JP7501660B2 - 疲労度推定装置、疲労度推定方法、及びプログラム - Google Patents

Description

本発明は、生体データから人の疲労の度合いを推定するための、疲労度推定装置及び疲労度推定方法に関し、更には、これらを実現するためのプログラムに関する。

近年、センサ技術の向上により、人の生体データの取得が容易になった。このため、例えば、生体データとして、心電信号を取得して、人の疲れ度合を示す疲労度を推定することが行われている。疲労度の推定は、企業等における生産性の向上の点からも重要である。

このため、特許文献１は、疲労度を推定するための装置を開示している。特許文献１に開示された装置は、被験者から生体データとして心電信号と光電脈波信号とを取得し、両者のピークの時間差から脈波伝搬時間を算出する。そして、特許文献１に開示された装置は、予め得られている脈波伝搬時間と疲労度との相関関係に、算出された脈波伝搬時間を適用して、被験者の現在の疲労度を推定する。

国際公開第２０１４／２０８２８９号

ところで、心電信号といった生体データは、疲労の程度だけでなく、自律神経の状態によっても変動する。このことから、正確に疲労度を推定するためには、自律神経が安定した状態で生体データを取得する必要がある。更に、生体データは、疲労度及び自律神経の状態に加えて、人の活動の状態に応じても変化する。

このため、特許文献１に開示された装置では、生体データから正確に疲労度を推定することは困難である。疲労度を正確に推定するためには、再現性の高い生体データ、つまり、疲労度を変動させる成分を含まない生体データを取得する必要がある。

本発明の目的の一例は、上記問題を解消し、疲労度を変動させる成分を含まない生体データを取得して、疲労度を推定し得る、疲労度推定装置、疲労度推定方法、及びプログラムを提供することにある。

上記目的を達成するため、本発明の一側面における疲労度推定装置は、
被験者から取得された生体データから、前記被験者が特定の活動状態にある場合の生体データを抽出する、生体データ抽出部と、
抽出された、前記被験者が特定の活動状態にある場合の前記生体データに基づいて、前記生体データの特徴量を算出する、特徴量算出部と、
算出された前記特徴量に基づいて、前記被験者の疲労の度合いを示す疲労度を推定する、疲労度推定部と、
を備えている、ことを特徴とする。

また、上記目的を達成するため、本発明の一側面における疲労度推定方法は、
被験者から取得された生体データから、前記被験者が特定の活動状態にある場合の生体データを抽出する、生体データ抽出ステップと、
抽出された、前記被験者が特定の活動状態にある場合の前記生体データに基づいて、前記生体データの特徴量を算出する、特徴量算出ステップと、
算出された前記特徴量に基づいて、前記被験者の疲労の度合いを示す疲労度を推定する、疲労度推定ステップと、
を有する、ことを特徴とする。

更に、上記目的を達成するため、本発明の一側面におけるプログラムは、
コンピュータに、
被験者から取得された生体データから、前記被験者が特定の活動状態にある場合の生体データを抽出する、生体データ抽出ステップと、
抽出された、前記被験者が特定の活動状態にある場合の前記生体データに基づいて、前記生体データの特徴量を算出する、特徴量算出ステップと、
算出された前記特徴量に基づいて、前記被験者の疲労の度合いを示す疲労度を推定する、疲労度推定ステップと、
を実行させる、プログラム。

以上のように本発明によれば、疲労度を変動させる成分を含まない生体データを取得して、疲労度を推定することができる。

図１は、実施の形態１における疲労度推定装置の概略構成を示すブロック図である。 図２は、実施の形態１における疲労度推定装置の構成を具体的に示すブロック図である。 図３は、実施の形態１における特徴量の算出処理を説明するための図である。図３（ａ）はオリジナルのＲＲＩデータの一例を示し、図３（ｂ）はリサンプリングされたＲＲＩデータを示し、図３（ｃ）は周波数変換後のＲＲＩデータを示している。 図４は、実施の形態１における疲労度推定装置の動作を示すフロー図である。 図５は、実施の形態２における疲労度推定装置の構成を示すブロック図である。 図６は、実施の形態２における疲労度推定装置の動作を示すフロー図である。 図７は、実施の形態２における疲労度推定装置の活動状態の検出処理時の動作を示すフロー図である。 図８は、実施の形態２における疲労度推定装置の活動状態の検出処理時の他の動作を示すフロー図である。 図９は、実施の形態１及び２における疲労度推定装置を実現するコンピュータの一例を示すブロック図である。

（実施の形態１）
以下、実施の形態１における、疲労度推定装置、疲労度推定方法、及びプログラムについて、図１～図４を参照しながら説明する。

［装置構成］
最初に、実施の形態１における疲労度推定装置の概略構成について図１を用いて説明する。図１は、実施の形態１における疲労度推定装置の概略構成を示すブロック図である。

図１に示す、実施の形態１における疲労度推定装置１０は、生体データから被験者の疲労の度合いを推定する装置である。ここで、疲労とは、身体疲労と精神疲労との両方を含む。疲労度推定装置１０は、身体疲労と精神疲労との両方について、度合を推定する。図１に示すように、疲労度推定装置１０は、生体データ抽出部１１と、特徴量算出部１２と、疲労度推定部１３とを備えている。

生体データ抽出部１１は、被験者から取得された生体データから、被験者が特定の活動状態にある場合の生体データを抽出する。特徴量算出部１２は、生体データ抽出部１１で抽出された、被験者が特定の活動状態にある場合の生体データに基づいて、生体データの特徴量を算出する。疲労度推定部１３は、特徴量算出部１２で算出された特徴量に基づいて、被験者の疲労の度合いを示す疲労度を推定する。

このように、実施の形態１では、被験者が特定の活動状態にある場合の生体データのみを用いて、疲労度が推定される。つまり、実施の形態１によれば、疲労度を変動させる成分を含まない生体データを取得して、疲労度を推定することができる。

続いて、図２～図３を用いて、実施の形態１における疲労度推定装置の構成及び機能について具体的に説明する。図２は、実施の形態１における疲労度推定装置の構成を具体的に示すブロック図である。

図２に示すように、実施の形態１においては、疲労度推定装置１０は、被験者２０の端末装置２１に、有線又は無線によってデータ通信可能に接続されている。また、端末装置２１は、生体データの取得用のセンサ２２に接続されている。センサ２２は、被験者２０の身体に取り付けられている。被験者２０の生体データは、センサ２２によって取得された後、端末装置２１に送られ、その後、端末装置２１から疲労度推定装置１０に送信される。

生体データとしては、心電波形、脈波波形、皮膚電位、発汗量等が挙げられる。実施の形態１において、生体データは、疲労度の推定に利用可能なデータであれば、特に限定されるものではない。但し、以降においては、センサ２２が、心電波形、脈波波形といった心拍間隔を示すデータを出力する例について説明する。

また、図２に示すように、実施の形態１では、疲労度推定装置１０は、生体データ抽出部１１、特徴量算出部１２、及び疲労度推定部１３に加えて、生体データ取得部１４と、生体データ格納部１５と、出力部１６とを備えている。

生体データ取得部１４は、端末装置２１から被験者２０の生体データが送信されてくると、送信されてきた生体データを取得し、取得した生体データを、生体データ格納部１５に格納する。

具体的には、センサ２２が、心電波形又は脈波波形を出力しているとすると、端末装置２１は、出力されてきた波形を、心拍間隔を示すデータ（心拍の変動時系列データ）であるＲＲＩ（R-R Interval）データに変換し、これを生体データとして送信する。従って、生体データ取得部１４は、このＲＲＩデータを、測定時の時刻と関連付けて、生体データ格納部１５に格納する。

生体データ抽出部１１は、実施の形態１では、被験者が特定の活動状態にある場合の生体データとして、被験者の起床時刻の直前の設定時間分の生体データ、例えば、起床前５分間～３０分間の生体データ（ＲＲＩデータ）を抽出する。

具体的には、実施の形態１では、被験者２０が、起床後に、端末装置２１に起床時刻を入力し、端末装置２１が、入力された起床時刻を、疲労度推定装置１０に送信する。これにより、生体データ抽出部１１は、入力された起床時刻を基準に、生体データ格納部１５から、被験者の起床時刻の直前の設定時間分の生体データ（ＲＲＩデータ）を抽出する。

特徴量算出部１２は、生体データが心拍間隔を示すデータ（ＲＲＩデータ）であるとすると、生体データの特徴量として、心拍変動性に関する特徴量、即ち、１拍毎の拍動間隔の変化を示す特徴量を算出する。図３は、実施の形態１における特徴量の算出処理を説明するための図である。図３（ａ）はオリジナルのＲＲＩデータの一例を示し、図３（ｂ）はリサンプリングされたＲＲＩデータを示し、図３（ｃ）は周波数変換後のＲＲＩデータを示している。

具体的には、特徴量算出部１２は、図３（ａ）に示すＲＲＩデータの欠損部分に対して、例えば、スプライン補間によってデータ補間を行う。また、データ補間の手法としては、その他に、代入法も挙げられる。代入法では、定数、平均値といった集計値が、欠損値に代入される。次に、特徴量算出部１２は、図３（ｂ）に示すように、データ補間後のＲＲＩデータに対して、例えば、４Ｈｚでリサンプリングを実行する。

そして、特徴量算出部１２は、図３（ｂ）に示すＲＲＩデータから、特徴量として、時間領域特徴量を算出する。また、時間領域特徴量としては、以下のものが挙げられる。特徴量算出部１２は、特徴量として、以下の時間領域特徴量のうち少なくとも１つを算出する。
ｍｉｎ ：ＲＲＩ最小値
ｍａｘ ：ＲＲＩ最大値
ａｍｐｌｉｔｕｄｅ：ＲＲＩの最大値－最小値
ｖａｒ ：ＲＲＩ分散
ｍｒｒｉ ：ＲＲＩ平均値
ｍｅｄｉａｎ ：ＲＲＩ中央値
ｍｈｒ ：ＨＲ平均値
ｒｍｓｓｄ ：隣接ＲＲＩの差の標準偏差
ｓｄｎｎ ：ＲＲＩの標準偏差（一定時間の心拍間隔の標準偏差）
ｎｎ５０ ：隣接ＲＲＩの差が５０ｍｓより大きくなった心拍の回数
ｐｎｎ５０ ：隣接ＲＲＩの差が５０ｍｓより大きくなった心拍の割合

また、上述の時間領域特徴量のうち、ｓｄｎｎは、以下の数１によって算出される。以下の数１において、σはｓｄｎｎの値を示し、ｘ_ｉはｉ番目の心拍間隔を示しいている。また、ｘバーは一定時間の心拍間隔の平均値を示し、ｎは一定時間の心拍間隔のデータ数を示している。ｉは心拍間隔の番号である。

また、特徴量算出部１２は、時間領域特徴量に加えて、または代えて、周波数領域特徴量を算出しても良い。この場合、特徴量算出部１２は、図３（ｃ）に示すように、リサンプリングのＲＲＩデータに対して、高速フーリエ変換（ＦＦＴ：Fast Fourier Transform）を実行して、パワースペクトル密度を求めて、周波数領域特徴量を算出する。図３（ｃ）において、ＬＦは低周波領域（0.04-0.15Hz）のパワースペクトル、ＨＦは高周波領域（0.15-0.4Hz）のパワースペクトルを示している。

周波数領域特徴量としては、以下のものが挙げられる。特徴量算出部１２は、以下の周波数領域特徴量のうち少なくとも１つを算出する。
ｔｏｔａｌ＿ｐｏｗｅｒ（ＴＰ）：ＶＬＦ、ＬＦ、ＨＦのパワースペクトルのトータルパワー
ＶＬＦ ：０．００３３～０．０４Ｈｚの周波数帯のパワースペクトル
ＬＦ ：０．０４～０．１５Ｈｚの周波数帯のパワースペクトル
ＬＦ＿ｎｕ ：ＬＦ（絶対値）と（ＴＰ－ｖｌｆ）との比率
ＨＦ ：０．１５～０．４Ｈｚの周波数帯のパワースペクトル
ＨＦ＿ｎｕ ：ＨＦ（絶対値）と（ＴＰ－ｖｌｆ）との比率
ＬＦ／ＨＦ ：ＬＦとＨＦとのパワー比

疲労度推定部１３は、実施の形態１では、生体データの特徴量と疲労度との関係とを機械学習した機械学習モデルに、特徴量算出部１２によって算出された特徴量を適用することによって、被験者の疲労度を推定する。

具体的には、疲労度を求める機械学習モデルが、訓練データとして、心拍変動性に関する特徴量と疲労度とを用いて、予め構築される。訓練データとなる疲労度は、例えば、アンケートの回答から算出される。

機械学習モデルをＦ（ｘ）とすると、モデルは、例えば、以下の数２によって表される。また、以下の数２において、ｘは心拍変動性に関する特徴量ベクトルを示し、ｘ_ｉはｉ番目の特徴量を示している（ｉは自然数）。また、ｙは疲労度を示している。訓練データとしてのｙは、例えば、アンケートの回答、身体能力（ジャンプの高さ、最大スピード、関節の可動域等）から取得できる。ｗ_ｉはｉ番目の特徴量の重みを示し、機械学習によって最適化される。ｎは特徴量ベクトルｎを構成する要素（特徴量）の個数を示している。

また、機械学習モデルは、複数個構築されていても良く、この場合は、疲労度推定部１３は、各機械学習モデルで算出された値を組み合わせて、最終的な疲労度とする。更に、機械学習モデルは、上記数２に示す線形モデルに限定されず、指数モデル、対数モデル等であっても良いし、異なるモデルの組合せであっても良い。

また、機械学習モデルを構築するための機械学習の手法は、特に限定されない。具体的な機械学習の手法としては、線形回帰、ロジスティック回帰、サポートベクトルマシン、決定木、回帰木、ニューラルネットワーク等が挙げられる。

出力部１６は、疲労度推定部１３によって推定された疲労度を、被験者２０の端末装置２１に送信する。これにより、端末装置２１の画面に、推定された疲労度が表示されるので、被験者２０は自身の疲労度を確認することができる。また、出力部１６は、疲労度推定部１３によって推定された疲労度を、被験者２０以外、例えば、被験者の管理者、家族、医師等の端末装置に送信することもできる。この場合、被験者２０以外の第３者が、被験者２０の疲労度を確認することができる。

［装置動作］
次に、実施の形態１における疲労度推定装置１０の動作について図４を用いて説明する。図４は、実施の形態１における疲労度推定装置の動作を示すフロー図である。以下の説明においては、適宜図１～図３を参照する。また、実施の形態１では、疲労度推定装置１０を動作させることによって、疲労度推定方法が実施される。よって、実施の形態１における疲労度推定方法の説明は、以下の疲労度推定装置１０の動作説明に代える。

最初に、図４に示すように、生体データ取得部１４は、端末装置２１から被験者２０の生体データが送信されてくると、送信されてきた生体データを取得し、取得した生体データを、送信されてきた順に、時系列に沿って、生体データ格納部１５に格納する（ステップＡ１）。

次に、生体データ抽出部１１は、端末装置２１から被験者２０の起床時刻が送信されてくると、被験者が特定の活動状態にある場合の生体データとして、被験者の起床時刻の直前の設定時間分の生体データを抽出する（ステップＡ２）。

次に、特徴量算出部１２は、ステップＡ２で抽出された生体データの特徴量を算出する（ステップＡ３）。具体的には、ステップＡ３では、特徴量算出部１２は、心拍変動性に関する特徴量を算出する。

次に、疲労度推定部１３は、生体データの特徴量と疲労度との関係とを機械学習した機械学習モデルに、ステップＡ３で算出された特徴量を適用することによって、被験者の疲労度を推定する（ステップＡ４）。

次に、出力部１６は、ステップＡ４で推定された疲労度を、被験者２０の端末装置２１に送信する（ステップＡ５）。これにより、端末装置２１の画面に、ステップＡ４で推定された疲労度が表示され、被験者２０は自身の疲労度を確認することができる。

以上のように、実施の形態１では、被験者が特定の活動状態にある場合の生体データのみが用いられるので、疲労度を変動させる成分を含まない生体データから疲労度が推定される。また、生体データから、心拍変動性に関する特徴量が算出され、更に、この特徴量から、機械学習モデルを用いて疲労度が推定されるので、推定される疲労度の信頼性は高いものとなる。

［プログラム］
実施の形態１におけるプログラムは、コンピュータに、図４に示すステップＡ１～Ａ５を実行させるプログラムであれば良い。このプログラムをコンピュータにインストールし、実行することによって、実施の形態１における疲労度推定装置１０と疲労度推定方法とを実現することができる。この場合、コンピュータのプロセッサは、生体データ抽出部１１、特徴量算出部１２、疲労度推定部１３、生体データ取得部１４、及び出力部１６として機能し、処理を行なう。

また、実施の形態１では、生体データ格納部１５は、コンピュータに備えられたハードディスク等の記憶装置に、これらを構成するデータファイルを格納することによって実現されていても良いし、別のコンピュータの記憶装置によって実現されていても良い。また、コンピュータとしては、汎用のＰＣの他に、スマートフォン、タブレット型端末装置が挙げられる。

また、実施の形態１におけるプログラムは、複数のコンピュータによって構築されたコンピュータシステムによって実行されても良い。この場合は、例えば、各コンピュータが、それぞれ、生体データ抽出部１１、特徴量算出部１２、疲労度推定部１３、生体データ取得部１４、及び出力部１６のいずれかとして機能しても良い。

（実施の形態２）
次に、実施の形態２における、疲労度推定装置、疲労度推定方法、及びプログラムについて、図５～図７を参照しながら説明する。

［装置構成］
最初に、実施の形態２における疲労度推定装置の構成について図５を用いて説明する。図５は、実施の形態２における疲労度推定装置の構成を示すブロック図である。

図５に示すように、実施の形態２では、疲労度推定装置３０は、実施の形態１における疲労度推定装置１０と同様の構成を備えているが、更に、活動状態検出部３１を備えている。また、実施の形態２では、被験者２０には、生体データの取得用のセンサ２２に加えて、被験者の活動状態を示す活動データを取得するための第２のセンサ２３も取り付けられている。以下、実施の形態１との相違点を中心に、実施の形態２について説明する。

まず、第２のセンサ２３は、活動データを取得すると、取得した活動データを端末装置２１に出力する。そして、端末装置２１は、出力されてきた活動データを、疲労度推定装置３０に送信する。

活動状態検出部３１は、活動データに基づいて、被験者２０の活動状態を検出する。生体データ抽出部１１は、実施の形態２では、活動状態検出部３１による検出の結果に基づいて、被験者２０が特定の活動状態にある場合の生体データを抽出する。

具体的には、例えば、第２のセンサ２３としては、３軸加速度センサが用いられ、第２のセンサ２３が、活動データとして、被験者の動作を示す加速度データを出力しているとする。この場合、活動状態検出部３１は、活動データ（加速度データ）に基づいて、被験者２０の活動状態として、就寝から起床へと変化したことを検出する。

そして、生体データ抽出部１１は、実施の形態２では、活動状態検出部３１による検出結果に基づいて、即ち、就寝から起床へと変化したことが検出されると、被験者２０は起床した時刻を特定する。そして、実施の形態１と同様に、生体データ抽出部１１は、被験者が特定の活動状態にある場合の生体データとして、被験者の起床時刻の直前の設定時間分の生体データを抽出する。

その後、特徴量算出部１２は、実施の形態１と同様に、生体データの特徴量として、心拍変動性に関する特徴量を算出する。また、疲労度推定部１３も、実施の形態１と同様に、生体データの特徴量と疲労度との関係とを機械学習した機械学習モデルに、算出された特徴量を適用することによって、被験者の疲労度を推定する。

［装置動作］
次に、実施の形態２における疲労度推定装置３０の動作について図６を用いて説明する。図６は、実施の形態２における疲労度推定装置の動作を示すフロー図である。以下の説明においては、適宜図５を参照する。また、実施の形態２では、疲労度推定装置３０を動作させることによって、疲労度推定方法が実施される。よって、実施の形態２における疲労度推定方法の説明は、以下の疲労度推定装置３０の動作説明に代える。

最初に、図６に示すように、生体データ取得部１４は、端末装置２１から被験者２０の生体データが送信されてくると、これを取得し、取得した生体データを、送信されてきた順に、時系列に沿って、生体データ格納部１５に格納する（ステップＢ１）。

次に、活動状態検出部３１は、端末装置２１から送信されてきた活動データに基づいて、被験者２０の活動状態を検出する（ステップＢ２）。

次に、生体データ抽出部１１は、ステップＢ２の結果に基づいて、特定の活動状態にある場合の生体データの抽出が可能かどうかを判定する（ステップＢ３）。

具体的には、ステップＢ２において、被験者２０の活動状態として、就寝から起床へと変化したことが検出されている場合は、生体データ抽出部１１は、ステップＢ３においてＹｅｓと判定する。一方、ステップＢ２において、被験者２０の活動状態として、就寝から起床へと変化したことが検出されていない場合、生体データ抽出部１１は、Ｎ０と判定する。

ステップＢ３において、Ｎｏと判定された場合は、再度ステップＢ１が実行される。一方、ステップＢ３において、Ｙｅｓと判定された場合は、生体データ抽出部１１は、活動状態検出部３１による検出の結果に基づいて、被験者２０の起床時刻を特定する。そして、生体データ抽出部１１は、被験者２０が特定の活動状態にある場合の生体データとして、被験者２０の起床時刻の直前の設定時間分の生体データを抽出する（ステップＢ４）。

次に、特徴量算出部１２は、ステップＢ４で抽出された生体データの特徴量を算出する（ステップＢ５）。具体的には、ステップＢ５では、特徴量算出部１２は、心拍変動性に関する特徴量を算出する。

次に、疲労度推定部１３は、生体データの特徴量と疲労度との関係とを機械学習した機械学習モデルに、ステップＢ５で算出された特徴量を適用することによって、被験者の疲労度を推定する（ステップＢ６）。

次に、出力部１６は、ステップＢ６で推定された疲労度を、被験者２０の端末装置２１に送信する（ステップＢ７）。これにより、端末装置２１の画面に、ステップＢ６で推定された疲労度が表示され、被験者２０は自身の疲労度を確認することができる。また、実施の形態２においても、出力部１６は、疲労度推定部１３によって推定された疲労度を、被験者２０以外、例えば、被験者の管理者、家族、医師等の端末装置に送信することもできる。この場合、被験者２０以外の第３者が、被験者２０の疲労度を確認することができる。

続いて、図７を用いて、図６に示したステップＢ２について詳細に説明する。図７は、実施の形態２における疲労度推定装置の活動状態の検出処理時の動作を示すフロー図である。

図７に示すように、最初に、活動状態検出部３１は、被験者２０の端末装置２１から送信されてきた活動データ、即ち、３軸加速度センサから出力された加速度データを、一定のサンプリングレートで取得する（ステップＢ２１）。

次に、活動状態検出部３１は、時刻ｔ_ｊにおける加速度ＡＣＣ_ｊと、時刻ｔ_ｊ－１における加速度ＡＣＣ_ｊ－１とのを算出し、更に、前者と後者との割合ｔｈ1（=ＡＣＣ_ｊ／ＡＣＣ_ｊ－１）を算出する（ステップＢ２２）。ステップＢ２２において、加速度ＡＣＣは、被験者の身体の左右方向の加速度ＡＣＣ_ｘと、身体の前後方向の加速度ＡＣＣ_ｙと、鉛直方向の加速度ＡＣＣ_ｚとから、下記の数３を用いて算出される。

次に、活動状態検出部３１は、ステップＢ２２で算出された割合ｔｈ１が、基準となるルール１に適合するかどうかを判定する（ステップＢ２３）。具体的には、活動状態検出部３１は、割合ｔｈ１が、予め設定された閾値ｔｈ_{ｗｋ－ｔｉｍｅ}よりも大きいかどうかを判定する。閾値ｔｈ_{ｗｋ－ｔｉｍｅ}は、起床状態を検出するために設定された閾値である。

ステップＢ２３の判定の結果、割合ｔｈ１が、基準となるルール１に適合しない場合は、活動状態検出部３１は、活動状態の検出結果として、被験者２０は未だ就寝状態にあることを出力する（ステップＢ２５）。

一方、ステップＢ２３の判定の結果、割合ｔｈ１が、基準となるルール１に適合する場合は、活動状態検出部３１は、活動状態の検出結果として、時刻ｔ_ｊにおいて、被験者２０の状態が就寝から起床へと変化したことを出力する（ステップＢ２４）。

以上のように、実施の形態２では、被験者が特定の活動状態にあることが自動的に検出される。よって、より正確に、被験者２０の疲労度が推定される。

［変形例１］
ここで実施の形態２における変形例について説明する。変形例１では、図６に示したステップＢ２についての処理が異なる。図８は、実施の形態２における疲労度推定装置の活動状態の検出処理時の他の動作を示すフロー図である。

図８に示すように、最初に、活動状態検出部３１は、被験者２０の端末装置２１から送信されてきた活動データ、すなわち、３軸加速度センサから出力された加速度データを、一定のサンプリングレートで取得する（ステップＢ２０１）。ステップＢ２０１は、図７に示すステップＢ２１と同様のステップである。

次に、活動状態検出部３１は、時刻ｔ_ｊにおける加速度ＡＣＣ_ｊと、時刻ｔ_ｊ－１における加速度ＡＣＣ_ｊ－１とのを算出し、更に、前者と後者との割合ｔｈ1（=ＡＣＣ_ｊ／ＡＣＣ_ｊ－１）を算出する（ステップＢ２０２）。ステップＢ２０２は、図７に示すステップＢ２２と同様のステップである。

次に、活動状態検出部３１は、ステップＢ２０２で算出された割合ｔｈ１が、基準となるルール１に適合するかどうかを判定する（ステップＢ２０３）。ステップＢ２０３は、図７に示すステップＢ２３と同様のステップである。

ステップＢ２０３の判定の結果、割合ｔｈ１が、基準となるルール１に適合しない場合は、活動状態検出部３１は、活動状態の検出結果として、被験者２０は未だ就寝状態にあることを出力する（ステップＢ２０７）。ステップＢ２０７は、図７に示すステップＢ２５と同様のステップである。

一方、ステップＢ２０３の判定の結果、割合ｔｈ１が、基準となるルール１に適合する場合は、変形例１では、活動状態検出部３１は、時刻ｔ_jから時刻（ｔ_j+ｔｄ）までの加速度の積分値ｔｈ２を算出する（ステップＢ２０４）。

次に、活動状態検出部３１は、ステップＢ２０４で算出された積分値ｔｈ２が、基準となるルール２に適合するかどうかを判定する（ステップＢ２０５）。具体的には、活動状態検出部３１は、積分値ｔｈ２が０より大きく、且つ、ｔｈ_{ｗｋ－ｉｎｔ}より小さいかどうかを判定する（０＜ｔｈ２＜ｔｈ_{ｗｋ－ｉｎｔ}）。閾値ｔｈ_{ｗｋ－ｉｎｔ}は、被験者２０が起き上がった後に再度寝てしまった場合を除外するために設定されている。

ステップＢ２０５の判定の結果、積分値ｔｈ２が、基準となるルール２に適合しない場合は、上述したステップＢ２０７が実行される。

一方、ステップＢ２０５の判定の結果、積分値ｔｈ２が、基準となるルール２に適合する場合は、活動状態検出部３１は、活動状態の検出結果として、時刻ｔ_ｊにおいて、被験者２０の状態が就寝から起床へと変化したことを出力する（ステップＢ２０６）。ステップＢ２０６は、図７に示すステップＢ２４と同様のステップである。

このように、変形例１では、起き上がった後に再度寝てしまっていないかどうかも判定されるので、よりいっそう正確に、被験者が特定の活動状態にあることを自動的に検出できる。

［変形例２］
上述した例では、被験者２０が特定の活動状態にある場合の生体データとして、被験者の起床時刻の直前の設定時間分の生体データが抽出されているが、実施の形態２は、この例に限定されるものではない。

本変形例では、活動状態検出部３１は、活動状態として、レム睡眠からノンレム睡眠へと切り替わったこと、又はノンレム睡眠からレム睡眠へと切り替わったことを検出することができる。具体的には、活動状態検出部３１は、センサ２２から出力する心電波形又は脈波波形から、レム睡眠からノンレム睡眠への切り替わり、又はノンレム睡眠からレム睡眠への切り替わりを検出し、切り替わったときの時刻を特定する。

この場合、生体データ抽出部１１は、被験者が特定の活動状態にある場合の生体データとして、切り替わった時刻の前後の設定時間分（例えば、前後５分間）の生体データを抽出する。

なお、本変形例においても、特徴量算出部１２、疲労度推定部１３、及び出力部１６における動作は、上述の例と同様である。

［プログラム］
実施の形態２におけるプログラムは、コンピュータに、図６に示すステップＢ１～Ｂ７を実行させるプログラムであれば良い。このプログラムをコンピュータにインストールし、実行することによって、実施の形態２における疲労度推定装置３０と疲労度推定方法とを実現することができる。この場合、コンピュータのプロセッサは、生体データ抽出部１１、特徴量算出部１２、疲労度推定部１３、生体データ取得部１４、出力部１６、及び活動状態検出部３１として機能し、処理を行なう。

また、実施の形態２でも、生体データ格納部１５は、コンピュータに備えられたハードディスク等の記憶装置に、これらを構成するデータファイルを格納することによって実現されていても良いし、別のコンピュータの記憶装置によって実現されていても良い。また、コンピュータとしては、汎用のＰＣの他に、スマートフォン、タブレット型端末装置が挙げられる。

また、実施の形態２におけるプログラムは、複数のコンピュータによって構築されたコンピュータシステムによって実行されても良い。この場合は、例えば、各コンピュータが、それぞれ、生体データ抽出部１１、特徴量算出部１２、疲労度推定部１３、生体データ取得部１４、出力部１６、及び活動状態検出部３１のいずれかとして機能しても良い。

（物理構成）
ここで、実施の形態１及び２におけるプログラムを実行することによって、疲労度推定装置を実現するコンピュータについて図９を用いて説明する。図９は、実施の形態１及び２における疲労度推定装置を実現するコンピュータの一例を示すブロック図である。

図９に示すように、コンピュータ１１０は、ＣＰＵ（Central Processing Unit）１１１と、メインメモリ１１２と、記憶装置１１３と、入力インターフェイス１１４と、表示コントローラ１１５と、データリーダ／ライタ１１６と、通信インターフェイス１１７とを備える。これらの各部は、バス１２１を介して、互いにデータ通信可能に接続される。

また、コンピュータ１１０は、ＣＰＵ１１１に加えて、又はＣＰＵ１１１に代えて、ＧＰＵ（Graphics Processing Unit）、又はＦＰＧＡ（Field-Programmable Gate Array）を備えていても良い。この態様では、ＧＰＵ又はＦＰＧＡが、実施の形態におけるプログラムを実行することができる。

ＣＰＵ１１１は、記憶装置１１３に格納された、コード群で構成された実施の形態におけるプログラムをメインメモリ１１２に展開し、各コードを所定順序で実行することにより、各種の演算を実施する。メインメモリ１１２は、典型的には、ＤＲＡＭ（Dynamic Random Access Memory）等の揮発性の記憶装置である。

また、実施の形態におけるプログラムは、コンピュータ読み取り可能な記録媒体１２０に格納された状態で提供される。なお、本実施の形態におけるプログラムは、通信インターフェイス１１７を介して接続されたインターネット上で流通するものであっても良い。

また、記憶装置１１３の具体例としては、ハードディスクドライブの他、フラッシュメモリ等の半導体記憶装置が挙げられる。入力インターフェイス１１４は、ＣＰＵ１１１と、キーボード及びマウスといった入力機器１１８との間のデータ伝送を仲介する。表示コントローラ１１５は、ディスプレイ装置１１９と接続され、ディスプレイ装置１１９での表示を制御する。

データリーダ／ライタ１１６は、ＣＰＵ１１１と記録媒体１２０との間のデータ伝送を仲介し、記録媒体１２０からのプログラムの読み出し、及びコンピュータ１１０における処理結果の記録媒体１２０への書き込みを実行する。通信インターフェイス１１７は、ＣＰＵ１１１と、他のコンピュータとの間のデータ伝送を仲介する。

また、記録媒体１２０の具体例としては、ＣＦ（Compact Flash（登録商標））及びＳＤ（Secure Digital）等の汎用的な半導体記憶デバイス、フレキシブルディスク（Flexible Disk）等の磁気記録媒体、又はＣＤ－ＲＯＭ（Compact Disk Read Only Memory）などの光学記録媒体が挙げられる。

なお、実施の形態１及び２における疲労度推定装置は、プログラムがインストールされたコンピュータではなく、各部に対応したハードウェアを用いることによっても実現可能である。更に、疲労度推定装置は、一部がプログラムで実現され、残りの部分がハードウェアで実現されていてもよい。

上述した実施の形態の一部又は全部は、以下に記載する（付記１）～（付記１８）によって表現することができるが、以下の記載に限定されるものではない。

（付記１）
被験者から取得された生体データから、前記被験者が特定の活動状態にある場合の生体データを抽出する、生体データ抽出部と、
抽出された、前記被験者が特定の活動状態にある場合の前記生体データに基づいて、前記生体データの特徴量を算出する、特徴量算出部と、
算出された前記特徴量に基づいて、前記被験者の疲労の度合いを示す疲労度を推定する、疲労度推定部と、
を備えている、ことを特徴とする疲労度推定装置。

（付記２）
付記１に記載の疲労度推定装置であって、
前記被験者の活動状態を検出する、活動状態検出部を更に備え、
前記生体データ抽出部が、前記活動状態検出部による検出の結果に基づいて、取得された生体データから、前記被験者が特定の活動状態にある場合の生体データを抽出する、
ことを特徴とする疲労度推定装置。

（付記３）
付記２に記載の疲労度推定装置であって、
前記活動状態検出部が、前記被験者の活動状態として、就寝から起床へと変化したことを検出した場合に、
前記生体データ抽出部が、前記被験者が特定の活動状態にある場合の生体データとして、前記被験者が起床した時刻の直前の設定時間分の生体データを抽出する、
ことを特徴とする疲労度推定装置。

（付記４）
付記２に記載の疲労度推定装置であって、
前記活動状態検出部が、活動状態として、レム睡眠からノンレム睡眠へと切り替わったこと、又はノンレム睡眠からレム睡眠へと切り替わったことを検出した場合に、
前記生体データ抽出部が、前記被験者が特定の活動状態にある場合の生体データとして、切り替わった時刻の前後の設定時間分の生体データを抽出する、
ことを特徴とする疲労度推定装置。

（付記５）
付記１～４のいずれかに記載の疲労度推定装置であって、
前記生体データが、心拍間隔を示すデータである場合に、
前記特徴量算出部が、前記特徴量として、１拍毎の拍動間隔の変化を示す特徴量を算出する、
ことを特徴とする疲労度推定装置。

（付記６）
付記１～５のいずれかに記載の疲労度推定装置であって、
前記疲労度推定部が、前記生体データの特徴量と疲労度との関係とを機械学習した機械学習モデルに、算出された前記特徴量を適用することによって、前記被験者の疲労度を推定する、
ことを特徴とする疲労度推定装置。

（付記７）
被験者から取得された生体データから、前記被験者が特定の活動状態にある場合の生体データを抽出する、生体データ抽出ステップと、
抽出された、前記被験者が特定の活動状態にある場合の前記生体データに基づいて、前記生体データの特徴量を算出する、特徴量算出ステップと、
算出された前記特徴量に基づいて、前記被験者の疲労の度合いを示す疲労度を推定する、疲労度推定ステップと、
を有する、ことを特徴とする疲労度推定方法。

（付記８）
付記７に記載の疲労度推定方法であって、
前記被験者の活動状態を検出する、活動状態検出ステップを更に有し、
前記生体データ抽出ステップにおいて、前記活動状態検出ステップによる検出の結果に基づいて、取得された生体データから、前記被験者が特定の活動状態にある場合の生体データを抽出する、
ことを特徴とする疲労度推定方法。

（付記９）
付記８に記載の疲労度推定方法であって、
前記活動状態検出ステップにおいて、前記被験者の活動状態として、就寝から起床へと変化したことを検出した場合に、
前記生体データ抽出ステップにおいて、前記被験者が特定の活動状態にある場合の生体データとして、前記被験者が起床した時刻の直前の設定時間分の生体データを抽出する、
ことを特徴とする疲労度推定方法。

（付記１０）
付記８に記載の疲労度推定方法であって、
前記活動状態検出ステップにおいて、活動状態として、レム睡眠からノンレム睡眠へと切り替わったこと、又はノンレム睡眠からレム睡眠へと切り替わったことを検出した場合に、
前記生体データ抽出ステップにおいて、前記被験者が特定の活動状態にある場合の生体データとして、切り替わった時刻の前後の設定時間分の生体データを抽出する、
ことを特徴とする疲労度推定方法。

（付記１１）
付記７～１０のいずれかに記載の疲労度推定方法であって、
前記生体データが、心拍間隔を示すデータである場合に、
前記特徴量算出ステップにおいて、前記特徴量として、１拍毎の拍動間隔の変化を示す特徴量を算出する、
ことを特徴とする疲労度推定方法。

（付記１２）
付記７～１１のいずれかに記載の疲労度推定方法であって、
前記疲労度推定ステップにおいて、前記生体データの特徴量と疲労度との関係とを機械学習した機械学習モデルに、算出された前記特徴量を適用することによって、前記被験者の疲労度を推定する、
ことを特徴とする疲労度推定方法。

（付記１３）
コンピュータに、
被験者から取得された生体データから、前記被験者が特定の活動状態にある場合の生体データを抽出する、生体データ抽出ステップと、
抽出された、前記被験者が特定の活動状態にある場合の前記生体データに基づいて、前記生体データの特徴量を算出する、特徴量算出ステップと、
算出された前記特徴量に基づいて、前記被験者の疲労の度合いを示す疲労度を推定する、疲労度推定ステップと、
を実行させる、プログラム。

（付記１４）
付記１３に記載のプログラムであって、
前記コンピュータに、
前記被験者の活動状態を検出する、活動状態検出ステップを更に実行させ、
前記生体データ抽出ステップにおいて、前記活動状態検出ステップによる検出の結果に基づいて、取得された生体データから、前記被験者が特定の活動状態にある場合の生体データを抽出する、
ことを特徴とするプログラム。

（付記１５）
付記１４に記載のプログラムであって、
前記活動状態検出ステップにおいて、前記被験者の活動状態として、就寝から起床へと変化したことを検出した場合に、
前記生体データ抽出ステップにおいて、前記被験者が特定の活動状態にある場合の生体データとして、前記被験者が起床した時刻の直前の設定時間分の生体データを抽出する、
ことを特徴とするプログラム。

（付記１６）
付記１４に記載のプログラムであって、
前記活動状態検出ステップにおいて、活動状態として、レム睡眠からノンレム睡眠へと切り替わったこと、又はノンレム睡眠からレム睡眠へと切り替わったことを検出した場合に、
前記生体データ抽出ステップにおいて、前記被験者が特定の活動状態にある場合の生体データとして、切り替わった時刻の前後の設定時間分の生体データを抽出する、
ことを特徴とするプログラム。

（付記１７）
付記１３～１６のいずれかに記載のプログラムであって、
前記生体データが、心拍間隔を示すデータである場合に、
前記特徴量算出ステップにおいて、前記特徴量として、１拍毎の拍動間隔の変化を示す特徴量を算出する、
ことを特徴とするプログラム。

（付記１８）
付記１３～１７のいずれかに記載のプログラムであって、
前記疲労度推定ステップにおいて、前記生体データの特徴量と疲労度との関係とを機械学習した機械学習モデルに、算出された前記特徴量を適用することによって、前記被験者の疲労度を推定する、
ことを特徴とするプログラム。

以上、実施の形態を参照して本願発明を説明したが、本願発明は上記実施の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、本願発明のスコープ内で当業者が理解し得る様々な変更をすることができる。

以上のように本発明によれば、疲労度を変動させる成分を含まない生体データを取得して、疲労度を推定することができる。本発明は、例えば、健康管理システム、人事管理システム等に有用である。

１０ 疲労度推定装置（実施の形態１）
１１ 生体データ抽出部
１２ 特徴量算出部
１３ 疲労度推定部
１４ 生体データ取得部
１５ 生体データ格納部
１６ 出力部
２０ 被験者
２１ 端末装置
２２ センサ
２３ 第２のセンサ
３０ 疲労度推定装置（実施の形態２）
３１ 活動状態検出部
１１０ コンピュータ
１１１ ＣＰＵ
１１２ メインメモリ
１１３ 記憶装置
１１４ 入力インターフェイス
１１５ 表示コントローラ
１１６ データリーダ／ライタ
１１７ 通信インターフェイス
１１８ 入力機器
１１９ ディスプレイ装置
１２０ 記録媒体
１２１ バス

Claims (6)

1. 被験者から取得された生体データから、前記被験者が特定の活動状態にある場合の生体データを抽出する、生体データ抽出部と、
   抽出された、前記被験者が特定の活動状態にある場合の前記生体データに基づいて、前記生体データの特徴量を算出する、特徴量算出部と、
   算出された前記特徴量に基づいて、前記被験者の疲労の度合いを示す疲労度を推定する、疲労度推定部と、
   前記被験者の活動状態を検出する、活動状態検出部を更に備え、
   を備え、
   前記生体データ抽出部は、
   前記活動状態検出部が、活動状態として、レム睡眠からノンレム睡眠へと切り替わったこと、又はノンレム睡眠からレム睡眠へと切り替わったことを検出した場合に、
   前記被験者が特定の活動状態にある場合の生体データとして、切り替わった時刻の前後の設定時間分の生体データを抽出する、
   ことを特徴とする疲労度推定装置。
2. 請求項１に記載の疲労度推定装置であって、
   前記活動状態検出部が、前記被験者の活動状態として、就寝から起床へと変化したことを検出した場合に、
   前記生体データ抽出部が、前記被験者が特定の活動状態にある場合の生体データとして、前記被験者が起床した時刻の直前の設定時間分の生体データを抽出する、
   ことを特徴とする疲労度推定装置。
3. 請求項１に記載の疲労度推定装置であって、
   前記生体データが、心拍間隔を示すデータである場合に、
   前記特徴量算出部が、前記特徴量として、１拍毎の拍動間隔の変化を示す特徴量を算出する、
   ことを特徴とする疲労度推定装置。
4. 請求項１に記載の疲労度推定装置であって、
   前記疲労度推定部が、前記生体データの特徴量と疲労度との関係とを機械学習した機械学習モデルに、算出された前記特徴量を適用することによって、前記被験者の疲労度を推定する、
   ことを特徴とする疲労度推定装置。
5. 被験者から取得された生体データから、前記被験者が特定の活動状態にある場合の生体データを抽出し、
   抽出された、前記被験者が特定の活動状態にある場合の前記生体データに基づいて、前記生体データの特徴量を算出し、
   算出された前記特徴量に基づいて、前記被験者の疲労の度合いを示す疲労度を推定し、
   前記被験者の活動状態を検出し、
   前記活動状態として、レム睡眠からノンレム睡眠へと切り替わったこと、又はノンレム睡眠からレム睡眠へと切り替わったことを検出した場合に、
   前記被験者が特定の活動状態にある場合の生体データとして、切り替わった時刻の前後の設定時間分の生体データを抽出する、
   ことを特徴とする疲労度推定方法。
6. コンピュータに、
   被験者から取得された生体データから、前記被験者が特定の活動状態にある場合の生体データを抽出させ、
   抽出された、前記被験者が特定の活動状態にある場合の前記生体データに基づいて、前記生体データの特徴量を算出させ、
   算出された前記特徴量に基づいて、前記被験者の疲労の度合いを示す疲労度を推定させ、
   前記被験者の活動状態を検出させ、
   前記活動状態として、レム睡眠からノンレム睡眠へと切り替わったこと、又はノンレム睡眠からレム睡眠へと切り替わったことを検出した場合に、
   前記被験者が特定の活動状態にある場合の生体データとして、切り替わった時刻の前後の設定時間分の生体データを抽出させる、
   プログラム。
   

Images