WO2022270098A1 - 血中中性脂肪推定装置、血中中性脂肪推定方法及びプログラム - Google Patents

血中中性脂肪推定装置、血中中性脂肪推定方法及びプログラム Download PDF

Info

Publication number
WO2022270098A1
WO2022270098A1 PCT/JP2022/015091 JP2022015091W WO2022270098A1 WO 2022270098 A1 WO2022270098 A1 WO 2022270098A1 JP 2022015091 W JP2022015091 W JP 2022015091W WO 2022270098 A1 WO2022270098 A1 WO 2022270098A1
Authority
WO
WIPO (PCT)
Prior art keywords
blood
blood triglyceride
estimation
triglyceride
biological information
Prior art date
Application number
PCT/JP2022/015091
Other languages
English (en)
French (fr)
Inventor
徳隆 安藤
尚久 正箱
Original Assignee
日清食品ホールディングス株式会社
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
Priority claimed from JP2022040634A external-priority patent/JP2023002452A/ja
Application filed by 日清食品ホールディングス株式会社 filed Critical 日清食品ホールディングス株式会社
Priority to CN202280005596.7A priority Critical patent/CN115955934A/zh
Priority to EP22828017.8A priority patent/EP4362044A1/en
Priority to US18/041,928 priority patent/US20240008814A1/en
Publication of WO2022270098A1 publication Critical patent/WO2022270098A1/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
    • A61B5/4869—Determining body composition
    • A61B5/4872—Body fat
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/02007—Evaluating blood vessel condition, e.g. elasticity, compliance
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/021—Measuring pressure in heart or blood vessels
    • A61B5/02108—Measuring pressure in heart or blood vessels from analysis of pulse wave characteristics
    • A61B5/02125—Measuring pressure in heart or blood vessels from analysis of pulse wave characteristics of pulse wave propagation time
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/053—Measuring electrical impedance or conductance of a portion of the body
    • A61B5/0537—Measuring body composition by impedance, e.g. tissue hydration or fat content
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters
    • A61B5/14551—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters for measuring blood gases
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • 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
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—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

Definitions

  • the present invention relates to a blood neutral fat estimation device, a blood neutral fat estimation method, and a program.
  • Patent Document 1 describes a method for estimating blood neutral fat by irradiating a fingertip with a light beam of a specific wavelength.
  • An object of the present invention is to non-invasively estimate blood triglycerides with high accuracy, in addition to pulse wave data obtained by irradiating light of a specific wavelength, BMI, blood pressure, electrocardiogram data, and biometric data.
  • An object of the present invention is to provide a blood neutral fat estimating device, a blood neutral fat estimating method, and a program capable of estimating blood neutral fat based on impedance or the like.
  • a blood triglyceride estimation apparatus includes an information acquisition unit that acquires predetermined user attribute information and noninvasive biological information, an estimation model storage unit that stores a blood triglyceride estimation model, and a blood triglyceride estimation model. an estimation processing unit that calculates an estimated blood triglyceride value of a given user based on the attribute information of the given user and/or non-invasive biological information using the triglyceride estimation model. characterized by
  • the blood triglyceride estimating device further comprises a training data storage unit that stores a training data set, and a learning processing unit that generates a blood triglyceride estimation model by machine learning based on the training data set. characterized by
  • the attribute information includes age and sex, or a combination thereof
  • the noninvasive biometric information includes BMI, blood pressure, pulse wave data, electrocardiogram data, bioimpedance, or a combination thereof. do.
  • the training dataset is characterized by including subject's attribute information, non-invasive biological information, and blood neutral fat measurement values measured from blood.
  • the logarithm of the blood triglyceride estimated value and the logarithm of the blood triglyceride measurement value are characterized by having a correlation coefficient of 0.6 or more.
  • the estimation processing unit is characterized by calculating an estimated blood triglyceride risk value instead of an estimated blood triglyceride value.
  • the learning processing unit adds a label indicating the presence or absence of blood triglyceride risk based on the blood triglyceride measurement value measured from the blood, and adds a blood triglyceride risk to the label It is characterized by increasing the sample data in the training data set so as to reduce the difference between the number of positive and the number of non-risk of triglyceride in blood equal to or greater than a predetermined value.
  • the learning processing unit generates a first blood triglyceride risk estimation model and a second blood triglyceride risk estimation model by machine learning based on different types of training data sets.
  • a blood triglyceride risk estimation value of a given user is calculated using the first blood triglyceride risk estimation model and the second blood triglyceride risk estimation model.
  • a biological information estimating unit for estimating at least one or more biological information of BMI, blood pressure, pulse wave data, electrocardiogram data, and biological impedance included in the biological information, wherein the information acquisition unit estimates by the biological information estimating unit The obtained biometric information is acquired as the biometric information of a predetermined user.
  • the blood neutral fat estimation device In addition to the blood neutral fat estimation device, it is characterized by further comprising a biological information measuring device that non-invasively measures biological information to constitute a non-invasive blood neutral fat estimation system.
  • the method for estimating blood triglycerides in the present invention includes the step of storing a training data set containing subject attribute information, non-invasive biological information, and blood triglyceride measurements measured from blood; Based on the step of generating a blood neutral fat estimation model by machine learning, and using the blood neutral fat estimation model, based on predetermined user attribute information and / or non-invasive biological information, a predetermined calculating an estimate of the user's blood triglycerides.
  • the program in the present invention comprises steps of storing a training data set containing subject attribute information, non-invasive biological information, and blood triglycerides measured from blood; a step of generating a neutral fat estimation model; and using the blood neutral fat estimation model, a predetermined user's blood neutral fat based on predetermined user's attribute information and/or non-invasive biological information. and calculating the estimated value.
  • FIG. 1 is a block diagram showing a schematic configuration of a blood neutral fat estimation system; FIG. It is a figure for demonstrating ESG (Electroscangram). It is a hardware block diagram of a blood triglyceride estimating device.
  • 4 is a flow chart showing a procedure for generating a blood triglyceride estimation model by machine learning; It is a hierarchical structure of a neural network used for blood triglyceride estimation.
  • 4 is a flowchart showing a procedure for executing blood neutral fat estimation processing; 4 is a flow chart showing a procedure for generating a blood triglyceride risk estimation model by machine learning; It is the hierarchical structure of the first neural network used for blood triglyceride risk estimation.
  • FIG. 10 is a flow chart showing an execution procedure of a blood triglyceride risk estimation process;
  • FIG. 10 is an ROC_AUC curve of estimation results in Example 2.
  • FIG. 10 is a ROC_AUC curve of estimation results in Example 3.
  • FIG. 10 is a flow chart showing an execution procedure of a blood triglyceride risk estimation process;
  • FIG. 10 is an ROC_AUC curve of estimation results in Example 2.
  • FIG. 10 is a ROC_AUC curve of estimation results in Example 3.
  • FIG. 1 is a block diagram showing a schematic configuration of a blood neutral fat estimation system 1 according to this embodiment.
  • the blood neutral fat estimation system 1 includes a terminal device 10 , a biological information measurement device 20 , a blood neutral fat estimation device 30 and a display device 39 .
  • the term "user” refers to a person who uses the blood neutral fat estimation system in order to non-invasively obtain an estimated value of blood neutral fat or its risk.
  • subject is defined as, after obtaining the prescribed procedures and consent, attribute information such as age and gender, non-invasive biological information, and blood triglyceride measured value measured from blood. Refers to a person who provides a training data set to be used in the triglyceride estimation system.
  • the terminal device 10 can input user attribute information (name, ID, age, gender, etc.), and can output the input information to the blood neutral fat estimation device 30 through a wired or wireless communication network.
  • Any information terminal may be used as long as it is a suitable information terminal. Examples include tablet terminals, smart phones, mobile terminals including wearable terminals, and PCs (Personal Computers).
  • the height, weight, and the like may be measured by the biological information measuring device 20, which will be described later.
  • the biological information measuring device 20 measures the user's non-invasive biological information.
  • non-invasive biometric information is biometric information obtained by a method that does not require the insertion of instruments into the skin or into body orifices.
  • Non-invasive biological information can be measured using commercially available stature scales, weight scales, sphygmomanometers, pulse oximeters, pulse wave meters, electrocardiographs, impedance measuring devices, galvanic skin measuring devices, and the like.
  • You can also use Estec BC-3 (Ryobi Systems), which can simultaneously measure pulse wave data, electrocardiogram data, and bioimpedance. These devices can noninvasively measure biometric data without imposing a psychological or physical burden on the user.
  • the noninvasive biological information includes BMI (body mass index), blood pressure, pulse wave data, electrocardiogram data, and biological impedance, or a combination thereof.
  • Blood pressure includes any or a combination of systolic pressure, diastolic pressure, pulse pressure, and mean arterial pressure.
  • the pulse pressure is calculated by the following formula.
  • Pulse pressure systolic blood pressure - diastolic blood pressure
  • Mean arterial pressure is calculated by the following formula.
  • Mean arterial pressure diastolic blood pressure + pulse pressure x 1/3
  • Pulse wave data is obtained by irradiating red light ( ⁇ 660 nm) from a Red LED and near-infrared light ( ⁇ 905 nm) from an IR LED to a protruding part of the body, such as a finger, using a pulse wave meter or pulse oximeter. is measured by measuring the phototransistor.
  • Pulse wave data include pulse, elastic index, peripheral vascular resistance, accelerogram, b/a, e/a, -d/a, Takazawa accelerometer aging index, ejection fraction, LVET, DEI elastic index), or a combination thereof.
  • the elastic index is a numerical value obtained by dividing the height by the time from the systolic peak to the diastolic peak detected in the finger plethysmogram.
  • Peripheral vascular resistance is determined by mean arterial pressure/cardiac output ⁇ 80.
  • DEI depleted elastic index
  • 0.3 to 0.7 is normal, 0.3 or less suggests hypertension or arteriosclerosis, and 0.7 or more suggests acute anxiety.
  • the acceleration pulse wave is a second derivative of photoplethysmogram (SDPTG) of finger plethysmogram (photoplethysmogram: PTG).
  • Acceleration pulse wave includes early positive wave (a-wave), early negative wave (b-wave), mid-systolic re-rising wave (c-wave), late-systolic re-descending wave (d-wave), and diastolic early positive wave (e-wave).
  • the above b/a, e/a, and -d/a are calculated from the ratio of each wave height.
  • vascular aging is evaluated using the Takazawa acceleration pulse wave aging index (bcde)/a. be able to.
  • Ejection fraction is the fraction of blood ejected from the ventricle with each heartbeat and is proportional to the Accelerometer Plethysmographic Aging Index.
  • LVET is the left ventricular ejection time, which is the time for blood in the left ventricle to be ejected to the aorta after the aortic valve opens.
  • Electrocardiogram data can be measured by electrode electrocardiography (ECG) or photoplethysmography (PPG).
  • ECG data includes respiratory rate, heart rate, RR interval, standard deviation of RR interval, MxDMn ratio, power spectrum of low frequency band, power spectrum of high frequency band, heart rate variability index LF/HF, total power, or combinations thereof.
  • the RR interval is the interval from one QRS wave to the next QRS wave in an electrocardiogram.
  • the MxDMn ratio is the ratio of the longest RR interval to the shortest RR interval in time and is an index of irregular heartbeats.
  • the total power is the calculated value of the total power of the power spectrum of frequencies 0 to 0.4 Hz (VLF, LF, HF) measured for 2 minutes.
  • This value reflects the total autonomic nervous system activity dominated by sympathetic activity.
  • the high frequency power spectral ratio (0.1875 to 0.50 Hz: HF)
  • the low frequency power spectral ratio (0.05 to 0.1875 Hz: LF)
  • the LF/HF ratio the power spectrum ratio of the very low frequency band (0-0.05 Hz: VLF)
  • the impedance (conductance) of a living body can be measured, for example, by passing weak electricity between two of the six electrodes on both legs, both hands, and left and right forehead.
  • ⁇ S anode/cathode conductance
  • ⁇ S cathode/anode conductance
  • ⁇ S/m electrical conductivity
  • muscle mass, body fat mass, total water content, phase angle, and resistance value can be measured at the same time.
  • the permittivity ( ⁇ Si) when the current is applied between the right hand and the left hand and between the right forehead and the left forehead is also possible. It is preferable to measure the impedance (conductance) of the living body using 22 patterns of conductivity from six electrodes.
  • Bioimpedance includes body fat mass (kg), body fat mass (%), lean mass, lean mass, muscle mass, total water content (kg), total water content (%), intracellular water content (% ), cardiac output, 1 forehead left-2 left hand/SCR A, 1 forehead left-2 left hand/delta SCR C-SCR A, 5 left hand-6 left foot/delta SCR C-SCR A, 13 left foot-14 right foot/ SCR A, 15 right hand-16 forehead left/delta SCR C-SCR A, 15 right hand-16 forehead left SCR C, 19 right foot-20 left hand/delta SCR C-SCR A, ESG2+4+15+17 ( ⁇ S/m), ESG6+13+19 (%) , ESG 6 + 8 + 19 + 21 (%), ESG 6 + 8 + 19 + 21 (%), ESG 6 + 8 + 19 + 21 ( ⁇ S/m), ESG 9 + 10 ( ⁇ S/m), ESG 9 + 10 (%), left leg conductance, R ( ⁇ ), phase angle, permittivity of forehead path,
  • ESG is an abbreviation for electroscangram.
  • the "+" in ESG2+4+15+17 means which electrode attached to the body was used to measure.
  • ESG 2 + 4 + 15 + 17, as shown in Fig. 2 is the left hand when electricity is applied from the left hand to the left forehead, the right hand when electricity is applied from the right hand to the right forehead, the right hand when electricity is applied from the right hand to the left forehead, and the left hand to the right forehead. It means the average value of the conductance measured with the left hand when the current is applied.
  • Non-Patent Document 1 has a detailed description of these conductances.
  • Non-Patent Documents 2 and 3 The details of the ESG (electroscangram) measurement method are described in Non-Patent Documents 2 and 3.
  • “1 left side -2 left hand/SCR A” is the conductance (or conductivity) of the path measured when electricity flows so that "1 left side” is the cathode and "2 left hand” is the anode direction.
  • “5 left hand - 6 left foot / delta SCR C-SCR A” is the difference in conductance measured when current is applied between "5 left hand” and "6 left foot” so that anode-cathode, cathode-anode. be.
  • BMI and blood pressure can be measured using a height weight scale and a blood pressure monitor.
  • the measured noninvasive biological information is output to the blood triglyceride estimating device 30 through a wired or wireless communication network.
  • the biological information measuring device 20 may be a built-in measuring device or a portable measuring device such as a wearable terminal.
  • the blood neutral fat estimation device 30 includes a first acquisition unit 31, a second acquisition unit 32, a user data storage unit 33, a training data storage unit 34, a learning processing unit 35, and an estimation model storage unit 36. , an estimation processing unit 37 and an estimation data storage unit 38 .
  • the first acquisition unit 31 acquires user attribute information from the terminal device 10 .
  • the second acquisition unit 32 acquires non-invasive biological information of the user from the biological information measuring device 20 .
  • the user data storage unit 33 stores user attribute information and non-invasive biological information acquired from the first acquisition unit 31 and the second acquisition unit 32 .
  • the training data storage unit 34 stores, as a training data set for machine learning, attribute information of a plurality of subjects acquired in advance, non-invasive biological information, and samples such as blood triglycerides obtained by blood tests. A plurality of training data sets composed of inspection information (measured values) are stored.
  • the specimen test information may further include test information obtained from blood, urine, stool, and the like.
  • the learning processing unit 35 acquires the training data set stored in the training data storage unit 34, and uses the training data set to create a blood triglyceride estimation model. Specifically, the acquired training dataset is normalized, and attribute information and non-invasive biological information obtained from blood tests are processed by gradient boosting such as neural networks (NN) and XGBoost, and machine learning such as linear regression. We generate an estimation model that learns the relationship between blood triglycerides and estimates blood triglycerides from non-invasive biological information.
  • the estimated model storage unit 36 stores the estimated model of blood triglycerides generated by the learning processing unit 35 .
  • the non-invasive biometric information includes BMI, blood pressure, pulse wave data, electrocardiogram data, bioimpedance, or a combination thereof.
  • the estimation processing unit 37 uses the estimation model generated by the learning processing unit 35 to estimate the user's blood neutral fat based on predetermined user attribute information and/or non-invasive biological information. Then, the blood triglyceride estimated value is stored in the estimated data storage unit 38 .
  • the display device 39 can display the blood triglyceride estimated value along with the user's attribute information and non-invasive biological information. These data may be displayed on the terminal device 10 owned by the user.
  • FIG. 3 is a hardware configuration diagram of the blood neutral fat estimation device 30.
  • the blood triglyceride estimating apparatus 30 comprises a computer 300 having one or more processors 301, memory 302, storage 303, input/output port 304, and communication port 305. be done.
  • the processor 301 performs processing related to blood triglyceride estimation according to this embodiment by executing a program.
  • the memory 302 temporarily stores programs and computation results of the programs.
  • Storage 303 stores a program for executing processing by blood neutral fat estimation device 30 .
  • the storage 303 may be of any kind as long as it is readable by a computer, for example, various recording media such as a recording medium (magnetic disk, optical disk, etc.), random access memory, flash type memory, read-only memory, etc. can be used.
  • the input/output port 304 inputs information from the terminal device 10 and the biological information measuring device 20 and outputs the blood triglyceride estimated value to the display device 39 .
  • a communication port 305 transmits and receives data to and from an information terminal such as another computer (not shown). As a communication method, wireless communication or wired communication can be used.
  • the blood triglyceride estimating device 30 can be mounted on a commercially available desktop PC or notebook PC, and it takes several seconds to calculate the triglyceride estimated value using the estimation model.
  • the processor 301 of the blood triglyceride estimating device 30 the above-described first acquisition unit 31, second acquisition unit 32, learning processing unit 35, estimation processing unit 37, etc. function during operation.
  • FIG. 4 is a flow chart showing a procedure for generating a blood triglyceride estimation model by machine learning.
  • the learning processing unit 35 preprocesses input data (for example, the training data set described above). Specifically, the learning processing unit 35 converts the gender attribute information of each subject into a one-hot vector. In addition, the learning processing unit 35 converts attribute information other than gender, non-invasive biological information of each subject, and the logarithm of the measured value of triglyceride in blood obtained by a blood test into yeo-Johnson transformation or boc-box transformation. Normalize by conversion or the like.
  • step ST102 the learning processing unit 35 concurrently performs machine learning using linear regression, neural network (NN), and gradient boosting regression tree. Any one of linear regression, neural network (NN), and gradient boosting regression tree may be selected, or two may be used in combination. A grid search may also be used for gradient boosting hyperparameter tuning. Machine learning using gradient boosted regression trees can use software libraries such as XGBoost, CatBoost, and LightBGM.
  • step ST103 the learning processing unit 35 further performs ensemble learning (Ridge regression) on the learning results from linear regression, neural network (NN), and gradient boosting regression tree. Note that if any one of linear regression, neural network (NN), and gradient boosted regression tree is selected in step ST102, ensemble learning (Ridge regression) in step ST103 is unnecessary.
  • the learning processing unit 35 stores the blood triglyceride estimation model generated by the learning processing described above in the estimation model storage unit 36 .
  • linear regression for example, linear regression provided by Scikit-learn, which is a Python open source machine learning library, can be used.
  • the number of dimensions may be compressed by principal component analysis as necessary. It should be noted that the machine learning algorithms described above are merely examples, and the present invention is not limited to these.
  • Figure 5 shows the structure of the neural network (NN) used as the estimation model. Rectangles indicate layers for data conversion, and rounded rectangles indicate input/output data. D is the number of inspection items.
  • the estimation model in FIG. 5 converts data in order of D dimension, 96 dimension, 96 dimension, 96 dimension, and 1 dimension via four layer groups (CompileA1 to CompileA3, CompileB).
  • Compile A1 to A3 includes a fully connected layer “Linear” that performs fully connected processing, a "Kernel Regularizer” that performs regularization, and a "ReLU” layer that performs ReLU processing.
  • Compile B includes a fully connected layer 'Linear' and an 'Adam' layer that performs optimization processing.
  • the input unit of the fully connected layer of the layer group Compile A1 corresponds to the input layer
  • the output unit of the layer group Compile B corresponds to the output layer
  • the units between these correspond to the intermediate layers (hidden layers).
  • the hidden layer includes a Dropout layer that suppresses some input values to 0 to prevent overfitting and a BN (Batch Normalization) layer that normalizes each mini-batch during learning.
  • XGBoost When XGBoost is used in machine learning with gradient-boosted regression trees, the residuals of blood triglycerides obtained from blood tests and estimates of blood triglycerides are calculated, and the mean square error is minimized.
  • max_depth is the depth of the decision tree
  • subsample is the proportion of randomly sampled samples in each tree
  • colsample_bytree is the proportion of randomly sampled columns in each tree
  • learning_rate indicates the learning rate.
  • max_depth was adjusted in the range of 1-10, subsample 0.1-1.0, colsample_bytree 0.3-1.0, learning_rate 0.1-0.7.
  • FIG. 6 is a flow chart showing the execution procedure of the blood triglyceride estimation process.
  • the first acquisition unit 31 of the blood triglyceride estimation device 30 acquires user attribute information from the terminal device 10 .
  • the second acquisition unit 32 of the blood triglyceride estimation device 30 acquires non-invasive biological information of the user.
  • the user's attribute information and non-invasive biological information are stored in the user data storage unit 33 .
  • the blood triglyceride estimation model stored in the estimation model storage section 36 is used to calculate the blood triglyceride estimated value by the estimation processing section 37.
  • the calculated blood neutral fat estimated value is output to and stored in the estimated data storage unit 38, and in step ST205, the blood neutral fat estimated value is displayed on an external terminal such as the display device 39 or the like.
  • Attribute information includes ID, name, age, sex, or a combination thereof
  • non-invasive biometric information includes BMI, blood pressure, pulse wave data, electrocardiogram data, bioimpedance, or combinations thereof.
  • Height and weight which are the criteria for calculating BMI, were measured using a height scale and weight scale, respectively, and blood pressure was measured using a sphygmomanometer.
  • Pulse wave data, electrocardiogram data, and bioimpedance were measured by Estech BC-3 (Ryobi Systems). Instead of Estech BC-3, a commercially available plethysmograph, electrocardiograph, impedance measuring device, and pulse oximeter may be used in combination.
  • the non-invasive biometric information may be acquired using a predetermined wearable terminal.
  • the bioimpedance was measured by applying a weak electric current between two of six electrodes on both legs, both hands, and right and left forehead.
  • the voltage and current were 1.28 V, 200 ⁇ A and the conductance was measured for 32 milliseconds per second.
  • Current was applied to two of the six electrodes, and (1) anode/cathode conductance ( ⁇ S), (2) cathode/anode conductance ( ⁇ S), (3) conductance measured in (1) above. and the conductance difference (delta SCRA-SCRC) measured in (2) above, and (4) electrical conductivity ( ⁇ S/m).
  • ⁇ S anode/cathode conductance
  • ⁇ S cathode/anode conductance
  • delta SCRA-SCRC the conductance difference
  • electrical conductivity ⁇ S/m
  • the muscle mass, body fat mass, total water content, phase angle, and resistance were measured, and the dielectric constant ( ⁇ Si) was also measured between the right and left hands and between the right and left foreheads.
  • Pulse wave data, electrocardiogram data, and bioimpedance were measured for 2 minutes for each subject using Estec BC-3.
  • a device equipped with electrocardiogram, pulse wave monitor, and pulse oximeter functions was attached to the subject's left index finger, and two electrodes were attached to the forehead. placed on top.
  • ⁇ Learning model 1> In learning model 1, as shown in FIG. 4, machine learning by linear regression, neural network (NN), and gradient boosted regression tree (XGBoost) is performed in parallel, and these learning results are further subjected to ridge learning ( Ridge regression). At this time, the following data were selected and used as attribute information and non-invasive biological data.
  • NN neural network
  • XGBoost gradient boosted regression tree
  • ESG9+10 is the average impedance value measured at the site shown in FIG.
  • Example 1 a total of 712 subjects' (1) attribute information, (2) height and weight scale, sphygmomanometer, and noninvasive biological information measured by Estech BC-3, and (3) noninvasive biological information Using a blood neutral fat training data set obtained from a blood test performed on the same day as the measurement, a blood neutral fat estimation model was generated through machine learning of learning model 1 above. In addition, in machine learning, the value which converted the measured value of blood triglyceride obtained by the blood test into logarithm is used.
  • the estimation accuracy of the blood triglyceride estimation model was determined by calculating the correlation coefficient with the logarithm of the blood triglyceride measurement value obtained by the blood test.
  • the average error between the blood triglyceride estimated value and the blood triglyceride measurement value obtained by the blood test was 12.4, the standard deviation was 53.7, and the standard error was 4.03. became.
  • the correlation coefficient between the logarithm of the measured blood triglyceride value obtained by the blood test and the logarithm of the blood triglyceride estimated value estimated by the blood triglyceride estimation model was 0.63.
  • the p-value of the non-correlation test is less than 0.001, and between the logarithmic value of the blood triglyceride estimated by this estimation model and the measured value of the blood triglyceride obtained by the blood test is correlated.
  • blood triglyceride risk that is, whether the blood triglyceride value is normal or not It is also possible to determine
  • FIG. 7 is a flow chart showing a procedure for generating a blood triglyceride risk estimation model by machine learning.
  • the learning processing unit 35 preprocesses input data (for example, the training data set described above). Specifically, the learning processing unit 35 determines that the measured value of the blood neutral fat obtained by the blood test is 0 (no risk) if the blood neutral fat is less than 150 mg/dL, and if it is 150 mg/dL or more, Convert to 1 (at risk).
  • Training samples may be generated artificially. That is, in the input data (training data set), a label indicating the presence or absence of the blood triglyceride risk (for example, 0 or 1 described above) is added based on the blood triglyceride measurement value measured from the blood.
  • the learning processing unit 35 performs (1) machine learning by the first neural network (NN) having the structure shown in FIG. 8, or (2) the second neural network (NN) having the structure shown in FIG.
  • machine learning using gradient boosted regression trees can use software libraries such as XGBoost, CatBoost, and LightBGM.
  • step ST303 the learning processing unit 35 further performs ensemble learning on the learning results of logistic regression, second neural network (NN), gradient boosted regression tree, and random forest machine learning.
  • step ST302 if only the first neural network (NN) is used for machine learning, ensemble learning (voting) in step ST303 is unnecessary.
  • FIG. 8 shows the structure of a first neural network (NN) used as a blood triglyceride risk estimation model.
  • D is the number of inspection items.
  • the structure of the first neural network (NN) converts data in the order of D dimension, 96 dimension, 64 dimension and 1 dimension via three layer groups (Compile A1, Compile A2, Compile B).
  • Compile A1 and A2 include a fully connected layer “Linear” that performs fully connected processing, a "Kernel Regularizer” that performs regularization, and a "ReLU” layer that performs ReLU processing. It includes a fully connected layer 'Linear' that performs the optimization process, and an 'Adam' layer that performs the optimization process.
  • the input unit of the fully connected layer of the layer group Compile A1 corresponds to the input layer
  • the output unit of the layer group Compile B corresponds to the output layer
  • the units between these correspond to the intermediate layers (hidden layers).
  • the intermediate layer includes a Dropout layer that suppresses some input values to 0 to prevent overfitting and a Batch_Normalization (BN) layer that normalizes and passes numerical values to the next layer.
  • BN Batch_Normalization
  • Fig. 9 shows the structure of the second neural network (NN) used as the blood triglyceride risk estimation model.
  • D is the number of inspection items.
  • the structure of the second neural network (NN) transforms data in the order of D dimension, 64 dimension, 64 dimension, 64 dimension, 1 dimension through four layers (Compile A1, Compile A2, Compile A3, Compile B) doing.
  • Logistic Regression provided by Scikit-learn, an open source machine learning library for Python, can be used. Also, if necessary, the number of dimensions may be compressed by principal component analysis.
  • C Logistic Regression
  • Regularization method means L1 regularization or L2 regularization, which is selected.
  • max_iter is the maximum number of iterations to learn.
  • the solver chooses a convergence method (eg L-BFGS method, Newton CG method, liblinear, sag and saga) that minimizes the cross-entropy error.
  • a convergence method eg L-BFGS method, Newton CG method, liblinear, sag and saga
  • the liblinear method was selected in Example 2 below.
  • Software libraries such as XGBoost, CatBoost, and LightBGM can be used for machine learning using gradient boosted regression trees.
  • XGBoost max_depth, subsample, colsample_bytree, learning_rate.
  • max_depth is the depth of the decision tree
  • subsample is the percentage of randomly sampled samples in each tree
  • colsample_bytree is the percentage of randomly sampled columns in each tree
  • learning_rate indicates the learning rate.
  • max_depth was adjusted in the range of 1-10, subsample 0.3-0.7, colsample_bytree 0.3-1.0, learning_rate 0.1-0.9.
  • Random Forest Classifier provided by Scikit-learn, an open source machine learning library for Python, can be used.
  • we compared the blood triglyceride risk measurement value obtained by blood test and the blood triglyceride risk estimated value estimated by machine learning, and used the Random Forest Classifier to maximize the f1 score.
  • max_depth is the depth of the decision tree and max_features specifies the randomness of each tree.
  • n_estimators is the number of decision trees to build. However, max_depth is None or 1 to 7, subsample is 0.3 to 0.7, max_features is selected from “auto”, “sqrt”, and “log”, and n_estimator is adjusted in the range of 10 to 1000. .
  • step ST401 the first acquisition unit 31 of the blood triglyceride estimation device 30 acquires user attribute information from the terminal device 10.
  • step ST402 the second acquisition unit 32 of the blood triglyceride estimation device 30 acquires non-invasive biological information of the user.
  • the user's attribute information and non-invasive biological information are stored in the user data storage unit 33 .
  • step ST403 the blood triglyceride risk estimation model stored in the estimation model storage unit 36 is used by the estimation processing unit 37 to estimate the blood triglyceride risk, that is, class 0 (no risk).
  • the probability of belonging to class 1 is calculated.
  • the calculated blood triglyceride risk estimated value is output to and stored in the estimated data storage unit 38.
  • the blood triglyceride risk estimated value is sent to an external terminal such as the display device 39. display.
  • Attribute information includes ID, name, age, sex, or a combination thereof
  • non-invasive biometric information includes BMI, blood pressure, pulse wave data, electrocardiogram data, bioimpedance, or combinations thereof.
  • Height and weight which are the criteria for calculating BMI, were measured using a height scale and weight scale, respectively, and blood pressure was measured using a sphygmomanometer. Pulse wave data, electrocardiogram data, and bioimpedance were measured by Estech BC-3 (Ryobi Systems).
  • the non-invasive biometric information may be acquired using a predetermined wearable terminal.
  • Bioimpedance (conductance) was measured by passing a weak electric current between two of six electrodes on both feet, both hands, and left and right forehead. The voltage and current were 1.28 V, 200 ⁇ A and the conductance was measured for 32 milliseconds per second. Current was applied to two of the six electrodes, and (1) anode/cathode conductance ( ⁇ S), (2) cathode/anode conductance ( ⁇ S), (3) conductance measured in (1) above.
  • Pulse wave data, electrocardiogram data, and bioimpedance were measured for 2 minutes for each subject using Estec BC-3.
  • a device equipped with electrocardiogram, pulse wave monitor, and pulse oximeter functions was attached to the subject's left index finger, and two electrodes were attached to the forehead. placed on top.
  • ⁇ Learning model 2> machine learning was performed by the first neural network (NN) having the structure shown in FIG. At this time, the data shown below were selected and used as non-invasive biological data.
  • A Attribute information/Age
  • B Non-invasive biological data/BMI/Blood pressure: systolic blood pressure, pulse pressure/pulse wave data: pulse rate/biological impedance: lean body mass (kg), gross Moisture content (%), 13 left foot-14 right foot/SCRA, ESG6+13+19 (%)
  • ⁇ Learning model 3 In learning model 3, machine learning by logistic regression, gradient boosting, and random forest is performed in parallel with machine learning by the second neural network shown in FIG. 9, and ensemble learning by voting is performed on these learning results. By doing so, we created a blood triglyceride risk estimation model. At this time, the data shown below were selected and used as non-invasive biological data. Unlike learning model 2, learning model 3 does not require subject attribute information.
  • BMI/blood pressure systolic blood pressure
  • diastolic blood pressure Pulse wave data: elastic index, LVET, pulse rate/bioimpedance: body fat mass (kg), lean fat rate (%), muscle mass, total water content (%), R ( ⁇ ), cardiac output, 13 left leg-14 right leg/SCRA, EGS9+10 ( ⁇ S/m)
  • Example 2 In Example 2, (1) attribute information of 321 subjects, (2) height and weight scale, sphygmomanometer, and noninvasive biological information measured by Estec BC-3, and (3) noninvasive biological information measurement and A blood triglyceride risk estimation model was generated through machine learning of learning model 2 above using a blood triglyceride training data set obtained from a blood test performed on the same day. Then, the estimated accuracy of the blood triglyceride risk estimation model was evaluated by the ROC_AUC curve. As a result, ROC_AUC showed 0.80, which indicates an extremely good classification.
  • FIG. 11 shows the ROC_AUC curve of the estimation result of Example 2. In FIG.
  • Example 3 (1) attribute information of a total of 712 subjects, (2) height and weight scale, sphygmomanometer, and noninvasive biological information measured by Estec BC-3, and (3) noninvasive biological information Using a blood triglyceride training data set obtained from a blood test performed on the same day as the measurement, a blood triglyceride risk estimation model was generated through machine learning of learning model 3 above. Then, the estimated accuracy of the blood triglyceride risk estimation model was evaluated by the ROC_AUC curve. As a result, ROC_AUC showed 0.77, exceeding 0.7 indicating that good classification was achieved.
  • FIG. 12 shows the ROC_AUC curve of the estimation result of Example 3. In FIG.
  • BMI is not acquired by wearable terminals, etc., but is obtained from the height and weight entered by the user. Since the risk can be acquired, convenience for the user is improved.
  • the method of estimating BMI is not particularly limited, for example, BMI is known to be correlated with the inclination of the user's abdomen (at a predetermined position). Therefore, for example, a predetermined acceleration sensor is provided on the abdomen of the user (or a wristband-type wearable terminal equipped with an acceleration sensor is applied to the abdomen), and the inclination of the abdomen is calculated based on the data output from the acceleration sensor. may be obtained and estimated BMI.
  • pulse wave data may also be estimated using a wristband-type wearable terminal equipped with a pulse wave sensor or a mid-oxygen concentration sensor, etc., in the same manner as described above.
  • blood pressure may also be estimated using a wristband-type wearable terminal or the like in the same manner as described above. Since it is known that there is a correlation between the speed of the pulse wave sent through the artery by the heartbeat and the blood pressure, using a predetermined sensor that measures the speed of the pulse wave sent through the artery by the heartbeat, Blood pressure may be estimated.
  • electrocardiogram data may also be estimated using a wristband-type wearable terminal or the like in the same manner as described above.
  • the electrocardiogram data can be estimated based on the data obtained from the electrodes provided on the surface opposite to the display surface of the wristband wearable terminal and the electrodes provided on the display surface side.
  • the wrist of a hand for example, left hand wearing a wristband-type wearable terminal is in contact with the electrode provided on the opposite side, and the hand attached to the electrode provided on the display surface side
  • Electrocardiogram data may be estimated from data obtained by contacting the fingertips of the opposite hand (eg, right hand).
  • bioimpedance may also be estimated using a wristband-type wearable terminal or the like equipped with various electrodes.
  • bioimpedance may be estimated based on biometric information obtained from the chest and wrist using a wristband-type wearable terminal or the like.
  • the biological information that can be acquired by the wearable terminal and the above-mentioned estimation target biological information are used as teacher data
  • a classifier generated using various machine learning algorithms may be used to estimate the biometric information of the estimation target described above.
  • the above-described second acquisition unit may acquire the estimated biological information.
  • the series of processes described above can be executed by hardware or by software.
  • the functional configuration described above is merely an example and is not particularly limited. In other words, it is sufficient for the information processing system to have a function capable of executing the series of processes described above as a whole, and what kind of functional block is used to realize this function is not particularly limited to the example described above.
  • the locations of the functional blocks are not particularly limited to those shown in FIG. 1, and may be arbitrary.
  • the functional blocks of the server may be transferred to another terminal, device, or the like.
  • functional blocks of other terminals or devices may be transferred to a server or the like.
  • one functional block may be composed of hardware alone, software alone, or a combination thereof.
  • the computer may be a computer built into dedicated hardware. Also, the computer may be a computer capable of executing various functions by installing various programs, such as a server, a general-purpose smart phone, or a personal computer.
  • a recording medium containing such a program not only consists of a removable medium (not shown) that is distributed separately from the device main body in order to provide the program to the user, etc., but is also preinstalled in the device main body and stored in the user's memory. It is composed of a recording medium etc. provided for Since the program can be distributed via a network, the recording medium may be installed in or accessible to a computer connected or connectable to the network.
  • the steps of writing a program recorded on a recording medium are not necessarily processed chronologically according to the order, but may be executed in parallel or individually. It also includes the processing to be performed.
  • the term "system” means an overall device composed of a plurality of devices, a plurality of means, or the like.
  • blood neutral fat estimation system 10 terminal device 20 biological information measuring device 30 blood neutral fat estimation device 31 first acquisition unit 32 second acquisition unit 33 user data storage unit 34 training data storage unit 35 learning processing unit 36 estimation model storage unit 37 estimation processing unit 38 estimation data storage unit 39 display device 300 computer 301 processor 302 memory 303 storage 304 input/output port 305 communication port

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • Cardiology (AREA)
  • Psychiatry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Epidemiology (AREA)
  • Databases & Information Systems (AREA)
  • Primary Health Care (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Pulmonology (AREA)
  • Vascular Medicine (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Optics & Photonics (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

【課題】従来、血中中性脂肪の測定には被験者の皮膚に針等を刺して侵襲的に血液を採取する必要があり、被験者にとって心理的または肉体的な負担を伴うという課題があった。 【解決手段】本発明によれば、事前に取得した複数の被験者の属性情報、非侵襲な生体情報、および血液検査の検査データに基づき機械学習により血中中性脂肪推定モデルを生成することで、所定のユーザの属性情報および／または非侵襲な生体情報から非侵襲に血中中性脂肪を推定することが可能となる。

Description

血中中性脂肪推定装置、血中中性脂肪推定方法及びプログラム
　本発明は、血中中性脂肪推定装置、血中中性脂肪推定方法及びプログラムに関する。
　従来、血中中性脂肪は、被験者の血液を採取して測定するのが一般的である。しかしながら、この方法では侵襲的に被験者の皮膚に針等を刺す必要があり、被験者にとって心理的または肉体的な負担を伴うという課題があった。非侵襲的に血中中性脂肪を推定する方法として、特許文献１には、指先に特定の波長の光線を照射し、血中中性脂肪を推定する方法が記載されている。
特許第６２４１８５３号公報
Psychology Research and Behavior Management 2011:4 81-86、Summary of the clinical investigations E.S.Teck Complex March, 20, 2010要旨 R. N. Chua, Y. W. Hau, C. M. Tiew and W. L. Hau, "Investigation of Attention Deficit/Hyperactivity Disorder Assessment Using Electro　Interstitial Scan Based on Chronoamperometry Technique," in IEEE　Access, vol. 7, pp. 144679-144690, 2019, doi:　10.1109/ACCESS.2019.2938095. Maarek A. Electro interstitial scan system: assessment of 10 years of research and development. Med Devices (Auckl). 2012;5:23-30. doi:10.2147/MDER.S29319
　本発明の目的は、非侵襲に血中中性脂肪を精度よく推定するために、特定の波長の光線を照射することで得られる脈波データに加えて、BMI、血圧、心電図データ、および生体インピーダンス等に基づいて血中中性脂肪を推定することが可能な血中中性脂肪推定装置、血中中性脂肪推定方法及びプログラムを提供することにある。
　本発明に係る血中中性脂肪推定装置は、所定のユーザの属性情報および非侵襲な生体情報を取得する情報取得部と、血中中性脂肪推定モデルを記憶する推定モデル記憶部と、血中中性脂肪推定モデルを用いて、所定のユーザの属性情報および／または非侵襲な生体情報に基づいて、所定のユーザの血中中性脂肪推定値を計算する推定処理部と、を備えることを特徴とする。
　血中中性脂肪推定装置は、訓練データセットを記憶する訓練データ記憶部と、訓練データセットに基づいて、機械学習により血中中性脂肪推定モデルを生成する学習処理部と、をさらに備えることを特徴とする。
　属性情報は、年齢、および性別のいずれか、またはこれらの組み合わせを含み、非侵襲な生体情報は、BMI、血圧、脈波データ、心電図データ、生体インピーダンス、またはこれらの組み合わせを含むことを特徴とする。
　訓練データセットは、被験者の属性情報、非侵襲な生体情報、および血液から測定された血中中性脂肪測定値を含む、ことを特徴とする。
　血中中性脂肪推定値の対数と、血中中性脂肪測定値の対数の相関係数は０．６以上である、ことを特徴とする。
　推定処理部は、血中中性脂肪推定値に替えて血中中性脂肪リスク推定値を計算する、ことを特徴とする。
　学習処理部は、訓練データセットにおいて、血液から測定された血中中性脂肪の測定値に基づいて血中中性脂肪リスクの有無を示すラベルを付加し、ラベルにおいて、血中中性脂肪リスク有りの数と、血中中性脂肪リスク無しの数との差が所定の値以上の場合は、差を小さくするように訓練データセットにおけるサンプルデータを増加させる、ことを特徴とする。
　学習処理部は、異なる種類の訓練データセットに基づいて、それぞれ機械学習により第１血中中性脂肪リスク推定モデルおよび第２血中中性脂肪リスク推定モデルを生成し、推定処理部は、第１血中中性脂肪リスク推定モデルおよび第２血中中性脂肪リスク推定モデルを用いて、所定のユーザの血中中性脂肪リスク推定値を計算する、ことを特徴とする。
　生体情報に含まれるBMI、血圧、脈波データ、心電図データ、および生体インピーダンスのうち少なくとも１つ以上の生体情報を推定する生体情報推定部をさらに備え、情報取得部は、生体情報推定部によって推定された生体情報を所定のユーザの生体情報として取得する、ことを特徴とする。
　血中中性脂肪推定装置に加えて、非侵襲な生体情報を測定する生体情報測定装置をさらに備え、非侵襲血中中性脂肪推定システムを構成することを特徴とする。
　本発明における血中中性脂肪推定方法は、被験者の属性情報、非侵襲な生体情報、および血液から測定された血中中性脂肪測定値を含む訓練データセットを記憶するステップと、訓練データセットに基づいて、機械学習により血中中性脂肪推定モデルを生成するステップと、血中中性脂肪推定モデルを用いて、所定のユーザの属性情報および／または非侵襲な生体情報に基づいて、所定のユーザの血中中性脂肪推定値を計算するステップを含むことを特徴とする。
　本発明におけるプログラムは、被験者の属性情報、非侵襲な生体情報、および血液から測定された血中中性脂肪を含む訓練データセットを記憶するステップと、訓練データセットに基づいて、機械学習により血中中性脂肪推定モデルを生成するステップと、血中中性脂肪推定モデルを用いて、所定のユーザの属性情報および／または非侵襲な生体情報に基づいて、所定のユーザの血中中性脂肪推定値を計算するステップと、をコンピュータに実行させることを特徴とする。
　本発明によれば、非侵襲な生体情報を用いて機械学習により極めて精度良く血中中性脂肪を推定し、または血中中性脂肪のリスクを推定することが可能となる。
血中中性脂肪推定システムの概略構成を示すブロック図である。 ESG（エレクトロスキャングラム）を説明するための図である。 血中中性脂肪推定装置のハードウェア構成図である。 機械学習による血中中性脂肪推定モデルの生成実行手順を示すフローチャートである。 血中中性脂肪推定に使用するニューラルネットワークの階層構造である。 血中中性脂肪推定処理の実行手順を示すフローチャートである。 機械学習による血中中性脂肪リスク推定モデルの生成実行手順を示すフローチャートである。 血中中性脂肪リスク推定に使用する第一のニューラルネットワークの階層構造である。 血中中性脂肪リスク推定に使用する第二のニューラルネットワークの階層構造である。 血中中性脂肪リスク推定処理の実行手順を示すフローチャートである。 実施例２における推定結果のROC_AUC曲線である。 実施例３における推定結果のROC_AUC曲線である。
　以下、実施形態について図面を参照しつつ説明する。なお、実施形態は例示であり、本発明は下記の構成に限定されるものではない。
＜装置の機能＞
　図１～図６を参照して、本実施形態に係る血中中性脂肪推定システム１および血中中性脂肪推定装置３０を説明する。図１は、本実施形態に係る血中中性脂肪推定システム１の概略構成を示すブロック図である。血中中性脂肪推定システム１は、端末装置１０と、生体情報測定装置２０と、血中中性脂肪推定装置３０と、表示装置３９とを備える。
　ここで、「ユーザ」とは、非侵襲に血中中性脂肪またはそのリスクの推定値を得るために、血中中性脂肪推定システムを利用する人をいう。また、「被験者」とは、所定の手続きと同意を得た上で、年齢や性別等の属性情報、非侵襲な生体情報、および血液から測定された血中中性脂肪測定値を、血中中性脂肪推定システムにおいて利用される訓練データセットとして提供する人をいう。
　端末装置１０は、ユーザの属性情報（氏名、ＩＤ、年齢、性別等）が入力可能であり、かつ、入力された情報を有線または無線の通信ネットワークを通じて血中中性脂肪推定装置３０へ出力可能な情報端末であれば、いかなる情報端末であっても構わない。例えば、タブレット端末、スマートフォン、ウェアラブル端末等を含む携帯端末等、またはＰＣ（Ｐｅｒｓｏｎａｌ　Ｃｏｍｐｕｔｅｒ）が挙げられる。なお、身長や体重等は、後述する生体情報測定装置２０により測定してもよい。
　生体情報測定装置２０は、ユーザの非侵襲な生体情報を測定する。ここで、非侵襲な生体情報とは、皮膚内への、または体の開口部への器具の挿入を必要としない方法で取得した生体情報である。非侵襲な生体情報は、市販の身長計、体重計、血圧計、パルスオキシメーター、脈波計、心電図計、インピーダンス測定機、ガルバニック皮膚測定機等を利用して測定することが可能である。また、脈波データ、心電図データ、および生体インピーダンスを同時に測定可能な、エステックBC-3（両備システムズ）を利用することもできる。これらの装置は、ユーザに心理的、または肉体的な負担を与えることなく、非侵襲な生体データを測定することが可能である。
　本発明の実施形態において、非侵襲な生体情報は、ＢＭＩ（ボディマス指数）、血圧、脈波データ、心電図データ、および生体インピーダンスのいずれか、またはこれらの組み合わせを含む。
　ＢＭＩは身長ｈ[m]及び体重ｗ[kg]より、下記の計算式により算出される。
　ＢＭＩ＝w/ h2 [kg/m2]
　血圧には、収縮期血圧、拡張期血圧、脈圧、および平均動脈圧のいずれか、またはその組み合わせが含まれる。
　ここで、脈圧は下記の式により計算される。
　脈圧＝収縮期血圧―拡張期血圧
　また、平均動脈圧は下記の式により計算される。
　平均動脈圧＝拡張期血圧＋脈圧×１／３
　脈波データは、脈波計やパルスオキシメーターにより、指など体の突出した部位にRed LEDから赤色光(～660nm)、IR LEDから近赤外光(～905nm) を照射し、その透過光をフォトトランジスタ測定することで測定される。
　脈波データには、脈拍、弾性指数、末梢血管抵抗、加速度脈波、b/a、e/a、-d/a、高沢式加速度脈波加齢指数、駆出率、LVET、DEI（重拍弾性指数）のいずれか、またはこれらの組み合わせが含まれる。
　ここで弾性指数とは、身長を、指尖容積脈波において収縮期のピークから拡張期のピークが検出されるまでの時間で割って得られる数値である。末梢血管抵抗は、平均動脈圧／心拍出量×８０によって求められる。DEI（重拍弾性指数）は、拡張期血管の弾性を示す指標であり、PWV測定装置により測定可能である。0.3～0.7が正常、0.3以下で高血圧または動脈硬化の可能性があり、0.7以上では急性不安神経症の可能性が示唆される。加速度脈波は、指尖容積脈波（photoplethysmogram：PTG）の二次微分波（second derivative of photoplethysmogram：SDPTG）である。加速度脈波は、初期陽性波（ａ波）、初期陰性波（ｂ波）、収縮中期再上昇波（ｃ波）、収縮後期再降下波（ｄ波）、および拡張初期陽性波（ｅ波）より構成され、上記b/a、e/a、-d/aは、各波高の割合より計算される。加齢に伴ってb/aの上昇およびc/a、d/a、e/aの低下が認められるため、高沢式加速度脈波加齢指数（b-c-d-e）/aにより血管の加齢を評価することができる。駆出率は、各心拍で心室から送られる血液の割合であり、加速度脈波加齢指数に比例する。LVETは左心室排出時間であり、大動脈弁解放後、左室内の血液が大動脈へ駆出される時間である。
　心電図データは、電極による心電図法（ECG）または光電脈波法（PPG）により測定可能である。
　心電図データには、呼吸数、心拍数、RR間隔、RR間隔の標準偏差、MxDMn比率、低周波帯のパワースペクトル、高周波帯のパワースペクトル、心拍数変動指標LF/HF、トータルパワーのいずれか、またはその組み合わせが含まれる。ここで、RR間隔とは、心電図のQRS波から次のQRS波までの間隔である。MxDMn比率とは、時間内の最も長いRR間隔と最も短いRR間隔の比であり、不規則な心拍の指数である。トータルパワーとは、２分間の分間測定における周波数0～0.4Hｚ（VLF,LF,HF）のパワースペクトルのトータルパワーの計算値である。この値は交感神経活動が主に占める自律神経系活動全体を反映する。
　心電図よりパワースペクトル密度を計算することで、高周波のパワースペクトル割合（０．１８７５～０．５０Ｈｚ：HF）、低周波のパワースペクトル割合（０．０５～０．１８７５Ｈｚ：LF）、LF/HF比、超低周波帯のパワースペクトル割合（０～０．０５Ｈｚ：VLF）を計算することができる。
　生体のインピーダンス（コンダクタンス）は、例えば、両脚、両手、左右額の計６か所の電極のうち、２か所の間に微弱な電気を流すことで測定することができる。６か所の電極中で２か所に電流を流すと、（１）アノード/カソードコンダクタンス（μS）、（２）カソード/アノードのコンダクタンス（μS）、（３）上記（１）で測定されたコンダクタンスと上記（２）で測定されたコンダクタンスの差分（デルタSCRA－SCRC）、（４）電気伝導度（μS/m）を測定することが可能である。また、筋量、体脂肪量、総水分量、位相角、抵抗値も同時に測定可能である。さらに、右手⇔左手間、右額⇔左額間で通電している際の誘電率（μSi）も可能である。６か所の電極から２２パターンの通電性を利用し、生体のインピーダンス（コンダクタンス）を測定することが好ましい。
　生体インピーダンスには、体脂肪量（kg）、体脂肪量（%）、除脂肪体重、除脂肪率、筋量、総水分量（kg）、総水分量（%）、細胞内水分量（%)、心拍出量、1額左側-2左手/SCR A、1額左側-2左手/デルタSCR C-SCR A、5左手-6左足/デルタSCR C-SCR A、13左足-14右足/SCR A、15右手-16額左側/デルタSCR C-SCR A、15右手-16額左側SCR C、19右足-20左手/デルタSCR C-SCR A 、ESG2＋4＋15＋17（μS/m）、ESG6＋13＋19（%）、ESG 6＋8＋19＋21 （%）、ESG6＋8＋19＋21（μS/m）、ESG 9＋10（μS/m）、ESG9＋10（%）、左足のコンダクタンス、R（Ω）、位相角、額経路の誘電率、額経路への電気伝導度(9)、片手-片手経路の誘電率手から手への電気伝導度（11,12）、1回拍出量（心拍出量÷心拍数）のいずれか一つまたはこれらの組み合わせを含む。
　ここで、SCRとは皮膚コンダクタンス反応（skin conductance response）の略称であり、ESGとはエレクトロスキャングラムの略称である。ESG2＋4＋15＋17の「＋」は、身体に添付されたどの電極で測定されたかを意味する。例えば、ESG2＋4＋15＋17とは、図2に示すように左手から左額へ通電した際の左手、右手から右額へ通電した際の右手、右手から左額へ通電した際の右手、左手から右額へ通電した際の左手で測定されたコンダクタンスの平均値を意味する。これらコンダクタンスに関しては非特許文献１に詳細な記載がある。なお、ESG（エレクトロスキャングラム）の測定方法については、非特許文献２、３に詳細が記載されている。
　「1額左側-2左手/SCR A」は、「1額左側」がカソード、「2左手」がアノード方向となるように電気が流れた際に測定された経路のコンダクタンス（または伝導性）であり、「5左手-6左足/デルタSCR C-SCR A」は、「5左手」、「6左足」間でアノード-カソード、カソード-アノードとなるよう通電した際に測定されたコンダクタンスの差分である。
　ＢＭＩおよび血圧については、身長体重計、血圧計によって測定可能である。
　測定された非侵襲な生体情報は、有線または無線の通信ネットワークを通じて血中中性脂肪推定装置３０へ出力される。生体情報測定装置２０は、備え付けの測定装置であっても、ウェアラブル端末のように可搬可能な測定装置であってもよい。
　血中中性脂肪推定装置３０は、第1取得部３１と、第2取得部３２と、ユーザデータ記憶部３３と、訓練データ記憶部３４と、学習処理部３５と、推定モデル記憶部３６と、推定処理部３７と、推定データ記憶部３８とを備える。第1取得部３１は、端末装置１０よりユーザの属性情報を取得する。また、第2取得部３２は、生体情報測定装置２０より、ユーザの非侵襲な生体情報を取得する。
　ユーザデータ記憶部３３は、第1取得部３１及び第2取得部３２より取得したユーザの属性情報と非侵襲な生体情報を記憶する。
　訓練データ記憶部３４は、機械学習のための訓練データセットとして、事前に取得した複数の被験者の属性情報と、非侵襲な生体情報と、血液検査により得られた血中中性脂肪等の検体検査情報（測定値）より構成される訓練データセットが複数記憶されている。なお、検体検査情報には、血液、尿、便等から得られた検査情報をさらに含めても良い。
　学習処理部３５は、訓練データ記憶部３４に記憶されている訓練データセットを取得し、訓練データセットを用いて血中中性脂肪の推定モデルを作成する。具体的には、取得した訓練データセットを正規化し、ニューラルネットワーク（ＮＮ）やXGBoostなどの勾配ブースティング、線形回帰等の機械学習により、属性情報および非侵襲な生体情報と、血液検査により得られた血中中性脂肪の関係を学習し、非侵襲な生体情報から血中中性脂肪を推定する推定モデルを生成する。
　推定モデル記憶部３６は、学習処理部３５により生成した血中中性脂肪の推定モデルを記憶する。
　非侵襲な生体情報には、ＢＭＩ、血圧、脈波データ、心電図データおよび生体インピーダンスのいずれか、またはその組み合わせが含まれる。
　推定処理部３７は、学習処理部３５により生成した推定モデルを用いて、所定のユーザの属性情報および／または非侵襲な生体情報に基づいて、ユーザの血中中性脂肪を推定する。そして、血中中性脂肪推定値は推定データ記憶部３８に記憶される。
　表示装置３９は、ユーザの属性情報や非侵襲な生体情報と共に、血中中性脂肪推定値を表示することが可能である。なお、これらのデータは、ユーザが保有する端末装置１０に表示されてもよい。
＜装置のハードウェア構成＞
　図３は、血中中性脂肪推定装置３０のハードウェア構成図である。図３に示すように、血中中性脂肪推定装置３０は、一つまたは複数のプロセッサ３０１と、メモリ３０２と、ストレージ３０３と、入出力ポート３０４と、通信ポート３０５とを有するコンピュータ３００により構成される。プロセッサ３０１は、プログラムを実行することにより本実施形態に係る血中中性脂肪推定に関する処理を行う。メモリ３０２は、プログラム及びプログラムの演算結果を一時的に記憶する。ストレージ３０３は、血中中性脂肪推定装置３０による処理を実行するプログラムを格納している。ストレージ３０３は、コンピュータにより読み取り可能であればどのようなものであっても良く、例えば、記録媒体（磁気ディスク、光ディスク等）、ランダムアクセスメモリー、フラシュタイプメモリー、リードオンリーメモリー等の種々の記録媒体を利用することができる。入出力ポート３０４は、端末装置１０および生体情報測定装置２０より情報を入力したり、表示装置３９へ血中中性脂肪推定値の出力を行う。通信ポート３０５は、図示しない他のコンピュータ等の情報端末との間でデータの送受信を行う。通信の方法は、無線通信、有線通信を利用することができる。なお、血中中性脂肪推定装置３０は、市販のデスクトップPCまたはノートPCにより実装することが可能であり、推定モデルを用いた中性脂肪の推定値の算出に要する時間は数秒である。
　なお、血中中性脂肪推定装置３０のプロセッサ３０１においては、動作する際に、上述の第１取得部３１、第２取得部３２、学習処理部３５、推定処理部３７等が機能する。
＜機械学習による血中中性脂肪推定モデルの生成＞
　図４は、機械学習による血中中性脂肪推定モデルの生成実行手順を示すフローチャートである。
　ステップST101では、学習処理部３５は、入力データ（例えば、上述の訓練データセット）の前処理を行う。具体的には、学習処理部３５は、各被験者の性別の属性情報をＯｎｅ－ｈｏｔベクトルへ変換する。また、学習処理部３５は、性別以外の属性情報と、各被験者の非侵襲な生体情報と、血液検査により得られた血中中性脂肪の測定値の対数をyeo-johnson変換やboc-box変換等により正規化する。
　ステップST102では、学習処理部３５は、線形回帰、ニューラルネットワーク（NN）、および勾配ブースティング回帰木による機械学習を並行して行わせる。なお、線形回帰、ニューラルネットワーク（NN）、および勾配ブースティング回帰木のうち、いずれか一つを選択、または二つを組み合わせて用いてもよい。また、勾配ブースティングのハイパーパラメータ調整にはグリッドサーチを用いてもよい。
　勾配ブースティング回帰木による機械学習では、XGBoost、CatBoost、LightBGM等のソフトウェアライブラリを用いることができる。
　ステップST103では、学習処理部３５は、線形回帰、ニューラルネットワーク（NN）、および勾配ブースティング回帰木による学習結果について、さらにアンサンブル学習（Ridge回帰）を行う。なお、ステップST102において、線形回帰、ニューラルネットワーク（NN）、および勾配ブースティング回帰木のいずれか一つを選択した場合には、ステップST103におけるアンサンブル学習（Ridge回帰）は不要である。
　学習処理部３５は、上述の学習処理によって生成された血中中性脂肪の推定モデルを、推定モデル記憶部３６に記憶する。
　線形回帰による機械学習は、例えばPythonのオープンソース機械学習ライブラリであるScikit-learnにて提供されているlinear regressionを用いることができる。また、必要に応じて主成分分析により次元数を圧縮してもよい。
　なお、上述の機械学習アルゴリズムは一例であって、これらに限定されるものではない。
　図５は、推定モデルとして使用するニューラルネットワーク（NN）の構造である。長方形はデータの変換を行う層群を示し、角丸長方形は入出力データを示している。Dは検査項目の数である。図５の推定モデルは、４つの層群（CompileA1～CompileA3、CompileB）を介し、D次元、96次元、96次元、96次元、１次元の順にデータを変換している。
　また、図５に示すように、Compile A1～A3は、全結合処理を行う全結合層「Linear」、正則化を行う「Kernel Regularizer」、およびReLU処理を行う「ReLU」層を含み、層群Compile Bは、全結合層「Linear」、および最適化処理を行う「Adam」層を含む。層群Compile A1の全結合層の入力ユニットが入力層、層群Compile Bの出力ユニットが出力層、これらの間にあるユニットが中間層（隠れ層）に相当する。中間層には一部の入力値を０に抑え過学習を防止するDropout層および学習時のミニバッチごとに正規化を行うBN（Batch Normalization）層が含まれる。
　勾配ブースティング回帰木による機械学習においてXGBoostを用いた場合、血液検査により得られた血中中性脂肪と血中中性脂肪の推定値の残差を計算し、平均二乗誤差が最小となるようにXGBoostの各パラメータ（max_depth、subsample、colsample_bytree、learning_rate）を調整し、推定モデルを生成した。max_depthは決定木の深さであり、subsampleは各木においてランダムに抽出される標本の割合であり、colsample_bytreeは各木においてランダム抽出される列の割合であり、learning_rateは学習率を示す。ただし、max_depthは1～10、subsampleは0.1～1.0、colsample_bytreeは0.3～1.0、learning_rateは0.1～0.7の範囲で調整を行った。
＜血中中性脂肪推定モデルを用いた血中中性脂肪の推定＞
　図６は血中中性脂肪推定処理の実行手順を示すフローチャートである。
　ステップST201では、血中中性脂肪推定装置３０の第１取得部３１は、端末装置１０よりユーザの属性情報を取得する。ステップST202では、血中中性脂肪推定装置３０の第２取得部３２は、ユーザの非侵襲な生体情報を取得する。そして、ユーザの属性情報と非侵襲な生体情報をユーザデータ記憶部３３に記憶する。そして、ステップST203では、推定モデル記憶部３６に格納されている血中中性脂肪推定モデルを用いて、推定処理部３７により血中中性脂肪推定値を算出する。
　ステップST204では、算出された血中中性脂肪推定値を推定データ記憶部３８へ出力して記憶させ、ステップST205では、血中中性脂肪推定値を表示装置３９等の外部端末へ表示させる。
　＜実施例（血中中性脂肪推定）＞
　以下に本願発明の実施例を記載する。但し、本発明は以下の実施例に限定されるものではない。
　属性情報には、ＩＤ、氏名、年齢、性別のいずれか、またはこれらの組み合わせが含まれ、非侵襲な生体情報には、BMI、血圧、脈波データ、心電図データ、および生体インピーダンスのいずれか、またはこれらの組み合わせが含まれる。BMIの算出基準となる身長、体重については、それぞれ身長計および体重計により計測し、血圧については血圧計により測定した。また、脈波データ、心電図データ、生体インピーダンスについては、エステックBC-3（両備システムズ）により測定した。なお、エステックBC-3に替えて、市販の脈波計、心電図計、インピーダンス測定装置、パルオキシメーターを組み合わせて使用してもよい。また、所定のウェアラブル端末を用いて、上述の非侵襲な生体情報を取得してもよい。
　生体インピーダンス（コンダクタンス）の測定は、両脚、両手、左右額の計6か所の電極のうち、２か所の間に微弱な電気を流すことで測定した。電圧と電流は1.28V, 200 μAとし、コンダクタンスは1秒につき32ミリ秒間測定した。６か所の電極中で２か所に電流を流し、（１）アノード/カソードコンダクタンス（μS）、（２）カソード/アノードのコンダクタンス（μS）、（３）上記（１）で測定されたコンダクタンスと上記（２）で測定されたコンダクタンスの差分（デルタSCRA－SCRC）、（４）電気伝導度（μS/m）を測定した。
　また、筋量、体脂肪量、総水分量、位相角、抵抗値を測定し、右手⇔左手間、右額⇔左額間で通電している際の誘電率（μSi）も測定した。
　エステックBC-3により、各被験者について、脈波データ、心電図データ、および生体インピーダンスの測定を２分間行った。測定に際しては、被験者の左手人差し指には心電図、脈波計、およびパルオキシメーターの機能を備えたデバイスを、額には電極を２個装着し、椅子に座った状態で両手両足を電極板の上に置かせた。
＜学習モデル１＞
　学習モデル１では、図４に示すように、線形回帰、ニューラルネットワーク（NN）、および勾配ブースティング回帰木（XGBoost）による機械学習を並行して行わせ、これらの学習結果について、さらにリッジ学習（Ridge回帰）を行わせた。
　この際、属性情報、および非侵襲な生体データとして下記に示すデータを選択し、使用した。（Ａ）属性情報・性別・年齢（Ｂ）非侵襲な生体データ・ＢＭＩ・血圧・・・平均動脈圧、脈圧・脈波データ・・・脈拍、弾性指数、LVET（左心室排出時間）、b/a、加速度脈波加齢指数、DEI（重拍弾性指数）・心電図データ・・・心拍数、MxDMn比率、LF/HF・生体インピーダンス・・・体脂肪量（kg）、体脂肪量（%）、筋量、ESG2＋4＋15＋17（μS/m）、ESG 9＋10（μS/m）、R（Ω）、心拍出量、額経路への電気伝導度（9）
　ここで、ESG9＋10は図２に示す部位で測定されたインピーダンスの平均値である。[μS/m]は実測平均値の単位であり、[%]は通常計測され得る範囲内に実測平均値をスケール変換した値である。また、非侵襲な生体データには脈圧／脈拍がさらに含まれる。
＜実施例１＞
　実施例１では、のべ被験者７１２名の（１）属性情報、（２）身長体重計、血圧計、およびエステックBC-3により測定した非侵襲な生体情報、および（３）非侵襲な生体情報測定と同日に行われた血液検査により得られた血中中性脂肪の訓練データセットを用いて、上記学習モデル１の機械学習を通じて、血中中性脂肪推定モデルを生成した。なお、機械学習では、血液検査により得られた血中中性脂肪の測定値を対数に変換した値を用いている。
　そして、血中中性脂肪推定モデルの推定精度を、血液検査により得られた血中中性脂肪の測定値の対数との相関係数を計算することにより判定した。
　その結果、血中中性脂肪推定値と、血液検査により得られた血中中性脂肪の測定値との誤差の平均は１２．４、標準偏差は５３．７、標準誤差は４．０３となった。血液検査により得られた血中中性脂肪の測定値の対数と、血中中性脂肪推定モデルにより推定された血中中性脂肪推定値の対数の相関係数は０．６３であった。また、無相関検定の結果ｐ値は０.００１未満であり、本推定モデルにより推定された血中中性脂肪の対数値と血液検査により得られたの血中中性脂肪の測定値の間には相関関係がある。
　上記のように、ＢＭＩ（ボディマス指数）、血圧、脈波データ、心電図データ、および生体インピーダンス等を含む非侵襲生体データに基づき機械学習により血中中性脂肪推定モデルを生成することで、血液検査を行うことなく血中中性脂肪の推定を行うことが可能となる。
　また、下記に示すように、非侵襲生体データに含まれる各データの数を限定した場合であっても、「血中中性脂肪リスク」、すなわち血中中性脂肪の値が正常か否かの判定を行うことも可能である。
＜機械学習による血中中性脂肪リスク推定モデルの生成＞
　本発明によれば、血中中性脂肪推定値に替えて血中中性脂肪リスク推定値を計算することも可能である。
　図７は、機械学習による血中中性脂肪リスク推定モデルの生成実行手順を示すフローチャートである。
　ステップST301では、学習処理部３５は、入力データ（例えば、上述の訓練データセット）の前処理を行う。具体的には、学習処理部３５は、血液検査により得られた血中中性脂肪の測定値について、血中中性脂肪150 mg/dL未満を0（リスク無し）、150 mg/dL以上を1（リスク有り）に変換する。また、学習処理部３５は、0と分類された人数と１と分類された人数が乖離し不均衡な場合は、学習データに対してSMOTE （Chawla, NV. et al. 2002）を適用し、人工的にトレーニングサンプルを生成してもよい。すなわち、入力データ（訓練データセット）において、血液から測定された血中中性脂肪の測定値に基づいて血中中性脂肪リスクの有無を示すラベル（例えば、上述の０または１）を付加し、当該ラベルにおいて、血中中性脂肪リスク有り（ラベル：１）の数と、血中中性脂肪リスク無し（ラベル：０）の数との差が所定の値以上の場合は、この差を小さくするように訓練データセットにおけるサンプルデータを増加（生成）させてもよい。
　ステップST302では、学習処理部３５は、（１）図８に示す構造の第一のニューラルネットワーク（NN）による機械学習、または（２）図９に示す構造の第二のニューラルネットワーク（NN）に加えて、ロジスティック回帰、勾配ブースティング回帰木、およびランダムフォレストによる機械学習を並行して行わせる。
　勾配ブースティング回帰木による機械学習では、XGBoost、CatBoost、LightBGM等のソフトウェアライブラリを用いることができる。
　ステップST303では、学習処理部３５は、ロジスティック回帰、第二のニューラルネットワーク（NN）、勾配ブースティング回帰木、およびランダムフォレストによる機械学習による学習結果について、さらにアンサンブル学習を行う。なお、ステップST302において、機械学習に第一のニューラルネットワーク（NN）のみを使用する場合には、ステップST303におけるアンサンブル学習（投票）は不要である。
　図８は、血中中性脂肪リスク推定モデルとして使用する第一のニューラルネットワーク（NN）の構造である。Dは検査項目の数である。第一のニューラルネットワーク（NN）の構造は、３つの層群（Compile A1、Compile A2、Compile B）を介し、D次元、９６次元、６４次元、１次元の順にデータを変換している。
　また、Compile A1、A2は、全結合処理を行う全結合層「Linear」、正則化を行う「Kernel Regularizer」、ReLU処理を行う「ReLU 」層を含み、層群Compile Bは、全結合処理を行う全結合層「Linear」、および最適化処理を行う「Adam」層を含む。層群Compile A1の全結合層の入力ユニットが入力層、層群Compile Bの出力ユニットが出力層、これらの間にあるユニットが中間層（隠れ層）に相当する。中間層には一部の入力値を０に抑え過学習を防止するDropout層および正規化して次の層に数値を渡すBatch_Normalization（BN）層が含まれる。
　図９は、血中中性脂肪リスク推定モデルとして使用する第二のニューラルネットワーク（NN）の構造である。Dは検査項目の数である。第二のニューラルネットワーク（NN）の構造は、４つの層群（Compile A1、Compile A2、CompileA3、Compile B）を介し、D次元、64次元、64次元、64次元、１次元の順にデータを変換している。
　ロジスティック回帰による機械学習では、例えばPythonのオープンソース機械学習ライブラリであるScikit-learnにて提供されているLogistic Regressionを用いることができる。また、必要に応じて、主成分分析により次元数を圧縮してもよい。また、血液検査により得られた血中中性脂肪のリスクと機械学習により推定された血中中性脂肪リスクの推定値を比較し、f1スコアが最大となるようにLogistic Regressionの各パラメーター（C、正則化方法、max_iter、solber）を調整した。ここで、Cとは正則化の強度を決定するトレードオフパラメータであり、値が大きいほど正則化強度は弱くなる。正則化方法とは、L1正則化またはL2正則化を意味し、これを選択する。max_iterは、学習を反復する最大回数である。solberでは交差エントロピー誤差を最小化する収束方法（例えば、L-BFGS法、ニュートンCG法、liblinear、sagおよびsaga）を選択する。なお、下記の実施例２ではliblinear法を選択した。
　なお、上述の機械学習アルゴリズムは一例であって、これらに限定されるものではない。
　勾配ブースティング回帰木による機械学習には、XGBoost、CatBoost、LightBGM等のソフトウェアライブラリを用いることができる。また、血液検査により得られた血中中性脂肪リスクの測定値と機械学習により推定された血中中性脂肪リスクの推定値を比較し、f1スコアが最大となるようにXGBoostの各パラメーター（max_depth、subsample、colsample_bytree、learning_rate）を調整した。ここで、max_depthは決定木の深さであり、subsampleは各木においてランダムに抽出される標本の割合であり、colsample_bytreeは各木においてランダム抽出される列の割合であり、learning_rateは学習率を示す。ただし、max_depthは1～10、subsampleは0.3～0.7、colsample_bytreeは0.3～1.0、learning_rateは0.1～0.9の範囲で調整を行った。
　ランダムフォレストによる機械学習には、例えばPythonのオープンソース機械学習ライブラリであるScikit-learnにて提供されているRandom　Forest　Classifierを用いることができる。ここで、血液検査により得られた血中中性脂肪リスクの測定値と機械学習により推定された血中中性脂肪リスクの推定値を比較し、f1スコアが最大となるようにRandom Forest Classifierの各パラメーター（max_depth、max_features、n_estimators）を調整した。max_depthとは決定木の深さであり、max_featuresとは個々の木の乱数性を指定する。n_estimatorsとは構築する決定木の数である。ただし、max_depthは無Noneまたは1～7、subsampleは0.3～0.7、max_featuresは“auto”・“sqrt”・“log”のうち最適なものを選択、n_estimatorは10～1000の範囲で調整を行った。
＜血中中性脂肪リスク推定モデルを用いた血中中性脂肪リスクの推定＞
　図１０に示すように、ステップST401では、血中中性脂肪推定装置３０の第１取得部３１は、端末装置１０よりユーザの属性情報を取得する。ステップST402では、血中中性脂肪推定装置３０の第２取得部３２は、ユーザの非侵襲な生体情報を取得する。そして、ユーザの属性情報と非侵襲な生体情報をユーザデータ記憶部３３に記憶する。そして、ステップST403では、推定モデル記憶部３６に格納されている血中中性脂肪リスク推定モデルを用いて、推定処理部３７により血中中性脂肪リスクの推定値、すなわちクラス０（リスク無し）またはクラス１（リスク有り）に属する確率を算出する。ステップST404では、算出された血中中性脂肪リスクの推定値を推定データ記憶部３８へ出力して記憶させ、ステップST405では、血中中性脂肪リスク推定値を表示装置３９等の外部端末へ表示させる。
　＜実施例（血中中性脂肪リスク推定）＞
　以下に血中中性脂肪リスク推定の実施例を記載する。但し、本発明における血中中性脂肪リスク推定の態様は、以下の実施例に限定されるものではない。
　属性情報には、ＩＤ、氏名、年齢、性別のいずれか、またはこれらの組み合わせが含まれ、非侵襲な生体情報には、BMI、血圧、脈波データ、心電図データ、および生体インピーダンスのいずれか、またはこれらの組み合わせが含まれる。BMIの算出基準となる身長、体重については、それぞれ身長計および体重計により計測し、血圧については血圧計により測定した。また、脈波データ、心電図データ、生体インピーダンスについては、エステックBC-3（両備システムズ）により測定した。なお、エステックBC-3に替えて、市販の脈波計、心電図計、インピーダンス測定装置、パルオキシメーターを組み合わせて使用してもよい。また、所定のウェアラブル端末を用いて、上述の非侵襲な生体情報を取得してもよい。
　生体インピーダンス（コンダクタンス）の測定は、両足、両手、左右額の計6か所の電極のうち、２か所の間に微弱な電気を流すことで測定した。電圧と電流は1.28V, 200μAとし、コンダクタンスは1秒につき32ミリ秒間測定した。６か所の電極中で２か所に電流を流し、（１）アノード/カソードコンダクタンス（μS）、（２）カソード/アノードのコンダクタンス（μS）、（３）上記（１）で測定されたコンダクタンスと上記（２）で測定されたコンダクタンスの差分（デルタSCRA－SCRC）、（４）電気伝導度（μS/m）を測定した。
　また、筋量、体脂肪量、総水分量、位相角、および抵抗値を測定し、右手⇔左手間、右額⇔左額間で通電している際の誘電率（μSi）も測定した。
　エステックBC-3により、各被験者について、脈波データ、心電図データ、および生体インピーダンスの測定を２分間行った。測定に際しては、被験者の左手人差し指には心電図、脈波計、およびパルオキシメーターの機能を備えたデバイスを、額には電極を２個装着し、椅子に座った状態で両手両足を電極板の上に置かせた。
＜学習モデル２＞
　学習モデル２では、図８に示す構造の第一のニューラルネットワーク（NN）による機械学習を行わせた。この際、非侵襲な生体データとして下記に示すデータを選択し、使用した。（Ａ）属性情報・年齢（Ｂ）非侵襲な生体データ・BMI　・血圧・・・収縮期血圧、脈圧・脈波データ・・・脈拍・生体インピーダンス・・・除脂肪体重（kg）、総水分量（%）、13左足-14右足/SCRA、ESG6+13+19（%）
＜学習モデル３＞
　学習モデル３では、図９に示す第二のニューラルネットワークによる機械学習と並行して、ロジスティック回帰、勾配ブースティング、およびランダムフォレストによる機械学習を行わせ、これらの学習結果について投票によるアンサンブル学習を行うことで、血中中性脂肪リスク推定モデルを作成した。この際、非侵襲な生体データとして下記に示すデータを選択し、使用した。なお、上記学習モデル２とは異なり、学習モデル３では被験者の属性情報を必要としない。（Ｂ）非侵襲な生体データ・ＢＭＩ・血圧・・・収縮期血圧、拡張期血圧・脈波データ・・・弾性指数、LVET、脈拍・生体インピーダンス・・・体脂肪量（kg）、徐脂肪率（%）、筋量、総水分量（%）、R（Ω）、心拍出量、13左足-14右足/SCRA、EGS9+10（μS/m）
＜実施例２＞
　実施例２では、被験者３２１名の（１）属性情報、（２）身長体重計、血圧計、およびエステックBC-3により測定した非侵襲な生体情報、および（３）非侵襲な生体情報測定と同日に行われた血液検査により得られた血中中性脂肪の訓練データセットを用いて、上記学習モデル２の機械学習を通じて、血中中性脂肪リスク推定モデルを生成した。
　そして、血中中性脂肪リスク推定モデルの推定精度について、推定結果をROC_AUC曲線により評価した。その結果、ROC_AUCは極めて良好な分類ができていることを示す0.80を示した。実施例２の推定結果のROC_AUC曲線を図１１に示す。
＜実施例３＞
　実施例３では、のべ被験者７１２名の（１）属性情報、（２）身長体重計、血圧計、およびエステックBC-3により測定した非侵襲な生体情報、および（３）非侵襲な生体情報測定と同日に行われた血液検査により得られた血中中性脂肪の訓練データセットを用いて、上記学習モデル３の機械学習を通じて、血中中性脂肪リスク推定モデルを生成した。
　そして、血中中性脂肪リスク推定モデルの推定精度について、推定結果をROC_AUC曲線によって評価した。その結果、ROC_AUCは0.77を示し、良好な分類ができていることを示す0.7を超えた。実施例３の推定結果のROC_AUC曲線を図１２に示す。
（変形例）
　上述の実施形態では、学習モデル２または学習モデル３を用いて血中中性脂肪リスクを推定する例について説明したが、複数の学習モデルを用いて、血中中性脂肪リスクを推定してもよい。
　これにより、１つの学習モデルを用いて血中中性脂肪リスクを推定するよりも、高精度に推定できる。
　また、上述の実施形態および実施例において、学習モデルのデータセットとして、BMIを用いると推定精度が向上する事例が見られたことから、当該BMIを推定する機能部が血中中性脂肪推定装置に設けられてもよい。
　BMIは、一般に、ウェアラブル端末等で取得されず、ユーザの入力した身長や体重から求めているが、当該BMIを推定することで、生体情報のみを取得することにより、上述の血中中性脂肪リスクを取得することができるため、ユーザにとって利便性が向上する。
　BMIの推定方法は特に限定されないが、例えば、BMIは、ユーザの腹部の（所定の位置の）傾きと相関があることが知られている。そこで、例えば、ユーザの腹部に所定の加速度センサを設け（または加速度センサを備えるリストバンド型のウェアラブル端末等を腹部に当てて）、当該加速度センサから出力されるデータに基づいて、腹部の傾きを求め、BMIを推定してもよい。
　また、上述と同様に脈波データについても、脈波センサまたは中酸素濃度センサを備えるリストバンド型のウェアラブル端末等を用いて推定してもよい。
　また、上述と同様に血圧についても、リストバンド型のウェアラブル端末等を用いて推定してもよい。これは、心拍によって動脈を通じて送られる脈波の速度と血圧との相関があることが知られていることから、当該心拍によって動脈を通じて送られる脈波の速度を測定する所定のセンサを用いて、血圧を推定してもよい。
　また、上述と同様に心電図データについても、リストバンド型のウェアラブル端末等を用いて推定してもよい。例えば、リストバンド型のウェアラブル端末の表示面と反対側の面に設けられた電極と、表示面側に設けられた電極から得られるデータに基づいて心電図データを推定することができる。具体的には、上記反対側面に設けられた電極にリストバンド型のウェアラブル端末を装着した手（例えば、左手）の手首が接し、上記表示面側に設けられた電極に当該装着した手とは反対側の手（例えば、右手）の指先が接することで得られるデータから心電図データを推定するとよい。
　また、上述と同様に生体インピーダンスについても、各種電極を備えるリストバンド型のウェアラブル端末等を用いて、生体インピーダンスを推定してもよい。例えば、リストバンド型のウェアラブル端末等を用いて、胸部と手首から得られた生体情報に基づいて、生体インピーダンスを推定するとよい。
　なお、ウェアラブル端末で取得可能な生体情報と、上述の推定対象の生体情報（BMI、血圧、脈波データ、心電図データ、および生体インピーダンスのうち少なくとも１つ以上の生体情報）とを教師データとして、種々の機械学習アルゴリズムを用いて生成した分類器を用いて、上述の推定対象の生体情報を推定してもよい。
　なお、この場合、上述の第２取得部は、推定された生体情報を取得してもよい。
（その他）
　また例えば、上述した一連の処理は、ハードウェアにより実行させることもできるし、ソフトウェアにより実行させることもできる。換言すると、上述の機能的構成は例示に過ぎず、特に限定されない。即ち、上述した一連の処理を全体として実行できる機能が情報処理システムに備えられていれば足り、この機能を実現するためにどのような機能ブロックを用いるのかは特に上述の例に限定されない。また、機能ブロックの存在場所も、図１に特に限定されず、任意でよい。例えば、サーバの機能ブロックを他の端末や装置等に移譲させてもよい。逆に他の端末や装置の機能ブロックをサーバ等に移譲させてもよい。また、一つの機能ブロックは、ハードウェア単体で構成してもよいし、ソフトウェア単体で構成してもよいし、それらの組み合わせで構成してもよい。
　一連の処理をソフトウェアにより実行させる場合には、そのソフトウェアを構成するプログラムが、コンピュータ等にネットワークや記録媒体からインストールされる。コンピュータは、専用のハードウェアに組み込まれているコンピュータであってもよい。また、コンピュータは、各種のプログラムをインストールすることで、各種の機能を実行することが可能なコンピュータ、例えばサーバの他汎用のスマートフォンやパーソナルコンピュータであってもよい。
　このようなプログラムを含む記録媒体は、ユーザ等にプログラムを提供するために装置本体とは別に配布される図示せぬリムーバブルメディアにより構成されるだけでなく、装置本体に予め組み込まれた状態でユーザ等に提供される記録媒体等で構成される。プログラムはネットワークを介して配信可能であることから、記録媒体は、ネットワークに接続された、或いは接続可能なコンピュータに搭載、或いはアクセス可能なものであってもよい。
　なお、本明細書において、記録媒体に記録されるプログラムを記述するステップは、その順序に沿って時系列的に行われる処理はもちろん、必ずしも時系列的に処理されなくとも、並列的あるいは個別に実行される処理をも含むものである。また、本明細書において、システムの用語は、複数の装置や複数の手段等より構成される全体的な装置を意味するものとする。
１　　　血中中性脂肪推定システム
１０　　端末装置
２０　　生体情報測定装置
３０　　血中中性脂肪推定装置
３１　　第１取得部
３２　　第２取得部
３３　　ユーザデータ記憶部
３４　　訓練データ記憶部
３５　　学習処理部
３６　　推定モデル記憶部
３７　　推定処理部
３８　　推定データ記憶部
３９　　表示装置
３００　コンピュータ
３０１　プロセッサ
３０２　メモリ
３０３　ストレージ
３０４　入出力ポート
３０５　通信ポート

 

Claims (12)

  1. 　所定のユーザの属性情報および非侵襲な生体情報を取得する情報取得部と、
    　血中中性脂肪推定モデルを記憶する推定モデル記憶部と、
    　前記血中中性脂肪推定モデルを用いて、前記所定のユーザの属性情報および／または非侵襲な生体情報に基づいて、前記所定のユーザの血中中性脂肪推定値を計算する推定処理部と、を備えることを特徴とする血中中性脂肪推定装置。
  2. 　前記属性情報は、年齢、および性別のいずれか、またはこれらの組み合わせを含み、
    　前記非侵襲な生体情報は、BMI、血圧、脈波データ、心電図データ、および生体インピーダンスのいずれか、またはこれらの組み合わせを含む、ことを特徴とする請求項１に記載の血中中性脂肪推定装置。
  3. 　訓練データセットを記憶する訓練データ記憶部と、
    　前記訓練データセットに基づいて、機械学習により前記血中中性脂肪推定モデルを生成する学習処理部と、をさらに備えることを特徴とする請求項１または２に記載の血中中性脂肪推定装置。
  4. 　前記訓練データセットは、被験者の属性情報、非侵襲な生体情報、および血液から測定された血中中性脂肪測定値を含む、ことを特徴とする請求項３に記載の血中中性脂肪推定装置。
  5. 　前記血中中性脂肪推定値の対数と、前記血中中性脂肪測定値の対数の相関係数は０．６以上である、ことを特徴とする請求項４に記載の血中中性脂肪推定装置。
  6. 　前記訓練データセットは、被験者の非侵襲な生体情報、および血液から測定された血中中性脂肪の測定値を含み、
    　前記推定処理部は、前記血中中性脂肪推定値に替えて血中中性脂肪リスク推定値を計算する、ことを特徴とする請求項３から５のいずれか一項に記載の血中中性脂肪推定装置。
  7. 　前記学習処理部は、
    　　前記訓練データセットにおいて、血液から測定された血中中性脂肪の測定値に基づいて前記血中中性脂肪リスクの有無を示すラベルを付加し、
    　　前記ラベルにおいて、前記血中中性脂肪リスク有りの数と、前記血中中性脂肪リスク無しの数との差が所定の値以上の場合は、前記差を小さくするように前記訓練データセットにおけるサンプルデータを増加させる、ことを特徴とする請求項６に記載の血中中性脂肪推定装置。
  8. 　前記学習処理部は、異なる種類の訓練データセットに基づいて、それぞれ機械学習により第１血中中性脂肪リスク推定モデルおよび第２血中中性脂肪リスク推定モデルを生成し、
    　前記推定処理部は、前記第１血中中性脂肪リスク推定モデルおよび前記第２血中中性脂肪リスク推定モデルを用いて、前記所定のユーザの血中中性脂肪リスク推定値を計算する、
    ことを特徴とする請求項６または７に記載の血中中性脂肪推定装置。
  9. 　前記生体情報に含まれるBMI、血圧、脈波データ、心電図データ、および生体インピーダンスのうち少なくとも１つ以上の生体情報を推定する生体情報推定部をさらに備え、
    　前記情報取得部は、前記生体情報推定部によって推定された生体情報を前記所定のユーザの生体情報として取得する、ことを特徴とする請求項１から８のいずれか一項に記載の血中中性脂肪推定装置。
  10. 　請求項１から９のいずれか一項に記載の前記血中中性脂肪推定装置と、
    　非侵襲な生体情報を測定する生体情報測定装置と、を備えることを特徴とする非侵襲血中中性脂肪推定システム。
  11. 　被験者の属性情報、非侵襲な生体情報、および血液から測定された血中中性脂肪測定値を含む訓練データセットを記憶するステップと、
    　前記訓練データセットに基づいて、機械学習により血中中性脂肪推定モデルを生成するステップと、
    　前記血中中性脂肪推定モデルを用いて、所定のユーザの属性情報および／または非侵襲な生体情報に基づいて、前記所定のユーザの血中中性脂肪推定値を計算するステップと、を含む、血中中性脂肪推定方法。
  12. 　被験者の属性情報、非侵襲な生体情報、および血液から測定された血中中性脂肪測定値を含む訓練データセットを記憶するステップと、
    　前記訓練データセットに基づいて、機械学習により血中中性脂肪推定モデルを生成するステップと、
    　前記血中中性脂肪推定モデルを用いて、所定のユーザの属性情報および／または非侵襲な生体情報に基づいて、前記所定のユーザの血中中性脂肪推定値を計算するステップと、をコンピュータに実行させるプログラム。
PCT/JP2022/015091 2021-06-22 2022-03-28 血中中性脂肪推定装置、血中中性脂肪推定方法及びプログラム WO2022270098A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202280005596.7A CN115955934A (zh) 2021-06-22 2022-03-28 血中中性脂肪估计设备、血中中性脂肪估计方法以及程序
EP22828017.8A EP4362044A1 (en) 2021-06-22 2022-03-28 Blood neutral fat estimation device, blood neutral fat estimation method, and program
US18/041,928 US20240008814A1 (en) 2021-06-22 2022-03-28 Blood neutral fat estimation device, blood neutral fat estimation method, and computer program

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
JP2021102900 2021-06-22
JP2021-102900 2021-06-22
JP2022040634A JP2023002452A (ja) 2021-06-22 2022-03-15 血中中性脂肪推定装置、血中中性脂肪推定方法及びプログラム
JP2022-040634 2022-03-15

Publications (1)

Publication Number Publication Date
WO2022270098A1 true WO2022270098A1 (ja) 2022-12-29

Family

ID=84545387

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/015091 WO2022270098A1 (ja) 2021-06-22 2022-03-28 血中中性脂肪推定装置、血中中性脂肪推定方法及びプログラム

Country Status (5)

Country Link
US (1) US20240008814A1 (ja)
EP (1) EP4362044A1 (ja)
CN (1) CN115955934A (ja)
TW (1) TW202300917A (ja)
WO (1) WO2022270098A1 (ja)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6241853B2 (ja) 2012-12-06 2017-12-06 国立大学法人北海道大学 非侵襲型生体脂質濃度計測器、非侵襲型生体脂質代謝機能計測器、非侵襲による生体脂質濃度計測方法および非侵襲による生体脂質代謝機能検査方法
WO2020183609A1 (ja) * 2019-03-12 2020-09-17 三菱電機株式会社 移動体制御装置および移動体制御方法
WO2020203728A1 (ja) * 2019-03-29 2020-10-08 株式会社タニタ 健康情報提供システム及び健康情報提供プログラム
JP2021072100A (ja) * 2019-10-28 2021-05-06 株式会社デンソー 情報処理装置、統合モデル生成方法、及び統合モデル生成プログラム

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6241853B2 (ja) 2012-12-06 2017-12-06 国立大学法人北海道大学 非侵襲型生体脂質濃度計測器、非侵襲型生体脂質代謝機能計測器、非侵襲による生体脂質濃度計測方法および非侵襲による生体脂質代謝機能検査方法
WO2020183609A1 (ja) * 2019-03-12 2020-09-17 三菱電機株式会社 移動体制御装置および移動体制御方法
WO2020203728A1 (ja) * 2019-03-29 2020-10-08 株式会社タニタ 健康情報提供システム及び健康情報提供プログラム
JP2021072100A (ja) * 2019-10-28 2021-05-06 株式会社デンソー 情報処理装置、統合モデル生成方法、及び統合モデル生成プログラム

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
MAAREK A.: "Electro interstitial scan system: assessment of 10 years of research and development", MED DEVICES (AUCKL, vol. 5, 2012, pages 23 - 30
PSYCHOLOGY RESEARCH AND BEHAVIOR MANAGEMENT, vol. 4, 2011, pages 81 - 86
R. N. CHUAY. W. HAUC. M. TIEWW. L. HAU: "Investigation of Attention Deficit/Hyperactivity Disorder Assessment Using Electro Interstitial Scan Based on Chronoamperometry Technique", IEEE ACCESS, vol. 7, 2019, pages 144679 - 144690, XP011750230, DOI: 10.1109/ACCESS.2019.2938095

Also Published As

Publication number Publication date
CN115955934A (zh) 2023-04-11
EP4362044A1 (en) 2024-05-01
US20240008814A1 (en) 2024-01-11
TW202300917A (zh) 2023-01-01

Similar Documents

Publication Publication Date Title
Maqsood et al. A survey: From shallow to deep machine learning approaches for blood pressure estimation using biosensors
Miao et al. A wearable sensor for arterial stiffness monitoring based on machine learning algorithms
JP2022153288A (ja) 血糖値推定装置、血糖値推定方法及びプログラム
Xing et al. Robust blood pressure estimation from finger photoplethysmography using age-dependent linear models
Zhang et al. Study of cuffless blood pressure estimation method based on multiple physiological parameters
WO2022270098A1 (ja) 血中中性脂肪推定装置、血中中性脂肪推定方法及びプログラム
WO2023013166A1 (ja) 尿酸値推定装置、尿酸値推定方法及びプログラム
WO2023013165A1 (ja) γＧＴ推定装置、γＧＴ推定方法及びプログラム
WO2022210570A1 (ja) 血糖値推定装置、血糖値推定方法及びプログラム
WO2023013164A1 (ja) ＨｂＡ１ｃリスク推定装置、ＨｂＡ１ｃリスク推定方法及びプログラム
WO2023013167A1 (ja) クレアチニンリスク推定装置、クレアチニンリスク推定方法及びプログラム
WO2022270099A1 (ja) コレステロールリスク推定装置、コレステロールリスク推定方法及びプログラム
JP2023002452A (ja) 血中中性脂肪推定装置、血中中性脂肪推定方法及びプログラム
JP2023024257A (ja) γＧＴ推定装置、γＧＴ推定方法及びプログラム
Vakulenkoa et al. New application of blood pressure monitor with software environment Oranta-AO based on arterial oscillography methods
JP2023024258A (ja) 尿酸値推定装置、尿酸値推定方法及びプログラム
JP2023024256A (ja) ＨｂＡ１ｃリスク推定装置、ＨｂＡ１ｃリスク推定方法及びプログラム
JP2023024259A (ja) クレアチニンリスク推定装置、クレアチニンリスク推定方法及びプログラム
JP2023002453A (ja) コレステロールリスク推定装置、コレステロールリスク推定方法及びプログラム
Shamim et al. Diagnostic accuracy of smartphone-connected electrophysiological biosensors for prediction of blood glucose level in a type-2 diabetic patient using machine learning: A pilot study
CN117678032A (zh) γGT推定装置、γGT推定方法以及程序
CN117693313A (zh) HbA1c风险推定装置、HbA1c风险推定方法以及程序
CN117677849A (zh) 肌酐风险推定装置、肌酐风险推定方法以及程序
CN117678033A (zh) 尿酸值推定装置、尿酸值推定方法以及程序
Wang Random Forest Based Blood Pressure Prediction Model from ECG And PPG Signal

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: 22828017

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 18041928

Country of ref document: US

WWE Wipo information: entry into national phase

Ref document number: 2022828017

Country of ref document: EP

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2022828017

Country of ref document: EP

Effective date: 20240122