JP7470601B2 - 身体状態推定システム及び身体状態推定方法 - Google Patents

Description

本発明は、身体状態推定システム及び身体状態推定方法に関する。

特許文献１には、対象者のバイタルの異常を判定する健康状態管理装置が記載されている。この健康状態管理装置では、日ごとに設定された時間に対象者のバイタルの値を示すバイタル情報が取得され、過去数日間に取得されたバイタル情報の平均値が算出される。平均値の算出には、異常である旨の項目を１つ以上有する問診データに対応付けられたバイタル情報が除外される。そして、この健康状態管理装置では、当該平均値と、計測日当日の対象者のバイタル情報とが比較されることにより、対象者のバイタルの異常が判定される。

国際公開第２０１８／０７８８２号

特許文献１に記載の健康状態管理装置では、バイタル情報の平均値と計測日のある瞬間的なバイタルの値とが比較されることにより、バイタルの異常が判定される。しかしながら、体温等のバイタル情報は、一般的に、常に一定ではなく時間帯によって常に変動する。このため、特許文献１に記載の健康状態管理装置では、例えば、バイタルの平均値の計測時間と計測日のバイタルの計測時間とにずれがある場合、対象者の身体の状態が適切に判定されないおそれがある。

本発明は、ユーザの身体の状態を高精度に推定することができる身体状態推定システム及び身体状態推定方法を提供することを目的とする。

本発明の一態様に係る身体状態推定システムは、任意の期間におけるユーザのバイタル情報の時系列データと、ユーザに問診することにより得られる上記期間におけるユーザの身体の状態に関する問診情報とが対応付けられた学習データが複数パターン学習されて生成された、バイタル情報の推移の予測に係る予測用データベースを記憶する記憶部と、ユーザのバイタル情報の時系列データを取得する取得部と、取得部によって取得されたバイタル情報の時系列データと、取得部によって取得されたバイタル情報の時系列データ、及び記憶部に記憶されている予測用データベースの情報に応じて導出されるバイタル情報の推移の予測データとを比較することにより、身体の状態を推定する推定部と、推定部による推定結果をユーザの閲覧のために出力する出力部と、を備える。

本発明の一態様に係る身体状態推定システムでは、任意の期間におけるユーザのバイタル情報の時系列データと、ユーザに問診することにより得られる上記期間におけるユーザの身体の状態に関する問診情報とが対応付けられた学習データが複数パターン学習されて生成された、バイタル情報の推移の予測に係る予測用データベースが記憶されている。そして、ユーザのバイタル情報の時系列データと、ユーザのバイタル情報の時系列データ、及び予測用データベースの情報に応じて導出されるバイタル情報の推移の予測データとが比較されることにより、身体の状態が推定され、推定された推定結果がユーザの閲覧のために出力される。このように、本身体状態推定システムでは、バイタル情報の推移の予測データの導出に、ユーザのバイタル情報の時系列データと、ユーザ自身が感じているユーザの身体の状態を示す問診情報とが対応付けられた学習データが複数パターン学習されて生成された予測用データベースが用いられる。このような予測用データベースは、ユーザ自身が身体の状態についてどのように感じていたかの情報を考慮して学習されて生成されているため、単にバイタル情報の時系列データのみが学習されて生成されたデータベースと比較して、当該ユーザのバイタル情報の推移の予測データを高精度に導出することができる。そして、本身体状態推定システムでは、予測用データベースを用いて導出された高精度な予測データと、ユーザの実際のバイタル情報の時系列データとが比較されて身体の状態が推定されるため、ユーザの身体の状態を高精度に推定することができる。

本発明の一態様に係る身体状態推定システムは、学習データを複数パターン学習することにより予測用データベースを生成する学習部を更に備え、記憶部は、学習部によって生成された予測用データベースを記憶してもよい。これにより、予測用データベースの生成からユーザの身体の状態の推定までを一貫して行うことができる身体状態推定システムを提供することができる。

学習部は、バイタル情報の時系列データと身体の状態が正常であることを示す問診情報とが対応付けられた学習データ、及び、バイタル情報の時系列データと身体の状態が異常であることを示す問診情報とが対応付けられた学習データの双方を学習して、予測用データベースを生成してもよい。これにより、ユーザが身体の状態を正常と感じる際のバイタル情報、及びユーザが身体の状態を異常と感じる際のバイタル情報の双方が考慮されて予測用データベースが構築されることとなり、より高精度な予測データを導出することができる。

記憶部は、予測用データベースの一部として、身体の状態が正常である場合のバイタル情報の推移の予測に係る正常時データベースを記憶しており、推定部は、取得部によって取得されたバイタル情報の時系列データと、バイタル情報の時系列データ、及び記憶部に記憶されている正常時データベースの情報に応じて導出される、身体の状態が正常である場合のバイタル情報の推移の予測データとの差異である第１差異が予め定められた第１閾値よりも大きい場合に、身体の状態が異常であると推定してもよい。一般的に、身体の状態が正常である場合のバイタル情報の推移は、２４時間程度の周期で所定のパターンとなりやすく、身体の状態が異常となった場合のバイタル情報の推移は、当該パターンから乖離するといえる。この身体状態推定システムによれば、身体の状態が正常である場合の予測データと、取得されたバイタル情報の時系列データとが比較されて身体の状態が推定されるため、身体の状態の異常の有無を高精度に推定することができる。また、簡易な比較処理によって身体の状態の変化を速やかに推定することができるため、身体の状態の異常をユーザに速やかに報知することができる。

記憶部は、予測用データベースの一部として、身体の状態が異常であり特定の疾患に罹っている場合のバイタル情報の推移の予測に係る疾患時データベースを記憶しており、推定部は、取得部によって取得されたバイタル情報の時系列データと、バイタル情報の時系列データ、及び記憶部に記憶されている疾患時データベースの情報に応じて導出される、疾患に罹っている場合のバイタル情報の推移の予測データとの差異である第２差異が予め定められた第２閾値よりも小さい場合に、ユーザの身体の状態が異常であり、疾患に罹っていると推定し、出力部は、疾患を示す情報を、ユーザの閲覧のために更に出力してもよい。一般的に、ユーザが所定の疾患に罹った場合、バイタル情報の推移は当該疾患特有のパターンとなりやすいといえる。この身体状態推定システムによれば、実際にユーザが当該疾患に罹った際のバイタル情報が用いられて構築された予測用データベースに応じて身体の状態が異常である場合の予測データが導出されるため、ユーザが当該疾患に罹っているか否かを高精度に推定することができる。また、ユーザの身体の状態が異常であることのみならず、具体的な疾患名をユーザに報知することができるため、ユーザに適切な対処を促すことが可能である。

推定部は、第１差異が第１閾値よりも大きく、且つ、第２差異が第２閾値よりも小さくない場合に、ユーザが疾患とは異なる異常状態であると推定し、学習部は、推定部によって疾患とは異なる異常状態であると推定された場合において、取得部によって取得されたバイタル情報の時系列データと問診情報とが対応付けられた学習データを学習することにより、ユーザが疾患とは異なる異常状態である場合のバイタル情報の推移の予測に係る新異常時データベースを生成し、記憶部は、予測用データベースの一部として、新異常時データベースを記憶してもよい。このように、既存のデータベースに基づく予測データとは異なった推移となる時系列データについて学習されて新たなデータベースが記憶されることにより、導出される予測データの精度の向上を図ることができ、ユーザの身体の状態の推定精度の更なる向上を図ることができる。

本発明の一態様に係る身体状態推定システムは、ユーザから問診情報の入力を定期的に受け付ける入力受付部を更に備え、出力部は、入力受付部が問診情報の入力を受け付ける状態において、問診情報の入力を促す情報をユーザの閲覧のために更に出力し、入力受付部は、推定部によって身体の状態が異常であると推定された場合、定期的な問診情報の入力の受付に加え、異常時用の更なる問診情報の入力を受け付けてもよい。これにより、異常であると推定された場合の問診情報を適切に取得すると共に、異常であると推定された場合に体調の変化をユーザに適切に自覚させることができる。

学習部は、推定部によって身体の状態が異常であると推定された場合、取得部によって取得されたバイタル情報の時系列データと、入力受付部によって受け付けられた異常時用の更なる問診情報とが対応付けられた学習データを更に学習することにより予測用データベースを更新してもよい。これにより、異常であると推定された場合のバイタル情報の時系列データと、推定された際のユーザが実際に感じている身体の状態とを把握することができる。例えば、異常であると推定されたとしても実際にユーザは正常と感じている場合には、取得された時系列データと問診情報とが対応付けられた学習データを身体の状態が正常である場合のものとして学習させることにより、推定に対する結果を予測用データベースにフィードバックすることができる。その結果、導出される予測データの精度の更なる向上を図ることができる。

出力部は、異常時用の更なる問診情報が身体の状態が正常である旨を示す場合、身体の状態が異常の初期段階である旨を示す情報をユーザの閲覧のために更に出力してもよい。これにより、ユーザが体調の変化を感じていない（疾患の自覚症状がない）状態であっても、ユーザに適切な対処を促すことができる。

入力受付部は、ユーザが装着するウェアラブル型の通信機器を介して、ユーザから問診情報の入力を受け付けてもよい。これにより、ユーザが容易に問診情報を入力することが可能となるため、問診情報を時系列データに適切に対応付けることができる。

前記推定部は、前記取得部によって取得された時系列データ及び前記入力受付部によって受け付けられた前記問診情報を入力として、前記予測用データベースに基づき前記予測データを導出してもよい。バイタル情報の時系列データ及び問診情報が対応付けられた学習データが学習されることにより予測用データベースが生成されているところ、予測用データベースを用いた予測データの導出においても、バイタル情報の時系列データ及び問診情報が入力とされることにより、予測データを高精度に導出することができる。これにより、ユーザの身体の状態をより高精度に推定することができる。

本発明の一態様に係る身体状態推定方法では、任意の期間におけるユーザのバイタル情報の時系列データと、ユーザに問診することにより得られる期間におけるユーザの身体の状態に関する問診情報とが対応付けられた学習データが複数パターン学習されて生成された、バイタル情報の推移の予測に係る予測用データベースを記憶する装置が実行する身体状態推定方法であって、ユーザのバイタル情報の時系列データを取得するステップと、取得するステップにおいて取得されたバイタル情報の時系列データと、取得するステップにおいて取得されたバイタル情報の時系列データ、及び予測用データベースの情報に応じて導出されるバイタル情報の推移の予測データとを比較することにより、身体の状態を推定するステップと、推定するステップにおける推定結果をユーザの閲覧のために出力するステップと、を含む。

本発明の一態様に係る身体状態推定方法によれば、上記身体状態推定システムと同様の理由により、ユーザの身体の状態を高精度に推定することができる。

本発明によれば、ユーザの身体の状態を高精度に推定する身体状態推定システム及び身体状態推定方法を提供することが可能となる。

本実施形態に係る身体状態推定システムの構成を模式的に示す図である。 時系列データと問診情報との関係、及び時系列データと予測データとの関係を模式的に示す図である。 学習データの一例を模式的に示す図である。 学習データの一例を模式的に示す図である。 学習データの一例を模式的に示す図である。 身体状態推定システムが実行する予測用データベース生成処理の一例を示すフローチャートである。 身体状態推定システムが実行する問診処理の一例を示すフローチャートである。 身体状態推定システムが実行する身体状態推定処理の一例を示すフローチャートである。

以下、本発明の実施形態について、図面を参照して詳細に説明する。なお、各図において同一又は相当部分には同一符号を付し、重複する説明を省略する。

図１は、本実施形態に係る身体状態推定システム１（装置）の構成を模式的に示す図である。図１に示されるように、身体状態推定システム１は、一又は複数のウェアラブル端末１０（通信機器）と、一又は複数のユーザ端末２０と、クラウドサーバ３０と、を備えている。

身体状態推定システム１は、ユーザＵの身体の状態を推定するシステムである。具体的には、身体状態推定システム１は、ユーザＵに装着されるウェアラブル端末１０によって計測されるユーザＵのバイタル情報に基づいて、ユーザＵの身体の状態が正常であるか或いは異常であるかを推定する。バイタル情報とは、ユーザの生体活動に関する情報である。バイタル情報の例としては、ユーザＵの体温、脈拍、血中酸素濃度等が挙げられる。以下、本実施形態では、ユーザＵの体温をバイタル情報の例として説明する。「ユーザＵの身体の状態が正常である」とは、例えば、ユーザＵが疾患に罹っていない状態である。「ユーザＵの身体の状態が異常である」とは、例えば、ユーザＵが疾患に罹っている状態である。疾患の例としては、例えば、風邪、インフルエンザ、肺炎等が挙げられる。以下、本実施形態では、インフルエンザ及び肺炎を疾患の例として説明する。

ウェアラブル端末１０は、ユーザＵが装着するウェアラブル型の通信機器であって、ユーザＵのバイタル情報を常時計測する。ウェアラブル端末１０は、例えば、腕時計型の通信機器であって、種々の情報を表示する画面を有する。ユーザ端末２０は、スマートフォン、タブレット型端末、ＰＣ、ゴーグル型のウェアラブル機器等の通信機器である。ユーザ端末２０は、種々の情報を表示する画面を有する。身体状態推定システム１では、各ユーザ端末２０と各ウェアラブル端末１０とが、また、クラウドサーバ３０と各ユーザ端末２０とが、相互に通信可能に構成されている。なお、身体状態推定システム１においては、各ウェアラブル端末１０とクラウドサーバ３０とが相互に通信可能に構成されていてもよい。以下、身体状態推定システム１に含まれる各ウェアラブル端末１０及び各ユーザ端末２０については互いに同様の機能を有しているとし、身体状態推定システム１に含まれる一のウェアラブル端末１０、及び一のユーザ端末２０に着目して説明を行う。

ここで、身体状態推定システム１が行う身体の状態の推定について簡単に説明する。身体状態推定システム１では、ユーザ端末２０が、ウェアラブル端末１０及びクラウドサーバ３０から取得した種々の情報を考慮して身体の状態を推定する処理を実行し、推定結果に応じて生成した情報をユーザ端末２０の画面上に表示する。具体的には、まず、身体状態推定システム１では、ユーザ端末２０が、ウェアラブル端末１０によって計測されたユーザＵのバイタル情報の時系列データ（以下、単に「時系列データ」という場合がある）を取得する。また、ユーザ端末２０は、一定の時間間隔で、問診情報の入力を促す情報をウェアラブル端末１０の画面に表示させ、問診情報を取得する。問診情報は、ユーザＵに問診することにより得られる期間における身体の状態に関する情報である。問診情報の入力は、例えば、ユーザＵがウェアラブル端末１０の画面を操作することにより受け付けられてもよいし、ユーザＵが発する音声により受け付けられてもよい。なお、問診情報の入力は、ユーザ端末２０の画面を介して受け付けられてもよい。

そして、身体状態推定システム１では、予測フェーズ及び推定フェーズの２段階のフェーズを経て、ユーザＵの身体の状態が推定される。予測フェーズ及び推定フェーズは、例えば時系列的に互いに連続したフェーズである。まず、予測フェーズでは、ユーザ端末２０によって取得された時系列データ及び問診情報に基づいて、クラウドサーバ３０が、バイタル情報の推移の予測データ（以下、単に「予測データ」という場合がある）を導出する。そして、推定フェーズでは、ユーザ端末２０が、ウェアラブル端末１０からバイタル情報の時系列データを取得し、当該時系列データと、クラウドサーバ３０から取得した予測データとを比較することにより、身体の状態を推定する。そして、ユーザ端末２０は、例えば、推定結果をユーザＵの閲覧のためにユーザ端末２０の画面上に表示する。以上の処理を行うことにより、身体状態推定システム１では、ユーザＵのバイタル情報の時系列データに基づいて、ユーザＵの身体の状態が推定され、推定結果がユーザ端末２０の画面上に表示される。

図２は、時系列データと予測データとの関係、及び時系列データと問診データとの関係を模式的に示す図である。図２には、時系列データＤ１、予測データＦ、及び時系列データＤ２を示すグラフＧが示されている。時系列データＤ１は、ユーザ端末２０によってウェアラブル端末１０から取得され且つ予測データＦの予測に用いられる時系列データである。予測データＦは、時系列データＤ１が用いられて導出された予測データであり、予測フェーズにおいてクラウドサーバ３０によって予測された予測データである。時系列データＤ２は、推定フェーズにおいてユーザ端末２０によってウェアラブル端末１０から取得された時系列データであり、推定フェーズにおいて予測データＦとの比較対象となる時系列データである。グラフＧの横軸は、時間を示し、グラフＧの縦軸は、ユーザＵの体温（バイタル情報）を示す。また、グラフＧには、時系列データＤ１に対応付けられた問診情報Ｍ１が入力受付されたタイミング、及び時系列データＤ２に対応付けられた追加問診情報Ｍ２（異常時用の更なる問診情報）が入力受付されたタイミングが示されている。追加問診情報の詳細については後述する。

予測フェーズでは、時系列データＤ１及び問診情報Ｍ１に基づいて、クラウドサーバ３０が、予測データＦを導出する。予測データＦは、身体の状態が正常である場合のバイタル情報の推移を示す。そして、推定フェーズでは、ユーザ端末２０が、ウェアラブル端末１０から時系列データＤ２を取得し、時系列データＤ２と予測データＦとを比較することにより、身体の状態を推定する。図２に示される例では、時系列データＤ２と予測データＦとの差異が予め定められた閾値よりも大きい（詳細は後述）。したがって、図２に示される例では、ユーザ端末２０が、身体の状態が異常であると推定する。

図１に戻り、ウェアラブル端末１０は、計測したユーザＵのバイタル情報をユーザ端末２０に出力する。ウェアラブル端末１０は、例えば、任意の期間のバイタル情報の時系列データをユーザ端末２０に出力する。なお、ウェアラブル端末１０は、バイタル情報を計測する度にユーザ端末２０に出力してもよい。また、ウェアラブル端末１０は、ウェアラブル端末１０の画面上に問診情報の入力を受け付ける情報を表示し、当該画面を介してユーザＵが入力した問診情報をユーザ端末２０に出力する。問診情報の例としては、ユーザＵの身体の状態に異常があるか否かの情報、及び異常がある場合の異常の状態に関する情報等が挙げられる。ウェアラブル端末１０からユーザ端末２０に出力された時系列データ及び問診情報は、互いに対応付けられて後述する予測用データベースを生成するための学習データとして用いられる。

ここで、時系列データと問診情報とが対応付けられた学習データの例について説明する。図３、図４、及び図５には、ウェアラブル端末１０が計測した時系列データを示すグラフＧａ，Ｇｂ，Ｇｃが示されている。グラフＧａ，Ｇｂ，Ｇｃのそれぞれの横軸は、時間を示し、グラフＧａ，Ｇｂ，Ｇｃのそれぞれの縦軸は、ユーザＵの体温を示す。

図３に示されるグラフＧａは、時系列データＤａを示している。時系列データＤａは、ユーザＵの身体の状態が正常である場合に計測されたバイタル情報（すなわち、ユーザＵの体温）の推移の一例である。また、グラフＧａには、ウェアラブル端末１０を介して、ユーザＵによって問診情報Ｍａが定期的に入力されたタイミングが示されている。一例として、問診情報は、１日の間に、早朝から夜までの間に数時間ごとに入力される。時系列データＤａは、一定のパターンを描いている。これは、一般的に、ユーザＵの身体の状態が正常である場合、ユーザＵのバイタル情報が１日周期で一定のパターンとなることに起因する。また、各問診情報Ｍａは、身体の状態が正常であることを示している。

図４には、時系列データＤｂを示すグラフＧｂが示されている。図５には、時系列データＤｃを示すグラフＧｃが示されている。時系列データＤｂ，Ｄｃは、ユーザＵの身体の状態が異常である場合（すなわち、ユーザＵが疾患に罹った場合）に計測されたバイタル情報の推移の一例である。具体的には、時系列データＤｂは、ユーザＵがインフルエンザに罹った場合のバイタル情報の推移を示している。時系列データＤｃは、ユーザＵが肺炎にかかった場合のバイタル情報の推移を示している。また、グラフＧｂには、ウェアラブル端末１０を介して、ユーザＵによって問診情報Ｍｂが定期的に入力されたタイミングが示されている。グラフＧｃには、ウェアラブル端末１０を介して、ユーザＵによって問診情報Ｍｃが定期的に入力されたタイミングが示されている。問診情報Ｍｂ，Ｍｃは、例えば、問診情報Ｍａと同様の時間間隔で入力される。

時系列データＤｂは、２日目から急激に上昇しその後徐々に下降するバイタル情報の推移を描いている。これは、一般的に、ユーザＵがインフルエンザに罹ると急激に体温が上昇することに起因する。この場合、例えば、１日目における各問診情報Ｍｂは、身体の状態が正常であることを示し、２日目以降における各問診情報Ｍｂは、身体の状態が異常であることを示す。

時系列データＤｃは、日数が経つにつれて徐々に上昇するバイタル情報の推移を描いている。これは、一般的に、ユーザＵが肺炎に罹ると高熱が続くことに起因する。この場合、各問診情報Ｍｃは、身体の状態が異常であることを示す。

クラウドサーバ３０は、ユーザ端末２０から取得した学習データに基づいて、予測データを導出し、予測データをユーザ端末２０に提供するサーバである。クラウドサーバ３０は、予測用データベースを生成し、生成した予測用データベースに基づいて予測データを導出する。本実施形態では、予測用データベースは、第１予測用データベース３３ａ（正常時データベース）、第２予測用データベース３３ｂ（疾患時データベース）、及び第３予測用データベース３３ｃ（疾患時データベース）を含んでいる。

第１予測用データベース３３ａは、身体の状態が正常である場合のバイタル情報の推移の予測に係る予測用データベースである。第２予測用データベース３３ｂは、ユーザＵが身体の状態が異常であり特定の疾患に罹っている場合（具体的には、ユーザＵがインフルエンザに罹っている場合）のバイタル情報の推移の予測に係る予測用データベースである。第３予測用データベース３３ｃは、身体の状態が異常であり特定の疾患に罹っている場合（具体的には、ユーザＵが肺炎に罹っている場合）のバイタル情報の推移の予測に係る予測用データベースである。

上述した第１予測用データベース３３ａ、第２予測用データベース３３ｂ、及び第３予測用データベース３３ｃが生成されることにより、クラウドサーバ３０では、３つのパターンの予測データが導出される。１つ目の予測データは、第１予測用データベース３３ａから導出され、身体の状態が正常である場合に予測されるバイタル情報の推移を示す予測データ（以下、「正常予測データ」という）である。２つ目の予測データは、第２予測用データベース３３ｂから導出され、身体の状態が異常である場合（具体的には、ユーザＵがインフルエンザに罹っている場合）のバイタル情報の推移を示す予測データ（以下、「第１異常予測データ」という）である。３つ目の予測データは、第３予測用データベース３３ｃから導出され、ユーザＵが身体の状態が異常である場合（具体的には、ユーザＵが肺炎に罹っている場合）のバイタル情報の推移を示す予測データ（以下、「第２異常予測データ」という）である。なお、クラウドサーバ３０は、必ずしも上記３つの予測データを導出するものでなくてもよく、例えば第１予測用データベース３３ａのみを利用して上記正常予測データのみを導出するものであってもよい。以下では、クラウドサーバ３０が上記３つの予測データを導出するとして説明する。

クラウドサーバ３０は、ユーザ端末２０からの情報の入力に応じた正常予測データ、第１異常予測データ、及び第２異常予測データを導出し、導出した各予測データをユーザ端末２０に出力する。これにより、ユーザ端末２０では、時系列データとの比較対象である複数の予測データが得られ、身体の状態の推定が可能となる。

クラウドサーバ３０は、機能的な構成要素として、学習部３１と、記憶部３２と、予測部３４と、を有している。学習部３１は、学習データを複数パターン学習することにより予測用データベースを生成する。本実施形態では、学習部３１は、上述した正常予測データ、第１異常予測データ、及び第２異常予測データを生成する。

まず、学習部３１は、ウェアラブル端末１０が計測した時系列データ、及びウェアラブル端末１０から入力された問診情報をユーザ端末２０から取得する。学習部３１は、取得した時系列データ及び問診データを互いに対応付けて蓄積する。そして、学習部３１は、蓄積した時系列データ及び問診情報に基づいて、大きく分けて２つのパターンの学習データを学習する。具体的には、学習部３１は、正常学習データ及び、異常学習データを学習して、予測用データベースを生成する。

正常学習データは、時系列データと、身体の状態が正常であることを示す問診情報（以下、「正常を示す問診情報」という場合がある）とが対応付けられた学習データである。一例として、正常学習データは、時系列データに対応付けられた各問診情報がすべて正常を示す問診情報である学習データである。なお、正常学習データはこれに限られず、例えば、時系列データに対応付けられた各問診情報のうち半数以上が正常を示す問診情報である学習データであってもよい。

異常学習データは、時系列データと身体の状態が異常であることを示す問診情報（以下、「異常を示す問診情報」という場合がある）とが対応付けられた学習データである。本実施形態では、学習部３１は、少なくとも２つのパターンの異常学習データを学習する。

１つ目の異常学習データは、ユーザＵがインフルエンザに罹っている場合の時系列データと異常を示す問診情報とが対応付けられた学習データ（以下、「第１異常学習データ」という場合がある）である。具体的には、第１異常学習データは、時系列データに対応付けられた各問診情報のうち少なくとも時系列において後半にあたる問診情報が異常を示す問診情報である学習データをいう。これは、一般的に、ユーザＵがインフルエンザに罹ると急激に体温が上昇することに起因して、体温の上昇が始まった時からユーザＵが身体の異常を感じ始めると想定され、ユーザＵによって入力される問診情報も正常を示す問診情報から異常を示す問診情報に切り替わると想定されるためである。なお、第１異常学習データはこれに限られず、ユーザＵがインフルエンザに罹っている場合に入力されると想定される問診情報と時系列データとが対応付けられた学習データであればよい。

２つ目の異常学習データは、ユーザＵが肺炎に罹っている場合の時系列データと異常を示す問診情報とが対応付けられた学習データ（以下、「第２異常学習データ」という場合がある）である。具体的には、第２異常学習データは、時系列データに対応付けられた各問診情報のうち８０％以上が異常を示す問診情報である学習データをいう。これは、一般的に、ユーザＵが肺炎に罹ると高熱が続くことに起因して、体温の上昇が始まった時からユーザＵが身体の異常を感じ始めると想定され、ユーザＵによって入力される問診情報のほとんどが異常を示す問診情報と想定されるためである。なお、第２異常学習データはこれに限られず、ユーザＵが肺炎に罹っている場合に入力されると想定される問診情報と時系列データとが対応付けられた学習データであればよい。

図３、図４、及び図５に示される例では、学習部３１は、図３に示される時系列データＤａと問診情報Ｍａとが対応付けられた学習データを正常学習データとして学習する。学習部３１は、図４に示される時系列データＤｂと問診情報Ｍｂとが対応付けられた学習データを第１異常学習データとして学習する。学習部３１は、図４に示される時系列データＤｃと問診情報Ｍｃとが対応付けられたデータを第２異常学習データとして学習する。なお、学習部３１は、学習時において、学習しているデータがいずれの種別の学習データであるのかを認識できていなくてもよい。

学習部３１は、上述した正常学習データ及び異常学習データの双方を学習することで、複数パターンの学習データを学習し、予測用データベース（すなわち、第１予測用データベース３３ａ、第２予測用データベース３３ｂ、及び第３予測用データベース３３ｃ）を生成する。

ここで、学習部３１による各予測用データベースの生成方法について、第１予測用データベース３３ａを例に挙げて説明する。まず、学習部３１は、第１予測用データベース３３ａの生成のために、特徴抽出エンジン（図示せず）を生成する。特徴抽出エンジンは、アナログデータとして取得した時系列データの特徴を抽出し、抽出した特徴をバイナリデータに変換するエンジンである。一例として、特徴抽出エンジンは、時系列データの時間的な変化を特徴として抽出する。学習部３１は、正常学習データに含まれる時系列データを、例えばディープラーニング（深層学習）によって学習することで、特徴抽出エンジンを自動生成する。

そして、学習部３１は、蓄積された正常学習データを特徴抽出エンジンに入力することで、正常学習データに含まれる時系列データの特徴を抽出し、抽出した特徴をバイナリデータに変換する。そして、学習部３１は、変換したバイナリデータを蓄積することで第１予測用データベース３３ａを生成する。学習部３１は、第１予測用データベース３３ａと同様の方法によって、第２予測用データベース３３ｂ及び第３予測用データベース３３ｃを生成する。学習部３１は、生成した各特徴抽出エンジン、第１予測用データベース３３ａ、第２予測用データベース３３ｂ、及び第３予測用データベース３３ｃを記憶部３２に出力する。なお、学習部３１は、複数の種別の学習データから各予測用データベースを生成してもよい。すなわち、学習部３１は、正常学習データだけではなく異常学習データも用いて第１予測用データベース３３ａを生成してもよいし、第１異常学習データだけではなく第２異常学習データ及び正常学習データも用いて第２予測用データベース３３ｂを生成してもよいし、第２異常学習データだけではなく第１異常学習データ及び正常学習データも用いて第３予測用データベース３３ｃを生成してもよい。

本実施形態では、学習部３１は、各予測用データベースを生成した後、所定の条件を満たす場合において予測用データベースを更新する。

まず、学習部３１は、ユーザ端末２０によって身体の状態が異常であると推定された場合（詳細は後述）、第２時系列データと、定期的な問診情報及び追加問診情報（以下、単に「問診情報」という場合がある）とが対応付けられた学習データを更に学習することにより予測用データベースを更新する。第２時系列データは、推定フェーズにおいてユーザ端末２０によって取得される時系列データである。追加問診情報は、上述した定期的な問診情報とは別の問診情報であって、身体の状態が異常であると推定された場合に、ウェアラブル端末１０を介してユーザＵから受け付ける異常時用の問診情報である。

学習部３１は、例えば、時系列データと問診情報との関係に応じて、第１予測用データベース３３ａ、第２予測用データベース３３ｂ、及び第３予測用データベース３３ｃのいずれかについて学習データを新たに学習することによって当該いずれかの予測用データベースを更新してもよいし、第１予測用データベース３３ａ、第２予測用データベース３３ｂ、及び第３予測用データベース３３ｃとは異なる予測用データベースを新たに生成してもよい。学習部３１は、例えば、ユーザ端末２０によって、第２時系列データと既存の予測用データベースの情報に応じて導出される予測データとの差異が大きいと推定された場合（詳細は後述）、第２時系列データと問診情報とが対応付けられた学習データを学習することにより、新たな異常状態である場合のバイタル情報の推移予測に係る新異常時データベースを生成してもよい（詳細は後述）。また、学習部３１は、ユーザ端末２０によって身体の状態が異常であると推定された場合であっても、各問診情報が身体の状態が正常である旨を示す場合、当該問診情報と第２時系列データが対応付けられた学習データを身体の状態が正常である場合の学習データとして学習してもよい。

このように、本実施形態では、学習部３１は、予測用データベースを生成した後も、ユーザ端末２０によって身体の状態が異常であると推定された場合の第２時系列データと問診情報とが対応付けられた学習データを新たに学習することによって、予測用データベースを更新する。なお、学習部３１は、生成した予測用データベースを更新しなくてもよい。

記憶部３２は、学習部３１によって生成された特徴抽出エンジン及び予測用データベースを記憶する。記憶部３２は、任意の期間におけるユーザのバイタル情報の時系列データと、ユーザに問診することにより得られる上記期間におけるユーザの身体の状態に関する問診情報とが対応付けられた学習データが複数パターン学習されて生成された（学習部３１によって学習された）、バイタル情報の推移の予測に係る予測用データベースを記憶する。記憶部３２は、予測用データベースの一部として、身体の状態が正常である場合のバイタル情報の推移の予測に係る第１予測用データベース３３ａ（正常時データベース）を記憶している。また、記憶部３２は、予測用データベースの一部として、身体の状態が異常であり特定の疾患に罹っている場合のバイタル情報の推移の予測に係る疾患時データベースを記憶しており、具体的には、第２予測用データベース３３ｂ及び第３予測用データベース３３ｃを記憶している。記憶部３２は、第１予測用データベース３３ａ、第２予測用データベース３３ｂ、及び第３予測用データベース３３ｃのそれぞれに対応する特徴抽出エンジンを記憶している。記憶部３２によって特徴抽出エンジン及び予測用データベースが記憶されることで、以下に述べる予測データの導出が可能な状態となる。すなわち、学習部３１及び記憶部３２によって実行される処理によって、上述した予測フェーズを実行する準備が完了する。

予測部３４は、後述するユーザ端末２０の推定部２３と共に、身体状態推定システム１の「推定部」として機能する。予測部３４は、記憶部３２に記憶されている第１予測用データベース３３ａ、第２予測用データベース３３ｂ、第３予測用データベース３３ｃ、及び各予測用データベースに対応する特徴抽出エンジンを用いて、正常予測データ、第１異常予測データ、及び第２異常予測データを導出する。予測部３４は、ウェアラブル端末１０によって測定された時系列データを入力として、予測用データベースに基づき予測データを導出する。予測部３４は、さらに、ウェアラブル端末１０においてユーザＵから受け付けられた問診情報を入力として、予測用データベースに基づき予測データを導出してもよい。予測用データベースは時系列データ及び問診情報が学習されることにより生成されているため、時系列データに加えて問診情報も予測データ導出のための入力とされることにより、予測データの導出精度を向上させることができる。以下では、時系列データのみを入力として予測データを導出する例（正常予測データを導出する例）を説明する。

まず、予測部３４は、ウェアラブル端末１０によって測定された時系列データをユーザ端末２０から取得する。ここでいう時系列データは、予測フェーズ及び推定フェーズのうち予測フェーズにおいて取得される時系列データである。以下、当該時系列データを「第１時系列データ」という場合がある。続いて、予測部３４は、第１予測用データベース３３ａに対応する特徴抽出エンジンに第１時系列データを入力して、第１時系列データをバイナリデータに変換する。そして、予測部３４は、変換したバイナリデータ及び第１予測用データベース３３ａのデータに基づいて、正常予測データを導出する。予測部３４は、例えば、変換したバイナリデータに類似する部分を有するバイナリデータを第１予測用データベース３３ａ内において検索する。そして、予測部３４は、当該類似する部分を有するバイナリデータを正常予測データとして導出する。

例えば、第１時系列データが、２４時間程度の期間のバイタル情報のデータである場合、予測部３４は、第１予測用データベース３３ａ内の各バイナリデータのうち、２４時間のデータが第１時系列データに類似するバイナリデータを検索し、当該バイナリデータに連続する所定期間のデータを含んだデータ（類似するバイナリデータ及び該バイナリデータに連続するバイナリデータ）を予測データとして導出する。図２に示される例では、時系列データＤ１が第１時系列データであって、予測データＦが該第１時系列データに基づき予測部３４によって導出された予測データ（正常予測データ）である。

予測部３４は、正常予測データと同様に、第１異常予測データ及び第２異常予測データを導出する。予測部３４は、導出した正常予測データ、第１異常予測データ、及び第２異常予測データをユーザ端末２０に出力する。なお、予測用データベースの構成は本実施形態に限られない。例えば、学習部３１は、１つの予測用データベースを生成し、予測部３４は、１つの予測用データベースから各予測データを導出してもよい。

ユーザ端末２０は、バイタル情報の時系列データ、及びユーザＵからの問診情報をウェアラブル端末１０から取得し、取得した時系列データ及び問診情報をクラウドサーバ３０に出力する。ユーザ端末２０は、ウェアラブル端末１０から取得した時系列データと、クラウドサーバ３０から取得した各予測データとを比較することにより、身体の状態を推定する。また、ユーザ端末２０は、身体の状態の推定結果等、種々の情報をユーザ端末２０の画面上に表示する。ユーザ端末２０は、機能的な構成要素として、入力受付部２１と、取得部２２と、推定部２３と、出力部２４と、を有している。

入力受付部２１は、ユーザＵから問診情報の入力を定期的に受け付ける。入力受付部２１は、ウェアラブル端末１０を介して、ユーザＵから定期的な問診情報の入力を受け付ける。また、入力受付部２１は、後述する推定部２３によって身体の状態が異常であると推定された場合、定期的な問診情報の入力の受付に加え、追加問診情報の入力を受け付ける。入力受付部２１は、入力受付した問診情報及び追加問診情報を取得部２２に出力する。

取得部２２は、任意の期間の時系列データを取得する。取得部２２は、少なくとも予測フェーズ及び推定フェーズのそれぞれにおいて時系列データを取得する。まず、取得部２２は、予測フェーズにおいて第１時系列データを取得し、取得した第１時系列データをクラウドサーバ３０に出力する。そして、出力部２４は、時系列において予測フェーズから連続した推定フェーズにおいて第２時系列データを取得し、取得した第２時系列データを推定部２３に出力する。取得部２２は、入力受付部２１より入力された問診情報を、対応する時系列データと共に推定部２３に出力する。

推定部２３は、取得部２２によって取得された第２時系列データ（時系列データ）と、第１時系列データ（時系列データ）、及びクラウドサーバ３０の記憶部３２に記憶されている予測用データベースの情報に応じて導出される予測データとを比較することにより、身体の状態を推定する。まず、推定部２３は、クラウドサーバ３０から、正常予測データ、第１異常予測データ、及び第２異常予測データを取得する。

そして、推定部２３は、第２時系列データと、第１予測用データベース３３ａから導出される正常予測データとの差異（第１差異）が予め定められた正常判定に係る閾値（第１閾値）よりも大きい場合に、身体の状態が異常であると推定する。推定部２３は、例えば、第２時系列データと正常予測データとの類似度を算出し、算出した類似度を第２時系列データと正常予測データとの差異として上記正常判定に係る閾値と比較する。そして、推定部２３は、類似度が上記正常判定に係る閾値以下である場合に身体の状態が正常であると推定し、類似度が上記正常判定に係る閾値よりも大きい場合に身体の状態が異常であると推定する。推定部２３は、身体の状態が正常であると推定した場合、正常である推定結果を示す情報を出力部２４に出力する。

一方、推定部２３は、身体の状態が異常であると推定した場合、以下の推定を行う。すなわち、推定部２３は、第２時系列データと、第２予測用データベース３３ｂから導出される第１異常予測データとの差異（第２差異）が予め定められたインフルエンザの判定に係る閾値（第２閾値）よりも小さい場合に、ユーザＵの身体の状態が異常であり、ユーザＵがインフルエンザ（疾患）に罹っていると推定する。推定部２３は、正常予測データの場合と同様に類似度を算出し、第２時系列データと第１異常予測データとの差異と上記インフルエンザの判定に係る閾値とを比較する。そして、推定部２３は、類似度が上記インフルエンザの判定に係る閾値よりも小さい場合にユーザＵがインフルエンザに罹っていると推定する。

一方、推定部２３は、類似度が上記インフルエンザの判定に係る閾値よりも大きい場合、以下の推定を行う。すなわち、推定部２３は、第２時系列データと、第３予測用データベース３３ｃから導出される第２異常予測データとの差異（第２差異）が予め定められた肺炎の判定に係る閾値（第２閾値）よりも小さい場合に、ユーザＵの身体の状態が異常であり、ユーザＵが肺炎（疾患）に罹っていると推定する。推定部２３は、正常予測データの場合と同様に類似度を算出し、第２時系列データと第２異常予測データとの差異と上記肺炎の判定に係る閾値とを比較する。そして、推定部２３は、類似度が上記肺炎の判定に係る閾値以下よりも小さい場合にユーザＵが肺炎に罹っていると推定する。

推定部２３は、ユーザＵがインフルエンザに罹っていると推定した場合、異常である推定結果を示す情報、及び疾患（インフルエンザ）を示す情報である疾患情報を出力部２４に出力する。推定部２３は、ユーザＵが肺炎に罹っていると推定した場合、異常である推定結果を示す情報、及び疾患（肺炎）を示す情報である疾患情報を出力部２４に出力する。また、推定部２３は、第１予測用データベース３３ａから導出される正常予測データとの差異が予め定められた正常判定に係る閾値よりも大きく、第２予測用データベース３３ｂから導出される第１異常予測データとの差異が予め定められたインフルエンザの判定に係る閾値よりも小さくなく、第３予測用データベース３３ｃから導出される第２異常予測データとの差異が予め定められた肺炎の判定に係る閾値よりも小さくない場合に、ユーザがインフルエンザ及び肺炎とは異なる異常状態である（別の疾患である）と推定する。この場合、推定部２３は、第２時系列データと問診情報とが対応付けられた学習データをクラウドサーバ３０に出力する。そして、クラウドサーバ３０の学習部３１が、当該学習データを身体の状態が異常である場合の新たな学習データのパターンとして学習することにより、ユーザがインフルエンザ及び肺炎とは異なる異常状態である（別の疾患である）場合のバイタル情報の推移の予測に係る新異常時データベース（図示せず）を生成する。クラウドサーバ３０の記憶部３２は、予測用データベースの一部として、当該新異常時データベースを記憶する。

図２に示される例では、第２時系列データである時系列データＤ２と、正常予測データである予測データＦとの差異が予め定められた閾値よりも大きい。したがって、推定部２３は、身体の状態が異常であると推定する。また、図２に示される例では、時系列データＤ２と第１異常予測データ（図示せず）との差異が予め定められた閾値よりも小さい。したがって、推定部２３は、ユーザＵがインフルエンザに罹っていると推定する。この場合、入力受付部２１は、定期的な問診情報Ｍ１の入力に加え、追加問診情報Ｍ２の入力を受け付ける。

出力部２４は、推定部２３から取得した推定結果及び疾患情報をユーザＵの閲覧のために出力する。また、出力部２４は、入力受付部２１が問診情報の入力を受け付ける状態において、問診情報の入力を促す情報をユーザＵの閲覧のために出力する。具体的には、上述したように、入力受付部２１は、定期的な問診情報に加え、推定部２３によって身体の状態が異常であると推定された場合、追加問診情報を受け付ける。出力部２４は、入力受付部２１が定期的な問診情報及び追加問診情報を受け付ける度に、問診情報の入力を促す情報をユーザＵの閲覧のために出力する。

次に、本実施形態に係る身体状態推定システム１が行う身体状態推定方法について、図６、図７、及び図８を参照して説明する。図６は、身体状態推定システム１が行う身体状態推定方法に含まれる予測用データベース生成処理の一例を示すフローチャートである。図７は、身体状態推定システム１が行う身体状態推定方法に含まれる問診処理の一例を示すフローチャートである。図８は、身体状態推定システム１が行う身体状態推定方法に含まれる身体状態推定処理の一例を示すフローチャートである。身体状態推定システム１は、図６に示される予測用データベース生成処理を、例えば、学習に必要な学習データが蓄積されたタイミングで行う。

図６に示されるように、身体状態推定システム１では、まず、ユーザ端末２０が、ユーザＵの体調を問い合わせる（ステップＳ１１）。具体的には、ユーザ端末２０は、ウェアラブル端末１０のアラームを鳴らしてユーザＵに問診情報を入力するよう報知する。そして、ユーザ端末２０は、ウェアラブル端末１０の画面上にユーザＵの体調を問い合わせる情報（問診情報）が表示されるようにウェアラブル端末１０と通信を行う。

図７には、ユーザ端末２０がユーザＵの体調を問い合わせる問診処理の一例が示されている。ユーザ端末２０は、図７に示される問診処理を定期的に行う。ユーザ端末２０は、ユーザＵに問い合わせる各情報をウェアラブル端末１０の画面上に表示させることにより、ユーザＵに対して体調を問い合わせ、ユーザＵからの回答を入力受付する。まず、ユーザ端末２０は、ユーザＵの現在の体調に違和感があるか否かを問い合わせる（ステップＳ２１）。ユーザＵの現在の体調に違和感がない旨がユーザＵから入力受付された場合（ステップＳ２１：ＮＯ）、ユーザ端末２０は、処理を終了する。

一方、ユーザＵの現在の体調に違和感がある旨がユーザＵから入力受付された場合（ステップＳ２１：ＹＥＳ）、ユーザ端末２０は、ユーザＵの身体に痛みがあるか否かを問い合わせる（ステップＳ２２）。ユーザＵの身体に痛みがある旨がユーザＵから入力受付された場合（ステップＳ２２：ＹＥＳ）、ユーザ端末２０は、痛みがある部分をユーザＵに問い合わせることにより更に入力受付して（ステップＳ２３）、処理を終了する。

一方、ユーザＵの身体に痛みがない旨がユーザＵから入力受付された場合（ステップＳ２２：ＮＯ）、ユーザ端末２０は、ユーザＵの身体がだるいか否かを問い合わせる（ステップＳ２４）。ユーザＵの身体がだるい旨がユーザＵから入力受付された場合（ステップＳ２４：ＹＥＳ）、ユーザ端末２０は、だるい部分をユーザＵに問い合わせることにより更に入力受付して（ステップＳ２５）、処理を終了する。一方、ユーザＵの身体がだるくない旨がユーザＵから入力受付された場合（ステップＳ２４：ＮＯ）、ユーザ端末２０は、ユーザＵが感じる症状をユーザＵに問い合わせることにより更に入力受付して（ステップＳ２６）、処理を終了する。なお、問診情報は、身体の状態が正常であるか或いは異常であるかを把握できる情報であればよく、本実施形態とは異なる情報であってもよい。

図６に戻り、ユーザ端末２０が、ウェアラブル端末１０から第１時系列データ及び問診情報を取得する（ステップＳ１２）。ユーザ端末２０は、取得した第１時系列データ及び問診情報をクラウドサーバ３０に出力する。

つづいて、クラウドサーバ３０が、第１時系列データと問診情報とが対応付けられた各学習データの特徴を抽出する（ステップＳ１３）。具体的には、クラウドサーバ３０は、正常学習データ、第１異常学習データ、及び第２異常学習データのそれぞれを学習させることにより各学習データに対応する特徴抽出エンジンを生成し、生成した各特徴抽出エンジンを用いて正常学習データ、第１異常学習データ、及び第２異常学習データのそれぞれの特徴を抽出する。

つづいて、クラウドサーバ３０が、ステップＳ１３で抽出された第１異常学習データ、及び第２異常学習データのそれぞれの特徴をバイナリデータに変換し、予測用データベースを生成する（ステップＳ１４）。具体的には、クラウドサーバ３０は、第１予測用データベース３３ａ、第２予測用データベース３３ｂ、及び第３予測用データベース３３ｃを生成する。つづいて、クラウドサーバ３０は、生成した予測用データベースを記憶する（ステップＳ１５）。

身体状態推定システム１は、図８に示される身体状態推定処理を、例えば一定の時間間隔で実行する。図８に示されるように、身体状態推定システム１では、まず、ユーザ端末２０が、ウェアラブル端末１０から第２時系列データを取得する（ステップＳ１０１）。

つづいて、クラウドサーバ３０が、第１予測用データベース３３ａ、第２予測用データベース３３ｂ、及び第３予測用データベース３３ｃ、及び各予測用データベースに対応する特徴抽出エンジンを用いて、正常予測データ、第１異常予測データ、及び第２異常予測データを導出する（ステップＳ１０２）。クラウドサーバ３０は、導出した各予測データをユーザ端末２０に出力する。

続いて、ユーザ端末２０が、第２時系列データと正常予測データとを比較し、第２時系列データと正常予測データとの差異が閾値よりも大きいか否かを判定する（ステップＳ１０３）。第２時系列データと正常予測データとの差異が閾値よりも大きくないと判定した場合（ステップＳ１０３：ＮＯ）、ユーザ端末２０は、身体の状態が正常であると推定し（ステップＳ１０４）、処理がＳ１１２に移行する。

一方、第２時系列データと正常予測データとの差異が閾値よりも大きいと判定した場合（ステップＳ１０３：ＹＥＳ）、ユーザ端末２０は、第２時系列データと第１異常予測データとの差異が閾値よりも小さいか否かを判定する（ステップＳ１０５）。第２時系列データと第１異常予測データとの差異が閾値よりも小さいと判定した場合（ステップＳ１０５：ＹＥＳ）、ユーザ端末２０は、身体の状態が異常且つユーザＵがインフルエンザに罹っていると推定し（ステップＳ１０６）、処理がＳ１１０に移行する。

一方、第２時系列データと第１異常予測データとの差異が閾値よりも小さくないと判定した場合（ステップＳ１０５：ＮＯ）、ユーザ端末２０は、第２時系列データと第２異常予測データとの差異が閾値よりも小さいか否かを判定する（ステップＳ１０７）。第２時系列データと第２異常予測データとの差異が閾値よりも小さいと判定した場合（ステップＳ１０７：ＹＥＳ）、ユーザ端末２０は、身体の状態が異常且つユーザＵが肺炎に罹っていると推定し（ステップＳ１０８）、処理がＳ１１０に移行する。

一方、第２時系列データと第２異常予測データとの差異が閾値よりも小さくないと判定した場合（ステップＳ１０７：ＮＯ）、ユーザ端末２０は、身体の状態が異常且つユーザＵが別の疾患（すなわち、インフルエンザ及び肺炎とは異なる疾患）に罹っていると推定する（ステップＳ１０９）。

つづいて、ユーザ端末２０は、追加問診情報をユーザＵから入力受付する（ステップＳ１１０）。これにより、追加問診情報の入力を促す情報がウェアラブル端末１０の画面上に表示される。なお、追加問診情報は、例えば、図７に示される内容と同様の内容である。つづいて、ユーザ端末２０は、第２時系列データと、追加問診情報を含む問診情報とが対応付けられた新たな学習データをクラウドサーバ３０に出力する。

つづいて、クラウドサーバ３０が、新たな学習データを学習する（ステップＳ１１１）。そして、新異常時予測用データベースが生成されて記憶部３２に記憶される。つづいて、ユーザ端末２０が、推定結果、及びユーザＵがインフルエンザ又は肺炎に罹っていると推定された場合は疾患情報を、ユーザ端末２０の画面上に表示する（ステップＳ１１２）。

次に、本実施形態に係る身体状態推定システム１の作用効果を説明する。

身体状態推定システム１では、第１時系列データと、ユーザＵに問診することにより得られる期間におけるユーザＵの身体の状態に関する問診情報とが対応付けられた学習データが複数パターン学習されて生成された、バイタル情報の推移の予測に係る予測用データベースが記憶されている。そして、第２時系列データと、第１時系列データ、及び予測用データベースの情報に応じて導出されるバイタル情報の推移の予測データとが比較されることにより、身体の状態が推定され、推定された推定結果がユーザＵの閲覧のために出力される。このように、身体状態推定システム１では、バイタル情報の推移の予測データの導出に、第１時系列データと、ユーザＵ自身が感じているユーザＵの身体の状態を示す問診情報とが対応付けられた学習データが複数パターン学習されて生成された予測用データベースが用いられる。このような予測用データベースは、ユーザＵ自身が身体の状態についてどのように感じていたかの情報を考慮して学習されて生成されているため、単にバイタル情報の時系列データのみが学習されて生成されたデータベースと比較して、ユーザＵのバイタル情報の推移の予測データを高精度に導出することができる。そして、身体状態推定システム１では、予測用データベースを用いて導出された高精度な当該予測データと、ユーザＵの実際のバイタル情報の時系列データ（第２時系列データ）とが比較されて身体の状態が推定されるため、ユーザＵの身体の状態を高精度に推定することができる。

記憶部３２は、学習部３１によって生成された予測用データベースを記憶する。これにより、予測用データベースの生成からユーザＵの身体の状態の推定までを一貫して行うことができる身体状態推定システム１を提供することができる。

学習部３１は、バイタル情報の時系列データと身体の状態が正常であることを示す問診情報とが対応付けられた正常学習データ、及び、バイタル情報の時系列データと身体の状態が異常であることを示す問診情報とが対応付けられた異常学習データの双方を学習して、予測用データベースを生成する。これにより、ユーザＵが身体の状態を正常と感じる際のバイタル情報、及びユーザＵが身体の状態を異常と感じる際のバイタル情報の双方が考慮されて予測用データベースが構築されることとなり、より高精度な予測データを導出することができる。

記憶部３２は、予測用データベースの一部として、身体の状態が正常である場合のバイタル情報の推移の予測に係る第１予測用データベース（正常時データベース）を記憶しており、推定部２３は、取得部２２によって取得された第２時系列データと、第１時系列データ、及び記憶部３２に記憶されている正常時データベースの情報に応じて導出される正常予測データとの差異である第１差異が予め定められた第１閾値よりも大きい場合に、身体の状態が異常であると推定する。

一般的に、身体の状態が正常である場合のバイタル情報の推移は、２４時間程度の周期で所定のパターンとなりやすく、身体の状態が異常となった場合のバイタル情報の推移は、当該パターンから乖離するといえる。身体状態推定システム１によれば、身体の状態が正常である場合の正常予測データと、取得された第２時系列データとが比較されて身体の状態が推定されるため、身体の状態の異常の有無を高精度に推定することができる。また、簡易な比較処理によって身体の状態の変化を速やかに推定することができるため、身体の状態の異常をユーザＵに速やかに報知することができる。

記憶部３２は、予測用データベースの一部として、身体の状態が異常であり特定の疾患に罹っている場合のバイタル情報の推移の予測に係る第２予測用データベース及び第３予測用データベース（疾患時データベース）を記憶しており、推定部２３は、取得部２２によって取得された第２時系列データと、第１時系列データ、及び記憶部３２に記憶されている疾患時データベースの情報に応じて導出される、当該疾患に罹っている場合のバイタル情報の推移の予測データとの差異である第２差異が予め定められた第２閾値よりも小さい場合に、ユーザＵの身体の状態が異常であり、当該疾患に罹っていると推定し、出力部２４は、当該疾患を示す疾患情報をユーザＵの閲覧のために更に出力する。

一般的に、ユーザＵが所定の疾患に罹った場合、バイタル情報の推移は当該疾患特有のパターンとなりやすいといえる。身体状態推定システム１によれば、実際にユーザＵが当該疾患に罹った際のバイタル情報が用いられて構築された予測用データベースに応じて身体の状態が異常である場合の予測データが導出されるため、ユーザＵが当該疾患に罹っているか否かを高精度に推定することができる。また、ユーザＵの身体の状態が異常であることのみならず、具体的な疾患名をユーザＵに報知することができるため、ユーザＵに適切な対処を促すことが可能である。

推定部２３は、第１差異が第１閾値よりも大きく、且つ、第２差異が第２閾値よりも小さくない場合に、ユーザＵが疾患とは異なる異常状態であると推定し、学習部３１は、推定部２３によって疾患とは異なる異常状態であると推定された場合において、取得部２２によって取得されたバイタル情報の時系列データと問診情報とが対応付けられた学習データを学習することにより、ユーザＵが疾患とは異なる異常状態である場合のバイタル情報の推移の予測に係る新異常時データベースを生成し、記憶部３２は、予測用データベースの一部として、新異常時データベースを記憶する。このように、既存のデータベースに基づく予測データとは異なった推移となる時系列データについて学習されて新たなデータベースが記憶されることにより、導出される予測データの精度の向上を図ることができ、ユーザＵの身体の状態の推定精度の更なる向上を図ることができる。

出力部２４は、入力受付部２１が問診情報の入力を受け付ける状態において、問診情報の入力を促す情報をユーザＵの閲覧のために更に出力し、入力受付部２１は、推定部２３によって身体の状態が異常であると推定された場合、定期的な問診情報の入力の受付に加え、追加問診情報の入力を受け付ける。これにより、異常であると推定された場合の問診情報を適切に取得すると共に、異常であると推定された場合に体調の変化をユーザＵに適切に自覚させることができる。

学習部３１は、推定部２３によって身体の状態が異常であると推定された場合、取得部２２によって取得された第２時系列データと、入力受付部２１によって受け付けられた追加問診情報とが対応付けられた学習データを更に学習することにより予測用データベースを更新する。これにより、異常であると推定された場合のバイタル情報の時系列データと、推定された際のユーザＵが実際に感じている身体の状態とを把握することができる。例えば、異常であると推定されたとしても実際にユーザＵは正常と感じている場合には、取得された時系列データと問診情報とが対応付けられた学習データを身体の状態が正常である場合のものとして学習させることにより、推定に対する結果を予測用データベースにフィードバックすることができる。その結果、導出される予測データの精度の更なる向上を図ることができる。

入力受付部２１は、ユーザＵが装着するウェアラブル端末１０を介して、ユーザＵから問診情報の入力を受け付ける。これにより、ユーザＵが容易に問診情報を入力することが可能となるため、問診情報を時系列データに適切に対応付けることができる。

予測部３４は、取得部２２によって取得された時系列データ、及び入力受付部２１によって受け付けられた問診情報を入力として、予測用データベースに基づき予測データを導出してもよい。バイタル情報の時系列データ及び問診情報が対応付けられた学習データが学習されることにより予測用データベースが生成されているところ、予測用データベースを用いた予測データの導出においても、バイタル情報の時系列データ及び問診情報が入力とされることにより、予測データを高精度に導出することができる。これにより、ユーザの身体の状態をより高精度に推定することができる。

本発明は、上述した実施形態に限定されない。例えば、本実施形態では、身体状態推定システム１が、ウェアラブル端末１０、ユーザ端末２０、及びクラウドサーバ３０を含んで構成されているとして説明した。しかしながら、身体状態推定システム１の構成はこれに限定されず、例えば、身体状態推定システム１の各機能は、ユーザ端末２０のみによって実現されてもよい。

また、上記実施形態では、ユーザ端末２０が、入力受付部２１、取得部２２、推定部２３、及び出力部２４を有し、クラウドサーバ３０が、学習部３１、記憶部３２、及び予測部３４を有している構成を例示した。しかしながら、身体状態推定システム１では、例えば、クラウドサーバ３０が有する機能的構成要素の一部をユーザ端末２０が備えていてもよく、また、ユーザ端末２０が有する機能的構成要素の一部をクラウドサーバ３０が備えていてもよい。また、他のサーバが上述した各機能的構成要素の一部あるいは全部を備えていてもよい。また、ユーザ端末２０は、入力受付部２１を有していなくてもよく、クラウドサーバ３０は、学習部３１を有していなくてもよい。

本実施形態では、予測部３４は、第１予測用データベース３３ａ、第２予測用データベース３３ｂ、及び第３予測用データベース３３ｃに記憶され且つ第１時系列データと類似する部分を有するバイナリデータを各予測データとして導出したが、各予測データの導出方法はこれに限定されない。例えば、予測部３４は、予測用データベースとして、時系列データを入力することにより予測データを出力する学習モデルデータを生成してもよい。

推定部２３は、正常予測データ、第１異常予測データ、及び第２予測データのすべてを第２時系列データの比較対象としなくてもよい。推定部２３は、例えば正常予測データと第２時系列データとを比較して、身体の状態が正常であるか或いは異常であるかのみを推定してもよい。

出力部２４は、推定部２３によって身体の状態が異常であると推定されたにもかかわらず、追加問診情報が身体の状態が正常である旨を示す場合、身体の状態が異常の初期段階である旨を示す情報をユーザＵの閲覧のために更に出力してもよい。これにより、ウェアラブル端末１０の画面上に身体の状態が異常の初期段階である旨が表示される。例えば、発熱が始まっていないインフルエンザの罹り始めにおいては、ユーザＵがインフルエンザに罹っていることを自覚できていない場合が想定される。本変形例によれば、ユーザＵが体調の変化を感じていない（疾患の自覚症状がない）状態であっても、ウェアラブル端末１０の画面を介して身体の状態が異常の初期段階である旨をユーザＵに報知することができるため、ユーザＵに適切な対処を促すことができる。

入力受付部２１は、追加問診情報の入力を受け付けなくてもよい。その場合、推定部は、身体の状態が異常であると推定した場合、第２時系列データと定期的な問診情報のみとが対応付けられた学習データをクラウドサーバ３０に出力してもよい。

また、上述した身体状態推定システム１の各処理のフローチャート（図６～図８）に示した各処理は、適宜省略されてもよい。また、各処理の順序は、適宜入れ替えられてもよい。

１…身体状態推定システム、１０…ウェアラブル端末（通信機器）、２１…入力受付部、２２…取得部、２３…推定部、２４…出力部、３１…学習部、３２…記憶部、３３ａ…第１予測用データベース（予測用データベース）、３３ｂ…第２予測用データベース（予測用データベース）、３３ｃ…第３予測用データベース（予測用データベース）、３４…予測部（推定部）、Ｄ１，Ｄ２，Ｄａ，Ｄｂ，Ｄｃ…時系列データ、Ｆ…予測データ、Ｍ１，Ｍａ，Ｍｂ，Ｍｃ…問診情報、Ｍ２…追加問診情報（異常時用の更なる問診情報）、Ｕ…ユーザ。

Claims (12)

1. 任意の期間におけるユーザのバイタル情報の時系列データと、前記ユーザに問診することにより得られる前記期間における前記ユーザの身体の状態に関する問診情報とが対応付けられた学習データが複数パターン学習されて生成された、バイタル情報の推移の予測に係る予測用データベースを記憶する記憶部と、
   前記ユーザのバイタル情報の時系列データを取得する取得部と、
   前記取得部によって取得された前記バイタル情報の時系列データと、前記取得部によって取得されたバイタル情報の時系列データ、及び前記記憶部に記憶されている前記予測用データベースの情報に応じて導出されるバイタル情報の推移の予測データとを比較することにより、前記身体の状態を推定する推定部と、
   前記推定部による推定結果を前記ユーザの閲覧のために出力する出力部と、を備える、身体状態推定システム。
2. 前記学習データを複数パターン学習することにより前記予測用データベースを生成する学習部を更に備え、
   前記記憶部は、前記学習部によって生成された前記予測用データベースを記憶する、請求項１に記載の身体状態推定システム。
3. 前記学習部は、前記バイタル情報の時系列データと前記身体の状態が正常であることを示す前記問診情報とが対応付けられた前記学習データ、及び、前記バイタル情報の時系列データと前記身体の状態が異常であることを示す前記問診情報とが対応付けられた前記学習データの双方を学習して、前記予測用データベースを生成する、請求項２に記載の身体状態推定システム。
4. 前記記憶部は、前記予測用データベースの一部として、前記身体の状態が正常である場合の前記バイタル情報の推移の予測に係る正常時データベースを記憶しており、
   前記推定部は、前記取得部によって取得された前記バイタル情報の時系列データと、前記バイタル情報の時系列データ、及び前記記憶部に記憶されている前記正常時データベースの情報に応じて導出される、前記身体の状態が正常である場合の前記バイタル情報の推移の予測データとの差異である第１差異が予め定められた第１閾値よりも大きい場合に、前記身体の状態が異常であると推定する、請求項２又は３に記載の身体状態推定システム。
5. 前記記憶部は、前記予測用データベースの一部として、前記身体の状態が異常であり特定の疾患に罹っている場合の前記バイタル情報の推移の予測に係る疾患時データベースを記憶しており、
   前記推定部は、前記取得部によって取得された前記バイタル情報の時系列データと、前記バイタル情報の時系列データ、及び前記記憶部に記憶されている前記疾患時データベースの情報に応じて導出される、前記疾患に罹っている場合の前記バイタル情報の推移の予測データとの差異である第２差異が予め定められた第２閾値よりも小さい場合に、前記ユーザの前記身体の状態が異常であり、前記疾患に罹っていると推定し、
   前記出力部は、前記疾患を示す情報を、前記ユーザの閲覧のために更に出力する、請求項４に記載の身体状態推定システム。
6. 前記推定部は、前記第１差異が前記第１閾値よりも大きく、且つ、前記第２差異が前記第２閾値よりも小さくない場合に、前記ユーザが前記疾患とは異なる異常状態であると推定し、
   前記学習部は、前記推定部によって前記疾患とは異なる異常状態であると推定された場合において、前記取得部によって取得された前記バイタル情報の時系列データと前記問診情報とが対応付けられた前記学習データを学習することにより、前記ユーザが前記疾患とは異なる異常状態である場合の前記バイタル情報の推移の予測に係る新異常時データベースを生成し、
   前記記憶部は、前記予測用データベースの一部として、前記新異常時データベースを記憶する、請求項５に記載の身体状態推定システム。
7. 前記ユーザから前記問診情報の入力を定期的に受け付ける入力受付部を更に備え、
   前記出力部は、前記入力受付部が前記問診情報の入力を受け付ける状態において、前記問診情報の入力を促す情報を前記ユーザの閲覧のために更に出力し、
   前記入力受付部は、前記推定部によって前記身体の状態が異常であると推定された場合、定期的な前記問診情報の入力の受付に加え、異常時用の更なる前記問診情報の入力を受け付ける、請求項４～６のいずれか一項に記載の身体状態推定システム。
8. 前記学習部は、前記推定部によって前記身体の状態が異常であると推定された場合、前記取得部によって取得された前記バイタル情報の時系列データと、前記入力受付部によって受け付けられた前記異常時用の更なる前記問診情報とが対応付けられた前記学習データを更に学習することにより前記予測用データベースを更新する、請求項７に記載の身体状態推定システム。
9. 前記出力部は、前記異常時用の更なる前記問診情報が前記身体の状態が正常である旨を示す場合、前記身体の状態が異常の初期段階である旨を示す情報を前記ユーザの閲覧のために更に出力する、請求項７又は８に記載の身体状態推定システム。
10. 前記入力受付部は、前記ユーザが装着するウェアラブル型の通信機器を介して、前記ユーザから前記問診情報の入力を受け付ける、請求項７～９のいずれか一項に記載の身体状態推定システム。
11. 前記推定部は、前記取得部によって取得された時系列データ及び前記入力受付部によって受け付けられた前記問診情報を入力として、前記予測用データベースに基づき前記予測データを導出する、請求項７～１０のいずれか一項に記載の身体状態推定システム。
12. 任意の期間におけるユーザのバイタル情報の時系列データと、前記ユーザに問診することにより得られる前記期間における前記ユーザの身体の状態に関する問診情報とが対応付けられた学習データが複数パターン学習されて生成された、バイタル情報の推移の予測に係る予測用データベースを記憶する装置が実行する身体状態推定方法であって、
    前記ユーザのバイタル情報の時系列データを取得するステップと、
    前記取得するステップにおいて取得された前記バイタル情報の時系列データと、前記取得するステップにおいて取得されたバイタル情報の時系列データ、及び前記予測用データベースの情報に応じて導出されるバイタル情報の推移の予測データとを比較することにより、前記身体の状態を推定するステップと、
    前記推定するステップにおける推定結果を前記ユーザの閲覧のために出力するステップと、を含む、身体状態推定方法。

Images