本发明涉及身体组成变化预测装置、方法、以及计算机可读存储介质。
背景技术：
在日本特开2016-75533号公报(专利文献1)中，公开了如下技术：基于对生物体排出物中所包含的物质的浓度进行测定后得到的结果，导出每一基准时间的脂肪的燃烧量，并将计算出的脂肪的燃烧量换算为食品的体积，提示表示换算得到的食品的体积的信息。
通过以往的身体组成计，能测定现状的身体组成信息，该现状的身体组成信息反映了因过去到现在的习惯性的饮食生活和/或生活活动而累积的脂肪量、肌肉量、以及骨量等从过去起的累积。此外，在以往的测定酮体(呼气丙酮、皮肤丙酮、血中酮、尿中酮)的浓度的酮体浓度测定装置中，能测定因由此时的食物摄取量(能量增加)和活动量(能量减少)的平衡造成的能量收支的增减而引起的脂质代谢的活跃度，能预测今后是否处于体脂减少的方向。
发明所要解决的问题
能通过上述专利文献1所记载的酮体浓度评价装置来判断的体脂变化的预测是基于测定者当前时间点的测定结果的预测，以最近或者经过比较短的期间后(例如经过数天后)的预测为对象。此外，本发明的发明人认识到使用专利文献1所记载的预测式，难以高精度地进行经过比较长的期间后(例如经过1周以上之后)的预测。
技术实现要素：
本发明的目的在于，提供一种能高精度地预测身体组成的变化的身体组成变化预测装置、方法、以及计算机可读存储介质。
用于解决问题的方案
本发明的第一方案的身体组成变化预测装置具备：酮体浓度取得部，取得对由用户排出的酮体进行测定后得到的测定酮体浓度；身体组成信息取得部，取得所述用户当前的身体组成信息以及过去的身体组成信息；预测值计算部，基于所述用户的身体组成，计算对任意的将来的时间点的所述身体组成信息进行预测的预测值；燃烧类型判定部，基于所述测定酮体浓度以及所述当前的身体组成信息，判定所述用户的脂肪的燃烧类型；加权计算部，基于根据所述燃烧类型设定的并且随着所述测定酮体浓度升高而变大的权重，对所述预测值进行加权计算；以及输出部，输出与加权计算后的所述预测值对应的信息。
本发明的第二方案是：在第一方案中，所述加权计算部基于所述测定酮体浓度来计算所述用户的脂肪燃烧量，并基于计算出的脂肪燃烧量，来对加权计算后的所述预测值进行校正。
本发明的第三方案是：在第一或者第二方案中，所述任意的将来的时间点是经过了预测目标天数之后，所述加权计算部在所述预测目标天数是预定的阈值以上的情况下，基于与所述用户有关的用户信息，使用长期校正式来对加权计算后的所述预测值进行校正。
本发明的第四方案是：在第三方案中，所述加权计算部基于从活动计取得的所述用户的耗能，使用长期校正式来对加权计算后的所述预测值进行校正。
本发明的第五方案是：在第一～第四任意一个方案中，所述任意的将来的时间点是经过了预测目标天数之后，所述预测值计算部在取得所述过去的身体组成信息的期间为预定的期间以上的情况下，基于所述过去的身体组成信息以及所述预测目标天数，使用对变化趋势进行近似的任意的方法来计算所述预测值。
本发明的第六方案是：在第一～第五任意一个方案中，所述任意的将来的时间点是经过了预测目标天数之后，所述预测值计算部在取得所述过去的身体组成信息的期间不足预定的期间的情况下，计算所述过去的身体组成信息的每1天的变化量的平均值，并基于计算出的每1天的变化量的平均值和所述预测目标天数来计算所述预测值。
本发明的第七方案是：在第一～第六任意一个方案中，所述任意的将来的时间点是经过了预测目标天数之后，所述预测值计算部在无法取得所述过去的身体组成信息的情况下，取得所述用户的饮食趋势信息以及活动量信息，并基于所取得的所述用户的饮食趋势信息以及活动量信息和所述预测目标天数来计算所述预测值。
在本发明的第八方案的身体组成变化预测方法中，取得对由用户排出的酮体进行测定后得到的测定酮体浓度，取得所述用户当前的身体组成信息以及过去的身体组成信息，基于所述用户的身体组成，计算对任意的将来的时间点的所述身体组成信息进行预测的预测值，基于所述测定酮体浓度以及所述当前的身体组成信息，判定所述用户的脂肪的燃烧类型，基于根据所述燃烧类型设定的并且随着所述测定酮体浓度升高而变大的权重，对所述预测值进行加权计算，输出与加权计算后的所述预测值对应的信息。
本发明的第九方案的身体组成变化预测程序是用于使计算机执行处理的程序，所述处理包含：取得对由用户排出的酮体进行测定后得到的测定酮体浓度，取得所述用户当前的身体组成信息以及过去的身体组成信息，基于所述用户的身体组成，计算对任意的将来的时间点的所述身体组成信息进行预测的预测值，基于所述测定酮体浓度以及所述当前的身体组成信息，判定所述用户的脂肪的燃烧类型，基于根据所述燃烧类型设定的并且随着所述测定酮体浓度升高而变大的权重，对所述预测值进行加权计算，输出与加权计算后的所述预测值对应的信息。
发明效果
根据本方案，具有能高精度地预测身体组成的变化这样的效果。
附图说明
图1是身体组成变化预测单元的框图。
图2是传感器装置的外观图。
图3是身体组成变化预测装置的功能框图。
图4是身体组成变化预测处理的流程图。
图5是表示肌肉量指数的分布的方块图。
图6是用于对判定体型所使用的矩阵进行说明的图。
图7是表示体型的形象的图。
图8是表示用于判定燃烧类型的判定表的图。
图9是第一预测处理的流程图。
图10是用于对权重的变化幅度进行说明的表。
图11是第二预测处理的流程图。
图12是第三预测处理的流程图。
具体实施方式
以下，对本发明的实施方式进行说明。
图1是本实施方式的身体组成变化预测单元10的构成图。如图1所示，身体组成变化预测单元10具备作为身体组成变化预测装置的身体组成变化预测装置12以及传感器装置14。身体组成变化预测装置12具备控制器16、显示部18、操作部20、计时部22、以及通信部24。传感器装置14具备半导体式气体传感器26以及压力传感器28。
控制器16为，经由总线16f而分别连接有cpu(centralprocessingunit)16a、rom(readonlymemory)12b、ram(randomaccessmemory)16c、非易失性存储器16d、以及输入输出接口(i/o)16e的结构。该情况下，将使控制器16的cpu16a执行后述的身体组成变化预测处理的身体组成变化预测程序例如预先写入非易失性存储器16d，且cpu16a读取并执行该身体组成变化预测程序。需要说明的是，身体组成变化预测程序可以由cd-rom、存储卡等记录介质提供，也可以从未图示的服务器下载。
在i/o16e连接有显示部18、操作部20、计时部22、通信部24、半导体式气体传感器26、以及压力传感器28。
显示部18由例如液晶面板等构成。在显示部18显示例如各种设定画面、检测结果等各种结果显示画面。
操作部20是用于进行各种操作的操作部。
需要说明的是，可以采用如下构成：使用触摸面板来一体构成显示部18以及操作部20，能通过直接触摸该触摸面板来进行操作。
计时部22具有取得当前时刻的功能以及对时间进行计时的计时功能。
通信部24具有通过无线通信或者有线通信与身体组成计29等外部装置进行信息的收发的功能。
身体组成变化预测装置12例如可以采用专用的装置，也可以采用个人计算机、智能手机、移动电话、以及平板终端等通用的信息处理装置。
半导体式气体传感器26是对用户呼出的呼气等生物体气体具有灵敏度的气体传感器。半导体式气体传感器26检测生物体气体，并通过电压值来输出所检测到的生物体气体的浓度。呼气中的生物体气体例如包含酮体、乙醇、乙醛、氢、水蒸气、甲烷、口臭等各种气体。在此，酮体是乙酰乙酸、3-羟基丁酸(β-羟基丁酸)、丙酮的总称，表示这些中的至少一个。
具体而言，半导体式气体传感器26具备sno2等金属氧化物半导体、加热器、以及电极。当金属氧化物半导体吸附干扰气体或者妨害气体时电阻值会变化。虽然半导体式气体传感器26对气体的定量性以及选择性不足，但对微量的丙酮等灵敏度高。在本实施方式中，对使用半导体式气体传感器来作为检测生物体气体的传感器的情况进行说明，但也可以使用气相色谱仪等其它装置来检测生物体气体。
需要说明的是，在本实施方式中，对所测定的生物体气体是丙酮的情况进行说明。丙酮是脂质代谢的副产品，丙酮的浓度相当于脂肪的燃烧量。在体内糖质能量剩余的情况下脂肪不燃烧，所以丙酮的浓度低，在体内糖质能量不足的情况下脂肪燃烧，所以丙酮的浓度高。因此，能根据丙酮的浓度来获知脂肪的燃烧量。
压力传感器28检测由用户呼出的呼气的压力。压力传感器28通过电压值来输出所检测到的压力的大小。
在图2中，示出了传感器装置14的外观图。如图2所示，传感器装置14具备用于供用户吹入呼气的吹入口30。当用户向吹入口30吹入呼气时，通过半导体式气体传感器26来检测生物体气体。需要说明的是，图2所示的传感器装置14通过有线与身体组成变化预测装置12连接，但并不限定于此，也可以通过无线与身体组成变化预测装置12连接。此外，传感器装置14和身体组成变化预测装置12也可以一体形成。
控制器16的cpu16a在功能上如图3所示，具备丙酮浓度取得部40、身体组成信息取得部42、预测值计算部44、燃烧类型判定部46、加权计算部48、以及输出部50。
作为酮体浓度取得部的丙酮浓度取得部40取得对由用户排出的丙酮进行测定后得到的丙酮浓度。
身体组成信息取得部42取得用户当前的身体组成信息以及过去的身体组成信息。
预测值计算部44基于与用户的身体组成有关的信息，来计算对任意的将来的时间点的身体组成信息进行预测的预测值。需要说明的是，任意的将来的时间点例如是经过了作为直至想要预测今后的身体组成变化的日子为止的天数的预测目标天数后(例如100天后)的将来的日期(例如2017年7月1日)。在本实施方式中，对任意的将来的时间点是经过了预测目标天数后的情况进行说明。
具体而言，预测值计算部44在取得过去的身体组成信息的期间是预定的期间以上的情况下，基于过去的身体组成信息以及预测目标天数，使用对变化趋势进行近似的任意的方法来计算预测值。在此，作为对变化趋势进行近似的任意的方法，可举出最小二乘法、移动平均法等，但并不限定于此。在本实施方式中，对使用最小二乘法等来计算预测值的情况进行说明。
燃烧类型判定部46基于丙酮浓度以及当前的身体组成信息，判定用户的脂肪的燃烧类型。需要说明的是，燃烧类型是使用根据丙酮浓度判定的脂质代谢来进一步对根据体脂率和肌肉度指数分类后的各体型进行分类后得到的指标。
加权计算部48基于权重来对预测值进行加权计算，上述权重根据燃烧类型设定并且随着丙酮浓度升高而变大。在此，权重是身体组成向良好的方向变化的影响的大小的指标。身体组成向良好的方向变化例如是指体重减少、体脂率减小、以及肌肉量增加中的至少一个变化。在本实施方式中，对随着权重变大，身体组成向良好的方向变化的影响变大的情况进行说明。
此外，加权计算是使用权重对预测值(例如使用最小二乘法等计算出的预测值)进行校正的处理。
输出部50输出与加权计算后的预测值对应的信息。
需要说明的是，丙酮浓度取得部40、身体组成信息取得部42、预测值计算部44、燃烧类型判定部46、加权计算部48、以及输出部50的至少一个可以通过asic(applicationspecificintegratedcircuit：专用集成电路)等而由单独的硬件构成。
接着，作为本实施方式的作用，参照图4所示的流程图对在控制器16的cpu16a中执行的由身体组成变化预测程序实现的处理进行说明。需要说明的是，图4所示的处理在用户操作身体组成变化预测装置12的操作部20来指示身体组成变化预测程序的执行的情况下执行。需要说明的是，也可以通过检测用户的吹气来执行图4所示的处理。
在步骤s100中，丙酮浓度取得部40在显示部18显示促使用户向吹入口30吹出呼气的消息，来使用户向吹入口30吹出呼气。然后，取得半导体式气体传感器26的输出值，即丙酮浓度α。需要说明的是，刚刚开始吹气后的呼气中含有很多大气中的气体成分。因此，优选的是：在计算与脂肪的燃烧量关联的丙酮的浓度时，利用将大气中的气体成分完全排除后的后期呼气。即，优选的是：取得获得后期呼气的定时的半导体式气体传感器26的输出值。因此，优选的是：在检测到呼气的吹出的时间点，开始由计时部22进行的计时，取得经过了预定的时间(例如4秒)后的时间点的半导体式气体传感器26的输出值。
需要说明的是，对于是否吹出呼气的判定，例如只要取得压力传感器28的输出值，并判定所取得的压力传感器28的输出值是否为预定的阈值以上即可。
在步骤s102中，身体组成信息取得部42在显示部18显示促使用户测定身体组成信息的消息来测定身体组成信息，并从身体组成计29取得测定出的身体组成信息。在本实施方式中，作为一例，测定体重、体脂率、以及肌肉量来作为身体组成信息。需要说明的是，也可以通过无线通信或者有线通信，来取得使用其它装置例如智能手机的应用程序等输入或者得到的身体组成信息。
在步骤s104中，燃烧类型判定部46基于在步骤s100中取得的丙酮浓度α和在步骤s102中取得的身体组成信息，来判定用户的脂肪的燃烧类型。
具体而言，基于在步骤s102中取得的身体组成信息中的肌肉量m和用户的身高h，通过以下算式来计算肌肉量指数idx。用户的身高可以从身体组成计29取得，也可以使用户输入。需要说明的是，肌肉量指数是对以身高为基准的肌肉量的多少进行指标化的指数。
idx＝m/h2···(1)
需要说明的是，在上述算式(1)中，对h进行了平方运算，但并不限定于平方。此外，肌肉量指数idx例如呈图5所示的分布。
然后，基于在步骤s102中取得的身体组成信息中的体脂率％fat和肌肉量m，从分类后的多个体型中判定对应的1个体型。具体而言，使用图6所示的矩阵，判定与用户的体脂率％fat以及肌肉量m对应的体型与体型1～9中的哪个体型对应。
图7中示出了体型1～9的形象。如图6、7所示，体型1是隐藏性肥胖型，体型2是肥胖型，体型3是敦实型，体型4是运动不足型，体型5是标准型，体型6是肌肉质(1)型，体型7是痩型，体型8是纤细肌肉质型，体型9是肌肉质(2)型。需要说明的是，在图6的例子中，示出了体型为9种的情况，但体型的数量并不限定于此。
接着，基于在步骤s100中取得的丙酮浓度α和如上述那样判定出的体型，来判定燃烧类型。具体而言，使用图8所示的燃烧类型判定表来判定燃烧类型。图8所示的燃烧类型判定表是表示体型、丙酮浓度α、燃烧类型及建议、以及权重(体脂率、肌肉量)的对应关系的表数据。
作为一例，丙酮浓度被分为高(高)、标准(标)、低(低)这3个等级，根据体型与丙酮浓度α的组合来判定燃烧类型。例如在体型1(隐藏性肥胖型)且丙酮浓度“高”的情况下，燃烧类型被判定为“虽然此前生活的感觉很懒惰但今天正在燃烧！”。
在步骤s106中，输出部50在显示部18显示基于在步骤s104中判定出的燃烧类型的建议信息。例如如图8所示，在燃烧类型被判定为“虽然此前给人生活很懒惰的感觉但今天正在燃烧！”的情况下，在显示部18显示如下消息来作为建议信息：“虽然不胖但是是肌肉较少的“隐藏性肥胖”……，最近，要注意饮食。脂肪当前燃烧很好，代谢高。变苗条的机会来了！之后请摄取蛋白质再努力锻炼一下肌肉吧！”。
在步骤s108中，预测值计算部44判定是否预测今后的身体组成变化。例如在显示部18显示用于选择是否预测今后的身体组成变化的选择画面，来使用户选择是否预测今后的身体组成变化。然后，在选择预测今后的身体组成变化的情况下移至步骤s109，在选择不预测的情况下结束本例程。
在步骤s109中，预测值计算部44设定作为直至想要预测今后的身体组成变化的日子为止的天数的预测目标天数。具体而言，在显示部18显示设定预测目标天数的画面，来使用户输入预测目标天数。例如在想要预测1周后的身体组成信息的情况下，预测目标天数设为7天。
在步骤s110中，预测值计算部44判定本次是否是首次测定。例如在非易失性存储器16d中没有存储任何过去的身体组成信息(体重、体脂率、肌肉量)的测定结果的情况下，判定为本次是首次测定，移至步骤s118。另一方面，在非易失性存储器16d中存储有过去的身体组成信息的测定结果的情况下，判定为本次不是首次测定，移至步骤s112。需要说明的是，也可以将无法通过无线通信或者有线通信来获得使用其它装置例如智能手机的应用程序等输入或者取得的过去的身体组成信息的情况判定为首次测定，将能通过无线通信或者有线通信来取得过去的身体组成信息的情况判定为不是首次测定。
在步骤s112中，预测值计算部44判定过去的身体组成信息的测定结果是否在非易失性存储器16d中存储了预定的期间以上。例如，判定非易失性存储器16d中是否存储有过去的预定的期间以上(例如1周以上)的身体组成信息。然后，在非易失性存储器16d中存储有过去的预定的期间以上的身体组成信息的情况下移至步骤s114，在非易失性存储器16d中并未存储有过去的预定的期间以上的身体组成信息的情况下，即，在仅存储有不足预定的期间的身体组成信息的情况下，移至步骤s116。需要说明的是，优选的是：判定过去的身体组成信息的测定结果是否在非易失性存储器16d中存储了预定的期间以上且存储有预定的数据数以上。
在步骤s114中，执行图9所示的第一预测处理。
在步骤s200中，预测值计算部44使用最小二乘法，基于过去的身体组成信息以及预测目标天数，计算在步骤s109中设定的预测目标天数的身体组成信息(体重、体脂率、肌肉量)的预测值。
当将预测目标天数后的身体组成信息的预测值设为y’、将预测目标天数设为d时，预测值y’由以下算式来表示。
y’＝a0+a1×d···(2)
在此，截距a0、斜率a1可通过解以下的连立方程式而获得。
[算式1]
xi表示从起点日起第i天的天数。yi表示从起点日起第i天的身体组成信息。n表示在身体组成信息的测定次数为每1天1次的情况下，过去所测定身体组成信息的天数。起点日是过去的身体组成信息中最早的一天测定身体组成信息的日子。
若将上述算式(3)、(4)用截距a0、斜率a1的式子表示，则为以下算式。
[算式2]
因此，例如在想要使用过去30天的身体组成信息来获得30天后的身体组成信息的预测值y的情况下，将从30天前到当前为止的天数x1～x30、从30天前到当前为止的身体组成信息y1～y30代入上述算式(5)、(6)来计算截距a0、斜率a1，通过上述算式(2)来计算d天后的预测值y’。
在步骤s202中，加权计算部48使用与在图4的步骤s104中判定出的燃烧类型对应的权重，对在步骤s200中求出的预测值进行加权。例如在体型为“隐藏性肥胖型”且丙酮浓度为“高”的燃烧类型的情况下，如图8所示，关于体脂率的权重被设定为a1，关于肌肉量的权重被设定为b1。对体脂率的预测值乘以权重a1。此外，对肌肉量的预测值乘以权重b1。
需要说明的是，如图10所示，关于体脂率的权重a1～a27以及关于肌肉量的权重b1～b27在相同的体型内，会随着变为丙酮浓度高的燃烧类型而变大。其理由是：即便是相同的体型，脂质代谢量也会随着丙酮浓度升高而变大，所以对此进行考虑。此外，如图10所示，对关于体脂率的权重a1～a27以及关于肌肉量的权重b1～b27而言，作为一例，加权的变化幅度被分类为“大”、“中”、“小”这3个等级。
即，关于体脂率的权重按图6所示的肌肉量指数的分类(比平均低的一侧、平均、以及比平均高的一侧)，设定了不同的加权的变化幅度(大、中、以及小)。此外，各加权的变化幅度中最小的权重彼此(在变化幅度“大”的情况下为a27，在变化幅度“中”的情况下为a24，在变化幅度“小”的情况下为a21)是大致相同的大小(a27≈a24≈a21)。但是，各加权的变化幅度中最大的权重彼此(在变化幅度“大”的情况下为a7，在变化幅度“中”的情况下为a4，在变化幅度“小”的情况下为a1)随着变化幅度变大而权重变大(a7＞a4＞a1)。需要说明的是，相同的加权的变化幅度中的各权重随着体脂率升高而变大。其理由是：体脂越多则将来能减少的体脂的量越多，所以身体组成向良好的方向变化的影响大。
在图10的例子中，关于体脂率的权重a7～a9、a16～a18、a25～a27被分类为“大”，权重a4～a6、a13～a15、a22～a24被分类为“中”，权重a1～a3、a10～a12、a19～a21被分类为“小”。即，以肌肉量指数越高则加权的变化幅度越大的方式分类。其理由是：基础代谢量会随着肌肉量变多而变大，所以体脂容易减少。
然后，加权的变化幅度“大”的权重成(a7＞a8＞a9)＞(a16＞a17＞a18)＞(a25＞a26＞a27)的关系。此外，加权的变化幅度“中”的权重成(a4＞a5＞a6)＞(a13＞a14＞a15)＞(a22＞a23＞a24)的关系。并且，加权的变化幅度“小”的权重成(a1＞a2＞a3)＞(a10＞a11＞a12)＞(a19＞a20＞a21)的关系。即，参照图6、8、10可知，越是肌肉量指数高的体型则加权的变化幅度越大，并且，在相同的体型中丙酮浓度越高则权重越大。
此外，关于肌肉量的权重按图6所示的脂肪率的分类(比健康瘦的一侧、健康、以及比健康胖的一侧)，设定了不同的加权的变化幅度(大、中、以及小)。此外，各加权的变化幅度中最小的权重彼此(在变化幅度“大”的情况下为b21，在变化幅度“中”的情况下为b12，在变化幅度“小”的情况下为b3)是大致相同的大小(b21≈b12≈b3)。但是，各加权的变化幅度中最大的权重彼此(在变化幅度“大”的情况下为b25，在变化幅度“中”的情况下为b16，在变化幅度“小”的情况下为b7)随着所属的加权的变化幅度变大而变大(b25＜b16＜b7)。需要说明的是，相同的加权的变化幅度中的各权重随着肌肉度指数升高而变大。其理由是：肌肉量越多则基础代谢量越增加，所以身体组成向良好的方向变化的影响大。
在图10的例子中，关于肌肉量的权重b7～b9、b4～b6、b1～b3被分类为“小”，权重b16～b18、b13～b15、b10～b12被分类为“中”，权重b25～b27、b22～b24、b19～b21被分类为“大”。即，以体脂率越高则加权的变化幅度越小的方式分类。其理由是：脂肪会阻碍身体组成向良好的方向变化的由上述肌肉产生的影响。
然后，加权的变化幅度“小”的权重成(b7＞b8＞b9)＞(b4＞b5＞b6)＞(b1＞b2＞b3)的关系。此外，加权的变化幅度“中”的权重成(b16＞b17＞b18)＞(b13＞b14＞b15)＞(b10＞b11＞b12)的关系。并且，加权的变化幅度“大”的权重成(b25＞b26＞b27)＞(b22＞b23＞b24)＞(b19＞b20＞b21)的关系。即，参照图6、8、10可知，越是体脂率高的体型则加权的变化幅度越小，并且在相同的体型中丙酮浓度越高则权重越大。
在步骤s203中，加权计算部48基于丙酮浓度来计算每1天的脂肪燃烧量。需要说明的是，作为计算方法，可使用例如日本特开2016-75533号公报所记载的方法，但并不限定于此。然后，基于计算出的脂肪燃烧量，使用例如预定的校正式或者表数据对在步骤s202中进行了加权后的预测值加以校正。
在步骤s204中，预测值计算部44判定预测目标天数d是否是预定的阈值th(例如数十天)以上，如果预测目标天数d为阈值th以上则移至步骤s206，如果预测目标天数d小于阈值th则移至步骤s208。
在步骤s206中，预测值计算部44使用预定的以下所述的第一至第五至少一个长期校正式，对在步骤s203中校正后的预测值进行校正。
例如如果是数天前或1周前左右的短期的身体组成信息的预测，则能通过直线近似来预测，但在1个月以上的长期预测中，并不是一直持续直线的变化，变化变得缓慢而呈曲线。此外，呈曲线的原因与各种各样的要素存在复合关系，变化的方式也因年龄、性别、原来的体格等条件而异。
例如，由于体重变化，活动时对身体施加的负荷会变化，即使进行相同的行动，耗能也不同。鉴于此，包含作为用户信息的体重来作为参数，并使用考虑了由体重变化引起的耗能变化的第一长期校正式来校正预测值。
此外，由于体重变化，对支承身体、保持姿势的除脂肪组织的负荷会变化，除脂肪组织量自体也会变化。鉴于此，包含作为用户信息的体重来作为参数，并使用考虑了由除脂肪组织量变化引起的基础代谢量的第二长期校正式来校正预测值。
此外，根据生活习惯的差异，减重的趋势也不同，长此以往，会大幅影响行动意识的差异。鉴于此，例如在从未图示的活动计获得耗能等测定结果的情况下，包含作为用户信息的耗能来作为参数，并使用根据生活习惯的差异而考虑了减重的趋势的第三长期校正式来校正预测值。需要说明的是，活动计是能取得用户的步数量、运动量、活动量等的装置。
此外，基础代谢变化的趋势根据年龄而不同。例如年轻人和高龄人即便在相同的期间基础代谢的变化也不同。鉴于此，包含作为用户信息的年龄来作为参数，并使用考虑了由年龄引起的长期的基准基础代谢的变化的第四长期校正式来校正预测值。
此外，应该考虑由年龄增长引起的体重变化的趋势。鉴于此，包含作为用户信息的年龄来作为参数，并使用反映了国民营养调查的变化趋势的第五长期校正式来校正预测值。
需要说明的是，第一～第五长期校正式是使用统计方法导出的式子。
在步骤s208中，预测值计算部44以在步骤s206中校正后的预测值处于预定的范围内的方式修正预测值。即，如果预测值超过预定的上限值，则将预测值修正为上限值，如果预测值小于预定的下限值，则将预测值修正为下限值。在预测值处于预定的范围内的情况下不进行修正。由此，能防止长期校正后的预测值变为不现实的值。
在步骤s210中，输出部50在显示部18显示与预测值对应的建议信息。例如，从表示预测值与建议信息的对应关系的表数据中取得与预测值对应的建议信息，将其显示在显示部18。
在图4的步骤s116中，执行图11所示的第二预测处理。
在步骤s300中，预测值计算部44基于过去的身体组成信息，计算每1天的身体组成信息的变化量。例如在存在过去7天的身体组成信息的情况下，通过以下算式来计算每1天的身体组成信息的变化量δb。
δb＝δw/n···(7)
在此，δw是从过去的身体组成信息中的最早的身体组成信息到当前的身体组成信息为止的变化量。此外，n表示在如前述那样身体组成信息的测定次数是1天1次的情况下过去所测定身体组成信息的天数。
在步骤s302中，预测值计算部44通过对在步骤s300中计算出的每1天的身体组成信息的变化量δb乘以预测目标天数d，来计算预测值。
由于步骤s304～s312的处理与图9的步骤s202～s210同样，所以省略说明。这样，在步骤s112的判定结果为否时，执行第二预测处理(步骤s116)。其结果是，即便是在存储于非易失性存储器16d的过去的身体组成信息的测定结果不足预定的期间的情况下，预测值计算部44也能计算出预测值。
在图4的步骤s118中，执行图12所示的第三预测处理。
在步骤s400中，预测值计算部44输入日常的饮食趋势信息以及活动量信息。例如，在显示部18显示用于输入日常的饮食趋势信息以及活动量信息的输入画面，来使用户输入日常的饮食趋势信息以及活动量信息。输入画面例如通过问题形式来使用户选择回答。在此，日常的饮食趋势信息例如是指吃饭的规律性、吃饭的次数、吃饭的内容、吃饭的嗜好等。此外，活动量信息例如是指活动量自身、能推定活动量的信息等。
例如输入1天的吃饭的内容以及吃饭的量、是否吃甜食等嗜好信息等来作为饮食趋势信息。此外，例如输入1天的运动的内容以及量等来作为活动量信息。
在步骤s402中，预测值计算部44对与在步骤s400中输入的饮食趋势信息以及活动量信息有关的问题的回答打分，计算预测值。例如，预先将表示对问题的回答与分数的对应关系的表数据存储于预定的非易失性存储器16d，并使用该表数据来对与饮食趋势信息以及活动量信息有关的问题的回答打分。
然后，基于饮食趋势信息的分数以及活动量信息的分数，计算身体组成信息的预测值。例如，预先将表示饮食趋势信息的分数以及活动量信息的分数与身体组成信息的对应关系的表数据或者运算式存储于非易失性存储器16d，并使用该表数据或者运算式来求出身体组成信息的预测值。
由于步骤s404～s412的处理与图9的步骤s202～s210同样，所以省略说明。这样，在步骤s110的判定结果为是时，执行第三预测处理(步骤s118)。其结果是，即使是在非易失性存储器16d中并未存储有过去的身体组成信息的测定结果的情况下，即，即使是在身体组成信息的测定是首次的情况下，预测值计算部44也能计算预测值。
需要说明的是，在图9的第一预测处理中，例如可以在步骤s200后执行图11的步骤s300、s302的处理，以便基于在步骤s200中计算出的预测值和通过执行图11的步骤s300、s302的处理而计算出的预测值来计算最终的预测值。由此，能高精度地计算预测值。
此外，在图9的第一预测处理中，例如可以在步骤s200后执行图12的步骤s400、s402的处理，以便基于在步骤s200中计算出的预测值和通过执行图12的步骤s400、s402的处理而计算出的预测值来计算最终的预测值。由此，能高精度地计算预测值。
此外，在图11的第二预测处理中，例如可以在步骤s302后执行图12的步骤s400、s402的处理，以便基于在步骤s302中计算出的预测值和通过执行图12的步骤s400、s402的处理而计算出的预测值来计算最终的预测值。由此，能高精度地计算出预测值。
以下，对具体的计算例进行说明。
作为一例，对以身高160cm、体重54kg、年龄24岁的女性用户为对象来预测半年后(180天后)的体重、体脂率、以及肌肉量的情况进行说明。
上述的女性用户当前的丙酮浓度为1000ppb(高)，体脂率为28％(标准)，肌肉量为30kg(少)，过去的身体组成信息采用在过去3周内所测定的6次过去的身体组成信息。
该情况下，在图4的步骤s104的燃烧类型判定中，体型被判定为图8的“隐藏性肥胖型”，燃烧类型被判定为“此前生活懒惰，但今天正在燃烧！”。
然后，在步骤s106中，作为建议信息，在显示部18显示如下消息：“虽然不胖但肌肉较少是“隐藏性肥胖”……，最近要注意饮食。脂肪当前燃烧很好，代谢高。变苗条的机会来了！之后请摄取蛋白质再努力锻炼一下肌肉吧！”。
然后，当在步骤s108中判定为预测今后的身体组成变化、在步骤s110中判定为不是首次测定、在步骤s112中判定为过去的身体组成信息足够时，执行步骤s114的第一预测处理。
在第一预测处理中，在图9的步骤s200中，使用最小二乘法并通过上述算式(2)来计算半年后的体重、体脂、肌肉量的预测值。
然后，在步骤s202中，加权计算部48通过对各个预测值乘以根据在步骤s104中判定出的燃烧类型而设定的体脂率的权重a1、肌肉量的权重b1来进行加权计算。
接着，在步骤s203中，加权计算部48基于丙酮浓度计算每1天的脂肪燃烧量。在此，与丙酮浓度1000ppb对应的每1天的脂肪燃烧量例如被计算为300g/天。然后，基于计算出的脂肪燃烧量来校正在步骤s202中进行加权后的预测值。
接着，在步骤s206中，加权计算部48使用第一～第五长期校正式来对半年后的体重、体脂率、以及肌肉量进行校正。
其结果是，计算出女性用户半年后的体重为50kg，体脂率为20％，肌肉量为33kg，作为体型，判定为肌肉较多而紧致的标准体型，并显示在显示部18。
此外，例如也可以在显示部18显示如下消息：“※该预测结果以您的身体组成和脂质代谢测定结果的值为基础，实施考虑了以统计学的方式推断出的一般的长期变化趋势的预测计算。”。
这样，在本实施方式中，基于丙酮浓度以及当前的身体组成信息，判定用户的脂肪的燃烧类型，并基于根据燃烧类型而设定的权重来对将来的身体组成信息的预测值进行加权计算，所以能高精度地预测身体组成的变化。
此外，在预想的任意的将来的时间点是比规定的时间点靠后的时间点的情况下，使用长期校正式来对预测值进行校正，所以能高精度地预测长期的身体组成变化。
由此，能评价符合个人的生活状况的高精度的“将来的身体组成变化趋势”，容易进行减重目标的调整。而且，与以往那样根据单独评价酮体浓度的结果进行预测相比，能实现更长期的将来的身体组成变化预测，所以除了最近的减重目标以外，还能利用在立足于长远观点的易于努力的生活改善建议提示、以游戏的方式来娱乐的应用程序。
此外，根据基于丙酮浓度计算出的脂肪燃烧量来校正加权计算后的预测值，所以能高精度地预测反映了脂肪燃烧量的身体组成信息。
此外，基于从活动计取得的用户的耗能，使用长期校正式对加权计算后的预测值进行校正，所以能高精度地预测经过了长时间后的身体组成信息。
此外，在取得过去的身体组成信息的期间是预定的期间以上的情况下，基于过去的身体组成信息以及预测目标天数，使用对变化趋势进行近似的任意的方法来计算预测值，所以即便是在身体组成信息非线形变化的情况下，也能高精度地预测身体组成信息。
此外，计算过去的身体组成信息的每1天的变化量的平均值，并基于计算出的每1天的变化量的平均值和预测目标天数来计算预测值，所以即便是在过去的身体组成信息不足的情况下，也能预测身体组成信息。
此外，基于用户的饮食趋势信息以及活动量信息和预测目标天数来计算预测值，所以即便是在不存在过去的身体组成信息的情况下，也能预测身体组成信息。