TW202341920A - 資訊處理裝置、方法、及程式 - Google Patents
資訊處理裝置、方法、及程式 Download PDFInfo
- Publication number
- TW202341920A TW202341920A TW112106473A TW112106473A TW202341920A TW 202341920 A TW202341920 A TW 202341920A TW 112106473 A TW112106473 A TW 112106473A TW 112106473 A TW112106473 A TW 112106473A TW 202341920 A TW202341920 A TW 202341920A
- Authority
- TW
- Taiwan
- Prior art keywords
- attribute
- value
- processing device
- information
- information processing
- Prior art date
Links
- 230000010365 information processing Effects 0.000 title claims abstract description 96
- 238000000034 method Methods 0.000 title claims description 32
- 230000015654 memory Effects 0.000 claims abstract description 25
- 230000006996 mental state Effects 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 29
- 230000014509 gene expression Effects 0.000 description 20
- 238000009826 distribution Methods 0.000 description 18
- 210000004369 blood Anatomy 0.000 description 17
- 239000008280 blood Substances 0.000 description 17
- 239000013598 vector Substances 0.000 description 16
- 238000010801 machine learning Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 11
- 230000000694 effects Effects 0.000 description 11
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 9
- 230000036541 health Effects 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 230000008878 coupling Effects 0.000 description 7
- 238000010168 coupling process Methods 0.000 description 7
- 238000005859 coupling reaction Methods 0.000 description 7
- 201000010099 disease Diseases 0.000 description 7
- 230000009471 action Effects 0.000 description 6
- 210000000577 adipose tissue Anatomy 0.000 description 6
- 239000000203 mixture Substances 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000007689 inspection Methods 0.000 description 5
- 230000000391 smoking effect Effects 0.000 description 5
- 210000002700 urine Anatomy 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 3
- 239000008103 glucose Substances 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 3
- 208000019914 Mental Fatigue Diseases 0.000 description 2
- RJKFOVLPORLFTN-LEKSSAKUSA-N Progesterone Chemical compound C1CC2=CC(=O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H](C(=O)C)[C@@]1(C)CC2 RJKFOVLPORLFTN-LEKSSAKUSA-N 0.000 description 2
- MUMGGOZAMZWBJJ-DYKIIFRCSA-N Testostosterone Chemical compound O=C1CC[C@]2(C)[C@H]3CC[C@](C)([C@H](CC4)O)[C@@H]4[C@@H]3CCC2=C1 MUMGGOZAMZWBJJ-DYKIIFRCSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000009534 blood test Methods 0.000 description 2
- 230000003920 cognitive function Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 206010012601 diabetes mellitus Diseases 0.000 description 2
- 208000035475 disorder Diseases 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000005401 electroluminescence Methods 0.000 description 2
- 229940088597 hormone Drugs 0.000 description 2
- 239000005556 hormone Substances 0.000 description 2
- JYGXADMDTFJGBT-VWUMJDOOSA-N hydrocortisone Chemical compound O=C1CC[C@]2(C)[C@H]3[C@@H](O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 JYGXADMDTFJGBT-VWUMJDOOSA-N 0.000 description 2
- NOESYZHRGYRDHS-UHFFFAOYSA-N insulin Chemical compound N1C(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(NC(=O)CN)C(C)CC)CSSCC(C(NC(CO)C(=O)NC(CC(C)C)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CCC(N)=O)C(=O)NC(CC(C)C)C(=O)NC(CCC(O)=O)C(=O)NC(CC(N)=O)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CSSCC(NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2C=CC(O)=CC=2)NC(=O)C(CC(C)C)NC(=O)C(C)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2NC=NC=2)NC(=O)C(CO)NC(=O)CNC2=O)C(=O)NCC(=O)NC(CCC(O)=O)C(=O)NC(CCCNC(N)=N)C(=O)NCC(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC(O)=CC=3)C(=O)NC(C(C)O)C(=O)N3C(CCC3)C(=O)NC(CCCCN)C(=O)NC(C)C(O)=O)C(=O)NC(CC(N)=O)C(O)=O)=O)NC(=O)C(C(C)CC)NC(=O)C(CO)NC(=O)C(C(C)O)NC(=O)C1CSSCC2NC(=O)C(CC(C)C)NC(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CC(N)=O)NC(=O)C(NC(=O)C(N)CC=1C=CC=CC=1)C(C)C)CC1=CN=CN1 NOESYZHRGYRDHS-UHFFFAOYSA-N 0.000 description 2
- 210000001596 intra-abdominal fat Anatomy 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000004218 vascular function Effects 0.000 description 2
- VVJYUAYZJAKGRQ-UHFFFAOYSA-N 1-[4,5-dihydroxy-6-(hydroxymethyl)oxan-2-yl]-5-methylpyrimidine-2,4-dione Chemical compound O=C1NC(=O)C(C)=CN1C1OC(CO)C(O)C(O)C1 VVJYUAYZJAKGRQ-UHFFFAOYSA-N 0.000 description 1
- VOXZDWNPVJITMN-ZBRFXRBCSA-N 17β-estradiol Chemical compound OC1=CC=C2[C@H]3CC[C@](C)([C@H](CC4)O)[C@@H]4[C@@H]3CCC2=C1 VOXZDWNPVJITMN-ZBRFXRBCSA-N 0.000 description 1
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 102100036475 Alanine aminotransferase 1 Human genes 0.000 description 1
- 108010082126 Alanine transaminase Proteins 0.000 description 1
- 102000002260 Alkaline Phosphatase Human genes 0.000 description 1
- 108020004774 Alkaline Phosphatase Proteins 0.000 description 1
- 208000031104 Arterial Occlusive disease Diseases 0.000 description 1
- 206010060965 Arterial stenosis Diseases 0.000 description 1
- 206010003210 Arteriosclerosis Diseases 0.000 description 1
- 108010003415 Aspartate Aminotransferases Proteins 0.000 description 1
- 102000004625 Aspartate Aminotransferases Human genes 0.000 description 1
- 241000894006 Bacteria Species 0.000 description 1
- 208000020925 Bipolar disease Diseases 0.000 description 1
- 208000035985 Body Odor Diseases 0.000 description 1
- YDNKGFDKKRUKPY-JHOUSYSJSA-N C16 ceramide Natural products CCCCCCCCCCCCCCCC(=O)N[C@@H](CO)[C@H](O)C=CCCCCCCCCCCCCC YDNKGFDKKRUKPY-JHOUSYSJSA-N 0.000 description 1
- 102100025892 Complement C1q tumor necrosis factor-related protein 1 Human genes 0.000 description 1
- 102000004127 Cytokines Human genes 0.000 description 1
- 108090000695 Cytokines Proteins 0.000 description 1
- 150000008574 D-amino acids Chemical class 0.000 description 1
- XUIIKFGFIJCVMT-GFCCVEGCSA-N D-thyroxine Chemical compound IC1=CC(C[C@@H](N)C(O)=O)=CC(I)=C1OC1=CC(I)=C(O)C(I)=C1 XUIIKFGFIJCVMT-GFCCVEGCSA-N 0.000 description 1
- 102000012673 Follicle Stimulating Hormone Human genes 0.000 description 1
- 108010079345 Follicle Stimulating Hormone Proteins 0.000 description 1
- 101710198884 GATA-type zinc finger protein 1 Proteins 0.000 description 1
- 101710107035 Gamma-glutamyltranspeptidase Proteins 0.000 description 1
- 108010004460 Gastric Inhibitory Polypeptide Proteins 0.000 description 1
- 102000051325 Glucagon Human genes 0.000 description 1
- 108060003199 Glucagon Proteins 0.000 description 1
- DTHNMHAUYICORS-KTKZVXAJSA-N Glucagon-like peptide 1 Chemical compound C([C@@H](C(=O)N[C@@H]([C@@H](C)CC)C(=O)N[C@@H](C)C(=O)N[C@@H](CC=1C2=CC=CC=C2NC=1)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](C(C)C)C(=O)N[C@@H](CCCCN)C(=O)NCC(=O)N[C@@H](CCCNC(N)=N)C(N)=O)NC(=O)[C@H](CCC(O)=O)NC(=O)[C@H](CCCCN)NC(=O)[C@H](C)NC(=O)[C@H](C)NC(=O)[C@H](CCC(N)=O)NC(=O)CNC(=O)[C@H](CCC(O)=O)NC(=O)[C@H](CC(C)C)NC(=O)[C@H](CC=1C=CC(O)=CC=1)NC(=O)[C@H](CO)NC(=O)[C@H](CO)NC(=O)[C@@H](NC(=O)[C@H](CC(O)=O)NC(=O)[C@H](CO)NC(=O)[C@@H](NC(=O)[C@H](CC=1C=CC=CC=1)NC(=O)[C@@H](NC(=O)CNC(=O)[C@H](CCC(O)=O)NC(=O)[C@H](C)NC(=O)[C@@H](N)CC=1N=CNC=1)[C@@H](C)O)[C@@H](C)O)C(C)C)C1=CC=CC=C1 DTHNMHAUYICORS-KTKZVXAJSA-N 0.000 description 1
- 101710173228 Glutathione hydrolase proenzyme Proteins 0.000 description 1
- 108010023302 HDL Cholesterol Proteins 0.000 description 1
- 206010020853 Hypertonic bladder Diseases 0.000 description 1
- 102000004877 Insulin Human genes 0.000 description 1
- 108090001061 Insulin Proteins 0.000 description 1
- 150000008575 L-amino acids Chemical class 0.000 description 1
- 108010028554 LDL Cholesterol Proteins 0.000 description 1
- 238000008214 LDL Cholesterol Methods 0.000 description 1
- 102000009151 Luteinizing Hormone Human genes 0.000 description 1
- 108010073521 Luteinizing Hormone Proteins 0.000 description 1
- 208000017657 Menopausal disease Diseases 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- CRJGESKKUOMBCT-VQTJNVASSA-N N-acetylsphinganine Chemical compound CCCCCCCCCCCCCCC[C@@H](O)[C@H](CO)NC(C)=O CRJGESKKUOMBCT-VQTJNVASSA-N 0.000 description 1
- 208000007684 Occupational Stress Diseases 0.000 description 1
- 208000009722 Overactive Urinary Bladder Diseases 0.000 description 1
- 102100040918 Pro-glucagon Human genes 0.000 description 1
- 102000003946 Prolactin Human genes 0.000 description 1
- 108010057464 Prolactin Proteins 0.000 description 1
- 206010040904 Skin odour abnormal Diseases 0.000 description 1
- 206010046543 Urinary incontinence Diseases 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 208000004631 alopecia areata Diseases 0.000 description 1
- 208000021328 arterial occlusion Diseases 0.000 description 1
- 208000011775 arteriosclerosis disease Diseases 0.000 description 1
- 230000000386 athletic effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 208000028683 bipolar I disease Diseases 0.000 description 1
- 238000004820 blood count Methods 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 235000019577 caloric intake Nutrition 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 229940106189 ceramide Drugs 0.000 description 1
- ZVEQCJWYRWKARO-UHFFFAOYSA-N ceramide Natural products CCCCCCCCCCCCCCC(O)C(=O)NC(CO)C(O)C=CCCC=C(C)CCCCCCCCC ZVEQCJWYRWKARO-UHFFFAOYSA-N 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 235000006694 eating habits Nutrition 0.000 description 1
- 210000003743 erythrocyte Anatomy 0.000 description 1
- 229960005309 estradiol Drugs 0.000 description 1
- 229930182833 estradiol Natural products 0.000 description 1
- 229940028334 follicle stimulating hormone Drugs 0.000 description 1
- 238000011990 functional testing Methods 0.000 description 1
- 102000006640 gamma-Glutamyltransferase Human genes 0.000 description 1
- 238000004817 gas chromatography Methods 0.000 description 1
- 210000001035 gastrointestinal tract Anatomy 0.000 description 1
- MASNOZXLGMXCHN-ZLPAWPGGSA-N glucagon Chemical compound C([C@@H](C(=O)N[C@H](C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H](CC=1C2=CC=CC=C2NC=1)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CCSC)C(=O)N[C@@H](CC(N)=O)C(=O)N[C@@H]([C@@H](C)O)C(O)=O)C(C)C)NC(=O)[C@H](CC(O)=O)NC(=O)[C@H](CCC(N)=O)NC(=O)[C@H](C)NC(=O)[C@H](CCCNC(N)=N)NC(=O)[C@H](CCCNC(N)=N)NC(=O)[C@H](CO)NC(=O)[C@H](CC(O)=O)NC(=O)[C@H](CC(C)C)NC(=O)[C@H](CC=1C=CC(O)=CC=1)NC(=O)[C@H](CCCCN)NC(=O)[C@H](CO)NC(=O)[C@H](CC=1C=CC(O)=CC=1)NC(=O)[C@H](CC(O)=O)NC(=O)[C@H](CO)NC(=O)[C@@H](NC(=O)[C@H](CC=1C=CC=CC=1)NC(=O)[C@@H](NC(=O)CNC(=O)[C@H](CCC(N)=O)NC(=O)[C@H](CO)NC(=O)[C@@H](N)CC=1NC=NC=1)[C@@H](C)O)[C@@H](C)O)C1=CC=CC=C1 MASNOZXLGMXCHN-ZLPAWPGGSA-N 0.000 description 1
- 229960004666 glucagon Drugs 0.000 description 1
- 230000004153 glucose metabolism Effects 0.000 description 1
- 229960000890 hydrocortisone Drugs 0.000 description 1
- 229940125396 insulin Drugs 0.000 description 1
- 150000002632 lipids Chemical class 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000003908 liver function Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 210000003141 lower extremity Anatomy 0.000 description 1
- 229940040129 luteinizing hormone Drugs 0.000 description 1
- 210000002751 lymph Anatomy 0.000 description 1
- 238000002483 medication Methods 0.000 description 1
- 230000005906 menstruation Effects 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 230000004630 mental health Effects 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 230000007102 metabolic function Effects 0.000 description 1
- 230000007659 motor function Effects 0.000 description 1
- 210000000214 mouth Anatomy 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 210000000822 natural killer cell Anatomy 0.000 description 1
- VVGIYYKRAMHVLU-UHFFFAOYSA-N newbouldiamide Natural products CCCCCCCCCCCCCCCCCCCC(O)C(O)C(O)C(CO)NC(=O)CCCCCCCCCCCCCCCCC VVGIYYKRAMHVLU-UHFFFAOYSA-N 0.000 description 1
- 235000003715 nutritional status Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229940124595 oriental medicine Drugs 0.000 description 1
- 208000020629 overactive bladder Diseases 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 229960003387 progesterone Drugs 0.000 description 1
- 239000000186 progesterone Substances 0.000 description 1
- 229940097325 prolactin Drugs 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 210000004761 scalp Anatomy 0.000 description 1
- 210000003491 skin Anatomy 0.000 description 1
- 230000008326 skin blood flow Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 229960003604 testosterone Drugs 0.000 description 1
- 229940034208 thyroxine Drugs 0.000 description 1
- XUIIKFGFIJCVMT-UHFFFAOYSA-N thyroxine-binding globulin Natural products IC1=CC(CC([NH3+])C([O-])=O)=CC(I)=C1OC1=CC(I)=C(O)C(I)=C1 XUIIKFGFIJCVMT-UHFFFAOYSA-N 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Epidemiology (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Stored Programmes (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
對身體資訊中缺少的值進行估計。本公開的一個實施方式的資訊處理裝置具備至少1個存儲器和至少1個處理器。其中，所述至少1個處理器執行：藉由將缺少第1屬性的值的身體資訊輸入至少1個已學習模型，獲取所述第1屬性的估計值；及藉由將缺少與所述第1屬性不同的第2屬性的值的身體資訊輸入所述至少1個已學習模型，獲取所述第2屬性的估計值。所述第1屬性和所述第2屬性為基本資訊之外的身體資訊。
Description
本發明涉及資訊(也稱信息(information))處理裝置、方法、及程式(也稱程序(program))。
以往，經常使用健康檢查(體檢)時的檢查的結果等的身體資訊。具體而言，可提供利用身體資訊的多個屬性的值(例如，多個檢查的結果等)的服務。然而，並非所有人都測量了身體資訊的所有屬性的值，存在身體資訊中的一部分屬性的值缺失了的情況。例如，健康檢查時，存在未接受選項檢查的情況、設施間進行的健康檢查的項目不同的情況等。
[先行技術文獻]
[專利文獻]
[專利文獻1]特開2012-064087號公報
[非專利文獻]
[非專利文獻1] Handling Incomplete Heterogeneous Data using VAEs, [online]，互聯網＜URL:https://arxiv.org/pdf/1807.03653.pdf＞
[發明欲解決的課題]
本公開的課題為對身體資訊中缺少的值進行估計。
[用於解決課題的手段]
本公開的一個實施方式的資訊處理裝置具備至少1個存儲器和至少1個處理器，其中，所述至少1個處理器執行：藉由將缺少第1屬性的值的身體資訊輸入至少1個已學習模型，獲取所述第1屬性的估計值；及藉由將缺少與所述第1屬性不同的第2屬性的值的身體資訊輸入所述至少1個已學習模型，獲取所述第2屬性的估計值，所述第1屬性和所述第2屬性為基本資訊之外的身體資訊。
下面，基於附圖對本公開的實施方式進行說明。
＜術語的說明＞
･本說明書中，｢身體資訊｣是指與人的心身相關的資訊，包括可作為身體資訊的指標的資訊。例如，身體資訊可包括健康檢查的檢查的結果、收據(receipt)資訊(例如，與醫療機構對患者所進行的醫療行為、疾病名稱、服用的藥物等相關的資訊)、及從與身體相關的詢問卷調查的回答等收集的資訊。例如，｢身體資訊｣可包括｢基本資訊｣、｢與身體狀態相關的資訊｣、及｢與心理狀態相關的資訊｣。需要說明的是，至少就｢基本資訊｣和｢與身體狀態相關的資訊｣而言，本公開也可應用於人之外的動物的身體資訊。
･本說明書中，｢基本資訊｣是指本人能識別的與身體相關的基本的資訊。本實施方式中，｢基本資訊｣優選包括性別、年齡、身高、及體重。
･本說明書中，｢與身體狀態相關的資訊｣是指表示人的身體的狀態的資訊。例如，｢與身體狀態相關的資訊｣是與健康檢查的檢查的項目即血液、肝功能、脂質、代謝系統、血壓等相關的資訊，可為藉由測量從身體的全部或一部分獲得的分數、數值、分類資訊和從問診或詢問而得到的分數、數值、及分類資訊，但不包括基本資訊。
例如，｢與身體狀態相關的資訊｣為與體格/身體組成(成分)的值(身體脂肪、筋肉量、內臟脂肪量等)、血液檢查值(中性脂肪、總膽固醇、HDL膽固醇、LDL膽固醇、血糖、HbA1c、ALT、紅血球數、天冬氨酸氨基轉移酶、丙氨酸氨基转移酶、γ-穀氨醯轉肽酶、及鹼性磷酸酶)、各種激素(皮質醇、三碘甲状腺素、甲狀腺素、脱氢表雄激素、睾酮、***、黃體酮、卵泡刺激激素、促黃體激素、催乳素等)、血管功能(動脈硬化指標、下肢動脈狹窄/閉塞指標等)、糖代謝功能(血糖、胰島素、昇糖素、GLP-1、及GIP)，認知功能(功能測試(Cognitrax(註冊商標))、血液D或L-氨基酸)、運動功能(握力、整體運動能力、步行功能(速度、步寬度、及間距)等)、免疫相關指標(淋巴亞群分析、NK細胞活性、細胞因子分析等)、疾病疾患資訊(有無疾病疾患、診療內容、用藥等)、活動量(每日卡路里消耗量和每日步數)，睡眠相關指標(問診詢問卷的分數)、生產率(詢問卷的分數)、飲食習慣/營養狀況(消耗卡路里、PFC平衡等)、月經相關指標(基於問診和詢問的階段判定和障礙等級判定)、更年期障礙相關指標(基於詢問的階段判定和障礙等級判定)、毛髮(直徑和起伏度)、皮膚狀況(皮膚血流速度、皮膚糖度、及神經酰胺含量)、體味(氣相色譜法測定氣味成分量)、東方醫學的體質分類(基於詢問卷的聚類)、生物菌群資訊(口腔･腸道･頭皮･皮膚的細菌量和組成比)、斑禿脫髮症的進展度(基於照片判定的分數)、DNA和/或RNA資訊、膀胱過度活動症/尿失禁(詢問卷的分數)等相關的資訊。
･本說明書中，｢與心理狀態相關的資訊｣是指表示人的心理狀態的資訊，可為基於問診、詢問卷、測試、及標記的判定、分數、數值、及分類。例如，｢與心理狀態相關的資訊｣為性格特徵(Big-5理論-開放型、誠實型、外向型、隨和型、及有神經質傾向)、壓力(簡易版職業壓力簡易調查詢問卷的壓力反應的分數(壓力感)等)、精神疲勞、心理健康水平(躁狂抑鬱症)、幸福感(QOL的問詢表的分數)等相關的資訊。
･本說明書中，｢與身體狀態相關的資訊｣、｢與心理狀態相關的資訊｣、及｢基本資訊｣中包含的各屬性可由分數、數值、及分類來表達，各屬性間存在相關性也是眾所周知的。例如，就｢活動量｣而言，已經推定了與年齡、體重、性別等的｢基本資訊｣、或血管功能、糖代謝、認知功能等的與身體狀態相關的｢與身體資訊相關的資訊｣具有相關性，還示出了也與壓力、精神疲勞等的｢與心理狀態相關的資訊｣存在相關性。
＜整體構成＞
圖1是本公開的一個實施方式的整體構成的一例。資訊處理系統1包括資訊處理裝置10、業務服務器20、及用戶終端30。需要說明的是，資訊處理裝置10、業務服務器20、及用戶終端30的一部分或全部可由1個裝置來實現。此外，也可分別存在多個資訊處理裝置10和業務服務器20。下面分別進行說明。
＜＜資訊處理裝置＞＞
資訊處理裝置10是用於對身體資訊中缺少的值進行估計的裝置。資訊處理裝置10由1個或多個電腦(也稱計算機(computer))構成。資訊處理裝置10可經由任意網路與業務服務器20進行數據的收發(接收和發送)。
具體而言，資訊處理裝置10藉由將缺少第1屬性的值的身體資訊輸入至少1個已學習模型，獲取該第1屬性的估計值，並且，藉由將缺少與該第1屬性不同的第2屬性的值的身體資訊輸入該至少1個已學習模型，獲取該第2屬性的估計值。需要說明的是，第1屬性和第2屬性優選為基本資訊之外的身體資訊。這裡，｢缺少屬性的值｣是指至少｢該屬性的值不存在的情況｣、｢該屬性的值欠缺的情況｣、｢該屬性的值沒有被測量的情況｣、｢沒有獲取該屬性的值的情況｣、及｢沒有輸入該屬性的值的情況，可包括｢該屬性的值具有缺少標誌｣、｢無法訪問該屬性的值的情況｣、或｢該屬性的值丟失了的情況｣。
＜＜業務服務器＞＞
業務服務器20是由向用戶31提供身體資訊的估計值的提供商管理的服務器。業務服務器20由1個或多個電腦構成。業務服務器20可經由任意網路(也稱網絡(network))與資訊處理裝置10和用戶終端30進行數據的收發。
具體而言，業務服務器20響應來自用戶終端30的請求，調用由資訊處理裝置10提供的API(Application Programming Interface)，從資訊處理裝置10接收身體資訊的估計值。需要說明的是，業務服務器20也可不使用API從資訊處理裝置10接收身體資訊的估計值。
需要說明的是，圖1中對資訊處理系統1包括業務服務器20的情況進行了說明，但是，用戶終端30也可不經由業務服務器20從資訊處理裝置10接收身體資訊的估計值。此情況下，資訊處理系統1可由資訊處理裝置10和用戶終端30構成，用戶終端30可直接與資訊處理裝置10進行數據的收發。
＜＜用戶終端＞＞
用戶終端30是用戶31進行操作的終端。例如，用戶終端30為智能手機、平板電腦、個人電腦等。用戶終端30可經由任意網路與業務服務器20進行數據的收發。
具體而言，用戶終端30可向業務服務器20請求進行身體資訊中缺少的值的估計。此外，用戶終端30可從業務服務器20接收身體資訊的估計值。
用戶終端30向資訊處理裝置10發送缺少第1屬性的值的身體資訊，並從資訊處理裝置10接收該第1屬性的估計值，並且，向資訊處理裝置10發送缺少與該第1屬性不同的第2屬性的值的身體資訊，並從資訊處理裝置接收該第2屬性的估計值。需要說明的是，第1屬性和第2屬性優選為基本資訊之外的身體資訊。這裡，資訊處理裝置10可使用1個已學習模型獲取該第1屬性的估計值和該第2屬性的估計值，也可使用多個已學習模型獲取該第1屬性的估計值和該第2屬性的估計值。此外，用戶終端30從資訊處理裝置10接收追加屬性的資訊，向資訊處理裝置10發送該追加屬性的值，並從資訊處理裝置10接收與該第1屬性的估計值不同的第2估計值。需要說明的是，追加屬性是資訊處理裝置10根據缺少第1屬性的值的身體資訊而確定的屬性。需要說明的是，不排除將基本資訊作為估計的對象。
需要說明的是，就用戶終端30請求對缺少值進行估計的次數而言，並不限定於如上所述的多次，也可僅為1次。此情況下，用戶終端30可向資訊處理裝置10發送缺少第1屬性的值的身體資訊，並從資訊處理裝置10接收該第1屬性的估計值。第1屬性的估計值是使用資訊處理裝置10所具備的至少1個已學習模型而算出的估計值，至少1個已學習模型是使用至少2個數據集進行訓練而得的模型，2個數據集分別缺少不同的屬性，且具有至少1個共同的屬性的值。
例如，用戶終端30可將缺少一部分屬性的值的身體資訊發送至資訊處理裝置10(可經由業務服務器20)。或者，在其它裝置中存儲缺少一部分屬性的值的身體資訊，該其它裝置可根據來自用戶終端30的指示將該身體資訊從該其它裝置發送給資訊處理裝置10(可經由業務服務器20)。或者，在業務服務器20中存儲缺少一部分屬性的值的身體資訊，該業務服務器20可根據來自用戶終端30的指示將該身體資訊從該業務服務器20發送至資訊處理裝置10。
＜功能塊＞
圖2是本公開的一個實施方式的資訊處理裝置10的功能塊圖。資訊處理裝置10具有學習部110和估計部120。
＜＜學習部＞＞
學習部110具有學習用數據獲取部111和機器學習部112。
學習用數據獲取部111獲取機器學習的學習用數據(具體而言，多個身體資訊)。
機器學習部112藉由機器學習生成已學習模型100(對已學習模型100進行訓練)，該機器學習使用了由學習用數據獲取部111獲取的學習用數據。
已學習模型100是輸入了缺少身體資訊的屬性中的一部分屬性(需要說明的是，可為1個屬性，也可為多個屬性)的值的身體資訊後可輸出該一部分屬性的估計值的模型。作為一例，已學習模型100為可對聯合(joint)概率分布進行估計的模型(例如，HI-VAE(https：//arxiv.org/pdf/1807.03653.pdf)和TabTransformer(https：//arxiv.org/pdf/2012.06678.pdf))。此外，已學習模型100輸出估計值時可採用各種各樣的方法。例如，也可採用多元回歸分析、邏輯回歸模型、多層感知器、CNN(Convolutional Neural Network)、RNN(Recurrent Neural Network)等的神經網路、使用高斯核等的任意核函數的支持向量機、使用建模(模型化)為回歸樹的隨機森林、隱馬爾可夫模型等的模型、統計模型、概率模型等的各種各樣的其它機器學習模型。另外，還可採用藉由組合各種各樣的模型而進行綜合判定(判斷)的模型。其中，可對聯合概率分布進行估計的模型(例如，HI-VAE和TabTransformer)尤為優選。
這裡，對學習用數據進行說明。學習用數據優選為多個身體資訊。至少1個已學習模型100是藉由使用至少2個數據集而訓練的模型，2個數據集分別缺少不同的屬性，且具有至少1個共同的屬性的值。下面，參見圖3對學習用數據進行詳細說明。需要說明的是，｢分別缺少不同的屬性｣通常是指，就2個或2個以上的數據集而言，各數據集所具備的多個屬性數據的屬性項目的列表存在差異。具體是指，在1個數據集所具有的屬性項目的列表和其它數據集所具有的屬性項目的列表中，至少一部分屬性項目不重疊。
圖3是本公開的一個實施方式的學習用數據的說明圖。本公開的一個實施方式中，學習用數據包括多個數據集(需要說明的是，各數據集包括1個或多個身體資訊。圖3的示例中，為包含ID：001~ID：005的數據集1(體重與體脂率、性別、及身高的關係數據)、包含ID：006~ID：010的數據集2(體重與血糖值、尿糖、吸煙、及年齡的關係數據)、及包含ID：011~ID：015的數據集3(年齡與壓力感、壓力感與性格特徵的關係數據、及血糖值))。需要說明的是，各ID所表示的身體資訊可為不同的多個人的身體資訊，也可為同一個人的於不同時期或不同地點(不同設施等)獲取的身體資訊。
數據集1(ID：001~005)和數據集2(ID：006~010)的共同屬性為體重(基本資訊)。然而，數據集1中缺少了血糖值、尿糖、吸煙、年齡、壓力感、及性格特徵的資訊，數據集2中缺少了性別、身高、體脂率、壓力感、及性格特徵的資訊。此外，數據集2和數據集3(ID：011~015)的共同屬性為年齡(基本資訊)+血糖值(與身體相關的資訊)。然而，數據集3中缺少了性別、身高、體脂率、體重、尿糖、及吸煙的資訊。根據這些數據集1~3，例如執行後述的＜使用HI-VAE時的學習方法＞中記載的使用了HI-VAE的學習方法，可生成基於ID：001~015的已學習模型。需要說明的是，上述示例中，藉由對所有數據集1~3進行組合而生成了1個學習模型，但是，並不限定於該示例，也可對數據集1~3進行分階段組合，以獲得預期的學習模型。
作為學習用數據的多個身體資訊包括缺少不同的屬性的值的身體資訊。參見圖3進行說明，數據集1中，缺少了血糖值、尿糖、吸煙、年齡、壓力感、及性格特徵的值，數據集2中，缺少了性別、身高、體脂率、壓力感、及性格特徵的值，數據集3中缺少了性別、身高、體脂率、體重、尿糖、及吸煙的值。
作為學習用數據的多個身體資訊包括具有至少1個相同的屬性的值的身體資訊。參見圖3進行說明，數據集1和數據集2具有相同的屬性(圖3的示例中，為重複部分的體重)的值，數據集2和數據集3具有相同的屬性(圖3的示例中，為重複部分的血糖值和年齡)的值。某一個數據集(例如，圖3的數據集2)和其它數據集(例如，圖3的數據集1)中都具有值的屬性(即，圖3的體重)與該某一個數據集(即，圖3的數據集2)和另外的其它數據集(例如，圖3的數據集3)中都具有值的屬性(即，圖3的血糖值和年齡)之間可為不同的屬性。
例如，數據集可為在不同的狀況(例如，健康檢查和調查)下獲取的數據集。此外，例如，數據集也可為在相同的狀況下獲取不同的屬性的值(例如，健康檢查的基本檢查項目和特定檢查項目)的數據集。此外，各數據集分別可為在不同地點獲取的身體資訊，另外，獲取的時期也可不同。此外，數據集之間還可包含同一個人的身體資訊。
如此，本實施方式中，藉由使用對缺少不同的屬性的值的多個數據集進行了統合的學習用數據來生成已學習模型100，可增加已學習模型100能夠估計的身體資訊。此外，本實施方式中，可對缺少不同的屬性的值的數據集進行統合，故可將由各設施所具有的不同的檢查項目組成的多個健康檢查的結果有效利用為1個學習用數據。
這裡，在藉由組合不同的數據集而對模型進行學習的情況下，需要具有多個數據集中共同包含的至少1個屬性(下面稱共同屬性)。例如，圖3的體重、血糖值、及年齡與共同屬性對應。藉由具有共同屬性，即使在根據某一個數據集所特有的屬性對不同的數據集所特有的屬性進行預測的情況下，也可提高預測精度。
這裡，數據集之間共同具有值的屬性即｢共同屬性｣優選包含從｢基本資訊｣中選出的1個或2個以上的屬性。此外，｢共同屬性｣還優選包含從｢與身體狀態相關的資訊｣中選出的1個或2個以上的屬性。
需要說明的是，也可隨機地使學習用數據缺失，然後對用於恢復數據的誤差函數進行最小化。藉由人為地使其缺失，可進行更堅實(robustness)的估計。
需要說明的是，圖3的學習用數據僅為一例，也可使用圖4所示的學習用數據等的任意身體資訊的學習用數據。
在將神經網路使用為模型的情況下，可使用神經網路中常用的方法(例如，Adam和Momentum SGD)進行優化。例如，在將HI-VAE(https：//arxiv.org/pdf/1807.03653.pdf)使用為模型的情況下，存在隱藏變量的維度等的超參數，但是，也可將這些與超參數檢索進行組合來確定適於預測的內容。
＜使用HI-VAE時的學習方法＞
下面，對將HI-VAE使用為模型時的學習方法的一例進行說明。
1.準備包含多個數據集的學習用數據。
(I)作為一例，學習用數據中包含的各ID的數據為4維向量(屬性A~D)。
(1)例)屬性A：10，屬性B：8，屬性C：缺少，屬性D：5
(II)將下述任一值填入4維向量中缺少了值的部分(上述示例中，為屬性C)。需要說明的是，各ID的數據中缺少的部分也可不同。
(1) NULL(也可為預定的記號)
(2) 0
(3)根據學習數據中包含的該屬性的值所確定的數值(作為一例，為平均值等)
(III)在使用(2)的0的情況下，上述向量的示例如下。
(1)例)屬性A：10，屬性B：8，屬性C：0，屬性D：5
2.使學習用數據的一部分的屬性缺失。
(I)作為一例，使屬性D的值缺失(將值置換為0)。
(1)例)屬性A：10，屬性B：8，屬性C：0，屬性D：0
(II)也可為各ID的向量隨機設定缺失的屬性。
3.將與上述｢2｣中生成的各ID對應的多個向量輸入HI-VAE，由此獲取多個輸出向量。
(I)與上述示例對應的輸出向量不僅可輸出屬性D的估計值，還可輸出其它屬性A、B、及C的估計值。即，輸出向量中，屬性A、屬性B、及屬性C的值也可被置換為估計值。輸出向量的示例如下。
(1)例)屬性A：11，屬性B：7，屬性C：3，屬性D：4
4.對模型的參數進行更新，使得上述｢2｣中生成的向量和與其對應的上述｢3｣中由模型輸出的向量之間的差(誤差)變小。
(I)這裡，在上述示例的輸出向量中，屬性C是本來沒有值的缺少部分(沒有正解的部分)，故在誤差的計算中不予考慮。
＜使用HI-VAE時的估計方法＞
下面，對將HI-VAE使用為模型時的估計方法的一例進行說明。
1.使用從用戶終端30接收的身體資訊(缺少了一部分屬性)來生成輸入向量。
(I)將下述任一值填入缺少了的屬性的值。
(1)NULL(也可為預定的記號)
(2)0
(3)根據學習數據中包含的該屬性的值所確定的數值(作為一例，為平均值等)
(II)缺少了值的屬性可為多個。
2.將｢1｣的向量輸入已學習模型(HI-VAE)，由此獲得輸出向量。
(I)在輸出向量中，不僅可向缺少了的屬性的部分填入估計值，還向其它不缺少的屬性填入估計值。
3.在用戶終端30上對估計值進行提示。
(I)這裡，資訊處理裝置10可在用戶終端30上僅提示上述｢1｣中缺少了的屬性的估計值。
(II)此外，資訊處理裝置10也可在用戶終端30上提示上述｢1｣中缺少了的屬性的估計值和上述｢1｣中從用戶終端30接收的身體資訊的組合。
返回圖2的說明。
＜＜估計部＞＞
估計部120包括身體資訊獲取部121、缺少值估計部122、及估計值提示部123。
身體資訊獲取部121獲取缺少了身體資訊的屬性中的一部分屬性(需要說明的是，可為1個屬性，也可為多個屬性)的值的身體資訊。具體而言，身體資訊獲取部121獲取各屬性的名稱和各屬性的值(需要說明的是，在缺少了的情況下，為Null等)。
缺少值估計部122將由身體資訊獲取部121獲取的身體資訊(即，缺少了身體資訊的屬性中的一部分屬性的值的身體資訊)輸入已學習模型100，藉此獲得該一部分屬性的估計值(例如，期望值和方差)。就缺少了的屬性而言，缺少值估計部122可獲取至少1個估計值，也可將具有預定寬度(範圍)的值獲取為估計值。此外，缺少值估計部122也可獲取估計值的信賴度(置信度)。需要說明的是，缺少值估計部122也可使用從多個已學習模型中選擇的已學習模型來獲取估計值。此外，缺少值估計部122也可使用多個已學習模型來執行估計處理，並將置信度最高的估計值使用為向用戶進行提示的估計值。另外，缺少值估計部122還可根據來自用戶終端30的指示從多個已學習模型中選擇用於估計的已學習模型。
需要說明的是，缺少值估計部122也可將估計出的值輸入預先確定的預定的計算公式或輸入單獨訓練的機器學習模型，由此對其它資訊(例如，有效成分Q是否有效等的資訊)進行估計。
例如，HI-VAE中，當進行估計時，不僅可進行點的估計，還可進行分布的估計。對HI-VAE進行學習時，預先確定每個屬性的分布。例如，分布可為高斯分布(例如，取諸如體重那樣的連續值)、分類分布(例如，取諸如人有無疾病那樣的離散值)、泊松分布(例如，取諸如得過病的次數那樣的自然數)、對數正態分布(例如，取諸如BMI那樣的正實數且分布為非對稱)等。基於以這樣的方式預先確定的分布，進行估計時可返回該分布的參數。例如，在為高斯分布的情況下，可返回平均(均值)和方差參數。此時，可使用方差參數來評估所估計出的值可能會偏離多少。例如，在與體重相關的估計值的均值為60且方差為1的情況下，表示該估計為｢實際體重在60kg±2kg的範圍內的概率(置信度)為95%以上｣。就其它分布而言，也可進行類似的置信區間的計算(即，估計值為具有預定寬度的值)。
例如，可進行｢除了測量過的屬性的數據之外，藉由額外提供屬性X的數據，可對屬性A進行更高精度的估計｣等的通知。就屬性X的推薦而言，可想到利用多個指標的方法。這裡，作為一例，對使用HI-VAE的Information gain的方法進行說明。Information gain可由下述公式定義。
α
ES(x;D
n):=H(x
*|D
n)-E
y|Dn,xH(x
*|D
n∪{(x,y)})･･･公式(1)
這裡，x
*對應於屬性A，x對應於作為候補的屬性，y對應於作為候補的屬性的估計值，D
n對應於學習用數據，H(x|D
n)=-∫p(x|D
n)logp(x|D
n)dx對應於後驗分布p(x|D
n)的熵。此外，E表示期望值，α
ES表示information gain的期望值。
該公式的第一項表示x
*在觀測D
n下的不確定性，該值越高，越難估計。該公式的第二項表示除了D
n之外｢還假設針對未觀測的屬性x觀察到了y這樣的值｣時的x
*的不確定性。即，可解釋為，藉由從第一項減去第二項來評估增加了x時x
*的不確定性減小了多少。公式(1)中出現的熵和期望值一般沒有解析解，但是，可藉由使用蒙地卡羅法等獲得近似解。藉由針對作為候補的屬性計算該Information gain，並推薦值為最高的屬性，可推薦最能減小估計x
*時的不確定性的屬性。估計值提示部123藉由將最能減小不確定性的屬性的資訊提示給用戶，可提示用戶提供該屬性(追加屬性)的值。缺少值估計部122藉由使用從用戶接收的追加屬性的值再次執行估計處理，可進一步提高屬性A的估計精度。需要說明的是，屬性A可根據來自用戶的指示進行確定，也可將預先確定的項目作為屬性A。
估計值提示部123對缺少值估計部122估計出的該一部分屬性的估計值進行提示。估計值提示部123不僅可對一部分屬性的估計值進行提示，還可對包括估計值的全部身體資訊進行提示。需要說明的是，估計值提示部123也可根據屬性的估計值提供與身體資訊相關的資訊(例如，服務、商品等)。這裡，估計值提示部123可藉由將估計值輸入預先確定的預定的計算公式或輸入單獨訓練的機器學習模型來獲取與身體資訊相關的資訊。此外，估計值提示部123還可藉由使用估計值之外的身體資訊來獲取與身體資訊相關的資訊。
需要說明的是，資訊處理裝置10獲取到估計值之後，可從資訊處理裝置10的存儲裝置(存儲器)刪除缺少屬性的值的身體資訊(即，從用戶獲取的身體資訊)和估計出的身體資訊。據此，可防止用戶的身體資訊被洩露，可讓用戶安心使用資訊處理裝置10。此外，資訊處理系統1也可為，不僅從資訊處理裝置10而且還從其它裝置(業務服務器20等)刪除缺少屬性的值的身體資訊和估計出的身體資訊。另外，資訊處理系統1還可為，從用戶終端30之外的所有裝置刪除缺少屬性的值的身體資訊和估計出的身體資訊。
圖5是本公開的一個實施方式的包含缺少值的身體資訊和包含估計值的身體資訊的說明圖(需要說明的是，圖中的×××表示判斷、分數、數值、及分類資訊)。
圖5的上部的＜包含缺少值的身體資訊＞是缺少了身體資訊的屬性中的一部分屬性(需要說明的是，可為1個屬性，也可為多個屬性)的值的身體資訊。參見圖5進行說明，ID：100的身體資訊中缺少了屬性5~屬性10的值。此外，ID：200的身體資訊中缺少了屬性1~屬性3的值。將＜包含缺少值的身體資訊＞輸入已學習模型100後，可估計出缺少了的屬性的值。
圖5的下部的＜包含估計值的身體資訊＞是包括由已學習模型100估計出的值的身體資訊。參見圖5進行說明，ID：100的身體資訊中，估計出了缺少了的屬性(圖5的示例中，為屬性5~屬性10)的值。此外，ID：200的身體資訊中，估計出了缺少了的屬性(圖5的示例中，為屬性1~屬性3)的值。
如此，本公開的一個實施方式中，可接收一部分屬性為缺少值的身體資訊，並返回該缺少值被估計值置換了的身體資訊。
需要說明的是，估計值提示部123能以表格數據的形式(例如，如圖5所示的表結構)對估計出的身體資訊進行提示。例如，估計值提示部123可採用不同的顯示方式對身體資訊中的估計出的屬性的值進行提示(例如，改變畫面上的顯示方式，比如，僅改變估計值的顏色、改變字體、進行強調、改變大小等)。例如，估計值提示部123也可採用基於估計出的屬性的值的置信度的顯示方式進行提示(例如，使高置信度和低置信度之間的顯示方式不同)。此外，除了身體資訊之外估計值提示部123還可對表示置信度的指標進行提示。
圖6是本公開的一個實施方式的估計示例的示意圖。如圖6的＜包含缺少值的身體資訊＞所示，將缺少了身體資訊的屬性中的一部分屬性(圖6的示例中，為｢內臟脂肪面積｣、｢中性脂肪｣、｢血糖值｣、及｢壓力感｣)的值的身體資訊輸入已學習模型100後，如圖6的＜包含估計值的身體資訊＞所示，可估計出所缺少的屬性的值。
下面，對身體資訊的估計示例進行說明。需要說明的是，也可組合實施下面的估計示例中的多個估計示例。
＜＜估計示例1＞＞
缺少值估計部122可對缺少了的屬性的值進行估計(例如，對當前的值進行估計)。例如，缺少值估計部122可對患有某種疾病的概率進行估計，或者，無需採血即可對血液檢查的值進行估計。
＜＜估計示例2＞＞
缺少值估計部122可將屬性的值(需要說明的是，不只是估計值，還包括測量到的值)換算並表示為用戶容易理解的指標。例如，缺少值估計部122可根據屬性的值計算健康年齡、血管年齡、體力年齡等。需要說明的是，缺少值估計部122藉由將估計出的值輸入預先確定的預定的計算公式或輸入單獨訓練的機器學習模型，可計算出健康年齡、血管年齡、體力年齡等。
＜＜估計示例3＞＞
當用戶選擇了想要估計的屬性後，為了提高對該屬性的值進行估計時的置信度，缺少值估計部122可指示應測量的屬性。例如，在對某一屬性的值進行估計時，缺少值估計部122可指示為了縮小置信區間而應測量的屬性(例如，在估計出的患有糖尿病的概率為40~80%的情況下，應該測量什麼方可縮小置信區間)。例如，可藉由使用上述HI-VAE的Information gain的方法來實現。
＜＜估計示例4＞＞
缺少值估計部122可提取使某一屬性的值發生變化時能一起發生變化的屬性。例如，藉由提取在使血糖值下降了的情況下能一起發生變化的屬性，可向用戶提示對降低血糖值有效的屬性。這裡，就血糖值等的作為目標的屬性而言，可根據來自用戶終端30的指示進行確定。
＜＜估計示例5＞＞
缺少值估計部122可藉由對某一屬性輸入假定(假設)的值而對其它屬性的值進行估計(預測)。即，可示出當假設的值被輸入至某一屬性時其它屬性的值是如何變化的(例如，如果體重減輕5kg，則患糖尿病的概率可降低多少)。如此，藉由假設與隨某一屬性的變化而變化的屬性之間的因果關係，並在臨床試驗等中進行驗證，即可發現看似無關的屬性之間的新關係。缺少值估計部122可根據來自用戶終端30的指示向某一屬性輸入假設的值，並將其結果發送給用戶終端30。
＜＜估計示例6＞＞
缺少值估計部122可使用基於特定的屬性而生成的已學習模型(例如，吸煙者模型和非吸煙者模型)來進行估計。缺少值估計部122預先將使用基於屬性的學習用數據而訓練好的多個已學習模型保存在存儲裝置中，之後，可根據輸入的身體資訊的屬性，對用於估計的已學習模型進行切換。需要說明的是，屬性可為基於基本資訊的屬性。缺少值估計部122可根據來自用戶終端30的指示，確定用於切換已學習模型的屬性。
＜＜估計示例7＞＞
缺少值估計部122可獲取某一屬性的代表值作為概率分布的值，並指示用戶的值在概率分布上的位置。例如，缺少值估計部122可獲取某一屬性的標準值，並指示相對指標(例如，與自己相同性別和年齡的值以及自己的結果在概率分布上的位置)。
＜處理方法＞
下面，參見圖7對學習處理進行說明，並參見圖8對推理處理進行說明。
＜＜學習處理＞＞
圖7是本公開的一個實施方式的學習處理的流程圖。
步驟11(S11)中，學習用數據獲取部111獲取機器學習的學習用數據(具體而言，為多個身體資訊)。
步驟12(S12)中，機器學習部112藉由機器學習生成已學習模型100，該機器學習使用了S11中獲取的學習用數據。
＜＜推理處理＞＞
圖8是本公開的一個實施方式的估計處理的流程圖。
步驟21(S21)中，身體資訊獲取部121獲取缺少了身體資訊的屬性中的一部分屬性(需要說明的是，可為1個屬性，也可為多個屬性)的值的身體資訊。
步驟22(S22)中，缺少值估計部122將S21中獲取的身體資訊(即，缺少了身體資訊的屬性中的一部分屬性的值的身體資訊)輸入已學習模型100，藉此獲取該一部分屬性的估計值。
步驟23(S23)中，估計值提示部123對S22中估計出的該一部分屬性的估計值進行提示。這裡，估計值提示部123可對S21中獲取的身體資訊和S22中獲取的估計值進行組合提示，也可僅對S22中獲取的估計值進行提示。
＜效果＞
如上所述，本公開的實施方式中，藉由將缺少了一部分屬性的值的身體資訊輸入已學習模型，可對該一部分屬性的值進行估計，故，即使在沒有對所有屬性的值都進行了測量的情況下，也可獲得所有屬性的值。
上述實施方式中的各裝置(資訊處理裝置10或用戶終端30)的一部分或全部可由硬體構成，也可由CPU(Central Processing Unit)、GPU(Graphics Processing Unit)等執行的軟體(程式)的資訊處理構成。在由軟體的資訊處理構成的情況下，用於實現上述實施方式中的各裝置的至少一部分的功能的軟體可保存在CD-ROM(Compact Disc-Read Only Memory)、USB(Universal Serial Bus)存儲器等的非暫時性存儲介質(非暫時性電腦可讀介質)中，藉由被讀取至電腦中，可執行軟體的資訊處理。此外，也可經由通信網路對該軟體進行下載。另外，藉由將軟體的處理的全部或一部實裝至ASIC(Application Specific Integrated Circuit)、FPGA(Field Programmable Gate Array)等的電路，還可藉由硬體來執行該軟體的資訊處理。
用於保存軟體的存儲介質可為光盤等的可拆卸存儲介質，也可為硬盤、存儲器等的固定存儲介質。此外，存儲介質可設置在電腦內部(主存儲裝置、補助存儲裝置等)，也可設置在電腦外部。
圖9是上述實施方式中的各裝置(資訊處理裝置10或用戶終端30)的硬體構成的一例的功能塊圖。作為一例，各裝置包括處理器1001、主存儲裝置1002(存儲器)、補助存儲裝置1003(存儲器)、網路接口1004、及裝置接口1005，這些可被實現為經由總線(bus)B而連接的電腦1000。
圖9的電腦1000中，盡管各構成要素只有1個，但是，也可具有多個相同的構成要素。此外，圖9中，盡管僅示出了1個電腦1000，但是，也可為，將軟體安裝至多個電腦，並由該多個電腦分別執行軟體的相同或不同部分的處理。此情況下，電腦可為分別經由網路接口1004等進行通信和處理的分散計算的形態。即，上述實施方式中的各裝置(資訊處理裝置10或用戶終端30)可被構成為，藉由1個或多個電腦執行1個或多個存儲裝置中存儲的命令從而實現功能的系統。此外，也可被構成為，藉由雲(cloud)上設置的1個或多個電腦對從終端發送的資訊進行處理，並將處理結果發送至終端。
上述實施方式中的各裝置(資訊處理裝置10或用戶終端30)的各種運算可使用1個或多個處理器執行或使用經由網路的多個電腦以並列處理的方式執行。此外，各種運算也可被分配至處理器內的多個運算核並以並列處理的方式執行。另外，本公開的處理、手段等的一部分或全部還可藉由能夠經由網路與電腦1000進行通信的設置在雲上的處理器和存儲裝置中的至少1個來實現。為此，上述實施方式中的各裝置可為基於1個或多個電腦的並列計算的形態。
處理器1001可為至少能夠進行電腦的控制和運算中的任一個的電子電路(處理電路、Processing circuit、Processing circuitry、CPU、GPU、FPGA、ASIC等)。此外，處理器1001也可為通用處理器、為了執行特定的運算而設計的專用處理電路、及包括通用處理器和專用處理電路這兩者的半導體裝置中的任一個。此外，處理器1001可為包括光電路的處理器，也可為包括基於量子計算的運算功能的處理器。
處理器1001可根據從電腦1000的內部構成(各裝置等)輸入的數據和軟體進行運算處理，也可將運算結果和控制信號輸出至各裝置等。處理器1001藉由執行電腦1000的OS(Operating System)、應用(application)等可對構成電腦1000的各構成要素進行控制。
上述實施方式中的各裝置(資訊處理裝置10或用戶終端30)可由1個或多個處理器1001實現。這裡，處理器1001可指1個芯片上配置的1個或多個電子電路，也可指2個以上的芯片或者2個以上的裝置上配置的1個或多個電子電路。在使用多個電子電路的情況下，各電子電路可藉由有線或無線的方式進行通信。
主存儲裝置1002可存儲由處理器1001執行的命令、各種數據等，主存儲裝置1002中存儲的資訊也可由處理器1001讀取。補助存儲裝置1003是主存儲裝置1002之外的存儲裝置。需要說明的是，這些存儲裝置可為能夠對電子資訊進行保存的任意電子部件，也可為半導體存儲器。半導體存儲器可為揮發性存儲器或不揮發性存儲器中的任一個。上述實施方式中的各裝置(資訊處理裝置10或用戶終端30)內的用於保存各種數據等的存儲裝置可由主存儲裝置1002或補助存儲裝置1003實現，也可由處理器1001中內置的內置存儲器實現。例如，上述實施方式中的存儲部可由主存儲裝置1002或補助存儲裝置1003實現。
在上述實施方式中的各裝置(資訊處理裝置10或用戶終端30)由至少1個存儲裝置(存儲器)和與該至少1個存儲裝置連接(耦合)的至少1個處理器構成的情況下，1個存儲裝置可與至少1個處理器連接。此外，1個處理器也可與至少1個存儲裝置連接。此外，多個處理器中的至少1個處理器也可包括與多個存儲裝置中的至少1個存儲裝置連接的構成。此外，該構成也可由多個電腦中包含的存儲裝置和處理器來實現。另外，存儲裝置還可包括與處理器集成的構成(例如，包含L1高速緩存和L2高速緩存的高速緩存)。
網路接口1004是用於藉由無線或有線與通信網路N連接的接口。網路接口1004可使用符合現有的通信標準等的適當的接口。可藉由網路接口1004與經由通信網路N而連接的外部裝置1010A進行資訊的交換。需要說明的是，通信網路N可為WAN(Wide Area Network)、LAN(Local Area Network)、PAN(Personal Area Network)等中的任一個或這些的組合，只要是能夠在電腦1000和外部裝置1010A之間進行資訊交換的通信網路即可。作為WAN的一例，可列舉出互聯網等，作為LAN的一例，可列舉出IEEE802.11、以太網(註冊商標)等，作為PAN的一例，可列舉出Bluetooth(註冊商標)、NFC(Near Field Communication)等。
裝置接口1005是與外部裝置1010B直接連接的USB等的接口。
外部裝置1010A是經由網路與電腦1000連接的裝置。外部裝置1010B是與電腦1000直接連接的裝置。
作為一例，外部裝置1010A或外部裝置1010B可為輸入裝置。輸入裝置例如可為相機、麥克風、動作捕捉器、各種傳感器、鍵盤、鼠標、觸摸屏等的裝置，可將獲取的資訊提供給電腦1000。此外，也可為個人電腦、平板終端、智能手機等的具備輸入部、存儲器、及處理器的裝置。
此外，作為一例，外部裝置1010A或外部裝置1010B可為輸出裝置。輸出裝置例如可為LCD(Liquid Crystal Display)、有機EL(Electro Luminescence)面板等的顯示裝置，也可為輸出聲音等的揚聲器等。此外，還可為個人電腦、平板終端、或智能手機等的具有輸出部、存儲器、及處理器的裝置。
另外，外部裝置1010A或外部裝置1010B可為存儲裝置(存儲器)。例如，外部裝置1010A可為網路存儲器等，外部裝置1010B可為HDD等的存儲器。
此外，外部裝置1010A或外部裝置1010B可為具有上述實施方式中的各裝置(資訊處理裝置10或用戶終端30)的構成要素的一部分功能的裝置。即，電腦1000可向外部裝置1010A或外部裝置1010B發送處理結果的一部分或全部，也可從外部裝置1010A或外部裝置1010B接收處理結果的一部分或全部。
本說明書(包括請求項)中，在使用｢a、b、及c中的至少1個(一者)｣或｢a、b、或c中的至少1個(一者)｣這樣的表述(包括類似的表述)的情況下，包括a、b、c、a-b、a-c、b-c、或a-b-c中的任一個。此外，如a-a、a-b-b、a-a-b-b-c-c等所示，任一個要素都可包含多個實例。此外，如a-b-c-d所示，還包括添加除了列出的要素(a、b、及c)之外的其它要素，例如具有d等。
本說明書(包括請求項)中，在使用｢將數據作為輸入/使用數據/根據數據/按照數據/響應於數據｣之類的表述(包含類似的表述)的情況下，除非另有說明，包含使用數據本身的情況和使用對數據進行了某種處理後的結果(例如，加上了噪聲後的結果、進行了常態化(歸一化) (normalization)後的結果、從數據中提取的特徵量、數據的中間表現等)的情況。此外，在記載有｢將數據作為輸入/使用數據/根據數據/按照數據/響應於數據｣而獲得某種結果這樣的表述(包括類似的表述)的情況下，除非另有說明，包括僅根據該數據獲得該結果的情況和同時也受到該數據之外的其它數據、因素、條件及/或狀態的影響而獲得該結果的情況。另外，在記載有｢輸出數據｣這樣的表述(包含類似的表述)的情況下，除非另有說明，包括數據本身被用作輸出的情況和對數據進行了某種處理後的結果(例如，加上了噪聲後的結果、進行了常態化(normalization)後的結果、從數據中提取的特徵量、數據的中間表現等)被用作輸出的情況。
本說明書(包括請求項)中，在使用｢連接(connected)｣和｢耦合(coupled)｣這樣的術語的情況下，旨在也包括直接連接/耦合、間接連接/耦合、電(electrically)連接/耦合、通信(communicatively)連接/耦合、功能(operatively)連接/耦合、物理(physically)連接/耦合等的非限定術語。該術語應根據使用該術語的語境進行適當解釋，但是，任何非有意或非自然排除的連接/耦合的形態應被非限定地解釋為包含在該術語中。
本說明書(包括請求項)中，在使用｢A被構成為執行B(A configured to B)｣之類的表述的情況下，可包括，要素A的物理結構具有可執行動作B的構成，並且，要素A的永久(permanent)或臨時(temporary)設定(setting/configuration)被設定(configured/set)為可實際執行動作B。例如，在要素A為通用處理器的情況下，該處理器可被設定設定(configured)為，具有可執行動作B的硬體構成，並且，藉由永久(permanent)或臨時(temporary)程式(命令)的設定可實際執行動作B。此外，在要素A為專用處理器、專用運算電路等的情況下，無論是否實際附帶了控制用命令和數據，該處理器的電路結構等只要被實裝(implemented)為可實際執行動作B即可。
本說明書(包括請求項)中，在使用表示含有或擁有的術語(例如，｢包含/包括(comprising/including)｣、｢具有(having)｣等)的情況下，旨在作為open-ended(開放式)術語，也包括含有或擁有由該術語的賓語(受詞(object))表示的對象之外的事物的情況。在表示含有或擁有的這些術語的賓語的數量沒有被指定或為暗示單數的表述(帶有冠詞a或an的表述)的情況下，該表述應被解釋為不限定於特定數量。
本說明書(包括請求項)中，即使某一位置使用了｢1個或多個(one or more)｣、｢至少1個(at least one)｣等的表述，而在其它位置又使用了沒有指定數量或暗示單數的表述(帶有冠詞a或an的表述)，後者的表述也並不意味著｢1個｣。一般而言，沒有指定數量或暗示單數的表述(帶有冠詞a或an的表述)應被解釋為不一定限定於特定數量。
本說明書中，在記載了針對某一實施方式所具有的特定的構成可獲得特定的效果(advantage/result)的情況下，除非另有原因，應被理解為針對具有該構成的1個或多個其它實施方式也可獲得該效果。然而，應理解的是，該效果的有無(存否)通常取決於各種各樣的因素、條件及/或狀態，藉由該構成並一定獲得該效果。該效果僅在滿足各種各樣的因素、條件及/或狀態時才能由實施方式中描述的該構成獲得，另外，在限定了該構成或類似構成的請求項的發明中，也不一定獲得該效果。
本說明書(包括請求項)中，在使用｢進行最大化(maximize)/最大化(maximization)｣之類的術語的情況下，應按照使用該術語的語境進行適當解釋，可包括求解全局最大值、求解全局最大值的近似值、求解局部最大值、及求解局部最大值的近似值。此外，也可包括概率地或啟發式地求解這些最大值的近似值。同理，在使用｢進行最小化(minimize)/最小化(minimization)｣等的術語的情況下，應根據使用該術語的語境進行適當解釋，可包括求解全局最小值、求解全局最小值的近似值、求解局部最小值、及求解局部最小值的近似值。此外，也可包括概率地或啟發式地求解這些最小值的近似值。同理，在使用｢進行優化(optimize)/優化(optimization)｣之類的術語的情況下，應按照使用該術語的語境進行適當解釋，可包括求解全局最優值、求解全局最優值的近似值、求解局部最優值、及局部最優值的近似值。此外，也可包括概率地或啟發式地求解這些最優值的近似值。
本說明書(包括請求項)中，在由多個硬體執行預定的處理的情況下，各硬體可協同工作以執行預定的處理，也可由一部分硬體執行所有預定的處理。此外，也可為，一部分硬體執行預定的處理的一部分，其它硬體執行預定的處理的剩餘部分。本說明書(包括請求項)中，在使用｢1個或多個硬體執行第1處理，並且，所述1個或多個硬體執行第2處理｣之類的表述(包括類似的表述)的情況下，執行第1處理的硬體和執行第2處理的硬體可相同，也可不同。即，執行第1處理的硬體和執行第2處理的硬體只要包含於所述1個或多個硬體即可。需要說明的是，硬體可包括電子電路、包含電子電路的裝置等。
本說明書(包括請求項)中，在由多個存儲裝置(存儲器)進行數據的存儲的情況下，多個存儲裝置中的每個存儲裝置可僅保存數據的一部分，也可保存全部數據。此外，多個存儲裝置中的一部分存儲裝置也可包括存儲數據的構成。
本說明書(包括請求項)中，｢第1｣、｢第2｣等的術語僅作為用於區分2個以上的要素的方法而使用，並不一定有意將時間的狀態、空間的狀態、順序、量等的技術含義強加至其對象。故而，例如，對第1要素和第2要素的引用(參照)並不一定意味著在那裡僅可採用2個要素、第1要素必須位於第2要素之前、第2要素的存在依賴於第1要素的存在等。
以上，對本公開的實施方式進行了詳細說明，但是，本公開並不限定於上述各個實施方式。在不脫離發明申請專利範圍中限定的內容和從其等同物導出的本發明的概念思想和精神的範圍的前提下，還可進行各種各樣的追加、變更、置換、部分刪除等。例如，上述實施方式中，在將數值或公式用於說明的情況下，這些僅是為了例示之目的而提供的，並不限制本公開的範圍。此外，實施方式所示的各操作的順序也僅為示例，並不限制本公開的範圍。
本國際申請主張基於2022年2月25日申請的日本國專利申請第2022-028697號的優先權，並將第2022-028697號的內容全部援引於本國際申請。
1:資訊處理系統
10:資訊處理裝置
20:業務服務器
30:用戶終端
31:用戶
100:已學習模型
110:學習部
111:學習用數據獲取部
112:機器學習部
120:估計部
121:身體資訊獲取部
122:缺少值估計部
123:估計值提示部
1001:處理器
1002:主存儲裝置(存儲器)
1003:補助存儲裝置(存儲器)
1004:網路接口
1005:裝置接口
1010A:外部裝置
1010B:外部裝置
[圖1]本公開的一個實施方式的整體構成的一例。
[圖2]本公開的一個實施方式的資訊處理裝置的功能塊圖。
[圖3]本公開的一個實施方式的學習用數據(data)的說明圖。
[圖4]本公開的一個實施方式的學習用數據的說明圖。
[圖5]本公開的一個實施方式的包含缺少值的身體資訊和包含估計值的身體資訊的說明圖。
[圖6]本公開的一個實施方式的估計示例的示意圖。
[圖7]本公開的一個實施方式的學習處理的流程圖。
[圖8]本公開的一個實施方式的估計處理的流程圖。
[圖9]本公開的一個實施方式的資訊處理裝置的硬體(hardware)構成圖。
10:資訊處理裝置
100:已學習模型
110:學習部
111:學習用數據獲取部
112:機器學習部
120:估計部
121:身體資訊獲取部
122:缺少值估計部
123:估計值提示部
Claims (24)
- 一種資訊處理裝置，具備： 至少1個存儲器；及 至少1個處理器， 其中， 所述至少1個處理器執行 藉由將缺少第1屬性的值的身體資訊輸入至少1個已學習模型，獲取所述第1屬性的估計值；及 藉由將缺少與所述第1屬性不同的第2屬性的值的身體資訊輸入所述至少1個已學習模型，獲取所述第2屬性的估計值， 所述至少1個已學習模型為藉由使用至少2個數據集而訓練的模型， 所述2個數據集分別缺少不同的屬性，並具有至少1個共同的屬性的值。
- 如請求項1所述的資訊處理裝置，其中， 所述至少2個數據集分別為測量的地點或時期不同的數據集。
- 如請求項1或2所述的資訊處理裝置，其中， 所述第1屬性和所述第2屬性為基本資訊之外的身體資訊。
- 如請求項3所述的資訊處理裝置，其中， 所述基本資訊包括性別、年齡、身高、及體重。
- 如請求項1所述的資訊處理裝置，其中， 所述身體資訊包括與身體狀態相關的資訊。
- 如請求項1所述的資訊處理裝置，其中， 所述身體資訊包括與心理狀態相關的資訊。
- 如請求項1所述的資訊處理裝置，其中， 所述估計值為具有預定的寬度的值。
- 如請求項1所述的資訊處理裝置，其中， 所述至少1個處理器獲取所述估計值的置信度。
- 如請求項1所述的資訊處理裝置，其中， 所述至少1個處理器根據所述估計值提供與所述身體資訊相關的資訊。
- 如請求項1所述的資訊處理裝置，其中， 所述至少1個處理器提示應測量的屬性以提高估計值的置信度。
- 如請求項1所述的資訊處理裝置，其中， 所述至少2個數據集分別為測量的狀況不同的數據集。
- 如請求項1所述的資訊處理裝置，其中， 所述至少2個數據集為在相同狀況下得到不同屬性的值的數據集。
- 一種資訊處理裝置，具備： 至少1個存儲器；及 至少1個處理器， 其中， 所述至少1個處理器執行 藉由將缺少第1屬性的值的身體資訊輸入至少1個已學習模型，獲取所述第1屬性的估計值； 藉由將缺少與所述第1屬性不同的第2屬性的值的身體資訊輸入所述至少1個已學習模型，獲取所述第2屬性的估計值；及 從所述資訊處理裝置刪除缺少所述第1屬性的值的身體資訊、所述第1屬性的估計值、缺少所述第2屬性的值的身體資訊、及所述第2屬性的估計值。
- 如請求項1或13所述的資訊處理裝置，其中， 所述至少1個處理器以表格數據的形式提示缺少所述第1屬性的值的身體資訊和所述第1屬性的估計值。
- 如請求項1或13所述的資訊處理裝置，其中， 所述至少1個處理器以與其它身體資訊不同的顯示方式提示所述第1屬性的估計值。
- 如請求項1或13所述的資訊處理裝置，其中， 所述至少1個處理器根據所述第1屬性的估計值的置信度對所述第1屬性的估計值的顯示方式進行變更。
- 一種終端，具備： 至少1個存儲器；及 至少1個處理器， 其中， 所述至少1個處理器執行 向至少1個資訊處理裝置發送缺少第1屬性的值的身體資訊； 從所述至少1個資訊處理裝置接收所述第1屬性的估計值； 向所述至少1個資訊處理裝置發送缺少與所述第1屬性不同的第2屬性的值的身體資訊；及 從所述至少1個資訊處理裝置接收所述第2屬性的估計值。
- 如請求項17所述的終端，其中， 所述至少1個處理器還執行 從所述至少1個資訊處理裝置接收追加屬性的資訊； 向所述至少1個資訊處理裝置發送所述追加屬性的值；及 從所述至少1個資訊處理裝置接收與所述第1屬性的估計值不同的第2估計值， 所述追加屬性為所述至少1個資訊處理裝置根據缺少所述第1屬性的值的身體資訊確定的屬性。
- 如請求項17或18所述的終端，其中， 所述第1屬性的估計值和所述第2屬性的估計值是藉由使用所述至少1個資訊處理裝置所具備的至少1個已學習模型而算出的估計值， 所述至少1個已學習模型是藉由使用至少2個數據集而訓練的模型， 所述2個數據集分別缺少不同的屬性，並具有至少1個共同的屬性的值。
- 一種終端，具備： 至少1個存儲器；及 至少1個處理器， 其中， 所述至少1個處理器執行： 向至少1個資訊處理裝置發送缺少第1屬性的值的身體資訊；及 從所述至少1個資訊處理裝置接收所述第1屬性的估計值， 所述第1屬性的估計值是藉由使用所述至少1個資訊處理裝置所具備的至少1個已學習模型而算出的估計值， 所述至少1個已學習模型是藉由使用至少2個數據集而訓練的模型， 所述2個數據集分別缺少不同的屬性，並具有至少1個共同的屬性的值。
- 一種由至少1個處理器執行的方法，包括： 藉由將缺少第1屬性的值的身體資訊輸入至少1個已學習模型，獲取所述第1屬性的估計值；及 藉由將缺少與所述第1屬性不同的第2屬性的值的身體資訊輸入所述至少1個已學習模型，獲取所述第2屬性的估計值， 其中， 所述至少1個已學習模型是藉由使用至少2個數據集而訓練的模型， 所述2個數據集分別缺少不同的屬性，並具有至少1個共同的屬性的值。
- 一種程式，使至少1個處理器執行： 藉由將缺少第1屬性的值的身體資訊輸入至少1個已學習模型，獲取所述第1屬性的估計值；及 藉由將缺少與所述第1屬性不同的第2屬性的值的身體資訊輸入所述至少1個已學習模型，獲取所述第2屬性的估計值， 其中， 所述至少1個已學習模型是藉由使用至少2個數據集而訓練的模型， 所述2個數據集分別缺少不同的屬性，並具有至少1個共同的屬性的值。
- 一種由至少1個處理器執行的方法，包括： 向至少1個資訊處理裝置發送缺少第1屬性的值的身體資訊； 從所述至少1個資訊處理裝置接收所述第1屬性的估計值； 向所述至少1個資訊處理裝置發送缺少與所述第1屬性不同的第2屬性的值的身體資訊；及 從所述至少1個資訊處理裝置接收所述第2屬性的估計值。
- 一種資訊處理裝置，具備： 至少1個存儲器；及 至少1個處理器， 其中， 所述至少1個處理器執行 藉由將缺少第1屬性的值的身體資訊輸入至少1個已學習模型，獲取所述第1屬性的估計值；及 藉由將缺少與所述第1屬性不同的第2屬性的值的身體資訊輸入所述至少1個已學習模型，獲取所述第2屬性的估計值， 所述至少1個已學習模型是藉由使用至少2個數據集而訓練的模型， 所述2個數據集分別缺少不同的屬性，並具有至少1個共同的屬性的值，且為測量的地點或時期不同的數據集， 所述第1屬性和所述第2屬性為基本資訊之外的身體資訊， 所述基本資訊包括性別、年齡、身高、及體重。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2022-028697 | 2022-02-25 | ||
| JP2022028697 | 2022-02-25 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| TW202341920A true TW202341920A (zh) | 2023-11-01 |
Family
ID=87765877
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW112106473A TW202341920A (zh) | 2022-02-25 | 2023-02-22 | 資訊處理裝置、方法、及程式 |
Country Status (2)
| Country | Link |
|---|---|
| TW (1) | TW202341920A (zh) |
| WO (1) | WO2023162958A1 (zh) |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5520886B2 (ja) * | 2011-05-27 | 2014-06-11 | 日本電信電話株式会社 | 行動モデル学習装置、方法、及びプログラム |
| EP3780001A4 (en) * | 2018-03-26 | 2021-05-26 | NEC Solution Innovators, Ltd. | HEALTH ASSISTANCE SYSTEM, DEVICE, METHOD AND PROGRAM FOR DISTRIBUTION OF INFORMATION SHEETS |
| JP7396125B2 (ja) * | 2020-03-03 | 2023-12-12 | オムロン株式会社 | モデル生成装置、推定装置、モデル生成方法、及びモデル生成プログラム |
| JP7372614B2 (ja) * | 2020-05-14 | 2023-11-01 | 学校法人早稲田大学 | 情報処理システムおよびプログラム |
-
2023
- 2023-02-21 WO PCT/JP2023/006145 patent/WO2023162958A1/ja unknown
- 2023-02-22 TW TW112106473A patent/TW202341920A/zh unknown
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023162958A1 (ja) | 2023-08-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Han et al. | National trends in American Heart Association revised life's simple 7 metrics associated with risk of mortality among US adults | |
| Zaninotto et al. | Association between subjective well-being and living longer without disability or illness | |
| Wood et al. | Are missing outcome data adequately handled? A review of published randomized controlled trials in major medical journals | |
| US20200279622A1 (en) | Systems and Methods for Collecting and Analyzing Comprehensive Medical Information | |
| US20200227172A1 (en) | Determining indicators of individual health | |
| Allen et al. | Personality and body dissatisfaction: An updated systematic review with meta-analysis | |
| JP2022500797A (ja) | 血糖濃度の予測 | |
| JP7048695B2 (ja) | ユーザの知識および活動に基づいて健康判定サービスを提供するためのシステムおよび方法 | |
| Keil et al. | The impact of chronic obstructive pulmonary disease-related fears on disease-specific disability | |
| Whitlock et al. | Disentangling the association of screen time with developmental outcomes and well-being: Problems, challenges, and opportunities | |
| Lawson et al. | Association of medication intensity and stages of airflow limitation with the risk of hospitalization or death in patients with heart failure and chronic obstructive pulmonary disease | |
| US20220165417A1 (en) | Population-level gaussian processes for clinical time series forecasting | |
| US20190156953A1 (en) | Statistical analysis of subject progress and responsive generation of influencing digital content | |
| Aris et al. | Analysis of early-life growth and age at pubertal onset in US children | |
| Yang et al. | Measurement of adherence to mHealth physical activity interventions and exploration of the factors that affect the adherence: scoping review and proposed framework | |
| JP2018005284A (ja) | 情報処理方法、情報処理装置及び情報処理プログラム | |
| Jones et al. | Eye-tracking–based measurement of social visual engagement compared with expert clinical diagnosis of autism | |
| Wang et al. | Long-term intake of gluten and cognitive function among US women | |
| Steckhan et al. | Perceived physical functioning and gait speed as mediators in the association between fear of falling and quality of life in old age | |
| JP2015228202A (ja) | 判断システム、判断方法、及び判断プログラム | |
| Mouchabac et al. | Prevention of suicidal relapses in adolescents with a smartphone application: Bayesian network analysis of a preclinical trial using in silico patient simulations | |
| US20190328322A1 (en) | Information processing apparatus and operation method thereof | |
| Chase et al. | Meta-analysis of fitness outcomes from motivational physical activity interventions | |
| Chakkalakal et al. | Standardized data collection practices and the racial/ethnic distribution of hospitalized patients | |
| Ewart et al. | The role of agonistic striving in the association between cortisol and high blood pressure |