JP7317685B2 - 黒球温度推定システム、暑さ指数推定システム、熱中症リスク推定システム、ウェアラブルデバイス、黒球温度推定方法およびプログラム - Google Patents
黒球温度推定システム、暑さ指数推定システム、熱中症リスク推定システム、ウェアラブルデバイス、黒球温度推定方法およびプログラム Download PDFInfo
- Publication number
- JP7317685B2 JP7317685B2 JP2019223038A JP2019223038A JP7317685B2 JP 7317685 B2 JP7317685 B2 JP 7317685B2 JP 2019223038 A JP2019223038 A JP 2019223038A JP 2019223038 A JP2019223038 A JP 2019223038A JP 7317685 B2 JP7317685 B2 JP 7317685B2
- Authority
- JP
- Japan
- Prior art keywords
- temperature
- information
- estimation system
- black
- illuminance
- 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
Images
Landscapes
- Measuring Temperature Or Quantity Of Heat (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Description
特許法第３０条第２項適用 １．刊行物 ・発行日 平成３１年１月６日 Ｔｈｅ ７ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ ＢｉｏＳｅｎｓｏｒｓ，ＢｉｏＥｌｅｃｔｒｏｎｉｃｓ，ＢｉｏＭｅｄｉｃａｌ Ｄｅｖｉｃｅｓ，ＢｉｏＭＥＭＳ／ＮＥＭＳ ＆ Ａｐｐｌｉｃａｔｉｏｎｓ（Ｂｉｏ４Ａｐｐｓ ２０１８／２０１９）予稿集 ＜資 料＞予稿集 ２．学会発表（ポスター） ・開催日 平成３１年１月６日～８日（発表日：平成３１年１月７日） ・集会名 Ｔｈｅ ７ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ ＢｉｏＳｅｎｓｏｒｓ，ＢｉｏＥｌｅｃｔｒｏｎｉｃｓ，ＢｉｏＭｅｄｉｃａｌ Ｄｅｖｉｃｅｓ，ＢｉｏＭＥＭＳ／ＮＥＭＳ ＆ Ａｐｐｌｉｃａｔｉｏｎｓ（Ｂｉｏ４Ａｐｐｓ ２０１８／２０１９） ・開催場所 Ｈａｙｉ Ｂｕｉｌｄｉｎｇ，Ｓｔａｔｅ Ｋｅｙ Ｌａｂｏｒａｔｏｒｙ ｏｆ Ｕｒｂａｎ Ｗａｔｅｒ Ｒｅｓｏｕｒｃｅ ａｎｄ Ｅｎｖｉｒｏｎｍｅｎｔ，Ｈａｒｂｉｎ Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ ＜資 料＞学会プログラム、及び発表ポスター
本発明は、黒球温度推定システム、暑さ指数推定システム、熱中症リスク推定システム、ウェアラブルデバイス、黒球温度推定方法およびプログラムに関する。
近年、夏期の猛暑による熱中症の発症数が増加している。熱中症は、外部環境の高温、高湿度化により身体の深部体温が上昇し、様々な症状を引き起こすことである。熱中症に関わる外部環境の指標として、乾球湿球黒球温度（ＷＢＧＴ）がある。ＷＢＧＴの値が高くなると熱中症のリスクが上がることが知られており、日本では国により４段階にリスクが定められている。ＷＢＧＴは、乾球温度（Ｔａ）、湿球温度（Ｔｗ）、黒球温度（Ｔｇ）から算出される。屋外でのＷＢＧＴは下記の（１）式であらわされる。
ＷＢＧＴ＝０．１×Ｔａ＋０．７×Ｔｗ＋０．２×Ｔｇ （１）
黒球温度（Ｔｇ）は、黒球の内部に黒球温度センサ（温度計）を設置することによって観測される。黒球は、黒色に塗装された薄い銅板の球であり、黒球の中は空洞である。黒球の直径は約１５ｃｍである。黒球の表面には、ほとんど反射しない塗料が塗られている。黒球温度は、黒球が直射日光にさらされた状態での黒球の中の平衡温度であり、弱風時に日なたにおける体感温度と良い相関がある。
従来から、熱中症予防に用いられる熱中症指標測定表示装置が知られている（特許文献１参照）。特許文献１に記載された熱中症指標測定表示装置は、乾湿温度計と、黒球温度計と、それらの測定値に基づいて得られる熱中症指標を表示する表示器とを備えている。ところで、特許文献１に記載された技術では、黒球温度を計測するために、大型の黒球温度計を設置することが必要となる。
「日本工業規格 電子式湿球黒球温度（ＷＢＧＴ）指数計 ＪＩＳ Ｂ ７９２２：２０１７」に規定されている電子式湿球黒球温度指数計においても、黒球温度を計測するために、大型の黒球温度センサを設置することが必要となる。
そのため、現状では、ＷＢＧＴの計測は各地の代表地点でのみ行われており、個人個人が自分の熱中症リスクを把握することは困難であった。
「日本工業規格 電子式湿球黒球温度（ＷＢＧＴ）指数計 ＪＩＳ Ｂ ７９２２：２０１７」に規定されている電子式湿球黒球温度指数計においても、黒球温度を計測するために、大型の黒球温度センサを設置することが必要となる。
そのため、現状では、ＷＢＧＴの計測は各地の代表地点でのみ行われており、個人個人が自分の熱中症リスクを把握することは困難であった。
また、従来から、温度センサが測定した気温、相対湿度センサが測定した相対湿度および黒球温度センサが測定した黒球温度に基づいて湿球黒球温度を演算する黒球熱中症計が知られている（特許文献２参照）。特許文献２に記載された技術では、演算装置の小型化が図られているものの、特許文献２に記載された技術においても、大型の黒球の内部に黒球温度センサを設置する必要がある。
そのため、依然として、例えば腕時計などのような、普段の生活で身に着けることが可能なウェアラブルデバイスへの適用は困難であった。
そのため、依然として、例えば腕時計などのような、普段の生活で身に着けることが可能なウェアラブルデバイスへの適用は困難であった。
上述した問題点に鑑み、本発明は、大型のセンサなどの設置を行う必要なく黒球温度を得ることができる黒球温度推定システム、暑さ指数推定システム、熱中症リスク推定システム、ウェアラブルデバイス、黒球温度推定方法およびプログラムを提供することを目的とする。
本発明者等は、鋭意研究において、気温情報と、湿度情報と、照度情報と、システム利用者の皮膚温度情報とを用いることにより、大型のセンサなどの設置を行う必要なく、黒球温度を推定できることを見い出したのである。
本発明の一態様は、黒球温度を推定する黒球温度推定システムであって、気温情報を取得する気温情報取得部と、湿度情報を取得する湿度情報取得部と、照度情報を取得する照度情報取得部と、前記黒球温度推定システムの利用者の皮膚温度情報を取得する皮膚温度情報取得部と、前記気温情報取得部によって取得された気温情報と、前記湿度情報取得部によって取得された湿度情報と、前記照度情報取得部によって取得された照度情報と、前記皮膚温度情報取得部によって取得された皮膚温度情報とに基づいて、黒球温度を推定する黒球温度推定部とを備える、黒球温度推定システムである。
本発明の一態様は、前記黒球温度推定システムを備える暑さ指数推定システムである。
本発明の一態様は、前記暑さ指数推定システムを備える熱中症リスク推定システムである。
本発明の一態様は、前記黒球温度推定システムと、気温を検出し、気温情報を出力する温度センサと、湿度を検出し、湿度情報を出力する湿度センサと、照度を検出し、照度情報を出力する照度センサと、前記黒球温度推定システムの利用者の皮膚温度を検出し、皮膚温度情報を出力する皮膚温度センサとを備え、前記黒球温度推定システムの利用者によって装着されるウェアラブルデバイスである。
本発明の一態様は、黒球温度推定システムによって黒球温度を推定する黒球温度推定方法であって、気温情報を取得する気温情報取得ステップと、湿度情報を取得する湿度情報取得ステップと、照度情報を取得する照度情報取得ステップと、前記黒球温度推定システムの利用者の皮膚温度情報を取得する皮膚温度情報取得ステップと、前記気温情報取得ステップにおいて取得された気温情報と、前記湿度情報取得ステップにおいて取得された湿度情報と、前記照度情報取得ステップにおいて取得された照度情報と、前記皮膚温度情報取得ステップにおいて取得された皮膚温度情報とに基づいて、黒球温度を推定する黒球温度推定ステップとを備える、黒球温度推定方法である。
本発明の一態様は、黒球温度推定システムに、気温情報を取得する気温情報取得ステップと、湿度情報を取得する湿度情報取得ステップと、照度情報を取得する照度情報取得ステップと、前記黒球温度推定システムの利用者の皮膚温度情報を取得する皮膚温度情報取得ステップと、前記気温情報取得ステップにおいて取得された気温情報と、前記湿度情報取得ステップにおいて取得された湿度情報と、前記照度情報取得ステップにおいて取得された照度情報と、前記皮膚温度情報取得ステップにおいて取得された皮膚温度情報とに基づいて、黒球温度を推定する黒球温度推定ステップとを実行させるためのプログラムである。
本発明によれば、大型のセンサなどの設置を行う必要なく黒球温度を得ることができる黒球温度推定システム、暑さ指数推定システム、熱中症リスク推定システム、ウェアラブルデバイス、黒球温度推定方法およびプログラムを提供することができる。
以下、本発明の黒球温度推定システム、暑さ指数推定システム、熱中症リスク推定システム、ウェアラブルデバイス、黒球温度推定方法およびプログラムの実施形態について説明する。
＜第１実施形態＞
図１は第１実施形態の黒球温度推定システム１の概要の一例を示す図である。
図１に示す例では、黒球温度推定システム１が黒球温度を推定する。黒球温度推定システム１は、温度センサ１Ａと、湿度センサ１Ｂと、照度センサ１Ｃと、皮膚温度センサ１Ｄと、黒球温度推定装置１０とを備えている。
温度センサ１Ａは気温を検出する。また、温度センサ１Ａは、検出された気温と、その気温が検出された時刻とを示す情報を気温情報として出力する。詳細には、例えば温度センサ１Ａは気温の値を一定期間検出する。更に、その一定期間中の気温の時間平均が、上述した気温情報として用いられる。
湿度センサ１Ｂは、例えば温度センサ１Ａと同一のタイミングで湿度（相対湿度）を検出する。また、湿度センサ１Ｂは、検出された湿度と、その湿度が検出された時刻とを示す情報を湿度情報として出力する。詳細には、例えば湿度センサ１Ｂは、例えば温度センサ１Ａの検出期間と同一期間中、湿度の値を検出する。更に、その期間中の湿度の時間平均が、上述した湿度情報として用いられる。
照度センサ１Ｃは、例えば温度センサ１Ａと同一のタイミングで照度を検出する。また、照度センサ１Ｃは、検出された照度と、その照度が検出された時刻とを示す情報を照度情報として出力する。詳細には、例えば照度センサ１Ｃは、例えば温度センサ１Ａの検出期間と同一期間中、照度の値を検出する。更に、その期間中の照度の時間平均が、上述した照度情報として用いられる。
皮膚温度センサ１Ｄは、例えば温度センサ１Ａと同一のタイミングで、黒球温度推定システム１の利用者の皮膚温度を検出する。また、皮膚温度センサ１Ｄは、検出された皮膚温度と、その皮膚温度が検出された時刻とを示す情報を皮膚温度情報として出力する。詳細には、例えば皮膚温度センサ１Ｄは、例えば温度センサ１Ａの検出期間と同一期間中、皮膚温度の値を検出する。更に、その期間中の皮膚温度の時間平均が、上述した皮膚温度情報として用いられる。
図１は第１実施形態の黒球温度推定システム１の概要の一例を示す図である。
図１に示す例では、黒球温度推定システム１が黒球温度を推定する。黒球温度推定システム１は、温度センサ１Ａと、湿度センサ１Ｂと、照度センサ１Ｃと、皮膚温度センサ１Ｄと、黒球温度推定装置１０とを備えている。
温度センサ１Ａは気温を検出する。また、温度センサ１Ａは、検出された気温と、その気温が検出された時刻とを示す情報を気温情報として出力する。詳細には、例えば温度センサ１Ａは気温の値を一定期間検出する。更に、その一定期間中の気温の時間平均が、上述した気温情報として用いられる。
湿度センサ１Ｂは、例えば温度センサ１Ａと同一のタイミングで湿度（相対湿度）を検出する。また、湿度センサ１Ｂは、検出された湿度と、その湿度が検出された時刻とを示す情報を湿度情報として出力する。詳細には、例えば湿度センサ１Ｂは、例えば温度センサ１Ａの検出期間と同一期間中、湿度の値を検出する。更に、その期間中の湿度の時間平均が、上述した湿度情報として用いられる。
照度センサ１Ｃは、例えば温度センサ１Ａと同一のタイミングで照度を検出する。また、照度センサ１Ｃは、検出された照度と、その照度が検出された時刻とを示す情報を照度情報として出力する。詳細には、例えば照度センサ１Ｃは、例えば温度センサ１Ａの検出期間と同一期間中、照度の値を検出する。更に、その期間中の照度の時間平均が、上述した照度情報として用いられる。
皮膚温度センサ１Ｄは、例えば温度センサ１Ａと同一のタイミングで、黒球温度推定システム１の利用者の皮膚温度を検出する。また、皮膚温度センサ１Ｄは、検出された皮膚温度と、その皮膚温度が検出された時刻とを示す情報を皮膚温度情報として出力する。詳細には、例えば皮膚温度センサ１Ｄは、例えば温度センサ１Ａの検出期間と同一期間中、皮膚温度の値を検出する。更に、その期間中の皮膚温度の時間平均が、上述した皮膚温度情報として用いられる。
図１に示す例では、黒球温度推定システム１が温度センサ１Ａと湿度センサ１Ｂと照度センサ１Ｃと皮膚温度センサ１Ｄとを備えているが、他の例では、黒球温度推定システム１がそれらを備えておらず、黒球温度推定システム１の外部に配置されたそれらからのセンサデータが、黒球温度推定システム１に入力されてもよい。
図１に示す例では、黒球温度推定装置１０が、気温情報と湿度情報と照度情報と皮膚温度情報とに基づいて、黒球温度を推定する。具体的には、黒球温度推定装置１０は、気温情報取得部１１と、湿度情報取得部１２と、照度情報取得部１３と、皮膚温度情報取得部１４と、黒球温度推定部１５と、学習部１６とを備えている。
気温情報取得部１１は、温度センサ１Ａから出力された気温情報を取得する。湿度情報取得部１２は、湿度センサ１Ｂから出力された湿度情報を取得する。照度情報取得部１３は、照度センサ１Ｃから出力された照度情報を取得する。皮膚温度情報取得部１４は、皮膚温度センサ１Ｄから出力された黒球温度推定システム１の利用者の皮膚温度情報を取得する。
上述したように、本発明者等は、気温情報と、湿度情報と、照度情報と、黒球温度推定システム１の利用者の皮膚温度情報とを用いることによって、黒球温度を推定できることを見い出した。
そこで、図１に示す例では、黒球温度推定部１５が、気温情報取得部１１によって取得された気温情報と、湿度情報取得部１２によって取得された湿度情報と、照度情報取得部１３によって取得された照度情報と、皮膚温度情報取得部１４によって取得された皮膚温度情報とに基づいて、黒球温度を推定する。
詳細には、図１に示す例では、学習部１６が、既知の黒球温度を示す情報である教師データと、既知の黒球温度が得られた時点の気温情報、湿度情報、照度情報および皮膚温度情報を有する学習データとの組を用いることによって、黒球温度推定部１５の機械学習を行う。
気温情報取得部１１は、温度センサ１Ａから出力された気温情報を取得する。湿度情報取得部１２は、湿度センサ１Ｂから出力された湿度情報を取得する。照度情報取得部１３は、照度センサ１Ｃから出力された照度情報を取得する。皮膚温度情報取得部１４は、皮膚温度センサ１Ｄから出力された黒球温度推定システム１の利用者の皮膚温度情報を取得する。
上述したように、本発明者等は、気温情報と、湿度情報と、照度情報と、黒球温度推定システム１の利用者の皮膚温度情報とを用いることによって、黒球温度を推定できることを見い出した。
そこで、図１に示す例では、黒球温度推定部１５が、気温情報取得部１１によって取得された気温情報と、湿度情報取得部１２によって取得された湿度情報と、照度情報取得部１３によって取得された照度情報と、皮膚温度情報取得部１４によって取得された皮膚温度情報とに基づいて、黒球温度を推定する。
詳細には、図１に示す例では、学習部１６が、既知の黒球温度を示す情報である教師データと、既知の黒球温度が得られた時点の気温情報、湿度情報、照度情報および皮膚温度情報を有する学習データとの組を用いることによって、黒球温度推定部１５の機械学習を行う。
図２は図１に示す学習部１６による黒球温度推定部１５の機械学習の一例を説明するための図である。
図２に示す例では、学習部１６（図１参照）が、黒球温度センサデータ（既知の黒球温度を示す情報）を教師データとして用いる。また、学習部１６は、温度センサデータ（既知の黒球温度が得られた時点の気温情報）と、湿度センサデータ（既知の黒球温度が得られた時点の湿度情報）と、照度センサデータ（既知の黒球温度が得られた時点の照度情報）と、皮膚温度センサデータ（既知の黒球温度が得られた時点の皮膚温度情報）とを学習データとして用いる。つまり、学習部１６は、上述した教師データと学習データとの組を用いる。詳細には、学習部１６は、学習データとしての温度センサデータと湿度センサデータと照度センサデータと皮膚温度センサデータとが、モデルに入力されると、教師データとしての黒球温度センサデータがモデルから出力されるように、モデルの学習を実行する。
更に、黒球温度推定部１５（図１参照）は、学習部１６による学習済みのモデルを用いて、黒球温度を推定する。
詳細には、図２に示す例では、温度センサデータ（気温情報取得部１１によって取得された気温情報）と、湿度センサデータ（湿度情報取得部１２によって取得された湿度情報）と、照度センサデータ（照度情報取得部１３によって取得された照度情報）と、皮膚温度センサデータ（皮膚温度情報取得部１４によって取得された皮膚温度情報）とが、学習済みのモデルに入力される。更に、学習済みのモデルが、推定結果としての黒球温度を出力する。
図２に示す例では、学習部１６（図１参照）が、黒球温度センサデータ（既知の黒球温度を示す情報）を教師データとして用いる。また、学習部１６は、温度センサデータ（既知の黒球温度が得られた時点の気温情報）と、湿度センサデータ（既知の黒球温度が得られた時点の湿度情報）と、照度センサデータ（既知の黒球温度が得られた時点の照度情報）と、皮膚温度センサデータ（既知の黒球温度が得られた時点の皮膚温度情報）とを学習データとして用いる。つまり、学習部１６は、上述した教師データと学習データとの組を用いる。詳細には、学習部１６は、学習データとしての温度センサデータと湿度センサデータと照度センサデータと皮膚温度センサデータとが、モデルに入力されると、教師データとしての黒球温度センサデータがモデルから出力されるように、モデルの学習を実行する。
更に、黒球温度推定部１５（図１参照）は、学習部１６による学習済みのモデルを用いて、黒球温度を推定する。
詳細には、図２に示す例では、温度センサデータ（気温情報取得部１１によって取得された気温情報）と、湿度センサデータ（湿度情報取得部１２によって取得された湿度情報）と、照度センサデータ（照度情報取得部１３によって取得された照度情報）と、皮膚温度センサデータ（皮膚温度情報取得部１４によって取得された皮膚温度情報）とが、学習済みのモデルに入力される。更に、学習済みのモデルが、推定結果としての黒球温度を出力する。
上述したように、第１実施形態の黒球温度推定システム１では、気温情報と、湿度情報と、照度情報と、皮膚温度情報とに基づいて、黒球温度が推定される。そのため、第１実施形態の黒球温度推定システム１では、大型の黒球、黒球温度センサなどの設置を行う必要なく、黒球温度を得ることができる。つまり、第１実施形態の黒球温度推定システム１は、黒球温度推定システム１の利用者の身体及び周囲の情報を計測する温度センサ１Ａ、湿度センサ１Ｂ、照度センサ１Ｃおよび皮膚温度センサ１Ｄのデータから機械学習により黒球温度を推定するシステムである。
詳細には、図２に示す例では、既知の黒球温度を示す情報である教師データと、既知の黒球温度が得られた時点の気温情報、湿度情報、照度情報および皮膚温度情報を有する学習データとの組を用いることによって、黒球温度推定部１５の機械学習が行われる。そのため、図２に示す例では、例えば実験などにおいて気温情報、湿度情報、照度情報および皮膚温度情報と黒球温度との関係を事前に得る必要なく、黒球温度を推定することができる。
詳細には、図２に示す例では、既知の黒球温度を示す情報である教師データと、既知の黒球温度が得られた時点の気温情報、湿度情報、照度情報および皮膚温度情報を有する学習データとの組を用いることによって、黒球温度推定部１５の機械学習が行われる。そのため、図２に示す例では、例えば実験などにおいて気温情報、湿度情報、照度情報および皮膚温度情報と黒球温度との関係を事前に得る必要なく、黒球温度を推定することができる。
図３は第１実施形態の黒球温度推定システム１において実行される処理の一例を説明するためのフローチャートである。
図３に示す例では、ステップＳ１１において、学習部１６が、黒球温度推定部１５の機械学習を行う。
次いで、ステップＳ１２では、気温情報取得部１１が、気温情報を取得する。また、ステップＳ１３では、湿度情報取得部１２が、湿度情報を取得する。また、ステップＳ１４では、照度情報取得部１３が、照度情報を取得する。また、ステップＳ１５では、皮膚温度情報取得部１４が、黒球温度推定システム１の利用者の皮膚温度情報を取得する。
次いで、ステップＳ１６では、黒球温度推定部１５が、ステップＳ１２において取得された気温情報と、ステップＳ１３において取得された湿度情報と、ステップＳ１４において取得された照度情報と、ステップＳ１５において取得された皮膚温度情報とに基づいて、黒球温度を推定する。
図３に示す例では、ステップＳ１１において、学習部１６が、黒球温度推定部１５の機械学習を行う。
次いで、ステップＳ１２では、気温情報取得部１１が、気温情報を取得する。また、ステップＳ１３では、湿度情報取得部１２が、湿度情報を取得する。また、ステップＳ１４では、照度情報取得部１３が、照度情報を取得する。また、ステップＳ１５では、皮膚温度情報取得部１４が、黒球温度推定システム１の利用者の皮膚温度情報を取得する。
次いで、ステップＳ１６では、黒球温度推定部１５が、ステップＳ１２において取得された気温情報と、ステップＳ１３において取得された湿度情報と、ステップＳ１４において取得された照度情報と、ステップＳ１５において取得された皮膚温度情報とに基づいて、黒球温度を推定する。
＜第２実施形態＞
以下、本発明の黒球温度推定システム、暑さ指数推定システム、熱中症リスク推定システム、ウェアラブルデバイス、黒球温度推定方法およびプログラムの第２実施形態について説明する。
第２実施形態の黒球温度推定システム１は、後述する点を除き、上述した第１実施形態の黒球温度推定システム１と同様に構成されている。従って、第２実施形態の黒球温度推定システム１によれば、後述する点を除き、上述した第１実施形態の黒球温度推定システム１と同様の効果を奏することができる。
以下、本発明の黒球温度推定システム、暑さ指数推定システム、熱中症リスク推定システム、ウェアラブルデバイス、黒球温度推定方法およびプログラムの第２実施形態について説明する。
第２実施形態の黒球温度推定システム１は、後述する点を除き、上述した第１実施形態の黒球温度推定システム１と同様に構成されている。従って、第２実施形態の黒球温度推定システム１によれば、後述する点を除き、上述した第１実施形態の黒球温度推定システム１と同様の効果を奏することができる。
上述したように、第１実施形態の黒球温度推定システム１は、学習部１６を備えているが、第２実施形態の黒球温度推定システム１は、学習部１６を備えていない。
詳細には、第２実施形態の黒球温度推定システム１では、黒球温度推定部１５が、第１実施形態の黒球温度推定システム１において学習部１６による機械学習が行われた後の黒球温度推定部１５と同等の機能を有する。
そのため、第２実施形態の黒球温度推定システム１においても、第１実施形態の黒球温度推定システム１と同様に、例えば実験などにおいて気温情報、湿度情報、照度情報および皮膚温度情報と黒球温度との関係を事前に得る必要なく、黒球温度を推定することができる。
詳細には、第２実施形態の黒球温度推定システム１では、黒球温度推定部１５が、第１実施形態の黒球温度推定システム１において学習部１６による機械学習が行われた後の黒球温度推定部１５と同等の機能を有する。
そのため、第２実施形態の黒球温度推定システム１においても、第１実施形態の黒球温度推定システム１と同様に、例えば実験などにおいて気温情報、湿度情報、照度情報および皮膚温度情報と黒球温度との関係を事前に得る必要なく、黒球温度を推定することができる。
＜第３実施形態＞
以下、本発明の黒球温度推定システム、暑さ指数推定システム、熱中症リスク推定システム、ウェアラブルデバイス、黒球温度推定方法およびプログラムの第３実施形態について説明する。
第３実施形態の黒球温度推定システム１は、後述する点を除き、上述した第１実施形態の黒球温度推定システム１と同様に構成されている。従って、第３実施形態の黒球温度推定システム１によれば、後述する点を除き、上述した第１実施形態の黒球温度推定システム１と同様の効果を奏することができる。
以下、本発明の黒球温度推定システム、暑さ指数推定システム、熱中症リスク推定システム、ウェアラブルデバイス、黒球温度推定方法およびプログラムの第３実施形態について説明する。
第３実施形態の黒球温度推定システム１は、後述する点を除き、上述した第１実施形態の黒球温度推定システム１と同様に構成されている。従って、第３実施形態の黒球温度推定システム１によれば、後述する点を除き、上述した第１実施形態の黒球温度推定システム１と同様の効果を奏することができる。
上述したように、第１実施形態の黒球温度推定システム１では、温度センサ１Ａが気温を検出する。また、温度センサ１Ａは、検出された気温と、その気温が検出された時刻とを示す情報を気温情報として出力する。
本発明者等は、鋭意研究において、時系列気温情報を用いる場合には、非時系列気温情報を用いる場合よりも、黒球温度の推定精度を向上させることができることを見い出した。
そこで、第３実施形態の黒球温度推定システム１では、温度センサ１Ａが、気温を所定時間間隔（例えば５秒～１分間隔）で検出する。また、温度センサ１Ａは、複数回分（例えば３０回分）の検出結果を時系列気温情報として出力する。詳細には、温度センサ１Ａは、上述した所定時間間隔で気温の瞬時値を検出するのではなく、上述した所定時間間隔で、気温の値を一定期間検出する。更に、その一定期間中の気温の時間平均が、上述した時系列気温情報として用いられる。
本発明者等は、鋭意研究において、時系列気温情報を用いる場合には、非時系列気温情報を用いる場合よりも、黒球温度の推定精度を向上させることができることを見い出した。
そこで、第３実施形態の黒球温度推定システム１では、温度センサ１Ａが、気温を所定時間間隔（例えば５秒～１分間隔）で検出する。また、温度センサ１Ａは、複数回分（例えば３０回分）の検出結果を時系列気温情報として出力する。詳細には、温度センサ１Ａは、上述した所定時間間隔で気温の瞬時値を検出するのではなく、上述した所定時間間隔で、気温の値を一定期間検出する。更に、その一定期間中の気温の時間平均が、上述した時系列気温情報として用いられる。
また、上述したように、第１実施形態の黒球温度推定システム１では、湿度センサ１Ｂが、例えば温度センサ１Ａと同一のタイミングで湿度（相対湿度）を検出する。また、湿度センサ１Ｂは、検出された湿度と、その湿度が検出された時刻とを示す情報を湿度情報として出力する。
本発明者等は、鋭意研究において、時系列湿度情報を用いる場合には、非時系列湿度情報を用いる場合よりも、黒球温度の推定精度を向上させることができることを見い出した。
そこで、第３実施形態の黒球温度推定システム１では、湿度センサ１Ｂが、例えば温度センサ１Ａと同一の時間間隔で湿度（相対湿度）を検出する。また、湿度センサ１Ｂは、例えば温度センサ１Ａと同一回数分の検出結果を時系列湿度情報として出力する。詳細には、湿度センサ１Ｂは、例えば上述した時間間隔で、例えば温度センサ１Ａの検出期間と同一期間中、湿度の値を検出する。更に、その期間中の湿度の時間平均が、上述した時系列湿度情報として用いられる。
本発明者等は、鋭意研究において、時系列湿度情報を用いる場合には、非時系列湿度情報を用いる場合よりも、黒球温度の推定精度を向上させることができることを見い出した。
そこで、第３実施形態の黒球温度推定システム１では、湿度センサ１Ｂが、例えば温度センサ１Ａと同一の時間間隔で湿度（相対湿度）を検出する。また、湿度センサ１Ｂは、例えば温度センサ１Ａと同一回数分の検出結果を時系列湿度情報として出力する。詳細には、湿度センサ１Ｂは、例えば上述した時間間隔で、例えば温度センサ１Ａの検出期間と同一期間中、湿度の値を検出する。更に、その期間中の湿度の時間平均が、上述した時系列湿度情報として用いられる。
更に、上述したように、第１実施形態の黒球温度推定システム１では、照度センサ１Ｃが、例えば温度センサ１Ａと同一のタイミングで照度を検出する。また、照度センサ１Ｃは、検出された照度と、その照度が検出された時刻とを示す情報を照度情報として出力する。
本発明者等は、鋭意研究において、時系列照度情報を用いる場合には、非時系列照度情報を用いる場合よりも、黒球温度の推定精度を向上させることができることを見い出した。
そこで、第３実施形態の黒球温度推定システム１では、照度センサ１Ｃが、例えば温度センサ１Ａと同一の時間間隔で、照度を検出する。また、照度センサ１Ｃは、例えば温度センサ１Ａと同一回数分の検出結果を時系列照度情報として出力する。詳細には、照度センサ１Ｃは、例えば上述した時間間隔で、例えば温度センサ１Ａの検出期間と同一期間中、照度の値を検出する。更に、その期間中の照度の時間平均が、上述した時系列照度情報として用いられる。
本発明者等は、鋭意研究において、時系列照度情報を用いる場合には、非時系列照度情報を用いる場合よりも、黒球温度の推定精度を向上させることができることを見い出した。
そこで、第３実施形態の黒球温度推定システム１では、照度センサ１Ｃが、例えば温度センサ１Ａと同一の時間間隔で、照度を検出する。また、照度センサ１Ｃは、例えば温度センサ１Ａと同一回数分の検出結果を時系列照度情報として出力する。詳細には、照度センサ１Ｃは、例えば上述した時間間隔で、例えば温度センサ１Ａの検出期間と同一期間中、照度の値を検出する。更に、その期間中の照度の時間平均が、上述した時系列照度情報として用いられる。
また、上述したように、第１実施形態の黒球温度推定システム１では、皮膚温度センサ１Ｄが、例えば温度センサ１Ａと同一のタイミングで、黒球温度推定システム１の利用者の皮膚温度を検出する。また、皮膚温度センサ１Ｄは、検出された皮膚温度と、その皮膚温度が検出された時刻とを示す情報を皮膚温度情報として出力する。
本発明者等は、鋭意研究において、時系列皮膚温度情報を用いる場合には、非時系列皮膚温度情報を用いる場合よりも、黒球温度の推定精度を向上させることができることを見い出した。
そこで、第３実施形態の黒球温度推定システム１では、皮膚温度センサ１Ｄは、例えば温度センサ１Ａと同一の時間間隔で、黒球温度推定システム１の利用者の皮膚温度を検出する。また、皮膚温度センサ１Ｄは、例えば温度センサ１Ａと同一回数分の検出結果を時系列皮膚温度情報として出力する。詳細には、皮膚温度センサ１Ｄは、例えば上述した時間間隔で、例えば温度センサ１Ａの検出期間と同一期間中、黒球温度推定システム１の利用者の皮膚温度を検出する。更に、その期間中の皮膚温度の時間平均が、上述した時系列皮膚温度情報として用いられる。
本発明者等は、鋭意研究において、時系列皮膚温度情報を用いる場合には、非時系列皮膚温度情報を用いる場合よりも、黒球温度の推定精度を向上させることができることを見い出した。
そこで、第３実施形態の黒球温度推定システム１では、皮膚温度センサ１Ｄは、例えば温度センサ１Ａと同一の時間間隔で、黒球温度推定システム１の利用者の皮膚温度を検出する。また、皮膚温度センサ１Ｄは、例えば温度センサ１Ａと同一回数分の検出結果を時系列皮膚温度情報として出力する。詳細には、皮膚温度センサ１Ｄは、例えば上述した時間間隔で、例えば温度センサ１Ａの検出期間と同一期間中、黒球温度推定システム１の利用者の皮膚温度を検出する。更に、その期間中の皮膚温度の時間平均が、上述した時系列皮膚温度情報として用いられる。
第３実施形態の黒球温度推定システム１では、気温情報取得部１１が、温度センサ１Ａから出力された時系列気温情報を取得する。湿度情報取得部１２は、湿度センサ１Ｂから出力された時系列湿度情報を取得する。照度情報取得部１３は、照度センサ１Ｃから出力された時系列照度情報を取得する。皮膚温度情報取得部１４は、皮膚温度センサ１Ｄから出力された時系列皮膚温度情報を取得する。
更に、第３実施形態の黒球温度推定システム１では、黒球温度推定部１５が、気温情報取得部１１によって取得された時系列気温情報と、湿度情報取得部１２によって取得された時系列湿度情報と、照度情報取得部１３によって取得された時系列照度情報と、皮膚温度情報取得部１４によって取得された時系列皮膚温度情報とに基づいて、黒球温度を推定する。
詳細には、第３実施形態の黒球温度推定システム１では、学習部１６が、既知の黒球温度を示す情報である教師データと、既知の黒球温度が得られた時点を含む時系列気温情報、時系列湿度情報、時系列照度情報および時系列皮膚温度情報を有する学習データとの組を用いることによって、黒球温度推定部１５の機械学習を行う。つまり、第３実施形態の黒球温度推定システム１は、各センサの入力データとして時間履歴を含むデータを用いる。
更に、第３実施形態の黒球温度推定システム１では、黒球温度推定部１５が、気温情報取得部１１によって取得された時系列気温情報と、湿度情報取得部１２によって取得された時系列湿度情報と、照度情報取得部１３によって取得された時系列照度情報と、皮膚温度情報取得部１４によって取得された時系列皮膚温度情報とに基づいて、黒球温度を推定する。
詳細には、第３実施形態の黒球温度推定システム１では、学習部１６が、既知の黒球温度を示す情報である教師データと、既知の黒球温度が得られた時点を含む時系列気温情報、時系列湿度情報、時系列照度情報および時系列皮膚温度情報を有する学習データとの組を用いることによって、黒球温度推定部１５の機械学習を行う。つまり、第３実施形態の黒球温度推定システム１は、各センサの入力データとして時間履歴を含むデータを用いる。
＜第４実施形態＞
以下、本発明の黒球温度推定システム、暑さ指数推定システム、熱中症リスク推定システム、ウェアラブルデバイス、黒球温度推定方法およびプログラムの第４実施形態について説明する。
第４実施形態の黒球温度推定システム１は、後述する点を除き、上述した第３実施形態の黒球温度推定システム１と同様に構成されている。従って、第４実施形態の黒球温度推定システム１によれば、後述する点を除き、上述した第３実施形態の黒球温度推定システム１と同様の効果を奏することができる。
以下、本発明の黒球温度推定システム、暑さ指数推定システム、熱中症リスク推定システム、ウェアラブルデバイス、黒球温度推定方法およびプログラムの第４実施形態について説明する。
第４実施形態の黒球温度推定システム１は、後述する点を除き、上述した第３実施形態の黒球温度推定システム１と同様に構成されている。従って、第４実施形態の黒球温度推定システム１によれば、後述する点を除き、上述した第３実施形態の黒球温度推定システム１と同様の効果を奏することができる。
上述したように、第３実施形態の黒球温度推定システム１は、学習部１６を備えているが、第４実施形態の黒球温度推定システム１は、学習部１６を備えていない。
詳細には、第４実施形態の黒球温度推定システム１では、黒球温度推定部１５が、第３実施形態の黒球温度推定システム１において学習部１６による機械学習が行われた後の黒球温度推定部１５と同等の機能を有する。
そのため、第４実施形態の黒球温度推定システム１においても、第３実施形態の黒球温度推定システム１と同様に、例えば実験などにおいて時系列気温情報、時系列湿度情報、時系列照度情報および時系列皮膚温度情報と黒球温度との関係を事前に得る必要なく、黒球温度を推定することができる。
詳細には、第４実施形態の黒球温度推定システム１では、黒球温度推定部１５が、第３実施形態の黒球温度推定システム１において学習部１６による機械学習が行われた後の黒球温度推定部１５と同等の機能を有する。
そのため、第４実施形態の黒球温度推定システム１においても、第３実施形態の黒球温度推定システム１と同様に、例えば実験などにおいて時系列気温情報、時系列湿度情報、時系列照度情報および時系列皮膚温度情報と黒球温度との関係を事前に得る必要なく、黒球温度を推定することができる。
図４は第１から第４実施形態の黒球温度推定システム１が適用された暑さ指数推定システムＡの一例を示す図である。
図４に示す例では、暑さ指数推定システムＡが、黒球温度推定システム１と、暑さ指数推定部Ａ１とを備えている。暑さ指数推定部Ａ１は、黒球温度推定システム１によって推定された黒球温度（Ｔｇ）と、乾球温度（Ｔａ）と、湿球温度（Ｔｗ）と、上述した（１）式とに基づいて、暑さ指数（ＷＢＧＴ）［℃］を算出する。
詳細には、暑さ指数推定部Ａ１が、温度センサ１Ａによって検出された気温を乾球温度（Ｔａ）として用いる。また、暑さ指数推定部Ａ１は、温度センサ１Ａによって検出された気温（乾球温度（Ｔａ））と、湿度センサ１Ｂによって検出された湿度（相対湿度）と、公知の湿り空気線図とに基づいて、湿球温度（Ｔｗ）を算出する。湿り空気線図は、湿球温度、乾球温度、露点温度、相対／絶対湿度、エンタルピの関係を示す図である。
図４に示す例では、暑さ指数推定システムＡが、黒球温度推定システム１と、暑さ指数推定部Ａ１とを備えている。暑さ指数推定部Ａ１は、黒球温度推定システム１によって推定された黒球温度（Ｔｇ）と、乾球温度（Ｔａ）と、湿球温度（Ｔｗ）と、上述した（１）式とに基づいて、暑さ指数（ＷＢＧＴ）［℃］を算出する。
詳細には、暑さ指数推定部Ａ１が、温度センサ１Ａによって検出された気温を乾球温度（Ｔａ）として用いる。また、暑さ指数推定部Ａ１は、温度センサ１Ａによって検出された気温（乾球温度（Ｔａ））と、湿度センサ１Ｂによって検出された湿度（相対湿度）と、公知の湿り空気線図とに基づいて、湿球温度（Ｔｗ）を算出する。湿り空気線図は、湿球温度、乾球温度、露点温度、相対／絶対湿度、エンタルピの関係を示す図である。
図５は図４に示す暑さ指数推定システムＡが適用された熱中症リスク推定システムＢの一例を示す図である。
図５に示す例では、熱中症リスク推定システムＢが、暑さ指数推定システムＡと、熱中症リスク推定部Ｂ１とを備えている。熱中症リスク推定部Ｂ１は、暑さ指数推定システムＡによって推定（算出）された暑さ指数（ＷＢＧＴ）［℃］に基づいて、熱中症リスク推定システムＢの利用者（黒球温度推定システム１の利用者）が熱中症になるリスクを４段階に分類する。
図５に示す例では、熱中症リスク推定システムＢが、暑さ指数推定システムＡと、熱中症リスク推定部Ｂ１とを備えている。熱中症リスク推定部Ｂ１は、暑さ指数推定システムＡによって推定（算出）された暑さ指数（ＷＢＧＴ）［℃］に基づいて、熱中症リスク推定システムＢの利用者（黒球温度推定システム１の利用者）が熱中症になるリスクを４段階に分類する。
熱中症リスク推定部Ｂ１は、暑さ指数推定システムＡによって算出された暑さ指数（ＷＢＧＴ）が３１［℃］以上である場合に、熱中症リスク推定システムＢの利用者が熱中症になるリスクを「危険」段階に分類する。
熱中症リスク推定部Ｂ１は、暑さ指数推定システムＡによって算出された暑さ指数（ＷＢＧＴ）が２８［℃］以上３１［℃］未満である場合に、熱中症リスク推定システムＢの利用者が熱中症になるリスクを「厳重警戒」段階に分類する。
熱中症リスク推定部Ｂ１は、暑さ指数推定システムＡによって算出された暑さ指数（ＷＢＧＴ）が２５［℃］以上２８［℃］未満である場合に、熱中症リスク推定システムＢの利用者が熱中症になるリスクを「警戒」段階に分類する。
熱中症リスク推定部Ｂ１は、暑さ指数推定システムＡによって算出された暑さ指数（ＷＢＧＴ）が２５［℃］未満である場合に、熱中症リスク推定システムＢの利用者が熱中症になるリスクを「注意」段階に分類する。
熱中症リスク推定部Ｂ１は、暑さ指数推定システムＡによって算出された暑さ指数（ＷＢＧＴ）が２８［℃］以上３１［℃］未満である場合に、熱中症リスク推定システムＢの利用者が熱中症になるリスクを「厳重警戒」段階に分類する。
熱中症リスク推定部Ｂ１は、暑さ指数推定システムＡによって算出された暑さ指数（ＷＢＧＴ）が２５［℃］以上２８［℃］未満である場合に、熱中症リスク推定システムＢの利用者が熱中症になるリスクを「警戒」段階に分類する。
熱中症リスク推定部Ｂ１は、暑さ指数推定システムＡによって算出された暑さ指数（ＷＢＧＴ）が２５［℃］未満である場合に、熱中症リスク推定システムＢの利用者が熱中症になるリスクを「注意」段階に分類する。
つまり、図５に示す例では、熱中症リスク推定システムＢが、熱中症リスク判断指標として、暑さ指数（ＷＢＧＴ）［℃］を用いる。
暑さ指数（ＷＢＧＴ）［℃］が高い状態は、熱中症リスク推定システムＢの利用者が熱中症になりそうな状態に相当する。
暑さ指数（ＷＢＧＴ）［℃］が高い状態は、熱中症リスク推定システムＢの利用者が熱中症になりそうな状態に相当する。
図６は第１実施形態の黒球温度推定システム１の学習部１６による黒球温度推定部１５の機械学習の一例を説明するための図である。
図６に示す例では、機械学習の手法として、ニューラルネットワークが用いられる。
詳細には、図６に示す例では、学習データとして用いられる温度センサデータと湿度センサデータとが温湿度センサによって、例えば１ｍｉｎに１回、測定される。温湿度センサは、例えば黒球温度推定システム１の利用者の腕周りに配置される。
また、学習データとして用いられる照度センサデータが、例えば温度センサデータおよび湿度センサデータと同一タイミングで、照度センサによって測定される。照度センサは、例えば黒球温度推定システム１の利用者の腕周りに配置される。
更に、学習データとして用いられる皮膚温度センサデータが、例えば温度センサデータおよび湿度センサデータと同一タイミングで、皮膚温度センサによって測定される。皮膚温度センサは、例えば黒球温度推定システム１の利用者の腕周りに配置される。
また、黒球温度センサによって、教師データとしての黒球温度が、例えば温度センサデータおよび湿度センサデータと同一タイミングで測定される。黒球温度センサは、黒球温度推定システム１の利用者の腕周りに配置されなくてよい。
図６に示す例では、機械学習の手法として、ニューラルネットワークが用いられる。
詳細には、図６に示す例では、学習データとして用いられる温度センサデータと湿度センサデータとが温湿度センサによって、例えば１ｍｉｎに１回、測定される。温湿度センサは、例えば黒球温度推定システム１の利用者の腕周りに配置される。
また、学習データとして用いられる照度センサデータが、例えば温度センサデータおよび湿度センサデータと同一タイミングで、照度センサによって測定される。照度センサは、例えば黒球温度推定システム１の利用者の腕周りに配置される。
更に、学習データとして用いられる皮膚温度センサデータが、例えば温度センサデータおよび湿度センサデータと同一タイミングで、皮膚温度センサによって測定される。皮膚温度センサは、例えば黒球温度推定システム１の利用者の腕周りに配置される。
また、黒球温度センサによって、教師データとしての黒球温度が、例えば温度センサデータおよび湿度センサデータと同一タイミングで測定される。黒球温度センサは、黒球温度推定システム１の利用者の腕周りに配置されなくてよい。
図６に示す例では、次いで、学習データと教師データとを用いる（詳細には、例えば１ｍｉｎ分のデータを用いる）ことによって、ニューラルネットワークの学習が行われる。ニューラルネットワークの学習では、推定される黒球温度と、黒球温度センサによって測定された黒球温度との比較が行われる。
ニューラルネットワークの学習の結果、ニューラルネットワークは、黒球温度を推定できるようになる。
ニューラルネットワークにおいて推定された黒球温度を用いることにより、上述した暑さ指数推定システムＡによって、暑さ指数（ＷＢＧＴ）［℃］を算出することができる。
また、その暑さ指数（ＷＢＧＴ）［℃］を用いることにより、上述した熱中症リスク推定部Ｂ１によって、４段階のリスク（危険度）の分類を行うことができる。
ニューラルネットワークの学習の結果、ニューラルネットワークは、黒球温度を推定できるようになる。
ニューラルネットワークにおいて推定された黒球温度を用いることにより、上述した暑さ指数推定システムＡによって、暑さ指数（ＷＢＧＴ）［℃］を算出することができる。
また、その暑さ指数（ＷＢＧＴ）［℃］を用いることにより、上述した熱中症リスク推定部Ｂ１によって、４段階のリスク（危険度）の分類を行うことができる。
図７は図６に示すニューラルネットワークに入力された黒球温度の実測値と図６に示すニューラルネットワークから出力された黒球温度の推定値との関係を示す図である。図７の横軸は、１０時１９分から１１時１６分までの時刻を示している。図７の縦軸は、黒球温度［℃］（詳細には、黒球温度の実測値および黒球温度の推定値）を示している。
図８は図７に示す黒球温度の実測値と黒球温度の推定値とを比較した図である。図８の横軸は、図６に示すニューラルネットワークに入力された黒球温度の実測値［℃］を示しており、図８の縦軸は、図６に示すニューラルネットワークから出力された黒球温度の推定値［℃］を示している。
図７および図８に示す研究では、１０時１９分から１１時１６分までの間に１ｍｉｎに１回検出された温度センサデータ、湿度センサデータ、照度センサデータおよび皮膚温度センサデータから黒球温度推定部１５により推定された黒球温度と、１０時１９分から１１時１６分までの間に１ｍｉｎに１回測定された黒球温度センサデータとの比較を行った。
黒球温度推定部１５による例えば１０時１９分の時点の黒球温度の推定では、１０時１９分の時点における温度センサデータ、湿度センサデータ、照度センサデータおよび皮膚温度センサデータが使用された。また、黒球温度推定部１５による例えば１１時１６分の時点の黒球温度の推定では、１１時１６分の時点における温度センサデータ、湿度センサデータ、照度センサデータおよび皮膚温度センサデータが使用された。
図７および図８に示す研究では、図７に示すように、黒球温度の実測値とほぼ一致する黒球温度の推定値を得ることができた。つまり、図６に示すニューラルネットワーク（第１実施形態の黒球温度推定システム１）では、黒球温度を高精度に推定することができた。また、図８に示すように、Ｒ２値として「０．９１９３」が得られた。
図８は図７に示す黒球温度の実測値と黒球温度の推定値とを比較した図である。図８の横軸は、図６に示すニューラルネットワークに入力された黒球温度の実測値［℃］を示しており、図８の縦軸は、図６に示すニューラルネットワークから出力された黒球温度の推定値［℃］を示している。
図７および図８に示す研究では、１０時１９分から１１時１６分までの間に１ｍｉｎに１回検出された温度センサデータ、湿度センサデータ、照度センサデータおよび皮膚温度センサデータから黒球温度推定部１５により推定された黒球温度と、１０時１９分から１１時１６分までの間に１ｍｉｎに１回測定された黒球温度センサデータとの比較を行った。
黒球温度推定部１５による例えば１０時１９分の時点の黒球温度の推定では、１０時１９分の時点における温度センサデータ、湿度センサデータ、照度センサデータおよび皮膚温度センサデータが使用された。また、黒球温度推定部１５による例えば１１時１６分の時点の黒球温度の推定では、１１時１６分の時点における温度センサデータ、湿度センサデータ、照度センサデータおよび皮膚温度センサデータが使用された。
図７および図８に示す研究では、図７に示すように、黒球温度の実測値とほぼ一致する黒球温度の推定値を得ることができた。つまり、図６に示すニューラルネットワーク（第１実施形態の黒球温度推定システム１）では、黒球温度を高精度に推定することができた。また、図８に示すように、Ｒ２値として「０．９１９３」が得られた。
図９は図５に示す熱中症リスク推定システムＢによる熱中症リスクの推定結果の正答率（分類精度）を示す図である。
図９に示すように、暑さ指数の実測値が、熱中症リスクの「注意」段階（２５［℃］未満）に相当する条件下では、図５に示す熱中症リスク推定システムＢによる熱中症リスクの推定結果の正答率が、「１」（＝１００％）になった。
暑さ指数の実測値が、熱中症リスクの「警戒」段階（２５［℃］以上２８［℃］未満）に相当する条件下では、図５に示す熱中症リスク推定システムＢによる熱中症リスクの推定結果の正答率が、「０．９３」（＝９３％）になった。
暑さ指数の実測値が、熱中症リスクの「厳重警戒」段階（２８［℃］以上３１［℃］未満）に相当する条件下では、図５に示す熱中症リスク推定システムＢによる熱中症リスクの推定結果の正答率が、「０．７９」（＝７９％）になった。
暑さ指数の実測値が、熱中症リスクの「危険」段階（３１［℃］以上）に相当する条件下では、図５に示す熱中症リスク推定システムＢによる熱中症リスクの推定結果の正答率が、「０．９５」（＝９５％）になった。
図５に示す熱中症リスク推定システムＢによる熱中症リスクの推定結果の４段階の正答率平均は、「０．９１」（＝９１％）になった。
つまり、暑さ指数（ＷＢＧＴ）［℃］の分類間隔（分類温度幅）が３［℃］（２５［℃］～２８［℃］、２８［℃］～３１［℃］）に設定された図９に示す研究では、暑さ指数の実測値を用いる必要なく、熱中症リスクを高精度に推定することができた。
図９に示すように、暑さ指数の実測値が、熱中症リスクの「注意」段階（２５［℃］未満）に相当する条件下では、図５に示す熱中症リスク推定システムＢによる熱中症リスクの推定結果の正答率が、「１」（＝１００％）になった。
暑さ指数の実測値が、熱中症リスクの「警戒」段階（２５［℃］以上２８［℃］未満）に相当する条件下では、図５に示す熱中症リスク推定システムＢによる熱中症リスクの推定結果の正答率が、「０．９３」（＝９３％）になった。
暑さ指数の実測値が、熱中症リスクの「厳重警戒」段階（２８［℃］以上３１［℃］未満）に相当する条件下では、図５に示す熱中症リスク推定システムＢによる熱中症リスクの推定結果の正答率が、「０．７９」（＝７９％）になった。
暑さ指数の実測値が、熱中症リスクの「危険」段階（３１［℃］以上）に相当する条件下では、図５に示す熱中症リスク推定システムＢによる熱中症リスクの推定結果の正答率が、「０．９５」（＝９５％）になった。
図５に示す熱中症リスク推定システムＢによる熱中症リスクの推定結果の４段階の正答率平均は、「０．９１」（＝９１％）になった。
つまり、暑さ指数（ＷＢＧＴ）［℃］の分類間隔（分類温度幅）が３［℃］（２５［℃］～２８［℃］、２８［℃］～３１［℃］）に設定された図９に示す研究では、暑さ指数の実測値を用いる必要なく、熱中症リスクを高精度に推定することができた。
図１０は図５に示す熱中症リスク推定システムＢにおける熱中症リスクの分類間隔（分類温度幅）と分類精度（推定結果の正答率）との関係を示す図である。図１０の縦軸は分類精度を示しており、図１０の横軸は暑さ指数（ＷＢＧＴ）［℃］の分類間隔（分類温度幅）を示している。
図１０に示す研究では、暑さ指数（ＷＢＧＴ）［℃］の分類間隔（分類温度幅）が３［℃］以外の場合（具体的には、分類温度幅が１［℃］の場合、分類温度幅が２［℃］の場合、および、分類温度幅が４［℃］の場合）においても、熱中症リスクを高精度に推定できることが確認できた。
図１０に示す研究では、暑さ指数（ＷＢＧＴ）［℃］の分類間隔（分類温度幅）が３［℃］以外の場合（具体的には、分類温度幅が１［℃］の場合、分類温度幅が２［℃］の場合、および、分類温度幅が４［℃］の場合）においても、熱中症リスクを高精度に推定できることが確認できた。
図６～図１０に示す本発明者等の研究では、下記のニューラルネットワーク構造を使用した。
Ｉｎｐｕｔ
Ａｆｆｉｎｅ（５００）
ＢａｔｃｈＮｏｒｍａｌｉｚａｔｉｏｎ
Ｔａｎｈ
ＢａｔｃｈＮｏｒｍａｌｉｚａｔｉｏｎ
ＲｅＬＵ
Ａｆｆｉｎｅ（１００）
ＲｅＬＵ
Ａｆｆｉｎｅ（１）
Ａｂｓ
Ｉｎｐｕｔ
Ａｆｆｉｎｅ（５００）
ＢａｔｃｈＮｏｒｍａｌｉｚａｔｉｏｎ
Ｔａｎｈ
ＢａｔｃｈＮｏｒｍａｌｉｚａｔｉｏｎ
ＲｅＬＵ
Ａｆｆｉｎｅ（１００）
ＲｅＬＵ
Ａｆｆｉｎｅ（１）
Ａｂｓ
図１１は黒球温度推定システム１の利用者によって装着されるウェアラブルデバイスＣの一例を示す図である。詳細には、図１１（Ａ）はウェアラブルデバイスＣを表面側から見た概略的な斜視図であり、図１１（Ｂ）はウェアラブルデバイスＣを裏面側から見た概略的な斜視図である。
図１１に示す例では、ウェアラブルデバイスＣが、腕時計型熱中症リスク低減デバイスとして機能する。ウェアラブルデバイスＣは、腕時計機能部Ｃ１と、第１または第３実施形態の黒球温度推定システム１とを備えている。
図１１に示すＡＩ（Artificial Intelligence）処理回路が、黒球温度推定システム１の黒球温度推定装置１０として機能する。また、図１１に示す温湿度センサは、温度センサ１Ａの機能と湿度センサ１Ｂの機能とを有する。温度センサ１Ａは、例えば黒球温度推定システム１の利用者の周囲の物体表面温度を検出する機能を有する。湿度センサ１Ｂは、例えばウェアラブルデバイスＣ付近の温湿度を検出する機能を有する。
図１１に示す例では、温湿度センサ（温度センサ１Ａ、湿度センサ１Ｂ）と照度センサ１Ｃと加速度センサとが、ウェアラブルデバイスＣの表面側に配置され、環境センサとして機能する。照度センサ１Ｃは、例えばウェアラブルデバイスＣ付近の照度を検出する機能を有する。加速度センサは、例えばウェアラブルデバイスＣの姿勢、運動状態などを検出する機能を有する。
脈拍センサと皮膚温度センサ１Ｄと発汗センサとは、ウェアラブルデバイスＣの裏面側に配置され、生体センサとして機能する。皮膚温度センサ１Ｄとしては、例えば黒球温度推定システム１の利用者の皮膚の表面温度を検出する赤外線センサが用いられる。発汗センサは、例えば黒球温度推定システム１の利用者付近の温湿度を検出する機能を有する。
図１１に示す電源は、ＡＩ処理回路（黒球温度推定装置１０）と、温湿度センサ（温度センサ１Ａ、湿度センサ１Ｂ）と、照度センサ１Ｃと、脈拍センサと、皮膚温度センサ１Ｄと、発汗センサと、加速度センサとに電力を供給する。
図１１に示すウェアラブルデバイスＣは、図４に示す暑さ指数推定システムＡが有する機能、および、図５に示す熱中症リスク推定システムＢが有する機能を有する。
図１１に示す例では、ウェアラブル端末に搭載可能なセンサのみで暑さ指数が分かるので、個人個人の熱中症リスクを手軽に把握することができる。
図１１に示す例では、ウェアラブルデバイスＣが、腕時計型熱中症リスク低減デバイスとして機能する。ウェアラブルデバイスＣは、腕時計機能部Ｃ１と、第１または第３実施形態の黒球温度推定システム１とを備えている。
図１１に示すＡＩ（Artificial Intelligence）処理回路が、黒球温度推定システム１の黒球温度推定装置１０として機能する。また、図１１に示す温湿度センサは、温度センサ１Ａの機能と湿度センサ１Ｂの機能とを有する。温度センサ１Ａは、例えば黒球温度推定システム１の利用者の周囲の物体表面温度を検出する機能を有する。湿度センサ１Ｂは、例えばウェアラブルデバイスＣ付近の温湿度を検出する機能を有する。
図１１に示す例では、温湿度センサ（温度センサ１Ａ、湿度センサ１Ｂ）と照度センサ１Ｃと加速度センサとが、ウェアラブルデバイスＣの表面側に配置され、環境センサとして機能する。照度センサ１Ｃは、例えばウェアラブルデバイスＣ付近の照度を検出する機能を有する。加速度センサは、例えばウェアラブルデバイスＣの姿勢、運動状態などを検出する機能を有する。
脈拍センサと皮膚温度センサ１Ｄと発汗センサとは、ウェアラブルデバイスＣの裏面側に配置され、生体センサとして機能する。皮膚温度センサ１Ｄとしては、例えば黒球温度推定システム１の利用者の皮膚の表面温度を検出する赤外線センサが用いられる。発汗センサは、例えば黒球温度推定システム１の利用者付近の温湿度を検出する機能を有する。
図１１に示す電源は、ＡＩ処理回路（黒球温度推定装置１０）と、温湿度センサ（温度センサ１Ａ、湿度センサ１Ｂ）と、照度センサ１Ｃと、脈拍センサと、皮膚温度センサ１Ｄと、発汗センサと、加速度センサとに電力を供給する。
図１１に示すウェアラブルデバイスＣは、図４に示す暑さ指数推定システムＡが有する機能、および、図５に示す熱中症リスク推定システムＢが有する機能を有する。
図１１に示す例では、ウェアラブル端末に搭載可能なセンサのみで暑さ指数が分かるので、個人個人の熱中症リスクを手軽に把握することができる。
以上、本発明を実施するための形態について実施形態を用いて説明したが、本発明はこうした実施形態に何等限定されるものではなく、本発明の要旨を逸脱しない範囲内において種々の変形及び置換を加えることができる。上述した各実施形態および各例に記載の構成を組み合わせてもよい。
なお、上述した実施形態における黒球温度推定システム１が備える各部の機能全体あるいはその一部は、これらの機能を実現するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することによって実現しても良い。なお、ここでいう「コンピュータシステム」とは、ＯＳや周辺機器等のハードウェアを含むものとする。
また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ－ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶部のことをいう。さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムを送信する場合の通信線のように、短時間の間、動的にプログラムを保持するもの、その場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリのように、一定時間プログラムを保持しているものも含んでも良い。また上記プログラムは、前述した機能の一部を実現するためのものであっても良く、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであっても良い。
また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ－ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶部のことをいう。さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムを送信する場合の通信線のように、短時間の間、動的にプログラムを保持するもの、その場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリのように、一定時間プログラムを保持しているものも含んでも良い。また上記プログラムは、前述した機能の一部を実現するためのものであっても良く、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであっても良い。
１…黒球温度推定システム、１０…黒球温度推定装置、１１…気温情報取得部、１２…湿度情報取得部、１３…照度情報取得部、１４…皮膚温度情報取得部、１５…黒球温度推定部、１６…学習部、１Ａ…温度センサ、１Ｂ…湿度センサ、１Ｃ…照度センサ、１Ｄ…皮膚温度センサ、Ａ…暑さ指数推定システム、Ａ１…暑さ指数推定部、Ｂ…熱中症リスク推定システム、Ｂ１…熱中症リスク推定部、Ｃ…ウェアラブルデバイス、Ｃ１…腕時計機能部
Claims (9)
- 黒球温度を推定する黒球温度推定システムであって、
気温情報を取得する気温情報取得部と、
湿度情報を取得する湿度情報取得部と、
照度情報を取得する照度情報取得部と、
前記黒球温度推定システムの利用者の皮膚温度情報を取得する皮膚温度情報取得部と、
前記気温情報取得部によって取得された気温情報と、前記湿度情報取得部によって取得された湿度情報と、前記照度情報取得部によって取得された照度情報と、前記皮膚温度情報取得部によって取得された皮膚温度情報とに基づいて、黒球温度を推定する黒球温度推定部とを備える、
黒球温度推定システム。 - 既知の黒球温度を示す情報である教師データと、前記既知の黒球温度が得られた時点の気温情報、湿度情報、照度情報および皮膚温度情報を有する学習データとの組を用いることによって、前記黒球温度推定部の機械学習を行う学習部を更に備える、
請求項１に記載の黒球温度推定システム。 - 前記気温情報取得部は時系列気温情報を取得し、
前記湿度情報取得部は時系列湿度情報を取得し、
前記照度情報取得部は時系列照度情報を取得し、
前記皮膚温度情報取得部は時系列皮膚温度情報を取得し、
前記黒球温度推定部は、前記気温情報取得部によって取得された時系列気温情報と、前記湿度情報取得部によって取得された時系列湿度情報と、前記照度情報取得部によって取得された時系列照度情報と、前記皮膚温度情報取得部によって取得された時系列皮膚温度情報とに基づいて、黒球温度を推定する、
請求項１に記載の黒球温度推定システム。 - 既知の黒球温度を示す情報である教師データと、前記既知の黒球温度が得られた時点を含む時系列気温情報、時系列湿度情報、時系列照度情報および時系列皮膚温度情報を有する学習データとの組を用いることによって、前記黒球温度推定部の機械学習を行う学習部を更に備える、
請求項３に記載の黒球温度推定システム。 - 請求項１から請求項４のいずれか一項に記載の黒球温度推定システムを備える暑さ指数推定システム。
- 請求項５に記載の暑さ指数推定システムを備える熱中症リスク推定システム。
- 請求項１から請求項４のいずれか一項に記載の黒球温度推定システムと、
気温を検出し、気温情報を出力する温度センサと、
湿度を検出し、湿度情報を出力する湿度センサと、
照度を検出し、照度情報を出力する照度センサと、
前記黒球温度推定システムの利用者の皮膚温度を検出し、皮膚温度情報を出力する皮膚温度センサとを備え、
前記黒球温度推定システムの利用者によって装着されるウェアラブルデバイス。 - 黒球温度推定システムによって黒球温度を推定する黒球温度推定方法であって、
気温情報を取得する気温情報取得ステップと、
湿度情報を取得する湿度情報取得ステップと、
照度情報を取得する照度情報取得ステップと、
前記黒球温度推定システムの利用者の皮膚温度情報を取得する皮膚温度情報取得ステップと、
前記気温情報取得ステップにおいて取得された気温情報と、前記湿度情報取得ステップにおいて取得された湿度情報と、前記照度情報取得ステップにおいて取得された照度情報と、前記皮膚温度情報取得ステップにおいて取得された皮膚温度情報とに基づいて、黒球温度を推定する黒球温度推定ステップとを備える、
黒球温度推定方法。 - 黒球温度推定システムに、
気温情報を取得する気温情報取得ステップと、
湿度情報を取得する湿度情報取得ステップと、
照度情報を取得する照度情報取得ステップと、
前記黒球温度推定システムの利用者の皮膚温度情報を取得する皮膚温度情報取得ステップと、
前記気温情報取得ステップにおいて取得された気温情報と、前記湿度情報取得ステップにおいて取得された湿度情報と、前記照度情報取得ステップにおいて取得された照度情報と、前記皮膚温度情報取得ステップにおいて取得された皮膚温度情報とに基づいて、黒球温度を推定する黒球温度推定ステップと
を実行させるためのプログラム。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019223038A JP7317685B2 (ja) | 2019-12-10 | 2019-12-10 | 黒球温度推定システム、暑さ指数推定システム、熱中症リスク推定システム、ウェアラブルデバイス、黒球温度推定方法およびプログラム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019223038A JP7317685B2 (ja) | 2019-12-10 | 2019-12-10 | 黒球温度推定システム、暑さ指数推定システム、熱中症リスク推定システム、ウェアラブルデバイス、黒球温度推定方法およびプログラム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2021092441A JP2021092441A (ja) | 2021-06-17 |
| JP7317685B2 true JP7317685B2 (ja) | 2023-07-31 |
Family
ID=76312172
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2019223038A Active JP7317685B2 (ja) | 2019-12-10 | 2019-12-10 | 黒球温度推定システム、暑さ指数推定システム、熱中症リスク推定システム、ウェアラブルデバイス、黒球温度推定方法およびプログラム |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP7317685B2 (ja) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002130777A (ja) | 2000-10-23 | 2002-05-09 | Yamatake Building Systems Co Ltd | 空調システム |
| JP2010266318A (ja) | 2009-05-14 | 2010-11-25 | Shizuoka Prefecture | 湿球温度とｗｂｇｔの予測方法、ｗｂｇｔ計、および熱中症危険度判定装置 |
| JP2014098581A (ja) | 2012-11-13 | 2014-05-29 | Takenaka Komuten Co Ltd | 屋外快適度導出装置、屋外利用促進装置およびプログラム |
| US20170042486A1 (en) | 2015-08-13 | 2017-02-16 | Compal Electronics, Inc. | Wearable device capable of preventing heatstroke |
| US20180153463A1 (en) | 2016-12-02 | 2018-06-07 | Polar Electro Oy | Wrist device and arrangement for measuring and testing performance |
| JP2018116584A (ja) | 2017-01-19 | 2018-07-26 | 俊輔 陶山 | 熱中症予防システム、熱中症予防方法及びプログラム |
| JP2019034223A (ja) | 2018-12-03 | 2019-03-07 | 株式会社三洋物産 | 遊技機 |
-
2019
- 2019-12-10 JP JP2019223038A patent/JP7317685B2/ja active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002130777A (ja) | 2000-10-23 | 2002-05-09 | Yamatake Building Systems Co Ltd | 空調システム |
| JP2010266318A (ja) | 2009-05-14 | 2010-11-25 | Shizuoka Prefecture | 湿球温度とｗｂｇｔの予測方法、ｗｂｇｔ計、および熱中症危険度判定装置 |
| JP2014098581A (ja) | 2012-11-13 | 2014-05-29 | Takenaka Komuten Co Ltd | 屋外快適度導出装置、屋外利用促進装置およびプログラム |
| US20170042486A1 (en) | 2015-08-13 | 2017-02-16 | Compal Electronics, Inc. | Wearable device capable of preventing heatstroke |
| US20180153463A1 (en) | 2016-12-02 | 2018-06-07 | Polar Electro Oy | Wrist device and arrangement for measuring and testing performance |
| JP2018116584A (ja) | 2017-01-19 | 2018-07-26 | 俊輔 陶山 | 熱中症予防システム、熱中症予防方法及びプログラム |
| JP2019034223A (ja) | 2018-12-03 | 2019-03-07 | 株式会社三洋物産 | 遊技機 |
Non-Patent Citations (2)
| Title |
|---|
| 仲吉 信人，ラグランジアン人間気象学，水文・水資源学会誌，2016年，Vol.29,No.4，pp.238-250 |
| 岡田 牧 他，岡田・日下の黒球温度推定式の広域適用とパラメータ調整，日本ヒートアイランド学会論文集，2013年，Ｖｏｌ．８，pp.13-21 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2021092441A (ja) | 2021-06-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Keally et al. | Pbn: towards practical activity recognition using smartphone-based body sensor networks | |
| Chandel et al. | Exploiting IMU sensors for IoT enabled health monitoring | |
| JP2019534721A (ja) | 水泳分析のシステム及び方法 | |
| Katevas et al. | Poster: Sensingkit: A multi-platform mobile sensing framework for large-scale experiments | |
| Breland et al. | Robust hand gestures recognition using a deep CNN and thermal images | |
| JP2016500541A (ja) | 心拍数情報を利用したアスレチックパフォーマンス監視システム | |
| KR20130047547A (ko) | 모바일 핸드셋 센서 입력을 통해 모바일 광고 피드백을 기록, 번역 및 수집하기 위한 시스템 및 방법 | |
| CN111670005B (zh) | 用于感测生物特征信息的电子装置及其控制方法 | |
| JP2016008818A (ja) | 検出装置および方法、並びにプログラム | |
| US20200060546A1 (en) | A System and Method for Monitoring Human Performance | |
| US9241664B2 (en) | Using physical sensory input to determine human response to multimedia content displayed on a mobile device | |
| Anagnostopoulos et al. | Environmental exposure assessment using indoor/outdoor detection on smartphones | |
| Sung et al. | Shiver motion and core body temperature classification for wearable soldier health monitoring systems | |
| JP7317685B2 (ja) | 黒球温度推定システム、暑さ指数推定システム、熱中症リスク推定システム、ウェアラブルデバイス、黒球温度推定方法およびプログラム | |
| US11488720B2 (en) | Thermal stress risk assessment using body worn sensors | |
| Chen et al. | Vision-based elderly fall detection algorithm for mobile robot | |
| CN113970382A (zh) | 一种温度检测方法、装置、介质及电子设备 | |
| JP7304791B2 (ja) | 鼓膜温度推定システム、ウェアラブルデバイス、熱中症リスク推定システム、鼓膜温度推定方法およびプログラム | |
| Kabir et al. | Secure Your Steps: A Class-Based Ensemble Framework for Real-Time Fall Detection Using Deep Neural Networks | |
| Thammasat | The statistical recognition of walking, jogging, and running using smartphone accelerometers | |
| TW201812263A (zh) | 溫度估測系統、溫度估測方法及記錄有溫度估測程式之記錄媒體 | |
| Kwak et al. | Conversion of body temperature from skin temperature using neural network for smart band | |
| Leier et al. | Fall detection and activity recognition system for usage in smart work-wear | |
| Cooney et al. | A wearable internet of things based system with edge computing for real-time human activity tracking | |
| Venek et al. | Towards an imu evaluation framework for human body tracking |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A80 | Written request to apply exceptions to lack of novelty of invention |
Free format text: JAPANESE INTERMEDIATE CODE: A80 Effective date: 20191225 |
|
| RD01 | Notification of change of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7426 Effective date: 20200123 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200416 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20221006 |
|
| TRDD | Decision of grant or rejection written | ||
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230630 |
|
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230704 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230719 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7317685 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |