作成健康定位映射及健康函数的方法、系统及程序、以及它们的使用方法与流程

本发明涉及作成健康定位映射及健康函数的方法等。

背景技术：

将从健康至发病的前阶段称为未发病。在超少子高龄化社会中的医疗费高涨而担忧国家的经济破产的状况下，希望开发出用于将发病防患于未然的对于从健康至未发病状态进行可视化、数值化的技术。

例如，专利文献1及专利文献2公开了取得关于多个受验者的多个检查项目的数据，作成以该检查项目中的多个检查数据为变量的函数，由此评价受验者的健康状态的技术。

在先技术文献

专利文献

专利文献1：日本特开2010-230428号公报

专利文献2：日本专利第6069598号公报

专利文献3：日本专利第5455071号公报

专利文献4：日本专利第5491749号公报

技术实现要素：

发明概要

发明要解决的技术问题

然而，在上述那样的现有技术中，沿着糖尿病、动脉硬化症等生活习惯病、癌、认知障碍、肌少症、肝脏疾患、肾脏疾患等的特定的轴进行遵照健康、未发病、疾患的条理的计测，进行风险评价。因此，存在无法评价人的健康总体的健康的程度这样的问题。

本发明的一方案的目的在于提供一种为了表现人的健康总体的健康度而用于评价各种健康风险的单元(例如，能够作成健康函数的健康函数作成方法及健康函数作成装置等)。

用于解决技术问题的方案

为了解决上述的课题，本发明的一形态的健康函数作成方法是作成受验者组的健康函数的健康函数作成方法，包括：取得关于所述受验者组的包含未来健康诊断项目数据的健康涉及的第一数据的第一数据取得步骤；和使用所述第一数据来作成健康函数的健康函数作成步骤。

为了解决上述的课题，本发明的一形态的健康函数作成装置是作成受验者组的健康函数的健康函数作成装置，具备：取得关于所述受验者组的包含未来健康诊断项目数据的健康涉及的第一数据的数据取得部；和使用所述第一数据来作成健康函数的健康函数作成部。

本发明例如提供以下的项目。

(项目1)

一种健康定位映射的作成方法，其中，

所述作成方法包括：

关于多个受验者，分别取得对于第一参数组的第一数据组；

对所述第一数据组进行处理而得到第一数据；

关于所述多个受验者，分别变换所述处理后的第一数据；

通过对所述变换后的所述第一数据进行聚类而确定多个区域；及

对所述多个区域中的至少一部分附加特征。

(项目2)

根据项目1所述的作成方法，其中，

所述第一参数组包括自主神经参数、生物体氧化参数、生物体修复能量下降参数及炎症参数。

(项目3)

根据项目2所述的作成方法，其中，

所述第一参数组还包括基础参数、认知功能参数及主观参数。

(项目4)

根据项目1～3中任一项所述的作成方法，其中，

所述第一数据组的所述处理包括所述第一数据组的维度削减处理。

(项目5)

根据项目1～4中任一项所述的作成方法，其中，

所述第一数据组的所述处理包括所述第一数据组的标准化及所述标准化后的数据组的维度削减处理。

(项目6)

根据项目5所述的作成方法，其中，

所述第一数据组的标准化包括：

将所述第一数据组分类成男性受验者的数据组和女性受验者的数据组的步骤；及

对所述男性受验者的数据组进行标准化及/或对所述女性受验者的数据组进行标准化。

(项目7)

根据项目4～6中任一项所述的作成方法，其中，

通过多维尺度结构法进行所述维度削减处理。

(项目8)

根据项目1～7中任一项所述的作成方法，其中，

所述作成方法还包括：

选择所述区域；

将被变换到所述区域的所述第一数据设为副第一数据；

通过对所述副第一数据进行聚类来确定多个区域；及

对所述多个区域中的至少一部分附加特征。

(项目9)

根据项目1～8中任一项所述的作成方法，其中，

所述健康定位映射是二维或三维的映射。

(项目10)

一种用于将受验者的健康度变换到健康定位映射上的健康函数的作成方法，其中，

所述作成方法包括：

准备通过项目1～9中任一项所述的方法作成的健康定位映射；

关于所述多个受验者中的至少一部分，取得对于第二参数组的第二数据组，所述第二参数组是所述第一参数组的一部分；及

导出使所述第二数据组与所述至少一部分的受验者的所述健康定位映射上的位置相关的健康函数。

(项目11)

根据项目10所述的作成方法，其中，

通过机器学习进行所述导出。

(项目12)

根据项目10或11所述的作成方法，其中，

所述第二参数组不包含侵袭性检查的结果。

(项目13)

根据项目12所述的作成方法，其中，

所述第二参数组包括：

(1)年龄

(2)bmi

(3)脂肪率

(4)sos

(5)收缩期血压

(6)关于疲劳的主观评价

(7)关于郁闷的主观评价

(8)副交感神经的活动

(9)自主神经系统整体的活动

(10)认知功能。

(项目14)

根据项目10或11所述的作成方法，其中，

所述第二参数组包括年龄、关于疲劳的主观评价、疲劳持续期间、交感神经与副交感神经的平衡、认知功能、脂肪率、血液中中性脂肪、血液中氧化应力指标osi、及血液中crp。

(项目15)

根据项目10～14中任一项所述的作成方法，其中，

所述健康函数是以所述第二数据组为独立变量并以所述至少一部分的受验者的所述健康定位映射上的位置为从属变量的线性回归模型或非线性回归模型。

(项目16)

一种推定用户的健康度的方法，其中，

所述方法包括：

准备通过项目10～15中任一项所述的作成方法作成的健康函数；

取得对于所述用户的所述第二参数组的第一用户数据组；

通过将所述第一用户数据组向所述健康函数输入而得到第一输出；及

将所述第一输出变换到所述健康定位映射上。

(项目17)

根据项目16所述的方法，其中，

所述方法包括：

在经过规定期间之后，取得对于所述用户的所述第二参数组的第二用户数据组；

通过将所述第二用户数据组向所述健康函数输入而得到第二输出；及

将所述第二输出变换到所述健康定位映射上。

(项目18)

一种用于提高健康状态的条款的评价方法，其特征在于，

所述评价方法包括：将项目17所述的方法中的所述第一输出与所述第二输出进行比较，

所述用户在所述规定期间之间使用所述条款。

(项目19)

一种用于将受验者的健康度变换到健康定位映射上的健康函数的作成方法，其中，

所述作成方法包括：

准备使用第一参数组作成的健康定位映射；

取得对于第二参数组的第二数据组，所述第二参数组是所述第一参数组的一部分；及

导出使所述第二数据组与受验者的所述健康定位映射上的位置相关的健康函数。

(项目20)

根据项目19所述的作成方法，其中，

所述第一参数组包括自主神经参数、生物体氧化参数、生物体修复能量下降参数及炎症参数。

(项目21)

根据项目19或20所述的作成方法，其中，

通过机器学习进行所述导出。

(项目22)

根据项目19～21中任一项所述的作成方法，其中，

所述第二参数组不包含侵袭性检查的结果。

(项目23)

根据项目22所述的作成方法，其中，

所述第二参数组包括：

(1)年龄

(2)bmi

(3)脂肪率

(4)sos

(5)收缩期血压

(6)关于疲劳的主观评价

(7)关于郁闷的主观评价

(8)副交感神经的活动

(9)自主神经系统整体的活动

(10)认知功能。

(项目24)

根据项目19～21中任一项所述的作成方法，其中，

所述第二参数组包括年龄、关于疲劳的主观评价、疲劳持续期间、交感神经与副交感神经的平衡、认知功能、脂肪率、血液中中性脂肪、血液中氧化应力指标osi、及血液中crp。

(项目25)

一种推定用户的健康度的方法，其中，

所述方法包括：

取得对于所述用户的第二参数组的第一用户数据组；

通过将所述第一用户数据组向健康函数输入而得到第一输出；及

将所述第一输出变换到健康定位映射上，

所述健康函数是使所述用户数据组与所述健康定位映射上的位置相关的函数。

(项目26)

根据项目25所述的方法，其中，

所述第二参数组不包含侵袭性检查的结果。

(项目27)

根据项目26所述的方法，其中，

所述第二参数组包括：

(1)年龄

(2)bmi

(3)脂肪率

(4)sos

(5)收缩期血压

(6)关于疲劳的主观评价

(7)关于郁闷的主观评价

(8)副交感神经的活动

(9)自主神经系统整体的活动

(10)认知功能。

(项目28)

根据项目25所述的方法，其中，

所述第二参数组包括年龄、关于疲劳的主观评价、疲劳持续期间、交感神经与副交感神经的平衡、认知功能、脂肪率、血液中中性脂肪、血液中氧化应力指标osi、及血液中crp。

(项目29)

根据项目25～28中任一项所述的方法，其中，

所述健康定位映射是使用第一参数组作成的映射，所述第一参数组包括自主神经参数、生物体氧化参数、生物体修复能量下降参数、及炎症参数。

(项目30)

根据项目29所述的方法，其中，

所述第一参数组还包括基础参数、认知功能参数及主观参数。

(项目31)

一种用于作成健康定位映射的系统，其中，

所述系统包括：

取得单元，关于多个受验者，分别取得对于第一参数组的第一数据组；

处理单元，以得到第一数据的方式处理所述第一数据组；

变换单元，对于所述多个受验者，分别变换所述处理后的第一数据；

聚类单元，以确定多个区域的方式对所述变换后的所述第一数据进行聚类；及

附加特征单元，对所述多个区域中的至少一部分附加特征。

(项目32)

一种用于作成用于将受验者的健康度变换到健康定位映射上的健康函数的系统，其中，

所述系统包括：

第一取得单元，取得通过项目31所述的系统作成的健康定位映射；

第二取得单元，关于所述多个受验者中的至少一部分，取得对于第二参数组的第二数据组，所述第二参数组是所述第一参数组的一部分；及

导出单元，导出使所述第二数据组与所述至少一部分的受验者的所述健康定位映射上的位置相关的健康函数。

(项目33)

一种用于推定用户的健康度的系统，其中，

所述系统包括：

第三取得单元，取得通过项目32所述的系统作成的健康函数；

第四取得单元，取得对于所述用户的所述第二参数组的第一用户数据组；

输出生成单元，通过将所述第一用户数据组向所述健康函数输入而生成第一输出；及

输出变换单元，将所述第一输出变换到所述健康定位映射上。

(项目34)

一种用于作成用于将受验者的健康度变换到健康定位映射上的健康函数的系统，其中，

所述系统包括：

第一取得单元，取得使用第一参数组作成的健康定位映射；

第二取得单元，取得对于第二参数组的第二数据组，所述第二参数组是所述第一参数组的一部分；及

导出单元，导出使所述第二数据组与受验者的所述健康定位映射上的位置相关的健康函数。

(项目35)

一种用于推定用户的健康度的系统，其中，

所述系统包括：

取得单元，取得对于所述用户的第二参数组的第一用户数据组；

输出生成单元，通过将所述第一用户数据组向健康函数输入而生成第一输出；及

输出变换单元，将所述第一输出变换到健康定位映射上，

所述健康函数是使所述用户数据组与所述健康定位映射上的位置相关的函数。

(项目36)

一种用于作成健康定位映射的程序，所述程序在包括处理器部的计算机系统中被执行，所述程序使所述处理器部进行包含如下的处理：

关于多个受验者，分别取得对于第一参数组的第一数据组；

对所述第一数据组进行处理而得到第一数据；

关于所述多个受验者，分别变换所述处理后的第一数据；

通过对所述变换后的所述第一数据进行聚类来确定多个区域；及

对所述多个区域中的至少一部分附加特征。

(项目37)

一种用于作成用于将受验者的健康度变换到健康定位映射上的健康函数的程序，所述程序在包括处理器部的计算机系统中被执行，所述程序使所述处理器部进行包含如下的处理：

取得通过执行项目36所述的程序而作成的健康定位映射；

关于所述多个受验者中的至少一部分，取得对于第二参数组的第二数据组，所述第二参数组是所述第一参数组的一部分；及

导出使所述第二数据组与所述至少一部分的受验者的所述健康定位映射上的位置相关的健康函数。

(项目38)

一种用于推定用户的健康度的程序，所述程序在包括处理器部的计算机系统中被执行，所述程序使所述处理器部进行包含如下的处理：

取得通过执行项目37所述的程序而作成的健康函数；

取得对于所述用户的所述第二参数组的第一用户数据组；

通过将所述第一用户数据组向所述健康函数输入而得到第一输出；及

将所述第一输出变换到所述健康定位映射上。

(项目39)

一种用于作成用于将受验者的健康度变换到健康定位映射上的健康函数的程序，所述程序在包括处理器部的计算机系统中被执行，所述程序使所述处理器部进行包含如下的处理：

取得使用第一参数组作成的健康定位映射；

取得对于第二参数组的第二数据组，所述第二参数组是所述第一参数组的一部分；及

导出使所述第二数据组与受验者的所述健康定位映射上的位置相关的健康函数。

(项目40)

一种用于推定用户的健康度的程序，所述程序在包括处理器部的计算机系统中被执行，所述程序使所述处理器部进行包含如下的处理：

取得对于所述用户的第二参数组的第一用户数据组；

通过将所述第一用户数据组向健康函数输入而得到第一输出；及

将所述第一输出变换到健康定位映射上，

所述健康函数是使所述用户数据组与所述健康定位映射上的位置相关的函数。

发明效果

根据本发明的一形态，能够提供能够评价各种健康风险的单元(例如，健康定位映射、健康函数等)。

附图说明

图1a是表示对用户的健康状态进行可视化用的新的服务的流程的一例的图。

图1b是表示用户的健康状态的画面1000的一例的图。

图2是表示计算机系统100的结构的一例的图。

图3a是表示一实施方式的处理器部120的结构的一例的图。

图3b是表示另一实施方式的处理器部130的结构的一例的图。

图3c是表示又一实施方式的处理器部140的结构的一例的图。

图3d是表示本发明的一实施方式的数据流的一例的图。

图4是表示在数据库部200保存的第一数据组的数据结构的一例的图。

图5a是表示计算机系统100中的处理的一例的流程图。

图5b是表示计算机系统100中的处理的另一例的流程图。

图6是表示计算机系统100中的处理的另一例的流程图。

图7a是表示计算机系统100中的处理的另一例的流程图。

图7b是表示图7a所示的处理700的接续的处理的一例的流程图。

图8是表示通过上述健康评价装置作成的健康评价映射的一例的图。

图9是表示在本实施例中将标绘分布图案进行了聚类的结果的图。

图10是表示在一实施例中作成的健康定位映射的图。

图11是表示50个项目的基于第二参数组的健康函数、21个项目的基于第二参数组的健康函数、9个项目的基于第二参数组的健康函数的各自的实测值与预测值的相关系数的图。

图12是表示非侵袭15个项目的基于第二参数组的健康函数的实测值与预测值的相关系数的图。

图13是表示将还原型coq10摄取之前和摄取了3个月之后，比较了健康定位映射上的变换位置的结果的图。

图14是表示在将还原型coq10摄取之前和摄取了3个月之后，比较了检查项目的参数的结果的图。

具体实施方式

以下，参照附图，说明本发明的实施方式。需要说明的是，在本说明书中，“约”是指后面接续的数值的±10％。

1.对用户的健康状态进行可视化用的服务

本发明的发明者开发了对用户的健康状态进行可视化用的新的服务。该服务是取得用户的健康涉及的各种数据，基于取得的数据，向用户提供将该用户的健康度定位于健康定位映射上的哪个区域的信息的服务。在此，健康定位映射是指具有以健康涉及的信息附加特征的多个区域的映射。

健康定位映射的各区域例如被附加特征作为健康度的各种状态。例如，健康定位映射的某区域可被附加特征作为青年/心理健康疾患风险组，健康定位映射的另一某区域可被附加特征作为中年-老年/生活习惯病风险组，健康定位映射的又一某区域可被附加特征作为老年/糖尿病风险组。例如，健康定位映射的某区域可被附加特征作为关于某健康状态的未发病组，健康定位映射的另一某区域可被附加特征作为关于该健康状态的高风险组。需要说明的是，这些附加特征为一例，可作出各种附加特征。例如，可以如后述的图1b所示，以身体的健康及精神的健康为轴，被附加特征作为健康度a～c。这样的附加特征简单，能直观地理解健康度的状态。健康定位映射的各区域的附加特征例如通过对属于各区域内的多个受验者的倾向进行分析而能够决定。

图1a示出对用户的健康状态进行可视化用的新的服务的流程的一例。

在步骤s1中，用户u例如通过医院、专门检查设施等设施h接收检查，并将检查的结果向服务供应商p提供。设施h处的检查除了例如血液检查等侵袭性检查之外，还包括问诊及认知功能检查等非侵袭性检查。或者，在步骤s1中，用户u例如在不是检查设施的公司等设施c接受简易的检查，并将检查的结果向服务供应商p提供。设施c中的简易的检查仅包含例如问诊及认知功能检查等非侵袭性检查。在步骤s1中，不需要进行在设施h中进行那样的侵袭性检查及非侵袭性检查和在设施c中进行那样的非侵袭性检查这两方，可以仅是在设施h中进行的检查，也可以仅是在设施c中进行的简易的检查。需要说明的是，在本说明书中，“侵袭性检查”是指对检查对象的身体(例如，通过基于注射的血液采集、组织切除)造成损伤的检查，“非侵袭性检查”是指不对检查对象的身体造成任何损伤的检查。代表性的侵袭性检查是检测血液、血浆含有的成分量的检查，代表性的非侵袭检查是检测对象的排泄物(尿、呼气、唾液)中的成分的检查、自主神经功能检查、认知功能检查、调查问卷/vas(visualanaloguescale)等。在本说明书中，“侵袭性参数”是指通过侵袭性检查得到的参数，“非侵袭性参数”是指通过非侵袭性检查得到的参数。

服务供应商p基于被提供的用户的检查结果，能够生成将该用户的健康度定位于健康定位映射上的哪个区域的信息。

在步骤s2中，通过服务供应商p生成的信息向用户提供。用户通过参照与自身的健康度被定位的健康定位映射上的区域建立了关联的信息，能够识别自身的健康状态。例如，在自身的健康度属于图1b所示那样的健康定位映射上的被附加特征作为健康度b的区域的情况下，用户能够识别到自身的健康度虽然不差但是也不好的情况。由此，例如，能够促使用户留心来改善自身的健康度。例如，在自身的健康度属于健康定位映射上的被附加特征作为青年/心理健康疾患风险组的区域的情况下，用户能够将自身的健康状态识别为自身存在心理健康疾患风险。由此，例如能够促使用户采取为心理健康疾患风险作准备的措施。

此外，在经过了规定期间后，通过重复进行上述的步骤s1～步骤s2，用户能够识别自身的健康状态的时序变化。例如，用户通过参照健康定位映射上的位置的时序变化，能够识别出自身的健康状态趋向的方向。例如，在自身的健康度属于图1b所示那样的健康定位映射上的被附加特征作为健康度b的区域时，在经过规定期间后，在自身的健康度虽然属于健康定位映射上的被附加特征作为健康度b的区域，但是接近被附加特征作为健康度c的区域的情况下，用户能识别出自身的健康状态趋向健康度c的方向的情况。由此，例如，能够促使用户留心以避免自身的健康度恶化。例如，在自身的健康度属于健康定位映射上的被附加特征作为青年/心理健康疾患风险组的区域时，在经过规定期间后，在自身的健康度虽然属于健康定位映射上的被附加特征作为青年/心理健康疾患风险组的区域，但是接近被附加特征作为中年-老年/生活习惯病风险组的区域的情况下，用户能识别出自身的健康状态趋向中年-老年/生活习惯病风险的方向的情况。由此，例如能够促使用户采取为生活习惯病风险作准备的措施。

图1b示出表示用户的健康状态的画面1000的一例。画面1000例如显示于用户的终端装置(例如，个人计算机、智能手机、平板等)的显示画面上，向用户提供。

画面1000包括健康定位映射显示部1100、雷达图表显示部1200。

在健康定位映射显示部1100显示健康定位映射。在该健康定位映射中，横轴与身体的健康建立关联，横轴的值越大，表示身体的健康越差，另一方面，纵轴与精神的健康建立关联，纵轴的值越大，则表示精神的健康越差。

健康定位映射显示部1100显示的健康定位映射包含10个区域，10个区域中的一个区域被附加特征作为健康度a，三个区域被附加特征作为健康后b，六个区域被附加特征作为健康度c。在此，健康度a表示健康度良好的情况，健康度b表示健康度普通的情况，健康度c表示健康度差，需要注意的情况。

用户根据自身的健康度被定位于健康定位映射上的哪个区域，能够识别出自身的健康状态。在图1b所示的例子中，通过星形标记标绘用户的健康度，可知用户的健康度属于被附加特征作为健康度b的区域内。

在雷达图表显示部1200显示雷达图表。在该雷达图表中，健康状态从六个观点(肌肉骨骼运动系统、代谢/新陈代谢系统、自主神经系统、睡眠觉醒韵律、心理健康、疲劳)出发而以0～5这六个阶段表示。肌肉骨骼运动系统的观点表示运动涉及的肌肉力量等的状态，代谢/新陈代谢系统的观点表示体内的能量代谢、肥胖等的状态，自主神经系统的观点表示集中、放松涉及的神经的调节力的状态，睡眠觉醒韵律的观点表示睡眠、睡意等的状态的观点，心理健康的观点表示心情的低落等的状态，疲劳的观点表示心、身体的疲劳的状态。用户一眼能够识别自身的健康状态以何种观点为起因。雷达图表显示部1200显示的雷达图表将各轴以与健康相关的信息被附加特征，并按各轴来转换该用户的得分，因此在本申请说明书中，这样的雷达图表也可看作为健康定位映射的一种。

上述的服务通过例如以下说明的计算机系统100能实现。

2.计算机系统的结构

图2示出计算机系统100的结构的一例。

计算机系统100连接于数据库部200。而且，计算机系统100经由网络400而连接于至少一个用户终端装置300。

网络400可以为任意的种类的网络。网络400例如可以为互联网，也可以为lan。网络400可以为有线网络，也可以为无线网络。

计算机系统100的一例为提供对用户的健康状态进行可视化用的新的服务的服务供应商处设置的计算机(例如，服务器装置)，但是没有限定于此。用户终端装置300的一例是设置于医院的计算机(例如，终端装置)、设置于能够进行检查的办公室的一个房间的计算机(例如，终端装置)、或者用户保持的计算机(例如，终端装置)，但是没有限定于此。在此，计算机(服务器装置或终端装置)可以是任意的类型的计算机。例如，终端装置可以是智能手机、平板、个人计算机、智能眼睛等任意的类型的终端装置。

计算机系统100具备接口部110、处理器部120、存储器150部。

接口部110与计算机系统100的外部进行信息的交互。计算机系统100的处理器部120经由接口部110能够从计算机系统100的外部接收信息，能够向计算机系统100的外部发发送息。接口部110能够以任意的形式进行信息的交互。

接口部110例如具备能够向计算机系统100输入信息的输入部。输入部以何种形态能够向计算机系统100输入信息的情况不限。例如，在输入部为触摸面板的情况下，用户可以通过对触摸面板进行触摸来输入信息。或者，在输入部为鼠标的情况下，用户可以通过操作鼠标来输入信息。或者，在输入部为键盘的情况下，用户可以通过按下键盘的按键来输入信息。或者，在输入部为麦克风的情况下，用户可以通过向麦克风输入声音来输入信息。或者，在输入部为相机的情况下，可以输入相机拍摄到的信息。或者，在输入部为数据读取装置的情况下，可以通过从连接于计算机系统100的存储介质读取信息来输入信息。或者，在输入部为接收器的情况下，可以通过接收器经由网络400从计算机系统100的外部接收信息来输入。

接口部110例如具备从计算机系统100能够输出信息的输出部。输出部以何种形态从计算机系统100能够输出信息的情况不限。例如，在输出部为显示画面的情况下，可以向显示画面输出信息。或者，在输出部为扬声器的情况下，可以通过来自扬声器的声音来输出信息。或者，在输出部为数据写入装置的情况下，可以通过向连接于计算机系统100的存储介质写入信息来输出信息。或者，在输出部为发送器的情况下，可以通过发送器经由网络400向计算机系统100的外部发送信息来输出。在该情况下，网络的种类不限。例如，发送器可以经由互联网来发送信息，也可以经由lan来发送信息。

处理器部120执行计算机系统100的处理并控制计算机系统100整体的动作。处理器部120将存储器部150保存的程序读出，并执行该程序。由此，能够使计算机系统100作为执行所希望的步骤的系统发挥功能。处理器部120可以通过单一的处理器来安装，也可以通过多个处理器来安装。

存储器部150保存有为了执行计算机系统100的处理所需的程序、该程序的执行所需的数据等。存储器部150可以保存用于使处理器部120进行用于作成健康定位映射的处理的程序(例如，实现后述的图5a、图5b所示的处理的程序)、用于使处理器部130进行用于作成健康函数的处理的程序(例如，实现后述的图6所示的处理的程序)、用于使处理器部140进行用于推定用户的健康度的处理的程序(例如，实现后述的图7a、图7b所示的处理的程序)。在此，将程序如何保存于存储器部150的情况不限。例如，程序可以预安装于存储器部150。或者，程序可以通过经由网络下载而安装于存储器部150。在该情况下，网络的种类不限。存储器部150可通过任意的存储单元安装。

在数据库部200可保存例如从多个受验者得到的数据。而且，在数据库部200可保存例如通过计算机系统100生成的健康定位映射的数据。而且，在数据库部200可保存例如通过计算机系统100生成的健康函数。

图3a示出一实施方式中的处理器部120的结构的一例。处理器部120可具有作成健康定位映射的处理用的结构。

处理器部120具备取得单元121、处理单元122、变换单元123、聚类单元124、附加特征单元125。

取得单元121构成为关于多个受验者，分别取得对于后述的第一参数组的第一数据组。例如，取得单元121关于每一个受验者，取得多个项目(例如，在某实施方式中，为232个项目)的数据组。第一参数组可以是例如取得初始参数组的数据组，取得初始参数组的数据组的各数据间的相关，通过提取相关系数为规定的阈值以上的参数而得到的参数组。此时，可以是以提取的参数组中包含后述的基本四个参数的方式提取。

取得单元121例如可以经由接口部110接收数据库部200保存的关于多个受验者的数据，并取得接收到的数据。取得单元121例如可以从检查设施(例如，医院，研究所等)的计算机系统经由接口部110接收数据库部200保存的关于多个受验者的数据，能够取得接收到的数据。取得的第一数据组为了后续的处理而向处理单元122交付。

在数据库部200可保存对于第一参数组的第一数据组。

图4示出数据库部200保存的第一数据组的数据结构的一例。

在数据库部200中，分别关于多个受验者，保存对于第一参数组的第一数据组。向多个受验者分别赋予id。例如，在数据库部200可保存年龄、肌肉量、bmi、脂肪率、超声波传导速度、骨质疏松症指数…等的第一参数组的各参数的值的组(第一数据组)。

再次参照图3a，在一实施方式中，取得单元121还可以构成为取得作成的健康定位映射包含的多个区域中的一部分的区域包含的第一数据作为副第一数据。或者，取得单元121可以构成为取得通过后述的聚类单元124确定的多个区域中的一部分的区域包含的第一数据作为副第一数据。取得单元121例如可以取得通过健康定位映射作成者选择的区域内的第一数据。健康定位映射作成者可以将区域的选择经由接口部110向计算机系统100输入。健康定位映射作成者为了作成例如聚焦于多个受验者中的特定的团体，例如，男性受验者团体、女性受验者团体、青年层团体(小于40岁的团体)、中年层团体(40岁以上且小于60岁的团体)、老年层团体(60岁以上的团体)等的健康定位映射而能够选择这些团体所属的区域。取得的副第一数据为了后续的处理而向聚类单元124交付。

处理单元122构成为对通过取得单元121取得的第一数据组进行处理。处理单元122通过对第一数据组进行处理而能够输出第一数据。

基于处理单元122的处理只要能够对输出的第一数据进行变换即可，可包含任意的处理。在基于男女混合数据来作成定位映射的情况下，优选进行性别差的补正。

基于处理单元122的处理例如可包含维度削减处理。维度削减处理是将m维度的数据转换成n维的数据的处理，在此，m>n。维度削减处理例如可使用多维尺度结构法(mds：multi-dimensionalscaling)、主成分分析、多元回归分析、主成分分析或机器学习等进行，但是维度削减处理的单元没有限定于此。维度削减处理优选将第一数据组削减成二维的数据或三维的数据。这是因为，如果将二维的数据或三维的数据通过后述的变换单元123进行变换，则成为二维空间或三维空间的映射，能够得到在视觉上容易理解的映射。维度削减处理可使用多维尺度结构法进行。这是因为，如果将通过多维尺度结构法得到的第一数据通过后述的变换单元123进行变换，则能够得到在视觉上容易理解的映射。

基于处理单元122的处理可包含例如标准化处理。标准化处理是使第一数据组的各参数的数据的刻度一致的处理。标准化处理例如是算出z得分的处理(以平均值为0且标准偏差为1的方式补正数据的处理)、算出t得分的处理(以平均值为50且标准偏差为10的方式补正数据的处理)等。处理单元122可以对于第一参数组中的全部的参数进行第一数据组的数据的标准化处理，也可以对于特定的参数进行第一数据组的数据的标准化处理。

处理单元122可以对于多个受验者的整体的第一数据组进行标准化处理，也可以对于多个受验者中的特定的母体的第一数据组进行标准化处理。多个受验者中的特定的母体例如包括男性受验者团体、女性受验者团体、青年层团体(小于40岁的团体)、中年层团体(40岁以上且小于60岁的团体)、老年层团体(60岁以上的团体)等，但是没有限定于此。处理单元122从多个受验者中形成任意的母体，对于该母体的第一数据组能够进行标准化处理。

例如，处理单元122将来自多个受验者的第一数据组分类成男性受验者的数据组与女性受验者的数据组，通过对男性受验者的数据组进行标准化而能够进行对于男性受验者团体的标准化处理，或者通过对女性受验者的数据组进行标准化而能够进行对于女性受验者团体的标准化处理，或者能够进行上述的两方。这样，关于男性受验者团体及/或女性受验者团体进行标准化处理的情况对于第一参数组中的存在男女差的参数(例如，血液中的中性脂肪浓度等)优选，对于第一参数组中的男女差显著的参数(例如，血液中的红血球数等)更优选。由此，能够作成没有男女差且没有男女差引起的偏差的健康定位映射。

基于处理单元122的处理例如可包含加权处理。加权处理是对第一数据组中的至少一部分的数据附加权重的处理。例如，可以将第一数据组中的至少一部分的数据加上规定数来附加权重，也可以将第一数据组中的至少一部分的数据乘以规定数来附加权重。加法运算或乘法运算的规定数可以按照被加权处理的各数据而固定，也可以不同。例如，可以对于通过后述的导出单元133导出的对健康函数的影响大的数据，以较大或较小地附加权重的方式使规定数变动。或者，例如可以对于通过后述的导出单元133导出的对健康函数的影响小的数据，以较大或较小地附加权重的方式使规定数变动。

处理单元122可以对于多个受验者的整体的第一数据组进行加权处理，也可以对于多个受验者中的特定的母体的第一数据组进行加权处理。处理单元122可以从多个受验者中形成任意的母体，对于该母体的第一数据组进行加权处理。进行加权处理的母体可以与上述的进行标准化处理的母体相同，也可以不同。

变换单元123构成为分别对于多个受验者，对作为处理单元122的输出的第一数据进行变换。基于变换单元123的变换是将n维的第一数据与n维空间上的位置建立关联的处理。变换单元123通过对第一数据进行变换而能够输出多个受验者的各自的第一数据被变换后的映射。例如，在第一数据为二维的情况下，变换单元123以将第一数据与二维空间，即平面上的位置建立关联的方式，对第一数据进行变换，由此能够输出二维映射。图8是表示基于变换单元123的变换结果的一例的图。如图8所示，变换单元123对于多个受验者，将根据通过处理单元122得到的第一数据而确定的点向二维空间(多维空间)标绘，由此输出映射。变换单元123例如可以通过将n维的第一数据变换成具有n个的轴的雷达图表上而输出多个受验者的各自的第一数据被变换后的映射(雷达图表)。

聚类单元124对通过变换单元123变换后的第一数据进行聚类。基于聚类单元124的聚类是将变换后的第一数据区分为多个聚类并确定多个聚类所属的各个区域的处理。在本说明书中，“区域”是指n维空间内的某范围，具有n维的广度。聚类单元124能够将变换后的第一数据区分为任意的个数的聚类。例如，聚类单元124优选将变换后的第一数据区分为至少三个聚类。这是因为，通过使用三个聚类(例如，图1b所示那样的健康度良好、健康度普通、健康度差等的聚类)，能够作成用户能够直观地理解的健康定位映射。将变换后的第一数据区分的聚类的个数可以依赖于多个受验者的n数。在图8所示的例子中，聚类单元124将通过变换单元123变换后的第一数据分类成四个聚类。聚类单元124可以使用任意的公知的手法，对数据进行聚类。例如，聚类单元124可以使用非层级聚类法(例如，k平均法、k平均++法、pam法等)，将数据区分为多个聚类。聚类单元124优选可使用k平均法而将数据区分为多个聚类。这是因为，使用了k平均法的聚类的结果与基于其他的手法的聚类的结果相比，更好地反映受验者团体的倾向，包含的信息丰富。聚类单元124例如通过划定对多个聚类分别进行区分的边界而能够确定多个区域。划定边界的情况可以使用任意的公知的处理进行。例如，在上述的雷达图表的例子中，聚类单元124可以简单地将各轴的值与其他的轴的值进行区分，将多个轴确定作为多个区域。

在一实施方式中，聚类单元124还构成为对通过取得单元121取得的副第一数据进行聚类。聚类单元124将副第一数据区分为多个聚类，能够确定多个聚类所属的各个区域。聚类单元124能够将副第一数据分为为任意的个数的聚类。

附加特征单元125构成为对通过聚类单元124确定的多个区域中的至少一部分附加特征。附加特征单元125例如可以基于通过健康定位映射作成者经由接口部110向计算机系统100输入的信息，对多个区域中的至少一部分附加特征。例如，健康定位映射作成者分析与多个区域分别包含的第一数据对应的受验者的特征，基于分析结果能够输入该区域应被附加特征的信息。或者，附加特征单元125可以无论健康定位映射作成者的输入如何，都将多个区域中的至少一部分附加特征。例如，附加特征单元125可以基于健康定位映射中的相对位置而对多个区域中的至少一部分附加特征，也可以基于机器学习而对多个区域中的至少一部分附加特征。

这样，作成多个区域中的至少一部分被附加了特征的健康定位映射。在一实施方式中，通过对副第一数据进行聚类而确定的多个区域中的一部分被附加了特征时的健康定位映射成为关于多个受验者中的一部分的受验者的健康定位映射。

通过处理器部120作成的健康定位映射例如经由接口部110向计算机系统100的外部输出。健康定位映射例如可以经由接口部110向数据库部200发送，保存于数据库部200。或者，可以为了健康函数作成而向后述的处理器部130发送。如后所述，处理器部130可以是与处理器部120相同的计算机系统100的构成要素，也可以是另外的计算机系统的构成要素。

图3b示出另一实施方式的处理器部130的结构的一例。处理器部130可具有作成用于将受验者的健康度变换到健康定位映射上的健康函数的处理用的结构。处理器部130可以是计算机系统100具备的处理器部作为上述的处理器部120的代替，也可以是除了处理器部120之外还包括计算机系统100具备的处理器部。在处理器部130是除了处理器部120之外还包括计算机系统100具备的处理器部的情况下，处理器部120及处理器部130可以通过相同的处理器安装，也可以通过不同的处理器安装。

处理器部130具备第一取得单元131、第二取得单元132、导出单元133。

第一取得单元131构成为取得健康定位映射。取得的健康定位映射只要使用第一参数组作成即可，可以是通过上述的处理器部120作成的健康定位映射，也可以是另行作成的健康定位映射。取得的健康定位映射为了后续的处理而向导出单元133交付。

第二取得单元132构成为关于多个受验者中的至少一部分，取得对于后述的第二参数组的第二数据组。第二参数组是第一参数组的一部分。第二取得单元132例如经由接口部110能够取得数据库部200保存的关于多个受验者的一部分的数据。取得的第二数据组为了后续的处理而向导出单元133交付。

导出单元133构成为导出使通过第二取得单元132取得的第二数据组与通过第一取得单元131取得的健康定位映射上的位置相关的健康函数。导出单元133例如通过机器学习、决策树分析、随机森林回归、多元回归分析、主成分解析等能够导出健康函数。健康函数例如按照n维的健康定位映射的各轴导出。例如，在健康定位映射为二维的情况下，能够导出使第二数据组与健康定位映射上的x坐标相关的健康函数x、使第二数据组与健康定位映射上的y坐标相关的健康函数y。导出单元133例如可以使健康函数的变量的数目任意增减，作成具有等同的精度的多个健康函数，即，健康函数组(以后，也称呼为多个图案健康函数组)。例如，导出单元133可以作成相互具有相同程度的精度的(1)以血液检查项目的数据和其他的项目的数据为变量的健康函数、以及(2)仅以血液检查项目的数据为变量的健康函数。而且，导出单元133可以作成以从血液检查项目的数据以外的项目的数据组中选择的数据为变量的健康函数组来作为多个图案健康函数组。

健康函数可以为例如回归模型。回归模型可以为线性回归模型，也可以为非线性回归模型。导出单元133对于多个受验者中的至少一部分的各受验者，以第二数据组为独立变量并以该受验者的健康定位映射上的坐标为从属变量进行机器学习，由此能够导出回归模型的各系数。如果向这样的机器学习完的回归模型的独立变量输入从受验者得到的第二数据组，则输出该受验者的健康定位映射上的坐标。使用被输出的坐标，能够将该受验者的健康度变换到健康定位映射上。

健康函数可以为例如神经网络模型。神经网络模型具有输入层、至少一个隐藏层、输出层。神经网络模型的输入层的节点数对应于被输入的数据的维数。即，输入数的节点数对应于第二参数组的参数数。神经网络模型的隐藏层可以包含任意的个数的节点。神经网络模型的输出层的节点数对应于被输出的数据的维数。即，在从神经网络模型输出健康定位映射上的x坐标的情况下，输出层的节点数成为1。例如，在从神经网络模型输出n维的健康定位映射上的n个坐标的情况下，输出层的节点数成为n。导出单元133对于多个受验者中的至少一部分的各受验者，以第二数据组为输入用示教数据并以该受验者的健康定位映射上的位置为输出用示教数据进行机器学习，由此能够导出各节点的加权系数。

例如，机器学习用的(输入用示教数据、输出用示教数据)的组可以为(关于第一受验者的对于第二参数组的第二数据组、第一受验者的健康定位映射上的坐标)、(关于第二受验者的对于第二参数组的第二数据组、第二受验者的健康定位映射上的坐标)，…(关于第i受验者的对于第二参数组的第二数据组、第i受验者的健康定位映射上的坐标)，…等。如果向这样的机器学习完的神经网络模型的输入层输入从受验者得到的第二数据组，则该受验者的健康定位映射上的坐标向输出层输出。使用被输出的坐标，能够将该受验者的健康度变换到健康定位映射上。

通过处理器部130作成的健康函数例如经由接口部110向计算机系统100的外部输出。健康函数例如可以经由接口部110向数据库部200发送，并保存于数据库部200。或者，可以为了推定用户的健康度的处理而向后述的处理器部140发送。如后所述，处理器部140可以是与处理器部130相同的计算机系统100的构成要素，也可以是另外的计算机系统的构成要素。

图3c还示出另一实施方式的处理器部140的结构的一例。处理器部140可具有推定用户的健康度的处理用的结构。在基于处理器部140的处理中，通过推定用户的健康度位于健康定位映射上的哪个区域，能够推定用户的健康度。处理器部140可以是计算机系统100具备的处理器部作为上述的处理器部120及处理器部130的代替，也可以是除了上述的处理器部120及/或处理器部130之外还包括计算机系统100具备的处理器部。在处理器部140是除了处理器部120及/或处理器部130之外还包括计算机系统100具备的处理器部的情况下，处理器部120、处理器部130及处理器部140可以全部通过相同的处理器安装，也可以全部通过不同的处理器安装，还可以是处理器部120、处理器部130及处理器部140中的两个通过相同的处理器安装。

处理器部140具备第三取得单元141、第四取得单元142、输出生成单元143、输出变换单元144。

第三取得单元141构成为取得健康函数。健康函数是使上述的对于第二参数组的数据组与健康定位映射上的位置相关的函数。取得的健康函数只要能够使用户数据组与健康定位映射上的位置相关即可，可以是通过上述的处理器部130作成的健康函数，也可以是另行作成的健康函数。健康定位映射只要使用第一参数组作成即可，可以是通过上述的处理器部120作成的健康定位映射，也可以是另行作成的健康定位映射。取得的健康函数为了后续的处理而向输出生成单元143交付。

第四取得单元142构成为取得用户的对于第二参数组的用户数据组。第四取得单元142例如经由接口部110能够取得数据库部200保存的用户数据组。或者，第四取得单元142例如从用户的终端装置经由接口部110能够取得用户数据组。取得的用户数据组为了后续的处理而向输出生成单元143交付。

输出生成单元143构成为由健康函数生成输出。输出生成单元143将通过第四取得单元142取得的用户数据组向通过第三取得单元141取得的健康函数输入，从而由健康函数生成输出。

例如，在健康函数为上述那样的回归模型的情况下，通过将用户数据组向回归模型的独立变量输入而输出健康定位映射上的坐标。

例如，在健康函数为上述那样的神经网络模型的情况下，通过将用户数据组向神经网络模型的输入层输入而输出健康定位映射上的坐标。

输出变换单元144构成为将通过输出生成单元143生成的输出变换到健康定位映射上。由于通过输出生成单元143生成的输出为坐标，因此输出变换单元144能够将其坐标变换到健康定位映射的n维空间内。

通过处理器部140变换到健康定位映射上的输出例如经由接口部110向计算机系统100的外部输出。输出例如可经由接口部110向用户的终端装置发送。

需要说明的是，上述的计算机系统100的各构成要素可以由单一的硬件部件构成，也可以由多个硬件部件构成。在由多个硬件部件构成的情况下，各硬件部件连接的形态不限。各硬件部件可以通过无线连接，也可以通过有线连接。本发明的计算机系统100没有限定为特定的硬件结构。不是通过数字电路而是通过模拟电路构成处理器部120、130、140的情况也是本发明的范围内。本发明的计算机系统100的结构只要能够实现其功能即可，没有限定为上述的情况。

图3d是表示一实施方式的计算机系统100的数据流1的一例的图。如图3d所示，数据流1包括数据取得步骤10、数据处理步骤20、健康评价映射作成步骤30、聚类映射作成步骤40、健康函数值算出步骤50、定位映射作成步骤60、输出步骤70。例如，数据取得步骤10、数据处理步骤20、健康评价映射作成步骤30、聚类映射作成步骤40具有作为健康定位映射作成装置的功能，例如，通过具备上述的处理器部120的计算机系统100能安装。而且，数据取得步骤10及健康函数值算出步骤50具有作为健康函数值算出装置的功能，例如，通过具备上述的处理器部140的计算机系统100能安装。在输出步骤70中，输出在数据处理步骤20、健康评价映射作成步骤30、聚类映射作成步骤40、健康函数值算出步骤50或定位映射作成步骤60中生成的数据，例如，通过显示装置(例如，液晶显示器)输出。

通过数据取得步骤10取得的数据组向数据处理步骤20发送。

例如图3d所示，数据处理步骤20进行补正21及维度削减22。数据处理步骤20例如通过上述的处理器部120的处理单元122能安装。

补正21对于通过数据取得步骤10取得的数据进行补正。具体而言，补正21例如以通过数据取得步骤10取得的数据的值成为规定的范围的值(例如，平均值为0且标准偏差为1)的方式对通过数据取得步骤10取得的各数据进行补正。补正后的数据向维度削减22传送。

维度削减22削减从数据取得步骤10或补正步骤21交付的多个数据的维度。具体而言，维度削减22使用多元回归分析、多维尺度法、主成分分析或机器学习，使从数据取得步骤10或补正步骤21交付的多个数据(多维数据)的维度成为任意的维度(在本实施方式中，为二维)。维度削减后的数据例如可以为函数的形式。例如，该函数是用于算出健康涉及的指标的函数。函数例如是以第一数据包含的一部分或全部的数据为变量的函数，是通过对各种疾病的因子中的特别是影响大的数据进行更大的加权而作成的函数。本实施方式中的函数使用线性或非线性模型作成第一数据包含的一部分或全部的数据。在一实施方式中，作成二维的函数(在本实施方式中，由横轴的函数x(以后，称为第一函数)及纵轴的函数y(以后，称为第二函数)构成)。作成的函数向健康评价映射作成步骤30及输出步骤70交付。

在本实施方式中，维度削减22如上所述通过将多维数据降低至二维而作成二维的函数。第一函数及第二函数是以从数据取得步骤10或补正步骤21交付的多个数据的全部或一部分为变量的函数，是通过多元回归分析、多维尺度法、主成分分析或机器学习而算出的函数。在本发明中，“机器学习”是包含深层学习的机器学习，或不包含深层学习的机器学习的任一者。第一函数与第二函数可以是构成的变量完全相同或完全不同，也可以是一部分的变量相互重复。

健康评价映射作成步骤30例如通过上述的处理器部120的变换单元123能安装。在健康评价映射作成步骤30中，例如，使用通过数据处理步骤20处理后的数据，更具体而言，使用通过维度削减而作成的函数，作成评价健康的映射(以后，称为健康评价映射)。在本实施方式中，由于函数为二维，因此健康评价映射成为二维的映射。图8是表示健康评价映射的一例的图。如图8所示，在健康评价映射作成步骤30中，关于多个受验者，将通过第一函数及第二函数确定的点标绘于二维空间(多维空间)，由此作成健康评价映射。

聚类映射作成步骤40例如通过上述的处理器部120的聚类单元124及附加特征单元125能安装。在聚类映射作成步骤40中，例如，将通过健康评价映射作成步骤30作成的健康评价映射上标绘的多个点聚类成若干的聚类，作成多个区域附加了特征的映射(以后，称为健康定位映射)。在本实施方式的聚类映射作成步骤40中，使用非层级聚类法(在本实施方式中，为k平均法)，将被标绘的多个点聚类成任意的数目的聚类。在图8所示的例子中，分类成四个聚类。将这四个区域的至少一个通过涉及健康的信息来附加特征，由此作成健康定位映射。

作成的健康定位映射可以在输出步骤70中输出，也可以向健康函数值算出步骤50交付，还可以向健康预测定位映射作成步骤60交付。

健康函数值算出步骤50及健康预测定位映射作成步骤60例如通过上述的处理器部130及处理器部140能安装。在健康函数值算出步骤50中，首先，基于健康定位映射作成健康函数。需要说明的是，可以使健康函数的变量的数目任意增减，作成具有等同的精度的多个健康函数，即健康函数组。接下来，算出与为了作成健康函数而取得了第一数据组的受验者不同的受验者的健康函数的值。具体而言，将作成的健康函数适用于成为通过数据取得步骤10取得的对象的受验者的数据(新取得的数据)，由此算出该受验者的健康函数的值。需要说明的是，由于健康函数为多维函数，因此健康函数值当然也是多维的值。

健康预测定位映射作成步骤60将通过健康函数值算出步骤50算出的受验者的健康函数的值标绘到通过健康评价映射作成步骤30作成的健康评价映射或通过聚类映射作成步骤40作成的健康定位映射上，作成健康预测定位映射。由此，能够预测新测定了数据的受验者的健康状态。

另外，健康预测定位映射作成步骤60可以对于单一的受验者，将使用以时间间隔取得的数据通过健康函数值算出步骤50算出的健康函数的值标绘到上述健康评价映射或上述健康定位映射上，作成健康预测定位映射。由此，能够评价该受验者的健康状态的变化的程度。

另外，从新的受验者取得的数据也可以作为对健康函数进行更新(update)用的数据使用。在健康函数值算出步骤50中，还使用从新的受验者取得的数据，或者使用该数据从补正步骤21输出的数据，由此能够进行健康函数的更新。由此，更能够进行各种健康风险的评价，或者能够提高健康风险评价的精度。

数据流1的各步骤(特别是数据处理步骤20、健康评价映射作成步骤30、聚类映射作成步骤40、健康函数值算出步骤50及健康预测定位映射作成步骤60)可以通过形成为集成电路(ic芯片)等的逻辑电路(硬件)实现，也可以通过软件实现。在后者的情况下，健康评价装置1具备执行作为实现各功能的软件的程序的命令的计算机。该计算机具备例如一个以上的处理器，并具备存储有上述程序的计算机可读取的记录介质。并且，在上述计算机中，通过上述处理器从上述记录介质读取上述程序并执行而实现本发明的目的。作为上述处理器，可以使用例如cpu(centralprocessingunit)。作为上述记录介质，除了“非暂时性的有形的介质”，例如，rom(readonlymemory)等之外，还可以使用磁带、盘、卡、半导体存储器、可编程的逻辑电路等。而且，可以还具备将上述程序展开的ram(randomaccessmemory)等。而且，上述程序可以经由能够传送该程序的任意的传送介质(通信网络或广播波等)向上述计算机供给。需要说明的是，本发明的一形态也可以通过利用电子的传送来体现上述程序的、埋入于载波的数据信号的方式实现。

根据上述的数据流，能够使用各种数据来作成健康定位映射及/或健康函数。即，能够作成不是既存的个别的疾患涉及的健康指标而是能够综合地算出受验者的健康度的健康定位映射及/或健康函数。因此，能够作成能够评价各种健康风险(即，能够评价受验者的健康总体的健康度)的健康定位映射及/或健康函数。

另外，通过将在数据取得步骤10中测定的各种数据组合而能够灵活地制作健康定位映射及/或健康函数。即，在数据取得步骤10中测定的项目的选定的灵活性非常高。

另外，在一实施方式中，通过以第二数据组为输入数据的机器学习，作成健康函数。由此，能够作成能够更准确地制作受验者的健康状态的指标的健康函数。

另外，在一实施方式中，在第一数据组作成健康定位映射之前，进行性别间的数据的补正。由此，能够作成能够应对任何性别的健康定位映射。

另外，在本发明的一形态中，第一数据可以是仅包含通过非侵袭测定取得的数据的形态。根据上述的结构，不会进行血液检查等伤害受验者的情况而能够取得数据。

另外，在一实施方式中，使用通过数据处理步骤20作成的函数能够作成评价健康的映射。具体而言，在函数为多维向量的情况下，将关于多个受验者通过函数确定的点向多维空间标绘，由此作成评价健康的映射。由此，能够在视觉上确认受验者为何种健康状态。

另外，在一实施方式1中，将标绘于多维空间的点进行聚类。并且，通过参照属于被聚类的各聚类的受验者的数据，能够确定各个聚类是何种受验者的团体，并将这些聚类附加特征。其结果是，通过将新测定的受验者的数据标绘在健康定位映射映射上，能够对测定的受验者的健康状态进行预测。

在图2所示的例子中，数据库部200设置在计算机系统100的外部，但是本发明没有限定于此。也可以将数据库部200的至少一部分设置在计算机系统100的内部。此时，数据库部200的至少一部分可以通过与安装存储器部150的存储单元相同的存储单元安装，也可以通过与安装存储器部150的存储单元另行的存储单元安装。无论如何，数据库部200的至少一部分构成作为计算机系统100用的保存部。数据库部200的结构没有限定为特定的硬件结构。例如，数据库部200可以由单一的硬件部件构成，也可以由多个硬件部件构成。例如，数据库部200可以构成作为计算机系统100的外设硬盘装置，也可以构成作为经由网络400连接的云上的存储器。

3.第一参数组

本发明者们为了评价对象者的综合性的健康度而着眼于在健康脆弱化及慢性疲劳中共同的生理学的或生物化学的机理。虽然未意识到受理论拘束的情况，但是如果基于到此为止的疲劳医学研究及健康脆弱化追踪研究，则疲劳～慢性疲劳、健康脆弱化、老化及疾患发病存在共同的机理。这是

(1)表示生物体氧化的进展和抗氧化能力的下降的“生物体氧化(生锈)”，

(2)表示上述的生物体氧化的解除延迟的情况的“修复能量下降”，

(3)表示检知氧化(生锈)细胞的情况的“炎症”，及

(4)表示感知上述的(1)～(3)并进行调整的功能的“自主神经功能”。

通过综合性地评价该(1)～(4)的参数，能够判定未达到疾患的健康脆弱化状态(即，“未发病”)。

基于上述的理论，在代表性的实施方式中，本发明中的用于得到第一数据组的第一参数组可包含“生物体氧化参数”、“修复能量下降参数”、“炎症参数”及“自主神经功能参数”。在本说明书中，以下，有时将(1)“生物体氧化参数”、(2)“修复能量下降参数”、(3)“炎症参数”及(4)“自主神经功能参数”这四个参数合在一起称为基本四参数。

(生物体氧化参数)

活性氧簇(reactiveoxygenspecies：ros)对于在生物体内构成dna、类脂物、蛋白质、酶等的细胞的大多数的生物体高分子进行氧化改性，给细胞功能造成障碍。基于活性氧簇的氧化改性可认为会导致各种疾患或老化。

另一方面，为了防止活性氧簇引起的细胞功能障碍而在生物体内存在超氧化物歧化酶(sod)、过氧化氢酶等抗氧化酶、辅酶q10、维他命c、维他命e等抗氧化物质。

因此，本发明中的“生物体氧化参数”的测定可包括基于活性氧簇的氧化损伤的测定、抗氧化能力的测定、或者氧化损伤与抗氧化能力的平衡的测定。基于活性氧簇的氧化损伤的测定可以通过直接测定活性氧簇的量进行，也可以通过测定蛋白质、类脂物或核酸的氧化损伤进行。

氧化损伤的测定方法在该领域周知，本领域技术人员可以适当选择测定对象来测定。在本发明中，作为基于活性氧簇的氧化损伤的指标的具体的标记可列举例如直接测定血液中的活性氧簇量的d-roms(derivativesofreactiveoxygenmetabolites)、作为蛋白质的氧化损伤的指标的羰化蛋白质量(pcc；proteincarbonylcontent)、作为类脂物的氧化损伤的指标的4-羟基壬烯醛、异构前列腺素、作为核酸的氧化损伤的指标的8-ohdg(8-羟基脱氧鸟苷)等，但是没有限定于此。

抗氧化能力的测定方法在该领域中周知，本领域技术人员可以适当选择测定对象进行测定。在本发明中，作为抗氧化能力的指标的具体的标记可列举将向铁的还原力进行了数值化的bap(biologicalantioxidantpotential)、血清巯基状态、谷胱甘肽测定、维他命c量测定、辅酶q10总量、辅酶q10还原型比率等，但是没有限定于此。辅酶q10总量、辅酶q10还原型比率例如可以使用lc-ms/ms测定(具体而言，例如根据通过多重反应监控而检测的还原型及氧化型辅酶q10的浓度能算出。)。

在本发明中，成为氧化损伤与抗氧化能力的平衡的指标的标记是osi(氧化应力指标；oxidationstressindex)，但是没有限定于此。需要说明的是，本发明中的osi是d-roms/bap。

本发明中的优选的生物体氧化参数包括bap、辅酶q10总量、辅酶q10还原型比率、osi。

典型的是，生物体氧化参数是通过非侵袭性检查能测定的参数。

(修复能量下降参数)

即使生物体组织受到氧化造成的损伤，生物体也具备对该损伤的组织进行修复的机构。生物体中的组织损伤需要atp。然而，当atp产生下降时，损伤的组织的修复发生延迟。atp产生的下降也会导致疲劳恢复延迟。本发明中的“修复能量下降参数”是表示atp产生下降的情况的任意的参数。

atp经由糖酵解、tca循环及电子传递链而产生，但是在最后的电子传递链中产生最多的atp。辅酶q10是担负电子传递链的重要的辅酶。因此，本发明中的“修复能量下降参数”可列举辅酶q10总量、辅酶q10还原型比率、糖酵解/tca循环的代谢物(例如，丙酮酸、乳酸、柠檬酸、异柠檬酸、琥珀酸、富马酸、苹果酸等)，但是没有限定于此。应留意的是，辅酶q10总量及辅酶q10还原型比率为了具有抗氧化能力也为“生物体氧化参数”，同时为了有助于atp产生也为“修复能量下降参数”的点。本发明中优选的本发明中的“修复能量下降参数”可包含辅酶q10总量及辅酶q10还原型比率。

辅酶q10总量、辅酶q10还原型比率的测定方法如上所述。糖酵解或柠檬酸循环的代谢物通过从代谢物组解析中提取反映糖酵解或柠檬酸循环的化合物能够测定。

典型的是，修复能量下降参数是通过非侵袭性检查能测定的参数。

(炎症参数)

如果在生物体中因氧化而受到损伤的组织较多地产生，则由于免疫响应而产生大量的局部炎症。炎症参数的种类及测定方法在该领域周知，本领域技术人员可以适当地选择炎症参数进行测定。

本发明中的炎症参数可列举crp(c-reactiveprotein)、wbc(白血球数)、白蛋白、红血球数、白细胞介素-1β、白细胞介素-6等，但是没有限定于此。

典型的是，炎症参数是通过非侵袭性检查能测定的参数。

(自主神经功能参数)

当时序地精查健康脆弱化时，首先，发生自主神经功能(特别是副交感神经功能)的下降，接下来睡眠的质量下降，接下来疲劳积累，然后观察到意愿下降、抑郁倾向、过敏症等免疫系统失调、月经不全等内分泌系统异常、消化系统的异常等。因此，自主神经功能的异常是用于掌握健康脆弱化的初始阶段的重要的参数。

在本发明中，从心拍参数评价自主神经功能。具体而言，在本发明中使用的心拍参数包含以下，但是没有限定于此。

·平均hr

是指5分钟的全心拍数的平均值。

·自主神经系统整体的活动；tp(totalpower＝ms²)

是5分钟测定中的频率0～0.4hz(vlf，lf，hf)的功率谱的总功率的计算值。该值在总体上反映交感神经活动主要占据的自主神经系统的活动，可以说是与疲劳相关的数值。

·交感神经功能的整体的活动；vlf(超低频ms²)

是约0.0033～0.04hz的频带的功率谱。通常，该参数可以说是表示交感神经功能的非常缓慢的机理的整体的活动的产生。

·交感神经的活动；lf(低频ms²)

是约0.004～0.15hz的频带的功率谱，该值主要反映(血管运动性)交感神经的活动。

·副交感神经的活动；hf(高频ms²)

是约0.15～0.4hz的频带的功率谱，该值反映副交感神经(迷走神经)的活动。

·交感神经与副交感神经的平衡；lf/hf比

是lf(低频)与hf(高频)的功率的比率，该值表示交感神经与副交感神经的整体的平衡。通常，如果数值高，则表示交感神经优异，在低的情况下，表示副交感神经优异。

表现自主神经功能的上述心拍参数在该领域中通过公知的方法能测定，但是也可以同时计测心电波和指尖脉搏并通过进行心拍变动解析的准确的方法论来测定(参照日本专利第5455071号公报、日本专利第5491749号公报。这些文献通过参照而援引于本说明书。)。例如，也可以使用能够同时计测心电图和脉搏的简易型自主神经系统计测装置fmcc-vsm301(株式公司疲劳科学研究所，大阪，日本)，测定本发明的自主神经功能参数。

本发明中优选的“自主神经功能参数”也是平均hr、tp、lf、hf、lf/hf等，但是没有限定于此。需要说明的是，hf及lf的值的分散大，未成为正态分布，因此优选关于上述参数中的hf或lf关联的tp、lf、hf及lf/hf，进行对数变换而评价。因此，本发明中的更优选的“自主神经功能参数”包括平均hr、ln(tp)、ln(lf)、ln(hf)及ln(lf/hf)。

典型的是，自主神经功能参数是通过非侵袭性检查可测定的参数。

(进一步的第一参数组)

本发明的第一参数组为了作成更适当地评价对象者的综合性的健康度的定位映射，可包含以下的参数的一个或多个。

·基础参数

作为基础参数，包括表现对象者的身体的状态、健康状态的公知的参数。本发明的基础参数包括年龄、身高、体重、腰围、身体构成、骨密度、血压、肌肉力量等，但是没有限定于此。

作为身体构成，包括肌肉量、bmi(体重/身高＝bodymassindex)、脂肪率等，但是没有限定于此。

关于骨密度，已知有利用x射线拍摄手骨而从照片测定的md法、使用超声波来测定踵骨的超声波法、使用了ct扫描的qct法、使用了x射线及计算机的dexa法(dualenergyx-rayabsorptiometry)等测定方法，在本发明中，可使用通过上述的任一测定方法得到的参数。

本发明中的骨密度参数可列举超声波传导速度(sos＝speedofsound)、骨质疏松症评价(osteoporosisindex；例如，osiris(osteoporosisindexofrisk))、青年成人比较％(yam＝youngadultmean；以青年年龄的平均bmd(bonemineraldensity)；骨密度＝骨量÷面积(单位g/cm²))值(基准值)为100％而与受验者bmd值相比的％)、t得分(以青年年龄的平均bmd值(基准值)为0，以标准偏差为1sd而规定了指标的值)等，但是没有限定于此。这些基础参数的测定方法在该领域周知。

血压在该领域中习惯性地测定，作为本发明的基础参数可使用收缩期血压。

肌肉力量在该领域中习惯性地测定，作为本发明的基础参数，可使用肌肉量及握力左右平均。

本发明的基础参数优选可包含年龄、肌肉量、bmi、脂肪率、sos、oi、收缩期血压、及握力左右平均。

基础参数是通过非侵袭性检查可测定的参数。

·血液参数

除了上述的生物体氧化参数以外，为了评价对象的肾排泄/肝胆胰/解毒功能系统，优选将通常使用的血液参数也包含于第一参数组。

作为该血液参数，可列举hba1c(血红蛋白a1c；在血红蛋白结合有葡萄糖的糖化蛋白质)、alp(碱性磷酸酶)、alt(丙氨酸转氨酶)、ast(天冬氨酸转氨酶)、bs(血糖值)、bun(血液中尿素氮)、ck(肌酸激酶；运动/骨格/肌肉功能系统评价中可使用的血浆中肌肉细胞酶)、g-gt(γ-谷氨酰转肽酶)、hdl-c(hdl-胆固醇)、hgb(血红蛋白)、ld(乳酸脱氢酶)、ldl-c(ldl胆固醇)、tg(甘油三酯；中性脂肪)、t-p(总蛋白质)、ua(尿酸)、淀粉酶、白蛋白、钾、肌酸酐、氯化物、皮质醇、钠、egfr、维他命类(例如，维他命b1)、矿物质(铁、铜、钙等)量等，但是没有限定于此。

典型的是，血液参数是通过侵袭性检查可测定的参数。

·认知功能参数

根据本发明者们的研究，当疲劳积累时，认知功能下降。因此，本发明的第一参数可以还包含认知功能参数。

本发明的认知功能参数通过将一张纸上书写的1～25的数字等的指标顺次通过铅笔描绘这样的简易的认知功能检查即tmt(trailmakingtest)、在触摸面板中进行tmt的atmt(advancedtrailmakingtest)、本发明者们开发的modifiedatmt(k.mizunoeal.brain&development33(2011)412-420)等能够得到。tmt、atmt、modifiedatmt虽然方法论存在差异，但是测定的对象共同，这些全部是本发明的认知功能参数。

本发明者们例如预先准备用于评价认知功能的各种要素的五个课题作为modifiedatmt，可以将它们单独或组合使用。而且，上述的各认知课题的评价可以通过总反应时间进行，也可以通过总正答数进行。

认知功能参数是通过非侵袭性检查可测定的参数。

·血管及皮肤参数

根据本发明者们的研究，当疲劳积累时，有时在血管及皮肤会出现影响。因此，优选的是，本发明的第一参数组也包含血管及皮肤参数。

血管参数可列举例如血管年龄、毛细血管长平均值、血管污浊、血管根数等，但是没有限定于此。毛细血管长平均值、血管污浊及血管根数优选通过对手指甲床的毛细血管走向进行图像处理而能够简便地测定。毛细血管走向的图像处理及上述的参数的测定例如通过atco.,ltd.(大阪，日本)制的毛细血管镜能测定。

皮肤参数可列举例如手臂的肌肤的水分量、水分蒸发量、光泽等，但是没有限定于此。手臂的肌肤的水分量、水分蒸发量及光泽的测定方法在该领域中周知。

血管及皮肤参数是通过非侵袭性检查可测定的参数。

·主观评价参数

本发明的第一参数组除了上述那样的通过测定得到的客观的参数之外，也包含对象的主观评价参数。除了基于各种测定值的客观的参数之外将主观评价也加入到参数组中，由此，能够将更加各种成分的测定而未完全掌握的对象的身体、疲劳及精神状态等的状况反映到健康定位映射中。

在一实施方式中，本发明中的主观评价参数可包含疲劳、睡眠、精神状态等主观评价。

疲劳的主观评价可包括疲劳持续期间的主观评价、由疲劳产生的障碍涉及的问询、疲劳vas(visualanaloguescale)、chalder疲劳指标(chalderfariguescale；cfq)、使用cfq中的11个项目算出的疲劳症状得分(cfq11)(tanakametal.,psycholrep_2010,106,2、567-575)、出勤主义涉及的调查问卷或vas、及疲劳涉及的调查问卷中的一个或多个。“由疲劳产生的障碍涉及的问询”是指关于疲劳与某些何障碍的因果关系的有无而确认对象者的主观评价。“由疲劳产生的障碍涉及的问询”也是例如是否因疲劳而感觉到工作、家务或学业存在障碍，可认为疲劳的原因的疾病的问询等。“疲劳涉及的调查问卷”是问询是否自我感觉到任何疲劳的症状的问卷，例如，可以为是否感觉到倦怠感，是否感觉到虽然睡了一晩仍未解除疲劳等。作为出勤主义的调查问卷，可以使用例如who的healthandworkperformancequestionnaire(hpq)或worklimitationsquestionnaire(wlq)等。

睡眠的主观评价可包括睡眠(入睡及起床)的时刻、平均睡眠时间、睡意涉及的vas、及睡眠的质量涉及的调查问卷中的一个或多个。

精神状态的主观评价可包括郁闷涉及的vas及调查问卷、意愿涉及的vas及调查问卷中的一个或多个。“郁闷涉及的调查问卷”是指郁闷的任意的症状涉及的问询，包括是否感觉到忧郁，对于与其他人的交往是否嫌麻烦等，例如k6合计(由kessler等开发的作为表现精神方面的问题而通常使用的指标)为一例。

在上述中，“调查问卷”可以通过对于特定的问询的回答进行评价，也可以将对于多个问询的回答形成得分进行评价。

主观参数是通过非侵袭性检查可测定的参数。

·生活状况参数

本发明的第一参数组除了客观的参数及主观评价参数之外，还可以包含生活状况参数。本发明中的生活状况参数是关于对象的生活状况的事实，例如，可包括教育年数、婚姻期间、同居的有无、吸烟状况(有无、频度及/或量)、饮酒状况(有无、频度及/或量)、劳动时间、运动(有无、频度及/或量)、饮食状况(是否感觉到吃饭的频度早、晚餐后的间食频度、不吃早餐的频度等)、既往历史、服药状况、补品摄取状况等。

生活状况参数是通过非侵袭性检查可测定的参数。

·进一步的参数

本发明的第一参数组可以包含基于脑功能/精神神经系统评价、循环器官/呼吸器官功能系统评价、肾排泄/肝胆胰/解毒功能系统评价涉及的数据的参数。

例如，脑功能/精神神经系统评价涉及的数据除了上述的数据之外，还包括通讯功能、活动量(白天、睡眠过程中)、基于mri(magneticresonanceimaging)的脑方式计测(能够计测与脑组织的收缩的部位对应的功能的下降)、安静时fmri、及神经纤维束走向各向异性(神经纤维束的尺寸、坚韧度)等数据。

循环器官/呼吸器官功能系统评价涉及的数据除了上述的数据之外，还包括血流量(例如，通过多普勒血流计能测定)、呼气气体成分分析(no(哮喘)、丙酮(糖尿病)等)等。呼气气体成分分析涉及的数据通过利用质量分析或离子移动度分析装置进行分析能够测定。

肾排泄/肝胆胰/解毒功能系统评价涉及的数据除了上述的数据之外，还包括皮肤气体成分分析等的数据。皮肤气体成分分析涉及的数据通过质量分析或高灵敏度可变激光检测装置能够测定。

(优选的第一参数组)

在一个实施方式中，本发明的第一参数组可包含生物体氧化参数、修复能量下降参数、炎症参数、及自主神经参数(基本四个参数)。基于关于包含该基本四个参数的第一参数组的数据来作成健康定位映射，由此，通过该健康定位映射，能够判定未达到疾患的健康脆弱化状态(即，“未发病”)。

在另一实施方式中，本发明的第一参数组可包含基本四个参数、基础参数、认知功能参数及主观参数。虽然未意识到受理论束缚的情况，但是通过除了基本四个参数之外还追加基础参数、认知功能参数及主观参数，可认为能够广泛地评价疲劳、精神状态。优选的是，主观参数包含关于疲劳、睡眠及精神状态中的一个或多个的评价，更优选的是，至少包含关于疲劳的评价。

在又一实施方式中，本发明的第一参数组可包含基本四个参数，基础参数、认知功能参数、主观参数及血液参数。虽然未意识到受理论束缚的情况，但是除了基本四个参数、用于评价疲劳、精神状态的基础参数、认知功能参数、主观参数之外，还将能够准确地评价内分泌系统的功能的血液参数追加到第一参数组中，由此能够进行包含更加不同的观点的广泛的健康度的评价。

在再一优选的实施方式中，本发明的第一参数组可包含基本四个参数、基础参数、认知功能参数、主观参数、血液参数、血管及皮肤参数、及生活状况参数。

本发明的第一参数组典型的是包含侵袭性参数和非侵袭性参数这双方。由此，即使在后述的第二参数组仅由非侵袭性参数构成的情况下，在成为评价的基础的定位映射中也能反映侵袭性参数的信息。其结果是，通过仅非侵袭性参数的检查，能够进行也包括只能通过侵袭性检查得到的参数的影响在内的评价。这是本申请发明的一个显著的效果。

4.第二参数组

在一实施方式中，第二参数组可包含以下。

(1)年龄

(2)脂肪率

(3)中性脂肪(tg)

(4)crp

(5)osi

(6)关于疲劳的主观评价

(7)自主神经平衡(例如，lf/hf或其对数)

(8)认知功能

在本发明的优选的实施方式中，第二参数组可仅由非侵袭性参数构成。然而，用于评价该第二参数组的定位映射是也包含侵袭性参数而作成的映射，因此通过使用仅由非侵袭性参数构成的第二参数组来评价对象的综合性的健康，能够进行在本质上也包含侵袭性参数的影响的评价。这是本发明的显著的效果之一。而且，根据这样的不包含侵袭检查结果的参数组来推定用户的健康度的情况下，用户不分检查的场所而能够轻易地获知自身的健康度。用户例如即使在医院以外，在公司、药店、公民馆、咖啡店、自己家等通过简易的检查也能够获知自身的健康度。

仅由非侵袭性参数构成的第二参数组包括以下。

(1)年龄

(2)bmi

(3)脂肪率

(4)sos

(5)收缩期血压

(6)关于疲劳的主观评价

(7)关于郁闷的主观评价

(8)副交感神经的活动(例如，hf或其对数)

(9)自主神经系统整体的活动(例如，tp或其对数)

(10)认知功能

5.基于计算机系统的处理

图5a示出计算机系统100中的处理的一例。处理500是作成健康定位映射的处理。处理500在计算机系统100的处理器部120被执行。

在步骤s501中，处理器部120的取得单元121关于多个受验者，分别取得对于第一参数组的第一数据组。取得单元121例如经由接口部110接收数据库部200保存的关于多个受验者的数据，能够取得接收到的数据。取得单元121例如从检查设施(例如，医院，研究所等)的计算机系统经由接口部110接收数据库部200保存的关于多个受验者的数据，能够取得接收到的数据。

在步骤s502中，处理器部120的处理单元122对通过步骤s501取得的第一数据组进行处理，得到第一数据。基于处理单元122的处理例如可包括对于第一数据组的维度削减处理、标准化处理及加权处理中的至少一个。

优选的是，基于处理单元122的处理包括对于第一数据组的维度削减处理。由此，能够削减多维且复杂的第一数据组的维度，作成更容易理解的数据，甚至健康定位映射。此时，维度削减处理优选将第一数据组削减成二维的数据或三维的数据。这是因为，由二维的数据或三维的数据作成的健康定位映射成为二维空间或三维空间的映射，在视觉上容易理解。通过维度削减处理，(1)能够求出各测定项目对健康定位映射的各轴的值的贡献，而且(2)将与健康定位映射的各轴的值较大地不相关的测定项目的数据排除，能够更明确地理解健康定位映射上的数据。

更优选的是，基于处理单元122的处理包括对于第一数据组的标准化处理和对于标准化后的数据组的维度削减处理。由此，第一数据组的参数间的刻度差消失，可认为第一数据组的各参数的对于健康定位映射的影响均等，能够作成高精度且便于理解的健康定位映射。特别是例如对于以男女的性别差为起因的参数进行标准化处理，由此能够将从男性受验者得到的数据及从女性受验者得到的数据这两方在相同的健康定位映射上评价。

更优选的是，基于处理单元122的处理包括对于第一数据组的加权处理、对于被加权后的数据组的标准化处理、对于被标准化后的数据组的维度削减处理。由此，突出第一数据组的各参数的对于健康定位映射的影响的大小，能够作成精度更高且更便于理解的健康定位映射。

基于处理单元122的标准化处理例如可以对于第一参数组中的全部的参数进行，也可以对于特定的参数进行。基于处理单元122的加权处理例如可以对于多个受验者的整体的第一数据组进行，也可以对于多个受验者的特定的母体的第一数据组进行。

在步骤s503中，处理器部120的变换单元123对于多个受验者，分别变换通过步骤s502得到的第一数据。变换单元123将n维的第一数据变换到n维空间上。变换单元123对于多个受验者分别变换第一数据，由此能够输出将多个受验者的各自的第一数据进行了变换的映射。例如，在第一数据为二维的情况下，变换单元123通过将第一数据变换到二维空间，即，平面上的位置而能够输出二维映射。

在步骤s504中，处理器部120的聚类单元124通过对于由步骤s503变换后的第一数据进行聚类而确定多个区域。聚类单元124通过将变换后的第一数据区分为任意的个数的聚类而能够确定任意的个数的区域。

在步骤s505中，处理器部120的附加特征单元125对通过步骤s504确定的多个区域中的至少一部分附加特征。附加特征单元125例如可以基于向计算机系统100输入的信息而将多个区域中的至少一部分附加特征，也可以不管输入而自动地对多个区域中的至少一部分附加特征。例如，附加特征单元125可以基于健康定位映射中的相对位置而对多个区域中的至少一部分附加特征，也可以基于机器学习而对多个区域中的至少一部分附加特征。

通过上述的处理500，作成多个区域中的至少一部分被附加了特征的健康定位映射。作成的健康定位映射在后述的处理510、处理600、处理700中可利用。

图5b示出计算机系统100中的处理的另一例。处理510是对于通过处理500作成的健康定位映射中的一部分的区域包含的数据而作成健康定位映射的处理。处理510在计算机系统100的处理器部120被执行。

在步骤s511中，处理器部120接收对通过处理500作成的健康定位映射的多个区域中的一部分进行选择的输入。选择多个区域中的一部分的输入例如从计算机系统100的外部经由接口部110输入。

在步骤s512中，处理器部120的取得单元121取得被变换到选择的区域的第一数据。取得的第一数据称为副第一数据。

在步骤s513中，处理器部120的聚类单元124通过对由步骤s512取得的副第一数据进行聚类而确定多个区域。步骤s513中的处理是与步骤s504中的处理同样的处理。

在步骤s514中，处理器部120的附加特征单元125对通过步骤s513确定的多个区域中的至少一部分附加特征。步骤s514中的处理是与步骤s505中的处理同样的处理。

通过上述的处理510，作成对于多个受验者中的一部分的受验者的健康定位映射。对于多个受验者中的一部分的受验者的健康定位映射是例如聚焦于多个受验者中的特定的团体，例如男性受验者团体、女性受验者团体、青年层团体(小于40岁的团体)、中年层团体(40岁以上且小于60岁的团体)、老年层团体(60岁以上的团体)等的健康定位映射。聚焦于特定的团体的健康定位映射的多个区域可以具有与多个受验者的整体的健康定位映射的多个区域不同的附加特征，可以为了进行不同的观点下的健康状态的分析而被利用。

图6示出计算机系统100中的处理的另一例。处理600是作成健康函数的处理。处理600在计算机系统100的处理器部130中被执行。

在步骤s601中，处理器部130准备健康定位映射。例如，处理器部130通过处理器部130的第一取得单元取得健康定位映射，由此能够准备健康定位映射。健康定位映射基于对关于多个受验者的上述的第一参数组的第一数据组来作成。准备的健康定位映射只要使用第一参数组作成即可，可以是通过处理500或处理510作成的健康定位映射，也可以是另行作成的健康定位映射。

在步骤s602中，处理器部130的第二取得单元132关于多个受验者中的至少一部分，取得对于第二参数组的第二数据组。第二参数组是第一参数组的一部分。第二取得单元132例如经由接口部110能够取得数据库部200保存的关于多个受验者的一部分的数据。

在步骤s603中，处理器部130的导出单元133导出使通过步骤s602取得的多个受验者中的至少一部分的受验者的第二数据组与多个受验者中的至少一部分的受验者的健康定位映射上的位置相关的健康函数。导出单元133例如通过机器学习能够导出健康函数。健康函数例如可按照n维的健康定位映射的各轴导出。

健康函数例如可以为回归模型，也可以为神经网络模型。在健康函数为回归模型的情况下，导出单元133对于多个受验者中的至少一部分的各受验者，以第二数据组为独立变量并以该受验者的健康定位映射上的坐标为从属变量而进行机器学习，由此能够导出回归模型的各系数。在健康函数为神经网络模型的情况下，导出单元133对于多个受验者中的至少一部分的各受验者，以第二数据组为输入用示教数据并以该受验者的健康定位映射上的位置为输出用示教数据进行机器学习，由此能够导出各节点的加权系数。

通过上述的处理600，作成用于将受验者的健康度变换到健康定位映射上的健康函数。作成的健康函数在后述的处理700中可利用。在作成健康函数时，避免使第二参数组包含侵袭检查结果，由此，结果得到的健康函数根据不包含侵袭检查结果的参数组的数据来确定健康定位映射上的位置，能够推定用户的健康度。根据这样的不包含侵袭检查结果的参数组来推定用户的健康度的情况下，用户不管检查的场所而能够获知自身的健康度。用户例如除了医院以外，在公司、药店、公民馆、咖啡店、自己家等通过简易的检查能够获知自身的健康度。

图7a示出计算机系统100中的处理的另一例。处理700是推定用户的健康度的处理。处理700在计算机系统100的处理器部140中被执行。

在步骤s701中，处理器部140准备健康函数。例如，处理器部140通过处理器部140的第三取得单元141取得健康函数，由此能够准备健康函数。健康函数是使对于第二参数组的数据组与健康定位映射上的位置相关的函数。取得的健康函数只要能够使用户数据组与健康定位映射上的位置相关即可，可以是通过处理600作成的健康函数，也可以是另行作成的健康函数。健康定位映射只要使用第一参数组作成即可，可以是通过处理500或处理510作成的健康定位映射，也可以是另行作成的健康定位映射。

在步骤s702中，处理器部140的第四取得单元142取得对于用户的第二参数组的第一用户数据组。第四取得单元142例如经由接口部110能够取得数据库部200保存的第一用户数据组。或者，第四取得单元142例如从用户的终端装置经由接口部110能够取得第一用户数据组。

在步骤s703中，处理器部140的输出生成单元143通过将第一用户数据组向健康函数输入而得到第一输出。例如，在健康函数为回归模型的情况下，通过将第一用户数据组向回归模型的独立变量输入而输出健康定位映射上的坐标作为第一输出。例如，在健康函数为神经网络模型的情况下，通过将第一用户数据组向神经网络模型的输入层输入而输出健康定位映射上的坐标作为第一输出。

在步骤s704中，处理器部140的输出变换单元144将第一输出变换到健康定位映射上。通过步骤s703得到的输出是健康定位映射上的坐标，因此输出变换单元144能够将其坐标变换到健康定位映射的n维空间内。

通过上述的处理700，通过将用户的健康度变换到健康定位映射上，能够根据用户的健康度被变换后的区域的附加特征，推定用户的健康状态如何。例如，通过使用第二参数组不包含侵袭检查结果的健康函数，能够根据不包含侵袭检查结果的参数组的数据来确定健康定位映射上的位置，推定用户的健康度。根据这样的不包含侵袭检查结果的参数组来推定用户的健康度的情况下，用户不管检查的场所而能够获知自身的健康度。用户例如即使在医院以外，在公司、药店、公民馆、咖啡店、自己家等通过简易的检查也能够获知自身的健康度。

图7b示出图7a所示的处理700的接续的处理的一例。图7b所示的处理是用于推定规定期间经过后的用户的健康度的处理。

在步骤s705中，处理器部140的第四取得单元142取得对于用户的第二参数组的第二用户数据组。步骤s705至少在从步骤s702起经过了规定期间之后进行。第四取得单元142例如经由接口部110能够取得数据库部200保存的第二用户数据组。或者，第四取得单元142例如从用户的终端装置经由接口部110能够取得第二用户数据组。

在步骤s706中，处理器部140的输出生成单元143通过将第二用户数据组向健康函数输入而得到第二输出。例如，在健康函数为回归模型的情况下，通过将第二用户数据组向回归模型的独立变量输入而输出健康定位映射上的坐标作为第二输出。例如，在健康函数为神经网络模型的情况下，通过将第二用户数据组向神经网络模型的输入层输入而输出健康定位映射上的坐标作为第二输出。

在步骤s707中，处理器部140的输出变换单元144将第二输出变换到健康定位映射上。通过步骤s706得到的输出是健康定位映射上的坐标，因此输出变换单元144能够将其坐标变换到健康定位映射的n维空间内。

通过步骤s705～s707，能够推定规定期间后的用户的健康状态如何。例如，将通过步骤s701～步骤s704推定的健康状态与通过步骤s705～步骤s707推定的健康状态进行比较，由此能够确定健康状态的时序变化。

此外，基于健康定位映射上的时序变化的方向，也能够预测将来的健康状态。例如，在对第一输出进行了变换的结果是健康度属于被附加特征作为健康定位映射上的健康体的区域，对经过规定期间后的第二输出进行了变换的结果是健康度虽然属于被附加特征作为健康体的区域但是接近被附加特征作为生活习惯病风险组的区域的情况下，能够预测到健康状态趋向生活习惯病风险的方向的情况。

在一实施方式中，处理700为了评价用于提高健康状态的条款而被利用。例如，在规定期间，用户使用用于提高健康状态的条款，将规定期间前的第一输出与规定期间经过后的第二输出进行比较，由此能够确定健康定位映射上的时序变化。用于提高健康状态的条款的使用引起的健康定位映射上的时序变化反映用于提高健康状态的条款的效果，通过与不使用用于提高健康状态的条款时的健康定位映射上的时序变化进行对照，能够评价用于提高健康状态的条款的效果的优劣。

此外，基于用于提高健康状态的条款的使用引起的健康定位映射上的时序变化的方向，也能够向用户推荐用于提高健康状态的条款。例如，用于提高健康状态的条款大体上对于具有与用于提高健康状态的条款的使用引起的健康定位映射上的时序变化的方向相反的方向的健康定位映射上的时序变化的用户有效。因此，能够将具有与通过步骤s701～步骤s707的处理确定的用户的健康定位映射上的时序变化相反的方向的时序变化的条款向用户推荐。

在参照图5a、图5b、图6、图7a、图7b而上述的例子中，说明了以特定的顺序进行处理的情况，但是各处理的顺序没有限定为说明的顺序，能以逻辑上可能的任意的顺序进行。

在参照图5a、图5b、图6、图7a、图7b而上述的例子中，说明了图5a、图5b、图6、图7a、图7b所示的各步骤的处理通过处理器部120、处理器部130或处理器部140和存储器部150保存的程序实现的情况，但是本发明没有限定于此。图5a、图5b、图6、图7a、图7b所示的各步骤的处理中的至少一个可以通过控制电路等硬件结构实现。

本发明没有限定为上述的各实施方式，在权利要求所示的范围内能够进行各种变更，关于将不同的实施方式分别公开的技术单元适当组合而得到的实施方式，也包含于本发明的技术范围。

实施例

(实施例1.健康定位映射的作成)

在本实施例中，首先，关于720名的受验者，取得了健康涉及的232个项目的初始数据。该初始数据的取得在神戸理研iib栋实施。该232个项目包括侵袭性检查及非侵袭性检查这两方。接下来，以平均值为0且标准偏差成为1的方式对取得的初始数据的值进行了补正。接下来，在补正的数据中的数据间的相关度比规定的值(具体而言，相关系数为0.9)高的数据存在的情况下，使用提取该数据的仅一个的方法而提取了一部分的数据。该一部分的数据包含关于基本四个参数的数据。需要说明的是，在本实施例中，在相关系数比0.9高的数据存在的情况下，提取了一个数据，但是本发明没有限定于此，相关系数的值可以适当变更。需要说明的是，通过相关系数为0.9以上，能够作成能够更综合性地算出受验者的健康度的健康函数。

提取的结果是提取了81个项目。该81个项目对应于本发明中的“第一参数组”。该81个项目包含基本四个参数、基础参数、认知功能参数、主观参数、血液参数、血管及皮肤参数、及生活状况参数。

接下来，通过多维尺度法，将多维数据(即，81维度的数据)降低至二维，在二维上标绘了720名中的数据完全一致的692名量的数据。关于标绘在二维上的692个标绘的标绘分布图案，进行基于k平均法的聚类，聚类成10个聚类(图9)。将健康涉及的信息向各聚类附加特征，作成了本发明的健康定位映射。图10是表示在本实施例中作成的健康定位映射的图。需要说明的是，图10也显示实际的标绘，但是本发明的健康定位映射不需要包含成为其基础的标绘，请留意的是只要包含通过标绘的聚类而确定的区域和与该区域建立关联的健康涉及的信息即可的点。

(实施例2.健康函数的作成)

根据比第一参数组少的个数的检查项目(第二参数组)，通过机器学习确定了在实施例1中作成的健康定位映射能够适当地配置那样的函数(健康函数)。

如上所述，图10是本实施例中的健康定位映射。在分析了与各标绘对应的受验者时，如图10所示，在图10的图中，左侧(即，-x轴侧)的标绘是年龄相对轻的受验者的标绘，右侧(即，+x轴侧)的标绘是年龄相对高的受验者的标绘。图10的组g1包含的受验者组是年龄轻，郁闷或不安的程度高，自主神经调整力低，而且，在认知课题中错误数高的受验者组。因此，在新测定了数据的受验者属于组g1的情况下，可知该受验者是心理健康疾患的未发病的可能性高的受验者。

另外，组g2包含的受验者组是年龄高，血液中γ-gtp/血液中alt/血液中中性脂肪/血液中hba1c/血液中高灵敏度crp值高的受验者组。因此，在新测定了数据的受验者属于组g2的情况下，可知该受验者是生活习惯病的未发病的可能性高的受验者。

另外，组g3包含的受验者组是年龄高，血糖值高的受验者组。因此，在新测定了数据的受验者属于组g3的情况下，可知该受验者是糖尿病的未发病的可能性高的受验者。

第一函数x≤约4且第二函数y≤约2的区域表示健康状态大致没有问题的健康组。

以上的组g1～g3是通过本发明的健康评价装置能够评价的几个例子，除此之外也能够评价各种各样的健康风险。

(实施例3.第二参数组的研讨)

根据又一第二参数组，尝试了通过机器学习来确定在健康定位映射能够适当地配置那样的函数。

在实施例1中，除了受验者的个数之外，根据965名的受验者的数据，使用76个项目的第一参数组作成了健康定位映射。与实施例2同样，将半数的受验者的数据在示教数据中，使用为得到了其余的半数的受验者的数据的函数的评价用。

其结果是，确定了基于50个项目的第二参数组的健康函数(x轴的r²＝0.9595；y轴的r²＝0.9615)、基于21个项目的第二参数组的健康函数(x轴的r²＝0.9601；y轴的r²＝0.8706)、基于9个项目的第二参数组的健康函数(x轴的r²＝0.8889；y轴的r²＝0.8207)(图11)。特别是以9个项目这样少的个数的参数能够评价健康状态的情况超出了预想。

该9个项目是年龄、疲劳调查问卷得分、疲劳持续期间、ln(lf+hf)、认知功能、脂肪率、血液中中性脂肪、osi及crp。

另外，只要仅通过非侵袭性检查的数据能够评价健康即可，不管检查的场所，能够轻易地获知自身的健康度。因此，尝试了仅由非侵袭性参数构成的第二参数组的确定。其结果是，确定以下的14个项目的参数，并确定了这些参数组的健康函数(图12)(x轴的r²＝0.8879；y轴的r²＝0.8801)。

·年龄

·bmi

·脂肪率

·sos

·收缩期血压

·郁闷涉及的主观评价

·出勤主义

·疲劳涉及的主观评价

·副交感神经的活动(ln(hf))

·自主神经系统整体的活动(ln(tp))

·认知课题

因此，通过使用本发明的健康定位映射和上述非侵袭14参数，能够轻易地获知自身的健康度。

(实施例4.使用了健康定位映射的健康状态的变化的观察)

使用通过实施例1作成的健康定位映射，研讨了是否能够观察到受验者的健康状态的变化。在摄取还原型coq10之前和摄取了3个月之后，比较了健康定位映射上的变换位置。结果如图13所示。

从图13可知，在进行了比较的受验者中，能够观察到从作为心理健康风险组的组g1向健康组变化的情形。在经查了该受验者的各检查项目时，可知血液中coq10总量增加，疲劳或郁闷涉及的参数疲劳vas、郁闷vas、chatf11g、ps减少(图14)。根据其结果，暗示还原型coq10对疲劳解消、心理健康状态的改善存在效果的情况，并且，通过本发明的健康定位映射及使用了该健康定位映射的健康评价方法，确认了能够追踪受验者的健康状态的情况。

附图标记说明

100计算机系统

110接口部

120、130、140处理器部

150存储器部

200数据库部

300用户终端装置

400网络