JP7304791B2 - 鼓膜温度推定システム、ウェアラブルデバイス、熱中症リスク推定システム、鼓膜温度推定方法およびプログラム - Google Patents
鼓膜温度推定システム、ウェアラブルデバイス、熱中症リスク推定システム、鼓膜温度推定方法およびプログラム Download PDFInfo
- Publication number
- JP7304791B2 JP7304791B2 JP2019193809A JP2019193809A JP7304791B2 JP 7304791 B2 JP7304791 B2 JP 7304791B2 JP 2019193809 A JP2019193809 A JP 2019193809A JP 2019193809 A JP2019193809 A JP 2019193809A JP 7304791 B2 JP7304791 B2 JP 7304791B2
- Authority
- JP
- Japan
- Prior art keywords
- time
- series
- information
- temperature
- eardrum
- 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
Images
Landscapes
- Measuring And Recording Apparatus For Diagnosis (AREA)
Description
特許法第３０条第２項適用 平成３１年１月６日に発行された「Ｔｈｅ ７ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ ＢｉｏＳｅｎｓｏｒｓ，ＢｉｏＥｌｅｃｔｒｏｎｉｃｓ，ＢｉｏＭｅｄｉｃａｌ Ｄｅｖｉｃｅｓ，ＢｉｏＭＥＭＳ／ＮＥＭＳ ＆ Ａｐｐｌｉｃａｔｉｏｎｓ（Ｂｉｏ４Ａｐｐｓ ２０１８／２０１９）予稿集」にて発表
特許法第３０条第２項適用 平成３１年１月６日～８日（発表日：平成３１年１月７日）に、Ｈａｒｂｉｎ Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｔｅｃｈｎｏｌｏｇｙにて開催された「Ｔｈｅ ７ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ ＢｉｏＳｅｎｓｏｒｓ，ＢｉｏＥｌｅｃｔｒｏｎｉｃｓ，ＢｉｏＭｅｄｉｃａｌ Ｄｅｖｉｃｅｓ，ＢｉｏＭＥＭＳ／ＮＥＭＳ ＆ Ａｐｐｌｉｃａｔｉｏｎｓ（Ｂｉｏ４Ａｐｐｓ ２０１８／２０１９）」にて発表
本発明は、鼓膜温度推定システム、ウェアラブルデバイス、熱中症リスク推定システム、鼓膜温度推定方法およびプログラムに関する。
近年、夏期の猛暑による熱中症の発症数が増加している。熱中症は、外部環境の高温、高湿度化により身体の深部体温が上昇し、様々な症状を引き起こすことである。一般的に、深部体温は、直腸の温度を計測することによって得られるが、鼓膜の温度も深部体温と密接な関係があり、鼓膜の温度は、深部体温変化の指標として有用である。
従来から、外耳道温を測定する外耳道温測定器が知られている（特許文献１参照）。特許文献１に記載された外耳道温測定器は、外耳道入口に保持される保持部と、保持部から延設されて外耳道内空間に挿入される挿入部とを備えており、挿入部は、挿入部の先端に第１測温部を有する第１センサ線と、挿入部の先端から外耳道入口側へ所定距離離れた位置に第２測温部を有する第２センサ線とを備えている。
ところで、特許文献１に記載された技術では、鼓膜温度を計測するために、耳内にセンサを設置することが必要となる。聴覚は視覚とともに外部から情報を得るのに重要な器官であり、普段の生活において常時耳内にセンサを設置することは困難である。
従来から、外耳道温を測定する外耳道温測定器が知られている（特許文献１参照）。特許文献１に記載された外耳道温測定器は、外耳道入口に保持される保持部と、保持部から延設されて外耳道内空間に挿入される挿入部とを備えており、挿入部は、挿入部の先端に第１測温部を有する第１センサ線と、挿入部の先端から外耳道入口側へ所定距離離れた位置に第２測温部を有する第２センサ線とを備えている。
ところで、特許文献１に記載された技術では、鼓膜温度を計測するために、耳内にセンサを設置することが必要となる。聴覚は視覚とともに外部から情報を得るのに重要な器官であり、普段の生活において常時耳内にセンサを設置することは困難である。
また、従来から、聴覚を遮らないデバイスで鼓膜温度を推定する手法が検討されている（非特許文献１参照）。非特許文献１に記載された手法では、身体の熱収支モデルを想定し、各部位での時間ごとの熱収支を計算することで深部体温を算出している。しかし、非特許文献１に記載された手法では、身体の熱指数や衣服の情報といった、腕時計デバイスでは計測不可能なパラメータがあった。
濱谷尚志、外２名、「多様な運動負荷を考慮した 装着型センサによる深部体温推定法の提案」、マルチメディア、分散、協調とモバイル（ＤＩＣＯＭＯ２０１６）シンポジウム、平成２８年７月、ｐ．１７５７－ｐ．１７６８
上述した問題点に鑑み、本発明は、耳内へのセンサの設置などを行う必要なく、鼓膜温度を高精度に推定することができる鼓膜温度推定システム、ウェアラブルデバイス、熱中症リスク推定システム、鼓膜温度推定方法およびプログラムを提供することを目的とする。
本発明者等は、鋭意研究において、少なくとも時系列気温情報と、時系列湿度情報と、鼓膜温度推定対象者の時系列発汗情報と、鼓膜温度推定対象者の時系列脈拍情報とを用いることにより、鼓膜温度推定対象者の耳内へのセンサの設置などを行う必要なく、鼓膜温度推定対象者の鼓膜温度を高精度に推定できることを見い出したのである。
本発明の一態様は、鼓膜温度推定対象者の鼓膜温度を推定する鼓膜温度推定システムであって、時系列気温情報を取得する気温情報取得部と、時系列湿度情報を取得する湿度情報取得部と、前記鼓膜温度推定対象者の時系列発汗情報を取得する発汗情報取得部と、前記鼓膜温度推定対象者の時系列脈拍情報を取得する脈拍情報取得部と、既知の鼓膜温度を示す情報を教師データとして、既知の鼓膜温度が得られた時点をそれぞれ含む時系列気温情報と時系列湿度情報と時系列発汗情報と時系列脈拍情報とを学習データとして、それぞれ用いて学習された学習済みモデルと、少なくとも前記気温情報取得部によって取得された時系列気温情報と、前記湿度情報取得部によって取得された時系列湿度情報と、前記発汗情報取得部によって取得された時系列発汗情報と、前記脈拍情報取得部によって取得された時系列脈拍情報とに基づいて、前記鼓膜温度推定対象者の鼓膜温度を推定する鼓膜温度推定部とを備える、鼓膜温度推定システムである。
本発明の一態様は、前記鼓膜温度推定システムと、気温を検出し、時系列気温情報を出力する温度センサと、湿度を検出し、時系列湿度情報を出力する湿度センサと、前記鼓膜温度推定対象者の発汗量を検出し、時系列発汗情報を出力する発汗センサと、前記鼓膜温度推定対象者の脈拍を検出し、時系列脈拍情報を出力する脈拍センサとを備え、前記鼓膜温度推定対象者によって装着されるウェアラブルデバイスである。
本発明の一態様は、前記鼓膜温度推定システムを備える熱中症リスク推定システムである。
本発明の一態様は、鼓膜温度推定対象者の鼓膜温度を推定する鼓膜温度推定方法であって、時系列気温情報を取得する気温情報取得ステップと、時系列湿度情報を取得する湿度情報取得ステップと、前記鼓膜温度推定対象者の時系列発汗情報を取得する発汗情報取得ステップと、前記鼓膜温度推定対象者の時系列脈拍情報を取得する脈拍情報取得ステップと、既知の鼓膜温度を示す情報を教師データとして、既知の鼓膜温度が得られた時点をそれぞれ含む時系列気温情報と時系列湿度情報と時系列発汗情報と時系列脈拍情報とを学習データとして、それぞれ用いて学習された学習済みモデルと、少なくとも前記気温情報取得ステップにおいて取得された時系列気温情報と、前記湿度情報取得ステップにおいて取得された時系列湿度情報と、前記発汗情報取得ステップにおいて取得された時系列発汗情報と、前記脈拍情報取得ステップにおいて取得された時系列脈拍情報とに基づいて、前記鼓膜温度推定対象者の鼓膜温度を推定する鼓膜温度推定ステップとを備える、鼓膜温度推定方法である。
本発明の一態様は、コンピュータに、時系列気温情報を取得する気温情報取得ステップと、時系列湿度情報を取得する湿度情報取得ステップと、鼓膜温度推定対象者の時系列発汗情報を取得する発汗情報取得ステップと、前記鼓膜温度推定対象者の時系列脈拍情報を取得する脈拍情報取得ステップと、既知の鼓膜温度を示す情報を教師データとして、既知の鼓膜温度が得られた時点をそれぞれ含む時系列気温情報と時系列湿度情報と時系列発汗情報と時系列脈拍情報とを学習データとして、それぞれ用いて学習された学習済みモデルと、少なくとも前記気温情報取得ステップにおいて取得された時系列気温情報と、前記湿度情報取得ステップにおいて取得された時系列湿度情報と、前記発汗情報取得ステップにおいて取得された時系列発汗情報と、前記脈拍情報取得ステップにおいて取得された時系列脈拍情報とに基づいて、前記鼓膜温度推定対象者の鼓膜温度を推定する鼓膜温度推定ステップとを実行させるためのプログラムである。
本発明によれば、耳内へのセンサの設置などを行う必要なく、鼓膜温度を高精度に推定することができる鼓膜温度推定システム、ウェアラブルデバイス、熱中症リスク推定システム、鼓膜温度推定方法およびプログラムを提供することができる。
以下、本発明の鼓膜温度推定システム、ウェアラブルデバイス、熱中症リスク推定システム、鼓膜温度推定方法およびプログラムの実施形態について説明する。
＜第１実施形態＞
図１は第１実施形態の鼓膜温度推定システム１の概要の一例を示す図である。
図１に示す例では、鼓膜温度推定システム１が、温度センサ１Ａと、湿度センサ１Ｂと、発汗センサ１Ｃと、脈拍センサ１Ｄと、鼓膜温度推定装置１０とを備えている。
温度センサ１Ａは、気温を所定時間間隔（例えば５秒～１分間隔）で検出する。また、温度センサ１Ａは、複数回分（例えば３０回分）の検出結果を時系列気温情報として出力する。詳細には、温度センサ１Ａは、上述した所定時間間隔で気温の瞬時値を検出するのではなく、上述した所定時間間隔で、気温の値を一定期間検出する。更に、その一定期間中の気温の時間平均が、上述した時系列気温情報として用いられる。
湿度センサ１Ｂは、例えば温度センサ１Ａと同一の時間間隔で湿度（相対湿度）を検出する。また、湿度センサ１Ｂは、例えば温度センサ１Ａと同一回数分の検出結果を時系列湿度情報として出力する。詳細には、湿度センサ１Ｂは、例えば上述した時間間隔で、例えば温度センサ１Ａの検出期間と同一期間中、湿度の値を検出する。更に、その期間中の湿度の時間平均が、上述した時系列湿度情報として用いられる。
発汗センサ１Ｃは、例えば温度センサ１Ａと同一の時間間隔で、鼓膜温度推定対象者の発汗量を検出する。また、発汗センサ１Ｃは、例えば温度センサ１Ａと同一回数分の検出結果を時系列発汗情報として出力する。詳細には、発汗センサ１Ｃは、例えば上述した時間間隔で、例えば温度センサ１Ａの検出期間と同一期間中、鼓膜温度推定対象者の発汗量を検出する。更に、その期間中の発汗量の時間平均が、上述した時系列発汗情報として用いられる。
脈拍センサ１Ｄは、例えば温度センサ１Ａと同一の時間間隔で、鼓膜温度推定対象者の脈拍を検出する。また、脈拍センサ１Ｄは、例えば温度センサ１Ａと同一回数分の検出結果を時系列脈拍情報として出力する。詳細には、脈拍センサ１Ｄは、例えば上述した時間間隔で、例えば温度センサ１Ａの検出期間と同一期間中、鼓膜温度推定対象者の脈拍を検出する。更に、その期間中の脈拍の時間平均が、上述した時系列脈拍情報として用いられる。
図１は第１実施形態の鼓膜温度推定システム１の概要の一例を示す図である。
図１に示す例では、鼓膜温度推定システム１が、温度センサ１Ａと、湿度センサ１Ｂと、発汗センサ１Ｃと、脈拍センサ１Ｄと、鼓膜温度推定装置１０とを備えている。
温度センサ１Ａは、気温を所定時間間隔（例えば５秒～１分間隔）で検出する。また、温度センサ１Ａは、複数回分（例えば３０回分）の検出結果を時系列気温情報として出力する。詳細には、温度センサ１Ａは、上述した所定時間間隔で気温の瞬時値を検出するのではなく、上述した所定時間間隔で、気温の値を一定期間検出する。更に、その一定期間中の気温の時間平均が、上述した時系列気温情報として用いられる。
湿度センサ１Ｂは、例えば温度センサ１Ａと同一の時間間隔で湿度（相対湿度）を検出する。また、湿度センサ１Ｂは、例えば温度センサ１Ａと同一回数分の検出結果を時系列湿度情報として出力する。詳細には、湿度センサ１Ｂは、例えば上述した時間間隔で、例えば温度センサ１Ａの検出期間と同一期間中、湿度の値を検出する。更に、その期間中の湿度の時間平均が、上述した時系列湿度情報として用いられる。
発汗センサ１Ｃは、例えば温度センサ１Ａと同一の時間間隔で、鼓膜温度推定対象者の発汗量を検出する。また、発汗センサ１Ｃは、例えば温度センサ１Ａと同一回数分の検出結果を時系列発汗情報として出力する。詳細には、発汗センサ１Ｃは、例えば上述した時間間隔で、例えば温度センサ１Ａの検出期間と同一期間中、鼓膜温度推定対象者の発汗量を検出する。更に、その期間中の発汗量の時間平均が、上述した時系列発汗情報として用いられる。
脈拍センサ１Ｄは、例えば温度センサ１Ａと同一の時間間隔で、鼓膜温度推定対象者の脈拍を検出する。また、脈拍センサ１Ｄは、例えば温度センサ１Ａと同一回数分の検出結果を時系列脈拍情報として出力する。詳細には、脈拍センサ１Ｄは、例えば上述した時間間隔で、例えば温度センサ１Ａの検出期間と同一期間中、鼓膜温度推定対象者の脈拍を検出する。更に、その期間中の脈拍の時間平均が、上述した時系列脈拍情報として用いられる。
図１に示す例では、鼓膜温度推定システム１が温度センサ１Ａと湿度センサ１Ｂと発汗センサ１Ｃと脈拍センサ１Ｄとを備えているが、他の例では、鼓膜温度推定システム１がそれらを備えておらず、鼓膜温度推定システム１の外部に配置されたそれらからのセンサデータが、鼓膜温度推定システム１に入力されてもよい。
また、図１に示す例では、鼓膜温度推定システム１が発汗センサ１Ｃを備えているが、他の例では、鼓膜温度推定システム１が発汗センサ１Ｃを備えていなくてもよい。この例では、湿度センサ（図示せず）が、鼓膜温度推定対象者の皮膚の表面に接して配置されている。つまり、この湿度センサが、この湿度センサと鼓膜温度推定対象者の皮膚の表面との間の部分の湿度を検出する。また、この例では、湿度センサ１Ｂが、図１に示す例と同様に湿度の検出を行う（つまり、外部環境の湿度を検出する）。更に、この例では、湿度センサ（図示せず）と鼓膜温度推定対象者の皮膚の表面との間の部分の湿度と、湿度センサ１Ｂによって検出された外部環境の湿度との差分に基づいて、時系列発汗情報が生成される。
図１に示す例では、鼓膜温度推定装置１０が、時系列気温情報と時系列湿度情報と時系列発汗情報と時系列脈拍情報とに基づいて、鼓膜温度推定対象者の鼓膜温度を推定する。具体的には、鼓膜温度推定装置１０は、気温情報取得部１１と、湿度情報取得部１２と、発汗情報取得部１３と、脈拍情報取得部１４と、鼓膜温度推定部１８と、学習部１９とを備えている。
気温情報取得部１１は、温度センサ１Ａから出力された時系列気温情報を取得する。湿度情報取得部１２は、湿度センサ１Ｂから出力された時系列湿度情報を取得する。発汗情報取得部１３は、発汗センサ１Ｃから出力された時系列発汗情報を取得する。脈拍情報取得部１４は、脈拍センサ１Ｄから出力された時系列脈拍情報を取得する。
上述したように、本発明者等は、少なくとも時系列気温情報と、時系列湿度情報と、鼓膜温度推定対象者の時系列発汗情報と、鼓膜温度推定対象者の時系列脈拍情報とを用いることによって、鼓膜温度推定対象者の鼓膜温度を高精度に推定できることを見い出した。
そこで、図１に示す例では、鼓膜温度推定部１８が、気温情報取得部１１によって取得された時系列気温情報と、湿度情報取得部１２によって取得された時系列湿度情報と、発汗情報取得部１３によって取得された時系列発汗情報と、脈拍情報取得部１４によって取得された時系列脈拍情報とに基づいて、鼓膜温度推定対象者の鼓膜温度を推定する。
詳細には、図１に示す例では、学習部１９が、既知の鼓膜温度を示す情報である教師データと、既知の鼓膜温度が得られた時点を含む時系列気温情報、時系列湿度情報、時系列発汗情報および時系列脈拍情報を有する学習データとの組を用いることによって、鼓膜温度推定部１８の機械学習を行う。
気温情報取得部１１は、温度センサ１Ａから出力された時系列気温情報を取得する。湿度情報取得部１２は、湿度センサ１Ｂから出力された時系列湿度情報を取得する。発汗情報取得部１３は、発汗センサ１Ｃから出力された時系列発汗情報を取得する。脈拍情報取得部１４は、脈拍センサ１Ｄから出力された時系列脈拍情報を取得する。
上述したように、本発明者等は、少なくとも時系列気温情報と、時系列湿度情報と、鼓膜温度推定対象者の時系列発汗情報と、鼓膜温度推定対象者の時系列脈拍情報とを用いることによって、鼓膜温度推定対象者の鼓膜温度を高精度に推定できることを見い出した。
そこで、図１に示す例では、鼓膜温度推定部１８が、気温情報取得部１１によって取得された時系列気温情報と、湿度情報取得部１２によって取得された時系列湿度情報と、発汗情報取得部１３によって取得された時系列発汗情報と、脈拍情報取得部１４によって取得された時系列脈拍情報とに基づいて、鼓膜温度推定対象者の鼓膜温度を推定する。
詳細には、図１に示す例では、学習部１９が、既知の鼓膜温度を示す情報である教師データと、既知の鼓膜温度が得られた時点を含む時系列気温情報、時系列湿度情報、時系列発汗情報および時系列脈拍情報を有する学習データとの組を用いることによって、鼓膜温度推定部１８の機械学習を行う。
図２は図１に示す学習部１９による鼓膜温度推定部１８の機械学習の一例を説明するための図である。
図２に示す例では、学習部１９（図１参照）が、鼓膜温度センサデータ（既知の鼓膜温度を示す情報）を教師データとして用いる。また、学習部１９は、温度センサデータ（既知の鼓膜温度が得られた時点を含む時系列気温情報）と、湿度センサデータ（既知の鼓膜温度が得られた時点を含む時系列湿度情報）と、発汗センサデータ（既知の鼓膜温度が得られた時点を含む時系列発汗情報）と、脈拍センサデータ（既知の鼓膜温度が得られた時点を含む時系列脈拍情報）とを学習データとして用いる。つまり、学習部１９は、上述した教師データと学習データとの組を用いる。詳細には、学習部１９は、学習データとしての温度センサデータと湿度センサデータと発汗センサデータと脈拍センサデータとが、モデルに入力されると、教師データとしての鼓膜温度センサデータがモデルから出力されるように、モデルの学習を実行する。
更に、鼓膜温度推定部１８（図１参照）は、学習部１９による学習済みのモデルを用いて、鼓膜温度推定対象者の鼓膜温度を推定する。
詳細には、図２に示す例では、温度センサデータ（気温情報取得部１１によって取得された時系列気温情報）と、湿度センサデータ（湿度情報取得部１２によって取得された時系列湿度情報）と、発汗センサデータ（発汗情報取得部１３によって取得された時系列発汗情報）と、脈拍センサデータ（脈拍情報取得部１４によって取得された時系列脈拍情報）とが、学習済みのモデルに入力される。更に、学習済みのモデルが、推定結果としての鼓膜温度を出力する。
図２に示す例では、学習部１９（図１参照）が、鼓膜温度センサデータ（既知の鼓膜温度を示す情報）を教師データとして用いる。また、学習部１９は、温度センサデータ（既知の鼓膜温度が得られた時点を含む時系列気温情報）と、湿度センサデータ（既知の鼓膜温度が得られた時点を含む時系列湿度情報）と、発汗センサデータ（既知の鼓膜温度が得られた時点を含む時系列発汗情報）と、脈拍センサデータ（既知の鼓膜温度が得られた時点を含む時系列脈拍情報）とを学習データとして用いる。つまり、学習部１９は、上述した教師データと学習データとの組を用いる。詳細には、学習部１９は、学習データとしての温度センサデータと湿度センサデータと発汗センサデータと脈拍センサデータとが、モデルに入力されると、教師データとしての鼓膜温度センサデータがモデルから出力されるように、モデルの学習を実行する。
更に、鼓膜温度推定部１８（図１参照）は、学習部１９による学習済みのモデルを用いて、鼓膜温度推定対象者の鼓膜温度を推定する。
詳細には、図２に示す例では、温度センサデータ（気温情報取得部１１によって取得された時系列気温情報）と、湿度センサデータ（湿度情報取得部１２によって取得された時系列湿度情報）と、発汗センサデータ（発汗情報取得部１３によって取得された時系列発汗情報）と、脈拍センサデータ（脈拍情報取得部１４によって取得された時系列脈拍情報）とが、学習済みのモデルに入力される。更に、学習済みのモデルが、推定結果としての鼓膜温度を出力する。
上述したように、第１実施形態の鼓膜温度推定システム１では、時系列気温情報と、時系列湿度情報と、時系列発汗情報と、時系列脈拍情報とに基づいて、鼓膜温度推定対象者の鼓膜温度が推定される。そのため、第１実施形態の鼓膜温度推定システム１では、鼓膜温度推定対象者の耳内へのセンサの設置などを行う必要なく、鼓膜温度推定対象者の鼓膜温度を得ることができる。
詳細には、図２に示す例では、既知の鼓膜温度を示す情報である教師データと、既知の鼓膜温度が得られた時点を含む時系列気温情報、時系列湿度情報、時系列発汗情報および時系列脈拍情報を有する学習データとの組を用いることによって、鼓膜温度推定部１８の機械学習が行われる。そのため、図２に示す例では、例えば実験などにおいて時系列気温情報、時系列湿度情報、時系列発汗情報および時系列脈拍情報と鼓膜温度との関係を事前に得る必要なく、鼓膜温度推定対象者の鼓膜温度を推定することができる。
詳細には、図２に示す例では、既知の鼓膜温度を示す情報である教師データと、既知の鼓膜温度が得られた時点を含む時系列気温情報、時系列湿度情報、時系列発汗情報および時系列脈拍情報を有する学習データとの組を用いることによって、鼓膜温度推定部１８の機械学習が行われる。そのため、図２に示す例では、例えば実験などにおいて時系列気温情報、時系列湿度情報、時系列発汗情報および時系列脈拍情報と鼓膜温度との関係を事前に得る必要なく、鼓膜温度推定対象者の鼓膜温度を推定することができる。
図３は第１実施形態の鼓膜温度推定システム１において実行される処理の一例を説明するためのフローチャートである。
図３に示す例では、ステップＳ１１において、学習部１９が、鼓膜温度推定部１８の機械学習を行う。
次いで、ステップＳ１２では、気温情報取得部１１が、時系列気温情報を取得する。また、ステップＳ１３では、湿度情報取得部１２が、時系列湿度情報を取得する。また、ステップＳ１４では、発汗情報取得部１３が、鼓膜温度推定対象者の時系列発汗情報を取得する。また、ステップＳ１５では、脈拍情報取得部１４が、鼓膜温度推定対象者の時系列脈拍情報を取得する。
次いで、ステップＳ１６では、鼓膜温度推定部１８が、ステップＳ１２において取得された時系列気温情報と、ステップＳ１３において取得された時系列湿度情報と、ステップＳ１４において取得された時系列発汗情報と、ステップＳ１５において取得された時系列脈拍情報とに基づいて、鼓膜温度推定対象者の鼓膜温度を推定する。
図３に示す例では、ステップＳ１１において、学習部１９が、鼓膜温度推定部１８の機械学習を行う。
次いで、ステップＳ１２では、気温情報取得部１１が、時系列気温情報を取得する。また、ステップＳ１３では、湿度情報取得部１２が、時系列湿度情報を取得する。また、ステップＳ１４では、発汗情報取得部１３が、鼓膜温度推定対象者の時系列発汗情報を取得する。また、ステップＳ１５では、脈拍情報取得部１４が、鼓膜温度推定対象者の時系列脈拍情報を取得する。
次いで、ステップＳ１６では、鼓膜温度推定部１８が、ステップＳ１２において取得された時系列気温情報と、ステップＳ１３において取得された時系列湿度情報と、ステップＳ１４において取得された時系列発汗情報と、ステップＳ１５において取得された時系列脈拍情報とに基づいて、鼓膜温度推定対象者の鼓膜温度を推定する。
＜第２実施形態＞
以下、本発明の鼓膜温度推定システム、ウェアラブルデバイス、熱中症リスク推定システム、鼓膜温度推定方法およびプログラムの第２実施形態について説明する。
第２実施形態の鼓膜温度推定システム１は、後述する点を除き、上述した第１実施形態の鼓膜温度推定システム１と同様に構成されている。従って、第２実施形態の鼓膜温度推定システム１によれば、後述する点を除き、上述した第１実施形態の鼓膜温度推定システム１と同様の効果を奏することができる。
以下、本発明の鼓膜温度推定システム、ウェアラブルデバイス、熱中症リスク推定システム、鼓膜温度推定方法およびプログラムの第２実施形態について説明する。
第２実施形態の鼓膜温度推定システム１は、後述する点を除き、上述した第１実施形態の鼓膜温度推定システム１と同様に構成されている。従って、第２実施形態の鼓膜温度推定システム１によれば、後述する点を除き、上述した第１実施形態の鼓膜温度推定システム１と同様の効果を奏することができる。
上述したように、第１実施形態の鼓膜温度推定システム１は、学習部１９を備えているが、第２実施形態の鼓膜温度推定システム１は、学習部１９を備えていない。
詳細には、第２実施形態の鼓膜温度推定システム１では、鼓膜温度推定部１８が、第１実施形態の鼓膜温度推定システム１において学習部１９による機械学習が行われた後の鼓膜温度推定部１８と同等の機能を有する。
そのため、第２実施形態の鼓膜温度推定システム１においても、第１実施形態の鼓膜温度推定システム１と同様に、例えば実験などにおいて時系列気温情報、時系列湿度情報、時系列発汗情報および時系列脈拍情報と鼓膜温度との関係を事前に得る必要なく、鼓膜温度推定対象者の鼓膜温度を推定することができる。
詳細には、第２実施形態の鼓膜温度推定システム１では、鼓膜温度推定部１８が、第１実施形態の鼓膜温度推定システム１において学習部１９による機械学習が行われた後の鼓膜温度推定部１８と同等の機能を有する。
そのため、第２実施形態の鼓膜温度推定システム１においても、第１実施形態の鼓膜温度推定システム１と同様に、例えば実験などにおいて時系列気温情報、時系列湿度情報、時系列発汗情報および時系列脈拍情報と鼓膜温度との関係を事前に得る必要なく、鼓膜温度推定対象者の鼓膜温度を推定することができる。
＜第３実施形態＞
以下、本発明の鼓膜温度推定システム、ウェアラブルデバイス、熱中症リスク推定システム、鼓膜温度推定方法およびプログラムの第３実施形態について説明する。
第３実施形態の鼓膜温度推定システム１は、後述する点を除き、上述した第１実施形態の鼓膜温度推定システム１と同様に構成されている。従って、第３実施形態の鼓膜温度推定システム１によれば、後述する点を除き、上述した第１実施形態の鼓膜温度推定システム１と同様の効果を奏することができる。
以下、本発明の鼓膜温度推定システム、ウェアラブルデバイス、熱中症リスク推定システム、鼓膜温度推定方法およびプログラムの第３実施形態について説明する。
第３実施形態の鼓膜温度推定システム１は、後述する点を除き、上述した第１実施形態の鼓膜温度推定システム１と同様に構成されている。従って、第３実施形態の鼓膜温度推定システム１によれば、後述する点を除き、上述した第１実施形態の鼓膜温度推定システム１と同様の効果を奏することができる。
上述したように、第１実施形態の鼓膜温度推定システム１は、温度センサ１Ａと、湿度センサ１Ｂと、発汗センサ１Ｃと、脈拍センサ１Ｄと、鼓膜温度推定装置１０とを備えている。
一方、第３実施形態の鼓膜温度推定システム１は、温度センサ１Ａと、湿度センサ１Ｂと、発汗センサ１Ｃと、脈拍センサ１Ｄと、皮膚温度センサ１Ｆ（図４参照）と、鼓膜温度推定装置１０とを備えている。皮膚温度センサ１Ｆは、例えば温度センサ１Ａと同一の時間間隔で鼓膜温度推定対象者の皮膚温度を検出する。また、皮膚温度センサ１Ｆは、例えば温度センサ１Ａと同一回数分の検出結果を時系列皮膚温度情報として出力する。詳細には、皮膚温度センサ１Ｆは、例えば上述した時間間隔で、例えば温度センサ１Ａの検出期間と同一期間中、皮膚温度の値を検出する。更に、その期間中の皮膚温度の時間平均が、上述した時系列皮膚温度情報として用いられる。
一方、第３実施形態の鼓膜温度推定システム１は、温度センサ１Ａと、湿度センサ１Ｂと、発汗センサ１Ｃと、脈拍センサ１Ｄと、皮膚温度センサ１Ｆ（図４参照）と、鼓膜温度推定装置１０とを備えている。皮膚温度センサ１Ｆは、例えば温度センサ１Ａと同一の時間間隔で鼓膜温度推定対象者の皮膚温度を検出する。また、皮膚温度センサ１Ｆは、例えば温度センサ１Ａと同一回数分の検出結果を時系列皮膚温度情報として出力する。詳細には、皮膚温度センサ１Ｆは、例えば上述した時間間隔で、例えば温度センサ１Ａの検出期間と同一期間中、皮膚温度の値を検出する。更に、その期間中の皮膚温度の時間平均が、上述した時系列皮膚温度情報として用いられる。
上述したように、第１実施形態の鼓膜温度推定システム１では、鼓膜温度推定装置１０が、気温情報取得部１１と、湿度情報取得部１２と、発汗情報取得部１３と、脈拍情報取得部１４と、鼓膜温度推定部１８と、学習部１９とを備えている。
一方、第３実施形態の鼓膜温度推定システム１では、鼓膜温度推定装置１０が、気温情報取得部１１と、湿度情報取得部１２と、発汗情報取得部１３と、脈拍情報取得部１４と、皮膚温度情報取得部１６（図４参照）と、鼓膜温度推定部１８と、学習部１９とを備えている。皮膚温度情報取得部１６は、皮膚温度センサ１Ｆから出力された鼓膜温度推定対象者の時系列皮膚温度情報を取得する。
一方、第３実施形態の鼓膜温度推定システム１では、鼓膜温度推定装置１０が、気温情報取得部１１と、湿度情報取得部１２と、発汗情報取得部１３と、脈拍情報取得部１４と、皮膚温度情報取得部１６（図４参照）と、鼓膜温度推定部１８と、学習部１９とを備えている。皮膚温度情報取得部１６は、皮膚温度センサ１Ｆから出力された鼓膜温度推定対象者の時系列皮膚温度情報を取得する。
上述したように、第１実施形態の鼓膜温度推定システム１では、鼓膜温度推定部１８が、気温情報取得部１１によって取得された時系列気温情報と、湿度情報取得部１２によって取得された時系列湿度情報と、発汗情報取得部１３によって取得された時系列発汗情報と、脈拍情報取得部１４によって取得された時系列脈拍情報とに基づいて、鼓膜温度推定対象者の鼓膜温度を推定する。
本発明者等は、鋭意研究において、時系列気温情報と時系列湿度情報と鼓膜温度推定対象者の時系列発汗情報と鼓膜温度推定対象者の時系列脈拍情報と鼓膜温度推定対象者の時系列皮膚温度情報とを用いる場合には、時系列気温情報と時系列湿度情報と鼓膜温度推定対象者の時系列発汗情報と鼓膜温度推定対象者の時系列脈拍情報とを用いる場合よりも高精度に、鼓膜温度推定対象者の鼓膜温度を推定できることを見い出した。
そこで、第３実施形態の鼓膜温度推定システム１では、鼓膜温度推定部１８が、気温情報取得部１１によって取得された時系列気温情報と、湿度情報取得部１２によって取得された時系列湿度情報と、発汗情報取得部１３によって取得された時系列発汗情報と、脈拍情報取得部１４によって取得された時系列脈拍情報と、皮膚温度情報取得部１６によって取得された時系列皮膚温度情報とに基づいて、鼓膜温度推定対象者の鼓膜温度を推定する。
詳細には、第３実施形態の鼓膜温度推定システム１では、学習部１９が、既知の鼓膜温度を示す情報である教師データと、既知の鼓膜温度が得られた時点を含む時系列気温情報、時系列湿度情報、時系列発汗情報、時系列脈拍情報および時系列皮膚温度情報を有する学習データとの組を用いることによって、鼓膜温度推定部１８の機械学習を行う。
本発明者等は、鋭意研究において、時系列気温情報と時系列湿度情報と鼓膜温度推定対象者の時系列発汗情報と鼓膜温度推定対象者の時系列脈拍情報と鼓膜温度推定対象者の時系列皮膚温度情報とを用いる場合には、時系列気温情報と時系列湿度情報と鼓膜温度推定対象者の時系列発汗情報と鼓膜温度推定対象者の時系列脈拍情報とを用いる場合よりも高精度に、鼓膜温度推定対象者の鼓膜温度を推定できることを見い出した。
そこで、第３実施形態の鼓膜温度推定システム１では、鼓膜温度推定部１８が、気温情報取得部１１によって取得された時系列気温情報と、湿度情報取得部１２によって取得された時系列湿度情報と、発汗情報取得部１３によって取得された時系列発汗情報と、脈拍情報取得部１４によって取得された時系列脈拍情報と、皮膚温度情報取得部１６によって取得された時系列皮膚温度情報とに基づいて、鼓膜温度推定対象者の鼓膜温度を推定する。
詳細には、第３実施形態の鼓膜温度推定システム１では、学習部１９が、既知の鼓膜温度を示す情報である教師データと、既知の鼓膜温度が得られた時点を含む時系列気温情報、時系列湿度情報、時系列発汗情報、時系列脈拍情報および時系列皮膚温度情報を有する学習データとの組を用いることによって、鼓膜温度推定部１８の機械学習を行う。
＜第４実施形態＞
以下、本発明の鼓膜温度推定システム、ウェアラブルデバイス、熱中症リスク推定システム、鼓膜温度推定方法およびプログラムの第４実施形態について説明する。
第４実施形態の鼓膜温度推定システム１は、後述する点を除き、上述した第３実施形態の鼓膜温度推定システム１と同様に構成されている。従って、第４実施形態の鼓膜温度推定システム１によれば、後述する点を除き、上述した第３実施形態の鼓膜温度推定システム１と同様の効果を奏することができる。
以下、本発明の鼓膜温度推定システム、ウェアラブルデバイス、熱中症リスク推定システム、鼓膜温度推定方法およびプログラムの第４実施形態について説明する。
第４実施形態の鼓膜温度推定システム１は、後述する点を除き、上述した第３実施形態の鼓膜温度推定システム１と同様に構成されている。従って、第４実施形態の鼓膜温度推定システム１によれば、後述する点を除き、上述した第３実施形態の鼓膜温度推定システム１と同様の効果を奏することができる。
上述したように、第３実施形態の鼓膜温度推定システム１は、学習部１９を備えているが、第４実施形態の鼓膜温度推定システム１は、学習部１９を備えていない。
詳細には、第４実施形態の鼓膜温度推定システム１では、鼓膜温度推定部１８が、第３実施形態の鼓膜温度推定システム１において学習部１９による機械学習が行われた後の鼓膜温度推定部１８と同等の機能を有する。
そのため、第４実施形態の鼓膜温度推定システム１においても、第３実施形態の鼓膜温度推定システム１と同様に、例えば実験などにおいて時系列気温情報、時系列湿度情報、時系列発汗情報、時系列脈拍情報および時系列皮膚温度情報と鼓膜温度との関係を事前に得る必要なく、鼓膜温度推定対象者の鼓膜温度を推定することができる。
詳細には、第４実施形態の鼓膜温度推定システム１では、鼓膜温度推定部１８が、第３実施形態の鼓膜温度推定システム１において学習部１９による機械学習が行われた後の鼓膜温度推定部１８と同等の機能を有する。
そのため、第４実施形態の鼓膜温度推定システム１においても、第３実施形態の鼓膜温度推定システム１と同様に、例えば実験などにおいて時系列気温情報、時系列湿度情報、時系列発汗情報、時系列脈拍情報および時系列皮膚温度情報と鼓膜温度との関係を事前に得る必要なく、鼓膜温度推定対象者の鼓膜温度を推定することができる。
＜第５実施形態＞
以下、本発明の鼓膜温度推定システム、ウェアラブルデバイス、熱中症リスク推定システム、鼓膜温度推定方法およびプログラムの第５実施形態について説明する。
第５実施形態の鼓膜温度推定システム１は、後述する点を除き、上述した第３実施形態の鼓膜温度推定システム１とほぼ同様に構成されている。従って、第５実施形態の鼓膜温度推定システム１によれば、後述する点を除き、上述した第３実施形態の鼓膜温度推定システム１と同様の効果を奏することができる。
以下、本発明の鼓膜温度推定システム、ウェアラブルデバイス、熱中症リスク推定システム、鼓膜温度推定方法およびプログラムの第５実施形態について説明する。
第５実施形態の鼓膜温度推定システム１は、後述する点を除き、上述した第３実施形態の鼓膜温度推定システム１とほぼ同様に構成されている。従って、第５実施形態の鼓膜温度推定システム１によれば、後述する点を除き、上述した第３実施形態の鼓膜温度推定システム１と同様の効果を奏することができる。
上述したように、第３実施形態の鼓膜温度推定システム１は、温度センサ１Ａと、湿度センサ１Ｂと、発汗センサ１Ｃと、脈拍センサ１Ｄと、皮膚温度センサ１Ｆと、鼓膜温度推定装置１０とを備えている。
一方、第５実施形態の鼓膜温度推定システム１は、温度センサ１Ａと、湿度センサ１Ｂと、発汗センサ１Ｃと、脈拍センサ１Ｄと、照度センサ１Ｅ（図４参照）と、皮膚温度センサ１Ｆと、鼓膜温度推定装置１０とを備えている。照度センサ１Ｅは、例えば温度センサ１Ａと同一の時間間隔で鼓膜温度推定対象者の周囲環境の照度を検出する。また、照度センサ１Ｅは、例えば温度センサ１Ａと同一回数分の検出結果を時系列照度情報として出力する。詳細には、照度センサ１Ｅは、例えば上述した時間間隔で、例えば温度センサ１Ａの検出期間と同一期間中、照度の値を検出する。更に、その期間中の照度の時間平均が、上述した時系列照度情報として用いられる。
一方、第５実施形態の鼓膜温度推定システム１は、温度センサ１Ａと、湿度センサ１Ｂと、発汗センサ１Ｃと、脈拍センサ１Ｄと、照度センサ１Ｅ（図４参照）と、皮膚温度センサ１Ｆと、鼓膜温度推定装置１０とを備えている。照度センサ１Ｅは、例えば温度センサ１Ａと同一の時間間隔で鼓膜温度推定対象者の周囲環境の照度を検出する。また、照度センサ１Ｅは、例えば温度センサ１Ａと同一回数分の検出結果を時系列照度情報として出力する。詳細には、照度センサ１Ｅは、例えば上述した時間間隔で、例えば温度センサ１Ａの検出期間と同一期間中、照度の値を検出する。更に、その期間中の照度の時間平均が、上述した時系列照度情報として用いられる。
上述したように、第３実施形態の鼓膜温度推定システム１では、鼓膜温度推定装置１０が、気温情報取得部１１と、湿度情報取得部１２と、発汗情報取得部１３と、脈拍情報取得部１４と、皮膚温度情報取得部１６と、鼓膜温度推定部１８と、学習部１９とを備えている。
一方、第５実施形態の鼓膜温度推定システム１では、鼓膜温度推定装置１０が、気温情報取得部１１と、湿度情報取得部１２と、発汗情報取得部１３と、脈拍情報取得部１４と、照度情報取得部１５（図４参照）と、皮膚温度情報取得部１６と、鼓膜温度推定部１８と、学習部１９とを備えている。照度情報取得部１５は、照度センサ１Ｅから出力された時系列照度情報を取得する。
一方、第５実施形態の鼓膜温度推定システム１では、鼓膜温度推定装置１０が、気温情報取得部１１と、湿度情報取得部１２と、発汗情報取得部１３と、脈拍情報取得部１４と、照度情報取得部１５（図４参照）と、皮膚温度情報取得部１６と、鼓膜温度推定部１８と、学習部１９とを備えている。照度情報取得部１５は、照度センサ１Ｅから出力された時系列照度情報を取得する。
上述したように、第３実施形態の鼓膜温度推定システム１では、鼓膜温度推定部１８が、気温情報取得部１１によって取得された時系列気温情報と、湿度情報取得部１２によって取得された時系列湿度情報と、発汗情報取得部１３によって取得された時系列発汗情報と、脈拍情報取得部１４によって取得された時系列脈拍情報と、皮膚温度情報取得部１６によって取得された時系列皮膚温度情報とに基づいて、鼓膜温度推定対象者の鼓膜温度を推定する。
本発明者等は、鋭意研究において、時系列気温情報と時系列湿度情報と鼓膜温度推定対象者の時系列発汗情報と鼓膜温度推定対象者の時系列脈拍情報と鼓膜温度推定対象者の時系列皮膚温度情報と時系列照度情報とを用いる場合には、時系列気温情報と時系列湿度情報と鼓膜温度推定対象者の時系列発汗情報と鼓膜温度推定対象者の時系列脈拍情報と鼓膜温度推定対象者の時系列皮膚温度情報とを用いる場合よりも高精度に、鼓膜温度推定対象者の鼓膜温度を推定できることを見い出した。
そこで、第５実施形態の鼓膜温度推定システム１では、鼓膜温度推定部１８が、気温情報取得部１１によって取得された時系列気温情報と、湿度情報取得部１２によって取得された時系列湿度情報と、発汗情報取得部１３によって取得された時系列発汗情報と、脈拍情報取得部１４によって取得された時系列脈拍情報と、皮膚温度情報取得部１６によって取得された時系列皮膚温度情報と、照度情報取得部１５によって取得された時系列照度情報とに基づいて、鼓膜温度推定対象者の鼓膜温度を推定する。
詳細には、第５実施形態の鼓膜温度推定システム１では、学習部１９が、既知の鼓膜温度を示す情報である教師データと、既知の鼓膜温度が得られた時点を含む時系列気温情報、時系列湿度情報、時系列発汗情報、時系列脈拍情報、時系列皮膚温度情報および時系列照度情報を有する学習データとの組を用いることによって、鼓膜温度推定部１８の機械学習を行う。
本発明者等は、鋭意研究において、時系列気温情報と時系列湿度情報と鼓膜温度推定対象者の時系列発汗情報と鼓膜温度推定対象者の時系列脈拍情報と鼓膜温度推定対象者の時系列皮膚温度情報と時系列照度情報とを用いる場合には、時系列気温情報と時系列湿度情報と鼓膜温度推定対象者の時系列発汗情報と鼓膜温度推定対象者の時系列脈拍情報と鼓膜温度推定対象者の時系列皮膚温度情報とを用いる場合よりも高精度に、鼓膜温度推定対象者の鼓膜温度を推定できることを見い出した。
そこで、第５実施形態の鼓膜温度推定システム１では、鼓膜温度推定部１８が、気温情報取得部１１によって取得された時系列気温情報と、湿度情報取得部１２によって取得された時系列湿度情報と、発汗情報取得部１３によって取得された時系列発汗情報と、脈拍情報取得部１４によって取得された時系列脈拍情報と、皮膚温度情報取得部１６によって取得された時系列皮膚温度情報と、照度情報取得部１５によって取得された時系列照度情報とに基づいて、鼓膜温度推定対象者の鼓膜温度を推定する。
詳細には、第５実施形態の鼓膜温度推定システム１では、学習部１９が、既知の鼓膜温度を示す情報である教師データと、既知の鼓膜温度が得られた時点を含む時系列気温情報、時系列湿度情報、時系列発汗情報、時系列脈拍情報、時系列皮膚温度情報および時系列照度情報を有する学習データとの組を用いることによって、鼓膜温度推定部１８の機械学習を行う。
＜第６実施形態＞
以下、本発明の鼓膜温度推定システム、ウェアラブルデバイス、熱中症リスク推定システム、鼓膜温度推定方法およびプログラムの第６実施形態について説明する。
第６実施形態の鼓膜温度推定システム１は、後述する点を除き、上述した第５実施形態の鼓膜温度推定システム１と同様に構成されている。従って、第６実施形態の鼓膜温度推定システム１によれば、後述する点を除き、上述した第５実施形態の鼓膜温度推定システム１と同様の効果を奏することができる。
以下、本発明の鼓膜温度推定システム、ウェアラブルデバイス、熱中症リスク推定システム、鼓膜温度推定方法およびプログラムの第６実施形態について説明する。
第６実施形態の鼓膜温度推定システム１は、後述する点を除き、上述した第５実施形態の鼓膜温度推定システム１と同様に構成されている。従って、第６実施形態の鼓膜温度推定システム１によれば、後述する点を除き、上述した第５実施形態の鼓膜温度推定システム１と同様の効果を奏することができる。
上述したように、第５実施形態の鼓膜温度推定システム１は、学習部１９を備えているが、第６実施形態の鼓膜温度推定システム１は、学習部１９を備えていない。
詳細には、第６実施形態の鼓膜温度推定システム１では、鼓膜温度推定部１８が、第５実施形態の鼓膜温度推定システム１において学習部１９による機械学習が行われた後の鼓膜温度推定部１８と同等の機能を有する。
そのため、第６実施形態の鼓膜温度推定システム１においても、第５実施形態の鼓膜温度推定システム１と同様に、例えば実験などにおいて時系列気温情報、時系列湿度情報、時系列発汗情報、時系列脈拍情報および時系列皮膚温度情報と鼓膜温度との関係を事前に得る必要なく、鼓膜温度推定対象者の鼓膜温度を推定することができる。
詳細には、第６実施形態の鼓膜温度推定システム１では、鼓膜温度推定部１８が、第５実施形態の鼓膜温度推定システム１において学習部１９による機械学習が行われた後の鼓膜温度推定部１８と同等の機能を有する。
そのため、第６実施形態の鼓膜温度推定システム１においても、第５実施形態の鼓膜温度推定システム１と同様に、例えば実験などにおいて時系列気温情報、時系列湿度情報、時系列発汗情報、時系列脈拍情報および時系列皮膚温度情報と鼓膜温度との関係を事前に得る必要なく、鼓膜温度推定対象者の鼓膜温度を推定することができる。
＜第７実施形態＞
以下、本発明の鼓膜温度推定システム、ウェアラブルデバイス、熱中症リスク推定システム、鼓膜温度推定方法およびプログラムの第７実施形態について説明する。
第７実施形態の鼓膜温度推定システム１は、後述する点を除き、上述した第５実施形態の鼓膜温度推定システム１とほぼ同様に構成されている。従って、第７実施形態の鼓膜温度推定システム１によれば、後述する点を除き、上述した第５実施形態の鼓膜温度推定システム１と同様の効果を奏することができる。
以下、本発明の鼓膜温度推定システム、ウェアラブルデバイス、熱中症リスク推定システム、鼓膜温度推定方法およびプログラムの第７実施形態について説明する。
第７実施形態の鼓膜温度推定システム１は、後述する点を除き、上述した第５実施形態の鼓膜温度推定システム１とほぼ同様に構成されている。従って、第７実施形態の鼓膜温度推定システム１によれば、後述する点を除き、上述した第５実施形態の鼓膜温度推定システム１と同様の効果を奏することができる。
図４は第７実施形態の鼓膜温度推定システム１の概要の一例を示す図である。
図４に示す例では、鼓膜温度推定システム１が、温度センサ１Ａと、湿度センサ１Ｂと、発汗センサ１Ｃと、脈拍センサ１Ｄと、照度センサ１Ｅと、皮膚温度センサ１Ｆと、加速度センサ１Ｇと、鼓膜温度推定装置１０とを備えている。加速度センサ１Ｇは、例えば温度センサ１Ａと同一の時間間隔で鼓膜温度推定対象者の加速度を検出する。また、加速度センサ１Ｇは、例えば温度センサ１Ａと同一回数分の検出結果を時系列加速度情報として出力する。詳細には、加速度センサ１Ｇは、例えば上述した時間間隔で、例えば温度センサ１Ａの検出期間と同一期間中、加速度の値を検出する。更に、その期間中の加速度の時間平均が、上述した時系列加速度情報として用いられる。
図４に示す例では、鼓膜温度推定システム１が、温度センサ１Ａと、湿度センサ１Ｂと、発汗センサ１Ｃと、脈拍センサ１Ｄと、照度センサ１Ｅと、皮膚温度センサ１Ｆと、加速度センサ１Ｇと、鼓膜温度推定装置１０とを備えている。加速度センサ１Ｇは、例えば温度センサ１Ａと同一の時間間隔で鼓膜温度推定対象者の加速度を検出する。また、加速度センサ１Ｇは、例えば温度センサ１Ａと同一回数分の検出結果を時系列加速度情報として出力する。詳細には、加速度センサ１Ｇは、例えば上述した時間間隔で、例えば温度センサ１Ａの検出期間と同一期間中、加速度の値を検出する。更に、その期間中の加速度の時間平均が、上述した時系列加速度情報として用いられる。
図４に示す例では、鼓膜温度推定装置１０が、気温情報取得部１１と、湿度情報取得部１２と、発汗情報取得部１３と、脈拍情報取得部１４と、照度情報取得部１５と、皮膚温度情報取得部１６と、加速度情報取得部１７と、鼓膜温度推定部１８と、学習部１９とを備えている。加速度情報取得部１７は、加速度センサ１Ｇから出力された鼓膜温度推定対象者の時系列加速度情報を取得する。
上述したように、第５実施形態の鼓膜温度推定システム１では、鼓膜温度推定部１８が、気温情報取得部１１によって取得された時系列気温情報と、湿度情報取得部１２によって取得された時系列湿度情報と、発汗情報取得部１３によって取得された時系列発汗情報と、脈拍情報取得部１４によって取得された時系列脈拍情報と、皮膚温度情報取得部１６によって取得された時系列皮膚温度情報と、照度情報取得部１５によって取得された時系列照度情報とに基づいて、鼓膜温度推定対象者の鼓膜温度を推定する。
本発明者等は、鋭意研究において、時系列気温情報と時系列湿度情報と鼓膜温度推定対象者の時系列発汗情報と鼓膜温度推定対象者の時系列脈拍情報と鼓膜温度推定対象者の時系列皮膚温度情報と時系列照度情報と鼓膜温度推定対象者の時系列加速度情報とを用いる場合には、時系列気温情報と時系列湿度情報と鼓膜温度推定対象者の時系列発汗情報と鼓膜温度推定対象者の時系列脈拍情報と鼓膜温度推定対象者の時系列皮膚温度情報と時系列照度情報とを用いる場合よりも高精度に、鼓膜温度推定対象者の鼓膜温度を推定できることを見い出した。
そこで、図４に示す例では、鼓膜温度推定部１８が、気温情報取得部１１によって取得された時系列気温情報と、湿度情報取得部１２によって取得された時系列湿度情報と、発汗情報取得部１３によって取得された時系列発汗情報と、脈拍情報取得部１４によって取得された時系列脈拍情報と、皮膚温度情報取得部１６によって取得された時系列皮膚温度情報と、照度情報取得部１５によって取得された時系列照度情報と、加速度情報取得部１７によって取得された時系列加速度情報とに基づいて、鼓膜温度推定対象者の鼓膜温度を推定する。
詳細には、図４に示す例では、学習部１９が、既知の鼓膜温度を示す情報である教師データと、既知の鼓膜温度が得られた時点を含む時系列気温情報、時系列湿度情報、時系列発汗情報、時系列脈拍情報、時系列皮膚温度情報、時系列照度情報および時系列加速度情報を有する学習データとの組を用いることによって、鼓膜温度推定部１８の機械学習を行う。
本発明者等は、鋭意研究において、時系列気温情報と時系列湿度情報と鼓膜温度推定対象者の時系列発汗情報と鼓膜温度推定対象者の時系列脈拍情報と鼓膜温度推定対象者の時系列皮膚温度情報と時系列照度情報と鼓膜温度推定対象者の時系列加速度情報とを用いる場合には、時系列気温情報と時系列湿度情報と鼓膜温度推定対象者の時系列発汗情報と鼓膜温度推定対象者の時系列脈拍情報と鼓膜温度推定対象者の時系列皮膚温度情報と時系列照度情報とを用いる場合よりも高精度に、鼓膜温度推定対象者の鼓膜温度を推定できることを見い出した。
そこで、図４に示す例では、鼓膜温度推定部１８が、気温情報取得部１１によって取得された時系列気温情報と、湿度情報取得部１２によって取得された時系列湿度情報と、発汗情報取得部１３によって取得された時系列発汗情報と、脈拍情報取得部１４によって取得された時系列脈拍情報と、皮膚温度情報取得部１６によって取得された時系列皮膚温度情報と、照度情報取得部１５によって取得された時系列照度情報と、加速度情報取得部１７によって取得された時系列加速度情報とに基づいて、鼓膜温度推定対象者の鼓膜温度を推定する。
詳細には、図４に示す例では、学習部１９が、既知の鼓膜温度を示す情報である教師データと、既知の鼓膜温度が得られた時点を含む時系列気温情報、時系列湿度情報、時系列発汗情報、時系列脈拍情報、時系列皮膚温度情報、時系列照度情報および時系列加速度情報を有する学習データとの組を用いることによって、鼓膜温度推定部１８の機械学習を行う。
図５は図４に示す学習部１９による鼓膜温度推定部１８の機械学習の一例を説明するための図である。
図５に示す例では、学習部１９（図４参照）が、鼓膜温度センサデータ（既知の鼓膜温度を示す情報）を教師データとして用いる。また、学習部１９は、温度センサデータ（既知の鼓膜温度が得られた時点を含む時系列気温情報）と、湿度センサデータ（既知の鼓膜温度が得られた時点を含む時系列湿度情報）と、発汗センサデータ（既知の鼓膜温度が得られた時点を含む時系列発汗情報）と、脈拍センサデータ（既知の鼓膜温度が得られた時点を含む時系列脈拍情報）と、皮膚温度センサデータ（既知の鼓膜温度が得られた時点を含む時系列皮膚温度情報）と、照度センサデータ（既知の鼓膜温度が得られた時点を含む時系列照度情報）と、加速度センサデータ（既知の鼓膜温度が得られた時点を含む時系列加速度情報）とを学習データとして用いる。つまり、学習部１９は、上述した教師データと学習データとの組を用いる。詳細には、学習部１９は、学習データとしての温度センサデータと湿度センサデータと発汗センサデータと脈拍センサデータと皮膚温度センサデータと照度センサデータと加速度センサデータとが、モデルに入力されると、教師データとしての鼓膜温度センサデータがモデルから出力されるように、モデルの学習を実行する。
更に、鼓膜温度推定部１８（図４参照）は、学習部１９による学習済みのモデルを用いて、鼓膜温度推定対象者の鼓膜温度を推定する。
詳細には、図５に示す例では、温度センサデータ（気温情報取得部１１によって取得された時系列気温情報）と、湿度センサデータ（湿度情報取得部１２によって取得された時系列湿度情報）と、発汗センサデータ（発汗情報取得部１３によって取得された時系列発汗情報）と、脈拍センサデータ（脈拍情報取得部１４によって取得された時系列脈拍情報）と、皮膚温度センサデータ（皮膚温度情報取得部１６によって取得された時系列皮膚温度情報）と、照度センサデータ（照度情報取得部１５によって取得された時系列照度情報）と、加速度センサデータ（加速度情報取得部１７によって取得された時系列加速度情報）とが、学習済みのモデルに入力される。更に、学習済みのモデルが、推定結果としての鼓膜温度を出力する。
図５に示す例では、学習部１９（図４参照）が、鼓膜温度センサデータ（既知の鼓膜温度を示す情報）を教師データとして用いる。また、学習部１９は、温度センサデータ（既知の鼓膜温度が得られた時点を含む時系列気温情報）と、湿度センサデータ（既知の鼓膜温度が得られた時点を含む時系列湿度情報）と、発汗センサデータ（既知の鼓膜温度が得られた時点を含む時系列発汗情報）と、脈拍センサデータ（既知の鼓膜温度が得られた時点を含む時系列脈拍情報）と、皮膚温度センサデータ（既知の鼓膜温度が得られた時点を含む時系列皮膚温度情報）と、照度センサデータ（既知の鼓膜温度が得られた時点を含む時系列照度情報）と、加速度センサデータ（既知の鼓膜温度が得られた時点を含む時系列加速度情報）とを学習データとして用いる。つまり、学習部１９は、上述した教師データと学習データとの組を用いる。詳細には、学習部１９は、学習データとしての温度センサデータと湿度センサデータと発汗センサデータと脈拍センサデータと皮膚温度センサデータと照度センサデータと加速度センサデータとが、モデルに入力されると、教師データとしての鼓膜温度センサデータがモデルから出力されるように、モデルの学習を実行する。
更に、鼓膜温度推定部１８（図４参照）は、学習部１９による学習済みのモデルを用いて、鼓膜温度推定対象者の鼓膜温度を推定する。
詳細には、図５に示す例では、温度センサデータ（気温情報取得部１１によって取得された時系列気温情報）と、湿度センサデータ（湿度情報取得部１２によって取得された時系列湿度情報）と、発汗センサデータ（発汗情報取得部１３によって取得された時系列発汗情報）と、脈拍センサデータ（脈拍情報取得部１４によって取得された時系列脈拍情報）と、皮膚温度センサデータ（皮膚温度情報取得部１６によって取得された時系列皮膚温度情報）と、照度センサデータ（照度情報取得部１５によって取得された時系列照度情報）と、加速度センサデータ（加速度情報取得部１７によって取得された時系列加速度情報）とが、学習済みのモデルに入力される。更に、学習済みのモデルが、推定結果としての鼓膜温度を出力する。
上述したように、第７実施形態の鼓膜温度推定システム１では、時系列気温情報と、時系列湿度情報と、時系列発汗情報と、時系列脈拍情報と、時系列皮膚温度情報と、時系列照度情報と、時系列加速度情報とに基づいて、鼓膜温度推定対象者の鼓膜温度が推定される。そのため、第７実施形態の鼓膜温度推定システム１では、鼓膜温度推定対象者の耳内へのセンサの設置などを行う必要なく、高精度な鼓膜温度推定対象者の鼓膜温度を得ることができる。
詳細には、図５に示す例では、既知の鼓膜温度を示す情報である教師データと、既知の鼓膜温度が得られた時点を含む時系列気温情報、時系列湿度情報、時系列発汗情報、時系列脈拍情報、時系列皮膚温度情報、時系列照度情報および時系列加速度情報を有する学習データとの組を用いることによって、鼓膜温度推定部１８の機械学習が行われる。そのため、図５に示す例では、例えば実験などにおいて時系列気温情報、時系列湿度情報、時系列発汗情報、時系列脈拍情報、時系列皮膚温度情報、時系列照度情報および時系列加速度情報と鼓膜温度との関係を事前に得る必要なく、鼓膜温度推定対象者の鼓膜温度を高精度に推定することができる。
詳細には、図５に示す例では、既知の鼓膜温度を示す情報である教師データと、既知の鼓膜温度が得られた時点を含む時系列気温情報、時系列湿度情報、時系列発汗情報、時系列脈拍情報、時系列皮膚温度情報、時系列照度情報および時系列加速度情報を有する学習データとの組を用いることによって、鼓膜温度推定部１８の機械学習が行われる。そのため、図５に示す例では、例えば実験などにおいて時系列気温情報、時系列湿度情報、時系列発汗情報、時系列脈拍情報、時系列皮膚温度情報、時系列照度情報および時系列加速度情報と鼓膜温度との関係を事前に得る必要なく、鼓膜温度推定対象者の鼓膜温度を高精度に推定することができる。
図６は第７実施形態の鼓膜温度推定システム１において実行される処理の一例を説明するためのフローチャートである。
図６に示す例では、ステップＳ２１において、学習部１９が、鼓膜温度推定部１８の機械学習を行う。
次いで、ステップＳ２２では、気温情報取得部１１が、時系列気温情報を取得する。また、ステップＳ２３では、湿度情報取得部１２が、時系列湿度情報を取得する。また、ステップＳ２４では、発汗情報取得部１３が、鼓膜温度推定対象者の時系列発汗情報を取得する。また、ステップＳ２５では、脈拍情報取得部１４が、鼓膜温度推定対象者の時系列脈拍情報を取得する。また、ステップＳ２６では、皮膚温度情報取得部１６が、鼓膜温度推定対象者の時系列皮膚温度情報を取得する。また、ステップＳ２７では、照度情報取得部１５が、時系列照度情報を取得する。また、ステップＳ２８では、加速度情報取得部１７が、鼓膜温度推定対象者の時系列加速度情報を取得する。
次いで、ステップＳ２９では、鼓膜温度推定部１８が、ステップＳ２２において取得された時系列気温情報と、ステップＳ２３において取得された時系列湿度情報と、ステップＳ２４において取得された時系列発汗情報と、ステップＳ２５において取得された時系列脈拍情報と、ステップＳ２６において取得された時系列皮膚温度情報と、ステップＳ２７において取得された時系列照度情報と、ステップＳ２８において取得された時系列加速度情報とに基づいて、鼓膜温度推定対象者の鼓膜温度を推定する。
図６に示す例では、ステップＳ２１において、学習部１９が、鼓膜温度推定部１８の機械学習を行う。
次いで、ステップＳ２２では、気温情報取得部１１が、時系列気温情報を取得する。また、ステップＳ２３では、湿度情報取得部１２が、時系列湿度情報を取得する。また、ステップＳ２４では、発汗情報取得部１３が、鼓膜温度推定対象者の時系列発汗情報を取得する。また、ステップＳ２５では、脈拍情報取得部１４が、鼓膜温度推定対象者の時系列脈拍情報を取得する。また、ステップＳ２６では、皮膚温度情報取得部１６が、鼓膜温度推定対象者の時系列皮膚温度情報を取得する。また、ステップＳ２７では、照度情報取得部１５が、時系列照度情報を取得する。また、ステップＳ２８では、加速度情報取得部１７が、鼓膜温度推定対象者の時系列加速度情報を取得する。
次いで、ステップＳ２９では、鼓膜温度推定部１８が、ステップＳ２２において取得された時系列気温情報と、ステップＳ２３において取得された時系列湿度情報と、ステップＳ２４において取得された時系列発汗情報と、ステップＳ２５において取得された時系列脈拍情報と、ステップＳ２６において取得された時系列皮膚温度情報と、ステップＳ２７において取得された時系列照度情報と、ステップＳ２８において取得された時系列加速度情報とに基づいて、鼓膜温度推定対象者の鼓膜温度を推定する。
＜第８実施形態＞
以下、本発明の鼓膜温度推定システム、ウェアラブルデバイス、熱中症リスク推定システム、鼓膜温度推定方法およびプログラムの第８実施形態について説明する。
第８実施形態の鼓膜温度推定システム１は、後述する点を除き、上述した第７実施形態の鼓膜温度推定システム１と同様に構成されている。従って、第８実施形態の鼓膜温度推定システム１によれば、後述する点を除き、上述した第７実施形態の鼓膜温度推定システム１と同様の効果を奏することができる。
以下、本発明の鼓膜温度推定システム、ウェアラブルデバイス、熱中症リスク推定システム、鼓膜温度推定方法およびプログラムの第８実施形態について説明する。
第８実施形態の鼓膜温度推定システム１は、後述する点を除き、上述した第７実施形態の鼓膜温度推定システム１と同様に構成されている。従って、第８実施形態の鼓膜温度推定システム１によれば、後述する点を除き、上述した第７実施形態の鼓膜温度推定システム１と同様の効果を奏することができる。
上述したように、第７実施形態の鼓膜温度推定システム１は、学習部１９を備えているが、第８実施形態の鼓膜温度推定システム１は、学習部１９を備えていない。
詳細には、第８実施形態の鼓膜温度推定システム１では、鼓膜温度推定部１８が、第７実施形態の鼓膜温度推定システム１において学習部１９による機械学習が行われた後の鼓膜温度推定部１８と同等の機能を有する。
そのため、第８実施形態の鼓膜温度推定システム１においても、第７実施形態の鼓膜温度推定システム１と同様に、例えば実験などにおいて時系列気温情報、時系列湿度情報、時系列発汗情報、時系列脈拍情報、時系列皮膚温度情報、時系列照度情報および時系列加速度情報と鼓膜温度との関係を事前に得る必要なく、鼓膜温度推定対象者の鼓膜温度を推定することができる。
詳細には、第８実施形態の鼓膜温度推定システム１では、鼓膜温度推定部１８が、第７実施形態の鼓膜温度推定システム１において学習部１９による機械学習が行われた後の鼓膜温度推定部１８と同等の機能を有する。
そのため、第８実施形態の鼓膜温度推定システム１においても、第７実施形態の鼓膜温度推定システム１と同様に、例えば実験などにおいて時系列気温情報、時系列湿度情報、時系列発汗情報、時系列脈拍情報、時系列皮膚温度情報、時系列照度情報および時系列加速度情報と鼓膜温度との関係を事前に得る必要なく、鼓膜温度推定対象者の鼓膜温度を推定することができる。
図７は学習部１９による鼓膜温度推定部１８の機械学習において用いられたデータの一例を示す図である。
図７に示す例では、学習部１９（図１参照）が、鼓膜温度センサデータ（既知の鼓膜温度を示す情報（２分２５秒の時点における鼓膜温度３６．７３［℃］））を教師データとして用いた。
また、学習部１９は、温度センサデータＡ（既知の鼓膜温度が得られた２分２５秒の時点を含む時系列気温情報）として、０分００秒の時点の気温３６．４１［℃］、０分０５秒の時点の気温３６．８［℃］、…、１分３５秒の時点の気温３７．３３［℃］、…、２分２５秒の時点の気温３７．０１［℃］を用いた。つまり、学習部１９は、３０時点分の温度センサデータＡを用いた。
更に、学習部１９は、湿度センサデータＢ（既知の鼓膜温度が得られた２分２５秒の時点を含む時系列湿度情報）として、０分００秒の時点の湿度５１．２５［％］、０分０５秒の時点の湿度５２．９８［％］、…、１分３５秒の時点の湿度４９．５９［％］、…、２分２５秒の時点の湿度４８．８１［％］を用いた。つまり、学習部１９は、３０時点分の湿度センサデータＢを用いた。
図７に示す例では、学習部１９（図１参照）が、鼓膜温度センサデータ（既知の鼓膜温度を示す情報（２分２５秒の時点における鼓膜温度３６．７３［℃］））を教師データとして用いた。
また、学習部１９は、温度センサデータＡ（既知の鼓膜温度が得られた２分２５秒の時点を含む時系列気温情報）として、０分００秒の時点の気温３６．４１［℃］、０分０５秒の時点の気温３６．８［℃］、…、１分３５秒の時点の気温３７．３３［℃］、…、２分２５秒の時点の気温３７．０１［℃］を用いた。つまり、学習部１９は、３０時点分の温度センサデータＡを用いた。
更に、学習部１９は、湿度センサデータＢ（既知の鼓膜温度が得られた２分２５秒の時点を含む時系列湿度情報）として、０分００秒の時点の湿度５１．２５［％］、０分０５秒の時点の湿度５２．９８［％］、…、１分３５秒の時点の湿度４９．５９［％］、…、２分２５秒の時点の湿度４８．８１［％］を用いた。つまり、学習部１９は、３０時点分の湿度センサデータＢを用いた。
また、学習部１９は、照度センサデータＣ（既知の鼓膜温度が得られた２分２５秒の時点を含む時系列照度情報）として、０分００秒の時点の照度２５７９．２［ｌｘ］、０分０５秒の時点の照度２７７５．４［ｌｘ］、…、１分３５秒の時点の照度２８６７．２［ｌｘ］、…、２分２５秒の時点の照度５５１４．２［ｌｘ］を用いた。つまり、学習部１９は、３０時点分の照度センサデータＣを用いた。
更に、学習部１９は、皮膚温度センサデータＤ（既知の鼓膜温度が得られた２分２５秒の時点を含む時系列皮膚温度情報）として、０分００秒の時点の皮膚温度３４．４［℃］、０分０５秒の時点の皮膚温度３４．３［℃］、…、１分３５秒の時点の皮膚温度３４．２［℃］、…、２分２５秒の時点の皮膚温度３５．１［℃］を用いた。つまり、学習部１９は、３０時点分の皮膚温度センサデータＤを用いた。
また、学習部１９は、発汗センサデータＥ（既知の鼓膜温度が得られた２分２５秒の時点を含む時系列発汗情報）として、０分００秒の時点の発汗量「３．３」、０分０５秒の時点の発汗量「３．１」、…、１分３５秒の時点の発汗量「１．５」、…、２分２５秒の時点の発汗量「７．９」を用いた。つまり、学習部１９は、３０時点分の発汗センサデータＥを用いた。
更に、学習部１９は、脈拍センサデータＦ（既知の鼓膜温度が得られた２分２５秒の時点を含む時系列脈拍情報）として、０分００秒の時点の脈拍９９．６［回／分］、０分０５秒の時点の脈拍１０１．６［回／分］、…、１分３５秒の時点の脈拍１０３［回／分］、…、２分２５秒の時点の脈拍８４．８［回／分］を用いた。つまり、学習部１９は、３０時点分の脈拍センサデータＦを用いた。
詳細には、学習部１９が、上述した温度センサデータＡ、湿度センサデータＢ、照度センサデータＣ、湿度センサデータＤ、発汗センサデータＥおよび脈拍センサデータＦを学習データとして用いた。
更に、学習部１９は、皮膚温度センサデータＤ（既知の鼓膜温度が得られた２分２５秒の時点を含む時系列皮膚温度情報）として、０分００秒の時点の皮膚温度３４．４［℃］、０分０５秒の時点の皮膚温度３４．３［℃］、…、１分３５秒の時点の皮膚温度３４．２［℃］、…、２分２５秒の時点の皮膚温度３５．１［℃］を用いた。つまり、学習部１９は、３０時点分の皮膚温度センサデータＤを用いた。
また、学習部１９は、発汗センサデータＥ（既知の鼓膜温度が得られた２分２５秒の時点を含む時系列発汗情報）として、０分００秒の時点の発汗量「３．３」、０分０５秒の時点の発汗量「３．１」、…、１分３５秒の時点の発汗量「１．５」、…、２分２５秒の時点の発汗量「７．９」を用いた。つまり、学習部１９は、３０時点分の発汗センサデータＥを用いた。
更に、学習部１９は、脈拍センサデータＦ（既知の鼓膜温度が得られた２分２５秒の時点を含む時系列脈拍情報）として、０分００秒の時点の脈拍９９．６［回／分］、０分０５秒の時点の脈拍１０１．６［回／分］、…、１分３５秒の時点の脈拍１０３［回／分］、…、２分２５秒の時点の脈拍８４．８［回／分］を用いた。つまり、学習部１９は、３０時点分の脈拍センサデータＦを用いた。
詳細には、学習部１９が、上述した温度センサデータＡ、湿度センサデータＢ、照度センサデータＣ、湿度センサデータＤ、発汗センサデータＥおよび脈拍センサデータＦを学習データとして用いた。
つまり、図７に示す例では、学習部１９による鼓膜温度推定部１８の機械学習において、５秒間隔で３０回分検出された（つまり、２．５ｍｉｎ分の）温度センサデータＡと湿度センサデータＢと照度センサデータＣと皮膚温度センサデータＤと発汗センサデータＥと脈拍センサデータＦとが、学習データとして用いられた。
また、学習部１９による鼓膜温度推定部１８の機械学習において、２分２５秒の時点（つまり、温度センサデータＡ、湿度センサデータＢ、照度センサデータＣ、皮膚温度センサデータＤ、発汗センサデータＥおよび脈拍センサデータＦも検出された時点）に鼓膜温度センサ（図示せず）によって検出された鼓膜温度３６．７３［℃］が、教師データとして用いられた。
上述したように、鼓膜温度推定部１８は、学習部１９による学習済みのモデルを用いて、鼓膜温度推定対象者の鼓膜温度を推定する。
図７に示す学習が行われたモデルを用いて鼓膜温度推定対象者の鼓膜温度を推定する場合には、例えば温度センサ１Ａによって５秒間隔で３０回分検出された温度センサデータと、例えば湿度センサ１Ｂによって５秒間隔で３０回分検出された湿度センサデータと、例えば照度センサ１Ｅによって５秒間隔で３０回分検出された照度センサデータと、例えば皮膚温度センサ１Ｆによって５秒間隔で３０回分検出された皮膚温度センサデータと、例えば発汗センサ１Ｃによって５秒間隔で３０回分検出された発汗センサデータと、例えば脈拍センサ１Ｄによって５秒間隔で３０回分検出された脈拍センサデータとが、学習済みのモデルに入力される。更に、学習済みのモデルが、推定結果としての鼓膜温度を出力する。
また、学習部１９による鼓膜温度推定部１８の機械学習において、２分２５秒の時点（つまり、温度センサデータＡ、湿度センサデータＢ、照度センサデータＣ、皮膚温度センサデータＤ、発汗センサデータＥおよび脈拍センサデータＦも検出された時点）に鼓膜温度センサ（図示せず）によって検出された鼓膜温度３６．７３［℃］が、教師データとして用いられた。
上述したように、鼓膜温度推定部１８は、学習部１９による学習済みのモデルを用いて、鼓膜温度推定対象者の鼓膜温度を推定する。
図７に示す学習が行われたモデルを用いて鼓膜温度推定対象者の鼓膜温度を推定する場合には、例えば温度センサ１Ａによって５秒間隔で３０回分検出された温度センサデータと、例えば湿度センサ１Ｂによって５秒間隔で３０回分検出された湿度センサデータと、例えば照度センサ１Ｅによって５秒間隔で３０回分検出された照度センサデータと、例えば皮膚温度センサ１Ｆによって５秒間隔で３０回分検出された皮膚温度センサデータと、例えば発汗センサ１Ｃによって５秒間隔で３０回分検出された発汗センサデータと、例えば脈拍センサ１Ｄによって５秒間隔で３０回分検出された脈拍センサデータとが、学習済みのモデルに入力される。更に、学習済みのモデルが、推定結果としての鼓膜温度を出力する。
図７に示す例では、５秒間隔で３０回分検出された（つまり、２．５ｍｉｎ分の）データＡ～Ｆが学習データとして用いられているが、他の例では、１分間隔で３０回分検出された（つまり、３０ｍｉｎ分の）データＡ～Ｆが学習データとして用いられてもよい。更に他の例では、検出間隔が、５秒あるいは１分とは異なる値に設定されてもよい。
図８は鼓膜温度推定対象者によって装着されるウェアラブルデバイスＡの一例を示す図である。詳細には、図８（Ａ）はウェアラブルデバイスＡを表面側から見た概略的な斜視図であり、図８（Ｂ）はウェアラブルデバイスＡを裏面側から見た概略的な斜視図である。
図８に示す例では、ウェアラブルデバイスＡが、腕時計型熱中症リスク低減デバイスとして機能する。ウェアラブルデバイスＡは、腕時計機能部Ａ１と、第７実施形態の鼓膜温度推定システム１とを備えている。
図８に示すＡＩ（Artificial Intelligence）処理回路が、鼓膜温度推定システム１の鼓膜温度推定装置１０として機能する。また、図８に示す温湿度センサは、温度センサ１Ａの機能と湿度センサ１Ｂの機能とを有する。温度センサ１Ａは、例えば鼓膜温度推定対象者の周囲の物体表面温度を検出する機能を有する。湿度センサ１Ｂは、例えばウェアラブルデバイスＡ付近の温湿度を検出する機能を有する。
図８に示す例では、温湿度センサ（温度センサ１Ａ、湿度センサ１Ｂ）と照度センサ１Ｅとが、ウェアラブルデバイスＡの表面側に配置され、環境センサとして機能する。照度センサ１Ｅは、例えばウェアラブルデバイスＡ付近の照度を検出する機能を有する。
脈拍センサ１Ｄと皮膚温度センサ１Ｆと発汗センサ１Ｃと加速度センサ１Ｇとは、ウェアラブルデバイスＡの裏面側に配置され、生体センサとして機能する。皮膚温度センサ１Ｆとしては、例えば鼓膜温度推定対象者の皮膚の表面温度を検出する赤外線センサが用いられる。発汗センサ１Ｃは、例えば鼓膜温度推定対象者付近の温湿度を検出する機能を有する。加速度センサ１Ｇは、例えばウェアラブルデバイスＡの姿勢、運動状態などを検出する機能を有する。
図８に示す電源は、ＡＩ処理回路（鼓膜温度推定装置１０）と、温湿度センサ（温度センサ１Ａ、湿度センサ１Ｂ）と、照度センサ１Ｅと、脈拍センサ１Ｄと、皮膚温度センサ１Ｆと、発汗センサ１Ｃと、加速度センサ１Ｇとに電力を供給する。
図８に示す例では、ウェアラブルデバイスＡが、腕時計型熱中症リスク低減デバイスとして機能する。ウェアラブルデバイスＡは、腕時計機能部Ａ１と、第７実施形態の鼓膜温度推定システム１とを備えている。
図８に示すＡＩ（Artificial Intelligence）処理回路が、鼓膜温度推定システム１の鼓膜温度推定装置１０として機能する。また、図８に示す温湿度センサは、温度センサ１Ａの機能と湿度センサ１Ｂの機能とを有する。温度センサ１Ａは、例えば鼓膜温度推定対象者の周囲の物体表面温度を検出する機能を有する。湿度センサ１Ｂは、例えばウェアラブルデバイスＡ付近の温湿度を検出する機能を有する。
図８に示す例では、温湿度センサ（温度センサ１Ａ、湿度センサ１Ｂ）と照度センサ１Ｅとが、ウェアラブルデバイスＡの表面側に配置され、環境センサとして機能する。照度センサ１Ｅは、例えばウェアラブルデバイスＡ付近の照度を検出する機能を有する。
脈拍センサ１Ｄと皮膚温度センサ１Ｆと発汗センサ１Ｃと加速度センサ１Ｇとは、ウェアラブルデバイスＡの裏面側に配置され、生体センサとして機能する。皮膚温度センサ１Ｆとしては、例えば鼓膜温度推定対象者の皮膚の表面温度を検出する赤外線センサが用いられる。発汗センサ１Ｃは、例えば鼓膜温度推定対象者付近の温湿度を検出する機能を有する。加速度センサ１Ｇは、例えばウェアラブルデバイスＡの姿勢、運動状態などを検出する機能を有する。
図８に示す電源は、ＡＩ処理回路（鼓膜温度推定装置１０）と、温湿度センサ（温度センサ１Ａ、湿度センサ１Ｂ）と、照度センサ１Ｅと、脈拍センサ１Ｄと、皮膚温度センサ１Ｆと、発汗センサ１Ｃと、加速度センサ１Ｇとに電力を供給する。
図９は学習部１９による鼓膜温度推定部１８の機械学習の一例を説明するための図である。
図９に示す例では、機械学習の手法として、ニューラルネットワークが用いられる。
詳細には、図９に示す例では、学習データとして用いられる３０時点分の温度センサデータＡと湿度センサデータＢとが温湿度センサによって測定される。また、学習データとして用いられる３０時点分の照度センサデータＣが照度センサによって測定される。更に、学習データとして用いられる３０時点分の皮膚温度センサデータＤが皮膚温度センサによって測定される。また、学習データとして用いられる３０時点分の発汗センサデータＥが発汗センサによって測定される。更に、学習データとして用いられる３０時点分の脈拍センサデータＦが脈拍センサによって測定される。
次いで、温度センサデータＡと湿度センサデータＢと照度センサデータＣと皮膚温度センサデータＤと発汗センサデータＥと脈拍センサデータＦとによってデータセットが生成される。次いで、生成されたデータセットのうちの、５時点分の温度センサデータＡと湿度センサデータＢと照度センサデータＣと皮膚温度センサデータＤと発汗センサデータＥと脈拍センサデータＦとを用いることによって、プーリング処理が行われる。
また、鼓膜温度センサによって、教師データとしての鼓膜温度が測定される。
次いで、学習データと教師データとを用いることによって、ニューラルネットワークの学習が行われる。ニューラルネットワークの学習では、推定される鼓膜温度と、鼓膜温度センサによって測定された鼓膜温度との比較が行われる。
ニューラルネットワークの学習の結果、ニューラルネットワークは、鼓膜温度を高精度に推定できるようになる。
本発明者等は、鋭意研究において、入力データを時間方向に拡張することによって鼓膜温度の推定精度が向上することを見い出した。この研究では、各種センサが、鼓膜温度推定対象者の腕周囲に配置された。
図９に示す例では、機械学習の手法として、ニューラルネットワークが用いられる。
詳細には、図９に示す例では、学習データとして用いられる３０時点分の温度センサデータＡと湿度センサデータＢとが温湿度センサによって測定される。また、学習データとして用いられる３０時点分の照度センサデータＣが照度センサによって測定される。更に、学習データとして用いられる３０時点分の皮膚温度センサデータＤが皮膚温度センサによって測定される。また、学習データとして用いられる３０時点分の発汗センサデータＥが発汗センサによって測定される。更に、学習データとして用いられる３０時点分の脈拍センサデータＦが脈拍センサによって測定される。
次いで、温度センサデータＡと湿度センサデータＢと照度センサデータＣと皮膚温度センサデータＤと発汗センサデータＥと脈拍センサデータＦとによってデータセットが生成される。次いで、生成されたデータセットのうちの、５時点分の温度センサデータＡと湿度センサデータＢと照度センサデータＣと皮膚温度センサデータＤと発汗センサデータＥと脈拍センサデータＦとを用いることによって、プーリング処理が行われる。
また、鼓膜温度センサによって、教師データとしての鼓膜温度が測定される。
次いで、学習データと教師データとを用いることによって、ニューラルネットワークの学習が行われる。ニューラルネットワークの学習では、推定される鼓膜温度と、鼓膜温度センサによって測定された鼓膜温度との比較が行われる。
ニューラルネットワークの学習の結果、ニューラルネットワークは、鼓膜温度を高精度に推定できるようになる。
本発明者等は、鋭意研究において、入力データを時間方向に拡張することによって鼓膜温度の推定精度が向上することを見い出した。この研究では、各種センサが、鼓膜温度推定対象者の腕周囲に配置された。
図１０は本発明者等の研究における鼓膜温度の推定結果の推定精度の第１例を示す図である。図１０の横軸は、学習部１９による鼓膜温度推定部１８の機械学習に用いられた学習データとしての鼓膜温度（測定鼓膜温度）［℃］を示しており、図１０の縦軸は、鼓膜温度推定部１８による推定結果としての鼓膜温度（推定鼓膜温度）［℃］を示している。
図１０に示す研究では、１分間隔で３０回分検出された（つまり、３０ｍｉｎ分の）センサデータＡ～Ｆと、３０ｍｉｎの間に１回測定された鼓膜温度データとが、「１データセット」として使用された。
また、図１０に示す研究では、学習部１９による鼓膜温度推定部１８の機械学習（ニューラルネットワークの学習）において、２３７個の「１データセット」が使用された。
鼓膜温度推定部１８による推定では、２５個の「１データセット」（ただし、鼓膜温度データを除くもの）が使用された。つまり、２５回分の「１データセット」（ただし、鼓膜温度データを除くもの）が、学習後のニューラルネットワークに入力され、学習後のニューラルネットワークから、２５回分の「１データセット」のそれぞれに対応する鼓膜温度の推定結果が出力された。すなわち、学習後のニューラルネットワークによって、「１データセット」（ただし、鼓膜温度データを除くもの）に基づく鼓膜温度の推定が２５回行われた。
詳細には、学習後のニューラルネットワークによる鼓膜温度の推定では、上述した２５個の「１データセット」として、ニューラルネットワークの学習に使用されなかったものが使用された。
図１０に示す研究では、回帰係数「０．８７」、Ｒ２値「０．９１」、誤差最大値「０．１６［℃］」が得られた。
図１０に示す研究では、１分間隔で３０回分検出された（つまり、３０ｍｉｎ分の）センサデータＡ～Ｆと、３０ｍｉｎの間に１回測定された鼓膜温度データとが、「１データセット」として使用された。
また、図１０に示す研究では、学習部１９による鼓膜温度推定部１８の機械学習（ニューラルネットワークの学習）において、２３７個の「１データセット」が使用された。
鼓膜温度推定部１８による推定では、２５個の「１データセット」（ただし、鼓膜温度データを除くもの）が使用された。つまり、２５回分の「１データセット」（ただし、鼓膜温度データを除くもの）が、学習後のニューラルネットワークに入力され、学習後のニューラルネットワークから、２５回分の「１データセット」のそれぞれに対応する鼓膜温度の推定結果が出力された。すなわち、学習後のニューラルネットワークによって、「１データセット」（ただし、鼓膜温度データを除くもの）に基づく鼓膜温度の推定が２５回行われた。
詳細には、学習後のニューラルネットワークによる鼓膜温度の推定では、上述した２５個の「１データセット」として、ニューラルネットワークの学習に使用されなかったものが使用された。
図１０に示す研究では、回帰係数「０．８７」、Ｒ２値「０．９１」、誤差最大値「０．１６［℃］」が得られた。
図１１は本発明者等の研究における鼓膜温度の推定結果の推定精度の第２例を示す図である。図１１の横軸は、学習部１９による鼓膜温度推定部１８の機械学習に用いられた学習データとしての鼓膜温度（測定鼓膜温度）［℃］を示しており、図１１の縦軸は、鼓膜温度推定部１８による推定結果としての鼓膜温度（推定鼓膜温度）［℃］を示している。
図１１に示す研究では、５秒間隔で３０回分検出された（つまり、２ｍｉｎ３０ｓｅｃ分の）センサデータＡ～Ｆと、２ｍｉｎ３０ｓｅｃの間に１回測定された鼓膜温度データとが、「１データセット」として使用された。
また、図１１に示す研究では、学習部１９による鼓膜温度推定部１８の機械学習（ニューラルネットワークの学習）において、２１１７個の「１データセット」が使用された。
鼓膜温度推定部１８による推定では、２１２個の「１データセット」（ただし、鼓膜温度データを除くもの）が使用された。つまり、２１２回分の「１データセット」（ただし、鼓膜温度データを除くもの）が、学習後のニューラルネットワークに入力され、学習後のニューラルネットワークから、２１２回分の「１データセット」のそれぞれに対応する鼓膜温度の推定結果が出力された。すなわち、学習後のニューラルネットワークによって、「１データセット」（ただし、鼓膜温度データを除くもの）に基づく鼓膜温度の推定が２１２回行われた。
詳細には、学習後のニューラルネットワークによる鼓膜温度の推定では、上述した２１２個の「１データセット」として、ニューラルネットワークの学習に使用されなかったものが使用された。
図１１に示す研究では、回帰係数「０．９４」、Ｒ２値「０．９７」、誤差最大値「０．１８［℃］」、誤差標準偏差「０．０５［℃］」が得られた。
図１１に示す研究では、５秒間隔で３０回分検出された（つまり、２ｍｉｎ３０ｓｅｃ分の）センサデータＡ～Ｆと、２ｍｉｎ３０ｓｅｃの間に１回測定された鼓膜温度データとが、「１データセット」として使用された。
また、図１１に示す研究では、学習部１９による鼓膜温度推定部１８の機械学習（ニューラルネットワークの学習）において、２１１７個の「１データセット」が使用された。
鼓膜温度推定部１８による推定では、２１２個の「１データセット」（ただし、鼓膜温度データを除くもの）が使用された。つまり、２１２回分の「１データセット」（ただし、鼓膜温度データを除くもの）が、学習後のニューラルネットワークに入力され、学習後のニューラルネットワークから、２１２回分の「１データセット」のそれぞれに対応する鼓膜温度の推定結果が出力された。すなわち、学習後のニューラルネットワークによって、「１データセット」（ただし、鼓膜温度データを除くもの）に基づく鼓膜温度の推定が２１２回行われた。
詳細には、学習後のニューラルネットワークによる鼓膜温度の推定では、上述した２１２個の「１データセット」として、ニューラルネットワークの学習に使用されなかったものが使用された。
図１１に示す研究では、回帰係数「０．９４」、Ｒ２値「０．９７」、誤差最大値「０．１８［℃］」、誤差標準偏差「０．０５［℃］」が得られた。
図１２は本発明者等の研究における鼓膜温度の推定結果の推定精度の第３例を示す図である。図１２の横軸は、学習部１９による鼓膜温度推定部１８の機械学習に用いられた学習データとしての鼓膜温度（測定鼓膜温度）［℃］を示しており、図１２の縦軸は、鼓膜温度推定部１８による推定結果としての鼓膜温度（推定鼓膜温度）［℃］を示している。
図１２に示す研究では、５秒間隔で３０回分検出された（つまり、２ｍｉｎ３０ｓｅｃ分の）温度センサデータＡ、湿度センサデータＢ、発汗センサデータＥおよび脈拍センサデータＦと、２ｍｉｎ３０ｓｅｃの間に１回測定された鼓膜温度データとが、「１データセット」として使用された。
また、図１２に示す研究では、学習部１９による鼓膜温度推定部１８の機械学習（ニューラルネットワークの学習）において、２０６９個の「１データセット」が使用された。
鼓膜温度推定部１８による推定では、２０７個の「１データセット」（ただし、鼓膜温度データを除くもの）が使用された。つまり、２０７回分の「１データセット」（ただし、鼓膜温度データを除くもの）が、学習後のニューラルネットワークに入力され、学習後のニューラルネットワークから、２０７回分の「１データセット」のそれぞれに対応する鼓膜温度の推定結果が出力された。すなわち、学習後のニューラルネットワークによって、「１データセット」（ただし、鼓膜温度データを除くもの）に基づく鼓膜温度の推定が２０７回行われた。
詳細には、学習後のニューラルネットワークによる鼓膜温度の推定では、上述した２０７個の「１データセット」として、ニューラルネットワークの学習に使用されなかったものが使用された。
図１２に示す研究では、回帰係数「０．９７」、Ｒ２値「０．９８」、誤差最大値「０．０９［℃］」、誤差標準偏差「０．０３［℃］」が得られた。
図１２に示す研究では、５秒間隔で３０回分検出された（つまり、２ｍｉｎ３０ｓｅｃ分の）温度センサデータＡ、湿度センサデータＢ、発汗センサデータＥおよび脈拍センサデータＦと、２ｍｉｎ３０ｓｅｃの間に１回測定された鼓膜温度データとが、「１データセット」として使用された。
また、図１２に示す研究では、学習部１９による鼓膜温度推定部１８の機械学習（ニューラルネットワークの学習）において、２０６９個の「１データセット」が使用された。
鼓膜温度推定部１８による推定では、２０７個の「１データセット」（ただし、鼓膜温度データを除くもの）が使用された。つまり、２０７回分の「１データセット」（ただし、鼓膜温度データを除くもの）が、学習後のニューラルネットワークに入力され、学習後のニューラルネットワークから、２０７回分の「１データセット」のそれぞれに対応する鼓膜温度の推定結果が出力された。すなわち、学習後のニューラルネットワークによって、「１データセット」（ただし、鼓膜温度データを除くもの）に基づく鼓膜温度の推定が２０７回行われた。
詳細には、学習後のニューラルネットワークによる鼓膜温度の推定では、上述した２０７個の「１データセット」として、ニューラルネットワークの学習に使用されなかったものが使用された。
図１２に示す研究では、回帰係数「０．９７」、Ｒ２値「０．９８」、誤差最大値「０．０９［℃］」、誤差標準偏差「０．０３［℃］」が得られた。
図１０～図１２に示す本発明者等の研究では、下記のニューラルネットワーク構造を使用した。
Ｉｎｐｕｔ （３０，６）
ＡｖｅｒａｇｅＰｏｏｌｉｎｇ （５，６）
Ｓｗｉｓｈ
Ａｆｆｉｎｅ （４００）
ＢａｔｃｈＮｏｒｍａｌｉｚａｔｉｏｎ
ＳＥＬＵ
ＢａｔｃｈＮｏｒｍａｌｉｚａｔｉｏｎ
ＳＥＬＵ
Ａｆｆｉｎｅ （１００）
ＰＲｅＬＵ
Ａｆｆｉｎｅ （１）
Ｉｎｐｕｔ （３０，６）
ＡｖｅｒａｇｅＰｏｏｌｉｎｇ （５，６）
Ｓｗｉｓｈ
Ａｆｆｉｎｅ （４００）
ＢａｔｃｈＮｏｒｍａｌｉｚａｔｉｏｎ
ＳＥＬＵ
ＢａｔｃｈＮｏｒｍａｌｉｚａｔｉｏｎ
ＳＥＬＵ
Ａｆｆｉｎｅ （１００）
ＰＲｅＬＵ
Ａｆｆｉｎｅ （１）
図１３は第１から第８実施形態の鼓膜温度推定システム１が適用された熱中症リスク推定システムＢの一例を示す図である。
図１３に示す例では、熱中症リスク推定システムＢが、鼓膜温度推定システム１と、熱中症リスク推定部Ｂ１とを備えている。熱中症リスク推定部Ｂ１は、鼓膜温度推定システム１によって推定された鼓膜温度推定対象者の鼓膜温度に基づいて、鼓膜温度推定対象者が熱中症になるリスクを推定する。熱中症リスク推定部Ｂ１は、例えば鼓膜温度推定対象者の鼓膜温度が３９［℃］以上である場合に、鼓膜温度推定対象者が熱中症になっていると推定する。熱中症リスク推定部Ｂ１は、例えば鼓膜温度推定対象者の鼓膜温度が３９［℃］未満である場合、例えば鼓膜温度推定対象者の鼓膜温度が高いほど、鼓膜温度推定対象者が熱中症になるリスクが高いと推定する。
例えば熱中症リスク推定システムＢに備えられている鼓膜温度推定システム１として、ウェアラブルデバイスＡに搭載された鼓膜温度推定システム１を用いることにより、ウェアラブルデバイスＡの装着者は、耳内へのセンサの設置などを行う必要なく、熱中症になるリスクを手軽に把握することができる。
図１３に示す例では、熱中症リスク推定システムＢが、鼓膜温度推定システム１と、熱中症リスク推定部Ｂ１とを備えている。熱中症リスク推定部Ｂ１は、鼓膜温度推定システム１によって推定された鼓膜温度推定対象者の鼓膜温度に基づいて、鼓膜温度推定対象者が熱中症になるリスクを推定する。熱中症リスク推定部Ｂ１は、例えば鼓膜温度推定対象者の鼓膜温度が３９［℃］以上である場合に、鼓膜温度推定対象者が熱中症になっていると推定する。熱中症リスク推定部Ｂ１は、例えば鼓膜温度推定対象者の鼓膜温度が３９［℃］未満である場合、例えば鼓膜温度推定対象者の鼓膜温度が高いほど、鼓膜温度推定対象者が熱中症になるリスクが高いと推定する。
例えば熱中症リスク推定システムＢに備えられている鼓膜温度推定システム１として、ウェアラブルデバイスＡに搭載された鼓膜温度推定システム１を用いることにより、ウェアラブルデバイスＡの装着者は、耳内へのセンサの設置などを行う必要なく、熱中症になるリスクを手軽に把握することができる。
以上、本発明を実施するための形態について実施形態を用いて説明したが、本発明はこうした実施形態に何等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の変形及び置換を加えることができる。上述した各実施形態および各例に記載の構成を組み合わせてもよい。
なお、上述した実施形態における鼓膜温度推定システム１が備える各部の機能全体あるいはその一部は、これらの機能を実現するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することによって実現しても良い。なお、ここでいう「コンピュータシステム」とは、ＯＳや周辺機器等のハードウェアを含むものとする。
また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ－ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶部のことをいう。さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムを送信する場合の通信線のように、短時間の間、動的にプログラムを保持するもの、その場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリのように、一定時間プログラムを保持しているものも含んでも良い。また上記プログラムは、前述した機能の一部を実現するためのものであっても良く、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであっても良い。
また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ－ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶部のことをいう。さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムを送信する場合の通信線のように、短時間の間、動的にプログラムを保持するもの、その場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリのように、一定時間プログラムを保持しているものも含んでも良い。また上記プログラムは、前述した機能の一部を実現するためのものであっても良く、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであっても良い。
１…鼓膜温度推定システム、１０…鼓膜温度推定装置、１１…気温情報取得部、１２…湿度情報取得部、１３…発汗情報取得部、１４…脈拍情報取得部、１５…照度情報取得部、１６…皮膚温度情報取得部、１７…加速度情報取得部、１８…鼓膜温度推定部、１９…学習部、１Ａ…温度センサ、１Ｂ…湿度センサ、１Ｃ…発汗センサ、１Ｄ…脈拍センサ、１Ｅ…照度センサ、１Ｆ…皮膚温度センサ、１Ｇ…加速度センサ、Ａ…ウェアラブルデバイス、Ａ１…腕時計機能部、Ｂ…熱中症リスク推定システム、Ｂ１…熱中症リスク推定部
Claims (12)
- 鼓膜温度推定対象者の鼓膜温度を推定する鼓膜温度推定システムであって、
時系列気温情報を取得する気温情報取得部と、
時系列湿度情報を取得する湿度情報取得部と、
前記鼓膜温度推定対象者の時系列発汗情報を取得する発汗情報取得部と、
前記鼓膜温度推定対象者の時系列脈拍情報を取得する脈拍情報取得部と、
既知の鼓膜温度を示す情報を教師データとして、既知の鼓膜温度が得られた時点をそれぞれ含む時系列気温情報と時系列湿度情報と時系列発汗情報と時系列脈拍情報とを学習データとして、それぞれ用いて学習された学習済みモデルと、少なくとも前記気温情報取得部によって取得された時系列気温情報と、前記湿度情報取得部によって取得された時系列湿度情報と、前記発汗情報取得部によって取得された時系列発汗情報と、前記脈拍情報取得部によって取得された時系列脈拍情報とに基づいて、前記鼓膜温度推定対象者の鼓膜温度を推定する鼓膜温度推定部とを備える、
鼓膜温度推定システム。 - 既知の鼓膜温度を示す情報である教師データと、前記既知の鼓膜温度が得られた時点を含む時系列気温情報、時系列湿度情報、時系列発汗情報および時系列脈拍情報を少なくとも有する学習データとの組を用いることによって、前記鼓膜温度推定部の機械学習を行う学習部を更に備える、
請求項１に記載の鼓膜温度推定システム。 - 前記鼓膜温度推定対象者の時系列皮膚温度情報を取得する皮膚温度情報取得部を更に備え、
前記鼓膜温度推定部は、
前記時点を含む時系列皮膚温度情報を学習データとしてさらに用いて学習された学習済みモデルと、少なくとも前記気温情報取得部によって取得された時系列気温情報と、前記湿度情報取得部によって取得された時系列湿度情報と、前記発汗情報取得部によって取得された時系列発汗情報と、前記脈拍情報取得部によって取得された時系列脈拍情報と、前記皮膚温度情報取得部によって取得された時系列皮膚温度情報とに基づいて、前記鼓膜温度推定対象者の鼓膜温度を推定する、
請求項１に記載の鼓膜温度推定システム。 - 既知の鼓膜温度を示す情報である教師データと、前記既知の鼓膜温度が得られた時点を含む時系列気温情報、時系列湿度情報、時系列発汗情報、時系列脈拍情報および時系列皮膚温度情報を少なくとも有する学習データとの組を用いることによって、前記鼓膜温度推定部の機械学習を行う学習部を更に備える、
請求項３に記載の鼓膜温度推定システム。 - 時系列照度情報を取得する照度情報取得部を更に備え、
前記鼓膜温度推定部は、
前記時点を含む時系列照度情報を学習データとしてさらに用いて学習された学習済みモデルと、少なくとも前記気温情報取得部によって取得された時系列気温情報と、前記湿度情報取得部によって取得された時系列湿度情報と、前記発汗情報取得部によって取得された時系列発汗情報と、前記脈拍情報取得部によって取得された時系列脈拍情報と、前記皮膚温度情報取得部によって取得された時系列皮膚温度情報と、前記照度情報取得部によって取得された時系列照度情報とに基づいて、前記鼓膜温度推定対象者の鼓膜温度を推定する、
請求項３に記載の鼓膜温度推定システム。 - 既知の鼓膜温度を示す情報である教師データと、前記既知の鼓膜温度が得られた時点を含む時系列気温情報、時系列湿度情報、時系列発汗情報、時系列脈拍情報、時系列皮膚温度情報および時系列照度情報を少なくとも有する学習データとの組を用いることによって、前記鼓膜温度推定部の機械学習を行う学習部を更に備える、
請求項５に記載の鼓膜温度推定システム。 - 前記鼓膜温度推定対象者の時系列加速度情報を取得する加速度情報取得部を更に備え、
前記鼓膜温度推定部は、
前記時点を含む時系列加速度情報を学習データとしてさらに用いて学習された学習済みモデルと、前記気温情報取得部によって取得された時系列気温情報と、前記湿度情報取得部によって取得された時系列湿度情報と、前記発汗情報取得部によって取得された時系列発汗情報と、前記脈拍情報取得部によって取得された時系列脈拍情報と、前記皮膚温度情報取得部によって取得された時系列皮膚温度情報と、前記照度情報取得部によって取得された時系列照度情報と、前記加速度情報取得部によって取得された時系列加速度情報とに基づいて、前記鼓膜温度推定対象者の鼓膜温度を推定する、
請求項５に記載の鼓膜温度推定システム。 - 既知の鼓膜温度を示す情報である教師データと、前記既知の鼓膜温度が得られた時点を含む時系列気温情報、時系列湿度情報、時系列発汗情報、時系列脈拍情報、時系列皮膚温度情報、時系列照度情報および時系列加速度情報を少なくとも有する学習データとの組を用いることによって、前記鼓膜温度推定部の機械学習を行う学習部を更に備える、
請求項７に記載の鼓膜温度推定システム。 - 請求項１から請求項８のいずれか一項に記載の鼓膜温度推定システムと、
気温を検出し、時系列気温情報を出力する温度センサと、
湿度を検出し、時系列湿度情報を出力する湿度センサと、
前記鼓膜温度推定対象者の発汗量を検出し、時系列発汗情報を出力する発汗センサと、
前記鼓膜温度推定対象者の脈拍を検出し、時系列脈拍情報を出力する脈拍センサとを備え、
前記鼓膜温度推定対象者によって装着されるウェアラブルデバイス。 - 請求項１から請求項８のいずれか一項に記載の鼓膜温度推定システムを備える熱中症リスク推定システム。
- 鼓膜温度推定対象者の鼓膜温度を推定する鼓膜温度推定方法であって、
時系列気温情報を取得する気温情報取得ステップと、
時系列湿度情報を取得する湿度情報取得ステップと、
前記鼓膜温度推定対象者の時系列発汗情報を取得する発汗情報取得ステップと、
前記鼓膜温度推定対象者の時系列脈拍情報を取得する脈拍情報取得ステップと、
既知の鼓膜温度を示す情報を教師データとして、既知の鼓膜温度が得られた時点をそれぞれ含む時系列気温情報と時系列湿度情報と時系列発汗情報と時系列脈拍情報とを学習データとして、それぞれ用いて学習された学習済みモデルと、少なくとも前記気温情報取得ステップにおいて取得された時系列気温情報と、前記湿度情報取得ステップにおいて取得された時系列湿度情報と、前記発汗情報取得ステップにおいて取得された時系列発汗情報と、前記脈拍情報取得ステップにおいて取得された時系列脈拍情報とに基づいて、前記鼓膜温度推定対象者の鼓膜温度を推定する鼓膜温度推定ステップとを備える、
鼓膜温度推定方法。 - コンピュータに、
時系列気温情報を取得する気温情報取得ステップと、
時系列湿度情報を取得する湿度情報取得ステップと、
鼓膜温度推定対象者の時系列発汗情報を取得する発汗情報取得ステップと、
前記鼓膜温度推定対象者の時系列脈拍情報を取得する脈拍情報取得ステップと、
既知の鼓膜温度を示す情報を教師データとして、既知の鼓膜温度が得られた時点をそれぞれ含む時系列気温情報と時系列湿度情報と時系列発汗情報と時系列脈拍情報とを学習データとして、それぞれ用いて学習された学習済みモデルと、少なくとも前記気温情報取得ステップにおいて取得された時系列気温情報と、前記湿度情報取得ステップにおいて取得された時系列湿度情報と、前記発汗情報取得ステップにおいて取得された時系列発汗情報と、前記脈拍情報取得ステップにおいて取得された時系列脈拍情報とに基づいて、前記鼓膜温度推定対象者の鼓膜温度を推定する鼓膜温度推定ステップと
を実行させるためのプログラム。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019193809A JP7304791B2 (ja) | 2019-10-24 | 2019-10-24 | 鼓膜温度推定システム、ウェアラブルデバイス、熱中症リスク推定システム、鼓膜温度推定方法およびプログラム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019193809A JP7304791B2 (ja) | 2019-10-24 | 2019-10-24 | 鼓膜温度推定システム、ウェアラブルデバイス、熱中症リスク推定システム、鼓膜温度推定方法およびプログラム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2021065466A JP2021065466A (ja) | 2021-04-30 |
| JP7304791B2 true JP7304791B2 (ja) | 2023-07-07 |
Family
ID=75637926
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2019193809A Active JP7304791B2 (ja) | 2019-10-24 | 2019-10-24 | 鼓膜温度推定システム、ウェアラブルデバイス、熱中症リスク推定システム、鼓膜温度推定方法およびプログラム |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP7304791B2 (ja) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114879786B (zh) * | 2022-05-23 | 2023-09-01 | 连云港银丰食用菌科技有限公司 | 一种获取食用菌决策方案的方法、系统、装置及介质 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2017217224A (ja) | 2016-06-08 | 2017-12-14 | 国立大学法人大阪大学 | 深部体温推定装置、その方法及びプログラム |
-
2019
- 2019-10-24 JP JP2019193809A patent/JP7304791B2/ja active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2017217224A (ja) | 2016-06-08 | 2017-12-14 | 国立大学法人大阪大学 | 深部体温推定装置、その方法及びプログラム |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2021065466A (ja) | 2021-04-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20200170573A1 (en) | Alertness prediction system and method | |
| Holz et al. | Glabella: Continuously sensing blood pressure behavior using an unobtrusive wearable device | |
| Zhang et al. | Diet eyeglasses: Recognising food chewing using EMG and smart eyeglasses | |
| US10001386B2 (en) | Automatic track selection for calibration of pedometer devices | |
| Quwaider et al. | Body posture identification using hidden Markov model with a wearable sensor network | |
| US20160094899A1 (en) | Methods and Apparatus for Improving Signal Quality in Wearable Biometric Monitoring Devices | |
| WO2020017162A1 (ja) | 生体情報処理装置、及び情報処理方法 | |
| Bender et al. | Measuring the fitness of fitness trackers | |
| De Venuto et al. | FPGA-based embedded cyber-physical platform to assess gait and postural stability in Parkinson’s disease | |
| JP6388824B2 (ja) | 感情情報推定装置、感情情報推定方法及び感情情報推定プログラム | |
| CN109077710B (zh) | 自适应心率估计的方法、装置和系统 | |
| JP2014233585A (ja) | 体温測定装置、方法及びプログラム | |
| US20180020917A1 (en) | Physiological monitoring device, physiological monitoring method and non-transitory computer readable storage medium for implementing the physiological monitoring method | |
| JP7304791B2 (ja) | 鼓膜温度推定システム、ウェアラブルデバイス、熱中症リスク推定システム、鼓膜温度推定方法およびプログラム | |
| KR20160108967A (ko) | 생체신호 측정장치 및 이를 이용한 생체신호 측정방법 | |
| WO2018207051A1 (en) | A system and method for monitoring human performance | |
| US20240172945A1 (en) | Apparatus and method for estimating blood pressure | |
| Florentino-Liaño et al. | Human activity recognition using inertial sensors with invariance to sensor orientation | |
| TW201818071A (zh) | 皮膚水份量計測裝置、可穿戴裝置、皮膚水份量測定方法、皮膚水份量評價方法、皮膚水份量監測系統、皮膚水份量評價網路系統、及皮膚水份量評價程式 | |
| Garcia et al. | Adaptive algorithm for gait segmentation using a single IMU in the thigh pocket | |
| JP2016202603A (ja) | 生体情報処理システム、プログラム、生体情報処理システムの制御方法 | |
| Gautam et al. | An smartphone-based algorithm to measure and model quantity of sleep | |
| EP4247262A1 (en) | Method and system for measuring and displaying biosignal data to a wearer of a wearable article | |
| US20230210464A1 (en) | Ear-wearable system and method for detecting heat stress, heat stroke and related conditions | |
| WO2023150225A1 (en) | In-ear temperature sensors for ar/vr applications and devices |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A80 | Written request to apply exceptions to lack of novelty of invention |
Free format text: JAPANESE INTERMEDIATE CODE: A80 Effective date: 20191121 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20191219 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220804 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230317 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230322 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230510 |
|
| 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: 20230606 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230627 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7304791 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |