(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】2024-09-27
(45)【発行日】2024-10-07
(54)【発明の名称】心理状態学習装置及び心理状態推定装置
(51)【国際特許分類】
G06N 7/01 20230101AFI20240930BHJP
G16H 10/00 20180101ALI20240930BHJP
【ＦＩ】
G06N7/01
G16H10/00
【請求項の数】
3
(21)【出願番号】P 2021000966
(22)【出願日】2021-01-06
(65)【公開番号】P2022106163
(43)【公開日】2022-07-19
【審査請求日】2023-12-21
(73)【特許権者】
【識別番号】000003621
【氏名又は名称】株式会社竹中工務店
(74)【代理人】
【識別番号】110001519
【氏名又は名称】弁理士法人太陽国際特許事務所
(72)【発明者】
【氏名】▲高▼井 勇志
(72)【発明者】
【氏名】西田 恵
(72)【発明者】
【氏名】宮崎 貴志
【審査官】山本 俊介
(56)【参考文献】
【文献】国際公開第２００８／０３２７８７（ＷＯ，Ａ１）
【文献】特開２０２０－５２７４８（ＪＰ，Ａ）
【文献】特開２０２０－８７３０（ＪＰ，Ａ）
【文献】大田 健紘ほか，隠れマルコフモデルを用いた心拍変動からのＱｏＥ推定の一検討，電子情報通信学会２０１８年総合大会講演論文集 通信２，一般社団法人電子情報通信学会，2018年03月06日，p.255，ISSN:1349-1369
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ｇ０６Ｎ ３／００－９９／００
Ｇ１６Ｈ １０／００
(57)【特許請求の範囲】
【請求項1】
ユーザの心理に関する質問の結果を表す学習用の心理データのモードと、前記ユーザの生理状態を表す学習用の生理データのモードとの組み合わせを表す学習用データを取得する学習用データ取得部と、前記学習用データ取得部により取得された前記学習用データに基づいて、前記ユーザの心理状態が潜在状態へ対応付けられた隠れマルコフモデルを機械学習させることにより、
複数の潜在状態間の遷移確率と潜在状態から前記生理データのモードが出現する出現確率とが求められた第１の学習済みの隠れマルコフモデルを生成し、
複数の潜在状態間の遷移確率と潜在状態から前記心理データのモードが出現する出現確率とが求められた第２の学習済みの隠れマルコフモデルであって、かつ前記遷移確率が前記第１の学習済みの隠れマルコフモデルの前記遷移確率と同一である第２の学習済みの隠れマルコフモデルを生成する学習部と、
を含む心理状態学習装置。
【請求項2】
心理を推定する対象のユーザの生理状態を表す対象生理データを取得する取得部と、請求項１に記載の心理状態学習装置によって生成された前記第１の学習済みの隠れマルコフモデルの前記出現確率と、前記第２の学習済みの隠れマルコフモデルの前記出現確率と、前記取得部により取得された前記対象生理データとに基づいて、前記対象生理データに対する複数の前記心理データのモードのスコアを計算することにより、前記対象のユーザの心理を推定する推定部と、
を含む心理状態推定装置。
【請求項3】
前記推定部は、複数の前記スコアのうちの最も高いスコアに相当する前記心理データのモードに前記対象生理データが該当すると特定することにより、前記心理を推定する、請求項２に記載の心理状態推定装置。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、心理状態学習装置及び心理状態推定装置に関する。
【背景技術】
【0002】
従来、人の状態を推定する技術が知られている（例えば、特許文献１）。例えば、特許文献１の技術は、人の活動量（キロカロリー）、歩数、及び心拍数（１分当たりの拍動数に換算された値）を用いて、その人の状態を推定する技術である（例えば、特許文献１の段落［００２１］）。
【0003】
また、睡眠状態の判定を行う技術が知られている（例えば、特許文献２）。特許文献２の技術は、睡眠の１サイクルを含む時間枠内の単位時間ごとに脳活動計測手段が計測した脳活動を反映する指標に基づいて、当該時間枠に含まれる任意の時刻における睡眠状態を判定する（特許文献２の［要約］）。
【0004】
また、学習処理によって調製された関数を用いて、被検者の睡眠状態が、覚醒段階を含む睡眠状態に於ける複数の睡眠段階のうちのいずれに属するかを判定する技術が知られている（例えば、特許文献３）。
【0005】
また、入眠のしやすさ、入眠の円滑性、冷え性や火照り性による入眠の阻害といった主観的な質問に対応する回答に基づいた睡眠状況の評価と、生体情報に基づいた睡眠状況の評価とを所定の割合で足し合わせることにより、睡眠状況を評価する技術が知られている（例えば、特許文献４）。
【先行技術文献】
【特許文献】
【0006】
【文献】特開2019-032676号公報
【文献】特開2006-192152号公報
【文献】特許第6439729号公報
【文献】特許第5046364号公報
【発明の概要】
【発明が解決しようとする課題】
【0007】
人の心理状態を推定する際には、対象の人の生理状態を表すデータに限らず、対象の人に心理状態に関する質問を投げかけ、その回答結果を利用することも有用であると考えられる。
【0008】
これに関し、上記特許文献１～３の技術は、人から得られた生理状態に関するデータを用いているのみであり、質問の回答等は利用していない。一方で、特許文献４の技術は、主観的な質問に対応するユーザの回答に基づいて睡眠状況の評価を行っている。しかし、特許文献４の技術は、睡眠状況を評価する毎に主観的な質問を実施する必要があり、手間がかかると共にユーザにとって利用しにくいという点がある。
【0009】
そのため、上記特許文献１～４の技術は、心理に関する質問の結果を利用して心理を推定する場合に、人の心理を簡易に推定することができない、という課題がある。
【0010】
本発明は上記事実を考慮して、心理に関する質問の結果を利用しつつ、人の心理を簡易に推定することを目的とする。
【課題を解決するための手段】
【0011】
本発明に係る第１の態様は、ユーザの心理に関する質問の結果を表す学習用の心理データのモードと、前記ユーザの生理状態を表す学習用の生理データのモードとの組み合わせを表す学習用データを取得する学習用データ取得部と、前記学習用データ取得部により取得された前記学習用データに基づいて、前記ユーザの心理状態が潜在状態へ対応付けられた隠れマルコフモデルを機械学習させることにより、複数の潜在状態間の遷移確率と潜在状態から前記生理データのモードが出現する出現確率とが求められた第１の学習済みの隠れマルコフモデルを生成し、複数の潜在状態間の遷移確率と潜在状態から前記心理データのモードが出現する出現確率とが求められた第２の学習済みの隠れマルコフモデルであって、かつ前記遷移確率が前記第１の学習済みの隠れマルコフモデルの前記遷移確率と同一である第２の学習済みの隠れマルコフモデルを生成する学習部と、を含む心理状態学習装置である。
【0012】
また、本発明に係る第２の態様である心理状態推定装置は、心理を推定する対象のユーザの生理状態を表す対象生理データを取得する取得部と、上記の心理状態学習装置によって生成された前記第１の学習済みの隠れマルコフモデルの前記出現確率と、前記第２の学習済みの隠れマルコフモデルの前記出現確率と、前記取得部により取得された前記対象生理データとに基づいて、前記対象生理データに対する複数の前記心理データのモードのスコアを計算することにより、前記心理を推定する対象のユーザの心理を推定する推定部と、を含む心理状態推定装置である。
【0013】
また、本発明に係る第３の態様である心理状態推定装置の前記推定部は、複数の前記スコアのうちの最も高いスコアに相当する前記心理データのモードに前記対象生理データが該当すると特定することにより、前記心理を推定する。
【発明の効果】
【0014】
本発明によれば、心理に関する質問の結果を利用しつつ、人の心理を簡易に推定することができる、という効果が得られる。
【図面の簡単な説明】
【0015】
【図1】実施形態に係る心理状態推定システムを示すブロック図である。
【図2】ユーザ端末１０の一例を示す図である。
【図3】アンケートの一例を示す図である。
【図4】ユーザの心理を表す因子を説明するための図である。
【図5】因子分析結果に基づく心理データの分布を表す図である。
【図6】クラスタリング結果の一例を示す図である。
【図7】実施形態の学習用データを説明するための図である。
【図8】隠れマルコフモデルを説明するための図である。
【図9】第１の学習済みの隠れマルコフモデルの一例を示す図である。
【図10】第２の学習済みの隠れマルコフモデルの一例を示す図である。
【図11A】ウェルネス状態Ｗｉと生理データｓｋと生理モードＰｈｊと心理データｅｋと心理モードＰｓｌとの関係を説明するための図である。
【図11B】対象生理データｓ’と生理モードＰｈｑとウェルネス状態Ｗｉとの関係を説明するための図である。
【図12】データ収集処理ルーチンの内容を示すフローチャートである。
【図13】生理モード生成処理ルーチンの内容を示すフローチャートである。
【図14】心理モード生成処理ルーチンの内容を示すフローチャートである。
【図15】学習処理ルーチンの内容を示すフローチャートである。
【図16】対象データ取得処理ルーチンの内容を示すフローチャートである。
【図17】推定処理ルーチンの内容を示すフローチャートである。
【発明を実施するための形態】
【0016】
以下、図面を参照して本発明の実施形態を詳細に説明する。
【0017】
＜本実施形態の心理状態推定システムの構成＞
【0018】
図１は、実施形態に係る心理状態推定システム１の構成の一例を示すブロック図である。心理状態推定システム１は、機能的には、図１に示されるように、ユーザ端末１０と、心理状態推定装置２０とを含んだ構成で表すことができる。なお、ユーザ端末１０と心理状態推定装置２０とは、インターネット等のネットワーク１５を介して接続されている。
【0019】
図２に、ユーザ端末１０の一例を示す。図２に示されるように、本実施形態のユーザ端末１０は、ユーザＵの心拍数等の生理データを逐次計測可能な端末である。ユーザ端末１０は、計測した生理データを心理状態推定装置２０へ送信する。本実施形態のユーザ端末１０は、睡眠中のユーザＵの心拍数を生理データとして計測する場合を例に説明する。
【0020】
（ユーザ端末）
【0021】
ユーザ端末１０は、ＣＰＵ（Central Processing Unit）、各処理ルーチンを実現するためのプログラム等を記憶したＲＯＭ（Read Only Memory）、データを一時的に記憶するＲＡＭ（Random Access Memory）、記憶手段としてのメモリ、及びネットワークインタフェース等を含んだコンピュータにより実現される。
【0022】
図１に示されるように、ユーザ端末１０は、機能的には、センサ１００と、制御部１０２と、表示部１０４と、入力部１０６と、記憶部１０８とを備えている。
【0023】
センサ１００は、ユーザ端末１０を利用する人の生理状態を表す生理データを逐次取得する。本実施形態では、ユーザが睡眠している際に得られる心拍データが生理データである場合を例に説明する。
【0024】
制御部１０２は、ユーザ端末１０の動作を制御する。例えば、制御部１０２は、入力部１０６により受け付けたユーザの操作情報に応じて、ユーザ端末１０を動作させる。
【0025】
表示部１０４は、制御部１０２による制御に応じて、各種画面を表示する。
【0026】
入力部１０６は、ユーザから入力された操作情報を受け付ける。
【0027】
記憶部１０８は、各種情報を記憶する。
【0028】
なお、制御部１０２は、ユーザが入眠した直後にセンサ１００による心拍データの計測が開始されるようにセンサ１００を制御する。
【0029】
また、制御部１０２は、ユーザが起床した直後に、現在の気分に関するアンケートを表示部１０４に表示させるように制御する。例えば、表示部１０４には、図３に示されるようなアンケートが表示される。なお、アンケート内容は、例えば、既知のＤＡＭＳ（Depression and Anxiety Mood Scale）又はＰＯＭＳ（Profile of Mood States）と称される手法等に基づき予め作成される。
【0030】
表示部１０４にアンケートが表示されると、ユーザはそのアンケートに回答する。例えば、図３に示されるようなアンケートが表示部１０４に表示された場合には、ユーザはスクロールバーを移動させることにより現在の気分を表すスコアを入力する。このようにして、ユーザの心理に関する質問の結果を表す心理データが得られる。
【0031】
制御部１０２は、心理モードと生理データとを対応付けて、記憶部１０８に一旦格納する。そして、制御部１０２は、心理状態推定装置２０から送信された指示信号を受け付けると、心理モードと生理データとの組を、心理状態推定装置２０へ送信する。
【0032】
（心理状態推定装置）
【0033】
心理状態推定装置２０は、ＣＰＵ、各処理ルーチンを実現するためのプログラム等を記憶したＲＯＭ、データを一時的に記憶するＲＡＭ、記憶手段としてのメモリ、及びネットワークインタフェース等を含んだコンピュータにより実現される。
【0034】
図１に示されるように、心理状態推定装置２０は、機能的には、データ収集部２００と、データ記憶部２０２と、学習用データ生成部２０４と、学習用データ記憶部２０６と、学習用データ取得部２０８と、学習部２１２と、学習済みモデル記憶部２１０と、取得部２１４と、推定部２１６とを備えている。
【0035】
データ収集部２００は、ユーザ端末１０から送信された心理データと生理データとの組を受け付ける。なお、心理データ及び生理データはユーザ端末１０により日々計測されるため、データ収集部２００は、日々の心理データ及び生理データを受け付け、データ記憶部２０２へ格納する。
【0036】
データ記憶部２０２には、ユーザ端末１０から送信された各日の心理データ及び生理データが格納される。
【0037】
学習用データ生成部２０４は、心理データのモードを表す心理モードと、生理データのモードを表す心理モードとの組み合わせを表す学習用データを生成する。本実施形態では、心理データを複数のモードへ割り当てると共に、生理データも複数のモードへ割り当てる。以下、具体的に説明する。
【0038】
（心理モードの生成）
【0039】
まず、心理モードの生成方法について説明する。
【0040】
例えば、図３に示されるようなアンケートが２１項目実施されたとする。この場合には、１つのアンケートの項目に対して１つの数値データが得られる。
【0041】
ユーザに対する１回のアンケートにて２１項目に対する数値データの回答が得られるため、これら各数値データを要素として持つベクトルを生成することができる。各日に得られた複数のベクトルに対して既知の因子分析を実行することにより、ユーザの心理を表す主要な因子を得ることが可能である。
【0042】
図４に、ユーザの心理を表す因子を説明するための図を示す。図４に示されるように、「不安な」「心配な」といったアンケートの項目に対して、ユーザが図３に示されるような画面に数値データを入力することにより、「不安な」度合い及び「心配な」度合いを表す数値データが得られる。
【0043】
複数の日に得られた心理データの各々についてベクトルを生成し、それらのベクトル（以下、単に心理特徴ベクトルと称する。）を因子分析することにより、例えば、図４に示されるような３つの主要な因子が特定される。図４では、１つめの因子として「Ｎｅｇａｔｉｖｅ」が特定され、２つめの因子として「Ｐｏｓｉｔｉｖｅ」が特定され、３つめの因子として「Ｐａｉｎ」が特定された例が示されている。なお、「Ｎｅｇａｔｉｖｅ」「Ｐｏｓｉｔｉｖｅ」「Ｐａｉｎ」といった名称は任意に付けられる名称である。
【0044】
この場合、図４に示されるように、「Ｎｅｇａｔｉｖｅ」因子は［0.848,0.822,0.812,・・・］といったベクトルであり、「Ｐｏｓｉｔｉｖｅ」因子は［0.064,0.083,0.113,・・・］といったベクトルであり、「Ｐａｉｎ」因子は［0.009,-0.05,0.022,・・・］といったベクトルである。
【0045】
これらの３因子を３次元空間の各軸として設定すると、図５に示されるような空間が構成される。なお、図５の３次元空間にプロットされている１点は、１つのアンケート結果から得られる心理特徴ベクトルを表している。
【0046】
図５に示されるように、３因子を各軸とした３次元空間に対して心理特徴ベクトルがプロットされた場合、複数の心理特徴ベクトルをクラスタリングすることにより、各心理特徴ベクトルに対してモードを割り当てることができる。例えば、既知のBayesian Gaussian Mixture、K-means、又はGaussian mixture model等の手法によってクラスタリングが行われる。
【0047】
図６は、複数の心理特徴ベクトルのクラスタリング結果の一例を示す図である。図６に示される例では、７つのラベル（Ｌａｂｅｌ０～６）によってクラスタリングがなされている。例えば、Ｌａｂｅｌ３はＰａｉｎが高いクラスタであり、Ｌａｂｅｌ４はＮｅｇａｔｉｖｅが低くかつＰｏｓｉｔｉｖｅが高いクラスタであり、Ｌａｂｅｌ６はＮｅｇａｔｉｖｅが高くかつＰｏｓｉｔｉｖｅが低いクラスタである。１つのクラスタが１つのモードに相当する。
【0048】
このようにして、学習用データ生成部２０４は、複数の日の各々について得られた心理特徴ベクトルをクラスタリングすることにより、学習用の心理モードを生成する。
【0049】
（生理モードの生成）
【0050】
次に、生理モードの生成方法について説明する。
【0051】
学習用データ生成部２０４は、生理データに基づいて、入眠時刻、推定した最低心拍時刻、実際の最低心拍時刻、起床時刻、及び睡眠時間を生成する。また、学習用データ生成部２０４は、生理データに基づいて、入眠時の心拍数、推定した最低心拍数、実際の最低心拍数、起床時の心拍数、睡眠中の心拍数の平均、及び睡眠中の心拍数の標準偏差を生成する。そして、学習用データ生成部２０４は、上記により生成された各値を要素に持つ生理特徴ベクトルを生成する。
【0052】
次に、学習用データ生成部２０４は、生理特徴ベクトルを次元圧縮することにより、次元圧縮がされた生理特徴ベクトルを生成する。例えば、学習用データ生成部２０４は、既知のＵＭＡＰ（Uniform Manifold Approximation and Projection）と称される手法を用いて、生理特徴ベクトルを次元圧縮することにより、３次元ベクトルを生成する。なお、次元圧縮手法はどのような手法を用いてもよく、ＰＣＡ、ｉｓｏｍａｐ、ｔ－ＳＮＥ、又は深層学習により得られた機械学習モデル等が用いられてもよい。
【0053】
そして、学習用データ生成部２０４は、複数の日の各々について得られた生理特徴ベクトルをクラスタリングすることにより各生理特徴ベクトルに対してモードを割り当てて、学習用の生理モードを生成する。例えば、既知のBayesian Gaussian Mixture、K-means、又はGaussian mixture model等の手法によってクラスタリングが行われる。
【0054】
（学習用データの生成）
【0055】
学習用データ生成部２０４は、上記のようにして生成された、学習用の心理モードと学習用の生理モードとを対応付けて１つの学習用データとする。そして、学習用データ生成部２０４は、学習用データを学習用データ記憶部２０６へ格納する。
【0056】
学習用データ記憶部２０６には、複数の学習用データが格納される。図７に、本実施形態の学習用データを説明するための図を示す。図７に示されるように、学習用データは、データ毎に、学習用の心理モードと、学習用の生理モードとが対応付けられて格納される。図７に示されるデータＩＤ「00001」の学習用データは、あるユーザの心理モードが「Ａ１」であった場合に、そのユーザの学習用の生理モードが「Ｂ１」であったことが示されている。
【0057】
学習用データ取得部２０８は、学習用データ記憶部２０６に格納されている複数の学習用データを取得する。
【0058】
学習部２１２は、学習用データ取得部２０８により取得された複数の学習用データに基づいて、ユーザの心理状態が潜在状態へ対応付けられた隠れマルコフモデルを機械学習させる。
【0059】
図８に、隠れマルコフモデルを説明するための図を示す。図８に示されるように、本実施形態では、第１の隠れマルコフモデルＭ１と、第２の隠れマルコフモデルＭ２とを用いて、ユーザの心理モードを推定する。図８に示されるように、第１の隠れマルコフモデルＭ１及び第２の隠れマルコフモデルモデルＭ２の潜在状態をウェルネス状態Ｗｉとし、生理モードをＰｈｊとし、心理モードをＰｓｌとする。なお、ｉはウェルネス状態を識別するためのインデックスであり、ｊは生理モードを識別するためのインデックスであり、ｌは心理モードを識別するためのインデックスである。図８に示されるように、第１の隠れマルコフモデルＭ１と、第２の隠れマルコフモデルＭ２との間において、複数のウェルネス状態Ｗｉ間の遷移確率Ｐ１は共通している。さらに、複数のウェルネス状態Ｗｉ間の遷移確率Ｐ１と、ウェルネス状態Ｗｉから生理モードＰｈｊが出現する出現確率Ｐ２と、ウェルネス状態Ｗｉから心理モードＰｓｌが出現する出現確率Ｐ３とが、図８に示されるように紐づけられいる。このため、図８に示されるようなモデル間の関係に基づいて、心理を推定する対象のユーザの生理状態を表す対象生理データｓ’に応じて、ユーザの心理モードが推定される。
【0060】
まず、学習部２１２は、既知の学習アルゴリズムを用いて、学習用データ取得部２０８により取得された複数の学習用データに基づいて、複数のウェルネス状態Ｗｉ間の遷移確率と、ウェルネス状態Ｗｉから生理モードＰｈｊが出現する出現確率ｐ（Ｐｈｊ｜Ｗｉ）とが求められた第１の学習済みの隠れマルコフモデルを生成する。出現確率ｐ（Ｐｈｊ｜Ｗｉ）は、ウェルネス状態Ｗｉのときに生理モードＰｈｊが出現する確率である。
【0061】
図９は、第１の学習済みの隠れマルコフモデルの一例を示す図である。図９に示される第１の学習済みの隠れマルコフモデルにおいては、例えば、ウェルネス状態Ｗ０からウェルネス状態Ｗ１へ遷移する遷移確率は０．２７であり、ウェルネス状態Ｗ０のときに生理モードＰｈ１が出現する出現確率ｐ（Ｐｈ１｜Ｗ０）は０．３５である。なお、図９の例では、８つの生理モードが示されている。なお、図９の例においては、ウェルネス状態Ｗｉから生理モードＰｈ１，Ｐｈ７への遷移については、図が複雑となるため省略されている。
【0062】
まず、学習部２１２は、図９に示されるような第１の学習済みの隠れマルコフモデルを生成する。
【0063】
次に、学習部２１２は、既知の学習アルゴリズムを用いて、複数のウェルネス状態Ｗｉ間の遷移確率と、ウェルネス状態Ｗｉから心理モードＰｓｌが出現する出現確率ｐ（Ｐｓｌ｜Ｗｉ）とが求められた第２の学習済みの隠れマルコフモデルを生成する。
【0064】
図１０は、第２の学習済みの隠れマルコフモデルの一例を示す図である。図１０に示される第２の学習済みの隠れマルコフモデルにおいては、例えば、ウェルネス状態Ｗ０からウェルネス状態Ｗ１へ遷移する遷移確率は０．２７であり、ウェルネス状態Ｗ０のときに生理モードＰｓ１が出現する出現確率ｐ（Ｐｓ１｜Ｗ０）は０．２８である。なお、図１０の例では、５つの心理モードが示されている。
【0065】
なお、ウェルネス状態Ｗｉから心理モードＰｓｌが出現する出現確率ｐ（Ｐｓｌ｜Ｗｉ）は、以下の式（１）によって表される。
【0066】
【数1】
（１）
【0067】
なお、上記式（１）におけるｅｋは心理データを表し、ｓｋは生理データを表し、ｋは日付を識別するためのインデックスを表し、Ｎは日数である。
【0068】
図１１Ａに、ウェルネス状態Ｗｉと、生理データｓｋと、生理モードＰｈｊと、心理データｅｋと、心理モードＰｓｌとの関係を説明するための説明図を示す。図１１Ａに示されるように、ウェルネス状態Ｗｉと生理モードＰｈｊとは出現確率ｐ（Ｐｈｊ｜Ｗｉ）によって紐づけられており、生理モードＰｈｊと生理データｓｋとは確率ｐ（ｓｋ｜Ｐｈｊ）によって紐づけられている。また、心理データｅｋと心理モードＰｓｌとは確率ｐ（Ｐｓｌ｜ｅｋ）によって紐づけられている。
【0069】
なお、生理モードＰｈｊのときに生理データｓｋが出現する出現確率ｐ（ｓｋ｜Ｐｈｊ）は、以下の式（２）によって表される。
【0070】
【数2】
（２）
【0071】
なお、上記式（２）におけるＮ（ｓｋ｜μｊ，Σｊ）は、ｊ番目の生理モードに含まれる生理データの多変量正規分布であり、μｊはｊ番目の生理モードに含まれる生理データの平均ベクトルであり、Σｊはｊ番目の生理モードに含まれる生理データの分散共分散行列である。
【0072】
また、心理データｅｋが得られたときに心理モードＰｓｌが出現する出現確率ｐ（Ｐｓｌ｜ｅｋ）は、以下の式（３）によって表される。
【0073】
【数3】
（３）
【0074】
なお、上記式（３）におけるπは心理モードのクラスタリング時に求まる混合係数である。また、ｐ（ｅｋ｜Ｐｓｌ）は、心理モードＰｓｌから心理データｅｋが出現する確率であり、以下の式（４）によって表される。
【0075】
【数4】
（４）
【0076】
なお、上記式（４）におけるＮ（ｅｋ｜μｌ，Σｌ）は、ｌ番目の心理モードに含まれる心理データの多変量正規分布であり、μｌはｌ番目の心理モードに含まれる心理データの平均ベクトルであり、Σｌはｌ番目の心理モードに含まれる心理データの分散共分散行列である。
【0077】
学習部２１２は、上記式（１）～（４）に示される関係式と既知の学習アルゴリズムとに基づいて、第１の学習済みの隠れマルコフモデルを生成する。そして、学習部２１２は、ウェルネス状態Ｗｉ間の遷移確率が第１の学習済みの隠れマルコフモデルの遷移確率と同一である、第２の学習済みの隠れマルコフモデルを生成する。
【0078】
学習済みモデル記憶部２１０には、学習済みの第１の隠れマルコフモデル及び学習済みの第２の隠れマルコフモデルが格納される。後述するように、学習済みの第１の隠れマルコフモデル及び学習済みの第２の隠れマルコフモデルを利用することにより、ユーザによるアンケート結果を取得することなくユーザの心理モードを推定することが可能となる。
【0079】
以下、学習済みの第１の隠れマルコフモデル及び学習済みの第２の隠れマルコフモデルを用いてユーザの心理モードを推定する処理について説明する。
【0080】
取得部２１４は、心理を推定する対象のユーザの生理状態を表す対象生理データｓ’を取得する。具体的には、取得部２１４は、ユーザ端末１０から送信された対象生理データｓ’を取得する。なお、対象生理データｓ’が得られた直後にはユーザに対してアンケートは実施されない。
【0081】
推定部２１６は、学習済みモデル記憶部２１０に格納された、第１の学習済みの隠れマルコフモデルの出現確率ｐ（Ｐｈｊ｜Ｗｉ）と、第２の学習済みの隠れマルコフモデルの出現確率ｐ（Ｐｓｌ｜Ｗｉ）と、取得部２１４により取得された対象生理データｓ’とに基づいて、対象生理データｓ’に対する複数の心理モードのスコアを計算することにより、心理を推定する対象のユーザの心理状態を推定する。
【0082】
具体的には、推定部２１６は、以下の式（５）に従って、対象生理データｓ’が得られたときに心理モードＰｓｌが出現する出現確率ｐ（Ｐｓｌ｜ｓ’）を計算する。
【0083】
【数5】
（５）
【0084】
なお、上記式（５）における出現確率ｐ（Ｗｉ｜ｓ’）は、対象生理データｓ’が得られたときにウェルネス状態Ｗｉが出現する出現確率であり、以下の式（６）によって表される。
【0085】
【数6】
（６）
【0086】
なお、推定部２１６による推定処理においては、生理モードを識別するためのインデックスｊに代えてｑを用いる。上記式（６）におけるｐ（Ｐｈｑ｜ｓ’）は、対象生理データｓ’が得られたときに生理モードＰｈｑが出現する出現確率であり、以下の式（７）によって表される。
【0087】
【数7】
（７）
【0088】
なお、上記式（７）におけるπは生理モードのクラスタリング時に求まる混合係数である。また、ｐ（ｓ’｜Ｐｈｑ）は、生理モードＰｈｑから生理データｓ’が出現する確率であり、以下の式（８）によって表される。
【0089】
【数8】
（８）
【0090】
なお、上記式（８）におけるＮ（ｓ’｜μｑ，Σｑ）は、ｑ番目の生理モードに含まれる生理データの多変量正規分布であり、μｑはｑ番目の生理モードに含まれる生理データの平均ベクトルであり、Σｑはｑ番目の生理モードに含まれる生理データの分散共分散行列である。
【0091】
また、上記式（６）におけるｐ（Ｗｉ｜Ｐｈｑ）は、生理モードＰｈｑが得られたときにウェルネス状態Ｗｉが出現する出現確率であり、以下の式（９）によって表される。
【0092】
【数9】
（９）
【0093】
なお、上記式（９）における出現確率ｐ（Ｐｈｑ｜Ｗｉ）は、ウェルネス状態Ｗｉが得られたときに生理モードＰｈｑが出現する確率であり、予め求められる。また、確率ｐ（Ｗｉ）はウェルネス状態Ｗｉが出現する出現確率であり、予め求めることが可能である。確率ｐ（Ｗｉ）は、出現数を全体数で除することにより得られる。
【0094】
図１１Ｂに、対象生理データｓ’と、生理モードＰｈｑと、ウェルネス状態Ｗｉとの関係を説明するための説明図を示す。図１１Ｂに示されるように、対象生理データｓ’と生理モードＰｈｑとは、出現確率ｐ（Ｐｈｑ｜ｓ’）によって紐づけられており、生理モードＰｈｑとウェルネス状態Ｗｉとは確率ｐ（Ｗｉ｜Ｐｈｑ）によって紐づけられている。
【0095】
推定部２１６は、対象生理データｓ’が得られたときに心理モードＰｓｌが出現する出現確率ｐ（Ｐｓｌ｜ｓ’）の計算結果に基づいて、各心理モードＰｓｌの出現確率ｐ（Ｐｓｌ｜ｓ’）の総和が１となるように正規化をする。例えば、推定部２１６は、対象生理データｓ’が得られたときの正規化された確率を以下の式（１０）に従って計算する。以下の式（１０）により計算される確率は、対象生理データｓ’に対する複数の心理モードＰｓｌのスコアに相当する。
【0096】
【数10】
（１０）
【0097】
なお、この場合には、現在のユーザのウェルネス状態を得点化するようにしてもよい。例えば、以下の式（１１）に示されるように、３つの因子の得点を各々ｐｏｓｉｔｉｖｅｌ、ｎｅｇａｔｉｖｅｌ、ｐａｉｎｌと設定し、その得点と正規化された確率とを掛け合わせることにより、ユーザがｐｏｓｉｔｉｖｅであることを表すスコア、ユーザがｎｅｇａｔｉｖｅであることを表すスコア、及びユーザがｐａｉｎであることを表すスコアを算出するようにしてもよい。
【0098】
【数11】
（１１）
【0099】
また、推定部２１６は、上記式（５）によって得られる複数のスコアのうちの最も高いスコアに相当する心理モードに、対象生理データｓ’が該当すると特定することにより、ユーザの心理を推定するようにしてもよい。
【0100】
このように、本実施形態によれば、ユーザの生理データが得られたときのアンケート結果である心理データを用いて隠れマルコフモデルを学習させた後、学習済みの隠れマルコフモデルを用いて新たに得られたユーザの対象生理データが何れの生理モードに相当するのかを特定する。本実施形態によれば、隠れマルコフモデルを学習させる際にはアンケート結果を利用するものの、対象生理データの心理モードを特定する際にはアンケートは必要ないため、心理に関する質問の結果を利用しつつ、人の心理を簡易に推定することができる。
【0101】
＜心理状態推定システムの作用＞
【0102】
次に、図を参照して、心理状態推定システム１の作用を説明する。まず、心理状態推定システム１の心理状態推定装置２０は、生理データの計測と心理データの取得とを指示する指示信号をユーザ端末１０に対して出力する。ユーザ端末１０は、心理状態推定装置２０から出力された指示信号を受け付けると、入眠前のユーザからの操作情報に応じて、図１２に示されているデータ収集処理ルーチンを実行する。
【0103】
ステップＳ１００において、ユーザ端末１０の制御部１０２は、睡眠時のユーザの生理データを取得する。
【0104】
ステップＳ１０２において、ユーザ端末１０の制御部１０２は、ユーザが起床したか否かを判定する。例えば、ユーザ端末１０の制御部１０２は、操作情報を受け付けた場合に、ユーザが起床したと判定する。ユーザが起床したと判定された場合には、ステップＳ１０４へ進む。一方、ユーザは起床していないと判定された場合には、ステップＳ１００へ戻り、ユーザの生理データの計測が継続される。
【0105】
ステップＳ１０４において、ユーザ端末１０の制御部１０２は、表示部１０４に対してアンケートを表示させるように制御する。
【0106】
ユーザ端末１０の表示部１０４にアンケートが表示されると、ユーザは、アンケートに対する回答をユーザ端末１０へ入力する。
【0107】
ステップＳ１０６において、ユーザ端末１０の制御部１０２は、ユーザから入力されたアンケート結果を心理データとして取得する。
【0108】
ステップＳ１０８において、ユーザ端末１０の制御部１０２は、上記ステップＳ１００で取得された生理データと上記ステップＳ１０６で取得された心理データとを対応付けて、心理状態推定装置２０へ送信する。
【0109】
ユーザ端末１０からデータが送信されると、心理状態推定装置２０のデータ収集部２００は、ユーザの生理データと心理データとの組み合わせをデータ記憶部２０２へ格納する。
【0110】
なお、上記図１２のデータ収集処理ルーチンは複数日に亘って実行され、各日のユーザの生理データとアンケート結果との組み合わせが心理状態推定装置２０へ送信される。このため、心理状態推定装置２０のデータ記憶部２０２には、複数日のユーザの生理データと心理データとの組み合わせが格納される。
【0111】
所定量の学習用の生理データと学習用の心理データとの組み合わせがデータ記憶部２０２へ格納されると、心理状態推定装置２０は、図１３～図１４に示される各処理ルーチンを実行する。まず、心理状態推定装置２０は、図１３に示される生理モード生成処理ルーチンを実行する。
【0112】
ステップＳ２００において、学習用データ生成部２０４は、データ記憶部２０２に格納されている複数の学習用の生理データを読み出す。
【0113】
ステップＳ２０２において、学習用データ生成部２０４は、上記ステップＳ２００で読み出された複数の学習用の生理データの各々について、生理データを表す特徴ベクトルである生理特徴ベクトルを生成する。
【0114】
なお、生理特徴ベクトルは、上述したように、入眠時刻、推定した最低心拍時刻、実際の最低心拍時刻、起床時刻、睡眠時間、入眠時の心拍数、推定した最低心拍数、実際の最低心拍数、起床時の心拍数、睡眠中の心拍数の平均、及び睡眠中の心拍数の標準偏差を要素として持つベクトルである。
【0115】
ステップＳ２０４において、学習用データ生成部２０４は、上記ステップＳ２０２で得られた複数の生理特徴ベクトルを次元圧縮する。上記の生理特徴ベクトルは１１次元のベクトルであるが生理特徴ベクトルを次元圧縮することにより、例えば、３次元のベクトルが生成される。
【0116】
ステップＳ２０６において、学習用データ生成部２０４は、上記ステップＳ２０４で得られた圧縮された生理特徴ベクトルをクラスタリングすることにより複数の生理モードを生成する。この場合、１つのクラスタが１つの生理モードに対応する。
【0117】
次に、心理状態推定装置２０は、図１４に示される心理モード生成処理ルーチンを実行する。
【0118】
ステップＳ３００において、学習用データ生成部２０４は、データ記憶部２０２に格納されている複数の学習用の心理データを読み出す。
【0119】
ステップＳ３０２において、学習用データ生成部２０４は、上記ステップＳ３００で読み出された複数の学習用の心理データの各々について、心理データを表す特徴ベクトルである心理特徴ベクトルを生成する。なお、心理特徴ベクトルは、「不安な」「心配な」といった２１項目のアンケートに対してユーザから回答された数値データを要素として持つベクトルである。このため、心理特徴ベクトルは、２１次元のベクトルである。
【0120】
ステップＳ３０４において、学習用データ生成部２０４は、上記ステップＳ３０２で得られた複数の心理特徴ベクトルに対して既知の因子分析を実行することにより、３因子「Ｎｅｇａｔｉｖｅ」「Ｐｏｓｉｔｉｖｅ」「Ｐａｉｎ」を特定する。そして、学習用データ生成部２０４は、３因子に対応するベクトルを各軸とする空間へ複数の心理特徴ベクトルをマッピングすることにより、複数の心理特徴ベクトルを次元圧縮する。
【0121】
ステップＳ３０６において、学習用データ生成部２０４は、上記ステップＳ３０４で得られた圧縮された心理特徴ベクトルをクラスタリングすることにより複数の心理モードを生成する。この場合、１つのクラスタが１つの心理モードに対応する。
【0122】
上述したように、複数の生理データの各々について生理モードが対応付けられ、複数の心理データの各々について心理モードが対応付けられると、学習用データ生成部２０４は、生理モードと心理モードとを対応付けて学習用データとして学習用データ記憶部２０６へ格納する。
【0123】
学習用データ記憶部２０６に複数の学習用データが格納されると、心理状態推定装置２０は、図１５に示される学習処理ルーチンを実行する。
【0124】
ステップＳ４００において、心理状態推定装置２０の学習用データ取得部２０８は、学習用データ記憶部２０６に格納された複数の学習用データを取得する。
【0125】
ステップＳ４０２において、心理状態推定装置２０の学習部２１２は、上記ステップＳ４００で取得された複数の学習用データに基づいて、隠れマルコフモデルを機械学習させることにより、第１の学習済みの隠れマルコフモデルを生成する。
【0126】
ステップＳ４０４において、心理状態推定装置２０の学習部２１２は、上記ステップＳ４０２で得られた第１の学習済みの隠れマルコフモデルのうちの複数の潜在状態間の遷移確率を、第２の学習済みの隠れマルコフモデルの複数の潜在状態間の遷移確率として設定した上で、上記ステップＳ４００で取得された複数の学習用データに基づいて、第２の学習済みの隠れマルコフモデルを生成する。
【0127】
ステップＳ４０６において、心理状態推定装置２０の学習部２１２は、上記ステップＳ４０２で生成された第１の学習済みの隠れマルコフモデルと、上記ステップＳ４０４で生成された第２の学習済みの隠れマルコフモデルとを、学習済みモデル記憶部２１０へ格納する。
【0128】
学習済みモデル記憶部２１０へ各学習済みモデルが格納されると、アンケート結果を利用することなくユーザの心理状態を推定することが可能となる。
【0129】
心理状態推定システム１の心理状態推定装置２０は、対象生理データの計測を指示する指示信号をユーザ端末１０に対して出力する。ユーザ端末１０は、心理状態推定装置２０から出力された指示信号を受け付けると、入眠前のユーザからの操作情報に応じて、図１６に示されている対象データ取得処理ルーチンを実行する。
【0130】
ステップＳ５００において、ユーザ端末１０の制御部１０２は、睡眠時のユーザの対象生理データを取得する。
【0131】
ステップＳ５０２において、ユーザ端末１０の制御部１０２は、ユーザが起床したか否かを判定する。例えば、ユーザ端末１０の制御部１０２は、操作情報を受け付けた場合に、ユーザが起床したと判定する。ユーザが起床したと判定された場合には、ステップＳ５０４へ進む。一方、ユーザは起床していないと判定された場合には、ステップＳ５００へ戻り、ユーザの対象生理データの計測が継続される。
【0132】
ステップＳ５０４において、ユーザ端末１０の制御部１０２は、上記ステップＳ５００で取得された対象生理データを心理状態推定装置２０へ送信する。
【0133】
ユーザ端末１０から対象生理データが送信されると、心理状態推定装置２０の推定部２１６は、図１７に示される推定処理ルーチンを実行する。
【0134】
ステップＳ６００において、推定部２１６は、ユーザ端末１０から送信された対象生理データｓ’を取得する。
【0135】
ステップＳ６０２において、推定部２１６は、学習済みモデル記憶部２１０に記憶された第１の学習済みの隠れマルコフモデルのうちの出現確率ｐ（Ｐｈｑ｜Ｗｉ）と、ウェルネス状態Ｗｉが出現する出現確率ｐ（Ｗｉ）とに基づいて、上記式（９）に従って、生理モードＰｈｑが得られたときにウェルネス状態Ｗｉが出現する出現確率ｐ（Ｗｉ｜Ｐｈｑ）を計算する。
【0136】
ステップＳ６０４において、推定部２１６は、上記ステップＳ６００で取得された対象生理データｓ’に対して、上記式（７）及び式（８）に従って、対象生理データｓ’が得られたときに生理モードＰｈｑが出現する出現確率ｐ（Ｐｈｑ｜ｓ’）を計算する。
【0137】
ステップＳ６０６において、推定部２１６は、上記ステップＳ６０２で計算された出現確率ｐ（Ｗｉ｜Ｐｈｑ）と、上記ステップＳ６０４で計算された出現確率ｐ（Ｐｈｑ｜ｓ’）とに基づいて、上記式（６）に従って、対象生理データｓ’が得られたときにウェルネス状態Ｗｉが出現する出現確率ｐ（Ｗｉ｜ｓ’）を計算する。
【0138】
ステップＳ６０８において、推定部２１６は、上記ステップＳ６０６で計算された出現確率ｐ（Ｗｉ｜ｓ’）と、学習済みモデル記憶部２１０に記憶された第２の学習済みの隠れマルコフモデルのうちの出現確率ｐ（Ｐｓｌ｜Ｗｉ）とに基づいて、上記式（５）に従って、対象生理データｓ’が得られたときに心理モードＰｓｌが出現する出現確率ｐ（Ｐｓｌ｜ｓ’）を計算する。
【0139】
ステップＳ６１０において、推定部２１６は、上記ステップＳ６０８で計算された出現確率ｐ（Ｐｓｌ｜ｓ’）に基づいて、ユーザの心理は何れの心理モードに該当するかを推定する。例えば、推定部２１６は、ユーザは出現確率ｐ（Ｐｓｌ｜ｓ’）が最も高い心理モードＰｓｌであると特定する。
【0140】
ステップＳ６１０において、推定部２１６は、上記ステップＳ６１０で特定された心理モードを、ユーザの心理であるとして出力する。
【0141】
以上詳細に説明したように、実施形態の心理状態推定装置は、ユーザの心理に関する質問の結果を表す学習用の心理モードと、ユーザの生理状態を表す学習用の生理モードとの組み合わせを表す学習用データに基づいて、ユーザの心理状態が潜在状態へ対応付けられた隠れマルコフモデルを機械学習させる。そして、心理状態推定装置は、複数の潜在状態間の遷移確率と潜在状態から生理モードが出現する出現確率とが求められた第１の学習済みの隠れマルコフモデルを生成し、複数の潜在状態間の遷移確率と潜在状態から心理モードが出現する出現確率とが求められた第２の学習済みの隠れマルコフモデルであって、かつ遷移確率が第１の学習済みの隠れマルコフモデルの遷移確率と同一である第２の学習済みの隠れマルコフモデルを生成する。これにより、心理に関する質問の結果を利用しつつ、人の心理を簡易に推定するための学習済みモデルを得ることができる。
【0142】
また、実施形態の心理状態推定装置は、心理を推定する対象のユーザの生理状態を表す対象生理データを取得し、第１の学習済みの隠れマルコフモデルの出現確率と、第２の学習済みの隠れマルコフモデルの出現確率と、取得された対象生理データとに基づいて、対象生理データに対する複数の心理モードのスコアを計算することにより、対象のユーザの心理を推定する。これにより、心理に関する質問の結果を利用しつつ、人の心理を簡易に推定することができる。
【0143】
なお、本発明は、上述した実施形態に限定されるものではなく、この発明の要旨を逸脱しない範囲内で様々な変形や応用が可能である。
【0144】
例えば、上記実施形態では、睡眠時の生理データに基づいてユーザの心理を推定する場合を例に説明したが、これに限定されるものではない。例えば、宇宙船内の閉鎖空間及び極限状態において、ユーザがどのような心理であるのかを推定するようにしてもよい。
【0145】
また、上記では本発明に係るプログラムが記憶部（図示省略）に予め記憶（インストール）されている態様を説明したが、本発明に係るプログラムは、ＣＤ－ＲＯＭ、ＤＶＤ－ＲＯＭ及びマイクロＳＤカード等の記録媒体に記録されている形態で提供することも可能である。
【符号の説明】
【0146】
１ 心理状態推定システム
２０ 心理状態推定装置
１００ センサ
１０２ 制御部
１０４ 表示部
１０６ 入力部
１０８ 記憶部
２００ データ収集部
２０２ データ記憶部
２０４ 学習用データ生成部
２０６ 学習用データ記憶部
２０８ 学習用データ取得部
２１０ 学習済みモデル記憶部
２１２ 学習部
２１４ 取得部
２１６ 推定部
２０ 心理状態推定装置
１００ センサ
１０２ 制御部
１０４ 表示部
１０６ 入力部
１０８ 記憶部
２００ データ収集部
２０２ データ記憶部
２０４ 学習用データ生成部
２０６ 学習用データ記憶部
２０８ 学習用データ取得部
２１０ 学習済みモデル記憶部
２１２ 学習部
２１４ 取得部
２１６ 推定部
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11A】
【図11B】
【図12】
【図13】
【図14】
【図15】
【図16】
【図17】
