JP7630184B2 - 運動効果を予測するシステムおよび方法 - Google Patents

運動効果を予測するシステムおよび方法 Download PDF

Info

Publication number
JP7630184B2
JP7630184B2 JP2023075150A JP2023075150A JP7630184B2 JP 7630184 B2 JP7630184 B2 JP 7630184B2 JP 2023075150 A JP2023075150 A JP 2023075150A JP 2023075150 A JP2023075150 A JP 2023075150A JP 7630184 B2 JP7630184 B2 JP 7630184B2
Authority
JP
Japan
Prior art keywords
exercise intensity
training
predicted
item
effect
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
JP2023075150A
Other languages
English (en)
Other versions
JP2024159278A (ja
Inventor
壮太 高橋
静江 増木
博 能勢
Original Assignee
特定非営利活動法人熟年体育大学リサーチセンター
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 特定非営利活動法人熟年体育大学リサーチセンター filed Critical 特定非営利活動法人熟年体育大学リサーチセンター
Priority to JP2023075150A priority Critical patent/JP7630184B2/ja
Publication of JP2024159278A publication Critical patent/JP2024159278A/ja
Application granted granted Critical
Publication of JP7630184B2 publication Critical patent/JP7630184B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Medical Treatment And Welfare Office Work (AREA)

Description

特許法第３０条第２項適用 令和 ４年 ９月２２日に、完全オンライン開催の第７７回日本体力医学会大会にてポスター発表 ［刊行物等］ 令和 ４年 ８月に、第７７回日本体力医学会大会事務局が発行する「第７７回日本体力医学会大会プログラム・予稿集」に掲載 ［刊行物等］ 令和４年９月１６日に、第７７回日本体力医学会大会のウェブサイト「ｈｔｔｐｓ：／／ｒｉｇｈｔ－ｓｔｕｆｆ．ｂｉｚ／ｊｓｐｆｓｍ７７／」に掲載 ［刊行物等］ 令和 ４年１１月２５日に、日本体力医学会編集委員会が発行する「Ｔｈｅ Ｊｏｕｒｎａｌ ｏｆ Ｐｈｙｓｉｃａｌ Ｆｉｔｎｅｓｓ ａｎｄ Ｓｐｏｒｔｓ Ｍｅｄｉｃｉｎｅ（ＪＰＦＳＭ）Ｖｏｌ．１１，Ｎｏ．６」に掲載 ［刊行物等］ 令和 ４年１１月２５日に、国立研究開発法人科学技術振興機構（Ｊ－ＳＴＡＧＥ）のウェブサイト「ｈｔｔｐｓ：／／ｗｗｗ．ｊｓｔａｇｅ．ｊｓｔ．ｇｏ．ｊｐ／ｂｒｏｗｓｅ／ｊｐｆｓｍ／１１／６／＿ｃｏｎｔｅｎｔｓ／－ｃｈａｒ／ｅｎ」に掲載
本発明は、運動効果を予測するシステムおよび方法に関するものである。
特許文献１には、決められた運動を一定期間継続して行なった場合に体重、筋力、血糖値などの測定値がどれだけ改善されるかを精度よく予測する運動効果予測システムが提案されている。この運動効果予測システムでは初期条件入力用画面に、運動が処方される前、もしくは、直近に測定した初期測定値と週平均速歩時間とを入力する。入力された初期測定値は、初期属性グループ判定手段によって、統計データに基づいて区分された初期属性グループのうちのいずれに属するか判定される。初期属性グループが判定されると、効果予測手段が、各初期属性グループに予め用意されている効果推定式に週平均速歩時間を代入して、約５ヶ月経過後の初期測定値の変化量（効果）を算出する。効果の算出に用いられる効果推定式は初期属性グループ毎に統計データを解析して得られたものである。
特開２００８－０７３３３９号公報
運動が体力向上や生活習慣病の予防に効果があることが知られている。一方、運動時間や、運動強度が体力の向上や生活習慣病の予防にどの程度の効果があるのかは明確になっているとは言えない。例えば、運動強度を上げることが体力の向上に役立つとしても、運動強度を上げ過ぎることによる危険やディメリットも知られており、一方、運動強度を上げなければ効果が得られない可能性もある。また、運動強度を上げても運動時間が不足すれば効果が得られない可能性もあり、ユーザーの現状および将来（目標）に適した運動処方を適切に提供することが重要となっている。
本発明の一態様は、所定の強度に達している時間が、週平均で所定の時間に達している運動を行うトレーニングを継続したときの効果を予測するシステムである。本願の発明者らは、このトレーニングを継続したユーザーの運動効果を解析することにより、体力向上または生活習慣病改善に関わる予測対象項目の効果について、運動強度に依存する項目（運動強度依存群）と、運動強度に依存しない項目（運動強度非依存群）とがあることを見出した。なお、本明細書において「運動強度に依存しない」または「運動強度非依存」という定義は、運動強度が、対象としているトレーニングとして規定されている運動の「所定の強度」に達しており、この「所定の強度」以上の運動強度に依存しない、または、非依存であることを意味する。
この新たな見地に基づいて、本発明のシステムは、体力向上または生活習慣病改善に関わる予測対象項目を取得する入力インターフェイスと、予測対象項目が運動強度依存群に含まれていれば、入力インターフェイスを介して、予測対象項目のユーザーの初期特性と、トレーニングの継続中に予定している週平均時間と、トレーニングの継続中に予定している運動強度とを少なくとも取得して、初期特性、週平均時間および運動強度を少なくとも要素として含む運動強度依存の推定式を用いてトレーニングを所定の期間継続した後の予測対象項目の予測効果を出力する第１の予測ユニットと、予測対象項目が運動強度非依存群に含まれていれば、入力インターフェイスを介して、予測対象項目のユーザーの初期特性と、トレーニングの継続中に予定している週平均時間とを少なくとも取得して、初期特性および週平均時間を少なくとも要素として含む運動強度非依存の推定式を用いてトレーニングを所定の期間継続した後の予測対象項目の予測効果を出力する第２の予測ユニットとを有する。
さらに、発明者らは、運動強度依存群の予測対象項目の効果にはユーザーの性別が関連することを見出した。したがって、第１の予測ユニットは、入力インターフェイスを介して、ユーザーの性別を取得して、性別、初期特性、週平均時間および運動強度を少なくとも要素として含む運動強度依存の推定式を用いてトレーニングを所定の期間継続した後の予測対象項目の予測効果を出力してもよい。
運動強度依存群に含まれる予測対象項目の一例は、最高酸素摂取量、体格指数および最低血圧であり、運動強度非依存群に含まれる予測対象項目の一例は、血糖値、ＨＤＬコレステロールおよび動脈硬化指数である。トレーニングの一例は、所定の強度を最高酸素摂取量の７０％、週平均の所定の時間を６０分に設定したインターバル速歩トレーニングである。
このシステムは、さらに、予測対象項目が運動強度依存群に含まれる場合は、ユーザーに対し、予測効果が運動強度に依存することを含む情報を提供する第１のインターフェイスを含んでもよい。また、システムは、予測対象項目が運動強度非依存群に含まれる場合は、ユーザーに対し、予測効果が運動強度に依存しないことを含む情報を提供する第２のインターフェイスを含んでもよい。ユーザーに対し、予測対象項目の効果が運動強度に依存するか否かを明示する、例えば、運動強度の入力項目を明示的に追加したり、省いたり、あるいは情報として運動強度に依存または依存しないことを明示することにより、ユーザーが積極的に運動強度を上げたり、または、むやみに運動強度を上げないように促すことが可能となる。
本発明の他の態様の１つは、所定の強度に達している時間が、週平均で所定の時間に達している運動を行うトレーニングを継続したときの効果を、効果予測システムを用いて予測する方法である。効果予測システムは、体力向上または生活習慣病改善に関わる予測対象項目を取得する入力インターフェイスと、運動強度依存群に含まれる予測対象項目に対し、予測対象項目のユーザーの初期特性と、トレーニングの継続中に予定している週平均時間と、トレーニングの継続中に予定している運動強度とを少なくとも要素として含む運動強度依存の推定式を格納しており、運動強度非依存群の予測対象項目に対し、初期特性と、週平均時間とを少なくとも要素として含む運動強度非依存の推定式を格納しているライブラリとを有する。
当該方法は、予測対象項目が運動強度依存群に含まれていれば、入力インターフェイスを介して初期特性、週平均時間および運動強度を少なくとも取得し、それらを少なくとも要素として含む運動強度依存の推定式を用いてトレーニングを所定の期間継続した後の運動強度依存群の予測対象項目の予測効果を出力することと、予測対象項目が運動強度非依存群に含まれていれば、入力インターフェイスを介して初期特性と、週平均時間とを少なくとも取得し、それらを少なくとも要素として含む運動強度非依存の推定式を用いてトレーニングを所定の期間継続した後の運動強度非依存群の予測対象項目の予測効果を出力することとを有する。
ライブラリは、運動強度依存群に含まれる予測対象項目に対し、ユーザーの性別と、予測対象項目のユーザーの初期特性と、トレーニングの継続中に予定している週平均時間と、トレーニングの継続中に予定している運動強度とを少なくとも要素として含む運動強度依存の推定式を格納していてもよい。運動強度依存群の予測対象項目の予測効果を出力することは、性別、初期特性、週平均時間および運動強度を少なくとも要素として含む運動強度依存の推定式を用いてトレーニングを所定の期間継続した後の予測対象項目の予測効果を出力することを含んでもよい。
この方法は、予測対象項目が運動強度依存群に含まれる場合は、ユーザーに対し、予測効果が運動強度に依存することを含む情報を提供することを含んでもよく、予測対象項目が運動強度非依存群に含まれる場合は、ユーザーに対し、予測効果が運動強度に依存しないことを含む情報を提供することを含んでもよい。
本発明の他の態様の１つは、所定の強度に達している時間が、週平均で所定の時間に達している運動を行うトレーニングを継続したときの効果を予測する方法であって、以下のステップを有する方法である。
・体力向上または生活習慣病改善に関わる予測対象項目を取得すること。
・予測対象項目が運動強度依存群に含まれていれば、入力インターフェイスを介して、予測対象項目のユーザーの初期特性と、トレーニングの継続中に予定している週平均時間と、トレーニングの継続中に予定している運動強度とを少なくとも取得して、初期特性、週平均時間および運動強度を少なくとも要素として含む運動強度依存の推定式を用いてトレーニングを所定の期間継続した後の前記予測対象項目の予測効果を出力すること。
・予測対象項目が運動強度非依存群に含まれていれば、入力インターフェイスを介して、予測対象項目のユーザーの初期特性と、トレーニングの継続中に予定している週平均時間とを少なくとも取得して、初期特性および週平均時間を少なくとも要素として含む運動強度非依存の推定式を用いてトレーニングを所定の期間継続した後の予測対象項目の予測効果を出力すること。
本発明の他の態様の１つは、コンピュータにより、所定の強度に達している時間が、週平均で所定の時間に達している運動を行うトレーニングを継続したときの効果を予測するプログラムであり、コンピュータが、体力向上または生活習慣病改善に関わる予測対象項目を取得することと、予測対象項目が運動強度依存群に含まれていれば、入力インターフェイスを介して、予測対象項目のユーザーの初期特性と、トレーニングの継続中に予定している週平均時間と、トレーニングの継続中に予定している運動強度とを少なくとも取得して、初期特性、週平均時間および運動強度を少なくとも要素として含む運動強度依存の推定式を用いてトレーニングを所定の期間継続した後の予測対象項目の予測効果を出力することと、予測対象項目が運動強度非依存群に含まれていれば、入力インターフェイスを介して、予測対象項目のユーザーの初期特性と、トレーニングの継続中に予定している週平均時間とを少なくとも取得して、初期特性および週平均時間を少なくとも要素として含む運動強度非依存の推定式を用いてトレーニングを所定の期間継続した後の予測対象項目の予測効果を出力することとを実行するための命令を有する。
運動効果予測システムの概要を示すブロック図。 インターバル速歩トレーニングの概要を示す図。 インターバル速歩トレーニングの膝伸展筋力、膝屈曲筋力、持久力指数（最高酸素摂取量）に関する効果を示す図。 インターバル速歩トレーニングの最高血圧および最低血圧に関する効果を示す図。 解析の流れを示すフローチャート。 決定因子同定群および精度検証群に含まれる被験者の特性値を示す図。 解析により得られた推定式を示す図。 最高酸素摂取量変化ΔＶＯ２ｐｅａｋ、体格指数変化ΔＢＭＩ、最低血圧変化ΔＤＢＰ、血糖値変化ΔＦＢＧ、血中コレステロール変化ΔＨＤＬ、動脈硬化指数変化Δ（ＬＤＬ／ＨＤＬ）の総歩行時間を独立変数に含めた解析結果。 最高酸素摂取量変化ΔＶＯ２ｐｅａｋ、体格指数変化ΔＢＭＩ、最低血圧変化ΔＤＢＰ、血糖値変化ΔＦＢＧ、血中コレステロール変化ΔＨＤＬ、動脈硬化指数変化Δ（ＬＤＬ／ＨＤＬ）の週速歩時間を独立変数に含めた解析結果。 最高酸素摂取量変化ΔＶＯ２ｐｅａｋ、体格指数変化ΔＢＭＩ、最低血圧変化ΔＤＢＰ、血糖値変化ΔＦＢＧ、血中コレステロール変化ΔＨＤＬ、動脈硬化指数変化Δ（ＬＤＬ／ＨＤＬ）の週速歩時間および速歩の運動強度を独立変数に含めた解析結果。 体格指数変化ΔＢＭＩ、最低血圧変化ΔＤＢＰ、血糖値変化ΔＦＢＧ、血中コレステロール変化ΔＨＤＬ、動脈硬化指数変化Δ（ＬＤＬ／ＨＤＬ）の推定最高酸素摂取量変化ΔＶＯ２ｐｅａｋを独立変数に含めた解析結果。 最高酸素摂取量変化ΔＶＯ２ｐｅａｋの運動強度を独立変数として含む推定式の決定因子同定群（ａ）と精度検証群（ｂ）との実測値と推定値との評価結果。 最高酸素摂取量変化ΔＶＯ２ｐｅａｋの運動強度を独立変数として含まない推定式の決定因子同定群（ａ）と精度検証群（ｂ）との実測値と推定値との評価結果。 体格指数変化ΔＢＭＩの推定式の決定因子同定群（ａ）と精度検証群（ｂ）との実測値と推定値との評価結果。 最低血圧変化ΔＤＢＰの推定式の決定因子同定群（ａ）と精度検証群（ｂ）との実測値と推定値との評価結果。 血糖値変化ΔＦＢＧの推定式の決定因子同定群（ａ）と精度検証群（ｂ）との実測値と推定値との評価結果。 血中コレステロール変化ΔＨＤＬの推定式の決定因子同定群（ａ）と精度検証群（ｂ）との実測値と推定値との評価結果。 動脈硬化指数変化Δ（ＬＤＬ／ＨＤＬ）の推定式の決定因子同定群（ａ）と精度検証群（ｂ）との実測値と推定値との評価結果。 効果予測システムの処理の概要を示すフローチャート。
図１に、所定のトレーニングを継続したときの効果を予測するシステムの一例を示している。このシステム１では、ユーザー６がＰＣ、スマートホンなどの端末５を用いて、インターネット９を介して運動効果予測情報を提供するサービスを行っているプロバイダのサーバー（運動効果予測情報提供システム、効果予測システム）１０にアクセスし、所定のユーザーの情報（ユーザー情報）７を入力することにより、運動効果予測情報８を取得する。効果予測システム１０が提供する運動効果予測は、所定の強度に達している時間が、週平均で所定の時間に達している運動を行うトレーニングを継続したときの予測効果であり、トレーニングの一例は、所定の強度を最高酸素摂取量の７０％、週平均の所定の時間を６０分以上に設定したインターバル速歩トレーニング（以降、インターバル速歩）である。
効果予測システム（情報提供システム）１０は、ＣＰＵ、メモリなどのコンピュータ資源を含む。効果予測システム１０は、ユーザー情報７を取得し、予測効果情報８を提供する入出力インターフェイス１５を含む。ユーザー情報７は、体力向上または生活習慣病改善に関わる予測対象項目を含む。情報提供システム１０は、それぞれの予測対象項目に対して運動効果を予測するための推定式を格納したライブラリ２０を含む。ライブラリ２０は、運動強度依存群２１に含まれる予測対象項目に対し、予測対象項目のユーザーの初期特性と、トレーニングの継続中に予定している週平均時間と、トレーニングの継続中に予定している運動強度とを少なくとも要素として含む運動強度依存の推定式と、運動強度非依存群２２の予測対象項目に対し、初期特性と、週平均時間とを少なくとも要素として含む運動強度非依存の推定式とを格納している。
運動強度依存群２１に含まれる予測対象項目の一例は最高酸素摂取量、体格指数および最低血圧であり、ライブラリ２０は、最高酸素摂取量の予測効果として最高酸素摂取量変化ΔＶＯ２ｐｅａｋ、体格指数の予測効果として体格指数変化ΔＢＭＩ、および最低血圧の予測効果として最低血圧変化ΔＤＢＰをそれぞれ推定する推定式を含む。
運動強度非依存群２２に含まれる予測対象項目の一例は、血糖値、ＨＤＬコレステロールおよび動脈硬化指数であり、ライブラリ２０は、血糖値の予測効果として血糖値変化ΔＦＢＧ、ＨＤＬコレステロールの予測効果としてＨＤＬコレステロール変化ΔＨＤＬ、および動脈硬化指数の予測効果として動脈硬化指数変化Δ（ＬＤＬ／ＨＤＬ）をそれぞれ推定する推定式を含む。なお、本明細書において、運動強度非依存とは、トレーニングとしての効果を得るために規定されている所定の強度での運動は実施されており、トレーニングの効果が所定の強度を上回る運動強度には依存しないことを意味しており、所定の強度以下の運動強度を許容しているものではない。
効果予測システム１０は、運動強度依存群２１の対象項目の予測効果を、推定式を用いて予測する第１の予測ユニット１１と、運動強度非依存群２２の対象項目の予測効果を、推定式を用いて予測する第２の予測ユニット１２とを含む。第１の予測ユニット１１は、予測対象項目が運動強度依存群２１に含まれていれば、入出力インターフェイス１５を介して、予測対象項目のユーザーの初期特性と、トレーニングの継続中に予定している週平均時間と、トレーニングの継続中に予定している運動強度とを含むユーザー情報７を取得し、それらを要素として含む運動強度依存群２１の推定式を用いてトレーニングを所定の期間、本例では５か月間継続した後の予測対象項目の予測効果を出力する。第２の予測ユニット１２は、予測対象項目が運動強度非依存群２２に含まれていれば、入力インターフェイス１５を介して、予測対象項目のユーザーの初期特性と、トレーニングの継続中に予定している週平均時間とを取得して、それらを要素として含む運動強度非依存群２２の推定式を用いてトレーニングを所定の期間継続した後の予測対象項目の予測効果を出力する。
運動強度依存群２１の推定式はユーザーの性別Ｓを要素として含んでいてもよく、その場合は、第１の予測ユニット１１は、入力インターフェイス１５を介して、ユーザーの性別Ｓを含めたユーザー情報７を取得し、それらを含む運動強度依存群２１の推定式を用いてトレーニングを所定の期間継続した後の予測対象項目の予測効果を出力する。
入出力インターフェイス１５は、予測対象項目が運動強度依存群に含まれる場合は、ユーザーに対し、予測効果が運動強度に依存することを含む情報を提供する第１のインターフェイス１６と、予測対象項目が運動強度非依存群に含まれる場合は、ユーザーに対し、予測効果が運動強度（トレーニングとして要求される所定の運動強度（最低限の運動強度）以上の運動強度）に依存しないことを含む情報を提供する第２のインターフェイス１７とを含む。これらのインターフェイス１６および１７は、ユーザー６に対し、予測対象項目の予測効果が運動強度（トレーニングとして要求される所定の運動強度（最低限の運動強度）以上の運動強度）に依存するか否かを明示する、例えば、これらのインターフェイス１６および１７は、運動強度の入力項目を明示的に追加したり、省いたり、あるいは情報として運動強度に依存または依存しないことを明示することにより、ユーザー６が予測効果を得るために積極的に運動強度を上げたり、または、むやみに運動強度を上げないように促すようにする。第１のインターフェイス１６または第２のインターフェイス１７のみを設けておいてもよい。
図２に、インターバル速歩トレーニング（ＩＷＴ）の概要を示している。インターバル速歩トレーニングは、所定の強度（運動強度）を最高酸素摂取量ＶＯ２ｐｅａｋの７０％、週平均の所定の時間を６０分以上に設定したトレーニングである。図２に示すように、所定の強度以下の歩行と、所定の強度以上の速歩とを適当な間隔、例えば５分間隔で繰り返し、一日１５分を、週４日以上を継続することにより、一週間の速歩の平均（週平均時間）で６０分以上とするトレーニングである。したがって、この効果予測システム１０のユーザー情報７に含まれる、ユーザー６が予定している週平均時間（予定週平均時間）Ｗａはインターバル速歩トレーニングの速歩の週平均時間であり、トレーニングの継続中に予定している運動強度（予定運動強度）Ｗｉはインターバル速歩トレーニングの速歩の最高酸素摂取量ＶＯ２ｐｅａｋに対する割合である。このため、ユーザー情報７に含まれる週平均時間Ｗａは６０分以上が想定され、運動強度Ｗｉは７０％以上が想定される。
トレーニングの指標となる最高酸素摂取量ＶＯ２ｐｅａｋの値はいくつかの方法で推定できることが知られている。もちろん、自転車エルゴメーター、トレッドミルなどの体力測定用の機器を用いた呼気ガス分析法であってもよい。最高酸素摂取量ＶＯ２ｐｅａｋを求める１つの手法は３段階ステップアップ歩行法であり、安静、ゆっくり歩行、中くらい歩行、および最速歩行を、３分間ずつ段階的に負荷をあげ、最速歩行の最後の３分間のエネルギー消費量（酸素摂取量）を３軸の加速度計と高度計の出力から求める方法である。最高酸素摂取量の測定を著しく簡便にすることができ、十分な精度で体力を測定できる。歩行時の単位時間当たりの酸素摂取量ｅＶＯ２Ｗは以下の式で推定することができる。歩行中の酸素摂取量の推定値ｅＶＯ２Ｗを求める推定式（７）については、本願の発明者らの「Yamazaki T, Gen-no H, Kamijo Y, Okazaki K, Masuki S, and Nose H. A new device to estimate VO2 during incline walking by accelerometry and barometry. Med Sci Sports Exerc, 41: 2213-2219, 2009」に開示されている。
ｅＶＯ２Ｗ＝ｗ１・ＶＭ＋ｗ２・Ｈｕ＋ｗ３・Ｈｄ・・・（１）
ＶＭは３軸加速度センサーのベクトルノルム、すなわち、各方向の加速度を累積した単位時間当たりの累積加速度（Ｇ／ｍｉｎ、Ｇは重力加速度）であり、Ｈｕは単位時間当たりの上昇量（上昇速度、ｍ／ｍｉｎ）であり、Ｈｄは単位時間当たりの下降量（下降速度、ｍ／ｍｉｎ）である。気圧計を用いた場合は、上昇速度および下降速度Ｈ（単位時間当たりの上昇量および下降量）である。ｗ１、ｗ２およびｗ３は係数である。
インターバル速歩トレーニングにおける酸素摂取量ＶＯ２の値（推定値）および速歩時間は、ユーザー６に装着する計測器２またはスマートホンのアプリなどにより自動的に記録することができる。したがって、ユーザー６は、自己が設定した（予定した）週平均時間Ｗａと運動強度Ｗｉとを満足するようにインターバル速歩トレーニングを実行することができる。
図３および図４に、発明者らが確認した、インターバル速歩トレーニングを５か月継続したときの体力向上および生活習慣病改善についての変化の一例を示している。白が男性の傾向を示し、斜線が女性の傾向を示し、黒が全体の傾向を示している。インターバル速歩トレーニングは、体力向上および生活習慣病改善に関わる項目、例えば、図示している膝伸展筋力、膝屈伸筋力、持久力指数、最高血圧および最低血圧について効果が見られ、従来効果があるといわれている一日一万歩の運動をするよりも運動効果が高いことがわかる。
発明者らの解析によると、中高年者を対象とした５か月間のインターバル速歩トレーニング（ＩＷＴ）は、最高酸素摂取量ＶＯ２ｐｅａｋを平均１０％向上し、生活習慣病の症状を２０％改善する。さらに、本発明においては、個々の被験者の初期特性、インターバル速歩トレーニング中の運動の強度や量などが効果にどの程度影響しているかを明らかにした。すなわち、インターバル速歩トレーニングの効果を決定する因子を同定し、その信頼性を検証した。
図５に、解析の流れを示している。２００５年から２０１６年にインターバル速歩トレーニングを行う事業（本事業）に入会された参加者のうち、決定因子同定群として、２００５年に本事業に入会し、５か月間インターバル速歩トレーニングを実施した中高年者４８５名（～６４歳、決定因子同定群）において、被験者の初期特性と介入中の運動の強度と量を独立変数の候補とし、各効果パラメータを従属変数とした重回帰分析を行い、同分析による推定値と実測値の間で最も高い相関が得られる独立変数を同定した（解析１）。さらに、２００６－２０１６年に本事業に入会した５か月間インターバル速歩トレーニングを実施した別の中高年者６０９名（～６５歳、精度検証群）を対象に、その信頼性を検証した（解析２）。
図６に、解析対象とした決定因子同定群および精度検証群の被験者の各特性値のトレーニング前（ｐｒｅ）、トレーニング後（ｐｏｓｔ）および変化量（Δ）の平均値を示している。最高酸素摂取量ＶＯ２ｐｅａｋ、体格指数ＢＭＩ、最低血圧ＤＢＰ、血糖値ＦＢＧ、ＨＤＬコレステロールＨＤＬおよび動脈硬化指数（ＬＤＬ／ＨＤＬ）を対象として、決定因子同定群の５か月間の変化量を解析（解析１）して回帰式を求めたところ、すべての効果決定因子としてそれらの初期値が関与した。さらに、最高酸素摂取量ＶＯ２ｐｅａｋと体格指数ＢＭＩでは速歩時の強度と量、血糖値ＦＢＧ、ＨＤＬおよび動脈硬化指数（ＬＤＬ／ＨＤＬ）では速歩の量、また、最低血圧ＤＢＰではインターバル速歩トレーニングによる最高酸素摂取量の変化量ΔＶＯ２ｐｅａｋが決定因子として同定された。また、精度検証群において、決定因子同定群で求めた各回帰式を用いた推定値と実測値から９５％予測区間を求めたところ（解析２）、決定因子同定群のそれらとほぼ一致した。
したがって、最高酸素摂取量ＶＯ２ｐｅａｋ、体格指数ＢＭＩ、最低血圧ＤＢＰ、血糖値ＦＢＧ、ＨＤＬコレステロールＨＤＬおよび動脈硬化指数（ＬＤＬ／ＨＤＬ）について、インターバル速歩トレーニングを継続した５か月後の変化（Δ、運動効果）を推定（予測）することが可能であることが判明した。すなわち、運動効果としての最高酸素摂取量変化ΔＶＯ２ｐｅａｋ、体格指数変化ΔＢＭＩ、最低血圧変化ΔＤＢＰ、血糖値変化ΔＦＢＧ、ＨＤＬコレステロール変化ΔＨＤＬおよび動脈硬化指数変化Δ（ＬＤＬ／ＨＤＬ）としたときに、それらの予測対象項目の効果を予測するために適した所定のユーザー情報７を取得することにより、その運動効果を予測（推定）できることを見出した。
図７に、トレーニングにより変化する運動効果（予測対象項目）の推定式（予測式）を示している。最高酸素摂取量変化ΔＶＯ２ｐｅａｋ、および体格指数変化ΔＢＭＩの推定式は、性別Ｓ（男性＝１、女性＝０）、初期値（初期特性）、週速歩時間（週平均時間）Ｗａ、および速歩の運動強度Ｗｉを決定因子（パラメータ）として含む。最低血圧変化ΔＤＢＰの推定式は、初期値（初期特性）、および上記において推定された最高酸素摂取量変化ΔＶＯ２ｐｅａｋを決定因子（パラメータ）として含む。血糖値変化ΔＦＢＧ、ＨＤＬコレステロール変化ΔＨＤＬ、および動脈硬化指数変化Δ（ＬＤＬ／ＨＤＬ）の推定式は、初期値（初期特性）、および週速歩時間（週平均時間）Ｗａを決定因子（パラメータ）として含むことが分かった。したがって、予測対象項目の運動効果として、最高酸素摂取量変化ΔＶＯ２ｐｅａｋ、体格指数変化ΔＢＭＩ、および最低血圧変化ΔＤＢＰは運動強度依存群２１に含まれ、血糖値変化ΔＦＢＧ、ＨＤＬコレステロール変化ΔＨＤＬ、および動脈硬化指数変化Δ（ＬＤＬ／ＨＤＬ）は運動強度非依存群２２に含まれることが分かった。
図８ないし図１１に、各対象項目の運動効果の推定式（重回帰式）における決定因子を同定する過程を示している。決定因子同定群に含まれる被験者の初期値とトレーニング実績から、各測定パラメータ（各予測対象項目）のトレーニング前後の変化量（Δ、運動効果）を決定する因子を同定した。重回帰式の一例は以下の式（２）の通りである。
ｙｊ＝ａ（ｊ，１）・ｘ１＋ａ（ｊ，２）・ｘ２＋・・・
＋ａ（ｊ，ｉ）・ｘｉ＋ｃｊ （２）
ここで、独立変数ｘｉの候補は、年齢、性別、各測定パラメータの初期値、５か月間のトレーニング実績（週総歩行時間、週速歩時間、速歩運動強度）、最高酸素量変化(ΔＶＯ２ｐｅａｋ)である。従属変数ｙｊは、各測定パラメータのトレーニング前後における変化量（ΔＶＯ２ｐｅａｋ、体格指数（ΔＢＭＩ）、最高血圧（ΔＳＢＰ）、最低血圧（ΔＤＢＰ）、平均血圧（ΔＭＢＰ）、血糖値（ΔＦＢＧ）、血中コレステロール（ΔＨＤＬ,ΔＬＤＬ）、血中中性脂肪（ΔＴＧ）、動脈硬化指数（Δ（ＬＤＬ/ＨＤＬ））である。
次に、それぞれの従属変数について、独立変数の候補を回帰式に代入し、求めた推定値と実測値との間の相関係数（ｒ）が有意で、しかも最も高い値を示すａ（ｊ,ｉ）を決定した。さらに、推定値と実測値間の以下の一次回帰式（式（３））を決定し、その推定式の信頼性について９５％予測区間を算出した。
ｙｉ‘＝ｍｊ・ｙｊ＋ｎｊ （３）
なお、推定値と実測値との間のＢｌａｎｄ－Ａｌｔｍａｎ解析を行ったところ、誤差に偏りが生じたためＸ軸、Ｙ軸の両方のバラつきを考慮したＢｒａｃｅ法により推定値を補正した。
図８に従属変数（変化量）として５か月トレーニングを行った後の、最高酸素摂取量変化ΔＶＯ２ｐｅａｋ、体格指数変化ΔＢＭＩ、最低血圧変化ΔＤＢＰ、血糖値変化ΔＦＢＧ、血中コレステロール変化ΔＨＤＬ、動脈硬化指数変化Δ（ＬＤＬ／ＨＤＬ）を選択したときの、総歩行時間を独立変数に含めた解析結果を示し、図９に週速歩時間を独立変数に含めた解析結果を示し、図１０に週速歩時間および速歩の運動強度を独立変数に含めた解析結果を示し、図１１に推定最高酸素摂取量変化ΔＶＯ２ｐｅａｋを独立変数に含めた解析結果を示す。
最高酸素摂取量変化ΔＶＯ２ｐｅａｋについては、性別、初期値、総週歩行時間、週速歩時間および速歩の運動強度に対して相関が認められるが、性別、初期値、週速歩時間および速歩の運動強度を独立変数とした推定式が最も精度が高いことが分かった。体格指数変化ΔＢＭＩについては、性別、初期値、総週歩行時間、週速歩時間、速歩の運動強度、推定最高酸素摂取量変化に対して相関が認められるが、性別、初期値、週速歩時間および速歩の運動強度を独立変数とした推定式が最も精度が高いことが分かった。最低血圧変化ΔＤＢＰについては初期値、週速歩時間、推定最高酸素摂取量変化に対して相関が認められるが、初期値および推定最高酸素摂取量変化を独立変数とした推定式が最も精度が高いことが分かった。なお、最高酸素摂取量変化ΔＶＯ２ｐｅａｋを推定するためには運動強度が必要となるため、最低血圧変化ΔＤＢＰも運動強度依存群２１に含まれる。
血糖値変化ΔＦＢＧ、血中コレステロール変化ΔＨＤＬ、および動脈硬化指数変化Δ（ＬＤＬ／ＨＤＬ）については、初期値および週速歩時間に対して相関が認められるが、その他のパラメータについての相関は認めらなかった。したがって、これらの変化量（運動効果、予想対象項目）は運動強度非依存群２２に含まれる。
図８ないし図１１に、それぞれの独立変数に対する係数の９５％信頼区間の値を合わせて示しており、それぞれの予想対象項目ついての推定式としては以下を採用できる。ただし、Ｓは性別（男性＝１，女性＝０）、Ｗａは週平均時間（週速歩時間、ｍｉｎ／ｗｅｅｋ）、Ｗｉは運動強度（速歩の運動強度、％ＶＯ２ｐｅａｋ）である。対象項目の初期値は、推定対象のユーザーのトレーニング開始時の対象項目の値、例えば、トレーニング開始時の最高酸素摂取量である。なお、各係数の単位については省略するが、独立変数および従属変数に合致するものである。
最高酸素摂取量変化ΔＶＯ２ｐｅａｋ（ｍｌ／ｋｇ／ｍｉｎ）
ΔＶＯ２ｐｅａｋ＝ａ１１・Ｓ＋ａ１２・ＶＯ２ｐｅａｋ初期値＋ａ１３・Ｗａ
＋ａ１４・Ｗｉ＋ｃ１ （１１）
－１．８７３＜ａ１１＜－０．４９５
－０．３０１＜ａ１２＜－０．１４９
０．００６＜ａ１３＜ ０．０１４
０．０９１＜ａ１４＜ ０．１５２
－６．４６９＜ｃ１ ＜ ０．５４２
なお、各係数の中央値は図７に示した通りである。以下の係数についても同様である。
体格指数変化ΔＢＭＩ（ｋｇ／ｍ２）
ΔＢＭＩ＝ａ２１・Ｓ＋ａ２２・ＢＭＩ初期値＋ａ２３・Ｗａ＋ａ２４・Ｗｉ
＋ｃ２ （１２）
０．０５１＜ａ２１＜ ０．３０６
－０．０７９＜ａ２２＜－０．０４１
－０．００３＜ａ２３＜－０．００１
－０．０１１＜ａ２４＜－０．００１
１．０１４＜ｃ２ ＜ ２．２２７
最低血圧変化ΔＤＢＰ（ｍｍＨｇ）
ΔＤＢＰ＝ａ３２・ＤＢＰ初期値＋ａ３５・ΔＶＯ２ｐｅａｋ＋ｃ３ （１３）
－０．５６４＜ａ３２＜－０．４２７
－０．６５７＜ａ３５＜－０．０７２
３１．５８７＜ｃ３ ＜４２．６１２
血糖値変化ΔＦＢＧ（ｍｇ／ｄｌ）
ΔＦＢＧ＝ａ４２・ＦＢＧ初期値＋ａ４３・Ｗａ＋ｃ４ （１４）
－０．２５６＜ａ４２＜－０．１５０
－０．０２９＜ａ４３＜－０．００５
１３．４８３＜ｃ４ ＜２５．２６１
血中コレステロール変化ΔＨＤＬ（ｍｇ／ｄｌ）
ΔＨＤＬ＝ａ５２・ＨＤＬ初期値＋ａ５３・Ｗａ＋ｃ５ （１５）
－０．１４７＜ａ５２＜－０．０５８
０．００２＜ａ５３＜ ０．０１７
３．８２９＜ｃ５ ＜ ９．９８９
動脈硬化指数変化Δ（ＬＤＬ／ＨＤＬ）
Δ（ＬＤＬ／ＨＤＬ）＝ａ６２・（ＬＤＬ／ＨＤＬ）初期値＋ａ６３・Ｗａ
＋ｃ６ （１６）
－０．１７０＜ａ６２＜－０．０７９
－０．００１＜ａ６３＜ ０．０００
０．１２４＜ｃ６ ＜ ０．３４３
次に、解析２において、上記にて決定因子同定群を用いて決定した各予測対象項目の予測効果の推定式に、精度検証群の独立変数を代入して推定値を求め、その推定値を精度検証群の実測値に対してプロットし、推定式の９５％予測区間を算出した。最後に、求めた９５％予測区間を決定因子同定群と精度検証群との間で比較した。
図１２および図１３に、最高酸素摂取量変化ΔＶＯ２ｐｅａｋの決定因子同定群と精度検証群との実測値と推定値との評価結果を示している。図１２は上述した運動強度を独立変数として含む推定式の評価結果を示し、図１３は、参考として、運動強度を独立変数として含まない（性別、初期値および週速歩時間のみを含む）推定式の評価結果を示している。図１２に示した運動強度を独立変数として含む推定式の相関係数ｒが図１３に示した推定式の相関係数よりも高く、運動効果を、より高い精度で推定できることが分かる。
図１４は体格指数変化ΔＢＭＩの決定因子同定群と精度検証群との実測値と推定値との評価結果を示す。図１５は、最低血圧変化ΔＤＢＰの決定因子同定群と精度検証群との実測値と推定値との評価結果を示す。図１６は、血糖値変化ΔＦＢＧの決定因子同定群と精度検証群との実測値と推定値との評価結果を示す。図１７は、血中コレステロール変化ΔＨＤＬの決定因子同定群と精度検証群との実測値と推定値との評価結果を示す。図１８は、動脈硬化指数変化Δ（ＬＤＬ／ＨＤＬ）決定因子同定群と精度検証群との実測値と推定値との評価結果を示す。いずれの予想対象項目においても、決定因子同定群および精度検証群において高い相関を示しており、さらに、精度検証群において、決定因子同定群で求めた各回帰式（推定式）を用いた推定値と実測値から９５％予測区間を求めたところ、決定因子同定群のそれらとほぼ一致した。したがって、上述したそれぞれの推定式を用いて、それぞれの予想対象項目の運動効果（予測効果）を高い精度で予想できることを示している。
図１２から図１８に、それぞれの予想対象項目における推定値と実測値間の一次回帰式（式（３））を示している。式（１１）から（１６）に示した各予想対象項目の推定式における各係数および各定数は、Ｂｒａｃｅ法により以下のように補正することで推定値の精度を向上できる。なお、Δ´は補正後の値を示し、カッコ内の数値は中央値を示す。
最高酸素摂取量変化ΔＶＯ２ｐｅａｋ（ｍｌ／ｋｇ／ｍｉｎ）（推定式（１１））
Δ´ＶＯ２ｐｅａｋ＝１．７５ΔＶＯ２ｐｅａｋ－２．１０
－３．２７８＜ａ１１（－２．０７）＜－０．８６６
－０．５２７＜ａ１２（－０．３９４）＜－０．２６１
０．０１１＜ａ１３（ ０．０１８）＜ ０．０２５
０．１５９＜ａ１４（ ０．２１４）＜ ０．２６６
－１３．４２１＜ｃ１（ －７．２８） ＜ －１．１５２
体格指数変化ΔＢＭＩ（ｋｇ／ｍ２）（推定式（１２））
Δ´ＢＭＩ＝２．５５ΔＢＭＩ＋０．６５
０．１３０＜ａ２１（ ０．４５６）＜ ０．７８０
－０．２０１＜ａ２２（－０．１５３）＜－０．１０５
－０．００８＜ａ２３（－０．００５）＜－０．００３
－０．０２８＜ａ２４（－０．０１５）＜－０．００３
３．２３６＜ｃ２（ ４．７８） ＜ ６．３２９
最低血圧変化ΔＤＢＰ（ｍｍＨｇ）（推定式（１３））
Δ´ＤＢＰ＝１．７９ΔＤＢＰ＋２．５１
－１．０１０＜ａ３２（－０．８８６）＜－０．７６４
－１．１７６＜ａ３５（－０．６５３）＜－０．１２９
５９．０５１＜ｃ３（ ６８．９）＜７８．７８５
血糖値変化ΔＦＢＧ（ｍｇ／ｄｌ）（推定式（１４））
Δ´ＦＢＧ＝２．７６ΔＦＢＧ＋７．１８
－０．７０７＜ａ４２（－０．５６０）＜－０．４１４
－０．０８０＜ａ４３（－０．０４７）＜－０．０１４
４４．３９３＜ｃ４（ ６０．７） ＜７６．９００
血中コレステロール変化ΔＨＤＬ（ｍｇ／ｄｌ）（推定式（１５））
Δ´ＨＤＬ＝４．２２ΔＨＤＬ－４．０８
－０．６２０＜ａ５２（－０．４３０）＜－０．２４５
０．００８＜ａ５３（ ０．０４０）＜ ０．０７２
１２．０７８＜ｃ５（ ２５．１） ＜ ３８．０７４
動脈硬化指数変化Δ（ＬＤＬ／ＨＤＬ）（推定式（１６））
Δ´（ＬＤＬ／ＨＤＬ）＝３．７３Δ（ＬＤＬ／ＨＤＬ）＋０．２２
－０．６３４＜ａ６２（－０．４６６）＜－０．２９５
－０．００４＜ａ６３（－０．００２）＜ ０．０００
０．６８３＜ｃ６（ １．０９） ＜ １．４９９
図１９に、効果予測システム１０において、予測効果項目に対して予測効果を求める処理の概要をフローチャートにより示している。この処理は、コンピュータが実行可能な命令を含むプログラム（プログラム製品）として記録媒体などのコンピュータ読み取り可能な媒体を介して提供してもよい。効果予測システム１０のライブラリ２０は、運動強度依存群２１として、最高酸素摂取量ＶＯ２ｐｅａｋの予測効果の最高酸素摂取量変化ΔＶＯ２ｐｅａｋ、体格指数ＢＭＩの予測効果の体格指数変化ΔＢＭＩ（ｋｇ／ｍ２）、最低血圧ＤＢＰの予測効果の最低血圧変化ΔＤＢＰ（ｍｍＨｇ）のそれぞれに対して求められた上記の推定式（１１）～（１３）を含む。ライブラリ２０は、また、運動強度非依存群２２として、血糖値ＦＢＧの予測効果の血糖値変化ΔＦＢＧ（ｍｇ／ｄｌ）、ＨＤＬコレステロールの予測効果の血中コレステロール変化ΔＨＤＬ（ｍｇ／ｄｌ）、動脈硬化指数の予測効果として動脈硬化指数変化Δ（ＬＤＬ／ＨＤＬ）のそれぞれに対して求められた上記の推定式（１４）～（１６）を含む。
まず、ステップ５１において、効果予測システム１０は、運動効果を予測する項目（予測対象項目）を、入出力インターフェイス１５を介して取得する。ステップ５２において、入出力インターフェイス１５または第１の予測ユニット１１は、予測対象項目が運動強度依存群２１、すなわち、最高酸素摂取量、体格指数および最低血圧の少なくともいずれかであれば、ステップ５３において、入出力インターフェイス１５を介して、性別Ｓと、予測対象項目のユーザーの初期値（初期特性）と、トレーニングの継続中に予定している週平均時間Ｗａと、トレーニングの継続中に予定している運動強度Ｗｉとを含むユーザー情報７を取得する。この際、ステップ５３ａにおいて、ユーザー６に対し、第１のインターフェイス１６を介して、照会されている予測対象項目の予測効果（運動効果）が運動強度に依存することを含む情報を提供してもよい。ユーザー６に、運動強度を積極的に上げることにより運動効果が得られやすいことを示すことができる。
一方、ステップ５２において、入出力インターフェイス１５または第２の予測ユニット１２は、予測対象項目が運動強度非依存群２２、すなわち、血糖値、ＨＤＬコレステロールおよび動脈硬化指数の少なくともいずれかであれば、ステップ５４において、入出力インターフェイス１５を介して予測対象項目のユーザーの初期値（初期特性）と、トレーニングの継続中に予定している週平均時間Ｗａとを含むユーザー情報７を取得する。この際、ステップ５４ａにおいて、ユーザー６に対して、第２のインターフェイス１７を介して、照会されている予測対象項目の予測効果（運動効果）が運動強度に依存しないことを含む情報を提供してもよい。すなわち、運動強度がトレーニングとして要求されている所定の強度（最大体力（VO２peak）の７０％以上）の運動であれば、運動強度には依存しないことを含む情報を提供してもよい。ユーザー６に、運動強度を所定の強度以上（最大体力の７０％以上）に上げなくても、週平均時間を確保することにより運動効果が得られることを示すことができる。
ステップ５５において、第１の予測ユニット１１および第２の予測ユニット１２は、ライブラリ２０に予め格納されている運動強度依存群２１または運動強度非依存群２２の推定式を用いて、ユーザー情報７に基づいて、照会された予測対象項目の予測効果を推定し、ステップ５６において、その予測効果（予想される運動効果）をユーザー６の端末５にインターネット９などを介して提供する。
生活習慣病の指数の１つとして、ＬＳＤスコア（生活習慣病指標、ＬＳＤリスクファクタ、Lifestyle-related disease）が知られている。ＬＳＤスコア（生活習慣病指標）とは、いわゆるメタボ指標であり、以下の４項目の診断基準について、１つ該当すれば1点を加算する。したがって、４項目すべて該当すれば４点満点とした診断基準である。
１）最高血圧≧１３０ｍｍＨｇ、または最低血圧≧８５ｍｍＨｇ
２）空腹時血糖≧１００mg/ｄｌ、
３）ＢＭＩ≧２５ｋｇ/ｍ２、
４）中性脂肪≧１５０mg/ｄｌまたはＨＤＬコレステロール≦４０mg/ｄｌ。
例えば、ユーザー６がＬＳＤスコアを改善しようとしたときに、１）または３）が該当しているときは、体格指数および／または最低血圧を改善することが望ましい。インターバル速歩トレーニングにより、該当している項目を改善しようと考えた際に、効果予測システム１０を用いて運動効果を予測することが可能である。この際、体格指数および最低血圧は運動強度依存群２１であり、初期値および予定の週平均時間Ｗａに加えて、予定の運動強度Ｗｉを含むユーザー情報７を効果予測システム１０に提供することにより、トレーニングの予測効果、本例では、体格指数変化ΔＢＭＩおよび最低血圧変化ΔＤＢＰを推定してユーザー６に提供し、トレーニング効果の予測と、ユーザーが希望するトレーニング効果を得るための運動強度を含めたトレーニングプログラムを生成することができる。
一方、ＬＳＤスコアで、４）が該当しているときは、ＨＤＬコレステロールを改善することが望ましい。ＨＤＬコレステロールは運動強度非依存群２２であり、初期値および予定の週平均時間Ｗａを含むユーザー情報７を効果予測システム１０に提供することにより、トレーニングの予測効果、本例では、ＨＤＬコレステロール変化ΔＨＤＬを推定してユーザー６に提供し、トレーニング効果の予測と、ユーザーが希望するトレーニング効果を得るための運動強度を含めたトレーニングプログラムを生成することができる。この際、運動強度Ｗｉを上げても運動効果はほとんど変わらず、トレーニングの週平均時間Ｗａを増やすことがトレーニングとして重要であることをユーザー６に提供できる。
１０ 効果予測システム

Claims (15)

  1. 所定の強度に達している時間が、週平均で所定の時間に達している運動を行うトレーニングを継続したときの効果を予測するシステムであって、
    体力向上または生活習慣病改善に関わる予測対象項目を取得する入力インターフェイスと、
    前記予測対象項目が運動強度依存群に含まれていれば、前記入力インターフェイスを介して、前記予測対象項目のユーザーの初期特性と、前記トレーニングの継続中に予定している週平均時間と、前記トレーニングの継続中に予定している運動強度とを少なくとも取得して、前記初期特性、前記週平均時間および前記運動強度を少なくとも要素として含む運動強度依存の推定式を用いて前記トレーニングを所定の期間継続した後の前記予測対象項目の予測効果を出力する第１の予測ユニットと、
    前記予測対象項目が運動強度非依存群に含まれていれば、前記入力インターフェイスを介して、前記予測対象項目の前記ユーザーの初期特性と、前記トレーニングの継続中に予定している、週平均時間とを少なくとも取得して、前記初期特性および前記週平均時間を少なくとも要素として含む運動強度非依存の推定式を用いて前記トレーニングを所定の期間継続した後の前記予測対象項目の予測効果を出力する第２の予測ユニットと、を有するシステム。
  2. 請求項１において、
    前記第１の予測ユニットは、前記入力インターフェイスを介して、前記ユーザーの性別を取得して、前記性別、前記初期特性、前記週平均時間および前記運動強度を少なくとも要素として含む運動強度依存の推定式を用いて前記トレーニングを所定の期間継続した後の前記予測対象項目の予測効果を出力する、システム。
  3. 請求項１において、
    前記予測対象項目が前記運動強度依存群に含まれる場合は、前記ユーザーに対し、予測効果が運動強度に依存することを含む情報を提供する第１のインターフェイスを含む、システム。
  4. 請求項１において、
    前記予測対象項目が前記運動強度非依存群に含まれる場合は、前記ユーザーに対し、予測効果が運動強度に依存しないことを含む情報を提供する第２のインターフェイスを含む、システム。
  5. 請求項１において、
    前記トレーニングは、前記所定の強度を最高酸素摂取量の７０％、前記週平均の前記所定の時間を６０分に設定したインターバル速歩トレーニングを含む、システム。
  6. 請求項５において、
    前記運動強度依存群に含まれる前記予測対象項目は、最高酸素摂取量、体格指数および最低血圧を含み、
    前記運動強度非依存群に含まれる前記予測対象項目は、血糖値、ＨＤＬコレステロールおよび動脈硬化指数を含む、システム。
  7. 所定の強度に達している時間が、週平均で所定の時間に達している運動を行うトレーニングを継続したときの効果を、効果予測システムを用いて予測する方法であって、
    前記効果予測システムは、体力向上または生活習慣病改善に関わる予測対象項目を取得する入力インターフェイスと、
    運動強度依存群に含まれる前記予測対象項目に対し、前記予測対象項目のユーザーの初期特性と、前記トレーニングの継続中に予定している、週平均時間と、前記トレーニングの継続中に予定している運動強度とを少なくとも要素として含む運動強度依存の推定式を格納しており、運動強度非依存群の前記予測対象項目に対し、前記初期特性と、前記週平均時間とを少なくとも要素として含む運動強度非依存の推定式を格納しているライブラリとを有し、
    前記予測対象項目が前記運動強度依存群に含まれていれば、前記入力インターフェイスを介して前記初期特性、前記週平均時間および前記運動強度を少なくとも取得し、それらを少なくとも要素として含む前記運動強度依存の推定式を用いて前記トレーニングを所定の期間継続した後の前記運動強度依存群の予測対象項目の予測効果を出力することと、
    前記予測対象項目が前記運動強度非依存群に含まれていれば、前記入力インターフェイスを介して前記初期特性と、前記週平均時間とを少なくとも取得し、それらを少なくとも要素として含む前記運動強度非依存の推定式を用いて前記トレーニングを所定の期間継続した後の前記運動強度非依存群の予測対象項目の予測効果を出力することとを有する、方法。
  8. 請求項７において、
    前記ライブラリは、前記運動強度依存群に含まれる前記予測対象項目に対し、前記ユーザーの性別と、前記予測対象項目のユーザーの初期特性と、前記トレーニングの継続中に予定している、週平均時間と、前記トレーニングの継続中に予定している運動強度とを少なくとも要素として含む運動強度依存の推定式を格納しており、
    前記運動強度依存群の予測対象項目の予測効果を出力することは、前記性別、前記初期特性、前記週平均時間および前記運動強度を少なくとも要素として含む運動強度依存の推定式を用いて前記トレーニングを所定の期間継続した後の前記予測対象項目の予測効果を出力することを含む、方法。
  9. 請求項７において、
    前記予測対象項目が前記運動強度依存群に含まれる場合は、前記ユーザーに対し、予測効果が運動強度に依存することを含む情報を提供することを含む、方法。
  10. 請求項７において、
    前記予測対象項目が前記運動強度非依存群に含まれる場合は、前記ユーザーに対し、予測効果が運動強度に依存しないことを含む情報を提供することを含む、方法。
  11. 請求項７において、
    前記トレーニングは、前記所定の強度を最高酸素摂取量の７０％、前記週平均の前記所定の時間を６０分に設定したインターバル速歩トレーニングを含む、方法。
  12. 請求項１１において、
    前記運動強度依存群に含まれる前記予測対象項目は、最高酸素摂取量、体格指数および最低血圧を含み、
    前記運動強度非依存群に含まれる前記予測対象項目は、血糖値、ＨＤＬコレステロールおよび動脈硬化指数を含む、方法。
  13. 請求項１２において、
    前記ライブラリは、前記最高酸素摂取量の予測効果として最高酸素摂取量変化ΔＶＯ２ｐｅａｋ（ｍｌ／ｋｇ／ｍｉｎ）、前記体格指数の予測効果として体格指数変化ΔＢＭＩ（ｋｇ／ｍ２）、前記最低血圧の予測効果として最低血圧変化ΔＤＢＰ（ｍｍＨｇ）、前記血糖値の予測効果として血糖値変化ΔＦＢＧ（ｍｇ／ｄｌ）、前記ＨＤＬコレステロールの予測効果として血中コレステロール変化ΔＨＤＬ（ｍｇ／ｄｌ）、前記動脈硬化指数の予測効果として動脈硬化指数変化Δ（ＬＤＬ／ＨＤＬ）を推定する以下の推定式を含む、方法。
    ΔＶＯ２ｐｅａｋ＝ａ１１・Ｓ＋ａ１２・ＶＯ２ｐｅａｋ初期値＋ａ１３・Ｗａ
    ＋ａ１４・Ｗｉ＋ｃ１
    ΔＢＭＩ＝ａ２１・Ｓ＋ａ２２・ＢＭＩ初期値＋ａ２３・Ｗａ＋ａ２４・Ｗｉ＋ｃ２
    ΔＤＢＰ＝ａ３２・ＤＢＰ初期値＋ａ３５・ΔＶＯ２ｐｅａｋ＋ｃ３
    ΔＦＢＧ＝ａ４２・ＦＢＧ初期値＋ａ４３・Ｗａ＋ｃ４
    ΔＨＤＬ＝ａ５２・ＨＤＬ初期値＋ａ５３・Ｗａ＋ｃ５
    Δ（ＬＤＬ／ＨＤＬ）＝ａ６２・（ＬＤＬ／ＨＤＬ）初期値＋ａ６３・Ｗａ＋ｃ６
    ただし、Ｓは性別（男性＝１，女性＝０）、Ｗａは前記週平均時間（ｍｉｎ／ｗｅｅｋ）、Ｗｉは前記運動強度（％ＶＯ２ｐｅａｋ）であり、ａ１１～ａ６３およびｃ１～ｃ６は係数であり以下の範囲である。
    －３．２７８＜ａ１１＜－０．８６６
    －０．５２７＜ａ１２＜－０．２６１
    ０．０１１＜ａ１３＜ ０．０２５
    ０．１５９＜ａ１４＜ ０．２６６
    －１３．４２１＜ｃ１ ＜ －１．１５２
    ０．１３０＜ａ２１＜ ０．７８０
    －０．２０１＜ａ２２＜－０．１０５
    －０．００８＜ａ２３＜－０．００３
    －０．０２８＜ａ２４＜－０．００３
    ３．２３６＜ｃ２ ＜ ６．３２９
    －１．０１０＜ａ３２＜－０．７６４
    －１．１７６＜ａ３５＜－０．１２９
    ５９．０５１＜ｃ３ ＜７８．７８５
    －０．７０７＜ａ４２＜－０．４１４
    －０．０８０＜ａ４３＜－０．０１４
    ４４．３９３＜ｃ４ ＜７６．９００
    －０．６２０＜ａ５２＜－０．２４５
    ０．００８＜ａ５３＜ ０．０７２
    １２．０７８＜ｃ５ ＜ ３８．０７４
    －０．６３４＜ａ６２＜－０．２９５
    －０．００４＜ａ６３＜ ０．０００
    ０．６８３＜ｃ６ ＜ １．４９９
  14. コンピュータにより、所定の強度に達している時間が、週平均で所定の時間に達している運動を行うトレーニングを継続したときの効果を予測する方法であって、
    前記コンピュータが、入力インターフェイスを介して体力向上または生活習慣病改善に関わる予測対象項目を取得することと、
    前記予測対象項目が運動強度依存群に含まれていれば、前記入力インターフェイスを介して、前記予測対象項目のユーザーの初期特性と、前記トレーニングの継続中に予定している週平均時間と、前記トレーニングの継続中に予定している運動強度とを少なくとも取得して、前記初期特性、前記週平均時間および前記運動強度を少なくとも要素として含む運動強度依存の推定式を用いて前記トレーニングを所定の期間継続した後の前記予測対象項目の予測効果を出力することと、
    前記予測対象項目が運動強度非依存群に含まれていれば、前記入力インターフェイスを介して、前記予測対象項目の前記ユーザーの初期特性と、前記トレーニングの継続中に予定している週平均時間とを少なくとも取得して、前記初期特性および前記週平均時間を少なくとも要素として含む運動強度非依存の推定式を用いて前記トレーニングを所定の期間継続した後の前記予測対象項目の予測効果を出力することとを有する方法。
  15. コンピュータにより、所定の強度に達している時間が、週平均で所定の時間に達している運動を行うトレーニングを継続したときの効果を予測するプログラムであって、
    前記コンピュータが、入力インターフェイスを介して体力向上または生活習慣病改善に関わる予測対象項目を取得することと、
    前記予測対象項目が運動強度依存群に含まれていれば、前記入力インターフェイスを介して、前記予測対象項目のユーザーの初期特性と、前記トレーニングの継続中に予定している週平均時間と、前記トレーニングの継続中に予定している運動強度とを少なくとも取得して、前記初期特性、前記週平均時間および前記運動強度を少なくとも要素として含む運動強度依存の推定式を用いて前記トレーニングを所定の期間継続した後の前記予測対象項目の予測効果を出力することと、
    前記予測対象項目が運動強度非依存群に含まれていれば、前記入力インターフェイスを介して、前記予測対象項目の前記ユーザーの初期特性と、前記トレーニングの継続中に予定している週平均時間とを少なくとも取得して、前記初期特性および前記週平均時間を少なくとも要素として含む運動強度非依存の推定式を用いて前記トレーニングを所定の期間継続した後の前記予測対象項目の予測効果を出力することとを実行するための命令を有するプログラム。
JP2023075150A 2023-04-28 2023-04-28 運動効果を予測するシステムおよび方法 Active JP7630184B2 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2023075150A JP7630184B2 (ja) 2023-04-28 2023-04-28 運動効果を予測するシステムおよび方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2023075150A JP7630184B2 (ja) 2023-04-28 2023-04-28 運動効果を予測するシステムおよび方法

Publications (2)

Publication Number Publication Date
JP2024159278A JP2024159278A (ja) 2024-11-08
JP7630184B2 true JP7630184B2 (ja) 2025-02-17

Family

ID=93336564

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2023075150A Active JP7630184B2 (ja) 2023-04-28 2023-04-28 運動効果を予測するシステムおよび方法

Country Status (1)

Country Link
JP (1) JP7630184B2 (ja)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017204233A1 (ja) 2016-05-23 2017-11-30 Ｎｅｃソリューションイノベータ株式会社 健康状態予測装置、健康状態予測方法、及びコンピュータ読み取り可能な記録媒体
JP2019502475A (ja) 2016-01-08 2019-01-31 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． 個人化された適応能追跡
WO2019187372A1 (ja) 2018-03-30 2019-10-03 Ｎｅｃソリューションイノベータ株式会社 予測システム、モデル生成システム、方法およびプログラム

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102948419B1 (ko) * 2020-03-31 2026-04-06 현대자동차주식회사 운동처방장치 및 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019502475A (ja) 2016-01-08 2019-01-31 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． 個人化された適応能追跡
WO2017204233A1 (ja) 2016-05-23 2017-11-30 Ｎｅｃソリューションイノベータ株式会社 健康状態予測装置、健康状態予測方法、及びコンピュータ読み取り可能な記録媒体
WO2019187372A1 (ja) 2018-03-30 2019-10-03 Ｎｅｃソリューションイノベータ株式会社 予測システム、モデル生成システム、方法およびプログラム

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
KIM, Junghoon et al.，Lifestyle-Based Physical Activity Intervention for One Year Improves Metabolic Syndrome in Overweight Male Employees，The Tohoku Journal of Experimental Medicine，第229巻, 第1号，2012年12月05日，pp.11-17，<URL:https://www.jstage.jst.go.jp/article/tjem/229/1/229_11/_article/-char/ja/>，<DOI:10.1620/tjem.229.11>

Also Published As

Publication number Publication date
JP2024159278A (ja) 2024-11-08

Similar Documents

Publication Publication Date Title
RU2535615C2 (ru) Определение затрат энергии пользователя
EP2280770B1 (en) Apparatus for metabolic training load, mechanical stimulus, and recovery time calculation
US8602988B2 (en) Recovery determination methods and recovery determination apparatuses
US11587665B2 (en) Methods, systems, and non-transitory computer readable media for estimating maximum heart rate and maximal oxygen uptake from submaximal exercise intensities
Kons et al. Female judo athletes’ physical test performances are unrelated to technical–tactical competition skills
KR101009959B1 (ko) 건강상태 측정장치 및 방법 그리고 그 방법을 수행하기 위한 프로그램이 기록된 기록매체
US11482333B2 (en) Method and an apparatus for determining injury risk of a person based on physiological data
JP2017508589A (ja) 健康リスク指標決定
JP2019534088A (ja) 対象者の身体的疲労を定量化するためのシステム、方法、及びコンピュータプログラム
CN117122311A (zh) 心肺健康评估
Jensen et al. A maximal rowing ergometer protocol to predict maximal oxygen uptake
Strom et al. Validity of a customized submaximal treadmill protocol for determining VO2max
Arratibel-Imaz et al. Lack of concordance amongst measurements of individual anaerobic threshold and maximal lactate steady state on a cycle ergometer
CN106037703A (zh) 一种基于智能化健身车的心肺耐力间接测试方法
JP2020501285A (ja) コンピュータを用いた抽出順序決定方法及びプログラム
Bonikowske et al. Evaluating current assessment techniques of cardiorespiratory fitness
JP7630184B2 (ja) 運動効果を予測するシステムおよび方法
Wittink et al. Measurement properties of maximal cardiopulmonary exercise test protocols in persons after stroke: a systematic review
Tam et al. Validation of consumer wearable activity tracker as step measurement in free-living conditions
Klass et al. Assessment of energy expenditure during high intensity cycling and running using a heart rate and activity monitor in young active adults
Pires et al. Validation of a method for the estimation of energy expenditure during physical activity using a mobile device accelerometer
CN119889677A (zh) 一种基于血液生物标志物的老年功能衰退和全因死亡风险的预测方法、系统、设备及存储介质
JP5315504B2 (ja) 歩行動作評価システム及び歩行動作評価方法
Mitchell et al. Responsiveness and seasonal variation of a 12× 25-m swimming test
Hornikel et al. Validation of a Time-to-Exhaustion-Derived V̇O2max Prediction Equation and Secondary Criteria Agreement: The CARDIA Study

Legal Events

Date Code Title Description
A80 Written request to apply exceptions to lack of novelty of invention

Free format text: JAPANESE INTERMEDIATE CODE: A80

Effective date: 20230523

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20231127

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20241204

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20241206

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20250108

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20250128

R150 Certificate of patent or registration of utility model

Ref document number: 7630184

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150