WO2015083357A1

WO2015083357A1 - 推定装置、プログラム、推定方法および推定システム

Info

Publication number: WO2015083357A1
Application number: PCT/JP2014/005977
Authority: WO
Inventors: 光吉　俊二
Original assignee: Ｐｓｔ株式会社; 光吉　俊二; 株式会社光吉研究所
Priority date: 2013-12-05
Filing date: 2014-11-28
Publication date: 2015-06-11
Also published as: CA2932689C; RU2682607C1; KR101867198B1; KR20160092011A; JP2015128579A; US10485467B2; US20170000397A1; CN105792758A; HK1225941A1; EP3078331A4; EP3078331A1; CA2932689A1; JP5755791B2; EP3078331B1; CN105792758B

Abstract

　被験者の生理を示す情報から、被験者の生理の状態を示す第１情報と被験者の情動および器官の活動の少なくとも一方を示す第２情報とを抽出する抽出部と、抽出した第１情報と第２情報とが示す時間変化における類似の度合いを求め、求めた類似の度合いに基づき被験者における恒常性が保たれた所定状態からのずれ量を算出する演算部と、算出されたずれ量に基づいて被験者の病態を推定する推定部とを有する。

Description

推定装置、プログラム、推定方法および推定システム

　本発明は、被験者の病態を推定する推定装置、プログラム、推定方法および推定システムに関する。

　従来、被験者の音声信号、あるいは心臓等の器官の活動を示す電気信号を計測し、計測した信号から被験者の情動や器官の活動を求め、求めた情動や器官の活動の時間変化に基づいて被験者の病態を推定する技術が提案されている（例えば、引用文献１，２参照）。

国際公開第２００６／１３２１５９号特開２０１２－６１０５７号公報

　しかしながら、従来技術では、計測した信号から求めた被験者の情動や器官の活動の時間変化に基づき被験者の病態を推定するにあたり、ユーザに対して医学の専門的な知識を要求する。

　一つの側面では、本件開示の推定装置、プログラム、推定方法および推定システムは、専門的な知識を有することなく、被験者の病態を容易に推定することを目的とする。

　一つの観点による推定装置は、被験者の生理を示す情報から、被験者の生理の状態を示す第１情報と被験者の情動および器官の活動の少なくとも一方を示す第２情報とを抽出する抽出部と、抽出した第１情報と第２情報とが示す時間変化における類似の度合いを求め、求めた類似の度合いに基づき被験者における恒常性が保たれた所定状態からのずれ量を算出する演算部と、算出されたずれ量に基づいて被験者の病態を推定する推定部とを有する。

　別の観点によるプログラムは、被験者の生理を示す情報から、被験者の生理の状態を示す第１情報と被験者の情動および器官の活動の少なくとも一方を示す第２情報とを抽出し、抽出した第１情報と第２情報とが示す時間変化における類似の度合いを求め、求めた類似の度合いに基づき被験者における恒常性が保たれた所定状態からのずれ量を算出し、算出されたずれ量に基づいて被験者の病態を推定する、処理をコンピュータに実行させる。

　別の観点による推定方法では、被験者の生理を示す情報から、被験者の生理の状態を示す第１情報と被験者の情動および器官の活動の少なくとも一方を示す第２情報とを抽出部により抽出し、抽出した第１情報と第２情報とが示す時間変化における類似の度合いを求め、求めた類似の度合いに基づき被験者における恒常性が保たれた所定状態からのずれ量を演算部により算出し、算出されたずれ量に基づいて被験者の病態を推定部により推定する。

　別の観点による推定システムは、被験者の生理を計測する計測装置と、計測装置により計測された被験者の生理を示す情報を用い被験者の病態を推定する推定装置と、推定装置により推定された病態の結果を出力する出力装置とを有し、推定装置は、被験者の生理を示す情報から、被験者の生理の状態を示す第１情報と被験者の情動および器官の活動の少なくとも一方を示す第２情報とを抽出する抽出部と、抽出した第１情報と第２情報とが示す時間変化における類似の度合いを求め、求めた類似の度合いに基づき被験者における恒常性が保たれた所定状態からのずれ量を算出する演算部と、算出されたずれ量に基づいて被験者の病態を推定する推定部とを有する。

　本件開示の推定装置、プログラム、推定方法および推定システムは、専門的な知識を有することなく、被験者の病態を容易に推定することができる。

推定装置の一実施形態を示す図である。推定装置の別の実施形態を示す図である。被験者の発話の基本周波数と被験者の情動との関係を示す判断木の一例を示す図である。医師の興奮度、平常、悲しみ、怒りおよび喜びの強度の時間変化の一例を示す図である。うつ病患者の興奮度、平常、悲しみ、怒りおよび喜びの強度の時間変化の一例を示す図である。一般人の興奮度、平常、悲しみ、怒りおよび喜びの強度の時間変化の一例を示す図である。図６に示した一般人と異なる別の一般人の興奮度、平常、悲しみ、怒りおよび喜びの強度の時間変化の一例を示す図である。図２に示した演算部による図４に示した医師における興奮度と各情動との相互相関処理の結果の一例を示す図である。図２に示した演算部による図５に示したうつ病患者における興奮度と各情動との相互相関処理の結果の一例を示す図である。図２に示した演算部による図６に示した一般人における興奮度と各情動との相互相関処理の結果の一例を示す図である。図２に示した演算部による図７に示した一般人における興奮度と各情動との相互相関処理の結果の例を示す図である。被験者における情動の恒常性の一例を示す図である。図２に示した演算部により求められた図８に示した医師における恒常性のずれ量の時間変化の例を示す図である。図２に示した演算部により求められた図９に示したうつ病患者における恒常性のずれ量の時間変化の例を示す図である。図２に示した演算部により求められた図１０に示した一般人における恒常性のずれ量の時間変化の例を示す図である。図２に示した演算部により求められた図１１に示した一般人における恒常性のずれ量の時間変化の例を示す図である。図２に示した推定装置による推定処理の一例を示す図である。被験者の心拍数および心拍変動と被験者の情動との判断木の一例を示す図被験者における情動の恒常性の別例を示す図である。推定装置の別の実施形態を示す図である。被験者ＰＡにおける恒常性の連鎖の例を模式的に示す図である。図２０に示した試験部が被験者における恒常性のシミュレーションに用いる循環系の計算モデルの一例を示す図である。被験者における各循環系の変位のデータの一例を示す図である。図２０に示した推定装置による推定処理の一例を示す図である。である。推定装置の別の実施形態を示す図である。図２５に示した試験部が被験者における恒常性をシミュレーションに用いる循環系の計算モデルの一例を示す図である。被験者における各循環系の回転数のデータの一例を示す図である。病態テーブルの一例を示す図である。図２５に示した推定装置による推定処理の一例を示す図である。推定装置の別の実施形態を示す図である。発話テーブルの一例を示す図である。図３０に示した推定装置による推定処理の一例を示す図である。

　以下、図面を用いて実施形態について説明する。

　図１は、推定装置の一実施形態を示す。

　図１に示した推定装置ＡＭは、ＣＰＵ（Central Processing Unit）等の演算処理装置と、ハードディスク装置等の記憶装置とを有するコンピュータ装置等である。推定装置ＡＭは、抽出部ＥＵ、演算部ＣＵおよび推定部ＡＵを有する。抽出部ＥＵ、演算部ＣＵおよび推定部ＡＵの機能は、ＣＰＵが実行するプログラムにより実現されてもよく、ハードウェアにより実現されてもよい。

　抽出部ＥＵは、推定装置ＡＭの記憶装置に格納された被験者が発声した音声データあるいは体温や心拍等のデータを含む被験者の生理を示す情報から、音声のピッチ周波数や基本周波数、あるいは体温や心拍数等の被験者の生理の状態を示す第１情報を抽出する。また、抽出部ＥＵは、被験者の生理を示す情報から、被験者における怒りや悲しみ等を含む情動および被験者の心臓や腸等の器官の活動の少なくとも一方を示す第２情報を抽出する。

　演算部ＣＵは、抽出した第１情報と第２情報とが示す時間変化における類似の度合いを求め、求めた類似の度合いに基づき被験者における恒常性が保たれた所定状態からのずれ量（以下、恒常性のずれ量とも称する）を算出する。

　推定部ＡＵは、算出された恒常性のずれ量に基づいて被験者の病態を推定する。そして、推定装置ＡＭは、推定部ＡＵにより推定された病態を示す情報を、外部の有機ＥＬ（Organic Electro-Luminescence）や液晶等のディスプレイに出力する。

　以上、図１に示した実施形態では、被験者の生理の状態を示す第１情報と被験者の情動および器官の活動の少なくとも一方を示す第２情報とを用い、被験者における恒常性のずれ量を算出する。これにより、推定装置ＡＭは、恒常性のずれ量という１つの指標を参照することで、医学の専門的な知識を有することなく、被験者の病態を容易に推定することができる。

　図２は、推定装置の別の実施形態を示す。

　図２に示した推定装置１００は、ＣＰＵ等の演算処理装置と、ハードディスク装置等の記憶装置とを有するコンピュータ装置等である。推定装置１００は、推定装置１００に含まれるインタフェース部を介して、有線または無線で計測装置１および出力装置２に接続される。これにより、例えば、推定装置１００と、計測装置１と、出力装置２とは、推定システムＳＹＳとして動作する。

　計測装置１は、例えば、少なくともマイクロホンを含み、被験者ＰＡの生理を示す情報を計測する。例えば、計測装置１は、マイクロホンを介して、被験者ＰＡが発話した音声信号を計測し、計測した音声信号を被験者ＰＡの生理を示す情報として推定装置１００に出力する。

　出力装置２は、例えば、有機ＥＬや液晶等のディスプレイを含む。出力装置２は、推定装置１００による被験者ＰＡの病態の推定結果を受信し、受信した推定結果を有機ＥＬ等のディスプレイに表示する。なお、出力装置２は、推定装置１００の内部に設けられてもよい。

　図２に示した推定装置１００は、抽出部１０、演算部２０および推定部３０を有する。抽出部１０、演算部２０および推定部３０の機能は、ＣＰＵが実行するプログラムにより実現されてもよく、ハードウェアにより実現されてもよい。

　抽出部１０は、計測装置１により計測された被験者ＰＡの生理を示す情報から、被験者ＰＡの生理の状態を示す第１情報と、被験者ＰＡにおける情動および被験者ＰＡの心臓や腸等の器官の活動の少なくとも一方を示す第２情報とを抽出する。抽出部１０は、抽出した第１情報および第２情報を演算部２０に出力する。抽出部１０の動作については、図３から図７で説明する。

　演算部２０は、抽出された第１情報と第２情報との時間変化の類似の度合いを算出する。例えば、演算部２０は、抽出された第１情報と第２情報との時間変化の相互相関処理を実行し、相互相関係数を類似の度合いとして算出する。演算部２０は、算出した複数の類似の度合いを用い、被験者ＰＡにおける恒常性のずれ量を求める。演算部２０の動作および恒常性については、図８から図１２で説明する。

　推定部３０は、求めた被験者ＰＡにおける恒常性のずれ量に基づいて被験者ＰＡの病態を推定する。推定部３０は、推定した被験者ＰＡの病態を示す情報を出力装置２に出力する。推定部３０の動作については、図１２から図１６で説明する。

　図３は、被験者ＰＡの発話の基本周波数と被験者ＰＡの情動との関係を示す判断木の一例を示す。図３に示した判断木は、例えば、複数の被験者ＰＡ（例えば１００名以上）の各々の発話ごとに、“平常”、“悲しみ”、“怒り”および“喜び”等のいずれかに主観的に評価された各被験者ＰＡの情動と、抽出された基本周波数の高さ等とに基づいて生成される。すなわち、図３に示した判定木は、平常、悲しみ、怒りおよび喜びの各情動と、発話における基本周波数の高さ、強度および平均強度との関係を示す。例えば、平常の情動は、基本周波数の高さが１５０ヘルツ未満、且つ基本周波数の強度が１００以上である。悲しみの情動は、基本周波数の高さが１５０ヘルツ未満、且つ基本周波数の強度が１００未満である。怒りの情動は、基本周波数の高さが１５０ヘルツ以上、且つ基本周波数の平均強度が８０以上である。喜びの情動は、基本周波数の高さが１５０ヘルツ以上、且つ基本周波数の強度が８０未満である。

　なお、図３に示した判断木は、推定装置１００の記憶装置に予め格納される。また、図３に示した判定木では、被験者ＰＡの情動として、平常、悲しみ、怒り、喜びとしたが、不安、苦痛等の情動を含んでもよい。また、推定装置１００は、ピッチ周波数等の音声パラメータと情動との関係を示す判断木を有してもよい。

　例えば、抽出部１０は、計測装置１から受信する被験者ＰＡによる発話の音声信号にＦＦＴ（Fast Fourier Transform）等の周波数解析を実行し、基本周波数の高さ等を求める。抽出部１０は、被験者ＰＡの各発話から求めた基本周波数の高さ等と図３に示した判定木とに基づいて、各発話の瞬間において被験者ＰＡに出現している平常、悲しみ、怒りおよび喜びの情動それぞれの割合を、例えば０から１０の値の範囲で求める。なお、平常、悲しみ、怒りおよび喜びの情動の割合を合計した値は、一定値であり、例えば、１０とする。また、平常、悲しみ、怒り、喜びの割合は、０から１０の値の範囲以外の範囲の値でよい。

　また、抽出部１０は、被験者ＰＡの音声信号から、抑揚やピッチ周波数等を求める。例えば、抽出部１０は、音声信号の発話単位における強度変化のパターンから同一周波数成分の領域を検出し、検出した同一周波数成分の領域が出現する時間間隔を抑揚として取得する。また、抽出部１０は、例えば、音声信号の周波数解析から周波数スペクトルを取得する。抽出部１０は、取得した周波数スペクトルを周波数軸上でずらしながら自己相関処理を実行し、自己相関係数の波形を求める。抽出部１０は、求めた自己相関係数の波形における山と山または谷と谷の間隔に基づいてピッチ周波数を求める。そして、抽出部１０は、求めた抑揚およびピッチ周波数と所定の間隔および所定の周波数との比較から被験者ＰＡの興奮の度合い（以下、興奮度とも称する）を０から１０の値の範囲で求める。興奮度は、抑揚が示す同一周波数成分における出現間隔が所定の間隔より短くなるほど、あるいはピッチ周波数が所定の周波数より高いほど高くなる。換言すれば、被験者ＰＡの生理的な興奮と、交感神経や副交感神経等の被験者ＰＡにおける脳神経の活動とは密接に関係していることから、興奮度を介して、被験者ＰＡの脳神経の活動と被験者ＰＡの情動との関係を調べることができる。なお、興奮度は、０から１０の値の範囲以外の範囲の値でもよい。

　抽出部１０は、例えば、求めた興奮度と、平常、悲しみ、怒りおよび喜びそれぞれの割合と乗算し、平常、悲しみ、怒りおよび喜びそれぞれの強度を求める。興奮度は、第１情報の一例であり、平常、悲しみ、怒りおよび喜びの強度は、第２情報の一例である。

　図４から図７は、被験者ＰＡごとの興奮度、平常、悲しみ、怒りおよび喜びの強度の時間変化の一例を示す。図４から図７の横軸は時間軸として被験者ＰＡによる発話単位の順番を示し、図４から図７の縦軸は興奮度、および平常、悲しみ、怒り、喜びの各強度を示す。実線は、興奮度の時間変化を示し、一点破線は、平常と怒りとの強度を足した値（以下、“平常プラス怒り”とも称する）の時間変化を示す。また、点線は、悲しみの強度の時間変化を示し、破線は、喜びの強度の時間変化を示す。

　なお、図４から図７に示した興奮度、平常プラス怒り、悲しみおよび喜びの強度の時間変化は、例えば、演算部２０により１０発話単位のウインドウ幅で移動平均された値を示す。

　また、平常と怒りとの強度を合わせるのは、発明者が、被験者ＰＡが精神疾患を患っているか否かを推定するにあたり、悲しみと喜びとの情動に特徴的な変化が現れるものと推定し、平常および怒りを他の情動として扱うためである。なお、平常および怒りの情動についても、悲しみと喜びと同様に個別に調べられてもよい。

　図４は、被験者ＰＡが精神疾患を患っていない健康な精神科の医師で、うつ病患者を診察している時の興奮度、平常、悲しみ、怒りおよび喜びの強度の時間変化を示す。図４に示すように、被験者ＰＡである医師の興奮度は、発話している間、１から３．５の範囲の変動を示す。また、医師の情動は、発話の間、平常プラス怒りの強度が悲しみや喜びよりも大きく、うつ病患者を診察していることから喜びの強度が、悲しみと比べて全体的に低い値を示す。

　図５は、被験者ＰＡがうつ病患者で、図４に示した医師による診察を受けている時の興奮度、平常、悲しみ、怒りおよび喜びの強度の時間変化を示す。図５に示すように、被験者ＰＡのうつ病患者の興奮度は、発話している間、２から５の範囲の変動を示し、図４に示す医師の興奮度より大きい値を示す。また、うつ病患者の情動は、発話している間、平常プラス怒りの強度が悲しみや喜びよりも大きく、悲しみの強度は、喜びの強度より大きい値を示す。そして、うつ病患者の悲しみおよび喜びの強度は、図４に示す医師の場合より大きい値を示す。

　図６は、被験者ＰＡが精神疾患を患っていない健康な一般人Ａの場合における興奮度、平常、悲しみ、怒りおよび喜びの強度の時間変化を示す。図６に示すように、被験者ＰＡである一般人Ａの興奮度は、１．５から４．５の範囲の変動を示す。また、一般人Ａの情動は、図４に示した医師の場合や図５に示したうつ病患者の場合と同様に、発話している間、平常プラス怒りの強度が悲しみや喜びよりも大きいことを示す。一方、一般人Ａにおける喜びの強度は、悲しみの強度より大きい値を示す。さらに、図６に示すように、一般人Ａの喜びの強度は、図４に示した医師の場合や図５に示したうつ病患者の場合と比べて大きい値の範囲に分布し、一般人Ａの悲しみの強度は、図４に示した医師の場合や図５に示したうつ病患者の場合と比べて低い値の範囲に分布している。

　図７は、被験者ＰＡが、図６に示した一般人Ａとは異なる精神疾患を患っていない健康な一般人Ｂの場合における興奮度、平常、悲しみ、怒りおよび喜びの強度の時間変化を示す。図７に示すように、被験者ＰＡである一般人Ｂの興奮度は、３から７の範囲の変動を示す。また、一般人Ｂの情動は、図６に示した一般人Ａの場合と同様に、発話している間、平常プラス怒りの強度が悲しみや喜びよりも大きい値を示す。また、一般人Ｂの喜びの強度は、図６に示した一般人Ａの場合と同様に、悲しみの強度より大きい値を示す。

　演算部２０は、例えば、図４から図７に示した各被験者ＰＡにおいて、興奮度の時間変化と、平常プラス怒り、悲しみおよび喜びの強度の時間変化それぞれとの相互相関処理を実行する。演算部２０は、各被験者ＰＡにおける興奮度と、平常プラス怒り、悲しみおよび喜びの強度との相互相関係数をそれぞれ求める。なお、演算部２０による相互相関処理のウインドウ幅は、例えば１５０発話とするが、被験者ＰＡごと、あるいは要求される処理速度や推定の精度等に応じて設定されてもよい。

　図８から図１１は、図２に示した演算部２０による被験者ＰＡにおける興奮度と各情動との相互相関処理の結果の一例を示す。図８から図１１の横軸は時間軸として被験者ＰＡによる発話単位の順番で示し、図８から図１１の縦軸は相互相関係数を示す。また、一点破線は、興奮度と平常プラス怒りの強度との相互相関係数の時間変化を示し、点線は、興奮度と悲しみの強度と相互相関係数の時間変化を示し、破線は、興奮度と喜びの強度との相互相関係数の時間変化を示す。

　図８は、図４に示した医師における興奮度と、平常プラス怒り、悲しみ、喜びの各々の強度との相互相関係数の時間変化を示す。図８に示した医師では、４０発話単位以降において、平常プラス怒りの相互相関係数が、喜びや悲しみの場合より大きな値を示し、悲しみの相互相関係数が、最も小さな値を示す。なお、発話開始から４０発話単位までは、相互相関処理のウインドウ幅（例えば１５０発話単位）における医師の興奮度および各情動のデータ数が少ないため、演算部２０により算出された興奮度と各情動との相互相関係数の値が安定せず、算出結果の信頼性が低い。そのため、以下の説明では、図８に示した医師の場合には、４０発話単位以降の相互相関係数を用いる。

　図９は、図５に示したうつ病患者における興奮度と、平常プラス怒り、悲しみおよび喜びの各々の強度との相互相関係数の時間変化を示す。図９に示したうつ病患者では、１００発話単位以降において、悲しみの相互相関係数が、最も大きな値を示し、喜びの相互相関係数が、最も小さな値を示す。なお、図８の場合と同様に、図９では、発話開始から１００発話単位までの間における演算部２０により算出された興奮度と各情動との相互相関係数の値が安定せず、結果の信頼性が低い。そのため、以下の説明では、図９に示したうつ病患者の場合には、１００発話単位以降の相互相関係数を用いる。

　図１０は、図６に示した一般人Ａにおける興奮度と、平常プラス怒り、悲しみおよび喜びの各々の強度との相互相関係数の時間変化を示す。図１０に示した一般人Ａでは、７０発話単位以降において、喜びの相互相関係数が、最も大きな値を示し、悲しみの相互相関係数が、最も小さな値を示す。なお、図８、図９の場合と同様に、図１０では、発話開始から７０発話単位までの間において、演算部２０により算出された興奮度と各情動との相互相関係数の値が安定せず、結果の信頼性が低い。そのため、以下の説明では、図１０に示した一般人Ａの場合には、７０発話単位以降の相互相関係数を用いる。

　図１１は、図７に示した一般人Ｂにおける興奮度と、平常プラス怒り、悲しみおよび喜びの各々の強度との相互相関係数の時間変化を示す。図１１に示した一般人Ｂでは、７０発話単位以降において、喜びの相互相関係数が、最も大きな値を示し、悲しみの相互相関係数が、最も小さな値を示す。なお、図８から図１０の場合と同様に、図１１では、発話開始から７０発話単位までの間において、演算部２０による興奮度と各情動との相互相関係数の算出結果の信頼性が低いため、一般人Ｂの場合には、７０発話単位以降の相互相関係数を用いる。

　図８から図１１に示すように、被験者ＰＡが医師、一般人Ａおよび一般人Ｂの健康な人の場合、平常プラス怒りあるいは喜びの情動は興奮度と最も強い相関を示し、悲しみの情動は興奮度と最も弱い相関を示す。すなわち、健康な被験者ＰＡは、興奮の高まりとともに、感情を素直に出せる心的状態にあると考えられる。そして、このような心的状態は、怒りといった比較的原始的な感情状態にある場合が多い。一方、被験者ＰＡがうつ病患者である場合、悲しみの情動は興奮度と最も強い相関を示し、喜びの情動は興奮度と最も弱い相関を示す。すなわち、うつ病患者である被験者ＰＡは、興奮状態にあったとしても、それに反して心底から凍り付いている心的状態にあると考えられる。

　演算部２０は、例えば、図８から図１１に示した各被験者ＰＡの興奮度と平常プラス怒り、悲しみおよび喜びの強度との相互相関係数を用いて、被験者ＰＡにおける平常プラス怒り、悲しみおよび喜びの情動の間における均衡状態を求める。すなわち、人間等の生体は、生理的状態および心的状態を、内部や外部の環境因子の変化にかかわらず、生体全体で所定状態に保とうとする性質を有するため、演算部２０は、情動間の均衡状態を求める。なお、生体全体で所定状態に保とうとする性質は、“恒常性”あるいは“ホメオスタシス”と称す。

　図１２は、被験者ＰＡにおける情動の恒常性の一例を示す。図１２（ａ）は、例えば、平常プラス怒り、悲しみおよび喜びの各情動を示す座標軸が１２０度の角度で互いに交差する座標系を示す。図１２（ａ）は、例えば、図８から図１１に示したように、演算部２０により求められた平常プラス怒り、悲しみおよび喜びの相互相関係数を被験者ＰＡの各情動の強さとして各座標方向のベクトルで表す。演算部２０は、図１２（ａ）に示した各情動のベクトルから情動間の均衡を求める。なお、平常プラス怒り、悲しみおよび喜びの各情動の強さの範囲は、相互相関係数の範囲に等しく、－１から１の範囲である。

　図１２（ｂ）は、被験者ＰＡの平常プラス怒り、悲しみおよび喜びの強さが図１２（ａ）に示したベクトルの場合に、演算部２０によって求められた被験者ＰＡにおける各情動が均衡している均衡位置Ｐ１を示す。図１２（ｂ）に示すように、求められた被験者ＰＡの情動の均衡位置Ｐ１は、座標系の中心からずれている。そこで、演算部２０は、座標系の中心と被験者ＰＡの情動の均衡位置Ｐ１との距離を恒常性のずれ量として求める。演算部２０は、例えば、図１２（ｃ）に示すように、恒常性のずれ量を平常プラス怒り、悲しみおよび喜びの各座標軸における値α，β，γとして求める。このように、演算部２０は、求められた各情動の相互相関係数をベクトルの成分として用い被験者ＰＡの恒常性のずれ量を求めることで、例えば、微分や積分等を用いて恒常性のずれ量を算出する場合と比べて、演算処理を高速化することができる。

　図１３から図１６は、図２に示した演算部２０により求められた各被験者ＰＡにおける恒常性のずれ量α，β，γの時間変化の一例を示す。図１３から図１６の縦軸は各情動のずれ量を示し、図１３から図１６の横軸は時間軸として被験者ＰＡによる発話単位の順番を示す。また、一点破線は、平常プラス怒りの座標軸方向のずれ量αの時間変化を示し、点線は、悲しみの座標軸方向のずれ量βの時間変化を示し、破線は、喜びの座標軸方向のずれ量γの時間変化を示す。

　図１３は、図８に示した医師における情動の恒常性のずれ量の時間変化を示す。なお、図１３では、興奮度と各情動との相互相関係数が安定する４０発話以降におけるずれ量α，β，γの時間変化を示す。図１３に示すように、医師において、平常プラス怒りのずれ量αは、正の値で、悲しみおよび喜びのずれ量β，γより大きな値を示す。また、医師における悲しみのずれ量βは、喜びのずれ量γより小さく負の値を示す。

　図１４は、図９に示したうつ病患者における情動の恒常性のずれ量の時間変化を示す。なお、図１４は、興奮度と各情動との相互相関係数が安定する１００発話以降におけるずれ量α，β，γの時間変化を示す。図１４に示すように、うつ病患者において、悲しみのずれ量βは、正の値で、平常プラス怒りおよび喜びのずれ量α，γより大きな値を示す。また、うつ病患者における喜びのずれ量γは、平常プラス怒りのずれ量αより小さく負の値を示す。

　図１５は、図１０に示した一般人Ａにおける情動の恒常性のずれ量の時間変化を示す。なお、図１５は、興奮度と各情動との相互相関係数が安定する７０発話以降におけるずれ量α，β，γの時間変化をそれぞれ示す。図１５に示した一般人Ａでは、喜びのずれ量γは、正の値で、平常プラス怒りおよび悲しみのずれ量α，βより大きな値を示す。また、一般人Ａにおける悲しみのずれ量βは、平常プラス怒りのずれ量αより小さく負の値を示す。

　図１６は、図１１に示した一般人Ｂにおける情動の恒常性のずれ量の時間変化を示す。なお、図１６は、興奮度と各情動との相互相関係数が安定する７０発話以降におけるずれ量α，β，γの時間変化をそれぞれ示す。図１６に示した一般人Ｂでは、図１５に示した一般人Ａの場合と同様に、喜びのずれ量γは、正の値で、平常プラス怒りおよび悲しみのずれ量α，βより大きな値を示す。また、一般人Ｂにおける悲しみのずれ量βは、平常プラス怒りのずれ量αより小さく負の値を示す。

　推定部３０は、例えば、図１２から図１６に示した恒常性のずれ量に基づいて、図１２（ｂ）に示した座標中心と均衡位置Ｐ１との距離を求める。推定部３０は、ずれ量α，β，γと求めた均衡位置Ｐ１の距離とに基づいて、被験者ＰＡの病態を推定する。例えば、図１３に示した医師のように、平常プラス怒りのずれ量αが正の値で、且つ悲しみのずれ量βが負の値でずれ量α，γより小さな値を示し、均衡位置Ｐ１の距離が所定値以下の場合、推定部３０は、被験者ＰＡは健康（あるいは平常）であると推定する。しかしながら、平常プラス怒りのずれ量αが正の値で、且つ悲しみのずれ量βが負の値でずれ量α，γより小さな値を示すにもかかわらず、均衡位置Ｐ１の距離が所定値より大きい場合、推定部３０は、被験者ＰＡはそう状態にあると推定する。

　また、例えば、図１６に示した一般人Ｂのように、喜びのずれ量γが正の値で、且つ悲しみのずれ量βが負の値でずれ量α，γより小さな値を示し、均衡位置Ｐ１の距離が所定値以下の場合、推定部３０は、被験者ＰＡは健康（あるいは平常）であると推定する。しかしながら、喜びのずれ量γが正の値で、且つ悲しみのずれ量βが負の値でずれ量α，γより小さな値を示すにもかかわらず、均衡位置Ｐ１の距離が所定値より大きい場合、推定部３０は、被験者ＰＡはそう状態にあると推定する。一方、例えば、図１４に示したうつ病患者のように、悲しみのずれ量βが正の値で、且つ平常プラス怒りおよび喜びのずれ量α，γより大きい場合、推定部３０は、被験者ＰＡをうつ状態にあると推定する。

　なお、ずれ量α，β，γの大小関係および均衡位置Ｐ１の距離に対する所定値と病態との関係については、例えば、疾病及び関連保健問題の国際統計分類第１０版（ＩＣＤ－１０）等に基づいて決定されるのがよい。決定されたずれ量α，β，γの大小関係および均衡位置Ｐ１の距離に対する所定値と病態との関係は、推定装置１００の記憶装置に予め格納される。ここで、ＩＣＤは、International Statistical Classification of Diseases and Related Health Problemsの略である。また、所定値は、被験者ＰＡの個人差を考慮して調整されてもよい。

　また、推定部３０は、ずれ量α，β，γおよび均衡位置Ｐ１の距離とともに、座標中心に対する均衡位置Ｐ１が偏った向き等を考慮して、被験者ＰＡの病態を詳細に判定してもよい。また、推定部３０は、ずれ量α，β，γに基づいて、被験者ＰＡの病態を推定してもよい。あるいは、推定部３０は、例えば、被験者ＰＡにおける恒常性のずれ量α，β，γが示す偏りの固定化あるいは変化の速さに基づいて、被験者ＰＡの病態を推定してもよい。

　また、推定部３０は、２週間等の長期間に亘って演算部２０により算出されたずれ量α，β，γを用いて被験者ＰＡの病態を推定してもよい。長期間に亘るずれ量のデータを用いることで、推定部３０は、被験者ＰＡの病態を確度高く推定することができる。

　図１７は、図２に示した推定装置１００による推定処理の一例を示す。ステップＳ１０からステップＳ４０は、推定装置１００に搭載されるＣＰＵが推定プログラムを実行することにより実行される。すなわち、図１７は、プログラムおよび推定方法の別の実施形態を示す。この場合、図２に示した抽出部１０、演算部２０および推定部３０は、プログラムの実行により実現される。なお、図１７に示した処理は、推定装置１００に搭載されるハードウェアにより実現されてもよい。この場合、図２に示した抽出部１０、演算部２０および推定部３０は、推定装置１００内に配置される回路により実現される。

　ステップＳ１０では、抽出部１０は、図２から図７で説明したように、計測装置１により計測された被験者ＰＡの生理を示す情報に基づいて、被験者ＰＡの生理の状態を示す第１情報と、情動および器官の活動の少なくとも一方を示す第２情報とを抽出する。

　ステップＳ２０では、演算部２０は、図４から図１１で説明したように、抽出された第１情報と第２情報との時間変化に対して相互相関処理を実行し、類似の度合いを示す相互相関係数を算出する。

　ステップＳ３０では、演算部２０は、図１２から図１６で説明したように、求めた相互相関係数に基づいて、被験者ＰＡにおける恒常性のずれ量を求める。

　ステップＳ４０では、推定部３０は、図１２から図１６で説明したように、演算部２０により求められた被験者ＰＡにおける恒常性のずれ量に基づいて、被験者ＰＡの病態を推定する。

　そして、推定装置１００による推定処理は終了する。図１７に示したフローは、医者あるいは被験者ＰＡからの指示を受ける度に繰り返し実行されてもよく、所定の頻度で実行されてもよい。そして、推定装置１００は、推定結果を出力装置２に出力する。出力装置２は、推定された病態の結果とともに、恒常性のずれ量を表示する。また、出力装置２は、恒常性のずれ量の大きさ、すなわち推定された病態における症状の度合いまたは被験者ＰＡにおける健康を示す度合いを、色あるいはアニメーションの人物や動物等の表情で表しディスプレイに表示してもよい。また、出力装置２は、恒常性のずれ量の大きさに応じて、推定された病態に対する処置方法等の助言を表示してもよい。

　以上、図２から図１７に示した実施形態では、被験者ＰＡの生理の状態を示す第１情報と被験者ＰＡの情動および器官の活動の少なくとも一方を示す第２情報とを用い、被験者ＰＡにおける恒常性のずれ量を算出する。これにより、推定装置１００は、恒常性のずれ量という指標を参照することで、医学の専門的な知識を有することなく、被験者ＰＡの病態を容易に推定することができる。

　なお、演算部２０は、図３に示した発話の基本周波数と情動との関係を示す判断木の代わりに、例えば、心拍数および鼓動変動と情動との関係を示す判断木を用い、被験者ＰＡにおける平常、悲しみ、怒りおよび喜びの情動の強度を求めてもよい。

　図１８は、被験者ＰＡの心拍数および心拍変動と被験者ＰＡの情動との判断木の一例を示す。なお、ＲＲＶ（R-R Variance）は、心電図におけるＲ波とＲ波との間隔の分散を示す。図１８に示すように、例えば、平常の情動は、心拍数が８０ｂｐｓ未満、且つＲＲＶが１００以上の場合と定義される。また、悲しみの情動は、心拍数が８０ｂｐｓ未満、且つＲＲＶが１００未満の場合と定義される。怒りの情動は、心拍数が８０ｂｐｓ以上、且つ心拍変動の低周波成分ＬＦのパワーが８０以上の場合と定義される。喜びの情動は、心拍数が８０ｂｐｓ以上、且つ低周波成分ＬＦのパワーが８０未満の場合と定義される。

　また、演算部２０は、図１２（ｃ）に示したように被験者ＰＡにおける恒常性のずれ量α，β，γを求めたが、例えば、図１９に示すようにずれ量α，β，γを求めてもよい。

　図１９は、被験者ＰＡにおける情動の恒常性の別例を示す。図１９に示した係数ｈは、座標系の中心から均衡位置Ｐ１に向かうベクトルＶ１において、喜びの座標軸方向のずれ量γと悲しみの座標軸方向のずれ量βとのどちらが大きいかを示す指標である。すなわち、係数ｈは、喜びのずれ量γが悲しみのずれ量βより大きい場合に正の値を示し、悲しみのずれ量βが喜びのずれ量γより大きい場合に負の値を示す。また、喜びのずれ量γと悲しみのずれ量βとが拮抗している場合、係数ｈは０になる。

　演算部２０は、例えば、係数ｈを求めるために、ベクトルＶ１と喜びの座標軸となす角度θを求める。なお、角度θは、喜びのずれ量γが悲しみのずれ量βより大きい場合、０度（すなわちベクトルＶ１の向きが喜びの座標軸方向）に近い小さな値を示す。一方、悲しみのずれ量βが喜びのずれ量γより大きい場合、角度θは、ベクトルＶ１の向きが悲しみの座標軸方向に近い大きな値を示す。図１９に示すように、演算部２０は、均衡位置Ｐ１が喜び－悲しみ（反時計回り）の間の領域（以下、領域Ａ）にある場合と、喜び－悲しみ（時計回り）の間の領域（以下、領域Ｂ）にある場合とに応じて、求めた角度θおよびベクトルＶ１の長さＬを用い係数ｈを求める。そして、演算部２０は、求めた係数ｈをベクトルＶ１の喜びのずれ量γとし、マイナスの係数ｈを悲しみのずれ量βとする。すなわち、β＋γ＝０となる。

　また、図１９（ａ）に示した領域Ａの場合、係数ｈが０（すなわち角度θがπ／３）に近い値の場合、ベクトルＶ１の向きは、平常プラス怒りの座標軸の負の方向となる。すなわち、喜びのずれ量γと悲しみのずれ量βとは、互いに拮抗し平常プラス怒りのずれ量αよりも大きなずれ量を示す。換言すれば、平常プラス怒りのずれ量αは、喜びのずれ量γと悲しみのずれ量βと比べて小さなずれ量を示す。そこで、演算部２０は、ベクトルＶ１が領域Ａにある場合、｜ｈ｜－Ｌを平常プラス怒りのずれ量αとして求める。一方、図１９（ｂ）に示した領域Ｂの場合、係数ｈが０（すなわち角度θが２π／３）に近い値の場合、ベクトルＶ１の向きは、平常プラス怒りの座標軸の正の方向となる。すなわち、喜びのずれ量γと悲しみのずれ量βとは、互いに拮抗するが平常プラス怒りのずれ量αよりも小さなずれ量を示す。換言すれば、平常プラス怒りのずれ量αは、喜びのずれ量γと悲しみのずれ量βと比べて大きなずれ量を示す。そこで、演算部２０は、ベクトルＶ１が領域Ｂにある場合、Ｌ－｜ｈ｜を平常プラス怒りのずれ量αとして求める。これにより、演算部２０は、均衡位置Ｐ１が正の平常プラス怒りの軸付近にある場合、正のずれ量αを算出でき、均衡位置Ｐ１が負の平常プラス怒りの軸付近にある場合、負のずれ量αを算出できる。

　例えば、推定部３０は、図１９に示したずれ量α，β，γを用い、悲しみのずれ量βが０より大きな正の値で、平常プラス怒りおよび喜びのずれ量α，γが０に近い小さな値の場合、被験者ＰＡはうつ状態にあると推定する。また、推定部３０は、喜びのずれ量γが０より大きな正の値で、平常プラス怒りおよび悲しみのずれ量α，βの値が０に近い値の場合、被験者ＰＡはそう状態にあると推定する。また、推定部３０は、平常プラス怒り成分のずれ量αが０より小さい（－１に近い）値で、悲しみと喜びとのずれ量β，γが同じ値で拮抗している場合、被験者ＰＡはそううつ状態にあると推定する。

　図２０は、推定装置および推定処理の別の実施形態を示す。図２で説明した要素と同一または同様の機能を有する要素については、同一または同様の符号を付し、これらについては、詳細な説明を省略する。

　図２０に示した推定装置１００ａは、ＣＰＵ等の演算処理装置と、ハードディスク装置等の記憶装置とを有するコンピュータ装置等である。推定装置１００ａは、推定装置１００ａに含まれるインタフェース部を介して、有線または無線で計測装置１ａおよび出力装置２に接続される。これにより、推定装置１００ａと、計測装置１ａと、出力装置２とは、推定システムＳＹＳとして動作する。

　計測装置１ａは、例えば、マイクロホン、心拍計、心電計、血圧計、体温計、皮膚抵抗計、あるいはカメラ、ＭＲＩ（Magnetic Resonance Imaging）装置等の複数の機器を含み、被験者ＰＡの生理を示す情報を計測する。計測装置１ａは、計測した被験者ＰＡの生理を示す情報を推定装置１００ａに出力する。なお、計測装置１ａは、加速度センサあるいは電子ジャイロ等を有してもよい。

　計測装置１ａにより計測される被験者ＰＡの生理を示す情報は、音声信号とともに、例えば、心拍（脈拍）数、心拍変動、血圧、体温、発汗量（皮膚抵抗，皮膚電位）、眼球の運動、瞳孔径、まばたき数を有する。さらに、計測される生理情報は、例えば、吐息、ホルモン、生体分子等の体内分泌物、脳波、ｆＭＲＩ（functional MRI）情報等を有する。

　また、推定装置１００ａは、抽出部１０ａ、演算部２０ａ、推定部３０ａ、試験部４０および記憶部５０を有する。抽出部１０ａ、演算部２０ａ、推定部３０ａおよび試験部４０の機能は、ＣＰＵが実行するプログラムにより実現されてもよく、ハードウェアにより実現されてもよい。

　抽出部１０ａは、図２に示した抽出部１０と同一または同様に、計測装置１ａにより計測された被験者ＰＡの生理を示す情報から、被験者ＰＡの生理の状態を示す第１情報を抽出する。また、抽出部１０ａは、図２に示した抽出部１０と同一または同様に、計測装置１ａにより計測された被験者ＰＡの生理を示す情報から、被験者ＰＡにおける情動および被験者ＰＡの心臓や腸等の器官の活動の少なくとも一方を示す第２情報を抽出する。

　抽出部１０ａは、例えば、計測装置１ａに含まれる心拍計等により計測された心拍（脈拍）数を被験者ＰＡにおける情動や器官の活動を示す第２情報として抽出する。なお、興奮や緊張により体内のアドレナリン分泌量が増すことによって心臓の拍動が増加し、心拍（脈拍）数は、増加するという性質を有する。

　また、抽出部１０ａは、例えば、計測装置１ａに含まれる心電計を用いて計測された被験者ＰＡの心電波形にＦＦＴ等の周波数解析を実行し、被験者ＰＡの心拍変動を取得する。そして、抽出部１０ａは、取得した心拍変動の低周波成分ＬＦ（例えば０．０４から０．１４ヘルツ）と高周波成分ＨＦ（例えば０．１４から０．５ヘルツ）との量を比較し、被験者ＰＡの興奮や緊張のレベルを被験者ＰＡの生理状態を示す第１情報として抽出する。なお、心拍変動の低周波成分ＬＦは、主に交感神経の活動に伴って増え、高周波成分ＨＦは、副交感神経の活動に伴って増えるという性質を有する。

　また、抽出部１０ａは、例えば、計測装置１ａに含まれる血圧計を用いて計測された血圧の値を、被験者ＰＡの情動や臓器の活動を示す第２情報として抽出する。なお、血圧は、興奮や緊張に伴って血管が収縮すると、血流抵抗が増して血圧が増加するという性質を有する。

　また、抽出部１０ａは、例えば、計測装置１ａに含まれる体温計等を用いて計測された体温の値を被験者ＰＡの情動や器官の活動を示す第２情報として抽出する。なお、体温は、興奮や緊張によって心拍増加、血糖値上昇、筋肉の緊張等が生じ、体内で熱が生成されて体温が上昇するという性質を有する。

　また、抽出部１０ａは、例えば、計測装置１ａに含まれる皮膚抵抗計等を用いて計測された発汗量（皮膚抵抗，皮膚電位）の値を被験者ＰＡにおける情動や臓器の活動を示す第２情報として抽出する。なお、発汗量（皮膚抵抗，皮膚電位）は、興奮や緊張によって発汗が促進され、皮膚抵抗が下がるという性質を有する。

　また、抽出部１０ａは、例えば、計測装置１ａの眼電位計やカメラ等を用いて計測された眼球の運動、瞳孔径およびまばたきの回数を被験者ＰＡにおける情動や臓器の活動を示す第２情報として抽出する。抽出部１０ａは、例えば、カメラ等で撮影された画像に対し顔認識の処理を実行し、認識された表情および表情の時間変化を被験者ＰＡにおける情動や臓器の活動を示す第２情報として抽出してもよい。なお、眼球の運動は、興奮や緊張により眼球の運動が激しくなり、瞳孔径は、興奮や緊張により瞳孔が拡大し、まばたき数は、興奮や緊張によりまばたきの回数が増えるという性質を有する。

　また、抽出部１０ａは、例えば、計測装置１ａに含まれる呼吸計（呼吸流量計）、肺活量計あるいはマイクロホン等により呼吸量や呼吸音から計測された吐息の回数、速度、排気量等を被験者ＰＡにおける情動や臓器の活動を示す第２情報として抽出する。なお、吐息は、興奮や緊張により、吐息の回数、速度、排気量が上昇するという性質を有する。

　また、抽出部１０ａは、例えば、計測装置１ａに含まれる分析装置を用いて計測されたホルモン、生体分子等の体内分泌物それぞれを被験者ＰＡにおける情動や臓器の活動を示す第２情報として抽出する。なお、ホルモン、生体分子等の体内分泌物は、計測装置１ａの分析装置が、被験者ＰＡから採取した唾液、血液、リンパ液、汗、消化液、または尿等を化学分析することで計測される。あるいは、体内分泌物は、被験者ＰＡにおける末梢血管、消化系、筋電位、皮膚温度、血流量、または免疫系等から計測装置１ａにより計測されてもよい。なお、体内分泌物は、興奮や緊張により、体内におけるホルモンや生体分子の分泌量または質が変化するという性質を有する。

　また、抽出部１０ａは、例えば、計測装置１ａに含まれる光学式、磁気式あるいは電位式等の脳活動計を用いて計測された脳波の時間に対する変化量等を、被験者ＰＡにおける興奮や緊張を示す第１情報として抽出する。なお、脳波は、興奮や緊張により波形が変化するという性質を有する。

　また、抽出部１０ａは、例えば、計測装置１ａに含まれるＭＲＩ装置により計測されたｆＭＲＩ情報に含まれる脳内の各活動部位における血流量や酸化ヘモグロビンの分布を、被験者ＰＡにおける情動や臓器の活動を示す第２情報として抽出する。なお、計測されたｆＭＲＩ情報は、興奮や緊張により脳内の活動部位が変化するという性質を有する。例えば、情動に関する興奮や緊張は、辺縁系（扁桃体）、視床下部、小脳、脳幹、または海馬等に血流量の変化となって現れる。このような血流量の変化は、酸化ヘモグロビンの脳内分布を変化させる。

　なお、抽出部１０ａは、計測装置１ａが加速度センサあるいは電子ジャイロ等を有する場合、被験者ＰＡの動きを、被験者ＰＡにおける情動や臓器の活動を示す第２情報として抽出してもよい。

　演算部２０ａは、抽出部１０ａにより抽出された第１情報と第２情報との時間変化の類似の度合いを算出する。例えば、演算部２０ａは、抽出された第１情報と第２情報との時間変化の相互相関処理を実行し、相互相関係数を類似の度合いとして算出する。演算部２０ａは、算出した被験者ＰＡの情動および器官の活動における複数の類似の度合いを用い、被験者ＰＡにおける恒常性のずれ量を求める。演算部２０ａの動作および恒常性については、図２１で説明する。

　試験部４０は、演算部２０ａにより算出された恒常性のずれ量から被験者ＰＡの情動および器官の活動に作用するエネルギーを算出する。試験部４０は、算出したエネルギーを被験者ＰＡの生体を表す計算モデルに入力し、被験者ＰＡにおける恒常性をシミュレーションする。計算モデルおよび試験部４０の動作については、図２２および図２３で説明する。

　記憶部５０は、ハードディスク装置およびメモリ等である。記憶部５０は、ＣＰＵが実行するプログラムを格納する。また、記憶部５０は、試験部４０によるシミュレーションの結果を示すデータ６０を格納する。データ６０については、図２３で説明する。

　なお、推定処理を実行するプログラムは、例えば、ＣＤ（Compact Disc）あるいはＤＶＤ（Digital Versatile Disc）等のリムーバブルディスクに記録して頒布することができる。また、推定装置１００ａは、推定処理を実行するためのプログラムを、推定装置１００ａに含まれるネットワークインタフェースを介してネットワークからダウンロードし、記憶部５０に格納してもよい。

　推定部３０ａは、試験部４０によりシミュレーションされた恒常性の変化のパターンから被験者ＰＡの病態を推定する。推定部３０ａの動作については、図２２および図２３で説明する。

　図２１は、被験者ＰＡにおける恒常性の連鎖の例を模式的に示す。図２１では、例えば、被験者ＰＡの生体全体における恒常性の均衡を円形の図形の回転で表し、循環系２００とする。循環系２００は、例えば、被験者ＰＡを形成する物質や器官等の複数の循環系Ｋ（Ｋ１－Ｋ１０）をさらに有する。図２１では、互いに連鎖して恒常性の均衡を保つ循環系２００より小さな円形の回転で循環系Ｋ１－Ｋ１０を表す。例えば、循環系Ｋ１は、声帯を介して、被験者ＰＡにより発話された音声信号に基づいた被験者ＰＡの情動の恒常性を示す。循環系Ｋ２は、例えば、心拍数や心拍変動等に基づいた被験者ＰＡにおける心臓の恒常性を示す。循環系Ｋ３は、例えば、胃、小腸や大腸等の被験者ＰＡにおける消化器系の恒常性を示す。循環系Ｋ４は、例えば、被験者ＰＡを病気等から保護する免疫系の恒常性を示す。循環系Ｋ５は、例えば、被験者ＰＡの生体に含まれる器官の働きを調節する情報の伝達を行うホルモンの恒常性を示す。

　また、循環系Ｋ６は、例えば、被験者ＰＡの遺伝子が生成する複数種類のタンパク質等の生体分子の恒常性を示す。循環系Ｋ７は、例えば、被験者ＰＡの遺伝子の恒常性を示す。循環系Ｋ８は、例えば、被験者ＰＡを形成する細胞の活動の恒常性を示す。循環系Ｋ９は、例えば、情動と密接な関係のある脳のうち、扁桃体等を含む被験者ＰＡの大脳辺縁系における活動の恒常性を示す。循環系Ｋ１０は、例えば、シナプスで情報伝達を介在する神経伝達物質の恒常性を示す。

　なお、循環系２００は、循環系Ｋ１－Ｋ１０の１０個を有するとしたが、これに限定されず、１０以外の複数の循環系を含んでもよい。また、各循環系Ｋは、さらに複数の循環系を有してもよい。例えば、声帯の循環系Ｋ１は、被験者ＰＡにおける怒り、平常、悲しみ、喜び等の情動を示す複数の循環系を有してもよい。また、心臓の循環系Ｋ２は、例えば、被験者ＰＡにおける心拍数や心拍変動等を示す複数の循環系を有してもよい。

　例えば、演算部２０ａは、算出した被験者ＰＡの情動および器官の活動における複数の類似の度合いを用い、例えば、図１２で説明したように、被験者ＰＡにおける各循環系Ｋにおける恒常性のずれ量を求める。演算部２０ａは、例えば、図２に示した演算部２０と同様に、被験者ＰＡの音声信号に基づいて、被験者ＰＡにおける情動の恒常性のずれ量を算出する。また、演算部２０ａは、例えば、心電計で計測された心拍変動の低周波成分ＬＦと高周波成分ＨＦとの比から求まる興奮度あるいは緊張度と、心拍数および血圧等との時間変化に対して相互相関処理を実行する。そして、演算部２０ａは、例えば、興奮度あるいは緊張度と、心拍数および血圧等それぞれとの時間変化の相互相関係数から、被験者ＰＡにおける心臓の恒常性のずれ量を算出する。

　なお、演算部２０ａは、全ての循環系Ｋ１－Ｋ１０における恒常性のずれ量を算出したが、一部の循環系Ｋにおける恒常性のずれ量を算出してもよい。

　図２２は、図２０に示した試験部４０が被験者ＰＡにおける恒常性のシミュレーションに用いる循環系２００の計算モデルの一例を示す。図２２に示した循環系２００の計算モデルは、例えば、図２１に示した循環系２００に含まれる循環系Ｋ１－Ｋ１０がシャフトＳＨ（ＳＨ１－ＳＨ１０）で表され、コンピュータ装置等の仮想空間上に構築される。シャフトＳＨ１－ＳＨ１０それぞれの長さ、ピッチ幅およびねじ山の向き等は、被験者ＰＡの生体の特性に基づいて決定される。そして、シャフトＳＨ１－ＳＨ１０は、接合部Ｂ１でシャフト間の軸の中心が一致するように連結され、循環系２００を形成する。また、循環系Ｋ１－Ｋ１０のシャフトＳＨ１－ＳＨ１０それぞれに、ナットＮＴ１－ＮＴ１０が配置される。試験部４０は、例えば、シャフトＳＨを回転させることで循環系２００における恒常性をシミュレーションし、循環系Ｋ１－Ｋ１０それぞれにおける恒常性の状態をナットＮＴ１－ＮＴ１０の位置の変化から検出する。

　なお、声帯の循環系Ｋ１のシャフトＳＨ１の長さ、ピッチ幅およびねじ山の向き等は、例えば、被験者ＰＡによる発話の音声信号が示す周波数分布、抑揚やピッチ周波数等の周波数特性に基づいて決定される。また、心臓の循環系Ｋ２のシャフトＳＨ２の長さ、ピッチ幅およびねじ山の向き等は、例えば、被験者ＰＡの心臓の鼓動の時間間隔や心拍変動の周波数分布等の特性に基づいて決定される。消化器系の循環系Ｋ３のシャフトＳＨ３の長さ、ピッチ幅およびねじ山の向き等は、例えば、被験者ＰＡの小腸や大腸等の長さ、あるいは蠕動運動に伴う収縮波の移動速度等の特性に基づいて決定される。免疫系の循環系Ｋ４の長さ、ピッチ幅およびねじ山の向き等は、例えば、被験者ＰＡの血液中の好中球、好酸球、好塩基球、リンパ球、単球等を含む白血球数の特性に基づいて決定される。ホルモンの循環系Ｋ５の長さ、ピッチ幅およびねじ山の向き等は、例えば、被験者ＰＡの各器官で合成または分泌されるホルモンの量や、血液等の体液により体内をホルモンが循環する速度等の特性に基づいて決定される。

　また、生体分子の循環系Ｋ６の長さ、ピッチ幅およびねじ山の向き等は、例えば、被験者ＰＡにより摂取された食物等に含まれる核酸、タンパク質、多糖、それらの構成要素であるアミノ酸や各種の糖、ならびに脂質やビタミン等の摂取量に基づいて決定される。遺伝子の循環系Ｋ７の長さ、ピッチ幅およびねじ山の向き等は、例えば、被験者ＰＡが有する遺伝子の分裂の頻度や遺伝子の長さ等の特性に基づいて決定される。また、細胞の循環系Ｋ８の長さ、ピッチ幅およびねじ山の向き等は、例えば、被験者ＰＡの細胞に含まれる糖質、脂質、タンパク質（アミノ酸）、核酸等の量や、細胞の寿命等の特性に基づいて決定される。脳の循環系Ｋ９の長さ、ピッチ幅およびねじ山の向き等は、被験者ＰＡの脳のうち、例えば、扁桃体等を含む脳活動の時間変動や周波数分布等の特性に基づいて決定される。神経伝達物質の循環系Ｋ１０の長さ、ピッチ幅およびねじ山の向き等は、例えば、被験者ＰＡのシナプスで情報伝達を介在するアミノ酸、ペプチド類、モノアミン類等の分泌量や特性反応速度等に基づいて決定される。

　設定されたシャフトＳＨ１－ＳＨ１０それぞれの長さ、ピッチ幅およびねじ山の向き等を示す情報は、予め被験者ＰＡごとに記憶部５０に格納される。また、例えば、試験部４０は、推定装置１００ａに含まれるキーボードやタッチパネル等の入力装置を介して、被験者ＰＡのシャフトＳＨ１－ＳＨ１０それぞれの長さ、ピッチ幅およびねじ山の向き等を示す情報を受けてもよい。

　試験部４０は、演算部２０ａにより算出された循環系Ｋ１－Ｋ１０それぞれにおける恒常性のずれ量から被験者ＰＡの情動および器官の活動に作用するエネルギーを算出する。例えば、図１２（ｂ）に示したように、図２に示した演算部２０と同様に、演算部２０ａにより算出された被験者ＰＡにおける情動の均衡位置Ｐ１が座標系の中心と異なる場合、被験者ＰＡの情動、すなわち循環系Ｋ１の恒常性が所定状態から変位しずれたことを示す。恒常性のずれは、例えば、ストレスという形態で被験者ＰＡに現れ、被験者ＰＡの循環系Ｋ１だけでなく、心臓あるいは消化器系等の他の循環系Ｋ２－Ｋ１０に対しても影響を与える。そこで、試験部４０は、例えば、演算部２０ａにより循環系Ｋ１－Ｋ１０それぞれにおいて算出された恒常性のずれ量から、ストレス等の被験者ＰＡの情動および器官の活動に作用するエネルギーとして算出する。例えば、試験部４０は、式（１）を用い、声帯の循環系Ｋ１において、演算部２０ａにより算出された情動の恒常性のずれ量α，β，γからエネルギーＥ（Ｋ１）を算出する。
Ｅ（Ｋ１）＝ｓｑｒｔ（α×α＋β×β＋γ×γ）　・・・（１）
　なお、試験部４０は、式（１）に示すように、情動の恒常性のずれ量α，β，γから声帯の循環系Ｋ１において生成されるエネルギーＥ（Ｋ１）を算出したが、情動の恒常性のずれ量α，β，γを変数とする関数Ｆ（α，β，γ）を用い、エネルギーＥ（Ｋ１）を算出してもよい。

　試験部４０は、循環系Ｋ２－Ｋ１０それぞれについても、演算部２０ａにより算出された各循環系Ｋにおける恒常性のずれ量から、ストレス、運動等により消費された熱量、あるいは摂取した食物等をエネルギーＥ（Ｋ２）－Ｅ（Ｋ１０）としてそれぞれ算出する。試験部４０は、循環系Ｋ１－Ｋ１０それぞれにおいて算出したエネルギーを、式（２）を用いて合計する。
ＴＥ＝Ｅ（Ｋ１）＋Ｅ（Ｋ２）＋Ｅ（Ｋ３）＋Ｅ（Ｋ４）＋Ｅ（Ｋ５）＋Ｅ（Ｋ６）＋Ｅ（Ｋ７）＋Ｅ（Ｋ８）＋Ｅ（Ｋ９）＋Ｅ（Ｋ１０）　・・・（２）
ここで、Ｅ（Ｋ２），Ｅ（Ｋ３），Ｅ（Ｋ４），Ｅ（Ｋ５），Ｅ（Ｋ６），Ｅ（Ｋ７），Ｅ（Ｋ８），Ｅ（Ｋ９），Ｅ（Ｋ１０）は、循環系Ｋ２－Ｋ１０において生成されたエネルギーを示す。ＴＥは、合計したエネルギーを示す。なお、試験部４０は、循環系Ｋ１－Ｋ１０それぞれで生成されたエネルギーＥ（Ｋ１）－Ｅ（Ｋ１０）を合計してエネルギーＴＥを求めたが、エネルギーＥ（Ｋ１）－Ｅ（Ｋ１０）を重み付け加算してエネルギーＴＥを求めてもよい。あるいは、試験部４０は、エネルギーＥ（Ｋ１）－Ｅ（Ｋ１０）を乗算してエネルギーＴＥを求めてもよい。

　試験部４０は、算出したエネルギーＴＥを循環系２００に入力し、エネルギーＴＥの大きさに応じた回転速度でシャフトＳＨを回転させる。また、試験部４０は、例えば、エネルギーＴＥが正の値の場合、シャフトＳＨを時計回りに回転させ、エネルギーＴＥが負の値の場合、シャフトＳＨを反時計回りに回転させる。なお、入力されるエネルギーＴＥは、各ナットＮＴ１－ＮＴ１０がシャフトＳＨの回転に応じて変位する変位量Ｌ１－Ｌ１０が各シャフトＳＨ１－ＳＨ１０の長さの範囲内に収まるように、試験部４０により制御される。

　また、エネルギーＴＥが正または負の値になるのは、例えば、シャフトＳＨ１－ＳＨ１０それぞれのねじ山の向きに応じ、シャフトＳＨを時計回りまたは反時計回りに回転させるエネルギーが循環系Ｋ１－Ｋ１０で生成されるためである。すなわち、例えば、ねじ山の向きにより時計回りにシャフトＳＨが回転する循環系Ｋでは、正のエネルギーが生成され、反時計回りにシャフトＳＨが回転する循環系Ｋでは、負のエネルギーが生成される。なお、試験部４０は、例えば、エネルギーＴＥが負の値の場合、シャフトＳＨ１－ＳＨ１０全体を時計回りに回転させ、エネルギーＴＥが正の値の場合、シャフトＳＨ１－ＳＨ１０全体を反時計回りに回転させてもよい。

　試験部４０は、エネルギーＴＥによりシャフトＳＨ１－ＳＨ１０を回転させることで、ナットＮＴ１－ＮＴ１０の位置を変位させる。試験部４０は、シャフトＳＨ１－ＳＨ１０それぞれの中心Ｃ１－Ｃ１０からのナットＮＴ１－ＮＴ１０それぞれの変位量Ｌ１－Ｌ１０を、循環系Ｋ１－Ｋ１０それぞれの恒常性の変化（あるいは恒常性のずれ量）として検出する。試験部４０は、例えば、検出した変位量Ｌ１－Ｌ１０を記憶部５０にデータ６０として格納する。また、試験部４０は、ナットＮＴ１－ＮＴ１０それぞれがシャフトＳＨ１－ＳＨ１０それぞれの軸方向に移動する速度を変位量Ｌ１－Ｌ１０から検出する。試験部４０は、循環系Ｋ１－Ｋ１０において検出した速度を新たに生成されたエネルギーＥ（Ｋ１）－Ｅ（Ｋ１０）として、循環系２００に入力する。

　なお、演算部２０ａが、循環系Ｋ１－Ｋ１０のうちの一部の循環系Ｋにおける恒常性のずれ量を算出する場合、試験部４０は、演算部２０ａにより算出された一部の循環系Ｋにおける恒常性のずれ量からエネルギーＴＥを求め、求めたエネルギーＴＥに基づいて循環系２００の恒常性をシミュレーションしてもよい。そして、試験部４０は、シミュレーションから循環系Ｋ１－Ｋ１０における全ての変位量Ｌ１－Ｌ１０を検出してもよい。試験部４０が、全ての循環系Ｋの変位量Ｌをシミュレーションから検出するため、推定装置１００ａは、演算部２０ａにより算出された循環系Ｋにおける恒常性のずれ量を用いる場合と比べて、被験者ＰＡの病態を確度高く推定することができる。

　また、試験部４０は、各循環系Ｋ１－Ｋ１０における変位量Ｌ１－Ｌ１０として、シャフトＳＨ１－ＳＨ１０それぞれの中心Ｃ１－Ｃ１０からの距離としたが、これに限定されない。例えば、変位量Ｌ１－Ｌ１０は、ナットＮＴ１－ＮＴ１０間の距離であってもよく、接合部Ｂ１からの距離であってもよい。

　図２３は、被験者ＰＡにおける各循環系Ｋ１－Ｋ１０の変位量Ｌ１－Ｌ１０のデータ６０の一例を示す。データ６０は、日付および循環系Ｋ１－Ｋ１０の格納領域をそれぞれ有する。

　日付の格納領域には、試験部４０が、例えば、循環系２００の恒常性の変化のシミュレーションを実行し、循環系Ｋ１－Ｋ１０それぞれにおける変位量Ｌ１－Ｌ１０を検出した日時（例えば２０１３年１０月２９日９時１０分０秒等）が格納される。試験部４０が変位量Ｌ１－Ｌ１０の検出を行う時間間隔は、１分、１時間、１日、１週間、１ヶ月等であり、図２３に示したデータ６０の場合には、例えば、１時間の時間間隔とする。

　循環系Ｋ１－Ｋ１０の各格納領域には、例えば、試験部４０により検出されたナットＮＴ１－ＮＴ１０それぞれの変位量Ｌ１－Ｌ１０が格納される。なお、変位量Ｌ１－Ｌ１０の単位は、センチメートルやミリメートル等である
　推定部３０ａは、記憶部５０からデータ６０の日付および循環系Ｋ１－Ｋ１０における変位量Ｌ１－Ｌ１０を読み出す。推定部３０ａは、読み出した変位量Ｌ１－Ｌ１０それぞれの時間変化のパターンから被験者ＰＡの病態を推定する。例えば、記憶部５０には、被験者ＰＡが健康である場合に循環系Ｋ１－Ｋ１０それぞれが示す変位量Ｌ１－Ｌ１０それぞれの典型的な時間変化のパターンのデータを予め格納される。そして、推定部３０ａは、試験部４０により検出された変位量Ｌ１－Ｌ１０の時間変化と、被験者ＰＡが健康である場合の変位量Ｌ１－Ｌ１０の典型的な時間変化とを比較し、比較の結果から被験者ＰＡの病態を推定する。例えば、推定部３０ａは、試験部４０により検出された変位量Ｌ１－Ｌ１０の時間変化と、被験者ＰＡが健康である場合の変位量Ｌ１－Ｌ１０の典型的な時間変化とのパターンの差分を求め、求めた差分と各病態を示す所定の閾値とを比較する。すなわち、例えば、心臓の循環系Ｋ２の場合、推定部３０ａは、試験部４０により検出された変位量Ｌ２の時間変化と被験者ＰＡが健康である場合の変位量Ｌ２の典型的な時間変化との差分を求める。推定部３０ａは、予め設定された心筋梗塞あるいは狭心症等の心臓病を示す所定の閾値と求めた差分とを比較し、被験者ＰＡが心筋梗塞あるいは狭心症等の心臓病を患っているか否かを推定する。

　図２４は、図２０に示した推定装置１００ａによる推定処理の一例を示す。ステップＳ１００からステップＳ１６０は、推定装置１００ａに搭載されるＣＰＵが推定プログラムを実行することにより実現される。すなわち、図２４は、推定プログラムおよび推定方法の別の実施形態を示す。この場合、図２０に示した抽出部１０ａ、演算部２０ａ、推定部３０ａおよび試験部４０は、推定プログラムの実行により実現される。なお、図２４に示した処理は、推定装置１００ａに搭載されるハードウェアにより実現されてもよい。この場合、図２０に示した演算部１０ａ、演算部２０ａ、推定部３０ａおよび試験部４０は、推定装置１００ａ内に配置される回路により実現される。

　ステップＳ１００では、抽出部１０ａは、図２０で説明したように、計測装置１ａにより計測された被験者ＰＡの生理を示す情報に基づいて、被験者ＰＡの生理の状態を示す第１情報と、情動および器官の活動の状態を示す第２情報とを抽出する。

　ステップＳ１１０では、演算部２０ａは、図２１で説明したように、抽出された第１情報と第２情報との時間変化に対して相互相関処理を実行し、類似の度合いを示す相互相関係数を算出する。

　ステップＳ１２０では、演算部２０ａは、図１２および図２１で説明したように、求めた相互相関係数に基づいて、被験者ＰＡの循環系Ｋ１－Ｋ１０それぞれにおける恒常性のずれ量を求める。

　ステップＳ１３０では、試験部４０は、図２２で説明したように、演算部２０ａにより算出された循環系Ｋ１－Ｋ１０それぞれにおける恒常性のずれ量からエネルギーＥ（Ｋ１）－Ｅ（Ｋ１０）を算出する。試験部４０は、式（２）を用いて、算出したエネルギーＥ（Ｋ１）－Ｅ（Ｋ１０）を合計しエネルギーＴＥを求める。

　ステップＳ１４０では、試験部４０は、図２２で説明したように、ステップＳ１３０で合計したエネルギーＴＥを循環系２００に入力し、被験者ＰＡにおける循環系２００の恒常性をシミュレーションする。

　ステップＳ１５０では、試験部４０は、図２２で説明したように、ステップＳ１４０で実行した恒常性のシミュレーションから、各循環系Ｋ１－Ｋ１０における変位量Ｌ１－Ｌ１０を検出する。試験部４０は、検出した各循環系Ｋ１－Ｋ１０における変位量Ｌ１－Ｌ１０を、データ６０として記憶部５０に格納する。

　ステップＳ１６０では、推定部３０ａは、図２３で説明したように、循環系Ｋ１－Ｋ１０における変位量Ｌ１－Ｌ１０それぞれの時間変化のパターンから被験者ＰＡの病態を推定する。例えば、推定部３０ａは、試験部４０により検出された変位量Ｌ１－Ｌ１０の時間変化のパターンと、被験者ＰＡが健康な場合の変位量Ｌ１－Ｌ１０の典型的な時間変化パターンとを比較し、比較の結果から被験者ＰＡの病態を推定する。

　そして、推定装置１００ａによる推定処理は終了する。図２４に示したフローは、医者あるいは被験者ＰＡからの指示を受ける度に繰り返し実行されてもよく、所定の頻度で実行されてもよい。そして、推定装置１００ａは、推定結果を出力装置２に出力する。出力装置２は、推定された病態の結果とともに、恒常性のずれ量を表示する。また、出力装置２は、恒常性のずれ量の大きさ、すなわち推定された病態における症状の度合いまたは被験者ＰＡにおける健康を示す度合いを、色あるいはアニメーションの人物や動物等の表情で表しディスプレイに表示してもよい。また、出力装置２は、恒常性のずれ量の大きさに応じて、推定された病態に対する処置方法等の助言を表示してもよい。

　以上、図２０から図２４に示した実施形態では、被験者ＰＡの生理の状態を示す第１情報と被験者ＰＡの情動および器官の活動を示す第２情報とを用い、被験者ＰＡにおける恒常性のずれ量を算出する。これにより、推定装置１００ａは、恒常性のずれ量という指標を参照することで、医学の専門的な知識を有することなく、被験者ＰＡの病態を容易に推定することができる。また、推定装置１００ａは、各循環系Ｋにおける恒常性のずれ量を入力エネルギーとする被験者ＰＡにおける恒常性のシミュレーションを実行する。推定装置１００ａは、実行したシミュレーションから検出された恒常性の時間変化と、被験者ＰＡが健康な場合に示す恒常性の時間変化とを比較することで、被験者ＰＡの病態を従来と比べて精度良く推定することができる。

　図２５は、推定装置の別の実施形態を示す。図２０で説明した要素と同一または同様の機能を有する要素については、同一または同様の符号を付し、これらについては、詳細な説明を省略する。例えば、推定装置１００ｂと、計測装置１ａと、出力装置２とは、推定システムＳＹＳとして動作する。

　図２５に示した推定装置１００ｂは、ＣＰＵ等の演算処理装置と、ハードディスク装置等の記憶装置とを有するコンピュータ装置等である。推定装置１００ｂは、推定装置１００ｂに含まれるインタフェース部を介して、有線または無線で計測装置１ａおよび出力装置２に接続される。これにより、推定装置１００ｂと、計測装置１ａと、出力装置２とは、推定システムＳＹＳとして動作する。

　また、推定装置１００ｂは、抽出部１０ａ、演算部２０ａ、推定部３０ｂ、試験部４０ａおよび記憶部５０ａを有する。抽出部１０ａ、演算部２０ａ、推定部３０ｂおよび試験部４０ａの機能は、ＣＰＵが実行するプログラムにより実現されてもよく、ハードウェアにより実現されてもよい。

　記憶部５０ａは、ハードディスク装置およびメモリ等である。記憶部５０ａは、ＣＰＵが実行するプログラムを格納する。また、記憶部５０ａは、試験部４０ａによるシミュレーションの結果を示すデータ６０ａ、および推定部３０ｂがデータ６０ａを用いて被験者ＰＡの病態を判定するための病態テーブル７０を格納する。データ６０ａおよび病態テーブル７０については、図２７および図２８で説明する。

　なお、推定処理を実行するプログラムは、例えば、ＣＤあるいはＤＶＤ等のリムーバブルディスクに記録して頒布することができる。また、推定装置１００ｂは、推定処理を実行するためのプログラムを、推定装置１００ｂに含まれるネットワークインタフェースを介してネットワークからダウンロードし、記憶部５０ａに格納してもよい。

　試験部４０ａは、演算部２０ａにより算出された恒常性のずれ量から被験者ＰＡの情動および器官の活動に作用するエネルギーを算出する。試験部４０ａは、算出したエネルギーを被験者ＰＡの生体を表す計算モデルに入力し、被験者ＰＡにおける恒常性をシミュレーションする。計算モデルおよび試験部４０ａの動作については、図２６で説明する。

　推定部３０ｂは、試験部４０ａによりシミュレーションされた恒常性の変化のパターンから被験者ＰＡの病態を推定する。推定部３０ｂの動作については、図２７および図２８で説明する。

　図２６は、図２５に示した試験部４０ａが被験者ＰＡにおける恒常性をシミュレーションに用いる循環系２００ａの計算モデルの一例を示す。図２６に示した循環系２００ａの計算モデルは、例えば、循環系２００ａに含まれる４つの循環系Ｋａ（Ｋａ１－Ｋａ４）を有する。循環系２００ａおよび循環系２００ａに含まれる循環系Ｋａ１－Ｋａ４は、ギアＭＧおよびギアＧａ１－Ｇａ２、Ｇｂ１－Ｇｂ２、Ｇｃ１、Ｇｄ１－Ｇｄ２で表され、コンピュータ装置等の仮想空間上に構築される。ギアＭＧは、演算部２０ａにより求められた各循環系Ｋａ１－Ｋａ４における恒常性のずれ量から算出されるエネルギーＥ（Ｋａ１）－Ｅ（Ｋａ４）に基づいて回転する。ギアＭＧが回転することで、各循環系Ｋａ１－Ｋａ４のギアＧａ１－Ｇａ２、Ｇｂ１－Ｇｂ２、Ｇｃ１、Ｇｄ１－Ｇｄ２は回転する。図２６に示すように、循環系Ｋａ１、Ｋａ２、Ｋａ４の各々は、２つのギアＧａ１－Ｇａ２、Ｇｂ１－Ｇｂ２、Ｇｄ１－Ｇｄ２を有し、循環系Ｋａ３は、１つのギアＧｃ１を有する。なお、ギアＭＧの直径および歯数、および各循環系Ｋａ１－Ｋａ４に含まれるギアの数、直径および歯数等は、被験者ＰＡの生体の特性に基づいて決定される。試験部４０ａは、例えば、ギアＭＧを回転させることで循環系２００ａにおける恒常性をシミュレーションし、循環系Ｋａ１－Ｋａ４それぞれにおける恒常性の状態をギアＧａ２、Ｇｂ２、Ｇｃ１、Ｇｄ２の回転数から検出する。

　なお、循環系Ｋａが声帯の場合には、循環系Ｋａに含まれるギアの数、直径および歯数等は、例えば、被験者ＰＡが発話する音声信号における周波数分布、抑揚やピッチ周波数等の周波数特性に基づいて決定される。また、循環系Ｋａが心臓の場合には、循環系Ｋａに含まれるギアの数、直径および歯数等は、例えば、心臓の鼓動の時間間隔や心拍変動の周波数分布等の特性に基づいて決定される。循環系Ｋａが消化器系の場合には、循環系Ｋａに含まれるギアの数、直径および歯数等は、例えば、小腸や大腸等の長さ、あるいは蠕動運動に伴う収縮波の移動速度等の特性に基づいて決定される。循環系Ｋａが免疫系の場合には、循環系Ｋａに含まれるギアの数、直径および歯数等は、例えば、被験者ＰＡの血液中の好中球、好酸球、好塩基球、リンパ球、単球等を含む白血球数の特性に基づいて決定される。

　また、循環系Ｋａがホルモンの場合には、循環系Ｋａに含まれるギアの数、直径および歯数等は、例えば、被験者ＰＡの各器官で合成または分泌されるホルモンの量や、血液等の体液により体内をホルモンが循環する速度等の特性に基づいて決定される。循環系Ｋａが生体分子の場合には、循環系Ｋａに含まれるギアの数、直径および歯数等は、例えば、被験者ＰＡが摂取する食物等に含まれる核酸、タンパク質、多糖、それらの構成要素であるアミノ酸や各種の糖、ならびに脂質やビタミン等の摂取量に基づいて決定される。循環系Ｋａが遺伝子の場合には、循環系Ｋａに含まれるギアの数、直径および歯数等は、例えば、被験者ＰＡにおける遺伝子の分裂の頻度や遺伝子の長さ等の特性に基づいて決定される。また、循環系Ｋａが細胞の場合には、循環系Ｋａに含まれるギアの数、直径および歯数等は、例えば、細胞に含まれる糖質、脂質、タンパク質（アミノ酸）、核酸等の量や、細胞の寿命等の特性に基づいて決定される。循環系Ｋａが脳の場合には、循環系Ｋａに含まれるギアの数、直径および歯数等は、被験者ＰＡの脳のうち、例えば、扁桃体等を含む脳活動の時間変動や周波数分布等の特性に基づいて決定される。循環系Ｋａが神経伝達物質の場合には、循環系Ｋａに含まれるギアの数、直径および歯数等は、例えば、シナプスで情報伝達を介在するアミノ酸、ペプチド類、モノアミン類等の分泌量や特性反応速度等に基づいて決定される。

　設定されたギアＭＧの直径および歯数、およびギアＧａ１－Ｇａ２、Ｇｂ１－Ｇｂ２、Ｇｃ１、Ｇｄ１－Ｇｄ２それぞれのギアの数、直径および歯数等を示す情報は、推定装置１００ｂの記憶部５０に、予め被験者ＰＡごとに記憶される。また、試験部４０は、例えば、推定装置１００ｂに含まれるキーボード等の入力装置を介して、ギアＭＧの直径および歯数、およびギアＧａ１－Ｇａ２、Ｇｂ１－Ｇｂ２、Ｇｃ１、Ｇｄ１－Ｇｄ２それぞれのギアの数、直径および歯数等を示す情報を受けてもよい。

　なお、循環系２００ａは、循環系Ｋａ１－Ｋａ４の４つを有するとしたが、これに限定されず、４以外の複数の循環系を含んでもよい。また、各循環系Ｋａは、さらに複数の循環系を有してもよい。例えば、循環系Ｋａが声帯の場合には、被験者ＰＡにおける怒り、平常、悲しみ、喜び等の情動を示す複数の循環系を示す複数のギアを有してもよい。また、循環系Ｋａが心臓の場合には、例えば、被験者ＰＡにおける心拍数や心拍変動等を示す複数の循環系を示す複数のギアを有してもよい。

　試験部４０ａは、図２０に示した試験部４０と同様に、式（１）および式（２）を用い、演算部２０ａにより算出された循環系Ｋａ１－Ｋａ４それぞれにおける恒常性のずれ量からエネルギーＴＥを算出する。試験部４０ａは、算出したエネルギーＴＥを循環系２００ａに入力し、エネルギーＴＥの大きさに応じた回転速度でギアＭＧを回転させる。例えば、試験部４０ａは、エネルギーＴＥが正の値の場合、ギアＭＧを時計回りに回転させ、エネルギーＴＥが負の値の場合、ギアＭＧを反時計回りに回転させる。なお、試験部４０ａは、例えば、エネルギーＴＥが正の値の場合、ギアＭＧを反時計回りに回転させ、エネルギーＴＥが負の値の場合、ギアＭＧを時計回りに回転させてもよい。

　試験部４０ａは、ギアＭＧを回転させることで循環系２００ａにおける恒常性をシミュレーションし、例えば、循環系Ｋａ１－Ｋａ４それぞれにおける恒常性の状態をギアの回転数として検出する。試験部４０ａは、検出した回転数Ｒ１－Ｒ４を記憶部５０ａに格納する。また、試験部４０ａは、各循環系Ｋａ１－Ｋａ４において検出した回転数Ｒ１－Ｒ４を新たに生成されたエネルギーＥ（Ｋａ１）－Ｅ（Ｋａ４）として、循環系２００ａに入力する。

　なお、演算部２０ａが、循環系Ｋａ１－Ｋａ４のうちの一部の循環系Ｋａにおける恒常性のずれ量を算出する場合、試験部４０ａは、演算部２０ａにより算出された一部の循環系Ｋａにおける恒常性のずれ量からエネルギーＴＥを求め、求めたエネルギーＴＥに基づいて循環系２００ａの恒常性をシミュレーションしてもよい。そして、試験部４０ａは、シミュレーションから循環系Ｋａ１－Ｋａ４における全ての回転数Ｒ１－Ｒ４を検出してもよい。試験部４０ａが、全ての循環系Ｋａの回転数Ｒをシミュレーションから検出するため、推定装置１００ｂは、演算部２０ａにより算出された循環系Ｋａにおける恒常性のずれ量を用いる場合と比べて、被験者ＰＡの病態を確度高く推定することができる。

　図２７は、被験者ＰＡにおける各循環系Ｋａ１－Ｋａ４の回転数Ｒ１－Ｒ４のデータ６０ａの一例を示す。データ６０ａは、日付および循環系Ｋａ１－Ｋａ４の格納領域をそれぞれ有する。

　日付の格納領域には、試験部４０ａが、例えば、循環系２００の恒常性の変化のシミュレーションを実行し、循環系Ｋａ１－Ｋａ４それぞれにおける回転数Ｒ１－Ｒ４を検出した日時（例えば２０１３年１０月２９日９時１０分０秒等）が格納される。試験部４０ａが回転数Ｒ１－Ｒ４の検出を行う時間間隔は、１分、１時間、１日、１週間、１ヶ月等であり、図２７に示したデータ６０ａの場合には、例えば、１分の時間間隔とする。

　循環系Ｋａ１－Ｋａ４の各格納領域には、例えば、試験部４０ａにより検出されたギアＧａ２、Ｇｂ２、Ｇｃ１、Ｇｄ２の回転数Ｒ１－Ｒ４（例えば毎分２０回転等）それぞれが格納される。

　図２８は、病態テーブル７０の一例を示す。病態テーブル７０は、病態および循環系Ｋａ１－Ｋａ４の格納領域をそれぞれ有する。

　病態の格納領域には、大うつ、うつ、平常（すなわち被験者ＰＡは健康）、そううつおよび人格障害等の病態が格納される。なお、図２８に示した病態テーブル７０では、病態として、精神疾患を示したが、心筋梗塞等の心臓疾患あるいは脳梗塞等の脳の疾患を有してもよい。

　循環系Ｋａ１－Ｋａ４の格納領域には、病態の格納領域に格納される病態の各々が推定部３０ｂにより推定されるための条件が格納される。なお、“－”が格納される格納領域は、対応する病態を推定する条件に含まれないことを示す。例えば、循環系Ｋａ１－Ｋａ４のそれぞれが怒り、平常、悲しみおよび喜びの情動を示し、怒り、平常、悲しみおよび喜び全ての情動における回転数Ｒ１－Ｒ４が０（無回転）となる場合、推定部３０ｂは、被験者ＰＡを大うつと推定する。すなわち、大うつは、怒り、平常、悲しみおよび喜び全ての情動が被験者ＰＡにおいて出現しないという恒常性が偏った状態を示す。また、循環系Ｋａ１－Ｋａ４のそれぞれが怒り、平常、悲しみおよび喜びの情動を示し、怒り、平常および喜びの情動の回転数に拘わらず、悲しみの回転数Ｒ３が閾値αより小さい場合、推定部３０ｂは、被験者ＰＡをうつと推定する。すなわち、うつは、悲しみの情動が被験者ＰＡにおいて出現の頻度が小さいという恒常性が偏った状態を示す。なお、閾値αは、予め設定され記憶部５０ａに格納される。また、閾値αは、被験者ＰＡごとに異なる値に設定されてもよい。

　また、循環系Ｋａ１－Ｋａ４それぞれが怒り、平常、悲しみおよび喜びの情動を示し、悲しみの回転数Ｒ３が閾値αと閾値β（β＞α）との間の回転数の場合、推定部３０ｂは、被験者ＰＡを平常（すなわち被験者ＰＡは健康）と推定する。すなわち、平常という病態は、悲しみの情動が他の情動とともに被験者ＰＡにおいて適度に出現し、恒常性が偏っていない状態であることを示す。なお、閾値βは、予め設定され記憶部５０ａに格納される。また、閾値βは、被験者ＰＡごとに異なる値に設定されてもよい。

　また、循環系Ｋａ１－Ｋａ４それぞれが怒り、平常、悲しみおよび喜びの情動を示し、悲しみの回転数Ｒ３が閾値βより大きい場合、推定部３０ｂは、被験者ＰＡをそううつと推定する。すなわち、そううつは、悲しみの情動が被験者ＰＡにおいて頻繁に出現し、恒常性が偏った状態であることを示す。また、推定部３０ｂにより人格障害と推定されるには、平常および悲しみの情動の回転数に拘わらず、怒りの回転数Ｒ１と喜びの回転数Ｒ４とが互いに等しい場合である。すなわち、人格障害は、怒りと喜びとの相反する情動が被験者ＰＡにおいて同時に出現する状態であることを示す。

　なお、循環系Ｋａ１－Ｋａ４それぞれは、怒り、平常、悲しみおよび喜びの情動としたが、病態がパニック障害の場合、怒り、平常、悲しみおよび喜び等の情動の循環系と、心拍等の循環系とするのがよい。

　推定部３０ｂは、記憶部５０ａからデータ６０ａおよび病態テーブル７０を読み出す。推定部３０ｂは、例えば、１日あるいは２週間等の所定期間において、病態テーブル７０に格納された各病態が示す循環系Ｋａ１－Ｋａ４それぞれの条件を満たす回転数の出現頻度を、読み出したデータ６０ａを用いて算出する。すなわち、例えば、循環系Ｋａ１－Ｋａ４が怒り、平常、悲しみおよび喜びの情動とする場合、推定部３０ｂは、所定期間において、回転数Ｒ１－Ｒ４が０（無回転）となる出現頻度を循環系Ｋａごとに算出する。また、推定部３０ｂは、所定期間において、悲しみの循環系Ｋａ３における回転数Ｒ３が、閾値αより小さい場合、閾値αと閾値βとの間の場合および閾値βより大きい場合の出現頻度をそれぞれ算出する。さらに、推定部３０ｂは、所定期間において、怒りの循環系Ｋａ１の回転数Ｒ１と喜びの循環系Ｋａ４の回転数Ｒ４とが互いに等しくなる出現頻度を算出する。所定期間における各循環系Ｋａの回転数の出現頻度は、恒常性の変化のパターンの一例である。

　推定部３０ｂは、例えば、算出した各出現頻度のうち閾値Ｔｈ以上の出現頻度を示した条件を抽出する。推定部３０ｂは、抽出した条件と病態テーブル７０とを用い、抽出した条件の組合せを満たす病態を、被験者ＰＡの病態として推定する。なお、所定期間は、ＩＣＤ－１０等の精神医療の規格に基づいて決定される。また、閾値Ｔｈは、予め設定され記憶部５０ａに格納される。また、閾値Ｔｈは、被験者ＰＡおよび病態ごとに異なる値に設定されてもよい。

　なお、推定部３０ｂは、各循環系Ｋａ１－Ｋａ４における回転数Ｒ１－Ｒ４の出現頻度を算出したが、所定期間における各循環系Ｋａ１－Ｋａ４の回転数Ｒ１－Ｒ４の平均値および偏差を算出してもよい。そして、推定部３０ｂは、算出した各循環系Ｋａ１－Ｋａ４の回転数Ｒ１－Ｒ４の平均値および偏差の時間変化と、被験者ＰＡが健康である場合の平均値および偏差の典型的な時間変化とを比較し、比較の結果から被験者ＰＡの病態を推定してもよい。

　図２９は、図２５に示した推定装置１００ｂによる推定処理の一例を示す。なお、図２９に示したステップの処理のうち、図２４に示したステップと同一または同様の処理を示すものについては、同一のステップ番号を付し、詳細な説明を省略する。ステップＳ１００からステップＳ１４０、ステップＳ１５０ａおよびステップＳ１６０ａは、推定装置１００ｂに搭載されるＣＰＵが推定プログラムを実行することにより実現される。すなわち、図２９は、推定プログラムおよび推定方法の別の実施形態を示す。この場合、図２５に示した抽出部１０ａ、演算部２０ａ、推定部３０ｂおよび試験部４０ａは、推定プログラムの実行により実現される。なお、図２９に示した処理は、推定装置１００ｂに搭載されるハードウェアにより実現されてもよい。この場合、図２５に示した抽出部１０ａ、演算部２０ａ、推定部３０ｂおよび試験部４０ａは、推定装置１００ｂ内に配置される回路により実現される。

　推定装置１００ｂは、図２９に示したステップＳ１００からステップＳ１４０の処理を実行した後、ステップＳ１５０ａの処理を実行する。

　ステップＳ１５０ａでは、試験部４０ａは、図２６で説明したように、ステップＳ１４０で実行した恒常性のシミュレーションから、各循環系Ｋａ１－Ｋａ４における回転数Ｒ１－Ｒ４を検出する。試験部４０ａは、検出した各循環系Ｋａ１－Ｋａ４における回転数Ｒ１－Ｒ４を、データ６０ａとして記憶部５０ａに格納する。

　ステップＳ１６０ａでは、推定部３０ｂは、図２７および図２８で説明したように、循環系Ｋａ１－Ｋａ４における回転数Ｒ１－Ｒ４のデータ６０ａおよび病態テーブル７０に基づいて被験者ＰＡの病態を推定する。

　そして、推定装置１００ｂによる推定処理は終了する。図２９に示したフローは、医者あるいは被験者ＰＡからの指示を受ける度に繰り返し実行されてもよく、所定の頻度で実行されてもよい。そして、推定装置１００ｂは、推定結果を出力装置２に出力する。出力装置２は、推定された病態の結果とともに、恒常性のずれ量に表示する。また、出力装置２は、恒常性のずれ量の大きさ、すなわち推定された病態における症状の度合いまたは被験者ＰＡにおける健康を示す度合いを、色あるいはアニメーションの人物や動物等の表情で表しディスプレイに表示してもよい。また、出力装置２は、恒常性のずれ量の大きさに応じて、推定された病態に対する処置方法等の助言を表示してもよい。

　以上、図２５から図２９に示した実施形態では、被験者ＰＡの生理の状態を示す第１情報と被験者ＰＡの情動および器官の活動を示す第２情報とを用い、被験者ＰＡにおける恒常性のずれ量を算出する。これにより、推定装置１００ｂは、恒常性のずれ量という指標を参照することで、医学の専門的な知識を有することなく、被験者ＰＡの病態を容易に推定することができる。また、推定装置１００ｂは、各循環系Ｋａにおける恒常性のずれ量を入力エネルギーとする被験者ＰＡにおける恒常性のシミュレーションを実行する。推定装置１００ｂは、実行したシミュレーションから検出された恒常性の変化を示す各循環系Ｋａにおける回転数の出現頻度と、被験者ＰＡが健康な場合に示す各循環系Ｋａにおける回転数の出現頻度とを比較する。そして、推定装置１００ｂは、比較した結果と病態テーブル７０とを用いることで、被験者ＰＡの病態を従来と比べて精度良く推定することができる。

　図３０は、推定装置の別の実施形態を示す。図２５で説明した要素と同一または同様の機能を有する要素については、同一または同様の符号を付し、これらについては、詳細な説明を省略する。推定装置１００ｃは、ＣＰＵ等の演算処理装置と、ハードディスク装置等の記憶装置とを有するコンピュータ装置等である。推定装置１００ｃは、推定装置１００ｃに含まれるインタフェース部を介して、有線または無線で計測装置１ａおよび出力装置２ａに接続される。これにより、推定装置１００ｃと、計測装置１ａと、出力装置２ａとは、推定システムＳＹＳとして動作する。

　出力装置２ａは、例えば、有機ＥＬや液晶等のディスプレイ、および音声を出力するスピーカを有する。出力装置２ａは、推定装置１００による被験者ＰＡの病態の推定結果を受信し、受信した推定結果を有機ＥＬ等のディスプレイに表示する。また、出力装置２ａは、推定装置１００ｃにより推定された病態に応じた助言等を音声で出力する。なお、出力装置２ａは、推定装置１００ｃの内部に設けられてもよい。

　また、推定装置１００ｃは、抽出部１０ａ、演算部２０ａ、推定部３０ｃ、試験部４０ａおよび記憶部５０ｂを有する。抽出部１０ａ、演算部２０ａ、推定部３０ｃおよび試験部４０ａの機能は、ＣＰＵが実行するプログラムにより実現されてもよく、ハードウェアにより実現されてもよい。

　記憶部５０ｂは、ハードディスク装置およびメモリ等である。記憶部５０ｂは、ＣＰＵが実行するプログラム、試験部４０ａによるシミュレーションの結果を示すデータ６０ａ、および推定部３０ｃがデータ６０ａを用いて被験者ＰＡの病態を推定するための病態テーブル７０を格納する。また、記憶部５０ｂは、推定部３０ｃにより推定された病態に基づいて被験者ＰＡに対する助言等の音声データを有する発話テーブル８０を格納する。発話テーブル８０については、図３１で説明する。

　なお、推定処理を実行するプログラムは、例えば、ＣＤあるいはＤＶＤ等のリムーバブルディスクに記録して頒布することができる。また、推定装置１００ｃは、推定処理を実行するためのプログラムを、推定装置１００ｃに含まれるネットワークインタフェースを介してネットワークからダウンロードし、記憶部５０ｂに格納してもよい。

　推定部３０ｃは、試験部４０によりシミュレーションされた恒常性の変化のパターンから被験者ＰＡの病態を推定する。また、推定部３０ｃは、推定した被験者ＰＡの病態と発話テーブル８０とに基づいて、被験者ＰＡに対する助言等の音声データを選択する。推定部３０ｃの動作については、図３１で説明する。

　図３１は、発話テーブル８０の一例を示す。発話テーブル８０は、病態および発話の格納領域をそれぞれ有する。

　病態の格納領域には、大うつ、うつ、人格障害（男性）および人格障害（女性）等の病態が格納される。なお、人格障害の場合、男性と女性とで処置が異なることから、発話テーブル８０は、男性と女性との人格障害の格納領域をそれぞれ有する。また、発話テーブル８０では、病態として、精神疾患を示したが、心筋梗塞等の心臓疾患あるいは脳梗塞等の脳の他の疾患の格納領域を有してもよい。

　発話の格納領域には、病態の格納領域に格納される病態の各々に応じて、ＩＣＤ－１０等の精神医療の規格に基づく被験者ＰＡに対する助言等の音声データが格納される。例えば、推定部３０ｃにより被験者ＰＡが大うつと推定された場合、被験者ＰＡにおけるうつの症状がかなり進行していると推定される。そこで、推定装置１００ｃが被験者ＰＡの教師あるいはトレーナとして機能させるために、「早く病院に行きなさい」等の被験者ＰＡを指導する音声データが発話の格納領域に格納される。また、推定部３０ｃにより被験者ＰＡがうつと推定された場合、被験者ＰＡが抑うつ状態にあると推定される。そこで、推定装置１００ｃが被験者ＰＡの教師あるいはトレーナとして機能させるために、例えば、「家の中ばかり居ちゃだめだよ。たまには外で散歩しようよ」等の被験者ＰＡに寄り添い被験者ＰＡの精神を鍛える音声データが発話の格納領域に格納される。すなわち、被験者ＰＡが大うつあるいはうつ等の場合、推定装置１００ｃが被験者ＰＡの教師あるいはトレーナとしての音声データが発話の格納領域に格納されることで、被験者ＰＡにおける抑うつ状態の改善および被験者ＰＡの人格の強化を図ることができる。

　また、被験者ＰＡが男性で人格障害と推定された場合、被験者ＰＡが一方的に攻撃的な状態になる傾向がある。そこで、推定装置１００ｃが被験者ＰＡのカウンセラーとして機能させるために、例えば、「自分のことばかりでなく、相手の気持ちも考えてあげなさい」等の被験者ＰＡを諭して相手に対する共感力を持たせるように指導する音声データが発話の格納領域に格納される。一方、被験者ＰＡが女性で人格障害と判定された場合、被験者ＰＡはリストカット等の自傷行為をしている可能性が高い。そこで、推定装置１００ｃが被験者ＰＡのカウンセラーとして機能させるために、例えば、「いつもがんばっているよね。だから、そのようなことは止めなさい」等の被験者ＰＡに寄り添って励ましつつ共感力を持たせるように指導する音声データが発話の格納領域に格納される。すなわち、被験者ＰＡが人格障害等の場合に、推定装置１００ｃが被験者ＰＡのカウンセラーとしての音声データが発話の格納領域に格納されることで、被験者ＰＡにおける共感力を育成および被験者ＰＡの人格の改善を図ることができる。

　なお、発話の格納領域には、音声データの代わりに、音声データが格納された記憶部５０ｂの領域を示すアドレスが格納されてもよい。

　また、発話テーブル８０の発話の格納領域に格納される音声データは、１つの病態に対してＩＣＤ－１０等の精神医療の規格に基づいた発話内容が異なる複数の音声データが格納されてもよい。例えば、抽出部１０ａは、被験者ＰＡの音声信号から音素ごとの区切りを抽出する。すなわち、「今日はいい天気ですね」の音声が入力された場合、抽出部１０ａは、「きょ／う／は／い／い／て／ん／き／で／す／ね」のように音素ごとの区切りを抽出する。さらに、抽出部１０ａは、被験者ＰＡの音声信号から単語ごとの区切りを抽出する。例えば、「今日はいい天気ですね」の音声が入力された場合、抽出部１０ａは、「きょう／は／いい／てんき／ですね」のように単語ごとの区切りを抽出する。

　そして、推定部３０ｃは、抽出部１０ａにより抽出された被験者ＰＡの音声における音素および単語の区切りを示す情報に基づいて、被験者ＰＡの音声に含まれる単語ごとの認識および構文解析を実行する。すなわち、推定部３０ｃは、被験者ＰＡの音声から「誰が」、「何を」、「いつ」、「どこで」、「なぜ」、「どうやって」の５Ｗ１Ｈを示す情報を認識し、被験者ＰＡの音声の内容を自然言語として把握する。そして、推定部３０ｃは、把握した音声の内容に基づいて、被験者ＰＡの音声から被験者ＰＡがどのような状況あるいは立場に置かれているかを判断する。そして、推定部３０ｃは、判断した状況あるいは立場に応じて推定した病態に対する助言等の複数の音声データの中から１つを選択する。これにより、推定装置１００ｃは、従来と比べて被験者ＰＡに対しきめ細かな処置が可能となる。

　また、推定部３０ｃは、被験者ＰＡの音声の内容を把握することで、コミュニケーション障害の被験者ＰＡに対して処置することができる。例えば、推定部３０ｃは、被験者ＰＡが所定の単語を発話した時の抽出部１０ａにより抽出された被験者ＰＡの情動から、被験者ＰＡがコミュニケーション障害か否かを推定する。例えば、抽出部１０ａが、被験者ＰＡが怒り等の情動を示す所定の単語を発話した時に、怒り等の情動が被験者ＰＡにおいて全く抽出されないあるいは少ししか抽出されない場合、推定部３０ｃは、被験者ＰＡが場の空気を読むことができずコミュニケーション障害と推定する。推定部３０ｃは、コミュニケーション障害と推定した場合、推定装置１００ｃが教師等として機能させるために、「空気を読みなさい」等の被験者ＰＡにコミュニケーション力を持たせるように指導する音声データが発話の格納領域から読み出す。これにより、推定装置１００ｃは、被験者ＰＡが場の空気を読みコミュニケーションを行えるように、被験者ＰＡのコミュニケーション障害に対して処置することができる。

　図３２は、図３０に示した推定装置１００ｃによる推定処理の一例を示す。なお、図３０に示したステップの処理のうち、図２９に示したステップと同一または同様の処理を示すものについては、同一のステップ番号を付し、詳細な説明を省略する。ステップＳ１００からステップＳ１４０、ステップＳ１５０ａ、ステップＳ１６０ａおよびステップＳ１７０は、推定装置１００ｃに搭載されるＣＰＵが推定プログラムを実行することにより実現される。すなわち、図３２は、推定プログラムおよび推定方法の別の実施形態を示す。この場合、図３０に示した抽出部１０ａ、演算部２０ａ、推定部３０ｃおよび試験部４０ａは、推定プログラムの実行により実現される。なお、図３２に示した処理は、推定装置１００ｃに搭載されるハードウェアにより実現されてもよい。この場合、図３０に示した抽出部１０ａ、演算部２０ａ、推定部３０ｃおよび試験部４０ａは、推定装置１００ｃ内に配置される回路により実現される。

　推定装置１００ｃは、図３２に示したステップＳ１００からステップＳ１４０、ステップＳ１５０ａおよびステップＳ１６０ａの処理を実行した後、ステップＳ１７０の処理を実行する。

　ステップＳ１７０では、推定部３０ｃは、図３１で説明したように、ステップＳ１６０ａで推定した病態と発話テーブル８０とに基づいて、被験者ＰＡに対する助言等の音声データを読み出す。推定部３０ｃは、読み出した音声データを出力装置２ａに出力する。

　そして、推定装置１００ｃによる推定処理は終了する。出力装置２ａは、推定された病態の結果とともに、恒常性のずれ量に表示する。また、出力装置２ａは、推定装置１００ｃから受信した音声データをスピーカから出力することで、被験者ＰＡに対して推定された病態に応じた助言等の発話を行う。なお、出力装置２ａは、恒常性のずれ量の大きさ、すなわち推定された病態における症状の度合いまたは被験者ＰＡにおける健康を示す度合いを、色あるいはアニメーションの人物や動物等の表情で表しディスプレイに表示してもよい。また、出力装置２ａは、アニメーションの人物や動物等をディスプレイに表示し、表示した人物や動物が発話しているかのように、受信した音声データを出力してもよい。

　なお、図３２に示したフローは、医者あるいは被験者ＰＡからの指示を受ける度に繰り返し実行されてもよく、所定の頻度で実行されてもよい。

　以上、図３０から図３２に示した実施形態では、被験者ＰＡの生理の状態を示す第１情報と被験者ＰＡの情動および器官の活動を示す第２情報とを用い、被験者ＰＡにおける恒常性のずれ量を算出する。これにより、推定装置１００ｃは、恒常性のずれ量という指標を参照することで、医学の専門的な知識を有することなく、被験者ＰＡの病態を容易に推定することができる。また、推定装置１００ｃは、各循環系Ｋａにおける恒常性のずれ量を入力エネルギーとする被験者ＰＡにおける恒常性のシミュレーションを実行する。推定装置１００ｃは、実行したシミュレーションから検出された恒常性の変化を示す各循環系Ｋａにおける回転数の出現頻度と、被験者ＰＡが健康な場合に示す各循環系Ｋａにおける回転数の出現頻度とを比較する。そして、推定装置１００ｃは、比較した結果と病態テーブル７０とを用いることで、被験者ＰＡの病態を従来と比べて精度良く推定することができる。

　また、推定装置１００ｃは、助言等の発話をした後、被験者ＰＡの生理を再度計測し被験者ＰＡの状態を推定してもよい。そして、推定装置１００ｃは、推定の結果に基づいて助言等の発話の効果を評価し、評価に基づいて発話テーブル８０の発話の格納領域に格納される助言等の内容の修正等を行ってもよい。これにより、推定装置１００ｃは、従来と比べて被験者ＰＡに対しきめ細かな処置ができる。

　なお、推定装置１００（１００ａ、１００ｂ、１００ｃ）は、精神分析、行動予測、行動分析等の心理カウンセリング、精神医療、一般医療における面接や処方へ適用した場合を示したが、これに限定されない。例えば、推定装置１００は、ロボット、人工知能や自動車、あるいはコールセンター、エンターテイメント、インターネット、スマートフォンやタブレット型端末等の携帯端末装置アプリケーションやサービス、検索システムへ応用されてもよい。また、推定装置１００は、診断装置、自動問診装置、災害トリアージ等に応用されてもよい。また、推定装置１００は、金融与信管理システムや行動予測、企業、学校、行政機関、警察や軍事、情報収集活動等での情報分析、虚偽発見に繋がる心理分析、組織グループ管理へ応用されてもよい。また、推定装置１００は、組織の構成員、研究者や従業員、管理者等の心の健康や行動予測を管理するシステム、住居やオフィス、飛行機や宇宙船といった環境を制御するシステム、あるいは家族や友人の心の状態や行動予測を知るための手段に適用されてもよい。また、推定装置１００は、音楽や映画配信、一般的な情報検索、情報分析管理や情報処理、あるいは顧客感性嗜好マーケット分析等やこれらをネットワークやスタンドアローンで管理するシステム等へ適用されてもよい。

　以上の詳細な説明により、実施形態の特徴点および利点は明らかになるであろう。これは、特許請求の範囲がその精神および権利範囲を逸脱しない範囲で前述のような実施形態の特徴点および利点にまで及ぶことを意図するものである。また、当該技術分野において通常の知識を有する者であれば、あらゆる改良および変更に容易に想到できるはずである。したがって、発明性を有する実施形態の範囲を前述したものに限定する意図はなく、実施形態に開示された範囲に含まれる適当な改良物および均等物に拠ることも可能である。

１，１ａ…計測装置；２，２ａ…出力装置；ＥＵ，１０，１０ａ…抽出部；ＣＵ，２０，２０ａ…演算部；ＡＵ，３０，３０ａ，３０ｂ，３０ｃ…推定部；４０，４０ａ…試験部；５０，５０ａ，５０ｂ…記憶部；６０，６０ａ…データ；７０…病態テーブル；８０…発話テーブル；ＡＭ，１００，１００ａ，１００ｂ，１００ｃ…推定装置；２００，２００ａ，Ｋ１－Ｋ１０，Ｋａ１－Ｋａ４…循環系；Ｂ１…接合部；ＰＡ…被験者；ＳＨ１－ＳＨ１０…シャフト；ＮＴ１－ＮＴ１０…ナット；ＭＧ，Ｇａ１－Ｇａ２、Ｇｂ１－Ｇｂ２、Ｇｃ１、Ｇｄ１－Ｇｄ２…ギア；ＳＹＳ…推定システム

Claims

　被験者の生理を示す情報から、前記被験者の生理の状態を示す第１情報と前記被験者の情動および器官の活動の少なくとも一方を示す第２情報とを抽出する抽出部と、
　抽出した前記第１情報と前記第２情報とが示す時間変化における類似の度合いを求め、求めた前記類似の度合いに基づき前記被験者における恒常性が保たれた所定状態からのずれ量を算出する演算部と、
　算出された前記ずれ量に基づいて前記被験者の病態を推定する推定部と
　を備えることを特徴とする推定装置。
　請求項１に記載の推定装置において、
　前記演算部により算出された前記ずれ量から前記被験者の情動および器官の活動に作用するエネルギーを算出し、算出した前記エネルギーを入力として前記被験者における恒常性をシミュレーションする試験部を備え、
　前記推定部は、シミュレーションされた前記恒常性の変化のパターンから前記被験者の病態を推定する
　ことを特徴とする推定装置。
　請求項１または請求項２に記載の推定装置において、
　前記被験者からの音声信号を前記被験者の生理を示す情報として受信する入力部を備えることを特徴とする推定装置。
　請求項１または請求項２に記載の推定装置において、
　前記被験者の前記器官の活動を前記被験者の生理を示す情報として受信する入力部を備えることを特徴とする推定装置。
　請求項１ないし請求項４のいずれか１項に記載の推定装置において、
　病態ごとに前記被験者への助言の音声データを格納する記憶部を備え、
　前記推定部は、推定した前記被験者の病態に基づいて前記被験者に対する助言を示す音声データを選択し、選択した前記音声データを外部の出力装置に出力する
　ことを特徴とする推定装置。
　被験者の生理を示す情報から、前記被験者の生理の状態を示す第１情報と前記被験者の情動および器官の活動の少なくとも一方を示す第２情報とを抽出し、
　抽出した前記第１情報と前記第２情報とが示す時間変化における類似の度合いを求め、求めた前記類似の度合いに基づき前記被験者における恒常性が保たれた所定状態からのずれ量を算出し、
　算出された前記ずれ量に基づいて前記被験者の病態を推定する
　処理をコンピュータに実行させるプログラム。
　被験者の生理を示す情報から、前記被験者の生理の状態を示す第１情報と前記被験者の情動および器官の活動の少なくとも一方を示す第２情報とを抽出部により抽出し、
　抽出した前記第１情報と前記第２情報とが示す時間変化における類似の度合いを求め、求めた前記類似の度合いに基づき前記被験者における恒常性が保たれた所定状態からのずれ量を演算部により算出し、
　算出された前記ずれ量に基づいて前記被験者の病態を推定部により推定する
　ことを特徴とする推定方法。
　被験者の生理を計測する計測装置と、
　前記計測装置により計測された前記被験者の生理を示す情報を用い前記被験者の病態を推定する推定装置と、
　前記推定装置により推定された病態の結果を出力する出力装置とを備え、
　前記推定装置は、
　前記被験者の生理を示す情報から、前記被験者の生理の状態を示す第１情報と前記被験者の情動および器官の活動の少なくとも一方を示す第２情報とを抽出する抽出部と、
　抽出した前記第１情報と前記第２情報とが示す時間変化における類似の度合いを求め、求めた前記類似の度合いに基づき前記被験者における恒常性が保たれた所定状態からのずれ量を算出する演算部と、
　算出された前記ずれ量に基づいて前記被験者の病態を推定する推定部とを備える
　ことを特徴とする推定システム。