CN116097366A - 生物体信息运算*** - Google Patents
生物体信息运算*** Download PDFInfo
- Publication number
- CN116097366A CN116097366A CN202180054315.2A CN202180054315A CN116097366A CN 116097366 A CN116097366 A CN 116097366A CN 202180054315 A CN202180054315 A CN 202180054315A CN 116097366 A CN116097366 A CN 116097366A
- Authority
- CN
- China
- Prior art keywords
- evaluation
- data
- information
- blood
- blood glucose
- Prior art date
- Legal status (The legal status 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 status listed.)
- Pending
Links
- 238000004364 calculation method Methods 0.000 title claims abstract description 190
- 238000011156 evaluation Methods 0.000 claims abstract description 739
- 239000008280 blood Substances 0.000 claims abstract description 439
- 210000004369 blood Anatomy 0.000 claims abstract description 439
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 claims description 283
- 239000008103 glucose Substances 0.000 claims description 283
- 230000008859 change Effects 0.000 claims description 32
- 230000036541 health Effects 0.000 claims description 24
- 239000000203 mixture Substances 0.000 claims description 23
- 238000011158 quantitative evaluation Methods 0.000 abstract description 7
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 68
- 230000006870 function Effects 0.000 description 45
- 238000012545 processing Methods 0.000 description 45
- 239000001569 carbon dioxide Substances 0.000 description 34
- 229910002092 carbon dioxide Inorganic materials 0.000 description 34
- 238000004891 communication Methods 0.000 description 31
- 238000010586 diagram Methods 0.000 description 30
- 230000001133 acceleration Effects 0.000 description 28
- 238000012805 post-processing Methods 0.000 description 26
- 238000000034 method Methods 0.000 description 25
- 238000001514 detection method Methods 0.000 description 16
- 230000004048 modification Effects 0.000 description 15
- 238000012986 modification Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 12
- 230000000694 effects Effects 0.000 description 11
- JVTAAEKCZFNVCJ-UHFFFAOYSA-N lactic acid Chemical compound CC(O)C(O)=O JVTAAEKCZFNVCJ-UHFFFAOYSA-N 0.000 description 10
- 238000007781 pre-processing Methods 0.000 description 10
- BVKZGUZCCUSVTD-UHFFFAOYSA-M Bicarbonate Chemical compound OC([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-M 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 9
- 206010012601 diabetes mellitus Diseases 0.000 description 9
- 238000005259 measurement Methods 0.000 description 9
- 230000004060 metabolic process Effects 0.000 description 8
- 238000010606 normalization Methods 0.000 description 8
- 230000033001 locomotion Effects 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 7
- 238000000611 regression analysis Methods 0.000 description 7
- 230000002776 aggregation Effects 0.000 description 6
- 238000004220 aggregation Methods 0.000 description 6
- 230000000386 athletic effect Effects 0.000 description 6
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 6
- 238000001914 filtration Methods 0.000 description 6
- 239000013307 optical fiber Substances 0.000 description 6
- 229910052760 oxygen Inorganic materials 0.000 description 6
- 239000001301 oxygen Substances 0.000 description 6
- 230000004069 differentiation Effects 0.000 description 5
- 230000010354 integration Effects 0.000 description 5
- 239000004310 lactic acid Substances 0.000 description 5
- 235000014655 lactic acid Nutrition 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 239000000284 extract Substances 0.000 description 4
- 238000013186 photoplethysmography Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000010238 partial least squares regression Methods 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 230000029058 respiratory gaseous exchange Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000036772 blood pressure Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000003862 health status Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000036387 respiratory rate Effects 0.000 description 2
- 230000002269 spontaneous effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 241000282326 Felis catus Species 0.000 description 1
- 102000017011 Glycated Hemoglobin A Human genes 0.000 description 1
- 108010014663 Glycated Hemoglobin A Proteins 0.000 description 1
- JVTAAEKCZFNVCJ-UHFFFAOYSA-M Lactate Chemical compound CC(O)C([O-])=O JVTAAEKCZFNVCJ-UHFFFAOYSA-M 0.000 description 1
- 230000000740 bleeding effect Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 238000011088 calibration curve Methods 0.000 description 1
- BVKZGUZCCUSVTD-UHFFFAOYSA-N carbonic acid Chemical compound OC(O)=O BVKZGUZCCUSVTD-UHFFFAOYSA-N 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 244000144972 livestock Species 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
Images
Classifications
-
- 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/0245—Detecting, measuring or recording pulse rate or heart rate by using sensing means generating electric signals, i.e. ECG signals
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/14532—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring glucose, e.g. by tissue impedance measurement
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- 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
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
- A61B5/0015—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system
- A61B5/0022—Monitoring a patient using a global network, e.g. telephone networks, internet
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/021—Measuring pressure in heart or blood vessels
- A61B5/02108—Measuring pressure in heart or blood vessels from analysis of pulse wave characteristics
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02416—Detecting, measuring or recording pulse rate or heart rate using photoplethysmograph signals, e.g. generated by infrared radiation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
- A61B5/0816—Measuring devices for examining respiratory frequency
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters
- A61B5/14551—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters for measuring blood gases
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6802—Sensor mounted on worn items
- A61B5/681—Wristwatch-type devices
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Cardiology (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Emergency Medicine (AREA)
- Optics & Photonics (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Vascular Medicine (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
[课题]提供能够实现与用户的状态相关的定量的评价的生物体信息运算***。[解决手段]生物体信息运算***计算与用户的血液相关的血液信息,其特征在于,具有取得单元、数据库、计算单元以及评价单元。取得单元取得基于用户的脉搏波的评价数据。数据库存储有分类信息,该分类信息是通过将输入数据和参照数据的一对作为学习数据而使用多个学习数据生成的,其中,输入数据是基于预先取得的学习用脉搏波的数据,参照数据是包含与输入数据相关联的血液信息的数据。计算单元参照数据库计算与评价数据对应的血液信息。评价单元基于血液信息生成与用户的状态相关的评价结果。
Description
技术领域
本发明涉及生物体信息运算***。
背景技术
以往,作为计算用户的血糖值等这样的血液信息的方法,例如提出了专利文献1这样的方法。
专利文献1所公开的非侵入血糖值计测装置具有:脉搏波测量部,其具有测量被检者的加速度脉搏波的FBG传感器;以及数据处理部,其根据测量出的加速度脉搏波的波形信息,基于预定的相关关系来计算该加速度脉搏波的测量时间点的所述被检者的血糖值。相关关系是以通过侵入测量法测量出的血糖值为目标变量、以同时测量出的加速度脉搏波为说明变量进行PLS回归分析而构建出的校准曲线。
现有技术文献
专利文献
专利文献1:日本专利第6544751号公报
发明内容
发明要解决的课题
这里,在专利文献1这样的血液信息的计算结果中,难以掌握用户的状态。
因此,本发明是鉴于上述问题点而提出的,其目的在于,提供能够实现与用户的状态相关的定量的评价的生物体信息运算***。
用于解决课题的手段
第1发明的生物体信息运算***计算与用户的血液相关的血液信息,所述生物体信息运算***的特征在于,具有:取得单元,其取得基于所述用户的脉搏波的评价数据;数据库,其存储有分类信息,该分类信息是通过将输入数据和参照数据的一对作为学习数据而使用多个所述学习数据生成的,其中,所述输入数据是基于预先取得的学习用脉搏波的数据,所述参照数据是包含与所述输入数据相关联的所述血液信息的数据;计算单元,其参照所述数据库计算与所述评价数据对应的所述血液信息;以及评价单元,其基于所述血液信息生成与所述用户的状态相关的评价结果。
第2发明的生物体信息运算***的特征在于,在第1发明中,所述血液信息包含血糖值,所述评价单元基于分别根据不同的所述评价数据计算出的多个所述用户的血糖值,生成包含表示所述用户的血糖值的变化的血糖尖峰信息的所述评价结果。
第3发明的生物体信息运算***的特征在于,在第1发明中,所述血液信息包含血糖值,所述评价单元基于所述评价数据和根据所述评价数据计算出的血糖值来生成所述评价结果。
第4发明的生物体信息运算***的特征在于,在第1发明中,所述血液信息包含与所述血液的组成相关的特征,所述评价单元基于分别根据不同的所述评价数据计算出的多个与所述血液的组成相关的特征,生成示出所述用户的运动能力的倾向的所述评价结果。
第5发明的生物体信息运算***的特征在于,在第1发明中,所述生物体信息运算***具有汇总单元,该汇总单元取得表示与所述用户的生物体信息相关的特征的附加信息,并基于所述评价结果和所述附加信息来生成对所述用户的健康状态进行了评价的综合评价结果。
第6发明的生物体信息运算***的特征在于,在第1发明中,所述取得单元基于所述脉搏波取得表示与所述评价数据不同的特征的附加数据,所述计算单元参照所述数据库,生成与所述附加数据对应的表示与所述用户的生物体信息相关的特征的附加信息。
第7发明的生物体信息运算***的特征在于,在第1发明中,所述评价单元取得表示与所述用户的生物体信息相关的特征的附加信息,所述评价单元基于多个所述特征数据和所述附加信息来生成所述评价结果。
第8发明的生物体信息运算***的特征在于,在第1发明中,所述取得单元基于所述脉搏波取得与所述评价数据不同的预备评价数据,所述分类信息包含分别使用不同的所述学习数据计算出的多个按属性分类信息,所述计算单元包括:选择单元,其参照所述预备评价数据,在多个所述按属性分类信息中选择第1分类信息;以及按属性计算单元,其参照所述第1分类信息,计算与所述评价数据对应的所述血液信息。
发明效果
根据第1发明~第8发明,计算单元计算与评价数据对应的用户的血液信息。评价单元基于血液信息生成与用户的状态相关的评价结果。由此,能够实现与用户的状态相关的定量的评价。
附图说明
图1是示出第1实施方式中的生物体信息运算***的一例的示意图。
图2的(a)和图2的(b)是示出第1实施方式中的生物体信息运算***的动作的一例的示意图。
图3的(a)是示出分类信息的一例的示意图,图3的(b)和图3的(c)是示出针对传感器数据的处理的一例的示意图。
图4的(a)是示出生物体信息运算装置的结构的一例的示意图,图4的(b)是示出生物体信息运算装置的功能的一例的示意图。
图5的(a)和图5的(b)是示出传感器的一例的示意图。
图6是示出第1实施方式中的生物体信息运算***的动作的一例的流程图。
图7是示出第2实施方式中的生物体信息运算***的动作的一例的示意图。
图8是示出第2实施方式中的生物体信息运算***的动作的变形例的示意图。
图9是示出第3实施方式中的生物体信息运算***的动作的一例的示意图。
图10的(a)和图10的(b)是示出计算与传感器数据对应的附加信息的处理的一例的示意图。
图11是示出第3实施方式中的生物体信息运算***的动作的一例的示意图。
图12是示出第4实施方式中的生物体信息运算***的动作的一例的示意图。
图13是示出第5实施方式中的生物体信息运算***的动作的一例的示意图。
图14是示出与加速度脉搏波相当的数据的分类例的示意图。
图15是示出与速度脉搏波相当的数据的分类例的示意图。
图16是示出第5实施方式中的生物体信息运算***的动作的变形例的示意图。
图17的(a)和图17的(b)是示出第6实施方式中的生物体信息运算***的动作的一例的示意图。
图18是示出第7实施方式中的生物体信息运算***的动作的一例的示意图。
图19是示出血糖趋势的示意图。
图20是示出第8实施方式中的生物体信息运算***的动作的一例的示意图。
图21是示出第8实施方式中的生物体信息运算***的动作的另一例的示意图。
图22是示出第9实施方式中的生物体信息运算***的动作的一例的示意图。
图23是示出第10实施方式中的生物体信息运算***的动作的一例的示意图。
图24的(a)和图24的(b)是示出第11实施方式中的生物体信息运算***的动作的一例的示意图。
图25的(a)和图25的(b)是示出生成评价结果的处理的一例的示意图。
具体实施方式
下面,参照附图对本发明的实施方式中的生物体信息运算***的一例进行说明。
生物体信息运算***100用于计算与用户的血液相关的血液信息,基于计算出的血液信息来生成与用户的状态相关的评价结果。关于血液信息,例如能够使用可基于脉搏波计算出的信息,例如除了包含血糖值以外,还包含与血液的组成相关的特征。作为血液信息,用户的状态除了例如示出用户的血糖值的变化以外,还示出用户的运动能力、用户的健康状态。
下面,在第1实施方式~第5实施方式中,对血液信息包含血糖值、示出用户的血糖值的变化作为用户的状态的情况下的生物体信息运算***100进行说明。在第6实施方式~第10实施方式中,对血液信息包含血糖值、示出用户的健康状态作为用户的状态的情况下的生物体信息运算***100进行说明。在第11实施方式~第12实施方式中,对血液信息包含与血液的组成相关的特征、示出用户的运动能力作为用户的状态的情况下的生物体信息运算***100进行说明。
(第1实施方式:生物体信息运算***100)
图1是示出第1实施方式中的生物体信息运算***100的一例的示意图。
本实施方式中的生物体信息运算***100能够计算用户的血糖值,基于计算出的多个血糖值来对用户的血糖值的变化进行评价。
用户的血糖值的变化例如能够通过血糖尖峰信息来表示。血糖尖峰信息例如表示与多个血糖值对应的平均值、值的宽度(例如是用最大值与最小值之差表示的血糖尖峰的强度)、中央值等。
除了上述以外,血糖尖峰信息例如表示根据多个血糖值的时间序列变化而得到的值,例如表示使用微分导出的时间变化的特征、使用积分导出的峰值形状的特征。另外,“血糖尖峰”包含表示血糖值的变化的公知的定义。
在生物体信息运算***100中,能够生成包含上述血糖尖峰信息的评价结果。评价结果除了包含血糖尖峰信息所表示的数值、特征以外,例如也可以包含基于血糖尖峰信息进行了评价的健康状态等。
例如如图1所示,生物体信息运算***100具有生物体信息运算装置1,例如也可以具有传感器5和服务器4中的至少任意一方。生物体信息运算装置1例如经由通信网3与传感器5、服务器4连接。
生物体信息运算***100根据基于用户的脉搏波的评价数据来计算血糖值。此外,生物体信息运算***100例如根据按时间序列、在任意的时机生成的多个血糖值来生成包含血糖尖峰信息的评价结果。
在生物体信息运算***100中,例如如图2的(a)所示,生物体信息运算装置1取得由传感器5等生成的传感器数据。然后,生物体信息运算装置1对取得的传感器数据实施滤波处理等预处理,取得评价数据。
生物体信息运算装置1计算与评价数据对应的血糖值。然后,生物体信息运算装置1基于分别根据不同的评价数据生成的多个血糖值来生成评价结果。因此,能够与用户的个体差异无关地得到与血糖值的变化对应的评价结果。由此,能够实现与血糖值的变化相关的定量的评价。
这里,生物体信息运算装置1在计算与评价数据对应的血糖值时,参照数据库。在数据库中存储有使用多个学习数据生成的分类信息。
例如如图3的(a)所示,分类信息是将基于过去取得的学习用脉搏波的输入数据和包含与输入数据相关联的过去的血糖值的参照数据的一对作为学习数据而使用多个学习数据生成的。因此,在计算血糖值时,能够计算基于过去有实绩的输入数据和输出数据的定量的血糖值。由此,能够实现计算血糖值时的精度提高。
生物体信息运算装置1例如将生成的评价结果输出到显示器等。在评价结果中包含有示出用户的血糖值的变化的血糖尖峰信息,例如包含用数值示出的血糖尖峰信息。在评价结果中,例如也可以包含表示糖尿病的可能性的指标、与推荐的饮食相关的信息、与运动相关的信息。
另外,在生物体信息运算***100中,例如如图2的(b)所示,也可以从传感器5等取得评价数据。该情况下,根据传感器数据取得评价数据的预处理由传感器5等来实施。
<传感器数据>
传感器数据包含表示用户的脉搏波的特征的数据,例如也可以包含表示脉搏波以外的特征的数据(噪声)。传感器数据是表示与测量时间对应的振幅的数据,通过实施与用途、传感器数据的生成条件相应的滤波处理,能够根据传感器数据来取得与加速度脉搏波、速度脉搏波等相当的数据。
传感器数据可由应变传感器、陀螺仪传感器、光电容积脉搏波(PPG)传感器、压力传感器等公知的传感器生成。除了数字信号以外,传感器数据例如也可以是模拟信号。另外,生成传感器数据时的测量时间例如是与脉搏波的1~20周期相应的测量时间,能够根据传感器数据的处理方法、数据通信方法等条件任意地设定。
<评价数据>
评价数据表示用于计算血糖值的数据。评价数据例如表示与基于用户的脉搏波的加速度脉搏波相当的数据,表示与特定的周期(例如1个周期)对应的振幅。
评价数据是通过由生物体信息运算装置1等对传感器数据实施处理(预处理)而取得的。例如如图3的(b)和图3的(c)所示,通过对传感器数据实施多个处理,能够得到评价数据。关于各处理的详细内容,在后面说明。
<数据库>
数据库主要是在计算与评价数据对应的用户的血糖值时使用。在数据库中,除了存储1个以上的分类信息以外,例如也可以存储用于生成分类信息的多个学习用数据。
分类信息例如是表示预先取得的过去的评价数据(输入数据)与包含血糖值的参照数据的相关关系的函数。分类信息例如表示如下的校准模型,该校准模型是通过以输入数据为说明变量、以参照数据为目标变量而利用回归分析等进行解析并基于该解析结果而生成的。关于分类信息,例如除了能够定期地更新校准模型以外,还可以按照用户的性别、年龄、运动内容等属性信息来生成。
作为在生成分类信息时使用的回归分析的方法,例如能够使用PLS(PartialLeastSquares:偏最小二乘法)回归分析、利用了按照每个类别进行主成分分析而得到主成分模型的SIMCA(Soft Independent Modeling of Class Analogy:相似分类法)的回归分析等。
分类信息例如也可以包含通过使用了多个学习用数据的机器学习而生成的学习完毕模型。学习完毕模型除了表示例如CNN(Convolutional Neural Network:卷积神经网络)等神经网络模型之外,还表示SVM(Support vector machine:支持向量机)等。另外,作为机器学习,例如能够使用深度学习。
输入数据使用与评价数据相同种类的数据,例如表示对应的血糖值明确的过去的评价数据。例如,让被检者佩戴上传感器5等,生成表示学习用脉搏波的特征的传感器数据(学习用传感器数据)。然后,通过对学习用传感器数据实施处理,能够取得输入数据。此外,除了从生物体信息运算***100的用户取得输入数据之外,例如也可以从与该用户不同的用户取得输入数据。即,上述的被检者除了是生物体信息运算***100的用户以外,也可以将该用户以外的用户作为对象,也可以是特定或者非特定的多位用户。
输入数据例如优选按照与在取得评价数据时使用的传感器5等的种类、传感器数据的生成条件、以及针对传感器数据的处理条件同样的内容来取得。例如通过统一上述3个内容,能够飞跃性地提高计算血糖值时的精度。
参照数据包含使用计测装置等计测出的被检者的血糖值。例如在让被检者佩戴传感器5等而生成学习用传感器数据时,通过计测被检者的血糖值,能够取得与输入数据相关联的参照数据。该情况下,计测血糖值的时机优选与生成学习用传感器数据的时机为同时,但例如也可以是前后相隔1~10分左右的时机。另外,作为计测血糖值的计测装置,例如使用FreeStyle Precision Pro(ABBOTT JAPAN公司制造)等公知的血糖值计。
<评价结果>
评价结果包含表示用户的血糖值的变化的血糖尖峰信息。评价结果例如除了包含多个血糖值以外,也可以包含多个血糖值的差分值、多个血糖值与预先设定的阈值之间的偏离度。通过输出评价结果,能够掌握用户的血糖值的变化。
<生物体信息运算装置1>
生物体信息运算装置1例如表示个人计算机(PC)、移动电话、智能手机、平板型终端、可穿戴终端等电子设备,例如表示能够基于用户的操作经由通信网3进行通信的电子设备。另外,生物体信息运算装置1也可以内置传感器5。下面,对使用PC作为生物体信息运算装置1的情况下的一例进行说明。
图4的(a)是示出生物体信息运算装置1的结构的一例的示意图,图4的(b)是示出生物体信息运算装置1的功能的一例的示意图。
例如如图4的(a)所示,生物体信息运算装置1具有壳体10、CPU(CentralProcessing Unit:中央处理单元)101、ROM(Read Only Memory:只读存储器)102、RAM(Random Access Memory:随机存取存储器)103、保存部104以及I/F105~107。各结构101~107通过内部总线110连接。
CPU101对生物体信息运算装置1的整体进行控制。ROM102存储CPU101的动作代码。RAM103是在CPU101的动作时使用的作业区域。保存部104存储数据库、评价数据等各种信息。作为保存部104,例如除了使用HDD(Hard Disk Drive:硬盘驱动器)以外,还使用SSD(Solid State Drive:固态硬盘)等数据保存装置。另外,例如生物体信息运算装置1也可以具有未图示的GPU(Graphics Processing Unit:图形处理单元)。
I/F105是用于经由通信网3根据需要与服务器4、传感器5等进行各种信息的收发的接口。I/F106是用于与输入部108进行信息的收发的接口。作为输入部108,例如使用键盘,生物体信息运算装置1的用户等经由输入部108输入各种信息或生物体信息运算装置1的控制命令等。I/F107是用于与显示部109进行各种信息的收发的接口。显示部109显示保存部104中保存的各种信息或评价结果等。作为显示部109,使用显示器,例如在是触摸面板式的情况下,与输入部108一体地设置。
图4的(b)是示出生物体信息运算装置1的功能的一例的示意图。生物体信息运算装置1具有取得部11、计算部12、评价部13、输出部14以及存储部15,例如也可以具有学习部16。另外,图4的(b)所示的各功能通过CPU101将RAM103作为作业区域而执行存储在保存部104等中的程序来实现。
<取得部11>
取得部11取得基于用户的脉搏波的评价数据。取得部11例如从传感器5等取得传感器数据后,对传感器数据实施处理,由此取得评价数据。
例如如图3的(b)所示,取得部11对所取得的传感器数据实施滤波处理(过滤处理)。在滤波处理中,例如使用0.5~5.0Hz的带通滤波器。由此,取得部11提取与用户的脉搏波相当的数据(脉搏波数据)。脉搏波数据表示例如与速度脉搏波相当的数据。此外,脉搏波数据例如也可以表示与加速度脉搏波或者容积脉搏波相当的数据,能够根据传感器的种类、用途任意地设定。另外,带通滤波器的滤波范围能够根据用途任意地设定。
取得部11例如对脉搏波数据实施微分处理。例如,在对与速度脉搏波相当的脉搏波数据实施微分处理的情况下,取得部11取得与加速度脉搏波相当的数据(微分数据)。此外,在微分处理中,除了1次微分之外,也可以实施2次微分。
取得部11例如对微分数据实施分割处理。在分割处理中,例如将与多个周期的加速度脉搏波相当的微分数据分割为与每一个周期的加速度脉搏波相当的数据(分割数据)。因此,取得部11例如通过对1个微分数据实施微分处理,能够取得多个分割数据。此外,在分割处理中,能够根据用途按任意的周期(例如周期的正数倍)分割微分数据。
例如在分割处理中,存在分割后的各分割数据中的数据量分别不同的情况。在该情况下,取得部11也可以确定数据量最少的分割数据,并对其他分割数据实施数据量的削减(修整:trimming)。由此,能够统一各分割数据中的数据量,各分割数据中的数据的对比变得容易。
除了上述以外,例如也可以将分割数据的与时间轴对应的值作为对象来实施归一化处理。在归一化处理中,例如实施将与时间轴对应的值的最小值设为0、将最大值设为1的归一化。由此,各分割数据中的数据的对比变得容易。
取得部11例如也可以对实施了数据量的削减或归一化的多个分割数据中的平均进行计算,并将其作为分割数据。
取得部11对分割数据实施归一化处理。在归一化处理中,以与振幅对应的值为对象来生成归一化后的数据(归一化数据)。在归一化处理中,例如实施将振幅的最低值设为0、将振幅的最高值设为1的归一化。取得部11例如取得归一化数据作为评价数据。在该情况下,作为评价数据,得到与用户的加速度脉搏波相当的数据。
取得部11除了依次实施上述的各处理以外,例如如图3的(c)所示,也可以不实施微分处理。在该情况下,作为评价数据,得到与用户的速度脉搏波相当的数据。
另外,取得部11例如也可以仅实施上述的各处理的一部分。在该情况下,取得部11也可以取得脉搏波数据、微分数据、分割数据、修整后的分割数据、以及将与时间轴对应的值归一化而得到的分割数据中的任意数据作为评价数据,并且能够根据用途任意地设定。
<计算部12>
计算部12参照数据库,计算与评价数据对应的用户的血糖值。计算部12例如参照数据库中存储的分类信息来计算与评价数据对应的血糖值。计算部12生成多个分别与不同的评价数据对应的血糖值。
由计算部12计算出的血糖值作为与参照数据相同种类的数据被计算出。参照分类信息,血糖值作为与参照数据相同或相似的数据被计算出。在生物体信息运算***100中,例如沿着任意的时间序列取得多个评价数据,计算多个与各评价数据对应的血糖值。此外,在生物体信息运算***100中,例如也可以在饮食的前后、运动量变化时等任意的时机取得多个评价数据,计算与各评价数据对应的多个血糖值。
<评价部13>
评价部13基于分别根据不同的评价数据计算出的多个血糖值,生成包含表示用户的血糖值的变化的血糖尖峰信息的评价结果。评价部13例如使用预先存储在保存部104等中的显示用的格式,来生成被转换为了用户能够对血糖尖峰信息进行理解的形式的评价结果。
评价部13例如也可以计算多个血糖值中的最小值与最大值之差作为血糖尖峰信息。该情况下,能够使用血糖值的变化量作为评价对象。由此,例如能够容易地对糖尿病预备军的特征和糖尿病患者的特征进行分类。
评价部13例如计算将2个血糖值之差除以测量时间之差而得到的值作为血糖尖峰信息,生成包含血糖尖峰信息的评价结果。该情况下,能够容易地掌握按照每个用户而不同的血糖值的变化。例如评价部13也可以参照预先存储在保存部104等中的基准值,在血糖尖峰信息小于基准值的情况下,生成示出处于健康状态的意思的评价结果,在血糖尖峰信息为基准值以上的情况下,生成示出处于存在糖尿病的可能性的状态的意思的评价结果。
评价部13例如也可以参照评价用数据库,根据多个血糖值来生成评价结果。评价用数据库例如保存于保存部104。
在评价用数据库中,例如与上述的数据库同样地,也可以存储有用于生成与多个血糖值对应的评价结果的评价用分类信息。在评价用数据库中,除了存储有1个以上的评价用分类信息以外,例如也可以存储有用于生成评价用分类信息的多个评价用学习数据。
评价用分类信息例如是表示预先取得的过去的多个血糖值(评价用输入数据)和与评价用输入数据相关联的评价用参照数据之间的相关关系的函数。评价用参照数据表示用户的血糖值的变化的倾向,例如表示过去生成的血糖尖峰信息。评价用分类信息是通过将评价用输入数据和评价用参照数据作为一对评价用学习数据而使用多个评价用学习数据生成的。
评价用分类信息例如表示如下的校准模型,该校准模型是通过以评价用输入数据为说明变量、以评价用参照数据为目标变量而利用上述的回归分析等进行解析并基于该解析结果而生成的。关于评价用分类信息,例如除了能够定期地更新校准模型(评价用校准模型)以外,也可以包含按照用户的性别、年龄、运动内容等属性信息生成的多个评价用校准模型。另外,与上述的分类信息同样,评价用分类信息例如也可以包含通过使用了多个评价用学习数据的机器学习而生成的学习完毕模型(评价用学习完毕模型)。
评价部13例如根据多个血糖值的时间序列变化来计算血糖尖峰信息,并生成评价结果。此时,时间序列的区间、血糖值的数量能够任意地设定。因此,能够生成在血糖尖峰的强度的基础上还考虑了形状的特征的评价结果。
评价部13例如也可以计算将多个血糖值和评价数据的取得时间关联起来的数据作为血糖尖峰信息。该情况下,作为评价结果,能够包含表示血糖值的趋势的信息。
<输出部14>
输出部14输出评价结果。输出部14除了向显示部109输出评价结果以外,例如还可以向传感器5等输出评价结果。
<存储部15>
存储部15根据需要取出保存在保存部104中的数据库等各种数据。存储部15根据需要将由各结构11~14、16取得或生成的各种数据保存于保存部104。
<学习部16>
学习部16例如使用多个学习数据生成分类信息。学习部16例如也可以取得新的学习数据,对现有的分类信息进行更新。
学习部16例如使用多个评价用学习数据生成评价用分类信息。学习部16例如也可以取得新的评价用学习数据,并对现有的评价用分类信息进行更新。
另外,在生物体信息运算***100中,在使用分类信息和评价用分类信息的情况下,例如也可以根据评价数据的种类对分类信息进行更新,而不对评价分类信息进行更新。该情况下,不需要新准备评价用学习数据,因此,能够实现成本削减及更新时间的大幅削减。
<通信网3>
通信网3是经由通信线路与生物体信息运算装置1、服务器4和传感器5连接的公知的互联网等。当在一定的狭窄区域内运用生物体信息运算***100的情况下,通信网3也可以由LAN(Local Area Network:局域网)等构成。此外,通信网3也可以由所谓的光纤通信网构成。此外,通信网3不限于有线通信网,也可以通过无线通信网实现,能够根据用途而任意地设定。
<服务器4>
在服务器4中蓄积有经由通信网3发送来的信息。服务器4根据来自生物体信息运算装置1的请求,经由通信网3将蓄积的信息发送到生物体信息运算装置1。
服务器4例如也可以与多个生物体信息运算装置1连接,从各生物体信息运算装置1取得评价结果等各种信息,一并进行保存。另外,服务器4也可以具有上述的生物体信息运算装置1所具有的各功能中的至少一部分功能。此外,在服务器4中也可以存储有上述的生物体信息运算装置1中存储的数据库等。
<传感器5>
传感器5生成传感器数据。例如如图5的(a)所示,传感器5具有检测部6。传感器5安装于能够经由检测部6检测用户的脉搏波的位置,例如固定于腕带55。
检测部6使用能够检测用户的脉搏波的公知的检测装置。作为检测部6,例如使用光纤布拉格光栅(FBG)传感器等应变传感器、陀螺仪传感器、用于测量脉搏波信号的1个以上的电极、光电容积脉搏波(PPG)传感器、压力传感器以及光检测模块中的至少任意一个。检测部6例如也可以配置多个。
此外,传感器5也可以被嵌入衣服中。另外,佩戴传感器5的用户除了人以外,也可以将狗、猫等宠物作为对象,例如也可以将牛或猪等家畜、鱼等养殖物作为对象。
例如如图5的(b)所示,传感器5具备取得部50、通信I/F51、存储器52、命令部53,各结构分别通过内部总线54连接。
取得部50经由检测部6测量用户的脉搏波,并生成传感器数据。取得部50例如将生成的传感器数据发送到通信I/F51或存储器52。
通信I/F51经由通信网3将传感器数据等各种数据发送到生物体信息运算装置1、服务器4。另外,通信I/F51安装有用于与通信网3连接的线路控制电路、用于在与生物体信息运算装置1或服务器4之间进行数据通信的信号转换电路等。通信I/F51对来自内部总线54的各种命令实施转换处理,并将其向通信网3侧送出,在接收到来自通信网3的数据的情况下,对其实施规定的转换处理并向内部总线54发送。
存储器52保存从取得部50发送的传感器数据等各种数据。存储器52例如通过从经由通信网3连接的其他终端装置接收命令,来将保存的传感器数据等各种数据发送到通信I/F51。
命令部53包括用于取得传感器数据的操作按钮、键盘等,例如包括CPU等处理器。命令部53在受理了取得传感器数据的命令的情况下,将其通知给取得部50。接收到该通知的取得部50取得传感器数据。此外,例如如图3的(b)和图3的(c)所示,命令部53也可以实施用于根据传感器数据取得评价数据的处理。
在此,作为取得传感器数据的一例,对使用FBG传感器的情况进行说明。
FBG传感器在1根光纤内隔开规定间隔地形成衍射光栅结构。FBG传感器例如具有如下特征:传感器部分的长度为10mm、波长分辨率为±0.1pm、波长范围为1550±0.5nm、光纤的直径为145μm、芯径为10.5μm。能够将FBG传感器作为上述的检测部6,使其在与用户的皮肤接触的状态下进行测量。
作为用于光纤的光源,例如使用波长范围1525~1570nm的ASE(AmplifiedSpontaneous Emission:放大自发辐射)光源。来自光源的出射光经由环行器入射到FBG传感器。来自FBG传感器的反射光经由环行器引导至马赫-曾德尔干涉仪,通过光检测器检测来自马赫-曾德尔干涉仪的输出光。马赫-曾德尔干涉仪是用于通过分束器将光束分离为具有光路差的2个光路并再次通过分束器将它们叠加为一个而生成干涉光的仪器。为了形成光路差,例如也可以加长一方的光纤的长度。相干光根据光路差而产生干涉条纹,因此通过测量干涉条纹的图案,能够检测产生于FBG传感器的应变的变化、即脉搏波。取得部50基于检测到的脉搏波来生成传感器数据。由此,取得传感器数据。
此外,通过检测FBG传感器的应变量来检测脉搏波的波形的光纤传感器***除了包括使光束入射到FBG传感器的光源之外,还包括宽波段的ASE光源、环行器、马赫-曾德尔干涉仪、分束器这样的光学***、光检测器所具备的受光传感器、解析波长偏移量的解析方法。在光纤传感器***中,能够根据所使用的FBG传感器的特性选择光源、频带光来进行使用,也能够针对检波方法等解析方法采用各种方法。
(第1实施方式:生物体信息运算***100的动作)
接着,对本实施方式中的生物体信息运算***100的动作的一例进行说明。图6是示出本实施方式中的生物体信息运算***100的动作的一例的流程图。
生物体信息运算***100例如通过安装于生物体信息运算装置1内的生物体信息运算程序来执行。即,用户能够对生物体信息运算装置1或传感器5进行操作,通过安装在生物体信息运算装置1中的生物体信息运算程序,根据传感器数据来取得示出用户的血糖值的变化等的评价结果。
生物体信息运算***100的动作具有取得步骤S110、计算步骤S120和评价步骤S130,例如也可以具有输出步骤S140。
<取得步骤S110>
在取得步骤S110中,取得基于用户的脉搏波的评价数据。例如传感器5的取得部50经由检测部6测量用户的脉搏波,生成传感器数据。取得部50经由通信I/F51和通信网3将传感器数据发送到生物体信息运算装置1。生物体信息运算装置1的取得部11从传感器5接收传感器数据。
取得部11例如对传感器数据实施图3的(b)所示的处理,取得评价数据。取得部11例如经由存储部15将取得的评价数据保存于保存部104。另外,取得部11从传感器5取得传感器数据的频度等条件能够根据用途而任意地设定。例如取得部11以预先设定的周期取得评价数据。该情况下,能够简化生成评价结果时的运算处理,因此,能够实现处理速度的提高。
<计算步骤S120>
接着,在计算步骤S120中,参照数据库,计算与评价数据对应的用户的血糖值。例如计算部12参照分类信息来计算与评价数据对应的血糖值。计算部12例如经由存储部15将计算出的血糖值保存于保存部104。另外,作为血糖值,除了示出特定的值以外,例如也可以计算误差范围(例如“○○±5mg/dl”等)。
<评价步骤S130>
接着,在评价步骤S130中,基于分别根据不同的评价数据生成的多个血糖值来生成包含血糖尖峰信息的评价结果。例如评价部13取得由计算部12生成的多个血糖值。评价部13除了使用预先设定的函数等根据多个血糖值计算血糖尖峰信息以外,例如也可以参照上述的评价用数据库来生成评价结果。
<输出步骤S140>
接着,例如在输出步骤S140中也可以输出评价结果。例如输出部14向显示部109输出评价结果。
由此,生物体信息运算***100的动作结束。另外,实施各步骤的频度、顺序能够根据用途而任意地设定。
这里,作为评价用户的健康状态的指标的一例,可举出表示血糖值的急剧变动的血糖尖峰的程度。公知的是,血糖尖峰是糖尿病预备军特有的特征,但是,关于血糖尖峰产生的时机、程度,存在个体差异,难以进行定量的评价。此外,糖尿病患者始终存在血糖值较高的倾向,因此,血糖值与血糖尖峰产生时相类似。因此,难以针对用户任意测量出的血糖值是血糖尖峰产生时的值还是糖尿病患者所特有的值进行分类,并且针对用户是属于糖尿病预备军和糖尿病患者中的哪一方的判定可能包含主观。因此,期望实现与血糖值的变化相关的定量的评价。
关于这一点,在现有技术中,停留在能够通过非侵入方式计算血糖值的技术设想,难以涉及上述的与血糖值的变化相关的课题的发现及解决。
与此相对,根据本实施方式,计算部12计算与评价数据对应的用户的血糖值。评价部13基于分别根据不同的评价数据计算出的多个血糖值来生成包含表示用户的血糖值的变化的血糖尖峰信息的评价结果。因此,能够与用户的个体差异无关地得到与血糖值的变化对应的评价结果。由此,能够实现与血糖值的变化相关的定量的评价。
此外,根据本实施方式,计算部12参照数据库,计算与评价数据对应的用户的血糖值。此外,在数据库中存储有使用多个学习数据生成的分类信息。因此,在计算血糖值时,能够计算出基于过去有实绩的数据的定量的血糖值。由此,能够实现计算血糖值时的精度提高。
此外,根据本实施方式,评价部13根据多个血糖值的时间序列变化来计算血糖尖峰信息,生成评价结果。因此,能够生成在血糖尖峰的强度的基础上还考虑了形状的特征的评价结果。由此,能够提高与血糖值的变化相关的评价的精度。
(第2实施方式:生物体信息运算***100)
接着,对第2实施方式中的生物体信息运算***100的一例进行说明。上述的实施方式和第2实施方式的不同之处在于,在第2实施方式中,使用附加信息。另外,关于与上述的实施方式相同的内容,省略说明。
在本实施方式中的生物体信息运算***100中,例如在上述的评价步骤S130之后实施汇总步骤S150,在汇总步骤S150之后实施输出步骤S140。
在汇总步骤S150中,例如如图7所示,取得附加信息,并基于评价结果和附加信息生成对用户的健康状态进行了评价的综合评价结果。汇总步骤S150例如能够由评价部13所包含的汇总部来执行。
附加信息表示与用户的生物体信息相关的特征,例如包含用户的脉搏数、呼吸数、血压、乳酸值、血中二氧化碳的特征、氧饱和度、血管年龄、压力水平、糖尿病的程度等这样的能够基于脉搏波计算出的生物体信息中的至少任意一个。例如能够在估计用户的运动状态、健康状态时使用附加信息。另外,附加信息例如除了包含用户的性别、年龄等这样的属性信息作为与用户的生物体信息相关的特征以外,还可以包含用户的运动内容、竞技项目等这样的与可能影响用户的生物体信息的运动相关的信息。另外,作为生物体信息,例如能够使用可基于脉搏波计算出的信息。
另外,“血中二氧化碳的特征”表示血液中所含的二氧化碳的程度。作为血中二氧化碳的特征,例如除了使用血中二氧化碳分压(PaCO2)的值以外,还可以使用血中二氧化碳的溶解浓度、血液中所含的重碳酸盐/碳酸氢盐(HCO3 -)的浓度,也可以根据状况使用考虑了血液的pH的值。
附加信息例如使用公知的计测装置来计测,数据形式是任意的。例如在计测血中二氧化碳浓度的特征的情况下,作为计测装置,使用经皮血液气体监测器TCM5(RadiometerBasel公司制造)等装置。例如在计测血中乳酸量的情况下,作为计测装置,使用LactatePro 2(ARKRAY公司制造)等公知的装置。例如在计测氧饱和度的情况下,作为计测装置,使用PULSOX-Neo(KONICAMINOLTA公司制造)等公知的装置。此外,关于取得附加信息的时机,除了与测量脉搏波的时机为同时以外,根据用途也可以是任意的时机。附加信息例如可以由用户经由输入部108等进行输入,附加信息的取得方法是任意的。
综合评价结果表示对用户的健康状态进行了评价的结果。作为综合评价结果,除了“健康”、“不健康”以外,还可以使用“运动能力高”、“运动能力低”等表示与每个用户的健康状态相关联的运动能力的程度的字符串,例如可以使用与任意的基准值之间的差分、偏差值等数值。综合评价结果例如可以包含评价结果和附加信息中的至少任意一方。
关于综合评价结果,例如除了示出按照每个用户而不同的无氧阈值等这样的公知的阈值以外,例如也可以示出厌氧性代谢的程度等这样的影响运动能力的参数的经时变化。作为影响运动能力的参数,可举出氧摄取量、血中二氧化碳分压(PaCO2)的值、血中二氧化碳的溶解浓度、血液中所含的重碳酸盐/碳酸氢盐(HCO3 -)的浓度、血液的pH等这样的表示与血液的组成相关的特征的值。通过使附加信息包含这样的参数,能够高精度地生成综合评价结果。
特别地,血糖值可能取决于运动状态,因此,通过使用上述的附加信息进行评价,能够实现评价的精度提高。
在汇总步骤S150中,例如汇总部参照预先设定的阈值,把将评价结果和附加信息与阈值进行比较后的结果作为综合评价结果来生成。例如,在评价结果和附加信息低于阈值的情况下,汇总部生成示出运动能力高的综合评价结果,在评价结果和附加信息高于阈值的情况下,汇总部生成示出运动能力低的综合评价结果。
汇总部例如使用预先设定的函数,将基于附加信息的内容对评价结果进行了校正而得到的值作为综合评价结果来生成。例如评价结果中包含的血糖尖峰信息取决于评价时的用户的运动状态,例如与运动量成反比地示出血糖尖峰的峰值强度变小的倾向。因此,通过基于附加信息的内容对血糖尖峰信息的值进行校正,能够减少针对血糖值的变化的因素,能够高精度地评价用户的健康状态。
汇总部例如参照预先保存在保存部104等中的、能够由用户识别的数据形式来生成综合评价结果。
汇总部例如也可以参照后处理用数据库,生成与评价结果和附加信息相适的综合评价结果。后处理用数据库例如保存于保存部104。
在后处理用数据库中,例如与上述的数据库同样地,也可以存储有用于生成与评价结果和附加信息对应的综合评价结果的后处理用分类信息。在后处理用数据库中,除了存储有1个以上的后处理用分类信息以外,例如也可以存储有用于生成后处理用分类信息的多个后处理用学习数据。
后处理用分类信息例如是表示预先取得的过去的评价结果及附加信息(后处理用输入数据)和与后处理用输入数据相关联的后处理用参照数据之间的相关关系的函数。后处理用参照数据表示用户的运动能力的评价结果。后处理用分类信息是通过将后处理用输入数据和后处理用参照数据作为一对后处理用学习数据而使用多个后处理用学习数据生成的。
后处理用分类信息例如表示如下的校准模型,该校准模型是通过以后处理用输入数据为说明变量、以后处理用参照数据为目标变量而利用上述的回归分析等进行解析并基于该解析结果而生成的。关于后处理用分类信息,例如除了能够定期地更新校准模型(后处理用校准模型)以外,例如也可以按照附加信息来生成。另外,与上述的分类信息同样地,后处理用分类信息例如也可以包含通过使用了多个后处理用学习数据的机器学习而生成的学习完毕模型(后处理用学习完毕模型)。
根据本实施方式,在上述的实施方式的效果的基础上,汇总部基于评价结果和附加信息来生成对用户的健康状态进行了评价的综合评价结果。因此,能够实现在评价结果的基础上还考虑了与用户的生物体信息相关的特征的综合评价。由此,能够对基于用户的血糖值的变化的健康状态进行评价。
此外,根据本实施方式,附加信息表示脉搏数、呼吸数、血压、血中二氧化碳的特征、乳酸值以及氧饱和度中的至少任意一个。因此,能够进行基于多个生物体信息的评价。由此,能够实现评价精度的提高。
(第2实施方式:生物体信息运算***100的变形例)
接着,对第2实施方式中的生物体信息运算***100的变形例进行说明。上述的实施方式的一例和变形例的不同之处在于,在变形例中,在计算血糖值时使用附加信息。另外,关于与上述的实施方式相同的内容,省略说明。
在本变形例中,例如如图8所示,在计算步骤S120中,取得附加信息,并基于评价数据和附加信息计算血糖值。
附加信息与上述的内容相同,例如由用户经由输入部108等输入,由计算部12等。计算部12例如也可以根据附加信息的内容来决定针对评价数据的运算方法。该情况下,按照附加信息的每个种类而不同的函数等存储于保存部104、评价用数据库内。另外,计算部12例如也可以基于对评价数据和附加信息进行组合而得到的信息来计算血糖值。
根据本变形例,计算部12参照数据库,基于评价数据和附加信息来计算血糖值。因此,能够在计算用户的血糖值时使用有效的参数。由此,能够实现计算血糖值时的进一步的精度提高。
(第3实施方式:生物体信息运算***100)
接着,对第3实施方式中的生物体信息运算***100的一例进行说明。上述的实施方式和第3实施方式的不同之处在于,在第3实施方式中,取得用于生成附加信息的附加数据。另外,关于与上述的实施方式相同的内容,省略说明。
在本实施方式中的生物体信息运算***100中,在取得步骤S110中,取得附加数据。此外,在本实施方式中的生物体信息运算***100中,在计算步骤S120中,生成基于附加数据的附加信息。
例如如图9所示,本实施方式中的生物体信息运算装置1对基于脉搏波生成的1个传感器数据实施2种处理。由此,例如取得部11基于同一脉搏波取得评价数据和表示与评价数据不同的特征的附加数据。另外,也可以取得多个附加数据。
例如计算部12生成基于附加数据的附加信息。在本实施方式中,附加信息包含上述的附加信息中的、可根据传感器数据计算出的生物体信息。另外,也可以根据要生成的附加信息的种类,例如对在取得附加数据时使用的预处理的内容等进行变更。
计算部12例如也可以参照数据库,根据附加数据生成附加信息。在数据库中,例如也可以存储有用于生成与附加数据对应的附加信息的附加分类信息。在数据库中,除了存储有1个以上的附加分类信息以外,例如还可以存储有用于生成附加分类信息的多个附加学习数据。
附加分类信息例如是表示预先取得的过去的附加数据(附加输入数据)和与附加输入数据相关联的附加参照数据之间的相关关系的函数。附加参照数据包含上述的附加信息。附加分类信息是通过将附加输入数据和附加参照数据作为一对附加学习数据而使用多个附加学习数据生成的。
附加分类信息例如表示如下的校准模型,该校准模型是通过以附加输入数据为说明变量、以附加参照数据为目标变量而利用上述的回归分析等进行解析并基于该解析结果而生成的。关于附加分类信息,例如除了能够定期地更新校准模型(附加校准模型)以外,也可以包含按照用户的性别、年龄、运动内容等属性信息生成的多个附加校准模型。另外,与上述的分类信息同样,附加分类信息例如也可以包含通过使用了多个附加学习数据的机器学习而生成的学习完毕模型(附加学习完毕模型)。
例如如图10的(a)和图10的(b)所示,存在在取得步骤S110中实施的预处理的内容以及在计算步骤S120中参照的附加分类信息的内容不同的情况。下面,对计算脉搏数和呼吸数作为附加信息的例子进行说明。
<脉搏数的计算>
例如在计算脉搏数的情况下,如图10的(a)所示,取得部11对传感器数据实施上述的滤波处理,提取脉搏波数据。
然后,取得部11对脉搏波数据实施峰值位置计算处理。在峰值位置计算处理中,检测脉搏波数据中包含的多个峰值(振幅的最大值),确定采样的顺序(相当于从测量开始起的时间)。由此,取得部11取得脉搏波数据中包含的峰值位置数据。
之后,取得部11对峰值位置数据实施峰值间隔平均计算处理。在峰值间隔平均计算处理中,计算峰值位置数据中包含的峰值的间隔(相邻的峰值被采样的顺序的差分),例如计算峰值间隔的平均值。之后,取得部11将峰值间隔或峰值间隔的平均值除以传感器数据的采样率,取得表示与秒数相当的峰值间隔的数据作为附加数据。
之后,计算部12参照数据库,计算与附加数据对应的脉搏数。此时,计算部12参照存储在数据库中的附加分类信息中的脉搏数用分类信息。脉搏数用分类信息例如表示将60[秒]除以峰值间隔的函数。因此,计算部12例如能够计算出与附加数据(峰值间隔=0.85[秒])对应的脉搏数(=71[bpm])。由此,计算部12能够生成包含脉搏数的附加信息。
<呼吸数的计算>
例如在计算呼吸数的情况下,如图10的(b)所示,取得部11对传感器数据实施上述的滤波处理,并提取脉搏波数据。
之后,取得部11对脉搏波数据实施傅里叶变换处理。在傅里叶变换处理中,例如将表示采样时间对振幅的脉搏波数据变换为表示频率对强度的频率数据。由此,取得部11取得与脉搏波数据对应的频率数据。
之后,取得部11对频率数据实施最大频率检测处理。在最大频率检测处理中,确定频率数据中的0.15~0.35Hz之间的最大强度的频率。由此,取得部11取得确定出的频率的值作为附加数据。
之后,计算部12参照数据库,计算与附加数据对应的呼吸数。此时,计算部12参照存储在数据库中的附加分类信息中的呼吸数用分类信息。呼吸数用分类信息例如表示对确定出的频率乘以60[秒]的函数。因此,计算部12例如能够计算出与附加数据(确定出的频率=0.225Hz)对应的呼吸数(=13.5[bpm])。由此,计算部12例如能够生成包含呼吸数的附加信息。
这样,在生物体信息运算装置1中,能够根据附加信息所包含的数据的内容来设定针对传感器数据的预处理,并任意地设定要参照的数据库的内容。
在本实施方式中的生物体信息运算***100中,例如如图11所示,输出部14也可以输出所生成的附加信息。该情况下,能够利用参照与评价结果不同的信息而生成的附加信息,用户等能够实施多方面的判断。由此,能够容易地实现与用户的请求对应的适当的评价。
根据本实施方式,在上述的实施方式的效果的基础上,取得部11基于脉搏波取得表示与评价数据不同的特征的附加数据。此外,计算部12生成基于附加数据的附加信息。即,基于1个脉搏波生成评价结果和附加信息。因此,通过使用基于同一参数的多种信息,能够实现基于多方面的观点的综合计算、评价。
(第4实施方式:生物体信息运算***100)
接着,对第4实施方式中的生物体信息运算***100的一例进行说明。上述的实施方式和第4实施方式的不同之处在于,在第4实施方式中,在评价步骤S130中取得上述的附加信息。另外,关于与上述的实施方式相同的内容,省略说明。
在本实施方式中的生物体信息运算***100中,例如如图12所示,在评价步骤S130中取得附加信息,并基于多个血糖值和附加信息来生成评价结果。
附加信息与上述的内容相同,例如由用户经由输入部108等输入,由评价部13等取得。例如评价部13也可以基于由取得部11取得的附加数据来取得由计算部12生成的附加信息。
评价部13例如也可以根据附加信息的内容来决定针对多个血糖值的运算方法。该情况下,按照附加信息的每个种类而不同的函数等存储于保存部104、数据库内。另外,评价部13例如也可以基于对多个血糖值和附加信息进行组合而得到的信息来生成评价结果。
根据本实施方式,在上述的实施方式的效果的基础上,评价部13取得附加信息,基于多个血糖值和附加信息来生成评价结果。因此,能够生成在多个血糖值的基础上还考虑了用户的特征的多方面的评价结果。
(第5实施方式:生物体信息运算***100)
接着,对第5实施方式中的生物体信息运算***100的一例进行说明。上述的实施方式和第5实施方式的不同之处在于,在第5实施方式中,从分类信息所包含的多个按属性分类信息中选择与评价数据相适的按属性分类信息。另外,关于与上述的实施方式相同的内容,省略说明。
在本实施方式中的生物体信息运算装置1中,例如如图13所示,计算步骤S120包含选择步骤S121和按属性计算步骤S122。
在选择步骤S121中,参照预备评价数据,在多个按属性分类信息中选择特定的按属性分类信息(例如第1分类信息)。选择步骤S121例如能够由计算部12所包含的选择部来执行。
预备评价数据表示与评价数据不同的特征,例如表示与上述的附加数据相同的特征。例如与上述的附加数据同样,预备评价数据也可以用于生成附加信息等。
在按属性计算步骤S122中,参照选择出的第1分类信息,计算与评价数据对应的血糖值。按属性计算步骤S122例如能够由计算部12所包含的按属性计算部来执行。
多个按属性分类信息分别使用不同的学习数据来计算出。例如,作为学习数据的输入数据,在使用与被检者的加速度脉搏波相当的数据的情况下,例如按照图14这样的7个种类(A~G)准备输入数据,生成7种属性分类信息。
在这样的多个按属性分类信息存储于数据库的情况下,例如取得部11取得与用户的加速度脉搏波相当的评价数据以及预备评价数据。然后,计算部12参照预备评价数据选择第1分类信息。然后,计算部12参照第1分类信息生成与评价数据对应的血糖值。因此,能够在各属性分类信息中选择最适合于用户的分类信息。
另外,例如在使用与被检者的速度脉搏波相当的数据作为学习数据的输入数据的情况下,例如也可以按照图15这样的2个种类(组1、组2)准备输入数据,生成2种属性分类信息。
在此,关于图14所示的与加速度脉搏波相当的数据,容易进行基于特征的详细的分类,但另一方面,在计算血液的组成时,有可能会伴随峰值的误检测等而导致精度降低。另外,相较于与加速度脉搏波相当的数据,难以针对图15所示的与速度脉搏波相当的数据进行基于特征的详细分类,但由于峰值的误检测等较少,因此能够高精度地计算血糖值。
基于上述内容,多个属性分类信息例如包含图14那样的与加速度脉搏波相当的数据,来作为为了选择特定的分类信息而使用的选择用数据,也可以对生成属性分类信息时的学习用数据采用与速度脉搏波相当的数据。
在该情况下,作为取得步骤S110,例如取得部11根据基于用户的脉搏波的传感器数据来取得与速度脉搏波相当的数据作为评价数据。另外,取得部11根据传感器数据来取得与加速度脉搏波相当的数据作为预备评价数据。
接着,作为选择步骤S121,例如计算部12参照预备评价数据,在包含与加速度脉搏波相当的数据的多个选择用数据中,确定与预备评价数据最相似的选择用数据(第1选择用数据),选择与第1选择用数据相关联的第1分类信息。然后,作为按属性生成步骤S122,计算部12参照第1分类信息,生成与评价数据对应的血糖值。由此,能够实现评价精度的进一步提高。
在此,对在上述的选择用数据等中使用的数据的一例进行说明。
例如,如图14所示,在加速度脉搏波中存在拐点a~e。例如,在进行了如下归一化的情况下,能够利用根据各拐点的值和其差的大小关系进行分类的方法,将加速度脉搏波分类为7个模式,其中,在该归一化中,将加速度脉搏波中的最大的峰值设为a点,从a点起依次将各拐点设为b点、c点、d点、e点,将a点设为1,将作为最小值的b点或d点设为0。首先,在拐点的值为b<d的情况下,分类为模式A或B。如果b<d且c≥0.5,则分类为A,否则分类为B。接着,在拐点的值为b≒d的情况下,分类为模式C或D。在b≒d且c≒0的情况下分类为模式D,否则分类为模式C。最后,在b>d的情况下,能够分类为模式E、F、G中的任意模式。如果b>d且b<c,则分类为模式E,如果b≒c,则分类为模式F,如果b>c,则分类为模式G。
例如,计算部12判断预备评价数据例如符合图14的哪个模式,确定第1选择用数据。例如,如果所输入的预备评价数据的拐点b比拐点d小且拐点c≥0.5,则将模式A作为第1选择用数据。由此,能够参照与评价数据的特征相适的分类信息,高精度地计算血糖值。
根据本实施方式,在上述的实施方式的效果的基础上,计算部12包含参照预备评价数据选择第1分类信息的选择部、以及参照第1分类信息计算与评价数据对应的血糖值的按属性计算部。因此,能够在选择了最适合于脉搏波的特征的属性分类信息的基础上,计算与评价数据对应的血糖值。由此,能够实现评价精度的进一步的提高。
此外,根据本实施方式,取得部11取得与基于脉搏波的速度脉搏波相当的数据作为评价数据。此外,取得部11取得与基于脉搏波的加速度脉搏波相当的数据作为预备评价数据。因此,能够使用与速度脉搏波相比容易对脉搏波的特征进行分类的加速度脉搏波来选择属性分类信息。此外,能够使用与加速度脉搏波相比容易计算血糖值的速度脉搏波来计算血糖值。由此,能够实现评价精度的进一步的提高。
(第5实施方式:生物体信息运算***100的变形例)
接着,对第5实施方式中的生物体信息运算***100的变形例进行说明。上述的实施方式的一例和变形例的不同之处在于,在变形例中,基于附加信息选择第1分类信息。另外,关于与上述的实施方式相同的内容,省略说明。
在本变形例中,例如如图16所示,在计算步骤S120中,取得附加信息。此外,在计算步骤S120中,在分类信息中基于附加信息选择第1分类信息,参照第1分类信息计算与评价数据对应的血糖值。
例如计算部12取得与上述的实施方式相同的附加信息。计算部12例如也可以取得基于上述的附加数据生成的附加信息。
例如分类信息包含多个预先按照附加信息的特征分配的函数、校准模型等。该情况下,计算部12能够在分类信息中选择与附加信息的特征相适的函数等(例如第1分类信息)。另外,作为选择第1分类信息的方法,也可以使用公知的技术。
根据本变形例,计算部12参照基于附加信息选择出的第1分类信息,计算与评价数据对应的血糖值。因此,能够在选择了最适合于用户的特征的分类信息的基础上,计算与评价数据对应的血糖值。由此,能够实现评价精度的进一步的提高。
(第6实施方式:生物体信息运算***100)
接着,对第6实施方式中的生物体信息运算***100的一例进行说明。上述的实施方式和第6实施方式的不同之处在于,在第6实施方式中,示出用户的健康状态作为用户的状态。另外,关于与上述的实施方式相同的内容,省略说明。
本实施方式中的生物体信息运算***100用于生成与用户的健康状态相关的评价结果。与用户的健康状态相关的评价结果表示用户的健康诊断的结果、示出健康的程度的指数、与用户的健康状态对应的保险费等。
生物体信息运算***100根据基于用户的脉搏波的评价数据计算包含血糖值的血糖值评价结果,并根据评价数据和血糖值评价结果来生成评价结果。
在生物体信息运算***100中,例如如图17的(a)所示,生物体信息运算装置1取得由传感器5等生成的传感器数据。然后,生物体信息运算装置1对取得的传感器数据实施滤波处理等预处理,取得评价数据。
生物体信息运算装置1计算与评价数据对应的血糖值评价结果,生成与评价数据及血糖值评价结果对应的评价结果。因此,能够根据基于脉搏波的特征取得的评价数据和血糖值评价结果来生成评价结果。由此,能够高精度地生成用户的评价结果。
生物体信息运算装置1在生成与评价数据对应的血糖值评价结果时,参照数据库。与上述的实施方式同样地,在数据库中存储有使用多个学习数据生成的分类信息。
例如如图3的(a)所示,分类信息是通过将基于过去取得的学习用脉搏波的输入数据和包含与输入数据相关联的血糖值的参照数据的一对作为学习数据而使用多个学习数据生成的。因此,在生成血糖值评价结果时,能够包含基于过去有实绩的输入数据和输出数据的定量的血糖值。由此,能够实现生成评价结果时的精度提高。
生物体信息运算装置1例如将生成的评价结果输出到显示器等。
另外,在生物体信息运算***100中,例如如图17的(b)所示,也可以从传感器5等取得评价数据。该情况下,根据传感器数据取得评价数据的预处理由传感器5等来实施。
评价数据表示用于生成血糖值评价结果和评价结果的数据。
数据库主要是在生成与评价数据对应的评价结果时使用。在数据库中,除了存储1个以上的分类信息以外,例如还可以存储用于生成分类信息的多个学习数据。分类信息例如是表示预先取得的过去的评价数据(输入数据)与包含血糖值的参照数据之间的相关关系的函数,详细情况与上述的实施方式相同,因此省略。
与上述的实施方式同样,分类信息例如是表示预先取得的过去的评价数据(输入数据)与包含血糖值的参照数据之间的相关关系的函数。
<血糖值评价结果>
血糖值评价结果作为与参照数据相同种类的数据而生成,包含血糖值。血糖值评价结果是通过参照分类信息而作为与参照数据相同或相似的数据被生成的。另外,血液信息包含血糖值评价结果。
在生物体信息运算***100中,例如沿着任意的时间序列取得多个评价数据,生成多个与各评价数据对应的血糖值评价结果。此外,在生物体信息运算***100中,例如也可以在运动量变化时等任意的时机取得多个评价数据,生成多个与各评价数据对应的血糖值评价结果。
评价结果表示与用户的健康状态相关的信息。关于评价结果,例如除了包含多个血糖值评价结果和评价数据以外,还可以包含一对评价数据和血糖值评价结果中的差分值、基于多个评价数据和血糖值评价结果导出的公知的阈值。通过输出评价结果,能够掌握用户的健康状态。
本实施方式中的生物体信息运算装置1的取得部11例如也可以取得用户经由输入部108等输入的用户的特征、运动内容、竞技项目等这样的评价对象的信息,并将其包含在评价数据中。例如也可以在生成血糖值评价结果或评价结果时使用评价对象的信息。
计算部12参照数据库计算与评价数据对应的血糖值评价结果。计算部12例如参照数据库中存储的分类信息来计算与评价数据对应的血糖值,并将其作为血糖值评价结果来计算出。计算部12计算多个分别与不同的评价数据对应的血糖值评价结果。
评价部13基于评价数据和根据评价数据生成的血糖值评价结果来生成评价结果。评价部13例如使用预先存储在保存部104等中的显示用的格式,生成被转换为了用户能够对健康状态进行理解的形式的评价结果。
评价部13例如也可以参照评价用数据库,根据评价数据和血糖值评价结果来生成评价结果。
在评价用数据库中,例如与上述的数据库同样,也可以存储有用于生成与评价数据和血糖值评价结果对应的评价结果的评价用分类信息。在评价用数据库中,除了存储有1个以上的评价用分类信息以外,例如也可以存储有用于生成评价用分类信息的多个评价用学习数据。
评价用分类信息例如是表示预先取得的过去的评价数据和血糖值评价结果(评价用输入数据)和与评价用输入数据相关联的评价用参照数据之间的相关关系的函数。
(第6实施方式:生物体信息运算***100的动作)
接着,对本实施方式中的生物体信息运算***100的动作的一例进行说明。另外,关于与上述的实施方式相同的内容,省略说明。
在计算步骤S120中,参照数据库,生成包含与评价数据对应的血糖值的血糖值评价结果。例如计算部12参照分类信息,计算与评价数据对应的血糖值。计算部12生成包含计算出的值的血糖值评价结果。计算部12例如经由存储部15将生成的血糖值评价结果保存于保存部104。另外,作为血糖值,除了示出特定的值以外,例如也可以计算误差范围(例如“○○±5mg/dL”等)。
在评价步骤S130中,基于评价数据和根据评价数据生成的血糖值评价结果来生成评价结果。例如评价部13取得评价数据和由计算部12生成的血糖值评价结果。评价部13除了使用预先设定的函数等根据评价数据和血糖值评价结果来生成评价结果以外,例如也可以参照上述的评价用数据库来生成评价结果。
评价部13例如将评价数据与血糖值评价结果组合起来生成评价结果。该情况下,除了使用预先设定的函数等以外,也可以参照评价用数据库来生成评价结果。由此,能够容易地考虑用户的脉搏波的特征,能够提高评价结果的精度。
这里,关于脉搏波的波形信号,根据用户的性别、年龄等属性,能够根据脉搏波的波形信号生成的血糖值的数值有时会产生偏差。例如,在对将20多岁的男性作为用户而对测量出的脉搏波进行处理的情况和将50多岁的女性作为用户而对测量出的脉搏波进行处理的情况进行比较时,根据处理的方法,能够生成的血糖值的精度有可能产生偏差。即,为了使用根据脉搏波的波形信号生成的血糖值来取得具有充分精度的与用户的健康状态相关的评价结果,需要进行与用户的特征相匹配的处理。
另一方面,在现有技术中,并未设想针对根据脉搏波的波形信号生成的血糖值通过进行与用户的特征相匹配的处理来生成与用户的健康状态相关的评价结果。因此,在现有技术中,并未设想与用户的特征相匹配的处理,因此,有可能无法高精度地生成与用户的健康状态相关的评价结果。
与此相对,根据本实施方式,计算部12生成包含与评价数据对应的血糖值的血糖值评价结果。评价部13基于评价数据和根据评价数据生成的血糖值评价结果来生成与用户的健康状态相关的评价结果。因此,能够根据基于脉搏波的特征取得的评价数据和血糖值评价结果来生成评价结果。由此,能够高精度地生成用户的评价结果。
此外,根据本实施方式,计算部12参照数据库生成与评价数据对应的血糖值评价结果。此外,在数据库中存储有使用多个学习数据计算出的分类信息。因此,在生成评价结果时,能够包含基于过去有实绩的数据的定量的血糖值。由此,能够实现生成评价结果时的精度提高。
此外,根据本实施方式,分类信息是使用以输入数据为说明变量、以参照数据为目标变量的PLS回归分析得到的校准模型。因此,与使用机器学习等计算分类信息的情况相比,能够大幅减少学习数据的数量,并且能够容易地实施校准模型的更新。由此,能够实现生物体信息运算***100的构建及更新的容易化。
(第7实施方式:生物体信息运算***100)
接着,对第7实施方式中的生物体信息运算***100的一例进行说明。上述的实施方式和第7实施方式的不同之处在于,在第7实施方式中,基于评价数据的特征,选择用于根据血糖值评价结果生成评价结果的函数,并根据血糖值评价结果来生成评价结果。另外,关于与上述的实施方式相同的内容,省略说明。
评价部13例如也可以根据评价数据的特征来决定针对血糖值评价结果的运算方法。该情况下,用于根据按照评价数据的每个特征而不同的血糖评价结果生成评价结果的函数等例如存储于保存在保存部104等中的评价用数据库内。评价部13例如也可以基于评价数据中的峰值的强度、形状等特征来选择存储在保存部104中的函数,并根据血糖值评价结果生成评价结果。评价部13例如也可以基于评价数据的特征,从多个评价用分类信息中选择与评价数据相适的评价用分类信息作为上述的函数。
例如在使用与用户的加速度脉搏波相当的数据作为评价数据的情况下,可以根据属于图14这样的7种分类模式中的哪个分类模式来决定“评价数据的特征”。此外,例如在使用与用户的速度脉搏波相当的数据作为评价数据的情况下,也可以根据属于图15这样的2种分类模式中的哪个分类模式来决定“评价数据的峰值的特征”。
在评价用数据库中,例如与上述的数据库同样,也可以存储有用于生成与血糖值评价结果对应的评价结果的评价用分类信息。在评价用数据库中,除了存储有1个以上的评价用分类信息以外,例如也可以存储有用于生成评价用分类信息的多个评价用学习数据。
评价用分类信息例如是表示与预先取得的过去的评价数据相关联的血糖值评价结果(评价用输入数据)和与评价用输入数据相关联的评价用参照数据之间的相关关系的函数。评价用参照数据表示用户的评价结果。评价用分类信息是通过将评价用输入数据和评价用参照数据作为一对评价用学习数据而使用多个评价用学习数据生成的。
在本实施方式中的生物体信息运算***100中,例如如图18所示,评价步骤S130包括评价用选择步骤S131和按属性评价步骤S132。
在评价用选择步骤S131中,参照评价数据在多个按属性评价用分类信息中选择特定的评价用分类信息(例如第1评价用分类信息)。评价用选择步骤S131例如能够由评价部13所包含的评价用选择部来执行。
在按属性评价步骤S132中,参照选择出的第1评价用分类信息来生成与血糖值评价结果对应的评价结果。按属性评价步骤S132例如能够由评价部13所包含的按属性评价部来执行。
多个按属性评价用分类信息包含用于根据血糖值评价结果生成评价结果的分别不同的函数。此外,多个按属性评价用分类信息也可以使用学习数据来计算。例如,作为学习数据的输入数据,使用与上述的各个分类模式的评价数据相关联的血糖值评价结果。该情况下,例如按照分别与图14这样的7种分类模式的评价数据相关联的血糖值评价结果来准备输入数据,生成7种按属性评价用分类信息。
在这样的多个按属性评价用分类信息存储于数据库的情况下,例如取得部11取得与用户的加速度脉搏波相当的评价数据。然后,评价部13参照评价数据的峰值的特征来选择第1评价用分类信息。然后,评价部13参照第1评价用分类信息生成与血糖值评价结果对应的评价结果。因此,能够在各个按属性评价用分类信息中选择最适合于用户的评价用分类信息。
另外,例如在使用与被检者的速度脉搏波相当的数据作为学习数据的输入数据的情况下,例如也可以按照分别与图15这样的2种分类模式的评价数据相关联的血糖值评价结果来准备输入数据,生成2种按属性评价用分类信息。由此,能够实现评价精度的进一步的提高。
根据本实施方式,在上述的实施方式的效果的基础上,评价部13基于评价数据的特征,选择用于根据血糖值评价结果生成评价结果的函数。因此,能够根据按照每个用户而不同的评价数据的特征来选择适当的函数。由此,能够高精度地生成用户的评价结果。
(第8实施方式:生物体信息运算***100)
接着,对第8实施方式中的生物体信息运算***100的一例进行说明。上述的实施方式和第8实施方式的不同之处在于,在第8实施方式中,具有汇总步骤S150。另外,关于与上述的实施方式相同的内容,省略说明。
在本实施方式中的生物体信息运算***100的汇总步骤S150中,例如上述的评价部13基于分别根据不同的评价数据生成的多个血糖值评价结果来生成血糖趋势。此外,评价部13根据评价数据和血糖趋势来生成评价结果。血糖趋势例如是图19所示的这样的示出血糖值相对于时间t的变化的曲线图等。此外,血糖趋势例如也可以是用时间t将示出血糖值相对于时间t的变化的曲线图进行微分或积分而得到的结果。此外,在血糖趋势中,也可以包含表示血糖值的极大点的血糖值尖峰。此外,在血糖趋势中,也可以包含HbA1c的值。
评价部13例如取得分别根据不同的评价数据生成的多个血糖值评价结果,并根据该血糖值评价结果中的时间序列变化来取得与用户的血糖值的倾向相关的血糖趋势。
评价部13例如也可以参照评价用数据库,根据评价数据和血糖趋势生成评价结果。
在评价用数据库中,例如与上述的数据库同样,也可以存储有用于生成与评价数据和血糖趋势对应的评价结果的评价用分类信息。在评价用数据库中,除了存储有1个以上的评价用分类信息以外,例如也可以存储有用于生成评价用分类信息的多个评价用学习数据。
评价用分类信息例如是表示预先取得的过去的评价数据及血糖趋势(评价用输入数据)和与评价用输入数据相关联的评价用参照数据之间的相关关系的函数。评价用参照数据表示用户的评价结果。评价用分类信息是通过将评价用输入数据和评价用参照数据作为一对评价用学习数据而使用多个评价用学习数据生成的。
根据本实施方式,在上述的实施方式的效果的基础上,评价S130基于分别根据不同的评价数据生成的多个血糖值评价结果中的时间序列变化,取得与用户的血糖值的倾向相关的血糖趋势,并根据血糖趋势和评价数据来生成评价结果。因此,能够容易地掌握按照每个用户而不同的血糖值尖峰等血糖值的特征。由此,能够高精度地生成用户的评价结果。
(第8实施方式:生物体信息运算***100的动作)
接着,对本实施方式中的生物体信息运算***100的动作的一例进行说明。图20是示出本实施方式中的生物体信息运算***100的动作的一例的流程图。在本实施方式中的生物体信息运算***100的动作中,如图20所示,评价步骤S130包含汇总步骤S150。
<汇总步骤S150>
在汇总步骤S150中,例如取得分别根据不同的评价数据生成的多个血糖值评价结果,根据该血糖值评价结果中的时间序列变化取得与用户的血糖值的倾向相关的血糖趋势。汇总步骤S150例如能够由生物体信息运算装置1所包含的评价部13来执行。
<评价步骤S130>
接着,在评价步骤S130中,基于评价数据和血糖趋势来生成评价结果。例如评价部13取得评价数据和由计算部12生成的血糖趋势。评价部13除了使用预先设定的函数等来根据评价数据和血糖趋势生成评价结果以外,例如也可以参照上述的评价用数据库来生成评价结果。因此,能够容易地掌握按照每个用户而不同的血糖值尖峰等血糖值的特征。由此,能够高精度地生成用户的评价结果。
在评价步骤S130中,例如如图21所示,取得上述的附加信息,基于评价数据、血糖值评价结果以及附加信息来生成评价结果。此外,评价步骤S130也可以包含汇总步骤S150。该情况下,评价步骤S130取得附加信息,并基于评价数据、血糖趋势以及附加信息来生成评价结果。
评价部13例如也可以参照评价用数据库来生成与评价数据、血糖值评价结果以及附加信息相适的评价结果。
评价用分类信息例如是表示预先取得的过去的评价数据、血糖值评价结果以及附加信息(评价用输入数据)和与评价用输入数据相关联的评价用参照数据之间的相关关系的函数。评价用参照数据表示用户的评价结果。评价用分类信息是通过将评价用输入数据和评价用参照数据作为一对评价用学习数据而使用多个评价用学习数据生成的。
根据本实施方式,在上述的实施方式的效果的基础上,评价部13取得表示用户的特征的附加信息,并基于评价数据、血糖值评价结果以及附加信息来生成评价结果。因此,通过使用多种信息,能够实现基于多方面的观点的综合评价。由此,能够更高精度地生成用户的评价结果。
(第9实施方式:生物体信息运算***100)
接着,对第9实施方式中的生物体信息运算***100的一例进行说明。上述的实施方式和第9实施方式的不同之处在于,在第9实施方式中,在计算步骤S120中,取得上述的附加信息,并基于评价数据和附加信息来生成血糖值评价结果。另外,关于与上述的实施方式相同的内容,省略说明。
在本实施方式中的生物体信息运算***100中,例如如图22所示,在计算步骤S120中,取得附加信息,并基于评价数据和附加信息来生成血糖值评价结果。此外,评价步骤S130也可以包含汇总步骤S150。该情况下,在评价步骤S130中,基于评价数据和血糖趋势来生成评价结果。
附加信息与上述的内容相同,例如由用户经由输入部108等输入,由计算部12等取得。例如计算部12也可以基于由取得部11取得的附加数据来取得由计算部12生成的附加信息。
计算部12例如也可以根据附加信息的内容来决定针对血糖值评价结果的运算方法。该情况下,按照附加信息的每个种类而不同的函数等存储于保存部104、评价用数据库内。另外,计算部12例如也可以基于对评价数据和附加信息进行组合而得到的信息来生成血糖值评价结果。
根据本实施方式,在上述的实施方式的效果的基础上,计算部12取得附加信息,并基于评价数据和附加信息来生成血糖值评价结果。因此,能够利用与用户的血糖值评价结果具有相关性的参数,实现基于多方面的观点的综合评价。由此,能够更高精度地生成用户的评价结果。
(第10实施方式:生物体信息运算***100)
接着,对第10实施方式中的生物体信息运算***100的一例进行说明。上述的实施方式和第10实施方式的不同之处在于,在第10实施方式中,基于附加信息,从多个分类信息中选择与评价数据相适的分类信息。另外,关于与上述的实施方式相同的内容,省略说明。
在本实施方式中的生物体信息运算装置1中,例如如图23所示,计算步骤S120包含选择步骤S121和按属性计算步骤S122。此外,评价步骤S130也可以包含汇总步骤S150。该情况下,在评价步骤S130中,基于评价数据和血糖趋势来生成评价结果。
在选择步骤S121中,参照附加信息,在多个按属性分类信息中选择特定的分类信息(例如第1分类信息)。选择步骤S121例如能够由计算部12所包含的选择部来执行。
在按属性计算步骤S122中,生物体信息运算装置1参照选择出的第1分类信息来计算与评价数据对应的血糖值,并生成血糖值评价结果。按属性计算步骤S122例如能够由计算部12所包含的按属性计算部来执行。
多个按属性分类信息分别使用不同的学习数据来计算出。例如,作为学习数据的输入数据,按照附加信息的每个特征来准备输入数据,生成多个按属性分类信息。例如,在附加信息为用户的年龄的情况下,也可以如10岁~30岁、30岁~50岁、50岁~70岁等这样按照每个年龄层来准备输入数据。
在这样的多个按属性分类信息存储于数据库的情况下,例如取得部11取得评价数据和附加信息。然后,计算部12参照附加信息来选择第1分类信息。然后,计算部12参照第1分类信息生成与评价数据对应的血糖值评价结果。因此,能够在各个按属性分类信息中选择最适合于用户的分类信息。
该情况下,作为取得步骤S110,例如取得部11取得用户的评价数据和作为附加信息的用户的年龄。
接着,作为选择步骤S121,例如计算部12参照附加信息,选择与附加信息相关联的第1分类信息。然后,作为按属性计算步骤S122,计算部12参照第1分类信息生成与评价数据对应的血糖值评价结果。由此,能够实现评价精度的进一步的提高。
根据本实施方式,在上述的实施方式的效果的基础上,计算部12包含参照附加信息选择第1分类信息的选择部、以及参照第1分类信息生成与评价数据对应的血糖值评价结果的按属性计算部。因此,能够在选择了最适合于附加信息的按属性分类信息的基础上,生成与评价数据对应的血糖值评价结果。由此,能够实现评价精度的进一步的提高。
(第11实施方式:生物体信息运算***100)
接着,对第11实施方式中的生物体信息运算***100的一例进行说明。上述的实施方式和第11实施方式的不同之处在于,在第11实施方式中,血液信息包含与血液的组成相关的特征,作为用户的状态而示出用户的运动能力。另外,关于与上述的实施方式相同的内容,省略说明。
本实施方式中的生物体信息运算***100用于生成与用户的运动能力相关的信息。与用户的运动能力相关的信息例如表示用户的运动能力的倾向、与特定的基准值相关的偏离度等。
关于运动能力的倾向,例如除了表示按照每个用户而不同的无氧阈值等这样的公知的阈值以外,例如还表示厌氧性代谢的程度等这样的影响运动能力的参数的经时变化。作为影响运动能力的参数,可举出氧摄取量、血中二氧化碳分压(PaCO2)的值、血中二氧化碳的溶解浓度、血液中所含的重碳酸盐/碳酸氢盐(HCO3 -)的浓度、血液的pH等这样的表示与血液的组成相关的特征的值。
生物体信息运算***100根据基于用户的脉搏波的评价数据来生成包含与血液的组成相关的特征的血液信息。此外,生物体信息运算***100例如根据按时间序列生成的多个血液信息来生成示出用户的运动能力的倾向的评价结果。
在生物体信息运算***100中,例如如图24的(a)所示,生物体信息运算装置1取得由传感器5等生成的传感器数据。然后,生物体信息运算装置1对取得的传感器数据实施滤波处理等预处理,取得评价数据。
生物体信息运算装置1生成与评价数据对应的血液信息。然后,生物体信息运算装置1基于分别根据不同的评价数据生成的多个血液信息来生成评价结果。因此,能够与个人的特征、运动内容、竞技项目这样的评价对象的影响无关地,根据与血液的组成相关的特征直接生成评价结果。由此,能够高精度地生成与用户的运动能力相关的信息。
这里,生物体信息运算装置1在生成与评价数据对应的血液信息时,参照数据库。在数据库中存储有使用多个学习数据生成的分类信息。
例如如图3的(a)所示,分类信息是通过将基于过去取得的学习用脉搏波的输入数据和包含与输入数据相关联的与血液的组成相关的特征的参照数据的一对作为学习数据而使用多个学习数据生成的。因此,在生成血液信息时,能够包含基于过去有实绩的输入数据和输出数据的定量的与血液的组成相关的特征。由此,能够实现生成血液信息时的精度提高。
生物体信息运算装置1例如将生成的评价结果输出到显示器等。在评价结果中包含将用户的运动能力的倾向数值化而得到的信息,例如包含无氧阈值等这样的按照每个用户而不同的阈值。在评价结果中,例如也可以包含“有氧运动中”、“无氧运动中”等这样的表示与用户的运动能力的倾向对应的评价的信息。
另外,在生物体信息运算***100中,例如如图24的(b)所示,也可以从传感器5等取得评价数据。该情况下,根据传感器数据取得评价数据的预处理由传感器5等来实施。
评价数据表示用于生成血液信息的数据。
数据库主要是在生成与评价数据对应的血液信息时使用。在数据库中,除了存储1个以上的分类信息以外,例如也可以存储用于生成分类信息的多个学习数据。分类信息例如是表示预先取得的过去的评价数据(输入数据)与包含与血液的组成相关的特征的参照数据之间的相关关系的函数,详细情况与上述的实施方式相同,因此省略说明。
参照数据包含使用计测装置等计测出的被检者的与血液的组成相关的特征。例如在让被检者佩戴传感器5等而生成学习用传感器数据时,通过计测被检者的血中二氧化碳的特征等,能够取得与输入数据相关联的参照数据。该情况下,计测血中二氧化碳的特征等的时机优选与生成学习用传感器数据的时机为同时,但例如也可以是前后相隔1~10分左右的时机。
另外,“与血液的组成相关的特征”表示能够计测出的血液内的组成物的浓度、比率等,例如表示血中二氧化碳浓度的特征、血中乳酸量以及氧饱和度中的至少任意一个。另外,“血中二氧化碳的特征”表示血液中所含的二氧化碳的程度。作为血中二氧化碳的特征,例如除了使用血中二氧化碳分压(PaCO2)的值以外,还可以使用血中二氧化碳的溶解浓度、血液中所含的重碳酸盐/碳酸氢盐(HCO3 -)的浓度,根据状况还可以使用考虑了血液的pH的值。
血液信息作为与参照数据相同种类的数据而生成,包含与血液的组成相关的特征。血液信息是通过参照分类信息而作为与参照数据相同或相似的数据被生成的。在生物体信息运算***100中,例如沿着任意的时间序列取得多个评价数据,生成多个与各评价数据对应的血液信息。此外,在生物体信息运算***100中,例如也可以在运动量变化时等任意的时机取得多个评价数据,并生成多个与各评价数据对应的血液信息。
评价结果示出用户的运动能力的倾向。关于评价结果,例如除了包含多个血液信息以外,可以包含一对血液信息中的差分值、基于多个血液信息导出的公知的阈值。通过输出评价结果,能够掌握用户的运动能力。
本实施方式中的生物体信息运算装置1的取得部11例如也可以取得用户经由输入部108等输入的用户的特征、运动内容、竞技项目等这样的评价对象的信息,并将其包含在评价数据中。例如也可以在生成血液信息或评价结果时使用评价对象的信息。
计算部12参照数据库生成与评价数据对应的血液信息。计算部12例如参照数据库中存储的分类信息,计算与评价数据对应的血中二氧化碳分压等的值,并将其作为血液信息来生成。计算部12生成多个分别与不同的评价数据对应的血液信息。
评价部13基于分别根据不同的评价数据生成的多个血液信息来生成评价结果。评价部13例如使用预先存储在保存部104等中的显示用的格式,生成被转换为了用户能够对运动能力的倾向进行理解的形式的评价结果。
例如如图25的(a)所示,评价部13把将2个血液信息(在图25的(a)中,作为一例,示出血中二氧化碳分压)之差除以测量时间之差而得到的值作为厌氧性代谢的程度来计算出,生成包含厌氧性代谢的程度的评价结果。该情况下,能够容易地掌握按照每个用户而不同的无氧运动的条件。例如评价部13也可以参照预先存储在保存部104等中的基准值,在厌氧性代谢的程度小于基准值的情况下,生成示出处于有氧运动的状态的意思的评价结果,在厌氧性代谢的程度为基准值以上的情况下,生成示出处于无氧运动的状态的意思的评价结果。
评价部13例如也可以参照评价用数据库而根据多个血液信息来生成评价结果。
在评价用数据库中,例如与上述的数据库同样,也可以存储有用于生成与多个血液信息对应的评价结果的评价用分类信息。在评价用数据库中,除了存储有1个以上的评价用分类信息以外,例如也可以存储有用于生成评价用分类信息的多个评价用学习数据。
评价用分类信息例如是表示预先取得的过去的多个血液信息(评价用输入数据)和与评价用输入数据相关联的评价用参照数据之间的相关关系的函数。评价用参照数据表示用户的运动能力的倾向。评价用分类信息是通过将评价用输入数据和评价用参照数据作为一对评价用学习数据而使用多个评价用学习数据生成的。
在评价用数据库中,例如如图25的(b)所示,也可以存储有表示运动强度与血液信息(在图25的(b)中,作为一例,示出血中二氧化碳分压)之间的关系的函数A1、A2。函数A1例如表示有氧运动时的运动强度与血中二氧化碳分压之间的关系,函数A2例如表示无氧运动时的运动强度与血中二氧化碳分压之间的关系。另外,函数A1、A2也可以具有多个函数。
例如在计算部12中,在生成了第1分压P1和第2分压P2作为多个血液信息的情况下,评价部13参照函数A1,基于各分压P1、P2来生成示出处于“有氧运动中”的评价结果。
例如在计算部12中,在生成了第3分压P3和第4分压P4作为多个血液信息的情况下,评价部13参照函数A2,基于各分压P3、P4来生成示出处于“无氧运动中”的评价结果。
例如在计算部12中,在生成了第1分压P1、第2分压P2、第3分压P3以及第4分压P4作为多个血液信息的情况下,评价部13参照函数A1、A2,基于各分压P1、P2、P3、P4来生成示出无氧阈值AT1的评价结果。
(第11实施方式:生物体信息运算***100的动作)
接着,对本实施方式中的生物体信息运算***100的动作的一例进行说明。另外,关于与上述的实施方式相同的内容,省略说明。
在计算步骤S120中,参照数据库来生成包含与评价数据对应的与血液的组成相关的特征(例如血中二氧化碳分压的值)的血液信息。例如计算部12参照分类信息来计算与评价数据对应的血中二氧化碳分压的值。计算部12计算包含计算出的值的血液信息。计算部12例如通过存储部15将生成的血液信息保存于保存部104。另外,作为血中二氧化碳分压的值等,除了示出特定的值以外,例如也可以计算误差范围(例如“○○±2mmHg”等)。
在评价步骤S130中,基于分别根据不同的评价数据生成的多个血液信息来生成评价结果。例如评价部13取得由计算部12生成的多个血液信息。评价部13除了使用预先设定的函数等而根据多个血液信息生成评价结果以外,例如也可以参照上述的评价用数据库来生成评价结果。
例如在血液信息表示血中二氧化碳分压的值的情况下,评价部13能够根据多个血液信息中的时间序列变化来生成包含厌氧性代谢的程度的评价结果。因此,能够容易地掌握按照每个用户而不同的无氧运动的条件。
这里,在对用户的运动能力进行评价时,有时使用无氧阈值(AT:AnaerobicThreshold)、心率阈值(HRT:Heart Rate Threshold)、乳酸阈值(LT:Lactate Threshold)等阈值。公知的是,这样的阈值可通过使用脉搏数来估计。但是,在使用脉搏数的评价方法中,由于个人的特征、运动内容、竞技项目等这样的评价对象的影响,会停留在能够掌握大致倾向的程度,难以进行上述阈值的适当估计。因此,在现有技术中,有可能无法高精度地生成与用户的运动能力相关的信息。
与此相对,根据本实施方式,计算部12生成包含与评价数据对应的与血液的组成相关的特征的血液信息。评价部13基于分别根据不同的评价数据生成的多个血液信息来生成示出用户的运动能力的倾向的评价结果。因此,能够与个人的特征、运动内容、竞技项目这样的评价对象的影响无关地来根据与血液的组成相关的特征直接生成评价结果。由此,能够高精度地生成与用户的运动能力相关的信息。
此外,根据本实施方式,计算部12参照数据库来生成与评价数据对应的血液信息。此外,在数据库中存储有使用多个学习数据计算出的分类信息。因此,在生成血液信息时,能够包含基于过去有实绩的数据的定量的与血液的组成相关的特征。由此,能够实现生成血液信息时的精度提高。
此外,根据本实施方式,评价部13根据多个血液信息中的时间序列变化来生成包含厌氧性代谢的程度的评价结果。因此,能够容易地掌握按照每个用户而不同的无氧运动的条件。由此,能够维持与用户的运动能力对应的运动条件。
此外,根据本实施方式,分类信息是使用以输入数据为说明变量、以参照数据为目标变量的PLS回归分析得到的校准模型。因此,与使用机器学习等计算分类信息的情况相比,能够大幅减少学习数据的数量,并且能够容易地实施校准模型的更新。由此,能够实现生物体信息运算***100的构建及更新的容易化。
(第12实施方式:生物体信息运算***100)
接着,对第12实施方式中的生物体信息运算***100的一例进行说明。上述的实施方式和第12实施方式的不同之处在于,在第12实施方式中,使用附加信息,并且具有汇总步骤S150。另外,关于与上述的实施方式相同的内容,省略说明。
在本实施方式中的生物体信息运算***100中,例如在上述的评价步骤S130之后实施汇总步骤S150,在汇总步骤S150之后实施输出步骤S140。
在汇总步骤S150中,例如与上述的实施方式同样,取得附加信息,并基于评价结果和附加信息来生成综合评价结果。汇总步骤S150例如能够由评价部13所包含的汇总部来执行。
综合评价结果表示对用户的运动能力进行了评价的结果。作为综合评价结果,除了使用“运动能力高”、“运动能力低”等表示每个用户的运动能力的程度的字符串以外,例如还可以使用与任意的基准值之间的差分、偏差值等数值。
在汇总步骤S150中,例如汇总部参照预先设定的阈值,把将评价结果和附加信息与阈值进行比较后的结果作为综合评价结果来生成。例如,在评价结果和附加信息低于阈值的情况下,汇总部生成示出运动能力高的综合评价结果,在评价结果和附加信息高于阈值的情况下,汇总部生成示出运动能力低的综合评价结果。
根据本实施方式,在上述的实施方式的效果的基础上,汇总部基于评价结果和附加信息来生成对用户的运动能力进行了评价的综合评价结果。因此,能够实现在评价结果的基础上还考虑了用户的特征的综合评价。由此,能够更高精度地生成与用户的运动能力相关的信息。
根据上述的各实施方式,在计算步骤S120中,计算与评价数据对应的用户的血液信息。在评价步骤S130中,基于血液信息来生成与用户的状态相关的评价结果。由此,能够实现与用户的状态相关的定量的评价。
另外,在上述的各实施方式中,作为血中二氧化碳的特征,主要说明了使用血中二氧化碳分压的值的情况,但是,使用血中二氧化碳的溶解浓度、血液中所含的重碳酸盐/碳酸氢盐的浓度以及血液的pH中的至少任意一个的情况也是同样的,因此省略说明。特别地,在使用血中二氧化碳分压的值作为血中二氧化碳的特征的情况下,与其他的值相比,具有容易收集参照数据的倾向。因此,能够实现在生成分类信息时花费的时间及费用的大幅削减。
此外,上述的各实施方式也可以根据用途而任意地组合实施。
对本发明的实施方式进行了说明,但该实施方式是作为例子而提出的,并不意图限定发明的范围。这样的新的实施方式能够以其他各种方式来实施,能够在不脱离发明主旨的范围内进行各种省略、置换、变更。该实施方式、其变形包含在发明的范围、主旨内,并且包含在权利要求书所记载的发明及其均等的范围内。
标号说明
1:生物体信息运算装置
3:通信网
4:服务器
5:传感器
6:检测部
10:壳体
11:取得部
12:计算部
13:评价部
14:输出部
15:存储部
16:学习部
50:取得部
51:通信I/F
52:存储器
53:命令部
54:内部总线
55:腕带
100:生物体信息运算***
101:CPU
102:ROM
103:RAM
104:保存部
105:I/F
106:I/F
107:I/F
108:输入部
109:显示部
110:内部总线
S110:取得步骤
S120:计算步骤
S130:评价步骤
S140:输出步骤
Claims (8)
1.一种生物体信息运算***,其计算与用户的血液相关的血液信息,
所述生物体信息运算***的特征在于,具有:
取得单元,其取得基于所述用户的脉搏波的评价数据;
数据库,其存储有分类信息,该分类信息是通过将输入数据和参照数据的一对作为学习数据而使用多个所述学习数据生成的,其中,所述输入数据是基于预先取得的学习用脉搏波的数据,所述参照数据是包含与所述输入数据相关联的所述血液信息的数据;
计算单元,其参照所述数据库计算与所述评价数据对应的所述血液信息;以及
评价单元,其基于所述血液信息生成与所述用户的状态相关的评价结果。
2.根据权利要求1所述的生物体信息运算***,其特征在于,
所述血液信息包含血糖值,
所述评价单元基于分别根据不同的所述评价数据计算出的多个所述用户的血糖值,生成包含表示所述用户的血糖值的变化的血糖尖峰信息的所述评价结果。
3.根据权利要求1所述的生物体信息运算***,其特征在于,
所述血液信息包含血糖值,
所述评价单元基于所述评价数据和根据所述评价数据计算出的血糖值来生成所述评价结果。
4.根据权利要求1所述的生物体信息运算***,其特征在于,
所述血液信息包含与所述血液的组成相关的特征,
所述评价单元基于分别根据不同的所述评价数据计算出的多个与所述血液的组成相关的特征,生成示出所述用户的运动能力的倾向的所述评价结果。
5.根据权利要求1所述的生物体信息运算***,其特征在于,
所述生物体信息运算***具有汇总单元,该汇总单元取得表示与所述用户的生物体信息相关的特征的附加信息,并基于所述评价结果和所述附加信息来生成对所述用户的健康状态进行了评价的综合评价结果。
6.根据权利要求1所述的生物体信息运算***,其特征在于,
所述取得单元基于所述脉搏波取得表示与所述评价数据不同的特征的附加数据,
所述计算单元参照所述数据库,生成与所述附加数据对应的表示与所述用户的生物体信息相关的特征的附加信息。
7.根据权利要求1所述的生物体信息运算***,其特征在于,
所述评价单元取得表示与所述用户的生物体信息相关的特征的附加信息,
所述评价单元基于多个所述特征数据和所述附加信息来生成所述评价结果。
8.根据权利要求1所述的生物体信息运算***,其特征在于,
所述取得单元基于所述脉搏波取得与所述评价数据不同的预备评价数据,
所述分类信息包含分别使用不同的所述学习数据计算出的多个按属性分类信息,
所述计算单元包括:
选择单元,其参照所述预备评价数据,在多个所述按属性分类信息中选择第1分类信息;以及
按属性计算单元,其参照所述第1分类信息,计算与所述评价数据对应的所述血液信息。
Applications Claiming Priority (11)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020-148047 | 2020-09-03 | ||
JP2020-148048 | 2020-09-03 | ||
JP2020148048A JP6851665B1 (ja) | 2020-09-03 | 2020-09-03 | 生体情報演算システム |
JP2020148047A JP6851664B1 (ja) | 2020-09-03 | 2020-09-03 | 生体情報演算システム |
JP2021-032879 | 2021-03-02 | ||
JP2021032878A JP7083194B1 (ja) | 2021-03-02 | 2021-03-02 | 生体情報演算システム |
JP2021-032881 | 2021-03-02 | ||
JP2021032879A JP7083195B1 (ja) | 2021-03-02 | 2021-03-02 | 生体情報演算システム |
JP2021-032878 | 2021-03-02 | ||
JP2021032881A JP6918394B1 (ja) | 2021-03-02 | 2021-03-02 | 生体情報演算システム |
PCT/JP2021/032234 WO2022050336A1 (ja) | 2020-09-03 | 2021-09-02 | 生体情報演算システム |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116097366A true CN116097366A (zh) | 2023-05-09 |
Family
ID=80491077
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180054315.2A Pending CN116097366A (zh) | 2020-09-03 | 2021-09-02 | 生物体信息运算*** |
Country Status (6)
Country | Link |
---|---|
US (1) | US20240016396A1 (zh) |
EP (1) | EP4210066A4 (zh) |
KR (1) | KR20230062852A (zh) |
CN (1) | CN116097366A (zh) |
TW (1) | TW202219974A (zh) |
WO (1) | WO2022050336A1 (zh) |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009048659A1 (en) * | 2007-07-13 | 2009-04-16 | University Of Massachusetts | Physical performance monitoring and monitors |
US20120123232A1 (en) * | 2008-12-16 | 2012-05-17 | Kayvan Najarian | Method and apparatus for determining heart rate variability using wavelet transformation |
ES2396844B1 (es) * | 2010-12-01 | 2014-01-27 | Universitat Politècnica De Catalunya | Sistema y método para la estimación simultánea y no invasiva de la glucosa en la sangre, nivel de glucocorticoides y presión arterial |
CN107405114B (zh) | 2015-03-13 | 2022-12-02 | 国立大学法人信州大学 | 非侵入式血糖值测定方法以及非侵入式血糖值测定装置 |
JP2016195661A (ja) * | 2015-04-03 | 2016-11-24 | セイコーエプソン株式会社 | 運動効果判定方法、および運動効果判定システム |
US20170258367A1 (en) * | 2016-03-08 | 2017-09-14 | bOMDIC Inc. | Method and device for real-time monitoring maximal oxygen consumption |
JP6802684B2 (ja) * | 2016-10-18 | 2020-12-16 | シャープ株式会社 | 健康管理装置および健康管理方法 |
JP6884718B2 (ja) * | 2018-02-22 | 2021-06-09 | 京セラ株式会社 | 電子機器、推定システム、推定方法及び推定プログラム |
-
2021
- 2021-09-02 EP EP21864391.4A patent/EP4210066A4/en active Pending
- 2021-09-02 US US18/043,799 patent/US20240016396A1/en active Pending
- 2021-09-02 KR KR1020237011086A patent/KR20230062852A/ko unknown
- 2021-09-02 WO PCT/JP2021/032234 patent/WO2022050336A1/ja active Application Filing
- 2021-09-02 CN CN202180054315.2A patent/CN116097366A/zh active Pending
- 2021-09-02 TW TW110132630A patent/TW202219974A/zh unknown
Also Published As
Publication number | Publication date |
---|---|
KR20230062852A (ko) | 2023-05-09 |
TW202219974A (zh) | 2022-05-16 |
EP4210066A1 (en) | 2023-07-12 |
EP4210066A4 (en) | 2024-02-28 |
US20240016396A1 (en) | 2024-01-18 |
WO2022050336A1 (ja) | 2022-03-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10765374B2 (en) | Methods and apparatus for adaptable presentation of sensor data | |
Tsai et al. | Diabetes care in motion: Blood glucose estimation using wearable devices | |
US11617545B2 (en) | Methods and systems for adaptable presentation of sensor data | |
JP6918394B1 (ja) | 生体情報演算システム | |
CN113168918A (zh) | 作成健康定位映射及健康函数的方法、***及程序、以及它们的使用方法 | |
JP6899609B1 (ja) | 生体情報演算システム、及びサーバ | |
CN116097366A (zh) | 生物体信息运算*** | |
JP7083195B1 (ja) | 生体情報演算システム | |
JP7083194B1 (ja) | 生体情報演算システム | |
US20230309932A1 (en) | Biometric information computing system, server, and data structure | |
JP7142997B1 (ja) | 生体情報演算システム、サーバ、及び生体情報演算方法 | |
EP4210065A1 (en) | Biological information computation system | |
CN116018088A (zh) | 生物体信息运算*** | |
JP7083193B1 (ja) | 生体情報演算システム | |
JP6845520B1 (ja) | 生体情報演算システム | |
WO2021141572A1 (en) | Methods and systems for adaptable presentation of sensor data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |