JP7587804B2 - 傷病推定システム、傷病推定方法および傷病推定プログラム - Google Patents

Description

本発明は、傷病を推定する傷病推定システム、傷病推定方法および傷病推定プログラムに関する。

従来、血糖値の管理は人間の健康状態の維持管理のために用いられてきた。例えば、特許文献１には、ユーザの血糖値を予測する血糖値予測装置が開示されている。

特許第６６５９０４９号

ところで、血糖値の上昇は、食事の摂取の他、副腎髄質より分泌されるアドレナリンが肝臓に作用してグリコーゲンを分解することにより発生する。血糖値は高すぎても低すぎても人体に悪影響を及ぼすことが一般的に知られている。上記特許文献１の技術を用いれば、血糖値を予測することはできるものの、予測された血糖値がどのような影響を人体に及ぼすのかについては予測できないという問題がある。また、血糖値の上昇に関連するアドレナリンの分泌が人体に与える影響についても予測できない。

そこで、本発明は上記問題に鑑みてなされたものであり、ユーザの血糖値を利用して、ユーザが負う可能性のある傷病を推定することができる傷病推定システム、傷病推定方法、および傷病推定プログラムを提供することを目的とする。

本発明の一態様に係る傷病推定システムは、ユーザの運動時の血糖値と、ユーザの傷病との関係を学習した学習モデルを記憶する記憶部と、対象ユーザの運動時の血糖値に関する血糖値情報の入力を受け付ける受付部と、受付部が受け付けた血糖値情報と、学習モデルとを用いて、対象ユーザが、傷病を負う可能性を推定する推定部と、推定部が推定した可能性に関する情報を出力する出力部と、を備える。

また、上記傷病推定システムにおいて、学習モデルは、ユーザの運動時の血糖値の推移と、ユーザの傷病との関係を学習した学習モデルであり、受付部は、対象ユーザの運動時の血糖値の推移に関する血糖値情報の入力を受け付けることとしてもよい。

また、上記傷病推定システムにおいて、学習モデルは、さらに、ユーザの運動時の酸化還元電位と、ユーザの傷病との関係を学習したモデルであり、受付部は、さらに、対象ユーザの運動時の酸化還元電位に関する酸化還元電位情報の入力を受け付け、推定部は、受付部が受け付けた血糖値情報と酸化還元電位情報と、学習モデルとを用いて、対象ユーザが傷病を負う可能性を推定することとしてもよい。

また、本発明の一態様に係る傷病推定システムは、ユーザの運動時のアドレナリン分泌量と、ユーザの傷病との関係を学習した学習モデルを記憶する記憶部と、対象ユーザの運動時のアドレナリンの分泌量に関するアドレナリン情報の入力を受け付ける受付部と、受付部が受け付けたアドレナリン情報と、学習モデルとを用いて、対象ユーザが、傷病を負う可能性を推定する推定部と、推定部が推定した可能性に関する情報を出力する出力部と、を備える。

また、上記傷病推定システムにおいて、アドレナリン分泌量は、ユーザの運動時に測定した血糖値を、所定の演算によりアドレナリンに変換した結果得られた値を示すものであることとしてもよい。

また、上記傷病推定システムにおいて、学習モデルは、ユーザの運動時のアドレナリン分泌量の推移と、ユーザの傷病との関係を学習した学習モデルであり、受付部は、ユーザの運動時のアドレナリン分泌量の推移に関するアドレナリン情報の入力を受け付けることとしてもよい。

また、上記傷病推定システムにおいて、記憶部は、血糖値と、アドレナリンとの関係を学習した第２の学習モデルを記憶し、ユーザの血糖値を測定した血糖値情報を取得する取得部と、取得部が取得した血糖値情報と、学習モデルとに基づいて、ユーザのアドレナリン分泌量を推定する第２推定部と、を備え、受付部は、第２推定部により推定されたアドレナリン分泌量を受け付けることとしてもよい。

また、上記傷病推定システムにおいて、学習モデルは、さらに、ユーザの運動時の酸化還元電位と、ユーザの傷病との関係を学習したモデルであり、受付部は、さらに、対象ユーザの運動時の酸化還元電位に関する酸化還元電位情報の入力を受け付け、推定部は、受付部が受け付けたアドレナリン情報と酸化還元電位情報と、学習モデルとを用いて、対象ユーザが傷病を負う可能性を推定することとしてもよい。

また、本発明の一態様に係る傷病推定方法は、コンピュータが、対象ユーザの運動時の血糖値に関する血糖値情報の入力を受け付ける受付ステップと、受付部が受け付けた血糖値情報と、ユーザの運動時の血糖値とユーザの傷病との関係を学習した学習モデルとを用いて、対象ユーザが、傷病を負う可能性を推定する推定ステップと、推定ステップが推定した可能性に関する情報を出力する出力ステップと、を実行する。

また、本発明の一態様に係る傷病推定プログラムは、コンピュータに、対象ユーザの運動時の血糖値に関する血糖値情報の入力を受け付ける受付機能と、受付部が受け付けた血糖値情報と、ユーザの運動時の血糖値とユーザの傷病との関係を学習した学習モデルとを用いて、対象ユーザが、傷病を負う可能性を推定する推定機能と、推定機能が推定した可能性に関する情報を出力する出力機能と、を実現させる。

また、本発明の一態様に係る傷病推定方法は、コンピュータが、対象ユーザの運動時のアドレナリンの分泌量に関するアドレナリン情報の入力を受け付ける受付ステップと、受付ステップが受け付けたアドレナリン情報と、ユーザの運動時のアドレナリン分泌量とユーザの傷病との関係を学習した学習モデルとを用いて、対象ユーザが、傷病を負う可能性を推定する推定ステップと、推定ステップが推定した可能性に関する情報を出力する出力ステップと、を実行する。

また、本発明の一態様に係る傷病推定プログラムは、コンピュータに、対象ユーザの運動時のアドレナリンの分泌量に関するアドレナリン情報の入力を受け付ける受付機能と、受付機能が受け付けたアドレナリン情報と、ユーザの運動時のアドレナリン分泌量とユーザの傷病との関係を学習した学習モデルとを用いて、対象ユーザが、傷病を負う可能性を推定する推定機能と、推定機能が推定した可能性に関する情報を出力する出力機能と、を実現させる。

また、本発明の一態様に係るアドレナリン推定システムは、血糖値と、アドレナリンとの関係を学習した学習モデルを記憶する記憶部と、ユーザの血糖値を測定した血糖値情報を取得する取得部と、取得部が取得した血糖値情報と、学習モデルとに基づいて、ユーザのアドレナリン分泌量を推定する推定部と、推定部が推定したアドレナリン分泌量を出力する出力部と、を備える。

また、本発明の一態様に係るアドレナリン推定方法は、コンピュータが、ユーザの血糖値を測定した血糖値情報を取得する取得ステップと、取得ステップが取得した血糖値情報と、血糖値と、アドレナリンとの関係を学習した学習モデルとに基づいて、ユーザのアドレナリン分泌量を推定する推定ステップと、推定ステップが推定したアドレナリン分泌量を出力する出力ステップと、を実行する。

また、本発明の一態様に係るアドレナリン推定プログラムは、コンピュータに、ユーザの血糖値を測定した血糖値情報を取得する取得機能と、取得機能が取得した血糖値情報と、血糖値とアドレナリンとの関係を学習した学習モデルとに基づいて、ユーザのアドレナリン分泌量を推定する推定機能と、推定機能が推定したアドレナリン分泌量を出力する出力機能と、を実現させる。

本発明の一態様に係る傷病推定システムは、ユーザの運動時の血糖値と、ユーザの傷病との関係を学習した学習モデルを用いることで、他のユーザの運動時の血糖値を得ることで、ユーザが傷病を負う可能性を推定することができる。その結果、例えば、推定内容からユーザの生活改善、運動改善のための情報を得ることができる。

傷病推定システムの概要を示すシステム図である。 傷病推定サーバの構成例を示すブロック図である。 傷病推定学習モデルを生成するための教師データの一例を示すデータ概念図である。 アドレナリン推定サーバの構成例を示すブロック図である。 アドレナリン推定学習モデルを生成するための教師データの一例を示すデータ概念図である。 センサの構成例を示すブロック図である。 センサの検知部の具体構成の一例を示す図である。 傷病推定システムに係る各装置間のやり取りの例を示すシーケンス図である。 センサの動作例を示すフローチャートである。 アドレナリン推定サーバの動作例を示すフローチャートである。 傷病推定サーバの動作例を示すフローチャートである。 ユーザ端末の表示例を示す図である。 傷病推定システムの他の構成例を示すシステム図である。 傷病推定学習モデルを生成するための教師データの一例を示すデータ概念図である。 傷病推定サーバの動作例を示すフローチャートである。 センサの検知部の他の具体構成の一例を示す図である。 センサの検知部の他の具体構成の一例を示す図である。 傷病推定学習モデルを生成するための教師データの一例を示すデータ概念図である。 傷病推定システムに係る各装置間のやり取りの例を示すシーケンス図である。

＜第１実施形態＞
図１は、第１実施形態に係る傷病推定システムの概要を示すシステム図である。図１に示すように傷病推定システムは、傷病推定サーバ１００と、アドレナリン推定サーバ２００とを含み、センサ３００と、ユーザ端末５００とを含んでもよい。傷病推定サーバ１００と、アドレナリン推定サーバ２００と、センサ３００と、ユーザ端末５００とは、ネットワーク４００を介して互いに通信可能に接続されていてよい。なお、図１に示す各装置について１台ずつ示しているが、各端末、サーバは、１台に限定されるものではなく複数台あってよい。

傷病推定サーバ１００は、ユーザ３０が傷病を負う可能性を、ユーザ３０の運動時のアドレナリン分泌量から推定するサーバ装置（情報処理装置）である。アドレナリン推定サーバ２００は、ユーザ３０のアドレナリン分泌量を、ユーザ３０の運動時の血糖値（グルコース分泌量）から推定するサーバ装置（情報処理装置）である。センサ３００は、ユーザ３０の体液からグルコース分泌量を検知して出力するセンサである。ユーザ端末５００は、ユーザ３０が保持する情報処理端末であり、所謂スマートフォン、タブレット端末、携帯電話機、ＰＣ等により実現されてよい。

図１に示す傷病推定システムは、ユーザ３０の運動時のアドレナリン分泌量に基づいて、ユーザ３０が傷病に罹っている可能性あるいは傷病を負う可能性を推定する推定システムである。図１に示すように、ユーザ３０は、運動時の血糖値をセンサ３００により測定する。センサ３００は、測定したセンシングデータ３１をアドレナリン推定サーバ２００に送信する。アドレナリン推定サーバ２００は、受信したユーザ３０の血糖値を示すセンシングデータ３１に基づいて、ユーザ３０のアドレナリン分泌量を推定する。アドレナリン推定サーバ２００は、推定したアドレナリン分泌量を示すアドレナリン情報２１を傷病推定サーバ１００に送信する。傷病推定サーバ１００は、受信したアドレナリン情報２１に基づいて、ユーザ３０が傷病を負う（または負っている）可能性を推定する。そして、傷病推定サーバ１００は、推定した傷病を負う可能性を示す傷病推定情報１１を、ユーザ３０のユーザ端末５００に送信する。ユーザ端末５００は受信した傷病推定情報１１を表示する。これによって、ユーザ３０は自信が傷病を負う可能性を認識することができる。

以下、詳細に説明する。なお、ネットワーク４００は、各種の機器との間を相互に接続させるためのネットワークであり、例えば、無線ネットワークや有線ネットワークである。具体的には、ネットワークは、ワイヤレスＬＡＮ（ｗｉｒｅｌｅｓｓ ＬＡＮ：ＷＬＡＮ）や広域ネットワーク（ｗｉｄｅ ａｒｅａ ｎｅｔｗｏｒｋ：ＷＡＮ）、ＩＳＤＮｓ（ｉｎｔｅｇｒａｔｅｄ ｓｅｒｖｉｃｅ ｄｉｇｉｔａｌ ｎｅｔｗｏｒｋｓ）、無線ＬＡＮｓ、ＬＴＥ（ｌｏｎｇ ｔｅｒｍ ｅｖｏｌｕｔｉｏｎ）、ＬＴＥ－Ａｄｖａｎｃｅｄ、第４世代（４Ｇ）、第５世代（５Ｇ）、ＣＤＭＡ（ｃｏｄｅ ｄｉｖｉｓｉｏｎ ｍｕｌｔｉｐｌｅ ａｃｃｅｓｓ）、ＷＣＤＭＡ（登録商標）、イーサネット（登録商標）などである。また、ネットワークは、これらの例に限られず、例えば、公衆交換電話網（Ｐｕｂｌｉｃ Ｓｗｉｔｃｈｅｄ Ｔｅｌｅｐｈｏｎｅ Ｎｅｔｗｏｒｋ：ＰＳＴＮ）やブルートゥース（Ｂｌｕｅｔｏｏｔｈ（登録商標））、ブルートゥースローエナジー（Ｂｌｕｅｔｏｏｔｈ Ｌｏｗ Ｅｎｅｒｇｙ）、光回線、ＡＤＳＬ（Ａｓｙｍｍｅｔｒｉｃ Ｄｉｇｉｔａｌ Ｓｕｂｓｃｒｉｂｅｒ Ｌｉｎｅ）回線、衛星通信網などであってもよく、どのようなネットワークであってもよい。ネットワークは、ユーザの住居に備えられる場合には、ホームネットワークと呼称されることもある。また、ネットワークは、例えば、ＮＢ－ＩｏＴ（Ｎａｒｒｏｗ Ｂａｎｄ ＩｏＴ）や、ｅＭＴＣ（ｅｎｈａｎｃｅｄ Ｍａｃｈｉｎｅ Ｔｙｐｅ Ｃｏｍｍｕｎｉｃａｔｉｏｎ）であってもよい。なお、ＮＢ－ＩｏＴやｅＭＴＣは、ＩｏＴ向けの無線通信方式であり、低コスト、低消費電力で長距離通信が可能なネットワークである。また、ネットワークは、これらの組み合わせであってもよい。また、ネットワークは、これらの例を組み合わせた複数の異なるネットワークを含むものであってもよい。例えば、ネットワークは、ＬＴＥによる無線ネットワークと、閉域網であるイントラネットなどの有線ネットワークとを含むものであってもよい。

＜傷病推定サーバ１００の構成例＞
図２は、傷病推定サーバ１００の構成例を示すブロック図である。前述の通り、傷病推定サーバ１００は、ユーザの運動時のアドレナリン分泌量に基づいて、ユーザが傷病を負う可能性を推定するサーバ装置（情報処理装置）である。

図２に示すように、傷病推定サーバ１００は、通信部１１０と、入力部１２０と、制御部１３０と、記憶部１４０と、出力部１５０と、を備える。通信部１１０と、入力部１２０と、制御部１３０と、記憶部１４０と、出力部１５０とは、バス１６０を介して互いに通信可能に構成されてよい。

通信部１１０は、他の装置と通信を実行するための機能を有する通信インターフェースである。通信部１１０は、他の装置と通信可能であれば、いずれの通信プロトコルにより通信を行ってもよく、有線、無線のいずれでの通信であってよい。通信部１１０は制御部１３０からの指示にしたがって、アドレナリン推定サーバ２００やユーザ端末５００と通信を行う。通信部１１０は、例えば、アドレナリン推定サーバ２００から送信されたアドレナリン情報２１を、ネットワーク４００を介して受信する。また、通信部１１０は、例えば、傷病推定サーバ１００により推定されたユーザ３０が傷病を負う可能性を示す傷病推定情報１１を、ネットワーク４００を介してユーザ端末５００に送信する。

入力部１２０は、傷病推定サーバ１００のオペレータ等からの入力を受け付けて、制御部１３０に伝達する機能を有する入力インターフェースである。入力部１２０は、タッチパネル等のソフトキーにより実現されてもよいし、ハードキーにより実現されてもよい。また、あるいは、入力部１２０は、音声入力を受け付けるためのマイクであってもよい。また、入力部１２０は、フラッシュメモリ等の記憶媒体からの入力を受け付けるポートであってもよい。入力部１２０は、例えば、アドレナリン情報（例えば、時間毎の、アドレナリン分泌量の数値）の直接入力を受け付けて制御部１３０に伝達する。

記憶部１４０は、傷病推定サーバ１００が動作上必要とする各種のプログラム及びデータを記憶する機能を有する。記憶部１４０は、例えば、ＨＤＤ（Hard Disc Drive）、ＳＳＤ（Solid State Drive）、フラッシュメモリ等により実現することができる。記憶部１４０は、傷病推定学習モデル１４１を記憶している。傷病推定学習モデル１４１は、傷病推定サーバ１００により生成されたモデルであってもよいし、他の装置により生成されたものを記憶していることとしてもよい。

傷病推定学習モデル１４１は、ユーザの運動時のアドレナリン分泌量の推移と、そのユーザが罹患した傷病との関係を学習した学習した学習モデルであり、ユーザの運動時のアドレナリン分泌量を取得して当該ユーザが傷病に罹患する可能性（あるいは、ユーザが傷病に罹患している可能性）を推定するためのモデルである。傷病推定学習モデル１４１は、ユーザが負う可能性のある傷病名を出力するものであってもよいし、ユーザが負う可能性が所定以上ある傷病名を出力するものであってもよいし、傷病それぞれについてユーザが負う可能性を示す数値（例えば、パーセンテージ）や評価（例えば、大中小等の評価）を出力するものであってもよい。

図３は、傷病推定学習モデル１４１を生成するための教師データの一例を示すデータ概念図である。図３に示すように、教師データ１４１０は、被験者ＩＤ１４１１と、性別１４１２と、体重１４１３と、アドレナリンデータ１４１４と、疾患情報１４１５とが対応付けられた情報である。教師データ１４１０は、ユーザの運動時のアドレナリン分泌量と、そのユーザが罹患した傷病を示す疾患情報とが対応付けられた情報の集合である。

被験者ＩＤ１４１１は、傷病推定システム上で傷病推定サーバ１００が、一つ一つの教師データを識別するための情報であり、ユーザ（被験者）を識別するための情報である。
性別１４１２は、対応する被験者ＩＤ１４１１で示されるユーザの性別を示す情報である。
体重１４１３は、対応する被験者ＩＤ１４１１で示されるユーザの体重を示す情報である。

アドレナリンデータ１４１４は、対応する被験者ＩＤ１４１１で示されるユーザの運動時のアドレナリン分泌量を示す情報である。このアドレナリン分泌量は、アドレナリン推定サーバ２００によりユーザの血糖値から推定された情報である。図３では、便宜的に、アドレナリンデータを保持する情報を示す識別情報を示している。

疾患情報１４１５は、対応する被験者ＩＤ１４１１で示されるユーザが罹患したことがある、もしくは、罹患している傷病を示す情報である。疾患情報１４１５は、複数の傷病に関する情報を含んでもよい。また、疾患情報１４１５として一つの傷病についてのみ登録する場合には、同じユーザの他の傷病については、別のデータとして登録することとしてもよい。疾患情報１４１５には、更に、当該疾患、傷病に罹った日付の情報が含まれてもよい。疾患情報１４１５として、現在対応するユーザが負っている傷病が対応付けられていれば、傷病推定サーバ１００は、現在、ユーザが傷病を負っている可能性を推定することができるようになる。また、疾患情報１４１５として、対応するアドレナリンデータ１４１４の元となる血糖値情報を測定した日付から数年後（例えば、１０年後）に負った傷病の情報を用いる場合には、傷病推定サーバ１００は、ユーザが将来的に負う可能性のある傷病を推定することができる。

教師データ１４１０は、少なくともアドレナリンデータ１４１４と疾患情報１４１５とがあれば、よく、その他の情報についてはなくてもよい。また、逆に、アドレナリンデータ１４１４に対応する被験者に関する情報として、性別や体重以外の情報が含まれてもよく、例えば、ユーザの身長、体格、ＢＭＩ（Body Mass Index）などの情報が対応付けられていてもよい。

図２に戻って、出力部１５０は、制御部１３０からの指示にしたがって、指定された情報を出力する機能を有する。出力部１５０による出力は、画像信号、音声信号のいずれでの出力であってもよい。画像信号による出力の場合、傷病推定サーバ１００に接続された（又は傷病推定サーバ１００が備える）モニタへの出力であってよい。また、音声信号による出力の場合、傷病推定サーバ１００に接続された（又は傷病推定サーバ１００が備える）スピーカーへの出力であってよい。出力部１５０は、例えば、ユーザが傷病を負う可能性を示す情報を出力する。

制御部１３０は、傷病推定サーバ１００の各部を制御する機能を有するプロセッサである。制御部１３０は、シングルコアにより実現されてもよいし、マルチコアにより実現されてもよい。制御部１３０は、記憶部１４０に記憶される各種プログラムを実行することで、傷病推定サーバ１００としての機能を実現する。

制御部１３０は、制御部１３０が実現する機能として、受付部１３１と、推定部１３２と、を備える。また、制御部１３０は、学習部１３３を備えてもよい。

受付部１３１は、傷病を負う可能性があるか否かを推定する対象となるユーザのアドレナリン情報を受け付けて、推定部１３２に伝達する。受付部１３１は、通信部１１０から伝達される、または、入力部１２０から伝達されることによってユーザのアドレナリン情報を受け付ける。受付部１３１は、受け付けたアドレナリン情報を推定部１３２に伝達する。

推定部１３２は、受付部１３１から伝達されたアドレナリン情報を入力として、記憶部１４０に記憶されている傷病推定学習モデル１４１を用いて、入力したアドレナリン情報に対応するユーザが、何らかの傷病を負う可能性があるかを推定する。推定部１３２は、ユーザが罹患する可能性のある傷病名を推定することとしてよく、推定する傷病名は、一つであってもよいし、複数であってもよい。傷病を負う可能性がない場合には、推定部１３２は、傷病を負う可能性はないと推定してよい。また、推定部１３２は、ユーザが負う可能性が最も高い傷病を推定してもよいし、負う可能性（例えば、３０％以上）が所定以上ある傷病を推定することとしてもよい。

学習部１３３は、ユーザの運動時のアドレナリン分泌量と、ユーザが罹患する傷病との関係を学習する。具体的には、図３に示すような教師データの入力を受け付けて、疾患情報１４１５を所謂ラベルとした学習を行い、傷病推定学習モデル１４１を生成する。学習部１３３が用いる学習のためのアルゴリズムとしては既存のものを用いることとしてよい。学習部１３３は、生成した傷病推定学習モデル１４１を記憶部１４０に記憶する。学習部１３３は、記憶部１４０に記憶されている傷病推定学習モデル１４１と、新たに入力された教師データを用いて、再学習を行うこととしてもよい。また、ユーザに提供した傷病推定情報による推定の真偽に関する情報をフィードバック情報として受け付けて再学習を行うこととしてもよい。
以上が傷病推定サーバ１００の構成例の説明である。

＜アドレナリン推定サーバ２００＞
図４は、アドレナリン推定サーバ２００の構成例を示すブロック図である。前述の通り、アドレナリン推定サーバ２００は、ユーザの血糖値情報に基づいて、アドレナリン分泌量を推定するサーバ装置（情報処理装置）である。一般的に人間は、アドレナリンが分泌されると、血糖値が上昇することが知られている。つまり、血糖値とアドレナリンとの間には密接な関係があるといえる。したがって、逆を言えば、血糖値からアドレナリンの分泌量を推定することも可能となる。

図４に示すように、アドレナリン推定サーバ２００は、通信部２１０と、入力部２２０と、制御部２３０と、記憶部２４０と、出力部２５０と、を備える。通信部２１０と、入力部２２０と、制御部２３０と、記憶部２４０と、出力部２５０とは、バス２６０を介して互いに通信可能に構成されてよい。

通信部２１０は、他の装置と通信を実行するための機能を有する通信インターフェースである。通信部２１０は、他の装置と通信可能であれば、いずれの通信プロトコルにより通信を行ってもよく、有線、無線のいずれでの通信であってよい。通信部２１０は制御部２３０からの指示にしたがって、傷病推定サーバ１００と通信を行う。通信部２１０は、センサ３００と通信を行ってもよい。

入力部２２０は、アドレナリン推定サーバ２００のオペレータからの入力を受け付けて、制御部２３０に伝達する機能を有する入力インターフェースである。入力部２２０は、タッチパネル等のソフトキーにより実現されてもよいし、ハードキーにより実現されてもよい。また、あるいは、入力部２２０は、音声入力を受け付けるためのマイクであってもよい。入力部２２０は、オペレータから入力された入力内容を、制御部２３０に伝達する。入力部２２０は、例えば、血糖値情報（例えば、時間毎の、血糖値の数値）の直接入力を受け付けて制御部２３０に伝達する。

記憶部２４０は、アドレナリン推定サーバ２００が動作上必要とする各種のプログラム及びデータを記憶する機能を有する。記憶部２４０は、例えば、ＨＤＤ（Hard Disc Drive）、ＳＳＤ（Solid State Drive）、フラッシュメモリ等により実現することができる。記憶部２４０は、アドレナリン推定学習モデル２４１を記憶している。アドレナリン推定学習モデル２４１は、アドレナリン推定サーバ２００により生成されたものであってもよいし、他の装置により生成されたものを記憶していることとしてもよい。

アドレナリン推定学習モデル２４１は、ユーザの運動時の血糖値と、アドレナリン分泌量との関係を学習した学習した学習モデルであり、ユーザの運動時の血糖値を取得して当該ユーザが分泌していると思われるアドレナリンの分泌量を推定するためのモデルである。アドレナリン推定学習モデル２４１は、アドレナリンの定性的な分泌量を推定する。

図５は、アドレナリン推定学習モデル２４１を生成するための教師データの一例を示すデータ概念図である。図５に示すように、教師データ２４１０は、被験者ＩＤ２４１１と、性別２４１２と、体重２４１３と、血糖値データ２４１４と、アドレナリンデータ２４１５とが対応付けられた情報である。教師データ２４１０は、ユーザの運動時のアドレナリン分泌量と、そのユーザが罹患した傷病を示す疾患情報とが対応付けられた情報の集合である。

被験者ＩＤ２４１１は、傷病推定システム上でアドレナリン推定サーバ２００が、一つ一つの教師データを識別するための情報であり、ユーザ（被験者）を識別するための情報である。

性別２４１２は、対応する被験者ＩＤ２４１１で示されるユーザの性別を示す情報である。
体重２４１３は、対応する被験者ＩＤ２４１１で示されるユーザの体重を示す情報である。

血糖値データ２４１４は、対応する被験者ＩＤ２４１１で示されるユーザの運動時の血糖値を示す情報である。この血糖値は、センサ３００により測定されたものであってもよいし、他のセンサにより測定されたものであってもよい。図５では、便宜的に、血糖値の値を保持する情報を示す識別情報を示している。

アドレナリンデータ２４１５は、対応する被験者ＩＤ２４１１で示されるユーザの運動時のアドレナリン分泌量を示す情報である。このアドレナリン分泌量は、アドレナリン推定サーバ２００によりユーザの血糖値から推定された情報である。図５では、便宜的に、アドレナリンデータを保持する情報を示す識別情報を示している。

教師データ２４１０は、少なくとも血糖値データ２４１４とアドレナリンデータ２４１５とがあれば、よく、その他の情報についてはなくてもよい。また、逆に、血糖値データ２４１４に対応する被験者に関する情報として、性別や体重以外の情報が含まれてもよく、例えば、ユーザの身長、体格、ＢＭＩ（Body Mass Index）などの情報が対応付けられていてもよい。このとき、教師データとして用いるアドレナリンデータ２４１５は、対応する血糖値データ２４１４が示す時系列上での変化からアドレナリンが分泌されていると推定できる状態や感情の発露があったタイミングにおいて、血糖値の量に応じた値のデータであってよく、アドレナリンが分泌されていないと推定できるタイミングでは血糖値が高くてもアドレナリンの分泌量としては低くなるように設定された情報であってよい。

図４に戻って、出力部２５０は、制御部２３０からの指示にしたがって、指定された情報を出力する機能を有する。出力部２５０による出力は、画像信号、音声信号のいずれでの出力であってもよい。画像信号による出力の場合、アドレナリン推定サーバ２００に接続された（又はアドレナリン推定サーバ２００が備える）モニタへの出力であってよい。また、音声信号による出力の場合、アドレナリン推定サーバ２００に接続された（又はアドレナリン推定サーバ２００が備える）スピーカーへの出力であってよい。出力部２５０は、例えば、ユーザの血糖値から推定したアドレナリンの分泌量を示すアドレナリン情報を出力する。

制御部２３０は、アドレナリン推定サーバ２００の各部を制御する機能を有するプロセッサである。制御部２３０は、シングルコアにより実現されてもよいし、マルチコアにより実現されてもよい。制御部２３０は、記憶部２４０に記憶される各種プログラムを実行することで、アドレナリン推定サーバ２００としての機能を実現する。

制御部２３０は、制御部２３０が実現する機能として、受付部２３１と、推定部２３２と、を備える。また、制御部２３０は、学習部２３３を備えてもよい。

受付部２３１は、傷病を負う可能性があるか否かを推定する対象となるユーザの血糖値情報を受け付けて、推定部２３２に伝達する。受付部２３１は、通信部２１０から伝達される、または、入力部２２０から伝達されることによってユーザの血糖値情報を受け付ける。受付部２３１は、受け付けたアドレナリン情報を推定部２３２に伝達する。

推定部２３２は、受付部２３１から伝達された血糖値情報を入力として、記憶部２４０に記憶されているアドレナリン推定学習モデル２４１を用いて、入力した血糖値情報に対応するユーザのアドレナリン分泌量を推定する。

学習部２３３は、ユーザの運動時のアドレナリン分泌量と、ユーザが罹患する傷病との関係を学習する。具体的には、図３に示すような教師データの入力を受け付けて、アドレナリンデータ２４１５を所謂ラベルとした学習を行い、アドレナリン推定学習モデル２４１を生成する。学習部２３３が用いる学習のためのアルゴリズムとしては既存のものを用いることとしてよい。学習部２３３は、生成したアドレナリン推定学習モデル２４１を記憶部２４０に記憶する。学習部２３３は、記憶部２４０に記憶されているアドレナリン推定学習モデル２４１と、新たに入力された教師データを用いて、再学習を行うこととしてもよい。
以上が、アドレナリン推定サーバ２００の構成例の説明である。

＜センサ３００の構成例＞
図６は、センサ３００の構成例を示すブロック図である。図６に示すように、センサ３００は、通信部３１０と、検出部３２０と、記憶部３４０と、出力部３５０とを備える。

通信部３１０は、他の装置と通信を実行するための機能を有する通信インターフェースである。通信部３１０は、他の装置と通信可能であれば、いずれの通信プロトコルにより通信を行ってもよく、有線、無線のいずれでの通信であってよい。通信部３１０はアドレナリン推定サーバ２００と通信を行う。通信部３１０は、ユーザ端末５００と通信を行ってもよい。
検出部３２０は、センサ３００を装着したユーザの体液（血液）を用いて、ユーザの血糖値を検出する。
図７は、検出部３２０の具体構成の一例を示す図である。

図７は第１応用形態の検出部３２０の主要部構成の概略図である。検出部３２０は所定の容器形状の検出素子３２１を備え、同検出素子３２１は計測素子７００と配線接続される。検出素子３２１には体液採取部３３０が形成される。体液採取部３３０は公知のニードル形状であり、表面張力により血液、汗、唾液等の生体液３２２は採取され検出素子３２１内に誘導される。

検出素子３２１内には、少なくとも検出対象物質としてのグルコースを識別子、体液採取部３３０から採取された体液中のグルコース濃度を検出するために受容体が含まれる。受容体は、識別物質と、阻害物質とを含む自己組織化単分子膜（Self Assembled Monolayers：ＳＡＭ）で形成されている。ＳＡＭとは、通常、固体と液体の界面又は固体と気体の界面で、有機分子同士が自発的に集合して、自発的に単分子膜を形作っていく有機薄膜をいう。

識別物質は、試料中に含まれるグルコースと結合する機能を有する。識別物質は、フェニルボロン酸を用いることができ、特にフェニルボロン酸誘導体が好ましい。このフェニルボロン酸誘導体は、同フェニルボロン酸の芳香環部分に、Ｆ（フッ素）、Ｃｌ（塩素）等のハロゲン基、または、ＮＯ_２（ニトロ基）を有する。芳香環部分にニトロ基を有するフェニルボロン酸誘導体を用いる方が、グルコースとの反応性は顕著であり、ハロゲン基を用いるよりも、好ましい。

阻害物質は、非検出対象物質であるアルブミン等のタンパク質が、フェニルボロン酸誘導体と結合したり、酸化還元電位測定電極３２６表面に付着したりすることを抑制する。本実施形態の場合、阻害物質は、高分子化合物で形成される。高分子化合物は、分子鎖が識別物質より長いオリゴエチレングリコールを用いることができるほか、例えばポリエチレングリコールなども用いることができる。

検出素子３２１内には、酸化還元電位測定電極３２６、参照電極３２９が装着されている。酸化還元電位測定電極３２６には、検出対象物質としてグルコース３２３を捕捉するためのグルコース捕捉分子３２７（フェニルボロン酸誘導体）が固定される。生体液３２２は血液（汗、唾液等であってもよい）であることから、検出対象物質としてのグルコース３２３の他に、酸化還元電位変動因子３２４、夾雑物３２５も存在する。酸化還元電位変動因子３２４、夾雑物３２５は、タンパク質、ごみ等である。なお、検出部３２０においては、グルコース以外の物質も酸化還元電位測定電極３２６を通じて検出するようにしてもよい。これには、検出対象物質を捕捉する抗体、アプタマーが捕捉分子３２７として用いられる。

グルコース捕捉分子３２７は、一端が、電極３２８に電気的に接続される。計測素子７００は、一例として、ＦＥＴによって実現される。試料中のグルコースは、識別物質としてのグルコース捕捉分子３２７（フェニルボロン酸誘導体）と結合する。これにより、グルコース捕捉分子３２７は、負電荷を生じる。この負電荷は、電極３２８に帯電する。計測素子７００は、ＦＥＴである場合には、電極３２８の帯電に伴って変化するゲート電圧の変化を計測する。これによって、検出部３２０は、試料に含まれるグルコース濃度を検出する。また、あるいは、計測素子７００は、参照電極３２９と、電極３２８との電位差に基づいて、グルコース濃度を検出する構成であってもよい。なお、図７に示した検出部３２０の構成は、あくまで一例であり、グルコース濃度を検出できるのであれば、その他の構成をとってもよい。

図６に戻って、記憶部３４０は、検出部３２０が検出した血糖値情報であるセンシングデータ３４１を記憶する。

出力部３５０は、記憶部３４０に記憶されたセンシングデータ３４１または検出部が検出した血糖値情報を出力する。出力部３５０は、例えば、ＵＳＢ端子等の出力端子として実現することができる。

なお、センサ３００は、検出した血糖値を出力できればよく、通信部３１０を備えなくともよい。例えば、出力部３５０をＵＳＢポートとして実現し、検出した血糖値情報を、ユーザ端末５００等に接続して出力することとしてもよい。このような場合には、アドレナリン推定サーバ２００に送信される血糖値情報は、ユーザ端末５００から送信されることとしてもよい。また、検出部３２０が測定した血糖値をそのまま通信部３１０あるいは出力部３５０から出力するのであれば、記憶部３４０を備えないこととしてもよい。
以上が、センサ３００の構成例の説明である。

＜動作＞
図８は、傷病推定システムによる傷病推定の流れであって、傷病推定システムに係る各装置間のやり取りの例を示すシーケンス図である、

図８に示すように、センサ３００は、ユーザ３０に装着されて、ユーザの血液から、ユーザの血糖値（血液内のグルコース濃度）を検出する（ステップＳ８０１）。センサ３００は、検出した血糖値を血糖値情報として、アドレナリン推定サーバ２００に送信する（ステップＳ８０２）。

アドレナリン推定サーバ２００は、受信した血糖値情報から、ユーザ３０が分泌したアドレナリンの量を推定する（ステップＳ８０３）。アドレナリン推定サーバ２００は、推定したユーザ３０のアドレナリン分泌量を示すアドレナリン情報を、傷病推定サーバ１００に送信する（ステップＳ８０４）。

傷病推定サーバ１００は、アドレナリン情報を受信すると、受信したアドレナリン情報に基づいて、ユーザ３０が傷病を負う可能性を推定する（ステップＳ８０５）。傷病推定サーバ１００は、推定した傷病を負う可能性を示す傷病推定情報をユーザ端末５００に送信する（ステップＳ８０６）。

ユーザ３０のユーザ端末５００は、受信した傷病推定情報を表示する（ステップＳ８０７）。これにより、ユーザ３０は、自身が傷病を負う可能性、あるいは、傷病を負っている可能性を認識することができる。
図９は、図８に示すやり取りを実現するためのセンサ３００の動作例を示すフローチャートである。

図９に示すように、センサ３００の検出部３２０は、ユーザ３０（被験者）のグルコース値を測定する（ステップＳ９０１）。検出部３２０は、測定したグルコース値を記憶部３４０に記憶する。

通信部３１０は、記憶部３４０に記憶されたセンシングデータを、アドレナリン推定サーバに送信する（ステップＳ９０２）。なお、このセンシングデータには、センサ３００を示す識別情報（センサＩＤ）またはセンサ３００を使用しているユーザ３０を示す識別情報（被験者ＩＤ）が含まれる。
センサ３００は、ユーザ３０から取り外される、または、センサ３００の起動スイッチがOFFされるまで図９に示す処理を実行し続ける。
図１０は、図８に示すやり取りを実現するためのアドレナリン推定サーバ２００の動作例を示すフローチャートである。

図１０に示すように、アドレナリン推定サーバ２００の通信部２１０は、センサ３００から送信されたユーザ３０の血糖値を示す血糖値情報を受信する（ステップＳ１００１）。通信部２１０は、受信した血糖値情報を制御部２３０に伝達する。制御部２３０の受付部２３１は、通信部２１０から伝達された血糖値情報を、傷病を負う可能性を推定する被験者の情報として受け付けて、推定部２３２に伝達する。

推定部２３２は、血糖値情報を伝達されると、伝達された血糖値情報を入力として、記憶部２４０に記憶されているアドレナリン推定学習モデル２４１を用いて、ユーザ３０のアドレナリン分泌量を推定する（ステップＳ１００２）。

そして、推定部２３２は、推定したアドレナリン分泌量を示すアドレナリン情報を、通信部２１０を介して、傷病推定サーバ１００に送信し（ステップＳ１００３）、処理を終了する。アドレナリン推定サーバ２００から傷病推定サーバ１００に送信されるアドレナリン情報には、どのユーザの情報であるかを識別するための識別情報が含まれる。アドレナリン推定サーバ２００は、図１０に示す処理を、血糖値情報を受信するごとに実行する。
図１１は、図８に示すやり取りを実現するための傷病推定サーバ１００の動作例を示すフローチャートである。

図１１に示すように、傷病推定サーバ１００の通信部１１０は、アドレナリン推定サーバ２００から送信されたユーザ３０の血糖値に基づいて推定されたアドレナリン分泌量を示すアドレナリン情報を受信する（ステップＳ１１０１）。通信部１１０は、受信したアドレナリン情報を制御部１３０に伝達する。制御部１３０の受付部１３１は、通信部１１０から伝達されたアドレナリン情報を、傷病を負う可能性を推定する被験者の情報として受け付けて、推定部１３２に伝達する。

推定部１３２は、アドレナリン情報を伝達されると、伝達されたアドレナリン情報を入力として、記憶部１４０に記憶されている傷病推定学習モデル１４１を用いて、ユーザ３０が傷病を負う可能性、もしくは、傷病を負っている可能性を推定する（ステップＳ１１０２）。

そして、推定部１３２は、推定したユーザ３０が傷病を負う可能性を示す傷病推定情報を、通信部１１０を介して、ユーザ端末５００に送信し（ステップＳ１１０３）、処理を終了する。傷病推定サーバ１００からユーザ端末５００に送信される傷病推定情報には、どのユーザの情報であるかを識別するための識別情報が含まれてもよい。傷病推定サーバ１００は、図１０に示す処理を、アドレナリン情報を受信するごとに実行する。
以上が、傷病推定システムにおけるユーザの運動時のアドレナリン分泌量に基づく傷病を負う可能性の推定の手法である。

図１２は、ユーザ端末５００等に表示されるユーザ３０の傷病推定情報の表示例を示す図である。図１２は、ユーザ端末５００をスマートフォンと想定した場合の表示例を示している。

図１２に示すように、ユーザ端末５００は、傷病推定情報として、ユーザ端末５００の保持者であるユーザ３０が負う可能性がある傷病情報１２１２を表示する。図１２では、傷病情報１２１２として、傷病名と、その傷病名を負う確率を表示する例を示しており、ここでは、肥満になる可能性が８０％あること、糖尿になる可能性が４０％ある例を示している。また、ユーザ端末５００は、傷病推定情報として、傷病情報１２１２の元となった、ユーザのアドレナリンの分泌量を示すアドレナリン情報１２１１を表示してもよい。図１２では、アドレナリン情報１２１１として、時間毎のアドレナリンの分泌量の推移をグラフで表す例を示している。

＜第１実施形態まとめ＞
上記第１実施形態に示したように、傷病推定サーバ１００は、ユーザ３０の運動時のアドレナリン分泌量に基づいて、ユーザ３０が傷病を負う可能性、傷病を負っている可能性を推定することができる。ユーザ３０が運動時において、特に、緊迫した場面などにおいては多量のアドレナリンが分泌されていると推定され、それに応じて血糖値の値を高くなる。また、アドレナリンはユーザの血糖値上昇に関与することから、ユーザの健康状態を左右する可能性があり、アドレナリンの分泌量とユーザが負った傷病の履歴とから、他のユーザの運動時のアドレナリンの分泌量を用いて、他のユーザが傷病を負う可能性を推定することができる。したがって、何らかの傷病を負う可能性があると推定されたユーザは、その傷病を負わないための善後策を講じることができる。

＜第２実施形態＞
上記第１実施形態においては、ユーザ３０が傷病を負う可能性を、ユーザの運動時のアドレナリン分泌量に基づいて推定することとしたが、これは、その限りではない。傷病推定サーバ１００は、ユーザ３０のアドレナリン分泌量ではなく、血糖値（グルコース分泌量）から、直接傷病を推定することとしてもよい。

図１３は、第２実施形態に係る傷病推定システムの構成例を示すシステム図である。図１３に示すように、傷病推定システムは、傷病推定サーバ１００を含み、センサ３００やユーザ端末５００を含んでもよい。図１３に示すように、第１実施形態と異なり、傷病推定システムには、アドレナリン推定サーバ２００が含まれていない。

図１３に示す傷病推定システムでは、センサ３００は、測定したセンシングデータ（血糖値情報）を、直接、傷病推定サーバ１００に送信する。そして、傷病推定サーバ１００は、受信した血糖値情報から、ユーザ３０が傷病を負う可能性を推定する。そして、傷病推定サーバ１００は、血糖値に基づいて推定した傷病推定情報を、ユーザ３０のユーザ端末５００に送信する。このように、第２実施形態では、傷病推定システムは、アドレナリン分泌量に変換することなく、ユーザ３０の運動時の血糖値から、ユーザ３０が傷病を負う可能性を推定する。以下、具体的に説明するが、第２実施形態においては、第１実施形態との差異についてのみ説明する。
傷病推定サーバ１００の構成としては、図２に示す構成と同様である。一方で、各機能部が実現する機能において差異が存在する。
まず、受付部１３１は、ユーザ３０の運動時のアドレナリン情報に代えて、ユーザ３０の運動時の血糖値情報を受け付け、推定部１３２に伝達する。

また、推定部１３２は、アドレナリン情報ではなく、血糖値情報と、傷病推定学習モデルとから、ユーザ３０が傷病を負う可能性を推定する。ここで、第２実施形態に係る傷病推定学習モデルについて説明する。

第２実施形態に係る傷病推定学習モデルは、ユーザの運動時の血糖値情報と、そのユーザが負った傷病との関係を学習したモデルであり、ユーザ３０の運動時の血糖値情報の入力を受け付けて、そのユーザ３０が傷病を負う可能性（または負っている可能性）を推定するために用いるモデルである。

図１４は、第２実施形態に係る傷病推定学習モデルを生成するために用いる教師データ３４１０のデータ構成例を示すデータ概念図である。図１４に示す教師データ３４１０のデータ構成例は、おおよそ、図３に示す教師データ１４１０と同様であるが、第１実施形態に示す教師データ１４１０が、アドレナリンデータ１４１４を保持していたのに対して、本第２実施形態においては、アドレナリンデータ１４１４に代えて血糖値データ２４１４を保持している点において相違する。したがって、図１４に示す教師データ３４１０を用いて学習した場合に生成されるモデルは、血糖値と、傷病を負う可能性との関係を学習したモデルとなる。教師データ３４１０は、少なくとも血糖値データ２４１４と、疾患情報１４１５とが、対応付けられていればよく、必要に応じて、他の情報は削除してもよいし、対応するユーザに関する他の情報が追加されてもよい。

図１５は、第２実施形態に係る傷病推定サーバ１００の動作例を示すフローチャートである。

図１５に示すように、傷病推定サーバ１００の通信部１１０は、センサ３００からユーザ３０（被験者）の血糖値情報を受信する（ステップＳ１５０１）。通信部１１０は、受信した血糖値情報を、制御部１３０に伝達する。

制御部１３０の受付部１３１は、伝達された血糖値情報を、ユーザ３０が傷病を負う可能性を推定するための情報として受け付ける。受付部１３１は、受け付けた血糖値情報を制御部１３０に伝達する。制御部１３０の推定部１３２は、受け付けた血糖値情報を入力として、傷病推定学習モデル１４１を用いて、ユーザ３０が傷病を負う可能性を推定する（ステップＳ１５０２）。

推定部１３２は、推定した傷病を負う可能性を示す傷病推定情報を生成し、生成した傷病推定情報を、通信部１１０を介して、ユーザ端末５００に送信し（ステップＳ１５０３）、処理を終了する。

このように、傷病推定サーバ１００は、ユーザのアドレナリン分泌量ではなく、血糖値情報に基づいて、ユーザ３０が傷病を負う可能性を推定することができる。

なお、ユーザ端末５００は、一般的なスマートフォンやタブレット端末と同様であり、少なくとも通信機能とデータを表示する表示機能とを有していれば従来の端末と同様であるので、詳細な構成の説明については省略する。

＜第２実施形態のまとめ＞
第２実施形態に係る傷病推定システムによれば、ユーザの運動時の血糖値から直接、ユーザが傷病を負う可能性を推定することができる。

＜補足＞
上記実施形態に係る傷病推定システムは、上記実施形態に限定されるものではなく、各構成は、他の手法により実現されてもよい。以下、各種変形例について説明する。

（１）上記第１実施形態においては、血糖値からアドレナリンを推定するために、血糖値とアドレナリンとの関係を学習した学習モデルを用いて推定することとしたが、これはその限りではない。血糖値を入力とし、アドレナリン値を出力する予め定められた関数により算出することとしてよい。このとき、時系列のデータとなる血糖値のデータに対してアドレナリンを分泌していると推定されるタイミング（または、分泌していないと推定されるタイミング）に対して重み付けを行ってアドレナリン値を推定することとしてもよい。

（２）上記実施形態に示した検出部３２０の構成は、図７の構成に限定するものではない。他の構成により実現されてもよい。

図１６は他の検出部３２０（他項目生体分子計測器）の主要部構成の概略図である。検出部３２０は所定の容器形状の検出素子３２１を備え、同検出素子３２１は計測素子７００と配線接続される。検出素子３２１には体液採取部３３０が形成される。体液採取部３３０は公知のニードル形状であり、表面張力により皮膚表面の汗、唾液等の生体液３２２は採取され検出素子３２１内に誘導される。

検出素子３２１内には、酸化還元電位測定電極３２６、参照電極３２９が装着されている。酸化還元電位測定電極３２６には、検出対象物質としてグルコース３２３を捕捉するためのグルコース捕捉分子３２７（フェニルボロン酸誘導体）が固定される。生体液３２２は血液、汗、唾液等であることから、検出対象物質としてのグルコース３２３の他に、タンパク質、ごみ等の酸化還元電位変動因子３２４、夾雑物３２５も存在する。なお、検出部３２０においては、グルコース以外の物質も酸化還元電位測定電極３２６を通じて検出するようにしてもよい。これには、検出対象物質を捕捉する抗体、アプタマーが捕捉分子３２７として用いられる。

検出部３２０（他項目生体分子計測器）にあっては、計測素子７００は、グルコース３２３の酸化還元電位測定電極３２６と、参照電極３２９との電位差を測定する構成である。そこで、電圧の変化からグルコースの量が推定される。
また、検出部３２０は、図１７に示す態様で実現されてもよい。

図１７は他の検出部３２０（他項目生体分子計測器）の主要部構成の概略図である。検出部３２０は所定の容器形状の検出素子３２１を備え、同検出素子３２１は計測素子７００と配線接続される。検出素子３２１には体液採取部３３０が形成される。体液採取部３３０は公知のニードル形状であり、表面張力により皮膚表面の汗、唾液等の生体液３２２は採取され検出素子３２１内に誘導される。

検出素子３２１内には、酸化還元電位測定電極３２６、参照電極３２９、対電極３３１が装着されている。酸化還元電位測定電極３２６には、検出対象物質としてグルコース３２３を捕捉するためのグルコース捕捉分子（フェニルボロン酸誘導体）が固定される。生体液３２２は汗、唾液等であることから、検出対象物質としてのグルコース３２３の他に、タンパク質、ごみ等の酸化還元電位変動因子３２４、夾雑物３２５も存在する。なお、検出部３２０においても、グルコース以外の物質も酸化還元電位測定電極３２６を通じて検出するようにしてもよい。これには、検出対象物質を捕捉する抗体、アプタマーが捕捉分子として用いられる。

検出部３２０（他項目生体分子計測器）にあっては、計測素子７００は、グルコース３２３の酸化還元電位測定電極３２６について、参照電極３２９と対電極３３１を通じて電流量の変化が計測される構成である。そこで、電流の変化からグルコースの量が推定される。検出部３２０はこのように構成されてもよい。

（３）上記実施の形態においては、ユーザの運動時の血糖値から推定されたアドレナリン分泌量、あるいは、血糖値に基づいて、ユーザが傷病を負う可能性を推定する傷病推定システムについて説明した。また、その血糖値を測定するセンサとしては、図７、図１６、図１７に一例を示した。

ところで、上述のセンサは、血糖値の値だけでなく、酸化還元電位の測定も行うことができる。そこで、上記傷病推定システムにおいて、更に、酸化還元電位を利用しての傷病推定も行ってもよい。本補足においては、その酸化還元電位も利用しての傷病を負う可能性の推定を行うことができる傷病推定システムについて説明する。

図１９は、本補足における教師データのデータ構成例を示すデータ概念図である。図１９に示すように、本補足における教師データ１４１０は、被験者ＩＤ１４１１と、性別１４１２と、体重１４１３と、アドレナリンデータ１４１４と、酸化還元電位データ１８０１と、疾患情報１４１５とが対応付けられた情報である。教師データ１４１０は、ユーザの運動時のアドレナリン分泌量と、ユーザの運動時の酸化還元電位の推移と、そのユーザが罹患した傷病を示す疾患情報とが対応付けられた情報の集合である。これらの情報のうち、上記実施の形態に示した情報と同じ内容の情報については同一の符号を付し、詳細な説明を省略する。

図１９に示す教師データ１４１０における酸化還元電位データ１８０１は、対応する被験者ＩＤ１４１１で示されるユーザの運動時の酸化還元電位の推移を示す情報である。酸化還元電位は、体液の状態が酸化状態にあるか還元状態にあるかを測定することができる。外因的なストレスや、傷病によって、活性酸素を中心とするフリーラジカルなどが過剰に生じることで、体液は酸化状態となる。高脂肪体や高血糖状態が長期間続くことで、血管内にはフリーラジカルが生じ、血管内皮にダメージを与え、腎障害、網膜症、歯周病など様々な生活習慣病を引き起こすことが知られている(Wells-Knecht, K.J. et al. Biochem. 34, 3702-3709 (1995)など)。さらに、近年、健常者と、メタボリックシンドローム患者および2型糖尿病患者での血液の酸化還元電位を測定した報告があり(Spanidis, Y. et al. Exp. Therap. Med. 11, 895-903 (2016))、健常者の血中酸化還元電位に対して、メタボリックシンドローム患者および2型糖尿病患者のそれは、酸化還元電位が高く、血中が酸化状態にあることが明らかとなっているしたがって、酸化還元電位の推移は、傷病の推定の参考とすることができる。酸化還元電位データ１８０１は、対応するアドレナリンデータ１４１４と同じ時系列で測定された情報である。酸化還元電位データ１８０１とアドレナリンデータ１４１４とのその変化の推移に係るタイムスタンプは互いに同期していることが望ましいが、共に運動時の測定データであれば、異なるタイミングで測定されたデータであってもよい。

図１９に示した教師データ１４１０を用いて学習モデルを生成することで、この学習モデルは、ユーザの運動時の酸化還元電位の推移と、同ユーザの運動時のアドレナリン分泌量の推移とから、ユーザが傷病を負う可能性を推定することができるモデルとなる。なお、このモデルは、酸化還元電位の推移と、アドレナリン分泌量の推移のいずれかだけの入力で、ユーザが傷病を負う可能性を推定することができるが、双方の入力があることが望ましい。

図２０は、本補足における傷病推定システムによるユーザが傷病を負う可能性を推定する手順を示したシーケンス図であり、傷病推定システムに係る各装置間のやり取りの例を示す図である。図２０は、上記実施形態１に示した傷病推定システムに準拠した構成のシステムでの推定を行う例を示している。

図２０に示すように、センサ３００は、センサ３００を装着しているユーザの運動時の血糖値と、酸化還元電位を検出する（ステップＳ１９０１）。センサ３００は、測定したデータのうち、血糖値の推移を示す血統情報はアドレナリン推定サーバ２００に送信し（ステップＳ８０２）、酸化還元電位の推移を示す酸化還元電位情報は、傷病推定サーバ１００に送信する（ステップＳ１９０２）。このとき送信される血糖値情報及び酸化還元電位情報には、共に、どのユーザの情報であるかを一意に特定できるユーザの識別情報といつ測定されたものであるかを示す日時情報とを含んでよい。このユーザの識別情報及び日時情報は、傷病推定サーバ１００が、酸化還元電位情報と、アドレナリン推定サーバ２００が推定するアドレナリン分泌量とについて同じユーザのものであることを特定するための情報である。ここでの識別情報及び日時情報の付与は、酸化還元電位情報及び血糖値情報それぞれにシステム上で固有となる同じ識別情報を付与することによっても実現することができる。

アドレナリン推定サーバ２００は、上記実施形態１に示したように、血糖値情報から、アドレナリン分泌量を推定し、その推移を示すアドレナリン情報を傷病推定サーバ１００に送信する（ステップＳ８０３、Ｓ８０４）。このアドレナリン情報には、推定されたアドレナリン分泌量の推移を示す情報の他、血糖値情報に含まれていたユーザの識別情報と日時情報とが含まれる。

傷病推定サーバ１００は、センサ３００から酸化還元電位情報を受信する。また、傷病推定サーバ１００は、アドレナリン推定サーバ２００から、アドレナリン情報を受信する。傷病推定サーバ１００は、受信した酸化還元電位情報とアドレナリン情報とが同じユーザのものであるかを、それぞれに含まれるユーザの識別情報と日時情報とを照合して確かめたうえで、酸化還元電位情報とアドレナリン情報とを学習モデルに入力する。そして、当該入力にしたがって、傷病推定サーバ１００の推定部１３２は、ユーザが傷病を負う可能性を推定する（ステップＳ１９０３）。そして、傷病推定サーバ１００は、推定した結果を示す傷病推定情報をユーザ端末５００に送信する（ステップＳ８０６）。

ユーザ端末５００は、傷病推定情報を受信すると、その内容を表示する（ステップＳ８０７）。これにより、ユーザは、ユーザの運動時の酸化還元電位の推移およびアドレナリン分泌量の推移から、自身が傷病を負う可能性がどの程度あるのか、どのような傷病を負う可能性があるのかを認識することができる。

なお、本補足における傷病推定システムにおいては、教師データとして、ユーザの運動時のアドレナリン分泌量の推移と、酸化還元電位の推移と、を含む情報を学習することで、ユーザの運動時のアドレナリン分泌量の推移と酸化還元電位の推移とに基づく傷病を負う可能性の推定を行うことができているが、酸化還元電位の推移を用いた推定はこれに限定するものではない。本補足で示した態様以外の例をとってもよいことはいうまでもない。

例えば、図１８に示した教師データにおいて、アドレナリン分泌量の推移に代えて、血糖値の推移を用いてもよい。この場合には、ユーザの運動時の血糖値の推移と、酸化還元電位の推移との入力を受け付けて、ユーザが傷病を負う可能性を示す情報を出力する傷病推定システムを提供することができる。

また、上記実施形態１、実施形態２において、アドレナリン分泌量の推移や血糖値の推移に基づくユーザの傷病の可能性の推定とは個別に、ユーザの運動時の酸化還元電位の推移に基づいてユーザが傷病を負う可能性を推定することとしてもよい。即ち、傷病推定システムは、ユーザの運動時のアドレナリン分泌量の推移に基づいて、ユーザが傷病を負う可能性を推定し、ユーザの運動時の酸化還元電位の推移に基づいて、ユーザが傷病を負う可能性を推定し、双方の推定結果を出力することとしてもよい。また、双方の推定結果を出力するのではなく、双方の推定結果において、双方において共に同種の傷病を負う可能性が高いと推定した、その傷病の情報を出力することとしてもよい。また、双方の推定結果それぞれで傷病を負う可能性が高いと推定した傷病のうち、傷病を負う可能性が所定の閾値以上となった傷病の情報を出力することとしてもよい。

本補足に示したように、血糖値あるいは血糖値に基づくアドレナリン分泌量以外の情報としてユーザの運動時の酸化還元電位の推移を用いてユーザが傷病を負う可能性を推定することで、血糖値あるいはアドレナリン分泌量からだけでは推定することができない傷病を負う可能性を推定することができたり、ユーザの運動時の血糖値あるいはアドレナリン分泌量から推定した傷病を負う可能性の確度を高めたりすることができる。

（４）上記実施の形態においては、傷病推定システムにおける傷病を負う可能性を推定する手法として、傷病推定サーバのプロセッサが傷病推定プログラム等を実行することにより、推定することとしているが、これは装置に集積回路（ＩＣ（Integrated Circuit）チップ、ＬＳＩ（Large Scale Integration））等に形成された論理回路（ハードウェア）や専用回路によって実現してもよい。また、これらの回路は、１または複数の集積回路により実現されてよく、上記実施の形態に示した複数の機能部の機能は１つの集積回路により実現されることとしてもよい。ＬＳＩは、集積度の違いにより、ＶＬＳＩ、スーパーＬＳＩ、ウルトラＬＳＩなどと呼称されることもある。

上記傷病推定プログラムは、プロセッサが読み取り可能な記録媒体に記録されていてよく、記録媒体としては、「一時的でない有形の媒体」、例えば、テープ、ディスク、カード、半導体メモリ、プログラマブルな論理回路などを用いることができる。また、上記傷病推定プログラムは、当該傷病推定プログラムを伝送可能な任意の伝送媒体（通信ネットワークや放送波等）を介して上記プロセッサに供給されてもよい。つまり、例えば、スマートフォン等の情報処理機器を利用して、ネットワーク上から傷病推定プログラムをダウンロードして実行する構成としてもよい。本発明は、上記傷病推定プログラムが電子的な伝送によって具現化された、搬送波に埋め込まれたデータ信号の形態でも実現され得る。

なお、上記傷病推定プログラムは、例えば、ActionScript、JavaScript（登録商標）などのスクリプト言語、Objective-C、Java（登録商標）、Ｃ＋＋、Ｐｙｔｈｏｎ、Ｒなどのオブジェクト指向プログラミング言語などを用いて実装できる。

（４）上記実施形態および補足に示す各種の構成は適宜組み合わせることとしてよい。

１００ 傷病推定サーバ
１１０ 通信部
１２０ 入力部
１３０ 制御部
１３１ 受付部
１３２ 推定部
１３３ 学習部
１４０ 記憶部
１４１ 傷病推定学習モデル
１５０ 出力部
２００ アドレナリン推定サーバ
２１０ 通信部
２２０ 入力部
２３０ 制御部
２３１ 受付部
２３２ 推定部
２３３ 学習部
２４０ 記憶部
２４１ アドレナリン推定学習モデル
２５０ 出力部
３００ センサ
３１０ 通信部
３２０ 検出部
３４０ 記憶部
３４１ センシングデータ
３５０ 出力部

Claims (6)

1. 対象ユーザの運動時の血糖値に関する血糖値情報の入力を受け付ける受付部と、
   ユーザの運動時の血糖値と、アドレナリン分泌量との関係を学習したアドレナリン推定学習モデルと、ユーザの運動時のアドレナリン分泌量と、前記ユーザの傷病との関係を学習した傷病推定学習モデルと、を記憶する記憶部と、
   前記受付部が受け付けた血糖値情報と、前記アドレナリン推定学習モデルとを用いて、前記対象ユーザのアドレナリン分泌量を推定するアドレナリン分泌量推定部と、
   推定された前記アドレナリン分泌量と、前記傷病推定学習モデルとを用いて、前記対象ユーザが、傷病を患う可能性を推定する傷病推定部と、
   前記推定部が推定した可能性に関する情報を出力する出力部と、
   を備える傷病推定システム。
2. 前記傷病推定学習モデルは、前記ユーザのアドレナリン分泌量の推移と、前記ユーザの傷病との関係を学習した学習モデルであり、
   受付部は、前記対象ユーザの運動時の血糖値の推移に関する血糖値情報の入力を受け付ける
   ことを特徴とする請求項１に記載の傷病推定システム。
3. 前記傷病推定学習モデルは、さらに、ユーザの運動時の酸化還元電位と、前記ユーザの傷病との関係を学習したモデルであり、
   前記受付部は、さらに、前記対象ユーザの運動時の酸化還元電位に関する酸化還元電位情報の入力を受け付け、
   前記傷病推定部は、前記受付部が受け付けた前記血糖値情報と前記酸化還元電位情報と、前記学習モデルとを用いて、前記対象ユーザが傷病を患う可能性を推定する
   ことを特徴とする請求項１または２に記載の傷病推定システム。
4. 前記傷病は、肥満症、糖尿病、腎障害のいずれかである
   ことを特徴とする請求項１～３のいずれか一項に記載の傷病推定システム。
5. コンピュータが、
   対象ユーザの運動時の血糖値に関する血糖値情報の入力を受け付ける受付ステップと、
   ユーザの運動時の血糖値と、アドレナリン分泌量との関係を学習したアドレナリン推定学習モデルと、ユーザの運動時のアドレナリン分泌量と、前記ユーザの傷病との関係を学習した傷病推定学習モデルと、を記憶する記憶ステップと、
   前記受付ステップが受け付けた血糖値情報と、前記アドレナリン推定学習モデルとを用いて、前記対象ユーザのアドレナリン分泌量を推定するアドレナリン分泌量推定ステップと、
   推定された前記アドレナリン分泌量と、前記傷病推定学習モデルとを用いて、前記対象ユーザが、傷病を患う可能性を推定する傷病推定ステップと、
   前記推定ステップが推定した可能性に関する情報を出力する出力ステップと、
   を実行する傷病推定方法。
6. コンピュータに、
   対象ユーザの運動時の血糖値に関する血糖値情報の入力を受け付ける受付機能と、
   ユーザの運動時の血糖値と、アドレナリン分泌量との関係を学習したアドレナリン推定学習モデルと、ユーザの運動時のアドレナリン分泌量と、前記ユーザの傷病との関係を学習した傷病推定学習モデルと、を記憶する記憶機能と、
   前記受付機能が受け付けた血糖値情報と、前記アドレナリン推定学習モデルとを用いて、前記対象ユーザのアドレナリン分泌量を推定するアドレナリン分泌量推定機能と、
   推定された前記アドレナリン分泌量と、前記傷病推定学習モデルとを用いて、前記対象ユーザが、傷病を患う可能性を推定する傷病推定機能と、
   前記推定機能が推定した可能性に関する情報を出力する出力機能と、
   を実現させる傷病推定プログラム。
   

Images