JP7279812B2 - ストレス推定装置、ストレス推定装置の作動方法、及び、プログラム - Google Patents

Description

本発明は、ストレスを推定する技術に関する。

現代はストレス社会と言われ、人々は職場、家庭など様々な環境でストレスにさらされている。このため、人間のストレスを判定、推定するための各種の手法が提案されている。例えば、特許文献１は、対象者の睡眠中の体動、呼吸、脈波などを検出し、睡眠中のストレス度を判定する手法を提案している。特許文献２は、カメラやマイクを用いて対象者の顔画像データや音声データ等の人体情報を検出し、センサなどにより検出したストレス量と予め関連付けておくことにより、人体情報から対象者のストレス状態を推定する手法を提案している。

特開２０１６－１０７０９５号公報 特開２０１１－１６７３２３号公報

職場における作業中に労働者が感じるストレスは、作業の効率や安全性の低下などにつながり、労働者の健康にも影響を与えることが知られている。よって、作業効率の改善や労働者の健康管理などの観点から、労働者のストレスをモニタリングすることが求められている。

本発明の目的の１つは、対象者に負担をかけずに、ストレスを定量的に推定することにある。

上記の課題を解決するため、本発明の１つの観点では、ストレス推定装置は、
対象者の覚醒度を取得する覚醒度取得手段と、
取得された覚醒度の特徴量を算出する特徴量算出手段と、
ストレスのモデルを用いて、算出された特徴量からストレスを推定するストレス推定手段と、
を備え、
前記覚醒度は時系列信号であり、
前記特徴量は、前記覚醒度の時間変化が所定の範囲となる割合である。
本発明の他の観点では、ストレス推定装置は、
対象者の覚醒度を取得する覚醒度取得手段と、
取得された覚醒度の特徴量を算出する特徴量算出手段と、
ストレスのモデルを用いて、算出された特徴量からストレスを推定するストレス推定手段と、
を備え、
前記覚醒度は時系列信号であり、
前記特徴量は、前記覚醒度の時間変化の分布を示すヒストグラムを規定する情報である。

本発明のさらに他の観点では、入力部とコンピュータとを備えるストレス推定装置の作動方法は、
前記入力部が、対象者の覚醒度を取得し、
前記コンピュータが、取得された覚醒度の特徴量を算出し、
前記コンピュータが、ストレスのモデルを用いて、算出された特徴量からストレスを推定し、
前記覚醒度は時系列信号であり、
前記特徴量は、前記覚醒度の時間変化が所定の範囲となる割合である。
本発明のさらに他の観点では、入力部とコンピュータとを備えるストレス推定装置の作動方法は、
前記入力部が、対象者の覚醒度を取得し、
前記コンピュータが、取得された覚醒度の特徴量を算出し、
前記コンピュータが、ストレスのモデルを用いて、算出された特徴量からストレスを推定し、
前記覚醒度は時系列信号であり、
前記特徴量は、前記覚醒度の時間変化の分布を示すヒストグラムを規定する情報である。

本発明のさらに他の観点では、プログラムは、
対象者の覚醒度を取得し、
取得された覚醒度の特徴量を算出し、
ストレスのモデルを用いて、算出された特徴量からストレスを推定する処理をコンピュータに実行させ、
前記覚醒度は時系列信号であり、
前記特徴量は、前記覚醒度の時間変化が所定の範囲となる割合である。
本発明のさらに他の観点では、プログラムは、
対象者の覚醒度を取得し、
取得された覚醒度の特徴量を算出し、
ストレスのモデルを用いて、算出された特徴量からストレスを推定する処理をコンピュータに実行させ、
前記覚醒度は時系列信号であり、
前記特徴量は、前記覚醒度の時間変化の分布を示すヒストグラムを規定する情報である。

本発明によれば、対象者に負担をかけずに、ストレスを定量的に推定することが可能となる。

本発明の第１実施形態に係るストレス推定装置の概略構成を示す。 第１実施形態に係るストレス推定装置のハードウェア構成を示す。 第１実施形態に係るストレス推定装置の機能構成を示す。 覚醒度生成部の構成例を示す。 覚醒度の例を示すグラフである。 覚醒度に基づく値とストレスとの相関を示すグラフである。 覚醒度に基づく値とストレスの高低との関係を示すグラフである。 ストレス推定処理のフローチャートである。 ストレス推定の評価結果を示すグラフである。 第２実施形態における特徴量を説明する図である。 第３実施形態に係るストレス推定装置の機能構成を示す。

以下、図面を参照して本発明の好適な実施形態について説明する。
［第１実施形態］
（構成）
図１は、本発明の第１実施形態に係るストレス推定装置の概略構成を示す。ストレス推定装置１は、カメラ２に接続される。カメラ２は、ストレス推定の対象者（以下、単に「対象者」と呼ぶ。）の顔を撮影し、撮影画像Ｄ１をストレス推定装置１に送信する。カメラ２は、典型的には、デスクワークで対象者が使用するＰＣ（Ｐｅｒｓｏｎａｌ Ｃｏｍｐｕｔｅｒ）に設けられる、いわゆるウェブカメラや赤外線カメラなどを使用することができる。但し、カメラ２の例はこれには限られず、例えば、対象者が装着するメガネなどに設けられ、眼電位の測定により対象者のまぶたの動き（開閉）を検出するデバイスなどを使用してもよい。

ストレス推定装置１は、撮影画像Ｄ１を分析して対象者のストレスを推定し、ストレス推定結果を出力する。ストレス推定結果は、それを利用する各種の装置に供給される。例えば、社員の業務管理や健康管理を行うシステムにおいては、各社員のストレス推定結果をサーバで監視し、ある社員のストレスが高いと判断された場合、その社員が使用しているＰＣのディスプレイに休憩をとるよう促すメッセージを表示したりすることができる。

図２は、ストレス推定装置１のハードウェア構成を示すブロック図である。図示のように、ストレス推定装置１は、インタフェース（Ｉｎｔｅｒｆａｃｅ）１１と、プロセッサ１２と、メモリ１３と、記録媒体１４と、を備える。

インタフェース１１は、カメラ２との間でデータの授受を行う。インタフェース１１は、カメラ２が生成した撮影画像を受信する際に使用される。また、インタフェース１１は、ストレス推定装置１が、ストレス推定結果を利用する装置にストレス推定結果を出力する際に使用される。

プロセッサ１２は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）などのコンピュータであり、予め用意されたプログラムを実行することにより、ストレス推定装置１の全体を制御する。メモリ１３は、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）などにより構成される。メモリ１３は、プロセッサ１２により実行される各種のプログラムを記憶する。また、メモリ１３は、プロセッサ１２による各種の処理の実行中に作業メモリとしても使用される。

記録媒体１４は、ディスク状記録媒体、半導体メモリなどの不揮発性で非一時的な記録媒体であり、ストレス推定装置１に対して着脱可能に構成される。記録媒体１４は、プロセッサ１２が実行する各種のプログラムを記録している。ストレス推定装置１がストレス推定処理を実行する際には、記録媒体１４に記録されているプログラムがメモリ１３にロードされ、プロセッサ１２により実行される。

図３は、ストレス推定装置１の機能構成を示すブロック図である。ストレス推定装置１は、機能的には、覚醒度生成部２１と、特徴量算出部２２と、ストレス推定部２３と、ストレスモデル記憶部２４と、を備える。なお、覚醒度生成部２１、特徴量算出部２２及びストレス推定部２３は、プロセッサ１２がプログラムを実行することにより実現され、ストレスモデル記憶部２４は、メモリ１３により実現される。

覚醒度生成部２１は、カメラ２から供給される撮影画像Ｄ１から、覚醒度Ｄ３を生成する。覚醒度とは、人が覚醒している度合いを示す値である。覚醒度が高い状態は、人が起きていて目がさえている状態であり、覚醒度が低い状態は人が眠い状態である。覚醒度生成部２１は、対象者の顔の撮影画像Ｄ１を分析し、その対象者の覚醒度Ｄ３を算出して特徴量算出部２２へ供給する。

図４は、覚醒度生成部２１の構成例を示すブロック図である。この例では、覚醒度生成部２１は、開眼度検出部２１ａと、フィルタリング部２１ｂとを備える。開眼度検出部２１ａは、撮影画像Ｄ１を画像処理して対象者の開眼度を検出し、開眼度の時系列信号Ｄ２をフィルタリング部２１ｂに出力する。「開眼度」は、対象者の眼が開いている程度を示す値であり、撮影画像Ｄ１の分析により算出される。なお、開眼度としては、対象者の左右の眼の一方の開眼度を用いてもよく、左右の眼の開眼度の平均値などを用いても良い。

フィルタリング部２１ｂは、開眼度の時系列信号Ｄ２から、対象者の瞬きにより生じる信号の変化分を除去するフィルタリングを行う。一般的に、人間の瞬きの時間は０．１～０．１５秒程度であるので、その周波数は１０～６．７Ｈｚ程度である。よって、フィルタリング部２１ｂは、開眼度の時系列信号Ｄ２から、その周波数帯域の信号を除去した信号を覚醒度Ｄ３として出力する。これにより、覚醒度は、人間の眼の開眼度のうち、瞬き以外の眼の開閉を示す時系列信号となる。言い換えると、覚醒度は、生理現象であるの瞬きによるものではなく、眠気によって対象者の眼が開閉する状態を数値化した値となる。なお、図４の例では、撮影画像における対象者の開眼度を用いて覚醒度を生成しているが、覚醒度生成部２１はこれ以外の手法により覚醒度を生成してもよい。

例えば、覚醒度生成部２１は、以下の文献に記載の手法を用いて覚醒度を生成してもよい。
Tsujikawa, Y. Onishi, Y. Kiuchi, T. Ogatsu, A. Nishino , S. Hashimoto,“Drowsiness Estimation from Low-Frame-Rate Facial Videos using Eyelid Variability Features, ” Conf Proc IEEE Eng Med Biol Soc. 2018 Jul;2018:5203-5206., 2018.

特徴量算出部２２は、時系列信号である覚醒度Ｄ３の時間変化が所定の範囲となる割合を特徴量Ｄ４として算出する。具体的には、特徴量算出部２２は、覚醒度生成部２１から供給された覚醒度Ｄ３の１階微分又は２階微分を時間変化として算出し、その値が予め決められた閾値未満となる割合を特徴量Ｄ４としてストレス推定部２３へ供給する。なお、特徴量としてこのような値を使用する理由については後述する。

ストレス推定部２３は、ストレスモデルを用いて、特徴量からストレスを推定する。ストレスモデルは、機械学習により予め生成されたストレスの学習モデルである。例えば、覚醒度から求めた特徴量を訓練データとし、アンケートなどにより得られたそのときのストレス値を教師ラベルとして事前にモデルの学習を行い、ストレスモデルを生成しておく。なお、ストレス値を連続値として取り扱う場合、ストレスモデルは回帰モデルとなり、例えばサポートベクター回帰（ＳＣＲ：Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｒｅｇｒｅｓｓｉｏｎ）や深層学習のニューラルネットワークなどを使用することができる。また、ストレス値を離散クラスとする場合、ストレスモデルはクラス分類モデルとなり、サポートベクターマシン（ＳＶＭ：Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ）やニューラルネットワークなどを使用することができる。

ストレスモデルに関する情報（以下、ストレスモデル情報」とも呼ぶ。）Ｄ５は、ストレスモデル記憶部２４に予め記憶されている。ストレス推定部２３は、ストレス推定を行う状況において覚醒度に基づく特徴量Ｄ４を取得すると、ストレスモデルを用いて特徴量Ｄ４からストレスを推定し、ストレス推定結果として出力する。

（特徴量）
次に、特徴量算出部２２が算出する特徴量について詳しく説明する。上記のように、特徴量は、ストレスモデルを用いてストレスを推定する際の入力となる値であるので、ストレスのレベルや量などと相関を有する値とする必要がある。そこで、特徴量の候補として、覚醒度に基づく値のうち、（ａ）平均覚醒度、（ｂ）覚醒度が閾値未満である割合、（ｃ）覚醒度の１階微分が閾値未満である割合、（ｄ）覚醒度の２階微分が閾値未満である割合について検討する。

図５（Ａ）は、覚醒度生成部２１で生成された覚醒度の時系列信号の例を示すグラフである。図５（Ａ）のグラフにおいて、横軸は時間を示し、縦軸は覚醒度の値を示す。図５（Ａ）の例は、ある測定開始時刻（「００：００」とする。）からの３時間における覚醒度の変化を示している。なお、本例では、覚醒度は所定の時間間隔（例えば１０秒程度）の離散値（デジタル値）であり、「０～１００」の値をとる。覚醒度「１００」は覚醒状態を示し、覚醒度「０」は睡眠状態を示す。覚醒度の値が大きいほど対象者は覚醒しており、覚醒度の値が小さいほど対象者は眠気を有していることになる。

図５（Ｂ）は、覚醒度の１階微分を示すグラフである。なお、この例では覚醒度が離散値であるので、１階微分は差分値となる。図５（Ｂ）のグラフにおいて、横軸は測定開始時刻からの経過時間を示し、縦軸は覚醒度の１階微分（「Δ覚醒度」とも記す。）を示す。Δ覚醒度は、対象者の覚醒度の変動、即ち、対象者の眠気の変動を示す。Δ覚醒度が「０」付近のときは対象者の眠気の変動は小さく、Δ覚醒度の正負の値、即ち、絶対値が大きくなると、対象者の眠気の変動が大きくなる。なお、眠気の変動が大きい状態とは、眠りそうになったり、覚醒したりを繰り返す状態である。

図５（Ｃ）は、覚醒度の２階微分を示すグラフである。図５（Ｃ）のグラフにおいて、横軸は測定開始時刻からの経過時間を示し、縦軸は覚醒度の２階微分（「ΔΔ覚醒度」とも記す。）を示す。ΔΔ覚醒度は、対象者の覚醒度の急激な変動、即ち、対象者の眠気の急激な変動を示す値となる。ΔΔ覚醒度が「０」付近のときは対象者の眠気の急激な変動は小さく、ΔΔ覚醒度の正負の値、即ち、絶対値が大きくなると、対象者の眠気の急激な変動が大きくなる。

さて、一般的に、日中や勤務中などにおいては、人間は眠気が大きいほどストレスが大きいと言われている。この考えによれば、例えば、図５（Ａ）に示すようにある適切な閾値ＴＨａを設定すると、覚醒度が閾値ＴＨａ以下であるとき、対象者は眠い状態、即ち、ストレスの大きい状態と推測することができる。そこで、まず、人間のストレスと、（ａ）平均覚醒度、及び、（ｂ）覚醒度が閾値ＴＨａ以下となる割合との関係を検討してみた。

図６（Ａ）は、平均覚醒度とＰＳＳ（Ｐｅｒｃｅｉｖｅｄ Ｓｔｒｅｓｓ Ｓｃａｌｅ）との関係を示すグラフである。なお、ＰＳＳはアンケート結果に基づいて算出したストレス値である。図６（Ａ）において、縦軸はＰＳＳを示し、「０～４０」の値をとる。本例では「４０」がＰＳＳの最大値であり、ストレスが最大の状態に相当する。横軸は平均覚醒度、即ち、覚醒度の平均値である。本例では、所定期間（１か月）にわたり、職場環境における対象者の顔画像を撮影して覚醒度を算出し、平均覚醒度を算出した。また、その所定期間の経過後にアンケートを行い、アンケート結果に基づいてＰＳＳを算出した。図６（Ａ）において、各点は１人の対象者の平均値とＰＳＳの関係を示す。図中の直線は各対象者のデータに基づいて算出した回帰直線であり、図中のグレーの領域は回帰直線の信頼区間を示す。図６（Ａ）のグラフから、平均覚醒度とＰＳＳにはほとんど相関が無く、平均覚醒度は、特徴量として適当でないことがわかる。

図６（Ｂ）は、覚醒度がある閾値未満となった割合（「％（覚醒度＜閾値）」と記す。）と、ＰＳＳとの関係を示す。具体的に、％（覚醒度＜閾値）は以下のように算出される。
％（覚醒度＜閾値）
＝（覚醒度が閾値未満である時間の合計）／（所定期間） （１）
なお、閾値は、例えば図５（Ａ）における閾値ＴＨａのように、予め適切な値に決められる。図６（Ｂ）のグラフから、覚醒度が閾値未満となった割合とＰＳＳにはほとんど相関が無く、覚醒度が閾値未満となった割合は、特徴量として適当でないことがわかる。

次に、覚醒度の１階微分又は２階微分に基づく値とＰＳＳとの関係を検討する。図６（Ｃ）は、覚醒度の１階微分（Δ覚醒度）が閾値未満となった割合（「％（Δ覚醒度＜閾値）」と記す。）とＰＳＳとの関係を示す。具体的に、％（Δ覚醒度＜閾値）は以下のように算出される。
％（Δ覚醒度＜閾値）
＝（Δ覚醒度が閾値未満である時間の合計）／（所定期間） （２）
なお、閾値は、図５（Ｂ）における閾値ＴＨｂのように、予め適切な値に決められる。図６（Ｃ）のグラフから、覚醒度の１階微分とＰＳＳとの間には相関があることがわかる。よって、％（Δ覚醒度＜閾値）は、特徴量として適当と考えられる。

図６（Ｄ）は、覚醒度の２階微分（ΔΔ覚醒度）が閾値未満となった割合（「％（ΔΔ覚醒度＜閾値）」と記す。）とＰＳＳとの関係を示す。具体的に、％（ΔΔ覚醒度＜閾値）は以下のように算出される。
％（ΔΔ覚醒度＜閾値）
＝（ΔΔ覚醒度が閾値未満である時間の合計）／（所定期間） （３）
なお、閾値は、図５（Ｃ）における閾値ＴＨｃのように、予め適切な値に決められる。図６（Ｄ）のグラフから、覚醒度の２階微分とＰＳＳとの間には相関があることがわかる。よって、％（ΔΔ覚醒度＜閾値）は、特徴量として適当と考えられる。

図７（Ａ）は、ある閾値を用いてＰＳＳをストレスの高い（Ｈ）クラスと低い（Ｌ）クラスの２クラスに分割した場合のストレスの高低と、％（Δ覚醒度＜閾値）との関係を示す。図７（Ａ）の縦軸は％（Δ覚醒度＜閾値）を示し、横軸はストレスの高低（Ｈ／Ｌ）を示す。図７（Ａ）の２つのグラフ上に描いた矩形４０はストレスが低い対象者の分布を示し、矩形５０はストレスが高い対象者数の分布を示す。図７（Ａ）のストレス「Ｌ」のグラフにおいて、矩形の下端４０ｄは、対象者の分布において、％（Δ覚醒度＜閾値）の値が小さい方から対象者総数の１／４の数に相当する位置を示す。矩形の上端４０ｕは、対象者の分布において、％（Δ覚醒度＜閾値）の値が大きい方から対象者総数の１／４の数に相当する位置を示す。矩形内の線分４０ｃは、対象者の分布において、％（Δ覚醒度＜閾値）の値の中央値に対応する位置を示す。図７（Ａ）のストレス「Ｈ」のグラフにおける矩形５０についても、下端５０ｄ、上端５０ｕ、線分５０ｃの意味は同様である。

また、図７（Ｂ）は、ある閾値を用いてＰＳＳをストレスの高い（Ｈ）クラスと低い（Ｌ）クラスの２クラスに分割した場合のストレスの高低（Ｈ／Ｌ）と、％（ΔΔ覚醒度＜閾値）との関係を示す。図７（Ｂ）の縦軸は％（ΔΔ覚醒度＜閾値）を示し、横軸はストレスの高低を示す。図７（Ｂ）の２つのグラフ上に描いた矩形は、図７（Ａ）と同様に対象者数の分布を示す。各矩形の上端、下端、線分の意味も図７（Ａ）と同様である。

図７（Ａ）及び７（Ｂ）に示すように、％（Δ覚醒度＜閾値）及び％（ΔΔ覚醒度＜閾値）のいずれを用いた場合でも、ストレスの高い対象者とストレスの低い対象者は、異なる分布になることがわかる。実際に、統計上の有意確率（ｐ値）を求めると、覚醒度の１階微分が閾値未満となる割合「％（Δ覚醒度＜閾値）」のｐ値は「０．０３」であり、覚醒度の２階微分が閾値未満となる割合「％（ΔΔ覚醒度＜閾値）」のｐ値は「０．０１９」となった。いずれも一般的な基準値「０．０５」より小さい値であるため、「％（Δ覚醒度＜閾値）」及び「％（ΔΔ覚醒度＜閾値）」を用いた分類結果は有意差を有すると認められる。特に、「％（Δ覚醒度＜閾値）」のｐ値（０．０３）より、「％（ΔΔ覚醒度＜閾値）」のｐ値（０．０１９）の方が小さいため、ストレスのクラス分類には、覚醒度の２階微分が閾値未満となる割合の方がより適していると考えられる。

このように、単純な平均覚醒度や覚醒度が閾値未満となる割合は、ストレス値との相関が低く、ストレス推定に使用する特徴量としては有効でないことがわかる。これに対し、覚醒度の１階微分や２階微分に基づく割合は、ストレス値と相関が高く、ストレス推定に使用する特徴量として有効であることがわかる。そこで、本実施形態では、覚醒度の時間変化が所定の範囲となる割合、具体的には覚醒度の１階微分や２階微分が閾値未満となる割合を特徴量として使用する。

（ストレス推定処理）
次に、ストレス推定装置１により実行されるストレス推定処理について説明する。図８は、ストレス推定処理のフローチャートである。この処理は、図１に示すプロセッサ１２が予め用意されたプログラムを実行し、図３に示す各要素として機能することにより実現される。

まず、覚醒度生成部２１は、カメラ２から撮影画像Ｄ１を取得し（ステップＳ１１）、覚醒度Ｄ３を算出する（ステップＳ１２）。次に、特徴量算出部２２は、覚醒度Ｄ３から特徴量Ｄ４を算出する（ステップＳ１３）。特徴量Ｄ４としては、上述のように、覚醒度の時間変化が所定範囲となる割合、具体的には、覚醒度の１階微分又は２階微分が閾値未満となる割合が算出される。

次に、ストレス推定部２３は、ストレスモデル記憶部２４に記憶されているストレスモデル情報Ｄ５を取得し、ストレスモデルに対して特徴量Ｄ４を入力して、ストレスを推定する（ステップＳ１４）。そして、ストレス推定部２３は、ストレス推定結果を外部の装置などに出力する（ステップＳ１５）。こうして、ストレス推定処理は終了する。

（ストレス推定結果の評価例）
次に、上記のストレス推定結果の評価例を説明する。ＰＳＳを高低（Ｌ／Ｈ）で２クラスに分割し、ストレスモデルを２クラス分類モデルとして上記のストレス推定を行った。対象者として３７名のデータがあり、そのうち２１名はストレスが「Ｌ」、１６名はストレスが「Ｈ」であり、チャンスレベルは０．５６であった。特徴量としては、「％（ΔΔ覚醒度＜閾値）」を用いた。３７名のうち、３６名のデータでストレスモデルを学習し、残りの１名のモデルで評価を行った。図９は、評価結果として得られたＲＯＣ（Ｒｅｃｅｉｖｅｒ Ｏｐｅｒａｔｉｎｇ Ｃｈａｒａｃｔｅｒｉｓｔｉｃ Ｃｕｒｖｅｒ）曲線を示す。このＲＯＣ曲線において、ＡＵＣ（Ａｒｅａ ｕｎｄｅｒ ａｎ ＲＯＣ ｃｕｒｖｅ）は「０．６７」と算出され、適切な分類性能が得られていることがわかった。このように、本実施形態では、対象者の覚醒度に基づいてストレスを推定するので、対象者に負担をかけずにストレスを推定することが可能となる。

［第２実施形態］
次に、本発明の第２実施形態について説明する。第２実施形態は、ストレス推定に用いる特徴量が第１実施形態と異なるが、それ以外の点は第１実施形態と同様である。よって、第１実施形態と同様である事項については、重複した説明は行わない。第１実施形態では、覚醒度の１階微分又は２階微分が閾値未満である割合、即ち、「％（Δ覚醒度＜閾値）」又は「％（ΔΔ覚醒度＜閾値）」を特徴量として用いている。これに対し、第２実施形態では、覚醒度の１階微分又は２階微分の値のヒストグラムを特徴量として使用する。

図１０は、第２実施形態における特徴量を説明する図である。図１０（Ａ）は覚醒度の１階微分の値に基づいてヒストグラムを生成した例を示し、図１０（Ｂ）は覚醒度の２階微分の値に基づいてヒストグラムを生成した例を示す。なお、ヒストグラムにおける頻度は正規化されている。ヒストグラムを構成する複数のビンの幅や数は予め適切に決定される。なお、ヒストグラムにおけるビンの幅及び数を自動調整する既知のニューラルネットワークなどを用いてもよい。第２実施形態では、このようにして生成したヒストグラムを規定する情報、具体的にはビンの幅や数、各ビンにおける頻度、ヒストグラムの形状そのものなどを特徴量として使用する。具体的には、ヒストグラムを規定する情報を訓練データとして学習を行い、ストレスモデルを予め生成しておく。そして、ストレス推定部２３は、予め生成されたストレスモデルを使用し、特徴量算出部２２が算出した特徴量、即ち、ヒストグラムを規定する情報からストレスを推定する。

［第３実施形態］
次に、本発明の第３実施形態について説明する。図１１は、第３実施形態に係るストレス推定装置の機能構成を示すブロック図である。図示のように、ストレス推定装置７０は、覚醒度取得部７１と、特徴量算出部７２と、ストレス推定部７３と、を備える。覚醒度取得部７１は、対象者の覚醒度を取得する。具体的には、覚醒度取得部７１は、対象者の顔の撮影画像に基づいて覚醒度を生成しても良いし、外部装置により生成された覚醒度を単に受信するものであってもよい。特徴量算出部７２は、取得された覚醒度の特徴量を算出する。覚醒度の特徴量は、覚醒度の時間変化が所定の範囲となる割合、覚醒度の時間変化の分布を示すヒストグラムを規定する情報などである。ストレス推定部７３は、予め用意されたストレスモデルを用いて、算出された特徴量からストレスを推定する。

［変形例］
上記の実施形態では、対象者の覚醒度を用いてストレス推定を行っているが、対象者の眠気を示す指標を取得又は生成し、これを覚醒度として使用しても良い。但し、通常、眠気を示す指標は、眠気が大きいときに値が大きくなり、眠気が小さいときに値が小さくなるものである場合が多い。よって、その場合には、特徴量としては、覚醒度（＝眠気）の１階微分又は２階微分が所定の閾値より大きい割合を使用すればよい。

以上、実施形態及び実施例を参照して本発明を説明したが、本発明は上記実施形態及び実施例に限定されるものではない。本発明の構成や詳細には、本発明のスコープ内で当業者が理解し得る様々な変更をすることができる。

１、７０ ストレス推定装置
２ カメラ
１２ プロセッサ
１３ メモリ
１４ 記録媒体
２１ 覚醒度生成部
２２ 特徴量算出部
２３ ストレス推定部
２４ ストレスモデル記憶部

Claims (10)

1. 対象者の覚醒度を取得する覚醒度取得手段と、
   取得された覚醒度の特徴量を算出する特徴量算出手段と、
   ストレスのモデルを用いて、算出された特徴量からストレスを推定するストレス推定手段と、
   を備え、
   前記覚醒度は時系列信号であり、
   前記特徴量は、前記覚醒度の時間変化が所定の範囲となる割合であるストレス推定装置。
2. 対象者の覚醒度を取得する覚醒度取得手段と、
   取得された覚醒度の特徴量を算出する特徴量算出手段と、
   ストレスのモデルを用いて、算出された特徴量からストレスを推定するストレス推定手段と、
   を備え、
   前記覚醒度は時系列信号であり、
   前記特徴量は、前記覚醒度の時間変化の分布を示すヒストグラムを規定する情報であるストレス推定装置。
3. 前記覚醒度の時間変化は、前記覚醒度の１階微分又は２階微分である請求項１又は２に記載のストレス推定装置。
4. 前記覚醒度取得手段は、対象者の覚醒中の覚醒度を取得する請求項１又は２に記載のストレス推定装置。
5. 前記覚醒度取得手段は、対象者の顔の撮影画像を取得し、前記撮影画像を分析して前記対象者の開眼度を検出し、検出された開眼度に基づいて前記覚醒度を算出する請求項１乃至４のいずれか一項に記載のストレス推定装置。
6. 前記ストレスのモデルは、前記特徴量を訓練データとし、当該特徴量における対象者のストレス値を教師ラベルとして予め学習により生成されたモデルである請求項１乃至５のいずれか一項に記載のストレス推定装置。
7. 入力部とコンピュータとを備えるストレス推定装置の作動方法であって、
   前記入力部が、対象者の覚醒度を取得し、
   前記コンピュータが、取得された覚醒度の特徴量を算出し、
   前記コンピュータが、ストレスのモデルを用いて、算出された特徴量からストレスを推定し、
   前記覚醒度は時系列信号であり、
   前記特徴量は、前記覚醒度の時間変化が所定の範囲となる割合であるストレス推定装置の作動方法。
8. 入力部とコンピュータとを備えるストレス推定装置の作動方法であって、
   前記入力部が、対象者の覚醒度を取得し、
   前記コンピュータが、取得された覚醒度の特徴量を算出し、
   前記コンピュータが、ストレスのモデルを用いて、算出された特徴量からストレスを推定し、
   前記覚醒度は時系列信号であり、
   前記特徴量は、前記覚醒度の時間変化の分布を示すヒストグラムを規定する情報であるストレス推定装置の作動方法。
9. 対象者の覚醒度を取得し、
   取得された覚醒度の特徴量を算出し、
   ストレスのモデルを用いて、算出された特徴量からストレスを推定する処理をコンピュータに実行させ、
   前記覚醒度は時系列信号であり、
   前記特徴量は、前記覚醒度の時間変化が所定の範囲となる割合であるプログラム。
10. 対象者の覚醒度を取得し、
    取得された覚醒度の特徴量を算出し、
    ストレスのモデルを用いて、算出された特徴量からストレスを推定する処理をコンピュータに実行させ、
    前記覚醒度は時系列信号であり、
    前記特徴量は、前記覚醒度の時間変化の分布を示すヒストグラムを規定する情報であるプログラム。

Images