JP7853220B2 - 血液情報推定装置 - Google Patents

Description

本発明は、ユーザの血液状態を推定する血液情報推定装置に関する。

特許文献１には、患者の健康ステータスの変化を検出する方法についての記載があり、特にネィティブ通信アプリケーションの使用ログと健康リスクモデルとに基づいて患者についての医学的症状の変化のリスクを予測することについての記載がある。

特表２０１５－５２９３５９号公報

健康リスクのうち、高血圧については自覚症状がない場合がある。一般的な診察室における血圧測定では、診察時における一時点のみに着目している。血圧は測定者が置かれている環境や測定タイミングによって変化するため、高血圧など健康リスクが存在していることを見逃してしまうことがあり得る。すなわち、一般家庭で継続的に血圧を測る場合には高血圧と判断できる血圧を計測することができる一方で、診察室などで血圧を計測した場合に高血圧を判断できる血圧を測定できない場合がある。このような血圧状態は、仮面高血圧と呼ばれている。一方で、特許文献１に記載の技術においては、健康リスクについての予測を行うことの記載があるものの、血圧などの状態を把握するものではなく、仮面高血圧などを判断することが困難である。

そこで、上述の課題を解決するために、本発明は、ユーザの血圧などの血液の状態を判断する血液情報推定装置を提供することを目的とする。

本発明の血液情報推定装置は、スマートフォンなどといったユーザ端末の利用ログを取得するログ取得部と、前記利用ログに基づいて、血液の状態の変動に関する血液情報を推定する血液情報推定部と、を備える。

この発明によれば、血圧などの血液情報を、ユーザが能動的に検査をすることなく、推定することができる。

本発明によると、ユーザが能動的に検査をすることなく、血液情報を推定することができる。

本開示における血液情報推定装置１００の機能構成を示す図である。 端末利用ログ取得部２０の機能構成を示す図である。 気象情報取得部３０の機能構成を示す図である。 高血圧検知部４０の機能構成を示す図である。 端末利用ログと生活習慣との関係を示す図である。 教師データ格納データベース４０ａに記憶されている教師データを示す図である。 高血圧検知部４０の動作を示すフローチャートである。 高血圧検知モデル４４ａの構築処理を示すフローチャートである。 高血圧検知モデル４４ａを利用した高血圧検知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血液情報推定装置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、本開示における血液情報推定装置１００の機能構成を示す図である。この血液情報推定装置１００は、端末利用ログ取得部２０、気象情報取得部３０、および高血圧検知部４０を含んで構成されている。

端末利用ログ取得部２０は、ユーザ１０が操作するユーザ端末の端末利用ログ、および当該ユーザ端末のユーザのユーザ属性情報を取得する部分である。

気象情報取得部３０は、ユーザ１０がいる地域の気象情報を取得する部分である。

高血圧検知部４０は、端末利用ログ取得部２０および気象情報取得部３０がそれぞれ取得した端末利用ログ、ユーザ属性情報および気象情報に基づいて、ユーザ１０の血圧状態を検知する部分である。本開示においては、血圧状態として高血圧を想定しているが、それに限るものではない。また、血圧状態のほか、血糖値、中性脂肪、コレステロール等の状態など、他の血液の状態を検知対象としてもよい。

つぎに、端末利用ログ取得部２０の構成について説明する。図２は、端末利用ログ取得部２０の機能構成を示す図である。端末利用ログ取得部２０は、ユーザ認証機能２１、ユーザ属性情報取得機能２２、アプリ利用情報取得機能２３、購買履歴情報取得機能２４、位置情報取得機能２５、端末操作情報取得機能２６、およびデータ転送機能２７を含んで構成されている。

ユーザ認証機能２１は、ユーザ端末から、ユーザ属性情報または端末利用ログを取得する際に、ユーザ端末のユーザが正当に登録されたユーザであるか、認証する機能である。ユーザ端末は、携帯端末、スマートフォンなどのほか、ウェアラブル端末（時計型、メガネ型など）である。

ユーザ属性情報取得機能２２は、ユーザ端末またはユーザ１０から直接ユーザ属性情報を取得する機能である。ユーザ属性情報とは、ユーザの年齢、性別など、血液の状態に影響を与え得るユーザの属性情報である。

アプリ利用情報取得機能２３は、端末利用ログとして、ヘルスケア関連アプリケーション（以下、ヘルスケア関連アプリと省略する）において取得されたユーザの歩数、睡眠時間、体重などを取得する機能である。ヘルスケア関連アプリは、ユーザ端末が備えるジャイロ機能および／またはユーザの当該アプリに入力した申告値を利用して、その歩数を計測することができる。また、ユーザ端末の操作履歴または上記ジャイロを用いて、ユーザ端末の挙動を計測し、挙動を計測できない間を睡眠時間として計測する。もしくは、ユーザの当該アプリに入力した申告値をもとに睡眠時間を取得してもよい。体重は、ユーザの顔などの画像から推定してもよく、ユーザの当該アプリに入力した申告値やユーザ端末と連携している測定機器の測定値をもとに取得してもよい。アプリ利用情報取得機能２３は、体温および脈拍を、ヘルスケア関連アプリを利用して測定し、またはユーザからの入力について得ることができる。また、アプリ利用情報取得機能２３は、端末が備えているカメラが撮影したカメラ画像を利用ログとして取得することができる。

購買履歴情報取得機能２４は、端末利用ログとして、ユーザ端末が有する決済機能を用いて購買がなされた購買履歴情報を取得する。決済機能は、ＱＲコードを使った決済、または非接触型ＩＣカードを使った決済などである。購買履歴情報は、購入店情報、購入金額、購入商品、および日付などである。

位置情報取得機能２５は、端末利用ログとして、ユーザの現在位置を取得する機能であり、ユーザ端末において測定されたＧＰＳ情報または基地局在圏情報、ＷｉＦｉアクセスポイントに基づいた位置を取得する。

端末操作情報取得機能２６は、端末利用ログとして、端末操作情報を取得する機能である。端末操作情報は、画面オンオフ、加速度、照度、閲覧ＵＲＬ、使用アプリなどを示す情報である。ユーザ端末において端末操作情報が履歴として記憶されており、端末操作情報取得機能２６は、それら履歴を取得する。

データ転送機能２７は、各取得機能が取得したユーザ属性情報および端末利用ログを高血圧検知部４０に転送する機能である。

つぎに、気象情報取得部３０の機能構成について説明する。図３は、気象情報取得部３０の機能構成を示す図である。気象情報取得部３０は、ユーザ認証機能３１、ユーザ位置情報取得機能３２、気象情報取得機能３３、およびデータ転送機能３４を含む。

ユーザ認証機能３１は、ユーザの認証を行う機能である。気象情報を取得する際には、ユーザの位置情報を把握する必要があり、その際にユーザ認証を行う。

ユーザ位置情報取得機能３２は、ユーザの位置情報を取得する機能である。位置情報は、ユーザ端末の位置管理を行う移動通信網のサーバから取得されるか、またはユーザ端末から取得される。

気象情報取得機能３３は、ユーザの位置情報に応じた気象情報を、気象情報データベース３０ａから取得する機能である。

データ転送機能３４は、取得した気象情報を高血圧検知部４０に転送する機能である。

つぎに、高血圧検知部４０について説明する。図４は、高血圧検知部４０の機能構成を示す図である。高血圧検知部４０は、データ取得機能４１（ログ情報取得部）、データクレンジング機能４２、生活習慣推定機能４３、高血圧検知モデル構築機能４４（学習部）、高血圧検知機能４５（血液情報推定部）、および結果通知機能４６を含んで構成されている。

データ取得機能４１は、端末利用ログ取得部２０および気象情報取得部３０からそれぞれ端末利用ログ、ユーザ属性情報および気象情報を取得する機能である。データ取得機能４１は、任意のタイミング、または定期的に、端末利用ログ取得部２０および気象情報取得部３０において所定期間取得された端末利用ログ等の取得を行う。なお、ユーザ属性情報については、予め記憶していれば、収集しなくてもよい。または、一度収集して、記憶しておいてもよい。

データクレンジング機能４２は、取得した所定期間の端末利用ログおよび気象情報の欠損値、異常値等のクレンジング処理を行う機能である。

生活習慣推定機能４３は、端末利用ログおよびユーザ属性情報等に基づいて、運動量、通勤・通学手段／時間／パターン、ストレス、疲労度、生活／睡眠の規則正しさ、外食頻度、塩分摂取量、およびカロリー摂取量などの生活習慣を推定する機能である。また、生活習慣推定機能４３は、端末利用ログおよびユーザ属性情報に基づいて、幸福度を推定してもよい。幸福度は、運動量、通勤・通学手段等、ストレス、疲労度など、総合的に勘案して算出される。

ここでユーザ属性情報および端末利用ログから生活習慣を導出するときの関係について説明する。図５は、端末利用ログと生活習慣との関係を示す図である。生活習慣推定機能４３は、図５に示される関係に基づいて、生活習慣を推定する。生活習慣としての運動量は、例えば消費カロリーなどで示され、ユーザ属性および端末利用ログのうち、年齢、性別、歩数、ＧＰＳ情報、基地局在圏情報、および加速度に基づいて推定される。通勤・通学手段／時間／パターンは、通勤時間帯等を示し、ＧＰＳ情報および基地局在圏情報に基づいて推定される。例えば、移動時間、移動速度、滞在位置などに基づいて自宅と職場・学校との距離、その移動時間および移動経路が把握され、そこから通勤・通学手段等が推定される。ストレスは、その程度を示し、例えば１０段階で示される。ストレスは、購入店情報、購入金額、購入商品、画面オンオフ情報、照度、閲覧ＵＲＬ、使用アプリ情報に基づいて、ストレス推定アルゴリズムに基づいて推定される。疲労度は、その程度を示し、年齢、性別、睡眠時間に基づいて推定される。睡眠時間が短いと疲労度が高いと推定される。生活／睡眠の規則正しさは、その程度を示し、歩数、睡眠時間、ＧＰＳ情報、基地局在圏情報、画面オンオフ情報に基づいて推定される。外食頻度は、外食回数を示し、購入店情報、購入商品、ＧＰＳ情報、基地局在圏情報に基づいて推定される。塩分摂取量は、具体的な数値またはその程度を示し、購入店情報および購入商品に基づいて推定される。カロリー摂取量は、具体的な数値またはその程度を示し、体重、購入店情報、購入金額、購入商品、に基づいて推定される。なお、上記は一例であり、適宜変更することが可能である。

生活習慣推定機能４３は、各端末利用ログに基づいてそれに対応する生活習慣を推定する。生活習慣推定機能４３は、予め定められたアルゴリズムに基づいて生活習慣を決定する。例えば、生活習慣推定機能４３は、歩数に応じた運動量を算出するなどである。

高血圧検知モデル構築機能４４は、教師データ格納データベース４０ａに記憶されている教師データに基づいて、高血圧検知モデル（高血圧予測モデル）を構築する機能である。教師データは、事前に各ユーザ端末にインストールされているヘルスケアアプリケーションによって、集計されている。

図６は、教師データ格納データベース４０ａに記憶されている教師データを示す図である。図に示される通り、ユーザおよび日時ごとに、ユーザ属性情報、端末利用ログ、生活習慣情報、気象情報、血圧情報が、記憶されている。これら教師データは、あらかじめユーザから提供されたデータであり、各ユーザから所定期間（例えば数ヶ月）の情報が提供される。高血圧検知モデル構築機能４４は、ユーザ属性情報、端末利用ログ、生活習慣情報、気象情報を説明変数とし、血圧情報（当該所定期間の平均値あるいは当該平均値から判断される高血圧かどうかの二値）を目的変数として機械学習を行うことにより、高血圧検知モデルを構築する。なお、血圧情報に加えて、または血圧情報に代えて、血糖値情報、中性脂肪情報、またはコレステロール情報を記憶し、これを目的変数として推定モデルを構築してもよい。

高血圧検知モデル構築機能４４は、ユーザ属性情報ごとに、高血圧検知モデル４４ａを構築してもよい。例えば、高血圧検知モデル構築機能４４は、年代または／および性別ごとに端末利用ログと血液情報と分けて、高血圧検知モデル４４ａを学習してもよい。

高血圧検知機能４５は、データ取得機能４１が取得した端末利用ログ、気象情報およびユーザ属性情報、また生活習慣推定機能４３によって推定された生活習慣情報を高血圧検知モデルに入力し、その出力として血圧情報を推定し、また高血圧であることを検知する機能である。少なくとも端末利用ログを入力することが重要であるが、端末利用ログに加えて、生活習慣情報、気象情報、ユーザ属性情報を考慮するとより精度が向上する。

結果通知機能４６は、血圧情報をユーザに通知する機能である。例えば、結果通知機能４６は、ユーザが所有するユーザ端末に血圧情報を通知する。また、結果通知機能４６は、血圧情報のほか、血糖値情報、中性脂肪情報、コレステロール情報を推定した場合には、その血糖値情報、中性脂肪情報、コレステロール情報を通知する。また、結果通知機能４６は、生活習慣推定機能４３が推定した生活習慣のうち、当該ユーザの高血圧リスクを高め得る生活習慣を通知してもよい。

つぎに、本開示における高血圧検知部４０の動作について説明する。図７は、その動作を示すフローチャートである。データ取得機能４１は、端末利用ログ取得部２０により取得された高血圧を推定したいユーザの任意の所定期間における端末利用ログ、および気象情報取得部３０により取得されたユーザ在圏位置の気象情報を、ユーザ端末から取得する（Ｓ１００）。

データクレンジング機能４２は、処理Ｓ１００で取得した端末利用ログおよび気象情報に対して異常値の除去、欠測値の補間などのクレンジングを行う（Ｓ１０１）。

高血圧検知モデル構築機能４４は、教師データ格納データベース４０ａが記憶している任意の所定期間における教師データから高血圧検知モデル４４ａを構築する（Ｓ１０２）。

生活習慣推定機能４３は、端末利用ログに基づいて生活習慣を推定する（Ｓ１０３）。例えば、生活習慣推定機能４３は、図５に示される関係に基づいて、生活習慣を推定する。

高血圧検知機能４５は、高血圧を検知したいユーザの端末利用ログ、生活習慣、およびユーザ在圏位置の気象情報を、高血圧検知モデル４４ａに入力し、当該高血圧検知モデル４４ａは、高血圧検知結果である血圧情報を出力する（Ｓ１０４）。

結果通知機能４６は、高血圧検知結果をユーザ端末に通知する（Ｓ１０５）。上記処理において、処理１０２において、高血圧検知モデル４４ａを構築しているが、必ずしもこの処理は必要ではない。高血圧検知モデル４４ａを事前に構築しておき、処理Ｓ１０１の後に、処理Ｓ１０３を実行してもよい。

つぎに、上記の処理Ｓ１０２の高血圧検知モデル４４ａの構築処理についてさらに詳細に説明する。図８は、高血圧検知モデル構築機能４４の詳細処理を示すフローチャートである。高血圧検知モデル構築機能４４は、教師データ格納データベース４０ａに記憶している教師データから任意の期間のユーザ属性、端末利用ログ、生活習慣情報、気象情報、および血液情報（ここでは血圧値）などの学習用データ（学習用利用ログ、学習用生活習慣情報、学習用血液情報などを含む）を取得する（Ｓ１０３－１）。

つぎに、高血圧検知モデル構築機能４４は、取得したデータについて、ユーザごとに複数ある血圧値を平均化する（Ｓ１０３－２）。教師データは、同じユーザにおいて時系列的に複数のデータ（血液情報）を含んでおり、その平均値を算出することで一時的な異常値を排除する。なお、平均値に変えて中央値や任意の時点の移動平均値などとしてもよい。

高血圧検知モデル構築機能４４は、平均化した血圧値を元にユーザごとに高血圧か否か（さらに高血圧の程度を含んでもよい）のラベル付けを行う（Ｓ１０３－３）。高血圧検知モデル構築機能４４は、教師データにおける各ユーザの端末利用ログ、生活習慣、在圏位置の気象情報から、平均化した血圧値あるいは高血圧ラベルを推定する高血圧検知モデル４４ａを構築する（Ｓ１０３－４）。例えば、高血圧検知モデル構築機能４４は、各ユーザの端末利用ログ、生活習慣、在圏位置の気象情報を説明変数とし、血圧値または高血圧ラベルを目的変数として、機械学習を行う。本開示においては、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、ＳＶＭ、XGBoost、若しくはLightGBMといった手法、あるいはＤＮＮといった深層学習を用いても良い。

このようにして、高血圧検知モデル構築機能４４は、ユーザ端末の端末利用ログ等に基づいて高血圧検知モデル４４ａを学習することができる。

つぎに、この高血圧検知モデル４４ａを利用した高血圧検知処理である処理Ｓ１０４について説明する。図９は、その処理を示すフローチャートである。高血圧検知機能４５は、高血圧を検知したいユーザの端末利用ログ、生活習慣、ユーザ在圏位置の気象情報を高血圧検知モデル４４ａに入力する（Ｓ１０４－１）。ここでの生活習慣は、Ｓ１０３で推定された情報である。

高血圧検知機能４５は、当該ユーザの血圧値あるいは高血圧か否かのラベル（もしくは高血圧である確率または血圧値）を高血圧検知モデル４４ａから受け取る（Ｓ１０４－２）。

さらに、高血圧検知機能４５は、当該ユーザについて高血圧の原因、もしくは高血圧のリスクを高め得る生活習慣を特定する（Ｓ１０４－３）。高血圧検知モデル構築機能４４は、高血圧検知モデル４４ａの各特徴量に係る係数（例えば機械学習における中間層の重み係数）の大きさから、高血圧のリスクを高める生活習慣を特定しても良いし、ＬＩＭＥまたはＳＨＡＰといった機械学習の予測モデルの解釈手法を用いて、特徴量の重要度を評価する指標から当該生活習慣を特定しても良い。例えば、高血圧検知機能４５は、当該ユーザが高血圧であった場合（もしくは高血圧である確率が高い場合）に、当該ユーザの運動量が少ない、あるいはストレスが高いなど、どの生活習慣が高血圧検知モデル構築機能４４の出力、つまり高血圧か否かのラベル（もしくは高血圧である確率または血圧値）に影響を及ぼしたのか、または及ぼさなかったのかを推定する。

つぎに、本開示における血液情報推定装置１００の作用効果について説明する。本開示の血液情報推定装置１００は、携帯端末などのユーザ端末の端末利用ログを取得するログ取得部として機能するデータ取得機能４１と、端末利用ログに基づいて、血液の状態の変動に関する血液情報を推定する推定部として機能する高血圧検知機能４５とを備える。

この構成により、ユーザに検査負担をかけることなく血液状態（血圧、血糖値、中性脂肪、またはコレステロール）を推定できる。したがって、仮面高血圧などの状態も簡単に推定することができる。

上述説明では、ユーザ属性情報、気象情報、および生活習慣情報を考慮して血液状態を推定していたが、少なくとも端末利用ログを用いればよい。

本開示の血液情報推定装置１００は、血液情報として、血圧、血糖値、中性脂肪、およびコレステロールの少なくとも一つとする。

また、本開示の血液情報推定装置１００は、端末利用ログとして、歩数、睡眠時間、位置情報、画面オンオフ情報、加速度、照度、閲覧ＵＲＬ、購買履歴、または使用アプリ情報の少なくとも一つを用いて血液情報の推定を行う。

本開示の血液情報推定装置１００において、生活習慣推定機能４３が、端末利用ログに基づいて、ユーザの運動量、運動時間、消費カロリー、睡眠時間、睡眠の質、規則正しさ、およびストレスの少なくとも一つを含む生活習慣情報を推定し、高血圧検知機能４５は、当該生活習慣情報に基づいて、血液情報を推定する。

この構成により、生活習慣を考慮して、血液情報を推定することができ、より正確な血液情報の推定が可能となる。

本開示の血液情報推定装置１００は、端末利用ログに応じた血液情報を出力する高血圧検知モデルを備える。高血圧検知機能４５は、高血圧検知モデルを利用して血液情報を推定する。

本開示の血液情報推定装置１００において、高血圧検知モデル構築機能４４は、学習時における血液情報として、所定期間における血液情報の平均値に基づいて学習して高血圧検知モデルを構築する。

血液情報、特に血圧、血糖値、中性脂肪情報、およびコレステロール情報は、変動する。したがって、ある一時点のみに基づいた高血圧検知モデルを構築すると、正確な推定を行うことができない。例えば診察室のみの血圧情報に基づいて学習すると正確な推定結果を得ることができない。本開示においては、血圧情報の平均値に基づいた学習を行うことで、その推定精度を向上させることができる。

本開示の高血圧検知モデル構築機能４４は、所定の年代および／または性別における端末利用ログと血液情報とに基づいて高血圧検知モデルを学習しておき、高血圧検知機能４５は、ユーザの年代および／または性別に応じた高血圧検知モデルを適用して、血液情報を推定してもよい。

この構成により、年代・性別に応じたモデルを適用し、高精度の推定を行うことができる。

本開示の高血圧検知機能４５は、推定した血液情報の根拠となった生活習慣を特定する。例えば、高血圧と判断した場合に、当該判断に寄与した生活習慣を特定する。高血圧検知機能４５は、高血圧検知モデル４４ａがどのような解釈を行ったのか、解釈手法（ＬＩＭＥまたはＳＨＡＰ）を利用して、生活習慣を特定することができる。

これにより、ユーザに高血圧と判断したその理由を生活習慣に求めて、改善を促すことができる。

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血液情報推定装置１００は、本開示の血液情報推定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１０は、本開示の一実施の形態に係る血液情報推定装置１００のハードウェア構成の一例を示す図である。上述の血液情報推定装置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。血液情報推定装置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。

血液情報推定装置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、上述の端末利用ログ取得部２０、高血圧検知部４０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、高血圧検知部４０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血液情報推定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、上述の端末利用ログ取得部２０などは、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、血液情報推定装置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。

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。

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。

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。

上記の各装置の構成における「手段」を、「部」、「回路」、「デバイス」等に置き換えてもよい。

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。

１００…血液情報推定装置、２０…端末利用ログ取得部、３０…気象情報取得部、４０…高血圧検知部、２１…ユーザ認証機能、２２…ユーザ属性情報取得機能、２３…アプリ利用情報取得機能、２４…購買履歴情報取得機能、２５…位置情報取得機能、２６…端末操作情報取得機能、２７…データ転送機能、３１…ユーザ認証機能、３２…ユーザ位置情報取得機能、３３…気象情報取得機能、３４…データ転送機能、３０ａ…気象情報データベース、４１…データ取得機能、４２…データクレンジング機能、４３…生活習慣推定機能、４４…高血圧検知モデル構築機能、４５…高血圧検知機能、４６…通知機能、４０ａ…教師データ格納データベース、、４４ａ…高血圧検知モデル。

Claims (6)

1. ユーザ端末の利用ログを取得するログ取得部と、
   前記利用ログに基づいて、血液の状態の変動に関する血液情報を推定する血液情報推定部と、
   前記利用ログに応じた血液情報を出力する予測モデルと、を備え、
   前記利用ログは、購入金額、および購入商品を含み、
   前記血液情報推定部は、前記予測モデルを利用して、前記利用ログに基づいて、ストレス、外食頻度、塩分摂取量、カロリー摂取量の少なくとも一つを含む生活習慣情報を推定し、当該生活習慣情報に基づいて、血液情報を推定する、
   血液情報推定装置。
2. 前記血液情報は、血圧、血糖値、中性脂肪、およびコレステロールの少なくとも一つである、
   請求項１に記載の血液情報推定装置。
3. 前記血液情報推定部は、
   前記利用ログに加えて、ユーザの属性情報、気象情報、または生活習慣情報の少なくとも一つを考慮して、血液情報を推定する、
   請求項１または２に記載の血液情報推定装置。
4. 教師データとして記憶されている学習用利用ログおよび学習用血液情報に基づいて、前記予測モデルを学習する学習部をさらに備え、
   当該学習部による学習時における前記学習用血液情報は、所定期間における平均値に基づいた情報である、
   請求項１～３のいずれか一項に記載の血液情報推定装置。
5. 前記血液情報推定部は、前記予測モデルが推定した血液情報に対して影響力のある生活習慣を特定する、
   請求項１～４のいずれか一項に記載の血液情報推定装置。
6. 前記予測モデルは、所定の年代および／または性別における利用ログと血液情報とに基づいて学習され、
   前記血液情報推定部は、ユーザの年代および／または性別に応じた予測モデルを適用して、血液情報を推定する、
   請求項１～５のいずれか一項に記載の血液情報推定装置。