JP6864460B2 - Disease prediction device - Google Patents
Disease prediction device Download PDFInfo
- Publication number
- JP6864460B2 JP6864460B2 JP2016215594A JP2016215594A JP6864460B2 JP 6864460 B2 JP6864460 B2 JP 6864460B2 JP 2016215594 A JP2016215594 A JP 2016215594A JP 2016215594 A JP2016215594 A JP 2016215594A JP 6864460 B2 JP6864460 B2 JP 6864460B2
- Authority
- JP
- Japan
- Prior art keywords
- activity
- information
- user
- disease
- subject
- 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.)
- Active
Links
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims description 230
- 201000010099 disease Diseases 0.000 title claims description 211
- 230000000694 effects Effects 0.000 claims description 318
- 208000035475 disorder Diseases 0.000 claims description 19
- 230000033001 locomotion Effects 0.000 claims description 7
- 239000006185 dispersion Substances 0.000 claims description 4
- 208000003443 Unconsciousness Diseases 0.000 claims description 3
- 230000001133 acceleration Effects 0.000 description 75
- 206010012289 Dementia Diseases 0.000 description 50
- 238000000034 method Methods 0.000 description 32
- 238000012545 processing Methods 0.000 description 10
- YJPIGAIKUZMOQA-UHFFFAOYSA-N Melatonin Natural products COC1=CC=C2N(C(C)=O)C=C(CCN)C2=C1 YJPIGAIKUZMOQA-UHFFFAOYSA-N 0.000 description 9
- 238000005259 measurement Methods 0.000 description 9
- DRLFMBDRBRZALE-UHFFFAOYSA-N melatonin Chemical compound COC1=CC=C2NC=C(CCNC(C)=O)C2=C1 DRLFMBDRBRZALE-UHFFFAOYSA-N 0.000 description 9
- 229960003987 melatonin Drugs 0.000 description 9
- 230000015654 memory Effects 0.000 description 9
- 238000000611 regression analysis Methods 0.000 description 7
- 208000024891 symptom Diseases 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000033764 rhythmic process Effects 0.000 description 6
- 238000012935 Averaging Methods 0.000 description 5
- 230000007423 decrease Effects 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 229940079593 drug Drugs 0.000 description 4
- 239000003814 drug Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 210000000707 wrist Anatomy 0.000 description 4
- 208000006820 Arthralgia Diseases 0.000 description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 3
- 230000005484 gravity Effects 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 208000024765 knee pain Diseases 0.000 description 3
- 238000007477 logistic regression Methods 0.000 description 3
- 229910052760 oxygen Inorganic materials 0.000 description 3
- 239000001301 oxygen Substances 0.000 description 3
- 230000028327 secretion Effects 0.000 description 3
- 210000002966 serum Anatomy 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 208000024827 Alzheimer disease Diseases 0.000 description 2
- 208000008035 Back Pain Diseases 0.000 description 2
- 208000001132 Osteoporosis Diseases 0.000 description 2
- 206010012601 diabetes mellitus Diseases 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010202 multivariate logistic regression analysis Methods 0.000 description 2
- 238000012314 multivariate regression analysis Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 206010019280 Heart failures Diseases 0.000 description 1
- 208000031226 Hyperlipidaemia Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 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 1
- 208000008930 Low Back Pain Diseases 0.000 description 1
- 206010057178 Osteoarthropathies Diseases 0.000 description 1
- 208000002193 Pain Diseases 0.000 description 1
- 208000013738 Sleep Initiation and Maintenance disease Diseases 0.000 description 1
- 206010046543 Urinary incontinence Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 208000019804 backache Diseases 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000035622 drinking Effects 0.000 description 1
- 201000010235 heart cancer Diseases 0.000 description 1
- 208000024348 heart neoplasm Diseases 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 206010022437 insomnia Diseases 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 201000003152 motion sickness Diseases 0.000 description 1
- 201000008482 osteoarthritis Diseases 0.000 description 1
- 208000019906 panic disease Diseases 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 230000009182 swimming Effects 0.000 description 1
- 230000002618 waking effect Effects 0.000 description 1
- 230000003936 working memory Effects 0.000 description 1
Images
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Description
本発明は、利用者の活動情報から利用者が将来発症する疾病や障害等を推定する、疾病予測方法、疾病予測プログラム、疾病予測装置及び疾病予測プログラムに関する。 The present invention relates to a disease prediction method, a disease prediction program, a disease prediction device, and a disease prediction program for estimating diseases, disorders, etc. that the user will develop in the future from the activity information of the user.
アルツハイマー等の認知症に罹患した患者は、不眠や夜間覚醒により日中に眠気を感じたり、活動が低下したりすることがある。この理由は、認知症の症状として、脳内物質であるメラトニンの分泌量の低下が起こることが挙げられる。メラトニンは、体内リズムを整える物質であり、人が朝日を浴びることによってその分泌が制御される。認知症患者では、分泌されるメラトニンの濃度がピークを持つ時刻のばらつきが大きくなり、分泌のタイミングが健常者と相違するようになる。
図6(a)、図6(b)は、いずれも縦軸に分泌される血清中のメラトニン濃度を示し、横軸に分泌の時刻を示した図であり、図6(a)は健常者のものである。図6(b)はアルツハイマーを発症した患者のものである(出典:Mishima K, Tozawa T, Satoh K et al. "Melatonin secretion rhythm disorders in patients with senile dementia of Alzheimer's type with disturbed sleep-waking." Biol Psychiatry 1999;45:417-421.)。図6(a)、図6(b)から明らかなように、健常者ではメラトニンの濃度が夕方から高まって深夜にピークを向かえ、早朝に向けて下降している。このようなメラトニンの変化により、健常者は、夜に眠り、翌朝目覚めるというリズムに従って行動することができる。
Patients with dementia such as Alzheimer's may feel drowsy during the day or have reduced activity due to insomnia or night awakening. The reason for this is that as a symptom of dementia, a decrease in the amount of melatonin, which is a substance in the brain, occurs. Melatonin is a substance that regulates the rhythm of the body, and its secretion is controlled when a person is exposed to the morning sun. In patients with dementia, the time when the concentration of secreted melatonin peaks varies widely, and the timing of secretion becomes different from that in healthy subjects.
6 (a) and 6 (b) are both diagrams showing the concentration of melatonin in serum secreted on the vertical axis and the time of secretion on the horizontal axis, and FIG. 6 (a) is a healthy subject. belongs to. FIG. 6 (b) shows patients who developed Alzheimer's disease (Source: Mishima K, Tozawa T, Satoh K et al. Psychiatry 1999; 45: 417-421.). As is clear from FIGS. 6 (a) and 6 (b), in healthy subjects, the melatonin concentration increases from the evening, peaks at midnight, and decreases toward early morning. These changes in melatonin allow healthy individuals to act according to the rhythm of sleeping at night and waking up the next morning.
これに対し、アルツハイマー患者のメラトニン濃度は、一日のうちの変化が健常者より少ない。このため、アルツハイマー患者は、一日の時間帯と睡眠及び覚醒のタイミングが合わず、行動に昼夜逆転等の不具合が生じやすくなる。 In contrast, melatonin levels in Alzheimer's patients change less during the day than in healthy individuals. For this reason, Alzheimer's patients are liable to have problems such as day-night reversal in their behavior because the time zone of the day does not match the timing of sleep and awakening.
ところで、被験者の行動から疾病を予測する公知技術が、例えば、特許文献1、特許文献2に記載されている。特許文献1に記載の老年障害リスクの評価方法は、シート式の圧力センサを使って被験者の歩行の歩幅や角度を検出し、検出値に基づいて被験者の老年障害のリスクを予見する。また、特許文献2に記載の生体解析装置は、被験者に加速度センサ等を装着して活動度を時系列に計測する。そして、計測データを分割して解析し、解析の結果と被験者の行動や心理状態との関係によって被験者の状態を評価している。
By the way, known techniques for predicting a disease from the behavior of a subject are described in, for example, Patent Document 1 and
しかしながら、被験者にセンサを取り付けて行われる歩行実験は、設備のある施設等において行う必要があり、被験者にとって負担になる。このため、このような実験は、日常的に行って被験者の生活のリズムの乱れを早期に発見することには不適である。また、被験者の行動と心拍数等の活動情報との関係は、突発的に生じる乗り物酔いやパニック障害及び疾病の予兆を検出するものであり、日常的な生活リズムの乱れを検出することには不向きであると考えられる。
本発明は、上記の点に鑑みてなされたものであり、測定にかかる被験者の負荷が小さく、かつ日常的な生活リズムの乱れから疾病の発症を予測することができる疾病予測方法、疾病予測プログラム、疾病予測装置及び疾病予測プログラムに関する。
However, the walking experiment performed by attaching the sensor to the subject needs to be performed in a facility or the like equipped with equipment, which is a burden on the subject. For this reason, such an experiment is not suitable for performing it on a daily basis to detect a disorder in the rhythm of the subject's life at an early stage. In addition, the relationship between the subject's behavior and activity information such as heart rate is to detect signs of sudden motion sickness, panic disorder, and illness, and to detect disturbances in daily life rhythms. It is considered unsuitable.
The present invention has been made in view of the above points, and is a disease prediction method and a disease prediction program capable of predicting the onset of a disease from a disorder of daily life rhythm with a small load on the subject for measurement. , Disease Predictor and Disease Prediction Program.
上記課題を解決するため、本発明の疾病予測方法は、少なくとも、予め取得された複数の被験者が行った活動の状況及び当該活動が行われた時間帯に関する被験者活動情報と、前記被験者の身体の状態に関する被験者状態情報と、の関連性を表す疾病関連情報に、利用者が行った活動の状況及び当該活動が行われた時間帯に関する利用者活動情報を適用して前記利用者が発症する疾病または障害を予測する疾病予測工程を含むことを特徴とする。 In order to solve the above-mentioned problems, the disease prediction method of the present invention provides at least subject activity information regarding the status of activities performed by a plurality of subjects acquired in advance and the time zone in which the activities were performed, and the body of the subject. Diseases that the user develops by applying the user activity information regarding the status of the activity performed by the user and the time zone during which the activity was performed to the disease-related information indicating the relationship with the subject state information regarding the state. Alternatively, it is characterized by including a disease prediction step for predicting a disorder.
また、本発明の疾病予測プログラムは、少なくとも、予め取得された複数の被験者が行った活動の状況及び当該活動が行われた時間帯に関する被験者活動情報と、前記被験者の身体の状態に関する被験者状態情報と、の関連性を表す疾病関連情報に、利用者が行った活動の状況及び当該活動が行われた時間帯に関する利用者活動情報を適用して前記利用者が発症する疾病または障害を予測する疾病予測ステップを含むことを特徴とする。 In addition, the disease prediction program of the present invention has at least subject activity information regarding the status of activities performed by a plurality of subjects acquired in advance and the time zone during which the activities were performed, and subject status information regarding the physical condition of the subject. By applying the user activity information regarding the status of the activity performed by the user and the time zone in which the activity was performed to the disease-related information indicating the relationship between the above and the above, the disease or disorder that the user develops is predicted. It is characterized by including a disease prediction step.
また、本発明の疾病予測装置は、少なくとも、予め取得された複数の被験者が行った活動の状況及び当該活動が行われた時間帯に関する被験者活動情報と、前記被験者の身体の状態に関する被験者状態情報と、の関連性を表す疾病関連情報に、利用者が行った活動の状況及び当該活動が行われた時間帯に関する利用者活動情報を適用して前記利用者が発症する疾病または障害を予測する疾病予測部を備えることを特徴とする。 In addition, the disease prediction device of the present invention has at least subject activity information regarding the status of activities performed by a plurality of subjects acquired in advance and the time zone during which the activities were performed, and subject state information regarding the physical condition of the subject. By applying the user activity information regarding the status of the activity performed by the user and the time zone in which the activity was performed to the disease-related information indicating the relationship between the above and the above, the disease or disorder that the user develops is predicted. It is characterized by having a disease prediction unit.
また、本発明の疾病予測システムは、利用者が行った活動の状況及び当該活動が行われた時間帯に関する利用者活動情報を取得する活動情報取得装置と、前記活動情報取得装置から前記利用者活動情報を入力する入力部と、前記利用者活動情報に基づいて前記利用者が発症する疾病または障害を予測する疾病予測部と、を備えることを特徴とする。 In addition, the disease prediction system of the present invention includes an activity information acquisition device that acquires user activity information regarding the status of activities performed by the user and the time zone in which the activity was performed, and the user from the activity information acquisition device. It is characterized by including an input unit for inputting activity information and a disease prediction unit for predicting a disease or disorder that the user develops based on the user activity information.
以上説明した本発明は、測定にかかる被験者の負荷が小さく、かつ日常的な生活リズムの乱れから疾病の発症を推定することができる疾病予測方法、疾病予測プログラム、疾病予測装置及び疾病予測プログラムを提供することができる。 The present invention described above provides a disease prediction method, a disease prediction program, a disease prediction device, and a disease prediction program that can estimate the onset of a disease from a disorder of daily life rhythm while the load on the subject for measurement is small. Can be provided.
以下、本発明の一実施形態を図面に基づいて説明する。なお、すべての図面において、同様の構成要素には同様の符号を付し、重複する説明は適宜省略する。 Hereinafter, an embodiment of the present invention will be described with reference to the drawings. In all drawings, similar components are designated by the same reference numerals, and duplicate description will be omitted as appropriate.
[疾病予測装置及び疾病予測システム]
(疾病予測装置)
図1は、本実施形態の疾病予測装置10を説明するための図である。疾病予測装置10は、疾病予測装置の利用者(以下、単に「利用者」と記す)が行った活動の状況及びこの活動が行われた時間帯に関する活動情報に基づいて利用者が発症する疾病または障害(以下、単に「疾病等」と記す)を予測する疾病予測部132を備えている。疾病等の予測は、少なくとも、予め取得された複数の被験者(以下、単に「被験者」と記す)が行った活動の状況及びこの活動が行われた時間帯に関する被験者活動情報と、被験者の身体の状態に関する被験者状態情報と、の関連性を表す疾病関連情報に、利用者が行った活動の状況及び活動が行われた時間帯に関する利用者活動情報を適用して行われる。
ここで、「活動」とは、利用者の意識、無意識に関わらず行われる身体の動きを指す。利用者が意識して行う活動には、例えば歩行や水泳等が挙げられる。無意識のうちに行う活動には、例えば、寝返りや心臓の脈動等の他、座位や立位での姿勢維持(静止状態)が挙げられる。疾病は、例えば心不全や癌といった身体の異常をいう。本実施形態では、特に鬱病や糖尿病といった生活習慣の影響を受けやすい内因性のものを対象とする。障害は、疾病とまでは言わないものの、老化等によって起こる身体の不具合を指す。本実施形態では、特に、腰痛、膝痛及び転倒等の身体の劣化によって発症するものを対象とする。被験者とは、疾病関連情報を作成するための活動情報及び状態情報を提供する者をいい、利用者とは、この疾病関連情報を利用した疾病予測方法を利用する者をいう。
また、本実施形態でいう「活動の状況」とは、被験者または利用者が一日のうちの特定の時間帯に行った活動の活動量または活動強度をいう。「活動量」は動作を行った回数や時間、ある一定の活動の強度の出現頻度等によって表される。「活動の強度」は、動作時に身体に加わった力によって表される。「被験者状態情報」とは、被験者を実際に検査や診断して得られた疾病等の情報である。利用者が発症する疾病等の予測は、疾病関連情報に利用者の活動情報を適用して得られる認知症INDEX(インデックス)や鬱病INDEX等のINDEXによって評価される。各疾病のINDEXは、利用者が疾病を発症する兆候の度合いを示す数値である。
なお、疾病関連情報については、後に詳述する。
[Disease prediction device and disease prediction system]
(Disease prediction device)
FIG. 1 is a diagram for explaining the
Here, the "activity" refers to the movement of the body performed regardless of the user's consciousness or unconsciousness. Activities that the user is conscious of include, for example, walking and swimming. Activities performed unconsciously include, for example, turning over, pulsating the heart, and maintaining posture in a sitting or standing position (resting state). Disease refers to physical abnormalities such as heart failure and cancer. In this embodiment, an endogenous substance that is particularly susceptible to lifestyle-related effects such as depression and diabetes is targeted. Disability, if not illness, refers to physical problems caused by aging and the like. In this embodiment, those caused by physical deterioration such as low back pain, knee pain and falls are targeted. A subject is a person who provides activity information and status information for creating disease-related information, and a user is a person who uses a disease prediction method using this disease-related information.
In addition, the "activity status" in the present embodiment means the amount of activity or activity intensity of the activity performed by the subject or the user during a specific time zone of the day. The "activity amount" is represented by the number and time of movements, the frequency of appearance of a certain intensity of activity, and the like. "Intensity of activity" is expressed by the force applied to the body during movement. "Subject status information" is information such as a disease obtained by actually inspecting or diagnosing a subject. The prediction of the disease or the like that the user develops is evaluated by INDEX such as dementia INDEX (index) and depression INDEX obtained by applying the user's activity information to the disease-related information. The INDEX of each disease is a numerical value indicating the degree of signs that the user develops the disease.
The disease-related information will be described in detail later.
疾病予測装置10は、疾病等を予測するために、利用者活動情報を取得する加速度センサ11を備えている。また、利用者活動情報に基づく処理を行うための制御部13、表示部15、タイマ17、関連情報蓄積用メモリ19及び入力部21を備えている。入力部21は、キーボード、ペンタブ、タッチパネル、音声入力装置のいずれであってもよい。
(加速度センサ)
加速度センサ11は、x、y、zの3軸方向の加速度を検出する加速度センサであって、y軸方向を重力方向として疾病予測装置10、ひいては利用者にかかる加速度を検出している。加速度センサ11としては、例えば、スズケン社のライフコーダEX(登録商標)や、ライフコーダPLUS等が使用される。加速度センサ11を使って活動情報を取得する本実施形態では、利用者の歩行動作を活動として計測している。歩行を計測する場合、加速度センサ11は、利用者の腰付近に装着される。
なお、本実施形態は、歩行以外の活動を活動情報の取得に採用してもよい。歩行以外の活動としては、例えば、利用者の手首の動き等が考えられる。手首が動いた回数や速度を計測する場合には、加速度センサ11を利用者の手首に装着することが考えられる。手首に加速度センサ11を装着すれば、利用者が座った状態で飲食したり機器を操作したりする活動を計測することができる。
The
(Acceleration sensor)
The
In this embodiment, activities other than walking may be adopted for acquiring activity information. As activities other than walking, for example, movement of the user's wrist can be considered. When measuring the number of times the wrist has moved or the speed, it is conceivable to wear the
(制御部)
制御部13は、活動情報作成部131、疾病予測部132及びメッセージ作成部133を備えている。活動情報作成部131は、加速度センサ11が取得した加速度に関する加速度データを入力する。そして、加速度データから利用者の歩行の歩数とその強度(以下、「活動強度」とも記す)を検出する。なお、活動強度は、例えば、歩行の「速度」により検出してもよい。
さらに、活動情報作成部131は、歩数または活動強度にタイマ17から取得した時刻の情報を対応つけて活動情報を作成する。このような制御部13は、所謂コンピュータであり、図示しないCPU(Central Processing Unit)やデータ蓄積用のメモリ及びワーキングメモリといった公知の構成を備えている。活動情報作成部131、疾病予測部132及びメッセージ作成部133は、各々コンピュータ上で動作して所定の機能を発揮するハードゥェアとプログラムとを含むものである。
活動情報作成部131は、加速度センサ11から出力された加速度信号を読み取り、以下に説明するように各種の演算処理によって活動の量及び活動強度を算出する。本実施形態は、活動量として歩行の歩数を加速度が加わった回数によって計測する。また、活動の強度を歩行の速度とし、速度を加わった加速度の強さによって計測する。
(Control unit)
The
Further, the activity
The activity
活動情報作成部131は、加速度センサ11で取得した加速度信号から重力方向の加速度成分を抽出してもよい。加速度信号から歩数や速度を算出する演算処理はこれまで各種が提案されており特に限定されない。以下に例を示す。
はじめに、活動情報作成部131は、加速度センサ11から逐次出力される加速度信号を電圧信号に変換し、デジタル変換及びノイズ除去し、三軸加速度の合成または重力方向成分の抽出等の処理を行って加速度データを生成する。なお、本実施形態において加速度とは、地球の重力加速度の影響を除去したものをいう。すなわち、歩行中の利用者には重力加速度と併せて1G(Gは重力加速度)を超える加速度(たとえば1.2G)が負荷される。活動情報作成部131は、計測された加速度から重力加速度の影響を排除した値(この場合、0.2G)を加速度として取得する。
The activity
First, the activity
歩数を計測する場合、活動情報作成部131は、加速度データを閾値と比較して加速度の値が閾値を上回ったことにより利用者の歩行を計測する。歩行の計測回数は、歩数としてカウントされる。また、歩行の活動強度を計測する場合、活動情報作成部131は、加速度データを閾値と比較して加速度の大きさを判定し、その判定結果に基づいて活動強度を算出する。閾値は活動情報作成部131に予め記憶されている。活動情報作成部131は、加速度センサ11が装着された状態で活動する利用者から加速度を常時計測し、所定の時間間隔(以下、強度決定間隔という)毎に時々刻々と歩数や歩行による活動強度を算出する。
本実施形態では、活動情報作成部131が、計測された加速度データをその大きさに基づいて例えば0から9及び0.5の11段階に分類する。分類された加速度データは、強度決定間隔の間に計測されたデータを1単位として前記したデータ蓄積用のメモリに記憶される。
When measuring the number of steps, the activity
In the present embodiment, the activity
強度決定間隔は、1秒以上10秒以下、たとえば4秒間や6秒間等とすることができる。強度決定間隔を10秒以下とすることで、利用者の活動の状況を詳細に解析することができる。
活動情報作成部131は、強度決定間隔毎に加速度センサ11からの加速度信号に基づいて1個または複数個の加速度データを生成して加速度の大きさを判定する。好ましくは、強度決定間隔毎に複数個の加速度データを生成してそれぞれ加速度の大きさを判定するとよい。この場合、加速度センサ11が加速度信号を取得するサンプリング間隔は、上記の強度決定間隔よりも短く設定し、より好ましくは強度決定間隔の時間内に加速度センサ11は加速度信号を複数回に亘って計測するように設定する。このため、強度決定間隔を1秒以上とすることで、加速度センサ11のサンプリング間隔を過度に短くすることなく、強度決定間隔の時間内に多くの加速度信号を加速度センサ11で計測することができる。
The intensity determination interval can be 1 second or more and 10 seconds or less, for example, 4 seconds or 6 seconds. By setting the intensity determination interval to 10 seconds or less, the activity status of the user can be analyzed in detail.
The activity
活動情報作成部131は、判定された加速度の大きさ毎の発生回数に基づいて、強度決定間隔の時間内における利用者の活動強度を決定する。これにより、瞬間的に大きな加速度が検出されたことに起因して活動強度が過大に判定されることが抑制される。また、検出された加速度の大きさが同等であっても、加速度の発生頻度の大小に基づいて活動強度を異なる強度段階に区別することができる。
活動情報作成部131は、強度決定間隔の時間内にカウントされた加速度を平均して活動強度を決定してもよい。これにより、利用者が立ち上がったり倒れたりした瞬間に記録される大きな加速度によって過度に高い活動強度が計測されることが防止される。このようにして、活動情報作成部131は強度決定間隔毎に、この強度決定間隔の時間内に取得された複数個の加速度データに基づいて1個の活動強度を生成することができる。
The activity
The activity
疾病予測部132は、関連情報蓄積用メモリ19から疾病関連情報を読み出す。そして、疾病関連情報に活動情報作成部131が作成した活動情報を適用して利用者が発症する疾病等を予測する。
メッセージ作成部133は、利用者の活動情報を被験者の活動情報や身長、体重及び年齢と比較して、利用者に行うべき活動の状況及びこの活動を行うべき時間帯を示唆するアドバイス情報を含んだメッセージを作成する。メッセージ作成部133によって作成されたアドバイス情報を含むメッセージは、表示部15に出力され、表示される。表示部15は、公知のディスプレイ装置であってもよい。また、本実施形態は、メッセージを表示部15にテキストで表示させる構成に限定されるものでなく、活動すべき時間帯や時間間隔を音声や光で利用者に通知するものであってもよい。
The
The
このような本実施形態の疾病予測装置10は、例えば、万歩計機能を持ったスマートフォンを使用して構成してもよい。疾病予測装置10を、スマートフォンを使用して構成した場合、加速度センサ11、タイマ17、関連情報蓄積用メモリ19、入力部21及び表示部15にスマートフォンが備える公知の構成を利用することもできる。
Such a
(疾病予測システム)
また、本実施形態は、上記した疾病予測装置10の構成に限定されるものではなく、活動情報を取得する活動情報取得装置と、取得された活動情報を演算処理して疾病を予測する疾病予測装置とを別体とすることもできる。
図2(a)、図2(b)は、活動情報取得装置と疾病予測装置とを別体とした構成を例示した図である。なお、本実施形態では、活動情報取得装置と疾病予測装置とを別体とした構成を「疾病予測システム」とも記す。図2(a)に示した構成は、活動情報取得装置30と、活動情報を使って疾病を予測する疾病予測装置50と、によって疾病予測システムを構築した例を示している。活動情報取得装置30は、加速度センサ11、活動情報作成部131及びタイマ17に加えて出力インターフェース(I/F)31を備えている。疾病予測装置50は、疾病予測部132、メッセージ作成部133、関連情報蓄積用メモリ19及び入力部21及び表示部15に加えて入力インターフェース(I/F)51を備えている。
(Disease prediction system)
Further, the present embodiment is not limited to the configuration of the
2 (a) and 2 (b) are diagrams exemplifying the configuration in which the activity information acquisition device and the disease prediction device are separated. In the present embodiment, the configuration in which the activity information acquisition device and the disease prediction device are separated is also referred to as a “disease prediction system”. The configuration shown in FIG. 2A shows an example in which a disease prediction system is constructed by an activity
出力I/F31及び入力I/F51は、データの記録媒体を使って活動情報取得装置30から疾病予測装置50に活動情報を入力するものであってもよい。また、有線あるいは無線で活動情報を授受するものであってもよく、赤外線通信によって活動情報を送受信するものであってもよい。
また、本実施形態は、図2(b)に示したように、加速度センサ11、活動情報作成部131及びタイマ17を備えた活動情報取得装置20と、疾病予測部132、メッセージ作成部133、関連情報蓄積用メモリ19、入力部21及び表示部15を備えた疾病予測装置40とをネットワークNに接続してコンピュータシステムを構築してもよい。
The output I /
Further, as shown in FIG. 2B, the present embodiment includes an activity
本実施形態を図2(a)のように活動情報取得装置30と疾病予測装置50とに分けて構成した場合、利用者が身体に装着する活動情報取得装置を小型化し、利用者の活動情報取得装置の装着にかかる負荷を軽減することができる。また、疾病予測部132やメッセージ作成部133を高精度な機器とすることができるので、利用者が発症する疾病等を高い精度で予測することができる。また、予測された疾病等の種別やメッセージの内容を多様化することができる。さらに、図2(b)に示したように、取得した活動情報を逐次疾病予測装置に送信すれば、利用者に対してリアルタイムにメッセージを送信することができる。
When the present embodiment is divided into the activity
[疾病予測方法]
次に、本実施形態の疾病予測方法を説明する。
本実施形態の疾病予測方法は、少なくとも、被験者の活動情報と被験者の状態情報と、の関連性を表す疾病関連情報に、利用者が行った活動の状況及びこの活動が行われた時間帯に関する利用者の活動情報を適用して利用者がかかる疾病等を予測する工程を含んでいる。
また、本実施形態の疾病予測方法では、上記工程において、さらに、利用者の身長、体重及び年齢の少なくとも一つに関する情報に基づいて利用者の疾病を予測する。
本実施形態では、このような疾病予測方法の説明に先立って、先ず、疾病関連情報について説明する。
[Disease prediction method]
Next, the disease prediction method of the present embodiment will be described.
The disease prediction method of the present embodiment relates to at least the disease-related information indicating the relationship between the activity information of the subject and the state information of the subject, the status of the activity performed by the user, and the time zone during which the activity was performed. It includes a process of predicting the disease, etc. that the user will suffer by applying the activity information of the user.
Further, in the disease prediction method of the present embodiment, in the above step, the disease of the user is further predicted based on the information regarding at least one of the height, weight and age of the user.
In the present embodiment, prior to the explanation of such a disease prediction method, first, disease-related information will be described.
(疾病関連情報)
本実施形態では、歩行の歩数、強度及び歩行の時間帯と認知症や鬱病の状態情報との関係を例にして疾病関連情報を説明する。本発明の発明者は、50人以上、好ましくは100人以上の被験者から各人の活動情報を取得した。活動情報の取得は、被験者の歩行を活動の指標とし、歩行の歩数を「活動量」、歩行の早さを「活動強度」とした。また、活動情報の取得は、図2(a)に示した活動情報取得装置30を被験者が28日間起きている間腰につけて行った。さらに、活動情報の取得は、3時間毎の歩行を1単位として行った。このため、本実施形態では、被験者の28日間の歩行の歩数と強度とが3時間毎に時間帯と対応つけられて記録される。
本実施形態の疾病推定方法は、適用可能な被験者の年齢に特に制限はない。鬱病は20代、30代といった若年層でも発症するからである。ただし、疾病として認知症を予測する場合、被験者の年齢は、好ましくは60歳以上、より好ましくは65歳以上、さらに好ましくは70歳以上である。また、被験者としては、例えば、医療従事者や消防士、警察官といった活動時間帯が不規則になりやすい者は好ましくない。
(Disease-related information)
In this embodiment, disease-related information will be described by taking as an example the relationship between the number of steps, intensity, and walking time zone of walking and the state information of dementia and depression. The inventor of the present invention obtained activity information of each person from 50 or more subjects, preferably 100 or more subjects. For the acquisition of activity information, the walking of the subject was used as an index of activity, the number of steps of walking was used as "activity amount", and the speed of walking was used as "activity intensity". Further, the activity information was acquired by wearing the activity
The disease estimation method of the present embodiment is not particularly limited in the age of the applicable subject. This is because depression also develops in young people such as those in their twenties and thirties. However, when predicting dementia as a disease, the age of the subject is preferably 60 years or older, more preferably 65 years or older, and even more preferably 70 years or older. Further, as the subject, for example, a person who tends to have irregular activity hours such as a medical worker, a firefighter, and a police officer is not preferable.
表1は、本実施形態において、鬱病及び認知症についての疾病関連情報を示す表である。表1に示したように、本実施形態の疾病関連情報はいずれも歩行に関する活動情報を含むパラメータを使った一次式によって表されている。
以下、本実施形態の疾病関連情報の作成方法について説明する。
本実施形態では、疾病関連情報を、以下の(A)から(E)の工程を実行することによって作成した。
(A)年齢、性別、身長及び体重(BMI)等の被験者の体格に関するデータを1つ以上取得する。
このような工程は、例えば、図2(a)に示した疾病予測装置50の入力部21からオペレータが入力することによって実行される。
Table 1 is a table showing disease-related information about depression and dementia in the present embodiment. As shown in Table 1, all the disease-related information of the present embodiment is expressed by a linear equation using parameters including activity information related to walking.
Hereinafter, a method for creating disease-related information according to this embodiment will be described.
In this embodiment, disease-related information is created by performing the following steps (A) to (E).
(A) Obtain one or more data on the subject's physique such as age, gender, height and weight (BMI).
Such a step is executed, for example, by inputting by an operator from the
(B)被験者の歩行に関する3時間毎の歩数や歩行の強度等の活動情報を取得する。
活動情報は、図2に示した活動情報取得装置30の加速度センサ11によって取得された加速度データを活動情報作成部131が処理することによって作成される。本実施形態では、活動情報作成部131によって作成される活動情報と共に疾病関連情報に適用される身長等のパラメータを以下のように44種類に定めた。なお、パラメータが平均値である場合、この平均値は特に記載がない限り全計測期間(28日間)を通じての平均値である。
(B) Acquire activity information such as the number of steps and the intensity of walking every 3 hours regarding the subject's walking.
The activity information is created by the activity
運動を歩行(走行を含む)とした場合、本実施形態は、以下の(1)から(10)に示した44種類のパラメータを定める。そして、このパラメータを使って被験者が発症する疾病を予測する疾病関連情報を作成する。 When the exercise is walking (including running), the present embodiment defines 44 types of parameters shown in the following (1) to (10). Then, using this parameter, disease-related information for predicting the disease that the subject develops is created.
(1) 1〜8;各時間帯の歩数の平均値
設定された3時間の時間帯(例えば3−6時)毎の歩数(Ns3−6)を計測する。そして、各時間帯の歩数の28日間の平均値(Ns3−6ave)を算出して、各時間帯の歩数の平均値とする。
Ns3−6ave、Ns6−9ave、Ns9−12ave、Ns12−15ave、Ns15−18ave、Ns18−21ave、Ns21−24ave、Ns24−3ave
(1) 1-8; Average value of the number of steps in each time zone The number of steps (Ns 3-6 ) in each set time zone (for example, 3-6 o'clock) for 3 hours is measured. Then, the average value (Ns 3-6ave ) of the number of steps in each time zone for 28 days is calculated and used as the average value of the number of steps in each time zone.
Ns 3-6ave , Ns 6-9ave , Ns 9-12ave , Ns 12-15ave , Ns 15-18ave , Ns 18-21ave , Ns 21-24ave , Ns 24-3ave
(2) 9〜16;各時間帯の活動強度の平均値
設定された3時間の時間帯(例えば3−6時)毎の活動の強度(Np3−6)を計測する。活動強度は3時間の間に変化するから、利用者が歩行中であると活動情報作成部131が判断した時間内における活動強度を強度決定間隔ごとに算出し、それらを時間平均した値を、その時間帯の平均活動強度とする。そして、各時間帯の平均活動強度に関して28日間の平均値(Np3−6ave)を算出して、各時間帯の活動強度の平均値とする。
Np3−6ave、Np6−9ave、Np9−12ave、Np12−15ave、Np15−18ave、Np18−21ave、Np21−24ave、Np24−3ave
(2) 9 to 16; average value of activity intensity in each time zone The activity intensity (Np 3-6 ) is measured for each set time zone (for example, 3-6 o'clock) for 3 hours. Since the activity intensity changes during 3 hours, the activity intensity within the time determined by the activity
Np 3-6ave , Np 6-9ave , Np 9-12ave , Np 12-15ave , Np 15-18ave , Np 18-21ave , Np 21-24ave , Np 24-3ave
(3) 17〜27;各段階(0〜9及び0.5)の強度の歩行が行われる頻度の平均値
1日において、行われた歩行の回数を強度毎(Nf0、Nf0.5、Nf1、Nf2、Nf3、Nf4、Nf5、Nf6、Nf7、Nf8、Nf9)に毎日カウントする。そして、各強度の歩行の回数に関して28日間の平均値(Nf0ave)を算出して、各段階の強度の歩行が行われる頻度の平均値とする。
Nf0ave、Nf0.5ave、Nf1ave、Nf2ave、Nf3ave、Nf4ave、Nf5ave、Nf6ave、Nf7ave、Nf8ave、Nf9ave
(3) 17-27; average value of the frequency of walking with intensity in each stage (0 to 9 and 0.5) The number of walking performed in one day is calculated for each intensity (Nf 0 , Nf 0.5). , Nf 1 , Nf 2 , Nf 3 , Nf 4 , Nf 5 , Nf 6 , Nf 7 , Nf 8 , Nf 9 ) are counted daily. Then, the average value (Nf 0ave ) for 28 days is calculated for the number of walks of each intensity, and the average value of the frequency of walking of each intensity is used.
Nf 0ave , Nf 0.5ave , Nf 1ave , Nf 2ave , Nf 3ave , Nf 4ave , Nf 5ave , Nf 6ave , Nf 7ave , Nf 8ave , Nf 9ave
(4) 28;歩数の変動係数
28日間の歩数の標準偏差Nssdを算出する。また、計測された歩数を28日間で平均した平均値(Nsave)を算出する。そして、標準偏差Nssdを平均値(Nsave)で除算した以下の値を歩数の変動係数とする。
Nssd/Nsave×100
(4) 28; Coefficient of variation of the number of steps The standard deviation Ns sd of the number of steps for 28 days is calculated. In addition, the average value (Ns ave ) obtained by averaging the measured number of steps over 28 days is calculated. Then, the following value obtained by dividing the standard deviation Ns sd by the average value (Ns ave ) is used as the coefficient of variation of the number of steps.
Ns sd / Ns ave x 100
(5) 29;装着時間変動係数
28日間の装着時間の標準偏差Nisdを算出する。また、計測された装着時間を28日間で平均した平均値(Niave)を算出する。そして、標準偏差Nisdを平均値Niaveで除算した以下の値を装着時間変動係数とする。
Nisd/Niave×100
(5) 29; Coefficient of variation of wearing time Calculate the standard deviation Nisd of wearing time for 28 days. In addition, the average value (Niave ) obtained by averaging the measured wearing time over 28 days is calculated. Then, the following value obtained by dividing the standard deviation Ni sd by the average value Ni ave is used as the mounting time coefficient of variation.
Ni sd / Ni ave x 100
(6) 30;活動強度変動係数
28日間の活動強度の標準偏差Npsdを算出する。また、計測された活動強度を28日間で平均した平均値(Npave)を算出する。そして、標準偏差Npsdを平均値Npaveで除算した以下の値を活動強度変動係数とする。
Npsd/Npave×100
(6) 30; calculating a standard deviation Np sd of activity intensity of activity intensity variation coefficient 28 days. In addition, the average value (Np- ave ) obtained by averaging the measured activity intensity over 28 days is calculated. Then, the following value obtained by dividing the standard deviation Np sd by the average value Np ave is used as the coefficient of variation of activity intensity.
Np sd / Np ave × 100
(7) 31〜41;各段階(0〜9及び0.5)の活動強度の頻度の変動係数
各段階(0〜9及び0.5)の強度で歩行が行われた頻度(Nf0、Nf0.5、Nf1、Nf2、Nf3、Nf4、Nf5、Nf6、Nf7、Nf8、Nf9)を毎日カウントする。また、カウントされた頻度の標準偏差を強度毎に算出する(Nsd0、Nsd0.5、Nsd1、Nsd2、Nsd3、Nsd4、Nsd5、Nsd6、Nsd7、Nsd8、Nsd9)。そして、上記標準偏差(Nsd0、Nsd0.5、Nsd1、Nsd2、Nsd3、Nsd4、Nsd5、Nsd6、Nsd7、Nsd8、Nsd9)を(3)に示した各強度の28日間の平均値(Nf0ave、Nf0.5ave、Nf1ave、Nf2ave、Nf3ave、Nf4ave、Nf5ave、Nf6ave、Nf7ave、Nf8ave、Nf9ave)で除算して100を乗じ、各段階の活動強度の頻度の変動係数とする。
Nsd0/Nf0ave×100、Nsd0.5/Nf0.5ave×100、Nsd1/Nf1ave×100、Nsd2/Nf2ave×100、Nsd3/Nf3ave×100、Nsd4/Nf4ave×100、Nsd5/Nf5ave×100、Nsd6/Nf6ave×100、Nsd7/Nf7ave×100、Nsd8/Nf8ave×100、Nsd9/Nf9ave×100
ただし、上記Nsd0、Nf0aveは、いずれも被験者が活動情報取得装置30を装着していない時間帯の情報を除くものとする。
(8) 42;年齢
(9) 43;身長
(10) 44;体重
(7) 31-41; Coefficient of variation of activity intensity frequency in each stage (0-9 and 0.5) Frequency of walking at each stage (0-9 and 0.5) intensity (Nf 0 , Nf 0.5 , Nf 1 , Nf 2 , Nf 3 , Nf 4 , Nf 5 , Nf 6 , Nf 7 , Nf 8 , Nf 9 ) are counted daily. In addition, the standard deviation of the counted frequency is calculated for each intensity (Nsd 0 , Nsd 0.5 , Nsd 1 , Nsd 2 , Nsd 3 , Nsd 4 , Nsd 5 , Nsd 6 , Nsd 7 , Nsd 8 , Nsd 9). ). Then, the standard deviations (Nsd 0 , Nsd 0.5 , Nsd 1 , Nsd 2 , Nsd 3 , Nsd 4 , Nsd 5 , Nsd 6 , Nsd 7 , Nsd 8 , Nsd 9 ) are shown in (3). 28-day average value (Nf 0ave , Nf 0.5ave , Nf 1ave , Nf 2ave , Nf 3ave , Nf 4ave , Nf 5ave , Nf 6ave , Nf 7ave , Nf 6ave , Nf 7ave, Nf 8ave, Nf 8ave, Nf 8ave It is the coefficient of variation of the frequency of activity intensity at each stage.
Nsd 0 / Nf 0ave x 100, Nsd 0.5 / Nf 0.5ave x 100, Nsd 1 / Nf 1ave x 100, Nsd 2 / Nf 2ave x 100, Nsd 3 / Nf 3ave x 100, Nsd 4 / Nf 4a 100, Nsd 5 / Nf 5ave x 100, Nsd 6 / Nf 6ave x 100, Nsd 7 / Nf 7ave x 100, Nsd 8 / Nf 8ave x 100, Nsd 9 / Nf 9ave x 100
However, the above Nsd 0 and Nf 0ave exclude the information of the time zone when the subject is not wearing the activity
(8) 42; Age (9) 43; Height (10) 44; Weight
また、本実施形態は、疾病の予測に使用するパラメータとして、計測された活動情報そのものばかりでなく、被験者が行った活動の活動量または活動強度の分散の程度を使用している。活動量または活動強度の分散の程度は、例えば、活動量または活動強度の計測期間内における「ばらつき」を示すパラメータであり、本実施形態では上記変動係数によって表される。
さらに、本実施形態は、活動の一日のうちの活動量の分布に関する情報をも活動情報として推定に使用することができる。活動量の分布とは、例えば、「朝活動時間割合」、「昼活動時間割合」及び「夜活動時間割合」等によって表される。朝活動時間割合は、3時から9時に行われた歩行の歩数が1日の歩数に占める割合を示す。昼活動時間割合は、9時から18時に行われた歩行の歩数が1日の歩数に占める割合を示す。夜活動時間割合は、18時から3時に行われた歩行の歩数が1日の歩数に占める割合を示す。
Further, in this embodiment, not only the measured activity information itself but also the activity amount of the activity performed by the subject or the degree of dispersion of the activity intensity is used as the parameter used for the prediction of the disease. The degree of dispersion of the activity amount or the activity intensity is, for example, a parameter indicating "variation" within the measurement period of the activity amount or the activity intensity, and is represented by the above-mentioned coefficient of variation in the present embodiment.
Further, in the present embodiment, information on the distribution of the amount of activity during the day of the activity can also be used for estimation as the activity information. The distribution of the amount of activity is represented by, for example, "morning activity time ratio", "daytime activity time ratio", "night activity time ratio", and the like. The morning activity time ratio indicates the ratio of the number of walking steps taken from 3:00 to 9:00 to the number of steps per day. The daytime activity time ratio indicates the ratio of the number of walking steps taken from 9:00 to 18:00 to the number of steps per day. The night activity time ratio indicates the ratio of the number of walking steps taken from 18:00 to 3:00 to the number of steps per day.
さらに、上記パラメータのうち、(2)の活動強度の平均値は、利用者の歩行速度の推定に使用することができる。活動強度の推定は、活動強度の平均値を重回帰式に適用して行われる。歩行速度を推定する重回帰式は、以下のとおりである。
(数1)
(男性)
推定歩行速度(Km/h)=0.862×(活動強度平均値)+0.035×(身長(cm))−4.705 ...式(1)
(数2)
(女性)
推定歩行速度(Km/h)=0.684×(活動強度平均値)+1.851 ...式(2)
(出典:高柳直人ら「活動量計を用いた日常歩行速度とADL低下に関する研究」 厚生の指標. 2014; 61(4):15-20)
Further, among the above parameters, the average value of the activity intensity of (2) can be used for estimating the walking speed of the user. The activity intensity is estimated by applying the average value of the activity intensity to the multiple regression equation. The multiple regression equation for estimating the walking speed is as follows.
(Number 1)
(male)
Estimated walking speed (Km / h) = 0.862 x (average activity intensity) + 0.035 x (height (cm))-4.705 ... Equation (1)
(Number 2)
(Woman)
Estimated walking speed (Km / h) = 0.684 x (average activity intensity) +1.851 ... Equation (2)
(Source: Naoto Takayanagi et al., "Study on Daily Walking Speed and ADL Decrease Using Activity Meter" Health Index. 2014; 61 (4): 15-20)
本実施形態の活動強度「5」等の数値は、例えば、METsで定められる最大酸素摂取量の酸素を利用者が摂取すると考えられる活動強度を最大値とし、安静時の酸素摂取量を最小値とし、この間を分割することによって定めることができる。
なお、METsでは、例えば、3METsを67m/分で平地を歩く程度、3.3METsを81m/分で平地を歩く程度、3.8METsを94m/分で平地を歩く程度、4METsを95m〜100m/分で平地を歩く程度、5METsを107m/分で平地を速歩する程度と定めている(出典:厚生労働省「健康づくりのための運動指針2006」)。
本実施形態の回帰分析は、市販の統計計算用のソフトウェアを使って行った。回帰分析には、多変量回帰分析や、ロジスティック回帰分析が使用される。回帰分析では、説明変数に使用されるパラメータに変数増加法、変数減少法あるいはその両方を行って組み合わせを変えながら正答率が高くなるパラメータが選択される。さらに、パラメータに付される係数は適宜選択される。
The numerical value such as the activity intensity "5" of the present embodiment is, for example, the maximum value of the activity intensity at which the user is considered to ingest the oxygen of the maximum oxygen uptake defined by METs, and the minimum value of the oxygen intake at rest. It can be determined by dividing the space between them.
In terms of METs, for example, 3METs walks on flat ground at 67 m / min, 3.3METs walks on flat ground at 81 m / min, 3.8METs walks on flat ground at 94 m / min, and 4METs walks on flat ground at 95 m to 100 m / min. It stipulates that walking on flat ground in minutes and 5METs at 107 m / min on flat ground (Source: Ministry of Health, Labor and Welfare "Exercise Guidelines for Health Promotion 2006").
The regression analysis of this embodiment was performed using commercially available software for statistical calculation. Multivariate regression analysis and logistic regression analysis are used for regression analysis. In the regression analysis, the parameters used for the explanatory variables are selected by performing the variable increase method, the variable decrease method, or both, and changing the combination to increase the correct answer rate. Further, the coefficients attached to the parameters are appropriately selected.
ただし、本実施形態の活動情報を含むパラメータは、以上説明した例に限定されるものではない。例えば、活動情報は、3時間毎に1単位として計測されるものに限定されず、任意の時間を単位として計測するものであってもよい。パラメータの平均値は、計測の単位時間あたりの平均値であってもよいし、1日あたりの平均値、さらには複数日にわたる計測期間の平均値であってもよい。 However, the parameters including the activity information of the present embodiment are not limited to the examples described above. For example, the activity information is not limited to the one measured as one unit every three hours, and may be measured in any time as a unit. The average value of the parameters may be the average value per unit time of measurement, the average value per day, or the average value of the measurement period over a plurality of days.
(C)被験者の鬱病または認知症の症状の有無に関する情報を取得する。
このような工程は、被験者に対する問診や検査によって行われる。つまり、この工程は、被験者の鬱病や認知症の有無を実測するものといえる。
(D)(C)で実測された鬱病や認知症の有無を目的変数としてロジスティック回帰分析を行い、(B)で取得された活動情報の少なくとも1つ、あるいは身長、体重といったパラメータを説明変数に含む回帰式を算出する。
なお、(D)の工程においては、(C)で行った実測の結果により明らかに認知症や鬱病の症状が認められる者のデータと認められない者のデータの両方を抽出しておく。具体的には、(C)の工程の結果、被験者から「なし」、「現病(服薬なし)」、「現病(服薬あり)」及び「既往」の4つのグループを抽出し、「なし」とされた被験者を明らかに症状のない者とする。また、「現病(服薬なし)」、「現病(服薬あり)」とされた被験者を明らかに症状のある者とする。
(C) Obtain information regarding the presence or absence of symptoms of depression or dementia of the subject.
Such a process is performed by interviewing or inspecting the subject. That is, it can be said that this step actually measures the presence or absence of depression and dementia in the subject.
(D) Logistic regression analysis was performed using the presence or absence of depression or dementia actually measured in (C) as the objective variable, and at least one of the activity information acquired in (B) or parameters such as height and weight were used as explanatory variables. Calculate the including regression equation.
In the step (D), both the data of the person who clearly has the symptoms of dementia and depression and the data of the person who does not have the symptoms of dementia are extracted from the result of the actual measurement performed in (C). Specifically, as a result of step (C), four groups of "none", "current illness (without medication)", "current illness (with medication)" and "previous" were extracted from the subjects, and "none". The subjects who have been identified as "" are clearly asymptomatic. In addition, subjects with "current illness (without medication)" and "current illness (with medication)" are considered to have obvious symptoms.
(E)(D)の工程において「症状がある」被験者の活動情報から得られる目的変数の値を「1」、「症状がない」被験者の活動情報から得られる目的変数の値を「0」として症状有無データを作成する。そして、症状有無データに係る被験者の1以上の活動情報及び身長等を説明変数にして回帰分析を行う。なお、回帰分析は、市販の統計計算用のソフトウェアを使って行った。回帰分析には、多変量回帰分析や、ロジスティック回帰分析が使用される。回帰分析では、説明変数に使用されるパラメータに変数増加法、変数減少法あるいはその両方を行って組み合わせを変えながら正答率が高くなるパラメータが選択される。さらに、パラメータに付される係数は適宜選択される。 (E) In the steps (D), the value of the objective variable obtained from the activity information of the "symptomatic" subject is "1", and the value of the objective variable obtained from the activity information of the "symptomatic" subject is "0". Create symptom presence / absence data as. Then, regression analysis is performed using one or more activity information and height of the subject related to the symptom presence / absence data as explanatory variables. The regression analysis was performed using commercially available software for statistical calculation. Multivariate regression analysis and logistic regression analysis are used for regression analysis. In the regression analysis, the parameters used for the explanatory variables are selected by performing the variable increase method, the variable decrease method, or both, and changing the combination to increase the correct answer rate. Further, the coefficients attached to the parameters are appropriately selected.
表1は、上記パラメータを使って得られる鬱病、認知症についての疾病関連情報を具体的に示した表である。表1において、被験者の関連情報の「;」以降に記載の()付き数字は上記パラメータの()付き数字に対応している。
鬱病、認知症についての疾病関連情報は、表1に示したように、いずれも実測値との間でモデルΧ2検定の値が0.01以下であり、有意であることがわかる。また、鬱病について82.8%、認知症については97.2%の高い的中率を得た。なお、表1に示した疾病関連情報は、男女共通のものである。
Table 1 is a table specifically showing disease-related information on depression and dementia obtained by using the above parameters. In Table 1, the numbers in parentheses () after the “;” in the relevant information of the subject correspond to the numbers in parentheses () of the above parameters.
Depression, disease-related information about dementia, as shown in Table 1, in both the value of the model chi 2 test with the measured value of 0.01 or less, it can be seen that significant. In addition, a high hit rate of 82.8% for depression and 97.2% for dementia was obtained. The disease-related information shown in Table 1 is common to both men and women.
表2、表3、表4及び表5は、疾病関連情報を示した表であり、表2及び表3は男性についての関連情報を示し、表4及び表5は女性についての関連情報を示している。表2から表5のいずれにおいても、障害として、「腰痛」、「膝痛」、「尿失禁」を挙げている。また、疾病として、「鬱病」、「認知症」、「糖尿病」、「高血圧」、「高脂血症」、「骨粗鬆症」、「変形性関節炎」及び「脊椎疾患」を挙げている。
本実施形態は、表1から表5の各疾病関連情報の括弧「()」内に利用者のパラメータを入力して演算式を解くことによって利用者の状態情報を得ることができる。また、本実施形態の疾病関連情報は、当然のことながら、表1から表5に示したような一次式の形式に限定されるものではない。疾病関連情報は、利用者の活動情報や身長等を入力して疾病を予測するものであればどのようなものであってもよく、例えば、一次式以外の演算式であってもよいし、テーブルであってもよい。
Tables 2, 3, 4 and 5 show disease-related information, Tables 2 and 3 show related information about men, and Tables 4 and 5 show related information about women. ing. In any of Tables 2 to 5, "backache", "knee pain", and "urinary incontinence" are listed as disorders. In addition, as diseases, "depression", "dementia", "diabetes", "hypertension", "hyperlipidemia", "osteoporosis", "osteoarthritis" and "spine disease" are mentioned.
In this embodiment, the user's state information can be obtained by inputting the user's parameters in the parentheses "()" of each disease-related information in Tables 1 to 5 and solving the calculation formula. Further, the disease-related information of the present embodiment is, of course, not limited to the form of the linear expression as shown in Tables 1 to 5. The disease-related information may be any information as long as it predicts the disease by inputting the user's activity information, height, etc., and may be, for example, an arithmetic expression other than the linear expression. It may be a table.
(メッセージ)
次に、利用者の疾病の予測結果に基づいて作成されるアドバイス情報を含むメッセージの例について説明する。本実施形態では、上記した疾病関連情報に活動情報を適用して得られた結果得られる疾病のINDEXに基づいて、利用者が行うべき活動に関するアドバイスを含むメッセージを作成する。アドバイスとは、利用者に対して活動の量、強度、時間帯等を示唆する情報であり、メッセージは、アドバイス情報に適宜必要な情報を付加したものである。アドバイス情報に付加される情報としては、例えば、図3、図4に示したものがある。
図3は、複数の疾病について疾病のINDEXを五角形のグラフで示した例を示す図である。図3に示した例では、認知症INDEX、鬱病INDEX、変形関節症INDEX、骨粗鬆症INDEX、膝痛INDEXの5つを五角形の5つの各頂点で示している。各INDEXの値は、五角形の中心から離れるほど大きくなっている。図3に示した例では、複数の疾病等について予測結果を示すと共に、そのバランスを利用者が把握することができる。
(message)
Next, an example of a message including advice information created based on the prediction result of the user's disease will be described. In the present embodiment, a message including advice on activities to be performed by the user is created based on the INDEX of the disease obtained as a result of applying the activity information to the above-mentioned disease-related information. The advice is information that suggests the amount, intensity, time zone, etc. of the activity to the user, and the message is the advice information with necessary information added as appropriate. Examples of the information added to the advice information include those shown in FIGS. 3 and 4.
FIG. 3 is a diagram showing an example in which the INDEX of diseases for a plurality of diseases is shown by a pentagonal graph. In the example shown in FIG. 3, five vertices of dementia INDEX, depression INDEX, osteoarthropathy INDEX, osteoporosis INDEX, and knee pain INDEX are shown at each of the five vertices of the pentagon. The value of each INDEX increases as the distance from the center of the pentagon increases. In the example shown in FIG. 3, the prediction results for a plurality of diseases and the like are shown, and the balance can be grasped by the user.
図4は、認知症INDEXの判定の仕方を利用者に教示する情報を例示した図である。本実施形態は、利用者の認知症INDEXをアドバイス情報とし、このアドバイス情報に例えば図4に示した情報を付加してメッセージを作成する。このようにすれば、利用者は、自身の認知症INDEXから自身が認知症を発症する可能性の程度を把握することができる。
例えば、利用者の認知症INDEXが0.5から所定の閾値(図中に「○」で示す)の範囲にある場合、利用者は「認知症危険度」(左欄)から自身が認知症を発症する可能性が60%程度であると判定する。「認知症危険度レベル」(中央欄)は、認知症を発症する可能性を五角形のグラフで示している。認知症危険度レベルでは、「2」で示した領域が認知症発症の可能性が60%であることを示し、「1」で示した領域が認知症発症の可能性0%、「3」で示した領域が認知症発症の可能性80%をそれぞれ示している。認知症危険度レベルにおいては、例えば、利用者の認知症予測に対応する領域が所定の色に着色されて表示されるようにしてもよい。さらに、図5の例は、さらに、利用者の認知症発症の予測をA、B、Cのレベルで評価した「認知症危険度ランク」(右欄)が含まれる。
FIG. 4 is a diagram illustrating information for teaching the user how to determine dementia INDEX. In this embodiment, the user's dementia INDEX is used as advice information, and for example, the information shown in FIG. 4 is added to the advice information to create a message. In this way, the user can grasp the degree of possibility that he / she will develop dementia from his / her dementia INDEX.
For example, when the user's dementia INDEX is in the range of 0.5 to a predetermined threshold value (indicated by "○" in the figure), the user himself / herself has dementia from the "dementia risk" (left column). It is determined that the possibility of developing dementia is about 60%. "Dementia risk level" (center column) shows the possibility of developing dementia in a pentagonal graph. At the dementia risk level, the area indicated by "2" indicates that the possibility of developing dementia is 60%, and the area indicated by "1" indicates that the possibility of developing dementia is 0%, "3". The areas shown in are 80% of the probability of developing dementia. At the dementia risk level, for example, the area corresponding to the user's dementia prediction may be colored and displayed in a predetermined color. Further, the example of FIG. 5 further includes a “dementia risk rank” (right column) in which the prediction of the onset of dementia of the user is evaluated at the levels of A, B, and C.
メッセージ作成部133は、例えば、利用者が認知症の改善を望む場合、表1に示した認知症INDEXが0.5未満になるように3時から6時に行われる活動の強度の平均値及び18時から21時に行われる歩行の歩数の平均値を設定する。そして、設定した各平均値と利用者の活動情報の履歴等とを比較して、利用者の早朝の活動の強度の履歴が設定された値に満たないとき、「早朝に少し早足で散歩しましょう」等のアドバイスを含むメッセージを作成する。
For example, when the user desires improvement of dementia, the
また、本実施形態は、図1、図2に示した入力部21により、利用者が改善を望む疾病等の種別を予め入力することができる。メッセージ作成部133は、表1から表3に示した疾病関連情報に利用者の身長、体重、年齢を入力し、疾病等に対応して利用者が歩行すべき歩数や強度を算出する。体重、身長及び年齢の情報は、利用者が本実施形態の疾病予測方法の利用開始にあたり、入力部21を使って疾病予測装置50に予め登録しておいてもよいし、入力部21から任意のタイミングで入力するものであってもよい。
また、本実施形態は、利用者が、例えば、3時間の間に行う歩行の歩数や強さを入力部21から入力することができる。このようにすると、メッセージ作成部133は、増やすべき歩数や活動強度が利用者の設定した上限値を上回った場合、上限値に設定された歩数や強度の歩行をするように利用者にアドバイスするメッセージを作成する。このような処理によれば、利用者の望む疾病予測情報と現状との差分が比較的大きくても、時間をかけることによって利用者の苦痛を抑えながら疾病を発症する可能性を低減することができる。さらに、メッセージ作成部133は、利用者の疾病等を発症する可能性が十分低くなった場合、例えば、「認知症発症の予兆が低減しました」等のメッセージを作成する。
Further, in the present embodiment, the type of the disease or the like that the user desires to improve can be input in advance by the
Further, in the present embodiment, the user can input, for example, the number of steps and the strength of walking performed in 3 hours from the
上記したメッセージは、さらに紙媒体に印字されて出力されるようにしてもよいし、利用者のスマートフォン等にメール等として送信してもよい。このようなメールは、本人の他、予め登録された第三者(家族等)にも送信するようにしてもよい。さらに、本実施形態は、活動情報取得装置30にも図示しない表示部を設け、メッセージを活動情報取得装置30の表示部を通じて両者に提示してもよい。さらに、本実施形態は、活動情報取得装置30を疾病予測装置50に接続したとき、疾病予測装置50の表示部15にメッセージが表示されるようにすることができる。
The above-mentioned message may be further printed on a paper medium and output, or may be transmitted as an e-mail or the like to a user's smartphone or the like. Such an e-mail may be sent to a third party (family, etc.) registered in advance in addition to the person himself / herself. Further, in the present embodiment, the activity
(疾病等の予測方法)
図5は、本実施形態の疾病予測方法を説明するためのフローチャートである。また、図5のフローチャートは、図2(a)に示した活動情報取得装置30及び疾病予測装置50によって行われる例を示している。このフローチャートでは、利用者の活動情報として活動強度を3時間計測し、計測値の平均値を算出する処理を例示するものとする。また、図5のフローチャートでは、説明の簡単のため、1つの活動情報を一回取得する例を示している。しかし、表1から表3に示すように、本実施形態は、複数種の活動情報を複数回取得する場合も多い。
本実施形態の疾病予測方法では、処理が開始されると、活動情報取得装置30の加速度センサ11が、利用者の活動情報の取得を開始する(ステップS501)。なお、このような処理は、例えば、利用者が予測を望む疾病に応じた時刻に自動的に開始するものであってもよいし、予め定めた所定の時刻に開始するものであってもよい。
「利用者が予測を望む疾病に応じた時刻」とは、例えば、利用者が表1に示した鬱病の予測を望んでいる場合の6時または18時を指す。
(Disease prediction method)
FIG. 5 is a flowchart for explaining the disease prediction method of the present embodiment. Further, the flowchart of FIG. 5 shows an example performed by the activity
In the disease prediction method of the present embodiment, when the processing is started, the
The “time according to the disease that the user wants to predict” refers to, for example, 6:00 or 18:00 when the user wants to predict the depression shown in Table 1.
利用者の活動情報の取得が開始されると、タイマ17は、3時間が経過するまで計時を継続して行う(ステップS502)。加速度センサ11は、タイマ17が計時を行っている間は利用者にかかる加速度を検出し、活動情報作成部131に活動強度として出力し続ける。活動情報作成部131は、加速度センサ11が計測した活動強度の3時間の平均値を算出する(ステップS503)。また、活動情報作成部131は、算出された平均値に計測が行われた時間帯を対応つけて活動情報を作成する。作成された活動情報は、出力I/F31及び入力I/F51を介して疾病予測部132に送られる。疾病予測部132は、関連情報蓄積用メモリ19から疾病関連情報を読み出し、利用者が罹患する疾病等を予測する(ステップS504)。
When the acquisition of the user's activity information is started, the
メッセージ作成部133は、例えば、予測された利用者の疾病等を判定する。そして、この疾病のINDEXから疾病の予兆を低減するために必要な歩行の歩数や強度を設定する。さらに、設定された値と利用者が実際に行った歩行の履歴との差分から、利用者に歩数や活動強度をアドバイスするアドバイス情報を作成する。そして、アドバイス情報に例えば図3、図4に示した情報等を付加してメッセージを作成する(ステップS505)。メッセージは、表示部15に出力される(ステップS506)。
なお、メッセージの出力は、図5に示したフローチャートに記載されたタイミングに限定されるものではない。例えば、表1に示した鬱病のように、6時から9時、18時から21時の2回に渡って行われる活動から活動情報を取得する場合、21時までに行われた活動の活動情報から疾病を予測する。そして、予測された疾病の種別に基づいて作成されたメッセージを、例えば、翌日の活動開始時に利用者に提供するようにしてもよい。
The
The output of the message is not limited to the timing described in the flowchart shown in FIG. For example, as in the case of depression shown in Table 1, when activity information is acquired from activities performed twice, from 6:00 to 9:00 and from 18:00 to 21:00, the activities of the activities performed by 21:00. Predict disease from information. Then, a message created based on the predicted type of disease may be provided to the user at the start of the activity on the next day, for example.
以上説明したフローチャートの少なくともステップS504からステップS506は、例えば、コンピュータとして構成される疾病予測装置50において実現されるプログラムによって処理される。
At least steps S504 to S506 of the flowchart described above are processed by, for example, a program realized in the
以上説明した本実施形態は、利用者が行った活動に基づいて利用者の疾病を予測している。このため、本実施形態は、特別な機器を用いることなく利用者の疾病を予測することができる。また、本実施形態は、自動的に利用者から活動情報を取得することができるので、利用者に負担をかけることなく疾病の予測を習慣化することができる。
また、本実施形態は、時間行動学の原理に基づいて被験者の実測値を考慮した疾病関連情報に活動情報を適用して疾病を予測している。このため、実測値と相関性が高い推定値を得ることができる。
The present embodiment described above predicts a user's illness based on the activities performed by the user. Therefore, this embodiment can predict the disease of the user without using a special device. In addition, since the present embodiment can automatically acquire activity information from the user, it is possible to make a habit of predicting a disease without imposing a burden on the user.
Further, in this embodiment, the disease is predicted by applying the activity information to the disease-related information in consideration of the measured value of the subject based on the principle of time ethology. Therefore, an estimated value having a high correlation with the measured value can be obtained.
次に、以上説明した本実施形態の実施例を説明する。
本発明者らは、70歳から93歳の男性1483名、女性1598名を被験者とし、各被験者の鬱病の状態と認知症の状態とを問診によって取得した。また、本発明者らは、被験者の身長、体重、年齢を取得し、身長と体重とからBMIを算出した。
次に、本発明者らは、各被験者に加速度センサを24時間携帯させ、活動情報として被験者の歩行の歩数と強度を取得した。加速度センサによって取得された活動情報は、疾病予測装置としてのコンピュータに出力される。コンピュータは、取得された活動情報や被験者の身長等の情報を使ってロジスティック回帰分析を行って疾病関連情報を作成した。本実施例の疾病関連情報は、pxを算出する一次の回帰式である。この一次の回帰式を用いて求めたpxをlogpx/(1−px)に代入することで被験者xの疾病等の発生率が求まり、この発生率は0から1の数値をとる。
Next, an embodiment of the present embodiment described above will be described.
The present inventors took 1,483 men and 1,598 women aged 70 to 93 as subjects, and obtained the state of depression and the state of dementia of each subject by interview. In addition, the present inventors acquired the height, weight, and age of the subjects, and calculated the BMI from the height and weight.
Next, the present inventors made each subject carry an acceleration sensor for 24 hours, and acquired the number of steps and intensity of walking of the subject as activity information. The activity information acquired by the accelerometer is output to a computer as a disease prediction device. The computer created disease-related information by performing logistic regression analysis using the acquired activity information and information such as the height of the subject. The disease-related information of this example is a linear regression equation for calculating px. By substituting px obtained by using this first-order regression equation into logpx / (1-px), the incidence rate of the subject x's disease or the like can be obtained, and this incidence rate takes a numerical value from 0 to 1.
上記の処理によって作成された本実施例の鬱病についての疾病関連情報は、以下のとおりである。なお、本実施例では、疾病関連情報を男性、女性に分けて求めている。
(数3)
疾病関連情報(鬱病:男性)=−3×10−3×(21時から24時に行った歩行の歩数の平均値)−0.576×(6時から9時に行った活動の強度の平均値)−0.65 ...式(3)
(数4)
疾病関連情報(鬱病:女性)=10−3×(3時から6時に行った歩行の歩数の平均値)−0.819×(12時から15時に行った活動の強度の平均値)+0.162×(年齢)+0.018(昼活動時間割合)−12.585 ...式(4)
The disease-related information about depression of this example prepared by the above processing is as follows. In this example, disease-related information is sought separately for men and women.
(Number 3)
Disease-related information (depression: male) = -3 x 10 -3 x (average number of walking steps taken from 21:00 to 24:00) -0.576 x (average value of activity intensity taken from 6:00 to 9:00) ) -0.65 ... Equation (3)
(Number 4)
Disease-related information (depression: female) = 10 -3 x (average number of walking steps performed from 3:00 to 6:00) -0.819 x (average value of activity intensity performed from 12:00 to 15:00) + 0. 162 x (age) +0.018 (ratio of daytime activity time)-12.585 ... Equation (4)
また、上記の処理によって算出された本実施例の認知症についての疾病関連情報は、以下のとおりである。なお、本実施例では、認知症についての疾病関連情報を女性についてのみ作成した。
(数5)
疾病関連情報(認知症:女性)=−0.022×(21時から24時に行った歩行の歩数の平均値)−2.774×(3時から6時に行った活動の強度の平均値)+0.29×(年齢)−23.916 ...式(5)
In addition, the disease-related information about dementia of this example calculated by the above processing is as follows. In this example, disease-related information on dementia was created only for women.
(Number 5)
Disease-related information (dementia: female) = -0.022 x (average number of walking steps performed from 21:00 to 24:00) -2.774 x (average value of activity intensity performed from 3:00 to 6:00) +0.29 × (age) -23.916 ... Equation (5)
本発明者らは、ロジスティック回帰分析を行う際、回帰式から得られる疾病関連情報の算出結果(INDEX)の正答率(問診によって得られる状態情報との一致の程度)が高くなるように、疾病関連情報の使用される活動情報やパラメータの組み合わせを選択した。本実施例は、疾病関連情報に利用者の歩行の歩数や強度を適用して利用者の鬱病や認知症の兆候を判別し、疾病等を予測することができる。本実施例では、鬱病INDEX、あるいは認知症INDEXが0.5以上、1.0以下である場合に鬱病または認知症の発症を予測し、鬱病INDEX、あるいは認知症INDEXが0.5以下である場合に鬱病または認知症を発症しないと予測した。本実施例の上記予測の正答率は、男性の鬱病について88.2%、女性の鬱病について81.3%、女性の認知症について96.5%と、いずれも高い値を得た。 When performing logistic regression analysis, the present inventors so that the correct answer rate (degree of agreement with the state information obtained by interview) of the calculation result (INDEX) of the disease-related information obtained from the regression equation is high. You have selected a combination of activity information and parameters for which related information is used. In this embodiment, the number of steps and intensity of walking of the user can be applied to the disease-related information to discriminate the signs of depression and dementia of the user, and the disease or the like can be predicted. In this example, the onset of depression or dementia is predicted when the depression INDEX or dementia INDEX is 0.5 or more and 1.0 or less, and the depression INDEX or dementia INDEX is 0.5 or less. It was predicted that the case would not develop depression or dementia. The correct answer rate for the above predictions in this example was 88.2% for male depression, 81.3% for female depression, and 96.5% for female dementia, all of which were high.
さらに、本発明者らは、本実施例で得られた回帰式の信頼性をモデルX2検定によって調べた。モデルX2検定では、有意確率pが鬱病については男女いずれも0.05未満、女性の認知症でも有意確率が0.05未満であった。このことから、本実施例で得られた回帰式は、いずれも十分な信頼性を有するものである。 Furthermore, the present inventors, the reliability of the regression equation obtained in this example was examined by a model X 2 test. In the model X 2 test, significant probability p men and women both less than 0.05 for depression, significant probability even in women with dementia was less than 0.05. From this, all the regression equations obtained in this example have sufficient reliability.
上記実施形態及び実施例は以下の技術思想を包含するものである。
<1>
少なくとも、予め取得された複数の被験者が行った活動の状況及び当該活動が行われた時間帯に関する被験者活動情報と、前記被験者の身体の状態に関する被験者状態情報と、の関連性を表す疾病関連情報に、利用者が行った活動の状況及び当該活動が行われた時間帯に関する利用者活動情報を適用して前記利用者が発症する疾病または障害を予測する疾病予測工程を含むことを特徴とする、疾病予測方法。
<2>
前記疾病予測工程は、さらに、前記利用者の身長、体重及び年齢の少なくとも一つに関する情報に基づいて前記利用者の疾病を予測する、<1>に記載の疾病予測方法。
<3>
前記被験者活動情報は、前記被験者が一日のうちの特定の時間帯に行った活動の活動量または活動強度に関する情報である、<1>または<2>に記載の疾病予測方法。
<4>
前記被験者活動情報は、前記被験者が行った活動の活動量または活動強度の一日のうちの分散に関する情報である、<1>または<2>に記載の疾病予測方法。
<5>
前記疾病予測工程において行われた予測の結果に基づいて、利用者が行うべき活動に関するアドバイスを含むメッセージを作成するメッセージ作成工程、をさらに含む<1>から<4>のいずれか1項に記載の疾病予測方法。
<6>
少なくとも、予め取得された複数の被験者が行った活動の状況及び当該活動が行われた時間帯に関する被験者活動情報と、前記被験者の身体の状態に関する被験者状態情報と、の関連性を表す疾病関連情報に、利用者が行った活動の状況及び当該活動が行われた時間帯に関する利用者活動情報を適用して前記利用者が発症する疾病または障害を予測する疾病予測ステップを含むことを特徴とする疾病予測プログラム。
<7>
少なくとも、予め取得された複数の被験者が行った活動の状況及び当該活動が行われた時間帯に関する被験者活動情報と、前記被験者の身体の状態に関する被験者状態情報と、の関連性を表す疾病関連情報に、利用者が行った活動の状況及び当該活動が行われた時間帯に関する利用者活動情報を適用して前記利用者が発症する疾病または障害を予測する疾病予測部を備えることを特徴とする疾病予測装置。
<8>
利用者が行った活動の状況及び当該活動が行われた時間帯に関する利用者活動情報を取得する活動情報取得装置と、
前記活動情報取得装置から前記利用者活動情報を入力する入力部と、
前記利用者活動情報に基づいて前記利用者が発症する疾病または障害を予測する疾病予測部と、を備える<7>に記載の疾病予測装置と、
を含むことを特徴とする疾病予測システム。
The above-described embodiments and examples include the following technical ideas.
<1>
At least, disease-related information indicating the relationship between the status of activities performed by a plurality of subjects acquired in advance and the subject activity information regarding the time zone during which the activity was performed, and the subject status information regarding the physical condition of the subject. Includes a disease prediction step of predicting the disease or disorder that the user develops by applying the user activity information regarding the status of the activity performed by the user and the time zone in which the activity was performed. , Disease prediction method.
<2>
The disease prediction method according to <1>, wherein the disease prediction step further predicts the disease of the user based on information on at least one of the height, weight, and age of the user.
<3>
The disease prediction method according to <1> or <2>, wherein the subject activity information is information on the amount of activity or activity intensity of the activity performed by the subject during a specific time zone of the day.
<4>
The disease prediction method according to <1> or <2>, wherein the subject activity information is information on the daily dispersion of the activity amount or activity intensity of the activity performed by the subject.
<5>
Described in any one of <1> to <4>, further including a message creation step of creating a message including advice on activities to be performed by the user based on the result of prediction performed in the disease prediction step. Disease prediction method.
<6>
At least, disease-related information indicating the relationship between the status of activities performed by a plurality of subjects acquired in advance and the subject activity information regarding the time zone during which the activity was performed, and the subject status information regarding the physical condition of the subject. Includes a disease prediction step that predicts the disease or disorder that the user develops by applying the user activity information regarding the status of the activity performed by the user and the time zone in which the activity was performed. Disease prediction program.
<7>
At least, disease-related information indicating the relationship between the status of activities performed by a plurality of subjects acquired in advance and the subject activity information regarding the time zone during which the activity was performed, and the subject status information regarding the physical condition of the subject. It is characterized in that it is provided with a disease prediction unit that predicts the disease or disorder that the user develops by applying the user activity information regarding the status of the activity performed by the user and the time zone in which the activity was performed. Disease prediction device.
<8>
An activity information acquisition device that acquires user activity information regarding the status of activities performed by the user and the time zone in which the activity was performed, and
An input unit for inputting the user activity information from the activity information acquisition device, and
The disease prediction device according to <7>, comprising a disease prediction unit that predicts a disease or disorder that the user develops based on the user activity information.
A disease prediction system characterized by including.
10,40,50・・・疾病予測装置
11・・・加速度センサ
13・・・制御部
15・・・表示部
17・・・タイマ
19・・・関連情報蓄積用メモリ
20,30・・・活動情報取得装置
21・・・入力部
31・・・出力I/F
51・・・入力I/F
131・・・活動情報作成部
132・・・疾病予測部
133・・・メッセージ作成部
10, 40, 50 ...
51 ... Input I / F
131 ・ ・ ・ Activity
Claims (6)
前記活動は、意識、無意識に関わらず行われる前記被験者または前記利用者の身体の動きであり、
前記被験者活動情報が、前記被験者が一日のうちの特定の時間帯に行った活動の活動量に関する情報および活動強度に関する情報を含み、
前記利用者活動情報が、前記利用者が前記特定の時間帯に行った活動の活動量に関する情報および活動強度に関する情報を含み、
前記特定の時間帯が、所定長さの時間を単位として一日を分割したものであり、
前記被験者活動情報および前記利用者活動情報が、朝の時間帯に行った活動の活動強度に関する情報および夜の時間帯に行った活動の活動量に関する情報を含むことを特徴とする、疾病予測装置。 At least, disease-related information indicating the relationship between the status of the activity performed by the plurality of subjects acquired in advance and the subject activity information regarding the time zone in which the activity was performed and the subject status information regarding the physical condition of the subject. It is equipped with a disease prediction unit that predicts the disease or disorder that the user develops by applying the user activity information regarding the status of the activity performed by the user and the time zone in which the activity was performed.
The activity is a physical movement of the subject or the user performed regardless of consciousness or unconsciousness.
The subject activity information includes information on the amount of activity and information on the intensity of the activity performed by the subject at a specific time of the day.
The user activity information, only contains the information about the information and the activity intensity on the activities the amount of activity that the user went to the particular time zone,
The specific time zone is a day divided into units of a predetermined length of time.
The disease prediction device, wherein the subject activity information and the user activity information include information on the activity intensity of the activity performed in the morning time zone and information on the activity amount of the activity performed in the night time zone. ..
前記活動は、意識、無意識に関わらず行われる前記被験者または前記利用者の身体の動きであり、
前記被験者活動情報が、前記被験者が一日のうちの特定の時間帯に行った活動の活動量に関する情報および活動強度に関する情報を含み、
前記利用者活動情報が、前記利用者が前記特定の時間帯に行った活動の活動量に関する情報および活動強度に関する情報を含み、
前記特定の時間帯が、所定長さの時間を単位として一日を分割したものであり、
前記被験者活動情報および前記利用者活動情報が、朝の時間帯に行った活動の活動強度に関する情報および夜の時間帯に行った活動の活動量に関する情報を含むことを特徴とする疾病予測プログラム。 At least, disease-related information indicating the relationship between the status of the activity performed by the plurality of subjects acquired in advance and the subject activity information regarding the time zone in which the activity was performed and the subject status information regarding the physical condition of the subject. Includes a disease prediction step that predicts the disease or disorder that the user develops by applying user activity information about the status of the activity performed by the user and the time zone during which the activity was performed.
The activity is a physical movement of the subject or the user performed regardless of consciousness or unconsciousness.
The subject activity information includes information on the amount of activity and information on the intensity of the activity performed by the subject at a specific time of the day.
The user activity information, only contains the information about the information and the activity intensity on the activities the amount of activity that the user went to the particular time zone,
The specific time zone is a day divided into units of a predetermined length of time.
A disease prediction program in which the subject activity information and the user activity information include information on the activity intensity of the activity performed in the morning time zone and information on the activity amount of the activity performed in the night time zone.
前記活動情報取得装置から前記利用者活動情報を入力する入力部と、
前記利用者活動情報に基づいて前記利用者が発症する疾病または障害を予測する疾病予測部と、を備える請求項1に記載の疾病予測装置と、
を含むことを特徴とする疾病予測システム。 An activity information acquisition device that acquires user activity information regarding the status of activities performed by the user and the time zone in which the activity was performed, and
An input unit for inputting the user activity information from the activity information acquisition device, and
The disease prediction device according to claim 1, further comprising a disease prediction unit that predicts a disease or disorder that the user develops based on the user activity information.
A disease prediction system characterized by including.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016215594A JP6864460B2 (en) | 2016-11-02 | 2016-11-02 | Disease prediction device |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016215594A JP6864460B2 (en) | 2016-11-02 | 2016-11-02 | Disease prediction device |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2018068910A JP2018068910A (en) | 2018-05-10 |
JP6864460B2 true JP6864460B2 (en) | 2021-04-28 |
Family
ID=62111341
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2016215594A Active JP6864460B2 (en) | 2016-11-02 | 2016-11-02 | Disease prediction device |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6864460B2 (en) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6899111B2 (en) * | 2017-05-12 | 2021-07-07 | 株式会社Splink | Server system, methods and programs executed by the server system |
JP2020119406A (en) * | 2019-01-25 | 2020-08-06 | 株式会社Nttドコモ | Information processing device, information processing method, and program |
JP2020197948A (en) * | 2019-06-03 | 2020-12-10 | 株式会社ノーニューフォークスタジオ | Insurance suggestion system, insurance suggestion method, and insurance suggestion program |
JP7511408B2 (en) | 2020-07-21 | 2024-07-05 | 株式会社Nttドコモ | Output Device |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4449617B2 (en) * | 2003-12-22 | 2010-04-14 | パナソニック電工株式会社 | Motion sensing system |
US20050234309A1 (en) * | 2004-01-07 | 2005-10-20 | David Klapper | Method and apparatus for classification of movement states in Parkinson's disease |
US11083407B2 (en) * | 2013-03-14 | 2021-08-10 | Flint Hills Scientific, Llc | Pathological state detection using dynamically determined body index range values |
US9836581B2 (en) * | 2012-08-16 | 2017-12-05 | Ginger.io, Inc. | Method for modeling behavior and health changes |
NZ630770A (en) * | 2013-10-09 | 2016-03-31 | Resmed Sensor Technologies Ltd | Fatigue monitoring and management system |
WO2017145566A1 (en) * | 2016-02-22 | 2017-08-31 | パナソニックIpマネジメント株式会社 | Cognitive symptom detection system and program |
-
2016
- 2016-11-02 JP JP2016215594A patent/JP6864460B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
JP2018068910A (en) | 2018-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tedesco et al. | Accuracy of consumer-level and research-grade activity trackers in ambulatory settings in older adults | |
JP6799536B2 (en) | Wearable pain monitor with accelerometer | |
Sprint et al. | Toward automating clinical assessments: a survey of the timed up and go | |
JP2022088612A (en) | Balance testing and training system and method | |
Shammas et al. | Home-based system for physical activity monitoring in patients with multiple sclerosis (Pilot study) | |
US10786209B2 (en) | Monitoring system for stroke | |
JP6864460B2 (en) | Disease prediction device | |
JP6727473B1 (en) | Method, device, and program for evaluating the relationship between the degree of health in a health area of interest and preventive intervention behavior | |
US10376207B2 (en) | Calculating a current circadian rhythm of a person | |
JP2008011865A (en) | Healthcare apparatus and program for driving the same to function | |
US20200359913A1 (en) | System, apparatus, and methods for remote health monitoring | |
US11699524B2 (en) | System for continuous detection and monitoring of symptoms of Parkinson's disease | |
JP6830799B2 (en) | Physical condition information estimation method | |
Zhen et al. | Internet of things framework in athletics physical teaching system and health monitoring | |
JP2004503282A (en) | Equipment for measuring and analyzing physical activity | |
US20180256114A1 (en) | Exercise assistance system, information device, measurement device, exercise assistance method, and program | |
Norris et al. | Minimum number of days required for a reliable estimate of daily step count and energy expenditure, in people with MS who walk unaided | |
JP2004516058A (en) | Exercise support device | |
Sprint et al. | Designing wearable sensor-based analytics for quantitative mobility assessment | |
EP3758013A1 (en) | Housing equipment presentation apparatus, system, method and program | |
JP7352242B2 (en) | Physical fitness measurement method and device | |
JP2022190756A (en) | Action information gathering device, method and software | |
Li et al. | Design and Development of Smart Sensor Technology in a Smart Home for Healthy Independent Living-A Pilot Study | |
Haaren | Objective quantification of in-hospital patient mobilisation after cardiac surgery | |
Chuah | Fall Reduction Algorithm based on Abnormal Gaits Detection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20190904 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20200708 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20200728 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200925 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20201027 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210126 |
|
C60 | Trial request (containing other claim documents, opposition documents) |
Free format text: JAPANESE INTERMEDIATE CODE: C60 Effective date: 20210126 |
|
A911 | Transfer to examiner for re-examination before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20210204 |
|
C21 | Notice of transfer of a case for reconsideration by examiners before appeal proceedings |
Free format text: JAPANESE INTERMEDIATE CODE: C21 Effective date: 20210209 |
|
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: 20210309 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210402 |
|
R151 | Written notification of patent or utility model registration |
Ref document number: 6864460 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |