KR20230062852A

KR20230062852A - 생체 정보 연산 시스템

Info

Publication number: KR20230062852A
Application number: KR1020237011086A
Authority: KR
Inventors: 신타로 쿠라사와; 슌 치노; 치노
Original assignee: 에스에스에스티 가부시키가이샤
Priority date: 2020-09-03
Filing date: 2021-09-02
Publication date: 2023-05-09
Also published as: EP4210066A1; EP4210066A4; TW202219974A; US20240016396A1; CN116097366A; WO2022050336A1

Abstract

[과제] 유저의 상태에 관한 정량적인 평가를 실현할 수 있는 생체 정보 연산 시스템을 제공한다.
[해결 수단] 유저의 혈액에 관한 혈액 정보를 산출하는 생체 정보 연산 시스템으로서 취득 수단과, 데이터베이스와, 산출 수단과, 평가 수단을 갖추는 것을 특징으로 한다. 취득 수단은 유저의 맥파에 기초하는 평가 데이터를 취득한다. 데이터베이스에는, 미리 취득된 학습용 맥파에 기초하는 입력 데이터, 및 입력 데이터에 연계되는 혈액 정보를 포함하는 참조 데이터의 한 쌍을 학습 데이터로 하여, 복수의 학습 데이터를 사용하여 생성된 분류 정보가 기억된다. 산출 수단은, 데이터베이스를 참조하여, 평가 데이터에 대한 혈액 정보를 산출한다. 평가 수단은, 혈액 정보에 기초하여, 유저의 상태에 관한 평가 결과를 생성한다.

Description

생체 정보 연산 시스템

본 발명은 생체 정보 연산 시스템에 관한 것이다.

종래, 유저의 혈당값 등과 같은 혈액 정보를 산출하는 방법으로서, 예를 들면, 특허문헌 1과 같은 방법이 제안되었다.

특허문헌 1에 개시된 비침습 혈당값 계측 장치는 피험자의 가속도 맥파를 측정하는 FBG 센서를 갖춘 맥파 측정부와, 측정된 가속도 맥파의 파형 정보로부터, 미리 정한 상관관계에 기초하여, 당해 가속도 맥파의 측정 시점의 상기 피험자의 혈당값을 산출하는 데이터 처리부를 갖춘다. 상관관계는 침습 측정법에 의해 측정한 혈당값을 목적변수로 하고, 동시 측정한 가속도 맥파를 설명변수로 하여 PLS 회귀분석을 행하여 구축된 검량선이다.

일본 특허 제6544751호 공보

여기에서, 특허문헌 1과 같은 혈액 정보의 산출 결과에서는, 유저의 상태를 파악하기 어렵다.

그래서 본 발명은 상기한 문제점을 감안하여 안출된 것으로, 그 목적으로 하는 바는, 유저의 상태에 관한 정량적인 평가를 실현할 수 있는 생체 정보 연산 시스템을 제공하는 것에 있다.

제1 발명에 따른 생체 정보 연산 시스템은 유저의 혈액에 관한 혈액 정보를 산출하는 생체 정보 연산 시스템으로서, 상기 유저의 맥파에 기초하는 평가 데이터를 취득하는 취득 수단과, 미리 취득된 학습용 맥파에 기초하는 입력 데이터, 및 상기 입력 데이터에 연계되는 상기 혈액 정보를 포함하는 참조 데이터의 한 쌍을 학습 데이터로 하여, 복수의 상기 학습 데이터를 사용하여 생성된 분류 정보가 기억된 데이터베이스와, 상기 데이터베이스를 참조하여, 상기 평가 데이터에 대한 상기 혈액 정보를 산출하는 산출 수단과, 상기 혈액 정보에 기초하여, 상기 유저의 상태에 관한 평가 결과를 생성하는 평가 수단을 갖추는 것을 특징으로 한다.

제2 발명에 따른 생체 정보 연산 시스템은, 제1 발명에 있어서, 상기 혈액 정보는 혈당값을 포함하고, 상기 평가 수단은 각각 다른 상기 평가 데이터로부터 산출된 복수의 상기 유저의 혈당값에 기초하여, 상기 유저의 혈당값의 변화를 나타내는 혈당 스파이크 정보를 포함하는 상기 평가 결과를 생성하는 것을 특징으로 한다.

제3 발명에 따른 생체 정보 연산 시스템은, 제1 발명에 있어서, 상기 혈액 정보는 혈당값을 포함하고, 상기 평가 수단은 상기 평가 데이터, 및 상기 평가 데이터로부터 산출된 혈당값에 기초하여, 상기 평가 결과를 생성하는 것을 특징으로 한다.

제4 발명에 따른 생체 정보 연산 시스템은, 제1 발명에 있어서, 상기 혈액 정보는 상기 혈액의 조성에 관한 특징을 포함하고, 상기 평가 수단은 각각 다른 상기 평가 데이터로부터 산출된 복수의 상기 혈액의 조성에 관한 특징에 기초하여, 상기 유저의 운동능력의 경향을 나타낸 상기 평가 결과를 생성하는 것을 특징한다.

제5 발명에 따른 생체 정보 연산 시스템은, 제1 발명에 있어서, 상기 유저의 생체 정보에 관한 특징을 나타내는 부가 정보를 취득하고, 상기 평가 결과 및 상기 부가 정보에 기초하여, 상기 유저의 건강 상태를 평가한 종합평가 결과를 생성하는 집계 수단을 갖추는 것을 특징으로 한다.

제6 발명에 따른 생체 정보 연산 시스템은, 제1 발명에 있어서, 상기 취득 수단은, 상기 맥파에 기초하여, 상기 평가 데이터와는 다른 특징을 나타내는 부가 데이터를 취득하는 것을 포함하고, 상기 산출 수단은, 상기 데이터베이스를 참조하여, 상기 부가 데이터에 대한 상기 유저의 생체 정보에 관한 특징을 나타내는 부가 정보를 생성하는 것을 포함하는 것을 특징으로 한다.

제7 발명에 따른 생체 정보 연산 시스템은, 제1 발명에 있어서, 상기 평가 수단은 상기 유저의 생체 정보에 관한 특징을 나타내는 부가 정보를 취득하고, 복수의 상기 특징 데이터 및 상기 부가 정보에 기초하여, 상기 평가 결과를 생성하는 것을 포함하는 것을 특징으로 한다.

제8 발명에 따른 생체 정보 연산 시스템은, 제1 발명에 있어서, 상기 취득 수단은, 상기 맥파에 기초하여, 상기 평가 데이터와는 다른 예비 평가 데이터를 취득하는 것을 포함하고, 상기 분류 정보는 각각 다른 상기 학습 데이터를 사용하여 산출된 복수의 속성별 분류 정보를 포함하고, 상기 산출 수단은, 상기 예비 평가 데이터를 참조하여, 복수의 상기 속성별 분류 정보 중 제1 분류 정보를 선택하는 선택 수단과, 상기 제1 분류 정보를 참조하여, 상기 평가 데이터에 대한 상기 혈액 정보를 산출하는 속성별 산출 수단을 포함하는 것을 특징으로 한다.

제1 발명∼제8 발명에 의하면, 산출 수단은 평가 데이터에 대한 유저의 혈액 정보를 산출한다. 평가 수단은, 혈액 정보에 기초하여, 유저의 상태에 관한 평가 결과를 생성한다. 이것에 의해, 유저의 상태에 관한 정량적인 평가를 실현하는 것이 가능하게 된다.

도 1은 제1 실시형태에 있어서의 생체 정보 연산 시스템의 1 예를 도시하는 모식도이다.
도 2(a) 및 도 2(b)는 제1 실시형태에 있어서의 생체 정보 연산 시스템의 동작의 1 예를 도시하는 모식도이다.
도 3(a)는 분류 정보의 1 예를 도시하는 모식도이며, 도 3(b) 및 도 3(c)는 센서 데이터에 대한 처리의 1 예를 도시하는 모식도이다.
도 4(a)는 생체 정보 연산 장치의 구성의 1 예를 도시하는 모식도이며, 도 4(b)는 생체 정보 연산 장치의 기능의 1 예를 도시하는 모식도이다.
도 5(a) 및 도 5(b)는 센서의 1 예를 도시하는 모식도이다.
도 6은 제1 실시형태에 있어서의 생체 정보 연산 시스템의 동작의 1 예를 나타내는 흐름도이다.
도 7은 제2 실시형태에 있어서의 생체 정보 연산 시스템의 동작의 1 예를 도시하는 모식도이다.
도 8은 제2 실시형태에 있어서의 생체 정보 연산 시스템의 동작의 변형예를 도시하는 모식도이다.
도 9는 제3 실시형태에 있어서의 생체 정보 연산 시스템의 동작의 1 예를 도시하는 모식도이다.
도 10(a) 및 도 10(b)는 센서 데이터에 대한 부가 정보를 산출하는 처리의 1 예를 도시하는 모식도이다.
도 11은 제3 실시형태에 있어서의 생체 정보 연산 시스템의 동작의 1 예를 도시하는 모식도이다.
도 12는 제4 실시형태에 있어서의 생체 정보 연산 시스템의 동작의 1 예를 도시하는 모식도이다.
도 13은 제5 실시형태에 있어서의 생체 정보 연산 시스템의 동작의 1 예를 도시하는 모식도이다.
도 14는 가속도 맥파에 상당하는 데이터의 분류예를 도시하는 모식도이다.
도 15는 속도 맥파에 상당하는 데이터의 분류예를 도시하는 모식도이다.
도 16은 제5 실시형태에 있어서의 생체 정보 연산 시스템의 동작의 변형예를 도시하는 모식도이다.
도 17(a) 및 도 17(b)는 제6 실시형태에 있어서의 생체 정보 연산 시스템의 동작의 1 예를 도시하는 모식도이다.
도 18은 제7 실시형태에 있어서의 생체 정보 연산 시스템의 동작의 1 예를 도시하는 모식도이다.
도 19는 혈당 트렌드를 도시하는 모식도이다.
도 20은 제8 실시형태에 있어서의 생체 정보 연산 시스템의 동작의 1 예를 도시하는 모식도이다.
도 21은 제8 실시형태에 있어서의 생체 정보 연산 시스템의 동작의 다른 예를 도시하는 모식도이다.
도 22는 제9 실시형태에 있어서의 생체 정보 연산 시스템의 동작의 1 예를 도시하는 모식도이다.
도 23은 제10 실시형태에 있어서의 생체 정보 연산 시스템의 동작의 1 예를 도시하는 모식도이다.
도 24(a) 및 도 24(b)는 제11 실시형태에 있어서의 생체 정보 연산 시스템의 동작의 1 예를 도시하는 모식도이다.
도 25(a) 및 도 25(b)는 평가 결과를 생성하는 처리의 1 예를 도시하는 모식도이다.

(발명을 실시하기 위한 형태)

이하, 본 발명의 실시형태에 있어서의 생체 정보 연산 시스템의 일례에 대해, 도면을 참조하면서 설명한다.

생체 정보 연산 시스템(100)은 유저의 혈액에 관한 혈액 정보를 산출하고, 산출한 혈액 정보에 기초하여, 유저의 상태에 관한 평가 결과를 생성하기 위해 사용된다. 혈액 정보는, 예를 들면, 맥파에 기초하여 산출 가능한 정보를 사용할 수 있고, 예를 들면, 혈당값을 포함하는 이외에, 혈액의 조성에 관한 특징을 포함한다. 혈액 정보로서, 유저의 상태는, 예를 들면, 유저의 혈당값의 변화를 나타내는 이외에, 유저의 운동능력이나, 유저의 건강 상태를 나타낸다.

이하, 제1 실시형태∼제5 실시형태에서는, 혈액 정보가 혈당값을 포함하고, 유저의 상태로서 유저의 혈당값의 변화를 나타내는 경우의 생체 정보 연산 시스템(100)에 대해 설명한다. 제6 실시형태∼제10 실시형태에서는, 혈액 정보가 혈당값을 포함하고, 유저의 상태로서 유저의 건강 상태를 나타내는 경우의 생체 정보 연산 시스템(100)에 대해 설명한다. 제11 실시형태∼제12 실시형태에서는, 혈액 정보가 혈액의 조성에 관한 특징을 포함하고, 유저의 상태로서 유저의 운동능력을 나타내는 경우의 생체 정보 연산 시스템(100)에 대해 설명한다.

(제1 실시형태: 생체 정보 연산 시스템(100))

도 1은 제1 실시형태에 있어서의 생체 정보 연산 시스템(100)의 1 예를 도시하는 모식도이다.

본 실시형태에 있어서의 생체 정보 연산 시스템(100)은 유저의 혈당값을 산출하고, 산출한 복수의 혈당값에 기초하여, 유저의 혈당값의 변화를 평가할 수 있다.

유저의 혈당값의 변화는, 예를 들면, 혈당 스파이크 정보에 의해 나타낼 수 있다. 혈당 스파이크 정보는, 예를 들면, 복수의 혈당값에 대한 평균값, 값의 폭(예를 들면, 최대값과 최소값의 차이로 나타내는 혈당 스파이크의 강도), 중앙값 등을 나타낸다.

상기 이외에, 혈당 스파이크 정보는, 예를 들면, 복수의 혈당값에 있어서의 시계열 변화로부터 얻어지는 값을 나타내고, 예를 들면, 미분을 사용하여 도출된 시간변화의 특징이나, 적분을 사용하여 도출된 피크 형상의 특징을 나타낸다. 또한, 「혈당 스파이크」란 혈당값의 변화를 나타내는 공지의 정의를 포함한다.

생체 정보 연산 시스템(100)에서는, 상기 혈당 스파이크 정보를 포함하는 평가 결과를 생성할 수 있다. 평가 결과는 혈당 스파이크 정보가 나타내는 수치나 특징을 포함하는 이외에, 예를 들면, 혈당 스파이크 정보에 기초하여 평가된 건강 상태 등을 포함해도 된다.

생체 정보 연산 시스템(100)은, 예를 들면, 도 1에 도시하는 바와 같이, 생체 정보 연산 장치(1)를 갖추고, 예를 들면, 센서(5) 및 서버(4)의 적어도 어느 하나를 갖추어도 된다. 생체 정보 연산 장치(1)는, 예를 들면, 통신망(3)을 통하여 센서(5)나 서버(4)와 접속된다.

생체 정보 연산 시스템(100)은 유저의 맥파에 기초하는 평가 데이터로부터 혈당값을 산출한다. 또, 생체 정보 연산 시스템(100)은, 예를 들면, 시계열이나 임의의 타이밍에 생성된 복수의 혈당값에 기초하여, 혈당 스파이크 정보를 포함하는 평가 결과를 생성한다.

생체 정보 연산 시스템(100)에서는, 예를 들면, 도 2(a)에 도시하는 바와 같이, 생체 정보 연산 장치(1)가 센서(5) 등에 의해 생성된 센서 데이터를 취득한다. 그 후, 생체 정보 연산 장치(1)는, 취득한 센서 데이터에 대하여, 필터 처리 등의 전처리를 실시하여, 평가 데이터를 취득한다.

생체 정보 연산 장치(1)는 평가 데이터에 대한 혈당값을 산출한다. 그 후, 생체 정보 연산 장치(1)는, 각각 다른 평가 데이터로부터 생성된 복수의 혈당값에 기초하여, 평가 결과를 생성한다. 이 때문에, 유저의 개인차에 관계없이, 혈당값의 변화에 대한 평가 결과를 얻을 수 있다. 이것에 의해, 혈당값의 변화에 관한 정량적인 평가를 실현하는 것이 가능하게 된다.

여기에서, 생체 정보 연산 장치(1)는, 평가 데이터에 대한 혈당값을 산출할 때, 데이터베이스를 참조한다. 데이터베이스에는, 복수의 학습 데이터를 사용하여 생성된 분류 정보가 기억된다.

분류 정보는, 예를 들면, 도 3(a)에 도시하는 바와 같이, 과거에 취득된 학습용 맥파에 기초하는 입력 데이터, 및 입력 데이터에 연계되는 과거의 혈당값을 포함하는 참조 데이터의 한 쌍을 학습 데이터로 하여, 복수의 학습 데이터를 사용하여 생성된다. 이 때문에, 혈당값을 산출할 때, 과거에 실적이 있는 입력 데이터 및 출력 데이터를 근거로 한 정량적인 혈당값을 산출할 수 있다. 이것에 의해, 혈당값을 산출할 때의 정밀도 향상을 도모하는 것이 가능하게 된다.

생체 정보 연산 장치(1)는, 예를 들면, 생성한 평가 결과를 디스플레이 등에 출력한다. 평가 결과에는, 유저의 혈당값의 변화를 나타내는 혈당 스파이크 정보가 포함되고, 예를 들면, 수치로 표시된 혈당 스파이크 정보가 포함된다. 평가 결과에는, 예를 들면, 당뇨병의 가능성을 나타내는 지표나, 권장되는 식사에 관한 정보나, 운동에 관한 정보가 포함되어도 된다.

또한, 생체 정보 연산 시스템(100)에서는, 예를 들면, 도 2(b)에 도시하는 바와 같이, 센서(5) 등으로부터 평가 데이터를 취득해도 된다. 이 경우, 센서 데이터로부터 평가 데이터를 취득하는 전처리는 센서(5) 등에 의해 실시된다.

<센서 데이터>

센서 데이터는 유저의 맥파의 특징을 나타내는 데이터를 포함하고, 예를 들면, 맥파 이외의 특징을 나타내는 데이터(노이즈)를 포함해도 된다. 센서 데이터는 측정 시간에 대한 진폭을 나타내는 데이터이며, 용도나 센서 데이터의 생성 조건에 따른 필터 처리를 실시함으로써, 센서 데이터로부터 가속도 맥파나 속도 맥파 등에 상당하는 데이터를 취득할 수 있다.

센서 데이터는 스트레인 센서, 자이로 센서, 광전용적맥파(PPG) 센서, 압력 센서 등의 공지의 센서에 의해 생성할 수 있다. 센서 데이터는 디지털 신호 이외에, 예를 들면, 아날로그 신호이어도 된다. 또한, 센서 데이터를 생성할 때의 측정 시간은, 예를 들면, 맥파의 1∼20 주기분의 측정 시간이며, 센서 데이터의 처리 방법이나, 데이터 통신 방법 등의 조건에 따라, 임의로 설정할 수 있다.

<평가 데이터>

평가 데이터는 혈당값을 산출하기 위한 데이터를 나타낸다. 평가 데이터는, 예를 들면, 유저의 맥파에 기초하는 가속도 맥파에 상당하는 데이터를 나타내고, 특정 주기(예를 들면, 1 주기)에 대한 진폭을 나타낸다.

평가 데이터는 센서 데이터를 생체 정보 연산 장치(1) 등에 의해 처리(전처리)를 실시함으로써 취득된다. 예를 들면, 도 3(b) 및 도 3(c)에 도시하는 바와 같이, 센서 데이터에 대하여 복수의 처리를 실시함으로써, 평가 데이터를 얻을 수 있다. 각 처리의 상세에 대해서는 후술한다.

<데이터베이스>

데이터베이스는, 주로, 평가 데이터에 대한 유저의 혈당값을 산출할 때 사용된다. 데이터베이스에는 1개 이상의 분류 정보가 기억되는 이외에, 예를 들면, 분류 정보의 생성에 사용된 복수의 학습 데이터가 기억되어도 된다.

분류 정보는, 예를 들면, 미리 취득된 과거의 평가 데이터(입력 데이터)와, 혈당값을 포함하는 참조 데이터와의 상관관계를 나타내는 함수이다. 분류 정보는, 예를 들면, 입력 데이터를 설명변수로 하고, 참조 데이터를 목적변수로 하여, 회귀분석 등에 의해 해석하고, 그 해석 결과에 기초하여 생성되는 검량 모델을 나타낸다. 분류 정보는, 예를 들면, 검량 모델을 정기적으로 갱신할 수 있는 이외에, 유저의 성별, 연령, 운동 내용 등의 속성 정보마다 생성된 복수의 검량 모델을 포함해도 된다.

분류 정보를 생성할 때 사용하는 회귀분석의 방법으로서, 예를 들면, PLS(Partial Least Squares) 회귀분석, 클래스마다 주성분 분석을 행하여 주성분 모델을 얻는 SIMCA(Soft Independent Modeling of Class Analogy)법을 이용한 회귀분석 등을 사용할 수 있다.

분류 정보는, 예를 들면, 복수의 학습 데이터를 사용한 기계학습에 의해 생성된, 학습된 모델을 포함해도 된다. 학습된 모델은, 예를 들면, CNN(Convolutional Neural Network) 등의 뉴럴 네트워크 모델을 나타내는 이외에, SVM(Support vector machine) 등을 나타낸다. 또, 기계학습으로서, 예를 들면, 심층학습을 사용할 수 있다.

입력 데이터는, 평가 데이터와 동종의 데이터가 사용되고, 예를 들면, 대응하는 혈당값이 명확하게 되어 있는 과거의 평가 데이터를 나타낸다. 예를 들면, 피검자에게 센서(5) 등을 장착시켜, 학습용 맥파의 특징을 나타내는 센서 데이터(학습용 센서 데이터)를 생성한다. 그리고, 학습용 센서 데이터에 대하여 처리를 실시함으로써, 입력 데이터를 취득할 수 있다. 또한, 입력 데이터는 생체 정보 연산 시스템(100)의 유저로부터 취득하는 이외에, 예를 들면, 유저와는 다른 유저로부터 취득해도 된다. 즉 상기한 피검자는 생체 정보 연산 시스템(100)의 유저인 이외에, 유저 이외를 대상으로 해도 되고, 특정 또는 불특정 다수이어도 된다.

입력 데이터는, 예를 들면, 평가 데이터를 취득할 때 이용하는 센서(5) 등의 종류, 센서 데이터의 생성 조건, 및 센서 데이터에 대한 처리 조건과 동일한 내용에 의해 취득되는 것이 바람직하다. 예를 들면, 상기 3개의 내용을 통일함으로써, 혈당값을 산출할 때의 정밀도를 비약적으로 향상시키는 것이 가능하게 된다.

참조 데이터는, 계측 장치 등을 사용하여 계측된, 피검자의 혈당값을 포함한다. 예를 들면, 피검자에게 센서(5) 등을 장착시켜 학습용 센서 데이터를 생성할 때, 피검자의 혈당값을 계측함으로써, 입력 데이터에 연계되는 참조 데이터를 취득할 수 있다. 이 경우, 혈당값을 계측하는 타이밍은 학습용 센서 데이터를 생성하는 타이밍과 동시가 바람직하지만, 예를 들면, 1∼10분 정도 전후하는 타이밍이어도 된다. 또한, 혈당값을 계측하는 계측 장치로서, 예를 들면, 프리스타일 프레시젼 프로(아보트재팬 카부시키카이샤제) 등의 공지의 혈당값계가 사용된다.

<평가 결과>

평가 결과는 유저의 혈당값의 변화를 나타내는 혈당 스파이크 정보를 포함한다. 평가 결과는, 예를 들면, 복수의 혈당값을 포함하는 이외에, 복수의 혈당값에 있어서의 차분값이나, 복수의 혈당값과, 미리 설정된 임계값과의 괴리도를 포함해도 된다. 평가 결과를 출력함으로써, 유저의 혈당값의 변화를 파악할 수 있다.

<생체 정보 연산 장치(1)>

생체 정보 연산 장치(1)는, 예를 들면, 퍼스널컴퓨터(PC), 휴대전화, 스마트폰, 태블릿형 단말, 웨어러블 단말 등의 전자 기기를 나타내고, 예를 들면, 유저의 조작에 따라, 통신망(3)을 통하여 통신 가능한 전자 기기를 나타낸다. 또한, 생체 정보 연산 장치(1)는 센서(5)를 내장해도 된다. 이하, 생체 정보 연산 장치(1)로서 PC가 사용되는 경우의 일례를 설명한다.

도 4(a)는 생체 정보 연산 장치(1)의 구성의 1 예를 도시하는 모식도이며, 도 4(b)는 생체 정보 연산 장치(1)의 기능의 1 예를 도시하는 모식도이다.

생체 정보 연산 장치(1)는, 예를 들면, 도 4(a)에 도시하는 바와 같이, 케이싱(10)과, CPU(Central Processing Unit)(101)와, ROM(Read Only Memory)(102)과, RAM(Random Access Memory)(103)과, 보존부(104)와, I/F(105∼107)를 갖춘다. 각 구성 101∼107은 내부 버스(110)에 의해 접속된다.

CPU(101)는 생체 정보 연산 장치(1) 전체를 제어한다. ROM(102)은 CPU(101)의 동작 코드를 저장한다. RAM(103)은 CPU(101)의 동작 시에 사용되는 작업 영역이다. 보존부(104)는 데이터베이스나 평가 데이터 등의 각종 정보가 기억된다. 보존부(104)로서, 예를 들면, HDD(Hard Disk Drive) 이외에, SSD(Solid State Drive) 등의 데이터 보존 장치가 사용된다. 또한, 예를 들면, 생체 정보 연산 장치(1)는 도시하지 않는 GPU(Graphics Processing Unit)를 가져도 된다.

I/F(105)는, 통신망(3)을 통하여, 필요에 따라 서버(4)나 센서(5) 등과의 각종 정보의 송수신을 행하기 위한 인터페이스이다. I/F(106)는 입력부(108)와의 정보의 송수신을 행하기 위한 인터페이스이다. 입력부(108)로서, 예를 들면, 키보드가 사용되고, 생체 정보 연산 장치(1)의 유저 등은 입력부(108)를 통하여, 각종 정보, 또는 생체 정보 연산 장치(1)의 제어 명령 등을 입력한다. I/F(107)는 표시부(109)와의 각종 정보의 송수신을 행하기 위한 인터페이스이다. 표시부(109)는 보존부(104)에 보존된 각종 정보, 또는 평가 결과 등을 표시한다. 표시부(109)로서 디스플레이가 사용되고, 예를 들면, 터치패널식의 경우, 입력부(108)와 일체로 설치된다.

도 4(b)는 생체 정보 연산 장치(1)의 기능의 1 예를 도시하는 모식도이다. 생체 정보 연산 장치(1)는 취득부(11)와, 산출부(12)와, 평가부(13)와, 출력부(14)와, 기억부(15)를 갖추고, 예를 들면, 학습부(16)를 갖추어도 된다. 또한, 도 4(b)에 도시한 각 기능은 CPU(101)가 RAM(103)을 작업 영역으로 하여, 보존부(104) 등에 기억된 프로그램을 실행함으로써 실현된다.

<취득부(11)>

취득부(11)는 유저의 맥파에 기초하는 평가 데이터를 취득한다. 취득부(11)는, 예를 들면, 센서(5) 등으로부터 센서 데이터를 취득한 뒤, 센서 데이터에 대하여 처리를 실시함으로써, 평가 데이터를 취득한다.

취득부(11)는, 예를 들면, 도 3(b)에 도시하는 바와 같이, 취득한 센서 데이터에 대하여, 필터링 처리(필터 처리)를 시행한다. 필터 처리에서는, 예를 들면, 0.5∼5.0Hz의 밴드패스 필터가 사용된다. 이것에 의해, 취득부(11)는 유저의 맥파에 상당하는 데이터(맥파 데이터)를 추출한다. 맥파 데이터는, 예를 들면, 속도 맥파에 상당하는 데이터를 나타낸다. 또한, 맥파 데이터는, 예를 들면, 가속도 맥파 또는 용적맥파에 상당하는 데이터를 나타내도 되고, 센서의 종류나 용도에 따라 임의로 설정할 수 있다. 또, 밴드패스 필터의 필터 범위는 용도에 따라 임의로 설정할 수 있다.

취득부(11)는, 예를 들면, 맥파 데이터에 대하여, 미분 처리를 실시한다. 예를 들면, 속도 맥파에 상당하는 맥파 데이터에 대하여 미분 처리가 실시되는 경우, 취득부(11)는 가속도 맥파에 상당하는 데이터(미분 데이터)를 취득한다. 또한, 미분 처리에서는, 1회 미분 이외에 2회 미분이 실시되어도 된다.

취득부(11)는, 예를 들면, 미분 데이터에 대하여 분할 처리를 실시한다. 분할 처리에서는, 예를 들면, 복수 주기의 가속도 맥파에 상당하는 미분 데이터가 1 주기마다의 가속도 맥파에 상당하는 데이터(분할 데이터)로 분할된다. 이 때문에, 취득부(11)는, 예를 들면, 1개의 미분 데이터에 대하여 미분 처리를 실시함으로써, 복수의 분할 데이터를 취득할 수 있다. 또한, 분할 처리에서는, 용도에 따라 임의의 주기(예를 들면, 주기의 정수배)마다, 미분 데이터를 분할할 수 있다.

예를 들면, 분할 처리에 있어서, 분할한 각 분할 데이터에 있어서의 데이터량이 각각 다른 경우가 있다. 이 경우, 취득부(11)는, 가장 적은 데이터량의 분할 데이터를 특정하고, 다른 분할 데이터에 대하여, 데이터량의 삭감(트리밍)을 실시해도 된다. 이것에 의해, 각 분할 데이터에 있어서의 데이터량을 통일할 수 있어, 각 분할 데이터에 있어서의 데이터의 대비가 용이하게 된다.

상기 이외에, 예를 들면, 분할 데이터의 시간축에 대응하는 값을 대상으로 규격화 처리를 실시해도 된다. 규격화 처리에서는, 예를 들면, 시간축에 대응하는 값의 최소값을 0으로 하고, 최대값을 1로 한 규격화가 실시된다. 이것에 의해, 각 분할 데이터에 있어서의 데이터의 대비가 용이하게 된다.

취득부(11)는, 예를 들면, 데이터량의 삭감, 또는 규격화를 실시한 복수의 분할 데이터에 있어서의 평균을 산출하여, 분할 데이터로 해도 된다.

취득부(11)는, 분할 데이터에 대하여, 규격화 처리를 실시한다. 규격화 처리에서는, 진폭에 대응하는 값을 대상으로, 규격화된 데이터(규격화 데이터)가 생성된다. 규격화 처리에서는, 예를 들면, 진폭의 최저값을 0으로 하고, 진폭의 최고값을 1로 한 규격화가 실시된다. 취득부(11)는, 예를 들면, 규격화 데이터를 평가 데이터로서 취득한다. 이 경우, 평가 데이터로서 유저의 가속도 맥파에 상당하는 데이터가 얻어진다.

취득부(11)는 상기한 각 처리를 순차 실시하는 이외에, 예를 들면, 도 3(c)에 도시하는 바와 같이, 미분 처리를 실시하지 않아도 된다. 이 경우, 평가 데이터로서 유저의 속도 맥파에 상당하는 데이터가 얻어진다.

또, 취득부(11)는, 예를 들면, 상기한 각 처리의 일부만을 실시해도 된다. 이 경우, 취득부(11)는 맥파 데이터, 미분 데이터, 분할 데이터, 트리밍된 분할 데이터, 및 시간축에 대응하는 값을 규격화한 분할 데이터의 어느 하나를 평가 데이터로서 취득해도 되고, 용도에 따라 임의로 설정할 수 있다.

<산출부(12)>

산출부(12)는, 데이터베이스를 참조하여, 평가 데이터에 대한 유저의 혈당값을 산출한다. 산출부(12)는, 예를 들면, 데이터베이스에 기억된 분류 정보를 참조하여, 평가 데이터에 대한 혈당값을 산출한다. 산출부(12)는 각각 다른 평가 데이터에 대한 혈당값을 복수 생성한다.

산출부(12)에 의해 산출된 혈당값은 참조 데이터와 동종의 데이터로서 산출된다. 혈당값은, 분류 정보를 참조하여, 참조 데이터와 동일 또는 유사 데이터로서 산출된다. 생체 정보 연산 시스템(100)에서는, 예를 들면, 임의의 시계열에 따라 복수의 평가 데이터를 취득하여, 각 평가 데이터에 대한 혈당값을 복수 산출한다. 또, 생체 정보 연산 시스템(100)에서는, 예를 들면, 식사의 전후나, 운동량의 변화 시 등의 임의의 타이밍마다, 복수의 평가 데이터를 취득하고, 각 평가 데이터에 대한 혈당값을 복수 산출해도 된다.

<평가부(13)>

평가부(13)는, 각각 다른 평가 데이터로부터 산출된 복수의 혈당값에 기초하여, 유저의 혈당값의 변화를 나타내는 혈당 스파이크 정보를 포함하는 평가 결과를 생성한다. 평가부(13)는, 예를 들면, 보존부(104) 등에 미리 기억된 표시용의 포맷을 사용하여, 혈당 스파이크 정보에 대해 유저가 이해할 수 있는 형식으로 변환한 평가 결과를 생성한다.

평가부(13)는, 예를 들면, 복수의 혈당값 중, 최소값과 최대값과의 차이를 혈당 스파이크 정보로서 산출해도 된다. 이 경우, 혈당값의 변화량을 평가 대상으로서 사용할 수 있다. 이것에 의해, 예를 들면, 당뇨병 예비군의 특징과, 당뇨병 환자의 특징을 용이하게 분류하는 것이 가능하게 된다.

평가부(13)는, 예를 들면, 2개의 혈당값의 차를 측정 시간의 차로 나눈 값을 혈당 스파이크 정보로서 산출하고, 혈당 스파이크 정보를 포함하는 평가 결과를 생성한다. 이 경우, 유저마다 다른 혈당값의 변화를 용이하게 파악할 수 있다. 예를 들면, 평가부(13)는, 미리 보존부(104) 등에 기억된 기준값을 참조하여, 혈당 스파이크 정보가 기준값보다 작을 경우, 건강 상태인 취지를 나타내는 평가 결과를 생성하고, 혈당 스파이크 정보가 기준값 이상인 경우, 당뇨병의 가능성이 있는 상태인 취지를 나타내는 평가 결과를 생성해도 된다.

평가부(13)는, 예를 들면, 평가용 데이터베이스를 참조하여, 복수의 혈당값으로부터 평가 결과를 생성해도 된다. 평가용 데이터베이스는, 예를 들면, 보존부(104)에 보존된다.

평가용 데이터베이스에는, 예를 들면, 상기한 데이터베이스와 마찬가지로, 복수의 혈당값에 대한 평가 결과를 생성하기 위한 평가용 분류 정보가 기억되어도 된다. 평가용 데이터베이스에는, 1개 이상의 평가용 분류 정보가 기억되는 이외에, 예를 들면, 평가용 분류 정보의 생성에 사용된 복수의 평가용 학습 데이터가 기억되어도 된다.

평가용 분류 정보는, 예를 들면, 미리 취득된 과거의 복수의 혈당값(평가용 입력 데이터)과, 평가용 입력 데이터에 연계되는 평가용 참조 데이터와의 상관관계를 나타내는 함수이다. 평가용 참조 데이터는 유저의 혈당값에 있어서의 변화의 경향을 나타내고, 예를 들면, 과거에 생성된 혈당 스파이크 정보를 나타낸다. 평가용 분류 정보는 평가용 입력 데이터와, 평가용 참조 데이터를 한 쌍의 평가용 학습 데이터로 하여, 복수의 평가용 학습 데이터를 사용하여 생성된다.

평가용 분류 정보는, 예를 들면, 평가용 입력 데이터를 설명변수로 하고, 평가용 참조 데이터를 목적변수로 하여, 상기한 회귀분석 등에 의해 해석하고, 그 해석 결과에 기초하여 생성되는 검량 모델을 나타낸다. 평가용 분류 정보는, 예를 들면, 검량 모델(평가용 검량 모델)을 정기적으로 갱신할 수 있는 이외에, 유저의 성별, 연령, 운동 내용 등의 속성 정보마다 생성된 복수의 평가용 검량 모델을 포함해도 된다. 또한, 평가용 분류 정보는, 상기한 분류 정보와 마찬가지로, 예를 들면, 복수의 평가용 학습 데이터를 사용한 기계학습에 의해 생성된, 학습된 모델(평가용 학습된 모델)을 포함해도 된다.

평가부(13)는, 예를 들면, 복수의 혈당값에 있어서의 시계열 변화로부터 혈당 스파이크 정보를 산출하고, 평가 결과를 생성한다. 이때, 시계열의 구간이나 혈당값의 수는 임의로 설정할 수 있다. 이 때문에, 혈당 스파이크의 강도에 더하여, 형상의 특징도 고려한 평가 결과를 생성할 수 있다.

평가부(13)는, 예를 들면, 복수의 혈당값과, 평가 데이터의 취득 시간을 연계시킨 데이터를 혈당 스파이크 정보로서 산출해도 된다. 이 경우, 평가 결과로서 혈당값의 트렌드를 나타내는 정보를 포함시킬 수 있다.

<출력부(14)>

출력부(14)는 평가 결과를 출력한다. 출력부(14)는 표시부(109)에 평가 결과를 출력하는 이외에, 예를 들면, 센서(5) 등에 평가 결과를 출력해도 된다.

<기억부(15)>

기억부(15)는 보존부(104)에 보존된 데이터베이스 등의 각종 데이터를 필요에 따라 꺼낸다. 기억부(15)는 각 구성 11∼14, 16에 의해 취득 또는 생성된 각종 데이터를 필요에 따라 보존부(104)에 보존한다.

<학습부(16)>

학습부(16)는, 예를 들면, 복수의 학습 데이터를 사용하여, 분류 정보를 생성한다. 학습부(16)는, 예를 들면, 새로운 학습 데이터를 취득하여, 기존의 분류 정보를 갱신해도 된다.

학습부(16)는, 예를 들면, 복수의 평가용 학습 데이터를 사용하여, 평가용 분류 정보를 생성한다. 학습부(16)는, 예를 들면, 새로운 평가용 학습 데이터를 취득하여, 기존의 평가용 분류 정보를 갱신해도 된다.

또한, 생체 정보 연산 시스템(100)에 있어서, 분류 정보 및 평가용 분류 정보를 사용하는 경우, 예를 들면, 평가 데이터의 종류에 따라 분류 정보를 갱신하고, 평가 분류 정보를 갱신하지 않아도 된다. 이 경우, 새롭게 평가용 학습 데이터를 준비할 필요가 없기 때문에, 비용 삭감, 및 갱신 시간의 대폭적인 삭감을 실현하는 것이 가능하게 된다.

<통신망(3)>

통신망(3)은 생체 정보 연산 장치(1)와, 서버(4)와, 센서(5)를 통신회선을 통하여 접속되는 공지의 인터넷망 등이다. 통신망(3)은, 생체 정보 연산 시스템(100)을 일정한 좁은 에리어 내에서 운용하는 경우에는, LAN(Local Area Network) 등으로 구성되어도 된다. 또, 통신망(3)은 소위 광파이버 통신망으로 구성되어도 된다. 또, 통신망(3)은 유선 통신망에 한정되는 것은 아니고, 무선 통신망으로 실현되어도 되고, 용도에 따라 임의로 설정할 수 있다.

<서버(4)>

서버(4)는 통신망(3)을 통하여 보내져 온 정보가 축적된다. 서버(4)는, 생체 정보 연산 장치(1)로부터의 요구에 기초하여, 통신망(3)을 통하여 축적된 정보를 생체 정보 연산 장치(1)에 송신한다.

서버(4)는, 예를 들면, 복수의 생체 정보 연산 장치(1)와 접속되어, 각 생체 정보 연산 장치(1)로부터 평가 결과 등의 각종 정보를 취득하고, 일괄하여 보존해도 된다. 또한, 서버(4)는, 상기한 생체 정보 연산 장치(1)가 갖추는 각 기능 중, 적어도 일부의 기능을 갖추어도 된다. 또, 서버(4)는 상기한 생체 정보 연산 장치(1)에 기억된 데이터베이스 등이 기억되어도 된다.

<센서(5)>

센서(5)는 센서 데이터를 생성한다. 센서(5)는, 예를 들면, 도 5(a)에 도시하는 바와 같이, 검출부(6)를 갖춘다. 센서(5)는 검출부(6)를 통하여 유저의 맥파를 검출 가능한 위치에 장착되고, 예를 들면, 손목밴드(55)에 고정된다.

검출부(6)는 유저의 맥파를 검출 가능한 공지의 검출 장치가 사용된다. 검출부(6)로서, 예를 들면, 파이버 브래그 그레이팅(FBG) 센서 등의 스트레인 센서, 자이로 센서, 맥파 신호 측정을 위한 1개 이상의 전극, 광전용적맥파(PPG) 센서, 압력 센서, 및 광검출 모듈의 적어도 어느 하나가 사용된다. 검출부(6)는, 예를 들면, 복수 배치되어도 된다.

또한, 센서(5)는 의복에 넣어져도 된다. 또, 센서(5)를 장착하는 유저는 인간 이외에, 개나 고양이 등의 애완동물을 대상으로 해도 되고, 예를 들면, 소나 돼지 등의 가축, 물고기 등의 양식을 대상으로 해도 된다.

센서(5)는, 예를 들면, 도 5(b)에 도시하는 바와 같이, 취득부(50)와, 통신 I/F(51)와, 메모리(52)와, 명령부(53)를 갖추고, 각 구성이 각각 내부 버스(54)로 접속된다.

취득부(50)는 검출부(6)를 통하여 유저의 맥파를 측정하고, 센서 데이터를 생성한다. 취득부(50)는, 예를 들면, 생성한 센서 데이터를 통신 I/F(51), 또는 메모리(52)에 송신한다.

통신 I/F(51)는, 통신망(3)을 통하여, 센서 데이터 등의 각종 데이터를 생체 정보 연산 장치(1)나 서버(4)에 송신한다. 또, 통신 I/F(51)는 통신망(3)과 접속하기 위한 회선 제어 회로나, 생체 정보 연산 장치(1)나 서버(4)와의 사이에서 데이터통신을 행하기 위한 신호 변환 회로 등이 실장되어 있다. 통신 I/F(51)는 내부 버스(54)로부터의 각종 명령에 변환 처리를 시행하고, 이것을 통신망(3)측에 송출함과 아울러, 통신망(3)으로부터의 데이터를 수신한 경우에는, 이것에 소정의 변환 처리를 시행하여 내부 버스(54)에 송신한다.

메모리(52)는 취득부(50)로부터 송신된 센서 데이터 등의 각종 데이터를 보존한다. 메모리(52)는, 예를 들면, 통신망(3)을 통하여 접속되는 다른 단말 장치로부터 명령을 받음으로써, 보존한 센서 데이터 등의 각종 데이터를, 통신 I/F(51)에 송신한다.

명령부(53)는 센서 데이터를 취득하기 위한 조작 버튼이나 키보드 등을 포함하고, 예를 들면, CPU 등의 프로세서를 포함한다. 명령부(53)는, 센서 데이터의 취득의 명령을 접수한 경우에, 이것을 취득부(50)에 통지한다. 이 통지를 받은 취득부(50)는 센서 데이터를 취득한다. 또한, 명령부(53)는, 예를 들면, 도 3(b) 및 도 3(c)에 도시하는 바와 같이, 센서 데이터로부터 평가 데이터를 취득하기 위한 처리를 실시해도 된다.

여기에서, 센서 데이터를 취득하는 일례로서 FBG 센서를 사용하는 경우를 설명한다.

FBG 센서는 1개의 광파이버 내에 소정 간격을 두고 회절격자 구조를 형성한 것이다. FBG 센서는, 예를 들면, 센서 부분의 길이가 10mm, 파장 분해능이 ±0.1pm, 파장범위가 1550±0.5nm, 파이버의 직경이 145㎛, 코어 직경 10.5㎛인 특징을 가진다. FBG 센서를 상기한 검출부(6)로 하여, 유저의 피부에 접촉시킨 상태에서 측정을 할 수 있다.

예를 들면, 광파이버에 사용하는 광원으로서 파장범위 1525∼1570nm의 ASE(Amplified Spontaneous Emission) 광원이 사용된다. 광원에서의 출사광은 서큘레이터를 통하여 FBG 센서에 입사된다. FBG 센서로부터의 반사광은 서큘레이터를 통하여 마흐젠더 간섭계에 인도되고, 마흐젠더 간섭계로부터의 출력광을 광검출기에 의해 검지한다. 마흐젠더 간섭계는 빔 스플리터에 의해 광로차가 있는 2개의 광로로 분리하고, 다시 빔 스플리터에 의해 하나로 중첩하여 간섭광을 만들어 내기 위한 것이다. 광로차를 만들기 위해, 예를 들면, 일방의 광파이버의 길이를 길게 해도 된다. 코히어런트 광은 광로차에 따라 간섭무늬가 생기기 때문에, 간섭무늬의 패턴을 측정함으로써, FBG 센서에 생긴 스트레인 변화, 즉 맥파를 검지할 수 있다. 취득부(50)는, 검지된 맥파에 기초하여, 센서 데이터를 생성한다. 이것에 의해, 센서 데이터가 취득된다.

또한, FBG 센서의 스트레인량을 검출하고, 맥파의 파형을 검출하는 광섬유 센서 시스템은, FBG 센서에 입사시키는 광원 이외에, 넓은 대역의 ASE 광원, 서큘레이터, 마흐젠더 간섭계, 빔 스플리터와 같은 광학계나, 광검출기가 갖추는 수광 센서나, 파장 시프트량을 해석하는 해석 방법을 포함한다. 광섬유 센서 시스템은 사용하는 FBG 센서의 특성에 따라 광원이나 대역광을 선택하여 사용할 수 있고, 검파 방법 등의 해석 방법에 대해서도 다양한 방법을 채용할 수 있다.

(제1 실시형태: 생체 정보 연산 시스템(100)의 동작)

다음에 본 실시형태에 있어서의 생체 정보 연산 시스템(100)의 동작의 일례에 대해 설명한다. 도 6은 본 실시형태에 있어서의 생체 정보 연산 시스템(100)의 동작의 1 예를 나타내는 흐름도이다.

생체 정보 연산 시스템(100)은, 예를 들면, 생체 정보 연산 장치(1) 내에 인스톨된 생체 정보 연산 프로그램을 통하여 실행한다. 즉 유저는 생체 정보 연산 장치(1), 또는 센서(5)를 조작하여, 생체 정보 연산 장치(1)에 인스톨되어 있는 생체 정보 연산 프로그램을 통하여, 센서 데이터로부터 유저의 혈당값의 변화 등을 나타낸 평가 결과를 취득할 수 있다.

생체 정보 연산 시스템(100)의 동작은 취득 스텝(S110)과, 산출 스텝(S120)과, 평가 스텝(S130)을 갖추고, 예를 들면, 출력 스텝(S140)을 갖추어도 된다.

<취득 스텝(S110)>

취득 스텝(S110)은 유저의 맥파에 기초하는 평가 데이터를 취득한다. 예를 들면, 센서(5)의 취득부(50)는 검출부(6)를 통하여 유저의 맥파를 측정하여, 센서 데이터를 생성한다. 취득부(50)는, 통신 I/F(51), 및 통신망(3)을 통하여, 센서 데이터를 생체 정보 연산 장치(1)에 송신한다. 생체 정보 연산 장치(1)의 취득부(11)는 센서(5)로부터 센서 데이터를 수신한다.

취득부(11)는, 예를 들면, 도 3(b)에 나타낸 처리를, 센서 데이터에 대하여 실시하여, 평가 데이터를 취득한다. 취득부(11)는, 예를 들면, 기억부(15)를 통하여, 취득한 평가 데이터를 보존부(104)에 보존한다. 또한, 취득부(11)가 센서(5)로부터 센서 데이터를 취득하는 빈도 등의 조건은 용도에 따라 임의로 설정할 수 있다. 예를 들면, 취득부(11)는 미리 설정된 주기로 평가 데이터를 취득한다. 이 경우, 평가 결과를 생성할 때의 연산 처리를 간소화할 수 있기 때문에, 처리 속도의 향상을 도모하는 것이 가능하게 된다.

<산출 스텝(S120)>

다음에 산출 스텝(S120)은, 데이터베이스를 참조하여, 평가 데이터에 대한 유저의 혈당값을 산출한다. 예를 들면, 산출부(12)는, 분류 정보를 참조하여, 평가 데이터에 대한 혈당값을 산출한다. 산출부(12)는, 예를 들면, 기억부(15)를 통하여, 산출한 혈당값을 보존부(104)에 보존한다. 또한, 혈당값으로서, 특정 값을 나타내는 이외에, 예를 들면, 오차범위(예를 들면, 「○○±5mg/dl」 등)가 산출되어도 된다.

<평가 스텝(S130)>

다음에 평가 스텝(S130)은, 각각 다른 평가 데이터로부터 생성된 복수의 혈당값에 기초하여, 혈당 스파이크 정보를 포함하는 평가 결과를 생성한다. 예를 들면, 평가부(13)는 산출부(12)에 의해 생성된 복수의 혈당값을 취득한다. 평가부(13)는, 미리 설정된 함수 등을 사용하여, 복수의 혈당값으로부터 혈당 스파이크 정보를 산출하는 이외에, 예를 들면, 상기한 평가용 데이터베이스를 참조하여, 평가 결과를 생성해도 된다.

<출력 스텝(S140)>

다음에 예를 들면, 출력 스텝(S140)은 평가 결과를 출력해도 된다. 예를 들면, 출력부(14)는 표시부(109)에 평가 결과를 출력한다.

이것에 의해, 생체 정보 연산 시스템(100)의 동작이 종료된다. 또한, 각 스텝을 실시하는 빈도나 순서는 용도에 따라 임의로 설정할 수 있다.

여기에서, 유저의 건강 상태를 평가하는 지표의 일례로서 혈당값의 급격한 변동을 나타내는 혈당 스파이크의 정도를 들 수 있다. 혈당 스파이크는 당뇨병 예비군 특유의 특징으로서 알려져 있지만, 혈당 스파이크가 발생하는 타이밍이나 정도에 대해서는 개인차가 있어 정량적인 평가가 어렵다. 또, 당뇨병 환자는 항상 혈당값이 높은 경향이 있기 때문에, 혈당값이 혈당 스파이크의 발생시와 유사하다. 이것들 때문에, 유저가 임의로 측정한 혈당값이 혈당 스파이크 발생시의 값인지, 당뇨병환자 특유의 값인지의 분류가 어려워, 유저가 당뇨병 예비군 또는 당뇨병 환자의 어디에 속하는지의 판정에 주관이 포함될 우려가 있다. 이 때문에, 혈당값의 변화에 관한 정량적인 평가의 실현이 요망되고 있다.

이 점에서, 종래의 기술에서는, 비침습에 의해 혈당값을 산출할 수 있는 기술의 상정에 그치고 있어, 상기한 혈당값의 변화에 관한 과제의 발견 및 해결에 연계시키기 어렵다.

이에 대하여 본 실시형태에 의하면, 산출부(12)는 평가 데이터에 대한 유저의 혈당값을 산출한다. 평가부(13)는, 각각 다른 평가 데이터로부터 산출된 복수의 혈당값에 기초하여, 유저의 혈당값의 변화를 나타내는 혈당 스파이크 정보를 포함하는 평가 결과를 생성한다. 이 때문에, 유저의 개인차에 상관없이, 혈당값의 변화에 대한 평가 결과를 얻을 수 있다. 이것에 의해, 혈당값의 변화에 관한 정량적인 평가를 실현하는 것이 가능하게 된다.

또, 본 실시형태에 의하면, 산출부(12)는, 데이터베이스를 참조하여, 평가 데이터에 대한 유저의 혈당값을 산출한다. 또, 데이터베이스에는, 복수의 학습 데이터를 사용하여 생성된 분류 정보가 기억된다. 이 때문에, 혈당값을 산출할 때, 과거에 실적이 있는 데이터를 근거로 한 정량적인 혈당값을 산출할 수 있다. 이것에 의해, 혈당값을 산출할 때의 정밀도 향상을 도모하는 것이 가능하게 된다.

또, 본 실시형태에 의하면, 평가부(13)는 복수의 혈당값에 있어서의 시계열 변화로부터 혈당 스파이크 정보를 산출하고, 평가 결과를 생성한다. 이 때문에, 혈당 스파이크의 강도에 더하여, 형상의 특징도 고려한 평가 결과를 생성할 수 있다. 이것에 의해, 혈당값의 변화에 관한 평가의 정밀도를 향상시키는 것이 가능하게 된다.

(제2 실시형태: 생체 정보 연산 시스템(100))

다음에 제2 실시형태에 있어서의 생체 정보 연산 시스템(100)의 일례에 대해 설명한다. 상기한 실시형태와 제2 실시형태의 차이는 부가 정보를 사용하는 점이다. 또한, 상기한 실시형태와 동일한 내용에 대해서는 설명을 생략한다.

본 실시형태에 있어서의 생체 정보 연산 시스템(100)에서는, 예를 들면, 상기한 평가 스텝(S130) 후에, 집계 스텝(S150)이 실시되고, 집계 스텝(S150) 후에 출력 스텝(S140)이 실시된다.

집계 스텝(S150)은, 예를 들면, 도 7에 도시하는 바와 같이, 부가 정보를 취득하고, 평가 결과 및 부가 정보에 기초하여, 유저의 건강 상태를 평가한 종합평가 결과를 생성한다. 집계 스텝(S150)은, 예를 들면, 평가부(13)에 포함되는 집계부에 의해 실행할 수 있다.

부가 정보는 유저의 생체 정보에 관한 특징을 나타내고, 예를 들면, 유저의 맥박수, 호흡수, 혈압, 락트산값, 혈중 이산화탄소의 특징, 산소포화도, 혈관 연령, 스트레스 레벨, 당뇨병의 정도 등과 같은, 맥파에 기초하여 산출 가능한 생체 정보 중 적어도 어느 하나를 포함한다. 부가 정보는, 예를 들면, 유저의 운동 상태나 건강 상태를 추정할 때 사용할 수 있다. 또한, 부가 정보는, 예를 들면, 유저의 생체 정보에 관한 특징으로서, 유저의 성별이나 연령 등과 같은 속성 정보를 포함하는 이외에, 유저의 운동 내용, 경기 종목 등과 같은 유저의 생체 정보에 영향을 줄 수 있는 운동에 관한 정보를 포함해도 된다. 또한, 생체 정보로서, 예를 들면, 맥파에 기초하여 산출 가능한 정보를 사용할 수 있다.

또한, 「혈중 이산화탄소의 특징」이란 혈액에 포함되는 이산화탄소의 정도를 나타낸다. 혈중 이산화탄소의 특징으로서, 예를 들면, 혈중 이산화탄소 분압(PaCO₂)의 값이 사용되는 이외에, 혈중 이산화탄소의 용존 농도나, 혈액에 포함되는 중탄산·바이카보네이트(HCO₃ ^-)의 농도가 사용되어도 되고, 상황에 따라 혈액의 pH를 고려한 값이 사용되어도 된다.

부가 정보는, 예를 들면, 공지의 계측 장치를 사용하여 계측되고, 데이터 형식은 임의이다. 예를 들면, 혈중 이산화탄소 농도의 특징을 계측하는 경우, 계측 장치로서 경피혈액가스 모니터 TCM5(라디오미터바젤사제) 등의 장치가 사용된다. 예를 들면, 혈중 락트산량을 계측하는 경우, 계측 장치로서 락테이트·프로2(아크레이 카부시키카이샤제) 등의 공지의 장치가 사용된다. 예를 들면, 산소포화도를 계측하는 경우, 계측 장치로서 PULSOX-Neo(코니카미놀타 카부시키카이샤제) 등의 공지의 장치가 사용된다. 또, 부가 정보를 취득하는 타이밍은 맥파를 측정하는 타이밍과 동시 이외에, 용도에 따라 임의의 타이밍이어도 된다. 부가 정보는, 예를 들면, 입력부(108) 등을 통하여 유저가 입력해도 되고, 부가 정보의 취득 방법은 임의이다.

종합평가 결과는 유저의 건강 상태를 평가한 결과를 나타낸다. 종합평가 결과로서 「건강」, 「불건강」 이외에, 「운동능력이 높음」, 「운동능력이 낮음」 등의 유저마다의 건강 상태에 관련되는 운동능력의 정도를 나타내는 문자열이 사용되어도 되고, 예를 들면, 임의의 기준값과의 차분이나, 편차값 등의 수치가 사용되어도 된다. 종합평가 결과는, 예를 들면, 평가 결과, 및 부가 정보의 적어도 어느 하나를 포함해도 된다.

종합평가 결과는, 예를 들면, 유저마다 다른 무산소성 작업 임계값 등과 같은 공지의 임계값을 나타내는 이외에, 예를 들면, 혐기성 대사의 정도 등과 같은 운동능력에 영향을 주는 파라미터의 경시 변화를 나타내도 된다. 운동능력에 영향을 주는 파라미터로서 산소섭취량, 혈중 이산화탄소 분압(PaCO₂)의 값, 혈중 이산화탄소의 용존 농도, 혈액에 포함되는 중탄산·바이카보네이트(HCO₃ ^-)의 농도, 혈액의 pH 등과 같은 혈액의 조성에 관한 특징을 나타내는 값을 들 수 있다. 이러한 파라미터를 부가 정보에 포함시킴으로써, 종합평가 결과를 고정밀도로 생성하는 것이 가능하게 된다.

특히, 혈당값은 운동 상태에 의존할 수 있기 때문에, 상기한 부가 정보를 사용하여 평가함으로써, 평가의 정밀도 향상을 도모할 수 있다.

집계 스텝(S150)에 있어서, 예를 들면, 집계부는, 미리 설정된 임계값을 참조하여, 평가 결과 및 부가 정보를 임계값과 비교한 결과를 종합평가 결과로서 생성한다. 예를 들면, 집계부는, 평가 결과 및 부가 정보가 임계값보다 낮을 경우, 운동능력이 높은 것을 나타내는 종합평가 결과를 생성하고, 평가 결과 및 부가 정보가 임계값보다도 높을 경우, 운동능력이 낮은 것을 나타내는 종합평가 결과를 생성한다.

집계부는, 예를 들면, 미리 설정된 함수를 사용하여, 부가 정보의 내용에 기초하여 평가 결과를 보정한 값을 종합평가 결과로서 생성한다. 예를 들면, 평가 결과에 포함되는 혈당 스파이크 정보는 평가시에 있어서의 유저의 운동 상태에 의존하고, 예를 들면, 운동량에 반비례하여 혈당 스파이크의 피크 강도가 작아지는 경향을 나타낸다. 이 때문에, 부가 정보의 내용에 기초하여, 혈당 스파이크 정보의 값을 보정함으로써, 혈당값의 변화에 대한 요인을 감소시킬 수 있어, 유저의 건강 상태를 고정밀도로 평가하는 것이 가능하게 된다.

집계부는, 예를 들면, 미리 보존부(104) 등에 보존된 유저가 인식 가능한 데이터 형식을 참조하여, 종합평가 결과를 생성한다.

집계부는, 예를 들면, 후처리용 데이터베이스를 참조하여, 평가 결과 및 부가 정보에 대하여 적합한 종합평가 결과를 생성해도 된다. 후처리용 데이터베이스는, 예를 들면, 보존부(104)에 보존된다.

후처리용 데이터베이스에는, 예를 들면, 상기한 데이터베이스와 마찬가지로, 평가 결과 및 부가 정보에 대한 종합평가 결과를 생성하기 위한 후처리용 분류 정보가 기억되어도 된다. 후처리용 데이터베이스에는, 1개 이상의 후처리용 분류 정보가 기억되는 이외에, 예를 들면, 후처리용 분류 정보의 생성에 사용된 복수의 후처리용 학습 데이터가 기억되어도 된다.

후처리용 분류 정보는, 예를 들면, 미리 취득된 과거의 평가 결과 및 부가 정보(후처리용 입력 데이터)와, 후처리용 입력 데이터에 연계되는 후처리용 참조 데이터와의 상관관계를 나타내는 함수이다. 후처리용 참조 데이터는 유저의 운동능력의 평가 결과를 나타낸다. 후처리용 분류 정보는 후처리용 입력 데이터와 후처리용 참조 데이터를 한 쌍의 후처리용 학습 데이터로 하여, 복수의 후처리용 학습 데이터를 사용하여 생성된다.

후처리용 분류 정보는, 예를 들면, 후처리용 입력 데이터를 설명변수로 하고, 후처리용 참조 데이터를 목적변수로 하고, 상기한 회귀분석 등에 의해 해석하고, 그 해석 결과에 기초하여 생성되는 검량 모델을 나타낸다. 후처리용 분류 정보는, 예를 들면, 검량 모델(후처리용 검량 모델)을 정기적으로 갱신할 수 있는 외에, 예를 들면, 부가 정보별로 생성해도 된다. 또한, 후처리용 분류 정보는, 상기한 분류 정보와 마찬가지로, 예를 들면, 복수의 후처리용 학습 데이터를 사용한 기계학습에 의해 생성된, 학습된 모델(후처리용 학습된 모델)을 포함해도 된다.

본 실시형태에 의하면, 상기한 실시형태의 효과에 더하여, 집계부는, 평가 결과 및 부가 정보에 기초하여, 유저의 건강 상태를 평가한 종합평가 결과를 생성한다. 이 때문에, 평가 결과에 더하여, 유저의 생체 정보에 관한 특징을 고려한 종합적인 평가를 실현할 수 있다. 이것에 의해, 유저의 혈당값의 변화를 근거로 한 건강 상태를 평가하는 것이 가능하게 된다.

또, 본 실시형태에 의하면, 부가 정보는 맥박수, 호흡수, 혈압, 혈중 이산화탄소의 특징, 락트산값, 및 산소포화도의 적어도 어느 하나를 나타낸다. 이 때문에, 복수의 생체 정보를 근거로 한 평가를 행할 수 있다. 이것에 의해, 평가 정밀도의 향상을 도모하는 것이 가능하게 된다.

(제2 실시형태: 생체 정보 연산 시스템(100)의 변형예)

다음에 제2 실시형태에 있어서의 생체 정보 연산 시스템(100)의 변형예에 대해 설명한다. 상기한 실시형태의 일례와 변형예와의 차이는, 혈당값을 산출할 때, 부가 정보가 사용되는 점이다. 또한, 상기한 실시형태와 동일한 내용에 대해서는 설명을 생략한다.

본 변형예에서는, 예를 들면, 도 8에 도시하는 바와 같이, 산출 스텝(S120)은 부가 정보를 취득하고, 평가 데이터 및 부가 정보에 기초하여, 혈당값을 산출하는 것을 포함한다.

부가 정보는 상기한 내용과 동일하며, 예를 들면, 입력부(108) 등을 통하여 유저가 입력하고, 산출부(12) 등이 취득한다. 산출부(12)는, 예를 들면, 부가 정보의 내용에 따라, 평가 데이터에 대한 연산 방법을 결정해도 된다. 이 경우, 부가 정보의 종류마다 다른 함수 등이 보존부(104)나 평가용 데이터베이스 내에 기억된다. 또한, 산출부(12)는, 예를 들면, 평가 데이터와 부가 정보를 조합시킨 정보에 기초하여, 혈당값을 산출해도 된다.

본 변형예에 의하면, 산출부(12)는, 데이터베이스를 참조하고, 평가 데이터 및 부가 정보에 기초하여, 혈당값을 산출한다. 이 때문에, 유저의 혈당값을 산출할 때 유효한 파라미터를 사용할 수 있다. 이것에 의해, 혈당값을 산출할 때의 더한층의 정밀도 향상을 도모하는 것이 가능하게 된다.

(제3 실시형태: 생체 정보 연산 시스템(100))

다음에 제3 실시형태에 있어서의 생체 정보 연산 시스템(100)의 일례에 대해 설명한다. 상기한 실시형태와 제3 실시형태와의 차이는 부가 정보를 생성하기 위한 부가 데이터를 취득하는 점이다. 또한, 상기한 실시형태와 동일한 내용에 대해서는 설명을 생략한다.

본 실시형태에 있어서의 생체 정보 연산 시스템(100)에서는, 취득 스텝(S110)은 부가 데이터를 취득하는 것을 포함한다. 또, 본 실시형태에 있어서의 생체 정보 연산 시스템(100)에서는, 산출 스텝(S120)은 부가 데이터에 기초하는 부가 정보를 생성하는 것을 포함한다.

본 실시형태에 있어서의 생체 정보 연산 장치(1)는, 예를 들면, 도 9에 도시하는 바와 같이, 맥파에 기초하여 생성된 1개 센서 데이터에 대하여, 2종류의 처리를 실시한다. 이것에 의해, 예를 들면, 취득부(11)는, 동일한 맥파에 기초하여, 평가 데이터와 평가 데이터와는 다른 특징을 나타내는 부가 데이터를 취득한다. 또한, 부가 데이터는 복수 취득되어도 된다.

예를 들면, 산출부(12)는 부가 데이터에 기초하는 부가 정보를 생성한다. 본 실시형태에서는, 부가 정보는, 상기한 부가 정보 중, 센서 데이터로부터 산출할 수 있는 생체 정보를 포함한다. 또한, 생성되는 부가 정보의 종류에 따라, 예를 들면, 부가 데이터를 취득할 때 사용하는 전처리의 내용 등을 변경해도 된다.

산출부(12)는, 예를 들면, 데이터베이스를 참조하여, 부가 데이터로부터 부가 정보를 생성해도 된다. 데이터베이스에는, 예를 들면, 부가 데이터에 대한 부가 정보를 생성하기 위한 부가 분류 정보가 기억되어도 된다. 데이터베이스에는, 1개 이상의 부가 분류 정보가 기억되는 이외에, 예를 들면, 부가 분류 정보의 생성에 사용된 복수의 부가 학습 데이터가 기억되어도 된다.

부가 분류 정보는, 예를 들면, 미리 취득된 과거의 부가 데이터(부가 입력 데이터)와, 부가 입력 데이터에 연계되는 부가 참조 데이터와의 상관관계를 나타내는 함수이다. 부가 참조 데이터는 상기한 부가 정보를 포함한다. 부가 분류 정보는 부가 입력 데이터와, 부가 참조 데이터를 한 쌍의 부가 학습 데이터로 하여, 복수의 부가 학습 데이터를 사용하여 생성된다.

부가 분류 정보는, 예를 들면, 부가 입력 데이터를 설명변수로 하고, 부가 참조 데이터를 목적변수로 하여, 상기한 회귀분석 등에 의해 해석하고, 그 해석 결과에 기초하여 생성되는 검량 모델을 나타낸다. 부가 분류 정보는, 예를 들면, 검량 모델(부가 검량 모델)을 정기적으로 갱신할 수 있는 외에, 유저의 성별, 연령, 운동 내용 등의 속성 정보마다 생성된 복수의 부가 검량 모델을 포함해도 된다. 또한, 부가 분류 정보는, 상기한 분류 정보와 마찬가지로, 예를 들면, 복수의 부가 학습 데이터를 사용한 기계학습에 의해 생성된, 학습된 모델(부가 학습된 모델)을 포함해도 된다.

예를 들면, 도 10(a) 및 도 10(b)에 도시하는 바와 같이, 취득 스텝(S110)에서 실시되는 전처리의 내용, 및 산출 스텝(S120)에서 참조되는 부가 분류 정보의 내용이 다른 경우가 있다. 이하, 맥박수 및 호흡수를 부가 정보로서 산출하는 예를 설명한다.

<맥박수의 산출>

예를 들면, 맥박수를 산출하는 경우, 도 10(a)에 도시하는 바와 같이, 취득부(11)는 상기한 필터 처리를 센서 데이터에 대해 실시하여, 맥파 데이터를 추출한다.

그리고, 취득부(11)는, 맥파 데이터에 대하여, 피크 위치 산출 처리를 실시한다. 피크 위치 산출 처리에서는, 맥파 데이터에 포함되는 복수의 피크(진폭의 최대값)를 검출하고, 샘플링된 순서(측정 개시로부터의 시간에 상당)를 특정한다. 이것에 의해, 취득부(11)는 맥파 데이터에 포함되는 피크 위치 데이터를 취득한다.

그 후, 취득부(11)는, 피크 위치 데이터에 대하여, 피크 간격 평균 산출 처리를 실시한다. 피크 간격 평균 산출 처리는 피크 위치 데이터에 포함되는 피크의 간격(인접하는 피크가 샘플링된 순서의 차분)을 산출하고, 예를 들면, 피크 간격의 평균값을 산출한다. 그 후, 취득부(11)는 피크 간격 또는 피크 간격의 평균값에 대하여, 센서 데이터의 샘플링 레이트로 나누고, 초수(秒數)에 상당하는 피크 간격을 나타내는 데이터를 부가 데이터로서 취득한다.

그 후, 산출부(12)는, 데이터베이스를 참조하여, 부가 데이터에 대한 맥박수를 산출한다. 이때, 산출부(12)는, 데이터베이스에 기억된 부가 분류 정보 중, 맥박수용 분류 정보를 참조한다. 맥박수용 분류 정보는, 예를 들면, 60[초]를 피크 간격으로 나누는 함수를 나타낸다. 이 때문에, 산출부(12)는, 예를 들면, 부가 데이터(피크 간격=0.85[초])에 대한 맥박수(=71[bpm])를 산출할 수 있다. 이것에 의해, 산출부(12)는 맥박수를 포함하는 부가 정보를 생성할 수 있다.

<호흡수의 산출>

예를 들면, 호흡수를 산출하는 경우, 도 10(b)에 도시하는 바와 같이, 취득부(11)는 상기한 필터 처리를 센서 데이터에 대하여 실시하여, 맥파 데이터를 추출한다.

그 후, 취득부(11)는 맥파 데이터에 대하여 푸리에 변환 처리를 실시한다. 푸리에 변환 처리에서는, 예를 들면, 샘플링 시간 대 진폭을 나타내는 맥파 데이터가 주파수 대 강도를 나타내는 주파수 데이터로 변환된다. 이것에 의해, 취득부(11)는 맥파 데이터에 대한 주파수 데이터를 취득한다.

그 후, 취득부(11)는 주파수 데이터에 대하여 최대 주파수 검출 처리를 실시한다. 최대 주파수 검출 처리에서는, 주파수 데이터 중, 0.15∼0.35Hz의 사이에 있어서의 최대 강도의 주파수가 특정된다. 이것에 의해, 취득부(11)는 특정된 주파수의 값을 부가 데이터로서 취득한다.

그 후, 산출부(12)는, 데이터베이스를 참조하여, 부가 데이터에 대한 호흡수를 산출한다. 이때, 산출부(12)는, 데이터베이스에 기억된 부가 분류 정보 중, 호흡수용 분류 정보를 참조한다. 호흡수용 분류 정보는, 예를 들면, 특정된 주파수에 60[초]을 곱하는 함수를 나타낸다. 이 때문에, 산출부(12)는, 예를 들면, 부가 데이터(특정된 주파수=0.225Hz)에 대한 호흡수(=13.5[bpm])를 산출할 수 있다. 이것에 의해, 산출부(12)는, 예를 들면, 호흡수를 포함하는 부가 정보를 생성할 수 있다.

이와 같이, 생체 정보 연산 장치(1)에서는, 부가 정보에 포함시키는 데이터의 내용에 따라, 센서 데이터에 대한 전처리를 설정하고, 참조하는 데이터베이스의 내용을 임의로 설정할 수 있다.

본 실시형태에 있어서의 생체 정보 연산 시스템(100)에서는, 예를 들면, 도 11에 도시하는 바와 같이, 출력부(14)는 생성된 부가 정보를 출력해도 된다. 이 경우, 평가 결과와는 다른 정보를 참조하여 생성된 부가 정보를 이용할 수 있어, 유저 등은 다각적인 판단을 실시할 수 있다. 이것에 의해, 유저의 요구에 따른 적절한 평가를 용이하게 실현하는 것이 가능하게 된다.

본 실시형태에 의하면, 상기한 실시형태의 효과에 더하여, 취득부(11)는, 맥파에 기초하여, 평가 데이터와는 다른 특징을 나타내는 부가 데이터를 취득한다. 또, 산출부(12)는 부가 데이터에 기초하는 부가 정보를 생성한다. 즉 1개의 맥파에 기초하여, 평가 결과 및 부가 정보가 생성된다. 이 때문에, 동일한 파라미터에 기초하는 복수 종류의 정보를 사용함으로써, 다각적인 관점을 근거로 한 종합적인 산출이나 평가를 실현하는 것이 가능하게 된다.

(제4 실시형태: 생체 정보 연산 시스템(100))

다음에 제4 실시형태에 있어서의 생체 정보 연산 시스템(100)의 일례에 대해 설명한다. 상기한 실시형태와 제4 실시형태와의 차이는 평가 스텝(S130)에서 상기한 부가 정보를 취득하는 점이다. 또한, 상기한 실시형태와 동일한 내용에 대해서는 설명을 생략한다.

본 실시형태에 있어서의 생체 정보 연산 시스템(100)에서는, 예를 들면, 도 12에 도시하는 바와 같이, 평가 스텝(S130)은 부가 정보를 취득하고, 복수의 혈당값, 및 부가 정보에 기초하여, 평가 결과를 생성하는 것을 포함한다.

부가 정보는, 상기한 내용과 동일하며, 예를 들면, 입력부(108) 등을 통하여 유저가 입력하고, 평가부(13) 등이 취득한다. 예를 들면, 취득부(11)에서 취득된 부가 데이터에 기초하여, 산출부(12)에서 생성된 부가 정보를 평가부(13)가 취득해도 된다.

평가부(13)는, 예를 들면, 부가 정보의 내용에 따라, 복수의 혈당값에 대한 연산 방법을 결정해도 된다. 이 경우, 부가 정보의 종류마다 다른 함수 등이 보존부(104)나 데이터베이스 내에 기억된다. 또한, 평가부(13)는, 예를 들면, 복수의 혈당값과 부가 정보를 조합시킨 정보에 기초하여, 평가 결과를 생성해도 된다.

본 실시형태에 의하면, 상기한 실시형태의 효과에 더하여, 평가부(13)는 부가 정보를 취득하고, 복수의 혈당값 및 부가 정보에 기초하여, 평가 결과를 생성하는 것을 포함한다. 이 때문에, 복수의 혈당값에 더하여, 유저의 특징을 고려한 다각적인 평가 결과를 생성하는 것이 가능하게 된다.

(제5 실시형태: 생체 정보 연산 시스템(100))

다음에 제5 실시형태에 있어서의 생체 정보 연산 시스템(100)의 일례에 대해 설명한다. 상기한 실시형태와 제5 실시형태와의 차이는 분류 정보에 포함되는 복수의 속성별 분류 정보로부터, 평가 데이터에 적합한 속성별 분류 정보를 선택하는 점이다. 또한, 상기한 실시형태와 동일한 내용에 대해서는 설명을 생략한다.

본 실시형태에 있어서의 생체 정보 연산 장치(1)에서는, 예를 들면, 도 13에 도시하는 바와 같이, 산출 스텝(S120)이 선택 스텝(S121)과 속성별 산출 스텝(S122)을 포함한다.

선택 스텝(S121)은, 예비 평가 데이터를 참조하여, 복수의 속성별 분류 정보 중 특정 속성별 분류 정보(예를 들면, 제1 분류 정보)를 선택한다. 선택 스텝(S121)은, 예를 들면, 산출부(12)에 포함되는 선택부에 의해 실행할 수 있다.

예비 평가 데이터는 평가 데이터와는 다른 특징을 나타내고, 예를 들면, 상기한 부가 데이터와 동일한 특징을 나타낸다. 예비 평가 데이터는, 예를 들면, 상기한 부가 데이터와 마찬가지로, 부가 정보를 생성하기 위한 것 등에 사용해도 된다.

속성별 산출 스텝(S122)은, 선택한 제1 분류 정보를 참조하여, 평가 데이터에 대한 혈당값을 산출한다. 속성별 산출 스텝(S122)은, 예를 들면, 산출부(12)에 포함되는 속성별 산출부에 의해 실행할 수 있다.

복수의 속성별 분류 정보는 각각 다른 학습 데이터를 사용하여 산출된다. 예를 들면, 학습 데이터의 입력 데이터로서 피검자의 가속도 맥파에 상당하는 데이터가 사용되는 경우, 예를 들면, 도 14와 같은 7종류(A∼G)마다 입력 데이터를 준비하고, 7종류의 속성 분류 정보를 생성한다.

이러한 복수의 속성별 분류 정보가 데이터베이스에 기억되는 경우, 예를 들면, 취득부(11)는 유저의 가속도 맥파에 상당하는 평가 데이터, 및 예비 평가 데이터를 취득한다. 그리고, 산출부(12)는, 예비 평가 데이터를 참조하여, 제1 분류 정보를 선택한다. 그 후, 산출부(12)는, 제1 분류 정보를 참조하여, 평가 데이터에 대한 혈당값을 산출한다. 이 때문에, 각 속성 분류 정보 중, 유저에 최적의 분류 정보를 선택할 수 있다.

또한, 예를 들면, 학습 데이터의 입력 데이터로서 피검자의 속도 맥파에 상당하는 데이터가 사용되는 경우, 예를 들면, 도 15와 같은 2종류(그룹 1, 그룹 2)마다 입력 데이터를 준비하고, 2종류의 속성 분류 정보를 생성해도 된다.

여기에서, 도 14에 도시하는 가속도 맥파에 상당하는 데이터는 특징에 기초하는 상세한 분류가 용이한 반면, 혈액의 조성에 관한 특징을 산출할 때, 피크의 오검출 등에 따르는 정밀도 저하를 염려로서 들 수 있다. 또, 도 15에 나타내는 속도 맥파에 상당하는 데이터는, 가속도 맥파에 상당하는 데이터에 비교하여, 특징에 기초하는 상세한 분류가 곤란하지만, 피크의 오검출 등이 적기 때문에, 혈당값을 고정밀도로 산출할 수 있다.

상기를 근거로 하여, 복수의 속성 분류 정보는 특정 분류 정보를 선택하기 위해 사용되는 선택용 데이터로서, 예를 들면, 도 14와 같은 가속도 맥파에 상당하는 데이터를 포함하고, 속성 분류 정보를 생성할 때의 학습 데이터에는 속도 맥파에 상당하는 데이터가 사용되어도 된다.

이 경우, 취득 스텝(S110)으로서, 예를 들면, 취득부(11)는, 유저의 맥파에 기초하는 센서 데이터로부터, 속도 맥파에 상당하는 데이터를 평가 데이터로서 취득한다. 또, 취득부(11)는, 센서 데이터로부터, 가속도 맥파에 상당하는 데이터를 예비 평가 데이터로서 취득한다.

다음에 선택 스텝(S121)으로서, 예를 들면, 산출부(12)는, 예비 평가 데이터를 참조하여, 가속도 맥파에 상당하는 데이터를 포함하는 복수의 선택용 데이터 중, 예비 평가 데이터에 가장 유사한 선택용 데이터(제1 선택용 데이터)를 특정하고, 제1 선택용 데이터에 연계되는 제1 분류 정보를 선택한다. 그리고, 속성별 산출 스텝(S122)으로서 산출부(12)는, 제1 분류 정보를 참조하여, 평가 데이터에 대한 혈당값을 산출한다. 이것에 의해, 평가 정밀도의 더한층의 향상을 도모하는 것이 가능하게 된다.

여기에서, 상기한 선택용 데이터 등에 사용되는 데이터의 일례를 설명한다.

예를 들면, 도 14에 도시하는 바와 같이, 가속도 맥파에는 a∼e의 변곡점이 존재한다. 예를 들면, 가속도 맥파에 있어서의 최대의 피크를 a점으로 하고, a점으로부터 차례로 각 변곡점을 b점, c점, d점, e점으로 하고, a점을 1로 하고, 최소값인 b점 혹은 d점을 0으로 한 규격화를 행한 경우, 가속도 맥파는 각 변곡점의 값과, 그 차이의 대소관계에 의해 분류하는 방법을 사용하여, 7패턴으로 분류할 수 있다. 우선, 변곡점의 값이 b<d인 경우는 패턴 A 또는 B로 분류한다. b<d이며 또한 c≥0.5이면 A, 그렇지 않으면 B로 분류한다. 다음에 변곡점의 값이 b≒d인 경우, 패턴 C 또는 D로 분류한다. b≒d이며 또한 c≒0인 경우는 패턴 D, 그렇지 않으면 패턴 C로 분류한다. 마지막으로, b>d인 경우는, 패턴 E, F, G중 어느 하나로 분류할 수 있다. b>d이며 또한 b<c이면 패턴 E로, b≒c이면 패턴 F, b>c이면 패턴 G로 분류한다.

예를 들면, 산출부(12)는 예비 평가 데이터가, 예를 들면, 도 14의 어느 패턴에 맞는지 판단하고, 제1 선택용 데이터를 특정한다. 예를 들면, 입력된 예비 평가 데이터의 변곡점 b가 변곡점 d보다 작고, 또한 변곡점 c≥0.5이면, 패턴 A를 제1 선택용 데이터로 한다. 이것에 의해, 평가 데이터의 특징에 적합한 분류 정보를 참조하여, 혈당값을 정밀도 좋게 산출할 수 있다.

본 실시형태에 의하면, 상기한 실시형태의 효과에 더하여, 산출부(12)는, 예비 평가 데이터를 참조하여, 제1 분류 정보를 선택하는 선택부와, 제1 분류 정보를 참조하여, 평가 데이터에 대한 혈당값을 산출하는 속성별 산출부를 포함한다. 이 때문에, 맥파의 특징에 대하여 최적의 속성 분류 정보를 선택한 뒤에, 평가 데이터에 대한 혈당값을 산출할 수 있다. 이것에 의해, 평가 정밀도의 더한층의 향상을 도모하는 것이 가능하게 된다.

또, 본 실시형태에 의하면, 취득부(11)는 맥파에 기초하는 속도 맥파에 상당하는 데이터를 평가 데이터로서 취득한다. 또, 취득부(11)는 맥파에 기초하는 가속도 맥파에 상당하는 데이터를 예비 평가 데이터로서 취득한다. 이 때문에, 속도 맥파에 비교하여, 맥파의 특징을 분류하기 쉬운 가속도 맥파를 사용하여, 속성 분류 정보를 선택할 수 있다. 또, 가속도 맥파에 비교하여 혈당값을 산출하기 쉬운 속도 맥파를 사용하여 혈당값을 산출할 수 있다. 이것에 의해, 평가 정밀도의 더한층의 향상을 도모하는 것이 가능하게 된다.

(제5 실시형태: 생체 정보 연산 시스템(100)의 변형예)

다음에 제5 실시형태에 있어서의 생체 정보 연산 시스템(100)의 변형예에 대해 설명한다. 상기한 실시형태의 일례와 변형예와의 차이는 부가 정보에 기초하여 제1 분류 정보를 선택하는 점이다. 또한, 상기한 실시형태와 동일한 내용에 대해서는 설명을 생략한다.

본 변형예에서는, 예를 들면, 도 16에 도시하는 바와 같이, 산출 스텝(S120)은 부가 정보를 취득한다. 또, 산출 스텝(S120)은, 분류 정보 중, 부가 정보에 기초하여 제1 분류 정보를 선택하고, 제1 분류 정보를 참조하여, 평가 데이터에 대한 혈당값을 산출한다.

예를 들면, 산출부(12)는 상기한 실시형태와 동일한 부가 정보를 취득한다. 산출부(12)는, 예를 들면, 상기한 부가 데이터에 기초하여 생성된 부가 정보를 취득해도 된다.

예를 들면, 분류 정보는 미리 부가 정보의 특징별로 분배된 함수나 검량 모델 등을 복수 포함한다. 이 경우, 산출부(12)는, 분류 정보 중, 부가 정보의 특징에 적합한 함수 등(예를 들면, 제1 분류 정보)을 선택할 수 있다. 또한, 제1 분류 정보를 선택하는 방법으로서 공지의 기술이 사용되어도 된다.

본 변형예에 의하면, 산출부(12)는, 부가 정보에 기초하여 선택된 제1 분류 정보를 참조하여, 평가 데이터에 대한 혈당값을 산출하는 것을 포함한다. 이 때문에, 유저의 특징에 대하여 최적의 분류 정보를 선택한 뒤에, 평가 데이터에 대한 혈당값을 산출할 수 있다. 이것에 의해, 평가 정밀도의 더한층의 향상을 도모하는 것이 가능하게 된다.

(제6 실시형태: 생체 정보 연산 시스템(100))

다음에 제6 실시형태에 있어서의 생체 정보 연산 시스템(100)의 일례에 대해 설명한다. 상기한 실시형태와 제6 실시형태와의 차이는 유저의 상태로서 유저의 건강 상태를 나타내는 점이다. 또한, 상기한 실시형태와 동일한 내용에 대해서는 설명을 생략한다.

본 실시형태에 있어서의 생체 정보 연산 시스템(100)은 유저의 건강 상태에 관한 평가 결과를 생성하기 위해 사용된다. 유저의 건강 상태에 관한 평가 결과는 유저의 건강진단의 결과, 건강의 정도를 나타내는 지수, 유저의 건강 상태에 따른 보험료 등을 나타낸다.

생체 정보 연산 시스템(100)은, 유저의 맥파에 기초하는 평가 데이터로부터, 혈당값을 포함하는 혈당값 평가 결과를 산출하고, 평가 데이터 및 혈당값 평가 결과로부터 평가 결과를 생성한다.

생체 정보 연산 시스템(100)에서는, 예를 들면, 도 17(a)에 도시하는 바와 같이, 생체 정보 연산 장치(1)가 센서(5) 등에 의해 생성된 센서 데이터를 취득한다. 그 후, 생체 정보 연산 장치(1)는, 취득한 센서 데이터에 대하여, 필터 처리 등의 전처리를 실시하여, 평가 데이터를 취득한다.

생체 정보 연산 장치(1)는 평가 데이터에 대한 혈당값 평가 결과를 산출하고, 평가 데이터 및 혈당값 평가 결과에 대한 평가 결과를 생성한다. 이 때문에, 맥파의 특징에 기초하여 취득된 평가 데이터 및 혈당값 평가 결과로부터, 평가 결과를 생성할 수 있다. 이것에 의해, 유저의 평가 결과를 고정밀도로 생성하는 것이 가능하게 된다.

생체 정보 연산 장치(1)는, 평가 데이터에 대한 혈당값 평가 결과를 생성할 때, 데이터베이스를 참조한다. 데이터베이스에는, 상기한 실시형태와 마찬가지로, 복수의 학습 데이터를 사용하여 생성된 분류 정보가 기억된다.

분류 정보는, 예를 들면, 도 3(a)에 도시하는 바와 같이, 과거에 취득된 학습용 맥파에 기초하는 입력 데이터, 및 입력 데이터에 연계되는 혈당값을 포함하는 참조 데이터의 한 쌍을 학습 데이터로 하여, 복수의 학습 데이터를 사용하여 생성된다. 이 때문에, 혈당값 평가 결과를 생성할 때, 과거에 실적이 있는 입력 데이터 및 출력 데이터를 근거로 한 정량적인 혈당값을 포함시킬 수 있다. 이것에 의해, 평가 결과를 생성할 때의 정밀도 향상을 도모하는 것이 가능하게 된다.

생체 정보 연산 장치(1)는, 예를 들면, 생성한 평가 결과를 디스플레이 등에 출력한다.

또한, 생체 정보 연산 시스템(100)에서는, 예를 들면, 도 17(b)에 도시하는 바와 같이, 센서(5) 등으로부터 평가 데이터를 취득해도 된다. 이 경우, 센서 데이터로부터 평가 데이터를 취득하는 전처리는 센서(5) 등에 의해 실시된다.

평가 데이터는 혈당값 평가 결과 및 평가 결과를 생성하기 위한 데이터를 나타낸다.

데이터베이스는, 주로, 평가 데이터에 대한 평가 결과를 생성할 때 사용된다. 데이터베이스에는, 1개 이상의 분류 정보가 기억되는 이외에, 예를 들면, 분류 정보의 생성에 사용된 복수의 학습 데이터가 기억되어도 된다. 분류 정보는, 예를 들면, 미리 취득된 과거의 평가 데이터(입력 데이터)와, 혈당값을 포함하는 참조 데이터와의 상관관계를 나타내는 함수이며, 상세한 것은 상기한 실시형태와 동일하기 때문에 생략한다.

분류 정보는, 상기한 실시형태와 마찬가지로, 예를 들면, 미리 취득된 과거의 평가 데이터(입력 데이터)와, 혈당값을 포함하는 참조 데이터와의 상관관계를 나타내는 함수이다.

<혈당값 평가 결과>

혈당값 평가 결과는 참조 데이터와 동종의 데이터로서 생성되고, 혈당값을 포함한다. 혈당값 평가 결과는, 분류 정보를 참조하여, 참조 데이터와 동일 또는 유사 데이터로서 생성된다. 또한, 혈액 정보는 혈당값 평가 결과를 포함한다.

생체 정보 연산 시스템(100)에서는, 예를 들면, 임의의 시계열에 따라 복수의 평가 데이터를 취득하고, 각 평가 데이터에 대한 혈당값 평가 결과를 복수 생성한다. 또, 생체 정보 연산 시스템(100)에서는, 예를 들면, 운동량의 변화시 등의 임의의 타이밍마다 복수의 평가 데이터를 취득하고, 각 평가 데이터에 대한 혈당값 평가 결과를 복수 생성해도 된다.

평가 결과는 유저의 건강 상태에 관한 정보를 나타낸다. 평가 결과는, 예를 들면, 복수의 혈당값 평가 결과 및 평가 데이터를 포함하는 이외에, 한 쌍의 평가 데이터 및 혈당값 평가 결과에 있어서의 차분값이나, 복수의 평가 데이터 및 혈당값 평가 결과에 기초하여 도출한 공지의 임계값을 포함해도 된다. 평가 결과를 출력함으로써, 유저의 건강 상태를 파악할 수 있다.

본 실시형태에 있어서의 생체 정보 연산 장치(1)의 취득부(11)는, 예를 들면, 입력부(108) 등을 통하여 유저가 입력한, 유저의 특징, 운동 내용, 경기 종목 등과 같은 평가 대상의 정보를 취득하고, 평가 데이터에 포함시켜도 된다. 평가 대상의 정보는, 예를 들면, 혈당값 평가 결과, 또는 평가 결과를 생성할 때 이용해도 된다.

산출부(12)는, 데이터베이스를 참조하여, 평가 데이터에 대한 혈당값 평가 결과를 산출한다. 산출부(12)는, 예를 들면, 데이터베이스에 기억된 분류 정보를 참조하여, 평가 데이터에 대한 혈당값을 산출하고, 혈당값 평가 결과로서 산출한다. 산출부(12)는 각각 다른 평가 데이터에 대한 혈당값 평가 결과를 복수 산출한다.

평가부(13)는, 평가 데이터 및 평가 데이터로부터 생성된 혈당값 평가 결과에 기초하여, 평가 결과를 생성한다. 평가부(13)는, 예를 들면, 보존부(104) 등에 미리 기억된 표시용의 포맷을 사용하여, 건강 상태에 대해 유저가 이해할 수 있는 형식으로 변환한 평가 결과를 생성한다.

평가부(13)는, 예를 들면, 평가용 데이터베이스를 참조하여, 평가 데이터 및 혈당값 평가 결과로부터 평가 결과를 생성해도 된다.

평가용 데이터베이스에는, 예를 들면, 상기한 데이터베이스와 마찬가지로, 평가 데이터 및 혈당값 평가 결과에 대한 평가 결과를 생성하기 위한 평가용 분류 정보가 기억되어도 된다. 평가용 데이터베이스에는, 1개 이상의 평가용 분류 정보가 기억되는 이외에, 예를 들면, 평가용 분류 정보의 생성에 사용된 복수의 평가용 학습 데이터가 기억되어도 된다.

평가용 분류 정보는, 예를 들면, 미리 취득된 과거의 평가 데이터 및 혈당값 평가 결과(평가용 입력 데이터)와, 평가용 입력 데이터에 연계되는 평가용 참조 데이터와의 상관관계를 나타내는 함수이다.

(제6 실시형태: 생체 정보 연산 시스템(100)의 동작)

다음에 본 실시형태에 있어서의 생체 정보 연산 시스템(100)의 동작의 일례에 대해 설명한다. 또한, 상기한 실시형태와 동일한 내용에 대해서는, 설명을 생략한다.

산출 스텝(S120)은, 데이터베이스를 참조하여, 평가 데이터에 대한 혈당값을 포함하는 혈당값 평가 결과를 생성한다. 예를 들면, 산출부(12)는, 분류 정보를 참조하여, 평가 데이터에 대한 혈당값을 산출한다. 산출부(12)는, 산출한 값을 포함하는 혈당값 평가 결과를 생성한다. 산출부(12)는, 예를 들면, 기억부(15)를 통하여, 생성한 혈당값 평가 결과를 보존부(104)에 보존한다. 또한, 혈당값으로서, 특정 값을 나타내는 이외에, 예를 들면, 오차범위(예를 들면, 「○○±5mg/dL」 등)가 산출되어도 된다.

평가 스텝(S130)은, 평가 데이터 및 평가 데이터로부터 생성된 혈당값 평가 결과에 기초하여, 평가 결과를 생성한다. 예를 들면, 평가부(13)는 평가 데이터 및 산출부(12)에 의해 생성된 혈당값 평가 결과를 취득한다. 평가부(13)는, 미리 설정된 함수 등을 사용하여, 평가 데이터 및 혈당값 평가 결과로부터 평가 결과를 생성하는 이외에, 예를 들면, 상기한 평가용 데이터베이스를 참조하여, 평가 결과를 생성해도 된다.

평가부(13)는, 예를 들면, 혈당값 평가 결과에 평가 데이터를 조합하여, 평가 결과를 생성한다. 이 경우, 미리 설정된 함수 등을 사용하는 이외에, 평가용 데이터베이스를 참조하여, 평가 결과를 생성해도 된다. 이것에 의해, 유저의 맥파의 특징을 용이하게 고려할 수 있어, 평가 결과의 정밀도를 향상시키는 것이 가능하게 된다.

여기에서, 맥파의 파형 신호는, 유저의 성별이나 연령 등의 속성에 의해, 맥파의 파형 신호로부터 생성할 수 있는 혈당값의 수치에 편차가 생기는 경우가 있다. 예를 들면, 20대의 남성을 유저로 하여 측정한 맥파를 처리한 경우와, 50대의 여성을 유저로 하여 측정한 맥파를 처리한 경우를 비교했을 때, 처리의 방법에 따라, 생성할 수 있는 혈당값의 정밀도에 편차가 생기는 것이 염려된다. 즉, 맥파의 파형 신호로부터 생성한 혈당값을 사용하여, 충분한 정밀도가 있는 유저의 건강 상태에 관한 평가 결과를 취득하기 위해서는, 유저의 특징에 맞춘 처리를 행할 필요가 있다.

한편, 종래의 기술에서는, 맥파의 파형 신호로부터 생성한 혈당값에 대하여, 유저의 특징에 맞춘 처리를 거쳐, 유저의 건강 상태에 관한 평가 결과를 생성하는 것이 상정되어 있지 않다. 이 때문에, 종래의 기술에서는, 유저의 특징에 맞춘 처리가 상정되어 있지 않기 때문에, 유저의 건강 상태에 관한 평가 결과를 고정밀도로 생성할 수 없는 염려를 들 수 있다.

이에 대하여 본 실시형태에 의하면, 산출부(12)는 평가 데이터에 대한 혈당값을 포함하는 혈당값 평가 결과를 생성한다. 평가부(13)는, 평가 데이터 및 평가 데이터로부터 생성된 혈당값 평가 결과에 기초하여, 유저의 건강 상태에 관한 평가 결과를 생성한다. 이 때문에, 맥파의 특징에 기초하여 취득된 평가 데이터 및 혈당값 평가 결과로부터, 평가 결과를 생성할 수 있다. 이것에 의해, 유저의 평가 결과를 고정밀도로 생성하는 것이 가능하게 된다.

또, 본 실시형태에 의하면, 산출부(12)는, 데이터베이스를 참조하여, 평가 데이터에 대한 혈당값 평가 결과를 생성한다. 또, 데이터베이스에는, 복수의 학습 데이터를 사용하여 산출된 분류 정보가 기억된다. 이 때문에, 평가 결과를 생성할 때, 과거에 실적이 있는 데이터를 근거로 한 정량적인 혈당값을 포함시킬 수 있다. 이것에 의해, 평가 결과를 생성할 때의 정밀도 향상을 도모하는 것이 가능하게 된다.

또, 본 실시형태에 의하면, 분류 정보는 입력 데이터를 설명변수로 하고, 참조 데이터를 목적변수로 한 PLS 회귀분석을 사용하여 얻어진 검량 모델이다. 이 때문에, 기계학습 등을 사용하여 분류 정보를 산출하는 경우에 비교하여, 학습 데이터의 수를 대폭 절감할 수 있음과 아울러, 검량 모델의 갱신을 용이하게 실시할 수 있다. 이것에 의해, 생체 정보 연산 시스템(100)의 구축 및 갱신의 용이화를 도모하는 것이 가능하게 된다.

(제7 실시형태: 생체 정보 연산 시스템(100))

다음에 제7 실시형태에 있어서의 생체 정보 연산 시스템(100)의 일례에 대해 설명한다. 상기한 실시형태와 제7 실시형태와의 차이는, 평가 데이터의 특징에 기초하여, 혈당값 평가 결과로부터 평가 결과를 생성하기 위한 함수를 선택하고, 혈당값 평가 결과로부터 평가 결과를 생성하는 점이다. 또한, 상기한 실시형태와 동일한 내용에 대해서는 설명을 생략한다.

평가부(13)는, 예를 들면, 평가 데이터의 특징에 따라, 혈당값 평가 결과에 대한 연산 방법을 결정해도 된다. 이 경우, 평가 데이터의 특징마다 다른 혈당 평가 결과로부터 평가 결과를 생성하기 위한 함수 등이, 예를 들면, 보존부(104) 등에 보존된 평가용 데이터베이스 내에 기억된다. 평가부(13)는, 예를 들면, 평가 데이터에 있어서의 피크의 강도나 형상 등의 특징에 기초하여, 보존부(104)에 기억된 함수를 선택하고, 혈당값 평가 결과로부터 평가 결과를 생성해도 된다. 평가부(13)는, 예를 들면, 평가 데이터의 특징에 기초하여, 복수의 평가용 분류 정보로부터, 평가 데이터에 적합한 평가용 분류 정보를 상기한 함수로서 선택해도 된다.

「평가 데이터의 특징」은, 예를 들면, 평가 데이터로서 유저의 가속도 맥파에 상당하는 데이터가 사용되는 경우, 도 14와 같은 7종류 중 어느 하나의 분류 패턴에 속하는지에 따라 정해져도 된다. 또, 「평가 데이터의 피크의 특징」은, 예를 들면, 평가 데이터로서 유저의 속도 맥파에 상당하는 데이터가 사용되는 경우, 도 15와 같은 2종류 중 어느 하나의 분류 패턴에 속하는지에 따라 정해져도 된다.

평가용 데이터베이스에는, 예를 들면, 상기한 데이터베이스와 마찬가지로, 혈당값 평가 결과에 대한 평가 결과를 생성하기 위한 평가용 분류 정보가 기억되어도 된다. 평가용 데이터베이스에는, 1개 이상의 평가용 분류 정보가 기억되는 이외에, 예를 들면, 평가용 분류 정보의 생성에 사용된 복수의 평가용 학습 데이터가 기억되어도 된다.

평가용 분류 정보는, 예를 들면, 미리 취득된 과거의 평가 데이터에 연계되는 혈당값 평가 결과(평가용 입력 데이터)와, 평가용 입력 데이터에 연계되는 평가용 참조 데이터와의 상관관계를 나타내는 함수이다. 평가용 참조 데이터는 유저의 평가 결과를 나타낸다. 평가용 분류 정보는 평가용 입력 데이터와, 평가용 참조 데이터를 한 쌍의 평가용 학습 데이터로 하여, 복수의 평가용 학습 데이터를 사용하여 생성된다.

본 실시형태에 있어서의 생체 정보 연산 시스템(100)에서는, 예를 들면, 도 18에 도시하는 바와 같이, 평가 스텝(S130)이 평가용 선택 스텝(S131)과, 속성별 평가 스텝(S132)을 포함한다.

평가용 선택 스텝(S131)은, 평가 데이터를 참조하여, 복수의 속성별 평가용 분류 정보 중 특정 평가용 분류 정보(예를 들면, 제1 평가용 분류 정보)를 선택한다. 평가용 선택 스텝(S131)은, 예를 들면, 평가부(13)에 포함되는 평가용 선택부에 의해 실행할 수 있다.

속성별 평가 스텝(S132)은, 선택한 제1 평가용 분류 정보를 참조하여, 혈당값 평가 결과에 대한 평가 결과를 생성한다. 속성별 평가 스텝(S132)은, 예를 들면, 평가부(13)에 포함되는 속성별 평가부에 의해 실행할 수 있다.

복수의 속성별 평가용 분류 정보는 혈당값 평가 결과로부터 평가 결과를 생성하기 위한 각각 다른 함수를 포함한다. 또, 복수의 속성별 평가용 분류 정보는 학습 데이터를 사용하여 산출되어도 된다. 예를 들면, 학습 데이터의 입력 데이터로서, 상기한 각각의 분류 패턴의 평가 데이터에 연계되는 혈당값 평가 결과가 사용된다. 이 경우, 예를 들면, 도 14와 같은 7종류의 분류 패턴의 평가 데이터에 각각 연계되는 혈당값 평가 결과마다 입력 데이터를 준비하고, 7종류의 속성별 평가용 분류 정보를 생성한다.

이러한 복수의 속성별 평가용 분류 정보가 데이터베이스에 기억되는 경우, 예를 들면, 취득부(11)는 유저의 가속도 맥파에 상당하는 평가 데이터를 취득한다. 그리고, 평가부(13)는, 평가 데이터의 피크의 특징을 참조하여, 제1 평가용 분류 정보를 선택한다. 그 후, 평가부(13)는, 제1 평가용 분류 정보를 참조하여, 혈당값 평가 결과에 대한 평가 결과를 생성한다. 이 때문에, 각 속성별 평가용 분류 정보 중, 유저에 최적의 평가용 분류 정보를 선택할 수 있다.

또한, 예를 들면, 학습 데이터의 입력 데이터로서 피검자의 속도 맥파에 상당하는 데이터가 사용되는 경우, 예를 들면, 도 15와 같은 2종류의 분류 패턴의 평가 데이터에 각각 연계되는 혈당값 평가 결과마다 입력 데이터를 준비하고, 2종류의 속성별 평가용 분류 정보를 생성해도 된다. 이것에 의해, 평가 정밀도의 더한층의 향상을 도모하는 것이 가능하게 된다.

본 실시형태에 의하면, 상기한 실시형태의 효과에 더하여, 평가부(13)는, 평가 데이터의 특징에 기초하여, 혈당값 평가 결과로부터 평가 결과를 생성하기 위한 함수를 선택한다. 이 때문에, 유저마다 다른 평가 데이터의 특징에 따라, 적절한 함수를 선택할 수 있다. 이것에 의해, 유저의 평가 결과를 고정밀도로 생성하는 것이 가능하게 된다.

(제8 실시형태: 생체 정보 연산 시스템(100))

다음에 제8 실시형태에 있어서의 생체 정보 연산 시스템(100)의 일례에 대해 설명한다. 상기한 실시형태와 제8 실시형태와의 차이는 집계 스텝(S150)을 갖추는 점이다. 또한, 상기한 실시형태와 동일한 내용에 대해서는 설명을 생략한다.

본 실시형태에 있어서의 생체 정보 연산 시스템(100)의 집계 스텝(S150)에서는, 예를 들면, 상기한 평가부(13)는 각각 다른 평가 데이터로부터 생성된 복수의 혈당값 평가 결과에 기초하여, 혈당 트렌드를 생성한다. 또, 평가부(13)는 평가 데이터 및 혈당 트렌드로부터 평가 결과를 생성한다. 혈당 트렌드는, 예를 들면, 도 19에 도시하는 바와 같은 혈당값의 시간(t)에 대한 변화를 나타내는 그래프 등이다. 또, 혈당 트렌드는, 예를 들면, 혈당값의 시간(t)에 대한 변화를 나타내는 그래프를 시간(t)으로 미분 또는 적분한 것이어도 된다. 또, 혈당 트렌드에는, 혈당값의 극대점을 나타내는 혈당값 스파이크가 포함되어도 된다. 또, 혈당 트렌드에는 HbA1c의 값이 포함되어도 된다.

평가부(13)는, 예를 들면, 각각 다른 평가 데이터로부터 생성된 복수의 혈당값 평가 결과를 취득하고, 당해 혈당값 평가 결과에 있어서의 시계열 변화로부터, 유저의 혈당값의 경향에 관한 혈당 트렌드를 취득한다.

평가부(13)는, 예를 들면, 평가용 데이터베이스를 참조하여, 평가 데이터 및 혈당 트렌드로부터 평가 결과를 생성해도 된다.

평가용 데이터베이스에는, 예를 들면, 상기한 데이터베이스와 마찬가지로, 평가 데이터 및 혈당 트렌드에 대한 평가 결과를 생성하기 위한 평가용 분류 정보가 기억되어도 된다. 평가용 데이터베이스에는, 1개 이상의 평가용 분류 정보가 기억되는 이외에, 예를 들면, 평가용 분류 정보의 생성에 사용된 복수의 평가용 학습 데이터가 기억되어도 된다.

평가용 분류 정보는, 예를 들면, 미리 취득된 과거의 평가 데이터 및 혈당 트렌드(평가용 입력 데이터)와, 평가용 입력 데이터에 연계되는 평가용 참조 데이터와의 상관관계를 나타내는 함수이다. 평가용 참조 데이터는 유저의 평가 결과를 나타낸다. 평가용 분류 정보는 평가용 입력 데이터와 평가용 참조 데이터를 한 쌍의 평가용 학습 데이터로 하여, 복수의 평가용 학습 데이터를 사용하여 생성된다.

본 실시형태에 의하면, 상기한 실시형태의 효과에 더하여, 평가 스텝(S130)은, 각각 다른 평가 데이터로부터 생성된 복수의 혈당값 평가 결과에 있어서의 시계열 변화로부터, 유저의 혈당값의 경향에 관한 혈당 트렌드를 취득하고, 혈당 트렌드 및 평가 데이터로부터 평가 결과를 생성한다. 이 때문에, 유저마다 다른 혈당값 스파이크 등의 혈당값의 특징을 용이하게 파악할 수 있다. 이것에 의해, 유저의 평가 결과를 고정밀도로 생성하는 것이 가능하게 된다.

(제8 실시형태: 생체 정보 연산 시스템(100)의 동작)

다음에 본 실시형태에 있어서의 생체 정보 연산 시스템(100)의 동작의 일례에 대해 설명한다. 도 20은 본 실시형태에 있어서의 생체 정보 연산 시스템(100)의 동작의 1 예를 나타내는 흐름도이다. 본 실시형태에 있어서의 생체 정보 연산 시스템(100)의 동작은, 도 20에 도시하는 바와 같이, 평가 스텝(S130)이 집계 스텝(S150)을 포함한다.

<집계 스텝(S150)>

집계 스텝(S150)은, 예를 들면, 각각 다른 평가 데이터로부터 생성된 복수의 혈당값 평가 결과를 취득하고, 당해 혈당값 평가 결과에 있어서의 시계열 변화로부터, 유저의 혈당값의 경향에 관한 혈당 트렌드를 취득한다. 집계 스텝(S150)은, 예를 들면, 생체 정보 연산 장치(1)에 포함되는 평가부(13)에 의해 실행할 수 있다.

<평가 스텝(S130)>

다음에 평가 스텝(S130)은, 평가 데이터 및 혈당 트렌드에 기초하여, 평가 결과를 생성한다. 예를 들면, 평가부(13)는 평가 데이터 및 산출부(12)에 의해 생성된 혈당 트렌드를 취득한다. 평가부(13)는, 미리 설정된 함수 등을 사용하여, 평가 데이터 및 혈당 트렌드로부터 평가 결과를 생성하는 이외에, 예를 들면, 상기한 평가용 데이터베이스를 참조하여, 평가 결과를 생성해도 된다. 이 때문에, 유저마다 다른 혈당값 스파이크 등의 혈당값의 특징을 용이하게 파악할 수 있다. 이것에 의해, 유저의 평가 결과를 고정밀도로 생성하는 것이 가능하게 된다.

평가 스텝(S130)은, 예를 들면, 도 21에 도시하는 바와 같이, 상기한 부가 정보를 취득하고, 평가 데이터, 혈당값 평가 결과 및 부가 정보에 기초하여, 평가 결과를 생성한다. 또, 평가 스텝(S130)은 집계 스텝(S150)을 포함해도 된다. 이 경우, 평가 스텝(S130)은, 부가 정보를 취득하고, 평가 데이터, 혈당 트렌드 및 부가 정보에 기초하여, 평가 결과를 생성한다.

평가부(13)는, 예를 들면, 평가용 데이터베이스를 참조하여, 평가 데이터, 혈당값 평가 결과 및 부가 정보에 대하여 적합한 평가 결과를 생성해도 된다.

평가용 분류 정보는, 예를 들면, 미리 취득된 과거의 평가 데이터, 혈당값 평가 결과 및 부가 정보(평가용 입력 데이터)와, 평가용 입력 데이터에 연계되는 평가용 참조 데이터와의 상관관계를 나타내는 함수이다. 평가용 참조 데이터는 유저의 평가 결과를 나타낸다. 평가용 분류 정보는 평가용 입력 데이터와 평가용 참조 데이터를 한 쌍의 평가용 학습 데이터로 하여, 복수의 평가용 학습 데이터를 사용하여 생성된다.

본 실시형태에 의하면, 상기한 실시형태의 효과에 더하여, 평가부(13)는 유저의 특징을 나타내는 부가 정보를 취득하고, 평가 데이터, 혈당값 평가 결과 및 부가 정보에 기초하여, 평가 결과를 생성하는 것을 포함한다. 이 때문에, 복수 종류의 정보를 사용함으로써, 다각적인 관점을 근거로 한 종합적인 평가를 실현할 수 있다. 이것에 의해, 유저의 평가 결과를 더욱 고정밀도로 생성하는 것이 가능하게 된다.

(제9 실시형태: 생체 정보 연산 시스템(100))

다음에 제9 실시형태에 있어서의 생체 정보 연산 시스템(100)의 일례에 대해 설명한다. 상기한 실시형태와 제9 실시형태와의 차이는 산출 스텝(S120)에서 상기한 부가 정보를 취득하고, 평가 데이터 및 부가 정보에 기초하여, 혈당값 평가 결과를 생성하는 점이다. 또한, 상기한 실시형태와 동일한 내용에 대해서는 설명을 생략한다.

본 실시형태에 있어서의 생체 정보 연산 시스템(100)에서는, 예를 들면, 도 22에 도시하는 바와 같이, 산출 스텝(S120)은 부가 정보를 취득하고, 평가 데이터, 및 부가 정보에 기초하여, 혈당값 평가 결과를 생성하는 것을 포함한다. 또, 평가 스텝(S130)은 집계 스텝(S150)을 포함해도 된다. 이 경우, 평가 스텝(S130)은, 평가 데이터 및 혈당 트렌드에 기초하여, 평가 결과를 생성한다.

부가 정보는 상기한 내용과 동일하며, 예를 들면, 입력부(108) 등을 통하여 유저가 입력하고, 산출부(12) 등이 취득한다. 예를 들면, 취득부(11)에서 취득된 부가 데이터에 기초하여, 산출부(12)에서 생성된 부가 정보를 산출부(12)가 취득해도 된다.

산출부(12)는, 예를 들면, 부가 정보의 내용에 따라, 혈당값 평가 결과에 대한 연산 방법을 결정해도 된다. 이 경우, 부가 정보의 종류마다 다른 함수 등이 보존부(104)나 평가용 데이터베이스 내에 기억된다. 또한, 산출부(12)는, 예를 들면, 평가 데이터와 부가 정보를 조합시킨 정보에 기초하여, 혈당값 평가 결과를 생성해도 된다.

본 실시형태에 의하면, 상기한 실시형태의 효과에 더하여, 산출부(12)는, 부가 정보를 취득하고, 및 평가 데이터, 및 부가 정보에 기초하여, 혈당값 평가 결과를 생성하는 것을 포함한다. 이 때문에, 유저의 혈당값 평가 결과에 상관이 있는 파라미터를 이용하여, 다각적인 관점을 근거로 한 종합적인 평가를 실현할 수 있다. 이것에 의해, 유저의 평가 결과를, 더욱 고정밀도로 생성하는 것이 가능하게 된다.

(제10 실시형태: 생체 정보 연산 시스템(100))

다음에 제10 실시형태에 있어서의 생체 정보 연산 시스템(100)의 일례에 대해 설명한다. 상기한 실시형태와 제10 실시형태와의 차이는 부가 정보에 기초하여, 복수의 분류 정보로부터, 평가 데이터에 적합한 분류 정보를 선택하는 점이다. 또한, 상기한 실시형태와 동일한 내용에 대해서는 설명을 생략한다.

본 실시형태에 있어서의 생체 정보 연산 장치(1)에서는, 예를 들면, 도 23에 도시하는 바와 같이, 산출 스텝(S120)이 선택 스텝(S121)과, 속성별 산출 스텝(S122)을 포함한다. 또, 평가 스텝(S130)은 집계 스텝(S150)을 포함해도 된다. 이 경우, 평가 스텝(S130)은, 평가 데이터 및 혈당 트렌드에 기초하여, 평가 결과를 생성한다.

선택 스텝(S121)은, 부가 정보를 참조하여, 복수의 속성별 분류 정보 중 특정 분류 정보(예를 들면, 제1 분류 정보)를 선택한다. 선택 스텝(S121)은, 예를 들면, 산출부(12)에 포함되는 선택부에 의해 실행할 수 있다.

속성별 산출 스텝(S122)은, 생체 정보 연산 장치(1)는 선택한 제1 분류 정보를 참조하여, 평가 데이터에 대한 혈당값을 산출하고, 혈당값 평가 결과를 생성한다. 속성별 산출 스텝(S122)은, 예를 들면, 산출부(12)에 포함되는 속성별 생성부에 의해 실행할 수 있다.

복수의 속성별 분류 정보는 각각 다른 학습 데이터를 사용하여 산출된다. 예를 들면, 학습 데이터의 입력 데이터로서 부가 정보의 특징마다 입력 데이터를 준비하고, 복수의 속성별 분류 정보를 생성한다. 예를 들면, 부가 정보가 유저의 연령인 경우, 10세∼30세, 30세∼50세, 50세∼70세 등과 같이 연령층마다 입력 데이터를 준비해도 된다.

이러한 복수의 속성별 분류 정보가 데이터베이스에 기억되는 경우, 예를 들면, 취득부(11)는 평가 데이터, 및 부가 정보를 취득한다. 그리고, 산출부(12)는, 부가 정보를 참조하여, 제1 분류 정보를 선택한다. 그 후, 산출부(12)는, 제1 분류 정보를 참조하여, 평가 데이터에 대한 혈당값 평가 결과를 생성한다. 이 때문에, 각 속성별 분류 정보 중, 유저에게 최적의 분류 정보를 선택할 수 있다.

이 경우, 취득 스텝(S110)으로서, 예를 들면, 취득부(11)는 유저의 평가 데이터와 부가 정보로서 유저의 연령을 취득한다.

다음에 선택 스텝(S121)으로서, 예를 들면, 산출부(12)는, 부가 정보를 참조하여, 부가 정보에 연계되는 제1 분류 정보를 선택한다. 그리고, 속성별 산출 스텝(S122)으로서, 산출부(12)는, 제1 분류 정보를 참조하여, 평가 데이터에 대한 혈당값 평가 결과를 생성한다. 이것에 의해, 평가 정밀도의 더한층의 향상을 도모하는 것이 가능하게 된다.

본 실시형태에 의하면, 상기한 실시형태의 효과에 더하여, 산출부(12)는, 부가 정보를 참조하여, 제1 분류 정보를 선택하는 선택부와, 제1 분류 정보를 참조하여, 평가 데이터에 대한 혈당값 평가 결과를 생성하는 속성별 생성부를 포함한다. 이 때문에, 부가 정보에 대하여 최적의 속성별 분류 정보를 선택한 뒤에, 평가 데이터에 대한 혈당값 평가 결과를 생성할 수 있다. 이것에 의해, 평가 정밀도의 더한층의 향상을 도모하는 것이 가능하게 된다.

(제11 실시형태: 생체 정보 연산 시스템(100))

다음에 제11 실시형태에 있어서의 생체 정보 연산 시스템(100)의 일례에 대해 설명한다. 상기한 실시형태와 제11 실시형태와의 차이는 혈액 정보가 혈액의 조성에 관한 특징을 포함하고, 유저의 상태로서 유저의 운동능력을 나타내는 점이다. 또한, 상기한 실시형태와 동일한 내용에 대해서는 설명을 생략한다.

본 실시형태에 있어서의 생체 정보 연산 시스템(100)은 유저의 운동능력에 관한 정보를 생성하기 위해 사용된다. 유저의 운동능력에 관한 정보는, 예를 들면, 유저의 운동능력의 경향이나, 특정 기준값에 관한 괴리도 등을 나타낸다.

운동능력의 경향은, 예를 들면, 유저마다 다른 무산소성 작업 임계값 등과 같은 공지의 임계값을 나타내는 이외에, 예를 들면, 혐기성 대사의 정도 등과 같은 운동능력에 영향을 주는 파라미터의 시간에 따른 변화를 나타낸다. 운동능력에 영향을 주는 파라미터로서 산소섭취량, 혈중 이산화탄소 분압(PaCO₂)의 값, 혈중 이산화탄소의 용존 농도, 혈액에 포함되는 중탄산·바이카보네이트(HCO₃ ^-)의 농도, 혈액의 pH 등과 같은 혈액의 조성에 관한 특징을 나타내는 값을 들 수 있다.

생체 정보 연산 시스템(100)은, 유저의 맥파에 기초하는 평가 데이터로부터, 혈액의 조성에 관한 특징을 포함하는 혈액 정보를 생성한다. 또, 생체 정보 연산 시스템(100)은, 예를 들면, 시계열로 생성된 복수의 혈액 정보에 기초하여, 유저의 운동능력의 경향을 나타낸 평가 결과를 생성한다.

생체 정보 연산 시스템(100)에서는, 예를 들면, 도 24(a)에 도시하는 바와 같이, 생체 정보 연산 장치(1)가 센서(5) 등에 의해 생성된 센서 데이터를 취득한다. 그 후, 생체 정보 연산 장치(1)는, 취득한 센서 데이터에 대하여, 필터 처리 등의 전처리를 실시하여, 평가 데이터를 취득한다.

생체 정보 연산 장치(1)는 평가 데이터에 대한 혈액 정보를 생성한다. 그 후, 생체 정보 연산 장치(1)는, 각각 다른 평가 데이터로부터 생성된 복수의 혈액 정보에 기초하여, 평가 결과를 생성한다. 이 때문에, 개인의 특징, 운동 내용, 경기 종목과 같은 평가 대상의 영향에 상관없이, 혈액의 조성에 관한 특징으로부터, 평가 결과를 직접 생성할 수 있다. 이것에 의해, 유저의 운동능력에 관한 정보를 고정밀도로 생성하는 것이 가능하게 된다.

여기에서, 생체 정보 연산 장치(1)는, 평가 데이터에 대한 혈액 정보를 생성할 때, 데이터베이스를 참조한다. 데이터베이스에는, 복수의 학습 데이터를 사용하여 생성된 분류 정보가 기억된다.

분류 정보는, 예를 들면, 도 3(a)에 도시하는 바와 같이, 과거에 취득된 학습용 맥파에 기초하는 입력 데이터, 및 입력 데이터에 연계되는 혈액의 조성에 관한 특징을 포함하는 참조 데이터의 한 쌍을 학습 데이터로 하여, 복수의 학습 데이터를 사용하여 생성된다. 이 때문에, 혈액 정보를 생성할 때, 과거에 실적이 있는 입력 데이터 및 출력 데이터를 근거로 한 정량적인 혈액의 조성에 관한 특징을 포함시킬 수 있다. 이것에 의해, 혈액 정보를 생성할 때의 정밀도 향상을 도모하는 것이 가능하게 된다.

생체 정보 연산 장치(1)는, 예를 들면, 생성한 평가 결과를 디스플레이 등에 출력한다. 평가 결과에는, 유저의 운동능력의 경향을 수치화한 정보가 포함되고, 예를 들면, 무산소성 작업 임계값 등과 같은 유저마다 다른 임계값이 포함된다. 평가 결과에는, 예를 들면, 「유산소성 운동 중」, 「무산소성 운동 중」 등과 같은 유저의 운동능력의 경향에 대한 평가를 나타내는 정보가 포함되어도 된다.

또한, 생체 정보 연산 시스템(100)에서는, 예를 들면, 도 24(b)에 도시하는 바와 같이, 센서(5) 등으로부터 평가 데이터를 취득해도 된다. 이 경우, 센서 데이터로부터 평가 데이터를 취득하는 전처리는 센서(5) 등에 의해 실시된다.

평가 데이터는 혈액 정보를 생성하기 위한 데이터를 나타낸다.

데이터베이스는, 주로, 평가 데이터에 대한 혈액 정보를 생성할 때 사용된다. 데이터베이스에는 1개 이상의 분류 정보가 기억되는 이외에, 예를 들면, 분류 정보의 생성에 사용된 복수의 학습 데이터가 기억되어도 된다. 분류 정보는, 예를 들면, 미리 취득된 과거의 평가 데이터(입력 데이터)와, 혈액의 조성에 관한 특징을 포함하는 참조 데이터와의 상관관계를 나타내는 함수이며, 상세한 것은 상기한 실시형태와 동일하기 때문에 생략한다.

참조 데이터는, 계측 장치 등을 사용하여 계측된, 피검자의 혈액의 조성에 관한 특징을 포함한다. 예를 들면, 피검자에게 센서(5) 등을 장착시켜 학습용 센서 데이터를 생성할 때, 피검자의 혈중 이산화탄소의 특징 등을 계측함으로써, 입력 데이터에 연계되는 참조 데이터를 취득할 수 있다. 이 경우, 혈중 이산화탄소의 특징 등을 계측하는 타이밍은 학습용 센서 데이터를 생성하는 타이밍과 동시가 바람직하지만, 예를 들면, 1∼10분 정도 전후하는 타이밍이어도 된다.

또한, 「혈액의 조성에 관한 특징」이란 계측 가능한 혈액 내의 조성물의 농도나 비율 등을 나타내고, 예를 들면, 혈중 이산화탄소 농도의 특징, 혈중 락트산량, 및 산소포화도의 적어도 어느 하나를 나타낸다. 또한, 「혈중 이산화탄소의 특징」이란 혈액에 포함되는 이산화탄소의 정도를 나타낸다. 혈중 이산화탄소의 특징으로서, 예를 들면, 혈중 이산화탄소 분압(PaCO₂)의 값이 사용되는 이외에, 혈중 이산화탄소의 용존 농도나, 혈액에 포함되는 중탄산·바이카보네이트(HCO₃ ^-)의 농도가 사용되어도 되고, 상황에 따라 혈액의 pH를 고려한 값이 사용되어도 된다.

혈액 정보는 참조 데이터와 동종의 데이터로서 생성되고, 혈액의 조성에 관한 특징을 포함한다. 혈액 정보는, 분류 정보를 참조하여, 참조 데이터와 동일 또는 유사 데이터로서 생성된다. 생체 정보 연산 시스템(100)에서는, 예를 들면, 임의의 시계열에 따라 복수의 평가 데이터를 취득하고, 각 평가 데이터에 대한 혈액 정보를 복수 생성한다. 또, 생체 정보 연산 시스템(100)에서는, 예를 들면, 운동량의 변화시 등의 임의의 타이밍마다 복수의 평가 데이터를 취득하고, 각 평가 데이터에 대한 혈액 정보를 복수 생성해도 된다.

평가 결과는 유저의 운동능력의 경향을 나타낸다. 평가 결과는, 예를 들면, 복수의 혈액 정보를 포함하는 이외에, 한 쌍의 혈액 정보에 있어서의 차분값이나, 복수의 혈액 정보에 기초하여 도출한 공지의 임계값을 포함해도 된다. 평가 결과를 출력함으로써, 유저의 운동능력을 파악할 수 있다.

본 실시형태에 있어서의 생체 정보 연산 장치(1)의 취득부(11)는, 예를 들면, 입력부(108) 등을 통하여 유저가 입력한, 유저의 특징, 운동 내용, 경기 종목 등과 같은 평가 대상의 정보를 취득하고, 평가 데이터에 포함시켜도 된다. 평가 대상의 정보는, 예를 들면, 혈액 정보, 또는 평가 결과를 생성할 때 이용해도 된다.

산출부(12)는, 데이터베이스를 참조하여, 평가 데이터에 대한 혈액 정보를 생성한다. 산출부(12)는, 예를 들면, 데이터베이스에 기억된 분류 정보를 참조하여, 평가 데이터에 대한 혈중 이산화탄소 분압 등의 값을 산출하여, 혈액 정보로서 생성한다. 산출부(12)는 각각 다른 평가 데이터에 대한 혈액 정보를 복수 생성한다.

평가부(13)는, 각각 다른 평가 데이터로부터 생성된 복수의 혈액 정보에 기초하여, 평가 결과를 생성한다. 평가부(13)는, 예를 들면, 보존부(104) 등에 미리 기억된 표시용의 포맷을 사용하여, 운동능력의 경향에 대해 유저가 이해할 수 있는 형식으로 변환한 평가 결과를 생성한다.

평가부(13)는, 예를 들면, 도 25(a)에 도시하는 바와 같이, 2개의 혈액 정보(도 25(a)에서는 일례로서 혈중 이산화탄소 분압을 나타냄)의 차이를 측정 시간의 차이로 나눈 값을 혐기성 대사의 정도로서 산출하고, 혐기성 대사의 정도를 포함하는 평가 결과를 생성한다. 이 경우, 유저마다 다른 무산소성 운동의 조건을 용이하게 파악할 수 있다. 예를 들면, 평가부(13)는, 미리 보존부(104) 등에 기억된 기준값을 참조하여, 혐기성 대사의 정도가 기준값보다 작을 경우, 유산소성 운동의 상태인 취지를 나타내는 평가 결과를 생성하고, 혐기성 대사의 정도가 기준값 이상인 경우, 무산소성 운동의 상태인 취지를 나타내는 평가 결과를 생성해도 된다.

평가부(13)는, 예를 들면, 평가용 데이터베이스를 참조하여, 복수의 혈액 정보로부터 평가 결과를 생성해도 된다.

평가용 데이터베이스에는, 예를 들면, 상기한 데이터베이스와 마찬가지로, 복수의 혈액 정보에 대한 평가 결과를 생성하기 위한 평가용 분류 정보가 기억되어도 된다. 평가용 데이터베이스에는, 1개 이상의 평가용 분류 정보가 기억되는 이외에, 예를 들면, 평가용 분류 정보의 생성에 사용된 복수의 평가용 학습 데이터가 기억되어도 된다.

평가용 분류 정보는, 예를 들면, 미리 취득된 과거의 복수의 혈액 정보(평가용 입력 데이터)와, 평가용 입력 데이터에 연계되는 평가용 참조 데이터와의 상관관계를 나타내는 함수이다. 평가용 참조 데이터는 유저의 운동능력의 경향을 나타낸다. 평가용 분류 정보는, 평가용 입력 데이터와 평가용 참조 데이터를 한 쌍의 평가용 학습 데이터로 하여, 복수의 평가용 학습 데이터를 사용하여 생성된다.

평가용 데이터베이스에는, 예를 들면, 도 25(b)에 도시하는 바와 같이, 운동 강도와 혈액 정보(도 25(b)에서는 일례로서 혈중 이산화탄소 분압을 나타냄)와의 관계를 나타내는 함수 A1, A2가 기억되어도 된다. 함수 A1은, 예를 들면, 유산소성 운동 시에 있어서의 운동 강도와 혈중 이산화탄소 분압과의 관계를 나타내고, 함수 A2는, 예를 들면, 무산소성 운동 시에 있어서의 운동 강도와 혈중 이산화탄소 분압과의 관계를 나타낸다. 또한, 함수 A1, A2는 복수의 함수를 가져도 된다.

예를 들면, 산출부(12)에 있어서, 복수의 혈액 정보로서 제1 분압 P1, 및 제2 분압 P2를 생성한 경우, 평가부(13)는 함수 A1을 참조하여, 각 분압 P1, P2에 기초하여, 「유산소 운동 중」인 것을 나타내는 평가 결과를 생성한다.

예를 들면, 산출부(12)에 있어서, 복수의 혈액 정보로서 제3 분압 P3, 및 제4 분압 P4를 생성한 경우, 평가부(13)는 함수 A2를 참조하여, 각 분압 P3, P4에 기초하여, 「무산소 운동 중」인 것을 나타내는 평가 결과를 생성한다.

예를 들면, 산출부(12)에 있어서, 복수의 혈액 정보로서 제1 분압 P1, 제2 분압 P2, 제3 분압 P3, 및 제4 분압 P4를 생성한 경우, 평가부(13)는 함수 A1, A2를 참조하여, 각 분압 P1, P2, P3, P4에 기초하여, 무산소성 작업 임계값 AT1을 나타내는 평가 결과를 생성한다.

(제11 실시형태: 생체 정보 연산 시스템(100)의 동작)

다음에 본 실시형태에 있어서의 생체 정보 연산 시스템(100)의 동작의 일례에 대해 설명한다. 또한, 상기한 실시형태와 동일한 내용에 대해서는 설명을 생략한다.

산출 스텝(S120)은, 데이터베이스를 참조하여, 평가 데이터에 대한 혈액의 조성에 관한 특징(예를 들면, 혈중 이산화탄소 분압의 값)을 포함하는 혈액 정보를 생성한다. 예를 들면, 산출부(12)는, 분류 정보를 참조하여, 평가 데이터에 대한 혈중 이산화탄소 분압의 값을 산출한다. 산출부(12)는 산출한 값을 포함하는 혈액 정보를 산출한다. 산출부(12)는, 예를 들면, 기억부(15)를 통하여, 생성한 혈액 정보를 보존부(104)에 보존한다. 또한, 혈중 이산화탄소 분압의 값 등으로서 특정 값을 나타내는 이외에, 예를 들면, 오차범위(예를 들면, 「○○±2mmHg」 등)가 산출되어도 된다.

평가 스텝(S130)은, 각각 다른 평가 데이터로부터 생성된 복수의 혈액 정보에 기초하여, 평가 결과를 생성한다. 예를 들면, 평가부(13)는 산출부(12)에 의해 생성된 복수의 혈액 정보를 취득한다. 평가부(13)는 미리 설정된 함수 등을 사용하여, 복수의 혈액 정보로부터 평가 결과를 생성하는 이외에, 예를 들면, 상기한 평가용 데이터베이스를 참조하여, 평가 결과를 생성해도 된다.

예를 들면, 혈액 정보가 혈중 이산화탄소 분압의 값을 나타내는 경우, 평가부(13)는, 복수의 혈액 정보에 있어서의 시계열 변화로부터, 혐기성 대사의 정도를 포함하는 평가 결과를 생성할 수 있다. 이 때문에, 유저마다 다른 무산소성 운동의 조건을 용이하게 파악할 수 있다.

여기에서, 유저의 운동능력을 평가할 때, 무산소성 작업 임계값(AT: Anaerobic Threshold), 심박 임계값(HRT: Heart Rate Threshold)이나, 락트산성 작업 임계값(LT: Lactate Threshold) 등의 임계값이 사용되는 경우가 있다. 이러한 임계값은 맥박수를 사용하여 추정할 수 있는 것이 알려져 있다. 그러나, 맥박수를 사용한 평가 방법에서는, 개인의 특징, 운동 내용, 경기 종목 등과 같은 평가 대상의 영향에 의해, 대범한 경향을 파악할 수 있는 정도에 그치고 있어, 상기 임계값의 적절한 추정이 어렵다. 이 때문에, 종래기술에서는, 유저의 운동능력에 관한 정보를 고정밀도로 생성할 수 없는 염려를 들 수 있다.

이것에 대해, 본 실시형태에 의하면, 산출부(12)는 평가 데이터에 대한 혈액의 조성에 관한 특징을 포함하는 혈액 정보를 생성한다. 평가부(13)는 각각 다른 평가 데이터로부터 생성된 복수의 혈액 정보에 기초하여, 유저의 운동능력의 경향을 나타낸 평가 결과를 생성한다. 이 때문에, 개인의 특징, 운동 내용, 경기 종목과 같은 평가 대상의 영향에 상관없이, 혈액의 조성에 관한 특징으로부터, 평가 결과를 직접 생성할 수 있다. 이것에 의해, 유저의 운동능력에 관한 정보를, 고정밀도로 생성하는 것이 가능하게 된다.

또, 본 실시형태에 의하면, 산출부(12)는, 데이터베이스를 참조하여, 평가 데이터에 대한 혈액 정보를 생성한다. 또, 데이터베이스에는, 복수의 학습 데이터를 사용하여 산출된 분류 정보가 기억된다. 이 때문에, 혈액 정보를 생성할 때, 과거에 실적이 있는 데이터를 근거로 한 정량적인 혈액의 조성에 관한 특징을 포함시킬 수 있다. 이것에 의해, 혈액 정보를 생성할 때의 정밀도 향상을 도모하는 것이 가능하게 된다.

또, 본 실시형태에 의하면, 평가부(13)는, 복수의 혈액 정보에 있어서의 시계열 변화로부터, 혐기성 대사의 정도를 포함하는 평가 결과를 생성한다. 이 때문에, 유저마다 다른 무산소성 운동의 조건을 용이하게 파악할 수 있다. 이것에 의해, 유저의 운동능력에 따른 운동 조건을 유지시키는 것이 가능하게 된다.

(제12 실시형태: 생체 정보 연산 시스템(100))

다음에 제12 실시형태에 있어서의 생체 정보 연산 시스템(100)의 일례에 대해 설명한다. 상기한 실시형태와 제12 실시형태와의 차이는, 부가 정보를 사용하는 점, 및, 집계 스텝(S150)을 갖추는 점이다. 또한, 상기한 실시형태와 동일한 내용에 대해서는 설명을 생략한다.

본 실시형태에 있어서의 생체 정보 연산 시스템(100)에서는, 예를 들면, 상기한 평가 스텝(S130) 후에 집계 스텝(S150)이 실시되고, 집계 스텝(S150) 후에 출력 스텝(S140)이 실시된다.

집계 스텝(S150)은, 예를 들면, 상기한 실시형태와 마찬가지로, 부가 정보를 취득하고, 평가 결과 및 부가 정보에 기초하여, 종합평가 결과를 생성한다. 집계 스텝(S150)은, 예를 들면, 평가부(13)에 포함되는 집계부에 의해 실행할 수 있다.

종합평가 결과는 유저의 운동능력을 평가한 결과를 나타낸다. 종합평가 결과로서 「운동능력이 높음」, 「운동능력이 낮음」 등의 유저마다의 운동능력의 정도를 나타내는 문자열이 사용되는 이외에, 예를 들면, 임의의 기준값과의 차분이나, 편차값 등의 수치가 사용되어도 된다.

본 실시형태에 의하면, 상기한 실시형태의 효과에 더하여, 집계부는, 평가 결과 및 부가 정보에 기초하여, 유저의 운동능력을 평가한 종합평가 결과를 생성한다. 이 때문에, 평가 결과에 더하여, 유저의 특징을 고려한 종합적인 평가를 실현할 수 있다. 이것에 의해, 유저의 운동능력에 관한 정보를 더욱 고정밀도로 생성하는 것이 가능하게 된다.

상기한 각 실시형태에 의하면, 산출 스텝(S120)은 평가 데이터에 대한 유저의 혈액 정보를 산출한다. 평가 스텝(S130)은, 혈액 정보에 기초하여, 유저의 상태에 관한 평가 결과를 생성한다. 이것에 의해, 유저의 상태에 관한 정량적인 평가를 실현하는 것이 가능하게 된다.

또한, 상기한 각 실시형태에서는, 혈중 이산화탄소의 특징으로서 주로 혈중 이산화탄소 분압의 값이 사용되는 경우에 대해 설명했지만, 혈중 이산화탄소의 용존 농도, 혈액에 포함되는 중탄산·바이카보네이트의 농도, 및 혈액의 pH의 적어도 어느 하나가 사용되는 경우에 대해서도 동일하기 때문에, 설명을 생략한다. 특히, 혈중 이산화탄소의 특징으로서 혈중 이산화탄소 분압의 값이 사용되는 경우, 다른 값에 비교하여 참조 데이터를 수집하기 쉬운 경향이 있다. 이 때문에, 분류 정보를 생성할 때 소비하는 시간 및 비용의 대폭적인 삭감을 실현하는 것이 가능하게 된다.

또, 상기한 각 실시형태는 용도에 따라 임의로 조합하여 실시해도 된다.

본 발명의 실시형태를 설명했지만, 이 실시형태는 예로서 제시한 것이며, 발명의 범위를 한정하는 것은 의도하고 있지 않다. 이러한 신규한 실시형태는 그 밖의 다양한 형태로 실시되는 것이 가능하며, 발명의 요지를 일탈하지 않는 범위에서, 다양한 생략, 치환, 변경을 행할 수 있다. 이 실시형태나 그 변형은 발명의 범위나 요지에 포함됨과 아울러, 특허청구범위에 기재된 발명과 그 균등한 범위에 포함된다.

1: 생체 정보 연산 장치
3: 통신망
4: 서버
5: 센서
6: 검출부
10: 케이싱
11: 취득부
12: 산출부
13: 평가부
14: 출력부
15: 기억부
16: 학습부
50: 취득부
51: 통신 I/F
52: 메모리
53: 명령부
54: 내부 버스
55: 손목밴드
100: 생체 정보 연산 시스템
101: CPU
102: ROM
103: RAM
104: 보존부
105: I/F
106: I/F
107: I/F
108: 입력부
109: 표시부
110: 내부 버스
S110: 취득 스텝
S120: 산출 스텝
S130: 평가 스텝
S140: 출력 스텝

Claims

유저의 혈액에 관한 혈액 정보를 산출하는 생체 정보 연산 시스템으로서,
상기 유저의 맥파에 기초하는 평가 데이터를 취득하는 취득 수단과,
미리 취득된 학습용 맥파에 기초하는 입력 데이터, 및 상기 입력 데이터에 연계되는 상기 혈액 정보를 포함하는 참조 데이터의 한 쌍을 학습 데이터로 하여, 복수의 상기 학습 데이터를 사용하여 생성된 분류 정보가 기억된 데이터베이스와,
상기 데이터베이스를 참조하여, 상기 평가 데이터에 대한 상기 혈액 정보를 산출하는 산출 수단과,
상기 혈액 정보에 기초하여, 상기 유저의 상태에 관한 평가 결과를 생성하는 평가 수단을 갖추는 것을 특징으로 하는 생체 정보 연산 시스템.
제1항에 있어서,
상기 혈액 정보는 혈당값을 포함하고,
상기 평가 수단은, 각각 다른 상기 평가 데이터로부터 산출된 복수의 상기 유저의 혈당값에 기초하여, 상기 유저의 혈당값의 변화를 나타내는 혈당 스파이크 정보를 포함하는 상기 평가 결과를 생성하는 것을 특징으로 하는 생체 정보 연산 시스템.
제1항에 있어서,
상기 혈액 정보는 혈당값을 포함하고,
상기 평가 수단은, 상기 평가 데이터, 및 상기 평가 데이터로부터 산출된 혈당값에 기초하여, 상기 평가 결과를 생성하는 것을 특징으로 하는 생체 정보 연산 시스템.
제1항에 있어서,
상기 혈액 정보는 상기 혈액의 조성에 관한 특징을 포함하고,
상기 평가 수단은, 각각 다른 상기 평가 데이터로부터 산출된 복수의 상기 혈액의 조성에 관한 특징에 기초하여, 상기 유저의 운동능력의 경향을 나타낸 상기 평가 결과를 생성하는 것을 특징으로 하는 생체 정보 연산 시스템.
제1항에 있어서,
상기 유저의 생체 정보에 관한 특징을 나타내는 부가 정보를 취득하고, 상기 평가 결과 및 상기 부가 정보에 기초하여, 상기 유저의 건강 상태를 평가한 종합평가 결과를 생성하는 집계 수단을 갖추는 것을 특징으로 하는 생체 정보 연산 시스템.
제1항에 있어서,
상기 취득 수단은, 상기 맥파에 기초하여, 상기 평가 데이터와는 다른 특징을 나타내는 부가 데이터를 취득하는 것을 포함하고,
상기 산출 수단은, 상기 데이터베이스를 참조하여, 상기 부가 데이터에 대한 상기 유저의 생체 정보에 관한 특징을 나타내는 부가 정보를 생성하는 것을 포함하는 것을 특징으로 하는 생체 정보 연산 시스템.
제1항에 있어서,
상기 평가 수단은
상기 유저의 생체 정보에 관한 특징을 나타내는 부가 정보를 취득하고,
복수의 상기 특징 데이터 및 상기 부가 정보에 기초하여, 상기 평가 결과를 생성하는 것을 포함하는 것을 특징으로 하는 생체 정보 연산 시스템.
제1항에 있어서,
상기 취득 수단은, 상기 맥파에 기초하여, 상기 평가 데이터와는 다른 예비 평가 데이터를 취득하는 것을 포함하고,
상기 분류 정보는 각각 다른 상기 학습 데이터를 사용하여 산출된 복수의 속성별 분류 정보를 포함하고,
상기 산출 수단은,
상기 예비 평가 데이터를 참조하여, 복수의 상기 속성별 분류 정보 중 제1 분류 정보를 선택하는 선택 수단과,
상기 제1 분류 정보를 참조하여, 상기 평가 데이터에 대한 상기 혈액 정보를 산출하는 속성별 산출 수단을 포함하는 것을 특징으로 하는 생체 정보 연산 시스템.