WO2020209117A1 - ストレス推定装置、ストレス推定方法およびコンピュータ読み取り可能な記録媒体 - Google Patents

ストレス推定装置、ストレス推定方法およびコンピュータ読み取り可能な記録媒体 Download PDF

Info

Publication number
WO2020209117A1
WO2020209117A1 PCT/JP2020/014444 JP2020014444W WO2020209117A1 WO 2020209117 A1 WO2020209117 A1 WO 2020209117A1 JP 2020014444 W JP2020014444 W JP 2020014444W WO 2020209117 A1 WO2020209117 A1 WO 2020209117A1
Authority
WO
WIPO (PCT)
Prior art keywords
stress
threshold value
moving average
activity state
histogram
Prior art date
Application number
PCT/JP2020/014444
Other languages
English (en)
French (fr)
Inventor
中島　嘉樹
祥史 大西
Original Assignee
日本電気株式会社
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 日本電気株式会社 filed Critical 日本電気株式会社
Priority to JP2021513577A priority Critical patent/JP7136341B2/ja
Priority to US17/600,199 priority patent/US20220167915A1/en
Publication of WO2020209117A1 publication Critical patent/WO2020209117A1/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
    • A61B5/48—Other medical applications
    • A61B5/4884—Other medical applications inducing physiological or psychological stress, e.g. applications for stress testing
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1118—Determining activity level
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/6802—Sensor mounted on worn items
    • A61B5/681—Wristwatch-type devices
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems

Definitions

  • the present invention relates to a stress estimation device and a stress estimation method using biological signals, and further relates to a computer-readable recording medium on which a program for realizing these is recorded.
  • the state in which the sympathetic nerve has become active due to long-term exposure to stressors (physical and mental factors that cause stress) has continued for a long time, and it has become a problem that mental health is impaired due to ataxia of the autonomic nerve. ing.
  • the person to be measured is made to wear a wearable terminal on a daily basis, and the biological signal, which is a signal reflecting the biological information (sweat amount, skin surface temperature, body movement, etc.) of the person to be measured, is constantly measured from the wearable terminal.
  • a technique for monitoring the stress of the subject has been proposed.
  • acceleration is generally used to identify whether the reaction of biological information reflected by the biological signal being measured is due to physical activity such as strenuous exercise or mental activity such as stress. It is necessary to estimate the physical activity state of the subject using the signal of the meter. Examples of the physical activity state include a sitting state (sitting position), a walking state (walking), and a running state (running).
  • Non-Patent Document 1 discloses a technique for identifying the three activity states of sitting, walking, and running from Activity Magnitude (hereinafter abbreviated as AM) from 30-day data of 20 people.
  • AM is a moving average of changes in RMS (Rooted Mean Square) of 3-axis acceleration.
  • RMS Root Mean Square
  • the AM threshold which estimates the sitting, walking, and running states, is defined as a common numerical value that does not depend on the individual.
  • Non-Patent Document 2 discloses a technique for counting walking step by step in a pedometer.
  • this technique there is disclosed a technique for identifying walking step by step using a threshold value calculated as the average of the maximum value and the minimum value of the RMS of the acceleration for one second immediately before.
  • this technique cannot distinguish between walking and running, it can be used as a technique for distinguishing between sitting and walking, or sitting and running.
  • Non-Patent Document 1 a fixed fixed threshold value calculated in advance using AM data with an activity status label is defined, and individual differences cannot be reflected in identifying the activity status.
  • the technique disclosed in Non-Patent Document 2 since the threshold value is constantly changed, individual differences can be reflected, but walking and running can be performed only by the technique of distinguishing between sitting and walking or between sitting and running. No identification technology is provided.
  • An example of an object of the present invention is to provide a technique capable of identifying the activity state of a person to be measured and determining the stress of the person to be measured.
  • the stress estimation device in one aspect of the present invention is a stress estimation device that estimates the stress of the person to be measured.
  • a signal acquisition unit that acquires a biological signal of the person to be measured, including acceleration information of the movement of at least one part of the person to be measured.
  • a moving average calculation unit that calculates a moving average from acceleration information included in the biological signal acquired by the signal acquisition unit, From the moving average calculated by the moving average calculation unit, a threshold value calculation unit that calculates the threshold value of the activity state of the person to be measured, and
  • An activity state identification unit that identifies an activity state at a specific time from the moving average calculated by the moving average calculation unit and the threshold value calculated by the threshold value calculation unit.
  • a data generation unit for each activity state that classifies time-series data of biological signals other than acceleration information acquired by the signal acquisition unit for each activity state identified by the activity state identification unit and generates data for each activity state.
  • a stress estimation unit that estimates stress from the activity state data generated by the activity state data generation unit, and a stress estimation unit. It is characterized by having.
  • the stress estimation method in one aspect of the present invention is a stress estimation method for estimating the stress of the person to be measured.
  • a step of acquiring a biological signal of the person to be measured including acceleration information of the movement of at least one part of the person to be measured.
  • Steps to calculate the moving average from the acceleration information included in the acquired biological signal From the calculated moving average, the step of calculating the threshold value of the activity state of the person to be measured, and
  • a step of classifying the acquired time-series data of biological signals other than acceleration information for each identified activity state and generating data for each activity state Steps to estimate stress from the generated activity data, It is characterized by having.
  • the program in one aspect of the present invention is a computer-readable recording medium in which a computer is recorded with a program for estimating stress of a subject.
  • Steps to calculate the moving average from the acceleration information included in the acquired biological signal From the calculated moving average, the step of calculating the threshold value of the activity state of the person to be measured, and A step to identify the activity state at a specific time from the calculated moving average and the calculated threshold value, Among the acquired biological signals, the step of classifying the time-series data of biological signals other than the acceleration information for each identified active state and generating the data for each active state, and Steps to estimate stress from the generated activity data, It is characterized in that it records a program containing an instruction to execute.
  • the present invention it is possible to identify the activity state of the person to be measured and determine the stress of the person to be measured.
  • FIG. 1 is a block diagram showing a schematic configuration of the stress estimation device of the embodiment.
  • FIG. 2 is a block diagram concretely showing the configuration of the stress estimation device.
  • FIG. 3 is a diagram showing a virtual histogram of the moving average.
  • FIG. 4 is a diagram showing a histogram of a moving average calculated from data for one month of four subjects.
  • FIG. 5 is a diagram showing a moving average for each hour of the day.
  • FIG. 6 is a numerical histogram of the daily moving average shown in FIG.
  • FIG. 7 is a histogram of the monthly moving averages of the subjects shown in FIGS. 5 and 6.
  • FIG. 8 is a diagram in which only a portion including two upwardly convex regions is extracted from a histogram having a plurality of upwardly convex regions as shown in FIG. 7.
  • FIG. 9 is a diagram showing the result of performing logarithmic processing on the histogram of FIG. 7.
  • FIG. 10 is a flow chart showing the operation of the stress estimation device.
  • FIG. 11 is a block diagram showing an example of a computer that realizes the stress estimation device according to the embodiment.
  • FIG. 1 is a block diagram showing a schematic configuration of the stress estimation device 1 according to the present embodiment.
  • the stress estimation device 1 is a device that estimates the stress of the person to be measured.
  • the stress estimation device 1 includes a signal acquisition unit 10, a moving average calculation unit 13, a threshold value calculation unit 15, an activity state identification unit 16, an activity state-specific data generation unit 17, and a stress estimation unit 19.
  • the signal acquisition unit 10 acquires the biological signal of the person to be measured, including acceleration information of the operation of at least one part of the person to be measured.
  • the moving average calculation unit 13 calculates the moving average from the acceleration information included in the biological signal acquired by the signal acquisition unit 10.
  • the threshold value calculation unit 15 calculates the threshold value of the activity state of the person to be measured from the moving average calculated by the moving average calculation unit 13.
  • the activity state identification unit 16 identifies the activity state at a specific time from the moving average calculated by the moving average calculation unit 13 and the threshold value calculated by the threshold value calculation unit 15.
  • the activity state-specific data generation unit 17 classifies the time-series data of biological signals other than the acceleration information acquired by the signal acquisition unit 10 for each activity state identified by the activity state identification unit 16, and obtains the activity state-specific data. Generate.
  • the stress estimation unit 19 estimates stress from biological signals classified by the activity state data generation unit 17.
  • FIG. 2 is a block diagram specifically showing the configuration of the stress estimation device 1.
  • the stress estimation device 1 is composed of a computer.
  • the stress estimation device 1 is capable of wired or wireless data communication with a part of the body of the person to be measured, for example, a wearable terminal 50 worn on an arm.
  • the wearable terminal 50 communicates data with a mobile device terminal (smartphone or the like) owned by the subject via short-range wireless communication, and the stress estimation device 1 and the wearable terminal 50 communicate with the portable device terminal via the portable device terminal. , Data communication may be performed.
  • the wearable terminal 50 measures the biological information of the person to be measured and outputs a biological signal reflecting the biological information.
  • Biological information includes the amount of sweating, skin surface temperature, body movement, pulse rate, heart rate, respiratory rate, etc. of the subject.
  • the biological information is not limited to these, and may be any information that can estimate the mental state such as stress of the subject, such as information that reflects the autonomic nerve activity of the subject.
  • the wearable terminal 50 also has an acceleration sensor.
  • the acceleration sensor outputs the detected acceleration information as an acceleration signal.
  • the acceleration information reflects the body movement of the person to be measured, and since the body movement itself is included in the biological information, the acceleration signal is also included in the biological signal.
  • the wearable terminal 50 acquires each signal of skin conductivity, triaxial acceleration, and skin surface temperature at a constant sampling rate and stores it in the built-in memory.
  • the wearable terminal 50 can be worn by the person to be measured, such as a badge type, employee ID card type, earphone type, and shirt type, and has acceleration with any of biological signals that reflect biological information. Any signal can be measured.
  • the wearable terminal 50 may output a biological signal each time the biological information is measured, or may output the biological signal after accumulating the biological information measured for a certain period of time.
  • the stress estimation device 1 includes a signal acquisition unit 10, an acceleration signal acquisition unit 11, a biological signal acquisition unit 12 other than acceleration, a moving average calculation unit 13, a moving average storage unit 14, a threshold value calculation unit 15, and an active state. It includes an identification unit 16, a data generation unit 17 for each activity state, a biological signal storage unit 18 for each activity state, and a stress estimation unit 19.
  • the signal acquisition unit 10 acquires a biological signal including an acceleration signal output from the wearable terminal 50 at any time.
  • the acceleration signal acquisition unit 11 acquires the acceleration signal included in the biological signal acquired by the signal acquisition unit 10.
  • the biological signal acquisition unit 12 other than the acceleration acquires a biological signal other than the acceleration signal among the biological signals acquired by the signal acquisition unit 10.
  • the moving average calculation unit 13 calculates the moving average regarding the time-series change of the acceleration signal acquired by the acceleration signal acquisition unit 11.
  • the moving average calculated by the moving average calculation unit 13 is represented by RMS ACC
  • the moving average RMS ACC is calculated by, for example, the following equation (1).
  • a is an acceleration.
  • x 1 , x 2 , and x 3 indicate three axes (x-axis, y-axis, and z-axis) in space.
  • t 0 , t 1 , and t 2 (t 0 ⁇ t 1 ⁇ t 2 ) indicate the time when the wearable terminal 50 detects the acceleration.
  • t 1 is represented by t 0 + T 1
  • t 2 is represented by t 1 + T 2 .
  • Equation (2) shows the acceleration at time t 1, is obtained by comparing the acceleration moving average of from time t 0 to time t 1, the degree of change in acceleration at time t 1. Also, equation (1) is the root mean square of the degree of change in acceleration at time t 1: calculates the moving average of the time t 1 of the (RMS Root Mean Square) to time t 2.
  • the moving average storage unit 14 stores the moving average each time the moving average calculation unit 13 calculates the moving average.
  • the threshold value calculation unit 15 calculates the threshold value of the moving average of the active state of each person to be measured based on the moving average for a certain period (for example, 4 weeks) stored in the moving average storage unit 14.
  • the moving average threshold value is a value used when the activity state identification unit 16 described later identifies the activity state.
  • the threshold value calculated by the threshold value calculation unit 15 and the calculation process thereof will be described below.
  • the value of the moving average calculated by the moving average calculation unit 13 becomes large when the activity of the person to be measured is intense, such as when the person to be measured runs. On the other hand, it becomes smaller when the activity of the subject is not intense.
  • the frequency of intense activity is generally lower than that of less active. Therefore, if a histogram of the moving average for a certain period (for example, one day) is drawn, it can be predicted that the frequency decreases as the value of the moving average increases, as shown in FIG.
  • FIG. 3 is a diagram showing a virtual histogram of the moving average.
  • FIG. 4 is a diagram showing a histogram of a moving average calculated from data for one month of four subjects.
  • the moving average decreases while passing through some inflection points (points where the positive and negative curvatures of the graph are reversed).
  • the regions separated by the inflection points are the upwardly convex region (the portion where the curvature is negative or the tangent line is above the curve) and the downwardly convex region (the curvature). Is the positive part, or the part where the tangent line comes below the curve).
  • the upwardly convex region is the region where the frequency of moving average values is relatively high. In other words, it is the part where the intensity of a particular activity is relatively high.
  • the present inventor considered the reason why the inflection point appeared as shown in FIG. 4 instead of the constant decrease as shown in FIG. 3 when the graph of the histogram of the moving average was drawn.
  • Most human activities such as office workers' daytime activities, are mostly sitting (sitting), rarely walking (walking), and more rarely running (running).
  • the moving average calculated by the moving average calculation unit 13 is applied to the acceleration data for one day of the subject with the activity status label (the activity status is known), and the result is used as time series data.
  • the plot is as shown in FIG. FIG. 5 is a diagram showing a moving average for each hour of the day.
  • jogging active state is running
  • a meeting active state is sitting
  • 13:00 to 15:00 it is assumed that he had never stood still for a certain period of time on this day, and that he was only walking in the office as an active state that was neither sitting nor running.
  • the moving average values in the time zone from 12:10 to 12:30 are concentrated in the vicinity of 90 to 120
  • the moving average values in the time zone from 13:00 to 15:00 are concentrated in the vicinity of 0. ..
  • FIG. 6 is a numerical histogram of the daily moving average shown in FIG.
  • the moving average value has one upward convex region near 0, 90 to 120 also one upward convex region, and one upward convex region in between.
  • the active state in the region where the moving average value is near 0 is "sitting”
  • the active state in the region around 90 to 120 is “running”
  • the active state in the region in between is “running”. It can be estimated that there is.
  • FIG. 7 is a histogram of the acceleration change moving average for one month of the subject shown in FIGS. 5 and 6. Also in the histogram, one upwardly convex region can be confirmed in the vicinity of 0, the vicinity of 90 to 120, and the region in between. According to the estimation for one day's data in FIG. 6, in FIG. 7, the active state in the region where the moving average value is near 0 is "sitting position", and the active state in the region around 90 to 120 is "running”. Yes, it can be estimated that the active state in the area in between is "running".
  • the number of active states is not limited to three.
  • the type of active state is not limited to sitting, walking, and running.
  • the active state may be one that can be considered as a daily activity with the subject, such as a standing state, that is, a standing position, or a lying state, that is, lying down.
  • a standing state that is, a standing position
  • a lying state that is, lying down.
  • the active state in the occupation of driving a vehicle, although the active state is a sitting position, there is a possibility that the value of the acceleration change moving average is different from that when sitting in a stationary chair, and this active state (driving).
  • FIG. 8 is a diagram in which only a portion including two upwardly convex regions is extracted from a histogram having a plurality of upwardly convex regions as shown in FIG. 7. In FIG. 8, consider identifying the active states in the two upwardly convex regions A and B.
  • the activity state identification unit 16 When identifying only the upwardly convex region, the activity state identification unit 16 described later obtains the inflection point a and the inflection point b, and sets the region A as the first inflection point d and the inflection point d.
  • the active state can be identified by finding the inflection point e, setting the region B as a second upwardly convex region, and applying a specific active state to each upwardly convex region. In that case, the downwardly convex region C remains as an region whose active state is undecided.
  • the data in region C is also used as the data of one of the active states.
  • an inflection point b, an inflection point d, a midpoint c of both points, or the like is set as a boundary.
  • the inflection point b or the inflection point d that can be directly calculated as the extremum of the first derivative is mathematically easy to obtain.
  • Both the inflection point b and the inflection point d can be set as a boundary for identifying the active state, but in the present embodiment, the inflection point d is set as the boundary point.
  • the inflection point d is the maximum value in the graph of the first derivative (the inflection point b is the minimum value).
  • FIG. 9 is a diagram showing the result of performing logarithmic processing on the histogram of FIG. 7.
  • the result of performing logarithmic processing on the histogram of FIG. 7 is shown by a solid line (A).
  • the difference in frequency between the case where the active state is not intense and the case where the active state is intense is alleviated, and the result is suitable for analysis.
  • the monotonically increasing function has a relationship of F (x1)> F (x2) if x1> x2 for the function F (x), and a relationship of F (x1) ⁇ F (x2) if x1 ⁇ x2. It means that there is no change in the magnitude relationship even if the function is applied and converted.
  • y log (x) satisfies this condition.
  • This solid line (A) corresponds to the curve of FIG. As described in the description in FIG. 8, in the present embodiment, the first derivative of the solid line (A) is differentially calculated to obtain the maximum value, thereby obtaining the point corresponding to the inflection point d in FIG. The position is the threshold of the active state.
  • the broken line (B) is smoothed as shown by the broken line (C).
  • a moving average is performed with a window width specified in advance.
  • the maximum value appears at the point where the moving average value slightly exceeds 20 and the point near 90.
  • the threshold value calculation unit 15 calculates the threshold value from the acceleration signal.
  • the boundary can be obtained by the same method even when the upwardly convex region is 3 or more. Further, when the inflection point b in FIG. 8 is the boundary, the midpoint c in FIG. 8 is the boundary, and the activity state identification unit 16 does not process the area C, the area C is set to the “intermediate activity state”. Even when the activity state is set as different from the area A and the area B, the boundary can be obtained by the same method. In addition, it is not essential to apply a specific activity state, such as sitting, walking, or running, to each of the convex areas. Only the number of active states to be identified may be determined in advance, and for example, active states such as "active state A", "active state B", and "active state C" may be applied to the upwardly convex region.
  • the maximum value can be more than two. Since the broken line (C) in FIG. 9 is sufficiently smoothed, there are two maximum values, but if more than two points continue to remain as maximum values, the sitting / walking and walking / sitting positions It is not possible to set one threshold for each. Therefore, it is necessary to perform a process of setting the threshold value for sitting / walking and the threshold value for walking / running as one. For this reason, using the acceleration database of the daily life of a plurality of subjects acquired in advance, the average values of the sitting / walking thresholds (numerical value 1) and the walking / running threshold average values (numerical values) of these subjects are used. 2) is requested.
  • the boundary line between the sitting / walking threshold value and the walking / sitting threshold value is determined.
  • the lower limit of the threshold value for sitting / walking is determined as a numerical value included in the sitting position by examining a time-series plot of moving average data as shown in FIG. 5 of a plurality of labeled subjects for 4 weeks.
  • the maximum value is less than two, the average value of the threshold value of the activity state obtained from the labeled data of the activity state of a plurality of subjects acquired in advance is applied. Take action.
  • the region where the threshold value should exist is defined, and smoothing is repeated in that region. It is possible to set a threshold value as the maximum value that remains until the end.
  • the average value of the threshold value of the activity state obtained from the labeled data of the activity state of a plurality of subjects acquired in advance is applied. Take action. Even when there are two or four or more active states, the average value of the threshold values of the active states obtained from the labeled data or the like can be applied in the same manner.
  • the activity state identification unit 16 compares the moving average calculated by the moving average calculation unit 13 with the threshold value calculated by the threshold value calculation unit 15 and identifies the activity state at a specific time.
  • the activity state-specific data generation unit 17 selects time-series data of biological signals other than the acceleration signal among the biological signals acquired by the signal acquisition unit 10 based on the identification result by the active state identification unit 16 and is active at each time. Classify by each.
  • the activity state-specific biological signal storage unit 18 stores the biological signals classified according to the activity state at each time by the activity state data generation unit 17.
  • the stress estimation unit 19 calculates a feature amount for stress estimation from the biological signal for each activity state stored in the biological signal storage unit 18 for each activity state, and estimates the stress using the feature amount. For example, a PSS (Perceived Stress Scale) score can be used as the correct value of stress, and a model for estimating the PSS score by regression analysis can be created.
  • the score calculated from the PSS questionnaire conducted at the end of the experimental period (4 weeks) for the subject is used as the teacher data, and the feature amount disclosed in Non-Patent Document 1 as the stress feature amount, that is, Calculate the components of the histogram of average, variance, median, and power spectral density of sweating and body movement.
  • Feature calculation is performed on the data for each of the three activity states of sitting, walking, and running, and the total data including all of them.
  • a machine learning model such as an SVM model is trained using these features.
  • the PSS score can be estimated using the model thus created, and this can be set as the stress estimation result.
  • the stress estimation device 1 outputs the stress estimation result by the stress estimation unit 19. Examples of the output method include, but are not limited to, screen output and print output. Further, depending on the request of the person to be measured, the stress estimation result may be transmitted to the wearable terminal 50 or the smartphone and output from the screen attached to the wearable terminal 50 or the smartphone.
  • FIG. 10 is a flow chart showing the operation of the stress estimation device 1.
  • FIGS. 1 to 9 will be referred to as appropriate.
  • the stress estimation method is implemented by operating the stress estimation device 1. Therefore, the description of the stress estimation method in the present embodiment is replaced with the following description of the operation of the stress estimation device 1.
  • the person to be measured wears the wearable terminal 50.
  • the wearable terminal detects the biological information of the person to be measured and outputs a biological signal.
  • the signal acquisition unit 10 of the stress estimation device 1 acquires the biological signal transmitted from the wearable terminal 50 (S1).
  • the moving average calculation unit 13 calculates the moving average from the acceleration signal included in the biological signal acquired in S1 (S2).
  • the moving average calculation unit 13 stores the calculated moving average in the moving average storage unit 14 (S3).
  • the threshold value calculation unit 15 calculates the threshold value from the moving average stored in the moving average storage unit 14 (S4). Specifically, as described above, the threshold value calculation unit 15 generates a histogram of the moving average and obtains two maximum values. The threshold value calculation unit 15 sets the obtained maximum value as the threshold value for sitting / walking and the threshold value for walking / sitting.
  • the activity state identification unit 16 identifies the activity state by comparing the biological signal other than the acceleration signal among the biological signals acquired in S1 with the threshold value calculated in S4 (S5).
  • the data generation unit 17 for each activity state classifies time-series data of biological signals for each activity state (S6).
  • the stress estimation unit 19 calculates a stress feature amount using the time-series data of the classified biological signals, and estimates the stress using this (S7).
  • the activity status can be estimated for each individual without using the activity status label.
  • the threshold value of the activity state such as sitting, walking, and running is estimated for each individual, so it is possible to more accurately identify the activity state that is important in stress estimation. Yes, more accurate stress estimation is possible.
  • the program of the embodiment of the present invention may be any program that causes a computer to execute steps S1 to S7 shown in FIG. By installing this program on a computer and executing it, the stress estimation device 1 and the stress estimation method according to the present embodiment can be realized.
  • the computer processor functions as a signal acquisition unit 10, a moving average calculation unit 13, a threshold value calculation unit 15, an activity state identification unit 16, an activity state-specific data generation unit 17, and a stress estimation unit 19 to perform processing.
  • each computer may be one of a signal acquisition unit 10, a moving average calculation unit 13, a threshold value calculation unit 15, an activity state identification unit 16, an activity state-specific data generation unit 17, and a stress estimation unit 19. It may work.
  • FIG. 11 is a block diagram showing an example of a computer that realizes the stress estimation device 1 according to the present embodiment.
  • the computer 110 includes a CPU 111, a main memory 112, a storage device 113, an input interface 114, a display controller 115, a data reader / writer 116, and a communication interface 117. Each of these parts is connected to each other via a bus 125 so as to be capable of data communication.
  • the computer 110 may include a GPU (Graphics Processing Unit) or an FPGA (Field-Programmable Gate Array) in addition to the CPU 111 or in place of the CPU 111.
  • the CPU 111 expands the programs (codes) of the present embodiment stored in the storage device 113 into the main memory 112 and executes them in a predetermined order to perform various operations.
  • the main memory 112 is typically a volatile storage device such as a DRAM (Dynamic Random Access Memory).
  • the program in the present embodiment is provided in a state of being stored in a computer-readable recording medium 120.
  • the program in this embodiment may be distributed on the Internet connected via the communication interface 117.
  • the storage device 113 include a semiconductor storage device such as a flash memory in addition to a hard disk drive.
  • the input interface 114 mediates data transmission between the CPU 111 and input devices 118 such as a keyboard and mouse.
  • the display controller 115 is connected to the display device 119 and controls the display on the display device 119.
  • the data reader / writer 116 mediates the data transmission between the CPU 111 and the recording medium 120, reads the program from the recording medium 120, and writes the processing result in the computer 110 to the recording medium 120.
  • the communication interface 117 mediates data transmission between the CPU 111 and another computer.
  • the recording medium 120 include a general-purpose semiconductor storage device such as CF (CompactFlash (registered trademark)) and SD (SecureDigital), a magnetic recording medium such as a flexible disk, or a CD-.
  • CF CompactFlash (registered trademark)
  • SD Secure Digital
  • magnetic recording medium such as a flexible disk
  • CD- CompactDiskReadOnlyMemory
  • optical recording media such as ROM (CompactDiskReadOnlyMemory).
  • the stress estimation device 1 in the present embodiment can also be realized by using the hardware corresponding to each part instead of the computer in which the program is installed. Further, the stress estimation device 1 may be partially realized by a program and the rest may be realized by hardware.
  • a signal acquisition unit that acquires a biological signal of the person to be measured, including acceleration information of the movement of at least one part of the person to be measured.
  • a moving average calculation unit that calculates a moving average from acceleration information included in the biological signal acquired by the signal acquisition unit, From the moving average calculated by the moving average calculation unit, a threshold value calculation unit that calculates the threshold value of the activity state of the person to be measured, and
  • An activity state identification unit that identifies an activity state at a specific time from the moving average calculated by the moving average calculation unit and the threshold value calculated by the threshold value calculation unit.
  • a data generation unit for each activity state that classifies time-series data of biological signals other than acceleration information acquired by the signal acquisition unit for each activity state identified by the activity state identification unit and generates data for each activity state.
  • a stress estimation unit that estimates stress from the activity state data generated by the activity state data generation unit, and a stress estimation unit.
  • a stress estimator comprising.
  • the stress estimation device (Appendix 2) The stress estimation device according to Appendix 1,
  • the threshold value calculation unit constitutes a histogram of the moving average calculated by the moving average calculation unit, and calculates the threshold value of the person to be measured using the histogram.
  • the stress estimation device described in Appendix 2 uses the position of the minimum value of the first derivative of the curve obtained by smoothing the histogram as the threshold value. A stress estimator characterized by this.
  • the stress estimation device described in Appendix 2 The threshold value calculation unit is an adjacent minimum value and maximum value of the linear derivative of the curve obtained by smoothing the histogram, and when the minimum value is closer to the zero point, the minimum value and the maximum value The position of the midpoint between and is used as the threshold value.
  • the stress estimation device described in Appendix 2 The threshold value calculation unit is an adjacent minimum value and maximum value of the linear derivative of the curve obtained by smoothing the histogram, and when the minimum value is closer to the zero point, the minimum value and the maximum value And are both threshold values
  • the activity state identification unit does not process the region between the minimum value and the maximum value. A stress estimator characterized by this.
  • the stress estimation device described in Appendix 2 The threshold value calculation unit is an adjacent minimum value and maximum value of the linear derivative of the curve obtained by smoothing the histogram, and when the minimum value is closer to the zero point, the minimum value and the maximum value And are both threshold values
  • the active state identification unit sets the region between the minimum value and the maximum value as an active state region different from the adjacent region. A stress estimator characterized by this.
  • the stress estimation device according to any one of Supplementary note 3 to Supplementary note 7.
  • the threshold value calculation unit performs logarithmic processing of the configured histogram and then smoothes it.
  • the curve obtained by smoothing the histogram is the curve of the histogram after the logarithmic processing.
  • a stress estimator characterized by this.
  • Appendix 11 The stress estimation method described in Appendix 10 In the step of calculating the threshold value, the calculated moving average histogram is constructed, and the threshold value of the person to be measured is calculated using the histogram. A stress estimation method characterized by this.
  • Appendix 19 A computer-readable recording medium that records a program that causes a computer to estimate the stress of the subject. On the computer A step of acquiring a biological signal of the person to be measured, including acceleration information of the movement of at least one part of the person to be measured.
  • Steps to calculate the moving average from the acceleration information included in the acquired biological signal From the calculated moving average, the step of calculating the threshold value of the activity state of the person to be measured, and A step to identify the activity state at a specific time from the calculated moving average and the calculated threshold value, A step of classifying the acquired time-series data of biological signals other than acceleration information for each identified activity state and generating data for each activity state, Steps to estimate stress from the generated activity data, A computer-readable recording medium that records a program that runs a program.
  • Appendix 20 The computer-readable recording medium according to Appendix 19.
  • the calculated moving average histogram is constructed, and the threshold value of the person to be measured is calculated using the histogram.
  • Appendix 21 The computer-readable recording medium according to Appendix 20.
  • the position of the maximum value of the linear derivative of the curve obtained by smoothing the histogram is set as the threshold value.
  • Appendix 22 The computer-readable recording medium according to Appendix 20.
  • the position of the minimum value of the first derivative of the curve obtained by smoothing the histogram is set as the threshold value.
  • Appendix 24 The computer-readable recording medium according to Appendix 20.
  • the step of calculating the threshold value when the adjacent minimum value and the maximum value of the linear derivative of the curve obtained by smoothing the histogram are the maximum values, and the minimum value is closer to the zero point, the minimum value and the maximum value are described. Both the maximum value and the threshold value In the step of identifying the active state, the region between the minimum value and the maximum value is not processed.
  • Appendix 26 The computer-readable recording medium according to any one of Appendix 21 to Appendix 25.
  • the constructed histogram is logarithmically processed and then smoothed.
  • the curve obtained by smoothing the histogram is the curve of the histogram after the logarithmic processing.
  • Appendix 27 The computer-readable recording medium according to any one of Appendix 21 to Appendix 25.
  • the extremum of the first-order derivative of the curve of the histogram is the extremum that remains until the end while increasing the degree of smoothing of the curve of the first-order derivative in a specific region.
  • a computer-readable recording medium characterized by that.
  • Stress estimation device 10 Signal acquisition unit 11: Acceleration signal acquisition unit 12: Biological signal acquisition unit other than acceleration 13: Moving average calculation unit 14: Moving average storage unit 15: Threshold calculation unit 16: Activity state identification unit 17: Activity State-specific data generation unit 18: Activity state-specific biological signal storage unit 19: Stress estimation unit 50: Wearable terminal 110: Computer 111: CPU 112: Main memory 113: Storage device 114: Input interface 115: Display controller 116: Data reader / writer 117: Communication interface 118: Input device 119: Display device 120: Recording medium 125: Bus

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Psychiatry (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Social Psychology (AREA)
  • Hospice & Palliative Care (AREA)
  • Developmental Disabilities (AREA)
  • Child & Adolescent Psychology (AREA)
  • Psychology (AREA)
  • Physiology (AREA)
  • Educational Technology (AREA)
  • Artificial Intelligence (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

ストレス推定装置１は、被測定者の少なくとも一の部位の動作の加速度情報を含む、前記被測定者の生体信号を取得する。取得した生体信号に含まれる加速度情報から、移動平均を算出し、算出した移動平均から、被測定者の活動状態の閾値を算出する。そして、算出した移動平均と、算出した閾値とから、特定の時間における活動状態を識別する。取得した、加速度情報以外の生体信号の時系列データを、識別した活動状態毎に分類して、活動状態別データを生成し、その生成した活動状態別データから、ストレスを推定する。

Description

ストレス推定装置、ストレス推定方法およびコンピュータ読み取り可能な記録媒体
　本発明は、生体信号を用いたストレス推定装置およびストレス推定方法に関し、さらには、これらを実現するためのプログラムを記録したコンピュータ読み取り可能な記録媒体に関する。
　近年、長期のストレッサー（ストレスを引き起こす物理的・精神的因子）への暴露などにより交感神経が活発になった状態が長く続き、自律神経が失調することにより精神の健康を害することが問題となっている。このため、被測定者に日常的にウェアラブル端末を装着させて、ウェアラブル端末から被測定者の生体情報（発汗量・皮膚表面温・体動など）を反映する信号である生体信号を常時測定し、被測定者のストレスをモニタリングする技術が提案されている。こうした技術では、一般に、測定している生体信号が反映する生体情報の反応が、激しい運動などの身体活動によるものなのか、それともストレスなどの精神活動に由来するものなのか識別するために、加速度計の信号などを用いて、被測定者の身体の活動状態を推定する必要がある。身体の活動状態としては、例えば、座っている状態（座位）、歩いている状態（歩行）、走っている状態（走行）などが挙げられる。
　非特許文献１には、２０名の人々の３０日のデータから、座位、歩行、走行の３つの活動状態をActivity Magnitude(以下、ＡＭと略す)から識別する技術が開示されている。ＡＭは、３軸加速度のRMS（Rooted Mean Square）の変化の移動平均である。次に、ストレスアンケートにより定量されたストレス値を正解ラベルとして、前記推定された座位・歩行・走行の３活動状態別に、発汗および体動の平均、分散、中央値、パワースペクトル密度のヒストグラムの構成要素などを特徴量として算出し、機械学習を用いてストレス推定を行っている。ただし、座位、歩行、走行の状態を推定する、ＡＭの閾値は個人によらない共通の数値として定義されている。
　一方、非特許文献２には、歩数計において一歩ごとの歩行をカウントするための技術が開示されている。本技術においては、直前の１秒間の加速度のＲＭＳの最大値と最小値との平均として算出した閾値を用いて一歩ごとの歩行を識別する技術などが開示されている。この技術は、歩行と走行の識別はできないが、座位と歩行、または座位と走行を識別する技術として用いることができる。
A. Sano, "Measuring College Students’ Sleep, Stress, Mental Health and Wellbeing with Wearable Sensors and Mobile Phones", Massachusetts Institute of Technology, 2015. VINCENZO GENOVESE, ANDREA MANNINI, AND ANGELO M. SABATINI," A Smartwatch Step Counter for Slow and Intermittent Ambulation", SPECIAL SECTION ON BODY AREA NETWORKS, IEEE, 2017
　ところで、非特許文献１では、活動状態ラベル付きのＡＭのデータを用いてあらかじめ算出した、固定された一定の閾値を定義しており、活動状態の識別に関して個人差を反映できない。一方、非特許文献２に開示された技術では、常時閾値を変動させている為、個人差を反映できるものの、座位と歩行との識別、または座位と走行との識別技術のみで、歩行と走行との識別技術は提供されていない。
　本発明の目的の一例は、被測定者の活動状態を識別して、被測定者のストレス判定を行える技術を提供することにある。
　上記目的を達成するため、本発明の一側面におけるストレス推定装置は、被測定者のストレスを推定するストレス推定装置であって、
　前記被測定者の少なくとも一の部位の動作の加速度情報を含む、前記被測定者の生体信号を取得する信号取得部と、
　前記信号取得部が取得した生体信号に含まれる加速度情報から、移動平均を算出する移動平均算出部と、
　前記移動平均算出部が算出した移動平均から、前記被測定者の活動状態の閾値を算出する閾値算出部と、
　前記移動平均算出部が算出した移動平均と、前記閾値算出部が算出した閾値とから、特定の時間における活動状態を識別する活動状態識別部と、
　前記信号取得部が取得した、加速度情報以外の生体信号の時系列データを、前記活動状態識別部が識別した活動状態毎に分類して、活動状態別データを生成する活動状態別データ生成部と、
　前記活動状態別データ生成部が生成した活動状態別データから、ストレスを推定するストレス推定部と、
を備えることを特徴とする。
　また、上記目的を達成するため、本発明の一側面におけるストレス推定方法は、被測定者のストレスを推定するストレス推定方法であって、
　前記被測定者の少なくとも一の部位の動作の加速度情報を含む、前記被測定者の生体信号を取得するステップと、
　取得された生体信号に含まれる加速度情報から、移動平均を算出するステップと、
　算出された移動平均から、前記被測定者の活動状態の閾値を算出するステップと、
　算出された移動平均と、算出された閾値とから、特定の時間における活動状態を識別するステップと、
　取得された、加速度情報以外の生体信号の時系列データを、識別された活動状態毎に分類して、活動状態別データを生成するステップと、
　生成された活動状態別データから、ストレスを推定するステップと、
を備えることを特徴とする。
　更に、上記目的を達成するため、本発明の一側面におけるプログラムは、コンピュータに、被測定者のストレスを推定させるプログラムを記録したコンピュータ読み取り可能な記録媒体であって、
前記コンピュータに、
　前記被測定者の少なくとも一の部位の動作の加速度情報を含む、前記被測定者の生体信号を取得するステップと、
　取得された生体信号に含まれる加速度情報から、移動平均を算出するステップと、
　算出された移動平均から、前記被測定者の活動状態の閾値を算出するステップと、
　算出された移動平均と、算出された閾値とから、特定の時間における活動状態を識別するステップと、
　取得された生体信号のうち、加速度情報以外の生体信号の時系列データを、識別された活動状態毎に分類して、活動状態別データを生成するステップと、
　生成された活動状態別データから、ストレスを推定するステップと、
　を実行させる命令を含むプログラムを記録していることを特徴とする。
　本発明によれば、被測定者の活動状態を識別して、被測定者のストレス判定を行える。
図１は、実施形態のストレス推定装置の概略構成を示すブロック図である。 図２は、ストレス推定装置の構成を具体的に示すブロック図である。 図３は、移動平均の仮想的なヒストグラムを示す図である。 図４は、４人の被測定者の一か月分のデータから算出した移動平均のヒストグラムを示す図である。 図５は、１日の時間毎の移動平均を示す図である。 図６は、図５に示す１日の移動平均の数値ヒストグラムにした図である。 図７は、図５および図６に示す被測定者の一か月分の移動平均のヒストグラムである。 図８は、図７のような上に凸の領域を複数持つヒストグラムのうち、上に凸の領域を２つ含む部分だけを抜き出した図である。 図９は、図７のヒストグラムに対して対数化処理を行った結果を示す図である。 図１０は、ストレス推定装置の動作を示すフロー図である。 図１１は、実施形態におけるストレス推定装置を実現するコンピュータの一例を示すブロック図である。
　以下、本発明の一実施形態におけるストレス推定装置の構成について、図１～図１１を参照しながら説明する。
［構成の説明］
　図１は、本実施形態におけるストレス推定装置１の概略構成を示すブロック図である。
　ストレス推定装置１は、被測定者のストレスを推定する装置である。ストレス推定装置１は、信号取得部１０、移動平均算出部１３、閾値算出部１５、活動状態識別部１６、活動状態別データ生成部１７およびストレス推定部１９を備えている。
　信号取得部１０は、被測定者の少なくとも一の部位の動作の加速度情報を含む、前記被測定者の生体信号を取得する。
　移動平均算出部１３は、信号取得部１０が取得した生体信号に含まれる加速度情報から、移動平均を算出する。
　閾値算出部１５は、移動平均算出部１３が算出した移動平均から、被測定者の活動状態の閾値を算出する。
　活動状態識別部１６は、移動平均算出部１３が算出した移動平均と、閾値算出部１５が算出した閾値とから、特定の時間における活動状態を識別する。
　活動状態別データ生成部１７は、信号取得部１０が取得した、加速度情報以外の生体信号の時系列データを、活動状態識別部１６が識別した活動状態毎に分類して、活動状態別データを生成する。
　ストレス推定部１９は、活動状態別データ生成部１７により分類された生体信号から、ストレスを推定する。
　続いて、図２を参照して、本実施形態におけるストレス推定装置１の構成をより具体的に説明する。図２は、ストレス推定装置１の構成を具体的に示すブロック図である。
　ストレス推定装置１はコンピュータによって構成される。ストレス推定装置１は、本実施形態では、被測定者の身体の一部、例えば腕に装着されたウェアラブル端末５０と、有線または無線によるデータ通信が可能である。なお、ウェアラブル端末５０は被測定者が所有する携帯機器端末（スマートフォンなど）と近距離無線通信などを介してデータ通信し、ストレス推定装置１とウェアラブル端末５０とは、その携帯機器端末を介して、データ通信してもよい。
　ウェアラブル端末５０は被測定者の生体情報を計測し、その生体情報を反映した生体信号を出力する。生体情報として、被測定者の発汗量、皮膚表面温、体動、脈拍数、心拍数、呼吸数などが挙げられる。なお、生体情報は、これらに限らず、被測定者の自律神経活動を反映する情報等、被測定者のストレスなどの精神状態を推定し得る情報であればよい。
　またウェアラブル端末５０は加速度センサを有している。加速度センサは、検出した加速度情報を加速度信号として出力する。加速度情報は、被測定者の体動を反映しており、体動自体は生体情報に含まれるため、加速度信号も生体信号に含まれる。
　ウェアラブル端末５０は、皮膚導電性、３軸加速度、皮膚表面温度の各信号を一定のサンプリングレートで取得し、内蔵メモリに保存する。なお、ウェアラブル端末５０は、リストバンドタイプのほかに、バッジタイプ、社員証タイプ、イヤホンタイプ、シャツタイプなど、被測定者が着用でき、かつ、生体情報を反映する生体信号のうちいずれかと、加速度信号が測定できるものであればよい。
　ウェアラブル端末５０は、生体情報を計測する都度、生体信号を出力してもよいし、一定期間計測した生体情報を蓄積したのち、生体信号を出力してもよい。
　ストレス推定装置１は、信号取得部１０と、加速度信号取得部１１と、加速度以外生体信号取得部１２と、移動平均算出部１３と、移動平均記憶部１４と、閾値算出部１５と、活動状態識別部１６と、活動状態別データ生成部１７と、活動状態別生体信号記憶部１８と、ストレス推定部１９とを備えている。
　信号取得部１０は、ウェアラブル端末５０から出力される、加速度信号を含む生体信号を随時取得する。
　加速度信号取得部１１は、信号取得部１０が取得した生体信号に含まれる加速度信号を取得する。加速度以外生体信号取得部１２は、信号取得部１０が取得した生体信号のうち、加速度信号以外の生体信号を取得する。
　移動平均算出部１３は、加速度信号取得部１１が取得した加速度信号の時系列の変化に関する移動平均を算出する。移動平均算出部１３が算出する移動平均をＲＭＳＡＣＣで表すと、移動平均ＲＭＳＡＣＣは、例えば、以下の式（１）により算出される。
Figure JPOXMLDOC01-appb-M000001
 ただし、
Figure JPOXMLDOC01-appb-M000002
 　ここで、ａは加速度である。ｘ１、ｘ２、ｘ３は、空間における３軸（ｘ軸、ｙ軸、ｚ軸）を示す。ｘｉ（ｉ＝１、２、３）が下付き添え字として付されたａは、３軸方向それぞれの加速度成分を示す。また、ｔ０、ｔ１、ｔ２（ｔ０＜ｔ１＜ｔ２）は、ウェアラブル端末５０が加速度を検出した時間を示す。ｔ１はｔ０＋Ｔ１で表され、ｔ２はｔ１＋Ｔ２で表される。
　上記式（２）は、時間ｔ１における加速度と、時間ｔ０から時間ｔ１までの加速度の移動平均とを比較して得られる、時間ｔ１における加速度の変化の度合いを示している。また、式（１）は、時間ｔ１における加速度の変化の度合いの二乗平均平方根(ＲＭＳ：Root Mean Square)の時間ｔ１から時間ｔ２までの移動平均を算出している。
　上式（１）により移動平均ＲＭＳＡＣＣを算出することで、瞬間的な加速度の変化ではなく、一定の時間帯（時間ｔ１から時間ｔ２）における加速度の変化の平均値を算出することができる。これによって、後述する活動状態を的確に判定することができる。なお、上記は、移動平均の算出法の一例であり、同様の目的の下に算出された数値は、すべて上記の「移動平均」に含まれる。
　移動平均記憶部１４は、移動平均算出部１３が移動平均を算出する都度、その移動平均を記憶する。
　閾値算出部１５は、移動平均記憶部１４に記憶された一定期間（例えば、４週間）分の移動平均に基づいて、個々の被測定者の活動状態の移動平均の閾値を算出する。移動平均の閾値は、後述の活動状態識別部１６が活動状態を識別する際に用いられる値である。以下に、閾値算出部１５が算出する閾値、および、その算出処理について説明する。
　まず、移動平均と、活動状態との関係について説明する。
　移動平均算出部１３により算出された移動平均の数値は、被測定者が走ったりするなどして、被測定者の活動が激しい場合は大きくなる。一方で、被測定者の活動が激しくない場合は小さくなる。活動が激しくなる場合の頻度は、活動が激しくない場合に比べて一般に小さい。このため、一定期間（たとえば、１日）の移動平均のヒストグラムを描くと、図３のように、移動平均の数値が増大するごとに頻度が減少していくと予測できる。図３は、移動平均の仮想的なヒストグラムを示す図である。
　ところが、複数人の被測定者の移動平均を算出すると、図４に示すように、移動平均の減少は一定ではない。図４は、４人の被測定者の一か月分のデータから算出した移動平均のヒストグラムを示す図である。図４に示すように、移動平均は、いくつかの変曲点（グラフの曲率の正負が逆転する点）を経由しつつ減少している。また、いずれの被験者においても、変曲点で区切られた領域は、上に凸の領域（曲率が負の部分、または、接線が曲線の上に来る部分）と、下に凸の領域（曲率が正の部分、または、接線が曲線の下に来る部分）となる。このうち、上に凸の領域は、移動平均の数値の頻度が相対的に高い部分である。言い換えれば、特定の活動の激しさの頻度が相対的に高い部分である。
　本発明者は、移動平均のヒストグラムのグラフを描いたとき、図３のような一定の減少とならず、図４のように変曲点が現れる理由として、以下のように考察した。人間の活動、例えばオフィスワーカの日中における活動では、大部分が座位（座っている状態）であり、稀に歩行（歩いている状態）があり、更に稀に走行（走っている状態）がある、というような、複数の活動状態が存在すると考えられる。それぞれの活動状態において、その移動平均の数値は一定の領域に集中すると推定できる。なぜなら、個人が座位にあったり、歩行したり走行したりするときの活動の激しさ（ウェアラブル端末を腕に着用している場合には、腕の振り方の激しさ）は、当人が意識して変動させないかぎり（例えば、歩行時に意図的に腕を速く振ったり遅く振ったりしないかぎり）概ね一定の値となる傾向があるためである。このため、移動平均の一定期間のヒストグラムを描くと、それぞれの活動状態に対応した上に凸の領域が形成されることが推定できる。以上の理由から、移動平均のヒストグラムのグラフを描くと、図４のように変曲点が現れるものと考えられる。
　実際に、移動平均算出部１３により算出される移動平均を、活動状態ラベル付き（活動状態が分かっている）のある被測定者の１日分の加速度データに適用し、結果を時系列データとしてプロットすると、図５のようになる。図５は、１日の時間毎の移動平均を示す図である。この例では、１２時１０分～１２時３０分にジョギング（活動状態が走行）を行い、１３時～１５時にミーティング（活動状態が座位）を行っているものとする。また、この日は一定時間静止して立っていたことはなく、座位でも走行でもない活動状態としてはオフィス内の移動である歩行のみが行われていたものとする。この場合、１２時１０分～１２時３０分の時間帯における移動平均の数値は９０～１２０付近に集中し、１３時～１５時の時間帯における移動平均の数値は０付近に集中している。
　図６は、図５に示す１日の移動平均の数値ヒストグラムにした図である。
　図６に示すように、移動平均の数値が０付近に一つの上に凸の領域があり、９０～１２０にも一つの上に凸の領域があり、その間にも一つの上に凸の領域がある。図５から、移動平均の数値が０付近の領域における活動状態は「座位」であり、９０～１２０付近の領域における活動状態は「走行」であり、その間の領域における活動状態は「走行」であると推定できる。このように、移動平均データを蓄積し、ヒストグラム化すれば、前述の通り、それぞれの活動状態に対応する、上に凸の領域が形成され、個人の活動状態を個人毎に推定する為の有益な情報が得られることになる。
　図７は、図５および図６に示す被測定者の一か月分の加速度変化移動平均のヒストグラムである。当該ヒストグラムでも０付近、９０～１２０付近、およびその間の領域において、それぞれ一つの上に凸の領域が確認できる。図６の１日分のデータに対する推定により、図７においても、移動平均の数値が０付近の領域における活動状態は「座位」であり、９０～１２０付近の領域における活動状態は「走行」であり、その間の領域における活動状態は「走行」であると推定できる。
　このように、仮に主要な活動状態が、座位、歩行、走行の３つとする場合、移動平均のヒストグラムにおいても、それぞれの活動状態に対応する３つの上に凸の領域が形成されることになる。本実施形態では、オフィスワーカの日中の活動を想定し、活動状態は図５と同様、座位、歩行、走行の３つとする。
　ただし、活動状態の数は３つに限定されるものではない。また、活動状態の種類も座位、歩行、走行に限定されない。例えば、活動状態は、立っている状態、つまり立位や、寝そべっている状態、つまり横臥など、被との日常の活動として考え得るものであればよい。また、車両を運転する職業においては、活動状態は座位ではあるが、静止している椅子に座っている場合とは異なる加速度変化移動平均の数値となる可能性があり、この活動状態（運転）も別の活動状態と定義し得る。このように、座位、歩行、走行以外にも様々な活動状態（立位、横臥、運転など）が想定し得る。
　次に、閾値について説明する。
　図８は、図７のような上に凸の領域を複数持つヒストグラムのうち、上に凸の領域を２つ含む部分だけを抜き出した図である。この図８において、２つの上に凸の領域Ａ、Ｂにおける活動状態を識別することを考える。
　上に凸の領域のみを識別する場合、後述の活動状態識別部１６は、変曲点ａおよび変曲点ｂを求めて領域Ａを一つ目の上の凸の領域、変曲点ｄおよび変曲点ｅを求めて領域Ｂを二つ目の上に凸の領域、とし、それぞれの上に凸の領域に特定の活動状態をあてはめることで、活動状態を識別できる。その場合、下に凸の領域Ｃが活動状態未定の領域として残る。本実施形態では、できるだけ多くのデータを活用してストレス推定を行う目的から、領域Ｃのデータもいずれかの活動状態のデータとする。このためには、変曲点ｂ、変曲点ｄ、または両点の中点ｃなどを境界として定めることが考えられる。この中で、数学的に求めやすいのは一次導関数の極値として直接算出できる変曲点ｂまたは変曲点ｄである。変曲点ｂまたは変曲点ｄはいずれも活動状態を識別する為の境界として設定できるが、本実施形態では、変曲点ｄを境界点とする。変曲点ｄは一次導関数のグラフにおいて、極大値となる（変曲点ｂは極小値である）。
　図９は、図７のヒストグラムに対して対数化処理を行った結果を示す図である。図９では、図７のヒストグラムに対して対数化処理を行った結果を実線（Ａ）で示す。
　実線（Ａ）に示すように対数化処理を行うことで、活動状態の激しくない場合と、活動状態が激しい場合の頻度の差が緩和され、分析に適した結果となる。ただし、対数化処理を行わない場合、対数以外の単調増加関数を適用する場合であっても、同様の手順で実施できる。なお、単調増加関数とは、関数Ｆ（ｘ）について、ｘ１＞ｘ２ならば、Ｆ（ｘ１）＞Ｆ（ｘ２）の関係となり、ｘ１＜ｘ２ならばＦ（ｘ１）＜Ｆ（ｘ２）の関係となり、当該関数を適用して変換しても大小関係に変化がないものを指す。ｙ＝ｌｏｇ（ｘ）はこの条件を満たす。この実線（Ａ）は、図８のカーブに相当する。図８における説明で述べたように、本実施形態では、実線（Ａ）の一次導関数を微分計算して極大値を求めることで、図８の変曲点ｄに相当する点を求め、その位置を活動状態の閾値とする。
　実線（Ａ）の１次関数のグラフの極大値を求めるために、破線（Ｂ）のように、実線（Ａ）の一次導関数のグラフを描く。ただし、破線（Ｂ）のままでは、平滑化が充分でなく、多数の極大値が存在する。このため、破線（Ｃ）のように、破線（Ｂ）を平滑化する。例えば、あらかじめ指定した窓幅で移動平均を行う。破線（Ｃ）において、移動平均の数値が２０をやや超えた点および９０付近の点に極大値が出現する。これら極大値の点を、移動平均のゼロ点に近い位置から順に、被測定者の座位・歩行の閾値、歩行・走行の閾値とする。
　以上のようにして、閾値算出部１５は、加速度信号から閾値を算出する。
　なお、移動平均のヒストグラムにおいて、上に凸の領域が３以上の場合でも、同じ手法で境界を求めることができる。また、図８の変曲点ｂを境界とする場合、図８の中点ｃを境界とする場合、活動状態識別部１６が領域Ｃを処理対象としない場合、領域Ｃを「中間活動状態」として領域Ａ、領域Ｂとは別の活動状態として設定する場合であっても、同じ手法で境界を求めることができる。また、それぞれの上に凸の領域に特定の活動状態、たとえば、座位・歩行・走行をあてはめることは必須ではない。予め識別すべき活動状態の数だけを決めておき、例えば、「活動状態Ａ」「活動状態Ｂ」「活動状態Ｃ」などの活動状態を、上に凸の領域に当てはめてもよい。
　また、平滑化したヒストグラムの一次導関数の極大値の位置を閾値として設定する場合について説明したが、他の場合、例えば、一次導関数の極小値である変曲点ｂを閾値として設定する場合も、概ね共通の手法で実施できる。また、座位・歩行・走行の３つの活動状態を識別する手法を説明したが、２つまたは４つ以上の活動状態の場合でも、概ね共通の手法で実施できる。
　また、平滑化が足りない場合には極大値は２つよりも多くできることになる。図９の破線（Ｃ）は充分に平滑化されているため、極大値は２つだが、もし、２つよりも多い点が極大値として残存し続けた場合、座位・歩行および歩行・座位の閾値をそれぞれ一つに定めることができない。そこで、座位・歩行の閾値および歩行・走行の閾値をそれぞれ一つに定める処理をする必要がある。この為、予め取得しておいた複数の被測定者の日常生活の加速度データベースを用い、これらの被測定者の座位・歩行の閾値平均値（数値１）、歩行・走行の閾値平均値（数値２）を求めておく。そして、数値１と数値２との平均値として、座位・歩行の閾値と、歩行・座位の閾値との境界線を定める。また、座位・歩行の閾値の下限を、複数のラベル付き被測定者の図５のような移動平均データの時系列プロットを４週間分検討し、必ず座位に含まれる数値として定める。また、極大値が２つに満たなかった場合には、予め取得しておいた複数の被測定者の活動状態のラベル付きデータなどにより求められた活動状態の閾値の平均値を適用する等の対応を行う。
　また、活動状態が２つまたは４つ以上の場合、すなわち、閾値が１つまたは３つ以上の場合も、閾値が存在すべき領域を定めておき、その領域の中で平滑化を繰り返す中で最後まで残存する極大値として閾値を定めることが可能である。
　さらに、極大値が２つに満たなかった場合には、予め取得しておいた複数の被測定者の活動状態のラベル付きデータ等により求められた活動状態の閾値の平均値を適用するなどの対応を行う。尚、活動状態が２つの場合、または４つ以上の場合でも、同様にラベル付きデータなどにより求められた活動状態の閾値の平均値を適用することができる。
　図２に戻る。活動状態識別部１６は、移動平均算出部１３が算出した移動平均と、閾値算出部１５が算出した閾値とを比較し、特定の時間における活動状態を識別する。
　活動状態別データ生成部１７は、信号取得部１０が取得した生体信号のうち、加速度信号以外の生体信号の時系列データを、活動状態識別部１６による識別結果に基づいて、各時間における活動状態ごとに分類する。
　活動状態別生体信号記憶部１８は、活動状態別データ生成部１７により各時間における活動状態ごとに分類した生体信号を記憶する。
　ストレス推定部１９は、活動状態別生体信号記憶部１８に記憶された活動状態別の生体信号から、ストレス推定の為の特徴量を算出し、前記特徴量を用いてストレスを推定する。例えば、ストレスの正解値として、ＰＳＳ(Perceived Stress Scale)のスコアを用い、ＰＳＳスコアを回帰分析によって推定するモデルを作成することができる。この際、被測定者に対して実験期間（４週間）の最後に実施したＰＳＳアンケートから算出したスコアを教師データとし、ストレス特徴量として、非特許文献１に開示されている特徴量、すなわち、発汗および体動の平均・分散・中央値・パワースペクトル密度のヒストグラムの構成要素等を計算する。座位・歩行・走行の３活動状態別のデータおよび、それらすべてを合わせた全体のデータについて特徴量計算を行う。これらの特徴量を用いてＳＶＭモデル等の機械学習モデルを学習させる。こうして作成したモデルを用いてＰＳＳスコアを推定することができ、これをストレス推定結果として設定することができる。
　ストレス推定装置１は、ストレス推定部１９によるストレス推定結果を出力する。出力方法は、例えば、画面出力、印刷出力などが挙げられるが、これに限らない。更に、被測定者の要求によっては、ストレス推定結果を、ウェアラブル端末５０またはスマートフォンに送信し、ウェアラブル端末５０またはスマートフォンに付随する画面から出力してもよい。
［動作の説明］
　次に、本実施形態におけるストレス推定装置１の動作について図１０を用いて説明する。図１０は、ストレス推定装置１の動作を示すフロー図である。以下の説明においては、適宜図１～図９を参酌する。また、本実施形態では、ストレス推定装置１を動作させることによって、ストレス推定方法が実施される。よって、本実施形態におけるストレス推定方法の説明は、以下のストレス推定装置１の動作説明に代える。
　まず前提として、被測定者はウェアラブル端末５０を装着する。ウェアラブル端末は、被測定者の生体情報を検出し、生体信号を出力する。この前提において、ストレス推定装置１の信号取得部１０は、ウェアラブル端末５０から送信された生体信号を取得する（Ｓ１）。
　移動平均算出部１３は、Ｓ１で取得された生体信号に含まれる加速度信号から、移動平均を算出する（Ｓ２）。移動平均算出部１３は、算出した移動平均を移動平均記憶部１４へ記憶する（Ｓ３）。閾値算出部１５は、移動平均記憶部１４に記憶された移動平均から、閾値を算出する（Ｓ４）。具体的には、上記したように、閾値算出部１５は、移動平均のヒストグラムを生成して、２つの極大値を求める。閾値算出部１５は、求めた極大値を、座位・歩行の閾値および歩行・座位の閾値とする。
　活動状態識別部１６は、Ｓ１で取得された生体信号のうち、加速度信号以外の生体信号と、Ｓ４で算出された閾値とを比較して、活動状態を識別する（Ｓ５）。活動状態別データ生成部１７は、生体信号の時系列データを活動状態毎に分類する（Ｓ６）。ストレス推定部１９は、分類された生体信号の時系列データを用いて、ストレス特徴量を算出し、これを用いてストレスを推定する（Ｓ７）。
［効果の説明］
　本実施の形態では、活動状態のラベルを使用することなく、個人ごとに活動状態を推定できる。個人ごとに推定された活動状態を用いることで、個人ごとに、座位・歩行・走行などの活動状態の閾値を推定している為、ストレス推定において重要な活動状態の識別がより正確に可能であり、より精度の高いストレス推定ができる。
［プログラム］
　本発明における実施形態のプログラムは、コンピュータに、図１０に示すステップＳ１～Ｓ７を実行させるプログラムであればよい。このプログラムをコンピュータにインストールし、実行することによって、本実施形態におけるストレス推定装置１とストレス推定方法とを実現することができる。この場合、コンピュータのプロセッサは、信号取得部１０、移動平均算出部１３、閾値算出部１５、活動状態識別部１６、活動状態別データ生成部１７およびストレス推定部１９として機能し、処理を行なう。
　また、本実施形態におけるプログラムは、複数のコンピュータによって構築されたコンピュータシステムによって実行されてもよい。この場合は、例えば、各コンピュータが、それぞれ、信号取得部１０、移動平均算出部１３、閾値算出部１５、活動状態識別部１６、活動状態別データ生成部１７およびストレス推定部１９のいずれかとして機能してもよい。
　ここで、実施形態におけるプログラムを実行することによって、ストレス推定装置１を実現するコンピュータについて図１１を用いて説明する。図１１は、本実施形態におけるストレス推定装置１を実現するコンピュータの一例を示すブロック図である。
　図１１に示すように、コンピュータ１１０は、ＣＰＵ１１１と、メインメモリ１１２と、記憶装置１１３と、入力インターフェイス１１４と、表示コントローラ１１５と、データリーダ／ライタ１１６と、通信インターフェイス１１７とを備える。これらの各部は、バス１２５を介して、互いにデータ通信可能に接続される。なお、コンピュータ１１０は、ＣＰＵ１１１に加えて、またはＣＰＵ１１１に代えて、ＧＰＵ（Graphics Processing Unit）、またはＦＰＧＡ（Field-Programmable Gate Array）を備えていてもよい。
　ＣＰＵ１１１は、記憶装置１１３に格納された、本実施形態におけるプログラム（コード）をメインメモリ１１２に展開し、これらを所定順序で実行することにより、各種の演算を実施する。メインメモリ１１２は、典型的には、ＤＲＡＭ（Dynamic Random Access Memory）等の揮発性の記憶装置である。また、本実施形態におけるプログラムは、コンピュータ読み取り可能な記録媒体１２０に格納された状態で提供される。なお、本実施形態におけるプログラムは、通信インターフェイス１１７を介して接続されたインターネット上で流通するものであってもよい。
　また、記憶装置１１３の具体例としては、ハードディスクドライブの他、フラッシュメモリ等の半導体記憶装置が挙げられる。入力インターフェイス１１４は、ＣＰＵ１１１と、キーボードおよびマウスといった入力機器１１８との間のデータ伝送を仲介する。表示コントローラ１１５は、ディスプレイ装置１１９と接続され、ディスプレイ装置１１９での表示を制御する。
　データリーダ／ライタ１１６は、ＣＰＵ１１１と記録媒体１２０との間のデータ伝送を仲介し、記録媒体１２０からのプログラムの読み出し、およびコンピュータ１１０における処理結果の記録媒体１２０への書き込みを実行する。通信インターフェイス１１７は、ＣＰＵ１１１と、他のコンピュータとの間のデータ伝送を仲介する。
　また、記録媒体１２０の具体例としては、ＣＦ（Compact Flash（登録商標））およびＳＤ（Secure Digital）などの汎用的な半導体記憶デバイス、フレキシブルディスク（Flexible Disk）などの磁気記録媒体、またはＣＤ－ＲＯＭ（Compact Disk Read Only Memory）などの光学記録媒体が挙げられる。
　なお、本実施形態におけるストレス推定装置１は、プログラムがインストールされたコンピュータではなく、各部に対応したハードウェアを用いることによっても実現可能である。更に、ストレス推定装置１は、一部がプログラムで実現され、残りの部分がハードウェアで実現されていてもよい。
　上述した実施形態の一部または全部は、以下に記載する（付記１）～（付記２７）によって表現することができるが、以下の記載に限定されるものではない。
（付記１）
　被測定者のストレスを推定するストレス推定装置であって、
　前記被測定者の少なくとも一の部位の動作の加速度情報を含む、前記被測定者の生体信号を取得する信号取得部と、
　前記信号取得部が取得した生体信号に含まれる加速度情報から、移動平均を算出する移動平均算出部と、
　前記移動平均算出部が算出した移動平均から、前記被測定者の活動状態の閾値を算出する閾値算出部と、
　前記移動平均算出部が算出した移動平均と、前記閾値算出部が算出した閾値とから、特定の時間における活動状態を識別する活動状態識別部と、
　前記信号取得部が取得した、加速度情報以外の生体信号の時系列データを、前記活動状態識別部が識別した活動状態毎に分類して、活動状態別データを生成する活動状態別データ生成部と、
　前記活動状態別データ生成部が生成した活動状態別データから、ストレスを推定するストレス推定部と、
を備えることを特徴とするストレス推定装置。
（付記２）
　付記１に記載のストレス推定装置であって、
　前記閾値算出部は、前記移動平均算出部が算出した移動平均のヒストグラムを構成し、前記ヒストグラムを用いて前記被測定者の閾値を算出する、
ことを特徴とするストレス推定装置。
（付記３）
　付記２に記載のストレス推定装置であって、
　前記閾値算出部は、前記ヒストグラムを平滑化したカーブの一次導関数の極大値の位置を閾値とする、
ことを特徴とするストレス推定装置。
（付記４）
　付記２に記載のストレス推定装置であって、
　前記閾値算出部は、前記ヒストグラムを平滑化したカーブの一次導関数の極小値の位置を閾値とする、
ことを特徴とするストレス推定装置。
（付記５）
　付記２に記載のストレス推定装置であって、
　前記閾値算出部は、前記ヒストグラムを平滑化したカーブの一次導関数の隣り合う極小値と極大値とであって、前記極小値の方がゼロ点に近い場合に、前記極小値と前記極大値との中点の位置を閾値とする、
ことを特徴とするストレス推定装置。
（付記６）
　付記２に記載のストレス推定装置であって、
　前記閾値算出部は、前記ヒストグラムを平滑化したカーブの一次導関数の隣り合う極小値と極大値とであって、前記極小値の方がゼロ点に近い場合に、前記極小値と前記極大値とをいずれも閾値とし、
　前記活動状態識別部は、前記極小値と前記極大値との間の領域を処理対象としない、
ことを特徴とするストレス推定装置。
（付記７）
　付記２に記載のストレス推定装置であって、
　前記閾値算出部は、前記ヒストグラムを平滑化したカーブの一次導関数の隣り合う極小値と極大値とであって、前記極小値の方がゼロ点に近い場合に、前記極小値と前記極大値とをいずれも閾値とし、
　前記活動状態識別部は、前記極小値と前記極大値との間の領域を隣り合う領域とは異なる活動状態領域とする、
ことを特徴とするストレス推定装置。
（付記８）
　付記３から付記７のいずれか一つに記載のストレス推定装置であって、
　前記閾値算出部は、構成したヒストグラムを対数化処理した後、平滑化し、
　前記ヒストグラムを平滑化したカーブは、対数化処理後のヒストグラムのカーブである、
ことを特徴とするストレス推定装置。
（付記９）
　付記３から付記７のいずれか一つに記載のストレス推定装置であって、
　ヒストグラムのカーブの１次導関数の極値が、前記１次導関数のカーブを特定の領域の中で平滑化の程度を上げていく中で最後まで残存する極値である、
　ことを特徴とするストレス推定装置。
（付記１０）
　被測定者のストレスを推定するストレス推定方法であって、
　前記被測定者の少なくとも一の部位の動作の加速度情報を含む、前記被測定者の生体信号を取得するステップと、
　取得された生体信号に含まれる加速度情報から、移動平均を算出するステップと、
　算出された移動平均から、前記被測定者の活動状態の閾値を算出するステップと、
　算出された移動平均と、算出された閾値とから、特定の時間における活動状態を識別するステップと、
　取得された、加速度情報以外の生体信号の時系列データを、識別された活動状態毎に分類して、活動状態別データを生成するステップと、
　生成された活動状態別データから、ストレスを推定するステップと、
を備えることを特徴とするストレス推定方法。
（付記１１）
　付記１０に記載のストレス推定方法であって、
　前記閾値を算出するステップでは、算出された移動平均のヒストグラムを構成し、前記ヒストグラムを用いて前記被測定者の閾値を算出する、
ことを特徴とするストレス推定方法。
（付記１２）
　付記１１に記載のストレス推定方法であって、
　前記閾値を算出するステップでは、前記ヒストグラムを平滑化したカーブの一次導関数の極大値の位置を閾値とする、
ことを特徴とするストレス推定方法。
（付記１３）
　付記１１に記載のストレス推定方法であって、
　前記閾値を算出するステップでは、前記ヒストグラムを平滑化したカーブの一次導関数の極小値の位置を閾値とする、
ことを特徴とするストレス推定方法。
（付記１４）
　付記１１に記載のストレス推定方法であって、
　前記閾値を算出するステップでは、前記ヒストグラムを平滑化したカーブの一次導関数の隣り合う極小値と極大値とであって、前記極小値の方がゼロ点に近い場合に、前記極小値と前記極大値との中点の位置を閾値とする、
ことを特徴とするストレス推定方法。
（付記１５）
　付記１１に記載のストレス推定方法であって、
　前記閾値を算出するステップでは、前記ヒストグラムを平滑化したカーブの一次導関数の隣り合う極小値と極大値とであって、前記極小値の方がゼロ点に近い場合に、前記極小値と前記極大値とをいずれも閾値とし、
　前記活動状態を識別するステップでは、前記極小値と前記極大値との間の領域を処理対象としない、
ことを特徴とするストレス推定方法。
（付記１６）
　付記１１に記載のストレス推定方法であって、
　前記閾値を算出するステップでは、前記ヒストグラムを平滑化したカーブの一次導関数の隣り合う極小値と極大値とであって、前記極小値の方がゼロ点に近い場合に、前記極小値と前記極大値とをいずれも閾値とし、
　前記活動状態を識別するステップでは、前記極小値と前記極大値との間の領域を隣り合う領域とは異なる活動状態領域とする、
ことを特徴とするストレス推定方法。
（付記１７）
　付記１２から付記１６のいずれか一つに記載のストレス推定方法であって、
　前記閾値を算出するステップでは、構成したヒストグラムを対数化処理した後、平滑化し、
　前記ヒストグラムを平滑化したカーブは、対数化処理後のヒストグラムのカーブである、
ことを特徴とするストレス推定方法。
（付記１８）
　付記１２から付記１６のいずれか一つに記載のストレス推定方法であって、
　ヒストグラムのカーブの１次導関数の極値が、前記１次導関数のカーブを特定の領域の中で平滑化の程度を上げていく中で最後まで残存する極値である、
　ことを特徴とするストレス推定方法。
（付記１９）
　コンピュータに、被測定者のストレスを推定させるプログラムを記録したコンピュータ読み取り可能な記録媒体であって、
前記コンピュータに、
　前記被測定者の少なくとも一の部位の動作の加速度情報を含む、前記被測定者の生体信号を取得するステップと、
　取得された生体信号に含まれる加速度情報から、移動平均を算出するステップと、
　算出された移動平均から、前記被測定者の活動状態の閾値を算出するステップと、
　算出された移動平均と、算出された閾値とから、特定の時間における活動状態を識別するステップと、
　取得された、加速度情報以外の生体信号の時系列データを、識別された活動状態毎に分類して、活動状態別データを生成するステップと、
　生成された活動状態別データから、ストレスを推定するステップと、
を実行させるプログラムを記録したコンピュータ読み取り可能な記録媒体。
（付記２０）
　付記１９に記載のコンピュータ読み取り可能な記録媒体であって、
　前記閾値を算出するステップでは、算出された移動平均のヒストグラムを構成し、前記ヒストグラムを用いて前記被測定者の閾値を算出する、
ことを特徴とするコンピュータ読み取り可能な記録媒体。
（付記２１）
　付記２０に記載のコンピュータ読み取り可能な記録媒体であって、
　前記閾値を算出するステップでは、前記ヒストグラムを平滑化したカーブの一次導関数の極大値の位置を閾値とする、
ことを特徴とするコンピュータ読み取り可能な記録媒体。
（付記２２）
　付記２０に記載のコンピュータ読み取り可能な記録媒体であって、
　前記閾値を算出するステップでは、前記ヒストグラムを平滑化したカーブの一次導関数の極小値の位置を閾値とする、
ことを特徴とするコンピュータ読み取り可能な記録媒体。
（付記２３）
　付記２０に記載のコンピュータ読み取り可能な記録媒体であって、
　前記閾値を算出するステップでは、前記ヒストグラムを平滑化したカーブの一次導関数の隣り合う極小値と極大値とであって、前記極小値の方がゼロ点に近い場合に、前記極小値と前記極大値との中点の位置を閾値とする、
ことを特徴とするコンピュータ読み取り可能な記録媒体。
（付記２４）
　付記２０に記載のコンピュータ読み取り可能な記録媒体であって、
　前記閾値を算出するステップでは、前記ヒストグラムを平滑化したカーブの一次導関数の隣り合う極小値と極大値とであって、前記極小値の方がゼロ点に近い場合に、前記極小値と前記極大値とをいずれも閾値とし、
　前記活動状態を識別するステップでは、前記極小値と前記極大値との間の領域を処理対象としない、
ことを特徴とするコンピュータ読み取り可能な記録媒体。
（付記２５）
　付記２０に記載のコンピュータ読み取り可能な記録媒体であって、
　前記閾値を算出するステップでは、前記ヒストグラムを平滑化したカーブの一次導関数の隣り合う極小値と極大値とであって、前記極小値の方がゼロ点に近い場合に、前記極小値と前記極大値とをいずれも閾値とし、
　前記活動状態を識別するステップでは、前記極小値と前記極大値との間の領域を隣り合う領域とは異なる活動状態領域とする、
ことを特徴とするコンピュータ読み取り可能な記録媒体。
（付記２６）
　付記２１から付記２５のいずれか一つに記載のコンピュータ読み取り可能な記録媒体であって、
　前記閾値を算出するステップでは、構成したヒストグラムを対数化処理した後、平滑化し、
　前記ヒストグラムを平滑化したカーブは、対数化処理後のヒストグラムのカーブである、
ことを特徴とするコンピュータ読み取り可能な記録媒体。
（付記２７）
　付記２１から付記２５のいずれか一つに記載のコンピュータ読み取り可能な記録媒体であって、
　ヒストグラムのカーブの１次導関数の極値が、前記１次導関数のカーブを特定の領域の中で平滑化の程度を上げていく中で最後まで残存する極値である、
　ことを特徴とするコンピュータ読み取り可能な記録媒体。
　以上、実施の形態を参照して本発明を説明したが、本発明は上記実施の形態に限定されるものではない。本発明の構成や詳細には、本発明のスコープ内で当業者が理解し得る様々な変更をすることができる。
　この出願は、２０１９年４月８日に出願された日本出願特願２０１９－７３７１４を基礎とする優先権を主張し、その開示の全てをここに取り込む。
１　　　　：ストレス推定装置
１０　　　：信号取得部
１１　　　：加速度信号取得部
１２　　　：加速度以外生体信号取得部
１３　　　：移動平均算出部
１４　　　：移動平均記憶部
１５　　　：閾値算出部
１６　　　：活動状態識別部
１７　　　：活動状態別データ生成部
１８　　　：活動状態別生体信号記憶部
１９　　　：ストレス推定部
５０　　　：ウェアラブル端末
１１０　　：コンピュータ
１１１　　：ＣＰＵ
１１２　　：メインメモリ
１１３　　：記憶装置
１１４　　：入力インターフェイス
１１５　　：表示コントローラ
１１６　　：データリーダ／ライタ
１１７　　：通信インターフェイス
１１８　　：入力機器
１１９　　：ディスプレイ装置
１２０　　：記録媒体
１２５　　：バス

 

Claims (10)

  1. 　被測定者のストレスを推定するストレス推定装置であって、
    　前記被測定者の少なくとも一の部位の動作の加速度情報を含む、前記被測定者の生体信号を取得する信号取得手段と、
    　前記信号取得手段が取得した生体信号に含まれる加速度情報から、移動平均を算出する移動平均算出手段と、
    　前記移動平均算出手段が算出した移動平均から、前記被測定者の活動状態の閾値を算出する閾値算出手段と、
    　前記移動平均算出手段が算出した移動平均と、前記閾値算出手段が算出した閾値とから、特定の時間における活動状態を識別する活動状態識別手段と、
    　前記信号取得手段が取得した生体信号のうち、加速度情報以外の生体信号の時系列データを、前記活動状態識別手段が識別した活動状態毎に分類して、活動状態別データを生成する活動状態別データ生成手段と、
    　前記活動状態別データ生成手段が生成した活動状態別データから、ストレスを推定するストレス推定手段と、
    を備えることを特徴とするストレス推定装置。
  2. 　請求項１に記載のストレス推定装置であって、
    　前記閾値算出手段は、前記移動平均算出手段が算出した移動平均のヒストグラムを構成し、前記ヒストグラムを用いて前記被測定者の閾値を算出する、
    ことを特徴とするストレス推定装置。
  3. 　請求項２に記載のストレス推定装置であって、
    　前記閾値算出手段は、前記ヒストグラムを平滑化したカーブの一次導関数の極大値の位置を閾値とする、
    ことを特徴とするストレス推定装置。
  4. 　請求項２に記載のストレス推定装置であって、
    　前記閾値算出手段は、前記ヒストグラムを平滑化したカーブの一次導関数の極小値の位置を閾値とする、
    ことを特徴とするストレス推定装置。
  5. 　請求項２に記載のストレス推定装置であって、
    　前記閾値算出手段は、前記ヒストグラムを平滑化したカーブの一次導関数の隣り合う極小値と極大値とであって、前記極小値の方がゼロ点に近い場合に、前記極小値と前記極大値との中点の位置を閾値とする、
    ことを特徴とするストレス推定装置。
  6. 　請求項２に記載のストレス推定装置であって、
    　前記閾値算出手段は、前記ヒストグラムを平滑化したカーブの一次導関数の隣り合う極小値と極大値とであって、前記極小値の方がゼロ点に近い場合に、前記極小値と前記極大値とをいずれも閾値とし、
    　前記活動状態識別手段は、前記極小値と前記極大値との間の領域を処理対象としない、
    ことを特徴とするストレス推定装置。
  7. 　請求項２に記載のストレス推定装置であって、
    　前記閾値算出手段は、前記ヒストグラムを平滑化したカーブの一次導関数の隣り合う極小値と極大値とであって、前記極小値の方がゼロ点に近い場合に、前記極小値と前記極大値とをいずれも閾値とし、
    　前記活動状態識別手段は、前記極小値と前記極大値との間の領域を隣り合う領域とは異なる活動状態領域とする、
    ことを特徴とするストレス推定装置。
  8. 　請求項３から請求項７のいずれか一つに記載のストレス推定装置であって、
    　前記閾値算出手段は、構成したヒストグラムを対数化処理した後、平滑化し、
    　前記ヒストグラムを平滑化したカーブは、対数化処理後のヒストグラムのカーブである、
    ことを特徴とするストレス推定装置。
  9. 　被測定者のストレスを推定するストレス推定方法であって、
    　前記被測定者の少なくとも一の部位の動作の加速度情報を含む、前記被測定者の生体信号を取得し、
    　取得した前記生体信号に含まれる前記加速度情報から、移動平均を算出し、
    　前記移動平均から、前記被測定者の活動状態の閾値を算出し、
    　前記移動平均と、前記閾値とから、特定の時間における活動状態を識別し、
    　取得した前記生体信号のうち、前記加速度情報以外の生体信号の時系列データを、識別した前記活動状態毎に分類して、活動状態別データを生成し、
    　生成した前記活動状態別データから、ストレスを推定する、
    　ストレス推定方法。
  10. 　コンピュータに、被測定者のストレスを推定させるプログラムを記録したコンピュータ読み取り可能な記録媒体であって、
    　前記コンピュータに、
    　前記被測定者の少なくとも一の部位の動作の加速度情報を含む、前記被測定者の生体信号を取得させ、
    　取得された前記生体信号に含まれる加速度情報から、移動平均を算出させ、
    　算出された前記移動平均から、前記被測定者の活動状態の閾値を算出させ、
    　算出された前記移動平均と、算出された前記閾値とから、特定の時間における活動状態を識別させ、
    　取得された前記生体信号のうち、前記加速度情報以外の生体信号の時系列データを、識別された前記活動状態毎に分類して、活動状態別データを生成させ、
    　生成された前記活動状態別データから、ストレスを推定させる、
    　命令を含むプログラムを記録したコンピュータ読み取り可能な記録媒体。
     

     
PCT/JP2020/014444 2019-04-08 2020-03-30 ストレス推定装置、ストレス推定方法およびコンピュータ読み取り可能な記録媒体 WO2020209117A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2021513577A JP7136341B2 (ja) 2019-04-08 2020-03-30 ストレス推定装置、ストレス推定方法およびプログラム
US17/600,199 US20220167915A1 (en) 2019-04-08 2020-03-30 Stress estimation apparatus, stress estimation method, and computer readable recording medium

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019-073714 2019-04-08
JP2019073714 2019-04-08

Publications (1)

Publication Number Publication Date
WO2020209117A1 true WO2020209117A1 (ja) 2020-10-15

Family

ID=72751248

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/014444 WO2020209117A1 (ja) 2019-04-08 2020-03-30 ストレス推定装置、ストレス推定方法およびコンピュータ読み取り可能な記録媒体

Country Status (3)

Country Link
US (1) US20220167915A1 (ja)
JP (1) JP7136341B2 (ja)
WO (1) WO2020209117A1 (ja)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022157872A1 (ja) * 2021-01-21 2022-07-28 日本電気株式会社 情報処理装置、特徴量選択方法、教師データ生成方法、推定モデル生成方法、ストレス度の推定方法、およびプログラム
WO2023119562A1 (ja) * 2021-12-23 2023-06-29 日本電気株式会社 学習装置、ストレス推定装置、学習方法、ストレス推定方法及び記憶媒体

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006293535A (ja) * 2005-04-07 2006-10-26 Olympus Corp 情報表示システム

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6943287B2 (ja) * 2017-10-05 2021-09-29 日本電気株式会社 生体情報処理装置、生体情報処理システム、生体情報処理方法、およびプログラム

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006293535A (ja) * 2005-04-07 2006-10-26 Olympus Corp 情報表示システム

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
MARK J CARLOTTO: "Histogram Analysis Using a Scale-Space Approach", IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE, vol. PAMI-9, no. 1, January 1987 (1987-01-01), pages 121 - 129, XP011242993, ISSN: 0162-8828 *
PAUL D GROVES, GRAHAM W PULFORD, CHRISTOPHER J MATHER, C AARON LITTLEFIELD, DAVID L J NASH, MARK R CARTER: "Integrated pedestrian navigation using GNSS, MEMS IMU, Magnetometer and Baro-altimeter", RIN NAV07, 1 November 2007 (2007-11-01), pages 1 - 17, XP055748608 *
SANO AKANE; PHILLIPS ANDREW J; YU AMY Z; MCHILL ANDREW W; TAYLOR SARA; JAQUES NATASHA; CZEISLER CHARLES A; KLERMAN ELIZABETH B; PI: "Recognizing Academic Performance, Sleep Quality, Stress Level, and Mental Health using Personality Traits, Wearable Sensors and Mobile Phones", 2015 IEEE 12TH INTERNATIONAL CONFERENCE ON WEARABLE AND IMPLANTABLE BODY SENSOR NETWORKS (BSN), 12 June 2015 (2015-06-12), pages 1 - 6, XP032795099, DOI: 10.1109/BSN.2015.7299420 *
YOSHIKI NAKASHIMA; TERUMI UMEMATSU; MASANORI TSUJIKAWA; YOSHIFUMI ONISHI: "An Effectiveness Comparison between the Use of Activity State Data and That of Activity Magnitude Data in Chronic Stress Recognition", 2019 8TH INTERNATIONAL CONFERENCE ON AFFECTIVE COMPUTING AND INTELLIGENT INTERACTION WORKSHOPS AND DEMOS (ACIIW, 6 December 2019 (2019-12-06), pages 239 - 243, XP033670896, DOI: 10.1109/ACIIW.2019.8925222 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022157872A1 (ja) * 2021-01-21 2022-07-28 日本電気株式会社 情報処理装置、特徴量選択方法、教師データ生成方法、推定モデル生成方法、ストレス度の推定方法、およびプログラム
WO2023119562A1 (ja) * 2021-12-23 2023-06-29 日本電気株式会社 学習装置、ストレス推定装置、学習方法、ストレス推定方法及び記憶媒体

Also Published As

Publication number Publication date
US20220167915A1 (en) 2022-06-02
JPWO2020209117A1 (ja) 2020-10-15
JP7136341B2 (ja) 2022-09-13

Similar Documents

Publication Publication Date Title
US20220125322A1 (en) Methods and Systems for Determining Abnormal Cardiac Activity
Benson et al. Classifying running speed conditions using a single wearable sensor: Optimal segmentation and feature extraction methods
US20180008191A1 (en) Pain management wearable device
WO2020209117A1 (ja) ストレス推定装置、ストレス推定方法およびコンピュータ読み取り可能な記録媒体
US20210401378A1 (en) Health Monitoring Platform for Illness Detection
EP3375357B1 (en) Biological signal acquisition method, device, electronic equipment and system
WO2015119726A2 (en) Identifying and characterizing nocturnal motion and stages of sleep
US20210196204A1 (en) Methods, systems, and media for predicting sensor measurement quality
WO2016084499A1 (ja) 行動分類システム、行動分類装置及び行動分類方法
JP6943287B2 (ja) 生体情報処理装置、生体情報処理システム、生体情報処理方法、およびプログラム
US20130173174A1 (en) Apparatus, method, and system for accurate estimation of total energy expenditure in daily activities
Asadi et al. A computer vision approach for classifying isometric grip force exertion levels
Deb et al. Gait identification using a new time-warped similarity metric based on smartphone inertial signals
WO2023112384A1 (ja) 計算機システム及び情動推定方法
Straczkiewicz et al. A “one-size-fits-most” walking recognition method for smartphones, smartwatches, and wearable accelerometers
Ma et al. A SVM-based algorithm to diagnose sleep apnea
JP2016129629A (ja) 生体状態推定装置
JP7276586B2 (ja) ストレス推定装置、ストレス推定方法、およびプログラム
WO2021260836A1 (ja) 学習モデル生成装置、ストレス推定装置、学習モデル生成方法、ストレス推定方法、及びコンピュータ読み取り可能な記録媒体
JP7206663B2 (ja) 検出装置、ウェアラブルセンシングデバイス、検出方法、およびプログラム
KR101310500B1 (ko) 피부 특성을 이용한 건강 상태 판단 장치 및 방법, 건강 분류 함수 생성 장치 및 그 방법
WO2022101990A1 (ja) 疲労度推定装置、疲労度推定方法、及びコンピュータ読み取り可能な記録媒体
US20230008809A1 (en) Systems and methods for enhancing infection detection and monitoring through decomposed physiological data
KR102475793B1 (ko) 의료 데이터 제공 방법, 및 의료 데이터 제공 방법이 저장된 기록매체
US20220409187A1 (en) Illness detection with menstrual cycle pattern analysis

Legal Events

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

Ref document number: 20786965

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2021513577

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20786965

Country of ref document: EP

Kind code of ref document: A1