特許 5777026 ストレス状態推定装置、ストレス状態推定方法、プログラム、および記録媒体

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】5777026

(24)【登録日】2015年7月17日

(45)【発行日】2015年9月9日

(54)【発明の名称】ストレス状態推定装置、ストレス状態推定方法、プログラム、および記録媒体

(51)【国際特許分類】

   A61B 5/16 20060101AFI20150820BHJP

   A61B 5/11 20060101ALI20150820BHJP

【ＦＩ】

   A61B5/16

   A61B5/10 310A

【請求項の数】13

【全頁数】29

(21)【出願番号】特願2010-223957(P2010-223957)

(22)【出願日】2010年10月1日

(65)【公開番号】特開2012-75708(P2012-75708A)

(43)【公開日】2012年4月19日

【審査請求日】2013年8月19日

(73)【特許権者】

【識別番号】000005049

【氏名又は名称】シャープ株式会社

(73)【特許権者】

【識別番号】504137912

【氏名又は名称】国立大学法人 東京大学

(74)【代理人】

【識別番号】110000338

【氏名又は名称】特許業務法人ＨＡＲＡＫＥＮＺＯ ＷＯＲＬＤ ＰＡＴＥＮＴ ＆ ＴＲＡＤＥＭＡＲＫ

(72)【発明者】

【氏名】蔭地 謙作

(72)【発明者】

【氏名】山本 義春

【審査官】 野田 洋平

(56)【参考文献】

【文献】 特開２００８−０２３１２７（ＪＰ，Ａ）

【文献】 特表２００９−５２１２４６（ＪＰ，Ａ）

【文献】 Toru Nakamura, Ken Kiyono, Kazuhiro Yoshiuchi, Rika Nakahara, Zbigniew R. Struzik, and Yoshiharu Yamamoto，Universal Scaling law in human behavioral organization，Physical Review Letters，米国，２００７年，Vol. 99，pages 138103-1-4

(58)【調査した分野】（Int.Cl.，ＤＢ名）

Ａ６１Ｂ ５／０６−５／２２

(57)【特許請求の範囲】

【請求項1】

被験者の体動に基づいて該被験者のストレス状態を推定するストレス状態推定装置であって、
該被験者の体動を測定して、該体動を表す体動データを取得する測定手段と、
該測定手段が取得した体動データから特徴量を抽出して中間データを算出する算出手段と、
該算出手段が算出する中間データと、被験者のストレス状態との間の推定される対応関係を表す関係データを記憶する記憶手段と、
該算出手段が算出する中間データから、該記憶手段に記憶されている該関係データを用いて該被験者のストレス状態を推定する推定手段と、
該被験者が自覚するストレス状態を表す自覚ストレス状態データの入力を受け付ける入力手段と、
該入力手段に該自覚ストレス状態データが入力されたとき、該算出手段が算出した中間データ、および、該入力手段に入力された自覚ストレス状態データの組を用いて、中間データと自覚ストレス状態データとの間の対応関係を表すデータを帰納的に求めて、求めた該対応関係を表すデータを該関係データとして該記憶手段に記憶させる更新手段と、を備え、
上記推定手段は、上記入力手段に該自覚ストレス状態データが入力された場合、上記更新手段によって更新された上記関係データを用いて、上記ストレス状態を推定する一方で、上記入力手段に該自覚ストレス状態データが入力されなかった場合、上記更新手段によって更新されていない上記関係データを用いて、上記ストレス状態を推定し、
上記入力手段に上記自覚ストレス状態データが入力されたとき、上記中間データおよび上記自覚ストレス状態データの組を蓄積して記憶する蓄積手段をさらに備え、
上記更新手段は、該蓄積手段に記憶されている上記中間データおよび上記自覚ストレス状態データの組に対して、上記自覚ストレス状態データを目的変数とし、上記中間データを説明変数とした回帰分析を行うことにより、中間データと自覚ストレス状態データとの間の対応関係を表すデータを求め、
上記蓄積手段は、予め定められた期間を超えて記憶している上記中間データおよび上記自覚ストレス状態データの組を廃棄することを特徴とするストレス状態推定装置。

【請求項2】

上記ストレス状態推定装置が任意のタイミングにおける上記被験者のストレス状態を推定するとき、上記算出手段は、該任意のタイミングを含む所定時間内に上記測定手段が取得した上記体動データから中間データを算出し、
上記更新手段は、上記自覚ストレス状態データが入力されたタイミングを含む所定時間内に上記測定手段が取得した上記体動データから上記算出手段が算出した中間データ、および、上記自覚ストレス状態データの組を用いて、中間データと自覚ストレス状態データとの間の対応関係を帰納的に求めることを特徴とする請求項１に記載のストレス状態推定装置。

【請求項3】

上記特徴量が、上記被験者の休息の長さおよび頻度であることを特徴とする請求項１または２に記載のストレス状態推定装置。

【請求項4】

上記算出手段は、上記体動データが上記被験者の活動または休息の何れを示しているかを、所定の閾値と上記体動データとを比較することによって判定し、判定結果に基づいて上記被験者の休息の長さおよび頻度を抽出することを特徴とする請求項３に記載のストレス状態推定装置。

【請求項5】

上記中間データが、上記被験者の休息の長さおよび頻度から算出されるストレス評価値データであることを特徴とする請求項３または４に記載のストレス状態推定装置。

【請求項6】

上記算出手段は、上記被験者のある長さ以上の休息が生じる確率である休息時間頻度累積確率の対数を目的変数とし、当該ある長さの対数を説明変数とした一次の回帰直線を用いた回帰分析を行い、得られた回帰直線の傾きに基づいて上記ストレス評価値データを算出することを特徴とする請求項５に記載のストレス状態推定装置。

【請求項7】

上記特徴量が、上記体動データの２種類以上の統計量であることを特徴とする請求項１または２に記載のストレス状態推定装置。

【請求項8】

上記統計量が、平均値、標準偏差、歪度、尖度および分散からなる群より選ばれることを特徴とする請求項７に記載のストレス状態推定装置。

【請求項9】

上記体動データからトレンドを除去するトレンド除去手段を備え、
上記算出手段は、上記体動データから１種類以上の統計量を抽出するとともに、該トレンド除去手段によってトレンドが除去された上記体動データから１種類以上の統計量を抽出することを特徴とする請求項７または８に記載のストレス状態推定装置。

【請求項10】

上記体動データからトレンドを除去するトレンド除去手段を備え、
上記算出手段は、該トレンド除去手段によってトレンドが除去された上記体動データから上記中間データを算出することを特徴とする請求項１〜８の何れか１項に記載のストレス状態推定装置。

【請求項11】

記憶手段を備えたストレス状態推定装置が、被験者の体動に基づいて該被験者のストレス状態を推定するストレス状態推定方法であって、
該被験者の体動を測定して、該体動を表す体動データを取得する測定工程と、
該測定工程において取得した体動データから特徴量を抽出して中間データを算出する算出工程と、
該算出工程において算出した中間データから、該記憶手段に記憶されている該中間データと被験者のストレス状態との間の推定される対応関係を表す関係データを用いて、該被験者のストレス状態を推定する推定工程と、
該被験者が自覚するストレス状態を表す自覚ストレス状態データの入力を受け付ける入力工程と、
該自覚ストレス状態データが入力されたとき、該中間データ、および、該自覚ストレス状態データの組を用いて、中間データと自覚ストレス状態データとの間の対応関係を表すデータを帰納的に求めて、求めた該対応関係を表すデータを該関係データとして該記憶手段に記憶させる更新工程と、を包含し、
上記推定工程では、上記入力工程において上記自覚ストレス状態データが入力された場合、上記更新工程において更新された上記関係データを用いて、上記ストレス状態を推定する一方で、上記入力工程において上記自覚ストレス状態データが入力されなかった場合、上記更新工程において更新されていない上記関係データを用いて、上記ストレス状態を推定し、
上記入力工程において上記自覚ストレス状態データが入力されたとき、上記中間データおよび上記自覚ストレス状態データの組を蓄積して記憶する蓄積工程をさらに含み、
上記更新工程では、該蓄積工程において記憶された上記中間データおよび上記自覚ストレス状態データの組に対して、上記自覚ストレス状態データを目的変数とし、上記中間データを説明変数とした回帰分析を行うことにより、中間データと自覚ストレス状態データとの間の対応関係を表すデータを求め、
上記蓄積工程では、予め定められた期間を超えて記憶している上記中間データおよび上記自覚ストレス状態データの組を廃棄することを特徴とするストレス状態推定方法。

【請求項12】

コンピュータを請求項１〜１０の何れか１項に記載のストレス状態推定装置として動作させるためのプログラムであって、上記コンピュータを上記ストレス状態推定装置が備えている各手段として機能させるためのプログラム。

【請求項13】

請求項１２に記載のプログラムを記録したコンピュータ読み取り可能な記録媒体。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、被験者のストレス状態を推定するストレス状態推定技術に関するものであり、特に、被験者の体動データに基づいてストレス状態を推定する技術に関するものである。

【背景技術】

【0002】

近年、鬱または睡眠障害、慢性疲労症候群などの心理的ストレス（以下単にストレスという）と関連した精神疾患が増えつつあり、社会問題となっている。このような精神疾患の予防において、日常においてストレスをコントロールすることが重要である。ストレスコントロールを適切に行うためには、ストレス状態（ストレスの度合い）を容易且つ正確に把握できることが好ましい。

【0003】

ストレス状態とは、換言すれば抑うつの気分を感じる度合いを指し、精神状態を表すものであるが、身体的な疲労または不調などが原因となり、結果として精神的に不調を来す場合も当然含まれる。

【0004】

このようなストレス状態は、従来から問診によって把握することが行われている。例えば、特許文献１には、時系列に沿って生体情報および精神情報を収集するための人体に装着可能な携帯型生体情報収集装置が記載されている。特許文献１に記載の技術では、日常生活における生体情報を連続的に計測すると共に、適時問診によってその時の精神状態を効率的に収集することができる。しかしながら、問診によりストレス状態を把握する技術では、問診と問診との間にストレス状態の変化を把握することができない。

【0005】

これに対し、近年、被験者の体動に基づくストレス状態の推定についての研究が進められている（非特許文献１〜２を参照されたい）。

【0006】

また、特許文献２には、ユーザーの疲労レベルを推定する疲労推定装置であって、ユーザーの活動の頻度を活動度として継続的に検知し、この活動度に基づいてユーザーの疲労レベルを推定する疲労推定装置が記載されている。

【先行技術文献】

【特許文献】

【0007】

【特許文献1】特開２００３−２９０１７６号公報（２００３年１０月１４日公開）

【特許文献2】国際出願公開ＷＯ２００７／１３８９３０号公報（２００７年１２月６日公開）

【非特許文献】

【0008】

【非特許文献1】Nakamura， T．， K． Kiyono， K． Yoshiuchi， R． Nakahara， Z． R． Struzik， and Y． Yamamoto． Universal Scaling law in human behavioral organization． Physical Review Letters 99: 138103-1-4, 2007.

【非特許文献2】Nakamura，T．， M． Sone， N． Aoyagi， Z． R． Struzik， and Y． Yamamoto． Association of local statistics of locomotor activity with momentary depressive mood．Proceedings of the IFMBE/IMIA 6th International Workshop on Biosignal Interpretation， pp． 48-51, 2009．

【発明の概要】

【発明が解決しようとする課題】

【0009】

被験者のストレス状態を体動データから推定することができれば、手軽にストレス状態を把握することができるため好ましい。しかしながら、体動データは、身長、体重などの身体的要素、および個人の動作上の癖、センサの装着状態などによって、大きな個人差を有するばかりでなく、また、同じ個人であっても、身長、体重の変化、または加齢に伴う筋肉の衰えなどによる、時系列上の変化も大きい。そのため、被験者のストレス状態を体動データから推定する技術において、体動データの個人差および個人内変化を考慮してストレス状態の推定を行うための技術が求められている。

【0010】

しかし、特許文献２に記載の技術は疲労度を推定する技術であり、また、上述したような体動データの個人差および個人内変化は考慮されていない。本発明はこのような事情に鑑みてなされたものであり、被験者のストレス状態を体動データから推定する技術において、体動データの個人差および個人内変化を考慮してストレス状態の推定を行うための技術を提供することを主たる目的とする。

【課題を解決するための手段】

【0011】

本発明に係るストレス状態推定装置は、上記課題を解決するために、被験者の体動を表す体動データから、該被験者のストレス状態を推定するストレス状態推定装置であって、該体動データを取得する取得手段と、該取得手段が取得した体動データから特徴量を抽出して中間データを算出する算出手段と、該算出手段が算出する中間データと、被験者のストレス状態との間の推定される対応関係を表す関係データを記憶する記憶手段と、該算出手段が算出する中間データから、該記憶手段に記憶されている該関係データを用いて該被験者のストレス状態を推定する推定手段と、該被験者が自覚するストレス状態を表す自覚ストレス状態データの入力を受け付ける入力手段と、該入力手段に該自覚ストレス状態データが入力されたとき、該算出手段が算出した中間データ、および、該入力手段に入力された自覚ストレス状態データの組を用いて、中間データと自覚ストレス状態データとの間の対応関係を表すデータを帰納的に求めて、求めた該対応関係を表すデータを該関係データとして該記憶手段に記憶させる更新手段と、を備えていることを特徴としている。

【0012】

上記の構成によれば、上記ストレス状態推定装置は、体動データを取得し、取得した体動データから特徴量（例えば、被験者の休息時間の頻度の累積確率、体動データの平均値、標準偏差、歪度、尖度、分散等の統計量等）を抽出して中間データを算出し、中間データとストレス状態との推定される対応関係を表す関係データ（例えば、回帰直線または回帰曲線の係数、機械学習器の学習パラメータなど）を用いて、算出した該中間データから被験者のストレス状態を推定する。

【0013】

ここで、上記ストレス状態推定装置は、入力手段に自覚ストレス状態データが入力されたとき、算出した中間データと、入力された自覚ストレス状態データとの組を用いて、中間データと、自覚ストレス状態データとの間に存在する対応関係を帰納的に求める。帰納的に求める方法としては、例えば、回帰分析、教師あり機械学習等を用いることができる。その上で、求めた対応関係を、中間データとストレス状態との推定される対応関係として、上記関係データを更新する。

【0014】

このように、上記ストレス状態推定装置は、上記中間データと上記自覚ストレス状態データとの対応関係を帰納的に求め、当該対応関係を用いて体動データからストレス状態を推定する。上記中間データと上記ストレス状態との間の推定される対応関係は記憶手段に記憶されているので、自覚ストレス状態データの入力がないときでも、取得した体動データに基づいてストレス状態の推定を随時または連続的に行うことができる。さらに、上記中間データと上記自覚ストレス状態データとの対応関係は、被験者当人から随時取得されるため、体動データの個人差または個人内変化があったとしても、正確なストレス状態の推定を行うことができる。以上のように、上記ストレス状態推定装置によれば、体動データの個人差および個人内変化を考慮して被験者のストレス状態を推定することができる。

【0015】

なお、特許文献２には、問診の結果得られた実疲労レベル情報を、推定された疲労レベルを示す推定疲労レベル情報に対応づけることが記載されているが、そのように対応づけられた情報を、疲労レベルの推定時に用いることも記載されていない。また、特許文献２には、疲労レベルを求めるための演算式における係数や、疲労レベルを推定するためのアルゴリズムを、動的に較正・補正し、疲労レベルの推定精度を向上させることが記載されているが、非特許文献１〜２に挙げられるようなストレス状態と体動データの関連に関するエビデンスに基づいて当該係数およびアルゴリズムをどのように動的に較正・補正するかは記載されておらず、また、体動データの個人差および個人内変化を考慮することを目的とするものでもない。したがって、本発明は、特許文献２に記載の技術とは異なるものである。

【0016】

上記ストレス状態推定装置では、上記ストレス状態推定装置が任意のタイミングにおける上記被験者のストレス状態を推定するとき、上記算出手段は、該任意のタイミングを含む所定時間内に上記測定手段が取得した上記体動データから中間データを算出し、上記更新手段は、上記自覚ストレス状態データが入力されたタイミングを含む所定時間内に上記測定手段が取得した上記体動データから上記算出手段が算出した中間データ、および、上記自覚ストレス状態データの組を用いて、中間データと自覚ストレス状態データとの間の対応関係を帰納的に求めるものであってもよい。

【0017】

上記の構成によれば、被験者のストレス状態を首尾よく推定することができる。

【0018】

上記ストレス状態推定装置は、上記入力手段に上記自覚ストレス状態データが入力されたとき、上記中間データおよび上記自覚ストレス状態データの組を蓄積して記憶する蓄積手段をさらに備え、上記更新手段は、該蓄積手段に記憶されている上記中間データおよび上記自覚ストレス状態データの組に対して、上記自覚ストレス状態データを目的変数とし、上記中間データを説明変数とした回帰分析を行うことにより、中間データと自覚ストレス状態データとの間の対応関係を表すデータを求めることが好ましい。

【0019】

上記の構成によれば、上記関係データを回帰分析により首尾よく求めることができる。

【0020】

上記ストレス状態推定装置では、上記蓄積手段は、予め定められた期間を超えて記憶している上記中間データおよび上記自覚ストレス状態データの組を廃棄することが好ましい。

【0021】

上記の構成によれば、直近の測定データに基づいて被験者のストレス状態を推定することができるので、被験者における体動データの傾向の個人内の変化の影響を排して、好適にストレス状態を推定することができる。

【0022】

上記ストレス状態推定装置では、上記更新手段は、教師有り機械学習を行う機械学習器を備え、上記関係データおよび上記対応関係を表すデータは、該機械学習器の学習パラメータであり、該機械学習器は、上記自覚ストレス状態データを教師データとし、上記中間データを入力データとして教師あり学習を行うことにより、中間データと自覚ストレス状態データとの間の対応関係を表すデータを帰納的に求めるものであってもよい。

【0023】

上記の構成によれば、上記関係データを機械学習により首尾よく求めることができる。

【0024】

上記ストレス状態推定装置では、上記機械学習器は、多層パーセプトロンであることが好ましい。

【0025】

上記の構成によれば、上記関係データを機械学習により首尾よく求めることができる。

【0026】

上記ストレス状態推定装置では、上記特徴量が、上記被験者の休息の長さおよび頻度であってもよい。

【0027】

上記の構成によれば、非特許文献１に示されるように、被験者の休息の長さおよび頻度と、被験者のストレス状態との間には関連があるため、首尾よく被験者のストレス状態を推定することができる。

【0028】

上記ストレス状態推定装置では、上記算出手段は、上記体動データが上記被験者の活動または休息の何れを示しているかを、所定の閾値と上記体動データとを比較することによって判定し、判定結果に基づいて上記被験者の休息の長さおよび頻度を抽出することが好ましい。

【0029】

上記の構成によれば、上記被験者の休息の長さおよび頻度を首尾よく抽出することができる。

【0030】

上記ストレス状態推定装置では、上記中間データが、上記被験者の休息の長さおよび頻度から算出されるストレス評価値データであってもよく、上記算出手段は、上記被験者のある長さ以上の休息が生じる確率である休息時間頻度累積確率の対数を目的変数とし、当該ある長さの対数を説明変数とした一次の回帰直線を用いた回帰分析を行い、得られた回帰直線の傾きに基づいて上記ストレス評価値データを算出するものであってもよい。

【0031】

上記の構成によれば、中間データとして上記のようなストレス評価値データを用いることにより、首尾よく被験者のストレス状態を推定することができる。

【0032】

上記ストレス状態推定装置では、上記特徴量が、上記体動データの２種類以上の統計量であってもよく、上記統計量が、平均値、標準偏差、歪度、尖度および分散からなる群より選ばれるものであってもよい。

【0033】

上記の構成によれば、非特許文献２に示されるように、被験者の体動データの統計量と、被験者のストレス状態との間には相関があるため、首尾よく被験者のストレス状態を推定することができる。

【0034】

上記ストレス状態推定装置は、上記体動データからトレンドを除去するトレンド除去手段を備え、上記算出手段は、上記体動データから１種類以上の統計量を抽出するとともに、該トレンド除去手段によってトレンドが除去された上記体動データから１種類以上の統計量を抽出するものであってもよい。

【0035】

上記の構成によれば、統計量の計算において体動データおよびトレンド除去体動データのどちらを使用するか、統計量ごとに選択することによって、より正確に被験者のストレス状態を推定することができる。

【0036】

上記ストレス状態推定装置は、上記体動データからトレンドを除去するトレンド除去手段を備え、上記算出手段は、該トレンド除去手段によってトレンドが除去された上記体動データから上記中間データを算出するものであってもよい。

【0037】

上記の構成によれば、トレンドを除去した体動データに基づいて中間データを算出することができるため、ストレス以外の要因に起因すると考えられるトレンドを排し、より正確にストレス状態を推定することができる。

【0038】

本発明に係るストレス状態推定方法は、記憶手段を備えたストレス状態推定装置が、被験者の体動に基づいて該被験者のストレス状態を推定するストレス状態推定方法であって、該被験者の体動を測定して、該体動を表す体動データを取得する測定工程と、該測定工程において取得した体動データから特徴量を抽出して中間データを算出する算出工程と、該算出工程において算出した中間データから、該記憶手段に記憶されている該中間データと被験者のストレス状態との間の推定される対応関係を表す関係データを用いて、該被験者のストレス状態を推定する推定工程と、該被験者が自覚するストレス状態を表す自覚ストレス状態データの入力を受け付ける入力工程と、該自覚ストレス状態データが入力されたとき、該中間データ、および、該自覚ストレス状態データの組を用いて、中間データと自覚ストレス状態データとの間の対応関係を表すデータを帰納的に求めて、求めた該対応関係を表すデータを該関係データとして該記憶手段に記憶させる更新工程と、を包含することを特徴としている。

【0039】

上記の方法によれば、本発明に係るストレス状態推定装置と同等の効果を奏する。

【0040】

また、本発明に係る装置を動作させるためのプログラムであって、コンピュータに上記の各装置の機能を実現させるプログラムおよび該プログラムを記録したコンピュータ読み取り可能な記録媒体も本発明の範疇に含まれる。

【発明の効果】

【0041】

本発明によれば、被験者の体動データから、体動データの個人差および個人内変化を考慮して、被験者のストレス状態を連続的に推定することができる。

【図面の簡単な説明】

【0042】

【図1】本発明の一実施形態に係るストレス評価システムの構成を示したブロック図である。

【図2】本発明の一実施形態に係るストレス評価部の処理過程を示したフローチャートである。

【図3】本発明の一実施形態に係るストレス評価部における体動データと自覚ストレス値データとの関係を示した模式図である。

【図4】本発明の一実施形態に係るストレス評価部における体動データと活動状態判定データとの関係を示した模式図である。

【図5】本発明の一実施形態に係るストレス評価部におけるストレス判定値の算出方法を説明した図である。

【図6】本発明の一実施形態に係るストレス評価部におけるストレス指数演算用パラメータの算出方法を説明した図である。

【図7】本発明の一実施形態に係るストレス評価システムの構成を示したブロック図である。

【図8】本発明の一実施形態に係るストレス評価部の処理過程を示したフローチャートである。

【図9】本発明の一実施形態に係るストレス評価システムの構成を示したブロック図である。

【図10】本発明の一実施形態に係るストレス評価部の処理過程を示したフローチャートである。

【図11】本発明の一実施形態に係るストレス評価システムの構成を示したブロック図である。

【図12】本発明の一実施形態に係るストレス評価部の処理過程を示したフローチャートである。

【図13】本発明の一実施形態に係るストレス評価システムの構成を示したブロック図である。

【図14】本発明の一実施形態に係るストレス評価部の処理過程を示したフローチャートである。

【図15】本発明の一実施形態に係るストレス評価システムの構成を示したブロック図である。

【図16】本発明の一実施形態に係るストレス評価部の処理過程を示したフローチャートである。

【図17】本発明の一実施形態に係るストレス評価システムの構成を示したブロック図である。

【図18】本発明の一実施形態に係るストレス評価部の処理過程を示したフローチャートである。

【発明を実施するための形態】

【0043】

〔第１の実施形態〕
まず、図１〜図６を参照して、本発明の一実施形態（第１の実施形態）に係るストレス指数評価装置（ストレス状態推定装置）１００について説明する。

【0044】

図１は、ストレス指数評価装置１００の構成を示す機能ブロック図である。ストレス指数評価装置１００は、ストレス評価部１１０、体動データ測定部（測定手段）１１、自覚ストレス度入力部（入力手段）１２、およびストレス指数出力部１３を備えている。

【0045】

ストレス評価部１１０は、体動データ測定部１１から被験者の体動を表す体動データを、自覚ストレス度入力部１２から該被験者が自覚するストレス状態を表す自覚ストレス度データ（自覚ストレス状態データ）を取得して、これらに基づき被験者のストレス指数データ（ストレス状態推定結果）データを算出して、このストレス指数データをストレス指数出力部１３に出力するためのものである。

【0046】

ストレス評価部１１０は、体動データ取得部２０、活動状態判定演算処理部（算出手段）２１、休息時間頻度累積確率演算処理部（算出手段）２２、ストレス評価値演算処理部（算出手段）２３、自覚ストレス度データ取得部２４、ストレス指数演算用パラメータ更新演算処理部（更新手段）２５、ストレス指数演算処理部（推定手段）２６、ストレス指数出力部２７、体動データ記憶部４０、活動状態判定データ記憶部４１、休息時間頻度累積確率データ記憶部４２、ストレス評価値データ記憶部（蓄積手段）４３、自覚ストレス度データ記憶部（蓄積手段）４４、ストレス指数演算用パラメータ記憶部（記憶手段）４５、およびストレス指数データ記憶部４６を備えている。

【0047】

体動データ測定部１１は、被験者の体動データを測定して採取するためのものである。体動データとは、体動の大小を表現した時系列データである。体動データ測定部１１は、例えば、加速度センサ、角速度センサ、または測位装置を備え、被験者の体の１または複数箇所に装着され、装着部分の活動（体動）を測定するものであり得る。装着部分としては、特に限定されないが、例えば、腕部、腰部、脚部、体感、頭部等であり得、特に、手首であることが好ましい。また、被験者を撮像する撮像装置を備え、撮像した画像情報を解析して被験者の体動を検出するものであってもよい。

【0048】

この実施形態では、０．５秒間隔で採取された被験者の加速度を表す加速度時系列データを使用しているが、採取の時間間隔およびデータの種類はこれに限定されない。採取の時間間隔は任意であればよく、また加速度時系列データ以外にも、例えば、ゼロクロス時系列データ、加速度の積分値の時系列データなど、体動の大小を表すデータであれば使用することが可能である。

【0049】

自覚ストレス度入力部１２は、被験者が自ら自覚しているストレスの度合いを、任意のタイミングで入力するためのものである。例えば、ＬＣＤ等の表示装置およびキーボードまたはタッチパネル等の入力装置を備え、「今自覚している心理的ストレス度を入力して下さい」等の表示により被験者が自覚するストレス状態の入力を促し、被験者からの回答の入力を受け付ける形態が考えられるが、これに限定されない。また、自覚ストレス度データの入力形式については、０を「まったくストレスを感じていない」状態とし、１００を「ひどくストレスを感じている」状態とすることで、０〜１００の整数で入力させることができるが、これに限定されず、自覚ストレスの度合いを、２つ以上の値で入力できれば良い。例えば、「まったくストレスを感じていない、どちらかといえばストレスを感じていない、ストレスを感じている、どちらかといえばストレスを感じている、ひどくストレスを感じている」など、五段階で表示し、被験者に当てはまるものを選択させても良い。

【0050】

ストレス評価部１１０は、体動データ測定部１１および自覚ストレス度入力部１２から取得したデータに基づいて、被験者のストレス状態を推定し、ストレス指数を算出するものである。

【0051】

ストレス評価部１１０によってストレス指数が算出される過程について、図２を用いて説明する。図２は、ストレス評価部１１０の処理過程を示すフローチャートである。

【0052】

まず、体動データ測定部１１が体動データＭ＿ｄａｔａの測定を開始する（ステップ婦Ｓ０）。ストレス評価部１１０の体動データ取得部２０は、体動データ測定部１１から体動データＭ＿ｄａｔａを取得して（ステップＳ１）、体動データ記憶部４０に格納する（ステップＳ２）。

【0053】

なお、以下の説明では、体動データ測定部１１が測定した体動データを、Ｍ＿ｄａｔａと表記することもある。また、測定を開始してから最初に測定された体動データを、Ｍ＿ｄａｔａ［０］、次に測定された体動データを、Ｍ＿ｄａｔａ［１］、ｎ＋１番目に測定された体動データを、Ｍ＿ｄａｔａ［ｎ］と表記することもある。

【0054】

また、自覚ストレス度入力部１２に入力された自覚ストレス度データを、ｓｅｌｆ＿ｄａｔａと表記することもある。また、体動データ測定部１１がｎ＋１番目の体動データを測定しているときに自覚ストレス度入力部１２に入力された自覚ストレス度データを、ｓｅｌｆ＿ｄａｔａ［ｎ］と表記することもある。

【0055】

図３に、Ｍ＿ｄａｔａと、ｓｅｌｆ＿ｄａｔａとを時系列上に並べて示す。上述したように、本実施形態では、体動データＭ＿ｄａｔａは０．５秒間隔で継続して採取されるので、Ｍ＿ｄａｔａ［ｎ］は、測定開始からｎ／２秒後に体動データ測定部１１が測定した体動データを示し、ｓｅｌｆ＿ｄａｔａ［ｎ］は、測定開始からｎ／２秒後の前後（例えば、±０．２５秒）に自覚ストレス度入力部１２に入力された自覚ストレス度データを示す。

【0056】

続いて、ステップＳ３〜Ｓ７において、体動データ記憶部４０に格納された体動データに基づいて、ストレス評価値データを算出する。以下では、一例として、ストレス評価部１１０が測定開始からｎ番目の体動データＭ＿ｄａｔａ［ｎ］測定時のストレス指数データＲ＿ｄａｔａ［ｎ］を算出するときの処理について説明する。なお、ストレス評価部１１０は、任意のタイミングにおいて、または連続的にストレス指数データを算出することができることはいうまでもない。

【0057】

ステップＳ３において、活動状態判定演算処理部２１は、体動データ記憶部４０から体動データを取得し、これらの体動データに基づき被験者が活動しているか休息しているかを時系列に沿って表す活動状態判定データを算出する。なお、以下の説明では、活動状態判定演算処理部２１が算出した活動状態判定データを、Ａ＿ｄａｔａと表記することもある。また、体動データＭ＿ｄａｔａ［ｎ］に対応する活動状態判定データをＡ＿ｄａｔａ［ｎ］と表記することもある。

【0058】

図４は、処理フローのステップＳ３を説明した図である。図４に示すように、ステップＳ３では、活動状態判定演算処理部２１は、測定開始からｎ番目に測定した体動データＭ＿ｄａｔａ［ｎ］を中心とする前後各Ｘ個のデータ、つまりＭ＿ｄａｔａ［ｎ―Ｘ］〜Ｍ＿ｄａｔａ［ｎ＋Ｘ］を処理して、活動状態判定データＡ＿ｄａｔａ［ｎ―Ｘ］〜Ａ＿ｄａｔａ［ｎ＋Ｘ］を算出する。本実施形態では、Ｘとして１８００を用いるが、これに限定されず、Ｘは整数であればよく、計算量および精度を考慮して適宜設定すればよい。また、処理が終わったＭ＿ｄａｔａについては、適宜体動データ記憶部４０から消去してもよい。

【0059】

活動状態判定演算処理部２１は、活動状態判定データＡ＿ｄａｔａを、体動データＭ＿ｄａｔａと活動状態判定閾値Ｍ＿ｔｈとを比較することにより算出する。本実施形態では、活動状態判定閾値Ｍ＿ｔｈを０．１Ｇとするが、これに限定されず、活動状態判定閾値Ｍ＿ｔｈは任意の値を使用できる。体動データＭ＿ｄａｔａが活動状態判定閾値Ｍ＿ｔｈより大きければ、活動状態にあると判断し、体動データＭ＿ｄａｔａが活動状態判定閾値Ｍ＿ｔｈより小さければ、休息状態にあると判断する。本実施形態では、活動状態にある時は活動状態判定データＡ＿ｄａｔａを１とし、休息状態にある時は活動状態判定データＡ＿ｄａｔａを０とするが、これに限定されず、活動状態判定データＡ＿ｄａｔａは活動状態か休息状態かを区別できる値であればよい。

【0060】

活動状態判定演算処理部２１は、算出した活動状態判定データを活動状態判定データ記憶部４１に格納する（ステップＳ４）。

【0061】

ステップＳ５において、休息時間頻度累積確率演算処理部２２は、活動状態判定データ記憶部４１から活動状態判定データＡ＿ｄａｔａ［ｎ―Ｘ］〜Ａ＿ｄａｔａ［ｎ＋Ｘ］を取得し、これらの活動状態判定データに基づき、休息時間頻度累積確率（特徴量）データを算出する。この明細書中において、休息時間頻度累積確率Ｐ（ｒｔ≧ｘ）とは、休息状態が連続している時間ｒｔがｘを超えている頻度の全体に対する確率をいう。言い換えれば、休息時間頻度累積確率Ｐ（ｒｔ≧ｘ）とは、ｘ秒以上連続する休息が生じる確率を指し、例えば、活動状態判定データＡ＿ｄａｔａ［ｎ―Ｘ］〜Ａ＿ｄａｔａ［ｎ＋Ｘ］において、ｘ秒以上連続していた休息時間の合計がｙ秒であったときには、Ｐ（ｒｔ≧ｘ）は、ｙ／Ｘとなる。休息時間頻度累積確率演算処理部２２は、Ａ＿ｄａｔａ［ｎ―Ｘ］〜Ａ＿ｄａｔａ［ｎ＋Ｘ］を解析し、ｘ（０＜ｘ≦Ｘ）について、ｘ秒以上連続する休息時間の合計時間を求めることにより、各ｘについての休息時間頻度累積確率を表す休息時間頻度累積確率データを算出する。

【0062】

休息時間頻度累積確率演算処理部２２は、算出した休息時間頻度累積確率データを休息時間頻度累積確率データ記憶部４２に格納する（ステップＳ６）。

【0063】

ステップＳ７において、ストレス評価値演算処理部２３は、休息時間頻度累積確率データ記憶部４２から休息時間頻度累積確率データＰ（ｒｔ≧１）、Ｐ（ｒｔ≧２）、・・・、Ｐ（ｒｔ≧Ｘ）を取得し、取得した休息時間頻度累積確率データに基づき、ストレス評価値データ(中間データ）を以下のようにを算出する（ステップＳ７）。

【0064】

ストレス評価値演算処理部２３は、まず、休息時間頻度累積確率Ｐ（ｒｔ＞ｘ）とｘとの間の回帰分析を行う。具体的には、ストレス評価値演算処理部２３は、休息時間頻度累積確率データＰ（ｒｔ≧１）、Ｐ（ｒｔ≧２）、・・・、Ｐ（ｒｔ≧Ｘ）について、それぞれｌｏｇ（Ｐ（ｒｔ≧１））、ｌｏｇ（Ｐ（ｒｔ≧２））、・・・、ｌｏｇ（Ｐ（ｒｔ≧Ｘ））を求め、Ｐ（ｒｔ≧ｘ）とｘとの間の対応関係を最小二乗法を用いて下記式（１）で近似することにより、α１を算出する。

【0065】

ｌｏｇ（Ｐ（ｒｔ≧ｘ））＝α１×ｌｏｇ（ｘ）＋β１・・・（１）
なお、本実施形態においては、最小二乗法を使用しているが、これに限定されず、回帰分析のための公知のアルゴリズムを使用することが可能である。

【0066】

図５（ａ）は、ｌｏｇ（Ｐ（ｒｔ≧ｘ））をｌｏｇ（ｘ）に対してプロットした場合の一例を示す図であり、図５（ｂ）は、上記式（１）に示される回帰直線６１を加えた図である。

【0067】

ストレス評価値演算処理部２３は、算出したα１に基づきストレス評価値データを算出する。なお、以下の説明では、ストレス評価値演算処理部２３が算出したストレス評価値データを、Ｅ＿ｄａｔａと表記することもある。また、測定開始ｎ秒後に対応するストレス評価値データを、Ｅ＿ｄａｔａ［ｎ］と表記することもある。

【0068】

本実施形態では、ストレス評価値演算処理部２３は、ストレス評価値データＥ＿ｄａｔａ［ｎ］を、次の計算式（２）に基づいて算出する。

【0069】

Ｅ＿ｄａｔａ［ｎ］＝−α１・・・（２）
ストレス評価値演算処理部２３は、このように得られたストレス評価値データＥ＿ｄａｔａ［ｎ］を、ストレス評価値データ記憶部４３に格納する（ステップＳ８）。

【0070】

ステップＳ９において、自覚ストレス度データ取得部２４は、自覚ストレス度入力部１２に自覚ストレス度データｓｅｌｆ＿ｄａｔａ［ｎ］が入力されているか否かを確認する（ステップＳ９）。自覚ストレス度データｓｅｌｆ＿ｄａｔａ［ｎ］が入力されていれば、ステップＳ１０に進み、ステップＳ１０〜ステップＳ１３の処理を行う。自覚ストレス度データｓｅｌｆ＿ｄａｔａ［ｎ］が入力されていなければ、ステップＳ１０〜ステップＳ１３の処理を行わずに、ステップＳ１４に進む。

【0071】

ステップＳ１０では、自覚ストレス度データ取得部２４が、自覚ストレス度入力部１２から自覚ストレス度データｓｅｌｆ＿ｄａｔａ［ｎ］を取得し、続いて、ステップＳ１１において、自覚ストレス度データ取得部２４は、自覚ストレス度データｓｅｌｆ＿ｄａｔａ［ｎ］を、自覚ストレス度データ記憶部４４に記憶する。

【0072】

ここで、ステップＳ８においてストレス評価値データ記憶部４３に記憶されたストレス評価値データＥ＿ｄａｔａ［ｎ］と、ステップＳ１１において自覚ストレス度データ記憶部４４に記憶された自覚ストレス度データｓｅｌｆ＿ｄａｔａ［ｎ］とは、互いに関連づけられて（例えば、同じタイムスタンプまたはＩＤが付されている状態で）それぞれの記憶部に蓄積されており、ストレス指数演算用パラメータ更新演算処理部２５によって、自覚ストレス度データおよび当該自覚ストレス度データに対応するストレス評価値データの組として取得可能である。

【0073】

なお、本実施形態において、「自覚ストレス度データおよび当該自覚ストレス度データに対応するストレス評価値データの組」は、詳細に述べれば、自覚ストレス度データと、当該自覚ストレス度データが入力されたタイミングに対応するストレス評価値データとの組であり、任意のタイミングに対応するストレス評価値データとは、当該任意のタイミングを含む所定の期間に測定された体動データから算出されたストレス評価値を指す。

【0074】

ステップＳ１２において、ストレス指数演算用パラメータ更新演算処理部２５は、自覚ストレス度データ記憶部４４およびストレス評価値データ記憶部４３に蓄積されている、自覚ストレス度データおよび当該自覚ストレス度データに対応するストレス評価値データの組（ステップＳ１０において記憶された自覚ストレス度データｓｅｌｆ＿ｄａｔａ［ｎ］とこれに対応するストレス評価値データＥ＿ｄａｔａ［ｎ］との組を含む）を取得する。続いて、ストレス指数演算用パラメータ更新演算処理部２５は、自覚ストレス度データと、当該自覚ストレス度データに対応するストレス評価値データとの間の対応関係を、取得した上記組について最小二乗法を用いて下記式（３）で線形近似することにより、ストレス指数演算用パラメータ（関係データ）α２およびβ２を算出する。

【0075】

ｓｅｌｆ＿ｄａｔａ＝α２×Ｅ＿ｄａｔａ＋β２・・・（３）
なお、本実施形態においては、最小二乗法を使用しているが、これに限定されず、回帰分析のための公知のアルゴリズムを使用することが可能である。

【0076】

図６（ａ）は、自覚ストレス度データを、当該自覚ストレス度データに対応するストレス評価値データに対してプロットした場合の一例を示す図であり、図６（ｂ）は、図６（ａ）に上記式（３）に示される回帰直線７１を加えた図である。

【0077】

なお、上記線形近似のために用いる自覚ストレス度データおよび当該自覚ストレス度データに対応するストレス評価値データの組は、自覚ストレス度データ記憶部４４およびストレス評価値データ記憶部４３に所定の期間内（例えば、直近の３箇月間）に蓄積されているものに限定することが好ましい。これにより、被験者の経年的な体質変化に対応した、ストレス指数演算用パラメータを得ることができる。なお、上記所定の期間は任意に設定することができる。

【0078】

続いて、ステップＳ１３において、ストレス指数演算用パラメータ更新演算処理部２５は、算出したストレス指数演算用パラメータα２およびβ２によって、ストレス指数演算用パラメータ記憶部４５に記憶されているストレス指数演算用パラメータα２およびβ２を更新する。すなわち、ストレス指数演算用パラメータ記憶部４５には、予め設定されているか、ストレス指数演算用パラメータ更新演算処理部２５によって更新されているストレス指数演算用パラメータが記憶されており、自覚ストレス度データが自覚ストレス度入力部１２に入力される毎に、当該ストレス指数演算用パラメータが更新される。予め設定されているストレス指数演算用パラメータとしては、例えば、あらかじめ測定した複数の被験者における平均値などを適宜用いることができる。

【0079】

ステップＳ１４では、ストレス指数演算処理部２６は、ストレス評価値データ記憶部４３から、ストレス評価値データＥ＿ｄａｔａ［ｎ］を取得し、ストレス指数演算用パラメータ記憶部４５から、最新のストレス指数演算用パラメータα２およびβ２を取得し、ストレス指数データ(ストレス状態推定結果データ）を算出する。なお、以下の説明では、ストレス指数演算処理部２６が算出したストレス指数データを、Ｒ＿ｄａｔａと表記することもある。また、体動データＭ＿ｄａｔａ［ｎ］の測定時に対応するストレス指数データをＲ＿ｄａｔａ［ｎ］と表記することもある。

【0080】

ストレス指数演算処理部２６は、ストレス指数データＲ＿ｄａｔａ［ｎ］を、下記の計算式（４）によって算出する。

【0081】

Ｒ＿ｄａｔａ［ｎ］＝α２×Ｅ＿ｄａｔａ［ｎ］＋β２・・・（４）
ストレス指数演算処理部２６は、算出したストレス指数データＲ＿ｄａｔａ［ｎ］を、ストレス指数データ記憶部４６に格納する（ステップＳ１５）。

【0082】

以上によって、ストレス評価部１１０による、ストレス指数を算出する処理は終了する（ステップＳ１６）。

【0083】

なお、以上では、自覚ストレス度データと、当該自覚ストレス度データに対応するストレス評価値データとの間の対応関係を算出するに当たり、直線回帰を用いている（一次式により近似している）が、曲線回帰を用いてもよい。すなわち、上記式（３）および式（４）に代えて、曲線を表す式を用い、ストレス指数演算用パラメータとして、当該曲線を表す式に含まれるパラメータを用いてもよい。

【0084】

ストレス指数出力部１３は、ＬＣＤ等の表示装置またはスピーカー等の音声出力装置を備え、ストレス評価部１１０が算出したストレス指数を、ストレス評価部１１０のストレス指数出力部２７を介して取得し、出力（表示、音声出力等）するものである。

【0085】

なお、ストレス指数評価装置１００において、データを格納させるための各種の記憶部は、例えば、フラッシュメモリ、ハードディスクなどのＲＡＭ（ランダムアクセスメモリ）によって実現することができるが、これらに限定されない。また、ストレス指数評価装置１００において、データに対して操作または処理をする各種の取得部、出力部、演算部、処理部などについては、例えば、それぞれ独立した回路によって実現することができるが、これに限定されず、例えば、コンピュータ等の演算処理回路によって実現される仮想回路であってもよい。また、これらの処理部はストレス指数評価装置１００内に備えられているが、これらの処理部はすべて同一装置内にある必要はなく、一部の処置部がほかの装置内にあり、複数の装置間でネットワークなどの情報伝達手段を用いてデータの受け渡しを行ってもよい。

【0086】

〔第２の実施形態〕
図７〜図８を参照して、本発明の一実施形態（第２の実施形態）に係るストレス指数評価装置（ストレス状態推定装置）２００について説明する。説明の便宜上、第１の実施形態と同じところについては説明を省略し、異なるところのみを説明する。

【0087】

図７は、ストレス指数評価装置２００の構成を示すブロック図面である。ストレス指数評価装置２００は、ストレス評価部１１０の代わりに、ストレス評価部２１０を備えている。

【0088】

ストレス評価部２１０は、ストレス評価部１１０と比較して、ストレス評価値演算処理部２３、およびストレス評価値データ記憶部４３、を備えていない。また、ストレス指数演算用パラメータ更新演算処理部２５、およびストレス指数演算用パラメータ記憶部４５の代わりに、学習パラメータ更新演算処理部（更新手段）２８、および学習パラメータ記憶部（記憶手段）４８を備えている。

【0089】

ストレス評価部２１０において、体動データ記憶部４０、活動状態判定データ記憶部４１、休息時間頻度累積確率データ記憶部４２、自覚ストレス度データ記憶部４４、学習パラメータ記憶部４８、およびストレス指数データ記憶部４６は、例えば、フラッシュメモリ、ハードディスクなどのＲＡＭ（ランダムアクセスメモリ）によって実現することができるが、これらに限定されない。

【0090】

また、ストレス評価部２１０において、体動データ取得部２０、活動状態判定演算処理部２１、休息時間頻度累積確率演算処理部２２、自覚ストレス度データ取得部２４、学習パラメータ更新演算処理部２８、ストレス指数演算処理部２６、ストレス指数出力部２７は、例えば、それぞれ独立した回路によって実現することができるが、これに限定されず、例えば、コンピュータ等の演算処理回路によって実現される仮想回路であってもよい。また、本発明においてこれらの処理部はストレス評価部２１０内に備えられているが、これらの処理部はすべて同一装置内にある必要はなく、一部の処置部がほかの装置内にあり、複数の装置間でネットワークなどの情報伝達手段を用いてデータの受け渡しを行ってもよい。

【0091】

ストレス評価部２１０によってストレス指数が算出される過程について、図８を用いて説明する。図８は、ストレス評価部２１０の処理過程を示すフローチャートである。

【0092】

体動データ測定部１１が体動データＭ＿ｄａｔａの測定を開始し、測定した体動データＭ＿ｄａｔａをストレス評価部２１０に送信する（ステップＳ０）。

【0093】

ストレス評価部１１０の体動データ取得部２０は、体動データ測定部１１から体動データＭ＿ｄａｔａを取得して（ステップＳ１）、体動データ記憶部４０に体動データＭ＿ｄａｔａを格納する（ステップＳ２）。

【0094】

以下では、一例として、ストレス評価部２１０が測定開始からｎ番目の体動データＭ＿ｄａｔａ［ｎ］測定時のストレス指数データＲ＿ｄａｔａ［ｎ］を算出するときの処理について説明する。なお、ストレス評価部２１０は、任意のタイミングにおいて、または連続的にストレス指数データを算出することができることはいうまでもない。

【0095】

活動状態判定演算処理部２１は、体動データ記憶部４０から体動データＭ＿ｄａｔａ［ｎ―Ｘ］〜Ｍ＿ｄａｔａ［ｎ＋Ｘ］を取得し、これらの体動データに基づき活動状態判定データＡ＿ｄａｔａ［ｎ―Ｘ］〜Ａ＿ｄａｔａ［ｎ＋Ｘ］を算出し（ステップＳ３）、活動状態判定データ記憶部４１に格納する（ステップＳ４）。なお、本実施形態でも、Ｘとして１８００を用いるが、これに限定されず、Ｘは整数であれば良い。

【0096】

本実施形態でも、活動状態判定閾値Ｍ＿ｔｈを０．１Ｇとし、活動状態にある時は活動状態判定データＡ＿ｄａｔａを１とし、休息状態にある時は活動状態判定データＡ＿ｄａｔａを０とする。

【0097】

休息時間頻度累積確率演算処理部２２、は、活動状態判定データ記憶部４１から活動状態判定データＡ＿ｄａｔａ［ｎ―Ｘ］〜Ａ＿ｄａｔａ［ｎ＋Ｘ］を取得し、これらの活動状態判定データに基づき、被験者の休息時間の頻度の累積確率（特徴量）を示す休息時間頻度累積確率データ（Ｐ（ｒｔ≧ｘ）、０＜ｘ≦Ｘ：中間データ）を算出して（ステップＳ５）、休息時間頻度累積確率データ記憶部４２に格納する（ステップＳ６）。

【0098】

自覚ストレス度データ取得部２４は、自覚ストレス度入力部１２から自覚ストレス度データｓｅｌｆ＿ｄａｔａ［ｎ］が入力されているかを確認する（ステップＳ７）。自覚ストレス度データｓｅｌｆ＿ｄａｔａ［ｎ］が入力されていれば、ステップＳ８に進み、ステップＳ８〜ステップＳ１１の処理を行う。自覚ストレス度データｓｅｌｆ＿ｄａｔａ［ｎ］が入力されていなければ、ステップＳ８〜ステップＳ１１の処理を行わずに、ステップＳ１２に進む。

【0099】

ステップＳ８において、自覚ストレス度データ取得部２４は、自覚ストレス度入力部１２から自覚ストレス度データｓｅｌｆ＿ｄａｔａ［ｎ］を取得する。ステップＳ９において、自覚ストレス度データ取得部２４は、取得した自覚ストレス度データｓｅｌｆ＿ｄａｔａ［ｎ］を自覚ストレス度データ記憶部４４に記憶する。

【0100】

ステップＳ１０において、ストレス評価部２１０は、休息時間頻度累積確率データを入力とし、自覚ストレス度データを教師とした機械学習を実施する。学習パラメータ更新演算処理部２８は、学習パラメータ記憶部４８から、機械学習器の内部状態を規定する重み係数等の学習パラメータ（関係データ）を取得する。そして、学習パラメータ更新演算処理部２８は、自覚ストレス度データ記憶部４４から取得した自覚ストレス度データｓｅｌｆ＿ｄａｔａ［ｎ］を教師として、休息時間頻度累積確率データ記憶部４２から取得した休息時間頻度累積確率データ（測定開始からｎ番目の体動データに対応するもの。より具体的には、当該体動データの測定時を含む所定の幅の期間内の体動データから算出されたもの）を入力とした機械学習を行う。

【0101】

本実施形態では、機械学習器として、バックプロパゲーションを用いた多層パーセプトロンを使用するが、これに限定されず、教師あり機械学習を実施する公知の機械学習器を用いることができる。

【0102】

学習パラメータ更新演算処理部２８は、機械学習の結果、更新された学習パラメータを学習パラメータ記憶部４８に格納する（ステップＳ１１）。

【0103】

ステップＳ１２において、ストレス指数演算処理部２６は、学習パラメータ記憶部４８から最新の学習パラメータを取得し、ステップＳ１０において説明したものと同じ機械学習器を用いて、ストレス指数データＲ＿ｄａｔａ［ｎ］を算出する。すなわち、ストレス指数演算処理部２６は、上記機械学習器に休息時間頻度累積確率データ記憶部４２から取得した休息時間頻度累積確率データを入力して得られた出力をストレス指数データＲ＿ｄａｔａ［ｎ］とする。

【0104】

ストレス指数演算処理部２６は、算出されたストレス指数データＲ＿ｄａｔａ［ｎ］を、ストレス指数データ記憶部４６に格納する（ステップＳ１３）。

【0105】

以上によって、ストレス評価部２１０による、ストレス指数を算出する処理は終了する（ステップＳ１４）。

【0106】

〔第３の実施形態〕
図９〜図１０を参照して、本発明の一実施形態（第３の実施形態）に係るストレス指数評価装置（ストレス状態推定装置）３００について説明する。説明の便宜上、第１〜２の実施形態と同じところについては説明を省略し、異なるところのみを説明する。

【0107】

図９は、ストレス指数評価装置３００の構成を示すブロック図面である。ストレス指数評価装置３００は、ストレス評価部１１０の代わりに、ストレス評価部３１０を備えている。

【0108】

図３に示すように、ストレス評価部３１０は、体動データ取得部２０、統計量演算処理部（算出手段）２９、自覚ストレス度データ取得部２４、学習パラメータ更新演算処理部（更新手段）２８、ストレス指数演算処理部（推定手段）２６、ストレス指数出力部２７、体動データ記憶部４０、統計量データ記憶部４７、自覚ストレス度データ記憶部４４、学習パラメータ記憶部（記憶手段）４８、およびストレス指数データ記憶部４６を備えている。

【0109】

ストレス評価部３１０において、体動データ記憶部４０、統計量データ記憶部４９、自覚ストレス度データ記憶部４４、学習パラメータ記憶部４８、ストレス指数データ記憶部４６は、例えば、フラッシュメモリ、ハードディスクなどのＲＡＭ（ランダムアクセスメモリ）によって実現することができるが、これらに限定されない。

【0110】

また、ストレス評価部３１０において、体動データ取得部２０、統計量演算処理部２９、自覚ストレス度データ取得部２４、学習パラメータ更新演算処理部２８、ストレス指数演算処理部２６、ストレス指数出力部２７は、例えば、それぞれ独立した回路によって実現することができるが、これに限定されず、例えば、コンピュータ等の演算処理回路によって実現される仮想回路であってもよい。また、本発明においてこれらの処理部はストレス評価部３１０内に備えられているが、これらの処理部はすべて同一装置内にある必要はなく、一部の処置部がほかの装置内にあり、複数の装置間でネットワークなどの情報伝達手段を用いてデータの受け渡しを行ってもよい。

【0111】

ストレス評価部３１０によってストレス指数が算出される過程について、図１０を用いて説明する。図１０は、ストレス評価部３１０の処理過程を示すフローチャートである。

【0112】

体動データ測定部１１が体動データＭ＿ｄａｔａの測定を開始し、測定した体動データＭ＿ｄａｔａをストレス評価部３１０に送信する（ステップＳ０）。

【0113】

ストレス評価部３１０の体動データ取得部２０は、体動データ測定部１１から体動データＭ＿ｄａｔａを取得して（ステップＳ１）、体動データ記憶部４０に体動データを格納する（ステップＳ２）。

【0114】

以下では、一例として、ストレス評価部３１０が測定開始からｎ番目の体動データＭ＿ｄａｔａ［ｎ］測定時のストレス指数データＲ＿ｄａｔａ［ｎ］を算出するときの処理について説明する。なお、ストレス評価部３１０は、任意のタイミングにおいて、または連続的にストレス指数データを算出することができることはいうまでもない。

【0115】

統計量演算処理部２９は、体動データ記憶部４０から体動データＭ＿ｄａｔａ［ｎ―Ｘ］〜Ｍ＿ｄａｔａ［ｎ＋Ｘ］を取得し、これらの体動データから統計量（特徴量）を演算処理して統計量データ（中間データ）を算出する（ステップＳ３）。本実施形態でも、Ｘとして１８００を用いるが、これに限定されず、Ｘは整数であれば良い。

【0116】

本実施形態では、統計量として体動データＭ＿ｄａｔａの平均値、標準偏差、歪度、尖度について演算処理しているが、これに限られず、上記のうち二つ以上を演算処理すればよい。また、標準偏差の代わりに、分散を用いることも可能である。

【0117】

統計量演算処理部２９は、算出された各種統計量データを、統計量データ記憶部４９に格納する（ステップＳ４）。

【0118】

自覚ストレス度データ取得部２４は、自覚ストレス度入力部１２から自覚ストレス度データｓｅｌｆ＿ｄａｔａ［ｎ］が入力されているかを確認する（ステップＳ５）。自覚ストレス度データｓｅｌｆ＿ｄａｔａ［ｎ］が入力されていれば、ステップＳ６に進み、ステップＳ６〜ステップＳ９の処理を行う。自覚ストレス度データｓｅｌｆ＿ｄａｔａ［ｎ］が入力されていなければ、ステップＳ６〜ステップＳ９の処理を行わずに、ステップＳ１０に進む。

【0119】

ステップＳ６において、自覚ストレス度データ取得部２４は、自覚ストレス度入力部１２から自覚ストレス度データｓｅｌｆ＿ｄａｔａ［ｎ］を取得する。ステップＳ７において、自覚ストレス度データ取得部２４は、取得した自覚ストレス度データｓｅｌｆ＿ｄａｔａ［ｎ］を自覚ストレス度データ記憶部４４に記憶する。

【0120】

ステップＳ８において、ストレス評価部３１０は、統計量データを入力とし、自覚ストレス度データを教師とした機械学習を実施する。学習パラメータ更新演算処理部２８は、学習パラメータ記憶部４８から、機械学習器の内部状態を規定する重み係数等の学習パラメータ（関係データ）を取得する。そして、学習パラメータ更新演算処理部２８は、自覚ストレス度データ記憶部４４から取得した自覚ストレス度データｓｅｌｆ＿ｄａｔａ［ｎ］を教師として、統計量データ記憶部４９から取得した統計量データ（測定開始からｎ番目の体動データに対応するもの。より具体的には、当該体動データの測定時を含む所定の幅の期間内の体動データから算出されたもの）を入力とした機械学習を行う。

【0121】

本実施形態でも、機械学習器として、バックプロパゲーションを用いた多層パーセプトロンを使用するが、これに限定されず、教師あり機械学習を実施する公知の機械学習器を用いることができる。

【0122】

学習パラメータ更新演算処理部２８は、機械学習の結果、更新された学習パラメータを学習パラメータ記憶部４８に格納する（ステップＳ９）。

【0123】

ステップＳ１０において、ストレス指数演算処理部２６は、学習パラメータ記憶部４８から最新の学習パラメータを取得し、ステップＳ８において説明したものと同じ機械学習器を用いて、ストレス指数データＲ＿ｄａｔａ［ｎ］を算出する。すなわち、ストレス指数演算処理部２６は、上記機械学習器に統計量データ記憶部４９から取得した統計量データを入力して得られた出力をストレス指数データＲ＿ｄａｔａ［ｎ］とする。

【0124】

ストレス指数演算処理部２６は、算出されたストレス指数データＲ＿ｄａｔａ［２ｎ］を、ストレス指数データ記憶部４６に格納する（ステップＳ１１）。

【0125】

以上によって、ストレス評価部３１０による、ストレス指数を算出する処理は終了する（ステップＳ１２）。

【0126】

〔第４の実施形態〕
図１１〜図１２を参照して、本発明の一実施形態（第４の実施形態）に係るストレス指数評価装置（ストレス状態推定装置）４００について説明する。説明の便宜上、第１〜３の実施形態と同じところについては説明を省略し、異なるところのみを説明する。

【0127】

図１１は、ストレス指数評価装置４００の構成を示すブロック図面である。ストレス指数評価装置４００は、第１の実施形態に係るストレス指数評価装置１００に対して。ストレス評価部１１０の代わりに、ストレス評価部４１０を備えている。ストレス評価部４１０は、ストレス評価部１１０の部材をすべて備え、さらにトレンド除去演算処理部（トレンド除去手段）３０、およびトレンド除去データ記憶部５０を備えている。

【0128】

ストレス評価部４１０によってストレス指数が算出される過程について、図１２を用いて説明する。図１２は、ストレス評価部４１０の処理過程を示すフローチャートである。

【0129】

体動データ測定部１１が体動データＭ＿ｄａｔａの測定を開始し、測定した体動データＭ＿ｄａｔａをストレス評価部４１０に送信する（ステップＳ０）。

【0130】

ストレス評価部４１０の体動データ取得部２０は、体動データ測定部１１から体動データＭ＿ｄａｔａを取得して（ステップＳ１）、体動データ記憶部４０に体動データを格納する（ステップＳ２）。

【0131】

以下では、一例として、ストレス評価部４１０が測定開始からｎ番目の体動データＭ＿ｄａｔａ［ｎ］測定時のストレス指数データＲ＿ｄａｔａ［ｎ］を算出するときの処理について説明する。なお、ストレス評価部４１０は、任意のタイミングにおいて、または連続的にストレス指数データを算出することができることはいうまでもない。

【0132】

トレンド除去演算処理部３０は、体動データ記憶部４０から体動データＭ＿ｄａｔａ［ｎ―Ｘ］〜Ｍ＿ｄａｔａ［ｎ＋Ｘ］を取得して、トレンド除去処理を行い、トレンド除去後体動データを算出する（ステップＳ３）。これは、例えば被験者が体動データの測定を行っている間に、運動または作業を行っていた場合、運動または作業による体動が外乱となってしまい、ストレス評価が正しく行われない可能性があるからである。トレンド除去処理をすることによって、この影響を回避することができる。なお、本実施形態でも、Ｘとして１８００を用いるが、これに限定されず、Ｘは整数であれば良い。

【0133】

本実施形態において、トレンド除去演算処理部３０は、フーリエ変換を行い、２Ｈｚ以下の周波数をカットすることで、トレンド除去処理を行っている。トレンド除去処理は、胎動データの巨視的なトレンドを減少させるものであればよく、使用する方法は限定されない。例えば、フーリエ変換、離散コサイン変換などの直交変換を行い、体動データの周波数の低い領域をカットする、またはゲインを下げることで、トレンド除去処理をすることが可能である。また、例えば体動データの回帰直線または回帰曲線を求め、体動データから当該回帰直線または回帰曲線に示される値を減ずることで、トレンド除去処理を行うことも可能である。この場合において、上記回帰直線または回帰曲線を求める手法は限定されず、例えば、最小二乗法を使用して、特定の次数を有する関数にフィッテイングするばよい。また、上記回帰直線または回帰曲線は、小区間に区切り、区間ごとに求めてもよい。

【0134】

トレンド除去演算処理部３０は、算出されたトレンド除去体動データを、トレンド除去データ記憶部５０に格納する（ステップＳ４）。

【0135】

活動状態判定演算処理部２１は、トレンド除去データ記憶部５０から、トレンド除去体動データを取得して、当該トレンド除去体動データから活動状態判定データを作成する（ステップＳ５）。

【0136】

ステップＳ５〜ステップＳ１８の処理は、体動データに代えてトレンド除去体動データを使用すること以外は、第１の実施形態におけるステップＳ３〜ステップＳ１６と同じであるため、ここでは説明を省略する。

【0137】

ストレス評価部４１０は、体動データの代替として、トレンド除去体動データを使用するため、ストレス指数をより正確に算出することができる。

【0138】

〔第５の実施形態〕
図１３〜図１４を参照して、本発明の一実施形態（第５の実施形態）に係るストレス指数評価装置（ストレス状態推定装置）５００について説明する。説明の便宜上、第１〜４の実施形態と同じところについては説明を省略し、異なるところのみを説明する。

【0139】

図１３は、ストレス指数評価装置５００の構成を示すブロック図面である。ストレス指数評価装置５００は、第２の実施形態に係るストレス指数評価装置２００に対して、ストレス評価部２１０の代わりに、ストレス評価部５１０を備えている。ストレス評価部５１０は、ストレス評価部２１０の部材をすべて備え、さらにトレンド除去演算処理部（トレンド除去手段）３０、およびトレンド除去データ記憶部５０を備えている。

【0140】

ストレス評価部５１０によってストレス指数が算出される過程について、図１４を用いて説明する。図１４は、ストレス評価部５１０の処理過程を示すフローチャートである。

【0141】

体動データ測定部１１が体動データＭ＿ｄａｔａの測定を開始し、測定した体動データＭ＿ｄａｔａをストレス評価部５１０に送信する（ステップＳ０）。

【0142】

ストレス評価部５１０の体動データ取得部２０は、体動データ測定部１１から体動データＭ＿ｄａｔａを取得して（ステップＳ１）、体動データ記憶部４０に体動データＭ＿ｄａｔａを格納する（ステップＳ２）。

【0143】

以下では、一例として、ストレス評価部５１０が測定開始からｎ番目の体動データＭ＿ｄａｔａ［ｎ］測定時のストレス指数データＲ＿ｄａｔａ［ｎ］を算出するときの処理について説明する。なお、ストレス評価部５１０は、任意のタイミングにおいて、または連続的にストレス指数データを算出することができることはいうまでもない。

【0144】

トレンド除去演算処理部３０は、体動データ記憶部４０から体動データＭ＿ｄａｔａ［ｎ―Ｘ］〜Ｍ＿ｄａｔａ［ｎ＋Ｘ］を取得して、トレンド除去処理を行い、トレンド除去後体動データを算出する（ステップＳ３）。トレンド除去演算処理部３０は、算出されたトレンド除去体動データを、トレンド除去データ記憶部５０に格納する（ステップＳ４）。なお、本実施形態でも、Ｘとして１８００を用いるが、これに限定されず、Ｘは整数であれば良い。

【0145】

活動状態判定演算処理部２１は、トレンド除去データ記憶部５０から、トレンド除去体動データを取得して、当該トレンド除去体動データから活動状態判定データを作成する（ステップＳ５）。

【0146】

ステップＳ５〜ステップＳ１７の処理は、体動データに代えてトレンド除去体動データを使用すること以外は、第２の実施形態におけるステップＳ３〜ステップＳ１４と同じであるため、ここでは説明を省略する。

【0147】

ストレス評価部５１０は、体動データの代替として、トレンド除去体動データを使用するため、ストレス指数をより正確に算出することができる。

【0148】

〔第６の実施形態〕
図１５〜図１６を参照して、本発明の一実施形態（第６の実施形態）に係るストレス指数評価装置（ストレス状態推定装置）５００について説明する。説明の便宜上、第１〜５の実施形態と同じところについては説明を省略し、異なるところのみを説明する。

【0149】

図１５は、ストレス指数評価装置６００の構成を示すブロック図面である。ストレス指数評価装置６００は、第３の実施形態に係るストレス指数評価装置３００に対して、ストレス評価部３１０の代わりに、ストレス評価部６１０を備えている。ストレス評価部６１０は、ストレス評価部３１０の部材をすべて備え、さらにトレンド除去演算処理部（トレンド除去手段）３０、およびトレンド除去データ記憶部５０を備えている。

【0150】

ストレス評価部６１０によってストレス指数が算出される過程について、図１６を用いて説明する。図１６は、ストレス評価部６１０の処理過程を示すフローチャートである。

【0151】

体動データ測定部１１が体動データＭ＿ｄａｔａの測定を開始し、測定した体動データＭ＿ｄａｔａをストレス評価部６１０に送信する（ステップＳ０）。

【0152】

ストレス評価部６１０の体動データ取得部２０は、体動データ測定部１１から体動データＭ＿ｄａｔａを取得して（ステップＳ１）、体動データ記憶部４０に体動データＭ＿ｄａｔａを格納する（ステップＳ２）。

【0153】

以下では、一例として、ストレス評価部６１０が測定開始からｎ番目の体動データＭ＿ｄａｔａ［ｎ］測定時のストレス指数データＲ＿ｄａｔａ［ｎ］を算出するときの処理について説明する。なお、ストレス評価部６１０は、任意のタイミングにおいて、または連続的にストレス指数データを算出することができることはいうまでもない。

【0154】

トレンド除去演算処理部３０は、体動データ記憶部４０から体動データＭ＿ｄａｔａ［ｎ―Ｘ］〜Ｍ＿ｄａｔａ［ｎ＋Ｘ］を取得して、トレンド除去処理を行い、トレンド除去後体動データを算出する（ステップＳ３）。トレンド除去演算処理部３０は、算出されたトレンド除去体動データを、トレンド除去データ記憶部５０に格納する（ステップＳ４）。なお、本実施形態でも、Ｘとして１８００を用いるが、これに限定されず、Ｘは整数であれば良い。

【0155】

統計量演算処理部２９は、トレンド除去データ記憶部５０から、トレンド除去体動データを取得して、当該トレンド除去体動データから統計量データ（中間データ）を作成する（ステップＳ５）。

【0156】

ステップＳ５〜ステップＳ１４の処理は、体動データに代えてトレンド除去体動データを使用すること以外は、第３の実施形態におけるステップＳ３〜ステップＳ１２と同じであるため、ここでは説明を省略する。

【0157】

ストレス評価部６１０は、体動データの代替として、トレンド除去体動データを使用するため、ストレス指数をより正確に算出することができる。

【0158】

〔第７の実施形態〕
図１７〜図１８を参照して、本発明の一実施形態（第７の実施形態）に係るストレス指数評価装置（ストレス状態推定装置）７００について説明する。説明の便宜上、第１〜６の実施形態と同じところについては説明を省略し、異なるところのみを説明する。

【0159】

図１７は、ストレス指数評価装置７００の構成を示すブロック図面である。ストレス指数評価装置７００は、第６の実施形態に係るストレス指数評価装置６００に対し、ストレス評価部６１０の代わりに、ストレス評価部７１０を備えている。ストレス評価部７１０は、統計量演算処理部２９の代わりとして、第一種統計量演算処理部（算出手段）３１、および第二種統計量演算処理部（算出手段）３２を備えている。

【0160】

ストレス評価部７１０によってストレス指数が算出される過程について、図１８を用いて説明する。図１８は、ストレス評価部７１０の処理過程を示すフローチャートである。

【0161】

体動データ測定部１１が体動データＭ＿ｄａｔａの測定を開始し、測定した体動データＭ＿ｄａｔａをストレス評価部７１０に送信する（ステップＳ０）。

【0162】

ストレス評価部７１０の体動データ取得部２０は、体動データ測定部１１から体動データＭ＿ｄａｔａを取得して（ステップＳ１）、体動データ記憶部４０に体動データＭ＿ｄａｔａを格納する（ステップＳ２）。

【0163】

以下では、一例として、ストレス評価部７１０が測定開始からｎ番目の体動データＭ＿ｄａｔａ［ｎ］測定時のストレス指数データＲ＿ｄａｔａ［ｎ］を算出するときの処理について説明する。なお、ストレス評価部７１０は、任意のタイミングにおいて、または連続的にストレス指数データを算出することができることはいうまでもない。

【0164】

トレンド除去演算処理部３０は、体動データ記憶部４０から体動データＭ＿ｄａｔａ［ｎ―Ｘ］〜Ｍ＿ｄａｔａ［ｎ＋Ｘ］を取得して、トレンド除去処理を行い、トレンド除去後体動データを算出する（ステップＳ３）。トレンド除去演算処理部３０は、算出されたトレンド除去体動データを、トレンド除去データ記憶部５０に格納する（ステップＳ４）。なお、本実施形態でも、Ｘとして１８００を用いるが、これに限定されず、Ｘは整数であれば良い。

【0165】

第一種統計量演算処理部３１は、体動データ記憶部４０から、体動データを取得して、第一の統計量データ（中間データ）を作成する（ステップＳ５）。第一種統計量演算処理部３１は、算出された第一の統計量データを、統計量データ記憶部４９に格納する（ステップＳ６）。

【0166】

第二種統計量演算処理部３２は、トレンド除去データ記憶部５０から、トレンド除去体動データを取得して、第二の統計量データ（中間データ）を作成する（ステップＳ７）。第二種統計量演算処理部３２は、算出された第二の統計量データを、統計量データ記憶部４９に格納する（ステップＳ８）。

【0167】

第一種統計量演算処理部３１で算出される統計量（特徴量）、および第二種統計量演算処理部３２で算出される統計量（特徴量）は、それぞれ、体動データの平均値、標準偏差（または分散）、歪度、尖度のうちの一つ以上である。統計量の種別に応じて第一種統計量演算処理部３１および第二種統計量演算処理部３２のどちらかで処理するか選択することによって、統計量のもつ性質、または被験者の仕事内容などから動きの特徴に合わせて、トレンド除去の有無を柔軟に設定することができる。

【0168】

ステップＳ９〜ステップＳ１６の処理は、第６の実施形態におけるステップＳ７〜ステップＳ１４と同じであるため、ここでは説明を省略する。

【0169】

ストレス評価部７１０は、統計量の計算において体動データおよびトレンド除去体動データのどちらを使用するか、統計量ごとに選択することによって、より正確にストレス指数を算出することができる。

【0170】

（プログラムおよび記録媒体）
最後に、ストレス指数評価装置のストレス評価部の各ブロックは、集積回路（ＩＣチップ）上に形成された論理回路によってハードウェア的に実現してもよいし、ＣＰＵ（Central Processing Unit）を用いてソフトウェア的に実現してもよい。

【0171】

後者の場合、ストレス評価部は、各機能を実現するプログラムの命令を実行するＣＰＵ、上記プログラムを格納したＲＯＭ（Read Only Memory）、上記プログラムを展開するＲＡＭ（Random Access Memory）、上記プログラムおよび各種データを格納するメモリ等の記憶装置（記録媒体）などを備えている。そして、本発明の目的は、上述した機能を実現するソフトウェアであるストレス指数評価装置の制御プログラムのプログラムコード（実行形式プログラム、中間コードプログラム、ソースプログラム）をコンピュータで読み取り可能に記録した記録媒体を、ストレス指数評価装置に供給し、そのコンピュータ（またはＣＰＵやＭＰＵ）が記録媒体に記録されているプログラムコードを読み出し実行することによっても、達成可能である。

【0172】

上記記録媒体としては、例えば、磁気テープやカセットテープ等のテープ類、フロッピー（登録商標）ディスク／ハードディスク等の磁気ディスクやＣＤ−ＲＯＭ／ＭＯ／ＭＤ／ＤＶＤ／ＣＤ−Ｒ等の光ディスクを含むディスク類、ＩＣカード（メモリカードを含む）／光カード等のカード類、マスクＲＯＭ／ＥＰＲＯＭ／ＥＥＰＲＯＭ／フラッシュＲＯＭ等の半導体メモリ類、あるいはＰＬＤ（Programmable logic device）やＦＰＧＡ（Field Programmable Gate Array）等の論理回路類などを用いることができる。

【0173】

また、ストレス指数評価装置を通信ネットワークと接続可能に構成し、上記プログラムコードを通信ネットワークを介して供給してもよい。この通信ネットワークは、プログラムコードを伝送可能であればよく、特に限定されない。例えば、インターネット、イントラネット、エキストラネット、ＬＡＮ、ＩＳＤＮ、ＶＡＮ、ＣＡＴＶ通信網、仮想専用網（Virtual Private Network）、電話回線網、移動体通信網、衛星通信網等が利用可能である。また、この通信ネットワークを構成する伝送媒体も、プログラムコードを伝送可能な媒体であればよく、特定の構成または種類のものに限定されない。例えば、ＩＥＥＥ１３９４、ＵＳＢ、電力線搬送、ケーブルＴＶ回線、電話線、ＡＤＳＬ（Asymmetric Digital Subscriber Line）回線等の有線でも、ＩｒＤＡやリモコンのような赤外線、Ｂｌｕｅｔｏｏｔｈ（登録商標）、ＩＥＥＥ８０２．１１無線、ＨＤＲ（High Data Rate）、ＮＦＣ（Near Field Communication）、ＤＬＮＡ（Digital Living Network Alliance）、携帯電話網、衛星回線、地上波デジタル網等の無線でも利用可能である。

【0174】

本発明は上述した各実施形態に限定されるものではなく、請求項に示した範囲で種々の変更が可能であり、異なる実施形態にそれぞれ開示された技術的手段を適宜組み合わせて得られる実施形態についても本発明の技術的範囲に含まれる。

【産業上の利用可能性】

【0175】

本発明は、医療機器、健康器具等の製造分野において利用可能である。

【符号の説明】

【0176】

１１ 体動データ測定部（測定手段）
１２ 自覚ストレス度入力部（入力手段）
１３ ストレス指数出力部
２０ 体動データ取得部
２１ 活動状態判定演算処理部（算出手段）
２２ 休息時間頻度累積確率演算処理部（算出手段）
２３ ストレス評価値演算処理部（算出手段）
２４ 自覚ストレス度データ取得部
２５ ストレス指数演算用パラメータ更新演算処理部（更新手段）
２６ ストレス指数演算処理部（推定手段）
２７ ストレス指数出力部
２８ 学習パラメータ更新演算処理部（更新手段）
２９ 統計量演算処理部（算出手段）
３０ トレンド除去演算処理部（トレンド除去手段）
３１ 第一種統計量演算処理部（算出手段）
３２ 第二種統計量演算処理部（算出手段）
４０ 体動データ記憶部
４１ 活動状態判定データ記憶部
４２ 休息時間頻度累積確率データ記憶部
４３ ストレス評価値データ記憶部（蓄積手段）
４４ 自覚ストレス度データ記憶部（蓄積手段）
４５ ストレス指数演算用パラメータ記憶部（記憶手段）
４６ ストレス指数データ記憶部
４８ 学習パラメータ記憶部（記憶手段）
４９ 統計量データ記憶部
５０ トレンド除去データ記憶部
１００、２００、３００、４００、５００、６００、７００ ストレス指数評価装置（ストレス状態推定装置）
１１０、２１０、３１０、４１０、５１０、６１０、７１０ ストレス評価部

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】

【図14】

【図15】

【図16】

【図17】

【図18】