂取に係る心拍数の経時変化に関する情報を予め格納部に格納させておく処理と、
    前記特徴量を抽出する処理によって抽出した特徴量と前記格納部に格納された情報とに基づいて、前記被分析者の心拍数の経時変化が飲料摂取に起因するか否かを判定する処理と、を実行させることを特徴とする情報処理プログラム。
JP2017548579A 2015-11-05 2015-11-05 情報処理装置、情報処理方法および情報処理プログラム Active JP6504264B2 (ja)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2015/081192 WO2017077623A1 (ja) 2015-11-05 2015-11-05 情報処理装置、情報処理方法および情報処理プログラム

Publications (2)

Publication Number Publication Date
JPWO2017077623A1 JPWO2017077623A1 (ja) 2018-08-30
JP6504264B2 true JP6504264B2 (ja) 2019-04-24

Family

ID=58661786

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2017548579A Active JP6504264B2 (ja) 2015-11-05 2015-11-05 情報処理装置、情報処理方法および情報処理プログラム

Country Status (3)

Country Link
EP (1) EP3372154B1 (ja)
JP (1) JP6504264B2 (ja)
WO (1) WO2017077623A1 (ja)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6504264B2 (ja) * 2015-11-05 2019-04-24 富士通株式会社 情報処理装置、情報処理方法および情報処理プログラム
WO2020037298A1 (en) * 2018-08-17 2020-02-20 Lvl Technologies, Inc. System and method for contextual drink detection
CN112971720B (zh) * 2021-02-07 2023-02-03 中国人民解放军总医院 检测入睡点的方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5398688A (en) * 1994-07-21 1995-03-21 Aurora Dawn Ltd. Method, system and instrument for monitoring food intake
JP2000245713A (ja) * 1999-02-26 2000-09-12 Sanyo Electric Co Ltd 行動認識装置
JP2003173375A (ja) * 2001-09-28 2003-06-20 Toshiba Corp 生活管理端末装置、生活管理方法並びに生活管理システム
JP4701039B2 (ja) * 2005-08-12 2011-06-15 順明 山井 体に良い食事摂取をナビゲートする装置
US20080300641A1 (en) * 2007-06-01 2008-12-04 Brunekreeft Willie N Cardiac information and activity information association systems, apparatus, and methods
JP2009219541A (ja) * 2008-03-13 2009-10-01 Toyota Motor Corp 飲酒状態検出装置
JP5365199B2 (ja) * 2009-01-06 2013-12-11 ソニー株式会社 ライフスタイルを評価するための方法、情報処理装置及びプログラム
JP5977938B2 (ja) * 2011-11-25 2016-08-24 株式会社デルタツーリング 生体状態推定装置及びコンピュータプログラム
JP6504264B2 (ja) * 2015-11-05 2019-04-24 富士通株式会社 情報処理装置、情報処理方法および情報処理プログラム

Also Published As

Publication number Publication date
JPWO2017077623A1 (ja) 2018-08-30
EP3372154B1 (en) 2019-12-04
EP3372154A1 (en) 2018-09-12
EP3372154A4 (en) 2018-11-07
WO2017077623A1 (ja) 2017-05-11

Similar Documents

Publication Publication Date Title
AU2018250385B2 (en) Motor task analysis system and method
US20200311609A1 (en) Adaptive model-based system to automatically quantify fall risk
US11642086B2 (en) Apparatus and method for correcting error of bio-information sensor, and apparatus and method for estimating bio-information
US10314520B2 (en) System and method for characterizing biomechanical activity
CN102292025B (zh) 确定用户的能量消耗
US20170273634A1 (en) Meal estimation method, meal estimation apparatus, and recording medium
CN107466222B (zh) 生命体征监测系统
EP4446736A2 (en) Health tracking device
US10579203B2 (en) Wellness mirror
JP6638734B2 (ja) 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
JP6504264B2 (ja) 情報処理装置、情報処理方法および情報処理プログラム
US20180136191A1 (en) Sweat monitoring apparatus and monitoring method
US20230031995A1 (en) Motion-Based Cardiopulmonary Function Index Measuring Device, and Senescence Degree Prediction Apparatus and Method
JP6547837B2 (ja) 情報処理装置、情報処理方法および情報処理プログラム
Nguyen et al. An instrumented measurement scheme for the assessment of upper limb function in individuals with Friedreich Ataxia
US20230218185A1 (en) Biological information processor, biological information processing method, and biological information processing program
EP3773184A1 (en) Method and apparatus for determining the impact of behavior-influenced activities on the health level of a user
ARICK Design and Development of Healthcare Support Systems Based
KR20220058374A (ko) 생체의 수분공급을 모니터링 하는 방법 및 장치
Jansen Position statement: Telemonitoring-a too limited view on the wellbeing of the patient

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20180510

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20180510

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20190226

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20190311

R150 Certificate of patent or registration of utility model

Ref document number: 6504264

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150