TW202219974A - 生物資訊演算系統 - Google Patents
生物資訊演算系統 Download PDFInfo
- Publication number
- TW202219974A TW202219974A TW110132630A TW110132630A TW202219974A TW 202219974 A TW202219974 A TW 202219974A TW 110132630 A TW110132630 A TW 110132630A TW 110132630 A TW110132630 A TW 110132630A TW 202219974 A TW202219974 A TW 202219974A
- Authority
- TW
- Taiwan
- Prior art keywords
- evaluation
- data
- information
- blood
- user
- Prior art date
Links
- 238000011156 evaluation Methods 0.000 claims abstract description 721
- 239000008280 blood Substances 0.000 claims abstract description 433
- 210000004369 blood Anatomy 0.000 claims abstract description 433
- 238000004364 calculation method Methods 0.000 claims abstract description 223
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 claims description 142
- 239000008103 glucose Substances 0.000 claims description 142
- 239000000463 material Substances 0.000 claims description 38
- 230000008859 change Effects 0.000 claims description 27
- 238000000034 method Methods 0.000 claims description 25
- 239000000203 mixture Substances 0.000 claims description 22
- 230000003862 health status Effects 0.000 claims description 7
- 238000011158 quantitative evaluation Methods 0.000 abstract description 7
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 66
- 230000006870 function Effects 0.000 description 46
- 238000012545 processing Methods 0.000 description 37
- 239000001569 carbon dioxide Substances 0.000 description 33
- 229910002092 carbon dioxide Inorganic materials 0.000 description 33
- 238000004891 communication Methods 0.000 description 33
- 238000010586 diagram Methods 0.000 description 30
- 230000001133 acceleration Effects 0.000 description 27
- 238000012805 post-processing Methods 0.000 description 26
- 230000036541 health Effects 0.000 description 19
- 230000000386 athletic effect Effects 0.000 description 16
- 238000001514 detection method Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 16
- 230000000694 effects Effects 0.000 description 11
- 230000004048 modification Effects 0.000 description 11
- 238000012986 modification Methods 0.000 description 11
- 238000007781 pre-processing Methods 0.000 description 10
- BVKZGUZCCUSVTD-UHFFFAOYSA-M Bicarbonate Chemical compound OC([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-M 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 9
- 238000005259 measurement Methods 0.000 description 9
- 239000012925 reference material Substances 0.000 description 9
- 206010012601 diabetes mellitus Diseases 0.000 description 8
- 230000004060 metabolic process Effects 0.000 description 8
- 230000036387 respiratory rate Effects 0.000 description 8
- 238000010801 machine learning Methods 0.000 description 7
- 238000010606 normalization Methods 0.000 description 7
- 238000000611 regression analysis Methods 0.000 description 7
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 6
- JVTAAEKCZFNVCJ-UHFFFAOYSA-N lactic acid Chemical compound CC(O)C(O)=O JVTAAEKCZFNVCJ-UHFFFAOYSA-N 0.000 description 6
- 238000000465 moulding Methods 0.000 description 6
- 239000013307 optical fiber Substances 0.000 description 6
- 229910052760 oxygen Inorganic materials 0.000 description 6
- 239000001301 oxygen Substances 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 230000004069 differentiation Effects 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- JVTAAEKCZFNVCJ-UHFFFAOYSA-M Lactate Chemical compound CC(O)C([O-])=O JVTAAEKCZFNVCJ-UHFFFAOYSA-M 0.000 description 3
- 239000004310 lactic acid Substances 0.000 description 3
- 235000014655 lactic acid Nutrition 0.000 description 3
- 238000010238 partial least squares regression Methods 0.000 description 3
- 238000013186 photoplethysmography Methods 0.000 description 3
- 206010018429 Glucose tolerance impaired Diseases 0.000 description 2
- 230000036772 blood pressure Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 241000282326 Felis catus Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 208000001280 Prediabetic State Diseases 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 201000009104 prediabetes syndrome Diseases 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- 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
- G16H40/67—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 remote 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
-
- 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
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/0245—Detecting, measuring or recording pulse rate or heart rate by using sensing means generating electric signals, i.e. ECG signals
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/14532—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring glucose, e.g. by tissue impedance measurement
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
- A61B5/0015—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system
- A61B5/0022—Monitoring a patient using a global network, e.g. telephone networks, internet
-
- 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
- A61B5/021—Measuring pressure in heart or blood vessels
- A61B5/02108—Measuring pressure in heart or blood vessels from analysis of pulse wave characteristics
-
- 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
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02416—Detecting, measuring or recording pulse rate or heart rate using photoplethysmograph signals, e.g. generated by infrared radiation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
- A61B5/0816—Measuring devices for examining respiratory frequency
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters
- A61B5/14551—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters for measuring blood gases
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6802—Sensor mounted on worn items
- A61B5/681—Wristwatch-type devices
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Cardiology (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Emergency Medicine (AREA)
- Optics & Photonics (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Vascular Medicine (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
[課題]提供一種可實現關於使用者之狀態的定量性評估的生物資訊演算系統。
[解決手段]一種算出關於使用者之血液的血液資訊的生物資訊演算系統,其特徵為,具備:取得手段、資料庫、算出手段、評估手段。取得手段,係將基於使用者之脈波的評估資料,加以取得。資料庫中係被記憶有分類資訊,其係把基於預先所被取得之學習用脈波的輸入資料、及含有與輸入資料相關連之血液資訊的參考資料之配對,當作學習資料,使用複數個學習資料而被生成。算出手段,係參照資料庫,而算出針對評估資料的血液資訊。評估手段,係基於血液資訊,而生成關於使用者之狀態的評估結果。
Description
本發明係有關於生物資訊演算系統。
先前,作為算出使用者的血糖值等這類的血液資訊的方法,係有例如專利文獻1的方法已被提出。
專利文獻1中所揭露的非侵入血糖值計測裝置,係具備:具備測定被驗者之加速度脈波的FBG感測器的脈波測定部;和從所被測定到的加速度脈波之波形資訊,基於預先決定的相關關係,算出該當加速度脈波之測定時點的前記被驗者的血糖值的資料處理部。相關關係,係以藉由侵入測定法所測定到的血糖值作為目標變數,以同時測定到的加速度脈波作為解釋變數而進行PLS迴歸分析所被建構的校正線。
[先前技術文獻]
[專利文獻]
[專利文獻1]日本專利第6544751號公報
[發明所欲解決之課題]
此處,在如專利文獻1的血液資訊之算出結果中,難以掌握使用者的狀態。
於是,本發明係有鑑於上述問題點而研發,其目的在於,提供一種可實現關於使用者之狀態的定量性評估的生物資訊演算系統。
[用以解決課題之手段]
第1發明所述之生物資訊演算系統,係為算出關於使用者之血液的血液資訊的生物資訊演算系統,其特徵為,具備:取得手段,係用以取得基於前記使用者之脈波的評估資料;和資料庫,係被記憶有分類資訊,其係把基於預先所被取得之學習用脈波的輸入資料、及含有與前記輸入資料相關連之前記血液資訊的參考資料之配對,當作學習資料,使用複數個前記學習資料而被生成;和算出手段,係用以參照前記資料庫,而算出針對前記評估資料的前記血液資訊;和評估手段,係用以基於前記血液資訊,而生成關於前記使用者之狀態的評估結果。
第2發明所述之生物資訊演算系統,係於第1發明中,其特徵為,前記血液資訊係包含血糖值;前記評估手段,係基於從彼此不同之前記評估資料而被算出的複數個前記使用者之血糖值,而生成表示前記使用者的血糖值之變化的含有血糖尖峰資訊的前記評估結果。
第3發明所述之生物資訊演算系統,係於第1發明中,其特徵為,前記血液資訊係包含血糖值;前記評估手段,係基於前記評估資料、及從前記評估資料而被算出的血糖值,而生成前記評估結果。
第4發明所述之生物資訊演算系統,係於第1發明中,其特徵為,前記血液資訊係包含:關於前記血液之組成的特徵;前記評估手段,係基於從彼此不同之前記評估資料而被算出的複數個關於前記血液之組成的特徵,而生成表示前記使用者之運動能力之傾向的前記評估結果。
第5發明所述之生物資訊演算系統,係於第1發明中,其特徵為,具備:統計手段,係用以取得表示關於前記使用者之生物資訊之特徵的附加資訊,基於前記評估結果及前記附加資訊,而生成將前記使用者之健康狀態做了評估的綜合評估結果。
第6發明所述之生物資訊演算系統,係於第1發明中,其特徵為,前記取得手段係包含:基於前記脈波,而取得表示異於前記評估資料之特徵的附加資料;前記算出手段係包含,參照前記資料庫,生成針對前記附加資料的表示關於前記使用者之生物資訊之特徵的附加資訊。
第7發明所述之生物資訊演算系統,係於第1發明中,其特徵為,前記評估手段係包含:取得表示關於前記使用者之生物資訊之特徵的附加資訊;基於複數個前記特徵資料及前記附加資訊,而生成前記評估結果。
第8發明所述之生物資訊演算系統,係於第1發明中,其特徵為,前記取得手段係包含:基於前記脈波,而取得異於前記評估資料的預備評估資料;前記分類資訊係含有:使用彼此不同的前記學習資料而被算出的複數個屬性別分類資訊;前記算出手段係包含:選擇手段,係用以參照前記預備評估資料,而在複數個前記屬性別分類資訊之中選擇第1分類資訊;和屬性別算出手段,係用以參照前記第1分類資訊,而算出針對前記評估資料的前記血液資訊。
[發明效果]
若依據第1發明~第8發明,則算出手段,係將針對評估資料的使用者之血液資訊,予以算出。評估手段,係基於血液資訊,而生成關於使用者之狀態的評估結果。藉此,可實現關於使用者之狀態的定量性評估。
以下,針對本發明的實施型態中的生物資訊演算系統之一例,參照圖式來做說明。
生物資訊演算系統100,係為了算出關於使用者之血液的血液資訊,基於已算出之血液資訊,而生成關於使用者之狀態的評估結果,而被使用。血液資訊,係可使用例如可基於脈波而算出的資訊,例如除了含有血糖值以外,還包含有關於血液之組成之特徵。作為血液資訊,使用者的狀態,係除了表示例如使用者的血糖值之變化以外,也可表示使用者的運動能力、或使用者的健康狀態。
以下,在第1實施型態~第5實施型態中,針對血液資訊是包含有血糖值,作為使用者之狀態是表示使用者的血糖值之變化之情況的生物資訊演算系統100,加以說明。在第6實施型態~第10實施型態中,針對血液資訊是包含有血糖值,作為使用者之狀態是表示使用者的健康狀態之情況的生物資訊演算系統100,加以說明。在第11實施型態~第12實施型態中,針對血液資訊是包含有關於血液之組成之特徵,作為使用者之狀態是表示使用者的運動能力之情況的生物資訊演算系統100,加以說明。
(第1實施型態:生物資訊演算系統100)
圖1係第1實施型態中的生物資訊演算系統100之一例的模式圖。
本實施型態中的生物資訊演算系統100,係可算出使用者的血糖值,基於已算出之複數個血糖值,來評估使用者的血糖值之變化。
使用者的血糖值之變化,係可藉由例如血糖尖峰資訊來加以表示。血糖尖峰資訊係表示,例如針對複數個血糖值的平均值、值的幅度(例如以最大值與最小值的差來表示的血糖尖峰之強度)、中央值等。
除了上記以外,血糖尖峰資訊,係表示例如複數個血糖值中的從時間序列變化所得的值,例如表示使用微分而被導出的時間變化之特徵、或使用積分而被導出的峰值形狀之特徵。此外,所謂「血糖尖峰」,係包含表示血糖值之變化的公知之定義。
在生物資訊演算系統100中,係可生成含有上述血糖尖峰資訊的評估結果。評估結果,係除了含有表示血糖尖峰資訊的數值或特徵以外,亦可包含有例如基於血糖尖峰資訊而被評估的健康狀態等。
生物資訊演算系統100,係例如如圖1所示,具備生物資訊演算裝置1,亦可具備例如感測器5及伺服器4之至少任一者。生物資訊演算裝置1,係例如透過通訊網3而與感測器5或伺服器4連接。
生物資訊演算系統100,係從基於使用者之脈波的評估資料,算出血糖值。又,生物資訊演算系統100,係基於例如時間序列或任意之時序上所被生成的複數個血糖值,而生成含有血糖尖峰資訊的評估結果。
在生物資訊演算系統100中,係例如如圖2(a)所示,生物資訊演算裝置1,係取得已被感測器5等所被生成之感測器資料。其後,生物資訊演算裝置1,係對已取得之感測器資料,實施濾波器處理等之前處理,而取得評估資料。
生物資訊演算裝置1,係算出針對評估資料的血糖值。其後,生物資訊演算裝置1,係基於從彼此不同之評估資料而被生成的複數個血糖值,而生成評估結果。因此,可無關於使用者的個人差異,而獲得針對血糖值之變化的評估結果。藉此,可實現關於血糖值之變化的定量性評估。
此處,生物資訊演算裝置1,係在針對評估資料的血糖值的算出之際,會參照資料庫。資料庫中係被記憶有,使用複數個學習資料而被生成的分類資訊。
分類資訊,係例如如圖3(a)所示,將基於過去已被取得之學習用脈波的輸入資料、及含有與輸入資料相關連之過去之血糖值的參考資料之配對,當作學習資料,使用複數個學習資料而被生成。因此,在血糖值的算出之際,可算出依循過去有記錄的輸入資料及輸出資料的定量性的血糖值。藉此,可謀求生血糖值的算出之際的精度提升。
生物資訊演算裝置1,係將例如已生成之評估結果,輸出至顯示器等。評估結果中係含有表示使用者的血糖值之變化的血糖尖峰資訊,例如含有以數值而被表示的血糖尖峰資訊。評估結果中亦可含有例如表示糖尿病之可能性的指標、或關於所被推薦之飲食的資訊、或關於運動的資訊。
此外,在生物資訊演算系統100中,例如如圖2(b)所示,亦可從感測器5等,取得評估資料。此情況下,從感測器資料取得評估資料的前處理,係被感測器5等所實施。
<感測器資料>
感測器資料,係含有表示使用者的脈波之特徵的資料,亦可含有例如表示脈波以外之特徵的資料(雜訊)。感測器資料,係為表示對測定時間之振幅的資料,藉由實施用途或感測器資料之生成條件所相應的濾波器處理,就可從感測器資料取得相當於加速度脈波或速度脈波等的資料。
感測器資料,係可藉由應變感測器、陀螺儀感測器、光電容積脈波(PPG)感測器、壓力感測器等之公知的感測器來加以生成。感測器資料,係除了數位訊號以外,亦可為例如類比訊號。此外,感測器資料的生成之際的測定時間,係為例如脈波之1~20週期份的測定時間,可隨著感測器資料之處理方法、或資料通訊方法等之條件,而任意設定。
<評估資料>
評估資料,係表示用來算出血糖值所需之資料。評估資料,係表示例如基於使用者之脈波的相當於加速度脈波的資料,是表示對特定之週期(例如1週期)的振幅。
評估資料,係藉由將感測器資料以生物資訊演算裝置1等實施處理(前處理),而被取得。例如如圖3(b)及圖3(c)所示,藉由對感測器資料實施複數個處理,就可獲得評估資料。關於各處理的細節,係於後述。
<資料庫>
資料庫,係主要是在針對評估資料的使用者之血糖值的算出之際,會被使用。資料庫中係除了記憶1個以上之分類資訊以外,亦可還記憶例如分類資訊之生成時所被使用的複數個學習資料。
分類資訊係為例如,表示預先所被取得之過去之評估資料(輸入資料)、與含有血糖值的參考資料之相關關係的函數。分類資訊係表示例如,將輸入資料當作解釋變數,將參考資料當作目標變數,藉由迴歸分析等進行解析,基於該解析結果而被生成的校正模型。分類資訊係例如,除了可將校正模型定期地更新以外,亦可還含有使用者的性別、年齡、運動內容等之按照每一屬性資訊而被生成的複數個校正模型。
作為分類資訊的生成之際所使用的迴歸分析之方法,可以使用例如PLS(Partial Least Squares)迴歸分析、按照每一級別而進行主成分分析以獲得主成分模型的利用SIMCA(Soft Independent Modeling of Class Analogy)法的迴歸分析等。
分類資訊係亦可含有例如:使用了複數個學習資料藉由機器學習而被生成的已學習模型。已學習模型,係除了表示例如CNN(Convolutional Neural Network)等之神經網路模型以外,也表示SVM(Support vector machine)等。又,作為機器學習,可以使用例如深度學習。
輸入資料,係使用與評估資料同種類的資料,例如表示對應的血糖值已為明確的過去之評估資料。例如,令被檢者穿戴感測器5等,將表示學習用脈波之特徵的感測器資料(學習用感測器資料)予以生成。然後,藉由對學習用感測器資料實施處理,就可取得輸入資料。此外,輸入資料,係除了從生物資訊演算系統100的使用者取得以外,亦可從例如有別於使用者的其他使用者取得。亦即,上述的被檢者,係除了為生物資訊演算系統100的使用者以外,亦可以使用者以外為對象,亦可為特定或不特定之多數人。
輸入資料係例如,藉由與評估資料的取得之際所利用的感測器5等之種類,感測器資料的生成條件、及對感測器資料的處理條件同樣之內容而被取得,較為理想。例如將上記3個內容予以統一,就可飛躍性地提升血糖值的算出之際的精度。
參考資料係含有,使用計測裝置等而被計測到的被檢者之血糖值。例如令被檢者穿戴感測器5等而生成學習用感測器資料之際,將被檢者的血糖值加以計測,就可取得與輸入資料相關連之參考資料。此情況下,血糖值的計測時序,係與學習用感測器資料的生成時序同時為理想,但亦可為例如1~10分鐘程度前後的時序。此外,作為計測血糖值的計測裝置,係可使用例如FreeStyle Precision Pro(亞培日本股份有限公司製造)等之公知的血糖值計。
<評估結果>
評估結果,係含有表示使用者的血糖值之變化的血糖尖峰資訊。評估結果,係除了包含有例如複數個血糖值以外,還可包含有複數個血糖值中的差分值、或複數個血糖值、與預先設定之閾值的乖離度。藉由將評估結果予以輸出,就可掌握使用者的血糖值之變化。
<生物資訊演算裝置1>
生物資訊演算裝置1,係表示例如個人電腦(PC)、行動電話、智慧型手機、平板型終端、可穿戴式終端等之電子機器,是表示例如基於使用者的操作,而可透過通訊網3進行通訊的電子機器。此外,生物資訊演算裝置1,係亦可內建感測器5。以下說明,作為生物資訊演算裝置1,是使用PC的情況之一例。
圖4(a)係生物資訊演算裝置1的構成之一例的模式圖,圖4(b)係生物資訊演算裝置1的機能之一例的模式圖。
生物資訊演算裝置1,係例如如圖4(a)所示,具備:框體10、CPU(Central Processing Unit)101、ROM (Read Only Memory)102、RAM(Random Access Memory) 103、保存部104、I/F105~107。各構成101~107,係藉由內部匯流排110而被連接。
CPU101,係控制生物資訊演算裝置1全體。ROM102,係儲存CPU101的動作程式碼。RAM103,係為CPU101之動作時所被使用的作業領域。保存部104,係記憶著資料庫或評估資料等之各種資訊。作為保存部104係例如,除了HDD(Hard Disk Drive)以外,也可使用SSD (Solid State Drive)等之資料保存裝置。此外,例如生物資訊演算裝置1,係亦可具有未圖示的GPU(Graphics Processing Unit)。
I/F105,係透過通訊網3,因應需要而與伺服器4或感測器5等之各種資訊進行收送訊所需之介面。I/F106,係為與輸入部108進行資訊之收送訊所需之介面。作為輸入部108,係使用例如鍵盤,生物資訊演算裝置1的使用者等,係透過輸入部108,而將各種資訊、或生物資訊演算裝置1之控制指令等予以輸入。I/F107,係為與顯示部109進行各種資訊之收送訊所需之介面。顯示部109,係將保存部104中所被保存的各種資訊、或評估結果等,加以顯示。作為顯示部109,係使用顯示器,例如為觸控面板式的情況,則與輸入部108一體設置。
圖4(b)係生物資訊演算裝置1的機能之一例的模式圖。生物資訊演算裝置1係具備:取得部11、算出部12、評估部13、輸出部14、記憶部15,亦可具備例如學習部16。此外,圖4(b)所示的各機能,係藉由CPU101,把RAM103當作作業領域,將保存部104等中所被記憶的程式予以執行,而加以實現。
<取得部11>
取得部11,係將基於使用者之脈波的評估資料,加以取得。取得部11,係例如從感測器5等取得了感測器資料之後,藉由對感測器資料實施處理,而取得評估資料。
取得部11,係例如如圖3(b)所示,對已取得之感測器資料,實施濾波處理(濾波器處理)。在濾波器處理中,係使用例如0.5~5.0Hz的帶通濾波器。藉此,取得部11,係將相當於使用者之脈波的資料(脈波資料),予以抽出。脈波資料,係表示例如相當於速度脈波的資料。此外,脈波資料,係亦可為表示例如相當於加速度脈波或容積脈波的資料,亦可隨著感測器的種類或用途而任意設定。又,帶通濾波器的濾波器範圍,係可隨著用途而任意設定。
取得部11,係例如對脈波資料,實施微分處理。例如對相當於速度脈波的脈波資料實施微分處理的情況下,取得部11,係將相當於加速度脈波的資料(微分資料),加以取得。此外,在微分處理中,除了1次微分以外也可實施2次微分。
取得部11,係例如對微分資料,實施分割處理。在分割處理中,例如相當於複數週期之加速度脈波的微分資料,係被分割成相當於每1週期之加速度脈波的資料(分割資料)。因此,取得部11係藉由例如對1個微分資料實施微分處理,就可取得複數個分割資料。此外,在分割處理中,可隨著用途而每任意之週期(例如週期之正數倍)地,將微分資料進行分割。
例如於分割處理中,已分割之各分割資料中的資料量,會有各自不同的情況。此情況下,取得部11,係亦可將最少資料量的分割資料予以特定,並對其他分割資料,實施資料量之削減(裁剪)。藉此,可統一各分割資料中的資料量,使得各分割資料的資料之對比變為容易。
除了上記之外,亦可例如以分割資料的對應於時間軸的值為對象而實施規格化處理。在規格化處理中,例如令對應於時間軸的值的最小值為0,令最大值為1,而實施規格化。藉此,各分割資料的資料之對比就會變得容易。
取得部11,係亦可例如將實施過資料量之削減、或規格化的複數個分割資料的平均予以算出,當作分割資料。
取得部11,係對分割資料,實施規格化處理。在規格化處理中,以對應於振幅的值為對象,生成已被規格化之資料(規格化資料)。在規格化處理中,例如令振幅的最低值為0,令振幅的最高值為1而實施規格化。取得部11,係將例如規格化資料,當作評估資料而加以取得。此情況下,作為評估資料,可以獲得相當於使用者的加速度脈波的資料。
取得部11,係除了將上述的各處理依序實施以外,亦可例如如圖3(c)所示般地,不實施微分處理。此情況下,作為評估資料,可以獲得相當於使用者的速度脈波的資料。
又,取得部11,係亦可例如僅實施上述的各處理之一部分。此情況下,取得部11,係亦可將脈波資料、微分資料、分割資料、已被裁剪之分割資料、及對應於時間軸的值予以規格化而成的分割資料之任一者,當作評估資料而加以取得,隨著用途而任意設定。
<算出部12>
算出部12,係參照資料庫,而算出針對評估資料的使用者之血糖值。算出部12,係例如參照資料庫中所被記憶之分類資訊,而算出針對評估資料的血糖值。算出部12,係將針對各自不同之評估資料的血糖值,予以複數生成。
已被算出部12所算出的血糖值,係可作為與參考資料同種類的資料而被算出。血糖值,係參照分類資訊,作為與參考資料相同或類似之資料,而被算出。在生物資訊演算系統100中,係例如沿著任意之時間序列而取得複數個評估資料,將針對各評估資料的血糖值予以複數算出。又,在生物資訊演算系統100中,例如在用餐的前後、或運動量之變化時等之任意之每一時序上,取得複數個評估資料,而將針對各評估資料的血糖值予以複數算出。
<評估部13>
評估部13,係基於從彼此不同之評估資料而被算出的複數個血糖值,而生成表示使用者的血糖值之變化的含有血糖尖峰資訊的評估結果。評估部13,係例如使用保存部104等中所被預先記憶的顯示用之格式,針對血糖尖峰資訊而生成已經轉換成使用者能夠理解之形式的評估結果。
評估部13,係亦可在例如複數個血糖值之中,將最小值與最大值的差,當作血糖尖峰資訊而予以算出。此情況下,可將血糖值之變化量,當作評估對象而使用。藉此,就可將例如糖尿病前兆之特徵、與糖尿病患者之特徵,容易進行分類。
評估部13,係例如將2個血糖值的差,除以測定時間的差所得的值,當作血糖尖峰資訊而予以算出,並生成含有血糖尖峰資訊的評估結果。此情況下,就可容易掌握隨每位使用者而不同的血糖值之變化。例如評估部13,係亦可參照預先被記憶在保存部104等中的基準值,在血糖尖峰資訊小於基準值的情況下,生成表示健康狀態之意旨的評估結果,在血糖尖峰資訊為基準值以上的情況下,生成表示處於有糖尿病之可能性之狀態之意旨的評估結果。
評估部13,係亦可參照例如評估用資料庫,從複數個血糖值而生成評估結果。評估用資料庫,係被保存在例如保存部104中。
評估用資料庫中,係和例如上述的資料庫同樣地,被記憶有用來生成針對複數個血糖值的評估結果所需之評估用分類資訊。評估用資料庫中,係除了記憶1個以上之評估用分類資訊以外,亦可還記憶例如評估用分類資訊之生成時所被使用的複數個評估用學習資料。
評估用分類資訊,係為表示例如預先所被取得之過去之複數個血糖值(評估用輸入資料)、與評估用輸入資料所關連對應之評估用參考資料之相關關係的函數。評估用參考資料,係表示使用者的血糖值的變化之傾向,例如表示過去所被生成的血糖尖峰資訊。評估用分類資訊,係將評估用輸入資料、與評估用參考資料當作一對的評估用學習資料,使用複數個評估用學習資料而被生成。
評估用分類資訊係表示例如,將評估用輸入資料當作解釋變數,將評估用參考資料當作目標變數,藉由上述的迴歸分析等進行解析,基於該解析結果而被生成的校正模型。評估用分類資訊係例如,除了可將校正模型(評估用校正模型)定期地更新以外,亦可還含有使用者的性別、年齡、運動內容等之按照每一屬性資訊而被生成的複數個評估用校正模型。此外,評估用分類資訊,係和上述的分類資訊同樣地,亦可含有例如:使用了複數個評估用學習資料藉由機器學習而被生成的已學習模型(評估用已學習模型)。
評估部13,係例如從複數個血糖值中的時間序列變化而算出血糖尖峰資訊,並生成評估結果。此時,時間序列的區間或血糖值之數量,係可任意設定。因此,可生成除了血糖尖峰之強度以外,還考慮到形狀之特徵的評估結果。
評估部13,係亦可將例如複數個血糖值、與評估資料之取得時間建立關連的資料,當作血糖尖峰資訊而予以算出。此情況下,作為評估結果,亦可包含有表示血糖值之趨勢的資訊。
<輸出部14>
輸出部14,係將評估結果予以輸出。輸出部14,係除了對顯示部109輸出評估結果以外,亦可例如對感測器5等輸出評估結果。
<記憶部15>
記憶部15,係將保存部104中所被保存之資料庫等之各種資料,因應需要而取出。記憶部15,係將藉由各構成11~14、16而被取得或生成的各種資料,因應需要而保存在保存部104中。
<學習部16>
學習部16,係例如使用複數個學習資料,來生成分類資訊。學習部16,係亦可例如取得新的學習資料,而將既存的分類資訊予以更新。
學習部16,係例如使用複數個評估用學習用資料,來生成評估用分類資訊。學習部16,係亦可例如取得新的評估用學習資料,而將既存的評估用分類資訊予以更新。
此外,於生物資訊演算系統100中,使用分類資訊及評估用分類資訊的情況下,亦可例如隨應於評估資料之種類而將分類資訊予以更新,而不更新評估分類資訊。此情況下,不需要準備新的評估用學習資料,因此可實現成本削減、及更新時間的大幅削減。
<通訊網3>
通訊網3,係為將生物資訊演算裝置1、伺服器4、感測器5透過通訊線路而被連接的公知的網際網路網等。通訊網3,係在將生物資訊演算系統100於一定之狹小區域內做運用的情況下,亦可由LAN(Local Area Network)等來加以構成。又,通訊網3,係亦可由所謂的光纖通訊網來加以構成。又,通訊網3,係不限定於有線通訊網,亦可用無線通訊網來加以實現,可隨著用途而任意設定。
<伺服器4>
伺服器4,係將透過通訊網3而被送來的資訊,予以積存。伺服器4,係基於來自生物資訊演算裝置1之要求,而將透過通訊網3所被積存的資訊,發送至生物資訊演算裝置1。
伺服器4,係亦可例如與複數個生物資訊演算裝置1連接,從各生物資訊演算裝置1取得評估結果等之各種資訊,並集中保存。此外,伺服器4,係亦可在上述的生物資訊演算裝置1所具備的各機能之中,具備至少一部分之機能。又,伺服器4係亦可記憶有,上述的生物資訊演算裝置1中所被記憶之資料庫等。
<感測器5>
感測器5,係生成感測器資料。感測器5,係例如如圖5(a)所示,具備偵測部6。感測器5,係被穿戴在可透過偵測部6而偵測使用者之脈波的位置,例如被腕帶55所固定。
偵測部6,係使用能夠偵測使用者之脈波的公知的偵測裝置。作為偵測部6,係可使用例如:光纖布拉格光柵(FBG)感測器等之應變感測器、陀螺儀感測器、脈波訊號測定所需之1個以上之電極、光電容積脈波(PPG)感測器、壓力感測器、及光偵測模組之至少任一者。偵測部6,係亦可例如被複數配置。
此外,感測器5,係亦可被嵌埋在衣服內。又,穿戴感測器5的使用者,係除了人以外,也可以狗或貓等之寵物為對象,亦可例如以牛或豬等之家畜、魚等之養殖為對象。
感測器5,係例如如圖5(b)所示,具備取得部50、通訊I/F51、記憶體52、命令部53,各構成係分別以內部匯流排54而被連接。
取得部50,係透過偵測部6而測定使用者的脈波,而生成感測器資料。取得部50,係將例如已生成之感測器資料,發送至通訊I/F51、或記憶體52。
通訊I/F51,係透過通訊網3,而將感測器資料等之各種資料,發送至生物資訊演算裝置1或伺服器4。又,通訊I/F51係被實作有:用來與通訊網3連接所需之線路控制電路、或與生物資訊演算裝置1或伺服器4之間進行資料通訊所需之訊號轉換電路等。通訊I/F51,係對來自內部匯流排54之各種命令實施轉換處理,將其往通訊網3側送出,並且在接收到來自通訊網3之資料的情況下,對其實施所定之轉換處理然後往內部匯流排54發送。
記憶體52,係將從取得部50所被發送的感測器資料等之各種資料,加以保存。記憶體52,係例如藉由從透過通訊網3而被連接的其他終端裝置接受命令,而將已保存之感測器資料等之各種資料,發送至通訊I/F51。
命令部53,係含有用來取得感測器資料所需之操作鈕或鍵盤等,例如包含CPU等之處理器。命令部53,係在受理了感測器資料之取得之命令的情況下,將其通知給取得部50。收到該通知的取得部50,係取得感測器資料。此外,命令部53,係亦可例如如圖3(b)及圖3(c)所示,實施從感測器資料取得評估資料所需之處理。
此處,作為取得感測器資料的一例,說明使用FBG感測器的情況。
FBG感測器,係在1根光纖內隔開所定間隔而形成了繞射光柵結構。FBG感測器係具有例如:感測器部分的長度為10mm,波長解析力為±0.1pm,波長範圍為1550±0.5nm,光纖的直徑為145μm,核心徑為10.5μm的特徵。可將FBG感測器當作上述的偵測部6,在接觸於使用者之皮膚的狀態下,進行測定。
例如作為使用於光纖的光源,是使用波長範圍1525~1570nm的ASE(Amplified Spontaneous Emission)光源。來自光源的射出光,係透過循環器而入射至FBG感測器。來自FBG感測器的反射光,係透過循環器而被導往馬赫-曾德爾干涉儀,將來自馬赫-曾德爾干涉儀的輸出光,藉由光偵測器而予以測知。馬赫-曾德爾干涉儀,係藉由分束器而分離成帶有光程差的2個光路,並再次藉由分束器重合成一道而製作出干擾光所需。為了賦予光程差,例如亦可把一方之光纖的長度設成較長。相干光,係會隨著光程差而產生干涉條紋,因此藉由測定干涉條紋的圖案,就可測知FBG感測器中所產生的應變之變化,亦即可測知脈波。取得部50,係基於已被測知的脈波,而生成感測器資料。藉此,可取得感測器資料。
此外,偵測FBG感測器之應變量,偵測脈波之波形的光纖感測器系統,係除了入射至FBG感測器的光源以外,還包含:廣頻帶的ASE光源、循環器、馬赫-曾德爾干涉儀、分束器這些光學系、或光偵測器所具備的受光感測器、或將波長位移量予以解析的解析方法。光纖感測器系統,係可隨應於所使用的FBG感測器之特性來選擇並使用光源或波段光,關於檢波方法等之解析方法也可採用多種方法。
(第1實施型態:生物資訊演算系統100的動作)
接著,說明本實施型態中的生物資訊演算系統100的動作之一例。圖6係本實施型態中的生物資訊演算系統100的動作之一例的流程圖。
生物資訊演算系統100,係例如透過被安裝在生物資訊演算裝置1內的生物資訊演算程式而執行。亦即,使用者係可操作生物資訊演算裝置1、或感測器5,透過生物資訊演算裝置1中所被安裝的生物資訊演算程式,而從感測器資料取得表示使用者之血糖值之變化等的評估結果。
生物資訊演算系統100的動作係具備:取得步驟S110、算出步驟S120、評估步驟S130,亦可具備例如輸出步驟S140。
<取得步驟S110>
取得步驟S110,係將基於使用者之脈波的評估資料,加以取得。例如感測器5的取得部50,係透過偵測部6而測定使用者的脈波,並生成感測器資料。取得部50,係透過通訊I/F51、及通訊網3,而將感測器資料發送至生物資訊演算裝置1。生物資訊演算裝置1的取得部11,係從感測器5接收感測器資料。
取得部11,係將例如圖3(b)所示的處理,對感測器資料加以實施,以取得評估資料。取得部11,係例如透過記憶部15,而將已取得之評估資料,保存在保存部104中。此外,取得部11從感測器5取得感測器資料的頻率等之條件,係可隨著用途而任意設定。例如取得部11,係以預先設定的週期,來取得評估資料。此情況下,由於可簡化評估結果的生成之際的演算處理,因此可謀求處理速度的提升。
<算出步驟S120>
接著,算出步驟S120,係參照資料庫,而算出針對評估資料的使用者之血糖值。例如算出部12,係參照分類資訊,而算出針對評估資料的血糖值。算出部12,係例如透過記憶部15,而將已算出之血糖值,保存在保存部104中。此外,作為血糖值,除了表示特定之值以外,亦可算出例如誤差範圍(例如「○○±5mg/dl」等)。
<評估步驟S130>
接著,評估步驟S130,係基於從彼此不同之評估資料而被生成的複數個血糖值,而生成含有血糖尖峰資訊的評估結果。例如評估部13,係將已被算出部12所生成的複數個血糖值,加以取得。評估部13,係除了使用預先設定的函數等,從複數個血糖值而算出血糖尖峰資訊以外,亦可例如參照上述的評估用資料庫,而生成評估結果。
<輸出步驟S140>
接著,例如輸出步驟S140,係亦可將評估結果予以輸出。例如輸出部14,係對顯示部109,輸出評估結果。
藉此,生物資訊演算系統100的動作就結束。此外,實施各步驟的頻率或順序,係可隨著用途而任意設定。
此處,作為評估使用者之健康狀態的指標之一例,可舉出表示血糖值之劇烈變動的血糖尖峰之程度。血糖尖峰,係被認為是糖尿病前兆特有之特徵,但關於血糖尖峰的發生時序或程度,係帶有個人差異,難以做定量性評估。又,糖尿病患者,係由於總是有血糖值偏高的傾向,因此血糖值會與血糖尖峰之發生時類似。由於這些原因,使用者所任意測定的血糖值,究竟是血糖尖峰發生時的值,還是糖尿病患者特有的值,是難以分類,使用者究竟是屬於糖尿病前兆或糖尿病患者之何者的判定上,恐怕會帶有主觀。因此,關於血糖值之變化的定量性評估之實現,係被人們所期望。
這點,在先前的技術中,只侷限於藉由非侵入而能夠算出血糖值的技術之想定,而難以連結到關於上述的血糖值之變化的課題之發現及解決。
對此,若依據本實施型態,則算出部12,係算出針對評估資料的使用者之血糖值。評估部13,係基於從彼此不同之評估資料而被算出的複數個血糖值,而生成表示使用者的血糖值之變化的含有血糖尖峰資訊的評估結果。因此,可無關於使用者的個人差異,而獲得針對血糖值之變化的評估結果。藉此,可實現關於血糖值之變化的定量性評估。
又,若依據本實施型態,則算出部12,係參照資料庫,而算出針對評估資料的使用者之血糖值。又,資料庫中係被記憶有,使用複數個學習資料而被生成的分類資訊。因此,在血糖值的算出之際,可算出依循過去有記錄的資料的定量性的血糖值。藉此,可謀求生血糖值的算出之際的精度提升。
又,若依據本實施型態,則評估部13,係從複數個血糖值中的時間序列變化而算出血糖尖峰資訊,並生成評估結果。因此,可生成除了血糖尖峰之強度以外,還考慮到形狀之特徵的評估結果。藉此,可提升關於血糖值之變化的評估之精度。
(第2實施型態:生物資訊演算系統100)
接著,說明第2實施型態中的生物資訊演算系統100之一例。上述的實施型態、與第2實施型態之差異,係為使用附加資訊的這點。此外,關於和上述的實施型態相同的內容,係省略說明。
在本實施型態中的生物資訊演算系統100中,係在例如上述的評估步驟S130之後係會實施統計步驟S150,在統計步驟S150之後係會實施輸出步驟S140。
統計步驟S150,係例如如圖7所示,將附加資訊加以取得,基於評估結果及附加資訊,而生成將使用者之健康狀態做了評估的綜合評估結果。統計步驟S150,係可藉由例如評估部13中所含之統計部,來加以執行。
附加資訊,係表示關於使用者之生物資訊的特徵,包含例如使用者的脈搏數、呼吸數、血壓、乳酸值、血中二氧化碳之特徵、氧飽和度、血管年齡、壓力等級、糖尿病之程度等這類,可基於脈波而算出的生物資訊之中的至少任一者。附加資訊,係可在例如使用者的運動狀態或健康狀態的推定之際,加以使用。此外,附加資訊,例如作為關於使用者之生物資訊的特徵,係除了包含有使用者的性別或年齡等這類屬性資訊以外,亦可還包含有使用者的運動內容、競技科目等這類可能對使用者之生物資訊造成影響的關於運動的資訊。此外,作為生物資訊,可以使用例如可基於脈波而算出的資訊。
此外,所謂「血中二氧化碳之特徵」,係表示血液中所含之二氧化碳的程度。作為血中二氧化碳之特徵,係除了使用例如血中二氧化碳分壓(PaCO
2)之值以外,亦可使用血中二氧化碳之溶存濃度、或血液中所含之碳酸氫根、碳酸氫鹽(HCO
3 -)之濃度,亦可隨著狀況而使用考慮到血液之pH的值。
附加資訊,係使用例如公知的計測裝置而被計測,資料形式係為任意。例如在計測血中二氧化碳濃度之特徵的情況下,作為計測裝置係可使用經皮血液氣體監視儀TCM5(Radiometer Basel公司製造)等之裝置。例如在計測血中乳酸量的情況下,作為計測裝置係可使用Lactate Pro 2(愛科來股份有限公司製造)等之公知的裝置。例如在計測氧飽和度的情況下,作為計測裝置係可使用PULSOX-Neo(柯尼卡美能達股份有限公司製造)等之公知的裝置。又,取得附加資訊的時序,係除了與測定脈波的時序為同時以外,亦可隨著用途而為任意之時序。附加資訊,係亦可透過例如輸入部108等而由使用者進行輸入,附加資訊的取得方法係為任意。
綜合評估結果,係表示將使用者的健康狀態做了評估的結果。作為綜合評估結果,係除了「健康」、「不健康」以外,還可使用「運動能力高」、「運動能力低」等之表示每位使用者的健康狀態所關連之運動能力之程度的字串,亦可使用例如與任意之基準值的差分、或偏差值等之數值。綜合評估結果,係亦可含有例如評估結果、及附加資訊之至少任一者。
綜合評估結果,係除了表示例如隨每位使用者而不同的無氧性作業閾值等這類公知的閾值以外,亦可表示例如厭氣性代謝之程度等這類對運動能力造成影響的參數之經時變化。作為對運動能力造成影響的參數係可舉出,氧攝取量、血中二氧化碳分壓(PaCO
2)之值、血中二氧化碳之溶存濃度、血液中所含之碳酸氫根、碳酸氫鹽(HCO
3 -)之濃度、血液之pH等這類表示關於血液之組成之特徵的值。藉由將這類參數包含在附加資訊中,就可高精度地生成綜合評估結果。
尤其是,血糖值係可能依存於運動狀態,因此藉由使用上述的附加資訊來進行評估,就可謀求評估的精度提升。
於統計步驟S150中,例如統計部,係參照預先設定的閾值,將評估結果及附加資訊與閾值進行比較的結果,當作綜合評估結果而加以生成。例如,統計部,係在評估結果及附加資訊低於閾值的情況,則生成表示運動能力高的綜合評估結果,在評估結果及附加資訊高於閾值的情況,則生成表示運動能力低的綜合評估結果。
統計部,係使用例如預先設定的函數,將基於附加資訊之內容而將評估結果做了修正後的值,當作綜合評估結果而予以生成。例如評估結果中所含之血糖尖峰資訊,係依存於評估時的使用者的運動狀態,例如與運動量呈反比例地,血糖尖峰之峰值強度會呈現變小的傾向。因此,藉由基於附加資訊之內容,來修正血糖尖峰資訊之值,就可減少針對血糖值之變化的因素,可高精度地評估使用者的健康狀態。
統計部,係例如參照預先被保存在保存部104等中的,可辨識使用者的資料形式,而生成綜合評估結果。
統計部,係亦可參照例如後處理用資料庫,而將對評估結果及附加資訊為適合的綜合評估結果,加以生成。後處理用資料庫,係被保存在例如保存部104中。
後處理用資料庫中,係亦可和例如上述的資料庫同樣地,被記憶有用來生成針對評估結果及附加資訊的綜合評估結果所需之後處理用分類資訊。後處理用資料庫中,係除了記憶1個以上之後處理用分類資訊以外,亦可還記憶例如後處理用分類資訊之生成時所被使用的複數個後處理用學習資料。
後處理用分類資訊,係為表示例如預先所被取得之過去的評估結果及附加資訊(後處理用輸入資料)、與後處理用輸入資料所關連對應之後處理用參考資料之相關關係的函數。後處理用參考資料,係表示使用者的運動能力之評估結果。後處理用分類資訊,係將後處理用輸入資料、與後處理用參考資料當作一對的後處理用學習資料,使用複數個後處理用學習資料而被生成。
後處理用分類資訊係表示例如,將後處理用輸入資料當作解釋變數,將後處理用參考資料當作目標變數,藉由上述的迴歸分析等進行解析,基於該解析結果而被生成的校正模型。後處理用分類資訊,係除了可以例如將校正模型(後處理用校正模型)予以定期地更新以外,亦可例如按照附加資訊別而加以生成。此外,後處理用分類資訊,係和上述的分類資訊同樣地,亦可含有例如:使用了複數個後處理用學習資料藉由機器學習而被生成的已學習模型(後處理用已學習模型)。
若依據本實施型態,則除了上述的實施型態的效果以外,統計部,係基於評估結果及附加資訊,而生成將使用者的健康狀態做了評估的綜合評估結果。因此可以實現,除了評估結果以外,還考慮到關於使用者的生物資訊之特徵的綜合性評估。藉此,可依據使用者的血糖值之變化來評估健康狀態。
又,若依據本實施型態,則附加資訊係表示脈搏數、呼吸數、血壓、血中二氧化碳之特徵、乳酸值、及氧飽和度之至少任一者。因此,可依據複數個生物資訊來進行評估。藉此,可謀求評估精度之提升。
(第2實施型態:生物資訊演算系統100的變形例)
接著,說明第2實施型態中的生物資訊演算系統100的變形例。上述的實施型態之一例、與變形例之差異,係於血糖值的算出之際,使用到附加資訊的這點。此外,關於和上述的實施型態相同的內容,係省略說明。
在本變形例中,例如如圖8所示,算出步驟S120係包含,取得附加資訊,基於評估資料及附加資訊,而算出血糖值。
附加資訊,係和上述的內容相同,例如透過輸入部108等而由使用者進行輸入,由算出部12等加以取得。算出部12,係亦可例如隨應於附加資訊之內容,來決定針對評估資料的演算方法。此情況下,隨著附加資訊之每一種類而不同的函數等,是被記憶在保存部104或評估用資料庫內。此外,算出部12,係亦可例如基於評估資料、與附加資訊所組合而成的資訊,而算出血糖值。
若依據本變形例,則算出部12,係參照資料庫,基於評估資料及附加資訊,而算出血糖值。因此,可以使用在使用者的血糖值的算出之際為有效的參數。藉此,可謀求生血糖值的算出之際的進一步的精度提升。
(第3實施型態:生物資訊演算系統100)
接著,說明第3實施型態中的生物資訊演算系統100之一例。上述的實施型態、與第3實施型態之差異,係為將用來生成附加資訊所需之附加資料加以取得的這點。此外,關於和上述的實施型態相同的內容,係省略說明。
在本實施型態中的生物資訊演算系統100中,取得步驟S110,係包含取得附加資料。又,在本實施型態中的生物資訊演算系統100中,算出步驟S120係包含,生成基於附加資料的附加資訊。
本實施型態中的生物資訊演算裝置1,係例如如圖9所示,針對基於脈波而被生成的1個感測器資料,實施2種類的處理。藉此,例如取得部11,係基於同一脈波,而取得評估資料、和表示異於評估資料之特徵的附加資料。此外,附加資料,係亦可被複數取得。
例如算出部12,係生成基於附加資料的附加資訊。在本實施型態中,附加資訊係包含,在上述的附加資訊之中,能夠從感測器資料算出的生物資訊。此外,亦可伴隨著所被生成的附加資訊之種類,而將例如附加資料的取得之際所使用的前處理之內容等予以變更。
算出部12,係亦可例如參照資料庫,從附加資料而生成附加資訊。資料庫中亦可被記憶有,例如用來生成針對附加資料的附加資訊所需之附加分類資訊。資料庫中係除了記憶1個以上之附加分類資訊以外,亦可還記憶例如附加分類資訊之生成時所被使用的複數個附加學習資料。
附加分類資訊,係為表示例如預先所被取得之過去之附加資料(附加輸入資料)、與附加輸入資料所關連對應之附加參考資料之相關關係的函數。附加參考資料,係含有上述的附加資訊。附加分類資訊,係將附加輸入資料、附加參考資料當作一對的附加學習資料,使用複數個附加學習資料而被生成。
附加分類資訊係表示例如,將附加輸入資料當作解釋變數,將附加參考資料當作目標變數,藉由上述的迴歸分析等進行解析,基於該解析結果而被生成的校正模型。附加分類資訊係例如,除了可將校正模型(附加校正模型)定期地更新以外,亦可還含有使用者的性別、年齡、運動內容等之按照每一屬性資訊而被生成的複數個附加校正模型。此外,附加分類資訊,係和上述的分類資訊同樣地,亦可含有例如:使用了複數個附加學習資料藉由機器學習而被生成的已學習模型(附加已學習模型)。
例如如圖10(a)及圖10(b)所示,於取得步驟S110中所被實施的前處理之內容,及於算出步驟S120中所被參照的附加分類資訊之內容,係會有不同的情況。以下,說明將脈搏數及呼吸數當作附加資訊而予以算出的例子。
<脈搏數的算出>
例如在算出脈搏數的情況下,如圖10(a)所示,取得部11,係將上述的濾波器處理對感測器資料加以實施,以抽出脈波資料。
然後,取得部11,係對脈波資料,實施峰值位置算出處理。在峰值位置算出處理中,係偵測出脈波資料中所含之複數個峰值(振幅的最大值),將已被取樣之順序(相當於從測定開始起算之時間)加以特定。藉此,取得部11,係取得脈波資料中所含之峰值位置資料。
其後,取得部11,係對峰值位置資料,實施峰值間隔平均算出處理。峰值間隔平均算出處理,係將峰值位置資料中所含之峰值的間隔(相鄰之峰值所被取樣之順序的差分)予以算出,而將例如峰值間隔之平均值予以算出。其後,取得部11,係對峰值間隔或峰值間隔之平均值,除以感測器資料的取樣頻率,將表示相當於秒數的峰值間隔的資料,當作附加資料而加以取得。
其後,算出部12,係參照資料庫,而算出針對附加資料的脈搏數。此時,算出部12,係在資料庫中所被記憶的附加分類資訊之中,參照脈搏數用分類資訊。脈搏數用分類資訊係表示,例如將60[秒]除以峰值間隔的函數。因此,算出部12係可算出例如針對附加資料(峰值間隔=0.85[秒])的脈搏數(=71[bpm])。藉此,算出部12,係可生成含有脈搏數的附加資訊。
<呼吸數的算出>
例如在算出呼吸數的情況下,如圖10(b)所示,取得部11,係將上述的濾波器處理對感測器資料加以實施,以抽出脈波資料。
其後,取得部11,係對脈波資料,實施傅立葉轉換處理。在傅立葉轉換處理中,例如表示取樣時間對振幅的脈波資料,係被轉換成表示頻率對強度的頻率資料。藉此,取得部11,係取得針對脈波資料的頻率資料。
其後,取得部11,係對頻率資料,實施最大頻率偵測處理。在最大頻率偵測處理中,係在頻率資料之中,將0.15~0.35Hz之間的最大強度之頻率,加以特定。藉此,取得部11,係將已被特定之頻率的值,當作附加資料而加以取得。
其後,算出部12,係參照資料庫,而算出針對附加資料的呼吸數。此時,算出部12,係在資料庫中所被記憶的附加分類資訊之中,參照呼吸數用分類資訊。呼吸數用分類資訊係表示,例如對已被特定之頻率乘以60 [秒]的函數。因此,算出部12係可算出例如針對附加資料(已被特定之頻率=0.225Hz)的呼吸數(=13.5[bpm])。藉此,算出部12,係可生成含有例如呼吸數的附加資訊。
如此,在生物資訊演算裝置1中,可隨應於被包含在附加資訊中的資料的內容,來設定針對感測器資料的前處理,可將所參照的資料庫之內容做任意設定。
在本實施型態中的生物資訊演算系統100中,係例如如圖11所示,輸出部14亦可將已被生成之附加資訊予以輸出。此情況下,可利用參照異於評估結果之資訊而被生成之附加資訊,使用者等係可實施多角度的判斷。藉此,可容易實現符合使用者之要求的適切的評估。
若依據本實施型態,則除了上述的實施型態的效果以外,取得部11,係基於脈波,而取得表示異於評估資料之特徵的附加資料。又,算出部12,係生成基於附加資料的附加資訊。亦即,從基於1個脈波,而生成評估結果及附加資訊。因此,藉由使用基於相同參數的複數種類之資訊,就可實現依循多角度之觀點的綜合性算出或評估。
(第4實施型態:生物資訊演算系統100)
接著,說明第4實施型態中的生物資訊演算系統100之一例。上述的實施型態、與第4實施型態之差異,係於評估步驟S130中取得上述的附加資訊的這點。此外,關於和上述的實施型態相同的內容,係省略說明。
在本實施型態中的生物資訊演算系統100中,係例如如圖12所示,評估步驟S130係包含,將附加資訊加以取得,基於複數個血糖值、及附加資訊,而生成評估結果。
附加資訊,係和上述的內容相同,例如透過輸入部108等而由使用者進行輸入,由評估部13等加以取得。例如亦可基於已被取得部11所取得的附加資料,而將算出部12中所被生成的附加資訊,由評估部13來加以取得。
評估部13,係亦可例如隨應於附加資訊之內容,來決定針對複數個血糖值的演算方法。此情況下,隨著附加資訊之每一種類而不同的函數等,是被記憶在保存部104或資料庫內。此外,評估部13,係亦可例如基於複數個血糖值、與附加資訊所組合而成的資訊,而生成評估結果。
若依據本實施型態,則除了上述的實施型態的效果以外,評估部13係包含:取得附加資訊,基於複數個血糖值及附加資訊,而生成評估結果。因此,可生成除了複數個血糖值以外,還考慮到使用者之特徵的多角度的評估結果。
(第5實施型態:生物資訊演算系統100)
接著,說明第5實施型態中的生物資訊演算系統100之一例。上述的實施型態、與第5實施型態之差異,係從分類資訊中所含之複數個屬性別分類資訊,選擇出適合於評估資料的屬性別分類資訊的這點。此外,關於和上述的實施型態相同的內容,係省略說明。
在本實施型態中的生物資訊演算裝置1中,例如如圖13所示,算出步驟S120係含有選擇步驟S121、和屬性別算出步驟S122。
選擇步驟S121,係參照預備評估資料,在複數個屬性別分類資訊之中,選擇特定之屬性別分類資訊(例如第1分類資訊)。選擇步驟S121,係可藉由例如算出部12中所含之選擇部,來加以執行。
預備評估資料,係表示異於評估資料之特徵,例如表示與上述的附加資料相同之特徵。預備評估資料,係亦可例如和上述的附加資料同樣地,是為了生成附加資訊等而做使用。
屬性別算出步驟S122,係參照已選擇之第1分類資訊,而算出針對評估資料的血糖值。屬性別算出步驟S122,係可藉由例如算出部12中所含之屬性別算出部,來加以執行。
複數個屬性別分類資訊,係使用彼此不同的學習資料而被算出。例如作為學習資料的輸入資料,是使用相當於被檢者之加速度脈波的資料的情況下,例如按照如圖14的7種類(A~G)之每一者而準備輸入資料,生成7種類之屬性分類資訊。
如此的複數個屬性別分類資訊是被記憶在資料庫中的情況下,例如取得部11,係將相當於使用者的加速度脈波的評估資料、及預備評估資料,加以取得。然後,算出部12,係參照預備評估資料,而選擇第1分類資訊。其後,算出部12,係參照第1分類資訊,而算出針對評估資料的血糖值。因此,在各屬性分類資訊之中,可選擇出最適合於使用者的分類資訊。
此外,例如作為學習資料的輸入資料,是使用相當於被檢者之速度脈波的資料的情況下,則亦可例如按照如圖15的2種類(群組1、群組2)之每一者而準備輸入資料,生成2種類之屬性分類資訊。
此處,圖14所示的相當於加速度脈波的資料,係基於特徵而詳細的分類係為容易,但其反面,在關於血液之組成之特徵的算出之際,伴隨峰值之誤偵測等,而會有精度降低的這類疑慮。又,圖15所示的相當於速度脈波的資料,雖然相較於相當於加速度脈波的資料,基於特徵的詳細分類較為困難,但由於峰值之誤偵測等較少,因此可高精度地算出血糖值。
根據上記,複數個屬性分類資訊,係作為為了選擇特定之分類資訊而被使用的選擇用資料,而含有例如如圖14的相當於加速度脈波的資料,在屬性分類資訊的生成之際的學習資料中,亦可使用相當於速度脈波的資料。
此情況下,作為取得步驟S110係為例如,取得部11,係從基於使用者之脈波的感測器資料,將相當於速度脈波的資料,當作評估資料而加以取得。又,取得部11,係從感測器資料,將相當於加速度脈波的資料當作預備評估資料而加以取得。
接著,作為選擇步驟S121,例如算出部12,係參照預備評估資料,在含有相當於加速度脈波之資料的複數個選擇用資料之中,特定出與預備評估資料最類似的選擇用資料(第1選擇用資料),而選擇第1選擇用資料所關連對應之第1分類資訊。然後,作為屬性別算出步驟S122,算出部12,係參照第1分類資訊,而算出針對評估資料的血糖值。藉此,可謀求評估精度的更進一步之提升。
此處,說明上述的選擇用資料等中所被使用的資料之一例。
例如如圖14所示,加速度脈波中,係存在有a~e之反曲點。例如,令加速度脈波中的最大之峰值為a點,從a點起依序將各反曲點令作b點、c點、d點、e點,令a點為1,令最小值的b點或者是d點為0而進行規格化的情況下,加速度脈波,係使用根據各反曲點之值、與其差之大小關係而進行分類的方法,而可分類成7種型態。首先,反曲點之值為b<d的情況下,則分類成型態A或B。若b<d而且c≧0.5則分類成A,若非如此則分類成B。接著反曲點之值為b≒d的情況下,則分類成型態C或D。若b≒d而且c≒0的情況則分類成型態D,若非如此則分類成型態C。最後,b>d的情況下,則可分類成型態E、F、G之任一者。若b>d而且b<c則分類成型態E,若b≒c則分類成型態F,若b>c則分類成型態G。
例如算出部12係判斷預備評估資料是符合例如圖14的哪一型態,而將第1選擇用資料加以特定。例如,若已被輸入之預備評估資料的反曲點b是小於反曲點d,且反曲點c≧0.5,則將型態A當作第1選擇用資料。藉此,可參照適合於評估資料之特徵的分類資訊,而精度良好地算出血糖值。
若依據本實施型態,則除了上述的實施型態之效果以外,算出部12係還包含有:參照預備評估資料,選擇第1分類資訊的選擇部;和參照第1分類資訊,算出針對評估資料的血糖值的屬性別算出部。因此,可先選擇出對於脈波之特徵而言為最適合的屬性分類資訊,然後算出針對評估資料的血糖值。藉此,可謀求評估精度的更進一步之提升。
又,若依據本實施型態,則取得部11,係將基於脈波的相當於速度脈波的資料,當作評估資料而加以取得。又,取得部11,係將基於脈波的相當於加速度脈波的資料,當作預備評估資料而加以取得。因此,相較於速度脈波,可使用較容易將脈波之特徵予以分類的加速度脈波,來選擇屬性分類資訊。又,相較於加速度脈波,可使用較容易算出血糖值的速度脈波,來算出血糖值。藉此,可謀求評估精度的更進一步之提升。
(第5實施型態:生物資訊演算系統100的變形例)
接著,說明第5實施型態中的生物資訊演算系統100的變形例。上述的實施型態之一例、與變形例之差異,係為基於附加資訊而選擇第1分類資訊的這點。此外,關於和上述的實施型態相同的內容,係省略說明。
在本變形例中,例如如圖16所示,算出步驟S120,係將附加資訊加以取得。又,算出步驟S120,係在分類資訊之中,基於附加資訊而選擇出第1分類資訊,參照第1分類資訊,而算出針對評估資料的血糖值。
例如算出部12,係將和上述的實施型態相同的附加資訊,加以取得。算出部12,係亦可將例如基於上述的附加資料而被生成的附加資訊,加以取得。
例如分類資訊係包含有複數個,預先按照附加資訊之每種特徵而被分配的函數或校正模型等。此情況下,算出部12,係可在分類資訊之中,選擇出適合於附加資訊之特徵的函數等(例如第1分類資訊)。此外,作為第1分類資訊的選擇方法,亦可使用公知的技術。
若依據本變形例,則算出部12係包含,參照基於附加資訊而被選擇的第1分類資訊,而算出針對評估資料的血糖值。因此,可先選擇出對於使用者之特徵而言為最適合的分類資訊,然後算出針對評估資料的血糖值。藉此,可謀求評估精度的更進一步之提升。
(第6實施型態:生物資訊演算系統100)
接著,說明第6實施型態中的生物資訊演算系統100之一例。上述的實施型態、與第6實施型態之差異係為,作為使用者之狀態是表示使用者之健康狀態的這點。此外,關於和上述的實施型態相同的內容,係省略說明。
本實施型態中的生物資訊演算系統100,係為了生成關於使用者之健康狀態的評估結果而被使用。關於使用者之健康狀態的評估結果係表示:使用者的健康診斷之結果、表示健康程度的指數、使用者的健康狀態所相應之保險費等。
生物資訊演算系統100,係從基於使用者之脈波的評估資料,算出含有血糖值的血糖值評估結果,並從評估資料及血糖值評估結果而生成評估結果。
在生物資訊演算系統100中,係例如如圖17(a)所示,生物資訊演算裝置1,係取得已被感測器5等所被生成之感測器資料。其後,生物資訊演算裝置1,係對已取得之感測器資料,實施濾波器處理等之前處理,而取得評估資料。
生物資訊演算裝置1,係算出針對評估資料的血糖值評估結果,並生成針對評估資料及血糖值評估結果的評估結果。因此,可從基於脈波之特徵而被取得的評估資料及血糖值評估結果,生成評估結果。藉此,可高精度地生成使用者的評估結果。
生物資訊演算裝置1,係在針對評估資料的血糖值評估結果的生成之際,會參照資料庫。資料庫中,係和上述的實施型態同樣地被記憶有,使用複數個學習資料而被生成的分類資訊。
分類資訊,係例如如圖3(a)所示,將基於過去已被取得之學習用脈波的輸入資料、及含有與輸入資料相關連之血糖值的參考資料之配對,當作學習資料,使用複數個學習資料而被生成。因此,在血糖值評估結果的生成之際,可使其含有依循過去有記錄的輸入資料及輸出資料的定量性的血糖值。藉此,可謀求評估結果的生成之際的精度提升。
生物資訊演算裝置1,係將例如已生成之評估結果,輸出至顯示器等。
此外,在生物資訊演算系統100中,例如如圖17(b)所示,亦可從感測器5等,取得評估資料。此情況下,從感測器資料取得評估資料的前處理,係被感測器5等所實施。
評估資料,係表示用來生成血糖值評估結果及評估結果所需之資料。
資料庫,係主要是在針對評估資料的評估結果的生成之際,會被使用。資料庫中係除了記憶1個以上之分類資訊以外,亦可還記憶例如分類資訊之生成時所被使用的複數個學習資料。分類資訊係為例如,表示預先所被取得之過去之評估資料(輸入資料)、與含有血糖值的參考資料之相關關係的函數,細節係和上述的實施型態相同,因此省略。
分類資訊,係和上述的實施型態同樣地,是例如表示預先所被取得之過去之評估資料(輸入資料)、與含有血糖值的參考資料之相關關係的函數。
<血糖值評估結果>
血糖值評估結果,係作為與參考資料同種類的資料而被生成,包含有血糖值。血糖值評估結果,係參照分類資訊,作為與參考資料相同或類似的資料,而被生成。此外,血液資訊,係含有血糖值評估結果。
在生物資訊演算系統100中,係例如沿著任意之時間序列而取得複數個評估資料,將針對各評估資料的血糖值評估結果予以複數生成。又,在生物資訊演算系統100中,係亦可按照例如運動量之變化時等之任意每一時序而取得複數個評估資料,而將針對各評估資料的血糖值評估結果予以複數生成。
評估結果,係表示關於使用者之健康狀態的資訊。評估結果,係除了包含有例如複數個血糖值評估結果及評估資料以外,亦可還包含有,基於一對之評估資料及血糖值評估結果中的差分值、或複數個評估資料及血糖值評估結果而導出的公知的閾值。藉由將評估結果予以輸出,就可掌握使用者的健康狀態。
本實施型態中的生物資訊演算裝置1的取得部11,係亦可將透過例如輸入部108等而由使用者所輸入的使用者之特徵、運動內容、競技科目等這類評估對象之資訊加以取得,而包含在評估資料中。評估對象之資訊,係亦可在例如血糖值評估結果、或評估結果的生成之際做利用。
算出部12,係參照資料庫,而算出針對評估資料的血糖值評估結果。算出部12,係例如參照資料庫中所被記憶之分類資訊,而算出針對評估資料的血糖值,當作血糖值評估結果而予以算出。算出部12,係將針對各自不同之評估資料的血糖值評估結果,予以複數算出。
評估部13,係基於從評估資料及評估資料而被生成的血糖值評估結果,而生成評估結果。評估部13,係例如使用保存部104等中所被預先記憶的顯示用之格式,針對健康狀態而生成已經轉換成使用者能夠理解之形式的評估結果。
評估部13,係亦可參照例如評估用資料庫,從評估資料及血糖值評估結果而生成評估結果。
評估用資料庫中,係和例如上述的資料庫同樣地,被記憶有用來生成針對評估資料及血糖值評估結果的評估結果所需之評估用分類資訊。評估用資料庫中,係除了記憶1個以上之評估用分類資訊以外,亦可還記憶例如評估用分類資訊之生成時所被使用的複數個評估用學習資料。
評估用分類資訊,係為表示例如預先所被取得之過去之評估資料及血糖值評估結果(評估用輸入資料)、與評估用輸入資料所關連對應之評估用參考資料之相關關係的函數。
(第6實施型態:生物資訊演算系統100的動作)
接著,說明本實施型態中的生物資訊演算系統100的動作之一例。此外,關於和上述的實施型態相同的內容,係省略說明。
算出步驟S120,係參照資料庫,而生成針對評估資料的含有血糖值的血糖值評估結果。例如算出部12,係參照分類資訊,而算出針對評估資料的血糖值。算出部12,係生成含有已算出之值的血糖值評估結果。算出部12,係例如透過記憶部15,而將已生成之血糖值評估結果,保存在保存部104中。此外,作為血糖值,除了表示特定之值以外,亦可算出例如誤差範圍(例如「○○±5mg/dL」等)。
評估步驟S130,係基於從評估資料及評估資料而被生成的血糖值評估結果,而生成評估結果。例如評估部13,係將評估資料及已被算出部12所生成的血糖值評估結果,加以取得。評估部13,係除了使用預先設定的函數等,從評估資料及血糖值評估結果而生成評估結果以外,亦可例如參照上述的評估用資料庫,而生成評估結果。
評估部13,係例如對血糖值評估結果將評估資料加以組合,以生成評估結果。此情況下,除了使用預先設定的函數等以外,亦可參照評估用資料庫,而生成評估結果。藉此,可容易考慮使用者的脈波之特徵,可提升評估結果之精度。
此處,脈波的波形訊號,會隨著使用者的性別或年齡等之屬性,從脈波之波形訊號所能夠生成的血糖值之數值,有時候會產生變異。例如,把20幾歲之男性當作使用者,來處理所測定到的脈波的情況,與把50幾歲之女性當作使用者,來處理所測定到的脈波的情況來做比較時,隨著處理之方法,所能夠生成的血糖值之精度上會有產生變異的疑慮。亦即,為了使用從脈波之波形訊號所生成的血糖值,而取得帶有足夠精度的關於使用者之健康狀態的評估結果,必須進行符合於使用者之特徵的處理。
另一方面,在先前的技術中,對於從脈波之波形訊號所生成的血糖值,並沒有想定經由符合於使用者之特徵的處理,來生成關於使用者之健康狀態的評估結果。因此,在先前的技術中,由於未想定符合於使用者之特徵的處理,因此無法高精度地生成關於使用者之健康狀態的評估結果,存有如此疑慮。
對此,若依據本實施型態,則算出部12,係生成針對評估資料的含有血糖值的血糖值評估結果。評估部13,係基於評估資料及從評估資料而被生成的血糖值評估結果,而生成關於使用者之健康狀態的評估結果。因此,可從基於脈波之特徵而被取得的評估資料及血糖值評估結果,生成評估結果。藉此,可高精度地生成使用者的評估結果。
又,若依據本實施型態,則算出部12,係參照資料庫,而生成針對評估資料的血糖值評估結果。又,資料庫中係被記憶有,使用複數個學習資料而被算出的分類資訊。因此,在評估結果的生成之際,可使其含有依循過去有記錄的資料的定量性的血糖值。藉此,可謀求評估結果的生成之際的精度提升。
又,若依據本實施型態,則分類資訊係為,使用以輸入資料為解釋變數、以參考資料為目標變數的PLS迴歸分析而獲得的校正模型。因此,相較於使用機器學習等而算出分類資訊的情況,可大幅減少學習資料之數量,同時可容易實施校正模型之更新。藉此,可謀求生物資訊演算系統100的建構及更新的容易化。
(第7實施型態:生物資訊演算系統100)
接著,說明第7實施型態中的生物資訊演算系統100之一例。上述的實施型態、與第7實施型態之差異係為,基於評估資料之特徵,而選擇用來從血糖值評估結果生成評估結果所需之函數,從血糖值評估結果而生成評估結果的這點。此外,關於和上述的實施型態相同的內容,係省略說明。
評估部13,係亦可例如隨應於評估資料之特徵,而決定針對血糖值評估結果的演算方法。此情況下,隨著評估資料之每一特徵而不同的用來從血糖評估結果生成評估結果所需之函數等,是被記憶在例如保存部104等中所被保存的評估用資料庫內。評估部13,係亦可基於例如評估資料中的峰值之強度或形狀等之特徵,而選擇保存部104中所被記憶的函數,從血糖值評估結果而生成評估結果。評估部13,係亦可基於例如評估資料之特徵,而從複數個評估用分類資訊,將適合於評估資料的評估用分類資訊,當作上述的函數而加以選擇。
「評估資料之特徵」,係例如作為評估資料,是使用相當於使用者之加速度脈波的資料的情況下,則亦可藉由是屬於如圖14所示的7種類之哪種分類型態,而被決定。又,「評估資料之峰值之特徵」,係例如作為評估資料,是使用相當於使用者之速度脈波的資料的情況下,則亦可藉由是屬於如圖15所示的2種類之哪種分類型態,而被決定。
評估用資料庫中,係和例如上述的資料庫同樣地,被記憶有用來生成針對血糖值評估結果的評估結果所需之評估用分類資訊。評估用資料庫中,係除了記憶1個以上之評估用分類資訊以外,亦可還記憶例如評估用分類資訊之生成時所被使用的複數個評估用學習資料。
評估用分類資訊,係為表示例如預先所被取得之過去之評估資料所關連對應之血糖值評估結果(評估用輸入資料)、與評估用輸入資料所關連對應之評估用參考資料之相關關係的函數。評估用參考資料,係表示使用者的評估結果。評估用分類資訊,係將評估用輸入資料、與評估用參考資料當作一對的評估用學習資料,使用複數個評估用學習資料而被生成。
在本實施型態中的生物資訊演算系統100中,例如如圖18所示,評估步驟S130係包含有評估用選擇步驟S131、和屬性別評估步驟S132。
評估用選擇步驟S131,係參照評估資料,而在複數個屬性別評估用分類資訊之中,選擇出特定之評估用分類資訊(例如第1評估用分類資訊)。評估用選擇步驟S131,係可藉由例如評估部13中所含之評估用選擇部,來加以執行。
屬性別評估步驟S132,係參照已選擇之第1評估用分類資訊,而生成針對血糖值評估結果的評估結果。屬性別評估步驟S132,係可藉由例如評估部13中所含之屬性別評估部,來加以執行。
複數個屬性別評估用分類資訊係含有,用來從血糖值評估結果生成評估結果所需之彼此不同的函數。又,複數個屬性別評估用分類資訊,係亦可使用學習資料而被算出。例如作為學習資料之輸入資料,係可使用上述的各個分類型態之評估資料所關連對應之血糖值評估結果。此情況下,例如針對如圖14所示的7種類之分類型態之評估資料之每一者所關連對應的每一血糖值評估結果,準備輸入資料,而生成7種類之屬性別評估用分類資訊。
如此的複數個屬性別評估用分類資訊是被記憶在資料庫中的情況下,例如取得部11,係將相當於使用者的加速度脈波的評估資料,加以取得。然後,評估部13,係參照評估資料之峰值之特徵,而選擇第1評估用分類資訊。其後,評估部13,係參照第1評估用分類資訊,而生成針對血糖值評估結果的評估結果。因此,在各屬性別評估用分類資訊之中,可選擇出最適合於使用者的評估用分類資訊。
此外,例如作為學習資料的輸入資料,是使用相當於被檢者之速度脈波的資料的情況下,則亦可例如按照如圖15所示的2種類之分類型態之評估資料所分別所關連對應之每一血糖值評估結果而準備輸入資料,生成2種類之屬性別評估用分類資訊。藉此,可謀求評估精度的更進一步之提升。
若依據本實施型態,則除了上述的實施型態之效果以外,評估部13,係基於評估資料之特徵,而選擇用來從血糖值評估結果生成評估結果所需之函數。因此,可隨應於隨每位使用者而不同的評估資料之特徵,而選擇適切的函數。藉此,可高精度地生成使用者的評估結果。
(第8實施型態:生物資訊演算系統100)
接著,說明第8實施型態中的生物資訊演算系統100之一例。上述的實施型態、與第8實施型態之差異,係為具備統計步驟S150的這點。此外,關於和上述的實施型態相同的內容,係省略說明。
在本實施型態中的生物資訊演算系統100的統計步驟S150中,例如上述的評估部13,係基於從彼此不同之評估資料而被生成的複數個血糖值評估結果,而生成血糖趨勢。又,評估部13,係從評估資料及血糖趨勢,生成評估結果。血糖趨勢係例如,如圖19所示的表示血糖值對時間t之變化的圖形等。又,血糖趨勢係亦可為例如,將表示血糖值對時間t之變化的圖形對時間t做微分或積分而得的圖形。又,血糖趨勢中亦可包含有,表示血糖值之極大點的血糖值尖峰。又,血糖趨勢中亦可包含有HbA1c之值。
評估部13,係將例如從彼此不同之評估資料而被生成的複數個血糖值評估結果加以取得,從該當血糖值評估結果的時間序列變化,取得關於使用者的血糖值之傾向的血糖趨勢。
評估部13,係亦可參照例如評估用資料庫,從評估資料及血糖趨勢而生成評估結果。
評估用資料庫中,係和例如上述的資料庫同樣地,被記憶有用來生成針對評估資料及血糖趨勢的評估結果所需之評估用分類資訊。評估用資料庫中,係除了記憶1個以上之評估用分類資訊以外,亦可還記憶例如評估用分類資訊之生成時所被使用的複數個評估用學習資料。
評估用分類資訊,係為表示例如預先所被取得之過去之評估資料及血糖趨勢(評估用輸入資料)、與評估用輸入資料所關連對應之評估用參考資料之相關關係的函數。評估用參考資料,係表示使用者的評估結果。評估用分類資訊,係將評估用輸入資料、與評估用參考資料當作一對的評估用學習資料,使用複數個評估用學習資料而被生成。
若依據本實施型態,則除了上述的實施型態的效果以外,評估S130,係從彼此不同之評估資料而被生成的複數個血糖值評估結果的時間序列變化,取得關於使用者的血糖值之傾向的血糖趨勢,並從血糖趨勢及評估資料而生成評估結果。因此,可容易掌握隨每位使用者而不同的血糖值尖峰等之血糖值之特徵。藉此,可高精度地生成使用者的評估結果。
(第8實施型態:生物資訊演算系統100的動作)
接著,說明本實施型態中的生物資訊演算系統100的動作之一例。圖20係本實施型態中的生物資訊演算系統100的動作之一例的流程圖。本實施型態中的生物資訊演算系統100的動作,係如圖20所示,評估步驟S130是包含有統計步驟S150。
<統計步驟S150>
統計步驟S150,係將例如從彼此不同之評估資料而被生成的複數個血糖值評估結果加以取得,從該當血糖值評估結果的時間序列變化,取得關於使用者的血糖值之傾向的血糖趨勢。統計步驟S150,係可藉由例如生物資訊演算裝置1中所含之評估部13,來加以執行。
<評估步驟S130>
接著,評估步驟S130,係基於評估資料及血糖趨勢,而生成評估結果。例如評估部13,係將評估資料及已被算出部12所生成的血糖趨勢,加以取得。評估部13,係除了使用預先設定的函數等,從評估資料及血糖趨勢而生成評估結果以外,亦可例如參照上述的評估用資料庫,而生成評估結果。因此,可容易掌握隨每位使用者而不同的血糖值尖峰等之血糖值之特徵。藉此,可高精度地生成使用者的評估結果。
評估步驟S130,係例如如圖21所示,將上述的附加資訊加以取得,基於評估資料、血糖值評估結果及附加資訊,而生成評估結果。又,評估步驟S130係亦可包含有統計步驟S150。此情況下,評估步驟S130,係取得附加資訊,並基於評估資料、血糖趨勢及附加資訊,而生成評估結果。
評估部13,係亦可例如參照評估用資料庫,而生成對評估資料、血糖值評估結果及附加資訊為合適的評估結果。
評估用分類資訊,係為表示例如預先所被取得之過去之評估資料、血糖值評估結果及附加資訊(評估用輸入資料)、與評估用輸入資料所關連對應之評估用參考資料之相關關係的函數。評估用參考資料,係表示使用者的評估結果。評估用分類資訊,係將評估用輸入資料、與評估用參考資料當作一對的評估用學習資料,使用複數個評估用學習資料而被生成。
若依據本實施型態,則除了上述的實施型態的效果以外,評估部13係包含:取得表示使用者之特徵的附加資訊,基於評估資料、血糖值評估結果及附加資訊,而生成評估結果。因此,藉由使用複數種類之資訊,就可實現依循多角度之觀點的綜合性評估。藉此,可更高精度地生成使用者的評估結果。
(第9實施型態:生物資訊演算系統100)
接著,說明第9實施型態中的生物資訊演算系統100之一例。上述的實施型態、與第9實施型態之差異,係於算出步驟S120中取得上述的附加資訊的這點,並基於評估資料及附加資訊,而生成血糖值評估結果的這點。此外,關於和上述的實施型態相同的內容,係省略說明。
在本實施型態中的生物資訊演算系統100中,係例如如圖22所示,算出步驟S120係包含,將附加資訊加以取得,基於評估資料、及附加資訊,而生成血糖值評估結果。又,評估步驟S130係亦可包含有統計步驟S150。此情況下,評估步驟S130,係基於評估資料及血糖趨勢,而生成評估結果。
附加資訊,係和上述的內容相同,例如透過輸入部108等而由使用者進行輸入,由算出部12等加以取得。例如亦可基於已被取得部11所取得的附加資料,而將算出部12中所被生成的附加資訊,由算出部12來加以取得。
算出部12,係亦可例如隨應於附加資訊之內容,來決定針對血糖值評估結果的演算方法。此情況下,隨著附加資訊之每一種類而不同的函數等,是被記憶在保存部104或評估用資料庫內。此外,算出部12,係亦可例如基於評估資料、與附加資訊所組合而成的資訊,而生成血糖值評估結果。
若依據本實施型態,則除了上述的實施型態的效果以外,算出部12係包含:取得附加資訊,以及基於評估資料、及附加資訊,而生成血糖值評估結果。因此,可利用與使用者之血糖值評估結果有相關的參數,實現依循多角度之觀點的綜合性評估。藉此,可更高精度地生成使用者的評估結果。
(第10實施型態:生物資訊演算系統100)
接著,說明第10實施型態中的生物資訊演算系統100之一例。上述的實施型態、與第10實施型態之差異,係基於附加資訊,而從複數個分類資訊,選擇出適合於評估資料的分類資訊的這點。此外,關於和上述的實施型態相同的內容,係省略說明。
在本實施型態中的生物資訊演算裝置1中,例如如圖23所示,算出步驟S120係含有選擇步驟S121、和屬性別算出步驟S122。又,評估步驟S130係亦可包含有統計步驟S150。此情況下,評估步驟S130,係基於評估資料及血糖趨勢,而生成評估結果。
選擇步驟S121,係參照附加資訊,在複數個屬性別分類資訊之中,選擇特定之分類資訊(例如第1分類資訊)。選擇步驟S121,係可藉由例如算出部12中所含之選擇部,來加以執行。
屬性別算出步驟S122,係由生物資訊演算裝置1,參照已選擇的第1分類資訊,算出針對評估資料的血糖值,生成血糖值評估結果。屬性別算出步驟S122,係可藉由例如算出部12中所含之屬性別生成部,來加以執行。
複數個屬性別分類資訊,係使用彼此不同的學習資料而被算出。例如作為學習資料之輸入資料,是按照附加資訊之每一特徵而準備輸入資料,生成複數個屬性別分類資訊。例如,附加資訊是使用者的年齡的情況下,亦可像是10歲~30歲、30歲~50歲、50歲~70歲等,按照每一年齡層而準備輸入資料。
如此的複數個屬性別分類資訊是被記憶在資料庫中的情況下,例如取得部11,係將評估資料、及附加資訊,加以取得。然後,算出部12,係參照附加資訊,而選擇第1分類資訊。其後,算出部12,係參照第1分類資訊,而生成針對評估資料的血糖值評估結果。因此,在各屬性別分類資訊之中,可選擇出最適合於使用者的分類資訊。
此情況下,作為取得步驟S110係為例如,取得部11,係取得使用者之評估資料與作為附加資訊的使用者的年齡。
接著,作為選擇步驟S121係為例如,算出部12,係參照附加資訊,將附加資訊所關連對應之第1分類資訊加以選擇。然後,作為屬性別算出步驟S122,算出部12,係參照第1分類資訊,而生成針對評估資料的血糖值評估結果。藉此,可謀求評估精度的更進一步之提升。
若依據本實施型態,則除了上述的實施型態之效果以外,算出部12係還包含有:參照附加資訊,選擇第1分類資訊的選擇部;和參照第1分類資訊,生成針對評估資料的血糖值評估結果的屬性別生成部。因此,可先選擇出對於附加資訊而言為最適合的屬性別分類資訊,然後生成針對評估資料的血糖值評估結果。藉此,可謀求評估精度的更進一步之提升。
(第11實施型態:生物資訊演算系統100)
接著,說明第11實施型態中的生物資訊演算系統100之一例。上述的實施型態、與第11實施型態之差異係為,血液資訊是含有關於血液之組成之特徵,作為使用者之狀態是表示使用者之運動能力的這點。此外,關於和上述的實施型態相同的內容,係省略說明。
本實施型態中的生物資訊演算系統100,係為了生成關於使用者之運動能力的資訊而被使用。關於使用者之運動能力的資訊係表示例如:使用者的運動能力之傾向、或關於特定之基準值的乖離度等。
運動能力之傾向,係除了表示例如隨每位使用者而不同的無氧性作業閾值等這類公知的閾值以外,也可表示例如厭氣性代謝之程度等這類對運動能力造成影響的參數之經時變化。作為對運動能力造成影響的參數係可舉出,氧攝取量、血中二氧化碳分壓(PaCO
2)之值、血中二氧化碳之溶存濃度、血液中所含之碳酸氫根、碳酸氫鹽(HCO
3 -)之濃度、血液之pH等這類表示關於血液之組成之特徵的值。
生物資訊演算系統100,係從基於使用者之脈波的評估資料,而生成含有關於血液之組成之特徵的血液資訊。又,生物資訊演算系統100,係基於例如按照時間序列所被生成的複數個血液資訊,而生成表示使用者之運動能力之傾向的評估結果。
在生物資訊演算系統100中,係例如如圖24(a)所示,生物資訊演算裝置1,係取得已被感測器5等所被生成之感測器資料。其後,生物資訊演算裝置1,係對已取得之感測器資料,實施濾波器處理等之前處理,而取得評估資料。
生物資訊演算裝置1,係生成針對評估資料的血液資訊。其後,生物資訊演算裝置1,係基於從彼此不同之評估資料而被生成的複數個血液資訊,而生成評估結果。因此,可無關於個人的特徵、運動內容、競技科目這類評估對象之影響,而從關於血液之組成之特徵,直接生成評估結果。藉此,可高精度地生成關於使用者之運動能力的資訊。
此處,生物資訊演算裝置1,係在針對評估資料的血液資訊的生成之際,會參照資料庫。資料庫中係被記憶有,使用複數個學習資料而被生成的分類資訊。
分類資訊,係例如如圖3(a)所示,將基於過去已被取得之學習用脈波的輸入資料、及含有與輸入資料相關連之關於血液之組成之特徵的參考資料之配對,當作學習資料,使用複數個學習資料而被生成。因此,在血液資訊的生成之際,可使其含有依循過去有記錄的輸入資料及輸出資料的定量性的關於血液之組成之特徵。藉此,可謀求血液資訊的生成之際的精度提升。
生物資訊演算裝置1,係將例如已生成之評估結果,輸出至顯示器等。評估結果中,係可含有將使用者的運動能力之傾向予以數值化而成的資訊,例如含有無氧性作業閾值等這類隨每位使用者而不同的閾值。評估結果中亦可含有例如「有氧性運動中」、「無氧性運動中」等這類,表示針對使用者的運動能力之傾向之評估的資訊。
此外,在生物資訊演算系統100中,例如如圖24(b)所示,亦可從感測器5等,取得評估資料。此情況下,從感測器資料取得評估資料的前處理,係被感測器5等所實施。
評估資料,係表示用來生成血液資訊所需之資料。
資料庫,係主要是在針對評估資料的血液資訊的生成之際,會被使用。資料庫中係除了記憶1個以上之分類資訊以外,亦可還記憶例如分類資訊之生成時所被使用的複數個學習資料。分類資訊係為例如,表示預先所被取得之過去之評估資料(輸入資料)、與含有關於血液之組成之特徵的參考資料之相關關係的函數,細節係和上述的實施型態相同,因此省略。
參考資料係含有,使用計測裝置等而被計測到的,關於被檢者的血液之組成之特徵。例如令被檢者穿戴感測器5等而生成學習用感測器資料之際,將被檢者的血中二氧化碳之特徵等加以計測,就可取得與輸入資料相關連之參考資料。此情況下,血中二氧化碳之特徵等的計測時序,係與學習用感測器資料的生成時序同時為理想,但亦可為例如1~10分鐘程度前後的時序。
此外,所謂「關於血液之組成之特徵」,係表示可計測的血液內的組成物之濃度或比率等,例如表示血中二氧化碳濃度之特徵、血中乳酸量、及氧飽和度之至少任一者。此外,所謂「血中二氧化碳之特徵」,係表示血液中所含之二氧化碳的程度。作為血中二氧化碳之特徵,係除了使用例如血中二氧化碳分壓(PaCO
2)之值以外,亦可使用血中二氧化碳之溶存濃度、或血液中所含之碳酸氫根、碳酸氫鹽(HCO
3 -)之濃度,亦可隨著狀況而使用考慮到血液之pH的值。
血液資訊,係作為與參考資料同種類的資料而被生成,包含有關於血液之組成之特徵。血液資訊,係參照分類資訊,作為與參考資料相同或類似的資料,而被生成。在生物資訊演算系統100中,係例如沿著任意之時間序列而取得複數個評估資料,將針對各評估資料的血液資訊予以複數生成。又,在生物資訊演算系統100中,係亦可按照例如運動量之變化時等之任意每一時序而取得複數個評估資料,而將針對各評估資料的血液資訊予以複數生成。
評估結果,係表示使用者的運動能力之傾向。評估結果,係除了含有例如複數個血液資訊以外,亦可含有,基於一對之血液資訊的差分值、或複數個血液資訊而導出的公知的閾值。藉由將評估結果予以輸出,就可掌握使用者的運動能力。
本實施型態中的生物資訊演算裝置1的取得部11,係亦可將透過例如輸入部108等而由使用者所輸入的使用者之特徵、運動內容、競技科目等這類評估對象之資訊加以取得,而包含在評估資料中。評估對象之資訊,係亦可在例如血液資訊、或評估結果的生成之際做利用。
算出部12,係參照資料庫,而生成針對評估資料的血液資訊。算出部12,係例如參照資料庫中所被記憶之分類資訊,而算出針對評估資料的血中二氧化碳分壓等之值,作為血液資訊而予以生成。算出部12,係將針對各自不同之評估資料的血液資訊,予以複數生成。
評估部13,係基於從彼此不同之評估資料而被生成的複數個血液資訊,而生成評估結果。評估部13,係例如使用保存部104等中所被預先記憶的顯示用之格式,針對運動能力之傾向而生成已經轉換成使用者能夠理解之形式的評估結果。
評估部13,係例如如圖25(a)所示,將2個血液資訊(在圖25(a)中作為一例是表示血中二氧化碳分壓)的差,除以測定時間的差所得的值,當作厭氣性代謝之程度而予以算出,並生成含有厭氣性代謝之程度的評估結果。此情況下,就可容易掌握隨每位使用者而不同的無氧性運動之條件。例如評估部13,係亦可參照預先被記憶在保存部104等中的基準值,在厭氣性代謝之程度小於基準值的情況下,生成表示處於有氧性運動之狀態之意旨的評估結果,在厭氣性代謝之程度為基準值以上情況下,生成表示處於無氧性運動之狀態之意旨的評估結果。
評估部13,係亦可參照例如評估用資料庫,從複數個血液資訊而生成評估結果。
評估用資料庫中,係和例如上述的資料庫同樣地,被記憶有用來生成針對複數個血液資訊的評估結果所需之評估用分類資訊。評估用資料庫中,係除了記憶1個以上之評估用分類資訊以外,亦可還記憶例如評估用分類資訊之生成時所被使用的複數個評估用學習資料。
評估用分類資訊,係為表示例如預先所被取得之過去之複數個血液資訊(評估用輸入資料)、與評估用輸入資料所關連對應之評估用參考資料之相關關係的函數。評估用參考資料,係表示使用者的運動能力之傾向。評估用分類資訊,係將評估用輸入資料、與評估用參考資料當作一對的評估用學習資料,使用複數個評估用學習資料而被生成。
評估用資料庫中,係例如如圖25(b)所示,亦可被記憶有:表示運動強度、與血液資訊(在圖25(b)中作為一例係表示血中二氧化碳分壓)之關係的函數A1、A2。函數A1係表示例如有氧性運動時的運動強度、與血中二氧化碳分壓之關係,函數A2係表示例如無氧性運動時的運動強度、與血中二氧化碳分壓之關係。此外,函數A1、A2,係亦可具有複數個函數。
例如於算出部12中,作為複數個血液資訊是生成了第1分壓P1、及第2分壓P2的情況下,評估部13係參照函數A1,基於各分壓P1、P2,而生成表示「有氧運動中」的評估結果。
例如於算出部12中,作為複數個血液資訊是生成了第3分壓P3、及第4分壓P4的情況下,評估部13係參照函數A2,基於各分壓P3、P4,而生成表示「為氧運動中」的評估結果。
例如於算出部12中,作為複數個血液資訊是生成了第1分壓P1、第2分壓P2、第3分壓P3、及第4分壓P4的情況下,評估部13係參照函數A1、A2,基於各分壓P1、P2、P3、P4,而生成表示無氧性作業閾值AT1的評估結果。
(第11實施型態:生物資訊演算系統100的動作)
接著,說明本實施型態中的生物資訊演算系統100的動作之一例。此外,關於和上述的實施型態相同的內容,係省略說明。
算出步驟S120,係參照資料庫,而生成針對評估資料的含有關於血液之組成之特徵(例如血中二氧化碳分壓之值)的血液資訊。例如算出部12,係參照分類資訊,而算出針對評估資料的血中二氧化碳分壓之值。算出部12,係算出含有已算出之值的血液資訊。算出部12,係例如透過記憶部15,而將已生成之血液資訊,保存在保存部104中。此外,作為血中二氧化碳分壓之值等,除了表示特定之值以外,亦可算出例如誤差範圍(例如「○○±2mmHg」等)。
評估步驟S130,係基於從彼此不同之評估資料而被生成的複數個血液資訊,而生成評估結果。例如評估部13,係將已被算出部12所生成的複數個血液資訊,加以取得。評估部13,係除了使用預先設定的函數等,從複數個血液資訊而生成評估結果以外,亦可例如參照上述的評估用資料庫,而生成評估結果。
例如血液資訊是表示血中二氧化碳分壓之值的情況下,評估部13係可從複數個血液資訊的時間序列變化,生成含有厭氣性代謝之程度的評估結果。因此,就可容易掌握隨每位使用者而不同的無氧性運動之條件。
此處,在使用者的運動能力的評估之際,有的時候會使用無氧性作業閾值(AT:Anaerobic Threshold)、心搏閾值(HRT:Heart Rate Threshold)、或乳酸性作業閾值(LT:Lactate Threshold)等之閾值。這類閾值,係已知可使用脈搏數來做推定。然而,在使用脈搏數的評估方法中,會因為個人的特徵、運動內容、競技科目等這類評估對象之影響,導致侷限於只能掌握大致傾向的程度,而難以適切地推定上記閾值。因此,在先前技術中,會有無法高精度地生成關於使用者的運動能力的資訊之疑慮。
對此,若依據本實施型態,則算出部12,係生成針對評估資料的含有關於血液之組成之特徵的血液資訊。評估部13,係基於從彼此不同之評估資料而被生成的複數個血液資訊,而生成表示使用者之運動能力之傾向的評估結果。因此,可無關於個人的特徵、運動內容、競技科目這類評估對象之影響,而從關於血液之組成之特徵,直接生成評估結果。藉此,可高精度地生成關於使用者之運動能力的資訊。
又,若依據本實施型態,則算出部12,係參照資料庫,而生成針對評估資料的血液資訊。又,資料庫中係被記憶有,使用複數個學習資料而被算出的分類資訊。因此,在血液資訊的生成之際,可使其含有依循過去有記錄的資料的定量性的關於血液之組成之特徵。藉此,可謀求血液資訊的生成之際的精度提升。
又,若依據本實施型態,則評估部13,係從複數個血液資訊的時間序列變化,生成含有厭氣性代謝之程度的評估結果。因此,就可容易掌握隨每位使用者而不同的無氧性運動之條件。藉此,可使得適合於使用者之運動能力的運動條件被維持。
又,若依據本實施型態,則分類資訊係為,使用以輸入資料為解釋變數、以參考資料為目標變數的PLS迴歸分析而獲得的校正模型。因此,相較於使用機器學習等而算出分類資訊的情況,可大幅減少學習資料之數量,同時可容易實施校正模型之更新。藉此,可謀求生物資訊演算系統100的建構及更新的容易化。
(第12實施型態:生物資訊演算系統100)
接著,說明第12實施型態中的生物資訊演算系統100之一例。上述的實施型態、與第12實施型態之差異,係為使用附加資訊的這點,以及,具備統計步驟S150的這點。此外,關於和上述的實施型態相同的內容,係省略說明。
在本實施型態中的生物資訊演算系統100中,係在例如上述的評估步驟S130之後係會實施統計步驟S150,在統計步驟S150之後係會實施輸出步驟S140。
統計步驟S150,係例如和上述的實施型態同樣地,將附加資訊加以取得,基於評估結果及附加資訊,而生成綜合評估結果。統計步驟S150,係可藉由例如評估部13中所含之統計部,來加以執行。
綜合評估結果,係表示將使用者的運動能力做了評估的結果。作為綜合評估結果,係除了使用「運動能力高」、「運動能力低」等之表示每位使用者之運動能力之程度的字串以外,亦可使用例如與任意之基準值的差分、或偏差值等之數值。
於統計步驟S150中,例如統計部,係參照預先設定的閾值,將評估結果及附加資訊與閾值進行比較的結果,當作綜合評估結果而加以生成。例如,統計部,係在評估結果及附加資訊低於閾值的情況,則生成表示運動能力高的綜合評估結果,在評估結果及附加資訊高於閾值的情況,則生成表示運動能力低的綜合評估結果。
若依據本實施型態,則除了上述的實施型態的效果以外,統計部,係基於評估結果及附加資訊,而生成將使用者的運動能力做了評估的綜合評估結果。因此可以實現,除了評估結果以外,還考慮到使用者之特徵的綜合性評估。藉此,可更高精度地生成關於使用者之運動能力的資訊。
若依據上述的各實施型態,則算出步驟S120,係將針對評估資料的使用者之血液資訊予以算出。評估步驟S130,係基於血液資訊,而生成關於使用者之狀態的評估結果。藉此,可實現關於使用者之狀態的定量性評估。
此外,在上述的各實施型態中,作為血中二氧化碳之特徵,主要是說明使用血中二氧化碳分壓之值的情況,但即使在使用血中二氧化碳之溶存濃度、血液中所含之碳酸氫根、碳酸氫鹽之濃度、及血液之pH之至少任一者的情況下也是同樣如此,因此省略說明。尤其是,在作為血中二氧化碳之特徵是使用血中二氧化碳分壓之值的情況下,相較於其他的值,具有較容易收集參考資料的傾向。因此,可實現分類資訊的生成之際所花費的時間及費用的大幅削減。
又,上述的各實施型態,係亦可隨著用途而做任意組合來加以實施。
雖然說明了本發明的實施型態,但該實施型態係僅作為例子而提示,並非意圖用來限定發明的範圍。如此的新穎的實施型態,係可藉由其他各式各樣的型態而被實施,在不脫離發明之宗旨的範圍內,可進行各種的省略、置換、變更。該實施型態或其變形,係被發明之範圍或宗旨所包含,同時也被申請專利範圍中所記載之發明及其均等範圍所包含。
1:生物資訊演算裝置
3:通訊網
4:伺服器
5:感測器
6:偵測部
10:框體
11:取得部
12:算出部
13:評估部
14:輸出部
15:記憶部
16:學習部
50:取得部
51:通訊I/F
52:記憶體
53:命令部
54:內部匯流排
55:腕帶
100:生物資訊演算系統
101:CPU
102:ROM
103:RAM
104:保存部
105:I/F
106:I/F
107:I/F
108:輸入部
109:顯示部
110:內部匯流排
S110:取得步驟
S120:算出步驟
S130:評估步驟
S140:輸出步驟
[圖1]圖1係第1實施型態中的生物資訊演算系統之一例的模式圖。
[圖2]圖2(a)及圖2(b)係第1實施型態中的生物資訊演算系統的動作之一例的模式圖。
[圖3]圖3(a)係分類資訊之一例的模式圖,圖3(b)及圖3(c)係針對感測器資料的處理之一例的模式圖。
[圖4]圖4(a)係生物資訊演算裝置的構成之一例的模式圖,圖4(b)係生物資訊演算裝置的機能之一例的模式圖。
[圖5]圖5(a)及圖5(b)係感測器之一例的模式圖。
[圖6]圖6係第1實施型態中的生物資訊演算系統的動作之一例的流程圖。
[圖7]圖7係第2實施型態中的生物資訊演算系統的動作之一例的模式圖。
[圖8]圖8係第2實施型態中的生物資訊演算系統的動作之變形例的模式圖。
[圖9]圖9係第3實施型態中的生物資訊演算系統的動作之一例的模式圖。
[圖10]圖10(a)及圖10(b)係針對感測器資料的附加資訊的算出處理之一例的模式圖。
[圖11]圖11係第3實施型態中的生物資訊演算系統的動作之一例的模式圖。
[圖12]圖12係第4實施型態中的生物資訊演算系統的動作之一例的模式圖。
[圖13]圖13係第5實施型態中的生物資訊演算系統的動作之一例的模式圖。
[圖14]圖14係相當於加速度脈波的資料之分類例的模式圖。
[圖15]圖15係相當於速度脈波的資料之分類例的模式圖。
[圖16]圖16係第5實施型態中的生物資訊演算系統的動作之變形例的模式圖。
[圖17]圖17(a)及圖17(b)係第6實施型態中的生物資訊演算系統的動作之一例的模式圖。
[圖18]圖18係第7實施型態中的生物資訊演算系統的動作之一例的模式圖。
[圖19]圖19係為血糖趨勢的模式圖。
[圖20]圖20係第8實施型態中的生物資訊演算系統的動作之一例的模式圖。
[圖21]圖21係第8實施型態中的生物資訊演算系統的動作之另一例的模式圖。
[圖22]圖22係第9實施型態中的生物資訊演算系統的動作之一例的模式圖。
[圖23]圖23係第10實施型態中的生物資訊演算系統的動作之一例的模式圖。
[圖24]圖24(a)及圖24(b)係第11實施型態中的生物資訊演算系統的動作之一例的模式圖。
[圖25]圖25(a)及圖25(b)係評估結果生成處理之一例的模式圖。
1:生物資訊演算裝置
3:通訊網
4:伺服器
5:感測器
100:生物資訊演算系統
Claims (8)
- 一種生物資訊演算系統,係為算出關於使用者之血液的血液資訊的生物資訊演算系統,其特徵為, 具備: 取得手段,係用以取得基於前記使用者之脈波的評估資料;和 資料庫,係被記憶有分類資訊,其係把基於預先所被取得之學習用脈波的輸入資料、及含有與前記輸入資料相關連之前記血液資訊的參考資料之配對,當作學習資料,使用複數個前記學習資料而被生成;和 算出手段,係用以參照前記資料庫,而算出針對前記評估資料的前記血液資訊;和 評估手段,係用以基於前記血液資訊,而生成關於前記使用者之狀態的評估結果。
- 如請求項1所記載之生物資訊演算系統,其中, 前記血液資訊係包含血糖值; 前記評估手段,係基於從彼此不同之前記評估資料而被算出的複數個前記使用者之血糖值,而生成表示前記使用者的血糖值之變化的含有血糖尖峰資訊的前記評估結果。
- 如請求項1所記載之生物資訊演算系統,其中, 前記血液資訊係包含血糖值; 前記評估手段,係基於前記評估資料、及從前記評估資料而被算出的血糖值,而生成前記評估結果。
- 如請求項1所記載之生物資訊演算系統,其中, 前記血液資訊係包含:關於前記血液之組成的特徵; 前記評估手段,係基於從彼此不同之前記評估資料而被算出的複數個關於前記血液之組成的特徵,而生成表示前記使用者之運動能力之傾向的前記評估結果。
- 如請求項1所記載之生物資訊演算系統,其中, 具備:統計手段,係用以取得表示關於前記使用者之生物資訊之特徵的附加資訊,基於前記評估結果及前記附加資訊,而生成將前記使用者之健康狀態做了評估的綜合評估結果。
- 如請求項1所記載之生物資訊演算系統,其中, 前記取得手段係包含:基於前記脈波,而取得表示異於前記評估資料之特徵的附加資料; 前記算出手段係包含,參照前記資料庫,生成針對前記附加資料的表示關於前記使用者之生物資訊之特徵的附加資訊。
- 如請求項1所記載之生物資訊演算系統,其中, 前記評估手段係包含: 取得表示關於前記使用者之生物資訊之特徵的附加資訊; 基於複數個前記特徵資料及前記附加資訊,而生成前記評估結果。
- 如請求項1所記載之生物資訊演算系統,其中, 前記取得手段係包含:基於前記脈波,而取得異於前記評估資料的預備評估資料; 前記分類資訊係含有:使用彼此不同的前記學習資料而被算出的複數個屬性別分類資訊; 前記算出手段係包含: 選擇手段,係用以參照前記預備評估資料,而在複數個前記屬性別分類資訊之中選擇第1分類資訊;和 屬性別算出手段,係用以參照前記第1分類資訊,而算出針對前記評估資料的前記血液資訊。
Applications Claiming Priority (10)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020148047A JP6851664B1 (ja) | 2020-09-03 | 2020-09-03 | 生体情報演算システム |
JP2020-148047 | 2020-09-03 | ||
JP2020-148048 | 2020-09-03 | ||
JP2020148048A JP6851665B1 (ja) | 2020-09-03 | 2020-09-03 | 生体情報演算システム |
JP2021-032879 | 2021-03-02 | ||
JP2021-032878 | 2021-03-02 | ||
JP2021032881A JP6918394B1 (ja) | 2021-03-02 | 2021-03-02 | 生体情報演算システム |
JP2021-032881 | 2021-03-02 | ||
JP2021032878A JP7083194B1 (ja) | 2021-03-02 | 2021-03-02 | 生体情報演算システム |
JP2021032879A JP7083195B1 (ja) | 2021-03-02 | 2021-03-02 | 生体情報演算システム |
Publications (1)
Publication Number | Publication Date |
---|---|
TW202219974A true TW202219974A (zh) | 2022-05-16 |
Family
ID=80491077
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW110132630A TW202219974A (zh) | 2020-09-03 | 2021-09-02 | 生物資訊演算系統 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20240016396A1 (zh) |
EP (1) | EP4210066A4 (zh) |
KR (1) | KR20230062852A (zh) |
CN (1) | CN116097366A (zh) |
TW (1) | TW202219974A (zh) |
WO (1) | WO2022050336A1 (zh) |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8818477B2 (en) * | 2007-07-13 | 2014-08-26 | University Of Massachusetts | Physical performance monitoring and monitors |
US20120123232A1 (en) * | 2008-12-16 | 2012-05-17 | Kayvan Najarian | Method and apparatus for determining heart rate variability using wavelet transformation |
ES2396844B1 (es) * | 2010-12-01 | 2014-01-27 | Universitat Politècnica De Catalunya | Sistema y método para la estimación simultánea y no invasiva de la glucosa en la sangre, nivel de glucocorticoides y presión arterial |
EP3269305B1 (en) | 2015-03-13 | 2022-08-17 | Shinshu University | Non-invasive blood glucose level measurement device |
JP2016195661A (ja) * | 2015-04-03 | 2016-11-24 | セイコーエプソン株式会社 | 運動効果判定方法、および運動効果判定システム |
US20170258367A1 (en) * | 2016-03-08 | 2017-09-14 | bOMDIC Inc. | Method and device for real-time monitoring maximal oxygen consumption |
JP6802684B2 (ja) * | 2016-10-18 | 2020-12-16 | シャープ株式会社 | 健康管理装置および健康管理方法 |
JP6884718B2 (ja) * | 2018-02-22 | 2021-06-09 | 京セラ株式会社 | 電子機器、推定システム、推定方法及び推定プログラム |
-
2021
- 2021-09-02 KR KR1020237011086A patent/KR20230062852A/ko unknown
- 2021-09-02 WO PCT/JP2021/032234 patent/WO2022050336A1/ja active Application Filing
- 2021-09-02 TW TW110132630A patent/TW202219974A/zh unknown
- 2021-09-02 CN CN202180054315.2A patent/CN116097366A/zh active Pending
- 2021-09-02 EP EP21864391.4A patent/EP4210066A4/en active Pending
- 2021-09-02 US US18/043,799 patent/US20240016396A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
CN116097366A (zh) | 2023-05-09 |
EP4210066A1 (en) | 2023-07-12 |
EP4210066A4 (en) | 2024-02-28 |
KR20230062852A (ko) | 2023-05-09 |
WO2022050336A1 (ja) | 2022-03-10 |
US20240016396A1 (en) | 2024-01-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10765374B2 (en) | Methods and apparatus for adaptable presentation of sensor data | |
US11617545B2 (en) | Methods and systems for adaptable presentation of sensor data | |
JP6899609B1 (ja) | 生体情報演算システム、及びサーバ | |
CN115802931A (zh) | 检测用户温度和评估呼吸系统病症的生理症状 | |
JP6918394B1 (ja) | 生体情報演算システム | |
TW202219974A (zh) | 生物資訊演算系統 | |
US20230309932A1 (en) | Biometric information computing system, server, and data structure | |
JP7083195B1 (ja) | 生体情報演算システム | |
JP7083194B1 (ja) | 生体情報演算システム | |
TW202219981A (zh) | 生物資訊演算系統 | |
JP7142997B1 (ja) | 生体情報演算システム、サーバ、及び生体情報演算方法 | |
TW202223913A (zh) | 生物資訊演算系統 | |
JP6845520B1 (ja) | 生体情報演算システム | |
JP7083193B1 (ja) | 生体情報演算システム | |
WO2021141572A1 (en) | Methods and systems for adaptable presentation of sensor data |