特開 2022-184311 深部体温推定装置および方法並びにプログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2022184311

(43)【公開日】2022-12-13

(54)【発明の名称】深部体温推定装置および方法並びにプログラム

(51)【国際特許分類】

   A61B 5/01 20060101AFI20221206BHJP

【ＦＩ】

A61B5/01

【審査請求】未請求

【請求項の数】12

【出願形態】ＯＬ

(21)【出願番号】P 2021092082

(22)【出願日】2021-06-01

(71)【出願人】

【識別番号】506087705

【氏名又は名称】学校法人産業医科大学

(74)【代理人】

【識別番号】100128451

【弁理士】

【氏名又は名称】安田 隆一

(72)【発明者】

【氏名】八谷 百合子

(72)【発明者】

【氏名】丸山 崇

【テーマコード（参考）】

4C117

【Ｆターム（参考）】

4C117XB01

4C117XB02

4C117XB12

4C117XC11

4C117XD16

4C117XD22

4C117XD27

4C117XE03

4C117XE13

4C117XE14

4C117XE15

4C117XE17

4C117XE23

4C117XE26

4C117XE29

4C117XE36

4C117XE38

4C117XE48

4C117XF01

4C117XF03

4C117XF26

4C117XG01

4C117XG03

4C117XG05

4C117XH16

4C117XJ13

4C117XJ46

4C117XJ48

4C117XL01

4C117XM01

4C117XM03

4C117XM04

(57)【要約】

【課題】簡易な手法および構成により、深部体温を高精度に推定する深部体温推定装置および方法並びにプログラムを提供する。
【解決手段】被測定者の運動負荷に関する情報、皮膚表面温度に関する情報および心拍数に関する情報の時系列データの入力を受け付ける入力受付部１０と、被験者の運動負荷に関する情報、皮膚表面温度に関する情報および心拍数に関する情報の時系列データを入力情報とし、所定の被験者の直腸温の時系列の実測値を出力情報として機械学習して構築された学習モデルに対して、被測定者の上述した時系列データを入力して被測定者の深部体温を推定する推定部１１と、推定された被測定者の深部体温を出力する出力部１２とを備える。
【選択図】図１

【特許請求の範囲】

【請求項1】

深部体温の測定対象である被測定者の運動負荷に関する情報、皮膚表面温度に関する情報および心拍数に関する情報の時系列データの入力を受け付ける入力受付部と、
所定の被験者の運動負荷に関する情報、皮膚表面温度に関する情報および心拍数に関する情報の時系列データを入力情報とし、所定の被験者の直腸温の時系列の実測値を出力情報として機械学習して構築された学習モデルに対して、前記入力受付部によって受け付けられた被測定者の運動負荷に関する情報、皮膚表面温度に関する情報および心拍数に関する情報の時系列データを入力することによって被測定者の深部体温を推定する推定部と、
前記推定部によって推定された被測定者の深部体温を出力する出力部とを備えた深部体温推定装置。

【請求項2】

前記入力情報が、前記被験者の年齢に関する情報をさらに含み、
前記入力受付部が、前記被測定者の年齢に関する情報をさらに受け付け、
前記推定部が、前記学習モデルに対して、前記被測定者の年齢に関する情報をさらに入力することによって、前記被測定者の深部体温を推定する請求項１記載の深部体温推定装置。

【請求項3】

前記入力情報が、前記被験者の身長および体重に関する情報をさらに含み、
前記入力受付部が、前記被測定者の身長および体重に関する情報をさらに受け付け、
前記推定部が、前記学習モデルに対して、前記被測定者の身長および体重に関する情報をさらに入力することによって、前記被測定者の深部体温を推定する請求項１または２記載の深部体温推定装置。

【請求項4】

前記入力情報が、前記被験者の測定環境条件に関する情報をさらに含み、
前記入力受付部が、前記被測定者の測定環境条件に関する情報をさらに受け付け、

前記推定部が、前記学習モデルに対して、前記被測定者の測定環境条件に関する情報をさらに入力することによって、前記被測定者の深部体温を推定する請求項１から３いずれか１項記載の深部体温推定装置。

【請求項5】

前記入力情報が、前記被験者の性別に関する情報をさらに含み、
前記入力受付部が、前記被測定者の性別に関する情報をさらに受け付け、
前記推定部が、前記学習モデルに対して、前記被測定者の性別に関する情報をさらに入力することによって、前記被測定者の深部体温を推定する請求項１から４いずれか１項記載の深部体温推定装置。

【請求項6】

前記被測定者の運動負荷に関する情報を検出する運動負荷情報検出部を備えた請求項１から５いずれか１項記載の深部体温推定装置。

【請求項7】

前記被測定者の皮膚表面温度に関する情報を検出する皮膚表面温度検出部を備えた請求項１から６いずれか１項記載の深部体温推定装置。

【請求項8】

前記被測定者の心拍数に関する情報を検出する心拍情報検出部を備えた請求項１から７いずれか１項記載の深部体温推定装置。

【請求項9】

前記推定部が、ＲＮＮ（Recurrent Neural Network）を用いて学習モデルを構築する請求項１から８いずれか１項記載の深部体温推定装置。

【請求項10】

前記ＲＮＮが、ＬＳＴＭ（Long Short Term Memory）である請求項９記載の深部体温推定装置。

【請求項11】

深部体温の測定対象である被測定者の運動負荷に関する情報、皮膚表面温度に関する情報および心拍数に関する情報の時系列データの入力を受け付け、
所定の被験者の運動負荷に関する情報、皮膚表面温度に関する情報および心拍数に関する情報の時系列データを入力情報とし、所定の被験者の直腸温の時系列の実測値を出力情報として機械学習して構築された学習モデルに対して、前記受け付けた被測定者の運動負荷に関する情報、皮膚表面温度に関する情報および心拍数に関する情報の時系列データを入力することによって被測定者の深部体温を推定し、
該推定した被測定者の深部体温を出力する深部体温推定方法。

【請求項12】

深部体温の測定対象である被測定者の運動負荷に関する情報、皮膚表面温度に関する情報および心拍数に関する情報の時系列データの入力を受け付けるステップと、
所定の被験者の運動負荷に関する情報、皮膚表面温度に関する情報および心拍数に関する情報の時系列データを入力情報とし、所定の被験者の直腸温の時系列の実測値を出力情報として機械学習して構築された学習モデルに対して、前記受け付けた被測定者の運動負荷に関する情報、皮膚表面温度に関する情報および心拍数に関する情報の時系列データを入力することによって被測定者の深部体温を推定するステップと、
該推定した被測定者の深部体温を出力するステップとをコンピュータに実行させる深部体温推定プログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、被測定者の深部体温を推定する深部体温推定装置および方法並びにプログラムに関するものである。

【背景技術】

【0002】

熱中症は、体内の水分が不足して発症する熱失神や熱痙攣、ミネラル（塩分など）が不足して発症する熱疲労、また深部体温が上昇して発症する熱射病に分類され、中でも熱射病は深部体温が４０℃以上となり、意識障害や発汗停止の症状を呈し、重症化しやすく腎不全などの後遺症を残したり、死亡するリスクも高いため緊急対応が必要となる。そのため熱射病の予防は特に重要と考えられている。

【0003】

熱射病の発症を予測するためには指標である深部体温の測定が必要であるが、深部体温は、食道内部や直腸内部の温度を測定して求めることができる。そこで、深部体温は、特殊な温度センサを食道内部や直腸内部へ挿入して測定することができるが、被験者にとり不快感が大きく、また簡便に測定できないデメリットがあった。

【0004】

そこで、たとえば非特許文献１においては、特殊なセンサを用いて前額部、胸部など体表から計測部直下の組織温を連続的に計測できる深部体温計が提案されている。また、非特許文献２においては、温度センサを２箇所に配置することで、２点間の熱流束を計測し、双熱流法の原理に基づき深部体温を推定するウェアラブル深部体温計が提案されている。

【0005】

また、特許文献１においては、被測定者の熱画像を撮影し、その熱画像に基づいて、深部体温を推定する方法が提案されている。

【0006】

また、特許文献２においては、作業者が用いるヘルメットに、温度センサを備えた深部体温プローブを設けることによって作業者の深部体温を計測する方法が提案されている。

【0007】

また、特許文献３においては、被測定者の深部体温を非侵襲で求める深部体温計が提案されている。

【0008】

また、特許文献４においては、生体温熱モデルを用いて、センサでの測定に基づいて取得された深部での熱産生から、体内の熱移動および体外との熱交換を熱収支計算式で繰り返し計算することによって、運動中における深部体温を推定する方法が提案されている。

【先行技術文献】

【特許文献】

【0009】

【特許文献1】特開２０１８－１８３５６４号公報

【特許文献2】特開２０１８－１３４１３７号公報

【特許文献3】特開２０１８－１３３９５号公報

【特許文献4】特開２０１７－２１７２２４号公報

【非特許文献】

【0010】

【非特許文献1】ＢＭＥ Ｖｏｌ.２, Ｎｏ.３，１９８８

【非特許文献2】安衛研ニュース Ｎｏ.１１９ （２０１８－１０－０５）

【発明の概要】

【発明が解決しようとする課題】

【0011】

しかしながら、非特許文献１～非特許文献２および特許文献１～特許文献４に記載の方法では、特殊なセンサが必要であったり、被測定者の情報を多点で計測する必要があり、コストアップや装置の大型化を招いたり、測定作業が煩雑になる問題などがあった。

【0012】

本発明は、上記事情に鑑み、簡易な手法および構成により、深部体温を高精度に推定することができる深部体温推定装置および方法並びにプログラムを提供することを目的とする。

【課題を解決するための手段】

【0013】

本発明の深部体温推定装置は、深部体温の測定対象である被測定者の運動負荷に関する情報、皮膚表面温度に関する情報および心拍数に関する情報の時系列データの入力を受け付ける入力受付部と、所定の被験者の運動負荷に関する情報、皮膚表面温度に関する情報および心拍数に関する情報の時系列データを入力情報とし、所定の被験者の直腸温の時系列の実測値を出力情報として機械学習して構築された学習モデルに対して、入力受付部によって受け付けられた被測定者の運動負荷に関する情報、皮膚表面温度に関する情報および心拍数に関する情報の時系列データを入力することによって被測定者の深部体温を推定する推定部と、推定部によって推定された被測定者の深部体温を出力する出力部とを備える。

【0014】

また、本発明の深部体温推定装置においては、上記入力情報として、被験者の年齢に関する情報をさらに含めることができ、入力受付部は、被測定者の年齢に関する情報をさらに受け付けることができ、推定部は、学習モデルに対して、被測定者の年齢に関する情報をさらに入力することによって、被測定者の深部体温を推定することができる。

【0015】

また、本発明の深部体温推定装置においては、上記入力情報として、被験者の身長および体重に関する情報をさらに含めることができ、入力受付部は、被測定者の身長および体重に関する情報をさらに受け付けることができ、推定部は、学習モデルに対して、被測定者の身長および体重に関する情報をさらに入力することによって、被測定者の深部体温を推定することができる。

【0016】

また、本発明の深部体温推定装置においては、上記入力情報として、被験者の測定環境条件に関する情報をさらに含めることができ、入力受付部は、被測定者の測定環境条件に関する情報をさらに受け付けることができ、推定部は、学習モデルに対して、被測定者の測定環境条件に関する情報をさらに入力することによって、被測定者の深部体温を推定することができる。

【0017】

また、本発明の深部体温推定装置においては、上記入力情報として、被験者の性別に関する情報をさらに含めることができ、入力受付部は、被測定者の性別に関する情報をさらに受け付けることができ、推定部は、学習モデルに対して、被測定者の性別に関する情報をさらに入力することによって、被測定者の深部体温を推定することができる。

【0018】

また、本発明の深部体温推定装置においては、被測定者の運動負荷に関する情報を検出する運動負荷情報検出部を備えることができる。

【0019】

また、本発明の深部体温推定装置においては、被測定者の皮膚表面温度に関する情報を検出する皮膚表面温度検出部を備えることができる。

【0020】

また、本発明の深部体温推定装置においては、被測定者の心拍数に関する情報を検出する心拍情報検出部を備えることができる。

【0021】

また、本発明の深部体温推定装置において、推定部は、ＲＮＮ（Recurrent Neural Network）を用いて学習モデルを構築することができる。

【0022】

また、本発明の深部体温推定装置において、ＲＮＮは、ＬＳＴＭ（Long Short Term Memory）とすることができる。

【0023】

本発明の深部体温推定方法は、深部体温の測定対象である被測定者の運動負荷に関する情報、皮膚表面温度に関する情報および心拍数に関する情報の時系列データの入力を受け付け、所定の被験者の運動負荷に関する情報、皮膚表面温度に関する情報および心拍数に関する情報の時系列データを入力情報とし、所定の被験者の直腸温の時系列の実測値を出力情報として機械学習して構築された学習モデルに対して、受け付けた被測定者の運動負荷に関する情報、皮膚表面温度に関する情報および心拍数に関する情報の時系列データを入力することによって被測定者の深部体温を推定し、その推定した被測定者の深部体温を出力する。

【0024】

本発明の深部体温推定プログラムは、深部体温の測定対象である被測定者の運動負荷に関する情報、皮膚表面温度に関する情報および心拍数に関する情報の時系列データの入力を受け付けるステップと、所定の被験者の運動負荷に関する情報、皮膚表面温度に関する情報および心拍数に関する情報の時系列データを入力情報とし、所定の被験者の直腸温の時系列の実測値を出力情報として機械学習して構築された学習モデルに対して、受け付けた被測定者の運動負荷に関する情報、皮膚表面温度に関する情報および心拍数に関する情報の時系列データを入力することによって被測定者の深部体温を推定するステップと、その推定した被測定者の深部体温を出力するステップとをコンピュータに実行させる。

【発明の効果】

【0025】

本発明の深部体温推定装置および方法並びにプログラムによれば、所定の被験者の運動負荷に関する情報、皮膚表面温度に関する情報および心拍数に関する情報の時系列データを入力情報とし、所定の被験者の直腸温の時系列の実測値を出力情報として機械学習して構築された学習モデルに対して、被測定者の運動負荷に関する情報、皮膚表面温度に関する情報および心拍数に関する情報の時系列データを入力することによって被測定者の深部体温を推定し、その推定した被測定者の深部体温を出力する。

【0026】

これにより、簡易な手法および構成により、深部体温を高精度に推定することができる。特に、本発明の深部体温推定装置および方法並びにプログラムによれば、運動負荷に関する情報、皮膚表面温度に関する情報および心拍数に関する情報について、時系列データを用いるようにしている。すなわち、身体計測から得られた上記情報が連続した状態の変化であると捉えて学習モデルを構築して深部体温を推定するようにしたので、過去に測定された上記情報を用いて、現在の深部体温の推定を行うことができ、深部体温の推定精度を向上させることができる。

【図面の簡単な説明】

【0027】

【図1】本発明の深部体温推定装置の第１の実施形態の概略構成を示すブロック図

【図2】本発明の深部体温推定装置の第１の実施形態の深部体温推定装置の処理を説明するためのフローチャート

【図3】本発明の深部体温推定装置の第２の実施形態の概略構成を示すブロック図

【図4】被験者の歩数、手背部の皮膚表面温度、心拍数および直腸温の測定の流れを示す図

【図5】学習モデルを用いた直腸温の予測値と直腸温の実測値の時間経過の一例を示す図

【図6】学習モデルを用いた直腸温の予測値と直腸温の実測値の時間経過のその他の例を示す図

【発明を実施するための形態】

【0028】

以下、図面を参照して本発明の深部体温推定装置の第１の実施形態について詳細に説明する。図１は、本実施形態の深部体温推定装置１の概略構成図である。

【0029】

深部体温推定装置１は、被測定者の深部体温を推定する装置である。本実施形態の深部体温推定装置１は、深部体温の測定対象である被測定者について、予め設定された６項目の情報を受け付け、その受け付けた情報を、予め機械学習によって構築された学習モデルに入力することによって、被測定者の深部体温を推定する。予め設定された６項目は、被測定者の運動負荷に関する情報、皮膚表面温度に関する情報、心拍数に関する情報、年齢に関する情報、体重と身長に関する情報、および測定環境条件に関する情報である。

【0030】

深部体温推定装置１は、具体的には、図１に示すように、入力受付部１０と、推定部１１と、出力部１２とを備えている。

【0031】

入力受付部１０は、被測定者の運動負荷に関する情報、皮膚表面温度に関する情報および心拍数に関する情報の時系列データ、並びに年齢に関する情報、体重と身長に関する情報および測定環境に関する情報の入力を受け付ける。時系列データとは、予め設定された所定の時間間隔で連続的に測定されたデータ群である。

【0032】

運動負荷に関する情報とは、被測定者の運動負荷の状況を示す情報であり、本実施形態では、被測定者の１分間の平均歩数とする。すなわち、本実施形態の入力受付部１０は、被測定者の１分間の平均歩数の時系列データの入力を受け付ける。ただし、運動負荷に関する情報としては、これに限らず、たとえば被測定者に対して運動負荷を課している場合には、運動負荷に関する情報として「１」の数値情報の入力を受け付け、被測定者に対して運動負荷を課していない場合には、運動負荷に関する情報として「０」の数値情報の入力を受け付けるようにしてもよい。また、運動負荷に関する情報としては、これらの数値情報に限らず、被測定者の運動負荷の状況を示す情報であれば、その他の情報でもよい。

【0033】

年齢に関する情報としては、たとえば被測定者の年齢がそのまま用いられる。年齢に関する情報は、たとえば後述する入力装置２を用いて設定入力され、入力受付部１０は、その設定入力された年齢を受け付ける。

【0034】

体重と身長に関する情報は、被測定者の体重と身長に関する情報であれば如何なる情報でもよいが、本実施形態の入力受付部１０は、体重と身長に関する情報として、ＢＭＩ（Body Mass Index）の値の入力を受け付ける。ＢＭＩの値については、たとえばＢＭＩの測定装置から出力された値を入力受付部１０が直接受け付けるようにしてもよいし、被測定者について予め測定されたＢＭＩの値を入力装置２を用いて設定入力し、その設定入力された値を入力受付部１０が受け付けるようにしてもよい。

【0035】

皮膚表面温度に関する情報は、被測定者の皮膚表面温度に関する情報であれば如何なる情報でもよいが、本実施形態の入力受付部１０は、皮膚表面温度に関する情報として、被測定者の胸部または手背部の皮膚表面温度の時系列データの入力を受け付ける。胸部または手背部は、その他の部位と比較する皮膚表面温度が安定しているので、測定対象として望ましい。

【0036】

皮膚表面温度の値については、たとえば温度センサなどから出力された時系列データを入力受付部１０が直接受け付けるようにしてもよいが、これに限らず、赤外線サーモグラフにより非接触に計測した値を受け付けるようにしてもよい。また、被測定者について予め測定された皮膚表面温度の時系列データを入力装置２を用いて設定入力し、その設定入力された値を入力受付部１０が受け付けるようにしてもよい。

【0037】

心拍に関する情報は、被測定者の心拍数に関する情報であれば如何なる情報でもよいが、本実施形態の入力受付部１０は、心拍数に関する情報として、被測定者の心拍数の値の時系列データそのままの入力を受け付ける。

【0038】

心拍数の値については、たとえば心拍数を測定する装置などから出力された時系列データを入力受付部１０が直接受け付けるようにしてもよいし、被測定者について予め測定された心拍数の値の時系列データを入力装置２を用いて設定入力し、その設定入力された値を入力受付部１０が受け付けるようにしてもよい。

【0039】

心拍数を測定する装置としては、たとえば光電脈波法による透過型脈波測定装置や反射型脈波測定装置を用いることができるが、これに限らず、心電図法により電気パルスを計測する装置、血圧計法により血管圧の変化を計測する装置、心音図法により音を計測する装置などを用いることができる。

【0040】

測定環境条件とは、被験者の直腸温の実測値を測定する際および被測定者の深部体温を推定する際において被験者および被測定者が置かれている環境条件のことであり、たとえば、被験者および被測定者の深部体温に影響を及ぼすと考えられる環境温度（たとえば室温など）を用いることができる。被測定者の深部体温を推定する際、このような測定環境条件を含めることによって、被測定者の置かれた環境を考慮することができるので、深部体温の推定精度をより向上させることができる。

【0041】

測定環境条件としては、上述した環境温度に限らず、たとえば暑さ指数（ＷＢＧＴ（Wet Bulb Globe Temperature））を用いるようにしてもよい。また、暑さ指数を計算する際に用いる乾球温度、湿球温度、輻射温度および湿度などを単独または複数組み合わせて用いるようにしてもよい。

【0042】

測定環境条件については、たとえば測定環境温度を計測する装置などから出力された値を入力受付部１０が直接受け付けるようにしてもよいし、予め測定された測定環境温度を入力装置２を用いて設定入力し、その設定入力された値を入力受付部１０が受け付けるようにしてもよい。また、測定環境温度の時系列データの入力を受け付けるようにしてもよい。

【0043】

推定部１１は、被測定者の深部体温を推定する。本実施形態の推定部１１は、入力受付部１０によって受け付けられた６項目の情報を、予め機械学習を行うことによって構築された学習モデルに入力することによって、被測定者の深部体温を推定する。学習モデルは、推定部１１に記憶するようにしてもよいし、たとえば深部体温推定装置１と通信ネットワークを介して接続されるサーバ装置などに記憶してもよい。

【0044】

学習モデルは、所定の被験者の上記運動負荷に関する情報、上記皮膚表面温度に関する情報、および上記心拍数に関する情報の時系列データ、並びに上記年齢に関する情報、上記体重と身長に関する情報および上記測定環境条件に関する情報と、その被験者の直腸温の実測値の時系列データとの関係に基づいて、機械学習することによって得られたものである。すなわち、所定の被験者の上記運動負荷に関する情報、上記皮膚表面温度に関する情報、および上記心拍数に関する情報の時系列データ、並びに上記年齢に関する情報、上記体重と身長に関する情報および上記測定環境条件に関する情報を入力情報とし、その被験者の直腸温の実測値の時系列データを出力情報として機械学習することによって得られたものである。

【0045】

機械学習の方法としては、本実施形態では、ＲＮＮ（Recurrent Neural Network）の１つであり、過去のデータに重みづけをしながら時系列データを学習するＬＳＴＭ（Long Short Term Memory）を用いる。ＬＳＴＭは、身体計測から得られた時系列データが連続した状態の変化であると捉えて解析できる特徴があり、過去のデータを参照しつつ、直近のデータの影響を強く受けながらデータを評価する。特に、データの評価を時間的に前に遡るに従って、影響が弱くなるように傾斜をかけられるため、直腸温の予測値の時間的変化は、実測値に近い値で変化する。

【0046】

ただし、機械学習の方法としては、ＬＳＴＭに限らず、同様に、時系列データの入力を受け付け、過去のデータに重みづけをしながら機械学習を行う方法であれば如何なる方法を用いてもよい。なお、学習モデルの構築方法については、後で詳述する。

【0047】

出力部１２は、推定部１１によって推定された被測定者の深部体温を出力する。具体的には、本実施形態の出力部１２は、推定部１１によって推定された被測定者の深部体温を、深部体温推定装置１に接続された後述する表示装置３に表示させる。なお、本実施形態の出力部１２の出力先としては、表示装置３に限らず、深部体温推定装置１に対して通信ネットワークを介して接続されたコンピュータやサーバ装置などに出力するようにしてもよいし、プリンタなどの印刷装置に出力するようにしてもよい。

【0048】

また、推定部１１によって推定された被測定者の深部体温または深部体温の上昇値が、予め設定された閾値を超えた場合には、出力部１２が、表示装置３に警告メッセージを表示させたり、もしくは警告音を発するようにしてもよい。これにより、被測定者の熱射病などの熱中症の発症を防止することができる。

【0049】

深部体温推定装置１は、コンピュータから構成され、ＣＰＵ（Central Processing Unit）またはＧＰＵ（Graphics Processing Unit）、ＲＯＭ（Read Only Memory）およびＲＡＭ（Random Access Memory）などの半導体メモリ、ハードディスクなどのストレージ、および通信Ｉ／Ｆ（Interface）などを備えている。

【0050】

また、深部体温推定装置１の半導体メモリまたはハードディスクには、本発明の一実施形態に係る深部体温推定プログラムがインストールされている。ＣＰＵまたはＧＰＵが、この深部体温推定プログラムを実行することによって、図１に示す入力受付部１０、推定部１１および出力部１２が機能する。

【0051】

すなわち、深部体温推定プログラムは、深部体温の測定対象である被測定者の運動負荷に関する情報、皮膚表面温度に関する情報および心拍数に関する情報の時系列データ、並びに年齢に関する情報、体重と身長に関する情報および測定環境条件に関する情報の入力を受け付けるステップと、上述した学習モデルに対して、上記受け付けステップで受け付けた情報を入力することによって被測定者の深部体温を推定するステップと、その推定した被測定者の深部体温を出力するステップとをコンピュータに実行させる。

【0052】

なお、深部体温推定装置１のハードウェア構成は、上述した構成に限定されない。

【0053】

また、本実施形態においては、上述した入力受付部１０、推定部１１および出力部１２の機能を全て深部体温推定プログラムによって実行するようにしたが、これに限らず、一部または全部の機能をＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field-Programmable Gate Array）、その他の電気回路などのハードウェアから構成するようにしてもよい。

【0054】

深部体温推定装置１には、図１に示すように入力装置２および表示装置３が、有線または無線で接続されている。入力装置２は、上述したような種々の情報を設定入力可能に構成されており、たとえばキーボードやマウスなどを備えている。また、表示装置３は、たとえば液晶ディスプレイなどを備えている。なお、深部体温推定装置１をタブレット端末やウェアラブル端末で構成するようにしてもよい。深部体温推定装置１をウェアラブル端末とする場合の詳細な構成については、後で詳述する。

【0055】

次に、本実施形態の深部体温推定装置１の処理の流れについて、図２に示すフローチャートを参照しながら説明する。

【0056】

まず、ユーザが、入力装置２を用いて、被測定者の運動負荷に関する情報、皮膚表面温度に関する情報および心拍数に関する情報の時系列データ、並びに年齢に関する情報、体重と身長に関する情報および測定環境条件に関する情報を設定入力する（Ｓ１０）。

【0057】

ユーザによって設定入力された上記６項目の情報は、深部体温推定装置１の入力受付部１０によって受け付けられる（Ｓ１２）。

【0058】

入力受付部１０によって受け付けられた６項目の情報は、推定部１１に入力される。推定部１１は、入力受付部１０によって受け付けられた６項目の情報を、上述した学習モデルに入力することによって、被測定者の深部体温を推定する（Ｓ１４）。

【0059】

推定部１１によって推定された被測定者の深部体温は出力部１２に出力され、出力部１２は、入力された被測定者の深部体温を表示装置３に表示させる（Ｓ１６）。

【0060】

なお、上記実施形態の深部体温推定装置１においては、学習モデルの入力情報として、上述した６項目の情報を用いるようにしたが、さらに、学習モデルの入力情報として、被験者の性別に関する情報を含めて機械学習を行った学習モデルを用いるようにしてもよい。そして、推定部１１が、その学習モデルに対して、被測定者の上述した６項目の情報および性別に関する情報を入力することによって、被測定者の深部体温を推定するようにしてもよい。

【0061】

性別に関する情報としては、たとえば性別が男性である場合には「１」を、女性である場合には「２」を学習モデルに入力するようにすればよい。深部体温は、被測定者が同じ環境下にいたとしても性別によって異なる可能性が考えられるので、深部体温を推定する際、性別に関する情報を含めることによって、深部体温の推定精度をより向上させることができる。

【0062】

次に、本発明の深部体温推定装置の第２の実施形態を備えたウェアラブル端末５について説明する。

【0063】

ウェアラブル端末５は、深部体温を推定するための基本的な構成は、上述した第１の実施形態の深部体温推定装置１と同様であるが、被測定者の運動負荷に関する情報、皮膚表面温度に関する情報および心拍数に関する情報の時系列データの取得方法が異なる。

【0064】

ウェアラブル端末５の形態としては、リストバンド型（腕時計型）でもよいし、メガネ型でもよいし、クリップ型でもよいが、上述した３つの情報を高精度に検出するためには、リストバンド型であることが好ましい。

【0065】

図３は、本実施形態のウェアラブル端末５の概略構成を示すブロック図である。本実施形態のウェアラブル端末５は、図３に示すように、本体部５０、運動負荷情報検出部５５、皮膚表面温度検出部５６、心拍情報検出部５７および環境温度計測部５８を備えている。

【0066】

本体部５０は、入力受付部５１、推定部５２、出力部５３および表示部５４を備えている。本体部５０の入力受付部５１、推定部５２および出力部５３は、基本的な機能は、上述した第１の実施形態の深部体温推定装置１の入力受付部１０、推定部１１および出力部１２と同様の構成である。

【0067】

表示部５４は、たとえば液晶ディスプレイを備え、出力部１２から出力された深部体温を表示する。また、表示部５４をタッチパネルから構成し、深部体温を表示部５４に表示させるとともに、表示部５４において種々の情報の設定入力を受け付けるようにしてもよい。

【0068】

運動負荷情報検出部５５は、被測定者の運動負荷に関する情報を検出する。運動負荷情報検出部５５としては、たとえば歩数計を用いることができる。たとえば歩数計によって計測された歩数を入力受付部５１が受け付け、推定部５２が、入力された歩数に基づいて、運動負荷に関する情報として、上述した１分間の平均歩数の時系列データを演算し、これを学習モデルに入力するようにすればよい。

【0069】

皮膚表面温度検出部５６は、被測定者の皮膚表面温度に関する情報を検出する。皮膚表面温度検出部５６としては、たとえば温度センサを用いることができる。たとえばウェアラブル端末５をリストバンド型とした場合には、温度センサによって手背部に近い部分の皮膚表面温度を計測することができるので、深部体温の推定精度を向上させることができる。

【0070】

心拍情報検出部５７は、被測定者の心拍数に関する情報を検出する。心拍情報検出部５７としては、たとえば反射型脈波センサを用いることができる。そして、反射型脈波センサによって計測された心拍数を入力受付部５１が受け付ける。

【0071】

環境温度計測部５８は、被測定者の測定環境温度を計測する。環境温度計測部５８としては、たとえば温度センサを用いることができる。環境温度計測部５８によって測定環境温度をリアルタイムに計測することによって、測定環境温度の時系列データの入力を受け付けることができ、深部体温の推定精度を向上させることができる。

【0072】

ウェアラブル端末５において、年齢に関する情報および体重と身長に関する情報については、たとえば表示部５４がタッチパネルから構成される場合には、そのタッチパネル上において設定入力すればよい。

【0073】

または、本体部５０が有する通信Ｉ／Ｆによって通信ネットワークを介して他の通信端末装置に接続し、その通信端末装置において年齢に関する情報および体重と身長に関する情報を設定入力可能としてもよい。

【0074】

他の通信端末装置としては、スマートフォンやタブレット端末などがある。たとえばスマートフォンやタブレット端末において専用アプリケーションをインストールし、その専用アプリケーション上において年齢に関する情報並びに体重および身長に関する情報の設定入力を受け付けるようにしてもよい。また、専用アプリケーション上において、出力部５３から出力された深部体温を表示するようにしてもよい。

【0075】

また、ウェアラブル端末５においても、上記実施形態の深部体温推定装置１と同様に、学習モデルに対して、被験者および被測定者の性別に関する情報を入力するようにしてもよい。また、被験者の性別に関する情報については、表示部５４または上述した専用アプリケーションにおいて設定入力すればよい。また、被験者および被測定者の測定環境条件についても、表示部５４または上述した専用アプリケーションにおいて設定入力してもよい

【0076】

ウェアラブル端末５のその他の作用については、上記実施形態の深部体温推定装置１と同様である。

【実施例0077】

以下、本発明の深部体温推定装置のより具体的な実施例について説明する。まず、深部体温の推定に用いる学習モデルの生成方法の一実施例について説明する。

【0078】

本実施例では、１２人の被験者（被験者番号１～１２，平均年齢２４．６±５．８歳）について、人工気候室において運動負荷を行わせて運動負荷に関する情報、皮膚表面温度に関する情報および心拍数に関する情報の時系列データを取得した。人工気候室の測定環境条件は、測定環境条件１として、低リスクで注意レベルの室温２５℃、湿度５０％およびＷＢＧＴ２２℃とし、測定環境条件２として、高リスクで厳重警戒レベルの室温３５℃、湿度５０％、ＷＢＧＴ３０℃とした。測定環境条件１および測定環境条件２の両条件で、トレッドミル８０ｗによる運動負荷を行わせた。

【0079】

そして、被験者の歩数、手背部の皮膚表面温度、心拍数および直腸温（以下、この４項目を生体情報という）を測定した、測定の流れを図４に示す。図４に示すように、１０分間安静にして準備期間を置いた後、無負荷の状態における生体情報を６分間収集した。次に、トレッドミルで８０ｗの運動負荷を１８分間行って「運動負荷１」とした。運動負荷１の後、１２分間の休憩を置き、さらに１８分間の運動負荷を行って「運動負荷２」とした。その後、１２分間の休憩を置き、後処理として１０分間、無負荷の状態で生体情報を測定して終了した。生体情報の測定は、準備期間の後から開始し、運動負荷２の後の休憩の終了まで行い、測定の合計時間は６６分間であった。生体情報の測定は、１０秒毎に行った。

【0080】

直腸温および手背部の皮膚表面温度は、熱電対センサを用いて測定した。心拍数は日本光電ＢＳＭ－２４０１を用いて測定した。人工気候室内の測定環境条件については、ＶＡＩＳＡＬＡ社温度計を用いて環境温度（室温）を測定した。また、被験者の歩数については、富士通製のバイタルセンシングバンドを用いて測定し、１０秒毎に出力される１分間の平均歩数を取得した。

【0081】

これらの測定値はキーエンス社データロガーのリアルタイムデータ収録装置NR－500で記録した。

【0082】

また、上述した準備期間において、被験者の身長および精密体重を測定し、その測定値からＢＭＩを求めた。

【0083】

なお、本実施例では、上述したように１２人の被験者について２つの測定環境条件下で生体情報を測定したので、１２人×２の２４個の時系列データセットが得られたが、そのうち１名（被験者番号２）は直腸温が測定されておらず、また１名（被験者番号８）は、環境温度（室温）２５℃での測定のみで、環境温度（室温）３５℃では直腸温の測定が途中から不可能となったので、最終的に、１１人の被験者（平均年齢２４．６±６．０歳）について、２１個の時系列データセットを得た。この時系列データセットに対して、データセット番号１～２１を付する。

【0084】

そして、被験者の歩数、手背部の皮膚表面温度および心拍数について１０秒毎に測定された時系列データと、被験者の年齢およびＢＭＩと、環境温度（室温）との６項目を独立変数とし、直腸温の実側値を教師データとしてＡＩを用いてディープラーニングを行って学習モデルを構築し、その学習モデルを用いて深部体温の予測を行った。

【0085】

ディープラーニングの学習モデルは、ＬＳＴＭ（Long Short Term Memory）を用いた。

【0086】

ＡＩのプラットフォームはＡｎａｃｏｎｄａ（登録商標）ｖｅｒ．４．４．０を使用し、プログラムはＰｙｔｈｏｎ（登録商標）ｖｅｒ．３．７で作成し、ＡＩライブラリとしてＴｅｎｓｏｒｆｌｏｗ（登録商標）ｖｅｒ．２．１、Ｋｅｒａｓ（登録商標）等を実装した。

【0087】

ＬＳＴＭの設定は、伝達関数は全結線型ニューラルネットワーク１層とし、活性化関数はｌｉｎｅａｒ（正規化線形関数、正規化の範囲は－１～＋１）、最適化関数はＡｄａｍ（Ａｄａｐｔｉｖｅ Ｍｏｍｅｎｔ Ｅｓｔｉｍａｔｉｏｎ、確率的勾配降下法)、誤差関数は最小二乗法を用い、レイヤー（階層）は、中間層２５６層（隠れ層３６層を含む）＋出力層（全結線型ニューラルネットワーク）１層＝２５７層とし、ノード数は３２個、ｅｐｏｃｋ数（繰り返し学習する回数）は５０回に設定し、バッチサイズは３２に設定して機械学習を行った。

【0088】

そして、本実施例では、１０秒毎に生体情報を測定しているので、ＬＳＴＭの隠れ層を３６層に設定したことで、約６分間前から現時点までの時系列データセットを使用して、１０秒後の直腸温（深部体温）を予測した。すなわち、１０秒前までの時系列データセットを用いて現在の直腸温（深部体温）の予測値を取得した。ＬＳＴＭは、現在のデータセットに近いほど予測値に対する影響を大きく（weightを重く）し、遠いほど予測値に対する影響を小さく（weightを軽く）して参照する。なお、本実施例では、６分前～１０秒前のデータセットを用いて現在の予測値を得るようにしたので、隠れ層を３６層に設定したが、これに限らず、データセットの測定間隔や何分前までのデータセットを用いるかによって隠れ層の層数を任意に変更してもよい。

【0089】

そして、予測値と実測値を比較することによって予測精度を評価した。予測精度の評価は、ｋ－ｆｏｌｄ ｃｒｏｓｓｖａｌｉｄａｔｉｏｎ法で行った。この方法は、ｋ個のサンプルデータからテストデータを１つ抽出し、残りの（ｋ－１）個のデータセットから学習結果（学習モデル）を得て、この操作を順番に行うことによって、（ｋ－１）個の学習モデルの予測精度の平均から学習モデルの性能を評価する方法である。

【0090】

本実施例では、上述したように、１１人の被験者から２１個の時系列データセットを得ているため、１つの時系列データセットをテストデータとして除外し、残りの２０個の時系列データセットで機械学習して学習モデルを構築し、その構築した学習モデルを用いて、上記テストデータの検証を行った。そして、この操作を順番に２０回繰り返して２０個の学習モデルをそれぞれ構築し、各学習モデルを用いてテストデータの検証を行って各学習モデルを評価した。

【0091】

図５は、被験者番号１の環境温度２５℃の時系列データセット（テストデータ）を学習モデルに入力することによって得られた直腸温の予測値と直腸温の実測値の時間経過を示す図である。図５では、予測値を破線で示し、実測値を実線で示している。

【0092】

図５に示す例では、上述したようにデータセット番号１の時系列データセットを除いた残りの全ての時系列データセットで直腸温の予測を学習させ、その結果得られた学習モデルを使って、データセット番号１について直腸温を予測している。予測値と実測値を比較すると、誤差を±０．１℃以内で許容した場合は、一致率が７４％であり、この誤差を±０．２℃以内まで許容した場合は、一致率は９５％であった。

【0093】

また、図６は、データセット番号２から２１までの２０個の時系列データセットについて、それぞれデータセット番号１と同じ操作を行った場合の予測値と実測値をまとめた図である。また、下表１は、データセット番号１～２１の予測値と実測値との一致率を示す表である。図６および下表１に示すように、実測値と予測値の一致率は高く、特に、データセット番号１８の一致率が最もよく、直腸温の予測は±０。２℃以内の誤差でほぼ１００％一致した。また、一致率が最も低いデータセット番号１４の場合においても、図５および図６の結果から判断すると、直腸温の上昇を事前に察知して熱中症を予防するという目的には、十分に使用できる結果であった。

【表1】

【0094】

なお、上記実施例は、被験者の歩数、手背部の皮膚表面温度および心拍数の時系列データと、被験者の年齢およびＢＭＩと、環境温度（室温）との６項目を用いて学習モデルを構築し、被測定者の上記６項目を学習モデルに入力して直腸温（深部体温）を推定するようにしたが、歩数、手背部の皮膚表面温度および心拍数の時系列データと、環境温度（室温）との４項目を用いて、上記実施例と同様にして学習モデルを構築し、直腸温を推定した場合の予測値と実測値の一致率を下表２に示す。下表２に示すとおり、上記４項目の場合でも、上記６項目の場合と同等の精度を得ることができた。

【表2】

【0095】

なお、上記実施例は、本発明の深部体温推定装置の一実施例であり、本発明の深部体温推定装置は、上記実施例に限定されるものではない。

【符号の説明】

【0096】

１ 深部体温推定装置
２ 入力装置
３ 表示装置
５ ウェアラブル端末
１０ 入力受付部
１１ 推定部
１２ 出力部
５０ 本体部
５１ 入力受付部
５２ 推定部
５３ 出力部
５４ 表示部
５５ 運動負荷情報検出部
５６ 皮膚表面温度検出部
５７ 心拍情報検出部
５８ 環境温度計測部

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】