JP7579111B2 - 健康管理装置 - Google Patents

Description

本発明は、ユーザの健康状態を予測する健康管理装置に関する。

特許文献１には、音声入力より女性の月経開始や身体の不調に関する情報を取得し、また、気象データを取得することで、個人の月経周期と、その日に月経が開始する確率と、月経周期による不調が発生する確率と、気圧低下に対する個人の敏感度と、を算出して身体の不調に対して事前の警告を行う、総合的な体調管理システムを提供する。

特開２０１８－１９５０００号公報

しかしながら、個人の月経周期や、気象データを利用するだけでは、個々に合わせた月経に伴う各症状を詳細に予測することが困難であった。

そこで、上述の課題を解決するために、本発明は、月経などの健康状態に伴う各症状を個々のユーザごとに正確に予測することができる健康管理装置を提供することを目的とする。

本発明の健康管理装置は、複数のユーザの身体の健康に影響を及ぼす情報であるライフログデータを記憶する記憶部と、前記ライフログデータに基づいて、一のユーザの健康状態の所定の基準時の周辺期の症状について予測を行う症状予測部と、を備える。

この構成により、ユーザのライフログデータに基づいたユーザの健康状態の所定基準時の周辺期の症状の予測を、正確かつ簡単に行うことができる。

本発明によると、各ユーザのライフログデータを用いることでユーザの健康状態の所定の基準時の周辺期の症状の予測を正確に行うことができる。

本開示における健康管理システムのシステム構成を示す図である。 測定値転送装置３０の機能構成を示すブロック図である。 体調登録装置４０の機能構成を示すブロック図である。 基礎体質登録装置５０の機能構成を示すブロック図である。 月経情報登録装置６０の機能構成を示すブロック図である。 気象情報取得装置７０の機能構成を示すブロック図である。 データ収集解析装置１００の機能構成を示すブロック図である。 データ保存機能１２０が記憶するデータベースの具体例を示す図である。 データ収集解析装置１００における予測モデル生成処理を示すフローチャートである。 発症日予測モデル生成機能１３０による発症日予測モデルの生成処理を示すフローチャートである。 発症日予測機能１４０による任意の一の症状の発症日の予測処理を示すフローチャートである。 発症周期予測モデルの生成処理を示すフローチャートである。 周波数分析処理を説明するための図である。 発症周期予測機能１４５による一の症状の発症周期の予測処理を示すフローチャートである。 重症度予測モデル生成機能１５０による重症度予測モデルの生成処理を示すフローチャートである。 重症度予測機能１６０による一の症状の重症度の予測処理を示すフローチャートである。 重症度最大日予測モデル生成機能１５５の重症度最大日予測モデル生成処理を示すフローチャートである。 重症度最大日予測機能１６５による一の症状の重症度が最大となる日（最大日）の予測処理を示すフローチャートである。 本開示の一実施の形態に係るデータ収集解析装置１００のハードウェア構成の一例を示す図である。

添付図面を参照しながら本開示の実施形態を説明する。可能な場合には、同一の部分には同一の符号を付して、重複する説明を省略する。

図１は、本開示における健康管理システムのシステム構成を示す図である。図１に示されるとおり、健康管理システムは、計測装置２０、測定値転送装置３０、体調登録装置４０、基礎体質登録装置５０、月経情報登録装置６０、気象情報取得装置７０、およびデータ収集解析装置１００（健康管理装置）を含んで構成されている。このデータ収集解析装置１００は、計測装置２０、体調登録装置４０、基礎体質登録装置５０、月経情報登録装置６０、気象情報取得装置７０から、ユーザのライフログデータを収集して、解析する。後述する通り、ライフログデータは、個々のユーザの身体の健康状態を示すデータおよび／または健康に影響を及ぼすデータであって、ユーザの日々の生活を示す情報である。ライフログデータは、ユーザの身体の客観的な情報である測定値、ユーザの体調に関する体調データ、ユーザの基礎体質を示す基礎体質データ、ユーザの月経開始日、そのほか諸症状に関する月経データ、そのほか気象情報をも含む。気象データは、ユーザの居住地に関する気象を示し、気象に応じてユーザの健康に影響を及ぼす情報である。

計測装置２０は、ユーザから直接にライフログデータの一種である測定値を計測する部分である。本開示において、計測装置２０は、血圧計、体重計、活動量計、体温計の少なくとも一つを含み、ユーザの血圧、体重、心拍数、消費カロリー、体温など身体の客観的なデータを計測する。

測定値転送装置３０は、計測装置２０で計測した各ライフログデータの一種である測定値を、その測定日ととともにネットワーク９０を介してデータ収集解析装置１００に転送する装置である。

体調登録装置４０は、ユーザ操作を受け付けて、登録日（発症日に相当）および体調データを受け取り、これをデータ収集解析装置１００に記憶させる。体調データは、睡眠時間、服薬の有無を示すが、これら以外の食事の内容または量、そのほか満足感を含んでもよい。また、睡眠時間の他に、睡眠に対する満足感などを含んでもよい。体調データは、ユーザの生活習慣に関連する情報である。

基礎体質登録装置５０は、ユーザ操作を受け付けて、基礎体質データを受け取り、データ収集解析装置１００に登録する装置である。基礎体質データとは、年齢、ＢＭＩ（ボディマス指数：Body Mass Index）、出産歴、既往歴などを示す情報である。基礎体質データは、ユーザの既往歴、１年に１度程度更新される情報、一般的に１年以内に大きく変動することが想定しがたい身体情報を示すデータである。

月経情報登録装置６０は、ユーザ操作を受け付けて、月経データを受け取り、データ収集解析装置１００に登録する装置である。月経データとは、月経の発症日、および月経時の周辺期（月経の前後の所定期間）における諸症状を示す情報（以下、症状情報とする）である。当該諸症状とは、月経周期に関連して発症する症状で、卵胞期、排卵期、黄体期または月経期の少なくともいずれかの時期に発症する症状を示す。具体的には、この諸症状は、腰痛、頭痛、腹痛、気分の不快感、イライラ感、出血の有無、胸の張り、おりものの有無、肌の状態、または倦怠感の少なくとも一つを示す。

気象情報取得装置７０は、気象庁などが所有する気象データベースからユーザが居住している地域の気象データ（気温、天候、気圧、湿度など）を取得する装置である。

データ収集解析装置１００は、各装置から収集したデータを記憶し、それらデータに基づいて機械学習（使用する機械学習手法は問わない。例えば、古典的な線形モデルであっても良いし、XGBoost、LightGBMといった非線形モデル、あるいはDNNといった深層学習を用いても良い。）による周辺期症状の発症日、発症終了日、発症周期、重症度、重症度の最大日のそれぞれの予測モデルを生成する。そして、これら予測モデルを用いて周辺期症状の発症日、発症終了日、発症周期、重症度、および重症度の最大日の予測を行う。

なお、上記説明において、ユーザ操作によってライフログデータを受け付け、登録しているが、これに限るものではなく、ユーザはユーザ端末を操作して、ユーザ端末から各装置に各種ライフログデータを送信して登録してもよい。

以下、これら装置について説明する。図２は、測定値転送装置３０の機能構成を示すブロック図である。図に示されるとおり、測定値転送装置３０は、データ取得機能３１、データ転送機能３２、計測装置認証機能３３、および利用者認証機能３４を備える。

データ取得機能３１は、計測装置２０において測定された測定値および測定日を取得する機能である。

データ転送機能３２は、取得した測定値および測定日をデータ収集解析装置１００に転送する機能である。

計測装置認証機能３３は、計測装置２０から測定値を取得する際に、その計測装置２０の認証処理を行う機能である。認証処理は、公知の認証処理であり、例えば、計測装置２０の識別情報の照合を行う処理である。

利用者認証機能３４は、計測装置２０から測定値を取得する際に、利用者であるユーザの認証処理を行う機能である。認証処理は、公知の認証処理であり、例えば、ユーザの識別情報およびそのパスワードの照合を行う処理である。

図３は、体調登録装置４０の機能構成を示すブロック図である。体調登録装置４０は、データ登録機能４１，データ転送機能４２、および利用者認証機能４３を含んで構成されている。

データ登録機能４１は、ユーザ操作を受け付ける部分を備え、その操作に従って、体調データおよびその登録日を受け付ける機能である。

データ転送機能４２は、体調データおよび登録日をデータ収集解析装置１００に転送する機能である。

利用者認証機能４３は、データ登録機能４１が体調データを受け付ける際、利用者であるユーザの認証処理を行う機能である。認証処理は公知の認証処理であり、例えばユーザの識別情報およびパスワードの照合を行う処理である。

図４は、基礎体質登録装置５０の機能構成を示すブロック図である。基礎体質登録装置５０は、データ登録機能５１およびデータ転送機能５２を備える。

データ登録機能５１は、ユーザ操作を受け付ける部分を備え、その操作に従って、基礎体質データおよびその登録日を受け付ける機能である。

データ転送機能５２は、基礎体質データおよび登録日をデータ収集解析装置１００に転送する機能である。

図５は、月経情報登録装置６０の機能構成を示すブロック図である。月経情報登録装置６０は、データ登録機能６１およびデータ転送機能６２を備える。

データ登録機能６１は、ユーザ操作を受け付ける部分を備え、その操作に従って、月経データを受け付ける機能である。

データ転送機能５２は、月経データをデータ収集解析装置１００に転送する機能である。

図６は、気象情報取得装置７０の機能構成を示すブロック図である。

気象情報取得装置７０は、データ取得機能７１およびデータ転送機能７２を備える。

データ取得機能７１は、定期的に、またはデータ収集解析装置１００において推定モデル生成時に、気象情報データベースにアクセスして、ユーザの位置または居住地、並びに上記各種情報の登録日（または測定日）に応じた気象情報を取得する機能である。ユーザの位置または居住地は、あらかじめ登録された情報とするが、ＧＰＳ等を利用した位置としてもよい。

データ転送機能７２は、ユーザごとの気象情報をデータ収集解析装置１００に転送する機能である。

図７は、データ収集解析装置１００の機能構成を示すブロック図である。図に示されるとおり、データ収集解析装置１００は、データ取得機能１１０、データ保存機能１２０、発症日予測モデル生成機能１３０、発症周期予測モデル生成機能１３５、発症日予測機能１４０、発症周期予測機能１４５、重症度予測モデル生成機能１５０、重症度最大日予測モデル生成機能１５５、重症度予測機能１６０、重症度最大日予測機能１６５、および結果通知機能１７０を含んで構成されている。
なお、データ収集解析装置１００は、複数の予測機能および複数の予測モデル機能を有しているが、これに限るものではない。ライフログデータに対して、発症日、発症終了日、発症周期、重症度、および重症度最大日を出力する一つまたはいくつかの予測モデルを学習し、これを利用してもよい。また、後述する説明では、各予測モデル生成機能は、全ての症状に対してそれぞれの予測モデル（発症日予測モデル、発症周期予測モデル、重症度予測モデル、重症度最大日予測モデル）を生成しているが、それぞれ症状ごとに予測値を出力する一つまたはいくつかの予測モデルを生成してもよい。

データ取得機能１１０は、測定値転送装置３０、体調登録装置４０、基礎体質登録装置５０、月経情報登録装置６０、および気象情報取得装置７０から各種情報を取得する機能である。

データ保存機能１２０は、データ取得機能１１０が取得した各種情報を記憶する機能であり、いわゆる記憶部である。図８は、データ保存機能１２０が記憶するデータベースの具体例を示す図である。図に示されるとおり、ユーザＩＤごとに、測定値データ、月経データ、体調データ、基礎体質データ、および気象データを対応付けて記憶している。これら各種データには登録日（または測定日）が対応付けられている。

測定値データは、体温、体重、活動量（心拍数）などと登録日とが対応付けられた情報である。

体調データは、睡眠時間および服薬の有無と、登録日とが対応付けられた情報である。

月経データは、月経開始日、月経終了日、または月経周辺期の諸症状およびその登録日である。当該周辺期の諸症状は、腹痛の有無または程度、頭痛の有無または程度、腰痛の有無または程度、気分の不快感の有無または程度、いらいらする状態の有無または程度、出血の有無または程度、むねの張りまたは程度、おりものの有無または量、および肌の状態、倦怠感の有無または程度の少なくとも一つである。

基礎体質データは、年齢、ＢＭＩ、出産の有無などと登録日とが対応付けられた情報である。

気象データは、気温、天候、湿度、気圧と登録日とが対応付けられた情報である。

データ保存機能１２０は、図８では、ユーザＡのみの上記各種情報を記憶しているが、ユーザＡ以外のすべてのユーザについての上記各種情報を記憶している。

データ抽出機能１２５は、データ保存機能１２０に記憶されている各種データを、各予測モデルを生成するために抽出する機能である。例えば、データ抽出機能１２５は、予測モデル生成に有用な所定期間、データ登録を行ったユーザのライフログデータを抽出する。

発症日予測モデル生成機能１３０は、月経周辺期における発症日および発症終了日を予測するための予測モデル（発症日予測モデル）を生成する機能である。この発症日予測モデル生成機能１３０は、データ抽出機能１２５が抽出した測定値データ、月経データ、体調データ、基礎体質データ、気象データを特徴量（説明変数）とし、月経開始日と発症日との日にちの差分を目的変数として、月経周辺期症状の発症日および発症終了日を予測するための発症日予測モデルを生成する。詳細については後述する。なお、発症日予測モデルは、発症日または発症終了日のいずれかを出力するものとしてもよい。

発症周期予測モデル生成機能１３５は、発症周期を予測するための予測モデル（発症周期予測モデル）を生成する機能である。この発症周期予測モデル生成機能１３５は、データ抽出機能１２５が抽出した測定値データ、月経データ、体調データ、基礎体質データ、気象データを特徴量（説明変数）とし、発症日の周期を目的変数として、月経周辺期症状の発症周期を予測するための発症周期予測モデルを生成する。詳細については後述する。

発症日予測機能１４０は、発症日予測モデル生成機能１３０が生成した発症日予測モデルを記憶しており、これを用いて月経周辺期の各症状の発症日および発症終了日を予測する機能である。発症日予測機能１４０は、予測時におけるユーザの測定値データ、月経データ、基礎体質データ、気象データなどのライフログデータを入力することで、各周辺期症状の発症日および発症終了日を予測する。

発症周期予測機能１４５は、発症周期予測モデル生成機能１３５が生成した発症周期予測モデルを記憶しており、これを用いて月経周辺期の各症状の発症周期を予測する機能である。発症周期予測機能１４５は、予測時におけるユーザの測定値データ、月経データ、基礎体質データ、気象データなどのライフログデータを入力することで、各周辺期症状のその周期を予測する。

重症度予測モデル生成機能１５０は、月経周辺期における各症状の重症度を予測するための重症度予測モデルを生成する機能である。この重症度予測モデル生成機能１５０は、データ抽出機能１２５が抽出した測定値データ、月経データ、体調データ、基礎体質データ、気象データを特徴量（説明変数）とし、症状が最大となる重症度を目的変数として、月経周辺期症状の最大重症度を予測するための重症度予測モデルを生成する。詳細については後述する。

重症度最大日予測モデル生成機能１５５は、月経周辺期における各症状の重症度が最大となる日（重症度最大日）を予測するための重症度最大日予測モデルを生成する機能である。この重症度最大日予測モデル生成機能１５５は、データ抽出機能１２５が抽出した測定値データ、月経データ、体調データ、基礎体質データ、気象データを特徴量（説明変数）とし、症状の重症度が最大となる日を目的変数として、月経周辺期症状の最大重症度となる日を予測するための重症度最大日予測モデルを生成する。詳細については後述する。

重症度予測機能１６０は、重症度予測モデル生成機能１５０により生成された重症度予測モデルを記憶しており、これを利用して月経周辺期に発症する各症状の重症度を予測する機能である。

重症度最大日予測機能１６５は、重症度最大日予測モデル生成機能１５５により生成された重症度最大日予測モデルを記憶しており、これを利用して月経周辺期に発症する各症状の重症度が最大となる日を予測する機能である。

結果通知機能１７０は、発症日予測モデル、周期予測モデル、重症度予測モデル、および重症度最大日予測モデルを用いて予測された、月経の周辺期に発症する各症状の発症日、発症終了日、発症周期、重症度、および重症度が最大となる日（重症度最大日）を、ユーザに通知する機能である。

上記予測モデル生成処理は定期的若しくは任意に行われる。また、予測処理および通知処理は、定期的若しくはユーザの指定に行われる。

つぎに、本開示のデータ収集解析装置１００の動作について説明する。図９は、データ収集解析装置１００における予測モデル生成処理を示すフローチャートである。データ取得機能１１０は、各装置の全部または一部から各種データ（ライフログデータ）を取得し、データ保存機能１２０はそれを記憶する（Ｓ１００）。データ保存機能１２０は、記憶したライフログデータに対して、異常値の検出、除去、および欠測値の補間を行う（Ｓ１０１）。

データ抽出機能１２５は、過去３か月以上一定回数以上のライフログデータを記憶したユーザを抽出する（Ｓ１０２）。なお、３か月に限定するものではなく、所定期間において一定回数以上としてもよい。

発症日予測モデル生成機能１３０は、データ保存機能１２０に記憶されているライフログデータを利用して発症日予測モデルを生成する（Ｓ１０３）。この発症日予測モデルは、月経周辺期に発症する頭痛、腹痛などの症状ごとに生成される。発症日予測機能１４０は、発症日予測モデルを用いて、次回以降の月経周辺期症状の発症日および発症終了日を予測する（Ｓ１０４）。

さらに、発症周期予測モデル生成機能１３５は、ライフログデータを利用して発症周期予測モデルを生成する（Ｓ１０５）。この発症周期予測モデルは、月経周辺期に発症する頭痛、腹痛などの症状ごとに生成される。発症周期予測機能１４５は、発症周期予測モデルを用いて、次回以降の月経周辺期症状の発症周期を予測する（Ｓ１０６）。

また、重症度予測モデル生成機能１５０は、データ保存機能１２０に記憶されているライフログデータを利用して重症度予測モデルを生成する（Ｓ１０７）。この重症度予測モデルは、症状ごとに生成される。重症度予測機能１６０は、重症度予測モデルを利用して、次回以降の重症度を予測する（Ｓ１０８）。

また、重症度最大日予測モデル生成機能１５５は、ライフログデータを利用して重症度最大日モデルを生成する（Ｓ１０９）。この重症度最大日予測モデルは、症状ごとに生成される。重症度最大日予測機能１６５は、重症度最大日予測モデルを利用して、次回以降の重症度が最大となる日を予測する（Ｓ１１０）。

結果通知機能１７０は、発症日予測機能１４０、発症周期予測機能１４５、重症度予測機能１６０、重症度最大日予測機能１６５のそれぞれが予測した各症状の発症日、発症終了日、発症周期、重症度、および重症度が最大となる日を、ユーザに通知する（Ｓ１１１）。

上記予測処理Ｓ１０４、Ｓ１０６、Ｓ１０８、およびＳ１１０は、各予測モデル生成後に実行されることに限定されず、予測処理のみが任意のタイミングで実行されてもよい。

つぎに、処理Ｓ１０３の詳細処理について説明する。図１０は、発症日予測モデル生成機能１３０による発症日予測モデルの生成処理を示すフローチャートである。

発症日予測モデル生成機能１３０は、抽出した各ユーザの月経データに基づいて、各ユーザの月経開始日を抽出する。そして、各ユーザの月経周期を算出する（Ｓ１０３－１）。３以上の月経開始日がある場合には、その平均値をそのユーザの月経周期とする。

発症日予測モデル生成機能１３０は、月経周辺期症状別に処理ループを回す（Ｓ１０３－２、Ｓ１０３－３）。すなわち、発症日予測モデル生成機能１３０は、データ保存機能１２０に記憶されている月経データから、症状ごとに当該症状を発症したユーザのライフログデータを抽出する（Ｓ１０３－３）。症状とは、頭痛、腹痛等であり、ユーザによっては、頭痛および腹痛の両方を発症し、また頭痛は発症するが、腹痛は発症しない等があり得る。本開示では、頭痛を発症したユーザ、腹痛を発症したユーザなど、症状ごとに当該症状が発症したユーザのライフログデータを収集する。よって、同じライフログデータが重複して扱われる場合がある。なお、図８における体調データは、その症状の程度で表されている。体調データにおいて、症状がない場合には、０が付されている。なお、症状の程度が極めて低い場合、その症状は、ないとして扱ってもよい。

発症日予測モデル生成機能１３０は、ユーザごとに、月経開始日と月経開始日に一番近い発症日初日との日数差Ｄ１を算出する（Ｓ１０３－４）。症状は継続して発症しており、発症日初日とは、その発症した初日を示す。ここでの処理は、その初日が月経開始日に最も近い日を求める。

発症日予測モデル生成機能１３０は、体調データ、基礎体質データ、気象データ、月経開始日、および月経周期を特徴量（説明変数）とし、日数差Ｄ１を目的変数として、任意の機械学習手法を用いて、月経開始日および当該月経開始日から一番近い当該症状の発症日初日を予測するための発症日予測モデルを生成する。この発症日予測モデルは、Ｓ１０３－２で決めた症状の発症日等を予測する予測モデルである。

発症日予測モデル生成機能１３０は、これら処理を全症状（頭痛、腹痛等）について行い、全ての症状に対する発症日予測モデルを生成する（Ｓ１０３－６）。
なお、説明の便宜上、発症日に着目して発症日予測モデルの生成処理について説明したが、この発症日予測モデルは、発症終了日についても同様に学習される。すなわち、発症日予測モデル生成機能１３０は、発症日初日の対となる発症終了日と月経開始日との日数差を算出し、その日数差に基づいて、発症終了日のための発症日予測モデルを学習する。

つぎに、発症日予測モデルを利用した予測処理について説明する。図１１は、発症日予測機能１４０による任意の一の症状の発症日の予測処理を示すフローチャートである。発症日予測機能１４０は、一のユーザのライフログデータを、一の症状に対応する発症日予測モデルに適用して、予測値を算出する（Ｓ１０４-１）。発症日予測機能１４０は、予測値を発症日に変換する（Ｓ１０４－２）。この予測値は、月経開始日と、当該月経開始日に最も近い症状の発症日初日との日数差である。発症日予測機能１４０は、次回の月経開始日を登録された月経開始日と、月経開始日から算出された月経周期から予測し、それを用いて症状の発症日を求めることができる。結果通知機能１７０は、症状の予測した発症日を一のユーザに通知する（Ｓ１０４－３）。これは一の症状についての発症日の通知処理である。これら処理をすべての症状について繰り返し行う。なお、ユーザが任意の症状を指定して、その症状のみの発症日等を予測してもらうようにしてもよい。

つぎに、処理Ｓ１０５について説明する。図１２は、発症周期予測モデルの生成処理を示すフローチャートである。発症周期予測モデル生成機能１３５は、抽出した各ユーザの月経データに基づいて、各ユーザの月経開始日を抽出する。そして、各ユーザの月経周期を算出する（Ｓ１０５－１）。３以上の月経開始日がある場合には、その平均値をそのユーザの月経周期とする。

発症周期予測モデル生成機能１３５は、月経周辺期症状別に処理ループを回す（Ｓ１０５－２、Ｓ１０５－３）。すなわち、発症周期予測モデル生成機能１３５は、データ保存機能１２０に記憶されている月経データから、症状ごとに当該症状を発症したユーザのライフログデータを抽出する（Ｓ１０５－３）。症状とは、頭痛、腹痛等であり、ユーザによっては、頭痛および腹痛の両方を発症し、また頭痛は発症するが、腹痛は発症しない等があり得る。よって、ライフログデータは、重複して利用される場合がある。

発症周期予測モデル生成機能１３５は、対象となる症状の発症日を用いて周波数分析または任意の回帰分析を用いて月経周辺期症状の発症周期Ｙを算出する（Ｓ１０５－４）。

ここで、発症周期Ｙの算出処理について説明する。図１３は、周波数分析処理を説明するための図である。周波数分析とは、時系列データに対してその周期性を導出してその特性を分析するための手法である。本開示においては、時系列データの横軸（時間軸）は、月経開始日から遡った日数とし、縦軸（振幅）は、その症状の全体に対する登録率とする。

図１３において、点線が、月経開始日から遡った日における症状ａを登録した登録率のグラフである。登録率は、全ユーザ数に対する、症状ａが発症したことを登録したユーザ数の割合であり、月経開始日から遡った日ごとに算出されている。この値を結んだものが点線で表されたグラフＧ１である。なお、縦軸において登録率にかえて、その症状の程度としてもよい。例えば、頭痛の程度、腹痛の程度を数値化した情報をユーザに入れてもらい、その平均をとるようにしてもよい。

発症周期予測モデル生成機能１３５は、この点線のグラフＧ１に対して周波数分析を行うことにより、実線のグラフＧ２で示される変動パターン（周期性）を抽出することができる。

そして、発症周期予測モデル生成機能１３５は、この実線グラフＧ２の振幅におけるピークを検出することで、ピーク間の日数、すなわち、症状ａにおける周期Ｙを算出することができる。この症状ａは、頭痛、腹痛等の月経の周辺期の各症状である。

発症周期予測モデル生成機能１３５は、体調データ、基礎体質データ、気象データ、月経開始日、および月経周期を特徴量とし、発症周期Ｙを目的変数とし、任意の機械学習手法を用いて、発症周期を予測するための発症周期予測モデルを生成する。この発症周期予測モデルは、Ｓ１０５－２で決めた症状の発症周期を予測する予測モデルである。

発症周期予測モデル生成機能１３５は、これら処理を全症状（頭痛、腹痛等）について行い、全ての症状に対する発症周期予測モデルを生成する（Ｓ１０５－６）。

つぎに、発症周期予測モデルを利用した予測処理について説明する。図１４は、発症周期予測機能１４５による一の症状の発症周期の予測処理を示すフローチャートである。発症周期予測機能１４５は、一のユーザのライフログデータを、一の症状に対応する発症周期予測モデルに適用して、当該一の症状の発症周期を予測する（Ｓ１０６-１）。結果通知機能１７０は、当該一の症状の発症周期を上記一のユーザに通知する（Ｓ１０６－２）。これは一の症状についての発症日の通知処理である。これら処理をすべての症状について繰り返し行う。なお、一のユーザが任意の症状を指定して、その症状のみの発症周期等を予測してもよい。

つぎに、処理Ｓ１０７の詳細処理について説明する。図１５は、重症度予測モデル生成機能１５０による重症度予測モデルの生成処理を示すフローチャートである。

重症度予測モデル生成機能１５０は、抽出した各ユーザの月経データに基づいて、各ユーザの月経開始日を抽出する。そして、各ユーザの月経周期を算出する（Ｓ１０７－１）。３以上の月経開始日がある場合には、その平均値をそのユーザの月経周期とする。

重症度予測モデル生成機能１５０は、月経周辺期症状別に処理ループを回す（Ｓ１０７－２）。すなわち、発症日予測モデル生成機能１３０は、月経周辺期の一の症状を決める。

そして、重症度予測モデル生成機能１５０は、当該月経周辺期の当該一の症状があるユーザのライフログデータから、月経開始日と、月経開始日に一番近い当該一の症状の重症度が最大となる重症度Ｌとを抽出する（Ｓ１０７－３）。すなわち、重症度予測モデル生成機能１５０は、いくつかある重症度がピークとなる発症日のうち、月経開始日に最も近い日の重症度Ｌを抽出する。これを各ユーザのライフログデータに対して行う。当該月経周辺期症状がない女性では、重症度を０として算出する。

そして、重症度予測モデル生成機能１５０は、体調データ、基礎体質データ、気象データ、月経開始日、および月経周期を特徴量（説明変数）とし、重症度Ｌを目的変数として、任意の機械学習手法を用いて、月経開始日および重症度をピークにするいくつかある日のうち月経開始日に最も近い日の重症度Ｌを予測するための重症度予測モデルを生成する。この重症度予測モデルは、Ｓ１０７－２で決めた一の症状の重症度を予測する予測モデルである。

重症度予測モデル生成機能１５０は、これら処理を全症状（頭痛、腹痛等）について行い、全ての症状に対する重症度予測モデルを生成する（Ｓ１０７－５）。

つぎに、重症度予測モデルを利用した予測処理について説明する。図１６は、重症度予測機能１６０による一の症状の重症度の予測処理を示すフローチャートである。重症度予測機能１６０は、ライフログデータを、一の症状に対応する重症度予測モデルに適用して、最大となる重症度を算出する（Ｓ１０８-１）。結果通知機能１７０は、当該一の症状の重症度をユーザに通知する（Ｓ１０８－２）。これは一の症状についての重症度の通知処理である。これら処理をすべての症状について繰り返し行う。なお、ユーザが任意の症状を指定して、その症状のみの重症度を予測してもらうようにしてもよい。

つぎに、重症度が最大となる発症日を予測するための重症度最大日予測モデルを生成する処理について説明する。図１７は、重症度最大日予測モデル生成機能１５５の重症度最大日予測モデル生成処理を示すフローチャートである。

重症度最大日予測モデル生成機能１５５は、抽出した各ユーザの月経データに基づいて、各ユーザの月経開始日を抽出する。そして、各ユーザの月経周期を算出する（Ｓ１０９－１）。３以上の月経開始日がある場合には、その平均値をそのユーザの月経周期とする。

重症度最大日予測モデル生成機能１５５は、月経周辺期症状別に処理ループを回す（Ｓ１０９－２、Ｓ１０９－３）。すなわち、重症度最大日予測モデル生成機能１５５は、データ保存機能１２０に記憶されている月経データから、症状ごとに当該症状を発症したユーザのライフログデータを抽出する（Ｓ１０９－３）。症状とは、頭痛、腹痛等であり、ユーザによっては、頭痛および腹痛の両方を発症し、また頭痛は発症するが、腹痛は発症しない等があり得る。

重症度最大日予測モデル生成機能１５５は、ユーザごとに、月経開始日と当該月経開始日に一番近い重症度が最大となる発症日との日数差Ｄ２を算出する（Ｓ１０９－４）。

重症度最大日予測モデル生成機能１５５は、体調データ、基礎体質データ、気象データ、月経開始日、および月経周期を特徴量とし、日数差Ｄ２を目的変数とし、任意の機械学習手法を用いて、月経開始および当該月経開始日に一番近い当該症状の重症度が最大となる発症日との日数差を予測するための発症日予測モデルを生成する。この重症度最大日予測モデルは、Ｓ１０９－２で決めた症状の重症が最大となる日を予測する予測モデルである。

重症度最大日予測モデル生成機能１５５は、これら処理を全症状（頭痛、腹痛等）について行い、全ての症状に対する重症度最大日予測モデルを生成する（Ｓ１０９－６）。

つぎに、重症度最大日予測モデルを利用した予測処理について説明する。図１８は、重症度最大日予測機能１６５による一の症状の重症度が最大となる日（重症度最大日）の予測処理を示すフローチャートである。重症度最大日予測機能１６５は、一のユーザのライフログデータを、一の症状に対応する重症度最大日予測モデルに適用して、予測値を算出する（Ｓ１１０-１）。重症度最大日予測機能１６５は、予測値を発症日に変換する（Ｓ１１０－２）。この予測値は、月経開始日と、当該月経開始日に最も近い、重症度が最大となる日との差分である。重症度最大日予測機能１６５は、月経開始日を登録された月経開始日と、月経開始日から算出された月経周期から予測し、それを用いて症状の重症度が最大となる日を求めることができる。結果通知機能１７０は、症状の重症度が最大となる日をユーザに通知する（Ｓ１１０－３）。これは一の症状についての重症度が最大となる日の通知処理である。これら処理をすべての症状について繰り返し行う。なお、ユーザが任意の症状を指定して、その症状のみの重症度が最大となる日を予測してもらうようにしてもよい。

つぎに、本開示のデータ収集解析装置１００の作用効果について説明する。本開示のデータ収集解析装置１００は、ユーザの身体の健康状態と健康に影響を及ぼす情報であるライフログデータを記憶する記憶部として機能するデータ保存機能１２０と、ライフログデータに基づいて、一のユーザの健康状態の所定の基準時の周辺期の症状について予測を行う症状予測部として機能する予測機能と、を備える。

この予測機能は、発症日予測機能１４０、発症周期予測機能１４５、重症度予測機能１６０、または重症度最大日予測機能１６５のうち少なくとも一つとする。

この構成により、ユーザのライフログデータに基づいてユーザの健康状態における所定の基準時の周辺期の症状を、正確かつ簡単に予測することができる。ライフログデータは、ユーザの健康状態と健康に影響を及ぼす情報であって、例えば、個々のユーザの身体に関する情報または身体に影響を及ぼす情報であることから、ユーザの特性にしたがった当該周辺期における症状についての予測を正確に行うことができる。このライフログデータは、ユーザの血圧、体重、活動量、体温、睡眠時間、服薬データ（服薬の有無）、月経開始日、居住地の情報の少なくとも一つを含むものとする。これら身体に関する情報または身体に影響を及ぼす情報を利用することで、個々のユーザの健康状態の所定の基準時周辺期の症状についての予測を可能にする。

また、本開示において、健康状態の所定の基準時の周辺期の症状とは、月経開始時の周辺期の症状である。月経開始日等の周期は、あまり個人差が出にくく、またその周期も分かりやすいものの、その周辺期の症状については個人差があり、それを事前に把握したいという要望がある。

本開示においては、特に月経開始日周辺期の症状として、腹痛、頭痛、腰痛、気分の不快感、いらいらする状態、出血、むねの張り、おりもの、肌あれ、または倦怠感が考えられている。これら症状には、個人差もあり、またその周期性もはっきりしていない場合がある。

本開示において、ユーザのライフログデータからこれら諸症状について予測を行うことができる。

上記予測機能である発症日予測機能１４０または発症周期予測機能１４５は、ユーザのライフログデータから症状の発症日、発症終了日または発症周期を予測する。また、予測機能である重症度予測機能１６０または重症度最大日予測機能１６５は、ユーザのライフログデータから症状の重症度合いまたは重症度が最大であるときの日を予測する。

この構成により、ライフログデータから、月経に伴う腹痛、頭痛等の発症日、発症終了日、発症周期、重症度の程度、重症度が最大となる日を予測することができる。

本開示のデータ収集解析装置１００において、各予測機能（発症日予測機能１４０、発症周期予測機能１４５、重症度予測機能１６０および重症度最大日予測機能１６５）は、ユーザのライフログデータを説明変数とし、ユーザの健康状態の所定の基準時の周辺期の症状についての情報を目的変数として学習された予測モデルを記憶している。ここでの周辺期の症状として、それぞれ発症日、発症終了日、発症周期、重症度の程度、重症度が最大となる日を目的変数とする。

これら予測機能は、一のユーザのライフログデータを予測モデルに入力して、一のユーザの健康状態の所定の基準時の周辺期の症状、例えば月経開始時の周辺期における諸症状に関する情報を予測することができる。

本開示において、発症日予測モデルまたは重症度最大日予測モデルは、基準時と症状に関する日時との差分情報を目的変数として学習されている。すなわち、基準時である月経開始日と、症状に関する日時である発症日、発症終了日または重症度最大日との日数差を目的変数として学習される。

発症日、発症終了日および重症度最大日は、月経開始日と相関がありこれを利用することで、各諸症状の発症日および発症終了日の予測を可能にする。

各予測機能（発症日予測機能１４０、発症周期予測機能１４５、重症度予測機能１６０および重症度最大日予測機能１６５）は、症状ごとに学習された複数の予測モデルを記憶している。予測機能は、複数の予測モデルから、症状に応じた予測モデルを選択して予測を行う。症状ごとに予測モデルを備えることで、正確な予測を可能にする。

本開示のデータ収集解析装置１００は、ユーザのライフログデータを説明変数とし、ユーザの健康状態の所定の基準時の周辺期の症状についての情報（発症日、発症終了日、発症周期、重症度、重症度最大日）を目的変数として予測モデルを学習して生成する予測モデル生成機能をさらに備える。この予測モデル生成機能は、発症日予測モデル生成機能１３０、発症周期予測モデル生成機能１３５、重症度予測モデル生成機能１５０、および重症度最大日予測モデル生成機能１５５の少なくとも一つである。

上記実施形態の説明に用いたブロック図は、機能単位のブロックを示している。これらの機能ブロック（構成部）は、ハードウェア及びソフトウェアの少なくとも一方の任意の組み合わせによって実現される。また、各機能ブロックの実現方法は特に限定されない。すなわち、各機能ブロックは、物理的又は論理的に結合した１つの装置を用いて実現されてもよいし、物理的又は論理的に分離した２つ以上の装置を直接的又は間接的に（例えば、有線、無線などを用いて）接続し、これら複数の装置を用いて実現されてもよい。機能ブロックは、上記１つの装置又は上記複数の装置にソフトウェアを組み合わせて実現されてもよい。

機能には、判断、決定、判定、計算、算出、処理、導出、調査、探索、確認、受信、送信、出力、アクセス、解決、選択、選定、確立、比較、想定、期待、見做し、報知（broadcasting）、通知（notifying）、通信（communicating）、転送（forwarding）、構成（configuring）、再構成（reconfiguring）、割り当て（allocating、mapping）、割り振り（assigning）などがあるが、これらに限られない。たとえば、送信を機能させる機能ブロック（構成部）は、送信部（transmitting unit）や送信機（transmitter）と呼称される。いずれも、上述したとおり、実現方法は特に限定されない。

例えば、本開示の一実施の形態におけるデータ収集解析装置１００は、本開示の健康管理方法の処理を行うコンピュータとして機能してもよい。図１９は、本開示の一実施の形態に係るデータ収集解析装置１００のハードウェア構成の一例を示す図である。上述のデータ収集解析装置１００は、物理的には、プロセッサ１００１、メモリ１００２、ストレージ１００３、通信装置１００４、入力装置１００５、出力装置１００６、バス１００７などを含むコンピュータ装置として構成されてもよい。

なお、以下の説明では、「装置」という文言は、回路、デバイス、ユニットなどに読み替えることができる。データ収集解析装置１００のハードウェア構成は、図に示した各装置を１つ又は複数含むように構成されてもよいし、一部の装置を含まずに構成されてもよい。

データ収集解析装置１００における各機能は、プロセッサ１００１、メモリ１００２などのハードウェア上に所定のソフトウェア（プログラム）を読み込ませることによって、プロセッサ１００１が演算を行い、通信装置１００４による通信を制御したり、メモリ１００２及びストレージ１００３におけるデータの読み出し及び書き込みの少なくとも一方を制御したりすることによって実現される。

プロセッサ１００１は、例えば、オペレーティングシステムを動作させてコンピュータ全体を制御する。プロセッサ１００１は、周辺装置とのインターフェース、制御装置、演算装置、レジスタなどを含む中央処理装置（ＣＰＵ：Central Processing Unit）によって構成されてもよい。例えば、上述のデータ抽出機能１２５、発症日予測モデル生成機能１３０、発症日予測機能１４０などは、プロセッサ１００１によって実現されてもよい。

また、プロセッサ１００１は、プログラム（プログラムコード）、ソフトウェアモジュール、データなどを、ストレージ１００３及び通信装置１００４の少なくとも一方からメモリ１００２に読み出し、これらに従って各種の処理を実行する。プログラムとしては、上述の実施の形態において説明した動作の少なくとも一部をコンピュータに実行させるプログラムが用いられる。例えば、データ抽出機能１２５、発症日予測モデル生成機能１３０、発症日予測機能１４０は、メモリ１００２に格納され、プロセッサ１００１において動作する制御プログラムによって実現されてもよく、他の機能ブロックについても同様に実現されてもよい。上述の各種処理は、１つのプロセッサ１００１によって実行される旨を説明してきたが、２以上のプロセッサ１００１により同時又は逐次に実行されてもよい。プロセッサ１００１は、１以上のチップによって実装されてもよい。なお、プログラムは、電気通信回線を介してネットワークから送信されても良い。

メモリ１００２は、コンピュータ読み取り可能な記録媒体であり、例えば、ＲＯＭ（Read Only Memory）、ＥＰＲＯＭ（Erasable Programmable ＲＯＭ）、ＥＥＰＲＯＭ（Electrically Erasable Programmable ＲＯＭ）、ＲＡＭ（Random Access Memory）などの少なくとも１つによって構成されてもよい。メモリ１００２は、レジスタ、キャッシュ、メインメモリ（主記憶装置）などと呼ばれてもよい。メモリ１００２は、本開示の一実施の形態に係る健康管理方法を実施するために実行可能なプログラム（プログラムコード）、ソフトウェアモジュールなどを保存することができる。

ストレージ１００３は、コンピュータ読み取り可能な記録媒体であり、例えば、ＣＤ－ＲＯＭ（Compact Disc ＲＯＭ）などの光ディスク、ハードディスクドライブ、フレキシブルディスク、光磁気ディスク(例えば、コンパクトディスク、デジタル多用途ディスク、Ｂｌｕ－ｒａｙ（登録商標）ディスク)、スマートカード、フラッシュメモリ(例えば、カード、スティック、キードライブ)、フロッピー（登録商標）ディスク、磁気ストリップなどの少なくとも１つによって構成されてもよい。ストレージ１００３は、補助記憶装置と呼ばれてもよい。上述の記憶媒体は、例えば、メモリ１００２及びストレージ１００３の少なくとも一方を含むデータベース、サーバその他の適切な媒体であってもよい。

通信装置１００４は、有線ネットワーク及び無線ネットワークの少なくとも一方を介してコンピュータ間の通信を行うためのハードウェア（送受信デバイス）であり、例えばネットワークデバイス、ネットワークコントローラ、ネットワークカード、通信モジュールなどともいう。通信装置１００４は、例えば周波数分割複信（ＦＤＤ：Frequency Division Duplex）及び時分割複信（ＴＤＤ：Time Division Duplex）の少なくとも一方を実現するために、高周波スイッチ、デュプレクサ、フィルタ、周波数シンセサイザなどを含んで構成されてもよい。例えば、上述のデータ取得機能１１０は、通信装置１００４によって実現されてもよい。

入力装置１００５は、外部からの入力を受け付ける入力デバイス（例えば、キーボード、マウス、マイクロフォン、スイッチ、ボタン、センサなど）である。出力装置１００６は、外部への出力を実施する出力デバイス（例えば、ディスプレイ、スピーカー、LEDランプなど）である。なお、入力装置１００５及び出力装置１００６は、一体となった構成（例えば、タッチパネル）であってもよい。

また、プロセッサ１００１、メモリ１００２などの各装置は、情報を通信するためのバス１００７によって接続される。バス１００７は、単一のバスを用いて構成されてもよいし、装置間ごとに異なるバスを用いて構成されてもよい。

また、データ収集解析装置１００は、マイクロプロセッサ、デジタル信号プロセッサ（ＤＳＰ：Digital Signal Processor）、ＡＳＩＣ（Application Specific Integrated Circuit）、ＰＬＤ（Programmable Logic Device）、ＦＰＧＡ（Field Programmable Gate Array）などのハードウェアを含んで構成されてもよく、当該ハードウェアにより、各機能ブロックの一部又は全てが実現されてもよい。例えば、プロセッサ１００１は、これらのハードウェアの少なくとも１つを用いて実装されてもよい。

情報の通知は、本開示において説明した態様／実施形態に限られず、他の方法を用いて行われてもよい。例えば、情報の通知は、物理レイヤシグナリング（例えば、ＤＣＩ（Downlink Control Information）、ＵＣＩ（Uplink Control Information））、上位レイヤシグナリング（例えば、ＲＲＣ（Radio Resource Control）シグナリング、ＭＡＣ（Medium Access Control）シグナリング、報知情報（ＭＩＢ（Master Information Block）、ＳＩＢ（System Information Block）））、その他の信号又はこれらの組み合わせによって実施されてもよい。また、ＲＲＣシグナリングは、ＲＲＣメッセージと呼ばれてもよく、例えば、ＲＲＣ接続セットアップ（RRC Connection Setup）メッセージ、ＲＲＣ接続再構成（RRC Connection Reconfiguration）メッセージなどであってもよい。

本開示において説明した各態様／実施形態は、ＬＴＥ（Long Term Evolution）、ＬＴＥ－Ａ（LTE-Advanced）、ＳＵＰＥＲ ３Ｇ、ＩＭＴ－Ａｄｖａｎｃｅｄ、４Ｇ（4th generation mobile communication system）、５Ｇ（5th generation mobile communication system）、ＦＲＡ（Future Radio Access）、ＮＲ（new Radio）、Ｗ－ＣＤＭＡ（登録商標）、ＧＳＭ（登録商標）、ＣＤＭＡ２０００、ＵＭＢ（Ultra Mobile Broadband）、ＩＥＥＥ ８０２．１１（Ｗｉ－Ｆｉ（登録商標））、ＩＥＥＥ ８０２．１６（ＷｉＭＡＸ（登録商標））、ＩＥＥＥ ８０２．２０、ＵＷＢ（Ultra-WideBand）、Ｂｌｕｅｔｏｏｔｈ（登録商標）、その他の適切なシステムを利用するシステム及びこれらに基づいて拡張された次世代システムの少なくとも一つに適用されてもよい。また、複数のシステムが組み合わされて（例えば、ＬＴＥ及びＬＴＥ－Ａの少なくとも一方と５Ｇとの組み合わせ等）適用されてもよい。

本開示において説明した各態様／実施形態の処理手順、シーケンス、フローチャートなどは、矛盾の無い限り、順序を入れ替えてもよい。例えば、本開示において説明した方法については、例示的な順序を用いて様々なステップの要素を提示しており、提示した特定の順序に限定されない。

情報等は、上位レイヤ（又は下位レイヤ）から下位レイヤ（又は上位レイヤ）へ出力され得る。複数のネットワークノードを介して入出力されてもよい。

入出力された情報等は特定の場所（例えば、メモリ）に保存されてもよいし、管理テーブルを用いて管理してもよい。入出力される情報等は、上書き、更新、又は追記され得る。出力された情報等は削除されてもよい。入力された情報等は他の装置へ送信されてもよい。

判定は、１ビットで表される値（０か１か）によって行われてもよいし、真偽値（Boolean：true又はfalse）によって行われてもよいし、数値の比較（例えば、所定の値との比較）によって行われてもよい。

本開示において説明した各態様／実施形態は単独で用いてもよいし、組み合わせて用いてもよいし、実行に伴って切り替えて用いてもよい。また、所定の情報の通知（例えば、「Ｘであること」の通知）は、明示的に行うものに限られず、暗黙的（例えば、当該所定の情報の通知を行わない）ことによって行われてもよい。

以上、本開示について詳細に説明したが、当業者にとっては、本開示が本開示中に説明した実施形態に限定されるものではないということは明らかである。本開示は、請求の範囲の記載により定まる本開示の趣旨及び範囲を逸脱することなく修正及び変更態様として実施することができる。したがって、本開示の記載は、例示説明を目的とするものであり、本開示に対して何ら制限的な意味を有するものではない。

ソフトウェアは、ソフトウェア、ファームウェア、ミドルウェア、マイクロコード、ハードウェア記述言語と呼ばれるか、他の名称で呼ばれるかを問わず、命令、命令セット、コード、コードセグメント、プログラムコード、プログラム、サブプログラム、ソフトウェアモジュール、アプリケーション、ソフトウェアアプリケーション、ソフトウェアパッケージ、ルーチン、サブルーチン、オブジェクト、実行可能ファイル、実行スレッド、手順、機能などを意味するよう広く解釈されるべきである。

また、ソフトウェア、命令、情報などは、伝送媒体を介して送受信されてもよい。例えば、ソフトウェアが、有線技術（同軸ケーブル、光ファイバケーブル、ツイストペア、デジタル加入者回線（ＤＳＬ：Digital Subscriber Line）など）及び無線技術（赤外線、マイクロ波など）の少なくとも一方を使用してウェブサイト、サーバ、又は他のリモートソースから送信される場合、これらの有線技術及び無線技術の少なくとも一方は、伝送媒体の定義内に含まれる。

本開示において説明した情報、信号などは、様々な異なる技術のいずれかを使用して表されてもよい。例えば、上記の説明全体に渡って言及され得るデータ、命令、コマンド、情報、信号、ビット、シンボル、チップなどは、電圧、電流、電磁波、磁界若しくは磁性粒子、光場若しくは光子、又はこれらの任意の組み合わせによって表されてもよい。

なお、本開示において説明した用語及び本開示の理解に必要な用語については、同一の又は類似する意味を有する用語と置き換えてもよい。例えば、チャネル及びシンボルの少なくとも一方は信号（シグナリング）であってもよい。また、信号はメッセージであってもよい。また、コンポーネントキャリア（ＣＣ：Component Carrier）は、キャリア周波数、セル、周波数キャリアなどと呼ばれてもよい。

本開示において使用する「システム」及び「ネットワーク」という用語は、互換的に使用される。

また、本開示において説明した情報、パラメータなどは、絶対値を用いて表されてもよいし、所定の値からの相対値を用いて表されてもよいし、対応する別の情報を用いて表されてもよい。例えば、無線リソースはインデックスによって指示されるものであってもよい。

上述したパラメータに使用する名称はいかなる点においても限定的な名称ではない。さらに、これらのパラメータを使用する数式等は、本開示で明示的に開示したものと異なる場合もある。様々なチャネル（例えば、ＰＵＣＣＨ、ＰＤＣＣＨなど）及び情報要素は、あらゆる好適な名称によって識別できるので、これらの様々なチャネル及び情報要素に割り当てている様々な名称は、いかなる点においても限定的な名称ではない。

本開示で使用する「判断(determining)」、「決定(determining)」という用語は、多種多様な動作を包含する場合がある。「判断」、「決定」は、例えば、判定(judging)、計算(calculating)、算出(computing)、処理(processing)、導出(deriving)、調査(investigating)、探索(looking up、search、inquiry)（例えば、テーブル、データベース又は別のデータ構造での探索）、確認(ascertaining)した事を「判断」「決定」したとみなす事などを含み得る。また、「判断」、「決定」は、受信(receiving)（例えば、情報を受信すること）、送信(transmitting)(例えば、情報を送信すること)、入力(input)、出力(output)、アクセス(accessing)（例えば、メモリ中のデータにアクセスすること）した事を「判断」「決定」したとみなす事などを含み得る。また、「判断」、「決定」は、解決(resolving)、選択(selecting)、選定(choosing)、確立(establishing)、比較(comparing)などした事を「判断」「決定」したとみなす事を含み得る。つまり、「判断」「決定」は、何らかの動作を「判断」「決定」したとみなす事を含み得る。また、「判断（決定）」は、「想定する（assuming）」、「期待する（expecting）」、「みなす（considering）」などで読み替えられてもよい。

「接続された(connected)」、「結合された(coupled)」という用語、又はこれらのあらゆる変形は、２又はそれ以上の要素間の直接的又は間接的なあらゆる接続又は結合を意味し、互いに「接続」又は「結合」された２つの要素間に１又はそれ以上の中間要素が存在することを含むことができる。要素間の結合又は接続は、物理的なものであっても、論理的なものであっても、或いはこれらの組み合わせであってもよい。例えば、「接続」は「アクセス」で読み替えられてもよい。本開示で使用する場合、２つの要素は、１又はそれ以上の電線、ケーブル及びプリント電気接続の少なくとも一つを用いて、並びにいくつかの非限定的かつ非包括的な例として、無線周波数領域、マイクロ波領域及び光（可視及び不可視の両方）領域の波長を有する電磁エネルギーなどを用いて、互いに「接続」又は「結合」されると考えることができる。

本開示において使用する「に基づいて」という記載は、別段に明記されていない限り、「のみに基づいて」を意味しない。言い換えれば、「に基づいて」という記載は、「のみに基づいて」と「に少なくとも基づいて」の両方を意味する。

本開示において使用する「第１の」、「第２の」などの呼称を使用した要素へのいかなる参照も、それらの要素の量又は順序を全般的に限定しない。これらの呼称は、２つ以上の要素間を区別する便利な方法として本開示において使用され得る。したがって、第１及び第２の要素への参照は、２つの要素のみが採用され得ること、又は何らかの形で第１の要素が第２の要素に先行しなければならないことを意味しない。

本開示において、「含む（include）」、「含んでいる（including）」及びそれらの変形が使用されている場合、これらの用語は、用語「備える（comprising）」と同様に、包括的であることが意図される。さらに、本開示において使用されている用語「又は（or）」は、排他的論理和ではないことが意図される。

本開示において、例えば、英語でのa, an及びtheのように、翻訳により冠詞が追加された場合、本開示は、これらの冠詞の後に続く名詞が複数形であることを含んでもよい。

本開示において、「ＡとＢが異なる」という用語は、「ＡとＢが互いに異なる」ことを意味してもよい。なお、当該用語は、「ＡとＢがそれぞれＣと異なる」ことを意味してもよい。「離れる」、「結合される」などの用語も、「異なる」と同様に解釈されてもよい。

２０…計測装置、３０…測定値転送装置、４０…体調登録装置、５０…基礎体質登録装置、６０…月経情報登録装置、７０…気象情報取得装置、１００…データ収集解析装置、９０…ネットワーク、３１…データ取得機能、３２…データ転送機能、３３…計測装置認証機能、３４…利用者認証機能、４１…データ登録機能、４２…データ転送機能、４３…利用者認証機能、５１…データ登録機能、５２…データ転送機能、６１…データ登録機能、６２…データ転送機能、７１…データ取得機能、７２…データ転送機能、１１０…データ取得機能、１２０…データ保存機能、１３０…発症日予測モデル生成機能、１３５…発症周期予測モデル生成機能、１４０…発症日予測機能、１４５…発症周期予測機能、１５０…重症度予測モデル生成機能、１５５…重症度最大日予測モデル生成機能、１６０…重症度予測機能、１６５…重症度最大日予測機能、１７０…結果通知機能。

Claims (4)

1. ユーザの身体の月経状態を示す情報または月経に影響を及ぼす情報を示すライフログデータを記憶する記憶部と、
   前記ユーザのライフログデータのうち、前記ユーザの体調データ、前記ユーザの基礎体質データ、気象データ、前記ユーザの月経状態の所定の基準時および前記ユーザの月経周期を説明変数とし、月経状態の所定の基準時と、前記ユーザの月経状態の所定の基準時の前後所定期間を示す周辺期の症状の発症日との日数差を目的変数として学習した予測モデルを記憶する予測モデル記憶部と、
   前記予測モデルに基づいて、一のユーザの月経状態の所定の基準時の前後所定期間を示す周辺期の症状の発症日の予測を行う症状予測部と、
   を備え、
   前記症状予測部は、前記一のユーザのライフログデータを前記予測モデルに入力して、前記一のユーザの月経状態の所定の基準時の前後所定期間を示す周辺期の症状の発症日についての予測を行う、
   健康管理装置。
2. ユーザの身体の月経状態を示す情報または月経に影響を及ぼす情報を示すライフログデータを記憶する記憶部と、
   前記ユーザのライフログデータのうち、前記ユーザの体調データ、前記ユーザの基礎体質データ、気象データ、前記ユーザの月経状態の所定の基準時および前記ユーザの月経周期を説明変数とし、前記ユーザの月経状態の所定の基準時の周辺期の症状の終了日と、月経状態の所定の基準時との日数差を目的変数として学習した予測モデルを記憶する予測モデル記憶部と、
   前記予測モデルに基づいて、一のユーザの月経状態の所定の基準時の前後所定期間を示す周辺期の症状の終了日の予測を行う症状予測部と、
   を備え、
   前記症状予測部は、前記一のユーザのライフログデータを前記予測モデルに入力して、前記一のユーザの月経状態の所定の基準時の前後所定期間を示す周辺期の症状の終了日についての予測を行う、
   健康管理装置。
3. ユーザの身体の月経状態を示す情報または月経に影響を及ぼす情報を示すライフログデータを記憶する記憶部と、
   前記ユーザのライフログデータのうち、前記ユーザの体調データ、前記ユーザの基礎体質データ、気象データ、前記ユーザの月経状態の所定の基準時および前記ユーザの月経周期を説明変数とし、前記ユーザの月経状態の所定の基準時の周辺期の症状の発症周期を目的変数として学習した予測モデルを記憶する予測モデル記憶部と、
   前記予測モデルに基づいて、一のユーザの月経状態の所定の基準時の前後所定期間を示す周辺期の症状の発症周期の予測を行う症状予測部と、
   を備え、
   前記症状予測部は、前記一のユーザのライフログデータを前記予測モデルに入力して、前記一のユーザの月経状態の所定の基準時の前後所定期間を示す周辺期の症状の発症周期についての予測を行う、
   健康管理装置。
4. ユーザの身体の月経状態を示す情報または月経に影響を及ぼす情報を示すライフログデータを記憶する記憶部と、
   前記ユーザのライフログデータのうち、前記ユーザの体調データ、前記ユーザの基礎体質データ、気象データ、前記ユーザの月経状態の所定の基準時および前記ユーザの月経周期を説明変数とし、前記ユーザの月経状態の所定の基準時と、当該基準時に一番近い症状の重症度が最大となる日との日数差を目的変数として学習した予測モデルを記憶する予測モデル記憶部と、
   前記予測モデルに基づいて、一のユーザの月経状態の所定の基準時の前後所定期間を示す周辺期の症状の重症度が最大となる日の予測を行う症状予測部と、
   を備え、
   前記症状予測部は、前記一のユーザのライフログデータを前記予測モデルに入力して、前記一のユーザの月経状態の所定の基準時の前後所定期間を示す周辺期の症状の重症度が最大となる日についての予測を行う、
   健康管理装置。

Images