JP7480985B2 - 生活習慣推奨装置、生活習慣推奨方法、およびプログラム - Google Patents
生活習慣推奨装置、生活習慣推奨方法、およびプログラム Download PDFInfo
- Publication number
- JP7480985B2 JP7480985B2 JP2020053133A JP2020053133A JP7480985B2 JP 7480985 B2 JP7480985 B2 JP 7480985B2 JP 2020053133 A JP2020053133 A JP 2020053133A JP 2020053133 A JP2020053133 A JP 2020053133A JP 7480985 B2 JP7480985 B2 JP 7480985B2
- Authority
- JP
- Japan
- Prior art keywords
- execution information
- activity level
- user
- information
- input period
- 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
- 238000000034 method Methods 0.000 title claims description 37
- PWPJGUXAGUPAHP-UHFFFAOYSA-N lufenuron Chemical compound C1=C(Cl)C(OC(F)(F)C(C(F)(F)F)F)=CC(Cl)=C1NC(=O)NC(=O)C1=C(F)C=CC=C1F PWPJGUXAGUPAHP-UHFFFAOYSA-N 0.000 title 1
- 230000000694 effects Effects 0.000 claims description 201
- 238000004364 calculation method Methods 0.000 claims description 50
- 238000011156 evaluation Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000004622 sleep time Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 230000002618 waking effect Effects 0.000 description 4
- 208000013738 Sleep Initiation and Maintenance disease Diseases 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 235000019441 ethanol Nutrition 0.000 description 3
- 206010022437 insomnia Diseases 0.000 description 3
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 235000019504 cigarettes Nutrition 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010041349 Somnolence Diseases 0.000 description 1
- 230000036626 alertness Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 235000016213 coffee Nutrition 0.000 description 1
- 235000013353 coffee beverage Nutrition 0.000 description 1
- 238000009225 cognitive behavioral therapy Methods 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 235000006694 eating habits Nutrition 0.000 description 1
- 230000008921 facial expression Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000004630 mental health Effects 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000001671 psychotherapy Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Developmental Disabilities (AREA)
- Social Psychology (AREA)
- Hospice & Palliative Care (AREA)
- Psychology (AREA)
- Child & Adolescent Psychology (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Psychiatry (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Description
本発明は、生活習慣推奨装置、生活習慣推奨方法、およびプログラムに関する。
不眠に効果的な治療方法として、ＣＢＴ－Ｉ（不眠のための認知行動療法）が知られている。ＣＢＴ－Ｉは、睡眠に関連する認知や行動のクセを見直すことで、睡眠をコントロール可能にしていくことを目標とする心理療法である。
このような背景から、睡眠習慣を記録するアプリケーションが提供されている（特許文献１）。このアプリケーションによれば、自己の睡眠習慣を管理し、改善していくことができる。
特許文献１には、ユーザーが前記アプリケーションを使用することにより得られたデータに基づいて、睡眠の妨げになっているものを解析し、それを解消するためのアドバイス情報を生成することが記載されている。しかし、所定日数後における活性度を予測し、この活性度がより高くなるように、最適な睡眠習慣を推奨するものではなかった。なお、このような問題は、睡眠習慣に限らず、睡眠習慣を含む様々な生活習慣において、共通する問題である。
そこで、本発明は、所定日数後における活性度を予測し、この活性度がより高くなるように、最適な生活習慣を推奨するシステムの提供を目的とする。
前記目的を達成するために、本発明の生活習慣推奨装置は、
実行情報取得部、活性度算出部、推奨情報決定部、および、出力部を含み、
前記実行情報取得部は、ユーザーの、生活習慣の指標となる項目毎に実行した実行情報と、活性度とを、日付に紐づけて取得し、
前記活性度算出部は、予測入力期間における前記ユーザーの前記実行情報と前記活性度とから、前記予測入力期間から所定日数後における前記ユーザーの前記活性度を算出し、
前記推奨情報決定部は、前記算出された前記活性度がより高くなるように、前記所定日数後までの推奨実行情報を算出し、
前記出力部は、前記ユーザーに、前記推奨実行情報を出力する。
実行情報取得部、活性度算出部、推奨情報決定部、および、出力部を含み、
前記実行情報取得部は、ユーザーの、生活習慣の指標となる項目毎に実行した実行情報と、活性度とを、日付に紐づけて取得し、
前記活性度算出部は、予測入力期間における前記ユーザーの前記実行情報と前記活性度とから、前記予測入力期間から所定日数後における前記ユーザーの前記活性度を算出し、
前記推奨情報決定部は、前記算出された前記活性度がより高くなるように、前記所定日数後までの推奨実行情報を算出し、
前記出力部は、前記ユーザーに、前記推奨実行情報を出力する。
本発明の生活習慣推奨方法は、
実行情報取得工程、活性度算出工程、推奨情報決定工程、および、出力工程を含み、
前記実行情報取得工程は、ユーザーの、生活習慣の指標となる項目毎に実行した実行情報と、活性度とを、日付に紐づけて取得し、
前記活性度算出工程は、予測入力期間における前記ユーザーの前記実行情報と前記活性度とから、前記予測入力期間から所定日数後における前記対象ユーザーの前記活性度を算出し、
前記推奨情報決定工程は、前記算出された前記活性度がより高くなるように、前記所定日数後までの推奨実行情報を算出し、
前記出力工程は、前記ユーザーに、前記推奨実行情報を出力する。
実行情報取得工程、活性度算出工程、推奨情報決定工程、および、出力工程を含み、
前記実行情報取得工程は、ユーザーの、生活習慣の指標となる項目毎に実行した実行情報と、活性度とを、日付に紐づけて取得し、
前記活性度算出工程は、予測入力期間における前記ユーザーの前記実行情報と前記活性度とから、前記予測入力期間から所定日数後における前記対象ユーザーの前記活性度を算出し、
前記推奨情報決定工程は、前記算出された前記活性度がより高くなるように、前記所定日数後までの推奨実行情報を算出し、
前記出力工程は、前記ユーザーに、前記推奨実行情報を出力する。
本発明によれば、所定日数後における活性度を予測し、この活性度がより高くなるように、最適な生活習慣を推奨するシステムを提供することができる。
本発明の実施形態について説明する。なお、本発明は、以下の実施形態には限定されない。なお、以下の各図において、同一部分には、同一符号を付している。また、各実施形態の説明は、特に言及がない限り、互いの説明を援用できる。さらに、各実施形態の構成は、特に言及がない限り、組合せ可能である。
本発明において、前記生活習慣は、特に制限されず、例えば、睡眠習慣、勤務習慣（残業、早退等）、勉強習慣（勉強時間、勉強開始時間等）、運動習慣、および食習慣等があげられる。なお、前記生活習慣は、例えば、毎日の習慣でもよいし、これ以外の任意の期間における習慣でもよい。
［実施形態１］
本実施形態において、前記生活習慣が、睡眠習慣であり、且つ、毎日の習慣を管理する場合を例にあげて、説明する。ただし、本発明は、これらには制限されない。図１は、本実施形態の生活習慣推奨装置１０の一例の構成を示すブロック図である。生活習慣推奨装置１０は、実行情報取得部１１、活性度算出部１２、推奨情報決定部１３、および、出力部１４を含む。生活習慣推奨装置１０は、例えば、生活習慣推奨システムともいう。
本実施形態において、前記生活習慣が、睡眠習慣であり、且つ、毎日の習慣を管理する場合を例にあげて、説明する。ただし、本発明は、これらには制限されない。図１は、本実施形態の生活習慣推奨装置１０の一例の構成を示すブロック図である。生活習慣推奨装置１０は、実行情報取得部１１、活性度算出部１２、推奨情報決定部１３、および、出力部１４を含む。生活習慣推奨装置１０は、例えば、生活習慣推奨システムともいう。
生活習慣推奨装置１０は、例えば、前記各部を含む１つの生活習慣推奨装置でもよいし、前記各部が、通信回線網を介して接続可能な生活習慣推奨装置であってもよい。生活習慣推奨装置１０は、例えば、本発明のプログラムがインストールされた端末でもよい。前記端末は、例えば、携帯電話、スマートフォン、タブレット、パーソナルコンピューター（ＰＣ）等があげられる。生活習慣推奨装置１０は、例えば、端末とサーバーとを含み、前記端末とサーバーとが、通信回線網を介して接続可能でもよい。前記通信回線網は、例えば、インターネット回線、電話回線、ＬＡＮ（Local Area Network）、ＷｉＦｉ（Wireless Fidelity）等があげられる。
図２に、生活習慣推奨装置１０のハードウエア構成のブロック図を例示する。生活習慣推奨装置１０は、例えば、ＣＰＵ（中央処理装置）１０１、メモリ１０２、バス１０３、通信デバイス１０４、記憶装置１０５等を有する。生活習慣推奨装置１０の各部は、例えば、それぞれのインターフェイス（Ｉ／Ｆ）により、バス１０３を介して、接続されている。
ＣＰＵ１０１は、生活習慣推奨装置１０の全体の制御を担う。生活習慣推奨装置１０において、ＣＰＵ１０１により、例えば、本発明のプログラムやその他のプログラムが実行され、また、各種情報の読み込みや書き込みが行われる。具体的には、例えば、ＣＰＵ１０１が、実行情報取得部１１、活性度算出部１２、推奨情報決定部１３、および、出力部１４として機能する。
バス１０３は、例えば、外部機器とも接続できる。前記外部機器は、例えば、端末、外部記憶装置（外部データベース等）、プリンター等が挙げられる。生活習慣推奨装置１０は、例えば、バス１０３に接続された通信デバイス１０４により、通信回線網に接続でき、前記通信回線網を介して、前記外部機器と接続することもできる。
メモリ１０２は、例えば、メインメモリを含み、前記メインメモリは、主記憶装置ともいう。ＣＰＵ１０１が処理を行う際には、例えば、後述する記憶装置１０５に記憶されている本発明のプログラム等の種々の動作プログラムを、メモリ１０２が読み込み、ＣＰＵ１０１は、メモリ１０２からデータを受け取って、プログラムを実行する。前記メインメモリは、例えば、ＲＡＭ（ランダムアクセスメモリ）である。メモリ１０２は、例えば、さらに、ＲＯＭ（読み出し専用メモリ）を含む。
記憶装置１０５は、例えば、前記メインメモリ（主記憶装置）に対して、いわゆる補助記憶装置ともいう。前述のように、記憶装置１０５には、本発明のプログラムを含む動作プログラム１０６が格納されている。記憶装置１０５は、例えば、記憶媒体と、前記記憶媒体に読み書きするドライブとを含む。前記記憶媒体は、特に制限されず、例えば、内蔵型でも外付け型でもよく、ＨＤ（ハードディスク）、ＦＤ（フロッピー（登録商標）ディスク）、ＣＤ－ＲＯＭ、ＣＤ－Ｒ、ＣＤ－ＲＷ、ＭＯ、ＤＶＤ、フラッシュメモリー、メモリーカード等が挙げられ、前記ドライブは、特に制限されない。記憶装置１０５は、例えば、記憶媒体とドライブとが一体化されたハードディスクドライブ（ＨＤＤ）であってもよい。記憶装置１０５には、例えば、前述のように、動作プログラム１０６が格納される。また、記憶装置１０５は、例えば、後述する、実行情報、および活性度等の情報が格納されてもよい。
生活習慣推奨装置１０は、例えば、さらに、入力装置、およびディスプレイ等の出力装置を有していてもよい。前記入力装置は、例えば、タッチパネル、キーボード、マウス等である。前記ディスプレイは、例えば、ＬＥＤディスプレイ、液晶ディスプレイ等が挙げられる。
生活習慣推奨装置１０において、メモリ１０２および記憶装置１０５は、ユーザーからのアクセス情報およびログ情報、並びに、外部データベース（図示せず）から取得した情報を記憶することも可能である。
実行情報取得部１１は、ユーザーの、生活習慣の指標となる項目毎に実行した実行情報と、活性度とを、日付に紐づけて取得する。前記日付は、例えば、年月日である。ただし、これには制限されず、前記日付は、任意に設定された日からの経過日数等でもよい。
前記実行情報において、前記睡眠習慣の指標となる項目は、特に制限されず、例えば、睡眠の記録、および睡眠に関する補足情報等があげられ、具体的には、例えば、睡眠時間（実際に寝た時間）、入床時刻（布団に入った時刻）、入眠時刻（眠りに落ちた時刻）、覚醒時刻（目が覚めた時刻）、離床時刻（布団から出た時刻）、中途覚醒時間、睡眠効率（就床時間に対する睡眠時間の割合）、就寝前の行動、摂取した飲食物（酒、コーヒー、タバコ等）、昼寝の有無とその時間等があげられる。前記実行情報は、１つの前記項目を含んでもよいし、複数の前記項目を含んでもよい。
前記項目には、例えば、評価基準が設定されていてもよい。前記評価基準により、前記項目の具体的な内容を、評価することができる。前記評価基準は、例えば、一般的に良いとされる値に基づき、予め設定することができる。前記評価基準は、具体的には、例えば、平均睡眠時間が７～８時間の範囲であれば良い評価とする、就寝前のアルコール摂取は悪い評価とする、等があげられる。
前記実行情報は、例えば、さらに、後述する活性度の算出に用いるための補助情報を含んでもよい。前記補助情報は、例えば、前記ユーザーの個人属性データ等があげられ、具体的には、例えば、主訴（入眠困難、中途覚醒、早朝覚醒、熟眠感、およびこれらの数等）、アテネ不眠尺度（ＡＩＳ）の得点、性別、および年代等があげられる。
前記活性度は、ユーザーの活性の程度を示す値、およびユーザーの活性の程度を反映する値であり、特に制限されず、例えば、ユーザーの主観に基づくものでもよいし、センサ等により測定された値（生体値等）でもよいし、前記活性度を測定することが可能な任意のテストのテスト結果や、所定の目標の達成度等でもよい。前記活性度は、例えば、元気度、パフォーマンス、集中力、やる気、覚醒度（眠気の少なさ）、生産性、肌の調子、および、その日にどのくらい元気であったかを示すパラメータ等であってもよい。前記活性度は、例えば、ユーザーの日中の活性を示す値である。前記活性度は、例えば、３段階、５段階等とすることができる。
前記活性度の高さに関する基準は、例えば、予め設定されたものでもよいし、前記ユーザーにより任意に設定できてもよい。例えば、前記活性度が５段階である場合、前記活性度が「１」および「２」であれば前記活性度が「低い」、「３」であれば「通常」、ならびに「４」および「５」であれば「高い」と判断することができる。
前記実行情報、および前記活性度は、例えば、ユーザーの入力に基づき、取得してもよいし、前記センサ等から、直接取得してもよい。実行情報取得部１１は、例えば、取得したデータに基づき、前記実行情報を算出してもよい。なお、前記実行情報、および前記活性度のデータとしては、例えば、生活習慣推奨装置１０を用いた睡眠習慣の管理をユーザーが行うことにより、蓄積されたデータを、利用することができる。
図３は、ユーザーの端末における表示画面の一例を示す。図３（Ａ）において、ユーザーの前記端末への入力に基づき、７月６日～７月７日の前記実行情報として、睡眠時間、睡眠効率、布団に入った時刻、眠りについた時刻、目覚めた時刻、布団から出た時刻、中途覚醒時間、昼寝時間、および寝る前に摂取した飲食物が表示され、７月７日の前記活性度として、日中の元気度（図中、キャラクターの表情により５段階にスコア化して表示される）が表示されている。また、図３（Ｂ）において、２月１６日～２月２２日の前記実行情報として、睡眠時間が表示され、前記活性度として、日中の元気度が表示されている。
活性度算出部１２は、予測入力期間における前記ユーザーの前記実行情報と前記活性度とから、前記予測入力期間から所定日数後における前記ユーザーの前記活性度を算出する。前記予測入力期間および前記所定日数は、特に制限されず、例えば、前記ユーザーの入力に基づき、設定することができる。前記予測入力期間は、例えば、３～１０日間、および１週間等とすることができる。前記所定日数は、例えば、「近い将来」ということもでき、数日程度であり、具体的には、例えば、１日（前記予測入力期間の翌日）～７日、２日～７日、２日、および３日等とすることができる。
活性度算出部１２は、例えば、既定の算出方法に基づき、前記活性度を算出することができる。具体的には、例えば、前記評価基準により、前記予測入力期間における前記ユーザーの前記実行情報を評価し、この評価に基づき、前記活性度を算出することができる。
また、活性度算出部１２は、前記活性度の算出において、例えば、日付に紐づけて取得された前記実行情報と前記活性度とを含む標本情報を用いてもよい。前記標本情報は、例えば、前記ユーザーのデータでもよいし、前記ユーザー以外のデータでもよい。前記標本情報は、前記予測入力期間におけるデータでもよいし、前記予測入力期間以外の期間におけるデータでもよい。また、前記標本情報は、１人のデータでもよいし、複数人のデータでもよい。具体的には、例えば、まず、前記標本情報における前記実行情報および前記活性度から、既知の方法（例えば、特徴ベクトル同士の相関を用いる方法等）により、前記予測入力期間における前記ユーザーの前記実行情報および前記活性度と類似するデータを抽出する。そして、前記標本情報における、前記抽出された前記実行情報および前記活性度に紐づけられた期間から前記所定日数後における前記活性度を取得する。前記取得した前記活性度を、前記予測入力期間から所定日数後における前記ユーザーの前記活性度とすることができる。
また、活性度算出部１２は、前記活性度の算出において、例えば、前記予測入力期間における前記実行情報と前記活性度とを入力とし、前記予測入力期間から所定日数後における前記活性度を出力とする学習済みモデルを用いてもよい。前記学習済みモデルについては、後述する。
推奨情報決定部１３は、前記算出された前記活性度がより高くなるように、前記所定日数後までの推奨実行情報を算出する。
推奨情報決定部１３は、例えば、前記予測入力期間における前記実行情報を用いて、前記推奨実行情報を算出することができる。具体的には、例えば、前記予測入力期間における前記ユーザーの前記実行情報（例えば、平均値）について、前記評価基準による前記評価がより高くなるように変更し、これを前記推奨実行情報とすることができる。具体的には、例えば、平均睡眠時間が７時間未満であれば７時間以上の睡眠時間を推奨する、就寝前のアルコール摂取をしないように推奨する、等があげられる。
また、推奨情報決定部１３は、前記推奨実行情報の算出において、例えば、前記活性度を入力とし、前記推奨実行情報を出力とする学習済みモデルを用いてもよい。この場合、前記入力する前記活性度は、前記算出された前記活性度よりも高い値とすることができる。
推奨情報決定部１３は、例えば、前記算出された前記活性度が低いか否かを判定し、前記活性度が低い場合に、前記推奨実行情報を算出してもよい。これにより、前記ユーザーが、前記活性度が低い状態（悪い状態）を回避するための健康行動を、推奨することができる。そして、前記ユーザーは、将来の悪い状態を回避できることで、健やかな日々を過ごすことができる。さらに、悪い状態を回避できると認識することで、精神面でも良い効果があると期待できる。
出力部１４は、前記ユーザーに、前記推奨実行情報を出力する。前記出力された前記推奨実行情報は、例えば、通信デバイス１０４を介して、前記ユーザーの端末に送信されてもよいし、生活習慣推奨装置１０の前記ディスプレイ等に表示されてもよいし、ファイルに出力されてもよい。
出力部１４は、例えば、さらに、通知を出力してもよい。前記通知は、例えば、活性度算出部１２により算出された前記活性度が低い場合に、前記活性度が低いことの通知（「明日の元気度が低そうです！」等）があげられる。これにより、前記ユーザーが前記生活習慣を改善するための動機づけとすることができる。
次に、本実施形態の生活習慣推奨方法について、図４および図５を用いて説明する。図４は、前記生活習慣推奨方法の一例を示すフローチャートである。図５は、前記ユーザーの前記実行情報および前記活性度から、前記推奨実行情報を決定する一例を示す図である。本実施形態の生活習慣推奨方法は、例えば、図１の生活習慣推奨装置１０を用いて、次のように実施できる。なお、本実施形態の生活習慣推奨方法は、図１の生活習慣推奨装置１０の使用には限定されない。
まず、実行情報取得部１１により、ユーザーの、生活習慣の指標となる項目毎に実行した実行情報と、活性度とを、日付に紐づけて取得する（工程（Ａ１））。例えば、図５（Ａ）に示すように、前記予測入力期間である、「当日」の１日前～７日前の各日付において、前記ユーザーの前記実行情報（睡眠データ）と前記活性度とを、それぞれ、取得する。なお、図５（Ａ）において、「当日」とは、下記工程（Ａ２）による前記活性度の算出、および下記工程（Ａ３）～（Ａ４）による前記推奨実行情報の算出および出力を行う日を示す。
つぎに、活性度算出部１２により、前記予測入力期間における前記ユーザーの前記実行情報と前記活性度とから、前記予測入力期間から所定日数後における前記ユーザーの前記活性度を算出する（工程（Ａ２））。図５（Ａ）の例では、「当日」の１日後（前記予測入力期間から２日後）の日付において、前記活性度である元気度が算出されている。
つぎに、推奨情報決定部１３により、前記算出された前記活性度がより高くなるように、前記所定日数後までの推奨実行情報を算出する（工程（Ａ３））。図５（Ａ）の例では、「当日」の、前記推奨実行情報（睡眠データ）を算出する。
つぎに、出力部１４により、前記ユーザーに、前記推奨実行情報を出力し（工程（Ａ４））、終了する（ＥＮＤ）。
なお、図５（Ａ）の例では、前記予測入力期間から２日後の前記活性度が算出されている。ただし、これには制限されず、図５（Ｂ）に示すように、例えば、前記工程（Ａ２）において、前記予測入力期間から１日後の前記活性度を算出してもよい。この場合、例えば、図５（Ｂ）に示すように、前記工程（Ａ１）において、前記実行情報として、「当日」の１日前～７日前の各日付において、前記ユーザーの睡眠データを含むデータを取得する。そして、「当日」において、前記ユーザーの睡眠データ以外の前記実行情報のデータ（タバコの本数等）を取得する。つぎに、前記工程（Ａ２）において、「当日」の１日後（前記予測入力期間から１日後）の前記活性度を算出する。つぎに、前記工程（Ａ３）および（Ａ４）において、「当日」の１日後までの前記推奨実行情報（睡眠データを含むデータ）を算出し、出力する。
［実施形態２］
つぎに、実施形態２について、説明する。本実施形態において、活性度算出部１２は、さらに、前記ユーザーの、前記予測入力期間から所定日数後までの仮実行情報を取得し、前記仮実行情報と、前記予測入力期間における前記実行情報と前記活性度とから、前記ユーザーの前記活性度を算出する。前記仮実行情報は、前記予測入力期間から所定日数後までの、未実行の前記実行情報である。そして、推奨情報決定部１３は、さらに、前記仮実行情報を用いて、前記推奨実行情報を算出する。この点以外は、前記実施形態１と同様である。
つぎに、実施形態２について、説明する。本実施形態において、活性度算出部１２は、さらに、前記ユーザーの、前記予測入力期間から所定日数後までの仮実行情報を取得し、前記仮実行情報と、前記予測入力期間における前記実行情報と前記活性度とから、前記ユーザーの前記活性度を算出する。前記仮実行情報は、前記予測入力期間から所定日数後までの、未実行の前記実行情報である。そして、推奨情報決定部１３は、さらに、前記仮実行情報を用いて、前記推奨実行情報を算出する。この点以外は、前記実施形態１と同様である。
活性度算出部１２は、前記仮実行情報として、例えば、予め設定した値（例えば、全ユーザーの平均値等）を取得してもよいし、実行済みの前記実行情報から、算出してもよい。前記実行済みの前記実行情報は、例えば、前記予測入力期間における前記実行情報があげられる。前記算出する場合、例えば、既定の算出方法に基づき、算出してもよい。具体的には、例えば、前記予測入力期間における前記実行情報の平均値および最頻値等を用いることができる。また、前記予測入力期間における前記実行情報を入力とし、前記予測入力期間から所定日数後における前記仮実行情報を出力とする学習済みモデルを用いて、算出してもよい。
推奨情報決定部１３は、前記推奨実行情報の算出において、例えば、前記仮実行情報について、前記評価基準による前記評価がより高くなるように変更し、これを前記推奨実行情報とすることができる。前記変更は、前記仮実行情報における前記項目が複数の場合、１つの前記項目を変更してもよいし、一部または全部の前記項目を変更してもよい。
また、推奨情報決定部１３は、前記推奨実行情報の算出において、例えば、まず、前記仮実行情報における前記項目の内容を変更した、変更後仮実行情報を算出してもよい。この場合、前記変更は、例えば、ランダムな変更でもよい。そして、前記変更後仮実行情報を用いて算出された前記活性度が、前記仮実行情報を用いて算出された前記活性度よりも高い場合、および、所定の閾値よりも高い場合等に、前記変更後仮実行情報を、前記推奨実行情報として算出してもよい。
具体的には、例えば、前記仮実行情報における前記項目が５つであれば、前記各項目を改善するかしないかの、２５＝３２通りの組合せの前記変更後仮実行情報を用いることができる。そして、例えば、前記活性度が最も高い前記変更後仮実行情報を、前記推奨実行情報としてもよいし、内容を変更する前記各項目の数が最も少ない前記変更後仮実行情報を、前記推奨実行情報としてもよい。また、これらの順番に表示されるように、複数の前記推奨実行情報を、出力してもよい。さらに、例えば、前記３２通りの結果において、前記活性度が改善する結果が得られなかった場合、全ての前記各項目を改善したものを、前記推奨実行情報としてもよい。
次に、本実施形態の生活習慣推奨方法について、図６および図７を用いて説明する。図６は、前記生活習慣推奨方法の一例を示すフローチャートである。図７は、前記ユーザーの前記実行情報および前記活性度から、前記推奨実行情報を決定する一例を示す図である。
まず、実行情報取得部１１により、ユーザーの、生活習慣の指標となる項目毎に実行した実行情報と、活性度とを、日付に紐づけて取得する（工程（Ａ１））。例えば、図７に示すように、１日～３日の各日付において、前記ユーザーの前記実行情報（睡眠データ）と前記活性度とを、それぞれ、取得する。
つぎに、活性度算出部１２により、前記ユーザーの、前記予測入力期間から所定日数後までの仮実行情報を取得する（工程（Ａ２－１））。図７の例では、１日～３日が、前記予測入力期間であり、４日～６日の各日付において、前記仮実行情報（睡眠データ）が算出されている。
つぎに、活性度算出部１２により、前記仮実行情報と、前記予測入力期間における前記ユーザーの前記実行情報と前記活性度とから、前記予測入力期間から所定日数後における前記ユーザーの前記活性度を算出する（工程（Ａ２－２））。図７の例では、前記仮実行情報と、１日～３日の各日付における前記実行情報と前記活性度とから、前記所定日数後（この場合、３日後）である、６日の日付において、前記活性度として、「２」が算出されている。なお、図７の例では、前記所定日数以内である、４日および５日の日付においても、前記活性度として、それぞれ、「３」、および「２」が算出されている。
つぎに、推奨情報決定部１３により、前記仮実行情報を用いて、前記算出された前記活性度がより高くなるように、前記所定日数後までの推奨実行情報を算出する（工程（Ａ３））。図７の例では、４日～６日の日付において、前記推奨実行情報（睡眠データ）を算出している。なお、図７の例では、６日の日付において、前記ユーザーが、前記推奨実行情報を実行した場合の前記活性度として、「４」が算出されており、前記仮実行情報を実行した場合の前記活性度よりも高くなっていることがわかる。
つぎに、出力部１４により、前記ユーザーに、前記推奨実行情報を出力し（工程（Ａ４））、終了する（ＥＮＤ）。
［実施形態３］
本実施形態は、学習済みモデル、および学習済みモデルの生成方法に関する。
本実施形態は、学習済みモデル、および学習済みモデルの生成方法に関する。
本実施形態の学習済みモデル（判別器ともいう。）は、入力層、出力層、および中間層を含み、前記入力層は、ユーザーの、予測入力期間における、生活習慣の指標となる項目毎に実行した実行情報と、活性度とが入力され、前記出力層は、前記予測入力期間から所定日数後における、前記ユーザーの前記活性度を出力し、前記中間層は、日付に紐づけて取得された前記実行情報と前記活性度とを入力、前記日付から所定日数後における前記活性度を出力とする教師データを用いて、パラメータが学習されており、前記入力層に、前記予測入力期間における前記実行情報と前記活性度とを入力し、前記中間層において演算し、前記出力層から、前記予測入力期間から所定日数後における前記活性度を出力するようにコンピュータを機能させる。
前記学習済みモデルは、例えば、前記日付に紐づけて取得された前記実行情報と前記活性度とから、ＳＶＭ（support vector machine）、ニューラルネットワーク等の公知の機械学習の方法に基づき、生成することができる。また、前記学習済みモデルは、例えば、ランダムフォレストのアルゴリズムを用いることができる。
本実施形態の学習済みモデルの生成方法は、教師データ取得工程、および学習済みモデル生成工程を含み、前記教師データ取得工程は、日付に紐づけて取得された、生活習慣の指標となる項目毎に実行した実行情報と、活性度とを含む、教師データを取得し、前記学習済みモデル生成工程は、前記取得した前記教師データを用いて、ユーザーの、予測入力期間における前記実行情報と前記活性度とを入力、前記予測入力期間から所定日数後における、前記ユーザーの前記活性度を出力とする学習済みモデルを生成する。
前記学習済みモデルの生成方法は、例えば、さらに、仮実行情報取得工程、活性度算出工程を含み、前記仮実行情報取得工程は、前記ユーザーの、前記予測入力期間から所定日数後までの仮実行情報を取得し、前記活性度算出工程は、前記仮実行情報と、前記予測入力期間における前記実行情報と前記活性度とから、前記生成した学習済みモデルを用いて、前記予測入力期間から所定日数後における、前記ユーザーの前記活性度を算出してもよい。前記仮実行情報は、前述の通りである。そして、前記教師データ取得工程は、前記実行情報および前記仮実行情報と、前記算出された前記活性度とを、前記教師データとして取得してもよい。このように、前記仮実行情報を用いることにより、例えば、前記学習済みモデルの生成方法において、前記教師データを増やすことができる。
前記学習済みモデルの生成方法は、例えば、さらに、実行済み情報取得工程、および修正工程を含み、前記実行済み情報取得工程は、前記ユーザーの実行済み情報を取得し、前記実行済み情報は、前記予測入力期間から所定日数後における、前記活性度を含み、前記修正工程は、前記実行済み情報と、前記学習済みモデルにより出力される前記活性度とが一致するように、前記学習済みモデルの演算パラメータを修正してもよい。これにより、例えば、より精度の高い前記学習済みモデルを生成することができる。
［実施形態４］
本実施形態のプログラムは、前記各実施形態の生活習慣推奨方法、及び学習済みモデルの生成方法の少なくとも一方を、手順として、コンピュータに実行させるためのプログラムである。本発明において、「手順」は、「処理」と読み替えてもよい。また、本実施形態のプログラムは、例えば、コンピュータ読み取り可能な記録媒体に記録されてもよい。前記記録媒体としては、特に限定されず、例えば、読み出し専用メモリ（ＲＯＭ）、ハードディスク（ＨＤ）、光ディスク等が挙げられる。
本実施形態のプログラムは、前記各実施形態の生活習慣推奨方法、及び学習済みモデルの生成方法の少なくとも一方を、手順として、コンピュータに実行させるためのプログラムである。本発明において、「手順」は、「処理」と読み替えてもよい。また、本実施形態のプログラムは、例えば、コンピュータ読み取り可能な記録媒体に記録されてもよい。前記記録媒体としては、特に限定されず、例えば、読み出し専用メモリ（ＲＯＭ）、ハードディスク（ＨＤ）、光ディスク等が挙げられる。
以上、実施形態を参照して本発明を説明したが、本発明は、上記実施形態に限定されるものではない。本発明の構成や詳細には、本発明のスコープ内で当業者が理解しうる様々な変更をすることができる。
＜付記＞
上記の実施形態の一部または全部は、以下の付記のようにも記載しうるが、以下には限定されない。
（付記１）
実行情報取得部、活性度算出部、推奨情報決定部、および、出力部を含み、
前記実行情報取得部は、ユーザーの、生活習慣の指標となる項目毎に実行した実行情報と、活性度とを、日付に紐づけて取得し、
前記活性度算出部は、予測入力期間における前記ユーザーの前記実行情報と前記活性度とから、前記予測入力期間から所定日数後における前記ユーザーの前記活性度を算出し、
前記推奨情報決定部は、前記算出された前記活性度がより高くなるように、前記所定日数後までの推奨実行情報を算出し、
前記出力部は、前記ユーザーに、前記推奨実行情報を出力する
生活習慣推奨装置。
（付記２）
前記推奨情報決定部は、前記算出された前記活性度が低い場合に、前記推奨実行情報を算出する、付記１記載の生活習慣推奨装置。
（付記３）
前記活性度算出部は、日付に紐づけて取得された前記実行情報と前記活性度とを含む標本情報を用いて、前記ユーザーの前記活性度を算出する、付記１または２記載の生活習慣推奨装置。
（付記４）
前記活性度算出部は、前記予測入力期間における前記実行情報と前記活性度とを入力とし、前記予測入力期間から所定日数後における前記活性度を出力とする学習済みモデルを用いて、前記ユーザーの前記活性度を算出する、付記１から３のいずれかに記載の生活習慣推奨装置。
（付記５）
前記活性度算出部は、さらに、前記ユーザーの、前記予測入力期間から所定日数後までの仮実行情報を取得し、前記仮実行情報と、前記予測入力期間における前記実行情報と前記活性度とから、前記ユーザーの前記活性度を算出する、付記１から４のいずれかに記載の生活習慣推奨装置。
（付記６）
前記活性度算出部は、前記予測入力期間における前記実行情報から、前記仮実行情報を算出する、付記５記載の生活習慣推奨装置。
（付記７）
前記活性度算出部は、さらに、変更後仮実行情報と、前記予測入力期間における前記実行情報と前記活性度とから、前記ユーザーの前記活性度を算出し、
前記変更後仮実行情報は、前記仮実行情報における、生活習慣の指標となる前記項目の内容を変更したものであり、
前記推奨情報決定部は、前記変更後仮実行情報を用いて算出された前記活性度が、前記仮実行情報を用いて算出された前記活性度よりも高い場合、および、所定の閾値よりも高い場合の少なくともいずれかの場合に、前記変更後仮実行情報を、前記推奨実行情報として算出する、付記５または６記載の生活習慣推奨装置。
（付記８）
前記推奨情報決定部は、前記仮実行情報について、予め設定された評価基準による評価がより高くなるように変更することにより、前記推奨実行情報を算出する、付記５から７のいずれかに記載の生活習慣推奨装置。
（付記９）
前記生活習慣が、睡眠習慣である、付記１から８のいずれかに記載の生活習慣推奨装置。
（付記１０）
実行情報取得工程、活性度算出工程、推奨情報決定工程、および、出力工程を含み、
前記実行情報取得工程は、ユーザーの、生活習慣の指標となる項目毎に実行した実行情報と、活性度とを、日付に紐づけて取得し、
前記活性度算出工程は、予測入力期間における前記ユーザーの前記実行情報と前記活性度とから、前記予測入力期間から所定日数後における前記対象ユーザーの前記活性度を算出し、
前記推奨情報決定工程は、前記算出された前記活性度がより高くなるように、前記所定日数後までの推奨実行情報を算出し、
前記出力工程は、前記ユーザーに、前記推奨実行情報を出力する
生活習慣推奨方法。
（付記１１）
前記推奨情報決定工程は、前記算出された前記活性度が低い場合に、前記推奨実行情報を算出する、付記１０記載の生活習慣推奨方法。
（付記１２）
前記活性度算出工程は、日付に紐づけて取得された前記実行情報と前記活性度とを含む標本情報を用いて、前記ユーザーの前記活性度を算出する、付記１０または１１記載の生活習慣推奨方法。
（付記１３）
前記活性度算出工程は、前記予測入力期間における前記実行情報と前記活性度とを入力とし、前記予測入力期間から所定日数後における前記活性度を出力とする学習済みモデルを用いて、前記対象ユーザーの前記活性度を算出する、付記１０から１２のいずれかに記載の生活習慣推奨方法。
（付記１４）
前記活性度算出工程は、さらに、前記ユーザーの、前記予測入力期間から所定日数後までの仮実行情報を取得し、前記仮実行情報と、前記予測入力期間における前記実行情報と前記活性度とから、前記ユーザーの前記活性度を算出する、付記１０から１３のいずれかに記載の生活習慣推奨方法。
（付記１５）
前記活性度算出工程は、前記予測入力期間における前記実行情報から、前記仮実行情報を算出する、付記１４記載の生活習慣推奨方法。
（付記１６）
前記活性度算出工程は、さらに、変更後仮実行情報と、前記予測入力期間における前記実行情報と前記活性度とから、前記ユーザーの前記活性度を算出し、
前記変更後仮実行情報は、前記仮実行情報における、生活習慣の指標となる前記項目の内容を変更したものであり、
前記推奨情報決定工程は、前記変更後仮実行情報を用いて算出された前記活性度が、前記仮実行情報を用いて算出された前記活性度よりも高い場合、および、所定の閾値よりも高い場合の少なくともいずれかの場合に、前記変更後仮実行情報を、前記推奨実行情報として算出する、付記１４または１５記載の生活習慣推奨方法。
（付記１７）
前記推奨情報決定工程は、前記仮実行情報について、予め設定された評価基準による評価がより高くなるように変更することにより、前記推奨実行情報を算出する、付記１４から１６のいずれかに記載の生活習慣推奨方法。
（付記１８）
前記生活習慣が、睡眠習慣である、付記１０から１７のいずれかに記載の生活習慣推奨方法。
（付記１９）
付記１０から１８のいずれかに記載の方法をコンピュータに実行させるためのプログラム。
（付記２０）
付記１９記載のプログラムを記録しているコンピュータ読み取り可能な記録媒体。
上記の実施形態の一部または全部は、以下の付記のようにも記載しうるが、以下には限定されない。
（付記１）
実行情報取得部、活性度算出部、推奨情報決定部、および、出力部を含み、
前記実行情報取得部は、ユーザーの、生活習慣の指標となる項目毎に実行した実行情報と、活性度とを、日付に紐づけて取得し、
前記活性度算出部は、予測入力期間における前記ユーザーの前記実行情報と前記活性度とから、前記予測入力期間から所定日数後における前記ユーザーの前記活性度を算出し、
前記推奨情報決定部は、前記算出された前記活性度がより高くなるように、前記所定日数後までの推奨実行情報を算出し、
前記出力部は、前記ユーザーに、前記推奨実行情報を出力する
生活習慣推奨装置。
（付記２）
前記推奨情報決定部は、前記算出された前記活性度が低い場合に、前記推奨実行情報を算出する、付記１記載の生活習慣推奨装置。
（付記３）
前記活性度算出部は、日付に紐づけて取得された前記実行情報と前記活性度とを含む標本情報を用いて、前記ユーザーの前記活性度を算出する、付記１または２記載の生活習慣推奨装置。
（付記４）
前記活性度算出部は、前記予測入力期間における前記実行情報と前記活性度とを入力とし、前記予測入力期間から所定日数後における前記活性度を出力とする学習済みモデルを用いて、前記ユーザーの前記活性度を算出する、付記１から３のいずれかに記載の生活習慣推奨装置。
（付記５）
前記活性度算出部は、さらに、前記ユーザーの、前記予測入力期間から所定日数後までの仮実行情報を取得し、前記仮実行情報と、前記予測入力期間における前記実行情報と前記活性度とから、前記ユーザーの前記活性度を算出する、付記１から４のいずれかに記載の生活習慣推奨装置。
（付記６）
前記活性度算出部は、前記予測入力期間における前記実行情報から、前記仮実行情報を算出する、付記５記載の生活習慣推奨装置。
（付記７）
前記活性度算出部は、さらに、変更後仮実行情報と、前記予測入力期間における前記実行情報と前記活性度とから、前記ユーザーの前記活性度を算出し、
前記変更後仮実行情報は、前記仮実行情報における、生活習慣の指標となる前記項目の内容を変更したものであり、
前記推奨情報決定部は、前記変更後仮実行情報を用いて算出された前記活性度が、前記仮実行情報を用いて算出された前記活性度よりも高い場合、および、所定の閾値よりも高い場合の少なくともいずれかの場合に、前記変更後仮実行情報を、前記推奨実行情報として算出する、付記５または６記載の生活習慣推奨装置。
（付記８）
前記推奨情報決定部は、前記仮実行情報について、予め設定された評価基準による評価がより高くなるように変更することにより、前記推奨実行情報を算出する、付記５から７のいずれかに記載の生活習慣推奨装置。
（付記９）
前記生活習慣が、睡眠習慣である、付記１から８のいずれかに記載の生活習慣推奨装置。
（付記１０）
実行情報取得工程、活性度算出工程、推奨情報決定工程、および、出力工程を含み、
前記実行情報取得工程は、ユーザーの、生活習慣の指標となる項目毎に実行した実行情報と、活性度とを、日付に紐づけて取得し、
前記活性度算出工程は、予測入力期間における前記ユーザーの前記実行情報と前記活性度とから、前記予測入力期間から所定日数後における前記対象ユーザーの前記活性度を算出し、
前記推奨情報決定工程は、前記算出された前記活性度がより高くなるように、前記所定日数後までの推奨実行情報を算出し、
前記出力工程は、前記ユーザーに、前記推奨実行情報を出力する
生活習慣推奨方法。
（付記１１）
前記推奨情報決定工程は、前記算出された前記活性度が低い場合に、前記推奨実行情報を算出する、付記１０記載の生活習慣推奨方法。
（付記１２）
前記活性度算出工程は、日付に紐づけて取得された前記実行情報と前記活性度とを含む標本情報を用いて、前記ユーザーの前記活性度を算出する、付記１０または１１記載の生活習慣推奨方法。
（付記１３）
前記活性度算出工程は、前記予測入力期間における前記実行情報と前記活性度とを入力とし、前記予測入力期間から所定日数後における前記活性度を出力とする学習済みモデルを用いて、前記対象ユーザーの前記活性度を算出する、付記１０から１２のいずれかに記載の生活習慣推奨方法。
（付記１４）
前記活性度算出工程は、さらに、前記ユーザーの、前記予測入力期間から所定日数後までの仮実行情報を取得し、前記仮実行情報と、前記予測入力期間における前記実行情報と前記活性度とから、前記ユーザーの前記活性度を算出する、付記１０から１３のいずれかに記載の生活習慣推奨方法。
（付記１５）
前記活性度算出工程は、前記予測入力期間における前記実行情報から、前記仮実行情報を算出する、付記１４記載の生活習慣推奨方法。
（付記１６）
前記活性度算出工程は、さらに、変更後仮実行情報と、前記予測入力期間における前記実行情報と前記活性度とから、前記ユーザーの前記活性度を算出し、
前記変更後仮実行情報は、前記仮実行情報における、生活習慣の指標となる前記項目の内容を変更したものであり、
前記推奨情報決定工程は、前記変更後仮実行情報を用いて算出された前記活性度が、前記仮実行情報を用いて算出された前記活性度よりも高い場合、および、所定の閾値よりも高い場合の少なくともいずれかの場合に、前記変更後仮実行情報を、前記推奨実行情報として算出する、付記１４または１５記載の生活習慣推奨方法。
（付記１７）
前記推奨情報決定工程は、前記仮実行情報について、予め設定された評価基準による評価がより高くなるように変更することにより、前記推奨実行情報を算出する、付記１４から１６のいずれかに記載の生活習慣推奨方法。
（付記１８）
前記生活習慣が、睡眠習慣である、付記１０から１７のいずれかに記載の生活習慣推奨方法。
（付記１９）
付記１０から１８のいずれかに記載の方法をコンピュータに実行させるためのプログラム。
（付記２０）
付記１９記載のプログラムを記録しているコンピュータ読み取り可能な記録媒体。
本発明によれば、所定日数後における活性度を予測し、この活性度がより高くなるように、最適な生活習慣を推奨するシステムを提供することができる。このため、例えば、ヘルスケアの分野等において有用である。
１０ 生活習慣推奨装置
１１ 実行情報取得部
１２ 活性度算出部
１３ 推奨情報決定部
１４ 出力部
１１ 実行情報取得部
１２ 活性度算出部
１３ 推奨情報決定部
１４ 出力部
Claims (10)
- 実行情報取得部、活性度算出部、推奨情報決定部、および、出力部を含み、
前記実行情報取得部は、ユーザーの、生活習慣の指標となる項目毎に実行した実行情報と、活性度とを、日付に紐づけて取得し、
前記活性度算出部は、予測入力期間における前記ユーザーの前記実行情報と前記活性度とから、前記予測入力期間から所定日数後における前記ユーザーの前記活性度を算出し、
前記推奨情報決定部は、前記算出された前記活性度がより高くなるように、前記所定日数後までの推奨実行情報を算出し、
前記出力部は、前記ユーザーに、前記推奨実行情報を出力する
生活習慣推奨装置。 - 前記推奨情報決定部は、前記算出された前記活性度が低い場合に、前記推奨実行情報を算出する、請求項１記載の生活習慣推奨装置。
- 前記活性度算出部は、日付に紐づけて取得された前記実行情報と前記活性度とを含む標本情報を用いて、前記ユーザーの前記活性度を算出する、請求項１または２記載の生活習慣推奨装置。
- 前記活性度算出部は、前記予測入力期間における前記実行情報と前記活性度とを入力とし、前記予測入力期間から所定日数後における前記活性度を出力とする学習済みモデルを用いて、前記ユーザーの前記活性度を算出する、請求項１から３のいずれか一項に記載の生活習慣推奨装置。
- 前記活性度算出部は、さらに、前記ユーザーの、前記予測入力期間から所定日数後までの仮実行情報を取得し、前記仮実行情報と、前記予測入力期間における前記実行情報と前記活性度とから、前記ユーザーの前記活性度を算出する、請求項１から４のいずれか一項に記載の生活習慣推奨装置。
- 前記活性度算出部は、前記予測入力期間における前記実行情報から、前記仮実行情報を算出する、請求項５記載の生活習慣推奨装置。
- 前記活性度算出部は、さらに、変更後仮実行情報と、前記予測入力期間における前記実行情報と前記活性度とから、前記ユーザーの前記活性度を算出し、
前記変更後仮実行情報は、前記仮実行情報における、生活習慣の指標となる前記項目の内容を変更したものであり、
前記推奨情報決定部は、前記変更後仮実行情報を用いて算出された前記活性度が、前記仮実行情報を用いて算出された前記活性度よりも高い場合、および、所定の閾値よりも高い場合の少なくともいずれかの場合に、前記変更後仮実行情報を、前記推奨実行情報として算出する、請求項５または６記載の生活習慣推奨装置。 - 前記生活習慣が、睡眠習慣である、請求項１から７のいずれか一項に記載の生活習慣推奨装置。
- 実行情報取得工程、活性度算出工程、推奨情報決定工程、および、出力工程を含み、
前記実行情報取得工程は、ユーザーの、生活習慣の指標となる項目毎に実行した実行情報と、活性度とを、日付に紐づけて取得し、
前記活性度算出工程は、予測入力期間における前記ユーザーの前記実行情報と前記活性度とから、前記予測入力期間から所定日数後における前記ユーザーの前記活性度を算出し、
前記推奨情報決定工程は、前記算出された前記活性度がより高くなるように、前記所定日数後までの推奨実行情報を算出し、
前記出力工程は、前記ユーザーに、前記推奨実行情報を出力し、
前記各工程が、コンピュータにより実行される、生活習慣推奨方法。 - 請求項９記載の方法をコンピュータに実行させるためのプログラム。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2020053133A JP7480985B2 (ja) | 2020-03-24 | 2020-03-24 | 生活習慣推奨装置、生活習慣推奨方法、およびプログラム |
| US17/210,597 US20210304034A1 (en) | 2020-03-24 | 2021-03-24 | Lifestyle habit recommendation apparatus, and lifestyle habit recommendation method |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2020053133A JP7480985B2 (ja) | 2020-03-24 | 2020-03-24 | 生活習慣推奨装置、生活習慣推奨方法、およびプログラム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2021152788A JP2021152788A (ja) | 2021-09-30 |
| JP7480985B2 true JP7480985B2 (ja) | 2024-05-10 |
Family
ID=77856227
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2020053133A Active JP7480985B2 (ja) | 2020-03-24 | 2020-03-24 | 生活習慣推奨装置、生活習慣推奨方法、およびプログラム |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US20210304034A1 (ja) |
| JP (1) | JP7480985B2 (ja) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009037577A (ja) | 2007-08-01 | 2009-02-19 | Seiji Shiga | 元気生活チェック調査システム |
-
2020
- 2020-03-24 JP JP2020053133A patent/JP7480985B2/ja active Active
-
2021
- 2021-03-24 US US17/210,597 patent/US20210304034A1/en active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009037577A (ja) | 2007-08-01 | 2009-02-19 | Seiji Shiga | 元気生活チェック調査システム |
Non-Patent Citations (1)
| Title |
|---|
| 秋冨 穣、梶山 征央、岡島 義、山口 美峰子，睡眠日誌アプリを利用した将来の元気度の予測，２０１９年度人工知能学会全国大会（第３３回） ［ｏｎｌｉｎｅ］，日本，一般社団法人人工知能学会，2019年06月07日，p.1～3，[検索日：２０２３年１２月１４日] インターネット<URL:https://www.jstage.jst.go.jp/article/pjsai/JSAI2019/0/JSAI2019_1H3J1304/_pdf/-char/ja> |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2021152788A (ja) | 2021-09-30 |
| US20210304034A1 (en) | 2021-09-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2017033697A1 (ja) | 生活習慣管理支援装置および生活習慣管理支援方法 | |
| JP4751222B2 (ja) | 生活行動改善支援装置、生活行動改善支援方法及びプログラム | |
| Duggan et al. | To nap, perchance to DREAM: a factor analysis of college students’ self-reported reasons for napping | |
| JP2013168026A (ja) | 睡眠分析結果表示プログラム、睡眠改善支援画面表示プログラム及び睡眠改善行動結果表示プログラム | |
| US20210327584A1 (en) | Decision support software system for sleep disorder identification | |
| Huang et al. | Subjective sleep quality as a possible mediator in the relationship between personality traits and depressive symptoms in middle-aged adults | |
| KR20110088233A (ko) | 원격 의료 방법 및 이를 이용한 원격 의료 시스템 | |
| JP2014135027A (ja) | 健康アドバイス装置 | |
| WO2019181807A1 (ja) | 睡眠改善支援装置、組織改善支援装置、及びプログラム | |
| JP2021099608A (ja) | 認知症リスクの提示システムおよび方法 | |
| Ballard et al. | A systematic investigation into the reliability of inter-temporal choice model parameters | |
| Zimprich | Individual differences in the reminiscence bump of very long-term memory for popular songs in old age: A non-linear mixed model approach | |
| Park et al. | Social dimensions impact individual sleep quantity and quality | |
| Meadows et al. | Are sleep quality judgments comparable across individuals, places, and spaces? An interdisciplinary analysis of data from 207,608 individuals across 68 countries | |
| JP7480985B2 (ja) | 生活習慣推奨装置、生活習慣推奨方法、およびプログラム | |
| JP5353390B2 (ja) | 発想支援装置、発想支援方法および発想支援用プログラム | |
| JP6959791B2 (ja) | 生活情報提供システム、生活情報提供方法、および、プログラム | |
| JP6436855B2 (ja) | 分析システム、及び、分析方法 | |
| JP7099772B2 (ja) | 生活習慣推奨装置、生活習慣推奨方法、プログラムおよび記録媒体 | |
| JP6912119B2 (ja) | 睡眠改善支援システム、方法およびプログラム | |
| WO2020009057A1 (ja) | 健康管理支援装置、方法、及びプログラム | |
| JP7381045B2 (ja) | 生活習慣表現装置、生活習慣表現方法、プログラムおよび記録媒体 | |
| JP6694542B1 (ja) | プログラム、情報処理方法、及び情報処理端末 | |
| JP6220048B2 (ja) | 睡眠改善支援装置、睡眠改善支援方法、睡眠改善支援プログラム、睡眠改善支援プログラム記録媒体 | |
| JP7191800B2 (ja) | 健康支援システム、プログラム及び方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| RD04 | Notification of resignation of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7424 Effective date: 20220630 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230208 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20231214 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20231219 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240131 |
|
| 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: 20240326 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240418 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7480985 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |