JP7175473B2

JP7175473B2 - 深部体温推定装置および方法並びにプログラム

Info

Publication number: JP7175473B2
Application number: JP2019067615A
Authority: JP
Inventors: 百合子八谷; 保博筒井; 正浩橋本; 敏之阿部; 寛人坂本
Original assignee: Maeda Corp; University of Occupational and Environmental Health Japan; Mitsufuji Corp
Current assignee: Maeda Corp; University of Occupational and Environmental Health Japan; Mitsufuji Corp
Priority date: 2019-03-29
Filing date: 2019-03-29
Publication date: 2022-11-21
Anticipated expiration: 2039-03-29
Also published as: JP2020162952A

Description

本発明は、被測定者の深部体温を推定する深部体温推定装置および方法並びにプログラムに関するものである。

熱中症は、体内の水分が不足して発症する熱失神や熱痙攣、ミネラル（塩分など）が不足して発症する熱疲労、また深部体温が上昇して発症する熱射病に分類され、中でも熱射病は深部体温が４０℃以上となり、意識障害や発汗停止の症状を呈し、重症化しやすく腎不全などの後遺症を残したり、死亡するリスクも高いため緊急対応が必要となる。そのため熱射病の予防は特に重要と考えられている。

熱射病の発症を予測するためには指標である深部体温の測定が必要であるが、深部体温は、食道内部や直腸内部の温度を測定して求めることができる。そこで、深部体温は、特殊な温度センサを食道内部や直腸内部へ挿入して測定することができるが、被験者にとり不快感が大きく、また簡便に測定できないデメリットがあった。

そこで、たとえば非特許文献１においては、特殊なセンサを用いて前額部、胸部など体表から計測部直下の組織温を連続的に計測できる深部体温計が提案されている。また、非特許文献２においては、温度センサを２箇所に配置することで、２点間の熱流束を計測し、双熱流法の原理に基づき深部体温を推定するウェアラブル深部体温計が提案されている。

また、特許文献１においては、被測定者の熱画像を撮影し、その熱画像に基づいて、深部体温を推定する方法が提案されている。

また、特許文献２においては、作業者が用いるヘルメットに、温度センサを備えた深部体温プローブを設けることによって作業者の深部体温を計測する方法が提案されている。

また、特許文献３においては、被測定者の深部体温を非侵襲で求める深部体温計が提案されている。

また、特許文献４においては、生体温熱モデルを用いて、センサでの測定に基づいて取得された深部での熱産生から、体内の熱移動および体外との熱交換を熱収支計算式で繰り返し計算することによって、運動中における深部体温を推定する方法が提案されている。

特開２０１８－１８３５６４号公報特開２０１８－１３４１３７号公報特開２０１８－１３３９５号公報特開２０１７－２１７２２４号公報

ＢＭＥＶｏｌ.２, Ｎｏ.３，１９８８安衛研ニュースＮｏ.１１９（２０１８－１０－０５）

しかしながら、非特許文献１～非特許文献２および特許文献１～特許文献４に記載の方法では、特殊なセンサが必要であったり、被測定者の情報を多点で計測する必要があり、コストアップや装置の大型化を招いたり、測定作業が煩雑になる問題などがあった。

本発明は、上記事情に鑑み、簡易な手法および構成により、深部体温を高精度に推定することができる深部体温推定装置および方法並びにプログラムを提供することを目的とする。

本発明の深部体温推定装置は、深部体温の測定対象である被測定者の運動負荷に関する情報、年齢に関する情報、体重および身長に関する情報、皮膚表面温度に関する情報、および心拍数に関する情報の入力を受け付ける入力受付部と、複数の被験者の運動負荷に関する情報、年齢に関する情報、体重および身長に関する情報、皮膚表面温度に関する情報、および心拍数に関する情報を入力情報とし、複数の被験者の直腸温の実測値を出力情報として機械学習して得られた学習済モデルに対して、入力受付部によって受け付けられた情報を入力することによって被測定者の深部体温を推定する推定部と、推定部によって推定された被測定者の深部体温を出力する出力部とを備える。

また、上記本発明の深部体温推定装置において、学習済モデルの入力情報は、被験者の測定環境条件に関する情報をさらに含むことができ、推定部は、学習済モデルに対して、被測定者の測定環境条件に関する情報をさらに入力することによって、被測定者の深部体温を推定することができる。

また、上記本発明の深部体温推定装置において、学習済モデルの入力情報は、被験者の性別に関する情報をさらに含むことができ、推定部は、学習済モデルに対して、被測定者の性別に関する情報をさらに入力することによって、被測定者の深部体温を推定することができる。

また、上記本発明の深部体温推定装置においては、被測定者の運動負荷に関する情報を検出する運動負荷情報検出部を備えることができる。

また、上記本発明の深部体温推定装置においては、被測定者の皮膚表面温度に関する情報を検出する皮膚表面温度検出部を備えることができる。

また、上記本発明の深部体温推定装置においては、被測定者の心拍数に関する情報を検出する心拍情報検出部を備えることができる。

本発明の深部体温推定方法は、深部体温の測定対象である被測定者の運動負荷に関する情報、年齢に関する情報、体重および身長に関する情報、皮膚表面温度に関する情報、および心拍数に関する情報の入力を受け付け、複数の被験者の運動負荷に関する情報、年齢に関する情報、体重および身長に関する情報、皮膚表面温度に関する情報、および心拍数に関する情報を入力情報とし、複数の被験者の直腸温の実測値を出力情報として機械学習して得られた学習済モデルに対して、上記受け付けた情報を入力することによって被測定者の深部体温を推定し、その推定した被測定者の深部体温を出力する。

本発明の深部体温推定プログラムは、深部体温の測定対象である被測定者の運動負荷に関する情報、年齢に関する情報、体重および身長に関する情報、皮膚表面温度に関する情報、および心拍数に関する情報の入力を受け付けるステップと、複数の被験者の運動負荷に関する情報、年齢に関する情報、体重および身長に関する情報、皮膚表面温度に関する情報、および心拍数に関する情報を入力情報とし、複数の被験者の直腸温の実測値を出力情報として機械学習して得られた学習済モデルに対して、上記受け付けた情報を入力することによって被測定者の深部体温を推定するステップと、その推定した被測定者の深部体温を出力するステップとをコンピュータに実行させることができる。

本発明の深部体温推定装置および方法並びにプログラムによれば、被測定者の運動負荷に関する情報、年齢に関する情報、体重および身長に関する情報、皮膚表面温度に関する情報、および心拍数に関する情報の入力を受け付け、その受け付けた情報を、予め得られた学習済モデルに入力することによって被測定者の深部体温を推定するようにしたので、簡易な手法および構成により、深部体温を高精度に推定することができる。

本発明の深部体温推定装置の第１の実施形態の概略構成を示すブロック図本発明の深部体温推定装置の第１の実施形態の深部体温推定装置の処理を説明するためのフローチャート本発明の深部体温推定装置の第２の実施形態の概略構成を示すブロック図被験者（被測定者）の直腸温の実際の測定値と、被験者（被測定者）の直腸温を推定値とを示すグラフ

以下、図面を参照して本発明の深部体温推定装置の第１の実施形態について詳細に説明する。図１は、本実施形態の深部体温推定装置１の概略構成図である。

深部体温推定装置１は、被測定者の深部体温を推定する装置である。本実施形態の深部体温推定装置１は、深部体温の測定対象である被測定者について、予め設定された５項目の情報を受け付け、その受け付けた情報を、予め機械学習によって生成された学習済モデルに入力することによって、被測定者の深部体温を推定する。

深部体温推定装置１は、具体的には、図１に示すように、入力受付部１０と、推定部１１と、出力部１２とを備えている。

入力受付部１０は、被測定者の運動負荷に関する情報、年齢に関する情報、体重および身長に関する情報、皮膚表面温度に関する情報、および心拍数に関する情報の入力を受け付ける。

運動負荷に関する情報とは、被測定者の運動負荷の状況を示す情報であり、たとえば被測定者に対する運動負荷の有無を示す情報である。本実施形態の入力受付部１０は、被測定者に対して運動負荷を課している場合には、運動負荷に関する情報として「１」の数値情報の入力を受け付ける。一方、入力受付部１０は、被測定者に対して運動負荷を課していない場合には、運動負荷に関する情報として「０」の数値情報の入力を受け付ける。

ただし、運動負荷に関する情報としては、このような「１」および「０」の数値情報に限らず、たとえば被測定者に課される運動負荷の程度に応じて、３段階以上の数値情報を設定し、入力受付部１０が、その３段階以上の数値情報の入力を受け付けるようにしてよい。また、運動負荷に関する情報としては、これらの数値情報に限らず、被測定者の運動負荷の状況を示す情報であれば、その他の情報でもよい。

年齢に関する情報としては、たとえば被測定者の年齢がそのまま用いられる。年齢に関する情報は、たとえば後述する入力装置２を用いて設定入力され、入力受付部１０は、その設定入力された年齢を受け付ける。

体重および身長に関する情報は、被測定者の体重および身長に関する情報であれば如何なる情報でもよいが、本実施形態の入力受付部１０は、体重および身長に関する情報として、ＢＭＩ（Body Mass Index）の値の入力を受け付ける。ＢＭＩの値については、たとえばＢＭＩの測定装置から出力された値を入力受付部１０が直接受け付けるようにしてもよいし、被測定者について予め測定されたＢＭＩの値を入力装置２を用いて設定入力し、その設定入力された値を入力受付部１０が受け付けるようにしてもよい。

皮膚表面温度に関する情報は、被測定者の皮膚表面温度に関する情報であれば如何なる情報でもよいが、本実施形態の入力受付部１０は、皮膚表面温度に関する情報として、被測定者の胸部または手背部の皮膚表面温度の入力を受け付ける。胸部または手背部は、その他の部位と比較する皮膚表面温度が安定しているので、測定対象として望ましい。

皮膚表面温度の値については、たとえば温度センサなどから出力された値を入力受付部１０が直接受け付けるようにしてもよいが、これに限らず、赤外線サーモグラフにより非接触に計測した値を受け付けるようにしてもよい。また、被測定者について予め測定された皮膚表面温度の値を入力装置２を用いて設定入力し、その設定入力された値を入力受付部１０が受け付けるようにしてもよい。

心拍に関する情報は、被測定者の心拍数に関する情報であれば如何なる情報でもよいが、本実施形態の入力受付部１０は、心拍数に関する情報として、被測定者の心拍数の値のそのままの入力を受け付ける。

心拍数の値については、たとえば心拍数を測定する装置などから出力された値を入力受付部１０が直接受け付けるようにしてもよいし、被測定者について予め測定された心拍数の値を入力装置２を用いて設定入力し、その設定入力された値を入力受付部１０が受け付けるようにしてもよい。心拍数を測定する装置としては、たとえば光電脈波法による透過
型脈波測定装置や反射型脈波測定装置を用いることができるが、これに限らず、心電図法により電気パルスを計測する装置、血圧計法により血管圧の変化を計測する装置、心音図法により音を計測する装置などを用いることができる。

推定部１１は、被測定者の深部体温を推定する。本実施形態の推定部１１は、入力受付部１０によって受け付けられた５項目の情報を、予め機械学習を行うことによって生成された学習済モデルに入力することによって、被測定者の深部体温を推定する。学習済モデルは、推定部１１に記憶するようにしてもよいし、たとえば深部体温推定装置１と通信ネットワークを介して接続されるサーバ装置などに記憶してもよい。

学習済モデルは、複数の被験者の上記運動負荷に関する情報、上記年齢に関する情報、上記体重および身長に関する情報、上記皮膚表面温度に関する情報、および上記心拍数に関する情報を入力情報とし、複数の被験者の直腸温の実測値を出力情報として機械学習することによって得られたものである。

機械学習の方法としては、公知な手法を用いることができ、ディープニューラルネットワーク（ＤＮＮ）、畳み込みニューラルネットワーク（ＣＮＮ）、リカレントニューラルネットワーク（ＲＮＮ）、およびデノイジングスタックオートエンコーダ（ＤＳＡ）などを用いることができる。

出力部１２は、推定部１１によって推定された被測定者の深部体温を出力する。具体的には、本実施形態の出力部１２は、推定部１１によって推定された被測定者の深部体温を、深部体温推定装置１に接続された後述する表示装置３に表示させる。なお、本実施形態の出力部１２の出力先としては、表示装置３に限らず、深部体温推定装置１に対して通信ネットワークを介して接続されたコンピュータやサーバ装置などに出力するようにしてもよいし、プリンタなどの印刷装置に出力するようにしてもよい。

また、推定部１１によって推定された被測定者の深部体温または深部体温の上昇値が、予め設定された閾値を超えた場合には、出力部１２が、表示装置３に警告メッセージを表示させたり、もしくは警告音を発するようにしてもよい。これにより、被測定者の熱射病などの熱中症の発症を防止することができる。

深部体温推定装置１は、コンピュータから構成され、ＣＰＵ（Central Processing Unit）またはＧＰＵ（Graphics Processing Unit）、ＲＯＭ（Read Only Memory）およびＲＡＭ（Random Access Memory）などの半導体メモリ、ハードディスクなどのストレージ、および通信Ｉ／Ｆ（Interface）などを備えている。

また、深部体温推定装置１の半導体メモリまたはハードディスクには、本発明の一実施形態に係る深部体温推定プログラムがインストールされている。ＣＰＵまたはＧＰＵが、この深部体温推定プログラムを実行することによって、図１に示す入力受付部１０、推定部１１および出力部１２が機能する。

すなわち、深部体温推定プログラムは、深部体温の測定対象である被測定者の運動負荷に関する情報、年齢に関する情報、体重および身長に関する情報、皮膚表面温度に関する情報、および心拍数に関する情報の入力を受け付けるステップと、上述した学習済モデルに対して、上記受け付けステップで受け付けた情報を入力することによって被測定者の深部体温を推定するステップと、その推定した被測定者の深部体温を出力するステップとをコンピュータに実行させる。

なお、深部体温推定装置１のハードウェア構成は、上述した構成に限定されない。

また、本実施形態においては、上述した入力受付部１０、推定部１１および出力部１２の機能を全て深部体温推定プログラムによって実行するようにしたが、これに限らず、一部または全部の機能をＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field-Programmable Gate Array）、その他の電気回路などのハードウェアから構成するようにしてもよい。

深部体温推定装置１には、図１に示すように入力装置２および表示装置３が、有線または無線で接続されている。入力装置２は、上述したような種々の情報を設定入力可能に構成されており、たとえばキーボードやマウスなどを備えている。また、表示装置３は、たとえば液晶ディスプレイなどを備えている。なお、深部体温推定装置１をタブレット端末やウェアラブル端末で構成するようにしてもよい。深部体温推定装置１をウェアラブル端末とする場合の詳細な構成については、後で詳述する。

次に、本実施形態の深部体温推定装置１の処理の流れについて、図２に示すフローチャートを参照しながら説明する。

まず、ユーザが、入力装置２を用いて、被測定者の運動負荷に関する情報、年齢に関する情報、体重および身長に関する情報、皮膚表面温度に関する情報、および心拍数に関する情報を設定入力する（Ｓ１０）。

ユーザによって設定入力された上記５項目の情報は、深部体温推定装置１の入力受付部１０によって受け付けられる（Ｓ１２）。

入力受付部１０によって受け付けられた５項目の情報は、推定部１１に入力される。推定部１１は、入力受付部１０によって受け付けられた５項目の情報を、上述した学習済モデルに入力することによって、被測定者の深部体温を推定する（Ｓ１４）。

推定部１１によって推定された被測定者の深部体温は出力部１２に出力され、出力部１２は、入力された被測定者の深部体温を表示装置３に表示させる（Ｓ１６）。

なお、上記実施形態の深部体温推定装置１においては、学習済モデルの入力情報として、上述した５項目の情報を用いるようにしたが、さらに、被験者の測定環境条件に関する情報を入力情報に含めて機械学習を行った学習済モデルを用いるようにしてもよい。そして、推定部１１が、その学習済モデルに対して、被測定者の上述した５項目の情報および測定環境条件に関する情報を入力することによって、被測定者の深部体温を推定するようにしてもよい。

測定環境条件とは、被験者の直腸温の実測値を測定する際および被測定者の深部体温を推定する際において被験者および被測定者が置かれている環境条件のことであり、たとえば暑さ指数（ＷＢＧＴ（Wet Bulb Globe Temperature））を用いることができる。被測定者の深部体温を推定する際、このような測定環境条件を含めることによって、被測定者の置かれた環境を考慮することができるので、深部体温の推定精度をより向上させることができる。

なお、測定環境条件としては、上述した暑さ指数に限らず、暑さ指数を計算する際に用いる乾球温度、湿球温度、輻射温度および湿度などを単独または複数組み合わせて用いるようにしてもよい。

また、さらに、学習済モデルの入力情報として、被験者の性別に関する情報を含めて機械学習を行った学習済モデルを用いるようにしてもよい。そして、推定部１１が、その学習済モデルに対して、被測定者の上述した５項目の情報および性別に関する情報を入力することによって、被測定者の深部体温を推定するようにしてもよい。

性別に関する情報としては、たとえば性別が男性である場合には「１」を、女性である場合には「２」を学習済モデルに入力するようにすればよい。深部体温は、被測定者が同じ環境下にいたとしても性別によって異なる可能性が考えられるので、深部体温を推定する際、性別に関する情報を含めることによって、深部体温の推定精度をより向上させることができる。

次に、本発明の深部体温推定装置の第２の実施形態を備えたウェアラブル端末５について説明する。

ウェアラブル端末５は、深部体温を推定するための基本的な構成は、上述した第１の実施形態の深部体温推定装置１と同様であるが、被測定者の運動負荷に関する情報、皮膚表面温度に関する情報および心拍数に関する情報の取得方法が異なる。

ウェアラブル端末５の形態としては、リストバンド型（腕時計型）でもよいし、メガネ型でもよいし、クリップ型でもよいが、上述した３つの情報を高精度に検出するためには、リストバンド型であることが好ましい。

図３は、本実施形態のウェアラブル端末５の概略構成を示すブロック図である。本実施形態のウェアラブル端末５は、図３に示すように、本体部５０、運動負荷情報検出部５５、皮膚表面温度検出部５６および心拍情報検出部５７を備えている。

本体部５０は、入力受付部５１、推定部５２、出力部５３および表示部５４を備えている。本体部５０の入力受付部５１、推定部５２および出力部５３は、基本的な機能は、上述した第１の実施形態の深部体温推定装置１の入力受付部１０、推定部１１および出力部１２と同様の構成である。

表示部５４は、たとえば液晶ディスプレイを備え、出力部１２から出力された深部体温を表示する。また、表示部５４をタッチパネルから構成し、深部体温を表示部５４に表示させるとともに、表示部５４において種々の情報の設定入力を受け付けるようにしてもよい。

運動負荷情報検出部５５は、被測定者の運動負荷に関する情報を検出する。運動負荷情報検出部５５としては、たとえば加速度センサを用いることができる。たとえば加速度センサによる検出信号を入力受付部５１が受け付け、推定部５２が、入力された検出信号のパターンに基づいて、運動負荷に関する情報として上述した「０」か「１」を取得し、これを学習済モデルに入力するようにすればよい。

皮膚表面温度検出部５６は、被測定者の皮膚表面温度に関する情報を検出する。皮膚表面温度検出部５６としては、たとえば温度センサを用いることができる。たとえばウェアラブル端末５をリストバンド型とした場合には、温度センサによって手背部に近い部分の皮膚表面温度を計測することができるので、深部体温の推定精度を向上させることができる。

心拍情報検出部５７は、被測定者の心拍数に関する情報を検出する。心拍情報検出部５７としては、たとえば反射型脈波センサを用いることができる。そして、反射型脈波センサによって計測された心拍数を入力受付部５１が受け付ける。

ウェアラブル端末５において、年齢に関する情報並びに体重および身長に関する情報については、たとえば表示部５４がタッチパネルから構成される場合には、そのタッチパネル上において設定入力すればよい。

または、本体部５０が有する通信Ｉ／Ｆによって通信ネットワークを介して他の通信端末装置に接続し、その通信端末装置において年齢に関する情報並びに体重および身長に関する情報を設定入力可能としてもよい。

他の通信端末装置としては、スマートフォンやタブレット端末などがある。たとえばスマートフォンやタブレット端末において専用アプリケーションをインストールし、その専用アプリケーション上において年齢に関する情報並びに体重および身長に関する情報の設定入力を受け付けるようにしてもよい。また、専用アプリケーション上において、出力部５３から出力された深部体温を表示するようにしてもよい。

また、ウェアラブル端末５においても、上記実施形態の深部体温推定装置１と同様に、学習済モデルに対して、被験者および被測定者の測定環境条件に関する情報や、被験者および被測定者の性別に関する情報を入力するようにしてもよい。被験者の測定環境条件については、たとえばセンサなどによって検出してもよいし、表示部５４または上述した専用アプリケーションにおいて設定入力してもよい。また、被験者の性別に関する情報については、表示部５４または上述した専用アプリケーションにおいて設定入力すればよい。

ウェアラブル端末５のその他の作用については、上記実施形態の深部体温推定装置１と同様である。

以下、本発明の深部体温推定装置のより具体的な実施例について説明する。まず、深部体温の推定に用いる学習済モデルの生成方法の一実施例について説明する。

本実施例では、被験者９名について、人工気候室で、室温３５℃、湿度５０％、ＷＢＧＴ２９の条件下で運動負荷を行わせ、深部体温として直腸温を測定した。

運動負荷については、被験者はまず実験衣に着替え、各種測定装置を装着後約１０分程度人工気候室の中で環境に慣れさせ、無負荷における直腸温、手背部の皮膚表面温度および心拍数を６分間収集したのち、エルゴメータを利用して７０ｋＷの運動を開始した。そして、運動を開始した時点から直腸温、手背部の皮膚表面温度および心拍数の計測を１５秒毎に行い、１８分間の運動後１８分間休憩、続いて２４分間運動して１８分間休憩させ、測定を終了した。

直腸温および手背部の皮膚表面温度は、熱電対センサを用いて測定した。心拍数は日本光電ＢＳＭ－２４０１を用いて測定した。人工気候室内の測定環境条件については、室内温度はＶＡＩＳＡＬＡ社温度計、室内湿度はＶＡＩＳＡＬＡ社湿度計、さらに室内輻射温度は熱電対センサで測定してＷＢＧＴを求めた。これらの測定値はキーエンス社データロガーに記録した。

また、上述した運動前において、被験者の身長および精密体重を測定し、その測定値からＢＭＩを求めた。

そして、被験者が無負荷の場合には、運動負荷に関する情報を「０」とし、運動中である場合には、運動負荷に関する情報を「１」とした。この運動負荷に関する情報と、被験者の年齢と、ＢＭＩ、皮膚表面温度および心拍数の測定値とを入力値とし、直腸温の実側値を出力としてＡＩを用いて機械学習を行って学習済モデルを生成した。

ＡＩのプラットフォームはａｎａｃｏｎｄａ（登録商標）を使用し、プログラムはＰｙｔｈｏｎ（登録商標）（ｖｅｒ．３．７）で作成し、Ｃｈａｉｎｅｒ（登録商標）（ｖｅｒ．５．１）ＡＩライブラリを実装した。伝達関数は全結線型ニューラルネットワークで、活性化関数はＲｅＬｕ（ＲｅｃｔｉｆｉｅｄＬｉｎｅａｒＵｎｉｔ、正規化線形関数）、最適化関数はＡｄａｍ（ＡｄａｐｔｉｖｅＭｏｍｅｎｔＥｓｔｉｍａｔｉｏｎ、確率的勾配降下法)を用いた。またｅｐｏｃｋ数（繰り返し学習する回数）は２５０回に設定した。

そして、生成された学習済モデルに対して、被験者（被測定者）の上述した運動負荷に関する情報と、年齢と、ＢＭＩ、皮膚表面温度および心拍数の測定値とを入力し、被験者（被測定者）の深部体温を推定した。

図４は、被験者（被測定者）の直腸温の実測値と、被験者（被測定者）の直腸温を推定値とを示すグラフである。本実施例では、９名の被験者（被測定者）が順番に入れ替わって運動および直腸温の測定を行い、図４に示すグラフは、直腸温の実測値および直腸温（深部体温）の推定値を時系列にプロットしたグラフである。図４に示すグラフの横軸は時間であり、縦軸が直腸温である。図４に示すように、各被験者の直腸温の実測値と推定値は、ほぼ一致するか、実用範囲内で一致することが分かった。

なお、図４に示す直腸温（深部体温）の推定値を求める際に用いた学習済モデルは、ネットワーク層（中間層）を３層とし、１層辺りのノード数を３２個とした。

ここで、学習済モデルのネットワーク層間の結合を全結合型とした場合、結合係数は、３層のネットワーク層（Ｌ１～Ｌ３）の場合、以下の式で表すことができる。Ｘは、上述した５項目の入力値であり、Ｘ＝（ｘ１,ｘ２,ｘ３,ｘ４,ｘ５）である。

Ｌ１：Ｙ１＝Ｗ１・Ｘ＋Ｂ１・・・（１）
Ｌ２：Ｙ２＝Ｗ２・Ｙ１＋Ｂ２
＝Ｗ２・Ｗ１・Ｘ＋Ｗ２・Ｂ１＋Ｂ２・・・（２）
Ｌ３：Ｙ３＝Ｗ３・Ｙ２＋Ｂ３
＝（Ｗ３・Ｗ２・Ｗ１）・Ｘ＋（（Ｗ３・Ｗ２）・Ｂ１＋Ｗ３・Ｂ２＋Ｂ３）
・・・（３）

ただし、Ｎ番目の層の行列ＷＮは、下式で表される。ｎは、入力値の数（本実施例では５）であり、ｍは、ノード数（本実施例では３２）である。

また、ＹとＢは、Ｙ＝（ｙ１,ｙ２,ｙ３,ｙ４,ｙ５）、Ｂ＝（ｂ１,ｂ２,ｂ３,ｂ４,ｂ５）と表すことができる。

上式（３）より、ネットワーク層が３層の場合、測定値Ｘに対する直腸温ｙを
ｙ＝Ｗ・Ｘ＋ｂ
と表すと、機械学習を繰り返して求めた各層のＷＮとｂＮから、
Ｗ＝Ｗ３・Ｗ２・Ｗ１
ｂ＝（Ｗ３・Ｗ２）・Ｂ１＋Ｗ３・Ｂ２＋Ｂ３
としてｙを求めることができる。

図４に示す直腸温ｙ（推定値）を求める際のＷとｂは、以下の値を用いた。
Ｗ＝[-0.7412948 0.00635842 -0.01517163 0.00944708 0.02534689]
ｂ＝35.710438

なお、上記実施例は、本発明の深部体温推定装置の一実施例であり、本発明の深部体温推定装置は、上記実施例に限定されるものではない。

１深部体温推定装置
２入力装置
３表示装置
５ウェアラブル端末
１０入力受付部
１１推定部
１２出力部
５０本体部
５１入力受付部
５２推定部
５３出力部
５４表示部
５５運動負荷情報検出部
５６皮膚表面温度検出部
５７心拍情報検出部

Claims

深部体温の測定対象である被測定者の運動負荷に関する情報、年齢に関する情報、体重および身長に関する情報、皮膚表面温度に関する情報、および心拍数に関する情報の入力を受け付ける入力受付部と、
複数の被験者の前記運動負荷に関する情報、前記年齢に関する情報、前記体重および身長に関する情報、前記皮膚表面温度に関する情報、および前記心拍数に関する情報を入力情報とし、前記複数の被験者の直腸温の実測値を出力情報として機械学習して得られた学習済モデルに対して、前記入力受付部によって受け付けられた情報を入力することによって前記被測定者の深部体温を推定する推定部と、
前記推定部によって推定された被測定者の深部体温を出力する出力部とを備え、
前記運動負荷に関する情報が、運動負荷の程度に応じた複数段階の数値情報である深部体温推定装置。
前記学習済モデルの入力情報が、前記被験者の測定環境条件に関する情報をさらに含み、
前記推定部が、前記学習済モデルに対して、前記被測定者の前記測定環境条件に関する情報をさらに入力することによって、前記被測定者の深部体温を推定する請求項１記載の深部体温推定装置。
前記学習済モデルの入力情報が、前記被験者の性別に関する情報をさらに含み、
前記推定部が、前記学習済モデルに対して、前記被測定者の前記性別に関する情報をさらに入力することによって、前記被測定者の深部体温を推定する請求項１または２記載の深部体温推定装置。
前記被測定者の前記運動負荷に関する情報を検出する運動負荷情報検出部を備えた請求項１から３いずれか１項記載の深部体温推定装置。
前記被測定者の前記皮膚表面温度に関する情報を検出する皮膚表面温度検出部を備えた請求項１から４いずれか１項記載の深部体温推定装置。
前記被測定者の前記心拍数に関する情報を検出する心拍情報検出部を備えた請求項１から５いずれか１項記載の深部体温推定装置。
前記皮膚表面温度に関する情報が、胸部または手背部の皮膚表面温度である請求項１から６いずれか１項記載の深部体温推定装置。
深部体温の測定対象である被測定者の運動負荷に関する情報、年齢に関する情報、体重および身長に関する情報、皮膚表面温度に関する情報、および心拍数に関する情報の入力を受け付け、
複数の被験者の前記運動負荷に関する情報、前記年齢に関する情報、前記体重および身長に関する情報、前記皮膚表面温度に関する情報、および前記心拍数に関する情報を入力情報とし、前記複数の被験者の直腸温の実測値を出力情報として機械学習して得られた学習済モデルに対して、前記受け付けた情報を入力することによって前記被測定者の深部体温を推定し、
該推定した被測定者の深部体温を出力する深部体温推定方法であって、
前記運動負荷に関する情報が、運動負荷の程度に応じた複数段階の数値情報である深部体温推定方法。
深部体温の測定対象である被測定者の運動負荷に関する情報、年齢に関する情報、体重および身長に関する情報、皮膚表面温度に関する情報、および心拍数に関する情報の入力を受け付けるステップと、
複数の被験者の前記運動負荷に関する情報、前記年齢に関する情報、前記体重および身長に関する情報、前記皮膚表面温度に関する情報、および前記心拍数に関する情報を入力情報とし、前記複数の被験者の直腸温の実測値を出力情報として機械学習して得られた学習済モデルに対して、前記受け付けた情報を入力することによって前記被測定者の深部体
温を推定するステップと、
該推定した被測定者の深部体温を出力するステップとをコンピュータに実行させる深部体温推定プログラムであって、
前記運動負荷に関する情報が、運動負荷の程度に応じた複数段階の数値情報である深部体温推定プログラム。