JP5099751B2 - 月経周期推定装置および月経周期推定方法 - Google Patents

Description

本発明は、例えば複数日に亘って測定した被測定者の体温（体表温度と深部温度を含む、以下同様）に基づいて被測定者が高温期と低温期のうちいずれの状態にあるかを推定する月経周期推定装置および月経周期推定方法に関する。

従来、妊娠や避妊の目安となる周期を知る目的で女性のホルモンバランス状況を把握するために、基礎体温の日毎の変動を数ヶ月間に亘って追跡記録し、その変動周期や変動幅を数値的に分析する方法が行われてきた。基礎体温は一日のうちで最も新陳代謝の少ない就寝中の体温を計測することが望ましいが、就寝中に体温測定を行うことは一般的に困難である。このため、例えば起床時の口中温度を体温として計測し、この計測した体温を基礎体温の代わりに用いてきた（例えば特許文献１参照）。しかし、女性の生活の多様化を鑑みると、毎朝、計測時刻や計測方法等の条件を一定とすることは難しく、長期間に亘る計測の継続には不便を伴うと共に、短時間の口中温度の計測では計測結果にアーチファクト（外部要因による計測信号のゆがみ）が生じ易かった。このため、就寝している被測定者の腹部等に身体表面の温度（体表温度）を測定するセンサ装置を取り付け、このセンサ装置によって長時間に亘って自動測定した体表温度に基づいて基礎体温に対応した当日の代表温度を決めるものが知られている（例えば特許文献２参照）。このとき、代表温度は、例えば測定した体表温度の最高温度や平均温度としていた。

特開平１１−３１６１６１号公報 特開２００４−１６３３９１号公報

ところで、従来技術では、被測定者の寝返り等によって体表に対するセンサ装置の密着状態が変化し、測定結果にばらつきが生じることがある。例えば、被測定者の腹部にセンサ装置を取付けた状態で、仰向けに寝たときにはセンサ装置の密着度が低いのに対し、うつぶせに寝たときにはセンサ装置の密着度が高くなる。さらに、うつぶせに寝た場合には、腹部刺激による一時的な血流の増加に伴う体表温度上昇の可能性、または腹部圧迫による血流の減少に伴う体表温度降下の可能性があるのに加えて、電気敷き毛布の利用に伴う体表温度上昇の可能性もある。この結果、体表温度の測定結果にアーチファクトが含まれてしまい、体表温度および代表温度の測定精度が低下する傾向がある。

また、従来技術では、測定した体表温度の範囲で代表温度を決定している。このとき、従来技術でも、代表温度を用いて基礎体温の変動を把握することはある程度は可能である。しかし、一般的に体表温度は外気や血流等の影響を受け易いため、実測値の最高温度や平均温度を代表温度として決定すると、代表温度には外気等の影響によるアーチファクトが生じる可能性がある。ここで、高温期と低温期からなる基礎体温の二相性の把握においては、低温期から高温期への＋０．３℃の上昇を的確に捉える必要がある。これに対し、従来技術では、高温期での体温の上昇か、計測のアーチファクトによる変化かを区別することが難しいという問題がある。

このように、代表温度は計測のアーチファクトの影響を受けるから、代表温度に基づいて被測定者が高温期と低温期のうちいずれの状態にあるかを判別することが難しかった。この結果、基礎体温の二相性や周期期間が不明確になり易く、女性のホルモンバランス状況等は容易に把握することができなかった。

本発明は上述した従来技術の問題に鑑みなされたもので、本発明の目的は、複数日に亘る体温の計測データに基づいて被測定者の体温の二相性を明確に把握することができる月経周期推定装置および月経周期推定方法を提供することにある。

上述した課題を解決するために請求項１の発明は、被測定者の体温を複数日に亘って測定した体温データ系列を用いて被測定者が高温期と低温期とのうちいずれの状態にあるかを推定する月経周期推定装置であって、前記体温データ系列を用いて高温相および低温相の２つの隠れ状態をもった隠れマルコフモデルを構築し、該隠れマルコフモデルが前記体温データ系列を出力する最尤の状態系列を求め、該状態系列を用いて被測定者の月経周期における体温の二相性を特定する構成としたことにある。

請求項２の発明では、被測定者の身体に常時装着可能なケーシングと、該ケーシングのうち被測定者の体表面側に設けられ体温を検出する体温検出手段と、測定日毎に開始時刻から終了時刻までの間に亘って予め決められた時間間隔で該体温検出手段による体温検出データを読込む読込み手段と、該読込み手段による体温検出データを記憶する記憶手段と、該記憶手段に記憶された体温検出データを複数日に亘って連結して前記体温データ系列を生成するデータ系列生成手段と、該データ系列生成手段による体温データ系列を用いて前記隠れマルコフモデルを構築するモデル構築手段と、該モデル構築手段による前記隠れマルコフモデルが前記体温データ系列を出力する最尤の状態系列を求める状態系列演算手段と、該状態系列演算手段による状態系列を用いて被測定者の月経周期における体温の二相性を特定する状態特定手段とを備える構成としている。

請求項３の発明では、前記状態特定手段は、前記状態系列に対して中央値フィルタを用いたフィルタ処理を行い、該フィルタ処理後の状態系列に含まれる状態を各体温検出データを測定したときの被測定者の状態とする構成としている。

請求項４の発明では、前記データ系列生成手段は、前記体温検出データのうち予め設定された温度および温度変化の許容範囲以外の値を削除し、残余の体温検出データを連結して体温データ系列を生成する範囲外データ削除手段と、該範囲外データ削除手段を用いて生成された体温データ系列に対して中央値フィルタを用いたフィルタ処理を行う前処理手段とを備え、前記モデル構築手段は、該前処理手段よるフィルタ処理を行った後の体温データ系列を用いて前記隠れマルコフモデルを構築する構成としている。

請求項５の発明では、前記モデル構築手段は、前記体温データ系列の体温検出データが温度に対して離散的な値を有する状態で前記隠れマルコフモデルを構築する構成としている。

請求項６の発明では、前記モデル構築手段は、前記体温データ系列の体温検出データが温度に対して連続的な値を有する状態で前記隠れマルコフモデルを構築する構成としている。

請求項７の発明では、前記モデル構築手段は外部の処理装置によって構成し、前記ケーシングには、前記記憶手段に記憶した体温検出データを該外部の処理装置に転送する転送手段を設ける構成としている。

請求項８の発明では、被測定者の体温を複数日に亘って測定した体温データ系列を用いて被測定者が高温期と低温期とのうちいずれの状態にあるかを処理装置が推定する月経周期推定方法であって、前記体温データ系列を用いて高温相および低温相の２つの状態をもった隠れマルコフモデルを構築し、該隠れマルコフモデルが前記体温データ系列を出力する最尤の状態系列を求め、該状態系列を用いて被測定者の月経周期における体温の二相性を特定する構成としている。

請求項９の発明では、被測定者の体温を複数日に亘って測定した体温データ系列を用いて被測定者が月経周期における体温の多相性のうちいずれの状態にあるかを処理装置が推定する月経周期推定方法であって、前記体温データ系列を用いて体温の多相性に対応する複数の隠れ状態をもった隠れマルコフモデルを構築し、該隠れマルコフモデルが前記体温データ系列を出力する最尤の状態系列を求め、該状態系列を用いて被測定者の月経周期における体温の多相性を特定する構成としている。

請求項１，８の発明によれば、体温データ系列を用いて高温相および低温相の２つの状態をもった隠れマルコフモデルを構築し、該隠れマルコフモデルが体温データ系列を出力する最尤の状態系列を求めるから、この状態系列に含まれる状態を判定することによって、体温データ系列を測定した複数日に亘る被測定者の状態を特定することができる。この結果、体温データ系列に外気等の影響によって計測のアーチファクトが生じる場合でも、被測定者の二相性を明確に把握することができる。

請求項２の発明によれば、ケーシングのうち被測定者の体表面側に体温検出手段を設けたから、読込み手段は、開始時刻から終了時刻までの間に亘って予め決められた時間間隔で該体温検出手段を用いて体温検出データを読込み、記憶手段は該読込み手段による体温検出データを記憶する。そして、データ系列生成手段は該記憶手段に記憶された体温検出データを複数日分だけ連結して体温データ系列を生成するから、モデル構築手段は、該データ系列生成手段による体温データ系列を用いてモデルパラメータを演算し、該モデルパラメータからなる隠れマルコフモデルを構築する。これにより、状態系列演算手段は、モデル構築手段によって形成された隠れマルコフモデルが体温データ系列を出力する最尤の状態系列を求めることができる。このため、状態特定手段は、状態系列演算手段による状態系列を用いて、各体温検出データを測定したときの被測定者の状態を特定することができる。

請求項３の発明によれば、状態特定手段は状態系列に対して中央値フィルタを用いた処理を行うから、状態系列に含まれる不連続な外れ状態を除去することができる。この結果、数時間や数日単位で状態が繰り返し切り換わることがなくなり、１ヶ月程度の周期性をもって高温期および低温期を繰り返す被測定者の二相性を明確に把握することができる。

請求項４の発明によれば、範囲外データ削除手段は、体温検出データのうち予め設定された温度および温度変化の許容範囲以外の値は異常な値として削除し、許容範囲以内の値からなる残余の体温検出データを連結して体温データ系列を生成する。一般に人体の体温計測範囲は３２℃〜４０℃程度とされるので、熱平衡状態で体温検出手段によって検出される温度が例えば３２℃〜４０℃の許容範囲を逸脱することはないものと考えられる。体温検出データがこの温度範囲以外の値となった場合には、例えば被測定者が身体からケーシングを取外したり、外熱が入ったりするとき等が考えられる。

また、就寝中は被測定者の体温は比較的安定しているから、例えば１０分程度の測定間隔で±１℃の許容範囲を超えて変化することはないものと考えられる。体温検出データがこの温度変化の許容範囲以外の値となった場合には、例えば被測定者が一時的に起きたときや、被測定者が寝具を跳ね除けたとき等が考えられる。

このように温度の許容範囲以外または温度変化の許容範囲以外の体温検出データは、被測定者の状態に対する寄与率は低いものと考えられる。また、温度および温度変化の許容範囲以外の体温検出データを用いて隠れマルコフモデルを構築すると、状態の推定精度が低下する可能性がある。このため、範囲外データ削除手段は、体温検出データのうち許容範囲以外の値を削除して体温データ系列を記憶する。

また、前処理手段は、範囲外データ削除手段によって記憶された体温データ系列に対して中央値フィルタを用いたフィルタ処理を行うから、体温データ系列に含まれる不連続な外れ値を除去することができる。そして、モデル構築手段は、前処理手段よるフィルタ処理を行った後の体温データ系列を用いて隠れマルコフモデルを構築するから、外れ値を含む体温データ系列を用いた場合に比べて、隠れマルコフモデルのモデルパラメータに外れ値が影響するのを防止することができ、被測定者の状態の推定精度を高めることができる。

請求項５の発明によれば、モデル構築手段は、体温データ系列の体温検出データが温度に対して離散的な値を有する状態で隠れマルコフモデルを構築するから、該隠れマルコフモデルは離散型の体温検出データに応じて離散確率分布からなる体温検出データ出力確率を有する。このため、温度に対して離散的な体温検出データからなる体温データ系列と離散型の隠れマルコフモデルとを用いて状態系列を求めることができる。また、離散型の隠れマルコフモデルを用いるから、連続型の隠れマルコフモデルを用いた場合に比べて、モデルの構築処理に必要な時間、記憶容量等を減縮することができる。

請求項６の発明によれば、モデル構築手段は、体温データ系列の体温検出データが温度に対して連続的な値を有する状態で隠れマルコフモデルを構築するから、該隠れマルコフモデルは連続型の体温検出データに応じて連続確率分布からなる体温検出データ出力確率を有する。このため、温度に対して連続的な体温検出データからなる体温データ系列と連続型の隠れマルコフモデルとを用いて状態系列を求めることができる。また、連続型の隠れマルコフモデルを用いるから、離散型の隠れマルコフモデルを用いた場合に比べて、状態系列の精度を高めることができる。

請求項７の発明によれば、モデル構築手段は外部の処理装置によって構成し、ケーシングには記憶手段に記憶したデータを該外部の処理装置に転送する転送手段を設ける構成としている。ここで、複数日に亘って測定した体温データ系列を用いて被測定者の状態を推定し、女性（被測定者）の基礎体温の変動周期を把握するためには、１周期分以上の体温検出データを用いて隠れマルコフモデルを構築するのが好ましい。この場合、被測定者に挿着する小型のケーシング内に設けられた制御回路をなすマイクロコンピュータや携帯電話等を用いたときに比べて、外部の処理装置を用いたときの方が隠れマルコフモデルを構築するのに効率的である。

そこで、本発明では、有線方式、無線方式等の転送手段を用いて記憶手段に記憶した体温検出データをサーバコンピュータ等の外部の処理装置に転送する。このため、処理装置は、大量の体温検出データを演算処理し、隠れマルコフモデルを速やかに構築することができる。

請求項９の発明によれば、体温データ系列を用いて体温の多相性に対応する複数の隠れ状態をもった隠れマルコフモデルを構築し、該隠れマルコフモデルが体温データ系列を出力する最尤の状態系列を求めるから、この状態系列に含まれる状態を判定することによって、体温データ系列を測定した複数日に亘る被測定者の多相性をもった状態を特定することができる。この結果、体温データ系列に外気等の影響によって計測のアーチファクトが生じる場合でも、被測定者の多相性を明確に把握することができる。また、例えば低温相と高温相との間に中温相を設けた場合には、低温相から高温相への立ち上がり変化点や高温相から低温相への立ち下がり変化点を詳しく調べることができる。

以下、本発明の実施の形態による月経周期推定装置を添付図面に従って詳細に説明する。

まず、図１ないし図１０は第１の実施の形態を示し、図において、１は後述する外部の処理装置１１と一緒に月経周期推定装置を構成するウエアラブルセンサ装置（以下、センサ装置１という）で、該センサ装置１は、後述のケーシング２、体温検出部３、コントロールユニット５、表示部９等によって大略構成されている。

２はセンサ装置１の本体（主支持体）をなすケーシングで、該ケーシング２は、図１ないし図４に示すように例えば樹脂材料を用いて略長円形（小判形）の箱形状に形成され、その内部には後述の回路基板４等が収容されている。また、ケーシング２のうち被測定者Ｈ0の体表面側（正面側）には、略円形状に貫通した開口２Ａが設けられている。ここで、開口２Ａはケーシング２の中央側に位置している。

３は体温を検出する体温検出部（体温検出手段）で、該体温検出部３は、図２に示すように、ケーシング２の中央側に位置する開口２Ａに取付けられている。また、体温検出部３は、例えばサーミスタ等からなる測温素子と、該測温素子を覆う金属製のカバーとによって構成されている。そして、体温検出部３はケーシング２のうち被測定者Ｈ0の体表面側に配置されるから、被測定者Ｈ0の体表面にカバーが接触し、体温がカバーを通じて測温素子に熱伝導する。これにより、体温検出部３は、測温素子によって被測定者Ｈ0の体温に応じた信号を出力する。

なお、体温検出部３は、被測定者Ｈ0の体表面に接触して体温を直接的に検出する構成とした。しかし、本発明はこれに限らず、例えば体温検出部３と被測定者Ｈ0の体表面との間に下着等を挟む場合には、体温検出部３は、下着等を介して被測定者Ｈ0の体温を間接的に検出する構成としてもよい。即ち、体温検出部３は、被測定者Ｈ0の絶対的な体温を検出する必要はなく、体温に対応して変化する相対的な温度を検出すれば足りる。従って、毎日の計測条件がほぼ一定であれば、例えば下着１枚を挟んで体温検出部３を被測定者Ｈ0の体表面に密着させる構成としてもよい。また、体温検出部３は、被測定者Ｈ0の体表面の温度を検出するものに限らず、例えば被測定者Ｈ0の体内の温度を検出する深部温度計を用いる構成としてもよい。

４はケーシング２の内部に収容された回路基板で、該回路基板４には、図５に示すようにマイクロコンピュータ等からなる読込み手段としてのコントロールユニット５が搭載されている。そして、コントロールユニット５は、その入力側が体温検出部３に接続されると共に、その出力側が後述の表示部９に接続されている。また、コントロールユニット５には記憶手段として例えばＲＯＭ、ＲＡＭ等からなる記憶部６が設けられている。

ここで、記憶部６には、コントロールユニット５を作動させるプログラムと該プログラムで使用する開始時刻ｔs、終了時刻ｔe、時間間隔Δｔが予め格納されると共に、コントロールユニット５の作動によって後述の体温Ｔ1が記憶される構成となっている。

このとき、開始時刻ｔsと終了時刻ｔeは就寝中の時刻として例えば午前０時（ｔs＝０：００ａｍ）と午前６時（ｔe＝６：００ａｍ）とにそれぞれ設定され、時間間隔Δｔは例えば１０分程度の値に設定される。なお、開始時刻ｔs、終了時刻ｔeは、被測定者Ｈ0が例えば夜間勤務者であれば、その就寝の開始時刻および終了時刻に設定されるものである。また、時間間隔Δｔも、１０分に限らず、例えば１〜３０分程度の間で測定条件等に応じて適宜設定されるものである。

また、コントロールユニット５は、時刻を計時するタイマ７を有すると共に、例えば２個のボタンスイッチ８Ａ，８Ｂからなるスイッチ部８が接続されている。そして、コントロールユニット５は、ケーシング２に搭載されたコイン型リチウム電池等の電源５Ａによって駆動し、スイッチ部８を操作することによって記憶部６からプログラムを読出して作動する。これにより、コントロールユニット５は、タイマ７による時刻が開始時刻ｔsに達すると、開始時刻ｔsから終了時刻ｔeまでの間に亘って一定の時間間隔Δｔ毎に体温検出部３から検出温度に応じた体温検出データＤ1を読込む。

そして、コントロールユニット５は、この体温検出データＤ1を記憶部６に順次記憶する。これにより、記憶部６には、開始時刻ｔsから終了時刻ｔeまでの複数の体温検出データＤ1が記憶される。

また、記憶部６は、コントロールユニット５による体温検出データＤ1のうち予め設定された温度の許容範囲（例えば３２℃〜４０℃）以内の値で、かつ温度変化の許容範囲（例えば±１℃／１０分）以内の値を正常な値とし、許容範囲以外の値を異常な値として体温検出データＤ1を記憶する。具体的には、正常な値は体温検出データＤ1をそのまま記憶し、異常な値は欠損データ（例えば正常な値と識別可能なエラーフラグ）が記憶される。

ここで、一般に人体の体温計測範囲は３２℃〜４０℃程度とされるため、温度の許容範囲は、熱平衡状態で体温検出部３によって検出される温度が例えば３２℃〜４０℃の範囲を逸脱することはないとの考えに基づいて決められている。また、就寝中は被測定者の体温は比較的安定している。このため、温度変化の許容範囲は、例えば１０分程度の時間間隔Δｔの前，後で±１℃の許容範囲を超えて変化することはないとの考えに基づいて決められている。

なお、温度の許容範囲および温度変化の許容範囲は、例示した値に限らず、測定条件等を考慮して適宜設定してもよい。

また、体温検出データＤ1は、検出した体温Ｔ1そのものでもよく、例えば予め設定された基準温度数値Ｔ0と体温Ｔ1との差分値でもよい。この場合、基準温度数値Ｔ0は、データ容量を削減する意味から、例えば体温Ｔ1の平均値（例えば３４℃）等に設定するのが好ましい。

９はケーシング２の背面側に設けられた液晶画面等からなる表示部で、該表示部９はコントロールユニット５に接続され、例えばコントロールユニット５の駆動状態を表示する。また、表示部９は、記憶部６に記憶した体温検出データＤ1を後述する外部の処理装置１１に転送する転送手段を構成し、スイッチ部８を操作することによって、例えばＱＲコード（登録商標）等の２次元コードを表示する。ここで、この２次元コードは、記憶部６に記憶した１日分（１晩分）の体温検出データＤ1およびデータのＵＲＬ（Uniform Resource Locator）等の送信先アドレスの情報を含む。このため、被測定者Ｈ0は、２次元コードの読取り機能を有する携帯電話ＰＴ等を使用することによって、携帯電話ＰＴ内に２次元コード内の情報を読み込む。これにより、被測定者Ｈ0は、図６に示すように、インターネット等を介して携帯電話ＰＴを外部の処理装置１１にアクセスし、処理装置１１に向けて体温検出データＤ1を転送することができる。

また、被測定者Ｈ0は、センサ装置１のスイッチ部８を操作することにより、月経開始日データを入力する構成としてもよい。この場合、被測定者Ｈ0は、センサ装置１および携帯電話ＰＴを用いて前記と同様に２次元コード表示、読み込み、送信の操作を行うことによって、月経開始日データを処理装置１１に転送することができる。

なお、転送手段は、表示部９による２次元コード表示を用いる構成とした。しかし、本発明はこれに限らず、コントロールユニット５と携帯電話ＰＴとの間を例えばケーブル接続による有線方式または赤外線、Bluetooth（登録商標）による無線方式を用いて接続するコネクタ等の接続部を設け、該接続部によって転送手段を構成してもよい。

１０はケーシング２を被測定者Ｈ0に取付ける装着手段としてのクリップで、該クリップ１０は、ケーシング２の中央側に位置して可撓性をもって帯状をなして上部（外部）に向けて延びると共に、その先端が衣服等を挟持可能な構成となっている。このため、クリップ１０は、図１に示すように、ショーツ等の下着を挟むことによって、センサ装置１を被測定者Ｈ0の腹部に固定する。

なお、センサ装置１は被測定者Ｈ0の腹部に限らず、例えば被測定者Ｈ0の胸部に固定する構成としてもよい。この場合、クリップ１０は、就寝時に着用する下着等に取付けるものである。

１１は図６に示すようにセンサ装置１によって計測した体温検出データＤ1を用いて被測定者Ｈ0が高温期と低温期とのうちいずれの状態にあるかを推定する処理装置で、該処理装置１１は、データ系列生成手段、モデル構築手段、状態系列演算手段、状態特定手段を構成している。また、処理装置１１は、例えばサーバコンピュータ等によって構成され、ＲＯＭ、ＲＡＭ等からなる記憶回路を有している。

ここで、処理装置１１は、図７に示すように、低温相ｑ₁および高温相ｑ₂の２つの状態Ｑ＝｛ｑ₁，ｑ₂｝をもった隠れマルコフモデルＨＭＭ（以下、モデルＨＭＭという）を備える。このとき、モデルＨＭＭは、状態遷移確率行列Ａ＝｛ａ_ij｝（状態ｉから状態ｊに遷移する確率）、体温検出データ出力確率行列Ｂ＝｛ｂ_j(k)｝（ｂ_j(k)は状態ｊの時に観測データｋとなる確率）および初期状態確率行列π＝｛π_i｝（初期状態の時に状態ｉの確率）のモデルパラメータλ＝｛Ａ，Ｂ，π｝を有する。

そして、処理装置１１は、図８に示すように、体温検出データＤ1とモデルＨＭＭを用いて月経周期推定処理を行い、体温検出データＤ1が測定された複数日間（例えば６ヶ月間）について、被測定者Ｈ0が高温期および低温期のいずれの状態にあるかを推定する。

具体的な月経周期推定処理の手順についてその概略を示すと以下のようになる。まず、処理装置１１は、センサ装置１から転送される被測定者Ｈ0の体温検出データＤ1を複数日（例えば６ヶ月）に亘って蓄積すると共に、これらの体温検出データＤ1を連結して体温データ系列Ｏ＝｛Ｏ₁，Ｏ₂，…，Ｏ_T｝を生成する。次に、処理装置１１は、この体温データ系列Ｏを用いてモデルＨＭＭを構築する。

ここで、モデルＨＭＭを構築するときには、体温データ系列Ｏを用いてモデルＨＭＭのモデルパラメータλ＝｛Ａ，Ｂ，π｝を演算する。このとき、モデルパラメータλは、後述するように、例えばバーム・ウェルチの学習アルゴリズム(Baum-Welch algorithm）を用いて求めることができる。これにより、処理装置１１は、体温データ系列Ｏの尤度が最大となるモデルＨＭＭを構築することができる。

また、モデルＨＭＭは、後述するように温度に対して離散的な値を有する体温検出データＯ_tを用いて構築される。このため、モデルＨＭＭの体温検出データ出力確率行列Ｂは、離散型の体温検出データＯ_tに応じて離散確率分布によって構成される。

次に、処理装置１１は、体温データ系列Ｏを用いて構築されたモデルＨＭＭを用いて、該モデルＨＭＭが体温データ系列Ｏを出力する最尤の経路、即ち体温データ系列Ｏを出力する可能性が最も高い状態変化の系列Ｑ^*を求める。このとき、最尤の状態系列Ｑ^*は、例えば後述する前向き−後向きアルゴリズム（forward-backward algorithm）を用いて求めることができる。

最後に、処理装置１１は、最尤の状態系列Ｑ^*に含まれる状態ｑ_t ^*（時刻ｔでの状態）を判別し、体温データ系列Ｏに含まれる体温検出データＯ_tを測定したときの被測定者Ｈ0の状態が低温相ｑ₁および高温相ｑ₂のいずれに該当するのかを特定する。これにより、処理装置１１は、測定日の初日から終了日までの間の被測定者Ｈ0の状態を推定することができる。

そして、処理装置１１は、被測定者Ｈ0の状態の推定結果を表示可能なホームページを備えている。このため、処理装置１１のホームページに対して被測定者Ｈ0が例えば携帯電話ＰＴを用いてアクセスすると、被測定者Ｈ0の要求に応じて、状態の推定結果を携帯電話ＰＴ、コンピュータに表示する。これにより、携帯電話ＰＴ等の画面には、例えば６ヶ月間に亘る被測定者Ｈ0の状態の推定結果が表示される。

なお、被測定者Ｈ0は携帯電話ＰＴに限らず、各種の携帯端末、コンピュータ等を用いて処理装置１１にアクセスする構成としてもよい。また、処理装置１１は、予め登録されたメールアドレスに向けて、状態の推定結果を送信する構成としてもよい。

本実施の形態による月経周期推定装置は上述のような構成を有するもので、次に図８を用いて月経周期推定処理について説明する。

ここで、被測定者Ｈ0がセンサ装置１から処理装置１１に毎日の体温検出データＤ1を転送することによって、処理装置１１には、予め複数日分（６ヶ月分）の体温検出データＤ1が蓄積されているものとする。そして、処理装置１１は、被測定者Ｈ0からの要請指令等を受け取ることによって、図７に示す後述の月経周期推定処理を開始する。

まず、ステップ１では、蓄積された６ヶ月分の体温検出データＤ1のうち欠損データを削除する。このとき、センサ装置１は、開始時刻ｔsと終了時刻ｔeとの間の６時間に亘って１０分間隔で体温検出データＤ1を読込み、記憶部６に記憶している。このため、１日分の体温検出データＤ1のデータ数は３７個であり、６ヶ月分の体温検出データＤ1のデータ数は６６００個程度となる。しかし、実際には大抵２０〜５０％程度の欠損データが発生するため、欠損データの削除後に残る体温検出データＤ1のデータ数は、３３００〜５２００個程度となる。このため、体温データ系列Ｏの長さＴも、欠損データの削除後のデータ数に対応して３３００〜５２００程度になる。

次に、ステップ２では、ステップ１で残った６ヶ月分の体温検出データＤ1を連結し、体温データ系列Ｏを生成する。このとき、体温データ系列Ｏは、測定初日の開始時刻ｔs側の体温検出データＤ1から測定終了日の終了時刻ｔe側の体温検出データＤ1までを連結することによって構成する。このため、体温データ系列Ｏに含まれる体温検出データＯ_t（１≦t≦Ｔ）は、測定初日の開始時刻ｔs側から測定終了日の終了時刻ｔe側まで時系列に並んでいる。

次に、ステップ３では、後述の隠れマルコフモデルの構築処理および状態系列演算処理からなる本処理を行う前に、前処理として体温データ系列Ｏに対して中央値フィルタ（median filter）を用いたフィルタ処理を行う。このとき、中央値フィルタは、例えば連続した１１個のデータに対して、これらの中央値となる値を時系列中央のデータ（時系列に並んだ６番目のデータ）に代入する。これにより、体温データ系列Ｏに含まれる明らかな外れ値を除去することができる。

次に、ステップ４では、体温検出データＯ_tに離散化処理を施す。この離散化処理では、例えば０．１℃精度で４捨５入法、またはベクトル量子化法（vector quantization）やＫ−ｍｅａｎｓ法を用いることによって、体温データ系列Ｏに含まれる体温検出データＯ_tをデータクラスタリングする。これにより、体温検出データＯ_tは、例えば３２℃から４０℃までの間で０．１℃間隔で表した数値となる。

次に、ステップ５では、後述する図９に示す隠れマルコフモデルの構築処理を行い、前処理後と離散化処理後の体温データ系列Ｏを用いてモデルＨＭＭを構築する。具体的には、体温データ系列Ｏの尤度が最も高くなるように、モデルＨＭＭの最適なモデルパラメータλopt（λopt＝argmax[Ｐ（Ｏ|λ）]）を求める。

次に、ステップ６では、例えば前向き−後向きアルゴリズム（forward-backward algorithm）を用いた状態系列演算処理を行う。具体的には、以下に示す数１の式に基づいて、ステップ５で構築したモデルＨＭＭが体温データ系列Ｏを出力する最尤の状態系列Ｑ^*に含まれる状態ｑ_t ^*を演算する。このとき、状態系列Ｑ^*は、モデルＨＭＭが体温データ系列Ｏを出力する可能性が最も高くなる状態の経路となる。なお、数１の式中でγ_t(ｉ)は、時刻ｔで状態ｉにいる確率を示し、後述する数４の式に基づいて演算されるものである。

次に、ステップ７では、状態特定処理を行い、測定日の初日から終了日までの間の被測定者Ｈ0の状態を推定する。具体的には、まず最尤の状態系列Ｑ^*に対して再び中央値フィルタを用いたフィルタ処理を行う。このとき、中央値フィルタは、例えば連続した１１個の状態に対して、これらの中央値となる値を真中（時系列順で前から６番目）の状態に代入する。即ち、中央値フィルタは、連続した１１個の状態に含まれる低温相ｑ₁および高温相ｑ₂のうち過半数を占める状態を真中の状態に代入する。

そして、フィルタ処理後に出力される最尤の状態系列Ｑ^*から体温データ系列Ｏに含まれる体温検出データＯ_tを測定したときの被測定者Ｈ0の状態ｑ_t ^*が低温相ｑ₁および高温相ｑ₂のいずれに該当するのかを特定する。具体的には、同日の低温相ｑ₁および高温相ｑ₂の数を数え、多数決の判定ルールやその他の確率方法でその日は低温相ｑ₁または高温相ｑ₂のいずれにあるのかを決定する。これにより、測定日の初日から終了日までの間の被測定者Ｈ0の状態を推定し、被測定者Ｈ0の月経周期における体温の二相性を特定する。

最後に、ステップ８では、ステップ７によって特定した測定日の初日から終了日までの間の被測定者Ｈ0の状態の推定結果を、被測定者Ｈ0の携帯電話ＰＴ、コンピュータに表示する。

次に、図９を用いて隠れマルコフモデルの構築処理について説明する。なお、本実施の形態では、バーム・ウェルチの学習アルゴリズムを用いてモデルＨＭＭのモデルパラメータλを演算した場合を例に挙げて説明する。

ステップ１１では、モデルＨＭＭの構築に必要な各種の係数を設定する。具体的には、モデルＨＭＭに含まれる隠れ状態の数Ｎ、可能な計測値の数Ｍ（体温検出データＯ_tの離散化数）、体温データ系列Ｏの長さＴ、体温データ系列Ｏをそれぞれ読込む。

このとき、隠れ状態の数Ｎ、例えば図７に示すモデルＨＭＭは低温相ｑ₁と高温相ｑ₂を含むため、２状態となる。また、可能な計測値の数Ｍは、例えば３２〜４０℃までを０．１℃の精度で表したときには８１個となる。また、体温データ系列Ｏの長さＴは、例えば欠損データを削除した後の６ヶ月間の体温検出データＯ_tとしたときには、３３００〜５２００程度となる。

次に、ステップ１２では、モデルパラメータλに初期値を代入する。ここで、状態遷移確率ａ_ijの初期値は、全ての状態に遷移する確率がほぼ等しいものと仮定してほぼ１／Ｎ程度の値を代入する。但し、全ての状態遷移確率ａ_ijを同じ値にすると、パラメータλの学習が終了（収束）し難いため、僅かに異なる値を代入する。

また、体温検出データ出力確率ｂ_j(k)の初期値は、各状態で全ての可能な体温離散値を出力する確率がほぼ等しい、即ち各状態で体温検出データＯ_tとして３２〜４０℃の値を均等に出力するものと仮定してほぼ１／Ｍ程度の値を代入する。さらに、初期状態確率π_iの初期値は、全ての状態にいる確率がほぼ等しいものと仮定してほぼ１／Ｎ程度の値を代入する。

次に、ステップ１３では、以下の数２の式に基づいて、前向き変数α_t(i)を演算する。このとき、前向き変数α_t(i)は、時刻１から時刻ｔまでの間、部分観測列｛Ｏ₁，Ｏ₂，…，Ｏ_t｝を観測した後、時刻ｔには状態ｉにいる確率を示している。

次に、ステップ１４では、以下の数３の式に基づいて、後向き変数β_t(i)を演算する。このとき、後向き変数β_t(i)は、時刻ｔに状態ｉにいて時刻ｔ＋１から最後までの部分観測列｛Ｏ_t+1，Ｏ_t+2，…，Ｏ_T｝を観測する確率を示している。

次に、ステップ１５では、以下の数４の式に基づいて、時刻ｔで状態ｉにいる確率γ_t(ｉ)を演算する。

次に、ステップ１６では、確率γ_t(ｉ)を用いてパラメータλを更新する。具体的に説明すると次のようになる。まず、時刻ｔに状態ｉにいて時刻ｔ＋１に状態ｊにいる確率をξ_t(i,j)とすると、この確率ξ_t(i,j)は以下の数５の式で表される。

ここで、前向き変数α_t(i)と後向き変数β_t(i)の定義から、確率γ_t(ｉ)と確率ξ_t(i,j)との間には、以下の数６の式に示す関係が存在する。

以上より、体温検出データＤ1が離散化された場合には、再推定計算後の初期状態確率π_i、状態遷移確率ａ_ijおよび体温検出データ出力確率ｂ_j(k)はそれぞれ次の数７、数８および数９の式で表すことができる。

バーム・ウェルチの学習アルゴリズムでは、再推定することによって、再推定後のモデルパラメータλによりデータ系列Ｏを出力する確率Ｐr（Ｏ｜λ）は、再推定前のモデルパラメータλによりデータ系列Ｏを出力する確率Ｐr（Ｏ｜λ）よりも高くなることが保証されている。従って、以上のステップ１３〜１６を繰り返すことによって、体温データ系列Ｏに基づくモデルパラメータλを得ることができる。

また、ステップ１６が終了すると、ステップ１７に移行する。そして、ステップ１７では、モデルパラメータλが収束したか否かを判定するために、以下の数１０の式に基づいて、再推定後のモデルパラメータλによる確率Ｐr（Ｏ｜λ）の対数値ηを演算する。なお、対数演算を行うのは、確率Ｐr（Ｏ｜λ）の値は小さすぎる傾向があるから、対数を用いた方が収束の判定が行い易いためである。

次に、ステップ１８では、再推定前、後の対数値ηの差Δηが予め決められた所定の収束判定値δよりも大きいか否かを判定する。そして、ステップ１８で「ＹＥＳ」と判定したときには、再推定前、後の確率Ｐr（Ｏ｜λ）の差が大きく、パラメータλが収束していないから、ステップ１３からの処理を繰り返す。

一方、ステップ１８で「ＮＯ」と判定したときには、再推定前、後の確率Ｐr（Ｏ｜λ）の差が小さく、パラメータλが収束したものと考えられる。このため、ステップ１９に移行して、このときの再推定の演算結果を最適なモデルパラメータλoptとして出力し、ステップ２０でリターンする。

本実施の形態では、上述した月経周期推定処理および隠れマルコフモデルの構築処理を行うもので、次にこれらの処理を用いたときの被測定者Ｈ0の状態の推定結果について説明する。

ここでは、特定の被測定者Ｈ0について６ヶ月の測定期間に亘って体温検出データＤ1を測定したときに、この測定期間分の体温検出データＤ1を用いて測定期間中の被測定者Ｈ0を推定した場合を例に挙げて説明する。

まず、処理装置１１は、予め蓄積された６ヶ月分の体温検出データＤ1に対して、欠損データを削除し、残りのデータＤ1を連結する。これにより、図１０中の特性線Ａ1に示すように、５２００程度のデータＤ1が連結された体温データ系列Ｏが生成される。

次に、この体温データ系列Ｏに対して、前処理と離散化を行った後、隠れマルコフモデルの構築処理を行う。これにより、体温データ系列Ｏを出力する最尤のモデルＨＭＭが構築されるから、この構築されたモデルＨＭＭを用いて体温データ系列Ｏを出力する最尤の状態系列Ｑ^*を求める。この結果、図１０中の特性線Ａ2に示すように、体温データ系列Ｏに対応して１ヶ月程度の周期性をもった状態系列Ｑ^*を得ることができる。但し、状態系列Ｑ^*には、測定期間の全体に亘って外れ値が生じ、低温相ｑ₁と高温相ｑ₂とがδ関数のように急激に切換わる部分が生じている。

そこで、処理装置１１は、モデルＨＭＭを用いて求めた状態系列Ｑ^*に対して、中央値フィルタやその他の確率手法を用いた状態特定処理を行う。これにより、外れ値を除去することができるから、図１０中の特性線Ａ3に示すように、状態系列Ｑ^*は、低温相ｑ₁と高温相ｑ₂とが１ヶ月程度の単位で周期性をもって切換わり、月経周期の二相性を明確に把握することができる。

また、高温相ｑ₂から低温相ｑ₁への変化点は、月経の始まり信号となる。そこで、処理装置１１によって推定された状態系列Ｑ^*（図１０中の特性線Ａ3）において、高温相ｑ₂から低温相ｑ₁に切換わる時期と、実際に月経が生じた時期とを比較した。この結果、図１０に示すように、状態系列Ｑ^*中の高温相ｑ₂から低温相ｑ₁に切換わる時期と実施の月経の時期とがほぼ一致しており、モデルＨＭＭを用いた月経周期の推定が有効であることが確認できた。

かくして、本実施の形態によれば、体温データ系列Ｏを用いて低温相ｑ₁および高温相ｑ₂の２つの状態をもったモデルＨＭＭを構築し、該モデルＨＭＭが体温データ系列Ｏを出力する最尤の状態系列Ｑ^*を求めるから、この状態系列Ｑ^*に含まれる状態ｑ_t ^*を判定することによって、体温データ系列Ｏを測定した複数日に亘る被測定者Ｈ0の状態を特定することができる。この結果、体温データ系列Ｏに外気等の影響によって計測のアーチファクトが生じる場合でも、被測定者Ｈ0の二相性を明確に把握することができる。

また、処理装置１１は、最尤の状態系列Ｑ^*に対して中央値フィルタやその他の確率手法を用いた後処理を行うから、状態系列Ｑ^*に含まれる不連続な外れ状態を除去することができる。この結果、数時間や数日単位で状態が頻繁に切り換わることがなくなり、１ヶ月程度の周期性をもって低温相ｑ₁および高温相ｑ₂を繰り返す被測定者Ｈ0の二相性を明確に把握することができる。

また、本実施の形態では、処理装置１１は、体温検出データＤ1のうち予め設定された温度および温度変化のうち少なくともいずれか一方で許容範囲以外となる値を削除して体温データ系列Ｏを生成する。このため、モデルＨＭＭを構築するときに、温度の許容範囲以外または温度変化の許容範囲以外の体温検出データＤ1を用いることがなくなる。この結果、体温検出データＤ1の異常な値がモデルＨＭＭに影響することがなくなり、モデルＨＭＭを用いて被測定者Ｈ0の状態を推定したときに、この推定結果の精度を高めることができる。

また、処理装置１１は、モデルＨＭＭを構築する前に体温データ系列Ｏに対して中央値フィルタを用いたフィルタ処理を行うから、体温データ系列Ｏに含まれる不連続な外れ値を除去することができる。そして、処置装置１１は、このフィルタ処理を行った後の体温データ系列Ｏを用いてモデルＨＭＭを構築するから、外れ値を含む体温データ系列Ｏを用いた場合に比べて、モデルＨＭＭのモデルパラメータλに外れ値が影響するのを防止することができ、被測定者Ｈ0の状態の推定精度を高めることができる。

さらに、処理装置１１は体温データ系列Ｏの体温検出データＯ_tが温度に対して離散的な値を有する状態でモデルＨＭＭを構築したから、モデルＨＭＭは離散型の体温検出データＯ_tに応じて離散確率分布からなる体温検出データ出力確率Ｂを有する。このため、温度に対して離散的な体温検出データＯ_tからなる体温データ系列Ｏと離散型のモデルＨＭＭとを用いて最尤の状態系列Ｑ^*を求めることができる。また、離散型の隠れマルコフモデルＨＭＭを用いるから、連続型の隠れマルコフモデルを用いた場合に比べて、隠れマルコフモデルの構築処理に必要な時間、記憶容量等を減縮することができる。

さらに、本実施の形態では、センサ装置１のケーシング２には記憶部６に記憶した体温検出データＤ1を外部の処理装置１１に転送する表示部９を設ける構成とした。このため、表示部９に表示した２次元コードを用いて、記憶部６内の体温検出データＤ1を外部の処理装置１１に転送し、該処理装置１１を用いて、モデルＨＭＭを構築することができる。

このため、例えば被測定者Ｈ0について数ヶ月間に亘る体温検出データＤ1を用いてモデルＨＭＭを構築するときでも、処理装置１１は、これらの大量の体温検出データＤ1を大容量の記憶回路内に蓄積し、高速に演算処理することができるから、モデルＨＭＭの構築および最尤の状態系列Ｑ^*の算出を速やかに行うことができる。

なお、第１の実施の形態では、図８中のステップ１〜４はデータ系列生成手段の具体例、ステップ１、２は範囲外データ削除手段の具体例、ステップ３、４は前処理手段の具体例をそれぞれ示している。また、図８中のステップ５および図９中のステップ１１〜２０はモデル構築手段の具体例、ステップ６は状態系列演算手段の具体例、ステップ７は状態特定手段の具体例をそれぞれ示している。

また、ステップ３の前処理およびステップ７の状態特定処理では、中央値フィルタを用いる構成としたが、例えば外れ値（外れ状態）を除去するものであればよく、例えば低域通過フィルタ等を用いる構成としてもよい。

さらに、前処理や状態特定処理に用いる中央値フィルタは、例えば１１個のデータを用いてフィルタ処理を行う構成としたが、フィルタ処理に用いるデータ数は体温検出データＤ1を検出する時間間隔等に応じて適宜設定されるものである。

次に、図１１および図１２は本発明の第２の実施の形態を示し、本実施の形態の特徴は、処理装置は体温データ系列の体温検出データが温度に対して連続的な値を有する状態で隠れマルコフモデルを構築する構成としたことにある。なお、本実施の形態では、前述した第１の実施の形態と同一の構成要素に同一の符号を付し、その説明を省略するものとする。

２１は本実施の形態による処理装置で、該処理装置２１は、第１の実施の形態による処理装置１１とほぼ同様にデータ系列生成手段、モデル構築手段、状態系列演算手段、状態特定手段を構成する。但し、処理装置２１は、図１２に示すように、体温データ系列Ｏの体温検出データＯ_t（１≦t≦Ｔ）が温度に対して連続的な値を有する状態で隠れマルコフモデルＨＭＭを構築する点で第１の実施の形態による処理装置１１とは異なる。

具体的には、処理装置２１は、データの離散化処理を行わない。このため、体温検出データＯ_t（１≦t≦Ｔ）は、温度に対して連続的な値となる。

また、モデルＨＭＭは、連続型の体温検出データＯ_tに応じて連続確率分布からなる体温検出データ出力確率Ｂを有する。このため、体温検出データ出力確率Ｂは、Ｍ個のガウシアン（Gaussian）分布の合成によると仮定し、以下の数１１の式で表される。このとき、数１２の式に示す制限条件が付加される。

体温検出データ出力確率Ｂの定義に伴い、モデルパラメータλを更新（再推定）するときには、ガウシアン分布密度関数Ｇの各パラメータ（混合係数ｃ_jm、平均ベクタμ_jm、共分散行列Ｕ_jm）は、以下の数１３〜数１６の式を用いて求める。

かくして、このように構成される第２の実施の形態でも、第１の実施の形態とほぼ同様の作用効果を得ることができる。特に、第２の実施の形態では、処理装置２１は、体温データ系列Ｏの体温検出データＯ_tが温度に対して連続的な値を有する状態で隠れマルコフモデルＨＭＭを構築するから、該モデルＨＭＭは連続型の体温検出データＯ_tに応じて連続確率分布からなる体温検出データ出力確率Ｂを有する。このため、温度に対して連続的な体温検出データＯ_tからなる体温データ系列Ｏと連続型の隠れマルコフモデルＨＭＭとを用いて状態系列Ｑ^*を求めることができる。また、連続型の隠れマルコフモデルＨＭＭを用いるから、第１の実施の形態のように離散型の隠れマルコフモデルを用いた場合に比べて、状態系列Ｑ^*の精度を高めることができる。

次に、図１３および図１４は本発明の第３の実施の形態を示し、本実施の形態の特徴は、処理装置は、被測定者の状態を円グラフおよび棒グラフを用いて表示する構成としたことにある。なお、本実施の形態では、前述した第１の実施の形態と同一の構成要素に同一の符号を付し、その説明を省略するものとする。

図１３は処理装置１１によってホームページ内に表示された円グラフ３１を示している。ここで、円グラフ３１は８等分の扇形をなす第１〜第８ステージ３１Ａ〜３１Ｈに分割され、半分の第１〜第４ステージ３１Ａ〜３１Ｄは低温期に対応し、残余の第５〜第８ステージ３１Ｅ〜３１Ｈは高温期に対応している。これにより、円グラフ３１は、被測定者が低温期および高温期（第１〜第８ステージ３１Ａ〜３１Ｈ）のいずれのステージに該当するのかを表示するものである。

そして、円グラフ３１の１周分が基礎体温の１周期に該当するものとし、１サイクル（１周）は基本的に２８日としている。このとき、第１，第２，第５，第６ステージ３１Ａ，３１Ｂ，３１Ｅ，３１Ｆはそれぞれ４日が割り当てられ、第３，第４，第７，第８ステージ３１Ｃ，３１Ｄ，３１Ｇ，３１Ｈはそれぞれ３日が割り当てられる。また、第１ステージ３１Ａの初日は、例えば被測定者Ｈ0がセンサ装置１を用いて記録した月経開始日が設定される。

そして、処理装置１１は、原則として最新の体温検出データＤ1が計測された日（最新計測日）が、最新の変化点から経過した日数に応じて第１〜第４ステージ３１Ａ〜３１Ｄのいずれに該当するかを判定する。即ち、処理装置１１は、原則として最新計測日が第１ステージ３１Ａの初日から経過した日数に応じて第１〜第４ステージ３１Ａ〜３１Ｄのいずれに該当するかを判定する。そして、処理装置１１は、最新計測日が該当するステージ中に例えば文字記号（例えば星印）を表示する。なお、該当するステージは、文字記号に限らず、例えば点滅等によって表示する構成としてもよい。

但し、最新の立ち下がり変化点を経過した後に、低温相ｑ₁から高温相ｑ₂への変化点（立ち上がり変化点）も経過した場合には、この立ち上がり変化点が生じた日を第５ステージ３１Ｅに突入した日と判定する。そして、最新計測日が立ち上がり変化点から経過した日数に応じて第５〜第８ステージ３１Ｅ〜３１Ｈのいずれに該当するかを判定し、該当するステージ中に例えば文字記号を表示する。

逆に、最新計測日が第１ステージ３１Ａの初日から１２日以上経過しても立ち上がり変化点が生じないときには、第４ステージ３１Ｄに留まっているものとして、第４ステージ３１Ｄ中に文字記号を表示する。特に、最新計測日が第１ステージ３１Ａの初日から１５日以上経過しても立ち上がり変化点が生じないときには、低温期が長引いていると判断し、その旨を表示する。

また、処理装置１１は、第５ステージ３１Ｅの初日（最新の立ち上がり変化点の日）から１７日以上が経過しても次回の立ち下がり変化点が生じない場合は、処理装置１１は、第８ステージ３１Ｈ中に文字記号を表示すると共に、妊娠の可能性がある旨を表示する。ここで、妊娠した場合には、一般的に基礎体温は１６週頃から徐々に下降して２０週頃には低温相ｑ₁に戻るから、１６週から２０週程度の間で低温相ｑ₁に戻ったときには、妊娠の可能性が高い旨を表示する。

図１４は処理装置１１によって円グラフ３１とは別個にホームページ内に表示された棒グラフ３２を示している。ここで、棒グラフ３２は最新の立ち下がり変化点が生じた日を月経開始日として決定し、その日付と一緒に月経開始を示す記号（例えば丸記号）で表示する。

また、処理装置１１は、高温期に該当する日には高温期であることを示す文字記号（例えば黒星印）を１個または複数個（例えば３個）表示する。一方、処理装置１１は、低温期に該当する日には低温期であることを示す文字記号（例えば白星印）を１個または複数個（例えば３個）表示する。

これにより、折れ線グラフによる表示を用いた場合に比べて、例えば携帯電話ＰＴの画面でも見易く表示することができる。

なお、高温期を示す文字記号を赤色、低温期を示す文字記号を青色等のように、色分け表示する構成としてもよい。

また、被測定者に当日の体調（良、悪）を申告してもらい、棒グラフ３２には、日付に対応した位置に、申告された当日の体調を簡単な文字記号（例えば、φで好調、#で普通、bで悪い気分）を用いて表示する構成としてもよい。

また、過去の月経周期に基づいて、次回の月経期（立ち下がり変化点）を予測し、この予測日を表示する構成としてもよい。この場合、次回の月経期は、前回の月経期に直前の月経周期の１周期分の日数を加えることによって予測してもよく、過去数回の月経周期についてこれらの１周期分の平均日数を演算し、この平均日数を前回の月経期に加えることによって予測してもよい。さらに、月経周期の延長、縮小の変動が周期的に生じるものとして、この月経周期の周期性を考慮して月経周期の１周期分の日数を演算し、この演算した１周期分の日数を前回の月経期に加えることによって、次回の月経期を予測してもよい。

また、立ち上がり変化点の生じた日の前，後２日の期間を可能な***期として、その旨を表示する構成としてもよい。さらに、過去の月経周期に基づいて、次回の***期を予測する構成としてもよい。この場合、次回の***期の予測は、前記次回の月経期の予測とほぼ同様に行うことができる。

また、被測定者に黄体機能不全が生じると、黄体ホルモンの分泌が不十分で高温期を維持できないため、高温期の後半に体温が下降したり、極端に高温期が短いまま月経が生じ、妊娠し難い状態となる。このため、高温期の期間が１０日未満となったときには、黄体機能不全の可能性があると推定し、その旨を表示する構成としてもよい。

また、無***性周期では、周期的な出血はあるが、基礎体温の変化は現れずに低温期のまま月経を迎える。このような周期パターンの場合、***はないので妊娠しない。このため、月経周期の二相性変化が現れないときには、無***性周期の可能性があると推定し、その旨を表示する構成としてもよい。

かくして、このように構成される第３の実施の形態でも、第１の実施の形態とほぼ同様の作用効果を得ることができる。特に、処理装置１１は、被測定者の状態を示す円グラフ３１および棒グラフ３２を表示する構成としたから、被測定者が円グラフ３１、棒グラフ３２を目視することによって、最新計測日等の状態を容易に把握することができる。

また、第３の実施の形態では、第１の実施の形態による処理装置１１を用いて、円グラフ３１、棒グラフ３２を作成する構成とした。しかし、本発明はこれに限らず、例えば第２の実施の形態による処理装置２１を用いて円グラフ３１、棒グラフ３２を作成する構成としてもよい。

また、前記各実施の形態では、隠れマルコフモデルＨＭＭは、低温相ｑ₁と高温相ｑ₂の２つの状態のみを有する構成とした。しかし、本発明はこれに限らず、例えば図１５に示す変形例による隠れマルコフモデルＨＭＭのように、低温相ｑ₁と高温相ｑ₃との間に中温相ｑ₂を設け、隠れマルコフモデルＨＭＭがこれら３つの状態を有する構成としてもよい。これにより、低温相ｑ₁から高温相ｑ₃への立ち上がり変化点や高温相ｑ₃から低温相ｑ₁への立ち下がり変化点を詳しく調べることができる。また、中温相ｑ₂を設けた場合には、低温相ｑ₁と高温相ｑ₃との間で直接遷移する確率が低くなると考えられるから、最尤の状態系列を求めるときには、ビタビアルゴリズム（Viterbi algorithm）を用いることが計算時間、計算コストを削減する上で有効である。

また、前記各実施の形態では、センサ装置１は計測の開始時間と終了時間を予め設定しておき、これらの間で一定時間毎に体温検出データＤ1を検出する構成とした。しかし、本発明はこれに限らず、センサ装置１は、例えば体温検出部３によって検出した体温Ｔ1が一定温度（例えば３２℃）を超えて上昇すると、体温検出データＤ1の読込み、記憶を開始し、一定温度よりも低下すると、体温検出データＤ1の読込み等を終了する構成としてもよい。

さらに、センサ装置１にマイクロ方位スイッチを設け、被測定者が座位または立位から臥位に姿勢を変更すると、方位スイッチがオン状態となり、被測定者が臥位から座位または立位に姿勢を変更すると、方位スイッチがオフ状態となる構成としてもよい。これにより、センサ装置１は、方位スイッチのオン状態、オフ状態に応じて体温検出データＤ1の読込み等を開始、終了を行うことができる。

また、前記各実施の形態では、就寝中の体温検出データＤ1を１日当り複数回検出する構成としたが、例えば体温が十分に安定した後に１日当り１回だけ検出する構成としてもよい。

本発明の第１の実施の形態によるウエアラブルセンサ装置を被測定者が装着した状態を示す外観図である。 図１中のウエアラブルセンサ装置を単体で示す正面図である。 図２中のウエアラブルセンサ装置を示す背面図である。 ウエアラブルセンサ装置を図２中の矢示IV−IV方向からみた断面図である。 ウエアラブルセンサ装置に設けられたコントロールユニットの構成を示すブロック図である。 ウエアラブルセンサ装置と外部の処理装置とから構成した月経周期推定装置を示す説明図である。 第１の実施の形態による隠れマルコフモデルを示す説明図である。 月経周期推定処理を示す流れ図である。 図８中の隠れマルコフモデルの構築処理を示す流れ図である。 前処理後の体温データ系列、最尤の状態系列、状態特定処理後の状態系列をそれぞれ示す特性線図である。 第２の実施の形態による月経周期推定装置を示す説明図である。 第２の実施の形態による隠れマルコフモデルを示す説明図である。 第３の実施の形態による円グラフを示す説明図である。 第３の実施の形態による棒グラフを示す説明図である。 変形例による隠れマルコフモデルを示す説明図である。

符号の説明

１ ウエアラブルセンサ装置
２ ケーシング
３ 体温検出部（体温検出手段）
５ コントロールユニット（データ読込み手段）
６ 記憶部（記憶手段）
９ 表示部（転送手段）
１１，２１ 処理装置

Claims (9)

1. 被測定者の体温を複数日に亘って測定した体温データ系列を用いて被測定者が高温期と低温期とのうちいずれの状態にあるかを推定する月経周期推定装置であって、
   前記体温データ系列を用いて高温相および低温相の２つの状態をもった隠れマルコフモデルを構築し、該隠れマルコフモデルが前記体温データ系列を出力する最尤の状態系列を求め、該状態系列を用いて被測定者の月経周期における体温の二相性を特定する構成としてなる月経周期推定装置。
2. 被測定者の身体に常時装着可能なケーシングと、該ケーシングのうち被測定者の体表面側に設けられ体温を検出する体温検出手段と、測定日毎に開始時刻から終了時刻までの間に亘って予め決められた時間間隔で該体温検出手段による体温検出データを読込む読込み手段と、該読込み手段による体温検出データを記憶する記憶手段と、該記憶手段に記憶された体温検出データを複数日に亘って連結して前記体温データ系列を生成するデータ系列生成手段と、該データ系列生成手段による体温データ系列を用いて前記隠れマルコフモデルを構築するモデル構築手段と、該モデル構築手段による前記隠れマルコフモデルが前記体温データ系列を出力する最尤の状態系列を求める状態系列演算手段と、該状態系列演算手段による状態系列を用いて被測定者の月経周期における体温の二相性を特定する状態特定手段とを備える構成としてなる請求項１に記載の月経周期推定装置。
3. 前記状態特定手段は、前記状態系列に対して中央値フィルタを用いたフィルタ処理を行い、該フィルタ処理後の状態系列に含まれる状態を各体温検出データを測定したときの被測定者の状態とする構成としてなる請求項２に記載の月経周期推定装置。
4. 前記データ系列生成手段は、前記体温検出データのうち予め設定された温度および温度変化の許容範囲以外の値を削除し、残余の体温検出データを連結して体温データ系列を生成する範囲外データ削除手段と、該範囲外データ削除手段を用いて生成された体温データ系列に対して中央値フィルタを用いたフィルタ処理を行う前処理手段とを備え、
   前記モデル構築手段は、該前処理手段よるフィルタ処理を行った後の体温データ系列を用いて前記隠れマルコフモデルを構築する構成としてなる請求項２または３に記載の月経周期推定装置。
5. 前記モデル構築手段は、前記体温データ系列の体温検出データが温度に対して離散的な値を有する状態で前記隠れマルコフモデルを構築する構成としてなる請求項２，３または４に記載の月経周期推定装置。
6. 前記モデル構築手段は、前記体温データ系列の体温検出データが温度に対して連続的な値を有する状態で前記隠れマルコフモデルを構築する構成としてなる請求項２，３または４に記載の月経周期推定装置。
7. 前記モデル構築手段は外部の処理装置によって構成し、
   前記ケーシングには、前記記憶手段に記憶した体温検出データを該外部の処理装置に転送する転送手段を設ける構成としてなる請求項２，３，４，５または６に記載の月経周期推定装置。
8. 被測定者の体温を複数日に亘って測定した体温データ系列を用いて被測定者が高温期と低温期とのうちいずれの状態にあるかを処理装置が推定する月経周期推定方法であって、
   前記体温データ系列を用いて高温相および低温相の２つの状態をもった隠れマルコフモデルを構築し、該隠れマルコフモデルが前記体温データ系列を出力する最尤の状態系列を求め、該状態系列を用いて被測定者の月経周期における体温の二相性を特定する構成としてなる月経周期推定方法。
9. 被測定者の体温を複数日に亘って測定した体温データ系列を用いて被測定者が月経周期における体温の多相性のうちいずれの状態にあるかを処理装置が推定する月経周期推定方法であって、
   前記体温データ系列を用いて体温の多相性に対応する複数の隠れ状態をもった隠れマルコフモデルを構築し、該隠れマルコフモデルが前記体温データ系列を出力する最尤の状態系列を求め、該状態系列を用いて被測定者の月経周期における体温の多相性を特定する構成としてなる月経周期推定方法。

Images