JPWO2021060544A5 - - Google Patents

Download PDF

Info

Publication number
JPWO2021060544A5
JPWO2021060544A5 JP2021548471A JP2021548471A JPWO2021060544A5 JP WO2021060544 A5 JPWO2021060544 A5 JP WO2021060544A5 JP 2021548471 A JP2021548471 A JP 2021548471A JP 2021548471 A JP2021548471 A JP 2021548471A JP WO2021060544 A5 JPWO2021060544 A5 JP WO2021060544A5
Authority
JP
Japan
Prior art keywords
information
state
environmental
data
health
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
Application number
JP2021548471A
Other languages
English (en)
Other versions
JPWO2021060544A1 (ja
JP7369784B2 (ja
Filing date
Publication date
Application filed filed Critical
Priority claimed from PCT/JP2020/036479 external-priority patent/WO2021060544A1/ja
Publication of JPWO2021060544A1 publication Critical patent/JPWO2021060544A1/ja
Publication of JPWO2021060544A5 publication Critical patent/JPWO2021060544A5/ja
Application granted granted Critical
Publication of JP7369784B2 publication Critical patent/JP7369784B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Claims (30)

  1. 所与の日時及び場所における対象生体の生体状態に影響し得る、太陽活動、地磁気活動、電離圏活動、宇宙線量、銀河宇宙線量、F10.7インデックス、黒点数、プロトン現象、バルクスピード、プロトンフラックス、放射線帯電子、電離圏嵐、デリンジャー現象、スポラディックE層、月齢およびシューマン共振の少なくともひとつを指す宇宙天気を含む環境要因の状態を示す環境情報を取得する環境情報取得部と、
    過去に計測された前記宇宙天気を含む前記環境要因の状態を示すデータと、当該環境要因の状態の計測が実行された場所及び時期に対応する場所及び時期に計測された、複数の人からなる集団の心理状態を示す集団心理状態情報を示すデータとに基づいて、前記対象生体の心理状態である生体状態を推測する状態モデルを保持する記憶部と、
    前記所与の日時および場所における前記環境情報と、前記所与の日時および場所における前記集団心理状態情報を示すデータとに基づいて、前記状態モデルを用いて、前記環境情報に対応する前記対象生体の前記生体状態を特定し、特定した前記生体状態に関連する情報を推測して出力する制御部と、を備え、
    前記集団心理状態情報は、前記集団によるSNS(Social Networking Service)の投稿を分析した情報を含む、
    情報提供装置。
  2. 前記制御部は、
    前記環境情報に基づいて推定された環境要因を用いた感情推定モデルに基づいて、前記対象生体の感情を表す指標である感情指標であって、前記対象生体の感情を推定することが望まれる対象日時における感情指標を特定する感情推定部と、
    前記感情推定部が特定した前記感情指標に基づいて、前記対象日時における前記対象生体の行動を予測して出力する行動予測部と、を備える
    請求項1に記載の情報提供装置。
  3. 前記制御部は、
    前記環境情報に基づいて生成された環境要因を用いた健康影響モデルを用いて前記環境情報に対応する健康状態を判定し、判定した前記健康状態に基づく、前記所与の日時における前記対象生体の健康状態に関連する健康情報を取得して出力する健康判定部と、を備える、
    請求項1または2に記載の情報提供装置。
  4. 前記環境要因は、
    気圧、降水量、雲量、気温、湿度、風速、日照時間、雷数、降雪量及び季節の少なくともひとつを指す気象と、を含み、
    前記生体状態は、傷病又は傷病を原因とする死亡に関する生体状態であり、
    前記生体状態に関連する情報は、症状、感情、易怒性、機嫌、幸福感、集中力、注意力、衝動性、活動性、躁行動、鬱行動、犯罪行為、交通事故、休息行動、通勤・通学行動、通院行動、購買行動、外食行動、迷惑行為、飲酒行為、睡眠、及び、外出行動の少なくともひとつを示す、
    請求項1から3のいずれか一項に記載の情報提供装置。
  5. (削除)
  6. (削除)
  7. 前記環境要因は、気圧、降水量、雲量、気温、湿度、風速、日照時間、雷数、降雪量及び季節のうちの一つと、太陽活動、地磁気活動、宇宙線量、銀河宇宙線量、F10.7インデックス、黒点数、プロトン現象、バルクスピード、プロトンフラックス、および、月齢のうちの一つを指す宇宙天気と、集団心理状態情報と、SO2、CO、O3、NOx、NO、NO2、CH4、およびPM10のうちの少なくとも一つと、を含む、
    請求項1から4のいずれか一項に記載の情報提供装置。
  8. 前記環境要因は、前記気圧、前記降水量、前記雲量、前記気温、前記湿度、前記風速、前記日照時間、前記雷数、前記降雪量及び前記季節の少なくともひとつを指す前記気象と、前記太陽活動、前記地磁気活動、前記電離圏活動、前記宇宙線量、前記銀河宇宙線量、前記F10.7インデックス、前記黒点数、前記プロトン現象、前記放射線帯電子、前記電離圏嵐、前記デリンジャー現象、前記スポラディックE層、および前記月齢の少なくともひとつを指す前記宇宙天気の累積曝露量を含む、
    請求項4に記載の情報提供装置。
  9. 前記健康影響モデルは、前記過去に計測された環境要因の状態を示すデータと前記対象生体の健康状態のデータとに基づいて、前記環境要因の状態と前記対象生体の健康状態との関連性を統計的に解析することによって得られた健康影響モデルを含む、
    請求項3に記載の情報提供装置。
  10. 前記健康影響モデルは、前記過去に計測された環境要因の状態を示すデータを学習データとして用い、前記対象生体の健康状態のデータを教師データとして用いる機械学習によって得られた推論モデルである
    請求項3に記載の情報提供装置。
  11. 前記健康影響モデルは、さらに前記対象生体の集団の心理状態を示すデータと前記対象生体の健康状態のデータとに基づき、
    前記健康判定部は、さらに前記対象生体を含む集団の心理状態を示す集団心理状態情報を取得し、
    前記健康判定部が前記健康影響モデルを用いて判定する前記健康状態は、前記集団心理状態情報が示す心理状態にさらに対応する
    請求項3に記載の情報提供装置。
  12. 前記健康影響モデルは、さらに前記対象生体を取り巻く環境で採取された環境遺伝子のデータと前記対象生体の健康状態のデータとに基づき、
    前記健康判定部は、さらに前記対象生体を取り巻く環境で採取された環境遺伝子から得られる情報である環境遺伝子情報を取得し、
    前記健康判定部が前記健康影響モデルを用いて判定する前記健康状態は、前記環境遺伝子情報が示す環境遺伝子情報にさらに対応する
    請求項3に記載の情報提供装置。
  13. 前記健康影響モデルは、さらに前記対象生体の個体情報のデータに基づき、
    前記健康判定部は、さらに前記対象生体の個体情報を取得し、
    前記健康判定部が前記健康影響モデルを用いて判定する前記健康状態は、前記対象生体の個体情報にさらに対応する
    請求項3に記載の情報提供装置。
  14. 前記健康影響モデルは、前記過去に計測された環境要因の状態を示すデータと前記対象生体の健康状態のデータとに基づいて、所定の日時における前記対象生体の前記健康状態を予測する、
    請求項3に記載の情報提供装置。
  15. 前記健康影響モデルは、前記過去に計測された環境要因の状態を示すデータと前記対象生体の健康状態のデータとに基づいて、所定の日時における前記対象生体の前記健康状態の悪化または疾患の発症を予測する、
    請求項14に記載の情報提供装置。
  16. 前記感情推定モデルは、前記過去に計測された環境要因の状態を示すデータと前記対象生体の感情指標のデータとに基づいて、前記環境要因の状態と前記対象生体の感情指標との関連性を統計的に解析することによって得られたモデルである、
    請求項2に記載の情報提供装置。
  17. 前記感情推定モデルは、前記過去に計測された環境要因の状態を示すデータを学習データとして用い、前記対象生体の感情のデータを教師データとして用いる機械学習によって得られた推論モデルである、
    請求項2に記載の情報提供装置。
  18. 前記機械学習は深層学習である、
    請求項17に記載の情報提供装置。
  19. 前記感情推定部は、対象日時より以前の所定時間分の前記環境情報に基づいて、前記対象日時における前記対象生体の感情を表す感情指標を特定する、
    請求項17に記載の情報提供装置。
  20. 前記感情推定部は、前記過去に計測された環境要因の状態を示すデータと前記対象生体の感情指標のデータとに基づいて、所定の日時における前記対象生体の感情を表す前記感情指標を予測する、
    請求項2に記載の情報提供装置。
  21. 前記行動予測部は、前記対象生体の感情指標のデータに基づいて、前記対象生体の感情指標のデータと前記対象生体が行った行動を示すデータとの関連性を統計的に解析することによって得られたモデルを用いて、対象日時における前記対象生体の行動を予測する、
    請求項2に記載の情報提供装置。
  22. 前記感情推定部は、前記過去に計測された環境要因の状態を示すデータと前記対象生体の感情指標のデータとに基づいて、1または複数の前記対象生体の感情指標の変化の周期性を同定し、前記周期性に基づいて、1または複数の前記対象生体の感情指標を特定または予測する、
    請求項2に記載の情報提供装置。
  23. 前記行動予測部は、前記対象生体の感情指標のデータに基づいて、1または複数の前記対象生体の行動の変化の周期性を同定し、前記周期性に基づいて、1または複数の前記対象生体の行動を特定または予測する、
    請求項2に記載の情報提供装置。
  24. 前記個体情報は、生体情報、遺伝情報、エピジェネティック情報及び誕生時期の少なくともひとつを含む
    請求項13に記載の情報提供装置。
  25. さらに第一センサを備え、
    前記環境情報取得部は、前記第一センサを用いた計測の結果に基づいて取得された前記生体状態に関する情報を前記個体情報として取得する
    請求項13に記載の情報提供装置。
  26. さらに第二センサを備え、
    前記環境情報取得部は、前記第二センサを用いた計測の結果に基づく前記環境情報を取得する
    請求項25に記載の情報提供装置。
  27. さらに通信部を備え、
    前記環境情報取得部は、前記通信部が外部から受信するデータに基づいて前記環境情報を取得する
    請求項1~4および7~26のいずれか一項に記載の情報提供装置。
  28. 前記記憶部は、前記過去に計測された環境要因の状態を示すデータと、当該環境要因の状態の計測が実行された場所及び時期に対応する場所及び時期に観測された経済動向のデータとに基づく経済影響モデルとをさらに保持し、
    前記環境情報取得部はさらに、前記経済影響モデルを用いて、前記環境情報に対応する経済動向を判定し、判定した前記経済動向に基づく、現在又は将来における経済動向に関連する経済情報を取得して出力する
    請求項1~4および7~27のいずれか一項に記載の情報提供装置。
  29. 所与の日時及び場所における対象生体の生体状態に影響し得る、太陽活動、地磁気活動、電離圏活動、宇宙線量、銀河宇宙線量、F10.7インデックス、黒点数、プロトン現象、バルクスピード、プロトンフラックス、放射線帯電子、電離圏嵐、デリンジャー現象、スポラディックE層、月齢およびシューマン共振の少なくともひとつを指す宇宙天気を含む環境要因の状態を示す環境情報を取得する環境情報取得ステップと、
    過去に計測された前記宇宙天気を含む前記環境要因の状態を示すデータと、当該環境要因の状態の計測が実行された場所及び時期に対応する場所及び時期に計測された、複数の人からなる集団の心理状態を示す集団心理状態情報を示すデータとに基づいて、前記対象生体の心理状態である前記生体状態を推測する状態モデルを保持する記憶ステップと、
    前記所与の日時および場所における前記環境情報と、前記所与の日時および場所における前記集団心理状態情報を示すデータとに基づいて、前記状態モデルを用いて、前記環境情報に対応する前記対象生体の前記生体状態を特定し、特定した前記生体状態に関連する情報を推測して出力する制御ステップと、を含み、
    前記集団心理状態情報は、前記集団によるSNS(Social Networking Service)の投稿を分析した情報を含む、
    情報提供方法。
  30. 請求項29に記載の情報提供方法をコンピュータに実行させるプログラム。
JP2021548471A 2019-09-25 2020-09-25 情報提供装置、情報提供方法及びプログラム Active JP7369784B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2019174431 2019-09-25
JP2019174431 2019-09-25
PCT/JP2020/036479 WO2021060544A1 (ja) 2019-09-25 2020-09-25 情報提供装置、情報提供方法及びプログラム

Publications (3)

Publication Number Publication Date
JPWO2021060544A1 JPWO2021060544A1 (ja) 2021-04-01
JPWO2021060544A5 true JPWO2021060544A5 (ja) 2022-07-13
JP7369784B2 JP7369784B2 (ja) 2023-10-26

Family

ID=75166266

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2021548471A Active JP7369784B2 (ja) 2019-09-25 2020-09-25 情報提供装置、情報提供方法及びプログラム

Country Status (2)

Country Link
JP (1) JP7369784B2 (ja)
WO (1) WO2021060544A1 (ja)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023181822A1 (ja) * 2022-03-22 2023-09-28 テルモ株式会社 解析装置、解析システム、及び解析方法
CN114927164A (zh) * 2022-07-18 2022-08-19 深圳市爱云信息科技有限公司 基于aiot平台的样本兼容检测方法、装置、设备与存储介质

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002153665A (ja) * 2000-11-17 2002-05-28 Hoshi To Mori:Kk 電子メールを利用した占いの送信システム
BR112012030903A2 (pt) * 2010-06-07 2019-09-24 Affectiva Inc método imnplantado por computador para analisar estados mentais, produto de programa de computador e sistema para analisar estados mentais
JP5963709B2 (ja) * 2013-05-27 2016-08-03 株式会社日立製作所 計算機、予測方法、及び、予測プログラム
WO2016170810A1 (ja) * 2015-04-23 2016-10-27 ソニー株式会社 情報処理装置、制御方法、およびプログラム
JP2017168054A (ja) * 2016-03-18 2017-09-21 株式会社Nttドコモ 情報処理装置及び情報処理方法
JP7025131B2 (ja) * 2017-05-26 2022-02-24 一般財団法人日本気象協会 コンピュータプログラム、端末、方法およびサーバ
CN107390297A (zh) * 2017-07-14 2017-11-24 昆明医科大学第附属医院 利用多重空间天气观测数据预警地磁暴诱发心脑血管事件的方法

Similar Documents

Publication Publication Date Title
Quick et al. Hidden Markov models reveal complexity in the diving behaviour of short-finned pilot whales
Spiegelhalter et al. Don't know, can't know: embracing deeper uncertainties when analysing risks
Hondula et al. Fine-scale spatial variability of heat-related mortality in Philadelphia County, USA, from 1983-2008: a case-series analysis
Kumar et al. A machine learning-based model to estimate PM2. 5 concentration levels in Delhi's atmosphere
Makido et al. Daytime variation of urban heat islands: the case study of Doha, Qatar
Gu et al. A stacking ensemble learning model for monthly rainfall prediction in the Taihu Basin, China
Mannocci et al. Extrapolating cetacean densities beyond surveyed regions: habitat‐based predictions in the circumtropical belt
JPWO2021060544A5 (ja)
Lindegarth et al. Comparing categorical and continuous ecological analyses: effects of “wave exposure” on rocky shores
dos Santos Protázio et al. Acoustic ecology of an anuran assemblage in the arid Caatinga of northeastern Brazil
De Luca et al. Stationary and non-stationary frameworks for extreme rainfall time series in southern Italy
Freeman et al. Predictive ethoinformatics reveals the complex migratory behaviour of a pelagic seabird, the Manx Shearwater
Sahu Bayesian modeling of spatio-temporal data with R
Kallimanis et al. Geographical patterns of Corine land cover diversity across Europe: The effect of grain size and thematic resolution
Xia et al. Identification of high-risk habitats of Oncomelania hupensis, the intermediate host of schistosoma japonium in the Poyang Lake region, China: A spatial and ecological analysis
Horváth et al. Zooplankton communities and Bythotrephes longimanus in lakes of the montane region of the northern Alps
Song et al. Modeling fire occurrence at the city scale: A comparison between geographically weighted regression and global linear regression
de Oliveira da Conceição et al. Mapping the observed and modelled intracontinental distribution of non-marine ostracods from South America
Plocoste et al. Forecasting PM 10 Concentrations in the Caribbean Area Using Machine Learning Models
Chen et al. A method for selecting the typical days with full urban heat island development in hot and humid area, case study in Guangzhou, China
Mukhawana et al. Review of in-Situ and remote sensing-based indices and their Applicability for integrated drought monitoring in South Africa
Gao et al. Atmospheric teleconnection-based extreme drought prediction in the core drought region in China
KR20190093750A (ko) 산림치유잠재력을 나타내기 위한 산림치유지수를 제공하는 방법 및 장치
Wei Study on wind simulations using deep learning techniques during typhoons: A case study of Northern Taiwan
Moustris et al. One-day prediction of biometeorological conditions in a mediterranean urban environment using artificial neural networks modeling