JP7276586B2

JP7276586B2 - ストレス推定装置、ストレス推定方法、およびプログラム

Info

Publication number: JP7276586B2
Application number: JP2022500191A
Authority: JP
Inventors: 嘉樹中島; 剛範辻川; 旭美梅松
Original assignee: NEC Corp
Current assignee: NEC Corp
Priority date: 2020-02-14
Filing date: 2020-02-14
Publication date: 2023-05-18
Anticipated expiration: 2040-02-14
Also published as: US20230077694A1; WO2021161525A1; JPWO2021161525A1

Description

本発明は、ストレス推定装置、ストレス推定方法、およびプログラムに関する。

近年、長期のストレッサーへの暴露などにより交感神経が活発になった状態が長く続き、自律神経が失調することにより精神の健康を害することが問題となっている。このため、被測定者に日常的にウェアラブル端末を装着させて、ウェアラブル端末から被測定者の生体情報（発汗量・皮膚表面温・体動など）を反映する信号である生体信号を長期にわたって測定し、被測定者の長期ストレス（慢性ストレス）をモニタリングする技術が提案されている。こうした技術では、一般に、測定している生体信号（発汗量・皮膚表面温・体動など）の変動が、激しい運動等の身体活動によるものなのか、それともストレス等の精神活動に由来するものなのかを識別するために、加速度計の信号等を用いて、被測定者の身体の活動状態を推定する必要がある。身体の活動状態（以下、活動状態という）としては、例えば、座っている状態（座位）、歩いている状態（歩行）、走っている状態（走行）等が挙げられる。

非特許文献１には、２０名の人々の３０日のデータから、座位・歩行・走行の３つの活動状態を、全員に共通のActivity Magnitude（３軸加速度のＲＭＳ（Rooted Mean Square）の変化の移動平均）から識別する技術が開示されている。次に、ストレスアンケートにより定量されたストレス値を正解ラベルとして、前期推定された座位・歩行・走行の３活動状態別に、発汗及び体動の平均・分散・中央値・パワースペクトル密度のヒストグラムの構成要素等を特徴量として算出し、機械学習を用いてストレス推定を行っている。また、非特許文献２では、座位・歩行・走行の３つの活動状態を区別する閾値を個人のActivity Magnitudeのヒストグラムから個人ごとに自動的に導出し、適用する技術が開示されている。非特許文献１、２ともに、このような方法によって、非特許文献３で開示されているような、被測定者の認知ストレススケールを一定の精度で推定することを可能としている。

A. Sano, "Measuring College Students’ Sleep, Stress, Mental Health and Wellbeing with Wearable Sensors and Mobile Phones", Massachusetts Institute of Technology, 2015. Y. Nakashima et al.," An Effectiveness Comparison between the Use of Activity State Data and That of Activity Magnitude Data in Chronic Stress Recognition,"ACII workshop, 2019 S. Cohen, R. C. Kessler, and L. U. Gordon（）, "Measuring Stress: A Guide for Health and Social Scientists," Oxford University Press, 1997.

ところで、非特許文献１では、体動信号をストレスの特徴量として用いている。被測定者の体動は、ストレッサーまたはストレス反応の指標として有効である。しかし、外出などの身体活動が多い被測定者に対しては、体動信号はストレスとの相関が高く、ストレス推定において良い特徴量となるが、外出などの身体活動が少ない被測定者に対しては、体動信号はストレスとの相関が低い。両者の相関の違いに寄り、外出頻度が高いグループと外出頻度が低いグループをまとめて一つのモデルでストレススコアを推定することができず、課題であった。

なお、以降、「ストレススコア」を、心理学的なアンケートの回答等から計算されたもので、回答者の心理的ストレスの水準を反映するスコアであり、スコアが高い方が大きなストレスであるものとする。

この状況は、図１のような概念図によって簡易的に説明できる。図１において、外出などの身体活動が多い被測定者のグループ（以降、「グループ１」と記述する）は、体動信号から算出されたストレス推定の為の特徴量（以降、体動特徴量と記述する）が高くなれば、ストレススコアも高くなるなど、体動特徴量とストレススコアは一定の比例関係にある。本願における、体動特徴量は、当該特徴量が大きい時、ストレスが大きくなるように設計されているものとする。すなわち、例えば、そのまま算出すればストレススコアと逆比例する体動特徴量は、負の係数を掛ける等の計算操作により調整されていることを前提とする。

一方、外出などの身体活動が少ない被測定者のグループ（以降、「グループ２」と記述する）は、体動特徴量とストレススコアの相関が低く、体動特徴量とストレススコアはほぼ無関係である。

図１は、本発明が解決しようとする課題を説明するための模式図である。図１では、ストレススコアと体動特徴量の関係性（モデル）を、簡易的に点線で示している。グループ１に対応するのがモデル1であり、グループ２に対応するのがモデル２である。図１のように、モデルがグループによって異なり、一つのモデルで表現し難いことが課題である。

本発明の目的の一例は、被測定者のストレス等の精神状態を生体信号から日常的にモニタリングするために、外出の頻度に依らず一定のモデルでストレスを推定する技術を提供することにある。

上記目的を達成するため、本発明の一側面におけるストレス推定装置は、
被測定者のストレスを推定するストレス推定装置であって、
体動データを取得する体動データ取得部と、
体動データを記憶する体動データ記憶部と、
記憶された前記体動データからストレスに関わる体動特徴量を計算する体動特徴量計算部と、
記憶された前記体動データから外出頻度の推定値を計算する外出頻度計算部と、
前記体動特徴量と前記外出頻度を用いて、体動特徴量のストレスへの相関を補正する体動特徴量補正部と、
補正された前記体動特徴量を出力する補正体動特徴量出力部と、
補正された前記体動特徴量を用いてストレス推定を行うストレス推定部と、
を備えている。

また、上記目的を達成するため、本発明の一側面におけるストレス推定方法は、
被測定者のストレスを推定するストレス推定方法であって、
体動データを取得するステップと、
体動データを記憶するステップと、
記憶された前記体動データからストレスに関わる体動特徴量を計算するステップと、
記憶された前記体動データから外出頻度の推定値を計算するステップと、
前記体動特徴量と前記外出頻度を用いて、体動特徴量のストレスへの相関を補正するステップと、
補正された前記体動特徴量を出力するステップと、
補正された前記体動特徴量を用いてストレス推定を行うステップと、
を備えている。

また、上記目的を達成するため、本発明の一側面におけるプログラムは、
コンピュータに被測定者のストレスを推定させる命令を含むプログラムであって、
前記コンピュータに、
体動データを取得するステップと、
体動データを記憶するステップと、
記憶された前記体動データからストレスに関わる体動特徴量を計算するステップと、
記憶された前記体動データから外出頻度の推定値を計算するステップと、
前記体動特徴量と前記外出頻度を用いて、体動特徴量のストレスへの相関を補正するステップと、
補正された前記体動特徴量を出力するステップと、
補正された前記体動特徴量を用いてストレス推定を行うステップと、
を実行させる命令を含む。

外出頻度が低い人ほど、体動特徴量のストレスへの「寄与度」が低いと見積もられるため、この「寄与度」の低さを外出頻度の低さで補正することで、外出頻度の多い人のグループと少ない人のグループの間でのストレス推定精度の汎化性能が向上する。ここで、「寄与度」とは、下記式（１）ように、ｉ番目の被測定者のストレスをＳ_ｉ、ｉ番目の被測定者のｊ番目の体動特徴量をＢＦ_ｊｉとするときの、比例係数Ｃ_ｊｉのことである。

Ｃ_ｊｉはグループ１ではほぼ一定（ばらつきが少ない）が、グループ２では一定ではなく、ストレススコアが大きくなるほど小さくなる傾向があり、ばらつきが大きい。但し、ストレススコアに比べて体動特徴量が小さい（体動特徴量の「寄与度」が小さい）場合、外出頻度が低い傾向があるため、外出頻度の逆数等を掛けて補正することで、全体をグループ１に近い位置に揃え（グループ１は外出頻度がそもそも大きいため、補正しても変化が小さい）、一つのモデル（モデル１）で精度よく分析することができる。この状況は、図２のように、精度の高い１つのモデル（点線）で二つのグループのストレススコアが推定できるようになることを意味する。図２は、本発明の効果を説明するための模式図である。

図１は、本発明が解決しようとする課題を説明するための模式図である。図２は、本発明の効果を説明するための模式図である。図３は、実施形態におけるストレス推定装置の構成を示すブロック図である。図４は、ストレス特徴量を補正できる理由を説明するための図である。図５は、外出頻度および体動特徴量と、ストレスとの関係を示す図である。図６は、外出頻度および体動特徴量と、ストレスとの関係を示す図である。図７は、図５の外出頻度の代わりに外出頻度の逆数を示す図である。図８は、図６の外出頻度の代わりに外出頻度の逆数を示す図である。図９は、式（８）の操作を更に具体的に説明するための図である。図１０は、式（８）の操作を更に具体的に説明するための図である。図１１は、ストレススコアを推定するモデルの精度向上の際に行う操作を示す図である。図１２は、ストレス推定装置の動作を示すフロー図である。図１３は、実施形態の具体例を説明するための図である。図１４は、実施形態の具体例を説明するための図である。図１５は、補正前後の体動特徴量のＰＳＳの相関図である。図１６は、補正項と体動特徴量との関係を示す図である。図１７は、図７で示した模式的なグラフを実データで検証したグラフである。図１８は、図８で示した模式的なグラフを実データで検証したグラフである。図１９は、実施形態におけるストレス推定装置を実現するコンピュータの一例を示すブロック図である。

以下、本発明における一実施形態の構成について説明する。

［構成の説明］
図３は、本実施形態におけるストレス推定装置１００の構成を示すブロック図である。

ストレス推定装置１００は、被測定者のストレスを推定する装置である。ストレス推定装置１００は、被測定者の身体の一部、例えば腕に装着されたウェアラブル端末２００と、有線または無線によるデータ通信が可能である。なお、ウェアラブル端末２００は、被測定者が所有する携帯機器端末（スマートフォンなど）とデータ通信し、ストレス推定装置１００とウェアラブル端末２００とは、その携帯機器端末を介して、データ通信してもよい。

ウェアラブル端末２００は被測定者の体動信号を計測する。体動信号は、被測定者の多動を反映する信号である。体動信号は、加速度センサ信号やジャイロセンサ信号が挙げられるが、これらに限らず、被測定者の体動を反映する信号であればよい。また、ウェアラブル端末２００は、体動信号以外の生体情報を取得しても良い。体動信号以外の生体情報として、被測定者の発汗量、皮膚表面温、脈拍数、心拍数、呼吸数、脳波等が挙げられるが、これらに限らず、被測定者の自律神経活動を反映する情報等、被測定者のストレス等の精神状態を推定し得る情報であるならば、本発明の範囲に含まれる。また、ウェアラブル端末の形状は、非特許文献１に開示されているようなリストバンドタイプのほかに、バッジタイプ、社員証タイプ、イヤホンタイプ、シャツタイプ、頭部に装着するタイプ、眼鏡タイプ等、非測定者が着用でき、かつ、体動信号単独、あるいは体動信号と体動信号以外の被験者のストレス等の精神状態を反映する生体信号が測定できるものであればよい。

ストレス推定装置１００は、体動データ取得部１０１と、体動データ記憶部１０２と、体動特徴量計算部１０３と、外出頻度計算部１０４と、体動特徴量補正部１０５と、補正体動特徴量出力部１０６と、ストレス推定部１０７とを備えている。

体動データ取得部１０１は、ウェアラブル端末２００から体動データを取得する。体動データは、例えば、ウェアラブル端末２００が検出した加速度信号である。

体動データ記憶部１０２は、体動データ取得部１０１が取得した体動データを記憶する。

体動特徴量計算部１０３は、体動データ記憶部１０２に記憶された体動データからストレスに関わる体動特徴量（ストレス特徴量）を計算する。ストレス特徴量としては、非特許文献１、非特許文献２に開示されているように、平均値、分散値、時系列ヒストグラム、パワースペクトル密度ヒストグラム等が好適に用いられるが、体動データにより導出されるストレスに関連する特徴量であれば、これらに限らない。

ここで、長さが異なる複数の計測時間の信号から平均値、分散値、時系列ヒストグラム、パワースペクトル密度ヒストグラム等の特徴量を求める場合、各計測時間の長さに応じて特徴量を調整する必要がある。例えば、３日間の体動の平均値が、０．４Ｇ、０．５Ｇ、０．３Ｇとし、３日間それぞれのデータ取得期間が６時間、７時間、８時間だったとすると、その際の平均値は、重みづけ平均（期待値）のように算出され、0.4*6/(6+7+8)+0.5*7(6+7+8)+0.3*8/(6+7+8)となるべきである。この計算方法の考え方を概念的に示したのが、下記の数式（２）である。

ここで、左辺のＢＦ_jiは、被測定者ｉのｊ番目の体動特徴量(Body-movement Feature)を示し、被測定者ｉの右辺は全n回の計測におけるk番目の測定の長さｌ_ｉｋ(上記の例では、６時間、７時間、８時間)で、それぞれの計測において算出された特徴量ｂｆ_ｋｊｉ(被測定者ｉのｊ番目の特徴量のｋ番目の測定における数値)を重みづけ平均として算出していることを示している。

外出頻度計算部１０４は、体動データ記憶部１０２に記憶された体動データから推測した被測定者の活動データに基づいて、被測定者の外出頻度の推定値を計算する。活動データが、被測定者個人毎の全活動における特定の活動の割合を示すデータであり、その活動データは、被測定者個人毎に、体動データの時系列変化から求めた移動平均に基づいて、活動状態それぞれの頻度を示すヒストグラムを求め、更に、求めた前記ヒストグラムを用いて、各活動状態を区別する閾値を算出し、算出した閾値を用いることで、計算される。あるいは、活動データは、体動データの時系列変化から求めた移動平均が、被測定者共通の閾値以上である場合における、特定の活動の割合を示すデータである。外出頻度とは、例えば、デスクで仕事を行うオフィスワーカの被測定者にとっては、オフィス内での歩行または走行（特定の活動）の割合は少なく、歩行または走行が観測されれば、概ねオフィス外に、外出した時であると想定し得るため、体動データから推定される歩行状態または走行状態の時間的割合（活動データ）等が該当するが、これに限らない。歩行状態または走行状態の割合の合計を外出頻度とするならば、例えば、非特許文献１のように、下記式（３）、（４）のような計算式によって得られた体動の強度を示すＲＭＳ_ＡＣＣ（詳しくは、式（４）の左辺）によって示されるActivity Magnitudeが、ユーザ全員に対して一定の閾値以上である場合の時間的割合とすることができる。または、非特許文献２に開示されているように、ユーザ個人のＲＭＳ_ＡＣＣのヒストグラムから個別に導出される閾値によって歩行と走行を区別してもよい。

式（３）において、ｘ_１、ｘ_２、ｘ_３は、空間における３つの軸（ｘ軸、ｙ軸、ｚ軸等）を示し、それが下付き添え字として付されたａは３つの軸に沿った方向の加速度信号を示す。また、更にａに下付き添え字として付されたｔ_０は、加速度信号がウェアラブル端末２００により取得された時間を示す。式（３）は、３軸の個々の軸において、時刻ｔ_１－Ｔ_１から時刻ｔ_１までの加速度信号の移動平均と比較した際の、ｔ_１時点での、加速度信号の変化の度合いを示している。

更に、式（４）では、ｔ_２時点での、前記３軸の個別の変化の度合いのＲＭＳ（Rooted Mean Square）の時刻ｔ_２－Ｔ_２から時刻ｔ_２までの移動平均を算出している。全体として、加速度信号の変化の度合いのＲＭＳに関し、個々の計算処理の段階で移動平均を含めることで、瞬間的な加速度の変化ではなく、一定の時間帯における加速度の変化の平均値が算出でき、これによって活動状態が的確に判定できる。

非特許文献２では、体動特徴量自体をＲＭＳ_ＡＣＣで区別する考え方も開示されている。これによれば、式（２）で示されているｌ_ｉｋは、データ取得期間全体ではなく、その中での、特定の座位、歩行、走行時間となる。例えば、式（２）の説明における３日間のデータ取得という同じ例を用いるならば、３日間のデータ取得期間のうち、１日目の６時間の中で、０．５時間だけ走っていた期間があり、その際の体動の平均値が１．６Ｇであり、同様に２日目は０．４時間、１．８Ｇ、３日目は０．２時間、２．２Ｇだったとすれば、その際の平均値は、1.6*0.5/(0.5+0.4+0.2)+1.8*0.4/(0.5+0.4+0.2)+2.2*0.2/(0.5+0.4+0.2)となるべきである。この考え方に基づく特徴量を下記数式（５）に示す。

上記は走っている場合だが、歩いている場合、座っている場合も同様に定義できる（下記数式（６）、式（７））。

こうした考え方の下、Ｎ人の被測定者中、ある個人ｉの外出頻度をＧＦ_ｉ(Going-out Frequency)と定めれば、ＧＦ_ｉは、式（４）、式（５）から下記式（８）のように定義できる。

式（８）はあくまで一例であり、オフィスワーカが外出する頻度を反映する量であれば、ウェアラブル端末２００以外から得られたデータ、例えば被測定者のスケジュールデータ、オフィス出入記録データ、交通機関利用記録データ等でもよい。また、被測定者自身の客先訪問報告などの申告に基づくものでもよい。

体動特徴量補正部１０５は、体動特徴量と外出頻度を用いて、体動特徴量のストレスへの相関を補正する。体動特徴量補正部１０５の補正の方法としては、下記式（９）のように、式（８）で定義された外出頻度ＧＦ_ｉを用いて、ｊ番目の体動特徴量のｉにおける数値ＢＦ_ｊｉに対して、式（９）のように、ＢＦ_ｊｉ’とすることで補正することができる。

ここで、ａは、－１等の負の値を取ることとする。式（９）による補正はあくまで一例であり、外出頻度の低い被測定者において体動特徴量が大きくなるよう補正できるような数式であれば、ａ＝－１と設定して補正項（式（９）のＢＦ_ｊｉの右側式）で体動特徴量を単に除算するだけでなく、αを－１以外の任意の負の値に設定することや、式（９）以外の他の計算操作も本願の範囲に含まれる。

式（９）等の外出頻度の低い被測定者において体動特徴量が大きくなるよう補正できるような計算操作によってストレス特徴量を補正できる理由について、図４を用いて、更に詳細に説明する。

図４は、ストレス特徴量を補正できる理由を説明するための図である。

図４において、Environmental Demandsとされている項目は、ストレッサーであり、オフィスワーカの場合、頻繁に客先に出向くことが主要なストレッサーである場合もあれば、オフィス内で取り組んでいる業務の困難さ等が主要なストレッサーである場合もあり、職種等によって異なる。本願における「外出頻度」は、この職種等の差によるEnvironmental Demandsの違いを実際のデータから導き出すことを目的としている。

例えば、式（１）において、ストレススコアに比べて体動特徴量が小さい（体動特徴量の「寄与度」が小さい）状況は、Environmental Demandsが外出とは関係ないという状況を意味する。これは、例えば、外出頻度が低くストレスが高い被測定者に典型的なものだが、式（８）のように、この被験者の体動特徴量に相対的な（他の被測定者の平均と比較した）外出頻度の逆数等を掛けて体動特徴量を補正することで、こうした被測定者の体動特徴量を高くすることができる。こうした被測定者は実際には客先に出向くことではなく、オフィス内で取り組んでいる業務の困難さがストレッサーになっていて、高いEnvironmental Demandsを受けているのであるが、これを、疑似的にEnvironmental Demandsが外出（客先に出向くこと）であるかのように補正する。こうした操作により、被測定者全体を、外出（客先訪問）が主要なEnvironmental Demandsである属性を持つ集団としてモデルを形成することが可能となる。

式（５）、式（６）、式（７）で説明したとおり、全ての体動特徴量は、活動状態（座位、歩行、走行）の長さで正規化している為、活動状態の時間的長さ（外出頻度）と、体動特徴量の大小には直接の関係はない。体動特徴量は、単に個々の活動状態における体動の激しさを反映している。

客先訪問等が主なEnvironmental Demandである場合には、客先訪問の頻度（時間的長さ）よりも、そこでの体動特徴量の大きさ、例えば、体動信号として加速度信号が採用された場合の、加速度の時系列ヒストグラムにおける大きな加速度の割合の多さ、つまり、急いで歩いたり走ったりしている割合の多さ、がストレスと相関すると考えられる。

一方、主に座位でのオフィスにおける業務が主要なストレッサーである場合、体動特徴量はストレスにはほぼ無関係となる。一方、座位での業務の長さ（歩行、走行の割合の少なさ）はストレッサーに関連すると考えられる。

こうした状況をまとめると、Environmental Demandsと外出頻度の関係は、図５、図６のようになると考えられる。図５および図６は、外出頻度および体動特徴量と、ストレスとの関係を示す図である。図５のグループ１、図６のグループ２は、図１および図２におけるグループ１、グループ２と同様である。図５のとおり、グループ１では、外出頻度は一定だが、体動特徴量はストレスに比例して増大する。一方、図６のとおり、グループ２では、外出頻度はストレスに比例して減少していく一方、体動特徴量は一定である。

図７は、図５の外出頻度の代わりに外出頻度の逆数を示す図である。図８は、図６の外出頻度の代わりに外出頻度の逆数を示す図である。

図７に示すように、グループ１では体動特徴量はストレスに比例し、外出頻度は概ね一定となる。また、図８に示すように、グループ２では外出頻度がストレスに比例し、体動特徴量は概ね一定となる。これらを掛けあわせることで、グループ１、グループ２ともに、ストレスに比例する特徴量が得られる。現実には、個々の被測定者がグループ１、グループ２のどちらであるかという情報は事前には得られない為、グループ１では体動特徴量を用い、グループ２では外出頻度の逆数を用いる、といった操作はできず、これらの二つの指標を掛けあわせた指標を用いることが適切である。しかし、事前にそうした情報が得られるならば、グループ１、グループ２でそれぞれ、体動特徴量、外出頻度の逆数をストレス推定特徴量として用いるような操作も、本願の範囲に含まれる。

式（８）の操作を更に具体的に説明するため、図９および図１０を用いる。図９および図１０は、式（８）の操作を更に具体的に説明するための図である。

図９は、式（８）の補正が行われる前の体動特徴量ＢＦ_ｊｉとストレススコアＳ_ｉのプロットである。図４の模式図の通り、Environmental DemandとストレススコアＳ_ｉは比例すると考えられる。このため、「寄与度」は一定である。一方、外出頻度の低いグループ（グループ２）では、ＢＦ_ｊｉのスストレススコアへの「寄与度」Ｃ_ｊｉが一定でなく、ストレススコアとの相関が小さいと考えられる。このグループ１における「寄与度」Ｃ_ｊｉは、図５～図８における説明のように、ストレスが大きくなると小さくなる一方、外出頻度はストレスが大きくなると、低下する。

ここで、図１０に示したように、グループ２に対して、式（８）においてａ＝－１とした補正項を体動特徴量ＢＦ_ｊｉにかけて、補正済み体動特徴量ＢＦ_ｊｉ’とする。すると、補正済み体動特徴量に対応した補正済み寄与度Ｃ_ｊｉ’は概ね一定となる。グループ1に対しても同じ操作をするが、外出頻度は高く、一定であるため、外出頻度の逆数で補正しても変化は少ない。

図１１は、ストレススコアを推定するモデルの精度向上の際に行う操作を示す図である。図１１に記したように、こうした操作により、図９において大きかったＣ_ｊｉのばらつき（標準偏差）は、図１０では相対的に小さくなる。また、これにより、ストレススコアこのばらつき（標準偏差）はグループ１、グループ２の「寄与度」Ｃ_ｊｉを全て含んだ計算であり、このばらつき（標準偏差）が小さくなることで、グループ１、グループ２を一括して、体動特徴量ＢＦ_ｊｉ’によってストレススコアにより精度よく推定するモデルを開発することができる。

補正体動特徴量出力部１０６は、体動特徴量補正部１０５により補正された体動特徴量を出力する。

ストレス推定部１０７は、補正された体動特徴量を用いてストレス推定を行う。ストレス推定部１０７は、補正体動特徴量出力部１０６から出力された体動特徴量のみ、あるいは、それに加えて体動以外の生体信号から算出したストレス特徴量も用いて、ストレスを推定する。

［動作の説明］
次に、本実施形態におけるストレス推定装置１００の動作について図１２を用いて説明する。図１２は、ストレス推定装置１００の動作を示すフロー図である。本実施形態では、ストレス推定装置１００を動作させることによって、ストレス推定方法が実施される。よって、本実施形態におけるストレス推定方法の説明は、以下のストレス推定装置１００の動作説明に代える。

体動データ取得部１０１は、ウェアラブル端末２００から送信された体動データを取得し（Ａ１）、体動データ記憶部１０２に記憶する（Ａ２）。体動特徴量計算部１０３は、体動特徴量を、体動データから算出する(Ａ３)。外出頻度計算部１０４は、式（８）等によって、外出頻度を算出する(Ａ４)。体動特徴量補正部１０５は、外出頻度を式（９）によって補正する（Ａ５）。補正体動特徴量出力部１０６は、補正された特徴量を出力する（Ａ６）。ストレス推定部１０７は、この補正体動特徴量を用いて、ストレスを推定する（Ａ７）。

［プログラム］
本実施形態におけるプログラムは、コンピュータに、図１２に示すステップＡ１～Ａ７を実行させるプログラムであればよい。このプログラムをコンピュータにインストールし、実行することによって、本実施形態におけるストレス推定装置１００とストレス推定方法とを実現することができる。この場合、コンピュータのプロセッサは、体動データ取得部１０１、体動データ記憶部１０２、体動特徴量計算部１０３、外出頻度計算部１０４、体動特徴量補正部１０５、補正体動特徴量出力部１０６およびストレス推定部１０７として機能し、処理を行なう。

［効果の説明］
以上説明した本実施形態では、被測定者の外出の頻度に依らず一定のモデルでストレスを推定することができる。

［具体例］
図１３および図１４を用いて、本実施形態の例を具体的に説明する。図１３および図１４は、本実施形態の具体例を説明するための図である。この例では、ストレス推定装置１００は、インターネット５０４に接続されたコンピュータ６００として、説明する。

図１３のように、コンピュータ６００は、被測定者３００が所有する携帯端末５０２を介して、被測定者３００が装着するウェアラブル端末２００と通信するよう構成されている。携帯端末５０２と、ウェアラブル端末２００とは、例えば、Ｂｌｕｅｔｏｏｔｈ（登録商標）で、データの送受信を行う。また、携帯端末５０２と、コンピュータ６００とは、例えば、パケット通信で、データの送受信を行う。

ウェアラブル端末２００は被測定者３００の体動を反映する３軸加速度とともに、被測定者３００の生体情報を反映する生体信号を取得する。被測定者３００の生体信号としては、非特許文献１に挙げられているように、被測定者３００の発汗を反映する皮膚表面電気活動（Electrodermal Activity）、それ以外にも、被測定者３００の生体情報として、体温、脈波、心拍、音声、脳波、呼吸、筋電、心電、更に体動を反映する加速度信号等、被測定者の精神活動の影響を受ける生体情報のすべてが本発明の範囲に含まれる。

ウェアラブル端末２００自体は、前述の通り、非特許文献１に開示されているようなリストバンドタイプのほかに、バッジタイプ、社員証タイプ、イヤホンタイプ、シャツタイプ、頭部に装着するタイプ、眼鏡タイプ等、非測定者が着用でき、かつ、前記に挙げた生体情報を反映する生体信号のうちいずれかと、体動信号が測定できるものであればよい。具体的には、本実施例では、ウェアラブル端末は、体動信号の一種である加速度信号のみを一定のサンプリングレートで取得し、内蔵メモリに保存する。

ウェアラブル端末２００は、取得した加速度信号データと生体信号データとを、携帯端末５０２を介して、コンピュータ６００に送信する。具体的には、ウェアラブル端末２００はBluetooth（登録商標）を通じて携帯端末５０２に接続して生体信号データを携帯端末５０２に送信する。その後、携帯端末５０２にインストールされたアプリケーションによって生体信号データをパケット通信によってインターネット５０４に送信し、インターネット５０４上のコンピュータ６００にアップロードする。

図１４のように、コンピュータ６００内には、通信インターフェース７００、データ処理要素、およびデータ記憶要素が存在する。データ処理要素として、体動データ取得部８０１と、体動特徴量計算部８０３と、外出頻度計算部８０５と、体動特徴量補正部８０７と、補正体動特徴量出力部８０９と、ストレス推定部９０１と、ストレス推定結果出力部９０３とが存在する。また、データ記憶要素として、体動データ記憶部８０２と、体動特徴量記憶部８０４と、外出頻度記憶部８０６と、補正体動特徴量記憶部８０８と、ストレス推定結果記憶部９０２とが存在する。

まず、通信インターフェース７００から得られた体動データが体動データ取得部８０１を通じて体動データ記憶部８０２に記憶される。次に、体動特徴量計算部８０３が、体動データ記憶部８０２から得た体動データを用い、体動特徴量を算出する。このデータは、体動特徴量記憶部８０４に記憶される。次に、外出頻度計算部８０５が、歩行及び走行の時間的割合等を用いて外出頻度を算出する。算出された外出頻度は、外出頻度記憶部８０６に記憶される。

次に、体動特徴量補正部８０７が、体動特徴量記憶部８０４及び外出頻度記憶部８０６に記憶された体動特徴量及び外出頻度を用いて、式（９）等の計算式により、体動特徴量を補正する。これにより、体動特徴量は、よりストレススコアに相関する数値となる。

具体的に、第一の実施例のとおりに実験を実施した結果、得られたデータを分析した結果である図１５を用いて説明する。図１５は、補正前後の体動特徴量のＰＳＳの相関図である。図１５では、ある体動特徴量（走っているときの時系列ヒストグラム特徴量）を補正する前と後での、ＰＳＳ(Perceived Stress Scale)と呼ばれる慢性的ストレススコアの数値を比較している。図１５に示されているように、補正前の相関係数が０．２６であるのに対し、補正後の相関係数は０．３９と大きく向上している。

図１６は、補正項と体動特徴量との関係を示す図である。上記理由は、図１６のとおり、補正項（外出頻度の逆数）が、慢性ストレスアンケートのスコアが高いわりに、体動特徴量の数値が低い人において、相補的に、補正項（外出頻度の逆数）が大きい、すなわち、外出頻度が少ない状況（図１６の枠部分）から説明できる。補正項（＝外出頻度の逆数）が大きい人とは、グループ２に相当する、あまり外出しない人であり、ストレススコアへの体動特徴量の相関は小さい。こうした人たちだけでストレス推定モデルを作る場合には、このままで良いが、前述の通り、グループ1に相当する、外出頻度が高く、体動特徴量のストレススコアへの相関の高い人と同じ特徴量・モデルで分析するためには、外出頻度の低い人の体動特徴量の相関を人為的に上げる操作が必要になる。逆に言えば、外出頻度の多い人を、外出頻度の少ない人と同じモデルで分析するためには、こうした人たちの体動特徴量のストレスへの相関を人為的に下げる操作が必要になる。図１６はこうした状況を説明しており、図１５によってその効果が示されている。

図１７は、図７で示した模式的なグラフを実データで検証したグラフである。図１８は、図８で示した模式的なグラフを実データで検証したグラフである。

図１７は、図１６に示された合計６４名分のデータの補正項の中央値を四捨五入した数値である１２を閾値として、閾値未満をグループ１相当のデータとして示す図である。図１８は、図１６に示された合計６４名分のデータの補正項の中央値を四捨五入した数値である１２を閾値として、閾値未満をグループ２相当のデータとして示す図である。

図１７では、補正項はほぼ一定の数値だが、体動特徴量はストレススコアに比例する傾向が見られる。一方、図１８では、補正項がストレススコアに比例する傾向を示す一方、体動特徴量は、ややばらつきはあるものの一定の数値にとどまる傾向を示している。

図１４に戻る。補正された特徴量は、補正体動特徴量記憶部８０８に記憶される。

次に、補正体動特徴量出力部８０９から、補正体動特徴量が、ストレス推定部９０１に出力される。

ストレス推定部９０１はストレスを推定し、推定結果をストレス推定結果記憶部９０２に記憶する。ストレス推定部９０１におけるストレス推定は、例えば、ストレスの正解値として、ＰＳＳのスコアを用い、ＰＳＳスコアを回帰分析によって推定するモデルを作成することで実現することができる。この際、被測定者に対して実験期間（４週間）の最後に実施したＰＳＳアンケートから算出したスコアを教師データとし、ストレス特徴量として、補正体動特徴量を用いてＳＶＭモデル等の機械学習モデルを学習させる。こうして作成したモデルを用いてＰＳＳスコアを推定することができ、これをストレス推定結果として設定することができる。

次に、被測定者の要求に応じて、ストレス推定結果出力部９０３は、ストレス推定結果記憶部９０２に記憶されたストレス推定の結果を出力する。出力方法は、例えば、画面出力、印刷出力などが挙げられるが、これに限らない。出力するタイミングは、常時、または被測定者の要求によって、出力することが挙げられる。具体的には、画面出力の場合、ストレス推定結果記憶部９０２に記憶されたストレス推定結果が、通信インターフェース７００を通じて、ウェアラブル端末２００または携帯端末５０２に送信され、ウェアラブル端末２００または携帯端末５０２に付随する画面から出力される。

（装置の物理構成）
ここで、本実施形態におけるプログラムを実行することによって、ストレス推定装置１００を実現するコンピュータについて図１９を用いて説明する。図１９は、本実施形態におけるストレス推定装置１００を実現するコンピュータの一例を示すブロック図である。

図１９に示すように、コンピュータ１１０は、ＣＰＵ（Central Processing Unit）１１１と、メインメモリ１１２と、記憶装置１１３と、入力インターフェース１１４と、表示コントローラ１１５と、データリーダ／ライタ１１６と、通信インターフェース１１７とを備える。これらの各部は、バス１２１を介して、互いにデータ通信可能に接続される。なお、コンピュータ１１０は、ＣＰＵ１１１に加えて、又はＣＰＵ１１１に代えて、ＧＰＵ（Graphics Processing Unit）、又はＦＰＧＡ（Field-Programmable Gate Array）を備えていても良い。

ＣＰＵ１１１は、記憶装置１１３に格納された、本実施の形態におけるプログラム（コード）をメインメモリ１１２に展開し、これらを所定順序で実行することにより、各種の演算を実施する。メインメモリ１１２は、典型的には、ＤＲＡＭ（Dynamic Random Access Memory）等の揮発性の記憶装置である。また、本実施の形態におけるプログラムは、コンピュータ読み取り可能な記録媒体１２０に格納された状態で提供される。なお、本実施の形態におけるプログラムは、通信インターフェース１１７を介して接続されたインターネット上で流通するものであっても良い。

また、記憶装置１１３の具体例としては、ハードディスクの他、フラッシュメモリ等の半導体記憶装置が挙げられる。入力インターフェース１１４は、ＣＰＵ１１１と、キーボード及びマウスといった入力機器１１８との間のデータ伝送を仲介する。表示コントローラ１１５は、ディスプレイ装置１１９と接続され、ディスプレイ装置１１９での表示を制御する。データリーダ／ライタ１１６は、ＣＰＵ１１１と記録媒体１２０との間のデータ伝送を仲介し、記録媒体１２０からのプログラムの読み出し、及びコンピュータ１１０における処理結果の記録媒体１２０への書き込みを実行する。通信インターフェース１１７は、ＣＰＵ１１１と、他のコンピュータとの間のデータ伝送を仲介する。

また、記録媒体１２０の具体例としては、ＣＦ（Compact Flash（登録商標））及びＳＤ（Secure Digital）等の汎用的な半導体記憶デバイス、フレキシブルディスク（Flexible Disk）等の磁気記憶媒体、又はＣＤ－ＲＯＭ（Compact Disk Read Only Memory）などの光学記憶媒体が挙げられる。

上述した実施の形態の一部又は全部は、以下に記載する（付記１）～（付記２４）によって表現することができるが、以下の記載に限定されるものではない。

（付記１）
被測定者のストレスを推定するストレス推定装置であって、
体動データを取得する体動データ取得部と、
体動データを記憶する体動データ記憶部と、
記憶された前記体動データからストレスに関わる体動特徴量を計算する体動特徴量計算部と、
記憶された前記体動データから外出頻度の推定値を計算する外出頻度計算部と、
前記体動特徴量と前記外出頻度を用いて、体動特徴量のストレスへの相関を補正する体動特徴量補正部と、
補正された前記体動特徴量を出力する補正体動特徴量出力部と、
補正された前記体動特徴量を用いてストレス推定を行うストレス推定部と、
を備えた、ストレス推定装置。

（付記２）
付記１に記載のストレス推定装置であって、
前記外出頻度計算部は、
前記体動データから推測した被測定者の活動データに基づいて、前記外出頻度の推定値を計算する、
ストレス推定装置。

（付記３）
付記２に記載のストレス推定装置であって、
前記活動データが、被測定者個人毎の全活動における特定の活動の割合を示すデータであり、
前記活動データは、
前記被測定者個人毎に、体動データの時系列変化から求めた移動平均に基づいて、活動状態それぞれの頻度を示すヒストグラムを求め、更に、
求めた前記ヒストグラムを用いて、各活動状態を区別する閾値を算出し、
算出した前記閾値を用いることで、計算される、
ストレス推定装置。

（付記４）
付記２に記載のストレス推定装置であって、
前記活動データは、体動データの時系列変化から求めた移動平均が、被測定者共通の閾値以上である場合における、特定の活動の割合を示すデータである、
ストレス推定装置。

（付記５）
付記１に記載のストレス推定装置であって、
前記外出頻度計算部は、
前記体動データに代えて、被測定者のスケジュールデータ、オフィス出入記録データまたは交通機関利用記録データに基づいて、前記外出頻度の推定値を計算する、
ストレス推定装置。

（付記６）
付記１に記載のストレス推定装置であって、
前記外出頻度計算部は、
前記体動データに代えて、前記被測定者自身の申告に基づいて、前記外出頻度の推定値を計算する、
ストレス推定装置。

（付記７）
付記１から付記６のいずれか一つに記載のストレス推定装置であって、
前記外出頻度計算部は、複数の被測定者について、外出頻度の推定値を計算し、
前記体動特徴量補正部は、全被測定者の外出頻度の推定値の平均値に対する、被測定者の平均値の割合の逆数を乗算して、体動特徴量のストレスへの相関を補正する
ストレス推定装置。

（付記８）
付記１から付記７のいずれか一つに記載のストレス推定装置であって、
前記ストレス推定部は、体動データ以外の信号から算出された特徴量を用いてストレス推定を行う、
ストレス推定装置。

（付記９）
被測定者のストレスを推定するストレス推定方法であって、
体動データを取得するステップと、
体動データを記憶するステップと、
記憶された前記体動データからストレスに関わる体動特徴量を計算するステップと、
記憶された前記体動データから外出頻度の推定値を計算するステップと、
前記体動特徴量と前記外出頻度を用いて、体動特徴量のストレスへの相関を補正するステップと、
補正された前記体動特徴量を出力するステップと、
補正された前記体動特徴量を用いてストレス推定を行うステップと、
を備えた、ストレス推定方法。

（付記１０）
付記９に記載のストレス推定方法であって、
前記外出頻度の推定値を計算するステップでは、
前記体動データから推測した被測定者の活動データに基づいて、前記外出頻度の推定値を計算する、
ストレス推定方法。

（付記１１）
付記１０に記載のストレス推定方法であって、
前記活動データが、被測定者個人ごとに閾値を算出するものであって、その計算手法が、体動データの変化の一定期間での移動平均の数値データからヒストグラムを構成し、前記ヒストグラムを用いて個人ごとの活動状態毎の閾値を算出し、その中で特定の活動の割合とする、
ストレス推定方法。

（付記１２）
付記１０に記載のストレス推定方法であって、
前記活動データが、被測定者に共通の閾値を算出するものであって、その計算手法が、体動データの変動の移動平均が一定の閾値を超えたかどうかで判定するものである
ストレス推定方法。

（付記１３）
付記９に記載のストレス推定方法であって、
前記外出頻度の推定値を計算するステップでは、
前記体動データに代えて、被測定者のスケジュールデータ、オフィス出入記録データまたは交通機関利用記録データに基づいて、前記外出頻度の推定値を計算する、
ストレス推定方法。

（付記１４）
付記９に記載のストレス推定方法であって、
前記外出頻度の推定値を計算するステップでは、
前記体動データに代えて、前記被測定者自身の申告に基づいて、前記外出頻度の推定値を計算する、
ストレス推定方法。

（付記１５）
付記９から付記１４のいずれか一つに記載のストレス推定方法であって、
前記外出頻度の推定値を計算するステップでは、複数の被測定者について、外出頻度の推定値を計算し、
前記相関を補正するステップでは、全被測定者の外出頻度の推定値の平均値に対する、被測定者の平均値の割合の逆数を乗算して、体動特徴量のストレスへの相関を補正する
ストレス推定方法。

（付記１６）
付記９から付記１５のいずれか一つに記載のストレス推定方法であって、
前記ストレス推定を行うステップでは、体動データ以外の信号から算出された特徴量を用いてストレス推定を行う、
ストレス推定方法。

（付記１７）
コンピュータに被測定者のストレスを推定させる命令を含むプログラムであって、
前記コンピュータに、
体動データを取得するステップと、
体動データを記憶するステップと、
記憶された前記体動データからストレスに関わる体動特徴量を計算するステップと、
記憶された前記体動データから外出頻度の推定値を計算するステップと、
前記体動特徴量と前記外出頻度を用いて、体動特徴量のストレスへの相関を補正するステップと、
補正された前記体動特徴量を出力するステップと、
補正された前記体動特徴量を用いてストレス推定を行うステップと、
を実行させる命令を含むプログラム。

（付記１８）
付記１７に記載のプログラムであって、
前記外出頻度の推定値を計算するステップでは、
前記体動データから推測した被測定者の活動データに基づいて、前記外出頻度の推定値を計算する、
プログラム。

（付記１９）
付記１８に記載のプログラムであって、
前記活動データが、被測定者個人ごとに閾値を算出するものであって、その計算手法が、体動データの変化の一定期間での移動平均の数値データからヒストグラムを構成し、前記ヒストグラムを用いて個人ごとの活動状態毎の閾値を算出し、その中で特定の活動の割合とする、
プログラム。

（付記２０）
付記１８に記載のプログラムであって、
前記活動データが、被測定者に共通の閾値を算出するものであって、その計算手法が、体動データの変動の移動平均が一定の閾値を超えたかどうかで判定するものである
プログラム。

（付記２１）
付記１７に記載のプログラムであって、
前記外出頻度の推定値を計算するステップでは、
前記体動データに代えて、被測定者のスケジュールデータ、オフィス出入記録データまたは交通機関利用記録データに基づいて、前記外出頻度の推定値を計算する、
プログラム。

（付記２２）
付記１７に記載のプログラムであって、
前記外出頻度の推定値を計算するステップでは、
前記体動データに代えて、前記被測定者自身の申告に基づいて、前記外出頻度の推定値を計算する、
プログラム。

（付記２３）
付記１７から付記２２のいずれか一つに記載のプログラムであって、
前記外出頻度の推定値を計算するステップでは、複数の被測定者について、外出頻度の推定値を計算し、
前記ストレス推定を行うステップでは、全被測定者の外出頻度の推定値の平均値に対する、被測定者の平均値の割合の逆数を乗算して、体動特徴量のストレスへの相関を補正する
プログラム。

（付記２４）
付記１７から付記２３のいずれか一つに記載のプログラムであって、
前記ストレス推定を行うステップでは、体動データ以外の信号から算出された特徴量を用いてストレス推定を行う、
プログラム。

１００ストレス推定装置
１０１体動データ取得部
１０２体動データ記憶部
１０３体動特徴量計算部
１０４外出頻度計算部
１０５体動特徴量補正部
１０６補正体動特徴量出力部
１０７ストレス推定部
２００ウェアラブル端末
３００被測定者
５０２携帯端末
５０４インターネット
６００コンピュータ
７００通信インターフェース
８０１体動データ取得部
８０２体動データ記憶部
８０３体動特徴量計算部
８０４体動特徴量記憶部
８０５外出頻度計算部
８０６外出頻度記憶部
８０７体動特徴量補正部
８０８補正体動特徴量記憶部
８０９補正体動特徴量出力部
９０１ストレス推定部
９０２ストレス推定結果記憶部
９０３ストレス推定結果出力部

Claims

被測定者のストレスを推定するストレス推定装置であって、
体動データを取得する体動データ取得手段と、
体動データを記憶する体動データ記憶手段と、
記憶された前記体動データからストレスに関わる体動特徴量を計算する体動特徴量計算手段と、
記憶された前記体動データから外出頻度の推定値を計算する外出頻度計算手段と、
前記体動特徴量と前記外出頻度を用いて、体動特徴量のストレスへの相関を補正する体動特徴量補正手段と、
補正された前記体動特徴量を出力する補正体動特徴量出力手段と、
補正された前記体動特徴量を用いてストレス推定を行うストレス推定手段と、
を備えた、ストレス推定装置。
請求項１に記載のストレス推定装置であって、
前記外出頻度計算手段は、
前記体動データから推測した被測定者の活動データに基づいて、前記外出頻度の推定値を計算する、
ストレス推定装置。
請求項２に記載のストレス推定装置であって、
前記活動データが、被測定者個人毎の全活動における特定の活動の割合を示すデータであり、
前記活動データは、
前記被測定者個人毎に、体動データの時系列変化から求めた移動平均に基づいて、活動状態それぞれの頻度を示すヒストグラムを求め、更に、
求めた前記ヒストグラムを用いて、各活動状態を区別する閾値を算出し、
算出した前記閾値を用いることで、計算される、
ストレス推定装置。
請求項２に記載のストレス推定装置であって、
前記活動データは、体動データの時系列変化から求めた移動平均が、被測定者共通の閾値以上である場合における、特定の活動の割合を示すデータである、
ストレス推定装置。
請求項１に記載のストレス推定装置であって、
前記外出頻度計算手段は、
前記体動データに代えて、被測定者のスケジュールデータ、オフィス出入記録データまたは交通機関利用記録データに基づいて、前記外出頻度の推定値を計算する、
ストレス推定装置。
請求項１に記載のストレス推定装置であって、
前記外出頻度計算手段は、
前記体動データに代えて、前記被測定者自身の申告に基づいて、前記外出頻度の推定値を計算する、
ストレス推定装置。
請求項１から請求項６のいずれか一つに記載のストレス推定装置であって、
前記外出頻度計算手段は、複数の被測定者について、外出頻度の推定値を計算し、
前記体動特徴量補正手段は、全被測定者の外出頻度の推定値の平均値に対する、被測定者の平均値の割合の逆数を乗算して、体動特徴量のストレスへの相関を補正する
ストレス推定装置。
請求項１に記載のストレス推定装置であって、
前記ストレス推定手段は、体動データ以外の信号から算出された特徴量を用いてストレス推定を行う、
ストレス推定装置。
被測定者のストレスを推定するストレス推定方法であって、
体動データを取得し、
体動データを記憶し、
記憶された前記体動データからストレスに関わる体動特徴量を計算し、
記憶された前記体動データから外出頻度の推定値を計算し、
前記体動特徴量と前記外出頻度を用いて、体動特徴量のストレスへの相関を補正し、
補正された前記体動特徴量を出力し、
補正された前記体動特徴量を用いてストレス推定を行う
ストレス推定方法。
コンピュータに被測定者のストレスを推定させる命令を含むプログラムであって、
前記コンピュータに、
体動データを取得させ、
体動データを記憶させ、
記憶された前記体動データからストレスに関わる体動特徴量を計算させ、
記憶された前記体動データから外出頻度の推定値を計算させ、
前記体動特徴量と前記外出頻度を用いて、体動特徴量のストレスへの相関を補正させ、
補正された前記体動特徴量を出力させ、
補正された前記体動特徴量を用いてストレス推定を行わせる、
命令を含むプログラム。