WO2023042779A1 - 生理周期予測装置、生理周期予測方法、生理周期予測プログラムおよび生理周期予測システム - Google Patents

生理周期予測装置、生理周期予測方法、生理周期予測プログラムおよび生理周期予測システム Download PDF

Info

Publication number
WO2023042779A1
WO2023042779A1 PCT/JP2022/034013 JP2022034013W WO2023042779A1 WO 2023042779 A1 WO2023042779 A1 WO 2023042779A1 JP 2022034013 W JP2022034013 W JP 2022034013W WO 2023042779 A1 WO2023042779 A1 WO 2023042779A1
Authority
WO
WIPO (PCT)
Prior art keywords
menstrual cycle
prediction
body temperature
data
unit
Prior art date
Application number
PCT/JP2022/034013
Other languages
English (en)
French (fr)
Inventor
智樹 清水
Original Assignee
トッパン・フォームズ株式会社
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 トッパン・フォームズ株式会社 filed Critical トッパン・フォームズ株式会社
Publication of WO2023042779A1 publication Critical patent/WO2023042779A1/ja

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B10/00—Other methods or instruments for diagnosis, e.g. instruments for taking a cell sample, for biopsy, for vaccination diagnosis; Sex determination; Ovulation-period determination; Throat striking implements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/22—Social work or social welfare, e.g. community support activities or counselling services
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y20/00—Information sensed or collected by the things
    • G16Y20/40—Information sensed or collected by the things relating to personal data, e.g. biometric data, records or preferences
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/20—Analytics; Diagnosis

Definitions

  • the present disclosure relates to a menstrual cycle prediction device, a menstrual cycle prediction method, a menstrual cycle prediction program, and a menstrual cycle prediction system.
  • a menstrual cycle prediction device a menstrual cycle prediction method, a menstrual cycle prediction program, and a menstrual cycle prediction system that can accurately predict the menstrual cycle in consideration of various factors that may occur in life. suggest.
  • the menstrual cycle prediction device acquires learning data combining basal body temperature data in the menstrual cycle and event information on the day when the basal body temperature data was measured. and a generation unit that generates a prediction model for predicting a menstrual cycle based on the learning data acquired by the acquisition unit.
  • FIG. 1 is a diagram (1) showing an example of a user interface according to an embodiment
  • FIG. It is a figure (2) which shows an example of the user interface which concerns on embodiment.
  • FIG. 3 is a diagram (3) showing an example of a user interface according to the embodiment; It is a figure for demonstrating a menstrual cycle.
  • 6 is a flowchart showing the procedure of learning processing according to the embodiment; 6 is a flowchart showing the procedure of prediction processing according to the embodiment; It is a hardware block diagram which shows an example of the computer which implement
  • FIG. 1 is a diagram schematically showing the flow of menstrual cycle prediction processing according to the embodiment.
  • the menstrual cycle prediction process according to the embodiment is executed by the menstrual cycle prediction system 1 shown in FIG.
  • the menstrual cycle prediction system 1 includes a prediction device 100, which is an example of a menstrual cycle prediction device according to the present disclosure, a user terminal 200, and a measuring device 300.
  • Each device included in the menstrual cycle prediction system 1 can mutually transmit and receive data through wireless communication or the like.
  • the prediction device 100 is an information processing device that uses machine learning to generate a prediction model that predicts the menstrual cycle.
  • the prediction device 100 is a cloud server or the like.
  • the user terminal 200 is a terminal device used by the user 10 or the user 20.
  • the user terminal 200 is a smart phone, a tablet terminal, or the like.
  • the user 10 is a general term for users who provide learning data used by the prediction device 100 to generate a prediction model.
  • the user 20 is a general term for users who transmit measurement data to the prediction device 100 and acquire prediction results regarding the menstrual cycle based on the transmitted data. Multiple users 10 and multiple users 20 exist. Further, in the following description, users 10 and 20 are simply referred to as users when there is no need to distinguish between them. Also, the user 10 and the user 20 may indicate the same user.
  • the measuring device 300 is a measuring device that has a function of measuring the user's body temperature.
  • the measuring device 300 is housed in the user's clothing such as underwear, and measures the user's body temperature periodically (for example, at a fixed time every night).
  • the menstrual cycle has a periodicity of entering a high temperature period due to the influence of hormones etc. secreted along with ovulation, and then entering a low temperature period after the start of menstruation (menstruation). Therefore, by statistically processing the basal body temperature data, it is possible to predict the pattern of the menstrual cycle to some extent. However, it is difficult to accurately predict the menstrual cycle simply by measuring the basal body temperature, because drinking and taking medications affect the basal body temperature, and the presence or absence of stress delays the start of menstruation itself. There are cases.
  • the menstrual cycle prediction system 1 predicts the menstrual cycle by taking into account the influence of daily occurrences (hereinafter collectively referred to as “events”) such as drinking and taking medication, by the processing described below. . Thereby, the menstrual cycle prediction system 1 can predict the menstrual cycle more accurately.
  • events daily occurrences
  • FIG. 1 An overview of prediction processing by the menstrual cycle prediction system 1 will be described with reference to FIG.
  • the measuring device 300 measures the basal body temperature data of the user 10 while the user 10 is wearing clothes or the like containing the measuring device 300 and goes to bed (step S1). Measuring device 300 transmits the measured basal body temperature data to user terminal 200 (step S2).
  • the user terminal 200 displays the basal body temperature data acquired from the measuring device 300 on a dedicated application provided by the prediction device 100.
  • User terminal 200 also receives event information corresponding to the day on which the basal body temperature data was measured from user 10 (step S3). Note that the day on which the basal body temperature data was measured is not necessarily the day of measurement. For example, if the measuring device 300 acquires the basal body temperature after midnight, the user terminal 200 collects event information for the previous day (that is, event information assumed to have affected the measured basal body temperature). input may be accepted.
  • FIG. 2 is a diagram (1) illustrating an example of a user interface according to the embodiment
  • FIG. 2 shows a screen display example when an application that displays basal body temperature data is running on the user terminal 200 .
  • the user terminal 200 displays the latest measured basal body temperature data and a graph 251 showing the history of the basal body temperature data.
  • Graph 251 also includes a display 252 showing event information recorded in history. For example, the date on which the event information was input by the user 10 is displayed with a symbol such as “o” in the corresponding item of the display 252 .
  • the user 10 can start inputting event information corresponding to the measured basal body temperature data.
  • the user terminal 200 transitions the display to the screen shown in FIG.
  • FIG. 3 is a diagram (2) showing an example of the user interface according to the embodiment.
  • FIG. 3 shows an example in which the user terminal 200 displays a screen for the user 10 to enter event information.
  • the user 10 can check the measured basal body temperature data 261 and, if there is an error, correct the basal body temperature on the screen. In addition, the user 10 can correct the weight data if there is a change in the registered weight.
  • the user 10 can select an event that applies to him/herself from the event icons 262 and 263 displayed on the screen.
  • the event icon 262 lists event items related to the user's 10 body. For example, when the user 10 is in a period of menstruation, the user 10 can input information indicating that there was event information "menstruation” by pressing an event icon corresponding to menstruation. Similarly, when the user 10 is in poor physical condition, the user 10 presses an event icon corresponding to "poor physical condition”. Similarly, when the user 10 has irregular bleeding, sexual intercourse, or vaginal discharge, the user presses the corresponding event icon.
  • the event icon 263 lists event items related to the behavior of the user 10 .
  • the user 10 can input information indicating that there was event information "sleep deprivation" by pressing an event icon corresponding to the sleep deprivation.
  • the event icon 264 changes to a display mode different from that of other event icons (for example, a color different from that of other event icons). do.
  • the user 10 drinks alcohol, the user 10 presses an event icon corresponding to "drinking”.
  • the user 10 presses the corresponding event icon when exercising or when the day is a holiday.
  • FIG. 4 is a diagram (3) illustrating an example of a user interface according to the embodiment.
  • the screen display example in FIG. 4 includes an event icon 271 and an event icon 272, as in FIG.
  • the screen display example of FIG. 4 also includes a memo entry field 273 .
  • the event icon 271 lists event items related to the user's 10 hospital and medicine. For example, when the user 10 visits a hospital, he/she can input information indicating that there is event information "visiting a hospital” by pressing an event icon corresponding to the hospital visit. Similarly, when the user 10 takes medicine, the user 10 presses the event icon corresponding to "medication".
  • the event icon 272 lists event items related to the user's 10 mood. For example, the user 10 selects one of "bad”, “normal”, and “good” as the mood of the day according to the mood of the day (whether stressed or not). In this way, the user terminal 200 can acquire the presence or absence of stress, which is difficult to measure as quantitative data, as event information by the user 10 himself/herself selecting the mood.
  • the user 10 may make a note of the events of the day in the memo entry field 273.
  • the user terminal 200 may analyze the text data entered in the memo entry field 273 and automatically enter the event information based on the analyzed information. For example, the user terminal 200 uses a text analysis model to determine whether a text is negative or positive, determines whether the content of a memo is negative or positive, and responds to the determination result with a feeling of goodness. You may acquire bad as event information.
  • the user terminal 200 may morphologically analyze text data, extract text data corresponding to drinking, taking medication, etc., and acquire event information such as drinking and taking medication based on the extracted data.
  • the user terminal 200 transmits data obtained by combining the event information input by the user 10 and the basal body temperature data to the prediction device 100 as learning data (step S4). Although only the user 10 is shown in FIG. 1 for the sake of explanation, it is assumed that learning data are actually transmitted periodically from a considerable number of users. Also, the user terminal 200 may transmit learning data each time event information is input, or may transmit a learning data set in which data for one menstrual cycle is accumulated with the start date of menstruation as a flag.
  • the prediction device 100 stores learning data acquired from the user terminal 200 as measurement and event data 50. After that, the prediction device 100 generates a prediction model for predicting the menstrual cycle when sufficient learning data is accumulated (step S5). For example, when basal body temperature data and event information are input, the prediction device 100 generates a prediction model that outputs the menstruation start date, ovulation date, or the like of the user 10 who transmitted the data. Details of the prediction model will be described later.
  • the measuring device 300 measures the basal body temperature data of the user 20 while the user 20 is wearing the clothes or the like containing the measuring device 300 and goes to bed (step S11).
  • the measuring device 300 transmits the measured basal body temperature data to the user terminal 200 (step S12).
  • the user terminal 200 displays the basal body temperature data acquired from the measuring device 300 on the application, and receives input of event information from the user 20 (step S13). Upon receiving the input of the event information, the user terminal 200 transmits measurement data obtained by combining the basal body temperature data and the event information to the prediction device 100 (step S14). Note that, if the user 20 does not input event information for a predetermined period of time, the user terminal 200 may transmit measurement data containing only basal body temperature data without event information.
  • the prediction device 100 acquires measurement data from the user terminal 200 , the prediction device 100 inputs the measurement data into the prediction model 60 . Then, the prediction device 100 outputs the next menstruation start date and ovulation date of the user 20 derived from the input measurement data as prediction results (step S15).
  • the prediction device 100 transmits the output result to the user terminal 200 (step S16).
  • the prediction device 100 may control the content displayed by the application of the user terminal 200 .
  • the prediction device 100 controls to display a message such as "Your next menstrual start date is 'XX month YY day'" in the application.
  • the prediction device 100 controls to display a message such as "Your next ovulation date is 'XX month YY day'" in the application.
  • the prediction device 100 may display other expressions, advice, etc., instead of directly displaying the menstruation start date and the ovulation date. In this case, the prediction device 100 may use various information regarding the menstrual cycle to generate messages and advice to be displayed. Various information about the menstrual cycle will be described with reference to FIG. FIG. 5 is a diagram for explaining the menstrual cycle.
  • FIG. 5 shows a graph 280 showing changes in body temperature during the menstrual cycle.
  • the graph 280 has the body temperature on the vertical axis and the number of days on the horizontal axis.
  • the starting point of the horizontal axis of the graph 280 corresponds to the menstruation start date.
  • the menstrual cycle has a periodicity such that a low temperature period 282 starts near the start of menstruation (menstruation start date) and a high temperature period 281 occurs on the ovulation day 283 .
  • fertility is higher during the first few days after ovulation than during other periods.
  • there are many people who are in poor physical condition such as mental instability immediately before the menstruation start date.
  • the prediction device 100 transmits, to the user terminal 200, the predicted menstruation start date, ovulation date, etc., based on the information shown in FIG. 5 and generally observed known information. Further, the prediction device 100 may transmit information inferred from the predicted menstruation start date, ovulation date, etc. to the user terminal 200 and display it on an application in the user terminal 200 . That is, the prediction device 100 may display advice suggesting the possibility of pregnancy from the prediction of the ovulation date, advice suggesting the possibility of poor physical condition from the prediction of the start date of menstruation, and the like.
  • the prediction device 100 provides advice such as ⁇ The success rate of pregnancy increases around XX month YY'', and advice such as ⁇ Be careful because there is a high possibility that you will be unwell around XX month YY''. Display advice, etc.
  • the prediction device 100 may display advice such as suggesting the possibility of pregnancy or showing signs of irregular menstruation.
  • the prediction device 100 performs learning by combining basal body temperature data in the menstrual cycle and event information on the day when the basal body temperature data was measured. Get data. Then, the prediction device 100 generates a prediction model for predicting the menstrual cycle based on the acquired learning data.
  • the prediction device 100 generates a prediction model based on learning data that includes not only quantitative information such as basal body temperature data, but also event information that is assumed to affect the basal body temperature data. That is, the prediction device 100 performs machine learning based on the influence factors that affect the basal body temperature data, the menstrual start date, etc., taking into account the degree of influence, and compares the prediction process using only the menstrual cycle pattern. to generate a predictive model that can predict a more accurate menstrual cycle.
  • FIG. 6 is a diagram illustrating a configuration example of the prediction device 100 according to the embodiment.
  • the prediction device 100 has a communication unit 110, a storage unit 120, and a control unit .
  • the prediction device 100 includes an input unit (for example, a keyboard, a mouse, etc.) that receives various operations from an administrator or the like who manages the prediction device 100, and a display unit (for example, a liquid crystal display, etc.) for displaying various information. may have.
  • the communication unit 110 is realized by, for example, a network interface controller or the like.
  • the communication unit 110 is connected to a network N (for example, the Internet) by wire or wirelessly, and transmits/receives information to/from the user terminal 200 or the like via the network N.
  • the communication unit 110 may transmit and receive information using a communication standard or communication technology such as Wi-Fi (registered trademark), SIM (Subscriber Identity Module), LPWA (Low Power Wide Area).
  • the storage unit 120 is implemented by, for example, a semiconductor memory device such as RAM (Random Access Memory) or flash memory, or a storage device such as a hard disk or optical disk.
  • the storage unit 120 has a learning data storage unit 121 , a model storage unit 122 and a measurement data storage unit 123 .
  • the learning data storage unit 121 stores learning data used for learning the prediction model.
  • FIG. 7 shows an example of information stored in the learning data storage unit 121.
  • FIG. 7 is a diagram showing an example of the learning data storage unit 121 according to the embodiment.
  • the learning data storage unit 121 has items such as "data set ID”, “data ID”, “date”, “body temperature”, and “event data”.
  • Event data has small items such as "body”, “life”, “physiology”, “poor health”, “lack of sleep", and "drinking".
  • Dataset ID indicates identification information that identifies a data set when data over one menstrual cycle is collected.
  • Data ID is identification information for identifying each piece of data obtained by combining basal body temperature data and event information corresponding to the date when the basal body temperature data was measured.
  • Date indicates the date when the basal body temperature was measured.
  • Body temperature indicates a specific numerical value of the measured basal body temperature data.
  • Event data indicates the data of each event information acquired based on the input by the user 10. For example, event data is indicated by binarized data of presence/absence. "Body”, “Life”, “Physiology”, “Poor physical condition”, “Lack of sleep”, and “Drinking” indicate information corresponding to each event icon shown in FIG. 3 and the like. For example, “1” is recorded as the event data in the item for which the user 10 has selected the event icon. Items not selected by the user 10 are recorded with "0" as event data.
  • the model storage unit 122 stores the prediction model generated by the prediction device 100.
  • the prediction device 100 may update the prediction model stored in the model storage unit 122 every predetermined period of time or each time a predetermined amount of learning data is accumulated.
  • the measured data storage unit 123 stores measured data used for prediction processing using a prediction model.
  • FIG. 8 shows an example of information stored in the measurement data storage unit 123.
  • FIG. 8 is a diagram showing an example of the measurement data storage unit 123 according to the embodiment.
  • the measurement data storage unit 123 has items such as "user ID”, “data ID”, “date”, “body temperature”, and “event data”.
  • Event data has small items such as "body”, “life”, “physiology”, “poor health”, “lack of sleep", and "drinking".
  • User ID indicates identification information for identifying the user 20. Items other than the user ID correspond to the same items shown in FIG.
  • the control unit 130 uses, for example, a CPU (Central Processing Unit), an MPU (Micro Processing Unit), a GPU (Graphics Processing Unit), etc. to store programs stored inside the prediction device 100 in RAM (Random Access Memory) or the like as a work area. It is realized by executing as Also, the control unit 130 is a controller, and is implemented by an integrated circuit such as an ASIC (Application Specific Integrated Circuit) or an FPGA (Field Programmable Gate Array).
  • ASIC Application Specific Integrated Circuit
  • FPGA Field Programmable Gate Array
  • control unit 130 includes an acquisition unit 131, a generation unit 132, a prediction unit 133 and a transmission unit 134.
  • the acquisition unit 131 acquires learning data by combining basal body temperature data in the menstrual cycle and event information on the day when the basal body temperature data was measured.
  • the acquisition unit 131 controls a program (application) installed in the user terminal 200, and acquires learning data from the user terminal 200 at the timing when the learning data is acquired in the user terminal 200, at a fixed time every day, or the like. get.
  • the acquisition unit 131 may acquire, as learning data, not only basal body temperature data and the like, but also any physical information that is assumed to affect the menstrual cycle, such as the age, height, and weight of each user.
  • the acquisition unit 131 acquires these pieces of information by receiving input from the user, for example, through user registration in the application.
  • the acquisition unit 131 acquires, as event information, daily behavior information (drinking, exercise, etc.) of the user 10 and information indicating whether the user 10 has visited a hospital or taken medicine.
  • the acquisition unit 131 can also acquire, as event information, a declaration of poor physical condition or a declaration of good or bad mood by the user 10 . Thereby, the acquisition unit 131 can acquire data on physical condition and mood that are difficult to quantify.
  • the acquisition unit 131 may acquire event information obtained by analyzing text data corresponding to the day when the basal body temperature data was measured. For example, the acquisition unit 131 may acquire the mood, physical condition, etc. of the user 10 estimated using a known text analysis model as event information. Alternatively, the acquiring unit 131 may estimate that the person has had a drink, has been to the hospital, or the like from intention analysis of words and contexts included in the sentence, and acquires the estimated information as event information.
  • the acquisition unit 131 acquires daily measurement data from the user terminal 200 after the prediction model is generated. Specifically, the acquisition unit 131 acquires measurement data obtained by combining basal body temperature data and event information on the day when the basal body temperature data was measured. For example, the acquisition unit 131 controls a program installed in the user terminal 200, and when a predetermined amount of measurement data is accumulated, or when the start of menstruation is observed, a predetermined amount of measurement data set (for example, one menstrual measurement data for one cycle). Alternatively, the acquisition unit 131 may acquire the measurement data from the user terminal 200 at the timing when the measurement data is acquired by the user terminal 200, at a fixed timing every day, or the like. The acquisition unit 131 identifies and stores acquired data for each user 20 .
  • the generation unit 132 generates a prediction model for predicting the menstrual cycle based on the learning data acquired by the acquisition unit 131. For example, the generation unit 132 performs predetermined machine learning on the learning data to create a prediction model that outputs data related to the menstrual cycle (menstruation start date, ovulation date, etc.) when new measurement data is input. Generate.
  • the generation unit 132 uses not only the basal body temperature data in the menstrual cycle but also the event information input with each basal body temperature data as one of the elements to generate a prediction model that takes into account the influence of the event information. can be done.
  • the prediction model may be a model that predicts a low-temperature period schedule or a high-temperature period schedule instead of predicting a schedule such as a menstruation start date or an ovulation date.
  • the high-temperature period schedule is relatively stable, so the prediction model may be configured as a model that estimates the physiological cycle of the prediction target by predicting the low-temperature period schedule.
  • the generation unit 132 may generate a prediction model using various machine learning techniques. That is, the learning method by the generation unit 132 is not limited to any one method.
  • the generation unit 132 may perform learning by a regression analysis method using the number of days in the menstrual cycle of the user 10 as correct data (objective variable) and basal body temperature data and each event information as influence factors (explanatory variables). . Thereby, the generation unit 132 can derive information about what kind of explanatory variable (event information) influenced the prediction of the number of days of the user's 10 menstrual cycle.
  • model generation is described below. Note that the learning methods and models described below are examples, and the generation unit 132 may generate any model using various known methods.
  • the generation unit 132 uses the number of menstrual cycle days in the learning data set as the objective variable in the regression analysis.
  • the number of menstrual cycle days is calculated based on the menstruation start date input by the user 10 . For example, if the user 10 does not select "menstruation" as the event information for a series of days and then selects "menstruation", the generation unit 132 determines that day as the menstruation start date.
  • the generation unit 132 also uses the basal body temperature data and various event information included in the data set as explanatory variables in the multiple regression analysis.
  • the generation unit 132 generates a formula representing the relationship between the number of days in the menstrual cycle and each piece of event information. Furthermore, the generation unit 132 calculates what kind of weight each piece of event information has for the event of the number of days of the user's 10 menstrual cycle. Thereby, the generation unit 132 can obtain information about how much each explanatory variable affects the event of the number of days in the menstrual cycle of the user 10 . For example, the generation unit 132 creates the following formula (1) when generating a model regarding the user 10 .
  • y (user 10) ⁇ 1 x 1 + ⁇ 2 x 2 + ⁇ 3 x 3 + ⁇ N x N (1) (N is an arbitrary number)
  • the generation unit 132 may perform processing such as normalization and the like to convert the “number of days of the menstrual cycle of the user 10” from “ ⁇ 1” to “1”. .
  • the generating unit 132 causes “y (user 10)” to asymptotically approach “1” when the number of days in the menstrual cycle is greater than a specified number (standard), and “y (user 10)” when the number of days in the menstrual cycle is less than the specified number.
  • User 10) may be asymptotically approached to “ ⁇ 1”.
  • “x” is an explanatory variable and corresponds to event information obtained from the user terminal 200 .
  • “x 1 ” in the above formula (1) is “poor physical condition” in the event information.
  • “x 2 ” in the above formula (1) corresponds to “lack of sleep” in the event information.
  • “x 3 ” in the above formula (1) corresponds to “drinking” in the event information. That is, the right side of Equation (1) above corresponds to the presence or absence of an event in each piece of learning data as shown in FIG.
  • “ ⁇ ” is a coefficient of "x” and indicates a predetermined weight value. Specifically, “ ⁇ 1 ” is the weight value of “x 1 ”, “ ⁇ 2 ” is the weight value of “x 2 ”, and “ ⁇ 3 ” is the weight value of “x 3 ”. is.
  • the above formula (1) is created by combining the explanatory variable "x" corresponding to the event information and the variable (for example, " ⁇ 1 x 1" ) including the predetermined weight value " ⁇ ". be done.
  • the generation unit 132 generates a formula for each data set to be learned, as in formula (1) above, and uses the generated formula as a regression analysis sample. Then, the generating unit 132 derives a value corresponding to the predetermined weight value “ ⁇ ” by performing arithmetic processing on the sample formula. In addition, the generation unit 132 generates a sample expression such as the above expression (1) at any time. Then, the generation unit 132 recursively determines a predetermined weight value " ⁇ " that satisfies the above formula (1) as the number of generated formulas increases. In other words, the generation unit 132 determines the weight value “ ⁇ ” that indicates the influence of the predetermined explanatory variable on the objective variable “y”.
  • the value of the weight value " ⁇ 3 " corresponding to "drinking” is estimated to yield large positive values compared to other variables. Further, if the number of times of "lack of sleep” hardly contributes to the phenomenon of the number of menstrual cycle days of the user 10, the value of the weight value " ⁇ 2 " corresponding to "lack of sleep” is It is presumed to be asymptotic to "0".
  • the correct data is the number of days of the user's 10 menstrual cycle, but the correct data is not limited to this.
  • the generation unit 132 performs learning based on the basal body temperature data to generate a prediction model of the menstrual cycle, and then separately creates a model for predicting the effect of each event information on the numerical values predicted by the prediction model. You may generate
  • the generation unit 132 may generate a prediction model using semi-supervised learning instead of supervised learning, assuming that data with correct answers and data without correct answers are mixed.
  • the prediction unit 133 predicts the menstrual cycle of the user 20 corresponding to the measurement data from the measurement data obtained by combining the newly acquired basal body temperature data and the event information.
  • the prediction unit 133 may input data for one menstrual cycle as a data set into the prediction model, and predict when the next menstruation start date and ovulation date will occur. Alternatively, the prediction unit 133 may sequentially input daily measurement data to the prediction model each time it acquires the measurement data from the user 20, and update the prediction date based on the results output each time.
  • the transmission unit 134 transmits the result predicted by the prediction unit 133 to the user terminal 200. Further, the transmission unit 134 may transmit advice to the user based on the menstrual cycle predicted by the prediction unit 133 . For example, the transmission unit 134 transmits advice regarding the physical condition of the user 20 estimated from the menstrual cycle and the possibility of pregnancy.
  • the transmission unit 134 may transmit different advice for each user 20.
  • the transmission unit 134 refers to the past history and determines that the user 20 repeatedly indicated that the event "poor physical condition" occurred several days before the start of menstruation.
  • the transmitting unit 134 transmits to the user a date several days before the predicted start date of menstruation and an advice suggesting that the user may be in poor physical condition during that period.
  • the transmitting unit 134 may not transmit such advice to the user 20 who does not leave a history of the occurrence of the event "poor physical condition" several days before the start of menstruation.
  • Such processing for each user can be automated by performing machine learning on the action history of each user.
  • FIG. 9 is a diagram showing a configuration example of the user terminal 200.
  • the user terminal 200 has a communication section 210, a storage section 220, and a control section 230.
  • the user terminal 200 may have an input unit (for example, a touch panel, etc.) that receives various operations from the user, and a display unit (for example, a liquid crystal display, etc.) for displaying various information.
  • an input unit for example, a touch panel, etc.
  • a display unit for example, a liquid crystal display, etc.
  • the communication unit 210 is implemented by, for example, a network interface controller or the like.
  • the communication unit 210 is connected to the network N by wire or wirelessly, and transmits and receives information to and from the prediction device 100, the measuring device 300, and the like via the network N.
  • the storage unit 220 is implemented, for example, by a semiconductor memory device such as a RAM or flash memory, or a storage device such as a hard disk or optical disk.
  • the measurement data storage unit 221 stores information combining basal body temperature data measured by the measuring device 300 and event information input by the user. Information stored in the measurement data storage unit 221 is transmitted to the prediction device 100 as learning data or measurement data. Note that the information stored in the measurement data storage unit 221 does not necessarily have to be held by the user terminal 200 itself, and may be held, for example, in a data server on the cloud.
  • the control unit 230 is realized, for example, by executing a program stored inside the user terminal 200 using a RAM or the like as a work area by a CPU, MPU, GPU, or the like. Also, the control unit 230 is a controller, and is implemented by an integrated circuit such as an ASIC or FPGA, for example. Control unit 230 includes acquisition unit 231 , reception unit 232 and transmission unit 233 .
  • the acquisition unit 231 acquires basal body temperature data measured by the measuring device 300 from the measuring device 300 . Also, the acquisition unit 231 acquires the result predicted by the prediction device 100 and displays it within the application.
  • the reception unit 232 receives input of event information from the user via the application. Upon receiving an input of event information, the reception unit 232 associates the basal body temperature data with the event information and stores them in the measurement data storage unit 221 .
  • the transmission unit 233 transmits data stored in the measurement data storage unit 221 to the prediction device 100 in accordance with a request from the prediction device 100 .
  • FIG. 10 is a diagram showing a configuration example of the measuring device 300.
  • measuring instrument 300 has communication section 310 , storage section 320 , control section 330 , and detection section 340 .
  • the measuring device 300 may have an input unit (for example, a touch panel, etc.) that receives various operations from the user, and a display unit (for example, a liquid crystal display, etc.) for displaying various information.
  • an input unit for example, a touch panel, etc.
  • a display unit for example, a liquid crystal display, etc.
  • the communication unit 310 is implemented by, for example, a network interface controller or the like.
  • the communication unit 310 is connected to the network N by wire or wirelessly, and transmits and receives information to and from the prediction device 100, the user terminal 200, and the like via the network N.
  • the storage unit 320 is implemented, for example, by a semiconductor memory device such as a RAM or flash memory, or a storage device such as a hard disk or optical disk.
  • the measurement data storage unit 321 stores basal body temperature data measured by the measuring device 300 .
  • the information stored in the measurement data storage unit 321 is transmitted to the user terminal 200 at a predetermined timing (every day at a fixed time, etc.).
  • the information stored in the measurement data storage unit 321 does not necessarily have to be held by the measuring instrument 300 itself, and may be held in a data server or the like on the cloud, for example.
  • the detection unit 340 is a sensor and detects various data.
  • sensing unit 340 is a temperature sensor that measures body temperature.
  • the detection unit 340 may detect external environmental temperature, humidity, and the like, in addition to the body temperature.
  • the control unit 330 is realized, for example, by executing a program stored inside the measuring instrument 300 using a RAM or the like as a work area by a CPU, MPU, GPU, or the like. Also, the control unit 330 is a controller, and is implemented by an integrated circuit such as an ASIC or FPGA, for example.
  • the control unit 330 includes a measurement unit 331 and a transmission/reception unit 332 .
  • the measurement unit 331 measures the basal body temperature detected by the detection unit 340.
  • the measurement unit 331 stores the measured data in the measurement data storage unit 321 .
  • the transmitting/receiving section 332 transmits the basal body temperature data measured by the measuring section 331 to the user terminal 200 .
  • the transmitting/receiving unit 332 may also receive a measurement data transmission request or the like issued from the user terminal 200 . In this case, the transmitting/receiving section 332 transmits the measurement data accumulated up to that point to the user terminal 200 upon receiving the measurement data transmission request.
  • FIG. 11 is a flowchart illustrating the procedure of learning processing according to the embodiment.
  • the prediction device 100 acquires learning data from the user terminal 200 (step S101). After that, the prediction device 100 determines whether or not a sufficient amount of learning data has been accumulated for learning (step S102). When learning data is not accumulated (step S102; No), the prediction device 100 repeats the process of acquiring learning data.
  • step S102 when learning data is accumulated (step S102; Yes), the prediction device 100 generates a prediction model based on the learning data (step S103). Then, the prediction device 100 stores the generated prediction model in the storage unit 120 (step S104).
  • FIG. 12 is a flowchart illustrating the procedure of prediction processing according to the embodiment.
  • the prediction device 100 determines whether measurement data has been received from the user (step S201). If the measurement data has not been received (step S201; No), the prediction device 100 waits until the measurement data is received.
  • step S201 when measurement data is received (step S201; Yes), the prediction device 100 inputs the measurement data into the prediction model and executes prediction processing (step S202). The prediction device 100 then transmits the output result to the user (step S203).
  • the user terminal 200 acquires the basal body temperature data measured by the measuring device 300 .
  • user terminal 200 does not necessarily need to acquire basal body temperature data from measuring device 300 .
  • the user terminal 200 may handle basal body temperature data directly input by the user as measurement data or learning data.
  • the user terminal 200 transmits learning data to the prediction device 100, and the prediction device 100 generates a prediction model.
  • the user terminal 200 may generate a prediction model by itself based on the acquired learning data. That is, the user terminal 200 may have a function as the prediction device 100. FIG.
  • each component of each device illustrated is functionally conceptual and does not necessarily need to be physically configured as illustrated.
  • the specific form of distribution and integration of each device is not limited to the one shown in the figure, and all or part of them can be functionally or physically distributed and integrated in arbitrary units according to various loads and usage conditions. Can be integrated and configured.
  • the menstrual cycle prediction device (the prediction device 100 in the embodiment) according to the present disclosure includes the acquisition unit (the acquisition unit 131 in the embodiment) and the generation unit (the generation unit 132 in the embodiment).
  • the acquisition unit acquires learning data obtained by combining basal body temperature data in a menstrual cycle and event information on the day when the basal body temperature data was measured.
  • the generation unit generates a prediction model for predicting a menstrual cycle based on the learning data acquired by the acquisition unit.
  • the menstrual cycle prediction device creates a prediction model based on learning data including not only quantitative information such as basal body temperature data but also event information that is assumed to affect the basal body temperature data. Generate.
  • the menstrual cycle prediction device can generate a prediction model that can predict a more accurate menstrual cycle than prediction processing that simply uses only the menstrual cycle pattern.
  • the menstrual cycle prediction device further includes a prediction unit (prediction unit 133 in the embodiment) and a transmission unit (transmission unit 134 in the embodiment).
  • the prediction unit uses the prediction model generated by the generation unit to predict the user's menstrual cycle corresponding to the measurement data obtained by combining the newly acquired basal body temperature data and the event information.
  • the transmission unit transmits information about the user's menstrual cycle predicted by the prediction unit to the user.
  • the menstrual cycle prediction device performs prediction processing using a prediction model generated based on learning data including event information, thereby providing the user with accurately predicted information regarding the menstrual cycle. can be done.
  • the transmission unit transmits advice to the user based on the menstrual cycle predicted by the prediction unit.
  • the menstrual cycle prediction device can provide the user with more useful information by creating advice based on the accurately predicted menstrual cycle.
  • the acquisition unit acquires at least one of drinking, exercise, hospital visits, and medication as event information.
  • the menstrual cycle prediction device acquires the user's daily behavior that is assumed to affect the basal body temperature as event information.
  • the menstrual cycle prediction device can generate a prediction model that takes into account the influence of these actions.
  • the acquisition unit acquires a declaration of poor physical condition or a declaration of good or bad mood as event information.
  • the menstrual cycle prediction device acquires information that is difficult to quantitatively measure, such as the user's poor physical condition and mood, which can be a stress factor.
  • the menstrual cycle prediction device can generate a prediction model that takes into account hard-to-see effects such as stress.
  • the acquisition unit acquires learning data combining basal body temperature data and event information obtained by analyzing text data corresponding to the day when the basal body temperature data was measured.
  • the menstrual cycle prediction device estimates event information based on the user's memo, etc., thereby creating a prediction model that can reflect stress, mood, and the like, which the user himself is unaware of, as influencing factors in the prediction. can be generated.
  • the menstrual cycle prediction system (the menstrual cycle prediction system 1 in the embodiment) according to the present disclosure includes a terminal device (the user terminal 200 in the embodiment) and a menstrual cycle prediction device.
  • the terminal device includes a reception unit (reception unit 232 in the embodiment) and a transmission unit (transmission unit 233 in the embodiment).
  • the reception unit receives input of event information occurring on a day corresponding to the basal body temperature data in the screen displaying the measured basal body temperature data.
  • the transmission unit transmits learning data obtained by combining the event information received by the reception unit and basal body temperature data corresponding to the event information to the menstrual cycle prediction device.
  • the menstrual cycle prediction device includes an acquisition unit and a generation unit.
  • the acquisition unit acquires the learning data transmitted by the transmission unit.
  • the generation unit generates a prediction model for predicting a menstrual cycle based on the learning data acquired by the acquisition unit.
  • the menstrual cycle prediction system can acquire learning data through an excellent user interface, such as accepting input of event information from the user in a manner displayed together with basal body temperature data.
  • the menstrual cycle prediction system can acquire more learning data including event information input by the user, so that the accuracy of learning can be improved, and as a result, the prediction accuracy of the model to be generated can be improved. can.
  • FIG. 13 is a hardware configuration diagram showing an example of a computer 1000 that implements the functions of the prediction device 100.
  • the computer 1000 has a CPU 1100 , a RAM 1200 , a ROM (Read Only Memory) 1300 , a HDD (Hard Disk Drive) 1400 , a communication interface 1500 and an input/output interface 1600 .
  • Each part of computer 1000 is connected by bus 1050 .
  • the CPU 1100 operates based on programs stored in the ROM 1300 or HDD 1400 and controls each section. For example, the CPU 1100 loads programs stored in the ROM 1300 or HDD 1400 into the RAM 1200 and executes processes corresponding to various programs.
  • the ROM 1300 stores a boot program such as BIOS (Basic Input Output System) executed by the CPU 1100 when the computer 1000 is started, and programs dependent on the hardware of the computer 1000.
  • BIOS Basic Input Output System
  • the HDD 1400 is a computer-readable recording medium that non-temporarily records programs executed by the CPU 1100 and data used by such programs.
  • the HDD 1400 is a recording medium that records a program for executing the menstrual cycle prediction process according to the present disclosure, which is an example of the program data 1450 .
  • a communication interface 1500 is an interface for connecting the computer 1000 to an external network 1550 (for example, the Internet).
  • CPU 1100 receives data from another device via communication interface 1500, and transmits data generated by CPU 1100 to another device.
  • the input/output interface 1600 is an interface for connecting the input/output device 1650 and the computer 1000 .
  • the CPU 1100 receives data from input devices such as a keyboard and mouse via the input/output interface 1600 .
  • the CPU 1100 also transmits data to an output device such as a display, speaker, or printer via the input/output interface 1600 .
  • the input/output interface 1600 may function as a media interface for reading a program or the like recorded on a predetermined recording medium (media).
  • Media include, for example, optical recording media such as DVD (Digital Versatile Disc) and PD (Phase change rewritable disk), magneto-optical recording media such as MO (Magneto-Optical disk), tape media, magnetic recording media, semiconductor memories, etc. is.
  • the CPU 1100 of the computer 1000 executes the menstrual cycle prediction processing program loaded on the RAM 1200 to implement the functions of the control unit 130 and the like.
  • the HDD 1400 also stores a program for executing the menstrual cycle prediction process according to the present disclosure and data in the storage unit 120 .
  • CPU 1100 reads and executes program data 1450 from HDD 1400 , as another example, these programs may be obtained from another device via external network 1550 .
  • menstrual cycle prediction system 100 prediction device 110 communication unit 120 storage unit 121 learning data storage unit 122 model storage unit 123 measurement data storage unit 130 control unit 131 acquisition unit 132 generation unit 133 prediction unit 134 transmission unit 200 user terminal 300 measuring device

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Primary Health Care (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Child & Adolescent Psychology (AREA)
  • Development Economics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本開示に係る生理周期予測装置（１００）は、生理周期間における基礎体温データと、当該基礎体温データが測定された日のイベント情報とを組み合わせた学習データを取得する取得部（１３１）と、前記取得部によって取得された学習データに基づいて、生理周期を予測する予測モデルを生成する生成部（１３２）と、を備える。

Description

生理周期予測装置、生理周期予測方法、生理周期予測プログラムおよび生理周期予測システム
　本開示は、生理周期予測装置、生理周期予測方法、生理周期予測プログラムおよび生理周期予測システムに関する。
　月経周期（生理周期）を予測することで、女性は、排卵日を正確に推し量り妊娠の成功率を高めたり、月次の体調管理を適切に行ったりすることができる。このことから、月経周期を正確に予測したいというニーズは高く、例えば、基礎体温の周期性に基づいて月経周期を予測する技術等が知られている（下記の特許文献１および２等）。また、体温や血圧などのデータに基づいて健康状態の周期性を導出する技術も知られている（下記の特許文献３等）。
特許第６７９９４１３号公報 特許第５９９８３０７号公報 特許第５８３０４８８号公報
　しかしながら、月経周期は、体温のように定量的に測定されるデータのみでは、正確に周期性を予測することが難しい。社会的な営みの中で、人々は多様な生活スタイルを送るため、生活における出来事（イベント）が基礎体温に影響を及ぼしたり、ストレスが月経周期に影響を与えたりするからである。
　そこで、本開示では、生活するうえで生じうる多様な要因を加味したうえで生理周期を正確に予測することのできる生理周期予測装置、生理周期予測方法、生理周期予測プログラムおよび生理周期予測システムを提案する。
　上記の課題を解決するために、本開示に係る生理周期予測装置は、生理周期間における基礎体温データと、当該基礎体温データが測定された日のイベント情報とを組み合わせた学習データを取得する取得部と、前記取得部によって取得された学習データに基づいて、生理周期を予測する予測モデルを生成する生成部と、を備える。
実施形態に係る生理周期予測処理の流れを模式的に示す図である。 実施形態に係るユーザインターフェイスの一例を示す図（１）である。 実施形態に係るユーザインターフェイスの一例を示す図（２）である。 実施形態に係るユーザインターフェイスの一例を示す図（３）である。 月経周期を説明するための図である。 実施形態に係る予測装置の構成例を示す図である。 実施形態に係る学習データ記憶部の一例を示す図である。 実施形態に係る測定データ記憶部の一例を示す図である。 実施形態に係るユーザ端末の構成例を示す図である。 実施形態に係る測定器の構成例を示す図である。 実施形態に係る学習処理の手順を示すフローチャートである。 実施形態に係る予測処理の手順を示すフローチャートである。 予測装置の機能を実現するコンピュータの一例を示すハードウェア構成図である。
　以下に、本開示の実施形態について図面に基づいて詳細に説明する。なお、以下の実施形態において、同一の部位には同一の符号を付することにより重複する説明を省略する。
（１．実施形態）
（１－１．実施形態に係る生理周期予測処理の一例）
　図１は、実施形態に係る生理周期予測処理の流れを模式的に示す図である。実施形態に係る生理周期予測処理は、図１に示す生理周期予測システム１により実行される。生理周期予測システム１は、本開示に係る生理周期予測装置の一例である予測装置１００と、ユーザ端末２００と、測定器３００とを含む。なお、生理周期予測システム１に含まれる各装置は、無線通信等により相互にデータの送受信が可能である。
　予測装置１００は、機械学習によって、生理周期を予測する予測モデルを生成する情報処理装置である。例えば、予測装置１００は、クラウドサーバ等である。
　ユーザ端末２００は、ユーザ１０またはユーザ２０によって利用される端末装置である。例えば、ユーザ端末２００は、スマートフォンやタブレット端末等である。
　なお、ユーザ１０とは、予測装置１００が予測モデルを生成する際に利用する学習データを提供するユーザを総称するものである。また、ユーザ２０とは、予測装置１００に測定データを送信し、送信したデータに基づいて生理周期に関する予測結果を取得するユーザを総称するものである。ユーザ１０およびユーザ２０は、各々複数存在する。また、以下の説明では、ユーザ１０およびユーザ２０を区別する必要のない場合、単にユーザと記載する。また、ユーザ１０とユーザ２０とは、同一のユーザを示す場合もある。
　測定器３００は、ユーザの体温を測定する機能を有する測定機器である。例えば、測定器３００は、ユーザの下着など衣服内に収納され、定期的（例えば毎晩決まった時刻）にユーザの体温を測定する。
　ところで、月経周期は、排卵に伴い分泌されるホルモン等の影響を受けることで高温期に入り、その後、生理（月経）開始日以降に低温期を迎えるという周期性を有する。このため、基礎体温データを統計的に処理することにより、月経周期のパターンをある程度予測することが可能である。しかしながら、飲酒や服薬などが基礎体温に影響を与えたり、ストレスの有無が生理開始日そのものを遅らせたりするなど、基礎体温を単純に測定するのみでは、月経周期の予測を正確に行うことが困難な場合がある。
　そこで、実施形態に係る生理周期予測システム１は、以下に説明する処理によって、飲酒や服薬などの日常の出来事（以下、「イベント」と総称する）が与える影響を加味して生理周期を予測する。これにより、生理周期予測システム１は、より正確に生理周期を予測することができる。以下、図１を用いて、生理周期予測システム１による予測処理の概要を説明する。
　まず、予測装置１００が予測モデルを生成するまでの処理（学習フェーズ）について説明する。測定器３００は、測定器３００が収納された衣服等をユーザ１０が装着して就寝する間に、ユーザ１０の基礎体温データを測定する（ステップＳ１）。測定器３００は、測定した基礎体温データをユーザ端末２００に送信する（ステップＳ２）。
　ユーザ端末２００は、予測装置１００から提供される専用アプリ等において、測定器３００から取得した基礎体温データを表示する。また、ユーザ端末２００は、ユーザ１０から、当該基礎体温データが測定された日に対応するイベント情報を受け付ける（ステップＳ３）。なお、基礎体温データが測定された日とは、必ずしも測定当日とは限らない。例えば、測定器３００が深夜零時を超えたあとに基礎体温を取得した場合、ユーザ端末２００は、その前日のイベント情報（すなわち、測定された基礎体温に影響を与えたと想定されるイベント情報）の入力を受け付けてもよい。
　イベント情報の入力について、図２乃至図４を用いて説明する。図２は、実施形態に係るユーザインターフェイスの一例を示す図（１）である。
　図２では、ユーザ端末２００において、基礎体温データを表示するアプリが起動している際の画面表示例を示している。図２に示すように、ユーザ端末２００は、測定された基礎体温データの最新データと、基礎体温データの履歴を示すグラフ２５１を表示する。また、グラフ２５１には、履歴において記録されたイベント情報を示す表示２５２が含まれる。例えば、ユーザ１０によってイベント情報が入力された日付には、表示２５２のうち該当する項目において、「〇」等の表示が示される。
　ユーザ１０は、グラフ２５１に含まれるボタン２５３を選択することにより、測定された基礎体温データに対応するイベント情報の入力を開始することができる。ユーザ端末２００は、ユーザ１０によってボタン２５３が選択された場合、表示を図３に示す画面に遷移する。
　図３は、実施形態に係るユーザインターフェイスの一例を示す図（２）である。図３では、ユーザ端末２００が、ユーザ１０がイベント情報を入力するための画面を表示している例を示す。
　ユーザ１０は、測定された基礎体温データ２６１を確認し、もし誤りがあれば、基礎体温を画面上で訂正することができる。また、ユーザ１０は、登録されている体重に変化があった場合、体重のデータを訂正することができる。
　また、ユーザ１０は、画面に表示されているイベントアイコン２６２やイベントアイコン２６３のうち、自身に該当するイベントを選択することができる。
　イベントアイコン２６２は、ユーザ１０の身体に関するイベント事項が列挙されている。例えば、ユーザ１０は、生理期間である場合、生理に対応するイベントアイコンを押下することで、「生理」というイベント情報が有ったという情報を入力できる。同様に、ユーザ１０は、体調不良であった場合、「体調不良」に対応するイベントアイコンを押下する。同様に、ユーザ１０は、不正出血や性交渉やおりものがあった場合、それらに対応するイベントアイコンを押下する。
　また、イベントアイコン２６３は、ユーザ１０の行動に関するイベント事項が列挙されている。例えば、ユーザ１０は、寝不足であった場合、寝不足に対応するイベントアイコンを押下することで、「寝不足」というイベント情報が有ったという情報を入力できる。図３に示すように、ユーザ１０が「寝不足」に対応するイベントアイコン２６４を選択した場合、イベントアイコン２６４は、他のイベントアイコンと異なる表示態様（例えば他のイベントアイコンとは異なる色）に変化する。また、ユーザ１０は、飲酒をした場合、「飲酒」に対応するイベントアイコンを押下する。同様に、ユーザ１０は、運動をした場合や、当日が休暇であった場合、それらに対応するイベントアイコンを押下する。
　ユーザ１０が画面を下にスクロールすると、ユーザ端末２００は、画面表示を図４に遷移させる。図４は、実施形態に係るユーザインターフェイスの一例を示す図（３）である。
　図４の画面表示例には、図３と同様、イベントアイコン２７１や、イベントアイコン２７２が含まれる。また、図４の画面表示例は、メモ入力欄２７３を含む。
　イベントアイコン２７１は、ユーザ１０の病院や薬に関するイベント事項が列挙されている。例えば、ユーザ１０は、通院した場合、通院に対応するイベントアイコンを押下することで、「通院」というイベント情報が有ったという情報を入力できる。同様に、ユーザ１０は、服薬をした場合、「服薬」に対応するイベントアイコンを押下する。
　イベントアイコン２７２は、ユーザ１０の気分に関するイベント事項が列挙されている。例えば、ユーザ１０は、当日の気分（ストレスの有無など）に応じて、当日の気分として、「悪い」、「普通」、「良い」のうち一つを選択する。このように、ユーザ１０自らが気分を選択することで、ユーザ端末２００は、定量データとして測定しにくいストレスの有無等をイベント情報として取得することができる。
　また、ユーザ１０は、メモ入力欄２７３に当日の出来事をメモしてもよい。この場合、ユーザ端末２００は、メモ入力欄２７３に入力されたテキストデータを解析し、解析した情報に基づいてイベント情報を自動的に入力してもよい。例えば、ユーザ端末２００は、文章がネガティブであるかポジティブであるかを判定する文章解析モデルを利用し、メモ内容がネガティブであるかポジティブであるかを判定し、判定結果に対応する気分の良し悪しをイベント情報として取得してもよい。あるいは、ユーザ端末２００は、テキストデータを形態素解析し、飲酒や服薬等に対応するテキストデータを抽出し、かかる抽出データに基づいて、飲酒や服薬等のイベント情報を取得してもよい。
　図１に戻って説明を続ける。ユーザ端末２００は、ユーザ１０によって入力されたイベント情報と、基礎体温データとを組み合わせたデータを学習データとして、予測装置１００に送信する（ステップＳ４）。なお、図１では説明のためユーザ１０のみを記載しているが、実際には、学習データは、相当数のユーザから定期的に送信されるものとする。また、ユーザ端末２００は、イベント情報が入力されるごとに学習データを送信してもよいし、生理開始日をフラグとして１生理周期分のデータを蓄積した学習データセットを送信してもよい。
　予測装置１００は、ユーザ端末２００から取得した学習データを測定およびイベントデータ５０として記憶する。その後、予測装置１００は、学習データが充分に蓄積した段階で、生理周期を予測するための予測モデルを生成する（ステップＳ５）。例えば、予測装置１００は、基礎体温データとイベント情報とが入力された場合に、当該データを送信したユーザ１０の生理開始日もしくは排卵日等を出力するような予測モデルを生成する。予測モデルの詳細については後述する。
　次に、予測装置１００が予測モデルを用いて生理周期を予測する処理（推論フェーズ）について説明する。測定器３００は、測定器３００が収納された衣服等をユーザ２０が装着して就寝する間に、ユーザ２０の基礎体温データを測定する（ステップＳ１１）。測定器３００は、測定した基礎体温データをユーザ端末２００に送信する（ステップＳ１２）。
　ユーザ端末２００は、測定器３００から取得した基礎体温データをアプリ上で表示し、ユーザ２０からイベント情報の入力を受け付ける（ステップＳ１３）。ユーザ端末２００は、イベント情報の入力を受け付けると、基礎体温データとイベント情報とを組み合わせた測定データを予測装置１００に送信する（ステップＳ１４）。なお、ユーザ端末２００は、所定時間、ユーザ２０からイベント情報の入力がない場合、イベント情報を含まない、基礎体温データのみが記録された測定データを送信してもよい。
　予測装置１００は、ユーザ端末２００から測定データを取得すると、当該測定データを予測モデル６０に入力する。そして、予測装置１００は、入力された測定データから導出される、ユーザ２０の次の生理開始日や排卵日を予測結果として出力する（ステップＳ１５）。
　予測装置１００は、出力した結果をユーザ端末２００に送信する（ステップＳ１６）。このとき、予測装置１００は、ユーザ端末２００のアプリで表示される内容を制御してもよい。例えば、予測装置１００は、「あなたの次の生理開始日は「ＸＸ月ＹＹ日」です」といったメッセージをアプリ内に表示するよう制御する。あるいは、予測装置１００は、「あなたの次の排卵日は「ＸＸ月ＹＹ日」です」といったメッセージをアプリ内に表示するよう制御する。
　なお、予測装置１００は、生理開始日や排卵日を直接表示するのではなく、他の表現やアドバイス等を表示してもよい。この場合、予測装置１００は、表示するメッセージやアドバイスを生成するため、月経周期に関する種々の情報を利用してもよい。図５を用いて、月経周期に関する種々の情報について説明する。図５は、月経周期を説明するための図である。
　図５には、月経周期における体温変化を示すグラフ２８０を示す。グラフ２８０は、縦軸を体温、横軸を日数とする。グラフ２８０の横軸の始点が、生理開始日に該当する。グラフ２８０に示すように、月経周期は、月経開始（生理開始日）付近から低温期２８２となり、排卵日２８３を境に高温期２８１となるような周期性を有する。また、一般に、排卵日後から数日間は、他の期間と比較して妊娠可能性が高まる。また、一般に、生理開始日直前には、精神が不安定になるなど体調不良になる人が多い。また、高温期が通常よりも長く続くことで生理周期にずれが生じている場合、妊娠の可能性が高い。また、低温期が通常よりも長く続くことで生理周期にずれが生じている場合、生理不順の可能性が高い。
　予測装置１００は、例えば、図５に示される情報や、一般に観測される既知の情報に基づいて、予測した生理開始日や排卵日等に関する情報をユーザ端末２００に送信する。また、予測装置１００は、予測した生理開始日や排卵日等から推察される情報をユーザ端末２００に送信し、ユーザ端末２００内のアプリ上に表示してもよい。すなわち、予測装置１００は、排卵日予測から妊娠可能性を示唆するアドバイスや、生理開始日予測から体調不良となる可能性を示唆するアドバイス等を表示してもよい。具体的には、予測装置１００は、「ＸＸ月ＹＹ日付近は妊娠の成功率が高まります」といったアドバイスや、「ＸＸ月ＹＹ日付近は体調が悪くなる可能性が高いので注意しましょう」といったアドバイス等を表示する。あるいは、予測装置１００は、妊娠の可能性があることを示唆したり、生理不順の兆候がみられること等のアドバイスを表示してもよい。
　以上、図１乃至図５を用いて説明したように、実施形態に係る予測装置１００は、月経周期間における基礎体温データと、当該基礎体温データが測定された日のイベント情報とを組み合わせた学習データを取得する。そして、予測装置１００は、取得した学習データに基づいて、生理周期を予測する予測モデルを生成する。
　このように、予測装置１００は、基礎体温データといった定量的な情報のみならず、基礎体温データに影響を与えると想定されるイベント情報を含んだ学習データに基づいて予測モデルを生成する。すなわち、予測装置１００は、基礎体温データや生理開始日等に影響を与える影響要因に基づき、その影響度を加味して機械学習を行うことで、単に生理周期パターンのみを用いた予測処理と比較して、より正確な生理周期を予測することができる予測モデルを生成することができる。
（１－２．実施形態に係る予測装置の構成）
　次に、実施形態に係る生理周期予測処理を実行する予測装置１００の構成について説明する。図６は、実施形態に係る予測装置１００の構成例を示す図である。
　図６に示すように、予測装置１００は、通信部１１０と、記憶部１２０と、制御部１３０とを有する。なお、予測装置１００は、予測装置１００を管理する管理者等から各種操作を受け付ける入力部（例えば、キーボードやマウス等）や、各種情報を表示するための表示部（例えば、液晶ディスプレイ等）を有してもよい。
　通信部１１０は、例えば、ネットワークインタフェースコントローラ(Network　Interface　Controller)等によって実現される。通信部１１０は、ネットワークＮ（例えばインターネット）と有線又は無線で接続され、ネットワークＮを介して、ユーザ端末２００等との間で情報の送受信を行う。例えば、通信部１１０は、Ｗｉ－Ｆｉ（登録商標）、ＳＩＭ（Subscriber　Identity　Module）、ＬＰＷＡ（Low　Power　Wide　Area）等の通信規格もしくは通信技術を用いて、情報の送受信を行ってもよい。
　記憶部１２０は、例えば、ＲＡＭ（Random　Access　Memory)、フラッシュメモリ（Flash　Memory）等の半導体メモリ素子、または、ハードディスク、光ディスク等の記憶装置によって実現される。記憶部１２０は、学習データ記憶部１２１と、モデル記憶部１２２と、測定データ記憶部１２３とを有する。
　学習データ記憶部１２１は、予測モデルの学習に用いられる学習データを記憶する。図７に、学習データ記憶部１２１が記憶する情報の一例を示す。図７は、実施形態に係る学習データ記憶部１２１の一例を示す図である。図７に示した例では、学習データ記憶部１２１は、「データセットＩＤ」、「データＩＤ」、「日付」、「体温」、「イベントデータ」といった項目を有する。「イベントデータ」は、「からだ」、「生活」、「生理」、「体調不良」、「寝不足」、「飲酒」といった小項目を有する。
　「データセットＩＤ」は、１生理周期にわたるデータをひとまとめにした場合のデータセットを識別する識別情報を示す。「データＩＤ」は、基礎体温データと、基礎体温データが測定された日付に対応するイベント情報とを組み合わせた各データを識別する識別情報である。「日付」は、基礎体温が測定された日付を示す。「体温」は、測定された基礎体温データの具体的な数値を示す。
　「イベントデータ」は、ユーザ１０による入力に基づき取得された各々のイベント情報をデータ化したものを示す。例えば、イベントデータは、有る無しの２値化データで示される。「からだ」、「生活」、「生理」、「体調不良」、「寝不足」、「飲酒」の各々は、図３等で示した各イベントアイコンに対応する情報を示す。例えば、ユーザ１０がイベントアイコンを選択した項目には、イベントデータとして「１」が記録される。また、ユーザ１０によって選択されなかった項目には、イベントデータとして「０」が記録される。
　モデル記憶部１２２は、予測装置１００によって生成された予測モデルが記憶される。予測装置１００は、所定期間ごとや、学習データが所定量蓄積するたびに、モデル記憶部１２２に記憶された予測モデルを更新してもよい。
　測定データ記憶部１２３は、予測モデルを用いた予測処理に利用される測定データを記憶する。図８に、測定データ記憶部１２３が記憶する情報の一例を示す。図８は、実施形態に係る測定データ記憶部１２３の一例を示す図である。図８に示した例では、測定データ記憶部１２３は、「ユーザＩＤ」、「データＩＤ」、「日付」、「体温」、「イベントデータ」といった項目を有する。「イベントデータ」は、「からだ」、「生活」、「生理」、「体調不良」、「寝不足」、「飲酒」といった小項目を有する。
　「ユーザＩＤ」は、ユーザ２０を識別するための識別情報を示す。ユーザＩＤ以外の項目は、図７に示した同一の項目に対応する。
　図６に戻り、説明を続ける。制御部１３０は、例えば、ＣＰＵ（Central　Processing　Unit）やＭＰＵ（Micro　Processing　Unit）、ＧＰＵ（Graphics　Processing　Unit）等によって、予測装置１００内部に記憶されたプログラムがＲＡＭ（Random　Access　Memory）等を作業領域として実行されることにより実現される。また、制御部１３０は、コントローラ（controller）であり、例えば、ＡＳＩＣ（Application　Specific　Integrated　Circuit）やＦＰＧＡ（Field　Programmable　Gate　Array）等の集積回路により実現される。
　図６に示すように、制御部１３０は、取得部１３１、生成部１３２、予測部１３３および送信部１３４を含む。
　取得部１３１は、生理周期間における基礎体温データと、基礎体温データが測定された日のイベント情報とを組み合わせた学習データを取得する。例えば、取得部１３１は、ユーザ端末２００にインストールされたプログラム（アプリ）を制御し、学習データがユーザ端末２００に取得されたタイミングや、毎日の定時のタイミング等で、ユーザ端末２００から学習データを取得する。
　なお、取得部１３１は、学習データとして、基礎体温データ等に限らず、各ユーザの年齢や身長、体重など、生理周期に影響を与えると想定されるあらゆる身体情報を取得してもよい。取得部１３１は、これらの情報を、例えばアプリへのユーザ登録等を介してユーザから入力を受け付けることで取得する。
　取得部１３１は、イベント情報として、ユーザ１０の日々の行動情報（飲酒、運動等）や、ユーザ１０が通院や服薬を行ったか否かを示した情報を取得する。
　また、取得部１３１は、イベント情報として、ユーザ１０による体調不良の申告もしくは気分の良し悪しに関する申告を取得することもできる。これにより、取得部１３１は、定量化しにくい体調や気分に関するデータを取得することができる。
　さらに、取得部１３１は、基礎体温データが測定された日に対応するテキストデータを解析することにより得られるイベント情報を取得してもよい。例えば、取得部１３１は、既知の文章解析モデルを利用して推定したユーザ１０の気分や体調等をイベント情報として取得してもよい。あるいは、取得部１３１は、文章に含まれる単語や文脈の意図解析から、飲酒を行ったことや通院したこと等を推定し、推定した情報をイベント情報として取得してもよい。
　また、取得部１３１は、予測モデルが生成された後は、ユーザ端末２００から日々の測定データを取得する。具体的には、取得部１３１は、基礎体温データと、当該基礎体温データが測定された日のイベント情報とを組み合わせた測定データを取得する。例えば、取得部１３１は、ユーザ端末２００にインストールされたプログラムを制御し、測定データが所定量蓄積した場合や、生理開始が観測された日等に、所定量の測定データセット（例えば、１生理周期分の測定データ）を取得する。あるいは、取得部１３１は、ユーザ端末２００によって測定データが取得されたタイミングや、毎日の定時のタイミング等で、ユーザ端末２００から測定データを取得してもよい。取得部１３１は、取得したデータをユーザ２０ごとに識別して記憶する。
　生成部１３２は、取得部１３１によって取得された学習データに基づいて、生理周期を予測する予測モデルを生成する。例えば、生成部１３２は、学習データに対して所定の機械学習を行うことで、新たに測定データを入力した場合に、生理周期に関するデータ（生理開始日や排卵日等）を出力する予測モデルを生成する。
　生成部１３２は、単に生理周期における基礎体温データのみならず、各々の基礎体温データとともに入力されたイベント情報を要素の一つとすることで、それらイベント情報による影響を加味した予測モデルを生成することができる。なお、予測モデルは、生理開始日や排卵日などの日程を予測するのではなく、低温期日程を予測したり、高温期日程を予測するモデルであってもよい。一般に、高温期日程は比較的安定しているとされるため、予測モデルは、低温期日程を予測することで予測対象の生理周期を推定するようなモデルとして構成されてもよい。
　生成部１３２は、種々の機械学習の手法を用いて予測モデルを生成してもよい。すなわち、生成部１３２による学習手法は、いずれかの手法に限定されるものではない。
　一例として、生成部１３２は、ユーザ１０の生理周期日数を正解データ（目的変数）とし、基礎体温データおよび各々のイベント情報を影響要因（説明変数）として、回帰分析手法による学習を行ってもよい。これにより、生成部１３２は、ユーザ１０の生理周期日数の予測において、どのような説明変数（イベント情報）が影響したかといった情報を導出することができる。
　以下に、モデル生成の一例について説明する。なお、以下で示す学習手法やモデルは一例であり、生成部１３２は、既知の様々な手法を用いて、どのようなモデルを生成してもよい。
　例えば、生成部１３２は、学習データセットにおける生理周期日数を回帰分析における目的変数とする。かかる生理周期日数は、ユーザ１０によって入力される生理開始日に基づいて算出される。例えば、生成部１３２は、ユーザ１０がイベント情報として「生理」を選択していない日が続いたあとに、「生理」を選択された場合に、当該日を生理開始日と判定する。また、生成部１３２は、データセットに含まれる基礎体温データおよび各種イベント情報を重回帰分析における説明変数とする。
　例えば、生成部１３２は、生理周期日数と、各イベント情報との関係を示す式を生成する。さらに、生成部１３２は、各々のイベント情報が、ユーザ１０の生理周期日数という事象に対して、どのような重みを有するかを算出する。これにより、生成部１３２は、ユーザ１０の生理周期日数という事象に対して、個々の説明変数がどのくらい影響するのかといった情報を得ることができる。例えば、生成部１３２は、ユーザ１０に関するモデルを生成する場合には、下記式（１）を作成する。
　　ｙ（ユーザ１０）　＝　ω１・ｘ１　＋　ω２・ｘ２　＋　ω３・ｘ３　・・・＋　ωＮ・ｘＮ　　　・・・（１）（Ｎは任意の数）
　上記式（１）において、「ｙ（ユーザ１０）」は、「ユーザ１０の生理周期日数」という事象を示す。なお、生成部１３２は、算出を容易にするため、正規化等を経て、「ユーザ１０の生理周期日数」を「－１」から「１」の値に変換するなどの処理を行ってもよい。例えば、生成部１３２は、生理周期日数が規定の数値（標準）より多い場合、「ｙ（ユーザ１０）」は「１」に漸近させ、生理周期日数が規定の数値より少ない場合、「ｙ（ユーザ１０）」を「－１」に漸近させるなどの処理を行ってもよい。
　また、上記式（１）において、「ｘ」は、説明変数であり、ユーザ端末２００から得られたイベント情報に対応する。具体的には、上記式（１）における「ｘ１」は、イベント情報のうち「体調不良」であるものとする。また、上記式（１）における「ｘ２」は、イベント情報のうち「寝不足」に対応するものとする。また、上記式（１）における「ｘ３」は、イベント情報のうち「飲酒」に対応するものとする。すなわち、上記式（１）の右辺は、図７で示したような、各学習データにおけるイベントの有無に対応する。
　また、上記式（１）において、「ω」は、「ｘ」の係数であり、所定の重み値を示す。具体的には、「ω１」は、「ｘ１」の重み値であり、「ω２」は、「ｘ２」の重み値であり、「ω３」は、「ｘ３」の重み値である。このように、上記式（１）は、イベント情報に対応する説明変数「ｘ」と、所定の重み値「ω」とを含む変数（例えば、「ω１・ｘ１」）を組み合わせることにより作成される。
　そして、生成部１３２は、上記式（１）のように、学習対象のデータセットごとに式を生成し、生成した式を回帰分析のサンプルとする。そして、生成部１３２は、サンプルとなる式の演算処理を行うことにより、所定の重み値「ω」に対応する値を導出する。また、生成部１３２は、上記式（１）のようなサンプルとなる式を随時生成する。そして、生成部１３２は、生成した式の増加に従い、回帰的に上記式（１）を満たすような所定の重み値「ω」を決定する。言い換えれば、生成部１３２は、所定の説明変数が目的変数「ｙ」に与える影響を示す重み値「ω」を決定する。
　仮に、ユーザ１０の生理周期日数という事象に対して、「飲酒」の回数が他の変数と比較して寄与しているのであれば、「飲酒」に対応する重み値「ω３」の値は、他の変数と比較して大きな正の値が算出されると推定される。また、ユーザ１０の生理周期日数という事象に対して、「寝不足」の回数がほとんど寄与していないのであれば、「寝不足」に対応する重み値「ω２」の値は、学習が進むにつれ、「０」へと漸近していくと推定される。
　なお、上記の例では、説明を簡単にするため、イベント情報のみを説明変数とする式（１）を示したが、実際には、基礎体温データによるデータが要素として含まれる。また、上記の例では、説明変数として３種類のイベント情報のみを示したが、実際には、上記式（１）には、取得部１３１が取得した種々のイベント情報に対応する種々の説明変数が含まれる。
　また、上記の例では、正解データをユーザ１０の生理周期日数としたが、正解データはこれに限られず、低温期の日数や、生理開始日や排卵日等を正解データとしてもよい。また、生成部１３２は、基礎体温データに基づいて学習を行い生理周期の予測モデルを生成したあとに、各イベント情報がその予測モデルによって予測された数値に与える影響を予測するためのモデルを別に生成するなど、様々な学習手法により予測モデルを生成してもよい。
　また、学習データを提供する複数のユーザ１０は、自身に起こったイベント情報を漏れなく全て入力するとは限らない。このため、生成部１３２は、正解のあるデータとないデータとが混在した場合を想定し、教師あり学習でなく、半教師あり学習を用いて予測モデルを生成してもよい。
　予測部１３３は、生成部１３２によって生成された予測モデルを用いて、新たに取得した基礎体温データとイベント情報とを組み合わせた測定データから、測定データに対応するユーザ２０の生理周期を予測する。
　なお、予測部１３３は、測定データについて、１生理周期分のデータをデータセットとして予測モデルに入力し、次の生理開始日や排卵日がいつとなるかを予測してもよい。あるいは、予測部１３３は、毎日の測定データをユーザ２０から取得するたびに順次予測モデルに入力し、そのたびに出力される結果に基づいて、予測日を更新してもよい。
　送信部１３４は、予測部１３３によって予測された結果をユーザ端末２００に送信する。また、送信部１３４は、予測部１３３によって予測された生理周期に基づいて、ユーザに対するアドバイスを送信してもよい。例えば、送信部１３４は、生理周期から推定されるユーザ２０の体調や、妊娠可能性に関するアドバイスを送信する。
　この場合、送信部１３４は、ユーザ２０ごとに異なるアドバイスを送信してもよい。例えば、送信部１３４は、過去の履歴を参照し、生理開始日前数日に、当該ユーザ２０が「体調不良」というイベントが発生したことを繰り返し示していたと判定する。この場合、送信部１３４は、当該ユーザに対して、予測した生理開始日の数日前の日付を示すとともに、その期間に体調不良の可能性があることを示唆するアドバイスを送信する。一方で、送信部１３４は、生理開始日前数日に「体調不良」というイベントが発生したという履歴を残していないユーザ２０に対しては、そのようなアドバイスを送信しないという対応をとりうる。このようなユーザごとの処理は、各ユーザの行動履歴を機械学習すること等により、自動化することができる。
　続いて、ユーザ端末２００の構成について説明する。図９は、ユーザ端末２００の構成例を示す図である。図９に示すように、ユーザ端末２００は、通信部２１０と、記憶部２２０と、制御部２３０とを有する。なお、ユーザ端末２００は、ユーザから各種操作を受け付ける入力部（例えばタッチパネル等）や、各種情報を表示するための表示部（例えば液晶ディスプレイ等）を有してもよい。
　通信部２１０は、例えば、ネットワークインタフェースコントローラ等によって実現される。通信部２１０は、ネットワークＮと有線又は無線で接続され、ネットワークＮを介して、予測装置１００や測定器３００等との間で情報の送受信を行う。
　記憶部２２０は、例えば、ＲＡＭ、フラッシュメモリ等の半導体メモリ素子、または、ハードディスク、光ディスク等の記憶装置によって実現される。測定データ記憶部２２１は、測定器３００によって測定された基礎体温データ、および、ユーザから入力されたイベント情報とを組み合わせた情報を記憶する。測定データ記憶部２２１に記憶された情報は、学習データもしくは測定データとして予測装置１００に送信される。なお、測定データ記憶部２２１に記憶される情報は、必ずしもユーザ端末２００自体が保持する必要はなく、例えばクラウド上のデータサーバ等に保持されてもよい。
　制御部２３０は、例えば、ＣＰＵやＭＰＵ、ＧＰＵ等によって、ユーザ端末２００内部に記憶されたプログラムがＲＡＭ等を作業領域として実行されることにより実現される。また、制御部２３０は、コントローラであり、例えば、ＡＳＩＣやＦＰＧＡ等の集積回路により実現される。制御部２３０は、取得部２３１、受付部２３２および送信部２３３を含む。
　取得部２３１は、測定器３００から、測定器３００によって測定された基礎体温データを取得する。また、取得部２３１は、予測装置１００が予測した結果を取得し、アプリ内で表示する。
　受付部２３２は、アプリを介して、ユーザからイベント情報の入力を受け付ける。受付部２３２は、イベント情報の入力を受け付けた場合、基礎体温データとイベント情報とを対応付けて測定データ記憶部２２１に記憶する。
　送信部２３３は、予測装置１００による要求にしたがい、測定データ記憶部２２１に記憶されたデータを予測装置１００に送信する。
　続いて、測定器３００の構成について説明する。図１０は、測定器３００の構成例を示す図である。図１０に示すように、測定器３００は、通信部３１０と、記憶部３２０と、制御部３３０と、検知部３４０とを有する。なお、測定器３００は、ユーザから各種操作を受け付ける入力部（例えばタッチパネル等）や、各種情報を表示するための表示部（例えば液晶ディスプレイ等）を有してもよい。
　通信部３１０は、例えば、ネットワークインタフェースコントローラ等によって実現される。通信部３１０は、ネットワークＮと有線又は無線で接続され、ネットワークＮを介して、予測装置１００やユーザ端末２００等との間で情報の送受信を行う。
　記憶部３２０は、例えば、ＲＡＭ、フラッシュメモリ等の半導体メモリ素子、または、ハードディスク、光ディスク等の記憶装置によって実現される。測定データ記憶部３２１は、測定器３００が測定した基礎体温データを記憶する。測定データ記憶部３２１に記憶された情報は、所定のタイミング（毎日定時など）に、ユーザ端末２００に送信される。なお、測定データ記憶部３２１に記憶される情報は、必ずしも測定器３００自体が保持する必要はなく、例えばクラウド上のデータサーバ等に保持されてもよい。
　検知部３４０は、センサであり、各種データを検知する。例えば、検知部３４０は、体温を測定する温度センサである。なお、検知部３４０は、体温に限らず、外部の環境温度や湿度等を検知してもよい。
　制御部３３０は、例えば、ＣＰＵやＭＰＵ、ＧＰＵ等によって、測定器３００内部に記憶されたプログラムがＲＡＭ等を作業領域として実行されることにより実現される。また、制御部３３０は、コントローラであり、例えば、ＡＳＩＣやＦＰＧＡ等の集積回路により実現される。制御部３３０は、測定部３３１は、送受信部３３２を含む。
　測定部３３１は、検知部３４０によって検知された基礎体温を測定する。測定部３３１は、測定したデータを測定データ記憶部３２１に記憶する。
　送受信部３３２は、測定部３３１によって測定された基礎体温データをユーザ端末２００に送信する。また、送受信部３３２は、ユーザ端末２００から発せられる測定データの送信要求等を受信してもよい。この場合、送受信部３３２は、測定データの送信要求を受信した時点で、それまでに蓄積した測定データをユーザ端末２００に送信する。
（１－３．実施形態に係る生理周期予測処理の手順）
　次に、図１１および図１２を用いて、実施形態に係る処理の手順について説明する。まず、図１１を用いて、実施形態に係る学習処理の手順を説明する。図１１は、実施形態に係る学習処理の手順を示すフローチャートである。
　図１１に示すように、予測装置１００は、ユーザ端末２００から学習データを取得する（ステップＳ１０１）。その後、予測装置１００は、学習データが学習に充分な量が蓄積されたか否かを判定する（ステップＳ１０２）。学習データが蓄積されていない場合（ステップＳ１０２；Ｎｏ）、予測装置１００は、学習データを取得する処理を繰り返す。
　一方、学習データが蓄積された場合（ステップＳ１０２；Ｙｅｓ）、予測装置１００は、学習データに基づいて予測モデルを生成する（ステップＳ１０３）。そして、予測装置１００は、生成した予測モデルを記憶部１２０に格納する（ステップＳ１０４）。
　続いて、図１２を用いて、実施形態に係る予測処理の手順を説明する。図１２は、実施形態に係る予測処理の手順を示すフローチャートである。
　図１２に示すように、予測装置１００は、ユーザから測定データを受け付けたか否かを判定する（ステップＳ２０１）。測定データを受け付けていない場合（ステップＳ２０１；Ｎｏ）、予測装置１００は、測定データを受け付けるまで待機する。
　一方、測定データを受け付けた場合（ステップＳ２０１；Ｙｅｓ）、予測装置１００は、測定データを予測モデルに入力し、予測処理を実行する（ステップＳ２０２）。そして、予測装置１００は、出力された結果をユーザに送信する（ステップＳ２０３）。
（２．実施形態の変形例）
（２－１．装置の構成）
　上記実施形態では、本開示に係るユーザ端末２００は、測定器３００が測定した基礎体温データを取得する例を示した。しかし、ユーザ端末２００は、必ずしも測定器３００から基礎体温データを取得しなくてもよい。例えば、ユーザ端末２００は、ユーザから直接入力された基礎体温データを測定データもしくは学習データとして取り扱ってもよい。
　また、実施形態では、ユーザ端末２００が学習データを予測装置１００に送信し、予測装置１００が予測モデルを生成する処理を示した。しかし、ユーザ端末２００は、取得した学習データに基づいて、自装置で予測モデルを生成してもよい。すなわち、ユーザ端末２００は、予測装置１００としての機能を有していてもよい。
（３．その他の実施形態）
　上述した実施形態に係る処理は、上記実施形態以外にも種々の異なる形態にて実施されてよい。
　例えば、上記実施形態において説明した各処理のうち、自動的に行われるものとして説明した処理の全部または一部を手動的に行うこともでき、あるいは、手動的に行われるものとして説明した処理の全部または一部を公知の方法で自動的に行うこともできる。この他、上記文書中や図面中で示した処理手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。例えば、各図に示した各種情報は、図示した情報に限られない。
　また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。
　また、上述してきた実施形態及び変形例は、処理内容を矛盾させない範囲で適宜組み合わせることが可能である。
　また、本明細書に記載された効果はあくまで例示であって限定されるものでは無く、他の効果があってもよい。
（４．本開示に係る生理周期予測装置および生理周期予測システムの効果）
　上述してきたように、本開示に係る生理周期予測装置（実施形態では予測装置１００）は、取得部（実施形態では取得部１３１）と、生成部（実施形態では生成部１３２）とを有する。取得部は、生理周期間における基礎体温データと、当該基礎体温データが測定された日のイベント情報とを組み合わせた学習データを取得する。生成部は、取得部によって取得された学習データに基づいて、生理周期を予測する予測モデルを生成する。
　このように、本開示に係る生理周期予測装置は、基礎体温データといった定量的な情報のみならず、基礎体温データに影響を与えると想定されるイベント情報を含んだ学習データに基づいて予測モデルを生成する。これにより、生理周期予測装置は、単に生理周期パターンのみを用いた予測処理と比較して、より正確な生理周期を予測することができる予測モデルを生成することができる。
　また、生理周期予測装置は、予測部（実施形態では予測部１３３）と、送信部（実施形態では送信部１３４）とをさらに備える。予測部は、生成部によって生成された予測モデルを用いて、新たに取得した基礎体温データとイベント情報とを組み合わせた測定データから、当該測定データに対応するユーザの生理周期を予測する。送信部は、予測部によって予測されたユーザの生理周期に関する情報を当該ユーザに送信する。
　このように、生理周期予測装置は、イベント情報を含んだ学習データに基づいて生成された予測モデルを用いて予測処理を行うことで、正確に予測された生理周期に関する情報をユーザに提供することができる。
　また、送信部は、予測部によって予測された生理周期に基づいて、ユーザに対するアドバイスを送信する。
　このように、生理周期予測装置は、正確に予測された生理周期に基づいてアドバイスを作成することで、より有用な情報をユーザに提供することができる。
　また、取得部は、イベント情報として、飲酒、運動、通院、服薬の少なくとも一つの情報を取得する。
　このように、生理周期予測装置は、基礎体温に影響を与えると想定されるユーザの日々の行動をイベント情報として取得する。これにより、生理周期予測装置は、これらの行動に伴う影響を加味した予測モデルを生成することができる。
　また、取得部は、イベント情報として、体調不良の申告もしくは気分の良し悪しに関する申告を取得する。
　このように、生理周期予測装置は、定量的には測定が難しい、ユーザの体調不良や気分など、ストレス要因となりうる情報を取得する。これにより、生理周期予測装置は、ストレス等、目に見えにくい影響を加味した予測モデルを生成することができる。
　また、取得部は、基礎体温データと、当該基礎体温データが測定された日に対応するテキストデータを解析することにより得られるイベント情報とを組み合わせた学習データを取得する。
　このように、生理周期予測装置は、ユーザのメモ等に基づいてイベント情報を推定することで、ユーザ自身も気づかないようなストレスや気分等を影響要因として予測に反映させることのできる予測モデルを生成することができる。
　また、本開示に係る生理周期予測システム（実施形態では生理周期予測システム１）は、端末装置（実施形態ではユーザ端末２００）と、生理周期予測装置とを含む。端末装置は、受付部（実施形態では受付部２３２）と、送信部（実施形態では送信部２３３）とを備える。受付部は、測定された基礎体温データを表示する画面内で、当該基礎体温データに対応する日に発生したイベント情報の入力を受け付ける。送信部は、受付部によって受け付けられたイベント情報と、当該イベント情報に対応する基礎体温データとを組み合わせた学習データを生理周期予測装置に送信する。生理周期予測装置は、取得部と、生成部とを備える。取得部は、送信部によって送信された学習データを取得する。生成部は、取得部によって取得された学習データに基づいて、生理周期を予測する予測モデルを生成する。
　このように、本開示に係る生理周期予測システムは、基礎体温データとともに表示される態様でユーザからイベント情報の入力を受け付けるといった、優れたユーザインターフェイスを介して学習データを取得することができる。これにより、生理周期予測システムは、ユーザによって入力されたイベント情報を含む学習データをより多く取得できるので、学習の精度を向上させることができ、結果として、生成するモデルの予測精度を高めることができる。
（５．ハードウェア構成）
　上述してきた実施形態に係る予測装置１００やユーザ端末２００等の情報機器は、例えば図１３に示すような構成のコンピュータ１０００によって実現される。以下、実施形態に係る予測装置１００を例に挙げて説明する。図１３は、予測装置１００の機能を実現するコンピュータ１０００の一例を示すハードウェア構成図である。コンピュータ１０００は、ＣＰＵ１１００、ＲＡＭ１２００、ＲＯＭ（Read　Only　Memory）１３００、ＨＤＤ（Hard　Disk　Drive）１４００、通信インターフェイス１５００、及び入出力インターフェイス１６００を有する。コンピュータ１０００の各部は、バス１０５０によって接続される。
　ＣＰＵ１１００は、ＲＯＭ１３００又はＨＤＤ１４００に格納されたプログラムに基づいて動作し、各部の制御を行う。例えば、ＣＰＵ１１００は、ＲＯＭ１３００又はＨＤＤ１４００に格納されたプログラムをＲＡＭ１２００に展開し、各種プログラムに対応した処理を実行する。
　ＲＯＭ１３００は、コンピュータ１０００の起動時にＣＰＵ１１００によって実行されるＢＩＯＳ（Basic　Input　Output　System）等のブートプログラムや、コンピュータ１０００のハードウェアに依存するプログラム等を格納する。
　ＨＤＤ１４００は、ＣＰＵ１１００によって実行されるプログラム、及び、かかるプログラムによって使用されるデータ等を非一時的に記録する、コンピュータが読み取り可能な記録媒体である。具体的には、ＨＤＤ１４００は、プログラムデータ１４５０の一例である本開示に係る生理周期予測処理を実行するプログラムを記録する記録媒体である。
　通信インターフェイス１５００は、コンピュータ１０００が外部ネットワーク１５５０（例えばインターネット）と接続するためのインターフェイスである。例えば、ＣＰＵ１１００は、通信インターフェイス１５００を介して、他の機器からデータを受信したり、ＣＰＵ１１００が生成したデータを他の機器へ送信したりする。
　入出力インターフェイス１６００は、入出力デバイス１６５０とコンピュータ１０００とを接続するためのインターフェイスである。例えば、ＣＰＵ１１００は、入出力インターフェイス１６００を介して、キーボードやマウス等の入力デバイスからデータを受信する。また、ＣＰＵ１１００は、入出力インターフェイス１６００を介して、ディスプレイやスピーカーやプリンタ等の出力デバイスにデータを送信する。また、入出力インターフェイス１６００は、所定の記録媒体（メディア）に記録されたプログラム等を読み取るメディアインターフェイスとして機能してもよい。メディアとは、例えばＤＶＤ（Digital　Versatile　Disc）、ＰＤ（Phase　change　rewritable　Disk）等の光学記録媒体、ＭＯ（Magneto-Optical　disk）等の光磁気記録媒体、テープ媒体、磁気記録媒体、または半導体メモリ等である。
　例えば、コンピュータ１０００が実施形態に係る予測装置１００として機能する場合、コンピュータ１０００のＣＰＵ１１００は、ＲＡＭ１２００上にロードされた生理周期予測処理プログラムを実行することにより、制御部１３０等の機能を実現する。また、ＨＤＤ１４００には、本開示に係る生理周期予測処理を実行するプログラムや、記憶部１２０内のデータが格納される。なお、ＣＰＵ１１００は、プログラムデータ１４５０をＨＤＤ１４００から読み取って実行するが、他の例として、外部ネットワーク１５５０を介して、他の装置からこれらのプログラムを取得してもよい。
　以上、本願の実施形態を図面に基づいて詳細に説明したが、これらは例示であり、発明の開示の欄に記載の態様を始めとして、当業者の知識に基づいて種々の変形、改良を施した他の形態で本発明を実施することが可能である。
　１　　　生理周期予測システム
　１００　予測装置
　１１０　通信部
　１２０　記憶部
　１２１　学習データ記憶部
　１２２　モデル記憶部
　１２３　測定データ記憶部
　１３０　制御部
　１３１　取得部
　１３２　生成部
　１３３　予測部
　１３４　送信部
　２００　ユーザ端末
　３００　測定器

Claims (9)

  1. 　生理周期間における基礎体温データと、当該基礎体温データが測定された日のイベント情報とを組み合わせた学習データを取得する取得部と、
    　前記取得部によって取得された学習データに基づいて、生理周期を予測する予測モデルを生成する生成部と、
    　を備えることを特徴とする生理周期予測装置。
  2. 　前記生成部によって生成された予測モデルを用いて、新たに取得した基礎体温データとイベント情報とを組み合わせた測定データから、当該測定データに対応するユーザの生理周期を予測する予測部と、
    　前記予測部によって予測された前記ユーザの生理周期に関する情報を当該ユーザに送信する送信部と、
    　をさらに備えることを特徴とする請求項１に記載の生理周期予測装置。
  3. 　前記送信部は、
    　前記予測部によって予測された生理周期に基づいて、前記ユーザに対するアドバイスを送信する、
    　ことを特徴とする請求項２に記載の生理周期予測装置。
  4. 　前記取得部は、
    　前記イベント情報として、飲酒、運動、通院、服薬の少なくとも一つの情報を取得する、
    　ことを特徴とする請求項１から３のいずれか一つに記載の生理周期予測装置。
  5. 　前記取得部は、
    　前記イベント情報として、体調不良の申告もしくは気分の良し悪しに関する申告を取得する、
    　ことを特徴とする請求項１から４のいずれか一つに記載の生理周期予測装置。
  6. 　前記取得部は、
    　前記基礎体温データと、当該基礎体温データが測定された日に対応するテキストデータを解析することにより得られる前記イベント情報とを組み合わせた前記学習データを取得する、
    　ことを特徴とする請求項１から５のいずれか一つに記載の生理周期予測装置。
  7. 　コンピュータが、
    　生理周期間における基礎体温データと、当該基礎体温データが測定された日のイベント情報とを組み合わせた学習データを取得し、
    　前記取得された学習データに基づいて、生理周期を予測する予測モデルを生成する、
    　ことを含むことを特徴とする生理周期予測方法。
  8. 　コンピュータを、
    　生理周期間における基礎体温データと、当該基礎体温データが測定された日のイベント情報とを組み合わせた学習データを取得する取得部と、
    　前記取得部によって取得された学習データに基づいて、生理周期を予測する予測モデルを生成する生成部と、
    　として機能させることを特徴とする生理周期予測プログラム。
  9. 　測定された基礎体温データを表示する画面内で、当該基礎体温データに対応する日に発生したイベント情報の入力を受け付ける受付部と、
    　前記受付部によって受け付けられたイベント情報と、当該イベント情報に対応する基礎体温データとを組み合わせた学習データを生理周期予測装置に送信する送信部と、
    　を備えた端末装置と、
    　前記送信部によって送信された学習データを取得する取得部と、
    　前記取得部によって取得された学習データに基づいて、生理周期を予測する予測モデルを生成する生成部と、
    　を備えた生理周期予測装置と、
    　を含むことを特徴とする生理周期予測システム。
PCT/JP2022/034013 2021-09-16 2022-09-12 生理周期予測装置、生理周期予測方法、生理周期予測プログラムおよび生理周期予測システム WO2023042779A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2021-151442 2021-09-16
JP2021151442A JP2023043688A (ja) 2021-09-16 2021-09-16 生理周期予測装置、生理周期予測方法、生理周期予測プログラムおよび生理周期予測システム

Publications (1)

Publication Number Publication Date
WO2023042779A1 true WO2023042779A1 (ja) 2023-03-23

Family

ID=85602179

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/034013 WO2023042779A1 (ja) 2021-09-16 2022-09-12 生理周期予測装置、生理周期予測方法、生理周期予測プログラムおよび生理周期予測システム

Country Status (2)

Country Link
JP (1) JP2023043688A (ja)
WO (1) WO2023042779A1 (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024010099A1 (ja) * 2022-07-06 2024-01-11 ロゴスサイエンス株式会社 月経に伴う身体的及び／又は精神的不快症状の改善システムおよび治療用アプリシステムの構成

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014064707A (ja) * 2012-09-25 2014-04-17 Terumo Corp シート及び情報処理装置、情報処理方法
JP2016139310A (ja) * 2015-01-28 2016-08-04 株式会社野村総合研究所 ヘルスケアシステム
JP6799413B2 (ja) * 2016-08-09 2020-12-16 株式会社エムティーアイ 基礎体温予測プログラム、基礎体温予測方法
KR102333196B1 (ko) * 2021-05-17 2021-12-01 선문대학교 산학협력단 시계열 예측 인공지능을 이용한 배란일 예측 서버, 및 이를 이용한 배란일 예측 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014064707A (ja) * 2012-09-25 2014-04-17 Terumo Corp シート及び情報処理装置、情報処理方法
JP2016139310A (ja) * 2015-01-28 2016-08-04 株式会社野村総合研究所 ヘルスケアシステム
JP6799413B2 (ja) * 2016-08-09 2020-12-16 株式会社エムティーアイ 基礎体温予測プログラム、基礎体温予測方法
KR102333196B1 (ko) * 2021-05-17 2021-12-01 선문대학교 산학협력단 시계열 예측 인공지능을 이용한 배란일 예측 서버, 및 이를 이용한 배란일 예측 방법

Also Published As

Publication number Publication date
JP2023043688A (ja) 2023-03-29

Similar Documents

Publication Publication Date Title
Torous et al. Characterizing the clinical relevance of digital phenotyping data quality with applications to a cohort with schizophrenia
CN110832524B (zh) 存储介质、评价请求方法和计算机装置
JP5185785B2 (ja) 健康状態判断装置
JP6759201B2 (ja) 慢性疾患の発見および管理システム
EP3324358A1 (en) Lifestyle management assistance device and lifestyle management assistance method
Cano Martín et al. Economic impact assessment from the use of a mobile app for the self-management of heart diseases by patients with heart failure in a Spanish region
CN105981070A (zh) 生理数据的呈现
KR20110088233A (ko) 원격 의료 방법 및 이를 이용한 원격 의료 시스템
JP2005328924A (ja) 血糖値予測装置、血糖値予測モデル作成装置、およびプログラム
EP3567594A1 (en) Diabetes management system with dynamic selection of prediction logic
JP2013168026A (ja) 睡眠分析結果表示プログラム、睡眠改善支援画面表示プログラム及び睡眠改善行動結果表示プログラム
WO2023042779A1 (ja) 生理周期予測装置、生理周期予測方法、生理周期予測プログラムおよび生理周期予測システム
KR101555541B1 (ko) 유비쿼터스환경에서의 웰빙라이프케어 인덱스 모델 제작 방법
EP3016061A1 (en) Discovery of incentive effectiveness
Liang et al. A cloud-based intelligent computing system for contextual exploration on personal sleep-tracking data using association rule mining
Potluka et al. Evaluation of eHealth assistance in-hospital care for improved quality of life in patients
CA3077420A1 (en) Method for enhancing patient compliance with a medical therapy plan and mobile device therefor
Wijbenga et al. Individual differences in the temporal relationship between sleep and agitation: a single-subject study in nursing home residents with dementia experiencing sleep disturbance and agitation
TWI668664B (zh) Method for dynamically analyzing blood sugar level, system thereof and computer program product
JP2020194346A (ja) 医療機関選定支援装置
CN108335750B (zh) 动态分析血糖值的方法、系统与计算机存储介质
JP6625840B2 (ja) 健康管理支援装置、健康管理支援システム及び健康管理支援方法
JP7378224B2 (ja) 情報処理システム、情報処理方法、情報処理装置、および、情報処理プログラム
Nauha et al. Comparison and agreement between device-estimated and self-reported sleep periods in adults
JP2022093187A (ja) 情報処理装置、情報処理方法及び情報処理プログラム

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: 22869926

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE