JP7845111B2

JP7845111B2 - 予測装置、予測方法、及び予測プログラム

Info

Publication number: JP7845111B2
Application number: JP2022132703A
Authority: JP
Inventors: 和繁内; 佐藤　浩子; 浩之堺; 恵美小山; 真希松本
Original assignee: Toyota Central R&D Labs Inc
Current assignee: Toyota Central R&D Labs Inc
Priority date: 2022-08-23
Filing date: 2022-08-23
Publication date: 2026-04-14
Anticipated expiration: 2042-08-23
Also published as: JP2024030128A

Description

本開示は、予測装置、予測方法、及び予測プログラムに関する。

特許文献１には、ユーザーのウルトラディアンリズム周期の生体信号と、前記ユーザーの活動量、前記ユーザー周辺の外部環境情報、及び前記ユーザーの生活行動に関する行動指標の少なくとも１つを含む影響要因とを取得する取得部と、前記ユーザーが行う予定の行動である予定行動の入力を受け付ける入力部と、前記生体信号から、前記影響要因に基づく影響を低減した前記ユーザーの生体信号のウルトラディアンリズム波形を抽出する抽出部と、前記ウルトラディアンリズム波形と、前記影響要因とに基づいて、前記予定行動が行われる時間である予測対象時間のウルトラディアンリズム波形を予測する予測部と、を含む生体リズム予測装置が開示されている。

特許文献２には、処理部と記憶部と備え、個人の生体情報から、個人の行動提案を行う行動提案装置であって、前記処理部は、収集した前記個人の生体情報に基づき、前記個人の行動を判別して行動要素データとし、所定期間の前記行動要素データから、前記個人の習慣行動データを生成し、前記行動要素データと前記習慣行動データと、前記個人の目標指標データとに基づき、前記個人の行動指針を生成し、生成した前記行動指針に基づき、前記個人のための行動提案を行う、ことを特徴とする行動提案装置が開示されている。

特許文献３には、生体リズム曲線を入力するリズム曲線入力手段と、調整目標となる生体リズム曲線を予め設定する調整目標設定手段と、刺激となる環境の情報を入力する環境情報入力手段と、入力された生体リズム曲線と設定された調整目標と入力された環境情報に応じて刺激条件を決定する刺激条件決定手段と、生体に対して生体リズム曲線を変化させる刺激を与える刺激手段と、刺激後の生体リズム曲線が設定された調整目標に達しているかどうかを評価して、評価結果を刺激条件決定手段にフィードバックする調整結果評価手段とから構成されることを特徴とする生体リズム調整装置が開示されている。

特許文献４には、覚醒水準の変動を反映する生理反応を計測する生理反応計測部と、計測した生理反応から概日リズム（約２４時間の周期を持つ変動）及び日内リズム（１．５～２時間程度の周期を持つ変動）である生体リズムを抽出する生体リズム抽出部と、制御目標を入力する入力部と、抽出した上記生体リズムからリズムの上記予測曲線を作成して、作成した上記予測曲線と上記制御目標との違いより位相制御量を求め、上記位相制御量と、あらかじめ記憶している外的刺激に対する位相変化を示す位相反応曲線データを用いて、所定の位相変化を起こすための外的刺激のパラメータを決定する制御出力決定部と、上記制御出力決定部の制御出力に基づいて外的刺激を与える刺激提示部とを備えた生体リズム制御システムが開示されている。

特開２０２１－４９０４１号公報国際公開第２０１０／１４６８１１号特開平０５－３８７４号公報特許第２９１７５９２号公報

上記従来技術は、ウルトラディアンリズム波形、サーカディアンリズム波形、ユーザーの睡眠時間や行動の組み合わせを反映した状態の予測を行い、推奨行動や助言を提示する技術を含むが、運動強度や行動周期の変動等の身体活動の変動の度合いを表す断片化度に関しては考慮していない。断片化度は睡眠の質と関わりがあるため、睡眠の質を精度良く予測するためには、身体活動の断片化度を考慮に入れることが重要である。

本開示は、身体の活動の変動の度合いを表す断片化度を用いて、睡眠の質を精度良く予測することができる予測装置、予測方法、及び予測プログラムを提供することを目的とする。

第１態様に係る予測装置は、身体の活動に関する活動データを取得する取得部と、前記活動データに基づいて、前記活動の変動の度合いを表す断片化度を算出する断片化度算出部と、前記断片化度と睡眠の質との対応関係を表す予測モデルを用いて、算出した断片化度に対応する睡眠の質を予測する予測部と、予測した前記睡眠の質を出力する出力部と、を備える。

第１態様に係る予測装置において、前記活動データに基づいて、前記睡眠の質を算出する質算出部と、取得した前記活動データ、算出した前記断片化度、及び算出した前記睡眠の質を対応付けて蓄積する蓄積部と、蓄積された前記活動データ、前記断片化度、及び前記睡眠の質に基づいて、前記断片化度を入力とし、前記睡眠の質を出力とする前記予測モデルを作成するモデル作成部と、を備えた構成としてもよい。

第１態様に係る予測装置において、前記出力部は、前記蓄積部により蓄積された前記睡眠の質のうち、最も前記睡眠の質が高い最適睡眠の質に対応する前記活動データの時間波形と、前記取得部が取得した前記活動データの時間波形と、の差分に関する差分データを出力するようにしてもよい。

第１態様に係る予測装置において、前記取得部は、前記活動データに対応する行動データを取得し、前記蓄積部は、取得した前記活動データ、算出した前記断片化度、算出した前記睡眠の質、及び前記行動データを対応付けて蓄積し、前記出力部は、前記差分に対応する前記行動データを出力するようにとしてもよい。

第１態様に係る予測装置において、前記取得部は、複数の異なるユーザーの前記活動データを取得し、前記蓄積部は、取得した前記活動データ、算出した前記断片化度、算出した前記睡眠の質、前記行動データ、及び前記ユーザーを対応付けて蓄積し、前記出力部は、前記断片化度の偏差値と、他のユーザーのうち前記行動データに基づく行動パターンが最も類似し且つ前記睡眠の質が最も高い他のユーザーの活動データの時間波形と、前記取得部が取得した前記活動データの時間波形と、の差分に関する差分データを出力するようにしてもよい。

第２態様に係る予測方法は、コンピュータが、身体の活動に関する活動データを取得し、前記活動データに基づいて、前記活動の変動の度合いを表す断片化度を算出し、前記断片化度と睡眠の質との対応関係を表す予測モデルを用いて、算出した断片化度に対応する睡眠の質を予測し、予測した前記睡眠の質を出力する、ことを含む処理を実行する。

第３態様に係る予測プログラムは、コンピュータに、身体の活動に関する活動データを取得し、前記活動データに基づいて、前記活動の変動の度合いを表す断片化度を算出し、前記断片化度と睡眠の質との対応関係を表す予測モデルを用いて、算出した断片化度に対応する睡眠の質を予測し、予測した前記睡眠の質を出力する、ことを含む処理を実行させる。

本開示によれば、身体の活動の変動の度合いを表す断片化度を用いて、睡眠の質を精度良く予測することができる、という効果を有する。

予測システムの構成図である。サーバのハードウェア構成を示すブロック図である。サーバの機能ブロック図である。活動データの周波数スペクトルの一例を示す図である。覚醒時の断片化度と睡眠安定性との関係を示す図である。活動データの時間変化を示す図である。予測モデル作成処理のフローチャートである。第１実施形態に係る予測処理のフローチャートである。活動データの時間波形の一例を示す図である。活動データの時間波形の一例を示す図である。差分データの一例を示す図である。第２実施形態に係る予測処理のフローチャートである。第３実施形態に係る予測処理のフローチャートである。携帯端末装置の表示画面の一例を示す図である。第４実施形態に係る予測処理のフローチャートである。

以下、本実施の形態について図面を参照しながら説明する。なお、同じ構成要素及び処理には全図面を通して同じ符合を付与し、重複する説明を省略するものとする。

＜第１実施形態＞

図１は、第１実施形態に係る予測システム１０のシステム構成例を示す図である。予測システム１０は、睡眠の質を予測するシステムである。予測システム１０は、予測装置の一例としてのサーバ２０と、複数のユーザー３０が各々携帯する複数の携帯端末装置４０と、がネットワーク５０を介して接続された構成である。

携帯端末装置４０は、ユーザー３０の手首、腰、及び胸部等の身体の一部に装着された活動量計６０と例えば近距離無線通信等によって通信可能である。

活動量計６０は、ユーザー３０の身体の活動に関する活動データを計測し、携帯端末装置４０に送信する。活動データは例えば予め定めた時間間隔で計測され、逐次携帯端末装置４０に送信される。

活動データは、例えば活動量及び心拍指標の少なくとも１つを含む。活動量とは、例えば加速度計から算出した身体の活動強度を示す数値である。また、心拍指標とは、例えば心拍数等の心臓の活動に関する数値である。すなわち、活動データは、ユーザー３０の身体の活動によって変動するデータである。

携帯端末装置４０は、活動量計６０から送信された活動データをネットワーク５０を介してサーバ２０に送信する。活動量計６０は、活動データを例えば予め定めた時間間隔で計測し、活動データを計測する毎に携帯端末装置４０に送信する。携帯端末装置４０は、活動量計６０から活動データを受信する毎にサーバ２０に送信する。

図２は、サーバ２０のハードウェア構成を示すブロック図である。図２に示すように、サーバ２０は、コントローラ２１を備える。コントローラ２１は、ＣＰＵ（ＣｅｎｔｒａｌＰｒｏｃｅｓｓｉｎｇＵｎｉｔ）２１Ａ、ＲＯＭ（ＲｅａｄＯｎｌｙＭｅｍｏｒｙ）２１Ｂ、ＲＡＭ（ＲａｎｄｏｍＡｃｃｅｓｓＭｅｍｏｒｙ）２１Ｃ、及び入出力インターフェース（Ｉ／Ｏ）２１Ｄを備える。そして、ＣＰＵ２１Ａ、ＲＯＭ２１Ｂ、ＲＡＭ２１Ｃ、及びＩ／Ｏ２１Ｄがシステムバス２１Ｅを介して各々接続されている。システムバス２１Ｅは、コントロールバス、アドレスバス、及びデータバスを含む。

ＣＰＵ２１Ａは、コンピュータの一例である。ここでいうコンピュータとは、広義的なプロセッサを指し、汎用的なプロセッサ（例えば、ＣＰＵ）、又は、専用のプロセッサ（例えば、ＧＰＵ：ＧｒａｐｈｉｃｓＰｒｏｃｅｓｓｉｎｇＵｎｉｔ、ＡＳＩＣ：ＡｐｐｌｉｃａｔｉｏｎＳｐｅｃｉｆｉｃＩｎｔｅｇｒａｔｅｄＣｉｒｃｕｉｔ、ＦＰＧＡ：ＦｉｅｌｄＰｒｏｇｒａｍｍａｂｌｅＧａｔｅＡｒｒａｙ、プログラマブル論理デバイス、等）を含むものである。

また、Ｉ／Ｏ１２Ｄには、通信部２２及び記憶部２３が接続されている。

通信部２２は、携帯端末装置４０等の外部装置とデータ通信を行うためのインターフェースである。

記憶部２３は、ハードディスク等の不揮発性の外部記憶装置で構成され、予測プログラム２３Ａ、予測モデル２３Ｂ、及び活動データベース２３Ｃ等を記憶する。ＣＰＵ１２Ａは、記憶部２３に記憶された予測プログラム２３ＡをＲＡＭ２１Ｃに読み込んで実行する。

図３は、サーバ２０のＣＰＵ２１Ａの機能構成を示すブロック図である。図３に示すように、ＣＰＵ２１Ａは、機能的には、取得部７１、断片化度算出部７２、予測部７３、出力部７４、睡眠の質算出部７５、蓄積部７６、及びモデル作成部７７を備える。

取得部７１は、身体の活動に関する活動データを取得する。具体的には、取得部７１は、ユーザー３０が身につけた活動量計６０により計測された活動データを携帯端末装置４０からネットワーク５０を介して受信することにより取得する。

断片化度算出部７２は、取得部７１が取得した活動データに基づいて、身体の活動の変動の度合いを表す断片化度を算出する。

断片化度は、例えば覚醒時の活動データの日内変動解析によって算出することができ、下記参考文献１記載の式を応用した次式を用いて算出することができる。
（参考文献１）Witting W, et al. , https://doi.org/10.1016/0006-3223(90)90523-5

・・・（１）

ここで、ＩＶは断片化度である。Ｎは覚醒時活動データの全データ数である。Ｘｉは、活動データを計測した各時点ｉ（ｉ＝１，２，・・・，Ｎ）の活動データである。

は全ての覚醒時活動データの平均値である。

また、断片化度ＩＶは、覚醒中の活動データを周波数解析することにより得られた図４に示すような周波数スペクトルに基づいて算出することも可能である。

ここで、図５に示すように、覚醒時における身体活動の断片化度が小さいほど、睡眠の質（睡眠安定性）が高くなるという関係がある。

そこで、予測部７３は、断片化度と睡眠の質との対応関係を表す予測モデル２３Ｂを用いて、断片化度算出部７２が算出した断片化度に対応する睡眠の質を予測する。

出力部７４は、予測部７３が予測した睡眠の質を出力する。例えば、出力部７４は、予測部７３が予測した睡眠の質をネットワーク５０を介して携帯端末装置４０に送信する。これにより、携帯端末装置４０の表示部に予測した睡眠の質が表示され、ユーザー３０は、その日の身体活動によって、その日の睡眠の質がどの程度なのかを把握することができる。

予測モデル２３Ｂは、モデル作成部７７によって作成される。予測モデル２３Ｂは、断片化度を入力とし、睡眠の質を出力とするモデルである。予測モデル２３Ｂの作成には、様々な活動データ、断片化度、及び睡眠の質が必要となる。

そこで、睡眠の質算出部７５は、取得部７１が取得した活動データに基づいて、その日の睡眠の質を上記参考文献１記載の式を応用した次式により算出する。

・・・（２）

ここで、ＩＳは睡眠の質、すなわち睡眠安定性を表す。睡眠の質ＩＳの値が大きいほど睡眠の質が高く、睡眠の質ＩＳの値が小さいほど睡眠の質が低いことを表す。ｐは、１日の睡眠中の活動データの数である。睡眠の質ＩＳは、数日間の睡眠を通して算出される。Ｘ_ｈは、活動データの各時点ｈ（ｈ＝１，２，・・・，ｐ）における数日間を通した平均値である。Ｘ_ｍは、全ての睡眠時活動データの平均値である。Ｎは、睡眠時における全ての活動データの数である。

ここで、活動データが覚醒時の活動データ及び睡眠時の活動データの何れであるかについては、公知の下記参考文献２に記載された次式により判定することができる。
（参考文献２）te Lindert B, et al. , https://doi.org/10.5665/sleep.2648

Ａ_０＝０．０４Ｅ_{－（８～５）}＋０．２Ｅ_{－（４～１）}＋４Ｅ_０＋
０．２Ｅ_{＋（１～４）}＋０．０４Ｅ_{＋（５～８）} ・・・（３）

ここで、Ａ_０は、覚醒及び睡眠の何れであるかを判定するためのスコアである。Ｅ_０は、覚醒及び睡眠の何れであるかを判定する判定時点の１５秒間の活動データである。Ｅ_ｎは、覚醒及び睡眠の何れであるかを判定する判定時点の前後２分間を１５秒毎の１６区間に区切った場合の所定区間の活動データである。すなわち、Ｅ_{－（８～５）}は、判定時点の２分前から７５秒前の区間の活動データである。また、Ｅ_{－（４～１）}は、判定時点の６０秒前から１５秒前の区間の活動データである。また、Ｅ_{＋（１～４）}は、判定時点の１５秒後から６０秒後までの区間の活動データである。また、Ｅ_{＋（５～８）}は、判定時点の７５秒後から２分後までの区間の活動データである。

そして、スコアＡ_０が予め定めた閾値Ｔ以下の場合は睡眠と判定され、スコアＡ_０が予め定めた閾値Ｔより大きい場合は覚醒と判定される。

また、蓄積部７６は、取得部７１が取得した活動データ、断片化度算出部７２が算出した断片化度、及び睡眠の質算出部７５が算出した睡眠の質を対応付けてユーザー毎に活動データベース２３Ｃとして記憶部２３に蓄積する。

モデル作成部７７は、蓄積部７６により蓄積された活動データ、断片化度、及び睡眠の質に基づいて、断片化度ＩＶを入力とし、睡眠の質ＩＳを出力とする予測モデル２３Ｂを作成する。モデル作成部７７は、例えば公知の回帰分析手法を用いて、１次式又は多項式の回帰式を予測モデル２３Ｂとして作成してもよいし、公知の機械学習を用いて予測モデル２３Ｂを作成してもよい。なお、予測モデル２３Ｂを作成する際に、例えば図６に示すように活動データに基づいて判定した入眠潜時、睡眠時間、及び中途覚醒の回数等のパラメータを更に用いて予測モデル２３Ｂを作成してもよい。

次に、サーバ２０のＣＰＵ２１Ａで実行される予測モデル作成処理について、図７に示すフローチャートを参照して説明する。なお、図７に示す処理は、携帯端末装置４０から活動データを受信する毎に繰り返し実行される。

ステップＳ１００では、ＣＰＵ２１Ａが、携帯端末装置４０から送信された活動データを取得する。

ステップＳ１０１では、ＣＰＵ２１Ａが、ステップＳ１００で取得した活動データに基づいて、断片化度ＩＶを上記（１）式により算出する。

ステップＳ１０２では、ＣＰＵ２１Ａが、ステップＳ１００で取得した活動データに基づいて、その日の睡眠の質ＩＳを上記（２）式により算出する。

ステップＳ１０３では、ＣＰＵ２１Ａが、ステップＳ１００で取得した活動データ、ステップＳ１０１で算出した断片化度ＩＶ、及びステップＳ１０２で算出した睡眠の質ＩＳを対応付けて活動データベース２３Ｃに蓄積する。

ステップＳ１０４では、ＣＰＵ２１Ａが、ステップＳ１０３で活動データベース２３Ｃに蓄積された活動データ、断片化度ＩＶ、及び睡眠の質ＩＳに基づいて、断片化度ＩＶを入力とし、睡眠の質ＩＳを出力とする予測モデル２３Ｂを作成する。

このように、活動データを受信する毎に図７に示す予測モデル作成処理を実行することにより、予測モデル２３Ｂが逐次更新される。

次に、サーバ２０のＣＰＵ２１Ａで実行される予測処理について、図８に示すフローチャートを参照して説明する。なお、図８に示す処理は、携帯端末装置４０から睡眠の質の予測を指示された場合に実行される。また、図８の処理は、図７の処理と並行して実行される。

ステップＳ２００では、ＣＰＵ２１Ａが、睡眠の質の予測を指示した携帯端末装置４０のユーザーのその日の活動データを活動データベース２３Ｃから取得する。

ステップＳ２０１では、ＣＰＵ２１Ａが、ステップＳ２００で取得した活動データに基づいて、断片化度ＩＶを上記（１）式により算出する。

ステップＳ２０２では、ステップＳ２０１で算出した断片化度ＩＶを予測モデル２３Ｂに入力して、算出した断片化度ＩＶに対応する睡眠の質、すなわち、その日の睡眠の質を予測した睡眠の質を取得する。

ステップＳ２０３では、ＣＰＵ２１Ａが、ステップＳ２０２で取得した睡眠の質を、睡眠の質の予測を指示した携帯端末装置４０に送信する。

これにより、携帯端末装置４０の表示部に、その日の睡眠の質が例えば数値等で表示される。従って、ユーザー３０は、その日の身体活動において睡眠の質がどの程度になるのかを把握することができる。

＜第２実施形態＞

次に、第２実施形態について説明する。なお、予測システム１０の構成は第１実施形態と同一であるため説明を省略する。また、予測モデル作成処理についても第１実施形態と同一であるため説明を省略する。

第２実施形態では、各ユーザーの日毎の活動データの時間波形を活動データベース２３Ｃに蓄積しておく。図９、１０には、活動データの時間波形の一例を示した。図９は、一例として断片化度が０．２１の活動データの時間波形である。図１０は、一例として断片化度が０．７６の活動データの時間波形である。

出力部７４は、活動データベース２３Ｃに蓄積された睡眠の質、すなわち過去の睡眠の質のうち、最も睡眠の質が高い最適睡眠の質に対応する活動データの時間波形と、取得部７１が取得したその日の活動データの時間波形と、の差分に関する差分データを出力する。

具体的には、例えば最適睡眠の質に対応する活動データの時間波形が図９に示す時間波形であり、その日の活動データの時間波形が図１０に示す時間波形であった場合、図９の時間波形と図１０の時間波形とを重ね合わせた図１１に示すような時間波形を差分データとして出力する。これにより、ユーザー３０は、最適睡眠の質の活動データの時間波形とその日の活動データの時間波形との差分を容易に把握できるため、最適睡眠の質を得るための行動をとりやすくなる。

次に、サーバ２０のＣＰＵ２１Ａで実行される予測処理について、図１２に示すフローチャートを参照して説明する。なお、図８に示す処理と同一ステップには同一符号を付して説明を省略する。

図１２の予測処理は、図８の予測処理と比較してステップＳ２０４、Ｓ２０５の処理が追加されている。

ステップＳ２０４では、ＣＰＵ２１Ａが、活動データベース２３Ｃに蓄積された活動データの時間波形のうち、最適睡眠の質に対応する活動データの時間波形と、その日の活動データの時間波形と、を取得する。

ステップＳ２０５では、ＣＰＵ２１Ａが、ステップＳ２０４で取得した最適睡眠の質に対応する活動データの時間波形と、その日の活動データの時間波形と、を重ね合わせた時間波形を差分データとして生成して携帯端末装置４０に送信する。これにより、ユーザー３０は、最適睡眠の日の身体活動と、その日の身体活動との違いを容易に把握することが可能となり、最適睡眠の質を得るための行動をとるように促すことが可能となる。

＜第３実施形態＞

次に、第３実施形態について説明する。なお、予測システム１０の構成は第１実施形態と同一であるため説明を省略する。また、モデル作成処理についても第１実施形態と同一であるため説明を省略する。

第３実施形態では、取得部７１は、活動データに対応する行動データを取得する。また、蓄積部７６は、取得した活動データ、算出した断片化度、算出した睡眠の質、及び行動データを対応付けて活動データベース２３Ｃに蓄積する。

行動データは、例えば行動毎に予め付与された行動ラベルと、行動を行った時間帯と、を対応付けたデータである。例えばユーザー３０が６：３０に起床した場合は、行動ラベルは「起床」を表すラベルであり、行動を行った時間帯は「６：３０」となる。また、例えばユーザー３０が１９：３０～２０：２０に草野球を行っていた場合は、行動ラベルは「草野球」を表すラベルであり、行動を行った時間帯は「１９：３０～２０：２０」となる。

行動データは、例えばユーザー３０が携帯端末装置４０に入力する。これにより、携帯端末装置４０からサーバ２０に行動データが送信され、活動データ、断片化度、睡眠の質、及び行動データが対応付けられて活動データベース２３Ｃに蓄積される。

そして、出力部７４は、最も睡眠の質が高い最適睡眠の質に対応する活動データの時間波形と、取得部７１が取得したその日の活動データの時間波形と、の差分に関する差分データに対応する行動データ、すなわち推奨される行動を表す行動データを出力する。

具体的には、例えば図９に示す最適睡眠の質に対応する活動データの時間波形に対して「１９：３０～２０：２０に草野球」という行動データが対応付けられていたとする。また、図１０に示すその日の活動データの時間波形に対して「６：３０に起床」という行動データが対応付けられていたとする。

この場合、図９の時間波形と図１０の時間波形とを重ね合わせた図１１に示す時間波形から１９：３０～２０：２０の行動が異なることを把握することができる。このため、その日の睡眠の質を最適睡眠の質に近づけるためには、１９：３０～２０：２０の時間帯に草野球等の活動データが大きくなるような推奨行動を行うことが有効であることを把握することができる。

なお、例えば時間帯及び活動データの差に応じた推奨行動を予め定めておき、最も睡眠の質が高い最適睡眠の質に対応する活動データと、その日の活動データとの差が予め定めた閾値以上の時間帯が存在する場合には、その時間帯及び活動データの差に応じた推奨行動の行動データを出力するようにしてもよい。

次に、サーバ２０のＣＰＵ２１Ａで実行される予測処理について、図１３に示すフローチャートを参照して説明する。なお、図１２に示す処理と同一ステップには同一符号を付して説明を省略する。

図１３の予測処理は、図１２の予測処理と比較してステップＳ２０６の処理が追加されている。

ステップＳ２０６では、ＣＰＵ２１Ａが、ステップＳ２０４で取得した最適睡眠の質に対応する活動データの時間波形と、その日の活動データの時間波形と、を重ね合わせた時間波形を差分データとして生成し、生成した差分データに対応する行動データを携帯端末装置４０に送信する。これにより、ユーザー３０は、その日の睡眠の質を最適睡眠の質に近づけるために、具体的のどのような行動をとればよいかを容易に把握することが可能となる。

図１４に携帯端末装置４０に表示される表示画面の一例を示す。図１４に示すように、表示画面４１には、睡眠の質を表示する表示領域４２、差分データを表示する表示領域４３、推奨行動を表示する表示領域４４を有する。

図１４の例では、表示領域４２には、その日の予測した睡眠の質が「４９」であり、最適睡眠の質が「７６」であることが表示されている。また、表示領域４３には、最適睡眠の質に対応する活動データの時間波形と、その日の活動データの時間波形と、を重ね合わせた時間波形が表示されている。また、表示領域４４には、推奨行動が表示されている。図１４の例では、表示領域４３に表示された時間波形の（１）の時点における推奨行動が「通勤時に１駅ウォーキングする」という行動であり、（２）の時点における推奨行動が「デスクワーク中１時間毎にストレッチする」行動であることが表示されている。

＜第４実施形態＞

次に、第４実施形態について説明する。なお、予測システム１０の構成は第１実施形態と同一であるため説明を省略する。

第４実施形態では、取得部７１は、複数の異なるユーザーの活動データを取得する。蓄積部７６は、取得した活動データ、算出した断片化度、算出した睡眠の質、行動データ、及びユーザーを対応付けて活動データベース２３Ｃに蓄積する。

そして、出力部７４は、断片化度の偏差値と、他のユーザーのうち行動データに基づく行動パターンが最も類似し且つ睡眠の質が最も高い他のユーザーの活動データの時間波形と、取得部７１が取得した活動データの時間波形と、の差分に関する差分データを出力する。

次に、サーバ２０のＣＰＵ２１Ａで実行される予測処理について、図１５に示すフローチャートを参照して説明する。なお、図１３に示す処理と同一ステップには同一符号を付して説明を省略する。

図１５の予測処理は、図１３の予測処理と比較してステップＳ２０７、Ｓ２０８の処理が追加されている。

ステップＳ２０７では、ＣＰＵ２１Ａが、活動データベース２３Ｃに蓄積された全ユーザーについて算出された断片化度に基づいて、ステップＳ２０１で算出された断片化度の偏差値を算出する。

ステップＳ２０８では、ＣＰＵ２１Ａが、活動データベース２３Ｃを参照し、他のユーザーの行動データのうち行動データに基づく行動パターンが最も類似し且つ睡眠の質が最も高い他のユーザーを特定する。そして、特定した他のユーザーの活動データの時間波形と、その日の活動データの時間波形と、の差分に関する差分データと、ステップＳ２０７で算出した断片化度の偏差値と、を携帯端末装置４０に送信する。

これにより、携帯端末装置４０には、断片化度の偏差値と、行動パターンが最も類似し且つ睡眠の質が最も高い他のユーザーの活動データの時間波形との差分データが表示される。これにより、ユーザー３０は、他のユーザーの睡眠の質と容易に比較することができる。

なお、上記実施形態は、開示の技術の構成例を例示的に説明するものに過ぎない。開示の技術は上記の具体的な形態には限定されることはなく、その技術的思想の範囲内で種々の変形が可能である。

例えば、上記実施形態では、予測プログラム２３Ａが記憶部２３に予めインストールされている場合について説明したが、予測プログラム２３Ａを、不揮発性の非遷移的（ｎｏｎ－ｔｒａｎｓｉｔｏｒｙ）記録媒体に記憶して、又はネットワークを介して配布して、サーバ２０に適宜インストールしてもよい。

不揮発性の非遷移的記録媒体の例としては、ＣＤ－ＲＯＭ（ＣｏｍｐａｃｔＤｉｓｃＲｅａｄＯｎｌｙＭｅｍｏｒｙ）、光磁気ディスク、ＨＤＤ（ハードディスクドライブ）、ＤＶＤ－ＲＯＭ（ＤｉｇｉｔａｌＶｅｒｓａｔｉｌｅＤｉｓｃＲｅａｄＯｎｌｙＭｅｍｏｒｙ）、フラッシュメモリ、メモリカード等が挙げられる。

１０予測システム
２０サーバ
２１コントローラ
２１Ｅシステムバス
２２通信部
２３記憶部
２３Ａ予測プログラム
２３Ｂ予測モデル
２３Ｃ活動データベース
３０ユーザー
４０携帯端末装置
５０ネットワーク
６０活動量計
７１取得部
７２断片化度算出部
７３予測部
７４出力部
７５睡眠の質算出部
７６蓄積部
７７モデル作成部

Claims

覚醒時における身体の活動に関する活動データを取得する取得部と、
前記活動データに基づいて、前記活動の変動の度合いを表す断片化度を算出する断片化度算出部と、
前記断片化度と睡眠の質との対応関係を表す予測モデルを用いて、算出した断片化度に対応する睡眠の質を予測する予測部と、
予測した前記睡眠の質を出力する出力部と、
を備え、
前記断片化度は、断片化度をＩＶ、覚醒時の活動データの全データ数をＮ、活動データを計測した各時点ｉ（ｉ＝１，２，・・・，Ｎ）の活動データをＸｉとして、次式により算出される

予測装置。
前記活動データに基づいて、前記睡眠の質を算出する質算出部と、
取得した前記活動データ、算出した前記断片化度、及び算出した前記睡眠の質を対応付けて蓄積する蓄積部と、
蓄積された前記活動データ、前記断片化度、及び前記睡眠の質に基づいて、前記断片化度を入力とし、前記睡眠の質を出力とする前記予測モデルを作成するモデル作成部と、
を備えた請求項１記載の予測装置。
前記出力部は、前記蓄積部により蓄積された前記睡眠の質のうち、最も前記睡眠の質が高い最適睡眠の質に対応する前記活動データの時間波形と、前記取得部が取得した前記活動データの時間波形と、の差分に関する差分データを出力する
請求項２記載の予測装置。
前記取得部は、前記活動データに対応する行動データを取得し、
前記蓄積部は、取得した前記活動データ、算出した前記断片化度、算出した前記睡眠の質、及び前記行動データを対応付けて蓄積し、
前記出力部は、前記差分に対応する前記行動データを出力する
請求項３記載の予測装置。
前記取得部は、複数の異なるユーザーの前記活動データを取得し、
前記蓄積部は、取得した前記活動データ、算出した前記断片化度、算出した前記睡眠の質、前記行動データ、及び前記ユーザーを対応付けて蓄積し、
前記出力部は、前記断片化度の偏差値と、他のユーザーのうち前記行動データに基づく行動パターンが最も類似し且つ前記睡眠の質が最も高い他のユーザーの活動データの時間波形と、前記取得部が取得した前記活動データの時間波形と、の差分に関する差分データを出力する
請求項４記載の予測装置。
コンピュータが、
覚醒時における身体の活動に関する活動データを取得し、
前記活動データに基づいて、前記活動の変動の度合いを表す断片化度を算出し、
前記断片化度と睡眠の質との対応関係を表す予測モデルを用いて、算出した断片化度に対応する睡眠の質を予測し、
予測した前記睡眠の質を出力する、
ことを含む処理を実行する予測方法であって、
前記断片化度は、断片化度をＩＶ、覚醒時の活動データの全データ数をＮ、活動データを計測した各時点ｉ（ｉ＝１，２，・・・，Ｎ）の活動データをＸｉとして、次式により算出される

予測方法。
コンピュータに、
覚醒時における身体の活動に関する活動データを取得し、
前記活動データに基づいて、前記活動の変動の度合いを表す断片化度を算出し、
前記断片化度と睡眠の質との対応関係を表す予測モデルを用いて、算出した断片化度に対応する睡眠の質を予測し、
予測した前記睡眠の質を出力する、
ことを含む処理を実行させる予測プログラムであって、
前記断片化度は、断片化度をＩＶ、覚醒時の活動データの全データ数をＮ、活動データを計測した各時点ｉ（ｉ＝１，２，・・・，Ｎ）の活動データをＸｉとして、次式により算出される

予測プログラム。