WO2023105790A1 - ストレス推定方法 - Google Patents

ストレス推定方法 Download PDF

Info

Publication number
WO2023105790A1
WO2023105790A1 PCT/JP2021/045653 JP2021045653W WO2023105790A1 WO 2023105790 A1 WO2023105790 A1 WO 2023105790A1 JP 2021045653 W JP2021045653 W JP 2021045653W WO 2023105790 A1 WO2023105790 A1 WO 2023105790A1
Authority
WO
WIPO (PCT)
Prior art keywords
stress
data
value
person
stress value
Prior art date
Application number
PCT/JP2021/045653
Other languages
English (en)
French (fr)
Inventor
祐 北出
剛範 辻川
佳祐 鈴木
Original Assignee
日本電気株式会社
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 日本電気株式会社 filed Critical 日本電気株式会社
Priority to PCT/JP2021/045653 priority Critical patent/WO2023105790A1/ja
Publication of WO2023105790A1 publication Critical patent/WO2023105790A1/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
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state

Definitions

  • the present invention relates to a stress estimation method, a stress estimation device, and a program.
  • Known methods for estimating a person's stress include a method based on the person's subjectivity and a method based on the person's biological information.
  • stress is estimated based on a person's response to a predetermined questionnaire.
  • the stress is estimated based on the biometric information of the person acquired from the wearable terminal or the image.
  • the final stress is estimated based on the subjective stress value of the person and the stress value based on the person's biological information.
  • a coordinate plane defined by a coordinate axis related to the subjective stress value and a coordinate axis related to the objective stress value is prepared, and the subjective stress value and the objective stress value obtained on the coordinate plane are positioned.
  • stress is estimated by calculating a total stress value using a subjective stress value, an objective stress value, and a predetermined function.
  • the final stress state is determined based on the subjective stress value and the objective stress value based on preset criteria (coordinate planes and functions), and the criteria for determination are uniform. Therefore, it is difficult to estimate stress with higher accuracy.
  • an object of the present invention is to provide a stress estimation method that can solve the above-mentioned problem that stress cannot be estimated with higher accuracy.
  • a stress estimation method which is one embodiment of the present invention, comprises: calculating a first stress value by inputting first data based on biological data measured from a target person into the first stress calculation model; calculating a second stress value by inputting the first stress value and second data based on subjective data on stress obtained from a target person into a second stress calculation model;
  • the second stress calculation model is generated by learning using the first stress value of a predetermined person obtained in the past and the second data, take the configuration.
  • the stress estimation device which is one embodiment of the present invention, a first calculation unit that calculates a first stress value by inputting first data based on biometric data measured from a target person to the first stress calculation model; 2) calculating a second stress value by inputting the first stress value and second data based on subjective data on stress obtained from a target person to a second stress calculation model; a calculation unit; with The second stress calculation model is generated by learning using the first stress value of a predetermined person obtained in the past and the second data, take the configuration.
  • a program that is one embodiment of the present invention is information processing equipment, calculating a first stress value by inputting first data based on biological data measured from a target person into the first stress calculation model; calculating a second stress value by inputting the first stress value and second data based on subjective data on stress obtained from a target person into a second stress calculation model; It is a program for executing processing, The second stress calculation model is generated by learning using the first stress value of a predetermined person obtained in the past and the second data, take the configuration.
  • the present invention can estimate stress with higher accuracy.
  • FIG. 1 is a block diagram showing the configuration of a stress estimation device according to Embodiment 1 of the present invention
  • FIG. FIG. 2 is a diagram showing an example of a test for acquiring subjective data on a person's stress that is input to the stress estimating device disclosed in FIG. 1; 2 is a flow chart showing the operation of the stress estimating device disclosed in FIG. 1; 2 is a flow chart showing the operation of the stress estimating device disclosed in FIG. 1; It is a figure for demonstrating the effect of the stress estimation apparatus in Embodiment 1 of this invention. It is a block diagram which shows the hardware constitutions of the stress estimation apparatus in Embodiment 2 of this invention.
  • FIG. 4 is a block diagram showing the configuration of a stress estimation device according to Embodiment 2 of the present invention; 9 is a flowchart showing the operation of the stress estimating device according to Embodiment 2 of the present invention;
  • FIG. 1 and 2 are diagrams for explaining the configuration of the stress estimation device
  • FIGS. 3 and 4 are diagrams for explaining the processing operation of the stress estimation device.
  • the stress estimating device 10 in the present invention is used for estimating the stress of a person.
  • the stress estimating device 10 is used to calculate a stress value representing a person's chronic or acute stress state.
  • the stress estimation device 10 in the present invention may calculate any stress value of a person.
  • the stress estimation device 10 is composed of one or a plurality of information processing devices each having an arithmetic device and a storage device.
  • the stress estimation device 10 includes a data acquisition unit 11, a learning unit 12, a first calculation unit 13, a second calculation unit 14, and an output unit 15, as shown in FIG.
  • Each function of the data acquisition unit 11, the learning unit 12, the first calculation unit 13, the second calculation unit 14, and the output unit 15 executes a program for realizing each function stored in the storage device. It can be realized by
  • the stress estimation device 10 also includes a person information storage unit 16 , a first model storage unit 17 and a second model storage unit 18 .
  • the person information storage unit 16, the first model storage unit 17, and the second model storage unit 18 are configured by storage devices. Each configuration will be described in detail below.
  • the data acquisition unit 11 acquires data used for estimating a person's stress. First, the data acquisition unit 11 acquires learning data for generating a stress calculation model used for calculating a stress value by machine learning.
  • the learning data is data of a large number of arbitrary persons (predetermined persons), and is stored in the person information storage unit 16 in association with each person.
  • the data acquisition unit 11 acquires, as learning data, second data that is data based on subjective data regarding stress of a person.
  • the data acquisition unit 11 acquires the "PSS score" obtained by aggregating the "perceived stress scale (PSS)" as the second data based on the subjective data regarding the person's stress. do.
  • the PSS consists of 14 preset questions asking how the user feels about what is happening, and 5 levels of answers are prepared. It is what is done. A score of 0 to 4 points is assigned to the answers on a scale of 5, and the total score of the answers to the 10 questions to be calculated among the 14 questions is calculated as the PSS score. Therefore, the PSS score ranges from 0 to 40 points.
  • the data acquisition unit 11 displays PSS questions as shown in FIG. It obtains the answers input from the , and obtains the PSS score by aggregating the answers.
  • the data acquisition unit 11 is not limited to data based on a single numerical value, and may acquire data based on a plurality of numerical values as data based on subjective data regarding stress of a person. data may be obtained.
  • the data acquisition unit 11 acquires, as learning data, first data that is data based on the person's biometric data during the person's daily life or work. For example, as shown in FIG. 1, the data acquisition unit 11 acquires the heart rate of the person U as biometric data via a measuring device such as a wearable terminal W worn by the person U, or acquires the heart rate of the person U using a camera (not shown). The degree of eye openness extracted from the face image of the person U photographed by the camera is obtained as biometric data. Note that the data acquisition unit 11 may acquire the measured biological data itself or the first data composed of the feature amount extracted from the measured biological data as the learning data. However, the data acquisition unit 11 may acquire any biometric data using any measuring device as the biometric data of a person.
  • the data acquisition unit 11 also acquires, as learning data, the third data representing the stress situation of the person U when the person's biometric data is measured as the first data as described above.
  • the data acquisition unit 11 poses preset questions to the person U via the input device 20 during the acquisition of biometric data or within a predetermined period before and after the acquisition, and acquires an answer from the person U.
  • Data based on the subjective data regarding the stress of the person U is acquired by summarizing the data.
  • the data acquired as the third data is data calculated from answers to a plurality of questions about the degree of psychological burden on the person U around the time when the biometric data was measured.
  • the third data when the above-described PSS score is used as the third data, it represents the stress state for about one month when the person's biometric data is measured.
  • the third data is data based on responses to other stress tests, and includes the stress state during the measurement of the person's biometric data and the stress during a predetermined period including when the biometric data was measured. Data representing a state may be used.
  • the learning unit 12 performs machine learning using the learning data acquired as described above, and generates a stress calculation model for calculating a stress value representing the stress situation of the person U. Specifically, before machine learning, the learning unit 12 first calculates a first stress value from the biometric data itself of the person U measured as described above or the first data that is the feature amount of the biometric data. do. At this time, the learning unit 12 inputs the first data to the first stress calculation model stored in the first model storage unit 17, and calculates the first stress value as the output. .
  • the first stress calculation model is configured by a model that is set in advance so as to calculate the stress value corresponding to the person U's biometric data.
  • the first stress calculation model may be a model generated by machine learning of biometric data and subjective data related to stress previously acquired from a person, or may be a model generated by manually examining biometric data and subjective data. It may be a model based on an arithmetic expression generated by the above method, or a model based on an arithmetic expression generated from biometric data according to a predetermined theory.
  • the first stress calculation model uses the first data, which is the biological data of the person U, as an input, and calculates a value between 0 and 40 as an output in the same manner as the PSS score, which is the second data described above.
  • This model is configured as follows.
  • the first stress calculation model may be a model that calculates any type of value as an output.
  • the learning unit 12 calculates the first stress value calculated using the first stress calculation model from the first data based on the biometric data of the person U as described above, and the PSS obtained from the person U in advance.
  • a second stress calculation model for calculating a second stress value is generated by learning using second data, which is subjective data related to stress such as a score.
  • the learning unit 12 uses the first stress value and the second data as explanatory variables, and uses the third stress value representing the stress situation of the person U when the biometric data for calculating the first stress value is acquired. data is used as an objective variable, machine learning is performed to generate a second stress calculation model. Then, the learning unit 12 stores the generated second stress calculation model in the second model storage unit 18 .
  • the target person U constantly measures biometric data with a wearable terminal or the like, as will be described later, and estimates the chronic stress value once a day. However, it also includes scenes in which the person U estimates the stress at any frequency, such as estimating the acute stress value every hour. Note that the target person U is a person different from the large number of arbitrary persons who provided the learning data as described above, but any one of the arbitrary persons who provided the learning data may correspond. .
  • the data acquisition unit 11 acquires data used for estimating the stress of the target person U. Specifically, the data acquisition unit 11 first obtains in advance a "perceived stress scale (PSS)" as second data based on subjective data on the stress of the target person U. to obtain a "PSS score".
  • PSS perceived stress scale
  • the PSS score as the second data acquired at this time is data acquired in the same manner as the learning data described above. It is a value between 1 and 40 calculated based on the answer input from person U via . Then, the data acquisition unit 11 stores the acquired PSS score in the person information storage unit 16 as the second data of the person U who is the target.
  • the second data of the target person U is acquired and updated periodically, for example, when the person U is registered in a system for estimating stress, such as when the person U belongs to the workplace, or once a year.
  • the data used for estimating stress is not limited to the PSS score consisting of one value as described above, and the data acquisition unit 11 may acquire data using a plurality of numerical values. Data of any value may be acquired without limitation.
  • First data based on biometric data is obtained from the person U.
  • the data acquisition unit 11 acquires the heart rate of the person U, which is always measured by a measuring device such as a wearable terminal W worn by the person U, as biometric data, The eye opening degree extracted from the face image of the person U photographed by a camera (not shown) is obtained as biometric data.
  • the data acquisition unit 11 acquires the first data based on the biometric data from the person U at preset timing (for example, at regular time intervals) or arbitrary timing (irregular).
  • the data acquisition unit 11 acquires the first data every day when estimating the chronic stress of the target person U, and every hour when measuring acute stress. do.
  • the data acquisition unit 11 may acquire the measured biological data itself as the first data, or may acquire the feature amount extracted from the measured biological data by a preset method as the first data. good.
  • the data acquisition unit 11 may acquire any biometric data using any measuring device as the biometric data of a person.
  • the first calculation unit 13 Every time the first calculation unit 13 acquires the first data based on the biometric data from the person U as described above, the first calculation unit 13 calculates the first stress value from the first data. At this time, the first calculation unit 13 reads out the first stress calculation model stored in the first model storage unit 17, and inputs the obtained first data to the first stress calculation model. Thus, the first stress value, which is the output, is calculated. That is, the data acquisition unit 11 and the first calculation unit 13 cooperate to acquire the first data based on the biometric data from the person U at predetermined timing such as a certain time interval; Calculating the first stress value based on the biological data is repeated each time the first data is acquired. For example, the first calculation unit 13 may use the first stress calculation model to calculate a value between 0 and 40 as an output in the same manner as the PSS score, which is the second data described above.
  • the second calculation unit 14 calculates a second and a second stress value is calculated. Specifically, the second calculation unit 14 reads out the second stress calculation model stored in the second model storage unit 18, and calculates the calculated first stress value and , and second data obtained in advance are input to calculate the second stress value, which is the output. That is, the second calculation unit 14 calculates the second stress value each time a preset timing such as a certain time interval for acquiring biometric data from the person U as described above comes.
  • the output unit 15 outputs information based on the second stress value calculated by the second calculation unit 14. For example, every time the second stress value is calculated, the output unit 15 detects that the second stress value exceeds a preset reference value for determining that the stress is high. An alert is output to the display device 30 of the information processing apparatus operated by the administrator or family of the person. Alternatively, the output unit 15 may always output the second stress value itself, that is, the chronological change in the second stress value of the person U, every time the second stress value is calculated. Any data based on the second stress value may be output. In addition, the output unit 15 may output the data based on the second stress value to any person, such as the person U who is the target.
  • the stress estimating apparatus 10 uses, as learning data, second data that is data based on subjective data regarding stress of any plurality of persons, here, a "perceived stress scale (PSS)". is acquired (step S1).
  • PSS perceived stress scale
  • the stress estimating device 10 uses, as a PSS score, a value of 0 to 40 points obtained by aggregating scores of 0 to 4 points corresponding to 5-level answers to 10 questions as shown in FIG. data.
  • the stress estimating apparatus 10 may acquire data of any value as the second data based on subjective data regarding stress of a person.
  • the stress estimation device 10 acquires, as learning data, first data based on the biometric data of any plurality of persons (step S2).
  • the stress estimation apparatus 10 acquires the heart rate of the person U and the degree of eye opening extracted from the face image of the person U as biometric data, and acquires the biometric data itself and the feature amount of the biometric data as the first data.
  • the stress estimation device 10 may acquire any biometric data of a person as the first data.
  • the data acquisition unit 11 acquires, as learning data, third data representing the state of stress of the person U when the biometric data is measured as described above (step S3).
  • the stress estimating apparatus 10 asks a question about stress to the person U around the time when the biological data is measured, and acquires and aggregates the answers from the person U, thereby obtaining subjective information about the stress of the person U.
  • the stress estimating device 10 may acquire data representing the stress of a person by any method as the third data.
  • the stress estimating device 10 performs machine learning using learning data including the first data, the second data, and the third data acquired as described above, and performs the stress A stress calculation model for calculating the value is generated (step S4). Specifically, the stress estimation device 10 first calculates a first stress value from the measured biometric data of the person U or the first data that is the feature amount of the biometric data. At this time, the stress estimating device 10 inputs the first data to the first stress calculation model stored in the first model storage unit 17, and calculates the first stress value as the output. do.
  • the first stress calculation model is a model set in advance so as to calculate a stress value corresponding to the person U's biometric data.
  • the stress estimating apparatus 10 inputs the first data, which is the biometric data of the person U, to the first stress calculation model, and calculates the value of 0-40 as the first stress value in the same manner as the PSS score described above. Calculate as a value.
  • the stress estimation device 10 may calculate the first stress value in any format by inputting the first data into the first stress calculation model.
  • the stress estimating apparatus 10 learns using the calculated first stress value and the second data, which is subjective data related to stress such as the PSS score acquired in advance from the person U, to obtain the second stress value. generates a second stress calculation model for calculating the stress value of As an example, the stress estimating apparatus 10 uses the first stress value and the second data as explanatory variables, and uses the first stress value and the second data as explanatory variables, and the stress estimating device 10 obtains the first stress value representing the stress situation of the person U when the biometric data obtained by calculating the first stress value is acquired. A second stress calculation model is generated by performing machine learning using the data of 3 as an objective variable. Then, the stress estimation device 10 stores the generated second stress calculation model in the second model storage unit 18 .
  • the stress estimating device 10 previously aggregated a "perceived stress scale (PSS)" as second data based on subjective data on the stress of the target person U.
  • a "PSS score” is acquired and stored (step S11).
  • the PSS score as the second data acquired at this time is data acquired in the same manner as the learning data described above.
  • the stress estimation device 10 acquires a value of 0-40 as the second data.
  • the stress estimation device 10 may acquire data of any value as data used for estimating stress.
  • the stress estimating device 10 acquires the first data based on the biological data from the target person U at the timing of estimating the stress of the target person U (step S12).
  • the stress estimating apparatus 10 acquires biometric data such as the heart rate of the person U and the degree of eye opening extracted from the face image of the person U, or the feature amount of the biodata as the first data (step S13).
  • the stress estimating apparatus 10 until the period for estimating the stress of the person ends, at preset timings, for example, at regular time intervals, Get the first data.
  • the first data is obtained every day when estimating the chronic stress of the person U, and every hour when measuring the acute stress.
  • the stress estimation device 10 may acquire any biometric data as the biometric data of the person.
  • the stress estimation device 10 acquires the first data based on the biometric data from the person U
  • the stress estimation device 10 inputs the first data into the first stress calculation model to calculate the first stress value (step S13).
  • the stress estimating device 10 calculates a value of 0-40 as the first stress value in the same manner as the PSS score, which is the second data described above.
  • the stress estimating apparatus 10 combines the calculated first stress value and the second data based on the subjective data regarding the stress of the person U, which is obtained from the target person U in advance and stored, as a second data. 2 to calculate a second stress value (step S14). After that, the stress estimation device 10 outputs the stress information of the target person U, such as the calculated second stress value itself or an alert based on the second stress value (step S15).
  • the stress estimation device 10 repeats calculation of the second stress value in the same manner as described above until the stress estimation period of the target person U ends (No in step S16). That is, when the next stress estimation timing comes, the stress estimation device 10 acquires the first data based on the biological data from the person U (step S12), and generates the first stress calculation model from the first data. is used to calculate the first stress value (step S13), and the calculated first stress value and the second data based on subjective data on the stress of the person U obtained in advance are combined into a second stress calculation model to calculate the second stress value (step S14). In this way, the stress estimating device 10 continues to estimate the stress situation of the target person U.
  • “MAE (Mean Absolute Error)” in FIG. 5 represents the average absolute value of the difference between the estimated stress value and the correct value.
  • the value of the method of the present invention is evaluated to be smaller than that of the past method, and it can be seen that the accuracy is better.
  • the "correlation coefficient" in FIG. 5 represents the strength and direction of the relationship between the stress estimated value and the correct value.
  • the method of the present invention is evaluated to have a higher positive value than the past method, indicating that the accuracy is higher.
  • FIG. 6 and 7 are block diagrams showing the configuration of the stress estimating device according to Embodiment 2
  • FIG. 8 is a flowchart showing the operation of the stress estimating device.
  • an outline of the configuration of the stress estimation device and the stress estimation method described in the above-described embodiments is shown.
  • the stress estimating device 100 is configured by a general information processing device, and has, as an example, the following hardware configuration.
  • - CPU Central Processing Unit
  • ROM Read Only Memory
  • RAM Random Access Memory
  • Program group 104 loaded into RAM 103
  • Storage device 105 for storing program group 104
  • a drive device 106 that reads and writes from/to a storage medium 110 external to the information processing device
  • Communication interface 107 connected to communication network 111 outside the information processing apparatus
  • Input/output interface 108 for inputting/outputting data
  • a bus 109 connecting each component
  • the stress estimation apparatus 100 can construct and equip the first calculation unit 121 and the second calculation unit 122 shown in FIG. 7 by having the CPU 101 acquire and execute the program group 104.
  • the program group 104 is stored in the storage device 105 or the ROM 102 in advance, for example, and is loaded into the RAM 103 and executed by the CPU 101 as necessary.
  • the program group 104 may be supplied to the CPU 101 via the communication network 111 or may be stored in the storage medium 110 in advance, and the drive device 106 may read the program and supply it to the CPU 101 .
  • the above-described first calculation unit 121 and second calculation unit 122 may be configured by a dedicated electronic circuit for realizing such means.
  • FIG. 6 shows an example of the hardware configuration of the information processing device that is the stress estimation device 100, and the hardware configuration of the information processing device is not limited to the case described above.
  • the information processing apparatus may be composed of part of the above-described configuration, such as not having the drive device 106 .
  • the stress estimation device 100 executes the stress estimation method shown in the flowchart of FIG. 8 by the functions of the first calculation unit 121 and the second calculation unit 122 constructed by the program as described above.
  • the stress estimation device 100 calculating a first stress value by inputting first data based on biometric data measured from a target person to the first stress calculation model (step S101); A second stress value is calculated by inputting the first stress value and second data based on subjective data on stress obtained from the target person to the second stress calculation model (step S102), Execute the process of The second stress calculation model is generated by learning using the first stress value of a predetermined person obtained in the past and the second data, take the configuration.
  • the present invention is configured as described above to calculate a stress value (first stress value, second stress value) in two steps using biometric data of a person and subjective data relating to stress. Therefore, the stress of a person can be estimated with high accuracy.
  • Non-transitory computer readable media include various types of tangible storage media.
  • Examples of non-transitory computer-readable media include magnetic recording media (e.g., flexible discs, magnetic tapes, hard disk drives), magneto-optical recording media (e.g., magneto-optical discs), CD-ROMs (Read Only Memory), CD-Rs, CD-R/W, semiconductor memory (eg mask ROM, PROM (Programmable ROM), EPROM (Erasable PROM), flash ROM, RAM (Random Access Memory)).
  • the program may also be delivered to the computer on various types of transitory computer readable medium. Examples of transitory computer-readable media include electrical signals, optical signals, and electromagnetic waves. Transitory computer-readable media can deliver the program to the computer via wired channels, such as wires and optical fibers, or wireless channels.
  • At least one or more of the functions of the first calculation unit 121 and the second calculation unit 122 described above may be executed by an information processing apparatus installed and connected to any location on the network. It may also run on cloud computing.
  • the stress estimation method according to Appendix 1 The stress estimation method according to Appendix 1, The second stress calculation model uses the first stress value calculated based on biological data measured from a predetermined person and the second data obtained in advance from the predetermined person as explanatory variables, It is generated by learning as an objective variable the third data related to stress acquired when biometric data is measured from a predetermined person, stress estimation method.
  • the third data is data based on subjective data on the stress of a predetermined person, stress estimation method.
  • Appendix 4 The stress estimation method according to any one of Appendices 1 to 3, Obtaining the second data from the target person in advance, Thereafter, calculating the first stress value by inputting the first data based on biometric data obtained from the target person to the first stress calculation model, calculating the second stress value by inputting the calculated first stress value and the second data obtained in advance into the second stress calculation model; stress estimation method.
  • Appendix 5 The stress estimation method according to Appendix 4, calculating the first stress value by inputting the first data based on the biometric data to the first stress calculation model each time biometric data is obtained from the target person; By inputting the calculated first stress value and the second data obtained in advance to the second stress calculation model each time the first stress value is calculated, the calculating a second stress value; stress estimation method.
  • Appendix 6 The stress estimation method according to Appendix 4 or 5, Biometric data is acquired from a target person at preset timing, and the first stress value is calculated by inputting the first data based on the acquired biometric data to the first stress calculation model.
  • (Appendix 8) a first calculation unit that calculates a first stress value by inputting first data based on biometric data measured from a target person to the first stress calculation model; 2) calculating a second stress value by inputting the first stress value and second data based on subjective data on stress obtained from a target person to a second stress calculation model; a calculation unit; with The second stress calculation model is generated by learning using the first stress value of a predetermined person obtained in the past and the second data, Stress estimator.
  • the stress estimation device uses the first stress value calculated based on biological data measured from a predetermined person and the second data obtained in advance from the predetermined person as explanatory variables, It is generated by learning as an objective variable the third data related to stress acquired when biometric data is measured from a predetermined person, Stress estimator.
  • the stress estimation device according to appendix 9, The third data is data based on subjective data on the stress of a predetermined person, Stress estimator.
  • Appendix 11 The stress estimation device according to any one of Appendices 8 to 10, An acquisition unit that acquires the second data from the target person in advance, The first calculation unit then calculates the first stress value by inputting the first data based on biometric data obtained from the target person to the first stress calculation model, The second calculation unit calculates the second stress value by inputting the calculated first stress value and the second data obtained in advance to the second stress calculation model. to calculate Stress estimator.
  • Appendix 12 The stress estimation device according to Appendix 11, The first calculation unit calculates the first stress value by inputting the first data based on the biometric data to the first stress calculation model each time biometric data is obtained from the target person.
  • the second calculation unit converts the calculated first stress value and the previously obtained second data into the second stress calculation model each time the first stress value is calculated. calculating the second stress value by inputting to Stress estimator.
  • the stress estimation device according to appendix 11 or 12, The first calculation unit acquires biometric data from a target person at a preset timing, and inputs the first data based on the acquired biometric data to the first stress calculation model. Repeatedly calculating the first stress value, The second calculation unit transfers the calculated first stress value and the previously acquired second data to the second stress calculation model each time the first stress value is calculated. calculating the second stress value by inputting and outputting information based on the calculated second stress value; Stress estimator. (Appendix 14) 14.
  • the stress estimation device acquires the second data calculated based on the target person's answer to a preset question.
  • Stress estimator (Appendix 15) information processing equipment, calculating a first stress value by inputting first data based on biological data measured from a target person into the first stress calculation model; calculating a second stress value by inputting the first stress value and second data based on subjective data on stress obtained from a target person into a second stress calculation model; It is a program for executing processing, The second stress calculation model is generated by learning using the first stress value of a predetermined person obtained in the past and the second data,
  • a computer-readable storage medium storing a program characterized by:
  • stress estimation device 11 data acquisition unit 12 learning unit 13 first calculation unit 14 second calculation unit 15 output unit 16 person information storage unit 17 first model storage unit 18 second model storage unit 20 input device 30 display device 100 stress estimation Device 101 CPU 102 ROMs 103 RAM 104 program group 105 storage device 106 drive device 107 communication interface 108 input/output interface 109 bus 110 storage medium 111 communication network 121 first calculator 122 second calculator

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Hospice & Palliative Care (AREA)
  • Pathology (AREA)
  • Developmental Disabilities (AREA)
  • Psychiatry (AREA)
  • Psychology (AREA)
  • Social Psychology (AREA)
  • Physics & Mathematics (AREA)
  • Child & Adolescent Psychology (AREA)
  • Biophysics (AREA)
  • Educational Technology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本発明のストレス推定装置１００は、第１のストレス算出モデルに対して、対象人物から計測した生体データに基づく第１のデータを入力することにより第１のストレス値を算出する第一算出部１２１と、第２のストレス算出モデルに対して、第１のストレス値と、対象人物から取得したストレスに関する主観データに基づく第２のデータと、を入力することにより第２のストレス値を算出する第二算出部１２２と、を備え、第２のストレス算出モデルは、過去に取得した所定の人物の第１のストレス値と第２のデータとを用いて学習することによって生成されたものである。

Description

ストレス推定方法
　本発明は、ストレス推定方法、ストレス推定装置、プログラムに関する。
　人物のストレスを推定する方法として、人物の主観に基づく方法と、人物の生体情報に基づく方法と、が知られている。人物の主観に基づく方法では、例えば、所定の調査票に対する人物による回答に基づいてストレスを推定する。また、人物の生体情報に基づく方法では、ウェアラブル端末や画像から取得した人物の生体情報に基づいてストレスを推定する。
　ここで、特許文献１では、人物の主観に基づくストレス値と、人物の生体情報に基づくストレス値と、に基づいて最終的なストレスを推定することが行われている。具体的に、特許文献１では、主観ストレス値に関する座標軸、および、客観ストレス値に関する座標軸により規定される座標平面を用意しておき、かかる座標平面上において取得した主観ストレス値及び客観ストレス値が位置する領域に基づいて最終的なストレスを推定している。また、特許文献１では、主観ストレス値および客観ストレス値と予め規定された関数とを用いて、総ストレス値を算出してストレスを推定することも行っている。
特開２０１７－１６９９７４号公報
　しかしながら、上述した特許文献１の方法では、主観ストレス値及び客観ストレス値に基づいて、予め設定された基準（座標平面や関数）により最終的なストレス状態を判定しており、判定基準が画一的であるため、より精度の高いストレスの推定が困難である。
　このため、本発明の目的は、上述した課題である、より高精度にストレスを推定することができない、ことを解決することができるストレス推定方法を提供することにある。
　本発明の一形態であるストレス推定方法は、
　第１のストレス算出モデルに対して、対象人物から計測した生体データに基づく第１のデータを入力することにより第１のストレス値を算出し、
　第２のストレス算出モデルに対して、前記第１のストレス値と、対象人物から取得したストレスに関する主観データに基づく第２のデータと、を入力することにより第２のストレス値を算出し、
　前記第２のストレス算出モデルは、過去に取得した所定の人物の前記第１のストレス値と前記第２のデータとを用いて学習することによって生成されたものである、
という構成をとる。
　また、本発明の一形態であるストレス推定装置は、
　第１のストレス算出モデルに対して、対象人物から計測した生体データに基づく第１のデータを入力することにより第１のストレス値を算出する第一算出部と、
　第２のストレス算出モデルに対して、前記第１のストレス値と、対象人物から取得したストレスに関する主観データに基づく第２のデータと、を入力することにより第２のストレス値を算出する第二算出部と、
を備え、
　前記第２のストレス算出モデルは、過去に取得した所定の人物の前記第１のストレス値と前記第２のデータとを用いて学習することによって生成されたものである、
という構成をとる。
　また、本発明の一形態であるプログラムは、
　情報処理装置に、
　第１のストレス算出モデルに対して、対象人物から計測した生体データに基づく第１のデータを入力することにより第１のストレス値を算出し、
　第２のストレス算出モデルに対して、前記第１のストレス値と、対象人物から取得したストレスに関する主観データに基づく第２のデータと、を入力することにより第２のストレス値を算出する、
処理を実行させるためのプログラムであり、
　前記第２のストレス算出モデルは、過去に取得した所定の人物の前記第１のストレス値と前記第２のデータとを用いて学習することによって生成されたものである、
という構成をとる。
　本発明は、以上のように構成されることにより、より高精度にストレスを推定することができる。
本発明の実施形態１におけるストレス推定装置の構成を示すブロック図である。 図１に開示したストレス推定装置に入力される人物のストレスに関する主観データを取得するためのテストの一例を示す図である。 図１に開示したストレス推定装置の動作を示すフローチャートである。 図１に開示したストレス推定装置の動作を示すフローチャートである。 本発明の実施形態１におけるストレス推定装置の効果を説明するための図である。 本発明の実施形態２におけるストレス推定装置のハードウェア構成を示すブロック図である。 本発明の実施形態２におけるストレス推定装置の構成を示すブロック図である。 本発明の実施形態２におけるストレス推定装置の動作を示すフローチャートである。
　＜実施形態１＞
　本発明の第１の実施形態を、図１乃至図４を参照して説明する。図１乃至図２は、ストレス推定装置の構成を説明するための図であり、図３乃至図４は、ストレス推定装置の処理動作を説明するための図である。
　［構成］
　本発明におけるストレス推定装置１０は、人物のストレスを推定するために用いられる。例えば、ストレス推定装置１０は、人物の慢性的又は急性的なストレス状態を表すストレス値を算出するために用いられるものである。但し、本発明におけるストレス推定装置１０は、人物のいかなるストレス値を算出するものであってもよい。
　ストレス推定装置１０は、演算装置と記憶装置とを備えた１台又は複数台の情報処理装置にて構成される。そして、ストレス推定装置１０は、図１に示すように、データ取得部１１、学習部１２、第一算出部１３、第二算出部１４、出力部１５、を備える。データ取得部１１、学習部１２、第一算出部１３、第二算出部１４、出力部１５の各機能は、演算装置が記憶装置に格納された各機能を実現するためのプログラムを実行することにより実現することができる。また、ストレス推定装置１０は、人物情報記憶部１６、第一モデル記憶部１７、第二モデル記憶部１８、を備える。人物情報記憶部１６、第一モデル記憶部１７、第二モデル記憶部１８は、記憶装置により構成される。以下、各構成について詳述する。
　データ取得部１１（取得部）は、人物のストレスを推定するために用いるデータを取得する。まず、データ取得部１１は、ストレス値を算出するために用いるストレス算出モデルを機械学習により生成するための学習データを取得する。学習データは、任意の多数の人物（所定の人物）のデータであり、人物ごとに関連付けられて人物情報記憶部１６に記憶される。
　具体的に、データ取得部１１は、学習データとして、人物のストレスに関する主観データに基づくデータである第２のデータを取得する。このとき、データ取得部１１は、人物のストレスに関する主観データに基づくデータである第２のデータとして、「知覚されたストレス尺度（Ｐｅｒｃｅｉｖｅｄ　Ｓｔｒｅｓｓ　Ｓｃａｌｅ（ＰＳＳ））」を集計した「ＰＳＳスコア」を取得する。ここで、ＰＳＳとは、図２に一例を示すように、ユーザに対して起きていることをどのように感じているかを問う予め設定された１４項目の設問からなり、５段階の回答が用意されているものである。５段階の回答には、０～４点のスコアが付与され、１４問中、計算対象となる１０項目の設問に対する回答のスコアの合計がＰＳＳスコアとして算出される。このため、ＰＳＳスコアは、０～４０点の値をとる。一例として、データ取得部１１は、図１に示すように、人物Ｕが操作する情報処理端末といった入力装置２０から図２に示すようなＰＳＳの設問を表示し、入力装置２０に対して人物Ｕから入力される回答を取得し、かかる回答からＰＳＳスコアを集計することで取得する。但し、データ取得部１１は、人物のストレスに関する主観データに基づくデータとして、１つの数値によるデータに限定されず、複数の数値によるデータを取得してもよく、また、数値に限らずいかなる値のデータを取得してもよい。
　また、データ取得部１１は、学習データとして、人物の日常生活中や業務中における当該人物の生体データに基づくデータである第１のデータを取得する。例えば、データ取得部１１は、図１に示すように、人物Ｕが装着しているウェアラブル端末Ｗなどの計測装置を介して当該人物Ｕの心拍数を生体データとして取得したり、図示しないカメラにて撮影した人物Ｕの顔画像から抽出した開眼度を生体データとして取得する。なお、データ取得部１１は、計測した生体データそのものや、計測した生体データから抽出した特徴量からなる第１のデータを、学習データとして取得してもよい。但し、データ取得部１１は、人物の生体データとして、いかなる計測装置を用いていかなる生体データを取得してもよい。
　また、データ取得部１１は、学習データとして、上述したように第１のデータとして人物の生体データを計測したときにおける当該人物Ｕのストレスの状況を表すデータである第３のデータを取得する。例えば、データ取得部１１は、生体データの取得中やその前後の所定の期間内に、人物Ｕに対して入力装置２０を介して予め設定された設問を出題し、人物Ｕからの回答を取得して集計することで、人物Ｕのストレスに関する主観データに基づくデータを取得する。このとき、第３のデータとして取得するデータは、生体データを計測した時期付近における人物Ｕの心理的負担度合いを問う複数の設問に対する回答から算出されたデータである。一例として、第３のデータとして、上述したＰＳＳスコアを用いた場合には、人物の生体データを計測したときの約１カ月間のストレス状態を表している。但し、第３のデータは、他のストレステストに対する回答に基づくデータであって、人物の生体データを計測している最中のストレス状態や、生体データを計測したときを含む所定の期間のストレス状態を表すようなデータであってもよい。
　学習部１２は、上述したように取得した学習データを用いて機械学習を行い、人物Ｕのストレスの状況を表すストレス値を算出するためのストレス算出モデルを生成する。具体的に、学習部１２は、機械学習の前に、まず、上述したように計測した人物Ｕの生体データそのものあるいは生体データの特徴量である第１のデータから、第１のストレス値を算出する。このとき、学習部１２は、第一モデル記憶部１７に記憶されている第１のストレス算出モデルに対して第１のデータを入力することにより、その出力である第１のストレス値を算出する。なお、第１のストレス算出モデルは、人物Ｕの生体データに対応するストレス値を算出するよう予め設定されたモデルにて構成されている。例えば、第１のストレス算出モデルは、これまでに人物から取得された生体データ及びストレスに関する主観データを機械学習することにより生成されたモデルであったり、生体データや主観データなどを人手で検討することで生成された演算式によるモデルであったり、さらには、生体データから所定の理論により生成された演算式によるモデルなどであってもよい。一例として、第１のストレス算出モデルは、人物Ｕの生体データである第１のデータを入力として、上述した第２のデータであるＰＳＳスコアと同様に、０－４０の値を出力として算出するよう構成されているモデルである。但し、第１のストレス算出モデルは、いかなる形式の値を出力として算出するモデルであってもよい。
　続いて、学習部１２は、上述したように人物Ｕの生体データに基づく第１のデータから第１のストレス算出モデルを用いて算出した第１のストレス値と、人物Ｕから事前に取得したＰＳＳスコアといったストレスに関する主観データである第２のデータと、を用いて学習することで、第２のストレス値を算出する第２のストレス算出モデルを生成する。このとき、学習部１２は、上記第１のストレス値と第２のデータとを説明変数とし、第１のストレス値を算出した生体データを取得したときの人物Ｕのストレスの状況を表す第３のデータを目的変数として、機械学習することで、第２のストレス算出モデルを生成する。そして、学習部１２は、生成した第２のストレス算出モデルを第二モデル記憶部１８に記憶しておく。
　次に、上述したように第２のストレス算出モデルを生成した後に、当該第２のストレス算出モデルを用いて、対象となる人物（対象人物）のストレスを推定するときの各部の機能を説明する。例えば、対象となる人物Ｕは、後述するようにウェアラブル端末等で常に生体データを計測しており、１日１回、慢性ストレス値を推定する場面を想定する。但し、人物Ｕが１時間毎に急性ストレス値を推定するなど、いかなる頻度でストレスを推定する場面も含む。なお、対象となる人物Ｕは、上述したように学習データを提供した任意の多数の人物とは異なる人物であるが、学習データを提供した任意の人物のうちのいずれかが該当してもよい。
　データ取得部１１（取得部）は、対象となる人物Ｕのストレスを推定するために用いるデータを取得する。具体的に、データ取得部１１は、まず事前に、対象となる人物Ｕのストレスに関する主観データに基づくデータである第２のデータとして、「知覚されたストレス尺度（Ｐｅｒｃｅｉｖｅｄ　Ｓｔｒｅｓｓ　Ｓｃａｌｅ（ＰＳＳ））」を集計した「ＰＳＳスコア」を取得する。このとき取得する第２のデータとしてのＰＳＳスコアは、上述した学習データと同様に取得されるデータであり、例えば、上述したように、図２に一例を示すような設問に対して入力装置２０を介して人物Ｕから入力された回答に基づいて算出した、１－４０の値である。そして、データ取得部１１は、取得したＰＳＳスコアを、対象となる人物Ｕの第２のデータとして人物情報記憶部１６に記憶しておく。なお、対象となる人物Ｕの第２のデータは、例えば、人物Ｕが職場に所属するなどストレス推定を行うシステムに登録したときや、１年に１回など定期的に取得されて更新される。但し、データ取得部１１は、ストレスを推定するために用いるデータとして、上述したような１つの値からなるＰＳＳスコアに限定されず、複数の数値によるデータを取得してもよく、また、数値に限らずいかなる値のデータを取得してもよい。
　また、データ取得部１１は、上述したように対象となる人物Ｕから事前にＰＳＳスコアといった第２のデータを取得した後であって、対象となる人物Ｕが実際にストレスを推定する際に、当該人物Ｕから生体データに基づくデータである第１のデータを取得する。例えば、データ取得部１１は、図１に示すように、人物Ｕが装着しているウェアラブル端末Ｗなどの計測装置にて常に計測されている当該人物Ｕの心拍数を生体データとして取得したり、図示しないカメラにて撮影されている人物Ｕの顔画像から抽出した開眼度を生体データとして取得する。そして、データ取得部１１は、人物Ｕから、予め設定されたタイミング（例えば、一定の時間間隔）や任意のタイミング（非定期的）で、生体データに基づく第１のデータを取得する。一例として、データ取得部１１は、対象となる人物Ｕの慢性ストレスを推定するような場合には１日ごと、急性ストレスを計測するような場合には１時間ごとに、第１のデータを取得する。なお、データ取得部１１は、計測した生体データそのものを第１のデータとして取得してもよく、計測した生体データから予め設定された方法で抽出した特徴量を第１のデータとして取得してもよい。但し、データ取得部１１は、人物の生体データとして、いかなる計測装置を用いていかなる生体データを取得してもよい。
　第一算出部１３は、上述したように人物Ｕから生体データに基づく第１のデータを取得する度に、当該第１のデータから第１のストレス値を算出する。このとき、第一算出部１３は、第一モデル記憶部１７に記憶されている第１のストレス算出モデルを読み出し、当該第１のストレス算出モデルに対して、取得した第１のデータを入力することにより、その出力である第１のストレス値を算出する。つまり、データ取得部１１と第一算出部１３とは、協働して、一定の時間間隔などの予め設定されたタイミングで、人物Ｕから生体データに基づく第１のデータを取得することと、当該第１のデータを取得する度に、生体データに基づく第１のストレス値を算出すること、を繰り返す。例えば、第一算出部１３は、第１のストレス算出モデルを用いて、上述した第２のデータであるＰＳＳスコアと同様に、０－４０の値を出力として算出してもよい。
　第二算出部１４は、第一算出部１３で第１のストレス値を算出する毎に、当該第１のストレス値と、事前に人物Ｕから取得した人物Ｕのストレスに関する主観データに基づく第２のデータと、に基づいて、第２のストレス値を算出する。具体的に、第二算出部１４は、第二モデル記憶部１８に記憶されている第２のストレス算出モデルを読み出し、当該第２のストレス算出モデルに対して、算出した第１のストレス値と、事前に取得した第２のデータと、を入力することにより、その出力である第２のストレス値を算出する。つまり、第二算出部１４は、上述したように人物Ｕから生体データを取得する一定の時間間隔などの予め設定されたタイミングとなる毎に、第２のストレス値を算出する。
　出力部１５は、第二算出部１４で算出した第２のストレス値に基づく情報を出力する。例えば、出力部１５は、第２のストレス値が算出される毎に、かかる第２のストレス値が予め設定されたストレスが高いと判断される基準値を超えている場合に、人物Ｕの職場の管理者や家族などが操作する情報処理装置の表示装置３０に、その旨（アラート）を表示するよう出力する。あるいは、出力部１５は、第２のストレス値が算出される毎に、常に、第２のストレス値自体つまり人物Ｕの第２のストレス値の時系列変化を表示するよう出力してもよく、第２のストレス値に基づくいかなるデータを出力してもよい。また、出力部１５は、第２のストレス値に基づくデータを、対象となる人物Ｕに対して出力するなど、いかなる者に対して出力してもよい。
　［動作］
　次に、上述したストレス推定装置１０の動作を、主に図３乃至図４のフローチャートを参照して説明する。まず、図３のフローチャートを参照して、ストレス算出モデルを機械学習により生成するときの動作を説明する。
　まず、ストレス推定装置１０は、学習データとして、任意の複数の人物のストレスに関する主観データに基づくデータである第２のデータ、ここでは、「知覚されたストレス尺度（Ｐｅｒｃｅｉｖｅｄ　Ｓｔｒｅｓｓ　Ｓｃａｌｅ（ＰＳＳ））」を集計した「ＰＳＳスコア」、を取得する（ステップＳ１）。一例として、ストレス推定装置１０は、ＰＳＳスコアとして、図２に示すような１０項目の設問に対する５段階の回答にそれぞれ対応する０～４点のスコアを集計した０～４０点の値を第２のデータとして取得する。但し、ストレス推定装置１０は、人物のストレスに関する主観データに基づくデータである第２のデータとして、いかなる値のデータを取得してもよい。
　その後、ストレス推定装置１０は、学習データとして、任意の複数の人物の生体データに基づくデータである第１のデータを取得する（ステップＳ２）。一例として、ストレス推定装置１０は、人物Ｕの心拍数や人物Ｕの顔画像から抽出した開眼度を生体データとして取得し、生体データそのものや生体データの特徴量を第１のデータとして取得する。但し、ストレス推定装置１０は、第１のデータとして、人物のいかなる生体データを取得してもよい。
　また、データ取得部１１は、学習データとして、上述したように生体データを計測したときにおける人物Ｕのストレスの状況を表すデータである第３のデータを取得する（ステップＳ３）。一例として、ストレス推定装置１０は、生体データを計測した時期付近に、人物Ｕに対してストレスに関する設問を出題し、人物Ｕからの回答を取得して集計することで、人物Ｕのストレスに関する主観データに基づく第３のデータを取得する。つまり、第３のデータは、生体データを計測した時期における人物に実際に生じているストレス値を表している。但し、ストレス推定装置１０は、第３のデータとして、いかなる方法で人物のストレスを表すデータを取得してもよい。
　その後、ストレス推定装置１０は、上述したように取得した、第１のデータ、第２のデータ、第３のデータからなる学習データを用いて機械学習を行い、人物Ｕのストレスの状況を表すストレス値を算出するためのストレス算出モデルを生成する（ステップＳ４）。具体的に、ストレス推定装置１０は、まず、計測した人物Ｕの生体データそのものあるいは生体データの特徴量である第１のデータから、第１のストレス値を算出する。このとき、ストレス推定装置１０は、第一モデル記憶部１７に記憶されている第１のストレス算出モデルに対して第１のデータを入力することにより、その出力である第１のストレス値を算出する。なお、第１のストレス算出モデルは、人物Ｕの生体データに対応するストレス値を算出するよう予め設定されたモデルである。一例として、ストレス推定装置１０は、人物Ｕの生体データである第１のデータを第１のストレス算出モデルに入力することにより、上述したＰＳＳスコアと同様に０－４０の値を第１のストレス値として算出する。但し、ストレス推定装置１０は、第１のストレス算出モデルに第１のデータを入力することで、いかなる形式の第１のストレス値を算出してもよい。
　続いて、ストレス推定装置１０は、算出した第１のストレス値と、人物Ｕから事前に取得したＰＳＳスコアといったストレスに関する主観データである第２のデータと、を用いて学習することで、第２のストレス値を算出する第２のストレス算出モデルを生成する。一例として、ストレス推定装置１０は、上記第１のストレス値と第２のデータとを説明変数とし、第１のストレス値を算出した生体データを取得したときにおける人物Ｕのストレスの状況を表す第３のデータを目的変数として、機械学習することで、第２のストレス算出モデルを生成する。そして、ストレス推定装置１０は、生成した第２のストレス算出モデルを第二モデル記憶部１８に記憶しておく。
　次に、図４のフローチャートを参照して、生成したストレス算出モデルを用いて、対象となる人物のストレスを推定する動作を説明する。
　まず、ストレス推定装置１０は、事前に、対象となる人物Ｕのストレスに関する主観データに基づくデータである第２のデータとして、「知覚されたストレス尺度（Ｐｅｒｃｅｉｖｅｄ　Ｓｔｒｅｓｓ　Ｓｃａｌｅ（ＰＳＳ））」を集計した「ＰＳＳスコア」を取得して記憶しておく（ステップＳ１１）。このとき取得する第２のデータとしてのＰＳＳスコアは、上述した学習データと同様に取得されるデータであり、一例として、ストレス推定装置１０は、０－４０の値を第２のデータとして取得する。但し、ストレス推定装置１０は、ストレスを推定するために用いるデータとして、いかなる値のデータを取得してもよい。
　続いて、ストレス推定装置１０は、対象となる人物Ｕのストレスを推定するタイミングで、対象となる人物Ｕからの生体データに基づくデータである第１のデータを取得する（ステップＳ１２）。一例として、ストレス推定装置１０は、人物Ｕの心拍数や人物Ｕの顔画像から抽出した開眼度といった生体データそのもの、あるいは、生体データの特徴量を、第１のデータとして取得する（ステップＳ１３）。なお、ストレス推定装置１０は、ステップＳ１６に示すように、人物のストレスを推定する期間が終了するまでは、予め設定されたタイミングで、例えば、一定の時間間隔で、人物Ｕから生体データに基づく第１のデータを取得する。一例として、人物Ｕの慢性ストレスを推定するような場合には１日ごと、急性ストレスを計測するような場合には１時間ごとに、第１のデータを取得する。なお、ストレス推定装置１０は、人物の生体データとして、いかなる生体データを取得してもよい。
　続いて、ストレス推定装置１０は、人物Ｕから生体データに基づく第１のデータを取得すると、当該第１のデータを第１のストレス算出モデルに入力し、第１のストレス値を算出する（ステップＳ１３）。一例として、ストレス推定装置１０は、第１のストレス値として、上述した第２のデータであるＰＳＳスコアと同様に０－４０の値を算出する。
　そして、ストレス推定装置１０は、算出した第１のストレス値と、事前に対象となる人物Ｕから取得して記憶している当該人物Ｕのストレスに関する主観データに基づく第２のデータと、を第２のストレス算出モデルに入力して、第２のストレス値を算出する（ステップＳ１４）。その後、ストレス推定装置１０は、算出した第２のストレス値そのものや、第２のストレス値に基づくアラートなど、対象となる人物Ｕのストレス情報を出力する（ステップＳ１５）。
　そして、ストレス推定装置１０は、対象となる人物Ｕのストレス推定期間が終了するまで（ステップＳ１６でＮｏ）、上述同様に第２のストレス値の算出を繰り返し行う。つまり、ストレス推定装置１０は、次のストレス推定を行うタイミングとなると、人物Ｕから生体データに基づく第１のデータを取得して（ステップＳ１２）、当該第１のデータから第１のストレス算出モデルを用いて第１のストレス値を算出し（ステップＳ１３）、算出した第１のストレス値と事前に取得した人物Ｕのストレスに関する主観データに基づく第２のデータと、を第２のストレス算出モデルに入力して、第２のストレス値を算出する（ステップＳ１４）、ことを繰り返す。このようにして、ストレス推定装置１０は、対象となる人物Ｕのストレス状況を推定し続ける。
　ここで、上述したように生体データとストレスに関する主観データとを用いて２段階でストレス値（第１のストレス値、第２のストレス値）を算出したときの効果を説明する。図５の「ＭＡＥ（Ｍｅａｎ　Ａｂｓｏｌｕｔｅ　Ｅｒｒｏｒ）：平均絶対誤差」は、ストレス値の推定値と正解値との差の絶対値の平均を表している。この図の数値に示すように、過去の手法よりも本願発明の手法の方が値が小さく評価され、精度がよいことがわかる。また、図５の「相関係数」は、ストレスの推定値と正解値との間の関係の強さと方向性を表している。この図の数値に示すように、過去の手法よりも本願発明の手法の方が正の値が大きく評価され、精度がよいことがわかる。
　＜実施形態２＞
　次に、本発明の第２の実施形態を、図６乃至図８を参照して説明する。図６乃至図７は、実施形態２におけるストレス推定装置の構成を示すブロック図であり、図８は、ストレス推定装置の動作を示すフローチャートである。なお、本実施形態では、上述した実施形態で説明したストレス推定装置及びストレス推定方法の構成の概略を示している。
　まず、図６を参照して、本実施形態におけるストレス推定装置１００のハードウェア構成を説明する。ストレス推定装置１００は、一般的な情報処理装置にて構成されており、一例として、以下のようなハードウェア構成を装備している。
　・ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）１０１（演算装置）
　・ＲＯＭ（Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）１０２（記憶装置）
　・ＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）１０３（記憶装置）
　・ＲＡＭ１０３にロードされるプログラム群１０４
　・プログラム群１０４を格納する記憶装置１０５
　・情報処理装置外部の記憶媒体１１０の読み書きを行うドライブ装置１０６
　・情報処理装置外部の通信ネットワーク１１１と接続する通信インタフェース１０７
　・データの入出力を行う入出力インタフェース１０８
　・各構成要素を接続するバス１０９
　そして、ストレス推定装置１００は、プログラム群１０４をＣＰＵ１０１が取得して当該ＣＰＵ１０１が実行することで、図７に示す第一算出部１２１と第二算出部１２２とを構築して装備することができる。なお、プログラム群１０４は、例えば、予め記憶装置１０５やＲＯＭ１０２に格納されており、必要に応じてＣＰＵ１０１がＲＡＭ１０３にロードして実行する。また、プログラム群１０４は、通信ネットワーク１１１を介してＣＰＵ１０１に供給されてもよいし、予め記憶媒体１１０に格納されており、ドライブ装置１０６が該プログラムを読み出してＣＰＵ１０１に供給してもよい。但し、上述した第一算出部１２１と第二算出部１２２とは、かかる手段を実現させるための専用の電子回路で構築されるものであってもよい。
　なお、図６は、ストレス推定装置１００である情報処理装置のハードウェア構成の一例を示しており、情報処理装置のハードウェア構成は上述した場合に限定されない。例えば、情報処理装置は、ドライブ装置１０６を有さないなど、上述した構成の一部から構成されてもよい。
　そして、ストレス推定装置１００は、上述したようにプログラムによって構築された第一算出部１２１と第二算出部１２２との機能により、図８のフローチャートに示すストレス推定方法を実行する。
　図８に示すように、ストレス推定装置１００は、
　第１のストレス算出モデルに対して、対象人物から計測した生体データに基づく第１のデータを入力することにより第１のストレス値を算出し（ステップＳ１０１）、
　第２のストレス算出モデルに対して、前記第１のストレス値と、対象人物から取得したストレスに関する主観データに基づく第２のデータと、を入力することにより第２のストレス値を算出し（ステップＳ１０２）、
という処理を実行し、
　前記第２のストレス算出モデルは、過去に取得した所定の人物の前記第１のストレス値と前記第２のデータとを用いて学習することによって生成されたものである、
という構成をとる。
　本発明は、以上のように構成されることにより、人物の生体データとストレスに関する主観データとを用いて、２段階でストレス値（第１のストレス値、第２のストレス値）を算出することにより、高精度で人物のストレスを推定することができる。
　なお、上述したプログラムは、様々なタイプの非一時的なコンピュータ可読媒体（non-transitory computer readable medium）を用いて格納され、コンピュータに供給することができる。非一時的なコンピュータ可読媒体は、様々なタイプの実体のある記録媒体（tangible storage medium）を含む。非一時的なコンピュータ可読媒体の例は、磁気記録媒体（例えばフレキシブルディスク、磁気テープ、ハードディスクドライブ）、光磁気記録媒体（例えば光磁気ディスク）、ＣＤ－ＲＯＭ（Read Only Memory）、ＣＤ－Ｒ、ＣＤ－Ｒ／Ｗ、半導体メモリ（例えば、マスクＲＯＭ、ＰＲＯＭ（Programmable ROM）、ＥＰＲＯＭ（Erasable PROM）、フラッシュＲＯＭ、ＲＡＭ（Random Access Memory））を含む。また、プログラムは、様々なタイプの一時的なコンピュータ可読媒体（transitory computer readable medium）によってコンピュータに供給されてもよい。一時的なコンピュータ可読媒体の例は、電気信号、光信号、及び電磁波を含む。一時的なコンピュータ可読媒体は、電線及び光ファイバ等の有線通信路、又は無線通信路を介して、プログラムをコンピュータに供給できる。
　以上、上記実施形態等を参照して本願発明を説明したが、本願発明は、上述した実施形態に限定されるものではない。本願発明の構成や詳細には、本願発明の範囲内で当業者が理解しうる様々な変更をすることができる。また、上述した第一算出部１２１と第二算出部１２２とのうちの少なくとも一以上の機能は、ネットワーク上のいかなる場所に設置され接続された情報処理装置で実行されてもよく、つまり、いわゆるクラウドコンピューティングで実行されてもよい。
　＜付記＞
　上記実施形態の一部又は全部は、以下の付記のようにも記載されうる。以下、本発明におけるストレス推定方法、ストレス推定装置、プログラムの構成の概略を説明する。但し、本発明は、以下の構成に限定されない。
（付記１）
　第１のストレス算出モデルに対して、対象人物から計測した生体データに基づく第１のデータを入力することにより第１のストレス値を算出し、
　第２のストレス算出モデルに対して、前記第１のストレス値と、対象人物から取得したストレスに関する主観データに基づく第２のデータと、を入力することにより第２のストレス値を算出し、
　前記第２のストレス算出モデルは、過去に取得した所定の人物の前記第１のストレス値と前記第２のデータとを用いて学習することによって生成されたものである、
ストレス推定方法。
（付記２）
　付記１に記載のストレス推定方法であって、
　前記第２のストレス算出モデルは、所定の人物から計測した生体データに基づいて算出した前記第１のストレス値と、所定の人物から事前に取得した前記第２のデータと、を説明変数とし、所定の人物から生体データを計測したときに取得したストレスに関する第３のデータを目的変数として学習することによって生成されたものである、
ストレス推定方法。
（付記３）
　付記２に記載のストレス推定方法であって、
　前記第３のデータは、所定の人物のストレスに関する主観データに基づくデータである、
ストレス推定方法。
（付記４）
　付記１乃至３のいずれかに記載のストレス推定方法であって、
　事前に対象人物から前記第２のデータを取得し、
　その後に対象人物から取得した生体データに基づく前記第１のデータを前記第１のストレス算出モデルに対して入力することにより前記第１のストレス値を算出し、
　算出された前記第１のストレス値と、事前に取得した前記第２のデータとを、前記第２のストレス算出モデルに対して入力することにより前記第２のストレス値を算出する、
ストレス推定方法。
（付記５）
　付記４に記載のストレス推定方法であって、
　対象人物から生体データを取得する毎に当該生体データに基づく前記第１のデータを前記第１のストレス算出モデルに対して入力することにより前記第１のストレス値を算出し、
　前記第１のストレス値を算出する毎に、算出された前記第１のストレス値と、事前に取得した前記第２のデータとを、前記第２のストレス算出モデルに対して入力することにより前記第２のストレス値を算出する、
ストレス推定方法。
（付記６）
　付記４又は５に記載のストレス推定方法であって、
　予め設定されたタイミングで、対象人物から生体データを取得し、当該取得した生体データに基づく前記第１のデータを前記第１のストレス算出モデルに対して入力することにより前記第１のストレス値を算出する、ことを繰り返し行い、
　前記第１のストレス値を算出する毎に、算出した前記第１のストレス値と、事前に取得した前記第２のデータとを、前記第２のストレス算出モデルに対して入力することにより前記第２のストレス値を算出して、算出した前記第２のストレス値に基づく情報を出力する、
ストレス推定方法。
（付記７）
　付記４乃至６のいずれかに記載のストレス推定方法であって、
　予め設定された設問に対する対象人物による回答に基づいて算出された前記第２のデータを取得する、
ストレス推定方法。
（付記８）
　第１のストレス算出モデルに対して、対象人物から計測した生体データに基づく第１のデータを入力することにより第１のストレス値を算出する第一算出部と、
　第２のストレス算出モデルに対して、前記第１のストレス値と、対象人物から取得したストレスに関する主観データに基づく第２のデータと、を入力することにより第２のストレス値を算出する第二算出部と、
を備え、
　前記第２のストレス算出モデルは、過去に取得した所定の人物の前記第１のストレス値と前記第２のデータとを用いて学習することによって生成されたものである、
ストレス推定装置。
（付記９）
　付記８に記載のストレス推定装置であって、
　前記第２のストレス算出モデルは、所定の人物から計測した生体データに基づいて算出した前記第１のストレス値と、所定の人物から事前に取得した前記第２のデータと、を説明変数とし、所定の人物から生体データを計測したときに取得したストレスに関する第３のデータを目的変数として学習することによって生成されたものである、
ストレス推定装置。
（付記１０）
　付記９に記載のストレス推定装置であって、
　前記第３のデータは、所定の人物のストレスに関する主観データに基づくデータである、
ストレス推定装置。
（付記１１）
　付記８乃至１０のいずれかに記載のストレス推定装置であって、
　事前に対象人物から前記第２のデータを取得する取得部を備え、
　前記第一算出部は、その後に対象人物から取得した生体データに基づく前記第１のデータを前記第１のストレス算出モデルに対して入力することにより前記第１のストレス値を算出し、
　前記第二算出部は、算出された前記第１のストレス値と、事前に取得した前記第２のデータとを、前記第２のストレス算出モデルに対して入力することにより前記第２のストレス値を算出する、
ストレス推定装置。
（付記１２）
　付記１１に記載のストレス推定装置であって、
　前記第一算出部は、対象人物から生体データを取得する毎に当該生体データに基づく前記第１のデータを前記第１のストレス算出モデルに対して入力することにより前記第１のストレス値を算出し、
　前記第二算出部は、前記第１のストレス値を算出する毎に、算出された前記第１のストレス値と、事前に取得した前記第２のデータとを、前記第２のストレス算出モデルに対して入力することにより前記第２のストレス値を算出する、
ストレス推定装置。
（付記１３）
　付記１１又は１２に記載のストレス推定装置であって、
　前記第一算出部は、予め設定されたタイミングで、対象人物から生体データを取得し、当該取得した生体データに基づく前記第１のデータを前記第１のストレス算出モデルに対して入力することにより前記第１のストレス値を算出する、ことを繰り返し行い、
　前記第二算出部は、前記第１のストレス値を算出する毎に、算出した前記第１のストレス値と、事前に取得した前記第２のデータとを、前記第２のストレス算出モデルに対して入力することにより前記第２のストレス値を算出して、算出した前記第２のストレス値に基づく情報を出力する、
ストレス推定装置。
（付記１４）
　付記１１乃至１３のいずれかに記載のストレス推定装置であって、
　前記取得部は、予め設定された設問に対する対象人物による回答に基づいて算出された前記第２のデータを取得する、
ストレス推定装置。
（付記１５）
　情報処理装置に、
　第１のストレス算出モデルに対して、対象人物から計測した生体データに基づく第１のデータを入力することにより第１のストレス値を算出し、
　第２のストレス算出モデルに対して、前記第１のストレス値と、対象人物から取得したストレスに関する主観データに基づく第２のデータと、を入力することにより第２のストレス値を算出する、
処理を実行させるためのプログラムであり、
　前記第２のストレス算出モデルは、過去に取得した所定の人物の前記第１のストレス値と前記第２のデータとを用いて学習することによって生成されたものである、
ことを特徴とするプログラムを記憶したコンピュータにて読み取り可能な記憶媒体。
１０　ストレス推定装置
１１　データ取得部
１２　学習部
１３　第一算出部
１４　第二算出部
１５　出力部
１６　人物情報記憶部
１７　第一モデル記憶部
１８　第二モデル記憶部
２０　入力装置
３０　表示装置
１００　ストレス推定装置
１０１　ＣＰＵ
１０２　ＲＯＭ
１０３　ＲＡＭ
１０４　プログラム群
１０５　記憶装置
１０６　ドライブ装置
１０７　通信インタフェース
１０８　入出力インタフェース
１０９　バス
１１０　記憶媒体
１１１　通信ネットワーク
１２１　第一算出部
１２２　第二算出部
 

Claims (15)

  1. 　第１のストレス算出モデルに対して、対象人物から計測した生体データに基づく第１のデータを入力することにより第１のストレス値を算出し、
    　第２のストレス算出モデルに対して、前記第１のストレス値と、対象人物から取得したストレスに関する主観データに基づく第２のデータと、を入力することにより第２のストレス値を算出し、
    　前記第２のストレス算出モデルは、過去に取得した所定の人物の前記第１のストレス値と前記第２のデータとを用いて学習することによって生成されたものである、
    ストレス推定方法。
  2. 　請求項１に記載のストレス推定方法であって、
    　前記第２のストレス算出モデルは、所定の人物から計測した生体データに基づいて算出した前記第１のストレス値と、所定の人物から事前に取得した前記第２のデータと、を説明変数とし、所定の人物から生体データを計測したときに取得したストレスに関する第３のデータを目的変数として学習することによって生成されたものである、
    ストレス推定方法。
  3. 　請求項２に記載のストレス推定方法であって、
    　前記第３のデータは、所定の人物のストレスに関する主観データに基づくデータである、
    ストレス推定方法。
  4. 　請求項１乃至３のいずれかに記載のストレス推定方法であって、
    　事前に対象人物から前記第２のデータを取得し、
    　その後に対象人物から取得した生体データに基づく前記第１のデータを前記第１のストレス算出モデルに対して入力することにより前記第１のストレス値を算出し、
    　算出された前記第１のストレス値と、事前に取得した前記第２のデータとを、前記第２のストレス算出モデルに対して入力することにより前記第２のストレス値を算出する、
    ストレス推定方法。
  5. 　請求項４に記載のストレス推定方法であって、
    　対象人物から生体データを取得する毎に当該生体データに基づく前記第１のデータを前記第１のストレス算出モデルに対して入力することにより前記第１のストレス値を算出し、
    　前記第１のストレス値を算出する毎に、算出された前記第１のストレス値と、事前に取得した前記第２のデータとを、前記第２のストレス算出モデルに対して入力することにより前記第２のストレス値を算出する、
    ストレス推定方法。
  6. 　請求項４又は５に記載のストレス推定方法であって、
    　予め設定されたタイミングで、対象人物から生体データを取得し、当該取得した生体データに基づく前記第１のデータを前記第１のストレス算出モデルに対して入力することにより前記第１のストレス値を算出する、ことを繰り返し行い、
    　前記第１のストレス値を算出する毎に、算出した前記第１のストレス値と、事前に取得した前記第２のデータとを、前記第２のストレス算出モデルに対して入力することにより前記第２のストレス値を算出して、算出した前記第２のストレス値に基づく情報を出力する、
    ストレス推定方法。
  7. 　請求項４乃至６のいずれかに記載のストレス推定方法であって、
    　予め設定された設問に対する対象人物による回答に基づいて算出された前記第２のデータを取得する、
    ストレス推定方法。
  8. 　第１のストレス算出モデルに対して、対象人物から計測した生体データに基づく第１のデータを入力することにより第１のストレス値を算出する第一算出部と、
    　第２のストレス算出モデルに対して、前記第１のストレス値と、対象人物から取得したストレスに関する主観データに基づく第２のデータと、を入力することにより第２のストレス値を算出する第二算出部と、
    を備え、
    　前記第２のストレス算出モデルは、過去に取得した所定の人物の前記第１のストレス値と前記第２のデータとを用いて学習することによって生成されたものである、
    ストレス推定装置。
  9. 　請求項８に記載のストレス推定装置であって、
    　前記第２のストレス算出モデルは、所定の人物から計測した生体データに基づいて算出した前記第１のストレス値と、所定の人物から事前に取得した前記第２のデータと、を説明変数とし、所定の人物から生体データを計測したときに取得したストレスに関する第３のデータを目的変数として学習することによって生成されたものである、
    ストレス推定装置。
  10. 　請求項９に記載のストレス推定装置であって、
    　前記第３のデータは、所定の人物のストレスに関する主観データに基づくデータである、
    ストレス推定装置。
  11. 　請求項８乃至１０のいずれかに記載のストレス推定装置であって、
    　事前に対象人物から前記第２のデータを取得する取得部を備え、
    　前記第一算出部は、その後に対象人物から取得した生体データに基づく前記第１のデータを前記第１のストレス算出モデルに対して入力することにより前記第１のストレス値を算出し、
    　前記第二算出部は、算出された前記第１のストレス値と、事前に取得した前記第２のデータとを、前記第２のストレス算出モデルに対して入力することにより前記第２のストレス値を算出する、
    ストレス推定装置。
  12. 　請求項１１に記載のストレス推定装置であって、
    　前記第一算出部は、対象人物から生体データを取得する毎に当該生体データに基づく前記第１のデータを前記第１のストレス算出モデルに対して入力することにより前記第１のストレス値を算出し、
    　前記第二算出部は、前記第１のストレス値を算出する毎に、算出された前記第１のストレス値と、事前に取得した前記第２のデータとを、前記第２のストレス算出モデルに対して入力することにより前記第２のストレス値を算出する、
    ストレス推定装置。
  13. 　請求項１１又は１２に記載のストレス推定装置であって、
    　前記第一算出部は、予め設定されたタイミングで、対象人物から生体データを取得し、当該取得した生体データに基づく前記第１のデータを前記第１のストレス算出モデルに対して入力することにより前記第１のストレス値を算出する、ことを繰り返し行い、
    　前記第二算出部は、前記第１のストレス値を算出する毎に、算出した前記第１のストレス値と、事前に取得した前記第２のデータとを、前記第２のストレス算出モデルに対して入力することにより前記第２のストレス値を算出して、算出した前記第２のストレス値に基づく情報を出力する、
    ストレス推定装置。
  14. 　請求項１１乃至１３のいずれかに記載のストレス推定装置であって、
    　前記取得部は、予め設定された設問に対する対象人物による回答に基づいて算出された前記第２のデータを取得する、
    ストレス推定装置。
  15. 　情報処理装置に、
    　第１のストレス算出モデルに対して、対象人物から計測した生体データに基づく第１のデータを入力することにより第１のストレス値を算出し、
    　第２のストレス算出モデルに対して、前記第１のストレス値と、対象人物から取得したストレスに関する主観データに基づく第２のデータと、を入力することにより第２のストレス値を算出する、
    処理を実行させるためのプログラムであり、
    　前記第２のストレス算出モデルは、過去に取得した所定の人物の前記第１のストレス値と前記第２のデータとを用いて学習することによって生成されたものである、
    ことを特徴とするプログラムを記憶したコンピュータにて読み取り可能な記憶媒体。
     
PCT/JP2021/045653 2021-12-10 2021-12-10 ストレス推定方法 WO2023105790A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/JP2021/045653 WO2023105790A1 (ja) 2021-12-10 2021-12-10 ストレス推定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2021/045653 WO2023105790A1 (ja) 2021-12-10 2021-12-10 ストレス推定方法

Publications (1)

Publication Number Publication Date
WO2023105790A1 true WO2023105790A1 (ja) 2023-06-15

Family

ID=86729900

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/045653 WO2023105790A1 (ja) 2021-12-10 2021-12-10 ストレス推定方法

Country Status (1)

Country Link
WO (1) WO2023105790A1 (ja)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012075708A (ja) * 2010-10-01 2012-04-19 Sharp Corp ストレス状態推定装置、ストレス状態推定方法、プログラム、および記録媒体
JP2017196314A (ja) * 2016-04-28 2017-11-02 株式会社生命科学インスティテュート 健康推定装置、健康推定プログラム、健康推定方法および健康推定システム
WO2019176535A1 (ja) * 2018-03-15 2019-09-19 パナソニックＩｐマネジメント株式会社 ユーザの心理状態を推定するためのシステム、記録媒体、および方法
JP2019179523A (ja) * 2018-03-30 2019-10-17 ダイキン工業株式会社 心身状態認識システム
JP2020155099A (ja) * 2019-03-15 2020-09-24 ダイキン工業株式会社 環境制御システム
JP2020168537A (ja) * 2020-07-16 2020-10-15 株式会社ＤＡｎｃｉｎｇ Ｅｉｎｓｔｅｉｎ 情報処理装置、プログラム、及び、情報処理方法
JP2021071549A (ja) * 2019-10-30 2021-05-06 パナソニックＩｐマネジメント株式会社 学習システム、および、学習方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012075708A (ja) * 2010-10-01 2012-04-19 Sharp Corp ストレス状態推定装置、ストレス状態推定方法、プログラム、および記録媒体
JP2017196314A (ja) * 2016-04-28 2017-11-02 株式会社生命科学インスティテュート 健康推定装置、健康推定プログラム、健康推定方法および健康推定システム
WO2019176535A1 (ja) * 2018-03-15 2019-09-19 パナソニックＩｐマネジメント株式会社 ユーザの心理状態を推定するためのシステム、記録媒体、および方法
JP2019179523A (ja) * 2018-03-30 2019-10-17 ダイキン工業株式会社 心身状態認識システム
JP2020155099A (ja) * 2019-03-15 2020-09-24 ダイキン工業株式会社 環境制御システム
JP2021071549A (ja) * 2019-10-30 2021-05-06 パナソニックＩｐマネジメント株式会社 学習システム、および、学習方法
JP2020168537A (ja) * 2020-07-16 2020-10-15 株式会社ＤＡｎｃｉｎｇ Ｅｉｎｓｔｅｉｎ 情報処理装置、プログラム、及び、情報処理方法

Similar Documents

Publication Publication Date Title
US20190328301A1 (en) Psychological Stress Estimation Method and Apparatus
CN114098730B (zh) 基于认知图谱的认知能力测试和训练方法、装置、设备和介质
CN110337699B (zh) 一种心理压力评估方法及设备
JP7229491B1 (ja) 学習装置および推定システム
WO2022209296A1 (ja) 共感度測定方法
JP2019023790A (ja) 死亡予測装置及び死亡予測プログラム
Guo et al. System identification approaches for energy intake estimation: Enhancing interventions for managing gestational weight gain
JP2019107359A (ja) 計算機システム、認知機能の評価方法、及びプログラム
JP2020149150A (ja) 健康管理支援装置、健康管理支援システム、健康管理支援方法、および健康管理支援プログラム
WO2023105790A1 (ja) ストレス推定方法
US20230181075A1 (en) Fatigue estimation system, fatigue estimation method, and recording medium
JP3054708B1 (ja) ストレス計測装置
CN109753423A (zh) 一种评估卡顿程度的方法及装置
JP2019195427A (ja) ストレス状態評価装置、ストレス状態評価システム及びプログラム
JP7168825B2 (ja) 推定装置、推定方法及び推定プログラム
US20210266241A1 (en) Quality estimation apparatus, quality estimation method and program
WO2022254575A1 (ja) ストレス要因推定装置、ストレス要因推定方法及び記憶媒体
WO2022049727A1 (ja) 情報処理装置、制御方法及び記憶媒体
JP7385514B2 (ja) 生体情報管理装置、生体情報管理方法、生体情報管理プログラム及び記憶媒体
JPWO2022059249A5 (ja)
WO2023105791A1 (ja) 情報処理方法
US20210295275A1 (en) Maintenance management device, maintenance management method, and program
WO2022113276A1 (ja) 情報処理装置、制御方法及び記憶媒体
WO2022144978A1 (ja) 情報処理装置、制御方法及び記憶媒体
WO2022208873A1 (ja) ストレス推定装置、ストレス推定方法及び記憶媒体

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: 21967282

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2023566061

Country of ref document: JP

Kind code of ref document: A