WO2023119562A1 - 学習装置、ストレス推定装置、学習方法、ストレス推定方法及び記憶媒体 - Google Patents
学習装置、ストレス推定装置、学習方法、ストレス推定方法及び記憶媒体 Download PDFInfo
- Publication number
- WO2023119562A1 WO2023119562A1 PCT/JP2021/047902 JP2021047902W WO2023119562A1 WO 2023119562 A1 WO2023119562 A1 WO 2023119562A1 JP 2021047902 W JP2021047902 W JP 2021047902W WO 2023119562 A1 WO2023119562 A1 WO 2023119562A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- stress
- classification
- feature amount
- estimated
- learning
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 35
- 238000013145 classification model Methods 0.000 claims description 50
- 238000012545 processing Methods 0.000 claims description 36
- 238000004364 calculation method Methods 0.000 claims description 24
- 230000010354 integration Effects 0.000 claims description 13
- 230000000694 effects Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 230000035882 stress Effects 0.000 description 314
- 230000010365 information processing Effects 0.000 description 79
- 230000000875 corresponding effect Effects 0.000 description 51
- 238000013500 data storage Methods 0.000 description 21
- 238000012549 training Methods 0.000 description 13
- 230000015654 memory Effects 0.000 description 12
- 230000006870 function Effects 0.000 description 8
- 238000012986 modification Methods 0.000 description 8
- 230000004048 modification Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 239000000284 extract Substances 0.000 description 6
- 230000001133 acceleration Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000037326 chronic stress Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000003340 mental effect Effects 0.000 description 2
- 210000003205 muscle Anatomy 0.000 description 2
- 230000008685 targeting Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000003646 Spearman's rank correlation coefficient Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012905 input function Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000004622 sleep time Effects 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
Definitions
- the present disclosure relates to the technical field of a learning device, a stress estimation device, a learning method, a stress estimation method, and a storage medium that perform processing related to stress state estimation.
- Patent Literature 1 discloses a portable stress measuring device that determines the degree of temporary stress of an estimated subject each day based on the biometric data of the estimated subject.
- one object of the present disclosure is to provide a learning device, a stress estimation device, a learning method, a stress estimation method, and a storage medium that perform processing for obtaining stress estimation results with stable estimation accuracy. do.
- One aspect of the learning device includes: Classification means for classifying the observed feature amount of the subject so that the index representing the correlation between the observed feature amount and the correct stress value corresponding to the observed feature amount is higher than before classification; learning means for learning a stress estimation model for estimating the relationship between the observed feature amount and the stress value for at least each class divided by the classification based on the observed feature amount and the correct stress value; , is a learning device having
- One aspect of the stress estimator comprises: Classification score calculation means for calculating a classification score representing a degree of certainty that an observation feature of an estimation target subject to stress estimation belongs to each of a plurality of classes; stress estimation means for acquiring the stress value of the person to be estimated estimated by the stress estimation model corresponding to each of the plurality of classes based on the observed feature quantity; integration means for calculating a stress value obtained by integrating the stress values of the person to be estimated estimated by each of the stress estimation models by the classification score; is a stress estimator having
- One aspect of the learning method comprises: the computer Classify the observed feature of the subject so that the index representing the correlation between the observed feature and the correct stress value corresponding to the observed feature is higher than before classification, Learning a stress estimation model for estimating the relationship between the observed feature amount and the stress value at least for each class divided by the classification based on the observed feature amount and the correct stress value; It's a learning method.
- the "computer” includes any electronic device (it may be a processor included in the electronic device), and may be composed of a plurality of electronic devices.
- One aspect of the stress estimation method comprises: the computer calculating a classification score representing the degree of confidence that the observed feature of the subject to be stress-estimated belongs to each of a plurality of classes; Acquiring the stress value of the person to be estimated estimated based on the observed feature value by a stress estimation model corresponding to each of the plurality of classes; calculating a stress value that integrates the stress values of the estimated subject estimated by each of the stress estimation models with the classification score; It is a stress estimation method.
- One aspect of the storage medium is Classify the observed feature of the subject so that the index representing the correlation between the observed feature and the correct stress value corresponding to the observed feature is higher than before classification,
- a computer performing processing for learning a stress estimation model for estimating the relationship between the observed feature amount and the stress value for at least each class divided by the classification based on the observed feature amount and the correct stress value. It is a storage medium in which a program to be executed is stored.
- One aspect of the storage medium is calculating a classification score representing the degree of confidence that the observed feature of the subject to be stress-estimated belongs to each of a plurality of classes; Acquiring the stress value of the person to be estimated estimated based on the observed feature value by a stress estimation model corresponding to each of the plurality of classes;
- a storage medium storing a program for causing a computer to execute a process of calculating a stress value in which the stress values of the person to be estimated estimated by each of the stress estimation models are integrated by the classification score.
- FIG. 1 shows a schematic configuration of a stress estimation system according to a first embodiment
- 1 shows an example of a hardware configuration of a stress estimation device common to each embodiment. It is an example of functional blocks in the learning phase of the information processing apparatus according to the first embodiment.
- 3 is a functional block diagram of a classification label generation unit and a classification model learning unit;
- FIG. (A) A diagram showing a processing outline of a first step of classification label generation processing.
- (B) shows an overview of the second step of the classification label generation process; An example in which the first step and the second step are applied to the subdivided class is shown. It is an example of functional blocks of a certain feature quantity selection unit. A histogram of correlations for certain types of observed feature values is shown.
- 6 is an example of a flowchart showing a procedure of learning processing executed by the information processing apparatus in the learning phase in the first embodiment; It is an example of the functional block in the estimation phase of the information processing apparatus according to the first embodiment. 6 is an example of a flow chart showing the procedure of stress estimation processing executed by the information processing apparatus in the estimation phase in the first embodiment; 1 shows a schematic configuration of a stress estimation system according to a second embodiment; FIG. 11 is a block diagram of a learning device according to a third embodiment; FIG. FIG. 11 is an example of a flowchart executed by a learning device in the third embodiment; FIG.
- FIG. 1 shows a schematic configuration of a stress estimation system 100 according to the first embodiment.
- the stress estimation system 100 learns a model for estimating human stress (also referred to as a “stress estimation model”), and performs stress estimation based on the learned stress estimation model.
- the person whose stress is to be estimated is referred to as the "estimated subject”
- the person who is measured in generating the training data (learning sample) necessary for learning the stress estimation model is also referred to as the "sample subject”.
- the presumed target person and the sample target person are not particularly distinguished, they are simply referred to as "subjects”.
- the "presumed target” may be an athlete or employee whose stress state is managed by an organization, or may be an individual user.
- the stress estimation system 100 mainly includes an information processing device 1, an input device 2, a display device 3, a storage device 4, and a sensor 5.
- the information processing device 1 performs data communication with the input device 2, the display device 3, and the sensor 5 via a communication network or by direct wireless or wired communication. Then, the information processing device 1 learns the stress estimation model or the estimation target person using the stress estimation model based on the input signal "S1" supplied from the input device 2 and the sensor signal "S3" supplied from the sensor 5. Information necessary for estimating the stress of , and the collected information is stored in the storage device 4 . Further, the information processing device 1 generates a display signal "S2" based on the estimation result of the stress state of the person to be estimated (specifically, a stress value representing the degree of stress), and displays the generated display signal S2 on the display device. 3. Note that the stress estimated by the information processing apparatus 1 in the present embodiment is chronic stress, which is stress from a long-term (chronic) perspective over several days to weeks or months.
- the input device 2 is an interface that accepts user input (manual input) of information on each presumed candidate.
- the user who inputs information using the input device 2 may be the presumed subject himself/herself, or may be a person who manages or supervises the activities of the presumed subject.
- the input device 2 may be, for example, various user input interfaces such as a touch panel, buttons, keyboard, mouse, and voice input device.
- the input device 2 supplies an input signal S1 generated based on user's input to the information processing device 1 .
- the display device 3 displays predetermined information based on the display signal S ⁇ b>2 supplied from the information processing device 1 .
- the display device 3 is, for example, a display or a projector.
- the sensor 5 measures the biological signal and the like of the person to be presumed, and supplies the measured biological signal and the like to the information processing device 1 as a sensor signal S3.
- the sensor signal S3 is any biological signal (vital information including).
- the sensor 5 may be a device that analyzes the blood sampled from the presumed subject and outputs a sensor signal S3 indicating the analysis result.
- the sensor 5 may be a sensor provided in a wearable terminal worn by the estimation target person, or may be a camera that captures an image of the estimation target person or a microphone that generates an audio signal of the estimation target person's speech. It may be a sensor provided in a terminal such as a personal computer or a smartphone operated by the person to be estimated.
- the wearable terminal described above includes a GNSS (global navigation satellite system) receiver, an acceleration sensor, and any other sensors that detect biological signals, and outputs the output signal of each of these sensors as the sensor signal S3.
- the sensor 5 may supply information corresponding to the operation amount of a personal computer, a smartphone, or the like to the information processing apparatus 1 as the sensor signal S3.
- the sensor 5 may output a sensor signal S3 representing biometric data (including sleep time) from the subject while the subject is sleeping.
- the sensor signal S3 is used to generate a feature quantity (also referred to as an "observed feature quantity") representing the observed features of the observed subject.
- the storage device 4 is a memory that stores various information necessary for estimating the stress state.
- the storage device 4 may be an external storage device such as a hard disk connected to or built into the information processing device 1, or may be a storage medium such as a flash memory. Further, the storage device 4 may be a server device that performs data communication with the information processing device 1 . Also, the storage device 4 may be composed of a plurality of devices.
- the storage device 4 functionally includes an attribute information storage unit 40, an observation data storage unit 41, a training data storage unit 42, an estimation model information storage unit 43, and a classification model information storage unit 44. ing.
- the attribute information storage unit 40 stores attribute information regarding the attributes of the subject.
- the "attribute" corresponds to, for example, the subject's character, stress tolerance, gender, occupation, age, cognitive tendency, or a combination thereof.
- the attribute information may be generated by the information processing device 1 and stored in the storage device 4, or may be generated in advance by a device other than the information processing device 1 and stored in the storage device 4. good too.
- the attribute information may include information generated based on the results of questionnaire responses by the subject. For example, as a questionnaire for measuring the personality of a subject, there is a Big 5 personality test.
- the attribute information is stored in the attribute information storage unit 40 in association with the subject's identification information.
- the observation data storage unit 41 stores observation data generated based on the sensor signal S3 and the like acquired by the information processing device 1 from the sensor 5 .
- the observation data includes, for example, the observation feature amount, the date and time information when the observation was performed, and the activity state of the subject when the observation was performed (for example, physical exercise intensity, mental workload, etc. activity information indicating intensity of mental activity, sitting/walking/running state, awake/sleeping state, etc.) and identification information of the subject are associated with each other.
- the observation data storage unit 41 stores the observation data of the estimation target
- the training data storage unit 42 stores the observation data of the sample target.
- An observed feature amount is an arbitrary index value representing the characteristics of data observed from a subject or a vector (feature vector) whose elements are index values.
- the observation feature amount may be a feature amount based on biological characteristics such as perspiration, acceleration, skin temperature, pulse wave, etc., or a feature amount based on behavioral characteristics related to the behavior of the subject such as the amount of device operation. good too.
- the observed feature amount may be a time-series feature amount (time-series data) representing the state of the subject at predetermined time intervals during the observation period of the subject.
- the processing of converting the sensor signal S3 into the observed feature quantity may be executed by the information processing device 1 or may be executed by a device other than the information processing device 1 .
- the observed feature amount may be generated from the sensor signal S3 based on any method of calculating the feature amount from the biological signal or any other feature amount calculation method.
- the activity information is generated by the information processing device 1 or another device based on, for example, position information, acceleration, etc. included in the sensor signal S3.
- the training data storage unit 42 stores training data used for learning the stress estimation model.
- the training data is data generated from a plurality of sample subjects, and includes multiple pairs of observation data of the sample subjects and correct stress values (stress data) based on responses to questionnaires, etc., by the sample subjects. I'm in.
- the correct stress value is a PSS (Perceived Stress Scale) value.
- the PSS value is calculated from the answers to a PSS questionnaire that can measure dynamic stress that changes over time.
- the information processing apparatus 1 generates a classification label indicating the class of the observed feature quantity for each sample subject based on the attributes of the sample subject, and uses the generated classification label as training data. Stored in the storage unit 42 .
- the estimation model information storage unit 43 stores the parameters of the stress estimation model learned by the information processing device 1 (in other words, the parameters necessary for configuring the stress estimation model).
- the stress estimation model is a model for estimating the relationship between the subject's observed feature quantity and the subject's stress value.
- the stress estimation model is learned so as to output an estimated stress value of the subject when a combination of specific observed feature amounts (feature vector) of the subject is input.
- the stress estimation model may be any machine learning model (including statistical model) such as neural network and support vector machine.
- each stress estimation model is learned for each class using training data classified for each class so that the correlation between the observation data and the correct stress value is high.
- each stress estimation model may have an architecture suitable for its respective class.
- the term "class” represents a classification (group) to which the learned stress estimation models are uniquely associated. Note that the number of classes matches the number of trained stress estimation models.
- the estimation model information storage unit 43 stores information on parameters necessary for constructing these stress estimation models. For example, when the stress estimation model is a model based on a neural network such as a convolutional neural network, the estimation model information storage unit 43 stores the layer structure, the neuron structure of each layer, the number and size of filters in each layer, and each element of each filter. information of various parameters such as the weight of .
- the classification model information storage unit 44 stores the parameters of the classification model learned by the information processing device 1 (in other words, the parameters necessary for configuring the classification model).
- the classification model is a model for estimating the relationship between the subject's attribute and the class to which the subject's observed feature amount belongs.
- the classification model is learned so as to output a score (also referred to as a "classification score") representing the degree of certainty that the subject is classified into each candidate class when the attribute information of the subject is input.
- Learning model architectures for training such classification models are, for example, models based on neural networks, such as convolutional neural networks. It is assumed that the higher the degree of certainty for a certain class, the higher the classification score for that class.
- the classification model is learned based on attribute information of sample subjects and classification labels representing classes of observed feature amounts of the sample subjects.
- the configuration of the stress estimation system 100 shown in FIG. 1 is an example, and various changes may be made to the configuration.
- the input device 2 and the display device 3 may be configured integrally.
- the input device 2 and the display device 3 may be configured as a tablet terminal integrated with or separate from the information processing device 1 .
- the information processing device 1, the input device 2, the display device 3, and the sensor 5 (and the storage device 4 may be included) may be configured as one smart phone or wearable terminal used by the subject.
- the information processing device 1 may be composed of a plurality of devices. In this case, the plurality of devices that constitute the information processing device 1 exchange information necessary for executing previously assigned processing among the plurality of devices. In this case, the information processing device 1 functions as an information processing system.
- FIG. 2 shows the hardware configuration of the information processing apparatus 1.
- the information processing device 1 includes a processor 11, a memory 12, and an interface 13 as hardware.
- Processor 11 , memory 12 and interface 13 are connected via data bus 90 .
- the processor 11 functions as a controller (arithmetic device) that controls the entire information processing device 1 by executing programs stored in the memory 12 .
- the processor 11 is, for example, a CPU (Central Processing Unit), a GPU (Graphics Processing Unit), or a TPU (Tensor Processing Unit).
- Processor 11 may be composed of a plurality of processors.
- Processor 11 is an example of a computer.
- the memory 12 is composed of various volatile and nonvolatile memories such as RAM (Random Access Memory), ROM (Read Only Memory), and flash memory.
- the memory 12 stores programs for executing processes executed by the information processing apparatus 1 .
- part of the information stored in the memory 12 may be stored in one or a plurality of external storage devices that can communicate with the information processing device 1, or may be stored in a storage medium that is detachable from the information processing device 1. may
- the interface 13 is an interface for electrically connecting the information processing device 1 and other devices.
- These interfaces may be wireless interfaces such as network adapters for wirelessly transmitting and receiving data to and from other devices, or hardware interfaces for connecting to other devices via cables or the like.
- the hardware configuration of the information processing device 1 is not limited to the configuration shown in FIG.
- the information processing device 1 may include at least one of the input device 2 and the display device 3 .
- the information processing device 1 may be connected to or built in a sound output device such as a speaker.
- the information processing apparatus 1 classifies the observed feature quantity so that the correlation between the observed feature quantity and the correct stress value is high, and learns the stress estimation model for each classified class.
- the information processing device 1 can perform training of a stress estimation model specialized for each class with a biased stress tendency, and can perform stress estimation with high accuracy for unknown data that is not used for learning. obtain a reasonable stress estimation model.
- FIG. 3 is an example of functional blocks in the learning phase of the information processing device 1 .
- the processor 11 of the information processing device 1 functionally includes a first classification unit 14, "N" (N is an integer equal to or greater than 2) second classification units 15 (151 to 15N), It has “M” (M is an integer equal to or greater than 2) feature quantity selection units 16 (1611 to 16NM) and N estimation model learning units 17 (171 to 17N).
- the training data storage unit 42 also functionally includes an observation data storage unit 421 , a classification label storage unit 422 and a stress data storage unit 423 .
- the estimated model information storage unit 43 functionally has a first estimated model information storage unit 431 to an Nth estimated model information storage unit 43N that respectively store parameters of N stress estimation models to be learned.
- the blocks that exchange data are connected by solid lines, but the combinations of blocks that exchange data are not limited to those illustrated. The same applies to other functional block diagrams to be described later.
- the first classification unit 14 performs a first classification process for classifying (clustering) the observed feature amount used for learning into N classes so that the correlation between the observed feature amount and the correct stress value is high.
- the first classification unit 14 functionally includes a classification label generation unit 141 , a classification model learning unit 142 , and a classification unit 143 .
- the classification label generation unit 141 refers to the attribute information storage unit 40, the observation data storage unit 421, and the stress data storage unit 423, and generates a classification label associated with each sample subject. As will be described later, in the present embodiment, the classification label generation unit 141 adaptively sets “N” corresponding to the number of classes (that is, the number of stress estimation models) used in the classification label in the generation processing of the classification label described later. to decide. The classification label generation unit 141 stores the generated classification label in the classification label storage unit 422 . The details of the processing of the classification label generation unit 141 will be described later.
- the classification model learning unit 142 refers to the attribute information storage unit 40 and the classification label storage unit 422 to learn the classification model.
- the classification model learning unit 142 for example, sequentially extracts pairs of attribute information and classification labels corresponding to each sample subject, and updates the parameters of the classification model.
- the parameters of the classification model are determined so as to minimize the error (loss) between the classification result output by the classification model when attribute information is input and the correct class indicated by the classification label.
- the attribute information input to the classification model is, for example, index values indicating personality, gender, occupation, race, age, height, weight, muscle mass, lifestyle habits, and exercise habits, or combinations of these index values (vector values). is.
- the algorithm for determining the above parameters so as to minimize the loss may be any learning algorithm used in machine learning, such as gradient descent or error backpropagation.
- the classification model learning unit 142 stores the learned parameters of the classification model in the classification model information storage unit 44 .
- the classification unit 143 extracts observation feature amounts for learning from the observation data storage unit 421, and classifies (clusters) the extracted observation feature amounts into N classes according to the classification labels stored in the classification label storage unit 422. .
- the classifying unit 143 forms a set of N observed feature amounts with bias in stress, biometric features, and the like. Then, the classification unit 143 supplies the observed feature amount for each class to the second classification units 151 to 15N corresponding to the corresponding class.
- the classification unit 143 classifies the observed feature values for learning into N classes according to the classification labels stored in the classification label storage unit 422. Instead, the classification result of the classification model learned by the classification model learning unit 142 Based on this, the observed feature values for learning may be classified into N classes. In this case, the classification unit 143 extracts the attribute information associated with the sample subject from the attribute information storage unit 40, and selects the class with the highest classification score output when the extracted attribute information is input to the classification model. , to classify the observed feature values of the sample subject. As a result, the first classification using the classification model is performed in the learning phase as well as in the estimation phase, which will be described later, so it is expected that the estimation accuracy in the estimation phase will be improved.
- the second classification unit 15 (151 to 15N) classifies a set of observation feature values for each class supplied from the first classification unit 14 into M groups based on the observation target of the observation feature value or the activity state of the target person at the time of observation. A second classification is performed to classify into subclasses of . As a result, the second classification unit 15 further divides the observed feature values that should be treated differently in stress estimation. Then, each of the second classification units 151 to 15N supplies a set of observed feature quantities divided into M subclasses based on the second classification to the feature quantity selection unit 16 (1611 to 16NM).
- the "observation target” is the observation target of the raw data used when the observation feature value is calculated, and includes various biological features such as perspiration, acceleration, skin temperature, and pulse wave. Therefore, the “classification based on the observation object” is, for example, in the case of the observation feature amount based on biological characteristics, the observation feature amount related to perspiration, the observation feature amount related to acceleration, the observation feature amount related to skin temperature, the observation feature amount related to pulse wave, etc. It is to classify into subclasses with different amounts and the like. Also, the “classification based on the state of activity” is, for example, a classification of subclasses according to the exercise intensity level (for example, resting state, walking state, running state) at the time of observation of the subject. Information indicating the observation target and the activity state corresponding to each observation feature is stored in association with the observation feature in the observation data storage unit 421, for example.
- the feature amount selection unit 16 (1611 to 16NM) selects a stress estimation model based on the correlation with the correct stress value from a set of N ⁇ M observed feature amounts classified based on the first classification and the second classification. Select the observed feature value (also referred to as “stress estimation feature value”) to be input to .
- the feature amount selection unit 16 selects an observed feature amount of "R" (R is an integer equal to or greater than 0) as the stress estimation feature amount. Details of the processing of the feature amount selection unit 16 will be described later. It should be noted that the number of feature quantity selection units 16 may be provided in an appropriate number for each class, instead of uniformly providing M for each class. Similarly, the value of R may also differ for each feature amount selection unit 16 .
- the estimation model learning unit 17 (171 to 17N) is based on the stress estimation feature amount selected by the feature amount selection unit 16 and the correct stress value referenced from the stress data storage unit 423, for each class based on the first classification Train the prepared stress estimation model.
- each estimation model learning unit 17 uses the M ⁇ R stress estimation feature amounts supplied from the M feature amount selection units 16 as input data to the stress estimation model, and refers to the stress data storage unit 423. A plurality of sets having corresponding stress values as correct data are obtained. Then, each estimation model learning unit 17 learns a corresponding stress estimation model based on a plurality of sets of input data and correct answer data.
- the estimation model learning unit 17 sequentially extracts pairs of the above-described input data and correct data, and updates the parameters of the stress estimation model.
- the parameters of the stress estimation model are adjusted so that the error (loss) between the estimation results output by the stress estimation model when the input data is input and the stress value (here, the PSS value), which is the correct data, is minimized.
- the algorithm for determining the above parameters to minimize loss may be any learning algorithm used in machine learning, such as gradient descent or error backpropagation.
- each estimation model learning unit 17 stores the learned parameters of each stress estimation model in the first estimation model information storage unit 431 to the Nth estimation model information storage unit 43N, respectively.
- each component of the first classification unit 14, the second classification unit 15, the feature amount selection unit 16, and the estimation model learning unit 17 described in FIG. 3 can be realized by the processor 11 executing a program, for example. Further, each component may be realized by recording necessary programs in an arbitrary nonvolatile storage medium and installing them as necessary. Note that at least part of each of these components may be realized by any combination of hardware, firmware, and software, without being limited to being implemented by program software. Also, at least part of each of these components may be implemented using a user-programmable integrated circuit, such as an FPGA (Field-Programmable Gate Array) or a microcontroller. In this case, this integrated circuit may be used to implement a program composed of the above components.
- FPGA Field-Programmable Gate Array
- each component may be configured by an ASSP (Application Specific Standard Produce), an ASIC (Application Specific Integrated Circuit), or a quantum processor (quantum computer control chip).
- ASSP Application Specific Standard Produce
- ASIC Application Specific Integrated Circuit
- quantum processor quantum computer control chip
- FIG. 4 is a detailed functional block diagram of the classification label generation unit 141 and the classification model learning unit 142 included in the first classification unit 14 .
- the classification label generation unit 141 Based on the attribute information stored in the attribute information storage unit 40, the observation feature amount stored in the observation data storage unit 421, and the correct stress value stored in the stress data storage unit 423, the classification label generation unit 141 generates a classification label. , a classification label is generated, and the generated classification label is stored in the classification label storage unit 422 . Further, the classification model learning unit 142 learns a classification model based on the classification labels stored in the classification label storage unit 422 and the attribute information stored in the attribute information storage unit 40, and the classification obtained by learning is performed. The model parameters are stored in the classification model information storage unit 44 .
- the classification label generation unit 141 After classifying the observed feature amount for each sample subject into a plurality of classes based on the attribute information, the classification label generation unit 141 randomly shuffles (moves) the observed feature amount between the classes, and classifies the observed feature amount and If the correlation with the stress value of the correct answer is higher than before the shuffle, that shuffle is adopted. Then, the classification label generation unit 141 repeats the shuffling to classify the observed feature quantity such that the correlation between the observed feature quantity and the correct stress value for each class is high, and classifies the classification label representing the classification result. to generate
- the classification label generation unit 141 As the first step, the classes are tentatively subdivided based on the attribute information, and as the second step, the shuffle between the subdivided classes is performed. Then, the classification label generation unit 141 repeatedly executes the first step and the second step until it is determined that the class subdivision is unnecessary.
- the classification label generation unit 141 hierarchically subdivides classes by repeating division into two. Note that the number of divisions may be 3 or more when the classes are subdivided hierarchically.
- FIG. 5(A) is a diagram showing a processing outline of the first step of the classification label generation processing. Here, a set of observed feature values for each sample subject is indicated by a circle.
- the classification label generation unit 141 classifies all observed feature quantities for learning into two classes (class A and class B) based on the attribute type "X".
- the classification label generation unit 141 tentatively classifies the observed feature amount of the sample subject whose attribute type X is attribute Xa into class A, and the observed feature amount of the sample subject whose attribute type X is attribute Xb. is tentatively classified as class B.
- Attribute type X is, for example, personality, gender, occupation, race, age, height, weight, muscle mass, lifestyle habits, and exercise habits, and attributes Xa and Xb are categories or index value ranges in attribute type X. . For example, when the attribute type X is gender, the attribute Xa is male and the attribute Xb is female.
- the classification label generation unit 141 increases the correlation between the observed feature value and the correct stress value (also referred to as “observation-stress correlation”) by provisional classification based on the attribute type X in the first step. If so, it is determined that class subdivision is necessary, and the process proceeds to the second step. Specifically, first, the classification label generation unit 141 performs observation based on the entire observed feature amount before classification into class A and class B - stress correlation and observation based on the observed feature amount classified into class A - A stress correlation and an observation-stress correlation based on the observed feature quantity classified into class B are calculated.
- the classification label generation unit 141 needs to subdivide into class A and class B. Then, the second step targeting class A and class B is executed. Note that the classification label generation unit 141 determines that subdivision is necessary when either one of the observation-stress correlation of class A and the observation-stress correlation of class B is higher than the overall observation-stress correlation before classification. may In another example, the classification label generation unit 141 determines that subdivision is necessary when the average of the observation-stress correlation of class A and the observation-stress correlation of class B is higher than the overall observation-stress correlation before classification. You may
- the classification label generator 141 may calculate a correlation coefficient as the correlation, or may calculate an index value representing any other correlation such as mutual information.
- the classification label generation unit 141 may perform arbitrary normalization processing in calculating the above-mentioned index value to eliminate the influence caused by the difference in the number of samples.
- FIG. 5(B) shows an overview of the second step targeting class A and class B.
- the classification label generation unit 141 temporarily classifies the observation feature amount into class A and class B based on the attribute information in the first step, and in the second step, for each sample subject so that the observation-stress correlation improves Shuffle the observed features.
- the classification label generation unit 141 temporarily moves the observation feature amount of the sample subject s1 provisionally classified into class A based on the attribute information to class B. Observation of class A - Calculate the stress correlation and the class B observation-stress correlation.
- the classification label generation unit 141 converts the observation feature amount of the sample subject s1 from class A to class B Adopt a move to. Then, the classification label generation unit 141 executes this movement necessity determination and movement for all sample subject observation feature amounts of class A and class B. FIG. As a result, the classification label generation unit 141 can classify the observed feature quantity into class A and class B so that the observation-stress correlation is high.
- the classification label generation unit 141 when the observation-stress correlation of the movement source class of the observation feature value of the sample subject s1 decreases due to the movement and the observation-stress correlation of the movement destination class increases, the sample subject s1
- the observed feature amount of s1 may exist in both class A and class B.
- the classification label generation unit 141 redundantly classifies the observation feature amount of the sample subject s1 into class A and class B. FIG. This allows the classification label generator 141 to improve both the class A and class B observation-stress correlations.
- the classification label generation unit 141 when the observation-stress correlation of the movement source class of the observation feature amount of the sample subject s1 increases due to the movement and the observation-stress correlation of the movement destination class decreases, the sample object It is not necessary to classify the observed feature amount of person s1 into both class A and class B. That is, in this case, the observed feature amount of the sample subject s1 is not used for learning. This also allows the classification label generator 141 to improve the observation-stress correlation of both classes A and B. FIG.
- the classification label generating unit 141 After executing the second step, the classification label generating unit 141 performs the first step on class A and class B, respectively, and executes the second step on the classes subdivided in the first step.
- FIG. 6 shows an example of applying the first step and the second step to class A and class B, respectively.
- the classification label generator 141 subdivides each of class A and class B into two classes based on the attribute type "Y". Specifically, the classification label generation unit 141 classifies the observed feature amount of class A corresponding to the attribute "Ya” into class Aa, and classifies the observed feature amount of class A corresponding to the attribute "Yb” into class Ab. are doing. Further, the classification label generation unit 141 classifies the observed feature amount of class B corresponding to attribute Ya into class Ba, and classifies the observed feature amount of class B corresponding to attribute Yb into class Bb.
- the classification label generation unit 141 may perform classification based on the same attribute type X as in the first step instead of performing classification based on the attribute type Y different from that in the first step.
- the classification label generation unit 141 classifies the observed feature amount of class A into class Aa and class Ab based on attribute "Xaa” and attribute "Xab” obtained by more detailed classification (categorization) of attribute Xa. Then, based on attribute "Xba” and attribute "Xbb” obtained by subdividing attribute Xb, the observed feature amount of class B is classified into class Ba and class Bb.
- the classification label generation unit 141 determines that the observation-stress correlation has increased due to the provisional classification based on the attribute information in the first step
- the sample between the subdivided classes based on the second step Shuffle the observed features for each subject.
- the observation-stress correlation is increased by subdividing class A into class Aa and class Ab.
- the classification label generation unit 141 determines that the class B belongs to class Ba and class Bb so that the observation-stress correlation improves. Shuffle the observed features.
- the classification label generation unit 141 hierarchically increases the number of classes by executing the first step and the second step for each generated class. Then, the classification label generation unit 141 terminates the processing when the observation-stress correlation does not increase due to class segmentation in any class. Then, the classification label generation unit 141 generates a classification label indicating the class to which the observed feature amount of each sample subject at the end of processing belongs, and stores the generated classification label in the classification label storage unit 422 .
- the classification label generation unit 141 hierarchically subdivides the classes, and determines the observed feature values belonging to each class based on changes in the observation-stress correlation due to the movement of the observed feature values between classes. Then, the classification label generation unit 141 subdivides the classes whose observation-stress correlation becomes high by subdivision among the existing classes until there is no class whose observation-stress correlation becomes high by subdivision. As a result, the classification label generator 141 can adaptively determine the number of classes N and generate classification labels so that the observation-stress correlation is high.
- the classification label generating unit 141 instead of determining whether or not class subdivision is necessary based on the provisional classification result based on the attribute information, performs the final subdivision of the class after the shuffling in the second step is completed. You may decide whether or not you need it. For example, in the example of FIG. 6, the classification label generation unit 141 determines that the observation-stress correlation of class Aa and the observation-stress correlation of class Ab after execution of the second step are higher than the observation-stress correlation of class A as a whole. , establish a class Aa and a class Ab.
- the classification label generation unit 141 determines that the subdivision into Aa and class Ab is inappropriate. Therefore, in this case, the classification label generation unit 141 generates a classification label in which both classes of observed feature quantities classified into class Aa and class Ab are defined as class A.
- FIG. According to this example, it is possible to more accurately determine whether or not to subdivide the classes.
- the classification label generation unit 141 may set the number of classes N to a fixed value instead of adaptively determining the number of classes N. In this case, the classification label generation unit 141 classifies the observed feature amount for each sample subject into N classes based on the attribute information, and then performs the process corresponding to the second step to obtain the observations belonging to each of the N classes. Determine features. In this case, in the second step, the classification label generation unit 141 should move the observed feature amount to the class that maximizes the increase in the observation-stress correlation of the destination class. Note that, if the observation-stress correlation of the destination class does not increase even if the movement to any class is performed, the classification label generation unit 141 does not change the class of the target observation feature amount, or does not change the observation feature amount. should not be classified into any class (not used for learning).
- the classification label generation unit 141 sets a plurality of candidates for the number N of classes (number of candidate classes), and sets the number of candidate classes for which the observation-stress correlation is highest to the number N of classes. may be determined. In this case, the classification label generation unit 141 sets the number of classes N to the number of each candidate class and performs classification based on the first step and the second step, and the observation-stress correlation for each class after classification becomes the highest candidate Set the number of classes to the number N of classes.
- the classification label generation unit 141 calculates the average observation-stress correlation of each class after classification when the number of classes is fixed to 2, The average observation-stress correlation for each class after classification when the number of classes is fixed at 3 is compared with the average observation-stress correlation for each class after classification when the number of classes is fixed at 4. Then, the classification label generating unit 141 determines the number of candidate classes with the highest average observation-stress correlation for each class as the number of classes N, and generates a classification label based on the classification result when this number of candidate classes is used. This example also allows the classification label generator 141 to determine the number of classes N and the classification label that maximizes the observation-stress correlation.
- FIG. 7 shows an example of functional blocks of a certain feature quantity selection unit 16nm (“n” and “m” are integers satisfying 1 ⁇ n ⁇ N and 1 ⁇ m ⁇ M).
- the feature amount selection unit 16 nm functionally includes a group generation unit 50 , a correlation calculation unit 51 , a ranking unit 52 and a selection unit 53 .
- the feature amount selection unit 16nm acquires the observed feature amount “F p,q ” from the second classification unit 15n, and selects the correct stress value (PSS value) corresponding to the observed feature amount F p,q from the stress data storage unit 423.
- PSS value the correct stress value
- "p” indicates the index of the sample subject (1 ⁇ p ⁇ P, P is an integer of 2 or more)
- "q” is the index of the type of observation feature (1 ⁇ q ⁇ Q, Q is an integer that satisfies “Q ⁇ R”). Note that there are generally a large number (for example, tens of thousands) of types of observed feature values. Various indicators of perspiration, such as volume, are relevant.
- the group generation unit 50 randomly extracts a predetermined number of observation feature quantities F p,q (L is an integer equal to or greater than 1) times, and combines the extracted predetermined number of observation feature quantities F p,q into one Generate L groups as groups.
- L is an integer equal to or greater than 1
- the group generation unit 50 randomly selects 50 sample subjects. Extraction is performed L times, and the observed feature values F p,q of the sample subjects extracted in each trial are formed as one group. Then, the group generation unit 50 supplies each group of the observed feature quantities F p and q to the correlation calculation units 511 to 51L, respectively.
- the correlation calculator 51 calculates the correlation (correlation coefficient ) is calculated for each type q of the observed feature quantity F p,q .
- the correlation coefficient may be any one of Pearson's product-moment correlation coefficient, Spearman's rank correlation coefficient, Kendall's rank correlation coefficient, or an average of a plurality of correlation coefficients.
- the correlation calculation unit 51 calculates the correlation between the observed feature values F p,q and the stress value Sp for each group generated by the group generation unit 50 and for each type q of the observed feature values F p, q . calculate.
- the ranking unit 52 ranks the types q of the observed feature quantities F p,q based on the calculation results of the L correlation calculation units 511 to 51L.
- the ranking unit 52 calculates a score (also referred to as a “correlation score”) based on the calculation results of the L correlation calculation units 511 to 51L for each type q of the observed feature quantities F p, q , The higher the score, the higher the ranking.
- the ranking unit 52 calculates a correlation score based on a statistical value such as an average correlation between groups and a degree of sign inversion, which will be described later. A method of calculating the correlation score will be described later.
- the selection unit 53 selects the observed feature quantities F p,q corresponding to the top R types in the ranking formed by the ranking unit 52 as stress estimation feature quantities.
- the selection unit 53 stores information (also referred to as “feature selection information Ifs”) indicating the type of observation feature selected as the stress estimation feature in the estimation model information storage unit 43 .
- the feature selection information Ifs is used in the estimation phase to select the stress estimation feature to be input to the stress estimation model from the observed feature.
- FIG. 8 shows a histogram obtained by summarizing the correlations for the type q for which the correlation score is to be calculated, based on the calculation results of the correlation calculators 511 to 51L. Although histograms are shown here for convenience of explanation, generation of histograms is not an essential process for calculating correlation scores.
- ⁇ (1-degree of sign inversion) In the example of FIG. 8, the correlation score of type q is 0.105 (
- the method of calculating the correlation score is not limited to the above formula, and any formula or look that defines the correlation score so as to have a positive correlation with the average correlation and a negative correlation with the degree of sign inversion.
- An up table may be used.
- the feature amount selection unit 16nm has a functional configuration as shown in FIG. 7, so that the stress value and the observed feature amount stably correlated with each other regardless of individual differences can be suitably selected as the stress estimation feature amount. can be done.
- FIG. 9 is an example of a flowchart showing the procedure of learning processing executed by the information processing apparatus 1 in the learning phase in the first embodiment.
- the first classification unit 14 of the information processing device 1 performs processing for generating classification labels (step S11).
- the information processing apparatus 1 determines the number of classes N and generates classification labels based on the processing described in the section “(3-2) Details of classification label generation unit”.
- the first classification unit 14 learns a classification model based on the classification labels, and performs a first classification of the observed feature values for learning stored in the observed data storage unit 421 (step S12).
- the information processing device 1 may perform the first classification based on the classification label, or may perform the first classification based on the learned classification model and the attribute information stored in the attribute information storage unit 40. good.
- the second classification unit 15 of the information processing device 1 performs a second classification of the observed feature amount based on the observed object of the observed feature amount and the activity state during observation of the corresponding sample subject (step S13).
- the second classification unit 15 selects a set of observed feature quantities divided into N classes based on the second classification according to the type of observed biometric feature, the exercise intensity of the sample subject, and the like. For each, we further classify the observed features into M subclasses.
- the feature amount selection unit 16 of the information processing device 1 randomly generates a group for each set of observed feature amounts divided into N ⁇ M subclasses, and selects the observed feature amount in the generated group. For each type, the correlation with the correct stress value included in the training data is calculated (step S14). Furthermore, the feature amount selection unit 16 ranks the types of observed feature amounts according to the correlation and the degree of sign inversion for each set of observed feature amounts divided into subclasses, The observed feature amount corresponding to the type is selected as the stress estimation feature amount (step S15).
- the estimation model learning unit 17 of the information processing device 1 creates a stress estimation model for each class classified according to the first classification based on the stress estimation feature amount and the corresponding correct stress value included in the training data. Learning is performed (step S16). Then, the information processing device 1 outputs the feature amount selection information Ifs related to the stress estimation feature amount selected in step S15 and the parameters of the stress estimation model learned in step S16 as learning results. Specifically, the information processing device 1 stores the feature quantity selection information Ifs and the parameters of the stress estimation model in the storage device 4 . Thereby, the information processing device 1 can store necessary information in the storage device 4 in the estimation phase.
- the information processing device 1 estimates the stress value of the person to be estimated based on the classification model and the stress estimation model learned in the learning phase.
- FIG. 10 is an example of functional blocks in the estimation phase of the information processing device 1 .
- the processor 11 of the information processing device 1 functionally includes a classification score calculator 34, N feature value selectors 36 (361 to 36N), and N stress estimators 37 (371 to 36N). 37N) and an integration unit 38 .
- the first estimated model information storage unit 431 to the Nth estimated model information storage unit 43N included in the estimated model information storage unit 43 store the parameters of the N stress estimation models that have already been trained in the learning phase. are doing.
- the classification score calculation unit 34 extracts the attribute information of the estimation target person from the attribute information storage unit 40, and based on the extracted attribute information, each class provided in the first classification of the learning phase (that is, the first estimation model to the first Calculate the classification scores into N classes corresponding to the N estimation models). In this case, the classification score calculation unit 34 inputs the attribute information described above to the classification model based on the classification model information stored in the classification model information storage unit 44, and calculates the classification score for each class output from the classification model. get. Then, the classification score calculation unit 34 supplies the acquired classification score for each class to the integration unit 38 .
- the feature amount selection unit 36 (361 to 36N) selects the stress estimation feature amount from the observation feature amount of the person to be estimated extracted from the observation data storage unit 41 based on the feature amount selection information Ifs stored in the estimation model information storage unit 43. to select.
- the feature amount selection unit 36n (n is an arbitrary integer from 1 to N) selects the feature amount selection information generated by the feature amount selection units 16n1 to 16nM from the observed feature amount of the estimation target person.
- the observed feature quantity of the same type as the stress estimation feature quantity indicated by Ifs is extracted as the stress estimation feature quantity.
- the feature amount selection unit 36n supplies the extracted stress estimation feature amount to the corresponding stress estimation unit 37n.
- the stress estimation unit 37 (371 to 37N) estimates the stress value of the person to be estimated based on the stress estimation feature quantity supplied from the feature quantity selection unit 36 (361 to 36N) and the stress estimation model.
- the stress estimator 37n (where n is an arbitrary integer from 1 to N) configures the corresponding n-th estimated model by referring to the corresponding n-th estimated model information storage 43n. Then, the stress estimating unit 37n inputs the estimated stress feature amount supplied from the corresponding feature amount selecting unit 36n to the configured n-th estimation model, and calculates the stress value of the person to be estimated output by the n-th estimation model.
- each stress estimator 37 (371 to 37N) supplies the stress value of the person to be estimated output by the stress estimation model to the integration unit .
- the integrating unit 38 integrates the stress values supplied from the stress estimating units 37 (371 to 37N) by performing weighting based on the classification scores for each class supplied from the classification score calculating unit 34 (that is, weighting average). Then, the integrating unit 38 outputs the integrated stress value as a final estimated stress value of the person to be estimated (also referred to as a “stress estimated value”). For example, the integrating unit 38 generates a display signal S2 for displaying information about the integrated stress estimated value, and supplies the display signal S2 to the display device 3, thereby displaying the information about the stress estimated value to the display device 3. display. In this case, the integration unit 38 can integrate the stress values of the person to be estimated output by the stress estimation model by weighting processing based on the classification scores to calculate a highly accurate estimated stress value.
- the integration unit 38 may provide information regarding the level of stress determined based on a comparison between the estimated stress value and a predetermined threshold, or/and , control may be performed to display information about advice according to the level. It should be noted that the viewer of the display device 3 in this case may be, for example, the person to be presumed, or a person who manages or supervises the person to be presumed. Further, the integration unit 38 may output the information about the estimated stress value by means of a sound output device (not shown).
- FIG. 11 is an example of a flowchart showing the procedure of stress estimation processing executed by the information processing device 1 in the estimation phase.
- the timing for performing the stress estimation process may be the timing requested by the user based on the input signal S1, or may be the predetermined timing.
- the information processing device 1 acquires the observation feature amount of the estimation target and the attribute information of the estimation target (step S21).
- the information processing apparatus 1 acquires the above-described observation feature amount from the observation data storage unit 41 and acquires the above-described attribute information from the attribute information storage unit 40 .
- the classification score calculation unit 34 of the information processing device 1 generates N stress estimation models based on the attribute information of the person to be estimated and the classification model to which the parameters stored in the classification model information storage unit 44 are applied. is determined (step S22). In this case, the classification score calculation unit 34 acquires the classification score of each class uniquely corresponding to each stress estimation model from the classification model to which the attribute information is input.
- the feature amount selection unit 36 of the information processing device 1 selects observation feature amounts to be input to the N stress estimation models provided for each class (step S23).
- the feature amount selection unit 36 refers to the feature amount selection information Ifs corresponding to the observed feature amount acquired in step S21, and selects the stress estimation feature amount that is the observed feature amount to be input to the stress estimation model. .
- the processing order of step S22 and step S23 is random and may be executed in parallel.
- the stress estimating unit 37 of the information processing device 1 performs each stress estimating model ( That is, the stress value for each class is calculated (step S24).
- the stress estimating unit 37 inputs the estimated stress feature amount supplied from the feature amount selecting unit 36 to each stress estimation model configured by referring to the estimation model information storage unit 43. Calculate the stress value.
- the integration unit 38 of the information processing device 1 calculates an integrated stress estimation value by weighting the stress value for each stress estimation model by the classification score for each class determined in step S22 (step S25). Then, the integration unit 38 of the information processing device 1 outputs information about the estimated stress value (step S26).
- Modification 1 A stress estimation model may be provided for each subclass classified by the first classification and the second classification, instead of being provided for each class classified by the first classification.
- the information processing apparatus 1 provides a stress estimation model corresponding to each of the N ⁇ M feature amount selection units 1611 to 16NM, and the feature amount selection unit 16 corresponding to these stress estimation models. is used as input data, and the stress value indicated by the corresponding stress data is used as correct data for learning.
- the estimation phase there are N ⁇ M feature amount selection units 36, similar to the feature amount selection unit 16 in the learning phase, and each of the stress estimation units 371 to 37N has M corresponding feature amount selection units. 36 are input to the corresponding M stress estimation models.
- the integration unit 38 calculates a stress estimation value by weighted averaging based on the stress values output by the N ⁇ M stress estimation models and the classification scores set for each class.
- the information processing apparatus 1 accurately estimates the stress state of the person to be estimated from the observed feature values not used for learning, based on the stress estimation model learned for each set having a biased stress tendency. can be estimated to
- the stress estimated by the information processing apparatus 1 is not limited to chronic stress, and may be short-term stress, which is relatively short-term stress (several minutes to a day).
- the information processing apparatus 1 may learn the stress estimation model without executing at least one of the second classification by the second classification unit 15 and the feature amount selection by the feature amount selection unit 16 in the learning phase. Even in this case, the information processing device 1 performs learning of the stress estimation model for each class set so that the correlation between the observed feature quantity and the stress value is high based on the first classification, and the unknown unknown model not used for learning. It is possible to obtain a stress estimation model capable of performing highly accurate stress estimation on data. Note that when the feature amount selection unit 16 does not perform feature amount selection, the information processing apparatus 1 also does not perform feature amount selection by the feature amount selection unit 36 in the estimation phase.
- FIG. 12 shows a schematic configuration of a stress estimation system 100A in the second embodiment.
- the stress estimation system 100A includes the stress estimation device 1A that performs the estimation phase processing of the information processing device 1 of the first embodiment and the learning phase processing of the information processing device 1 of the first embodiment. It has a learning device 1B, a storage device 4, a terminal device 8 and a sensor 5 used by an estimation target person.
- symbol is attached suitably, and the description is abbreviate
- the stress estimation device 1A functions as a server, and the terminal device 8 functions as a client.
- the stress estimation device 1A and the terminal device 8 perform data communication via the network 7.
- the learning device 1B has the same hardware configuration as the information processing device 1 shown in FIG. 2, and the processor 11 of the learning device 1B has the functional blocks shown in FIG. Based on the information stored in the storage device 4, the learning device 1B performs processing such as learning a stress estimation model, learning a classification model, and generating feature selection information Ifs.
- the terminal device 8 is a terminal used by a user (user) who is an estimation target, has an input function, a display function, and a communication function, and functions as the input device 2 and the display device 3 shown in FIG. do.
- the terminal device 8 may be, for example, a personal computer, a tablet terminal such as a smartphone, or a PDA (Personal Digital Assistant).
- the terminal device 8 is electrically connected to a sensor 5 such as a wearable sensor worn by the user, and the biological signal of the person to be presumed output by the sensor 5 (that is, information corresponding to the sensor signal S3 in FIG. 1). , through the network 7 to the stress estimating device 1A.
- the terminal device 8 accepts user input regarding responses to questionnaires, and transmits information generated by the user input (information corresponding to the input signal S1 in FIG. 1) to the stress estimation device 1A.
- the sensor 5 may be built in the terminal device 8 .
- the sensor 5 may have the function of the terminal device 8 and perform data communication with the stress estimation device 1A.
- the stress estimation device 1A has the same hardware configuration as the information processing device 1 shown in FIG. 2, and the processor 11 of the stress estimation device 1A has functional blocks shown in FIG. Then, the stress estimation device 1A receives information corresponding to the input signal S1 and the sensor signal S3 in FIG. Then, the stress estimation device 1A refers to the parameters of each stress estimation model learned by the learning device 1B, the parameters of the classification model, and the feature quantity selection information Ifs, and executes stress estimation processing of the person to be estimated. Moreover, the stress estimation device 1A transmits an output signal for outputting the stress estimation result to the terminal device 8 via the network 7 based on the display request from the terminal device 8 .
- the learning phase and the estimation phase are performed by separate devices, and the learning of the stress estimation model and the stress estimation using the stress estimation model are performed in the same manner as in the first embodiment. You can do the same.
- the stress estimation device 1A estimates the stress state of the person to be estimated based on the biological signals of the person to be estimated received from the terminal used by the person to be estimated, and sends the estimation result to the person to be estimated. can be preferably presented on the terminal.
- FIG. 13 is a block diagram of a learning device 1X according to the third embodiment.
- the learning device 1X mainly has a classifying means 14X and a learning means 17X. Note that the learning device 1X may be composed of a plurality of devices.
- the classification means 14X classifies the observed feature amount of the subject so that the index representing the correlation between the observed feature amount and the correct stress value corresponding to the observed feature amount is higher than before the classification.
- the classifying means 14X can be, for example, the first classifying section 14 in the first embodiment (including modifications, the same applies hereinafter) or the second embodiment.
- the learning means 17X learns a stress estimation model for estimating the relationship between the observed feature amount and the stress value for at least each class classified by the above-described classification, based on the observed feature amount and the correct stress value.
- stress estimation models exist for the number of classes and are learned for each class.
- the learning means 17X can be, for example, the estimation model learning section 17 in the first embodiment or the second embodiment.
- FIG. 14 is an example of a flowchart executed by the learning device 1X in the third embodiment.
- the classification means 14X classifies the observed feature amount of the subject so that the index representing the correlation between the observed feature amount and the correct stress value corresponding to the observed feature amount is higher than before the classification.
- the learning means 17X learns a stress estimation model for estimating the relationship between the observed feature amount and the stress value at least for each class divided by classification based on the observed feature amount and the correct stress value (step S32).
- the learning device 1X can learn a stress estimation model for each group in which the stress tendency is biased, and can learn a stress estimation model that can perform stress estimation with high accuracy.
- Non-transitory computer readable media include various types of tangible storage media.
- Examples of non-transitory computer-readable media include magnetic storage media (e.g., floppy disks, magnetic tapes, hard disk drives), magneto-optical storage media (e.g., magneto-optical discs), CD-ROMs (Read Only Memory), CD-Rs, CD-R/W, semiconductor memory (eg mask ROM, PROM (Programmable ROM), EPROM (Erasable PROM), flash ROM, RAM (Random Access Memory)).
- the program may also be delivered to the computer on various types of transitory computer readable medium.
- Examples of transitory computer-readable media include electrical signals, optical signals, and electromagnetic waves.
- Transitory computer-readable media can deliver the program to the computer via wired channels, such as wires and optical fibers, or wireless channels.
- Classification means for classifying the observed feature amount of the subject so that the index representing the correlation between the observed feature amount and the correct stress value corresponding to the observed feature amount is higher than before classification; learning means for learning a stress estimation model for estimating the relationship between the observed feature amount and the stress value for at least each class divided by the classification based on the observed feature amount and the correct stress value; , A learning device having [Appendix 2] The learning device according to Supplementary Note 1, further comprising classification model learning means for learning a classification model for estimating the relationship between the attributes and the classes based on the attribute information representing the attributes of the subject and the result of the classification.
- the classifying means subdivides a class in which the index is high due to the subdivision of each of the plurality of classes.
- Appendix 6 a second classification means for classifying the observation feature amount based on at least one of an observation target of the observation feature amount or an activity state of the subject; a feature amount selection means for selecting a stress estimation feature amount that is a feature amount used for stress estimation from the observed feature amounts classified based on the classification by the classification means and the classification by the second classification means; Any one of Appendices 1 to 5, wherein the learning means learns the stress estimation model for each class based on the stress estimation feature amount and a correct stress value corresponding to the stress estimation feature amount.
- a learning device according to paragraph.
- Classification score calculation means for calculating a classification score representing a degree of certainty that an observation feature of an estimation target subject to stress estimation belongs to each of a plurality of classes; stress estimation means for acquiring the stress value of the person to be estimated estimated by the stress estimation model corresponding to each of the plurality of classes based on the observed feature quantity; integration means for calculating an estimated stress value by integrating the stress values of the person to be estimated estimated by each of the stress estimation models with the classification score;
- a stress estimator having [Appendix 9]
- the classification score calculation means calculates the classification score based on attribute information representing attributes of the estimated target person and a classification model,
- the classification model is a model that classifies the observed feature amount for learning so that the index representing the correlation between the observed feature amount and the correct stress value corresponding to the observed feature amount is higher than before classification.
- appendix 8 stress estimating device [Appendix 10] further comprising feature quantity selection means for selecting a stress estimation feature quantity, which is a feature quantity used for stress estimation, from the observed feature quantities; Supplementary note 8 or 9, wherein the stress estimation means calculates the stress estimation value by integrating the stress values of the person to be estimated estimated by the stress estimation model corresponding to each of the plurality of classes based on the stress estimation feature amount.
- the stress estimator according to .
- [Appendix 11] the computer Classify the observed feature of the subject so that the index representing the correlation between the observed feature and the correct stress value corresponding to the observed feature is higher than before classification, Learning a stress estimation model for estimating the relationship between the observed feature amount and the stress value at least for each class divided by the classification based on the observed feature amount and the correct stress value; learning method.
- [Appendix 13] Classify the observed feature of the subject so that the index representing the correlation between the observed feature and the correct stress value corresponding to the observed feature is higher than before classification, A computer performing processing for learning a stress estimation model for estimating the relationship between the observed feature amount and the stress value for at least each class divided by the classification based on the observed feature amount and the correct stress value.
- a storage medium in which a program to be executed is stored.
- [Appendix 14] calculating a classification score representing the degree of confidence that the observed feature of the subject to be stress-estimated belongs to each of a plurality of classes; Acquiring the stress value of the person to be estimated estimated based on the observed feature value by a stress estimation model corresponding to each of the plurality of classes;
- a storage medium storing a program for causing a computer to execute a process of calculating an estimated stress value by integrating the stress values of the person to be estimated estimated by each of the stress estimation models with the classification score.
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Hospice & Palliative Care (AREA)
- Pathology (AREA)
- Developmental Disabilities (AREA)
- Psychiatry (AREA)
- Psychology (AREA)
- Social Psychology (AREA)
- Physics & Mathematics (AREA)
- Child & Adolescent Psychology (AREA)
- Biophysics (AREA)
- Educational Technology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
学習装置1Xは、主に、分類手段14Xと、学習手段17Xと、を有する。分類手段14Xは、対象者の観測特徴量を、当該観測特徴量と当該観測特徴量に対応する正解のストレス値との相関関係を表す指標が分類前よりも高くなるように分類を行う。学習手段17Xは、観測特徴量と、正解のストレス値とに基づき、少なくとも分類により分けられたクラスごとに、観測特徴量とストレス値との関係を推定するストレス推定モデルの学習を行う。
Description
本開示は、ストレス状態の推定に関する処理を行う学習装置、ストレス推定装置、学習方法、ストレス推定方法及び記憶媒体の技術分野に関する。
対象者から測定したデータに基づき対象者のストレス状態を判定する装置又はシステムが知られている。例えば、特許文献1には、推定対象者の生体データに基づき、各日の推定対象者の一時的ストレス度を判定する携帯用ストレス測定装置が開示されている。
対象者の生体データから対象者のストレスレベルを推定する場合、未知のデータに対する推定精度が安定しないといった課題があった。
本開示は、上述した課題を鑑み、安定した推定精度のストレス推定結果を得るための処理を行う学習装置、ストレス推定装置、学習方法、ストレス推定方法及び記憶媒体を提供することを目的の一つとする。
学習装置の一の態様は、
対象者の観測特徴量を、当該観測特徴量と当該観測特徴量に対応する正解のストレス値との相関関係を表す指標が分類前よりも高くなるように分類を行う分類手段と、
前記観測特徴量と、前記正解のストレス値とに基づき、少なくとも前記分類により分けられたクラスごとに、前記観測特徴量と前記ストレス値との関係を推定するストレス推定モデルの学習を行う学習手段と、
を有する学習装置である。
対象者の観測特徴量を、当該観測特徴量と当該観測特徴量に対応する正解のストレス値との相関関係を表す指標が分類前よりも高くなるように分類を行う分類手段と、
前記観測特徴量と、前記正解のストレス値とに基づき、少なくとも前記分類により分けられたクラスごとに、前記観測特徴量と前記ストレス値との関係を推定するストレス推定モデルの学習を行う学習手段と、
を有する学習装置である。
ストレス推定装置の一の態様は、
ストレス推定の対象となる推定対象者の観測特徴量が複数のクラスの各々に属する確信度を表す分類スコアを算出する分類スコア算出手段と、
前記複数のクラスの夫々に対応するストレス推定モデルが前記観測特徴量に基づき推定した前記推定対象者のストレス値を取得するストレス推定手段と、
前記ストレス推定モデルの各々が推定した前記推定対象者のストレス値を前記分類スコアにより統合したストレス値を算出する統合手段と、
を有するストレス推定装置である。
ストレス推定の対象となる推定対象者の観測特徴量が複数のクラスの各々に属する確信度を表す分類スコアを算出する分類スコア算出手段と、
前記複数のクラスの夫々に対応するストレス推定モデルが前記観測特徴量に基づき推定した前記推定対象者のストレス値を取得するストレス推定手段と、
前記ストレス推定モデルの各々が推定した前記推定対象者のストレス値を前記分類スコアにより統合したストレス値を算出する統合手段と、
を有するストレス推定装置である。
学習方法の一の態様は、
コンピュータが、
対象者の観測特徴量を、当該観測特徴量と当該観測特徴量に対応する正解のストレス値との相関関係を表す指標が分類前よりも高くなるように分類を行い、
前記観測特徴量と、前記正解のストレス値とに基づき、少なくとも前記分類により分けられたクラスごとに、前記観測特徴量と前記ストレス値との関係を推定するストレス推定モデルの学習を行う、
学習方法である。なお、「コンピュータ」は、あらゆる電子機器(電子機器に含まれるプロセッサであってもよい)を含み、かつ、複数の電子機器により構成されてもよい。
コンピュータが、
対象者の観測特徴量を、当該観測特徴量と当該観測特徴量に対応する正解のストレス値との相関関係を表す指標が分類前よりも高くなるように分類を行い、
前記観測特徴量と、前記正解のストレス値とに基づき、少なくとも前記分類により分けられたクラスごとに、前記観測特徴量と前記ストレス値との関係を推定するストレス推定モデルの学習を行う、
学習方法である。なお、「コンピュータ」は、あらゆる電子機器(電子機器に含まれるプロセッサであってもよい)を含み、かつ、複数の電子機器により構成されてもよい。
ストレス推定方法の一の態様は、
コンピュータが、
ストレス推定の対象となる推定対象者の観測特徴量が複数のクラスの各々に属する確信度を表す分類スコアを算出し、
前記複数のクラスの夫々に対応するストレス推定モデルが前記観測特徴量に基づき推定した前記推定対象者のストレス値を取得し、
前記ストレス推定モデルの各々が推定した前記推定対象者のストレス値を前記分類スコアにより統合したストレス値を算出する、
ストレス推定方法である。
コンピュータが、
ストレス推定の対象となる推定対象者の観測特徴量が複数のクラスの各々に属する確信度を表す分類スコアを算出し、
前記複数のクラスの夫々に対応するストレス推定モデルが前記観測特徴量に基づき推定した前記推定対象者のストレス値を取得し、
前記ストレス推定モデルの各々が推定した前記推定対象者のストレス値を前記分類スコアにより統合したストレス値を算出する、
ストレス推定方法である。
記憶媒体の一の態様は、
対象者の観測特徴量を、当該観測特徴量と当該観測特徴量に対応する正解のストレス値との相関関係を表す指標が分類前よりも高くなるように分類を行い、
前記観測特徴量と、前記正解のストレス値とに基づき、少なくとも前記分類により分けられたクラスごとに、前記観測特徴量と前記ストレス値との関係を推定するストレス推定モデルの学習を行う処理をコンピュータに実行させるプログラムが格納された記憶媒体である。
対象者の観測特徴量を、当該観測特徴量と当該観測特徴量に対応する正解のストレス値との相関関係を表す指標が分類前よりも高くなるように分類を行い、
前記観測特徴量と、前記正解のストレス値とに基づき、少なくとも前記分類により分けられたクラスごとに、前記観測特徴量と前記ストレス値との関係を推定するストレス推定モデルの学習を行う処理をコンピュータに実行させるプログラムが格納された記憶媒体である。
記憶媒体の一の態様は、
ストレス推定の対象となる推定対象者の観測特徴量が複数のクラスの各々に属する確信度を表す分類スコアを算出し、
前記複数のクラスの夫々に対応するストレス推定モデルが前記観測特徴量に基づき推定した前記推定対象者のストレス値を取得し、
前記ストレス推定モデルの各々が推定した前記推定対象者のストレス値を前記分類スコアにより統合したストレス値を算出する処理をコンピュータに実行させるプログラムが格納された記憶媒体である。
ストレス推定の対象となる推定対象者の観測特徴量が複数のクラスの各々に属する確信度を表す分類スコアを算出し、
前記複数のクラスの夫々に対応するストレス推定モデルが前記観測特徴量に基づき推定した前記推定対象者のストレス値を取得し、
前記ストレス推定モデルの各々が推定した前記推定対象者のストレス値を前記分類スコアにより統合したストレス値を算出する処理をコンピュータに実行させるプログラムが格納された記憶媒体である。
安定した推定精度によるストレス推定を行うことができる、又は、そのようなストレス推定を行うためのストレス推定モデルの学習を行うことができる。
以下、図面を参照しながら、学習装置、ストレス推定装置、学習方法、ストレス推定方法及び記憶媒体の実施形態について説明する。
<第1実施形態>
(1)システム構成
図1は、第1実施形態に係るストレス推定システム100の概略構成を示す。ストレス推定システム100は、人のストレスを推定するモデル(「ストレス推定モデル」とも呼ぶ。)の学習を行い、学習したストレス推定モデルに基づきストレス推定を行う。以後では、ストレス推定の対象となる人を「推定対象者」と呼び、ストレス推定モデルの学習に必要な訓練データ(学習サンプル)の生成において測定対象となった人を「サンプル対象者」とも呼ぶ。また、推定対象者及びサンプル対象者を特に区別しない場合、これらを単に「対象者」とも呼ぶ。なお、「推定対象者」は、組織によりストレス状態の管理が行われるスポーツ選手又は従業員であってもよく、個人のユーザであってもよい。
(1)システム構成
図1は、第1実施形態に係るストレス推定システム100の概略構成を示す。ストレス推定システム100は、人のストレスを推定するモデル(「ストレス推定モデル」とも呼ぶ。)の学習を行い、学習したストレス推定モデルに基づきストレス推定を行う。以後では、ストレス推定の対象となる人を「推定対象者」と呼び、ストレス推定モデルの学習に必要な訓練データ(学習サンプル)の生成において測定対象となった人を「サンプル対象者」とも呼ぶ。また、推定対象者及びサンプル対象者を特に区別しない場合、これらを単に「対象者」とも呼ぶ。なお、「推定対象者」は、組織によりストレス状態の管理が行われるスポーツ選手又は従業員であってもよく、個人のユーザであってもよい。
ストレス推定システム100は、主に、情報処理装置1と、入力装置2と、表示装置3と、記憶装置4と、センサ5とを備える。
情報処理装置1は、通信網を介し、又は、無線若しくは有線による直接通信により、入力装置2、表示装置3、及びセンサ5とデータ通信を行う。そして、情報処理装置1は、入力装置2から供給される入力信号「S1」及びセンサ5から供給されるセンサ信号「S3」に基づき、ストレス推定モデルの学習又はストレス推定モデルを用いた推定対象者のストレス推定に必要な情報を収集し、収集した情報を記憶装置4に記憶する。また、情報処理装置1は、推定対象者のストレス状態(具体的には、ストレスの度合いを表すストレス値)の推定結果に基づき表示信号「S2」を生成し、生成した表示信号S2を表示装置3に供給する。なお、本実施形態において情報処理装置1が推定するストレスは、数日から週又は月単位での長期(慢性)的な観点でのストレスである慢性ストレスであるものとする。
入力装置2は、各推定対象者に関する情報のユーザ入力(手入力)を受け付けるインターフェースである。なお、入力装置2を用いて情報の入力を行うユーザは、推定対象者本人であってもよく、推定対象者の活動を管理又は監督する者であってもよい。入力装置2は、例えば、タッチパネル、ボタン、キーボード、マウス、音声入力装置などの種々のユーザ入力用インターフェースであってもよい。入力装置2は、ユーザの入力に基づき生成した入力信号S1を、情報処理装置1へ供給する。表示装置3は、情報処理装置1から供給される表示信号S2に基づき、所定の情報を表示する。表示装置3は、例えば、ディスプレイ又はプロジェクタ等である。
センサ5は、推定対象者の生体信号等を測定し、測定した生体信号等を、センサ信号S3として情報処理装置1へ供給する。この場合、センサ信号S3は、推定対象者の心拍、脳波、発汗量、ホルモン分泌量、脳血流、血圧、体温、筋電、呼吸数、脈波、加速度などの任意の生体信号(バイタル情報を含む)であってもよい。また、センサ5は、推定対象者から採取された血液を分析し、その分析結果を示すセンサ信号S3を出力する装置であってもよい。また、センサ5は、推定対象者が装着するウェアラブル端末に備えられたセンサであってもよく、推定対象者を撮影するカメラ又は推定対象者の発話の音声信号を生成するマイク等であってもよく、推定対象者が操作するパーソナルコンピュータやスマートフォンなどの端末に備えられたセンサであってもよい。例えば、上述のウェアラブル端末は、GNSS(global navigation satellite system)受信機、加速度センサ、その他生体信号を検出する任意のセンサを含んでおり、これらの各センサの出力信号をセンサ信号S3として出力する。また、センサ5は、パーソナルコンピュータやスマートフォンなどの操作量に相当する情報をセンサ信号S3として情報処理装置1に供給してもよい。また、センサ5は、対象者の睡眠中に対象者から生体データ(睡眠時間を含む)を表すセンサ信号S3を出力するものであってもよい。センサ信号S3は、観測された対象者の観測された特徴を表す特徴量(「観測特徴量」とも呼ぶ。)等の生成に用いられる。
記憶装置4は、ストレス状態の推定等に必要な各種情報を記憶するメモリである。記憶装置4は、情報処理装置1に接続又は内蔵されたハードディスクなどの外部記憶装置であってもよく、フラッシュメモリなどの記憶媒体であってもよい。また、記憶装置4は、情報処理装置1とデータ通信を行うサーバ装置であってもよい。また、記憶装置4は、複数の装置から構成されてもよい。
記憶装置4は、機能的には、属性情報記憶部40と、観測データ記憶部41と、訓練データ記憶部42と、推定モデル情報記憶部43と、分類モデル情報記憶部44と、を有している。
属性情報記憶部40は、対象者の属性に関する属性情報を記憶する。ここで、「属性」は、例えば、対象者の性格、ストレス耐性、性別、職種、年齢、認知の傾向又はこれらの組み合わせなどが該当する。属性情報は、情報処理装置1により生成されて記憶装置4に記憶されたものであってもよく、情報処理装置1以外の装置により事前に生成されて記憶装置4に記憶されたものであってもよい。属性情報は、対象者によるアンケートの回答結果に基づき生成された情報を含んでもよい。例えば、対象者の性格を測るアンケートとして、Big5性格検査などが存在する。属性情報は、対象者の識別情報と関連付けられて属性情報記憶部40に記憶される。
観測データ記憶部41は、情報処理装置1がセンサ5から取得したセンサ信号S3等に基づき生成された観測データを記憶する。本実施形態において、観測データは、例えば、観測特徴量と、観測が行われた日時情報と、観測が行われたときの対象者の活動状態(例えば、身体的な運動強度、メンタルワークロードなど精神的な活動強度、座る/歩く/走るなどの状態、起きている/寝ているなどの状態)を示す活動情報と、対象者の識別情報とが関連付けられた情報である。なお、説明便宜上、観測データ記憶部41は、推定対象者の観測データを記憶するものとし、サンプル対象者の観測データについては訓練データ記憶部42が記憶するものとする。
観測特徴量は、対象者から観測されたデータの特徴を表す任意の指標値又は当該指標値を要素とするベクトル(特徴ベクトル)である。観測特徴量は、発汗、加速度、皮膚温、脈波などの生体的特徴に基づく特徴量であってもよく、機器の操作量などの対象者の行動に関する行動的特徴に基づく特徴量であってもよい。また、観測特徴量は、対象者が観測された期間での所定時間間隔ごとの対象者の状態を表す時系列での特徴量(時系列データ)であってもよい。ここで、センサ信号S3を観測特徴量に変換する処理は、情報処理装置1が実行してもよく、情報処理装置1以外の装置が実行してもよい。この場合、生体信号からその特徴量を算出する任意の手法又はその他の任意の特徴量算出手法に基づき、センサ信号S3から観測特徴量が生成されてもよい。活動情報は、例えば、センサ信号S3に含まれる位置情報、加速度等に基づき情報処理装置1又は他の装置により生成される。
訓練データ記憶部42は、ストレス推定モデルの学習に用いる訓練データを記憶する。訓練データは、複数のサンプル対象者を対象として生成したデータであり、サンプル対象者の観測データと、サンプル対象者によるアンケートの回答等に基づく正解のストレス値(ストレスデータ)との組を複数含んでいる。例えば、正解のストレス値は、PSS(Perceived Stress Scale)値である。PSS値は、経時的に変化する動的なストレスを測定できるPSSアンケートの回答結果から算出される。また、後述するように、情報処理装置1は、学習段階において、サンプル対象者の属性に基づき、サンプル対象者ごとの観測特徴量のクラスを示す分類ラベルを生成し、生成した分類ラベルを訓練データ記憶部42に記憶する。
推定モデル情報記憶部43は、情報処理装置1が学習したストレス推定モデルのパラメータ(言い換えると、ストレス推定モデルを構成するために必要なパラメータ)を記憶する。ストレス推定モデルは、対象者の観測特徴量と当該対象者のストレス値との関係を推定するモデルである。ストレス推定モデルは、対象者の特定の観測特徴量の組み合わせ(特徴ベクトル)が入力された場合に、推定される対象者のストレス値を出力するように学習される。ここで、ストレス推定モデルは、ニューラルネットワーク、サポートベクターマシーンなどの任意の機械学習モデル(統計モデルを含む)であってもよい。
また、後述するように、ストレス推定モデルは、観測データと正解のストレス値との相関が高くなるように分類されたクラスごとに分けられた訓練データを用いてクラスごとに学習される。この場合、各ストレス推定モデルは、夫々のクラスに適したアーキテクチャを有してもよい。以後において、「クラス」とは、学習されるストレス推定モデルが一意に対応付けられた分類(グループ)を表すものであるものとする。なお、クラスの数は、学習されるストレス推定モデルの数と一致する。推定モデル情報記憶部43は、これらのストレス推定モデルを構成するために必要なパラメータの情報を記憶する。例えば、ストレス推定モデルが畳み込みニューラルネットワークなどのニューラルネットワークに基づくモデルである場合、推定モデル情報記憶部43は、層構造、各層のニューロン構造、各層におけるフィルタ数及びフィルタサイズ、並びに各フィルタの各要素の重みなどの各種パラメータの情報を記憶する。
分類モデル情報記憶部44は、情報処理装置1が学習した分類モデルのパラメータ(言い換えると、分類モデルを構成するために必要なパラメータ)を記憶する。ここで、分類モデルは、対象者の属性と当該対象者の観測特徴量が属するクラスとの関係を推定するモデルである。分類モデルは、対象者の属性情報が入力された場合に、候補となる各クラスに分類される確信度を表すスコア(「分類スコア」とも呼ぶ。)を出力するように学習される。このような分類モデルを学習するための学習モデルのアーキテクチャは、例えば、畳み込みニューラルネットワークなどのニューラルネットワークに基づくモデルである。なお、あるクラスに対する確信度が高いほど当該クラスに対する分類スコアは高くなるものとする。分類モデルは、サンプル対象者の属性情報と、当該サンプル対象者の観測特徴量のクラスを表す分類ラベルとに基づき学習される。
なお、図1に示すストレス推定システム100の構成は一例であり、当該構成に種々の変更が行われてもよい。例えば、入力装置2及び表示装置3は、一体となって構成されてもよい。この場合、入力装置2及び表示装置3は、情報処理装置1と一体又は別体となるタブレット型端末として構成されてもよい。この場合、情報処理装置1、入力装置2、表示装置3及びセンサ5(及び記憶装置4を含んでもよい)は、対象者が使用する一台のスマートフォン又はウェアラブル端末として構成されてもよい。また、情報処理装置1は、複数の装置から構成されてもよい。この場合、情報処理装置1を構成する複数の装置は、予め割り当てられた処理を実行するために必要な情報の授受を、これらの複数の装置間において行う。この場合、情報処理装置1は、情報処理システムとして機能する。
(2)情報処理装置のハードウェア構成
図2は、情報処理装置1のハードウェア構成を示す。情報処理装置1は、ハードウェアとして、プロセッサ11と、メモリ12と、インターフェース13とを含む。プロセッサ11、メモリ12及びインターフェース13は、データバス90を介して接続されている。
図2は、情報処理装置1のハードウェア構成を示す。情報処理装置1は、ハードウェアとして、プロセッサ11と、メモリ12と、インターフェース13とを含む。プロセッサ11、メモリ12及びインターフェース13は、データバス90を介して接続されている。
プロセッサ11は、メモリ12に記憶されているプログラムを実行することにより、情報処理装置1の全体の制御を行うコントローラ(演算装置)として機能する。プロセッサ11は、例えば、CPU(Central Processing Unit)、GPU(Graphics Processing Unit)、TPU(Tensor Processing Unit)などのプロセッサである。プロセッサ11は、複数のプロセッサから構成されてもよい。プロセッサ11は、コンピュータの一例である。
メモリ12は、RAM(Random Access Memory)、ROM(Read Only Memory)、フラッシュメモリなどの各種の揮発性メモリ及び不揮発性メモリにより構成される。また、メモリ12には、情報処理装置1が実行する処理を実行するためのプログラムが記憶される。なお、メモリ12が記憶する情報の一部は、情報処理装置1と通信可能な1又は複数の外部記憶装置により記憶されてもよく、情報処理装置1に対して着脱自在な記憶媒体により記憶されてもよい。
インターフェース13は、情報処理装置1と他の装置とを電気的に接続するためのインターフェースである。これらのインターフェースは、他の装置とデータの送受信を無線により行うためのネットワークアダプタなどのワイアレスインタフェースであってもよく、他の装置とケーブル等により接続するためのハードウェアインターフェースであってもよい。
なお、情報処理装置1のハードウェア構成は、図2に示す構成に限定されない。例えば、情報処理装置1は、入力装置2又は表示装置3の少なくとも一方を含んでもよい。また、情報処理装置1は、スピーカなどの音出力装置と接続又は内蔵してもよい。
(3)学習フェーズ
次に、情報処理装置1が実行する学習フェーズでの処理について説明する。概略的には、情報処理装置1は、観測特徴量と正解のストレス値との相関が高くなるように観測特徴量を分類し、分類したクラスごとにストレス推定モデルの学習を行う。これにより、情報処理装置1は、ストレス傾向に偏りがあるクラスごとに特化したストレス推定モデルの学習を行い、学習に用いていない未知のデータに対して高精度にストレス推定を行うことが可能なストレス推定モデルを取得する。
次に、情報処理装置1が実行する学習フェーズでの処理について説明する。概略的には、情報処理装置1は、観測特徴量と正解のストレス値との相関が高くなるように観測特徴量を分類し、分類したクラスごとにストレス推定モデルの学習を行う。これにより、情報処理装置1は、ストレス傾向に偏りがあるクラスごとに特化したストレス推定モデルの学習を行い、学習に用いていない未知のデータに対して高精度にストレス推定を行うことが可能なストレス推定モデルを取得する。
(3-1)機能ブロック
図3は、情報処理装置1の学習フェーズにおける機能ブロックの一例である。情報処理装置1のプロセッサ11は、学習フェーズにおいて、機能的には、第1分類部14と、「N」(Nは2以上の整数)個の第2分類部15(151~15N)と、「M」(Mは2以上の整数)個の特徴量選択部16(1611~16NM)と、N個の推定モデル学習部17(171~17N)とを有する。また、訓練データ記憶部42は、機能的には、観測データ記憶部421と、分類ラベル記憶部422と、ストレスデータ記憶部423とを有する。さらに、推定モデル情報記憶部43は、機能的には、学習すべきN個のストレス推定モデルのパラメータを夫々記憶する第1推定モデル情報記憶部431~第N推定モデル情報記憶部43Nを有する。なお、図3では、データの授受が行われるブロック同士を実線により結んでいるが、データの授受が行われるブロックの組合せは図示されるものに限定されない。後述する他の機能ブロックの図においても同様である。
図3は、情報処理装置1の学習フェーズにおける機能ブロックの一例である。情報処理装置1のプロセッサ11は、学習フェーズにおいて、機能的には、第1分類部14と、「N」(Nは2以上の整数)個の第2分類部15(151~15N)と、「M」(Mは2以上の整数)個の特徴量選択部16(1611~16NM)と、N個の推定モデル学習部17(171~17N)とを有する。また、訓練データ記憶部42は、機能的には、観測データ記憶部421と、分類ラベル記憶部422と、ストレスデータ記憶部423とを有する。さらに、推定モデル情報記憶部43は、機能的には、学習すべきN個のストレス推定モデルのパラメータを夫々記憶する第1推定モデル情報記憶部431~第N推定モデル情報記憶部43Nを有する。なお、図3では、データの授受が行われるブロック同士を実線により結んでいるが、データの授受が行われるブロックの組合せは図示されるものに限定されない。後述する他の機能ブロックの図においても同様である。
第1分類部14は、観測特徴量と正解のストレス値との相関が高くなるように、学習に用いる観測特徴量をN個のクラスに分類(クラスタリング)する第1分類に関する処理を実行する。第1分類部14は、機能的には、分類ラベル生成部141と、分類モデル学習部142と、分類部143とを有する。
分類ラベル生成部141は、属性情報記憶部40、観測データ記憶部421、及びストレスデータ記憶部423を参照し、各サンプル対象者に対応付ける分類ラベルを生成する。後述するように、本実施形態では、分類ラベル生成部141は、分類ラベルにおいて使用するクラス数(即ちストレス推定モデルの数)に相当する「N」を、後述する分類ラベルの生成処理において適応的に決定する。分類ラベル生成部141は、生成した分類ラベルを分類ラベル記憶部422に記憶する。分類ラベル生成部141の処理の詳細については後述する。
分類モデル学習部142は、属性情報記憶部40及び分類ラベル記憶部422を参照し、分類モデルの学習を行う。この場合、分類モデル学習部142は、例えば、サンプル対象者ごとに対応する属性情報と分類ラベルとの組を順に抽出し、分類モデルのパラメータを更新する。この場合、属性情報を入力した場合に分類モデルが出力する分類結果と分類ラベルが示す正解のクラスとの誤差(損失)が最小となるように、分類モデルのパラメータを決定する。分類モデルに入力される属性情報は、例えば、性格、性別、職種、人種、年齢、身長、体重、筋肉量、生活習慣、運動習慣を示す指標値又はこれらの指標値の組み合わせ(ベクトル値)である。また、損失を最小化するように上述のパラメータを決定するアルゴリズムは、勾配降下法や誤差逆伝播法などの機械学習において用いられる任意の学習アルゴリズムであってもよい。そして、分類モデル学習部142は、学習した分類モデルのパラメータを、分類モデル情報記憶部44に記憶する。
分類部143は、学習用の観測特徴量を観測データ記憶部421から抽出し、抽出した観測特徴量を、分類ラベル記憶部422に記憶された分類ラベルに従いN個のクラスに分類(クラスタリング)する。これにより、分類部143は、ストレスや生体特徴等に偏りがあるN個の観測特徴量の集合を形成する。そして、分類部143は、クラスごとの観測特徴量を、該当するクラスに対応する第2分類部151~15Nに供給する。
なお、分類部143は、分類ラベル記憶部422に記憶された分類ラベルに従い学習用の観測特徴量をN個のクラスに分類する代わりに、分類モデル学習部142が学習した分類モデルによる分類結果に基づき学習用の観測特徴量をN個のクラスに分類してもよい。この場合、分類部143は、サンプル対象者に対応付けられた属性情報を属性情報記憶部40から抽出し、抽出した属性情報を分類モデルに入力した際に出力される分類スコアが最も高いクラスに、当該サンプル対象者の観測特徴量を分類する。これにより、学習フェーズにおいても後述する推定フェーズと同様に分類モデルを用いた第1分類が行われるため、推定フェーズでの推定精度が向上することが見込まれる。
第2分類部15(151~15N)は、第1分類部14から供給されたクラスごとの観測特徴量の集合を、観測特徴量の観測対象又は観測時の対象者の活動状態に基づきM個のサブクラスに分類する第2分類を行う。これにより、第2分類部15は、ストレス推定において扱いを異ならせるべき観測特徴量をさらに分ける。そして、各第2分類部151~15Nは、第2分類に基づきM個のサブクラスに分けた観測特徴量の集合を、特徴量選択部16(1611~16NM)に供給する。
ここで、「観測対象」とは、観測特徴量が算出される際に用いた生データの観測対象であり、例えば発汗、加速度、皮膚温、脈波などの種々の生体的特徴が該当する。従って、「観測対象に基づく分類」は、例えば、生体的特徴に基づく観測特徴量の場合には、発汗に関する観測特徴量、加速度に関する観測特徴量、皮膚温に関する観測特徴量、脈波に関する観測特徴量等が夫々異なるサブクラスになるように分類することである。また、「活動状態に基づく分類」は、例えば、対象者の観測時の運動強度のレベル(例えば、静止状態、歩行状態、ランニング状態)に応じたサブクラスの分類である。なお、各観測特徴量に対応する観測対象及び活動状態を示す情報は、例えば、観測データ記憶部421において観測特徴量と関連付けられて記憶されている。
特徴量選択部16(1611~16NM)は、第1分類及び第2分類に基づき分類されたN×M個の観測特徴量の集合から、正解となるストレス値との相関に基づき、ストレス推定モデルに入力すべき観測特徴量(「ストレス推定特徴量」とも呼ぶ。)を選択する。ここでは、特徴量選択部16は、「R」(Rは0以上の整数)種類の観測特徴量を、ストレス推定特徴量として選択するものとする。特徴量選択部16の処理の詳細については後述する。なお、特徴量選択部16の数は、クラスごとに一律にM個設けられる代わりに、各クラスに対して適切な数だけ設けられてもよい。同様に、Rの値についても特徴量選択部16ごとに異なってもよい。
推定モデル学習部17(171~17N)は、特徴量選択部16が選択したストレス推定特徴量と、ストレスデータ記憶部423から参照した正解のストレス値とに基づき、第1分類に基づくクラスごとに用意されたストレス推定モデルの学習を行う。この場合、各推定モデル学習部17は、M個の特徴量選択部16から供給されるM×R個のストレス推定特徴量をストレス推定モデルへの入力データとし、ストレスデータ記憶部423から参照した対応するストレス値を正解データとする組を複数取得する。そして、各推定モデル学習部17は、上述の入力データと正解データの複数組に基づき、対応するストレス推定モデルの学習を行う。
ストレス推定モデルの学習では、推定モデル学習部17は、例えば、上述の入力データと正解データの組を順に抽出し、ストレス推定モデルのパラメータを更新する。この場合、入力データを入力した場合にストレス推定モデルが出力する推定結果と正解データであるストレス値(ここではPSS値)との誤差(損失)が最小となるように、ストレス推定モデルのパラメータを決定する。損失を最小化するように上述のパラメータを決定するアルゴリズムは、勾配降下法や誤差逆伝播法などの機械学習において用いられる任意の学習アルゴリズムであってもよい。そして、各推定モデル学習部17は、学習した各ストレス推定モデルのパラメータを、夫々第1推定モデル情報記憶部431~第N推定モデル情報記憶部43Nに記憶する。
なお、図3において説明した第1分類部14、第2分類部15、特徴量選択部16及び推定モデル学習部17の各構成要素は、例えば、プロセッサ11がプログラムを実行することによって実現できる。また、必要なプログラムを任意の不揮発性記憶媒体に記録しておき、必要に応じてインストールすることで、各構成要素を実現するようにしてもよい。なお、これらの各構成要素の少なくとも一部は、プログラムによるソフトウェアで実現することに限ることなく、ハードウェア、ファームウェア、及びソフトウェアのうちのいずれかの組合せ等により実現してもよい。また、これらの各構成要素の少なくとも一部は、例えばFPGA(Field-Programmable Gate Array)又はマイクロコントローラ等の、ユーザがプログラミング可能な集積回路を用いて実現してもよい。この場合、この集積回路を用いて、上記の各構成要素から構成されるプログラムを実現してもよい。また、各構成要素の少なくとも一部は、ASSP(Application Specific Standard Produce)、ASIC(Application Specific Integrated Circuit)又は量子プロセッサ(量子コンピュータ制御チップ)により構成されてもよい。このように、各構成要素は、種々のハードウェアにより実現されてもよい。以上のことは、後述する他の実施の形態においても同様である。さらに、これらの各構成要素は、例えば、クラウドコンピューティング技術などを用いて、複数のコンピュータの協働によって実現されてもよい。
(3-2)分類ラベル生成部の詳細
図4は、第1分類部14に含まれる分類ラベル生成部141及び分類モデル学習部142に関する詳細な機能ブロック図である。分類ラベル生成部141は、属性情報記憶部40に記憶された属性情報と、観測データ記憶部421に記憶された観測特徴量と、ストレスデータ記憶部423に記憶された正解のストレス値とに基づき、分類ラベルを生成し、生成した分類ラベルを分類ラベル記憶部422に記憶する。また、分類モデル学習部142は、分類ラベル記憶部422に記憶された分類ラベルと、属性情報記憶部40に記憶された属性情報とに基づき、分類モデルの学習を行い、学習により得られた分類モデルのパラメータを分類モデル情報記憶部44に記憶する。
図4は、第1分類部14に含まれる分類ラベル生成部141及び分類モデル学習部142に関する詳細な機能ブロック図である。分類ラベル生成部141は、属性情報記憶部40に記憶された属性情報と、観測データ記憶部421に記憶された観測特徴量と、ストレスデータ記憶部423に記憶された正解のストレス値とに基づき、分類ラベルを生成し、生成した分類ラベルを分類ラベル記憶部422に記憶する。また、分類モデル学習部142は、分類ラベル記憶部422に記憶された分類ラベルと、属性情報記憶部40に記憶された属性情報とに基づき、分類モデルの学習を行い、学習により得られた分類モデルのパラメータを分類モデル情報記憶部44に記憶する。
分類ラベル生成部141は、属性情報に基づき複数のクラスにサンプル対象者ごとの観測特徴量を分類後、クラス間において当該観測特徴量をランダムにシャッフル(移動)させ、クラスごとの観測特徴量と正解のストレス値との相関がシャッフル前と比較して高くなればそのシャッフルを採用する。そして、分類ラベル生成部141は、そのシャッフルを繰り返すことで、クラスごとの観測特徴量と正解のストレス値との相関が高くなるような観測特徴量の分類を行い、その分類結果を表す分類ラベルを生成する。
ここで、分類ラベル生成部141が実行する分類ラベルの生成方法の具体例について説明する。この具体例では、第1ステップとして、属性情報に基づくクラスの暫定的な細分化を行い、第2ステップとして、細分化したクラス間での上述のシャッフルを行う。そして、分類ラベル生成部141は、第1ステップ及び第2ステップを、クラスの細分化が不要と判定するまで繰り返し実行する。なお、ここでは、一例として、分類ラベル生成部141は2分割を繰り返すことでクラスの細分化を階層的に行うものとする。なお、クラスの細分化を階層的に行う場合の分割数は3以上であってもよい。
図5(A)は、分類ラベル生成処理の第1ステップの処理概要を示す図である。ここでは、サンプル対象者ごとの観測特徴量の集合を丸印により示している。
まず、分類ラベル生成部141は、学習用の全ての観測特徴量を、属性の種類「X」に基づき、2つのクラス(クラスA、クラスB)に分類する。ここでは、分類ラベル生成部141は、属性種類Xが属性Xaであるサンプル対象者の観測特徴量をクラスAに暫定的に分類し、属性種類Xが属性Xbであるサンプル対象者の観測特徴量をクラスBに暫定的に分類する。属性種類Xは、例えば、性格、性別、職種、人種、年齢、身長、体重、筋肉量、生活習慣、運動習慣であり、属性Xa、Xbは属性種類Xにおけるカテゴリ又は指標値の範囲である。例えば、属性種類Xが性別の場合、属性Xaは男性、属性Xbは女性である。
そして、分類ラベル生成部141は、第1ステップでの属性種類Xに基づく暫定的な分類により、観測特徴量と正解のストレス値との相関(「観測-ストレス相関」とも呼ぶ。)が上昇した場合に、クラスの細分化が必要と判定し、第2ステップへ処理を進める。具体的には、まず、分類ラベル生成部141は、クラスA及びクラスBへの分類前の全体の観測特徴量に基づく観測-ストレス相関と、クラスAに分類された観測特徴量に基づく観測-ストレス相関と、クラスBに分類された観測特徴量に基づく観測-ストレス相関とを算出する。そして、分類ラベル生成部141は、分類前の観測-ストレス相関よりもクラスAの観測-ストレス相関及びクラスBの観測-ストレス相関が高い場合に、クラスA及びクラスBへの細分化が必要であると判定し、クラスA及びクラスBを対象とした第2ステップを実行する。なお、分類ラベル生成部141は、分類前の全体の観測-ストレス相関よりもクラスAの観測-ストレス相関及びクラスBの観測-ストレス相関のいずれか一方が高い場合に細分化が必要と判定してもよい。他の例では、分類ラベル生成部141は、分類前の全体の観測-ストレス相関よりもクラスAの観測-ストレス相関及びクラスBの観測-ストレス相関の平均が高い場合に細分化が必要と判定してもよい。
ここで、第1ステップにて算出される「相関」について補足説明する。分類ラベル生成部141は、相関として相関係数を算出してもよく、相互情報量などの他の任意の相関関係を表す指標値を算出してもよい。また、分類ラベル生成部141は、サンプル数の違いに起因した影響を排除するための任意の正規化処理を上述の指標値の算出において実行してもよい。
図5(B)は、クラスA及びクラスBを対象とした第2ステップの概要を示す。分類ラベル生成部141は、第1ステップにおいて属性情報に基づきクラスA及びクラスBに観測特徴量を暫定的に分類後、第2ステップにおいて、観測-ストレス相関が向上するようにサンプル対象者ごとの観測特徴量をシャッフルさせる。図5(B)では、分類ラベル生成部141は、属性情報に基づきクラスAに暫定的に分類されたサンプル対象者s1の観測特徴量をクラスBに仮に移動させた場合のクラスAの観測-ストレス相関とクラスBの観測-ストレス相関とを算出する。そして、分類ラベル生成部141は、移動によりクラスAの観測-ストレス相関が増加し、かつ、クラスBの観測-ストレス相関が増加した場合、サンプル対象者s1の観測特徴量のクラスAからクラスBへの移動を採用する。そして、分類ラベル生成部141は、この移動の要否判定及び移動をクラスA及びクラスBの全てのサンプル対象者の観測特徴量に対して実行する。これにより、分類ラベル生成部141は、観測-ストレス相関が高くなるように観測特徴量をクラスA及びクラスBに分類することができる。
なお、分類ラベル生成部141は、移動によりサンプル対象者s1の観測特徴量の移動元のクラスの観測-ストレス相関が下がり、かつ、移動先のクラスの観測-ストレス相関が上がる場合、サンプル対象者s1の観測特徴量を、クラスA及びクラスBの両方に存在させてもよい。この場合、分類ラベル生成部141は、サンプル対象者s1の観測特徴量をクラスA及びクラスBに重複して分類する。これにより、分類ラベル生成部141は、両方のクラスA及びクラスBの観測-ストレス相関を向上させることができる。
また、分類ラベル生成部141は、移動によりサンプル対象者s1の観測特徴量の移動元のクラスの観測-ストレス相関が上がり、かつ、移動先のクラスの観測-ストレス相関が下がった場合、サンプル対象者s1の観測特徴量を、両方のクラスA及びクラスBのいずれにも分類しなくともよい。即ち、この場合、サンプル対象者s1の観測特徴量は学習に使用されない。これによっても、分類ラベル生成部141は、両方のクラスA及びクラスBの観測-ストレス相関を向上させることができる。
第2ステップの実行後、分類ラベル生成部141は、クラスAとクラスBとに対して夫々第1ステップを行い、第1ステップで細分化されたクラスに対して第2ステップを実行する。図6は、第1ステップ及び第2ステップをクラスA及びクラスBに夫々適用した例を示す。
ここでは、一例として、第1ステップにおいて、分類ラベル生成部141は、属性種類「Y」に基づき、クラスA及びクラスBを夫々2つのクラスに細分化している。具体的には、分類ラベル生成部141は、属性「Ya」に該当するクラスAの観測特徴量をクラスAaに分類し、属性「Yb」に該当するクラスAの観測特徴量をクラスAbに分類している。また、分類ラベル生成部141は、属性Yaに該当するクラスBの観測特徴量をクラスBaに分類し、属性Ybに該当するクラスBの観測特徴量をクラスBbに分類している。
なお、分類ラベル生成部141は、1回目の第1ステップと異なる属性種類Yに基づき分類する代わりに、1回目の第1ステップと同一の属性種類Xに基づき分類を行ってもよい。この場合、例えば、分類ラベル生成部141は、属性Xaをより詳細に分類(カテゴライズ)した属性「Xaa」と属性「Xab」とに基づきクラスAの観測特徴量をクラスAaとクラスAbとに分類し、属性Xbを細分化した属性「Xba」と属性「Xbb」とに基づきクラスBの観測特徴量をクラスBaとクラスBbとに分類する。
そして、分類ラベル生成部141は、第1ステップでの属性情報に基づく暫定的な分類により観測-ストレス相関が増加したと判定した場合に、第2ステップに基づき、細分化したクラス間でのサンプル対象者ごとの観測特徴量のシャッフルを行う。図6に示す例では、クラスAをクラスAaとクラスAbとに細分化することで観測-ストレス相関が増加したことから、分類ラベル生成部141は、観測-ストレス相関が向上するように、クラスAaとクラスAbとに属する観測特徴量のシャッフルを行う。同様に、クラスBをクラスBaとクラスBbとに細分化することで相関が増加したことから、分類ラベル生成部141は、観測-ストレス相関が向上するように、クラスBaとクラスBbとに属する観測特徴量のシャッフルを行う。
このように、分類ラベル生成部141は、生成された各クラスに対して第1ステップ及び第2ステップを実行することで、クラスを階層的に増やす。そして、分類ラベル生成部141は、いずれのクラスにおいてもクラスの細分化により観測-ストレス相関が増加しない場合に処理を終了する。そして、分類ラベル生成部141は、処理終了時点でのサンプル対象者ごとの観測特徴量が夫々属するクラスを示す分類ラベルを生成し、生成した分類ラベルを分類ラベル記憶部422に記憶する。
以上のように、分類ラベル生成部141は、階層的にクラスを細分化し、クラス間の観測特徴量の移動による観測-ストレス相関の変化に基づき各クラスに属する観測特徴量を決定する。そして、分類ラベル生成部141は、存在する各クラスのうち細分化により観測-ストレス相関が高くなるクラスの細分化を、細分化により観測-ストレス相関が高くなるクラスが存在しなくなるまで実行する。これにより、分類ラベル生成部141は、クラス数Nを適応的に決定し、かつ、観測-ストレス相関が高くなるよう分類ラベルを生成することができる。
なお、分類ラベル生成部141は、属性情報に基づく暫定的な分類結果に基づきクラスの細分化の要否を判定する代わりに、第2ステップでのシャッフルの完了後に、クラスの細分化の最終的な要否を判定してもよい。例えば、図6の例では、分類ラベル生成部141は、第2ステップ実行後のクラスAaの観測-ストレス相関及びクラスAbの観測-ストレス相関がクラスA全体での観測-ストレス相関よりも高い場合に、クラスAa及びクラスAbを設けることを確定する。一方、分類ラベル生成部141は、第2ステップ実行後のクラスAaの観測-ストレス相関及びクラスAbの観測-ストレス相関がクラスA全体の観測-ストレス相関より高くならない場合には、クラスAからクラスAa及びクラスAbへの細分化は不適であると判定する。よって、この場合、分類ラベル生成部141は、クラスAa及びクラスAbに分類された観測特徴量のクラスをいずれもクラスAとして定めた分類ラベルを生成する。この例によれば、より的確にクラスの細分化の要否を判定することができる。
また、分類ラベル生成部141は、適応的にクラス数Nを決定する代わりに、クラス数Nを固定値に設定してもよい。この場合、分類ラベル生成部141は、属性情報に基づきサンプル対象者ごとの観測特徴量をN個のクラスに分類後、第2ステップに相当する処理を行い、N個のクラスの各々に属する観測特徴量を決定する。この場合、分類ラベル生成部141は、第2ステップでは、移動先のクラスの観測-ストレス相関の上昇が最も大きくなるクラスへ観測特徴量を移動させるとよい。なお、分類ラベル生成部141は、いずれのクラスへの移動を行っても移動先のクラスの観測-ストレス相関が上昇しない場合には、対象の観測特徴量のクラスを変更しない又は当該観測特徴量をいずれのクラスにも分類しない(学習に用いない)とよい。
また、さらに別の例では、分類ラベル生成部141は、クラス数Nの候補となる数(候補クラス数)を複数設定し、観測-ストレス相関が最も高くなる候補クラス数を、クラス数Nに定めてもよい。この場合、分類ラベル生成部141は、クラス数Nを各候補クラス数に設定して第1ステップ及び第2ステップに基づく分類を行い、分類後のクラスごとの観測-ストレス相関が最も高くなる候補クラス数を、クラス数Nに設定する。例えば、候補クラス数が「2」、「3」、「4」の場合、分類ラベル生成部141は、クラスを2個に固定したときの分類後の各クラスの観測-ストレス相関の平均と、クラスを3個に固定したときの分類後の各クラスの観測-ストレス相関の平均と、クラスを4個に固定したときの分類後の各クラスの観測-ストレス相関の平均とを比較する。そして、分類ラベル生成部141は、最も各クラスの観測-ストレス相関の平均が高い候補クラス数をクラス数Nに定め、当該候補クラス数にしたときの分類結果に基づく分類ラベルを生成する。この例によっても、分類ラベル生成部141は、観測-ストレス相関が最も高くなるようなクラス数N及び分類ラベルを決定することができる。
(3-3)特徴量選択部の詳細
次に、特徴量選択部16(1611~16NM)が実行する処理の詳細について説明する。図7は、ある特徴量選択部16nm(「n」、「m」は、1≦n≦N、1≦m≦Mを満たす整数)の機能ブロックの一例である。特徴量選択部16nmは、機能的には、グループ生成部50と、相関算出部51と、ランキング部52と、選択部53とを有する。
次に、特徴量選択部16(1611~16NM)が実行する処理の詳細について説明する。図7は、ある特徴量選択部16nm(「n」、「m」は、1≦n≦N、1≦m≦Mを満たす整数)の機能ブロックの一例である。特徴量選択部16nmは、機能的には、グループ生成部50と、相関算出部51と、ランキング部52と、選択部53とを有する。
特徴量選択部16nmは、第2分類部15nから観測特徴量「Fp,q」を取得し、ストレスデータ記憶部423から観測特徴量Fp,qに対応する正解のストレス値(PSS値)「Sp」を取得する。ここで、「p」は、サンプル対象者のインデックス(1≦p≦P、Pは2以上の整数)を示し、「q」は、観測特徴量の種類のインデックス(1≦q≦Q、Qは「Q≧R」を満たす整数)を示す。なお、観測特徴量の種類は一般的に多数(例えば数万個)存在し、例えば発汗に関する特徴量の場合には、発汗の最大値、最小値、中央値、平均値、その他の任意の統計量などの種々の発汗に関する指標が該当する。
グループ生成部50は、無作為に所定個数分の観測特徴量Fp,qをL(Lは1以上の整数)回抽出し、抽出した所定個数分の観測特徴量Fp,qを1つのグループとしてL個のグループを生成する。この場合、例えば、グループ生成部50は、観測特徴量Fp,qに対応するサンプル対象者が100人(即ちP=100)存在する場合には、50人分のサンプル対象者を無作為にL回抽出し、各試行において抽出したサンプル対象者の観測特徴量Fp,qを1つのグループとして形成する。そして、グループ生成部50は、観測特徴量Fp,qの各グループを、相関算出部511~51Lに夫々供給する。
相関算出部51(511~51L)は、グループ生成部50から供給された観測特徴量Fp,qのグループに基づき、観測特徴量Fp,qとストレス値Spとの相関(相関係数)を、観測特徴量Fp,qの種類qごとに算出する。相関係数は、ピアソンの積率相関係数、スピアマンの順位相関係数、ケンドールの順位相関係数のいずれか、又は複数の相関係数の平均など組み合わせて利用してもよい。言い換えると、相関算出部51は、グループ生成部50が生成したグループごと、かつ、観測特徴量Fp,qの種類qごとに、観測特徴量Fp,qとストレス値Spとの相関を算出する。
ランキング部52は、L個の相関算出部511~51Lの算出結果に基づき、観測特徴量Fp,qの種類qのランク付けを行う。この場合、ランキング部52は、観測特徴量Fp,qの種類qごとに、L個の相関算出部511~51Lの算出結果に基づくスコア(「相関スコア」とも呼ぶ。)を算出し、相関スコアが高いほどランキングが上位であるとみなす。この場合、ランキング部52は、グループ間での相関の平均などの統計値と後述する符号反転度とに基づき、相関スコアを算出する。相関スコアの算出方法については後述する。
選択部53は、ランキング部52が形成したランキングの上位R個の種類に該当する観測特徴量Fp,qを、ストレス推定特徴量として選択する。この場合、選択部53は、ストレス推定特徴量として選択した観測特徴量の種類を示す情報(「特徴量選択情報Ifs」とも呼ぶ。)を、推定モデル情報記憶部43に記憶する。後述するように、特徴量選択情報Ifsは、推定フェーズにおいて、ストレス推定モデルに入力するストレス推定特徴量を観測特徴量から選択する処理に用いられる。
ここで、ランキング部52による相関スコアの算出方法の具体例について説明する。図8は、相関算出部511~51Lの算出結果に基づき、相関スコアを算出する対象である種類qに対する相関を集計したヒストグラムを示す。なお、ここでは、説明便宜上ヒストグラムを示しているが、ヒストグラムの生成は相関スコアの算出において必須の処理ではない。
この場合、まず、相関算出部51は、相関算出部511~51Lの算出結果に基づき、対象の種類qに対して相関算出部511~51Lが算出した相関(相関係数)の平均(ここでは0.15)を算出する。さらに、相関算出部51は、符号反転度として、算出された相関の正負の符号を集計した場合の、少数派の符号の割合を算出する。図8の例では、相関算出部51は、正の符号が多数派であることから、負の符号の割合(0.3)を、符号反転度として認識する。符号反転度は、0から0.5までの値域となる。そして、相関算出部51は、例えば、以下のように、対象の種類qに対する相関スコアを、相関の平均の絶対値に対し、1から符号反転度を引いた値(即ち0.5~1の値域)を重みとして乗じた値に定める。
相関スコア=|相関の平均|×(1-符号反転度)
図8の例では、種類qの相関スコアは、0.105(=|0.15|×0.7)となる。
相関スコア=|相関の平均|×(1-符号反転度)
図8の例では、種類qの相関スコアは、0.105(=|0.15|×0.7)となる。
なお、相関スコアの算出方法は、上述の式に限られず、相関の平均と正の相関を有し、かつ、符号反転度と負の相関を有するように相関スコアを定めた任意の式又はルックアップテーブルを用いてもよい。
特徴量選択部16nmは、図7に示すような機能的構成を有することで、ストレス値と個人差によらずに安定的に相関がある観測特徴量を好適にストレス推定特徴量として選択することができる。
(3-4)処理フロー
図9は、第1実施形態において情報処理装置1が学習フェーズにおいて実行する学習処理の手順を示すフローチャートの一例である。
図9は、第1実施形態において情報処理装置1が学習フェーズにおいて実行する学習処理の手順を示すフローチャートの一例である。
まず、情報処理装置1の第1分類部14は、分類ラベルを生成する処理を行う(ステップS11)。この場合、情報処理装置1は、「(3-2)分類ラベル生成部の詳細」のセクションにて説明した処理に基づき、クラス数Nの決定及び分類ラベルの生成を行う。
次に、第1分類部14は、分類ラベルに基づく分類モデルの学習を行い、かつ、観測データ記憶部421に記憶された学習用の観測特徴量の第1分類を行う(ステップS12)。この場合、情報処理装置1は、分類ラベルに基づき第1分類を実行してもよく、学習した分類モデルと属性情報記憶部40に記憶された属性情報とに基づき第1分類を実行してもよい。
次に、情報処理装置1の第2分類部15は、観測特徴量の観測対象と対応するサンプル対象者の観測時の活動状態とによる観測特徴量の第2分類を実行する(ステップS13)。この場合、例えば、第2分類部15は、観測された生体特徴の種類、サンプル対象者の運動強度等に応じた第2分類に基づき、N個のクラスに分けられた観測特徴量の集合の各々に対し、M個のサブクラスに観測特徴量をさらに分類する。
次に、情報処理装置1の特徴量選択部16は、N×M個のサブクラスに分けられた観測特徴量の集合ごとに、無作為によるグループを生成し、生成したグループにおいて、観測特徴量の種類ごとに、訓練データに含まれる正解のストレス値との相関を算出する(ステップS14)。さらに、特徴量選択部16は、サブクラスに分けられた観測特徴量の集合ごとに、相関及び符号反転度に応じた観測特徴量の種類のランク付けを行い、上位個数R個の観測特徴量の種類に該当する観測特徴量をストレス推定特徴量として選択する(ステップS15)。
そして、情報処理装置1の推定モデル学習部17は、ストレス推定特徴量と、訓練データに含まれる、対応する正解のストレス値とに基づき、第1分類により分けられたクラスごとのストレス推定モデルの学習を行う(ステップS16)。そして、情報処理装置1は、ステップS15で選択したストレス推定特徴量に関する特徴量選択情報Ifsと、ステップS16で学習されたストレス推定モデルのパラメータとを、学習結果として出力する。具体的には、情報処理装置1は、特徴量選択情報Ifsとストレス推定モデルのパラメータとを、記憶装置4に記憶する。これにより、情報処理装置1は、推定フェーズにおいて必要な情報を記憶装置4に記憶させることができる。
(4)推定フェーズ
次に、情報処理装置1が実行する推定フェーズでの処理について説明する。情報処理装置1は、学習フェーズにおいて学習された分類モデル及びストレス推定モデルに基づき、推定対象者のストレス値を推定する。
次に、情報処理装置1が実行する推定フェーズでの処理について説明する。情報処理装置1は、学習フェーズにおいて学習された分類モデル及びストレス推定モデルに基づき、推定対象者のストレス値を推定する。
図10は、情報処理装置1の推定フェーズにおける機能ブロックの一例である。情報処理装置1のプロセッサ11は、推定フェーズにおいて、機能的には、分類スコア算出部34と、N個の特徴量選択部36(361~36N)と、N個のストレス推定部37(371~37N)と、統合部38とを有する。ここで、推定モデル情報記憶部43に含まれる第1推定モデル情報記憶部431~第N推定モデル情報記憶部43Nは、学習フェーズにおいて学習が既に行われたN個のストレス推定モデルのパラメータを記憶している。
分類スコア算出部34は、推定対象者の属性情報を属性情報記憶部40から抽出し、抽出した属性情報に基づき学習フェーズの第1分類において設けられた各クラス(即ち、第1推定モデル~第N推定モデルに対応するN個のクラス)への分類スコアを算出する。この場合、分類スコア算出部34は、分類モデル情報記憶部44に記憶された分類モデル情報に基づく分類モデルに上述の属性情報を入力することで分類モデルから出力される各クラスへの分類スコアを取得する。そして、分類スコア算出部34は、取得したクラスごとの分類スコアを統合部38へ供給する。
特徴量選択部36(361~36N)は、推定モデル情報記憶部43に記憶された特徴量選択情報Ifsに基づき、観測データ記憶部41から抽出した推定対象者の観測特徴量からストレス推定特徴量を選択する。この場合、特徴量選択部36n(nは1~Nの任意の整数)は、夫々、推定対象者の観測特徴量から、特徴量選択部16n1~特徴量選択部16nMが生成した特徴量選択情報Ifsが示すストレス推定特徴量の種類と同一種類の観測特徴量を、ストレス推定特徴量として抽出する。そして、特徴量選択部36nは、抽出したストレス推定特徴量を、対応するストレス推定部37nに供給する。
ストレス推定部37(371~37N)は、特徴量選択部36(361~36N)から供給されるストレス推定特徴量と、ストレス推定モデルとに基づき、推定対象者のストレス値を夫々推定する。この場合、ストレス推定部37n(nは1~Nの任意の整数)は、対応する第n推定モデル情報記憶部43nを参照することで、対応する第n推定モデルを構成する。そして、ストレス推定部37nは、構成した第n推定モデルに対し、対応する特徴量選択部36nから供給されたストレス推定特徴量を入力することで第n推定モデルが出力する推定対象者のストレス値を取得する。各ストレス推定モデルが出力するストレス値は、統合部38が最終的に推定する推定対象者のストレス値の候補値に相当する。そして、各ストレス推定部37(371~37N)は、ストレス推定モデルが出力する推定対象者のストレス値を、統合部38へ供給する。
統合部38は、各ストレス推定部37(371~37N)から供給されるストレス値を、分類スコア算出部34から供給されるクラスごとの分類スコアに基づき重み付けを行うことで統合する(即ち重み付平均を行う)。そして、統合部38は、統合したストレス値を最終的な推定対象者のストレスの推定値(「ストレス推定値」とも呼ぶ。)として出力する。例えば、統合部38は、統合したストレス推定値に関する情報を表示するための表示信号S2を生成し、当該表示信号S2を表示装置3に供給することで、ストレス推定値に関する情報を表示装置3に表示させる。この場合、統合部38は、分類スコアに基づく重み付け処理により、ストレス推定モデルが出力する推定対象者のストレス値を統合して高精度なストレス推定値を算出することができる。
なお、統合部38は、ストレス推定値そのものを表示する制御を行う代わりに、又はこれに加えて、ストレス推定値と所定の閾値との比較に基づき判定されるストレスのレベルに関する情報、又は/及び、当該レベルに応じたアドバイスに関する情報を表示する制御を行ってもよい。なお、この場合の表示装置3の閲覧者は、例えば、推定対象者であってもよく、推定対象者を管理又は監督する者であってもよい。また、統合部38は、図示しない音出力装置によりストレス推定値に関する情報の音声出力を行ってもよい。
図11は、情報処理装置1が推定フェーズにおいて実行するストレス推定処理の手順を示すフローチャートの一例である。ストレス推定処理を行うタイミングは、入力信号S1に基づきユーザが要求したタイミングであってもよく、予め定められたタイミングであってもよい。
まず、情報処理装置1は、推定対象者の観測特徴量と、推定対象者の属性情報とを取得する(ステップS21)。この場合、例えば、情報処理装置1は、上述の観測特徴量を観測データ記憶部41から取得し、上述の属性情報を属性情報記憶部40から取得する。
次に、情報処理装置1の分類スコア算出部34は、推定対象者の属性情報と、分類モデル情報記憶部44に記憶されたパラメータを適用した分類モデルとに基づき、N個存在するストレス推定モデルの各々に対応する分類スコアを決定する(ステップS22)。この場合、分類スコア算出部34は、各ストレス推定モデルに一意に対応する各クラスの分類スコアを、属性情報が入力された分類モデルから取得する。
そして、情報処理装置1の特徴量選択部36は、クラスごとに設けられたN個のストレス推定モデルに夫々入力する観測特徴量を選択する(ステップS23)。この場合、特徴量選択部36は、ステップS21で取得された観測特徴量から、対応する特徴量選択情報Ifsを参照し、ストレス推定モデルに入力する観測特徴量であるストレス推定特徴量を選択する。なお、ステップS22とステップS23の処理順序は順不同であり、同時並行して実行されてもよい。
そして、情報処理装置1のストレス推定部37は、選択されたストレス推定特徴量と、推定モデル情報記憶部43が記憶するパラメータに基づき構成される各ストレス推定モデルとに基づき、ストレス推定モデルごと(即ちクラスごと)のストレス値を算出する(ステップS24)。この場合、ストレス推定部37は、推定モデル情報記憶部43を参照して構成した各ストレス推定モデルに特徴量選択部36から供給されたストレス推定特徴量を入力することで、ストレス推定モデルごとのストレス値を算出する。
そして、情報処理装置1の統合部38は、ストレス推定モデルごとのストレス値を、ステップS22で決定したクラスごとの分類スコアにより重み付けすることで統合したストレス推定値を算出する(ステップS25)。そして、情報処理装置1の統合部38は、ストレス推定値に関する情報を出力する(ステップS26)。
(5)変形例
次に、第1実施形態に適用可能な変形例について説明する。
(変形例1)
ストレス推定モデルは、第1分類により分類されたクラスごとに設けられる代わりに、第1分類及び第2分類により分類されたサブクラスごとに設けられてもよい。
次に、第1実施形態に適用可能な変形例について説明する。
(変形例1)
ストレス推定モデルは、第1分類により分類されたクラスごとに設けられる代わりに、第1分類及び第2分類により分類されたサブクラスごとに設けられてもよい。
この場合、学習フェーズにおいて、情報処理装置1は、N×M個存在する特徴量選択部1611~16NMの夫々に対応するストレス推定モデルを設け、これらのストレス推定モデルを対応する特徴量選択部16が出力するストレス推定特徴量を入力データとし、対応するストレスデータが示すストレス値を正解データとして学習を行う。また、推定フェーズでは、特徴量選択部36は、学習フェーズでの特徴量選択部16と同様、N×M個存在し、各ストレス推定部371~37Nは、対応するM個の特徴量選択部36が各々出力するストレス推定特徴量を、対応するM個のストレス推定モデルに入力する。そして、統合部38は、N×M個のストレス推定モデルが夫々出力するストレス値と、クラスごとに設定された分類スコアとに基づき重み付け平均を行うことでストレス推定値を算出する。
このように、本変形例においても、情報処理装置1は、ストレス傾向において偏りがある集合ごとに学習したストレス推定モデルに基づき、学習に用いていない観測特徴量から推定対象者のストレス状態を正確に推定することができる。
(変形例2)
情報処理装置1が推定するストレスは、慢性ストレスに限られず、比較的短期(数分~1日程度)におけるストレスである短期ストレスであってもよい。
情報処理装置1が推定するストレスは、慢性ストレスに限られず、比較的短期(数分~1日程度)におけるストレスである短期ストレスであってもよい。
(変形例3)
情報処理装置1は、学習フェーズにおいて、第2分類部15による第2分類及び特徴量選択部16による特徴量選択の少なくともいずれかを実行せずにストレス推定モデルの学習を行ってもよい。この場合においても、情報処理装置1は、第1分類に基づき観測特徴量とストレス値との相関が高くなるように設定したクラスごとにストレス推定モデルの学習を行い、学習に用いていない未知のデータに対して高精度にストレス推定を行うことが可能なストレス推定モデルを取得することができる。なお、特徴量選択部16による特徴量選択が行われない場合には、情報処理装置1は、推定フェーズにおける特徴量選択部36による特徴量選択も実行しない。
情報処理装置1は、学習フェーズにおいて、第2分類部15による第2分類及び特徴量選択部16による特徴量選択の少なくともいずれかを実行せずにストレス推定モデルの学習を行ってもよい。この場合においても、情報処理装置1は、第1分類に基づき観測特徴量とストレス値との相関が高くなるように設定したクラスごとにストレス推定モデルの学習を行い、学習に用いていない未知のデータに対して高精度にストレス推定を行うことが可能なストレス推定モデルを取得することができる。なお、特徴量選択部16による特徴量選択が行われない場合には、情報処理装置1は、推定フェーズにおける特徴量選択部36による特徴量選択も実行しない。
<第2実施形態>
図12は、第2実施形態におけるストレス推定システム100Aの概略構成を示す。第2実施形態に係るストレス推定システム100Aは、第1実施形態の情報処理装置1の推定フェーズの処理を行うストレス推定装置1Aと、第1実施形態の情報処理装置1の学習フェーズの処理を行う学習装置1Bと、記憶装置4と、推定対象者が使用する端末装置8及びセンサ5とを有する。以後では、第1実施形態と同一構成要素については、適宜同一符号を付し、その説明を省略する。
図12は、第2実施形態におけるストレス推定システム100Aの概略構成を示す。第2実施形態に係るストレス推定システム100Aは、第1実施形態の情報処理装置1の推定フェーズの処理を行うストレス推定装置1Aと、第1実施形態の情報処理装置1の学習フェーズの処理を行う学習装置1Bと、記憶装置4と、推定対象者が使用する端末装置8及びセンサ5とを有する。以後では、第1実施形態と同一構成要素については、適宜同一符号を付し、その説明を省略する。
第2実施形態では、ストレス推定装置1Aはサーバとして機能し、端末装置8はクライアントとして機能する。ストレス推定装置1Aと端末装置8とは、ネットワーク7を介してデータ通信を行う。
学習装置1Bは、図2に示す情報処理装置1のハードウェア構成と同一のハードウェア構成を有し、学習装置1Bのプロセッサ11は、図3に示される機能ブロックを有する。そして、学習装置1Bは、記憶装置4が記憶する情報に基づき、ストレス推定モデルの学習及び分類モデルの学習及び特徴量選択情報Ifsの生成などの処理を行う。
端末装置8は、推定対象者となる利用者(ユーザ)が使用する端末であり、入力機能、表示機能、及び通信機能を有し、図1に示される入力装置2及び表示装置3等として機能する。端末装置8は、例えば、パーソナルコンピュータ、スマートフォンなどのタブレット型端末、PDA(Personal Digital Assistant)などであってもよい。端末装置8は、利用者が装着するウェアラブルセンサなどのセンサ5と電気的に接続し、センサ5が出力する推定対象者の生体信号等(即ち、図1におけるセンサ信号S3に相当する情報)を、ネットワーク7を介してストレス推定装置1Aに送信する。また、端末装置8は、アンケートの回答に関するユーザ入力などを受け付け、ユーザ入力により生成された情報(図1における入力信号S1に相当する情報)を、ストレス推定装置1Aに送信する。なお、センサ5は、端末装置8に内蔵されていてもよい。また、センサ5が端末装置8の機能を有し、ストレス推定装置1Aとデータ通信を行ってもよい。
ストレス推定装置1Aは、図2に示す情報処理装置1のハードウェア構成と同一のハードウェア構成を有し、ストレス推定装置1Aのプロセッサ11は、図10に示される機能ブロックを有する。そして、ストレス推定装置1Aは、図1における入力信号S1及びセンサ信号S3に相当する情報を、ネットワーク7を介して端末装置8から受信し、受信した情報を記憶装置4に記憶する。そして、ストレス推定装置1Aは、学習装置1Bが学習した各ストレス推定モデルのパラメータ、分類モデルのパラメータ及び特徴量選択情報Ifsを参照し、推定対象者のストレス推定処理を実行する。また、ストレス推定装置1Aは、端末装置8からの表示要求に基づき、ストレス推定結果を出力するための出力信号を、ネットワーク7を介して端末装置8へ送信する。
このように、第2実施形態におけるストレス推定システム100Aは、学習フェーズと推定フェーズとを別の装置が実行し、ストレス推定モデルの学習及びストレス推定モデルを用いたストレス推定等を第1実施形態と同様に行うことができる。また、第2実施形態では、ストレス推定装置1Aは、推定対象者が使用する端末から受信する推定対象者の生体信号等に基づき推定対象者のストレス状態の推定を行い、推定対象者に推定結果を端末上において好適に提示することができる。
<第3実施形態>
図13は、第3実施形態における学習装置1Xのブロック図である。学習装置1Xは、主に、分類手段14Xと、学習手段17Xと、を有する。なお、学習装置1Xは、複数の装置により構成されてもよい。
図13は、第3実施形態における学習装置1Xのブロック図である。学習装置1Xは、主に、分類手段14Xと、学習手段17Xと、を有する。なお、学習装置1Xは、複数の装置により構成されてもよい。
分類手段14Xは、対象者の観測特徴量を、当該観測特徴量と当該観測特徴量に対応する正解のストレス値との相関関係を表す指標が分類前よりも高くなるように分類を行う。分類手段14Xは、例えば、第1実施形態(変形例を含む、以下同じ)又は第2実施形態における第1分類部14とすることができる。
学習手段17Xは、観測特徴量と、正解のストレス値とに基づき、少なくとも上述の分類により分けられたクラスごとに、観測特徴量とストレス値との関係を推定するストレス推定モデルの学習を行う。この場合、ストレス推定モデルは、クラスの数だけ存在し、クラスごとに学習される。学習手段17Xは、例えば、第1実施形態又は第2実施形態における推定モデル学習部17とすることができる。
図14は、第3実施形態において学習装置1Xが実行するフローチャートの一例である。まず、分類手段14Xは、対象者の観測特徴量を、当該観測特徴量と当該観測特徴量に対応する正解のストレス値との相関関係を表す指標が分類前よりも高くなるように分類を行う(ステップS31)。また、学習手段17Xは、観測特徴量と、正解のストレス値とに基づき、少なくとも分類により分けられたクラスごとに、観測特徴量とストレス値との関係を推定するストレス推定モデルの学習を行う(ステップS32)。
第3実施形態によれば、学習装置1Xは、ストレス傾向において偏りがあるまとまりごとにストレス推定モデルを学習し、ストレス推定を高精度に実行可能なストレス推定モデルを学習することができる。
なお、上述した各実施形態において、プログラムは、様々なタイプの非一時的なコンピュータ可読媒体(non-transitory computer readable medium)を用いて格納され、コンピュータであるプロセッサ等に供給することができる。非一時的なコンピュータ可読媒体は、様々なタイプの実体のある記憶媒体(tangible storage medium)を含む。非一時的なコンピュータ可読媒体の例は、磁気記憶媒体(例えばフレキシブルディスク、磁気テープ、ハードディスクドライブ)、光磁気記憶媒体(例えば光磁気ディスク)、CD-ROM(Read Only Memory)、CD-R、CD-R/W、半導体メモリ(例えば、マスクROM、PROM(Programmable ROM)、EPROM(Erasable PROM)、フラッシュROM、RAM(Random Access Memory))を含む。また、プログラムは、様々なタイプの一時的なコンピュータ可読媒体(transitory computer readable medium)によってコンピュータに供給されてもよい。一時的なコンピュータ可読媒体の例は、電気信号、光信号、及び電磁波を含む。一時的なコンピュータ可読媒体は、電線及び光ファイバ等の有線通信路、又は無線通信路を介して、プログラムをコンピュータに供給できる。
その他、上記の実施形態の一部又は全部は、以下の付記のようにも記載され得るが以下には限られない。
[付記1]
対象者の観測特徴量を、当該観測特徴量と当該観測特徴量に対応する正解のストレス値との相関関係を表す指標が分類前よりも高くなるように分類を行う分類手段と、
前記観測特徴量と、前記正解のストレス値とに基づき、少なくとも前記分類により分けられたクラスごとに、前記観測特徴量と前記ストレス値との関係を推定するストレス推定モデルの学習を行う学習手段と、
を有する学習装置。
[付記2]
前記対象者の属性を表す属性情報と、前記分類の結果とに基づき、前記属性と前記クラスとの関係を推定する分類モデルを学習する分類モデル学習手段をさらに有する付記1に記載の学習装置。
[付記3]
前記分類手段は、前記属性情報と前記分類モデルとに基づき、前記ストレス推定モデルの各々の学習に用いる前記観測特徴量を分類する、付記2に記載の学習装置。
[付記4]
前記分類手段は、前記対象者の属性を表す属性情報に基づき、複数のクラスに前記観測特徴量を分類後、前記複数のクラスの各々の前記指標が上昇するように前記複数のクラス間での前記観測特徴量の移動を行う、付記1~3のいずれか一項に記載の学習装置。
[付記5]
前記分類手段は、複数のクラスに前記観測特徴量を分類後、前記複数のクラスの各々のうち細分化により前記指標が高くなるクラスの細分化を行う、付記1~4のいずれか一項に記載の学習装置。
[付記6]
前記観測特徴量を、当該観測特徴量の観測対象又は前記対象者の活動状態の少なくとも一方に基づき分類する第2分類手段と、
前記分類手段による分類及び前記第2分類手段による分類に基づき分類された観測特徴量から、ストレス推定に用いる特徴量であるストレス推定特徴量を選択する特徴量選択手段と、をさらに有し、
前記学習手段は、前記ストレス推定特徴量と、当該ストレス推定特徴量に対応する正解のストレス値とに基づき、前記クラスごとに、前記ストレス推定モデルの学習を行う、付記1~5のいずれか一項に記載の学習装置。
[付記7]
前記特徴量選択手段は、前記分類手段による分類及び前記第2分類手段による分類に基づき分類された観測特徴量と、前記ストレス値との相関に基づき、前記ストレス推定特徴量を選択する、付記6に記載の学習装置。
[付記8]
ストレス推定の対象となる推定対象者の観測特徴量が複数のクラスの各々に属する確信度を表す分類スコアを算出する分類スコア算出手段と、
前記複数のクラスの夫々に対応するストレス推定モデルが前記観測特徴量に基づき推定した前記推定対象者のストレス値を取得するストレス推定手段と、
前記ストレス推定モデルの各々が推定した前記推定対象者のストレス値を前記分類スコアにより統合したストレス推定値を算出する統合手段と、
を有するストレス推定装置。
[付記9]
前記分類スコア算出手段は、前記推定対象者の属性を表す属性情報と、分類モデルとに基づき、前記分類スコアを算出し、
前記分類モデルは、学習用の観測特徴量を、当該観測特徴量と当該観測特徴量に対応する正解のストレス値との相関関係を表す指標が分類前よりも高くなるように分類するモデルである、付記8に記載のストレス推定装置。
[付記10]
前記観測特徴量から、ストレス推定に用いる特徴量であるストレス推定特徴量を選択する特徴量選択手段をさらに有し、
前記ストレス推定手段は、前記複数のクラスの夫々に対応するストレス推定モデルが前記ストレス推定特徴量に基づき推定した前記推定対象者のストレス値を統合した前記ストレス推定値を算出する、付記8または9に記載のストレス推定装置。
[付記11]
コンピュータが、
対象者の観測特徴量を、当該観測特徴量と当該観測特徴量に対応する正解のストレス値との相関関係を表す指標が分類前よりも高くなるように分類を行い、
前記観測特徴量と、前記正解のストレス値とに基づき、少なくとも前記分類により分けられたクラスごとに、前記観測特徴量と前記ストレス値との関係を推定するストレス推定モデルの学習を行う、
学習方法。
[付記12]
コンピュータが、
ストレス推定の対象となる推定対象者の観測特徴量が複数のクラスの各々に属する確信度を表す分類スコアを算出し、
前記複数のクラスの夫々に対応するストレス推定モデルが前記観測特徴量に基づき推定した前記推定対象者のストレス値を取得し、
前記ストレス推定モデルの各々が推定した前記推定対象者のストレス値を前記分類スコアにより統合したストレス推定値を算出する、
ストレス推定方法。
[付記13]
対象者の観測特徴量を、当該観測特徴量と当該観測特徴量に対応する正解のストレス値との相関関係を表す指標が分類前よりも高くなるように分類を行い、
前記観測特徴量と、前記正解のストレス値とに基づき、少なくとも前記分類により分けられたクラスごとに、前記観測特徴量と前記ストレス値との関係を推定するストレス推定モデルの学習を行う処理をコンピュータに実行させるプログラムが格納された記憶媒体。
[付記14]
ストレス推定の対象となる推定対象者の観測特徴量が複数のクラスの各々に属する確信度を表す分類スコアを算出し、
前記複数のクラスの夫々に対応するストレス推定モデルが前記観測特徴量に基づき推定した前記推定対象者のストレス値を取得し、
前記ストレス推定モデルの各々が推定した前記推定対象者のストレス値を前記分類スコアにより統合したストレス推定値を算出する処理をコンピュータに実行させるプログラムが格納された記憶媒体。
対象者の観測特徴量を、当該観測特徴量と当該観測特徴量に対応する正解のストレス値との相関関係を表す指標が分類前よりも高くなるように分類を行う分類手段と、
前記観測特徴量と、前記正解のストレス値とに基づき、少なくとも前記分類により分けられたクラスごとに、前記観測特徴量と前記ストレス値との関係を推定するストレス推定モデルの学習を行う学習手段と、
を有する学習装置。
[付記2]
前記対象者の属性を表す属性情報と、前記分類の結果とに基づき、前記属性と前記クラスとの関係を推定する分類モデルを学習する分類モデル学習手段をさらに有する付記1に記載の学習装置。
[付記3]
前記分類手段は、前記属性情報と前記分類モデルとに基づき、前記ストレス推定モデルの各々の学習に用いる前記観測特徴量を分類する、付記2に記載の学習装置。
[付記4]
前記分類手段は、前記対象者の属性を表す属性情報に基づき、複数のクラスに前記観測特徴量を分類後、前記複数のクラスの各々の前記指標が上昇するように前記複数のクラス間での前記観測特徴量の移動を行う、付記1~3のいずれか一項に記載の学習装置。
[付記5]
前記分類手段は、複数のクラスに前記観測特徴量を分類後、前記複数のクラスの各々のうち細分化により前記指標が高くなるクラスの細分化を行う、付記1~4のいずれか一項に記載の学習装置。
[付記6]
前記観測特徴量を、当該観測特徴量の観測対象又は前記対象者の活動状態の少なくとも一方に基づき分類する第2分類手段と、
前記分類手段による分類及び前記第2分類手段による分類に基づき分類された観測特徴量から、ストレス推定に用いる特徴量であるストレス推定特徴量を選択する特徴量選択手段と、をさらに有し、
前記学習手段は、前記ストレス推定特徴量と、当該ストレス推定特徴量に対応する正解のストレス値とに基づき、前記クラスごとに、前記ストレス推定モデルの学習を行う、付記1~5のいずれか一項に記載の学習装置。
[付記7]
前記特徴量選択手段は、前記分類手段による分類及び前記第2分類手段による分類に基づき分類された観測特徴量と、前記ストレス値との相関に基づき、前記ストレス推定特徴量を選択する、付記6に記載の学習装置。
[付記8]
ストレス推定の対象となる推定対象者の観測特徴量が複数のクラスの各々に属する確信度を表す分類スコアを算出する分類スコア算出手段と、
前記複数のクラスの夫々に対応するストレス推定モデルが前記観測特徴量に基づき推定した前記推定対象者のストレス値を取得するストレス推定手段と、
前記ストレス推定モデルの各々が推定した前記推定対象者のストレス値を前記分類スコアにより統合したストレス推定値を算出する統合手段と、
を有するストレス推定装置。
[付記9]
前記分類スコア算出手段は、前記推定対象者の属性を表す属性情報と、分類モデルとに基づき、前記分類スコアを算出し、
前記分類モデルは、学習用の観測特徴量を、当該観測特徴量と当該観測特徴量に対応する正解のストレス値との相関関係を表す指標が分類前よりも高くなるように分類するモデルである、付記8に記載のストレス推定装置。
[付記10]
前記観測特徴量から、ストレス推定に用いる特徴量であるストレス推定特徴量を選択する特徴量選択手段をさらに有し、
前記ストレス推定手段は、前記複数のクラスの夫々に対応するストレス推定モデルが前記ストレス推定特徴量に基づき推定した前記推定対象者のストレス値を統合した前記ストレス推定値を算出する、付記8または9に記載のストレス推定装置。
[付記11]
コンピュータが、
対象者の観測特徴量を、当該観測特徴量と当該観測特徴量に対応する正解のストレス値との相関関係を表す指標が分類前よりも高くなるように分類を行い、
前記観測特徴量と、前記正解のストレス値とに基づき、少なくとも前記分類により分けられたクラスごとに、前記観測特徴量と前記ストレス値との関係を推定するストレス推定モデルの学習を行う、
学習方法。
[付記12]
コンピュータが、
ストレス推定の対象となる推定対象者の観測特徴量が複数のクラスの各々に属する確信度を表す分類スコアを算出し、
前記複数のクラスの夫々に対応するストレス推定モデルが前記観測特徴量に基づき推定した前記推定対象者のストレス値を取得し、
前記ストレス推定モデルの各々が推定した前記推定対象者のストレス値を前記分類スコアにより統合したストレス推定値を算出する、
ストレス推定方法。
[付記13]
対象者の観測特徴量を、当該観測特徴量と当該観測特徴量に対応する正解のストレス値との相関関係を表す指標が分類前よりも高くなるように分類を行い、
前記観測特徴量と、前記正解のストレス値とに基づき、少なくとも前記分類により分けられたクラスごとに、前記観測特徴量と前記ストレス値との関係を推定するストレス推定モデルの学習を行う処理をコンピュータに実行させるプログラムが格納された記憶媒体。
[付記14]
ストレス推定の対象となる推定対象者の観測特徴量が複数のクラスの各々に属する確信度を表す分類スコアを算出し、
前記複数のクラスの夫々に対応するストレス推定モデルが前記観測特徴量に基づき推定した前記推定対象者のストレス値を取得し、
前記ストレス推定モデルの各々が推定した前記推定対象者のストレス値を前記分類スコアにより統合したストレス推定値を算出する処理をコンピュータに実行させるプログラムが格納された記憶媒体。
以上、実施形態を参照して本願発明を説明したが、本願発明は上記実施形態に限定されるものではない。本願発明の構成や詳細には、本願発明のスコープ内で当業者が理解し得る様々な変更をすることができる。すなわち、本願発明は、請求の範囲を含む全開示、技術的思想にしたがって当業者であればなし得るであろう各種変形、修正を含むことは勿論である。また、引用した上記の特許文献及び非特許文献の各開示は、本書に引用をもって繰り込むものとする。
1 情報処理装置
1A ストレス推定装置
1B、1X 学習装置
2 入力装置
3 表示装置
4 記憶装置
5 センサ
8 端末装置
100、100A ストレス推定システム
1A ストレス推定装置
1B、1X 学習装置
2 入力装置
3 表示装置
4 記憶装置
5 センサ
8 端末装置
100、100A ストレス推定システム
Claims (14)
- 対象者の観測特徴量を、当該観測特徴量と当該観測特徴量に対応する正解のストレス値との相関関係を表す指標が分類前よりも高くなるように分類を行う分類手段と、
前記観測特徴量と、前記正解のストレス値とに基づき、少なくとも前記分類により分けられたクラスごとに、前記観測特徴量と前記ストレス値との関係を推定するストレス推定モデルの学習を行う学習手段と、
を有する学習装置。 - 前記対象者の属性を表す属性情報と、前記分類の結果とに基づき、前記属性と前記クラスとの関係を推定する分類モデルを学習する分類モデル学習手段をさらに有する請求項1に記載の学習装置。
- 前記分類手段は、前記属性情報と前記分類モデルとに基づき、前記ストレス推定モデルの各々の学習に用いる前記観測特徴量を分類する、請求項2に記載の学習装置。
- 前記分類手段は、前記対象者の属性を表す属性情報に基づき、複数のクラスに前記観測特徴量を分類後、前記複数のクラスの各々の前記指標が上昇するように前記複数のクラス間での前記観測特徴量の移動を行う、請求項1~3のいずれか一項に記載の学習装置。
- 前記分類手段は、複数のクラスに前記観測特徴量を分類後、前記複数のクラスの各々のうち細分化により前記指標が高くなるクラスの細分化を行う、請求項1~4のいずれか一項に記載の学習装置。
- 前記観測特徴量を、当該観測特徴量の観測対象又は前記対象者の活動状態の少なくとも一方に基づき分類する第2分類手段と、
前記分類手段による分類及び前記第2分類手段による分類に基づき分類された観測特徴量から、ストレス推定に用いる特徴量であるストレス推定特徴量を選択する特徴量選択手段と、をさらに有し、
前記学習手段は、前記ストレス推定特徴量と、当該ストレス推定特徴量に対応する正解のストレス値とに基づき、前記クラスごとに、前記ストレス推定モデルの学習を行う、請求項1~5のいずれか一項に記載の学習装置。 - 前記特徴量選択手段は、前記分類手段による分類及び前記第2分類手段による分類に基づき分類された観測特徴量と、前記ストレス値との相関に基づき、前記ストレス推定特徴量を選択する、請求項6に記載の学習装置。
- ストレス推定の対象となる推定対象者の観測特徴量が複数のクラスの各々に属する確信度を表す分類スコアを算出する分類スコア算出手段と、
前記複数のクラスの夫々に対応するストレス推定モデルが前記観測特徴量に基づき推定した前記推定対象者のストレス値を取得するストレス推定手段と、
前記ストレス推定モデルの各々が推定した前記推定対象者のストレス値を前記分類スコアにより統合したストレス推定値を算出する統合手段と、
を有するストレス推定装置。 - 前記分類スコア算出手段は、前記推定対象者の属性を表す属性情報と、分類モデルとに基づき、前記分類スコアを算出し、
前記分類モデルは、学習用の観測特徴量を、当該観測特徴量と当該観測特徴量に対応する正解のストレス値との相関関係を表す指標が分類前よりも高くなるように分類するモデルである、請求項8に記載のストレス推定装置。 - 前記観測特徴量から、ストレス推定に用いる特徴量であるストレス推定特徴量を選択する特徴量選択手段をさらに有し、
前記ストレス推定手段は、前記複数のクラスの夫々に対応するストレス推定モデルが前記ストレス推定特徴量に基づき推定した前記推定対象者のストレス値を統合した前記ストレス推定値を算出する、請求項8または9に記載のストレス推定装置。 - コンピュータが、
対象者の観測特徴量を、当該観測特徴量と当該観測特徴量に対応する正解のストレス値との相関関係を表す指標が分類前よりも高くなるように分類を行い、
前記観測特徴量と、前記正解のストレス値とに基づき、少なくとも前記分類により分けられたクラスごとに、前記観測特徴量と前記ストレス値との関係を推定するストレス推定モデルの学習を行う、
学習方法。 - コンピュータが、
ストレス推定の対象となる推定対象者の観測特徴量が複数のクラスの各々に属する確信度を表す分類スコアを算出し、
前記複数のクラスの夫々に対応するストレス推定モデルが前記観測特徴量に基づき推定した前記推定対象者のストレス値を取得し、
前記ストレス推定モデルの各々が推定した前記推定対象者のストレス値を前記分類スコアにより統合したストレス推定値を算出する、
ストレス推定方法。 - 対象者の観測特徴量を、当該観測特徴量と当該観測特徴量に対応する正解のストレス値との相関関係を表す指標が分類前よりも高くなるように分類を行い、
前記観測特徴量と、前記正解のストレス値とに基づき、少なくとも前記分類により分けられたクラスごとに、前記観測特徴量と前記ストレス値との関係を推定するストレス推定モデルの学習を行う処理をコンピュータに実行させるプログラムが格納された記憶媒体。 - ストレス推定の対象となる推定対象者の観測特徴量が複数のクラスの各々に属する確信度を表す分類スコアを算出し、
前記複数のクラスの夫々に対応するストレス推定モデルが前記観測特徴量に基づき推定した前記推定対象者のストレス値を取得し、
前記ストレス推定モデルの各々が推定した前記推定対象者のストレス値を前記分類スコアにより統合したストレス推定値を算出する処理をコンピュータに実行させるプログラムが格納された記憶媒体。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2021/047902 WO2023119562A1 (ja) | 2021-12-23 | 2021-12-23 | 学習装置、ストレス推定装置、学習方法、ストレス推定方法及び記憶媒体 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2021/047902 WO2023119562A1 (ja) | 2021-12-23 | 2021-12-23 | 学習装置、ストレス推定装置、学習方法、ストレス推定方法及び記憶媒体 |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2023119562A1 true WO2023119562A1 (ja) | 2023-06-29 |
Family
ID=86901773
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/JP2021/047902 WO2023119562A1 (ja) | 2021-12-23 | 2021-12-23 | 学習装置、ストレス推定装置、学習方法、ストレス推定方法及び記憶媒体 |
Country Status (1)
Country | Link |
---|---|
WO (1) | WO2023119562A1 (ja) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017090170A1 (ja) * | 2015-11-27 | 2017-06-01 | 富士通株式会社 | 症例データ生成支援プログラム、症例データ生成支援システム及び症例データ生成支援方法 |
WO2019069417A1 (ja) * | 2017-10-05 | 2019-04-11 | 日本電気株式会社 | 生体情報処理装置、生体情報処理システム、生体情報処理方法、および記憶媒体 |
CN109981474A (zh) * | 2019-03-26 | 2019-07-05 | 中国科学院信息工程研究所 | 一种面向应用软件的网络流量细粒度分类***及方法 |
JP2020048838A (ja) * | 2018-09-26 | 2020-04-02 | 株式会社国際電気通信基礎技術研究所 | 推定装置、推定プログラムおよび推定方法 |
WO2020209117A1 (ja) * | 2019-04-08 | 2020-10-15 | 日本電気株式会社 | ストレス推定装置、ストレス推定方法およびコンピュータ読み取り可能な記録媒体 |
WO2020235269A1 (ja) * | 2019-05-23 | 2020-11-26 | コニカミノルタ株式会社 | 物体検出装置、物体検出方法、プログラムおよび記録媒体 |
WO2021210172A1 (ja) * | 2020-04-17 | 2021-10-21 | 日本電気株式会社 | データ処理装置、システム、データ処理方法、および記録媒体 |
JP2021171235A (ja) * | 2020-04-22 | 2021-11-01 | メロディ・インターナショナル株式会社 | データ処理装置、データ処理方法及びプログラム |
-
2021
- 2021-12-23 WO PCT/JP2021/047902 patent/WO2023119562A1/ja active Application Filing
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017090170A1 (ja) * | 2015-11-27 | 2017-06-01 | 富士通株式会社 | 症例データ生成支援プログラム、症例データ生成支援システム及び症例データ生成支援方法 |
WO2019069417A1 (ja) * | 2017-10-05 | 2019-04-11 | 日本電気株式会社 | 生体情報処理装置、生体情報処理システム、生体情報処理方法、および記憶媒体 |
JP2020048838A (ja) * | 2018-09-26 | 2020-04-02 | 株式会社国際電気通信基礎技術研究所 | 推定装置、推定プログラムおよび推定方法 |
CN109981474A (zh) * | 2019-03-26 | 2019-07-05 | 中国科学院信息工程研究所 | 一种面向应用软件的网络流量细粒度分类***及方法 |
WO2020209117A1 (ja) * | 2019-04-08 | 2020-10-15 | 日本電気株式会社 | ストレス推定装置、ストレス推定方法およびコンピュータ読み取り可能な記録媒体 |
WO2020235269A1 (ja) * | 2019-05-23 | 2020-11-26 | コニカミノルタ株式会社 | 物体検出装置、物体検出方法、プログラムおよび記録媒体 |
WO2021210172A1 (ja) * | 2020-04-17 | 2021-10-21 | 日本電気株式会社 | データ処理装置、システム、データ処理方法、および記録媒体 |
JP2021171235A (ja) * | 2020-04-22 | 2021-11-01 | メロディ・インターナショナル株式会社 | データ処理装置、データ処理方法及びプログラム |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ciman et al. | Individuals’ stress assessment using human-smartphone interaction analysis | |
US20230255564A1 (en) | Systems and methods for machine-learning-assisted cognitive evaluation and treatment | |
Barut et al. | Multitask LSTM model for human activity recognition and intensity estimation using wearable sensor data | |
KR101779800B1 (ko) | 기계학습 기반 다면적 성장 평가 방법 및 시스템 | |
Demrozi et al. | B-HAR: An open-source baseline framework for in depth study of human activity recognition datasets and workflows | |
Hariharan et al. | A new feature constituting approach to detection of vocal fold pathology | |
WO2021142532A1 (en) | Activity recognition with deep embeddings | |
Vildjiounaite et al. | Unsupervised stress detection algorithm and experiments with real life data | |
Umematsu et al. | Forecasting stress, mood, and health from daytime physiology in office workers and students | |
Daniels et al. | Personalised Glucose Prediction via Deep Multitask Networks. | |
Yan et al. | Estimating individualized daily self-reported affect with wearable sensors | |
WO2020157493A1 (en) | Mental state determination method and system | |
Buskirk et al. | Why machines matter for survey and social science researchers: Exploring applications of machine learning methods for design, data collection, and analysis | |
Zhou et al. | Population analysis of mortality risk: Predictive models from passive monitors using motion sensors for 100,000 UK Biobank participants | |
Warsi et al. | Ensemble learning on diabetes data set and early diabetes prediction | |
CN108601567A (zh) | 推测方法、推测程序、推测装置及推测*** | |
WO2023119562A1 (ja) | 学習装置、ストレス推定装置、学習方法、ストレス推定方法及び記憶媒体 | |
WO2022208874A1 (ja) | 学習装置、ストレス推定装置、学習方法、ストレス推定方法及び記憶媒体 | |
CN116739037A (zh) | 具有人格特征的人格模型构建方法及装置 | |
Wilson et al. | Domain Adaptation Under Behavioral and Temporal Shifts for Natural Time Series Mobile Activity Recognition | |
WO2023275975A1 (ja) | 認知機能推定装置、認知機能推定方法及び記憶媒体 | |
Jeong et al. | DeepHealthNet: Adolescent Obesity Prediction System Based on a Deep Learning Framework | |
WO2017174789A1 (en) | A system and method for generating one or more statements | |
WO2022208873A1 (ja) | ストレス推定装置、ストレス推定方法及び記憶媒体 | |
WO2023135632A1 (ja) | ストレス推定装置、ストレス推定方法及び記憶媒体 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 21968997 Country of ref document: EP Kind code of ref document: A1 |
|
WWE | Wipo information: entry into national phase |
Ref document number: 2023568939 Country of ref document: JP |