WO2016132529A1 - 情報処理装置、情報処理方法及び情報処理プログラム - Google Patents

情報処理装置、情報処理方法及び情報処理プログラム Download PDF

Info

Publication number
WO2016132529A1
WO2016132529A1 PCT/JP2015/054790 JP2015054790W WO2016132529A1 WO 2016132529 A1 WO2016132529 A1 WO 2016132529A1 JP 2015054790 W JP2015054790 W JP 2015054790W WO 2016132529 A1 WO2016132529 A1 WO 2016132529A1
Authority
WO
WIPO (PCT)
Prior art keywords
days
moving average
term
menstrual
cycle
Prior art date
Application number
PCT/JP2015/054790
Other languages
English (en)
French (fr)
Inventor
ロビン マルセル エドウィン スウィジー
Original Assignee
楽天株式会社
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 楽天株式会社 filed Critical 楽天株式会社
Priority to PCT/JP2015/054790 priority Critical patent/WO2016132529A1/ja
Priority to US15/552,311 priority patent/US10485487B2/en
Priority to JP2015520745A priority patent/JP5775242B1/ja
Priority to TW104122785A priority patent/TWI540997B/zh
Publication of WO2016132529A1 publication Critical patent/WO2016132529A1/ja

Links

Images

Classifications

    • 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
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7278—Artificial waveform generation or derivation, e.g. synthesising signals from measured signals
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B10/00—Other methods or instruments for diagnosis, e.g. instruments for taking a cell sample, for biopsy, for vaccination diagnosis; Sex determination; Ovulation-period determination; Throat striking implements
    • A61B10/0012—Ovulation-period determination
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/01—Measuring temperature of body parts ; Diagnostic temperature sensing, e.g. for malignant or inflamed tissue
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/43—Detecting, measuring or recording for evaluating the reproductive systems
    • A61B5/4306—Detecting, measuring or recording for evaluating the reproductive systems for evaluating the female reproductive systems, e.g. gynaecological evaluations
    • 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
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K7/00—Measuring temperature based on the use of electric or magnetic elements directly sensitive to heat ; Power supply therefor, e.g. using thermoelectric elements
    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • 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
    • 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
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B10/00—Other methods or instruments for diagnosis, e.g. instruments for taking a cell sample, for biopsy, for vaccination diagnosis; Sex determination; Ovulation-period determination; Throat striking implements
    • A61B10/0012—Ovulation-period determination
    • A61B2010/0019—Ovulation-period determination based on measurement of temperature
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K13/00—Thermometers specially adapted for specific purposes
    • G01K13/20—Clinical contact thermometers for use with humans or animals

Definitions

  • the present invention relates to a technical field for estimating an ovulation day or predicting a physiological day based on a measured body temperature.
  • the menstrual cycle is composed of a low temperature period and a high temperature period, and the number of days in the high temperature period is considered to vary less than the number of days in the low temperature period. Therefore, techniques using such properties are conventionally known.
  • Patent Document 1 when the day when the body temperature is equal to or higher than the reference body temperature continues for three days, the day two days after that day is set as the start of the high temperature phase, and the day before the start date of the high temperature phase is set as the ovulation day And predicting the next menstrual day by adding the average high-temperature phase period to the date of ovulation.
  • body temperature may fluctuate greatly up and down before and after the timing of the transition from the low temperature period to the high temperature period. Therefore, if the timing when the body temperature becomes high is determined to be the start of the high temperature period, the estimation will be erroneous if it is actually still in the low temperature period.
  • Patent Document 1 if it is determined that the high temperature period has started when the number of days in which the body temperature has become high body temperature has continued for a predetermined number of days, it has already shifted to the high temperature period. Therefore, it is impossible to estimate the menstrual date and predict the menstrual date.
  • the present invention has been made in view of the above points, and even when the body temperature fluctuates up and down before and after the timing of actually shifting from the low temperature period to the high temperature period, the date of ovulation is suppressed. It is an object of the present invention to provide an information processing apparatus, an information processing method, and the like that enable at least one of the estimation of menstruation and the prediction of menstrual days.
  • the invention according to claim 1 is characterized in that, for body temperatures measured during one or more previous menstrual cycles, the moving average of short-term days is more than the moving average of long-term days.
  • the specifying means for specifying the timing at which the moving average of the short-term days is higher than the moving average of the long-term days determined by the determining means, and the target based on the timing specified by the specifying means
  • An estimation means for predicting the next menstruation day of the menstrual cycle or estimating the arrival of an ovulation day during the target menstrual cycle.
  • the information processing apparatus has a short period of days and a long period of time so that the timing at which the short-term moving average of the body temperature becomes lower than the long-term moving average overlaps on the physiological day when the low temperature period is considered to start.
  • the information processing device uses the determined number of days to calculate the current menstrual cycle temperature based on the short-term moving average and the long-term moving average, and the timing at which the short-term moving average becomes higher than the long-term moving average. Is identified. Since the time series of body temperature is smoothed by the moving average, even if the body temperature fluctuates up and down before and after the timing of actually shifting from the low temperature period to the high temperature period by specifying this timing, Timing can be specified appropriately.
  • the estimating means is configured such that the moving average of the short-term days is greater than the moving average of the long-term days in the one or more previous menstrual cycles.
  • a representative value of the number of days from the timing when the moving average of the short-term days becomes lower than the moving average of the long-term days is added to the timing specified by the specifying means, and the next physiological day It is characterized by predicting.
  • the information processing apparatus has a short-term moving average lower than the long-term moving average from the timing at which the short-term moving average is higher than the long-term moving average corresponding to the number of days in the high temperature period of the subject. Specify the number of days until a certain timing. Therefore, at least one of the estimation of the ovulation date and the prediction of the physiological date can be performed more appropriately according to the tendency of the number of days in the high temperature period of the subject.
  • the determining means is configured such that a short-term moving average of body temperature measured in the one or more previous menstrual cycles is a long-term body temperature. So that the time difference between the timing lower than the moving average of the period and the menstrual day becomes small, and the integral value of the difference between the short-term moving average and the long-term moving average in the past one or more menstrual cycles becomes large. The short-term days and the long-term days are determined.
  • the timing at which the short-term moving average becomes higher than the long-term moving average can be appropriately identified as the integral of the difference between the short-term moving average and the long-term moving average of body temperature is larger. According to the present invention, based on this integration and the time difference between the period when the short-term moving average of the body temperature is lower than the long-term moving average and the menstrual day, more appropriate short-term days and long-term days are determined. be able to.
  • the timing at which the moving average of the short-term days is higher than the moving average of the long-term days is determined by the specifying unit. If not specified, it further comprises a predicting means for predicting the next menstrual day based on the number of days in the past one or more menstrual cycles.
  • the menstrual date can be predicted even when the temperature has not yet shifted from the low temperature period to the high temperature period.
  • the invention according to claim 5 is an information processing method executed by a computer, wherein a moving average of short-term days is a long-term number of days for body temperature measured during one or more previous menstrual cycles.
  • the determination step of determining the short-term days and the long-term days so that the timing lower than the moving average overlaps one or more menstrual days in the past, and the determination of the body temperature measured in the target menstrual cycle Based on the specific step of specifying the timing when the moving average of the short-term days determined by the step is higher than the moving average of the long-term days determined by the determining step, and the timing specified by the specific step,
  • the timing when the moving average of the short-term days is lower than the moving average of the long-term days for the body temperature for a plurality of days measured during one or more menstrual cycles in the past Determination means for determining the short-term days and the long-term days so as to overlap with one or more menstrual days in the past, movement of the short-term days determined by the determination means for the body temperature measured in the target menstrual cycle Specifying means for specifying a timing at which the average is higher than the moving average of the long-term days determined by the determining means; and based on the timing specified by the specifying means, the next of the target menstrual cycle It is made to function as an estimation means for predicting a menstrual day or estimating the arrival of an ovulation day during the target menstrual cycle.
  • the information processing apparatus has a short period of days and a long period of time so that the timing at which the short-term moving average of the body temperature is lower than the long-term moving average overlaps on the physiological day when the low temperature period is considered to start.
  • the information processing device uses the determined number of days to calculate the current menstrual cycle temperature based on the short-term moving average and the long-term moving average, and the timing at which the short-term moving average becomes higher than the long-term moving average. Is identified.
  • Timing can be specified appropriately. Moreover, it becomes a menstrual day at the timing of shifting from the high temperature period to the low temperature period. Therefore, it is possible to appropriately determine the short-term days and the long-term days. Therefore, at least one of the estimation of the ovulation date and the prediction of the menstrual date can be performed while suppressing the decrease in accuracy.
  • FIG. 1 It is a figure showing an example of outline composition of information processing system S concerning one embodiment. It is a block diagram which shows an example of schematic structure of the information processing server 1 which concerns on one Embodiment. It is a figure which shows an example of the functional block of the system control part 14 which concerns on one Embodiment. It is a figure which shows an example of the content registered into the database constructed
  • FIG. It is a figure which shows an example of the candidate of a parameter. It is a figure which shows the example of three candidate combinations among the produced
  • FIG. 1 is a diagram illustrating an example of a schematic configuration of an information processing system S according to the present embodiment.
  • the information processing system S includes an information processing server 1, a plurality of user terminals 2, and a plurality of thermometers 3.
  • the information processing server 1 and each user terminal 2 can exchange data with each other via the network NW, for example, using TCP / IP as a communication protocol.
  • the network NW is constructed by, for example, the Internet, a dedicated communication line (for example, a CATV (CommunityCommunAntenna Television) line), a mobile communication network (including a base station, etc.), a gateway, and the like.
  • the information processing server 1 is a server device that distributes information about female health to the user terminal 2. Further, the information processing server 1 acquires information such as the user's basal body temperature and menstrual date from the user terminal 2. And the information processing server 1 estimates a user's ovulation day based on the acquired information, or predicts the next menstrual day.
  • the user terminal 2 is a terminal device of a user who uses the information processing system S.
  • the user terminal 2 may be, for example, a smartphone, a tablet computer, a PDA (Personal Digital Assistant), a mobile phone, a personal computer, or the like.
  • the user terminal 2 transmits the basal body temperature measured by the thermometer 3 to the information processing server 1. Further, the user terminal 2 transmits the actual menstrual date input by the user to the information processing server 1. Then, the user terminal 2 displays information such as the ovulation date and the menstrual date estimated by the information processing server 1.
  • the thermometer 3 is an electronic thermometer that measures the user's basal body temperature.
  • the thermometer 3 transmits the measured body temperature to the user terminal 2 by, for example, short-range wireless communication. Note that the user may manually input the body temperature measured by the thermometer into the user terminal 2.
  • the user measures the body temperature using the thermometer 3, for example, every day (once a day).
  • the actually measured body temperature is referred to as an actual measurement value.
  • the menstrual cycle is fixed.
  • the menstrual cycle is, for example, a period from the previous menstruation day to the day before the next menstruation day.
  • the information processing server 1 determines the first day of the consecutive menstrual days as the menstrual date used for determining the menstrual cycle.
  • the information processing server 1 predicts the next menstrual day using the period-based prediction method and the body temperature-based prediction method, respectively.
  • the cycle-based prediction method is a method using the number of days in a plurality of past menstrual cycles.
  • the body temperature-based prediction method is a method using measured values of body temperature.
  • the information processing server 1 may predict the next menstrual day and may estimate the ovulation day in the current menstrual cycle.
  • the current menstrual cycle is a menstrual cycle that starts from the last menstrual day of the past menstrual days and ends on the day before the next menstrual day. That is, the current menstrual cycle is the menstrual cycle currently in progress.
  • FIG. 2A is a block diagram illustrating an example of a schematic configuration of the information processing server 1 according to the present embodiment.
  • the information processing server 1 includes a communication unit 11, a storage unit 12, an input / output interface 13, and a system control unit 14.
  • the system control unit 14 and the input / output interface 13 are connected via a system bus 15.
  • the communication unit 11 is connected to the network NW and controls the communication state with the user terminal 2 and the like.
  • the storage unit 12 is composed of, for example, a hard disk drive.
  • the storage unit 12 is an example of a storage unit.
  • databases such as a member information DB 12a, a body temperature DB 12b, a menstrual day DB 12c, and a parameter DB 12d are constructed.
  • DB is an abbreviation for database.
  • FIG. 3 is a diagram illustrating an example of contents registered in the database constructed in the storage unit 12b of the information processing server 1.
  • user information related to users who use the information processing system S is registered for each user.
  • user attributes such as user ID, password, nickname, name, date of birth, sex, postal code, address, telephone number, and e-mail address are registered in association with each other as user information. Is done.
  • the user ID is user identification information.
  • Information related to actual measurement values is registered in the body temperature DB 12b. Specifically, a user ID, a measurement date, and an actual measurement value are registered in association with each other in the body temperature DB 12b.
  • the user ID indicates the user who measured the body temperature.
  • a measurement day shows the day when body temperature was measured.
  • the system control unit 14 receives from the user terminal 2 a user ID that uses the user terminal 2, a measurement date, and an actual measurement value. Then, the system control unit 14 registers the received information in the body temperature DB 12b.
  • Information on the menstrual day is registered in the menstrual day DB 12c.
  • a user ID and a menstrual date are registered in association with the menstrual date DB 12c.
  • the user ID indicates the user who entered the menstrual date.
  • the system control unit 14 receives from the user terminal 2 a user ID that uses the user terminal 2 and a menstruation date input by the user. Then, the system control unit 14 registers the received information in the menstrual day DB 12c.
  • parameter information including parameters used for menstrual day prediction is registered.
  • the system control unit 14 registers parameter information in the parameter DB 12d for each user basically every time a new menstrual cycle starts.
  • parameter information a user ID, a registration date, a parameter of the cycle-based prediction method, a predicted physiological date of the cycle-based prediction method, a body temperature-based parameter, and an estimated high-temperature period days are registered in association with each other.
  • the user ID indicates a user whose menstrual date is predicted using a parameter.
  • the registration date indicates the date when the parameter information is registered in the parameter DB 12d.
  • the parameters of the period-based prediction method include, for example, an abnormal value removal threshold value, a winsolization threshold value, and a representative value type.
  • the abnormal value removal is to remove data that exceeds a threshold value or is located outside the threshold value as an outlier from a plurality of menstrual cycles. This outlier is called an abnormal value.
  • the abnormal value is an example of a first outlier in the present invention.
  • the abnormal value removal threshold indicates the threshold of the menstrual cycle that is removed as an abnormal value. Specifically, for example, a percentage may be stored as the abnormal value removal threshold.
  • the abnormal value removal threshold is an example of the first threshold in the present invention.
  • the winsolization is to change the value of data that exceeds or exceeds the threshold as an outlier in the distribution of statistical data to the threshold.
  • the threshold of the winsolization of the present embodiment indicates the threshold of the menstrual cycle in which the number of days is changed from among a plurality of menstrual cycles, and indicates the number of days after the change. Specifically, for example, a percentage may be stored in the threshold of winsolization.
  • the threshold of windization is an example of the second threshold in the present invention.
  • the representative value type indicates a method for acquiring representative values of a plurality of menstrual cycles. Specifically, the representative value type indicates whether an average value is acquired or a median value is acquired.
  • the predicted physiological date of the cycle-based prediction method is a physiological date predicted by the cycle-based prediction method.
  • the parameters of the body temperature-based prediction method include, for example, short-term days and long-term days.
  • Short-term days are days used when calculating a short-term moving average of body temperature.
  • Long-term days are days used when calculating a long-term moving average of body temperature.
  • Long days are longer than short days.
  • the estimated number of days in the high temperature period is the number of days in the high temperature period estimated by the body temperature-based prediction method.
  • the menstrual cycle is divided into a low temperature period and a high temperature period.
  • the low temperature period is a period in which the body temperature is relatively low within the menstrual cycle
  • the high temperature period is a period in which the body temperature is relatively high within the menstrual cycle.
  • the low temperature period begins with the start of the menstrual cycle, and then transitions to the high temperature period.
  • the storage unit 12 stores various data such as an HTML document, an XML (Extensible Markup Language) document, image data, text data, and an electronic document for displaying a web page.
  • the storage unit 12 stores various set values, threshold values, constants, and the like.
  • the storage unit 12 stores various programs such as an operating system, a WWW (World Wide Web) server program, a DBMS (Database Management System), and a prediction processing program.
  • the prediction processing program is a program for estimating an ovulation date and predicting a menstrual date.
  • the prediction processing program is an example of an information processing program in the present invention.
  • the various programs may be acquired from, for example, another server device or the like via the network NW, or may be recorded on a recording medium such as a magnetic tape, an optical disk, or a memory card and read via the drive device. You may be made to do.
  • the prediction processing program may be a program product.
  • the storage unit 12 stores a terminal application program.
  • the terminal application program is a program executed by the user terminal 2.
  • the terminal application program is a program for transmitting information such as measured values and menstrual dates to the information processing server 1 and displaying information such as estimated ovulation dates and predicted menstrual dates.
  • the user terminal 2 downloads a terminal application program from the information processing server 1.
  • the input / output interface 13 performs interface processing between the communication unit 11 and the storage unit 12 and the system control unit 14.
  • the system control unit 14 includes a CPU 14a, a ROM (Read Only Memory) 14b, a RAM (Random Access Memory) 14c, and the like.
  • the CPU 14 is an example of a processor.
  • the present invention can also be applied to various processors different from the CPU.
  • Each of the storage unit 12, the ROM 14b, and the RAM 14c is an example of a memory.
  • the present invention can also be applied to various memories different from the hard disk, ROM, and RAM.
  • the information processing server 1 may be configured by a plurality of server devices.
  • a server device that acquires information from the user terminal 2 a server device that estimates ovulation dates and menstrual days, a server device that provides information to the user terminal 2, a server device that manages a database, and the like are mutually connected. You may connect by LAN etc.
  • an example of the information processing apparatus according to the present invention may be a server device that performs ovulation day estimation and menstrual day prediction.
  • the information processing apparatus according to the present invention may be implemented in one server apparatus, or may be implemented by a coordinated process of a plurality of server apparatuses.
  • FIG. 2B is a diagram illustrating an example of functional blocks of the system control unit 14 according to the present embodiment.
  • the system control unit 14 determines whether to use either the cycle-based prediction method or the body temperature-based prediction method based on a predetermined condition. Then, the system control unit 14 predicts the next menstrual day using the determined method. Therefore, as shown in FIG.
  • the system control unit 14 reads and executes a program such as a prediction processing program by the CPU 14a, so that a parameter candidate acquisition unit 141, a cycle set acquisition unit 142, a modified reference cycle acquisition unit 143, It functions as a representative value acquisition unit 144, a parameter determination unit 145, a period base prediction unit 146, a period number of days determination unit 147, a timing identification unit 148, a body temperature base prediction unit 149, and the like.
  • the period base prediction unit 146 is an example of a prediction unit in the present invention.
  • the period days determination unit 147 is an example of a determination unit in the present invention.
  • the timing specifying unit 148 is an example of specifying means in the present invention.
  • the body temperature base prediction unit 149 is an example of an estimation unit in the present invention.
  • the system control unit 14 acquires a plurality of past menstrual cycles. Next, the system control unit 14 performs a predetermined process on the outlier specified by the threshold among a plurality of past menstrual cycles, and acquires a plurality of menstrual cycles listed.
  • the predetermined process may be, for example, removing an outlier specified by the threshold value, or may perform winsolization on the outlier specified by the threshold value.
  • the system control unit 14 may perform both of the abnormal value removal and the winsolization as the predetermined process. In this case, the system control unit 14 may perform the abnormal value removal first and then perform the winsolization.
  • the variation in the number of days in the reference cycle may be large. If the variation remains large, the accuracy of the prediction may decrease. However, even if the outliers are identified, the outliers can be identified and the outliers can be simply removed. Prediction accuracy may be reduced. Therefore, the decrease in prediction accuracy can be suppressed by changing the outlier so as to leave information indicating that the outlier is located outside the distribution of the menstrual cycle.
  • the system control unit 14 calculates representative values of the corrected menstrual cycles. Then, the system control unit 14 predicts the next menstrual day based on the representative value of the menstrual cycle.
  • the system control unit 14 determines, for each user, a parameter used in the cycle-based prediction method in order to predict a physiological date using the cycle-based prediction method.
  • the parameter to be determined is at least one of determining an abnormal value removal threshold, a winsolization threshold, and a representative value type.
  • the abnormal value removal threshold value, the winsolization threshold value, and the representative value type may be determined in advance for the entire information processing system S, for example.
  • a threshold for winsolization is not necessary.
  • an abnormal value removal threshold is not necessary when only the winsolization is used to correct a plurality of menstrual cycles.
  • the system control unit 14 predicts a menstrual cycle by a cycle-based prediction method using a plurality of past menstrual cycles and parameter candidates. Then, the system control unit 14 compares the predicted menstrual cycle with another past menstrual cycle, and determines one of the parameter candidates as a parameter used for actual prediction. By using the determined parameters by the system control unit 14, even if there are variations in the number of days in the past menstrual cycles, the next menstrual day can be accurately predicted.
  • the parameter candidate acquisition unit 141 acquires a plurality of candidates for outlier thresholds. Specifically, the parameter candidate acquisition unit 141 acquires at least one of a plurality of candidates for abnormal value removal thresholds and a plurality of candidates for threshold values for winsolization. For example, a table that stores a plurality of candidates for abnormal value removal thresholds may be stored in the storage unit 12. In addition, for example, tables each storing a plurality of candidates for the threshold of winsolization may be stored. The parameter candidate acquisition unit 141 may acquire a plurality of threshold candidates from the table stored in the storage unit 12. The number of candidates for each threshold is 2 or more. The number of outlier removal threshold candidates and the number of winsolization thresholds may or may not be the same.
  • the parameter candidate acquisition unit 141 may acquire “average value” and “median value” as representative value type candidates.
  • the prediction accuracy may be improved by using an average value.
  • the prediction accuracy may be improved by using the median.
  • FIG. 4A is a diagram illustrating an example of parameter candidates. In the example of FIG. 4A, the number of candidates for abnormal value removal threshold is three, and the number of candidates for threshold for windization is three. Further, there are “average value” and “median value” as representative value type candidates.
  • the parameter candidate acquisition unit 141 When two or more parameters are determined among the abnormal value removal threshold value, the winsolization threshold value, and the representative value type, the parameter candidate acquisition unit 141 generates a plurality of combinations of two or more parameter candidates. This combination is called a candidate combination. For example, when three parameters are determined, the parameter candidate acquisition unit 141 selects one of a plurality of candidates for the abnormal value removal threshold, one of the plurality of candidates for the winsolation threshold, and the representative value. A plurality of candidate combinations composed of any of a plurality of types of candidates are generated.
  • FIG. 4B is a diagram illustrating an example of three candidate combinations among a plurality of generated candidate combinations. In the example of FIG. 4A, 18 candidate combinations can be generated.
  • the cycle set acquisition unit 142 acquires a cycle set composed of one reference cycle and a reference cycle from a plurality of past menstrual cycles of menstrual day prediction subjects.
  • the plurality of reference cycles are menstrual cycles used for provisional prediction of the menstrual cycle.
  • the reference cycle is a menstrual cycle that is compared with the tentatively predicted menstrual cycle.
  • the reference period may be any of a plurality of reference periods, and the reference period may be a menstrual period different from the plurality of reference periods.
  • the plurality of reference cycles may be continuous or not continuous.
  • the reference period and the plurality of reference periods may or may not be continuous.
  • the timing position of the reference period may be before or after a plurality of reference periods. Further, the reference period may be sandwiched between a plurality of reference periods.
  • the cycle set acquisition unit 142 may acquire only one cycle set or may acquire a plurality of cycle sets.
  • the number of period sets may be set in advance by the administrator of the information processing system S, or may be determined by the period set acquisition unit 142.
  • the cycle set acquisition unit 142 is configured such that, for example, a plurality of cycle sets in which at least one of the timing position of the reference cycle, some or all of the plurality of reference cycles, and the number of reference cycles are different from each other. May be obtained.
  • FIG. 4C is a diagram illustrating an example of acquiring a periodic set. In FIG. 4C, the numbers displayed above the past menstrual cycles C1 to C9 indicate the time position of the menstrual cycle.
  • a number indicating a temporal position is attached as n of the symbol Cn.
  • the first menstrual cycle C1 is the latest menstrual cycle among the past menstrual cycles
  • the second menstrual cycle C2 is the second new menstrual cycle.
  • the number of reference periods in each period set is six. Further, the six reference periods are continuous. The reference period is continuous with six reference periods and is newer than these reference periods.
  • three period sets are acquired.
  • the first cycle set includes a reference cycle C1 and reference cycles C2 to C7.
  • the second period set includes a reference period C2 and reference periods C3 to C8.
  • the third period set includes a reference period C3 and reference periods C4 to C9.
  • the modified reference cycle acquisition unit 143 corrects the plurality of reference cycles acquired by the cycle set acquisition unit 142 for each threshold candidate acquired by the parameter candidate acquisition unit 141 using the threshold candidates. Then, the cycle set acquisition unit 142 acquires a plurality of corrected reference cycles. When the candidate combination including at least the abnormal value removal threshold value and the winsolization threshold value is acquired by the parameter candidate acquisition unit 141, the corrected reference cycle acquisition unit 143 corrects a plurality of reference cycles for each candidate combination. , Obtain a plurality of corrected reference periods.
  • the parameter candidate acquisition unit 141 acquires at least an abnormal value removal threshold candidate OF as a threshold candidate.
  • the cycle set acquisition unit 142 calculates the appearance probability of the reference cycle for each number of days.
  • the period set acquisition part 142 removes the reference period of the number of days whose appearance probability is less than OF% from a plurality of reference periods as an abnormal value.
  • the period set acquisition part 142 acquires the some reference period from which the abnormal value was removed as a corrected reference period.
  • the parameter candidate acquisition unit 141 acquires at least a candidate WN for a winsolation threshold as a threshold candidate.
  • the cycle set acquisition unit 142 changes the number of reference cycles having a number of days less than the WN percentile to a WN percentile from among a plurality of reference cycles arranged in ascending order of days.
  • the period set acquisition unit 142 changes the number of days of the reference period longer than the (100-WN) percentile from the plurality of reference periods to the (100-WN) percentile.
  • a reference cycle at a position that completely matches the position indicated by the threshold value WN may not exist among the plurality of reference cycles before correction.
  • the corrected reference period acquisition unit 143 may calculate the WN percentile by interpolation based on the number of days of the reference period at the positions immediately before and after the position indicated by the threshold value WN and its position.
  • the modified reference cycle acquisition unit 143 may change, for example, the number of days in the reference cycle having a number of days less than the WN percentile to the number of days in the latest reference cycle among the reference cycles inside the position indicated by the threshold value WN. . “Inside” refers to the range from the WN percentile to the (100 ⁇ WN) percentile. Further, when there is no reference cycle of a position that completely matches the position indicated by the threshold (100-WN), the same as the WN percentile may be used.
  • the correction reference cycle acquisition unit 143 For example, when the parameter candidate acquisition unit 141 acquires a candidate combination that includes both the candidate OF for the abnormal value removal threshold and the candidate WN for the winsolization threshold as threshold candidates, the correction reference cycle acquisition unit 143 For example, the threshold value may be removed first, and then the winsolization may be performed. 5A to 6C show an example of a process in which threshold removal and winsolization are performed. For example, it is assumed that the first cycle set shown in FIG. 4C is acquired by the cycle set acquisition unit 142. The number of days in the reference period C1 is 30. The days of the reference cycles C2 to C7 are 35, 24, 34, 29, 29, and 29, respectively. FIG.
  • FIG. 5A is a graph showing an example of the frequency distribution of the reference period acquired by the modified reference period acquisition unit 143 and an example of the positional relationship between the frequency distribution and the threshold value OF.
  • FIG. 5A shows an example of the frequency distribution of the reference cycle for the sake of explanation, and does not necessarily match the actual frequency distribution of the reference cycles C2 to C7.
  • FIG. 5B is a diagram illustrating an example of a plurality of reference periods from which abnormal values are removed. For example, it is assumed that the appearance probability of the reference period of 35 days is less than OF percent, and the appearance probability of each of the reference periods of the 24th, 29th, and 34th reference cycles is more than OF percent.
  • the corrected reference cycle acquisition unit 143 removes the reference cycle C2 having 35 days as an abnormal value from the reference cycles C2 to C7. Thereby, the corrected reference period acquisition unit 143 acquires the corrected reference periods C3 to C7 as shown in FIG. 5B.
  • FIG. 5C is a graph showing an example of the frequency distribution of the reference period after the abnormal value is removed.
  • FIG. 5C shows that reference periods with appearance probabilities less than OF percent have been removed.
  • FIG. 6A is a graph showing an example of the frequency distribution of the reference period from which abnormal values have been removed and an example of the positional relationship between the frequency distribution and the threshold value WN.
  • the corrected reference period acquisition unit 143 determines the OF percentile in the abnormal value removal as the 0th percentile in the winsolization.
  • the modified reference period acquisition unit 143 determines the (100-OF) percentile in the abnormal value removal as the 100th percentile in the winsolization.
  • the modified reference period acquisition unit 143 determines the WN percentile and the (100-WN) percentile within the determined range.
  • FIG. 6B is a diagram illustrating an example of a plurality of reference periods that have been subjected to winsolization.
  • FIG. 6C is a graph showing an example of the frequency distribution of the reference period after winsolization.
  • the reference period for days less than the WN percentile is changed to the WN percentile
  • the reference period for days longer than the (100-WN) percentile is changed to the (100-WN) percentile.
  • the representative value acquisition unit 144 calculates, for each threshold candidate acquired by the parameter candidate acquisition unit 141, representative values of a plurality of corrected reference cycles acquired by the corrected reference cycle acquisition unit 143.
  • the corrected reference cycle acquisition unit 143 includes a plurality of corrected reference cycles for each candidate combination.
  • the representative value of is calculated.
  • the representative value acquisition unit 144 acquires only the predetermined one of the corrected average value or median of the reference periods.
  • the representative value acquisition unit 144 acquires both the average value and the median value of the plurality of corrected reference periods.
  • the representative value acquisition unit 144 calculates an average value when the representative value type included in the acquired candidate combination is “average value”, and when the representative value type is “median”, Determine the value.
  • FIG. 7A is a graph showing an example of the frequency distribution of the reference period after the winsolization and an example of the positional relationship between the frequency distribution and the representative value.
  • FIG. 7B is a diagram illustrating an example of how the representative value is determined and how the difference between the representative value and the number of days in the reference period is calculated.
  • the representative value acquisition unit 144 calculates an average value 28.8 as shown in FIG. 7B for the reference period shown in FIG. 6C.
  • the representative value acquisition unit 144 determines the median value 29.
  • the acquired representative value corresponds to a provisional predicted value of the menstrual cycle.
  • the parameter determination unit 145 compares the representative value acquired by the representative value acquisition unit 144 with the number of days in the reference cycle for each threshold candidate acquired by the parameter candidate acquisition unit 141 or for each candidate combination. Then, the parameter determination unit 145 determines a parameter or combination used for prediction based on the comparison result. For example, the parameter determination unit 145 may calculate the difference between the representative value and the reference period. For example, as shown in FIG. 7B, the parameter determination unit 145 calculates a difference 1.2 between the number of days 30 of the reference period C1 and the average value 28.8. The parameter determination unit 145 may determine a parameter or combination having the smallest calculated difference as a parameter or combination used for prediction. The difference between the representative value and the number of days in the reference cycle is the difference between the provisional predicted value of the menstrual cycle and the actual menstrual cycle. Therefore, it is considered that the smaller the difference, the higher the menstrual cycle prediction accuracy.
  • the corrected reference cycle acquisition unit 143 corrects each of the plurality of reference periods of the plurality of period sets for each threshold candidate or for each candidate combination, and acquires each of the corrected reference periods.
  • the representative value acquisition unit 144 acquires representative values of a plurality of reference periods corrected in each of a plurality of period sets for each threshold candidate or for each candidate combination.
  • the parameter determination unit 145 compares the representative value acquired for each of the plurality of cycle sets with the number of days in each reference cycle of the plurality of cycle sets for each threshold candidate or for each candidate combination.
  • the parameter determination unit 145 may calculate the sum of differences calculated for each of a plurality of periodic sets, for example, for each parameter candidate or for each candidate combination. Then, the parameter determination unit 145 may determine a parameter candidate or candidate combination having the smallest difference as a parameter or combination used for prediction. In the following, when the term “candidate” is simply used, it indicates a parameter candidate or a candidate combination. The parameter determination unit 145 may calculate, for example, an average value or a median value instead of the total.
  • the parameter determination unit 145 determines the representative value and the reference cycle based on the temporal position of the reference cycle included in the cycle set.
  • the difference may or may not be weighted.
  • the parameter determination unit 145 may decrease the weight as the timing position of the reference period is older.
  • the parameter determination unit 145 determines a parameter for predicting the number of days in the current menstrual cycle. The older the reference period, the farther from the current menstrual cycle. Therefore, the older the timing position of the reference cycle, the lower the similarity between the reference cycle and the current menstrual cycle may be. Therefore, by using a parameter determined by reducing the weight as the time position of the reference cycle is older, the prediction accuracy of the number of days in the menstrual cycle can be increased.
  • FIG. 8A is a diagram showing a calculation example of the sum of the difference between the representative value and the reference period.
  • the parameter determination unit 145 calculates the weighted sum of the difference between the representative value and the reference period for each candidate combination.
  • the parameter determination unit 145 multiplies the difference between the representative value of the first period set and the reference period by the weighting factor 1, and sets the weighting factor 0.8 to the difference between the representative value of the second period set and the reference period.
  • the difference between the representative value of the third period set and the reference period may be multiplied by a weighting factor of 0.5.
  • the weighting coefficient of each period set may be freely set.
  • a difference similar to the difference of the candidate having the smallest difference between the representative value and the reference period may be calculated for one or more other candidates. That is, there may be a plurality of candidates with the same high accuracy of provisional prediction.
  • a candidate having the smallest difference between the representative value and the reference period is referred to as a first candidate.
  • a candidate for which a difference within a predetermined range is acquired from the difference acquired for the first candidate is referred to as a second candidate.
  • the parameter determination unit 145 may determine the first candidate as a parameter or combination used for prediction.
  • the parameter determination unit 145 selects the first candidate and the second candidate based on a predetermined condition. You may determine the parameter or combination used for prediction.
  • the parameter determination unit 145 may specify only a predetermined number or less of these candidates as second candidates, or may specify all candidates as second candidates.
  • the parameter determination unit 145 includes, for example, the number of users for whom the first candidate is determined as a parameter or combination used for prediction among users different from the target person of the current menstrual day prediction, and a second parameter or combination used for prediction.
  • the number of users whose candidates are determined may be acquired.
  • the parameter determination unit 145 can acquire the number of such users based on the parameter information registered in the parameter DB 12d.
  • the parameter determination unit 145 may determine, for example, a parameter or combination to be used for prediction of a candidate having the largest number of acquired people among the first candidate and one or a plurality of second candidates. The reason is that the parameters used for many users are likely to be parameters that can be predicted suitable for various users.
  • FIG. 8B is a graph showing an example of the number of users for which the first candidate is determined and the number of users for which the second candidate is determined. It is assumed that candidate combination CC2 is specified as the first candidate and candidate combination CC8 is specified as the second candidate. Here, as shown in FIG. 8B, the number of users whose candidate combination CC8 is determined is larger than the number of users whose candidate combination CC2 is determined. Therefore, the parameter determination unit 145 may determine the candidate combination CC8 as a combination of parameters used for prediction.
  • the parameter determination unit 145 may count the number of people using, for example, parameter information with the latest registration date. Or the parameter determination part 145 may each calculate the frequency determined as a parameter or combination which a 1st candidate and a 2nd candidate use for prediction based on several parameter information, for example. Then, the parameter determination unit 145 may determine that, for example, a candidate having the highest frequency among the first candidate and the second candidate has determined a parameter or combination used for prediction.
  • the parameter determination unit 145 may acquire the number of users having characteristics that are the same as the characteristics of the target person among the users whose first candidates are determined. In addition, the parameter determination unit 145 may acquire the number of users who have characteristics that are the same as the characteristics of the target person among the users whose second candidates are determined. And the parameter determination part 145 may determine the parameter or combination used for prediction based on the acquired number of persons. The reason is that the tendency of the menstruation or menstrual cycle of the user having the same characteristics as the characteristics of the subject has a probability of being similar to the tendency of the menstruation or menstrual cycle of the subject.
  • the parameter determination unit 145 can acquire age or age based on, for example, the member information DB 12a. Moreover, the parameter determination part 145 can acquire the season or month in which the parameter or combination used for prediction was determined based on the parameter information registered into parameter DB12d, for example. Moreover, the parameter determination part 145 can acquire the transition tendency of the body temperature, the days in the low temperature period, and the days in the high temperature period based on the body temperature DB 12b and the menstrual day DB 12c.
  • the feature having the same feature as the subject's feature may be, for example, the same feature as the subject's feature, a feature within a predetermined range from the subject's feature, It may be a feature similar to the feature.
  • the cycle-based prediction unit 146 predicts the number of days in the current menstrual cycle of the subject using the parameter or combination determined by the parameter determination unit 145. Specifically, the cycle-based prediction unit 146 acquires a plurality of past menstrual cycles of the target person for menstrual day prediction. Next, the cycle-based prediction unit 146 acquires a plurality of corrected menstrual cycles by performing a predetermined process on an outlier specified by a threshold determined as a parameter among the plurality of acquired menstrual cycles. More specifically, the cycle-based prediction unit 146 removes abnormal values from a plurality of menstrual cycles or performs a winsolization on the plurality of menstrual cycles.
  • the period base prediction unit 146 further performs winsolization after removing the abnormal value.
  • the period-based prediction unit 146 removes the abnormal value using the threshold.
  • the period-based prediction unit 146 performs windization using the threshold value.
  • the period base prediction unit 146 acquires the corrected representative values of a plurality of menstrual cycles as predicted values of the number of days in the current menstrual cycle.
  • the cycle-based prediction unit 146 calculates the average value.
  • the cycle-based prediction unit 146 Determines the median.
  • the cycle-based prediction unit 146 calculates the predicted physiological date by adding the acquired representative value to the first day of the current menstrual cycle.
  • the cycle base prediction unit 146 may determine only one representative value for the entire frequency distribution, for example.
  • the cycle-based prediction unit 146 may divide the menstrual cycle distribution, for example, at a cycle position at which the frequency is a minimum value.
  • the period base prediction unit 146 may acquire a representative value for each divided distribution, for example.
  • the cycle-based prediction unit 146 may calculate the predicted physiological date by adding the representative value to the first day of the current menstrual cycle for each representative value. That is, the cycle-based prediction unit 146 may predict two next menstrual days.
  • the cycle base prediction unit 146 may cause the user terminal 2 to display, for example, “the next menstrual scheduled date when the cycle is short is X days and the next menstrual scheduled date when the cycle is long is Y days”.
  • X is the predicted menstrual date closest to today among the two predicted menstrual days
  • Y is the predicted menstrual date far from today.
  • the cycle-based prediction unit 146 may predict only one next menstrual day without dividing the distribution of menstrual cycles, for example.
  • the parameter may be stored in the storage unit 12.
  • the threshold candidate acquisition unit 141, the cycle set acquisition unit 142, the modified reference cycle acquisition unit 143, the representative value acquisition unit 144, and the parameter determination unit 145 are unnecessary.
  • the system control unit 14 calculates a short-term moving average and a long-term moving average of measured values of the body temperature of the subject whose physiological days are predicted, for example, every day. And the system control part 14 specifies the timing when a short-term moving average becomes larger than a long-term moving average in the present menstrual cycle.
  • the timing at which the short-term moving average becomes larger than the long-term moving average is, for example, the short-term moving average immediately after the timing at which the moving average line intersects among the timing at which the short-term moving average line and the long-term moving average line intersect Is higher than the long-term moving average.
  • P crossover positive crossover
  • FIG. 9 is a diagram showing an example of a graph of actual measured values of body temperature in the current menstrual cycle, a short-term moving average line, and a long-term moving average line of body temperature.
  • the system control unit 14 predicts the next menstrual day or estimates the arrival of the ovulation day based on the specified timing. Alternatively, the system control unit 14 may perform both prediction of the next menstrual day and estimation of arrival of the ovulation day.
  • the menstrual cycle generally consists of a low temperature period and a high temperature period.
  • the egg is discharged from the follicle.
  • the corpus luteum is formed from the follicle.
  • Progesterone is secreted from this corpus luteum.
  • This luteinizing hormone raises the body temperature and shifts from the low temperature phase to the high temperature phase.
  • the corpus luteum is atrophied, the secretion of luteinizing hormone ends. Then, the endometrium cannot be maintained, and menstruation occurs.
  • body temperature decreases. Therefore, it shifts to the low temperature period of the next menstrual cycle.
  • the life span of luteinizing hormone is fairly stable. For example, lutein hormone life is typically 14 days ⁇ 2 days.
  • the day of transition from the low temperature period to the high temperature period or a day close to that day is the day of ovulation.
  • the actual daily body temperature may not change stably.
  • the body temperature may greatly fluctuate up and down before and after the timing that should shift from the low temperature period to the high temperature period. Therefore, it is difficult to determine whether or not the temperature has shifted to the high temperature period even if only the actual measured values of daily body temperature are observed.
  • the body temperature-based prediction method of the present embodiment since a moving average is used, the time series of body temperature is smoothed. Moreover, a short-term moving average shows the tendency of the body temperature in the latest short period, and a long-term moving average shows the tendency of the body temperature in the long term. Therefore, it is possible to appropriately specify the timing of transition from the low temperature period to the high temperature period based on the timing at which the short-term moving average becomes larger than the long-term moving average. Therefore, the arrival of the ovulation day can be accurately estimated. In the example of FIG. 9, there is a high probability that an ovulation day has arrived on January 12 or a day around it.
  • the number of days in the low temperature period is relatively easy to change depending on the menstrual cycle.
  • the days in the high temperature period are relatively stable. The reason is that the number of days in the high temperature period corresponds to the life of the corpus luteum. Therefore, if the day when the ovulation day arrives can be estimated, the next menstrual cycle can be predicted.
  • the calculated moving average may be any kind of moving average.
  • a simple moving average, a weighted moving average, or an exponential moving average may be calculated.
  • Any known formula can be used as a formula for calculating the exponential moving average.
  • the exponential moving average EMA p (t) of the day t days after the day on which the calculation of the exponential moving average is started may be calculated by, for example, the following Equation 1.
  • e (t) is an actual measurement value of the body temperature of the day after t days.
  • d is an attenuation coefficient.
  • d may be calculated by the following equation 2.
  • the period days determination unit 147 determines parameters used in the body temperature-based prediction method in order to estimate the arrival of the ovulation day or the physiological date using the body temperature-based prediction method.
  • the parameters to be determined are the short and long days used for calculating the moving average.
  • the short-term days and the long-term days indicate the number of actually measured body temperature values that are used as a basis for calculating the average value.
  • the short-term moving average is an average value of actually measured values of body temperature in the latest s days.
  • the long-term moving average is an average value of the actual measured values of body temperature in the most recent l days.
  • the short and long days are one of the parameters for calculating the average. Each time the exponential moving average is calculated, the weight of the actual measured body temperature used for the calculation decreases exponentially.
  • the short-term days and the long-term days may be, for example, the number of days required until the weight of the actual measurement value of the body temperature falls below a predetermined value.
  • the short-term days and the long-term days are the days required until the weight of the actual measurement value of the body temperature becomes half or less.
  • the period days determination unit 147 may determine the parameters used in the body temperature-based prediction method using the measured values of the body temperature of one or more past menstrual cycles of the subject.
  • the past one or more menstrual cycles may be a menstrual cycle that is continuous with the current menstrual cycle, for example.
  • these menstrual cycles may be a continuous menstrual cycle, for example.
  • the period days determination unit 147 may calculate a short-term moving average and a long-term moving average in one or more past menstrual cycles using, for example, the respective short-term days and long-term days used as parameters.
  • FIG. 10 is a diagram illustrating an example of a graph of body temperature in the past three menstrual cycles, a short-term moving average line, and a long-term moving average line of body temperature.
  • the period days determination unit 147 makes the timing at which the short-term moving average of the body temperature in the past one or more menstrual cycles becomes smaller than the long-term moving average overlap with the menstrual day that is the first day of the past one or more menstrual cycles.
  • the short-term days and long-term days used as parameters are determined.
  • the timing at which the short-term moving average becomes smaller than the long-term moving average is, for example, the short-term moving average immediately after the timing at which the moving average line intersects among the timing at which the short-term moving average line and the long-term moving average line intersect Is lower than the long-term moving average.
  • Such crossing of the moving average lines is referred to as N crossover (negative crossover).
  • FIG. 11 is a diagram illustrating an example of a relationship between a short-term moving average line and a long-term moving average line of body temperature in the past three menstrual cycles. In the example of FIG. 11, the timing of N crossover roughly overlaps each of the three menstrual days.
  • the period days determining unit 147 determines the short-term days and the long-term days so that the timing of the N crossover overlaps with the actual menstrual days, so that the estimation accuracy of the arrival of the ovulation day using the moving average or the prediction of the menstrual days Accuracy can be increased.
  • the period days determination unit 147 may determine the short-term days and the long-term days so that the function err indicating the difference between the menstrual day and the N crossover timing is minimized, for example.
  • the parameters of the function err are the short-term days s and the long-term days l.
  • the transposed matrix of the matrix (s, l) is x
  • the parameter of err is the matrix x.
  • err may be represented by the following Expression 3, for example.
  • menday (i) is the first day of the i-th menstrual cycle out of the past n menstrual cycles, that is, a menstrual day.
  • ncodey (x, i) is the day closest to menday (i) among the days when the N crossover specified based on the short-term moving average and the long-term moving average calculated by x occurs.
  • the period days determination unit 147 may solve the convex optimization problem for obtaining x that minimizes err (x), for example. This problem may be shown, for example, by Equation 4 below.
  • the period days determining unit 147 may use any algorithm.
  • the period days determination unit 147 may use a simplex method or the like.
  • the period days determination unit 147 calculates err for all combinations of short-term days and long-term days, for example, and calculates the short-term days and long-term days for which the smallest err is calculated. May be determined as short-term days and long-term days used for estimating the arrival of the ovulation day or predicting the next period.
  • the period days determination unit 147 determines the short-term days and the long-term days so that the difference between the period when the short-term moving average of the body temperature in the past one or more menstrual cycles becomes smaller than the long-term moving average and the menstrual day becomes small.
  • the short-term days and the long-term days may be determined so that the integrated value of the difference between the short-term moving average and the long-term moving average in one or more previous menstrual cycles becomes large. That is, for example, in FIG. 10, the period days determining unit 147 may determine the short-term days and the long-term days so that the area of the region surrounded by the short-term moving average line and the long-term moving average line becomes as large as possible. .
  • the reason is to clearly identify the N crossover. This is because when the difference between the short-term moving average and the long-term moving average is small as a whole, it may be difficult to specify the N crossover or a plurality of N crossovers may occur within one menstrual cycle.
  • the definite integral area (x) of the difference between the short-term moving average and the long-term moving average is expressed by the following Equation 5.
  • TE is the number of days that have passed from the first day of the first menstrual cycle to the last day of the last menstrual cycle of one or more previous menstrual cycles.
  • EMA s is a short-term moving average in which the number of days in the period is s
  • EMA l is a long-term moving average in which the number of days in the period is l.
  • f (x) may be expressed by Equation 6 below.
  • Expression 6 is an example of an expression for the function f (x).
  • the function f (x) may be calculated using an expression different from Expression 6.
  • the period days determination unit 147 may determine the short-term days and the long-term days so that, for example, f is maximized. For example, the period days determination unit 147 may solve the convex optimization problem for obtaining x that maximizes f. This problem may be shown, for example, by Equation 7 below.
  • the period days determining unit 147 may use any algorithm.
  • the period days determination unit 147 may use a simplex method or the like.
  • the period days determination unit 147 calculates f for all combinations of short-term days and long-term days, for example, and calculates the short-term days and long-term days for which the largest f is calculated. May be determined as short-term days and long-term days used for estimating the arrival of the ovulation day or predicting the next period.
  • the period days determination unit 147 may determine the short-term days and the long-term days so that g (x) is minimized.
  • the function changes to an optimization problem for obtaining a short-term day and a long-term day in which ⁇ f (x) is minimized. Therefore, the optimization problem of the function f (x) and the function g (x ) Optimization problem is substantially the same.
  • the timing specifying unit 148 calculates a short-term moving average and a long-term moving average in the current menstrual cycle using the short-term days and long-term days determined by the period days determining unit 147.
  • the timing specifying unit 148 may start calculating the exponential moving average from any day within one or more past menstrual cycles, for example.
  • the timing specifying unit 148 specifies the timing at which the short-term moving average becomes larger than the long-term moving average in the current menstrual cycle, that is, the day when the P crossover occurs.
  • the body temperature base prediction unit 149 estimates the arrival of the ovulation day or predicts the next menstrual day based on the timing specified by the timing specifying unit 148.
  • the body temperature base prediction unit 149 may estimate the day when the P crossover has occurred, for example, as the ovulation day. Alternatively, the body temperature base prediction unit 149 may estimate a day after a predetermined date or a predetermined date before the day when the P crossover has occurred as an ovulation day, for example. Alternatively, when the ovulation date in the past menstrual cycle of the subject is known by the ovulation day test, the body temperature-based prediction unit 149 may, for example, calculate the ovulation date and the date on which the P crossover occurred in the past menstrual cycle. The difference may be calculated. Then, the body temperature base prediction unit 149 may calculate the estimated ovulation date by adding the calculated difference to the day when the P crossover occurs in the current menstrual cycle.
  • the body temperature-based predicting unit 149 may calculate the predicted menstrual day by adding a predetermined number of days, for example, on the day when the P crossover occurs, or may calculate the predetermined number of days on the estimated ovulation day.
  • the predicted menstrual date may be calculated by adding.
  • the number of days to be added may be predetermined within a range of 14 days ⁇ 2 days, for example.
  • the body temperature-based prediction unit 149 may perform N crossovers from the day when a P crossover in one or more past menstrual cycles occurs based on, for example, a short-term moving average and a long-term moving average of one or more previous menstrual cycles. A representative value of the number of days until the day of occurrence may be calculated.
  • the body temperature base prediction unit 149 may calculate, for example, an average value or a median value. Then, the body temperature base prediction unit 149 may calculate the predicted physiological date by adding the calculated representative value to the day when the P crossover occurs in the current menstrual cycle, for example.
  • FIG. 12A is a diagram illustrating an example of how a predicted physiological date is calculated. For example, in the example of FIG. 11, the days from the day when the P crossover occurred to the day when the N crossover occurred in the menstrual cycle are 11, 13 and 15, respectively. Therefore, the average value is 13. As shown in FIG. 12A, the day when the P crossover occurred in the current menstrual cycle is January 14. Therefore, the body temperature base prediction unit 149 predicts the next menstruation date as January 27.
  • the menstrual cycle subject to estimation of the ovulation date may be the current menstrual cycle or a past menstrual cycle.
  • the timing specifying unit 148 calculates a short-term moving average and a long-term moving average in a past menstrual cycle using the short-term days and long-term days determined by the period days determining unit 147, and in the menstrual cycle, The timing when the short-term moving average becomes larger than the long-term moving average may be specified.
  • body temperature base prediction part 149 may estimate the ovulation day in the menstrual cycle based on the specified timing.
  • the short-term days and long-term days used in the body temperature-based prediction method may be determined in advance.
  • the short-term days and the long-term days may be stored in the storage unit 12 in advance. In this case, the period days determining unit 147 is not necessary.
  • the cycle-based prediction method if the number of days in the past three or more menstrual cycles is specified, the next menstrual day is predicted regardless of whether it is in the low temperature period or the high temperature period. Can do.
  • the next menstrual day is accurately predicted based on the timing when the short-term moving average of the body temperature becomes larger than the long-term moving average, that is, the timing when the P crossover occurs. Can do.
  • the body temperature-based prediction method cannot be used.
  • the cycle-based predicting unit 146 may predict the next menstrual day. Good.
  • the timing specifying unit 148 specifies the timing when the short-term moving average becomes larger than the long-term moving average
  • the body temperature base prediction unit 149 may predict the next menstrual date.
  • FIG. 12B is a diagram showing a determination example of a method used for prediction of the next menstrual day.
  • the short-term moving average is lower than the long-term moving average. Therefore, during this period, the period-based prediction unit 146 predicts the next menstrual day using the period-based prediction method.
  • the body temperature base prediction unit 149 predicts the next menstrual day using the body temperature base prediction method.
  • the cycle-based prediction unit 146 may always predict the next menstrual day. In this case, the body temperature base prediction unit 149 is unnecessary. Also, for example, if the timing at which the P crossover occurred in the current menstrual cycle has not yet been specified, the system control unit 14 uses the method different from the cycle-based prediction method described in Section 3-1 to A menstrual day may be predicted. For example, the system control unit 14 may use any method as long as the method predicts the next menstrual day by adding the representative value of the number of days in the past one or more cycles to the menstrual day of the first menstrual cycle. Good. In this case, for example, the number of days in at least one of the past one or more cycles may be corrected or changed.
  • the body temperature base prediction unit 149 may predict the next menstrual day.
  • the system control unit 14 may not predict the next menstrual date.
  • the body temperature base prediction unit 149 may predict the next menstrual day. In this case, the period base prediction unit 146 is not necessary.
  • FIG. 13 is a flowchart showing an example of a menstrual day prediction process of the system control unit 14 of the information processing server 1 according to the present embodiment.
  • the user terminal 2 activates a terminal application program. Then, the user measures today's body temperature using the thermometer 3. Then, the user terminal 2 receives the measured body temperature from the thermometer 3 as an actual measurement value. Then, the user terminal 2 transmits the measured body temperature value to the information processing server 1 together with the user ID of the user who uses the user terminal 2.
  • the system control unit 14 executes the menstrual day prediction process.
  • the user indicated by the user ID is a target person whose next menstruation is predicted.
  • the body temperature base prediction unit 149 records the received actual measurement value (step S1). Specifically, the body temperature base prediction unit 149 acquires today's date as the measurement date. Then, the body temperature base prediction unit 149 registers the received actual measurement value and user ID in association with the measurement date in the body temperature DB 12b.
  • the cycle-based prediction unit 146 determines whether or not the number of past menstrual cycles recorded for the user indicated by the user ID of the target person is greater than the threshold value KN stored in advance in the storage unit 12 (step). S2). For example, the cycle base prediction unit 146 searches the menstrual date DB 12c for the menstrual date corresponding to the user ID of the subject. The cycle-based prediction unit 146 calculates the number of past menstrual cycles by subtracting 1 from the number of menstrual days found by this search.
  • the threshold value KN may indicate any of two or more numbers, for example.
  • step S2 determines that the number of past menstrual cycles is larger than the threshold value KN (step S2: YES)
  • the cycle base prediction unit 146 proceeds to step S3.
  • step S2: NO the cycle-based prediction unit 146 ends the menstrual day prediction process.
  • the body temperature base prediction unit 149 determines whether or not the number of past menstrual cycles in which the measured values of body temperature of each day are recorded is greater than the threshold value KN. For example, the body temperature base prediction unit 149 sorts the menstrual dates found in step S2 in order of date. The body temperature base prediction unit 149 specifies the menstrual cycle for every two adjacent menstrual days in the sorted menstrual days. A period from one menstrual day to the day before the next menstrual day is one menstrual cycle. The body temperature base prediction unit 149 searches the body temperature DB 12b for each menstrual cycle for the actual measured values from the first day to the last day of the menstrual cycle, among the actual measured values of the body temperature corresponding to the user ID of the subject.
  • the body temperature base prediction unit 149 increases the number of past menstrual cycles in which the actual temperature measurement values of each day are recorded by one. If the body temperature base prediction unit 149 determines that the number of menstrual cycles counted in this way is larger than the threshold value KN (step S3: YES), the process proceeds to step S4. On the other hand, when the body temperature base prediction unit 149 determines that the number of past menstrual cycles in which the measured values of the body temperature of each day are recorded is not larger than the threshold KN (step S3: NO), the physiological date prediction End the process.
  • the body temperature base prediction unit 149 uses the actual measurement value of the body temperature such as days before and after the part of the day, The actual measured value may be interpolated. Accordingly, the body temperature base prediction unit 149 may increase the number of menstrual cycles in which the measured values of the body temperature of each day are recorded. Alternatively, the body temperature base prediction unit 149 may transmit a message that prompts the user terminal 2 to input a body temperature on a day for which an actual measurement value of body temperature is not recorded, for example. And the body temperature base prediction part 149 may acquire the body temperature manually input by the user from the user terminal 2 as a measured value, for example.
  • step S4 the system control unit 14 determines whether the parameter information for the current menstrual cycle is registered. For example, the system control unit 14 specifies the latest menstrual day among the menstrual days found in step S2 as the first day of the current menstrual cycle. Next, the system control unit 14 searches the parameter DB 12d for parameter information whose registration date is after the first day of the current menstrual cycle among the parameter information corresponding to the user ID of the subject. As a result of the search, if the system control unit 14 determines that the parameter information is registered in the parameter DB 12d (step S4: YES), the system control unit 14 proceeds to step S6.
  • step S5 the system control unit 14 executes parameter determination processing.
  • the system control unit 14 generates parameters for the cycle-based prediction method and the body temperature-based prediction method. Further, the system control unit 14 predicts the next menstruation date using a cycle-based prediction method. In addition, the system control unit 14 estimates the number of days in the high temperature period of the current menstrual cycle by a body temperature-based prediction method. Then, the system control unit 14 generates parameter information for the current menstrual cycle. Details of the parameter determination process will be described later. Next, the system control unit 14 proceeds to step S6.
  • step S6 the body temperature base prediction unit 149 determines whether or not an actual measurement value of the body temperature of each day of the current menstrual cycle is recorded. For example, the body temperature base prediction unit 149 searches the body temperature DB 12b for the actually measured values from the first day of the current menstrual cycle to today, among the measured body temperature values corresponding to the user ID of the subject. As a result of the search, when the actual measurement values are found on all the days from the first day to today, the body temperature base prediction unit 149 determines that the actual temperature measurement values for each day of the current menstrual cycle are recorded (step S6: YES) In this case, the body temperature base prediction unit 149 proceeds to step S7.
  • the body temperature base prediction unit 149 determines that the actual temperature measurement value of each day of the current menstrual cycle is not recorded (step S6: NO). In this case, the body temperature base prediction unit 149 proceeds to step S10. Note that the body temperature base prediction unit 149 may determine, for example, the body temperature of the day on which the actual measurement value of the body temperature is not recorded, or may cause the user to input the body temperature.
  • step S7 the timing specifying unit 148 acquires the short-term days and the long-term days from the parameter information for the current menstrual cycle.
  • the timing specifying unit 148 determines the short-term moving average and the long-term average of each day from the first day of the current menstrual cycle to the present day based on the actual measurement value of each day of the current menstrual cycle and the short-term and long-term days.
  • the moving average is calculated (step S8).
  • step S9 the timing specifying unit 148 determines whether or not a P crossover is specified in the current menstrual cycle.
  • the timing specifying unit 148 determines that a P crossover has occurred. You may judge. In this case, the timing specifying unit 148 specifies, for example, one of these two days as the day when the P crossover has occurred. For example, the timing specifying unit 148 may specify the day with the smaller difference between the short-term moving average and the long-term moving average as the day when the P crossover has occurred.
  • the timing specifying unit 148 may determine that the P crossover has occurred. In this case, for example, the timing specifying unit 148 may specify the central day of these three days as the day when the P crossover has occurred.
  • the timing specifying unit 148 proceeds to step S11.
  • the timing specifying unit 148 proceeds to step S10.
  • step S10 the cycle-based prediction unit 146 transmits the predicted menstrual date included in the parameter information for the current menstrual cycle to the user terminal 2, and ends the menstrual date prediction process.
  • the user terminal 2 displays the predicted physiological date received from the information processing server 1 on the screen.
  • the body temperature base prediction unit 149 determines the estimated ovulation date based on the day when the P crossover occurs in the current menstrual cycle. For example, the body temperature base prediction unit 149 may determine the day when the P crossover has occurred and the estimated ovulation day. Next, the body temperature base prediction unit 149 calculates a predicted physiological date by adding the estimated high temperature period days included in the parameter information for the current menstrual cycle to the day when the P crossover occurs (step S12). Next, the body temperature base prediction unit 149 transmits the estimated ovulation date and the predicted physiological date to the user terminal 2 (step S13). The menstrual day prediction process is terminated. The user terminal 2 displays the estimated ovulation date and the predicted menstrual date received from the information processing server 1 on the screen.
  • FIG. 14 is a flowchart showing an example of parameter determination processing of the system control unit 14 of the information processing server 1 according to the present embodiment.
  • the system control unit 14 performs a cycle-based parameter determination process (step S21).
  • the cycle-based parameter determination process the system control unit 14 determines parameters used in the cycle-based prediction method. Details of the cycle-based parameter determination process will be described later.
  • the cycle base prediction unit 146 performs a cycle base prediction process (step S22). In the cycle-based prediction process, the cycle-based prediction unit 146 determines a predicted physiological date using a cycle-based prediction method. Details of the cycle-based prediction process will be described later.
  • the period days determination unit 147 performs a body temperature base parameter determination process (step S23).
  • the body temperature-based parameter determination process determines parameters used in the body temperature-based prediction method. Details of the body temperature-based parameter determination process will be described later.
  • the body temperature-based prediction unit 149 determines one or more past ones based on the short-term moving average and the long-term moving average calculated based on the short-term days and the long-term days determined as the parameters of the body temperature-based prediction method. The day when the P crossover occurs in the menstrual cycle and the day when the N crossover occurs are specified. Then, the body temperature base prediction unit 149 calculates the average value of the days from the day when the P crossover occurs until the day when the N crossover occurs as the estimated high temperature period days (step S24).
  • the system control unit 14 acquires today's date as the registration date.
  • the system control unit 14 includes the user ID of the subject, the registration date, the parameters determined by the cycle-based parameter determination process and the body temperature-based parameter determination process, the predicted physiological date determined by the cycle-based prediction method, and the estimated high temperature period date. Generate parameter information including numbers.
  • the system control unit 14 registers the generated parameter information in the parameter DB 12d (step S25), and ends the parameter determination process.
  • FIG. 15 is a flowchart showing an example of the cycle-based parameter determination process of the system control unit 14 of the information processing server 1 according to the present embodiment.
  • the parameter candidate acquisition unit 141 determines the number RN of reference periods (step S31). For example, the parameter candidate acquisition unit 141 acquires the initial value of the number of reference cycles stored in advance in the storage unit 12. Next, the parameter candidate acquisition unit 141 determines whether the number of past menstrual cycles is larger than the initial value. When the number of past menstrual cycles is larger than the initial value, the parameter candidate acquisition unit 141 determines the initial value as RN. On the other hand, when the number of past menstrual cycles is equal to or less than the initial value, the parameter candidate acquisition unit 141 calculates RN by subtracting 1 from the number of past menstrual cycles.
  • the parameter candidate acquisition unit 141 sets the number i to 1 (step S32). Then, the parameter candidate acquisition unit 141 acquires from the storage unit 12 a candidate OF (i) for removing an abnormal value threshold. Next, the parameter candidate acquisition unit 141 sets the number j to 1 (step S33). Then, the parameter candidate acquisition unit 141 acquires the candidate WN (j) for the winsolation threshold from the storage unit 12. Next, the parameter candidate acquisition unit 141 sets the representative value type to “average value” (step S34). Next, the system control unit 14 executes a day difference calculation process (step S35). In the day difference calculation process, the system control unit 14 corrects a plurality of reference periods based on the parameter candidate combinations determined in steps S32 to S34. Then, the system control unit 14 calculates the difference between the corrected representative value of the reference period and the reference period as the total number of days difference. Details of the day difference calculation process will be described later.
  • the parameter candidate acquisition unit 141 determines whether or not the representative value type is “average value” (step S36). At this time, if the parameter candidate acquisition unit 141 determines that the representative value type is “average value” (step S36: YES), the parameter candidate acquisition unit 141 proceeds to step S37. In step S37, the parameter candidate acquisition unit 141 changes the representative value type to “median”, and the process proceeds to step S35. On the other hand, if the parameter candidate obtaining unit 141 determines that the representative value type is not “average value” (step S36: NO), the parameter candidate obtaining unit 141 proceeds to step S38. In step S38, the parameter candidate acquisition unit 141 determines whether the number j is less than the number of candidates for the winsolization threshold.
  • step S38 determines that the parameter number j is less than the number of candidates for the threshold for winsolization.
  • step S38 determines that the parameter candidate acquisition unit 141 determines that the parameter number j is less than the number of candidates for the threshold for winsolization.
  • step S40 the parameter candidate acquisition unit 141 determines whether the number i is less than the number of abnormal value removal threshold candidates.
  • step S40 determines that the parameter number i is less than the number of abnormal value removal threshold candidates.
  • step S40 determines that the parameter number i is not less than the number of abnormal value removal threshold candidates.
  • step S42 the parameter determination unit 145 rearranges all candidate combinations in ascending order of the total number of days.
  • the parameter determination unit 145 identifies the candidate combination with the smallest total number of days difference as the first candidate.
  • the parameter determination unit 145 determines whether there is another candidate combination for which the total number of days difference within a predetermined range is calculated from the total number of days difference of the first candidate (step S43). For example, the parameter determination unit 145 calculates a reference value for the total number of days difference by multiplying the total number of days difference of the first candidate by a coefficient stored in advance in the storage unit 12. The value of this coefficient is larger than 1, for example.
  • the parameter determination unit 145 determines whether or not there is one or more candidate combinations whose total days difference is equal to or less than a reference value except for the first candidate. At this time, when there is one or more candidate combinations whose total number of days difference is equal to or less than the reference value, the parameter determination unit 145 calculates another candidate combination in which the total number of days difference within a predetermined range is calculated from the total number of days difference of the first candidate (Step S43: YES). In this case, the parameter determination unit 145 specifies a candidate combination whose total number of days difference is equal to or less than the reference value as the second candidate. Then, the parameter determination unit 145 proceeds to step S45.
  • Step S43 NO
  • the parameter determination unit 145 proceeds to step S44.
  • step S44 the parameter determination unit 145 determines the first candidate as a parameter used in the cycle-based prediction method, and ends the cycle-based parameter determination process.
  • step S45 the parameter determination unit 145 executes the number acquisition process.
  • the parameter determination unit 145 acquires the number of users for which the first candidate is determined as a parameter for the period-based prediction method, and the number of users for which the second candidate is determined as a parameter for the period-based prediction method. To get. Details of the number acquisition process will be described later.
  • the parameter determining unit 145 determines the candidate having the largest number of users determined as a parameter from the first candidate and the second candidate as a parameter to be used in the period-based prediction method (step S46). The parameter determination process is terminated.
  • FIG. 16 is a flowchart illustrating an example of the day difference calculation process of the system control unit 14 of the information processing server 1 according to the present embodiment.
  • the parameter determination unit 145 sets the total number of days difference TD (i, j, k) to 0 (step S51).
  • the cycle set acquisition unit 142 sets the number m of the menstrual cycle to 1 (step S52).
  • the cycle set acquisition unit 142 acquires the number of days in the menstrual cycle (m) among the plurality of past menstrual cycles identified in the menstrual day prediction process as the number of days in the reference cycle (step S53).
  • the menstrual cycle (m) is the m-th latest menstrual cycle among the past menstrual cycles.
  • the cycle set acquisition unit 142 sets the number of days from the menstrual cycle (m + 1) to the menstrual cycle (m + RN + 1) among the past menstrual cycles identified in the menstrual day prediction process as the number of reference cycle days. Obtain (step S54). Then, the cycle set acquisition unit 142 rearranges the acquired days of the reference cycle in ascending order.
  • the modified reference period acquisition unit 143 counts the number of appearances of the reference period for each number of days. And the correction period group acquisition part 143 calculates the appearance probability of a reference period for every number of days by dividing each appearance number by RN (step S55). Next, the corrected reference period acquisition unit 143 removes, from the acquired reference period, the reference period of days whose appearance probability is less than OF (i) percent as an abnormal value (step S56).
  • the modified reference cycle acquisition unit 143 determines the WN (j) percentile and the (100-WN (j)) percentile from the remaining number of days of the reference cycle from which the abnormal value has been removed. Then, the modified reference cycle acquisition unit 143 changes the number of days in the reference cycle that is less than the WN (j) percentile among the remaining reference cycles to the WN (j) percentile (step S57). Further, the modified reference cycle acquisition unit 143 changes the number of days of the reference cycle that exceeds the (100-WN (j)) percentile among the remaining reference cycles to the (100-WN (j)) percentile (step S58). ).
  • step S59 determines whether or not the representative value type k is “average value” (step S59). At this time, if the representative value acquisition unit 144 determines that the representative value type k is “average value” (step S59: YES), the process proceeds to step S60. In step S60, the representative value acquisition unit 144 calculates the average value of the corrected number of days in the reference period as the representative value P, and proceeds to step S62. On the other hand, if the representative value acquisition unit 144 determines that the representative value type k is not “average value” (step S59: NO), the process proceeds to step S61. In step S61, the representative value acquisition unit 144 determines the corrected median number of days of the reference cycle as the representative value P, and proceeds to step S62.
  • step S62 the parameter determination unit 145 calculates the absolute value D of the difference between the number of days in the reference period and the representative value P.
  • the parameter determination unit 145 acquires the weighting coefficient W (m) from the storage unit 12. The larger the value of m, the smaller the value of W (m).
  • the parameter determination unit 145 calculates a weighted difference by multiplying the absolute value D of the difference by W (m). Then, the parameter determination unit 145 adds T to the total number of days difference T (i, j, k) and updates T (i, j, k) (step S63).
  • the cycle set acquisition unit 142 determines whether the sum of the number m and the number of reference cycles RN is less than the number of past menstrual cycles (step S64). At this time, when the cycle set acquisition unit 142 determines that the sum of the number m and the number of reference cycles RN is less than the number of past menstrual cycles (step S64: YES), the cycle set acquisition unit 142 proceeds to step S65. In step S65, the period set acquisition unit 142 adds 1 to the number m, and proceeds to step S53. On the other hand, when it is determined that the sum of the number m and the number of reference cycles RN is not less than the number of past menstrual cycles (step S64: NO), the cycle set acquisition unit 142 ends the day difference calculation process. .
  • FIG. 17 is a flowchart showing an example of the number acquisition process of the system control unit 14 of the information processing server 1 according to the present embodiment.
  • the parameter determination unit 145 acquires the age corresponding to the user ID of the target person from the member information DB 12a. And the parameter determination part 145 acquires a subject's age based on the acquired age (step S71). Next, the parameter determination unit 145 selects one from the first candidate and one or a plurality of second candidates (step S72).
  • the parameter determination unit 145 searches the parameter DB 12d for parameter information including all of the selected candidate abnormal value removal threshold value, the winsolization threshold value, and the representative value type. Then, the parameter determining unit 145 generates a list of parameter information found by the search (step S73).
  • the parameter determining unit 145 deletes parameter information that is not the latest from the list (step S74). For example, the parameter determination unit 145 acquires the user ID from the parameter information in the list. Next, the parameter determination unit 145 searches the parameter DB 12d for parameter information with the latest registration date among the parameter information corresponding to the acquired user ID. Next, when the registration date of the parameter information in the list is older than the latest registration date, the parameter determination unit 145 deletes the parameter information. The parameter determination unit 145 performs these processes for each parameter information in the list.
  • the parameter determination unit 145 counts the number of users that match the age of the target person (step S75). For example, the parameter determination unit 145 acquires the age corresponding to the user ID included in the parameter information in the list from the member information DB 12a. And the parameter determination part 145 acquires the user's age which user ID shows based on the acquired age. When the acquired age matches the age of the target person, the parameter determination unit 145 increases the number of users by one. The parameter determining unit 145 executes these processes for each parameter information in the list (step S75).
  • the parameter determination unit 145 determines whether or not all of the first candidate and one or more second candidates have been selected (step S76). At this time, if the parameter determination unit 145 determines that there is a candidate that has not yet been selected (step S76: NO), the parameter determination unit 145 proceeds to step S77. In step S77, the parameter determination unit 145 selects one of the candidates that have not been selected, and proceeds to step S73. On the other hand, if the parameter determination unit 145 determines that all candidates have been selected (step S76: YES), the parameter acquisition process ends.
  • FIG. 18 is a flowchart illustrating an example of the cycle-based prediction process of the system control unit 14 of the information processing server 1 according to the present embodiment.
  • the period-based prediction unit 146 acquires the abnormal value removal threshold OF, the windization threshold WN, and the representative value type PR determined as parameters (step S81).
  • the cycle-based prediction unit 146 acquires the number of days in each of a plurality of past menstrual cycles of the subject (step S82).
  • the cycle-based prediction unit 146 counts the number of appearances of past menstrual cycles for each number of days. Then, the cycle-based prediction unit 146 calculates the appearance probability of the past menstrual cycle for each number of days by dividing the number of appearances by the number of past menstrual cycles (step S83). Next, the cycle-based prediction unit 146 removes, from the acquired menstrual cycle, the reference cycle having the number of days whose appearance probability is less than OF percent as an abnormal value (step S84). Next, the cycle-based prediction unit 146 determines a WN percentile and a (100-WN) percentile from the number of days in the remaining menstrual cycle from which the abnormal value has been removed.
  • the cycle-based prediction unit 146 changes the number of days of the menstrual cycle that is less than the WN percentile among the remaining menstrual cycles to the WN percentile (step S85). Further, the cycle-based prediction unit 146 changes the number of days of the menstrual cycle that exceeds the (100-WN) percentile among the remaining menstrual cycles to the (100-WN) percentile (step S86).
  • step S87 determines whether or not the representative value type PR is “average value” (step S87). At this time, if the cycle-based prediction unit 146 determines that the representative value type PR is “average value” (step S87: YES), the cycle-based prediction unit 146 proceeds to step S88. In step S88, the cycle base prediction unit 146 calculates the average value of the number of days in the corrected menstrual cycle as the representative value P, and proceeds to step S90. On the other hand, if the cycle-based prediction unit 146 determines that the representative value type PR is not “average value” (step S87: NO), the cycle-based prediction unit 146 proceeds to step S89. In step S89, the cycle base prediction unit 146 determines the median value of the number of days in the corrected menstrual cycle as the representative value P, and proceeds to step S90.
  • step S90 the cycle-based prediction unit 146 calculates the predicted physiological date by adding the representative value P to the date of the first day of the current menstrual cycle. Then, the cycle base prediction unit 146 ends the cycle base prediction process.
  • FIG. 19 is a flowchart showing an example of the body temperature-based parameter determination process of the system control unit 14 of the information processing server 1 according to the present embodiment.
  • the period days determination unit 147 acquires one combination of the short-term days and the long-term days (step S ⁇ b> 101).
  • the period days determination unit 147 determines a short-term moving average and a long-term moving average of the body temperature of the past one or more menstrual cycles based on the acquired combination and the actual measurement value of the past one or more menstrual cycles of the subject.
  • the moving average is calculated (step S102).
  • the period days determination unit 147 identifies the day on which the N crossover has occurred based on the calculated moving average (step S103).
  • the method for identifying the day when the N crossover occurs is the same as the method for identifying the day when the P crossover occurs, except that the high-low relationship between the short-term moving average and the long-term moving average is reversed.
  • the method for specifying the day when the P crossover has occurred is described in the description of step S9 of the menstrual day prediction process shown in FIG.
  • the period days determination unit 147 calculates the average value of the difference of the menstrual day and the day when P crossover occurred (step S104). That is, the period days determination unit 147 calculates Equation 3.
  • the period days determination unit 147 calculates a definite integral of the difference between the short-term moving average and the long-term moving average in the past one or more menstrual cycles (step S105). That is, the period days determination unit 147 calculates Equation 5.
  • the period days determination unit 147 calculates the function f shown in Expression 6 using the calculation results of steps S104 and S105 (step S106).
  • the period days determination unit 147 determines whether or not all combinations of short-term days and long-term days have been acquired (step S107). At this time, if it is determined that there is a combination that has not yet been acquired (step S107: NO), the period days determination unit 147 proceeds to step S108. In step S108, the period days determination unit 147 acquires one of the combinations that have not yet been acquired, and proceeds to step S102. On the other hand, if the period days determining unit 147 determines that all combinations have been acquired (step S107: YES), the process proceeds to step S109.
  • step S109 the period days determination unit 147 determines the combination having the largest function f among the plurality of combinations of the short-term days and the long-term days as a parameter of the body temperature-based prediction method. Then, the body temperature base prediction unit 149 ends the body temperature base parameter determination process.
  • the system control unit 14 includes a plurality of candidates for at least one of a plurality of candidates for the threshold value for abnormal value removal and a plurality of candidates for the threshold value for windization. May be obtained. Further, the system control unit 14 may acquire a reference period and a plurality of reference periods from a plurality of past menstrual periods of the subject. Further, the system control unit 14 obtains a plurality of reference periods corrected by performing predetermined processing on outliers specified by the threshold candidates among a plurality of reference circumferences for each threshold candidate. Also good. The system control unit 14 may acquire representative values of a plurality of corrected reference periods for each threshold candidate. Further, the system control unit 14 may compare the representative value acquired for each threshold candidate and the reference period.
  • the system control unit 14 may determine a threshold value used for predicting the number of days in the menstrual cycle of the target person from a plurality of threshold value candidates based on the comparison result. In this case, it is possible to determine a threshold value that suppresses a decrease in prediction accuracy even when the menstrual cycle varies greatly. Therefore, based on this threshold, it is possible to predict the menstrual cycle while suppressing a decrease in prediction accuracy, and it is possible to predict a menstrual day using this menstrual cycle.
  • the system control unit 14 may acquire a plurality of candidates for abnormal value removal thresholds and a plurality of candidates for threshold values for windization. Also, the reference period specified as an abnormal value by the abnormal value removal threshold from a plurality of reference periods for each candidate combination including the abnormal value removal threshold candidate and the winsolization threshold candidate. And the number of days of the reference period specified as an outlier by the threshold of the winsolization is changed to the number of days corresponding to the threshold of the winsolization among the plurality of reference periods from which the abnormal value is removed A plurality of corrected reference periods may be acquired. Further, the system control unit 14 may acquire representative values of a plurality of corrected reference periods for each candidate combination. Further, the system control unit 14 may compare the representative value and the reference period for each candidate combination.
  • system control unit 14 may determine a candidate combination used for prediction from among a plurality of candidate combinations based on the comparison result. In this case, even when the menstrual cycle has a large variation, it is possible to determine an abnormal value removal threshold and a winsolization threshold that suppress a decrease in prediction accuracy.
  • the system control unit 14 may acquire an abnormal value removal threshold value and a winsolization threshold value. Further, the system control unit 14 may remove a menstrual cycle specified as an abnormal value by an abnormal value removal threshold from a plurality of menstrual cycles. In addition, the system control unit 14 changes the number of days of the menstrual cycle identified as an outlier by the threshold of the winsolization among a plurality of menstrual cycles from which abnormal values have been removed to the number of days corresponding to the threshold of the winsolization May be. Then, the system control unit 14 may predict the number of days in the menstrual cycle of the subject based on a plurality of menstrual cycles in which the number of days in the menstrual cycle has been changed. In this case, even when the menstrual cycle has a large variation, it is possible to predict the menstrual cycle by suppressing the decrease in prediction accuracy, and it is possible to predict the menstrual day using this menstrual cycle. is there.
  • system control unit 14 may acquire a plurality of periodic sets. Further, the system control unit 14 may acquire a plurality of corrected reference periods for each combination of threshold candidates and period sets. Further, the system control unit 14 may acquire representative values of a plurality of corrected reference periods for each combination of threshold candidates and period sets. Further, the system control unit 14 may compare the representative value and the reference period for each combination of the threshold candidate and the period set. Then, the system control unit 14 may determine a threshold used for prediction based on a plurality of comparison results obtained for each threshold candidate. In this case, a more appropriate threshold value can be determined.
  • system control unit 14 may acquire a plurality of continuous reference cycles and a reference cycle that is continuous with the plurality of reference cycles and is newer than the plurality of reference cycles. Further, the system control unit 14 may determine a threshold value used for prediction by weighting each of a plurality of comparison results obtained for each threshold candidate. At this time, the system control unit 14 may decrease the weight of the comparison result between the reference period and the representative value as the reference period is older. In this case, a more appropriate threshold can be determined for the prediction of the menstrual cycle.
  • the system control unit includes a second candidate in which a difference within a predetermined range is acquired from the difference of the first candidate having the smallest difference between the representative value and the reference period among the plurality of threshold candidates. Based on the number of users whose first candidate is determined as a threshold used for prediction among users different from the target person, and the number of users whose second candidate is determined as a threshold used for prediction A threshold value used for prediction may be determined from the second candidates. In this case, a more appropriate threshold can be determined for the prediction of the menstrual cycle.
  • the system control unit 14 sets the number of users having characteristics identical to the characteristics of the target person among the users whose first candidates are determined as threshold values used for prediction, and the threshold values used for prediction.
  • the threshold used for prediction may be determined based on the number of users having features that are identical to the features of the subject among the users for which two candidates are determined. In this case, a threshold value that is more appropriate for the subject can be determined.
  • system control unit 14 may acquire the average value and the median value of a plurality of corrected reference periods for each threshold candidate. Further, the system control unit 14 may compare the average value and the median value with the reference period for each threshold candidate. Then, the system control unit 14 may determine a candidate combination to be used for prediction from among a plurality of candidate combinations including threshold candidates and representative value types. In this case, a representative value suitable for the distribution status of a plurality of menstrual cycles in the past can be acquired.
  • the system control unit 14 determines that the timing at which the short-term moving average of the body temperature measured in the current menstrual cycle of the subject is larger than the long-term moving average has not arrived within the current menstrual cycle.
  • the number of days in the subject's current menstrual cycle may be predicted based on the threshold value and the subject's past menstrual cycles, and the next menstrual day may be predicted based on the predicted number of days .
  • the system control unit 14 may predict the next menstrual day based on that timing. Good. In this case, after the transition from the low temperature period to the high temperature period, a more accurate menstrual day can be predicted.
  • the timing at which the moving average of short-term days is lower than the moving average of long-term days is one or more times in the past.
  • the short-term days and the long-term days may be determined so as to overlap with the menstrual days.
  • the system control unit 14 may specify the timing at which the moving average of the short-term days is higher than the moving average of the long-term days for the moving average of the body temperature measured in the target menstrual cycle. Then, the system control unit 14 may predict the next menstrual day of the target menstrual cycle based on the identified timing, or may estimate the arrival of the ovulation day during the target menstrual cycle.
  • the time series of the body temperature is smoothed by the moving average, and by specifying this timing, the body temperature fluctuates up and down before and after the timing of actually shifting from the low temperature period to the high temperature period.
  • the timing can be specified appropriately.
  • the system control unit 14 determines that the moving average of the short-term days is lower than the moving average of the long-term days from the timing when the moving average of the short-term days is higher than the moving average of the long-term days in one or more menstrual cycles in the past.
  • the next physiological date may be predicted by adding the representative value of the number of days until the timing to the timing when the moving average of the short-term days is higher than the moving average of the long-term days in the current menstrual cycle. In this case, at least one of the estimation of the ovulation date and the prediction of the physiological date can be performed more appropriately according to the tendency of the subject in the high temperature period.
  • the system control unit 14 may reduce the time difference between the timing when the short-term moving average of the body temperature measured in the past one or more menstrual cycles is lower than the long-term moving average of the body temperature and the physiological date.
  • the short-term days and the long-term days may be determined so that the integrated value of the difference between the short-term moving average and the long-term moving average in one or more past menstrual cycles becomes large. In this case, based on the integrated value of the difference between the short-term moving average of the body temperature and the long-term moving average, and the time difference between the period when the short-term moving average of the body temperature is lower than the long-term moving average and the physiological date, Appropriate short and long days can be determined.
  • the system control unit 14 determines the next menstrual day based on the number of days in the past one or more menstrual cycles. May be predicted. In this case, the menstrual date can be predicted even if the transition from the low temperature period to the high temperature period has not yet occurred.
  • the information processing apparatus of the present invention is applied to a server apparatus in a client server system.
  • the information processing apparatus of the present invention may be applied to an information processing apparatus other than the server apparatus.
  • the information processing apparatus of the present invention may be applied to the user terminal 2 or the like.
  • the information processing apparatus may accept an input of an actual measurement value and a physiological date from the user's body temperature, estimate the ovulation date of the user, or predict the next physiological date.

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • General Physics & Mathematics (AREA)
  • Reproductive Health (AREA)
  • Gynecology & Obstetrics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

　本発明は、実際に低温期から高温期に移行するタイミングの前後で体温が上下に変動する場合であっても、精度の低下を抑制した排卵日の推定及び生理日の予測の少なくとも何れか一方を可能とすることを目的とする。情報処理装置は、過去の月経周期の間に測定された複数日分の体温について、短期の移動平均が長期の移動平均よりも低くなるタイミングが生理日と重なるように、短期の短期日数と長期の長期日数とを決定する。情報処理装置は、対象の月経周期で測定された体温の移動平均について、短期日数の移動平均が長期日数の移動平均よりも高くなるタイミングを特定する。情報処理装置は、特定されたタイミングに基づいて、次の生理日を予測し、又は排卵日の到来を推定する。

Description

情報処理装置、情報処理方法及び情報処理プログラム
　本発明は、測定された体温に基づいて、排卵日を推定し又は生理日を予測する技術分野に関する。
　一般的に、月経周期は低温期と高温期とからなり、低温期の日数と比較して、高温期の日数は変動が少ないとされている。そこで、このような性質を利用した技術が従来から知られている。例えば、特許文献１には、体温が基準体温以上となった日が３日連続した場合、その日から２日遡った日を高温相の開始とすること、高温相開始日の１日前を排卵日として検出すること、及び排卵日に平均高温相期間を加算することにより次回の生理日を予測することが開示されている。
特開２００９－４５１５５号公報
　実際に低温期から高温期に移行するタイミングの前後では、体温が上下に大きく変動することがある。従って、体温が高体温となったタイミングを高温期の開始と判定すると、実際にはまだ低温期であった場合に推定が誤ることとなる。その一方で、特許文献１に開示されているように、体温が高体温となった日数が所定日数連続した場合に高温期が開始したと判定すると、既に高温期に移行しているにも関わらず、生理日の推定や生理日の予測ができない。
　本発明は、以上の点に鑑みてなされたものであり、実際に低温期から高温期に移行するタイミングの前後で体温が上下に変動する場合であっても、精度の低下を抑制した排卵日の推定及び生理日の予測の少なくとも何れか一方を可能とする情報処理装置及び情報処理方法等を提供することを目的とする。
　上記課題を解決するために、請求項１に記載の発明は、過去の１以上の月経周期の間に測定された複数日分の体温について、短期日数の移動平均が長期日数の移動平均よりも低くなるタイミングが、過去の１以上の生理日と重なるように、前記短期日数と前記長期日数とを決定する決定手段と、対象とする月経周期で測定された体温について、前記決定手段により決定された前記短期日数の移動平均が、前記決定手段により決定された前記長期日数の移動平均よりも高くなるタイミングを特定する特定手段と、前記特定手段により特定されたタイミングに基づいて、前記対象とする月経周期の次の生理日を予測し、又は前記対象とする月経周期中の排卵日の到来を推定する推定手段と、を備えることを特徴とする。
　この発明によれば、情報処理装置は、低温期が開始されると考えられる生理日に、体温の短期の移動平均が長期の移動平均よりも低くなるタイミングが重なるように、短期の日数と長期の日数を決定する。そして、情報処理装置は、決定された日数を用いて現在の月経周期の体温について計算される短期の移動平均と長期の移動平均に基づき、短期の移動平均が長期の移動平均よりも高くなるタイミングを特定する。移動平均により、体温の時系列が平滑化されるので、このタイミングを特定することにより、実際に低温期から高温期に移行するタイミングの前後で体温が上下に変動する場合であっても、そのタイミングを適切に特定することができる。また、高温期から低温期に移行するタイミングで生理日となる。そのため、短期の日数と長期の日数とを適切に決定することができる。従って、精度の低下を抑制した排卵日の推定及び生理日の予測の少なくとも何れか一方が可能となる。
　請求項２に記載の発明は、請求項１に記載の情報処理装置において、前記推定手段は、前記過去の１以上の月経周期において、前記短期日数の移動平均が前記長期日数の移動平均よりも高くなるタイミングから、前記短期日数の移動平均が前記長期日数の移動平均よりも低くなるタイミングまでの日数の代表値を、前記特定手段により特定された前記タイミングに加算して、前記次の生理日を予測することを特徴とする。
　この発明によれば、情報処理装置は、対象者の高温期の日数に対応する、短期の移動平均が長期の移動平均よりも高くなるタイミングから、短期の移動平均が長期の移動平均よりも低くなるタイミングまでの日数を特定する。従って、対象者の高温期の日数の傾向に応じてより適切に、排卵日の推定及び生理日の予測の少なくとも何れか一方を行うことができる。
　請求項３に記載の発明は、請求項１又は２に記載の情報処理装置において、前記決定手段は、前記過去の１以上の月経周期で測定された体温の短期の移動平均が該体温の長期の移動平均よりも低くなるタイミングと生理日との時間差が小さくなり、且つ、前記過去の１以上の月経周期における短期の移動平均と長期の移動平均との差の積分値大きくなるなるように、前記短期日数と前記長期日数とを決定することを特徴とする。
　体温の短期の移動平均と長期の移動平均との差の積分が大きいほど、短期の移動平均が長期の移動平均よりも高くなるタイミングを適切に特定することができる。この発明によれば、この積分と、体温の短期の移動平均が長期の移動平均よりも低くなるタイミングと生理日との時間差とに基づいて、より適切な短期の日数と長期の日数を決定することができる。
　請求項４に記載の発明は、請求項１乃至３の何れか１項に記載の情報処理装置において、前記短期日数の移動平均が前記長期日数の移動平均よりも高くなるタイミングが前記特定手段により特定されなかった場合、前記過去の１以上の月経周期の日数に基づいて、次の生理日を予測する予測手段を更に備えることを特徴とする。
　この発明によれば、まだ低温期から高温期に移行していない場合であっても、生理日を予測することができる。
　請求項５に記載の発明は、コンピュータにより実行される情報処理方法であって、過去の１以上の月経周期の間に測定された複数日分の体温について、短期日数の移動平均が長期日数の移動平均よりも低くなるタイミングが、過去の１以上の生理日と重なるように、前記短期日数と前記長期日数とを決定する決定ステップと、対象とする月経周期で測定された体温について、前記決定ステップにより決定された前記短期日数の移動平均が、前記決定ステップにより決定された前記長期日数の移動平均よりも高くなるタイミングを特定する特定ステップと、前記特定ステップにより特定されたタイミングに基づいて、前記対象とする月経周期の次の生理日を予測し、又は前記対象とする月経周期中の排卵日の到来を推定する推定ステップと、を含むことを特徴とする。
　請求項６に記載の発明は、コンピュータを、過去の１以上の月経周期の間に測定された複数日分の体温について、短期日数の移動平均が長期日数の移動平均よりも低くなるタイミングが、過去の１以上の生理日と重なるように、前記短期日数と前記長期日数とを決定する決定手段、対象とする月経周期で測定された体温について、前記決定手段により決定された前記短期日数の移動平均が、前記決定手段により決定された前記長期日数の移動平均よりも高くなるタイミングを特定する特定手段、及び、前記特定手段により特定されたタイミングに基づいて、前記対象とする月経周期の次の生理日を予測し、又は前記対象とする月経周期中の排卵日の到来を推定する推定手段、として機能させることを特徴とする。
　本発明によれば、情報処理装置は、低温期が開始されると考えられる生理日に、体温の短期の移動平均が長期の移動平均よりも低くなるタイミングが重なるように、短期の日数と長期の日数を決定する。そして、情報処理装置は、決定された日数を用いて現在の月経周期の体温について計算される短期の移動平均と長期の移動平均に基づき、短期の移動平均が長期の移動平均よりも高くなるタイミングを特定する。移動平均により、体温の時系列が平滑化されるので、このタイミングを特定することにより、実際に低温期から高温期に移行するタイミングの前後で体温が上下に変動する場合であっても、そのタイミングを適切に特定することができる。また、高温期から低温期に移行するタイミングで生理日となる。そのため、短期の日数と長期の日数とを適切に決定することができる。従って、精度の低下を抑制した排卵日の推定及び生理日の予測の少なくとも何れか一方が可能となる。
一実施形態に係る情報処理システムＳの概要構成の一例を示す図である。 一実施形態に係る情報処理サーバ１の概要構成の一例を示すブロック図である。 一実施形態に係るシステム制御部１４の機能ブロックの一例を示す図である。 情報処理サーバ１の記憶部１２ｂに構築されたデータベースに登録される内容の一例を示す図である。 パラメータの候補の一例を示す図である。 生成された複数の候補組み合わせのうち３個の候補組み合わせの例を示す図である。 周期セットの取得例を示す図である。 修正参照周期取得部１４３により取得された参照周期の頻度分布の一例を示すとともに、その頻度分布と閾値ＯＦとの位置関係の一例を示すグラフである。 異常値が除去された複数の参照周期の例を示す図である。 異常値が除去された後の参照周期の頻度分布の一例を示すグラフである。 異常値が除去された参照周期の頻度分布の一例を示すとともに、その頻度分布と閾値ＷＮとの位置関係の一例を示すグラフである。 ウインソリゼーションが施された複数の参照周期の例を示す図である。 ウインソリゼーションの後の参照周期の頻度分布の一例を示すグラフである。 ウインソリゼーションの後の参照周期の頻度分布の一例を示すとともに、その頻度分布と代表値との位置関係の一例を示すグラフである。 代表値が決定される様子と、代表値と基準周期の日数との差が計算される様子の一例を示す図である。 代表値と基準周期の差の合計の計算例を示す図である。 第１候補が決定されたユーザの人数及び第２候補が決定されたユーザの人数の例を示すグラフである。 現在の月経周期における体温の実測値のグラフと、体温の短期の移動平均線と長期の移動平均線との例を示す図である。 過去の３月経周期における体温のグラフと、体温の短期の移動平均線と長期の移動平均線との例を示す図である。 過去の３月経周期における体温の短期の移動平均線と長期の移動平均線との関係の例を示す図である。 予測生理日が計算される様子の一例を示す図である。 次の生理日の予測に用いられる手法の決定例を示す図である。 一実施形態に係る情報処理サーバ１のシステム制御部１４の生理日予測処理の一例を示すフローチャートである。 一実施形態に係る情報処理サーバ１のシステム制御部１４のパラメータ決定処理の一例を示すフローチャートである。 一実施形態に係る情報処理サーバ１のシステム制御部１４の周期ベースパラメータ決定処理の一例を示すフローチャートである。 一実施形態に係る情報処理サーバ１のシステム制御部１４の日数差計算処理の一例を示すフローチャートである。 一実施形態に係る情報処理サーバ１のシステム制御部１４の人数取得処理の一例を示すフローチャートである。 一実施形態に係る情報処理サーバ１のシステム制御部１４の周期ベース予測処理の一例を示すフローチャートである。 一実施形態に係る情報処理サーバ１のシステム制御部１４の体温ベースパラメータ決定処理の一例を示すフローチャートである。
　以下、図面を参照して本発明の実施形態について詳細に説明する。なお、以下に説明する実施の形態は、情報処理システムに対して本発明を適用した場合の実施形態である。
［１．情報処理システムの構成及び機能概要］
　先ず、本実施形態に係る情報処理システムＳの構成及び機能概要について、図１を用いて説明する。図１は、本実施形態に係る情報処理システムＳの概要構成の一例を示す図である。
　図１に示すように、情報処理システムＳは、情報処理サーバ１と、複数のユーザ端末２と、複数の体温計３と、を含んで構成されている。情報処理サーバ１と、各ユーザ端末２とは、ネットワークＮＷを介して、例えば、通信プロトコルにＴＣＰ／ＩＰ等を用いて相互にデータの送受信が可能になっている。なお、ネットワークＮＷは、例えば、インターネット、専用通信回線（例えば、ＣＡＴＶ（Community Antenna Television）回線）、移動体通信網（基地局等を含む）、及びゲートウェイ等により構築されている。
　情報処理サーバ１は、女性の健康に関する情報をユーザ端末２へ配信するサーバ装置である。また、情報処理サーバ１は、ユーザ端末２から、ユーザの基礎体温、生理日等の情報を取得する。そして、情報処理サーバ１は、取得した情報に基づいて、ユーザの排卵日を推定し、又は次回の生理日を予測する。
　ユーザ端末２は、情報処理システムＳを利用するユーザの端末装置である。ユーザ端末２は、例えば、スマートフォン、タブレット型コンピュータ、ＰＤＡ（Personal Digital Assistant）、携帯電話機、パーソナルコンピュータ等であってもよい。ユーザ端末２は、体温計３により測定された基礎体温を情報処理サーバ１へ送信する。また、ユーザ端末２は、ユーザから入力された実際の生理日を情報処理サーバ１へ送信する。そして、ユーザ端末２は、情報処理サーバ１により推定された排卵日、生理日等の情報を表示する。
　体温計３は、ユーザの基礎体温を測定する電子体温計である。体温計３は、例えば近距離無線通信により、測定した体温をユーザ端末２へ送信する。なお、体温計で測定された体温をユーザがユーザ端末２に手入力してもよい。
　ユーザは、体温計３を用いて、例えば日々（１日に１回）体温を測定する。実際に測定された体温を、実測値という。また、ユーザが実際の生理日を入力すると、月経周期が確定する。月経周期は、例えば前回の生理日から次の生理日の前日までの期間である。生理日が連続する場合、情報処理サーバ１は、連続した生理日のうちの初日を、月経周期の確定に用いる生理日に決定する。情報処理サーバ１は、周期ベース予測手法と、体温ベース予測手法とをそれぞれ用いて、次回の生理日を予測する。周期ベース予測手法は、過去の複数の月経周期の日数を用いた手法である。体温ベース予測手法は、体温の実測値を用いた手法である。体温ベース予測手法を用いる場合、情報処理サーバ１は、次の生理日を予測するとともに、現月経周期における排卵日を推定してもよい。現月経周期は、過去の生理日のうち最後の生理日から開始し、且つ次の生理日の前日で終了する月経周期である。すなわち、現月経周期は、現在進行中の月経周期である。
［２．情報処理サーバの構成］
　次に、情報処理サーバ１の構成について、図２Ａ乃至図３を用いて説明する。
　図２Ａは、本実施形態に係る情報処理サーバ１の概要構成の一例を示すブロック図である。図２Ａに示すように、情報処理サーバ１は、通信部１１と、記憶部１２と、入出力インターフェース１３と、システム制御部１４と、を備えている。そして、システム制御部１４と入出力インターフェース１３とは、システムバス１５を介して接続されている。
　通信部１１は、ネットワークＮＷに接続してユーザ端末２等との通信状態を制御するようになっている。
　記憶部１２は、例えば、ハードディスクドライブ等により構成されている。記憶部１２は、記憶手段の一例である。この記憶部１２には、会員情報ＤＢ１２ａ、体温ＤＢ１２ｂ、生理日ＤＢ１２ｃ、パラメータＤＢ１２ｄ等のデータベースが構築されている。「ＤＢ」は、データベースの略語である。図３は、情報処理サーバ１の記憶部１２ｂに構築されたデータベースに登録される内容の一例を示す図である。
　会員情報ＤＢ１２ａには、情報処理システムＳを利用するユーザに関するユーザ情報がユーザごとに登録される。具体的に、会員情報ＤＢ１２ａには、ユーザ情報として、ユーザＩＤ、パスワード、ニックネーム、氏名、生年月日、性別、郵便番号、住所、電話番号、電子メールアドレス等のユーザの属性が対応付けて登録される。ユーザＩＤは、ユーザの識別情報である。
　体温ＤＢ１２ｂには、実測値に関する情報が登録される。具体的に、体温ＤＢ１２ｂには、ユーザＩＤ、測定日及び実測値が対応付けて登録される。ユーザＩＤは、体温を測定したユーザを示す。測定日は、体温が測定された日を示す。例えば、システム制御部１４は、ユーザ端末２から、ユーザ端末２を利用するユーザＩＤ、測定日及び実測値を受信する。そして、システム制御部１４は、受信した情報を体温ＤＢ１２ｂに登録する。
　生理日ＤＢ１２ｃには、生理日に関する情報が登録される。具体的に、生理日ＤＢ１２ｃには、ユーザＩＤ及び生理日が対応付けて登録される。ユーザＩＤは、生理日を入力したユーザを示す。例えば、システム制御部１４は、ユーザ端末２から、ユーザ端末２を利用するユーザＩＤ、ユーザが入力した生理日を受信する。そして、システム制御部１４は、受信した情報を生理日ＤＢ１２ｃに登録する。
　パラメータＤＢ１２ｄには、生理日の予測に用いられるパラメータを含むパラメータ情報が登録される。システム制御部１４は、一人のユーザについて、基本的に新しい月経周期が始まるごとに、パラメータ情報をパラメータＤＢ１２ｄに登録する。具体的に、パラメータＤＢ１２ｄには、パラメータ情報として、ユーザＩＤ、登録日、周期ベース予測手法のパラメータ、周期ベース予測手法の予測生理日、体温ベースパラメータ、推定高温期日数が対応付けて登録される。ユーザＩＤは、パラメータを用いて生理日が予測されるユーザを示す。登録日は、パラメータ情報がパラメータＤＢ１２ｄに登録された日付を示す。周期ベース予測手法のパラメータは、例えば異常値除去の閾値、ウインソリゼーション（ウインソライジング）の閾値及び代表値種別を含む。異常値除去とは複数の月経周期の中から外れ値として閾値を超える又は閾値よりも外側に位置するデータを除去することである。この外れ値を、異常値という。異常値は、本発明における第１外れ値の一例である。異常値除去の閾値は、異常値として除去される月経周期の閾値を示す。具体的に、異常値除去の閾値には、例えば百分率が格納されてもよい。異常値除去の閾値は、本発明における第１閾値の一例である。ウインソリゼーションは、統計データの分布の中で、外れ値として閾値を超える又は閾値よりも外側に位置するデータの値をその閾値に変更することである。この外れ値は、本発明における第２外れ値の一例である。本実施形態のウインソリゼーションの閾値は、複数の月経周期の中から日数が変更される月経周期の閾値を示すとともに、変更後の日数を示す。具体的に、ウインソリゼーションの閾値には、例えば百分率が格納されてもよい。ウインソリゼーションの閾値は、本発明における第２閾値の一例である。代表値種別は、複数の月経周期の代表値の取得方法を示す。具体的に、代表値種別は、平均値を取得するか又は中央値を取得するかを示す。周期ベース予測手法の予測生理日は、周期ベース予測手法で予測された生理日である。体温ベース予測手法のパラメータは、例えば短期日数及び長期日数を含む。短期日数は、体温の短期の移動平均を計算する場合に用いられる日数である。長期日数は、体温の長期の移動平均を計算する場合に用いられる日数である。長期日数は短期日数よりも長い。推定高温期日数は、体温ベース予測手法により推定された高温期の日数である。一般的に、月経周期は低温期と高温期に分けられる。低温期は、月経周期内で比較的体温が低い期間であり、高温期は、月経周期内で比較的体温が高い期間である。月経周期の開始とともに低温期が開始し、その後高温期に移行する。
　次に、記憶部１２に記憶されるその他の情報について説明する。記憶部１２には、ウェブページを表示するためのＨＴＭＬ文書、ＸＭＬ（Extensible Markup Language）文書、画像データ、テキストデータ、電子文書等の各種データが記憶されている。また、記憶部１２には、各種の設定値、閾値、定数等が記憶されている。
　また、記憶部１２には、オペレーティングシステム、ＷＷＷ（World Wide Web）サーバプログラム、ＤＢＭＳ（Database Management System）、予測処理プログラム等の各種プログラムが記憶されている。予測処理プログラムは、排卵日を推定し及び生理日を予測するためのプログラムである。予測処理プログラムは、本発明における情報処理プログラムの一例である。なお、各種プログラムは、例えば、他のサーバ装置等からネットワークＮＷを介して取得されるようにしてもよいし、磁気テープ、光ディスク、メモリカード等の記録媒体に記録されてドライブ装置を介して読み込まれるようにしてもよい。また、予測処理プログラムは、プログラム製品であってもよい。
　また、記憶部１２には、端末用アプリケーションプログラムが記憶されている。端末用アプリケーションプログラムは、ユーザ端末２により実行されるプログラムである。端末用アプリケーションプログラムは、実測値や生理日等の情報を情報処理サーバ１へ送信したり、推定排卵日及び予測生理日等の情報を表示したりするためのプログラムである。ユーザ端末２は、例えば情報処理サーバ１から端末用アプリケーションプログラムをダウンロードする。
　入出力インターフェース１３は、通信部１１及び記憶部１２とシステム制御部１４との間のインターフェース処理を行うようになっている。
　システム制御部１４は、ＣＰＵ１４ａ、ＲＯＭ（Read Only Memory）１４ｂ、ＲＡＭ（Random Access Memory）１４ｃ等により構成されている。ＣＰＵ１４は、プロセッサの一例である。なお、本発明は、ＣＰＵと異なる様々なプロセッサに対しても適用可能である。記憶部１２、ＲＯＭ１４ｂ及びＲＡＭ１４ｃは、それぞれメモリの一例である。なお、本発明は、ハードディスク、ＲＯＭ及びＲＡＭと異なる様々なメモリに対しても適用可能である。
　なお、情報処理サーバ１が、複数のサーバ装置で構成されてもよい。例えば、ユーザ端末２からの情報を取得するサーバ装置、排卵日の推定及び生理日の予測を行うサーバ装置、ユーザ端末２へ情報を提供するサーバ装置、及びデータベースを管理するサーバ装置等が、互いにＬＡＮ等で接続されてもよい。この場合、排卵日の推定及び生理日の予測を行うサーバ装置が、本発明における情報処理装置の一例であってもよい。また、本発明における情報処理装置は、１つのサーバ装置に実装されてもよいし、複数のサーバ装置の連携した処理によって実装されてもよい。
［３．システム制御部の機能概要］
　次に、図２Ｂ、図４Ａ乃至図１２Ｂを用いて、システム制御部１４の機能概要について説明する。図２Ｂは、本実施形態に係るシステム制御部１４の機能ブロックの一例を示す図である。システム制御部１４は、所定の条件に基づいて、周期ベース予測手法及び体温ベース予測手法の何れか用いるかを決定する。そして、システム制御部１４は、決定した手法を用いて次回の生理日を予測する。そのため、システム制御部１４は、ＣＰＵ１４ａが、予測処理プログラム等のプログラムを読み出し実行することにより、図２Ｂに示すように、パラメータ候補取得部１４１、周期セット取得部１４２、修正参照周期取得部１４３、代表値取得部１４４、パラメータ決定部１４５、周期ベース予測部１４６、期間日数決定部１４７、タイミング特定部１４８、体温ベース予測部１４９等として機能する。周期ベース予測部１４６は、本発明における予測手段の一例である。期間日数決定部１４７は本発明における決定手段の一例である。タイミング特定部１４８は、本発明における特定手段の一例である。体温ベース予測部１４９は、本発明における推定手段の一例である。
［３－１．周期ベース予測手法］
　周期ベース予測手法を用いる場合、システム制御部１４は、過去の複数の月経周期を取得する。次いで、システム制御部１４は、過去の複数の月経周期のうち閾値により特定される外れ値に所定の処理を施して、収載された複数の月経周期を取得する。所定の処理は、例えば、閾値により特定される外れ値を除去することであってもよいし、閾値により特定される外れ値にウインソリゼーションを施すことであってもよい。或いは、システム制御部１４は、所定の処理は、異常値除去とウインソリゼーションの両方を行うことであってもよい。この場合、システム制御部１４は、先に異常値除去を行い、その後でウインソリゼーションを行ってもよい。複数の月経周期から異常値が除去された後であっても、参照周期の日数のばらつきが大きい場合がある。ばらつきが大きいままであると、予測の精度が低下する可能性がある。しかしながら、異常値が除去された状態で、更に外れ値を特定して、この外れ値を単に除去してしまっても。予測の精度が低下する可能性がある。そこで、ウインソリゼーションにより、外れ値を、月経周期の分布の外側に位置するという情報を残すように変更することで、予測精度の低下を抑制することができる。複数の月経周期が修正されると、システム制御部１４は、修正された複数の月経周期の代表値を計算する。そして、システム制御部１４は、月経周期の代表値に基づいて、次回の生理日を予測する。
［３－１－１．パラメータの決定］
　システム制御部１４は、周期ベース予測手法を用いて生理日を予測するために、周期ベース予測手法で用いられるパラメータを、ユーザごとに決定する。決定されるパラメータは、異常値除去の閾値、ウインソリゼーションの閾値及び代表値種別を決定のうち少なくとも何れか１つである。なお、異常値除去の閾値、ウインソリゼーションの閾値及び代表値種別の少なくとも１つは、例えば情報処理システムＳ全体で予め定められていてもよい。また、例えば複数の月経周期の修正に異常値除去のみが用いられる場合、ウインソリゼーションの閾値は不要である。また、例えば複数の月経周期の修正にウインソリゼーションのみが用いられる場合、異常値除去の閾値は不要である。
　システム制御部１４は、過去の複数の月経周期と、パラメータの候補とを用いて、周期ベース予測手法により月経周期を予測する。そして、システム制御部１４は、予測した月経周期と別の過去の月経周期とを比較して、パラメータの候補のうち何れかの候補を、実際の予測に用いるパラメータに決定する。決定されたパラメータをシステム制御部１４が用いることで、過去の複数の月経周期の日数にばらつきがあったとしても、次回の生理日を精度よく予測することができる。
　パラメータ候補取得部１４１は、外れ値の閾値の複数の候補を取得する。具体的に、パラメータ候補取得部１４１は、異常値除去の閾値の複数の候補と、ウインソリゼーションの閾値の複数の候補との少なくとも何れか一方を取得する。例えば、記憶部１２に異常値除去の閾値の複数の候補を格納するテーブルが記憶されてもよい。また例えば、ウインソリゼーションの閾値の複数の候補を格納するテーブルがそれぞれ記憶されてもよい。パラメータ候補取得部１４１は、記憶部１２に記憶されたテーブルから閾値の複数の候補を取得してもよい。それぞれの閾値の候補の数は２以上である。異常値除去の閾値の候補の数とウインソリゼーションの閾値の数は同一であってもよいし、同一ではなくてもよい。また、代表値種別が情報処理システムＳ全体で予め定められていない場合、パラメータ候補取得部１４１は、代表値種別の候補として、「平均値」と「中央値」とを取得してもよい。例えば、月経周期の分布に中心的傾向があり又は対称性がある場合、平均値を用いた方が予測精度が向上するかもしれない。一方、月経周期の分布に中心的傾向がないか又は対称性がない場合、中央値を用いた方が予測精度が向上するかもしれない。図４Ａは、パラメータの候補の一例を示す図である。図４Ａの例では、異常値除去の閾値の候補の数は３であり、ウインソリゼーションの閾値の候補の数は３である。また、代表値種別の候補として「平均値」と「中央値」とがある。
　異常値除去の閾値、ウインソリゼーションの閾値及び代表値種別のうち２以上のパラメータが決定される場合、パラメータ候補取得部１４１は、２以上のパラメータの候補の組み合わせを複数生成する。この組み合わせを、候補組み合わせという。例えば３個のパラメータが決定される場合、パラメータ候補取得部１４１は、異常値除去の閾値の複数の候補のうちの何れかと、ウインソリゼーションの閾値の複数の候補のうちの何れかと、代表値種別の複数の候補のうちの何れかとにより構成される候補組み合わせを複数生成する。図４Ｂは、生成された複数の候補組み合わせのうち３個の候補組み合わせの例を示す図である。図４Ａの例では、１８個の候補組み合わせを生成することが可能である。
　周期セット取得部１４２は、生理日の予測の対象者の過去の複数の月経周期の中から、１つの基準周期と参照周期とで構成される周期セットを取得する。複数の参照周期は、月経周期の仮予測に用いられる月経周期である。基準周期は、仮予測された月経周期と比較される月経周期である。基準周期は複数の参照周期の何れかであってもよいし、基準周期は複数の参照周期とは異なる月経周期であってもよい。また、複数の参照周期は連続していても連続していなくてもよい。また、基準周期と複数の参照周期とは連続していても連続していなくもよい。また、基準周期の時期的位置は複数の参照周期より前であってもよいし後であってもよい。また、基準周期は複数の参照周期の間に挟まれてもよい。
　周期セット取得部１４２は、１つの周期セットのみを取得してもよいし、複数の周期セットを取得してもよい。周期セットの数は情報処理システムＳの管理者により予め設定されてもよいし、周期セット取得部１４２が決定してもよい。複数の周期セットを取得する場合、周期セット取得部１４２は、例えば基準周期の時期的位置、複数の参照周期の一部又は全部、及び参照周期の数の少なくとも何れかが互いに異なる複数の周期セットを取得してもよい。図４Ｃは、周期セットの取得例を示す図である。図４Ｃにおいて、過去の月経周期Ｃ１～Ｃ９の上に表示されている番号は、月経周期の時期的位置を示す。符号Ｃｎのｎとして、時期的位置を示す番号が付されている。例えば、１番目の月経周期Ｃ１は、過去の月経周期のうち最新の月経周期であり、２番目の月経周期Ｃ２は２番目に新しい月経周期である。図４Ｃの例では、各周期セットの参照周期の数は６である。また、６個の参照周期は連続している。また、基準周期は、６個の参照周期に連続し且つこれらの参照周期よりも新しい。図４Ｃの例では、３個の周期セットが取得されている。例えば、第１周期セットは、基準周期Ｃ１と参照周期Ｃ２～Ｃ７とで構成される。第２周期セットは、基準周期Ｃ２と参照周期Ｃ３～Ｃ８とで構成される。第３周期セットは、基準周期Ｃ３と参照周期Ｃ４～Ｃ９とで構成される。
　修正参照周期取得部１４３は、パラメータ候補取得部１４１により取得された閾値の候補ごとに、周期セット取得部１４２により取得された複数の参照周期を、閾値の候補を用いて修正する。そして、周期セット取得部１４２は、修正された複数の参照周期を取得する。パラメータ候補取得部１４１により、異常値除去の閾値とウインソリゼーションの閾値とを少なくとも含む候補組み合わせが取得された場合、修正参照周期取得部１４３は、候補組み合わせごとに複数の参照周期を修正して、修正された複数の参照周期を取得する。
　例えば、パラメータ候補取得部１４１が、閾値の候補として少なくとも異常値除去の閾値の候補ＯＦを取得したとする。この場合、周期セット取得部１４２は、日数ごとの参照周期の出現確率を計算する。そして、周期セット取得部１４２は、複数の参照周期の中から、出現確率がＯＦ％未満である日数の参照周期を、異常値として除去する。そして、周期セット取得部１４２は、異常値が除去された複数の参照周期を、修正された参照周期として取得する。
　例えば、パラメータ候補取得部１４１が、閾値の候補として少なくともウインソリゼーションの閾値の候補ＷＮを取得したとする。この場合、周期セット取得部１４２は、日数の短い順に並べられた複数の参照周期の中から、ＷＮパーセンタイル未満の日数の参照周期の日数を、ＷＮパーセンタイルに変更する。更に、周期セット取得部１４２は、複数の参照周期の中から、（１００－ＷＮ）パーセンタイルよりも長い日数の参照周期の日数を、（１００－ＷＮ）パーセンタイルに変更する。ここで、修正前の複数の参照周期の中に、閾値ＷＮが示す位置と完全に一致する位置の参照周期が存在しないかもしれない。例えば、参照周期の数が６である場合、１６．７％の位置にある参照周期、及び３３．３％の位置にある参照周期は存在する。しかしながら、閾値ＷＮが２０％である場合、２０％の位置にある参照周期は存在しない。この場合、修正参照周期取得部１４３は、例えば閾値ＷＮが示す位置から前後それぞれ直近の位置にある参照周期の日数とその位置とに基づいて、補間によりＷＮパーセンタイルを計算してもよい。或いは、修正参照周期取得部１４３は、例えば、ＷＮパーセンタイル未満の日数の参照周期の日数を、閾値ＷＮが示す位置よりも内側にある参照周期のうち直近の参照周期の日数に変更してもよい。「内側」とは、ＷＮパーセンタイルから（１００－ＷＮ）パーセンタイルまでの範囲を示す。また、閾値（１００－ＷＮ）が示す位置と完全に一致する位置の参照周期が存在しない場合も、ＷＮパーセンタイルと同様であってもよい。
　例えば、パラメータ候補取得部１４１が、閾値の候補として、異常値除去の閾値の候補ＯＦ及びウインソリゼーションの閾値の候補ＷＮの両方を含む候補組み合わせを取得した場合、修正参照周期取得部１４３は、例えば先ず閾値除去を行い、次いでウインソリゼーションを行ってもよい。図５Ａ乃至図６Ｃは、閾値除去及びウインソリゼーションが行われる過程の例を示す。例えば、周期セット取得部１４２により図４Ｃに示す第１周期セットが取得されたとする。基準周期Ｃ１の日数は３０である。参照周期Ｃ２～Ｃ７の日数は、それぞれ３５、２４、３４、２９、２９、２９である。図５Ａは、修正参照周期取得部１４３により取得された参照周期の頻度分布の一例を示すとともに、その頻度分布と閾値ＯＦとの位置関係の一例を示すグラフである。なお、図５Ａは、説明のために参照周期の頻度分布の一例を示すものであり、参照周期Ｃ２～Ｃ７の実際の頻度分布とは必ずしも一致しない。図５Ｂは、異常値が除去された複数の参照周期の例を示す図である。例えば、３５日の参照周期の出現確率がＯＦパーセント未満であり、２４日、２９日及び３４日の参照周期のそれぞれの参照周期の出現確率がＯＦパーセント以上であるとする。この場合、修正参照周期取得部１４３は、参照周期Ｃ２～Ｃ７の中から、日数が３５日である参照周期Ｃ２を異常値として除去する。これにより、修正参照周期取得部１４３は、図５Ｂに示すように、修正された参照周期Ｃ３～Ｃ７を取得する。図５Ｃは、異常値が除去された後の参照周期の頻度分布の一例を示すグラフである。図５Ｃでは、出現確率がＯＦパーセント未満の参照周期が除去されたことが示されている。
　図６Ａは、異常値が除去された参照周期の頻度分布の一例を示すとともに、その頻度分布と閾値ＷＮとの位置関係の一例を示すグラフである。修正参照周期取得部１４３は、異常値除去におけるＯＦパーセンタイルを、ウインソリゼーションにおける０パーセンタイルに決定する。また、修正参照周期取得部１４３は、異常値除去における（１００－ＯＦ）パーセンタイルを、ウインソリゼーションにおける１００パーセンタイルに決定する。そして、修正参照周期取得部１４３は、決定された範囲内で、ＷＮパーセンタイル及び（１００－ＷＮ）パーセンタイルを決定する。図６Ｂは、ウインソリゼーションが施された複数の参照周期の例を示す図である。例えば、ＷＮパーセンタイルが２５日であり、（１００－ＷＮ）パーセンタイルが３２日であるとする。この場合、修正参照周期取得部１４３は、図６Ｂに示すように、参照周期Ｃ３の２４日を２５日に変更し、参照周期Ｃ４の３４日を３２日に変更する。図６Ｃは、ウインソリゼーションの後の参照周期の頻度分布の一例を示すグラフである。図６Ｃでは、ＷＮパーセンタイル未満の日数の参照周期がＷＮパーセンタイルに変更され、（１００－ＷＮ）パーセンタイルよりも長い日数の参照周期が（１００－ＷＮ）パーセンタイルに変更されている。
　代表値取得部１４４は、パラメータ候補取得部１４１により取得された閾値の候補ごとに、修正参照周期取得部１４３により取得された、修正された複数の参照周期の代表値を計算する。パラメータ候補取得部１４１により、異常値除去の閾値とウインソリゼーションの閾値とを少なくとも含む候補組み合わせが取得された場合、修正参照周期取得部１４３は、候補組み合わせごとに、修正された複数の参照周期の代表値を計算する。予測に用いられる代表値種別が予め定められている場合、代表値取得部１４４は、修正された複数の参照周期の平均値又は中央値のうち予め定められている方のみを取得する。一方、代表値種別が予め定められていない場合、代表値取得部１４４は、修正された複数の参照周期の平均値及び中央値の両方を取得する。具体的に、代表値取得部１４４は、取得された候補組み合わせに含まれる代表値種別が「平均値」である場合、平均値を計算し、代表値種別が「中央値」である場合、中央値を決定する。図７Ａは、ウインソリゼーションの後の参照周期の頻度分布の一例を示すとともに、その頻度分布と代表値との位置関係の一例を示すグラフである。図７Ｂは、代表値が決定される様子と、代表値と基準周期の日数との差が計算される様子の一例を示す図である。例えば、代表値種別が「平均値」である場合、代表値取得部１４４は、図６Ｃに示す参照周期に対して、図７Ｂに示すように平均値２８．８を計算する。一方、代表値種別が「中央値」である場合、代表値取得部１４４は、中央値２９を決定する。取得された代表値は、月経周期の仮の予測値に相当する。
　パラメータ決定部１４５は、パラメータ候補取得部１４１により取得された閾値の候補ごとに、又は候補組み合わせごとに、代表値取得部１４４により取得された代表値と基準周期の日数とを比較する。そして、パラメータ決定部１４５は、この比較の結果に基づいて、予測に用いるパラメータ又は組み合わせを決定する。例えば、パラメータ決定部１４５は、代表値と基準周期との差を計算してもよい。例えば、パラメータ決定部１４５は、図７Ｂに示すように、基準周期Ｃ１の日数３０と平均値２８．８との差１．２を計算する。パラメータ決定部１４５は、計算された差が最も小さいパラメータ又は組み合わせを、予測に用いるパラメータ又は組み合わせに決定してもよい。代表値と基準周期の日数との差は、月経周期の仮の予測値と実際の月経周期との差である。従って、この差が小さいほど、月経周期の予測精度が高いと考えられる。
　周期セット取得部１４２により複数の周期セットが取得された場合、修正参照周期取得部１４３、代表値取得部１４４及びパラメータ決定部１４５は、パラメータ候補取得部１４１により取得された閾値の候補ごとに又は候補組み合わせごとに、複数の周期セットのそれぞれに対して処理を実行する。すなわち、修正参照周期取得部１４３は、閾値の候補ごとに又は候補組み合わせごとに、複数の周期セットのそれぞれの複数の参照周期を修正して、修正された複数の参照周期をそれぞれ取得する。また、代表値取得部１４４は、閾値の候補ごとに又は候補組み合わせごとに、複数の周期セットのそれぞれにおいて修正された複数の参照周期の代表値を取得する。また、パラメータ決定部１４５は、閾値の候補ごとに又は候補組み合わせごとに、複数の周期セットのそれぞれに対して取得された代表値と複数の周期セットのそれぞれの基準周期の日数とを比較する。
　パラメータ決定部１４５は、例えばパラメータの候補ごとに又は候補組み合わせごとに、複数の周期セットのそれぞれに対して計算された差の合計を計算してもよい。そして、パラメータ決定部１４５は、差の合計が最も小さいパラメータの候補又は候補組み合わせを、予測に用いるパラメータ又は組み合わせに決定してもよい。以降においては、単に「候補」という場合、パラメータの候補又は候補組み合わせを示すものとする。なお、パラメータ決定部１４５は、合計の代わりに、例えば平均値や中央値等を計算してもよい。
　パラメータ決定部１４５は、複数の周期セットのそれぞれの代表値と基準周期の差を用いてパラメータを決定するとき、周期セットに含まれる基準周期の時期的位置に基づいて、代表値と基準周期の差に重み付けしてもよいし重み付けしなくてもよい。例えば、パラメータ決定部１４５は、基準周期の時期的位置が古いほど重みを小さくしてもよい。パラメータ決定部１４５は、現月経周期の日数を予測するためのパラメータを決定する。時期的位置が古い基準周期ほど、現月経周期から時期的に遠い。そのため、基準周期の時期的位置が古いほど、基準周期と現月経周期との類似性が低い可能性がある。そこで、基準周期の時期的位置が古いほど重みを小さくすることにより決定されたパラメータが用いられることで、月経周期の日数の予測精度を高めることができる。
　図８Ａは、代表値と基準周期の差の合計の計算例を示す図である。例えば、図４Ａに示す候補組み合わせが取得され、図４Ｃに示す第１周期セット～第３周期セットが取得されたとする。この場合、パラメータ決定部１４５は、候補組み合わせごとに、代表値と基準周期との差の加重合計を計算する。このとき、パラメータ決定部１４５は、例えば第１周期セットの代表値と基準周期との差に重み係数１を掛け、第２周期セットの代表値と基準周期との差に重み係数０．８を掛け、第３周期セットの代表値と基準周期との差に重み係数０．５を掛けてもよい。なお、基準周期の時期的位置が古いほど重み係数が小さくなるという条件を満たす限り、各周期セットの重み係数は自由に設定されてもよい。
　ところで、代表値と基準周期との差が最も小さい候補の当該差と同程度の差が、他の１又は複数の候補について計算される場合があるかもしれない。すなわち、仮の予測の精度が同程度に高い候補が複数存在するかもしれない。ここで、代表値と基準周期との差が最も小さい候補を、第１候補という。第１候補について取得された差から所定範囲内にある差が取得された候補を、第２候補という。パラメータ決定部１４５は、この場合であっても、第１候補を、予測に用いるパラメータ又は組み合わせに決定してもよい。或いは、パラメータ決定部１４５は、所定の条件に基づいて、第１候補と第２候補との中から。予測に用いるパラメータ又は組み合わせを決定してもよい。第１候補について取得された差から所定範囲内にある差が取得された候補が複数存在するかもしれない。その場合、パラメータ決定部１４５は、これらの候補のうち所定数以下の候補のみを第２候補として特定してもよいし、全ての候補を第２候補として特定してもよい。
　パラメータ決定部１４５は、例えば今回の生理日の予測の対象者と異なるユーザのうち、予測に用いるパラメータ又は組み合わせとして第１候補が決定されたユーザの人数と、予測に用いるパラメータ又は組み合わせとして第２候補が決定されたユーザの人数とを取得してもよい。パラメータ決定部１４５は、パラメータＤＢ１２ｄに登録されているパラメータ情報に基づいて、このようなユーザの人数を取得することができる。パラメータ決定部１４５は、第１候補と１又は複数の第２候補とのうち、例えば取得された人数が最も多い候補を、予測に用いるパラメータ又は組み合わせを決定してもよい。その理由は、多くのユーザに対して用いられているパラメータほど、様々なユーザに適した予測を行うことが可能なパラメータである蓋然性があるからである。
　図８Ｂは、第１候補が決定されたユーザの人数及び第２候補が決定されたユーザの人数の例を示すグラフである。候補組み合わせＣＣ２が第１候補として特定され、候補組み合わせＣＣ８が第２候補として特定されたとする。ここで図８Ｂに示すように、候補組み合わせＣＣ８が決定されたユーザの人数が、候補組み合わせＣＣ２が決定されたユーザの人数よりも多い。従って、パラメータ決定部１４５は、候補組み合わせＣＣ８を、予測に用いられるパラメータの組み合わせに決定してもよい。
　なお、一人のユーザについて複数のパラメータ情報が複数登録される場合がある。この場合、パラメータ決定部１４５は、例えば登録日が最新であるパラメータ情報を用いて、人数をカウントしてもよい。或いは、パラメータ決定部１４５は、例えば複数のパラメータ情報に基づいて、第１候補及び第２候補が予測に用いるパラメータ又は組み合わせとして決定された頻度をそれぞれ計算してもよい。そして、パラメータ決定部１４５は、例えば第１候補及び第２候補のうち頻度が最も高い候補が、予測に用いるパラメータ又は組み合わせが決定されたと判定してもよい。
　また、パラメータ決定部１４５は、第１候補が決定されたユーザのうち対象者が有する特徴との同一性がある特徴を有するユーザの人数を取得してもよい。また、パラメータ決定部１４５は、第２候補が決定されたユーザのうち対象者が有する特徴との同一性がある特徴を有するユーザの人数を取得してもよい。そして、パラメータ決定部１４５は、取得された人数に基づいて、予測に用いるパラメータ又は組み合わせ決定してもよい。その理由は、対象者が有する特徴と同一の特徴を有するユーザの月経又は月経周期の傾向は、対象者の月経又は月経周期の傾向と類似している蓋然性があるからである。特徴の例として、年齢、年代、予測に用いるパラメータ又は組み合わせが決定された季節又は月、体温の推移の傾向、低温期の日数、高温期の日数等が挙げられる。パラメータ決定部１４５は、例えば会員情報ＤＢ１２ａに基づいて年齢又は年代を取得することができる。また、パラメータ決定部１４５は、例えばパラメータＤＢ１２ｄに登録されたパラメータ情報に基づいて、予測に用いるパラメータ又は組み合わせが決定された季節又は月を取得することができる。また、パラメータ決定部１４５は、体温ＤＢ１２ｂ及び生理日ＤＢ１２ｃに基づいて、体温の推移の傾向、低温期の日数及び高温期の日数を取得することができる。対象者の特徴との同一性がある特徴とは、例えば対象者の特徴と同一の特徴であってもよいし、対象者の特徴から所定範囲以内の特徴であってもよいし、対象者の特徴と類似する特徴であってもよい。
［３－１－２．生理日の予測］
　周期ベース予測部１４６は、パラメータ決定部１４５により決定されたパラメータ又は組み合わせを用いて、対象者の現月経周期の日数を予測する。具体的に、周期ベース予測部１４６は、生理日の予測の対象者の過去の複数の月経周期を取得する。次いで、周期ベース予測部１４６は、取得された複数の月経周期のうちパラメータとして決定された閾値により特定される外れ値に所定の処理を施すことにより、修正された複数の月経周期を取得する。より詳細に、周期ベース予測部１４６は、複数の月経周期から異常値を除去し、又は複数の月経周期に対してウインソリゼーションを施す。或いは、周期ベース予測部１４６は、異常値の除去を行った後に、更にウインソリゼーションを行う。パラメータ決定部１４５により異常値除去の閾値が決定された場合、周期ベース予測部１４６は、この閾値を用いて異常値を除去する。パラメータ決定部１４５によりウインソリゼーションの閾値が決定された場合、周期ベース予測部１４６は、この閾値を用いてウインソリゼーションを行う。周期ベース予測部１４６は、修正された複数の月経周期の代表値を、現月経周期の日数の予測値として取得する。パラメータ決定部１４５により代表値種別として「平均値」が決定された場合、周期ベース予測部１４６は平均値を計算し、代表値種別として「中央値」が決定された場合、周期ベース予測部１４６は中央値を決定する。次いで、周期ベース予測部１４６は、現月経周期の初日に、取得した代表値を加算して、予測生理日を計算する。
　ところで、過去の月経周期の頻度分布が２個の極大値を有する場合があるかもしれない。この場合、周期ベース予測部１４６は、例えば頻度分布全体に対して１つの代表値のみを決定してもよい。或いは、周期ベース予測部１４６は、例えば月経周期の分布を、頻度が極小値となる周期の位置で分割してもよい。周期ベース予測部１４６は、例えば分割された分布ごとに代表値を取得してもよい。そして、周期ベース予測部１４６は、代表値ごとに、現月経周期の初日に代表値を加算して、予測生理日を計算してもよい。すなわち、周期ベース予測部１４６は、次の生理日を２個予測してもよい。この場合、周期ベース予測部１４６は、ユーザ端末２に、例えば「周期が短い場合の次回生理予定日はＸ日、周期が長い場合の次回生理予定日はＹ日」と表示させてもよい。Ｘは、２個の予測生理日のうち今日から近い方の予測生理日であり、Ｙは、今日から遠い方の予測生理日である。なお、極大値が３個以上ある場合、周期ベース予測部１４６は、例えば月経周期の分布を分割せずに、次の生理日を１つのみ予測してもよい。
　なお、周期ベース予測手法で用いられるパラメータの全てが予め定められていてもよい。例えば、パラメータが記憶部１２に記憶されていてもよい。この場合、閾値候補取得部１４１、周期セット取得部１４２、修正参照周期取得部１４３、代表値取得部１４４及びパラメータ決定部１４５は不要である。
［３－２．体温ベース予測手法］
　体温ベース予測手法を用いる場合、システム制御部１４は、生理日が予測される対象者の体温の実測値の短期の移動平均と長期の移動平均とを、例えば日ごとに計算する。そして、システム制御部１４は、現月経周期において、短期の移動平均が長期の移動平均よりも大きくなるタイミングを特定する。短期の移動平均が長期の移動平均よりも大きくなるタイミングとは、例えば短期の移動平均線と長期の移動平均線が交差するタイミングのうち、移動平均線が交差するタイミングの直後の短期の移動平均が長期の移動平均よりも高いタイミングである。このように移動平均線が交差することを、Ｐクロスオーバー（ポジティブクロスオーバー）という。短期の移動平均が長期の移動平均よりも大きくなるとは、Ｐクロスオーバーが起こることである。図９は、現在の月経周期における体温の実測値のグラフと、体温の短期の移動平均線と長期の移動平均線との例を示す図である。図９に示すように、1月１日から現在の月経周期が始まった後、１月１２日でＰクロスオーバーが発生している。システム制御部１４は、特定されたタイミングに基づいて、次の生理日を予測し又は排卵日の到来を推定する。或いは、システム制御部１４は、次の生理日の予測と排卵日の到来の推定の両方を行ってもよい。
　上述したように、月経周期は、一般的に低温期と高温期とから成る。月経周期の中で排卵日には、卵胞から卵子が排出される。すると、卵胞から黄体が形成される。この黄体から黄体ホルモンが分泌される。この黄体ホルモンにより体温が上昇し、低温期から高温期に移行する。黄体が萎縮すると、黄体ホルモンの分泌が終わる。すると、子宮内膜を維持することができなくなり、月経となる。また、黄体ホルモンの分泌が終わると体温が低下する。従って、次の月経周期の低温期に移行する。黄体ホルモンの寿命は相当に安定している。例えば、黄体ホルモンの寿命は一般的に１４日±２日である。
　低温期から高温期に移行する日又はその日の近隣の日が排卵日である蓋然性が高い。しかしながら、実際の日々の体温は安定して推移しない場合がある。例えば、低温期から高温期に移行するはずのタイミングの前後で体温が上下に大きく変動することがあるかもしれない。従って、日々の体温の実測値のみを見ても、高温期に移行したか否かの判断が難しい。
　これに対して、本実施形態の体温ベース予測手法では、移動平均が用いられるので、体温の時系列が平滑化される。また、短期の移動平均は直近の短期間における体温の傾向を示し、長期の移動平均は長期間における体温の傾向を示す。従って、短期の移動平均が長期の移動平均よりも大きくなるタイミングにより、低温期から高温期に移行するタイミングを適切に特定することが可能である。従って、排卵日の到来を精度よく推定することができる。図９の例では、１月１２日又はその周辺の日に排卵日が到来している蓋然性が高い。
　同一の対象者であっても、月経周期によって低温期の日数は比較的変動しやすい。その一方で、高温期の日数は比較的安定している。その理由は、高温期の日数は黄体の寿命に対応するからである。従って、排卵日が到来した日を推定することができれば、次の月経周期の予測が可能である。
　計算される移動平均は如何なる種類の移動平均であってもよい。例えば、単純移動平均、加重移動平均又は指数移動平均等が計算されてもよい。指数移動平均の計算式としては、公知のあらゆる式が利用可能である。例えば期間の日数がｐであるとする。日数ｐは、実際には短期日数又は長期日数である。この場合、指数移動平均の計算が開始された日からｔ日後の日の指数移動平均ＥＭＡp（ｔ）は、例えば下記の式１により計算されてもよい。
Figure JPOXMLDOC01-appb-M000001
　ｅ（ｔ）は、ｔ日後の日の体温の実測値である。ｄは減衰係数である。ｄは、例えば下記の式２により計算されてもよい。
Figure JPOXMLDOC01-appb-M000002
［３－２－１．パラメータの決定］
　期間日数決定部１４７は、体温ベース予測手法を用いた排卵日の到来の推定又は生理日の予測を行うために、体温ベース予測手法で用いられるパラメータを決定する。決定されるパラメータは、移動平均の計算に用いられる短期日数と長期日数である。
　例えば、単純移動平均又は加重移動平均の場合、短期日数及び長期日数は、平均値を計算するための基となる体温の実測値の数を示す。短期日数をｓとし、長期日数をｌとする。短期の移動平均は、直近のｓ日間の体温の実測値の平均値である。長期の移動平均は、直近のｌ日間の体温の実測値の平均値である。指数移動平均の場合、短期日数及び長期日数は、平均を計算するためのパラメータの１つである。指数移動平均が計算されるごとに、計算に用いられた体温の実測値の重みは指数関数的に減少していく。従って、短期日数及び長期日数は、例えば体温の実測値の重みが所定値以下になるまでに要する日数であってもよい。式１及び式２の場合、短期日数及び長期日数は、体温の実測値の重みが２分の１以下になるまでに要する日数である。
　例えば、期間日数決定部１４７は、対象者の過去の１以上の月経周期の体温の実測値を用いて、体温ベース予測手法で用いられるパラメータを決定してもよい。過去の１以上の月経周期は、例えば現月経周期と連続する月経周期であってもよい。また、過去の２以上の月経周期の体温の実測値が用いられる場合、例えばこれらの月経周期は連続する月経周期であってもよい。期間日数決定部１４７は、例えばパラメータとして用いられる短期日数及び長期日数のそれぞれの候補を用いて、過去の１以上の月経周期における短期の移動平均と長期の移動平均とを計算してもよい。図１０は、過去の３月経周期における体温のグラフと、体温の短期の移動平均線と長期の移動平均線との例を示す図である。
　期間日数決定部１４７は、過去の１以上の月経周期における体温の短期の移動平均が長期の移動平均よりも小さくなるタイミングが、過去の１以上の月経周期の初日である生理日と重なるように、パラメータとして用いられる短期日数と長期日数とを決定する。短期の移動平均が長期の移動平均よりも小さくなるタイミングとは、例えば短期の移動平均線と長期の移動平均線が交差するタイミングのうち、移動平均線が交差するタイミングの直後の短期の移動平均が長期の移動平均よりも低いタイミングである。このように移動平均線が交差することを、Ｎクロスオーバー（ネガティブクロスオーバー）という。短期の移動平均が長期の移動平均よりも小さくなることは、Ｎクロスオーバーが起こることである。図１１は、過去の３月経周期における体温の短期の移動平均線と長期の移動平均線との関係の例を示す図である。図１１の例では、３回の生理日のそれぞれにＮクロスオーバーのタイミングがおおよそ重なっている。
　上述したように、高温期から次の月経周期の低温期に移行する日が実際の生理日である蓋然性が高い。従って、Ｎクロスオーバーのタイミングが実際の生理日と重なるように期間日数決定部１４７が短期日数及び長期日数を決定することで、移動平均を用いた排卵日の到来の推定精度又は生理日の予測精度を高めることができる。
　具体的に、期間日数決定部１４７は、例えば生理日とＮクロスオーバーのタイミングとの差を示す関数ｅｒｒが最小となるように、短期日数と長期日数を決定してもよい。関数ｅｒｒの媒介変数は短期日数ｓと長期日数ｌである。便宜上、行列（ｓ，ｌ）の転置行列をｘとし、ｅｒｒの媒介変数を行列ｘとする。この場合、ｅｒｒは、例えば下記の式３により表されてもよい。
Figure JPOXMLDOC01-appb-M000003
　ｍｅｎｄａｙ（ｉ）は、過去のｎ個の月経周期のうちｉ番目の月経周期の初日、すなわち生理日である。ｎｃｏｄａｙ（ｘ，ｉ）は、ｘで計算された短期の移動平均と長期の移動平均に基づいて特定されたＮクロスオーバーが起きた日のうち、ｍｅｎｄａｙ（ｉ）に最も近い日である。期間日数決定部１４７は、例えばｅｒｒ（ｘ）が最小となるｘを求める凸最適化問題を解いてもよい。この問題は、例えば下記の式４により示されてもよい。
Figure JPOXMLDOC01-appb-M000004
　Ｘ及びＹはそれぞれ任意の自然数の集合である。この最適化問題を解くことが可能なアルゴリズムであれば、期間日数決定部１４７は如何なるアルゴリズムを用いてもよい。例えば、期間日数決定部１４７は、シンプレックス法等を用いてもよい。或いは、長期日数の上限が予め定められている場合、期間日数決定部１４７は、例えば短期日数と長期日数の全ての組み合わせについてｅｒｒを計算し、最も小さいｅｒｒが計算された短期日数と長期日数との組み合わせを、排卵日の到来の推定又は次の生理日の予測に用いる短期日数と長期日数に決定してもよい。
　期間日数決定部１４７は、過去の１以上の月経周期における体温の短期の移動平均が長期の移動平均よりも小さくなるタイミングと生理日との差が小さくなるように短期日数及び長期日数を決定するとともに、例えば過去の１以上の月経周期における短期の移動平均と長期の移動平均との差の積分値が大きくなるように、短期日数及び長期日数を決定してもよい。すなわち、例えば図１０において、短期の移動平均線と長期の移動平均線とで囲まれた領域の面積が極力大きくなるように、期間日数決定部１４７は短期日数及び長期日数を決定してもよい。その理由は、Ｎクロスオーバーを明確に特定するためである。全体的に短期の移動平均と長期の移動平均との差が小さい場合、Ｎクロスオーバーを特定しにくかったり、１月経周期内にＮクロスオーバーが複数発生したりする場合があるからである。短期の移動平均と長期の移動平均との差の定積分ａｒｅａ（ｘ）は、下記の式５で表される。
Figure JPOXMLDOC01-appb-M000005
　ＴＥは、過去の１以上の月経周期の最初の月経周期の初日から最後の月経周期の最終日までに経過した日数である。ＥＭＡｓは、期間の日数をｓとする短期の移動平均であり、ＥＭＡｌは、期間の日数をｌとする長期の移動平均である。
　これまでの２つの条件を表すため、例えば、短期の移動平均が長期の移動平均よりも小さくなるタイミングと生理日との差が大きくなるほど小さくなり、且つ短期の移動平均と長期の移動平均との差の定積分が大きくなるほど大きくなる関数ｆ（ｘ）が用いられてもよい。例えば、ｆ（ｘ）は下記の式６で表されてもよい。
Figure JPOXMLDOC01-appb-M000006
　α及びβはそれぞれ定数である。なお、式６は、関数ｆ（ｘ）の式の一例である。式６と異なる式で関数ｆ（ｘ）が計算されてもよい。
　期間日数決定部１４７は、例えばｆが最大となるように、短期日数と長期日数を決定してもよい。例えば、期間日数決定部１４７は、ｆが最大となるｘを求める凸最適化問題を解いてもよい。この問題は、例えば下記の式７により示されてもよい。
Figure JPOXMLDOC01-appb-M000007
　この最適化問題を解くことが可能なアルゴリズムであれば、期間日数決定部１４７は如何なるアルゴリズムを用いてもよい。例えば、期間日数決定部１４７は、シンプレックス法等を用いてもよい。或いは、長期日数の上限が予め定められている場合、期間日数決定部１４７は、例えば短期日数と長期日数の全ての組み合わせについてｆを計算し、最も大きいｆが計算された短期日数と長期日数との組み合わせを、排卵日の到来の推定又は次の生理日の予測に用いる短期日数と長期日数に決定してもよい。
　なお、短期の移動平均が長期の移動平均よりも小さくなるタイミングと生理日との差が大きくなるほど大きくなり、且つ短期の移動平均と長期の移動平均との差の定積分が大きくなるほど小さくなる関数ｇ（ｘ）が最小となるように、期間日数決定部１４７は、短期日数及び長期日数を決定してもよい。関数ｆ（ｘ）の符号を反転することにより、－ｆ（ｘ）が最小となる短期日数及び長期日数を求める最適化問題に変わるので、関数ｆ（ｘ）の最適化問題と関数ｇ（ｘ）の最適化問題は実質的に同じである。
［３－２－２．排卵日の推定、生理日の予測］
　タイミング特定部１４８は、期間日数決定部１４７により決定された短期日数と長期日数を用いて、現月経周期における短期の移動平均と長期の移動平均を計算する。指数移動平均を計算する場合、タイミング特定部１４８は、例えば過去の１以上の月経周期内の何れかの日から指数移動平均の計算を開始してもよい。タイミング特定部１４８は、現月経周期において、短期の移動平均が長期の移動平均よりも大きくなるタイミング、すなわちＰクロスオーバーが起きた日を特定する。
　体温ベース予測部１４９は、タイミング特定部１４８により特定されたタイミングに基づいて、排卵日の到来を推定し、又は次の生理日を予測する。
　排卵日の到来を推定する場合、体温ベース予測部１４９は、例えばＰクロスオーバーが起きた日を排卵日と推定してもよい。或いは、体温ベース予測部１４９は、例えばＰクロスオーバーが起きた日から所定日後又は所定日前の日を、排卵日と推定してもよい。或いは、排卵日検査によって対象者の過去の月経周期における排卵日が判明している場合、体温ベース予測部１４９は、例えば判明した排卵日と過去の月経周期においてＰクロスオーバーが起きた日との差を計算してもよい。そして、体温ベース予測部１４９は、現月経周期でＰクロスオーバーが起きた日に、計算した差を加算することにより、推定排卵日を計算してもよい。
　次の生理日を予測する場合、体温ベース予測部１４９は、例えばＰクロスオーバーが起きた日に所定日数を加算することにより予測生理日を計算してもよいし、推定排卵日に所定日数を加算することにより予測生理日を計算してもよい。加算される日数は、例えば１４日±２日の範囲内で予め定められてもよい。或いは、体温ベース予測部１４９は、例えば過去の１以上の月経周期の短期の移動平均及び長期の移動平均に基づいて、過去の１以上の月経周期におけるＰクロスオーバーが起きた日からＮクロスオーバーが起きた日までの日数の代表値を計算してもよい。体温ベース予測部１４９は、例えば平均値を計算してもよいし、中央値を計算してもよい。そして、体温ベース予測部１４９は、例えば現月経周期でＰクロスオーバーが起きた日に、計算された代表値を加算することにより、予測生理日を計算してもよい。図１２Ａは、予測生理日が計算される様子の一例を示す図である。例えば、図１１の例の場合、３月経周期においてＰクロスオーバーが起きた日からＮクロスオーバーが起きた日までの日数は、それぞれ１１、１３及び１５である。従って平均値は１３である。図１２Ａに示すように、現月経周期においてＰクロスオーバーが起きた日は１月１４日である。従って、体温ベース予測部１４９は、次の生理日を１月２７日と予測する。
　なお、排卵日の推定の対象の月経周期は現月経周期であってもよいし、過去の月経周期であってもよい。例えば、タイミング特定部１４８は、期間日数決定部１４７により決定された短期日数と長期日数を用いて、過去の或る月経周期における短期の移動平均と長期の移動平均を計算し、その月経周期において、短期の移動平均が長期の移動平均よりも大きくなるタイミングを特定してもよい。そして、体温ベース予測部１４９は、特定されたタイミングに基づいて、その月経周期における排卵日を推定してもよい。また、体温ベース予測手法で用いられる短期日数及び長期日数は予め定められていてもよい。例えば、短期日数及び長期日数が予め記憶部１２に記憶されていてもよい。この場合、期間日数決定部１４７は不要である。
［３－３．予測手法の切り替え］
　周期ベース予測手法によれば、過去の３以上の月経周期のそれぞれの日数が特定されていれば、現在が低温期であるか高温期であるかに関わらず、次の生理日を予測することができる。一方、体温ベース予測手法によれば、体温の短期の移動平均が長期の移動平均よりも大きくなったタイミング、すなわちＰクロスオーバーが起きたタイミングに基づいて、次の生理日を精度よく予測することができる。しかしながら、現月経周期においてＰクロスオーバーがまだ起きていない場合、すなわち現在が低温期である蓋然性が高い場合、体温ベース予測手法を用いることができない。
　そこで、現月経周期において体温の短期の移動平均が長期の移動平均よりも大きくなったタイミングがタイミング特定部１４８により特定されていない場合、周期ベース予測部１４６が次の生理日を予測してもよい。一方、短期の移動平均が長期の移動平均よりも大きくなったことタイミングがタイミング特定部１４８により特定された場合、体温ベース予測部１４９が次の生理日を予測してもよい。
　図１２Ｂは、次の生理日の予測に用いられる手法の決定例を示す図である。図１２Ｂに示すように、１月１３日から１６日までは、短期の移動平均が長期の移動平均よりも低い。従って、この期間は、周期ベース予測部１４６が周期ベース予測手法を用いて次の生理日を予測する。１月１７日にはＰクロスオーバーが起きている。従って、１月１７日以降は、体温ベース予測部１４９が体温ベース予測手法を用いて次の生理日を予測する。
　なお、例えば如何なる状況であっても、常に周期ベース予測部１４６が次の生理日を予測してもよい。この場合、体温ベース予測部１４９は不要である。また例えば、現月経周期においてＰクロスオーバーが起こったタイミングがまだ特定されていない場合、システム制御部１４は、第３－１節で説明された周期ベース予測手法とは異なる手法を用いて次の生理日を予測してもよい。例えば、過去の１以上の周期の日数の代表値を現月経周期の初日の生理日に加算することにより次の生理日を予測する手法であれば、システム制御部１４は如何なる手法を用いてもよい。この場合、例えば過去の１以上の周期のうち少なくとも１つの周期の日数が修正又は変更されてもよい。そして、Ｐクロスオーバーが起こったタイミングが特定された後は、体温ベース予測部１４９が次の生理日を予測してもよい。或いは、例えば現月経周期においてＰクロスオーバーが起こったタイミングがまだ特定されていない場合、システム制御部１４は、次の生理日を予測しなくてもよい。そして、Ｐクロスオーバーが起こったタイミングが特定された後は、体温ベース予測部１４９が次の生理日を予測してもよい。この場合、周期ベース予測部１４６は不要である。
［４．情報処理システムの動作］
　次に、情報処理システムＳの動作について、図１３乃至図１９を用いて説明する。
　図１３は、本実施形態に係る情報処理サーバ１のシステム制御部１４の生理日予測処理の一例を示すフローチャートである。例えば、ユーザの操作に基づいて、ユーザ端末２は、端末用アプリケーションプログラムを起動する。そして、ユーザは体温計３を用いて本日の体温を計測する。すると、ユーザ端末２は、計測された体温を実測値として体温計３から受信する。そして、ユーザ端末２は、体温の実測値を、ユーザ端末２を利用するユーザのユーザＩＤとともに情報処理サーバ１へ送信する。ユーザ端末２から体温の実測値及びユーザＩＤを受信したとき、システム制御部１４は、生理日予測処理を実行する。この場合、ユーザＩＤが示すユーザは、次の生理日が予測される対象者である。
　図１３に示すように、体温ベース予測部１４９は、受信された実測値を記録する（ステップＳ１）。具体的に、体温ベース予測部１４９は、今日の日付を測定日として取得する。そして、体温ベース予測部１４９は、受信された実測値及びユーザＩＤと、測定日とを対応付けて体温ＤＢ１２ｂに登録する。
　次いで、周期ベース予測部１４６は、対象者のユーザＩＤが示すユーザについて記録された過去の月経周期の数が、記憶部１２に予め記憶された閾値ＫＮよりも大きいか否かを判定する（ステップＳ２）。例えば、周期ベース予測部１４６は、対象者のユーザＩＤに対応する生理日を生理日ＤＢ１２ｃから検索する。周期ベース予測部１４６は、この検索により見つかった生理日の数から１を減算して、過去の月経周期の数を計算する。閾値ＫＮは、例えば２以上の数のうちの何れかを示してもよい。周期ベース予測部１４６は、過去の月経周期の数が閾値ＫＮよりも大きいと判定した場合には（ステップＳ２：ＹＥＳ）、ステップＳ３に進む。一方、周期ベース予測部１４６は、過去の月経周期の数が閾値ＫＮよりも大きくはないと判定した場合には（ステップＳ２：ＮＯ）、生理日予測処理を終了させる。
　ステップＳ３において、体温ベース予測部１４９は、各日の体温の実測値が記録された過去の月経周期の数が閾値ＫＮよりも大きいか否かを判定する。例えば、体温ベース予測部１４９は、ステップＳ２において見つかった生理日を日付の古い順に並べ替える。体温ベース予測部１４９は、並べ替えられた生理日の中で隣り合う２つの生理日ごとに、月経周期を特定する。或る生理日から次の生理日の前日までが、１つの月経周期である。体温ベース予測部１４９は、月経周期ごとに、体温ＤＢ１２ｂから、対象者のユーザＩＤに対応する体温の実測値のうち、月経周期の初日から最終日までの実測値をそれぞれ検索する。検索の結果、初日から最終日までの全ての日で実測値が見つかった場合、体温ベース予測部１４９は、各日の体温の実測値が記録された過去の月経周期の数を１増加させる。体温ベース予測部１４９は、このようにしてカウントされた月経周期の数が閾値ＫＮよりも大きいと判定した場合には（ステップＳ３：ＹＥＳ）、ステップＳ４に進む。一方、体温ベース予測部１４９は、各日の体温の実測値が記録された過去の月経周期の数が閾値ＫＮよりも大きくはないと判定した場合には（ステップＳ３：ＮＯ）、生理日予測処理を終了させる。なお、或る月経周期において、一部の日の体温の実測値が記録されていない場合、体温ベース予測部１４９は、例えばその一部の日の前後の日などの体温の実測値で、その日の実測値を補間してもよい。これにより、体温ベース予測部１４９は、各日の体温の実測値が記録された月経周期の数を増やしてもよい。或いは、体温ベース予測部１４９は、例えば体温の実測値が記録されていない日の体温の入力を促すメッセージをユーザ端末２に送信してもよい。そして、体温ベース予測部１４９は、例えばユーザにより手入力された体温を実測値としてユーザ端末２から取得してもよい。
　ステップＳ４において、システム制御部１４は、現月経周期用のパラメータ情報が登録されているか否かを判定する。例えば、システム制御部１４は、ステップＳ２において見つかった生理日のうち最新の生理日を、現月経周期の初日として特定する。次いで、システム制御部１４は、パラメータＤＢ１２ｄから、対象者のユーザＩＤに対応するパラメータ情報のうち、登録日が現月経周期の初日以降であるパラメータ情報を検索する。検索の結果、システム制御部１４は、パラメータ情報がパラメータＤＢ１２ｄに登録されていると判定した場合には（ステップＳ４：ＹＥＳ）、ステップＳ６に進む。一方、システム制御部１４は、パラメータ情報がパラメータＤＢ１２ｄに登録されていないと判定した場合には（ステップＳ４：ＮＯ）、ステップＳ５に進む。ステップＳ５において、システム制御部１４は、パラメータ決定処理を実行する。パラメータ決定処理において、システム制御部１４は、周期ベース予測手法及び体温ベース予測手法のパラメータを生成する。また、システム制御部１４は、周期ベース予測手法により次の生理日を予測する。また、システム制御部１４は、体温ベース予測手法により、現月経周期の高温期の日数を推定する。そして、システム制御部１４は、現月経周期用のパラメータ情報を生成する。パラメータ決定処理の詳細は後述する。次いで、システム制御部１４は、ステップＳ６に進む。
　ステップＳ６において、体温ベース予測部１４９は、現月経周期の各日の体温の実測値が記録されているか否かを判定する。例えば、体温ベース予測部１４９は、体温ＤＢ１２ｂから、対象者のユーザＩＤに対応する体温の実測値のうち、現月経周期の初日から今日までの実測値をそれぞれ検索する。検索の結果、初日から今日までの全ての日で実測値が見つかった場合、体温ベース予測部１４９は、現月経周期の各日の体温の実測値が記録されていると判定する（ステップＳ６：ＹＥＳ）。この場合、体温ベース予測部１４９は、ステップＳ７に進む。一方、初日から今日までのうち少なくとも１日で実測値が見つからなかった場合、体温ベース予測部１４９は、現月経周期の各日の体温の実測値が記録されていないと判定する（ステップＳ６：ＮＯ）。この場合、体温ベース予測部１４９は、ステップＳ１０に進む。なお、体温ベース予測部１４９は、例えば体温の実測値が記録されていない日の体温を補間により決定してもよいし、ユーザに入力させてもよい。
　ステップＳ７において、タイミング特定部１４８は、現月経周期用のパラメータ情報から、短期日数及び長期日数を取得する。次いで、タイミング特定部１４８は、現月経周期の各日の体温の実測値と、短期日数及び長期日数とに基づいて、現月経周期の初日から今日までの各日の短期の移動平均と長期の移動平均とを計算する（ステップＳ８）。次いで、タイミング特定部１４８は、現月経周期でＰクロスオーバーが特定されるか否かを判定する（ステップＳ９）。例えば、或る日の短期の移動平均が長期の移動平均よりも低く、且つその１日後の短期の移動平均が長期の移動平均よりも高い場合、タイミング特定部１４８は、Ｐクロスオーバーが起こったと判定してもよい。この場合、タイミング特定部１４８は、例えばこれら２日間のうち何れかの日を、Ｐクロスオーバーが起こった日として特定する。例えば、タイミング特定部１４８は、短期の移動平均と長期の移動平均との差が小さい方の日を、Ｐクロスオーバーが起こった日として特定してもよい。また例えば、或る日の短期の移動平均が長期の移動平均よりも低く、その或る日の１日後の短期の移動平均が長期の移動平均と一致し、且つその或る日の２日後の短期の移動平均が長期の移動平均よりも高い場合、タイミング特定部１４８は、Ｐクロスオーバーが起こったと判定してもよい。この場合、タイミング特定部１４８は、例えばこれら３日間のうち中央の日を、Ｐクロスオーバーが起こった日として特定してもよい。タイミング特定部１４８は、Ｐクロスオーバーが特定されると判定した場合には（ステップＳ９：ＹＥＳ）、ステップＳ１１に進む。一方、タイミング特定部１４８は、Ｐクロスオーバーが特定されなかったと判定した場合には（ステップＳ９：ＮＯ）、ステップＳ１０に進む。
　ステップＳ１０において、周期ベース予測部１４６は、現月経周期用のパラメータ情報に含まれる予測生理日をユーザ端末２へ送信して、生理日予測処理を終了させる。ユーザ端末２は、情報処理サーバ１から受信した予測生理日を画面に表示する。
　ステップＳ１１において、体温ベース予測部１４９は、現月経周期でＰクロスオーバーが起こった日に基づいて、推定排卵日を決定する。例えば、体温ベース予測部１４９は、Ｐクロスオーバーが起こった日を推定排卵日に決定してもよい。次いで、体温ベース予測部１４９は、Ｐクロスオーバーが起こった日に、現月経周期用のパラメータ情報に含まれる推定高温期日数を加算することにより、予測生理日を計算する（ステップＳ１２）。次いで、体温ベース予測部１４９は、推定排卵日及び予測生理日をユーザ端末２に送信して（ステップＳ１３）。生理日予測処理を終了させる。ユーザ端末２は、情報処理サーバ１から受信した推定排卵日及び予測生理日を画面に表示する。
　図１４は、本実施形態に係る情報処理サーバ１のシステム制御部１４のパラメータ決定処理の一例を示すフローチャートである。図１４に示すように、システム制御部１４は、周期ベースパラメータ決定処理を実行する（ステップＳ２１）。周期ベースパラメータ決定処理において、システム制御部１４は、周期ベース予測手法で用いられるパラメータを決定する。周期ベースパラメータ決定処理の詳細は後述する。次いで、周期ベース予測部１４６は、周期ベース予測処理を実行する（ステップＳ２２）。周期ベース予測処理において、周期ベース予測部１４６は、周期ベース予測手法により予測生理日を決定する。周期ベース予測処理の詳細は後述する。
　次いで、期間日数決定部１４７は、体温ベースパラメータ決定処理を実行する（ステップＳ２３）。体温ベースパラメータ決定処理において、期間日数決定部１４７は、体温ベース予測手法で用いられるパラメータを決定する。体温ベースパラメータ決定処理の詳細は後述する。次いで、体温ベース予測部１４９は、体温ベース予測手法のパラメータに決定された短期日数と長期日数とに基づいて計算される短期の移動平均と長期の移動平均とに基づいて、過去の１以上の月経周期におけるＰクロスオーバーが起こった日とＮクロスオーバーが起こった日とを特定する。そして、体温ベース予測部１４９は、Ｐクロスオーバーが起こった日からＮクロスオーバーが起こった日までの日数の平均値を、推定高温期日数として計算する（ステップＳ２４）。
　次いで、システム制御部１４は、今日の日付を登録日として取得する。次いで、システム制御部１４は、対象者のユーザＩＤ、登録日、周期ベースパラメータ決定処理及び体温ベースパラメータ決定処理で決定されたパラメータ、周期ベース予測手法により決定された予測生理日、及び推定高温期日数を含むパラメータ情報を生成する。そして、システム制御部１４は、生成されたパラメータ情報をパラメータＤＢ１２ｄに登録して（ステップＳ２５）、パラメータ決定処理を終了させる。
　図１５は、本実施形態に係る情報処理サーバ１のシステム制御部１４の周期ベースパラメータ決定処理の一例を示すフローチャートである。図１５に示すように、パラメータ候補取得部１４１は、参照周期の数ＲＮを決定する（ステップＳ３１）。例えば、パラメータ候補取得部１４１は、記憶部１２に予め記憶されている、参照周期の数の初期値を取得する。次いで、パラメータ候補取得部１４１は、過去の月経周期の数が初期値よりも大きいか否かを判定する。過去の月経周期の数が初期値よりも大きい場合、パラメータ候補取得部１４１は、初期値をＲＮに決定する。一方、過去の月経周期の数が初期値以下である場合、パラメータ候補取得部１４１は、過去の月経周期の数から１を減算することにより、ＲＮを計算する。
　次いで、パラメータ候補取得部１４１は、番号ｉを１に設定する（ステップＳ３２）。そして、パラメータ候補取得部１４１は、記憶部１２から、異常値除去の閾値の候補ＯＦ（ｉ）を取得する。次いで、パラメータ候補取得部１４１は、番号ｊを１に設定する（ステップＳ３３）。そして、パラメータ候補取得部１４１は、記憶部１２から、ウインソリゼーションの閾値の候補ＷＮ（ｊ）を取得する。次いで、パラメータ候補取得部１４１は、代表値種別を「平均値」に設定する（ステップＳ３４）。次いで、システム制御部１４は、日数差計算処理を実行する（ステップＳ３５）。日数差計算処理において、システム制御部１４は、ステップＳ３２～Ｓ３４で決定された、パラメータの候補組み合わせに基づいて、複数の参照周期を修正する。そして、システム制御部１４は、修正された参照周期の代表値と基準周期との差を、合計日数差として計算する。日数差計算処理の詳細は後述する。
　次いで、パラメータ候補取得部１４１は、代表値種別が「平均値」であるか否かを判定する（ステップＳ３６）。このとき、パラメータ候補取得部１４１は、代表値種別が「平均値」であると判定した場合には（ステップＳ３６：ＹＥＳ）、ステップＳ３７に進む。ステップＳ３７において、パラメータ候補取得部１４１は、代表値種別を「中央値」に変更して、ステップＳ３５に進む。一方、パラメータ候補取得部１４１は、代表値種別が「平均値」ではないと判定した場合には（ステップＳ３６：ＮＯ）、ステップＳ３８に進む。ステップＳ３８において、パラメータ候補取得部１４１は、番号ｊが、ウインソリゼーションの閾値の候補の数未満であるか否かを判定する。このとき、パラメータ候補取得部１４１は、パラメータ番号ｊが、ウインソリゼーションの閾値の候補の数未満であると判定した場合には（ステップＳ３８：ＹＥＳ）、ステップＳ３９に進む。ステップＳ３９において、パラメータ候補取得部１４１は、番号ｊに１を加算して、ステップＳ３４に進む。一方、パラメータ候補取得部１４１は、パラメータ番号ｊが、ウインソリゼーションの閾値の候補の数未満ではないと判定した場合には（ステップＳ３８：ＮＯ）、ステップＳ４０に進む。ステップＳ４０において、パラメータ候補取得部１４１は、番号ｉが、異常値除去の閾値の候補の数未満であるか否かを判定する。このとき、パラメータ番号ｉが、異常値除去の閾値の候補の数未満であると判定した場合には（ステップＳ４０：ＹＥＳ）、ステップＳ４１に進む。ステップＳ４１において、パラメータ候補取得部１４１は、番号ｉに１を加算して、ステップＳ３３に進む。一方、パラメータ候補取得部１４１は、パラメータ番号ｉが、異常値除去の閾値の候補の数未満ではないと判定した場合には（ステップＳ４０：ＮＯ）、ステップＳ４２に進む。
　ステップＳ４２において、パラメータ決定部１４５は、全ての候補組み合わせを、合計日数差が小さい順に並べ替える。次いで、パラメータ決定部１４５は、合計日数差が最も小さい候補組み合わせを第１候補として特定する。次いで、パラメータ決定部１４５は、第１候補の合計日数差から所定範囲内の合計日数差が計算された別の候補組み合わせがあるか否かを判定する（ステップＳ４３）。例えば、パラメータ決定部１４５は、第１候補の合計日数差に、記憶部１２に予め記憶されている係数を掛けて、合計日数差の基準値を計算する。この係数の値は、例えば１よりも大きい。次いで、パラメータ決定部１４５は、第１候補を除き、合計日数差が基準値以下である候補組み合わせが１つ以上あるか否かを判定する。このとき、合計日数差が基準値以下である候補組み合わせが１つ以上ある場合、パラメータ決定部１４５は、第１候補の合計日数差から所定範囲内の合計日数差が計算された別の候補組み合わせがあると判定する（ステップＳ４３：ＹＥＳ）。この場合、パラメータ決定部１４５は、合計日数差が基準値以下である候補組み合わせを第２候補として特定する。そして、パラメータ決定部１４５は、ステップＳ４５に進む。一方、合計日数差が基準値以下である候補組み合わせがない場合、パラメータ決定部１４５は、第１候補の合計日数差から所定範囲内の合計日数差が計算された別の候補組み合わせがないと判定する（ステップＳ４３：ＮＯ）。この場合、パラメータ決定部１４５は、ステップＳ４４に進む。
　ステップＳ４４において、パラメータ決定部１４５は、第１候補を、周期ベース予測手法で用いるパラメータに決定して、周期ベースパラメータ決定処理を終了させる。
　ステップＳ４５において、パラメータ決定部１４５は、人数取得処理を実行する。人数取得処理において、パラメータ決定部１４５は、第１候補が周期ベース予測手法のパラメータとして決定されたユーザの数を取得し、且つ第２候補が周期ベース予測手法のパラメータとして決定されたユーザの数を取得する。人数取得処理の詳細は後述する。次いで、パラメータ決定部１４５は、第１候補及び第２候補のうち、パラメータとして決定されたユーザの数が最も多い候補を、周期ベース予測手法で用いるパラメータに決定して（ステップＳ４６）、周期ベースパラメータ決定処理を終了させる。
　図１６は、本実施形態に係る情報処理サーバ１のシステム制御部１４の日数差計算処理の一例を示すフローチャートである。図１６に示すように、パラメータ決定部１４５は、合計日数差ＴＤ（ｉ，ｊ，ｋ）を０に設定する（ステップＳ５１）。次いで、周期セット取得部１４２は、月経周期の番号ｍを１に設定する（ステップＳ５２）。次いで、周期セット取得部１４２は、生理日予測処理で特定された過去の複数の月経周期のうち月経周期（ｍ）の日数を、基準周期の日数として取得する（ステップＳ５３）。月経周期（ｍ）は、過去の月経周期のうちｍ番目に新しい月経周期である。次いで、次いで、周期セット取得部１４２は、生理日予測処理で特定された過去の複数の月経周期のうち、月経周期（ｍ＋１）～月経周期（ｍ＋ＲＮ＋１）のそれぞれの日数を、参照周期の日数として取得する（ステップＳ５４）。そして、周期セット取得部１４２は、取得した参照周期の日数を昇順に並べ替える。
　次いで、修正参照周期取得部１４３は、日数ごとに参照周期の出現数をカウントする。そして、修正周期群取得部１４３は、各出現数をＲＮで割ることにより、日数ごとに参照周期の出現確率を計算する（ステップＳ５５）。次いで、修正参照周期取得部１４３は、取得された参照周期から、出現確率がＯＦ（ｉ）パーセント未満である日数の参照周期を、異常値として除去する（ステップＳ５６）。
　次いで、修正参照周期取得部１４３は、異常値が除去された残りの参照周期の日数の中から、ＷＮ（ｊ）パーセンタイル及び（１００－ＷＮ（ｊ））パーセンタイルを決定する。そして、修正参照周期取得部１４３は、残りの参照周期のうちＷＮ（ｊ）パーセンタイル未満の日数の参照周期の日数を、ＷＮ（ｊ）パーセンタイルに変更する（ステップＳ５７）。また、修正参照周期取得部１４３は、残りの参照周期のうち（１００－ＷＮ（ｊ））パーセンタイルを超える日数の参照周期の日数を、（１００－ＷＮ（ｊ））パーセンタイルに変更する（ステップＳ５８）。
　次いで、代表値取得部１４４は、代表値種別ｋが「平均値」であるか否かを判定する（ステップＳ５９）。このとき、代表値取得部１４４は、代表値種別ｋが「平均値」であると判定した場合には（ステップＳ５９：ＹＥＳ）、ステップＳ６０に進む。ステップＳ６０において、代表値取得部１４４は、修正された参照周期の日数の平均値を代表値Ｐとして計算して、ステップＳ６２に進む。一方、代表値取得部１４４は、代表値種別ｋが「平均値」ではないと判定した場合には（ステップＳ５９：ＮＯ）、ステップＳ６１に進む。ステップＳ６１において、代表値取得部１４４は、修正された参照周期の日数の中央値を代表値Ｐとして決定して、ステップＳ６２に進む。
　ステップＳ６２において、パラメータ決定部１４５は、基準周期の日数と代表値Ｐとの差の絶対値Ｄを計算する。次いで、パラメータ決定部１４５は、記憶部１２から重み係数Ｗ（ｍ）を取得する。ｍの値が大きいほど、Ｗ（ｍ）の値は小さくなる。次いで、パラメータ決定部１４５は、差の絶対値ＤにＷ（ｍ）を掛けて、加重差を計算する。そして、パラメータ決定部１４５は、合計日数差Ｔ（ｉ，ｊ，ｋ）に加重差を加算して、Ｔ（ｉ，ｊ，ｋ）を更新する（ステップＳ６３）。
　次いで、周期セット取得部１４２は、番号ｍと参照周期の数ＲＮとの和が、過去の月経周期の数未満であるか否かを判定する（ステップＳ６４）。このとき、周期セット取得部１４２は、番号ｍと参照周期の数ＲＮとの和が過去の月経周期の数未満であると判定した場合には（ステップＳ６４：ＹＥＳ）、ステップＳ６５に進む。ステップＳ６５において、周期セット取得部１４２は、番号ｍに１を加算して、ステップＳ５３に進む。一方、周期セット取得部１４２は、番号ｍと参照周期の数ＲＮとの和が過去の月経周期の数未満ではないと判定した場合には（ステップＳ６４：ＮＯ）、日数差計算処理を終了させる。
　図１７は、本実施形態に係る情報処理サーバ１のシステム制御部１４の人数取得処理の一例を示すフローチャートである。なお、以下では、対象者の特徴の同一性の判定に年代を用いた場合の例を説明する。図１７に示すように、パラメータ決定部１４５は、会員情報ＤＢ１２ａから、対象者のユーザＩＤに対応する年齢を取得する。そして、パラメータ決定部１４５は、取得した年齢に基づいて、対象者の年代を取得する（ステップＳ７１）。次いで、パラメータ決定部１４５は、第１候補及び１又は複数の第２候補の中から１つを選択する（ステップＳ７２）。次いで、パラメータ決定部１４５は、パラメータＤＢ１２ｄから、選択された候補の異常値除去の閾値、ウインソリゼーションの閾値及び代表値種別の全てを含むパラメータ情報を検索する。そして、パラメータ決定部１４５は、検索により見つかったパラメータ情報のリストを生成する（ステップＳ７３）。
　次いで、パラメータ決定部１４５は、リストから、最新ではないパラメータ情報を削除する（ステップＳ７４）。例えば、パラメータ決定部１４５は、リスト中のパラメータ情報からユーザＩＤを取得する。次いで、パラメータ決定部１４５は、取得したユーザＩＤに対応するパラメータ情報のうち登録日が最新のパラメータ情報をパラメータＤＢ１２ｄから検索する。次いで、パラメータ決定部１４５は、リスト中のパラメータ情報の登録日が、最新の登録日よりも古い場合には、そのパラメータ情報を削除する。パラメータ決定部１４５は、これらの処理を、リスト中のパラメータ情報ごとに実行する。
　次いで、パラメータ決定部１４５は、対象者の年代と一致するユーザの人数をカウントする（ステップＳ７５）。例えば、パラメータ決定部１４５は、リスト中のパラメータ情報に含まれるユーザＩＤに対応する年齢を会員情報ＤＢ１２ａから取得する。そして、パラメータ決定部１４５は、取得した年齢に基づいて、ユーザＩＤが示すユーザの年代を取得する。取得された年代が対象者の年代と一致する場合、パラメータ決定部１４５は、ユーザの人数を１増加させる。パラメータ決定部１４５は、これらの処理を、リスト中のパラメータ情報ごとに実行する（ステップＳ７５）。
　次いで、パラメータ決定部１４５は、第１候補及び１又は複数の第２候補の全てを選択したか否かを判定する（ステップＳ７６）。このとき、パラメータ決定部１４５は、まだ選択されていない候補があると判定した場合には（ステップＳ７６：ＮＯ）、ステップＳ７７に進む。ステップＳ７７において、パラメータ決定部１４５は、まだ選択されていない候補の中から１つを選択して、ステップＳ７３に進む。一方、パラメータ決定部１４５は、全ての候補を選択したと判定した場合には（ステップＳ７６：ＹＥＳ）、人数取得処理を終了させる。
　図１８は、本実施形態に係る情報処理サーバ１のシステム制御部１４の周期ベース予測処理の一例を示すフローチャートである。図１８に示すように、周期ベース予測部１４６は、パラメータとして決定された異常値除去の閾値ＯＦ、ウインソリゼーションの閾値ＷＮ及び代表値種別ＰＲを取得する（ステップＳ８１）。次いで、周期ベース予測部１４６は、対象者の過去の複数の月経周期のそれぞれの日数を取得する（ステップＳ８２）。
　次いで、周期ベース予測部１４６は、日数ごとに過去の月経周期の出現数をカウントする。そして、周期ベース予測部１４６は、各出現数を、過去の月経周期の数で割ることにより、日数ごとに過去の月経周期の出現確率を計算する（ステップＳ８３）。次いで、周期ベース予測部１４６は、取得された月経周期から、出現確率がＯＦパーセント未満である日数の参照周期を、異常値として除去する（ステップＳ８４）。次いで、周期ベース予測部１４６は、異常値が除去された残りの月経周期の日数の中から、ＷＮパーセンタイル及び（１００－ＷＮ）パーセンタイルを決定する。そして、周期ベース予測部１４６は、残りの月経周期のうちＷＮパーセンタイル未満の日数の月経周期の日数を、ＷＮパーセンタイルに変更する（ステップＳ８５）。また、周期ベース予測部１４６は、残りの月経周期のうち（１００－ＷＮ）パーセンタイルを超える日数の月経周期の日数を、（１００－ＷＮ）パーセンタイルに変更する（ステップＳ８６）。
　次いで、周期ベース予測部１４６は、代表値種別ＰＲが「平均値」であるか否かを判定する（ステップＳ８７）。このとき、周期ベース予測部１４６は、代表値種別ＰＲが「平均値」であると判定した場合には（ステップＳ８７：ＹＥＳ）、ステップＳ８８に進む。ステップＳ８８において、周期ベース予測部１４６は、修正された月経周期の日数の平均値を代表値Ｐとして計算して、ステップＳ９０に進む。一方、周期ベース予測部１４６は、代表値種別ＰＲが「平均値」ではないと判定した場合には（ステップＳ８７：ＮＯ）、ステップＳ８９に進む。ステップＳ８９において、周期ベース予測部１４６は、修正された月経周期の日数の中央値を代表値Ｐとして決定して、ステップＳ９０に進む。
　ステップＳ９０において、周期ベース予測部１４６は、現月経周期の初日の日付に代表値Ｐを加算して、予測生理日を計算する。そして、周期ベース予測部１４６は、周期ベース予測処理を終了させる。
　図１９は、本実施形態に係る情報処理サーバ１のシステム制御部１４の体温ベースパラメータ決定処理の一例を示すフローチャートである。図１９に示すように、期間日数決定部１４７は、短期日数と長期日数との組み合わせを１つ取得する（ステップＳ１０１）。次いで、期間日数決定部１４７は、取得した組み合わせと、対象者の過去の１以上の月経周期の体温の実測値に基づいて、過去の１以上の月経周期の体温の短期の移動平均と長期の移動平均とを計算する（ステップＳ１０２）。次いで、期間日数決定部１４７は、計算した移動平均に基づいて、Ｎクロスオーバーが起こった日を特定する（ステップＳ１０３）。短期の移動平均と長期の移動平均との高低の関係が逆になることを除き、Ｎクロスオーバーが起こった日の特定方法は、Ｐクロスオーバーが起こった日の特定方法と同一である。Ｐクロスオーバーが起こった日の特定方法は、図１３に示す生理日予測処理のステップＳ９についての説明で述べられている。
　次いで、期間日数決定部１４７は、過去の１以上月経周期のそれぞれの最終日の次の日である生理日について、生理日と、Ｐクロスオーバーが起こった日のうちその生理日に最も近い日との差を計算する。そして、期間日数決定部１４７は、生理日とＰクロスオーバーが起こった日との差の平均値を計算する（ステップＳ１０４）。すなわち、期間日数決定部１４７は式３を計算する。次いで、期間日数決定部１４７は、過去の１以上の月経周期における短期の移動平均と長期の移動平均との差の定積分を計算する（ステップＳ１０５）。すなわち、期間日数決定部１４７は式５を計算する。次いで、期間日数決定部１４７は、ステップＳ１０４及びＳ１０５の計算結果を用いて、式６に示す関数ｆを計算する（ステップＳ１０６）。
　次いで、期間日数決定部１４７は、短期日数と長期日数との全ての組み合わせを取得したか否かを判定する（ステップＳ１０７）。このとき、期間日数決定部１４７は、まだ取得していない組み合わせがあると判定した場合には（ステップＳ１０７：ＮＯ）、ステップＳ１０８に進む。ステップＳ１０８において、期間日数決定部１４７は、まだ取得していない組み合わせのうち１つを取得して、ステップＳ１０２に進む。一方、期間日数決定部１４７は、全ての組み合わせを取得したと判定した場合には（ステップＳ１０７：ＹＥＳ）、ステップＳ１０９に進む。
　ステップＳ１０９において、期間日数決定部１４７は、短期日数と長期日数との複数の組み合わせのうち、関数ｆが最も大きい組み合わせを、体温ベース予測手法のパラメータに決定する。そして、体温ベース予測部１４９は、体温ベースパラメータ決定処理を終了させる。
　以上説明したように、本実施形態によれば、システム制御部１４が、異常値除去の閾値の複数の候補と、ウインソリゼーションの閾値の複数の候補との少なくとも何れかの閾値の複数の候補を取得してもよい。また、システム制御部１４が、対象者の過去の複数の月経周期の中から、基準周期と複数の参照周期とを取得してもよい。また、システム制御部１４が、閾値の候補ごとに、複数の参照周のうち閾値の候補により特定される外れ値に所定の処理が施されることにより修正された複数の参照周期を取得してもよい。また、システム制御部１４が、閾値の候補ごとに、修正された複数の参照周期の代表値を取得してもよい。また、システム制御部１４が閾値の候補ごとに取得された代表値と基準周期とを比較してもよい。また、システム制御部１４が、比較結果に基づいて、閾値の複数の候補の中から、対象者の月経周期の日数の予測に用いられる閾値を決定してもよい。この場合、月経周期のばらつきが大きい場合であっても、予測精度の低下を抑制する閾値を決定することが可能となる。そのため、この閾値に基づいて、予測精度の低下を抑制して月経周期を予測することが可能であり、この月経周期を用いて生理日を予測することが可能である。
　また、システム制御部１４が、異常値除去の閾値の複数の候補と、ウインソリゼーションの閾値の複数の候補とを取得してもよい。また、システム制御部１４が、異常値除去の閾値の候補とウインソリゼーションの閾値の候補とを含む候補組み合わせごとに、複数の参照周期から異常値除去の閾値により異常値として特定される参照周期が除去され、且つその異常値が除去された複数の参照周期のうちウインソリゼーションの閾値により外れ値として特定される参照周期の日数がウインソリゼーションの閾値に対応する日数に変更されることにより修正された複数の参照周期を取得してもよい。また、システム制御部１４が、候補組み合わせごとに、修正された複数の参照周期の代表値を取得してもよい。また、システム制御部１４が、候補組み合わせごとに代表値と基準周期とを比較してもよい。また、システム制御部１４が、比較結果に基づいて、複数の候補組み合わせの中から、予測に用いられる候補組み合わせを決定してもよい。この場合、月経周期のばらつきが大きい場合であっても、予測精度の低下を抑制する異常値除去の閾値及びウインソリゼーションの閾値を決定することが可能となる。
　また、システム制御部１４が、異常値除去の閾値とウインソリゼーションの閾値とを取得してもよい。また、システム制御部１４が、複数の月経周期から、異常値除去の閾値により異常値として特定される月経周期を除去してもよい。また、システム制御部１４が、異常値が除去された複数の月経周期のうち、ウインソリゼーションの閾値により外れ値として特定される月経周期の日数をそのウインソリゼーションの閾値に対応する日数に変更してもよい。そして、システム制御部１４が、月経周期の日数が変更された複数の月経周期に基づいて、対象者の月経周期の日数を予測してもよい。この場合、月経周期のばらつきが大きい場合であっても、予測精度の低下を抑制して、月経周期を予測することが可能であり、この月経周期を用いて生理日を予測することが可能である。
　また、システム制御部１４が、複数の周期セットを取得してもよい。また、システム制御部１４が、閾値の候補と周期セットとの組み合わせごとに、修正された複数の参照周期を取得してもよい。また、システム制御部１４が、閾値の候補と周期セットとの組み合わせごとに、修正された複数の参照周期の代表値を取得してもよい。また、システム制御部１４が、閾値の候補と周期セットとの組み合わせごとに、代表値と基準周期とを比較してもよい。そして、システム制御部１４が、閾値の候補ごとに得られる複数の比較結果に基づいて、予測に用いられる閾値を決定してもよい。この場合、より適切な閾値を決定することができる。
　また、システム制御部１４が、連続する複数の参照周期と、複数の参照周期に連続し且複数の参照周期よりも新しい基準周期とを取得してもよい。また、システム制御部１４が、閾値の候補ごとに得られる複数の比較結果のそれぞれを重み付けして、予測に用いられる閾値を決定してもよい。このとき、システム制御部１４が、基準周期が古いほど、その基準周期と代表値との比較結果の重みを小さくしてもよい。この場合、月経周期の予測のためにより適切な閾値を決定することができる。
　また、システム制御部が、複数の閾値の候補の中に、代表値と基準周期との差が最も小さい第１候補のその差から所定範囲内の差が取得された第２候補がある場合、対象者と異なるユーザのうち、予測に用いられる閾値として第１候補が決定されたユーザの数と、予測に用いられる閾値として第２候補が決定されたユーザの数とに基づいて、第１候補と第２候補の中から、予測に用いられる閾値を決定してもよい。この場合、月経周期の予測のためにより適切な閾値を決定することができる。
　また、システム制御部１４が、予測に用いられる閾値として第１候補が決定されたユーザのうち対象者が有する特徴との同一性がある特徴を有するユーザの数と、予測に用いられる閾値として第２候補が決定されたユーザのうち対象者が有する特徴との同一性がある特徴を有するユーザの数とに基づいて、予測に用いられる閾値を決定してもよい。この場合、対象者にとってより適切な閾値を決定することができる。
　また、システム制御部１４が、閾値の候補ごとに、修正された複数の参照周期の平均値及び中央値をそれぞれ取得してもよい。また、システム制御部１４が、閾値の候補ごとに、平均値及び中央値のそれぞれと基準周期とを比較してもよい。そして、システム制御部１４が、閾値の候補と代表値種別とを含む複数の候補組み合わせの中から、予測に用いられる候補組み合わせを決定してもよい。この場合、対象者の過去の複数の月経周期の分布状況に適した代表値を取得することができる。
　また、システム制御部１４が、対象者の現在の月経周期で測定された体温の短期の移動平均が長期の移動平均よりも大きくなるタイミングが、現在の月経周期内で到来していない場合、決定された閾値と、対象者の過去の複数の月経周期とに基づいて、対象者の現在の月経周期の日数を予測し、予測された日数に基づいて、次の生理日を予測してもよい。また、システム制御部１４が、短期の移動平均が長期の移動平均よりも大きくなるタイミングが現在の月経周期内で到来している場合、そのタイミングに基づいて、次の生理日を予測してもよい。この場合、低温期から高温期に移行した後は、より精度の高い生理日の予測が可能となる。
　また、システム制御部１４が、過去の１以上の月経周期の間に測定された複数日分の体温について、短期日数の移動平均が長期日数の移動平均よりも低くなるタイミングが、過去の１以上の生理日と重なるように、短期日数と長期日数とを決定してもよい。また、システム制御部１４が、対象の月経周期で測定された体温の移動平均について、短期日数の移動平均が長期日数の移動平均よりも高くなるタイミングを特定してもよい。そして、システム制御部１４が、特定されたタイミングに基づいて、対象とする月経周期の次の生理日を予測し、又は対象とする月経周期中の排卵日の到来を推定してもよい。この場合、移動平均により、体温の時系列が平滑化されるので、このタイミングを特定することにより、実際に低温期から高温期に移行するタイミングの前後で体温が上下に変動する場合であっても、そのタイミングを適切に特定することができる。また、高温期から低温期に移行するタイミングで生理日となる。そのため、短期日数と長期日数とを適切に決定することができる。従って、精度の低下を抑制した排卵日の推定及び生理日の予測の少なくとも何れか一方が可能となる。
　また、システム制御部１４が、過去の１以上の月経周期において、短期日数の移動平均が長期日数の移動平均よりも高くなるタイミングから、短期日数の移動平均が長期日数の移動平均よりも低くなるタイミングまでの日数の代表値を、現在の月経周期において短期日数の移動平均が長期日数の移動平均よりも高くなるタイミングに加算して、次の生理日を予測してもよい。この場合、対象者の高温期の傾向に応じてより適切に、排卵日の推定及び生理日の予測の少なくとも何れか一方を行うことができる。
　また、システム制御部１４が、過去の１以上の月経周期で測定された体温の短期の移動平均がその体温の長期の移動平均よりも低くなるタイミングと生理日との時間差が小さくなるように、且つ、過去の１以上の月経周期における短期の移動平均と長期の移動平均との差の積分値が大きくなるように、短期日数と長期日数とを決定してもよい。この場合、体温の短期の移動平均と長期の移動平均との差の積分値と、体温の短期の移動平均が長期の移動平均よりも低くなるタイミングと生理日との時間差とに基づいて、より適切な短期の日数と長期の日数を決定することができる。
　また、システム制御部１４が、現月経周期において短期の移動平均が長期の移動平均よりも高くなるタイミングが特定されなかった場合、過去の１以上の月経周期の日数に基づいて、次の生理日を予測してもよい。この場合、まだ低温期から高温期に移行していない場合であっても、生理日を予測することができる。
　なお、上記各実施形態においては、本発明の情報処理装置が、クライアントサーバシステムにおけるサーバ装置に適用されていた。しかしながら、本発明の情報処理装置が、サーバ装置以外の情報処理装置に適用されてもよい。例えば、本発明の情報処理装置がユーザ端末２等に適用されてもよい。この場合、情報処理装置は、ユーザからの体温に実測値及び生理日の入力を受け付け、そのユーザの排卵日を推定し又は次の生理日を予測してもよい。
１　情報処理サーバ
２　ユーザ端末
１１　通信部
１２　記憶部
１２ａ　会員情報ＤＢ
１２ｂ　体温ＤＢ
１２ｃ　生理日ＤＢ
１２ｄ　パラメータＤＢ
１３　入出力インターフェース
１４　システム制御部
１４ａ　ＣＰＵ
１４ｂ　ＲＯＭ
１４ｃ　ＲＡＭ
１５　システムバス
１４１　パラメータ候補取得部
１４２　周期セット取得部
１４３　修正参照周期取得部
１４４　代表値取得部
１４５　パラメータ決定部
１４６　周期ベース予測部
１４７　期間日数決定部
１４８　タイミング特定部
１４９　体温ベース予測部
ＮＷ　ネットワーク
Ｓ　情報処理システム

Claims (6)

  1. 　過去の１以上の月経周期の間に測定された複数日分の体温について、短期日数の移動平均が長期日数の移動平均よりも低くなるタイミングが、過去の１以上の生理日と重なるように、前記短期日数と前記長期日数とを決定する決定手段と、
    　対象とする月経周期で測定された体温について、前記決定手段により決定された前記短期日数の移動平均が、前記決定手段により決定された前記長期日数の移動平均よりも高くなるタイミングを特定する特定手段と、
    　前記特定手段により特定されたタイミングに基づいて、前記対象とする月経周期の次の生理日を予測し、又は前記対象とする月経周期中の排卵日の到来を推定する推定手段と、
    　を備えることを特徴とする情報処理装置。
  2. 　請求項１に記載の情報処理装置において、
    　前記推定手段は、前記過去の１以上の月経周期において、前記短期日数の移動平均が前記長期日数の移動平均よりも高くなるタイミングから、前記短期日数の移動平均が前記長期日数の移動平均よりも低くなるタイミングまでの日数の代表値を、前記特定手段により特定された前記タイミングに加算して、前記次の生理日を予測することを特徴とする情報処理装置。
  3. 　請求項１又は２に記載の情報処理装置において、
    　前記決定手段は、前記過去の１以上の月経周期で測定された体温の短期の移動平均が該体温の長期の移動平均よりも低くなるタイミングと生理日との時間差が小さくなり、且つ、前記過去の１以上の月経周期における短期の移動平均と長期の移動平均との差の積分値大きくなるなるように、前記短期日数と前記長期日数とを決定することを特徴とする情報処理装置。
  4. 　請求項１乃至３の何れか１項に記載の情報処理装置において、
    　前記短期日数の移動平均が前記長期日数の移動平均よりも高くなるタイミングが前記特定手段により特定されなかった場合、前記過去の１以上の月経周期の日数に基づいて、次の生理日を予測する予測手段を更に備えることを特徴とする情報処理装置。
  5. 　コンピュータにより実行される情報処理方法であって、
    　過去の１以上の月経周期の間に測定された複数日分の体温について、短期日数の移動平均が長期日数の移動平均よりも低くなるタイミングが、過去の１以上の生理日と重なるように、前記短期日数と前記長期日数とを決定する決定ステップと、
    　対象とする月経周期で測定された体温について、前記決定ステップにより決定された前記短期日数の移動平均が、前記決定ステップにより決定された前記長期日数の移動平均よりも高くなるタイミングを特定する特定ステップと、
    　前記特定ステップにより特定されたタイミングに基づいて、前記対象とする月経周期の次の生理日を予測し、又は前記対象とする月経周期中の排卵日の到来を推定する推定ステップと、
    　を含むことを特徴とする情報処理方法。
  6. 　コンピュータを、
    　過去の１以上の月経周期の間に測定された複数日分の体温について、短期日数の移動平均が長期日数の移動平均よりも低くなるタイミングが、過去の１以上の生理日と重なるように、前記短期日数と前記長期日数とを決定する決定手段、
    　対象とする月経周期で測定された体温について、前記決定手段により決定された前記短期日数の移動平均が、前記決定手段により決定された前記長期日数の移動平均よりも高くなるタイミングを特定する特定手段、及び、
    　前記特定手段により特定されたタイミングに基づいて、前記対象とする月経周期の次の生理日を予測し、又は前記対象とする月経周期中の排卵日の到来を推定する推定手段、
    　として機能させることを特徴とする情報処理プログラム。
PCT/JP2015/054790 2015-02-20 2015-02-20 情報処理装置、情報処理方法及び情報処理プログラム WO2016132529A1 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
PCT/JP2015/054790 WO2016132529A1 (ja) 2015-02-20 2015-02-20 情報処理装置、情報処理方法及び情報処理プログラム
US15/552,311 US10485487B2 (en) 2015-02-20 2015-02-20 Information processing device, information processing method, and information processing program
JP2015520745A JP5775242B1 (ja) 2015-02-20 2015-02-20 情報処理装置、情報処理方法及び情報処理プログラム
TW104122785A TWI540997B (zh) 2015-02-20 2015-07-14 資訊處理裝置、資訊處理方法及資訊處理程式產品

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2015/054790 WO2016132529A1 (ja) 2015-02-20 2015-02-20 情報処理装置、情報処理方法及び情報処理プログラム

Publications (1)

Publication Number Publication Date
WO2016132529A1 true WO2016132529A1 (ja) 2016-08-25

Family

ID=54192557

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2015/054790 WO2016132529A1 (ja) 2015-02-20 2015-02-20 情報処理装置、情報処理方法及び情報処理プログラム

Country Status (4)

Country Link
US (1) US10485487B2 (ja)
JP (1) JP5775242B1 (ja)
TW (1) TWI540997B (ja)
WO (1) WO2016132529A1 (ja)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6259147B1 (ja) * 2017-05-16 2018-01-10 佐々木　修 体調予測システム
JP2020008922A (ja) * 2018-07-03 2020-01-16 グラフテック株式会社 計測データ管理装置、計測データ管理方法、および計測データ管理プログラム
JP2020014665A (ja) * 2018-07-25 2020-01-30 日本光電工業株式会社 生体情報表示装置、および生体情報表示用データの出力方法

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016132528A1 (ja) 2015-02-20 2016-08-25 楽天株式会社 情報処理装置、情報処理方法及び情報処理プログラム
JP6987534B2 (ja) * 2017-05-26 2022-01-05 京セラ株式会社 測定装置、測定器具及び測定システム
AU2018431742A1 (en) * 2018-07-12 2021-03-11 Richter Gedeon Nyrt. Vaginal temperature sensing apparatus and methods
JP2024515933A (ja) * 2021-03-12 2024-04-11 オーラ ヘルス オサケユキチュア 月経周期追跡

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS63191345A (ja) * 1987-02-04 1988-08-08 Fujitsu Ten Ltd 磁気テ−プの無音部の検出装置
JP2000230866A (ja) * 1999-02-10 2000-08-22 Matsushita Electric Ind Co Ltd 婦人体温計
JP2002063360A (ja) * 2000-08-23 2002-02-28 Kentex Kk 投資情報提供装置及び方法並びにシステム
JP2014176599A (ja) * 2013-02-12 2014-09-25 Qol Kk ホルモンバランス推定装置およびホルモンバランス推定方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4151831A (en) * 1976-11-15 1979-05-01 Safetime Monitors, Inc. Fertility indicator
DE3474076D1 (en) * 1983-02-24 1988-10-20 Bioself Int Inc Apparatus indicating the present fertility conditions of a person
JP5179799B2 (ja) 2007-08-16 2013-04-10 テルモ株式会社 婦人体温計及び生理周期予測プログラム
GB201311580D0 (en) * 2013-06-27 2013-08-14 Fertility Focus Ltd Data analysis system and method
AU2015234868A1 (en) * 2014-03-28 2016-10-20 Mti Ltd. Ovulation day prediction program and ovulation day prediction method

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS63191345A (ja) * 1987-02-04 1988-08-08 Fujitsu Ten Ltd 磁気テ−プの無音部の検出装置
JP2000230866A (ja) * 1999-02-10 2000-08-22 Matsushita Electric Ind Co Ltd 婦人体温計
JP2002063360A (ja) * 2000-08-23 2002-02-28 Kentex Kk 投資情報提供装置及び方法並びにシステム
JP2014176599A (ja) * 2013-02-12 2014-09-25 Qol Kk ホルモンバランス推定装置およびホルモンバランス推定方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6259147B1 (ja) * 2017-05-16 2018-01-10 佐々木　修 体調予測システム
WO2018211768A1 (ja) * 2017-05-16 2018-11-22 佐々木　修 体調予測システム
JP2018195000A (ja) * 2017-05-16 2018-12-06 佐々木　修 体調予測システム
JP2020008922A (ja) * 2018-07-03 2020-01-16 グラフテック株式会社 計測データ管理装置、計測データ管理方法、および計測データ管理プログラム
JP2020014665A (ja) * 2018-07-25 2020-01-30 日本光電工業株式会社 生体情報表示装置、および生体情報表示用データの出力方法

Also Published As

Publication number Publication date
JP5775242B1 (ja) 2015-09-09
US10485487B2 (en) 2019-11-26
TWI540997B (zh) 2016-07-11
US20180035954A1 (en) 2018-02-08
TW201609042A (zh) 2016-03-16
JPWO2016132529A1 (ja) 2017-04-27

Similar Documents

Publication Publication Date Title
JP5775242B1 (ja) 情報処理装置、情報処理方法及び情報処理プログラム
JP5508610B1 (ja) 情報処理装置、情報処理方法及び情報処理プログラム
US11004551B2 (en) Sleep improvement system, and sleep improvement method using said system
US10983671B2 (en) Terminal device, information processing method, and information processing program
CN105228531B (zh) 月经开始预定日计算装置和月经开始预定日计算方法
CN106874416A (zh) 排行榜单生成方法及排行榜单生成装置
JP5775243B1 (ja) 情報処理装置、情報処理方法及び情報処理プログラム
CN113228196B (zh) 用于优化用于计算睡眠得分的睡眠相关参数的系统和方法
WO2017038177A1 (ja) 情報提供装置、端末装置、情報提供方法、プログラム
US20090144069A1 (en) System and method for providing personalized service
CN108784748A (zh) 一种预测排卵日期的方法、装置和电子设备
WO2021167081A1 (ja) 睡眠評価方法、睡眠評価システム、端末装置、及び、プログラム
US20150250457A1 (en) Ovulation day estimation apparatus, ovulation day estimation method and storage medium in which ovulation day estimation program is recorded
WO2022045082A1 (ja) 情報処理方法、情報処理装置及び情報処理プログラム
KR20130103086A (ko) 대기시간을 포인트화하는 시스템 및 방법
JP6571046B2 (ja) サーバ装置、情報処理方法及びプログラム
JP2011054101A (ja) 評判検索サーバ、評判検索システム及び評判検索方法
CN108282760B (zh) 一种基于用户移动特征规律的d2d设备发现方法及装置
WO2024210097A1 (ja) レコメンド配信サーバ
CN117076916A (zh) 模型选择方法、装置及网络侧设备
CN117241095A (zh) 满意下滑模型的训练方法、装置及电子设备
JP6572116B2 (ja) 繁忙情報提供方法、繁忙情報提供装置、及びプログラム
CN116932869A (zh) 信息推荐方法及装置
Ag Daud Least congested channel recommendation for uncoordinated WiFi access point
CN116776989A (zh) 模型的准确度确定方法、装置及网络侧设备

Legal Events

Date Code Title Description
ENP Entry into the national phase

Ref document number: 2015520745

Country of ref document: JP

Kind code of ref document: A

121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 15882631

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 15552311

Country of ref document: US

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 15882631

Country of ref document: EP

Kind code of ref document: A1