JP7165834B1 - コンピュータプログラム、情報処理装置及び方法 - Google Patents
コンピュータプログラム、情報処理装置及び方法 Download PDFInfo
- Publication number
- JP7165834B1 JP7165834B1 JP2022046894A JP2022046894A JP7165834B1 JP 7165834 B1 JP7165834 B1 JP 7165834B1 JP 2022046894 A JP2022046894 A JP 2022046894A JP 2022046894 A JP2022046894 A JP 2022046894A JP 7165834 B1 JP7165834 B1 JP 7165834B1
- Authority
- JP
- Japan
- Prior art keywords
- data
- target
- sleep
- sample
- identifying
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 164
- 230000010365 information processing Effects 0.000 title claims abstract description 154
- 238000004590 computer program Methods 0.000 title claims abstract description 101
- 230000007958 sleep Effects 0.000 claims abstract description 488
- 230000009471 action Effects 0.000 claims abstract description 145
- 230000033764 rhythmic process Effects 0.000 claims abstract description 133
- 230000006399 behavior Effects 0.000 claims description 166
- 238000004891 communication Methods 0.000 claims description 85
- 238000012545 processing Methods 0.000 claims description 57
- 238000007781 pre-processing Methods 0.000 claims description 45
- 230000006870 function Effects 0.000 claims description 41
- 230000004622 sleep time Effects 0.000 claims description 34
- 230000003860 sleep quality Effects 0.000 claims description 17
- 208000013738 Sleep Initiation and Maintenance disease Diseases 0.000 claims description 16
- 206010022437 insomnia Diseases 0.000 claims description 16
- 208000019888 Circadian rhythm sleep disease Diseases 0.000 claims description 13
- 208000001456 Jet Lag Syndrome Diseases 0.000 claims description 13
- 208000033915 jet lag type circadian rhythm sleep disease Diseases 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 10
- 230000003542 behavioural effect Effects 0.000 claims 1
- 230000036541 health Effects 0.000 abstract description 168
- 230000004617 sleep duration Effects 0.000 abstract description 4
- 239000000047 product Substances 0.000 description 162
- 208000024891 symptom Diseases 0.000 description 128
- 206010027304 Menopausal symptoms Diseases 0.000 description 110
- 238000010586 diagram Methods 0.000 description 42
- 238000010801 machine learning Methods 0.000 description 36
- 235000016709 nutrition Nutrition 0.000 description 20
- 201000010099 disease Diseases 0.000 description 19
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 19
- 238000005516 engineering process Methods 0.000 description 18
- 230000036571 hydration Effects 0.000 description 18
- 238000006703 hydration reaction Methods 0.000 description 18
- 230000037081 physical activity Effects 0.000 description 16
- 230000009245 menopause Effects 0.000 description 15
- 210000002700 urine Anatomy 0.000 description 15
- 238000007477 logistic regression Methods 0.000 description 12
- 230000004044 response Effects 0.000 description 11
- 230000005186 women's health Effects 0.000 description 11
- DDRJAANPRJIHGJ-UHFFFAOYSA-N creatinine Chemical compound CN1CC(=O)NC1=N DDRJAANPRJIHGJ-UHFFFAOYSA-N 0.000 description 10
- 235000013305 food Nutrition 0.000 description 10
- 235000003715 nutritional status Nutrition 0.000 description 10
- 238000003066 decision tree Methods 0.000 description 9
- 229940079593 drug Drugs 0.000 description 9
- 239000003814 drug Substances 0.000 description 9
- 238000012417 linear regression Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 208000002720 Malnutrition Diseases 0.000 description 8
- 230000018044 dehydration Effects 0.000 description 8
- 238000006297 dehydration reaction Methods 0.000 description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 7
- 210000002966 serum Anatomy 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 230000003862 health status Effects 0.000 description 6
- 230000036039 immunity Effects 0.000 description 6
- 208000033830 Hot Flashes Diseases 0.000 description 5
- 206010060800 Hot flush Diseases 0.000 description 5
- 229940109239 creatinine Drugs 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 5
- 230000005484 gravity Effects 0.000 description 5
- 230000035764 nutrition Effects 0.000 description 5
- 230000003204 osmotic effect Effects 0.000 description 5
- 208000001145 Metabolic Syndrome Diseases 0.000 description 4
- 206010036618 Premenstrual syndrome Diseases 0.000 description 4
- 201000000690 abdominal obesity-metabolic syndrome Diseases 0.000 description 4
- 235000013361 beverage Nutrition 0.000 description 4
- RYYVLZVUVIJVGH-UHFFFAOYSA-N caffeine Chemical compound CN1C(=O)N(C)C(=O)C2=C1N=CN2C RYYVLZVUVIJVGH-UHFFFAOYSA-N 0.000 description 4
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 description 4
- 230000002354 daily effect Effects 0.000 description 4
- 230000003203 everyday effect Effects 0.000 description 4
- 235000000824 malnutrition Nutrition 0.000 description 4
- 230000001071 malnutrition Effects 0.000 description 4
- 208000015380 nutritional deficiency disease Diseases 0.000 description 4
- 230000035900 sweating Effects 0.000 description 4
- 230000036528 appetite Effects 0.000 description 3
- 235000019789 appetite Nutrition 0.000 description 3
- 239000002131 composite material Substances 0.000 description 3
- 235000005911 diet Nutrition 0.000 description 3
- 235000012041 food component Nutrition 0.000 description 3
- 235000012054 meals Nutrition 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 102000004169 proteins and genes Human genes 0.000 description 3
- 108090000623 proteins and genes Proteins 0.000 description 3
- 208000019116 sleep disease Diseases 0.000 description 3
- 208000022925 sleep disturbance Diseases 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 206010016334 Feeling hot Diseases 0.000 description 2
- 206010020772 Hypertension Diseases 0.000 description 2
- 206010062016 Immunosuppression Diseases 0.000 description 2
- LPHGQDQBBGAPDZ-UHFFFAOYSA-N Isocaffeine Natural products CN1C(=O)N(C)C(=O)C2=C1N(C)C=N2 LPHGQDQBBGAPDZ-UHFFFAOYSA-N 0.000 description 2
- 208000017657 Menopausal disease Diseases 0.000 description 2
- 241001591005 Siga Species 0.000 description 2
- 230000002411 adverse Effects 0.000 description 2
- 230000000172 allergic effect Effects 0.000 description 2
- 208000010668 atopic eczema Diseases 0.000 description 2
- 235000013405 beer Nutrition 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000037396 body weight Effects 0.000 description 2
- 229960001948 caffeine Drugs 0.000 description 2
- VJEONQKOZGKCAK-UHFFFAOYSA-N caffeine Natural products CN1C(=O)N(C)C(=O)C2=C1C=CN2C VJEONQKOZGKCAK-UHFFFAOYSA-N 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 235000012000 cholesterol Nutrition 0.000 description 2
- 230000037213 diet Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000037406 food intake Effects 0.000 description 2
- 235000012631 food intake Nutrition 0.000 description 2
- 235000011389 fruit/vegetable juice Nutrition 0.000 description 2
- 201000001421 hyperglycemia Diseases 0.000 description 2
- 208000006575 hypertriglyceridemia Diseases 0.000 description 2
- 230000001506 immunosuppresive effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000004630 mental health Effects 0.000 description 2
- 235000013336 milk Nutrition 0.000 description 2
- 239000008267 milk Substances 0.000 description 2
- 210000004080 milk Anatomy 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 235000018343 nutrient deficiency Nutrition 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000000391 smoking effect Effects 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 235000000112 undernutrition Nutrition 0.000 description 2
- 208000028698 Cognitive impairment Diseases 0.000 description 1
- 206010012289 Dementia Diseases 0.000 description 1
- 206010013786 Dry skin Diseases 0.000 description 1
- 208000000059 Dyspnea Diseases 0.000 description 1
- 206010013975 Dyspnoeas Diseases 0.000 description 1
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 206010019233 Headaches Diseases 0.000 description 1
- 206010052904 Musculoskeletal stiffness Diseases 0.000 description 1
- 208000008589 Obesity Diseases 0.000 description 1
- 208000002193 Pain Diseases 0.000 description 1
- 206010033557 Palpitations Diseases 0.000 description 1
- 206010062519 Poor quality sleep Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000001467 acupuncture Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000003796 beauty Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 230000003840 blood vessel health Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 230000037180 bone health Effects 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 150000001720 carbohydrates Chemical class 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 208000010877 cognitive disease Diseases 0.000 description 1
- 230000003920 cognitive function Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000035487 diastolic blood pressure Effects 0.000 description 1
- 230000000378 dietary effect Effects 0.000 description 1
- 230000035622 drinking Effects 0.000 description 1
- 230000037336 dry skin Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000003646 hair health Effects 0.000 description 1
- 231100000869 headache Toxicity 0.000 description 1
- 230000013632 homeostatic process Effects 0.000 description 1
- 230000000968 intestinal effect Effects 0.000 description 1
- 210000001596 intra-abdominal fat Anatomy 0.000 description 1
- 230000037231 joint health Effects 0.000 description 1
- 238000009533 lab test Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 210000000214 mouth Anatomy 0.000 description 1
- 239000002324 mouth wash Substances 0.000 description 1
- 229940051866 mouthwash Drugs 0.000 description 1
- 235000020824 obesity Nutrition 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000010238 partial least squares regression Methods 0.000 description 1
- 208000024335 physical disease Diseases 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 208000020016 psychiatric disease Diseases 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000000276 sedentary effect Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 208000013220 shortness of breath Diseases 0.000 description 1
- 230000036559 skin health Effects 0.000 description 1
- 235000014214 soft drink Nutrition 0.000 description 1
- 208000026843 stiff neck Diseases 0.000 description 1
- 230000035488 systolic blood pressure Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
Abstract
Description
を生成する生成段階と、を含む」ことができる。
1.概要
本件出願に開示された技術では、簡潔にいえば、少なくとも1つの情報処理装置が、推定の対象とされるユーザ(対象ユーザ)により実行された行動の履歴を識別する対象行動データを取得し、この対象行動データを推定モデルに入力することにより、上記対象ユーザの健康の状態を識別するデータ(健康状態データ)を、上記推定モデルから出力させることができる。
このような技術は、図1に例示されるような通信システムを用いて実現可能である。図1は、一実施形態に係る通信システムの構成の一例を示すブロック図である。
次に、各情報処理装置(サーバ装置10、端末装置20)が有するハードウェア構成の一例について説明する。
図2は、図1に示したサーバ装置10が有するハードウェア構成の一例を示すブロック図である(なお、図2において、括弧内の参照符号は、後述するように端末装置20に関連して記載されている)。
図2において括弧内に示すように、端末装置20は、実質的にサーバ装置10と同様のハードウェア構成を有することができる。図2に示すように、端末装置20は、中央処理装置21と、主記憶装置22と、入出力インターフェイス装置23と、入力装置24と、補助記憶装置25と、出力装置26と、を含むことができる。これら装置同士は、データバス及び/又は制御バスにより接続されている。これらの装置の各々は、サーバ装置10に関連して説明したとおりである。
次に、睡眠の状態に関する睡眠状態データを提供するために、上述した通信システム2により実行される動作の具体例について、さらに図3を参照して説明する。図3は、図1に示した通信システム1により実行される動作の一例を示すフロー図である。
まず、ステップ(以下「ST」という。)1000において、情報処理装置である、例えば、推定サービス等を運営する企業により管理されるサーバ装置10Aが、推定モデルを生成するために用いられる複数組の教師データを取得して記憶することができる。
各サンプル行動データは、予め定められた複数の行動のうちの少なくとも1つの(1つの又は複数の)行動を識別するデータであり得る。ここで、予め定められた複数の行動の各々は、その行動を実行した人間の睡眠の状態に少なくとも部分的に良い影響又は悪い影響を与え得る行動であり得る。このような予め定められた複数の行動は、例えば、以下に例示するものをこれらに限定することなく含むことができる。
(人間の睡眠の状態に少なくとも部分的に良い影響を与え得る行動の例)
・1週間に2日以上のペースで1時間以上の有酸素運動を行った。
・毎日一定の時間に起床した。
・カフェインを含む飲料を1日に2杯以下に抑えた。
・1日の勤務時間が8時間以下であった。
・コーヒーを10本以上購入した(この行動は、例えば、コーヒーが属する商品カテゴリーとその購入数量とを含むデータにより識別され得る)。
(人間の睡眠の状態に少なくとも部分的に悪い影響を与え得る行動の例)
・1週間に1日以下のペースで1時間以上の有酸素運動を行った。
・毎日異なる時間に起床した。
・カフェインを含む飲料を1日に3杯以上飲んだ。
・1日の勤務時間が13時間以上であった。
・牛乳を5本以上購入した(この行動は、例えば、牛乳が属する商品カテゴリーとその購入数量とを含むデータにより識別され得る)。
・情報処理装置が、通信網2を介して、少なくとも1つの他のサーバ装置10(例えばドラッグストア等に設置されたPOSデータを記憶する他のサーバ装置10、又は、このPOSデータにアクセス可能な他のサーバ装置10)から、POSデータを受信する。
・情報処理装置が、通信網2を介して、所定のアンケート(サンプルユーザにより実行された行動に関するアンケート)に対する回答を記載したメール又はウェブページを、少なくとも1つの端末装置20及び/又は少なくとも1つのサーバ装置10から受信する。
・情報処理装置が、上記所定のアンケートに対する複数のユーザによる回答を収集した少なくとも1つのサーバ装置10から通信網2を介してその回答の内容を受信する。
・情報処理装置が、上記所定のアンケートに対する複数のユーザによる回答を収集した記録媒体(USBメモリ、DVD-ROM等)を介して、その回答の内容を受信する。
各組の教師データに含まれるサンプル睡眠状態データは、以下に例示するデータのうちの少なくとも1つを、これに限定することなく、含むことができる。
・その組に対応する1人のサンプルユーザの睡眠の性質を識別するデータ(「サンプル性質データ」)
・その組に対応する1人のサンプルユーザの睡眠のリズムを識別するデータ(「サンプルリズムデータ」)
・その組に対応する1人のサンプルユーザの睡眠時間を識別するデータ(「サンプル時間データ」)
・その組に対応する1人のサンプルユーザ(の睡眠)が属する睡眠カテゴリーを識別するデータ(「サンプル睡眠カテゴリーデータ」)
・ピッツバーグ睡眠質問票(PSQI)(図5A乃至図5C参照)に記載された質問事項に対するサンプルユーザの回答内容に基づいて、ピッツバーグ睡眠質問票に記載された方法で算出されたスコア、又は、このスコアを任意の手法で演算(加減乗除等)することにより得られた修正スコア
・3次元型睡眠尺度(3DSS)(図6A及び図6B参照)に記載された質問事項に対するサンプルユーザの回答内容に基づいて、3次元型睡眠尺度に記載された方法で算出されたスコア、又は、このスコアを任意の手法で演算(加減乗除等)することにより得られた修正スコア
・不眠症重症度質問票(ISI)(図7参照)に記載された質問事項に対するサンプルユーザの回答内容に基づいて、不眠症重症度質問票に記載された方法で算出されたスコア、又は、このスコアを任意の手法で演算(加減乗除等)することにより得られた修正スコア
・その他の任意の質問票又は尺度に記載された質問事項に対するサンプルユーザの回答内容に基づいて、その質問票又は尺度に記載された方法で算出されたスコア、又は、このスコアを任意の手法で演算することにより得られた修正スコア
図3に戻り、次に、ST1002において、情報処理装置である、例えば、推定サービス等を運営する企業により管理されるサーバ装置10A(及び/又は端末装置20)は、ST1000において取得された複数組の教師データを用いて、学習モデルを機械学習により学習させることにより、推定モデルを生成することができる。ここでいう機械学習は、任意の周知の機械学習、例えば、勾配ブースティング木(例えばLightGBM)、ニューラルネットワーク又は線形回帰等を、これらに限定することなく含み得る。
情報処理装置は、例えば勾配ブースティング木を用いるケースでは、或る組の教師データに含まれるサンプル行動データ(説明変数)を学習データに入力したときに、サンプル睡眠状態データ(目的変数)及び推定値(すなわち、学習モデルから出力される値)から計算される目的関数を改善するように、決定木を作成して学習モデルに追加することができる。情報処理装置は、この処理を、ハイパーパラメータで定めた決定木の本数の分について繰り返すことができる。2本目以降の決定木については、目的変数とそれまでに作成した決定木による推定値との差について学習を行うことができる。このようにして、情報処理装置は、それぞれの決定木の分岐及び葉のウェイトを定めることができる。すなわち、勾配ブースティング木では、各決定木は、教師データのうちの説明変数を入力データとして決定木の各分岐を辿って到達する葉ノードの値を出力されるデータ(目的変数)とする。さらに、このデータ(目的変数)と、教師データのうちの目的変数との誤差が小さくなるように、決定木の各分岐の方法及び各葉ノードの値を最適化することができる。
一例では、情報処理装置は、複数組の教師データに含まれる第1の複数組の教師データを用いて、推定モデルを生成(更新)することができる。第1の複数組の教師データに含まれる各組の教師データは、その組に対応するサンプルユーザのサンプル行動データと、その組に対応するサンプルユーザのサンプル睡眠状態データと、を含むことができる。ここで、各組の教師データにおけるサンプル睡眠状態データは、その組に対応するサンプルユーザのサンプル性質データと、そのサンプルユーザのサンプルリズムデータと、を含むことができる。
一例では、情報処理装置は、複数組の教師データに含まれる第2の複数組の教師データを用いて、推定モデルを生成(更新)することができる。第2の複数組の教師データに含まれる各組の教師データは、その組に対応するサンプルユーザのサンプル行動データと、その組に対応するサンプルユーザのサンプル睡眠状態データと、を含むことができる。ここで、各組の教師データにおけるサンプル睡眠状態データは、その組に対応するサンプルユーザのサンプル睡眠カテゴリーデータを含むことができる。
一例では、情報処理装置は、複数組の教師データに含まれる第3の複数組の教師データを用いて、推定モデルを生成(更新)することができる。第3の複数組の教師データに含まれる各組の教師データは、その組に対応するサンプルユーザのサンプル行動データと、その組に対応するサンプルユーザのサンプル睡眠状態データと、を含むことができる。ここで、各組の教師データにおけるサンプル睡眠状態データは、その組に対応するサンプルユーザのサンプル性質データと、そのサンプルユーザのサンプルリズムデータと、を含むことができる。
一例では、情報処理装置は、複数組の教師データに含まれる第4の複数組の教師データを用いて、推定モデルを生成(更新)することができる。第4の複数組の教師データに含まれる各組の教師データは、その組に対応するサンプルユーザのサンプル行動データと、その組に対応するサンプルユーザのサンプル睡眠状態データと、を含むことができる。ここで、各組の教師データにおけるサンプル睡眠状態データは、その組に対応するサンプルユーザのサンプル性質データを含むことができる。
一例では、情報処理装置は、複数組の教師データに含まれる第5の複数組の教師データを用いて、推定モデルを生成(更新)することができる。第5の複数組の教師データに含まれる各組の教師データは、その組に対応するサンプルユーザのサンプル行動データと、その組に対応するサンプルユーザのサンプル睡眠状態データと、を含むことができる。ここで、各組の教師データにおけるサンプル睡眠状態データは、その組に対応するサンプルユーザのサンプルリズムデータを含むことができる。
一例では、情報処理装置は、複数組の教師データに含まれる第5の複数組の教師データを用いて、推定モデルを生成(更新)することができる。第6の複数組の教師データに含まれる各組の教師データは、その組に対応するサンプルユーザのサンプル行動データと、その組に対応するサンプルユーザのサンプル睡眠状態データと、を含むことができる。ここで、各組の教師データにおけるサンプル睡眠状態データは、その組に対応するサンプルユーザのサンプル時間データを含むことができる。
再度図3を参照すると、次に、ST1004において、情報処理装置である、例えば、推定サービス等を運営する企業により管理されるサーバ装置10A(及び/又は端末装置20)は、例えば、特定のアプリケーション(推定サービス等の提供を受けるためのアプリケーション等)を実行してこのサーバ装置10Aにアクセスしてきた端末装置20(又は他のサーバ装置10)から、及び/又は、ブラウザを実行してこのサーバ装置10Aにアクセスしてきた端末装置20から、推定対象となる対象ユーザにより実行された行動の履歴を識別する対象行動データを、取得することができる。この対象行動データは、対象ユーザにより実行された少なくとも1つの(1つの又は複数の)行動を識別するデータであり得る。
次に、ST1006において、情報処理装置である、例えば、推定サービス等を運営する企業により管理されるサーバ装置10A(及び/又は端末装置20)は、ST1004において取得された対象行動データ、及び、ST1002において生成された推定モデルを用いて、対象ユーザの睡眠の状態を識別する対象睡眠状態データを取得することができる。具体的には、サーバ装置10Aは、説明変数としての対象行動データを、推定モデルに入力することにより、推定モデルから、目的変数としての対象睡眠状態データを出力させることができる。
・対象ユーザの睡眠の性質を識別するデータ(「対象性質データ」)
・対象ユーザの睡眠のリズムを識別するデータ(「対象リズムデータ」)
・対象ユーザの睡眠時間を識別するデータ(「対象時間データ」)
・対象ユーザ(の睡眠)が属する睡眠カテゴリーを識別するデータ(「対象睡眠カテゴリーデータ」)
・サーバ装置10Aは、ST1004において生成された推定モデルを取得及び保持しており、この推定モデルに対象行動データを入力し、この推定モデルから出力される対象睡眠状態データを取得する。
・サーバ装置10Aは、ST1004において生成された推定モデルを取得及び保持する外部の装置(他のいずれかサーバ装置10又はいずれかの端末装置20)に対して、通信網2を介して対象行動データを送信することにより、この対象行動データを説明変数として入力した上記推定モデルに対象睡眠状態データを出力させる。この後、サーバ装置10Aは、この推定モデルにより出力された対象睡眠状態データを、上記外部の装置から通信網2を介して受信する。
次に、ST1008において、情報処理装置である、例えば、推定サービス等を運営する企業により管理されるサーバ装置10A(及び/又は端末装置20)は、ST1006において取得された対象睡眠状態データを用い、この対象睡眠状態データに対応する少なくとも1つの対象商品/1つの対象サービスを決定することができる。このような対象商品/対象サービスは、対象睡眠状態データにより識別される対象ユーザの現在の(推定された)睡眠の状態に適したものであり得る。
・サーバ装置10Aは、生成された当該別の推定モデルを取得及び保持しており、当該別の推定モデルに対象睡眠状態データを入力し、当該別の推定モデルから出力される提案データを取得する。
・サーバ装置10Aは、生成された当該別の推定モデルを取得及び保持する外部の装置(他のいずれかサーバ装置10又はいずれかの端末装置20)に対して、通信網2を介して対象睡眠状態データを送信することにより、この対象睡眠状態データを説明変数として入力した当該別の推定モデルに提案データを出力させる。この後、サーバ装置10Aは、当該別の推定モデルにより出力された提案データを、上記外部の装置から通信網2を介して受信する。
再度図3を参照すると、次に、情報処理装置である、例えば、推定サービス等を運営する企業により管理されるサーバ装置10A(及び/又は端末装置20)は、ST1008において取得された提案データを、企業ユーザ及び/又は個人ユーザにより管理される少なくとも1つの端末装置20(他のサーバ装置10であってもよい)に対して、通信網2を介して提供(送信)することができる。ここでいう「個人ユーザ」は「対象ユーザ」を含み得る。
上述した様々な例では、サンプル性質データ、サンプルリズムデータ、サンプル時間データ及びサンプル睡眠カテゴリーデータを、目的変数として、推定モデルを生成及び利用する場合について説明した。別の例では、サンプル性質データ、サンプルリズムデータ、サンプル時間データ及びサンプル睡眠カテゴリーデータのうちの少なくとも1つ(最大3つ)を、目的変数ではなく説明変数として用いて、推定モデルを生成及び利用することも可能である。
・対象ユーザの睡眠の性質を「一意に」識別するデータ(「対象性質データ」)
・対象ユーザの睡眠のリズムを「一意に」識別するデータ(「対象リズムデータ」)
・対象ユーザの睡眠時間を「一意に」識別するデータ(「対象時間データ」)
・対象ユーザ(の睡眠)が属する睡眠カテゴリーを「一意に」識別するデータ(「対象睡眠カテゴリーデータ」)
次に、更年期症状の状態に関する更年期状態データを提供するために、上述した通信システム2により実行される動作の具体例について、さらに図12を参照して説明する。図12は、図1に示した通信システム1により実行される動作の別の例を示すフロー図である。
まず、ST1100において、情報処理装置である、例えば、推定サービス等を運営する企業により管理されるサーバ装置10Aが、推定モデルを生成するために用いられる複数組の教師データを取得して記憶することができる。
各サンプル行動データは、予め定められた複数の行動のうちの少なくとも1つの(1つの又は複数の)行動を識別するデータであり得る。ここで、予め定められた複数の行動の各々は、その行動を実行した人間の更年期症状の状態に少なくとも部分的に良い影響又は悪い影響を与え得る行動であり得る。このような予め定められた複数の行動は、例えば、以下に例示するものをこれらに限定することなく含むことができる。
(人間の更年期症状の状態に少なくとも部分的に良い影響を与え得る行動の例)
・1週間に2日以上のペースで1時間以上の有酸素運動を行った。
・毎日一定の時間に起床した。
・毎週リラックスする時間を確保した。
・缶ビールを10本以上購入した(この行動は、例えば、ビールが属する商品カテゴリーとその購入数量とを含むデータにより識別され得る)。
(人間の更年期症状の状態に少なくとも部分的に悪い影響を与え得る行動の例)
・1週間に1日以下のペースで1時間以上の有酸素運動を行った。
・毎日異なる時間に起床した。
・1週間に1日も休まずに仕事をした。
・青汁を5本以上購入した(この行動は、例えば、青汁が属する商品カテゴリーとその購入数量とを含むデータにより識別され得る)。
・情報処理装置が、通信網2を介して、少なくとも1つの他のサーバ装置10(例えばドラッグストア等に設置されたPOSデータを記憶する他のサーバ装置10、又は、このPOSデータにアクセス可能な他のサーバ装置10)から、POSデータを受信する。
・情報処理装置が、通信網2を介して、所定のアンケート(サンプルユーザにより実行された行動に関するアンケート)に対する回答を記載したメール又はウェブページを、少なくとも1つの端末装置20及び/又は少なくとも1つのサーバ装置10から受信する。
・情報処理装置が、上記所定のアンケートに対する複数のユーザによる回答を収集した少なくとも1つのサーバ装置10から通信網2を介してその回答の内容を受信する。
・情報処理装置が、上記所定のアンケートに対する複数のユーザによる回答を収集した記録媒体(USBメモリ、DVD-ROM等)を介して、その回答の内容を受信する。
各組の教師データに含まれるサンプル更年期状態データは、以下に例示するデータのうちの少なくとも1つを、これに限定することなく、含むことができる。
・その組に対応する1人のサンプルユーザの総合的な状態を識別するデータ(「サンプル総合状態データ」)
・その組に対応する1人のサンプルユーザの第1症状の状態を識別するデータ(「サンプル第1状態データ」)
・その組に対応する1人のサンプルユーザの第2症状の状態を識別するデータ(「サンプル第2状態データ」)
・更年期障害評価尺度(Menopause Rating Scale)に記載された質問事項に対するサンプルユーザの回答内容に基づいて、更年期障害評価尺度に記載された方法で算出されたスコア、又は、このスコアを任意の手法で演算(加減乗除等)することにより得られた修正スコア
・クッパーマン更年期指数(Kupperman index)に記載された質問事項に対するサンプルユーザの回答内容に基づいて、クッパーマン更年期指数に記載された方法で算出されたスコア、又は、このスコアを任意の手法で演算(加減乗除等)することにより得られた修正スコア
・更年期障害評価(Green Climacteric Scale)に記載された質問事項に対するサンプルユーザの回答内容に基づいて、更年期障害評価に記載された方法で算出されたスコア、又は、このスコアを任意の手法で演算(加減乗除等)することにより得られた修正スコア
・PSST(Premenstrual Symptoms Screening Tool)に記載された質問事項に対するサンプルユーザの回答内容に基づいて、PSSTに記載された方法で算出されたスコア、又は、このスコアを任意の手法で演算(加減乗除等)することにより得られた修正スコア
・WHQ(Women’s Health Questionnaire)に記載された質問事項に対するサンプルユーザの回答内容に基づいて、WHQに記載された方法で算出されたスコア、又は、このスコアを任意の手法で演算(加減乗除等)することにより得られた修正スコア
・VAS(Visual Analogue Scale)に記載された質問事項に対するサンプルユーザの回答内容に基づいて、VASに記載された方法で算出されたスコア、又は、このスコアを任意の手法で演算(加減乗除等)することにより得られた修正スコア
・HFRDI(Hot Flash Related Daily Interference Scale)に記載された質問事項に対するサンプルユーザの回答内容に基づいて、HFRDIに記載された方法で算出されたスコア、又は、このスコアを任意の手法で演算(加減乗除等)することにより得られた修正スコア
・HFCS(Hot Flash Composite Score)に記載された質問事項に対するサンプルユーザの回答内容に基づいて、HFCSに記載された方法で算出されたスコア、又は、このスコアを任意の手法で演算(加減乗除等)することにより得られた修正スコア
・MENQOL(Menopause-Specific Quality Of Life)に記載された質問事項に対するサンプルユーザの回答内容に基づいて、MENQOLに記載された方法で算出されたスコア、又は、このスコアを任意の手法で演算(加減乗除等)することにより得られた修正スコア
・日本人女性の更年期症状評価表に記載された質問事項に対するサンプルユーザの回答内容に基づいて、日本人女性の更年期症状評価表に記載された方法で算出されたスコア、又は、このスコアを任意の手法で演算(加減乗除等)することにより得られた修正スコア
・その他の任意の質問票又は尺度に記載された質問事項に対するサンプルユーザの回答内容に基づいて、その質問票又は尺度に記載された方法で算出されたスコア、又は、このスコアを任意の手法で演算することにより得られた修正スコア
図3に戻り、次に、ST1102において、情報処理装置である、例えば、推定サービス等を運営する企業により管理されるサーバ装置10A(及び/又は端末装置20)は、ST1100において取得された複数組の教師データを用いて、学習モデルを機械学習により学習させることにより、推定モデルを生成することができる。ここでいう機械学習は、任意の周知の機械学習、例えば、勾配ブースティング木(例えばLightGBM)、ニューラルネットワーク又は線形回帰等を、これらに限定することなく含み得る。
一例では、情報処理装置は、複数組の教師データに含まれる第1の複数組の教師データを用いて、推定モデルを生成(更新)することができる。第1の複数組の教師データに含まれる各組の教師データは、その組に対応するサンプルユーザのサンプル行動データと、その組に対応するサンプルユーザのサンプル更年期状態データと、を含むことができる。ここで、各組の教師データにおけるサンプル更年期状態データは、その組に対応するサンプルユーザのサンプル総合状態データを含むことができる。
一例では、情報処理装置は、複数組の教師データに含まれる第2の複数組の教師データを用いて、推定モデルを生成(更新)することができる。第2の複数組の教師データに含まれる各組の教師データは、その組に対応するサンプルユーザのサンプル行動データと、その組に対応するサンプルユーザのサンプル更年期状態データと、を含むことができる。ここで、各組の教師データにおけるサンプル更年期状態データは、その組に対応するサンプルユーザのサンプル第1状態データを含むことができる。
一例では、情報処理装置は、複数組の教師データに含まれる第3の複数組の教師データを用いて、推定モデルを生成(更新)することができる。第3の複数組の教師データに含まれる各組の教師データは、その組に対応するサンプルユーザのサンプル行動データと、その組に対応するサンプルユーザのサンプル更年期状態データと、を含むことができる。ここで、各組の教師データにおけるサンプル更年期状態データは、その組に対応するサンプルユーザのサンプル第2状態データを含むことができる。
再度図12を参照すると、次に、ST1104において、情報処理装置である、例えば、推定サービス等を運営する企業により管理されるサーバ装置10A(及び/又は端末装置20)は、例えば、特定のアプリケーション(推定サービス等の提供を受けるためのアプリケーション等)を実行してこのサーバ装置10Aにアクセスしてきた端末装置20(又は他のサーバ装置10)から、及び/又は、ブラウザを実行してこのサーバ装置10Aにアクセスしてきた端末装置20から、推定対象となる対象ユーザにより実行された行動の履歴を識別する対象行動データを、取得することができる。この対象行動データは、対象ユーザにより実行された少なくとも1つの(1つの又は複数の)行動を識別するデータであり得る。
次に、ST1106において、情報処理装置である、例えば、推定サービス等を運営する企業により管理されるサーバ装置10A(及び/又は端末装置20)は、ST1104において取得された対象行動データ、及び、ST1102において生成された推定モデルを用いて、対象ユーザの更年期症状の状態を識別する対象更年期状態データを取得することができる。具体的には、サーバ装置10Aは、説明変数としての対象行動データを、推定モデルに入力することにより、推定モデルから、目的変数としての対象更年期状態データを出力させることができる。
・対象ユーザの更年期症状の総合的な状態を識別するデータ(「対象総合状態データ」)
・対象ユーザの第1症状の状態を識別するデータ(「対象第1状態データ」)
・対象ユーザの第2症状の状態を識別するデータ(「対象第2状態データ」)
・サーバ装置10Aは、ST1104において生成された推定モデルを取得及び保持しており、この推定モデルに対象行動データを入力し、この推定モデルから出力される対象更年期状態データを取得する。
・サーバ装置10Aは、ST1104において生成された推定モデルを取得及び保持する外部の装置(他のいずれかサーバ装置10又はいずれかの端末装置20)に対して、通信網2を介して対象行動データを送信することにより、この対象行動データを説明変数として入力した上記推定モデルに対象更年期状態データを出力させる。この後、サーバ装置10Aは、この推定モデルにより出力された対象更年期状態データを、上記外部の装置から通信網2を介して受信する。
次に、ST1108において、情報処理装置である、例えば、推定サービス等を運営する企業により管理されるサーバ装置10A(及び/又は端末装置20)は、ST1106において取得された対象更年期状態データを用い、この対象更年期状態データに対応する少なくとも1つの対象商品/1つの対象サービスを決定することができる。このような対象商品/対象サービスは、対象更年期状態データにより識別される対象ユーザの現在の(推定された)更年期症状の状態に適したものであり得る。
・サーバ装置10Aは、生成された当該別の推定モデルを取得及び保持しており、当該別の推定モデルに対象更年期状態データを入力し、当該別の推定モデルから出力される提案データを取得する。
・サーバ装置10Aは、生成された当該別の推定モデルを取得及び保持する外部の装置(他のいずれかサーバ装置10又はいずれかの端末装置20)に対して、通信網2を介して対象更年期状態データを送信することにより、この対象更年期状態データを説明変数として入力した当該別の推定モデルに提案データを出力させる。この後、サーバ装置10Aは、当該別の推定モデルにより出力された提案データを、上記外部の装置から通信網2を介して受信する。
再度図12を参照すると、次に、情報処理装置である、例えば、推定サービス等を運営する企業により管理されるサーバ装置10A(及び/又は端末装置20)は、ST1108において取得された提案データを、企業ユーザ及び/又は個人ユーザにより管理される少なくとも1つの端末装置20(他のサーバ装置10であってもよい)に対して、通信網2を介して提供(送信)することができる。ここでいう「個人ユーザ」は「対象ユーザ」を含み得る。
上述した様々な例では、サンプル総合状態データ、サンプル第1状態データ及びサンプル第2状態データを、目的変数として、推定モデルを生成及び利用する場合について説明した。別の例では、サンプル総合状態データ、サンプル第1状態データ及びサンプル第2状態データのうちの少なくとも1つ(最大2つ)を、目的変数ではなく説明変数として用いて、推定モデルを生成及び利用することも可能である。
本件出願に開示された技術は、上述した睡眠の状態及び更年期症状の状態を予測することだけでなく、例えば、以下に例示する様々な健康の状態を予測することにも適用可能である。
・運動の状態
・免疫の状態
・水分補給の状態
・栄養の状態
運動の状態を予測するための推定モデルは、生活習慣病に関連する状態等を予測するために用いられる。かかる推定モデルを生成するために、説明変数であるサンプル行動データは、以下に例示する複数のデータのうちの少なくとも1つのデータであり得る。
・サンプルユーザが一定期間(例えば1年間等)において購入した商品(又はその商品が属するカテゴリー)を識別するデータ
・サンプルユーザが一定期間(例えば1年間等)において利用したサービス(又はそのサービスが属するカテゴリー)を識別するデータ
・サンプルユーザが肥満の状態にあるか否かを識別するデータ
・サンプルユーザの一定期間(例えば30歳代から現在までの期間等)における体重の変化量を識別するデータ
・サンプルユーザの運動の量(例えば歩数等)を識別するデータ
・サンプルユーザの体重を識別するデータ
・サンプルユーザのBMI(Body Mass Index)を識別するデータ
・サンプルユーザの歩数を識別するデータ
・サンプルユーザの喫煙の有無を識別するデータ
・サンプルユーザのメタボリックシンドローム診断基準値を識別するデータ
・サンプルユーザについて高グリセリド血症及び/又は低HDLコレステロール血症の診断のために定められた閾値
・サンプルユーザの収縮期及び/又は拡張期の血圧
・サンプルユーザについて空腹時高血糖の診断のために定められた閾値
免疫の状態を予測するための推定モデルは、身体の免疫力が低下している人の症状の程度を予測するために用いられる。かかる推定モデルを生成するために、説明変数であるサンプル行動データは、以下に例示する複数のデータのうちの少なくとも1つのデータであり得る。
・サンプルユーザが一定期間(例えば1年間等)において購入した商品(又はその商品が属するカテゴリー)を識別するデータ
・サンプルユーザが一定期間(例えば1年間等)において利用したサービス(又はそのサービスが属するカテゴリー)を識別するデータ
・サンプルユーザの風邪の引きやすさを識別するデータ
・サンプルユーザの風邪を引き起こす頻度を識別するデータ
・サンプルユーザのSIgA濃度を識別するデータ
・サンプルユーザのアレルギー症状を識別するデータ
・サンプルユーザの口腔環境及び/又は免疫力の状態を識別するデータ
・サンプルユーザの睡眠の状態を識別するデータ
・サンプルユーザの運動の状態を識別するデータ
・サンプルユーザのストレスの状態を識別するデータ
水分補給の状態を予測するための推定モデルは、身体の免疫力が低下している人の症状の程度を予測するために用いられる。かかる推定モデルを生成するために、説明変数であるサンプル行動データは、以下に例示する複数のデータのうちの少なくとも1つのデータであり得る。
・サンプルユーザが一定期間(例えば1年間等)において購入した商品(又はその商品が属するカテゴリー)を識別するデータ
・サンプルユーザが一定期間(例えば1年間等)において利用したサービス(又はそのサービスが属するカテゴリー)を識別するデータ
・サンプルユーザの血清Na値を識別するデータ
・サンプルユーザの尿浸透圧を識別するデータ
・サンプルユーザの尿比重を識別するデータ
・サンプルユーザの尿カラーを識別するデータ
・サンプルユーザのBUN/クレアチニン比を識別するデータ
・サンプルユーザの脱水評価スケールを識別するデータ
・サンプルユーザの水分不足に伴う自覚症状を識別するデータ
栄養の状態を予測するための推定モデルは、栄養補給ができていない人の症状の程度を予測するために用いられる。かかる推定モデルを生成するために、説明変数であるサンプル行動データは、以下に例示する複数のデータのうちの少なくとも1つのデータであり得る。
・サンプルユーザが一定期間(例えば1年間等)において購入した商品(又はその商品が属するカテゴリー)を識別するデータ
・サンプルユーザが一定期間(例えば1年間等)において利用したサービス(又はそのサービスが属するカテゴリー)を識別するデータ
・サンプルユーザの栄養低下に伴う自覚症状の有無を識別するデータ
・サンプルユーザの食品摂取の多様性得点(DVS)を識別するデータ
・サンプルユーザの食欲尺度短縮版(SNAQ:Simplified Nutritional Appetite Questionnaire)を識別するデータ
・サンプルユーザのBMI(Body Mass Index)を識別するデータ
第1の態様に係るコンピュータプログラムは、「少なくとも1つのプロセッサにより実行されることにより、対象ユーザにより実行された行動の履歴を識別する対象行動データを取得し、教師あり学習を実行することにより生成された推定モデルに前記対象行動データを入力することにより、前記対象ユーザの睡眠の状態を識別する対象睡眠状態データであって、該対象ユーザの睡眠の性質を識別する対象性質データ、該対象ユーザの睡眠のリズムを識別する対象リズムデータ、該対象ユーザの睡眠時間を識別する対象時間データ、及び、該対象ユーザが属する睡眠カテゴリーを識別する対象カテゴリーデータ、のうちの少なくとも1つを含む対象睡眠状態データを、前記推定モデルから出力させる、ように前記少なくとも1つのプロセッサを機能させる」ことができる。
第2の態様に係るコンピュータプログラムは、上記第1の態様において「各組の教師データが、該組に対応する1人のサンプルユーザにより実行された行動の履歴を識別するサンプル行動データと、該組に対応する1人のサンプルユーザの睡眠の状態を識別するサンプル睡眠状態データと、を含む、複数組の教師データを、学習モデルに入力することにより生成された前記推定モデルを、取得する、ように前記少なくとも1つのプロセッサを機能させる」ことができる。
第3の態様に係るコンピュータプログラムは、上記第1の態様において「各組の教師データが、該組に対応する1人のサンプルユーザにより実行された行動の履歴を識別するサンプル行動データと、該組に対応する1人のサンプルユーザの睡眠の状態を識別するサンプル睡眠状態データと、を含む、複数組の教師データを、学習モデルに入力することにより生成された前記推定モデルに対して、通信回線を介して接続される、ように前記少なくとも1つのプロセッサを機能させる」ことができる。
第4の態様に係るコンピュータプログラムは、上記第1の態様において「各組の教師データが、該組に対応する1人のサンプルユーザにより実行された行動の履歴を識別するサンプル行動データと、該組に対応する1人のサンプルユーザの睡眠の状態を識別するサンプル睡眠状態データと、を含む、複数組の教師データを取得し、該複数組の教師データを学習モデルに入力して学習させることにより、前記推定モデルを生成する、ように前記少なくとも1つのプロセッサを機能させる」ことができる。
第5の態様に係るコンピュータプログラムは、上記第4の態様において「取得された前記複数組の教師データが第1の複数組の教師データを含み、該第1の複数組の教師データに含まれる各組の教師データが、前記サンプル睡眠状態データとして、少なくとも、該組に対応する1人のサンプルユーザの睡眠の性質を識別するサンプル性質データと、該組に対応する1人のサンプルユーザの睡眠のリズムを識別するサンプルリズムデータと、を含み、取得された前記第1の複数組の教師データに含まれる各組の教師データについて、該組に対応する1人のサンプルユーザの睡眠の性質を識別するサンプル性質データと該組に対応する1人のサンプルユーザの睡眠のリズムを識別するサンプルリズムデータとに基づいて、該組に対応する1人のサンプルユーザが属する睡眠カテゴリーを識別するサンプル睡眠カテゴリーデータを生成する、という前処理を実行し、各組の教師データが、該組に対応する1人のサンプルユーザの前記サンプル行動データと、該組に対応する1人のサンプルユーザの前記サンプル睡眠カテゴリーデータと、を含む、前記前処理後の前記第1の複数組の教師データを、前記学習モデルに入力して前記推定モデルを生成し、該推定モデルから、前記対象睡眠状態データとして、前記対象ユーザが属する睡眠カテゴリーを識別する対象睡眠カテゴリーデータを、出力させる、ように前記少なくとも1つのプロセッサを機能させる」ことができる。
第6の態様に係るコンピュータプログラムは、上記第2の態様から上記第4の態様のいずれかにおいて「前記複数組の教師データが第2の複数組の教師データを含み、該第2の複数組の教師データに含まれる各組の教師データが、前記サンプル睡眠状態データとして、少なくとも、該組に対応する1人のサンプルユーザの睡眠の性質を識別するサンプル性質データと該組に対応する1人のサンプルユーザの睡眠のリズムを識別するサンプルリズムデータとに基づいて決定された、該組に対応する1人のサンプルユーザが属する睡眠カテゴリーを識別するサンプル睡眠カテゴリーデータ、を含み、該推定モデルから、前記対象睡眠状態データとして、前記対象ユーザが属する睡眠カテゴリーを識別する対象睡眠カテゴリーデータを、出力させる、ように前記少なくとも1つのプロセッサを機能させる」ことができる。
第7の態様に係るコンピュータプログラムにあっては、上記第5の態様又は上記第6の態様において「前記組に対応する1人のサンプルユーザの睡眠の性質を識別するサンプル性質データは、アテネ不眠尺度、ピッツバーグ睡眠質問票、3次元型睡眠尺度、又は、不眠症重症度質問票に対する前記サンプルユーザによる回答内容に基づいて算出されたスコアを示し、前記組に対応する1人のサンプルユーザの睡眠のリズムを識別するサンプルリズムデータは、前記サンプルユーザの平日の睡眠時間帯の中央時間と休日の睡眠時間帯の中央時間帯との差の絶対値であるソーシャルジェットラグを示し、前記組に対応する1人のサンプルユーザが属する睡眠カテゴリーは、横軸及び縦軸のうちの一方の軸において前記スコアに対応付けて配置された少なくとも1つの閾値と、前記横軸及び前記縦軸のうちの他方の軸において前記ソーシャルジェットラグに対応付けて配置された少なくとも1つの閾値と、により分割される複数のカテゴリーのうちのいずれかであ」り得る。
第8の態様に係るコンピュータプログラムは、上記第2の態様から上記第4の態様のいずれかにおいて「前記複数組の教師データが第3の複数組の教師データを含み、該第3の複数組の教師データに含まれる各組の教師データが、前記サンプル睡眠状態データとして、少なくとも、該組に対応する1人のサンプルユーザの睡眠の性質を識別するサンプル性質データと、該組に対応する1人のサンプルユーザの睡眠のリズムを識別するサンプルリズムデータと、を含み、前記推定モデルから、前記対象睡眠状態データとして、前記対象ユーザの睡眠の性質を識別する対象性質データと、該対象ユーザの睡眠のリズムを識別する対象リズムデータとを、出力させる、ように前記少なくとも1つのプロセッサを機能させる」ことができる。
第9の態様に係るコンピュータプログラムは、上記第2の態様から上記第4の態様のいずれかにおいて「前記複数組の教師データが第4の複数組の教師データを含み、該第4の複数組の教師データに含まれる各組の教師データが、前記サンプル睡眠状態データとして、少なくとも、該組に対応する1人のサンプルユーザの睡眠の性質を識別するサンプル性質データを含み、前記推定モデルから、前記対象睡眠状態データとして、前記対象ユーザの睡眠の性質を識別する対象性質データを、出力させる、ように前記少なくとも1つのプロセッサを機能させる」ことができる。
第10の態様に係るコンピュータプログラムは、上記第2の態様から上記第4の態様のいずれかにおいて「前記複数組の教師データが第5の複数組の教師データを含み、該第5の複数組の教師データに含まれる各組の教師データが、前記サンプル睡眠状態データとして、少なくとも、該組に対応する1人のサンプルユーザの睡眠のリズムを識別するサンプルリズムデータを含み、前記推定モデルから、前記対象睡眠状態データとして、前記対象ユーザの睡眠のリズムを識別する対象リズムデータを、出力させる、ように前記少なくとも1つのプロセッサを機能させる」ことができる。
第11の態様に係るコンピュータプログラムは、上記第2の態様から上記第4の態様のいずれかにおいて「前記複数組の教師データが第6の複数組の教師データを含み、該第6の複数組の教師データに含まれる各組の教師データが、前記サンプル睡眠状態データとして、少なくとも、該組に対応する1人のサンプルユーザの睡眠時間を識別するサンプル時間データを含み、前記推定モデルから、前記対象睡眠状態データとして、前記対象ユーザの睡眠時間を識別する対象時間データを、出力させる、ように前記少なくとも1つのプロセッサを機能させる」ことができる。
第12の態様に係るコンピュータプログラムは、上記第1の態様から上記第11の態様のいずれかにおいて「複数の商品及び/又は複数のサービスのうち、前記対象睡眠状態データに対応する少なくとも1つの対象商品及び/又は少なくとも1つの対象サービスを決定する、ように前記少なくとも1つのプロセッサを機能させる」ことができる。
第13の態様に係るコンピュータプログラムは、上記第12の態様において「教師あり学習を実行することにより生成された別の推定モデルに前記対象睡眠状態データを入力することにより、該別の推定モデルから、前記少なくとも1つの対象商品及び/又は前記少なくとも1つの対象サービスを識別する提案データを出力させる、ように前記少なくとも1つのプロセッサを機能させる」ことができる。
第14の態様に係るコンピュータプログラムは、上記第12の態様において「対象睡眠状態データと前記複数の商品及び/又は前記複数のサービスとを対応付けた検索テーブルに前記対象睡眠状態データを入力することにより、該検索テーブルから前記少なくとも1つの対象商品及び/又は前記少なくとも1つの対象サービスを識別する提案データを取得する、ように前記少なくとも1つのプロセッサを機能させる」ことができる。
第15の態様に係るコンピュータプログラムにあっては、上記第1の態様から上記第14の態様のいずれかにおいて「前記少なくとも1つのプロセッサが、中央処理装置(CPU)、マイクロプロセッサ、及び/又は、グラフィックスプロセッシングユニット(GPU)を含む」ことができる。
第16の態様に係る情報処理装置は、「少なくとも1つのプロセッサを具備し、該少なくとも1つのプロセッサが、対象ユーザにより実行された行動の履歴を識別する対象行動データを取得し、教師あり学習を実行することにより生成された推定モデルに前記対象行動データを入力することにより、前記対象ユーザの睡眠の状態を識別する対象睡眠状態データであって、該対象ユーザの睡眠の性質を識別する対象性質データ、該対象ユーザの睡眠のリズムを識別する対象リズムデータ、該対象ユーザの睡眠時間を識別する対象時間データ、及び、該対象ユーザが属する睡眠カテゴリーを識別する対象カテゴリーデータ、のうちの少なくとも1つを含む対象睡眠状態データを、前記推定モデルから出力させる、
ように構成され」得る。
第17の態様に係る情報処理装置は、上記第16の態様において「端末装置又はサーバ装置であ」り得る。
第18の態様に係る情報処理装置にあっては、上記第17の態様において「前記少なくとも1つのプロセッサが、中央処理装置(CPU)、マイクロプロセッサ、及び/又は、グラフィックスプロセッシングユニット(GPU)を含」み得る。
第19の態様に係る方法は、「コンピュータにより読み取り可能な命令を実行する少なくとも1つのプロセッサにより実行される方法であって、該少なくとも1つのプロセッサが、前記命令を実行することにより、対象ユーザにより実行された行動の履歴を識別する対象行動データを取得する段階と、教師あり学習を実行することにより生成された推定モデルに前記対象行動データを入力することにより、前記対象ユーザの睡眠の状態を識別する対象睡眠状態データであって、該対象ユーザの睡眠の性質を識別する対象性質データ、該対象ユーザの睡眠のリズムを識別する対象リズムデータ、該対象ユーザの睡眠時間を識別する対象時間データ、及び、該対象ユーザが属する睡眠カテゴリーを識別する対象カテゴリーデータ、のうちの少なくとも1つを含む対象睡眠状態データを、前記推定モデルから出力させる段階と、を含む」ことができる。
第20の態様に係る方法にあっては、上記第19の態様において「前記少なくとも1つのプロセッサが、中央処理装置(CPU)、マイクロプロセッサ、及び/又は、グラフィックスプロセッシングユニット(GPU)を含」み得る。
第21の態様に係る方法は、「コンピュータにより読み取り可能な命令を実行する少なくとも1つのプロセッサにより実行される方法であって、該少なくとも1つのプロセッサが、前記命令を実行することにより、各組の教師データが、該組に対応する1人のサンプルユーザにより実行された行動の履歴を識別するサンプル行動データと、該組に対応する1人のサンプルユーザの睡眠の状態を識別するサンプル睡眠状態データと、を含む、複数組の教師データを取得する取得段階と、該複数組の教師データを学習モデルに入力して学習させることにより、対象ユーザにより実行された行動の履歴を識別する対象行動データを入力して、前記対象ユーザの睡眠の状態を識別する対象睡眠状態データであって、該対象ユーザの睡眠の性質を識別する対象性質データ、該対象ユーザの睡眠のリズムを識別する対象リズムデータ、該対象ユーザの睡眠時間を識別する対象時間データ、及び、該対象ユーザが属する睡眠カテゴリーを識別する対象カテゴリーデータ、のうちの少なくとも1つを含む対象睡眠状態データを、出力するように構成された推定モデル、を生成する生成段階と、を含む」ことができる。
第22の態様に係る方法は、上記第21の態様において「前記取得段階が、前記複数組の教師データに含まれる第1の複数組の教師データを取得する段階を含み、該第1の複数組の教師データに含まれる各組の教師データは、前記サンプル睡眠状態データとして、少なくとも、該組に対応する1人のサンプルユーザの睡眠の性質を識別するサンプル性質データと、該組に対応する1人のサンプルユーザの睡眠のリズムを識別するサンプルリズムデータと、を含み、さらに、前記生成段階が、取得された前記第1の複数組の教師データに含まれる各組の教師データについて、該組に対応する1人のサンプルユーザの睡眠の性質を識別するサンプル性質データと該組に対応する1人のサンプルユーザの睡眠のリズムを識別するサンプルリズムデータとに基づいて、該組に対応する1人のサンプルユーザが属する睡眠カテゴリーを識別するサンプル睡眠カテゴリーデータを生成する、という前処理を実行する段階と、各組の教師データが、該組に対応する1人のサンプルユーザの前記サンプル行動データと、該組に対応する1人のサンプルユーザの前記サンプル睡眠カテゴリーデータと、を含む、前記前処理後の前記第1の複数組の教師データを、前記学習モデルに入力して前記推定モデルを生成する段階と、を含む」ことができる。
第23の態様に係る方法は、上記第21の態様において「前記取得段階が、前記複数組の教師データに含まれる第2の複数組の教師データを取得する段階を含み、該第2の複数組の教師データに含まれる各組の教師データは、前記サンプル睡眠状態データとして、少なくとも、該組に対応する1人のサンプルユーザの睡眠の性質を識別するサンプル性質データと該組に対応する1人のサンプルユーザの睡眠のリズムを識別するサンプルリズムデータとに基づいて決定された、該組に対応する1人のサンプルユーザが属する睡眠カテゴリーを識別するサンプル睡眠カテゴリーデータ、を含み、前記第2の複数組の教師データを、前記学習モデルに入力して前記推定モデルを生成する段階と、を含む」ことができる。
第24の態様に係る方法にあっては、上記第23の態様において「前記組に対応する1人のサンプルユーザの睡眠の性質を識別するサンプル性質データは、アテネ不眠尺度、ピッツバーグ睡眠質問票、3次元型睡眠尺度、又は、不眠症重症度質問票に対する前記サンプルユーザによる回答内容に基づいて算出されたスコアを示し、前記組に対応する1人のサンプルユーザの睡眠のリズムを識別するサンプルリズムデータは、前記サンプルユーザの平日の睡眠時間帯の中央時間と休日の睡眠時間帯の中央時間帯との差の絶対値であるソーシャルジェットラグを示し、前記組に対応する1人のサンプルユーザが属する睡眠カテゴリーは、横軸及び縦軸のうちの一方の軸において前記スコアに対応付けて配置された少なくとも1つの閾値と、前記横軸及び前記縦軸のうちの他方の軸において前記ソーシャルジェットラグに対応付けて配置された少なくとも1つの閾値と、により分割される複数のカテゴリーのうちのいずれかであ」り得る。
第25の態様に係る方法は、上記第21の態様から上記第24の態様のいずれかにおいて「対象ユーザにより実行された行動の履歴を識別する対象行動データを前記推定モデルに入力することにより、該推定モデルから前記対象ユーザの睡眠の状態を識別する対象睡眠状態データを出力する推定段階、をさらに含む」ことができる。
第26の態様に係る方法にあっては、上記第21の態様から上記第25の態様のいずれかにおいて「前記少なくとも1つのプロセッサが、中央処理装置(CPU)、マイクロプロセッサ、及び/又は、グラフィックスプロセッシングユニット(GPU)を含」み得る。
第27の態様に係るコンピュータプログラムは、「少なくとも1つのプロセッサにより実行されることにより、対象ユーザにより実行された行動の履歴を識別する対象行動データを取得し、教師あり学習を実行することにより生成された推定モデルに前記対象行動データを入力することにより、前記対象ユーザの更年期症状の状態を識別する対象更年期状態データであって、該対象ユーザの更年期症状の総合的な状態を識別する対象総合状態データ、該対象ユーザの第1症状の状態を識別する対象第1状態データ、該対象ユーザの第2症状の状態を識別する対象第2状態データ、のうちの少なくとも1つを含む対象更年期状態データを、前記推定モデルから出力させる、ように前記少なくとも1つのプロセッサを機能させる」ことができる。
第28の態様に係るコンピュータプログラムは、上記第27の態様において「各組の教師データが、該組に対応する1人のサンプルユーザにより実行された行動の履歴を識別するサンプル行動データと、該組に対応する1人のサンプルユーザの更年期症状の状態を識別するサンプル更年期状態データと、を含む、複数組の教師データを、学習モデルに入力することにより生成された前記推定モデルを、取得する、ように前記少なくとも1つのプロセッサを機能させる」ことができる。
第29の態様に係るコンピュータプログラムは、上記第27の態様において「各組の教師データが、該組に対応する1人のサンプルユーザにより実行された行動の履歴を識別するサンプル行動データと、該組に対応する1人のサンプルユーザの更年期症状の状態を識別するサンプル更年期状態データと、を含む、複数組の教師データを、学習モデルに入力することにより生成された前記推定モデルに対して、通信回線を介して接続される、ように前記少なくとも1つのプロセッサを機能させる」ことができる。
第30の態様に係るコンピュータプログラムは、上記第27の態様において「各組の教師データが、該組に対応する1人のサンプルユーザにより実行された行動の履歴を識別するサンプル行動データと、該組に対応する1人のサンプルユーザの更年期症状の状態を識別するサンプル更年期状態データと、を含む、複数組の教師データを取得し、該複数組の教師データを学習モデルに入力して学習させることにより、前記推定モデルを生成する、ように前記少なくとも1つのプロセッサを機能させる」ことができる。
第31の態様に係るコンピュータプログラムは、上記第30の態様において「取得された前記複数組の教師データが第1の複数組の教師データを含み、該第1の複数組の教師データに含まれる各組の教師データが、前記サンプル更年期状態データとして、少なくとも、該組に対応する1人のサンプルユーザの更年期症状の総合的な状態を識別するサンプル総合状態データ、を含み、前記推定モデルから、前記対象更年期状態データとして、前記対象ユーザの更年期症状の総合的な状態を識別する対象総合状態データを、出力させる、
ように前記少なくとも1つのプロセッサを機能させる」ことができる。
第32の態様に係るコンピュータプログラムは、上記第31の態様において「前記第1の複数組の教師データに含まれる各組の教師データが、前記サンプル更年期状態データとして、少なくとも、該組に対応する1人のサンプルユーザの更年期症状の総合的な状態に対応するスコアを識別するサンプル総合状態データを含み、前記第1の複数組の教師データに含まれる各組の教師データについて、該組に対応する1人のサンプルユーザの更年期症状の総合的な状態に対応するスコアを識別するサンプル総合状態データを、該組に対応する1人のサンプルユーザの更年期症状の総合的な状態に対応するカテゴリーを識別するサンプル総合状態データに変換する、という前処理を実行し、前記前処理後の前記第1の複数組の教師データを、前記学習モデルに入力して前記推定モデルを生成し、該推定モデルから、前記対象更年期状態データとして、前記対象ユーザの更年期症状の総合的な状態に対応するカテゴリーを識別する対象総合状態データを、出力させる、ように前記少なくとも1つのプロセッサを機能させる」ことができる。
第33の態様に係るコンピュータプログラムにあっては、上記第32の態様において「前記組に対応する1人のサンプルユーザの更年期症状の総合的な状態に対応するスコアは、簡略更年期指数(SMI)、更年期障害評価尺度(Menopause Rating Scale)、クッパーマン更年期指数(Kupperman index)、更年期障害評価(Green Climacteric Scale)、PSST(Premenstrual Symptoms Screening Tool)、WHQ(Women’s Health Questionnaire)、VAS(Visual Analogue Scale)、HFRDI(Hot Flash Related Daily Interference Scale)、HFCS(Hot Flash Composite Score)、MENQOL(Menopause-Specific Quality Of Life)又は日本人女性の更年期症状評価表に対する前記サンプルユーザ回答内容に基づいて算出されたスコアであ」り得る。
第34の態様に係るコンピュータプログラムは、上記第30の態様において「取得された前記複数組の教師データが第2の複数組の教師データを含み、該第2の複数組の教師データに含まれる各組の教師データが、前記サンプル更年期状態データとして、少なくとも、該組に対応する1人のサンプルユーザの第1症状の状態を識別するサンプル第1状態データ、を含み、前記推定モデルから、前記対象更年期状態データとして、前記対象ユーザの第1症状の状態を識別する対象第1状態データを、出力させる、ように前記少なくとも1つのプロセッサを機能させる」ことができる。
第35の態様に係るコンピュータプログラムは、上記第34の態様において「前記第2の複数組の教師データに含まれる各組の教師データが、前記サンプル更年期状態データとして、少なくとも、該組に対応する1人のサンプルユーザの第1症状の状態に対応するスコアを識別するサンプル第1状態データを含み、前記第2の複数組の教師データに含まれる各組の教師データについて、該組に対応する1人のサンプルユーザの第1症状の状態に対応するスコアを識別するサンプル第1状態データを、該組に対応する1人のサンプルユーザの第1症状の状態に対応するカテゴリーを識別するサンプル第1状態データに変換する、という前処理を実行し、前記前処理後の前記第2の複数組の教師データを、前記学習モデルに入力して前記推定モデルを生成し、該推定モデルから、前記対象更年期状態データとして、前記対象ユーザの第1症状の状態に対応するカテゴリーを識別する対象第1状態データを、出力させる、ように前記少なくとも1つのプロセッサを機能させる」ことができる。
第36の態様に係るコンピュータプログラムは、上記第30の態様において「取得された前記複数組の教師データが第3の複数組の教師データを含み、該第3の複数組の教師データに含まれる各組の教師データが、前記サンプル更年期状態データとして、少なくとも、該組に対応する1人のサンプルユーザの第2症状の状態を識別するサンプル第2状態データ、を含み、前記推定モデルから、前記対象更年期状態データとして、前記対象ユーザの第2症状の状態を識別する対象第1状態データを、出力させる、ように前記少なくとも1つのプロセッサを機能させる」ことができる。
第37の態様に係るコンピュータプログラムは、上記第36の態様において「前記第3の複数組の教師データに含まれる各組の教師データが、前記サンプル更年期状態データとして、少なくとも、該組に対応する1人のサンプルユーザの第2症状の状態に対応するスコアを識別するサンプル第2状態データを含み、前記第3の複数組の教師データに含まれる各組の教師データについて、該組に対応する1人のサンプルユーザの第2症状の状態に対応するスコアを識別するサンプル第2状態データを、該組に対応する1人のサンプルユーザの第2症状の状態に対応するカテゴリーを識別するサンプル第2状態データに変換する、という前処理を実行し、前記前処理後の前記第3の複数組の教師データを、前記学習モデルに入力して前記推定モデルを生成し、該推定モデルから、前記対象更年期状態データとして、前記対象ユーザの第2症状の状態に対応するカテゴリーを識別する対象第2状態データを、出力させる、ように前記少なくとも1つのプロセッサを機能させる」ことができる。
第38の態様に係るコンピュータプログラムは、上記第27の態様から上記第37の態様のいずれかにおいて「複数の商品及び/又は複数のサービスのうち、前記対象更年期状態データに対応する少なくとも1つの対象商品及び/又は少なくとも1つの対象サービスを決定する、ように前記少なくとも1つのプロセッサを機能させる」ことができる。
第39の態様に係るコンピュータプログラムは、上記第38の態様において「教師あり学習を実行することにより生成された別の推定モデルに前記対象更年期状態データを入力することにより、該別の推定モデルから、前記少なくとも1つの対象商品及び/又は前記少なくとも1つの対象サービスを識別する提案データを出力させる、ように前記少なくとも1つのプロセッサを機能させる」ことができる。
第40の態様に係るコンピュータプログラムは、上記第38の態様において「対象更年期状態データと前記複数の商品及び/又は前記複数のサービスとを対応付けた検索テーブルに前記対象更年期状態データを入力することにより、該検索テーブルから前記少なくとも1つの対象商品及び/又は前記少なくとも1つの対象サービスを識別する提案データを取得する、ように前記少なくとも1つのプロセッサを機能させる」ことができる。
第41の態様に係るコンピュータプログラムにあっては、上記第27の態様から上記第40の態様のいずれかにおいて「前記少なくとも1つのプロセッサが、中央処理装置(CPU)、マイクロプロセッサ、及び/又は、グラフィックスプロセッシングユニット(GPU)を含」み得る。
第42の態様に係る情報処理装置は、「少なくとも1つのプロセッサを具備し、該少なくとも1つのプロセッサが、対象ユーザにより実行された行動の履歴を識別する対象行動データを取得し、教師あり学習を実行することにより生成された推定モデルに前記対象行動データを入力することにより、前記対象ユーザの更年期症状の状態を識別する対象更年期状態データであって、該対象ユーザの更年期症状の総合的な状態を識別する対象総合状態データ、該対象ユーザの第1症状の状態を識別する対象第1状態データ、及び、該対象ユーザの第2症状の状態を識別する対象第2状態データ、のうちの少なくとも1つを含む対象更年期状態データを、前記推定モデルから出力させる、ように構成され」得る。
第43の態様に係る情報処理装置は、上記第42の態様において「端末装置又はサーバ装置であ」り得る。
第44の態様に係る情報処理装置にあっては、上記第42の態様又は上記第43の態様において「前記少なくとも1つのプロセッサが、中央処理装置(CPU)、マイクロプロセッサ、及び/又は、グラフィックスプロセッシングユニット(GPU)を含」み得る。
第45の態様に係る方法は、「コンピュータにより読み取り可能な命令を実行する少なくとも1つのプロセッサにより実行される方法であって、該少なくとも1つのプロセッサが、前記命令を実行することにより、対象ユーザにより実行された行動の履歴を識別する対象行動データを取得する段階と、教師あり学習を実行することにより生成された推定モデルに前記対象行動データを入力することにより、前記対象ユーザの更年期症状の状態を識別する対象更年期状態データであって、該対象ユーザの更年期症状の総合的な状態を識別する対象総合状態データ、該対象ユーザの第1症状の状態を識別する対象第1状態データ、及び、該対象ユーザの第2症状の状態を識別する対象第2状態データ、のうちの少なくとも1つを含む対象更年期状態データを、前記推定モデルから出力させる段階と、を含む」ことができる。
第46の態様に係る方法にあっては、上記第45の態様において「前記少なくとも1つのプロセッサが、中央処理装置(CPU)、マイクロプロセッサ、及び/又は、グラフィックスプロセッシングユニット(GPU)を含」み得る。
第47の態様に係る方法は、「コンピュータにより読み取り可能な命令を実行する少なくとも1つのプロセッサにより実行される方法であって、該少なくとも1つのプロセッサが、前記命令を実行することにより、各組の教師データが、該組に対応する1人のサンプルユーザにより実行された行動の履歴を識別するサンプル行動データと、該組に対応する1人のサンプルユーザの更年期症状の状態を識別するサンプル更年期状態データと、を含む、複数組の教師データを取得する取得段階と、該複数組の教師データを学習モデルに入力して学習させることにより、対象ユーザにより実行された行動の履歴を識別する対象行動データを入力して、前記対象ユーザの更年期症状の状態を識別する対象更年期状態データであって、該対象ユーザの更年期症状の総合的な状態を識別する対象総合状態データ、該対象ユーザの第1症状の状態を識別する対象第1状態データ、及び、該対象ユーザの第2症状の状態を識別する対象第2状態データ、のうちの少なくとも1つを含む対象更年期状態データを、出力するように構成された推定モデル、を生成する生成段階と、を含む」ことができる。
第48の態様に係る方法は、上記第47の態様において「前記取得段階が、前記複数組の教師データに含まれる第1の複数組の教師データを取得する段階を含み、該第1の複数組の教師データに含まれる各組の教師データは、前記サンプル更年期状態データとして、少なくとも、該組に対応する1人のサンプルユーザの更年期症状の総合的な状態に対応するスコアを識別するサンプル総合状態データを含み、さらに、前記生成段階が、取得された前記第1の複数組の教師データに含まれる各組の教師データについて、該組に対応する1人のサンプルユーザの更年期症状の総合的な状態に対応するスコアを識別するサンプル総合状態データを、該組に対応する1人のサンプルユーザの更年期症状の総合的な状態に対応するカテゴリーを識別するサンプル総合状態データに変換する、という前処理を実行する段階と、各組の教師データが、該組に対応する1人のサンプルユーザの前記サンプル行動データと、該組に対応する1人のサンプルユーザの前記サンプル総合状態データと、を含む、前記前処理後の前記第1の複数組の教師データを、前記学習モデルに入力して前記推定モデルを生成する段階と、を含む」ことができる。
第49の態様に係る方法は、上記第47の態様において「前記取得段階が、前記複数組の教師データに含まれる第1の複数組の教師データを取得する段階を含み、該第2の複数組の教師データに含まれる各組の教師データは、前記サンプル更年期状態データとして、少なくとも、該組に対応する1人のサンプルユーザの第1症状の状態に対応するスコアを識別するサンプル第1状態データを含み、さらに、前記生成段階が、取得された前記第2の複数組の教師データに含まれる各組の教師データについて、該組に対応する1人のサンプルユーザの第1症状の状態に対応するスコアを識別するサンプル第1状態データを、該組に対応する1人のサンプルユーザの第1症状の状態に対応するカテゴリーを識別するサンプル第1状態データに変換する、という前処理を実行する段階と、各組の教師データが、該組に対応する1人のサンプルユーザの前記サンプル行動データと、該組に対応する1人のサンプルユーザの前記サンプル第1状態データと、を含む、前記前処理後の前記第2の複数組の教師データを、前記学習モデルに入力して前記推定モデルを生成する段階と、を含む」ことができる。
第50の態様に係る方法は、上記第47の態様において「前記取得段階が、前記複数組の教師データに含まれる第3の複数組の教師データを取得する段階を含み、該第3の複数組の教師データに含まれる各組の教師データは、前記サンプル更年期状態データとして、少なくとも、該組に対応する1人のサンプルユーザの第2症状の状態に対応するスコアを識別するサンプル第2状態データを含み、さらに、前記生成段階が、取得された前記第3の複数組の教師データに含まれる各組の教師データについて、該組に対応する1人のサンプルユーザの第2症状の状態に対応するスコアを識別するサンプル第2状態データを、該組に対応する1人のサンプルユーザの第2症状の状態に対応するカテゴリーを識別するサンプル第2状態データに変換する、という前処理を実行する段階と、各組の教師データが、該組に対応する1人のサンプルユーザの前記サンプル行動データと、該組に対応する1人のサンプルユーザの前記サンプル第2状態データと、を含む、前記前処理後の前記第3の複数組の教師データを、前記学習モデルに入力して前記推定モデルを生成する段階と、を含む」ことができる。
第51の態様に係る方法にあっては、上記第47の態様から上記第50の態様において「前記少なくとも1つのプロセッサが、中央処理装置(CPU)、マイクロプロセッサ、及び/又は、グラフィックスプロセッシングユニット(GPU)を含む」ことができる。
第1章において説明した技術と第2章において以下のとおり説明する技術とを組み合わせて利用することが可能である。
図15乃至図28は、実施形態を説明するための図である。以下、大きく、顧客の健康状態(健康症状ともいう。)を予測する健康予測システムと、当該健康予測システムで利用される、顧客の健康状態を予測するための予測モデルを生成する学習システムとに分けて、順次、概要や機能構成、処理の流れ等を説明する。
2.1 健康予測システムの処理の概要
まず、図15を参照しながら、実施形態にかかる健康予測システム1Zの大まかな処理の概要を説明する。図15は、実施形態に係る健康予測システム1Zを利用して、顧客の健康予測を行うためのデータの流れを模式的に示すものである。
以下、図16を参照しながら、統合健康予測プログラム100Zの機能構成を説明する。図16は、統合健康予測プログラム100Zの機能構成を示す図である。統合健康予測プログラム100Zは、入力部120Z、商品カテゴリー決定部125Z、予測モデル110Z、出力部130Z、提案部135Zを含む。なお、統合健康予測プログラム100Zは、単一のプログラムとして実装されてもよいし、データの入出力により連携して動作可能な複数のプログラムとして実装されてもよい。
以下、図18乃至図20を参照しながら、統合健康予測プログラム100Zが顧客に対して行う各種提案について説明する。
以下、図21を参照しながら、統合健康予測プログラム100Zの処理の流れを説明する。図21は、統合健康予測プログラム100Zによって実行される、顧客の健康予測処理の手順を示すフローチャートである。
図22を参照しながら、統合健康予測プログラム100Zが実行される情報処理装置800Zのハードウェア構成の具体例を説明する。図22は、統合健康予測プログラム100Zが実行される情報処理装置800Zのハードウェア構成図である。情報処理装置800Zは、統合健康予測プログラム100Zを利用して、顧客の更年期症状や睡眠状態等に関する予測結果を算出する。情報処理装置800Zは、一般に入手可能なコンピュータシステム、例えばデスクトップ型PC(Personal Computer)、ノート型PC、タブレットPC、サーバコンピュータ等でありうる。当該コンピュータシステムは、健康予測システム1Zを運用する事業者の事業所に設置されてもよいし、クラウドサービスとして提供されてもよい。後者の場合、事業所にはクラウドサービスと相互に通信可能なPC等が設けられればよい。
3.1 概要
続いて、統合健康予測プログラム100Zに含まれる予測モデル110Zを機械学習により生成する方法を、図23を参照しながら説明する。ここでは、モデル学習プログラム900Zが予測モデル110Zを生成するものとして説明する。なお、モデル学習プログラム900Zは、単一のプログラムとして実装されてもよいし、データの入出力により連携して動作可能な複数のプログラムとして実装されてもよい。
モデル学習プログラム900Zは、多数の被験者から収集された種々のデータを含む教師データ950Zを利用して機械学習を行い、予測モデル110Zを構築する。教師データ950Zは、被験者の各々の購買行動に関する購買データ952Zと、それらの被験者の健康に関するデータである健康データ954Zとを含む。
更年期症状の度合いを示す指標としては、例えば、上述のとおり、簡略更年期指数SMIを用いることができる。簡略更年期指数SMIは、列挙された種々の症状の程度に応じた該当項目を各被験者に事前にしておいてもらい、その結果を点数化することにより取得される。簡略更年期指数SMIは日本人の更年期女性特有の症状を反映した指標であるとされている。そのため、国や地域等に応じて、更年期症状に関する他の指標、例えば、更年期障害評価尺度(the Menopause Rating Scale)、クッパーマン更年期指数(The Kupperman index)、更年期障害評価尺度(Green Climacteric Scale)、PSST(The premenstrual symptomsscreening tool)、MRS(Menopause rating Scale)、WHQ(The Women’s Health Questionnaire)、VAS(Visual analogue scale)、HFRDI(Hot Flash Related Daily Interference Scale)、HFCS(Hot Flash Composite Score)、及びMENQOL(Menopause-Specific Quality of life)、日本人女性の更年期症状評価表のいずれか1つ以上を適宜利用することも考えられる。
睡眠を示す指標としては、睡眠状態の悪化及び/又は睡眠リズム、不適切な睡眠時間のいずれかを示す指標であることが考えられる。アンケート等によって取得された各対照の自覚症状であってもよいし、各対照を測定した結果認められる測定値であってもよい。睡眠状態には、アテネ睡眠評価尺度(AIS)、ピッツバーグ睡眠質問票(Pittsburgh Sleep Quality Index:PSQI)、3次元型睡眠尺度(3 Dimentional Sleep Scale:3DSS)、不眠症重症度質問票(Insomnia Severity Index:ISI)の少なくともいずれかを用いることができる。症状の程度は、それぞれの項目の単体及び複合的に解析され、生活者の健康状態をカテゴリーに割り付け分類される。睡眠リズムはミュンヘンクロノタイプ質問票(Munich ChronoType Questionnaire:μMCTQ)を用い、平日と休日のそれぞれの睡眠中央時間を求め、その差からソーシャルジェットラグ(Social Jet Lag:SJL)を算出することで把握することができる。
運動状態を示す指標としては、運動不足、肥満、一定期間における体重の変化から選択される1つ以上程度を含み得る。より具体的には、各被験者の体重、BMI(Body Mass Index)、歩数及び/又はメタボリックシンドローム診断基準値のいずれか1つ以上を用いることが考えられる。メタボリックシンドローム診断基準値は、ウエスト周囲径、高グリセリド血症及び/又は低HDLコレステロール血症の診断のために定められた閾値、血圧の最大値及び/又は最小値、及び、空腹時高血糖の診断のために定められた閾値のいずれか1以上である。
水分状態を示す指標としては、血清Na値、BUN/クレアチニン比、及び、或いは尿浸透圧、尿比重、尿カラー、脱水評価スケール、水分不足に伴う自覚症状であることが考えられる。これら情報は、先の更年期症状の例と同様の方法によって取得され得る。例えば複数の対照の各々が一定期間、例えば一年間、経験した体の変化を健康診断や人間ドックで得られる臨床検査値や別に実施される健康アンケートによって得られる。一方、水分低下に伴う自覚症状は、アンケート等によって取得され得る。症状の程度は、血清Na値、尿浸透圧、尿比重、BUN/クレアチニン比、飲水量、身体活動量、尿カラーの少なくとも1つ以上から把握され得る。
免疫状態を示す指標としては、例えば、風邪の引きやすさ及び/又はその頻度、風邪様症状を用いることが可能である。この風邪の引きやすさや頻度は、アンケート等によって取得された各対照の自覚症状であってもよいし、医療機関の受診履歴から取得されてもよい。症状の程度は3段階以上のカテゴリーで集計され、症状の程度は、風邪の引きやすさ、SIgA濃度、アレルギー症状、口腔環境・免疫力の状態、運動の状態、ストレスの状態、重度の睡眠症状、中程度の睡眠症状、軽度の睡眠症状、風邪様症状であり得る。
栄養状態を表す指標は、アンケート等によって取得された各対照の自覚症状であってもよいし、各対照を測定した結果認められる測定値であってもよい。症状の程度は、栄養低下に伴う自覚症状の有無、食品摂取の多様性得点(DVS)、食欲尺度短縮版(SNAQ:Simplified nutritional appetite questionnaire)、BMI(Body Mass Index)の少なくともいずれかであり得る。
本実施形態にかかるモデル学習プログラム900Zは、機械学習の手法として、ロジスティック回帰を用いる。しかしながら、ロジスティック回帰は一例であり、他の手法、例えば、例えばランダムフォレスト、決定木、勾配ブースティング、サポートベクトル回帰、線形回帰、部分的最小二乗(Partial Least Squares:PLS)回帰、ガウス過程回帰、ニューラルネットワーク等を採用することも考えられる。また、ロジスティック回帰を用いる際にも、L1正規化法を用いることにより精度をより向上させてもよいし、L1正規化法に代えてL2正規化法を用いたロジスティック回帰(リッジ回帰)を採用してもよい。L1正規化法及びL2正規化法を両方採用したエラスティックネットを利用することもできる。
教師データ950Zに含まれる購買データ952Zにおける、各商品やサービスカテゴリーに関する購入金額、購入数量、購入回数などの数値データが、上述した式(1)の等における説明変数xに対応する。
以下、図23を参照しながら、モデル学習プログラム900Zの機能構成を説明する。図23は、モデル学習プログラム900Zの機能構成を示す図である。モデル学習プログラム900Zは、入力部910Z、商品カテゴリー決定部912Z、学習部914Z、及び出力部916Zを有する。なお、モデル学習プログラム900Zは、単一のプログラムとして実現されてもよいし、協働する複数のプログラムとして実現されてもよい。
以下、図27を参照しながら、モデル学習プログラム900Zの処理の流れを説明する。図27は、モデル学習プログラム900Zによって実行される、予測モデル110Z作成にかかる手順を示すフローチャートである。
図28を参照しながら、モデル学習プログラム900Zが実行される情報処理装置1400Zのハードウェア構成の具体例を説明する。図28は、モデル学習プログラム900Zが実行される情報処理装置1400Zのハードウェア構成図である。情報処理装置1400Zは、モデル学習プログラム900Zを利用して、顧客の更年期症状や睡眠状態等に関する予測を行う予測モデル110Zを生成する。
本実施形態にかかる健康予測システム1Zでは、統合健康予測プログラム100Zにおいて、顧客の購買データ150Zから、その顧客の複数の健康リスクを予測することが可能である。そして、個々の予測結果を踏まえて、顧客ごとにきめ細かく、現在又は将来の健康状態を改善し、及び/又は維持するための提案を行うことができる。
なお、上述の実施形態の構成は、組み合わせたり或いは一部の構成部分を入れ替えたりしてもよい。また、本発明の構成は上述の実施形態のみに限定されるものではなく、本発明の要旨を逸脱しない範囲内において種々変更を加えてもよい。
2 通信網(通信回線)
10、10A、10B サーバ装置
20、20A、20B 端末装置
11、21 中央処理装置(CPU)
Claims (34)
- 少なくとも1つのプロセッサにより実行されることにより、
対象ユーザにより実行された行動の履歴を識別する対象行動データを取得し、
教師データを用いた教師あり学習を実行することにより生成された推定モデルに前記対象行動データを入力することにより、前記対象ユーザの睡眠の状態を識別する対象睡眠状態データであって、該対象ユーザの睡眠の性質を識別する対象性質データ、該対象ユーザの睡眠のリズムを識別する対象リズムデータ、該対象ユーザの睡眠時間を識別する対象時間データ、及び、該対象ユーザが属する睡眠カテゴリーを識別する対象カテゴリーデータ、のうちの少なくとも1つを含む対象睡眠状態データを、前記推定モデルから出力させる、
ように前記少なくとも1つのプロセッサを機能させ、
前記教師データが、前記対象ユーザとは異なるユーザにより実行された行動の履歴を識別するデータを含む、ことを特徴とするコンピュータプログラム。 - 少なくとも1つのプロセッサにより実行されることにより、
対象ユーザにより実行された行動の履歴を識別する対象行動データを取得し、
教師データを用いた教師あり学習を実行することにより生成された推定モデルに前記対象行動データを入力することにより、前記対象ユーザの睡眠の状態を識別する対象睡眠状態データであって、該対象ユーザの睡眠の性質を識別する対象性質データ、該対象ユーザの睡眠のリズムを識別する対象リズムデータ、該対象ユーザの睡眠時間を識別する対象時間データ、及び、該対象ユーザが属する睡眠カテゴリーを識別する対象カテゴリーデータ、のうちの少なくとも1つを含む対象睡眠状態データを、前記推定モデルから出力させる、
ように前記少なくとも1つのプロセッサを機能させ、
前記教師データが、複数のユーザにより実行された行動の履歴を識別するデータを含む、ことを特徴とするコンピュータプログラム。 - 少なくとも1つのプロセッサにより実行されることにより、
対象ユーザにより実行された行動の履歴を識別する対象行動データを取得し、
教師あり学習を実行することにより生成された推定モデルに前記対象行動データを入力することにより、前記対象ユーザの睡眠の状態を識別する対象睡眠状態データであって、該対象ユーザの睡眠の性質を識別する対象性質データ、該対象ユーザの睡眠のリズムを識別する対象リズムデータ、該対象ユーザの睡眠時間を識別する対象時間データ、及び、該対象ユーザが属する睡眠カテゴリーを識別する対象カテゴリーデータ、のうちの少なくとも1つを含む対象睡眠状態データを、前記推定モデルから出力させる、
ように前記少なくとも1つのプロセッサを機能させ、
前記対象ユーザにより実行された行動は、該対象ユーザが商品を購入したことを含む、ことを特徴とするコンピュータプログラム。 - 各組の教師データが、該組に対応する1人のサンプルユーザにより実行された行動の履歴を識別するサンプル行動データと、該組に対応する1人のサンプルユーザの睡眠の状態を識別するサンプル睡眠状態データと、を含む、複数組の教師データを、学習モデルに入力することにより生成された前記推定モデルを、取得する、
ように前記少なくとも1つのプロセッサを機能させる、請求項1から請求項3のいずれかに記載のコンピュータプログラム。 - 各組の教師データが、該組に対応する1人のサンプルユーザにより実行された行動の履歴を識別するサンプル行動データと、該組に対応する1人のサンプルユーザの睡眠の状態を識別するサンプル睡眠状態データと、を含む、複数組の教師データを、学習モデルに入力することにより生成された前記推定モデルに対して、通信回線を介して接続される、
ように前記少なくとも1つのプロセッサを機能させる、請求項1から請求項3のいずれかに記載のコンピュータプログラム。 - 各組の教師データが、該組に対応する1人のサンプルユーザにより実行された行動の履歴を識別するサンプル行動データと、該組に対応する1人のサンプルユーザの睡眠の状態を識別するサンプル睡眠状態データと、を含む、複数組の教師データを取得し、
該複数組の教師データを学習モデルに入力して学習させることにより、前記推定モデルを生成する、
ように前記少なくとも1つのプロセッサを機能させる、請求項1から請求項3のいずれかに記載のコンピュータプログラム。 - 取得された前記複数組の教師データが第1の複数組の教師データを含み、
該第1の複数組の教師データに含まれる各組の教師データが、
前記サンプル睡眠状態データとして、少なくとも、
該組に対応する1人のサンプルユーザの睡眠の性質を識別するサンプル性質データと、該組に対応する1人のサンプルユーザの睡眠のリズムを識別するサンプルリズムデータと、を含み、
取得された前記第1の複数組の教師データに含まれる各組の教師データについて、
該組に対応する1人のサンプルユーザの睡眠の性質を識別するサンプル性質データと該組に対応する1人のサンプルユーザの睡眠のリズムを識別するサンプルリズムデータとに基づいて、該組に対応する1人のサンプルユーザが属する睡眠カテゴリーを識別するサンプル睡眠カテゴリーデータを生成する、という前処理を実行し、
各組の教師データが、該組に対応する1人のサンプルユーザの前記サンプル行動データと、該組に対応する1人のサンプルユーザの前記サンプル睡眠カテゴリーデータと、を含む、前記前処理後の前記第1の複数組の教師データを、前記学習モデルに入力して前記推定モデルを生成し、
該推定モデルから、前記対象睡眠状態データとして、前記対象ユーザが属する睡眠カテゴリーを識別する対象睡眠カテゴリーデータを、出力させる、
ように前記少なくとも1つのプロセッサを機能させる、請求項6に記載のコンピュータプログラム。 - 前記複数組の教師データが第2の複数組の教師データを含み、
該第2の複数組の教師データに含まれる各組の教師データが、
前記サンプル睡眠状態データとして、少なくとも、
該組に対応する1人のサンプルユーザの睡眠の性質を識別するサンプル性質データと該組に対応する1人のサンプルユーザの睡眠のリズムを識別するサンプルリズムデータとに基づいて決定された、該組に対応する1人のサンプルユーザが属する睡眠カテゴリーを識別するサンプル睡眠カテゴリーデータ、を含み、
該推定モデルから、前記対象睡眠状態データとして、前記対象ユーザが属する睡眠カテゴリーを識別する対象睡眠カテゴリーデータを、出力させる、
ように前記少なくとも1つのプロセッサを機能させる、請求項4から請求項6のいずれかに記載のコンピュータプログラム。 - 前記組に対応する1人のサンプルユーザの睡眠の性質を識別するサンプル性質データは、アテネ不眠尺度、ピッツバーグ睡眠質問票、3次元型睡眠尺度、又は、不眠症重症度質問票に対する前記サンプルユーザによる回答内容に基づいて算出されたスコアを示し、
前記組に対応する1人のサンプルユーザの睡眠のリズムを識別するサンプルリズムデータは、前記サンプルユーザの平日の睡眠時間帯の中央時間と休日の睡眠時間帯の中央時間帯との差の絶対値であるソーシャルジェットラグを示し、
前記組に対応する1人のサンプルユーザが属する睡眠カテゴリーは、
横軸及び縦軸のうちの一方の軸において前記スコアに対応付けて配置された少なくとも1つの閾値と、前記横軸及び前記縦軸のうちの他方の軸において前記ソーシャルジェットラグに対応付けて配置された少なくとも1つの閾値と、により分割される複数のカテゴリーのうちのいずれかである、請求項7又は請求項8に記載のコンピュータプログラム。 - 前記複数組の教師データが第3の複数組の教師データを含み、
該第3の複数組の教師データに含まれる各組の教師データが、
前記サンプル睡眠状態データとして、少なくとも、
該組に対応する1人のサンプルユーザの睡眠の性質を識別するサンプル性質データと、該組に対応する1人のサンプルユーザの睡眠のリズムを識別するサンプルリズムデータと、を含み、
前記推定モデルから、前記対象睡眠状態データとして、前記対象ユーザの睡眠の性質を識別する対象性質データと、該対象ユーザの睡眠のリズムを識別する対象リズムデータとを、出力させる、
ように前記少なくとも1つのプロセッサを機能させる、請求項4から請求項6のいずれかに記載のコンピュータプログラム。 - 前記複数組の教師データが第4の複数組の教師データを含み、
該第4の複数組の教師データに含まれる各組の教師データが、
前記サンプル睡眠状態データとして、少なくとも、
該組に対応する1人のサンプルユーザの睡眠の性質を識別するサンプル性質データを含み、
前記推定モデルから、前記対象睡眠状態データとして、前記対象ユーザの睡眠の性質を識別する対象性質データを、出力させる、
ように前記少なくとも1つのプロセッサを機能させる、請求項4から請求項6のいずれかに記載のコンピュータプログラム。 - 前記複数組の教師データが第5の複数組の教師データを含み、
該第5の複数組の教師データに含まれる各組の教師データが、
前記サンプル睡眠状態データとして、少なくとも、
該組に対応する1人のサンプルユーザの睡眠のリズムを識別するサンプルリズムデータを含み、
前記推定モデルから、前記対象睡眠状態データとして、前記対象ユーザの睡眠のリズムを識別する対象リズムデータを、出力させる、
ように前記少なくとも1つのプロセッサを機能させる、請求項4から請求項6のいずれかに記載のコンピュータプログラム。 - 前記複数組の教師データが第6の複数組の教師データを含み、
該第6の複数組の教師データに含まれる各組の教師データが、
前記サンプル睡眠状態データとして、少なくとも、
該組に対応する1人のサンプルユーザの睡眠時間を識別するサンプル時間データを含み、
前記推定モデルから、前記対象睡眠状態データとして、前記対象ユーザの睡眠時間を識別する対象時間データを、出力させる、
ように前記少なくとも1つのプロセッサを機能させる、請求項4から請求項6のいずれかに記載のコンピュータプログラム。 - 複数の商品及び/又は複数のサービスのうち、前記対象睡眠状態データに対応する少なくとも1つの対象商品及び/又は少なくとも1つの対象サービスを決定する、
ように前記少なくとも1つのプロセッサを機能させる、請求項1から請求項13のいずれかに記載のコンピュータプログラム。 - 教師あり学習を実行することにより生成された別の推定モデルに前記対象睡眠状態データを入力することにより、該別の推定モデルから、前記少なくとも1つの対象商品及び/又は前記少なくとも1つの対象サービスを識別する提案データを出力させる、
ように前記少なくとも1つのプロセッサを機能させる、請求項14に記載のコンピュータプログラム。 - 対象睡眠状態データと前記複数の商品及び/又は前記複数のサービスとを対応付けた検索テーブルに前記対象睡眠状態データを入力することにより、該検索テーブルから前記少なくとも1つの対象商品及び/又は前記少なくとも1つの対象サービスを識別する提案データを取得する、
ように前記少なくとも1つのプロセッサを機能させる、請求項14に記載のコンピュータプログラム。 - 前記少なくとも1つのプロセッサが、中央処理装置(CPU)、マイクロプロセッサ、及び/又は、グラフィックスプロセッシングユニット(GPU)を含む、請求項1から請求項16のいずれかに記載のコンピュータプログラム。
- 少なくとも1つのプロセッサを具備し、
該少なくとも1つのプロセッサが、
対象ユーザにより実行された行動の履歴を識別する対象行動データを取得し、
教師データを用いた教師あり学習を実行することにより生成された推定モデルに前記対象行動データを入力することにより、前記対象ユーザの睡眠の状態を識別する対象睡眠状態データであって、該対象ユーザの睡眠の性質を識別する対象性質データ、該対象ユーザの睡眠のリズムを識別する対象リズムデータ、該対象ユーザの睡眠時間を識別する対象時間データ、及び、該対象ユーザが属する睡眠カテゴリーを識別する対象カテゴリーデータ、のうちの少なくとも1つを含む対象睡眠状態データを、前記推定モデルから出力させる、
ように構成され、
前記教師データが、前記対象ユーザとは異なるユーザにより実行された行動の履歴を識別するデータを含む、ことを特徴とする情報処理装置。 - 少なくとも1つのプロセッサを具備し、
該少なくとも1つのプロセッサが、
対象ユーザにより実行された行動の履歴を識別する対象行動データを取得し、
教師データを用いた教師あり学習を実行することにより生成された推定モデルに前記対象行動データを入力することにより、前記対象ユーザの睡眠の状態を識別する対象睡眠状態データであって、該対象ユーザの睡眠の性質を識別する対象性質データ、該対象ユーザの睡眠のリズムを識別する対象リズムデータ、該対象ユーザの睡眠時間を識別する対象時間データ、及び、該対象ユーザが属する睡眠カテゴリーを識別する対象カテゴリーデータ、のうちの少なくとも1つを含む対象睡眠状態データを、前記推定モデルから出力させる、
ように構成され、前記教師データが、複数のユーザにより実行された行動の履歴を識別するデータを含む、ことを特徴とする情報処理装置。 - 少なくとも1つのプロセッサを具備し、
該少なくとも1つのプロセッサが、
対象ユーザにより実行された行動の履歴を識別する対象行動データを取得し、
教師あり学習を実行することにより生成された推定モデルに前記対象行動データを入力することにより、前記対象ユーザの睡眠の状態を識別する対象睡眠状態データであって、該対象ユーザの睡眠の性質を識別する対象性質データ、該対象ユーザの睡眠のリズムを識別する対象リズムデータ、該対象ユーザの睡眠時間を識別する対象時間データ、及び、該対象ユーザが属する睡眠カテゴリーを識別する対象カテゴリーデータ、のうちの少なくとも1つを含む対象睡眠状態データを、前記推定モデルから出力させる、
ように構成され、
前記対象ユーザにより実行された行動は、該対象ユーザが商品を購入したことを含む、ことを特徴とする情報処理装置。 - 端末装置又はサーバ装置である、請求項18から請求項20のいずれかに記載の情報処理装置。
- 前記少なくとも1つのプロセッサが、中央処理装置(CPU)、マイクロプロセッサ、及び/又は、グラフィックスプロセッシングユニット(GPU)を含む、請求項18から請求項21のいずれかに記載の情報処理装置。
- コンピュータにより読み取り可能な命令を実行する少なくとも1つのプロセッサにより実行される方法であって、
該少なくとも1つのプロセッサが、前記命令を実行することにより、
対象ユーザにより実行された行動の履歴を識別する対象行動データを取得する段階と、
教師データを用いた教師あり学習を実行することにより生成された推定モデルに前記対象行動データを入力することにより、前記対象ユーザの睡眠の状態を識別する対象睡眠状態データであって、該対象ユーザの睡眠の性質を識別する対象性質データ、該対象ユーザの睡眠のリズムを識別する対象リズムデータ、該対象ユーザの睡眠時間を識別する対象時間データ、及び、該対象ユーザが属する睡眠カテゴリーを識別する対象カテゴリーデータ、のうちの少なくとも1つを含む対象睡眠状態データを、前記推定モデルから出力させる段階と、
を含み、
前記教師データが、前記対象ユーザとは異なるユーザにより実行された行動の履歴を識別するデータを含む、ことを特徴とする方法。 - コンピュータにより読み取り可能な命令を実行する少なくとも1つのプロセッサにより実行される方法であって、
該少なくとも1つのプロセッサが、前記命令を実行することにより、
対象ユーザにより実行された行動の履歴を識別する対象行動データを取得する段階と、
教師データを用いた教師あり学習を実行することにより生成された推定モデルに前記対象行動データを入力することにより、前記対象ユーザの睡眠の状態を識別する対象睡眠状態データであって、該対象ユーザの睡眠の性質を識別する対象性質データ、該対象ユーザの睡眠のリズムを識別する対象リズムデータ、該対象ユーザの睡眠時間を識別する対象時間データ、及び、該対象ユーザが属する睡眠カテゴリーを識別する対象カテゴリーデータ、のうちの少なくとも1つを含む対象睡眠状態データを、前記推定モデルから出力させる段階と、
を含み、
前記教師データが、複数のユーザにより実行された行動の履歴を識別するデータを含む、ことを特徴とする方法。 - コンピュータにより読み取り可能な命令を実行する少なくとも1つのプロセッサにより実行される方法であって、
該少なくとも1つのプロセッサが、前記命令を実行することにより、
対象ユーザにより実行された行動の履歴を識別する対象行動データを取得する段階と、
教師あり学習を実行することにより生成された推定モデルに前記対象行動データを入力することにより、前記対象ユーザの睡眠の状態を識別する対象睡眠状態データであって、該対象ユーザの睡眠の性質を識別する対象性質データ、該対象ユーザの睡眠のリズムを識別する対象リズムデータ、該対象ユーザの睡眠時間を識別する対象時間データ、及び、該対象ユーザが属する睡眠カテゴリーを識別する対象カテゴリーデータ、のうちの少なくとも1つを含む対象睡眠状態データを、前記推定モデルから出力させる段階と、
を含み、
前記対象ユーザにより実行された行動は、該対象ユーザが商品を購入したことを含む、ことを特徴とする方法。 - 前記少なくとも1つのプロセッサが、中央処理装置(CPU)、マイクロプロセッサ、及び/又は、グラフィックスプロセッシングユニット(GPU)を含む、請求項23から請求項25のいずれかに記載の方法。
- コンピュータにより読み取り可能な命令を実行する少なくとも1つのプロセッサにより実行される方法であって、
該少なくとも1つのプロセッサが、前記命令を実行することにより、
各組の教師データが、該組に対応する1人のサンプルユーザにより実行された行動の履歴を識別するサンプル行動データと、該組に対応する1人のサンプルユーザの睡眠の状態を識別するサンプル睡眠状態データと、を含む、複数組の教師データを取得する取得段階と、
該複数組の教師データを学習モデルに入力して学習させることにより、
対象ユーザにより実行された行動の履歴を識別する対象行動データを入力して、前記対象ユーザの睡眠の状態を識別する対象睡眠状態データであって、該対象ユーザの睡眠の性質を識別する対象性質データ、該対象ユーザの睡眠のリズムを識別する対象リズムデータ、該対象ユーザの睡眠時間を識別する対象時間データ、及び、該対象ユーザが属する睡眠カテゴリーを識別する対象カテゴリーデータ、のうちの少なくとも1つを含む対象睡眠状態データを、出力するように構成された推定モデル、
を生成する生成段階と、
を含み、
前記複数組の教師データに含まれる或る組の教師データが、該或る組に対応する1人のサンプルユーザであって前記対象ユーザとは異なるユーザにより実行された行動の履歴を識別するサンプル行動データと、該或る組に対応する1人のサンプルユーザであって前記対象ユーザとは異なるユーザの睡眠の状態を識別するサンプル睡眠状態データと、を含む、ことを特徴とする方法。 - コンピュータにより読み取り可能な命令を実行する少なくとも1つのプロセッサにより実行される方法であって、
該少なくとも1つのプロセッサが、前記命令を実行することにより、
各組の教師データが、該組に対応する1人のサンプルユーザにより実行された行動の履歴を識別するサンプル行動データと、該組に対応する1人のサンプルユーザの睡眠の状態を識別するサンプル睡眠状態データと、を含む、複数組の教師データを取得する取得段階と、
該複数組の教師データを学習モデルに入力して学習させることにより、
対象ユーザにより実行された行動の履歴を識別する対象行動データを入力して、前記対象ユーザの睡眠の状態を識別する対象睡眠状態データであって、該対象ユーザの睡眠の性質を識別する対象性質データ、該対象ユーザの睡眠のリズムを識別する対象リズムデータ、該対象ユーザの睡眠時間を識別する対象時間データ、及び、該対象ユーザが属する睡眠カテゴリーを識別する対象カテゴリーデータ、のうちの少なくとも1つを含む対象睡眠状態データを、出力するように構成された推定モデル、
を生成する生成段階と、
を含み、
前記複数組の教師データが、
或る組に対応する第1サンプルユーザにより実行された行動の履歴を識別するサンプル行動データと、該或る組に対応する第1サンプルユーザの睡眠の状態を識別するサンプル睡眠状態データと、
別の組に対応する第2サンプルユーザにより実行された行動の履歴を識別するサンプル行動データと、該別の組に対応する第2サンプルユーザの睡眠の状態を識別するサンプル睡眠状態データと、
を含む、ことを特徴とする方法。 - コンピュータにより読み取り可能な命令を実行する少なくとも1つのプロセッサにより実行される方法であって、
該少なくとも1つのプロセッサが、前記命令を実行することにより、
各組の教師データが、該組に対応する1人のサンプルユーザにより実行された行動の履歴を識別するサンプル行動データと、該組に対応する1人のサンプルユーザの睡眠の状態を識別するサンプル睡眠状態データと、を含む、複数組の教師データを取得する取得段階と、
該複数組の教師データを学習モデルに入力して学習させることにより、
対象ユーザにより実行された行動の履歴を識別する対象行動データを入力して、前記対象ユーザの睡眠の状態を識別する対象睡眠状態データであって、該対象ユーザの睡眠の性質を識別する対象性質データ、該対象ユーザの睡眠のリズムを識別する対象リズムデータ、該対象ユーザの睡眠時間を識別する対象時間データ、及び、該対象ユーザが属する睡眠カテゴリーを識別する対象カテゴリーデータ、のうちの少なくとも1つを含む対象睡眠状態データを、出力するように構成された推定モデル、
を生成する生成段階と、
を含み、
前記対象ユーザにより実行された行動は、該対象ユーザが商品を購入したことを含む、ことを特徴とする方法。 - 前記取得段階が、前記複数組の教師データに含まれる第1の複数組の教師データを取得する段階を含み、
該第1の複数組の教師データに含まれる各組の教師データは、
前記サンプル睡眠状態データとして、少なくとも、
該組に対応する1人のサンプルユーザの睡眠の性質を識別するサンプル性質データと、該組に対応する1人のサンプルユーザの睡眠のリズムを識別するサンプルリズムデータと、を含み、
さらに、
前記生成段階が、
取得された前記第1の複数組の教師データに含まれる各組の教師データについて、
該組に対応する1人のサンプルユーザの睡眠の性質を識別するサンプル性質データと該組に対応する1人のサンプルユーザの睡眠のリズムを識別するサンプルリズムデータとに基づいて、該組に対応する1人のサンプルユーザが属する睡眠カテゴリーを識別するサンプル睡眠カテゴリーデータを生成する、という前処理を実行する段階と、
各組の教師データが、該組に対応する1人のサンプルユーザの前記サンプル行動データと、該組に対応する1人のサンプルユーザの前記サンプル睡眠カテゴリーデータと、を含む、前記前処理後の前記第1の複数組の教師データを、前記学習モデルに入力して前記推定モデルを生成する段階と、
を含む、請求項27から請求項29のいずれかに記載の方法。 - 前記取得段階が、前記複数組の教師データに含まれる第2の複数組の教師データを取得する段階を含み、
該第2の複数組の教師データに含まれる各組の教師データは、
前記サンプル睡眠状態データとして、少なくとも、
該組に対応する1人のサンプルユーザの睡眠の性質を識別するサンプル性質データと該組に対応する1人のサンプルユーザの睡眠のリズムを識別するサンプルリズムデータとに基づいて決定された、該組に対応する1人のサンプルユーザが属する睡眠カテゴリーを識別するサンプル睡眠カテゴリーデータ、を含み、
前記第2の複数組の教師データを、前記学習モデルに入力して前記推定モデルを生成する段階と、
を含む、請求項27から請求項29のいずれかに記載の方法。 - 前記組に対応する1人のサンプルユーザの睡眠の性質を識別するサンプル性質データは、アテネ不眠尺度、ピッツバーグ睡眠質問票、3次元型睡眠尺度、又は、不眠症重症度質問票に対する前記サンプルユーザによる回答内容に基づいて算出されたスコアを示し、
前記組に対応する1人のサンプルユーザの睡眠のリズムを識別するサンプルリズムデータは、前記サンプルユーザの平日の睡眠時間帯の中央時間と休日の睡眠時間帯の中央時間帯との差の絶対値であるソーシャルジェットラグを示し、
前記組に対応する1人のサンプルユーザが属する睡眠カテゴリーは、
横軸及び縦軸のうちの一方の軸において前記スコアに対応付けて配置された少なくとも1つの閾値と、前記横軸及び前記縦軸のうちの他方の軸において前記ソーシャルジェットラグに対応付けて配置された少なくとも1つの閾値と、により分割される複数のカテゴリーのうちのいずれかである、請求項30又は請求項31に記載の方法。 - 対象ユーザにより実行された行動の履歴を識別する対象行動データを前記推定モデルに入力することにより、該推定モデルから前記対象ユーザの睡眠の状態を識別する対象睡眠状態データを出力する推定段階、
をさらに含む、請求項27から請求項32のいずれかに記載の方法。 - 前記少なくとも1つのプロセッサが、中央処理装置(CPU)、マイクロプロセッサ、及び/又は、グラフィックスプロセッシングユニット(GPU)を含む、請求項27から請求項33のいずれかに記載の方法。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022046894A JP7165834B1 (ja) | 2022-03-23 | 2022-03-23 | コンピュータプログラム、情報処理装置及び方法 |
JP2022169926A JP7259126B1 (ja) | 2022-03-23 | 2022-10-24 | コンピュータプログラム、情報処理装置及び方法 |
PCT/JP2023/010383 WO2023182162A1 (ja) | 2022-03-23 | 2023-03-16 | コンピュータプログラム、情報処理装置及び方法 |
TW112110641A TW202347189A (zh) | 2022-03-23 | 2023-03-22 | 電腦程式、資訊處理裝置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022046894A JP7165834B1 (ja) | 2022-03-23 | 2022-03-23 | コンピュータプログラム、情報処理装置及び方法 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022169926A Division JP7259126B1 (ja) | 2022-03-23 | 2022-10-24 | コンピュータプログラム、情報処理装置及び方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP7165834B1 true JP7165834B1 (ja) | 2022-11-04 |
JP2023140853A JP2023140853A (ja) | 2023-10-05 |
Family
ID=83897835
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022046894A Active JP7165834B1 (ja) | 2022-03-23 | 2022-03-23 | コンピュータプログラム、情報処理装置及び方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7165834B1 (ja) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016024669A (ja) | 2014-07-22 | 2016-02-08 | セイコーエプソン株式会社 | 身体状況提示装置、身体状況提示システム、提示情報出力方法及び提示情報出力プログラム |
JP2017174061A (ja) | 2016-03-23 | 2017-09-28 | ヤマハ株式会社 | 解析システム |
JP2019068907A (ja) | 2017-10-06 | 2019-05-09 | 株式会社ニューロスペース | 睡眠状態判定装置、睡眠状態判定方法、睡眠状態判定システムおよび睡眠状態判定プログラム |
JP2020004362A (ja) | 2018-12-11 | 2020-01-09 | 株式会社ニューロスペース | 睡眠改善装置 |
JP2020129188A (ja) | 2019-02-07 | 2020-08-27 | 富士通株式会社 | 学習方法、学習プログラムおよび学習装置 |
JP2021129817A (ja) | 2020-02-20 | 2021-09-09 | 大塚製薬株式会社 | 睡眠情報処理方法、睡眠情報処理プログラムおよび睡眠情報処理システム |
JP2021163006A (ja) | 2020-03-31 | 2021-10-11 | Assest株式会社 | 睡眠健康度判別プログラム |
JP2021185515A (ja) | 2014-01-17 | 2021-12-09 | 任天堂株式会社 | 情報処理システム、情報処理サーバ、情報処理プログラム、および情報提供方法 |
-
2022
- 2022-03-23 JP JP2022046894A patent/JP7165834B1/ja active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2021185515A (ja) | 2014-01-17 | 2021-12-09 | 任天堂株式会社 | 情報処理システム、情報処理サーバ、情報処理プログラム、および情報提供方法 |
JP2016024669A (ja) | 2014-07-22 | 2016-02-08 | セイコーエプソン株式会社 | 身体状況提示装置、身体状況提示システム、提示情報出力方法及び提示情報出力プログラム |
JP2017174061A (ja) | 2016-03-23 | 2017-09-28 | ヤマハ株式会社 | 解析システム |
JP2019068907A (ja) | 2017-10-06 | 2019-05-09 | 株式会社ニューロスペース | 睡眠状態判定装置、睡眠状態判定方法、睡眠状態判定システムおよび睡眠状態判定プログラム |
JP2020004362A (ja) | 2018-12-11 | 2020-01-09 | 株式会社ニューロスペース | 睡眠改善装置 |
JP2020129188A (ja) | 2019-02-07 | 2020-08-27 | 富士通株式会社 | 学習方法、学習プログラムおよび学習装置 |
JP2021129817A (ja) | 2020-02-20 | 2021-09-09 | 大塚製薬株式会社 | 睡眠情報処理方法、睡眠情報処理プログラムおよび睡眠情報処理システム |
JP2021163006A (ja) | 2020-03-31 | 2021-10-11 | Assest株式会社 | 睡眠健康度判別プログラム |
Also Published As
Publication number | Publication date |
---|---|
JP2023140853A (ja) | 2023-10-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Uzir et al. | Applied Artificial Intelligence and user satisfaction: Smartwatch usage for healthcare in Bangladesh during COVID-19 | |
JP6705089B2 (ja) | ヘルスチューニング支援システム | |
JP2022086981A (ja) | 推定システム及び推定方法 | |
JP7239220B2 (ja) | 栄養摂取量の推定装置、健康管理支援装置、栄養摂取量の推定方法、健康管理支援方法、プログラムおよび栄養摂取量の推定システム | |
US20220129734A1 (en) | Forecasting device, method, and program | |
Koklić | Effect of specialty store environment on consumer’s emotional states: The moderating role of Price Consciousness | |
JP2003242248A (ja) | 問診判定方法及び問診判定システム | |
JP7165834B1 (ja) | コンピュータプログラム、情報処理装置及び方法 | |
JP7259126B1 (ja) | コンピュータプログラム、情報処理装置及び方法 | |
JP7220822B1 (ja) | プログラム、情報処理装置、及び情報処理方法 | |
US20230027710A1 (en) | Method for providing support to maintain and improve health of consumers by using health prediction model through recognition of their health condition, and method for providing information | |
KR20220068594A (ko) | 챗봇 기반의 질의응답 및 생체표지자 데이터를 이용한 맞춤형 영양 관리 시스템 | |
Scharadin et al. | Time spent on childcare and the household Healthy Eating Index | |
JP2020181423A (ja) | 美容商品の推奨判別方法及びシステム | |
Ricketts et al. | The influence of individual health outcomes on individual savings behavior | |
WO2023182162A1 (ja) | コンピュータプログラム、情報処理装置及び方法 | |
JP2023143891A (ja) | コンピュータプログラム、情報処理装置及び方法 | |
Kannan et al. | Leveraging business data analytics and machine learning techniques for competitive advantage: case study evidence from small businesses | |
JP2022077860A (ja) | 分析プログラム、分析方法及び分析装置 | |
Honda et al. | Household Nutrition Analysis and Food Recommendation U sing Purchase History | |
Noor et al. | Predicting obesity from grocery data: A conceptual process framework | |
MacFie et al. | Preference mapping: principles and potential applications to alcoholic beverages | |
Madani et al. | Household Life Cycle Transitions and Changes in Food Consumption | |
JP7327833B2 (ja) | 健康管理支援装置、健康管理支援方法、プログラム、および健康管理の支援システム | |
JP2017191547A (ja) | サプリメント創造探索システム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220323 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20220323 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220628 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220826 |
|
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: 20221018 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20221024 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7165834 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |