JP7473830B2 - 休憩レコメンド装置、休憩レコメンド方法及び休憩レコメンドプログラム - Google Patents

Description

本開示は、休憩レコメンド装置、休憩レコメンド方法及び休憩レコメンドプログラムに関する。

人の知的生産性は、適切な休憩をとることで改善されることが経験的に知られており、従来より、休憩をレコメンドするシステムの開発が進められている。一例として、業務中の対象者の生体情報をリアルタイムに測定し、対象者のストレスや疲労を監視することで、対象者に適切なタイミングで休憩をレコメンドするシステムが提案されている。

特開２００５－１３１０２４号公報

しかしながら、ストレスや疲労が蓄積された際に、単に休憩をとるだけでは、知的生産性を改善させるのに効果的とはいえず、適切な休憩内容（以下、休憩コンテンツと称す）が対象者に提供されることが望ましい。

本開示は、対象者に適切な休憩コンテンツを提供する。

本開示の第１の態様は、制御部を備える休憩レコメンド装置であって、
前記制御部は、
人の状態を改善させる効果を有する複数の休憩コンテンツから、対象者の人の状態に応じた休憩コンテンツを選択し、
選択した休憩コンテンツを出力する。

本開示の第１の態様によれば、対象者に適切な休憩コンテンツを提供することができる。

また、本開示の第２の態様は、第１の態様に記載の休憩レコメンド装置であって、
前記制御部は、
前記対象者に、前記選択した休憩コンテンツを表示する。

また、本開示の第３の態様は、第１または第２の態様に記載の休憩レコメンド装置であって、
前記制御部は、
状態改善モデルを用いることで、前記複数の休憩コンテンツから、前記対象者の人の状態に応じた休憩コンテンツを選択する。

また、本開示の第４の態様は、第３の態様に記載の休憩レコメンド装置であって、
前記状態改善モデルは、
複数の被検者の休憩前後の人の状態の改善幅が休憩コンテンツごとに集計され、更に、前記複数の被検者が各休憩コンテンツを実行するのにかかったコストが集計されることで生成される。

また、本開示の第５の態様は、第４の態様に記載の休憩レコメンド装置であって、
前記制御部は、
前記状態改善モデルを用いることにより、各休憩コンテンツについて、前記対象者の人の状態の改善幅と前記対象者が実行するのにかかるコストとを特定し、特定した前記対象者の人の状態の改善幅と特定した前記コストとに基づいて、前記対象者の人の状態に応じた休憩コンテンツを選択する。

また、本開示の第６の態様は、第５の態様に記載の休憩レコメンド装置であって、
前記制御部は、
特定した前記対象者の人の状態の改善幅と特定した前記コストとに基づいて、前記対象者の人の状態の改善幅を決定するための基準値を有し、かつ、前記コストが最小の休憩コンテンツを選択する。

また、本開示の第７の態様は、第４乃至第６のいずれかの態様に記載の休憩レコメンド装置であって、
前記集計されるコストには、前記被検者が前記各休憩コンテンツ自体を実行するのにかかった時間と、前記被検者が前記各休憩コンテンツを実行するのにかかった移動時間、機材準備、着替え、後片付けの少なくとも１つを実行するのにかかった時間と、前記各休憩コンテンツを実行するための費用とが含まれる。

また、本開示の第８の態様は、第３の態様に記載の休憩レコメンド装置であって、
前記制御部は、
複数の被検者の休憩前の人の状態と、休憩後の人の状態と、前記複数の被検者が実行するのにかかったコストとが含まれる、休憩コンテンツごとの第１の学習用データにより学習された各状態改善モデルを用いることにより、各休憩コンテンツについて、前記対象者の休憩後の人の状態と前記対象者が実行するのにかかるコストとを特定する。

また、本開示の第９の態様は、第８の態様に記載の休憩レコメンド装置であって、
前記対象者の休憩前の人の状態とは、対象者の人の状態がある基準値以下となっている状態を指し、前記休憩後の人の状態とは、休憩コンテンツを実行することにより対象者の人の状態が改善した状態を指す。

また、本開示の第１０の態様は、第３乃至第９のいずれかの態様に記載の休憩レコメンド装置であって、
前記制御部は、
複数の被検者の生活習慣に関する情報と、前記複数の被検者の生体情報と、前記複数の被検者の属性情報と、前記複数の被検者の人の状態を示す主観情報とが含まれる第２の学習用データにより学習された状態推定モデルを用いることにより、前記対象者の人の状態を推定する。

また、本開示の第１１の態様は、第１０の態様に記載の休憩レコメンド装置であって、
前記制御部は、
前記対象者の生活習慣に関する情報と、前記対象者の生体情報と、前記対象者の属性情報と、前記対象者の人の状態を示す主観情報とが前記第２の学習用データに追加された場合に、追加後の前記第２の学習用データを用いて、前記状態推定モデルを対象者個別に再学習する。

また、本開示の第１２の態様は、第１１の態様に記載の休憩レコメンド装置であって、
前記対象者の生活習慣に関する情報には、対象者の睡眠時間、運動頻度、食事タイミング、シフトワークの有無、夜勤の有無、日照時間、サーカディアンリズムの乱れの有無の少なくとも１つが含まれる。

また、本開示の第１３の態様は、第１１の態様に記載の休憩レコメンド装置であって、
前記属性情報には、身長、体重、ＢＭＩ、性別、年齢の少なくとも１つが含まれる。

また、本開示の第１４の態様は、第１１の態様に記載の休憩レコメンド装置であって、
前記主観情報には、眠気、全般的活性、リラックス、緊張、注意集中困難、意欲減退、疲労、覚醒、ストレス、生産性に関するアンケートの少なくとも１つが含まれる。

また、本開示の第１５の態様は、第１乃至第１４のいずれかの態様に記載の休憩レコメンド装置であって、
前記休憩コンテンツには、前記対象者の人の状態を改善させる効果を有する行動が含まれる。

また、本開示の第１６の態様は、第１５の態様に記載の休憩レコメンド装置であって、
前記行動には、仮眠、カフェイン摂取、歩行、ランニング、食事が含まれる。

また、本開示の第１７の態様は、第１乃至１６のいずれか１項に記載の休憩レコメンド装置であって、
前記休憩コンテンツには、前記対象者の人の状態を改善させる効果を有する環境の変化が含まれる。

また、本開示の第１８の態様は、第１７の態様に記載の休憩レコメンド装置であって、
前記環境には、前記対象者の作業空間の温熱環境、照度環境、芳香環境、音響環境、気流環境、視覚環境が含まれる。

また、本開示の第１９の態様は、第１乃至第１８のいずれかの態様に記載の休憩レコメンド装置であって、
前記対象者の人の状態には、眠気、全般的活性、リラックス、緊張、注意集中困難、意欲減退、疲労、覚醒、ストレス、生産性のいずれか１つが含まれる。

また、本開示の第２０の態様は、制御部を備える休憩レコメンド装置による休憩レコメンド方法であって、
前記制御部が、
人の状態を改善させる効果を有する複数の休憩コンテンツから、対象者の人の状態に応じた休憩コンテンツを選択する工程と、
選択した休憩コンテンツを出力する工程とを実行する。

また、本開示の第２１の態様は、休憩レコメンドプログラムであって、
休憩レコメンド装置が備える制御部に、
人の状態を改善させる効果を有する複数の休憩コンテンツから、対象者の人の状態に応じた休憩コンテンツを選択する工程と、
選択した休憩コンテンツを出力する工程とを実行させる。

学習フェーズにおける休憩レコメンドシステムのシステム構成の一例を示す図である。 被検者端末のハードウェア構成の一例を示す図である。 休憩レコメンド装置、第１学習装置及び第２学習装置のハードウェア構成の一例を示す図である。 被検者データの収集方法の一例を示す図である。 脳波情報及び心電図情報の具体例を示す図である。 状態情報の具体例を示す図である。 被検者データの具体例を示す図である。 状態推定モデルの学習方法の一例を示す図である。 生産性推定モデルの学習方法の一例を示す図である。 状態改善モデルの学習方法の一例を示す第１の図である。 状態改善モデルの具体例を示す図である。 レコメンドフェーズにおける休憩レコメンドシステムのシステム構成の一例を示す図である。 休憩レコメンドシステムにおける学習処理の流れを示すフローチャートである。 休憩レコメンドシステムにおける休憩レコメンド処理の流れを示すフローチャートである。 状態改善モデルの学習方法の一例を示す第２の図である。

以下、各実施形態について添付の図面を参照しながら説明する。なお、本明細書及び図面において、実質的に同一の機能構成を有する構成要素については、同一の符号を付することにより重複した説明を省く。

［第１の実施形態］
＜休憩レコメンドシステムのシステム構成＞
はじめに、学習フェーズにおける休憩レコメンドシステムのシステム構成について説明する。図１は、学習フェーズにおける休憩レコメンドシステムのシステム構成の一例を示す図である。

図１に示すように、学習フェーズにおける休憩レコメンドシステム１００は、
・複数の被検者（被検者１１１＿１～１１１＿Ｎ）がそれぞれ操作する被検者端末１１０＿１～１１０＿Ｎと、
・休憩レコメンド装置１２０と、
・第１学習装置１３０と、
・第２学習装置１４０と
を有する。学習フェーズにおける休憩レコメンドシステム１００において、被検者端末１１０＿１～１１０＿Ｎと、休憩レコメンド装置１２０とは、ネットワーク１５０を介して通信可能に接続される。

被検者端末１１０＿１～１１０＿Ｎは、被検者１１１＿１～１１１＿Ｎが、それぞれ、タスクと休憩とを繰り返す過程で、被検者１１１＿１～１１１＿Ｎにより入力された各種情報を受け付ける。また、被検者端末１１０＿１～１１０＿Ｎは、被検者１１１＿１～１１１＿Ｎが、それぞれ、タスクと休憩とを繰り返す過程で、被検者１１１＿１～１１１＿Ｎについて測定された生体情報を取得する。更に、被検者端末１１０＿１～１１０＿Ｎは、受け付けた各種情報及び取得した生体情報を、ネットワーク１５０を介して休憩レコメンド装置１２０に送信する。なお、被検者端末１１０＿１～１１０＿Ｎには、被検者端末プログラムがインストールされており、当該プログラムが実行されることで、被検者端末１１０＿１～１１０＿Ｎでは上記機能を実現する。

休憩レコメンド装置１２０には、生成プログラムと休憩レコメンドプログラムとがインストールされており、学習フェーズにおいては、このうち、生成プログラムが実行される。これにより、休憩レコメンド装置１２０は、データ収集部１２１、学習用データ生成部１２２として機能する。

データ収集部１２１は、被検者端末１１０＿１～１１０＿Ｎから送信された、被検者データ（各種情報及び生体情報）を取得し、データ格納部１２３に格納する。

学習用データ生成部１２２は、データ格納部１２３に格納された被検者データ（各種情報及び生体情報）を読み出し、第１学習装置１３０にて用いられる学習用データ（第２の学習用データの一例）を生成し、学習用データ格納部１２４に格納する。また、学習用データ生成部１２２は、データ格納部１２３に格納された被検者データ（各種情報及び生体情報）を読み出し、第２学習装置１４０にて用いられる学習用データ（第１の学習用データの一例）を生成し、学習用データ格納部１２４に格納する。

第１学習装置１３０には、第１学習プログラムがインストールされており、当該プログラムが実行されることで、第１学習装置１３０は、状態推定モデル学習部１３１及び生産性推定モデル学習部１３２として機能する。

状態推定モデル学習部１３１は、学習用データ格納部１２４に格納された、第１学習装置１３０にて用いられる学習用データを読み出し、状態推定モデルに対して学習処理を行う。また、状態推定モデル学習部１３１は、学習処理を行うことで生成した状態推定モデルを、状態推定モデル格納部１３３に格納する。

生産性推定モデル学習部１３２は、学習用データ格納部１２４に格納された、第１学習装置１３０にて用いられる学習用データを読み出し、生産性推定モデルに対して学習処理を行う。また、生産性推定モデル学習部１３２は、学習処理を行うことで生成した生産性推定モデルを、生産性推定モデル格納部１３４に格納する。

第２学習装置１４０には、第２学習プログラムがインストールされており、当該プログラムが実行されることで、第２学習装置１４０は、状態改善モデル学習部１４１として機能する。

状態改善モデル学習部１４１は、学習用データ格納部１２４に格納された、第２学習装置１４０にて用いられる学習用データを読み出し、状態改善モデルに対して学習処理を行う。また、状態改善モデル学習部１４１は、学習処理を行うことで生成した状態改善モデルを、状態改善モデル格納部１４２に格納する。

＜休憩レコメンドシステムを構成する各装置のハードウェア構成＞
次に、学習フェーズにおける休憩レコメンドシステム１００を構成する各装置（被検者端末１１０＿ｘ（ただし、１≦ｘ≦Ｎ）、休憩レコメンド装置１２０、第１学習装置１３０及び第２学習装置１４０）のハードウェア構成について説明する。

（１）被検者端末のハードウェア構成
はじめに、被検者端末１１０＿ｘのハードウェア構成について説明する。図２は、被検者端末のハードウェア構成の一例を示す図である。

図２に示すように、被検者端末１１０＿ｘは、プロセッサ２０１、メモリ２０２、補助記憶装置２０３、接続装置２０４、操作装置２０５、表示装置２０６、通信装置２０７を有する。なお、被検者端末１１０＿ｘの各ハードウェアは、バス２０８を介して相互に接続されている。

プロセッサ２０１は、ＣＰＵ（Central Processing Unit）等の各種演算デバイスを有する。プロセッサ２０１は、各種プログラム（例えば、被検者端末プログラム等）をメモリ２０２上に読み出して実行する。

メモリ２０２は、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）等の主記憶デバイスを有する。プロセッサ２０１とメモリ２０２とは、いわゆるコンピュータ（「制御部」ともいう）を形成し、プロセッサ２０１が、メモリ２０２上に読み出した各種プログラムを実行することで、当該コンピュータは上記機能を実現する。

補助記憶装置２０３は、各種プログラムや、各種プログラムがプロセッサ２０１によって実行される際に用いられる各種情報を格納する。

接続装置２０４は、被検者１１１＿ｘの生体情報を測定するための各種測定装置２０９と、被検者端末１１０＿ｘとを接続するためのデバイスである。なお、各種測定装置２０９には、例えば、脳波計、心電計、呼吸測定器、心拍計、皮膚温計等が含まれる。各種測定装置２０９は、それぞれが別体の装置であってもよいし、いくつかの装置が組み合わされて一体の装置として形成されていてもよい。

操作装置２０５は、被検者１１１＿ｘが各種情報を入力する際に用いられるデバイスである。表示装置２０６は、被検者端末１１０＿ｘにおける内部処理の結果を表示するデバイスである。通信装置２０７は、ネットワーク１５０に接続し、休憩レコメンド装置１２０と通信するためのデバイスである。なお、補助記憶装置２０３にインストールされる各種プログラムは、通信装置２０７を介してネットワーク１５０からダウンロードされることで、インストールされる。

（２）休憩レコメンド装置、第１学習装置及び第２学習装置のハードウェア構成
次に、休憩レコメンド装置１２０、第１学習装置１３０、第２学習装置１４０のハードウェア構成について説明する。図３は、休憩レコメンド装置、第１学習装置及び第２学習装置のハードウェア構成の一例を示す図である。

図３（ａ）に示すように、休憩レコメンド装置１２０のハードウェア構成は、図２の被検者端末１１０＿ｘのハードウェア構成と概ね同じであるため、ここでは、被検者端末１１０＿ｘとの相違点を中心に説明する。

プロセッサ３０１は、各種プログラム（例えば、生成プログラム、休憩レコメンドプログラム等）をメモリ３０２上に読み出して実行する。

補助記憶装置３０３は、例えば、データ格納部１２３、学習用データ格納部１２４等を実現する。

接続装置３０４は、操作装置３０８及び表示装置３０９と、休憩レコメンド装置１２０とを接続する。

ドライブ装置３０６は記録媒体３１０をセットするためのデバイスである。ここでいう記録媒体３１０には、ＣＤ－ＲＯＭ、フレキシブルディスク、光磁気ディスク等のように情報を光学的、電気的あるいは磁気的に記録する媒体が含まれる。また、記録媒体３１０には、ＲＯＭ、フラッシュメモリ等のように情報を電気的に記録する半導体メモリ等が含まれていてもよい。

なお、補助記憶装置３０３にインストールされる各種プログラムは、例えば、配布された記録媒体３１０がドライブ装置３０６にセットされ、該記録媒体３１０に記録された各種プログラムがドライブ装置３０６により読み出されることでインストールされる。あるいは、補助記憶装置３０３にインストールされる各種プログラムは、通信装置３０５を介してネットワークからダウンロードされることで、インストールされてもよい。

また、図３（ｂ）に示すように、第１学習装置１３０、第２学習装置１４０のハードウェア構成は、図２の被検者端末１１０＿ｘのハードウェア構成と概ね同じであるため、ここでは、被検者端末１１０＿ｘとの相違点を中心に説明する。

プロセッサ３２１は、各種プログラム（例えば、第１学習プログラム、第２学習プログラム等）をメモリ３２２上に読み出して実行する。

補助記憶装置３２３は、例えば、状態推定モデル格納部１３３、生産性推定モデル格納部１３４、状態改善モデル格納部１４２等を実現する。

＜被検者データの収集方法＞
次に、被検者１１１＿１～１１１＿Ｎの被検者データ（各種情報及び生体情報）の収集方法について説明する。図４は、被検者データの収集方法の一例を示す図であり、ここでは、説明の簡略化のため、被検者１１１＿１の被検者データ（各種情報及び生体情報）の収集方法を示している。

図４に示すように、被検者データの各種情報には、生活習慣情報４１０、属性情報４２０、状態情報４４０が含まれる。このうち、生活習慣情報４１０、属性情報４２０は、被検者１１１＿１によって、予め被検者端末１１０＿１に入力されるものとする。

生活習慣情報４１０とは、食習慣、喫煙習慣、運動習慣、飲酒の習慣に関する情報であり、本実施形態では、睡眠時間、運動頻度、食事タイミング、サーカディアンリズムの乱れの有無、シフトワークの有無、夜勤の有無、日照時間等が入力される。

属性情報４２０とは、被検者１１１＿１の属性に関する情報であり、本実施形態では、ＢＭＩ（Body Mass Index、ボディマス指数）、性別、身長、体重、年齢等が入力される。

生体情報４３０及び状態情報４４０は、一定時間、継続して、あるいは、断続的に収集される。図４に示すように、生体情報４３０及び状態情報４４０を収集する間、被検者１１１＿１は、タスクセッションと休憩セッションとを繰り返す。

タスクセッションとは、被検者１１１＿１が所定のタスクを実行するセッションである。休憩セッションとは、被検者１１１＿１が休憩コンテンツを実行するセッションである。休憩セッションにおいて被検者１１１＿１が実行する休憩コンテンツ及び休憩時間の組み合わせは様々である。

生体情報４３０は、被検者１１１＿１がタスクセッションと休憩セッションとを繰り返す間、継続して測定される情報である。本実施形態において、生体情報４３０には、脳波情報、心電図情報、呼吸情報、心拍情報、皮膚温情報等が含まれ、上述したように、脳波計、心電計、呼吸測定器、心拍計、皮膚温計等を用いて測定される。なお、測定された生体情報４３０は、被検者端末１１０＿１に通知される。

状態情報４４０は、被検者１１１＿１がタスクセッションと休憩セッションとを繰り返す間、断続的に収集される情報である。状態情報４４０とは、被検者１１１＿１の人の状態を示す情報であり、本実施形態においては、所定のアンケート（被検者１１１＿１の人の状態に関する質問事項）に回答することで導出される主観情報である。なお、収集された状態情報４４０は、被検者端末１１０＿１に入力される。

＜被検者データに含まれる情報の具体例＞
次に、被検者データ（各種情報（生活習慣情報４１０、属性情報４２０、状態情報４４０）及び生体情報４３０）の具体例（ここでは、生体情報４３０のうちの脳波情報、心電図情報の具体例、及び、状態情報４４０の具体例）について説明する。

（１）脳波情報及び心電図情報
図５は、脳波情報及び心電図情報の具体例を示す図である。図５の上段に示すように、本実施形態で測定される脳波情報には、θ波、Ｌｏｗα波、Ｈｉｇｈα波、Ｌｏｗβ波、Ｈｉｇｈβ波、Ｌｏｗγ波、Ｍｉｄγ波が含まれる。

このうち、θ波は、前頭正中部で多く出現し、注意集中の客観的評価指標として用いられる情報である。Ｌｏｗα波、Ｈｉｇｈα波は、後頭部で多く出現し、リラックスしていることを示す指標として用いられる情報である。Ｌｏｗβ波、Ｈｉｇｈβ波は、前頭部で多く出現し、論理的な思考や議論・判断しているときの興奮した脳活動により現れ、心身ともに緊張した状態を示す指標として用いられる情報である。Ｌｏｗγ波、Ｍｉｄγ波は、前頭部で多く出現し、高次の脳機能活動を示す指標として用いられる情報である。

また、図５の下段に示すように、本実施形態で測定される心電図情報には、ＬＦ／ＨＦ、ＨＦ／（ＬＦ＋ＨＦ）が含まれる。ＬＦとは、低周波帯のパワースペクトルであり、交感神経と副交感神経の両方の活動が反映される情報である。ＨＦとは、高周波帯のパワースペクトルであり、副交感神経の活動が反映される情報である。

（２）状態情報
図６は状態情報の具体例を示す図である。上述したように、状態情報４４０は、所定のアンケートに回答することで導出される主観情報である。図６において、アンケート６００、６１０は、状態情報４４０を導出するための質問事項の一覧の具体例である。

このうち、アンケート６００の場合、質問事項に対して、被検者１１１＿１が、７段階のいずれに該当するかを回答することで主観情報が得られる。

具体的には、アンケート６００の場合、１番目と２番目の質問事項に対する回答に基づいて、状態情報４４０の"眠気"が特定される。また、アンケート６００の場合、３番目と４番目の質問事項に対する回答に基づいて、状態情報４４０の"全般的活性"が特定される。

また、アンケート６００の場合、５番目と６番目の質問事項に対する回答に基づいて、状態情報４４０の"リラックス"が特定される。また、アンケート６００の場合、７番目と８番目の質問事項に対する回答に基づいて、"緊張"が特定される。

また、アンケート６００の場合、９番目と１０番目の質問事項に対する回答に基づいて、状態情報４４０の"注意集中困難"が特定される。また、アンケート６００の場合、１１番目と１２番目の質問事項に対する回答に基づいて、状態情報４４０の"意欲減退"が特定される。

なお、状態情報４４０の"眠気"、"全般的活性"、"リラックス"、"緊張"、"注意集中困難"、"意欲減退"は、ＲＡＳ（Roken Arousal scale）と呼ばれる疲労・覚醒主観評価指標である。

一方、アンケート６１０の場合、生産性について、例えば、ＷＨＯ－ＨＰＱと呼ばれる、健康と労働パフォーマンスに関する質問事項に回答することで、状態情報の"生産性"が特定される。なお、ＷＨＯ－ＨＰＱとは、WHO-Health and Work Performance Questionnaire (short form) Japanese editionのことを指す。

＜被検者データの具体例＞
次に、被検者端末１１０＿１によって取得され、休憩レコメンド装置１２０のデータ格納部１２３に格納される、被検者データの具体例について説明する。図７は、被検者データの具体例を示す図である。

図７に示すように、データ格納部１２３に格納される被検者データ７００には、情報の項目として、"生活習慣情報"、"属性情報"、"生体情報"、"状態情報"、"休憩コンテンツ及び休憩時間"が含まれる。

"生活習慣情報"には、生活習慣情報４１０に含まれる項目について、被検者１１１＿１によって入力された内容が格納される。

"属性情報"には、属性情報４２０に含まれる項目について、被検者１１１＿１によって入力された内容が格納される。

"生体情報"には、被検者１１１＿１について測定された生体情報４３０として、脳波情報、心電図情報、呼吸情報、心拍情報、皮膚温情報等が格納される。

"状態情報"には、被検者１１１＿１がアンケート６００、６１０に回答したことで特定された状態情報４４０の各項目が格納される。

"休憩コンテンツ及び休憩時間"には、休憩セッションにおいて被検者１１１＿１が休憩をとった際の休憩コンテンツと、休憩時間とが格納される。

＜状態推定モデルの学習方法＞
次に、状態推定モデル学習部１３１による状態推定モデルの学習方法について説明する。図８Ａは、状態推定モデルの学習方法の一例を示す図である。図８Ａに示すように、状態推定モデル学習部１３１は、入力部８０１、状態推定モデル８０２、比較／変更部８０３を有する。

入力部８０１は、学習用データ格納部１２４に格納された、第１学習装置１３０にて用いられる学習用データを読み出す。図８Ａに示すように、第１学習装置１３０にて用いられる学習用データには、被検者１１１＿１～１１１＿Ｎの被検者データ７００等のうち、生活習慣情報、属性情報、生体情報、状態情報が含まれる。

入力部８０１では、読み出した第１学習装置１３０にて用いられる学習用データのうち、生活習慣情報、属性情報、生体情報を状態推定モデル８０２に入力する。

状態推定モデル８０２は、任意の機械学習モデル（例えば、ニューラルネットワークを用いてバックプロパゲーションにより学習を行うモデル）により構成される。状態推定モデル８０２は、入力された生活習慣情報、属性情報、生体情報に基づいて、出力データを出力する。

比較／変更部８０３には、学習用データ格納部１２４に格納された第１学習装置１３０にて用いられる学習用データのうちの状態情報（ただし、ここでは、"生産性"を除く状態情報）と、状態推定モデル８０２より出力された出力データとが入力される。比較／変更部８０３は、状態推定モデル８０２より出力された出力データが、状態情報に近づくように、状態推定モデル８０２のモデルパラメータを更新する。

このように、状態推定モデル学習部１３１が状態推定モデルに対して学習処理を行うことで、モデルパラメータが最適化された状態推定モデル８０２が生成される。なお、生成された状態推定モデル８０２は、状態推定モデル格納部１３３に格納される。

＜生産性推定モデルの学習方法＞
次に、生産性推定モデル学習部１３２による生産性推定モデルの学習方法について説明する。図８Ｂは、生産性推定モデルの学習方法の一例を示す図である。図８Ｂに示すように、生産性推定モデル学習部１３２は、入力部８１１、生産性推定モデル８１２、比較／変更部８１３を有する。

入力部８１１は、学習用データ格納部１２４に格納された、第１学習装置１３０にて用いられる学習用データを読み出す。図８Ｂに示すように、第１学習装置１３０にて用いられる学習用データには、被検者１１１＿１～１１１＿Ｎの被検者データ７００等のうち、状態情報が含まれる。

入力部８１１では、読み出した第１学習装置１３０にて用いられる学習用データのうち、状態情報の"眠気"、"全般的活性"、"リラックス"、"緊張"、"注意集中困難"、"意欲減退"を生産性推定モデル８１２に入力する。

生産性推定モデル８１２は、任意の機械学習モデル（例えば、ニューラルネットワークを用いてバックプロパゲーションにより学習を行うモデル）により構成される。生産性推定モデル８１２は、入力された状態情報の"眠気"、"全般的活性"、"リラックス"、"緊張"、"注意集中困難"、"意欲減退"に基づいて、出力データを出力する。

比較／変更部８１３には、学習用データ格納部１２４に格納された第１学習装置１３０にて用いられる学習用データのうちの状態情報の"生産性"と、生産性推定モデル８１２より出力された出力データとが入力される。比較／変更部８１３は、生産性推定モデル８１２より出力された出力データが、状態情報の"生産性"に近づくように、生産性推定モデル８１２のモデルパラメータを更新する。

このように、生産性推定モデル学習部１３２が生産性推定モデルに対して学習処理を行うことで、モデルパラメータが最適化された生産性推定モデル８１２が生成される。なお、生成された生産性推定モデル８１２は、生産性推定モデル格納部１３４に格納される。

＜状態改善モデルの学習方法＞
次に、状態改善モデル学習部１４１による状態改善モデルの学習方法について説明する。図９は、状態改善モデルの学習方法の一例を示す第１の図である。図９に示すように、状態改善モデル学習部１４１は、集計部９０１、状態改善モデル９０２、集計部９０３を有する。

集計部９０１は、学習用データ格納部１２４に格納された第２学習装置１４０にて用いられる学習用データを読み出す。図９に示すように、第２学習装置１４０にて用いられる学習用データには、被検者１１１＿１～１１１＿Ｎの被検者データ７００等に基づいて算出された差分データが含まれる。差分データは、被検者１１１＿１～１１１＿Ｎの被検者データ７００等の状態情報（ただし、ここでは、"生産性"を除く）のうち、
・休憩前のタイミングで取得された状態情報と、
・休憩後のタイミングで取得された状態情報と、
を抽出し、両者の差分を算出することで生成される。なお、休憩前のタイミングで取得された状態情報とは、休憩セッションに移行する直前のタスクセッションにおいてアンケートに回答することで導出された主観情報である。また、休憩後のタイミングで取得された状態情報とは、タスクセッションに移行する直前の休憩セッションにおいてアンケートに回答することで導出された主観情報である。

集計部９０１は、第２学習装置１４０にて用いられる学習用データに含まれる、被検者１１１＿１～１１１＿Ｎの被検者データ７００等に基づいて算出された差分データを集計する。これにより、集計部９０１は、被検者１１１＿１～１１１＿Ｎの休憩前後の人の状態の改善幅を、休憩コンテンツごとに集計することができる。なお、休憩前後の人の状態の改善幅には、
・休憩前後の「眠気」の改善幅、
・休憩前後の「全般的活性」の改善幅、
・休憩前後の「リラックス」の改善幅、
・休憩前後の「緊張」の改善幅、
・休憩前後の「注意集中困難」の改善幅、
・休憩前後の「意欲減退」の改善幅、
が含まれる。

集計部９０３は、学習用データ格納部１２４に格納された、第２学習装置１４０にて用いられる学習用データを読み出す。図９に示すように、第２学習装置１４０にて用いられる学習用データには、被検者１１１＿１～１１１＿Ｎの被検者データ７００等から抽出された、休憩コンテンツ及び休憩時間が含まれる。上述したように、休憩コンテンツ及び休憩時間は、休憩セッションにおいて被検者１１１＿１～１１１＿Ｎが休憩した際に実行した休憩コンテンツと、休憩時間とが含まれる。

集計部９０３は、第２学習装置１４０にて用いられる学習用データに含まれる、被検者１１１＿１～１１１＿Ｎの休憩時間を、休憩コンテンツごとに集計する。

状態改善モデル９０２は、集計部９０１により、休憩コンテンツごとに集計された、休憩前後の人の状態の改善幅と、集計部９０３により、休憩コンテンツごとに集計された、休憩時間とを対応付ける。休憩コンテンツごとに、休憩前後の人の状態の改善幅と休憩時間とが対応付けられた状態改善モデル９０２は、状態改善モデル格納部１４２に格納される。

＜状態改善モデルの具体例＞
次に、状態改善モデル９０２の具体例について説明する。図１０は、状態改善モデルの具体例を示す図である。図１０に示すように、状態改善モデル９０２は、情報の項目として、"休憩コンテンツ"、"状態の改善幅"、"休憩時間"が含まれる。

"休憩コンテンツ"には、対象者の人の状態を改善させる効果を有する行動及び環境変化が含まれる。

図１０の例は、対象者の人の状態を改善させるための効果を有する行動として、仮眠、カフェイン摂取、歩行、ランニングが例示されている。なお、対象者の人の状態を改善させるための効果を有する行動は、これらに限定されず、例えば、食事等が含まれていてもよい。

また、図１０の例は、対象者の人の状態を改善させるための効果を有する環境変化として、対象者の作業空間における温熱調整が例示されている。なお、対象者の人の状態を改善させるための効果を有する環境変化は温熱環境の変化に限定されず、例えば、照度環境、芳香環境、音響環境、気流環境、視覚環境等の変化が含まれていてもよい。

"状態の改善幅"には、休憩前後の人の状態の改善幅が含まれる。図１０の例は、休憩前後の人の状態の改善幅のうち、休憩コンテンツごとに集計された、休憩前後の「眠気」、「全般的活性」、「リラックス」、「緊張」、「注意集中困難」、「意欲減退」の改善幅が例示されている。

"休憩時間"には、休憩コンテンツごとに集計された休憩時間が含まれる。

＜休憩レコメンドシステムのシステム構成＞
次に、レコメンドフェーズにおける休憩レコメンドシステムのシステム構成について説明する。図１１は、レコメンドフェーズにおける休憩レコメンドシステムのシステム構成の一例を示す図である。

図１１に示すように、レコメンドフェーズにおける休憩レコメンドシステム１１００は、
・対象者１１１１が操作する対象者端末１１１０と、
・休憩レコメンド装置１２０と、
を有する。レコメンドフェーズにおける休憩レコメンドシステム１１００において、対象者端末１１１０と、休憩レコメンド装置１２０とは、ネットワーク１１３０を介して通信可能に接続される。

対象者端末１１１０は、対象者１１１１がタスクを行うための端末である。対象者端末１１１０は、対象者１１１１がタスクを開始する前に入力される、対象者１１１１の生活習慣情報及び属性情報を受け付ける。また、対象者端末１１１０は、タスク中または休憩中に対象者１１１１について測定された生体情報を取得する。

また、対象者端末１１１０は、受け付けた生活習慣情報及び属性情報、取得した生体情報を、ネットワーク１１３０を介して休憩レコメンド装置１２０に送信する。

上述したように、休憩レコメンド装置１２０には、生成プログラムと休憩レコメンドプログラムとがインストールされており、レコメンドフェーズにおいては、このうち、休憩レコメンドプログラムが実行される。これにより、休憩レコメンド装置１２０は、データ取得部１１２１、状態推定部１１２２、生産性推定部１１２３、判定部１１２４、状態改善部１１２５、比較評価部１１２６、表示部１１２７として機能する。

データ取得部１１２１は、対象者端末１１１０から送信された、対象者１１１１の生活習慣情報及び属性情報、生体情報を取得し、状態推定部１１２２に通知する。

状態推定部１１２２は、状態推定モデル格納部１３３に格納された状態推定モデル８０２を読み出す。また、状態推定部１１２２は、データ取得部１１２１より通知された、生活習慣情報及び属性情報、生体情報を入力することで、対象者１１１１の状態情報（ただし、ここでは、"生産性"を除く状態情報）を推定する。

また、状態推定部１１２２は、推定した状態情報を、生産性推定部１１２３及び状態改善部１１２５に通知する。

生産性推定部１１２３は、生産性推定モデル格納部１３４に格納された生産性推定モデル８１２を読み出し、状態推定部１１２２により推定された対象者１１１１の状態情報を入力することで、対象者１１１１の現在の生産性を推定する。

また、生産性推定部１１２３は、後述する状態改善部１１２５より通知された、各休憩コンテンツに対応する、休憩後の対象者１１１１の状態予測値を入力することで、対象者１１１１の休憩後の生産性予測値を、休憩コンテンツごとに推定する。

判定部１１２４は、生産性推定部１１２３により推定された対象者１１１１の現在の生産性について判定する。判定部１１２４は、対象者１１１１の現在の生産性が、休憩が必要なレベルまで低下していると判定した場合には、状態改善部１１２５に、対象者１１１１の休憩が必要であることを通知する。

状態改善部１１２５は、判定部１１２４より、対象者１１１１の休憩が必要であることが通知されると、状態改善モデル格納部１４２より、状態改善モデル９０２を読み出す。また、状態改善部１１２５は、読み出した状態改善モデル９０２に基づいて、状態推定部１１２２により推定された現在の対象者１１１１の人の状態から、休憩後の対象者１１１１の状態予測値を、休憩コンテンツごとに算出する。また、状態改善部１１２５は、算出した休憩コンテンツごとの休憩後の対象者１１１１の状態予測値を生産性推定部１１２３に通知する。

また、状態改善部１１２５は、状態改善モデル格納部１４２より読み出した状態改善モデル９０２に含まれる各休憩コンテンツの休憩時間を、比較評価部１１２６に通知する。

比較評価部１１２６は、
・生産性推定部１１２３より通知された休憩コンテンツごとの休憩後の対象者１１１１の生産性予測値と、
・状態改善部１１２５より通知された休憩コンテンツごとの休憩時間と、
に基づいて、対象者１１１１に推奨する休憩コンテンツ及び休憩時間を決定する。

比較評価部１１２６では、例えば、生産性予測値が基準値まで回復する休憩コンテンツであって、休憩時間が最小となる休憩コンテンツを、対象者１１１１に推奨する休憩コンテンツとして決定してもよい。

表示部１１２７は、決定された休憩コンテンツ及び休憩時間を、ネットワーク１１３０を介して対象者端末１１１０に送信することで、当該決定された休憩コンテンツ及び休憩時間を対象者１１１１にレコメンドする。

＜休憩レコメンドシステムにおける処理の流れ＞
次に、休憩レコメンドシステム１００、１１００における処理の流れについて説明する。

（１）学習処理の流れ
はじめに、休憩レコメンドシステム１００における学習処理の流れについて説明する。図１２は、休憩レコメンドシステムにおける学習処理の流れを示すフローチャートである。

ステップＳ１２０１において、休憩レコメンド装置１２０は、被検者端末１１０＿１～１１０＿Ｎより被検者データ７００等を収集する。

ステップＳ１２０２において、休憩レコメンド装置１２０は、収集した被検者データ７００等から、第１学習装置１３０にて用いられる学習用データを生成する。

ステップＳ１２０３において、第１学習装置１３０は、第１学習装置１３０にて用いられる学習用データを用いて状態推定モデル８０２及び生産性推定モデル８１２を生成する。

ステップＳ１２０４において、休憩レコメンド装置１２０は、収集した被検者データ７００等から、第２学習装置１４０にて用いられる学習用データを生成する。

ステップＳ１２０５において、第２学習装置１４０は、第２学習装置１４０にて用いられる学習用データを用いて状態改善モデル９０２を生成する。

（２）休憩レコメンド処理の流れ
次に、休憩レコメンドシステム１１００における休憩レコメンド処理の流れについて説明する。図１３は、休憩レコメンドシステムにおける休憩レコメンド処理の流れを示すフローチャートである。

ステップＳ１３０１において、休憩レコメンド装置１２０は、対象者１１１１の生活習慣情報及び属性情報を取得する。

ステップＳ１３０２において、休憩レコメンド装置１２０は、対象者１１１１がタスクを開始したことに応じて、対象者１１１１の生体情報の取得を開始する。

ステップＳ１３０３において、休憩レコメンド装置１２０は、取得した生活習慣情報及び属性情報と、取得した生体情報とに基づいて、対象者１１１１の人の状態を推定する。また、休憩レコメンド装置１２０は、推定した対象者１１１１の人の状態に基づいて、対象者１１１１の現在の生産性を推定する。

ステップＳ１３０４において、休憩レコメンド装置１２０は、推定した現在の生産性に基づいて、対象者１１１１の休憩の要否を判定する。

ステップＳ１３０４において、対象者１１１１の休憩が必要でないと判定した場合には（ステップＳ１３０４においてＮＯの場合には）、ステップＳ１３０７に進む。

一方、ステップＳ１３０４において、対象者１１１１の休憩が必要であると判定した場合には（ステップＳ１３０４においてＹＥＳの場合には）、ステップＳ１３０５に進む。

ステップＳ１３０５において、休憩レコメンド装置１２０は、休憩コンテンツごとに、現在の対象者１１１１の人の状態から、休憩後の対象者１１１１の状態予測値を推定する。また、休憩レコメンド装置１２０は、休憩コンテンツごとに推定した休憩後の対象者１１１１の状態予測値に基づいて、休憩後の対象者１１１１の生産性を、休憩コンテンツごとに推定する。

ステップＳ１３０６において、休憩レコメンド装置１２０は、休憩コンテンツごとに推定した休憩後の対象者１１１１の生産性と、休憩コンテンツごとの休憩時間とに基づいて、対象者１１１１に推奨する休憩コンテンツ及び休憩時間を決定する。また、休憩レコメンド装置１２０は、決定した休憩コンテンツを対象者端末１１１０に送信することで、決定した休憩コンテンツ及び休憩時間を、対象者１１１１にレコメンドする。

ステップＳ１３０７において、休憩レコメンド装置１２０は、休憩レコメンド処理を終了するか否かを判定する。ステップＳ１３０７において、休憩レコメンド処理を継続すると判定した場合には（ステップＳ１３０７においてＮＯの場合には）、ステップＳ１３０３に戻る。

一方、ステップＳ１３０７において、休憩レコメンド処理を終了すると判定した場合には（ステップＳ１３０７においてＹＥＳの場合には）、休憩レコメンド処理を終了する。

＜まとめ＞
以上の説明から明らかなように、第１の実施形態に係る休憩レコメンドシステム１１００は、
・人の状態を改善させる効果を有する複数の休憩コンテンツから、対象者の人の状態に応じた休憩コンテンツを選択する。
・選択した休憩コンテンツを出力する。

このように、第１の実施形態によれば、対象者１１１１の人の状態に応じた休憩コンテンツを選択することができるため、対象者１１１１の人の状態に適した適切な休憩コンテンツを提供することができる。

［第２の実施形態］
上記第１の実施形態では、第２学習装置１４０にて用いられる学習用データを生成する際、被検者１１１＿１～１１１＿Ｎの被検者データ７００等に基づいて差分データ（休憩前の状態情報と休憩後の状態情報との差分）を算出した。また、被検者１１１＿１～１１１＿Ｎの被検者データ７００等から、休憩コンテンツ及び休憩時間を抽出した。

更に、上記第１の実施形態では、第２学習装置１４０にて用いられる学習用データに基づいて、算出した差分データを休憩コンテンツごとに集計するとともに、抽出した休憩時間を休憩コンテンツごとに集計した。そして、両者を対応付けることで、状態改善モデル９０２を生成した。

これに対して、第２の実施形態では、第２学習装置１４０にて用いられる学習用データとして、休憩コンテンツごとの、被検者１１１＿１～１１１＿Ｎの休憩前の状態情報と、休憩後の状態情報及び休憩時間とが含まれる学習用データを生成する。また、第２の実施形態では、第２学習装置１４０にて用いられる学習用データを用いて、休憩コンテンツごとに状態改善モデルについて学習処理を行う。以下、第２の実施形態について、上記第１の実施形態との相違点を中心に説明する。

＜状態改善モデルの学習方法＞
はじめに、第２の実施形態における状態改善モデル学習部による状態改善モデルの学習方法について説明する。図１４は、状態改善モデルの学習方法の一例を示す第２の図である。図１４に示すように、状態改善モデル学習部１４００は、入力部１４０１、状態改善モデル群１４０２、比較／変更部１４０３を有する。

入力部１４０１は、学習用データ格納部１２４に格納された、第２学習装置１４０にて用いられる学習用データを読み出す。図１４に示すように、第２の実施形態において、第２学習装置１４０にて用いられる学習用データは、被検者１１１＿１～１１１＿Ｎの被検者データから、
・休憩前の状態情報（ただし、ここでは、"生産性"を除く状態情報）、
・休憩後の状態情報（ただし、ここでは、"生産性"を除く状態情報）、
・休憩時間、
を、休憩コンテンツごとに抽出することで生成される。

入力部１４０１は、第２学習装置１４０にて用いられる学習用データに含まれる、所定の休憩コンテンツに対応付けられた休憩前の状態情報を読み出し、状態改善モデル群１４０２に含まれる、対応する休憩コンテンツの状態改善モデルに入力する。

状態改善モデル群１４０２は、任意の機械学習モデル（例えば、ニューラルネットワークを用いてバックプロパゲーションにより学習を行うモデル）により構成され、入力された休憩前の状態情報に基づいて、出力データを出力する。

比較／変更部１４０３には、学習用データ格納部１２４に格納された、第２学習装置１４０にて用いられる学習用データに含まれる、所定の休憩コンテンツに対応付けられた休憩後の状態情報及び休憩時間が入力される。比較／変更部１４０３は、所定の休憩コンテンツに対応する状態改善モデルより出力された出力データが、所定の休憩コンテンツに対応付けられた休憩後の状態情報及び休憩時間に近づくように、状態改善モデルのモデルパラメータを更新する。

このように、状態改善モデル学習部１４００が、各状態推定モデルに対して学習処理を行うことで、モデルパラメータが最適化された状態改善モデル群１４０２が生成される。なお、生成された状態改善モデル群１４０２は、状態改善モデル格納部１４２に格納される。

＜まとめ＞
以上の説明から明らかなように、第２の実施形態に係る休憩レコメンドシステムは、上記第１の実施形態に係る休憩レコメンドシステムと同様の構成を有しつつ、状態改善モデル学習部による状態改善モデル群の生成を、学習処理により実現する構成とした。

これにより、第２の実施形態に係る休憩レコメンドシステムによれば、上記第１の実施形態に係る休憩レコメンドシステムと同様の効果を奏しつつ、更に、休憩後の対象者の状態予測値を精度よく推定することができる。

［その他の実施形態］
上記各実施形態では、状態情報４４０として、疲労・覚醒主観評価指標であるＲＡＳ（Roken Arousal scale）を用いる場合について説明した。しかしながら、状態情報４４０は、ＲＡＳ以外の評価指標（例えば、ＶＡＳ（Visual Analog Scale））が用いられてもよい。なお、ＶＡＳが用いられる場合、状態情報４４０には、例えば、"疲労"、"覚醒"、"ストレス"等の項目が含まれることになる。

また、上記各実施形態では、休憩時間の詳細について言及しなかったが、当該休憩時間には、休憩コンテンツ自体の実行時間だけでなく、休憩コンテンツを実行するのにかかる時間が含まれてもよい。ここでいう休憩コンテンツを実行するのにかかる時間には、休憩コンテンツを実行するのにかかる移動時間、機材準備、着替え、後片付けの少なくとも１つを実行するのにかかる時間が含まれる。また、休憩時間に代えて、休憩時間以外の要素（例えば、休憩コンテンツを実行するための費用等）も含む"コスト"が用いられてもよい。

また、上記各実施形態では、休憩後の生産性予測値と、休憩時間とに基づいて、対象者１１１１に推奨する休憩コンテンツ及び休憩時間を決定し、表示する構成とした。しかしながら、対象者１１１１への提供方法はこれに限定されない。

例えば、休憩コンテンツごとの、休憩後の生産性予測値及び休憩時間の一覧を対象者１１１１に提供してもよい。この場合、対象者１１１１は、一覧表示された休憩後の生産性予測値及び休憩時間の中から、休憩コンテンツ及び休憩時間を選択する。

あるいは、休憩後の生産性予測値を基準値まで回復させる休憩コンテンツについて、休憩後の生産性予測値及び休憩時間の一覧を対象者１１１１に提供してもよい。この場合、対象者１１１１は、一覧表示された休憩後の生産性予測値及び休憩時間の中から、休憩コンテンツ及び休憩時間を選択する。

あるいは、休憩後の生産性予測値を基準値まで回復させる休憩コンテンツについて、休憩後の生産性予測値と、休憩時間とを重み付け加算することで評価値を算出してもよい。更に、評価値の高い上位ｍ個（ｍは１以上の整数）の休憩コンテンツ及び休憩時間について、休憩後の生産性予測値及び休憩時間の一覧を、対象者１１１１に提供してもよい。この場合、対象者１１１１は、一覧表示された休憩後の生産性予測値及び休憩時間の中から、休憩コンテンツ及び休憩時間を選択する。あるいは、評価値が最も高い休憩コンテンツ及び休憩時間を、対象者１１１１に提供してもよい。

また、上記各実施形態では、休憩後の生産性予測値と、休憩時間とに基づいて、対象者１１１１に推奨する休憩コンテンツ及び休憩時間を決定する構成とした。しかしながら、休憩コンテンツ及び休憩時間の決定方法はこれに限定されない。

例えば、対象者の人の状態を基準値まで改善させる改善幅を有する休憩コンテンツのうち、休憩時間が最小となる休憩コンテンツを、対象者１１１１に推奨する休憩コンテンツとして決定してもよい。なお、この場合、基準値は、対象者の人の状態の改善幅を決定するための値を指す。

あるいは、対象者の人の状態を基準値まで改善させる改善幅を有する休憩コンテンツについて、改善幅及び休憩時間の一覧を対象者１１１１に提供してもよい。この場合、対象者１１１１は、一覧表示された改善幅及び休憩時間の中から、休憩コンテンツ及び休憩時間を選択する。

あるいは、対象者の人の状態を基準値まで改善させる改善幅を有する休憩コンテンツについて、改善幅と、休憩時間とを重み付け加算することで評価値を算出してもよい。更に、評価値の高い上位ｍ個（ｍは１以上の整数）の休憩コンテンツ及び休憩時間について、改善幅及び休憩時間の一覧を、対象者１１１１に提供してもよい。この場合、対象者１１１１は、一覧表示された改善幅及び休憩時間の中から、休憩コンテンツ及び休憩時間を選択する。あるいは、評価値が最も高い休憩コンテンツ及び休憩時間を、対象者１１１１に推奨する休憩コンテンツ及び休憩時間として決定してもよい。

なお、これらの決定方法の場合、対象者の休憩前の人の状態とは、対象者の人の状態が所定の基準値以下となっている状態を指す。また、対象者の休憩後の人の状態とは、休憩コンテンツを実行することにより対象者の人の状態が改善した状態を指す。

また、上記各実施形態では、被検者データ７００に基づいて学習用データを生成し、生成した学習用データを用いて学習処理を行うことで、状態推定モデル、生産性推定モデル、状態改善モデルを生成する場合について説明した。しかしながら、状態推定モデル、生産性推定モデル、状態改善モデルの生成方法はこれに限定されない。例えば、対象者１１１１から状態情報を取得し、生活習慣情報、属性情報、生体情報と対応付けることで学習用データに追加してもよい。更に、追加後の学習用データを用いて対象者個別に再学習処理を行うことで、状態推定モデル、生産性推定モデル、状態改善モデルを更新してもよい。

また、上記各実施形態では、状態推定モデル、生産性推定モデル、状態改善モデルが機械学習モデルである場合について言及したが、状態推定モデル、生産性推定モデル、状態改善モデルは、重回帰モデル等の線形モデルであってもよい。

以上、実施形態を説明したが、特許請求の範囲の趣旨及び範囲から逸脱することなく、形態や詳細の多様な変更が可能なことが理解されるであろう。

１００ ：休憩レコメンドシステム
１１０＿１～１１０＿Ｎ ：被検者端末
１２０ ：休憩レコメンド装置
１２１ ：データ収集部
１２２ ：学習用データ生成部
１３０ ：第１学習装置
１３１ ：状態推定モデル学習部
１３２ ：生産性推定モデル学習部
１４０ ：第２学習装置
１４１ ：状態改善モデル学習部
４１０ ：生活習慣情報
４２０ ：属性情報
４３０ ：生体情報
４４０ ：状態情報
７００ ：被検者データ
８０２ ：状態推定モデル
８１２ ：生産性推定モデル
９０２ ：状態改善モデル
１１００ ：休憩レコメンドシステム
１１１０ ：対象者端末
１１２１ ：データ取得部
１１２２ ：状態推定部
１１２３ ：生産性推定部
１１２４ ：判定部
１１２５ ：状態改善部
１１２６ ：比較評価部
１１２７ ：表示部
１４００ ：状態改善モデル学習部
１４０２ ：状態改善モデル群

Claims (20)

1. 制御部を備える休憩レコメンド装置であって、
   前記制御部は、
   複数の被検者の休憩前後の人の状態の改善幅が休憩コンテンツごとに集計されることで生成された状態改善モデルを用いることにより、各休憩コンテンツについて、休憩後の対象者の人の状態を推定し、
   推定した休憩後の対象者の人の状態に基づいて、前記対象者の人の状態に応じた休憩コンテンツを選択し、
   選択した休憩コンテンツを出力する、
   休憩レコメンド装置。
2. 前記制御部は、
   前記対象者に、前記選択した休憩コンテンツを表示する、
   請求項１に記載の休憩レコメンド装置。
3. 前記状態改善モデルは、
   複数の被検者の休憩前後の人の状態の改善幅が休憩コンテンツごとに集計され、更に、前記複数の被検者が各休憩コンテンツを実行するのにかかったコストが集計されることで生成される、請求項１に記載の休憩レコメンド装置。
4. 前記制御部は、
   前記状態改善モデルを用いることにより、各休憩コンテンツについて、前記対象者の人の状態の改善幅と前記対象者が実行するのにかかるコストとを特定し、特定した前記対象者の人の状態の改善幅と特定した前記コストとに基づいて、各休憩コンテンツについて、休憩後の対象者の人の状態を推定し、推定した休憩後の対象者の人の状態に基づいて、前記対象者の人の状態に応じた休憩コンテンツを選択する、
   請求項３に記載の休憩レコメンド装置。
5. 前記制御部は、
   特定した前記対象者の人の状態の改善幅と特定した前記コストとに基づいて、前記対象者の人の状態の改善幅を決定するための基準値を有し、かつ、前記コストが最小の休憩コンテンツを選択する、請求項４に記載の休憩レコメンド装置。
6. 前記集計されるコストには、前記被検者が前記各休憩コンテンツ自体を実行するのにかかった時間と、前記被検者が前記各休憩コンテンツを実行するのにかかった移動時間、機材準備、着替え、後片付けの少なくとも１つを実行するのにかかった時間と、前記各休憩コンテンツを実行するための費用とが含まれる、請求項３に記載の休憩レコメンド装置。
7. 前記制御部は、
   複数の被検者の休憩前の人の状態と、休憩後の人の状態と、前記複数の被検者が実行するのにかかったコストとが含まれる、休憩コンテンツごとの第１の学習用データにより学習された各状態改善モデルを用いることにより、各休憩コンテンツについて、前記対象者の休憩後の人の状態と前記対象者が実行するのにかかるコストとを特定する、
   請求項１に記載の休憩レコメンド装置。
8. 前記対象者の休憩前の人の状態とは、対象者の人の状態がある基準値以下となっている状態を指し、前記休憩後の人の状態とは、休憩コンテンツを実行することにより対象者の人の状態が改善した状態を指す、請求項７に記載の休憩レコメンド装置。
9. 前記制御部は、
   複数の被検者の生活習慣に関する情報と、前記複数の被検者の生体情報と、前記複数の被検者の属性情報と、前記複数の被検者の人の状態を示す主観情報とが含まれる第２の学習用データにより学習された状態推定モデルを用いることにより、前記対象者の人の状態を推定する、請求項１に記載の休憩レコメンド装置。
10. 前記制御部は、
    前記対象者の生活習慣に関する情報と、前記対象者の生体情報と、前記対象者の属性情報と、前記対象者の人の状態を示す主観情報とが前記第２の学習用データに追加された場合に、追加後の前記第２の学習用データを用いて、前記状態推定モデルを対象者個別に再学習する、請求項９に記載の休憩レコメンド装置。
11. 前記対象者の生活習慣に関する情報には、対象者の睡眠時間、運動頻度、食事タイミング、シフトワークの有無、夜勤の有無、日照時間、サーカディアンリズムの乱れの有無の少なくとも１つが含まれる、請求項１０に記載の休憩レコメンド装置。
12. 前記属性情報には、身長、体重、ＢＭＩ、性別、年齢の少なくとも１つが含まれる、請求項１０に記載の休憩レコメンド装置。
13. 前記主観情報には、眠気、全般的活性、リラックス、緊張、注意集中困難、意欲減退、疲労、覚醒、ストレス、生産性に関するアンケートの少なくとも１つが含まれる、請求項１０に記載の休憩レコメンド装置。
14. 前記休憩コンテンツには、前記対象者の人の状態を改善させる効果を有する行動が含まれる、請求項１に記載の休憩レコメンド装置。
15. 前記行動には、仮眠、カフェイン摂取、歩行、ランニング、食事が含まれる、請求項１４に記載の休憩レコメンド装置。
16. 前記休憩コンテンツには、前記対象者の人の状態を改善させる効果を有する環境の変化が含まれる、請求項１に記載の休憩レコメンド装置。
17. 前記環境には、前記対象者の作業空間の温熱環境、照度環境、芳香環境、音響環境、気流環境、視覚環境が含まれる、請求項１６に記載の休憩レコメンド装置。
18. 前記対象者の人の状態には、眠気、全般的活性、リラックス、緊張、注意集中困難、意欲減退、疲労、覚醒、ストレス、生産性のいずれか１つが含まれる、請求項１に記載の休憩レコメンド装置。
19. 制御部を備える休憩レコメンド装置による休憩レコメンド方法であって、
    前記制御部が、
    複数の被検者の休憩前後の人の状態の改善幅が休憩コンテンツごとに集計されることで生成された状態改善モデルを用いることにより、各休憩コンテンツについて、休憩後の対象者の人の状態を推定する工程と、
    推定した休憩後の対象者の人の状態に基づいて、前記対象者の人の状態に応じた休憩コンテンツを選択する工程と、
    選択した休憩コンテンツを出力する工程と
    を実行する休憩レコメンド方法。
20. 休憩レコメンド装置が備える制御部に、
    複数の被検者の休憩前後の人の状態の改善幅が休憩コンテンツごとに集計されることで生成された状態改善モデルを用いることにより、各休憩コンテンツについて、休憩後の対象者の人の状態を推定する工程と、
    推定した休憩後の対象者の人の状態に基づいて、前記対象者の人の状態に応じた休憩コンテンツを選択する工程と、
    選択した休憩コンテンツを出力する工程と
    を実行させるための休憩レコメンドプログラム。

Images