知財求人 - 知財ポータルサイト「IP Force」
(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】
(24)【登録日】2024-03-25
(45)【発行日】2024-04-02
(54)【発明の名称】ストレス分析装置、ストレス分析方法、及びプログラム
(51)【国際特許分類】
A61B 5/16 20060101AFI20240326BHJP
G16H 50/30 20180101ALI20240326BHJP
【ＦＩ】
A61B5/16 110
G16H50/30
【請求項の数】
6
(21)【出願番号】P 2021577807
(86)(22)【出願日】2020-02-13
(86)【国際出願番号】 JP2020005638
(87)【国際公開番号】W WO2021161469
(87)【国際公開日】2021-08-19
【審査請求日】2022-08-08
(73)【特許権者】
【識別番号】000004237
【氏名又は名称】日本電気株式会社
(74)【代理人】
【識別番号】110002044
【氏名又は名称】弁理士法人ブライタス
(72)【発明者】
【氏名】北出 祐
【審査官】藤原 伸二
(56)【参考文献】
【文献】特開２０１６－２０９４０４（ＪＰ，Ａ）
【文献】特開２０１２－２４９７９７（ＪＰ，Ａ）
【文献】特開２０１９－０６７１５１（ＪＰ，Ａ）
【文献】特開２０１９－０３０３８９（ＪＰ，Ａ）
【文献】特開２０１９－１３３２３１（ＪＰ，Ａ）
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ａ６１Ｂ ５／１６
Ｇ０６Ｑ ５０／２２
Ｇ１６Ｈ １０／００－８０／００
ＪＳＴＰｌｕｓ／ＪＭＥＤＰｌｕｓ／ＪＳＴ７５８０（ＪＤｒｅａｍＩＩＩ）
(57)【特許請求の範囲】
【請求項1】
ユーザの過去のストレスレベルとユーザの過去のアクティビティの情報から設定したアクティビティ毎のアクティビティ変数との関係を、学習することによって構築された、学習モデルから、各アクティビティ変数について学習された重み係数の値に基づいて、前記ユーザにおいてストレスを上昇させる要因として、特定のアクティビティ変数を抽出する、ストレス要因抽出部と、抽出された前記特定のアクティビティ変数を含む、前記ユーザの将来のアクティビティを特定し、特定した前記将来のアクティビティのアクティビティ変数を、前記学習モデルに適用して、ストレスレベルを計算し、計算した前記ストレスレベルが閾値を超えた場合に、前記ユーザにおけるストレスの上昇を予測する、ストレス予測部と、
を備えている、
ことを特徴とするストレス分析装置。
【請求項2】
請求項１に記載のストレス分析装置であって、前記学習モデルから、各アクティビティ変数について学習された重み係数の値に基づいて、前記ユーザにおいてストレスを下降させる要因として、前記特定のアクティビティ変数よりも重み係数の値が低い別のアクティビティ変数を抽出し、
抽出した前記別のアクティビティ変数を含む、前記ユーザの将来のアクティビティを、第２の将来のアクティビティとして特定し、そして、特定した前記第２の将来のアクティビティのアクティビティ変数を、前記学習モデルに適用して、第２のストレスレベルを計算し、計算した前記第２のストレスレベルが閾値以下となる場合に、特定した前記第２の将来のアクティビティを、前記ユーザにおいてストレスを軽減させるアドバイスとして、前記ユーザに通知する、ストレス軽減部を更に備えている、
ことを特徴とするストレス分析装置。
【請求項3】
コンピュータが実行する方法であって、
ユーザの過去のストレスレベルとユーザの過去のアクティビティの情報から設定したアクティビティ毎のアクティビティ変数との関係を、学習することによって構築された、学習モデルから、各アクティビティ変数について学習された重み係数の値に基づいて、前記ユーザにおいてストレスを上昇させる要因として、特定のアクティビティ変数を抽出し、
抽出された前記特定のアクティビティ変数を含む、前記ユーザの将来のアクティビティを特定し、特定した前記将来のアクティビティのアクティビティ変数を、前記学習モデルに適用して、ストレスレベルを計算し、計算した前記ストレスレベルが閾値を超えた場合に、前記ユーザにおけるストレスの上昇を予測する、
ことを特徴とするストレス分析方法。
【請求項4】
請求項３に記載のストレス分析方法であって、更に、前記学習モデルから、各アクティビティ変数について学習された重み係数の値に基づいて、前記ユーザにおいてストレスを下降させる要因として、前記特定のアクティビティ変数よりも重み係数の値が低い別のアクティビティ変数を抽出し、
抽出した前記別のアクティビティ変数を含む、前記ユーザの将来のアクティビティを、第２の将来のアクティビティとして特定し、そして、特定した前記第２の将来のアクティビティのアクティビティ変数を、前記学習モデルに適用して、第２のストレスレベルを計算し、計算した前記第２のストレスレベルが閾値以下となる場合に、特定した前記第２の将来のアクティビティを、前記ユーザにおいてストレスを軽減させるアドバイスとして、前記ユーザに通知する、
ことを特徴とするストレス分析方法。
【請求項5】
コンピュータに、ユーザの過去のストレスレベルとユーザの過去のアクティビティの情報から設定したアクティビティ毎のアクティビティ変数との関係を、学習することによって構築された、学習モデルから、各アクティビティ変数について学習された重み係数の値に基づいて、前記ユーザにおいてストレスを上昇させる要因として、特定のアクティビティ変数を抽出させ、
抽出された前記特定のアクティビティ変数を含む、前記ユーザの将来のアクティビティを特定し、特定した前記将来のアクティビティのアクティビティ変数を、前記学習モデルに適用して、ストレスレベルを計算し、計算した前記ストレスレベルが閾値を超えた場合に、前記ユーザにおけるストレスの上昇を予測させる、
プログラム。
【請求項6】
請求項５に記載のプログラムであって、前記コンピュータに、更に、
前記学習モデルから、各アクティビティ変数について学習された重み係数の値に基づいて、前記ユーザにおいてストレスを下降させる要因として、前記特定のアクティビティ変数よりも重み係数の値が低い別のアクティビティ変数を抽出させ、
抽出した前記別のアクティビティ変数を含む、前記ユーザの将来のアクティビティを、第２の将来のアクティビティとして特定し、そして、特定した前記第２の将来のアクティビティのアクティビティ変数を、前記学習モデルに適用して、第２のストレスレベルを計算し、計算した前記第２のストレスレベルが閾値以下となる場合に、特定した前記第２の将来のアクティビティを、前記ユーザにおいてストレスを軽減させるアドバイスとして、前記ユーザに通知させる、
ことを特徴とするプログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、人にかかるストレスを分析するための、ストレス分析装置及びストレス分析方法に関し、更には、これらを実行するためのプログラムに関する。
【背景技術】
【0002】
人には、通常、外部からの様々な刺激によって、ストレスがかかっている。また、ストレスのうち、特に、労働に際して発生するストレスは、職業性ストレスと呼ばれており、仕事及び職場での人間関係によって発生する。また、職業性ストレスは、鬱病などの精神疾患の発症をもたらすことが多く、ひいては、生産性の低下、離職、休職等の原因となる。
【0003】
このため、企業においては従業員にかかるストレスを早期に発見する必要があり、従来から、ストレスを受けている人の状態を評価する試みがなされている。例えば、特許文献１は、対象者の自律神経機能の状態を評価する装置を開示している。特許文献１に開示された装置は、まず、対象者の生体情報とスケジュールとを取得し、そして、生体情報からストレスの状態を示す指標を算出し、算出した指標とスケジュールに含まれるイベントとを対応付けて記録する。
【0004】
このように、特許文献１に開示された装置によれば、対象者のストレスの状態を示す指標と、対象者が経験したイベントとが、対応付けて記録される。従って、記録されている内容を確認することで、対象者がストレスを感じるイベントが特定される。
【先行技術文献】
【特許文献】
【0005】
【文献】特開２０１９－３０３８９号公報
【発明の概要】
【発明が解決しようとする課題】
【0006】
しかしながら、ストレスの早期発見には、対象者にとって未経験のイベントが対象者のストレスにどのように影響するかを予測することが最も重要であるが、上記特許文献１に開示された装置では、このような予測は不可能である。上記特許文献１に開示された装置は、過去のイベントと、そのときの指標とを対応付けて記録しているだけである。
【0007】
本発明の目的の一例は、上記問題を解消し、将来におけるユーザのストレスの状態を予測し得る、ストレス分析装置、ストレス分析方法、及びプログラムを提供することにある。
【課題を解決するための手段】
【0008】
上記目的を達成するため、本発明の一側面におけるストレス分析装置は、
ユーザの過去のストレスの状態とユーザの過去のアクティビティの情報とを対応付けるストレス情報から、前記ユーザにおいてストレスを上昇させる要因を抽出する、ストレス要因抽出部と、
前記ユーザのアクティビティの予定、及び抽出した前記要因に基づいて、前記ユーザにおけるストレスの上昇を予測する、ストレス予測部と、
を備えている、
ことを特徴とする。
ユーザの過去のストレスの状態とユーザの過去のアクティビティの情報とを対応付けるストレス情報から、前記ユーザにおいてストレスを上昇させる要因を抽出する、ストレス要因抽出部と、
前記ユーザのアクティビティの予定、及び抽出した前記要因に基づいて、前記ユーザにおけるストレスの上昇を予測する、ストレス予測部と、
を備えている、
ことを特徴とする。
【0009】
また、上記目的を達成するため、本発明の一側面におけるストレス分析方法は、
ユーザの過去のストレスの状態とユーザの過去のアクティビティの情報とを対応付けるストレス情報から、前記ユーザにおいてストレスを上昇させる要因を抽出する、要因抽出ステップと、
前記ユーザのアクティビティの予定、及び抽出した前記要因に基づいて、前記ユーザにおけるストレスの上昇を予測する、ストレス上昇予測ステップと、
を有する、
ことを特徴とする。
ユーザの過去のストレスの状態とユーザの過去のアクティビティの情報とを対応付けるストレス情報から、前記ユーザにおいてストレスを上昇させる要因を抽出する、要因抽出ステップと、
前記ユーザのアクティビティの予定、及び抽出した前記要因に基づいて、前記ユーザにおけるストレスの上昇を予測する、ストレス上昇予測ステップと、
を有する、
ことを特徴とする。
【0010】
更に、上記目的を達成するため、本発明の一側面におけるプログラムは、
コンピュータに、
ユーザの過去のストレスの状態とユーザの過去のアクティビティの情報とを対応付けるストレス情報から、前記ユーザにおいてストレスを上昇させる要因を抽出する、要因抽出ステップと、
前記ユーザのアクティビティの予定、及び抽出した前記要因に基づいて、前記ユーザにおけるストレスの上昇を予測する、ストレス上昇予測ステップと、
実行させる、
ことを特徴とする。
コンピュータに、
ユーザの過去のストレスの状態とユーザの過去のアクティビティの情報とを対応付けるストレス情報から、前記ユーザにおいてストレスを上昇させる要因を抽出する、要因抽出ステップと、
前記ユーザのアクティビティの予定、及び抽出した前記要因に基づいて、前記ユーザにおけるストレスの上昇を予測する、ストレス上昇予測ステップと、
実行させる、
ことを特徴とする。
【発明の効果】
【0011】
以上のように、本発明によれば、将来におけるユーザのストレスの状態を予測することができる。
【図面の簡単な説明】
【0012】
【発明を実施するための形態】
【0013】
【0014】
［装置構成］
最初に、実施の形態におけるストレス分析装置の概略構成について説明する。図１は、本発明の実施の形態におけるストレス分析装置の構成を概略的に示すブロック図である。
最初に、実施の形態におけるストレス分析装置の概略構成について説明する。図１は、本発明の実施の形態におけるストレス分析装置の構成を概略的に示すブロック図である。
【0015】
図１に示す、実施の形態におけるストレス分析装置１０は、ユーザのストレスの要因を分析して、将来のユーザにおけるストレス上昇を予測する装置である。図１に示すように、ストレス分析装置１０は、ストレス要因抽出部１１と、ストレス予測部１２とを備えている。
【0016】
そして、ストレス要因抽出部１１は、ユーザの過去のストレスの状態とユーザの過去のアクティビティの情報とを対応付けるストレス情報から、ユーザにおいてストレスを上昇させる要因を抽出する。ストレス予測部１２は、ユーザのアクティビティの予定、及び抽出した要因に基づいて、ユーザにおけるストレスの上昇を予測する。
【0017】
このように、実施の形態におけるストレス分析装置１０は、過去の情報からユーザにとってストレスとなる要因を抽出できるので、これを用いることで、将来におけるユーザのストレスの状態を予測することができる。
【0018】
【0019】
図２に示すように、実施の形態では、ストレス分析装置１０は、上述したストレス要因抽出部１１及びストレス予測部１２に加えて、ストレスレベル推定部１３と、ストレスモデル生成部１４と、ストレスモデル格納部１５と、アクティビティ情報格納部１６と、ストレス軽減部１７と、出力部１８とを備えている。また、ストレス分析装置１０は、有線通信又は無線通信によって、ユーザの生体情報を取得するセンサ装置２０と、ユーザの端末装置３０とに接続されている。
【0020】
また、ストレス分析装置１０は、後述する実施の形態におけるプログラムを、端末装置３０のコンピュータにインストールして、これを実行することによって、端末装置３０の内部に構築することもできる。端末装置３０としては、スマートフォン、タブレット型端末、ノートＰＣ（Personal Computer）等が挙げられる。
【0021】
センサ装置２０は、生体情報を検出可能なセンサを備えた装置であり、検出した生体情報を出力する。センサ装置２０としては、例えば、心拍数を検出する心拍計、皮膚電気活動量を検出する皮膚電位計、発汗量を計測する発汗計、人の動きの加速度を検出する加速度計などが挙げられる。更に、センサ装置２０は、ユーザの顔画像を撮影するカメラであっても良い。
【0022】
ストレスレベル推定部１３は、センサ装置２０から出力されてきた生体情報を取得し、取得した生体情報から、ユーザにおけるストレスレベルを推定する。具体的には、ストレスレベル推定部１３は、例えば、センサ装置２０が、加速度計である場合は、生体情報としてユーザの身体の動きを示す加速度を取得する。そして、ストレスレベル推定部１３は、後述の参考文献１又は２に開示された手法に従って、取得した加速度からストレスレベルを推定する。
【0023】
参考文献１
A. Sano et al., “Recognizing academic performance, sleep quality, stress level, and mental health using personality traits, wearable sensors and mobile phones,” in Wearable and Implantable Body Sensor Networks (BSN), 2015 IEEE 12th International Conference on, 2015, pp. 1-6.
A. Sano et al., “Recognizing academic performance, sleep quality, stress level, and mental health using personality traits, wearable sensors and mobile phones,” in Wearable and Implantable Body Sensor Networks (BSN), 2015 IEEE 12th International Conference on, 2015, pp. 1-6.
【0024】
参考文献２
中島嘉樹，他２名, “全期間及び短期間双方の生体信号の使用による長期ストレスレベル認識精度の向上”, The 32nd Annual Conference of the Japanese Society for Artificial Intelligence, 2018.
中島嘉樹，他２名, “全期間及び短期間双方の生体信号の使用による長期ストレスレベル認識精度の向上”, The 32nd Annual Conference of the Japanese Society for Artificial Intelligence, 2018.
【0025】
また、センサ装置２０が心拍計である場合は、ストレスレベル推定部１３は、生体情報としてユーザの心拍数を取得する。センサ装置２０が皮膚電位計である場合は、ストレスレベル推定部１３は、生体情報としてユーザの皮膚電気活動量を取得する。センサ装置２０が発汗計である場合は、ストレスレベル推定部１３は、生体情報として発汗量を取得する。また、センサ装置２０がカメラの場合は、ストレスレベル推定部１３は、生体情報としてユーザの顔画像を取得する。そして、ストレスレベル推定部１３は、取得した生体情報の種類に応じて、それに対応する手法を用いて、ストレスレベルを推定し、推定したストレスレベルを特定するストレスレベル情報を、ストレスモデル生成部１４に出力する。
【0026】
また、実施の形態では、加速度、心拍数、皮膚電気活動量、発汗量、及び顔画像からのストレスレベルの推定手法としては、既存の手法、更には今後開発される手法を用いることができる。更に、ストレスレベル推定部１３は、推定したストレスレベルに、センサ装置２０から生体情報が出力されてきた時刻の情報を付加して、ストレスレベルの時系列変化も推定する。
【0027】
実施の形態では、センサ装置２０は、複数種類のセンサを備え、それに対応して複数種類の生体情報を出力する装置であっても良い。この場合、ストレスレベル推定部１３は、複数種類の生体情報を取得し、この複数種類の生体情報を用いて、ストレスレベルを推定することもできる。
【0028】
ストレスモデル生成部１４は、最初に、ストレスレベル推定部１３からストレスレベル情報を受け取る。そして、ストレスモデル生成部１４は、アクティビティ情報格納部１６から、ストレスレベルの推定時に対応するアクティビティの情報を特定する。アクティビティ情報格納部１６は、ユーザにおけるアクティビティの情報（アクティビティ情報）を格納している。
【0029】
アクティビティ情報としては、ユーザが参加する会議の情報（出席者、目的、会議の時間等）、ユーザが担当する出張の情報（同伴者、目的、場所、出発時刻等）、ユーザが実行する業務の情報（業務内容等）等が挙げられる。
【0030】
続いて、ストレスモデル生成部１４は、特定したアクティビティ情報を用いて、アクティビティ毎に、設定ルールに従って、アクティビティ変数Ｘｉを設定する。アクティビティ変数Ｘｉは、１又は２以上の値で構成されており、｛０，１｝の２値の場合もあれば、連続値となる場合もある。
【0031】
例えば、アクティビティが会議であるとすると、アクティビティ変数Ｘｉは、会議の出席者数Ｘ１、特定の個人が出席したか否かを示す２値のフラグ（０又は１）Ｘ２、特定の役職以上の出席者の数Ｘ３、会議の時間Ｘ４等で構成される。なお、会議の時間といったアクティビティが行われた時間をアクティビティ変数にすると、値は連続値になる。このとき、値は正規化されていても良い。
【0032】
続いて、ストレスモデル生成部１４は、ストレスレベル推定部１３で推定されたストレスレベルＹと、アクティビティ情報から設定したアクティビティ変数Ｘｉとを、学習データとして、学習モデル（以下「ストレスモデル」と表記する）を構築する。構築された学習モデルは、ストレスモデル格納部１５に格納される。なお、この場合において、変数Ｙとして、ストレスレベル推定部１３で推定されたストレスレベルの他に、ユーザが回答したアンケートの結果、ユーザが自己判断した結果等が用いられていても良い。
【0033】
具体的には、ストレスモデル生成部１４は、ストレスレベル推定部１３が推定したストレスレベルＹを目的変数、アクティビティ変数Ｘｉを説明変数として、重回帰分析を行うことによって、重み係数ａｉを学習する。これにより、下記数１に示すストレスモデルが構築される。また、構築されたストレスモデルは、ストレスモデル格納部１５に格納される。
【0034】
（数１）
Y=a1X1 + a2X2 + ... +aiXi...+anXn (i = 1, 2, 3, ... ,n)
Y=a1X1 + a2X2 + ... +aiXi...+anXn (i = 1, 2, 3, ... ,n)
【0035】
ストレス要因抽出部１１は、実施の形態では、ストレスモデル格納部１５に格納されているストレスモデルを、ストレス情報として、ユーザにおいてストレスを上昇させる要因を抽出する。つまり、ストレス要因抽出部１１は、ストレスモデル格納部１５に格納されているストレスモデルから、ユーザにおいてストレスを上昇させる要因として、ストレスと相関が高いアクティビティ変数を抽出する。
【0036】
具体的には、ストレス要因抽出部１１は、アクティビティ毎に、重み係数ａｉの値が高いアクティビティ変数Ｘｉを特定し、特定したアクティビティ変数Ｘｉを、ユーザにおいてストレスを上昇させる要因として抽出する。また、ストレス要因抽出部１１は、抽出したアクティビティ変数Ｘｉを、ストレス予測部１２に出力する。
【0037】
ストレス予測部１２は、実施の形態では、ストレス要因抽出部１１から出力されてきたアクティビティ変数Ｘｉと、アクティビティ情報格納部１６に格納されている将来のアクティビティ情報とから、ユーザにおけるストレスの上昇を予測する。
【0038】
具体的には、ストレス予測部１２は、まず、将来のアクティビティ情報を用いて、将来のアクティビティ毎に、アクティビティ変数を設定する。そして、ストレス予測部１２は、出力されてきたアクティビティ変数Ｘｉと、設定したアクティビティ変数とを比較して、出力されてきたアクティビティ変数Ｘｉを含む将来のアクティビティを特定する。
【0039】
続いて、ストレス予測部１２は、特定した将来のアクティビティに設定されたアクティビティ変数を、ストレスモデル格納部１５に格納されているストレスモデルに適用して、ストレスレベルＹを計算する。そして、ストレス予測部１２は、計算したストレスレベルＹが閾値を超えた場合は、ユーザのストレスの上昇を予測する。
【0040】
また、ストレスレベル推定部１３がユーザの現在のストレスレベルを推定している場合は、ストレス予測部１２は、計算したストレスレベルＹと現在のストレスレベルとの差分を計算する。そして、ストレスレベル推定部１３は、計算したストレスレベルＹが現在のストレスレベルより大きく、差分が閾値以上である場合も、ユーザのストレスの上昇を予測する。
【0041】
更に、アクティビティ情報格納部１６に格納されている将来のアクティビティ情報が、例えば、時間単位で登録されている場合は、ストレスレベル推定部１３は、ユーザのストレスの上昇する時間も予測することができる。
【0042】
出力部１８は、ストレス予測部１２による予測結果を、例えば、ユーザの端末装置３０に送信する。端末装置３０は、予測結果を受信すると、受信した予測結果を、その画面上に表示する。これにより、ユーザは、自身のストレスの上昇の可能性を知ることができる。なお、出力部１８による予測結果の送信先は、ユーザの端末装置３０に限定されることはなく、送信先としては、その他に、ストレスの管理者の端末装置、データ管理装置等も挙げられる。
【0043】
ストレス軽減部１７は、ストレス情報から、ユーザにおいてストレスを下降させる要因を抽出し、抽出した要因に基づいて、ユーザにおいてストレスを軽減させるアドバイスを作成する。また、出力部１８は、ストレス軽減部１７が作成したアドバイスを、ユーザに通知する。
【0044】
具体的には、最初に、ストレス軽減部１７は、ストレス要因抽出部１１と異なり、ストレスモデル格納部１５に格納されているストレスモデルから、ユーザにおいてストレスを軽減させる要因として、ストレスと相関が低いアクティビティ変数を抽出する。例えば、ストレス軽減部１７は、アクティビティ毎に、重み係数ａｉの値が低いアクティビティ変数を特定し、特定したアクティビティ変数を、ユーザにおいてストレスを軽減させる要因として抽出する。
【0045】
次に、ストレス軽減部１７は、将来のアクティビティ情報を用いて、将来のアクティビティ毎に、アクティビティ変数を設定する。そして、ストレス軽減部１７は、ストレス軽減させる要因として抽出したアクティビティ変数と、設定したアクティビティ変数とを比較して、ストレス軽減させる要因として抽出したアクティビティ変数を含む将来のアクティビティを特定する。
【0046】
続いて、ストレス軽減部１７は、特定した将来のアクティビティに設定されたアクティビティ変数を、ストレスモデル格納部１５に格納されているストレスモデルに適用して、ストレスレベルＹを計算する。そして、ストレス予測部１２は、計算したストレスレベルＹが閾値以下となる場合は、ユーザのストレスが軽減されると判断する。
【0047】
また、ストレスレベル推定部１３がユーザの現在のストレスレベルを推定している場合は、ストレス軽減部１７は、計算したストレスレベルＹと現在のストレスレベルとの差分を計算する。そして、ストレス軽減部１７は、計算したストレスレベルＹが現在のストレスレベルより小さく、差分が閾値以上である場合も、ユーザのストレスが軽減されると判断する。
【0048】
更に、アクティビティ情報格納部１６に格納されている将来のアクティビティ情報が、例えば、時間単位で登録されている場合は、ストレス軽減部１７は、ユーザのストレスが下降する時間も予測することができる。
【0049】
そして、ストレス軽減部１７は、ユーザのストレスが軽減されると判断した場合は、先に特定した将来のアクティビティを、ユーザへのストレス軽減のアドバイスとして、出力部１８を介して、ユーザの端末装置３０に送信する。端末装置３０は、アドバイスを受信すると、受信したアドバイスを、その画面上に表示する。これにより、ユーザは、自身のストレスが軽減されるアクティビティを知ることができる。
【0050】
［装置動作］
次に、実施の形態におけるストレス分析装置１０の動作について図３～図５を用いて説明する。以下の説明においては、適宜図１及び図２を参酌する。また、実施の形態では、ストレス分析装置１０を動作させることによって、ストレス分析方法が実施される。よって、実施の形態におけるストレス分析方法の説明は、以下のストレス分析装置の動作説明に代える。
次に、実施の形態におけるストレス分析装置１０の動作について図３～図５を用いて説明する。以下の説明においては、適宜図１及び図２を参酌する。また、実施の形態では、ストレス分析装置１０を動作させることによって、ストレス分析方法が実施される。よって、実施の形態におけるストレス分析方法の説明は、以下のストレス分析装置の動作説明に代える。
【0051】
【0052】
図３に示すように、最初に、ストレスレベル推定部１３は、設定された期間の間、又はユーザからの指示があるまで、センサ装置２０から出力されてきた生体情報から、ユーザにおけるストレスレベルを推定する（ステップＡ１）。また、ストレスレベル推定部１３は、推定の度に、推定したストレスレベルＹをストレスモデル生成部１４に出力する。
【0053】
次に、ストレスモデル生成部１４は、出力されてきたストレスレベルＹを蓄積し、蓄積されたストレスレベルＹの期間が一定値となると、アクティビティ情報格納部１６から、ストレスレベルＹの推定時に対応するアクティビティ情報を特定する（ステップＡ２）。
【0054】
次に、ストレスモデル生成部１４は、ステップＡ２で特定したアクティビティ情報を用いて、アクティビティ毎に、設定ルールに従って、アクティビティ変数Ｘｉを設定する（ステップＡ３）。
【0055】
その後、ストレスモデル生成部１４は、ステップＡ１で推定されたストレスレベルＹと、それに対応する、ステップＡ３で設定したアクティビティ変数Ｘｉとを、学習データとして、ストレスモデルを構築する（ステップＡ４）。構築されたストレスモデルは、ストレスモデル格納部１５に格納される。
【0056】
【0057】
図４に示すように、最初に、ストレス要因抽出部１１は、実施の形態では、ストレスモデル格納部１５に格納されているストレスモデルから、ユーザにおいてストレスを上昇させる要因として、ストレスと相関が高いアクティビティ変数を抽出する（ステップＢ１）。
【0058】
次に、ストレス予測部１２は、将来のアクティビティ情報から設定したアクティビティ変数と、ステップＢ１で抽出されたアクティビティ変数とから、後者を含む将来のアクティビティを特定する（ステップＢ２）。
【0059】
次に、ストレス予測部１２は、ステップＢ２で特定したアクティビティを、図３に示したステップＡ４で構築されたストレスモデルに適用して、ストレスレベルを計算し、計算したストレスレベルを用いて、ユーザのストレスの上昇を予測する（ステップＢ３）。
【0060】
その後、出力部１８は、ステップＢ３による予測結果を、ユーザの端末装置３０に送信する（ステップＢ４）。ステップＢ４の実行により、端末装置３０は、予測結果を受信すると、受信した予想結果を、その画面上に表示する。これにより、ユーザは、自身のストレスの上昇の可能性を知ることができる。
【0061】
【0062】
図５に示すように、最初に、ストレス軽減部１７は、ストレスモデル格納部１５に格納されているストレスモデルから、ユーザにおいてストレスを軽減させる要因として、ストレスと相関が低いアクティビティ変数を抽出する（ステップＣ１）。
【0063】
次に、ストレス軽減部１７は、将来のアクティビティ情報から設定したアクティビティ変数と、ステップＣ１で抽出されたアクティビティ変数とから、後者を含む将来のアクティビティを特定する（ステップＣ２）。
【0064】
次に、ストレス軽減部１７は、ステップＣ２で特定したアクティビティ毎に、それを図３に示したステップＡ４で構築されたストレスモデルに適用して、ストレスレベルを計算し、計算したストレスレベルを用いて、ユーザのストレスの軽減について判断する（ステップＣ３）。
【0065】
次に、ストレス軽減部１７は、ステップＣ３においてユーザのストレスが軽減されると判断したアクティビティを、ユーザへのストレス軽減のアドバイスとする（ステップＣ４）。
【0066】
次に、出力部１８は、ステップＣ４で作成されたアドバイスを、ユーザの端末装置３０に送信する（ステップＣ５）。端末装置３０は、アドバイスを受信すると、受信したアドバイスを、その画面上に表示する。これにより、ユーザは、自身のストレスが軽減されるアクティビティを知ることができる。
【0067】
［実施の形態における効果］
以上のように、実施の形態では、ストレス分析装置１０は、ストレスモデルを構築でき、このストレスモデルを用いることで、ユーザにとってストレスとなる要因を抽出できる。このため、ストレス分析装置１０は、将来におけるユーザのストレスの状態を予測することができ、更には、ストレス軽減のためのアドバイスの作成も行うことができる。
以上のように、実施の形態では、ストレス分析装置１０は、ストレスモデルを構築でき、このストレスモデルを用いることで、ユーザにとってストレスとなる要因を抽出できる。このため、ストレス分析装置１０は、将来におけるユーザのストレスの状態を予測することができ、更には、ストレス軽減のためのアドバイスの作成も行うことができる。
【0068】
［プログラム］
実施の形態におけるプログラムは、コンピュータに、図４に示すステップＢ１～Ｂ４を実行させるプログラムであれば良い。そして、このプログラムをコンピュータにインストールし、実行することによって、実施の形態におけるストレス分析装置１０とストレス分析方法とを実現することができる。この場合、コンピュータのプロセッサは、ストレス要因抽出部１１及びストレス予測部１２として機能し、処理を行なう。
実施の形態におけるプログラムは、コンピュータに、図４に示すステップＢ１～Ｂ４を実行させるプログラムであれば良い。そして、このプログラムをコンピュータにインストールし、実行することによって、実施の形態におけるストレス分析装置１０とストレス分析方法とを実現することができる。この場合、コンピュータのプロセッサは、ストレス要因抽出部１１及びストレス予測部１２として機能し、処理を行なう。
【0069】
また、実施の形態におけるプログラムは、コンピュータに、図３に示すステップＡ１～Ａ４、更には、図５に示すステップＣ１～Ｃ５を実行させるプログラムであっても良い。この場合は、コンピュータのプロセッサは、ストレス要因抽出部１１及びストレス予測部１２としてだけでなく、ストレスレベル推定部１３、ストレスモデル生成部１４、及びストレス軽減部１７としても機能し、処理を行なう。
【0070】
更に、実施の形態では、ストレスモデル格納部１５及びアクティビティ情報格納部１６は、コンピュータに備えられたハードディスク等の記憶装置に、これらを構成するデータファイルを格納することによって実現できる。
【0071】
また、実施の形態におけるプログラムは、複数のコンピュータによって構築されたコンピュータシステムによって実行されても良い。この場合は、例えば、各コンピュータが、それぞれ、ストレス要因抽出部１１又はストレス予測部１２として、更には、ストレスレベル推定部１３、ストレスモデル生成部１４、又はストレス軽減部１７として、機能し、処理を行なう。ストレスモデル格納部１５及びアクティビティ情報格納部１６は、実施の形態におけるプログラムを実行するコンピュータとは別のコンピュータ上に構築されていても良い。
【0072】
ここで、実施の形態におけるプログラムを実行することによって、ストレス分析装置１０を実現するコンピュータについて図６を用いて説明する。図６は、本発明の実施の形態におけるストレス分析装置を実現するコンピュータの一例を示すブロック図である。
【0073】
図６に示すように、コンピュータ１１０は、ＣＰＵ（Central Processing Unit）１１１と、メインメモリ１１２と、記憶装置１１３と、入力インターフェイス１１４と、表示コントローラ１１５と、データリーダ／ライタ１１６と、通信インターフェイス１１７とを備える。これらの各部は、バス１２１を介して、互いにデータ通信可能に接続される。また、コンピュータ１１０は、ＣＰＵ１１１に加えて、又はＣＰＵ１１１に代えて、ＧＰＵ（Graphics Processing Unit）、又はＦＰＧＡ（Field-Programmable Gate Array）を備えていても良い。
【0074】
ＣＰＵ１１１は、記憶装置１１３に格納された、本実施の形態におけるプログラム（コード）をメインメモリ１１２に展開し、これらを所定順序で実行することにより、各種の演算を実施する。メインメモリ１１２は、典型的には、ＤＲＡＭ（Dynamic Random Access Memory）等の揮発性の記憶装置である。また、本実施の形態におけるプログラムは、コンピュータ読み取り可能な記録媒体１２０に格納された状態で提供される。なお、本実施の形態におけるプログラムは、通信インターフェイス１１７を介して接続されたインターネット上で流通するものであっても良い。
【0075】
また、記憶装置１１３の具体例としては、ハードディスクドライブの他、フラッシュメモリ等の半導体記憶装置が挙げられる。入力インターフェイス１１４は、ＣＰＵ１１１と、キーボード及びマウスといった入力機器１１８との間のデータ伝送を仲介する。表示コントローラ１１５は、ディスプレイ装置１１９と接続され、ディスプレイ装置１１９での表示を制御する。
【0076】
データリーダ／ライタ１１６は、ＣＰＵ１１１と記録媒体１２０との間のデータ伝送を仲介し、記録媒体１２０からのプログラムの読み出し、及びコンピュータ１１０における処理結果の記録媒体１２０への書き込みを実行する。通信インターフェイス１１７は、ＣＰＵ１１１と、他のコンピュータとの間のデータ伝送を仲介する。
【0077】
また、記録媒体１２０の具体例としては、ＣＦ（Compact Flash（登録商標））及びＳＤ（Secure Digital）等の汎用的な半導体記憶デバイス、フレキシブルディスク（Flexible Disk）等の磁気記録媒体、又はＣＤ－ＲＯＭ（Compact Disk Read Only Memory）などの光学記録媒体が挙げられる。
【0078】
なお、本実施の形態におけるストレス分析装置１０は、プログラムがインストールされたコンピュータではなく、各部に対応したハードウェアを用いることによっても実現可能である。更に、ストレス分析装置１０は、一部がプログラムで実現され、残りの部分がハードウェアで実現されていてもよい。
【0079】
上述した実施の形態の一部又は全部は、以下に記載する（付記１）～（付記１２）によって表現することができるが、以下の記載に限定されるものではない。
【0080】
（付記１）
ユーザの過去のストレスの状態とユーザの過去のアクティビティの情報とを対応付けるストレス情報から、前記ユーザにおいてストレスを上昇させる要因を抽出する、ストレス要因抽出部と、
前記ユーザのアクティビティの予定、及び抽出した前記要因に基づいて、前記ユーザにおけるストレスの上昇を予測する、ストレス予測部と、
を備えている、
ことを特徴とするストレス分析装置。
ユーザの過去のストレスの状態とユーザの過去のアクティビティの情報とを対応付けるストレス情報から、前記ユーザにおいてストレスを上昇させる要因を抽出する、ストレス要因抽出部と、
前記ユーザのアクティビティの予定、及び抽出した前記要因に基づいて、前記ユーザにおけるストレスの上昇を予測する、ストレス予測部と、
を備えている、
ことを特徴とするストレス分析装置。
【0081】
（付記２）
付記１に記載のストレス分析装置であって、
前記ストレス情報から、前記ユーザにおいてストレスを下降させる要因を抽出し、抽出した前記要因に基づいて、前記ユーザにおいてストレスを軽減させるアドバイスを作成し、作成した前記アドバイスを前記ユーザに通知する、ストレス軽減部を更に備えている、ことを特徴とするストレス分析装置。
付記１に記載のストレス分析装置であって、
前記ストレス情報から、前記ユーザにおいてストレスを下降させる要因を抽出し、抽出した前記要因に基づいて、前記ユーザにおいてストレスを軽減させるアドバイスを作成し、作成した前記アドバイスを前記ユーザに通知する、ストレス軽減部を更に備えている、ことを特徴とするストレス分析装置。
【0082】
（付記３）
付記１または２に記載のストレス分析装置であって、
前記ストレス要因抽出部が、ユーザの過去のストレスの状態とユーザの過去のアクティビティの情報との関係を、学習することによって構築された、学習モデルを、前記ストレス情報として用いて、前記ユーザにおいてストレスを上昇させる要因を抽出する、
ことを特徴とするストレス分析装置。
付記１または２に記載のストレス分析装置であって、
前記ストレス要因抽出部が、ユーザの過去のストレスの状態とユーザの過去のアクティビティの情報との関係を、学習することによって構築された、学習モデルを、前記ストレス情報として用いて、前記ユーザにおいてストレスを上昇させる要因を抽出する、
ことを特徴とするストレス分析装置。
【0083】
（付記４）
付記３に記載のストレス分析装置であって、
前記ストレス予測部が、前記ユーザのアクティビティの予定、及び抽出した前記要因を、前記学習モデルに適用することによって、前記ユーザにおけるストレスの上昇を予測する、
ことを特徴とするストレス分析装置。
付記３に記載のストレス分析装置であって、
前記ストレス予測部が、前記ユーザのアクティビティの予定、及び抽出した前記要因を、前記学習モデルに適用することによって、前記ユーザにおけるストレスの上昇を予測する、
ことを特徴とするストレス分析装置。
【0084】
（付記５）
ユーザの過去のストレスの状態とユーザの過去のアクティビティの情報とを対応付けるストレス情報から、前記ユーザにおいてストレスを上昇させる要因を抽出する、要因抽出ステップと、
前記ユーザのアクティビティの予定、及び抽出した前記要因に基づいて、前記ユーザにおけるストレスの上昇を予測する、ストレス上昇予測ステップと、
を有する、
ことを特徴とするストレス分析方法。
ユーザの過去のストレスの状態とユーザの過去のアクティビティの情報とを対応付けるストレス情報から、前記ユーザにおいてストレスを上昇させる要因を抽出する、要因抽出ステップと、
前記ユーザのアクティビティの予定、及び抽出した前記要因に基づいて、前記ユーザにおけるストレスの上昇を予測する、ストレス上昇予測ステップと、
を有する、
ことを特徴とするストレス分析方法。
【0085】
（付記６）
付記５に記載のストレス分析方法であって、
前記ストレス情報から、前記ユーザにおいてストレスを下降させる要因を抽出し、抽出した前記要因に基づいて、前記ユーザにおいてストレスを軽減させるアドバイスを作成し、作成した前記アドバイスを前記ユーザに通知する、アドバイス通知ステップを更に有する、
ことを特徴とするストレス分析方法。
付記５に記載のストレス分析方法であって、
前記ストレス情報から、前記ユーザにおいてストレスを下降させる要因を抽出し、抽出した前記要因に基づいて、前記ユーザにおいてストレスを軽減させるアドバイスを作成し、作成した前記アドバイスを前記ユーザに通知する、アドバイス通知ステップを更に有する、
ことを特徴とするストレス分析方法。
【0086】
（付記７）
付記５または６に記載のストレス分析方法であって、
前記要因抽出ステップにおいて、ユーザの過去のストレスの状態とユーザの過去のアクティビティの情報との関係を、学習することによって構築された、学習モデルを、前記ストレス情報として用いて、前記ユーザにおいてストレスを上昇させる要因を抽出する、
ことを特徴とするストレス分析方法。
付記５または６に記載のストレス分析方法であって、
前記要因抽出ステップにおいて、ユーザの過去のストレスの状態とユーザの過去のアクティビティの情報との関係を、学習することによって構築された、学習モデルを、前記ストレス情報として用いて、前記ユーザにおいてストレスを上昇させる要因を抽出する、
ことを特徴とするストレス分析方法。
【0087】
（付記８）
付記７に記載のストレス分析方法であって、
前記ストレス上昇予測ステップにおいて、前記ユーザのアクティビティの予定、及び抽出した前記要因を、前記学習モデルに適用することによって、前記ユーザにおけるストレスの上昇を予測する、
ことを特徴とするストレス分析方法。
付記７に記載のストレス分析方法であって、
前記ストレス上昇予測ステップにおいて、前記ユーザのアクティビティの予定、及び抽出した前記要因を、前記学習モデルに適用することによって、前記ユーザにおけるストレスの上昇を予測する、
ことを特徴とするストレス分析方法。
【0088】
（付記９）
コンピュータに、
ユーザの過去のストレスの状態とユーザの過去のアクティビティの情報とを対応付けるストレス情報から、前記ユーザにおいてストレスを上昇させる要因を抽出する、要因抽出ステップと、
前記ユーザのアクティビティの予定、及び抽出した前記要因に基づいて、前記ユーザにおけるストレスの上昇を予測する、ストレス上昇予測ステップと、
を実行させる、プログラム。
コンピュータに、
ユーザの過去のストレスの状態とユーザの過去のアクティビティの情報とを対応付けるストレス情報から、前記ユーザにおいてストレスを上昇させる要因を抽出する、要因抽出ステップと、
前記ユーザのアクティビティの予定、及び抽出した前記要因に基づいて、前記ユーザにおけるストレスの上昇を予測する、ストレス上昇予測ステップと、
を実行させる、プログラム。
【0089】
（付記１０）
付記９に記載のプログラムであって、
前記コンピュータに、更に、
前記ストレス情報から、前記ユーザにおいてストレスを下降させる要因を抽出し、抽出した前記要因に基づいて、前記ユーザにおいてストレスを軽減させるアドバイスを作成し、作成した前記アドバイスを前記ユーザに通知する、アドバイス通知ステップを実行させる、
ことを特徴とするプログラム。
付記９に記載のプログラムであって、
前記コンピュータに、更に、
前記ストレス情報から、前記ユーザにおいてストレスを下降させる要因を抽出し、抽出した前記要因に基づいて、前記ユーザにおいてストレスを軽減させるアドバイスを作成し、作成した前記アドバイスを前記ユーザに通知する、アドバイス通知ステップを実行させる、
ことを特徴とするプログラム。
【0090】
（付記１１）
付記９または１０に記載のプログラムであって、
前記要因抽出ステップにおいて、ユーザの過去のストレスの状態とユーザの過去のアクティビティの情報との関係を、学習することによって構築された、学習モデルを、前記ストレス情報として用いて、前記ユーザにおいてストレスを上昇させる要因を抽出する、
ことを特徴とするプログラム。
付記９または１０に記載のプログラムであって、
前記要因抽出ステップにおいて、ユーザの過去のストレスの状態とユーザの過去のアクティビティの情報との関係を、学習することによって構築された、学習モデルを、前記ストレス情報として用いて、前記ユーザにおいてストレスを上昇させる要因を抽出する、
ことを特徴とするプログラム。
【0091】
（付記１２）
付記１１に記載のプログラムであって、
前記ストレス上昇予測ステップにおいて、前記ユーザのアクティビティの予定、及び抽出した前記要因を、前記学習モデルに適用することによって、前記ユーザにおけるストレスの上昇を予測する、
ことを特徴とするプログラム。
付記１１に記載のプログラムであって、
前記ストレス上昇予測ステップにおいて、前記ユーザのアクティビティの予定、及び抽出した前記要因を、前記学習モデルに適用することによって、前記ユーザにおけるストレスの上昇を予測する、
ことを特徴とするプログラム。
【0092】
以上、実施の形態を参照して本願発明を説明したが、本願発明は上記実施の形態に限定されるものではない。本願発明の構成や詳細には、本願発明のスコープ内で当業者が理解し得る様々な変更をすることができる。
【産業上の利用可能性】
【0093】
以上のように、本発明によれば、将来におけるユーザのストレスの状態を予測することができる。本発明は、人のストレスを管理するシステムに有用である。
【符号の説明】
【0094】
１０ ストレス分析装置
１１ ストレス要因抽出部
１２ ストレス予測部
１３ ストレスレベル推定部
１４ ストレスモデル生成部
１５ ストレスモデル格納部
１６ アクティビティ情報格納部
１７ ストレス軽減部
１８ 出力部
２０ センサ装置
３０ 端末装置
１１０ コンピュータ
１１１ ＣＰＵ
１１２ メインメモリ
１１３ 記憶装置
１１４ 入力インターフェイス
１１５ 表示コントローラ
１１６ データリーダ／ライタ
１１７ 通信インターフェイス
１１８ 入力機器
１１９ ディスプレイ装置
１２０ 記録媒体
１２１ バス
１１ ストレス要因抽出部
１２ ストレス予測部
１３ ストレスレベル推定部
１４ ストレスモデル生成部
１５ ストレスモデル格納部
１６ アクティビティ情報格納部
１７ ストレス軽減部
１８ 出力部
２０ センサ装置
３０ 端末装置
１１０ コンピュータ
１１１ ＣＰＵ
１１２ メインメモリ
１１３ 記憶装置
１１４ 入力インターフェイス
１１５ 表示コントローラ
１１６ データリーダ／ライタ
１１７ 通信インターフェイス
１１８ 入力機器
１１９ ディスプレイ装置
１２０ 記録媒体
１２１ バス
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】