ホーム > 特許ランキング > 日本電信電話株式会社
(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】2024-11-25
(45)【発行日】2024-12-03
(54)【発明の名称】温度推定システムおよび温度推定方法
(51)【国際特許分類】
A61B 5/01 20060101AFI20241126BHJP
G01K 13/20 20210101ALI20241126BHJP
【ＦＩ】
A61B5/01 100
G01K13/20 361
【請求項の数】
8
(21)【出願番号】P 2023528810
(86)(22)【出願日】2021-06-15
(86)【国際出願番号】 JP2021022707
(87)【国際公開番号】W WO2022264271
(87)【国際公開日】2022-12-22
【審査請求日】2023-11-21
(73)【特許権者】
【識別番号】000004226
【氏名又は名称】日本電信電話株式会社
(74)【代理人】
【識別番号】100098394
【弁理士】
【氏名又は名称】山川 茂樹
(74)【代理人】
【識別番号】100153006
【弁理士】
【氏名又は名称】小池 勇三
(74)【代理人】
【識別番号】100064621
【弁理士】
【氏名又は名称】山川 政樹
(74)【代理人】
【識別番号】100121669
【弁理士】
【氏名又は名称】本山 泰
(72)【発明者】
【氏名】田中 雄次郎
(72)【発明者】
【氏名】松永 大地
【審査官】増渕 俊仁
(56)【参考文献】
【文献】特開２０１９－２０７１２４（ＪＰ，Ａ）
【文献】特開２０２０－３２９１（ＪＰ，Ａ）
【文献】特開２０１８－１８３５６４（ＪＰ，Ａ）
【文献】特開２０２１－１０７２１（ＪＰ，Ａ）
【文献】米国特許出願公開第２０１９／０３２３８９５（ＵＳ，Ａ１）
【文献】米国特許出願公開第２０１８／００９２５４５（ＵＳ，Ａ１）
【文献】松永 大地 Daichi Matsunaga，電子情報通信学会２０１９年通信ソサイエティ大会講演論文集１ PROCEEDINGS OF THE 2019 IEICE COMMUNICATIONS SOCIETY CONFERENCE，2019年09月12日
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ａ６１Ｂ ５／００－５／０１
Ｇ０１Ｋ １３／２０
(57)【特許請求の範囲】
【請求項1】
断熱材と、被検体と向かい合う前記断熱材の面に設けられ、前記被検体の表面の温度を計測するように構成された第１の温度センサと、
前記第１の温度センサの直上の前記断熱材の内部の温度を計測するように構成された第２の温度センサと、
前記第１の温度センサから離れた位置の前記被検体の表面の温度を計測するように構成された第３の温度センサと、
前記第１、第２、第３の温度センサの計測結果に基づいて前記被検体の熱抵抗に関連する比例係数を推定するように構成された学習器と、
前記第１、第２の温度センサの計測結果と前記比例係数とに基づいて前記被検体の内部温度を算出するように構成された温度算出部とを備えることを特徴とする温度推定システム。
【請求項2】
請求項１記載の温度推定システムにおいて、前記被検体の心拍数を計測するように構成された心拍測定部をさらに備え、
前記学習器は、前記第１、第２、第３の温度センサの計測結果と前記心拍測定部の計測結果とに基づいて前記比例係数を推定することを特徴とする温度推定システム。
【請求項3】
断熱材と、被検体と向かい合う前記断熱材の面に設けられ、前記被検体の表面の温度を計測するように構成された第１の温度センサと、
前記第１の温度センサの直上の前記断熱材の内部の温度を計測するように構成された第２の温度センサと、
前記第１の温度センサから離れた位置の前記被検体の表面の温度を計測するように構成された第３の温度センサと、
前記第１、第２、第３の温度センサの計測結果に基づいて前記被検体の内部温度を推定するように構成された学習器とを備えることを特徴とする温度推定システム。
【請求項4】
請求項３記載の温度推定システムにおいて、前記被検体の心拍数を計測するように構成された心拍測定部をさらに備え、
前記学習器は、前記第１、第２、第３の温度センサの計測結果と前記心拍測定部の計測結果とに基づいて前記被検体の内部温度を推定することを特徴とする温度推定システム。
【請求項5】
請求項１または３記載の温度推定システムにおいて、前記被検体の状態または前記被検体の周囲の環境に対応するために予め用意された前記学習器を複数備え、
前記第１の温度センサの計測結果と前記第２の温度センサの計測結果の少なくとも一方に基づいて、前記複数の学習器の中から、前記被検体の状態または前記被検体の周囲の環境に対応した学習器を前記推定のために選択するように構成された選択部をさらに備えることを特徴とする温度推定システム。
【請求項6】
請求項２または４記載の温度推定システムにおいて、前記被検体の状態または前記被検体の周囲の環境に対応するために予め用意された前記学習器を複数備え、
前記第１の温度センサの計測結果と前記第２の温度センサの計測結果と前記心拍測定部の計測結果のうち少なくとも１つに基づいて、前記複数の学習器の中から、前記被検体の状態または前記被検体の周囲の環境に対応した学習器を前記推定のために選択するように構成された選択部をさらに備えることを特徴とする温度推定システム。
【請求項7】
被検体と向かい合う断熱材の面に設けられた第１の温度センサによって前記被検体の表面の温度を計測する第１のステップと、前記第１の温度センサの直上の前記断熱材の内部の温度を第２の温度センサによって計測する第２のステップと、
前記第１の温度センサから離れた位置の前記被検体の表面の温度を第３の温度センサによって計測する第３のステップと、
前記第１、第２、第３のステップの計測結果に基づいて前記被検体の熱抵抗に関連する比例係数を学習済みの学習器によって推定する第４のステップと、
前記第１、第２のステップの計測結果と前記比例係数とに基づいて前記被検体の内部温度を算出する第５のステップとを含むことを特徴とする温度推定方法。
【請求項8】
請求項７記載の温度推定方法において、前記被検体の心拍数を計測する第６のステップをさらに含み、
前記第４のステップは、前記第１、第２、第３のステップの計測結果と前記第６のステップの計測結果とに基づいて前記比例係数を推定するステップを含むことを特徴とする温度推定方法。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、生体等の被検体の内部温度を非侵襲に精度良く推定する温度推定システムおよび温度推定方法に関するものである。
【背景技術】
【0002】
人間の持つ概日リズム、いわゆる体内時計は、睡眠、運動、仕事の質だけでなく、投薬の効果や疾患の発症など我々の体に関する様々なものと密接に関連していることが近年の時間生物学の研究からわかってきた。概日リズムは、ほぼ一定に刻まれているが、生活の中で暴露される光、運動、食生活、また、年齢や性別によっても大きく変化することが知られている。
【0003】
概日リズムを測るための指標としては深部体温が知られている。しかし、一般に深部体温を測る方法は、直腸に温度計を挿入するか、あるいは耳を密閉した状態で鼓膜の温度を測るなどの方法であり、日々の活動中や睡眠中に深部体温を測る方法としては非常にストレスがかかる方法であった。
【0004】
一方、生体の深部体温を非侵襲に測定する技術としては、疑似的に熱の流れを一次元等価回路モデルに置き換えて、生体の深部体温を推定する技術がある（特許文献１、非特許文献１参照）。
【0005】
特許文献１、非特許文献１に開示された方法は、図２６に示すように生体１００とセンサ１０１の熱等価回路モデルを用いて、生体１００の深部体温Ｔcbtを推定するものである。生体１００の深部体温Ｔcbtは、生体１００の表面に、熱抵抗Ｒsensorを有するセンサ１０１を置いたとき、生体１００と接するセンサ１０１の表面側の温度Ｔskinと、生体１００と接する面と反対側のセンサ１０１の上面の温度Ｔtopとから、式（１）を用いて推定できる。
Ｔcbt＝Ｔskin＋α×Ｈskin ・・・（１）
Ｔcbt＝Ｔskin＋α×Ｈskin ・・・（１）
【0006】
ここで、Ｈskinは生体１００の皮膚表面の熱流束であり、式（２）で表される。
Ｈskin＝（Ｔskin－Ｔtop）／Ｒskin ・・・（２）
また、αは生体１００の熱抵抗Ｒbodyに関連する比例係数、Ｒskinはセンサ１０１の熱抵抗である。
Ｈskin＝（Ｔskin－Ｔtop）／Ｒskin ・・・（２）
また、αは生体１００の熱抵抗Ｒbodyに関連する比例係数、Ｒskinはセンサ１０１の熱抵抗である。
【0007】
しかしながら、特許文献１、非特許文献１に開示された従来の方法では、生体１００からセンサ１０１を通って外気へ輸送される熱の流れを定常と仮定するため、生体１００に風が当たったり、生体１００が走ったり、生体１００が温かい場所から急に冷たい場所に移動したりした場合には、深部体温Ｔcbtの推定に過渡的な誤差が生じるという課題があった。
【0008】
また、従来の方法では、生体１００の熱抵抗Ｒbodyを時間に関係なく一定とし、比例係数αも一定と仮定していた。しかし、生体１００の皮膚近傍の血流状態は、生体１００の姿勢や運動などでも変化する。このため、熱抵抗Ｒbodyは一定ではなく時々刻々と変化する。
【0009】
人が日常生活の中で室内外を行き来したり、姿勢を横にしたりしたときに、従来の方法で推定した深部体温Ｔcbtと鼓膜温度計によって計測した真の深部体温（鼓膜温）Ｔrefとを図２７に示す。
【0010】
真の深部体温Ｔrefと、推定した深部体温Ｔcbtとの差は、人に風が当たったときに、センサ１０１の上面の温度Ｔtopと人の皮膚表面の温度Ｔskinとがそれぞれ定常状態に落ち着く迄の時間に差があることと、人の姿勢によって血流が変化することなどに起因している。また、風が絶えず変化しているような状態では、人が安静にしていて血流変化がないような状態でも、温度が定常状態に落ち着くことが期待できない。
また、従来の方法は、熱の流れが定常と仮定できる状態においても、測定の度に鼓膜温度計などの別のセンサを用いて比例係数αを逐一校正する必要がある。
また、従来の方法は、熱の流れが定常と仮定できる状態においても、測定の度に鼓膜温度計などの別のセンサを用いて比例係数αを逐一校正する必要がある。
【0011】
物体内の温度分布は一般に下式の熱伝導方程式で記述することができる。
【0012】
【数1】
【0013】
式（３）において、Ｔは温度、ｋは熱伝導率、ｃは熱容量、ρは密度、Ｑは内部での発熱である。Ｑは運動時等に発生する項である。Δは空間に関する二回微分の演算子で、３次元の直交座標系においては∂2／∂ｘ2＋∂2／∂ｙ2＋∂2／∂ｚ2である。熱特性に関する値ｋ，ρ，ｃは、人の肌の水分量、人の活動による毛細血管の拡張収縮、発汗、人の姿勢などで変化する血圧による血管の拡張収縮など、様々な要因で時々刻々と変化する。式（１）におけるαは、ｋ／（ρｃ）に相当する比例係数であるため、比例係数αも時々刻々と変化することになる。
【0014】
特許文献１、非特許文献１に開示された従来の方法では、１次元熱等価回路モデルを用いているが、先に述べているように熱容量ｃや密度ρといったパラメータが変化すると、１次元熱等価回路モデルは成り立たなくなる。言い換えれば、熱の流れが十分に安定している対象であれば内部温度を推定できるが、生体のような非定常な動的な対象では内部温度を推定することはできない。そのため、何らかの方法で式（３）を考慮に入れて内部温度（深部体温Ｔcbt）あるいは比例係数αを求める必要がある。
【先行技術文献】
【特許文献】
【0015】
【文献】特開２０２０－００３２９１号公報
【非特許文献】
【0016】
【文献】K.Kitamura et al.，“Development of a new method for the noninvasive measurement of deep body temperature without a heater”，Medical Engineering & Physics，vol.32，No.1，pp.1-6，2010
【発明の概要】
【発明が解決しようとする課題】
【0017】
本発明は、上記課題を解決するためになされたもので、測定の度に比例係数を校正することなく、生体等の被検体の内部温度の推定誤差を低減することができる温度推定システムおよび温度推定方法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】
【0018】
本発明の温度推定システムは、断熱材と、被検体と向かい合う前記断熱材の面に設けられ、前記被検体の表面の温度を計測するように構成された第１の温度センサと、前記第１の温度センサの直上の前記断熱材の内部の温度を計測するように構成された第２の温度センサと、前記第１の温度センサから離れた位置の前記被検体の表面の温度を計測するように構成された第３の温度センサと、前記第１、第２、第３の温度センサの計測結果に基づいて前記被検体の熱抵抗に関連する比例係数を推定するように構成された学習器と、前記第１、第２の温度センサの計測結果と前記比例係数とに基づいて前記被検体の内部温度を算出するように構成された温度算出部とを備えることを特徴とするものである。
また、本発明の温度推定システムの１構成例は、前記被検体の心拍数を計測するように構成された心拍測定部をさらに備え、前記学習器は、前記第１、第２、第３の温度センサの計測結果と前記心拍測定部の計測結果とに基づいて前記比例係数を推定することを特徴とするものである。
また、本発明の温度推定システムの１構成例は、前記被検体の心拍数を計測するように構成された心拍測定部をさらに備え、前記学習器は、前記第１、第２、第３の温度センサの計測結果と前記心拍測定部の計測結果とに基づいて前記比例係数を推定することを特徴とするものである。
【0019】
また、本発明の温度推定システムは、断熱材と、被検体と向かい合う前記断熱材の面に設けられ、前記被検体の表面の温度を計測するように構成された第１の温度センサと、前記第１の温度センサの直上の前記断熱材の内部の温度を計測するように構成された第２の温度センサと、前記第１の温度センサから離れた位置の前記被検体の表面の温度を計測するように構成された第３の温度センサと、前記第１、第２、第３の温度センサの計測結果に基づいて前記被検体の内部温度を推定するように構成された学習器とを備えることを特徴とするものである。
また、本発明の温度推定システムの１構成例は、前記被検体の心拍数を計測するように構成された心拍測定部をさらに備え、前記学習器は、前記第１、第２、第３の温度センサの計測結果と前記心拍測定部の計測結果とに基づいて前記被検体の内部温度を推定することを特徴とするものである。
また、本発明の温度推定システムの１構成例は、前記被検体の心拍数を計測するように構成された心拍測定部をさらに備え、前記学習器は、前記第１、第２、第３の温度センサの計測結果と前記心拍測定部の計測結果とに基づいて前記被検体の内部温度を推定することを特徴とするものである。
【0020】
また、本発明の温度推定システムの１構成例は、前記被検体の状態または前記被検体の周囲の環境に対応するために予め用意された前記学習器を複数備え、前記第１の温度センサの計測結果と前記第２の温度センサの計測結果の少なくとも一方に基づいて、前記複数の学習器の中から、前記被検体の状態または前記被検体の周囲の環境に対応した学習器を前記推定のために選択するように構成された選択部をさらに備えることを特徴とするものである。
また、本発明の温度推定システムの１構成例は、前記被検体の状態または前記被検体の周囲の環境に対応するために予め用意された前記学習器を複数備え、前記第１の温度センサの計測結果と前記第２の温度センサの計測結果と前記心拍測定部の計測結果のうち少なくとも１つに基づいて、前記複数の学習器の中から、前記被検体の状態または前記被検体の周囲の環境に対応した学習器を前記推定のために選択するように構成された選択部をさらに備えることを特徴とするものである。
また、本発明の温度推定システムの１構成例は、前記被検体の状態または前記被検体の周囲の環境に対応するために予め用意された前記学習器を複数備え、前記第１の温度センサの計測結果と前記第２の温度センサの計測結果と前記心拍測定部の計測結果のうち少なくとも１つに基づいて、前記複数の学習器の中から、前記被検体の状態または前記被検体の周囲の環境に対応した学習器を前記推定のために選択するように構成された選択部をさらに備えることを特徴とするものである。
【0021】
また、本発明の温度推定方法は、被検体と向かい合う断熱材の面に設けられた第１の温度センサによって前記被検体の表面の温度を計測する第１のステップと、前記第１の温度センサの直上の前記断熱材の内部の温度を第２の温度センサによって計測する第２のステップと、前記第１の温度センサから離れた位置の前記被検体の表面の温度を第３の温度センサによって計測する第３のステップと、前記第１、第２、第３のステップの計測結果に基づいて前記被検体の熱抵抗に関連する比例係数を学習済みの学習器によって推定する第４のステップと、前記第１、第２のステップの計測結果と前記比例係数とに基づいて前記被検体の内部温度を算出する第５のステップとを含むことを特徴とするものである。
また、本発明の温度推定方法の１構成例は、前記被検体の心拍数を計測する第６のステップをさらに含み、前記第４のステップは、前記第１、第２、第３のステップの計測結果と前記第６のステップの計測結果とに基づいて前記比例係数を推定するステップを含むことを特徴とするものである。
また、本発明の温度推定方法の１構成例は、前記被検体の心拍数を計測する第６のステップをさらに含み、前記第４のステップは、前記第１、第２、第３のステップの計測結果と前記第６のステップの計測結果とに基づいて前記比例係数を推定するステップを含むことを特徴とするものである。
【発明の効果】
【0022】
本発明によれば、第１、第２、第３の温度センサの計測結果に基づいて、または第１、第２、第３の温度センサの計測結果と心拍測定部の計測結果とに基づいて比例係数を推定し、被検体の内部温度を算出することにより、測定の度に比例係数を校正することなく、被検体の内部温度を高精度に推定することができる。
【0023】
また、本発明では、第１、第２、第３の温度センサの計測結果に基づいて、または第１、第２、第３の温度センサの計測結果と心拍測定部の計測結果とに基づいて被検体の内部温度を推定することにより、測定の度に比例係数を校正することなく、被検体の内部温度を高精度に推定することができる。
【図面の簡単な説明】
【0024】
【発明を実施するための形態】
【0025】
［発明の原理］
式（３）における∂Ｔ／∂ｔ，ΔＴ，Ｑに相当する値を測定することができれば、式（３）のｋ／（ｃρ）を推定することができる。生体１００の表面にセンサ１０１ａを配置した模式図を図１に示す。センサ１０１ａの近傍の生体１００においても、式（３）に示す熱伝導方程式は成り立っている。
式（３）における∂Ｔ／∂ｔ，ΔＴ，Ｑに相当する値を測定することができれば、式（３）のｋ／（ｃρ）を推定することができる。生体１００の表面にセンサ１０１ａを配置した模式図を図１に示す。センサ１０１ａの近傍の生体１００においても、式（３）に示す熱伝導方程式は成り立っている。
【0026】
熱特性に関する値ｋ，ρ，ｃは時々刻々と変化するパラメータであるが、ｋ，ρ，ｃの空間的な特性の変化は比較的小さいという特徴がある。すなわち、ｋ，ρ，ｃの値は時々刻々と変化するものの、空間的にはほぼ一様という仮定が成り立つ。センサ１０１ａの近傍での式（３）の熱伝導方程式は、深部温度Ｔcbtとも関連していると言える。また、生体１００の熱抵抗に関連する比例係数αは、ｋ／（ｃρ）に対応するため、センサ１０１ａの近傍での式（３）の熱伝導方程式と関連している。
【0027】
したがって、センサ１０１ａの近傍での式（３）の関係を基に深部体温Ｔcbtを推定することが可能である。また、式（３）を基に推定される比例係数αを用いて、式（１）から深部体温Ｔcbtを推定することができる。
【0028】
ここで、センサ１０１ａの近傍で式（３）の関係を考えると、∂Ｔ／∂ｔ，ΔＴを推定するには、温度の時系列データと生体１００の表面の温度分布と生体１００の表面からセンサ１０１ａに流れ込む熱とを測る必要がある。例えば図１のように従来の温度Ｔskin，Ｔtopに加えて、Ｔskinから離れた位置の皮膚表面の温度Ｔsideを測定すれば、ＴskinとＴsideとの差、およびＴskinとＴtopとの差からΔＴに対応する値を求めることができる。一方、Ｑは、生体１００の運動の強度と密接に関係しているため、生体１００の心拍数Ｎや活動量Ａから類推することができる。
【0029】
つまり、温度Ｔskin，Ｔtop，Ｔsideおよび心拍数Ｎと、深部体温Ｔcbtとの関係を示す関数ｆにより、深部体温Ｔcbtを推定することができる。
Ｔcbt＝ｆ（Ｔskin，Ｔtop，Ｔside，Ｎ） ・・・（４）
Ｔcbt＝ｆ（Ｔskin，Ｔtop，Ｔside，Ｎ） ・・・（４）
【0030】
また、温度Ｔskin，Ｔtop，Ｔsideおよび心拍数Ｎと、比例係数αとの関係を示す関数ｇにより、比例係数αを推定することができる。
α＝ｇ（Ｔskin，Ｔtop，Ｔside，Ｎ） ・・・（５）
α＝ｇ（Ｔskin，Ｔtop，Ｔside，Ｎ） ・・・（５）
【0031】
一般に、式（３）とＴskin，Ｔtop，Ｔside，Ｎとを初等関数で対応付けることは困難であるが、無次元数あるいは畳み込みニューラルネットワークを用いて対応付けることが可能である。
【0032】
［第１の実施例］
以下、本発明の実施例について図面を参照して説明する。図２は本発明の第１の実施例に係る温度推定システムの構成を示すブロック図である。温度推定システムは、温度測定部１（温度測定装置）と、心拍測定部２（心拍測定装置）と、ＰＣ（Personal Computer）やスマートフォン等からなる端末３と、サーバ装置４とから構成される。
以下、本発明の実施例について図面を参照して説明する。図２は本発明の第１の実施例に係る温度推定システムの構成を示すブロック図である。温度推定システムは、温度測定部１（温度測定装置）と、心拍測定部２（心拍測定装置）と、ＰＣ（Personal Computer）やスマートフォン等からなる端末３と、サーバ装置４とから構成される。
【0033】
温度測定部１は、生体１００（人体などの被検体）の皮膚表面の温度Ｔskinを計測する温度センサ１０と、温度センサ１０の直上の断熱材１２の内部の温度Ｔtopを計測する温度センサ１１と、温度センサ１０と温度センサ１１とを保持する断熱材１２と、温度センサ１０から離れた位置の生体１００の皮膚表面の温度Ｔsideを計測する温度センサ１３と、データの記憶のための記憶部１４と、温度Ｔskin，Ｔtop，Ｔsideのデータを端末３に送信する通信部１５と、記憶部１４へのデータの読み書きや通信を制御する制御部１６とを備えている。
【0034】
温度測定部１は、例えば樹脂製の筐体１７の表面とこの表面に露出する断熱材１２とが生体１００の皮膚と接触するように配置される。温度センサ１０は、断熱材１２の生体側の面に設けられる。温度センサ１１は、温度センサ１０の直上の断熱材１２の内部に設けられる。断熱材１２は、温度センサ１０と温度センサ１１とを保持し、且つ温度センサ１１に流入する熱に対する抵抗体となる。断熱材１２の材料としては、例えばＰＥＴ樹脂がある。また、温度センサ１３は、温度センサ１０から離れた位置に、生体１００の皮膚と接触するように配置される。
【0035】
図３は生体１００と接する温度測定部１の筐体１７の表面を示す平面図である。図３に示すように、温度センサ１３は、温度センサ１０の周囲の一箇所に配置される。後述のように、温度センサ１３を、温度センサ１０の周囲に複数個配置してもよい。
【0036】
心拍測定部２は、例えば光電脈波法により生体１００の心拍数Ｎを測定する。心拍測定部２の例としては、例えば腕時計型の心拍測定装置がある。
【0037】
サーバ装置４は、端末３とのデータの送受信のための通信部４０と、データの記憶のための記憶部４１と、温度Ｔskin，Ｔside，Ｔtopと心拍数Ｎとをテンソルに変換するテンソル生成部４２と、温度Ｔskin，Ｔside，Ｔtopに対する比例係数α、または温度Ｔskin，Ｔside，Ｔtopと心拍数Ｎとに対する比例係数αを推定するための学習済みの学習器４３と、学習器４３の機械学習を行う機械学習部４４と、生体１００の深部体温Ｔcbt（内部温度）を算出する温度算出部４５とを備えている。
【0038】
図４は温度測定部の別の例を示す図である。図４の温度測定部１ａは、温度センサ１３を複数備えるものである。図５は生体１００と接する温度測定部１ａの筐体１７の表面を示す平面図である。図５に示すように、温度測定部１ａの筐体１７の表面には温度センサ１０の周囲に複数の温度センサ１３が配置されている。
【0039】
図６は温度測定部の別の例を示す図である。図６の温度測定部１ｂは、温度センサ１０，１３と断熱材１２とを収容する筐体１７と、記憶部１４と通信部１５と制御部１６とを収容する筐体１８とを別にしたものである。温度センサ１０，１３と筐体１８側のデバイスとの間は配線１９によって接続されている。生体１００側から見た温度センサ１０，１３の配置は図５と同様である。
【0040】
図７は温度測定部の別の例を示す図である。図７の温度測定部１ｃは、図６の温度測定部１ｂにおいて、断熱材１２の周囲に複数の断熱材２０を配置したものである。温度センサ１０は、断熱材１２の生体側の面に設けられる。温度センサ１３は、断熱材２０の生体側の面に設けられる。温度センサ１１は、温度センサ１０，１３の直上の断熱材１２，２０の内部に設けられる。生体１００側から見た温度センサ１０，１３の配置は図５と同様である。
【0041】
図８は温度測定部の別の例を示す図である。図８の温度測定部１ｄは、図６の温度測定部１ｂにおいて、温度センサ１３を温度センサ１０の周囲に２重に配置したものである。図９は生体１００と接する温度測定部１ｄの筐体１７の表面を示す平面図である。
【0042】
図１０は温度測定部の別の例を示す図である。図１０の温度測定部１ｅは、図４の温度測定部１ａにおいて、筐体１７内に外気や風の影響を抑制する内部構造体２１を設けたものである。温度センサ１０，１１，１３は、内部構造体２１によって外気から遮断される。内部構造体２１は、例えばアルミのような熱伝導率が良い材料からなる。内部構造体２１は、例えば円錐台状やドーム状の形状で、温度センサ１０，１１，１３と断熱材１２とを覆うようになっている。生体１００側から見た温度センサ１０，１３の配置は図５と同様である。
【0043】
図１１は温度測定部の別の例を示す図である。図１１の温度測定部１ｆは、図１０の温度測定部１ｅと同様の構成を有する。ただし、温度センサ１３を内部構造体２１の内側ではなく、外側に配置している。図１２は生体１００と接する温度測定部１ｆの筐体１７の表面を示す平面図である。
【0044】
また、温度測定部１ａ，１ｂ，１ｃ，１ｅ，１ｆにおいて、温度センサ１３を図１３のように配置してもよい。また、温度測定部１ａ，１ｂ，１ｃ，１ｅ，１ｆにおいて、温度センサ１３を図１４のように配置してもよい。
【0045】
【0046】
【0047】
温度測定部１，１ａ～１ｇの温度センサ１０は、生体１００の皮膚表面の温度Ｔskinを計測する。温度センサ１３は、温度センサ１０から離れた位置の生体１００の皮膚表面の温度Ｔsideを計測する。温度センサ１１は、生体１００から遠ざかる位置の断熱材１２の内部の温度Ｔtopを計測する（図１６ステップＳ１００）。温度センサ１０，１３，１１の計測データは記憶部１４にいったん格納される。温度センサ１０，１３，１１は、それぞれ温度Ｔskin，Ｔside，Ｔtopを一定間隔、例えば１秒おきに計測する。
【0048】
温度測定部１，１ａ～１ｇの通信部１５は、温度Ｔskin，Ｔside，ＴtopのデータをＰＣやスマートフォン等からなる端末３に送信する（図１６ステップＳ１０１）。
端末３は、受信した温度Ｔskin，Ｔside，Ｔtopのデータをサーバ装置４に送信する（図１６ステップＳ１０２）。サーバ装置４の通信部４０は、受信した温度Ｔskin，Ｔside，Ｔtopのデータを記憶部４１に格納する。
端末３は、受信した温度Ｔskin，Ｔside，Ｔtopのデータをサーバ装置４に送信する（図１６ステップＳ１０２）。サーバ装置４の通信部４０は、受信した温度Ｔskin，Ｔside，Ｔtopのデータを記憶部４１に格納する。
【0049】
次に、サーバ装置４のテンソル生成部４２は、深層学習に利用するデータセットに必要な時系列データの取得に必要な時間τ（例えば１０２４秒）の経過後に（図１６ステップＳ１０３においてＹＥＳ）、時間τ分の温度Ｔskin，Ｔside，Ｔtopの各時系列データをテンソルに変換する（図１６ステップＳ１０４）。
【0050】
例えば図１７に示すような１秒おきに計測された温度Ｔskin，Ｔside，Ｔtopの時系列データがあったとする。テンソル生成部４２は、温度Ｔskin，Ｔside，Ｔtopの１０２４秒分の各時系列データをテンソルに変換する場合、温度Ｔskin，Ｔside，Ｔtopからそれぞれ３２℃を減算し、さらに減算後のデータを４℃で除算することにより、温度Ｔskin，Ｔside，Ｔtopをそれぞれ正規化する。そして、図１７のテンソルＴｅの例で示すように、正規化した温度Ｔskin，Ｔside，Ｔtopのそれぞれの時間のデータをテンソル（画像）のピクセルとして並べていけばよい。
【0051】
なお、複数の温度センサ１１によって温度Ｔtopを計測する場合についても、それぞれの温度Ｔtopを正規化し、正規化した温度Ｔtopのそれぞれの時間のデータをテンソルのピクセルとして並べていけばよい。同様に、複数の温度センサ１３によって温度Ｔsideを計測する場合についても、それぞれの温度度Ｔsideを正規化し、正規化した温度度Ｔsideのそれぞれの時間のデータをテンソルのピクセルとして並べていけばよい。
【0052】
次に、サーバ装置４の学習器４３は、温度Ｔskin，Ｔside，Ｔtopと比例係数αとの関係、または温度Ｔskin，Ｔside，Ｔtopと心拍数Ｎと比例係数αとの関係をモデル化した、ソフトウェア的に構築されたモデルである。学習器４３は、テンソル生成部４２からテンソルが入力されたときの比例係数αの推定結果を出力する（図１６ステップＳ１０５）。学習器４３の例としては、例えばＣＮＮ（Convolutional Neural Network）学習器がある。
【0053】
学習器４３は、事前に学習させておくことが必要である。具体的には、事前の試験時に、生体１００の温度Ｔskin，Ｔside，Ｔtopの各時系列データを取得すると同時に、例えば鼓膜温度計によって真の深部体温Ｔrefの時系列データを取得する。同時刻の温度Ｔskin，Ｔtop，Ｔrefのデータを用いて、式（６）により比例係数αを算出することを時刻毎に行うことにより、比例係数αの時系列データを得る。
α＝（Ｔref－Ｔskin）／（Ｔskin－Ｔtop） ・・・（６）
α＝（Ｔref－Ｔskin）／（Ｔskin－Ｔtop） ・・・（６）
【0054】
そして、温度Ｔskin，Ｔside，Ｔtopと比例係数αの各時系列データをテンソル生成部４２によってテンソルに変換する。サーバ装置４の機械学習部４４は、テンソルを用いて学習器４３の機械学習を行う。具体的には、機械学習部４４は、温度Ｔskin，Ｔside，Ｔtopの各時系列データを学習器４３の入力変数とし、比例係数αを学習器４３の出力変数として、目的とする出力変数が得られるように学習器４３の機械学習を行う。こうして、ステップＳ１０５の比例係数αの推定の前に、学習器４３を学習させておくことができる。
【0055】
次に、サーバ装置４の温度算出部４５は、温度Ｔskin，Ｔtopに基づいて生体１００の皮膚表面の熱流束Ｈskinを式（２）により算出し、温度Ｔskinと熱流束Ｈskinと学習器４３が推定した比例係数αとに基づいて生体１００の深部体温Ｔcbtを式（１）により算出する（図１６ステップＳ１０６）。断熱材１２の熱抵抗Ｒskinは、記憶部４１に予め記憶されている。なお、温度算出部４５は、熱流束Ｈskinを用いずに、式（７）により深部体温Ｔcbtを算出してもよい。
Ｔcbt＝Ｔskin＋α×（Ｔskin－Ｔtop） ・・・（７）
Ｔcbt＝Ｔskin＋α×（Ｔskin－Ｔtop） ・・・（７）
【0056】
深部体温Ｔcbtの算出に使用する温度Ｔskin，Ｔtopについては、時間τ分の温度Ｔskin，Ｔtopの時系列データのうち、それぞれ最新の値を用いて深部体温Ｔcbtを算出してもよいし、時間τ分の温度Ｔskin，Ｔtopのそれぞれの代表値（例えば平均値）を用いてもよい。また、複数の温度センサ１１によって温度Ｔtopを計測する場合には、所定の一箇所の温度センサ１１によって計測された温度Ｔtopを用いて深部体温Ｔcbtを算出してもよいし、複数の温度センサ１１によって計測された温度Ｔtopの代表値（例えば平均値）を用いてもよい。
【0057】
本実施例では、温度精度±０．１℃に対して３０℃から４２．０℃程度の範囲で小数点第１位程度まで深部体温Ｔcbtが分かれば充分である。そのため、例えばＣＮＮ学習器を用いる場合、学習器４３の出力層を１２０個用意しておけばよい。
【0058】
なお、学習器４３の学習が十分でなかったり過学習なデータが含まれたりする場合は、深部体温Ｔcbtの推定値が極端に大きかったり小さかったりすることがある。このような深部体温Ｔcbtの異常値が生じる確率は小さい。このため、パーティクルフィルタ等の統計的な信号処理と古典制御で用いられる１次遅れ系のフィルタとによって、深部体温Ｔcbtの異常値を十分に取り除くことができる。
【0059】
サーバ装置４の通信部４０は、温度算出部４５によって算出された深部体温Ｔcbtのデータを端末３に送信する（図１６ステップＳ１０７）。
端末３は、サーバ装置４から受信した深部体温Ｔcbtの値を表示する（図１６ステップＳ１０８）。
端末３は、サーバ装置４から受信した深部体温Ｔcbtの値を表示する（図１６ステップＳ１０８）。
【0060】
以上のようにして、時間τ毎に深部体温Ｔcbtが算出される。本実施例では、深部体温Ｔcbtの推定誤差を低減することができる。
【0061】
なお、生体１００の運動強度が大きいときは、生体１００の心拍数Ｎも取得した方がよい。この場合の温度推定システムの動作を図１８を用いて説明する。ステップＳ１００，Ｓ１０１の処理は上記で説明したとおりである。
【0062】
心拍測定部２は、一定間隔、例えば１秒おきに生体１００の心拍数Ｎ（瞬時心拍数）を計測する（図１８ステップＳ１０９）。心拍測定部２は、心拍数Ｎのデータを端末３に送信する（図１８ステップＳ１１０）。なお、図１５に示したように、温度測定部１ｇの内部に心拍測定部２が設けられている場合には、通信部１５から端末３に心拍数Ｎのデータを送信する。
【0063】
端末３は、受信した温度Ｔskin，Ｔside，Ｔtopのデータと心拍数Ｎのデータをサーバ装置４に送信する（図１８ステップＳ１０２ａ）。サーバ装置４の通信部４０は、受信した温度Ｔskin，Ｔside，Ｔtopのデータと心拍数Ｎのデータを記憶部４１に格納する。
【0064】
サーバ装置４のテンソル生成部４２は、時間τの経過後に（図１８ステップＳ１０３においてＹＥＳ）、時間τ分の温度Ｔskin，Ｔside，Ｔtopと時間τ分の心拍数Ｎの各時系列データをテンソルに変換する（図１８ステップＳ１０４ａ）。ここでは、温度Ｔskin，Ｔside，Ｔtopと同様に、心拍数Ｎのデータをテンソルのピクセルとして並べていけばよい。
【0065】
サーバ装置４の学習器４３は、テンソル生成部４２からテンソルが入力されたときの比例係数αの推定結果を出力する（図１８ステップＳ１０５ａ）。心拍数Ｎのデータを用いる場合、事前の試験時に、生体１００の温度Ｔskin，Ｔside，Ｔtopと心拍数Ｎの各時系列データを取得すると同時に、鼓膜温度計によって真の深部体温Ｔrefの時系列データを取得する。同時刻の温度Ｔskin，Ｔtop，Ｔrefのデータを用いて、式（６）により比例係数αを算出することを時刻毎に行うことにより、比例係数αの時系列データを得る。
【0066】
そして、温度Ｔskin，Ｔside，Ｔtopと心拍数Ｎと比例係数αの各時系列データをテンソル生成部４２によってテンソルに変換する。サーバ装置４の機械学習部４４は、温度Ｔskin，Ｔside，Ｔtopの各時系列データと心拍数Ｎの時系列データを学習器４３の入力変数とし、比例係数αを学習器４３の出力変数として、目的とする出力変数が得られるように学習器４３の機械学習を行う。こうして、ステップＳ１０５ａの比例係数αの推定の前に、学習器４３を学習させておくことができる。
【0067】
ステップＳ１０６～Ｓ１０８の処理は上記で説明したとおりである。こうして、心拍数Ｎのデータを用いることにより、生体１００の運動強度が大きいときにおいても、深部体温Ｔcbtの推定誤差を低減することができる。
【0068】
人が日常生活の中で室内外を行き来したり、姿勢を横にしたりしたときに、本実施例の方法で推定した深部体温Ｔcbtを図１９Ａに示し、鼓膜温度計によって計測した真の深部体温（鼓膜温）Ｔrefを図１９Ｂに示す。図２７に示した従来の方法で推定した深部体温Ｔcbtと比べて、本実施例によれば、ノイズが抑制されると共に誤差が補正され、鼓膜温に近い推定結果が得られていることが分かる。本実施例によれば、測定の度に比例係数αを校正する必要がなく、かつ生体の血流の影響や、外気温や風の影響を受けずに高精度に深部体温Ｔcbtを推定することができる。
【0069】
［第２の実施例］
次に、本発明の第２の実施例について説明する。図２０は本発明の第２の実施例に係る温度推定システムのサーバ装置の構成を示すブロック図である。本実施例のサーバ装置４ａは、通信部４０と、記憶部４１と、テンソル生成部４２と、生体１００の状態または生体１００の周囲の環境に対応するために予め用意された複数の学習器４３－１～４３－３と、機械学習部４４と、温度算出部４５と、温度Ｔskin，Ｔtop、心拍数Ｎのうち少なくとも１つに基づいて、複数の学習器４３－１～４３－３の中から、生体１００の状態または周囲の環境に対応した学習器を選択する選択部４６とを備えている。
温度測定部１，１ａ～１ｇの構成は第１の実施例で説明したとおりである。
次に、本発明の第２の実施例について説明する。図２０は本発明の第２の実施例に係る温度推定システムのサーバ装置の構成を示すブロック図である。本実施例のサーバ装置４ａは、通信部４０と、記憶部４１と、テンソル生成部４２と、生体１００の状態または生体１００の周囲の環境に対応するために予め用意された複数の学習器４３－１～４３－３と、機械学習部４４と、温度算出部４５と、温度Ｔskin，Ｔtop、心拍数Ｎのうち少なくとも１つに基づいて、複数の学習器４３－１～４３－３の中から、生体１００の状態または周囲の環境に対応した学習器を選択する選択部４６とを備えている。
温度測定部１，１ａ～１ｇの構成は第１の実施例で説明したとおりである。
【0070】
必要となる温度精度に対して、比例係数αの精度を決めることができる。本実施例では、温度精度±０．１℃に対して、血流などの状態で変化する比例係数αは、およそ２．０から１２．０程度で小数点第１位程度まで分かれば充分である。そのため、例えばＣＮＮ学習器を用いる場合、学習器の出力層を１００個用意しておけば比例係数αの変化と精度に対応できる。αの範囲をある程度限定できる場合は深部体温をそのまま推定する場合よりも、出力層を小さくできるメリットがある。
【0071】
図２１は本実施例の温度推定システムの動作を説明するフローチャートである。第１の実施例と同様に、温度測定部１，１ａ～１ｇの温度センサ１０，１３，１１は、温度Ｔskin，Ｔside，Ｔtopを例えば１秒おきに計測する（図２１ステップＳ２００）。
温度測定部１，１ａ～１ｇの通信部１５は、温度Ｔskin，Ｔside，Ｔtopのデータを端末３に送信する（図２１ステップＳ２０１）。
温度測定部１，１ａ～１ｇの通信部１５は、温度Ｔskin，Ｔside，Ｔtopのデータを端末３に送信する（図２１ステップＳ２０１）。
【0072】
心拍測定部２は、例えば１秒おきに生体１００の心拍数Ｎ（瞬時心拍数）を計測する（図２１ステップＳ２０２）。心拍測定部２は、心拍数Ｎのデータを端末３に送信する（図２１ステップＳ２０３）。図１５に示したように、温度測定部１ｇの内部に心拍測定部２が設けられている場合には、通信部１５から端末３に心拍数Ｎのデータを送信する。
【0073】
端末３は、受信した温度Ｔskin，Ｔside，Ｔtopのデータと心拍数Ｎのデータをサーバ装置４ａに送信する（図２１ステップＳ２０４）。
サーバ装置４ａのテンソル生成部４２は、時間τの経過後に（図２１ステップＳ２０５においてＹＥＳ）、時間τ分の温度Ｔskin，Ｔside，Ｔtopと時間τ分の心拍数Ｎの各時系列データをテンソルに変換する（図２１ステップＳ２０６）。
サーバ装置４ａのテンソル生成部４２は、時間τの経過後に（図２１ステップＳ２０５においてＹＥＳ）、時間τ分の温度Ｔskin，Ｔside，Ｔtopと時間τ分の心拍数Ｎの各時系列データをテンソルに変換する（図２１ステップＳ２０６）。
【0074】
次に、サーバ装置４ａの選択部４６は、予め用意された学習器４３－１～４３－３の中から、比例係数αの推定に使用する学習器を選択する。学習器の出力層の範囲を環境や利用シーンによって切り替えることで、より精度の高い推定を行うことができる。例えば、一般に健常者の睡眠中は、健常者が室内に居て外気温も安定している。このため、比例係数αは２から６程度であり、学習器の出力層は４０個程度あればよい。一方、人が屋外で運動する場合は、暑熱または寒冷の環境下で深部体温の変化も大きいため、用意しておく学習器の出力層の範囲を広げておくことが望ましい。
【0075】
そこで、深部体温の推定の高精度化のため、学習器を複数個用意しておき、場面ごとに切り替えることが望ましい。例えば運動状態または暑熱・寒冷の環境に対応する学習器４３－１と、日常生活に対応する学習器４３－２と、睡眠状態に対応する学習器４３－３とを予め用意する。選択部４６は、皮膚表面の温度Ｔskin、センサ上部の温度Ｔtop、または心拍数Ｎを指標として、使用する学習器を選択する。
【0076】
具体的には、選択部４６は、温度Ｔtopが閾値Ｔtop＿th＿highより高い場合、温度Ｔtopが閾値Ｔtop＿th＿lowより低い場合、温度Ｔskinが閾値Ｔskin＿thより高い場合、心拍数Ｎが閾値Ｎthより高い場合のいずれかが成立するときに（図２１ステップＳ２０７においてＹＥＳ）、学習器４３－１を使用すると判定する（図２１ステップＳ２０８）。
【0077】
Ｔtop＿th＿highは、外気が高い暑熱環境下か否かを判定するための温度閾値である。Ｔtop＿th＿lowは、外気が低い寒冷環境下か否かを判定するための温度閾値である。Ｔskin＿thは、生体１００が風邪等による発熱状態か否か、または運動による発熱状態か否かを判定するための温度値である。Ｎthは、生体１００が運動状態か否かを判定するための心拍数閾値である。
【0078】
一方、選択部４６は、ステップＳ２０７の判定が成立せず、心拍数Ｎが閾値Ｎth＿lowより低いときには（図２１ステップＳ２０９においてＹＥＳ）、学習器４３－３を使用すると判定する（図２１ステップＳ２１０）。閾値Ｎth＿lowは、生体１００が睡眠状態か否か、または安静な状態か否かを判定するための心拍数閾値である。
【0079】
選択部４６は、ステップＳ２０７，Ｓ２０９の判定がいずれも成立しないときには（ステップＳ２０９においてＮＯ）、学習器４３－２を使用すると判定する（図２１ステップＳ２１１）。
【0080】
なお、時間τ分の温度Ｔskin，Ｔtopと時間τ分の心拍数Ｎの各時系列データのうち、それぞれ最新の値を用いてステップＳ２０７，Ｓ２０９の判定を行ってもよいし、時間τ分の温度Ｔskin，Ｔtop、心拍数Ｎのそれぞれの代表値（例えば平均値）を用いて判定を行ってもよい。また、複数の温度センサ１１によって温度Ｔtopを計測する場合には、所定の一箇所の温度センサ１１によって計測された温度Ｔtopを用いてステップＳ２０７の判定を行ってもよいし、複数の温度センサ１１によって計測された温度Ｔtopの代表値（例えば平均値）を用いて判定を行ってもよい。
【0081】
サーバ装置４ａの学習器４３－１～４３－３のうち、選択部４６によって選択された学習器は、テンソル生成部４２から入力されたテンソルに対する比例係数αの推定結果を出力する（図２１ステップＳ２１２）。
【0082】
学習器４３－１～４３－３は、それぞれ対応する環境や利用シーンに応じて事前に学習しておく必要がある。すなわち、学習器４３－１については、運動状態または暑熱・寒冷の環境下での生体１００の温度Ｔskin，Ｔside，Ｔtop，Ｔrefと心拍数Ｎのデータを取得して学習を行う。学習器４３－２については、日常の生活中の生体１００の温度Ｔskin，Ｔside，Ｔtop，Ｔrefと心拍数Ｎのデータを取得して学習を行う。学習器４３－３については、睡眠状態の生体１００の温度Ｔskin，Ｔside，Ｔtop，Ｔrefと心拍数Ｎのデータを取得して学習を行う。
【0083】
図２１のステップＳ２１３～Ｓ２１５の処理は、第１の実施例のステップＳ１０６～Ｓ１０８の処理と同じである。
以上のようにして、時間τ毎に深部体温Ｔcbtが算出される。学習器４３－１～４３－３をクラウドサーバ側に設ける場合、学習器４３－１～４３－３の学習を逐次進め、利用しながら更新と高精度化を進めていくことができる。
以上のようにして、時間τ毎に深部体温Ｔcbtが算出される。学習器４３－１～４３－３をクラウドサーバ側に設ける場合、学習器４３－１～４３－３の学習を逐次進め、利用しながら更新と高精度化を進めていくことができる。
【0084】
なお、温度センサ１０，１３の保護のため、温度センサ１０，１３が生体１００の皮膚と直に触れないようにしてもよい。例えばＰＥＴ樹脂などの熱容量の小さい材料からなる薄いシート状の部材を生体側の筐体１７の表面に設け、この部材を介して温度センサ１０，１３が生体１００の皮膚表面の温度Ｔskin，Ｔsideを計測するようにしてもよい。
また、第１、第２の実施例では、学習器４３，４３－１～４３－３によって比例係数αを推定した後に深部体温Ｔcbtを算出しているが、学習器４３，４３－１～４３－３によって深部体温Ｔcbtを推定するようにしてもよい。
また、第１、第２の実施例では、学習器４３，４３－１～４３－３によって比例係数αを推定した後に深部体温Ｔcbtを算出しているが、学習器４３，４３－１～４３－３によって深部体温Ｔcbtを推定するようにしてもよい。
【0085】
学習器４３，４３－１～４３－３によって深部体温Ｔcbtを推定する場合、サーバ装置４，４ａの機械学習部４４は、事前の試験時に取得した温度Ｔskin，Ｔside，Ｔtop，Ｔrefの各時系列データから変換されたテンソルを用いて学習器４３，４３－１～４３－３の機械学習を行う。具体的には、機械学習部４４は、温度Ｔskin，Ｔside，Ｔtopの各時系列データを学習器４３，４３－１～４３－３の入力変数とし、深部体温Ｔrefを学習器４３，４３－１～４３－３の出力変数として、目的とする出力変数が得られるように学習器４３，４３－１～４３－３の機械学習を行う。
【0086】
心拍数Ｎのデータを用いる場合、機械学習部４４は、事前の試験時に取得した温度Ｔskin，Ｔside，Ｔtop，Ｔrefと心拍数Ｎの各時系列データから変換されたテンソルを用いて学習器４３，４３－１～４３－３の機械学習を行う。具体的には、機械学習部４４は、温度Ｔskin，Ｔside，Ｔtopの各時系列データと心拍数Ｎの時系列データを学習器４３，４３－１～４３－３の入力変数とし、深部体温Ｔrefを学習器４３，４３－１～４３－３の出力変数として、目的とする出力変数が得られるように学習器４３，４３－１～４３－３の機械学習を行う。
【0087】
学習器４３，４３－１～４３－３によって深部体温Ｔcbtを推定する場合、温度算出部４５が不要になることは言うまでもない。第１の実施例において深部体温Ｔcbtを推定する場合の動作を図２２、図２３に示し、第２の実施例において深部体温Ｔcbtを推定する場合の動作を図２４に示す。図２２は心拍測定部２を使用しない例を示し、図２３は心拍測定部２を使用する例を示している。
【0088】
図２２、図２３の例では、学習器４３は、テンソル生成部４２から入力されたテンソルに対する深部体温Ｔcbtの推定結果を出力する（ステップＳ１０６ａ）。
図２４の例では、学習器４３－１～４３－３のうち、選択部４６によって選択された学習器は、テンソル生成部４２から入力されたテンソルに対する深部体温Ｔcbtの推定結果を出力する（ステップＳ２１３ａ）。
図２４の例では、学習器４３－１～４３－３のうち、選択部４６によって選択された学習器は、テンソル生成部４２から入力されたテンソルに対する深部体温Ｔcbtの推定結果を出力する（ステップＳ２１３ａ）。
【0089】
なお、比例係数αに対して深部体温Ｔcbtは変動が連続的かつ緩やかなので、通常は比例係数αを推定した方が精度がよい。
【0090】
第１、第２の実施例で説明した温度測定部１，１ａ～１ｇの記憶部１４と通信部１５と制御部１６とは、ＣＰＵ（Central Processing Unit）、記憶装置及びインタフェースを備えたコンピュータと、これらのハードウェア資源を制御するプログラムによって実現することができる。このコンピュータの構成例を図２５に示す。
【0091】
コンピュータは、ＣＰＵ２００と、記憶装置２０１と、インタフェース装置（Ｉ／Ｆ）２０２とを備えている。Ｉ／Ｆ２０２には、温度センサ１０，１１，１３、通信部１５のハードウェア等が接続される。このようなコンピュータにおいて、本発明の温度推定方法を実現させるための温度推定プログラムは、記憶装置２０１に格納される。ＣＰＵ２００は、記憶装置２０１に格納されたプログラムに従って第１、第２の実施例で説明した処理を実行する。
端末３とサーバ装置４，４ａの各々についてもコンピュータによって実現することができる。
端末３とサーバ装置４，４ａの各々についてもコンピュータによって実現することができる。
【産業上の利用可能性】
【0092】
本発明は、生体等の被検体の内部温度を推定する技術に適用することができる。
【符号の説明】
【0093】
１，１ａ～１ｇ…温度測定部、２…心拍測定部、３…端末、４，４ａ…サーバ装置、１０，１１，１３…温度センサ、１２，２０…断熱材、１４，４１…記憶部、１５，４０…通信部、１６…制御部、１７，１８…筐体、１９…配線、２１…内部構造体、４２…テンソル生成部、４３，４３－１～４３－３…学習器、４４…機械学習部、４５…温度算出部、４６…選択部。
【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】
【図19A】
【図19B】
【図20】
【図21】
【図22】
【図23】
【図24】
【図25】
【図26】
【図27】