特許 7605293 学習装置、ストレス推定装置、学習方法、ストレス推定方法及びプログラム

(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】2024-12-16

(45)【発行日】2024-12-24

(54)【発明の名称】学習装置、ストレス推定装置、学習方法、ストレス推定方法及びプログラム

(51)【国際特許分類】

   G06Q 10/04 20230101AFI20241217BHJP

   G16H 50/30 20180101ALI20241217BHJP

【ＦＩ】

G06Q10/04

G16H50/30

【請求項の数】 15

(21)【出願番号】P 2023510140

(86)(22)【出願日】2021-04-02

(86)【国際出願番号】 JP2021014357

(87)【国際公開番号】W WO2022208874

(87)【国際公開日】2022-10-06

【審査請求日】2023-09-26

(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】100107331

【弁理士】

【氏名又は名称】中村 聡延

(74)【代理人】

【識別番号】100104765

【弁理士】

【氏名又は名称】江上 達夫

(74)【代理人】

【識別番号】100131015

【弁理士】

【氏名又は名称】三輪 浩誉

(72)【発明者】

【氏名】辻川 剛範

(72)【発明者】

【氏名】北出 祐

(72)【発明者】

【氏名】中島 嘉樹

(72)【発明者】

【氏名】梅松 旭美

(72)【発明者】

【氏名】渋谷 恵

(72)【発明者】

【氏名】古川 あずさ

【審査官】渡邉 加寿磨

(56)【参考文献】

【文献】特開２０１９－２０２０３１（ＪＰ，Ａ）

【文献】特開２０１２－７５７０８（ＪＰ，Ａ）

【文献】特開２０１８－１１７２０（ＪＰ，Ａ）

【文献】特開２０１３－２７５７０（ＪＰ，Ａ）

【文献】米国特許出願公開第２０２０／００１２６６５（ＵＳ，Ａ１）

【文献】特開２０２０－１９０９３６（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０６Ｑ １０／００－９９／００

Ｇ１６Ｈ １０／００－８０／００

(57)【特許請求の範囲】

【請求項1】

対象者の観測特徴量を、前記対象者の属性又は環境の少なくとも一方に基づきクラスタごとに分割する第１分割を行う第１分割手段と、
前記クラスタの各々を、当該観測特徴量の観測対象又は前記対象者の活動状態の少なくとも一方に基づきサブクラスタごとに分割する第２分割を行う第２分割手段と、
前記観測特徴量の各サブクラスタから、前記各サブクラスタと、当該各サブクラスタの観測特徴量に対応するストレスデータとの相関係数に基づく相関スコアが上位所定個数となる種類の観測特徴量を、ストレス推定に用いる特徴量であるストレス推定特徴量として選択する特徴量選択手段と、
前記ストレス推定特徴量をストレス推定モデルへの入力データとし、当該ストレス推定特徴量に対応するストレスデータを正解データとする組を訓練データとして、少なくとも前記第１分割により分けられた前記クラスタごとに、前記ストレス推定モデルの学習を行う学習手段と、
を有する学習装置。

【請求項2】

前記特徴量選択手段は、前記各サブクラスタから無作為抽出により複数のグループを形成し、前記グループごとに算出した前記相関に関する前記複数のグループ全体での集計結果に基づき、前記相関スコアを算出する、請求項１に記載の学習装置。

【請求項3】

前記特徴量選択手段は、前記集計結果として、前記複数のグループにおける前記相関の統計値と、前記複数のグループにおける前記相関の正負符号の割合とを算出し、前記相関の統計値と前記割合とに基づく前記相関スコアを算出する、請求項２に記載の学習装置。

【請求項4】

前記学習手段は、前記サブクラスタごとに、前記ストレス推定モデルの学習を行う、請求項１に記載の学習装置。

【請求項5】

前記学習手段は、前記特徴量選択手段が選択したストレス推定特徴量に関する情報である特徴量選択情報と、前記学習手段により学習された前記ストレス推定モデルのパラメータとを学習結果として出力する、請求項１～４のいずれか一項に記載の学習装置。

【請求項6】

前記第１分割手段は、前記正解のストレス値が測定されていないときのストレス値を示す疑似データを、前記正解のストレス値の補間により生成する、請求項１～５のいずれか一項に記載の学習装置。

【請求項7】

前記第１分割手段は、前記観測特徴量の一部が２以上のまとまりに重複して属するように前記第１分割を行う、請求項１～６のいずれか一項に記載の学習装置。

【請求項8】

ストレス推定の対象となる推定対象者の観測特徴量を、前記推定対象者の属性又は環境の少なくとも一方に基づき分類を行う分類手段と、
前記ストレス推定に用いるストレス推定モデルの機械学習に用いた訓練データの入力データとして用いられた観測特徴量の種類を前記分類と関連付けた特徴量選択情報を参照し、前記分類に対応する前記種類に対応する前記観測特徴量を、ストレス推定に用いる特徴量であるストレス推定特徴量として選択する特徴量選択手段と、
前記分類に基づき、ストレス推定モデルを選択し、選択した前記ストレス推定モデルに前記ストレス推定特徴量を入力することで、前記推定対象者のストレス値を推定するストレス推定手段と、
を有するストレス推定装置。

【請求項9】

前記ストレス推定手段は、請求項１～７のいずれか一項に記載の学習装置により学習されたストレス推定モデルに基づき、前記ストレス値を推定する、請求項８に記載のストレス推定装置。

【請求項10】

前記特徴量選択手段は、前記ストレス推定特徴量として、請求項１～７のいずれか一項に記載の学習装置により選択されたストレス推定特徴量と同一種類の観測特徴量を選択する、請求項８または９に記載のストレス推定装置。

【請求項11】

前記分類手段は、前記観測特徴量を複数に分類し、
前記ストレス推定手段は、前記複数の分類に基づき選択された複数のストレス推定モデルが出力する推定結果を統合することで、前記ストレス値を推定する、請求項８～１０のいずれか一項に記載のストレス推定装置。

【請求項12】

コンピュータが、
対象者の観測特徴量を、前記対象者の属性又は環境の少なくとも一方に基づきクラスタごとに分割する第１分割を行い、
前記クラスタの各々を、当該観測特徴量の観測対象又は前記対象者の活動状態の少なくとも一方に基づきサブクラスタごとに分割する第２分割を行い、
前記観測特徴量の各サブクラスタから、前記各サブクラスタと、当該各サブクラスタの観測特徴量に対応するストレスデータとの相関係数に基づく相関スコアが上位所定個数となる種類の観測特徴量を、ストレス推定に用いる特徴量であるストレス推定特徴量として選択し、
前記ストレス推定特徴量をストレス推定モデルへの入力データとし、当該ストレス推定特徴量に対応するストレスデータを正解データとする組を訓練データとして、少なくとも前記第１分割により分けられた前記クラスタごとに、前記ストレス推定モデルの学習を行う、
学習方法。

【請求項13】

コンピュータが、
ストレス推定の対象となる推定対象者の観測特徴量を、前記推定対象者の属性又は環境の少なくとも一方に基づき分類を行い、
前記ストレス推定に用いるストレス推定モデルの機械学習に用いた訓練データの入力データとして用いられた観測特徴量の種類を前記分類と関連付けた特徴量選択情報を参照し、前記分類に対応する前記種類に対応する前記観測特徴量を、ストレス推定に用いる特徴量であるストレス推定特徴量として選択し、
前記分類に基づき、ストレス推定モデルを選択し、選択した前記ストレス推定モデルに前記ストレス推定特徴量を入力することで、前記推定対象者のストレス値を推定する、
ストレス推定方法。

【請求項14】

対象者の観測特徴量を、前記対象者の属性又は環境の少なくとも一方に基づきクラスタごとに分割する第１分割を行い、
前記クラスタの各々を、当該観測特徴量の観測対象又は前記対象者の活動状態の少なくとも一方に基づきサブクラスタごとに分割する第２分割を行い、
前記観測特徴量の各サブクラスタから、前記各サブクラスタと、当該各サブクラスタの観測特徴量に対応するストレスデータとの相関係数に基づく相関スコアが上位所定個数となる種類の観測特徴量を、ストレス推定に用いる特徴量であるストレス推定特徴量として選択し、
前記ストレス推定特徴量をストレス推定モデルへの入力データとし、当該ストレス推定特徴量に対応するストレスデータを正解データとする組を訓練データとして、少なくとも前記第１分割により分けられた前記クラスタごとに、前記ストレス推定モデルの学習を行う処理をコンピュータに実行させるプログラム。

【請求項15】

ストレス推定の対象となる推定対象者の観測特徴量を、前記推定対象者の属性又は環境の少なくとも一方に基づき分類を行い、
前記ストレス推定に用いるストレス推定モデルの機械学習に用いた訓練データの入力データとして用いられた観測特徴量の種類を前記分類と関連付けた特徴量選択情報を参照し、前記分類に対応する前記種類に対応する前記観測特徴量を、ストレス推定に用いる特徴量であるストレス推定特徴量として選択し、
前記分類に基づき、ストレス推定モデルを選択し、選択した前記ストレス推定モデルに前記ストレス推定特徴量を入力することで、前記推定対象者のストレス値を推定する処理をコンピュータに実行させるプログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、ストレス状態の推定に関する処理を行う学習装置、ストレス推定装置、学習方法、ストレス推定方法及び記憶媒体の技術分野に関する。

【背景技術】

【0002】

対象者から測定したデータに基づき対象者のストレス状態を判定する装置又はシステムが知られている。例えば、特許文献１には、推定対象者の生体データに基づき、各日の推定対象者の一時的ストレス度を判定する携帯用ストレス測定装置が開示されている。

【先行技術文献】

【特許文献】

【0003】

【文献】特開２００７－２７５２８７号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

対象者の生体データから対象者のストレスレベルを推定する場合、未知のデータに対する推定精度が安定しないといった課題があった。

【0005】

本開示は、上述した課題を鑑み、安定した推定精度のストレス推定結果を得るための処理を行う学習装置、ストレス推定装置、学習方法、ストレス推定方法及び記憶媒体を提供することを目的の一つとする。

【課題を解決するための手段】

【0006】

学習装置の一の態様は、
対象者の観測特徴量を、前記対象者の属性又は環境の少なくとも一方に基づきクラスタごとに分割する第１分割を行う第１分割手段と、
前記クラスタの各々を、当該観測特徴量の観測対象又は前記対象者の活動状態の少なくとも一方に基づきサブクラスタごとに分割する第２分割を行う第２分割手段と、
前記観測特徴量の各サブクラスタから、前記各サブクラスタと、当該各サブクラスタの観測特徴量に対応するストレスデータとの相関係数に基づく相関スコアが上位所定個数となる種類の観測特徴量を、ストレス推定に用いる特徴量であるストレス推定特徴量として選択する特徴量選択手段と、
前記ストレス推定特徴量をストレス推定モデルへの入力データとし、当該ストレス推定特徴量に対応するストレスデータを正解データとする組を訓練データとして、少なくとも前記第１分割により分けられた前記クラスタごとに、前記ストレス推定モデルの学習を行う学習手段と、
を有する学習装置である。

【0007】

ストレス推定装置の一の態様は、
ストレス推定の対象となる推定対象者の観測特徴量を、前記推定対象者の属性又は環境の少なくとも一方に基づき分類を行う分類手段と、
前記ストレス推定に用いるストレス推定モデルの機械学習に用いた訓練データの入力データとして用いられた観測特徴量の種類を前記分類と関連付けた特徴量選択情報を参照し、前記分類に対応する前記種類に対応する前記観測特徴量を、ストレス推定に用いる特徴量であるストレス推定特徴量として選択する特徴量選択手段と、
前記分類に基づき、ストレス推定モデルを選択し、選択した前記ストレス推定モデルに前記ストレス推定特徴量を入力することで、前記推定対象者のストレス値を推定するストレス推定手段と、
を有するストレス推定装置である。

【0008】

学習方法の一の態様は、
コンピュータが、
対象者の観測特徴量を、前記対象者の属性又は環境の少なくとも一方に基づきクラスタごとに分割する第１分割を行い、
前記クラスタの各々を、当該観測特徴量の観測対象又は前記対象者の活動状態の少なくとも一方に基づきサブクラスタごとに分割する第２分割を行い、
前記観測特徴量の各サブクラスタから、前記各サブクラスタと、当該各サブクラスタの観測特徴量に対応するストレスデータとの相関係数に基づく相関スコアが上位所定個数となる種類の観測特徴量を、ストレス推定に用いる特徴量であるストレス推定特徴量として選択し、
前記ストレス推定特徴量をストレス推定モデルへの入力データとし、当該ストレス推定特徴量に対応するストレスデータを正解データとする組を訓練データとして、少なくとも前記第１分割により分けられた前記クラスタごとに、前記ストレス推定モデルの学習を行う、
学習方法である。なお、「コンピュータ」は、あらゆる電子機器（電子機器に含まれるプロセッサであってもよい）を含み、かつ、複数の電子機器により構成されてもよい。

【0009】

ストレス推定方法の一の態様は、
コンピュータが、
ストレス推定の対象となる推定対象者の観測特徴量を、前記推定対象者の属性又は環境の少なくとも一方に基づき分類を行い、
前記ストレス推定に用いるストレス推定モデルの機械学習に用いた訓練データの入力データとして用いられた観測特徴量の種類を前記分類と関連付けた特徴量選択情報を参照し、前記分類に対応する前記種類に対応する前記観測特徴量を、ストレス推定に用いる特徴量であるストレス推定特徴量として選択し、
前記分類に基づき、ストレス推定モデルを選択し、選択した前記ストレス推定モデルに前記ストレス推定特徴量を入力することで、前記推定対象者のストレス値を推定する、
ストレス推定方法である。

【0010】

プログラムの一の態様は、
対象者の観測特徴量を、前記対象者の属性又は環境の少なくとも一方に基づきクラスタごとに分割する第１分割を行い、
前記クラスタの各々を、当該観測特徴量の観測対象又は前記対象者の活動状態の少なくとも一方に基づきサブクラスタごとに分割する第２分割を行い、
前記観測特徴量の各サブクラスタから、前記各サブクラスタと、当該各サブクラスタの観測特徴量に対応するストレスデータとの相関係数に基づく相関スコアが上位所定個数となる種類の観測特徴量を、ストレス推定に用いる特徴量であるストレス推定特徴量として選択し、
前記ストレス推定特徴量をストレス推定モデルへの入力データとし、当該ストレス推定特徴量に対応するストレスデータを正解データとする組を訓練データとして、少なくとも前記第１分割により分けられた前記クラスタごとに、前記ストレス推定モデルの学習を行う処理をコンピュータに実行させるプログラムである。

【0011】

プログラムの一の態様は、
ストレス推定の対象となる推定対象者の観測特徴量を、前記推定対象者の属性又は環境の少なくとも一方に基づき分類を行い、
前記ストレス推定に用いるストレス推定モデルの機械学習に用いた訓練データの入力データとして用いられた観測特徴量の種類を前記分類と関連付けた特徴量選択情報を参照し、前記分類に対応する前記種類に対応する前記観測特徴量を、ストレス推定に用いる特徴量であるストレス推定特徴量として選択し、
前記分類に基づき、ストレス推定モデルを選択し、選択した前記ストレス推定モデルに前記ストレス推定特徴量を入力することで、前記推定対象者のストレス値を推定する処理をコンピュータに実行させるプログラムである。

【発明の効果】

【0012】

安定した推定精度によるストレス推定を行うことができる、又は、そのようなストレス推定を行うためのストレス推定モデルの学習を行うことができる。

【図面の簡単な説明】

【0013】

【図1】第１実施形態に係るストレス推定システムの概略構成を示す。

【図2】各実施形態に共通するストレス推定装置のハードウェア構成の一例を示す。

【図3】第１実施形態に係る情報処理装置の学習フェーズにおける機能ブロックの一例である。

【図4】特徴量選択部の機能ブロックの一例である。

【図5】ある観測特徴量の種類に対する相関を集計したヒストグラムを示す。

【図6】あるサンプル対象者の観測データの測定期間におけるＰＳＳ値を測定するためのストレスアンケートのタイミングを明示した図である。

【図7】第１実施形態において情報処理装置が学習フェーズにおいて実行する学習処理の手順を示すフローチャートの一例である。

【図8】第１実施形態に係る情報処理装置の推定フェーズにおける機能ブロックの一例である。

【図9】第１実施形態において情報処理装置が推定フェーズにおいて実行するストレス推定処理の手順を示すフローチャートの一例である。

【図10】第２実施形態におけるストレス推定システムの概略構成を示す。

【図11】第３実施形態における学習装置のブロック図である。

【図12】第３実施形態において学習装置が実行するフローチャートの一例である。

【発明を実施するための形態】

【0014】

以下、図面を参照しながら、学習装置、ストレス推定装置、学習方法、ストレス推定方法及び記憶媒体の実施形態について説明する。

【0015】

＜第１実施形態＞
（１）システム構成
図１は、第１実施形態に係るストレス推定システム１００の概略構成を示す。ストレス推定システム１００は、人のストレスを推定するモデル（「ストレス推定モデル」とも呼ぶ。）の学習を行い、学習した推定モデルに基づきストレス推定を行う。以後では、ストレス推定の対象となる人を「推定対象者」と呼び、ストレス推定モデルの学習に必要な訓練データ（学習サンプル）の生成において測定対象となった人を「サンプル対象者」とも呼ぶ。また、推定対象者及びサンプル対象者を特に区別しない場合、これらを単に「対象者」とも呼ぶ。なお、「推定対象者」は、組織によりストレス状態の管理が行われるスポーツ選手又は従業員であってもよく、個人のユーザであってもよい。

【0016】

ストレス推定システム１００は、主に、情報処理装置１と、入力装置２と、表示装置３と、記憶装置４と、センサ５とを備える。

【0017】

情報処理装置１は、通信網を介し、又は、無線若しくは有線による直接通信により、入力装置２、表示装置３、及びセンサ５とデータ通信を行う。そして、情報処理装置１は、入力装置２から供給される入力信号「Ｓ１」及びセンサ５から供給されるセンサ信号「Ｓ３」に基づき、ストレス推定モデルの学習又はストレス推定モデルを用いた推定対象者のストレス推定に必要な情報を収集し、収集した情報を記憶装置４に記憶する。また、情報処理装置１は、推定対象者のストレス状態（具体的には、ストレスの度合いを表すストレス値）の推定結果に基づき表示信号「Ｓ２」を生成し、生成した表示信号Ｓ２を表示装置３に供給する。なお、本実施形態において情報処理装置１が推定するストレスは、数日から週又は月単位での長期（慢性）的な観点でのストレスである慢性ストレスであるものとする。

【0018】

入力装置２は、各推定対象者に関する情報のユーザ入力（手入力）を受け付けるインターフェースである。なお、入力装置２を用いて情報の入力を行うユーザは、推定対象者本人であってもよく、推定対象者の活動を管理又は監督する者であってもよい。入力装置２は、例えば、タッチパネル、ボタン、キーボード、マウス、音声入力装置などの種々のユーザ入力用インターフェースであってもよい。入力装置２は、ユーザの入力に基づき生成した入力信号Ｓ１を、情報処理装置１へ供給する。表示装置３は、情報処理装置１から供給される表示信号Ｓ２に基づき、所定の情報を表示する。表示装置３は、例えば、ディスプレイ又はプロジェクタ等である。

【0019】

センサ５は、推定対象者の生体信号等を測定し、測定した生体信号等を、センサ信号Ｓ３として情報処理装置１へ供給する。この場合、センサ信号Ｓ３は、推定対象者の心拍、脳波、発汗量、ホルモン分泌量、脳血流、血圧、体温、筋電、呼吸数、脈波、加速度などの任意の生体信号（バイタル情報を含む）であってもよい。また、センサ５は、推定対象者から採取された血液を分析し、その分析結果を示すセンサ信号Ｓ３を出力する装置であってもよい。また、センサ５は、推定対象者が装着するウェアラブル端末であってもよく、推定対象者を撮影するカメラ又は推定対象者の発話の音声信号を生成するマイク等であってもよく、推定対象者が操作するパーソナルコンピュータやスマートフォンなどの端末であってもよい。後者の場合、センサ５は、パーソナルコンピュータやスマートフォンなどの操作量に相当する情報をセンサ信号Ｓ３として情報処理装置１に供給してもよい。また、センサ５は、ウェアラブル端末等に組み込まれたＧＰＳ受信機等が出力する位置情報をセンサ信号Ｓ３として出力してもよい。センサ信号Ｓ３は、観測された対象者の観測された特徴を表す特徴量（「観測特徴量」とも呼ぶ。）等の生成に用いられる。

【0020】

記憶装置４は、ストレス状態の推定等に必要な各種情報を記憶するメモリである。記憶装置４は、情報処理装置１に接続又は内蔵されたハードディスクなどの外部記憶装置であってもよく、フラッシュメモリなどの記憶媒体であってもよい。また、記憶装置４は、情報処理装置１とデータ通信を行うサーバ装置であってもよい。また、記憶装置４は、複数の装置から構成されてもよい。

【0021】

記憶装置４は、機能的には、属性情報記憶部４０と、観測データ記憶部４１と、訓練データ記憶部４２と、学習パラメータ記憶部４３とを有している。

【0022】

属性情報記憶部４０は、対象者の属性に関する属性情報を記憶する。ここで、「属性」は、例えば、対象者の性格、ストレス耐性、性別、職種、年齢、認知の傾向又はこれらの組み合わせなどが該当する。属性情報は、情報処理装置１により生成されて記憶装置４に記憶されたものであってもよく、情報処理装置１以外の装置により事前に生成されて記憶装置４に記憶されたものであってもよい。属性情報は、対象者によるアンケートの回答結果に基づき生成された情報を含んでもよい。例えば、対象者の性格を測るアンケートとして、Ｂｉｇ５性格検査などが存在する。属性情報は、対象者の識別情報と関連付けられて属性情報記憶部４０に記憶される。

【0023】

観測データ記憶部４１は、情報処理装置１がセンサ５から取得したセンサ信号Ｓ３等に基づき生成された観測データを記憶する。本実施形態において、観測データは、例えば、観測特徴量と、観測が行われた日時又は場所等の環境を示す環境情報と、観測が行われたときの対象者の活動状態（例えば、身体的な運動強度、メンタルワークロードなど精神的な活動強度、座る／歩く／走るなどの状態、起きている／寝ているなどの状態）を示す活動情報と、対象者の識別情報とが関連付けられた情報である。なお、説明便宜上、観測データ記憶部４１は、推定対象者の観測データを記憶するものとし、サンプル対象者の観測データについては訓練データ記憶部４２が記憶するものとする。

【0024】

観測特徴量は、対象者から観測されたデータの特徴を表す任意の特徴量であり、発汗、加速度、皮膚温、脈波などの生体的特徴に基づく特徴量であってもよく、機器の操作量などの対象者の行動に基づく行動的特徴に基づく特徴量であってもよい。ここで、センサ信号Ｓ３を観測特徴量に変換する処理は、情報処理装置１が実行してもよく、情報処理装置１以外の装置が実行してもよい。この場合、生体信号からその特徴量を算出する任意の手法又はその他の任意の特徴量算出手法に基づき、センサ信号Ｓ３から観測特徴量が生成されてもよい。環境情報は、例えば、センサ信号Ｓ３に含まれる日時情報、位置情報、温湿度情報、二酸化炭素濃度情報、照度情報、環境音情報などに基づき情報処理装置１又は他の装置により生成され、活動情報は、例えば、センサ信号Ｓ３に含まれる位置情報、加速度等に基づき情報処理装置１又は他の装置により生成される。

【0025】

訓練データ記憶部４２は、ストレス推定モデルの学習に用いる訓練データを記憶する。訓練データは、複数のサンプル対象者を対象として生成したデータであり、サンプル対象者の観測データと、サンプル対象者によるアンケートの回答等に基づく正解のストレス値との組を複数含んでいる。本実施形態では、正解のストレス値として、ＰＳＳ（Ｐｅｒｃｅｉｖｅｄ Ｓｔｒｅｓｓ Ｓｃａｌｅ）値を用いるものとする。ＰＳＳ値は、経時的に変化する動的なストレスを測定できるＰＳＳアンケートの回答結果から算出される。

【0026】

学習パラメータ記憶部４３は、情報処理装置１が学習したパラメータを記憶する。学習パラメータ記憶部４３が記憶するパラメータには、ストレス推定モデルを構成するために必要なパラメータが含まれている。ストレス推定モデルは、対象者の特定の観測特徴量の組（特徴ベクトル）が入力された場合に、対象者のストレス推定値を出力するように学習されたモデルである。ここで、ストレス推定モデルは、ニューラルネットワーク、サポートベクターマシーンなどの任意の機械学習モデル（統計モデルを含む）であってもよい。また、後述するように、ストレス推定モデルは、対象者の属性等に基づく分類ごとに学習される。この場合、各ストレス推定モデルは、夫々の分類に適したアーキテクチャを有してもよい。学習パラメータ記憶部４３は、これらのストレス推定モデルを構成するために必要なパラメータの情報を記憶する。例えば、ストレス推定モデルが畳み込みニューラルネットワークなどのニューラルネットワークに基づくモデルである場合、学習パラメータ記憶部４３は、層構造、各層のニューロン構造、各層におけるフィルタ数及びフィルタサイズ、並びに各フィルタの各要素の重みなどの各種パラメータの情報を記憶する。

【0027】

なお、図１に示すストレス推定システム１００の構成は一例であり、当該構成に種々の変更が行われてもよい。例えば、入力装置２及び表示装置３は、一体となって構成されてもよい。この場合、入力装置２及び表示装置３は、情報処理装置１と一体又は別体となるタブレット型端末として構成されてもよい。また、入力装置２とセンサ５とは、一体となって構成されてもよい。また、情報処理装置１は、複数の装置から構成されてもよい。この場合、情報処理装置１を構成する複数の装置は、予め割り当てられた処理を実行するために必要な情報の授受を、これらの複数の装置間において行う。この場合、情報処理装置１は、情報処理システムとして機能する。

【0028】

（２）情報処理装置のハードウェア構成
図２は、情報処理装置１のハードウェア構成を示す。情報処理装置１は、ハードウェアとして、プロセッサ１１と、メモリ１２と、インターフェース１３とを含む。プロセッサ１１、メモリ１２及びインターフェース１３は、データバス９０を介して接続されている。

【0029】

プロセッサ１１は、メモリ１２に記憶されているプログラムを実行することにより、情報処理装置１の全体の制御を行うコントローラ（演算装置）として機能する。プロセッサ１１は、例えば、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＴＰＵ（Ｔｅｎｓｏｒ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）などのプロセッサである。プロセッサ１１は、複数のプロセッサから構成されてもよい。プロセッサ１１は、コンピュータの一例である。

【0030】

メモリ１２は、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、フラッシュメモリなどの各種の揮発性メモリ及び不揮発性メモリにより構成される。また、メモリ１２には、情報処理装置１が実行する処理を実行するためのプログラムが記憶される。なお、メモリ１２が記憶する情報の一部は、情報処理装置１と通信可能な１又は複数の外部記憶装置により記憶されてもよく、情報処理装置１に対して着脱自在な記憶媒体により記憶されてもよい。

【0031】

インターフェース１３は、情報処理装置１と他の装置とを電気的に接続するためのインターフェースである。これらのインターフェースは、他の装置とデータの送受信を無線により行うためのネットワークアダプタなどのワイアレスインタフェースであってもよく、他の装置とケーブル等により接続するためのハードウェアインターフェースであってもよい。

【0032】

なお、情報処理装置１のハードウェア構成は、図２に示す構成に限定されない。例えば、情報処理装置１は、入力装置２又は表示装置３の少なくとも一方を含んでもよい。また、情報処理装置１は、スピーカなどの音出力装置と接続又は内蔵してもよい。

【0033】

（３）学習フェーズ
次に、情報処理装置１が実行する学習フェーズでの処理について説明する。概略的には、情報処理装置１は、対象者の属性等に基づく分類ごとに推定モデルの学習を行う。このとき、情報処理装置１は、訓練データに含まれる観測特徴量を、対応するサンプル対象者の属性等、観測特徴量の環境情報等に基づきストレス傾向や生体情報において偏りがあるクラスタ（まとまり）に分割する。そして、情報処理装置１は、分割した観測特徴量のクラスタと正解のストレス値との相関等に基づき、ストレス推定モデルの入力に用いる観測特徴量（「ストレス推定特徴量」とも呼ぶ。）を選択する。このように、情報処理装置１は、ストレスデータと相関が高い観測特徴量をストレス推定特徴量として選定し、かつ、ストレス傾向や生体情報において偏りがあるクラスタごとに特化したストレス推定モデルの学習を行う。これにより、情報処理装置１は、学習に用いていない未知のデータに対して高精度にストレス推定を行うことが可能なストレス推定モデルを取得する。

【0034】

（３－１）機能ブロック
図３は、情報処理装置１の機能ブロックの一例である。情報処理装置１のプロセッサ１１は、学習フェーズにおいて、機能的には、第１分割部１４と、「Ｎ」（Ｎは２以上の整数）個の第２分割部１５（１５１～１５Ｎ）と、「Ｍ」（Ｍは２以上の整数）個の特徴量選択部１６（１６１１～１６ＮＭ）と、Ｎ個の推定モデル学習部１７（１７１～１７Ｎ）とを有する。なお、図３では、データの授受が行われるブロック同士を実線により結んでいるが、データの授受が行われるブロックの組合せは図３に限定されない。後述する他の機能ブロックの図においても同様である。また、訓練データ記憶部４２は、機能的には、観測データ記憶部４２１と、ストレスデータ記憶部４２２とを有する。さらに、学習パラメータ記憶部４３は、機能的には、学習すべきＮ個のストレス推定モデルのパラメータを夫々記憶する第１推定モデル情報記憶部４３１～第Ｎ推定モデル情報記憶部４３Ｎを有する。

【0035】

第１分割部１４は、学習用の観測特徴量を観測データ記憶部４２１から抽出し、抽出した観測特徴量を、対応する属性情報又は環境情報（例えば日時情報）の少なくとも一方に基づき、Ｎ個に分割する第１分割を行う。これにより、ストレスや生体特徴等に偏りがあるＮ個の観測特徴量のクラスタが形成される。なお、第１分割部１４は、属性情報を属性情報記憶部４０から抽出し、環境情報を観測データ記憶部４２１から抽出する。

【0036】

ここで、属性情報に基づく分割は、例えば、性格、性別、職種、人種、年齢、身長、体重、筋肉量、生活習慣、運動習慣又はこれらの組み合わせに基づく分割である。また、環境情報に基づく分割は、検査時の季節に基づく分割、時間帯に基づく分割、場所（屋外又は屋内か等）に基づく分割、又はこれらの組み合わせによる分割である。そして、第１分割部１４は、第１分割に基づき分割した観測特徴量のクラスタを、クラスタの分類ごとに予め対応付けられた各第２分割部１５（１５１～１５Ｎ）へ供給する。

【0037】

なお、第１分割は、１つの観測特徴量をいずれか１つのクラスタに排他的に仕分ける態様に限らず、２個以上のクラスタに重複して仕分ける態様であってもよい。例えば、観測された季節に基づき第１分割を行う場合、「４月から６月に該当するクラスタ」、「６月から９月に該当するクラスタ」といったようにクラスタ間で重複した期間の割当てが行われているクラスタが存在してもよい。このことは、後述する第２分割においても同様である。

【0038】

また、第１分割部１４は、好適には、訓練データを拡張した疑似データを生成する処理を行う。疑似データの生成については、「（３－３）訓練データの拡張」のセクションにて詳しく説明する。

【0039】

第２分割部１５（１５１～１５Ｎ）は、第１分割部１４から供給されたクラスタごとの観測特徴量を、観測特徴量の観測対象又は観測時の対象者の活動状態に基づきＭ個のクラスタ（サブクラスタ）に分割する第２分割を行う。これにより、第１分割部１４は、ストレス推定において扱いを異ならせるべき観測特徴量をさらに分割する。そして、各第２分割部１５１～１５Ｎは、第２分割に基づき分割したＭ個の観測特徴量のサブクラスタを、特徴量選択部１６（１６１１～１６ＮＭ）に供給する。

【0040】

ここで、「観測対象」とは、観測特徴量が算出される際に用いた生データの観測対象であり、例えば発汗、加速度、皮膚温、脈波などの種々の生体的特徴が該当する。従って、「観測対象に基づく分割」は、例えば、生体的特徴に基づく観測特徴量の場合には、発汗に関する観測特徴量、加速度に関する観測特徴量、皮膚温に関する観測特徴量、脈波に関する観測特徴量等に分割することである。また、「活動状態に基づく分割」は、例えば、対象者の観測時の運動強度のレベル（例えば、静止状態、歩行状態、ランニング状態）に応じた分割である。なお、各観測特徴量に対応する観測対象及び活動状態を示す情報は、例えば、観測データ記憶部４２１において観測特徴量と関連付けられて記憶されている。

【0041】

特徴量選択部１６（１６１１～１６ＮＭ）は、第１分割及び第２分割に基づきＮ×Ｍ個に分割された観測特徴量のサブクラスタから、正解となるストレスデータとの相関に基づき、ストレス推定モデルに入力すべき観測特徴量であるストレス推定特徴量を選択する。ここでは、特徴量選択部１６は、「Ｒ」（Ｒは０以上の整数）種類の観測特徴量を、ストレス推定特徴量として選択するものとする。特徴量選択部１６の処理の詳細については後述する。なお、特徴量選択部１６の数は、第１分割のクラスタごとに一律にＭ個設けられる代わりに、第１分割のクラスタごとに適切な数だけ設けられてもよい。同様に、Ｒの値についても特徴量選択部１６ごとに異なってもよい。

【0042】

推定モデル学習部１７（１７１～１７Ｎ）は、特徴量選択部１６が選択したストレス推定特徴量と、ストレスデータ記憶部４２２から参照したストレスデータとに基づき、第１分割部１４が分割したクラスタごとに用意されたストレス推定モデルの学習を行う。この場合、各推定モデル学習部１７は、Ｍ個の特徴量選択部１６から供給されるＭ×Ｒ個のストレス推定特徴量をストレス推定モデルへの入力データとし、ストレスデータ記憶部４２２から参照した対応するストレスデータを正解データとする組を複数取得する。そして、各推定モデル学習部１７は、上述の入力データと正解データの複数組に基づき、対応するストレス推定モデルの学習を行う。

【0043】

ストレス推定モデルの学習では、推定モデル学習部１７は、例えば、上述の入力データと正解データの組を順に抽出し、ストレス推定モデルのパラメータを更新する。この場合、入力データを入力した場合にストレス推定モデルが出力する推定結果と正解データであるストレス値（ここではＰＳＳ値）との誤差（損失）が最小となるように、ストレス推定モデルのパラメータを決定する。損失を最小化するように上述のパラメータを決定するアルゴリズムは、勾配降下法や誤差逆伝播法などの機械学習において用いられる任意の学習アルゴリズムであってもよい。そして、各推定モデル学習部１７は、学習した各ストレス推定モデルのパラメータを、夫々第１推定モデル情報記憶部４３１～第Ｎ推定モデル情報記憶部４３Ｎに記憶する。

【0044】

なお、図３において説明した第１分割部１４、第２分割部１５、特徴量選択部１６及び推定モデル学習部１７の各構成要素は、例えば、プロセッサ１１がプログラムを実行することによって実現できる。また、必要なプログラムを任意の不揮発性記憶媒体に記録しておき、必要に応じてインストールすることで、各構成要素を実現するようにしてもよい。なお、これらの各構成要素の少なくとも一部は、プログラムによるソフトウェアで実現することに限ることなく、ハードウェア、ファームウェア、及びソフトウェアのうちのいずれかの組合せ等により実現してもよい。また、これらの各構成要素の少なくとも一部は、例えばＦＰＧＡ（Field-Programmable Gate Array）又はマイクロコントローラ等の、ユーザがプログラミング可能な集積回路を用いて実現してもよい。この場合、この集積回路を用いて、上記の各構成要素から構成されるプログラムを実現してもよい。また、各構成要素の少なくとも一部は、ＡＳＳＰ（Application Specific Standard Produce）、ＡＳＩＣ（Application Specific Integrated Circuit）又は量子プロセッサ（量子コンピュータ制御チップ）により構成されてもよい。このように、各構成要素は、種々のハードウェアにより実現されてもよい。以上のことは、後述する他の実施の形態においても同様である。さらに、これらの各構成要素は、例えば、クラウドコンピューティング技術などを用いて、複数のコンピュータの協働によって実現されてもよい。

【0045】

（３－２）特徴量選択部の詳細
次に、特徴量選択部１６（１６１１～１６ＮＭ）が実行する処理の詳細について説明する。図４は、ある特徴量選択部１６ｎｍ（「ｎ」、「ｍ」は、１≦ｎ≦Ｎ、１≦ｍ≦Ｍを満たす整数）の機能ブロックの一例である。特徴量選択部１６ｎｍは、機能的には、グループ生成部５０と、相関算出部５１と、ランキング部５２と、選択部５３とを有する。

【0046】

特徴量選択部１６ｎｍは、第２分割部１５ｎから観測特徴量「Ｆ_ｐ，ｑ」を取得し、ストレスデータ記憶部４２２から観測特徴量Ｆ_ｐ，ｑに対応する正解のストレス値（ＰＳＳ値）「Ｓ_ｐ」を取得する。ここで、「ｐ」は、サンプル対象者のインデックス（１≦ｐ≦Ｐ、Ｐは２以上の整数）を示し、「ｑ」は、観測特徴量の種類のインデックス（１≦ｑ≦Ｑ、Ｑは「Ｑ≧Ｒ」を満たす整数）を示す。なお、観測特徴量の種類は一般的に多数（例えば数万個）存在し、例えば発汗に関する特徴量の場合には、発汗の最大値、最小値、中央値、平均値、その他の任意の統計量などの種々の発汗に関する指標が該当する。

【0047】

グループ生成部５０は、無作為に所定個数分の観測特徴量Ｆ_ｐ，ｑをＬ（Ｌは１以上の整数）回抽出し、抽出した所定個数分の観測特徴量Ｆ_ｐ，ｑを１つのグループとしてＬ個のグループを生成する。この場合、例えば、グループ生成部５０は、サンプル対象者が１００人存在する場合には、５０人分のサンプル対象者を無作為にＬ回抽出し、各試行において抽出したサンプル対象者の観測特徴量Ｆ_ｐ，ｑを１つのグループとして形成する。そして、グループ生成部５０は、観測特徴量Ｆ_ｐ，ｑの各グループを、相関算出部５１１～５１Ｌに夫々供給する。

【0048】

相関算出部５１（５１１～５１Ｌ）は、グループ生成部５０から供給された観測特徴量Ｆ_ｐ，ｑのグループに基づき、観測特徴量Ｆ_ｐ，ｑとストレス値Ｓ_ｐとの相関（相関係数）を、観測特徴量Ｆ_ｐ，ｑの種類ｑごとに算出する。相関係数は、ピアソンの積率相関係数、スピアマンの順位相関係数、ケンドールの順位相関係数のいずれか、又は複数の相関係数の平均など組み合わせて利用してもよい。言い換えると、相関算出部５１は、グループ生成部５０が生成したグループごと、かつ、観測特徴量Ｆ_ｐ，ｑの種類ｑごとに、観測特徴量Ｆ_ｐ，ｑとストレス値Ｓ_ｐとの相関を算出する。

【0049】

ランキング部５２は、Ｌ個の相関算出部５１１～５１Ｌの算出結果に基づき、観測特徴量Ｆ_ｐ，ｑの種類ｑのランク付けを行う。この場合、ランキング部５２は、観測特徴量Ｆ_ｐ，ｑの種類ｑごとに、Ｌ個の相関算出部５１１～５１Ｌの算出結果に基づくスコア（「相関スコア」とも呼ぶ。）を算出し、相関スコアが高いほどランキングが上位であるとみなす。この場合、ランキング部５２は、グループ間での相関の平均などの統計値と後述する符号反転度とに基づき、相関スコアを算出する。相関スコアの算出方法については後述する。

【0050】

選択部５３は、ランキング部５２が形成したランキングの上位Ｒ個の種類に該当する観測特徴量Ｆ_ｐ，ｑを、ストレス推定特徴量として選択する。この場合、選択部５３は、ストレス推定特徴量として選択した観測特徴量の種類を示す情報（「特徴量選択情報Ｉｆｓ」とも呼ぶ。）を、学習パラメータ記憶部４３に記憶する。後述するように、特徴量選択情報Ｉｆｓは、推定フェーズにおいて、ストレス推定モデルに入力するストレス推定特徴量を取得した観測特徴量から、ストレス推定モデルに入力するストレス推定特徴量を選択する処理に用いられる。

【0051】

ここで、ランキング部５２による相関スコアの算出方法の具体例について説明する。図５は、相関算出部５１１～５１Ｌの算出結果に基づき、相関スコアを算出する対象である種類ｑに対する相関を集計したヒストグラムを示す。なお、ここでは、説明便宜上ヒストグラムを示しているが、ヒストグラムの生成は相関スコアの算出において必須の処理ではない。

【0052】

この場合、まず、相関算出部５１は、相関算出部５１１～５１Ｌの算出結果に基づき、対象の種類ｑに対して相関算出部５１１～５１Ｌが算出した相関（相関係数）の平均（ここでは０．１５）を算出する。さらに、相関算出部５１は、符号反転度として、算出された相関の正負の符号を集計した場合の、少数派の符号の割合を算出する。図５の例では、相関算出部５１は、正の符号が多数派であることから、負の符号の割合（０．３）を、符号反転度として認識する。符号反転度は、０から０．５までの値域となる。そして、相関算出部５１は、例えば、以下のように、対象の種類ｑに対する相関スコアを、相関の平均の絶対値に対し、１から符号反転度を引いた値（即ち０．５～１の値域）を重みとして乗じた値に定める。
相関スコア＝｜相関の平均｜×（１－符号反転度）
図５の例では、種類ｑの相関スコアは、０．１０５（＝｜０．１５｜×０．７）となる。

【0053】

なお、相関スコアの算出方法は、上述の式に限られず、相関の平均と正の相関を有し、かつ、符号反転度と負の相関を有するように相関スコアを定めた任意の式又はルックアップテーブルを用いてもよい。

【0054】

特徴量選択部１６ｎｍは、図４に示すような機能的構成を有することで、ストレス値と個人差によらずに安定的に相関がある観測特徴量を好適にストレス推定特徴量として選択することができる。

【0055】

（３－３）訓練データの拡張
次に、訓練データの拡張（Data Augmentation）の手法について説明する。一般的に、ストレス値が低いサンプルとストレス値が高いサンプルは不足する傾向がある。一方、慢性ストレスは時間経過によって急激に変化しない。以上を勘案し、第１分割部１４は、正解となるストレス値を補間により生成する。

【0056】

図６は、あるサンプル対象者の観測データの測定期間におけるＰＳＳ値を測定するためのストレスアンケートのタイミングを明示した図である。図６では、日時「ｔ１」においてサンプル対象者の観測データの測定を開始すると共に、第１回のストレスアンケートを実施している。また、日時「ｔ２」～「ｔ４」においても、夫々、第２回～第４回のストレスアンケートを実施している。ストレスアンケートは、例えば１か月ごとに行われる。そして、各ストレスアンケートにより、対象のサンプル対象者のＰＳＳ値（実測ＰＳＳ値）が測定されている。なお、時刻ｔ１～時刻ｔ４で測定された各実測ＰＳＳ値は、実際には、アンケートにおいて対象とする期間でのストレス値に相当し、例えば実施されたアンケートが１か月間隔で実施されるアンケートである場合には、１か月間のストレス値に相当する。

【0057】

この場合、第１分割部１４は、実測ＰＳＳ値が測定される合間の期間において、一定の間隔により、実測ＰＳＳ値を用いて補間（例えば線形補間）したＰＳＳ値（補間ＰＳＳ値）を疑似データとして生成する。ここでは、第１分割部１４は、日時ｔ２から日時ｔ３までの期間、及び、日時ｔ３から日時ｔ４までの期間において、夫々２個の補間ＰＳＳ値を生成している。そして、第１分割部１４は、これらの補間ＰＳＳ値は、アンケートの実施間隔等に応じた所定期間のストレス値の正解データとみなす。ここで、観測データについては、アンケートの実施間隔等によらずに継続的に測定されており、これらの補間ＰＳＳ値に対応する観測データについては、時刻ｔ１～ｔ４の間に生成されている。なお、時刻ｔ１から時刻ｔ２の期間については、時刻ｔ１に近い補間ポイントでの補間ＰＳＳ値に対応する観測データが存在しないことから、時刻ｔ２に近い補間ポイントでの補間ＰＳＳ値のみが生成されている。

【0058】

このように、第１分割部１４は、慢性ストレスは急激に変化しないことを鑑み、補間ＰＳＳ値を生成する。これにより、実質的な訓練データのデータ量を増やし、ストレス推定モデルの学習に必要な訓練データを好適に確保することができる。

【0059】

（３－４）処理フロー
図７は、第１実施形態において情報処理装置１が学習フェーズにおいて実行する学習処理の手順を示すフローチャートの一例である。

【0060】

まず、情報処理装置１は、ストレス推定モデルの学習に用いる訓練データと、訓練データに対応するサンプル対象者の属性情報又は／及び環境情報とを取得する（ステップＳ１１）。この場合、例えば、情報処理装置１は、訓練データ及び環境情報を訓練データ記憶部４２から取得し、属性情報を属性情報記憶部４０から取得する。

【0061】

そして、情報処理装置１の第１分割部１４は、属性情報が示すサンプル対象者の属性、又は、日時情報などの環境情報が示す計測時の環境（例えば季節等）の少なくともいずれかに基づき、訓練データの観測特徴量を分割する第１分割を行う（ステップＳ１２）。これにより、第１分割部１４は、Ｎ個のクラスタを生成するように観測特徴量を分割する。

【0062】

次に、情報処理装置１の第２分割部１５は、観測特徴量の観測対象と対応するサンプル対象者の観測時の活動状態とによる第２分割に基づき、観測特徴量を分割する（ステップＳ１３）。この場合、例えば、第２分割部１５は、観測された生体特徴の種類、サンプル対象者の運動強度等に応じた第２分割に基づき、Ｎ個の観測特徴量のクラスタの各々に対し、Ｍ個の観測特徴量のサブクラスタを生成する。

【0063】

次に、情報処理装置１の特徴量選択部１６は、サブクラスタごとに、無作為によるグループを生成し、生成したグループにおいて、観測特徴量の種類ごとに、訓練データに含まれるストレスデータとの相関を算出する（ステップＳ１４）。さらに、特徴量選択部１６は、サブクラスタごとに、相関及び符号反転度に応じた観測特徴量の種類のランク付けを行い、上位個数Ｒ個の観測特徴量の種類をストレス推定特徴量として選択する（ステップＳ１５）。

【0064】

そして、情報処理装置１の推定モデル学習部１７は、ストレス推定特徴量と、訓練データに含まれる、対応する正解のストレス値を示すストレスデータとに基づき、第１分割により分けられたクラスタごとのストレス推定モデルの学習を行う（ステップＳ１６）。そして、情報処理装置１は、ステップＳ１５で選択したストレス推定特徴量に関する特徴量選択情報Ｉｆｓと、ステップＳ１６で学習されたストレス推定モデルのパラメータとを、学習結果として出力する。具体的には、情報処理装置１は、特徴量選択情報Ｉｆｓとストレス推定モデルのパラメータとを、学習パラメータ記憶部４３に記憶させる。これにより、情報処理装置１は、推定フェーズにおいて必要な情報を記憶装置４に記憶させることができる。

【0065】

（４）推定フェーズ
次に、情報処理装置１が実行する推定フェーズでの処理について説明する。情報処理装置１は、学習フェーズにおいて学習されたストレス推定モデルに基づき、推定対象者のストレス値を推定する。

【0066】

図８は、情報処理装置１の推定フェーズにおける機能ブロックの一例である。情報処理装置１のプロセッサ１１は、推定フェーズにおいて、機能的には、分類部３４と、Ｎ個の特徴量選択部３６（３６１～３６Ｎ）と、Ｎ個のストレス推定部３７（３７１～３７Ｎ）とを有する。ここで、学習パラメータ記憶部４３に含まれる第１推定モデル情報記憶部４３１～第Ｎ推定モデル情報記憶部４３Ｎは、学習フェーズにおいて学習が既に行われたＮ個のストレス推定モデルのパラメータを記憶している。

【0067】

分類部３４は、推定対象者の観測特徴量を観測データ記憶部４１から抽出し、抽出した観測特徴量を、対応する属性情報又は環境情報の少なくとも一方に基づき、使用するストレス推定モデル（第１推定モデル～第Ｎ推定モデル）に応じて分類する。分類部３４による観測特徴量の分類方法は、第１分割部１４による第１分割において行うクラスタ生成方法と同一である。従って、第１分割部１４が第２分割部１５ｎ（ｎは１～Ｎの任意の整数）に供給するクラスタと同一分類の属性情報又は環境情報に対応する推定対象者の観測特徴量は、特徴量選択部３６ｎに供給される。即ち、第２分割部１５ｎと特徴量選択部３６ｎとは、同一分類の観測特徴量を扱う。

【0068】

なお、分類部３４は、推定対象者の観測特徴量をいずれか一つのストレス推定モデルに割り当てるように分類する態様に限らず、２つ以上のストレス推定モデルに重複して割り当てるように観測特徴量を分類してもよい。

【0069】

特徴量選択部３６（３６１～３６Ｎ）は、学習パラメータ記憶部４３に記憶された特徴量選択情報Ｉｆｓに基づき、分類部３４から供給された観測特徴量からストレス推定特徴量を選択する。この場合、特徴量選択部３６ｎ（ｎは１～Ｎの任意の整数）は、夫々、分類部３４が供給する観測特徴量から、特徴量選択部１６ｎ１～特徴量選択部１６ｎＭが生成した特徴量選択情報Ｉｆｓが示すストレス推定特徴量の種類と同一種類の観測特徴量を、ストレス推定特徴量として抽出する。そして、特徴量選択部３６ｎは、抽出したストレス推定特徴量を、対応するストレス推定部３７ｎに供給する。

【0070】

ストレス推定部３７（３７１～３７Ｎ）は、ストレス推定モデルに基づき推定対象者のストレス値を推定する。この場合、ストレス推定部３７ｎ（ｎは１～Ｎの任意の整数）は、対応する第ｎ推定モデル情報記憶部４３ｎを参照することで、対応する第ｎ推定モデルを構成する。そして、ストレス推定部３７ｎは、構成した第ｎ推定モデルに対し、対応する特徴量選択部３６ｎから供給されたストレス推定特徴量を入力することで第ｎ推定モデルが出力する推定対象者のストレス値を取得する。そして、ストレス推定部３７ｎは、第ｎ推定モデルが出力するストレス値を、出力制御部３８に供給する。

【0071】

出力制御部３８は、推定された推定対象者のストレス値（ストレス推定値）に基づく出力を行う。例えば、出力制御部３８は、ストレス推定値に関する情報を表示するための表示信号Ｓ２を生成し、当該表示信号Ｓ２を表示装置３に供給することで、ストレス推定値に関する情報を表示装置３に表示させる。ここで、出力制御部３８は、複数のストレス推定部３７からストレス値を取得した場合には、取得した複数のストレス値の平均値、中央値、最大値その他の代表する統計的な値を表す統計値を、推定対象者のストレス推定値として表示装置３に表示させる。

【0072】

なお、出力制御部３８は、ストレス推定値そのものを表示する制御を行う代わりに、又はこれに加えて、ストレス推定値と所定の閾値との比較に基づき判定されるストレスのレベルに関する情報、又は／及び、当該レベルに応じたアドバイスに関する情報を表示する制御を行ってもよい。なお、この場合の表示装置３の閲覧者は、例えば、推定対象者であってもよく、推定対象者を管理又は監督する者であってもよい。また、出力制御部３８は、図示しない音出力装置によりストレス推定値に関する情報の音声出力を行ってもよい。

【0073】

図９は、情報処理装置１が推定フェーズにおいて実行するストレス推定処理の手順を示すフローチャートの一例である。ストレス推定処理を行うタイミングは、入力信号Ｓ１に基づきユーザが要求したタイミングであってもよく、予め定められたタイミングであってもよい。

【0074】

まず、情報処理装置１は、推定対象者の観測特徴量と、推定対象者の属性情報又は／及び環境情報とを取得する（ステップＳ２１）。この場合、例えば、情報処理装置１は、観測特徴量及び環境情報を観測データ記憶部４１から取得し、属性情報を属性情報記憶部４０から取得する。

【0075】

次に、情報処理装置１の分類部３４は、属性情報が示す推定対象者の属性、又は、日時情報などの環境情報が示す計測時の環境（例えば季節等）の少なくともいずれかに基づき、観測特徴量を分類する（ステップＳ２２）。これにより、分類部３４は、第１推定モデル～第Ｎ推定モデルの少なくともいずれかに観測特徴量を分類する。なお、観測特徴量は、複数のストレス推定モデルに重複して分類されてもよい。

【0076】

そして、情報処理装置１の特徴量選択部３６は、対象のストレス推定モデルに入力する観測特徴量を選択する（ステップＳ２３）。この場合、特徴量選択部３６は、分類部３４から観測特徴量が供給された場合に、対応する特徴量選択情報Ｉｆｓを参照し、ストレス推定モデルに入力する観測特徴量であるストレス推定特徴量を選択する。

【0077】

そして、情報処理装置１のストレス推定部３７は、対象のストレス推定モデルに基づき、ストレス推定値を算出する（ステップＳ２４）。この場合、ストレス推定部３７は、特徴量選択部３６からストレス推定特徴量が供給された場合に、学習パラメータ記憶部４３を参照して対応するストレス推定モデルを構成し、構成したストレス推定モデルにストレス推定特徴量を入力することで、ストレス推定値を算出する。なお、情報処理装置１は、複数のストレス推定モデルを用いた場合には、これらのストレス推定モデルの推定結果を統合したストレス推定値を決定する。そして、情報処理装置１の出力制御部３８は、ストレス推定値に関する情報を出力する（ステップＳ２５）。

【0078】

（５）変形例
ストレス推定モデルは、第１分割により形成されたクラスタごとに設けられる代わりに、第１分割及び第２分割により形成されたサブクラスタごとに設けられてもよい。

【0079】

この場合、学習フェーズにおいて、情報処理装置１は、Ｎ×Ｍ個存在する特徴量選択部１６１１～１６ＮＭの夫々に対応するストレス推定モデルを設け、これらのストレス推定モデルを対応する特徴量選択部１６が出力するストレス推定特徴量を入力データとし、対応するストレスデータが示すストレス値を正解データとして学習を行う。また、推定フェーズでは、特徴量選択部３６は、学習フェーズでの特徴量選択部１６と同様、Ｎ×Ｍ個存在し、各ストレス推定部３７は、対応するＭ個の特徴量選択部３６が各々出力するストレス推定特徴量を、対応するＭ個のストレス推定モデルに入力する。これにより、ストレス推定部３７は、Ｍ個のストレス値を取得し、Ｍ個のストレス値を統合したストレス推定値を決定する。

【0080】

このように、本変形例においても、情報処理装置１は、ストレス傾向において偏りがあるクラスタごとに学習したストレス推定モデルに基づき、学習に用いていない観測特徴量から推定対象者のストレス状態を正確に推定することができる。

【0081】

また、情報処理装置１が推定するストレスは、慢性ストレスに限られず、比較的短期（数分～１日程度）におけるストレスである短期ストレスであってもよい。

【0082】

＜第２実施形態＞
図１０は、第２実施形態におけるストレス推定システム１００Ａの概略構成を示す。第２実施形態に係るストレス推定システム１００Ａは、第１実施形態の情報処理装置１の推定フェーズの処理を行うストレス推定装置１Ａと、第１実施形態の情報処理装置１の学習フェーズの処理を行う学習装置１Ｂと、推定対象者が使用する端末装置８及びセンサ５とを有する。以後では、第１実施形態と同一構成要素については、適宜同一符号を付し、その説明を省略する。

【0083】

図１０に示すように、ストレス推定システム１００Ａは、主に、サーバとして機能するストレス推定装置１Ａと、記憶装置４と、クライアントとして機能する端末装置８とを有する。ストレス推定装置１Ａと端末装置８とは、ネットワーク７を介してデータ通信を行う。

【0084】

学習装置１Ｂは、図２に示す情報処理装置１のハードウェア構成と同一のハードウェア構成を有し、学習装置１Ｂのプロセッサ１１は、図３に示される機能ブロックを有する。そして、学習装置１Ｂは、記憶装置４が記憶する情報に基づき、ストレス推定モデルのパラメータ更新及び特徴量選択情報Ｉｆｓの生成などの学習処理を行う。

【0085】

端末装置８は、推定対象者となる利用者（ユーザ）が使用する端末であり、入力機能、表示機能、及び通信機能を有し、図１に示される入力装置２及び表示装置３等として機能する。端末装置８は、例えば、パーソナルコンピュータ、スマートフォンなどのタブレット型端末、ＰＤＡ（Ｐｅｒｓｏｎａｌ Ｄｉｇｉｔａｌ Ａｓｓｉｓｔａｎｔ）などであってもよい。端末装置８は、利用者が装着するウェアラブルセンサなどのセンサ５と電気的に接続し、センサ５が出力する推定対象者の生体信号等（即ち、図１におけるセンサ信号Ｓ３に相当する情報）を、ネットワーク７を介してストレス推定装置１Ａに送信する。また、端末装置８は、アンケートの回答に関するユーザ入力などを受け付け、ユーザ入力により生成された情報（図１における入力信号Ｓ１に相当する情報）を、ストレス推定装置１Ａに送信する。

【0086】

ストレス推定装置１Ａは、図２に示す情報処理装置１のハードウェア構成と同一のハードウェア構成を有し、ストレス推定装置１Ａのプロセッサ１１は、図８に示される機能ブロックを有する。そして、ストレス推定装置１Ａは、図１における入力信号Ｓ１及びセンサ信号Ｓ３に相当する情報を、ネットワーク７を介して端末装置８から受信し、受信した情報を記憶装置４に記憶する。そして、ストレス推定装置１Ａは、学習装置１Ｂが学習したストレス推定モデルのパラメータ及び特徴量選択情報Ｉｆｓを参照し、推定対象者のストレス推定処理を実行する。また、ストレス推定装置１Ａは、端末装置８からの表示要求に基づき、ストレス推定結果を出力するための出力信号を、ネットワーク７を介して端末装置８へ送信する。

【0087】

このように、第２実施形態におけるストレス推定システム１００Ａは、学習フェーズと推定フェーズとを別の装置が実行し、ストレス推定モデルの学習及びストレス推定モデルを用いたストレス推定等を第１実施形態と同様に行うことができる。また、第２実施形態では、ストレス推定装置１Ａは、推定対象者が使用する端末から受信する推定対象者の生体信号等に基づき推定対象者のストレス状態の推定を行い、推定対象者に推定結果を端末上において好適に提示することができる。

【0088】

＜第３実施形態＞
図１１は、第３実施形態における学習装置１ＢＸのブロック図である。情報処理装置１Ｘは、主に、第１分割手段１４Ｘと、第２分割手段１５Ｘと、特徴量選択手段１６Ｘと、学習手段１７Ｘと、を有する。なお、学習装置１ＢＸは、複数の装置により構成されてもよい。

【0089】

第１分割手段１４Ｘは、対象者の観測特徴量を、対象者の属性又は環境の少なくとも一方に基づき分割する第１分割を行う。第１分割手段１４Ｘは、例えば、第１実施形態（変形例を含む、以下同じ）又は第２実施形態における第１分割部１４とすることができる。第２分割手段１５Ｘは、観測特徴量を、当該観測特徴量の観測対象又は対象者の活動状態の少なくとも一方に基づき分割する第２分割を行う。第２分割手段１５Ｘは、例えば、第１実施形態又は第２実施形態における第２分割部１５とすることができる。

【0090】

特徴量選択手段１６Ｘは、第１分割及び前記第２分割に基づき分割された観測特徴量から、ストレス推定に用いる特徴量であるストレス推定特徴量を選択する。特徴量選択手段１６Ｘは、例えば、第１実施形態又は第２実施形態における特徴量選択部１６とすることができる。学習手段１７Ｘは、ストレス推定特徴量と、当該ストレス推定特徴量に対応する正解のストレス値とに基づき、少なくとも第１分割により分けられたまとまりごとに、ストレス推定モデルの学習を行う。学習手段１７Ｘは、例えば、第１実施形態又は第２実施形態における推定モデル学習部１７とすることができる。

【0091】

図１２は、第３実施形態において学習装置１ＢＸが実行するフローチャートの一例である。まず、第１分割手段１４Ｘは、対象者の観測特徴量を、対象者の属性又は環境の少なくとも一方に基づき分割する第１分割を行う（ステップＳ３１）。また、第２分割手段１５Ｘは、観測特徴量を、当該観測特徴量の観測対象又は対象者の活動状態の少なくとも一方に基づき分割する第２分割を行う（ステップＳ３２）。さらに、特徴量選択手段１６Ｘは、第１分割及び前記第２分割に基づき分割された観測特徴量から、ストレス推定に用いる特徴量であるストレス推定特徴量を選択する（ステップＳ３３）。そして、学習手段１７Ｘは、ストレス推定特徴量と、当該ストレス推定特徴量に対応する正解のストレス値とに基づき、少なくとも第１分割により分けられたまとまりごとに、ストレス推定モデルの学習を行う（ステップＳ３４）。

【0092】

第３実施形態によれば、学習装置１ＢＸは、ストレス傾向において偏りがあるまとまりごとにストレス推定モデルを学習し、ストレス推定を高精度に実行可能なストレス推定モデルを学習することができる。

【0093】

なお、上述した各実施形態において、プログラムは、様々なタイプの非一時的なコンピュータ可読媒体（non-transitory computer readable medium）を用いて格納され、コンピュータであるプロセッサ等に供給することができる。非一時的なコンピュータ可読媒体は、様々なタイプの実体のある記憶媒体（tangible storage medium）を含む。非一時的なコンピュータ可読媒体の例は、磁気記憶媒体（例えばフレキシブルディスク、磁気テープ、ハードディスクドライブ）、光磁気記憶媒体（例えば光磁気ディスク）、ＣＤ－ＲＯＭ（Read Only Memory）、ＣＤ－Ｒ、ＣＤ－Ｒ／Ｗ、半導体メモリ（例えば、マスクＲＯＭ、ＰＲＯＭ（Programmable ROM）、ＥＰＲＯＭ（Erasable PROM）、フラッシュＲＯＭ、ＲＡＭ（Random Access Memory））を含む。また、プログラムは、様々なタイプの一時的なコンピュータ可読媒体（transitory computer readable medium）によってコンピュータに供給されてもよい。一時的なコンピュータ可読媒体の例は、電気信号、光信号、及び電磁波を含む。一時的なコンピュータ可読媒体は、電線及び光ファイバ等の有線通信路、又は無線通信路を介して、プログラムをコンピュータに供給できる。

【0094】

その他、上記の実施形態の一部又は全部は、以下の付記のようにも記載され得るが以下には限られない。

【0095】

［付記１］
対象者の観測特徴量を、前記対象者の属性又は環境の少なくとも一方に基づき分割する第１分割を行う第１分割手段と、
前記観測特徴量を、当該観測特徴量の観測対象又は前記対象者の活動状態の少なくとも一方に基づき分割する第２分割を行う第２分割手段と、
前記第１分割及び前記第２分割に基づき分割された観測特徴量から、ストレス推定に用いる特徴量であるストレス推定特徴量を選択する特徴量選択手段と、
前記ストレス推定特徴量と、当該ストレス推定特徴量に対応する正解のストレス値とに基づき、少なくとも前記第１分割により分けられたまとまりごとに、ストレス推定モデルの学習を行う学習手段と、
を有する学習装置。
［付記２］
前記特徴量選択手段は、前記第１分割及び前記第２分割に基づき分割された観測特徴量と、前記ストレス値との相関に基づき、前記ストレス推定特徴量を選択する、付記１に記載の学習装置。
［付記３］
前記特徴量選択手段は、前記第１分割及び前記第２分割に基づき分割された観測特徴量から無作為抽出により複数のグループを形成し、前記グループごとに算出した前記相関に関する前記複数のグループ全体での集計結果に基づき、前記ストレス推定特徴量を選択する、付記２に記載の学習装置。
［付記４］
前記特徴量選択手段は、前記集計結果として、前記複数のグループにおける前記相関の統計値と、前記複数のグループにおける前記相関の正負符号の割合とを算出する、付記３に記載の学習装置。
［付記５］
前記学習手段は、前記第１分割及び前記第２分割により分けられたまとまりごとに、前記ストレス推定モデルの学習を行う、付記１に記載の学習装置。
［付記６］
前記学習手段は、前記特徴量選択手段が選択したストレス推定特徴量に関する情報である特徴量選択情報と、前記学習手段により学習された前記ストレス推定モデルのパラメータとを学習結果として出力する、付記１～５のいずれか一項に記載の学習装置。
［付記７］
前記第１分割手段は、前記正解のストレス値が測定されていないときのストレス値を示す疑似データを、前記正解のストレス値の補間により生成する、付記１～６のいずれか一項に記載の学習装置。
［付記８］
前記第１分割手段は、前記観測特徴量の一部が２以上のまとまりに重複して属するように前記第１分割を行う、付記１～７のいずれか一項に記載の学習装置。
［付記９］
ストレス推定の対象となる推定対象者の観測特徴量を、前記推定対象者の属性又は環境の少なくとも一方に基づき分類を行う分類手段と、
前記分類に基づき、前記観測特徴量から、ストレス推定に用いる特徴量であるストレス推定特徴量を選択する特徴量選択手段と、
前記分類に基づき、ストレス推定モデルを選択し、選択した前記ストレス推定モデルに前記ストレス推定特徴量を入力することで、前記推定対象者のストレス値を推定するストレス推定手段と、
を有するストレス推定装置。
［付記１０］
前記ストレス推定手段は、付記１～８のいずれか一項に記載の学習装置により学習されたストレス推定モデルに基づき、前記ストレス値を推定する、付記９に記載のストレス推定装置。
［付記１１］
前記特徴量選択手段は、前記ストレス推定特徴量として、付記１～８のいずれか一項に記載の学習装置により選択されたストレス推定特徴量と同一種類の観測特徴量を選択する、付記９または１０に記載のストレス推定装置。
［付記１２］
前記分類手段は、前記観測特徴量を複数に分類し、
前記ストレス推定手段は、前記複数の分類に基づき選択された複数のストレス推定モデルが出力する推定結果を統合することで、前記ストレス値を推定する、付記９～１１のいずれか一項に記載のストレス推定装置。
［付記１３］
コンピュータが、
対象者の観測特徴量を、前記対象者の属性又は環境の少なくとも一方に基づき分割する第１分割を行い、
前記観測特徴量を、当該観測特徴量の観測対象又は前記対象者の活動状態の少なくとも一方に基づき分割する第２分割を行い、
前記第１分割及び前記第２分割に基づき分割された観測特徴量から、ストレス推定に用いる特徴量であるストレス推定特徴量を選択し、
前記ストレス推定特徴量と、当該ストレス推定特徴量に対応する正解のストレス値とに基づき、少なくとも前記第１分割により分けられたまとまりごとに、ストレス推定モデルの学習を行う、
学習方法。
［付記１４］
コンピュータが、
ストレス推定の対象となる推定対象者の観測特徴量を、前記推定対象者の属性又は環境の少なくとも一方に基づき分類を行い、
前記分類に基づき、前記観測特徴量から、ストレス推定に用いる特徴量であるストレス推定特徴量を選択し、
前記分類に基づき、ストレス推定モデルを選択し、選択した前記ストレス推定モデルに前記ストレス推定特徴量を入力することで、前記推定対象者のストレス値を推定する、
ストレス推定方法。
［付記１５］
対象者の観測特徴量を、前記対象者の属性又は環境の少なくとも一方に基づき分割する第１分割を行い、
前記観測特徴量を、当該観測特徴量の観測対象又は前記対象者の活動状態の少なくとも一方に基づき分割する第２分割を行い、
前記第１分割及び前記第２分割に基づき分割された観測特徴量から、ストレス推定に用いる特徴量であるストレス推定特徴量を選択し、
前記ストレス推定特徴量と、当該ストレス推定特徴量に対応する正解のストレス値とに基づき、少なくとも前記第１分割により分けられたまとまりごとに、ストレス推定モデルの学習を行う処理をコンピュータに実行させるプログラムが格納された記憶媒体。
［付記１６］
ストレス推定の対象となる推定対象者の観測特徴量を、前記推定対象者の属性又は環境の少なくとも一方に基づき分類を行い、
前記分類に基づき、前記観測特徴量から、ストレス推定に用いる特徴量であるストレス推定特徴量を選択し、
前記分類に基づき、ストレス推定モデルを選択し、選択した前記ストレス推定モデルに前記ストレス推定特徴量を入力することで、前記推定対象者のストレス値を推定する処理をコンピュータに実行させるプログラムが格納された記憶媒体。

【0096】

以上、実施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。すなわち、本願発明は、請求の範囲を含む全開示、技術的思想にしたがって当業者であればなし得るであろう各種変形、修正を含むことは勿論である。また、引用した上記の特許文献等の各開示は、本書に引用をもって繰り込むものとする。

【符号の説明】

【0097】

１ 情報処理装置
１Ａ ストレス推定装置
１Ｂ、１ＢＸ 学習装置
２ 入力装置
３ 表示装置
４ 記憶装置
５ センサ
８ 端末装置
１００、１００Ａ ストレス推定システム

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】