JPWO2020122227A1 - うつ状態を推定する装置、方法及びそのためのプログラム - Google Patents
うつ状態を推定する装置、方法及びそのためのプログラム Download PDFInfo
- Publication number
- JPWO2020122227A1 JPWO2020122227A1 JP2020559336A JP2020559336A JPWO2020122227A1 JP WO2020122227 A1 JPWO2020122227 A1 JP WO2020122227A1 JP 2020559336 A JP2020559336 A JP 2020559336A JP 2020559336 A JP2020559336 A JP 2020559336A JP WO2020122227 A1 JPWO2020122227 A1 JP WO2020122227A1
- Authority
- JP
- Japan
- Prior art keywords
- data
- subject
- unit
- depression
- estimation model
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000010801 machine learning Methods 0.000 claims abstract description 27
- 239000013598 vector Substances 0.000 claims abstract description 6
- 238000003745 diagnosis Methods 0.000 claims description 18
- 230000000994 depressogenic effect Effects 0.000 abstract description 5
- 238000011156 evaluation Methods 0.000 abstract description 3
- 208000020401 Depressive disease Diseases 0.000 description 20
- 238000002790 cross-validation Methods 0.000 description 10
- 208000020925 Bipolar disease Diseases 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 4
- 238000005265 energy consumption Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- VZSRBBMJRBPUNF-UHFFFAOYSA-N 2-(2,3-dihydro-1H-inden-2-ylamino)-N-[3-oxo-3-(2,4,6,7-tetrahydrotriazolo[4,5-c]pyridin-5-yl)propyl]pyrimidine-5-carboxamide Chemical compound C1C(CC2=CC=CC=C12)NC1=NC=C(C=N1)C(=O)NCCC(N1CC2=C(CC1)NN=N2)=O VZSRBBMJRBPUNF-UHFFFAOYSA-N 0.000 description 2
- YLZOPXRUQYQQID-UHFFFAOYSA-N 3-(2,4,6,7-tetrahydrotriazolo[4,5-c]pyridin-5-yl)-1-[4-[2-[[3-(trifluoromethoxy)phenyl]methylamino]pyrimidin-5-yl]piperazin-1-yl]propan-1-one Chemical compound N1N=NC=2CN(CCC=21)CCC(=O)N1CCN(CC1)C=1C=NC(=NC=1)NCC1=CC(=CC=C1)OC(F)(F)F YLZOPXRUQYQQID-UHFFFAOYSA-N 0.000 description 2
- 208000019022 Mood disease Diseases 0.000 description 2
- 208000028683 bipolar I disease Diseases 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000004622 sleep time Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 125000002066 L-histidyl group Chemical group [H]N1C([H])=NC(C([H])([H])[C@](C(=O)[*])([H])N([H])[H])=C1[H] 0.000 description 1
- 206010026749 Mania Diseases 0.000 description 1
- NIPNSKYNPDTRPC-UHFFFAOYSA-N N-[2-oxo-2-(2,4,6,7-tetrahydrotriazolo[4,5-c]pyridin-5-yl)ethyl]-2-[[3-(trifluoromethoxy)phenyl]methylamino]pyrimidine-5-carboxamide Chemical compound O=C(CNC(=O)C=1C=NC(=NC=1)NCC1=CC(=CC=C1)OC(F)(F)F)N1CC2=C(CC1)NN=N2 NIPNSKYNPDTRPC-UHFFFAOYSA-N 0.000 description 1
- AFCARXCZXQIEQB-UHFFFAOYSA-N N-[3-oxo-3-(2,4,6,7-tetrahydrotriazolo[4,5-c]pyridin-5-yl)propyl]-2-[[3-(trifluoromethoxy)phenyl]methylamino]pyrimidine-5-carboxamide Chemical compound O=C(CCNC(=O)C=1C=NC(=NC=1)NCC1=CC(=CC=C1)OC(F)(F)F)N1CC2=C(CC1)NN=N2 AFCARXCZXQIEQB-UHFFFAOYSA-N 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000955 prescription drug Substances 0.000 description 1
- 208000020016 psychiatric disease Diseases 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
Images
Classifications
-
- 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B10/00—Other methods or instruments for diagnosis, e.g. instruments for taking a cell sample, for biopsy, for vaccination diagnosis; Sex determination; Ovulation-period determination; Throat striking implements
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/01—Measuring temperature of body parts ; Diagnostic temperature sensing, e.g. for malignant or inflamed tissue
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/22—Ergometry; Measuring muscular strength or the force of a muscular blow
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
- G06F1/16—Constructional details or arrangements
- G06F1/1613—Constructional details or arrangements for portable computers
- G06F1/163—Wearable computers, e.g. on a belt
-
- 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
- G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
-
- 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
-
- 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
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Human Computer Interaction (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Hospice & Palliative Care (AREA)
- Chemical & Material Sciences (AREA)
- Social Psychology (AREA)
- Psychiatry (AREA)
- Educational Technology (AREA)
- Developmental Disabilities (AREA)
- Child & Adolescent Psychology (AREA)
- Medicinal Chemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Psychology (AREA)
- Physical Education & Sports Medicine (AREA)
- Cardiology (AREA)
- Physiology (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
ウェアラブルデバイスを用いてうつ状態を推定するための新たな方法を提供する。複数の被験者からの数日分の生体データをデータタイプごとに、１時間等のあらかじめ定めた時間単位のデータに変換する（Ｓ２０１）。次に、被験者ごと、かつ、データタイプごとに、得られたサンプルデータの分布の分位数を定める（Ｓ２０２）。また、被験者ごと、かつ、データタイプごとに、得られたサンプルデータの分布の標準偏差を算出する（Ｓ２０３）。そして、被験者ごとに、データタイプの各組合せについて、ピアソン相関係数を算出する（Ｓ２０４）。次いで、こうして各被験者の生体データから抽出された分位数、標準偏差及びピアソン相関係数という特徴量を入力ベクトル、各被験者についての医師等の専門家によるうつ状態の有無の評価をラベルとする教師データを用いた機械学習により、うつ状態か否かの分類問題の推定モデルを訓練する（Ｓ２０６）。
Description
本発明は、うつ状態（ｄｅｐｒｅｓｓｉｖｅ ｓｔａｔｅ）を推定する装置、方法及びそのためのプログラムに関し、より詳細には、生体データに基づいてうつ病又は躁うつ病のうつ状態を推定する装置、方法及びそのためのプログラムに関する。
近年、先進国で精神疾患の有病者が増加しており、気分障害の一類型であるうつ病又は躁うつ病の患者数が特に多い。気分障害は、大きくうつ病エピソード（ｄｅｐｒｅｓｓｉｖｅ ｅｐｉｓｏｄｅ）のみの「うつ病性障害」と「躁病エピソード」と呼ばれる症状を伴う「双極性障害」に大別される。
うつ病又は躁うつ病によりうつ状態になると一般に気力が減退し、活動的でなくなることが言われており、特許文献１には、被験者の活動量と拍動間隔に基づいて所定の条件式が満たされる場合に双極性障害であると判定する技術が開示されている。
発明者らは、今後普及が見込まれるウェアラブルデバイスを活用することで、うつ状態の判定技術を改善可能であることを見出した。本発明の目的は、ウェアラブルデバイスを用いてうつ状態を推定するための新たな装置、方法及びそのためのプログラムを提供することにある。
このような目的を達成するために、本発明の第１の態様は、生体データに基づいて被験者のうつ状態を推定する方法であって、複数のデータタイプを含む生体データをデータタイプごとに、所定の時間単位の単位時間データに変換するステップと、前記単位時間データに基づいて１又は複数の特徴量を抽出するステップと、前記１又は複数の特徴量の少なくとも一部を入力として、あらかじめ定めた推定モデルを用いてうつ状態を推定するステップとを含むことを特徴とする。
また、本発明の第２の態様は、第１の態様において、前記生体データは、前記被験者が身に付けたウェアラブルデバイスにより計測されたデータ又はそれに対応するデータであることを特徴とする。
また、本発明の第３の態様は、第１又は第２の態様において、前記生体データは、４８時間以上の期間にわたり計測されたデータ又はそれに対応するデータであることを特徴とする。
また、本発明の第４の態様は、第１から第３のいずれかの態様において、前記所定の時間は１時間であることを特徴とする。
また、本発明の第５の態様は、第１から第４のいずれかの態様において、前記複数のデータタイプは、肌温度を含むことを特徴とする。
また、本発明の第６の態様は、第５の態様において、前記複数のデータタイプは、歩数、消費エネルギー、体動、心拍数、睡眠状態及び紫外線レベルのうちの少なくともいずれかをさらに含むことを特徴とする。
また、本発明の第７の態様は、第１から第６のいずれかの態様において、前記１又は複数の特徴量は、各データタイプの前記単位時間データの分位数、各データタイプの前記単位時間データの標準偏差、及び複数のデータタイプの各組合せの相関係数の少なくともいずれかを含むことを特徴とする。
また、本発明の第８の態様は、第１から第７のいずれかの態様において、前記１又は複数の特徴量の前記少なくとも一部は、正則化によって選択することを特徴とする。
また、本発明の第９の態様は、第１から第８のいずれかの態様において、前記推定モデルは、機械学習により生成されたうつ状態の有無を推定するモデルであることを特徴とする。
また、本発明の第１０の態様は、第１から第８のいずれかの態様において、前記推定モデルは、機械学習により生成されたうつ状態の重症度を推定するモデルであることを特徴とする。
また、本発明の第１１の態様は、第１０の態様において、前記重症度は、ＨＡＭＤのスコアであることを特徴とする。
また、本発明の第１２の態様は、第１０又は第１１の態様において、前記生体データは、７２時間以上の期間にわたり計測されたデータ又はそれに対応するデータであることを特徴とする。
また、本発明の第１３の態様は、コンピュータに、生体データに基づいて被験者のうつ状態を推定する方法を実行させるためのプログラムであって、前記方法は、複数のデータタイプを含む生体データをデータタイプごとに、所定の時間単位の単位時間データに変換するステップと、前記単位時間データから１又は複数の特徴量を抽出するステップと、前記１又は複数の特徴量の少なくとも一部を入力として、あらかじめ定めた推定モデルを用いてうつ状態を推定するステップとを含むことを特徴とする。
また、本発明の第１４の態様は、生体データに基づいて被験者のうつ状態を推定する装置であって、複数のデータタイプを含む生体データをデータタイプごとに、所定の時間単位の単位時間データに変換し、前記単位時間データから１又は複数の特徴量を抽出し、前記１又は複数の特徴量の少なくとも一部を入力として、あらかじめ定めた推定モデルを用いてうつ状態を推定することを特徴とする。
また、本発明の第１５の態様は、複数の被験者の生体データに基づいてうつ状態を推定するための推定モデルの生成方法であって、被験者ごとに、複数のデータタイプを含む生体データをデータタイプごとに、所定の時間単位の単位時間データに変換するステップと、被験者ごとに、前記単位時間データから１又は複数の特徴量を抽出するステップと、各被験者の前記１又は複数の特徴量の少なくとも一部を入力ベクトルとし、各被験者についての専門家による診断結果をラベルとする教師データを用いた機械学習により、前記推定モデルを生成するステップとを含むことを特徴とする。
また、本発明の第１６の態様は、第１５の態様において、前記機械学習は、アンサンブル学習であることを特徴とする。
また、本発明の第１７の態様は、第１５又は第１６の態様において、前記１又は複数の特徴量は、各データタイプの前記単位時間データの分位数、各データタイプの前記単位時間データの標準偏差、及び複数のデータタイプの各組合せの相関係数の少なくともいずれかを含むことを特徴とする。
また、本発明の第１８の態様は、第１５から第１７のいずれかの態様において、前記１又は複数の特徴量の前記少なくとも一部は、正則化によって選択することを特徴とする。
また、本発明の第１９の態様は、コンピュータに、複数の被験者の生体データに基づいてうつ状態を推定するための推定モデルの生成方法を実行させるためのプログラムであって、前記生成方法は、被験者ごとに、複数のデータタイプを含む生体データをデータタイプごとに、所定の時間単位の単位時間データに変換するステップと、被験者ごとに、前記単位時間データから１又は複数の特徴量を抽出するステップと、各被験者の前記１又は複数の特徴量の少なくとも一部を入力とし、各被験者についての専門家による診断結果をラベルとする教師データを用いた機械学習により、前記推定モデルを生成するステップとを含むことを特徴とする。
また、本発明の第２０の態様は、複数の被験者の生体データに基づいてうつ状態を推定するための推定モデルを生成する装置であって、被験者ごとに、複数のデータタイプを含む生体データをデータタイプごとに、所定の時間単位の単位時間データに変換し、被験者ごとに、前記単位時間データから１又は複数の特徴量を抽出し、各被験者の前記１又は複数の特徴量の少なくとも一部を入力とし、各被験者についての専門家による診断結果をラベルとする教師データを用いた機械学習により、前記推定モデルを生成することを特徴とする。
本発明の一態様によれば、複数のデータタイプを含む生体データをウェアラブルデバイスを用いて取得し、当該生体データに基づく１又は複数の特徴量によりうつ状態を推定することによって、従来の推定技術を改善することができる。
以下、図面を参照して本発明の実施形態を詳細に説明する。
（第１の実施形態）
本発明の第１の実施形態では、ウェアラブルデバイスとして、リストバンド型で加速度センサ、脈拍センサ、紫外線センサ及び温度センサを備えるＳｉｌｍｅｅ（登録商標）Ｗ２０という製品を用いた。加速度センサから歩数、消費エネルギー、体動及び睡眠状態に関する生体データが得られ、紫外線センサからは紫外線レベルが得られ、温度センサから肌温度に関する生体データが得られる。
本発明の第１の実施形態では、ウェアラブルデバイスとして、リストバンド型で加速度センサ、脈拍センサ、紫外線センサ及び温度センサを備えるＳｉｌｍｅｅ（登録商標）Ｗ２０という製品を用いた。加速度センサから歩数、消費エネルギー、体動及び睡眠状態に関する生体データが得られ、紫外線センサからは紫外線レベルが得られ、温度センサから肌温度に関する生体データが得られる。
加速度センサから得られる睡眠状態（ｓｌｅｅｐ ｓｔａｔｅ）に関する生体データは、より具体的には、アクチグラフィーとして知られる手法と同様に、三軸加速度センサの各軸の方向における加速度から算出される値が所定の閾値を超えていれば起きている状態と判定し、越えていなければ寝ている状態と判定することによって得ることができる。一例として、加速度センサの値が記録される各時刻又は各時点における睡眠状態を寝ている状態（ｓｌｅｅｐｉｎｇ ｓｔａｔｅ）であれば１、起きている状態（ａｗａｋｅ ｓｔａｔｅ）であれば０によって表現し、値が１である状態が連続する時間を睡眠時間として評価し、その開始時刻及び終了時刻を就寝時刻及び起床時刻とそれぞれ評価することが可能である。また、一例として、睡眠状態の評価において、加速度センサの値以外の心拍数等の値も反映させることが挙げられる。
温度センサから得られる肌温度（ｓｋｉｎ ｔｅｍｐｅｒａｔｕｒｅ）に関する生体データは、より具体的には、ウェアラブルデバイス１１０が着用される手首等の部位の肌温度を測定することによって得ることができる。正確な体温は、中核体温（ｃｏｒｅ ｔｅｍｐｅｒａｔｕｒｅ）と呼ばれ、直腸温、腋窩温等の測定により得られるが、本実施形態において測定する肌温度は、被験者における測定の負担が小さく、継続的なデータの取得を現実的に可能にする。
図１に、本実施形態にかかる装置を示す。装置１００は、ウェアラブルデバイス１１０と有線又は無線で接続され、ウェアラブルデバイス１１０により得られる生体データを受け取る。装置１００は、図示のように直接的に生体データを受信するのではなく、ウェアラブルデバイス１１０がスマートフォンなどの携帯端末と接続され、当該携帯端末を介してデータを受信したり、ウェアラブルデバイス１１０がインターネットなどのＩＰネットワーク上のサーバと接続され、当該サーバを介してデータを受信したり、得られた生体データをＵＳＢクレードルを通じて装置１００に入力したりしてもよい。
装置１００は、プロセッサ、ＣＰＵ等の処理部１０１と、メモリ、ハードディスク等の記憶装置又は記憶媒体を含む記憶部１０２と、有線又は無線で他のデバイスと通信するための通信インターフェースなどの通信部１０３とを備え、各処理を行うためのプログラムを処理部１０１において実行することによって構成することができる。装置１００は、１又は複数の装置、コンピュータないしサーバを含むことがあり、また当該プログラムは、１又は複数のプログラムを含むことがあり、また、コンピュータ読み取り可能な記憶媒体に記録して非一過性のプログラムプロダクトとすることができる。
本実施形態においては、まず、複数の被験者からウェアラブルデバイス１１０により得られる生体データを用いて、うつ状態の有無を推定するための推定モデルを機械学習によって生成する。そして、当該推定モデルを用いて新たな被験者のうつ状態の推定を行う。以下では、推定モデルの生成と推定モデルを用いた推定に分けて説明する。共に装置１００における処理として説明するが、推定モデルの生成と推定モデルを用いた推定が異なるコンピュータにおいて行われ得ることが想定されている。本実施形態にかかる手法は、うつ状態のスクリーニングに有用であり、特に産業保健での健康診断などで活用可能である。
推定モデルの生成
ｌ人（ｌは正の整数）の被験者からのｍ日分（ｍは正の数）の生体データをデータタイプごとに、１時間等のあらかじめ定めた時間単位のデータ（以下「単位時間データ（ｕｎｉｔ ｔｉｍｅ ｄａｔａ）」と呼ぶ。）に変換する（Ｓ２０１）。生体データに含まれるデータタイプとして、歩数、消費エネルギー、体動、心拍数、睡眠状態、肌温度及び紫外線レベルが挙げられる。データタイプは、モダリティ（ｍｏｄａｌｉｔｙ）とも呼ぶことがある。一例として、歩数、消費エネルギー、体動、及び睡眠状態、すなわち睡眠時間については、あらかじめ定めた時間にわたって積算した値、心拍数、肌温度及び紫外線レベルについては、あらかじめ定めた時間における平均値を単位時間データとすることができる。また、心拍数、肌温度及び紫外線レベルについて、あらかじめ定めた時間にわたって積算した値としてもよい。
ｌ人（ｌは正の整数）の被験者からのｍ日分（ｍは正の数）の生体データをデータタイプごとに、１時間等のあらかじめ定めた時間単位のデータ（以下「単位時間データ（ｕｎｉｔ ｔｉｍｅ ｄａｔａ）」と呼ぶ。）に変換する（Ｓ２０１）。生体データに含まれるデータタイプとして、歩数、消費エネルギー、体動、心拍数、睡眠状態、肌温度及び紫外線レベルが挙げられる。データタイプは、モダリティ（ｍｏｄａｌｉｔｙ）とも呼ぶことがある。一例として、歩数、消費エネルギー、体動、及び睡眠状態、すなわち睡眠時間については、あらかじめ定めた時間にわたって積算した値、心拍数、肌温度及び紫外線レベルについては、あらかじめ定めた時間における平均値を単位時間データとすることができる。また、心拍数、肌温度及び紫外線レベルについて、あらかじめ定めた時間にわたって積算した値としてもよい。
次に、被験者ごと、かつ、データタイプごとに、得られた２４ｍのサンプルデータの分布のｎ個（ｎは正の整数）の分位数を定める（Ｓ２０２）。たとえばｎ＝５として、第５百分位数、第２５百分位数、第５０百分位数、第７５百分位数、第９５百分位数の５個の分位数を記憶する。ここでは、単位時間データが１時間単位である場合を例としている。
また、被験者ごと、かつ、データタイプごとに、得られた２４ｍのサンプルデータの分布の標準偏差を算出する（Ｓ２０３）。
そして、被験者ごとに、データタイプの各組合せについて、ピアソン相関係数等の相関係数を算出する（Ｓ２０４）。データタイプが上述の７個であれば２１通りの組合せがある。ここでは分位数、標準偏差、そしてピアソン相関係数の順序で説明したが、これらは順不同で行うことができる。
次いで、こうして各被験者の生体データから抽出された分位数、標準偏差及び相関係数という特徴量（ｆｅａｔｕｒｅ）を入力ないし入力ベクトル、各被験者についての医師等の専門家によるうつ状態の有無（ｐｒｅｓｅｎｃｅ ｏｒ ａｂｓｅｎｃｅ）の評価をラベルとして、ｌ−１人の結果を教師データとして用いた機械学習により、うつ状態か否かの分類問題の推定モデルを訓練する（Ｓ２０６）。生成された推定モデルは、当該推定モデルを用いた推定を行う装置１００の記憶部１０２又は装置１００からアクセス可能な記憶媒体又は記憶装置に記憶される。
抽出した特徴量の一部であるサブセットをたとえば正則化の一手法であるＬ１正則化、Ｌ２正則化、これらを組み合わせたＥｌａｓｔｉｃ Ｎｅｔなどによって選択して（Ｓ２０５）、これを入力ベクトルとしてもよい。また、機械学習は、勾配ブースティングの一手法であるＸＧＢｏｏｓｔなどのアンサンブル学習によって行うことができる。
教師データから除いた１人の結果を用いて、生成した推定モデルの交差検証（ｃｒｏｓｓ ｖａｌｉｄａｔｉｏｎ）を行う。推定モデルの妥当性の検証はこうしたｌｅａｖｅ−ｏｎｅ−ｏｕｔ交差検証（ＬＯＯＣＶ）に必ずしも限るものではないことを付言する。具体例として、ｋ分割交差検証（ｋ−ｆｏｌｄ ｃｒｏｓｓ ｖａｌｉｄａｔｉｏｎ）が挙げられ、これは、教師データをｋ分割して分割されたいずれか１組のデータを用いる検証をｋ回繰り返す手法である。検証の手法は、学習に用いるデータに影響を与えるため、生成される推定モデルの精度にも影響を及ぼすところ、ｋ分割交差検証は一般に、ＬＯＯＣＶと比較してオーバーフィッティングの問題を緩和する。
推定モデルを用いた推定
うつ状態の有無の判定を行う被験者のｍ’日分（ｍ’は正の数）の生体データをデータタイプごとに単位時間データに変換する（Ｓ３０１）。単位時間データへの変換は、ウェアラブルデバイス１１０が測定した生体データ又はそれに対してウェアラブルデバイス１１０若しくは装置１００において処理を施した当該生体データに対応するデータを１分単位のデータに変換した後にさらに１時間単位のデータに変換して行うなど、さまざまな手法を用いることができる。この点は、予測モデルの生成時においても同様である。ただし、推定時の単位時間と生成時の単位時間は等しいことが望ましい。
うつ状態の有無の判定を行う被験者のｍ’日分（ｍ’は正の数）の生体データをデータタイプごとに単位時間データに変換する（Ｓ３０１）。単位時間データへの変換は、ウェアラブルデバイス１１０が測定した生体データ又はそれに対してウェアラブルデバイス１１０若しくは装置１００において処理を施した当該生体データに対応するデータを１分単位のデータに変換した後にさらに１時間単位のデータに変換して行うなど、さまざまな手法を用いることができる。この点は、予測モデルの生成時においても同様である。ただし、推定時の単位時間と生成時の単位時間は等しいことが望ましい。
そして、データタイプごとに、特徴量を抽出して記憶する（Ｓ３０２）。必要に応じて特徴量のサブセットを選択し、特徴量又はそのサブセットを入力ないし入力ベクトルとして、あらかじめ生成された推定モデルを用いてうつ状態の有無を推定する（Ｓ３０３）。
上述の説明では、特定の製品をウェアラブルデバイスの例として挙げたが、加速度センサ、脈拍センサ、紫外線センサ及び温度センサを備えるものであればよく、また、予測モデルの高精度に大きく寄与していると考えられる温度センサを少なくとも備えるウェアラブルデバイスとするのが好ましい。
なお、「××のみに基づいて」、「××のみに応じて」、「××のみの場合」というように「のみ」との記載がなければ、本明細書においては、付加的な情報も考慮し得ることが想定されていることに留意されたい。また、一例として、「ａの場合にｂする」という記載は、明示した場合を除き、「ａの場合に常にｂする」ことを必ずしも意味しないことに留意されたい。
また、念のため、なんらかの方法、プログラム、端末、装置、サーバ又はシステム（以下「方法等」）において、本明細書で記述された動作と異なる動作を行う側面があるとしても、本発明の各態様は、本明細書で記述された動作のいずれかと同一の動作を対象とするものであり、本明細書で記述された動作と異なる動作が存在することは、当該方法等を本発明の各態様の範囲外とするものではないことを付言する。
実施例１−１
６２人の被験者について２日分以上の生体データをＳｉｌｍｅｅ Ｗ２０を用いて取得し、本実施形態にかかる手法によって推定モデルを生成した。推定モデルの検証は、ｌｅａｖｅ−ｏｎｅ−ｏｕｔ交差検証により行った。そして、当該推定モデルを用いたうつ状態の有無の推定結果と医師による診断結果と比較した結果が以下の表である。生体データは、診断日前の６日間のうちの２日分以上を用いており、Ｅｌａｓｔｉｃ Ｎｅｔによるサブセットの選択及びＸＧＢｏｏｓｔによる機械学習がなされている。単位時間データは、１時間単位の値である。
６２人の被験者について２日分以上の生体データをＳｉｌｍｅｅ Ｗ２０を用いて取得し、本実施形態にかかる手法によって推定モデルを生成した。推定モデルの検証は、ｌｅａｖｅ−ｏｎｅ−ｏｕｔ交差検証により行った。そして、当該推定モデルを用いたうつ状態の有無の推定結果と医師による診断結果と比較した結果が以下の表である。生体データは、診断日前の６日間のうちの２日分以上を用いており、Ｅｌａｓｔｉｃ Ｎｅｔによるサブセットの選択及びＸＧＢｏｏｓｔによる機械学習がなされている。単位時間データは、１時間単位の値である。
医師によるうつ病の診断は、うつ病の一般的な診断指標であるハミルトン評価尺度ＨＡＭＤを用いており、本実施例においてはＨＡＭＤ１７のカットオフを７とし、スコアが７を超える場合にうつ病と判断した。正解率（ａｃｃｕｒａｃｙ）は0.854、感度（ｒｅｃａｌｌ）は0.906、特異度（ｓｐｅｃｉｆｉｃｉｔｙ）は0.800であった。
本実施例によれば、高い精度でうつ状態の推定がなされており、健常者とうつ病患者とをスクリーニング可能であることが分かる。発明者らの知る限り従来うつ状態の推定に有益であると指摘された例のない肌温度を、これまで指摘されている心拍数などに組み合わせることが高い精度の実現に寄与しているものと考えられる。したがって、生体データとしては、肌温度と、歩数、エネルギー、体動、心拍数、睡眠状態及び紫外線レベルの少なくともいずれかとを含む２以上のデータタイプを含むことが好ましい。
実施例１−２
実施例１−１と同様の条件下で、５５人の被験者について診断日前の６日間のうちの３日分以上の生体データを取得し、本実施形態にかかる手法によって推定モデルの生成及びうつ状態の推定を行った結果が以下の表である。
実施例１−１と同様の条件下で、５５人の被験者について診断日前の６日間のうちの３日分以上の生体データを取得し、本実施形態にかかる手法によって推定モデルの生成及びうつ状態の推定を行った結果が以下の表である。
正解率は0.855、感度は0.862、特異度は0.846であった。
本実施例によれば、高い精度でうつ状態の推定がなされていることが分かるが、２日分の生体データで行ったうつ状態の有無の推定と比較して顕著な精度向上はみられず、本実施形態にかかる手法が、２日分又は４８時間分の生体データを用いれば十分に高い精度を得られるものであると言える。このことは、被験者がウェアラブルデバイス１１０を着用しなければならない期間の短縮につながり、着用時間が短く被験者の負担が小さいことは、うつ病早期発見のためのスクリーニングの普及を促す。
実施例１−３
８６人の被験者について３日分以上の生体データをＳｉｌｍｅｅ Ｗ２０を用いて取得し、本実施形態にかかる手法によって推定モデルを生成した。推定モデルの検証は、１０−ｆｏｌｄ交差検証により行った。そして、当該推定モデルを用いたうつ状態の有無の推定結果と医師による診断結果と比較した結果が以下の表である。生体データは、８６人について得られた２２８個のサンプルデータを１０分割した。ここで、同一の被験者のデータは同一の組（ｆｏｌｄ）に収まるようにした。また、一部の被験者からは複数のデータセットを取得している。サブセットの選択は行わず、ＸＧＢｏｏｓｔによる機械学習がなされている。単位時間データは、１時間単位の値である。
８６人の被験者について３日分以上の生体データをＳｉｌｍｅｅ Ｗ２０を用いて取得し、本実施形態にかかる手法によって推定モデルを生成した。推定モデルの検証は、１０−ｆｏｌｄ交差検証により行った。そして、当該推定モデルを用いたうつ状態の有無の推定結果と医師による診断結果と比較した結果が以下の表である。生体データは、８６人について得られた２２８個のサンプルデータを１０分割した。ここで、同一の被験者のデータは同一の組（ｆｏｌｄ）に収まるようにした。また、一部の被験者からは複数のデータセットを取得している。サブセットの選択は行わず、ＸＧＢｏｏｓｔによる機械学習がなされている。単位時間データは、１時間単位の値である。
正解率は0.737、感度は0.661、特異度は0.807であった。検証手法をＬＯＯＣＶから１０−ｆｏｌｄ交差検証に変えたことによるオーバーフィッティングの緩和が正解率等の若干の低下を招いていると考えられるが、依然として高い精度での推定がなされている。
生成された推定モデルにおいて、いずれの特徴量が推定結果に大きく寄与しているかを示す各特徴量の重要度（ｉｍｐｏｒｔａｎｃｅ）を計算した結果が以下の表であり、具体的には、ある特徴量を変化させた時にどれくらいモデル精度が改善するかを計算することで特徴量ごとの重要度を推定しており、マイクロソフトが提供するサービス「Ａｚｕｒｅ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ（商標）」を用いた。すべての特徴量について合計すると重要度は１となる。
睡眠状態と肌温度との相関係数、肌温度の第５０百分位数、そして体動の標準偏差が重要度の高い特徴量であることが分かり、肌温度の寄与が大きいことが確認された。また、肌温度と睡眠状態との相関係数の寄与も大きく、生体データとして、肌温度に加えて睡眠状態を含むことが好ましいと言える。
（第２の実施形態）
本発明の第２の実施形態は、うつ状態の有無のみならず、あるいはうつ状態の有無に代替して、うつ状態の重症度（ｓｅｖｅｒｉｔｙ）を推定可能とする。まず、複数の被験者からウェアラブルデバイス１１０により得られる生体データを用いて、うつ状態の重症度を推定するための推定モデルを機械学習によって生成する。そして、当該推定モデルを用いて新たな被験者のうつ状態の重症度を推定する。
本発明の第２の実施形態は、うつ状態の有無のみならず、あるいはうつ状態の有無に代替して、うつ状態の重症度（ｓｅｖｅｒｉｔｙ）を推定可能とする。まず、複数の被験者からウェアラブルデバイス１１０により得られる生体データを用いて、うつ状態の重症度を推定するための推定モデルを機械学習によって生成する。そして、当該推定モデルを用いて新たな被験者のうつ状態の重症度を推定する。
本実施形態における推定モデルの生成は、第１の実施形態において図２を参照して説明したものと同様であり、機械学習の際に用いる医師の診断結果がうつ状態の有無ではなくうつ状態の重症度のスコアである点と、機械学習で用いるアルゴリズムが分類問題に適したアルゴリズムではなく回帰問題に適したアルゴリズムである点で異なる。
また、本実施形態における推定モデルを用いた推定は、第１の実施形態において図３を参照して説明したものと同様であり、出力がうつ状態の有無ではなくうつ状態の重症度である点で異なる。
うつ状態の重症度には、ハミルトン評価尺度ＨＡＭＤを用いることができる。いくつかのバージョンがあり、ＨＡＭＤ１７は、医師等の専門家が１７項目を評価していき、各項目について３〜５点まであり、たとえば、７点までが正常、８〜１３点が軽症、１４〜１８点が中等症、１９〜２２点は重症、２３点以上は最重症のように診断が行われる。
本実施形態の手法によれば、うつ状態の重症度を判定可能であるため、うつ状態の治療方針の判断、処方薬の変更など、治療上必要な緻密な判断にまで寄与することができ、精神科臨床における診断治療補助において有益性が高い。
実施例２−１
６２人の被験者について２日分以上の生体データをＳｉｌｍｅｅ Ｗ２０を用いて取得し、本実施形態にかかる手法によって推定モデルを生成した。推定モデルの検証は、ｌｅａｖｅ−ｏｎｅ−ｏｕｔ交差検証により行った。そして、当該推定モデルを用いたうつ状態の有無の推定結果と医師による診断結果と比較した結果が図４である。生体データは、診断日前の６日間のうちの２日分以上を用いており、Ｅｌａｓｔｉｃ Ｎｅｔによるサブセットの選択及びＸＧＢｏｏｓｔによる機械学習がなされている。単位時間データは、１時間単位の値である。
６２人の被験者について２日分以上の生体データをＳｉｌｍｅｅ Ｗ２０を用いて取得し、本実施形態にかかる手法によって推定モデルを生成した。推定モデルの検証は、ｌｅａｖｅ−ｏｎｅ−ｏｕｔ交差検証により行った。そして、当該推定モデルを用いたうつ状態の有無の推定結果と医師による診断結果と比較した結果が図４である。生体データは、診断日前の６日間のうちの２日分以上を用いており、Ｅｌａｓｔｉｃ Ｎｅｔによるサブセットの選択及びＸＧＢｏｏｓｔによる機械学習がなされている。単位時間データは、１時間単位の値である。
平均絶対誤差（ｍｅａｎ ａｂｓｏｌｕｔｅ ｅｒｒｏｒ）は4.11で、相関係数（ｃｏｒｒｅｌａｔｉｏｎ ｃｏｅｆｆｉｃｉｅｎｔ）は0.604、ｐ値は2.04×10-7という結果となった。R2は0.341である。
実施例２−２
実施例２−１と同様の条件下で、５５人の被験者について３日分以上の生体データを取得し、本実施形態にかかる手法によって推定モデルの生成及びうつ状態の重症度の推定を行った結果が図５である。
実施例２−１と同様の条件下で、５５人の被験者について３日分以上の生体データを取得し、本実施形態にかかる手法によって推定モデルの生成及びうつ状態の重症度の推定を行った結果が図５である。
平均絶対誤差は3.29で、相関係数は0.763、ｐ値は1.22×10-11という結果となった。R2は0.570である。この結果は、実施例２−１と比較して高い相関係数を示しており、重症度推定においては、0.700を超える高い推定精度を得るには３日間又は７２時間程度又は以上の着用が必要である可能性が高いということが分かる。このことは、実施例１−１及び１−２と対比すれば、うつ状態の重症度を推定するためのモデルは、うつ状態の有無を推定するためのモデルよりも長期間計測された生体データを用いて生成することが好ましいことを意味する。
実施例２−３
８６人の被験者について７日分以上の生体データをＳｉｌｍｅｅ Ｗ２０を用いて取得し、本実施形態にかかる手法によって推定モデルを生成した。推定モデルの検証は、１０−ｆｏｌｄ交差検証により行った。そして、当該推定モデルを用いたうつ状態の有無の推定結果と医師による診断結果と比較した結果が図６である。生体データは、８６人について得られた２３６個のサンプルデータを１０分割した。ここで、同一の被験者のデータは同一の組（ｆｏｌｄ）に収まるようにした。また、一部の被験者からは複数のデータセットを取得している。サブセットの選択は行わず、ＸＧＢｏｏｓｔによる機械学習がなされている。単位時間データは、１時間単位の値である。
８６人の被験者について７日分以上の生体データをＳｉｌｍｅｅ Ｗ２０を用いて取得し、本実施形態にかかる手法によって推定モデルを生成した。推定モデルの検証は、１０−ｆｏｌｄ交差検証により行った。そして、当該推定モデルを用いたうつ状態の有無の推定結果と医師による診断結果と比較した結果が図６である。生体データは、８６人について得られた２３６個のサンプルデータを１０分割した。ここで、同一の被験者のデータは同一の組（ｆｏｌｄ）に収まるようにした。また、一部の被験者からは複数のデータセットを取得している。サブセットの選択は行わず、ＸＧＢｏｏｓｔによる機械学習がなされている。単位時間データは、１時間単位の値である。
平均絶対誤差は4.94で、相関係数は0.610、ｐ値は2.20×10-16という結果となった。R2は0.372である。検証手法をＬＯＯＣＶから１０−ｆｏｌｄ交差検証に変えたことによるオーバーシューティングの緩和が相関係数等の若干の低下を招いていると考えられるが、依然として高い精度での推定がなされている。
生成された推定モデルにおいて、いずれの特徴量が推定結果に大きく寄与しているかを示す各特徴量の重要度（ｉｍｐｏｒｔａｎｃｅ）を計算した結果が以下の表であり、具体的にはマイクロソフトが提供するサービス「Ａｚｕｒｅ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ（商標）」を用いた。すべての特徴量について合計すると重要度は１となる。
肌温度の第９５百分位数、睡眠状態と肌温度との相関係数、そして肌温度の第５０百分位数が重要度の高い特徴量であることが分かり、実施例１−３と同様に、肌温度の寄与が大きいことが確認された。また、実施例１−３と同様に、肌温度と睡眠状態との相関係数の寄与も大きく、生体データとして、肌温度に加えて睡眠状態を含むことが好ましいと言える。
１００ 装置
１０１ 処理部
１０２ 記憶部
１０３ 通信部
１１０ ウェアラブルデバイス
１０１ 処理部
１０２ 記憶部
１０３ 通信部
１１０ ウェアラブルデバイス
Claims (20)
- 被験者が身に付けたウェアラブルデバイスにより計測された生体データに基づいて被験者のうつ状態を推定する方法であって、
複数のデータタイプを含む生体データをデータタイプごとに、所定の時間単位の単位時間データに変換するステップと、
前記単位時間データに基づいて１又は複数の特徴量を抽出するステップと、
前記１又は複数の特徴量の少なくとも一部を入力として、あらかじめ定めた推定モデルを用いてうつ状態を推定するステップと
を含み、
前記１又は複数の特徴量は、各データタイプの前記単位時間データの分位数及び複数のデータタイプの各組合せの相関係数を含むことを特徴とする方法。 - 前記所定の時間単位は１時間単位であることを特徴とする１に記載の方法。
- 前記複数のデータタイプは、肌温度を含むことを特徴とする請求項１から４のいずれかに記載の方法。
- 前記１又は複数の特徴量は、肌温度の分位数を含むことを特徴とする請求項３に記載の方法。
- 前記複数のデータタイプは、睡眠状態を含むことを特徴とする請求項３又は４に記載の方法。
- 前記１又は複数の特徴量は、肌温度と睡眠状態との相関係数を含むことを特徴とする請求項５に記載の方法。
- 前記１又は複数の特徴量は、各データタイプの前記単位時間データの標準偏差をさらに含むことを特徴とする請求項１から６のいずれかに記載の方法。
- 前記１又は複数の特徴量の前記少なくとも一部は、正則化によって選択することを特徴とする請求項１から７のいずれかに記載の方法。
- 前記推定モデルは、機械学習により生成されたうつ状態の有無を推定するモデルであることを特徴とする請求項１から８のいずれかに記載の方法。
- 前記推定モデルは、機械学習により生成されたうつ状態の重症度を推定するモデルであることを特徴とする請求項１から８のいずれかに記載の方法。
- 前記重症度は、ＨＡＭＤのスコアであることを特徴とする請求項１０に記載の方法。
- 前記推定モデルは、機械学習により生成されたうつ状態の有無を推定する第１のモデル及び機械学習により生成されたうつ状態の重症度を推定する第２のモデルを含み、
前記第２のモデルは生成に用いる生体データは、前記第１のモデルの生成に用いる生体データよりも長期間計測されたものであることを特徴とする請求項１から８のいずれかに記載の方法。 - コンピュータに、被験者が身に付けたウェアラブルデバイスにより計測された生体データに基づいて被験者のうつ状態を推定する方法を実行させるためのプログラムであって、前記方法は、
複数のデータタイプを含む生体データをデータタイプごとに、所定の時間単位の単位時間データに変換するステップと、
前記単位時間データから１又は複数の特徴量を抽出するステップと、
前記１又は複数の特徴量の少なくとも一部を入力として、あらかじめ定めた推定モデルを用いてうつ状態を推定するステップと
を含み、
前記１又は複数の特徴量は、各データタイプの前記単位時間データの分位数及び複数のデータタイプの各組合せの相関係数を含むことを特徴とする方法。 - 被験者が身に付けたウェアラブルデバイスにより計測された生体データに基づいて被験者のうつ状態を推定する装置であって、
複数のデータタイプを含む生体データをデータタイプごとに、所定の時間単位の単位時間データに変換し、
前記単位時間データから１又は複数の特徴量を抽出し、
前記１又は複数の特徴量の少なくとも一部を入力として、あらかじめ定めた推定モデルを用いてうつ状態を推定し、
前記１又は複数の特徴量は、各データタイプの前記単位時間データの分位数及び複数のデータタイプの各組合せの相関係数を含むことを特徴とする装置。 - 複数の被験者の生体データに基づいてうつ状態を推定するための推定モデルの生成方法であって、
被験者ごとに、複数のデータタイプを含む各被験者が身に付けたウェアラブルデバイスにより計測された生体データをデータタイプごとに、所定の時間単位の時間単位データに変換するステップと、
被験者ごとに、前記時間単位データから１又は複数の特徴量を抽出するステップと、
各被験者の前記１又は複数の特徴量の少なくとも一部を入力ベクトルとし、各被験者についての専門家による診断結果をラベルとする教師データを用いた機械学習により、前記推定モデルを生成するステップと
を含み、
前記１又は複数の特徴量は、各データタイプの前記単位時間データの分位数及び複数のデータタイプの各組合せの相関係数を含むことを特徴とする生成方法。 - 前記機械学習は、アンサンブル学習であることを特徴とする請求項１５に記載の方法。
- 前記１又は複数の特徴量は、各データタイプの前記時間単位データの標準偏差をさらに含むことを特徴とする請求項１５又は１６に記載の方法。
- 前記１又は複数の特徴量の前記少なくとも一部は、正則化によって選択することを特徴とする請求項１５から１７のいずれかに記載の方法。
- コンピュータに、複数の被験者の生体データに基づいてうつ状態を推定するための推定モデルの生成方法を実行させるためのプログラムであって、前記生成方法は、
被験者ごとに、複数のデータタイプを含む各被験者が身に付けたウェアラブルデバイスにより計測された生体データをデータタイプごとに、所定の時間単位の単位時間データに変換するステップと、
被験者ごとに、前記単位時間データから１又は複数の特徴量を抽出するステップと、
各被験者の前記１又は複数の特徴量の少なくとも一部を入力とし、各被験者についての専門家による診断結果をラベルとする教師データを用いた機械学習により、前記推定モデルを生成するステップと
を含み、
前記１又は複数の特徴量は、各データタイプの前記単位時間データの分位数及び複数のデータタイプの各組合せの相関係数を含むことを特徴とするプログラム。 - 複数の被験者の生体データに基づいてうつ状態を推定するための推定モデルを生成する装置であって、
被験者ごとに、複数のデータタイプを含む各被験者が身に付けたウェアラブルデバイスにより計測された生体データをデータタイプごとに、所定の時間単位の単位時間データに変換し、
被験者ごとに、前記単位時間データから１又は複数の特徴量を抽出し、
各被験者の前記１又は複数の特徴量の少なくとも一部を入力とし、各被験者についての専門家による診断結果をラベルとする教師データを用いた機械学習により、前記推定モデルを生成し、 前記１又は複数の特徴量は、各データタイプの前記単位時間データの分位数及び複数のデータタイプの各組合せの相関係数を含むことを特徴とする装置。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2018234966 | 2018-12-14 | ||
| JP2018234966 | 2018-12-14 | ||
| PCT/JP2019/048904 WO2020122227A1 (ja) | 2018-12-14 | 2019-12-13 | うつ状態を推定する装置、方法及びそのためのプログラム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPWO2020122227A1 true JPWO2020122227A1 (ja) | 2021-12-16 |
| JP7502192B2 JP7502192B2 (ja) | 2024-06-18 |
Family
ID=71075648
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2020559336A Active JP7502192B2 (ja) | 2018-12-14 | 2019-12-13 | うつ状態を推定する装置、方法及びそのためのプログラム |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US20220059226A1 (ja) |
| JP (1) | JP7502192B2 (ja) |
| CN (1) | CN113164163A (ja) |
| CA (1) | CA3123192A1 (ja) |
| WO (1) | WO2020122227A1 (ja) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102608408B1 (ko) * | 2021-06-04 | 2023-11-30 | 주식회사 커넥티드인 | 인공지능 모델을 이용한 우울증 발생 예측방법 및 이를 기록한 컴퓨터 판독 가능한 기록매체 |
| KR20230035182A (ko) * | 2021-09-03 | 2023-03-13 | 삼성전자주식회사 | 정신 건강 관리를 위한 전자 장치 및 이의 제어 방법 |
| WO2023224085A1 (ja) * | 2022-05-19 | 2023-11-23 | 塩野義製薬株式会社 | 情報処理システムおよび情報処理方法 |
| CN115496105B (zh) * | 2022-09-28 | 2023-10-24 | 广东省新黄埔中医药联合创新研究院 | 睡眠预测模型训练方法、睡眠状况预测方法及相关装置 |
Family Cites Families (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010126625A1 (en) * | 2009-04-30 | 2010-11-04 | Medtronic, Inc. | Patient state detection based on support vector machine based algorithm |
| KR20130051922A (ko) * | 2010-03-04 | 2013-05-21 | 뉴미트라 엘엘씨 | 심리장애(ｐｓｙｃｈｏｌｏｇｉｃａｌ ｄｉｓｏｒｄｅｒｓ) 치료를 위한 장치 및 방법 |
| US20130225575A1 (en) * | 2010-06-16 | 2013-08-29 | Afraxis, Inc. | Methods for treating neurological conditions |
| WO2012093143A1 (fr) * | 2011-01-04 | 2012-07-12 | Jabourian Artin Pascal | Systeme automatise de mesure du degre de motivation chez un individu et procede associe |
| EP2914752B1 (en) * | 2012-11-02 | 2022-03-09 | The Johns Hopkins University | Dna methylation biomarkers of post-partum depression risk |
| US20170215782A1 (en) * | 2014-08-26 | 2017-08-03 | Toyobo Co., Ltd. | Method for determining a depression state and depression state determination device |
| JP6635507B2 (ja) * | 2015-02-27 | 2020-01-29 | 公立大学法人首都大学東京 | 精神状態判定方法及び精神状態判定プログラム |
| JP2018524137A (ja) * | 2015-06-15 | 2018-08-30 | メディバイオ リミテッドＭｅｄｉｂｉｏ Ｌｉｍｉｔｅｄ | 心理状態を評価するための方法およびシステム |
| CN105147248B (zh) * | 2015-07-30 | 2019-02-05 | 华南理工大学 | 基于生理信息的抑郁症评估系统及其评估方法 |
| CN106175800A (zh) * | 2016-07-10 | 2016-12-07 | 北京工业大学 | 一种基于人体运动状态数据的心境状态量化评估方法 |
| JP2018015327A (ja) * | 2016-07-28 | 2018-02-01 | 株式会社リコー | 診断装置、診断方法、プログラム |
| EP3503809A4 (en) * | 2016-08-26 | 2020-01-01 | Akili Interactive Labs, Inc. | COGNITIVE PLATFORM COUPLED WITH A PHYSIOLOGICAL COMPONENT |
| JP6784368B2 (ja) * | 2016-09-01 | 2020-11-11 | 東洋紡株式会社 | うつ状態判別方法及びうつ状態判定装置 |
| JP6722845B2 (ja) * | 2017-10-03 | 2020-07-15 | 株式会社国際電気通信基礎技術研究所 | 判別装置、うつ症状の判別方法、うつ症状のレベルの判定方法、うつ病患者の層別化方法、うつ症状の治療効果の判定方法及び脳活動訓練装置 |
| KR101911516B1 (ko) * | 2017-12-26 | 2018-10-24 | (주)에프앤아이 | 사용자의 심리 상태 데이터를 획득하고 사용자의 심리 상태를 판단하고 피드백을 제공하는 방법 및 이를 이용한 서버 |
| CN108888281A (zh) * | 2018-08-16 | 2018-11-27 | 华南理工大学 | 精神状态评估方法、设备及系统 |
-
2019
- 2019-12-13 WO PCT/JP2019/048904 patent/WO2020122227A1/ja active Application Filing
- 2019-12-13 US US17/413,476 patent/US20220059226A1/en active Pending
- 2019-12-13 CA CA3123192A patent/CA3123192A1/en active Pending
- 2019-12-13 CN CN201980082589.5A patent/CN113164163A/zh active Pending
- 2019-12-13 JP JP2020559336A patent/JP7502192B2/ja active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CA3123192A1 (en) | 2020-06-18 |
| WO2020122227A1 (ja) | 2020-06-18 |
| CN113164163A (zh) | 2021-07-23 |
| US20220059226A1 (en) | 2022-02-24 |
| JP7502192B2 (ja) | 2024-06-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JPWO2020122227A1 (ja) | うつ状態を推定する装置、方法及びそのためのプログラム | |
| US20230255564A1 (en) | Systems and methods for machine-learning-assisted cognitive evaluation and treatment | |
| US20150148621A1 (en) | Methods and systems for creating a preventative care plan in mental illness treatment | |
| Jeon et al. | High-accuracy automatic classification of Parkinsonian tremor severity using machine learning method | |
| JP5135197B2 (ja) | 生体指標管理装置 | |
| KR102208759B1 (ko) | 생체 신호에 기반하여 건강상태 및 병리증상을 진단하기 위한 딥러닝 모델 생성방법 | |
| Nag et al. | Cross-modal health state estimation | |
| Kelly et al. | Automatic prediction of health status using smartphone-derived behavior profiles | |
| Tay et al. | The effect of sample age and prediction resolution on myocardial infarction risk prediction | |
| Ko et al. | Predicting sarcopenia of female elderly from physical activity performance measurement using machine learning classifiers | |
| Cosoli et al. | Methods for the metrological characterization of wearable devices for the measurement of physiological signals: state of the art and future challenges | |
| CN114469141A (zh) | 用于从大脑活动中解码和弦信息的系统和方法 | |
| Fonseca et al. | A computationally efficient algorithm for wearable sleep staging in clinical populations | |
| JP5911840B2 (ja) | 診断データ生成装置および診断装置 | |
| WO2023281424A1 (en) | Integrative system and method for performing medical diagnosis using artificial intelligence | |
| Kalina et al. | System for selecting relevant information for decision support | |
| JP2021189093A (ja) | 自己免疫性水疱症の診断装置 | |
| Tsiouris et al. | Mining motor symptoms UPDRS data of Parkinson's disease patients for the development of Hoehn and Yahr estimation decision support system | |
| CN116019429A (zh) | 基于生理指标的健康监测方法、装置、设备及存储介质 | |
| Adnan et al. | Unmasking Parkinson's Disease with Smile: An AI-enabled Screening Framework | |
| WO2021048514A1 (en) | Predicting clinical outcomes in parkinson's disease | |
| Wang et al. | A convenient non-harm cervical spondylosis intelligent identity method based on machine learning | |
| Gashi et al. | Modeling multiple sclerosis using mobile and wearable sensor data | |
| WO2022157872A1 (ja) | 情報処理装置、特徴量選択方法、教師データ生成方法、推定モデル生成方法、ストレス度の推定方法、およびプログラム | |
| Hong et al. | Natural language processing to detect cognitive concerns in electronic health records using deep learning |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210524 |
|
| AA64 | Notification of invalidation of claim of internal priority (with term) |
Free format text: JAPANESE INTERMEDIATE CODE: A241764 Effective date: 20210917 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210924 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20221208 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20221213 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240126 |
|
| A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20240325 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240519 |
|
| 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: 20240531 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240606 |