JP2012058939A - Blood sugar level prediction system - Google Patents
Blood sugar level prediction system Download PDFInfo
- Publication number
- JP2012058939A JP2012058939A JP2010200574A JP2010200574A JP2012058939A JP 2012058939 A JP2012058939 A JP 2012058939A JP 2010200574 A JP2010200574 A JP 2010200574A JP 2010200574 A JP2010200574 A JP 2010200574A JP 2012058939 A JP2012058939 A JP 2012058939A
- Authority
- JP
- Japan
- Prior art keywords
- user
- information
- blood glucose
- glucose level
- blood sugar
- 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.)
- Granted
Links
- 239000008280 blood Substances 0.000 title claims abstract description 254
- 210000004369 blood Anatomy 0.000 title claims abstract description 254
- 238000007418 data mining Methods 0.000 claims abstract description 19
- 238000005265 energy consumption Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 12
- 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 168
- 239000008103 glucose Substances 0.000 claims description 168
- 230000037406 food intake Effects 0.000 claims 2
- 235000012054 meals Nutrition 0.000 description 61
- 235000019577 caloric intake Nutrition 0.000 description 30
- 230000008859 change Effects 0.000 description 29
- 230000007423 decrease Effects 0.000 description 21
- 230000009471 action Effects 0.000 description 16
- 238000004458 analytical method Methods 0.000 description 15
- 238000004422 calculation algorithm Methods 0.000 description 14
- 230000000694 effects Effects 0.000 description 11
- 239000000284 extract Substances 0.000 description 11
- 235000013305 food Nutrition 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000005259 measurement Methods 0.000 description 8
- 235000021152 breakfast Nutrition 0.000 description 7
- 206010012601 diabetes mellitus Diseases 0.000 description 7
- 230000007613 environmental effect Effects 0.000 description 7
- 230000003914 insulin secretion Effects 0.000 description 6
- 238000000034 method Methods 0.000 description 6
- 238000009825 accumulation Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 230000036772 blood pressure Effects 0.000 description 4
- 230000036760 body temperature Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 230000000630 rising effect Effects 0.000 description 4
- VOUAQYXWVJDEQY-QENPJCQMSA-N 33017-11-7 Chemical compound OC(=O)CC[C@H](N)C(=O)N[C@@H](C)C(=O)N[C@@H](CCC(O)=O)C(=O)N[C@@H](CC(O)=O)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H](C(C)C)C(=O)NCC(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H](C(C)C)C(=O)N[C@@H](CCC(O)=O)C(=O)N[C@@H](CC(C)C)C(=O)NCC(=O)NCC(=O)NCC(=O)N1CCC[C@H]1C(=O)NCC(=O)N[C@@H](C)C(=O)NCC(=O)N[C@@H](CO)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CCC(N)=O)C(=O)N1[C@H](C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](C)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CCC(O)=O)C(=O)NCC(=O)N[C@@H](CO)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CCC(N)=O)C(O)=O)CCC1 VOUAQYXWVJDEQY-QENPJCQMSA-N 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 3
- 108010075254 C-Peptide Proteins 0.000 description 3
- 206010022489 Insulin Resistance Diseases 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 3
- 210000000577 adipose tissue Anatomy 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 208000001072 type 2 diabetes mellitus Diseases 0.000 description 3
- 125000002066 L-histidyl group Chemical group [H]N1C([H])=NC(C([H])([H])[C@](C(=O)[*])([H])N([H])[H])=C1[H] 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000037396 body weight Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 235000011888 snacks Nutrition 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000011282 treatment Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000011328 necessary treatment Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000007958 sleep Effects 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000002618 waking effect Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
Description
本発明は、血糖値予測システムに関する。 The present invention relates to a blood sugar level prediction system.
糖尿病や生活習慣病などの治療においては、個人のデータを記録して、その推移を見守るとともに、必要な処置を施していくことが重要である。特に、血糖値に関してはユーザーの摂取エネルギー情報や消費エネルギー情報と血糖値の変化情報を記録・管理しておくことは、今後の血糖値の推移を予測するうえで重要である。しかし、これらの情報はユーザー個人のみが保有する情報であって、同様な病状のユーザー相互の情報を活用することはできなかった。 In the treatment of diabetes and lifestyle-related diseases, it is important to record personal data, watch the transition and take necessary treatments. In particular, regarding the blood sugar level, recording and managing the user's ingested energy information, consumed energy information, and blood sugar level change information is important for predicting the future blood sugar level transition. However, these pieces of information are information held only by individual users, and it was impossible to utilize information between users having similar medical conditions.
そこで、個人の病状、生活態様にあった消費エネルギー情報(運動プログラム)と摂取エネルギー情報(食事情報)を配信することが考えられた。例えば、インターネット網に接続されたデータベース装置に配信する食事情報と運動プログラムとを蓄積し、蓄積されている食事情報と運動プログラムを検索し、インターネット網を通して食事情報と運動プログラムをユーザーの要求に応じて配信するデータベース装置が提案されている(例えば、特許文献1参照)。 Therefore, it has been considered to distribute energy consumption information (exercise program) and intake energy information (meal information) suitable for an individual's medical condition and lifestyle. For example, meal information and exercise programs to be distributed to a database device connected to the Internet network are stored, the stored meal information and exercise programs are searched, and the meal information and exercise programs are responded to user requests through the Internet network. A database apparatus that distributes data has been proposed (see, for example, Patent Document 1).
糖尿病や生活習慣病では、同じ病状、生活態様であってもその改善度合いには個人差がある。上述した特許文献1によれば、ユーザーは、インターネット網を通して食事情報と運動プログラムを入手することが可能であるが、ユーザーが、データベース装置内に蓄積されている他のユーザーの情報を入手することができなかった。従って、複数のユーザーの情報を共有化することによりユーザー自身の病状や生活態様を改善するための参考にすることはできない。
In diabetes and lifestyle-related diseases, there are individual differences in the degree of improvement even in the same medical condition and lifestyle. According to
本発明は、上述の課題の少なくとも一部を解決するためになされたものであり、以下の形態または適用例として実現することが可能である。 SUMMARY An advantage of some aspects of the invention is to solve at least a part of the problems described above, and the invention can be implemented as the following forms or application examples.
[適用例1]本適用例に係る血糖値予測システムは、血糖値を予測する対象のユーザー個人が摂取した摂取エネルギー情報を取得する摂取エネルギー取得部と、前記ユーザー個人が消費した消費エネルギー情報を取得する消費エネルギー取得部と、前記ユーザー個人の個体差及び環境変数を含むユーザー属性を入力する操作部と、前記摂取エネルギー情報と前記消費エネルギー情報を用いて予測血糖値曲線を作成する生成部と、を有する血糖値予測装置と、複数のユーザーそれぞれのユーザー情報及び前記ユーザー属性とを収集・蓄積する情報収集部と、前記ユーザー個人が要求する前記ユーザー属性に対応する前記ユーザー情報から前記ユーザー個人の共通性を有する特徴を抽出してデータマイニング処理を行うデータマイニング部と、を有するデータベース装置と、を備えていることを特徴とする。 [Application Example 1] A blood glucose level prediction system according to this application example includes an intake energy acquisition unit for acquiring intake energy information taken by an individual user who predicts a blood glucose level, and energy consumption information consumed by the individual user. An acquired energy consumption unit, an operation unit for inputting user attributes including individual differences and environmental variables of the individual user, a generating unit for creating a predictive blood sugar curve using the intake energy information and the consumed energy information; A blood glucose level predicting device, an information collecting unit that collects and stores user information and user attributes of each of a plurality of users, and the user information corresponding to the user attributes requested by the individual user. A data mining unit that performs data mining processing by extracting features having commonality Characterized in that it comprises a database apparatus for, the.
本適用例によれば、ユーザーは、自身のユーザー属性と共通性があるデータベース装置に蓄積されたユーザー属性を検索し、他の多数のユーザーの中から自身のユーザー属性に近いユーザー情報を抽出して、このユーザー情報を参考にして血糖値の予測精度を高めると共に、生活態様の管理・改善に活用することができる。 According to this application example, a user searches for user attributes stored in a database device that is common to his / her user attributes, and extracts user information close to his / her user attributes from among many other users. Thus, it is possible to improve the accuracy of blood glucose prediction with reference to this user information, and to utilize it for managing and improving the lifestyle.
また、血糖値予測装置の情報蓄積が少ないユーザーであっても、データベース装置に長期間にわたって蓄積されたユーザー情報を抽出することによって、血糖値の予測精度を高めることができるという効果がある。 Moreover, even if the user has little information stored in the blood sugar level predicting apparatus, it is possible to improve the accuracy of predicting the blood sugar level by extracting the user information stored in the database device over a long period of time.
[適用例2]上記適用例に係る血糖値予測システムは、前記データマイニング部で抽出された前記ユーザー情報に基づき、前記生成部により前記ユーザー個人の予測血糖値曲線を変形することが好ましい。 Application Example 2 In the blood glucose level prediction system according to the application example described above, it is preferable that the generation unit deforms the predicted blood glucose level curve of the individual user based on the user information extracted by the data mining unit.
データベース装置に蓄積された他のユーザーの情報を用いて、血糖値予測装置によりユーザー個人の予測血糖値曲線を変形(補正)することにより、血糖値の予測誤差を低減することができる。特に、情報蓄積の期間が短いユーザーにとって、ユーザー属性に共通の特徴を有し長期間にわたって蓄積された他のユーザーを活用することで血糖値予測精度を高めることを可能にする。 The blood glucose level prediction error can be reduced by transforming (correcting) the predicted blood glucose level curve of the individual user using the blood glucose level prediction device using the information of other users stored in the database device. In particular, it is possible for users with a short information accumulation period to improve blood glucose prediction accuracy by utilizing other users who have common characteristics in user attributes and accumulated over a long period of time.
[適用例3]上記適用例に係る血糖値予測システムは、前記ユーザーの個体差には、ユーザー個人の生体情報及びバイタルサインのいずれかが含まれていることが望ましい。 Application Example 3 In the blood sugar level prediction system according to the application example described above, it is preferable that the individual difference of the user includes any one of the biometric information of the user and the vital sign.
ここで、生体情報には、例えば年齢、性別、身長、体重、体重BMI値(ボディマス指数:Body Mas Index)体脂肪値等が含まれており、バイタルサインには、例えば脈拍数、心拍数、血圧、体温等が含まれ、糖尿病患者の場合には血糖値、C−ペプチド、インスリン抵抗指数が含まれる。これらは、血糖値測定対象ユーザーの身体的特徴を表す情報であって、これらの幾つかの情報に共通性がある他のユーザーの情報を検索することでユーザーにより近い他のユーザーの情報を抽出することが可能となる。このことによって、情報蓄積が少ないユーザーも血糖値の予測精度を高めることができる。 Here, the biological information includes, for example, age, sex, height, weight, body weight BMI value (Body Mass Index) body fat value, and the vital signs include, for example, pulse rate, heart rate, Blood pressure, body temperature, and the like are included, and in the case of a diabetic patient, blood glucose level, C-peptide, and insulin resistance index are included. These are information that represents the physical characteristics of the blood glucose measurement target user, and information on other users who are closer to the user can be extracted by searching for other users' information that has some common information. It becomes possible to do. As a result, a user with little information accumulation can improve the accuracy of blood sugar level prediction.
[適用例4]上記適用例に係る血糖値予測システムは、前記ユーザーの環境変数には、ユーザー個人の生活環境に関わる内容が含まれていることが望ましい。 Application Example 4 In the blood sugar level prediction system according to the application example described above, it is desirable that the environment variables of the user include contents relating to the personal environment of the user.
ここで、環境変数には、例えば家族構成、地域性、職業、性格、過去の病歴、趣味等が含まれる。これらの情報は、血糖値の変化に間接的に影響するものであって、これらの情報を前述した生体情報とバイタルサインの幾つかに加えて検索することで、さらに血糖値予測の精度を高めることができると共に、生活態様の管理・改善の参考にすることができる。 Here, the environmental variables include, for example, family composition, regionality, occupation, personality, past medical history, hobbies, and the like. These information indirectly affect changes in blood glucose level, and by searching for these information in addition to some of the biological information and vital signs described above, the accuracy of blood glucose level prediction is further improved. It can be used as a reference for management and improvement of lifestyle.
[適用例5]上記適用例に係る血糖値予測システムは、前記血糖値予測装置と前記データベース装置は、ネットワークで接続されていることが望ましい。 Application Example 5 In the blood sugar level prediction system according to the application example, it is preferable that the blood sugar level prediction apparatus and the database apparatus are connected via a network.
ここで、ネットワークとは、例えばインターネット網、電話回線(携帯電話含む)等のいずれかを採用できる。このようにすれば、データベース装置に対して遠隔地に生活する個人ユーザーがデータベース装置に容易にアクセスすることができる。
なお、アクセスとは、血糖値予測装置の情報をデータベース装置に入力すること、データベース装置により抽出された情報を血糖値予測装置に取り込むことを含む。
Here, for example, an Internet network, a telephone line (including a mobile phone), or the like can be adopted as the network. In this way, an individual user who lives remotely from the database device can easily access the database device.
The access includes inputting information of the blood sugar level prediction device into the database device and taking in information extracted by the database device into the blood sugar level prediction device.
[適用例6]上記適用例に係る血糖値予測システムは、前記データベース装置には、前記ユーザー個人を特定する認証部が備えられていることが望ましい。 Application Example 6 In the blood glucose level prediction system according to the application example described above, it is preferable that the database device includes an authentication unit that identifies the user.
データベース装置に蓄積されている情報は個人の機微のセキュリティー情報である。よって、事前に登録されたユーザーを認証することにより、個人情報の流出を防止することができる。 Information stored in the database device is sensitive personal security information. Therefore, it is possible to prevent leakage of personal information by authenticating a user registered in advance.
以下、本発明の実施形態を図面を参照して説明する。
(実施形態1)
Hereinafter, embodiments of the present invention will be described with reference to the drawings.
(Embodiment 1)
図1は、実施形態1に係る血糖値予測システムの主たる構成を表す構成説明図である。図1において、血糖値予測システム1は、ユーザー個人一人ひとりの予測血糖値曲線を作成して出力する血糖値予測装置10と、複数のユーザーの血糖値予測装置からの情報を収集・蓄積し、これらの情報からユーザーの共通性のある特徴を抽出するデータベース装置としての血糖値サーバー300とから構成され、血糖値予測装置10と血糖値サーバー300とは、ネットワーク(図示せず)によって接続されている。
FIG. 1 is a configuration explanatory diagram illustrating a main configuration of a blood sugar level prediction system according to the first embodiment. In FIG. 1, a blood glucose
なお、図1では複数のユーザー群としてAさん〜Eさんを図示しているが、実際には多数のユーザーが存在し、それぞれが血糖値予測装置10を有している。以降、ユーザー群を代表してユーザー個人(例えば、Aさん)として説明する。
In FIG. 1, A to E are illustrated as a plurality of user groups, but there are actually a large number of users, each having a blood glucose
まず、血糖値サーバー300について図1を参照して説明する。本実施形態による血糖値サーバー300は、本システム専用のサーバーである。但し、後述する機能を備えていればwebサーバーと兼用することも可能である。血糖値サーバー300は、予め登録された複数のユーザーそれぞれが保有する血糖値予測装置10からの情報(血糖値予測装置の項で後述する)を収集する情報収集部340と、情報収集部340に蓄積されたユーザーの情報をもとにデータマイニング処理を行うデータマイニング部310と、ユーザー個人の特定(認証)を行う認証部380と、血糖値予測装置10との間で情報の授受を行う通信部370とを備えて構成されている。
First, the blood
情報収集部340には、多数の血糖値予測装置10から情報を収集する情報検索部350と、記憶部360と、が備えられている。情報検索部350ではさらに、データマイニング部310から指定された情報を血糖値予測装置10から収集する機能、データマイニング部310から指定された情報を多数の血糖値予測装置10から選択して収集する機能を有する。そして、記憶部360は、情報検索部350、及びデータマイニング部310が収集した情報を蓄積する。
The
データマイニング部310は、記憶部360に蓄積された情報をもとにデータマイニング処理を行うマイニング部320と、指定されたユーザー属性に対応するデータマイニング処理された情報を抽出する特徴抽出部330を備える。特徴抽出部330では、ユーザー属性に対応して集める情報の特徴を選択する。
The
データマイニング処理は、統計学的、パターン認識等のデータ解析の技法を用いて、大量のデータを網羅的に適用する処理方法であって、ユーザー個人毎の摂取エネルギー情報、消費エネルギー情報、血糖値情報に基づくユーザー情報を作成し、これらをユーザー属性に紐付けして情報収集部340(記憶部360)に蓄積する。 Data mining processing is a processing method that comprehensively applies a large amount of data using data analysis techniques such as statistical and pattern recognition, and each user's individual intake energy information, energy consumption information, blood glucose level User information based on the information is created, and these are associated with user attributes and stored in the information collection unit 340 (storage unit 360).
続いて、血糖値予測装置について説明する。なお、血糖値予測装置はユーザー一人ひとりが所有するものである。
図2は、実施形態1に係る血糖値予測装置の主たる構成を示す構成説明図である。血糖値予測装置10は、制御部110と、活動量測定部120と、操作部130と、記憶部140と、表示部150と、計時部160と、通信部370とを備えて構成されている。
Next, the blood sugar level prediction apparatus will be described. The blood sugar level predicting device is owned by each user.
FIG. 2 is a configuration explanatory diagram illustrating a main configuration of the blood sugar level prediction apparatus according to the first embodiment. The blood glucose
制御部110は、CPU(Central Processing Unit)とROM(Read Only Memory)及びRAM(Random Access Memory)のメモリーを含み、RAMをワーキングエリアとしてROMに予め記憶されている制御プログラムを実行することにより、制御部110と接続されている各部を制御する。なお、制御部110の詳細については図6を参照して後述する。
The
活動量測定部120は、ユーザーが消費した消費カロリーを求め、求めた消費カロリーを消費エネルギー情報として制御部110へ送出する。活動量測定部120は、例えば、ユーザーの運動状態を検出するための加速度センサーや速度センサー等のセンサーを有し、ユーザーの歩行や歩行以外の運動などの動作によって検出された上記センサーからの出力信号を予め定義された演算式を用いて消費エネルギーに変換する。なお、加速度センサーとしては、検出方向の多様性をもたせるために3軸加速度センサーとすることが好ましい。
また、消費カロリーを精度よく求めるため、脈波RR間隔・体温・血圧・睡眠などの生体データを、光学検出、電気信号検出、圧力検出などを用いて検出してもよい。
The activity
In addition, in order to obtain calorie consumption with high accuracy, biological data such as pulse wave RR intervals, body temperature, blood pressure, and sleep may be detected using optical detection, electrical signal detection, pressure detection, and the like.
操作部130は、例えば、数字や文字等の入力キーを有する操作ボタン群を有し、ユーザーによって操作された入力キーに対応する操作信号を制御部110へ送出する。本実施形態では、特に、操作部130は、測定されたユーザーの血糖値データを入力すると共に、ユーザーが摂取した食事内容を示す食事メニュー情報やユーザーが行った運動内容を示す運動種別情報のデータ、及びユーザー個人の個体差及び環境変数を含むユーザー属性を制御部110に入力する。
The
さらに、操作部130は、血糖値予測装置10の情報を前述した血糖値サーバー300に入力し、血糖値サーバー300が抽出した情報を血糖値予測装置10に取り込む機能と、ユーザー個人を特定するパスワード等を登録する機能を有する。
Further, the
記憶部140は、不揮発性の記憶媒体で構成され、ユーザーの過去の血糖値に関する情報を含むユーザー情報200や、食事メニュー情報211、運動種別情報212及びユーザー個人のユーザー属性213等のテーブルを記憶している。食事メニュー情報211、運動種別情報212、ユーザー情報200及びユーザー属性213の詳細については、図3、図4、図5を参照して後述する。
The
表示部150は、液晶ディスプレイ等の表示装置で構成され、操作部130によって入力された情報、血糖値サーバー300から入手した情報や、制御部110の制御に従い食事メニュー情報211や運動種別情報212の入力画面や血糖値の予測曲線等の各種画像を表示する。
計時部160は、所定のクロックをカウントして時刻を計時する。
The
The
通信部370は、血糖値予測装置10と血糖値サーバー300との間においてネットワークを介して情報の授受を行う。
The
続いて、記憶部140に含まれる食事メニュー情報211、運動種別情報212、ユーザー情報200、ユーザー属性213について順に説明する。
図3(a)は、食事メニュー情報の一例を示す表である。食事メニュー情報211には、単品の食品名や料理名等の食事メニューと食事メニューに対応する摂取カロリーが記憶されている。食事メニュー情報211は、ユーザーが食事情報を入力する際に参照される。
図3(b)は、運動種別情報の一例を示す表である。運動種別情報212には、運動種別と運動内容とが記憶されている。運動種別情報212は、ユーザーが運動情報を入力する際に参照される。
Next,
FIG. 3A is a table showing an example of meal menu information. In the
FIG. 3B is a table showing an example of exercise type information. The
次に、ユーザー情報200について説明する。
図4はユーザー情報を表し、(a)は血糖値情報の一例を表す説明図、(b)は行動情報の一例を表す表である。ユーザー情報200には、図4(a)に示す血糖値情報200aと、図4(b)に示す行動情報200bとが含まれている。
血糖値情報200aには、例えば、ユーザーが過去に糖尿病に関する教育入院を行ったとき等の、教育入院期間において測定された毎日の血糖値と行動履歴(食事と運動の履歴)が記憶されている。
Next, the
FIG. 4 shows user information, (a) is an explanatory diagram showing an example of blood glucose level information, and (b) is a table showing an example of behavior information. The
The blood
図4(a)は、その一例として、2010年2月1日と2月2日のユーザーの血糖値情報200aを示している。この図の波形41は、ユーザーの血糖値の時系列変化を表している。また、時間軸における「朝食」、「散歩」、「昼食」・・・等は、ユーザーが摂った食事や運動のタイミング等の行動履歴を示している。
FIG. 4A shows blood
図4(b)は、図4(a)の各行動履歴に対応する行動情報200bを示しており、各行動履歴に対応する行動内容(食事内容、運動内容)と、行動内容に対応する摂取カロリーと消費カロリーとが対応づけられている。
例えば、図4(a)の2010年2月1日の朝食の食事内容は「和食A」であり、和食Aの摂取カロリーは「500kcal」であったことを示している。また、図4(a)の2010年2月1日の午前に行った「散歩」の消費カロリーは「50kcal」であったことを示している。
このように、ユーザー情報200には、ユーザーの過去の行動履歴に対応する血糖値の変化と、ユーザーの行動に対する摂取カロリーと消費カロリーと、が含まれている。
FIG. 4B shows
For example, the meal content of the breakfast on February 1, 2010 in FIG. 4A is “Japanese food A”, and the intake calorie of Japanese food A is “500 kcal”. Further, it is shown that the calorie consumption of “walk” performed in the morning of February 1, 2010 in FIG. 4A was “50 kcal”.
Thus, the
次に、ユーザー属性213について説明する。
図5は、ユーザー属性の1例を示す表である。ユーザー属性には、ユーザー個人の個体差と環境変数が含まれる。個体差は、ユーザー個人の生体データ及びバイタルサインを含んでいる。生体データには、例えば年齢、性別、身長、体重、体重BMI値、体脂肪値が含まれており、バイタルサインとしては、脈拍数、心拍数、血圧、体温等が含まれる。バイタルサインは平均値または起床時の平均値とする。なお、ユーザーが糖尿病の場合には血糖値、C−ペプチド、インスリン抵抗指数を含むことが望ましい。これらは、血糖値測定対象ユーザーの身体的特徴を表す情報である。
Next, the
FIG. 5 is a table showing an example of user attributes. User attributes include individual differences among individual users and environmental variables. Individual differences include biometric data and vital signs of individual users. The biometric data includes, for example, age, sex, height, weight, body weight BMI value, and body fat value, and vital signs include pulse rate, heart rate, blood pressure, body temperature, and the like. Vital signs are average values or average values when waking up. In addition, when a user has diabetes, it is desirable to include a blood glucose level, C-peptide, and an insulin resistance index. These are information representing the physical characteristics of the blood glucose level measurement target user.
環境変数には、家族構成、地域性、職業、性格、過去の病歴、趣味等が含まれる。環境変数は、ユーザー個人の生活環境に関わる内容が含まれ、血糖値の変化に間接的に影響するものと考えられている。
これら個体差と環境変数のうちの幾つかを選択し、または全部を操作部130から制御部110に入力する。
Environmental variables include family composition, regionality, occupation, personality, past medical history, hobbies, and the like. The environmental variable includes contents related to the individual living environment of the user, and is considered to indirectly influence the change in blood glucose level.
Some of these individual differences and environmental variables are selected, or all are input from the
次に、制御部110の機能構成について図面を参照して説明する。
図6は、制御部の主たる構成を表す機能構成図である。制御部110には、摂取エネルギー取得部111と、消費エネルギー取得部112と、算出部113と、解析部114及び生成部115と、通信部370と、が含まれる。
Next, the functional configuration of the
FIG. 6 is a functional configuration diagram illustrating a main configuration of the control unit. The
摂取エネルギー取得部111は、ユーザーが入力する血糖値データと、摂取エネルギー情報としてユーザーが入力する食事情報を取得し、取得した食事情報と食事メニュー情報211に基づいて、食事情報に対応する摂取カロリーを算出する。
消費エネルギー取得部112は、ユーザーの消費エネルギー情報として消費カロリーを活動量測定部120から一定時間毎に取得する。
The intake
The consumed
算出部113は、摂取エネルギー取得部111で求めた摂取カロリーと予め定められた第1の予測アルゴリズムに基づいて、摂取カロリーに対する血糖値の変化を予測した予測曲線(以下、第1予測曲線と称する)を作成する。さらに、算出部113は、消費エネルギー取得部112で取得された消費カロリーと予め定められた第2の予測アルゴリズムに基づいて、消費カロリーに対する血糖値の変化を予測した予測曲線(以下、第2予測曲線と称する)を作成する。
The
続いて、第1予測曲線と第2予測曲線の作成について説明する。
図7(a)は、第1予測曲線の一例を示す説明図である。第1予測曲線は、摂取カロリーと第1の予測アルゴリズムとに基づいて求められる。第1予測曲線は、遅延期間d1、上昇期間d2、平衡期間d3、及び下降期間d4を有する。以下、各期間における血糖値曲線を求める第1の予測アルゴリズムの一例を説明する。
Next, creation of the first prediction curve and the second prediction curve will be described.
FIG. 7A is an explanatory diagram illustrating an example of the first prediction curve. The first prediction curve is obtained based on the calorie intake and the first prediction algorithm. The first prediction curve has a delay period d1, a rising period d2, an equilibrium period d3, and a falling period d4. Hereinafter, an example of the 1st prediction algorithm which calculates | requires the blood glucose level curve in each period is demonstrated.
遅延期間d1は、食事摂取を開始してから食事開始時における血糖値(基準値)C0を超えるまでの期間を示している。遅延期間d1は、食事の開始時点から予め定められた時間(例えば、15分)が設定されおり、食事開始時の血糖値C0を維持している。なお、食事開始時の血糖値C0は、当該時刻においてユーザーが測定した血糖値を用いるが、測定できなかった場合には、例えば、予め設定されたユーザーの血糖値の標準値等を用いるようにしてもよい。 The delay period d1 indicates a period from the start of eating a meal until the blood glucose level (reference value) C0 at the start of the meal is exceeded. The delay period d1 is set to a predetermined time (for example, 15 minutes) from the start of the meal, and maintains the blood glucose level C0 at the start of the meal. Note that the blood glucose level C0 at the start of the meal uses the blood glucose level measured by the user at the time, but if the measurement cannot be made, for example, a preset standard value of the user's blood glucose level is used. May be.
上昇期間d2は、遅延期間d1の終期から始まり、血糖値が上昇を開始して血糖値がピークとなる値(ピーク値)に到達するまでの期間を示している。ピーク値は、傾きS1で血糖値が上昇し、食事開始時の血糖値C0に血糖値の上昇量h11を合算した値である。
血糖値の上昇量h11は、例えば、h11=(摂取カロリー)×(インスリン分泌量)×(係数α)で求められる。本実施形態では、インスリン分泌量と係数α(但し、α>0)は、ユーザーに応じて予め設定された固定値である。なお、インスリン分泌量及び係数は、予め設定された固定値だけなく、ユーザー属性(年齢、性別、身長、体重等)に応じて定められた値や可変値であってもよい。
The rising period d2 indicates a period starting from the end of the delay period d1 until the blood sugar level starts to rise and reaches a peak value (peak value). The peak value is a value obtained by adding the blood glucose level increase h11 to the blood glucose level C0 at the start of the meal, with the blood glucose level increasing at the slope S1.
The blood glucose level increase amount h11 is obtained, for example, by h11 = (calorie intake) × (insulin secretion amount) × (coefficient α). In this embodiment, the insulin secretion amount and the coefficient α (where α> 0) are fixed values set in advance according to the user. The insulin secretion amount and the coefficient may be not only fixed values set in advance, but also values or variable values determined according to user attributes (age, sex, height, weight, etc.).
平衡期間d3は、上昇期間d2の終期から血糖値のピーク値を維持している期間であり、本実施形態では、予め定義された固定値が設定されている。例えば、摂取カロリーとユーザーに固有の係数とを乗算した値を、前回の摂取カロリーとの差に応じた係数で除算する等、摂取カロリーと予め定められた演算式とを用いて平衡期間d3を求めるようにしてもよい。 The equilibrium period d3 is a period during which the peak value of the blood sugar level is maintained from the end of the rising period d2, and a fixed value defined in advance is set in this embodiment. For example, a value obtained by multiplying the calorie intake by a user-specific coefficient is divided by a coefficient corresponding to the difference from the previous calorie intake, and the equilibrium period d3 is calculated using the calorie intake and a predetermined arithmetic expression. You may make it ask.
下降期間d4は、平衡期間d3の終期から血糖値が傾きS2で下降を開始して基準値に到達するまでの期間を示している。つまり、下降期間d4は、血糖値がピーク値から基準値(食事開始時の血糖値C0)に戻るまでの期間である。
傾きS2は、例えば、S2=(摂取カロリー)×(係数β)で求められる。本実施形態では、係数βは、ユーザーに応じて予め定められた固定値(但し、β<0)であるが、ユーザー属性(年齢、性別、身長、体重等)に応じて予め定められた値や可変値であってもよい。
The falling period d4 indicates a period from the end of the equilibrium period d3 until the blood sugar level starts to decrease at the slope S2 and reaches the reference value. That is, the descent period d4 is a period until the blood glucose level returns from the peak value to the reference value (blood glucose level C0 at the start of the meal).
The slope S2 is obtained by, for example, S2 = (calorie intake) × (coefficient β). In the present embodiment, the coefficient β is a fixed value that is predetermined according to the user (where β <0), but the value that is predetermined according to the user attributes (age, gender, height, weight, etc.) Or a variable value.
次に、第2予測曲線について説明する。
図7(b)は、第2予測曲線の一例を示す説明図である。第2予測曲線は、消費カロリーと第2の予測アルゴリズムとに基づいて求められる。第2予測曲線は、遅延期間e1と下降期間e2を含んで構成されている。以下、各期間における血糖値曲線を求める第2の予測アルゴリズムの一例を説明する。
Next, the second prediction curve will be described.
FIG. 7B is an explanatory diagram illustrating an example of the second prediction curve. The second prediction curve is obtained based on the calorie consumption and the second prediction algorithm. The second prediction curve includes a delay period e1 and a falling period e2. Hereinafter, an example of the 2nd prediction algorithm which calculates | requires the blood glucose level curve in each period is demonstrated.
遅延期間e1は、運動を開始してから血糖値が下降し始めるまでの期間を示し、運動開始時の血糖値が維持される期間である。本実施形態では、遅延期間e1には、予め定められた期間(例えば、2分)が設定されている。下降期間e2は、遅延期間e1の終期から傾きS3(単位時間当たりの血糖値の低下量ΔC)で血糖値が下降する期間である。
血糖値の低下量ΔCは、例えば、ΔC=(消費カロリー)×(インスリン分泌量)×(係数γ)で求められる。消費カロリーは、活動量測定部120において計測されたユーザーの消費カロリーであり、本実施形態では、ユーザーが運動を意識していない通常の動作時においても活動量測定部120によりユーザーの消費カロリーが算出されて逐次入力される。
The delay period e1 indicates a period from the start of exercise until the blood sugar level starts to decrease, and is a period during which the blood sugar level at the start of exercise is maintained. In the present embodiment, a predetermined period (for example, 2 minutes) is set as the delay period e1. The falling period e2 is a period during which the blood sugar level falls with a slope S3 (the amount of decrease in blood sugar level per unit time ΔC) from the end of the delay period e1.
The blood glucose level reduction amount ΔC is obtained, for example, by ΔC = (calorie consumption) × (insulin secretion amount) × (coefficient γ). The calorie consumption is the user's calorie consumption measured by the activity
なお、インスリン分泌量はユーザーに応じて予め設定された固定値であり、係数γ(但し、γ<0)は、血糖値に応じた可変値であってもよいし、ユーザー属性(年齢、性別、身長、体重等)に応じて定められた固定値であってもよい。 The insulin secretion amount is a fixed value set in advance according to the user, and the coefficient γ (where γ <0) may be a variable value according to the blood glucose level, or the user attribute (age, gender) , Height, weight, etc.) may be fixed values.
続いて、図6を参照して解析部114について説明する。
解析部114は、操作部130から入力された摂取エネルギー情報としての食事情報(食事メニュー情報211)に対応するユーザー情報200を抽出する抽出条件を用いてユーザー情報200を抽出し、抽出したユーザー情報200を用いて当該食事情報に対するユーザーの血糖値の変化傾向を解析する。
Next, the
The
具体的には、例えば、入力された食事メニューが和食Aの場合、和食Aを摂取したときの血糖値の変化を表す波形として和食Aを摂取した時点から次の行動(食事又は運動)が行われるまでの期間の波形データが抽出される。図4(a)に示す血糖値情報200aの例では、2010年2月1日の朝食を摂取した時点から次の行動、つまり散歩が行われるまでの期間の波形データが抽出される。なお、散歩が行われなければ、朝食を摂取した時点から昼食を摂取するまでの期間の波形データが抽出される。このようにして、同じ食事内容を摂取したときの行動内容に対応する血糖値の変化を表す波形を第1モデル波形として抽出する。なお、複数の波形が抽出された場合には、解析部114は、抽出した複数の波形を平均化する等の処理を行い、当該食事情報に対する血糖値の変化傾向を示す第1モデル波形を生成する。
Specifically, for example, when the input meal menu is Japanese food A, the next action (meal or exercise) is performed from the time when Japanese food A is ingested as a waveform representing a change in blood glucose level when Japanese food A is ingested. Waveform data for a period until it is displayed is extracted. In the example of the blood
また、解析部114は、操作部130から入力された運動情報(運動種別情報)と対応するユーザー情報200を抽出する抽出条件を用いてユーザー情報200を抽出し、抽出したユーザー情報200を用いて運動情報に対するユーザーの血糖値の変化傾向を解析する。本実施形態では、活動量測定部120によりユーザーの消費カロリーが逐次算出されるように構成されているが、算出された消費カロリーがどのような動作を行ったときのものであるかを区別するために、通常の動作以外の運動については、ユーザーが運動を行う前に運動種別を入力する。
Further, the
具体的には、例えば、入力された運動内容がウォーキングである場合には、ウォーキングを行ったときの血糖値の変化を表す波形として、図4(a)に示す血糖値情報200aにおける2010年2月1日のウォーキング開始時から次の行動、つまり軽食を摂取するまでの波形データが抽出される。このようにして、同じ運動を行ったときの血糖値の変化を表す波形を第2モデル波形として抽出する。なお、複数の波形が抽出された場合には、解析部114は、抽出された複数の波形を平均化する等の処理を行い、当該運動情報に対する血糖値の変化傾向を示す第2モデル波形を生成する。
Specifically, for example, when the input exercise content is walking, a waveform representing a change in blood glucose level when walking is performed, and the blood
なお、第2の予測アルゴリズムにおけるインスリン分泌量はユーザーに応じて予め設定された固定値であり、係数γの調整は、血糖値に応じた可変値であってもよいし、ユーザー属性(年齢、性別、身長、体重等)に応じて定められた固定値であってもよい。 Note that the amount of insulin secretion in the second prediction algorithm is a fixed value set in advance according to the user, and the adjustment of the coefficient γ may be a variable value according to the blood glucose level, or user attributes (age, It may be a fixed value determined according to sex, height, weight, etc.
また、解析部114には、操作部130から前述したユーザー属性213が入力される。ユーザー属性213と制御部110内の各情報とは紐付けされている。
Further, the
次に、生成部115について説明する。
生成部115は、算出部113において算出された第1予測曲線及び第2予測曲線を、解析部114の解析結果に基づいて変形し、変形した第1予測曲線と第2予測曲線を統合して予測血糖値曲線を生成する。
Next, the
The
具体的には、生成部115は、第1予測曲線(図7(a)、参照)の上昇期間d2における血糖値のピーク値までの上昇量h11と、解析部114から出力される同じ食事内容を摂取したときの血糖値の変化を表す第1モデル波形のピーク値までの上昇量とを比較し、上昇量の差分が予め定めた閾値以上である場合には、第1予測曲線の上昇量h11が第1モデル波形の上昇量となるように係数αを調整する。
Specifically, the
また、生成部115は、第1予測曲線の平衡期間d3と、第1モデル波形において血糖値のピーク値が継続する継続期間とを比較し、平衡期間d3と継続期間との差分が予め定めた閾値以上である場合には、第1予測曲線の平衡期間d3を継続期間と一致させるように平衡期間d3を設定する。なお、第1モデル波形において、血糖値のピーク値が予め定められた閾値ΔCthの範囲内で下降している期間はピーク値が継続しているものとし閾値ΔCthの範囲を下回った時点を継続期間の終期と判断する。
Further, the
また、生成部115は、第1予測曲線の下降期間d4においてピーク値から血糖値が低下した低下量(h11)と、第1モデル波形のピーク値から血糖値が低下した低下量とを比較し、低下量の差分が予め定めた閾値以上である場合には、第1予測曲線の下降期間d4におけ低下量(h11)が第1モデル波形における低下量となるように、傾きS2の係数βを調整する。
In addition, the
生成部115は、第2予測曲線(図7(b)、参照)についても第1予測曲線と同様に変形する。具体的には、生成部115は、第2予測曲線の下降期間e2における血糖値の単位時間当たりの血糖値の低下量ΔCと、同じ運動を行ったときの血糖値の変化を表す第2モデル波形における血糖値の単位時間当たりの低下量とを比較し、低下量の差分が予め定めた閾値以上である場合には、第2予測曲線における血糖値の低下量ΔCを第2モデル波形における低下量となるように係数γを調整する。
The
生成部115は、上記のようにして第1予測曲線と第2予測曲線を各々変形し、変形した第1予測曲線と第2予測曲線とを統合した予測血糖値曲線を生成し、生成した予測血糖値曲線を表示部150へ出力する。
The
なお、本実施形態において、解析結果に基づいて予測曲線を変形する処理とは、運動情報、及び摂取エネルギー情報の解析結果に基づく波形(第1モデル波形、第2モデル波形)からユーザーの血糖値変化の特徴量を示すパラメーターを抽出し、予測曲線(第1予測曲線、第2予測曲線)においてこの特徴量に対応するパラメーターを抽出し、予測曲線のパラメーターを解析結果のパラメーターとなるように近づける処理である。 In addition, in this embodiment, the process which deform | transforms a prediction curve based on an analysis result is a user's blood glucose level from the waveform (1st model waveform, 2nd model waveform) based on the analysis result of exercise information and intake energy information. A parameter indicating the feature amount of the change is extracted, a parameter corresponding to the feature amount is extracted in the prediction curve (first prediction curve, second prediction curve), and the parameter of the prediction curve is brought closer to the analysis result parameter. It is processing.
生成部115によって形成された予測血糖値曲線は、操作部130を操作することによってユーザー属性213と紐付けされた状態で血糖値サーバー300に入力される。
The predictive blood sugar level curve formed by the
続いて、本実施形態における血糖値予測装置10の動作について説明する。
図8は、本実施形態における血糖値予測装置の動作フロー説明図である。なお、この動作フローは、血糖値予測装置10単独の動作フローを表している。本実施形態では、ユーザーによって毎日朝食前に血糖値が実測される。血糖値予測装置10は、その実測値を用いて、食事情報が入力される毎、ユーザーの消費カロリーが測定される毎に血糖値の予測を行い、予測血糖値曲線を出力する。
Subsequently, the operation of the blood sugar
FIG. 8 is an explanatory diagram of an operation flow of the blood sugar level predicting apparatus in the present embodiment. This operation flow represents the operation flow of the blood glucose
ユーザーは、実測した血糖値のデータを血糖値予測装置10の操作部130を介して入力する。制御部110は、操作部130を介して入力された血糖値データを入力時間と共に受付ける(ステップS11)と、入力された血糖値データを基準値C0(図7(a)、参照)として設定し、血糖値予測処理を開始する。
The user inputs actually measured blood glucose level data via the
ユーザーが操作部130を介して食事情報入力画面を表示させる操作を行うと、制御部110は、食事メニュー情報211の食事メニューを表示部150に表示し、ユーザーからの入力を受付ける(ステップS12)。
When the user performs an operation for displaying a meal information input screen via the
制御部110は、操作部130を介して食事メニューがユーザーによって入力されると(ステップS12:YES)、摂取エネルギー情報として、入力された食事メニューに対応する摂取カロリーを食事メニュー情報211から選択し、選択した摂取カロリーに対する第1予測曲線を第1の予測アルゴリズムを用いて算出する(ステップS13)。制御部110は、ステップS12において入力された食事メニューに対応するユーザー情報200を抽出し、食事情報に対する過去の血糖値の変化傾向を解析して第1モデル波形を生成する(ステップS14)。
When the meal menu is input by the user via the operation unit 130 (step S12: YES), the
次に、ステップS13において算出された第1予測曲線における各期間(d1,d2,d3,d4)の血糖値変化と、ステップS14において生成された第1モデル波形の血糖値変化とを比較し、比較結果に応じて第1予測曲線を変形する(ステップS15)。
また、制御部110は、消費エネルギー情報として、活動量測定部120において一定時間毎に計測されるユーザーの消費カロリーを活動量測定部120から受付け(ステップS16)、受付けた消費カロリーに対する第2予測曲線を第2の予測アルゴリズムを用いて算出する(ステップS17)。
Next, the blood glucose level change in each period (d1, d2, d3, d4) in the first prediction curve calculated in step S13 is compared with the blood glucose level change of the first model waveform generated in step S14. The first prediction curve is deformed according to the comparison result (step S15).
Moreover, the
ユーザーは、操作部130を介して運動情報入力画面を表示させる操作を行うと、制御部110は、運動種別情報212を表示部150に表示し、ユーザーからの入力を受付ける(ステップS18)。制御部110は、運動情報として、操作部130を介して運動種別がユーザーによって入力されると(ステップS18:YES)、入力された運動情報に対応するユーザー情報200を抽出し、運動情報に対する過去の血糖値の変化傾向を解析して第2モデル波形を生成する(ステップS19)。
When the user performs an operation to display the exercise information input screen via the
制御部110は、ステップS17において算出された第2予測曲線における下降期間e2の血糖値変化と、ステップS19において生成された第2モデル波形の血糖値変化とを比較し、比較結果に応じて第2予測曲線を変形する(ステップS20)。
The
制御部110は、第1予測曲線と第2予測曲線とを同一時間軸上で統合させた予測血糖値曲線を生成し、生成した予測血糖値曲線を示す画像を表示部150に表示する(ステップS21)。なお、ステップS12において、ユーザーにより食事情報が入力されなかった場合には(ステップS12:NO)、制御部110は、ステップS16の処理を行う。また、ステップS18において、ユーザーにより運動情報が入力されなかった場合には(ステップS18:NO)、制御部110は、ステップS21の処理を行う。
The
このように、制御部110では、摂取エネルギー情報と消費エネルギー情報とが入力される毎に第1予測曲線、第2予測曲線を算出し、算出された第1予測曲線と第2予測曲線に基づいて予測血糖値曲線を生成する。なお、ユーザーによって入力された血糖値データと食事情報と運動情報は、ユーザーの過去の血糖値に関する情報として制御部110により記憶部140のユーザー情報200として記憶されるようにしてもよい。
As described above, the
次に、上述した動作フローに従って血糖値予測装置10の具体的な動作例を説明する。なお、図8、図9、図10を参照して説明する。
図9(a)〜図9(c)は、第1予測曲線を変形する例を説明する説明図である。
図10(a)〜図10(c)は、第2予測曲線を変形する例を説明する説明図である。
まず、第1予測曲線について説明する。ユーザーは、操作部130を介して、朝食摂取前に血糖値を測定した血糖値データ「130」を入力し(ステップS11)、食事情報入力画面を表示させる操作を行い、食事情報として仮に「洋食C」を入力する(ステップS12)。制御部110は、「洋食C」に対応する摂取カロリーとして、食事メニュー情報211から「500kcal」を選択する。制御部110は、入力された血糖値データ「130」を基準値C0として設定し、摂取カロリー「500(kcal)」と第1の予測アルゴリズムを用いて図9(a)に示す第1予測曲線を算出、作成する(ステップS13)。
Next, a specific operation example of the blood glucose
Fig.9 (a)-FIG.9 (c) are explanatory drawings explaining the example which deform | transforms a 1st prediction curve.
Fig.10 (a)-FIG.10 (c) are explanatory drawings explaining the example which deform | transforms a 2nd prediction curve.
First, the first prediction curve will be described. The user inputs blood sugar level data “130” obtained by measuring the blood sugar level before taking breakfast through the operation unit 130 (step S11), and performs an operation of displaying a meal information input screen. "C" is input (step S12).
続いて、制御部110は、図4(a)に示す血糖値情報200aから食事情報「洋食C」を含む波形を抽出する。図4(a)の血糖値情報200aの例では、洋食Cが摂取された2010年2月2日の朝食時点から次の行動「水中ウォーキング」が開始されるまでの期間の波形データを抽出する。このようにして、制御部110により、食事情報「洋食C」が摂取されたときの波形データを血糖値情報200aから抽出し、抽出された波形データを平均化した図9(b)に示す第1モデル波形を生成する(ステップS14)。
Subsequently, the
制御部110は、図9(a)に示す第1予測曲線の各期間の血糖値変化と図9(b)に示す第1モデル波形の血糖値変化とを比較し、第1予測曲線を変形して図9(c)に示す第1予測曲線を生成する(ステップS15)。
続いて、図9(a)に示す第1予測曲線の上昇期間d2における血糖値の上昇量h11と、図9(b)に示す第1モデル波形の血糖値の上昇量h21(C4−C1)とを比較する。上昇量の差分が閾値以上である場合には、制御部110により、第1予測曲線における上昇量h11がh21(C4−C1)となるように、第1の予測アルゴリズムにおける係数αを調整する。
The
Subsequently, the blood glucose level increase amount h11 in the rising period d2 of the first prediction curve shown in FIG. 9A and the blood glucose level increase amount h21 (C4-C1) of the first model waveform shown in FIG. 9B. And compare. When the difference in the increase amount is equal to or greater than the threshold value, the
制御部110は、図9(b)の第1モデル波形の血糖値がピークとなる時間t1以降において、血糖値がピーク値から閾値ΔCth範囲内の時間t2までの継続期間d31(t2−t1)と、第1予測曲線における平衡期間d3とを比較する。継続期間d31と平衡期間d3との差分が閾値以上である場合には、制御部110により、平衡期間d3として継続期間d31を設定する。
After the time t1 when the blood glucose level of the first model waveform of FIG. 9B reaches the peak, the
制御部110は、図9(a)の第1予測曲線の下降期間d4における血糖値の低下量(h12)と、図9(b)の第1モデル波形の血糖値の低下量h22(C4−C2)とを比較する。低下量の差分が閾値以上である場合には、制御部110により、低下量h12を第1モデル波形における低下量h22となるように、第1の予測アルゴリズムにおける係数βを調整する。
The
制御部110は、ユーザーの消費エネルギー情報として、活動量測定部120から一定時間毎にユーザーの消費カロリーを受付けると(ステップS16)、受付けた消費カロリーと第2の予測アルゴリズムとを用いて図10(a)に示す第2予測曲線を算出する(ステップS17)。例えば、ユーザーは、運動「ウォーキング」を行う際には、当該運動開始時において、操作部130を介して、運動情報入力画面を表示部150に表示する操作を行い、運動種別情報212から運動種別「3」を選択し入力する(ステップS18:YES)。
When the
制御部110は、入力された運動種別「3」の運動内容「ウォーキング」に対応するユーザー情報200を抽出する。図4(a)の血糖値情報200aの例では、「ウォーキング」が行われた2010年2月1日のウォーキング開始時点から次の行動である「軽食」が摂取されるまでの期間の波形データが抽出される。このようにして、制御部110により、「ウォーキング」が行われたときの波形データを血糖値情報200aから抽出し、抽出された波形データを平均化した図10(b)に示す第2モデル波形を生成する(ステップS19)。
The
次に、第2予測曲線について説明する。
制御部110は、図10(a)に示す第2予測曲線の下降期間e2の血糖値変化と図10(b)に示す第2モデル波形の血糖値変化とを比較し、第2予測曲線を変形して図10(c)に示す第2予測曲線を生成する(ステップS20)。
図10(a),(b)の例では、制御部110により、第2予測曲線の下降期間e2領域における時間T0の血糖値の低下量ΔCと、第2モデル波形の血糖値の低下量ΔC1とを比較する。第2モデル波形における血糖値の低下量ΔC1は、時間t1〜t2の間に運動開始時の血糖値からh31だけ血糖値が低下したときの単位時間当たりの低下量である。単位時間当たりの低下量の差分が閾値以上である場合には、制御部110により、第2予測曲線における血糖値の低下量ΔCがΔC1となるように、第2の予測アルゴリズムにおける係数γを調整する。
Next, the second prediction curve will be described.
The
In the example of FIGS. 10A and 10B, the
制御部110は、ユーザーによって食事情報が入力される毎に当該食事情報に応じて変形した第1予測曲線と、活動量測定部120において測定された消費エネルギー情報に基づいて生成された第2予測曲線、又は、ユーザーによって入力された運動情報に応じて変形した第2予測曲線を統合した予測血糖値曲線を逐次生成し、生成した予測血糖値曲線を示す画像を表示部150に表示する(ステップS21)。
The
続いて、血糖値予測システム1の動作フローについて説明する。
図11は、血糖値予測システムの動作フロー説明図である。なお、図8も参照する。血糖値サーバー300には、血糖値予測装置から入力された多数のユーザー個人の情報、及びこの情報を基にデータマイニング処理がされた情報が蓄積されている。ユーザーは、血糖値予測装置10を立ち上げ、操作部130を操作し血糖値サーバー300にアクセスする。この際、ユーザーIDまたはパスワードを入力し、血糖値サーバー300と接続する。
Next, an operation flow of the blood sugar
FIG. 11 is an explanatory diagram of an operation flow of the blood sugar level prediction system. Reference is also made to FIG. The blood
血糖値サーバー300との接続を確認した後、参考にしたい検索対象のユーザー属性213を操作部130から入力する。例えば、身体的特徴が似ているユーザー情報が欲しい場合には、身長、体重、または体重BMI値を入力する。すると、情報検索部350が入力されたユーザー属性と同じか近いユーザー情報を情報検索部350によって検索し(ステップS31)し、選択したいユーザー属性に近いユーザー情報を収集し(ステップS32)、通信部370を介して血糖値予測装置10に送信し、血糖値予測装置10では記憶部140にその情報をコピーする(ステップS33)と共に、そのユーザー情報を表示部150に表示する。
After confirming the connection with the blood
ユーザーは、取得したユーザー情報が自身にとって参考にできるかどうかを判断し、参考にできないと判断した場合には、新たに、体脂肪、脈拍数、血圧、などの個体差の幾つかの情報を入力する。また、環境変数も加えて検索したい場合は、環境変数を追加入力し、抽出されたユーザー情報を記憶部140にコピーする。
The user determines whether or not the acquired user information can be used as a reference for himself / herself. input. If it is desired to search by adding environment variables, the environment variables are additionally input, and the extracted user information is copied to the
血糖値予測装置10を使用して間もないユーザー(情報の蓄積が少ないユーザー)は、コピーされたユーザー情報を用いて、摂食エネルギー情報に基づく第1予測曲線及び消費エネルギー情報に基づく第2予測曲線の変形を行うか判断し(ステップS34:YES)、第1予測曲線及び第2予測曲線の変形を行う(ステップS35)。そして第1予測曲線及び第2予測曲線と、を統合した予測血糖値曲線を作成する(ステップS36)。 A user who has just used the blood sugar level predicting device 10 (a user with little information accumulation) uses the copied user information to perform a second prediction curve based on the feeding energy information and a second based on the consumed energy information. It is determined whether to deform the prediction curve (step S34: YES), and the first prediction curve and the second prediction curve are deformed (step S35). Then, a predictive blood sugar level curve is created by integrating the first predictive curve and the second predictive curve (step S36).
第1予測曲線及び第2予測曲線の変形を行わない場合(ステップS34:NO)、表示されたユーザー情報を参考にして動作フローを終了する。 When the deformation of the first prediction curve and the second prediction curve is not performed (step S34: NO), the operation flow is ended with reference to the displayed user information.
さらに、血糖値の予測精度を高めたい場合には、図8に表す動作フローの一部に血糖値サーバー300に蓄積されたユーザー情報を用いて予測血糖値曲線を作成することができる。具体的には、ユーザー属性により血糖値サーバー300に蓄積されたユーザー情報の中から検索・抽出された食事情報に対する過去の血糖値変化傾向の解析し(ステップS14)、この解析結果に基づいて血糖値予測装置10内で作成されていた第1予測曲線を変形させる(ステップS15)。
Furthermore, when it is desired to improve the prediction accuracy of the blood sugar level, a predictive blood sugar level curve can be created using the user information stored in the blood
また、ユーザー属性により血糖値サーバー300に蓄積されたユーザー情報の中から検索・抽出された運動情報に対する過去の血糖値変化傾向の解析し(ステップS19)、この解析結果に基づいて血糖値予測装置10内で作成されていた第2予測曲線を変形させる(ステップS20)。
そして、変形された第1予測曲線及び第2予測曲線と、を統合した予測血糖値曲線を作成する(ステップS21)。
Further, the past blood sugar level change tendency is analyzed with respect to the exercise information retrieved and extracted from the user information accumulated in the blood
And the prediction blood glucose level curve which integrated the deformed 1st prediction curve and 2nd prediction curve is created (step S21).
従って、本実施形態によれば、ユーザーは、自身のユーザー属性と共通性がある血糖値サーバー300に蓄積されたユーザー属性を検索し、多数の他のユーザーのユーザー属性に対応するユーザー情報を検索・抽出して、血糖値の予測精度を高めることができると共に、食事や運動等の生活態様の管理・改善に活用することができる。
Therefore, according to the present embodiment, the user searches for user attributes stored in the blood
また、血糖値予測装置10のデータ蓄積が少ないユーザーであっても、血糖値サーバー300に長期間にわたって蓄積されたユーザー情報を活用することによって、血糖値の予測精度を高めることができるという効果がある。
In addition, even if the user of the blood glucose
血糖値サーバー300に蓄積された他の多数のユーザー情報の中からユーザー個人のユーザー属性213に近いユーザーのユーザー情報を用いて、予測血糖値曲線を変形することにより、血糖値の予測誤差を低減することができる。
By predicting the blood glucose level curve by using the user information of the user who is close to the
ユーザー属性213には、ユーザー個人の個体差と環境変数が含まれている。個体差には、ユーザー個人の年齢、性別、身長、体重、体重BMI値、体脂肪値などの生体情報と、脈拍数、心拍数、血圧、体温等に代表されるバイタルサインが含まれる。また、糖尿病患者の場合には血糖値、C−ペプチド、インスリン抵抗指数のいずれかが含まれる。
これらは、血糖値測定対象ユーザーの身体的特徴を表す情報であって、これらの幾つかの情報に共通性がある他のユーザーの情報を検索することでユーザー個人により近いユーザーの情報を抽出することが可能となる。このことによって、情報蓄積が少ないユーザーも血糖値の予測精度を高めることができる。
The
These are information representing the physical characteristics of the blood glucose level measurement target user, and by extracting information on other users having some common information among these pieces of information, information on users closer to the individual user is extracted. It becomes possible. As a result, a user with little information accumulation can improve the accuracy of blood sugar level prediction.
また、環境変数には、ユーザー個人の家族構成、地域性、職業、性格、過去の病歴、趣味等が含まれ、これらの情報は生活環境に関わる内容であって、血糖値の変化に間接的に影響するものと考えられている。よって、これらの情報を前述した生体情報とバイタルサインの幾つかに加えて検索することで、さらに血糖値予測の精度を高めることができると共に、生活態様の改善に活かすことができる。 In addition, environmental variables include the individual's family structure, regional characteristics, occupation, personality, past medical history, hobbies, etc. These information are related to the living environment and are indirectly related to changes in blood glucose levels. It is thought that it affects. Therefore, by searching for these pieces of information in addition to some of the above-described biological information and vital signs, the accuracy of blood sugar level prediction can be further enhanced and it can be used to improve the lifestyle.
また、血糖値予測装置10と血糖値サーバー300は、インターネット網、電話回線(携帯電話含む)等ネットワークで接続されている。このようにすれば、血糖値サーバー300に対して遠隔地に生活する個人ユーザーが容易にアクセスすることができる。
The blood sugar
さらに、血糖値サーバー300には、ユーザー個人を特定するための認証部380が備えられている。血糖値サーバー300に蓄積されている情報は、ユーザー個人の機微のセキュリティー情報である。よって、事前に登録されたユーザーを認証しなければアクセスを拒否することにより、個人情報の流出を防止することができる。
なお、血糖値予測装置10にもユーザー個人の認証部を設けておけば、血糖値予測装置10のセキュリティーを確保することができる。
Furthermore, the blood
In addition, if the blood glucose
以上説明したように本実施形態では、多数のユーザー情報の中からユーザー個人のユーザー属性と共通性(または近い)を有するユーザー情報を活用することが可能となるため、血糖値の予測精度を高めると共に、生活態様の管理・改善により治療効果を高めることができる。 As described above, in the present embodiment, it is possible to utilize user information having commonality (or closeness) to the user attributes of individual users from among a large number of user information, so that the blood glucose level prediction accuracy is improved. At the same time, the therapeutic effect can be enhanced by managing and improving the lifestyle.
また、血糖値サーバー300に医師がアクセスできるようにすれば、食事、運動などの生活態様に対する指導、治療方法の指導等を行うことができる。
Further, if the doctor can access the blood
なお、本実施形態は、糖尿病に係る事例を上げ説明したが、ダイエットや運動選手等の生活管理に活用可能である。 In addition, although this embodiment gave and demonstrated the example which concerns on diabetes, it can be utilized for life management, such as a diet and an athlete.
1…血糖値予測システム、10…血糖値予測装置、111…摂取エネルギー取得部、112…消費エネルギー取得部、115…生成部、130…操作部、213…ユーザー属性、300…データベース装置としての血糖値サーバー、310…データマイニング部、340…情報収集部。
DESCRIPTION OF
Claims (6)
前記ユーザー個人が消費した消費エネルギー情報を取得する消費エネルギー取得部と、
前記ユーザー個人の個体差及び環境変数を含むユーザー属性を入力する操作部と、
前記摂取エネルギー情報と前記消費エネルギー情報を用いて予測血糖値曲線を作成する生成部と、を有する血糖値予測装置と、
複数のユーザーそれぞれのユーザー情報及び前記ユーザー属性とを収集・蓄積する情報収集部と、
前記ユーザー個人が要求する前記ユーザー属性に対応する前記ユーザー情報から前記ユーザー個人の共通性を有する特徴を抽出してデータマイニング処理を行うデータマイニング部と、を有するデータベース装置と、
を備えていることを特徴とする血糖値予測システム。 An ingestion energy acquisition unit that acquires ingestion energy information ingested by individual users who are predicting blood glucose levels;
An energy consumption acquisition unit for acquiring energy consumption information consumed by the individual user;
An operation unit for inputting user attributes including individual differences and environment variables of the individual user,
A blood glucose level predicting device having a generation unit that creates a predicted blood glucose level curve using the intake energy information and the consumed energy information;
An information collection unit that collects and accumulates user information and user attributes of each of a plurality of users;
A database device having a data mining unit that performs data mining processing by extracting features having commonality of the user individuals from the user information corresponding to the user attributes requested by the user individuals;
A blood glucose level prediction system comprising:
前記データマイニング部で抽出された前記ユーザー情報に基づき、前記生成部により前記ユーザー個人の予測血糖値曲線を変形することを特徴とする血糖値予測システム。 In the blood sugar level prediction system according to claim 1,
A blood sugar level prediction system, wherein the predictive blood sugar level curve of the individual user is transformed by the generation unit based on the user information extracted by the data mining unit.
前記ユーザーの個体差には、ユーザー個人の生体情報及びバイタルサインのいずれかが含まれていることを特徴とする血糖値予測システム。 In the blood glucose level prediction system according to claim 1 or 2,
The blood sugar level prediction system according to claim 1, wherein the individual difference of the user includes any one of the biometric information and vital signs of the individual user.
前記ユーザーの環境変数には、ユーザー個人の生活環境に関わる内容が含まれていることを特徴とする血糖値予測システム。 In the blood glucose level prediction system according to claim 1 or 2,
The blood glucose level prediction system, wherein the environment variable of the user includes contents related to the living environment of the individual user.
前記血糖値予測装置と前記データベース装置は、ネットワークで接続されていることを特徴とする血糖値予測システム。 In the blood sugar level prediction system according to claim 1,
The blood glucose level prediction system, wherein the blood glucose level prediction device and the database device are connected via a network.
前記データベース装置には、前記ユーザー個人を特定する認証部が備えられていることを特徴とする血糖値予測システム。 In the blood sugar level prediction system according to claim 1,
The blood glucose level prediction system, wherein the database device includes an authentication unit that identifies the individual user.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2010200574A JP5601102B2 (en) | 2010-09-08 | 2010-09-08 | Blood glucose level prediction system |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2010200574A JP5601102B2 (en) | 2010-09-08 | 2010-09-08 | Blood glucose level prediction system |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2014167258A Division JP2014211918A (en) | 2014-08-20 | 2014-08-20 | Blood sugar level change information generation system and blood sugar level change information generation device |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2012058939A true JP2012058939A (en) | 2012-03-22 |
JP5601102B2 JP5601102B2 (en) | 2014-10-08 |
Family
ID=46055978
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2010200574A Active JP5601102B2 (en) | 2010-09-08 | 2010-09-08 | Blood glucose level prediction system |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP5601102B2 (en) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101501280B1 (en) * | 2012-06-18 | 2015-03-11 | 경희대학교 산학협력단 | Apparatus for sending and receiving diabetes-related medical information |
WO2016104325A1 (en) * | 2014-12-25 | 2016-06-30 | オムロン株式会社 | Sleep improvement system, and sleep improvement method using said system |
WO2016104326A1 (en) * | 2014-12-25 | 2016-06-30 | オムロン株式会社 | Living-habit improvement device, living-habit improvement method, and living-habit improvement system |
CN109843155A (en) * | 2016-10-19 | 2019-06-04 | 三星电子株式会社 | For providing the electronic device and method of blood glucose care |
WO2024049234A1 (en) * | 2022-09-01 | 2024-03-07 | 주식회사 동운아나텍 | System and method for predicting blood sugar by using saliva-based artificial intelligence deep-learning technique |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005202901A (en) * | 2004-01-15 | 2005-07-28 | Mcbi:Kk | Method for managing personal information, method for managing health, health management system, method for managing financial asset, and financial asset management system |
JP2005328924A (en) * | 2004-05-18 | 2005-12-02 | Toyama Univ | Blood sugar level prediction device, creating device of blood sugar level prediction model, and program |
JP2007265347A (en) * | 2006-03-30 | 2007-10-11 | Hitachi Software Eng Co Ltd | Health guidance support device, system and program |
JP2010178881A (en) * | 2009-02-05 | 2010-08-19 | Panasonic Corp | Blood sugar level measuring apparatus |
-
2010
- 2010-09-08 JP JP2010200574A patent/JP5601102B2/en active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005202901A (en) * | 2004-01-15 | 2005-07-28 | Mcbi:Kk | Method for managing personal information, method for managing health, health management system, method for managing financial asset, and financial asset management system |
JP2005328924A (en) * | 2004-05-18 | 2005-12-02 | Toyama Univ | Blood sugar level prediction device, creating device of blood sugar level prediction model, and program |
JP2007265347A (en) * | 2006-03-30 | 2007-10-11 | Hitachi Software Eng Co Ltd | Health guidance support device, system and program |
JP2010178881A (en) * | 2009-02-05 | 2010-08-19 | Panasonic Corp | Blood sugar level measuring apparatus |
Non-Patent Citations (2)
Title |
---|
CSNC200800918007; 山口 昌樹: 'データマイニングによる血糖値の変動傾向の推定' 生体医工学 : 日本エム・イー学会誌 第41巻, 20030610, ページ43〜48, 日本エム・イー学会 上野 照剛 * |
JPN6014006979; 山口 昌樹: 'データマイニングによる血糖値の変動傾向の推定' 生体医工学 : 日本エム・イー学会誌 第41巻, 20030610, ページ43〜48, 日本エム・イー学会 上野 照剛 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101501280B1 (en) * | 2012-06-18 | 2015-03-11 | 경희대학교 산학협력단 | Apparatus for sending and receiving diabetes-related medical information |
WO2016104325A1 (en) * | 2014-12-25 | 2016-06-30 | オムロン株式会社 | Sleep improvement system, and sleep improvement method using said system |
WO2016104326A1 (en) * | 2014-12-25 | 2016-06-30 | オムロン株式会社 | Living-habit improvement device, living-habit improvement method, and living-habit improvement system |
JP2016122348A (en) * | 2014-12-25 | 2016-07-07 | オムロン株式会社 | Life style improvement apparatus, life style improvement method and life style improvement system |
JP2016122347A (en) * | 2014-12-25 | 2016-07-07 | オムロン株式会社 | Sleep improvement system and sleep improvement method using the system |
US11004551B2 (en) | 2014-12-25 | 2021-05-11 | Omron Corporation | Sleep improvement system, and sleep improvement method using said system |
CN109843155A (en) * | 2016-10-19 | 2019-06-04 | 三星电子株式会社 | For providing the electronic device and method of blood glucose care |
WO2024049234A1 (en) * | 2022-09-01 | 2024-03-07 | 주식회사 동운아나텍 | System and method for predicting blood sugar by using saliva-based artificial intelligence deep-learning technique |
Also Published As
Publication number | Publication date |
---|---|
JP5601102B2 (en) | 2014-10-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11875895B2 (en) | Method and system for characterizing and/or treating poor sleep behavior | |
US8870766B2 (en) | Apparatus for providing derived glucose information utilizing non-invasive physiological sensors | |
US7621871B2 (en) | Systems and methods for monitoring and evaluating individual performance | |
US8157731B2 (en) | Method and apparatus for auto journaling of continuous or discrete body states utilizing physiological and/or contextual parameters | |
US20160213296A1 (en) | Screening system for fatigue and stress | |
JP2007505412A (en) | Weight and other physiological status monitoring and management systems including interactive and personalized planning, intervention and reporting capabilities | |
US20220071535A1 (en) | Mental state monitoring system | |
JP5601102B2 (en) | Blood glucose level prediction system | |
JP2012045191A (en) | Blood sugar level prediction device | |
US20210358628A1 (en) | Digital companion for healthcare | |
JP2014211918A (en) | Blood sugar level change information generation system and blood sugar level change information generation device | |
CN115802931A (en) | Detecting temperature of a user and assessing physiological symptoms of a respiratory condition | |
JP5974348B2 (en) | Blood glucose level prediction method and blood glucose level prediction system | |
JP2012024521A (en) | Blood sugar level prediction device | |
US20180110454A1 (en) | Mental Suffering Monitoring System | |
JP2012024476A (en) | Blood sugar level prediction device | |
CN115697192A (en) | Methods and systems for non-invasive prediction, detection and monitoring of viral infections | |
CN115734752A (en) | Detection and reaction to wake-up activation | |
JP2012063979A (en) | Method and system for predicting blood sugar level | |
JP5589652B2 (en) | Blood glucose level prediction system, blood glucose level prediction device, and service information processing device | |
Lin et al. | Applications of non‐invasive sensor devices to personalised health care | |
JP5949847B2 (en) | Calorie information determination method and blood sugar level prediction method | |
US20240074709A1 (en) | Coaching based on reproductive phases | |
KR20240059539A (en) | Method and apparatus for providing weight management service based on artificial intelligence using biometric information | |
EP4358857A1 (en) | Coaching based on reproductive phases |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20130828 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20140213 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20140218 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20140418 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20140722 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20140804 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 5601102 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
S531 | Written request for registration of change of domicile |
Free format text: JAPANESE INTERMEDIATE CODE: R313531 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |