JP7083194B1 - 生体情報演算システム - Google Patents

Abstract

【課題】ユーザの健康状態に関する評価結果を、高精度に生成することができる生体情報演算システムを提供する。
【解決手段】ユーザの健康状態に関する評価結果を生成する生体情報演算システムであって、前記ユーザの脈波に基づく評価データを取得する取得手段と、予め取得された学習用脈波に基づく入力データ、及び前記入力データに紐づく血糖値を含む参照データの一対を学習用データとして、複数の前記学習用データを用いて生成された分類情報が記憶されたデータベースと、前記データベースを参照し、前記評価データに対する前記血糖値を含む血糖値評価結果を生成する生成手段と、前記評価データ及び前記血糖値評価結果に基づき、前記評価結果を生成する評価手段とを備えることを特徴とする生体情報演算システム。
【選択図】図１

Description

本発明は、ユーザの健康状態に関する評価結果を生成する生体情報演算システムに関する。

従来、ユーザの血糖値を生成する方法として、例えば特許文献１のような方法が提案されている。

特許文献１では、被験者の加速度脈波を測定し、測定した加速度脈波の波形情報から、侵襲測定法により測定した血糖値と同時測定した加速度脈波との間の相関関係に基づき、分光分析を用いることなく、被験者の血糖値情報を非侵襲的方法で抽出する生体情報推定装置及びその方法が開示されている。

特開２０１９－１４１５８３号公報

ここで、脈波の波形信号は、ユーザの性別や年齢などの属性により、脈波の波形信号から生成できる血糖値の数値にばらつきが生じる場合がある。例えば、２０代の男性をユーザとして、測定した脈波を処理した場合と、５０代の女性をユーザとして、測定した脈波を処理した場合とを比較したとき、処理の方法によって、生成できる血糖値の精度にばらつきが生じることが懸念される。すなわち、脈波の波形信号から生成した血糖値を用いて、十分な精度があるユーザの健康状態に関する評価結果を取得するためには、ユーザの特徴に合わせた処理を行う必要がある。

一方、特許文献１では、脈波の波形信号から生成した血糖値に対して、ユーザの特徴に合わせた処理を経て、ユーザの健康状態に関する評価結果を生成することが開示されていない。このため、特許文献１のような従来技術では、ユーザの特徴に合わせた処理が想定されていないため、ユーザの健康状態に関する評価結果を、高精度に生成できない懸念が挙げられる。

そこで本発明は、上述した問題点に鑑みて案出されたものであり、その目的とするところは、ユーザの健康状態に関する評価結果を、高精度に生成することができる生体情報演算システムを提供することにある。

第１発明に係る生体情報演算システムは、ユーザの健康状態に関する評価結果を生成する生体情報演算システムであって、前記ユーザの脈波に基づく容積脈波、速度脈波及び加速度脈波の何れかに相当する評価データを取得する取得手段と、予め取得された学習用脈波に基づく前記評価データと同種の入力データ、及び前記入力データに紐づく血糖値を含む参照データの一対を学習用データとして、複数の前記学習用データを用いて生成された分類情報が記憶されたデータベースと、前記データベースを参照し、前記評価データに対する前記血糖値を含む血糖値評価結果を生成する生成手段と、前記評価データ及び前記血糖値評価結果に基づき、前記評価結果を生成する評価手段とを備えることを特徴とする。

第２発明に係る生体情報演算システムは、第１発明において、前記評価手段は、それぞれ異なる前記評価データから生成された複数の前記血糖値評価結果における時系列変化から、前記ユーザの血糖値の傾向に関する血糖トレンドを取得し、前記血糖トレンド及び前記評価データから前記評価結果を生成することを含むことを特徴とする。

第３発明に係る生体情報演算システムは、第１発明又は第２発明において、前記評価手段は、前記評価データの特徴に基づき、前記血糖値評価結果から前記評価結果を生成するための関数を選択することを特徴とする。

第４発明に係る生体情報演算システムは、第１発明～第３発明の何れかにおいて、前記評価手段は、前記ユーザの特徴を示す付加情報を取得し、前記評価データ、前記血糖値評価結果及び前記付加情報に基づき、前記評価結果を生成することを含むことを特徴とする。

第５発明に係る生体情報演算システムは、第１発明～第３発明の何れかにおいて、前記入力データは、前記学習用脈波に紐づく、特徴を示す学習用付加情報を含み、前記生成手段は、前記ユーザの特徴を示す付加情報を取得し、前記データベースを参照し、前記評価データ及び前記付加情報に対する前記血糖値評価結果を生成することを含むことを特徴とする。

第６発明に係る生体情報演算システムは、第１発明～第３発明の何れかにおいて、前記生成手段は、前記ユーザの特徴を示す付加情報を取得し、前記分類情報のうち、前記付加情報に基づき第１分類情報を選択し、前記第１分類情報を参照し、前記評価データに対する前記血糖値評価結果を生成することを含むことを特徴とする。

第７発明に係る生体情報演算システムは、第４発明において、前記取得手段は、前記脈波に基づき、前記評価データとは異なる特徴を示す付加データを取得することを含み、前記生成手段は、前記付加データに基づく、前記付加情報を生成することを含むことを特徴とする。

第８発明に係る生体情報演算システムは、第１発明において、前記取得手段は、前記脈波に基づき、前記評価データとは異なる予備評価データを取得することを含み、前記分類情報は、それぞれ異なる前記学習用データを用いて算出された複数の属性別分類情報を含み、前記生成手段は、前記予備評価データを参照し、複数の前記属性別分類情報のうち第１分類情報を選択する選択手段と、前記第１分類情報を参照し、前記評価データに対する前記血糖値評価結果を生成する属性別生成手段とを含むことを特徴とする。

第９発明に係る生体情報演算システムは、第８発明において、前記取得手段は、前記脈波に基づく速度脈波に相当するデータを、前記評価データとして取得し、前記脈波に基づく加速度脈波に相当するデータを、前記予備評価データとして取得することを含むことを特徴とする。

第１発明～第９発明によれば、生成手段は、データベースを参照し、評価データに対する血糖値を含む血糖値評価結果を生成する。また、評価手段は、評価データ及び血糖値評価結果に基づき、評価結果を生成する。このため、ユーザの特徴が含まれる脈波の特徴に基づき取得された評価データ及び血糖値評価結果から、評価結果を生成することができる。これにより、ユーザの健康状態に関する評価結果を、ユーザの特徴に合わせた処理の方法を用いて、高精度に生成することが可能となる。

また、第１発明～第９発明によれば、生成手段は、データベースを参照し、評価データに対する血糖値評価結果を生成する。また、データベースには、複数の学習用データを用いて生成された分類情報が記憶される。このため、評価結果を生成する際、過去に実績のあるデータを踏まえた定量的な血糖値を含ませることができる。これにより、評価結果を生成する際の精度向上を図ることが可能となる。

特に、第２発明によれば、評価手段は、それぞれ異なる評価データから生成された複数の血糖値評価結果における時系列変化から、ユーザの血糖値の傾向に関する血糖トレンドを取得し、血糖トレンド及び評価データから評価結果を生成する。このため、ユーザ毎に異なる血糖値スパイク等の血糖値の特徴を容易に把握することができる。これにより、ユーザの評価結果を、高精度に生成することが可能となる。

特に、第３発明によれば、評価手段は、評価データの特徴に基づき、血糖値評価結果から評価結果を生成するための関数を選択する。このため、ユーザ毎に異なる評価データの特徴に応じて、適切な関数を選択することができる。これにより、ユーザの評価結果を、高精度に生成することが可能となる。

特に、第４発明によれば、評価手段は、ユーザの特徴を示す付加情報を取得し、評価データ、血糖値評価結果及び付加情報に基づき、評価結果を生成することを含む。このため、複数種類の情報を用いることで、多角的な観点を踏まえた総合的な評価を実現することができる。これにより、ユーザの評価結果を、さらに高精度に生成することが可能となる。

特に、第５発明によれば、生成手段は、ユーザの特徴を示す付加情報を取得し、データベースを参照し、評価データ及び付加情報に対する血糖値評価結果を生成することを含む。このため、ユーザの血糖値評価結果に相関のあるパラメータを利用し、多角的な観点を踏まえた総合的な評価を実現することができる。これにより、ユーザの評価結果を、さらに高精度に生成することが可能となる。

特に、第６発明によれば、生成手段は、ユーザの生体情報を示す付加情報を取得し、分類情報のうち、付加情報に基づき第１分類情報を選択し、第１分類情報を参照し、前記評価データに対する血糖値評価結果を生成する。このため、ユーザの特徴に応じて、適切な分類情報を選択することができる。これにより、ユーザの評価結果を、さらに高精度に生成することが可能となる。

特に、第７発明によれば、取得手段は、脈波に基づき、評価データとは異なる特徴を示す付加データを取得することを含み、生成手段は、付加データに基づく、付加情報を生成することを含む。このため、血糖値とは異なる観点により生成された付加情報を利用することができ、ユーザの特徴を考慮した多角的な評価結果を生成することができる。これにより、ユーザの評価結果を、さらに高精度に生成することが可能となる。

特に、第８発明によれば、生成手段は、予備評価データを参照し、第１分類情報を選択する選択手段と、第１分類情報を参照し、評価データに対する血糖値評価結果を生成する属性別生成情報とを含む。このため、脈波の特徴に対して最適な属性分類情報を選択した上で、評価データに対する血糖値評価結果を生成することができる。これにより、評価精度のさらなる向上を図ることが可能となる。

特に、第９発明によれば、取得手段は、脈波に基づく速度脈波に相当するデータを、評価データとして取得し、脈波に基づく加速度脈波に相当するデータを、予備評価データとして取得する。このため、速度脈波に比べて、脈波の特徴を分類し易い加速度脈波を用いて、属性分類情報を選択することができる。また、加速度脈波に比べて、血糖値を算出し易い速度脈波を用いて、血糖値評価結果を生成することができる。これにより、評価精度のさらなる向上を図ることが可能となる。

図１は、第１実施形態における生体情報演算システムの一例を示す模式図である。 図２（ａ）及び図２（ｂ）は、第１実施形態における生体情報演算システムの動作の一例を示す模式図である。 図３（ａ）は、分類情報の一例を示す模式図であり、図３（ｂ）及び図３（ｃ）は、センサデータに対する処理の一例を示す模式図である。 図４（ａ）は、生体情報演算装置の構成の一例を示す模式図であり、図４（ｂ）は、生体情報演算装置の機能の一例を示す模式図である。 図５（ａ）及び図５（ｂ）は、センサの一例を示す模式図である。 図６は、第１実施形態における生体情報演算システムの動作の一例を示すフローチャートである。 図７は、加速度脈波に相当するデータの分類例を示す模式図である。 図８は、速度脈波に相当するデータの分類例を示す模式図である。 図９は、第２実施形態における生体情報演算システムの動作の一例を示す模式図である。 図１０は、血糖トレンドを示す模式図である。 図１１は、第３実施形態における生体情報演算システムの動作の一例を示す模式図である。 図１２は、第４実施形態における生体情報演算システムの動作の一例を示す模式図である。 図１３は、第５実施形態における生体情報演算システムの動作の変形例を示す模式図である。 図１４（ａ）及び図１４（ｂ）は、センサデータに対する付加情報を算出する処理の一例を示す模式図である。 図１５は、第６実施形態における生体情報演算システムの動作の一例を示す模式図である。 図１６は、第７実施形態における生体情報演算システムの動作の一例を示す模式図である。 図１７は、第８実施形態における生体情報演算システムの動作の一例を示す模式図である。

以下、本発明の実施形態における生体情報演算システムの一例について、図面を参照しながら説明する。

（第１実施形態：生体情報演算システム１００）
図１は、第１実施形態における生体情報演算システム１００の一例を示す模式図である。

生体情報演算システム１００は、ユーザの健康状態に関する評価結果を生成するために用いられる。ユーザの健康状態に関する評価結果は、ユーザの健康診断の結果、健康の度合いを示す指数、ユーザの健康状態に応じた保険料等を示す。

生体情報演算システム１００は、例えば図１に示すように、生体情報演算装置１を備え、例えばセンサ５及びサーバ４の少なくとも何れかを備えてもよい。生体情報演算装置１は、例えば通信網３を介してセンサ５やサーバ４と接続される。

生体情報演算システム１００は、ユーザの脈波に基づく評価データから、血糖値を含む血糖値評価結果を生成し、評価データ及び血糖値評価結果から評価結果を生成する。

生体情報演算システム１００では、例えば図２（ａ）に示すように、生体情報演算装置１が、センサ５等により生成されたセンサデータを取得する。その後、生体情報演算装置１は、取得したセンサデータに対し、フィルタ処理等の前処理を実施し、評価データを取得する。

生体情報演算装置１は、評価データに対する血糖値評価結果を生成し、評価データ及び血糖値評価結果に対する評価結果を生成する。このため、脈波の特徴に基づき取得された評価データ及び血糖値評価結果から、評価結果を生成することができる。これにより、ユーザの評価結果を、高精度に生成することが可能となる。

ここで、生体情報演算装置１は、評価データに対する血糖値評価結果を生成する際、データベースを参照する。データベースには、複数の学習用データを用いて生成された分類情報が記憶される。

分類情報は、例えば図３（ａ）に示すように、過去に取得された学習用脈波に基づく入力データ、及び入力データに紐づく血糖値を含む参照データの一対を学習用データとして、複数の学習用データを用いて生成される。このため、血糖値評価結果を生成する際、過去に実績のある入力データ及び出力データを踏まえた定量的な血糖値を含ませることができる。これにより、評価結果を生成する際の精度向上を図ることが可能となる。

生体情報演算装置１は、例えば生成した評価結果をディスプレイ等に出力する。

なお、生体情報演算システム１００では、例えば図２（ｂ）に示すように、センサ５等から評価データを取得してもよい。この場合、センサデータから評価データを取得する前処理は、センサ５等により実施される。

＜センサデータ＞
センサデータは、ユーザの脈波の特徴を示すデータを含み、例えば脈波以外の特徴を示すデータ（ノイズ）を含んでもよい。センサデータは、測定時間に対する振幅を示すデータであり、用途やセンサデータの生成条件に応じたフィルタ処理を実施することで、センサデータから加速度脈波や速度脈波等に相当するデータを取得することができる。

センサデータは、ひずみセンサ、ジャイロセンサ、光電容積脈波（ＰＰＧ）センサ、圧力センサ等の公知のセンサにより生成することができる。センサデータは、デジタル信号のほか、例えばアナログ信号でもよい。なお、センサデータを生成する際の測定時間は、例えば脈波の１～２０周期分の測定時間であり、センサデータの処理方法や、データ通信方法等の条件に応じて、任意に設定することができる。

＜評価データ＞
評価データは、血糖値評価結果及び評価結果を生成するためのデータを示す。評価データは、例えばユーザの脈波に基づく加速度脈波に相当するデータを示し、特定の周期（例えば１周期）に対する振幅を示す。

評価データは、センサデータを生体情報演算装置１等によって処理（前処理）を実施することで取得される。例えば図３（ｂ）及び図３（ｃ）に示すように、センサデータに対して複数の処理を実施することで、評価データを得ることができる。各処理の詳細については、後述する。

＜データベース＞
データベースは、主に、評価データに対する評価結果を生成する際に用いられる。データベースには、１つ以上の分類情報が記憶されるほか、例えば分類情報の生成に用いられた複数の学習用データが記憶されてもよい。

分類情報は、例えば予め取得された過去の評価データ（入力データ）と、血糖値を含む参照データとの相関関係を示す関数である。分類情報は、例えば入力データを説明変数とし、参照データを目的変数として、回帰分析等により解析し、その解析結果に基づいて生成される検量モデルを示す。分類情報は、例えば検量モデルを定期的に更新することができるほか、ユーザの性別、年齢、運動内容等の属性情報に応じて生成してもよい。

分類情報を生成する際に用いる回帰分析の方法として、例えばＰＬＳ（Partial Least Squares）回帰分析、クラス毎に主成分分析を行って主成分モデルを得るＳＩＭＣＡ（Soft Independent Modeling of Class Analogy）法を利用した回帰分析等を用いることができる。

分類情報は、例えば複数の学習用データを用いた機械学習により生成された、学習済みモデルを含んでもよい。学習済みモデルは、例えばＣＮＮ（Convolutional Neural Network）等のニューラルネットワークモデルを示すほか、ＳＶＭ（Support vector machine）等を示す。また、機械学習として、例えば深層学習を用いることができる。

入力データは、評価データと同種のデータが用いられ、例えば対応する血糖値が明確となっている過去の評価データを示す。例えば、被検者にセンサ５等を装着させ、学習用脈波の特徴を示すセンサデータ（学習用センサデータ）を生成する。そして、学習用センサデータに対して処理を実施することで、入力データを取得することができる。なお、入力データは、生体情報演算システム１００のユーザから取得するほか、例えばユーザとは別のユーザから取得してもよい。即ち、上述した被検者は、生体情報演算システム１００のユーザであるほか、ユーザ以外を対象としてもよく、特定又は不特定の多数でもよい。

入力データは、例えば評価データを取得する際に利用するセンサ５等の種類、センサデータの生成条件、及びセンサデータに対する処理条件と同様の内容によって取得されることが好ましい。例えば上記３つの内容を統一することで、評価結果を生成する際の精度を飛躍的に向上させることが可能となる。

参照データは、計測装置等を用いて計測された、被検者の血糖値を含む。例えば被検者にセンサ５等を装着させて学習用センサデータを生成する際、被検者の血糖値を計測することで、入力データに紐づく参照データを取得することができる。この場合、血糖値を計測するタイミングは、学習用センサデータを生成するタイミングと同時が好ましいが、例えば１～１０分程度前後するタイミングでもよい。

参照データは、公知の計測装置を用いて計測される。例えば血糖値を計測する場合、計測装置として、ケアファクト・リンク（ニプロ株式会社製）等の公知の装置が用いられる。

＜血糖値評価結果＞
血糖値評価結果は、参照データと同種のデータとして生成され、血糖値を含む。血糖値評価結果は、分類情報を参照し、参照データと同一又は類似のデータとして生成される。

生体情報演算システム１００では、例えば任意の時系列に沿って複数の評価データを取得し、各評価データに対する血糖値評価結果を複数生成する。また、生体情報演算システム１００では、例えば運動量の変化時等の任意のタイミング毎に複数の評価データを取得し、各評価データに対する血糖値評価結果を複数生成してもよい。

＜評価結果＞
評価結果は、ユーザの健康状態に関する情報を示す。評価結果は、例えば複数の血糖値評価結果及び評価データを含むほか、一対の評価データ及び血糖値評価結果における差分値や、複数の評価データ及び血糖値評価結果に基づき導出した公知の閾値を含んでもよい。評価結果を出力することで、ユーザの健康状態を把握することができる。

＜生体情報演算装置１＞
生体情報演算装置１は、例えばパーソナルコンピュータ（ＰＣ）、携帯電話、スマートフォン、タブレット型端末、ウェアラブル端末等の電子機器を示し、例えばユーザの操作に基づいて、通信網３を介して通信可能な電子機器を示す。なお、生体情報演算装置１は、センサ５を内蔵してもよい。以下、生体情報演算装置１として、ＰＣが用いられる場合の一例を説明する。

図４（ａ）は、生体情報演算装置１の構成の一例を示す模式図であり、図４（ｂ）は、生体情報演算装置１の機能の一例を示す模式図である。

生体情報演算装置１は、例えば図４（ａ）に示すように、筐体１０と、ＣＰＵ（Central Processing Unit）１０１と、ＲＯＭ（Read Only Memory）１０２と、ＲＡＭ（Random Access Memory）１０３と、保存部１０４と、Ｉ／Ｆ１０５～１０７とを備える。各構成１０１～１０７は、内部バス１１０により接続される。

ＣＰＵ１０１は、生体情報演算装置１全体を制御する。ＲＯＭ１０２は、ＣＰＵ１０１の動作コードを格納する。ＲＡＭ１０３は、ＣＰＵ１０１の動作時に使用される作業領域である。保存部１０４は、データベースや評価データ等の各種情報が記憶される。保存部１０４として、例えばＨＤＤ（Hard Disk Drive）のほか、ＳＳＤ（Solid State Drive）等のデータ保存装置が用いられる。なお、例えば生体情報演算装置１は、図示しないＧＰＵ（Graphics Processing Unit）を有してもよい。

Ｉ／Ｆ１０５は、通信網３を介して、必要に応じてサーバ４やセンサ５等との各種情報の送受信を行うためのインターフェースである。Ｉ／Ｆ１０６は、入力部１０８との情報の送受信を行うためのインターフェースである。入力部１０８として、例えばキーボードが用いられ、生体情報演算装置１のユーザ等は、入力部１０８を介して、各種情報、又は生体情報演算装置１の制御コマンド等を入力する。Ｉ／Ｆ１０７は、表示部１０９との各種情報の送受信を行うためのインターフェースである。表示部１０９は、保存部１０４に保存された各種情報、又は評価結果等を表示する。表示部１０９として、ディスプレイが用いられ、例えばタッチパネル式の場合、入力部１０８と一体に設けられる。

図４（ｂ）は、生体情報演算装置１の機能の一例を示す模式図である。生体情報演算装置１は、取得部１１と、生成部１２と、評価部１３と、出力部１４と、記憶部１５とを備え、例えば学習部１６を備えてもよい。なお、図４（ｂ）に示した各機能は、ＣＰＵ１０１が、ＲＡＭ１０３を作業領域として、保存部１０４等に記憶されたプログラムを実行することにより実現される。

＜取得部１１＞
取得部１１は、ユーザの脈波に基づく評価データを取得する。取得部１１は、例えばセンサ５等からセンサデータを取得したあと、センサデータに対して処理を実施することで、評価データを取得する。

取得部１１は、例えば図３（ｂ）に示すように、取得したセンサデータに対し、フィルタリング処理（フィルタ処理）を実施する。フィルタ処理では、例えば０．５～５．０Ｈｚのバンドパスフィルタが用いられる。これにより、取得部１１は、ユーザの脈波に相当するデータ（脈波データ）を抽出する。脈波データは、例えば速度脈波に相当するデータを示す。なお、脈波データは、例えば加速度脈波又は容積脈波に相当するデータを示してもよく、センサの種類や用途に応じて任意に設定できる。また、バンドパスフィルタのフィルタ範囲は、用途に応じて任意に設定することができる。

取得部１１は、例えば脈波データに対し、微分処理を実施する。例えば速度脈波に相当する脈波データに対して微分処理が実施される場合、取得部１１は、加速度脈波に相当するデータ（微分データ）を取得する。なお、微分処理では、１回微分のほか２回微分が実施されてもよい。

取得部１１は、例えば微分データに対し、分割処理を実施する。分割処理では、例えば複数周期の加速度脈波に相当する微分データが、１周期毎の加速度脈波に相当するデータ（分割データ）に分割される。このため、取得部１１は、例えば１つの微分データに対して微分処理を実施することで、複数の分割データを取得することができる。なお、分割処理では、用途に応じて任意の周期（例えば周期の正数倍）毎に、微分データを分割することができる。

例えば分割処理において、分割した各分割データにおけるデータ量が、それぞれ異なる場合がある。この場合、取得部１１は、最も少ないデータ量の分割データを特定し、他の分割データに対して、データ量の削減（トリミング）を実施してもよい。これにより、各分割データにおけるデータ量を統一することができ、各分割データにおけるデータの対比が容易になる。

上記のほか、例えば分割データの時間軸に対応する値を対象に規格化処理を実施してもよい。規格化処理では、例えば時間軸に対応する値の最小値を０とし、最大値を１とした規格化が実施される。これにより、各分割データにおけるデータの対比が容易になる。

取得部１１は、例えばデータ量の削減、又は規格化を実施した複数の分割データにおける平均を算出し、分割データとしてもよい。

取得部１１は、分割データに対し、規格化処理を実施する。規格化処理では、振幅に対応する値を対象に、規格化されたデータ（規格化データ）が生成される。規格化処理では、例えば振幅の最低値を０とし、振幅の最高値を１とした規格化が実施される。取得部１１は、例えば規格化データを評価データとして取得する。この場合、評価データとして、ユーザの加速度脈波に相当するデータが得られる。

取得部１１は、上述した各処理を順次実施するほか、例えば図３（ｃ）に示すように、微分処理を実施しなくてもよい。この場合、評価データとして、ユーザの速度脈波に相当するデータが得られる。

また、取得部１１は、例えば上述した各処理の一部のみを実施してもよい。この場合、取得部１１は、脈波データ、微分データ、分割データ、トリミングされた分割データ、及び時間軸に対応する値を規格化した分割データの何れかを、評価データとして取得してもよく、用途に応じて任意に設定できる。

なお、取得部１１は、例えば入力部１０８等を介してユーザが入力した、ユーザの特徴、運動内容、競技種目等のような評価対象の情報を取得し、評価データに含ませてもよい。評価対象の情報は、例えば血糖値評価結果、又は評価結果を生成する際に利用してもよい。

＜生成部１２＞
生成部１２は、データベースを参照し、評価データに対する血糖値評価結果を生成する。生成部１２は、例えばデータベースに記憶された分類情報を参照し、評価データに対する血糖値を算出し、血糖値評価結果として生成する。生成部１２は、それぞれ異なる評価データに対する血糖値評価結果を、複数生成する。

＜評価部１３＞
評価部１３は、評価データ及び評価データから生成された血糖値評価結果に基づき、評価結果を生成する。評価部１３は、例えば保存部１０４等に予め記憶された表示用のフォーマットを用いて、健康状態についてユーザが理解できる形式に変換した評価結果を生成する。

評価部１３は、例えば評価用データベースを参照して、評価データ及び血糖値評価結果から評価結果を生成してもよい。

評価用データベースには、例えば上述したデータベースと同様に、評価データ及び血糖値評価結果に対する評価結果を生成するための評価用分類情報が記憶されてもよい。評価用データベースには、１つ以上の評価用分類情報が記憶されるほか、例えば評価用分類情報の生成に用いられた複数の評価用学習データが記憶されてもよい。

評価用分類情報は、例えば予め取得された過去の評価データ及び血糖値評価結果（評価用入力データ）と、評価用入力データに紐づく評価用参照データとの相関関係を示す関数である。評価用参照データは、ユーザの評価結果を示す。評価用分類情報は、評価用入力データと、評価用参照データとを一対の評価用学習データとして、複数の評価用学習データを用いて生成される。

評価用分類情報は、例えば評価用入力データを説明変数とし、評価用参照データを目的変数とし、上述した回帰分析等により解析し、その解析結果に基づいて生成される検量モデルを示す。評価用分類情報は、例えば検量モデル（評価用検量モデル）を定期的に更新することができるほか、ユーザの性別、年齢、運動内容、体格、ＢＭＩ（Body Mass Index）等の属性情報に応じて生成してもよい。なお、評価用分類情報は、上述した分類情報と同様に、例えば複数の評価用学習データを用いた機械学習により生成された、学習済みモデル（評価用学習済みモデル）を含んでもよい。

＜出力部１４＞
出力部１４は、評価結果を出力する。出力部１４は、表示部１０９に評価結果を出力するほか、例えばセンサ５等に評価結果を出力してもよい。

＜記憶部１５＞
記憶部１５は、保存部１０４に保存されたデータベース等の各種データを、必要に応じて取出す。記憶部１５は、各構成１１～１４、１６により取得又は生成された各種データを、必要に応じて保存部１０４に保存する。

＜学習部１６＞
学習部１６は、例えば複数の学習用データを用いて、分類情報を生成する。学習部１６は、例えば新たな学習用データを取得し、既存の分類情報を更新してもよい。

学習部１６は、例えば複数の評価用学習データを用いて、評価用分類情報を生成する。学習部１６は、例えば新たな評価用学習データを取得し、既存の評価用分類情報を更新してもよい。

なお、生体情報演算システム１００において、分類情報及び評価用分類情報を用いる場合、例えば評価データの種類に応じて分類情報を更新し、評価分類情報を更新しなくてもよい。この場合、新たに評価用学習データを準備する必要が無いため、コスト削減、及び更新時間の大幅な削減を実現することが可能となる。

＜通信網３＞
通信網３は、生体情報演算装置１と、サーバ４と、センサ５とを通信回線を介して接続される公知のインターネット網等である。通信網３は、生体情報演算システム１００を一定の狭いエリア内で運用する場合には、ＬＡＮ（Local Area Network）等で構成されてもよい。また、通信網３は、いわゆる光ファイバ通信網で構成されてもよい。また、通信網３は、有線通信網に限定されるものではなく、無線通信網で実現されてもよく、用途に応じて任意に設定できる。

サーバ４は、通信網３を介して送られてきた情報が蓄積される。サーバ４は、生体情報演算装置１からの要求に基づき、通信網３を介して蓄積された情報を生体情報演算装置１へと送信する。

＜センサ５＞
センサ５は、センサデータを生成する。センサ５は、例えば図５（ａ）に示すように、検出部６を備える。センサ５は、検出部６を介してユーザの脈波を検出可能な位置に装着され、例えばリストバンド５５に固定される。

検出部６は、ユーザの脈波を検出可能な公知の検出装置が用いられる。検出部６として、例えばファイバブラッググレーティング（ＦＢＧ）センサ等のひずみセンサ、ジャイロセンサ、脈波信号測定のための１つ以上の電極、光電容積脈波（ＰＰＧ）センサ、圧力センサ、及び光検出モジュールの少なくとも何れかが用いられる。検出部６は、例えば複数配置されてもよい。

なお、センサ５は、衣服に埋め込まれてもよい。また、センサ５を装着するユーザは、人間のほか、犬や猫等のペットを対象としてもよく、例えば牛や豚等の家畜、魚等の養殖を対象としてもよい。

センサ５は、例えば図５（ｂ）に示すように、取得部５０と、通信Ｉ／Ｆ５１と、メモリ５２と、命令部５３とを備え、各構成がそれぞれ内部バス５４で接続される。

取得部５０は、検出部６を介してユーザの脈波を測定し、センサデータを生成する。取得部５０は、例えば生成したセンサデータを、通信Ｉ／Ｆ５１、又はメモリ５２へと送信する。

通信Ｉ／Ｆ５１は、通信網３を介して、センサデータ等の各種データを生体情報演算装置１やサーバ４に送信する。また、通信Ｉ／Ｆ５１は、通信網３と接続するための回線制御回路や、生体情報演算装置１やサーバ４との間でデータ通信を行うための信号変換回路等が、実装されている。通信Ｉ／Ｆ５１は、内部バス５４からの各種命令に変換処理を施して、これを通信網３側へ送出するとともに、通信網３からのデータを受信した場合には、これに所定の変換処理を施して内部バス５４へ送信する。

メモリ５２は、取得部５０から送信されたセンサデータ等の各種データを保存する。メモリ５２は、例えば通信網３を介して接続される他の端末装置から命令を受けることにより、保存したセンサデータ等の各種データを、通信Ｉ／Ｆ５１へ送信する。

命令部５３は、センサデータを取得するための操作ボタンやキーボード等を含み、例えばＣＰＵ等のプロセッサを含む。命令部５３は、センサデータの取得の命令を受け付けた場合に、これを取得部５０に通知する。この通知を受けた取得部５０は、センサデータを取得する。なお、命令部５３は、例えば図３（ｂ）及び図３（ｃ）に示すように、センサデータから評価データを取得するための処理を実施してもよい。

ここで、センサデータを取得する一例として、ＦＢＧセンサを用いる場合を説明する。

ＦＢＧセンサは、１本の光ファイバ内に所定間隔をあけて回折格子構造を形成したである。ＦＢＧセンサは、例えばセンサ部分の長さが１０ｍｍ、波長分解能が±０．１ｐｍ、波長範囲が１５５０±０．５ｎｍ、ファイバの直径が１４５μｍ、コア径１０．５μｍである特徴を持つ。ＦＢＧセンサを上述した検出部６として、ユーザの皮膚に接触させた状態で測定をすることができる。

例えば光ファイバに用いる光源として、波長範囲１５２５～１５７０ｎｍのＡＳＥ（Amplified Spontaneous Emission）光源が用いられる。光源からの出射光は、サーキュレータを介してＦＢＧセンサに入射させる。ＦＢＧセンサからの反射光は、サーキュレータを介してマッハツェンダー干渉計に導き、マッハツェンダー干渉計からの出力光を、光検出器によって検知する。マッハツェンダー干渉計は、ビームスプリッタにより光路差のある２つの光路に分離し、再びビームスプリッタにより一つに重ね合わせて干渉光を作り出すためのものである。光路差をつけるため、例えば一方の光ファイバの長さを長くしてもよい。コヒーレント光は、光路差に応じて干渉縞が生じるため、干渉縞のパターンを測定することによって、ＦＢＧセンサに生じた歪の変化、すなわち脈波を検知することができる。取得部５０は、検知された脈波に基づき、センサデータを生成する。これにより、センサデータが取得される。

なお、ＦＢＧセンサの歪み量を検出して、脈波の波形を検出する光ファイバセンサシステムは、ＦＢＧセンサに入射させる光源の他に、広い帯域のＡＳＥ光源、サーキュレータ、マッハツェンダー干渉計、ビームスプリッタといった光学系や、光検出器が備える受光センサや、波長シフト量を解析する解析方法を含む。光ファイバセンサシステムは、使用するＦＢＧセンサの特性に応じて光源や帯域光を選択して使用することができ、検波方法等の解析方法についても種々の方法を採用することができる。

（第１実施形態：生体情報演算システム１００の動作）
次に、本実施形態における生体情報演算システム１００の動作の一例について説明する。図６は、本実施形態における生体情報演算システム１００の動作の一例を示すフローチャートである。

生体情報演算システム１００は、例えば生体情報演算装置１内にインストールされた生体情報演算プログラムを介して実行する。即ち、ユーザは、生体情報演算装置１、又はセンサ５を操作し、生体情報演算装置１にインストールされている生体情報演算プログラムを通じて、センサデータからユーザの健康状態を示した評価結果を取得することができる。

生体情報演算システム１００の動作は、取得ステップＳ１１０と、生成ステップＳ１２０と、評価ステップＳ１３０とを備え、例えば出力ステップＳ１４０を備えてもよい。

＜取得ステップＳ１１０＞
取得ステップＳ１１０は、ユーザの脈波に基づく評価データを取得する。例えばセンサ５の取得部５０は、検出部６を介してユーザの脈波を測定し、センサデータを生成する。取得部５０は、通信Ｉ／Ｆ５１、及び通信網３を介して、センサデータを生体情報演算装置１へ送信する。生体情報演算装置１の取得部１１は、センサ５からセンサデータを受信する。

取得部１１は、例えば図３（ｂ）に示した処理を、センサデータに対して実施し、評価データを取得する。取得部１１は、例えば記憶部１５を介して、取得した評価データを保存部１０４に保存する。なお、取得部１１がセンサ５からセンサデータを取得する頻度等の条件は、用途に応じて任意に設定することができる。例えば取得部１１は、予め設定された周期で評価データを取得する。この場合、評価結果を生成する際の演算処理を簡素化できるため、処理速度の向上を図ることが可能となる。

＜生成ステップＳ１２０＞
次に、生成ステップＳ１２０は、データベースを参照し、評価データに対する血糖値を含む血糖値評価結果を生成する。例えば生成部１２は、分類情報を参照し、評価データに対する血糖値を算出する。生成部１２は、算出した値を含む血糖値評価結果を生成する。生成部１２は、例えば記憶部１５を介して、生成した血糖値評価結果を保存部１０４に保存する。なお、血糖値として、特定の値を示すほか、例えば誤差範囲（例えば「○○±５ｍｇ／ｄＬ」等）が算出されてもよい。

＜評価ステップＳ１３０＞
次に、評価ステップＳ１３０は、評価データ及び評価データから生成された血糖値評価結果に基づき、評価結果を生成する。例えば評価部１３は、評価データ及び生成部１２により生成された血糖値評価結果を取得する。評価部１３は、予め設定された関数等を用いて、評価データ及び血糖値評価結果から評価結果を生成するほか、例えば上述した評価用データベースを参照して、評価結果を生成してもよい。

評価部１３は、例えば血糖値評価結果に評価データを組み合わせて、評価結果を生成する。この場合、予め設定された関数等を用いるほか、評価用データベースを参照して、評価結果を生成してもよい。これにより、ユーザの脈波の特徴を容易に考慮することができ、評価結果の精度を向上させることが可能となる。

＜出力ステップＳ１４０＞
次に、例えば出力ステップＳ１４０は、評価結果を出力してもよい。例えば出力部１４は、表示部１０９に評価結果を出力する。

これにより、生体情報演算システム１００の動作が終了する。なお、各ステップを実施する頻度や順番は、用途に応じて任意に設定できる。

本実施形態によれば、生成部１２は、評価データに対する血糖値含む血糖値評価結果を生成する。評価部１３は、評価データ及び評価データから生成された血糖値評価結果に基づき、ユーザの健康状態に関する評価結果を生成する。このため、脈波の特徴に基づき取得された評価データ及び血糖値評価結果から、評価結果を生成することができる。これにより、ユーザの評価結果を、高精度に生成することが可能となる。

また、本実施形態によれば、生成部１２は、データベースを参照し、評価データに対する血糖値評価結果を生成する。また、データベースには、複数の学習用データを用いて算出された分類情報が記憶される。このため、評価結果を生成する際、過去に実績のあるデータを踏まえた定量的な血糖値を含ませることができる。これにより、評価結果を生成する際の精度向上を図ることが可能となる。

また、本実施形態によれば、分類情報は、入力データを説明変数とし、参照データを目的変数としたＰＬＳ回帰分析を用いて得られた検量モデルである。このため、機械学習等を用いて分類情報を算出する場合に比べて、学習用データの数を大幅に減らすことができるとともに、検量モデルの更新を容易に実施することができる。これにより、生体情報演算システム１００の構築及び更新の容易化を図ることが可能となる。

（第２実施形態：生体情報演算システム１００）
次に、第２実施形態における生体情報演算システム１００の一例について説明する。上述した実施形態と、第２実施形態との違いは、評価データの特徴に基づき、血糖値評価結果から評価結果を生成するための関数を選択し、血糖値評価結果から評価結果を生成する点である。なお、上述した実施形態と同様の内容については、説明を省略する。

評価部１３は、例えば評価データの特徴に応じて、血糖値評価結果に対する演算方法を決定してもよい。この場合、評価データの特徴毎に異なる血糖評価結果から評価結果を生成するための関数等が、例えば保存部１０４等に保存された評価用データベース内に記憶される。評価部１３は、例えば評価データにおけるピークの強度や形状等の特徴に基づき、保存部１０４に記憶された関数を選択し、血糖値評価結果から評価結果を生成してもよい。評価部１３は、例えば評価データの特徴に基づき、複数の評価用分類情報から、評価データに適した評価用分類情報を上述した関数として選択してもよい。

「評価データの特徴」は、例えば評価データとして、ユーザの加速度脈波に相当するデータが用いられる場合、図７のような７種類（Ａ～Ｇ）の何れかの分類パターンに属するかによって決められてもよい。また、「評価データのピークの特徴」は、例えば評価データとして、ユーザの速度脈波に相当するデータが用いられる場合、図８のような２種類（グループ１、グループ２）の何れかの分類パターンに属するかによって決められてもよい。

評価用データベースには、例えば上述したデータベースと同様に、血糖値評価結果に対する評価結果を生成するための評価用分類情報が記憶されてもよい。評価用データベースには、１つ以上の評価用分類情報が記憶されるほか、例えば評価用分類情報の生成に用いられた複数の評価用学習データが記憶されてもよい。

評価用分類情報は、例えば予め取得された過去の評価データに紐づく血糖値評価結果（評価用入力データ）と、評価用入力データに紐づく評価用参照データとの相関関係を示す関数である。評価用参照データは、ユーザの評価結果を示す。評価用分類情報は、評価用入力データと、評価用参照データとを一対の評価用学習データとして、複数の評価用学習データを用いて生成される。

本実施形態における生体情報演算システム１００では、例えば図９に示すように、評価ステップＳ１３０が、評価用選択ステップＳ１３１と、属性別評価ステップＳ１３２とを含む。

評価用選択ステップＳ１３１は、評価データを参照し、複数の属性別評価用分類情報のうち特定の評価用分類情報（例えば第１評価用分類情報）を選択する。評価用選択ステップＳ１３１は、例えば評価部１３に含まれる評価用選択部によって実行することができる。

属性別評価ステップＳ１３２は、選択した第１評価用分類情報を参照し、血糖値評価結果に対する評価結果を生成する。属性別評価ステップＳ１３２は、例えば評価部１３に含まれる属性別評価部によって実行することができる。

複数の属性別評価用分類情報は、血糖値評価結果から評価結果を生成するためのそれぞれ異なる関数を含む。また、複数の属性別評価用分類情報は、学習用データを用いて算出されてもよい。例えば学習用データの入力データとして、上述したそれぞれの分類パターンの評価データに紐づく血糖値評価結果が用いられる。この場合、例えば図７のような７種類（Ａ～Ｇ）の分類パターンの評価データにそれぞれ紐づく血糖値評価結果毎に入力データを準備し、７種類の属性別評価用分類情報を生成する。

このような複数の属性別評価用分類情報がデータベースに記憶される場合、例えば取得部１１は、ユーザの加速度脈波に相当する評価データを取得する。そして、評価部１３は、評価データのピークの特徴を参照し、第１評価用分類情報を選択する。その後、評価部１３は、第１評価用分類情報を参照し、血糖値評価結果に対する評価結果を生成する。このため、各属性別評価用分類情報のうち、ユーザに最適な評価用分類情報を選択することができる。

なお、例えば学習用データの入力データとして、被検者の速度脈波に相当するデータが用いられる場合、例えば図８のような２種類（グループ１、グループ２）の分類パターンの評価データにそれぞれ紐づく血糖値評価結果毎に入力データを準備し、２種類の属性別評価用分類情報を生成してもよい。これにより、評価精度のさらなる向上を図ることが可能となる。

ここで、上述した分類パターンに用いられるデータの一例を説明する。

例えば図７に示すように、加速度脈波には、ａ～ｅの変曲点が存在する。例えば、加速度脈波における最大のピークをａ点とし、ａ点から順に各変曲点をｂ点、ｃ点、ｄ点、ｅ点とし、ａ点を１とし、最小値であるｂ点もしくはｄ点を０とした規格化を行った場合、加速度脈波は、各変曲点の値と、その差の大小関係により分類する方法を用いて、７パターンに分類することができる。まず、変曲点の値がｂ＜ｄの場合は、パターンＡまたはＢに分類する。ｂ＜ｄでさらにｃ≧０．５であればＡ、そうでなければＢに分類する。次に変曲点の値がｂ≒ｄの場合、パターンＣまたはＤに分類する。ｂ≒ｄでさらにｃ≒０の場合はパターンＤ、そうでなければパターンＣに分類する。最後に、ｂ＞ｄの場合は、パターンＥ、Ｆ、Ｇの何れかに分類できる。ｂ＞ｄでさらにｂ＜ｃであればパターンＥに、ｂ≒ｃであればパターンＦ，ｂ＞ｃであればパターンＧに分類する。

例えば評価部１３は、評価データが、例えば図７のどのパターンに当てはまるかを判断し、分類パターンを特定する。例えば、入力された評価データの変曲点ｂが変曲点ｄより小さく、さらに変曲点ｃ≧０．５であれば、パターンＡを分類パターンとする。これにより、評価データの特徴に適した評価用分類情報を参照し、評価結果を精度良く算出することができる。

本実施形態によれば、上述した実施形態の効果に加え、評価部１３は、評価データの特徴に基づき、血糖値評価結果から評価結果を生成するための関数を選択する。このため、ユーザ毎に異なる評価データの特徴に応じて、適切な関数を選択することができる。これにより、ユーザの評価結果を、高精度に生成することが可能となる。

（第３実施形態：生体情報演算システム１００）
次に、第３実施形態における生体情報演算システム１００の一例について説明する。上述した実施形態と、第３実施形態との違いは、血糖トレンドステップＳ１５０を備える点である。なお、上述した実施形態と同様の内容については、説明を省略する。

本実施形態における生体情報演算システム１００では、例えば上述した評価部１３は、それぞれ異なる評価データから生成された複数の血糖値評価結果に基づき、血糖トレンドを生成する。また、評価部１３は、評価データ及び血糖トレンドから評価結果を生成する。血糖トレンドは、例えば、図１０に示すような血糖値の時間ｔに対する変化を示すグラフ等である。また、血糖トレンドは、例えば血糖値の時間ｔに対する変化を示すグラフを時間ｔで微分又は積分したものであってもよい。また、血糖トレンドには、血糖値の極大点を示す血糖値スパイクが含まれてもよい。また、血糖トレンドには、ＨｂＡ１ｃの値が含まれてもよい。

評価部１３は、例えばそれぞれ異なる評価データから生成された複数の血糖値評価結果を取得し、当該血糖値評価結果における時系列変化から、ユーザの血糖値の傾向に関する血糖トレンドを取得する。

評価部１３は、例えば評価用データベースを参照して、評価データ及び血糖トレンドから評価結果を生成してもよい。

評価用データベースには、例えば上述したデータベースと同様に、評価データ及び血糖トレンドに対する評価結果を生成するための評価用分類情報が記憶されてもよい。評価用データベースには、１つ以上の評価用分類情報が記憶されるほか、例えば評価用分類情報の生成に用いられた複数の評価用学習データが記憶されてもよい。

評価用分類情報は、例えば予め取得された過去の評価データ及び血糖トレンド（評価用入力データ）と、評価用入力データに紐づく評価用参照データとの相関関係を示す関数である。評価用参照データは、ユーザの評価結果を示す。評価用分類情報は、評価用入力データと、評価用参照データとを一対の評価用学習データとして、複数の評価用学習データを用いて生成される。

（第３実施形態：生体情報演算システム１００の動作）
次に、本実施形態における生体情報演算システム１００の動作の一例について説明する。図１１は、本実施形態における生体情報演算システム１００の動作の一例を示すフローチャートである。本実施形態における生体情報演算システム１００の動作は、図１１に示すように評価ステップＳ１３０が、血糖トレンドステップＳ１５０を含む。

＜血糖トレンドステップＳ１５０＞
血糖トレンドステップＳ１５０は、例えばそれぞれ異なる評価データから生成された複数の血糖値評価結果を取得し、当該血糖値評価結果における時系列変化から、ユーザの血糖値の傾向に関する血糖トレンドを取得する。血糖トレンドステップＳ１５０は、例えば生体情報演算装置１に含まれる評価部１３によって実行することができる。

＜評価ステップＳ１３０＞
次に、評価ステップＳ１３０は、評価データ及び血糖トレンドに基づき、評価結果を生成する。例えば評価部１３は、評価データ及び生成部１２により生成された血糖トレンドを取得する。評価部１３は、予め設定された関数等を用いて、評価データ及び血糖トレンドから評価結果を生成するほか、例えば上述した評価用データベースを参照して、評価結果を生成してもよい。このため、ユーザ毎に異なる血糖値スパイク等の血糖値の特徴を容易に把握することができる。これにより、ユーザの評価結果を、高精度に生成することが可能となる。

（第４実施形態：生体情報演算システム１００）
次に、第４実施形態における生体情報演算システム１００の一例について説明する。上述した実施形態と、第４実施形態との違いは、付加情報を用いる点である。なお、上述した実施形態と同様の内容については、説明を省略する。

評価ステップＳ１３０は、例えば図１２に示すように、付加情報を取得し、評価データ、血糖値評価結果及び付加情報に基づき、評価結果を生成する。また、評価ステップＳ１３０は、血糖トレンドステップＳ１５０を含んでもよい。この場合、評価ステップＳ１３０は、付加情報を取得し、評価データ、血糖トレンド及び付加情報に基づき、評価結果を生成する。

付加情報は、ユーザの特徴を示し、例えばユーザのストレスレベル、脈拍数、呼吸数、血圧、及び血糖値の少なくとも何れかを含む。

付加情報として、例えば公知の計測方法を用いて計測されたデータが用いられ、データ形式は任意である。また、付加情報を取得するタイミングは、脈波を測定するタイミングと同時のほか、用途に応じて任意のタイミングでもよい。

付加情報は、例えばユーザの性別や年齢等の属性情報を含むほか、ユーザが行っている運動内容、競技種目等のような評価時における運動に関する情報を含んでもよい。付加情報は、例えば入力部１０８等を介してユーザが入力し、評価部１３等によって取得される。

評価部１３は、例えば評価用データベースを参照し、評価データ、血糖値評価結果及び付加情報に対して適した評価結果を生成してもよい。

評価用データベースには、例えば上述したデータベースと同様に、評価データ、血糖値評価結果及び付加情報に対する評価結果を生成するための評価用分類情報が記憶されてもよい。

評価用分類情報は、例えば予め取得された過去の評価データ、血糖値評価結果及び付加情報（評価用入力データ）と、評価用入力データに紐づく評価用参照データとの相関関係を示す関数である。評価用参照データは、ユーザの評価結果を示す。評価用分類情報は、評価用入力データと、評価用参照データとを一対の評価用学習データとして、複数の評価用学習データを用いて生成される。

評価用分類情報は、例えば評価用入力データを説明変数とし、評価用参照データを目的変数とし、上述した回帰分析等により解析し、その解析結果に基づいて生成される検量モデルを示す。評価用分類情報は、例えば検量モデル（評価用検量モデル）を定期的に更新することができるほか、例えば付加情報別に生成してもよい。なお、評価用分類情報は、上述した分類情報と同様に、例えば複数の評価用学習データを用いた機械学習により生成された、学習済みモデル（評価用学習済みモデル）を含んでもよい。

本実施形態によれば、上述した実施形態の効果に加え、評価部１３は、ユーザの特徴を示す付加情報を取得し、評価データ、血糖値評価結果及び付加情報に基づき、評価結果を生成することを含む。このため、複数種類の情報を用いることで、多角的な観点を踏まえた総合的な評価を実現することができる。これにより、ユーザの評価結果を、さらに高精度に生成することが可能となる。

（第５実施形態：生体情報演算システム１００）
次に、第５実施形態における生体情報演算システム１００の一例について説明する。上述した実施形態と、第５実施形態との違いは、付加情報を生成するための付加データを取得する点である。なお、上述した実施形態と同様の内容については、説明を省略する。

本実施形態における生体情報演算システム１００では、取得ステップＳ１１０は、付加データを取得することを含む。また、本実施形態における生体情報演算システム１００では、生成ステップＳ１２０は、付加データに基づく付加情報を生成することを含む。また、評価ステップＳ１３０は、血糖トレンドステップＳ１５０を含んでもよい。この場合、評価ステップＳ１３０は、評価データ、血糖トレンド及び付加情報に基づき、評価結果を生成する。

本実施形態における生体情報演算装置１は、例えば図１３に示すように、脈波に基づき生成された１つセンサデータに対し、２種類の処理を実施する。これにより、例えば取得部１１は、同一の脈波に基づき、評価データと、評価データとは異なる特徴を示す付加データを取得する。なお、付加データは、複数取得されてもよい。

例えば生成部１２は、付加データに基づく付加情報を生成する。本実施形態では、付加情報として、例えば脈拍数及び呼吸数の少なくとも何れかを算出することができる。この場合、例えば図１４（ａ）及び図１４（ｂ）に示すように、取得ステップＳ１１０において実施される前処理の内容、及び生成ステップＳ１２０において参照されるデータベースの内容が異なる場合がある。以下、脈拍数及び呼吸数を付加情報として算出する例を説明する。

＜脈拍数の算出＞
例えば脈拍数を算出する場合、図１４（ａ）に示すように、取得部１１は、上述したフィルタ処理をセンサデータに対して実施し、脈波データを抽出する。

そして、取得部１１は、脈波データに対し、ピーク位置算出処理を実施する。ピーク位置算出処理では、脈波データに含まれる複数のピーク（振幅の最大値）を検出し、サンプリングされた順番（測定開始からの時間に相当）を特定する。これにより、取得部１１は、脈波データに含まれるピーク位置データを取得する。

その後、取得部１１は、ピーク位置データに対し、ピーク間隔平均算出処理を実施する。ピーク間隔平均算出処理は、ピーク位置データに含まれるピークの間隔（隣接するピークがサンプリングされた順番の差分）を算出し、例えばピーク間隔の平均値を算出する。その後、取得部１１は、ピーク間隔又はピーク間隔の平均値に対し、センサデータのサンプリングレートで割り、秒数に相当するピーク間隔を示すデータを、付加データとして取得する。

その後、生成部１２は、データベースを参照し、付加データに対する脈拍数を算出する。この際、生成部１２は、データベースに記憶された脈拍数用分類情報を参照する。脈拍数用分類情報は、例えば６０［秒］をピーク間隔で割る関数を示す。このため、生成部１２は、例えば付加データ（ピーク間隔＝０．８５［秒］）に対する脈拍数（＝７１［ｂｐｍ］）を算出することができる。これにより、生成部１２は、脈拍数を含む付加情報を生成することができる。

＜呼吸数の算出＞
例えば呼吸数を算出する場合、図１４（ｂ）に示すように、取得部１１は、上述したフィルタ処理をセンサデータに対して実施し、脈波データを抽出する。

その後、取得部１１は、脈波データに対し、フーリエ変換処理を実施する。フーリエ変換処理では、例えばサンプリング時間対振幅を示す脈波データが、周波数対強度を示す周波数データに変換される。これにより、取得部１１は、脈波データに対する周波数データを取得する。

その後、取得部１１は、周波数データに対し、最大周波数検出処理を実施する。最大周波数検出処理では、周波数データのうち、０．１５～０．３５Ｈｚの間における最大強度の周波数が特定される。これにより、取得部１１は、特定された周波数の値を、付加データとして取得する。

その後、生成部１２は、データベースを参照し、付加データに対する呼吸数を算出する。この際、生成部１２は、データベースに記憶された呼吸数用分類情報を参照する。呼吸数用分類情報は、例えば特定された周波数に６０［秒］をかける関数を示す。このため、生成部１２は、例えば付加データ（特定された周波数＝０．２２５Ｈｚ）に対する呼吸数（＝１３．５［ｂｐｍ］）を算出することができる。これにより、生成部１２は、例えば呼吸数を含む付加情報を生成することができる。

このように、生体情報演算装置１では、付加情報に含ませる生体情報の内容に応じて、センサデータに対する前処理を設定し、参照するデータベースの内容を任意に設定することができる。

なお、生体情報として、上述した脈拍数、呼吸数のほか、例えば血糖値、血圧、血管年齢、糖尿病の程度等のような、脈波に基づき算出可能な情報を用いることができる。生体情報は、例えば乳酸値を示してもよい。

また、算出する生体情報の内容に応じて、算出に用いる分類情報（予備分類情報）を予めデータベースに記憶させてもよい。この場合、上述した学習用脈波を示す予備入力データ、及び予備入力データに紐づく生体情報を含む予備参照データの一対を、予備学習用データとして複数準備する。そして、例えば学習部１６は、複数の予備学習用データを用いて予備分類情報を生成し、データベースに記憶させる。

なお、予備参照データに含まれる生体情報の取得は、例えば上述した参照データと同様に、必要な生体情報を計測するための計測装置を用いて、被検者を対象に計測することで取得できる。また、予備分類情報の学習方法は、上述した分類情報と同様の方法を用いることができる。

本実施形態における生体情報演算システム１００は、生成された付加情報を出力してもよい。この場合、血糖値とは異なる観点により生成された付加情報を利用することができ、ユーザの特徴を考慮した多角的な評価結果を生成することができる。これにより、ユーザの評価結果を、さらに高精度に生成することが可能となる。

本実施形態によれば、上述した実施形態の効果に加え、取得部１１は、脈波に基づき、評価データとは異なる特徴を示す付加データを取得する。また、生成部１２は、付加データに基づく付加情報を生成する。即ち、１つの脈波に基づき生成された評価データ、血糖値評価結果及び付加情報から、評価結果が生成される。このため、同一のパラメータに基づく複数種類の情報を用いることで、多角的な観点を踏まえた総合的な評価を実現することができる。これにより、ユーザの評価結果を、さらに高精度に生成することが可能となる。

（第６実施形態：生体情報演算システム１００）
次に、第６実施形態における生体情報演算システム１００の一例について説明する。上述した実施形態と、第６実施形態との違いは、生成ステップＳ１２０において上述した付加情報を取得し、評価データ及び付加情報に基づいて、血糖値評価結果を生成する点である。なお、上述した実施形態と同様の内容については、説明を省略する。

本実施形態における生体情報演算システム１００では、例えば図１５に示すように、生成ステップＳ１２０は、付加情報を取得し、評価データ、及び付加情報に基づき、血糖値評価結果を生成することを含む。また、評価ステップＳ１３０は、血糖トレンドステップＳ１５０を含んでもよい。この場合、評価ステップＳ１３０は、評価データ及び血糖トレンドに基づき、評価結果を生成する。

付加情報は、上述した内容と同様であり、例えば入力部１０８等を介してユーザが入力し、生成部１２等が取得する。例えば取得部１１で取得された付加データに基づき、生成部１２で生成された付加情報を、生成部１２が取得してもよい。

生成部１２は、例えば付加情報の内容に応じて、血糖値評価結果に対する演算方法を決定してもよい。この場合、付加情報の種類毎に異なる関数等が、保存部１０４や評価用データベース内に記憶される。なお、生成部１２は、例えば評価データと、付加情報とを組合わせた情報に基づき、血糖値評価結果を生成してもよい。

本実施形態によれば、上述した実施形態の効果に加え、生成部１２は、付加情報を取得し、及び評価データ、及び付加情報に基づき、血糖値評価結果を生成することを含む。このため、ユーザの血糖値評価結果に相関のあるパラメータを利用し、多角的な観点を踏まえた総合的な評価を実現することができる。これにより、ユーザの評価結果を、さらに高精度に生成することが可能となる。

（第７実施形態：生体情報演算システム１００）
次に、第７実施形態における生体情報演算システム１００の一例について説明する。上述した実施形態と、第７実施形態との違いは、付加情報に基づき、複数の分類情報から、評価データに適した分類情報を選択する点である。なお、上述した実施形態と同様の内容については、説明を省略する。

本実施形態における生体情報演算装置１では、例えば図１６に示すように、生成ステップＳ１２０が、選択ステップＳ１２１と、属性別生成ステップＳ１２２とを含む。また、評価ステップＳ１３０は、血糖トレンドステップＳ１５０を含んでもよい。この場合、評価ステップＳ１３０は、評価データ及び血糖トレンドに基づき、評価結果を生成する。

選択ステップＳ１２１は、付加情報を参照し、複数の属性別分類情報のうち特定の分類情報（例えば第１分類情報）を選択する。選択ステップＳ１２１は、例えば生成部１２に含まれる選択部によって実行することができる。

属性別生成ステップＳ１２２は、生体情報演算装置１は、選択した第１分類情報を参照し、評価データに対する血糖値を算出し、血糖値評価結果を生成する。属性別生成ステップＳ１２２は、例えば生成部１２に含まれる属性別生成部によって実行することができる。

複数の属性別分類情報は、それぞれ異なる学習用データを用いて算出される。例えば学習用データの入力データとして、付加情報の特徴毎に入力データを準備し、複数の属性別分類情報を生成する。例えば、付加情報がユーザの年齢である場合、１０歳～３０歳、３０歳～５０歳、５０歳～７０歳等のように年齢層毎に入力データを準備してもよい。

このような複数の属性別分類情報がデータベースに記憶される場合、例えば取得部１１は、評価データ、及び付加情報を取得する。そして、生成部１２は、付加情報を参照し、第１分類情報を選択する。その後、生成部１２は、第１分類情報を参照し、評価データに対する血糖値評価結果を生成する。このため、各属性別分類情報のうち、ユーザに最適な分類情報を選択することができる。

この場合、取得ステップＳ１１０として、例えば取得部１１は、ユーザの評価データと付加情報としてユーザの年齢とを取得する。

次に、選択ステップＳ１２１として、例えば生成部１２は、付加情報を参照し、付加情報に紐づく第１分類情報を選択する。そして、属性別生成ステップＳ１２２として、生成部１２は、第１分類情報を参照し、評価データに対する血糖値評価結果を生成する。これにより、評価精度のさらなる向上を図ることが可能となる。

本実施形態によれば、上述した実施形態の効果に加え、生成部１２は、付加情報を参照し、第１分類情報を選択する選択部と、第１分類情報を参照し、評価データに対する血糖値評価結果を生成する属性別生成部とを含む。このため、付加情報に対して最適な属性別分類情報を選択した上で、評価データに対する血糖値評価結果を生成することができる。これにより、評価精度のさらなる向上を図ることが可能となる。

（第８実施形態：生体情報演算システム１００）
次に、第８実施形態における生体情報演算システム１００の一例について説明する。上述した実施形態と、第８実施形態との違いは、予備評価データを参照し、複数の分類情報から、評価データに適した分類情報を選択する点である。なお、上述した実施形態と同様の内容については、説明を省略する。

本実施形態における生体情報演算装置１では、例えば図１７に示すように、生成ステップＳ１２０が、選択ステップＳ１２１と、属性別生成ステップＳ１２２とを含む。

選択ステップＳ１２１は、予備評価データを参照し、複数の属性別分類情報のうち特定の分類情報（例えば第１分類情報）を選択する。選択ステップＳ１２１は、例えば生成部１２に含まれる選択部によって実行することができる。

予備評価データは、評価データとは異なる特徴を示し、例えば上述した付加データと同様の特徴を示す。予備評価データは、例えば上述した付加データと同様に、付加情報を生成するため等に用いてもよい。

属性別生成ステップＳ１２２は、生体情報演算装置１は、選択した第１分類情報を参照し、評価データに対する血糖値を算出し、血糖値評価結果を生成する。属性別生成ステップＳ１２２は、例えば生成部１２に含まれる属性別生成部によって実行することができる。

複数の属性別分類情報は、それぞれ異なる学習用データを用いて算出される。例えば学習用データの入力データとして、被検者の加速度脈波に相当するデータが用いられる場合、例えば図７のような７種類（Ａ～Ｇ）の分類パターン毎に入力データを準備し、７種類の属性分類情報を生成する。

このような複数の属性別分類情報がデータベースに記憶される場合、例えば取得部１１は、ユーザの加速度脈波に相当する評価データ、及び予備評価データを取得する。そして、生成部１２は、予備評価データを参照し、第１分類情報を選択する。その後、生成部１２は、第１分類情報を参照し、評価データに対する評価結果を生成する。このため、各属性分類情報のうち、ユーザに最適な分類情報を選択することができる。

なお、例えば学習用データの入力データとして、被検者の速度脈波に相当するデータが用いられる場合、例えば図８のような２種類（グループ１、グループ２）の分類パターン毎に入力データを準備し、２種類の属性分類情報を生成してもよい。

ここで、図７に示す加速度脈波に相当するデータは、特徴に基づく詳細な分類が容易である反面、血糖値を算出する際、ピークの誤検出等に伴う精度低下が懸念として挙げられる。また、図８に示す速度脈波に相当するデータは、加速度脈波に相当するデータに比べ、特徴に基づく詳細な分類が困難であるが、ピークの誤検出等が少ないため、血糖値を高精度に算出し得る。

上記を踏まえ、複数の属性分類情報は、特定の分類情報を選択するために用いられる分類パターンとして、例えば図７のような加速度脈波に相当するデータを含み、属性分類情報を生成する際の学習用データには、速度脈波に相当するデータが用いられてもよい。

この場合、取得ステップＳ１１０として、例えば取得部１１は、ユーザの脈波に基づくセンサデータから、速度脈波に相当するデータを評価データとして取得する。また、取得部１１は、センサデータから、加速度脈波に相当するデータを予備評価データとして取得する。

次に、選択ステップＳ１２１として、例えば生成部１２は、予備評価データを参照し、加速度脈波に相当するデータを含む複数の分類パターンのうち、予備評価データに最も類似する分類パターン（第１分類パターン）を特定し、第１分類パターンに紐づく第１分類情報を選択する。そして、属性別生成ステップＳ１２２として、生成部１２は、第１分類情報を参照し、評価データに対する評価結果を生成する。これにより、評価精度のさらなる向上を図ることが可能となる。

例えば生成部１２は、予備評価データが、例えば図７のどのパターンに当てはまるかを判断し、第１分類パターンを特定する。例えば、入力された予備評価データの変曲点ｂが変曲点ｄより小さく、さらに変曲点ｃ≧０．５であれば、パターンＡを第１分類パターンとする。これにより、評価データの特徴に適した分類情報を参照し、血糖値を精度良く算出することができる。

本実施形態によれば、上述した実施形態の効果に加え、生成部１２は、予備評価データを参照し、第１分類情報を選択する選択部と、第１分類情報を参照し、評価データに対する血糖値評価結果を生成する属性別生成部とを含む。このため、脈波の特徴に対して最適な属性分類情報を選択した上で、評価データに対する血糖値評価結果を生成することができる。これにより、評価精度のさらなる向上を図ることが可能となる。

また、本実施形態によれば、取得部１１は、脈波に基づく速度脈波に相当するデータを、評価データとして取得する。また、取得部１１は、脈波に基づく加速度脈波に相当するデータを、予備評価データとして取得する。このため、速度脈波に比べて、脈波の特徴を分類し易い加速度脈波を用いて、属性分類情報を選択することができる。また、加速度脈波に比べて、血糖値を算出し易い速度脈波を用いて、血糖値評価結果を生成することができる。これにより、評価精度のさらなる向上を図ることが可能となる。

本発明の実施形態を説明したが、この実施形態は例として提示したものであり、発明の範囲を限定することは意図していない。このような新規な実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。本発明の実施形態は、例えば第１実施形態～第８実施形態の内の、複数の実施形態を組み合わせてなるものでもよい。この実施形態やその変形は、発明の範囲や要旨に含まれるとともに、特許請求の範囲に記載された発明とその均等の範囲に含まれる。

１ ：生体情報演算装置
３ ：通信網
４ ：サーバ
５ ：センサ
６ ：検出部
１０ ：筐体
１１ ：取得部
１２ ：生成部
１３ ：評価部
１４ ：出力部
１５ ：記憶部
１６ ：学習部
５０ ：取得部
５１ ：通信Ｉ／Ｆ
５２ ：メモリ
５３ ：命令部
５４ ：内部バス
５５ ：リストバンド
１００ ：生体情報演算システム
１０１ ：ＣＰＵ
１０２ ：ＲＯＭ
１０３ ：ＲＡＭ
１０４ ：保存部
１０５ ：Ｉ／Ｆ
１０６ ：Ｉ／Ｆ
１０７ ：Ｉ／Ｆ
１０８ ：入力部
１０９ ：表示部
１１０ ：内部バス
Ｓ１１０ ：取得ステップ
Ｓ１２０ ：生成ステップ
Ｓ１２１ ：選択ステップ
Ｓ１２２ ：属性別生成ステップ
Ｓ１３０ ：評価ステップ
Ｓ１３１ ：評価用選択ステップ
Ｓ１３２ ：属性別評価ステップ
Ｓ１４０ ：出力ステップ
Ｓ１５０ ：血糖トレンドステップ

Claims (9)

1. ユーザの健康状態に関する評価結果を生成する生体情報演算システムであって、
   前記ユーザの脈波に基づく容積脈波、速度脈波及び加速度脈波の何れかに相当する評価データを取得する取得手段と、
   予め取得された学習用脈波に基づく前記評価データと同種の入力データ、及び前記入力データに紐づく血糖値を含む参照データの一対を学習用データとして、複数の前記学習用データを用いて生成された分類情報が記憶されたデータベースと、
   前記データベースを参照し、前記評価データに対する前記血糖値を含む血糖値評価結果を生成する生成手段と、
   前記評価データ及び前記血糖値評価結果に基づき、前記評価結果を生成する評価手段と
   を備えること
   を特徴とする生体情報演算システム。
2. 前記評価手段は、
   それぞれ異なる前記評価データから生成された複数の前記血糖値評価結果における時系列変化から、前記ユーザの血糖値の傾向に関する血糖トレンドを取得し、
   前記血糖トレンド及び前記評価データから前記評価結果を生成すること
   を含むこと
   を特徴とする請求項１記載の生体情報演算システム。
3. 前記評価手段は、前記評価データの特徴に基づき、前記血糖値評価結果から前記評価結果を生成するための関数を選択すること
   を特徴とする請求項１又は請求項２に記載の生体情報演算システム。
4. 前記評価手段は、
   前記ユーザの特徴を示す付加情報を取得し、
   前記評価データ、前記血糖値評価結果及び前記付加情報に基づき、前記評価結果を生成すること
   を含むこと
   を特徴とする請求項１～３の何れか１項記載の生体情報演算システム。
5. 前記入力データは、前記学習用脈波に紐づく、ユーザの特徴を示す学習用付加情報を含み、
   前記生成手段は、
   前記ユーザの特徴を示す付加情報を取得し、
   前記データベースを参照し、前記評価データ及び前記付加情報に対する前記血糖値評価結果を生成すること
   を含むこと
   を特徴とする請求項１～３の何れか１項記載の生体情報演算システム。
6. 前記生成手段は、
   前記ユーザの特徴を示す付加情報を取得し、
   前記分類情報のうち、前記付加情報に基づき第１分類情報を選択し、
   前記第１分類情報を参照し、前記評価データに対する前記血糖値評価結果を生成すること
   を含むこと
   を特徴とする請求項１～３の何れか１項記載の生体情報演算システム。
7. 前記取得手段は、前記脈波に基づき、前記評価データとは異なる特徴を示す付加データを取得することを含み、
   前記生成手段は、前記付加データに基づく、前記付加情報を生成することを含むこと
   を特徴とする請求項４記載の生体情報演算システム。
8. 前記取得手段は、前記脈波に基づき、前記評価データとは異なる予備評価データを取得することを含み、
   前記分類情報は、それぞれ異なる前記学習用データを用いて算出された複数の属性別分類情報を含み、
   前記生成手段は、
   前記予備評価データを参照し、複数の前記属性別分類情報のうち第１分類情報を選択する選択手段と、
   前記第１分類情報を参照し、前記評価データに対する前記血糖値評価結果を生成する属性別生成手段と
   を含むこと
   を特徴とする請求項１記載の生体情報演算システム。
9. 前記取得手段は、
   前記脈波に基づく速度脈波に相当するデータを、前記評価データとして取得し、
   前記脈波に基づく加速度脈波に相当するデータを、前記予備評価データとして取得すること
   を含むこと
   を特徴とする請求項８記載の生体情報演算システム。

Images