JP7759000B2 - 推定装置、指標統計値算出方法、プログラム及び記録媒体 - Google Patents

Description

特許法第３０条第２項適用 （１） 発行日（公開日） 令和３年４月１３日 刊行物 ２０２１年度人工知能学会全国大会（第３５回）予稿集 ＊参加者専用Ｗｅｂリンクダウンロードにより公開（Ｗｅｂ公開アドレス ｈｔｔｐｓ：／／ｃｏｎｆｉｔ．ａｔｌａｓ．ｊｐ／ｇｕｉｄｅ／ｐｒｉｎｔ／ｊｓａｉ２０２１／ｓｕｂｊｅｃｔ／３Ｆ２－ＧＳ－１０ｊ－０５／ｄｅｔａｉｌ） （２） 発行日（公開日） 令和３年５月２１日 刊行物名 ２０２１年度人工知能学会全国大会（第３５回）論文集 ＊参加者専用Ｗｅｂリンクダウンロードにより公開（Ｗｅｂ公開アドレス ｈｔｔｐｓ：／／ｄｒｉｖｅ．ｇｏｏｇｌｅ．ｃｏｍ／ｆｉｌｅ／ｄ／１ＳｑＲＥ３ｌ２Ｐ－ｏｂｏｃｒｄＷＬＳｕＹＨＳｅＬＹＡｑＤｔＸＶ８／ｖｉｅｗ？ｕｓｐ＝ｓｈａｒｉｎｇ） （３） 開催日（公開日） 令和３年６月１０日 集会名、集会場所 ２０２１年度人工知能学会全国大会（第３５回）（会期：令和３年６月８日～１１日） ＊オンライン開催 ＜資 料＞ ２０２１年度人工知能学会全国大会（第３５回）お知らせ ＜資 料＞ ２０２１年度人工知能学会全国大会（第３５回）予稿集 掲載研究要旨 ＜資 料＞ ２０２１年度人工知能学会全国大会（第３５回）論文集 掲載研究論文

本発明は、推定装置、指標統計値算出方法、プログラム及び記録媒体に関する。

リハビリテーション医療において、脳血管疾患などに伴う麻痺により障害を負った際に、その障害を評価する尺度として自立度が用いられている。自立度にはFIM（Functional Independence Measure）が日本のみならず海外でも臨床現場にて頻繁に用いられている。FIMは医療者が目視で採点するが、ウェアラブルデバイスで計測した計測値から機械学習を用いて自動的に推定する方法が提案されている（非特許文献１）。

非特許文献２には、ウェアラブルデバイスによる計測結果のリハビリテーションへの応用例が記載されている。非特許文献３には、統計学における代入法が記載されている。

特開２０２０－０３６７８１号公報

Jason Conci, Utilizing Consumer-grade Wearable Sensors for Unobtrusive Rehabilitation Outcome Prediction, 2019. 「生体情報センシングと人の状態推定への応用」技術情報協会 ２０２０年 https://ja.wikipedia.org/wiki/代入法_(統計学)、最終更新2021年4月16日13:13(UTC)

非特許文献１において、ウェアラブルデバイスは身体活動量、心拍数、睡眠の質を計測する。しかしながら、入院患者には睡眠障害がしばしば伴い、睡眠の質と自立度の関連性が低く、自立度を正確に推定できないことがある。これは、脳神経系の活動に関する状態のひとつである睡眠を、循環器系や物理動作に関する情報しか測定できない種類のウェアラブルデバイスを用いて得ようとしたことに起因するためである。よって循環器系や物理動作の情報に適切に基づくことで、課題を解決することができる。
本発明は、高い精度で自立度を推定することができる推定装置、推定方法、プログラム及び記憶媒体を提供することを目的としている。

本発明の一態様は、被測定者の状態や動作に関し、前記被測定者の循環器の状態に関するバイタルデータ及び物理的な振動や角度に関する動作データに基づいて、時系列の指標を算出する指標算出部と、前記時系列の指標に基づいて、前記時系列の指標の統計値である指標統計値を算出する統計値算出部と、前記指標統計値に基づいて、前記被測定者の自立度を推定する自立度推定部と、を備える推定装置である。

本発明の一態様は、被測定者の状態や動作に関し、前記被測定者の循環器の状態に関するバイタルデータ及び物理的な振動や角度に関する動作データに基づいて、時系列の指標を算出する指標算出ステップと、前記時系列の指標に基づいて、前記時系列の指標の統計値である指標統計値を算出する統計値算出ステップと、前記指標統計値に基づいて、前記被測定者の自立度を推定する自立度推定ステップと、を有する推定方法である。

本発明の一態様は、上記の推定装置としてコンピュータを機能させるためのプログラムである。

本発明の一態様は、上記の推定装置としてコンピュータを機能させるためのプログラムを記録したコンピュータで読み取り可能な記録媒体である。

本発明により、高い精度で自立度を推定することができる。

第１の実施形態に係る推定システムを示す図である。 推定装置の構成を示す図である。 推定システムの動作を示すフローチャートである。 推定装置のハードウェア構成の一例を示す図である。 第１の実施形態の変形例に係る推定装置の構成を示す図である。 第１の実施形態の変形例に係る推定装置の構成を示す図である。 説明変数と相関係数を示した図である。

〈第１の実施形態〉
図１は、第１の実施形態に係る推定システム１を示す図である。推定システム１は、推定装置２、センサ端末２０２、中継端末２０３を含む。推定システム１において、例えば被測定者２０１の体幹にセンサ端末２０２が装着される。センサ端末２０２が計測した結果は中継端末２０３により中継され推定装置２に送信される。センサ端末２０２は、被測定者２０１のバイタルデータ及び動作データを測定する。バイタルデータは、被測定者２０１の循環器の状態に関する特徴量である。動作データは、被測定者２０１の物理的な振動や角度に関する特徴量である。バイタルデータは例えば心電位、心拍数、脈拍数、ＲＲＩ、体温である。動作データは例えば加速度、角速度である。センサ端末２０２は、スマートフォンやタブレットなどのコンピュータ機器としてもよい。

中継端末２０３は、センサ端末２０２から受信したデータを推定装置２に送信する。中継端末２０３は、例えばセンサ端末２０２とＢｌｕｅｔｏｏｔｈ（登録商標）により接続され、推定装置２とＷｉ－Ｆｉにより接続されるがこれに限られない。中継端末２０３は、スマートフォンやタブレットなどのコンピュータ機器であって、センサ端末２０２から受信したデータを処理し推定装置２に送信してもよい。

図２は、推定装置２の構成を示す図である。推定装置２は、受信部１０、受信データ記憶部１１、指標算出部１２、統計値算出部１４、自立度推定モデル記憶部１６、自立度推定部１８、提示部２０を備える。

受信部１０は、センサ端末２０２による計測結果であるバイタルデータ及び動作データを中継端末２０３から受信する。

受信データ記憶部１１は、受信部１０が受信したデータを記憶する。受信データ記憶部１１には、データと当該データが測定された時間が紐づけて記憶される。受信データ記憶部１１は、例えば被測定者２０１の心電位及び加速度の時系列データを記憶する。

指標算出部１２は、受信データ記憶部１１に記憶されたデータに基づいて、被測定者２０１の状態や動作の時間変化を示す時系列の指標を算出する。時系列の指標は、例えば心電位に基づき算出される心拍数を被測定者２０１の最大・最小心拍数で規格化した値を示す％ＨＲＲ(percent heart rate reserve)の時間変化である。時系列の指標は、例えば加速度に基づき算出される体勢別（臥位、座位、立位、歩行）の活動時間である。時系列の指標は、例えば加速度に基づき算出される３軸加速度を合成した値の所定の時間（例えば１秒間）当たりの標準偏差である体動の時間変化である。時系列の指標は、例えば加速度に基づき算出される所定の時間（例えば１分間）当たりの歩数の時間変化である。時系列の指標は、例えば心電位及び加速度に基づき算出される％ＨＲＲを体動で割った値である活動コスト指数の時間変化である。指標算出部１２は、％ＨＲＲの時間変化、体勢別の活動時間、体動の時間変化、時間当たりの歩数の時間変化、活動コスト指数の時間変化のうち少なくとも１つを算出すればよい。

指標算出部１２は、被測定者２０１の状態や動作の時間変化を示す時系列の指標として、睡眠を示す時系列の指標を算出しなくてよい。睡眠を示す時系列の指標は例えば睡眠時間又は睡眠品質である。

指標算出部１２は、受信データ記憶部１１に記憶された時系列データを規格化してもよい。指標算出部１２は、例えば受信データ記憶部１１に記憶された時系列データが２４時間以上にわたる時系列データであるとき、規格化を行い２４時間にわたる時系列データとしてもよい。指標算出部１２は、時系列データにおいて同時刻のアンサンブル平均をとることで２４時間にわたる時系列データを生成してもよい。

統計値算出部１４は、指標算出部１２により算出された時系列の指標に基づいて指標の統計値を算出する。統計値は例えば平均値、分位数、偏差である。指標の統計値は、時系列の指標の所定の時間（例えば３０分）ごとの値の統計値であってよい。時系列の指標が２４時間の％ＨＲＲの時間変化のとき、例えば３０分間ごとの％ＨＲＲの平均値４８個が算出され、最終的に４８個の平均値の平均値が指標の統計値として算出される。時系列の指標が体勢別の活動時間であるとき、例えば３０分間ごとの各態勢の時間の平均値が指標の統計値として算出される。時系列の指標が２４時間の体動の時間変化であるとき、例えば３０分間ごとの体動の平均値４８個が算出され、最終的に４８個の平均値の平均値が指標の統計値として算出される。時系列の指標が歩数の時間変化であるとき、指標の統計値として例えば３０分間ごとの歩数の平均値が算出される。時系列の指標が２４時間の活動コスト指数の時間変化であるとき、例えば３０分間ごとの活動コスト指数の平均値４８個が算出され、最終的に４８個の平均値の平均値が指標の統計値として算出される。

自立度推定モデル記憶部１６は、自立度推定モデルを記憶する。自立度推定モデルは、統計値算出部１４により算出される指標の統計値を入力として、自立度を出力するモデルである。自立度推定モデルは、指標の統計値と自立度とのデータセットを用いて機械学習により作成される。機械学習における説明変数は指標の統計値であり、目的変数は自立度である。自立度は、障害を有する者、特に障害を有する高齢者の障害を評価する尺度である。自立度は、障害を有する者が日常生活をどのくらい自立してできるかを示す指標であり、障害を有する者が寝たきりであるか否かを示す指標でもある。自立度は例えばＦＩＭである。自立度は例えばＦＩＭに含まれる運動機能に関する１３項目の点数の和である。機械学習の手法は限定されず、例えばニューラルネットワーク、ランダムフォレスト、サポートベクトルマシン、ロジスティック回帰又はアンサンブル学習である。

指標の統計値は、時系列の指標の所定の時間ごとの値であってもよい。時系列の指標が２４時間の％ＨＲＲの時間変化のとき、指標の統計値は３０分間ごとの％ＨＲＲの平均値４８個であってもよい。時系列の指標が体勢別の活動時間であるとき、指標の統計値は、３０分間ごとの各態勢の時間であってもよい。時系列の指標が２４時間の体動の時間変化であるとき、指標の統計値は、３０分間ごとの体動の平均値４８個であってもよい。時系列の指標が歩数の時間変化であるとき、指標の統計値は、３０分間ごとの歩数であってよい。時系列の指標が２４時間の活動コスト指数の時間変化であるとき、指標の統計値は、３０分間ごとの活動コスト指数の平均値４８個であってよい。このとき、自立度推定モデルの入力の数が増大するため、推定時の計算負荷は増大するが、推定精度は向上する。

指標の統計値は、時系列の指標であってもよい。このとき、自立度推定モデルの入力の数が増大するため、推定時の計算負荷は増大するが、推定精度は向上する。

自立度推定部１８は、自立度推定モデルを用いて指標の統計値から自立度を推定する。自立度推定部１８は、指標の統計値を自立度推定モデルに入力し自立度を出力させることで自立度を推定する。

提示部２０は、自立度推定部１８により推定された自立度を提示する。提示部２０は例えばディスプレイなど表示装置にデータを出力することで自立度を提示する。

図３は、推定システム１の動作を示すフローチャートである。センサ端末２０２がバイタルデータ及び動作データを測定する（ステップＳ１０１）。中継端末２０３はセンサ端末２０２が測定したバイタルデータ及び動作データを中継し、推定装置２に送信する（ステップＳ１０２）。推定装置２の受信部１０は中継端末２０３からバイタルデータ及び動作データを受信する（ステップＳ２０１）。指標算出部１２はバイタルデータ及び動作データに基づいて時系列の指標を算出する（ステップＳ２０２）。統計値算出部１４は、時系列の指標に基づいて指標の統計値を算出する（ステップＳ２０３）。自立度推定部１８は、指標の統計値を自立度推定モデルに入力することで自立度を推定する（ステップＳ２０４）。提示部２０は、推定された自立度を提示する（ステップＳ２０５）。

図４は、推定装置２のハードウェア構成の一例を示す図である。推定装置２は、例えば、バス１０１を介して接続されるＣＰＵ１０３と主記憶装置１０４とを有する演算装置１０２、通信インターフェース１０５、外部記憶装置１０７、時計１０８、表示装置１０９を備えるコンピュータと、これらのハードウェア資源を制御するプログラムによって実現することができる。

ＣＰＵ１０３と主記憶装置１０４とは、演算装置１０２を構成する。主記憶装置１０４には、ＣＰＵ１０３が各種制御や演算を行うためのプログラムが予め格納されている。演算装置１０２によって、図２に示した推定装置２の各機能が実現される。

通信インターフェース１０５は、推定装置２と中継端末２０３など各種外部電子機器との間を通信ネットワークにて接続するためのインターフェースおよび制御装置である。推定装置２は、通信インターフェース１０５を介して、中継端末２０３から通信ネットワークを介して心拍数や心電波形、加速度のデータを受信してもよい。

通信インターフェース１０５としては、例えば、ＬＴＥ、３Ｇ、無線ＬＡＮ、Ｂｌｕｅｔｏｏｔｈなどの無線データ通信規格に対応した演算インターフェースおよびアンテナが用いられる。通信インターフェース１０５によって、図２における受信部１０が実現される。

外部記憶装置１０７は、読み書き可能な記憶媒体と、その記憶媒体に対してプログラムやデータなどの各種情報を読み書きするための駆動装置とで構成されている。外部記憶装置１０７には、記憶媒体としてハードディスクやフラッシュメモリなどの半導体メモリを使用することができる。

外部記憶装置１０７は、センサ端末２０２により計測されたバイタルデータ及び動作データを記憶する記憶領域や、推定装置２がバイタルデータ及び動作データの解析処理を行うためのプログラムを格納するプログラム格納部や、図示しないその他の格納装置で、例えば、この外部記憶装置１０７内に格納されているプログラムやデータなどをバックアップするための格納装置などを有することができる。外部記憶装置１０７によって、図２における受信データ記憶部１１及び自立度推定モデル記憶部１６が実現される。

時計１０８は、推定装置２に設けられた内蔵時計などで構成され、時間を計時する。時計１０８によって得られた時刻情報は、バイタルデータ及び動作データのサンプリングやデータ解析処理に用いられる。

表示装置１０９は、推定装置２の提示部２０として機能する。表示装置１０９は液晶ディスプレイなどによって実現される。

〈変形例〉
自立度推定モデルは、統計値算出部１４により算出される指標の統計値及び被測定者２０１のプロフィールを入力として、自立度を出力するモデルであってもよい。つまり、自立度推定モデルは、指標の統計値及び被測定者２０１のプロフィールを説明変数とし、自立度を目的変数として生成される。被測定者２０１のプロフィールは例えば被測定者２０１の年齢、身長、体重又は性別である。被測定者２０１のプロフィールは被測定者２０１の年齢、身長、体重及び性別のうちいくつかが組み合わさったデータであってもよい。

図５は、第１の実施形態の変形例に係る推定装置２の構成を示す図である。推定装置２は、被測定者プロフィール取得部２２を備える。被測定者プロフィール取得部２２は被測定者２０１のプロフィールを取得する。自立度推定部１８は、指標の統計値及び被測定者プロフィール取得部２２により取得された被測定者２０１のプロフィールを自立度推定モデルに入力し自立度を出力させることで自立度を推定する。

自立度推定モデルは、統計値算出部１４により算出される指標の統計値及び被測定者２０１の過去の自立度を入力として、自立度を出力するモデルであってもよい。つまり、自立度推定モデルは、指標の統計値及び被測定者２０１の過去の自立度を説明変数とし、自立度を目的変数として生成される。

図６は、第１の実施形態の変形例に係る推定装置２の構成を示す図である。推定装置２は、過去自立度取得部２４を備える。過去自立度取得部２４は被測定者２０１の過去の自立度を取得する。自立度推定部１８は、指標の統計値及び過去自立度取得部２４により取得された被測定者２０１の過去の自立度を自立度推定モデルに入力し自立度を出力させることで自立度を推定する。

自立度推定モデルは、指標の統計値、被測定者２０１のプロフィール及び被測定者２０１の過去の自立度を説明変数とし、自立度を目的変数として生成されてもよい。このとき、自立度推定部１８は、指標の統計値、被測定者２０１のプロフィール及び被測定者２０１の過去の自立度を自立度推定モデルに入力し自立度を出力させることで自立度を推定する。

〈実験例〉
自立度推定モデルの生成に用いる説明変数を変え、推定された自立度と実際の自立度との相関係数を算出した。図７は、説明変数と相関係数を示した図である。第１条件においては説明変数として被測定者２０１の時系列の指標である指標（％ＨＲＲ、臥位時間、立位座位時間、歩行時間、歩数、活動コスト指数）の各々の３０分単位の統計値に対して5分割交差検定を行うことで相関係数を算出した。第２条件の説明変数は第１条件の説明変数に加え、被測定者２０１のプロフィール（年齢、身長、体重及び性別）が含まれる。第３条件の説明変数は被測定者２０１のプロフィール（年齢、身長、体重及び性別）及び被測定者２０１の過去の自立度である。被測定者２０１の過去の自立度は入院第１週目の自立度であり、目的変数の自立度は入院第５週目の自立度である。つまり、過去の自立度は推定される自立度の４週間前の自立度である。第４条件の説明変数は第１条件の説明変数に加え、被測定者２０１の過去の自立度が含まれる。第５条件の説明変数は第４条件の説明変数に加え、被測定者２０１のプロフィール（年齢、身長、体重及び性別）が含まれる。第２条件から第５条件においても統計値に対して5分割交差検定を行うことで相関係数を算出した。ｋ分割交差検定において、kは評価用のデータセットの数であり、kの値として２、５、又は１０を用いることができる。

相関係数は、いずれの条件においても0.6を超える値となった。以上により推定装置２は、自立度を高い精度で推定することができる。

また、被測定者２０１が入院患者である場合、被測定者２０１には睡眠障害がしばしば伴い、自立度に関わらず睡眠の質が悪いことが多い。そのため、睡眠に関するデータと自立度の関連性が低く、被測定者２０１の状態や動作の時間変化を示す時系列の指標が睡眠を示す時系列の指標を含む場合には、推定装置２が自立度を推定する精度が悪くなる。そのため、被測定者２０１の状態や動作の時間変化を示す時系列の指標が睡眠を示す時系列の指標を含む場合には、推定装置２は自立度の影響を受けずに自立度を推定することができ、推定の精度の改善につながる。

〈第２の実施形態〉
第２の実施形態に係る推定装置２は、第１の実施形態に係る推定装置２に加え欠損補完部３０を備える。

欠損補完部３０は、欠損したデータを補完する。欠損したデータとは、センサ端末２０２の不具合や、中継端末２０３と推定装置２の通信状況などにより推定装置２が受信できなかったデータである。欠損したデータは、所定の上限閾値及び所定の下限閾値に基づいて、その値が上限閾値を超える値又は下限閾値を下回るデータを含んでもよい。
欠損補完部３０は、欠損したデータを無効にしてもよい。指標算出部１２が、時系列データにおいて同時刻のアンサンブル平均をとることで２４時間にわたる時系列データを生成するとき、欠損補完部３０は、欠損したデータを除く同時刻の平均値をアンサンブル平均として算出してもよい。

欠損補完部３０は、被測定者２０１のプロフィールや被測定者２０１の過去の自立度に対して、多重代入法を適用することで欠損したデータの補完をしてもよい。

第２の実施形態に係る推定装置２により、データの欠損の補完をすることができ、欠損のない説明変数のデータセットをより多く扱うことができ、自立度の推定の信頼性を高めることができる。

〈他の実施形態〉
自立度推定モデルの説明変数は、指標の統計値、被測定者２０１のプロフィール又は被測定者２０１の過去の自立度に限られない。例えば、自立度推定モデルの説明変数は被測定者２０１の疾患情報を含んでもよい。被測定者２０１の疾患情報は例えば被測定者２０１が脳血管疾患、脊椎損傷、大腿骨骨折などの疾患を持っているか否かという情報である。自立度推定部１８は、当該説明変数に合わせて、被測定者２０１の疾患情報を自立度推定モデルへの入力に含めてもよい。

推定装置２は、推定自立度記憶部４０を備え、自立度推定部１８により推定された自立度を記憶してもよい。また、推定自立度記憶部４０は、指標の統計値、自立度を被測定者２０１のプロフィール、被測定者２０１の過去の自立度又は被測定者２０１の疾患情報と紐づけて記憶してもよい。

推定装置２は、推定自立度記憶部４０に記憶された推定自立度に基づいて、推定自立度の統計値を算出する推定統計値算出部４２を備えてもよい。推定統計値算出部４２は、被測定者２０１のプロフィールに基づいて推定自立度の統計値を算出してもよい。例えば、推定統計値算出部４２は、５０代、６０代など年齢ごとに推定自立度の統計値である平均値や標準偏差を算出する。提示部２０は、推定統計値算出部４２により算出された結果を提示してもよい。

自立度推定モデルの説明変数と目的変数を異なるものにすることで、自立度以外の特性を推定するモデルを作成することができる。例えば、目的変数として被測定者２０１のプロフィールの１項目を、説明変数として指標の統計値と、被測定者２０１のプロフィールのうち目的変数でない項目、被測定者２０１の自立度及び被測定者２０１の疾患情報のうち少なくとも１つとし、被測定者２０１のプロフィールの１項目を推定する推定モデルを作成してもよい。
当該推定モデルに説明変数を入力することで、被測定者２０１のプロフィールの１項目の推定値が出力される。例えば、当該推定モデルに説明変数を入力すると、被測定者２０１の年齢の推定値が出力される場合、年齢の推定値が実年齢より低ければ、説明変数に含まれる指標の統計値や自立度が良好であることを被測定者２０１は把握することができる。

例えば、目的変数として被測定者２０１が持っている疾患を、説明変数として指標の統計値、被測定者２０１のプロフィールの項目、被測定者２０１の自立度のうち少なくとも１つとし、疾患を推定する推定モデルを作成してもよい。

自立度推定モデルがオートエンコーダである場合、提示部２０は、自立度推定モデルが圧縮したデータを提示してもよい。オートエンコーダの圧縮により、説明変数の次元が圧縮され、学習に必要な本質的な情報のみが残ることから、本質的な情報を把握することができる。

推定装置２とセンサ端末２０２とは同一の装置により実現されてもよい。このとき、推定装置２とセンサ端末２０２とは中継端末２０３を介して通信しなくてもよい。また、中継端末２０３が推定装置２の一部機能を行ってもよい。例えば、中継端末２０３が指標算出部１２、統計値算出部１４、自立度推定部１８及び提示部２０の機能の一部を行い、処理されたデータを推定装置２に送信してもよい。

１…推定システム、２…推定装置、１０…受信部、１１…受信データ記憶部、１２…指標算出部、１４…統計値算出部、１６…自立度推定モデル記憶部、１８…自立度推定部、２０…提示部、２２…被測定者プロフィール取得部、２４…過去自立度取得部、１０１…バス、１０２…演算装置、１０３…ＣＰＵ、１０４…主記憶装置、１０５…通信インターフェース、１０７…外部記憶装置、１０８…時計、１０９…表示装置、２０１…被測定者、２０２…センサ端末、２０３…中継端末

Claims (9)

1. 被測定者の状態や動作に関し、前記被測定者の循環器の状態に関するバイタルデータ及び物理的な振動や角度に関する動作データに基づいて、時系列の指標を算出する指標算出部と、
   前記時系列の指標に基づいて、前記時系列の指標の統計値である指標統計値を算出する統計値算出部と、
   前記指標統計値に基づいて、前記被測定者の自立度を推定する自立度推定部と、
   を備え、
   前記時系列の指標は、前記被測定者の体勢別の活動時間及び／又は前記被測定者の所定の時間当たりの歩数の時間変化を含む、
   推定装置。
2. 前記自立度推定部は、前記被測定者のプロフィールに基づいて自立度を推定する、
   請求項１に記載の推定装置。
3. 前記自立度推定部は、前記被測定者の過去の自立度に基づいて自立度を推定する、
   請求項１又は２に記載の推定装置。
4. 前記バイタルデータ及び前記動作データの欠損したデータを補完する欠損補完部と、
   をさらに備える請求項１から３のいずれか一項に記載の推定装置。
5. 前記自立度推定部は、前記被測定者の疾患情報に基づいて自立度を推定する、
   請求項１から４のいずれか一項に記載の推定装置。
6. 前記自立度推定部により推定された自立度に基づいて、自立度の統計値を算出する推定統計値算出部と、
   前記推定統計値算出部により算出された統計値を提示する提示部と、
   をさらに備える請求項１から５のいずれか一項に記載の推定装置。
7. 被測定者の自立度の推定のための指標統計値算出方法であって、
   前記被測定者の状態や動作に関し、前記被測定者の循環器の状態に関するバイタルデータ及び物理的な振動や角度に関する動作データに基づいて、時系列の指標を算出する指標算出ステップと、
   前記時系列の指標に基づいて、前記時系列の指標の統計値である指標統計値を算出する統計値算出ステップと、
   を有し、
   前記時系列の指標は、前記被測定者の体勢別の活動時間及び／又は前記被測定者の所定の時間当たりの歩数の時間変化を含む、
   指標統計値算出方法。
8. 請求項１から６のいずれか一項に記載の推定装置としてコンピュータを機能させるためのプログラム。
9. 請求項１から６のいずれか一項に記載の推定装置としてコンピュータを機能させるためのプログラムを記録したコンピュータで読み取り可能な記録媒体。