腰痛分析装置、腰痛分析方法及程序

摘要

本发明提供一种以更高的精度推定腰痛发生的概率的腰痛分析装置、腰痛分析方法及程序。本发明的一个方面的腰痛分析装置具备：分析部，其使用通过聚类对由传感器获取的重心移动的数据进行分类而得到的模式的结果来得到模式的结果与腰痛之间的关系，所述传感器安装在家具上并获取包括人坐在所述家具上的期间的座位期间中的重心移动的数据。

说明书

技术领域

本发明涉及一种腰痛分析装置、腰痛分析方法及程序。

背景技术

在现代社会中进行事务工作的人非常多，受到腰痛折磨的人也很多。因此，提出了判断姿势的技术、基于判断出的姿势在长时间持续相同姿势时发出警告的装置。

现有技术文件

专利文献

专利文献1：日本发明专利公开公报特开2010-082165号

专利文献2：美国专利申请公开第2017/0020438号说明书

发明内容

本发明要解决的问题

但是，对于进行事务工作的人来说，产生长时间以相同姿势坐着的场面的情况实际上很少。因此，在目前为止提出的技术中，多数情况下无法防止腰痛的发生。

鉴于上述情况，本发明的目的在于提供一种以更高的精度推定腰痛发生概率的技术。

解决问题的手段

本发明的一个方面是一种腰痛分析装置，该腰痛分析装置具备：分析部，其使用通过聚类对由传感器获取的重心移动的数据进行分类而得到的模式的结果来得到模式的结果与腰痛之间的关系，所述传感器安装在家具上并获取包括人坐在所述家具上的期间的座位期间中的重心移动的数据。

本发明的效果

根据本发明，能够以更高的精度推定腰痛发生的概率。

附图说明

图1是说明实施方式的腰痛发生推定系统100的概要的说明图。

图2是表示实施方式中的单位时间信息的一例的图。

图3是表示实施方式中的座位状况数据生成模型获取装置5的硬件构成的一例的图。

图4是表示实施方式中的控制部51的功能构成的一例的图。

图5是表示实施方式中的座位状况数据生成模型获取装置5所执行的处理的流程的一例的流程图。

图6是表示实施方式中的学习数据集生成装置1的硬件构成的一例的图。

图7是表示实施方式中的控制部11的功能构成的一例的图。

图8是表示实施方式的学习数据集生成装置1所执行的处理的流程的一例的流程图。

图9是表示实施方式中的腰痛发生推定模型获取装置2的构成的一例的图。

图10是表示实施方式中的控制部21的功能构成的一例的图。

图11是表示实施方式中的腰痛发生推定模型获取装置2所执行的处理的流程的一例的流程图。

图12是表示实施方式中的腰痛发生推定装置3的硬件构成的一例的图。

图13是表示实施方式中的控制部31的功能构成的一例的图。

图14是表示实施方式中的腰痛发生推定装置3所执行的处理的流程的一例的流程图。

图15是表示在实验中得到的出现模式获取处理的结果的第一示例的图。

图16是表示在实验中得到的出现模式获取处理的结果的第二示例的图。

图17是表示在实验中得到的出现模式获取处理的结果的第三示例的图。

图18是表示变形例中的腰痛分析装置6的构成的硬件构成的一例的图。

图19是表示变形例中的控制部61的功能构成的一例的图。

附图标记说明

100：腰痛发生推定系统、1：学习数据集生成装置、2：腰痛发生推定模型获取装置、3：腰痛发生推定装置、4：传感器、5：座位状况数据生成模型获取装置、6：腰痛分析装置、11：控制部、12：通信部、13：输入部、14：存储部、15：输出部、101：通信控制部、102：输入控制部、103：输出控制部、104：座位状况数据生成部、105：学习数据生成部、106：记录部、21：控制部、22：通信部、23：输入部、24：存储部、25：输出部、201：通信控制部、202：输入控制部、203：输出控制部、204：学习数据集获取部、205：对应关系获取部、206：记录部、251：腰痛发生推定学习模型执行部、252：更新部、253：结束判定部、31：控制部、32：通信部、33：输入部、34：存储部、35：输出部、301：通信控制部、302：输入控制部、303：输出控制部、304：分析对象数据获取部、305：分析对象座位状况数据生成部、306：推定部、307：记录部、51：控制部、52：通信部、53：输入部、54：存储部、55：输出部、501：通信控制部、502：输入控制部、503：输出控制部、504：座位状况数据生成模型获取部、505：记录部、61：控制部、62：通信部、63：输入部、64：存储部、65：输出部、601：通信控制部、602：输入控制部、603：输出控制部、604：分析部、605：记录部、91：处理器、92：存储器、93：处理器、94：存储器、95：处理器、96：存储器、97：处理器、98：存储器、99：处理器、90：存储器

具体实施方式

(实施方式)

图1是说明实施方式的腰痛发生推定系统100的概要的说明图。腰痛发生推定系统100通过机器学习的方法，对推定腰痛发生的机器学习的模型(以下称为“腰痛发生推定学习模型”)进行更新，直到满足规定的结束条件(以下称为“学习结束条件”)。腰痛发生推定系统100使用学习完毕的腰痛发生概率学习模型(以下称为“腰痛发生推定模型”)，对分析对象的人(以下称为“分析对象9”)推定发生腰痛的概率。此外，腰痛发生推定系统100通过无教师的机器学习方法获取数学模型，该数学模型生成输入到腰痛发生推定学习模型的数据。以下，将通过学习而更新的数学模型、即生成输入到腰痛发生推定学习模型的数据的数学模型称为座位状况数据生成模型。

另外，学习完毕是指满足了学习结束条件。学习结束条件例如是机器学习的模型(以下称为“机器学习模型”)被更新了预定次数这样的条件。学习结束条件例如可以是更新引起的机器学习模型的变化比预定的变化小这样的条件。

另外，机器学习模型是包括执行条件和执行顺序(在下文中，称为“执行规则”)被预先确定的一个或多个处理的集合。学习是指基于机器学习的方法的机器学习模型的更新。另外，机器学习模型的更新是指适当地调整机器学习模型中的参数的值。此外，机器学习模型的执行是指根据执行规则执行包括在机器学习模型中的各处理。

腰痛发生推定系统100具备学习数据集生成装置1、腰痛发生推定模型获取装置2、腰痛发生推定装置3、传感器4以及座位状况数据生成模型获取装置5。传感器4安装于家具，用于获取包括人坐在该家具上的期间的期间(以下称为“座位期间”)中的座位状况数据。

座位状况数据是包括座位期间的长度和预定的重心移动共同模式在座位期间出现的次数的信息。重心移动共同模式是通过基于座位重心的移动的数据学习完毕的座位状况数据生成模型而得到的信息。具体而言，重心移动共同模式是表示座位重心位置的时间变化的方式(模式)的信息。

座位重心位置是坐在家具上的人的重心的位置。座位重心位置使用设置在家具上的载荷传感器等能够测定载荷的传感器来获取。因此，传感器4是获取座位期间的坐标重心位置的时间变化的传感器。为了简化说明，下面将以通过设置在家具上的载荷传感器测定座位重心位置的情况为例来说明腰痛发生推定系统100。家具例如是椅子。下面为了简化说明，将以椅子作为家具的情况为例来说明腰痛发生推定系统100。

在腰痛发生推定系统100中，例如，使用在椅子的座位面的背侧设置有4个载荷传感器的状态下的4个载荷传感器的测定结果。对4个载荷传感器的配置进行说明。将座位面的中心位置的坐标设为(0，0)，4个载荷传感器以配置在坐标为(1，1)、(1、-1)、(-1，1)、(-1、-1)的位置的方式配置成正方形。在本发明的一个方式中，测定4个载荷传感器的各自位置处的载荷A(1，1)、A(1、-1)、A(-1，1)、A(-1、-1)。例如，通过以下公式(1)计算重心。

[数学式1]

在腰痛发生推定系统100中，例如，优选在将坐标重心位置分为前后方向的坐标重心位置和左右方向的坐标重心位置的状态下获取数据。这是因为，在腰痛发生推定系统100使用多个载荷传感器的测定结果的情况下，在使用后述的随机马尔可夫过程等进行分析时需要分析多维量，聚类变得复杂。另外，如果仅在前后方向、左右方向进行分析，则例如从椅子上站起时等的行动变得容易理解。通过以这种方式在前后方向和左右方向上分开重心位置，腰痛发生推定系统100能够容易地进行分析结果的判定。

另外，载荷传感器的设置位置、个数等，只要是能够获取坐标重心位置的位置，则可以是任意的设置位置、个数。只要能够得到使用椅子的用户在椅子上的座位状况，则无论怎样配置传感器都没有问题。

传感器4不一定必须是载荷传感器。传感器4也可以使用加速度传感器来代替载荷传感器。在使用加速度传感器的情况下，所获取的数据取代重心的位移数据而获取加速度数据。由此，通过知道是否有重心移动，从而得到重心移动共同模式。因此，在使用加速度传感器代替载荷传感器的情况下，腰痛发生推定系统100考虑加速度数据等与重心移动的获取相关的量，使用预先导出的公式来导出与重心移动相关的数据。在使用加速度传感器代替载荷传感器的情况下，腰痛发生推定系统100，如上所述，进行与用于获取重心移动的传感器为载荷传感器的情况相同的分析。

学习完毕的座位状况数据生成模型，是将作为座位期间的重心移动的数据的重心移动信息转换为座位状况数据的数学模型。更具体而言，重心移动信息是表示传感器4获得的座位重心位置的变化的信息。更具体而言，重心移动信息是表示座位期间中的座位重心位置的时间变化的时间序列。因此，重心移动信息还包括表示座位期间的长度的信息。

这里，对在腰痛发生推定系统100中执行的处理进行说明，该处理是在执行座位状况数据生成模型的学习时和执行学习完毕的座位状况数据生成模型时中的至少一方时执行的处理。

具体而言，将分别描述单位时间信息生成处理、单位分类处理、出现模式获取处理、共同模式确定处理、共同模式出现次数获取处理、座位状况数据生成处理以及学习数据生成处理。

单位时间信息生成处理是将重心移动信息所表示的时间序列按每单位时间进行分割的处理。以下，将通过单位时间信息生成处理进行分割后的各时间序列分别称为单位时间信息。单位时间是预先确定的预定时间。单位时间例如为5秒。单位时间例如也可以为10秒。单位时间不必是一种，也可以是多种。

例如，在单位时间为第一单位时间和第二单位时间这两种的情况下，通过单位时间信息生成处理，生成以第一单位时间分割重心移动信息的结果和以第二单位时间分割重心移动信息的结果这两种的结果。这样，单位时间信息是重心移动信息所表示的时间序列的至少一部分的时间序列，是单位时间的时间序列。

图2是表示实施方式中的单位时间信息的一例的图。图2的横轴表示时间。图2的纵轴表示座位重心位置(从座位面的中心位置的位移)。“左右”是指椅子的左右方向的座位重心位置的测定结果。“前后”是指椅子的前后方向的座位重心位置的测定结果。因此，图2表示椅子的左右方向的座位重心位置的测定结果和椅子的前后方向的座位重心位置的测定结果的一例。在图2中，Δt是单位时间的一例。

因此，图2的第1-1期间、第1-2期间、第1-3期间、第1-4期间、第1-5期间都是单位时间信息的一例。另外，在图2的示例中，各单位信息是具有左右方向的座位重心位置的时间变化的时间序列和前后方向的座位重心位置的时间变化的时间序列这两个时间序列的信息。因此，图2的示例中的单位时间序列例如是将元素中的一个表示在左右方向上的座位重心位置、且元素中的另一个表示在前后方向上的座位重心位置的二维矢量作为样本的时间序列。

单位分类处理是对由单位时间信息生成处理生成的单位时间的集合进行聚类来确定分类条件的处理。即，单位分类处理是通过进行聚类来获取分类条件的处理。另外，分类条件是指通过聚类得到的各聚类所满足的条件。聚类可以是任何方法，只要是聚类方法即可，例如可以是k-means法。聚类的方法例如也可以是使用随机马尔可夫过程的聚类的方法。使用随机马尔可夫过程的聚类方法，例如为以下参考文献1所示的TICC(Toeplitzinverse covariance-based clustering)。

参考文件1：D.Hallac，S Vare等，“Toeplitz inverse covariance-basedclustering of multivariate time series data”Proceedings of the 23rd ACMSIGKDD International Conference on Knowledge Discovery and Data Mining.2017。

另外，在单位分类处理的执行前，也可以对降采样等的将重心移动信息或者单位时间时间序列信息所表示的时间序列的样本执行间疏处理(以下称为“间疏处理”)。

出现模式获取处理是基于重心移动信息和单位分类处理的结果来推定各重心移动信息中单位分类的出现方式(以下称为“出现模式”)的处理。单位分类是指单位分类处理的结果的各分类(即各群集)。

出现模式获取处理可以是任何方法，只要是推定给定信息中预定信息的出现方式的方法即可。出现模式获取处理例如是判定每个重心移动信息的单位时间信息中各单位时间信息是否属于的任意一个单位分类的处理。出现模式获取处理例如可以是使用隐马尔可夫过程来推定给定信息中预定信息的出现方式的方法。使用隐马尔可夫过程推定给定信息中预定信息的出现方式的方法例如是以下参考文献2中所示的MASA(Motif-Aware StateAssignment)(通过从包括噪声的时间序列数据中认识到基序(模式、规则性)的状态分配)。

参考文献2：S.Jain，D.Hallac等，“MASA：Motif-Aware State Assignment inNoisy Time Series Data.”arXiv preprint arXiv：1809.01819(2018)。

更具体而言，参考文献2中记载的MASA是基于变动时间序列的隐马尔可夫过程的MASA。通过使用基于变动时间序列的隐马尔可夫过程的MASA，例如，在参考文献1中记载的通过TICC得到的各分类中，顺序为分类A、分类B和分类C的出现模式与分类A、分类A、分类B、分类B、分类D、分类C、分类C的出现模式被分类为同一出现模式。

即，可以认为在分类A、分类A、分类B、分类B、分类D、分类C、分类C的出现模式中不存在时间较短的分类D。分类D也是与分类A、分类B、分类C同样的单位分类处理的结果。另外，基于变动时间序列的隐马尔可夫过程的MASA是变动时间序列的分析算法的一例。

然而，在人坐在椅子上的情况下，由于进行各种动作，因此存在即使是相同的分类也在执行的重心移动中产生时间的长短的情况，并且在各个分类间的时间间隔中也产生长短的情况。另外，根据实验，如果是分类A、分类B、分类C的出现模式，则即使各分类的时间的长短、出现时间间隔不同，对腰痛的影响也相同。因此，例如在判定出现模式A1和出现模式A2对腰痛的影响不同的情况下，腰痛发生推定系统100的腰痛发生的推定精度比非上述情况时低。

在腰痛发生推定系统100使用MASA的情况下，腰痛发生推定系统100能够对动作的特征进行模式识别。因此，使用MASA的腰痛发生推定系统100与不使用MASA的腰痛发生推定系统100相比，模式的检测精度高。另外，出现模式A1是按照分类A、分类A、分类B、分类B、分类D、分类C、分类C的顺序的出现模式。出现模式A2是按照分类A、分类B、分类C的顺序的出现模式。

共同模式确定处理是从由出现模式获取处理的执行而得到的出现模式中确定满足与出现频度的高低相关的条件(以下称为“出现频度条件”)的出现模式的处理。由共同模式确定处理确定的出现模式是重心移动共同模式的一例。即，满足出现频度条件的出现模式是重心移动共同模式的一例。

出现频度条件例如是某个期间中的从出现频度最高的出现模式到出现频度第N(N是1以上的预定整数)高的出现模式这样的条件。出现频度条件例如可以是出现频度最高的条件。某期间是预先确定的预定的期间。某期间在实际使用的情况下例如是约1小时，使用该期间的出现频度。另外，作为形成座位状况数据生成模型的初始设定，设定出现频度条件的期间也可以使用约1天量的数据。约一天量的数据例如是在椅子上坐的时间，坐的方式不受控制而各种各样，每一次为约1小时到约30分钟左右，它们是约一天收集的数据。

下面，说明在腰痛发生推定系统100中，用于更新腰痛发生推定学习模型的学习数据(以下称为“第一学习数据”)的具体的一例。在腰痛发生推定学习模型的更新中使用有教师的机器学习的方法。因此，在腰痛发生推定系统100学习腰痛发生推定学习模型时，使用包括表示是否为腰痛关联聚类的信息作为正解数据的第一学习数据。

正解数据是从腰痛判定期间的开始的时间点到结束的时间点(以下称为“期间结束时间点”)的期间中的被检者回答信息。腰痛判定期间是包括座位期间的预先确定的预定期间。被检者回答信息是从被检者得到的评价结果，是被检者以11个等级(包括完全没有疼痛的0)评价腰痛程度的结果。另外，被检者是学习数据的提供者的一例。

这样，正解数据是基于与对应于座位状况数据的腰痛相关的聚类的信息。使用上述那样确定的、使用正解数据和座位状况数据进行学习得到的数学模型(即腰痛发生推定学习模型)，与通过传感器测定得到的重心移动共同模式进行比较，由此可以推定腰痛。

这样，第一学习数据的一例是将出现模式的频度与例如被检者回答信息预先建立了对应的数据。由于第一学习数据是将出现模式的频度与被检者回答信息预先建立了对应的数据，因此腰痛发生推定系统100在学习阶段，能够得到表示由出现模式频度得到的特征性聚类与腰痛的相关的信息。

另外，腰痛相关聚类是满足关于与腰痛的相关的高低的预定条件的聚类。关于与腰痛的相关的高低的预定条件例如是后述的分类A“Stable State”和分类B“Slight sway”的聚类的出现频度。

为了简化以下的说明，将以通过共同模式确定处理得到的出现模式为重心移动共同模式的情况为例，说明腰痛发生推定系统100。另外，为了简化以下的说明，以第一学习数据包括腰痛关联聚类作为正解数据的情况为例，说明腰痛发生推定系统100。

共同模式出现次数获取处理是对每个重心移动信息获取重心移动共同模式的出现次数的处理。共同模式出现次数获取处理例如是对每个重心移动信息执行次数计数处理的处理。次数计数处理是在改变比较对象的同时重复执行获取作为比较对象的时间序列与重心移动共同模式之间的差异的时间序列差异的处理，然后获取时间序列差异小于预定差异的比较对象的数量的处理。具体而言，在计数处理中的比较对象的时间序列是由重心移动信息表示的时间序列的一部分。

座位状况数据生成处理是将通过执行对重心移动信息的共同模式出现次数获取处理而得到的重心移动共同模式的出现次数、和重心移动信息所表示的座位期间的长度作为一对数据而得到的处理。通过执行座位状况数据生成处理而得到的一对数据是座位状况数据的一例。这样，在腰痛发生推定系统100中，针对每个重心移动信息，针对各重心移动信息获取座位状况数据。

学习数据生成处理包括生成一对数据的处理，该一对数据是通过座位状况数据生成处理所得到的座位状况数据和与每个重心移动信息预先建立了对应的正解数据。学习数据生成处理至少基于通过座位状况数据生成处理所得到的座位状况数据和与每个重心移动信息预先建立了对应的正解数据，针对每个重心移动信息生成第一学习数据。

以下，将由学习数据生成处理生成的第一学习数据的集合称为学习数据集。另外，数据集是指数据的集合。学习数据集所包括的第一学习数据可以为一个也可以为多个。

对学习数据集生成装置1、腰痛发生推定模型获取装置2、腰痛发生推定装置3、传感器4以及座位状况数据生成模型获取装置5进行说明。首先，对座位状况数据生成模型获取装置5进行说明。

基于一条或多条重心移动信息，座位状况数据生成模型获取装置5获取数学模型(即，座位状况数据生成模型)，该数学模型生成用于更新腰痛发生推定学习模型的座位状况数据。

通过使用一条或多条重心移动信息的无教师的机器学习来得到座位状况数据生成模型。座位状况数据生成模型例如是用于执行至少包括针对重心移动信息的单位分类处理、出现模式获取处理、共同模式确定处理和共同模式出现次数获取处理的数学模型。座位状况数据生成模型可以包括座位状况数据生成处理。以下，将用于座位状况数据生成模型的学习的学习数据称为第二学习数据。由于通过使用一条或多条重心移动信息的无教师的机器学习来得到座位状况数据生成模型，因此重心移动信息是第二学习数据的一例。

在通过无教师的机器学习来得到座位状况数据生成模型时，每次学习都更新通过单位分类处理得到的分类的条件。其结果，在出现模式获取处理中获取的模式和在共同模式确定处理中确定的模式也被更新。因此，通过学习来更新座位状况数据生成模型，从而更新重心移动信息和座位状况数据之间的关系。

学习数据集生成装置1和腰痛发生推定装置3使用由座位状况数据生成模型获取装置5获取的学习完毕的座位状况数据生成模型。

学习数据集生成装置1使用学习完毕的座位状况数据生成模型来生成用于更新腰痛发生推定学习模型的学习数据集。即，学习数据集生成装置1使用学习完毕的座位状况数据生成模型来生成第一学习数据。学习数据集生成装置1基于重心移动信息生成座位状况数据。更具体而言，学习数据集生成装置1将重心移动信息转换为座位状况数据。

另外，对于所有重心移动信息，座位期间的长度不必相同。即，至少一条重心移动信息中的座位期间的长度可以不同于其他重心移动信息中的座位期间的长度，或者所有重心移动信息中的座位期间的长度可以相同。

学习数据集生成装置1通过学习完毕的座位状况数据生成模型的执行来生成座位状况数据。更具体而言，学习数据集生成装置1通过至少执行例如单位时间信息生成处理、出现模式获取处理、共同模式出现次数获取处理、座位状况数据生成处理以及学习数据生成处理来生成座位状况数据。

学习数据集生成装置1使用学习完毕的座位状况数据生成模型。因此，在由学习数据集生成装置1生成座位状况数据时，在单位分类处理中确定的分类条件已经由座位状况数据生成模型获取装置5确定完毕。因此，学习数据集生成装置1不执行单位分类处理。这对于腰痛发生推定装置3也同样。

学习数据集生成装置1使用学习完毕的座位状况数据生成模型。因此，在由学习数据集生成装置1生成座位状况数据时，在共同模式确定处理中确定的模式已经由座位状况数据生成模型获取装置5决定完毕。因此，学习数据集生成装置1不执行共同模式确定处理。这对于腰痛发生推定装置3也同样。

腰痛发生推定模型获取装置2通过使用学习数据集的学习来更新腰痛发生推定学习模型。具体而言，腰痛发生推定模型获取装置2使用学习数据集所包括的第一学习数据来更新腰痛发生推定学习模型。更具体而言，腰痛发生推定模型获取装置2根据第一学习数据所包括的座位状况数据和正解数据，通过机器学习的方法更新腰痛发生推定学习模型。即，腰痛发生推定模型获取装置2根据座位状况数据和与座位状况数据对应的正解数据，通过机器学习方法更新腰痛发生推定学习模型。

腰痛发生推定模型获取装置2更新腰痛发生推定学习模型，直到满足学习结束条件为止。满足学习结束条件的时间点的腰痛发生推定学习模型是腰痛发生推定模型。这样，腰痛发生推定模型获取装置2获取腰痛发生推定模型。

腰痛发生推定装置3使用座位状况数据生成模型和腰痛发生推定模型，基于预测发生腰痛的对象即分析对象9的重心移动信息，推定分析对象9的腰痛发生概率。更具体而言，腰痛发生推定装置3，首先基于预测发生腰痛的对象即分析对象9的重心移动信息，使用座位状况数据生成模型生成分析对象9的座位状况数据。腰痛发生推定装置3接着基于生成的座位状况数据，使用腰痛发生推定模型推定分析对象9的腰痛发生概率。

腰痛发生概率是在腰痛判定期间的结束的时间点之后发生腰痛的概率。因此，分析对象9的腰痛发生概率是指在腰痛判定期间结束的时间点之后分析对象9发生腰痛的概率。腰痛判定期间是包括座位期间的预先确定的预定期间。

包括座位期间的预先确定的预定期间例如为座位期间其本身。包括座位期间的预先确定的预定期间，例如可以是在工作中进行事务工作的分析对象9的工作时间。包括座位期间的预先确定的预定期间，例如可以是从在学校中接受课堂教学的分析对象9到达学校时到其回家为止的期间。

图3是示出实施方式中的座位状况数据生成模型获取装置5的硬件构成的一例的图。座位状况数据生成模型获取装置5具备控制部51，并执行程序，该控制部51具备通过总线连接的CPU(Central Processing Unit)等的处理器97和存储器98。座位状况数据生成模型获取装置5通过执行程序而作为具备控制部51、通信部52、输入部53、存储部54以及输出部55的装置发挥功能。

更具体而言，在座位状况数据生成模型获取装置5中，处理器97读取存储在存储部54中的程序，并且将所读取的程序存储在存储器98中。通过处理器97执行存储在存储器98中的程序，座位状况数据生成模型获取装置5作为具备控制部51、通信部52、输入部53、存储部54以及输出部55的装置发挥功能。

控制部51控制座位状况数据生成模型获取装置5所具备的各功能部的动作。控制部51例如进行座位状况数据生成模型的学习。控制部51将通过座位状况数据生成模型的学习而产生的各种信息记录在存储部54。控制部51例如控制通信部52的动作。

通信部52构成为包括用于将座位状况数据生成模型获取装置5与外部装置连接的通信接口。通信部52经由有线或无线与外部装置进行通信。通信部52的通信目的地的外部装置例如是学习数据集生成装置1和腰痛发生推定装置3。通信部52例如将座位状况数据生成模型发送到学习数据集生成装置1和腰痛发生推定装置3。通信部52例如与作为用于更新座位状况数据生成模型的学习数据而被输入的一个或多个重心移动信息的发送源进行通信。通信部52例如通过与作为用于更新座位状况数据生成模型的学习数据而被输入的一个或多个重心移动信息的发送源之间的通信，获取作为用于更新座位状况数据生成模型的学习数据而被输入的一个或多个重心移动信息。

输入部53构成为包括鼠标、键盘、触摸面板等输入装置。输入部53可以构成为将这些输入装置与座位状况数据生成模型获取装置5连接的接口。输入部53接受对座位状况数据生成模型获取装置5的各种信息的输入。例如，可以将一条或多条重心移动信息输入到输入部53，作为用于更新座位状况数据生成模型的学习数据。

存储部54使用磁硬盘装置或半导体存储装置等非暂时性计算机可读存储介质装置构成。存储部54存储与座位数据生成模型获取装置5有关的各种信息。存储部54例如预先存储用于控制座位状况数据生成模型获取装置5所具备的各功能部的动作的程序。存储部54例如预先存储学习开始前的座位状况数据生成模型。

另外，作为用于更新座位状况数据生成模型的学习数据而输入的一条或多条重心移动信息，不一定必须仅输入到通信部52，也不一定必须仅输入到输入部53。作为用于更新座位状况数据生成模型的学习数据而被输入的一条或多条重心移动信息，可以从通信部52和输入部53的任何一方输入。另外，作为用于更新座位状况数据生成模型的学习数据而被输入的一条或多条重心移动信息不一定必须从通信部52或输入部53获取，也可以预先存储在存储部54中。

输出部55输出各种信息。输出部55例如包括CRT(Cathode Ray Tube)显示器、液晶显示器、有机EL(Electro-Luminescence)显示器等显示装置而构成。输出部55也可以构成为将这些显示装置与座位状况数据生成模型获取装置5连接的接口。输出部55例如也可以显示输入到通信部52或输入部53的信息。

图4是表示实施方式中的控制部51的功能构成的一例的图。控制部51具备通信控制部501、输入控制部502、输出控制部503、座位状况数据生成模型获取部504以及记录部505。

通信控制部501控制通信部52的动作。通过通信控制部501的控制，通信部52将获取的学习完毕的座位状况数据生成模型发送给学习数据集生成装置1和腰痛发生推定装置3。通信控制部501获取通信部52接收到的信息。输入控制部502控制输入部53的动作。输入控制部502获取输入到输入部53的信息。输出控制部503控制输出部55的动作。

座位状况数据生成模型获取部504，基于输入到通信部52或输入部53的重心移动信息，进行座位状况数据生成模型的学习，直到满足预定的结束条件为止。具体而言，座位状况数据生成模型获取部504针对每条输入的重心移动信息执行单位时间信息生成处理、单位分类处理、出现模式获取处理、共同模式确定处理、共同模式出现次数获取处理以及座位状况数据生成处理。

这样，座位状况数据生成模型包括座位状况数据生成处理。座位状况数据生成模型获取部504，在每次学习时，更新由单位分类处理得到的分类的条件。另外，由于座位状况数据生成模型包括共同模式确定处理，因此每当座位状况数据生成模型通过学习被更新时，共同模式被更新为更合适的模式。其结果，通过学习，提高了由座位状况数据生成模型生成的座位状况数据的精度。满足预定的结束条件的时间点的座位状况数据生成模型是学习完毕的座位状况数据生成模型。

另外，在预先将重心移动信息存储在存储部54中的情况下，座位状况数据生成模型获取部504，也可以从存储部54读取重心移动信息，并基于读取的重心移动信息来进行座位状况数据生成模型的学习。

记录部506将更新后的座位状况数据生成模型等的各种信息记录到存储部14。

图5是表示实施方式中的座位状况数据生成模型获取装置5所执行的处理的流程的一例的流程图。用于学习的重心移动信息被输入到通信部52或输入部53(步骤S101)。接着，座位状况数据生成模型获取部504执行单位时间信息生成处理(步骤S102)。接着，座位状况数据生成模型获取部504执行单位分类处理(步骤S103)。通过执行单位分类处理，更新分类的条件。接着，座位状况数据生成模型获取部504执行出现模式获取处理(步骤S104)。然后，座位状况数据生成模型获取部504执行共同模式确定处理(步骤S105)。通过执行共同模式确定处理，更新重心移动共同模式。

接着，座位状况数据生成模型获取部504执行共同模式出现次数获取处理(步骤S106)。通过执行共同模式出现次数获取处理，对每个重心移动信息获取重心移动共同模式的出现次数。接着，座位状况数据生成模型获取部504执行座位状况数据生成处理(步骤S107)。通过执行座位状况数据生成处理，对每个重心移动信息获取得座位状况数据。接着，座位状况数据生成模型获取部504判定是否满足了预定的结束条件(步骤S108)。在满足结束条件的情况下，结束处理。处理结束的时间点的座位状况数据生成模型是学习完毕的座位状况数据生成模型。另一方面，在不满足结束条件的情况下，返回步骤S101的处理。

另外，步骤S107的处理不一定需要执行，也可以在步骤S106之后执行步骤S108的处理。

图6是表示实施方式中的学习数据集生成装置1的硬件构成的一例的图。学习数据集生成装置1具备控制部11，并执行程序，该控制部11具备通过总线连接的CPU等的处理器91和存储器92。学习数据集生成装置1通过执行程序而作为具备控制部11、通信部12、输入部13、存储部14以及输出部15的装置发挥功能。

更具体而言，在学习数据集生成装置1中，处理器91读取存储在存储部14中的程序，并将读取的程序存储在存储器92中。处理器91通过执行存储在存储器92中的程序，学习数据集生成装置1作为具备控制部11、通信部12、输入部13、存储部14以及输出部15的装置发挥功能。

控制部11控制学习数据集生成装置1所具备的各功能部的动作。控制部11例如执行学习完毕的座位状况数据生成模型。具体而言，学习完毕的座位状况数据生成模型的执行是单位时间信息生成处理、出现模式获取处理、共同模式出现次数获取处理以及座位状况数据生成处理的执行。控制部11例如执行学习数据生成处理。控制部11例如将学习完毕的座位状况数据生成模型的执行结果和学习数据生成处理的执行结果记录在存储部14中。控制部11例如控制通信部12的动作。

通信部12构成为包括用于将学习数据集生成装置1与外部装置连接的通信接口。通信部12经由有线或无线与外部装置进行通信。通信部12的通信目的地的外部装置例如是腰痛发生推定模型获取装置2。通信部12例如将学习数据集发送至腰痛发生推定模型获取装置2。

通信部12的通信目的地的外部装置例如是座位状况数据生成模型获取装置5。通信部12通过与座位状况数据生成模型获取装置5的通信，获取学习完毕的座位状况数据生成模型。

通信部12的通信目的地的外部装置例如也可以是重心移动信息和与各重心移动信息预先建立了对应的正解数据的发送源的装置。在这样的情况下，通信部12通过重心移动信息和与各重心移动信息预先建立了对应的正解数据的发送源的装置之间的通信，接收重心移动信息和与各重心移动信息预先建立了对应的正解数据。

输入部13构成为包括鼠标、键盘、触摸面板等输入装置。输入部13也可以构成为将这些输入装置与学习数据集生成装置1连接的接口。输入部13接受对学习数据集生成装置1的各种信息的输入。例如，可以将重心移动信息和与各重心移动信息预先建立了对应的正解数据输入到输入部13。

存储部14使用磁硬盘装置或半导体存储装置等非暂时性计算机可读存储介质装置构成。存储部14存储与学习数据集生成装置1有关的各种信息。存储部14例如预先存储用于控制学习数据集生成装置1所具备的各功能部的动作的程序。存储部14例如存储学习完毕的座位状况数据生成模型。

另外，重心移动信息和与各重心移动信息预先建立了对应的正解数据不一定必须仅输入到通信部12，也不一定必须仅输入到输入部13。重心移动信息和与各重心移动信息预先建立了对应的正解数据，可以从通信部12和输入部13中的任何一方输入。例如，也可以将重心移动信息输入到通信部12，将与输入到通信部12的重心移动信息对应的正解数据输入到输入部13。另外，重心移动信息和与各重心移动信息预先建立了对应的正解数据不一定必须从通信部12或输入部13获取，也可以预先存储在存储部14中。

输出部15输出各种信息。输出部15例如包括CRT(Cathode Ray Tube)显示器、液晶显示器、有机EL(Electro-Luminescence)显示器等显示装置而构成。输出部15也可以构成为将这些显示装置与学习数据集生成装置1连接的接口。输出部15例如输出输入到输入部13的信息。输出部15例如也可以显示输入到通信部12或输入部13的信息。输出部15例如也可以显示生成的座位状况数据。输出部15例如也可以显示生成的第一学习数据。

图7是表示实施方式中的控制部11的功能构成的一例的图。控制部11具备通信控制部101、输入控制部102、输出控制部103、座位状况数据生成部104、学习数据生成部105以及记录部106。

通信控制部101控制通信部12的动作。通过通信控制部101的控制，通信部12将生成的学习数据集发送给腰痛发生推定模型获取装置2。通过通信控制器101的控制，通信部12从座位状况数据生成模型获取装置5获取学习完毕的座位状况数据生成模型。通信控制部101获取通信部12接收到的信息。输入控制部102控制输入部13的动作。输入控制部102获取输入到输入部13的信息。输出控制部103控制输出部15的动作。

座位状况数据生成部104，基于输入到通信部12或输入部13的重心移动信息，生成座位状况数据。座位状况数据生成部104例如通过执行单位时间信息生成处理、出现模式获取处理、共同模式出现次数获取处理和座位状况数据生成处理，基于重心移动信息生成座位状况数据。另外，在预先将重心移动信息存储在存储部14中的情况下，座位状况数据生成部104也可以从存储部14读取重心移动信息，并基于读取的重心移动信息来生成座位状况数据。

学习数据生成部105执行学习数据生成处理。学习数据生成部105通过学习数据生成处理的执行，至少使用通过座位状况数据生成处理得到的座位状况数据和与每个重心移动信息预先建立了对应的正解数据，针对每个重心移动信息生成第一学习数据。

记录部108将各种信息记录在存储部14中。

图8是表示实施方式中的学习数据集生成装置1所执行的处理的流程的一例的流程图。另外，在执行步骤S201之前，存储部14已经存储了学习完毕的座位状况数据生成模型。

将重心移动信息和与重心移动信息预先建立了对应的正解数据输入到通信部12或输入部13(步骤S201)。接着，座位状况数据生成部104执行单位时间信息生成处理(步骤S202)。接着，座位状况数据生成部104执行出现模式获取处理(步骤S203)。

接着，座位状况数据生成部104执行共同模式出现次数获取处理(步骤S204)。通过执行共同模式出现次数获取处理，对在步骤S201中获取的重心移动信息获取重心移动共同模式的出现次数。接着，座位状况数据生成部104执行座位状况数据生成处理(步骤S205)。通过执行座位状况数据生成处理，获取每个重心移动信息的座位状况数据。接着，学习数据生成部105对每个重心移动信息执行学习数据生成处理(步骤S206)。通过执行学习数据生成处理，生成第一学习数据。通过重复图8中记载的处理流程，生成学习数据集。

图9是表示实施方式的腰痛发生推定模型获取装置2的构成的一例的图。腰痛发生推定模型获取装置2具备控制部21，并执行程序，该控制部21具备通过总线连接的CPU等的处理器93和存储器94。腰痛发生推定模型获取装置2通过执行程序而作为具备控制部21、通信部22、输入部23、存储部24以及输出部25的装置发挥功能。

更具体而言，在腰痛发生推定模型获取装置2中，处理器93读取存储在存储部24中的程序，并将读取的程序存储到存储器94中。通过处理器93执行存储在存储器94中的程序，腰痛发生推定模型获取装置2作为具备控制部21、通信部22、输入部23、存储部24以及输出部25的装置发挥功能。

控制部21控制腰痛发生推定模型获取装置2所具备的各功能部的动作。控制部21例如进行腰痛发生推定学习模型的学习。控制部21例如将学习的结果记录在存储部24中。控制部21例如控制通信部22的动作。

通信部22构成为包括用于将腰痛发生推定模型获取装置2与外部装置连接的通信接口。通信部22经由有线或无线与外部装置进行通信。通信部22的通信目的地的外部装置例如是学习数据集生成装置1。通信部22例如接收从学习数据集生成装置1发送的学习数据集。通信部22的通信目的地的外部装置例如是腰痛发生推定装置3。通信部22例如将腰痛发生推定模型发送至腰痛发生推定装置3。

输入部23构成为包括鼠标、键盘、触摸面板等输入装置。输入部23也可以构成为将这些输入装置与腰痛发生推定模型获取装置2连接的接口。输入部23接受对腰痛发生推定模型获取装置2的各种信息的输入。例如，可以将学习数据集输入到输入部23。

存储部24使用磁硬盘装置或半导体存储装置等非暂时性计算机可读存储介质装置构成。存储部24存储与腰痛发生推定模型获取装置2有关的各种信息。存储部24例如预先存储用于控制腰痛发生推定模型获取装置2所具有的各功能部的动作的程序。存储部24例如预先存储腰痛发生推定学习模型。存储部24例如存储更新后的腰痛发生推定学习模型。

另外，学习数据集不一定必须仅输入到通信部22，也不一定必须仅输入到输入部23。学习数据集所包括的各信息可以从通信部22和输入部23中的任意一方输入。

输出部25输出各种信息。输出部25例如包括CRT显示器、液晶显示器、有机EL显示器等显示装置而构成。输出部25也可以构成为将这些显示装置与腰痛发生推定模型获取装置2连接的接口。输出部25例如输出输入到输入部23的信息。输出部25例如也可以显示输入到通信部22或输入部23的学习数据集。输出部25例如也可以显示腰痛发生推定学习模型的执行结果。

图10是表示实施方式中的控制部21的功能构成的一例的图。控制部21具备通信控制部201、输入控制部202、输出控制部203、学习数据集获取部204、对应关系获取部205以及记录部206。

通信控制部201控制通信部22的动作。通过通信控制部201的控制，通信部22将学习完毕的腰痛发生推定学习模型发送至腰痛发生推定装置3。输入控制部202控制输入部23的动作。输出控制部203控制输出部25的动作。

学习数据集获取部204获取输入到通信部22或输入部23的学习数据集。学习数据集获取部204在预先在存储部24中已记录学习数据集的情况下，也可以从存储部24读取学习数据集。

对应关系获取部205使用学习数据集来获取腰痛发生推定模型。具备腰痛发生推定学习模型执行部251、更新部252和结束判定部253。

腰痛发生推定学习模型执行部251对包括在学习数据集获取部204获取的学习数据集的第一学习数据中的座位状况数据执行腰痛发生推定学习模型。通过执行腰痛发生推定学习模型，腰痛发生推定学习模型执行部251推定发生了座位状况数据所示状况时的腰痛发生概率。

更新部252基于推定损失来更新腰痛发生推定学习模型，该推定损失是腰痛发生推定学习模型执行部251的推定结果与正解数据之间的差异，所述正解数据与腰痛发生推定学习模型执行部251的推定对象的座位状况数据对应。

结束判定部253判定是否满足学习结束条件。记录部206将各种信息记录到存储部24。

图11是表示实施方式中的腰痛发生推定模型获取装置2所执行的处理流程的一例的流程图。学习数据集被输入到通信部12或输入部13，并且学习数据集获取部204获取输入的学习数据集(步骤S301)。

接着，腰痛发生推定学习模型执行部251对在步骤S301中获取的学习数据集的第一学习数据所包括的座位状况数据执行腰痛发生推定学习模型(步骤S302)。通过执行腰痛发生推定学习模型，腰痛发生推定学习模型执行部251推定在推定对象发生座位状况数据所示的状况的情况下的腰痛发生概率。

接着，更新部252基于在步骤S302中得到的推定结果和与步骤S302的推定对象的座位状况数据对应的正解数据之间的差异，以减小差异的方式更新腰痛发生推定学习模型(步骤S303)。

接下来，结束判定部253判定是否满足学习结束条件(步骤S304)。在满足学习结束条件的情况下(步骤S304：是)，结束处理。处理结束时间点的腰痛发生推定学习模型是腰痛发生推定模型的一例。另一方面，在不满足学习结束条件的情况下(步骤S304：否)，返回到步骤SS301的处理。

图12是表示实施方式中的腰痛发生推定装置3的硬件构成的一例的图。腰痛发生推定装置3具备控制部31，并执行程序，该控制部31具备通过总线连接的CPU等的处理器95和存储器96。腰痛发生推定装置3通过执行程序而作为具备控制部31、通信部32、输入部33、存储部34以及输出部35的装置发挥功能。

更具体而言，在腰痛发生推定装置3中，处理器95读取存储在存储部34中的程序，并将读取的程序存储到存储器96中。通过处理器95执行存储在存储器96中的程序，腰痛发生推定装置3作为具备控制部31、通信部32、输入部33、存储部34以及输出部35的装置发挥功能。

控制部31控制腰痛发生推定装置3所具备的各功能部的动作。控制部31例如执行座位状况数据生成模型。控制部31例如将座位状况数据生成模型的执行结果记录在存储部34中。控制部31例如执行腰痛发生推定模型。控制部31例如将腰痛发生推定模型的执行结果记录在存储部34中。控制部31例如控制通信部32的动作。

通信部32构成为包括用于将腰痛发生推定装置3与外部装置连接的通信接口。通信部32经由有线或无线与外部装置进行通信。通信部32的通信目的地的外部装置例如是腰痛发生推定模型获取装置2。通信部32例如接收腰痛发生推定模型获取装置2发送的腰痛发生推定模型。

通信部32的通信目的地的外部装置例如是座位状况数据生成模型获取装置5。通信部32通过与座位状况数据生成模型获取装置5的通信，获取学习完毕的座位状况数据生成模型。

外部装置例如也可以是分析对象9的重心移动信息的发送源的装置。在这种情况下，通信部32通过与分析对象9的重心移动信息的发送源的装置之间的通信，接收分析对象9的重心移动信息。

输入部33构成为包括鼠标、键盘、触摸面板等输入装置。输入部33也可以构成为将这些输入装置与腰痛发生推定装置3连接的接口。输入部33接受对腰痛发生推定装置3的各种信息的输入。例如，可以将分析对象9的重心移动信息输入到输入部33。

存储部34使用磁硬盘装置或半导体存储装置等非暂时性计算机可读存储介质装置构成。存储部34存储与腰痛发生推定装置3相关的各种信息。存储部34例如预先存储用于控制腰痛发生推定装置3所具有的各功能部的动作的程序。存储部34例如存储腰痛发生推定模型获取装置2所获取的腰痛发生推定模型。存储部34例如存储腰痛发生推定模型的推定结果。存储部34例如存储学习完毕的座位状况数据生成模型。

另外，腰痛发生推定模型、学习完毕的座位状况数据生成模型、分析对象9的重心移动信息，不一定必须仅输入到通信部32，也不一定必须仅输入到输入部33。腰痛发生推定模型、学习完毕的座位状况数据生成模型和分析对象9的重心移动信息，可以从通信部32和输入部33中的任何一方输入。另外，学习完毕的座位状况数据生成模型并不一定必须从通信部32或输入部33获取，也可以预先存储在存储部34中。

输出部35输出各种信息。输出部35例如包括CRT显示器、液晶显示器、有机EL显示器等显示装置而构成。输出部35也可以构成为将这些显示装置与腰痛发生推定装置3连接的接口。输出部35例如输出输入到输入部33的信息。输出部35例如也可以显示输入到通信部32或输入部33的状况数据。输出部35例如也可以显示腰痛发生推定模型的执行结果。

图13是表示实施方式中的控制部31的功能构成的一例的图。控制部31具备通信控制部301、输入控制部302、输出控制部303、分析对象数据获取部304、分析对象座位状况数据生成部305、推定部306以及记录部307。

通信控制部301控制通信部32的动作。输入控制部302控制输入部33的动作。输出控制部303控制输出部35的动作。

分析对象数据获取部304获取输入到通信部32或输入部33的分析对象9的重心移动信息。

分析对象座位状况数据生成部305，基于分析对象数据获取部304获取的分析对象9的重心移动信息，执行学习完毕的座位状况数据生成模型，从而获取分析对象9的座位状况数据。即，分析对象座位状况数据生成部305通过执行学习完毕的座位状况数据生成模型，将分析对象9的重心移动信息转换为座位状况数据。分析对象座位状况数据生成部305例如通过对分析对象9的重心移动信息执行共同模式出现次数获取处理以及座位状况数据生成处理，从而生成分析对象9的座位状况数据。

推定部306对分析对象9的座位状况数据执行腰痛发生推定模型。通过执行腰痛发生推定模型，推定部306推定在分析对象9发生座位状况数据所示的状况的情况下，分析对象9的腰痛发生概率。此外，推定部306也可以求出出现模式的出现频度，基于出现频度和与腰痛相关的出现模式的频度来推定腰痛。此外，推定部306也可以基于与作为预测发生腰痛的对象的分析对象的人相关的座位状况数据，推定在腰痛判定期间结束的时间点之后分析对象发生腰痛的概率。

记录部307将各种信息记录到存储部34。记录部307例如将输入到通信部32或输入部33的分析对象9的重心移动信息记录到存储部34。记录部307例如将学习完毕的座位状况数据生成模型的执行结果记录到存储部34。记录部307例如将腰痛发生推定模型的执行结果记录在存储部34中。

图14是表示实施方式中的腰痛发生推定装置3所执行的处理流程的一例的流程图。另外，在执行步骤S401之前，存储部34已经存储了腰痛发生推定模型和学习完毕的座位状况数据生成模型。

将分析对象9的重心移动信息输入到通信部22或输入部23，分析对象数据获取部304获取输入的分析对象9的重心移动信息(步骤S401)。

接着，分析对象座位状况数据生成部305基于在步骤S401中获取的分析对象9的重心移动信息，生成分析对象9的座位状况数据(步骤S402)。

接着，推定部306使用腰痛发生推定模型，推定在发生了步骤S402中生成的座位状况数据所示的状况的情况下的分析对象9的腰痛发生概率(步骤S403)。

接着，输出控制部303使输出部35显示在步骤S403中推定的推定结果(步骤S404)。在步骤S404中，也可以执行记录部307将推定结果记录到存储部34的处理。

对腰痛发生推定系统100所执行的处理的一例进行总结。在腰痛发生推定系统100中，执行步骤S101～步骤S108的处理。在腰痛发生推定系统100中，在执行步骤S101～步骤S108之后，执行步骤S201～S206的处理。在腰痛发生推定系统100中，执行使用了通过步骤S201～S206的处理得到的学习数据集的步骤S301～步骤S304的处理。在腰痛发生推定系统100中，在执行步骤S301～步骤S304的处理后和执行步骤S101～步骤S108的处理后，执行步骤S401～步骤S404的处理。

这样构成的实施方式的腰痛发生推定系统100，具备使用座位状况数据获取腰痛发生推定模型的腰痛发生推定模型获取装置2。腰痛发生推定模型是座位状况数据和与座位状况数据对应的正解数据之间的对应关系的一例。座位状态数据包括表示预定的重心移动共同模式在座位期间出现的次数的信息。并且正解数据是表示在腰痛判定期间的结束时间点之后发生腰痛的概率的变化的信息。

然而，坐在椅子上时发生的腰痛是发生的概率根据人在座位时的活动方式而变化的现象。因此，本发明人推测，如果能够得到人的活动方式与腰痛的发生概率的变化之间的对应关系，则能够以更高的精度推定腰痛的发生概率。重心移动共同模式是表示坐在椅子上的人的重心的位置的变化的一例的信息，坐在椅子上的人的重心的位置的变化是反映人的活动方式的信息。本发明人使用具备腰痛发生推定模型获取装置2的腰痛发生推定系统100，求出人的活动方式与腰痛发生概率的变化之间的对应关系的相关性，结果发现腰痛的发生与重心移动共同模式具有强的相关性。通过将该腰痛发生推定模型作为腰痛发生推定学习模型进行机器学习，腰痛发生推定系统100能够以更高的精度推定发生腰痛的概率。

另外，这样构成的实施方式的腰痛发生推定系统100，使用腰痛发生推定模型推定分析对象9的腰痛。因此，腰痛发生推定系统100能够以更高的精度推定腰痛发生的概率。

(变形例)

另外，腰痛发生推定学习模型例如由具有输入层、多个中间层、输出层的神经网络来表现。神经网络的参数基于目标函数的值(即，损失)而被适当地调整。网络的参数是要表示的机器学习模型的参数。另外，网络参数是构成网络的电路的参数。

腰痛发生推定学习模型例如是参考文献3等中记载的概率神经网络。

参考文献3：Specht，Donald F.“Probabilistic neural networks.”Neuralnetworks 3.1(1990)：109-118。

腰痛恶化推定使用概率神经网络的深层学习。神经网络输出的最优化函数例如可以是SSA(Social Spider Algorithm)。另外，除此之外，若使用损失函数交叉熵，则与不使用的情况相比，能够以更高的精度和特异度进行腰痛恶化推定。腰痛恶化推定是指腰痛恶化(产生了腰痛)和腰痛不变(未产生腰痛)。

此外，机器学习模型的精度高是指基于机器学习模型的推定结果正确的概率高。特异度是指例如能够预测腰痛恶化而不是肩酸恶化。

另外，有时座位状况数据所示的内容以外的各种因素会影响到腰痛的产生。因此，在除了座位状况数据所示的内容以外的各种因素影响到腰痛的产生的情况下的学习数据，不仅可以包括座位状况数据和正解数据的对，还可以包括座位状况数据的提供者的性别的信息、生活习惯、身体状况的信息。此外，学习数据可以包括表示座位状况数据的提供者的与腰痛相关的主观评估结果的信息。表示与腰痛相关的主观评价结果的信息例如是表示腰疼痛的感觉方式的信息。除了包括在学习数据中的成对的座位状况数据和正解数据之外的其他信息越多，腰痛发生推定模型获取装置2可以生成高精度的腰痛发生推定模型。

(实验结果)

在此，使用图15～图17，针对使用腰痛发生推定系统100的腰痛发生概率的预测，对实验结果的一例进行说明。实验对30名被检者进行4个月。在实验中，测定在被检者坐在实验用的椅子(以下称为“实验椅子”)上的期间的被检者的重心的位置的变化。实验椅子是安装有载荷传感器的椅子。实验椅子具体是在椅子的座面下的4个位置设置有载荷传感器、在座面下的1个位置设置有三轴加速度计的椅子。在实验中，具体而言，基于载荷传感器及三轴加速度计的测定结果算出重心位置的时间变化。算出的重心位置的时间变化是重心移动信息的一例。载荷传感器的取样速率为100Hz。

在实验中，被检者每天、上午9点、上午11点30分、下午2点、下午5点进行4次2个预定的作业。预定的作业之一是评价自己的困倦程度的作业。困倦是以卡罗林斯卡嗜睡量表得到回答。预定作业的剩余一个是评价困倦自我评价、疼痛自我评价及作业自我评价这三个的作业。对于疼痛，得到全身、肩和腰的回答。回答用可视模拟刻度(Visual AnalogueScale)得到回答。

在实验中，被检者每周一次回答了作为情绪量表的POMS2和作为失眠量表的阿森斯失眠量表。

在实验中，每天被检者在工作时坐在实验椅上。在实验中，被检者在工作时坐在实验椅子上后进行通常业务。在通常业务中坐在椅子上的情况下，坐的椅子是实验椅子。坐在实验椅上的期间，测定重心的位置变化。

在实验中，被检者除了洗澡时以外都装上了手表型的活动量计。具体而言，活动量计是使用加速度传感器的活动量计。另外，进行腰痛以外的测定。肺活量计等的测定是针对与座位的重心位置等的数据的其他相关性而进行的测定。

在实验中，在这样的实验环境下，从30名被检者获取了重心移动信息等的实验结果。

图15～图17是表示实验中得到的出现模式获取处理的结果的、从被检者得到的重心位置的示例的图。图15～图17的纵轴表示重心位置的位移，横轴表示测定时间。图15～图17中的虚线的曲线(即，“左右”所示的曲线)表示前后方向的位移。图15～图17的实线的曲线(即“前后”所示的曲线)表示左右方向的位移。图15～图17表示分类A和分类B交替出现。另外，在实验中，分类A是“Stable State”，分类B是“Slight sway”。分类A是指“重心在大致恒定的位置稳定的状态(稳定)”。分类B是指“身体摇摆等重心稍微移动的状态”。

此外，作为暂时执行的行动，在实验中进行了较大、抬起腰等重心有较大变化的状态(分类C)、从椅子站起而从椅子离开等的状态(分类D)等的分类。

图15～图17表示分类A和分类B的模式交替表示。图15～图17表示分类A、分类B交替出现的模式是基础模式，在该模式在预定期间的期间出现的频度高的情况下被检者很少会产生腰痛。

另一方面，图15～图17表示在预定期间分类A、分类B的出现频度较少的情况下导致腰痛的情况较高的结果。例如，分类A的期间较长地持续、然后出现分类B、接着分类A的期间又较长地持续等，在预定期间分类A、分类B的出现频度较少的情况下，或者在分类A、分类B的模式中出现多次分类C，分类A、分类B的出现没有持续多次，作为预定期间整体来看时的分类A、分类B的出现频度较少时等，表示发生腰痛的比例较高。

实验者使用SSA-PNN模型计算腰痛发生推定系统100，对上述分类A、分类B的出现频度的比例进行判定时，腰痛的判定精度约为63％，此外，在特异性的判断中，也能够得到约69％的高精度。该结果表示，腰痛发生推定系统100能够对进行各种椅子的座法的用户高精度且非常高的概率地判定是否会产生腰痛。

此外，如上所述，腰痛发生推定系统100能够推定腰痛的发生，但通过提醒用户注意以不引起腰痛，也能够防止腰痛的发生。

在预定期间内，分类A、分类B的出现频度的比例小，在这样的状态下，在推定会导致腰痛的情况下，根据实验结果得出如下结论：通过对用户进行警告等来促使姿势的改善、或者进行预定的运动等，能够防止导致腰痛、或者减轻腰痛的程度。另外，这样的状态是指继续相同的座法。

如上所述，本发明的腰痛发生推定系统100，通过对座位重心位置中的座位的状况进行分类并分析其模式，可以根据预定模式的出现频度(分类A、分类B)来推定导致腰痛(恶化)、不导致等的发生腰痛的可能性。

此外，通过机器学习，该推定成为更高精度的推定，并且推定也变得更快。如果得到最初使用椅子的用户坐一小时左右的数据，其后，腰痛发生推定系统100能够在几分钟内获得其他用户的判定。

此外，通信部12、通信部22和通信部32也可以构成为包括用于与存储各种信息的USB(Universal Serial Bus)存储器等的外部存储装置连接的接口。在这种情况下，通信部12、通信部22和通信部32可以将信息输出到连接目的地的外部存储装置。

另外，学习数据集生成装置1和腰痛发生推定模型获取装置2不一定需要安装为不同的装置。学习数据集生成装置1和腰痛发生推定模型获取装置2例如可以作为同时具有两者功能的一个装置来安装。

例如，腰痛发生推定模型获取装置2的控制部21还具备座位状况数据生成部104和学习数据生成部105，控制部21可以执行单位时间信息生成处理、出现模式获取处理、共同模式出现次数获取处理、座位状况数据生成处理和学习数据生成处理。在这样的情况下，在通信部22或输入部23中，输入重心移动信息和与各重心移动信息预先建立了对应的正解数据。另外，在这种情况下，腰痛发生推定系统100无需具备学习数据集生成装置1。

另外，腰痛发生推定模型获取装置2和腰痛发生推定装置3不一定需要安装为不同的装置。腰痛发生推定模型获取装置2和腰痛发生推定装置3例如可以作为同时具有两者功能的一个装置来安装。

例如，腰痛发生推定装置3的控制部31还具备学习数据集获取部204、腰痛发生推定学习模型执行部251、更新部252和结束判定部253，控制部31还可以进行更新腰痛发生推定学习模型和获取腰痛发生推定模型。在这种情况下，还向通信部32或输入部33输入学习数据集。

另外，腰痛发生推定系统100也可以作为使用了经由网络可通信地连接的多台信息处理装置的系统而安装。在这种情况下，学习数据集生成装置1、腰痛发生推定模型获取装置2和腰痛发生推定装置3所具备的各功能部也可以分散安装在多个信息处理装置中。

另外，腰痛发生推定系统100例如也可以作为腰痛分析装置6安装为一个装置。

图18是表示变形例中的腰痛分析装置6的构成的硬件构成的一例的图。腰痛分析装置6具备控制部61，并执行程序，该控制部61具备通过总线连接的CPU(CentralProcessing Unit)等的处理器99和存储器90。腰痛分析装置6通过执行程序而作为具备控制部61、通信部62、输入部63、存储部64以及输出部65的装置发挥功能。

更具体而言，腰痛分析装置6的处理器99读取存储部64中存储的程序，并将读取的程序存储到存储器90中。通过处理器99执行存储在存储器90中的程序，腰痛分析装置6作为具备控制部61、通信部62、输入部63、存储部64以及输出部65的装置发挥功能。

控制部61控制腰痛分析装置6所具备的各功能部的动作。控制部61例如进行座位状况数据生成模型的学习。控制部61例如进行腰痛发生推定学习模型的学习。控制部61例如使用腰痛发生推定模型，推定关于分析对象9的腰痛发生概率。

通信部62构成为包括用于将腰痛分析装置6与外部装置连接的通信接口。通信部62经由有线或无线与外部装置进行通信。通信部62的通信目的地的外部装置例如也可以是分析对象9的重心移动信息的发送源的装置。在这种情况下，通信部62通过与分析对象9的重心移动信息的发送源的装置之间的通信，接收分析对象9的重心移动信息。

输入部63构成为包括鼠标、键盘、触摸面板等输入装置。输入部63也可以构成为将这些输入装置连接到腰痛分析装置6的接口。输入部63接受对腰痛分析装置6的各种信息的输入。例如，可以将分析对象9的重心移动信息输入到输入部63。

另外，在通信部62或输入部63中，输入表示腰痛分析装置6的动作模式的信息(以下称为“动作模式指示信息”)。腰痛分析装置6的动作模式是座位状况数据生成模型学习模式、腰痛发生推定学习模型学习模式和分析模式。

座位状况数据生成模型学习模式是腰痛分析装置6使用输入到通信部62或输入部63的数据来进行座位状况数据生成模型的学习的动作模式。腰痛发生推定学习模型学习模式是腰痛分析装置6使用输入到通信部62或输入部63的数据进行腰痛发生推定学习模型的学习的动作模式。分析模式是腰痛分析装置6使用输入部62或输入部63输入的数据，推定有关分析对象9的腰痛发生概率的动作模式。

输入到通信部62或输入部63的动作模式指示信息表示座位状况数据生成模型学习模式、腰痛发生推定学习模型学习模式和分析模式中的任何一个。

重心移动信息被输入到通信部62或输入部63。正解数据被输入到通信部62或输入部63。分析对象9的重心移动信息被输入到通信部62或输入部63。

在输入了表示座位状况数据生成模型学习模式的动作模式指示信息和重心移动信息的情况下，腰痛分析装置6以座位状况数据生成模型学习模式进行动作，并更新座位状况数据生成模型。

在输入了表示腰痛发生推定学习模型学习模式的动作模式指示信息、重心移动信息和正解数据的情况下，腰痛分析装置6以腰痛发生推定学习模型学习模式动作，并更新腰痛发生推定学习模型。

在输入了表示分析模式的动作模式指示信息和重心移动信息的情况下，腰痛分析装置6以分析模式动作，基于输入的重心移动信息，推定进行了输入的重心移动信息所示的座位重心位置的人的腰痛发生概率。

存储部64使用磁硬盘装置或半导体存储装置等非暂时性计算机可读取的存储介质装置构成。存储部64存储与腰痛分析装置6相关的各种信息。存储部64例如预先存储用于控制腰痛分析装置6所具备的各功能部的动作的程序。存储部64例如预先存储学习开始前的座位状况数据生成模型。存储部64例如预先存储腰痛发生推定学习模型。

输出部65输出各种信息。输出部65例如包括CRT显示器、液晶显示器、有机EL显示器等显示装置而构成。输出部65也可以构成为将这些显示装置连接到腰痛分析装置6的接口。输出部65例如也可以显示输入到通信部62或输入部63的信息。

图19是表示变形例中的控制部61的功能构成的一例的图。控制部61具备通信控制部601、输入控制部602、输出控制部603、分析部604、推定部306以及记录部605。以下，对具有与图1～图18所记载的功能部相同的功能的部分标注与图1～图18相同的附图标记，并省略说明。

通信控制部601控制通信部62的动作。通信控制部601获取通信部62接收的信息。输入控制部602控制输入部63的动作。输入控制部602获取输入到输入部63的信息。输出控制部603控制输出部65的动作。

分析部604具备：座位状况数据生成部104、学习数据生成部105、对应关系获取部205、分析对象座位状况数据生成部305以及座位状况数据生成模型获取部504。因此，分析部604能够进行座位状况数据生成模型的更新、座位状况数据的生成、腰痛发生推定学习模型的更新。即，分析部604可使用通过聚类对由传感器4获取的重心移动信息进行分类而得到的模式的结果，来得到模式的结果与腰痛之间的关系。传感器4是用于获取座位期间中的重心移动信息的装置的一例。

记录部605将各种信息记录在存储部64中。记录部605例如将输入到通信部62或输入部63的信息记录在存储部64。记录部605例如将通过分析部604的动作而产生的各种信息记录在存储部64。

由于腰痛分析装置6具备分析部604，因此，可以与腰痛发生推定系统100同样地，根据输入的动作模式指示信息，执行步骤S101～步骤S108、步骤S201～S206、步骤S301～步骤S304以及步骤S401～步骤S402的各处理。

另外，学习数据集生成装置1、腰痛发生推定模型获取装置2、腰痛发生推定装置3、座位状况数据生成模型获取装置5和腰痛分析装置6的各功能的全部或一部分也可以使用ASIC(Application Specific Integrated Circuit，专用集成电路)、PLD(ProgrammableLogic Device，可编程逻辑器件)、FPGA(Field Programmable Gate Array，现场可编程门阵列)等硬件来实现。程序也可以记录在计算机可读取的记录介质中。计算机可读取的记录介质是指例如软盘、光磁盘、ROM、CD-ROM等的可移动介质、内置于计算机系统的硬盘等的存储装置。程序可以经由电通信线路来传输。

另外，座位状况数据和与座位状况数据对应的正解数据之间的对应关系不一定必须是机器学习模型。对应关系可以是表示将座位状况数据转换为与座位状况数据对应的正解数据的转换的映射。在这种情况下，表示将座位状况数据转换为与座位状况数据对应的正解数据的转换的映射，也可以是例如将包括参数的预先给出的函数通过量子退火或基于门的量子计算机等的最优化方法进行最优化的结果而得到的映射。

另外，正解数据可以是从腰痛判定期间的开始的时间点到结束的时间点为止的变化，也可以是在期间结束的时间点之后在进行由座位状况数据所示的重心移动的人发生腰痛的概率的变化的信息。

(其他的观点)

换言之，前述的本发明的一个侧面的装置、方法和程序可以如下表达。

腰痛发生推定模型获取装置具备对应关系获取部，该对应关系获取部基于座位状况数据和正解数据来获取所述座位状况数据和与所述座位状况数据对应的正解数据之间的对应关系，其中，所述座位状况数据是包括作为人坐在椅子上的期间的座位期间的长度、以及作为坐在所述椅子上的所述人的重心的位置的预定的时间变化的方式的重心移动共同模式在所述座位期间出现的次数的信息，所述正解数据是表示作为包括所述座位期间的预先决定的预定的期间的腰痛判定期间的从开始的时间点到结束的时间点为止的变化、即表示进行所述座位状况数据所示的重心移动的人在所述结束的时间点之后发生腰痛的概率的变化的信息。另外，是用于使该腰痛发生推定模型获取装置在计算机上发挥功能的程序。

另外，提供了一种腰痛发生推定方法，该方法包括：基于座位状况数据和正解数据来获取所述座位状况数据和与所述座位状况数据对应的正解数据之间的对应关系的对应关系获取步骤，其中，所述座位状况数据是包括作为人坐在椅子上的期间的座位期间的长度、以及作为坐在所述椅子上的所述人的重心的位置的预定的时间变化的方式的重心移动共同模式在所述座位期间中出现的次数的信息，所述正解数据是表示作为包括所述座位期间的预先决定的预定的期间的腰痛判定期间的从开始的时间点到结束的时间点为止的变化、即表示进行所述座位状况数据所示的重心移动的人在所述结束的时间点之后发生腰痛的概率的变化的信息。

在上述的腰痛发生推定模型获取装置中，重心移动共同模式将表示座位期间中人重心位置的时间变化的时间序列作为重心移动信息，将表示重心移动信息的时间序列的至少一部分的时间序列、即单位时间的时间序列作为单位时间信息，将对所述单位时间信息的集合进行聚类的结果的每个分类作为单位分类，将重心移动信息中所述单位分类的出现方式作为出现模式，并且，所述重心移动共同模式是在一条或多条重心移动信息中出现的出现模式中满足出现频度条件的出现模式，出现频度条件是与出现频度的高低相关的条件。

另外，在上述的腰痛发生推定模型获取装置中，所述出现频度条件是从出现频度最高的出现模式到出现频度第N(N为1以上的预定整数)高的出现模式为止的条件。

另外，在上述的腰痛发生推定模型获取装置中，所述出现模式是使用隐马尔可夫过程推定出的结果。

另外，在上述的腰痛发生推定模型获取装置中，可以基于座位状况数据和与所述座位状况数据对应的正解数据，通过机器学习的方法来获取。

根据本发明的另一个方面，提供了一种腰痛发生推定装置，该腰痛发生推定装置具备推定部，该推定部使用由腰痛发生推定模型获取装置获取的对应关系，基于与作为腰痛发生的预测对象的分析对象有关的座位状况数据，来推定在腰痛判定期间结束的时间点之后所述分析对象发生腰痛的概率，其中，所述腰痛发生推定模型获取装置具备对应关系获取部，所述对应关系获取部基于座位状况数据和正解数据来获取所述座位状况数据和与所述座位状况数据对应的正解数据之间的对应关系，所述座位状况数据是包括作为人坐在椅子上的期间的座位期间的长度、以及作为坐在所述椅子上的所述人的重心的位置的预定的时间变化的方式的重心移动共同模式在所述座位期间中出现的次数的信息，所述正解数据是表示作为包括所述座位期间的预先决定的预定的期间的腰痛判定期间的从开始的时间点到结束的时间点为止的变化、即表示进行所述座位状况数据所示的重心移动的人在所述结束的时间点之后发生腰痛的概率的变化的信息。

以上，参照附图对本发明的实施方式进行了详细说明，但具体的构成并不限定于该实施方式，本发明也包含不脱离本发明的主旨的范围的设计等。